तुम्ही प्रश्न विचारता, AI उत्तर देतं; पण AI ला शिकवतो कोण अन् ‘ट्रेनिंग’ नेमकी कशी होते?

AI Training Process AI ला अनेक गोष्टींचा अर्थ स्वतःहून लगेच समजत नाही. त्यामुळे काही प्रकारच्या डेटाला लेबल लावले जाते.

AI Training Process Know Everthing : आर्टिफिशियल इंटेलिजन्स म्हणजेच AI आज आपल्या दैनंदिन आयुष्याचा महत्त्वाचा भाग बनला आहे. Chatbot ला प्रश्न विचारण्यापासून फोटो ओळखणे, भाषा समजून घेणे, मजकूर तयार करणे किंवा एखाद्या समस्येवर उत्तर शोधणे, अशी अनेक कामे AI काही क्षणांत करू शकतो. पण पडद्यामागे हा AI इतका हुशार होतो तरी कसा? AI ला ही ‘हुशारी’ मिळते तरी कुठून? यामागे डेटा, मशीन लर्निंग, न्यूरल नेटवर्क आणि प्रचंड संगणकीय शक्तीचा मोठा खेळ आहे.

नोकरी, EMI नाही तर… एका भीतीने उडवली 94% कॉर्पोरेट कर्मचाऱ्यांची झोप; सर्वेक्षणातून खुलासा

सर्वात आधी AI साठी डेटा गोळा केला जातो

AI मॉडेलच्या प्रशिक्षणाची सुरुवात डेटापासून होते. मॉडेलला नेमके काय शिकवायचे आहे, त्यानुसार मोठ्या प्रमाणात माहिती गोळा केली जाते. हा डेटा मजकूर, फोटो, व्हिडिओ, ऑडिओ किंवा इतर डिजिटल स्वरूपात असू शकतो. उदाहरणार्थ, एखाद्या AI मॉडेलला फोटोमध्ये मांजर आणि कुत्रा ओळखायला शिकवायचे असेल, तर त्याला मांजर आणि कुत्र्यांचे मोठ्या संख्येने फोटो दाखवावे लागतात. डेटा जितका मोठा आणि विविध प्रकारचा असेल, तितक्या वेगवेगळ्या परिस्थिती समजून घेण्याची मॉडेलची क्षमता वाढू शकते. मात्र, हा डेटा वापरण्यापूर्वी त्याची गुणवत्ता, अचूकता आणि वापराचे अधिकार यांचाही विचार करावा लागतो.

डेटा मिळाला म्हणजे लगेच ट्रेनिंग सुरू होत नाही

गोळा केलेला सर्व डेटा थेट AI मॉडेलसमोर ठेवला जात नाही. आधी त्याची व्यवस्थित साफसफाई आणि तपासणी केली जाते. म्हणजेच डेटामधील चुकीची, अनावश्यक, पुनरावृत्ती झालेली किंवा विसंगत माहिती वेगळी केली जाते. काही प्रकरणांमध्ये संवेदनशील किंवा वापरण्यायोग्य नसलेली माहितीही काढून टाकली जाते. यानंतर डेटाला योग्य स्वरूप दिले जाते, जेणेकरून मशीनला तो समजणे आणि त्यावर प्रक्रिया करणे सोपे जाते. AI ला अनेक गोष्टींचा अर्थ स्वतःहून लगेच समजत नाही. त्यामुळे काही प्रकारच्या डेटाला लेबल लावले जाते. उदाहरणार्थ, एखाद्या फोटोवर ‘मांजर’, दुसऱ्यावर ‘कुत्रा’ असे लेबल लावले जाते. अशा हजारो-लाखो उदाहरणांमधून AI हळूहळू दोन्हीमधील फरक ओळखायला शिकतो. यालाच डेटा लेबलिंग म्हटले जाते. काही AI प्रणालींच्या प्रशिक्षणात मानवी तज्ज्ञ किंवा डेटा अॅनोटेटर्सची भूमिका त्यामुळे महत्त्वाची असते.

कामाची बातमी! मोबाईलचा EMI थकताच फोन लगेच लॉक होणार?; RBI ने सांगितले नियम

AI शिकतो तरी कसा?

तयार केलेला डेटा मशीन लर्निंग मॉडेलमध्ये दिला जातो आणि त्यानंतर खरी ट्रेनिंग सुरू होते. मॉडेल या डेटामधील वेगवेगळे नमुने म्हणजेच पॅटर्न शोधण्याचा प्रयत्न करते. सुरुवातीला AI ची उत्तरे किंवा अंदाज चुकीचे असू शकतात. उदाहरणार्थ, फोटोमध्ये कुत्रा असताना मॉडेल त्याला मांजर म्हणू शकते. मग त्या चुकीच्या अंदाजाची तुलना योग्य उत्तराशी केली जाते. त्यानुसार मॉडेलमधील गणिती घटक म्हणजेच पॅरामीटर्स बदलले जातात. ही प्रक्रिया पुन्हा पुन्हा केली जाते. चूक → तुलना → सुधारणा → पुन्हा अंदाज → पुन्हा सुधारणा अशा असंख्य फेऱ्यांनंतर मॉडेलची अचूकता सुधारत जाते.

AI च्या ‘मेंदूत’ असतात लाखो-करोडो पॅरामीटर्स

मोठ्या AI मॉडेलमध्ये प्रचंड संख्येने पॅरामीटर्स असतात. हे पॅरामीटर्स मॉडेलला डेटामधील संबंध आणि नमुने समजून घेण्यास मदत करतात. सोप्या भाषेत सांगायचे तर, AI जितका मोठा आणि गुंतागुंतीचा असेल, तितक्या मोठ्या प्रमाणात गणिती समायोजनाची प्रक्रिया त्याच्या प्रशिक्षणात होऊ शकते. याच प्रक्रियेमुळे AI केवळ माहिती साठवत नाही, तर डेटामधील नमुने आणि संबंध ओळखून त्यावर आधारित अंदाज किंवा उत्तर तयार करू शकतो. आजच्या अनेक प्रगत AI प्रणालींमध्ये न्यूरल नेटवर्क वापरले जाते. मानवी मेंदूतील न्यूरॉन्सच्या कार्यपद्धतीपासून प्रेरणा घेतलेल्या या संगणकीय रचनेत अनेक स्तर किंवा लेयर्स असतात. प्रत्येक स्तर डेटामधील वेगवेगळी वैशिष्ट्ये ओळखण्यास मदत करू शकतो. उदाहरणार्थ, फोटो ओळखताना सुरुवातीचे स्तर साध्या रेषा किंवा आकारांकडे पाहू शकतात, तर पुढील स्तर अधिक जटिल वैशिष्ट्ये ओळखू शकतात. अनेक स्तरांमधून प्रक्रिया होत गेल्यानंतर अंतिम निष्कर्ष तयार केला जातो.

‘नो इन्शुरन्स, तर नो पेट्रोल’ पण, गाडीचा विमा आहे की नाही सरकारला कळणार कसं?

AI ला शिकवण्यासाठी लागते प्रचंड संगणकीय ताकद

AI ची ट्रेनिंग प्रक्रिया दिसायला साधी वाटत असली तरी तिच्यामागे प्रचंड संगणकीय शक्ती लागते. मोठ्या AI मॉडेलच्या प्रशिक्षणासाठी शक्तिशाली GPU आणि AI एक्सेलेरेटर वापरले जातात. हजारो किंवा त्याहून अधिक संगणकीय युनिट्स एकाच वेळी मोठ्या प्रमाणातील गणिते करू शकतात. यामुळे AI मॉडेलच्या प्रशिक्षणासाठी मोठ्या प्रमाणात वेळ, वीज आणि संगणकीय संसाधने खर्च होतात.

ट्रेनिंग झाली म्हणजे AI तयार झाला असं होतं का? 

ट्रेनिंग झाली म्हणजे AI तयार झाला असं होतं का? तर, याचं उत्तर नाही असे आहे. कारण, मॉडेलने प्रशिक्षण घेतल्यानंतर त्याची परीक्षा घेतली जाते. त्यासाठी मॉडेलला असा डेटा दिला जातो, जो प्रशिक्षणाच्या वेळी त्याने पाहिलेला नसतो. यामुळे AI ने खरोखर पॅटर्न समजून घेतला आहे की केवळ प्रशिक्षणातील माहिती लक्षात ठेवली आहे, हे तपासता येते. जर मॉडेल नवीन डेटावर वारंवार चुका करत असेल, तर त्याच्या डेटा, मॉडेलची रचना किंवा प्रशिक्षण पद्धतीत बदल केले जातात आणि पुन्हा चाचणी घेतली जाते.

मुंबईच्या पोरीनं ChatGPT ला सांगितली लव्ह स्टोरी… अन् हातावर उमटली स्वप्नातली लग्नाची मेहेंदी…

AI कितीही हुशार असला तरी चुका होऊ शकतात

AI कितीही प्रगत असला, तरी तो नेहमीच अचूक असेल असे नाही. त्याला शिकवण्यासाठी वापरलेल्या डेटामध्ये चुकीची, अपूर्ण किंवा पूर्वग्रहदूषित माहिती असेल, तर त्याचा परिणाम AIच्या उत्तरांमध्येही दिसू शकतो. त्यामुळे विशेषतः आरोग्य, कायदा, आर्थिक व्यवहार किंवा इतर महत्त्वाच्या विषयांशी संबंधित माहिती AI कडून घेताना तिची स्वतंत्रपणे पडताळणी करणे आवश्यक ठरते.  AI मॉडेलला अधिक अचूक, सक्षम आणि विश्वासार्ह बनवण्यासाठी प्रशिक्षण, चाचणी आणि सुधारणा ही प्रक्रिया सातत्याने सुरू राहते. म्हणूनच, आपण ChatGPT किंवा इतर AI ला प्रश्न विचारतो आणि अवघ्या काही सेकंदांत उत्तर मिळते; पण त्या काही सेकंदांच्या मागे प्रचंड प्रमाणातील डेटा, असंख्य गणिती प्रक्रिया, शक्तिशाली संगणकीय यंत्रणा आणि दीर्घकाळ चाललेले प्रशिक्षण दडलेले असते. पण अंतिम निर्णय घेताना मानवी बुद्धी आणि पडताळणीची भूमिका आजही तितकीच महत्त्वाची आहे.

संबंधित बातम्या