मेसिन लर्निङका आधारभूत कुरा: कम्प्युटरले कसरी सिक्छ?
मेसिन लर्निङ के हो, यसका मुख्य प्रकारहरू कुन-कुन हुन् र यो परम्परागत प्रोग्रामिङ भन्दा कसरी फरक छ भन्नेबारे विस्तृत जानकारी।
मेसिन लर्निङ (Machine Learning) भनेको के हो?
कृत्रिम बुद्धिमत्ता (AI) को दायरा ठूलो छ, र त्यसकै एउटा अत्यन्तै महत्त्वपूर्ण शाखा हो—मेसिन लर्निङ (Machine Learning - ML)। साधारण शब्दमा भन्नुपर्दा, मेसिन लर्निङ भनेको कम्प्युटरलाई स्पष्ट रूपमा कोड (Code) नलेखीकन पनि डेटाको आधारमा आफैँ सिक्न र सुधार गर्न सक्ने बनाउने प्रविधि हो।
मानिसका साना बालबालिकाहरूलाई प्रत्येक कुराको नियम घोकाइरहनु पर्दैन; उनीहरू अनुभव र वातावरणबाट सिक्छन्। ठीक त्यसै गरी, मेसिन लर्निङले कम्प्युटरलाई डेटाको अनुभवबाट सिक्ने क्षमता प्रदान गर्छ।
परम्परागत प्रोग्रामिङ र मेसिन लर्निङ बीचको फरक
यस प्रविधिलाई अझ राम्ररी बुझ्न परम्परागत प्रोग्रामिङसँग तुलना गर्नु उपयुक्त हुन्छ:
- परम्परागत प्रोग्रामिङ (Traditional Programming): यसमा इन्जिनियरले कम्प्युटरलाई इनपुट डेटा (Input Data) र कडा नियमहरू (Rules/Code) दिन्छ, जसको आधारमा कम्प्युटरले आउटपुट (Output) निकाल्छ।
- समीकरण: डेटा + नियम = आउटपुट
- मेसिन लर्निङ (Machine Learning): यसमा कम्प्युटरलाई इनपुट डेटा र त्यसको सही उत्तर (Output) दुवै दिइन्छ। मेसिनले ती दुई बिन्दुबीचको सम्बन्ध र नियम (Rules) आफैँ पत्ता लगाउँछ।
- समीकरण: डेटा + आउटपुट = नियम
मेसिन लर्निङका मुख्य तीन प्रकारहरू
मेसिन लर्निङले सिक्ने तरिकाका आधारमा यसलाई मुख्यतया तीन भागमा विभाजन गरिन्छ:
१. सुपरभाइज्ड लर्निङ (Supervised Learning)
यस प्रणालीमा कम्प्युटरलाई 'लेबल गरिएको डेटा' (Labeled Data) दिइन्छ। अर्थात्, कम्प्युटरलाई डेटासँगै त्यसको सही उत्तर पनि सिकाइन्छ। यो शिक्षकको निगरानीमा विद्यार्थीले पढेजस्तै हो।
- उदाहरण: यदि हामीले एउटा मोडललाई १०० वटा घरको क्षेत्रफल र तिनको मूल्यको डेटा दियौँ भने, यसले क्षेत्रफल र मूल्यको सम्बन्ध सिक्छ। पछि नयाँ घरको क्षेत्रफल दिँदा यसले त्यसको अनुमानित मूल्य बताउन सक्छ। इमेलमा आउने स्प्याम (Spam) म्यासेज छुट्याउनु यसको अर्को उदाहरण हो।
२. अनसुपरभाइज्ड लर्निङ (Unsupervised Learning)
यसमा कम्प्युटरलाई दिइने डेटामा कुनै लेबल वा सही उत्तर हुँदैन। कम्प्युटरले डेटा भित्रका लुकेका ढाँचा (Patterns) र समानताहरू आफैँ खोज्नुपर्ने हुन्छ।
- उदाहरण: ग्राहकहरूको किनमेल गर्ने बानीको आधारमा उनीहरूलाई फरक-फरक समूहमा वर्गीकरण गर्नु (Customer Segmentation)। दराज (Daraz) वा अमेजन जस्ता कम्पनीहरूले आफ्ना ग्राहकका रुचि अनुसार सामान सिफारिस गर्न यो तरिका अपनाउँछन्।
३. रिइन्फोर्समेन्ट लर्निङ (Reinforcement Learning)
यो तरिका पुरस्कार र सजाय (Reward and Punishment) को सिद्धान्तमा आधारित छ। यसमा एजेन्ट (Agent) ले कुनै वातावरणमा काम गर्छ। सही काम गर्दा उसलाई पुरस्कार (Points) मिल्छ भने गल्ती गर्दा सजाय (Penalty)।
- उदाहरण: आत्म-सञ्चालित कार (Self-Driving Cars) र कम्प्युटर गेम (जस्तै Chess वा Go) खेल्ने AI मोडलहरू यसै प्रविधिमा आधारित हुन्छन्।
डेटाको महत्त्व: "डेटा नै नयाँ तेल हो"
मेसिन लर्निङ एल्गोरिदम जतिसुकै उन्नत भए तापनि यदि यसलाई दिइने डेटा गुणस्तरीय छैन भने परिणाम राम्रो आउन सक्दैन। यसलाई प्रविधि जगतमा "गार्बेज इन, गार्बेज आउट" (Garbage In, Garbage Out) भनिन्छ। त्यसैले, मेसिन लर्निङमा डेटा सङ्कलन, सफाई र प्रशोधन (Data Preprocessing) को काम सबैभन्दा महत्त्वपूर्ण मानिन्छ।
निष्कर्ष
मेसिन लर्निङले आजका जटिल समस्याहरू समाधान गर्न प्रविधिलाई नयाँ दिशा दिएको छ। स्वास्थ्य क्षेत्रमा रोगको प्रारम्भिक पहिचानदेखि वित्तीय क्षेत्रमा जोखिम मूल्याङ्कनसम्म, मेसिन लर्निङले हाम्रो काम गर्ने शैलीलाई रूपान्तरण गरिरहेको छ।