Pariganaka.com වෙත නැවතත් සාදරයෙන් පිළිගනිමු! අද වන විට මෝටර් රථ පදවාගෙන යාමට, වෛද්‍ය පරීක්ෂණ වාර්තා විශ්ලේෂණය කිරීමට සහ ගෝලීය වෙළඳපොළේ වෙනස්වීම් පුරෝකථනය කිරීමට පවා අපි කෘතිම බුද්ධිය (AI) කෙරෙහි විශ්වාසය තබමු. කෙසේ වෙතත්, වරින් වර අතිශය දියුණු AI පද්ධති පවා සිතාගැනීමටවත් නොහැකි තරම් මෝඩ වැරදි සිදු කරයි — උදාහරණයක් ලෙස පැවැත්මක් නැති නීතිමය නඩුවක් නොපවතින ලෙස මවාපෑම (hallucination) හෝ රථවාහන සංඥා පුවරුවක් වැරදි ලෙස හඳුනා ගැනීම පෙන්වා දිය හැක.

මෙය සිදුවන්නේ ඇයි? මෙයට පිළිතුර ඇත්තේ මෘදුකාංග දෝෂයක (bug) නෙවෙයි; එය ඇත්තේ එම ඇල්ගොරිතමයන් ගොඩනගා ඇති ගණිතමය පදනම තුළය. අද අපි AI අවිනිශ්චිතතාවයේ ගණිතය (Mathematics of AI Uncertainty) පිළිබඳවත්, යන්ත්‍රයකට “තමන් ගැන සැක කිරීමට” (doubt itself) ඉගැන්වීම නවීන පරිගණක විද්‍යාවේ ඇති අභියෝගාත්මකම කාර්යය වන්නේ ඇයිද යන්න පිළිබඳවත් ගැඹුරින් සොයා බලමු.

AI විපරීතය: ස්ථිර විශ්වාසයන් වෙනුවට සම්භාවිතාවන්ගෙන් සිතීම

මිනිසුන් ලෙස අපි බොහෝ විට ලෝකය දෙස බලන්නේ ස්ථිර කෝණයකිනි: එනම් යමක් සත්‍යයක් හෝ අසත්‍යයක් ලෙසයි. නමුත් AI ලෝකය දකින්නේ එම කෝණයෙන් නොවේ. AI පද්ධතියකට අනුව, මුළු ලෝකයම සම්භාවිතා න්‍යාය (Probability Theory) මත පදනම් වූ දැවැන්ත ගණිතමය රාමුවකි.

නියුරල් ජාලයක් (neural network) විසින් බල්ලෙකුගේ ඡායාරූපයක් දෙස බලන විට, එය බල්ලෙකු බව සෘජුවම “දන්නේ” නැත. ඒ වෙනුවට, එය ගණිතමය සම්භාවිතා ව්‍යාප්තියක් (probability distribution) ගණනය කරයි: මෙය බල්ලෙකු වීමට 85% ක සම්භාවිතාවක්, වෘකයෙකු වීමට 10% ක සම්භාවිතාවක් සහ පූසෙකු වීමට 5% ක සම්භාවිතාවක් ඇත. මේ සඳහා භාවිතා කරන මූලික ගණිතමය රාමුව වන්නේ බේසියානු අනුමානයයි (Bayesian Inference) (මෙය $P(A\vert{}B) = \frac{P(B\vert{}A)P(A)}{P(B)}$ ලෙස දැක්වෙන බේස්ගේ ප්‍රමේයය මත පදනම් වේ).

මෙමගින් නව සාක්ෂි ලැබෙන විට සිය සම්භාවිතා ගණනය කිරීම් යාවත්කාලීන කිරීමට AI එකට හැකියාව ලැබේ. කෙසේ වෙතත්, AI වෙතින් එක් ස්ථිර පිළිතුරක් ලබා ගැනීමට අප බලකරන විට, එය බොහෝ විට ඉහළම ප්‍රතිශතය පමණක් අපට පෙන්වා ඉතිරි ගණිතමය සැකය සඟවයි. මෙය පද්ධතිය තුළ සම්පූර්ණ ස්ථිරභාවයක් ඇති බවට පෙනෙන අතථ්‍ය අත්දැකීමක් නිර්මාණය කරයි.

AI අවිනිශ්චිතතාවයේ ප්‍රධාන වර්ග දෙක

AI සිදුකරන වැරදි ගණිතමය වශයෙන් නිරාකරණය කිරීම සඳහා, දත්ත විද්‍යාඥයින් අවිනිශ්චිතතාවය ප්‍රධාන කොටස් දෙකකට බෙදයි:

• ඇලෙයාටොරික් අවිනිශ්චිතතාවය (Aleatoric Uncertainty – දත්තවල ඇති අවිනිශ්චිතතාවය): මෙයින් නිරූපණය වන්නේ සැබෑ ලෝකයේ පවතින සහජ අහඹු බවයි (randomness). කාසියක් උඩ දැමීමක් හෝ අධික ශබ්දයක් ඇති ස්ථානයක පටිගත වූ හඬක් හඳුනා ගැනීමට AI එකක් උත්සාහ කිරීම මෙයට උදාහරණ වේ. AI එක කොතරම් බුද්ධිමත් වුවත්, දත්ත මගින් ලැබෙන තොරතුරු අපැහැදිලි හෝ අසම්පූර්ණ විය හැක. මෙම අවිනිශ්චිතතාවය සම්පූර්ණයෙන්ම නැති කළ නොහැකි අතර, ඇල්ගොරිතමය කළ යුත්තේ එයට හැඩගැසීමට ඉගෙන ගැනීමයි.
• එපිස්ටමික් අවිනිශ්චිතතාවය (Epistemic Uncertainty – ආකෘතියේ ඇති අවිනිශ්චිතතාවය): මෙය සිදු වන්නේ AI පද්ධතිය තවමත් ප්‍රමාණවත් තරම් කරුණු ඉගෙන ගෙන නොමැති විටය. ඔබ ස්වයංක්‍රීය මෝටර් රථයක AI එකක් අව් රශ්මිය සහිත මහාමාර්ගවල පමණක් ධාවනය කර පුහුණු කර, පසුව එය දැඩි වර්ෂාව සහිත පරිසරයකට මුදා හැරියහොත් එය අසාර්ථක වනු ඇත. එම නව පරිසරය වටහා ගැනීමට අවශ්‍ය ගණිතමය පරාමිතීන් (parameters) එහි නොමැත. ඇලෙයාටොරික් අවිනිශ්චිතතාවයට වඩා වෙනස්ව, AI එකට තව තවත් අදාළ දත්ත ලබා දී පුහුණු කිරීමෙන් එපිස්ටමික් අවිනිශ්චිතතාවය අඩු කරගත හැක.

“අධික විශ්වාසයකින් යුත්” AI හි ඇති අන්තරාය

කේම්බ්‍රිජ් සහ ඔස්ලෝ වැනි විශ්වවිද්‍යාලවල ගණිතඥයින් පෙන්වා දෙන පරිදි, නවීන Deep Learning පද්ධතිවල ඇති විශාලතම අඩුපාඩුව වන්නේ තමන්ගේම එපිස්ටමික් අවිනිශ්චිතතාවය ගණනය කිරීමට ඒවා අතිශයින් අසමත් වීමයි. කෙටියෙන් කිවහොත්, තමන් නොදන්නේ කුමක්ද යන්න AI එක තමන්ම දන්නේ නැත.

AI එකක් තමන්ගේ පුහුණු දත්තවල මීට පෙර කිසිදා දැක නැති අලුත්ම තත්ත්වයකට මුහුණ දෙන විට, ගණිතමය වශයෙන් “මම මේ ගැන දැඩි ලෙස අවිනිශ්චිතයි” කියා රතු කොඩියක් ඔසවනවා වෙනුවට, එය බොහෝ විට 99% ක විශ්වාසනීයත්වයක් තමන්ටම ලබා දෙමින් අන්ධ ලෙස අනුමාන කරයි. තාක්ෂණික ක්ෂේත්‍රය තුළ, මෙම ගණිතමය නොසැලකිලිමත්කම “AI Hallucinations” සඳහා ප්‍රධාන හේතුව වේ. AI එකක් ඔබට පවතින අධික විශ්වාසයෙන් යුතුව අසත්‍ය තොරතුරක් ලබා දෙන්නේ, එහි පදනම් වී ඇති සම්භාවිතා ගණිතයට තමන්ගේම අඥානකම මැන ගැනීමට නොහැකි වූ බැවිනි.

අනාගතය: “මම දන්නේ නැහැ” යැයි පැවැසිය හැකි AI ගොඩනැගීම

ස්වයංක්‍රීය ධාවන පද්ධති සහ රොබෝ වෛද්‍ය සැත්කම් වැනි අධික අවදානම් සහිත ක්ෂේත්‍ර සඳහා අපි AI යොදා ගන්නා බැවින්, තාක්ෂණික සමාගම් මෙම ගණිතමය පරස්පරතාව විසඳීමට දැඩි ලෙස උත්සාහ කරමින් සිටී.

මෙහි මීළඟ විශාල පිම්ම වන්නේ අවිනිශ්චිතතාවය ප්‍රමාණනය කිරීමයි (Uncertainty Quantification – UQ). Bayesian Neural Networks වැනි නව ගණිතමය රාමු නිර්මාණය කරනු ලබන්නේ හුදෙක් එක පිළිතුරක් ලබා දීමට පමණක් නොව, විනිවිද පෙනෙන “විශ්වාසනීය පරාසයක්” (confidence interval) ලබා දීමටයි. නුදුරු අනාගතයේ දී, මාර්ගයේ ඇති අපැහැදිලි වස්තුවක් කුමක්දැයි අන්ධ ලෙස අනුමාන කරනවා වෙනුවට, ස්වයංක්‍රීය පද්ධතියේ අභ්‍යන්තර ගණිතය මගින් එහි ඇති අවිනිශ්චිතතාවය හඳුනාගෙන, ආරක්ෂිතව පාලනය නැවත මානව රියදුරා වෙත පවරනු ඇත.

AI ගණිතයේ අවසාන ඉලක්කය වන්නේ යන්ත්‍ර වඩ වඩාත් බුද්ධිමත් කිරීම පමණක් නොවේ; තමන් ගැනම සැක කිරීමට තරම් ඒවා නුවණැති කිරීමයි.