विविध प्रकारच्या विज्ञान संशोधन प्रक्रियेमध्ये कृत्रिम बुद्धिमत्ता निश्‍चितच वरदायी आणि वेगवान संशोधनासाठी उपयुक्त आहे. तथापि, त्याचा वापर तारतम्याने आणि विवेकाने करणे अगत्याचे आहे.
‘जो हुकूम मेरे आका’, असं म्हणत आपल्या इच्छांची पूर्तता करणारे सिरी, अलेक्सा यांच्यासारखे अभासी सहायक (virtual assistants) आपल्याशी संवाद साधणारे इतर चॅटबॉट, विचारलेल्या प्रश्नांना चुटकीसरशी उत्तरं देणारी ‘चॅटजीपीटी’सारखी प्रणाली, स्वयंचलित मोटारगाडीसारखी साधनं, या कोणे एकेकाळी परीकथेतील किंवा विज्ञानकथेतील अद्भुत कल्पना होत्या.
पण आज त्या केवळ कल्पना न राहता वास्तवाचा, आपल्या दैनंदिन जीवनाचा भाग बनत चालल्या आहेत. त्यामुळे यांसाठी आधारभूत असलेली आर्टिफिशियल इंटेलिजन्स (एआय) अर्थात ‘कृत्रिम बुद्धिमत्ता’ ही आजच्या प्रचंड वेगाने विकसित होत असलेल्या जगातील परवलीची संकल्पना झाली आहे.
कृत्रिम बुद्धिमत्ता म्हणजे मशीनद्वारे, विशेषतः संगणक प्रणालीद्वारे मानवी बुद्धिमत्ता प्रक्रियांचे simulation (अनुकरण) करणे. कृत्रिम बुद्धिमत्तेच्या विकसनासाठी मोठ्या प्रमाणात प्रशिक्षण डाटा उपलब्ध करून दिला जातो. यात दिलेल्या नमुन्यांचे विश्लेषण करून, त्यातील सहसंबंध अभ्यासून, लर्निंग (शिकणं), रिझनिंग (तर्क लढविणं) यांसारख्या कौशल्यांद्वारे कृत्रिम बुद्धिमत्तेचा विकास होतो.
‘मशीन लर्निंग सॉफ्टवेअर ॲप्लिकेशन्स’ उपलब्ध डाटाचा इनपुट म्हणून वापर करून भविष्यातील स्थितींबद्दल अंदाज व्यक्त करतात. डीप लर्निंग हा मशीन लर्निंगचा एक उपसंच मेंदूची रचना कशी आहे, याविषयीच्या आपल्या ज्ञानावर आधारित आहे.
डीप लर्निंगच्या अंतर्गत असलेलं प्रतिमा ओळखण्याचे साधन लाखो उदाहरणांचे पुनरावलोकन करून प्रतिमांमधील वस्तू ओळखायला, त्यांचे वर्णन करायला शिकू शकते. नवीन, वेगाने सुधारणारी जनरेटिव्ह कृत्रिम बुद्धिमत्ता तंत्रे वास्तववादी मजकूर, प्रतिमा, संगीत इत्यादींची निर्मिती करू शकतात.
अनेक क्षेत्रांतली परिमाणे बदलत असलेल्या या विज्ञानाधारित कृत्रिम बुद्धिमत्तेचा खुद्द विज्ञान क्षेत्रावर प्रभाव पडला नसता तरच नवल! खरं तर ‘विज्ञान क्षेत्रावर कृत्रिम बुद्धिमत्तेचा प्रभाव’ या विषयाचा आवाका खूपच मोठा आहे. परंतु लेखाची शब्दमर्यादा लक्षात घेता या लेखात त्यातील काही निवडक मुद्यांच्या अनुषंगाने जाणून घेऊ या.
संशोधनासाठी कृत्रिम बुद्धिमत्ता
पारंपरिक वैज्ञानिक पद्धतीनुसार आपण निरीक्षणांद्वारे निसर्गाबद्दल शिकत आलो आहोत. उदाहरणार्थ, जोहान्स केप्लरने टायको ब्राहेच्या ग्रहांच्या स्थानांच्या तक्त्यांचा अभ्यास करून ‘ग्रह लंबवर्तुळाकार कक्षेत फिरतात’ असे अनुमान काढले. त्यानंतर सिम्युलेशन (अनुकरण) या तंत्राचा वापर होऊ लागला. यात उपलब्ध डाटावर आधारित मॉडेल तयार केलं जातं आणि त्याबरहुकूम पुढील अंदाज व्यक्त केला जातो.
अंतरिक्षातील खगोलीय वस्तूंच्या आतापर्यंतच्या हालचालींवर आधारित मॉडेल बनवून भविष्यात त्यांची एकमेकांशी टक्कर कधी होईल, असा अंदाज लावणं अशा अनुकरणामुळे शक्य होतं. निरीक्षण आणि अनुकरण यांमुळे शास्त्रज्ञ गृहीतके निर्माण करू शकतात. ज्यांची नंतर पुढील निरीक्षणांसह चाचणी करता येते. कृत्रिम बुद्धिमत्तेअंतर्गत या दोन्हीच्या पुढे जाऊन ‘जनरेटिव्ह मॉडेलिंग’सारख्या मार्गाचं अनुसरण होऊ शकतं.
मोठ्या प्रमाणावर डाटावर प्रक्रिया करण्याची, तसेच त्याचं विश्लेषण करण्याची कृत्रिम बुद्धिमत्तेची क्षमता वैज्ञानिक संशोधनाच्या दृष्टीने अत्यंत मोलाची आहे. यामुळे नवीन औषध शोधांपासून ते हवामान मॉडेलिंगपर्यंत अनेक प्रकारचं संशोधन विस्तारण्यासाठी आणि गतिमान करण्यासाठी शक्तिशाली मशीन लर्निंग सिस्टिमचा अंतर्भाव केला जातो.
वैज्ञानिक चौकशीचा (scientific inquiry) भाग असलेली गृहीतक निर्मिती, डाटा विश्लेषण, सिम्युलेशन आणि चाचणी या पद्धतींवर एकत्रित कार्य करण्याची क्षमता अधिक असल्याने कृत्रिम बुद्धिमत्तेचा वापर गुंतागुंतीच्या वाटणाऱ्या वैज्ञानिक समस्यांचे निराकरण करण्यासाठी फायद्याचा ठरतो. विज्ञान संशोधनासाठी कृत्रिम बुद्धिमत्तेचा वापर करताना पुढील गोष्टी लक्षात घेणे गरजेचे आहे.
विज्ञान संशोधनात कृत्रिम बुद्धिमत्तेचा वापर करताना समोर असलेली आव्हाने :
१) सर्वसाधारण मजकूर आणि प्रतिमानिर्मितीसाठी आवश्यक डाटाशी तुलना केल्यास वैज्ञानिक संशोधनासाठी लागणाऱ्या प्रायोगिक किंवा निरीक्षणात्मक डाटाच्या बाबतीत अचूकता अतिशय मोलाची आहे. डाटाची गुणवत्ता महत्त्वाची असल्याने हा डाटा काळजीपूर्वक रचना केलेल्या प्रयोगांतून निष्पन्न झालेला असणं गरजेचं आहे. त्यामुळे अशा प्रकारच्या डाटाची उपलब्धता तुलनेने अवघड आणि महाग आहे.
२) हेही लक्षात घ्यायला हवं की, अनेक वैज्ञानिक नवकल्पना नमुनेदार डाटाऐवजी विसंगत (anomalous) डाटा समजून घेण्यावर अवलंबून असतात. कृत्रिम बुद्धिमत्तेसाठी उपलब्ध डाटा बऱ्याचदा नमुनेदार (typical) असण्याची जास्त शक्यता आहे.
३) विज्ञानात उपलब्ध डाटावर आधारित अंदाज बांधण्याइतकंच त्या डाटाच्या उगमासाठी कारणीभूत अंतर्निहित यंत्रणेची पाळंमुळं शोधणं, हेही महत्त्वाचं आहे. डाटाचे मॉडेल-फ्री पद्धतीने विश्लेषण केल्यास त्या अभ्यासाचे आउटपुट डाटाला सारांशित करेल; परंतु डाटाचा अर्थ लावणार नाही.
४) विज्ञानात कृत्रिम बुद्धिमत्ता तंत्र यशस्वीरित्या लागू करण्यासाठी संशोधन प्रश्नांना सर्वोत्तमरीत्या कसे मांडायचे याचा मूलगामी पुनर्विचार करणे आवश्यक आहे.
कामे सोपी अन् वेगवान
विज्ञान संशोधनात कृत्रिम बुद्धिमत्तेचाच वापर करण्याची उदाहरणे :
१) आकाशगंगा उत्क्रांत होत असताना होणाऱ्या भौतिक बदलांची तपासणी करण्यासाठी कृत्रिम बुद्धिमत्तेवर आधारित ‘जनरेटिव्ह मॉडेलिंग’चा वापर करण्यात येत आहे.
२) प्रथिनांच्या संरचनेचं निर्धारण करणं हे तांत्रिकदृष्ट्या किचकट काम मशीन लर्निंग पद्धती वापरून सुलभ होते.
३) सतत होणाऱ्या हवामान बदलांमुळे डाटावरून विश्वसनीय अंदाज लावणे आव्हानात्मक असते. त्यासाठी आता मशीन लर्निंगचा उपयोग केला जाऊ लागला आहे.
४) कृत्रिम बुद्धिमत्ता वापरून अंटार्क्टिक हिमखंडांचे ०.०१ सेकंदात नकाशा बनवले गेले. न्यूरल नेटवर्कवर आधारित ‘एआय’ प्रणालीने मानवापेक्षा दहा हजार पट अधिक वेगाने हे कार्य पूर्ण केले.
५) डीपस्क्रीन, डीपकेमसारख्या ‘एआय’ टूल्समुळे मोठ्या प्रमाणात उपलब्ध असलेल्या डाटाचे वेगाने विश्लेषण करणे, नवीन रेणूंची रचना करणे, संभाव्य औषधांच्या परिणामकारकतेचा अंदाज लावणे अशी कार्ये अधिक कार्यक्षमतेने करता येत आहेत.
६) खगोलशास्त्रासाठी ‘एआय’चा एक फायदा म्हणजे दुर्बिणी, उपग्रह आणि इतर उपकरणांमधून मोठ्या प्रमाणावर उपलब्ध झालेल्या डाटाचे द्रुत आणि अचूकपणे विश्लेषण करण्याची आणि त्यावर प्रक्रिया करण्याची क्षमता. यामुळे खगोलशास्त्रज्ञांचा बराच वेळ आणि मेहनत वाचते.
थोडक्यात, कृत्रिम बुद्धिमत्ता, शोध प्रक्रियेला गती देऊन विज्ञान संशोधन क्षेत्रावर आपला वैशिष्ट्यपूर्ण ठसा उमटवीत आहे. मशीन लर्निंग अल्गोरिदम, व्हर्च्युअल असिस्टंट आणि सिम्युलेशन यांसारख्या तंत्रांचे एकत्रीकरण जीनोमिक्स, औषधशोध आणि पदार्थविज्ञान यांसारख्या क्षेत्रात नवीन शक्यतांचा मार्ग मोकळा करत आहे. विज्ञान संशोधन क्षेत्रातील एरवी किचकट, वेळखाऊ, खूप मेहनतीची आवश्यकता असलेली कार्ये कृत्रिम बुद्धिमत्तेच्या वापरामुळे सुलभ होत आहेत.
दिवसेंदिवस विकसित होणाऱ्या कृत्रिम बुद्धिमत्तेत वैज्ञानिक संशोधनाचे भविष्य घडवण्याचं अफाट सामर्थ्य आहे. अर्थात, हे तंत्रज्ञान दुधारी शस्त्र असल्यामुळे त्याची निर्मिती, विकसन आणि वापर करताना कुठे थांबायचे ते कळणे, मानवाने या बाबतीत तारतम्य बाळगणे अत्यंत महत्त्वाचे आहे. हे न कळल्यास, मानवासाठी वरदायी ठरत असलेलं हे तंत्रज्ञान ‘स्वतःच्या हाताने स्वतःच्याच पायावर मारलेली कुऱ्हाड’ ठरेल.
(लेखिका प्राध्यापिका आहेत. कला व विज्ञान यांचा संगम साधून विज्ञानप्रसाराचं कार्यही करतात.)
सकाळ+ चे सदस्य व्हा
ब्रेक घ्या, डोकं चालवा, कोडे सोडवा!
शॉपिंगसाठी 'सकाळ प्राईम डील्स'च्या भन्नाट ऑफर्स पाहण्यासाठी क्लिक करा.
Read latest Marathi news, Watch Live Streaming on Esakal and Maharashtra News. Breaking news from India, Pune, Mumbai. Get the Politics, Entertainment, Sports, Lifestyle, Jobs, and Education updates. And Live taja batmya on Esakal Mobile App. Download the Esakal Marathi news Channel app for Android and IOS.