AI vs Machine Learning vs Deep Learning:என்ன வேறுபாடு?

What is AI?

Artificial intelligence அதாவது செயற்கை நுண்ணறிவு  என்பது மெசினுக்கு அறிவாற்றலை வழங்குதல் ஆகும்.காரணம் அறிதல், பேச்சு, பார்வை ஆகியவை AI –ன் முக்கிய கோல்கள் ஆகும்.
இதில் மூன்று நிலைகள் உள்ளன.
Narrow AI: இந்த நிலையில் மெசின் ஆனது மனிதரை விட நன்றாக பணியாற்றுகின்றது. தற்போதைய ஆராய்ச்சிகள் இதில் தான் உள்ளன.
General AI:இந்த நிலையில் மெசின் ஆனது மனிதரைப் போன்றே துல்லிதமான முறையில் பணியாற்றுகின்றது.
Active AI:இந்த நிலையில் மெசின்னின் செயற்பாடுகள் மனிதரைத் தோற்கடிக்கின்றன.
ஆரம்ப AI ஆனது பேட்டர்ன் மேட்சிங்க், மற்றும் தேர்ந்த முறைகளைக் கொண்டிருந்தது..

ML என்பது என்ன?

மெசின் லீயர்னிங்க் என்பது ஒரு டேட்டாவில் உள்ள பேட்டர்னை ஆராய்ந்து புரிந்து கண்டறிதல் ஆகும்.இதன் பிண்ணனியில் உள்ள யோசனை ஆனது மெசினை மனிதர்களால் முடியாதவற்றை செயல்படுத்த செய்வது ஆகும்.இது குறைந்த மனிதராற்றலுடன் மெசினை செயற்படுத்தல் ஆகும்.

இது ஒரு அல்காரிதமுக்கு டேட்டாவை உள்ளீடு செய்து உள்ளீட்டிற்க்கும் வெளியீட்டிற்கும் உள்ள தொடர்பை அறிந்து கொள்கின்றது.இவ்வாறு கற்ற பின் ஒரு டேட்டாவை உள்ளீடு செய்தால் அதன் மதிப்பு மற்றும் வகையை கணிக்கின்றது.

டீப் லியர்னிங்க் என்பது என்ன?

இது மனித மூளையில் உள்ள neuron வலையை என்பதை பின் வலையை பயன்படுத்துவதால் இது டீப் லியர்னிங்க் எனப்படுகின்றது

இது டேட்டாவை கற்பதற்கு வெவ்வேறு வ.கையான நிலைகளை பயன்படுத்துகின்றது.இந்த மாடலின் ஆழமானது எத்தனை நிலைகளை கொண்டிருக்கின்றது என்பதன் மூலமாகும். டீப் லியர்னிங்க் எனப்படுவது AI ஆனதின் ஒரு கலை நிலை ஆகும். டீப் லியர்னிங்கில் கற்றல் நிலையானது நீயுரல் வலை கொண்டு செய்யப்படுகின்றது.நீயூரல் வலைப்பின்னல் ஆனது ஒன்றன் மேல் ஒன்றான அடுக்கு கட்டுமானத்தைக் கொண்டிருக்கின்றது.

மெசின் லியர்னிங்க் செயற்பாடு.

உதாரணத்திற்கு ஒரு பொருளை கண்டறியும் நிரலை உருவாக்குவது என எடுத்துக் கொள்வோம்.இந்த மாடலை பயிர்ச்சி செய்தலுக்கு வகைப்படுத்தி தேவைப்படுகின்றது. வகைப்படுத்தி ஆனது ஒரு ஆப்ஜெக்டின் அம்சங்களை பயன்படுத்து அது எந்த வகையானது என்று கண்டறிகின்றது.

உதாரணத்திற்கு வகைப்படுத்தி ஆனது ஒரு படமானது பின் வருவனவற்றில் என்ன என்று கண்டறிகின்றது என எடுத்துக் கொள்வோம்.

1.      இரு சக்கர வாகணம்

2.      படகு

3.      வண்டி

4.      விமானம்.

நான்கு ஆப்ஜெக்டுகளையும் வகைப்படுத்தி ஆனது எது என்று கண்டறிதல் வேண்டும். ஒரு வகைப்படுத்தியை உருவாக்குவதற்கு சில டேட்டாக்களை உள்ளீடு செய்து அதற்கான லேபிளையும் வழங்க வேண்டும். அல்காரிதமானது இந்த டேட்டாவை எடுத்து ஒரு பேட்டர்னை கண்டறிந்து பிறகு வகைப்படுத்துகின்றது

இது சூபர்வைஸ்டு லியர்னிங்க் எனப்படுகின்றது.இதில் பயிற்றுவிக்கும் டேட்டாவுடன் லேபிளையும் சேர்த்தே அல்காரிதமிற்கு உள்ளீடு செய்யப்படுகின்றது.

ஒரு அல்காரிதமை பயிற்றுவிக்க பின் வரும் படிகள் பயன்படுத்தப்படுகின்றது.

1.      டேட்டாவை சேகரித்தல்.

2.      வகைப்படுத்தியை பயிற்றுவித்தல்.

3.      கணித்தல்.

இதன் முதல் நிலை முக்கியமானது . சரியான டேட்டாவை தேர்வு செய்தல் ஒரு அல்கரிதமின் வெற்றி தோல்வியை நிர்ணயிக்கின்றது.பயிற்றுவிக்க நீங்கள் தேர்வு செய்யும் டேட்டாவானது அம்சம்  எனப்படுகின்றது.ஒரு ஆப்ஜெக்ட் உதாரணத்தில்  படத்தின் பிக்சல்கள் ஆனது அம்சம் ஆகும்.
ஒவ்வொரு இமேஜும்  ரோ எனில் ஒவ்வொரு பிக்சலும் காலம்ன் ஆகும்.உதாரணத்திற்கு இமேஜின் அளவு ஆனது 28*28 என்றால் அதில் 784 காலம்ன் (28*28) இருக்கும்.
கீழே உள்ள படத்தில் ஒவ்வொரு படமும் ஒரு வெக்டார் அம்சமாக மாற்றப்படுகின்றது. லேபிள் ஆனது படத்தில் எந்த ஆப்ஜெக்ட் உள்ளது என கணினிக்கு கூறுகின்றது.

இதன் நோக்கமானது இந்த  பயிர்ச்சி டேட்டா கொண்டு எந்த வகையானது என வகைப்படுத்துதல் ஆகும்.முதாலவதாக காலம்களின் அம்சங்கள் உருவாக்கப்படுகின்றது.இரண்டாவதாக இதை பயிற்றுவிப்பதற்கு அல்காரிதம் தேர்வு செய்யப்படுகின்றது.பயிற்ச்சி முடிந்த பின் மாடலானது ஒரு இமேஜ் ஆனது எந்த பொருள் என கணிக்கும்.
அதற்கு பின் மாடலானது புதிய படங்களை வகைப்படுத்துகின்றது. ஒவ்வொரு புதிய  இமேஜ் உள்ளீட்டீற்க்கும் மெசின் ஆனது அது எந்த வகை எனக் கணிக்கும்.உதாரணத்திற்கு எந்த லேபிளும் இல்லாமல் புதிய இமேஜ் ஒன்று உள்ளீடு செய்யப்பட்டால் மெசின் ஆனது அதன் முந்தைய அறிவைப் பயன்படுத்தி அது எந்த இமேஜ் என கணிக்கின்றது.

டீப் லியர்னிங்க் செய்ற்பாடு

டீப் லியர்னிங்கில் கற்றறியும் முறை ஆனது நீயுரல் வலைப்பின்னலால் செய்யப்படுகின்றது. நீயூரல் வலைப்பின்னல் என்பது ஒவ்வொரு அடுக்கும் ஒன்றன் மேல் ஒன்றாக இருக்கும்.

மேலே உள்ள அதே ஆப்ஜெக்ட்டுகளை எடுத்துக் கொள்வோம். பயிற்சி வகை ஆனது நீயுரல் வலைக்கு உள்ளீடு செய்யப்படும்.

ஒவ்வொரு  நீயுரலுக்கு கொடுக்கப்படும் உள்ளீடும் அதன் கணத்தால் பெருக்கப்படுகின்றது.ஒரு  அடுக்கின் பெருக்கலானது அடுத்த  அடுக்கிற்க்கு உள்ளீடு செய்யப்படுகின்றது. இந்த செயற்பாடானது ஒவ்வொரு அடுக்கிற்கும் திரும்ப செய்யப்படுகின்றது. கடைசி அடுக்கானது வெளீயீட்டு அடுக்காகும். இந்த  சுழற்ச்சி செயற்பாடுகளின் வெளீயீடு ஆனது ஒரு இமேஜின் நிகழ் தகவையும் அதன் மதிப்பையும் தருகின்றது.இந்த நீயிரல் நெட்வொர்க் கனித அல்கரிதமை பயன்படுத்தி அதன் கணங்களை அப்டேட் செய்கின்றது.இந்த நீயுரல் நெட்வொர்க் ஆனது ஒரு பொருளின் கண மதிப்பை பயன்படித்தி அதன் உண்மையான வெளியீட்டை தருகின்றது. உதாரணத்திற்க்கு ஒரு  நன்கு பயிற்றுவிக்கப் பட்ட நீயூரல் நெட்வொர்க் ஆனது ஒரு ஆப்ஜெக்டை சரியாக கண்டறிகின்றது.

டீப் லியர்னிங்கில் தானியிங்கும் அம்சம்  பிரித்தெடுத்தல் .

ஒரு டேட்டா செட் ஆனது டஜனில் இருந்து நூற்றுக் கணக்கான அம்சங்களை கொண்டிருக்கலாம். அந்த அம்சங்களின் சம்பந்தத்தில் இருந்து அதை பயில்கின்றது.எனினும் எல்லா அம்சங்களும் ஒரு அல்காரிததிற்கு அர்த்தப்படுவதில்லை.மெசின் லியர்னிங்கின் முக்கிய பங்கானது ஒன்றுக்கொன்று சம்பந்தப்படும் அம்சங்கள் ஆகும்.
மெசின் லியர்னிங்கில் அம்சங்களை எக்ஸ்ட்ராக்ட் செய்தல் ஒரு வழிமுறை ஆகும். அம்சம் பிரித்தெடுத்தல் என்பது இருக்கும் அம்சங்களுடன் கூடுதல் அம்சங்களை சேர்த்தல் ஆகும். இது PCA, T-SNE போன்ற அல்காரிதம் கொண்டு செயற்படுகின்றது.
உதாரணத்திற்கு ஒரு இமேஜ் ப்ராசசிங்கில் ஒரு படத்தில் இருந்து கண்,மூக்கு, உதடு மற்றும் மற்ற அம்சங்களை பிரித்தெடுக்கும் தேவை உள்ளது. இவ்வாறு பிரித்தெடுக்கப்பட்ட அம்சங்கள் ஒரு வகைப்படுத்தல் மாடலுக்கு உள்ளீடு செய்யப்படுகின்றது.
ஒரு சுழற்சி நீயுரல் நெட்வொர்க் இதன் தீர்வைத் தருகின்றது.முதல் அடுக்கானது ஒரு படத்தின் சிறிய தகவல்களை கற்கின்றது. அடுத்த அடுக்குகள் மேலும் சிக்கலான அறிவை முந்தைய அறிவுடன் சேர்க்கின்றது.
ஒரு சுழற்சி  நீயுரல் வலைப் பின்னலில் அம்சங்களை பிரித்தெடுத்தல் ஃபில்டர் உதவி கொண்டு செய்யப்படுகின்றது. நெட்வொர்க் ஆனது படத்திற்க்கு ஃபில்டர் உதவி கொண்டு அதன் வடிவம் பொருத்தம் இருக்கின்றதா எனப் பார்க்கும். பொருத்தம் இருந்தால் நெட்வொர்க் அதாவது வலைப்பின்னல் , அம்சம் பிரித்தெடுத்தல் என்பதை தானியியங்கி முறையில் செயற்படுத்துகின்றது

மெசின் லியர்னிங்க் மற்றும் டீப் லியர்னிங்க் வித்தியாசங்கள்.

ஆ	Machine Learning	Deep Learning
Data Dependencies	சிறிய மற்றும் சுமாரான டேட்டா செட்களில் நல்ல பணிபுரிகின்றது.	பெரிய டேட்டா செட்டில் நன்றாக பணி புரிகின்றது.
Hardware dependencies	சிறிய கடை நிலை மெசினில் வேலை செய்கின்றதுWork on a low-end machine.	திறன் வாய்ந்த GPU தேவைப்படுகின்றது. DL ஆனது மேட் ரிக்ஸ் பெருக்கலில் குறிப்பிடும் அளவில் செயல்படிகின்றது.
Feature engineering	டேட்டாவின் அம்சகள் தேவை	டேட்டாஅ அம்சங்கள் தேவையில்லை.
Execution time	சில நிமிடங்களிருந்து சில மணி நேரங்கள்	ஒரு வாரம் வரை
Interpretability	சில அல்காரிதம்கள் இன்டெர்பிரல் செய்தல்  சுலபமானது	கடினம் ஆனது.

 ML அல்லது DLஎதைப்பயன்படுத்துவது?

	Machine learning	Deep  learning
பயிற்று விக்கும் டேட்டா செட்	சிறியது	பெரியது.
அம்சங்கள்  தேர்ந்தெடுப்பு	தேவை	தேவையில்லை.
அல்காரிதம்  எண்ணிக்கை	நிறைய	சில
பயிலும் நேரம்	குறுகியது	நீளமானது.

மெசின் லியர்னிங்கில் டீப் லியர்னிகை விட குறைவான டேட்டா  பயில்வதற்கு தேவைப்படுகின்றது. டீப் லியர்னிங்கில் விரிவான மற்றும் பல்வேறு டேட்டா செட்   அதன் கட்டமைப்பை அறிய தேவைப்படுகின்றது.அத்துடன் மெசின் லியர்னிங்க் விரைவான பயிற்சி நேரத்தையும் டீப் லியர்னிங்க் கூடுதலான நேரத்தையும் தேவைப்படுகின்றது. டீப் லியர்னிங்கின் நண்மையானது அதன் துல்லிதமாகும்.எந்த டேட்டா அதை நன்கு பிரதினிவத்துவம் அளிக்கின்றது என்பதை அறிய தேவையில்லை. நீயூரல் நெட்வொர்க் முக்கியமான அம்சங்களை பயில்கின்றது. மெசின் லியர்னிங்கில் எந்த அம்சங்கள் தேவை என்பதை தேர்ந்த்டுக்க வேண்டும்.

சுருக்கம்

செயற்கை நுண்ணறிவு என்பது மெசினுக்கு அறிவாற்றலை வழங்குதல் ஆகும். ஆரம்ப கால AI முறைகள் பேட்டர்ன் மேட்சிங்க்  மற்றும் திறன் வாய்ந்த முறைகளையும் பயன்படுத்தியது.
மெசின் லியர்னிங்க் என்பது மனித தலையீடின்றி ஒரு மெசின் கற்றுக் கொள்தல் ஆகும். மெசின் ஆனது ஒரு பிரச்சனைக்கு தீர்வை கொடுக்கப்பட்டுள்ள டேட்டாவிலிருந்து கற்றுக் கொள்ள வேண்டும்.
டீப் லியர்னிங்கில்  போதுமான டேட்டா இருந்தால் ஈர்க்கக்கூடிய பலன்களை அளிக்கின்றது அதிலும் முக்கியமாக இமேஜ் புரிந்து கொள்தல், உரை மொழிபெய்ர்த்தல் ஆகியவற்றில்.அதன் முக்க்கிய காரணம் அம்சங்கள் பிரித்த்டுத்தல் என்பது வேவ்வேறு அடுக்குகளில் தானியங்கி முறையில் நடைபெறுவதால் ஆகும்
நன்றி.
முத்து கார்த்திகேயன்,மதுரை.