தானோட்டிக்கார்கள் – முடிவுரை – பகுதி 15

சிலவருடங்கள் முன் இந்தியா வந்த பொழுது, 10 வயது சிறுவனோடு ஒரு வினோத அனுபவம். என்னை எப்படியோ ஐஸ் வைத்து  (அவனுக்கு நான் கனடாவிலிருந்து வந்துள்ளேன் என்று தெரியும்!) என்னுடைய திறன்பேசியைக் கைப்பற்றி, என்னுடைய அனுமதியுடன், Temple Run விளையாடத் தொடங்கினான்.

அரை மணி நேரத்தில், நான் வருடக்கணக்கில் தொடாத ஸ்கோரைத் தொட்டுவிட்டான். அவனது துரதிஷ்டம் – அவனது அம்மாவிற்கு அவன் விளையாடுவது தெரிந்துவிட்டது.

அடுத்தபடி அவன் அம்மாவிற்கும், அவனுக்கும் நடந்த உரையாடல்கள் மிகவும் சுவாரசியமானவை. அவனுடைய அன்றைய காலை மின்னணு விளையாட்டு நேரம் முடிந்துவிட்டது என்று அம்மா அறிவித்தாள். அவன் கையில் கொண்டு வந்த வீட்டுப்பாடத்தை அடுத்த 2 மணி நேரத்திற்குள் முடித்து, அவளிடம் காட்டி வெற்றி பெற்றால், மீண்டும் என்னுடைய திறன்பேசியில் இன்னொரு 30 நிமிடங்கள் Temple Run விளையாடலாம். இந்த உடன்பாடு அருமையாக அன்று நிறைவேறியதை நான் பார்த்தேன்.

இந்த உதாரணத்தில் மூன்று விஷயங்கள் மிகவும் முக்கியமான எந்திரக் கற்றலியல் சார்ந்த விஷயங்கள்;

  • சிறுவன், கையில் Temple Run கிடைத்தால், அவனுடைய குறிக்கோள், அதிக ஸ்கோர் எடுப்பது
  • அம்மா, தன்னுடைய பிள்ளை, மின்னணு விளையாட்டால், மிகவும் தாக்கும் நடத்தை (aggressive behavior) வரக்கூடாது என்று கராராக இருப்பது
  • சிறுவனுக்கு, பள்ளி வீட்டுப்பாடம் செய்யவேண்டும் என்ற அடிப்படைப் பொறுப்பு இருந்தாலும், Temple Run –ன், வசீகரம் மிகவும் பிடிக்கிறது

எந்திரக் கற்றலியலில், மிகவும் ஆராயப்பட்டுவரும் மேற்பார்வையற்ற ஒரு நெறிமுறை (unsupervised learning algorithm) reinforced learning என்பது. இந்த மென்பொருள் நெறிமுறைகளில் ஆராய்ச்சி செய்து வந்த Deep Mind என்ற நிறுவனத்தை, கூகிள் 2014–ல் வாங்கியது.

இந்த நெறிமுறை, எதையும் சொல்லிக் கொடுக்காமல், ஒரு எந்திரத்தைத் தானாகவே கற்றுக் கொள்ளவைக்கும் மேற்பார்வையற்ற ஒரு நெறிமுறை. இந்த நெறிமுறையில் உள்ள முக்கிய அம்சம், அதிக முயற்சிக்கு அதிக பரிசு என்பதாகும். அதிகமாக பொருட்களை விற்கும் விற்பனையாளருக்கு அதிக கமிஷன் கொடுப்பதைப் போன்ற விஷயம் இது.

விடியோ விளையாட்டிற்குச் சரிப்பட்டுவரும் இந்த நெறிமுறை தானோட்டிக்காருக்குச் சரிப்பட்டுவருமா? அம்மா கட்டுப்பாடற்ற சிறுவனைப்போல, கார் இயங்கத் தொடங்கிவிடுமா? இதை Mobileye காரர்கள் சோதனை செய்து பார்த்தார்கள்.

இந்தக் காரில் பயணம் செய்வோருக்கு சத்தியமாக வயிற்றைக் கலக்கும். மிகக் குறைந்த இடைவெளியில் ஒரு வரைபாதையிலிருந்து, அடுத்த வரைபாதைக்கு மிகவும் அபாயகரமாய் மாற்றும் (சென்னையில் ஆட்டோ பயணம் மேற்கொண்டவர்களுக்கு இது புதிய அனுபவமாக இருக்காது). மேலும், இதன் தாக்கும் நடத்தை மற்ற கார் ஓட்டுனர்களையும் கதிகலங்கச் செய்யும். தமிழ் சினிமாவில் அம்மா செண்டிமெண்ட் போல, இஸ்ரேல்காரர்களும், அம்மா கட்டுப்பாட்டை நெறிமுறைக்குள் கொண்டு வந்து சோதித்துப் பார்த்தார்கள்.

கணினி மென்பொருளில் அம்மா கட்டுப்பாடா/ அது எப்படி? அதிக ஸ்கோரை நோக்கியே பயணம் என்றிருந்தது போக, அபராதத்தையும் நெறிமுறைக்குள் கொண்டுவந்தார்கள். அதாவது, அபாயகரமாக வரைபாதையை மாற்ற முயற்சி செய்தால், அபராதம். ஒழுங்காக ஓட்டினால் ஸ்கோர் என்று இந்தக் கணினி மென்பொருள் நெறிமுறைய மாற்றி சோதித்தார்கள்.

சோதனையில் ஒரு மிக முக்கிய எந்திரக் கற்றலியல் விஷயம் தெரிய வந்தது. மனிதர்களைப் போல தானோட்டிக் கார் செயல்படத் தொடங்கியது.

  1. முதலில், திருப்புகுறிகையை (turn indicators) ஆன் செய்தது. பின்னே வரும் கார்களுக்கு தானோட்டிக் கார் தன்னுடைய வரைபாதைக்கு வரலாம் என்ற செய்தியை அறிவிக்கிறது
  2. முழுவதும் அடுத்த வரைபாதைக்குப் போகாமல், சற்று முயற்சித்தது
  3. பின்னே வரும் காரின் வேகத்தைக் கணக்கில் கொண்டு, கணினி நெறிமுறை, இந்த மாற்றம் அபாயகரமாக இருந்தால், அபராதத்தை அதிகரிக்கும்
  4. திருப்புக்குறிகையை அணைத்துவிட்டு, சமர்த்தாக மீண்டும் தன்னுடைய வரைபாதக்கே திரும்பிவிட்டது
  5. மீண்டும்படி 1 மற்றும்படி 4 –ஐ முயற்சித்தது. அபராதம்அதிகமானால், படி 4 –ஐ செய்து சமர்த்தாக தன்னுடைய வரைபாதைக்கே திரும்பிவிட்டது
  6. இவ்வாறு பலமுறைபடி 1 மற்றும்படி 4 –ஐ முயற்சித்தது, அபராதம் அதிகரிக்காத, ஆனால் ஸ்கோர் உயரும் தருணத்தில், அடுத்த வரைபாதைக்கு கார் மாறிவிட்டது

என்ன நடக்கிறது இங்கே? நம்முடைய தானோட்டிக்காருக்கு, மற்ற வாகனங்களுடன்க லந்துரையாடி முடிவெடுக்கும் திறமை வந்து விட்டது – அதாவது self-driving car now negotiates!

இந்திய கார் ஓட்டுனர்கள் (சில ஆசிய/ ஆப்பிரிக்க நாடுகளிலும் இதே கதிதான்) போக்குவர்த்து சிக்னல்களைத் தவிர்த்து, பெரிதாக சாலை விதிகள் எதையும் பின்பற்றுவதில்லை. பொதுவாக இது போன்ற நாடுகளில்;

  1. வரைபாதைகள் பாதிசாலைகளில் இருப்பதே இல்லை
  2. வரைபாதைகள் இருந்தாலும், வாகனங்கள் கலந்துரையாடி அடுக்கடுக்காய் எப்படியோ பயணிக்கின்றன
  3. எல்லா ஓட்டுனர்களும் தங்களுடைய காருக்கு பங்கம் வராமல் முடிந்தவரைப் பார்த்துக் கொள்கிறார்கள்

அதாவது, நம்முடைய சிறுவன் – அம்மா உதாரணத்தில், ஸ்கோர் இருந்தது, அபராதமும் இருந்தது. இந்திய ஓட்டுனர்களுக்கு அபராதம், தன்னுடைய வாகனச் சேதம். மற்ற எல்லாம் ஸ்கோர்தான்.

இந்தத் தொழில்நுட்பம் வளரும் நாடுகளுக்கு மிகவும் முக்கியமான ஒன்று. இன்னும் சில ஆண்டு சோதனைக்குப் பின் டில்லி சாந்தினி சவுக்கில் தானோட்டிக்காரை சோதிக்கத்தான் போகிறார்கள். Mobileye –யின் குறிக்கோள்களில் இதுவும் ஒன்று.

இக்கட்டுரைத் தொடரில் பல புதிய தமிழ்ச் சொற்கள் பயன்படுத்தத் தேவையிருந்தது. சில ஆங்கிலச் சொற்களுக்குத் தமிழ் சொற்கள் புதிதாக உருவாக்கவும் நேரிட்டது. புதிய தொழில்நுட்பம் பற்றி தமிழில் எழுதுவதன் அலாதி அனுபவம் இது. இச்சொற்களுக்கு நிகரான சில தமிழ்ச் சொற்களை இங்கு பரிசீலனைக்கென முன் வைக்கிறேன்

ஆங்கிலச் சொல் தமிழ்ப் பரிந்துரை
Licensing உரிமம்
Regulatory bodies சீர்படுத்தும் அமைப்புகள்
Insurance காப்பீடு
Vehicle fleets வாகனத் தொகுதி அமைப்புகள்
Auto safety standard bodies வாகனப் பாதுகாப்பு அமைப்புகள்
Self-driven cars or Driverless cars தானோட்டிக் கார்கள்
Parallel park assist தானே இணை நிறுத்தும் வசதி
Proximity warning feature அருகாமை எச்சரிக்கை அம்சம்
Traffic lanes வரைபாதை
Lane departure warning feature வரைபாதையிலிருந்து சறுக்கல், எச்சரிக்கை அம்சம்
Stop sign நிறுத்தும் குறி
Four way stop நான்கு வழி நிறுத்தம்
Microcomputer/chip revolution நுண்கணினிப் புரட்சி
Windshield wiper கண்ணாடி நீர் துடைப்பான்
Electric ignition மின் கார் துவக்கம்
Turn indicator திருப்புக் குறிகாட்டி
Cruise control வேக சுயக்கட்டுப்பாடு
Electronic fuel injection மின்னணு எரிபொருள் உட்செலுத்தல்
Car diagnostic codes கார் பிரச்னை குறிகைகள்
Collision avoidance systems மோதல் தவிர்ப்பு முறைகள்
Survival எஞ்சுதல்
Innate intelligence உள்ளார்ந்த அறிவு
Machine vision challenge எந்திரப் பார்வை சவால்
Diagnostic computer பிழை ஆய்வுக் கணினி
Level flight சம அளவில் பறப்பது
Park assist feature காரை நிறுத்தும் உதவி அம்சம்
Adaptive cruise control feature சூழலுக்கேற்ப வாகனத்தில் வேகத்தைக் கட்டுப்படுத்தும் அம்சம்
Ultrasonic கேளா ஒலி
Algorithm கணினி மென்பொருள் நெறிமுறை
Location இருப்பிடம்
Traffic signs சாலைச் சைகைகள்
Artificial intelligence (AI) technology செயற்கை நுண்ணறிவுத் தொழில்நுட்பம்
Artificial neural network செயற்கை நரம்பணு வலையமைப்பு
Machine learning எந்திரக் கற்றலியல்
Manufacturing robots தயாரிப்பு ரோபோக்கள்
Feedback பின்னூட்டம்
Deep Learning ஆழக் கற்றலியல்
Calculus நுண் கணக்கியல்
Matrix algebra அணி கணக்கியல்
Nodes கணுக்கள்
Bias சார்பு
Parallel computing ஒப்பிணைவு கணிமை
Input layer உள்வாங்கும் அடுக்கு
Hidden layers மறை அடுக்குகள்
Low resolution குறைந்த பிரிதிறன்
Pixels பட மூலம்
Matrix manipulation of the pixels படமூல அணிமாற்றங்கள்
Automobile platform காரின் அடிப்படைக் கட்டுப்பாடு
Fossil fuel engine தொலெச்ச எரிபொருள் எஞ்சின்
Sensor kit கருவிக் கூட்டு
Automotive recalls கார்களைத் திரும்ப அழைக்கும் ஒழுங்குமுறை
Law சட்டம்
Emission tests உமிழ்வு சோதனைகள்
Seat belt இருக்கை வார்
Air bags காற்றுப் பைகள்
Insurance காப்பீடு
Black box கருப்புப் பெட்டிகள்
Regulation ஒழுங்குமுறைகள்
Vehicle insurance வாகனக் காப்பீடு
Compensation ஈடுகட்டுவது
Repair costs பழுதுபார்க்கும் செலவு
Driver liability ஓட்டுனர் காப்புபிணை
Insurance premium காப்பீடு தவணைத்தொகை
Product liability பொருள் காப்புப் பிணை
Air bags காற்றுப்பை
Warranty claims expense உத்தரவாதப் பழுதுச் செலவு
Driver negligence ஓட்டுனரின்கவனமின்மை

 

கட்டுரையில், கடைசியில் சுட்டிகளைத் தருவதாக எழுதியிருந்தேன். சில சுட்டிகள் எளிமையான ஆரம்பநிலைக் கட்டுரைகள் மற்றும் கானொலிகள். மற்றவை ஆராய்ச்சிக் கட்டுரைகள் – மிகவும் டெக்னிகலானவை. முடிந்தவரை, இவற்றைப் பிரித்து ஒரு நட்சத்திர மதிப்பீட்டுடன் இங்கே அளித்துள்ளேன். அதென்ன நட்சத்திர மதிப்பீடு?

நட்சட்த்திரமதிப்பீடு விளக்கம்
* ஆரம்பநிலை புரிதலுக்கான சுட்டி
** சற்று விவரமானது. அவ்வளவு டெக்னிகல் அறிவுத் தேவையில்லை
*** மிக விவரமானது. கொஞ்சமாவது டெக்னிகல் அறிவு தேவை
**** மிகவும் டெக்னிகலான ஆராய்ச்சிக் கட்டுரை

 

சுட்டிகள்/மேற்கோள்கள்

துறை சுட்டி நட்சத்திரமதிப்பீடு
தானோட்டிக் கார் பற்றிய பொதுச்சுட்டிகள் http://www.mckinsey.com/industries/automotive-and-assembly/our-insights/ten-ways-autonomous-driving-could-redefine-the-automotive-world *
http://www.wired.com/brandlab/2016/03/a-brief-history-of-autonomous-vehicle-technology/
https://techcrunch.com/2015/01/18/autonomous-cars-are-closer-than-you-think/ **
http://www.forbes.com/sites/kbrauer/2016/03/02/top-10-autonomous-car-facts-when-will-self-driving-cars-arrive-whats-holding-them-up/#66f58c7c4f1a *
http://www.economist.com/news/science-and-technology/21696925-building-highly-detailed-maps-robotic-vehicles-autonomous-cars-reality *
http://www.novatel.com/industries/autonomous-vehicles/#products *
https://medium.com/the-ferenstein-wire/futuristic-simulation-finds-self-driving-taxibots-will-eliminate-90-of-cars-open-acres-of-618a8aeff01 *
http://www.mckinsey.com/industries/automotive-and-assembly/our-insights/self-driving-cars-and-the-future-of-the-auto-sector *
http://time.com/3719270/you-asked-how-do-driverless-cars-work/ *
தானியக்க வரலாறு http://www.computerhistory.org/atchm/where-to-a-history-of-autonomous-vehicles/ *
டெக்னிகல் சுட்டிகள் http://auto.howstuffworks.com/under-the-hood/trends-innovations/driverless-car.htm **
https://en.wikipedia.org/wiki/Autonomous_car *
http://www.wired.com/tag/autonomous-vehicles/ *
https://www.google.com/selfdrivingcar/ *
http://www.wired.com/2012/01/ff_autonomouscars/ *
http://www.popsci.com/tags/autonomous-cars *
http://www.rand.org/pubs/research_reports/RR443-2.html ***
http://slidepapers.in/wp-content/uploads/2016/03/Autonomous-Predictions-Vehicle-Implementations.pdf ****
http://www.caee.utexas.edu/prof/kockelman/public_html/TRB16CAVTechAdoption.pdf ***
http://spectrum.ieee.org/automaton/robotics/artificial-intelligence/how-google-self-driving-car-works **
http://www.blg.com/en/NewsAndPublications/Documents/Autonomous-Vehicles2016.pdf ***
https://dzone.com/articles/top-three-challenges-facing-autonomous-vehicles **
http://www.livescience.com/50841-future-of-driverless-cars.html *
http://www.cbronline.com/news/internet-of-things/smart-technology/sensors-wifi-on-board-computing-5-technologies-making-todays-driverless-cars-possible-4859735 ***
http://www.acola.org.au/PDF/SAF05/2Collective%20technologies.pdf ***
http://gizmodo.com/6-simple-things-googles-self-driving-car-still-cant-han-1628040470 ***
https://www.wpi.edu/Pubs/E-project/Available/E-project-043007-205701/unrestricted/IQPOVP06B1.pdf ***
சமுதாயத் தாக்கங்கள் http://www.digitaltrends.com/cars/uber-lyft-drivers-threat-autonomous-cars/ **
https://groups.csail.mit.edu/mac/classes/6.805/student-papers/fall14-papers/Autonomous_Vehicle_Technologies.pdf ***
http://www.autoinsurancecenter.com/top-20-pros-and-cons-associated-with-self-driving-cars.htm **
http://economictimes.indiatimes.com/industry/auto/news/why-indian-roads-will-take-decades-to-be-ready-for-self-driving-cars/articleshow/52018034.cms *
லைடார் https://www.youtube.com/watch?v=EYbhNSUnIdU *
http://www.lidarmag.com/content/view/10780/2/ *
http://www.lidar-uk.com/how-lidar-works/ **
http://spectrum.ieee.org/cars-that-think/transportation/sensors/quanergy-solid-state-lidar ***
https://www.ted.com/talks/chris_urmson_how_a_driverless_car_sees_the_road?language=en **
http://www.businessinsider.com/difference-between-google-and-tesla-driverless-cars-2015-12 **
http://www.nvidia.ca/object/drive-px.html **
http://www.templetons.com/brad/robocars/cameras-lasers.html ***
https://www.technologyreview.com/s/539841/one-camera-is-all-this-self-driving-car-needs/ **
http://www.mouser.com/applications/autonomous-car-sensors-drive-performance/ ***
http://www.allaboutcircuits.com/news/tesla-vs-google-do-lidar-sensors-belong-in-autonomous-vehicles/ ***
http://auto-sens.com/the-challenges-facing-autonomous-vehicles/ **
எந்திரப் பார்வை http://www.roborealm.com/ **
http://www.vision-systems.com/articles/print/volume-16/issue-9a/features/machine-vision-gets-moving-part-i.html ***
http://www.cs.colostate.edu/~draper/papers/buluswar_ijeaai98.pdf ****
http://cs231n.github.io/ ****
http://www.templetons.com/brad/robocars/cameras-lasers.html ***
https://www.youtube.com/watch?v=40riCqvRoMs **
https://www.youtube.com/watch?v=dz_jeuWx3j0  – Deep Learning history ***
https://sagar.se/files/wasa2015.pdf ****
செயற்கை நரம்பணு வலையமைப்பு http://www.explainthatstuff.com/introduction-to-neural-networks.html ***
http://www.andreykurenkov.com/writing/a-brief-history-of-neural-nets-and-deep-learning/ ***
https://www.youtube.com/watch?v=l2dVjADTEDU Hinton *
http://image-net.org/index **
https://techcrunch.com/2016/12/01/facebooks-advice-to-students-interested-in-artificial-intelligence/ ***

சொல்வனம் – நவம்பர் 2017

Advertisements

தானோட்டிக் கார்கள் – போக்குகள் மற்றும் எதிர்காலம் – பகுதி 14

காரை ஓட்டிச் செல்லும் பொழுது நமது மனம் கார் ஓட்டுவதைப் பற்றி மட்டுமே சிந்தனை செய்வதில்லை.

“அலுவலகத்தில் வீட்டுச் சாவியை விட்டு விட்டேனே” என்று மனம் அங்கலாய்க்கிறது.

”அடுப்பில் கொதிக்கும் ரசத்தைப் பார்த்தேன். ஆனால், அடுப்பை அணைத்தேனா?” என்று சந்தேகம் வருகிறது.

”இப்படி வியாபாரத்தில் காலை வாரி விடுவான் என்று ஏன் நான் எதிர்பார்க்கவில்லை?” என்று கோபம் வருகிறது.

“குழந்தை இப்படி விழுந்து விட்டதே. எத்தனை அடியோ!” என்று பதைபதைக்கிறது.

இப்படிக் கார் ஓட்டும் பொழுது மனம் அலை பாய்ந்தால். சாலை விதிகளை மீறி நம்மை விபத்திற்கு அருகே கொண்டு செல்கிறது. சில சமயம் விபத்தில் சிக்குகிறோம். தானோட்டிக் காருக்கு இந்த வகை கவனச் சிதறல்கள் இல்லை. சாலை மற்றும் அதன் விதிகள் மீதே குறியாய் இருக்கும் தானோட்டிக் கார் மனிதரைப் போல சிந்தனைச் சிக்கல்களில் மாட்டிக் கொள்வதில்லை. பிரச்னை என்னவென்றால், எப்படி மனிதர்களுடன் சாலைகளைப் பகிர்ந்து கொள்வது என்பது. அத்துடன், எத்தனைதான் சோதனைகளில் வெற்றி பெற்றாலும், மனித ஓட்டுனர்களை விடப் பல மடங்கு நல்ல காரோட்டியாக இருக்க வேண்டும். மனிதர்களுக்காக உருவாக்கப்பட்ட சாலை விதிகளுக்குக் கட்டுப்பட வேண்டும்.

உலகின் பல நாடுகள்/நிறுவனங்கள்,  இந்தத் தொழில்நுட்பத்தின் நல்முகத்தைக் கண்டு, பல கோடி டாலர்கள் முதலீட்டில், ஆராய்ச்சி மற்றும் சோதனைகளில் கொட்டியுள்ளார்கள். ஆனால், இந்தத் தொழில்நுட்பம் எப்படி நம் சமூகங்களைப் பாதிக்கும் என்று திட்டவட்டமாகச் சொல்ல முடியாது. ஆயினும், இன்று நமக்குத் தெரிந்த போக்குகள், சவால்களை வைத்துச், சில யூகங்களை முன் வைக்க முடியும். இதில் எத்தனை யூகங்கள் உண்மையாகும் என்று சொல்வது கடினம்.

நம்முடைய இந்தப் போக்கு பற்றிய யூகங்களைச் சில ஐந்து ஆண்டுகள் வாரியாகப் பிரித்துப் பார்த்தால், சற்று தெளிவு பிறக்கலாம். இதில் சொல்லியுள்ள யூகங்கள் ஒரு ஐந்து ஆண்டு இடைவெளியிலிருந்து அடுத்த ஐந்தோ அல்லது பத்தாண்டு இடைவெளிக்கோ நடைமுறை பிரச்னைகளைச் சார்ந்து மாறலாம். நம்முடைய இந்த அலசல் ஒரு 20 ஆண்டுகளை மட்டுமே கருத்தில் கொள்ளும். அதன் பின் என்ன நடக்கும் என்பதை யூகிப்பதும் கடினம்.

முதல் 5 ஆண்டுகள் (2017 – 2021)

  1. பல புதிய சோதனைத் தானோட்டிக் கார்களைச், சில பகுதிகளில் அறிமுகப் படுத்த கார் நிறுவனங்கள் முயற்சிக்கலாம். அதுவும் பெரிய ஊபர் போன்ற இணையக் கார் வாடகை அமைப்புகளுடன் இந்த முயற்சி மேற்கொள்ளப்படலாம். இதில் சிக்கல்களும் உருவாகலாம். சமீபத்தில் (டிசம்பர் 2016) ஊபர் நிறுவனத்தை, இவ்வகைச் சேவைகளை கலிஃபோர்னியாவில் நிறுத்தச் சொல்லி அரசாங்கம் கட்டளையிட்டது நினைவிருக்காலாம்
  2. சோதனைகள், இரண்டு விதத்தில் முன்னேறலாம். முதலில் Otto போன்ற ஊபரின் லாரி சேவைகள் அதிக மழை மற்றும் பனிப் பொழிவு அற்ற அமெரிக்க மாநிலங்களில் சரக்குப் போக்குவரத்திற்குச் சோதிக்கப்படலாம். லாரி டிரைவர்கள் பற்றாக்குறை என்பது பெரிய சாக்காக முன் வைக்கப் படலாம். இந்தச் சோதனைகளின் வெற்றி மிகவும் முக்கியமானது. இதுவே பல்வேறு லாரி நிறுவனங்களுக்கும், இவ்வகைத் தானோட்டி லாரிகள் ஒரு சரியான தீர்வா என்று முடிவு செய்ய உதவும்
  3. தானோட்டிக் கார்கள், பலத்த மழை மற்றும் பனிப்பொழிவில் பயணம் செய்யும் சோதனைகள் ஆரம்பிக்கப்படும். பனிப் பொழிவில் பிர்த்யேகமான டயர்கள் கொண்டு இயங்குவதற்கும், அனைத்து சீசன் டயர்களுடன் இயங்குவதற்கும் நிறைய வித்தியாசம் உள்ளது. மழையில் டயர்களின் சாலைப் பிடிப்பு வேறுபடும். ஆனால், இவை மிக முக்கிய பிரச்னைகள் என்பதால், இதில் அதிக முதலீடு இருக்கும். கனடாவின் Blackberry இந்த ஆராய்ச்சியில் இறங்கியுள்ளது குறிப்பிடத்தக்கது. கனடாவை விட இதற்கு ஏதுவான நாடு எதுவாக இருக்க முடியும்?
  4. கூகிள் தன்னுடைய வழக்கமான வியாபார அணுகுமுறையைத் துறந்து தன்னுடைய தானோட்டிக் கார்த் தொழில்நுட்பத்தை Waymo  என்ற நிறுவனம் மூலம் பல்வேறு கார் தயாரிப்பாளர்களுக்கு விற்கத் தயாராகி வருகிறது, தன்னுடைய ஆண்ட்ராய்டு செல்பேசி இயக்க மென்பொருள் போலல்லாமல் இதை விற்பனைப் பொருளாக்குவது கூகிளுக்கு இது முதல் முறை. ஜப்பானின் ஹோண்டா நிறுவனம் கூகிளுடன் பேச்சுவார்த்தை நிகழ்த்தி வருகிறது
  5. போக்குவரத்து விதிகள், சில அமெரிக்க மாநிலங்களில் தளர்த்தப் படலாம். டெஸ்லாவின் ஆட்டோ பைலட் என்பது இக்காரின் தானியக்க வசதியின் பெயர். டெஸ்லாவைத் தொடர்ந்து மற்ற கார் நிறுவனங்களும், இது போன்ற முறையைப் பின்பற்றலாம். அதாவது, 4 நிமிடம் வரை, ஒரு ஓட்டுனர், இருக்கையில் இருக்கையில், தானோட்டி முறையில் கார் பயணிக்கலாம். அதற்கு மேல், பல வித எச்சரிக்கைகளுடன் ஓட்டுனரிடம் காரைக் கட்டுப்படுத்தத் தானோட்டிக் கார் விட்டுவிடும்

இரண்டாம் 5 ஆண்டுகள் (2022 – 2027)

  1. சாலை விதிகள் தானோட்டி வாகனங்களுக்குத் தோதாகச் சற்றுத் தளர்த்தப்படலாம். அதிலும், மிக முக்கியமாக, நெடுஞ்சாலை விதிகள் முதலில் தளர்த்தப்படலாம்
  2. நெடுஞ்சாலையில் உள்ள டீசல் பம்புகள் தானோட்டி லாரிகளுக்குத் தக்கவாறு சில பம்புகளை மாற்றலாம். இவை ரோபோ கரங்களால் இயங்கும் பம்புகள்
  3. சில அமெரிக்கத் தென் மாநிலங்கள், பெரிய நகரங்களில், தானோட்டிக் கார்களுக்குத் தனியான வரைபாதைகளை உருவாக்கலாம். சாலைப் பராமரிப்பிற்கு, இணையக் கார் வாடகை நிறுவனங்கள் பணம் கட்டுவதற்கு ஒப்புக்கொள்ள வேண்டும்
  4. இப்படித் தனியான வரைபாதைகள் உருவாக்கும் நகரங்கள், ஊருக்கு வெளியே தானோட்டிக் கார்களை நிறுத்த இடம் தரவேண்டும். இது மிகப் பெரிய தகராறான விஷயம். இதில் நெடு நாள் குத்தகை என்று பல புதிய விஷயங்களும் அடங்கும். நகர மைய கார் நிறுத்தும் வாடகை வசூலை ஈடுகட்ட நகரங்கள் முயற்சிக்கும். இந்த இழுபறியில் யார் வெற்றி பெறுவார்கள் என்று சொல்வது கடினம். அத்துடன், இந்தக் கால கட்டத்திலா, அல்லது அடுத்த ஐந்தாண்டுகளில் நிறைவேறுமா என்றும் சொல்வது கடினம்
  5. ஊபர் போன்ற நிறுவனங்கள், சில பகுதிகளில் மனித ஓட்டுனர்கள், மற்றும் சில பகுதிகளில் தானோட்டிக் கார்களை இயக்குவதால், பல தொழிலாளர் பிரச்னைகளைச் சந்திக்க வேண்டி வரும்
  6. இணையக் கார் வாடகை நிறுவனங்கள், தாங்கள் இயக்கும் தானோட்டிக் கார்களை, அரசாங்கப்  போக்குவரத்து அமைப்புடன் முன் பதிவு செய்து கொள்ள வேண்டி வரும். இதில் உள்ள காப்புப்பிணை விஷயங்களும் தீர்க்கப்பட வேண்டும். நிறுவனக் காப்புப்பிணைப் பிரச்னை தனியார் காப்புப்பிணையை விட முதலில் தீர்க்கப்படும்
  7. தானோட்டிக் கார் என்பது பரவலாக, 40,000 டாலர் கார் வரை ஒரு அம்சமாக இருக்கும். டெஸ்லாவின் ஆட்டோ பைலட் போன்ற அமைப்பே இன்னும் நிலவும் என்பது என் எண்ணம். சாலை விதிகள் மாறாதவரை ஒரு வினோத அம்சமாகவே இவை இருக்கும்
  8. தானோட்டிக் கார் நிறுவனங்கள், நீதி மன்றங்களை நாடி பல்வேறு ஓட்டுனர் சார்ந்த சட்ட விஷயங்களைத் தெளிவு படுத்த வேண்டி வரும். இவை மிக சீரியஸாக, ஒரு நுகர்வோர் பிரச்னையாக முன் வைக்கப்படும். தானோட்டிக் கார் நிறுவனங்கள் எத்தனை காப்புப்பிணையை ஏற்றுக் கொள்ளும் என்பது ஒரு பெரிய கேள்விக்குறி. என் பார்வையில், இந்தப் பிரச்னை எளிதில் இந்த ஐந்தாண்டு காலத்தில் தீர்க்கப்படாது
  9. வளரும் நாடுகள் பொருள் காப்புப்பிணைச் சட்டங்களை விவாதிக்கத் தொடங்கும். பல வளரும் நாடுகள் புதிதாக இவ்வகைச் சட்டங்களை முன் வைக்கும். இதனால், தானோட்டிக் கார் அல்லாத மனித ஓட்டுனர் கார்களும் பயன் பெறும்
  10. சரக்குப் போக்குவரத்துப் பாதிக்குப் பாதித் தானோட்டி லாரிகளுக்கு மாறிவிடும்
  11. மழை மற்றும் பனிப்பொழிவில் தானோட்டிக் கார்கள் மனிதர்களைவிட ஒழுங்காக ஓட்டுவது ஒரு பெரிய தானோட்டி கார் டெமோவாக மாறும்

மூன்றாம் 5 ஆண்டுகள் (2028 – 2032)

  1. வரண்ட, மழை மற்றும் பனிப்பொழிவு உள்ள சாலைகளில் எளிதாகக் காரோட்டும் முறைகளை மாற்றிக் கொள்ளும் தானோட்டிக் கார்கள் அறிமுகமாகும்
  2. எல்லாக் கார் தயாரிப்பாளர்களும் தானோட்டிக் கார் அம்சங்களை அறிமுகப்படுத்துவார்கள். இவ்வகை அம்சமற்ற கார்கள் மற்றும் லாரிகளை விற்பது கடினமாகிவிடும்
  3. கார், பஸ் மற்றும் லாரிகளின் உடல் பகுதிகள், தானோட்டலுக்குத்  தேவையான உணர்விகளுடன் உருவாக்கப்படும். குறிப்பாக, காமிராக்கள், கேளா ஒலி உணர்விகள், மற்றும் ராடார்கள் இதில் அடங்கும்
  4. பொதுப் போக்குவரத்தில் தானோட்டிப் பேருந்துகள் அறிமுகப்படுத்தப்படும். இவற்றுக்காக தனியான வரைபாதையும் உருவாக்கப்படும். பொதுப் போக்குவரத்துப் பேருந்துகள், நுகர்வோரின் தானோட்டித் தொழில்நுட்பம் பற்றிய பயங்களை அகற்ற மிகவும் பயன்படும்
  5. அதிகமாகத் தானோட்டி அம்சங்கள் உள்ள கார்கள் விற்பனை, பொதுச் சாலைச் சட்டங்களை மாற்ற அரசுக்கு அழுத்தம் ஏற்படும். பல சட்ட ஆரம்பச் சறுக்கல்களை இந்த ஐந்தாண்டில் பார்க்கலாம். ஏனென்றால், முழுவதும், மனிதக் கார்கள் சாலையிலிருந்து நீங்கியிருக்காது. சட்டம் இரு தரப்பினருக்கும் – அதாவது, மனிதர் மற்றும் தானோட்டிக் கார்களுக்கும் நடுநிலையாக உருவாக்கப்பட வேண்டும். இது ஒரு இமாலயப் பிரச்னை. அத்துடன், எல்லாச் சிக்கல்களையும் யாருமே முன்கூட்டியே அறிய முடியாது. மனிதக் காரோட்டிகளுக்கான சட்டங்கள் ஓரளவிற்கு முதிரவே ஒரு 50 முதல் 60 ஆண்டுகள் பிடித்தன என்பதை நினைவில் கொள்ள வேண்டும்
  6. நகர அரசாங்கங்கள் கையைப் பிசையும் முதல் ஐந்தாண்டாக இதுவே இருக்கக்கூடும். ஏனென்னில், இவற்றின் கார் நிறுத்தும் வருமானம் ஏராளமாகக் குறைந்துவிடும். அத்துடன், புதிய புறநகர் பகுதிகளில், கார் கராஜ் மற்றும் கார் செலுத்தும் வழி இரண்டும் தேவையற்று போய்விடும். அதாவது, வளரும் நாடுகளில் உள்ளது போல, 800 சதுர அடி வாழுமிடம் என்றால், 1,000 சதுர அடி நிலம் போதுமானது. இன்றைய புறநகர் அரசாங்கங்கள், இதே 800 சதுர அடி வாழுமிடத்திற்கு, குறைந்தபட்சம், 2,000 சதுர அடி நிலம் என்று விற்கப்படுகிறது. எஞ்சியுள்ள 1,200 சதுர அடிக்கு கார் கராஜ், கார் செலுத்தும் வழி மற்றும் ஒரு சிறிய புல்தரை என்று விற்கப்படுகிறது. வரி என்னமோ 2,000 சதுர அடிக்கு என்று கணக்கிடப்படுகிறது. இதுவே 1,000 சதுர அடியானால், உள்ளூர் அரசாங்கத்திற்கு வரி வருமானம் இடிக்கும். புதிய வரிகளைத் தானோட்டி கார் நிறுவனங்களிடம் வசூலிப்பது அவ்வளவு எளிதான விஷயமல்ல
  7. கார் வாங்குவதும் குறையத் தொடங்கலாம். இன்று சென்னையில் பல இடங்களுக்கு வருவதில்லை என்று அடம்பிடிக்கும் ஆட்டோக்களைப் போல இருந்தால், மேற்குலகில் சரிப்படாது. நுகர்வோர் இவ்வகைத் தானோட்டிக் கார்/பஸ் சேவைகளை, ஒரு அடிப்படை உரிமையாக மாற்றக் கோரலாம்!
  8. தானோட்டி வாடகைக் கார் நிறுவனங்கள், பல புதிய சேவைகளை உருவாக்கலாம். அதாவது, ஒரு வாரத்தில், ஒரு பயணியின் பல்வேறு தேவைகளை இணையம் மூலம் தானோட்டிக் கார் நிறுவனம் பூர்த்தி செய்யலாம். ஐந்து வேலை நாட்களில் காலையும், மாலையும் ஒரு நுகர்வோரின் தேவைக்கேற்றபடி, அவரது வீட்டிலிருந்தும், அலுவலகம்/ தொழிற்சாலையிலிருந்தும், அழைத்துச் செல்வது, வாரக் கடைசியில் குறிப்பிட்ட கடைகளுக்குச் செல்வது என்று பல விதத் தனிப்பட்ட வசீகரப் ’பேக்கேஜ்’ சேவைகள் வரத் தொடங்கும்
  9. தானோட்டி வாடகைக் கார் நிறுவனங்கள், நகர அரசாங்கங்களின் வருமான அழுத்தத்திலிருந்து வாடுவதற்கு பதில், தன்னுடைய கார்களில், விளம்பரங்களைச் சேர்த்து, புதிய வருமானம் ஈட்ட முயற்சிக்கலாம். பயணிகளின் எரிச்சலுக்கும் இதனால் ஆளாகலாம்
  10. சிக்கலான வளரும் நாடுகளில் உள்ள போக்குவரத்து சவால்களையும் – உதாரணம், பழைய டில்லியில் உள்ள சாந்தினி செளக், சென்னை பாரி முனை, கல்கத்தாவின் மைய சாலைகள், மும்பையின் க்ராஃபோர்ட் மார்கெட் – சமாளிக்கக்கூடிய தானோட்டிக் கார்கள் சோதனைக்கு வரும். இன்றே இவற்றைப் பற்றிய சிந்தனை பல செயற்கை நுண்ணறிவு பற்றிய கருத்தரங்குகளில் பேசப்படுகிறது
  11. மேற்குலகில், ஒரு மாபெரும் தானோட்டிச் சாலை ஒழுங்குமுறைக் கல்வித் திட்டம், காவலர்களுக்குப் தொடங்கப்படலாம்

நான்காம் 5 ஆண்டுகள் (2033 – 2037)

  1. பல பொதுச்சாலை விதிகள் கடந்த 10 ஆண்டு அனுபவத்தைக் கொண்டு மாற்றி அமைக்கப்படலாம். மேற்குலகில், கார்களின் சொந்தக்காரர்கள் குறைந்து கொண்டே வரலாம். பழைய, மனிதக் கார்கள் ஒரு 40% -க்கு தள்ளப்படலாம். மனிதக் கார்களைப் பராமரிப்பதும் ஒரு பெரும் செலவான விஷயமாகலாம்
  2. வளரும் நாடுகளில், சாலை விதிகள் மாறத் தொடங்கலாம். அத்துடன், தானோட்டிக் கார்கள் மற்றும் லாரிகள் சோதனை கட்டத்திலிருந்து, பொதுப் பயன்பாட்டிற்கு மாறலாம்
  3. மேற்குலகில், தானோட்டிச் சாலை ஒழுங்குமுறைக் கல்வித் திட்டம், காவலர்களுக்குப் பயணளிக்கத் தொடங்கலாம். புதியக் காவலர்கள், இவ்வகைக் கார்கள் எங்கு எல்லை மீறுகின்றன என்பதைப் பழைய காவலர்களை விடச் சுட்டியாகக் கண்டுபிடிக்கக்கூடும்
  4. தானோட்டிக் கார்களின் விலை 30,000 டாலர்களை விடக் குறையத் தொடங்கலாம். அத்துடன், சூரிய ஒளி மற்றும் மின்கலத்தால், இவை இயங்கத் தொடங்கலாம். இந்த விலைக்குக் கார் வேண்டுமானால், தொல்லெச்ச எரிபொருளை மற்றும் எண்ணெய்களைத் துறக்க வேண்டும்
  5. வளரும் நாடுகளின் சிக்கலான சாலைகள், யூரோப்பின் பழைய நகரப் போக்குவரத்துச் சவால்களைத் தானோட்டிக் கார்கள் சமாளிக்கத் தொடங்கிவிடும்
  6. லாரி மற்றும் பஸ் டிரைவர் என்பது ஒரு மிகச் சிலரே மேற்குலகில் ஒரு தொழிலாக வைத்திருக்கக்கூடும்
  7. வீட்டிற்கு மளிகை சாமான்களை டெலிவரி செய்வது போன்ற வேலைகளைத் தானோட்டிக் கார்களே செய்யும் சேவை உருவாகும். இதே போல, குழந்தைகளைப் பாதுகாப்பாக வாரக்கடைசி வகுப்புகளுக்குச் செல்வது, வீட்டிற்குத் திரும்புவது போன்ற வேலைகளையும் தானோட்டிக் கார்களே செய்யும்
  8. நகர விரிவாக்கம் 2017 –ல் இருப்பதை விட இன்னும் அதிகமாகலாம். நகர மையங்களில் கார்களை நிறுத்துமிடம் என்பது சரித்திரம் ஆகலாம்
  9. போக்குவரத்து நெரிசல் விஷயத்தில் தானோட்டிக் கார்கள் உதவிதா இல்லையா என்ற பட்டி மன்றம் நிகழ்ந்து கொண்டே இருக்கும்
  10. பல கார் நிறுவனங்கள் மூடப்படலாம். ராட்சச இணையத் தானோட்டி வாடகைக் கார் நிறுவனங்களுக்கு விற்று அதிக லாபமில்லாமல், சில நிறுவனங்களே கார் தொழிலில் ஈடுபடலாம்

இந்த 40 யூகங்களில் 20 யூகங்கள் நிச்சயமாக நடக்கும் என்பது என் எண்ணம். சற்று இந்த ஐந்தாண்டோ அடுத்த ஐந்தாண்டோ அல்லது பத்தாண்டோ என்பது மட்டுமே திட்டவட்டமாகச் சொல்ல முடியாதது.

சொல்வனம் – அக்டோபர் 2017

தானோட்டிக் கார்கள் – தொழில்நுட்ப அறிமுகம் – ஒரு படத்தைப் பார்த்து அது என்னவென்று எப்படி கணினி கண்டுபிடிக்கிறது? -பகுதி 9

2015 –ஆம் ஆண்டு, அமெரிக்காவில் உள்ள மிஷிகன் மாநிலத்திற்குச் சென்றிருந்தேன். இந்திய உணவு விடுதியில் சாப்பிட்டுவிட்டு, எனக்குப் பக்கத்தில் உள்ள Best Buy  என்ற மின்னணுச் சில்லரை வியாபாரக் கடைக்குச் செல்ல வேண்டியிருந்தது.

அங்கு விடுதியில் வேலை செய்யும் தொழிலாளி ஒருவரிடம் வழி கேட்டேன். அங்கு, மேஜையிலிருந்த ஆண்ட்ராய்டு திறன்பேசியிடம், ’பக்கத்தில் Best Buy எங்கிருக்கிறது?’ என்று ஆங்கிலத்தில் கேட்டார். அவர் கையுறை அணிந்திருந்ததால், இப்படி கூகிள் வரைபடத்துடன் பேசினார்.

சிவராமனோ, மாணிக்கமோ அவர் பெயர் நினைவில்லை. எப்படி கூகிள் வரைபடம், அவருடைய இந்திய ஆங்கிலத்தைப் புரிந்து கொண்டது? சரியாக அந்த விடுதியிலிருந்து கடைக்கு வழியைக் காட்டியது. திறன்பேசியைச் சற்று திருப்பி என்னைப் படிக்கச் சொன்னார் அவர்.

எந்திரக் கற்றலியல் ஒன்றும் எதிர்காலச் சமாச்சாரம் இல்லை. இன்று கூகிளின் பல முயற்சிகளில் எந்திரக் கற்றலியல் மறைந்துள்ளது. சமீபத்திய கூகிள் பிக்ஸல் திறன்பேசி ஒரு செயற்கை நுண்ணறிவை அடிப்படையாகக் கொண்ட முதல் திறன்பேசி என்று ஒரு தொழில்நுட்பக் கட்டுரையில் சமீபத்தில் படிதேன்.

~oOo~

ஆராய்ச்சிக் கட்டுரைகளிலும், சின்னச் சின்ன சோதனைகளில் ஓரளவு வெற்றி பெற்ற இவ்வகைச் செயற்கை நரம்பணு வலையமைப்புகளுக்கு ஒரு திருப்புமுனையாக இருந்த வருடம் – 2012. உலகம், இது வெறும் பலகலைக்கழக விளையாட்டு அல்ல என்று சீரியஸாக எடுத்துக் கொண்டது இவ்வாண்டில். இதற்குக் காரணம் கனடாவின் டொரோண்டோ பல்கலைக்கழக ஆராய்ச்சியாளர்கள் குழு ஒன்று உருவாக்கிய நிரல், பல கோடிப் படங்களை மிகக் குறைந்த தவறுகளுடன் சரியாக அடையாளம் காட்டியது. ஜெஃப் ஹிண்டன் தலைமையிலான இக்குழு, எந்திரக் கற்றலியல் உலகில் புரட்சி செய்தது என்று தாராளமாகச் சொல்லலாம். இத்தனைக்கும் அவர்களுடைய செயற்கை நரம்பணு வலையமைப்புக்கு வெறும் இரண்டு வாரப் பயிற்சி மட்டுமே அளிக்கப்பட்டது.  எப்படி இது திடீரென்று சாத்தியமானது?

திடீரென்று எதுவும் நடக்க வில்லை. ஸ்டாண்ஃபோர்டு மற்றும் பிரின்ஸ்டன் பல்கலைக்கழகங்கள், இணையத்தில் உள்ள பல கோடிப் படங்களை, பல்லாயிரம் தன்னாவலார்கள் மூலம் பட்டியலிட்டது. இதில், அன்றாடப் பொருள்கள், மிருகங்கள், பறவைகள் எல்லாவற்றையும் பட்டியலிட்டார்கள். கூகிள் இதற்குப் பல விதத்திலும் உதவியது. பல கோடி படங்களை கூகிள் இன்றும் தன்னுடைய தேடல் எஞ்சின் மூலம் தேக்குகிறது. இது மிகவும் பெரிய ஒரு பணி. நாய் என்றால், பல லட்சம் நாய்களின் படங்கள், நாறகாலி என்றால், இன்னும் சில லட்சம் என்று இந்த Imagenet உருவாகியது.

உதாரணத்திற்குக், கீழே உள்ளப் பட்டியல், சில வகைப்பாடுகளின் பட்டியல் அளவைக் காட்டுகிறது. 339 ஆயிரம் மலர்களின் படங்களைப் பட்டியலிட்டுள்ளார்கள்,  அதே போல, 374 ஆயிரம் வாகனங்களின் படங்களையும் பட்டியலிட்டுள்ளார்கள். ஒவ்வொரு வகையிலும் பல நூறு வேறுபாடுகள் அடங்கும், உதாரணத்திற்கு, ஒரு ஃபோர்டு ஃபோகஸ் காரின் நூற்றுக்கணக்கான படங்கள் பட்டியலிடப்பட்டிருக்கும். இதில் இந்தக் காரின் பல்வேறு கோணங்களில் எடுத்தப் புகைப்படங்கள் அடங்கும்.

High level category # synset (subcategories) Avg # images per synset Total # images
animal 3822 732 2799K
appliance 51 1164 59K
bird 856 949 812K
fish 566 494 280K
flower 462 735 339K
food 1495 670 1001K
fruit 309 607 188K
furniture 187 1043 195K
musical instrument 157 891 140K
plant 1666 600 999K
reptile 268 707 190K
sport 166 1207 200K
tree 993 568 564K
vegetable 176 764 135K
vehicle 481 778 374K
person 2035 468 952K

 

இது எந்திரக் கற்றலியல் துறைக்கு, ஒரு மிகப் பெரிய வரப்பிரசாதம். எந்திரங்களுக்குப் பல படங்களைக் கற்றுக் கொடுப்பதற்கு மிகவும் முக்கியமான ஒரு முன்னேற்றம் இது. தன்னுடைய பல்லாண்டு உழைப்பை மிக அழகாக இங்கு இதன் ஆராய்ச்சியாளர் விளக்குகிறார்;

முக்கியமாகச், செயற்கை நரம்பணு வலையமைப்பிற்குத் தேவையான விஷயம் பயிற்சிப் படங்கள், இவ்வகை வலையமைப்புகளில், பல அடுக்குகள் இருக்கும் என்று சொல்லியிருந்தேன். இந்த அடுக்குகளில் முதல் அடுக்கு  உள்வாங்கும் அடுக்கு (input layer) என்று சொல்லப்படுகிறது. கடைசி அடுக்கு வெளிப்பாடு அடுக்கு (output layer) என்று சொல்லப்படுகிறது. வலையமைப்பின் தேவைக்கேற்ப, விஞ்ஞானிகள் பல இடை அடுக்குகளை நம் மூளையில் உள்ளது போல உருவாக்குகிறார்கள். இவற்றை மறை அடுக்குகள் (hidden layers) என்று சொல்லப்படுகிறது. இந்த அடுக்குகள் என்ன செய்கின்றன?

மேல்வாரியாகச் சொன்னால், கீழே விளக்கியுள்ளது போலப் புரிந்து கொள்ளலாம். அடைப்புக்குறிக்குள் கொஞ்சம் டெக்னிகலான விளக்கம். உதாரணத்திற்கு, ஒரு காரின் படத்தை இந்த வலையமைப்பின் முன் வைக்கிறோம் என்று வைத்துக் கொள்வோம்

  1. முதல் அடுக்கில் ஓரளவு குறைந்த பிரிதிறன் (low resolution) படத்தின் படமூலம் (pixels) உள்வாங்கப் படுகிறது (இது filtering என்று அழைக்கப்படுகிறது)
  2. அடுத்த அடுக்கில், முதல் அடுக்குடன் இணைக்கப்பட்டுள்ள இணைப்புகள் அந்தப் படத்தின் முக்கிய வடிவமைப்பு அம்சங்களைப் பிரித்தெடுக்கும் – காரின் டிக்கி, சக்கரம், எஞ்சின் பகுதி, பின் கண்ணாடிகள் போன்ற விஷயங்களை மட்டும் பிரித்தெடுக்கும் (இது, ஏராளமான உயர்க் கணிதமான Convolutions மூலம் நிகழ்கிறது. எந்த அம்சம் ஒரு கணினிக்கு முக்கியம் என்பது கணிதம் மூலமே நிச்சயிக்கப்படுகிறது. டிக்கி, எஞ்சின் போன்றவை ஒரு விளக்கத்திற்காக மட்டுமே பயன்படுத்தியுள்ளேன்)
  3. அடுத்த அடுக்கில், இன்னும் சில சின்ன வளைவுகள், நீட்டங்கள்  –  காரின் முன்பக்கம் தெரிவதென்றால், ரேடியேட்டர், தலை விளக்குப் பின் பக்கம் தெரிவதானால், டிக்கி விளக்குகள், காரின் பின் மற்றும் முன் கண்ணாடியின் வளைவுகள் போன்ற விஷயங்கள் அடுத்தக் கட்டமாக இருக்கலாம். (இவை ஓரளவு யூகம்தான் – ஒவ்வொரு படியிலும் நடப்பவைச் சிக்கலான படமூல அணி மாற்றங்கள் (matrix manipulation of the pixels) – இவற்றிற்கு ஒரு சரியான காட்சி சார்ந்த விளக்கம் என்பது இயலாத காரியம்)
  4. இப்படிப் படிப்படியாக நிகழும் இந்தப் படமூலச் சிதறல், இன்னும் சில படிகளைத் தாண்டி உள்வாங்கிய படம் காரா என்பதோடு நிற்காமல், இந்த வலையமைப்புப் பயிற்சிக்குப் பிறகு, ஃபோர்டு ஃபோகஸா என்று சரியான சாத்தியக்கூறுகள் வெளி வருவதால், வெளிப்பாடு அடுக்கில் தகுந்த முடிவை எடுக்க முடிகிறது

பயிற்சி மூலம், ஒரு செயற்கை நரம்பணு வலையமைப்பிற்குத் தகுந்த சார்புகளை (bias and weights) உள்வாங்கியிருக்கும். இதனால், தான் பார்க்காத கோணத்தில் ஃபோர்டு ஃபோகஸ் கார் இருந்தாலும், இந்த வலையமைப்பு அதைச் சரியாக அடையாளம் காட்டி விடும். மற்றபடி உள்ளே நடப்பவை கணித ஜாலங்கள் என்றும் கொள்ளலாம்.

இது போலத்தான், சற்று மங்கிய வெளிச்சத்தில், அரைகுறையாகத் தெரியும் லாரிகள், பாதசாரிகள், சைக்கிள்கள், சாலைக் குறிகைகள் எல்லாவற்றையும் தானோட்டிக் கார்கள் அடையாளம் காட்டி முடிவெடுக்கிறது.

இதில் முக்கியமான விஷயம் ஃபோர்டு காரின் கலர் முக்கியமில்லை. அதன் அளவுகள், அந்தக் காருக்கும் தானோட்டிக் காருக்கும் உள்ள தூரம், ஃபோர்டு கார் செல்லும் கோணம், இவை எல்லாம் தான் முக்கியம்.

இந்தத் தொழில்நுட்பம், இன்று திறன்பேசியில் சில்லரை வியாபாரக் கடை பேரைச் சொன்னால், ஒலியிலிருந்து, அதை ஒரு தேடல்ச் சொற்றொடராக மாற்றுகிறது. கூகிள் வரைபடம் மற்ற வேலைகளைச் செய்கிறது. இங்குச் செயற்கை நரம்பணு வலையமைப்பின் வேலை, குரலை வைத்துச் சரியான சொல்லைக் கண்டுபிடிப்பது. பல குரல்களிலும் பயிற்சி செய்யப்பட்ட இந்த வலையமைப்பு, நமது மாணிக்கத்தின் ஆணையைப் பல அடுக்குகளில் கணித ஜாலத்தால், சரியாக Best Buy என்று கண்டுபிடித்து விடுகிறது. ஒன்றை கவனித்தீர்களா? நான் மாணிக்கத்தை வழி கேட்ட விடுதியில் திறன்பேசியைச் சுற்றிச் சத்தம் இருந்தது. மற்றவர்கள் சத்தப்படுத்தி/பேசி உண்டு கொண்டிருந்தார்கள். இவ்வகைச் சத்தங்களையும் தாண்டி, இந்தச் செயற்கைத் திறன் மென்பொருள் எப்படிச் சரியாகச் சொற்களைக் கண்டு பிடிக்கிறது? எல்லாம் filtering  மூலம் நடப்பவை. இந்த நிரலுக்கு எஸ்பிபியா அல்லது யேசுதாஸா என்று கண்டுபிடிக்கத் தேவையில்லை. என்ன சொல்கிறார் நமது மாணிக்கம் என்பதே முக்கியம்.

செயற்கை நரம்பணு வலையமைப்பிற்குப் பயிற்சி என்பது ஒரு மிகச் சிக்கலான பிரச்னை. நாம் பார்த்த இரு உதாரணங்களிலும், இதை எளிதில் புரிந்து கொள்ளலாம், Imagenet -ல் 374,000 படங்கள், வாகனப் படங்கள். ஒரு படத்தின் பிரிதிறன்,(resolution)  32 x 32 என்று கொண்டால் கூட, ஒரு படத்திற்கு 1024 படமூலங்கள் உள்ளன. இதற்குக் குறைந்தபட்சம் 1024 செயற்கை நரம்பணுக்கள் முதல் அடுக்கில் தேவை. 374,000 * 1024 = கிட்டத்தட்ட 383 பில்லியன் பயிற்சிப் படமூலங்கள் இதில் அடங்கும் என்றால் தலை சுற்றும் விஷயம். நாம் தலை நரைத்து, இந்தத் தொழில்நுட்பத்தின் பயனையே பார்க்க முடியாது. அதே போல, உலகில் உள்ள பல மனிதக் குரல்களைக் கொண்டு Best Buy  என்று சொல்ல வைத்துச் செயற்கை நரம்பணு வலையமைப்பைப் பயிற்சிக்க முடியாது. இதற்கு என்ன வழி?

இது சற்று நம்புவதற்குக் கடினமான விஷயம். ஆனால், சில வாகனங்களை மட்டுமே ஒரு பயிற்சிக்காகப் பயன்படுத்திக் கொண்டு புதிய வாகனப் படங்களை உட்கொண்டவுடன் செயற்கை நரம்பணு வலையமைப்பு வாகனம் என்று அடையாளம் காட்டக் கற்றால், மிகவும் எளிதாகிவிடும் அல்லவா? இதைத்தான் சில உயர்கணிமை மூலம் ஜெஃப் ஹிண்டன் மற்றும் யான் லகூன் என்ற இரு விஞ்ஞானிகளும் முன் வைத்தனர். புதிய வாகனங்களைக் கண்டவுடன், தன்னுடைய வலையமைப்பு சார்புத் தன்மையை (bias) மாற்றிக் கொண்டே இருக்கும். இதனால், புதிய விஷயங்களையும் இவ்வகை வலையமைப்புகள் வடிவமைக்கப்பட்ட ஒரு குறுகிய உலகில் கற்கின்றன. இதனாலேயே இந்தத் துறை எந்திரக் கற்றலியல் என்று அழைக்கப்படுகிறது.

இந்தத் தொழில்நுட்பம் பற்றி வாசகர்கள் தீவிரம் காட்டினால், விவரமாகத் தமிழில் எழுத முடியும். இந்தத் தொடருக்கு இந்த அளவு போதும் என்பது என்னுடைய கணிப்பு.

காமிரா மூலம் வந்த படத்திலிருந்து பல பொருட்களையும் இப்படித்தான் தானோட்டிக் கார் அடையாளம் கண்டுபிடிக்கிறது. அட புதிய 2017 மெர்ஸிடஸ் மாடல் என்று வியக்கத் தேவையில்லை. 16 அடி நீளம், 6 அடி அகலம் உள்ள கார் ஒன்று 300 மீட்டர் காருக்கு முன்னால், 117 கி,மீ. வேகத்தில் பயணிக்கிறது. அதாவது, பயணம் செய்யும் தானோட்டிக் கார் 120 கி,மீ. வேகத்தில் பயணம் செய்கிறது என்றால், 9 நொடி இடைவெளி என்று அர்த்தம். இந்த இடைவெளிக்கு, பாதுகாப்பான வேகம் 90 கி,மீ என்றால், 12 நொடி இடைவெளி என்று கணக்கிடுவது கணினிக்கு பெரிய விஷயமல்ல. உடனே காரின் வேகத்தை 120 -லிருந்து  மணிக்கு 90 கி,மீ வேகத்திற்குக் குறைக்க வேண்டும்.

  1. முன்னே இருப்பது ஒரு நகரும் கார் என்பதையும் அதன் வேகம் மற்றும் இடைவெளி போன்ற விஷயங்களை, விடியோவின் தொடர் ஃப்ரேம்களைக் கொண்டு கணிக்கப்படுகிறது
  2. காரின் வேகத்தைக் குறைக்கக் காரின் அடிப்படைக் கட்டுப்பாட்டிற்கு (automobile platform)  இந்த மென்பொருள் ஆணைகளை அனுப்புகிறது
  3. காரின் அடிப்படைக் கட்டுப்பாடுகள் வேகத்தைக் குறைப்பதோடு, மற்ற விஷயங்களையும் கட்டுப்படுத்துகிறது – இந்த வேகக்குறைப்பு நேருகையில் சாலை வளைந்து போகலாம் – வரை பாதையைப் பார்த்துக் காரைச் சற்றுத் திருப்புவதும் நேர வேண்டும். வரைபாதையைச் சரியாக அளப்பது போன்ற விஷயங்களை அடிப்படைக் காரின் கட்டுப்பாடு, இன்று நன்றாகவே செய்கிறது
  4. மிக முக்கியமான தொழில்நுட்பம் என்பது தானோட்டிக் காரின் கண்ணான செயற்கை நரம்பணு வலையமைப்பு மென்பொருள். ஆனால், இது ஒன்று மட்டுமே எல்லாச் செயல்களையும் ஆற்றுவதில்லை. சுற்றியுள்ள மற்ற விஷயங்களை முடிவெடுக்க மென்பொருள் தேவைப்படுகிறது
  5. இன்னொரு குறிப்பிடத் தகுந்த விஷயம், இந்த முடிவுகள் நொடியின் நூற்றில் ஒரு பங்கு நேரத்தில் நிகழ வேண்டும். இந்த விஷயத்தில் மனிதர்களைத் தானோட்டிக் கார்கள் தூக்கிச் சாப்பிட்டு விடும். இன்றைய வடிவியல் செயலிகள் இந்தக் காரியத்தை நன்றாகவே செய்கின்றன – இவற்றை இயக்குவதென்னவோ செயற்கை நரம்பணு வலையமைப்பு மென்பொருள்
  6. எல்லாம் சரி, திடீரென்று குறுக்கே ஒரு மான் ஓடினால், பல அடுக்குச் செயற்கை நரம்பணு வலையமைப்பு மென்பொருள் வேலை செய்யக் காத்திருக்க முடியாது. இதனால், அருகே என்ன தடைகள் உள்ளன என்று கணிக்கும்  உணர்விகளுக்கும் காரின் அடிப்படைக் கட்டுப்பாட்டிற்கு நேரடித் தொடர்பும் இருக்கும்.

டார்பா சவாலிலிருந்து (DARPA challenge) இன்றைய தானோட்டிக் கார்கள், பல மடங்கு முன்னேறி விட்டன. இன்னும் சில தொழில்நுட்பப் பிரச்னைகள் இருக்கத்தான் செய்கிறது. இவற்றைப் பற்றிப் பின்னொரு பகுதியில் பார்ப்போம்.

மிகவும் சிக்கலான தொழில்நுட்பம் தானோட்டிக் காரின் தொழில்நுட்பம். பிரத்யேக உணர்விகள், மற்றும் அவற்றின் சங்கமம் மிகவும் முக்கியமான ஒரு சவாலான தொழில்நுட்பம். கார்களின் அடிப்படை கட்டுப்பாடுகள் எவ்வளவுதான் வளர்ந்திருந்தாலும், இவை சிக்கலானவை என்பதில் சந்தேகம் இல்லை. மேலும், இந்த அடிப்படைக் கட்டுப்பாடுகளை இயக்கும் மென்பொருட்களும் சிக்கலானவை. இயக்க அளவுகளை அளக்கும் மென்பொருள் மற்றும் சுற்றுப்புறத்தை அளக்கும் உணர்விகள், மற்றும் ஜிபிஎஸ் கொண்டு முன்னால், பின்னால், வலது மற்றும் இடது பக்கத்தில் இருக்கும் வாகனங்களை அடையாளம் காணும் செயற்கை நரம்பணு வலையமைப்பு மென்பொருள் புதிய தொழில்நுட்பம். இவற்றுடன் காரின் கணினியில் சேமிக்கப்பட்டுள்ள வரைபட மென்பொருளுடனும் சேர்ந்து இவை இயங்க வேண்டும்.

தலை சுற்றுவதைப் போன்று தோன்றினாலும், தானோட்டிக் கார்களைத் தயாரிக்கும் நிறுவனங்கள் ஏராளமான சோதனைகளைச் செய்து வருகிறார்கள். என்னதான் எந்திரக் கற்றலியல் முன்னேறினாலும், சாலைகளில் திடீர் அனுபவம் நாம் எல்லோரும் அறிந்த ஒன்று. கார்களுக்கு இது போன்ற அனுபவம் ஏற்படும் பொழுது எப்படிச் சமாளிப்பது என்பது சவால் தான்.

~oOo~

தமிழ்ப் பரிந்துரை

தமிழ்ச் சொற்கள் எல்லோருக்கும் புரிய வேண்டும் என்று சில ஆங்கிலச் சொற்களை கட்டுரையில் பயன்படுத்தியுள்ளேன். கார் சம்பந்தமான பல தொழில்நுட்பச் சொற்கள் தமிழில் அதிகம் புழக்கத்தில் இல்லை. உதாரணம், ஆக்ஸிலரேட்டர் மற்றும் ப்ரேக். இதை தமிழில் மொழிபெயர்த்தால், நம்மில் பலருக்கும் புரியாது. இதனால், இது போன்ற வழக்குச் சொற்களை அப்படியே பயன்படுத்தியுள்ளேன். சில புதிய சொற்களுக்கு நிகரான சில தமிழ்ச் சொற்களை இங்கு பரிசீலனைக்கென முன்வைக்கிறேன்

ஆங்கிலச் சொல் தமிழ்ப் பரிந்துரை
Input layer உள்வாங்கும் அடுக்கு
Hidden layers மறை அடுக்குகள்
Low resolution குறைந்த பிரிதிறன்
Pixels படமூலம்
Matrix manipulation of the pixels படமூல அணி மாற்றங்கள்
Bias சார்பு
Automobile platform காரின் அடிப்படைக் கட்டுப்பாடு
Artificial intelligence செயற்கை நுண்ணறிவு
Algorithm மென்பொருள் நெறிமுறை

சொல்வனம் – ஜூன் 2017

தானோட்டிக் கார்கள் – தொழில்நுட்ப அறிமுகம் – தானோட்டிக் கார் ஐபேடுக்குச் சக்கரம் வைத்தது போன்றது -பகுதி 7

”தானோட்டிக் கார் ஐபேடுக்குச் சக்கரம் வைத்தது போன்றது’

இதைப் போன்ற அபத்தங்களைத் தொழில்நுட்ப வல்லுனர்களே எழுதி வருகின்றனர். இதில் கவனிக்க வேண்டிய பல குறைகள் உள்ளன;

  1. ஒரு கார் சாலையில் பயணிக்கப் பெளதிக விதிகள் மற்றும் எந்திரப் பொறியியல் விஷயங்களை, ஒரு 150 வருடங்களாகப் பொறியாளர்கள் மெருகேற்றி வந்துள்ளார்கள். இப்படி எழுதுவது, எந்திரப் பொறியியலையே துச்சமாக மதிப்பதற்குச் சமம்
  2. சில புதிய கார்களில் ஐபேடைப் போன்ற திரைகளைப் பார்த்த இந்த எழுத்தாளர்கள், அட, கணினி, இங்கேயும் வந்துவிட்டதே என்ற பாமர அதிர்ச்சியின் வெளிப்பாடே இவ்வகைக் கருத்துக்கள்
  3. கடந்த 25 ஆண்டுகளாக, கார்களில் பெட்ரோலையும் காற்றையும் எந்த விகிதத்தில் கலப்பது, எந்த வெப்பத்தில் பெட்ரோலை உட்பாய்ச்சுவது போன்ற மிக முக்கிய விஷயங்களைக் கணினிகளே செய்து வந்துள்ளன. பாமரர்ப் புரிந்து கொள்ளும் வசீகரத் திரை மற்றும் வண்ணம் இந்தக் கணினிகளுக்குக் கிடையாது. இவற்றை ECU அல்லது Electronic Control Unit  என்று கார்த் தொழிலில் சொல்வதுண்டு
  4. சமீபத்தில் என்னிடம் ஒரு மெக்கானிக் அலுத்துக் கொண்டார் – வர வர, ஒவ்வொரு கார் மாடலுக்கும் ஒரு பிழை ஆய்வுக் கணினி (diagnostic computer) வாங்க வேண்டியுள்ளது. கடந்த 25 ஆண்டுகளாக, கார்களில் என்ன கோளாறு என்பதைக் கணினிக் குறிகைகள் வைத்துதான் முடிவு செய்கிறார்கள்

’எத்தனையோ வருடங்களாக விமானங்களில் ஆட்டோ பைலட் வசதி உள்ளது. காரில் இதைக் கொண்டு வர ஏகத்தும் பில்டப் கொடுத்து மிகைப்படுத்துகிறார்கள்’

இதுவும் தொழில்நுட்ப எழுத்தாளர்கள் அதிகச் சிந்தனையின்றி எழுதிய ஒன்று என்பது என் கருத்து. இதற்குப், பல காரணங்கள் உள்ளன.

  1. விமானங்களில் ஆட்டோ பைலட் வசதி பல ஆண்டுகளாக இருப்பது உண்மை. ஆரம்பத்தில் சம அளவில் பறப்பதற்கே (level flight) பயன்படுத்தப்பட்ட இந்த வசதி, இன்று மேல் செல்வது, கீழ் இறங்குவது (takeoff and landing) என்று எல்லா நிலைகளிலும் பயன்படும் அளவிற்கு வளர்ந்து வந்துள்ளது
  2. ஆனால், விமானத்தைச் செலுத்துவதற்கும் தானாகக் காரைச் செலுத்துவதற்கும் நிறைய வித்தியாசம் உள்ளது. விமானத்திற்கு மேலே சென்றவுடன் பாதை இருந்தாலும், வரைபாதை (traffic lanes) போன்ற ஒரு விஷயமே கிடையாது
  3. சிக்னல் கிடையாது, குறுக்கே கடக்கும் பாதசாரி கிடையாது, திரும்பும் திசைகாட்டி கிடையாது, மிக முக்கியமாக வேக எல்லைகள் கிடையாது
  4. மிகவும் முக்கியமானக் கார் சவால், எத்தனை மணித்துளிக்குள் ரியாக்ட் செய்ய வேண்டும் என்பது. எப்பொழுதாவது இன்னொரு விமானம் அருகில் பறந்தாலும், பெரும்பாலும், ஒரு 5 முதல் 6 நிமிட முன்னறிவிப்புக் கிடைக்கும் – தானோட்டிக் கார் மென்பொருளுக்கு 1 வினாடி என்பது பெரிய விஷயம். சாலை விபத்துக்களைத் தவிர்ப்பது 10 வினாடிக்குட்பட்ட முடிவுகளில்! மனித ரியாக்‌ஷன் பெரும்பாலும் ஒரு நொடியில் 3 மூன்று பங்கு நேரத்திற்குள் அடங்கும். எந்திரங்கள் இதைவிடச் சிறப்பாகச் செயல்பட வேண்டும்

சொன்னால் நம்புவதற்குக் கடினமாக இருக்கும் – தானோட்டிக் கார்களின் மென்பொருள், விமான ஆட்டோ பைலட்டை விட பல நூறு மடங்கு சிக்கலானது.

அப்படி என்ன தொழில்நுட்பம் இதில் அடங்கியுள்ளது?

கவனி – சீரமை – முடிவெடு – செயலாற்று Observe, Orient , Decide and Act (OODA)  என்பதே காரோட்டுவதன் அடிப்படை. இதுவே, தானோட்டிக் கார்களின் வடிவமைப்பு ரகசியமும். இந்த நான்கு படிகளைச் சற்று விரிவாக ஓர் உதாரணம் மூலமாகப் பார்ப்போம்.

மேற்குலகில், சாலையில் ஒரு விபத்து நடந்தால், சம்பந்தப்பட்ட இரு வாகனங்களும் (இரு வாகன விபத்து என்று கொள்வோம்) அங்கேயே நிறுத்திவிட்டு, போலீசாரை வரவழைக்க வேண்டும். விசாரணை நடத்திய போலீஸ் அலுவலர், தன்னுடைய அறிக்கையின் நகலை இரு வாகன உரிமையாளருக்கும் கொடுத்து விடுவார். யார் மீது தவறு என்பதை நீதிமன்றம் முடிவு செய்யும், வாகனச் சேதத்தை, தவறுக்கேற்றாற் போல, சம்பந்தப்பட்ட ஒரு வாகன உரிமையாளரின் காப்பீடு நிறுவனம் ஏற்றுக் கொள்ளும். இதற்கு முக்கியமான ஆதாரம், போலீசாரின் அறிக்கை. இந்த அறிக்கையைக் கூர்ந்து கவனித்தால், கவனி – சீரமை – முடிவெடு – செயலாற்று என்னவென்று எளிதில் புரிந்துவிடும்.

விபத்து நடந்த இடம் ; 4 -வது அவென்யூ, 14 -ஆம் தெருச் சந்திப்பில்

விபத்து தேதி ; 12-ஜனவரி 2017

விபத்து நேரம்; காலை 11 மணி 20 நிமிடம்

விபத்து விவரம்

வாகனம் 1 – 4 –வது அவென்யூ வில் கிழக்கிலிருந்து மேற்கு நோக்கி சுமார் 75 கி.மீ. வேகத்தில் பயணித்துக் கொண்டிருந்தது. சிக்னல் ஆரஞ்சிற்கு மாறிய பொழுது வாகனம் 1, சிக்னலைக் கடந்தது.

வாகனம் 2 – 14 –ஆம் தெரு சிக்னலில் காத்திருந்தது. ஆரஞ்சிற்கு மாறிய சிக்னலில் 4-வது அவென்யூவின் கிழக்குப் பக்கமாகத் திரும்பக் காத்திருந்து, வாகனம் 1 –ஐ கவனிக்காமல், சிக்னலில் அந்தக் காரின் வலப்பக்கத்தில் மோதியது. வாகனத்தின் வேகம் 25 கி,மீ. இருக்கலாம்.

வாகனம் 1 –ன் வலப்பக்கத்திலும், வாகனம் 2-ன் முன்பக்கத்திலும் சேதம் ஏற்பட்டுள்ளது. வாகனம் 1 –ன் ஓட்டுனர் மற்றும் முன் சீட்டுப் பயணி இருவரும் பெரிய அடி ஏதும் இல்லாமல் தப்பித்தனர். வாகனம் 2 -ன் ஓட்டுனரும் பெரிய அடி ஏதும் இல்லை. இருவரும் மருத்துவ மணையில் உள் காயம் மற்றும் சுளுக்கு ஏற்பட்டுள்ளதா என்று பார்த்துக் கொள்ள வேண்டும்.

இதில் சில வார்த்தைகளைச் சாய்வெழுத்தாகச் சொல்லியுள்ளேன்.

முதலில் கவனி – வாகனம் 1 மற்றும் வாகனம் 2-ன் ஓட்டுனர்கள், சிக்னலில் ஆரஞ்சு விழுந்ததைக் கவனித்துள்ளார்கள். ஆனால், வாகனம் 1, சிக்னலில் இன்னொரு கார் திரும்புவதற்காகக் காத்திருக்கிறது என்பதைப் பற்றிக் கவலைப்படவில்லை. அதே போல, வாகனம் 2, ஆரஞ்சு விழுந்தும், 4-ஆவது அவென்யூவில் வேகமாக வரும் காரின் வேகத்தைச் சரியாகக் கவனிக்காமல், சிக்னலை நோக்கிப் (சீரமை) பயணித்தது. 4-ஆவது அவென்யூவில் வேகமாக வரும் வாகனம் 1, சிக்னலில் நின்றுவிடும் என்று முடிவு செய்து, சிக்னலை கடக்க முடிவு செய்தது. (முடிவெடு, செயலாற்று).

அதே போல, வாகனம் 1 –ன் ஓட்டுனர், சிக்னலில் ஆரஞ்சு விழுந்ததைக் கவனித்துள்ளார். வாகனம் 2, சிக்னலில் காத்திருந்ததையும் பார்த்திருப்பார். ஆக, பிரச்னை, கவனிப்பதில் இல்லை. ஆரஞ்சு சிக்னலில், கடப்பது தன்னுடைய உரிமை (சீரமை) என்று முடிவு செய்துள்ளார். தன்னுடைய காரை இதனால், சிக்னலை 75 –கி.மீ. வேகத்தில் கடக்க முடிவும் செய்துள்ளார். (முடிவெடு, செயலாற்று).

இந்த மனிதக் காரோட்டும் பிரச்னயான விபத்தில், கவனிப்பது ஒரு பிரச்னையாக இல்லை. எப்படிக் காரைச் சீரமைத்தார்கள், முடிவெடுத்தார்கள் மற்றும் செயலாற்றினார்கள் என்பதே பிரச்னை. இந்தச் சூழலில் முடிவு என்பது சில வினாடிக்குள் எடுக்க வேண்டிய ஒன்று. ஒரு 75 கி.மீ. வேகத்தில் பயணிக்கும் கார், நொடிக்கு ஏறக்குறைய 21 மீட்டர்கள் பயணிக்கிறது. ஒரு வட அமெரிக்க சிக்னல் ஊரின் உள்பகுதிகளில், (இரு வரைபாதைகள் கொண்ட சாலைகள்) 100 மீட்டருக்குள் கடக்கும் ஒரு தூரம். அதாவது, 5 நொடிக்குள் பயணிக்கும் விஷயம். இந்த விபத்து, 5 நொடிக்குள் நிகழ்ந்த ஒரு விஷயம். எந்த ஒரு தானோட்டிக் காருக்கும் முடிவெடுக்க 5 நொடிகள் கூடக் கிடைக்காது. இதில் உள்ள ஒரு முக்கியப் பிரச்னை, 75 கி.மீ. வேகத்தில் பயணிக்கும் ஒரு காரை நிறுத்த எத்தனை இடைவெளித் தேவைப்படும்? 5 நொடிக்குள் நிறுத்தும் வேகமல்ல இது.

கூகிளின் தானோட்டிக் கார் நிகழ்வின் தலைவர், ‘நாங்கள் தானோட்டிக் காரை உருவாக்கவில்லை. தானோட்டிக் காரின் ஓட்டுனரை உருவாக்க உழைத்து வருகிறோம்’

ஆக, தானோட்டிக் கார்களை வடிவமைப்பவர்களுக்கும் இதே பிரச்னைதான். இயக்குவது மற்றும் கவனிப்பது இரண்டும் பிரச்னை இல்லை என்று சொன்னோம்.

இதற்கு முந்தைய பகுதியில், எவ்வளவு விதவிதமான உணர்விகள், அருகே, மற்றும் தூரத்தில், முன்னும், பின்னும் நிகழ்வுகளைக் காரின் கணினிக்கு உடனுக்குடன் அனுப்பி விடுகின்றன என்று பார்த்தோம். இதனால், கவனிப்பது என்பது தானோட்டிக் கார்களின் பிரச்னை இல்லை.

கடந்த 10 ஆண்டுகளாக, கார்களில் பல முக்கியத் தானியக்க முயற்சிகள் உருவாக்கப்பட்டுள்ளன. குறிப்பாக;

  • காரை நிறுத்தும் உதவி அம்சம் (park assist)
  • வரைபாதையிலிருந்து சறுக்கு எச்சரிக்கை அம்சம் (lane departure warning)
  • சாலையில் சூழலுக்கேற்ப வாகனத்தில் வேகத்தைக் கட்டுப்படுத்தும் அம்சம் (adaptive cruise control).

இவற்றால், கார்கள்,  ஒரு ஓட்டுனரின் மேல்பார்வையுடன் தானே நிறுத்திக் கொள்ள இயலும், வரைபாதையில் தவறாமல் பயணிக்கவும் முடியும், வேகத்தைக் கட்டுப்படுத்தவும் குறைக்கவும் முடியும். காரின் இயக்கம் வேகத்தைக் கூட்டுவது அல்லது குறைப்பது, சீராக பயணிப்பது என்று சுறுக்கமாகச் சொல்லலாம்.

இன்றைய தானோட்டிக் கார்களின் வடிவமைப்பாளர்கள், இத்தகைய விஷயங்களை vehicle platform  என்று எளிதில் தனிப்படுத்தி விடுகிறார்கள். அதாவது, முன்னே, பின்னே, இடது, வலது பக்கம் செல்வது, வேகத்தை அதிகரிப்பது, குறைப்பது என்பதெல்லாம் மிகவும் எளிமையான செயலாற்றல் விஷயம்இவற்றைச் செய்ய காரின் கணினிகள், பல ஆண்டுகளாகச் சோதனை செய்யப்பட்டு நன்றாகவே இயங்கி வந்துள்ளன. இவற்றைத், தானோட்டிக் கார்களுக்காக மாற்ற வேண்டிய அவசியம் இல்லை.

சீரமைப்பு மற்றும் முடிவெடுத்தல் என்பது மனிதர்களுக்கே மிகவும் சிக்கலான விஷயம். அதுவும், நொடிகளுக்குள் முடிவெடுப்பது என்பது மிகவும் கடினமான விஷயம். தானோட்டிக் கார் என்பதன் மிக முக்கிய வடிவமைப்புச் சவால் இதுவே.

உணர்விகள் உள் அனுப்பும் குறிகைகள் முதலில், ஒருங்கிணைக்கப்பட வேண்டும். இதை Sensor fusion  என்று வடிவமைப்பாளர்கள் சொல்கிறார்கள். பல காமிராக்கள், லேசர்கள், கேளா ஒலி (ultrasonic), ஜி,பி.எஸ்., மற்றும், ஜைரோ (gyros) போன்ற உணர்விகள் ஒவ்வொரு நொடிக்கும் அனுப்பும் குறிகைகளை, ஒருங்கிணைக்க வேண்டும். இது மிகவும் முக்கிய ஒரு தேவை. இவற்றைச் செய்ய இன்று பல வசதிகள் உள்ளன. இதற்கான கணினி மென்பொருள் நெறிமுறை (algorithm) இன்று பல கார் சம்பந்தப்பட்ட உணர்விகளுக்கு விஞ்ஞானிகள் உருவாக்கியுள்ளார்கள்

கார் எங்கு உள்ளது என்பதைத் தானோட்டிக் கார்களில், முதலில் காரே முடிவெடுக்க வேண்டும். நிகழ்வுகள் அனைத்தும் காரின் இருப்பிடத்தைச் சார்ந்தது (location). இதை localization  என்று அழைக்கிறார்கள். உதாரணத்திற்கு, மனித ஓட்டுனர்களுக்கு 4-வது அவென்யூவில் பயணிக்கிறோம் என்று வழக்கமாகப் பயணிப்பதால் தெரியும். தானோட்டிக் காருக்கு ஜி.பி.எஸ். மூலம் கிடைக்கும் இருப்பிட குறிகை, மற்றும் காரின் கணினியில் உள்ள தரவு கொண்டு இந்த முடிவை ஒவ்வொரு நொடியும் முடிவெடுக்க வேண்டும்.

இயங்கும் காரைச் சுற்றி என்ன உள்ளது என்பதையும் தானோட்டிக் கார் அறிந்து கொண்டே இருக்க வேண்டும். தனக்கு முன்னால், பின்னால், இடப்புறத்தில், வலப்புறத்தில் என்ன இருக்கிறது, சாலையில் என்ன சைகைகள் (traffic signs) உள்ளன, சிக்னல் மற்றும் மின், சிக்னல், சைகைகள் கம்பங்கள் எங்கு உள்ளன என்பதும் காருக்கு தெரிய வேண்டும். இதை World Model என்று பொறியாளர்கள் அழைக்கிறார்கள்.

தானோட்டிக் காரின் மிக முக்கிய முதல்படி இந்தச் சுற்றுப்புறமறிதல். நமக்கு வெகு எளிதான இந்த விஷயம், தானோட்டிக் கார்களுக்கு மிகப் பெரிய சவால். இதை

Sensing is easy, perception is difficult

என்று சொல்வதுண்டு. முடிவெடுத்தலுக்கு மிக முக்கிய முன் படிச் சுற்றுப்புறமறிதல். பார்வை மூலம் நாம் இந்த முடிவைக் கண்ணாடிகள் உதவியினாலும் செய்கிறோம். கார்கள், பல உணர்விகளின் குறிகை ஒருங்கிணைப்பு, மற்றும், ஜி.பி.எஸ். குறிகைகள், ஜைரோக்கள் உதவியினாலும் (ஜைரோக்கள் ஒரு வாகனம் எவ்வளவு சாய்ந்துள்ளது, மற்றும் சாலை சம நிலையிலிருந்து எவ்வளவு எந்தப் பக்கத்தில் சாய்ந்துள்ளது போன்ற விஷயங்களை டிஜிட்டல் குறிகைகளாய்த் தரும் உணர்வி) காரின் கணினி மூலம் உணர்கிறது.

ஒன்றை இங்குக் குறிப்பிட வேண்டும் – நாம் சுற்றுப்புறத்தை அறிதலுக்கும் ஒரு எந்திரம் அறிதலுக்கும் நிறைய வித்தியாசம் உள்ளது. அடுத்த காரில் உள்ள நபர் அணிந்திருக்கும் தொப்பி, கணினிக்கு முக்கியமல்ல. சாலையில் முன்னே செல்ல எது தேவையோ அது மட்டுமே முக்கியம். அத்துடன் எப்படி முன் செல்வது – பாதை, கோணம், எத்தனை வேகம், எந்த வரைபாதையைத் தாண்டிச் செல்ல வேண்டும், எந்த சைகைகளை இந்த முடிவில் கொள்ள வேண்டும் என்பவை காரின் கணினிக்கு முக்கியம். இதை trajectory generation என்று சொல்லப்படுகிறது. சுற்றுபுறமறிதலினால், தானோட்டிக் கார்கள் பல கோடி கணக்கிடல்கள் மூலம் உணருகிறது.

கூகிளின் தானோட்டி கார் ப்ராஜக்டின் தலைவர் இந்தக் கார்களின் பார்வையில் உலகம் எப்படி இருக்கும் என்பதை இங்கு அழகாக விளக்குகிறார். நாம் பார்ப்பதைப் போல இந்தக் கார்கள் தான் இயங்கும் பாதையைப் பார்ப்பதில்லை.

கடைசியாக, மிக முக்கியமான முடிவெடுத்தல் தானோட்டிக் கார்களில் எப்படி நிகழ்கிறது என்று அடுத்த பகுதியில் பார்ப்போம். இதன் பின்னணி, செயற்கை நுண்ணறிவுத் தொழில்நுட்பத்தின் (artificial intelligence technology ) சமீபத்திய அபார வளர்ச்சி. இந்த செயற்கை நுண்ணறிவுத் தொழில்நுட்பத்தின் வளர்ச்சி பற்றிய சுறுக்கமான வரலாற்றிற்குப் பிறகு, இன்றைய தொழில்நுட்பம் எப்படி தானோட்டிக் கார்களின் மிடிவெடுத்தல் பிரச்னைகளை தீர்க்கிறது என்று பார்ப்போம்.

தமிழ்ப் பரிந்துரை

தமிழ்ச் சொற்கள் எல்லோருக்கும் புரிய வேண்டும் என்று சில ஆங்கிலச் சொற்களை கட்டுரையில் பயன்படுத்தியுள்ளேன். கார் சம்பந்தமான பல தொழில்நுட்பச் சொற்கள் தமிழில் அதிகம் புழக்கத்தில் இல்லை. உதாரணம், ஆக்ஸிலரேட்டர் மற்றும் ப்ரேக். இதை தமிழில் மொழிபெயர்த்தால், நம்மில் பலருக்கும் புரியாது. இதனால், இது போன்ற வழக்குச் சொற்களை அப்படியே பயன்படுத்தியுள்ளேன். சில புதிய சொற்களுக்கு நிகரான சில தமிழ்ச் சொற்களை இங்கு பரிசீலனைக்கென முன்வைக்கிறேன்

ஆங்கிலச் சொல் தமிழ்ப் பரிந்துரை
Diagnostic computer பிழை ஆய்வுக் கணினி
Level flight சம அளவில் பறப்பது
Traffic lanes வரைபாதை
Park assist feature காரை நிறுத்தும் உதவி அம்சம்
Lane departure warning feature வரைபாதையிலிருந்து சறுக்கு எச்சரிக்கை அம்சம்
Adaptive cruise control feature சூழலுக்கேற்ப வாகனத்தில் வேகத்தைக் கட்டுப்படுத்தும் அம்சம்
Ultrasonic கேளா ஒலி
Algorithm கணினி மென்பொருள் நெறிமுறை
Location இருப்பிடம்
Traffic signs சாலைச் சைகைகள்
Artificial intelligence (AI) technology செயற்கை நுண்ணறிவுத் தொழில்நுட்பம்

சொல்வனம் – மே 2017

தானோட்டிக் கார்கள் – தொழில்நுட்ப அறிமுகம் – பகுதி 6

அறிவு இருக்கா?

இந்தச் சொற்களைத் தமிழர்கள் பெரும்பாலும் பயன்படுத்தும் ஒன்று.

இருக்கே..

இந்தப் பதிலைப் பெரும்பாலும் நாம் எதிர்பார்ப்பதில்லை. ஏனென்றால் முதலில் சொன்னவருக்கும் அதற்கு மறுமொழி அளித்தவருக்கும் பெரும்பாலும் அறிவு என்றால் என்னவென்று சொல்வது கடினம். மேலும், சில சமயம், நாம் ‘மூளை இருக்கா?” என்றும் சொல்வதுண்டு, அறிவுக்கும் மூளைக்கும் சம்பந்தம் உண்டு என்று நாமறிவோம். ஆனால், இந்தச் சம்பந்தத்தைத் தெளிவாகச் சொல்ல பெரும்பாலும் தடுமாறுவோம்.

மனித மூளை மிகவும் சிக்கலானது – மனித அறிவு என்பதும் அதைவிடச் சிக்கலானது. மனித மூளை, பல்வேறு விஷயங்களைச் செய்யும் ஒரு முக்கிய உறுப்பு. ஆனால், மனித மூளையைப் பற்றிய உடலியலுக்கு இங்கு இடமில்லை. இந்தப் பகுதியில், மனித அறிவின் சில விஷயங்களை நாம் புரிந்து கொள்ளுதல் அவசியம். இந்தப் புரிதலே தானோட்டிக் கார்களின் மென்பொருளைப் புரிந்து கொள்ள உதவும்.

மனித மூளைப் பல்வேறு செயல்களை ஆற்றினாலும், இங்கு நமக்கு மிகவும் ஆர்வமான பகுதிகள் சில உண்டு;

  • எப்படி மனிதர்களால் (விலங்குகளால்) பொருட்களைப் பார்த்து அடையாளம் காண முடிகிறது?
  • எப்படி மனிதர்களால் (விலங்குகளால்) ஒலிகளைக் கேட்டு முடிவெடுக்க, மற்றும் மகிழ, கோபப்பட, சிரிக்க முடிகிறது?
  • எப்படி மனிதர்களல் (ஓரளவிற்கு விலங்குகளால்) சொல்லிக் கொடுத்ததைச் செய்ய முடிகிறது?

இவை மிகவும் முக்கியமான அறிவு சார்ந்த கேள்விகள். ஏனென்றால், பிறக்கும் பொழுது, எந்தக் குழந்தையும் பொருட்களை அடையாளம் காட்டுவதில்லை, எந்த மொழியிலும் உரையாடுவதில்லை, எந்தக் காரையும் ஓட்டியதுமில்லை.

மனித அறிவு சார்ந்த விஷயங்களில், மூன்று விஷயங்கள் நமக்கு மிகவும் காரோட்டுதலுக்கு அவசியம்.

  • நினைவாற்றல்
  • காட்சிகளில் காரோட்டுதலுக்கான முக்கிய விஷயங்களைப் பிரித்தெடுக்கும் திறன் – இதைக் காட்சித் திறன் என்று சொல்வோம்
  • சொல்லிக் கொடுத்ததைச், சரியாகப் பின்பற்றும் கற்றலியல். அதைவிட, மிக முக்கியமாக, சொல்லிக் கொடுத்ததைச் சற்று மாறுபட்ட சூழ்நிலைகளில் பயன்படுத்தும் திறமை. எந்த ஒரு காரோட்டல் பயிற்றுனரும் எல்லாச் சூழ்நிலைகளையும் உங்களுக்குப் பயிற்சியின் பொழுது  முன்வைக்க முடியாது. இவை அடிப்படைக் காரோட்டும் முறைகள் – இவற்றில் தேர்ந்து விட்டதால், சில மாறுபட்ட சூழ்நிலைகளையும் உங்களால் சமாளிக்க முடியும் என்பது எந்த ஒரு பயிற்சியின் நம்பிக்கை ஆகும்.

இந்த நம்பிக்கை விஷயத்தில் இயற்கையும் சிலவற்றைச் செய்கிறது. உதாரணத்திற்கு, விலங்குகள் மற்றும் மனிதர்களுக்கு, இரண்டு வகை அடிப்படை அறிவை இயற்கை அவசியம் தருகிறது;

  • தற்காப்பு (self-defense) மற்றும் எஞ்சுதலுக்காக (survival) அறிவுத் திறன்
  • இனப்பெருக்கத்துக்கான (reproduction) அறிவுத் திறன்

மனிதர்கள் சமுதாயமாக வாழ்வதால், சமூக நன்மை மற்றும் தீமை சார்ந்த அறிவுத் திறன். இதில், சொல்லிக் கொடுக்கும் அறிவுத் திறன் அடங்காது. உதாரணத்திற்கு, உதவுபவருக்கு நன்றி சொல்வது என்பது சொல்லிக் கொடுக்கப்பட்ட அறிவில் சேறும். ஆனால், கண்பார்வையற்றவருக்கு உதவுவது என்பது நம்மில் பலருக்கும் சொல்லிக் கொடுக்காமலே வரும் அறிவுத் திறன்.

இதைத் தவிர, மனிதர்களுக்கு உள்ளார்ந்த அறிவு (innate intelligence) என்றும் ஒன்று உண்டு.

‘அவன் பார்வையே சரியில்லை. பஸ்ஸிலிருந்து இறங்கி விடலாம்’

இவ்வாறு பல பெண்கள் சொல்வது உள்ளார்ந்த அறிவு.

’சக்கரையா பேசறான். ஆட்சிக்கு வந்தால் கஜானாவைக் காலி பண்ணிருவான்’

இவ்வாறு நம்மில் பலர் சொல்வதும் உள்ளார்ந்த அறிவு.

இவ்வகை அறிவை இதுவரை எந்திரங்களுக்குச் சொல்லிக் கொடுப்பது என்பது இயலாத ஒன்று.

இவற்றைப் பற்றி இங்கு எழுதுவதற்குக் காரணம் உள்ளது. சில சமயங்களில், உள்ளார்ந்த அறிவு நம்மைக் காரோட்டும் பொழுது விபத்துகளிலிருந்து காப்பாற்றுகிறது. உதாரணத்திற்கு,

‘என் உள்மனம், இந்தக் கார் சிக்னல் பச்சையானவுடன் மிக வேகத்தில் சந்திப்பைக் கடக்கும் என்று சொன்னது. அந்தக் காரோட்டியின் முகத்தில் அத்தனை பதட்டத்தைக் கண்டேன். நல்ல வேளையாக, சந்திப்பிற்குள் என் காரை உடனே செலுத்தவில்லை. பின்னால் வரும் கார்களில் ஹார்ன் எரைச்சலைப் பற்றி எனக்குக் கவலை இல்லை’

சரி, எந்த வகைக் காரோட்டும் அறிவுத்திறன் இன்று எந்திரங்களுக்குக் கற்றுக் கொடுக்க முடியும் என்று பார்ப்போம்.

முதலில் நினைவாற்றல். கால்குலேட்டர்கள் வந்ததலிருந்து நமக்கெல்லாம், வாய்ப்பாடுகள் மறந்து விட்டன. வாய்ப்பாடுகள் நினவாற்றலின் மிகவும் முக்கியமான ஒரு வெளிப்பாடு. அதுவும், மிக முக்கியமான விஷயம், வாய்ப்பாடு என்பது இயற்கையான விஷயமல்ல. மனிதர்களால் உருவாக்கப்பட்ட ஒன்று. வாய்ப்பாடுகளை நாமெல்லாம் பயிற்சியினாலே நினைவில் கொண்டோம். திருக்குறளும் அப்படியே. இதைக் கணிணிகள் எளிதில் செய்துவிடும். ஆனால், நாம் இங்கு சொல்லும் நினைவாற்றல், காட்சி/பொருள் சார்ந்தது.

‘1972 –ல், கடைசியாக மவுண்ட் ரோடு ஸ்பென்ஸரில் உங்களைக் கடைசியாகச் சந்தித்தேன்’

இன்றும், இப்படிச் சில நண்பர்களைச் சந்திக்கும் பொழுது நினைவு கூறுபவர்கள் இருக்கத்தான் செய்கிறார்கள். எப்படி இவர்களால் முடிகிறது? மனித முகத்துடன் இப்படிச் சில முக்கியத் தகவல்களும் எப்படியோ இணைக்கிறார்கள்.

’அடுத்தத் திருப்பத்தில், ஏடாகூடமாக 6 சாலைகளுக்கு இடையில் ஒரு மேட்டின் மேலே ஒரு சிக்னல் இருக்குமே. சற்று கவனமாக இருக்கவும். நான் 2003 –ல் அமெரிக்கா வந்தபொழுது பாஸ்டனில் இந்த வகைச் சிக்னலைப் பார்த்ததாக நினைவு’

இப்படிச் சொல்பவர்களும் இருக்கிறார்கள். இவ்வகை நினைவாற்றல் காரோட்டலுக்கு அவசியம் என்றாலும், இன்றைய ஜி,பி.எஸ். வாங்கிகள் பெரும்பாலும் இந்த வேலையைச் செய்து விடுகின்றன.

எந்த ஒரு கருவியும் செய்யாத ஒரு செயல், காட்சிகளிலிருந்து காரோட்டலுக்குத் தேவையான விஷயங்களைப் பிரித்தெடுத்தல்.

‘அட, இப்படியா அட்டைப் பெட்டிகளை நடு ரோட்டில் போட்டுப் போவது? காரில் நசுங்கினால் நானா பொருப்பு?’

இது, மிகச் சாதாரண மனித உரையாடல். ஆனால், எந்திரங்களுக்கு மிகச் சிக்கலான விஷயம். அட்டைப் பெட்டிக்கும் பெரிய சதுரப் பாராங்கல்லுக்கும் என்ன வித்தியாசம்? எப்படி, சர்வ சாதாரணமாகக், காரை அதன் மேல் எந்தக் குறையும் வராமல் ஏற்றிச் செல்ல முடியும்?

இன்றைய எந்திரங்களுக்குப் பல பொருட்களை அடையாளம் காட்டும் திறன் இருந்தும், இவ்வகை மனிதச் சாதாரணங்கள் மிகப் பெரிய சவாலாகவே இருந்து வருகின்றது. அடுத்தப் பகுதியில், இவ்வகைச் சவால்களை விஞ்ஞானிகள் எப்படி சமாளிக்கிறார்கள் என்று பார்ப்போம்.

‘சாயங்கால மங்கலான வெளிச்ச நேரத்தில், சாம்பல் நிற ஜாக்கெட் அணிந்து குறுக்கே ஓடினால், எப்படித்தான் விபத்தைத் தவிர்ப்பது?’

வட அமெரிக்காவில், குளிர் மாதங்களில் மிகச் சாதரண மனித உரையாடல். இது, மனிதர்களின் விழி மற்றும் அதன் வழியாகக் கிடைக்கும் ஒளியைச் செயலாக்கும் மூளைக்கும் உள்ள காட்சிப் பிரச்னை. பெரும்பாலும், மனித விழிகள் சுற்று வட்டாரத்தையும், தேவையான பொருளையும் சரியாகவே பிரித்து உணரும் தன்மை கொண்டது. இந்தப் பிரச்னைத் தானோட்டிக் கார்களுக்கு இருக்காது – காரணம், வெறும் காமிராவை மட்டும் வைத்து, இவை முடிவெடுப்பதில்லை. மற்ற உணர்விகளுக்கு ஒளி முக்கியமல்ல.

இரு பெரும் காட்சித் திறன் சவால் விஷயங்களை இங்கு சொல்ல வேண்டும். நகர் மத்தியில், குறுகிய சாலைகளில் காரோட்டும் பொழுது, நிறுத்தப்பட்ட காரின் கதவைத் திறந்து கொண்டு மனிதர் ஒருவர் வெளி வருவது மிகச் சாதாரண விஷயம். இந்தக் காட்சியைக் கண்ட நாம், சற்று வளைந்து, கதவைத் திறப்பவருக்கு இடஞ்சல் இல்லாமல் கார் ஓட்டுகிறோம். எந்திரத்திற்கு, இது ஒரு மிகப் பெரிய சவால் (machine vision challenge). கதவைத் திறந்த காருக்கும் கதவுத் திறக்காத காருக்கும் முதலில் வித்தியாசம் தெரிய வேண்டும். மேலும் திறந்த கதவிலிருந்து வெளியே வரும் மனிதரையும் அடையாளம் கண்டு கொள்ள வேண்டும். தானோட்டிக் கார்கள் ஏதோ ஒரு பெரிய பாறை சாலையின் நடுவிலே வந்தது போல நின்று விடும் ☺

கார் ஓட்டும் பொழுது, பாதசாரி ஒருவர் சாலையைக் கடப்பது சாதாரண விஷயம். சற்று மழை பெய்கிறது என்று வைத்துக் கொள்வோம். திடீரென்று, பாதசாரி ஒருவர் குடையைத் தன் உடலுக்கு முன் திறக்கிறார் என்று வைத்துக் கொள்வோம். அவர், தன் தலைக்கு மேல் சில நொடிகளில் அதை உயர்த்துவார் என்று நமக்குத் தெரியும். எந்திரங்கள் கதி கலங்கி விடும். இதென்ன முதலில் மனிதர் என்று கண்டு பிடித்தோம் – திடீரென்று எப்படி இவ்வாறு உரு மாறியது? இதனால் காருக்கு ஆபத்து என்று நின்றுவிடும் ☺

எந்திரக் காட்சித் திறன் என்பது பல வினோத சவால்கள் நிறைந்த ஒரு தொழில்நுட்ப உலகம். ஒரு காட்சியிலிருந்து, அக்காட்சியில் உள்ள பொருட்கள் என்னென்ன என்பதைத் தனித்து அடையாளம் காட்டுவது என்பது மிகவும் சிக்கலான விஷயம். பல வெள்ளை நிற வண்டிகள் ஒரு சந்திப்பில் பல கோணங்களில் நின்றிருக்கலாம் – கொளுத்தும் வெய்யிலில், பாலைவனச் சூழலில் (பாலைவனச் சூழலில், வெள்ளை நிறம் அதிகமாக இருக்கும்) இவற்றை அடையாளம் கண்டு கொள்வது ஒரு எந்திரத்திற்கு மிகவும் சவாலான விஷயம். இந்தச் சவாலை இன்று வெற்றிகரமாகத் தானோட்டிக் கார்கள் செய்து வருகின்றன. இதைப் பற்றி விரிவாக அடுத்தப் பகுதியில் பார்ப்போம்.

 

மாறுபட்டக் கற்றல் பற்றி ஒரு சின்ன உதாரணத்தைப் பார்ப்போம்.

தமிழகத்தில் ஆரணியில் வசிக்கும் 10 வயது குமார், தன் வீட்டிற்கு ஓடினான். அவன் அம்மாவிடம்,

‘அம்மா, கடைத் தெருவில, நம்ம செல்வமணி, சென்னைலிருந்து, பெரிய பள பளன்னு ஒரு கார்ல வந்து இறங்கினாம்மா…’

’பெரிய வக்கீலாக இருக்கான்னு கேள்வி’

குமாரின் அண்ணன் ரகு, உடனே, குமாரிடம்,

‘காரை சரியா கவனிச்சயா? என்ன நிறம்? அதனுடைய தலை விளக்கு எப்படி இருந்தது? மாருதியை விட எத்தனை பெரிசு?” என்று அடுக்கினான்.

“பெரிய கார். அவ்வளவுதான் தெரியும். உன்னைப் போல நான் ஒன்றும் கார் பைத்தியம் இல்லை’

இந்த சாதாரண உரையாடலை/சம்பவத்தைச் சற்று அலசுவோம். செல்வமணியின் கார் ஒரு BMW X1 என்ற பெரிய கார். குமார் அதுவரை BMW –வைப் பார்த்ததில்லை. எப்படி அது ஒரு கார் என்று முடிவெடுத்தான்? அத்துடன், ஆரணியில் அவன் இந்த மாதிரியான காரைப் பார்த்ததில்லை. அவனுக்கு நிறமும் நினைவில்லை, மற்ற காரின் அம்சங்கள் அவனுக்குப் பரிச்சயமில்லை. ஆனால், பார்த்தது கார் என்று உடனே முடிவெடுத்து விட்டான். இத்தனைக்கும் அவனுக்குத் தெரிந்த மாருதி மற்றும் ஹூண்டாய் காரைப் போல இந்தக் கார் இல்லை. இவன் எப்படி முடிவெடுத்தான் என்பது மிகவும் முக்கியமான விஷயம். நான்கு சக்கரத்தை வைத்துக் கார் என்று முடிவெடுத்தானா? அல்லது, Windshield மற்றும் காரின் கண்ணாடிகளைக் கொண்டு முடிவெடுத்தானா? ஏன் செல்வமணி பள பள லாரியில் வந்ததாக குமார் சொல்லவில்லை?

குமாரின் கார் என்ற முடிவுக்கும், இன்றைய தானோட்டிக் கார்கள் எடுக்கும் முடிவுக்கும் நிறைய வித்தியாசம் இல்லை. ஒரே வித்தியாசம், தானோட்டிக் கார், பளபளப்பைப் பற்றி அதிகம் கவலைப்படாது. அதன் பார்வையில், 1990 மாருதியும் இன்றைய BMW X1  -ம் ஒன்றுதான். சாலையைக் கவனித்துக் காரைச் செலுத்தும் பொழுது, காரின் விலை, அந்தஸ்து முக்கியமில்லை. அது கார் என்று தெரிய வேண்டும், அதன் இயக்க சமாச்சாரங்கள் (திசை, அகலம், நீளம், ஆழம், வேகம், இடைவெளி) முக்கியம். இந்த அணுகுமுறையையே இன்றைய தானோட்டிக் கார்கள் பின்பற்றுகின்றன.

அடுத்த பகுதியில், விரிவாகத் தானோட்டிக் கார்களின் மென்பொருள் பற்றி அலசுமுன், இத்துறையின் தந்தை என்று போற்றப்படும் Geoff Hinton  என்ற கனேடிய செயற்கை நுண்ணறிவு  விஞ்ஞானியுடன் ஒரு நேர்கானல்.

 

தமிழ்ப் பரிந்துரை

தமிழ்ச் சொற்கள் எல்லோருக்கும் புரிய வேண்டும் என்று சில ஆங்கிலச் சொற்களை கட்டுரையில் பயன்படுத்தியுள்ளேன். கார் சம்பந்தமான பல தொழில்நுட்பச் சொற்கள் தமிழில் அதிகம் புழக்கத்தில் இல்லை. உதாரணம், ஆக்ஸிலரேட்டர் மற்றும் ப்ரேக். இதை தமிழில் மொழிபெயர்த்தால், நம்மில் பலருக்கும் புரியாது. இதனால், இது போன்ற வழக்குச் சொற்களை அப்படியே பயன்படுத்தியுள்ளேன். சில புதிய சொற்களுக்கு நிகரான சில தமிழ்ச் சொற்களை இங்கு பரிசீலனைக்கென முன்வைக்கிறேன்

ஆங்கிலச் சொல் தமிழ்ப் பரிந்துரை
Survival எஞ்சுதல்
Innate intelligence உள்ளார்ந்த அறிவு
Machine vision challenge எந்திரப் பார்வை சவால்

சொல்வனம் – ஏப்ரல் 2017

தானோட்டிக் கார்கள் – தொழில்நுட்ப அறிமுகம் – பகுதி 5

மனிதர்கள், மோசமான ஓட்டுனர்கள் – இவர்களது மோசமான 100 வருட கெட்ட அனுபவத்தைச் சரிசெய்யத் தானோட்டிக் கார்கள் முயன்று வெற்றிபெற்றால், பல உயிர்கள் பாதுகாக்கப்படும்,  மருத்துவ வசதிகள் தவிர்க்க முடியாத நோய்களை மட்டுமே சரிசெய்யப் பயன்படும். சமூகத்தில், கார் ஓட்டத் தெரியாதவர்கள்/ முடியாதவர்களையும்  வேண்டிய இடத்திற்குப் பயணிக்க வைக்க முடியும். மேலும், போக்குவரத்து நெரிசல் மற்றும் பெட்ரோல் வீணாக்கம் போன்ற விஷயங்களைக் கட்டுப்படுத்த முடியும். இதுவரை நாம் பார்த்த விஷயங்களின் சாராம்சம் இது.

தானோட்டிக் கார்களை உருவாக்குபவர்கள் இதற்குத் தலை கீழாகச் சிந்திக்க வேண்டும். மனிதர்கள் மோசமான ஓட்டுனர்கள் என்று சொல்லி ஜல்லியடிக்க முடியாது. மனிதர்கள் தவறுகள் செய்யத்தான் செய்கிறார்கள். அதற்காக, ஓட்டும் ஒவ்வொரு மணியும் தவறு செய்வதில்லை.

  1. அமெரிக்கப் புள்ளிவிவரப்படி, 2011 –ல், சராசரி, 3.3 மில்லியன் மணி நேர கார் ஓட்டலுக்கு ஒரு முறை தான், விபத்தில் உயிர்ச் சேதம் ஏற்பட்டது
  2. சராசரி, ஒவ்வொரு 64,000 மணி நேர கார் ஓட்டலுக்கு ஒரு முறைதான், கார் விபத்து நேர்ந்தது

தானோட்டிக் கார்கள் மேலே சொன்ன புள்ளிவிவரத்தைவிடப் பன்மடங்கு ஒழுங்காகக் கார் ஓட்ட வேண்டும். அப்பொழுதுதான் தானோட்டிக் கார்கள் மனிதர்களால் ஒப்புக் கொள்ளப்படும்.

மனிதர்கள் இவ்வாறு கார் ஓட்ட முக்கியக் காரணம் என்ன?

  1. முதல் விஷயம், மனிதப் பார்வை. மிகவும் சிக்கலான உணர்வி மனிதக் கண். முப்பரிமாணத்தில், வண்ணத்தில் பார்ப்பதோடு அல்லாமல், மூளையுடன் பார்ப்பதை வைத்துச் செயலாற்றவும் வல்லது. இன்றுவரை, மனிதக் கண்ணை மிஞ்சும் உணர்வி கண்டு பிடிக்கப்படவில்லை
  2. மனிதர்களில், இதர துணை உறுப்புக்கள் – காது (ஒலி), கழுத்து, கை மற்றும் கால் – சரியாகக் காரைச் செலுத்த முக்கியமான உறுப்புக்கள் இவை

பார்வையற்றவர்கள், உடல் ஊனமுற்றவர்களுக்குக் கார் ஓட்டும் அனுமதி வழங்கப்படுவதில்லை. கண்ணாடி அணிபவர்கள் கார் ஓட்டும்பொழுது கண்ணாடி அணிந்திருக்க வேண்டும்.

சில தருணங்களில் மனிதக் கண், கார் ஓட்டுதலில் பல அதிசயமான ஆனால் நமக்குச் சாதாரணமாகத் தோன்றும் விஷயங்களை நாள்தோறும் செய்து வருகின்றன.

  1. இருட்டில், கருப்பு உடை அணிந்த மனிதர் குறுக்கே போனால், பெரும்பாலும், இதைக் கண்டு காரை நிறுத்தி விடுகிறோம். இதென்ன பெரிய விஷயம்? ஓர் எந்திரத்திற்கு இதைச் சொல்லிக் கொடுப்பதற்குள் போதும் என்றாகி விடுவதோடு, பல்லாண்டு ஆராய்ச்சியும் தேவைப் படுகிறது
  2. மஞ்சள் லாரிக்கு அருகே உள்ள மஞ்சள் ஆட்டோவைப் பெரும்பாலும் அடையாளம் கண்டு கொள்கிறோம். எந்திரங்களுக்கு இது சாதாரண விஷயமல்ல. இதைப் பற்றி விவரமாகப் பிறகு பார்ப்போம்
  3. ஏராளமான பனிப்பொழிவின் பொழுது, மனிதர்கள் கார் ஓட்டுவது ஒரு வினோத விஷயம். வரைபாதை எதுவும் பனிப்பொழிவின் பொழுது தெரியாது. மேலும், முன்னே சென்ற வாகனத்தின் பனியில் விழுந்த தடயங்களே (அழுத்தங்களே) பாதையாகிறது. எவ்வளவோ முன்னேறியும், இன்றும் தானோட்டிக் கார்கள், பனிப்பொழிவில் தடுமாறத்தான் செய்கிறது
  4. கொட்டும் மழையில் கார் ஓட்டுவது இன்னொரு முக்கிய மனித இயல்பு. கண்ணாடித் துடைப்பான் (windshield wipers) உதவியுடன், ஓரளவிற்கே தெரியும் பாதையில் மனிதர்கள் சர்வ சாதாரணமாகக் கார் ஓட்டுகிறார்கள். எந்திரங்களுக்கு இது ஒரு பெரிய சவால்.

இந்தத் தொழில்நுட்பப் பகுதிகளில் தானோட்டிக் கார்களின் எந்திரக் கற்றலியல் பற்றி ஒரு மேலோட்டமான அறிமுகம் செய்யத் திட்டம். தேவைப்பட்டால், விவரமாக எந்திரக் கற்றலியல் பற்றிக் கட்டுரைகள் வாசகர்களுக்கு ஆவலிருந்தால் எழுதலாம் என்று உத்தேசம்.

கைகளும் கால்களும் கார் ஓட்ட முக்கியம் என்றாலும், பார்வை என்பது பெரிதும் கார் ஓட்டும் முடிவுகளுக்கு மையமாக உள்ளது. கைகளும் கால்களும் கண்கள்/மூளை எடுத்த முடிவுகளைச் செயல்படுத்துகின்றன. அவ்வளவுதான். இயற்கையில், நம் கண்கள் கார் ஓட்டுவதற்காக உருவாக்கப்பட்டவை அல்ல. அதனாலேயே இத்தனை விபத்துக்கள் மற்றும் பொருள்/உயிர்ச் சேதம். ஆனால், கண்கள் மற்றும் கழுத்தை வைத்துக் கொண்டு நாம் ஓட்டும் காரின் சூழலை அழகாக அளந்து அதற்கேற்பக் காரைச் செலுத்துகிறோம்.

சூழலை கணிப்பது என்பது அவ்வளவு சாதாரண விஷயமல்ல. நம்முடைய முன்னால் உள்ள சூழலை கவனிப்பது எளிது. ஆனால், பின்னால், மற்றும் பக்கவாட்டில் உள்ள சூழலை கவனிக்க, பெரும்பாலும் நாம் கண்ணாடிகளையே (rear view/side mirrors) நம்பி வந்துள்ளோம். ஒளியைப் பிரதிபலிக்கும் கண்ணாடிகளிலிருந்து வரும் சூழலை, கண்களே காரோட்ட முடிவுகளுக்குப் பயன்படுத்துகிறது. பக்கவாட்டில் மிக அருகாமையில் உள்ள வாகனங்களைக் கவனிக்க நம் கழுத்தைப் பயன்படுத்தி, மீண்டும் கண்களால், சூழலை மதிப்பிடுகிறோம். ஆக, கண் நம்முடைய பிரதான உணர்வி. மேல்வாரியாகக் கண்களைப் பற்றி இங்குச் சொல்லியுள்ளேன். கண்கள் செய்யும் பல அதிரடி முடிவுகள் ஓர் எந்திரத்திற்குச் சொல்லிக் கொடுக்கும் பொழுதுதான், பிரச்னையே உருவாகிறது. இதைப் பற்றி விரிவாக அடுத்த பகுதிகளில் விவரிப்போம்.

கண்கள் எடுக்கும் முடிவுகளுக்கேற்ப காரைச் செலுத்த நமக்குச் சில கட்டுப்பாடுகளைத் தயாரிப்பாளர்கள் உருவாக்கியுள்ளனர். பிரேக் வேகத்தை குறைக்கவும், ஆக்ஸிலரேட்டர் வேகத்தைக் கூட்டவும் கால்களால் இயக்கப் படுகின்றன. மற்றபடி காரை வலப்புறமோ அல்லது இடப்புறமோ திருப்ப ஸ்டீயரிங் சக்கரம் மற்றும் திருப்புக் குறிகாட்டிகள் கைகளால் இயக்கப் படுகின்றன. இதைத் தவிர, காரை பின்னால் செலுத்துவதற்கு கியரை பயன்படுத்த வேண்டும் – இதற்கு கைகளும், கால்களும் தேவை.

அட, இதென்ன டிரவிங் வகுப்பு போல அடிப்படை அறுவை என்று தோன்றலாம். தானோட்டிக் கார்களில் கைகளும், கால்களும் இல்லை. இதனால், ஸ்டீய்ரிங் சக்கரம், பிரேக் மற்றும் ஆக்ஸிலரேட்டர் தேவையே இல்லை. தானோட்டிக் கார்களில் உள்ள கணினிகள் நேரடியாக வேகக் கட்டுப்பாடு, மற்றும் நிறுத்துதல் விஷயங்களைச் செய்துவிடும். சிக்கல் எல்லாம் கண்கள் விஷயத்தில்தான். விவரமாக அடுத்த பகுதியில் பார்க்க போகிறோம் என்றாலும் ஒன்றை இங்குச் சொல்லியாக வேண்டும். சாதாரணக் காய்ந்த சாலையில் தானோட்டிக் கார் செல்வதற்கும், மழை மற்றும் பனிப்பொழிவு சாலையில் செல்வதற்கும் நிறைய வித்தியாசம் உள்ளன. இயக்க பெளதிகம் முற்றிலும் வேறுபட்டது. மழை கொட்டும் சாலையில் பயண வேகம் மற்றும் நிறுத்துவதற்கான தூரம் எல்லாம் வேறுபடும். நாம் இதைச் சொல்லிக் கொடுக்காமலே கார் ஓட்டும்பொழுது கடைபிடிக்கிறோம். வேகமாகக் கார் ஓட்டும் பொழுது திடீரென்று மழைக் கொட்டத் தொடங்கினால், வேகத்தைக் குறைத்து விடுகிறோம். அத்துடன், காரை அவசரமாகப் பிரேக் செய்தால் சறுக்கும் என்று அறிந்து, நிறைய தூரம் முன்னரே வேகத்தைக் குறைத்து நிறுத்த முயற்சிக்கிறோம்.

இன்னொரு முக்கிய விஷயம், நாம் சர்வ சாதாரணமாகச் சொல்வது,

‘எங்க ஊர்ல இருக்கும் எல்லா சாலைகளும் எனக்கு அத்துப்படி’.

இதற்கு முக்கியக் காரணம், அந்த சாலைகளில் பல முறைகள் பயணம் செய்த அனுபவம்.

‘எத்தனை வருஷமா கார் ஓட்டினாலும், நெடுஞ்சாலையில் மிகவும் கவனமாக வேக எல்லைக்குள் பயணிப்பேன். எங்கு வேகமாகப் போக வேண்டும் என்று எனக்குத் தெரியும்’

இதுவும் ஒரு பயண அனுபவ வெளிப்பாடு.

‘சனிக்கிழமை நெடுஞ்சாலையில் ஒரே கூட்டம். எப்படிச் சின்ன பக்க சாலைகள் வழியாக எங்க ஊருக்குப் போவதென்பது என்போன்ற ஓட்டுனர்களுக்கு மட்டும்தான் தெரியும்’

இதுவும் இன்னொரு கார் ஓட்டும் அனுபவ வெளிப்பாடு.

ஆக, தானோட்டிக் கார்களுக்குப் பார்த்த உடனே செயல்படும் திறன் மட்டும் போதாது. எப்படியோ அனுபவமும் தேவை. எப்படி என்பதைப் பற்றி பிறகு பார்ப்போம். முதலில் அனுபவம் என்றால் என்ன?  எப்படி கார் ஓட்டும் அனுபவத்தை ஒரு எந்திரத்திற்குள் உருவாக்குவது? இந்தக் கேள்விகள் மிக முக்கியமான தானோட்டிக் கார்கள் பற்றிய தொழில்நுட்பக் கேள்விகள்.

இந்தக் கேள்விகளுக்கு பதில் கணினி மென்பொருளில் உள்ளது. அந்தக் கேள்விக்குப் போவதற்கு முன், தானோட்டிக் கார்களின் வெளியுலக உணர்விகள் என்னென்ன என்று பார்போம்.

லைடார் என்னும் கண்

நிலத்தில் என்ன வளங்கள் உள்ளன மற்றும், எந்த விதமான பயிர்கள் வளர்கின்றன, மற்றும், பயிர்களுக்கு எந்த வித பூச்சித் தாக்குதல்கள் உள்ளன என்று  விமானம் மற்றும் ஹெலிகாப்டரிலிருந்து பறந்தபடியே கண்காணித்துப் பதிவிடும் துறை, ரிமோட் சென்ஸிங் (remote sensing) என்னும் துறை. இத்துறையில் விமானங்களிலிருந்து நிலத்தை மற்றும் பயிர்கள், காடுகளைச் சரியாக அளக்கப் பயன்பட்ட கருவி லைடார். லேசர் கதிர்கள் மூலம் இயங்கும் இக்கருவிகள், துல்லியமாக மரங்கள் மற்றும் பயிர்களை விமானத்திலிருந்து அளந்து கணினிக்கு அனுப்பிவிடும். லைடார் தரவுகளை ஒரு அழகான பயிர் வள முப்பரிமானப் படமாகக் கணினி வரைந்து விடும்.

எத்தனை லேசர்கள் உள்ளனவோ, அத்தனைத் துல்லியம் லைடார்கள். 8 லேசர் கதிர்கள், 16, 32 என்று பல வகைகள் உள்ளன. இவற்றின் குறிக்கோள், ‘இதோ டாம் க்ரூஸ், கருப்புப் பேண்ட், நீலச் சட்டை, மஞ்சள் டை, கார்டுராய் ஜாக்கெட் அணிந்து ஒரு குறுந்தாடியுடன் வேகமாக நடந்து வருகிறார்’ என்று சொல்வதல்ல. 6 அடி 2 அங்குலம் உயரமுள்ள மனிதர் மணிக்கு 20 கி.மீ, வேகத்தில் இடது பக்கத்திலிருந்து 40 அடி தூரத்தில் வருகிறார் என்று சொல்வது. இந்த விஷயங்கள், தானோட்டிக் காருக்கு முக்கியம். டாமின் மஞ்சள் டை முக்கியமல்ல. பல தானோட்டிக் கார்களும் லைடார் என்னும் தொழில்நுட்பத்துடனே தொடங்கி வந்துள்ளன.

எவ்வளவு லேசர் கதிர்கள் இருந்தாலும், காரில் பொருத்தப்பட்ட லைடார்கள் 60 அடியிலிருந்து 200 அடி வரை மட்டுமே காண வல்லவை. தானோட்டிக் கார்களுக்கு 200 அடியைத் தாண்டியும் பார்க்க வேண்டிய அவசியம் உள்ளது.

லைடார்களின் துல்லியம் மிகவும் அருமையாக இருந்தாலும், இவற்றில் விலை மிக அதிகம். காரின் தலை மேல் பொருத்தப்பட்ட இந்த லைடார்கள் 2020 –க்குப் பிறகு வெளி வரும் தானோட்டிக் கார்களில் இருக்காது என்று பல வல்லுனர்கள் சொல்லி வருகிறார்கள். சல்லிசாகக் கிடைக்கும் டிஜிட்டல் காமிராக்கள் கொண்டு எல்லா எந்திரப் பார்வை விஷயங்களையும்  நிறைவேற்ற வேண்டும் என்பது ஒரு அணுகுமுறை. சமீபத்தில் டெஸ்லா, தன்னுடைய புதிய மாடல்களில் 8 காமிராக்களுடன் காரியத்தை முடித்துக் காட்டுவோம் என்று சொல்லி வருகிறது. சமீபத்திய கூகிள் தானோட்டிக் காரில், 200 அடி வரை துல்லியமாகக் கணிக்கக் கூடிய 64 லேசர் கதிர்களுடன் இயங்கும் லேசர் தொலை காணிக் கருவி (laser range finder) பொருத்தப்பட்டுள்ளது.

லைடார் தயாரிப்பாளர்கள், ஒன்றும் ஓய்ந்து விடவில்லை. இவர்கள் MEMS தொழில்நுட்பம் மற்றும், திடநிலை லேசர் தொழில்நுட்ப (solid state laser technology) உதவியுடன் சில நூறு டாலர்களுக்கு லைடார்களைத் தயாரித்து 2018 –ல் வெளியிடுவோம் என்று சவால் விட்டுள்ளார்கள். Velodyne, Quanergy, Valeo/IBEO   போன்ற நிறுவனங்கள் இந்தத் துறையின் முக்கிய நிறுவனங்கள். லைடார்களின் முக்கியப் பங்கு, வெளியில் எந்த அள்வு வெளிச்சம் இருந்தாலும் ஒரே சீராக இயங்குவது. காமிராக்கள், வெளியில் உள்ள வெளிச்சத்திற்கேற்ப அதன் இயக்கமும் மாறுபடும்.

மொத்தத்தில், நம் கண்ணை ஒரு உணர்வி கொண்டு மட்டும் சமாளிக்க முடியாது. இன்னொரு விஷயம். தானோட்டிக் கார்களில், பல உணர்விகளின் சங்கமம் அவசியம். சில உணர்விகள் சில சூழலில் களை கட்டும், மற்ற சூழலில் உதைக்கும். உணர்விகளின் சங்கமம், ஒரு உணர்வியின் குறையை இன்னொரு உணர்வி சரிசெய்யும்.

விடியோ காமிராக்கள் என்னும் மறுகண்

விடியோ காமிராக்கள் தானோட்டிக் கார்கள் அனைத்திலும் உள்ள ஒரு உணர்வி. முன்னால் ஒன்று, பின்னால் ஒன்று நிச்சயம். இதைத்தவிரச், சில கூடுதல் காமிராக்கள் தானோட்டிக் கார்களின் பாதுகாப்பைக் கூட்டும் என்று ஒரு வாதம் உண்டு. லைடாரைப் போல அல்லாமல், காமிராக்கள் முழு வண்ணம் மற்றும் முப்பரிமாணத்தைப் பதிவு செய்ய வல்லவை. இதில் என்ன பிரச்னை இருக்கப் போகிறது? முப்பரிமாண வண்ண விடியோக்கள் சூழலில் உள்ள ஒளிக்கேற்ப மற்றும் ஒளி பிரதிபலிப்பினால், பல வகை மென்பொருள் சவால்களை உருவாக்க வல்லது. பெரும்பாலும், நாம் படம் பிடிக்கும் விடியோப் படங்கள் தானோட்டிக் கார்களுக்குத் தேவையில்லை. எதிரே உள்ள பொருள் ஒரு தடையா இல்லையா? எதிரே உள்ள பொருள் நகருகிறதா, எந்தத் திசையிலிருந்து, எத்தனை வேகத்திலிருந்து? இந்தக் கேள்விகளுக்குக் காமிரா பிம்பங்கள் மூலம், துல்லிய விடை காணும் எந்திரக் கற்றலியல் முழுவதும் வளரவில்லை. பெரும்பாலும், விடியோக் காமிராக்கள், மற்ற உணர்விகளின் தரவுகளை மேம்படுத்தவே பயன்பட்டு வருகின்றன. ஆனால், காமிராக்களின் விலை மிகவும் குறைவு. அத்துடன், மற்ற கார்களின் பிரேக் விளக்குகள், மற்றும் சிக்னல் விளக்குகளை காமிராக்கள் மிகவும் எளிதில் பதிவு செய்ய உதவும். மேலும், சரியான லென்ஸ் பொருத்தப்பட்டால், பல நூறு அடிகள் வரை காமிராக்களால், பார்த்து, காட்சிகளைக் கணினிக்கு அனுப்ப முடியும்.

ராடார்

இன்று பல விலையுயர்ந்த கார் மாடல்களில் ராடார் பொருத்தப்பட்டுள்ளது – பெரும்பாலும் காரின் பின்னால், பிரேக் விளக்குகள் அருகில்.இவை adaptive cruise control  முறையில் பயன்படும் முக்கிய விஷயம். கார் அருகே வரும் மற்ற வாகனங்கள் எந்த வேகத்தில் எத்தனை தூரத்தில் வருகின்றன என்று துல்லியமாக அளக்க ராடார்கள் பயன்படுகின்றன. இந்த ராடார்களின் குறிகைகளை வைத்து கணினி, காரின் வேகத்தைக் கட்டுப்படுத்துவதோடு, சரியான வாகன இடைவெளியையும் பராமரிக்க முயலும். பின்னால் வருவது காரா அல்லது பஸ்ஸா என்பது முக்கியமில்லை, எத்தனை தூரத்தில் எந்த வேகத்தில் வருகிறது என்பதே முக்கியம். இன்றைய காரில் உள்ளது போலவே தானோட்டிக் கார்களிலும் ராடார்கள் இந்த வேலையைச் செய்யும்

ஜி.பி.எஸ். வாங்கி

ஜி,பி,எஸ். ஒரு கார் இருக்கும் சரியான இடத்தைக் கணிக்க உதவும் ஒரு உணர்வி. இதைப் பற்றி ‘நேரம் சரியாக’ தொடரில் விவரமாகப் பார்த்தோம். ஜி.பி.எஸ்., ஒரு 5 அடி வரை துல்லியமற்றது. இதனால், பெரும்பாலும், துல்லியக் கூறுகளை (coordinates) முன்னால் செய்த பயணத்திலிருந்து கணினியில் சேமித்து விடுகிறார்கள். ஜி,பி.எஸ். குறிகையையும், கணினியின் கூறுகளையும் வைத்து, காரின் துல்லிய நிலையிடத்தைக் (precise location coordinates)  கணிக்கும். இது எல்லா உணர்விகளிலும் மிகவும் முக்கியமான விஷயம். எந்த இயக்கமும், ஒரு நிலையிலிருந்து தொடங்கும். அந்த நிலையை நிர்ணயிப்பது ஜி,பி.எஸ்.

மனிதர்கள், அனுபவத்திலிருந்து, இந்த நிலையை நிர்ணயிக்கிறார்கள்.

உயரம் சுழற்சி உணர்விகள்

பெரும்பாலும் காருக்குள் பொருத்தப்பட்டுள்ள இந்த உணர்விகள், கார் சாய்கிறதா, எந்த உயரத்தில் பயணிக்கிறது என்பதை கணிக்கப் பயன்படுகிறது. சுழற்சி என்பது கார் வளைவுகளில் எப்படிப் பயணிக்கிறது என்பதைக் கணினி கணிக்கப் பயன்படுகிறது.

வரைபடங்கள்

பெரும்பாலும், ஒரு மனிதர் ஓட்டிய காரில் பொருத்தப்பட்ட லைடார் மூலம், துல்லியமாகப் பயணித்த சாலையின் ஒவ்வொரு அம்சமும் சரியான கூறுகளுடன் சேமித்து விடுகிறார்கள். தானியங்கிக் கார் இந்த வரை படத்தைப் பயன்படுத்தி சாலையைப் பற்றித் தெரிந்து கொள்கிறது, மற்ற உணர்விகள், ஊர்த்திகள், பாதசாரிகள், மற்றும் சாலை குறிகள், சிக்னல்கள் போன்ற விஷயங்களை உள் வாங்குகிறது.

நாம் படிப்பதற்கு ஒரு கண்ணாடி, தூரப் பார்வைக்கு இன்னொறு என்று அணிந்து கொள்வதைப் போலப் பல கண்ணாடிகளை அணிவித்து விட்டோம். இதனால், குழந்தை தானாகவே நடக்கும் என்று சொல்ல முடியுமா? அதற்கு அறிவு வேண்டும் – சுற்றுச் சூழலில் என்ன நடக்கிறது என்று தெரிய வேண்டும். மிக முக்கியமாக, சொல்லிக் கொடுத்த விஷயங்கள் தவிர புதிய நிகழ்வுகள் நடந்தால், எப்படிச் சமாளிப்பது என்பது மிகவும் முக்கியம்.

தானோட்டிக் கார்கள் புதிய சூழல்களைச் சமாளிக்க வைப்பது எப்படி?

எந்திரக் கற்றலியல் வளர்ச்சியால், இது இன்று ஓரளவு சாத்தியம். இதைப் பற்றி அடுத்த பகுதிகளில் விரிவாகப் பார்ப்போம்.

சொல்வனம் – மார்ச் 2017

வாய்ப்புகள் – கருவிகளின் இணையம் – பகுதி 22

முதலில் ஒரு எச்சரிக்கை. பொதுவாக இந்திய மென்பொருள் வல்லுனர்கள், பெயர் போன கூகிள், மைக்ரோசாஃப்ட், ஆரகிள் போன்ற நிறுவனங்களில் பணி புரியவே விரும்புபவர்கள். மேலும், சிலர், டிசிஎஸ், இன்ஃபோஸிஸ் போன்ற பெரிய மென்பொருள் சேவை நிறுவனங்களில் தங்களுடைய கல்வியை வீணடிக்கிறார்கள். இவர்கள் அனைவரும் இந்தக் கட்டுரையைப் படிக்கத் தேவையில்லை. ஏனென்றால், கருவி இணையத் துறையில் ஏராளமான வாய்ப்புகள் இருந்தாலும், மேல் சொன்ன நிறுவனங்களில் வாய்ப்புகள் மிகக் குறைவு. மிகைபடுத்தப்பட்ட தம்பட்டம் தான் இங்கு நீங்கள் காண முடியும்.

  1. தீவிரமாக இந்தத் துறையை முன்னோக்கி எடுத்துச் செல்லும் நிறுவனங்கள் மிகவும் பெயர் எடுத்தவை அல்ல. சின்ன நிறுவனங்கள்
  2. ராட்சச இந்திய மென்பொருள் சேவை நிறுவனங்களை இந்தத் தொழில்நுட்பம் எட்ட இன்னும் பல ஆண்டுகள் ஆகும். இவர்கள் ரிஸ்க் எடுக்கத் தயங்கும் மிகப் பெரிய நிறுவனங்கள்
  3. புதிய கருவிகள், புதிய பயன்பாடுகளை உருவாக்கத் துடிக்கும் இளைஞ(ஞி)ர்கள் இந்தத் துறையில் தாராளமாக இறங்கலாம். புதிய துறையாக இருப்பதால், எதிர்காலம், சற்று சந்தேகமாகத் தோன்றலாம். ஆனால், சொந்த முயற்சிக்கு மிகவும் ஏற்ற துறை. மிக அதிக முதலீடும் தேவை இல்லை. ஸ்பெயின் இத்துறை தோன்றும் வரை மிகப் பெரிய தொழில்நுட்ப முன்னோடி ஒன்றும் இல்லை. இன்று கலக்குகிறார்கள். இந்திய இளைஞர்கள், இந்திய சேவை நிறுவனங்கள் செய்யத் தவறியதைப் பூர்த்தி செய்யலாம் – உலகில் எல்லோருக்கும் தெரிந்த இந்தியக் கணினி வியாபாரக் குறி. உங்களுக்குள் இந்த உந்துதல் இருந்தால், களத்தில் இறங்குங்கள்!

Image result for IoT opportunitiesஇக்கட்டுரைத் தொடரைப் படித்துவிட்டு, எப்படி இந்தத் துறையில் இறங்குவது என்று கேள்வி எழும் வாசகர்களுக்கு முதலில் சில விஷயங்களைத் தெளிவுபடுத்துவது அவசியம்.

  1. தெரு மூலையில் இருக்கும் கணினி நிரல் மொழிகளைச் சொல்லிக் கொடுக்கும் நிறுவனத்திடம் தயவு செய்து இந்தத் துறையில் ஏதாவது வகுப்பு இருக்கிறதா என்று கேட்காதீர்கள். அவர்களது பார்வையில், விஷுவல் பேசிக், ஆரகிள் சொல்லிக் கொடுத்துப் பணம் பண்ணுவதுதான் வியாபாரம்
  2. சரி, உள்ளூர் பல்கலைக் கழகத்தில் தொடர்கல்வி அமைப்பில் ஏதாவது வகுப்பு இருக்குமா என்றும் தேடாதீர்கள். இந்தத் துறையில் கல்வித்துறை பின்தங்கியுள்ளது. அதுவும் அதிகம் நியமங்கள் சரியாக அமையாத இந்தத் துறையைப் பல்கலைக்கழகங்கள் தொட,இன்னும் சில ஆண்டுகள் பிடிக்கும்
  3. ஏதாவது பெரிய நிறுவனம் தனிப்பட்ட வகுப்பு நடத்துகிறார்களா என்று தேடினால், அதிலும் சில சிக்கல்கள் உள்ளன. இவர்கள் தங்களுடைய அணுகுமுறை மற்றும் கருவிகள்தான் உலகில் சிறந்தவை என்று விற்பனை கலந்த கல்வியால், உங்களுக்குச் சரியான கல்வி வழங்க மாட்டார்கள்

 

internetofthings2சரி, என்னதான் செய்யலாம்? ஒரு ஐந்து ஆண்டுகளில் இந்தத் தொழில்நுட்பம் தெரு ஓரப் பயிற்சி மையத்திற்கு வந்து விடும், அப்புறம் பார்க்கலாம் என்று மட்டும் சும்மா இருந்து விடாதீர்கள். ஏனென்றால், இத்துறையின் வாய்ப்புகள் ஐந்து ஆண்டு காலம் காத்திருக்காது.

ஆனால், 2020 –க்குள் பல லட்சம் வல்லுனர்கள் இத்துறைக்குத் தேவை. சரியான பயிற்சியும் அணுகுமுறையும் இருந்தால், வேலை மற்றும் வெற்றிகரமான வியாபாரம் – இரண்டும் சாத்தியம்.

களத்தில் இறங்குமுன் இத்துறை உங்களிடமிருந்து என்ன எதிர்பார்க்கிறது, உங்களுக்கு என்ன தெரிந்திருக்க வேண்டும், சொந்த முயற்சியில் என்னவெல்லாம் கற்க வசதிகள் உள்ளன என்று விரிவாக இந்தக் கட்டுரையில் அலசுவோம். அதன் பின், பயிற்சிக்கு என்ன வசதிகள் இருக்கின்றன என்றும் பார்ப்போம்.

முதலில் உங்களுக்கு என்ன தெரிந்திருக்க வேண்டும் என்று பார்ப்போம்.

  • சம்பந்தமே இல்லாத துறைகளில், எப்படிக் கருவிகளில் புதிய பயன்பாடுகளை உருவாக்கி, அவற்றைப் பயனுள்ள தோழராக மாற்ற முடியும் என்று சிந்திக்கத் தெரிந்திருக்க வேண்டும். உதாரணத்திற்கு, ஒரு சக்கர நாற்காலியில் உள்ள நோயாளிக்கு என்ன செய்தால், நோயாளி பயனுறுவார் என்று இதுவரை எந்த நிரலரும்/பொறியாளரும் சிந்தித்ததில்லை. இன்றைய கருவி இணைய வல்லுனர்கள் சிந்திக்கிறார்கள். எந்த ஒரு பயன்பாட்டு உலகையும் துச்சமாக நினைக்காதீர்கள். உதாரணத்திற்கு, சேற்றில் இறங்கி உங்களது உணர்விகளை நிறுவ வேண்டும் என்றால், முகம் சுளிக்கக் கூடாது – ஏனென்றால், உங்களது களம், விவசாயக் கருவி இணையத் துறையாக இருக்கலாம்
  • உங்களுடைய பயிற்சித் துறையைத் தாண்டி பல வேறுதுறை வல்லுனர்களுடன் ஆலோசித்து ஒரு பயனுள்ள கருவி இணையப் பயன்பாட்டை உருவாக்கத் தெரிந்திருக்க வேண்டும். உதாரணத்திற்கு, சக்தி உருவாக்கத் துறைக்கு ஒரு பயனுள்ள கருவியை உருவாக்க நீங்கள் அத்துறையின் வல்லுனராக இருக்கத் தேவையில்லை. ஆனால், அத்துறை வல்லுனர் ஒருவர் மூலம், எங்கு பிரச்னைகள் தீர்க்கப்படாமல் இருக்கின்றன என்று அறிந்து, அந்தத் தேவையைப் பூர்த்தி செய்யும் வல்லமை உங்களிடம் இருக்க வேண்டும்
  • உங்களுடைய துறையில் – அது நிரலுவது, அல்லது கருவி வடிவமைப்பு, அல்லது, இணையத் தொடர்பு, அல்லது கருவி இணையப் பாதுகாப்பு, உங்களிடம் ஏராளமான வல்லமை இருக்க வேண்டும். இந்த விஷயத்தில் மட்டும் வல்லமை இருந்தால் மட்டும் போதாது என்பதே இத்துறையின் சிறப்பு. தொழில்நுட்பக் கல்வித்துறை அதிகமாக மென்பொருள் பயன்பாட்டு இடைத்தளத்தைப் (user interface) பற்றி சொல்லித் தரவில்லை. அதையும் தாண்டி, இந்தத் துறையில் மிகவும் தேவையான பயிற்சி, பயன்பாட்டு அனுபவத்தைச் சார்ந்தது (user experience). பல நுகர்வோர் கருவி இணையப் பயன்பாடுகளில், திறன்பேசி போன்ற திரை வசதிகள் இருக்காது. வித்தியாசமாகச் சிந்தித்தல் அவசியம்
  • விடாமுயற்சி மிகவும் தேவை. இத்துறையில் தோல்விகள், வெற்றிகளை விட ஏராளம். உங்களுடைய ஐடியாவைத் துறக்க நீங்கள் சின்னச் சின்ன காரணங்களுக்காகத் தயாராக இருந்தால், களத்தில் இறங்காதீர்கள். பல தோல்வி முயற்சிகளுக்குத் தயாராகுங்கள். இந்தத் துறையில் தொழில் தொடங்க விழைபவர்கள் ஆரம்பத் தோல்விகள் ஏராளம் என்பதை அறிய வேண்டும். முதலில் அருமையான ஐடியா என்று தோன்றுவதை பயன்பாட்டிற்கேற்ப மாற்றியமைக்கத் தயாராகவும் இருக்க வேண்டும்
  • முழு வீச்சுப் புரிதல் – பாதுகாப்பு பற்றிய கட்டுரைகளில் இதைப் பற்றி அலசினோம். பயன்பாடு என்பது ஒன்று; ஆனால், தகாத பயன்பாடு என்பது முற்றிலும் வேறுபட்டது. கருவி இணைய வடிவமைப்பாளர்கள் தகாத பயன்பாடு பற்றியும் சிந்திக்கும் திறனாளியாக இருக்க வேண்டும். இல்லயேல் உங்களது அருமையான ஐடியா எப்படியோ சமூகத்திற்கு தீங்கு விளைவிக்கும் சக்தியைப் படைத்துவிடும். தகாத பயன்பாட்டைத் தவிர்த்தீர்களானால், உங்களது கருவி இணைய முயற்சிக்கு நெடுங்கால வாழ்விருக்கும். இல்லையேல், வந்த வேகத்தில் மறைந்துவிடும்

சரி, பிற துறைகளில் வல்லுனர்களுடன் வேலை செய்யத் தெரிந்த விடாமுயற்சியுள்ள ஒருவருக்கு, டெக்னிகலாக இத்துறையில் எப்படிப்பட்ட வாய்ப்புகள் காத்திருக்கின்றன?

  1. இணையப் பொறியாளர்கள் – இவர்கள் பலவித கருவிகளை இணையத்துடன் இணைப்பதோடு மட்டும் நின்றுவிடாமல், மாறி வரும் கருவி இணைய நியமங்கள், இணைய வேகம், மற்றும் பின்னணி வன்பொருள் விஷயங்களில் வல்லுனர்களாக இருக்க வேண்டியது அவசியம்
  2. MEMS பொறியாளர்கள் – எல்லா நிறுவனங்களிலும் இவர்களுக்கு வேலை இல்லையென்றாலும், (பெரும்பாலான நிறுவனங்கள் உணர்விகளைப் பயன்படுத்தவே செய்கிறார்கள், உருவாக்குவதில்லை) இது ஒரு விசேடமான திறன். Instrumentation, microelectronics, mechatronics போன்ற படிப்புகள் படிப்போர்களுக்கு மிகச் சிறந்த ஒரு துறை
  3. வணிகத் திறனாளர்கள் மற்றும் செயற்கைத் திறனாளர்கள் (business and artificial intelligence specialists) – கருவிகள், மனிதர்களைப் போல இயங்குவதில்லை. இத்துறைகளில் உள்ள நெடுங்காலக் கனவு, சீராக உருவாக்கப்பட்ட தரவுகள். மனிதர்கள், குறைகள் நிறைந்த தரவுகளை உற்பத்தி செய்பவர்கள். அத்தோடு, மனிதர்கள் அரசியல் கைதிகள் – தரவுகள் சொல்வதையும் மீறிச் செயல்படுபவர்கள். இத்தனைக் காலம், மனிதர்களை ஒட்டியே உருவாகிய இத்துறைகள், எந்திரங்கள் உருவாக்கும் தரவுகளை ஆராய்ந்து முடிவுகளை முன்வைக்க வேண்டும். அரசல் புரசலான முன்வைப்புகள் ஒத்து வராது. வழக்கமான கல்வி முறைகள், இங்கு உதவாது. மிகச் சிறிய முடிவுகளைக் கருவிகளிடம் விட வேண்டும். படம் வரைந்து 60 வயது மக்கு வைஸ் பிரஸிடெண்ட்டிற்கு விளக்கத் தேவையில்லை. கருவிகளுக்குச், சின்ன விதிகள், சின்னத் தரவுகள் போதும். முன்வைக்கப்பட்ட முடிவுகள் எப்பொழுதும் நிறைவேற்றப்படும். முடிவுகளை நிறைவேற்ற துல்லியமான விதிகள் மட்டுமே தேவை. கருவிகளிலிருந்து வரும் தரவுகள் எப்பொழுதும் ஒரே பாணியில் இருக்கும்
  4. தகவல் பாதுகாப்பு வல்லுனர்கள் – பாதுகாப்புப் பற்றிய கட்டுரைகளில் பார்த்தது போல, இவர்கள் மாறி வரும் மறைகுறியாக்க முறைகள் எப்படி கருவி இணைய உலகில் பல்வேறு தளங்களில் பயன்படுத்தி இணைய விஷமிகளின் தாக்கல்களைச் சமாளிப்பது என்பதில் குறியாக இருக்க வேண்டியவர்கள். ஊடுருவல் என்பது ஒரு பூனை, எலி சமாச்சாரம். இன்றைய பிரமாதமான பாதுகாப்பு, நாளைய பாதுகாப்பு ஓட்டை. கணித அறிவும், கணினி மென்பொருள் அறிவும் கைகோர்த்து எதையும் சந்தேகத்துடன் அணுகும் இவர்கள் கருவி இணைய உலகில் மிகவும் முக்கியமானவர்கள்
  5. பயன்பாட்டு இடைத்தள மற்றும் அனுபவ வல்லுனர்கள் – புதிய கருவிகளுடன் தொடர்பு என்பது திரைத் தடவல் வடிவில் இருக்க வேண்டியதில்லை. சிறிய கருவிகளுக்கு புதிய அணுகுமுறைகள் தேவை. இதுவரை திறன்பேசி, மற்றும் கணினி பயன்பாட்டு இடைத்தள வீரர்கள், தங்களை மாற்றிக் கொண்டால்தான் இத்துறையில் வெற்றி பெற முடியும். உதாரணத்திற்கு, எங்கோ ஒரு காட்டுப் பகுதியில் நிறுவப்பட்டுள்ள மின்கலத்தில் இயங்கும் ஒரு சுற்றுச்சூழல் கருவியுடன் எப்படித் தொடர்பு கொள்வது?
  6. திறன் கருவி மென்பொருள் நிபுணர்கள் (smart devices software engineers) – இவர்கள் ஆண்ட்ராய்டு, ஐ.ஓ.எஸ் என்று நின்று விடாமல், பல புதிய தொழில்நுட்பங்களோடு சமாளிக்க வேண்டும். மாறி வரும் புதிய நியமக் கருவிகளுடன் தொடர்பு, மற்றும் பாதுகாப்பு என்று இவர்களது பங்கு விரிவானது. சில நிறுவனங்களில் இவர்களே பாதுகாப்பு வல்லுனர்கள். இவர்களது பங்கு பயன்பாட்டோடு நின்றுவிடாமல், கருவிகளை தொலைதூரத்திலிருந்து பராமரிப்பது எப்படி என்பது வரை விரியும். ஜாவா, பைத்தான் மற்றும் பேர்ல் போன்ற புதிய கணினி நிரல்மொழிகள் இந்தப் பயணத்தில் உதவும்
  7. வலையமைப்பு நிபுணர்கள் (networking specialists) – குறிப்பாக, Zigbee, 6LowPAN, Bluetooth LE, WiFi, போன்ற விஷயங்களில் இவர்கள் தேர்ந்திருத்தல் அவசியம். எந்த ஒரு வலையமைப்பும், ஒரே தொழில்நுட்பத்தோடு இன்னும் சில ஆண்டுகளுக்கு வரப் போவதில்லை. இந்த விதவிதமான நியமங்களுடன் ஒரு கருவி இணைய அமைப்பு வேலை செய்வது அவசியம். அத்துடன் பாதுகாப்பாகவும் செயல்பட வேண்டும்

இவ்வாறு, பல புதிய வாய்ப்புகளும், இன்றைய வாய்ப்புகளின் சற்று மாறுபட்ட வாய்ப்புகளும் இத்துறையில் உள்ளன. ஆனால், இதுவரை கணினித் துறையில் இல்லாத அளவு, மாறுபட்ட சிந்தனையுடன் அணுக வேண்டிய வாய்ப்புகள் இவை – நீங்கள் புதுத் தொழில் தொடங்க விழைபவரோ அல்லது, புதிய வேலை தேடுபவரோ எப்படி இருந்தாலும் சரி.

கல்லூரிகள் இன்னும் இந்தத் துறைக்குத் தேவையான கல்வி முறையை இன்னும் அமைக்கவில்லை. ஓரளவிற்கு நிரலுவதில் தேர்ந்தவர்கள், இத்துறையில் முன்னேற பல கருவிகள் உள்ளன. சிலவற்றை இங்கு பார்ப்போம்: Top 49 Tools For The Internet of Things | ProfitBricks Blog

அடிப்படையான விஷயங்களைச் செய்து புரிந்து கொள்ள விழைபவர்களுக்கு, இங்கு ஆர்டினோ என்ற ஒரு நிரல் மொழி தாங்கிய ஒரு கருவிகள் கூட்டு. சில சின்ன பிராஜட்டுகளைச் செய்து நீங்கள் நன்றாக தேறியவுடன் உங்களது கற்கும் முறைகளில் நீங்கள் முன்னேறலாம். இது போன்ற பல கருவிகளின் கூட்டு கிடைக்கிறது: Gikfun Starter Learning Kit with Power Supply 9V 1A for Arduino EK8412: Amazon.ca: Electronics

ஆர்டினோ பிராஜக்ட்டுகள் செய்ய பல புத்தகங்களும் கிடைக்கின்றன: Amazon.ca: arduino project book

இந்த கருவிகள் கூட்டு பயன்படுத்த உங்களுக்கு இந்தத் துறை எப்படி வேலை செய்கிறது என்று ஓரளவு புரியவரும். பள்ளி மாணவர்கள் மற்றும் ஆரம்ப தொழில்நுட்பம் கற்பவர்கள் அவசியம் இது போன்ற கருவிகளின் கூட்டு கொண்டு கற்றால், எதிர்காலத்தில் மேலும் பயின்று இந்தத் துறையில் முன்னேறலாம்.

சொல்வனம் – ஜூலை 2016