AI ක්ෂේත්රයේ දත්ත හිඟය තවත් ගැටළුවක් බවට පත්ව තිබේ. එම ගැටළුවට නව විසඳුමක් ලෙස, ස්වிட්සර්ලන්තයේ සන්ත ගාලුන් විශ්වවිද්යාලයේ ප්රවීණයා Damian Borth මහතා "බර ස්පේස් ඉගෙනීම" (Weight Space Learning – WSL) කියා නව සංකල්පයක් ඉදිරිපත් කර ඇත.
මෙම සංකල්පය, පසුගිය මාසයේ TWIML AI Podcast 772 වාරයේ Sam Charrington සමඟ කළ සාකච්ඡාවේදී පැහැදිලි කරනු ලැබීය. සාකච්ඡාවේදී, WSL යනු පසුගිය මොඩල් බර (weights) ගොනු මත සෘජුවම ඉගෙනීමේ ක්රමයක් බව, සාම්ප්රදායික “මොඩල් ද්රවීකරණ” (distillation) ක්රියාවලියෙන් වෙනස් බව පැහැදිළි කරයි.
සාමාන්ය ද්රවීකරණයෙහි, ශක්තිමත් මොඩලයක් (උදාහරණයක් ලෙස Claude) නිර්මාණය කරන ලද පිළිතුරු දත්ත ලෙස භාවිතා කර නව මොඩලයක් පුහුණු කරයි. එයට විරුද්ධව, WSL මොඩල් බරවල ස්වභාවය, ඒවායේ ගුණාංග, සංරචක ආකාරය වැනි “භෞතික” තොරතුරු පදනම් කරගෙන නව බර ගොනු සකස් කරයි. මෙය මොඩල් බරවල “තත්වය” තමයි දත්ත වශයෙන් ගත කරන්නේ කියා හැඳින්විය හැක.
WSL හි මූලික අදහස, බර ගොනු සංකේතනය (tokenization) කර, ඒවාය අඩු-මානයේ ස්ථානයකට අඩු‑කේතකයක (auto‑encoder) මගින් සංග්රහ කිරීමයි. එම ස්ථානයේ සිට නව බර ගොනු නිර්මාණය කිරීම, හෝ පූර්ව‑පුහුණු මොඩල් එකක කාර්ය සාධන (accuracy) පුරෝකථනය කිරීම වැනි කාර්යයන් සිදු කළ හැක. 2021 පර්යේෂණයකදී, ඒකාකාරී මොඩල් සංග්රහයක (model zoo) සිට 600 බර ගොනු භාවිතා කර, Fashion‑MNIST නිරූපණයේ නිරුපිත නිරූපණයක් 0.85 R² අගයක් ලබා දුන්නේය.
නමුත්, නව බර ගොනු ජනනයේදී “blurred weights” යන ගැටළුවක් මතුවේ. MSE (Mean Squared Error) භාවිතා කිරීමෙන් සෑදූ බර ගොනු, නිරූපණ කාර්යයන්හි අවශ්ය උච්ච‑අවෘත්තීන් අහිමි කරයි. එම නිසා, පර්යේෂකයන් perceptual loss, GAN වැනි උසස් අලාභ ක්රමයන් සමඟ නව පරීක්ෂණ කරමින්, බර ගොනු ගුණාත්මකභාවය වැඩි කිරීමට උත්සාහ කරති.
ශ්රී ලංකාවට ඇති වැදගත්කම
- ශ්රී ලංකාවේ AI සංවර්ධකයන්ට, විශාල GPU කාලයක් අවශ්ය නොවී, පූර්ව‑පුහුණු බර ගොනු භාවිතා කර නව මොඩලයන් ඉක්මනින් සකස් කළ හැක.
- විශ්වවිද්යාල සිසුන්ට, බර ස්පේස් විශ්ලේෂණය මඟින් මොඩලයක් කෙසේ වැඩ කරන්නේද යන්න ගැඹුරු අවබෝධයක් ලැබේ.
- ව්යාපාරිකයන්ට, අඩු-වියදමින් AI විසඳුම් නිර්මාණය කිරීමේ හැකියාව ලැබීමෙන්, තරඟකාරීත්වය වැඩි වේ.
අනාගතයේදී, බර ස්පේස් ඉගෙනීම AI හි දත්ත සම්පතක් ලෙස පිළිගැනීමට, විශාල පරිමාණයේ නව නව්යතා සහිත ව්යාපාරික අවස්ථා රැසක් නිර්මාණය වනු ඇත.
