1990 च्या दशकामध्ये इंटरनेट आलं आणि त्यानंतर बिल गेटस्ने ‘बिझनेसेस इज स्पीड ऑफ लाईन’ नावाचं एक पुस्तक लिहिलं असून, त्यामध्ये त्यांनी व्यक्त केलेले काही अंदाज किंवा भाकिते खरी ठरली असून, येणार्या काही दशकांत ती आणखी खरी होतील. 15 वर्षांपूर्वी जेव्हा मी म्हणायचो की, नाणी, नोटा, डेबिट कार्ड, क्रेडिट कार्ड, चेकबुक हे सगळं आता हद्दपार होईल, तेव्हा लोकांचा त्यावर विश्वास बसत नसे; पण आज पेमेंट वॉलेटमुळे खरोखरीच या सर्वांची गरजच उरलेली नाही, असं लक्षात येईल. आज चीनमध्ये नाणी, नोटा, क्रेडिट कार्ड जवळपास हद्दपार झालेलं आहे. उद्याच्या काळात जगभरातील इतर राष्ट्रांमध्येही हे स्थित्यंतर घडताना दिसून येईल.
जचं युग हे इंडस्ट्रियल 4.0 चं युग आहे, असं म्हटलं जातं. यामध्ये आर्टिफिशियल इंटेलिजन्स अर्थात कृत्रिम बुद्धिमत्तेचा खूप मोठा भाग आहे. इंडस्ट्री 4.0 म्हणण्याचं कारणच असं, की रेल्वे धावू लागली आणि जगात औद्योगिक क्रांती झाली. त्यानंतर विसाव्या शतकाच्या सुरुवातीला मोटारगाड्या धावू लागल्या, त्या काळाला दुसरी औद्योगिक क्रांती म्हटलं जातं. 1960 नंतर कॉम्युटर, कम्युनिकेशन, नेटवर्क, इंटरनेट या सर्वांमुळं जी क्रांती घडून आली, तिला तिसरी औद्योगिक क्रांती म्हटलं जातं. या तिन्ही औद्योगिक क्रांतींमुळं जगाचा झालेला कायापालट आज आपल्या डोळ्यासमोर आहे. आता येणारी पिढी इंडस्ट्री 4.0 म्हणजेच चौथ्या औद्योगिक क्रांतीची साक्षीदार असणार आहे.
चौथ्या औद्योगिक क्रांतीची घोषणा 2011 मध्ये हॅनोवरमध्ये झाली आणि त्या इंडस्ट्री 4.0 मध्ये साधारण आठ टेक्नॉलॉजींचा समावेश आहे. आर्टिफिशियल इंटेलिजन्स हे त्यातील सर्वांत महत्त्वाचे तंत्रज्ञान आहे. त्यानंतर बिग डेटा, इंटरनेट ऑफ थिंग (आयओटी) आणि इंडस्ट्रियल इंटरनेट ऑफ थिंग्ज (आयआयओटी), ऑगमेंटेड रिअॅलिटी आणि व्हर्च्युअल रिअॅलिटी, क्लाऊड कॉम्प्युटिंग, फाईव्ह जी, ब्लॉक चेन आणि थ्रीडी प्रिंटिंग अशा आठ टेक्नॉलॉजींचा समावेश करून इंडस्ट्री 4.0 ची घोषणा झाली. या सर्वांच्या माध्यमातून पुढचं युग घडवलं जाणार आहे, अशी ती कल्पना होती आणि बर्यापैकी खरी ठरताना दिसत आहे. 2017 नंतर इंडस्ट्री 5.0 ची संकल्पनाही मांडण्यात आली. त्याच सुमारास चॅट जीटीपीसारखी लार्ज लँग्वेज मॉडेल्सही निघाली.
माणसाचा इतिहास एक लाख वर्षांचा गृहीत धरला, तर शेतीचा काळ हा कित्येक दशसहस्रके तसाच कायम होता. म्हणजेच त्यात फारशी प्रगती नव्हती. त्यामुळं कित्येक सहस्रके मानव एका साचेबद्ध पद्धतीने जगत होता. परंतु, नंतरच्या औद्योगिक क्रांतीनंतर काही शतकांमध्ये जी प्रगती झाली, ती आधीच्या दशसहस्रकांपेक्षा अनेक पटींनी झाली. 1960 नंतर आयटी, बँकिंग, इन्श्युरन्स आदी मॉडर्न सेवांचा काळ सुरू झाला. या काळातील जी प्रगती होती, ती औद्योगिक क्रांतीच्या काळात झालेल्या प्रगतीपेक्षा शतपटींनी आणि औद्योगिक क्रांतीपूर्व काळाच्या कैकपटींनी अधिक होती. याचाच अर्थ प्रगती एक्स्पोनोन्शियल होत आहे.
त्यामुळं पुढील दहा वर्षांमध्ये काय होणार आहे, हे मागील दहा वर्षांकडे पाहून आपल्याला सांगता येणार नाही. उदाहरणच घ्यायचे झाल्यास, गेल्या दहा वर्षांत मानवानं तंत्रज्ञानामध्ये जी काही प्रगती केली, तेवढी संपूर्ण मानवी इतिहासात कधी झाली नाही. याचा अर्थ आपण खूप हुशार झालो आहोत का? तर बिलकूल नाही. न्यूटन जसं म्हणायचा की, मी कोपरनिकस, गॅलिलिओ, केप्लर यांच्या खांद्यावर उभा आहे, तसं हजारो-लाखो संशोधकांच्या खांद्यावर किंवा त्यांनी घातलेल्या पायावर आपण उभे आहोत. आजही जगभरात वेगवेगळ्या क्षेत्रांमध्ये इतक्या प्रचंड प्रमाणात संशोधन सुरू असून, त्यांच्यामुळे आपली प्रगती एक्स्पोनोन्शियल होत आहे आणि ती वाढतच राहणार आहे. त्यामुळं इतके दिवस आपण ज्या पद्धतीनं काम करत होतो, त्या कामाचं स्वरूप पूर्णपणानं बदलून जाणार आहे. 1970 हे दशक मिनी कॉम्प्युटर्सचं होतं, तर 1980 हे दशक पर्सनल कॉम्प्युटर्सचं होतं, 1990 हे इंटरनेटचं दशक होतं, 2000 हे मोबाईलचं दशक होतं आणि 2011 पासून इंडस्ट्रियल 4.0 चं युग सुरू झालं. 1980 च्या दशकामध्ये संगणक आले. त्याआधीच्या काळात माणसं मॅन्युअली जे काम करत, तेच कॉम्प्युटरवर करत असत. ऑनलाईन किंवा रिअल टाईम वापर होत नव्हता. 1980 च्या दशकामध्ये जेव्हा वैयक्तिक संगणक आले, नेटवर्किंग वाढले आणि 1990 च्या दशकामध्ये इंटरनेट आले, त्यानंतर मात्र खर्या अर्थाने ‘आयटी क्रांती’ झाली असं आपण म्हणू शकतो.
आयटीनं पहिल्यांदाच उद्योगजगताला सांगण्यास सुरुवात केली, की तुम्ही तुमचे संपूर्ण व्यवसाय माझ्याभोवती रिऑर्गनाईज करा. मॅनेजमेंटच्या परिभाषेमध्ये याला बिझनेस प्रोसेस रिइंजिनिअरिंग म्हणतात. अमेरिकेने यामध्ये लीड घेतले आणि संपूर्ण सिस्टीम वेगळ्या पद्धतीने डिझाईनमध्ये नव्याने बदल केले. त्यामुळेच त्यांना प्रोग्रॅमर्सची चणचण भासण्यास सुरुवात झाली आणि भारतातून तेथे प्रोग्रॅमर पाठवले जाऊ लागले. ऑनसाईट सर्व्हिसेस सुरू झाल्या. ऐंशीच्या दशकामध्ये जवळपास एक लाख लोक तेथे गेले. नव्वदच्या दशकामध्ये इंटरनेट आणि सॅटेलाईटमुळे भारतात पुणे, हैदराबाद, बंगळूरू येथे सॉफ्टवेअर सेंटर्स सुरू झाली. या सगळ्याच्या मुळाशी असणारे कारण म्हणजे ऐंशीच्या दशकापासून आयटी क्रांतीने संगणकाचा वापर आणि उपयोग वाढू लागला व पाहता पाहता सर्व क्षेत्रे कॉम्प्युटर्सनी पादाक्रांत करत कामाचे स्वरूपच बदलून टाकले. अनलर्निंग आणि लर्निंग हा प्रकार तेव्हापासून सुरू झाला. आता हा प्रकार अतिशय प्रचंड प्रमाणात आणि वेगाने वाढणार आहे. त्यात जे टिकून राहतील त्यांना अनलर्निंग आणि लर्निंग भयानक वेगाने करावे लागणार आहे. एका समाजशास्त्रज्ञाच्या मते, येणार्या काळात उमेदवारांना करिअरमध्ये सहा ते सात वेळा कामाचे स्वरूप बदलावे लागणार आहे. म्हणजे डीटीपी आले तेव्हा टायपिस्टच्या नोकर्या गेल्या, त्यांना नवीन तंत्रज्ञान शिकावे लागले किंवा कॅडकॅम आले तेव्हा ड्राफ्टस्मन गेले किंवा अॅनिमेशनचं सॉफ्टवेअर आलं तेव्हा आर्टिस्टचे जॉब गेले... हे सगळं जे घडलं ते अतिशय वेगानं घडत गेलं. 1990 च्या दशकामध्ये इंटरनेट आलं आणि त्यानंतर बिल गेटस्ने ‘बिझनेसेस इज स्पीड ऑफ लाईन’ नावाचं एक पुस्तक लिहिलं असून, त्यामध्ये त्यांनी व्यक्त केलेले अंदाज हे अशक्यप्राय वाटले होते; पण आता त्यातील काही अंदाज किंवा भाकिते खरी ठरली असून, येणार्या काही दशकांत ती आणखी खरी ठरतील.
15 वर्षांपूर्वी जेव्हा मी म्हणायचो, की नाणी, नोटा, डेबिट कार्ड, क्रेडिट कार्ड, चेकबुक हे सगळं आता हद्दपार होईल, तेव्हा लोकांचा त्यावर विश्वास बसत नसे; पण आज पेमेंट वॉलेटमुळे खरोखरीच या सर्वांची गरजच उरलेली नाही, असं लक्षात येईल. आज चीनमध्ये नाणी, नोटा, क्रेडिट कार्ड जवळपास हद्दपार झालेलं आहे. उद्याच्या काळात जगभरातील इतर राष्ट्रांमध्येही हे स्थित्यंतर घडताना दिसून येईल. याखेरीज येणार्या काळात ऑफिसेस ही म्युझियम बनून जातील. कारण त्यांची गरजच उरणार नाही. कारण आपण सर्व जण इंटरनेट, वेब कॅम, लॅपटॉप यांच्या साहाय्याने कनेक्टेड असू. आज वृत्तवाहिन्यांच्या पडद्यावर आपण पहातच आहोत, की एकाच वेळी एक जण कोलकात्यामधून, एक जण महाराष्ट्रातून, एक जण थेट अमेरिकेतून आणि एक जण एखाद्या अरब देशातून असे चार-पाच जण कनेक्टेड असतात, बोलत असतात, डेटा शेअर करत असतात, भांडत असतात. दर क्षणाला वाहिन्यांवर अशी द़ृश्ये आपण पहात आहोत. त्यामुळं ऑफिसमध्ये जाण्याची गरजच आता संपणार असून सर्व निर्णय व कामे आपण घरी बसून करून शकणार आहोत. यामुळं माणसाचा प्रवास थांबणार नाही; पण ऑफिसला जाण्यासाठी ठाण्याहून दादरला लोकलमधून लोंबकळत, गर्दीतून जावं लागण्याची जी सक्ती आहे, ती उद्याच्या भविष्यात संपुष्टात येईल.
उदाहरणच घ्यायचे झाल्यास, बँकांची इतकी ऑफिसेस असण्याचे कारणच काय, असा प्रश्न उपस्थित राहील. वर्तमानातील स्थिती पाहिल्यास समजा एखाद्या व्यक्तीला जर होमलोन घ्यायचं असेल, तर तो घरात बसून लोनसाठी ऑनलाईन अर्ज सादर करेल, सोबत प्रॉपर्टी संदर्भातील कागदपत्रे जोडेल, बँकेचा मॅनेजर घरातूनच त्या कागदपत्रांची पडताळणी करेल, सरकारी वेबसाईटवरून ती प्रॉपर्टी खरोखरीच सदर व्यक्तीच्या मालकीची आहे की नाही हे पाहील. त्यानंतर कर्ज मंजूर करेल आणि कर्जाची रक्कम त्या व्यक्तीच्या बँक खात्यात जमा होईल. त्यानंतर ती व्यक्ती घर विक्री करणार्याच्या खात्यात ट्रान्सफर करेल. यामध्ये नाणी, नोटा, चेकबुक यांचा कसलाही वापर होत नाही. मग बँकांच्या ऑफिसेसची गरजच काय? तसाच प्रकार इन्श्युरन्स, शेअर बाजार यामध्येही दिसून येत आहे.
विशेष म्हणजे ही सर्व स्थिती इंडस्ट्रियल 4.0 किंवा आर्टिफिशियल इंटेलिजन्स येण्याच्या पूर्वीची आहे. आता येणार्या काळात मध्यस्थ म्हणून काम करणार्यांवर संक्रांत येणार आहे. उदाहरणार्थ, इंटरनेटवरून तिकीट बुकिंग सुरू झाल्यापासून ट्रॅव्हल एजंट म्हणून काम करणार्यांची गरजच संपली आहे. आज फक्त तेवढेच ट्रॅव्हल एजंट शिल्लक राहिले आहेत, जे त्यामध्ये व्हॅल्यू अॅडिशन करत आहेत. दहा-पंधरा जणांचा ग्रुप बनवू, साईट सिईंगसाठी माणूस देऊ, अशा प्रकारची अतिरिक्त सेवा कुशलतेने देणार्या कंपन्याच टिकून राहिल्या आहेत. केवळ तिकीट बुकिंग करणारे आता हद्दपार होत आहेत. पुस्तकांबाबतही तेच आहे, आज अॅमेझॉनच्या माध्यमातून पुस्तक विकत घेता येत असल्याने पुस्तकांच्या दुकानात जाण्याची गरज उरलेली नाही. अर्थात या प्रक्रियेमध्ये अॅमेझॉन हा मध्यस्थ किंवा मिडलमॅन आहेच; परंतु माझ्या मते, सुरुवातीच्या काळात फ्लिपकार्ट, ओला, उबेर यांसारखे मोठे मिडलमॅन शिल्लक राहतील, पण पुढे ब्लॉकचेनमुळे तेही नष्ट होताना दिसतील. दुकानांची गरज हळूहळू संपुष्टात येईल. उदाहरणार्थ, समजा एखाद्याला शर्ट घ्यायचा असेल, तर त्याला प्रत्यक्ष दुकानात जाण्याची गरज आज राहिलेली नाही. आपल्याला हव्या असलेल्या ब्रँडचा, साईजचा शर्ट ऑनलाईन निवडल्यास तो घातल्यानंतर आपण कसे दिसू, हे शर्ट ऑर्डर करण्याआधी ऑग्मेंटेड रिअॅलिटी या तंत्रज्ञानाच्या माध्यमातून आपल्याला पाहता येणे शक्य होणार आहे. याच तंत्रज्ञानाच्या साहाय्याने आपण घराच्या भिंतींचा कलर बदलल्यास घर कसे दिसेल, हे व्हर्च्युअली पाहून त्यात मनानुसार रंगांचा बदल करून त्या प्रत्येकाचा आनंद घेऊ शकतो. अशाच प्रकारे घरातील टाईल्स बदलायच्या असतील, फ्लोअरिंग बदलायचे असेल, तर त्यासाठी बाजारात उपलब्ध असणार्या डिझाईन्सपैकी आवडणारी कोणतीही टाईल्स ऑनलाईन सिलेक्ट करून आपले घर कसे दिसेल, हे आपल्याला समजू शकणार आहे. या सर्वांमुळे रंगविक्री करणार्या, टाईल्स विक्री करणार्या दुकानांची गरजच काय, असा प्रश्न उपस्थित होईल. थोडक्यात उत्पादक आणि ग्राहक यांच्यामध्ये काम करणार्यांपैकी लॉजिस्टिक सेवा सुरू राहतील. अर्थातच लाखो लोकांची दुकाने बंद झाल्यास, ऑफिसेस बंद झाल्यास कोट्यवधी जणांच्या नोकर्या संपुष्टात येऊ शकतात.
2018 मध्ये आर्टिफिशियल इंटेलिजन्स, बिग डेटा, आयओटी आदींची सुरुवात झाली. ए.आय.चा इतिहास मोठा रंजक आणि गमतीशीर आहे. 1933 साली आयझॅक असिनोने रोव्हरचे तीन नियम मांडलेले आहेत. 1940 मध्ये इंटेलिजन्स कसा मोजावा यासाठी अॅलन ट्युरिंगने टेस्ट विकसित केली. पण 1956 मध्ये झालेल्या डार्कनोव्ह कॉन्फरन्समध्ये आर्टिफिशियल इंटेलिजन्स हे नाव ठरवण्यात आले. त्यावेळी ए.आय. म्हणजे नेमकं काय? मशिन किंवा रोबोटसना माणसासारखी सगळी कामं करता येणं हे अंतिम उद्दिष्ट ठेवण्यात आले. याला ए.जी.आय. म्हणजेच आर्टिफिशियल जनरल इंटेलिजन्स म्हणतात, जो या शतकाच्या शेवटी येईल, असे काहींना वाटते. परंतु मला तशा शक्यता कमी वाटतात. पण ए.आय., रोबोटस् किंवा मशिन्सकडून किंवा सॉफ्टवेअर्सकडून आपण उपयुक्त असणार्या ज्या गोष्टींची अपेक्षा करतो, त्या सर्व अपेक्षा पूर्ण होताना दिसतील. घर साफ करणे, कपडे धुणे, वस्तू आणणे, सल्ले देणे, रोबोटिक सर्जरी, रोगनिदान करणे यांसारखी असंख्य कामे ए.आय.मार्फत केली जातील, यात शंकाच नाही. उद्याच्या भविष्यात रोबो कोर्टात केस चालवताना दिसतील. मध्यंतरी जपानमध्ये रोबोंकडून संचलित केले जाणारे रेस्टॉरंट विकसित करण्यात आले आहे.
एक्स्पर्ट सिस्टीम्स रोबोटिक्स, नॅचरल लँग्वेज लर्निंग, डीप लर्निंग या सगळ्याचा ताळेबंद मांडत आल्या. डॉक्टर, इंजिनिअर कसे काम करतात, हे पाहून एक्पर्ट सिस्टीम्स मशिनला तशा प्रकारचे काम करायला लावत असत. म्हणजे असं की, एकदा ताप आला तर डॉक्टर विशिष्ट औषध असणारी गोळी देतात, पुन्हा ताप आला तर बदलून वेगळी गोळी देतात, तरीही ताप गेला नाही तर इंजेक्शन देतात, ही एक प्रक्रिया आहे. यानुसार जर-तरच्या परिभाषेमध्ये लिहिलेली म्हणजेच अमूक झालं तर अमूक कर, तमूक झालं तर तमूक कर अशा सूचनांनी एक्स्पर्ट सिस्टीम्सचा प्रोग्राम भरलेला असायचा. साहजिकच तो खूप मोठा होत असे. कोणत्याही प्रोग्राममध्ये काळानुसार सतत बदल करावे लागतात, अशा वेळी हे प्रोग्राम गुंतागुंतीचे ठरत. अशा सर्व चढ-उतारांमधून ए.आय.चा प्रवास सुरू राहिला.
रोबोटिक्समध्येही तसंच झालं. सुरुवातीला असं वाटलं होतं, की रोबो आता खूप काही बदल घडवून आणतील. परंतु रोबोंनी माणसासारखी हालचाल करणं, त्यांना व्हिजन देणं हे किती महाप्रचंड अवघड आहे, हे लक्षात आलं आणि त्याच्या विकासातील उत्साह कमी झाला. आता पुन्हा त्यासंदर्भातील प्रयत्न जोर धरत आहेत. आता रोबो चालू शकतो, सरकू शकतो, पायर्या चढू शकतो. अशाच प्रकारे नॅचरल लँग्वेज प्रोसेसिंगमध्ये जेव्हा प्रगती झाली, तेव्हा मात्र या क्रांतीमध्ये एक मोठे परिवर्तन घडले. तोवर आपण कॉम्प्युटरशी केवळ स्ट्रक्चरल लँग्वेजमध्ये संवाद साधू शकत होतो. यामध्ये इफ द... देन, कॉमा, डॉटस् यांना जावासारख्या सर्व कॉम्प्युटर लँग्वेजेसमध्ये महत्त्व होतं. परंतु आज नॅचरल लँग्वेज प्रोसेसिंगमुळेे आपण आपल्या भाषेतून कॉम्प्युटर सिस्टीमशी बोलू शकतो. चॅट जीटीपीमध्ये नॅचरल लर्निंग प्रोसेसिंग खूप महत्त्वाचं आहे.
यानंतरच्या काळात आलं ते डीप लर्निंग आणि मशिन लर्निंग. ही संकल्पना याहून अधिक व्यापक आहे. ही संकल्पना प्रत्यक्षात येण्याआधी कॉम्प्युटरला एखादी गोष्ट शिकवायची असेल, तर त्यासाठी एक्स्पर्ट सिस्टीमप्रमाणेच मोठमोठे प्रोग्राम लिहावे लागायचे. ते अतिशय बोजड व्हायचे. यावर उपाय शोधताना एकाच्या डोक्यात आलं की, लहान मुलं भाषा कशी शिकतात? मुलं भाषा शिकताना त्यांना हा कर्म, क्रियापद असं आपण कधी शिकवत नाही. लहान मुलं फक्त ऐकतात. म्हणजेच डेटा गोळा करतात आणि त्यावरून आपले रुल्स बनवतात. म्हणजे आतापर्यंत आपण कॉम्प्युटरला प्रोग्राम द्यायचो आणि डेटा मिळायचा. उदाहरणार्थ, पे रोलचा प्रोग्राम दिला की त्यानुसार पेस्लीप म्हणजे डेटा मिळायचा. आता उलटं झालं आहे, संपूर्ण डेटा वापरायचा आणि त्यातून पॅटर्न शोधायचे.
खरं म्हणजे आर्टिफिशियल इंटेलिजन्सचा थोडक्यात अर्थ असा की, डेटामधील पॅटर्न शोधणे. इंटेलिजन्स अनेक प्रकारचे असतात. परंतु, आयक्यूची टेस्ट घेताना आपण एकाच प्रकारचा इंटेलिजन्स पहात असतो किंवा फक्त पॅटर्न पहात असतो. उदाहरणार्थ, 1, 3, 5, 7 यानंतरचा पुढचा आकडा कोणता? असा प्रश्न विचारण्यामागे यातील पॅटर्न मुलांना समजतो आहे का, हे जाणून घेण्याचा उद्देश असतो. वेगवेगळ्या प्रकारचे इंटेलिजन्स आपण पहात नाही. तशाच प्रकारे जमा झालेल्या डेटामधील पॅटर्न रिकग्नेशन म्हणजेच आर्टिफिशियल इंटेलिजन्स. म्हणून डेटा सायन्समध्ये स्टॅटेटिक्सला महत्त्व आहे.
मशिन लर्निंग आणि डीप लर्निंगमध्ये डेटा अॅनालिटिकलला महत्त्व असून, त्यामध्ये दोन प्रकार आहेत. एक सुपरवाईज लर्निंग आणि दुसरा अनसुपरवाईज लर्निंग. अनसुपरवाईज लर्निंगमध्ये आपल्याला काय हवे आहे, ते सांगितलेले नसते. आपण फक्त डेटा देतो आणि त्यातून रुल किंवा पॅटर्न शोध असे सांगतो. उदाहरणार्थ, एखाद्या बँकेमध्ये असणार्या काही हजार खातेदारांविषयीची सर्व माहिती आपण संगणकामध्ये फीड केली. म्हणजेच, त्यांचे नाव, गाव, शिक्षण, जात, लिंग, पेहराव, पगार, बँक बॅलन्स अशी सर्व माहिती आपण फीड केली आणि त्यातून पॅटर्न शोधण्यास सांगितले, तर तो उंचीचा आणि पगाराचा संबंध आहे का तपासेल, वजनाचा आणि पगाराचा संबंध आहे का अशा प्रकारच्या असंख्य पॅटर्नसचा शोध घेईल. त्यासाठी प्रचंड प्रकारचे अल्गोरिदम्स आणि स्टॅटेटिक्स आवश्यक असेल. त्यानंतर त्याने असा निष्कर्ष काढला की, जे पदवीधार आहेत, ज्यांना तीन वर्षांचा अनुभव आहे, जे एमबीएही झालेले आहेत आणि त्यांना विशिष्ट मर्यादेपेक्षा अधिक पगार आहे, सबब ते मोटारगाडी खरेदी करण्याची शक्यता 90 टक्के आहे. यानंतर बँकेचा मॅनेजर अशा सर्व खातेदारांचे मोबाईल नंबर कॉल सेंटरला देईल आणि त्यांना कारलोन हवे आहे का, असे विचारण्यास सांगेल. यातून हजाराच्या संख्येने असणार्या खातेदारांना विचारण्याऐवजी मोजक्या आणि निवडक खातेदारांकडे विचारणा करता येईल. यातून त्याचा सक्सेस रेशो वाढेल. डेटा सायन्सचे हे एक उदाहरण असून, याला अनसुपरवाईज लर्निंग म्हणतात.
सुपरवाईज लर्निंगमध्ये आपण काय शोधायचे याच्या सूचना दिलेल्या असतात. उदाहरणार्थ, मेंदूमध्ये ज्याप्रमाणे कोट्यवधी न्यूरॉन्स असतात आणि ते एकमेकांना जोडलेले असतात. आपण जो विचार करतो किंवा आपल्या डोक्यात ज्या भावना येतात किंवा आपण जे शिकतो, त्यानुसार मेंदूतील काही सर्किटस् जोडली किंवा तोडली जातात. अशीच प्रक्रिया आर्टिफिशियली करता येईल का, या विचारातून आर्टिफिशियल न्यूरल नेटवर्क या संकल्पनेचा उगम झाला. उदाहरणार्थ, आपण काही पातळ्या निर्माण केल्या आणि त्यातील प्रत्येक पातळ्यांमधील प्रत्येक न्यूरॉन्स अलीकडल्या आणि पलीकडल्या प्रत्येक न्यूरॉन्सशी जोडला असेल, तर त्याला न्यूरल नेटवर्क म्हणतात. यातील प्रत्येक पातळी काही तरी शिकत जाते आणि ते पुढच्या पातळीकडे पास-ऑन करते. ती पातळी त्यामध्ये महत्त्वाचे काय आहे, यानुसार पुढच्या पातळीकडे पास-ऑन करते. अशा प्रकारे सर्वांत शेवटच्या पातळीवर काही तरी निष्कर्ष काढला जातो. या पातळ्या जितक्या वाढत जातात, त्याला डीप लर्निंग म्हणतात. हा सर्व मशिन लर्निंगचा भाग असून, मशिन लर्निंग हा आर्टिफिशियल इंटेलिजन्सचा भाग आहे. थोडक्यात, ए.आय.मध्ये एक्सपर्ट सिस्टीम्स, रोबोटिक्स, नॅचरल लर्निंग प्रोसेसिंग आणि आता मशिन व डीप लर्निंग यामुळे डेटावरून शिकणे यातून हा सर्व प्रकार सुरू झाला. त्यातूनच पुढे फेस रिकग्नेशन आले. यामुळे ही क्रांती आणखी पुढे सरकली.
याच्या पुढचा टप्पा लार्ज लँग्वेज मॉडेल्सने आला. याबाबत 2017 मध्ये गुगलने प्रकाशित केलेल्या एका पेपरने धुमाकूळ घातला. त्यानुसार, उपलब्ध असलेल्या डेटाचा वापर करून काही टेक्स्ट जनरेट करता येऊ शकतो, हे गुगलने समोर आणले. त्याला जनरेटिव्ह ए.आय. असे म्हणतात. तोपर्यंत उपलब्ध डेटाच्या विश्लेषणातून निष्कर्ष काढले जात होते. पण जनरेटिव्ह ए.आय.मध्ये या डेटाच्या आधाराने पुढचा शब्द सुचवण्याची प्रक्रिया सुरू झाली. म्हणजे एका शब्दावरून दुसरा, दुसर्यावरून तिसरा, तीन शब्दांवरून चौथा असं करत वाक्य, परिच्छेद असं करत थेट आर्टिकल तयार करणे. चॅट जीटीपीकडून हे काम लीलया केले जाते. याच्या मुळाशी डेटा इनपुट आहे. यामध्ये ट्रान्सफॉर्मर आर्किटेक्चर वापरले जाते. चॅट जीटीपी हे लार्ज लँग्वेज मॉडेलचे उदाहरण आहे. 2018 मध्ये ओपन ए.आय.ने चॅटजीपीटी 1 बाजारात आणला. त्यानंतर पुढील व्हर्जन्सही विकसित करण्यात आली आहेत. यादरम्यान त्याला विकिपीडियासह असंख्य प्रकारचा इनपुट मिळत जाणार आहे. सर्वांत महत्त्वाचे म्हणजे यातून तो शिकत जाणार आहे. त्यामुळे आज जरी चॅट जीपीटीची उत्तरं अचूक नसली, तरी येणार्या काळात ती अधिकाधिक अचूक होत जातील. त्यावेळी खर्या अर्थाने जगभरात धुमाकूळ उडणार आहे. आज काही वाक्ये लिहिणारा चॅट जीपीटीला उद्याच्या भविष्यात जर मी एखाद्या लेखकाची विशिष्ट विषयावर कादंबरी लिहायला सांगितली, तर तो त्या लेखकाच्या आधीच्या सर्व कादंबर्यांमधून लेखकाकडून वापरले जाणारे विशिष्ट शब्द, त्याची रचना यांद्वारे आपण सांगितलेले कथानक घेऊन अख्खी कादंबरी लिहू शकेल. आज ते टेक्स्ट स्वरूपात असले, तरी उद्या ऑडिओ, व्हिडीओ स्वरूपातही येईल. तेव्हा आणखी खळबळ उडेल.
या सर्वांमुळे जिथे जिथे अल्गोरिदम आहे, तेथील बहुतांश नोकर्या संपुष्टात येण्याची भीती व्यक्त होत आहे. इक्विटी रिसर्च, वकिलीचे क्षेत्र, पत्रकारिता, साहित्य, मनोरंजन विश्व अशा सर्व क्षेत्रांत चॅट जीपीटी आणि एआयचा प्रचंड मोठा प्रभाव जाणवणार आहे.
