මිනිසා පරදන මැෂින් මොළේ!

මේ වගේ පෙනුම විතරයි වැඩ නැති මැෂින් ගැන නෙවේ අද කතාව! Source:http:www.onestop.lk

යන්ත්‍රවලට මිනිස්සුන්ට වඩා ඇතැම් දේවල් හොඳින් කරන්න පුළුවන් බව අපි කවුරුත් දන්න දෙයක්නේ. සාමාන්‍යයෙන් මොනවද මේ දේවල්? වාහනයකට පුළුවන් මිනිස්සු ගාණක් උස්සන් යන දේවල් එකපාර ප්‍රවාහනය කරන්න. මහන මැෂිමකට පුළුවන් මිනිහෙක්ට වඩා ඉතා වේගයෙන් මැහුම් කටයුතු කරන්න. කාර්මික රොබොවකුට පුළුවන් මිනිහෙක්ට කරන්න බැරි හරි සියුම් කැපීම් කරන්න.  මේ වගේ තව උදාහරණ තියෙන්න පුළුවන්. නමුත් මේ හැම උදාහරණෙකම පොදු ලක්ෂණයක් තියෙනවා. යන්ත්‍රය මොකක් හරි අංශයකින් මිනිහාට වඩා හොඳින් වැඩේ කරන බව ඇත්ත. නමුත් කරන්න ඕන වැඩේ මොකක්ද කියලා "හිතලා" කරන්න යන්ත්‍රයට පුළුවන් කමක් නෑ. ඒ දේ කියලා දෙන්න මිනිහෙක් ඉන්න ඕන.

හැබැයි මේක සාම්ප්‍රදායික යන්ත්‍ර වලට අදාල දෙයක් විතරයි. 1900 ගණන් වල එනවා කෘතීම බුද්ධිය කියලා සංකල්පයක් (මැෂින් මොළේ කිව්වෙ ඔන්න ඕකටයි මං. සිංහල වචන සෑහෙන බරසාරයි. නැද්ද?). මෙච්චර කල් කියපු දේ කරන් හිටපු යන්ත්‍රවලට, අළුත් තත්ව යටතේ තීරණ ගන්න පුළුවන්ද කියලයි මෙතැනදි මිනිස්සු හොයලා බැලුවේ. උදාහරණෙකට, අපි ගමුකො වාහනයක්. මෙච්චර කල් වාහනය එලෙව්වේ මිනිස්සු. වාහනයට වේගයෙන් යන්න පුළුවන්. ගොඩක් බර උස්සන් යන්න පුළුවන්. නමුත්, දැන් වේගයෙන් යන්න කියලා ඇක්සලරේටරය ගහල සංඥා කරන්න මිනිහෙක් ඉන්න ඕන. පාරේ බාධයක් දැක්කම බ්‍රේක් ගහල වේගය අඩු කරන්න කියලා කියන්න මිනිහෙක් ඉන්න ඕන. කෘතීම බුද්ධියෙන් කරන්නේ වාහනේ ඉස්සරහ පේන දේ දිහා බලලා බ්‍රේක් ගහන්න ඕනද, ඇක්සලරේට් කරන්න ඕනද, නැත්තං වෙනින් මොකක් හරි කරන්න ඕනිද කියලා තීරණය කරන එක. ඇත්තටම මේක හරියට වැඩකරනවනං (ඒ කිව්වේ මිනිහෙක් ඉඳල කරන්න ඕනදේ කියනවට වඩා කෘතීම බුද්ධියෙන් තීරණ ගන්න එක වඩා සාර්ථක නම්). රියදුරෙක් නැති වාහනයක් පාරට දාන්න පුළුවන්. (මේ ගැන Tesla, Uber වගේ සමාගම් ගණනාවක් දැනට හොයාබැලීම් කරනවා. ගොඩක් දුරට සාර්ථක උත්සාහයක් බලන්න පුළුවන් මෙතැනින්).

දැන් මේ දේවල් කිව්වම කෙනෙක්ට හිතෙන්න පුළුවන් "ඔව්වා දැන් පර්යේෂණ කරාට ප්‍රොඩක්ට් එකක් එන්න හෙණ කාලයක් යනවනේ" වගේ දෙයක්. සාමාන්‍යයෙන් මේ දේ ඇත්තක් උනත්, පහුගිය අවුරුදු පහ-හය ඇතුලේ මේ සම්බන්ධයෙන් සීඝ්‍ර දියුණුවක් ඇතිවෙලා තියෙනවා. මීට අවුරුදු දහයකට කලින් කරන්න තියා හිතන්නවත් බැරි "බුද්ධිමය" කටයුතු කරන්න පුළුවන් යන්ත්‍ර මේ ලියන මොහොත වෙනකොට බිහිවෙලා තියෙනවා. මේ පෙරලියට රුකුලක් වුනු එක් හේතුවක් තමයි කෘතීම න්‍යුරෝන පද්ධති (Artificial Neural Networks). මේක ඇත්තටම අවුරුදු විස්සක් විතර පරණ සංකල්පයක්. නමුත් මේ සංකල්පය හරියට  ක්‍රියාත්මක කරන්න පුළුවන් තරම් දියුණු පරිගණක මෑතක් වෙනකම් බිහිවෙලා තිබුණෙ නෑ. අනෙක් හේතුව තමයි විශාල පරිමාණයෙන් දත්ත හොයාගන්න දැන් තිබෙන පහසුව. ඉස්සරට වඩා කැමරා වගේ දත්ත රැස්කරන උපකරණ මේ වෙනකොට ගොඩක් බහුලවෙලා තියෙන හින්දා මේ දේ තවදුරටත් ගැටළුවක් නෙවේ.

ඇත්තටම හිතල බැලුවොත් විශාල දත්ත ගොඩක් එක්ක කෘතීම න්‍යුරෝන පද්ධති  පාවිච්චි කරලා කෘතීම බුද්ධියක් පුහුණු කරන එකයි, අළුතින් ළමයෙක්ට ඩ්‍රයිවින් කියලා දෙන එකයි අතර ලොකු වෙනසක් නෑ. ළමයෙක් ඩ්‍රයිවින් ස්කූල් ගියාම මොකක්ද සිද්ධ වෙන්නේ? ඩ්‍රයිවින් ඉන්ස්ට්‍රක්ටර් ළමයට කියනවා මේ වගේ වෙලාවක මේවගේ තීරණයක් ගන්න කියලා - ඉස්සරහ වාහන පෝලිමක් පේනවනං බ්‍රේක්කරලා වේගෙ අඩුකරන්න, ඉස්කෝලෙයක් ගාවදි ළමයි පනින්න පුළුවන් - වේගේ අඩුකරන්න, වංගුව ගද්දි වේගේ අඩුකරන්න (ඇත්තටම හිතුවොත් ඩ්‍රයිවින් උගන්නන අය කවදාවත් වේගේ අඩුකරන්න මිසක් වැඩි කරන්න කියන්නෙ නෑනේද?!) ඊට පස්සේ ළමයා වාහනේ අරන් යද්දි, අරං යන විදිහ අනුව කමෙන්ට් එකක් දෙනවා. වැරදියට කරොත් කුණු බැනුම්. ඒක අහලා ළමයා වැරැද්ද හදන්න ට්‍රයි කරනවා. හොඳින් කරොත් පොඩි ප්‍රසංසාවක් හම්බෙනවා. එතකොට ළමයා දන්නවා කරන වැඩේ හරි වග. ගොඩක් වෙලාවට ඩ්‍රයිවින් පටන් ගත්ත ගමන් වැරදි වෙනවා වැඩියි. හැබැයි ඉන්ස්ට්‍රක්ටර් කියන දේ අහලා වැරදි හදාගත්තොත් එන්න එන්න වැරදි වෙන එක අඩු වෙනවා. ඔහොම ගිහිං ගිහිං වැරදි වෙන්නෙ නැති තත්වෙකටම එනවා.

කෘතීම බුද්ධියක් පුහුණු කරද්දිත් වෙන්නේ මේ දේමයි. මුලින් සිද්ධි කීපයකුත්, ඒ සිද්ධි වලට අදාල හරි තීරණ ටිකකුත් දෙනවා. ඊට පස්සේ අළුත්ම සිද්ධියක් කෘතීම බුද්ධියට දීලා, තීරණයක් ගන්න කියනවා. ගත්ත තීරණය වැරදිනං, පොඩි දඬුවමක්. හරිනං පැසසුමක්. කෘතීම බුද්ධිය උත්සහ කරනවා දඬුවම් අඩු වෙන විදිහට ඉදිරි තීරණ ගන්න. ඒ කියන්නේ ඔහු පුරුදුවෙනවා සිද්ධියක් දුන්නම හරි තීරණය ගන්න. මේ පුහුණුවීම ස්වයංක්‍රීයවමයි සිද්ධ වෙන්නෙත්. කොහොම හරි විශාල දත්ත තොගයක් තියෙනවනං, ප්‍රමාණයෙන් සීමා නොවිච්ච කෘතීම න්‍යුරෝන පද්ධතියකට මේ විදිහේ ඕනම දෙයක් ඉගෙන ගන්න පුළුවන් පොතේ හැටියට.




මං කිව්ව ඔය සිඝ්‍ර දියුණුව වෙන්නේ 2012 අවුරුද්දෙන් පස්සේ. 2012 දී ඇලෙක්ස් ක්‍රිෂෙව්ස්කි කියන ඉංජිනේරුවා ඇලෙක්ස්නෙට් කියලා කෘතීම න්‍යුරෝන පද්ධතියක් හඳුන්වා දෙනවා. මේ යන්ත්‍රය ඊට කලින් තිබ්බ යන්ත්‍රවලට වඩා සෑහෙන ලොකු ප්‍රගතියක් ලබනවා. ක්‍රිෂෙව්ස්කිගේ නිර්මාණය නොයෙක් බුද්ධිමය කාරණා වෙනුවෙන් දැන් පාවිච්චි වෙනවා. නමුත් මේක ගොඩක් ප්‍රසිද්ධ උනේ, පින්තූර හඳුනාගැනිමේ කාර්යයට (Image Recognition). මේ කාලය වෙනකොට ලෝකයේ කෘතීම පද්ධති වෙනුවෙන් ඉමේජ්නෙට්(ImageNET) යනුවෙන් තරඟයක් පවත්වනවා. මේ තරඟය හරි සරලයි. විවිධ කාණ්ඩ 1000ට අයත් පින්තූර විශාල ගාණක් ලබාදෙනවා කෘතීම පද්ධති පුහුණු කරන්න. පුහුණු උනාට පස්සේ, කොච්චර හොඳින් මේ පද්ධති වැඩකරනවද කියලා හොයලා බලනවා. ඇත්තටම මේක මිනිහෙක්ට උනත් ගොඩක් ලේසි දෙයක් නෙවේ. මේ කාර්යේදී වරදින්න මිනිහෙක්ට උනත් 5%ක සම්භාවිතාවක් තියෙනවා*. 2012 දී ඇලෙක්ස්නෙට් පද්ධතිය 26% තිබ්බ වැරදීමේ සම්භාවිතාව 16%ට ගේනවා. 2015 දී කේමින් හ(ර්) ඉදිරිපත් කරපු රෙස්නෙට්(ResNET) පද්ධතිය 3.6%ක අගයක් වාර්තාකරමින් මුල්වරට මිනිසුන්ට වඩා හොඳින් හඳුනාගැනීම් කරන්න පුළුවන් පද්ධති බවට පත්වෙනවා. 2017 වෙද්දී මේ අගය 2.7% දක්වා පහල ගිහින් තියෙනවා!

ඉමේජ්නෙට් තරඟයේ හඳුනාගැනීමේ දී වැරදිවීමේ හැකියාව අඩුවුනේ ඔන්න ඔහොමයි. Source: eecatalog.com

මේ අංක දිහා බැලුවම මේ විප්ලවයේ තරම පේනවා නේද? මේ විදිහේම සීඝ්‍ර දියුණවක් අනෙක් බුද්ධිමය අංශ වලත් සිද්ධ වෙලා තියෙනවා. ඒ දියුණුව ඉදිරි අවුරුදු කීපය තුලත් ඒ විදිහටම වනු බවයි මගේ විශ්වාසය. මෙච්චරකල් තිබ්බ යන්ත්‍රවලට වඩා ගොඩක් දියුණු යන්ත්‍ර බිහිවෙන එක ඉතා නුදුරේම සිද්ධ වෙන බව ඒකාන්තයි. එහෙම උනොත් අපි කරන රස්සාවලට මොනවද වෙන්නේ කියලා සැකයක් ඇතිවෙන එක සෑහෙන්න සාධාරණ බවයි මගේ හැඟීම (ඔය ගැන මම ලිව්ව දේ මෙතනින් බලන්න පුළුවන්). මොනවා උනත් මේ රැල්ල ගැන මුළු ලෝකයම අවදියෙන්. ඇමරිකාව, කැනඩාව, ප්‍රංශය වගේම චීනය, ඉන්දියාව වගේ රටවලුත් මේ ගැන ලොකු අවධානයක් යොමුකරලා තියෙනවා. මේ ගැන ලංකාව කරලා තියෙන්නේ මොනවද කියන එකනං ප්‍රශ්නයක්. ලංකාවේ තීරණ ගන්න ඉන්න දේශපාලකයො ටික පන්නලා කෘතීම බුද්ධි 224ක් පත්කරගත්තනං හොඳයි කියලා හිතෙන්නේ මෙන්න මේ වගේ වෙලාවල්වල!