Machine Learning म्हणजे काय हे एका सोप्या उदाहरणावरून समजून घेऊ !!कल्पना करा की तुम्ही तुमच्या शरीराला प्रशिक्षित करण्यात सुपरहिरो आहात. दररोज, तुम्ही वेगवेगळे वजन उचलून तुमच्या शक्तींचा सराव घेता. तुम्ही एखादे विशिष्ट वजन जितके जास्त उचलाल, तितकेच किंवा त्याहून जास्त वजन उचलणे भविष्यात तुम्हाला सोपे जाईल.
मशीन लर्निंग(Machine Learning) ही काही असेच आहे, पण संगणकाच्या बाबतीत स्नायूंऐवजी, संगणकाला शिकवण्यासाठी आणि सुधारण्यासाठी जटिल प्रोग्राम(Complex Program) चा वापर केला जातो. मशीन लर्निंग मध्ये संगणक डेटासह कार्य करतात त्यातून माहिती समजून घेतात व योग्य परिणाम दर्शवतात. आणि ते परिणाम चित्र, ध्वनी किंवा मजकूर कोणत्याही रूपात असू शकतात.
सोप्या तांत्रिक शब्दात वा भाषेत, “मशीन लर्निंग (ML) म्हणजे असा संगणक प्रोग्राम तयार करणे ज्यामध्ये प्रत्येक परिस्थितीसाठी वेगळा प्रोग्राम न लिहिता, जेव्हा विशिष्ट कार्यावर काम करायची वेळ येईल तेव्हा त्याच प्रोग्राममध्ये योग्य ते बदल होऊन, स्वतचे कार्यप्रदर्शन सुधारून आउटपुट देण्यात येईल”.
मशीन लर्निंग((Machine Learning) कसे वापरले जाते याची काही वास्तविक जीवन उदाहरणे येथे आहेत:
- फोटोग्राफीच्या कलेमध्ये प्राविण्य मिळवणे: तुमची चित्रे आपोआप सुधारवणारे फोटो एडिटिंग ॲप तुम्ही कधी वापरले आहे का? तेच एक मशीन लर्निंग आहे ! ही ॲपस तुमच्या फोटोला चांगले बनवण्यासाठी आधी लाखो फोटोंचे विश्लेषण करते, त्यानंतर त्या ज्ञानाचा वापर करून तुमचा हवा तो फोटो एडिट करते.
- तुम्हाला नाचवणारे संगीत: Spotify सारख्या स्ट्रीमिंग सेवा तुम्हाला आवडतील अशा संगीताची शिफारस(Recommendations) करण्यासाठी मशीन लर्निंगचा वापर करतात. जेव्हा तुम्ही वैयक्तिकृत प्लेलिस्ट तयार करता तेव्हा ते तुम्ही अनेकदा ऐकत असलेली गाणी पाहते त्याचा पॅटर्न समजून घेते, व तशाच प्रकारचे संगीत तुम्हाला (You migh like section) मध्ये दाखवते
- स्पॅम मॉन्स्टरला हरवणे : तुमचा इनबॉक्स स्पॅम ईमेल कसे फिल्टर करतो याचा कधी विचार केला आहे का ? वास्तविक संदेश आणि अवांछित /स्पॅममधील फरक जाणून घेण्यासाठी मशीन लर्निंग अल्गोरिदम ईमेलच्या सामग्रीचे(content) विश्लेषण करतात. तुम्ही जितके अधिक ईमेल क्रमवारी लावाल तितके तुमचे इनबॉक्स स्वच्छ ठेवण्यासाठी तुमचे मशीन लर्निंग फिल्टर अधिक चांगले काम करेल.
त्यामुळे, पुढच्या वेळी तुम्ही एखादा वेगळा आणि मस्त ॲप वापरत असाल किंवा वेब ब्राउझ करत असाल तर लक्षात ठेवा की पार्श्वभूमीत काही मशीन लर्निंग अल्गॉरिथ्म चालू असेल. जे तुमच्या कृतींवरती व आवडीनिवडी वरती लक्ष ठेवून असेल!! हे एका सुपर-पॉवर कॉम्प्युटरसारखे आहे जे ते प्रक्रिया करत असलेल्या डेटामुळे अधिकाधिक हुशार बनत जाते!!
मशीन लर्निंग (Machine learning) शब्द पहिल्यांदा कधी वापरला गेला?
वर्ष | घटना | वर्णन |
१९५० पूर्वीचे | पाया घातला | रेखीय प्रतिगमन(linear regression) सारख्या सांख्यिकीय(Statistical) पद्धती विकसित आणि परिष्कृत(refined) केल्या गेल्या, ज्यामुळे भविष्यातील मशीन लर्निंग अल्गोरिदमचा पाया तयार झाला. |
१९५० | पायनियरिंग टप्पे | १९५०: ॲलन ट्युरिंगने “कंप्युटिंग मशिनरी अँड इंटेलिजेंस” वर ग्राउंडब्रेकिंग पेपर प्रकाशित केला, ज्यात मशीन इंटेलिजेंससाठी ट्युरिंग टेस्ट सादर केली. – १९५२ आर्थर सॅम्युअलने चेकर्स-प्लेइंग प्रोग्राम विकसित केला, जो मशीन लर्निंग(Machine Learning capabilities) क्षमता दर्शविणारा पहिला आहे. |
१९६० | नवीन कल्पनांचा परिचय | 1958: फ्रँक रोसेनब्लाट यांनी आधुनिक तंत्रिका नेटवर्कचा पाया मानल्या जाणाऱ्या प्रारंभिक कृत्रिम न्यूरल नेटवर्कचा(artificial neural network) शोध लावला. – 1965: मल्टीलेअर न्यूरल नेटवर्क्सची संकल्पना उदयास आली, ज्यामुळे अधिक जटिल शिक्षण मॉडेल्सचा(complex learning models) मार्ग मोकळा झाला. |
१९७० | AI चा काळ | संशोधन लक्षणीयरीत्या कमी झाले. |
१९८० | पुनर्शोध आणि पुनरुत्थान | बॅकप्रोपेगेशन अल्गोरिदमच्या(backpropagation algorithm) पुनर्शोधामुळे न्यूरल नेटवर्क्स आणि मशीन लर्निंग संशोधनात रस निर्माण होतो. |
१९९० | डेटा-मुळे झालेला बदल | ज्ञान-चालित दृष्टिकोनातून डेटा-चालित शिक्षणाकडे लक्ष केंद्रित केले गेले. सपोर्ट वेक्टर मशीन्स (SVM) आणि रिकरंट न्यूरल नेटवर्क्स (RNNs) यांनी लोकप्रियता मिळवली. |
२००० | अल्गोरिदममधील प्रगती | सपोर्ट वेक्टर क्लस्टरिंग(Support Vector Clustering) आणि इतर कर्नल पद्धती(kernel methods) मोठ्या प्रमाणावर वापरल्या गेल्या. पर्यवेक्षित नसलेल्या मशीन लर्निंग तंत्रामुळे कर्षण(traction)वाढले. |
२०१० | डीप लर्निंग क्रांती | संगणकीय शक्ती वाढल्यामुळे सखोल शिक्षणाची(Deep learning) तंत्रे व्यवहार्य बनली, ज्यामुळे संगणक दृष्टी, नैसर्गिक भाषा प्रक्रिया आणि इतर क्षेत्रांमध्ये लक्षणीय प्रगती झाली. मशीन लर्निंग (Machine Learning) अनेक सॉफ्टवेअर ऍप्लिकेशन्ससाठी अविभाज्य बनले. |
२०२० | जनरेटिव्ह एआय आणि व्यापक प्रभाव | जनरेटिव्ह मॉडेल्स(Generative models) प्रतिमा आणि मजकूर निर्मिती यासारख्या क्षेत्रांमध्ये ग्राउंडब्रेकिंग घडामोडीं ठरल्या. फाउंडेशन मॉडेल, ओपन-सोर्स तयार केले जातात, जे ChatGPT आणि स्थिर प्रसार(Stable Diffusion) सारखे अनुप्रयोग सक्षम करतात. मशीन लर्निंग आणि AI ने सार्वजनिक क्षेत्रात प्रवेश केला व त्यांच्या व्यावसायिक क्षमतेमुळे त्यांना लक्षणीय गुंतवणूक देखील पाहायला मिळाली. |
मशीन लर्निंग कसे कार्य करते?
कल्पना करा की तुम्ही एका सुपर स्मार्ट मित्राला विविध प्रकारचे पक्षी ओळखण्यासाठी प्रशिक्षण देत आहात. तुम्ही तुमच्या मित्राला पक्षी आणि इतर प्राण्यांच्या चित्रांचा एक समूह दाखवता,ज्यात रॉबिन्स(नारंगी रंगाचा पक्षी), कार्डिनल्स(लाल रंगाचा पक्षी) आणि ब्लू जेस(निळ्या रंगाचा पक्षी) असे विविध पक्षी आहेत. तुम्ही तुमच्या मित्राला दाखवलेल्या चित्रांचा हा ढीग मशीन लर्निंग वापरत असलेल्या डेटासारखा आहे.
हा डेटा पाहण्यासाठी मशीन लर्निंग अल्गोरिदम नावाच्या विशेष संगणक प्रोग्रामचा वापर करते. हे अल्गोरिदम तुमच्या मित्राच्या मेंदूसारखे आहेत, जे कबूतरांपासून रॉबिनला वेगळे करणारे नियम शोधण्याचा प्रयत्न करेल. अनेक उदाहरणे पाहून, अल्गोरिदम पॅटर्न ओळखण्यास प्रारंभ करेल. नंतर त्याच्या लक्षात येईल की रॉबिनच्या शरीराचा रंग लाल आहे , तर कबूतराचा अधिक राखाडी.
एकदा अल्गोरिदमने हे पॅटर्न जाणून घेतल्यानंतर, तो याआधी न पाहिलेल्या नवीन चित्रांमध्ये आधी दाखवलेला पक्षी ओळखण्याचा प्रयत्न करू शकतो. हा तोच पक्षी रॉबिन आहे का याचा अंदाज लावण्यासाठी जसा आपला मित्र त्याच्या अंगावर लाल रंग शोधण्याचा प्रयत्न करेल त्याचप्रमाणे मशीन लर्निंग अल्गोरिदमचा अंदाज बांधण्यासाठी शिकलेल्या पॅटर्नचा वापर करेल.
मशीन लर्निंगचे (Machine Learning) दोन मुख्य मार्ग आहेत:
- पर्यवेक्षित शिक्षण (Supervised learning): हे पक्षी ओळखण्याच्या उदाहरणासारखे आहे. तुम्ही अल्गोरिदमला पक्ष्यांच्या चित्रांसाठी “रॉबिन” किंवा “नॉट रॉबिन” सारख्या लेबलांसह डेटाचा एक समूह देता. अल्गोरिदम या लेबल केलेल्या डेटामधून पॅटर्न समजून घेतो आणि नंतर ते नमुने नवीन, लेबल नसलेल्या डेटावर लागू करण्याचा प्रयत्न करतो.
- पर्यवेक्षण न केलेले शिक्षण(Unsupervised learning): हे थोडे अवघड आहे. अशी कल्पना करा की तुम्ही तुमच्या मित्राला रॉबिन्स, कार्डिनल्स किंवा इतर काहीही न सांगता पक्ष्यांच्या चित्रांचा एक समूह द्या. पर्यवेक्षित नसलेले अल्गोरिदम ही चित्रे पाहतील आणि लपलेले नमुने स्वतः शोधण्याचा प्रयत्न करतील. व कदाचित रंग आणि आकाराच्या आधारावर चित्रांना गटांमध्ये विभक्त करतील.
मशीन लर्निंग (Machine Learning) हे एक शक्तिशाली साधन आहे ज्याचा वापर अनेक गोष्टींसाठी केला जाऊ शकतो, जसे की तुम्हाला आवडतील अशा चित्रपटांची शिफारस (Recommendations) करणे, फोटोंमधील चेहरे ओळखणे (Identifying faces) किंवा संगणक प्रोग्राम( Computer Coding) लिहिणे!
आजच्या जगात मशीन लर्निंग शिकणे का महत्त्वाचे आहे?
मशीन लर्निंग (Machine Learning) हे डिजिटल युगासाठी सुपर-पॉवर टूलबॉक्स सारखे आहे. हे महत्त्वाचे का आहे ते जाणून घेऊयात :
- प्रचंड डेटाचा वापर (Makes sense of massive data) : हे जग आपल्याला सोशल मीडिया पोस्टपासून, हवामान दर्शवण्यापर्यंत दररोज अनेक माहिती उपलब्ध करून देतो. मशीन लर्निंग या डेटाचे विश्लेषण करून मानवाकडून चुकू शकणारे त्या महितीमधील ट्रेंड शोधून काढते.याव्यतिरिक्त, मशीन लर्निंग मॅन्युअल कामे हाताळते जे मानवांसाठी मोठ्या प्रमाणावर हाताळणे खूप गुंतागुंतीचे असू शकते. जसे की डिजिटल गॅझेटद्वारे उत्पादित मोठ्या प्रमाणात डेटावर प्रक्रिया करणे, बँकिंग आणि रिटेलपासून ते आरोग्यसेवा आणि वैज्ञानिक संशोधनापर्यंतच्या उद्योगांमध्ये प्रचंड डेटा संचांमधून नमुने (Patterns) आणि अंतर्दृष्टी(Insights) काढणे माणसांसाठी अवघड असेल पण मशीन लर्निंग च्या मदतीने ते सहज सोपे होऊ शकते.Facebook, Google आणि Uber सारख्या आज जगातील बऱ्याच शीर्ष व्यवसायांनी मशीन लर्निंगला त्यांच्या व्यवसाय मॉडेलचा मुख्य घटक बनवले आहे.
- उत्तम अंदाज बांधणे (Gives Better predictions): (Machine Learning) सह, संगणकाला भविष्यातील घटनांचा अंदाज डेटावरून घेणे सोपे झाले आहे. हे शॉपिंग वेबसाइटवर तुम्हाला आवडू शकतील अशा उत्पादनांची शिफारस करणे(“YOU MIGHT ALSO LIKE Section”) असो किंवा हवामान अंदाजकर्त्यांनी वादळाचा अंदाज वर्तवणे असो या सगळ्यामध्ये Machine Learning च्या algorithm चा वापर खूप होतो.
- कार्ये स्वयंचलित करते (Automates tasks): लोकांसाठी कंटाळवाणे किंवा वेळ घेणारी कार्ये स्वयंचलित करू शकणे मशीन लर्निंग मुळे सहज शक्य झाले आहे. उदाहरणार्थ, जंक मेल sort करण्यासाठी (Machine Learning) द्वारा स्पॅम फिल्टरचा वापर केला जातो. जसे चॅटबॉट्स ज्या त्या कंपनीच्या वेबसाइटवर visitor च्या प्रश्नांची उत्तरे देतो.
“येथे मशीन लर्निंगचे काही रिअल-टाइम ऍप्लिकेशन्स आहेत”
- सोशल मीडिया फीड्स (Social media feeds): तुम्ही Instagram किंवा TikTok सारख्या सोशल मीडिया प्लॅटफॉर्मवर पाहत असलेल्या पोस्ट अनेकदा तुमच्या भूतकाळातील आवडी आणि सर्च लक्षात घेऊन फीड मध्ये दिसत असतात त्या (Machine Learning) अल्गोरिदममुळेच.
- संगीत आणि प्रवाह सेवा (Music and streaming services): तुम्हाला आवडतील अशा नवीन गाण्यांच्या किंवा शोच्या (Shows,Concerts) तुम्हाला कधी शिफारसी(recommendations) मिळाल्या आहेत का? त्या सूचना अनेकदा Machine Learning अल्गोरिदमद्वारे समर्थित केलेल्या असतात, ज्या तुमच्या आवडीच्या सवयींचे विश्लेषण करून तुमच्यापर्यंत पोहचवलेल्या असतात.
- सेल्फ-ड्रायव्हिंग कार (Self-driving cars): भविष्यातील स्वयंचलित वाहने त्यांच्या सभोवतालचे विश्लेषण करण्यासाठी त्याचबरोबर स्टीयरिंग किंवा ब्रेकिंग सारख्या गोष्टी समजण्यासाठी, रिअल-टाइममध्ये निर्णय घेण्यासाठी, Machine Learning अल्गोरिदम वापर करतील.
- मशीन लर्निंगच्या ज्ञानामुळे तुम्हाला हे तंत्रज्ञान कसे कार्य करते हे समजेल आणि कदाचित भविष्यात तुम्ही तुमचे स्वतःचे तंत्रज्ञान तयार करण्यासाठी सज्ज व्हाल! हे एक कौशल्य आहे जे आजच्या डेटा-चालित जगात अधिकाधिक महत्त्वाचे होत चालले आहे.
आर्टिफिशियल इंटेलिजन्स, मशीन लर्निंग, न्यूरल नेटवर्क, डीप लर्निंग यांच्यातील फरक
(Artificial Intelligence, Machine Learning, Neural Network, Deep Learning) यांच्यातील फरक : लोक बऱ्याचदा ह्या चार विषयांना घेऊन गोंधळलेले असतात , नक्की कोण कोणाशी संबंधित आणि वेगळे आहेत. चला तर मग सविस्तर जाणून घेऊ.
- कृत्रिम बुद्धिमत्ता (Artificial Intelligence)- ही सर्वात व्यापक (Broad) संकल्पना आहे. यात मशीन लर्निंग आणि इंटेलिजेंट मशीन्स (Intelligent Machines) यांसारख्या तंत्रांचा समावेश आहे.
- मशीन लर्निंग (Machine Learning)- हा आर्टिफिशियल इंटेलिजन्सचा उपसंच (Subset)आहे. एआय साध्य करण्यासाठी मशीन लर्निंग हा एक दृष्टीकोन (Approach) आहे, परंतु इतर दृष्टिकोन देखील आहेत.
- न्यूरल नेटवर्क (Neural Network)- हे मशीन लर्निंगचे उपसंच (Subset)आहेत. सर्व मशीन लर्निंग न्यूरल नेटवर्क वापरत नाही.
- डीप लर्निंगचा (Deep Learning)- डीप लर्निंगचा विचार मशीन लर्निंगचे उपक्षेत्र म्हणून केला जाऊ शकतो जो अनेक स्तरांसह जटिल (Complex) न्यूरल नेटवर्कचा वापर करतो.
कृत्रिम बुद्धिमत्ता (AI): ही सर्वात व्यापक(Broad) संकल्पना आहे. या परिस्थितीत, AI तुमच्या मित्राची तुमच्या फोटोंना समजून घेण्याची आणि त्यावर प्रतिक्रिया देण्याची एकूण क्षमता दर्शवते. एक AI model तुमचे फोटो पाहू शकतो आणि तुम्हाला सांगू शकतो की तुम्ही त्यात आहात की नाही ?, स्थान काय असू शकते ? आणि चित्रात आणखी कोण व्यक्ति आहेत ?
मशीन लर्निंग (ML): AI साध्य करण्यासाठी हा एक विशिष्ट दृष्टीकोन (Approach) आहे. येथे, तुमचा AI मॉडेल भूतकाळातील अनुभवांमधून शिकून मशीन लर्निंग अल्गोरिदम वापरून माहिती पुरवतो. (जसे की फोटोतील समुद्रकिनारे, पर्वत किंवा शहरांचे फोटो वेगवेगळे करणे). हे त्यांना तुमच्या फोटोंमधील नमुन्यावरून ओळखण्यास मदत होते आणि सामग्रीबद्दल शिक्षित अंदाज लावू देते.
न्यूरल नेटवर्क्स (NN): हा एक प्रकारचा आर्किटेक्चर (Architechture) आहे जो मशीन लर्निंगमध्ये वापरला जातो, मानवी मेंदूद्वारे प्रेरित होऊन ह्याची रचना तयार झाली आहे. कल्पना करा की तुमच्या मित्राचा मेंदू न्यूरल नेटवर्कप्रमाणे काम करतो. तो त्या फोटोमधून रंग, आकार इ. ची माहिती घेतो आणि एकमेकांशी जोडलेल्या स्तरांच्या पॅटर्न द्वारे त्यावर प्रक्रिया करतो ,ज्यामुळे त्याला प्रतिमेतील वस्तू आणि दृश्ये ओळखता येतात.
डीप लर्निंग (DL): हे मशीन लर्निंगचे एक उपक्षेत्र (sub-branch) आहे जे अनेक स्तरांसह जटिल (Complex) न्यूरल नेटवर्क वापरते. तुमच्या मित्राकडे परत जाणे, डीप लर्निंग मुळे तुमच्या फोटोंमधील अधिक कॉम्प्लेक्स माहितीवर प्रक्रिया केली जाते. सखोल शिकण्याच्या दृष्टीकोनातून, ते केवळ वस्तू ओळखत नाहीत तर त्यांच्यातील संबंध देखील ओळखते. उदाहरणार्थ, ते तुम्हाला सांगू शकतील की हे वाढदिवसाच्या पार्टीचे चित्र आहे कारण चित्रातील लोक पार्टीच्या टोप्या घालताना आणि केक धरलेले दिसतील् म्हणून !!
मुख्य शिकवण : ह्या चारही संकल्पना ह्याच फोटो च्या उदाहरणावरून समजून घेऊ. तुमचा मित्र (AI Model) तुमचे फोटो समजून घेईल , मशीन लर्निंग हा AI अवलंबीन्याचा एक मार्ग आहे (फोटो समजून घेण्याकरिताचे अल्गोरिदम तयार करेल ), न्यूरल नेटवर्क हे मशीन लर्निंग आर्किटेक्चरचा (Architechture) एक विशिष्ट प्रकार आहे (मेंदूच्या पेशीद्वारे प्रेरित जो त्यामधील संबंध समजून घेईल), आणि डीप लर्निंग हा न्यूरल नेटवर्क्सचा प्रगत प्रकार आहे (किचकट कार्यांसाठी जटिल(Complex level) स्तरावर वापरला जातो). जो डीप जाऊन तर्क लावेल आहे व फोटो बद्दल आणखी माहिती देईल.
निष्कर्ष | Conclusion
मशीन लर्निंग (Machine Learning) हे संगणकांसाठी महासत्तेसारखे आहे, जे त्यांना डेटामधून शिकण्याची आणि वाढत्या माहितीच्या प्रवाहात चांगले निर्णय घेण्यास मदत करते. जसजसे जग अधिकाधिक माहिती निर्माण करत आहे, तसतसे त्या डेटामध्ये लपलेली गुपिते उघडण्यासाठी मशीन लर्निंग अधिक महत्त्वाचे बनत जात आहे. सोशल मीडिया फीडमध्ये क्रांती घडवणे असो किंवा सेल्फ-ड्रायव्हिंग कारसाठी पाया घालणे असो, मशीन लर्निंग आपल्या सभोवतालचे जग बदलत आहे. मशिन लर्निंगबद्दल शिकल्याने तुम्हाला हे बदल समजण्यास मदत होतेच शिवाय तुम्हाला भविष्य घडवण्यासाठी नवनवीन पर्याय देखील उपलब्ध होतात.!