>> जगदीश काबरे
कृत्रिम बुद्धिमत्तेमुळे मनुष्यबळ घटणार असा अॅमेझॉनच्या मुख्य अधिकाऱ्यांनी कर्मचाऱयांना इशारा दिलेला आहे. कृत्रिम प्रज्ञा तंत्रज्ञानामुळे कंपनीच्या मनुष्यबळात मोठी घट होणार आहे. त्यामुळे कर्मचाऱयांनी नवीन कृत्रिम तंत्रज्ञान शिकून घ्यावे असा इशारासुद्धा त्यांनी दिला. ही बातमी वाचल्यावर अनेक संगणक कर्मचाऱ्यांचे धाबे दणाणले. यानिमित्ताने कृत्रिम बुद्धिमत्तेचा इतिहास आणि वर्तमान जाणून घेणे महत्त्वाचे आहे व एआय नेमके कसे कार्य करते हेही समजून घेणे महत्त्वाचे आहे.
21 व्या शतकाच्या सुरुवातीला तंत्रज्ञानाच्या विकासाचा वेग एवढा वाढला आहे की, त्याने सर्व क्षेत्रांत क्रांती घडवून आणली आहे. यामध्ये कृत्रिम बुद्धिमत्ता (Artificial Intelligence – AI) हे सर्वात क्रांतिकारी आणि महत्त्वपूर्ण क्षेत्र ठरले आहे. यंत्राने मानवासारखा विचार करणे, शिकणे, निर्णय घेणे आणि संवाद साधणे यामध्ये आश्चर्यकारकरीत्या अचूकता व स्वायतता निर्माण झाली आहे. एआय नवा दृष्टिकोन आणि तंत्रज्ञान शोधण्यासाठी कार्यरत आहे. कृत्रिम बुद्धिमत्ता म्हणजे अशी प्रणाली जी संगणक, रोबोट किंवा अन्य यांत्रिक प्रणालीला मानवाच्या बुद्धिमत्तेसारखे वर्तन करण्याची क्षमता देईल, यामध्ये मशीन लर्निंग (Machine Learning), डीप लर्निंग (Deep Learning), न्यूरल नेटवर्क्स, नॅचरल लँग्वेज प्रोसेसिंग (NLP), रोबोटिक्स आणि इतर अनेक प्रगतीशील तंत्रज्ञानांचा समावेश होतो. एआय ही एक अशी प्रणाली असते जी स्वत शिकते, समस्येचे विश्लेषण करते, निर्णय घेते आणि समस्यांचे निराकरण करते. या एआयचा इतिहास खूपच रंजक आहे.
आलन टय़ुरिंग यांनी एआयची सुरुवात मागच्या शतकातील 40-50 च्या दशकात केली. तेव्हा आलन टय़ुरिंग यांनी ‘यंत्र विचार करू शकते काय?’ असा प्रश्न विचारला होता व त्यांनी संगणकाद्वारे विचार शिकण्याची शक्यता मांडली होती.
1956 मध्ये जॉन मॅकार्थी, मार्विन मिनस्की आणि अॅलन नोवेल यांनी ‘कृत्रिम बुद्धिमत्ता’ या संकल्पनेला जन्म दिला. त्यांनी डार्टमाऊथ कार्यशाळा आयोजित केली. या कार्यशाळेमध्ये एआयला एक स्वतंत्र शाखा म्हणून परिभाषित करण्यात आले. येथे संगणक तज्ञांनी कल्पना केली की, संगणक मानवासारखा विचार करू शकतो. या काळात एआय संशोधनाची लाट सुरू झाली आणि विविध अल्गोरिदम व प्रणाली विकसित करण्याच्या दिशेने काम सुरू झाले.
1980 च्या दशकात संगणकीय शक्तीच्या कमतरतेमुळे आणि न्यूरल नेटवर्क्स आणि अल्गोरिदमच्या कार्यक्षमतेसाठी आवश्यक असलेल्या जटिलतेमुळे एआयमध्ये मंदी आली. 1990 च्या दशकात एआयच्या क्षेत्रात दुसरी लाट तज्ञ प्रणालीच्या उगमामुळे आली. या प्रणाली विशेष ज्ञानावर आधारित असत. त्या एका विशिष्ट क्षेत्रात तज्ञांप्रमाणे निर्णय घेत होत्या. 2012 नंतर सखोल तटस्थ नेटवर्कचा वापर वाढला आणि संगणकांनी अनुत्पादक कामे, आवाज ओळख, चेहरा ओळख, भाषांतर यांसारख्या जटील कार्याचा नवा स्तर गाठला.
एआयची मुख्य तांत्रिक पायाभूत तत्त्वे अशी आहेत ः विदा (Data) – एआय प्रणालींच्या कार्यक्षमतेसाठी आवश्यक असलेली मुख्य गोष्ट म्हणजे मोठय़ा प्रमाणावर विदा (डेटा) उपलब्ध असणे. एआयला शिकवण्यासाठी व निर्णय घेण्यासाठी विविध प्रकारे संकलित केलेला डेटा आवश्यक आहे. एक निश्चित मॉडेल ठरवावे लागते. हे मॉडेल म्हणजे एक गणिती संरचना असते, जी डेटा पाहून नियम (पॅटर्न) शिकते. मशीन आपल्याला दिलेल्या डेटावरून काय काय नियम असू शकतात ते शिकते. शिकताना मशीन पॅटर्न शोधते आणि स्वतच काही नियम बदलते. मग मॉडेल योग्य प्रकारे शिकले की नाही ते तपासण्यासाठी नवीन डेटा वापरून पाहते. ते अचूक अंदाज लावते का हे पाहिले जाते. चुकीचे अंदाज लागत असतील तर पुन्हा प्रशिक्षण किंवा सुधारणा केली जाते. शेवटी हे तयार मॉडेल प्रत्यक्ष वापरासाठी दिले जाते. उदाहरणार्थ, तुम्ही मोबाइलमधील ‘फेस अनलॉक’ वापरता तेव्हा मशीन लर्निंग मॉडेल तुमचा चेहरा ओळखतो. कारण आधी ते अशाच डेटावर शिकलेले असते.
अल्गोरिदम (Algorithms) – मशीन लर्निंग आणि डीप लर्निंगचे कार्य खूप प्रभावी अल्गोरिदमवर आधारित आहे.
बॅकप्रॉपगेशन, यादृच्छिक जंगल, सपोर्ट वेक्टर मशीन (SVM) – हा एक प्रकारचा पर्यवेक्षित शिक्षण अल्गोरिदम आहे, जो मशीन लर्निंगमध्ये वर्गीकरण सोडवण्यासाठी वापरला जातो. रिइन्फोर्समेंट लर्निंग या प्रकारच्या अल्गोरिदमने एआयची कार्यक्षमता मोठय़ा प्रमाणावर वाढवली आहे. मशीन लर्निंग हे म्हणजे एक प्रकारे डेटापासून अनुभव घेणे आहे. माणूस जसा अनुभवातून शिकतो तसे मशीन डेटा पाहून नियम शिकते आणि नंतर त्याचा वापर करून निर्णय घेते. त्यामुळे जितका जास्त डेटा आणि चांगली प्रणाली, तितके मशीन लर्निंग प्रभावी ठरते.
मानवी संशोधन व सहकार्य – मुक्त स्रोत तंत्रज्ञानाच्या वापरामुळे आणि विविध शास्त्रज्ञांचा सहकार्यामुळे एआयमध्ये प्रगती होऊ शकली आहे. Python, TensorFlow, PyTorch सारख्या मुक्त स्रोत चौकटीच्या मदतीने एआय शोध आणखी वेगवान झाले आहेत.
भाषाविज्ञान (Natural Language Processing) – भाषांतर, भाषेचे स्वरूप ओळखणे, पाठ वाचणे, संवाद साधणे या सर्व कार्यासाठी एआयचा वापर सुरू झाला आहे. गुगल ट्रान्सलेटर, चॅटजीपीटीसारखे चॅटबॉट्स ही त्याची आपल्याला परिचित असलेली उदाहरणे आहेत. एआयला विविध भाषांमधील भाषांतर करण्यासाठी आणि संवाद साधण्यासाठी शिकवले गेले आहे.
दृश्य विश्लेषण (Computer Vision) – चेहरा ओळखणे, वस्तू ओळखणे, दृश्य माध्यमातील विश्लेषण करण्यासाठी एआय वापरला जाते. स्वयंचलित वाहने (Autonomous Vehicles) आणि चेहरा ओळख प्रणाली यासाठी एआय प्रणाली उपयोगात आणल्या जातात.
आरोग्य व औद्योगिक क्षेत्र – एआयच्या मदतीने आरोग्य क्षेत्रात रोग निदान, वैद्यकीय प्रतिमा विश्लेषण, टेलिमेडिसिन आणि औद्योगिक क्षेत्रात स्मार्ट मॅन्युफॅक्चरिंग, उत्पादन प्रक्रियांचा वापर मोठय़ा प्रमाणावर वाढला आहे. भारतात ई-संजीवनीसारख्या प्लॅटफॉर्मवर एआयचा वापर केला जातो.
भारत सरकारच्या धोरणामुळे देशात एआयचा वापर विविध क्षेत्रांत होऊ लागला आहे. नीती आयोगच्या एआय रोड मॅपवर आधारित कृषी तंत्रज्ञानामध्ये, शिक्षण व आरोग्य क्षेत्रांमध्ये एआयच्या मदतीने प्रगती साधता येते. भारत सरकारने भाषिनी प्रकल्पाची घोषणा केली आहे. त्याद्वारे विविध भारतीय भाषांमध्ये एआय आचारित भाषांतर केले जाईल.
असे असले तरी याचा काही लोक गैरफायदा घेऊ शकतात. त्यामुळे एआयने नैतिक, कायदेशीर व सामाजिक आव्हाने निर्माण केलेली आहेत. एआयमुळे काही गोष्टींचा धोका आहे. उदा. गोपनीयता, डेटा संरक्षण, विनामानवी हस्तक्षेप निर्णय घेणे अन्यथा सामाजिक शोषण होण्याची शक्यता असते. बेरोजगारी व डिजिटल दरी (Digital Divide) वाढू शकते आणि एआयमुळे सामाजिक फटका बसू शकतो. असे असले तरी एआयचा भविष्यातील वापर कृषी, औद्योगिक, आरोग्य व शिक्षण यांसारख्या क्षेत्रांत मोठय़ा प्रमाणावर होईल. तथापि, एआयच्या नैतिक व सामाजिकदृष्टय़ा योग्य वापरासाठी एक नियामक चौकट तयार करणे गरजेचे ठरणार आहे.
थोडक्यात काय तर कृत्रिम बुद्धिमत्ता जगभरातील विविध क्षेत्रांत मोठय़ा प्रमाणावर बदल घडवून आणत आहे. भारतासारख्या विकसनशील देशात एआयच्या मदतीने सामाजिक, आर्थिक प्रगती आणि जीवनमान सुधारणे शक्य होईल. मात्र या नवतंत्रज्ञानाचा वापर विवेक व जबाबदारीने होणे आवश्यक आहे, त्यासाठी सरकार, उद्योग आणि संशोधक या सर्वांनी एकत्र येऊन काम करणे महत्त्वाचे आहे.
