Mon06182018

Last update08:42:59 am

Font Size

Profile

Menu Style

Cpanel
Back முன்பக்கம்

சமூகத்தின் எதிர்காலத்தைக் கட்டுப்படுத்தும் முன்னறிப் புலனாய்வு ! - செயற்கை நுண்ணறிவு : நவீன அடிமை யுகம் – பாகம் 5

  • PDF

ரு குறிப்பிட்ட துறையில் எதிர்வரும் காலத்தில் மேற்கொள்ள வேண்டிய நடவடிக்கைகளை அனுமானிக்கும் ஆற்றலை, கடந்த கால மற்றும் நிகழ்கால மின் தரவுகளைப் பகுத்தாய்வதன் மூலம் செயற்கை நுண்ணறிக் கணினிகள் பெறுகின்றன. குறிப்பிட்ட விதத்திலான சூழ்நிலைகள் தோன்றாத வண்ணம் தடுப்பதற்கான பரிந்துரைகளை வழங்கும் ஆற்றலையும் இத்தொழில்நுட்பம் கொண்டுள்ளது.

தரவுகளை அலசுவது – தர்க்கரீதியான முடிவுகளை எடுப்பது – முடிவுகளை அமல்படுத்தி அதன் விளைவுகளை பரிசோதிப்பது – அதன் அனுபவங்களை மின் தரவுகளாகச் சேகரித்து, மீண்டும் பகுப்பாய்வுக்கு உட்படுத்தி மேலும் துல்லியமான முடிவை எடுப்பது – மீண்டும் அமல்படுத்துவது என்கிற செயல்பாட்டுச் சுழற்சியின் மூலம் செயற்கை நுண்ணறிவு மேலும் மேலும் துல்லியத்தன்மையை நோக்கி நகர்ந்து கொண்டேயிருக்கிறது.

மீண்டும் மீண்டும் நிகழும் இந்தப் பகுத்தாயும் போக்கானது பின்வரும் நான்கு முக்கியமான கட்டங்களை உள்ளடக்கியுள்ளது.

முதலாவதாக விவரணப் பகுப்பாய்வு (Descriptive analytics). அதாவது வந்து குவிந்துள்ள மின் தரவுக் குவியல்களைப் பகுப்பாய்வு செய்து என்ன நடந்தது என்பதை கண்டறிதல். காவல்துறையின் ஃபோரன்சிக் பிரிவு இம்முறையைக் குறைந்தபட்ச அளவில் பயன்படுத்த துவங்கியுள்ளது. ஒரு குற்றச் சம்பவம் நடந்து முடிந்த பின் அதில் தொடர்புடையவர்களின் இணையச் செயல்பாடுகள், செல்பேசி உரையாடல்கள் உள்ளிட்ட மின் தரவுகளைப் பரிசீலித்து நடந்த சம்பவத்தை முழுமையாக அதன் பின்னணியோடு அறிந்து கொள்ள இம்முறை பயன்படுத்தப்படுகின்றது.

இரண்டாவதாக, சோதனைப் பகுப்பாய்வு (Diagnostic Analytics). மின் தரவுகளின் அடிப்படையில் ”ஏன் நடந்தது” என்கிற விளக்கம். ஒரு குறிப்பிட்ட சம்பவம் நடந்த பின் அதில் சம்பந்தப்பட்டவர்கள் தொடர்பான மின் தரவுகளைப் பரிசீலித்துப் பார்த்து அவர்கள் இந்த சம்பவத்தில் ஈடுபட என்ன காரணம் என்பதைக் கண்டறிய இம்முறை பயன்படுத்தப்படுகின்றது.

மூன்றாவதாக, முன்னறிப் பகுப்பாய்வு (Predictive Analytics). ஏற்கனவே உள்ள மின் தரவுகளை பகுப்பாய்வு செய்வதன் மூலம் நிகழ்ச்சிப் போக்குகளில் உள்ள வகை மாதிரிகளைப் (Pattern) புரிந்து கொள்வது. நிகழ்ச்சிப் போக்கின் வகை மாதிரியை அடிப்படையாக கொண்டு எதிர்காலத்தில் இதே போன்ற நிகழ்வு நடக்குமா, எப்போது, எப்படி, ஏன் நடக்கும் என்பதைக் கணிப்பது. உதாரணமாக, ஒருவரின் முகநூல் உள்ளிட்ட சமூக வலைத்தள நடவடிக்கை, அவர் இணையம் மூலம் வாங்கும் புத்தகங்கள், இணையத்தில் பார்க்கும், கேட்கும் விசயங்களை வைத்து எதிர்காலத்தில் நிகழவிருக்கும் அரசியல் போக்கு ஒன்றில் அவரது பங்கெடுப்பு இருக்குமா இருக்காதா, அப்படி இருந்தால் அது எத்தகையதாக இருக்கும் என்பதைக் கணிக்க முடியும்.

நான்காவதாக பரிந்துரைப் பகுப்பாய்வு (Prescriptive Analytics). கடந்த கால தரவுகளையும், நிகழ்காலப் போக்குகளையும் கணக்கில் கொண்டு எதிர்காலத்தில் ஒரு குறிப்பிட்ட விசயம் நிகழ்வதற்கான சூழலை திட்டமிட்டு உருவாக்குவது. உதாரணமாக, முகநூலில் ’புரட்சிகரமாக’ செயல்படும் ஒருவர் ஓய்வு நேரத்தில் கார்கள் குறித்து இணையத்தில் தேடிக் கொண்டிருக்கிறார் என்பதை அறிந்து, அதில் அவரது ஆர்வம் எந்த மட்டத்தில் இருக்கிறது என்பதைப் புரிந்து கொண்டு, மாதச் சம்பளக்காரரான அவரைக் கார் கடன் வாங்கி தவணை கட்டச் செய்து விட்டால் ‘புரட்சி’ வேகம் குறைந்து விடும் என்பதை முன்கூட்டியே பரிந்துரைக்க முடியும்.

***

பகுப்பாய்வுத் தொழில்நுட்பத்தின் வழியாக நடந்த விசயங்களைத் தரவுகளின் அடிப்படையில் இருந்து கற்றுக் கொள்ளும் செயற்கை நுண்ணறிக் கணினி, அதனடிப்படையில் நடக்கவிருக்கும் விசயங்களைக் குறித்த அனுமானத்தை அடைவதுடன், எப்படி நடக்க வேண்டும் எனப் பரிந்துரைக்கும் ஆற்றலையும் பெறுகின்றது.

மீப்பெரும் மின் தரவுத் தொழில்நுட்பத்தின் வரவுக்கு முன்பிருந்த, வழமையான செயற்கை நுண்ணறித் தொழில்நுட்பத்தைப் பொருத்த வரையில் ஒரு முடிவை எடுப்பதற்கு என்னென்ன தரவுகளை ஆராய வேண்டும், எத்தனை கோணங்களில் ‘சிந்தித்து’ பார்க்க வேண்டும், சாத்தியமான முடிவுகள் எத்தனை இருக்க முடியும், அந்த முடிவுகளில் ஒரு குறிப்பிட்ட சந்தர்ப்பத்துக்கு எது சரியானது என்பதை சீர்தூக்கிப் பார்ப்பது எப்படி என்கிற வரம்புகள் அனைத்தும் நிரல்களாக ஏற்றப்பட்டிருக்கும் (Pre Programmed). சுருக்கமாகச் சொன்னால், முடிவுகளுக்கு வரம்புகள் இருந்தன.

மீப்பெரும் மின் தரவின் வரவுக்குப் பின் அந்த வரம்புகள் உடைந்திருக்கின்றன. முடிவு எடுப்பதற்கு முன் கணக்கில் எடுத்துக் கொண்டு பரிசீலிப்பதற்கு நம் கற்பனைக்கும் அப்பாற்பட்ட அளவில் மின் தரவுகள் குவிந்து கிடக்கின்றன. அவ்வாறு குவிந்து கிடக்கும் மின் தரவுகளை கண்ணிமைக்கும் நேரத்தில் பகுப்பாய்வு செய்து அதன் முடிவுகளை செயற்கை நுண்ணறிக் கணினிக்கு அறியத்தரும் மென்பொருட்களும் வந்து விட்டன. தரவுகளிலிருந்து “கற்றுக் கொள்வதில்” செயற்கை நுண்ணறிக் கணினிக்கு இதுகாறும் இருந்த வரம்பு உடைந்து விட்டது – எனவே அது எடுக்கக் கூடிய முடிவுகளுக்கு இருந்த வரம்புகளும் உடைந்து விட்டன.

***

அறிவியல் மற்றும் தொழில்நுட்பம் ஆளும்வர்க்கங்களின் கைகளில் இருப்பதால் அவை அடைந்துள்ள வளர்ச்சியின் பலன்களை அனுபவிப்பதிலும் அதே வர்க்கங்கள் தான் முன்னணியில் இருக்கின்றன. தொழில்நுட்பத்தின் அடிப்படையில் சமூகத்தை இயக்குவது, சிவில் நிர்வாகப் பணிகளை மேற்கொள்வது, காவல் மற்றும் கண்காணிப்பு நடவடிக்கைகளை மேற்கொள்ளது என்பதெல்லாம் கேட்பதற்கு நம்ப முடியாத கற்பனைகள் போல் தோன்றினாலும், தற்போதைய தொழில்நுட்பத்தின் வளர்ச்சிப் போக்கும், அரசியல் பொருளாதார சூழலும் இந்தப் போக்கை நோக்கியே உள்ளன. ஒரு சில நாடுகளில் “தரவுகளின்” அடிப்படையில் குடிமைச் சமூகத்தை நிர்வகிக்கும் முறைகள் பரிசோதிக்கப்பட்டு வருகின்றன. மீப்பெரும் மின் தரவுகளின் அடிப்படையிலான புலனாய்வு முறைகளும் நடைமுறைக்கு வரத் துவங்கியுள்ளன.

***

அது 2014-ம் ஆண்டின் வசந்த காலம். அமெரிக்காவின் ஃப்ளோரிடா மாகாணம். தனது தங்கையை பள்ளியில் இருந்து அழைத்து வர பதினெட்டு வயதான ப்ரிஷா போர்டென் அவளது தோழியுடன் சென்று கொண்டிருக்கிறார். அப்போது ஒரு நீல வண்ண சைக்கிளும், ரேஸர் ஸ்கூட்டர் (கால்களால் உந்தித் தள்ளி ஓட்டும் சறுக்கு வண்டி) ஒன்றும் பூட்டாமல் நிறுத்தப்பட்டிருப்பதை இருவரும் பார்க்கிறார்கள். பூட்டாத வாகனங்களைப் பார்த்ததும் தோழிகளுக்கு சபலம்.

சட்டென அந்த வாகனங்களை எடுத்துக் கொண்டு ஓடப் பார்க்கிறார்கள். இதைப் பார்த்து விட்ட ஒரு நடுத்தர வயதுப் பெண்மணி உடனே சாலைக்கு ஓடி வந்து “அது என் மகனுடையது” என்று கூச்சலிடுகிறாள். பயந்து போன தோழிகள், உடனே அந்த வாகனங்களைப் போட்டு விட்டு ஓடி விடுகின்றனர். அவர்கள் திருட்டுக்குப் பழக்கமில்லாதவர்கள். இதற்கிடையே ’திருட்டுச்’ சம்பவத்தை பார்த்த ஒருவர் போலீசை அழைக்க, சிறுமிகள் இருவரும் மாட்டிக் கொள்கின்றனர். திருட்டுப் பொருளின் மதிப்பு 80 டாலர்.

அதே சமயத்தில் நடந்த இன்னொரு சம்பவம். 41 வயதான வெர்னான் ப்ரடெர் ஊரறிந்த திருடன். ஏற்கனவே அவன் மேல் துப்பாக்கி முனையில் கொள்ளையடித்தது உட்பட பல திருட்டு வழக்குகள் உள்ளன. ஐந்தாண்டுகள் சிறையிலும் கழித்துள்ளான். ஒரு நாள் அருகில் இருந்த கடையில் சுமார் 86.35 டாலர் மதிப்புள்ள பொருட்களைத் திருடும் போது மாட்டிக் கொள்கிறான்.

இரண்டு வழக்குகளும் நீதிமன்றத்துக்குச் செல்கின்றன. குற்றம் சாட்டப்பட்டவர்கள் செயற்கை நுண்ணறித் திறனில் இயங்கும் “அபாய மதிப்பீட்டு மென்பொருளின்” (Risk assessment tool) முன்னால் நிறுத்தப்படுகின்றனர். அந்த மென்பொருள் கேட்கும் விவரங்களுக்கான பதிலை ப்ரிஷா போர்டெனும், வெர்னான் ப்ரடெரும் சொல்கின்றனர். அதனடிப்படையில் இருவரில் மீண்டும் குற்றச் செயல்களில் ஈடுபடும் வாய்ப்பு ப்ரிஷா போர்டென் என்ற அந்தப் பெண்ணுக்கு அதிகமிருப்பதாகவும், வெர்னான் ப்ரெடெர் என்ற திருடனுக்கு அத்தகைய வாய்ப்பு குறைவாக இருப்பதாகவும் அந்தக் கணினி பரிந்துரை செய்கின்றது.

கணினியின் பரிந்துரையின் படி ஜூரிகள் தீர்ப்பளிக்கின்றனர்; இருவருமே சிறையில் அடைக்கப்படுகின்றனர். இரண்டாண்டுகளுக்குப் பின் விடுதலையான ப்ரிஷா போர்டென் எந்தக் குற்றச் செயல்களிலும் ஈடுபடாமல் அமைதியாக வாழ்ந்து கொண்டிருக்கிறாள் – மீண்டும் குற்றமிழைக்கும் வாய்ப்பு குறைவு என்று செயற்கை நுண்ணறிக் கணினியால் கணிக்கப்பட்ட வெர்னான் ப்ரடெர் சிறையில் இருந்து வந்ததும் பெரும் குற்றச் செயல் ஒன்றில் ஈடுபட்டு தற்போது 8 ஆண்டு சிறைத் தண்டனை பெற்றுள்ளான்.

இவர்களில் ப்ரிஷா போர்டென் கருப்பினப் பெண்; வெர்னான் ப்ரடெர் வெள்ளையினத்தவன். செயற்கை நுண்ணறித் தொழில்நுட்பம் வெளிப்படுத்திய இனவெறிக்கும், அது தவறிழைத்ததற்கும் என்ன காரணம்?

***

பல்வேறு சந்தர்ப்பங்களில் நடத்தப்பட்ட ஆய்வுகளில் செயற்கை நுண்ணறிக் கணினிகள் நிறவெறியையும் பாலியல் ரீதியான முன்முடிவுகளையும் வெளிப்படுத்துவது கண்டறியப்பட்டுள்ளது. மனித மூளைகளுக்கு முன்முடிவுகள் இருக்கலாம் – ஆனால், இயந்திரத்திற்கு முன்முடிவு இருக்க முடியுமா? இதைக் கண்டறிய, ப்ரின்ஸ்டன் பல்கலைக்கழகத்தைச் சேர்ந்த விஞ்ஞானி ஐலின் கலிஸ்கன் “உள்ளடக்க சோதனை மென்கருவிகளை” (Implicit Assessment Tool) கொண்டு செயற்கை நுண்ணறிக் கணினிகளை சோதித்துள்ளார்.

மனிதர்கள் தங்களிடம் சொல்லப்படும் வார்த்தைகளை எம்மாதிரியான உணர்ச்சிகளோடு இணைத்துப் புரிந்து கொள்கிறார்கள் என்பதைக் கண்டறிய மனோவியல் துறையில் பயன்படுத்தப்படும் முறை தான் உள்ளடக்க சோதனை. உதாரணமாக, ரோஜாவின் பெயரைச் சொன்னவுடன் இன்ப உணர்ச்சியும், ஹிட்லரின் பெயரைக் கேட்டவுடன் கசப்புணர்வும் தோன்றும்.

எனினும், இவ்வாறு பெயர்களோடு இணையும் உணர்ச்சிகள் உலகம் முழுவதும் பொதுவானதாக இருப்பதில்லை. உணர்ச்சிகள் வர்க்கத்துக்கு வர்க்கம், இனத்துக்கு இனம், நாட்டுக்கு நாடு வேறுபடும் – மோடியின் பெயர் ஒரே நேரத்தில் மக்களிடம் ஆத்திரத்தையும், முதலாளிகளுக்கு மகிழ்ச்சியையும் தோற்றுவிப்பது போல.

மேற்கொள்ளப்பட்ட இந்தச் சோதனையில் அமெரிக்காவின் பிரத்யேகமான மனநிலைக்குப் பொருத்தமான சொற்களே எடுத்துக் கொள்ளப்பட்டன. சோதனையின் முடிவில் ஆண்களின் பெயர்களை உள்ளீடு செய்த போது பொறியாளர், இராணுவம், ஆற்றல் மற்றும் அவை சார்ந்த விசயங்களோடும், பெண்களின் பெயர்களை வீட்டு வேலைகள், இசை போன்றவைகளுடனும் இணைத்துள்ளது செயற்கை நுண்ணறிக் கணினி. அதே போல் கருப்பினத்தவர்களின் பெயர்களை உள்ளீடு செய்ததும், அதோடு கசப்புணர்வு இணைந்துள்ளது.

மேற்கு நாடுகளில் வேலைகளுக்கு விண்ணப்பிக்க அளிக்கப்படும் சுயவிவரக் குறிப்புகளை (Resume) செயற்கை நுண்ணறிக் கணினிகளிடம் கொடுத்து முதல்கட்ட தேர்வைச் செய்யும் போக்கு துவங்கியுள்ளது. எதிர்காலத்தில் பொறியாளர், விஞ்ஞானி போன்ற வேலைகளுக்காக பெண்களும், கருப்பினத்தவரும் விண்ணப்பிக்கும் போது அவர்களை முதல் கட்டத்திலேயே செயற்கை நுண்ணறிக் கணினி வடிகட்டி விடும். முசுலீம்களின் நிலை பற்றித் தனியே விவரிக்கத் தேவையில்லை.

“பொதுவாக இயந்திரங்கள் முன்முடிவுகளோடு நடந்து கொள்ளாது என்றே மக்கள் நினைக்கின்றனர். ஆனால் இயந்திரங்கள் மனிதர்களிடமிருந்து பெறப்படும் விவரங்களின் அடிப்படையிலேயே பயிற்றுவிக்கப்படுகின்றன. மனிதர்களுக்கு முன் முடிவுகள் இருக்குமல்லவா?” என்கிறார் ஐலின் கலிஸ்கன்.

துபாயில் அறிமுகப்படுத்தப்பட்ட ரோபோ போலீஸ்

இயந்திரக் கற்றுணர்தல் முறை, தனது பகுப்பாய்வுக்கான கச்சாப் பொருளாக மீப்பெரும் மின் தரவுகளையே சார்ந்திருக்கின்றது. மின் தரவுகளோ சமூக வலைத்தளங்கள் மற்றும் பொருட்களின் இணையத்திலிருந்து உற்பத்தியாகின்றன. “சமூகத்திலிருந்து” உற்பத்தி செய்யப்படும் மின் தரவுகள் சமூகத்தின் பொதுப்புத்தியையும் முன்முடிவுகளையும் தன்னோடு சுமந்து செல்கின்றன. சமூகத்தின் பொதுபுத்தியோ ஆளும் வர்க்க சித்தாந்தங்களால் தீர்மானிக்கப்படுகின்றது.

ட்விட்டர் முகநூல் போன்ற சமூக வலைத்தளங்களில், தொலைபேசி உரையாடல்களில், இணைய அரட்டைகளில் குறிப்பிட்ட இனக்குழு அல்லது மதப் பிரிவைச் சார்ந்தவர்கள் குறித்து ‘பரவலான’ மக்களிடம் இருக்கும் கருத்துக்கள் மீப்பெரும் மின் தரவுகளாகச் சேகரிக்கப்பட்டு பின்னர் பகுப்பாய்வு செய்யப்படுகின்றது. இந்த “தரவுகளே” இயந்திரக் கற்றுணர்தலுக்கான மூலப்பொருளாக எடுத்துக் கொள்ளப்படுகின்றது. செயற்கை நுண்ணறிக் கணினிகள், குறிப்பான ஒரு முடிவை எடுப்பதற்கு இயந்திரக் கற்றுணர்தலைச் சார்ந்திருப்பதால், பொதுபுத்தி சார்ந்த முடிவுகளே கிடைக்கின்றன.

ஒரு உதாரணத்தைப் பார்ப்போம். எதிர்காலத்தில் இந்தியாவின் சட்டம் ஒழுங்கைக் கட்டுப்படுத்தும் பொறுப்பு செயற்கை நுண்ணறிக் கணினிக்கு வழங்கப்படுகின்றது என்று வைத்துக் கொள்வோம். அந்த சமயத்தில் பாரதிய ஜனதா அலுவலகத்தில் குண்டு தயாரிக்கும் போது எதிர்பாராத விதமாக வெடித்து நான்கைந்து பேர் இறந்து விடுகிறார்கள்.

உடனடியாக சமூக வலைத்தளங்களில் இயங்கும் காவிக் கூலி கும்பல் குற்றத்தை முசுலீம்களின் மேல் சுமத்துகிறது. காவிகளால் அவ்விதமே புகாரும் பதிவு செய்யப்படுகின்றது. இப்போது வழக்கை முதற்கட்டமாக பரிசீலிக்கும் செயற்கை நுண்ணறிக் கணினி எவ்வாறு முடிவெடுக்கும்?

செயற்கை நுண்ணறிக் கணினி இந்த வழக்கில் எம்மாதிரியான முடிவுகளுக்கு எல்லாம் வந்தடைய முடியும் என்பதை பட்டியலிடும். இந்தப் பட்டியல் என்பது இயந்திரக் கற்றுணர்தலை அடிப்படையாக கொண்டது. இயந்திரக் கற்றுணர்தல், மீப்பெரும் மின் தரவுகளைப் பகுப்பாய்வு செய்தே சாத்தியமான முடிவுகளின் பட்டியலை செயற்கை நுண்ணறிக் கணினிக்கு வழங்கும்.

மீப்பெரும் மின் தரவுகள் சமூக வலைத்தளங்களில் இருந்து சேகரிக்கப்பட்டவை. பொது புத்தியில் உள்ள “தாடி – குல்லா – முசுலீம் – தீவிரவாதி – வெடிகுண்டு” என்பதே சமூக வலைத்தளத்தின் பொதுக்கருத்து. இந்த “மூலப் பொருட்களில்” இருந்து முடிவெடுக்கும் செயற்கை நுண்ணறிக் கணினி, தாடி வைத்தவர்களைக் கைது செய்ய பரிந்துரை செய்யும்.

அறிவியல் மற்றும் தொழில்நுட்பத்தின் ஆற்றல் சுரண்டும் வர்க்கங்களால் பயன்படுத்தப்படும் போது அது சமூகத்திற்கு பெரும் அச்சுறுத்தலையே ஏற்படுத்தும். மேற்குலக முதலாளிய அரசுகள் தமது சொந்த மக்களை வேவு பார்ப்பதற்கும் கட்டுப்படுத்துவதற்கும் செயற்கை நுண்ணறித் தொழில்நுட்பத்தின் சாத்தியங்களைப் பயன்படுத்தி வருகின்றன.

(தொடரும்)

– சாக்கியன், வினவு
புதிய கலாச்சாரம், ஜூலை 2017