मागील मॉड्युलमध्ये आपण ‘AI म्हणजे काय’ आणि त्याचे प्रकार समजून घेतले. पण एक निर्जीव संगणक स्वतःहून कसा विचार करू शकतो? तो अचूक निर्णय कसा घेतो? या मॉड्युलमध्ये आपण AI ची अंतर्गत कार्यप्रणाली (Working Mechanism) अतिशय सोप्या भाषेत समजून घेणार आहोत.

हा भाग विद्यार्थी आणि तंत्रज्ञानप्रेमींना AI चा खरा ‘मेंदू’ कसा चालतो, हे समजण्यासाठी अत्यंत उपयुक्त ठरेल.

AI च्या कामाचे ३ मुख्य आधारस्तंभ (The 3 Pillars of AI)

AI प्रणालीला काम करण्यासाठी मुख्यत्वे तीन गोष्टींची आवश्यकता असते. या तीन गोष्टी एकत्र आल्यावरच AI तयार होते:

  1. डेटा (Data – माहिती): AI चा मुख्य खुराक म्हणजे डेटा. हजारो फोटो, लाखो शब्दांचे लेख, किंवा आकडेवारी यातून AI माहिती मिळवते. डेटा जेवढा जास्त आणि अचूक, तेवढे AI अधिक हुशार होते.

  2. अल्गोरिदम (Algorithm – नियम): अल्गोरिदम म्हणजे गणिताचे सूत्र किंवा सूचनांची यादी. हा मिळालेला डेटा कसा वाचायचा, त्याचे वर्गीकरण कसे करायचे आणि त्यातून निष्कर्ष कसा काढायचा, हे अल्गोरिदम AI ला सांगतो.

  3. मशिन लर्निंग (Machine Learning – स्वतः शिकण्याची क्षमता): ही एक पद्धत आहे जिच्या मदतीने AI स्वतःच्या चुकांमधून शिकते आणि भविष्यात अधिक अचूक निर्णय घेते.

AI माहितीचे विश्लेषण आणि निर्णय कसे घेते? (The Process)

AI चे काम प्रामुख्याने ४ टप्प्यांत चालते. हे समजण्यासाठी आपण एका उदाहरणाचा विचार करूया: “AI ला कुत्र्याचा आणि मांजरीचा फोटो ओळखायला शिकवणे.”

टप्पा १: माहिती स्वीकारणे (Data Input)

सर्वात आधी AI ला हजारो कुत्र्यांचे आणि मांजरींचे फोटो दिले जातात. या फोटोंसोबत माहिती जोडलेली असते (जसे की, हा कुत्र्याचा फोटो आहे आणि हा मांजरीचा). याला ‘ट्रेनिंग डेटा’ (Training Data) म्हणतात.

टप्पा २: माहितीचे विश्लेषण आणि पॅटर्न ओळखणे (Analysis & Pattern Recognition)

AI चे अल्गोरिदम या फोटोंचे बारकाईने विश्लेषण करतात. ते प्राण्यांचा आकार, कानांची ठेवण, डोळ्यांचा रंग, शेपटीचा प्रकार यांसारखे बारकावे (Features) शोधतात.

  • उदा. कुत्र्यांचे कान साधारणपणे कसे असतात किंवा मांजरीचे डोळे कसे दिसतात, याचा एक साचा (Pattern) AI स्वतःच्या मेमरीमध्ये तयार करते.

टप्पा ३: निर्णय घेणे किंवा अंदाज वर्तवणे (Decision Making / Prediction)

आता AI ला असा एक नवीन फोटो दाखवला जातो, जो त्याने आधी कधीही पाहिलेला नसतो. AI या नवीन फोटोची तुलना स्वतः शिकलेल्या ‘पॅटर्न’ सोबत करते. जर नवीन फोटोतील प्राण्याचे डोळे आणि कान मांजरीच्या पॅटर्नशी जुळत असतील, तर AI “ही मांजर आहे” असा निर्णय देते.

टप्पा ४: फीडबॅक आणि सुधारणा (Feedback Loop)

जर AI ने चुकीचे उत्तर दिले (उदा. कुत्र्याला मांजर म्हटले), तर प्रोग्रॅमर किंवा सिस्टीम त्याला सांगते की हे उत्तर चुकीचे आहे. AI लगेच स्वतःच्या अल्गोरिदममध्ये बदल करते (ज्याला ‘Weight adjustment’ म्हणतात) जेणेकरून पुढच्या वेळी तीच चूक होणार नाही.

AI स्वतःहून कसे शिकते? (How AI Learns: Learning Methods)

AI चे ‘शिकणे’ (Training) मानवासारखेच असते, पण त्याच्या पद्धती वेगवेगळ्या आहेत. प्रामुख्याने AI खालील ३ प्रकारे शिकते:

शिकण्याची पद्धत स्पष्टीकरण (Explanation) सोपे उदाहरण
सुपरवाइज्ड लर्निंग (Supervised Learning) यामध्ये AI ला योग्य उत्तरांसहित डेटा दिला जातो (शिक्षक जसा विद्यार्थ्याला शिकवतो). AI ला आंब्याचे आणि सफरचंदाचे फोटो त्यांची नावे सांगून दाखवणे.
अनसुपरवाइज्ड लर्निंग (Unsupervised Learning) यामध्ये AI ला फक्त माहिती (डेटा) दिली जाते, उत्तरे नाही. AI स्वतःहून त्यातील साम्य आणि फरक शोधून गट बनवते. अनेक फळांचा ढीग दिल्यावर, AI रंगावरून आणि आकारावरून फळांचे वेगवेगळे गट तयार करते.
रिइन्फोर्समेंट लर्निंग (Reinforcement Learning) ही ‘ट्रायल अँड एरर’ (Trial and Error) पद्धत आहे. अचूक निर्णयावर AI ला ‘बक्षीस’ (Reward) मिळते आणि चुकीवर ‘शिक्षा’ (Penalty). बुद्धिबळ खेळणारा AI कॉम्प्युटर: जिंकला तर पॉईंट्स मिळतात, हरला तर पॉईंट्स कमी होतात.

मानवी मेंदू आणि आर्टिफिशियल न्यूरल नेटवर्क (Artificial Neural Network)

डीप लर्निंग (Deep Learning) या AI च्या प्रगत शाखेत न्यूरल नेटवर्क्स वापरले जातात. जसा मानवी मेंदू अब्जावधी ‘न्यूरॉन्स’ (पेशी) च्या जाळ्याने बनलेला असतो, तसेच हे कृत्रिम न्यूरल नेटवर्क काम करते.

यामध्ये माहिती एका थरातून (Layer) दुसऱ्या थरात जाते आणि प्रत्येक थरावर माहितीचे अधिक सखोल विश्लेषण होते. यामुळेच AI मानवी आवाजातील भावना ओळखू शकते किंवा गुंतागुंतीच्या आजारांचे निदान करू शकते.

थोडक्यात सांगायचे तर: AI मध्ये कोणतीही जादू नाही. प्रचंड वेगाने गणित सोडवणे, जुन्या माहितीतून ‘पॅटर्न’ शोधणे आणि संभाव्यतेच्या (Probability) आधारावर अचूक अंदाज बांधणे, हेच AI च्या बुद्धिमत्तेचे रहस्य आहे.