 |
| ಟಿಪ್ಪಿಂಗ್ ಪಾಯಿಂಟ್‌ಗಳು ಸಂಭವಿಸುವ ಮೊದಲು AI ಊಹಿಸಬಹುದು |
ಅದನ್ನು ದಾಟಿದ ನಂತರ ಯಾರಾದರೂ ಟಿಪ್ಪಿಂಗ್ ಪಾಯಿಂಟ್ ಅನ್ನು ಗುರುತಿಸಬಹುದು. ನಿರ್ಣಾಯಕ ಸ್ಥಿತ್ಯಂತರಗಳು ಎಂದೂ ಕರೆಯಲ್ಪಡುವ ಇಂತಹ ಗಣಿತದ ಬಂಡೆಯ ಅಂಚುಗಳು ಹಣಕಾಸಿನ ಮಾರುಕಟ್ಟೆಗಳ ನಡವಳಿಕೆ ಮತ್ತು ರೋಗದ ಹರಡುವಿಕೆಯಿಂದ ಜಾತಿಗಳ ಅಳಿವಿನವರೆಗೆ ಎಲ್ಲವನ್ನೂ ಪ್ರಭಾವಿಸುತ್ತವೆ. 2007-09 ರ ಆರ್ಥಿಕ ಬಿಕ್ಕಟ್ಟನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಒಂದು ಎಂದು ವಿವರಿಸಲಾಗುತ್ತದೆ. ಕೋವಿಡ್-19 ಜಾಗತಿಕವಾಗಿ ಹರಡಿದ ಕ್ಷಣವೂ ಹಾಗೆಯೇ. ಆದ್ದರಿಂದ, ಅವು ಸಂಭವಿಸುವ ಮೊದಲು ಅವುಗಳನ್ನು ಗುರುತಿಸುವುದು ನಿಜವಾದ ಟ್ರಿಕ್ ಆಗಿದೆ. ಆದರೆ ಇದು ಹುಚ್ಚುತನದ ಕಷ್ಟ.
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI) ಸಹಾಯ ಮಾಡುತ್ತದೆ ಎಂದು ಚೀನಾದ ಕಂಪ್ಯೂಟರ್ ವಿಜ್ಞಾನಿಗಳು ಈಗ ತೋರಿಸಿದ್ದಾರೆ. ಫಿಸಿಕಲ್ ರಿವ್ಯೂ ಎಕ್ಸ್ ಜರ್ನಲ್‌ನಲ್ಲಿ ಪ್ರಕಟವಾದ ಅಧ್ಯಯನವೊಂದರಲ್ಲಿ, ಯಂತ್ರ-ಕಲಿಕೆಯ ಅಲ್ಗಾರಿದಮ್‌ಗಳ ಸಹಾಯದಿಂದ ಸಂಕೀರ್ಣ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ಟಿಪ್ಪಿಂಗ್ ಪಾಯಿಂಟ್‌ಗಳ ಆಕ್ರಮಣವನ್ನು ಸಂಶೋಧಕರು ನಿಖರವಾಗಿ ಊಹಿಸಿದ್ದಾರೆ. ಅದೇ ತಂತ್ರವು ನೈಜ-ಪ್ರಪಂಚದ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ, ಅವರು ಹೇಳುತ್ತಾರೆ, ಉದಾಹರಣೆಗೆ ಪ್ರವಾಹಗಳು ಮತ್ತು ವಿದ್ಯುತ್ ಕಡಿತವನ್ನು ಊಹಿಸುವುದು, ಬೆಲೆಬಾಳುವ ಸಮಯವನ್ನು ಖರೀದಿಸುವುದು.
ತಮ್ಮ ಲೆಕ್ಕಾಚಾರಗಳನ್ನು ಸರಳೀಕರಿಸಲು, ತಂಡವು ಅಂತಹ ಎಲ್ಲಾ ಸಮಸ್ಯೆಗಳನ್ನು ಸಂವಾದಿಸುವ ನೋಡ್‌ಗಳ ದೊಡ್ಡ ನೆಟ್‌ವರ್ಕ್‌ನಲ್ಲಿ ನಡೆಯುತ್ತಿರುವ ಸಮಸ್ಯೆಗಳಿಗೆ ಕಡಿಮೆಗೊಳಿಸಿತು, ದೊಡ್ಡ ವ್ಯವಸ್ಥೆಯೊಳಗಿನ ಪ್ರತ್ಯೇಕ ಅಂಶಗಳು ಅಥವಾ ಘಟಕಗಳು. ಹಣಕಾಸಿನ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ, ಉದಾಹರಣೆಗೆ, ಒಂದು ನೋಡ್ ಒಂದೇ ಕಂಪನಿಯನ್ನು ಪ್ರತಿನಿಧಿಸಬಹುದು ಮತ್ತು ಪರಿಸರ ವ್ಯವಸ್ಥೆಯಲ್ಲಿನ ನೋಡ್ ಒಂದು ಜಾತಿಯನ್ನು ಪ್ರತಿನಿಧಿಸಬಹುದು. ಅಂತಹ ವ್ಯವಸ್ಥೆಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಲು ತಂಡವು ಎರಡು ಕೃತಕ ನರ ಜಾಲಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಿತು. ವಿಭಿನ್ನ ನೋಡ್‌ಗಳ ನಡುವಿನ ಸಂಪರ್ಕಗಳನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡಲು ಮೊದಲನೆಯದನ್ನು ಹೊಂದುವಂತೆ ಮಾಡಲಾಗಿದೆ; ಇನ್ನೊಂದು, ಕಾಲಾನಂತರದಲ್ಲಿ ವೈಯಕ್ತಿಕ ನೋಡ್‌ಗಳು ಹೇಗೆ ಬದಲಾಗಿವೆ.
ಅವರ ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡಲು, ತಂಡಕ್ಕೆ ಸಾಕಷ್ಟು ಡೇಟಾ ಲಭ್ಯವಿರುವ ನಿರ್ಣಾಯಕ ಪರಿವರ್ತನೆಗಳ ಉದಾಹರಣೆಗಳ ಅಗತ್ಯವಿದೆ. ನೈಜ ಪ್ರಪಂಚದಲ್ಲಿ ಇವುಗಳನ್ನು ಕಂಡುಹಿಡಿಯುವುದು ಕಷ್ಟ, ಏಕೆಂದರೆ - ಕ್ಯೂ ವೃತ್ತಾಕಾರದ ತರ್ಕ - ಅವರು ಊಹಿಸಲು ತುಂಬಾ ಕಷ್ಟ. ಬದಲಾಗಿ, ಸಂಶೋಧಕರು ಸರಳೀಕೃತ ಸೈದ್ಧಾಂತಿಕ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ತಿರುಗಿದರು, ಇದರಲ್ಲಿ ಟಿಪ್ಪಿಂಗ್ ಪಾಯಿಂಟ್‌ಗಳು ಸಂಭವಿಸುತ್ತವೆ. ಸಿಂಕ್ರೊನೈಸ್ ಮಾಡಲಾದ ಆಸಿಲೇಟರ್‌ಗಳ ಕುರಮೊಟೊ ಮಾಡೆಲ್ ಎಂದು ಕರೆಯಲ್ಪಡುವ ಒಂದು, ಸಿಂಕ್ ಮಾಡದ ಲೋಲಕಗಳು ಒಟ್ಟಿಗೆ ಸ್ವಿಂಗ್ ಮಾಡಲು ಪ್ರಾರಂಭಿಸುವ ದೃಶ್ಯಗಳನ್ನು ನೋಡಿದ ಯಾರಿಗಾದರೂ ಪರಿಚಿತವಾಗಿದೆ. ಮತ್ತೊಂದು, ಕೊಯ್ಲು ಮಾಡಿದ ಬೆಳೆಗಳ ಕುಸಿತ ಅಥವಾ ಕೀಟಗಳ ಉಪಸ್ಥಿತಿಯಂತಹ ಹಠಾತ್ ಬದಲಾವಣೆಗಳನ್ನು ಅನುಕರಿಸಲು ವಿಜ್ಞಾನಿಗಳು ಬಳಸುವ ಮಾದರಿ ಪರಿಸರ ವ್ಯವಸ್ಥೆಯಾಗಿದೆ.
ಸಂಶೋಧಕರು ತಮ್ಮ ಅಲ್ಗಾರಿದಮ್‌ಗಳು ಈ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ನಿರ್ಣಾಯಕ ಪರಿವರ್ತನೆಗಳನ್ನು ಊಹಿಸಬಹುದು ಎಂದು ಸಂತೋಷಪಟ್ಟಾಗ, ಉಷ್ಣವಲಯದ ಕಾಡುಗಳು ಸವನ್ನಾಕ್ಕೆ ಹೇಗೆ ತಿರುಗುತ್ತವೆ ಎಂಬ ನೈಜ-ಪ್ರಪಂಚದ ಸಮಸ್ಯೆಗೆ ಅವರು ಅವುಗಳನ್ನು ಅನ್ವಯಿಸಿದರು. ಇದು ಭೂಮಿಯ ಮೇಲೆ ಹಲವು ಬಾರಿ ಸಂಭವಿಸಿದೆ, ಆದರೆ ರೂಪಾಂತರದ ವಿವರಗಳು ನಿಗೂಢವಾಗಿಯೇ ಉಳಿದಿವೆ. ಕಡಿಮೆ ಮಳೆಗೆ ಸಂಬಂಧಿಸಿದೆ, ಸಸ್ಯವರ್ಗದ ಪ್ರಕಾರದಲ್ಲಿನ ಈ ದೊಡ್ಡ-ಪ್ರಮಾಣದ ನೈಸರ್ಗಿಕ ಸ್ವಿಚ್ ಈ ಪ್ರದೇಶದಲ್ಲಿ ವಾಸಿಸುವ ಯಾವುದೇ ವನ್ಯಜೀವಿಗಳಿಗೆ ಮತ್ತು ಅದನ್ನು ಅವಲಂಬಿಸಿರುವ ಮನುಷ್ಯರಿಗೆ ಪ್ರಮುಖ ಪರಿಣಾಮಗಳನ್ನು ಬೀರುತ್ತದೆ.
ಸಂಶೋಧಕರು ಮರಗಳ ವ್ಯಾಪ್ತಿ ಮತ್ತು ಮಧ್ಯ ಆಫ್ರಿಕಾದಿಂದ ಸರಾಸರಿ ವಾರ್ಷಿಕ ಮಳೆಯ ದತ್ತಾಂಶದ 20 ವರ್ಷಗಳ ಉಪಗ್ರಹ ಚಿತ್ರಗಳನ್ನು ಹಿಡಿದಿದ್ದಾರೆ ಮತ್ತು ಮೂರು ವಿಭಿನ್ನ ಪ್ರದೇಶಗಳು ಉಷ್ಣವಲಯದ ಅರಣ್ಯದಿಂದ ಸವನ್ನಾಕ್ಕೆ ಪರಿವರ್ತನೆಯಾದ ಸಮಯವನ್ನು ಗುರುತಿಸಿದ್ದಾರೆ. ಈ ಎರಡು ಪ್ರದೇಶಗಳ ಡೇಟಾದ ಮೇಲೆ ತಮ್ಮ ಅಲ್ಗಾರಿದಮ್‌ಗೆ ತರಬೇತಿ ನೀಡುವುದರಿಂದ (ಒಂದು ಸಣ್ಣ ಪ್ರದೇಶದ ಭೂಮಿಗೆ ಪ್ರತಿ ನೋಡ್‌ನೊಂದಿಗೆ) ಮೂರನೆಯದರಲ್ಲಿ ಪರಿವರ್ತನೆಯ ಬಿಂದುವನ್ನು ಸರಿಯಾಗಿ ಊಹಿಸಲು ಸಾಧ್ಯವಾಗಬಹುದೇ ಎಂದು ಅವರು ನಂತರ ನೋಡಲು ಬಯಸಿದರು. ಇದು ಸಾಧ್ಯವಾಯಿತು.
ತಂಡವು ನಂತರ ಸವನ್ನಾಕ್ಕೆ ಸ್ಥಳಾಂತರಗೊಳ್ಳಲು ಕಾರಣವಾದ ಪರಿಸ್ಥಿತಿಗಳನ್ನು ಗುರುತಿಸಲು ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಕೇಳಿತು - ಅಥವಾ, ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ಮುಂಬರುವ ಹಂತದ ಪರಿವರ್ತನೆಯನ್ನು ಊಹಿಸಲು. ಉತ್ತರವು ನಿರೀಕ್ಷೆಯಂತೆ, ವಾರ್ಷಿಕ ಮಳೆಗೆ ಕಡಿಮೆಯಾಗಿದೆ. ಆದರೆ AI ಮುಂದೆ ಹೋಗಲು ಸಾಧ್ಯವಾಯಿತು. ವಾರ್ಷಿಕ ಮಳೆಯು 1,800mm ನಿಂದ 1,630mm ಗೆ ಇಳಿದಾಗ, ಸರಾಸರಿ ಮರದ ಹೊದಿಕೆಯು ಕೇವಲ 5% ರಷ್ಟು ಕಡಿಮೆಯಾಗಿದೆ ಎಂದು ಫಲಿತಾಂಶಗಳು ತೋರಿಸಿವೆ. ಆದರೆ ವಾರ್ಷಿಕ ಮಳೆಯು 1,630mm ನಿಂದ ಸುಮಾರು 1,620mm ಗೆ ಕಡಿಮೆಯಾದರೆ, ಸರಾಸರಿ ಮರದ ಹೊದಿಕೆಯು ಇದ್ದಕ್ಕಿದ್ದಂತೆ 30% ಕ್ಕಿಂತ ಹೆಚ್ಚು ಕುಸಿಯುತ್ತದೆ ಎಂದು ಅಲ್ಗಾರಿದಮ್ ಗುರುತಿಸಿದೆ.
ಇದು ಪಠ್ಯಪುಸ್ತಕದ ನಿರ್ಣಾಯಕ ಪರಿವರ್ತನೆಯಾಗಿದೆ. ಮತ್ತು ಕಚ್ಚಾ ಡೇಟಾದಿಂದ ಅದನ್ನು ಊಹಿಸುವ ಮೂಲಕ, ಸಂಶೋಧಕರು ಈ ಕ್ಷೇತ್ರದಲ್ಲಿ ಹೊಸ ನೆಲವನ್ನು ಮುರಿದಿದ್ದಾರೆ ಎಂದು ಹೇಳುತ್ತಾರೆ. ಹಿಂದಿನ ಕೆಲಸ, AI ನೆರವಿನೊಂದಿಗೆ ಅಥವಾ ಇಲ್ಲದೆಯೇ, ಚುಕ್ಕೆಗಳನ್ನು ಅಷ್ಟು ಚೆನ್ನಾಗಿ ಸಂಪರ್ಕಿಸಲು ಸಾಧ್ಯವಾಗಲಿಲ್ಲ.
ಅನೇಕ AI ಸಿಸ್ಟಮ್‌ಗಳಂತೆ, ಈ ಮುನ್ಸೂಚನೆಗಳನ್ನು ಮಾಡಲು ಯಾವ ನಿರ್ದಿಷ್ಟ ವೈಶಿಷ್ಟ್ಯಗಳು ಮತ್ತು ಮಾದರಿಗಳನ್ನು ಗುರುತಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಅಲ್ಗಾರಿದಮ್‌ಗೆ ಮಾತ್ರ ತಿಳಿದಿದೆ. ಪತ್ರಿಕೆಯ ಪ್ರಮುಖ ಲೇಖಕರಾದ ಶಾಂಘೈನ ಟೊಂಗ್ಜಿ ವಿಶ್ವವಿದ್ಯಾನಿಲಯದಲ್ಲಿ ಗ್ಯಾಂಗ್ ಯಾನ್ ಅವರ ತಂಡವು ಈಗ ನಿಖರವಾಗಿ ಏನೆಂದು ಕಂಡುಹಿಡಿಯಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದೆ ಎಂದು ಹೇಳುತ್ತಾರೆ. ಇದು ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಮತ್ತಷ್ಟು ಸುಧಾರಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ ಮತ್ತು ಸಾಂಕ್ರಾಮಿಕ ಏಕಾಏಕಿ ಮುಂದಿನ ಸ್ಟಾಕ್‌ಮಾರ್ಕೆಟ್ ಕುಸಿತದವರೆಗೆ ಎಲ್ಲದರ ಬಗ್ಗೆ ಉತ್ತಮ ಮುನ್ಸೂಚನೆಗಳನ್ನು ನೀಡುತ್ತದೆ. ಇದು ಎಷ್ಟು ಪ್ರಮುಖ ಕ್ಷಣವಾಗಿದೆ, ಆದರೂ ಊಹಿಸಲು ಕಷ್ಟವಾಗುತ್ತದೆ.
© 2024, The Economist Newspaper Ltd. ಎಲ್ಲಾ ಹಕ್ಕುಗಳನ್ನು ಕಾಯ್ದಿರಿಸಲಾಗಿದೆ.
ದಿ ಎಕನಾಮಿಸ್ಟ್‌ನಿಂದ, ಪರವಾನಗಿ ಅಡಿಯಲ್ಲಿ ಪ್ರಕಟಿಸಲಾಗಿದೆ. ಮೂಲ ವಿಷಯವನ್ನು www.economist.com ನಲ್ಲಿ ಕಾಣಬಹುದು
