Artificial Intelligence: Understanding Different Types

ഈ ഡിജിറ്റൽ യുഗത്തിൽ, വ്യവസായങ്ങൾ ബുദ്ധിപരമായ മനുഷ്യ സ്വഭാവത്തിന്റെ അല്ലെങ്കിൽ അതിനുമപ്പുറമുള്ള പ്രവർത്തനങ്ങളെ അനുകരിക്കുന്ന വൈവിധ്യമാർന്ന കൃത്രിമ ബുദ്ധി സംവിധാനങ്ങളുടെ പ്രവർത്തനങ്ങളെ നോക്കുന്നു.

ഗാർട്ട്നർ പറയുന്നതനുസരിച്ച്, കഴിഞ്ഞ 4 വർഷത്തിനുള്ളിൽ AI സ്വീകരിക്കുന്ന വ്യവസായങ്ങളുടെ എണ്ണം 270% കവിഞ്ഞു. ടെക്നോളജി ഭീമനായ ഗൂഗിൾ പുതിയ എഐ ചലഞ്ചായ ‘എ ഫോർ ഫോർ സോഷ്യൽ ഗുഡ്’ ൽ 25 മില്യൺ ഡോളർ വാഗ്ദാനം ചെയ്തു. കൃത്രിമബുദ്ധിയുടെ തരങ്ങൾ മനസിലാക്കുന്നതിലൂടെ, നിങ്ങളുടെ സാധ്യതകളെക്കുറിച്ച് വ്യക്തമായ ചിത്രം നേടേണ്ടത് പ്രധാനമാണ്.

കൃത്രിമ ഇന്റലിജൻസ് കണക്കുകൂട്ടലിന്റെ തരങ്ങൾ:
AI തരംതിരിക്കലിന്റെ രണ്ട് പ്രധാന തരങ്ങൾ AI സിസ്റ്റങ്ങളിലേക്ക് മനുഷ്യന്റെ കഴിവുകളെ അനുകരിക്കുന്നു. AI- നെ വ്യത്യസ്ത തരങ്ങളായി തിരിക്കാമെങ്കിലും, 2 പ്രധാന വിഭാഗങ്ങളെ ടൈപ്പ് -1, ടൈപ്പ് -2 എന്നിങ്ങനെ നിർവചിച്ചിരിക്കുന്നു, അവ AI കഴിവുകളും പ്രവർത്തനങ്ങളും അടിസ്ഥാനമാക്കിയുള്ളതാണ്.

                                                         തരം 1: കഴിവുകളെ അടിസ്ഥാനമാക്കി AI

1. ദുർബലമായ അല്ലെങ്കിൽ കൃത്രിമ ഇടുങ്ങിയ ഇന്റലിജൻസ് (ANI)

ഇന്റലിജൻസ് ഉപയോഗിച്ച് നിയുക്ത ജോലികൾ ചെയ്യുന്ന ഒരു തരം AI ആണ് ദുർബലമായ അല്ലെങ്കിൽ ഇടുങ്ങിയ AI. ഇന്നത്തെ വ്യവസായങ്ങളിൽ ലഭ്യമായ AI യുടെ ഏറ്റവും സാധാരണമായ രൂപമാണിത്. AI സിസ്റ്റങ്ങൾക്ക് നൽകിയിട്ടുള്ളതിലും അപ്പുറം പ്രവർത്തിക്കാൻ നെയ്‌റോയ്ക്ക് കഴിയില്ല. ഒരു നിർദ്ദിഷ്ട ദൗത്യം നിർവഹിക്കാൻ മാത്രം പരിശീലനം ലഭിച്ചതിനാലാണിത്.

ഇന്നുവരെ നിർമ്മിച്ചതും വിന്യസിച്ചതുമായ എല്ലാ AI മെഷീനുകളെയും ANI പ്രതിനിധീകരിക്കുന്നു. മനുഷ്യനെപ്പോലുള്ള കഴിവുകൾ ഉപയോഗിച്ച് സ്വയംഭരണാധികാരത്തോടെയുള്ള ചുമതലകൾ നിർവഹിക്കാൻ കഴിയുന്ന എല്ലാ കൃത്രിമ ബുദ്ധി സംവിധാനങ്ങളും ഈ വിഭാഗത്തിൽ പെടുന്നു. പേര് സൂചിപ്പിക്കുന്നത് പോലെ, ഈ മെഷീനുകൾക്ക് ഇടുങ്ങിയ ഉത്തരവാദിത്തങ്ങളുണ്ട്.

ഉദാഹരണത്തിന്, ആപ്പിളിന്റെ സിരി ഇടുങ്ങിയ AI- യ്ക്ക് ഒരു ഉദാഹരണമാണ്. പരിമിതമായ മുൻകൂട്ടി നിശ്ചയിച്ചിട്ടുള്ള ജോലികൾ ചെയ്യാൻ സിരിക്ക് പരിശീലനം നൽകുന്നു. സ്വയം ഡ്രൈവിംഗ് കാറുകൾ, ഇമേജ്, സ്പീച്ച് റെക്കഗ്നിഷൻ സിസ്റ്റങ്ങൾ എന്നിവ മറ്റ് ചില ഉദാഹരണങ്ങളിൽ ഉൾപ്പെടുന്നു.

ആഴത്തിലുള്ള പഠനവും യന്ത്ര പഠനവും ഉപയോഗിക്കുന്ന സങ്കീർണ്ണമായ കൃത്രിമമായി ബുദ്ധിപരമായ സംവിധാനങ്ങളുടെ വിഭാഗം കൃത്രിമ ഇടുങ്ങിയ ഇന്റലിജൻസ് സംവിധാനങ്ങളുടെ വിഭാഗത്തിൽ പെടുന്നു. ഈ മെഷീനുകളെ ‘റിയാക്ടീവ്’, ‘ലിമിറ്റഡ് മെമ്മറി’ മെഷീനുകൾ പ്രകാരം തരം തിരിച്ചിരിക്കുന്നു, അവ മുന്നോട്ട് പോകുന്ന ഈ ലേഖനത്തിൽ വിശദമായി ചർച്ചചെയ്യുന്നു.

2. ആർട്ടിഫിഷ്യൽ ജനറൽ ഇന്റലിജൻസ് (എജിഐ)

ഒരു മനുഷ്യനെന്ന നിലയിൽ ഏതൊരു ബ work ദ്ധിക ജോലിയും ചെയ്യാൻ കഴിയുന്ന ഒരു തരം AI ആണ് ജനറൽ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ്. എ‌ജി‌ഐ മെഷീനുകളുടെ ഉദ്ദേശ്യം മനുഷ്യരെപ്പോലെ പൂർണ്ണമായി മനസിലാക്കുക, പഠിക്കുക, പ്രവർത്തിക്കുക എന്നതാണ്. കൂടാതെ, ഈ മെഷീനുകളെ പരിശീലിപ്പിക്കുന്നതിന് ആവശ്യമായ സമയം ഗണ്യമായി കുറയ്ക്കാൻ കഴിയുന്ന നിരവധി കഴിവുകൾ സൃഷ്ടിക്കുക എന്നതാണ് എ‌ജി‌ഐ സംവിധാനങ്ങൾ രൂപകൽപ്പന ചെയ്യുന്നതിന്റെ ഉദ്ദേശ്യം.

ചുരുക്കത്തിൽ, മനുഷ്യന്റെ മൾട്ടി ടാസ്‌കിംഗ് കഴിവുകൾ ആവർത്തിക്കാൻ കഴിയുന്ന യന്ത്രങ്ങളാണ് എ‌ജി‌ഐ സിസ്റ്റങ്ങൾ. നിലവിൽ, ലോകമെമ്പാടുമുള്ള ഗവേഷകർ അത്തരം AI രൂപകൽപ്പന ചെയ്യാനും വികസിപ്പിക്കാനും ശ്രമിക്കുന്നു. ഇതുവരെ ഒരു ഉദാഹരണവും ഇല്ലാത്തതിനാൽ ഇതിനെ ജനറൽ AI എന്ന് വിളിക്കുന്നു

3. ആർട്ടിഫിഷ്യൽ സൂപ്പർ ഇന്റലിജൻസ് (എ.എസ്.ഐ)

കൃത്രിമ സൂപ്പർ ഇന്റലിജന്റ് സിസ്റ്റങ്ങളെ AI ഗവേഷണത്തിന്റെ ഒരു മേഖലയായി വിശേഷിപ്പിക്കാം. എ‌സ്‌ഐയുടെ ഉദ്ദേശ്യം മൾട്ടി-ഡൈമെൻഷണൽ ഹ്യൂമൻ ഇന്റലിജൻസ് ആവർത്തിക്കുക മാത്രമല്ല, വേഗതയേറിയ മെമ്മറി, ഡാറ്റ പ്രോസസ്സിംഗ്, വിശകലന ശേഷി എന്നിവയുമാണ്.

                                                     തരം 2: AI- അടിസ്ഥാനമാക്കിയുള്ള പ്രവർത്തനങ്ങൾ

1. റിയാക്ടീവ് മെഷീനുകൾ

റിയാക്ടീവ് മെഷീനുകൾ യഥാർത്ഥ ലോകത്തെ നേരിട്ട് അനുഭവിക്കുകയും പാരിസ്ഥിതികമായി പ്രതികരിക്കുകയും ചെയ്യുന്നു. റിയാക്ടീവ് മെഷീനുകളുടെ ബുദ്ധി യഥാർത്ഥ ലോകത്തെ നേരിട്ട് മനസിലാക്കുന്നതിനും പ്രതികരിക്കുന്നതിനും ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു. റിയാക്ടീവ് മെഷീനുകളുടെ ഒരു ഉദാഹരണം Google- ന്റെ ആൽഫാഗോ ആണ്. ബോർഡ് ഗെയിമുകൾ കളിക്കുന്ന ഒരു കമ്പ്യൂട്ടർ പ്രോഗ്രാം കൂടിയാണ് ആൽഫാഗോ. ഡീപ്ബ്ലൂവിനേക്കാൾ സങ്കീർണ്ണമായ വിശകലന രീതി ഇതിൽ ഉൾപ്പെടുന്നു. ഗെയിം തന്ത്രങ്ങൾ വിലയിരുത്തുന്നതിന് ആൽഫാഗോ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഉപയോഗിക്കുന്നു.

2. പരിമിതമായ മെമ്മറി

ചുരുങ്ങിയ സമയത്തേക്ക് മെമ്മറി നിലനിർത്താൻ കഴിയുന്നവയാണ് പരിമിതമായ മെമ്മറി മെഷീനുകൾ. ഈ മെഷീനുകൾക്ക് പൂർണ്ണമായും റിയാക്ടീവ് മെഷീനുകളുടെ കഴിവുണ്ട്. കൂടാതെ, തീരുമാനങ്ങൾ എടുക്കുന്നതിന് പരിമിതമായ മെമ്മറി മെഷീനുകൾക്ക് മുൻകാല അനുഭവങ്ങളിൽ നിന്ന് പഠിക്കാൻ കഴിയും. ഉദാഹരണത്തിന്, അടുത്തുള്ള കാറുകളുള്ള കാറിന്റെ ദൂരം, അവയുടെ സമീപകാല വേഗത, വേഗത പരിധി, പാത അടയാളപ്പെടുത്തൽ, ട്രാഫിക് സിഗ്നലുകൾ മുതലായവ പോലുള്ള ഡാറ്റ സംഭരിക്കാൻ കഴിയുന്ന പരിമിതമായ മെമ്മറി മെഷീനുകളാണ് സെൽഫ് ഡ്രൈവിംഗ് കാറുകൾ.

മുൻകാല അനുഭവങ്ങളുടെ നിരീക്ഷണങ്ങൾ ഒരു സ്വയം ഡ്രൈവിംഗ് കാറിന്റെ സിസ്റ്റവുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു.

ഈ ഡാറ്റ ക്ഷണികമാണ്. അതായത്, ഇത് ഒരു നിശ്ചിത സമയത്തേക്ക് മാത്രം സൂക്ഷിക്കുന്നു. മനുഷ്യ ഡ്രൈവർമാരുടെ അനുഭവവുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ സ്വയം ഡ്രൈവിംഗ് കാറിന്റെ ലൈബ്രറി അനുഭവത്തിന്റെ ഭാഗമാകാൻ ഇത് പ്രോഗ്രാം ചെയ്യാത്തതിനാലാണിത്.

ഇന്ന് മിക്കവാറും എല്ലാ കൃത്രിമബുദ്ധിയുള്ള സിസ്റ്റവും പരിമിതമായ മെമ്മറി സാങ്കേതികവിദ്യ ഉപയോഗിക്കുന്നു. ഉദാഹരണത്തിന്, ആഴത്തിലുള്ള പഠനം ഉപയോഗിക്കുന്ന മെഷീനുകൾ പരിമിതമായ മെമ്മറിയുടെ പ്രധാന പ്രയോഗമാണ്. ഈ മെഷീനുകൾ ഒരു റഫറൻസ് മോഡലായി അവരുടെ മെമ്മറിയിൽ സൂക്ഷിച്ചിരിക്കുന്ന ഡാറ്റ സെറ്റുകൾ ഉപയോഗിച്ച് വളരെയധികം പരിശീലനം നേടി. ഇമേജുകൾ തിരിച്ചറിയുന്ന AI ഇതിന് ഉദാഹരണമാണ്.

Leave a Comment