സ്കൂളുകളിൽ നിർമിതബുദ്ധി പഠിപ്പിക്കുമ്പോൾ

---

നിർമിതബുദ്ധി (Artificial Intelligence) വാർത്തകളിൽ നിറഞ്ഞു നിൽക്കുകയാണല്ലോ. വിദ്യാഭ്യാസത്തിൽ അതിന്റെ സ്ഥാനം എവിടെയായിരിക്കണം എന്നത് സ്വാഭാവികമായ ഒരു ചോദ്യമാണ്. സ്കൂൾ കരിക്കുലത്തിൽ നിർമിതബുദ്ധി ഉൾചേർക്കുമ്പോൾ പരിഗണിക്കേണ്ട ചില ആശങ്കകൾ,  നിർദേശങ്ങൾ, നല്ല രീതികൾ തുടങ്ങിയവ ഇവിടെ പങ്കുവെയ്ക്കുന്നു. ഇതിനു സഹായകരമായ ചില ടൂളുകളും പഠനസാമഗ്രികളും റഫറൻസുകളും ഇതിന്റെ കൂടെ ചേർത്തിട്ടുമുണ്ട്. 

സ്കൂൾ വിദ്യാഭ്യാസത്തിൽ നിർമിതബുദ്ധിയുടെ പ്രാധാന്യം

എന്തു കൊണ്ടാണ് അടുത്ത കാലത്ത് സ്കൂൾ വിദ്യാഭ്യാസത്തിൽ നിർമിതബുദ്ധിയുടെ സ്ഥാനത്തെ സംബന്ധിച്ച് വലിയ താത്പര്യം ഉണ്ടായിരിക്കുന്നത്? പുത്തൻ ഉപയോഗങ്ങളിലൂടെ, സാദ്ധ്യതകളിലൂടെ, അതുവഴി ഉയരുന്ന നൈതികപ്രശ്നങ്ങളിലൂടെ നിർമിതബുദ്ധി നമ്മുടെ സമൂഹവുമായി ആഴത്തിൽ സ്ഥാനം പിടിച്ചിരിക്കുന്നു. ഇൻ്റർനെറ്റിൽ ഉത്പന്നങ്ങൾ തിരഞ്ഞെടുക്കുന്നതിൽ, ടൈപ്പുചെയ്യുമ്പോൾ അടുത്ത വാക്കുകൾ പ്രവചിക്കുന്നതിൽ, മുഖങ്ങൾ തിരിച്ചറിയുന്നതിൽ, അങ്ങനെ പലതിലും നമ്മുടെ വിദ്യാർത്ഥികൾ അറിഞ്ഞും അറിയാതെയും നിർമിതബുദ്ധിയെ ഉപയോഗിച്ചു കൊണ്ടേയിരിക്കുന്നു. ഡിജിറ്റൽ ലോകത്തെ അറിയാനും ശരിയായ തീരുമാനങ്ങളെടുക്കാനും അവർക്ക് നിർമിതബുദ്ധിയെ അറിഞ്ഞേ മതിയാകൂ. സാങ്കേതികവിദ്യയെ ഉപയോഗിക്കുമ്പോൾ തന്നെ അവയെ വിമർശന ബുദ്ധിയോടെ കാണുകയും വേണം. 

നിർമിതബുദ്ധിയെ സംബന്ധിച്ച് തെറ്റിദ്ധാരണകൾ ധാരാളം വളരുന്നുണ്ട്. ഉദാഹരണമായി ഒരു നിർമിതബുദ്ധിസൂത്രം ഉപയോഗിച്ച് ഒരു പുസ്തകത്തിലുള്ളതു മുഴുവൻ ചുരുക്കിയെടുത്ത് ഒരു മണിക്കൂർ കൊണ്ട് ഒരു വിഷയം പഠിച്ചുകളയാം എന്ന് വിദ്യാർത്ഥികൾ വിശ്വസിച്ചേക്കാം. ഉത്തരങ്ങൾക്കായി അവർ AI ചാറ്റ്ബോട്ടുകളെ അമിതമായി ആശ്രയിക്കുന്ന രീതി കാണുന്നു. സെർച്ച് എഞ്ചിനുകൾ ചാറ്റ് ബോട്ടുകളായി മാറുന്ന പ്രവണതയും ഉണ്ട്. അറിവിന്റെ നിർവചനം തന്നെ മാറിമറയുന്നു.¹

വിദ്യാർത്ഥികൾക്ക് സ്വന്തമായി നിർമിതബുദ്ധി ആപ്പുകൾ സൃഷ്ടിച്ചു കൊണ്ട് പ്രോഗ്രാമിംഗ് പഠിക്കാനും ആസ്വദിക്കാനുമുള്ള അവസരങ്ങൾ ഇപ്പോൾ സുലഭമാണ്.  

_________________________________

ഞാൻ ഇതിനു മുമ്പെഴുതിയ ‘Concerns on using AI in classrooms‘ എന്ന ലേഖനത്തിൽ ക്ലാസ് മുറികളിൽ നിർമിതബുദ്ധി ടൂളുകൾ ഉപയോഗിക്കുന്നതിനുമുമ്പ് പരിഗണിക്കേണ്ട തത്വങ്ങൾ സൂചിപ്പിച്ചിരുന്നു. ഇവിടെ വിദ്യാർത്ഥികളെ നിർമിതബുദ്ധിയെ സംബന്ധിച്ച് പഠിപ്പിക്കുന്നതിനെക്കുറിച്ചാണ് ചർച്ച ചെയ്യുന്നത്. 

_______________________________________

നിർമിതബുദ്ധിയും മെഷീൻ ലേണിംഗും: കുറച്ചു ചരിത്രം

വിദ്യാർത്ഥികൾ പൊതുവേ നിർമിതബുദ്ധി (Artificial Intelligence), മെഷീൻ ലേണിംഗ് എന്നീ വാക്കുകൾ ഏതാണ്ടൊരേ അർത്ഥത്തിൽ കേൾക്കാറുണ്ട്. ഇക്കാലത്ത് നിർമിതബുദ്ധിയാണ് കൂടുതൽ കേൾക്കുന്നത്. യഥാർത്ഥത്തിൽ ഇവ തമ്മിൽ വ്യത്യാസമുണ്ട്. അത് തിരിച്ചറിയണം. 

കമ്പ്യൂട്ടർ സയൻസിനോളം തന്നെ പഴക്കമുള്ള അതിന്റെ തന്നെ ഭാഗമായ ഒരു മേഖലയാണ് നിർമിതബുദ്ധി അഥവാ ആർട്ടിഫിഷ്യൽ ഇന്റലിജെൻസ്. അതിലെ ഒരു ഉപമേഖലയാണ് മെഷീൻ ലേണിംഗ് (ML). 1950-ൽ അലൻ ടൂറിങ് യന്ത്രങ്ങൾക്ക് ചിന്തിക്കാൻ കഴിയുമോ എന്ന ചോദ്യം ഉയർത്തിക്കൊണ്ട്  ‘Computing Machinery and Intelligence’ എന്ന ഒരു പ്രബന്ധം എഴുതി. ഇതാണ് പിന്നീട് നിർമിതബുദ്ധി എന്ന വിഷയത്തിന് അടിസ്ഥാനമിട്ടത്.² ഇതിലൂടെ മനുഷ്യബുദ്ധിയേയും കമ്പ്യൂട്ടർ ബുദ്ധിയേയും താരതമ്യം ചെയ്യാനായി ഒരു ടെസ്റ്റും അദ്ദേഹം അവതരിപ്പിച്ചു. ഇത് പിന്നീട് ‘ടൂറിങ് പരിശോധന’ അഥവാ ‘അനുകരണ മത്സരം’ എന്ന പേരിൽ പ്രസിദ്ധമായി.

1956-ൽ അമേരിക്കയിലെ ഡാർട്ട്മൗത്ത് കോളേജിൽ വെച്ച് ജോൺ മക്കാർത്തി, മാർവ്വിൻ മിൻസ്കി, നഥാനിയേൽ റോച്ചെസ്റ്റർ, ക്ലോഡ് ഷാനൺ എന്നിവർ നയിച്ച ഒരു ശില്പശാല നടന്നു. പഠനമോ ബുദ്ധിയുടെ സവിശേഷതകളോ വളരെ സൂക്ഷ്മതയോടെ നിർവ്വചിക്കാനും യന്ത്രസഹായത്തോടെ സിമുലേറ്റുചെയ്യുവാനും സാധിക്കും എന്ന പരികല്പനയുടെ സാക്ഷാത്കാരത്തിനായി ശാസ്ത്രജ്ഞരെ കണ്ണി ചേർക്കുക എന്നതായിരുന്നു അവരുടെ ലക്ഷ്യം. അതിനുള്ള പദ്ധതിയ്ക്കായുള്ള ‘A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence‘ എന്ന രൂപരേഖയിലാണ് നിർമിതബുദ്ധി (Artificial Intelligence) എന്ന പ്രയോഗം ആദ്യമായി കടന്നുവന്നത്.

നിർമിതബുദ്ധിയെ സംബന്ധിച്ച ഒരു ചരിത്ര പശ്ചാത്തലം വിദ്യാർത്ഥികൾക്കു ലഭിക്കുന്നതിനായി അലൻ ടൂറിങ്, ജോൺ മക്കാർത്തി എന്നിവരെ പരിചയപ്പെടുത്തുന്നതും ടൂറിങ് ടെസ്റ്റ്³, ഡാർട്ട് മൗത്ത് എന്നിവയെ വിശദീകരിക്കുന്നതും അഭികാമ്യമാണ്. 1951-ൽ ജോൺ മക്കാർത്തി നിർമിത ബുദ്ധി എന്ന വാക്ക് അവതരിപ്പിച്ചു എന്നുമാത്രം പറഞ്ഞുപോകുന്നത് ചരിത്ര നിഷേധമാണ്. മറിച്ച് ഒരു സംഘം ശാസ്ത്രജ്ഞരുടെ വർഷങ്ങൾ നീണ്ട കൂട്ടായ യത്നത്തിലൂടെയാണ് ഈ ആശയം വളർന്നുവരുന്നത്.  ‘നിർമിതബുദ്ധിയുടെ പിതാവ്’ എന്ന സങ്കല്പനവും പ്രശ്നമുള്ളതാണ്. അങ്ങനെ ഒരു വ്യക്തി ഒറ്റയ്ക്ക് അവതരിപ്പിച്ച ആശയമല്ല ഇത്.

മനുഷ്യബുദ്ധിയേയും പെരുമാറ്റത്തേയും പകർത്താൻ യന്ത്രങ്ങളെ പ്രാപ്തമാക്കുന്ന അൽഗോരിതങ്ങളും  ടൂളുകളും ഉൾപ്പെടുന്ന വലിയ ഒരു മേഖലയാണ് നിർമിതബുദ്ധിയുടേത്. അതിൽ ഒരു ടൂളാണ് മെഷീൻ ലേണിംഗ്. നാച്ച്റൽ ലാംഗ്വേജ് പ്രോസസ്സിങ്, കമ്പ്യൂട്ടർ വിഷൻ, ഡീപ് ലേണിംഗ് എന്നിവയൊക്കെ ഇത്തരം മറ്റു ടൂളുകളാണ്. പ്രായോഗികമായി, ഒരു പ്രശ്നം പരിഹരിക്കാനായി ഇത്തരം അനേകം ടൂളുകൾ ഒരുമിച്ച് ഉപയോഗിക്കേണ്ടതായി വരും. 

ഉദാഹരണമായി 1996-ൽ ഐ. ബി.എം-ന്റെ ഡീപ് ബ്ലൂ എന്ന കമ്പ്യൂട്ടർ ചെസ്സിൽ ഗാരി കാസ്പററോവിനെ തോൽപിച്ചത് നിർമിതബുദ്ധിയുടെ വലിയ കാൽവെയ്പായി ആഘോഷിക്കപ്പെട്ടു.⁴ അതേ സമയം ഡീപ് ബ്ലു ഉപയോഗിച്ച നിർമിതബുദ്ധി മെഷീൻ ലേണിങ്ങോ ഡീപ് ലേണിങ്ങോ ഉപയോഗിച്ചതായിരുന്നില്ല; പ്രാഥമികമായി അത് കുറേ സൂത്രനിയമങ്ങളും പ്രത്യേക ഹാർഡ് വെയർ ഉപയോഗിച്ചുള്ള  തിരച്ചിൽ / വിലയിരുത്തൽ വിദ്യകളും ഉപയോഗിക്കുന്നതായിരുന്നു.

നിലവിലുള്ളത് AGI അല്ല, അതു Narrow AI ആണ്.

നിർമിതബുദ്ധിരംഗത്തെ ഇപ്പോഴത്തെ മാദ്ധ്യമശ്രദ്ധ പ്രധാനമായും പതിഞ്ഞിരിക്കുന്നത് വിശാല നിർമിതബുദ്ധി (Artificial General Intelligence, AGI) എന്ന ആശയത്തിൽ ഊന്നിയാണ്.   മനുഷ്യന് ചെയ്യാൻ സാധിക്കുന്ന ഏതു ബൗദ്ധിക പ്രവൃത്തിയും ഒരു യന്ത്രത്തിനു സാധിക്കും എന്നതാണ് ഈ പരികല്പന. അവിടെയെത്താൻ ഇനിയും ഒത്തിരി ദൂരം താണ്ടാൻ ഉണ്ടെന്നതു വിദ്യാർത്ഥികളെ ബോദ്ധ്യപ്പെടുത്തേണ്ടതാണ്. ഇപ്പോഴുള്ള ഏത് AI-യും ഇടുങ്ങിയ (Narrow AI) അല്ലെങ്കിൽ ദുർബ്ബലമായ (Weak  AI) നിർമിതബുദ്ധിയാണ്. അവ ഒരു പ്രത്യേക കാര്യത്തിനായി ഉപയോഗിക്കാം. പക്ഷേ, കൂടുതൽ വിശാലമായ അർത്ഥത്തിലുള്ള പൊതു കാര്യങ്ങൾക്ക് പ്രയോജനപ്പെടുത്താൻ കഴിയില്ല. ഇല്ലാത്ത ഒരു മനുഷ്യമുഖം അതിനു കൊടുക്കുന്നത് പൊതുവെ കണ്ടുവരുന്ന ഒരു തെറ്റാണ്. നിലവിലുള്ള നിർമിതബുദ്ധി മനുഷ്യരുടേതു പോലെയുള്ള ബുദ്ധിയല്ല. അതിനു മനുഷ്യനെപ്പോലെ ചിന്തിക്കാൻ കഴിയുകയുമില്ല.

AI പ്രോഗ്രാമിംഗ് – സ്കൂളുകളിൽ

സ്കൂളുകളിൽ നിർമിതബുദ്ധി ഉപയോഗിച്ചുള്ള വിദ്യാഭ്യാസമെന്നത് പുതിയ സംഭവമല്ല. ലോഗോ പ്രോഗ്രാമിംഗ് ലാംഗ്വേജ് ഉപയോഗിച്ച് വിദ്യാർത്ഥികൾക്ക് നിർമിതബുദ്ധി ടൂളുകൾ ലഭ്യമാക്കുക എന്നത് 1970കളിൽ തുടങ്ങി 1980 കളിൽ തുടർന്ന ഒരു യത്നമായിരുന്നു.⁵ പിന്നീട് 1990 കൾ മുതൽ 2012 വരെയുള്ള കാലം നിർമിതബുദ്ധി വിദ്യാഭ്യാസ രംഗത്ത് ഒരു ശീതകാലമായിരുന്നു. എന്നാൽ അതിനു ശേഷം മെഷീൻ ലേണിംഗിന്റെ വിജയഗാഥകളുടെ വരവായി. ഇമേജ് റെകഗ്നിഷൻ, ഭാഷാ വിവർത്തനം, ശബ്ദത്തെ ലിഖിത രൂപമാക്കൽ, ഗെയിം കളിക്കൽ, നാച്ച്റൽ ലാംഗ്വേജ് പ്രോസസിംഗ് എന്നീ രംഗത്തൊക്കെ വന്ന മാറ്റങ്ങൾ കാരണം പൊതുജനങ്ങളുടെ ഇടയിലും മതിപ്പുളവാക്കി.⁶

 പരമ്പരാഗത പ്രോഗ്രാമിംഗും മെഷീൻ ലേണിംഗും

സാധാരണഗതിയിൽ, കമ്പ്യൂട്ടർ എന്തു ചെയ്യണമെന്ന നിർദേശങ്ങൾക്കുള്ള കോഡ് എഴുതിയാണ് വിദ്യാർത്ഥികൾ പ്രോഗ്രാമിംഗ് പഠിക്കുക. ഉദാഹരണമായി രണ്ടു സംഖ്യകൾ കൂട്ടാൻ, ഒരു പട്ടിക ക്രമീകരിക്കാൻ, ഒരു രൂപം വരയ്ക്കാനൊക്കെയുള്ള പ്രോഗ്രാമുകൾ അവർ എഴുതും. ഇതിന് അൽഗോരിതം അടിസ്ഥാനമാക്കിയ പ്രോഗ്രാമിംഗ് എന്നാണു പറയുക. ഇവിടെ കമ്പ്യൂട്ടർ നിശ്ചിത നിയമങ്ങൾ അനുസരിച്ചു പ്രവർത്തിക്കുകയും നിശ്ചിത ഔട്ട്പുട്ട് തരികയും ചെയ്യും. 

എന്നാൽ ചില പ്രശ്നങ്ങളുടെ നിർധാരണത്തിന് വളരെ വ്യക്തമായ നിയമങ്ങൾ ഉണ്ടാക്കാൻ പറ്റണമെന്നില്ല. ഉദാഹരണമായി ഒരു ചിത്രം കാണിച്ചിട്ട് അതിലുള്ളത് പൂച്ചയാണോ എന്നു ചോദിച്ചാൽ അതിന് ഇത്തരത്തിൽ ഒരു വഴി ഉണ്ടാകണമെന്നില്ല. ഇവിടെ സാഹചര്യമനുസരിച്ച് തീരുമാനമെടുക്കേണ്ടി വരും, സർഗാത്മകതയ്ക്കും പ്രാധാന്യം ഉണ്ടാകും. ഇവിടെയാണ് മെഷീൻ ലേണിംഗിന് പ്രസക്തി. അതിൽ പദാനുപദമായ നിർദേശങ്ങൾ ഉണ്ടാവില്ല. പകരം ധാരാളം ഡാറ്റ നൽകുകയും അതുവെച്ച് കമ്പ്യൂട്ടർ കാര്യങ്ങൾ പഠിച്ചെടുക്കുകയും ചെയ്യും.  

നിയമങ്ങൾ വെച്ച് പരിഹരിക്കാവുന്ന പ്രശ്നങ്ങളെയും മെഷീൻ ലേണിംഗ് ആവശ്യമായ പ്രശ്നങ്ങളെയും സംബന്ധിച്ച് ചർച്ച ചെയ്യുന്നതിലൂടെ മെഷീൻ ലേണിംഗിന്റെ ആശയതലം വിദ്യാർത്ഥികൾക്ക് മനസ്സിലാക്കാൻ കഴിയും. ഉദാഹരണങ്ങളായി ഒരു ചിത്രത്തിൽ നിന്ന് ഒരു പൂച്ചയെ തിരിച്ചറിയുന്നത്, മനുഷ്യ ശബ്ദം തിരിച്ചറിയുന്നത്, കാലാവസ്ഥാപ്രവചനം തുടങ്ങിയ കാര്യങ്ങളിൽ മെഷീൻ ലേണിംഗ് പ്രസക്തമാകുന്നതെന്നൊക്കെ വിശദീകരിക്കാം. 

മെഷിൻ ലേണിംഗിന്റെ കാര്യത്തിൽ, അതിനു പരിചിതമായ ഡാറ്റ ഉപയോഗിച്ച്, പല തരം സാദ്ധ്യതകൾ കണക്കാക്കിയാണ് ഒരു ഔട്പുട്ട് തരുന്നതെന്ന് വിദ്യാർത്ഥികൾക്കു മനസ്സിലാക്കാം. അതേസമയം അൽഗോരിതങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ള പ്രോഗ്രാമിംഗിൽ സുനിശ്ചിതമായ ഉത്തരങ്ങൾ തന്നെയായിരിക്കും എപ്പോഴും ലഭിക്കുക. 

വിദ്യാർത്ഥികൾ ആദ്യഘട്ടങ്ങളിൽ പഠിക്കുന്ന അൽഗോരിതങ്ങൾ ഉപയോഗിച്ച് പരിഹരിക്കാൻ കഴിയാത്ത ചില പ്രശ്നങ്ങൾ അവതരിപ്പിക്കാം. ഉദാഹരണമായി ഒരു പടം  ഒരു സുഹൃത്തുമായി പങ്കുവെയ്ക്കണമെന്നുണ്ടെങ്കിൽ അത് അയാൾക്ക് എടുക്കാൻ കഴിയുന്ന ഒരിടത്ത് സ്റ്റോർ ചെയ്യേണ്ടതുണ്ട്. അതേപ്പോലെ പരീക്ഷാഫലങ്ങൾ പ്രസിദ്ധീകരിക്കാനും വിശകലനം ചെയ്യാനും അത് ഒരിടത്ത് സംരക്ഷിച്ചുവെയ്ക്കണം. ഇതൊക്കെ ഡാറ്റാബേസുകളുടെ സഹായത്തോടെ മാത്രമേ സാധിക്കൂ എന്നു ബോദ്ധ്യപ്പെടുന്നതിലൂടെ ഡാറ്റബേസ് എന്ന സങ്കൽപ്പനവും മനസ്സിലാക്കാം.

 പാഠപുസ്തകങ്ങളിലെ ഉള്ളടക്കം വഴിയും ക്ലാസ് മുറിയിലെ ചർച്ചകൾ വഴിയും കുട്ടികൾക്ക് ഈ പ്രശ്നങ്ങളെ വിമർശനാത്മകമായി വിശകലനം ചെയ്യാൻ കഴിയും. ഇതിൻ്റെ പരിഹാരങ്ങളിൽ ‘മാജിക്’ ഒന്നുമില്ലെന്നു മനസ്സിലാക്കാനും സാധിക്കും.

പരിഹാരങ്ങൾ ലഭിക്കാൻ നൽകേണ്ടിവരുന്ന വിലയെക്കുറിച്ചും ധാരണ ഉണ്ടാക്കണം. ഡാറ്റ സ്റ്റോർ ചെയ്യണമെങ്കിൽ അതിനുള്ള സൗകര്യം വേണം. ഒരു മെഷീൻ ലേണിംഗ് മോഡെലിനെ ട്രെയിൻ ചെയ്യണമെങ്കിൽ ധാരാളം ഡാറ്റ വേണം, നല്ല ശേഷിയുള്ള കമ്പ്യൂട്ടറുകളും വേണ്ടി വരും. ഇത് ക്ലാസ്സ് റൂമിൽ നല്ലൊരു ചർച്ചയ്ക്കുള്ള വിഷയമാണ്. 

ചില പ്രോഗ്രാമിംഗ് കോഴ്സുകൾ വിദ്യാർത്ഥികളെ പ്രത്യേക മെഷീൻ ലേണിംഗ് ടൂൾ ഉപയോഗിക്കാൻ പഠിപ്പിക്കുന്നു. ഇത് യഥാർത്ഥത്തിൽ AI പ്രോഗ്രാമിംഗ് അല്ല. അതു ഒരു ടൂൾ ഉപയോഗിക്കൽ മാത്രമാണ്. ഈ വ്യത്യാസം വിദ്യാർത്ഥികൾക്ക് മനസ്സിലാക്കിക്കൊടുക്കേണ്ടത് പ്രധാനമാണ്. മോഡലുകൾ സൃഷ്ടിക്കുന്നത്, ട്രെയിനിംഗ് നടത്തുന്നത്, അതു മനസ്സിലാക്കുന്നത് എല്ലാം ചേർന്നതാണ് AI പ്രോഗ്രാമിംഗ്.

ഇൻപുട്ട്, പ്രോസസിംഗ്, ഔട്ട്പുട്ട്

പ്രോഗ്രാമിംഗ് പഠിപ്പിക്കുമ്പോൾ ഇൻപുട്ട്, ഔട്ട്പുട്ട്, പ്രോസസിംഗ് എന്നിവയെക്കുറിച്ചൊക്കെ വ്യക്തത വരുത്തേണ്ടത് അത്യാവശ്യമാണ്. ഇത് മെഷീൻ ലേണിംഗിന്റെ കാര്യത്തിലും ബാധകമാണ്. ഒരു ചിത്രത്തിൽ കാണുന്നത് മാമ്പഴമോ വാഴപ്പഴമോ എന്നു തിരിച്ചറിയാനുള്ള ഒരു പ്രോഗ്രാമിൻ്റെ കാര്യം സങ്കല്പിക്കുക. ഇതിൽ ഇൻപുട്ട് എന്നത് ഒരു ചിത്രമാണ്. അതിൽ ഉള്ളത് മാമ്പഴത്തിൻ്റെ ചിത്രമോ അതോ വാഴപ്പഴത്തിൻ്റെ ചിത്രമോ എന്നു തീരുമാനിക്കുന്നതാണ് പ്രോസസ്. 

അൽഗോരിതം രീതിയിലുള്ള പ്രോഗ്രാമിംഗിൽ ആ ചിത്രം മാമ്പഴത്തിൻ്റെയോ വാഴപ്പഴത്തിന്റെതോ എന്നു തീരുമാനിക്കാനുള്ള ഒരു പ്രോഗ്രാം എഴുതണം. അതെങ്ങനെ എഴുതണം എന്നു വിദ്യാർത്ഥികൾ ചർച്ച ചെയ്യട്ടെ. ഒരു മാങ്ങയെ ഒരു വാഴപ്പഴത്തിൽ നിന്ന് വ്യത്യസ്തമാക്കുന്നത് എന്താണെന്ന് കണ്ടെത്താൻ അവർ ശ്രമിക്കും. നിറങ്ങളുടെ കാര്യത്തിലുള്ള വ്യത്യാസം ചിലർ പറഞ്ഞെന്നിരിക്കും. ഉടനെ തന്നെ ചില അപവാദങ്ങളും അവർ കണ്ടെത്തും. ശരിക്കു പഴുക്കാത്ത മാങ്ങയ്ക്ക് പച്ചനിറം ഉണ്ടാകും. വാഴപ്പഴം നന്നായി പഴുക്കുമ്പോൾ പച്ചനിറം മാറി മഞ്ഞനിറം വരും. വലിപ്പത്തിൻ്റെ കാര്യം വെച്ച് മാങ്ങയേയും വാഴപ്പഴത്തേയും തിരിച്ചറിയാമെന്നു ചിലർ പറഞ്ഞേക്കാം. പക്ഷേ അതിനും അപവാദമുണ്ട്. ധാരാളം തരം മാങ്ങകൾ ചെറുതാണെങ്കിലും ചിലത് വാഴപ്പഴങ്ങളേക്കാൾ വലുതായിരിക്കും. ചർച്ച തുടർന്നാൽ അധികം താമസിയാതെ തന്നെ മാങ്ങയേയും വാഴപ്പഴത്തേയും തിരിച്ചറിയാനുള്ള പ്രോഗ്രാം എഴുതുക എളുപ്പമല്ല എന്നു തിരിച്ചറിയും. എന്നിരുന്നാലും ഇവയുടെ ചില സ്വഭാവ ഗുണങ്ങൾ ചർച്ചയാകും. ഉദാഹരണമായി നിറം, വലിപ്പം, ആകൃതി, തൊലിയുടെ പ്രത്യേകത ഇവയെല്ലാം പരിഗണനയ്ക്കായി പൊന്തിവരും. ഇതൊക്കെ രണ്ടു തരം പഴങ്ങളേയും തിരിച്ചറിയാൻ ഉപയോഗിക്കാം. മെഷീൻ ലേണിംഗിന്റെ ഭാഷയിൽ ഇവയെ ഡാറ്റയുടെ ഫീച്ചേഴ്‌സ് എന്നു വിളിക്കും. ഇവയെ തിരിച്ചറിയുന്നതിനെ ഫീച്ചർ എക്സ്ട്രാക്ഷൻ എന്നും പറയും. 

സംഖ്യകൾ കൂട്ടുക, അല്ലെങ്കിൽ ഒരു പട്ടിക ക്രമപ്പെടുത്തുക തുടങ്ങിയ പ്രോഗ്രാമുകൾ എഴുതിയിട്ടുള്ള വിദ്യാർത്ഥികൾക്ക് അറിയാവുന്ന ഒരു കാര്യമാണ് അതിലെ ഇൻപുട്ടുകൾ സംഖ്യകളോ സംഖ്യകളുടെ പട്ടികകളോ ആണ്. പക്ഷേ വാഴപ്പഴത്തിൻ്റെയോ മാമ്പഴത്തിൻ്റെയോ കാര്യത്തിൽ ഇൻപുട്ട് എന്നത് ഒരു ചിത്രമായിരിക്കും. ഈ വഴിയിലൂടെ വിവിധതരത്തിലുള്ള ഡാറ്റയെ സംബന്ധിച്ചും അവ പ്രോസസ് ചെയ്യുന്ന രീതിയെ സംബന്ധിച്ചും അവതരിപ്പിക്കാം. ആഴങ്ങളിലേക്കു പോകാതെ തന്നെ വ്യത്യസ്ത രീതിയിലുള്ള ഡാറ്റയും പ്രോസസിംഗും മനസ്സിലാക്കാം.

മെഷീൻ ലേണിംഗിൽ, നിയമങ്ങൾ എഴുതാതെ, നമ്മൾ മാമ്പഴത്തിന്റെയും വാഴപ്പഴത്തിന്റെയും കുറേ ചിത്രങ്ങൾ കമ്പ്യൂട്ടറിനു നൽകുന്നു. എന്നിട്ട് ആ ഡാറ്റയിൽ നിന്ന് യന്ത്രം പഠിക്കുന്നു. മോഡെലിനെ ട്രെയിൻ ചെയ്യിക്കൽ എന്നാണ് ഇതിനെ വിളിക്കുക. ഡാറ്റയിൽ പാറ്റേണുകളെ കണ്ടെത്തുകയും അങ്ങനെ വസ്തുക്കളെ തിരിച്ചറിയാൻ പഠിക്കുക എന്നതുമാണ് ഈ പ്രക്രിയ.  

ഇതിനു വേണ്ട ഡാറ്റ എങ്ങനെ കിട്ടും? നിങ്ങൾക്ക് മാമ്പഴത്തിൻ്റെയും വാഴപ്പഴത്തിൻ്റെയും ചിത്രങ്ങൾ എടുക്കാം.  അവ ഇൻ്റർനെറ്റിൽ നിന്ന് ഡൗൺലോഡ് ചെയ്യുകയും ആവാം. സുഹൃത്തുക്കളോട് ചിത്രങ്ങൾ തരാൻ പറയാം. ഇത് ട്രെയിനിംഗ് ഡാറ്റ സംഘടിപ്പിക്കുക എന്ന സംഗതി മനസ്സിലാക്കാനുള്ള ഒരു നല്ല വഴിയാണ്. 

ഈ ഘട്ടത്തിൽ ഡാറ്റയെ ലേബൽ ചെയ്യാൻ ഒരു ടൂൾ ആവശ്യമായി വരുന്നു. ഏതൊക്കെ ചിത്രങ്ങൾ മാമ്പഴത്തിൻ്റെ ഏതൊക്കെ ചിത്രങ്ങൾ വാഴപ്പഴത്തിൻ്റെ എന്നതു കമ്പ്യൂട്ടറിനു പറഞ്ഞു കൊടുക്കണം. ഇതിനെയാണ് ‘ഡാറ്റ ലേബലിങ്’ എന്നു വിളിക്കുന്നത്.  അങ്ങനെ ഈ ആശയവും പരിചയപ്പെടുത്താം. 

ഈ ഘട്ടത്തിലാണ് വിദ്യാർത്ഥികൾക്ക് ‘ബ്ലോക്ക് പ്രോഗ്രാമിംഗ്’ പരിചയപ്പെടുത്തേണ്ടത്. മോഡലിനെ ട്രെയിൻ ചെയ്യാൻ വേണ്ടി അവർക്ക് ബ്ലോക്ക് പ്രോഗ്രാമിംഗ് ഉപയോഗിക്കാം. ആദ്യഘട്ടത്തിൽ Scratch പരിചയപ്പെടുത്താം. മെഷീൻ ലേണിംഗ് മോഡെലുകളെ ട്രെയിൻ ചെയ്യിക്കാൻ സഹായകമായ പല എക്സ്റ്റെൻഷൻസും അതിനുണ്ട്. ഞാൻ കണ്ടിട്ടുള്ള ഇത്തരത്തിലുള്ള ഏറ്റവും നല്ല ടൂൾ ‘Machine Learning for Kids’ ആണ്.

The Machine Learning for Kids-നെ പരിചയപ്പെടാം

IBM -ൽ ഡെവലപ്പർ⁷ ആയി പ്രവർത്തിക്കുന്ന ഡേൻ ലേൻ (Dane Lane) ഓപ്പൺ സോഴ്‌സ്  പ്രോജക്‌ട് ആയി സൃഷ്ടിച്ച ടൂൾ ആണ് Machine Learning for Kids (ML4K).  കുട്ടികളെ കോഡിംഗ് പഠിപ്പിക്കാനായി നിലവിലുള്ള പ്ലാറ്റ്ഫോമുകളായ Scratch,  EduBlocks എന്നിവയോട് ചേർന്നു നിൽക്കുന്ന രീതിയിലാണ് ML4K സൃഷ്ടിച്ചിരിക്കുന്നത്. ഇതു മെഷീൻ ലേണിംഗ് മോഡെലുകളെ ട്രെയിൻ ചെയ്യിപ്പിച്ച് ഗെയിമുകൾ വികസിപ്പിക്കാനും പ്രോജക്ടുകൾ ചെയ്യാനും കുട്ടികളെ സഹായിക്കുന്നു.

2017  മുതൽ ലഭ്യമായിട്ടുള്ള ഈ ടൂൾ ഇപ്പോൾ ലോകത്തെമ്പാടുമായി ആയിരക്കണക്കിനു സ്കൂളുകളിലും കൂട്ടായ്മകളിലും ഉപയോഗിച്ചു വരുന്നു. ഇതു പൂർണമായും വെബ് അധിഷ്ഠിതം ആയതു കൊണ്ട് ഒരുതരത്തിലുള്ള ഇൻസ്റ്റലേഷനും ആവശ്യമില്ല, സങ്കീർണമായ യന്ത്ര സംവിധാനങ്ങളും ആവശ്യമില്ല. ഇതിൻ്റെ സോഴ്സ് കോഡ് Apache 2.0 ലൈസൻസ് അനുസരിച്ച് GitHub-ൽ ലഭ്യമാണ്.

കുട്ടികളെ നിർമിതബുദ്ധി പഠിപ്പിക്കാൻ സഹായിക്കുന്ന ഒരു പുസ്തകവും ഇതിനോടൊപ്പം ലഭ്യമാണ്. (ആമസോൺ ലിങ്ക്)

ഈ പ്രോജക്ടിനായി നിങ്ങൾക്ക് എത്ര ചിത്രങ്ങൾ ആവശ്യമുണ്ട്? ധാരാളം ചിത്രങ്ങൾ വേണം. ചിത്രങ്ങൾ എത്രത്തോളമുണ്ടോ അത്രത്തോളം നന്നാവും മോഡൽ. ഈ വഴിയിലൂടെ ട്രെയിനിംഗ് ഡാറ്റ മോഡലിനെ എങ്ങനെ മെച്ചപ്പെടുത്തും എന്നു മനസ്സിലാക്കാം. ട്രെയിനിംഗിന് മാമ്പഴത്തിൻ്റെ ചിത്രങ്ങൾ വാഴപ്പഴത്തിനെക്കാൾ ഉൾപ്പെടുത്തിയാൽ അതു കൂടുതൽ കൃത്യതയോടെ മാമ്പഴത്തെ തിരിച്ചറിയും. ഇതിന് ഡാറ്റയുടെ ബയാസ് എന്നു പറയും. ഈ സംഗതിയും ഇതു വഴി കുട്ടികൾ പരിചയപ്പെടട്ടെ.

 നിർമിതബുദ്ധി പ്രോഗ്രാമിംഗിലെ അഭാജ്യ ഘടകമാണ് ട്രെയിനിംഗ് പ്രോസസ് എന്നു ഞാൻ കരുതുന്നു. ലേണിംഗ് പ്രോസസിലൂടെ പഠിച്ചെടുക്കാവുന്ന നിരവധി കാര്യങ്ങൾ ഉണ്ട്. ട്രെയിനിംഗ് ഡാറ്റയിലെ  കുറവുകളും മേന്മകളും കൂടാതെ, ഡാറ്റ ബയാസ്, ട്രെയിനിംഗ് കൊണ്ട് മോഡലിൽ ഉണ്ടാകുന്ന വ്യത്യാസം തുടങ്ങിയ കാര്യങ്ങളും വിദ്യാർത്ഥികൾക്ക് മനസ്സിലാവും. ക്രൗഡ് സോഴ്സിങ് എന്നതിന്റെ പ്രാധാന്യവും അവർക്കു ബോദ്ധ്യമാകും.

മോഡൽ ട്രെയിനിംഗ് എന്നത് ചെലവേറിയ ഒരു പ്രക്രിയ ആയതിനാൽ ML4K ടൂളിൽ കുറെ പ്രീ ട്രെയിൻഡ് മോഡലുകളും ഉൾപ്പെടുത്തിയിരിക്കുന്നു. വിദ്യാർത്ഥികൾ പ്രീട്രെയിൻഡ് മോഡെലുകൾ മാത്രം ഉപയോഗിക്കുകയും അവയെ Scratch-ലെ block-കൾ എന്ന നിലയിൽ ഉപയോഗിക്കുകയും ചെയ്താൽ അവർ യഥാർത്ഥത്തിൽ AI പ്രോഗ്രാമിംഗ് പഠിക്കുകയല്ല ചെയ്യുന്നത്. മോഡെലിൻ്റെ ട്രെയിനിംഗിൽ പ്രായോഗിക പരിശീലനം നേടിയാൽ മാത്രമേ AI പ്രോഗ്രാമിംഗ് പഠനമാകൂ.

Trained model-ഉം ഔട്ട്പുട്ടും

ട്രെയിനിംഗ് മോഡൽ ഉപയോഗിക്കുമ്പോൾ മെഷീൻ ലേണിംഗിന് തെറ്റുപറ്റാം എന്നതും വിദ്യാർത്ഥികൾ മനസ്സിലാക്കും. മറ്റേതൊരു പ്രോഗ്രാമിനെപ്പോലെയും മെഷീൻ ലേണിങ്ങിനും തെറ്റുകൾ വരാം ഏതൊക്കെ തെറ്റുകൾ സംഭവിക്കാം എന്നത് നേരിൽ കാണുന്നത് ഒരു നല്ല പാഠം ആയിരിക്കും. കാറുകളെ അത് കപ്പുകൾ എന്ന് രേഖപ്പെടുത്തിയേക്കാം, ചുവന്ന തക്കാളിയെ ആപ്പിൾ എന്നും ലേബൽ ചെയ്തേക്കാം. മെഷീൻ ലേണിംഗിൽ വരാവുന്ന പിശകുകൾ പരിചയപ്പെടുത്താനുള്ള ഒരു നല്ല വഴിയായിരിക്കും ഇത്. സാധ്യതകളുടെ (probabilities)  അടിസ്ഥാനത്തിലാണ് ഒരു മെഷീൻ ലേണിംഗ് മോഡൽ ഔട്ട്പുട്ട് നൽകുന്നതെന്നു മനസ്സിലാക്കുന്നത് ഈ പഠനത്തിന്റെ ഒഴിച്ചുകൂടാൻ ആകാത്ത ഒരു ഭാഗമാണ്. AI-യെ സംബന്ധിച്ച ചില തെറ്റിദ്ധാരണകൾ ഒഴിവാക്കാൻ ഇത് സഹായിക്കും. സാദ്ധ്യത എന്നത് നമ്മൾ കൊടുക്കുന്ന ഡാറ്റയെ അടിസ്ഥാനമാക്കിയതാണ് എന്നത് മറ്റൊരു പ്രധാന ആശയമാണ്. ഒരു മോഡലിനെ ചുവന്ന തക്കാളികളും പച്ച ആപ്പിളുകളും ഉപയോഗിച്ച് ട്രയിൻ ചെയ്യിച്ചുവെന്ന് വിചാരിക്കുക. എന്നിട്ട് അതിന് ഒരു ചുവന്ന ആപ്പിൾ നൽകിയാൽ അതിന് തെറ്റുപറ്റും. അതെങ്ങനെ സംഭവിച്ചു എന്ന് ചർച്ച ചെയ്യുക. മോഡലുകൾ എങ്ങനെ മെച്ചപ്പെടുത്താം എന്നും ചർച്ച ചെയ്യുക. വൻകിട AI ടൂളുകൾ എങ്ങനെ ചിത്രങ്ങളും ടെക്സ്റ്റുകളും ശേഖരിച്ച് അവരുടെ മോഡെലുകളെ ട്രെയിൻ ചെയ്യിക്കുന്നുവെന്ന് ചർച്ച ചെയ്യുക. 

ML4K-യിൽ ധാരാളം ഉദാഹരണങ്ങളുണ്ട്: മുഖം തിരിച്ചറിയൽ, ചാറ്റ് ബോട്ടുകൾ, tic-tac-toe, ചോദ്യോത്തരങ്ങൾ, പുസ്തകശുപാർശ, ആംഗ്യങ്ങളെ തിരിച്ചറിയൽ തുടങ്ങി പലതും. ഓരോന്നിൻ്റെയും കൂടെ വിദ്യാർത്ഥികൾക്കും അദ്ധ്യാപകർക്കും ഉള്ളവർക്ക് ഷീറ്റുകളും ലഭ്യമാണ്. അവർക്ക് പ്രശ്നങ്ങളും പരിഹാരങ്ങളും ചർച്ച ചെയ്യാനുള്ള ഒരു ഫോറവും ഉണ്ട്. ഈ ടൂൾ ഓപ്പൺസോഴ്സിൽ ലഭ്യമായതിനാൽ ഏതു ഭാഷയ്ക്കുവേണ്ടിയും പരിഭാഷപ്പെടുത്തിയെടുക്കാം.⁸

നിർമിതബുദ്ധിക്ക് എന്റെ ഭാഷ മനസ്സിലാകുമോ?

AI ടൂളുകൾ മിക്കതും ഇംഗ്ലീഷിലാണ്. അതിന്റെ ഭാഷാ പക്ഷപാതവും ചർച്ച ചെയ്യാൻ ഇതൊരു അവസരമാണ്. പല മോഡെലുകളും ഇംഗ്ലീഷ് ടെക്സ്റ്റുകൾ ഉപയോഗിച്ചാണ് ട്രയിൻ ചെയ്യിച്ചിരിക്കുന്നതെന്നും അതിന് ഒരു പേക്ഷേ മറ്റു ഭാഷകൾ മനസ്സിലാവില്ല എന്നും വിദ്യാർത്ഥികൾ അറിയട്ടെ. എന്തുകൊണ്ട് പൊതുവേ AI ടൂളുകൾ മാതൃഭാഷയിൽ ലഭ്യമല്ല എന്നും ഈ രംഗത്ത് കാര്യങ്ങൾ എങ്ങനെ മെച്ചപ്പെടുത്താം എന്നും ചർച്ച ചെയ്യുന്നത് നന്നായിരിക്കും.

കുട്ടികൾക്കായുള്ള മറ്റ് AI ടൂളുകൾ 

ML4K യോടു സമാനമായ വേറെയും പ്രോഗ്രാമിംഗ് ടൂളുകളുണ്ട്:

• Raise Playground – MIT മീഡില ലാബിലെ MIT RAISE Initiative, Personal Robots Group എന്നിവർ വികസിപ്പിച്ചതാണിത്. ഇതൊരു block-based programming platform ആകുന്നു. നിർമിതബുദ്ധിയേയും റോബോട്ടിക്സിനേയും സംബന്ധിച്ച് വിദ്യാർത്ഥികൾക്കും യുവ പ്രോഗ്രാമേഴ്‌സിനുമായി വികസിപ്പിച്ചതാണിത്. ഇത് ഓപ്പൺസോഴ്സിൽ സൗജന്യമായി ലഭ്യമായ ടൂളാണ്.
• ecraft2learn – വിദ്യാർത്ഥികൾക്കും അവിദഗ്ധ പ്രോഗ്രാമേഴ്സിനും AI പ്രോഗ്രാമുകൾ വികസിപ്പിച്ചെടുക്കാനായി Snap! പ്രോഗ്രാമിംഗ് ഭാഷയുടെ എക്സ്റ്റൻഷനുകളായി eCraft2Learn  പ്രോജക്ട് വികസിപ്പിച്ചതാണിവ. ഇൻ്റർനെറ്റ് ബന്ധം ഇല്ലാതെ തന്നെ AI ബ്ലോക്കുകളോടെ Snap! റൺ ചെയ്യാം. ഈ ടൂൾ സൗജന്യമാണ്, ഓപ്പൺ സോഴ്സിൽ ലഭ്യവുമാണ്.
• Pictoblox – ഇത് സ്വതന്ത്ര സോഫ്റ്റ്‌വെയറല്ലാത്ത ഒരു സൗജന്യ സോഫ്റ്റ്‌വെയർ ആണ്. ഇതിന് ML4K-യോടു സമാനമായ ഫീച്ചറുകളുണ്ട്. എന്നിരുന്നാലും  സ്വതന്ത്ര സോഫ്റ്റ്‌വെയറല്ല. വിദ്യാർത്ഥികൾ പഠിക്കാനും പരീക്ഷണങ്ങൾ നടത്താനും  സുതാര്യമായ  സ്വതന്ത്ര സോഫ്റ്റ്‌വെയർ ഉപയോഗിക്കുക എന്നതു പ്രധാനമാണ്. ⁹

തെറ്റിദ്ധാരണകൾ മാറണം

നിർമിതബുദ്ധി പഠിപ്പിക്കുമ്പോൾ നിലവിലുള്ള ചില അബദ്ധധാരണകളെ ഒഴിവാക്കണം. AI പഠന സാമഗ്രികളിൽ ഞാൻ പലപ്പോഴും കണ്ടിട്ടുള്ളതും മനസ്സിൽ തങ്ങിയതുമായ ചില തെറ്റിദ്ധാരണകളെ ഇവിടെ ചൂണ്ടിക്കാട്ടുന്നു:

“AI പ്രോഗ്രാമിംഗിന് ഗണിതം പഠിക്കേണ്ടതില്ല”

“ ഇതിനായി പ്രോഗ്രാമിംഗ് പഠിക്കേണ്ടതില്ല”

AI എന്നല്ല, ഏതൊരു പ്രോഗ്രാമിംഗിന്റെയും അടിസ്ഥാനം ഗണിതമാണ്. AI മാതൃകകൾ എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്നു മനസ്സിലാക്കണമെങ്കിൽ ഗണിതം അറിയണം. അത് ഒരു ഉപകരണം എന്ന നിലയിൽ ഉപയോഗിക്കാൻ മാത്രമാണെങ്കിൽ ഗണിതം അറിയണമെന്നില്ല. എന്നാൽ സ്കൂളുകളിൽ AI പ്രോഗ്രാമിംഗ് പഠിപ്പിക്കേണ്ടത് ആ പശ്ചാത്തലത്തിലല്ല. 

ഇതിനൊക്കെ പുറമേ “നിങ്ങൾ ‘x’ പഠിക്കേണ്ടതില്ല” എന്ന തരത്തിലുള്ള പ്രസ്താവനകൾ സ്കൂൾ വിദ്യാർത്ഥികളെ സംബന്ധിച്ചിടത്തോളം അപകടകരമാണ്. പ്രത്യേകിച്ചും, സ്കൂളുകളിൽ  പഠിപ്പിക്കേണ്ടുന്ന അടിസ്ഥാന ആശയങ്ങളുടെ കാര്യത്തിൽ കുറുക്കുവഴികൾ തേടരുത്. 

നിർമിതബുദ്ധിയെ സംബന്ധിച്ച പൊടിപ്പും തൊങ്ങലും വെച്ച വാർത്തകൾ വിദ്യാർത്ഥികൾ കാണുന്നുണ്ടല്ലോ. നിർമിതബുദ്ധി ജോലികളെ അപഹരിക്കും, ഭാവിയിൽ അദ്ധ്യാപകരുടെ ആവശ്യമില്ല, ഏതു ഗണിത പ്രശ്നവും നിർധരിക്കാൻ AI മതി എന്നിത്യാദി വാർത്തകൾ കേൾക്കാം. മേൽ പറഞ്ഞ ചുവടുകളിലൂടെ കടന്നു പോയാൽ ഇത്തരം തരികിട വാർത്തകളെ വിമർശനാത്മകമായി വിലയിരുത്താൻ വിദ്യാർത്ഥികൾക്കു കഴിയും, അവർക്ക് AI-യുടെ സാധ്യതകളെയും പരിമിതികളെയും ബോദ്ധ്യമാകും. അവർ പ്രശ്നനിർധാരണ രീതിയിൽ കൂടുതൽ നൂതന ആശയങ്ങൾ പ്രയോഗിക്കും. ഭാവിക്കായി അവർ കൂടുതൽ സജ്ജരാകും. 

“വിദ്യാർത്ഥികൾക്ക് ഞങ്ങളുടെ ടൂൾ ഉപയോഗിച്ച് ഗണിതം പഠിക്കാതെത്തന്നെ AI പ്രോഗ്രാമിംഗ് പഠിക്കാം” എന്ന തരത്തിൽ ഒരു  block based visual programming tool പരസ്യം നൽകുകയാണെങ്കിൽ അവർ ഒരു നുണ പറയുകയാണ്. അവർ blackboxed pretrained model നൽകുക മാത്രമാണ് ചെയ്യുന്നത്. AI പ്രോഗ്രാമിംഗ് എന്നത് അതല്ല. 

AI മോഡെലുകൾ നിർമിക്കാൻ പ്രോഗ്രാമിംഗ് അത്യന്താപേക്ഷിതമാണ്. AI മോഡെലുകൾ സൃഷ്ടിക്കാനും ട്രയിൻ ചെയ്യിക്കാനും വിദ്യാർത്ഥികൾ കോഡിംഗ് അറിയേണ്ടതുണ്ട്. അല്ലെങ്കിൽ അത് ഒരു ഉപകരണം മാത്രമാണ്. 

ഉപസംഹാരം

 സ്കൂളുകളിൽ Al പഠിപ്പിക്കേണ്ടത് വിദ്യാർത്ഥികൾക്ക് കേവലം സാങ്കേതിക നൈപുണി ഉണ്ടാക്കാനല്ല, മറിച്ച് അവർ ജീവിക്കുന്ന ഡിജിറ്റൽ ലോകത്തെ ആഴത്തിൽ മനസ്സിലാക്കാൻ കൂടിയാവണം. നിർമിതബുദ്ധിയും മെഷീൻ ലേണിംഗും ചെറുപ്പത്തിലേ പരിചയപ്പെടുക വഴി അവർ ദിവസേന ഉപയോഗിക്കുന്ന സാങ്കേതികവിദ്യകളെ സ്വായത്തമാക്കാനും അതിന്റെ സാദ്ധ്യതകളും പരിമിതികളും തിരിച്ചറിയാനും കഴിയും. നിർമിതബുദ്ധിയുടെ ചരിത്ര പശ്ചാത്തലവും അടിസ്ഥാന തത്വങ്ങളും അറിയുന്നത് ആ രംഗത്തെ നിഗൂഢത ഇല്ലാതാക്കാനും ആ മേഖലയിലെ മുന്നേറ്റങ്ങളെ ശരിയായ കാഴ്ചപ്പാടിൽ വിലയിരുത്താനും സഹായിക്കും. 

ഇതു കൂടാതെ ഡാറ്റയുടെ പ്രാധാന്യം, മോഡലുകളുടെ നിർമാണ ചെലവ്, AI മോഡെലുകൾ പ്രവചിക്കുന്ന ‘സാദ്ധ്യത’യും അൽഗോരിതങ്ങൾ തരുന്ന ‘തീർച്ച’യും തമ്മിലുള്ളതാരതമ്യം എന്നിത്യാദി കാര്യങ്ങൾ വിദ്യാർത്ഥികളുമായി ചർച്ച ചെയ്യുന്നതിലൂടെ അവരെ യഥാർത്ഥ ലോകത്തെ പ്രശ്നങ്ങളുമായി ഇടപഴകാൻ പ്രാപ്തരാക്കാം. നിർമിതബുദ്ധി ദൂരവ്യാപകവും അഗാധവുമായ പ്രത്യാഘാതങ്ങൾ ഉണ്ടാക്കാൻ പോകുന്ന കാലത്ത് വിമർശനാത്മകചിന്ത, ധാർമ്മികമായ പരിഗണനകൾ എന്നിവയ്ക്കൊക്കെ ഉണ്ടാകുന്ന പ്രാധാന്യവും ബോധ്യമാകും. 

കരിക്കുലത്തിൽ നിർമിതബുദ്ധി ഉൾപെടുത്തുന്നത് അവരുടെ ഭാവി കരിയറിനെ പാകപ്പെടുത്തുമെന്നതിനു പുറമേ അവരെ നല്ല പൗരന്മാരാക്കി ശാക്തീകരിക്കുകയും ചെയ്യും. നിർമിതബുദ്ധിയാൽ കരുപിടിപ്പിക്കുന്ന ലോകത്ത് നല്ല സംഭാവന നൽകാനും ഗതിനിയന്ത്രിക്കാനും അവർക്ക് കൂടുതൽ കരുത്തു ലഭിക്കും. വിദ്യാഭ്യാസ പ്രവർത്തകർ എന്ന നിലയിൽ നമ്മുടെ ലക്ഷ്യം അടുത്ത തലമുറയുടെ മുന്നിൽ നിർമിതബുദ്ധിയെ ചൂഴ്ന്നു നിൽക്കുന്ന നിഗൂഢത ഇല്ലാതാക്കുക, അതു കൂടുതൽ പേർക്ക് ലഭ്യമാക്കുക, സുഗ്രഹമാക്കുക, ആവേശവും  ജിജ്ഞാസയും നവീകരിക്കാനുള്ള ത്വരയും ജനിപ്പിക്കുക എന്നതൊക്കെയാകണം. 

---

റഫറൻസുകൾ

•  Understanding computing education – April 2021 by the Raspberry Pi Foundation Research Seminars pdf
• Moreno-Guerrero, A. J., López-Belmonte, J., Marín-Marín, J. A., & Soler-Costa, R. (2020). Scientific Development of Educational Artificial Intelligence in Web of Science. Future Internet, 12(8), 124
• https://web.learningml.org/en/resources-for-learning-ai-and-ml/ – A curated list of resources for learning AI and ML

---

1. Further reading AI and Epistemic Risk: A Coming Crisis? https://www.techpolicy.press/ai-and-epistemic-risk-a-coming-crisis/ ↩︎
2. Turing, A. M. (2004). Computing machinery and intelligence (1950). The Essential Turing: The Ideas that Gave Birth to the Computer Age. Ed. B. Jack Copeland. Oxford: Oxford UP, 433-64 ↩︎
3. I had written a long essay on Alan Turing and his contributions to computer science in Malayalam. https://thottingal.in/documents/turing/. I am also a fan of the movie “The Imitation Game” which is a biographical drama film about Alan Turing. The movie is based on the biography “Alan Turing: The Enigma” by Andrew Hodges. The movie is a good introduction to Alan Turing’s life and his contributions to computer science. The movie is not a documentary and has some inaccuracies. But it is a good movie to watch to get an idea about Alan Turing’s life and his contributions to computer science. ↩︎
4. News paper reporting of Deep Blue vs Garry Karsparov: >>> ↩︎
5. Kahn, K. & Winters, N. (2017) Child-friendly programming interfaces to AI cloud services, Proceedings of EC-TEL 2017: Data Driven Approaches in Digital Education, 10474, 566-570 ↩︎
6. Kahn, K. & Winters, N. (2018) AI Programming by Children, Proceedings of Constructionism 2018, Vilnius, Lithuania, 2018 ↩︎
7. Dale Lane provided valuable inputs to writing this article. Dale Lane actively publish and talk about AI for students. See Education in the age of AI (Artificial Intelligence) | Dale Lane | TEDxWinchester – video ↩︎
8. taxinomitis is the name of the software behind “machinelearningforkids” website. The source code is under IBM’s github repository: https://github.com/IBM/taxinomitis. The worksheets are in a different repository: https://github.com/IBM/taxinomitis-docs ↩︎
9. 7th standard ICT textbook by Kerala Educational Department – Chapter 9 – Computer vision – pdf – in Malayalam language – Uses pictoblox tool to teach AI programming. However, the chapter content is focussed on using a pretrained model and not on AI programming. 

---

---

Packet 3 – LUCA TALK