या लेखमालेच्या साधारण निम्म्या टप्प्यावर आपण येऊन पोहोचलो आहोत. आत्तापर्यंत एआयशी संबंधित असलेल्या अनेक महत्त्वाच्या संकल्पनांचा आपण आढावा घेतला. आता थेट एआयमध्ये आपल्याला आपलं नशीब घडवायचं असेल तर त्यासाठी कोणती कौशल्यं आपण आत्मसात केली पाहिजेत याकडे वळू.
एआय ही अशी एकच शाखा नाही. तिच्या अनेक उपशाखा आहेत. शिवाय ‘एआय शिकणं’ असं काही नसतं; असंही आपण म्हणू शकतो. याचं कारण म्हणजे एआयमधल्या विविध गोष्टी शिकण्यासाठी आपल्याला अनेक बाबतींमधली कौशल्यं जोपासावी लागतात. त्या सगळ्यांच्या एकत्रीकरणातून आपण ‘एआय शिकण्याच्या’ जवळपास पोहोचू शकतो. म्हणूनच मुळात अनेक वर्षांपासून संगणक क्षेत्रात काम करत असलेल्या लोकांनाही एआयसंबंधीची कौशल्यं विकसित करत असताना खूप गोंधळल्यासारखं होतं. आपल्याला नेमकं काय शिकावं लागेल आणि कसं, हेच अनेक जणांना उमगत नाही. एआयच्या संदर्भातली हीच मुख्य अडचण आहे. गंमत म्हणजे उलट ज्यांना संगणक क्षेत्राची जवळपास काहीच ओळख नसते, त्यांना तुलनेनं ‘एआय शिकणं’ खूप सोपं जातं; कारण त्यांची पाटी कोरी असल्यामुळे त्यांना सगळं पहिल्यापासून शिकता येतं आणि सगळंच नवं असल्यामुळे आपण काय शिकलं पाहिजे या बाबतीत त्यांचा गोंधळ कमी असतो.
एआयमध्ये काम करण्यासाठीची पहिली गरज म्हणजे अर्थातच प्रोग्रॅमिंग (किंवा कोडिंग) येण्याची असते. निर्विवादपणे यासाठी जगभरात पायथन ही भाषा सगळ्यात लोकप्रिय असल्याचा उल्लेख आपण आधी केलेलाच आहे. काही वेळा आर ही भाषाही वापरली जाते. तसंच काही खूप क्लिष्ट प्रकल्पांमध्ये जावा ही भाषा वापरली जाण्याचीही शक्यता असते. तरीसुद्धा ‘एआय म्हणजे पायथन’ असं घट्ट समीकरणच आता झालेलं असल्यामुळे पायथनचं कौशल्य एआयमध्ये शिरण्यासाठी अनिवार्य म्हणता येईल.
दुसरी गरज म्हणजे गणितामधलं लीनियर अल्जेब्रा, काही प्रमाणात कॅल्क्युलस आणि संख्याशास्त्र या विषयांची चांगली ओळख असायला हवी. एकदा या अगदी मूलभूत गोष्टी काही प्रमाणात पक्क्या झाल्यावर मशीन लर्निंगकडे वळता येतं. मशीन लर्निंगचा वापर माहितीतूनच शिकून निरनिराळ्या प्रश्नांसंबंधीची भाकितं करण्यासाठी कसा करायचा हे शिकणं एआयसाठी गरजेचं आहे. यासाठी पायथनमधल्याच काही जास्तीच्या गोष्टी शिकाव्या लागतात. तसंच संख्याशास्त्र, संभाव्यता/शक्यता (प्रॉबॅबिलिटी) अशा गोष्टींचा वापर यासाठी कसा करायचा, हे यातून आपल्याला उमगतं. याच्या पुढची पायरी डीप लर्निंगची असते.
जास्त क्लिष्ट प्रकारची कामं करण्यासाठी मशीन लर्निंगऐवजी डीप लर्निंग वापरतात. उदाहरणार्थ लिखित मजकुराऐवजी चित्रं, चित्रफिती, ध्वनी यांच्याशी संबंधित असलेले तर्क बांधण्यासारखी कामं डीप लर्निंगमुळे शक्य होतात. मानवी मेंदूच्या कामकाजावर आधारित असलेल्या न्यूरल नेटवर्क्सचा वापर डीप लर्निंगमध्ये केला जातो. टेन्सरफ्लो, केरास, पायटॉर्च यांच्यासारख्या तंत्रज्ञानांचा वापर यासाठी होतो.
पूर्वी उल्लेख केल्यानुसार डेटा सायन्स हीसुद्धा एआयची एक उपशाखाच मानता येईल. यात माहितीचा वापर करून निरनिराळे उपयुक्त निष्कर्ष काढणं, भविष्यात काय घडू शकेल याविषयीची जवळपास अचूक भाकितं करणं अशा अनेक गोष्टींचा समावेश होतो. समजा आपल्याकडे असलेल्या माहितीमध्ये चुका किंवा त्रुटी असतील तर त्या दूर करण्यासाठीच्या उपाययोजनाही आपल्याला कराव्या लागतात. अन्यथा खराब दर्जाची माहिती वापरली तर त्यातून आपल्या हाती येणारे निष्कर्षही खराब दर्जाचे असण्याची दाट शक्यता असते. याखेरीज आपल्याकडे असलेल्या माहितीच्या साठ्यांचं प्रमाण अजस्त्र असेल तर त्याला ‘डेटा’ न म्हणता ‘बिग डेटा’ असं म्हटलं जातं. अशा वेळी या डाटाची साठवणूक आणि त्याच्यावरच्या प्रक्रिया या गोष्टी करण्यासाठी पारंपारिक तंत्रज्ञान उपयोगी पडत नाही. म्हणून आपल्याला हडूप, स्पार्क अशा प्रकारची तंत्रज्ञानं वापरावी लागतात. तसंच एआयचा डेटा साठवण्यासाठी आणि तो वेगानं शोधण्यासाठी आपल्याला व्हेक्टर डेटाबेस लागतो.
माणसाची लवचीक भाषा संगणकाला समजावी आणि त्यानंही माणसासारख्या भाषेतच माणसाशी संवाद साधावा यासाठी नॅचरल लँग्वेज प्रॉसेसिंग (एनएलपी)चं तंत्रज्ञान उपयुक्त ठरतं. याच्या मूलभूत संकल्पना समजल्यानंतर पायथनमध्ये त्यासंबंधीच्या प्रक्रिया करण्यासाठी एनएलटीके तसंच स्पेसी अशा पायथनमधल्या गोष्टी आपल्याला शिकाव्या लागतात. यातून नवनिर्मितीक्षम एआय (‘जनरेटिव्ह एआय’)ची गुहा आपल्यासमोर उघडते. याच्याशी संबंधित असलेलं ‘लार्ज लँग्वेज मॉडेल (एलएलएम)’चं जग अलीकडच्या काळात विलक्षण लोकप्रिय झालं आहे.
एआयच्या विश्वामधल्या तंत्रज्ञानाशी संबंधित असलेल्या कौशल्यांचा हा धावता आढावा. यामधल्या बहुतेक सगळ्या संकल्पनांविषयी आपण आधी बोललोच आहोत. फक्त त्या सगळ्यांची ही एक झटपट उजळणी!
akahate@gmail. com
