Artificial Intelligence(ભાગ-2)

(1) AI નો એક ચોકાવનારો કિસ્સો થોડા સમય પહેલાં બન્યો. બિલકુલ ચેસ જેવીજ દેખાતી(પરંતુ તેનાથી અલગ) એક રમતનું નામ છે 'ગો(GO)' (જુઓ ઇમેજ). આ રમતનો ચેમ્પિઅન છે...લી સેડોલ(Lee Sedol). આ રમતની વિશેષતા જુઓ.....આ રમતની સંભવિત ચાલો(moves)નો આંકડો છે 10 ^170. મતલબ એક પાછળ એકસો સિત્તેર મીંડા લગાડો એટલી ચાલો આપ ચાલી શકો(wow!!). આ આંકડો કેટલો મોટો છે તે જુઓ. આપણાં દ્રશ્ય બ્રહ્માંડમાં અણુઓની સંખ્યા છે 10 ^80(એક પાછળ એંસી મીંડા). આની ઉપરથી અંદાજો આવી જવો જોઇએ કે કેટલી બધી સંભવિત ચાલો આપ આ રમતમાં ચાલી શકો છો.
-
થોડા સમય પહેલાં સેડોલનો મુકાબલો એક કમ્પ્યુટર જોડે ગોઠવવામાં આવ્યો જેના સોફ્ટવેરનું નામ હતું Alpha Go. આ મુકાબલો સેડોલ 1-4 થી હારી ગયો. Alpha Go એ સેડોલ સામે રમતા પહેલાં લાખો ગેમ રમીને આ ગેમ શીખી. તેણે માનવી સાથે રમી રમીને સંભવિત ચાલોનો ડેટા એકઠો કર્યો. પરિણામે તેણે સેડોલને શિકસ્ત આપી. વાત અહીં અટકતી નથી પણ શરૂ થાય છે. હવે Alpha Go નો મુકાબલો બીજા એક AI 'Alpha Zero' સાથે ગોઠવવામાં આવ્યો. આ સોફ્ટવેરે આજ સુધી એકેય માનવી સાથે ગેમ રમી નહતી કે મનુષ્યો પાસેથી ટ્રેનિંગ મેળવી નહતી. તેને એ પણ જાણ ન હતી કે મનુષ્યો કેવું રમે છે અને કેવું વિચારે છે? આપ અંદાજો લગાવી શકો કે તેમના મુકાબલાનું શું પરિણામ આવ્યું હશે? Alpha Zero એ Alpha Go ને 100-0 મતલબ સોએ સો ગેમ હરાવી. આવું કઇરીતે શક્ય બન્યું?
-
એનું મુખ્ય કારણ હતું.....તેને બાહરી ડેટાની જરૂર ન હતી, ટ્રેનિંગની જરૂર ન હતી. Alpha Zero એ કરોડો ગેમ પોતાની સાથે રમી, પોતે વિવિધ ચાલોને સમજ્યું અને તે તમામ સંભવિત ચાલોનો અભ્યાસ કરી ડેટા જમા કર્યો. આ પહેલો સોફ્ટવેર છે જે મનુષ્યોની મદદ વગર બુદ્ધિમત્તા હાંસિલ કરી શક્યો એ પણ ફક્ત 40 દિવસની અંદર. મતલબ 40 દિવસની અંદર તેણે એ knowledge હાંસિલ કરી લીધું જે મનુષ્યોએ 2000 વર્ષની મથામણ બાદ હાંસિલ કર્યું હતું. આનાથી આપ અંદાજો લગાવી શકો છો કે સોફ્ટવેર કેટલું જલ્દી શીખી શકે છે.
-
હવે ટેકનિકલી મનુષ્યોની બુદ્ધિમત્તાની મર્યાદા જોઇએ. આપણાં બ્રેન સેલ એટલેકે ન્યુરોન્સની operating frequency 200Hz છે જ્યારે programming ચીપ એટલેકે microcontroller ની operating frequency 2GHz(200000000Hz) છે. તેવી જ રીતે communication speed એક ન્યુરોનથી બીજા ન્યુરોન વચ્ચેની 100 મીટર/સેકન્ડ છે, જ્યારે ઇલેક્ટ્રોનિક્સ ડિવાઇસો એકબીજાની વચ્ચે ઇલેક્ટ્રો-મેગ્નેટિક તરંગોની આપ-લે કરતાં હોય છે જેની speed પ્રકાશગતિ જેટલી એટલેકે 300000000 મીટર/સેકન્ડ હોય છે.
-
ટૂંકમાં કુત્રિમ બુદ્ધિમત્તા વધી રહી છે અને એ એટલી ઝડપે વધી રહી છે કે આપણાં નિયંત્રણમાં તેને રાખવું ઘણું મુશ્કેલ થતું જશે.

-
(2) અત્યારસુધીના AI ને લગતાં ત્રણ ભાગમાં AI વિષે ચિંતાજનક શક્યતાઓ વિચારાઇ, પરંતુ AI ના ફાયદા પણ છે જેનો તાદ્દશ નમુનો આપણને હાલમાંજ મળ્યો. તાજેતરમાં જ પ્રકાશિત થયેલી બ્લેકહોલની ઇમેજ તો લગભગ બધાએ જોઇજ હશે. આ ઇમેજ કેવીરીતે બની? શું શું અડચણો આવી? તે અડચણોનો તોડ વૈજ્ઞાનિકોએ કઇરીતે કાઢ્યો? આ સમગ્ર પ્રક્રિયામાં AI નો ફાળો કેટલો હતો? આવો જાણીએ.....
-
બ્લેકહોલનું નિરીક્ષણ કોઇ કેમેરા વડે નહોતું કરવામાં આવ્યું, પરંતુ રેડિયો ટેલિસ્કોપ વડે કરવામાં આવ્યું હતું, એ પણ એક નહીં પરંતુ આઠ અલગ-અલગ ટેલિસ્કોપ વડે. ટેલિસ્કોપો દ્વારા લેવાયેલ ડેટા નંબર સ્વરૂપે હોય છે. આ ડેટાને કમ્પ્યુટરમાં સ્ટોર કરવામાં આવે છે. બ્લેકહોલની છબી બનાવવા પાછળ જેની અગ્રિમ ભુમિકા હતી તેનું નામ હતું કેટી બોમેન કે જે એક computer scientist છે. તેમની ટીમે એક એવો algorithm(પ્રોગ્રામ) બનાવ્યો જેના દ્વારા આ છબી તૈયાર થઇ. ચાલો જોઇએ કે ખરેખર શું થયું હતું.
-
દૂર અન્ય આકાશગંગા સ્થિત બ્લેકહોલની તસવીર લેવા માટે પૃથ્વીના આકારનું ટેલિસ્કોપ જોઇએ જે નામુમકિન હતું. માટે વૈજ્ઞાનિકોએ પૃથ્વી પર અલગ-અલગ જગ્યાએ સ્થિત આઠ ટેલિસ્કોપને એક તાંતણે બાંધી એટલા મોટા ટેલિસ્કોપનું નિર્માણ કર્યું જે પૃથ્વી જેટલા મોટા ટેલિસ્કોપની જેમ behave કરે. કેટી બોમેનના જણાવ્યા અનુસાર આ આઠમાંથી એક ટેલિસ્કોપ દ્વારા તેમને ડેટા સાચા નહોતા મળ્યાં. માટે તેને fix કરવા પડ્યાં. મતલબ માનવીની દખલગીરીની જરૂરિયાત ઉભી થઇ તેને fix કરવા માટે. દિલચશ્પીની વાત એ છે કે આ limited data વડે જે ઇમેજ ઉભી કરાઇ તે સાચી ન હતી. બલ્કે તે limited data વડે કોઇપણ ઇમેજ બનાવી શકાય એમ નહતી.
-
આ મહાઅડચણને પહોંચી વળવા તેમણે એક algorithm બનાવ્યો કે જે આ ડેટાને intelligently પૂર્ણ કરે. જે માટે તેમની ટીમ ઇચ્છતી હતી કે આપણે જે કંઇપણ કરીએ તેમાં ત્રણ બાબતો મહત્વપૂર્ણ હો. (1) આપણાંથી કોઇ ભૂલ ન થાય જેથી ખોટી ઇમેજ બને. (2) આપણે આ પ્રોગ્રામમાં કોઇ એવી ભૂલ ન કરી બેસીએ જેથી આપણને એવી જ છબી મળે જેવી આપણે કલ્પના કરતાં હો. મતલબ એવું ન થાય કે આપણાં ખોટા ઇનપુટથી ડેટા એવીજ ઇમેજ બનાવે જેવી આપણે ખુદ ઇચ્છીએ છીએ. (3) આ પ્રોગ્રામે automatically કાર્ય કરવું જોઇએ માનવીય હસ્તક્ષેપ વિના. ટૂંકમાં એવીજ છબી બનાવાય જે limited data માં હતી.
-
આ માટે તેમણે research lab માં એક fake simulated ઇમેજને પ્રોસેસ કરી એક છબી બનાવી(જુઓ ઇમેજ). હવે સવાલ એ હતો કે બ્લેકહોલને તો આપણે જોયો જ નહતો, તો પછી આ પ્રોગ્રામ દ્વારા જે છબી પ્રાપ્ત થાય તેને verify કે તેની ઉપર ભરોસો કરવું થોડું મુશ્કેલ હતું. માટે સંશોધકોએ નક્કી કર્યું કે આપણે પ્રોગ્રામને શીખવાડીશું કે ઇમેજ ખરેખર શું હોય છે તેમજ તેના લક્ષણ શું હોય છે? તો કદાચ આપણું કામ થઇ જાય. માટે તેમણે પ્રોગ્રામને હર છબી સાથે train કર્યો. જેમકે simulated ઇમેજ વડે, astronomical ઇમેજ વડે, object ઇમેજ વડે વગેરે. ટૂંકમાં ઉદ્દેશ્ય એ હતો કે કમ્પ્યુટરને જણાવવામાં આવે કે તસવીરો કેવી હોય છે. આ પ્રક્રિયા વડે સંશોધકો એવું ઇચ્છતા હતાં કે પ્રોગ્રામને એટલો બધો ટ્રેન કરી નાંખીએ કે જ્યારે તેની સામે પેલા limited data લાવવામાં આવે તો તે તેની સાચી છબી બનાવી શકે.
-
આ બિલકુલ એવુંજ હતું કે એક સ્કેચ આર્ટિસ્ટ પાસે જઇને આપણે limited data વડે કોઇ વ્યક્તિનો સ્કેચ તૈયાર કરીએ. આ બાબતને થોડી વધુ confirm કરવા માટે તેમણે આ પ્રોસેસને ત્રણ અલગ-અલગ સ્વતંત્ર પોઇન્ટ ઉપર રિપીટ કરી. ઉદાહરણ તરીકે ત્રણ અલગ-અલગ સ્કેચ આર્ટિસ્ટને એકજ ડેટા આપવામાં આવે અને ત્રણેયની ઇમેજ જો સરખી બને તો માનવું પડે કે આપણાં ડેટા સાચા હતાં. અને exactly આવુંજ થયું. algorithm એ આ લાંબી પ્રક્રિયાને અંતે limited data વડે જે છબી તૈયાર કરી તે આપણી સમક્ષ છે. આ છબીને વારંવાર તપાસવામાં આવી કે ક્યાંક કોઇ ખામી તો નથી રહી ગઇને? પરંતુ હરવખતે રીઝલ્ટ પોઝિટિવ જ આવ્યાં.
-
તો આ રીતે માનવજગતને બ્લેકહોલની આ ઇમેજ મળી. શું AI ની મદદ વિના આ ઇમેજનું નિર્માણ કરવું શક્ય હતું??