தூண்டி கண்டுபிடிப்புக்கான AI-க்கு தரவு தரச் சிக்கல் உள்ளது
சிறந்த தூண்டிகளைத் தேடும் செயல்முறையை, குறிப்பாக காலநிலை மற்றும் தொழில்துறை கார்பன் குறைப்பு தொடர்புடைய வினைகளில், விரைவாக்கும் ஒரு வழியாக செயற்கை நுண்ணறிவு அடிக்கடி முன்வைக்கப்படுகிறது. ஆனால் பல ஆய்வகங்களை உள்ளடக்கிய புதிய ஆய்வு ஒன்று, அந்த மாதிரிகளை ஊட்டும் பரிசோதனைகளின் ஒத்திசைவே பெரும் தடையாக இருக்கலாம்; மாதிரி வடிவமைப்பை விடவும் முக்கியமானது அதுவாக இருக்கலாம் என்று சுட்டிக்காட்டுகிறது.
Nature Catalysis இதழில் வெளியான பணியைப் பற்றி செய்தியளித்த Phys.org, அமெரிக்கா முழுவதும் உள்ள நான்கு ஆய்வகங்களை உள்ளடக்கிய ஒரு கூட்டாண்மையை விவரித்தது. அவர்கள் கார்பன் டைஆக்சைடிலிருந்து எரிபொருள்களாக மாற்றும் செயல்முறையில் பயன்படுத்தப்படும், கார்பன் மோனாக்சைடு உற்பத்தி செய்யும் ஒரு தூண்டியைச் சோதித்தனர். முக்கியமான கண்டறிதல் நேரடியாக இருந்தது: நெறிமுறை மற்றும் உபகரணங்களில் உள்ள வேறுபாடுகள், உருவாகும் தரவை அடிப்படையாகக் கொண்டு உருவாக்கப்படும் AI மற்றும் மெஷின் லெர்னிங் கணிப்புகளின் நம்பகத்தன்மையை பாதிக்கக்கூடிய அளவுக்கு மாற்றத்தை உருவாக்கலாம்.
தூண்டி ஆராய்ச்சி AI-க்கு ஏற்ற சிறந்த பயன்பாட்டுச் சூழலாக அதிகமாகக் கருதப்படுவதால், அந்த முடிவு முக்கியத்துவம் பெறுகிறது. கொள்கையளவில், ஒரு மாதிரி வெப்பநிலை, வினை நேரம், தூண்டி அமைப்பு போன்ற மாறிலிகளை எடுத்துக்கொண்டு, எந்தச் சேர்க்கைகள் மிகவும் நம்பிக்கையூட்டுவன என்பதை முன்னறிவிக்க முடியும். அந்தக் கணிப்புகளை அடிப்படையாகக் கொண்டு ஆய்வாளர்கள் பரிசோதனைகளைத் தேர்ந்தெடுத்து, செலவைக் குறைத்து, பயன்பாட்டுக்கூடிய வேதியியல் கலவைகளை வேகமாக அடையலாம். ஆனால் இந்த வாக்குறுதி, அடிப்படையான தரவு நிலையான உண்மையை பிரதிபலிக்கிறது என்ற எண்ணத்தின் மீது சார்ந்துள்ளது; பொருந்தாத அளவீட்டு சூழல்களின் சிதறிய தொகுப்பை அல்ல.
நான்கு ஆய்வகங்களின் இந்த ஆய்வு அந்த முன்கணிப்பு நுட்பமானது என்பதைச் சொல்கிறது. பரிசோதனைகளில் ஏற்படும் ஒற்றுமையின்மை என்பது சராசரியால் நீக்கிவிடக்கூடிய ஒரு சிரமம் மட்டுமல்ல. அது AI அமைப்பு “கற்றுக் கொள்ளும்” விடயத்தையே நேரடியாக வடிவமைக்க முடியும்; அதனால் கருவி அல்லது உள்ளூர் நடைமுறை காரணமான கலைப்பொருட்களை, வேதியியல் அல்லாத வடிவங்களை, உண்மை முறைப்படியாகக் கருதும் நம்பிக்கை உருவாகலாம்.
AI வேலைநடையில் சேரும்போது மறுஉற்பத்தித்தன்மை ஏன் மேலும் முக்கியமாகிறது
பாரம்பரிய பரிசோதனை அறிவியல் எப்போதும் மறுஉற்பத்தித்தன்மையைப் பற்றிக் கவலை கொண்டிருந்தது. ஆனால் AI அந்தப் பிரச்சினையின் அளவையே மாற்றுகிறது. ஒரே ஒரு தவறான தரவுத்தொகுப்பு ஒரு மாதிரியைப் பாகுபடுத்தலாம். முரண்பாடான பல தரவுத்தொகுப்புகள் பெருகி இருந்தால், அந்த முரண்பாடுகளையே பெரும் அளவில் குறியாக்கம் செய்து, கணிப்புகள் துல்லியமானவை போலத் தோன்றினாலும், ஆய்வாளர்கள் உண்மையில் புரிந்துகொள்ள விரும்பும் இயற்பியல் நடத்தையிலிருந்து விலகச் செய்யலாம்.
இந்த ஆய்வு, கார்பன் டைஆக்சைடிலிருந்து கார்பன் மோனாக்சைடு உருவாக்கும் ஒரு தூண்டியை மையமாகக் கொண்டது; இது CO2-ஐ பயனுள்ள எரிபொருள்களாக மாற்றும் செயல்முறையின் முக்கிய முதல் படியாக விவரிக்கப்படுகிறது. இந்த வகை வேதியியல், குறைந்த கார்பன் தொழில்துறை செயல்முறைகள் மற்றும் ஆற்றல் வழித்தடங்களை உருவாக்கும் பரந்த முயற்சிகளுக்குள் மூலோபாய ரீதியாக முக்கியமானது. தூண்டிகளின் நீடித்த தன்மை மற்றும் செயல்திறனை மதிப்பிட AI கருவிகள் உதவ வேண்டுமெனில், அவை ஆய்வகங்கள், கால அளவுகள், மற்றும் செயல்பாட்டு அமைப்புகள் முழுவதும் ஒப்பிடும்போது தாங்கக்கூடிய பயிற்சி தரவுகளைத் தேவைப்படுத்துகின்றன.
அது கேட்பதற்கு எளிதாக இருந்தாலும், செய்வது கடினம். Phys.org அறிக்கை, பெரும்பாலான ஆய்வக தூண்டியல் ஆய்வுகள் நாட்களில் அளவிடப்படும் குறுகிய காலப் பகுதிகளை ஆராய்கின்றன என்றும், ஆனால் தூண்டியின் செயலிழப்பு மாதங்கள் அல்லது ஆண்டுகள் வரை மெதுவாக நிகழலாம்; அதில் மாசுகள் சேர்ந்துகொண்டே போகும், மற்றும் பொருட்கள் மீண்டும் மீண்டும் உயர் வெப்பநிலைகளுக்கு உட்படுகின்றன என்றும் குறிப்பிடுகிறது. AI மாதிரிகள் கையேடு முறையில் மீண்டும் உருவாக்க கடினமான சூழல்களை ஆராயும் திறன் கொண்டதால் கவர்ச்சிகரமானவை. ஆனால் பயிற்சிக்குப் பயன்படுத்தப்படும் குறுகியகால தரவு ஆய்வகத்துக்கு ஆய்வகம் மாறுபடுமாயின், நீண்டகால நடத்தை குறித்து அதன் வெளிப்படுத்தல் இன்னும் ஆபத்தானதாகிவிடும்.
ஆசிரியர்கள் இந்தக் கட்டுரையை, விஞ்ஞானிகள் மெஷின் லெர்னிங் அமைப்புகளுக்கு எந்தத் தகவலை ஊட்டுகின்றனர் என்பதற்கான எச்சரிக்கையாக வடிவமைக்கிறார்கள். ஆராய்ச்சியில் AI-க்கு உருவாகும் உற்சாகம் சில நேரங்களில் தரவு உருவாக்கத்தின் ஒழுங்கை மிஞ்சும் காலத்தில் இந்த எச்சரிக்கை பொருத்தமாக உள்ளது. பல துறைகளில், ஆய்வகங்களுக்கு பல தசாப்தங்களாக உருவான பாரம்பரிய முறைகள், தனிப்பயன் கருவிகள், மற்றும் உள்ளூர் செயல்பாட்டு பழக்கங்கள் உள்ளன. அவை தனிப்பட்ட கட்டுரைகளுக்கு சமாளிக்கக்கூடியதாக இருந்தாலும், தரவு ஒரு கணிப்புத் தளமாக ஒன்றிணைக்கப்படும் போது பெரிய தடைகளாக மாறலாம்.
சாத்தியமளிக்கும் தொழில்நுட்பமாக தரநிலைப்படுத்தல்
இந்த ஆய்வின் மிக முக்கியமான விளைவுகளில் ஒன்று, தரநிலைப்படுத்தலை நிர்வாகச் சுமையாகப் பார்க்கக் கூடாது என்பதாகும். அது அறிவியல் AI-க்கான ஒரு சாத்தியமளிக்கும் தொழில்நுட்பம்.
அறிக்கையின்படி, நான்கு ஆய்வக முயற்சி, முடிவுகளின் மாறுபாட்டை நெறிமுறை மற்றும் உபகரண தரநிலைப்படுத்தல் எவ்வாறு கட்டுப்படுத்துகிறது என்பதைக் காட்டியது. அது பிரச்சினையை வேறு கோணத்தில் அமைக்கிறது. இங்கு சிக்கல் சில தரவுத்தொகுப்புகள் மற்றவற்றைவிட சத்தமாக இருப்பது மட்டும் அல்ல. தரவை உருவாக்கப் பயன்படுத்தப்படும் நடைமுறைகளே, ஒரு AI மாதிரி வேதியியலைக் கற்றுக்கொள்கிறது அல்லது ஆய்வகத்துக்கே உரிய விசித்திரங்களை கற்றுக்கொள்கிறது என்பதைக் தீர்மானிக்க முடியும்.
ஆராய்ச்சி அமைப்புகளுக்கு இது செயல்பாட்டு விளைவுகளை ஏற்படுத்துகிறது. பொருட்கள் அறிவியலுக்கான பயனுள்ள AI-ஐ உருவாக்க, இணக்கப்படுத்தப்பட்ட பரிசோதனை வடிவமைப்பு, பகிரப்பட்ட அளவுகோல்கள், மெட்டாடேட்டா ஒழுங்குமுறை, மற்றும் பெரிய மாதிரிகரிப்பு முயற்சிகள் தொடங்குவதற்கு முன்பே தளங்களுக்கு இடையிலான சரிபார்ப்பு ஆகியவற்றில் முதலீடு தேவைப்படலாம். வேறு வார்த்தைகளில் சொன்னால், மேம்பட்ட AI-க்கான பாதை பெரிய கணக்கீட்டு குழுக்களைக் காட்டிலும், சிறந்த ஆய்வக செயல்முறை கட்டுப்பாட்டிலிருந்து தொடங்கலாம்.
பல நிறுவனங்களிலிருந்து தரவை ஒன்றிணைக்க விரும்பும் அரசுத்-தனியார் ஆராய்ச்சி திட்டங்களுக்கு இது குறிப்பாக பொருத்தமானது. தகவலை ஒருங்கிணைப்பது மாதிரி அளவை பெருக்குகிறது; ஆனால் சேர்க்கப்பட்ட பதிவுகள் உண்மையில் ஒப்பிடத்தக்கவையாக இருந்தால்தான் அது பயனளிக்கும். அது இல்லாமல், அதிக தரவு ஒரு ஆபத்தாக மாறி, மாதிரிகளுக்கு பரவலான களத்தின் தோற்றத்தை வழங்கியபடியே பங்களிப்பாளர்களிடையிலான முறையான முரண்பாடுகளை மறைக்க முடியும்.
அறிவியல் AI-யின் இன்னும் யதார்த்தமான படம்
இந்த ஆய்வு, தூண்டி கண்டுபிடிப்பில் AI-க்கு எதிராக வாதிடவில்லை. மாறாக, AI உண்மையில் பயனுள்ளதாக மாறக்கூடிய சூழ்நிலைகளை அது தெளிவுபடுத்துகிறது. நல்ல தரவு இருந்தால், மாதிரிகள் பரிசோதனைத் தேடலை குறுக்கி, நேரத்தையும் செலவையும் குறைத்து, ஆய்வகத்தில் எட்டுவதற்கு கடினமான நிலைகளையும் ஆராய முடியும். அந்த நன்மைகள் இன்னும் வலுவானவை. நான்கு ஆய்வக ஒப்பீடு சேர்த்திருக்கும் முக்கியமான செய்தி, மாதிரி தரமும் தரவு மூலமும் அளவீட்டு நடைமுறையும் பிரிக்க முடியாதவை என்பதே.
அந்தச் செய்தி தூண்டியலுக்கு மட்டுமல்ல, அதற்கு அப்பாலும் பொருந்துகிறது. பல அறிவியல் துறைகள் இப்போது தானியங்கி பரிசோதனை, மெஷின் லெர்னிங், மற்றும் பகிரப்பட்ட தரவுத்தொகுப்புகளை இணைக்க விரும்புகின்றன. அளவீடுகள் உள்ளூர் கருவிகள், அளவுத்திருத்த நடைமுறைகள், அல்லது மறைமுக செயல்முறைத் தேர்வுகளின் மீது சார்ந்திருக்கும் இடமெல்லாம் இதே ஆபத்து பொருந்துகிறது. அந்த வேறுபாடுகள் வெளிக்கொணரப்பட்டு கட்டுப்படுத்தப்படாவிட்டால், AI அமைப்புகள் மறைந்த முரண்பாடுகளைத் தீர்ப்பதற்குப் பதிலாக அவற்றை மேலும் பெருக்கக்கூடும்.
நடைமுறையில், இந்தப் புதிய வேலை நிதியளிப்பு நிறுவனங்கள், தேசிய ஆய்வகங்கள், மற்றும் பல்கலைக்கழகக் கூட்டணிகள் மறுஉற்பத்தித்தன்மை உட்கட்டமைப்பில் அதிக கவனம் செலுத்தச் செய்யலாம். அறிவியல் AI-யின் பிரமிப்பூட்டும் அடுக்கு பெரும்பாலும் மாதிரியே. ஆனால் நிலைத்த மதிப்பு கொண்ட அடுக்கு, நம்பகமான மாதிரிகரிப்பை சாத்தியமாக்கும் அளவீட்டு அமைப்புதான்.
அடுத்து என்ன
இந்த ஆய்விலிருந்து கிடைக்கும் உடனடி பாடம் AI-யிலிருந்து பின்வாங்குவது அல்ல; மாறாக பரிசோதனைக்கும் மாதிரிகரிப்புக்கும் இடையிலான பின்னூட்ட வட்டத்தை மேலும் இறுக்குவது. ஆய்வகங்களுக்கு இடையிலான அளவுகோல்கள், ஒப்புக்கொள்ளப்பட்ட சோதனை நிபந்தனைகள், மற்றும் உபகரணங்கள் மற்றும் நடைமுறை குறித்த வெளிப்படையான மெட்டாடேட்டா ஆகியவை தூண்டித் தரவுத்தொகுப்புகளை மேலும் நம்பகமாக்கலாம். அதேபோல், ஒரே சூழலில் பயிற்றுவிக்கப்பட்ட மாதிரி வேறு இடத்தில் உருவாக்கப்பட்ட தரவை எதிர்கொண்டாலும் செயல்படுகிறதா என்பதைத் திட்டமிட்டுப் பரிசோதிக்கும் சரிபார்ப்பு திட்டங்களும் உதவும்.
கார்பன் டைஆக்சைடு மாற்ற ஆய்வுக்கு, அந்த மேம்பாடுகள் அளவுக்கு மீறிய மதிப்பைத் தரக்கூடும். இந்தத் துறை, குறுகிய பரிசோதனையில் செயலில் இருப்பதோடு மட்டுமல்லாமல், நீண்ட செயல்பாட்டு காலத்திலும் நிலைத்த, அளவுபடுத்தக்கூடிய, மற்றும் நடைமுறைப்படுத்தக்கூடிய தூண்டிகளைத் தேடுகிறது. AI அந்த வேட்பாளர்களைக் குறிப்பாக வேகமாக அடையாளம் காண இன்னும் உதவக்கூடும். ஆனால் இந்த புதிய ஆய்வு சொல்வது, விஞ்ஞானிகள் மறுஉற்பத்தித்தன்மையையே மாதிரியின் ஒரு பகுதியாகக் கருதினால் மட்டுமே அது சாத்தியம் என்பதாகும்.
இதுதான் இங்குள்ள ஆழமான தொழில்துறை செய்தி. ஆராய்ச்சி AI-யில், சிறந்த கணிப்புகள் அல்காரிதம் ஓடத் தொடங்கும் போது பிறக்கவில்லை. முடிவு என்னவென்று மற்றொரு ஆய்வகம், மற்றொரு கருவி, மற்றும் இறுதியில் மற்றொரு மாதிரி நம்பக்கூடியதாக இருக்குமாறு முதல் பரிசோதனை வடிவமைக்கப்படும் தருணத்திலேயே அவை தொடங்குகின்றன.
இந்தக் கட்டுரை Phys.org-இன் செய்தியறிக்கையை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையை வாசிக்கவும்.
Originally published on phys.org
