நுண்ணறிவு பகுப்பாய்வு: AIயின் தர்க்கம்

செயற்கை நுண்ணறிவின் அடிப்படைக் கோட்பாடுகளை ஆராய்தல்

பகுதி 1: நுண்ணறிவு பற்றிய தர்க்கரீதியான விவாதம்: தத்துவார்த்த மற்றும் வரலாற்று கண்ணோட்டங்கள்

செயற்கை நுண்ணறிவின் (AI) "அடிப்படை தர்க்கம்" என்பது ஒரு தனித்துவமான, நிலையான கருத்து அல்ல. மாறாக, இது நுண்ணறிவை எவ்வாறு உருவாக்குவது என்பது பற்றிய பல தசாப்தங்களாக நீடித்த அறிவுசார் விவாதத்திலிருந்து உருவானது. AI ஐப் புரிந்துகொள்ள, ஒருவர் முதலில் அதன் அறிவுசார் தோற்றங்களை - இரண்டு முக்கிய தத்துவப் பள்ளிகளின் மோதல் மற்றும் இணைவு: குறியீட்டுவாதம் (Symbolicism) மற்றும் இணைப்புவாதம் (Connectionism) ஆகியவற்றை ஆராய வேண்டும். இந்த பள்ளிகள் நுண்ணறிவு பற்றிய முற்றிலும் மாறுபட்ட பார்வைகளை பிரதிநிதித்துவப்படுத்துகின்றன, மேலும் அவற்றின் ஏற்ற இறக்கமான அதிர்ஷ்டங்கள் முழு AI துறையின் வரலாற்றுப் பாதையையும் எதிர்கால திசையையும் வடிவமைத்துள்ளன.

1.1 இரண்டு சிந்தனைப் பள்ளிகள்

செயற்கை நுண்ணறிவின் கட்டுமான தர்க்கம் இரண்டு முக்கிய பாதைகளில் விரிகிறது: மேல்-கீழ் குறியீட்டு கையாளுதல் (top-down symbolic manipulation) மற்றும் கீழ்-மேல் உயிர் உந்துதல் கற்றல் (bottom-up bio-inspired learning).

குறியீட்டுவாதம் (மேல்-கீழ் தர்க்கம்)

குறியீட்டுவாதம், தர்க்கவாதம் அல்லது கணினி பள்ளி என்றும் அழைக்கப்படுகிறது, இது நுண்ணறிவின் சாராம்சம் தெளிவான, முறையான விதிகளின்படி சின்னங்களை கையாளுவதில் உள்ளது என்ற முக்கிய நம்பிக்கையை அடிப்படையாகக் கொண்டது. இது ஒரு "மேல்-கீழ்" அணுகுமுறை, மனித அறிவாற்றல் மற்றும் சிந்தனை செயல்முறைகளை குறியீட்டு செயல்பாடுகளாகச் சுருக்க முடியும் என்ற அனுமானத்துடன். இந்த பார்வையில், நுண்ணறிவு என்பது தர்க்கரீதியான பகுத்தறிவு செயல்முறையாக பார்க்கப்படுகிறது, மேலும் மனதை கட்டமைக்கப்பட்ட தரவுகளில் இயங்கும் ஒரு கணினி நிரலுக்கு ஒப்பிடலாம்.

இந்த பள்ளியின் மிகவும் வழக்கமான வெளிப்பாடு சாதனை அமைப்புகள் (Expert Systems) ஆகும். இந்த அமைப்புகள் 1970 கள் மற்றும் 1980 களில் அவற்றின் பொற்காலத்தை அனுபவித்தன, இது AI இன் முதல் பெரிய அளவிலான வணிக வெற்றியை குறிக்கிறது. மருத்துவ நோயறிதல் அல்லது இரசாயன பகுப்பாய்வு போன்ற குறிப்பிட்ட குறுகிய துறைகளில் மனித நிபுணர்களின் முடிவெடுக்கும் செயல்முறைகளை உருவகப்படுத்துவதை அவை நோக்கமாகக் கொண்டிருந்தன. நிபுணர் அமைப்புகளின் வெற்றி குறியீட்டுவாதத்தை அதன் உச்சத்திற்கு கொண்டு சென்றது, அந்த நேரத்தில் அது AI க்கு ஒத்ததாக இருந்தது.

இணைப்புவாதம் (கீழ்-மேல் தர்க்கம்)

குறியீட்டுவாதத்திற்கு மாறாக, இணைப்புவாதம், பயோனிக்ஸ் பள்ளி என்றும் அழைக்கப்படுகிறது, நுண்ணறிவு ஒரு வெளிப்படும் நிகழ்வு என்று வாதிடுகிறது. இது ஒரு மத்திய கட்டுப்படுத்தி அல்லது முன்னமைக்கப்பட்ட விதிகளால் ஆதிக்கம் செலுத்தப்படுவதில்லை, மாறாக ஒரு பெரிய எண்ணிக்கையிலான எளிய, ஒன்றோடொன்று இணைக்கப்பட்ட செயலாக்க அலகுகளுக்கு இடையிலான சிக்கலான தொடர்புகளிலிருந்து எழுகிறது (அதாவது, செயற்கை நரம்புகள்). இந்த "கீழ்-மேல்" தர்க்கம் மனித மூளையின் கட்டமைப்பால் ஈர்க்கப்பட்டுள்ளது, நுண்ணறிவு நிரல் செய்யப்படவில்லை, மாறாக தரவுகளிலிருந்து வடிவங்களை கற்றுக்கொள்வதன் மூலம் பெறப்படுகிறது என்று நம்புகிறது.

உலகளாவிய வெளிப்படையான விதிகள் தேவையில்லாமல், எளிய உள்ளூர் தொடர்புகளிலிருந்து சிக்கலான நடத்தைகள் எழக்கூடும் என்பது இணைப்புவாதத்தின் முக்கிய நம்பிக்கை. அதன் முக்கிய தொழில்நுட்ப உருவம் செயற்கை நரம்பியல் நெட்வொர்க்குகள் (ANNs) ஆகும். இந்த மாதிரிகள் பெரிய அளவிலான மாதிரி தரவுகளில் பயிற்சி அளிப்பதன் மூலமும், நரம்புகளுக்கு இடையிலான "எடைகளை" (அதாவது, இணைப்பு பலம்) தொடர்ந்து சரிசெய்வதன் மூலமும் உள்ளீடுகளுக்கும் வெளியீடுகளுக்கும் இடையிலான சிக்கலான உறவுகளைக் கற்றுக்கொள்கின்றன.

1.2 வரலாற்றின் ஊஞ்சல்: எழுச்சி, குளிர்காலம் மற்றும் புத்துயிர்

AI வளர்ச்சியின் வரலாறு நேரியல் முன்னேற்றம் அல்ல, மாறாக குறியீட்டுவாதம் மற்றும் இணைப்புவாதத்திற்கு இடையில் முன்னும் பின்னும் ஊசலாடும் ஊஞ்சலைப் போன்றது. ஒரு தத்துவார்த்த முன்னுதாரணத்தின் வெற்றி அல்லது தோல்வி அதன் யோசனைகளின் ஆழத்தை மட்டுமல்ல, அந்த நேரத்தின் தொழில்நுட்பம் மற்றும் பொருளாதார நிலைமைகளின் கட்டுப்பாடுகளையும் சார்ந்துள்ளது என்பதை இந்த செயல்முறை ஆழமாக வெளிப்படுத்துகிறது. AI இன் அடிப்படை தர்க்கம் வெற்றிடத்தில் உருவாகவில்லை, மேலும் அதன் வளர்ச்சிப் பாதை (1) முக்கிய தத்துவார்த்த சிந்தனை, (2) கிடைக்கக்கூடிய கணினி சக்தி மற்றும் (3) பொருளாதார சாத்தியக்கூறு ஆகியவற்றுக்கு இடையேயான சிக்கலான தொடர்புகளின் நேரடி விளைவாகும்.

ஆரம்பகால நன்மைகள் மற்றும் முதல் AI குளிர்காலம்

AI இன் ஆரம்ப நாட்களில், இணைப்புவாதம் பெரும் ஆற்றலைக் காட்டியது. இருப்பினும், 1969 ஆம் ஆண்டில், குறியீட்டுவாதத்தில் ஒரு முக்கிய நபராக இருந்த மார்வின் மின்ஸ்கி, பெர்செப்ட்ரான்கள் என்ற புத்தகத்தை வெளியிட்டார், இது வரலாற்றில் ஒரு முக்கிய திருப்புமுனையாக மாறியது. அக்கால எளிய ஒற்றை அடுக்கு நரம்பியல் நெட்வொர்க்குகள் (அதாவது, பெர்செப்ட்ரான்கள்) தர்க்கரீதியான "பிரத்தியேக அல்லது" (XOR) பிரச்சனை போன்ற மிக அடிப்படையான சில சிக்கல்களைத் தீர்க்க முடியாது என்பதை மின்ஸ்கி கணித ரீதியாக நிரூபித்தார். இந்த துல்லியமான கல்வி விமர்சனம், அந்த நேரத்தில் கணினி கணினி சக்தியின் பொதுவான பற்றாக்குறையுடன் இணைந்து, இணைப்புவாத ஆராய்ச்சியில் ஒரு பேரழிவு தரும் அடியை ஏற்படுத்தியது. ஆராய்ச்சி நிதி கடுமையாகக் குறைக்கப்பட்டது, மேலும் நரம்பியல் நெட்வொர்க் ஆராய்ச்சி ஒரு தசாப்தத்திற்கும் மேலாக நீடித்த தேக்க நிலைக்குள் நுழைந்தது, இது முதல் "AI குளிர்காலம்" என்று அழைக்கப்படுகிறது. இந்த காலகட்டத்தில், குறியீட்டுவாதத்தின் தர்க்கம் முற்றிலும் ஆதிக்கம் செலுத்தியது.

குறியீட்டுவாதத்தின் பொற்காலம் மற்றும் இரண்டாவது AI குளிர்காலம்

நிபுணர் அமைப்புகள் 1980 களில் செழித்து, குறியீட்டுவாதத்தை வணிக பயன்பாடுகளின் உச்சத்திற்கு கொண்டு சென்றன. இருப்பினும், அதன் வரம்புகள் படிப்படியாக வெளிப்பட்டன: நிபுணர் அமைப்புகளை உருவாக்குவது விலை உயர்ந்தது, அறிவுத் தளங்களைப் பராமரிப்பது கடினம், அவை தெளிவற்ற தகவல்களைக் கையாள முடியவில்லை, மேலும் புதிய அறிவை தானாகவே கற்கும் திறன் அவற்றுக்கு இல்லை. இறுதியாக, குறியீட்டு AI நிரல்களை இயக்க பிரத்யேகமாகப் பயன்படுத்தப்படும் "லிஸ்ப் இயந்திரங்களின்" வணிக தோல்வி (லிஸ்ப் மொழி போன்றவை) இந்த சகாப்தத்தின் முடிவைக் குறித்தது. வலுவான செயல்திறன் மற்றும் குறைந்த விலைகளுடன் கூடிய பொது-நோக்க கணினிகளின் (ஐபிஎம் பிசி போன்றவை) எழுச்சி இந்த பிரத்யேக வன்பொருள் சாதனங்களை போட்டியற்றதாக ஆக்கியது, பின்னர் AI களம் இரண்டாவது குளிர்காலத்திற்குள் நுழைந்தது. ஒரு தத்துவார்த்த தர்க்கம் தொடர்ந்து வளர்ச்சியடைய வேண்டுமானால், அதற்கு வலுவான மற்றும் பொருளாதார வன்பொருள் அடித்தளம் ஆதரவாக இருக்க வேண்டும் என்பதை இது மீண்டும் ஒருமுறை நிரூபிக்கிறது.

இணைப்புவாதத்தின் புத்துயிர்

இணைப்புவாதத்தின் புத்துயிர் தற்செயலானது அல்ல, ஆனால் மூன்று முக்கிய காரணிகளால் இயக்கப்பட்டது:

1. முறையீட்டு முன்னேற்றங்கள்: "குளிர்காலத்தில்", பின்னோக்கிப் பரவல் முறைகள் அறிமுகப்படுத்தப்பட்டது மற்றும் நீண்ட குறுகிய கால நினைவக நெட்வொர்க்குகள் (LSTMs) போன்ற மிகவும் சிக்கலான நெட்வொர்க் கட்டமைப்புகளின் கண்டுபிடிப்பு நரம்பியல் நெட்வொர்க்குகளின் பயனுள்ள பயிற்சிக்கு அல்காரிதம் அடித்தளத்தை அமைத்தது.

2. தரவு வெள்ளம்: இணையத்தின் புகழ் முன்னோடியில்லாத தரவுகளைக் கொண்டு வந்தது. பயிற்சிக்கு அதிக எண்ணிக்கையிலான மாதிரிகள் தேவைப்படும் நரம்பியல் நெட்வொர்க்குகளுக்கு இந்த தரவு போதுமான "ஊட்டச்சத்து" அளித்தது.

3. கணினி சக்தி புரட்சி: ஆரம்பத்தில் வீடியோ கேம்களுக்காக வடிவமைக்கப்பட்ட கிராபிக்ஸ் செயலிகள் (ஜி.பீ.யூ), நரம்பியல் நெட்வொர்க்குகளில் உள்ள முக்கிய அணி செயல்பாடுகளுக்கு ஏற்றவாறு ஒரு பெரிய இணையான கணினி கட்டமைப்பைக் கொண்டுள்ளது. GPU களின் வருகை தசாப்தங்களாக இணைப்புவாதத்தை பாதித்த கணினி சக்தி தடையை உடைத்தது, அதன் தத்துவார்த்த திறனை உண்மையிலேயே கட்டவிழ்த்து விட அனுமதித்தது.

இறுதியாக, அல்காரிதம்கள், தரவு மற்றும் கணினி சக்தி ஆகியவற்றின் ஒன்றிணைப்பு ஆழமான கற்றல் புரட்சியைத் தூண்டியது, இணைப்புவாதத்தின் தர்க்கத்தை இன்று AI துறையில் சர்ச்சை இல்லாத முக்கிய நீரோட்டமாக மாற்றுகிறது.

1.3 தத்துவார்த்த முட்டுக்கட்டை: புரிந்துகொள்ளுதல் & உருவகப்படுத்துதல்

இரண்டு முக்கிய பள்ளிகளுக்கிடையேயான வரலாற்று சர்ச்சை இறுதியில் இன்றுவரை தீர்க்கப்படாமல் இருக்கும் ஒரு ஆழமான தத்துவார்த்த கேள்விக்கு இட்டுச் செல்கிறது: புத்திசாலித்தனமான நடத்தையை முழுமையாக உருவகப்படுத்தும் திறன் கொண்ட ஒரு இயந்திரத்திற்கு உண்மையில் புரிந்துகொள்ளும் திறன் இருக்கிறதா?

ட்யூரிங் சோதனை

அலன் ட்யூரிங்கின் "ட்யூரிங் சோதனை" நுண்ணறிவுக்கு ஒரு செயல்பாட்டு, நடத்தை வரையறையை வழங்குகிறது. ஒரு இயந்திரம் ஒரு மனிதனுடன் உரையாட முடியுமா, மேலும் அது இயந்திரமா அல்லது நபரா என்று மனிதனால் சொல்ல முடியுமா என்பதைச் சோதனை உள்ளடக்கியுள்ளது; பின்னர் இயந்திரம் அறிவார்ந்ததாக கருதப்படலாம். ட்யூரிங் சோதனை "நுண்ணறிவு என்றால் என்ன" என்ற அத்தியாவசிய கேள்வியைத் தவிர்த்துவிட்டு "நுண்ணறிவு என்ன நடத்தையைக் காட்ட வேண்டும்" என்பதற்கு மாறுகிறது.

"சீன அறை" சிந்தனை பரிசோதனை

தத்துவஞானி ஜான் சர்லே 1980 இல் புகழ்பெற்ற "சீன அறை" சிந்தனை பரிசோதனையை முன்மொழிந்தார், இது குறியீட்டுவாதம் மற்றும் ட்யூரிங் சோதனை மீது கடுமையான தாக்குதலைத் தொடங்கியது. பரிசோதனை பின்வருமாறு கருதப்படுகிறது: சீனத்தைப் புரிந்து கொள்ளாத ஒருவர் அறையில் பூட்டப்படுகிறார், மேலும் அறையில் சீன செயலாக்க விதிகளின் விரிவான கையேடு உள்ளது (ஒரு நிரலுக்கு சமம்). அவர் சீன எழுத்துக்களில் எழுதப்பட்ட குறிப்புகளை (உள்ளீடு) ஒரு சாளரத்தின் மூலம் பெறுகிறார், பின்னர் அந்தந்த எழுத்துக்களைக் கண்டுபிடித்து இணைக்க விதி கையேட்டில் உள்ள அறிவுறுத்தல்களை கண்டிப்பாகப் பின்பற்றுகிறார், பின்னர் முடிவுகளை சாளரத்திலிருந்து வெளியே அனுப்புகிறார் (வெளியீடு). அறை ஒரு பூர்வீக சீன மொழி பேசுபவருடைய பதிலிலிருந்து எந்தவித வித்தியாசமும் இல்லாது இருப்பதால், அறையின் பதில் அறைக்கு வெளியே இருப்பவர்களுக்கு ட்யூரிங் தேர்வில் தேர்ச்சி பெறுகிறது.

இருப்பினும், அறையில் உள்ள நபர் ஆரம்பம் முதல் இறுதி வரை எந்த சீன எழுத்துக்களின் அர்த்தத்தையும் (சொற்பொருள்) புரிந்து கொள்ளவில்லை என்று சர்லே சுட்டிக்காட்டினார், மேலும் அவர் செய்ததெல்லாம் தூய குறியீட்டு கையாளுதல் (தொடரியல்) மட்டுமே. சின்னங்களை கையாளுவது எவ்வளவு சிக்கலானதாக இருந்தாலும் உண்மையான "புரிதலை" ஒருபோதும் உருவாக்க முடியாது என்று சர்லே முடிவு செய்தார். இந்த வாதம் "வலுவான AI" பார்வையை (“சரியாக நிரல் செய்யப்பட்ட கணினிக்கு ஒரு மனம் இருக்க முடியும்” என்ற நம்பிக்கை) சக்தி வாய்ந்ததாக சவால் செய்கிறது.

இன்று, பெரிய மொழி மாதிரிகளால் (LLMs) குறிப்பிடப்படும் நவீன AI ஐ ஒரு வகையில் "சீன அறையின்" சூப்பர்-மேம்படுத்தப்பட்ட பதிப்பாகக் காணலாம். அவர்கள் பெரிய அளவிலான எழுத்து தரவுகளில் புள்ளிவிவரரீதியாக பொருந்தும் வடிவங்களின் மூலம் புத்திசாலித்தனமான பதில்களை உருவாக்குகிறார்கள். அவர்கள் மொழியை உண்மையிலேயே "புரிந்துகொள்கிறார்களா" அல்லது சிக்கலான "தற்செயலான கிளிகள்" தானா என்பது பற்றிய விவாதம் நவீன காலங்களில் ட்யூரிங் வெர்சஸ் சர்லே விவாதத்தின் தொடர்ச்சியாகும்.

நீண்ட காலமாக, குறியீட்டுவாதம் மற்றும் இணைப்புவாதம் ஆகியவை ஒன்றுக்கொன்று பிரத்தியேகமான முன்னுதாரணங்களாக கருதப்பட்டன. இருப்பினும், வரலாற்றின் "போர்" ஒரு ஒருங்கிணைப்பின் வடிவத்தில் முடிவுக்கு வருகிறது. எதிர்காலத்தின் அடிப்படை தர்க்கம் ஏதோவொன்றை தேர்ந்தெடுப்பதில்லை, இரண்டுக்கும் இடையில் இணைத்து கொள்வதாகும். இந்த போக்கு நரம்பியல்-குறியீட்டு AI (Neuro-Symbolic AI) இன் எழுச்சியில் பிரதிபலிக்கப்படுகிறது. இந்த களம் நரம்பியல் நெட்வொர்க்குகளின் சக்திவாய்ந்த மாதிரி அங்கீகரிப்பு திறன்களை குறியீட்டு அமைப்புகளின் கடுமையான தர்க்கரீதியான பகுத்தறிவு திறன்களுடன் இணைப்பதை நோக்கமாகக் கொண்டுள்ளது, இது இரண்டும் கற்றுக்கொள்ளவும் பகுத்தறிவு செய்யவும் கூடிய மிகவும் சக்திவாய்ந்த அமைப்புகளை உருவாக்குவதை நோக்கமாகக் கொண்டுள்ளது. எடுத்துக்காட்டாக, நவீன AI முகவர்கள் அவற்றின் சொந்த திறன்களை மேம்படுத்த வெளிப்புற குறியீட்டு கருவிகளை (கணிப்பான்கள், தரவுத்தள வினவல்களைப் போன்றவை) அழைக்க முடியும், இது நரம்பியல் மாதிரிகள் மற்றும் குறியீட்டு கருவிகளின் நடைமுறை கலவையாகும்.

கூடுதலாக, நவீன பெரிய மொழி மாதிரிகளில் உள்ள “நிபுணர்களின் கலவை (MoE)“ கட்டமைப்பு குறியீட்டுவாதத்தின் நிபுணர் அமைப்புகளையும் கருத்தியலில் எதிரொலிக்கிறது. MoE மாதிரி பல சிறப்பு "நிபுணர்" துணை-நெட்வொர்க்குகள் மற்றும் ஒரு "கேட்டிங்" நெட்வொர்க்கைக் கொண்டுள்ளது, இது ஒவ்வொரு உள்ளீட்டையும் கையாள மிகவும் பொருத்தமான நிபுணரைத் தேர்ந்தெடுப்பதற்கு பொறுப்பாகும். இது செயல்பாட்டு ரீதியாக விதிகளின்படி குறிப்பிட்ட செயல்பாட்டு தொகுதிகளை அழைக்கும் ஒரு குறியீட்டு அமைப்பைப் போன்றது, ஆனால் அதன் செயல்படுத்தல் முற்றிலும் இணைப்புவாதியானது - எண்ட்-டு-எண்ட் கற்றல் மற்றும் வேறுபட்ட தேர்வுமுறை மூலம். AI இன் அடிப்படை தர்க்கம் எதிர்ப்பு நிலையில் இருந்து நிரப்பு நிலைக்கு நகர்ந்து, இணைவின் மூலம் முன்னெப்போதும் இல்லாத சக்திவாய்ந்த திறன்களை உருவாக்குகிறது என்பதைக் காட்டுகிறது.

அட்டவணை 1: அடிப்படை AI முன்னுதாரணங்களின் ஒப்பீடு: குறியீட்டுவாதம் வெர்சஸ் இணைப்புவாதம்

பகுதி 2: நவீன AI இன் உலகளாவிய மொழி: முக்கிய கணிதக் கொள்கைகள்

நவீன AI இன் மர்மத்தை வெளிக்கொணர, அதன் "அடிப்படை தர்க்கம்" மனித பொது அறிவு அல்லது பகுத்தறிவு அல்ல, ஆனால் ஒரு துல்லியமான மற்றும் உலகளாவிய கணித மொழி என்பதை உணர வேண்டும். குறிப்பாக, இணைப்புவாதம் ஆதிக்கம் செலுத்தும் AI என்பது அடிப்படையில் "தரவு, அல்காரிதம்கள் மற்றும் கணினி சக்தி" மூலம் இயக்கப்படும் பயன்பாட்டுக் கணிதமாகும். நுண்ணறிவின் உருவாக்கம், கற்றல் மற்றும் தேர்வுமுறை செயல்முறைகளை மூன்று கணிதத் தூண்களின் ஒருங்கிணைப்பாகப் பிரிக்கலாம்: நிகழ்தகவு புள்ளிவிவரங்கள், நேரியல் இயற்கணிதம் மற்றும் கால்குலஸ்.

2.1 AI இன் கணித இயல்பு

தற்போதைய செயற்கை நுண்ணறிவின் முக்கிய பணியை பொதுவாக இவ்வாறு விவரிக்கலாம்: உயர் பரிமாண, சிக்கலான சிக்கல் இடத்தில் ஏறக்குறைய உகந்த தீர்வை கண்டுபிடிப்பது. சாத்தியக்கூறுகள் அனைத்தையும் சோர்வாக முயற்சிப்பதன் மூலம் சிக்கல்களைத் தீர்ப்பதற்குப் பதிலாக, கணித முறைகளைப் பயன்படுத்தி போதுமான நல்ல தீர்வை இது கண்டறியும். கணிதம் AI க்கு முறையான மாடலிங் கருவிகளையும் அறிவியல் விளக்க மொழிகளையும் வழங்குகிறது, மேலும் AI அமைப்புகளை உருவாக்குதல், புரிந்துகொள்வது மற்றும் மேம்படுத்துவதற்கான மூலக்கல்லாகும்.

2.2 தூண் 1: நிகழ்தகவு மற்றும் புள்ளிவிவரங்கள் - நிச்சயமற்ற தன்மையின் தர்க்கம்

நிகழ்தகவு கோட்பாடு மற்றும் புள்ளிவிவரங்கள் AI க்கு நிச்சயமற்ற சூழல்களில் பகுத்தறிவதற்கான ஒரு தத்துவார்த்த கட்டமைப்பையும், தரவுகளிலிருந்து வடிவங்களை பிரித்தெடுப்பதையும் வழங்குகின்றன. AI மாதிரிகள் அடிப்படையில் தரவுகளின் அடிப்படையான விநியோகத்தை அறிந்து கணிப்புகள் மற்றும் முடிவுகளை எடுக்கும் நிகழ்தகவு அமைப்புகளாகும்.

இருப்பினும், பெரிய தரவுகளின் வருகை பாரம்பரிய புள்ளிவிவரங்களின் அடித்தளங்களுக்கு ஒரு கடுமையான சவாலை முன்வைக்கிறது. பெரிய எண்களின் சட்டம் மற்றும் மைய எல்லை தேற்றம் போன்ற பாரம்பரிய புள்ளிவிவரக் கோட்பாடுகள், மாதிரிகள் “தற்சார்புள்ள மற்றும் ஒரே மாதிரியாக விநியோகிக்கப்பட்டுள்ளன” (i.i.d.) மற்றும் மாதிரி அளவு n அம்சங்களின் எண்ணிக்கையை விட மிக அதிகமாக உள்ளது (p) என்ற அனுமானங்களின் அடிப்படையில் அமைந்தவை (p ≪ n).

ஆனால் பெரிய தரவுகளின் சகாப்தத்தில், இந்த அனுமானங்கள் பெரும்பாலும் உடைக்கப்படுகின்றன. எடுத்துக்காட்டாக, பட அங்கீகார பணிகளில், உயர்-தெளிவுத்திறன் படம் மில்லியன் கணக்கான பிக்சல்களைக் கொண்டிருக்கலாம் (அம்சங்கள் p), பயிற்சி தரவுத்தொகுப்பில் பல்லாயிரக்கணக்கான படங்கள் மட்டுமே இருக்கலாம் (மாதிரிகள் n), இது “p ≫ n“ என்ற “பரிமாணத்தின் சாபம்” சிக்கலுக்கு வழிவகுக்கிறது. இந்த வழக்கில், பாரம்பரிய புள்ளிவிவர முறைகளை செல்லாததாக்கும் “போலி-தொடர்புகளை” உருவாக்குவது எளிது.

ஆழமான கற்றலின் எழுச்சி, ஒரு அளவிற்கு, இந்த சவாலுக்கு ஒரு பதிலாகும். பாரம்பரிய புள்ளிவிவர அனுமானங்களை நம்பாமல் உயர் பரிமாண தரவுகளிலிருந்து பயனுள்ள அம்சப் பிரதிநிதித்துவங்களை தானாகவே கற்கும் ஒரு முறையை இது வழங்குகிறது. ஆயினும்கூட, இந்த புதிய தரவு முன்னுதாரணத்திற்கு ஒரு உறுதியான புள்ளிவிவர அடிப்படையை நிறுவுவது இன்னும் ஒரு பெரிய கணிதப் பிரச்சினை ஆகும், இது தற்போதைய AI ஆராய்ச்சியில் அவசரமாக தீர்க்கப்பட வேண்டும்.

2.3 தூண் 2: நேரியல் இயற்கணிதம் - பிரதிநிதித்துவத்தின் தர்க்கம்

நேரியல் இயற்கணிதம் என்பது AI உலகின் “உலகளாவிய மொழி” ஆகும், இது தரவு மற்றும் மாதிரிகளை பிரதிநிதித்துவப்படுத்துவதற்கான அடிப்படை கருவிகளை வழங்குகிறது. நரம்பியல் நெட்வொர்க்குகளில், உள்ளீடு (ஒரு படத்தின் பிக்சல்கள், உரையின் சொல் திசையன்கள் போன்றவை), மாதிரியின் அளவுருக்கள் (எடைகள்), அல்லது இறுதி வெளியீடு என எதுவாக இருந்தாலும், அவை அனைத்தும் ஒரு எண்ணியல் கட்டமைப்பாக வெளிப்படுத்தப்படுகின்றன: திசையன்கள், மெட்ரிக்ஸ்கள் அல்லது உயர் பரிமாண டென்சர்கள்.

ஒரு நரம்பியல் நெட்வொர்க்கில் உள்ள முக்கிய செயல்பாடு, அனைத்து உள்ளீடுகளையும் ஒரு நரம்பு எடைபோட்டு கூட்டுவது, அடிப்படையில் மெட்ரிக்ஸ்கள் மற்றும் திசையன்களின் பெருக்கலாகும். AI பயிற்சியை GPUs பெரிதும் துரிதப்படுத்த காரணம் என்னவென்றால், அவற்றின் வன்பொருள் கட்டமைப்பு இந்த பெரிய அளவிலான இணையான நேரியல் இயற்கணித செயல்பாடுகளை திறம்பட செயல்படுத்த பெரிதும் மேம்படுத்தப்பட்டுள்ளது.

2.4 தூண் 3: வகை நுண்கணிதம் மற்றும் தேர்வுமுறை - கற்றலின் தர்க்கம்

AI இன் கற்றல் செயல்முறை அடிப்படையில் ஒரு கணித தேர்வுமுறை பிரச்சனை. மாதிரியின் கணிப்புகளுக்கும் உண்மையான பதில்களுக்கும் இடையில் உள்ள வித்தியாசத்தை குறைக்கும் மாதிரி அளவுருக்களின் தொகுப்பைக் (எடுத்துக்காட்டாக, ஒரு நரம்பியல் நெட்வொர்க்கில் உள்ள எடைகள் மற்றும் பாரபட்சங்கள்) கண்டுபிடிப்பது குறிக்கோள். இந்த வேறுபாடு ஒரு இழப்பு செயல்பாட்டின் மூலம் அளவிடப்படுகிறது.

சாய்வு இறக்கம் (Gradient Descent): கற்றலின் இயந்திரம்

சாய்வு இறக்கம் என்பது இந்த இலக்கை அடைவதற்கான முக்கிய வழிமுறை மற்றும் இது கிட்டத்தட்ட அனைத்து நவீன AI மாதிரிகளின் கல்வியை இயக்கும் இயந்திரமாகும்.

• முக்கிய யோசனை: சாய்வு இறக்கம் என்பது ஒரு இழப்பு செயல்பாட்டின் குறைந்தபட்ச புள்ளியைக் கண்டுபிடிப்பதை நோக்கமாகக் கொண்ட ஒரு தொடர்ச்சியான தேர்வுமுறை வழிமுறை ஆகும். இந்த செயல்முறையை அடர்ந்த மூடுபனியில் ஒரு மலையை இறங்கும் ஒருவருடன் உருவகமாக ஒப்பிடலாம். பள்ளத்தாக்கின் தாழ்வான புள்ளி எங்கு இருக்கிறது என்று அவரால் பார்க்க முடியவில்லை, ஆனால் அவரது கால்களின் கீழ் உள்ள நிலத்தின் சரிவை அவர் உணர முடியும். தற்போதைய நிலையில் செங்குத்தான கீழ்நோக்கிய திசையில் ஒரு சிறிய படியை எடுப்பது மிகவும் பகுத்தறிவுள்ள உத்தி, பின்னர் இந்த செயல்முறையை மீண்டும் செய்யவும்.

• குறிப்பிட்ட செயல்முறை:

  1. ஆரம்பப்படுத்துதல்: முதலில், மாதிரி அளவுருக்களின் ஆரம்ப தொகுப்பை (எடைகள் மற்றும் பாரபட்சங்கள்) தோராயமாக அமைக்கவும்.

  2. இழப்பை கணக்கிடு: மாதிரி பயிற்சி தரவுகளில் கணிப்புகளைச் செய்ய தற்போதைய அளவுருக்களைப் பயன்படுத்தவும், மேலும் கணிப்புகளுக்கும் உண்மையான லேபிள்களுக்கும் இடையிலான மொத்த பிழையை (இழப்பு) கணக்கிடுங்கள்.

  3. சாய்வை கணக்கிடு: ஒவ்வொரு அளவுருவிற்கும் இழப்பு செயல்பாட்டின் சாய்வைக் கணக்கிட நுண்கணிதத்தில் பகுதி வழித்தோன்றல்களைப் பயன்படுத்தவும். சாய்வு என்பது இழப்பு செயல்பாட்டு மதிப்பில் வேகமாக அதிகரிப்பு திசையில் சுட்டிக்காட்டும் ஒரு திசையன் ஆகும்.

  4. புதுப்பி அளவுருக்கள்: ஒவ்வொரு அளவுருவையும் அதன் சாய்வின் எதிர் திசையில் ஒரு சிறிய படி நகர்த்தவும். இந்த படியின் அளவு கற்றல் விகிதம் எனப்படும் ஹைப்பர் அளவுருவால் கட்டுப்படுத்தப்படுகிறது (பொதுவாக η என குறிக்கப்படுகிறது). புதுப்பிப்பு சூத்திரம்: அளவுரு_{புதியது} = அளவுரு_{பழையது} − η × சாய்வு.

  5. மீண்டும் செய்யவும்: படிகள் 2 முதல் 4 வரை ஆயிரக்கணக்கான முறை தொடர்ந்து மீண்டும் செய்யவும். ஒவ்வொரு மறு செய்கையும் மாதிரி அளவுருக்களை நன்றாக மாற்றுகிறது, இதனால் இழப்பு மதிப்பு படிப்படியாக குறைகிறது. இழப்பு மதிப்பு கணிசமாகக் குறையாதபோது, ​​வழிமுறை ஒரு உள்ளூர் அல்லது உலகளாவிய குறைந்தபட்ச புள்ளியில் “ஒருங்கிணைக்கிறது”, கற்றல் செயல்முறை முடிவடைகிறது.

• அல்காரிதம் மாறுபாடுகள்: ஒவ்வொரு மறு செய்கையிலும் பயன்படுத்தப்படும் தரவின் அளவைப் பொறுத்து, தொகுதி ஜிடி, ஸ்டோகாஸ்டிக் ஜிடி (எஸ்ஜிடி) மற்றும் மினி-தொகுதி ஜிடி போன்ற சாய்வு இறக்கத்தின் பல மாறுபாடுகள் உள்ளன, அவை கணக்கீட்டு திறன் மற்றும் ஒருங்கிணைப்பு நிலைத்தன்மைக்கு இடையே வெவ்வேறு வர்த்தகங்களை வழங்குகின்றன.

கணிதம் என்பது அனைத்து நவீன AI முன்னுதாரணங்களையும் இணைக்கும் ஒருங்கிணைக்கும் மொழி. எளிய நேரியல் பின்னடைவாக இருந்தாலும், சிக்கலான ஆதரவு திசையன் இயந்திரங்களாக இருந்தாலும், அல்லது பெரிய ஆழமான நரம்பியல் நெட்வொர்க்குகளாக இருந்தாலும், அவற்றின் கற்றலின் கீழ் தர்க்கம் பொதுவானது: ஒரு மாதிரியை வரையறுக்கவும், ஒரு இழப்பு செயல்பாட்டை வரையறுக்கவும், பின்னர் ஒரு தேர்வுமுறை வழிமுறையைப் பயன்படுத்தவும் (சாய்வு இறக்கம் போன்றவை) இழப்பு செயல்பாட்டை குறைக்கும் அளவுருக்களைக் கண்டறியவும். “இழப்பு குறைப்பு” அடிப்படையிலான இந்த கணித கட்டமைப்புதான் இயந்திரங்கள் தரவுகளிலிருந்து கற்றுக்கொள்ளும் உண்மையான முக்கிய தர்க்கமாகும்.

AI இன் கணித தர்க்கம் நிரலாக்கத்தின் பாரம்பரிய தர்க்கத்திலிருந்து ஒரு அடிப்படை மாற்றத்தையும் குறிக்கிறது. பாரம்பரிய நிரலாக்கம் உறுதியானது மற்றும் துல்லியமானது. மறுபுறம், AI சாத்தியமானதும் தோராயமானதும் ஆகும். ஆராய்ச்சியில் காட்டப்பட்டுள்ளபடி, AI இன் குறிக்கோள் பொதுவாக நிரூபிக்கக்கூடிய சரியான தீர்வைப் கண்டுபிடிப்பதல்ல (இது பெரும்பாலும் சிக்கலான உண்மையான சிக்கல்களுக்கு சாத்தியமற்றது), ஆனால் “போதுமான அளவு நல்ல” தோராயமான தீர்வை கண்டுபிடிப்பதுதான். AI இன் “பிளாக் பாக்ஸ்” தன்மை இந்த மாற்றத்தின் நேரடி விளைவாகும். அதன் இழப்பு அல்லது துல்லியத்தை மதிப்பிடுவதன் மூலம் அது பயனுள்ளதா என்பதை நாம் அளவிட முடியும், ஆனால் பாரம்பரிய வழிமுறைகளுடன் நாம் செய்யக்கூடியது போல படிப்படியான தெளிவான தர்க்கத்துடன் அது எப்படி வேலை செய்கிறது என்பதை விளக்குவது கடினம். ஏனென்றால், AI இன் “தீர்வு” மனிதனால் படிக்கக்கூடிய விதிகளின் தொகுப்பு அல்ல, மாறாக மில்லியன் கணக்கான உகந்த எண்ணியல் அளவுருக்களால் குறியிடப்பட்ட ஒரு உயர் பரிமாண சிக்கலான செயல்பாடு ஆகும். அதன் உள்ளார்ந்த “தர்க்கம்” சொற்பொருள் விதிகளில் இல்லாமல், இழப்பு செயல்பாட்டால் உருவாக்கப்பட்ட பல பரிமாண வெளியில் உள்ள வடிவியல் உருவவியலில் உள்ளடங்கி இருக்கிறது.

பகுதி 3: கற்றல்முறைகள் - AI அறிவை எவ்வாறு பெறுகிறது

முக்கிய கணிதக் கொள்கைகளின் அடிப்படையில், AI மூன்று முதன்மை கற்றல் உத்திகளை அல்லது “கற்றல் முன்னுதாரணங்களை” உருவாக்கியுள்ளது. இந்த முன்னுதாரணங்கள், பயிற்சி செய்யும் போது AI அமைப்புக்கு கிடைக்கும் தரவு மற்றும் பின்னூட்டு சமிக்ஞைகளின் வகைகளின் அடிப்படையில் வகைப்படுத்தப்படுகின்றன, அதாவது: மேற்பார்வையிடப்பட்ட கற்றல், மேற்பார்வையற்ற கற்றல் மற்றும் வலுவூட்டல் கற்றல்.

3.1 மேற்பார்வையிடப்பட்ட கற்றல்: ஒரு வழிகாட்டியுடன் கற்றல்

மேற்பார்வையிடப்பட்ட கற்றல் என்பது பரவலாகப் பயன்படுத்தப்படும் இயந்திர கற்றல் முன்னுதாரணமாகும்.

• மைய தர்க்கம்: மாதிரி ஒரு குறிச்சொல்லிடப்பட்ட தரவுத்தொகுப்பிலிருந்து கற்றுக்கொள்கிறது. இந்த தரவுத்தொகுப்பில், ஒவ்வொரு உள்ளீட்டு மாதிரியும் சரியான வெளியீட்டு பதிலுடன் வெளிப்படையாக இணைக்கப்பட்டுள்ளது. இந்த செயல்முறை ஒரு மாணவர் நிலையான பதில்களுடன் கூடிய பயிற்சிகளின் தொகுப்புடன் ஒரு தேர்வுக்குத் தயாராவதைப் போன்றது.

• கற்றல் செயல்முறை: மாதிரி உள்ளீட்டு மாதிரிக்கான கணிப்பை உருவாக்குகிறது, பின்னர் கணிப்பை உண்மையான லேபிளுடன் ஒப்பிட்டு, பிழையை (இழப்பு) கணக்கிடுகிறது. பின்னர், இந்த பிழையை குறைக்க சாய்வு இறக்கம் போன்ற தேர்வுமுறை வழிமுறைகள் மாதிரியின் உள் அளவுருக்களை சரிசெய்ய பயன்படுத்தப்படுகின்றன.

• முக்கிய பணிகள் மற்றும் வழிமுறைகள்:

  • வகைப்படுத்துதல்: தனித்துவமான வகை லேபிளைக் கணிக்கவும். உதாரணமாக, ஒரு மின்னஞ்சல் “ஸ்பேம்” அல்லது “ஸ்பேம் இல்லை” என்று தீர்மானித்தல் அல்லது ஒரு படத்தில் உள்ள ஒரு விலங்கு “பூனை” அல்லது “நாய்” என்பதை அடையாளம் காணுதல். பொதுவான வழிமுறைகளில் லாஜிஸ்டிக் பின்னடைவு, முடிவு மரங்கள் மற்றும் ஆதரவு திசையன் இயந்திரங்கள் (SVM) ஆகியவை அடங்கும்.

  • பின்னடைவு: தொடர்ச்சியான எண்ணியல் மதிப்பை கணிக்கவும். உதாரணமாக, ஒரு வீட்டின் விலை அல்லது நாளைய வெப்பநிலையை கணிப்பது. பொதுவான வழிமுறைகளில் நேரியல் பின்னடைவு மற்றும் ரேண்டம் பாரஸ்ட்ஸ் ஆகியவை அடங்கும்.

• தரவு தேவைகள்: மேற்பார்வையிடப்பட்ட கற்றலின் வெற்றி அதிக அளவிலான உயர்தர, கைமுறையாக பெயரிடப்பட்ட தரவுகளை பெரிதும் நம்பியுள்ளது. இந்த பெயரிடப்பட்ட தரவைப் பெறுவது பொதுவாக விலை உயர்ந்தது மற்றும் நேரத்தை எடுத்துக்கொள்ளும், இது இந்த முறைக்கு ஒரு பெரிய தடையாக உள்ளது.

3.2 மேற்பார்வையற்ற கற்றல்: ஒரு வழிகாட்டி இல்லாமல் கற்றல்

மேற்பார்வையற்ற கற்றல் தரவின் உள்ளார்ந்த கட்டமைப்பை ஆராய்கிறது.

• மைய தர்க்கம்: மாதிரி பெயரிடப்படாத தரவைப் பெறுகிறது மற்றும் தரவில் மறைக்கப்பட்ட வடிவங்கள், கட்டமைப்புகள் அல்லது உறவுகளை சுயமாகக் கண்டறிய வேண்டும். இந்த செயல்முறை எந்த வழிகாட்டிகளுமின்றி, தெரியாத பழங்குடியினரை ஒரு மானுடவியலாளர் கவனிப்பதைப் போன்றது, மேலும் அவதானிப்பதன் மூலம் மட்டுமே வெவ்வேறு சமூகக் குழுக்கள் மற்றும் நடத்தை பழக்கவழக்கங்களை அடையாளம் காண முடியும்.

• முக்கிய பணிகள் மற்றும் வழிமுறைகள்:

  • குழுவாக்கம்: ஒத்த தரவு புள்ளிகளை ஒன்றாக குழுவாக்கவும். உதாரணமாக, வாங்கும் நடத்தையின் அடிப்படையில் வாடிக்கையாளர்களை வெவ்வேறு குழுக்களாகப் பிரித்தல். பொதுவான வழிமுறைகளில் கே-மீன்ஸ் மற்றும் காஸியன் கலவை மாதிரிகள் (GMM) ஆகியவை அடங்கும்.

  • சங்க விதி கற்றல்: தரவு உருப்படிகளுக்கு இடையே சுவாரஸ்யமான உறவுகளைக் கண்டறியவும். உதாரணமாக, சந்தை கூடை பகுப்பாய்வில் “ரொட்டி வாங்கும் வாடிக்கையாளர்கள் பால் வாங்குவதற்கான வாய்ப்புகள் அதிகம்” என்ற விதியை கண்டுபிடி.

  • பரிமாண குறைப்பு: தரவில் உள்ள பெரும்பாலான தகவல்களைப் பாதுகாக்கும் அதே வேளையில், தரவில் உள்ள மிக முக்கியமான அடிப்படை அம்சங்களை சரிசெய்வதன் மூலம் தரவை எளிதாக்குங்கள். உதாரணமாக, முக்கிய கூறு பகுப்பாய்வு (PCA).

• முக்கியத்துவம்: மேற்பார்வையிடப்படாத கற்றல் என்பது தரவு ஆய்வின் முக்கியமான பகுதியாகும், மேலும் இது நவீன பெரிய மொழி மாதிரிகளின் (LLMs) “முன் பயிற்சி” கட்டத்தின் மூலக்கல்லாகும், இது பெரிய அளவிலான பெயரிடப்படாத உரையில் இருந்து மொழியின் பொதுவான அறிவைக் கற்றுக்கொள்ள உதவுகிறது.

3.3 வலுவூட்டல் கற்றல்: முயற்சி மற்றும் பிழை மூலம் கற்றல்

வலுவூட்டல் கற்றல் என்பது நடத்தை உளவியலால் ஈர்க்கப்பட்டது மற்றும் சுற்றுச்சூழலுடன் தொடர்பு கொள்வதன் மூலம் கற்றல்க்கான ஒரு முன்னுதாரணமாகும்.

• மைய தர்க்கம்: ஒரு முகவர் ஒரு சுற்றுச்சூழலில் ஒரு நடவடிக்கை எடுக்கிறார் மற்றும் அதற்கு தொடர்புடைய பரிசு அல்லது தண்டனையைப் பின்னூட்டமாகப் பெறுகிறார். முகவரின் குறிக்கோள் ஒரு சிறந்த கொள்கையை கற்றுக்கொள்வது, அதாவது சுற்றுச்சூழலில் எந்தவிருக்கும் போது எந்த நடவடிக்கையை எடுக்கவேண்டும் என்பதைப்பற்றிச் சொல்லுகிறது.
• முக்கிய கருத்துக்கள்: சுற்றுச்சூழல்-முகவார் தொடர்பு, வெகுமதி செயல்முறை, கொள்ளுதல்.

துப்புரவாளருக்கு நல்லொழுக்கங்களும் அதிகத் தவறி இளைப்பது.

• முக்கிய அளவுருக்கள்: பரிசு செயல்பாடு, Q-சாஸ் மற்றும் சாய்வு வெட்டு.

துறை சார்ந்த துறை சார்ந்த பறைச் சுரப்பைப் புறப்படும் முறை புறப்படும் துறை. துறை சார்ந்த முறை துறைகளைச் சார்ந்துத் துறைகளைச் சார்ந்துத் துறைகளைப் புறப்படும் முறையில் பறை.

• **வாலிவிதி மற்ற்றும் வணிவிதி மார்லிவிதி மாற்றிடி மாற்றிவி மார்கோவிச் மாற்றி மார்க்கோவிச் மாற்றி விதிமுறைக் கழட்டி கழட்டுகளைக் கலகிக்கப் களுக்கிக் களுக்கிக் களுக்கிக் படுமிலைப் படுமிலை துணிச்சலை துணிச்சலையின் பயங்காரங்களின் பயங்காலங்களைப் பற்றிச் சொல்லப்பட்டதைப் படுசலாய் படுசலாய் பயங்காரம்.

• **நமக்கான்பட்டு நம்கான்டம்பட்டு நம்கான்பட்டும்பட்டு விம்மீட்டமைபட்டு விம்மூட்டனை விஸ்ரூடனையை விஸ்ரூடனை விம்ஸ்ரூடனமைத்தனம் விஸ்ரூடமைட்டனை நம்கானாகாணங்களை நம்கானாவகானங்கானைக் களுத்திக் கல்லுரத்திக் கல்லூத்துதிக் கழலியை கழலத்தை கழலத்தை மாற்றிவித்துக் கனவில் குதி கனவில் குதி கனைப்புக் குதி கணையத் திரணிக்கைக்கு கனத் திரமிக் கனதுரத்ன கனத்துரத்து கனத்தீர்தனை சுழிக்கும் பழுசலைக் குழப்பும்

• **வாணிபம் வாணிப்பம் வாணிப்பம்பம்பட்மை விஸ்ரூட விஸ்ரூடனைவிஸ்ரூட்கண விஸ்ரூடணிக்கணிகணிக்கண்ணனிக்கண்ணனிக்கண்ணனிக்கண்ணித் திருத்தும் வித்துருக் கட்டு வித்துருக் கட்டளை வித்துருக்குருக்காது விஸ்லுத்துக்கூறுதிக் கழல் பழுசுக்குதுக் குழல் பழுசத்துக் குழிக்கும் பழுசலைக் குழப்பும் குழறுபடிகாரன் குழித்துமிக் குழப்புறன் குறூடிப் படைச்சுக் கொடுக்க

• **வளியியக்கத்திலில் வழியோட்டத்திலில்வழியோடி யவளியிலை உழலும் விடிவிழி உழுதழும் உழுவிதழ்களில் நழுவும் உழுவிதைக் கவிகள் விம்மீட்டுனாய் விம்மூட்டுனாய் விஸ்லீட்டுனாய் கடலில் நஞ்சினை கடலில்நஞ்சினை காணா காணாங்காணும் காணிங் கணிக்கவடியுனாய் கணிக்கிவாழி கணக்கனயனாய் கடலோவியம்

• **வலியறிவியலின் வலியூடும் வலிவழிப் புலம்பல்வழி வலிவாய்உடைத்துகவலறிவறையும் வலியூறினாய் உழலும் குவலையும் விஸ்லிம் விஸ்லிரயயஉவித்த கவலையாயே உகத்தீதேஉஉரொலிகவி உரையோடுஉஉரியதிதுணைக் காணீர் காணீருக்கடற் கருணை கருணைகருணையூட்டகளி

• **பரிமாணத்தின் உதிக்கணக்குகள் மற்றும் உதிக்கணுக்குகள் ஒத்திசைக்கும் உணர்வாகி உதிக்கணக்கு உதிக்கனைத் தோணிக்கைதோன்றிய உணர்வினாய் ஒருவாறும் கருணை கருணை கருணையூட்டகளி.

• **வாலிவிதிமத்தின் அசைவும் திசைவும் ஒத்திசைக்கும் உணர்வாகிச் செயல்திறனானச் செயல்திறன்குள் ஓத்திவைகுள் உய்யவா உற்ற வாழு வாழி வாங்குதக்கனாய் காணீர் காணீருக்கடர் வாக்கில் வாக்கிடும் வாக்கில்உழக்கி கருணை கூழ்க்கிவக்கு

• **நமக்கான்பட்டு நம்கான்டம்பட்டு நம்கான்பட்டும்பட்டு விம்மீட்டமைபட்டு விம்மூட்டனை விஸ்ரூடனையை விஸ்ரூடனை விம்ஸ்ரூடனமைத்தனம் விஸ்ரூடமைட்டனை நம்கானாகாணங்களை நம்கானாவகானங்கானைக் களுத்திக் கல்லுரத்திக் கல்லூத்துதிக் கழலியை கழலத்தை கழலத்தை விஸ்லில் ஒட்டினை உனுககினைகள் கண்ணனைகன்னிநூலினி கலித்து

• **விலைவிலைப்பு விலையுண்டிக் கலையுதுணிவறச் செயல்திறவாள் விலையில் காப்போம் காப்பற்றி காப்பற்றி காப்பனூரூட்ட காப்றாழகாப்பற்றிய கருனைகாபனையே தணியிழுத்தீந்தேம் தண்யும் கருனைகாபனேயே

கவனம்: பரிதானப் பலன்கள், மாற்றுவழிச் சுழல்கள் துணிபரிமாணம்.

வாழ்க்கைச் சூழலில் அனுபவம் வழிகாட்டலில் பலவகை துணிசல்களும் உவப்பின் கூகைகளும் உண்டாக்குதற்கு வழிமுறையே 강화க்கற்றல்.

அறிவறிவுசார் அறிவுக்குறிப்புகளைக் கையாளுவதற்கான வழிக்காட்டல்கள்

1. அதிகளவு தரவு கொண்டுள்ளதும் தெளிவானப் பலன்களைத் துணிவதற்கு உபகரிக்கும் கற்கள்.
2. வகைப்படுத்துதல் வகைப்பிடுதல், துப்பு துரை து