ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ

 ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ

ಲೇಖನ: ಕೃಷ್ಣ ಸುರೇಶ.

    

ಕೃತಕ ಬುದ್ಧಿ ಮತ್ತೆ ಅಥವಾ AI ಇತ್ತೀಚೆಗೆ ಹೆಚ್ಚಾಗಿ ನಮಗೆ ಕೇಳಿ ಬರುತ್ತಿರುವ ವಿಷಯವಾಗಿದೆ. ಗ್ಯಾಜೆಟ್ಟುಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಮಾತಿನಿಂದ ಪಠ್ಯದ ಬರವಣಿಗೆಗೆ, ಬರವಣಿಗೆಯನ್ನು ಪಠ್ಯವಾಗಿಸುವುದು, ಧ್ವನಿಯ ಮೂಲಕ ಯಂತ್ರಗಳು, ಸಾಧನಗಳು ಕಾರ್ಯನಿರ್ವಹಿಸಲು ಆದೇಶಗಳನ್ನು ನೀಡುವುದು, ಛಾಯ ಚಿತ್ರಗಳನ್ನು ಸಂಸ್ಕರಿಸುವುದು, ಆನಿವೇಶನ್, ಚಲನ ಚಿತ್ರಗಳನ್ನು ಸೃಷ್ಟಿಸುವುದು, ಹೀಗೆ ಹತ್ತು ಹಲವಾರು ರೂಪಗಳಲ್ಲಿ ಈಚೀಚೆಗೆ AI ನ ಬಳಕೆಯನ್ನು ನಾವು ಕಾಣುತ್ತಿದ್ದೇವೆ. ಜಗತ್ತಿನ ಸಾಫ್ಟವೇರ್‌ ದಿಗ್ಗರು ತಾನು ಮುಂದು ತಾನು ಮುಂದು ಎಂದು ಈ ಕ್ಷೇತ್ರದಲ್ಲಿ ಪೈಪೋಟಿಗಿಳಿದು ಸಂಶೋಧನೆ ಮತ್ತು ಅಭಿವೃದ್ಧಿಯಲ್ಲಿ ತೊಡಗಿಸಿಕೊಂಡಿವೆ. ಇದೇ ಫೆಬ್ರವರಿ ತಿಂಗಳಿನ ೧೬ರಿಂದ ೨೦ರ ವರೆಗೆ ನಮ್ಮ ದೇಶದ ರಾಜಧಾನಿ ಹೊಸ ದೆಹಲಿಯ ಭಾರತ ಮಂಟಪದಲ್ಲಿ  India AI Impact Summit 2026 ಎಂಬ ಹೆಸರಿನ ಸಮ್ಮೇಳನ ಆಯೋಜನೆಯಾಗಿದ್ದು ಇದರಲ್ಲಿ ದೇಶ ವಿದೇಶಗಳ ಸಾವಿರಾರು ಗಣ್ಯರು ಭಾಗವಹಿಸಲಿದ್ದಾರೆ. ಜಗತ್ತಿನ ವಿವಿಧ ದೇಶಗಳು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಕ್ಷೇತ್ರದಲ್ಲಿ ಸಂಶೋದನೆಯಲ್ಲಿ ಕಾರ್ಯನಿರತರಾಗಿದ್ದಾರೆ. ಭಾರತವೂ ಸಹ ತನ್ನದೇ ಆದ ರೀತಿಯಲ್ಲಿ ಈ ಕ್ಷೇತ್ರದಲ್ಲಿ ಪ್ರಗತಿಯತ್ತ ದಾಪುಗಾಲನ್ನು ಇಡುತ್ತಿರುವುದರ ದ್ಯೋತಕವಾಗಿದೆ ಈ ಸಮ್ನೇಳನ.

     ಗ್ರೀಕ್‌ ಪೌರಾಣಿಕ ಕತೆಗಳಲ್ಲಿ ಬರುವ ಟಾಲೋಸ್‌ ಎಂಬ ಕಂಚಿನ  ಮನುಷ್ಯಾಕೃತಿಯು ಕ್ರೇಟ್‌ ದ್ವೀಪವನ್ನು ಕಾವಲು ಕಾಯುವ ಯೋಧನಾಗಿದ್ದಿತು. ಆಧುನಿಕ ಯುಗದಲ್ಲಿ ಇದರ ಬೆಳವಣಿಗೆ ೧೯೫೦ರಲ್ಲಿ ಆರಂಭವಾಯಿತೆನ್ನಬಹುದು. ಅಲೆನ್‌ ಟೂರಿನ್ ಕಂಪ್ಯೂಟರುಗಳು ಮನುಷ್ಯನಂತೆಯೆ ತಾರ್ಕಿಕವಾಗಿ ಯೋಚಿಸಬಲ್ಲವೆ ಎಂಬ ಒಂದು ಚಿಂತನೆಯನ್ನು ಮುಂದಿರಿಸಿದನು. ೧೯೫೧ರಲ್ಲಿ ಚದುರಂಗದಾಟಕ್ಕೆ ಸಂಬಂಧಿಸಿದಂತೆ ಮೊಟ್ಟಮೊದಲಿಗೆ  ಕಾರ್ಯಕ್ರಮಗಳನ್ನು ಬರೆಯಲು ಪ್ರಯತ್ತಿಸಲಾಯಿತು. ೧೯೫೬ರಲ್ಲಿ ಜಾನ್‌ ಮೆಕಾರ್ಥೆಯು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗೆ artificial intelligence ಎಂದು ಪದ ಪ್ರಯೋಗ ಮಾಡಿದನು. ೧೯೫೯ರಲ್ಲಿ ಮೆಸಾಚುಸೆಟ್ಸ್‌ ವಿಶ್ವವಿದ್ಯಾಲಯದಲ್ಲಿ ಮೊಟ್ಟಮೊದಲ AIಗೆಂದು ಮೀಸಲಾದ ಪ್ರಯೋಗಶಾಲೆಯನ್ನು ಸ್ಥಾಪಿಸಲಾಯಿತು. ಅಮೆರಿಕಾದ ಜನರಲ್ಲ ಮೋಟಾರ್‌ ಕಂಪನಿಯು ಮೊಟ್ಟಮೊದಲ ರೊಬೋಟನ್ನು ಬಳಸಿ ಕಾರನ್ನು ತಯಾರಿಸಿತು.  ೧೯೬೧ರಲ್ಲಿ  ಎಲಿಜಾ ಎಂದು ಕರೆಯಲಾದ ಚಾಟ್ಬೋಟ್‌( ಸಂಭಾಷಣೆಯ ಕಂಪ್ಯೂಟರ್‌ ಕಾರ್ಯಕ್ರಮವನ್ನು) ರೂಪಿಸಲಾಯಿತು. ೧೯೯೭ರಲ್ಲಿ IBM ನಿರ್ಮಿತ ಡೀಪ್‌ ಬ್ಲೂ ಎಂಬ ಕಂಪ್ಯೂಟರ್‌ ಪ್ರೊಗ್ರಾಂ ಅಂದಿನ ವಿಶ್ವ ಚಾಂಪಿಯನ್‌ ಗ್ಯಾರಿ ಕಾಸ್ಪೋರೋವ್‌ ನನ್ನು ಚದುರಂಗದ ಆಟದಲ್ಲಿ ಸೋಲಿಸಿತು. ೨೦೦೫ರಲ್ಲಿ ಮೊಟ್ಟ ಮೊದಲಿಗೆ ಸ್ಟಾನ್ಫೋರ್ಡ್‌ ವಿವಿಯವರು ನಿರ್ಮಿಸಿದ ಸ್ಟಾನ್ಲೆ ಎಂಬ ರೋಬಾಟ್‌ ಅಮೆರಿಕಾದ ರಕ್ಷಣಾ ಇಲಾಖೆ ಏರ್ಪಡಿಸಿದ್ದ ಅಪರಿಚಿತವಾದ ಮತ್ತು ಅಸ್ವವ್ಯಸ್ತ ರಸ್ತೆಯಲ್ಲಿ ಕಾರನ್ನು ವೇಗವಾಗಿ ಓಡಿಸುವ ಸ್ಪರ್ಧಯಲ್ಲಿ ಗೆಲುವನ್ನು ಸಾಧಿಸಿತು. ೨೦೧೧ರಲ್ಲಿ IBM ನಿರ್ಮಿತ ವಾಟ್ಸನ್‌ ಎಂಬ ರೊಬೊಟ್‌ ಪ್ರಶ್ನೋತ್ತರ ಮಾಲಿಕೆಯ ಸ್ಪರ್ಧೆಯಲ್ಲಿ ಅಂದಿನ ಚಾಂಪಿಯನ್ಗಳಾಗಿದ್ದ ರಟ್ಟರ್‌ ಮತ್ತು ಜನ್ನಿಂಗ್ಸ್‌ ರನ್ನು ಸೋಲಿಸಿದ್ದಿತು.

ಕೃತಕ ಬುದ್ಧಿ ಮತ್ತೆ(AI) ಕಂಪ್ಯೂಟರ್ ವಿಜ್ಞಾನದ ಒಂದು ಶಾಖೆಯಾಗಿದ್ದು, ಕಲಿಕೆ, ಸಮಸ್ಯೆ ಪರಿಹಾರ ಮತ್ತು ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆಯಂತಹ ಕಾರ್ಯಗಳಿಗಾಗಿ ಮಾನವ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಅನುಕರಿಸುವ ಸ್ಮಾರ್ಟ್ ಯಂತ್ರಗಳನ್ನು ರಚಿಸುತ್ತದೆ, ಸ್ಪಷ್ಟ ನಿಯಮಗಳನ್ನು ಅನುಸರಿಸುವ ಬದಲು ಮಾದರಿಗಳನ್ನು ಹುಡುಕಲು ಮತ್ತು ಭವಿಷ್ಯ ನುಡಿಯಲು ಬೃಹತ್ ಡೇಟಾಸೆಟ್‌ಗಳನ್ನು ವಿಶ್ಲೇಷಿಸುವ ಮೂಲಕ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ಇದು ಧ್ವನಿ ಸಹಾಯಕರು (ಸಿರಿ, ಅಲೆಕ್ಸಾ), ಶಿಫಾರಸು ಎಂಜಿನ್‌ಗಳು (ನೆಟ್‌ಫ್ಲಿಕ್ಸ್, ಅಮೆಜಾನ್) ಮತ್ತು ಸ್ಪ್ಯಾಮ್ ಫಿಲ್ಟರ್‌ಗಳಂತಹ ದೈನಂದಿನ ಸಾಧನಗಳಿಗೆ ಶಕ್ತಿ ನೀಡುತ್ತದೆ, ಉದಾಹರಣೆಗಳಿಂದ ಕಂಪ್ಯೂಟರ್‌ಗಳನ್ನು ಕಲಿಸಲು ಯಂತ್ರ ಕಲಿಕೆ (ML) ನಂತಹ ತಂತ್ರಗಳನ್ನು ಬಳಸುತ್ತದೆ. ಕಂಪ್ಯೂಟರ್ ವ್ಯವಸ್ಥೆಯನ್ನು ಮಾದರಿಗಳನ್ನು ಗುರುತಿಸಲು ಅಲ್ಗಾರಿದಂ ಮತ್ತು ಮಾದರಿಗಳು ಮಾತು ಅಥವಾ ಚಿತ್ರಗಳನ್ನು ಗುರುತಿಸುವುದು ಮತ್ತು ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವಂತಹ ಮಾನವ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸುವಂತೆ ತರಬೇತಿಗೊಳಿಸುವ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಮಾಡುವ ಸಿದ್ಧಾಂತ ಮತ್ತು ವಿಭಾಗವನ್ನು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಎಂದು ಕರೆಯಬಹುದು.  ಅವುಗಳು ಈ ಕಾರ್ಯಗಳನು  ಕಲಿಯಲು ವಿನ್ಯಾಸಗಳು ಮತ್ತು ಡೇಟಾ ಸೆಟ್‌ಗಳು ಸಹಾಯ ಮಾಡುತ್ತವೆ. ಮುಂದುವರಿದ AIಯು ಯಂತ್ರ ಕಲಿಕೆ ಮತ್ತು ನರಮಂಡಲ ಜಾಲಗಳನ್ನು ಅವಲಂಬಿಸಿದೆ. ಆಳವಾದ ಕಲಿಕೆ ಮತ್ತು ನೈಸರ್ಗಿಕ ಭಾಷಾ ಸಂಸ್ಕರಣೆಯಂತಹ ಹೆಚ್ಚು ಸಂಕೀರ್ಣ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಅವಲಂಬಿಸಿದೆ.

     AI ಎನ್ನುವುದು ನೂರಾರು, ಸಾವಿರಾರು ಕೈಗಾರಿಕೆಗಳು, ವಾಣಿಜ್ಯ ವ್ಯವಹಾರಗಳಿಗೆ ಪರಿಹಾರಗಳನ್ನು ರಚಿಸಲು ಸಾಧ್ಯತೆಗಳನ್ನು ಹೊಂದಿರುವ ಸಂಕೀರ್ಣ ತಂತ್ರಜ್ಞಾನವಾಗಿದೆ. ಇದು ಕಾರ್ಯಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುವುದು, ವರ್ಚುವಲ್ ಸಹಾಯಕರಿಗೆ ಶಕ್ತಿ ತುಂಬುವುದು ಮತ್ತು ಜೂಮ್ ಕರೆಗಳ ಪ್ರತಿಲಿಪಿಗಳನ್ನು ಉತ್ಪಾದಿಸುವಂತಹ ಕೆಲಸಗಳನ್ನು ಮಾಡುವ ಮೂಲಕ ನಮ್ಮ ಜೀವನವನ್ನು ಸುಲಭ ಅಥವಾ ಉತ್ತಮಗೊಳಿಸುವ ಯಂತ್ರ ಕಲಿಕೆಯ ಅಲ್ಗಾರಿದಮ್‌ಗಳನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುತ್ತದೆ. ಜನರೇಟಿವ್ AI ಯೊಂದಿಗೆ, ನಾವು ChatGPT ಅಥವಾ Google Gemini ನಂತಹ ಪ್ರೊಸೆಸರ್‌ಗಳಿಂದ ವಿಷಯವನ್ನು ಪಡೆಯಲು ಪ್ರಾಂಪ್ಟ್‌ಗಳನ್ನು ರಚಿಸಬಹುದು. 

AI ಸಂಸ್ಥಾಪನೆಯಲ್ಲಿ ಈ ಕೆಳಗಿನ ಪದರಗಳಿರುತ್ತವೆ

ಮೂಲಸೌಕರ್ಯ ಪದರ: ಈ ಪದರವು ಭೌತಿಕ ಮತ್ತು ವರ್ಚುವಲ್ ಅಡಿಪಾಯವಾಗಿದೆ. ಇದು GPU/TPU ಚಿಪ್‌ಗಳು, ಡೇಟಾ ಕೇಂದ್ರಗಳು, ನೆಟ್‌ವರ್ಕ್‌ಗಳು ಮತ್ತು AWS, GCP ಮತ್ತು Azure ನಂತಹ ಕ್ಲೌಡ್ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿದೆ. ಇದು ತರಬೇತಿ ಮತ್ತು ನಿರ್ಣಯಕ್ಕೆ ಅಗತ್ಯವಾದ ಕಂಪ್ಯೂಟೇಶನಲ್ ಶಕ್ತಿಯನ್ನು ಒದಗಿಸುತ್ತದೆ. ಇತ್ತೀಚೆಗೆ ಭಾರತದಲ್ಲಿ ಸರ್ಕಾರಿ ಮತ್ತು ಖಾಸಗಿ ವಲಯದಲ್ಲಿ ಚಿಪ್‌ ತಯಾರಿಕಾ ಘಟಕಗಳು ಸ್ಥಾಪನೆಯಾಗಿದ್ದು ಕೆಲವೇ ವರ್ಷಗಳಲ್ಲಿ ಚಿಪ್ ತಯಾರಿಕಾ ವಲಯದಲ್ಲಿ ಭಾರತ ಸ್ವಾವಲಂಬನೆ ಹೊಂದುವುದು ನಿಶ್ಚಿತವಾಗಿದೆ. ಅನುಕಲಿತ ಚಿಪ್ಪುಗಳು ಡೇಟಾ ಸೆಂಟರುಗಳಲ್ಲಿ ಇರುವ ಸ್ಮರಣೆ ಕೋಶ ಮತ್ತು ಸಂಸ್ಕರಣ ಘಟಕಗಳ ನಿರ್ಮಾಣದಲ್ಲಿ ಬಳಕೆಯಾಗುತ್ತದೆ. ೨೦೨೬ರ ಕೇಂದ್ರ ಆಯವ್ಯಯದಲ್ಲಿ ಹೊಸತಾಗಿ ಡೇಟಾ ಸೆಂಟರ್‌ ಸ್ಥಾಪನೆ ಮಾಡುವ ದೇಶ ವಿದೇಶ ಕಂಪನಿಗಳಿಗೆ ೨೦೪೭ರವರೆಗೆ ತೆರಿಗೆ ರಜೆಯನ್ನು ಘೋಷಿಸಲಾಗಿದ್ದು ಡೇಟಾ ಸೆಂಟರುಗಳ ಸ್ಥಾಪನೆಗೆ ಅನೇಕ ಕಂಪನಿಗಳು ಮುಂದೆ ಬಂದಿವೆ. ಕೃತಕ ಬುದ್ಧಿ ಮತ್ತೆಯಲ್ಲಿ ಡೇಟಾ ಸೆಂಟರುಗಳ ಮಹತ್ವ  ಹೆಚ್ಚಿನದಾಗಿರುತ್ತದೆ.

ದತ್ತಾಂಶ ಪದರ: ಈ ಪದರವು ದತ್ತಾಂಶವನ್ನು ಸಂಗ್ರಹಿಸುವುದು, ಸ್ವಚ್ಛಗೊಳಿಸುವುದು, ಸಂಗ್ರಹಿಸುವುದು ಮತ್ತು ಸಂಘಟಿಸುವುದನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ಇದು ದತ್ತಾಂಶ ಪೈಪ್‌ಲೈನ್‌ಗಳು, ಗೋದಾಮುಗಳು ಮತ್ತು ತರಬೇತಿ ಮಾದರಿಗಳಿಗೆ ದತ್ತಾಂಶವನ್ನು ತಯಾರಿಸಲು ವೈಶಿಷ್ಟ್ಯ ಎಂಜಿನಿಯರಿಂಗ್ ಅನ್ನು ಒಳಗೊಂಡಿದೆ.

ಮಾದರಿ ಪದರ: ಈ ಪದರವು ಯಂತ್ರ ಕಲಿಕೆ (ML) ಮತ್ತು ಆಳವಾದ ಕಲಿಕೆ (DL) ಅಲ್ಗಾರಿದಮ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿದೆ. ಇದು GPT-4, LLaMA, ಅಥವಾ ಜೆಮಿನಿಯಂತಹ ಫೌಂಡೇಶನ್ ಮಾದರಿಗಳನ್ನು ಒಳಗೊಂಡಿದೆ. ಇದು ನಿರ್ದಿಷ್ಟ ಕಾರ್ಯಗಳಿಗಾಗಿ ತರಬೇತಿ, ಫೈನ್-ಟ್ಯೂನಿಂಗ್ ಮತ್ತು ಮಾದರಿಗಳನ್ನು ಅತ್ಯುತ್ತಮವಾಗಿಸುತ್ತದೆ. ಸಾಫ್ಟ್‌ ವೇರ್‌ ಉದ್ಯಮದಲ್ಲಿ ಸಾಕಷ್ಟು ಪ್ರಗತಿ ಸಾಧಿಸಿರುವ ಭಾರತ ಮಾದರಿಗಳ ತಯಾರಿಯಲ್ಲಿ ವಿಶ್ವದಲ್ಲಿಯೆ ಮುಂಚೋಣಿಯಲ್ಲಿದೆ.

ಆರ್ಕೆಸ್ಟ್ರೇಶನ್ & ಇಂಟಿಗ್ರೇಷನ್ ಲೇಯರ್: ಈ ಲೇಯರ್ ಮಾದರಿಗಳನ್ನು ಡೇಟಾ ಮೂಲಗಳು ಮತ್ತು ಬಳಕೆದಾರ ಇಂಟರ್ಫೇಸ್‌ಗಳಿಗೆ ಸಂಪರ್ಕಿಸುತ್ತದೆ. ಇದು ಲ್ಯಾಂಗ್‌ಚೈನ್ ಅಥವಾ ಲಾಮಾಇಂಡೆಕ್ಸ್‌ನಂತಹ ಪರಿಕರಗಳನ್ನು ಬಳಸಿಕೊಂಡು ರಿಟ್ರೀವಲ್-ಆಗ್ಮೆಂಟೆಡ್ ಜನರೇಷನ್ (RAG), ಮೆಮೊರಿ ಮತ್ತು AI ಏಜೆಂಟ್‌ಗಳನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ. ವಿಶ್ವದಲ್ಲಿಯೆ ಅತಿ ಅಗ್ಗವಾದ ಇಂಟರ್‌ ನೆಟ್‌ ದರಗಳು ಭಾರತದಲ್ಲಿ ಲಬ್ಯವಿದ್ದು ಸಂಪರ್ಕಗಳನ್ನು ಏರ್ಪಡಿಸುವುದು ಸುಲಭದ ಕೆಲಸವೆಂದೆ ಹೇಳಬಹುದು.

ಇಂಟರ್ಫೇಸ್ ಮತ್ತು ಅಪ್ಲಿಕೇಶನ್ ಲೇಯರ್: ಬಳಕೆದಾರರು AI ನೊಂದಿಗೆ ಸಂವಹನ ನಡೆಸುವ ಸ್ಥಳ ಇದು. ಉದಾಹರಣೆಗಳಲ್ಲಿ ಚಾಟ್‌ಬಾಟ್‌ಗಳು, ಡ್ಯಾಶ್‌ಬೋರ್ಡ್‌ಗಳು ಮತ್ತು AI-ಚಾಲಿತ SaaS ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗಳು ಸೇರಿವೆ. ಇದು ಬಳಕೆದಾರರ ಇನ್‌ಪುಟ್‌ಗಳನ್ನು ಪ್ರಾಂಪ್ಟ್‌ಗಳಾಗಿ ಅನುವಾದಿಸುತ್ತದೆ.

ಆಡಳಿತ ಮತ್ತು ವೀಕ್ಷಣಾ ಪದರ: ಈ ಪದರವು ಭದ್ರತೆ, ಅನುಸರಣೆ (ಉದಾ., GDPR), ಪಕ್ಷಪಾತ ಪತ್ತೆ ಮತ್ತು ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೇಲ್ವಿಚಾರಣೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ. ಇದು ಎಲ್ಲಾ ಪದರಗಳಲ್ಲಿಯೂ ಇರುತ್ತದೆ.

     AI ಅನ್ನು ರಚಿಸುವ ಹಂತಳೆಂದರೆ, ಸಮಸ್ಯೆಯನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವುದು, ಫಲಿತಾಂಶಗಳನ್ನು ನಿರ್ಧರಿಸುವುದು, ಮಾಹಿತಿ(ಡೇಟಾ ಸೆಟ್) ಅನ್ನು ಸಂಘಟಿಸುವುದು, ಸೂಕ್ತವಾದ ತಂತ್ರಜ್ಞಾನವನ್ನು ಆಯ್ಕೆ ಮಾಡುವುದು ಮತ್ತು ನಂತರ ಪರಿಹಾರಗಳನ್ನು ಪರೀಕ್ಷಿಸುವುದು. ಉದ್ದೇಶಿತ ಪರಿಹಾರವು ಕಾರ್ಯನಿರ್ವಹಿಸದಿದ್ದರೆ, ಅಪೇಕ್ಷಿತ ಫಲಿತಾಂಶವನ್ನು ಪಡೆಯಲು ಈ ಪ್ರಯೋಗವನ್ನು  ಮೇಲೆ ಸೂಚಿಸಿದ ಎಲ್ಲಾ ಹಂತಗಳನ್ನು ಅನುರಿಸಿ ಪ್ರಯೋಗವನ್ನು ಪುನರಾವರ್ತಿಸಬಹುದು.

     AI ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಐದು ಹಂತಗಳು: ಇನ್‌ಪುಟ್‌ಗಳು, ಸಂಸ್ಕರಣೆ, ಫಲಿತಾಂಶಗಳು, ಹೊಂದಾಣಿಕೆಗಳು ಮತ್ತು ಮೌಲ್ಯಮಾಪನಗಳು.

ಇನ್‌ಪುಟ್:

ಡೇಟಾವನ್ನು ಮೊದಲು ಪಠ್ಯ, ಆಡಿಯೋ, ವಿಡಿಯೋ ಮತ್ತು ಇತರ ರೂಪದಲ್ಲಿ ವಿವಿಧ ಮೂಲಗಳಿಂದ ಸಂಗ್ರಹಿಸಲಾಗುತ್ತದೆ. ಇದನ್ನು ಅಲ್ಗಾರಿದಮ್‌ಗಳಿಂದ ಓದಬಹುದಾದ ಮತ್ತು ಓದಲಾಗದ ವರ್ಗಗಳಾಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆ. ನಂತರ ನೀವು ನಿರ್ದಿಷ್ಟ ಫಲಿತಾಂಶಗಳಿಗಾಗಿ ಡೇಟಾವನ್ನು ಸಂಸ್ಕರಿಸುವ ಮತ್ತು ಬಳಸುವ ಪ್ರೋಟೋಕಾಲ್ ಮತ್ತು ಮಾನದಂಡಗಳನ್ನು ರಚಿಸಲಾಗುತ್ತದೆ.

ಸಂಸ್ಕರಣೆ:

ಒಮ್ಮೆ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಿ ಅದನ್ನು ಇನ್‌ಪುಟ್ ಮಾಡಿದ ನಂತರ, ಮುಂದಿನ ಹಂತವೆಂದರೆ ಡೇಟಾದೊಂದಿಗೆ ಏನು ಮಾಡಬೇಕೆಂದು ನಿರ್ಧರಿಸಲು AI ಗೆ ಅವಕಾಶ ನೀಡುವುದು. ಸಿಸ್ಟಮ್‌ಗೆ ಫಿಲ್ಟರ್ ಮಾಡಲಾಗುತ್ತಿರುವ ಡೇಟಾದಲ್ಲಿ AIಯು ಗುರುತಿಸುವ ಮತ್ತು ಡೇಟಾವನ್ನು ವಿಂಗಡಿಸುವ ಪ್ರೋಗ್ರಾಮ್ ಮಾಡಲಾದ ಮಾದರಿಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಅರ್ಥೈಸುವ ವರೆಗೆ ಅದನ್ನು ಕಲಿಯುವಂತೆ ತರಬೇತಿಗೊಳಿಸುವುದು.

ಫಲಿತಾಂಶಗಳು:

ಸಂಸ್ಕರಣಾ ಹಂತದ ನಂತರ, AI ತನ್ನಲ್ಲಿನ ಸಂಕೀರ್ಣ ಮಾದರಿಗಳನ್ನು ಬಳಸಿ, ಗ್ರಾಹಕರ ಬೇಡಿಕೆ ಮತ್ತು ಮಾರುಕಟ್ಟೆ ಪ್ರವೃತ್ತಿಗಳಿಗೆ ಅನುಗುಣವಾಗಿ ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡುತ್ತಿದೆಯೇ ಎಂಬುದನ್ನು ಪರಿಶೀಲಿಸಬೇಕು.. ಈ ಹಂತದಲ್ಲಿ, ನಿರ್ದಿಷ್ಟ ಫಲಿತಾಂಶ "ಪಾಸ್" ಅಥವಾ "ಫೇಲ್" ಆಗಿದೆಯೇ ಎಂದು ನಿರ್ಧರಿಸಲು ಸಹ AI ಅನ್ನು ಪ್ರೋಗ್ರಾಮ್ ಮಾಡಲಾಗಿರುತ್ತದೆ.

ಹೊಂದಾಣಿಕೆಗಳು:

ಡೇಟಾ ಸೆಟ್‌ಗಳನ್ನು "ವಿಫಲ" ಎಂದು ಪರಿಗಣಿಸಿದಾಗ, AI ಆ ತಪ್ಪಿನಿಂದ  ತಾನೆ ಸರಿಯಾದುದನ್ನು ಕಲಿಯುವಂತೆ  ಮತ್ತು ಪ್ರಕ್ರಿಯೆಯನ್ನು ವಿಭಿನ್ನ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ಮತ್ತೆ ಪುನರಾವರ್ತಿಸುವಂತೆ ಪ್ರೊಗ್ರಾಂ ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಹಂತದಲ್ಲಿ, ಪ್ರಶ್ನೆಯಲ್ಲಿರುವ ಡೇಟಾ ಸೆಟ್‌ಗೆ ಸರಿಹೊಂದುವ ಉತ್ತರವನ್ನು ಕಂಡುಕೊಳ್ಳಲು ನೀವು ಫಲಿತಾಂಶಗಳ ಹಂತಕ್ಕೆ ಮತ್ತೆ ಹಿಂತಿರುಗಬಹುದು. ಮತ್ತು ಅದಕ್ಕೆ ತಕ್ಕಂತಹ ಅಲ್ಗಾರಿದಮ್‌ನ ನಿಯಮಗಳನ್ನು ಸರಿಹೊಂದಿಸಬೇಕಾಗಬಹುದು ಅಥವಾ ಅಲ್ಗಾರಿದಮ್‌ಗೆ ಸ್ವಲ್ಪ ಬದಲಾವಣೆಯ ತರಬಹುದು.

ಮೌಲ್ಯಮಾಪನ:

ನಿಯೋಜಿತ ಕಾರ್ಯವನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು AI ಗೆ ಅಂತಿಮ ಹಂತವೆಂದರೆ ಮೌಲ್ಯಮಾಪನ. ಇಲ್ಲಿ, AI ತಂತ್ರಜ್ಞಾನವು ಫಲಿತಾಂಶಗಳು ಮತ್ತು ಹೊಂದಾಣಿಕೆಗಳ ಆಧಾರದ ಮೇಲೆ ಊಹೆಗಳನ್ನು ನೀಡಲು ಡೇಟಾ ಸೆಟ್‌ನಿಂದ ಪಡೆದ ಒಳನೋಟಗಳನ್ನು ಸಂಶ್ಲೇಷಿಸುತ್ತದೆ. ಹೊಂದಾಣಿಕೆಗಳಿಂದ ಉತ್ಪತ್ತಿಯಾಗುವ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಮುಂದುವರಿಯುವ ಮೊದಲು ಇಲ್ಲಿ ಅಲ್ಗಾರಿದಮ್‌ನಲ್ಲಿ ಸೇರಿಸಿಕೊಳ್ಳಬಹುದು.

AI-ಆಧಾರಿತ ವ್ಯವಸ್ಥೆಗಳ ಕ್ರಿಯಾತ್ಮಕತೆಯನ್ನು ಆಧರಿಸಿದ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ವಿಧಗಳು.

1. ಪ್ರತಿಕ್ರಿಯಾತ್ಮಕ ಯಂತ್ರ AI:  ಪ್ರತಿಕ್ರಿಯಾತ್ಮಕ ಯಂತ್ರಗಳು ಮೆಮೊರಿ ಇಲ್ಲದ AI ವ್ಯವಸ್ಥೆಗಳಾಗಿವೆ ಮತ್ತು ಅವು ಕಾರ್ಯ-ನಿರ್ದಿಷ್ಟವಾಗಿವೆ, ಅಂದರೆ ಇನ್‌ಪುಟ್ ಯಾವಾಗಲೂ ಒಂದೇ ರೀತಿಯ ಔಟ್‌ಪುಟ್ ಅನ್ನು ನೀಡುತ್ತದೆ. ಉದಾಹರಣಗೆ ಐಬಿಎಂನ ಡೀಪ್ ಬ್ಲೂ (ಚೆಸ್), ಗೂಗಲ್‌ನ ಆಲ್ಫಾಗೋ, ಸ್ಪ್ಯಾಮ್ ಫಿಲ್ಟರ್‌ಗಳು,

೨. ಸೀಮಿತ ಸ್ಮರಣೆ AI:  ತನ್ನ ಸ್ಮರಣೆಯಲ್ಲಿನ ಡೇಟಾವನ್ನು ಹೋಲಿಕೆ ಮಾಡುವ ಮೂಲಕ ಮಾಹಿತಿಯುಕ್ತ ಮತ್ತು ಸುಧಾರಿತ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಬಹುದು. ಆದ್ದರಿಂದ ಅಂತಹ AI ಅಲ್ಪಾವಧಿಯ ಅಥವಾ ತಾತ್ಕಾಲಿಕ ಸ್ಮರಣೆಯನ್ನು ಹೊಂದಿದ್ದು ಅದನ್ನು ಹಿಂದಿನ ಅನುಭವಗಳನ್ನು ಸಂಗ್ರಹಿಸಲು ಮತ್ತು ಆದ್ದರಿಂದ ನಿಮ್ಮ ಭವಿಷ್ಯದ ಕ್ರಿಯೆಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಬಳಸಬಹುದು.

ಸ್ವಯಂ-ಚಾಲನಾ ಕಾರುಗಳು ಸೀಮಿತ ಸ್ಮರಣೆ AI ಆಗಿದ್ದು, ಸ್ವಯಂ-ಚಾಲನಾ ಕಾರುಗಳು ರಸ್ತೆ ದಾಟುತ್ತಿರುವ ನಾಗರಿಕರನ್ನು ಗುರುತಿಸಲು ಸಂವೇದಕಗಳನ್ನು ಬಳಸುತ್ತವೆ, ಯಾವುದೇ ಕಡಿದಾದ ರಸ್ತೆಗಳು ಅಥವಾ ಟ್ರಾಫಿಕ್ ಸಿಗ್ನಲ್‌ಗಳನ್ನು ಗುರುತಿಸುತ್ತವೆ ಮತ್ತು ಉತ್ತಮ ಚಾಲನಾ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಸ್ಮರಣೆಯಲ್ಲಿನ ಡೇಟಾವನ್ನು ಬಳಸುತ್ತವೆ. ಇದು ಭವಿಷ್ಯದ ಯಾವುದೇ ಅಪಘಾತಗಳನ್ನು ತಡೆಗಟ್ಟುವಲ್ಲಿ ಸಹ ಸಹಾಯ ಮಾಡುತ್ತದೆ.

೨ ಮನಸ್ಸಿನ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಸಿದ್ಧಾಂತ: ಮನಸ್ಸಿನ AI ಸಿದ್ಧಾಂತವು ಹೆಚ್ಚು ಮುಂದುವರಿದ ರೀತಿಯ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಾಗಿದೆ. ಈ ವರ್ಗವು ಮನೋವಿಜ್ಞಾನದಲ್ಲಿ ಬಹಳ ಮುಖ್ಯವಾದ ಪಾತ್ರವನ್ನು ವಹಿಸುತ್ತದೆ ಎಂದು ಊಹಿಸಲಾಗಿದೆ. ಈ ರೀತಿಯ AI ಮುಖ್ಯವಾಗಿ ಭಾವನಾತ್ಮಕ ಬುದ್ಧಿವಂತಿಕೆಯ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತದೆ ಇದರಿಂದ ಮಾನವ ನಂಬಿಕೆಗಳು ಮತ್ತು ಆಲೋಚನೆಗಳನ್ನು ಚೆನ್ನಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬಹುದು. ಮನಸ್ಸಿನ AI ಸಿದ್ಧಾಂತವನ್ನು ಇನ್ನೂ ಸಂಪೂರ್ಣವಾಗಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗಿಲ್ಲ ಆದರೆ ಈ ವಿಭಾಗದಲ್ಲಿ ತೀವ್ರ ಸಂಶೋಧನೆ ನಡೆಯುತ್ತಿದೆ.

೪ ಸ್ವಯಂ-ಅರಿವುಳ್ಳ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ: ಈ ರೀತಿಯ AI ಸ್ವಲ್ಪ ದೂರದ ಕಲ್ಪನೆಯಾಗಿದೆ ಆದರೆ ಭವಿಷ್ಯದಲ್ಲಿ ಸೂಪರ್ ಇಂಟೆಲಿಜೆನ್ಸ್ ಹಂತವನ್ನು ಸಾಧಿಸುವುದು ಸಾಧ್ಯವಾಗಬಹುದು.

ಉತ್ಪಾದಕ (generative) AI ಕೆಲಸ ಮಾಡುವ ಬಗೆ :

ಉತ್ಪಾದಕ AIಯು ಬೃಹತ್ ಭಾಷಾ ಮಾದರಿಗಳಿಂದ (LLM ಗಳು) ಚಾಲಿತವಾದ ಮತ್ತು ಆಳವಾದ, ಸಂಕೀರ್ಣ ಯಂತ್ರ-ಕಲಿಕಾ(machine-learning) ಮಾದರಿಯಾಗಿದೆ. ಆಳ ಕಲಿಕೆ(deep learning)ಯೊಂದಿಗೆ ಬೃಹತ್ ಡೇಟಾ ಸೆಟ್‌ಗಳಲ್ಲಿ ತರಬೇತಿ ಪಡೆದ ಅಲ್ಗಾರಿದಮ್‌ಗಳಿಂದ ಇದನ್ನು ರಚಿಸಲಾಗಿರುತ್ತದೆ..  ChatGPT ಅಥವಾ Microsoft Copilot ನಂತಹ ಉತ್ಪಾದಕ AI ಕಾರ್ಯಕ್ರಮಗಳು.  ಉತ್ಪಾದಕ AI ಅನ್ನು ಶಕ್ತಗೊಳಿಸಲು ಬಳಸುವ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು ಮತ್ತು ತಂತ್ರಜ್ಞಾನವು ಹೊಸದಾಗಿದ್ದರೂ, ಅವುಗಳ ಅನೇಕ ಪ್ರಮುಖ ಪರಿಕಲ್ಪನೆಗಳು ಮತ್ತು ಪ್ರಕ್ರಿಯೆಗಳು ಬಹಳ ಹಿಂದಿನಿಂದಲೂ ಅಸ್ತಿತ್ವದಲ್ಲಿವೆ.

ವಿಭಿನ್ನ ಡೊಮೇನ್‌ಗಳು ಅಥವಾ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ವಿಭಿನ್ನ ಶಾಖೆಗಳು:

ಯಂತ್ರ ಕಲಿಕೆ (ML): ದತ್ತಾಂಶದಲ್ಲಿನ ಮಾದರಿಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲು ಅಲ್ಗಾರಿದಮ್‌ಗಳನ್ನು ಬಳಸುವ ಒಂದು ರೀತಿಯ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI), ಪ್ರತಿಯೊಂದು ಕಾರ್ಯಕ್ಕೂ ಪ್ರೋಗ್ರಾಮ್ ಮಾಡದೆಯೇ ಕಂಪ್ಯೂಟರ್‌ಗಳು ಸ್ಪಷ್ಟವಾಗಿ ಊಹೆಗಳನ್ನು ಅಥವಾ ನಿರ್ಧಾರಗಳನ್ನು ಕಲಿಯಲು/ತೆಗೆದುಕೊಳ್ಳಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ, ಹೆಚ್ಚಿನ ಡೇಟಾಗೆ ಒಡ್ಡಿಕೊಂಡಂತೆ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸುಧಾರಿಸುತ್ತದೆ. ಅಲ್ಗಾರಿದಮ್‌ಗಳನ್ನು  ಊಹಿಸಲು ದತ್ತಾಂಶದಿಂದ ಕಲಿಯುವಂತೆ ಮಾಡುವುದು. 

ಆಳವಾದ ಕಲಿಕೆ: ಸಂಕೀರ್ಣ ಕಾರ್ಯಗಳಿಗಾಗಿ ಮಾನವ ಮೆದುಳಿನಿಂದ ಪ್ರೇರಿತವಾದ ಬಹು-ಪದರದ ನರಮಂಡಲ ಜಾಲಗಳನ್ನು ಬಳಸುವುದು. 

ನ್ಯಾಚುರಲ್ ಲ್ಯಾಂಗ್ವೇಜ್ ಪ್ರೊಸೆಸಿಂಗ್ (NLP): ಕಂಪ್ಯೂಟರ್‌ಗಳು ಮಾನವ ಭಾಷೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಮತ್ತು ಉತ್ಪಾದಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ (ಉದಾ. ಚಾಟ್‌ಬಾಟ್‌ಗಳು). 

ಕಂಪ್ಯೂಟರ್ ದೃಷ್ಟಿ: ಯಂತ್ರಗಳು ದೃಶ್ಯ ಮಾಹಿತಿಯನ್ನು "ನೋಡಲು" ಮತ್ತು ಅರ್ಥೈಸಲು ಅನುಮತಿಸುತ್ತದೆ (ಉದಾ. ಮುಖ ಗುರುತಿಸುವಿಕೆ).

ದೈನಂದಿನ ಜೀವನದಲ್ಲಿ ಉದಾಹರಣೆಗಳು

ವರ್ಚುವಲ್ ಅಸಿಸ್ಟೆಂಟ್‌ಗಳು: ಸಿರಿ, ಗೂಗಲ್ ಅಸಿಸ್ಟೆಂಟ್, ಅಲೆಕ್ಸಾ ಧ್ವನಿ ಆಜ್ಞೆಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುತ್ತವೆ.

ಸ್ಟ್ರೀಮಿಂಗ್ ಸೇವೆಗಳು: ನಿಮ್ಮ ವೀಕ್ಷಣಾ ಇತಿಹಾಸವನ್ನು ಆಧರಿಸಿ ನೆಟ್‌ಫ್ಲಿಕ್ಸ್ ಪ್ರದರ್ಶನಗಳನ್ನು ಶಿಫಾರಸು ಮಾಡುತ್ತದೆ.

ನ್ಯಾವಿಗೇಷನ್ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು: ಗೂಗಲ್ ನಕ್ಷೆಗಳು ಉತ್ತಮ ಮಾರ್ಗಗಳನ್ನು ಕಂಡುಕೊಳ್ಳುತ್ತವೆ ಮತ್ತು ಟ್ರಾಫಿಕ್ ಅನ್ನು ಊಹಿಸುತ್ತವೆ.

ಇಮೇಲ್: ಸ್ಪ್ಯಾಮ್ ಫಿಲ್ಟರ್‌ಗಳು ಅನಗತ್ಯ ಸಂದೇಶಗಳನ್ನು ಗುರುತಿಸಲು ಕಲಿಯುತ್ತವೆ.

ಆರೋಗ್ಯ ರಕ್ಷಣೆ: ಸ್ಕ್ಯಾನ್‌ಗಳಿಂದ ರೋಗಗಳನ್ನು ಪತ್ತೆಹಚ್ಚುವಲ್ಲಿ AI ಸಹಾಯ ಮಾಡುತ್ತದೆ.

 ಅನ್ವಯಿಕೆಗಳು

ಆರೋಗ್ಯ ರಕ್ಷಣೆ: ವೈದ್ಯಕೀಯ ಚಿತ್ರಣ ಮತ್ತು ವೇಗವರ್ಧಿತ ಔಷಧ ಆವಿಷ್ಕಾರದ ಮೂಲಕ ಆರಂಭಿಕ ರೋಗ ರೋಗನಿರ್ಣಯ.

ಹಣಕಾಸು: ನೈಜ-ಸಮಯದ ವಂಚನೆ ಪತ್ತೆ ಮತ್ತು ವೈಯಕ್ತಿಕಗೊಳಿಸಿದ ಹೂಡಿಕೆ ಸಲಹೆ.

ಸಾರಿಗೆ: ಸ್ವಾಯತ್ತ ವಾಹನಗಳಿಗೆ ಶಕ್ತಿ ತುಂಬುವುದು ಮತ್ತು ಸಂಚಾರ ಹರಿವನ್ನು ಉತ್ತಮಗೊಳಿಸುವುದು.

ಚಿಲ್ಲರೆ ವ್ಯಾಪಾರ: ಶಾಪಿಂಗ್ ಅನುಭವಗಳನ್ನು ವೈಯಕ್ತೀಕರಿಸುವುದು ಮತ್ತು ದಾಸ್ತಾನು ಮಟ್ಟವನ್ನು ನಿರ್ವಹಿಸುವುದು.