AI-ன் 'அதிபுத்திசாலி' அப்டேட்: நிஜ உலகப் பிரச்சனைகளுக்குத் தீர்வு! – என்ன இந்த மல்டிமோடல் ப்ளூபிரிண்ட்?

New AI Blueprint உரை, படங்களைத் தாண்டி ஒலி, சென்சார் தரவுகளைக் கற்கும் மல்டிமோடல் AI-க்கான புதிய ப்ளூபிரிண்ட்டை ஆராய்ச்சியாளர்கள் உருவாக்கியுள்ளனர். இது நிஜ உலகப் பயன்பாட்டிற்கு AI-யை மேம்படுத்தும்.

ஷெஃபீல்ட் பல்கலைக்கழகம் மற்றும் ஆலன் டூரிங் இன்ஸ்டிடியூட் ஆகியவற்றின் ஆய்வாளர்கள், செயற்கை நுண்ணறிவு (AI) உருவாக்கத்திற்கான ஒரு புதிய 'ப்ளூபிரிண்ட்' (Blueprint) வடிவமைப்பை உருவாக்கியுள்ளனர். தற்போதுள்ள AI ஆனது பெரும்பாலும் எழுத்து மற்றும் படத் தரவுகளிலிருந்து மட்டுமே கற்றுக்கொள்ளும் வரம்பை மீறி, இந்தச் செயற்கை நுண்ணறிவு பல்வேறு தரவுகளிலிருந்து கற்றுக்கொள்ள முடியும் என்பதை இந்த வடிவமைப்பு சுட்டிக்காட்டுகிறது. இந்த அமைப்பு நிஜ உலகில் AI-ஐப் பயன்படுத்துவதற்கான சாத்தியக்கூறுகளை கணிசமாக மேம்படுத்துகிறது.

பலதரப்பட்ட தரவுகளின் ஒருங்கிணைப்பு

'நேச்சர் மெஷின் இன்டெலிஜென்ஸ்' (Nature Machine Intelligence) என்ற ஆய்விதழில் வெளியிடப்பட்டுள்ள இந்த கட்டமைப்பு, பலதரப்பட்ட தரவு வகைகளை (Data Types) ஒருங்கிணைத்து கற்கும் வகையில் வடிவமைக்கப்பட்ட மல்டிமோடல் AI (Multimodal AI) அமைப்புகளை உருவாக்குவதற்கான ஒரு வரைபடமாகச் செயல்படுகிறது. உரை, படங்கள், ஒலி மற்றும் சென்சார் அளவீடுகள் (Sensor Readings) போன்ற பல்வேறு தரவு மூலங்களை இது ஒருங்கிணைக்கிறது. AI வழக்கமாக ஒரே ஒரு வகைத் தகவலில் இருந்து கற்றுக்கொள்ளும் நிலையில், இந்த மேம்பட்ட மல்டிமோடல் அமைப்புகள், உலகைப் பற்றிய மிகவும் முழுமையான மற்றும் துல்லியமான படத்தைப் பெறுவதற்காகப் பல தரவு மூலங்களை இணைக்கின்றன.

தரவு வரம்பை நிவர்த்தி செய்தல்

மல்டிமோடல் அமைப்புகள் பல நன்மைகளைக் கொண்டிருந்தாலும், தற்போதைய ஆராய்ச்சிகள் பெரும்பாலும் பார்வை மற்றும் மொழித் தரவுகளை மட்டுமே பயன்படுத்துகின்றன என்று சமீபத்திய ஆய்வு கண்டறிந்துள்ளது. இந்த வரம்பு, பரந்த அளவிலான தகவல் தேவைப்படும் சிக்கலான பிரச்சினைகளுக்குத் தீர்வு காணும் தொழில்நுட்பத்தின் திறனைக் கட்டுப்படுத்துகிறது என்று ஆய்வாளர்கள் நம்புகின்றனர். உதாரணமாக, சுய-ஓட்டுநர் கார்கள் (Self-driving cars) கேமராக்கள், சென்சார்கள் மற்றும் சுற்றுப்புறத் தகவல்களை இணைத்தால், அவை சிக்கலான சூழ்நிலைகளில் பாதுகாப்பாக வழிநடத்த முடியும். இதேபோல், மருத்துவத் தகவல்கள் மற்றும் மரபணுத் தரவுகளை (Genetic Data) AI கருவிகள் ஒருங்கிணைத்தால், நோய்களைக் கண்டறிவதிலும் மருந்து மேம்பாட்டிலும் சிறப்பாகச் செயல்பட முடியும்.

நிஜ உலகப் பயன்பாட்டில் கவனம்

இந்த ஆய்வுக்குத் தலைமை தாங்கிய பேராசிரியர் ஹைபிங் லூ, இந்த மாற்றம் அவசியம் என்று வலியுறுத்தினார்: “AI பார்வை மற்றும் மொழியில் பெரிய முன்னேற்றம் கண்டிருந்தாலும், நிஜ உலகம் மிகவும் சிக்கலானது. பெருந்தொற்றுகள், நிலையான ஆற்றல் மற்றும் காலநிலை மாற்றம் போன்ற உலகளாவிய சவால்களை எதிர்கொள்ள, பரந்த தரவு வகைகளையும் நிபுணத்துவத்தையும் ஒருங்கிணைக்கும் மல்டிமோடல் AI நமக்குத் தேவை.” மேலும் அவர், “இந்த ஆய்வு, ஆய்வகத்தைத் தாண்டி, பாதுகாப்பு, நம்பகத்தன்மை மற்றும் நிஜ உலகப் பயன்பாட்டிற்கு உகந்த AI-க்கான ஒரு நடைமுறைப்படுத்தல் ப்ளூபிரிண்ட்டை வழங்குகிறது” என்று கூறினார். இந்த புதிய அணுகுமுறையை விளக்க, ஆய்வாளர்கள் பெருந்தொற்றுப் பதில், சுய-ஓட்டுநர் கார் வடிவமைப்பு மற்றும் காலநிலை மாற்றத் தழுவல் ஆகிய மூன்று விரிவான பயன்பாட்டு நிகழ்வுகளைக் கொடுத்துள்ளனர்.

எதிர்கால ஒத்துழைப்பிற்கான அடித்தளம்

இந்த முக்கியமான பணி, ஆலன் டூரிங் இன்ஸ்டிடியூட்டின் ஆதரவுடன் உருவானது. இந்த கூட்டு அடித்தளம், UK Open Multimodal AI Network (UKOMAIN) என்ற அமைப்பை உருவாக்கவும் உதவியுள்ளது. இந்த மேம்பட்ட அணுகுமுறை சுற்றுச்சூழல் பணிகளில் பெரிய தாக்கத்தை ஏற்படுத்தும் என்று ஆலன் டூரிங் இன்ஸ்டிடியூட்டின் ஆராய்ச்சித் தலைவர் டாக்டர் லூயிசா வான் சீலாண்ட் குறிப்பிட்டுள்ளார். இந்தச் சிக்கலான அணுகுமுறை, ஆர்க்டிக் பாதுகாப்பு முதல் விவசாய நிலைத்தன்மை வரையிலான பகுதிகளில் நிஜ உலக விளைவுகளை ஏற்படுத்தி வருகிறது.