Theory
AI ની અંદરના શબ્દો
AI ની વાત કરો એટલે તરત જ machine learning, deep learning અને natural language processing સામે આવે છે. લોકો એમને એકબીજાની જગ્યાએ વાપરી નાખે છે, પણ એ દરેકનો ચોક્કસ અર્થ છે અને, સૌથી અગત્યનું, એ એકબીજાની અંદર અને AI ની અંદર ગોઠવાયેલા છે.
આ પાઠ એમને પાકા બાંધે છે અને એમનો સંબંધ દેખાડે છે. Machine learning તમે પહેલાં જોયું છે; અહીં એને deep learning તથા NLP ની સાથે AI ના મોટા ચિત્રમાં મૂકવામાં આવે છે. આ બધું એકબીજા સાથે કઈ રીતે બંધ બેસે છે એ સમજવું એ જ એવી સ્પષ્ટતા છે જે વાજતાં ગાજતાં શબ્દોના ધુમાડામાંથી બહાર કાઢે છે, જેથી દરેક શબ્દનો ખરેખર શું અર્થ થાય એ તમને ખબર હોય.
Theory
એ એકબીજામાં કઈ રીતે ગોઠવાય છે
એકબીજાની અંદર ગોઠવાયેલાં વર્તુળોનું ચિત્ર મનમાં લાવો.
સૌથી બહારનું વર્તુળ AI છે: એટલે કે machines બુદ્ધિપૂર્વકનાં કામ કરે એ આખું વિશાળ ક્ષેત્ર. એની અંદર machine learning (ML) છે: એટલે કે એવી AI systems જે ફક્ત હાથે લખેલા નિયમો પાળવાને બદલે data માંથી ભાત શીખે છે (જે તમે ભણ્યા છો). ML ની અંદર deep learning (DL) છે: એટલે કે machine learning નું એક શક્તિશાળી સ્વરૂપ જે ઘણાં સ્તરવાળાં કૃત્રિમ neural networks વાપરે છે ('deep' શબ્દનો અર્થ એ જ છે), અને આજની મોટા ભાગની મોટી સિદ્ધિઓ એના પર ચાલે છે.
એટલે AI ની અંદર ML અને ML ની અંદર DL. દરેક એની બહારના વર્તુળનો વધુ ચોક્કસ કિસ્સો છે. Deep learning એ machine learning છે, અને machine learning એ AI છે, પણ બધું AI machine learning નથી, અને બધું ML deep learning નથી.
Theory
NLP: ભાષા માટેનું AI
Natural language processing (NLP) જુદા જ પ્રકારનો વર્ગ છે: એ AI નું એવું ઉપયોગ ક્ષેત્ર છે જે માણસની ભાષા સાથે, એટલે કે લખાણ અને બોલી બંને સાથે, કામ કરે છે. એમાં ભાષાંતર, chatbots, voice assistants અને લાગણીનું વિશ્લેષણ આવે છે, એટલે કે એવું બધું જ્યાં machine એ ભાષા સમજવી કે રચવી પડે.
NLP એ ML અને DL ની જેમ એ જ ગોઠવણનો પેટા વર્ગ નથી; એ તો એમને વાપરતું ક્ષેત્ર છે: આજનું NLP ભાષા સાથે કામ કરવા માટે machine learning અને deep learning પર ઘણો આધાર રાખે છે. Smart farm પર આ બધું ભેગું થાય છે: ML data પરથી પાકના ઉતારાની આગાહી કરે છે, deep learning camera ની છબીઓમાં પાકનો રોગ ઓળખે છે, અને NLP ખેડૂતને બોલીને પ્રશ્ન પૂછવા અને જવાબ મેળવવા દે છે. જુદાં ઓજારો, પણ એક જ system.
Quiz
Machine learning (ML) અને deep learning (DL) વચ્ચે શો સંબંધ છે?
- એ બંને સાવ અસંબંધિત ક્ષેત્રો છે
- Deep learning એ machine learning નો પેટા વર્ગ છે (સ્તરવાળાં neural networks વાપરતું ML નું એક સ્વરૂપ); અને ML પોતે AI નો પેટા વર્ગ છે
- Machine learning એ deep learning નો પેટા વર્ગ છે
- Deep learning એ natural language processing નો પેટા વર્ગ છે
Show the answer
Deep learning એ machine learning નો પેટા વર્ગ છે (સ્તરવાળાં neural networks વાપરતું ML નું એક સ્વરૂપ); અને ML પોતે AI નો પેટા વર્ગ છે
Deep learning એ machine learning નો પેટા વર્ગ છે: એ ML નું એક ચોક્કસ અને શક્તિશાળી સ્વરૂપ છે જે ઘણાં સ્તરવાળાં કૃત્રિમ neural networks વાપરે છે. Machine learning પોતે AI નો પેટા વર્ગ છે. એટલે ગોઠવણ આ રીતે થાય: AI ની અંદર ML અને ML ની અંદર DL. વિકલ્પ A ખોટો છે: એ બંને ગાઢ રીતે સંબંધિત છે, કારણ કે DL એ ML નો જ એક પ્રકાર છે. વિકલ્પ C સંબંધ ઊંધો કરી નાખે છે: ML વિશાળ વર્ગ છે અને DL સાંકડો, ઊલટું નહીં. વિકલ્પ D ખોટો છે: deep learning એ ML નો પેટા વર્ગ છે, NLP નો નહીં; NLP તો ભાષાનું ઉપયોગ ક્ષેત્ર છે જે ML અને DL વાપરે છે. યાદ રાખો: પહેલાં AI, એની અંદર ML, અને ML ની અંદર DL; NLP એ ભાષા પર કેન્દ્રિત ક્ષેત્ર છે જે એમનો સહારો લે છે.
Think first
આ શબ્દોને છૂટા છૂટા વાજતાં ગાજતાં નામ ગણવાને બદલે એકબીજામાં ગોઠવાયેલા જોવાથી શો ફાયદો?
AI, ML, DL અને NLP ને દરેકને પોતાનો ફેશનેબલ શબ્દ ગણવા કરતાં ગોઠવાયેલાં વર્તુળો તરીકે જોવું વધુ ઉપયોગી કેમ છે? વિચારીને પછી tap કરો.
Show the answer
કારણ કે ગોઠવાયેલું ચિત્ર આ શબ્દો વચ્ચેના ખરા સંબંધો ખુલ્લા કરે છે, જે જાહેરાતોના ગૂંચવાડામાંથી બહાર કાઢે છે અને કોઈ AI system ખરેખર શું છે તથા એને શું જોઈએ છે એ સમજવામાં મદદ કરે છે.
જ્યારે આ શબ્દો એકબીજાની જગ્યાએ વપરાતા વાજતાં ગાજતાં નામ બની જાય છે, અને પ્રભાવ પાડવા માટે ગમે ત્યાં છાંટવામાં આવે છે, ત્યારે એમનો અર્થ ખોવાઈ જાય છે અને કોઈ product ખરેખર શું કરે છે એ કળી શકાતું નથી. ગોઠવાયેલું ચિત્ર એ ચોકસાઈ પાછી લાવે છે.
Deep learning એ machine learning નું ચોક્કસ સ્વરૂપ છે (જે ઘણાં સ્તરવાળાં neural networks વાપરે છે) એ જાણવાથી નક્કર વાત સમજાય છે: deep learning systems ને સામાન્ય રીતે ઘણો બધો data અને ઘણી computing શક્તિ જોઈએ છે, અને એ છબી તથા બોલી જેવાં સંવેદન સંબંધી કામોમાં ઉત્તમ છે. એટલે કોઈ કહે કે એમની system 'deep learning વાપરે છે', ત્યારે એની સંભવિત જરૂરિયાતો અને એની તાકાત તમને સમજાય છે.
ML એ AI નો પેટા વર્ગ છે એ જાણવાથી સમજાય છે કે બધું AI machine learning નથી (કેટલુંક AI નિયમો કે શોધ વાપરે છે), એટલે એકલા 'AI' શબ્દનો અર્થ એ નથી કે એ data માંથી શીખે જ છે.
NLP એ ML અને DL વાપરતું ઉપયોગ ક્ષેત્ર છે એ જાણવાથી સમજાય છે કે એ ભાષા સંબંધી કામો (ભાષાંતર, chatbots, બોલી) વિશે છે અને એ શીખવાની પદ્ધતિઓનો સહારો લે છે, એમની હરીફ કોઈ અલગ વસ્તુ નથી.
આ સ્પષ્ટતાનું વ્યવહારુ મૂલ્ય છે: એ તમને કોઈ સમસ્યા માટે યોગ્ય રસ્તો પસંદ કરવામાં મદદ કરે છે (આ કામ માટે deep learning જોઈએ કે સાદું ML ચાલી જશે?), system ને કેટલો data અને કેટલી computing જોઈશે એ સમજવામાં મદદ કરે છે, અને વેચનારના દાવા ચકાસવા દે છે, કારણ કે તમે પૂછી શકો કે એ ખરેખર આમાંનું શું વાપરે છે અને શા માટે.
એનાથી તમારું પોતાનું ભણતર પણ ગોઠવાય છે, કારણ કે ખ્યાલો ફેશનેબલ શબ્દોના વેરવિખેર ઢગલા તરીકે નહીં પણ એકબીજા પર ચણાયેલા દેખાય છે. એટલે ગોઠવાયેલું ચિત્ર ફક્ત સુઘડ નથી; એ AI સમજવા અને એની ભાષા ફક્ત બોલી જવા વચ્ચેનો ભેદ છે. સંબંધો જ અર્થ ખોલે છે, અને શબ્દોનો ધુમાડો બરાબર એ જ સંતાડે છે.
Summary
Key takeaways
- Machine learning, deep learning અને natural language processing એ AI ના મુખ્ય શબ્દો છે જે એકબીજાની અંદર અને AI ની અંદર ગોઠવાયેલા છે.
- AI એ વિશાળ ક્ષેત્ર છે; machine learning (ML) એ AI નો પેટા વર્ગ છે જે ફક્ત હાથે લખેલા નિયમોને બદલે data માંથી ભાત શીખે છે.
- Deep learning (DL) એ ML નો પેટા વર્ગ છે જે ઘણાં સ્તરવાળાં કૃત્રિમ neural networks વાપરે છે; આજની મોટી સિદ્ધિઓ એના પર ચાલે છે અને એને ઘણો data તથા ઘણી computing શક્તિ જોઈએ છે.
- એટલે ગોઠવણ આ છે: AI ની અંદર ML અને ML ની અંદર DL.
- Natural language processing (NLP) એ માણસની ભાષા (લખાણ અને બોલી) માટેનું AI નું ઉપયોગ ક્ષેત્ર છે: ભાષાંતર, chatbots, voice assistants; અને એ ML તથા DL વાપરે છે.
- Smart farm પર: ML ઉતારાની આગાહી કરે છે, deep learning છબીઓમાં પાકનો રોગ જુએ છે, અને NLP ખેડૂતને બોલીને પૂછવા દે છે.
- યાદ રાખવાની કડી: AI ની અંદર ML, ML ની અંદર DL; અને NLP એ ભાષાનું ક્ષેત્ર છે જે એમને વાપરે છે.