ಕನ್ನಡದಲ್ಲಿ ಪ್ರಾಂಪ್ಟ್ ಇಂಜಿನಿಯರಿಂಗ್ ಕಲಿಯಿರಿ
ಬೃಹತ್ ಭಾಷಾ ಮಾದರಿಗಳು (LLMs) ಎಂದರೆ ಏನು?
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಬಗ್ಗೆ ಮಾತನಾಡುವಾಗಲೆಲ್ಲಾ ಕೇಳಿಬರುವ ಅತಿ ಮುಖ್ಯವಾದ ಪದ ‘LLM’ ಅಥವಾ ‘Large Language Model’. ಚಾಟ್ಜಿಪಿಟಿ, ಜೆಮಿನಿ ಇವೆಲ್ಲವೂ ಈ ಬೃಹತ್ ಭಾಷಾ ಮಾದರಿಗಳೇ. ಈ ಇಂಗ್ಲಿಷ್ ಪದವನ್ನು ಬಿಡಿಸಿ ನೋಡಿದರೆ ಇದರ ಅರ್ಥ ಸುಲಭವಾಗಿ ತಿಳಿಯುತ್ತದೆ
- ಬೃಹತ್ (Large): ಈ ತಂತ್ರಾಂಶಗಳನ್ನು ತರಬೇತಿ ಮಾಡಲು ಇಡೀ ಅಂತರ್ಜಾಲದಲ್ಲಿರುವ ಕೋಟ್ಯಂತರ ಪುಟಗಳ ಮಾಹಿತಿಯನ್ನು, ಅಂದರೆ ಸಾವಿರಾರು ಲೈಬ್ರರಿಗಳಿಗೆ ಸಮನಾದ ಡೇಟಾವನ್ನು ಬಳಸಲಾಗಿರುತ್ತದೆ. ಇದು ಆಕಾರದಲ್ಲಿ ಮತ್ತು ಸಾಮರ್ಥ್ಯದಲ್ಲಿ ಬೃಹತ್ ಆಗಿರುತ್ತದೆ.
- ಭಾಷಾ (Language): ಇದು ಮನುಷ್ಯರು ಆಡುವ ಭಾಷೆಗಳನ್ನು (ಕನ್ನಡ, ಇಂಗ್ಲಿಷ್ ಇತ್ಯಾದಿ) ಮತ್ತು ಕಂಪ್ಯೂಟರ್ ಭಾಷೆಗಳನ್ನು (Python, C++) ಕಲಿಯುವ ತಂತ್ರಜ್ಞಾನ.
- ಮಾದರಿ (Model): ಇದು ಮನುಷ್ಯನ ಮೆದುಳಿನ ನರಮಂಡಲದಂತೆ ಕೆಲಸ ಮಾಡುವ ಒಂದು ಗಣಿತದ ಅಥವಾ ಸಾಫ್ಟ್ವೇರ್ ವ್ಯವಸ್ಥೆ.
ನೀವು ವಾಟ್ಸಾಪ್ ನಲ್ಲಿ ಯಾರಿಗಾದರೂ ಸಂದೇಶ ಕಳುಹಿಸುವಾಗ, “ನಾನು ನಾಳೆ…” ಎಂದು ಟೈಪ್ ಮಾಡಿದ ತಕ್ಷಣ, ನಿಮ್ಮ ಕೀಬೋರ್ಡ್ನ ಮೇಲ್ಭಾಗದಲ್ಲಿ “ಬರುತ್ತೇನೆ”, “ಹೋಗುತ್ತೇನೆ” ಅಥವಾ “ಊರಿಗೆ” ಎಂಬ ಪದಗಳು ತಾನಾಗಿಯೇ ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತವೆ (Auto-predict), ಗಮನಿಸಿದ್ದೀರಾ? ನಿಮ್ಮ ಕೀಬೋರ್ಡ್, ನೀವು ಈ ಹಿಂದೆ ಬಳಸಿದ ಪದಗಳ ಆಧಾರದ ಮೇಲೆ ಮುಂದಿನ ಪದವನ್ನು ಊಹಿಸುತ್ತದೆ. LLM ಕೂಡ ಇದೇ ರೀತಿ ಕೆಲಸ ಮಾಡುತ್ತದೆ, ಆದರೆ ಇದು ನಿಮ್ಮ ಕೀಬೋರ್ಡ್ಗಿಂತ ಕೋಟ್ಯಂತರ ಪಟ್ಟು ಹೆಚ್ಚು ಶಕ್ತಿಶಾಲಿಯಾದ “ಆಟೋ-ಕಂಪ್ಲೀಟ್” ವ್ಯವಸ್ಥೆಯಾಗಿದೆ.
ಒಬ್ಬ ವ್ಯಕ್ತಿಯನ್ನು ಒಂದು ಕೋಣೆಯಲ್ಲಿ ಕೂಡಿಹಾಕಿ, ಆತನಿಗೆ ಜಗತ್ತಿನ ಎಲ್ಲಾ ಪುಸ್ತಕಗಳನ್ನು ಓದಲು ನೀಡಿದರೆ ಹೇಗಿರುತ್ತದೆ ಎಂದು ಕಲ್ಪಿಸಿಕೊಳ್ಳಿ. ಆತನಿಗೆ ಹೊರಜಗತ್ತಿನ ನೈಜ ಅನುಭವ ಇರುವುದಿಲ್ಲ, ಮಳೆಯ ಹನಿ ಮೈಮೇಲೆ ಬಿದ್ದಾಗ ಹೇಗಾಗುತ್ತದೆ ಎಂದು ಗೊತ್ತಿರುವುದಿಲ್ಲ. ಆದರೆ “ಮಳೆ” ಎಂಬ ಪದದ ನಂತರ “ಹನಿ”, “ತಂಪು”, “ಮೋಡ” ಎಂಬ ಪದಗಳು ಬರುತ್ತವೆ ಎಂಬುದು ಆತನಿಗೆ ತಿಳಿದಿರುತ್ತದೆ. LLM ನ ಸ್ಥಿತಿ ಕೂಡ ಇಷ್ಟೇ. ಅದಕ್ಕೆ ಭಾವನೆಗಳಿಲ್ಲ, ಆದರೆ ಭಾಷೆಯ ಮೇಲಿನ ಹಿಡಿತ ಅದ್ಭುತವಾಗಿರುತ್ತದೆ.
ತಾಂತ್ರಿಕ ಭಾಷೆಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, LLM ಗಳು ‘ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್’ ಎಂಬ ತಂತ್ರಜ್ಞಾನವನ್ನು ಬಳಸುತ್ತವೆ. ನೀವು “ಬೆಂಗಳೂರಿನ ಹವಾಮಾನ ಹೇಗಿದೆ?” ಎಂದು ಕೇಳಿದಾಗ, ಒಳಗೆ ಯಾವುದೇ ಮನುಷ್ಯ ಕುಳಿತು ಉತ್ತರ ಬರೆಯುವುದಿಲ್ಲ. ಬದಲಾಗಿ, ಈ ಮಾದರಿಯು ತನ್ನಲ್ಲಿರುವ ಬಿಲಿಯನ್ಗಟ್ಟಲೆ ‘ಪ್ಯಾರಾಮೀಟರ್’ ಗಳನ್ನು ಬಳಸಿ ಲೆಕ್ಕಾಚಾರ ಮಾಡುತ್ತದೆ. ತಾನು ಓದಿರುವ ಅಪಾರ ಡೇಟಾದಿಂದ, ‘ಬೆಂಗಳೂರು’ ಮತ್ತು ‘ಹವಾಮಾನ’ ಎಂಬ ಪದಗಳ ಜೊತೆಗೆ ಹೆಚ್ಚಾಗಿ ‘ತಂಪಾಗಿದೆ’, ‘ಮಳೆಗಾಲ’ ಅಥವಾ ‘ಚಳಿ’ ಎಂಬ ಪದಗಳು ಬರುತ್ತವೆ ಎಂಬುದನ್ನು ವಿಶ್ಲೇಷಿಸಿ, ವಾಕ್ಯವನ್ನು ರಚಿಸಿ ನಿಮಗೆ ಉತ್ತರ ನೀಡುತ್ತದೆ.
ಸರಳವಾಗಿ ಹೇಳಬೇಕೆಂದರೆ, LLM ಎನ್ನುವುದು ಭಾಷೆಯ ವ್ಯಾಕರಣ ಮತ್ತು ಮಾಹಿತಿಯನ್ನು ಕರಗತ ಮಾಡಿಕೊಂಡಿರುವ ಒಂದು ಅತಿ ಬುದ್ಧಿವಂತ ಗಿಳಿ ಇದ್ದಂತೆ. ನಾವು ಕೇಳುವ ಪ್ರಶ್ನೆಗೆ (ಪ್ರಾಂಪ್ಟ್) ತಕ್ಕಂತೆ ಸರಿಯಾದ ಪದಗಳನ್ನು ಪೋಣಿಸಿ ಉತ್ತರಿಸುವುದೇ ಇದರ ಮುಖ್ಯ ಕೆಲಸ.
ಟೋಕನ್, ಕಾಂಟೆಕ್ಸ್ಟ್ ವಿಂಡೋ, ಮತ್ತು ಎಂಬೆಡಿಂಗ್
LLM ಗಳಿಗೆ ಕಣ್ಣುಗಳಿಲ್ಲ, ಕಿವಿಗಳಿಲ್ಲ, ಮತ್ತು ನಾವಾಡುವ ಭಾಷೆ ನೇರವಾಗಿ ಅವುಗಳಿಗೆ ಅರ್ಥವಾಗುವುದಿಲ್ಲ. ಹಾಗಾದರೆ ನಾವು ಕೊಡುವ ಸೂಚನೆಗಳನ್ನು (Prompts) ಅವು ಹೇಗೆ ಸ್ವೀಕರಿಸುತ್ತವೆ ಮತ್ತು ವಿಶ್ಲೇಷಿಸುತ್ತವೆ? ಇದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ನಾವು AI ನ ಮೂರು ಪ್ರಮುಖ ತಾಂತ್ರಿಕ ಆಧಾರ ಸ್ತಂಭಗಳನ್ನು ತಿಳಿಯಬೇಕು
1. ಟೋಕನ್-: ಪದಗಳನ್ನು ಒಡೆಯುವ ಕಲೆ- ನಾವು ಓದುವಾಗ ಇಡೀ ವಾಕ್ಯವನ್ನು ಅಥವಾ ಪದವನ್ನು ಒಂದೇ ಬಾರಿಗೆ ಓದುತ್ತೇವೆ. ಆದರೆ AI ಹಾಗೆ ಮಾಡುವುದಿಲ್ಲ, ಅದು ವಾಕ್ಯಗಳನ್ನು ಸಣ್ಣ ಸಣ್ಣ ತುಣುಕುಗಳಾಗಿ ಕತ್ತರಿಸುತ್ತದೆ. ಈ ತುಣುಕುಗಳನ್ನೇ ‘ಟೋಕನ್’ ಎನ್ನುತ್ತಾರೆ.
ಮಕ್ಕಳ ಆಟಿಕೆ ‘ಲೆಗೊ ಬ್ಲಾಕ್ಸ್’ ಅನ್ನು ಕಲ್ಪಿಸಿಕೊಳ್ಳಿ. ಒಂದು ದೊಡ್ಡ ಬೊಂಬೆಯನ್ನು ಕಟ್ಟಲು ಹೇಗೆ ಸಣ್ಣ ಸಣ್ಣ ಪ್ಲಾಸ್ಟಿಕ್ ತುಂಡುಗಳನ್ನು ಜೋಡಿಸುತ್ತೇವೆಯೋ, ಅದೇ ರೀತಿ AI ಭಾಷೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ವಾಕ್ಯಗಳನ್ನು ಸಣ್ಣ ಬ್ಲಾಕ್ ಗಳಾಗಿ (ಟೋಕನ್ಗಳಾಗಿ) ಒಡೆಯುತ್ತದೆ.
AI ಕೇವಲ ಇಡೀ ಪದವನ್ನು ಹಾಗೆಯೇ ಅರಗಿಸಿಕೊಳ್ಳುವುದಿಲ್ಲ. ‘Tokenization’ ಎಂಬ ಪ್ರಕ್ರಿಯೆಯ ಮೂಲಕ ಪದಗಳನ್ನು ವಿಭಜಿಸುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಇಂಗ್ಲಿಷ್ನ “Unbelievable” ಎಂಬ ಪದವನ್ನು AI “Un”, “believ”, “able” ಎಂಬ ಮೂರು ಬೇರೆ ಬೇರೆ ಟೋಕನ್ಗಳಾಗಿ ನೋಡಬಹುದು. ಇಂಗ್ಲಿಷ್ ಭಾಷೆಯಲ್ಲಿ ಸಾಮಾನ್ಯವಾಗಿ ೧ ಟೋಕನ್ ಎಂದರೆ ಸುಮಾರು ೪ ಅಕ್ಷರಗಳು. ಕನ್ನಡದಂತಹ ಪ್ರಾದೇಶಿಕ ಭಾಷೆಗಳಲ್ಲಿ ಒಂದು ಪದವು ಇಂಗ್ಲಿಷ್ಗಿಂತ ಹೆಚ್ಚು ಟೋಕನ್ಗಳಾಗಿ ಒಡೆಯಲ್ಪಡುತ್ತದೆ. “ಕೃತಕ” ಎಂಬ ಒಂದೇ ಪದವನ್ನು AI ೪ ಅಥವಾ ೫ ಟೋಕನ್ಗಳಾಗಿ ವಿಭಜಿಸಬಹುದು. ಇದರಿಂದಲೇ AI ಗೆ ಕನ್ನಡದಲ್ಲಿ ಉತ್ತರಿಸಲು ಇಂಗ್ಲಿಷ್ಗಿಂತ ಸ್ವಲ್ಪ ಹೆಚ್ಚು ಸಮಯ ಬೇಕಾಗುತ್ತದೆ ಮತ್ತು ಹೆಚ್ಚು ಕಂಪ್ಯೂಟಿಂಗ್ ಶಕ್ತಿ ಖರ್ಚಾಗುತ್ತದೆ.
2. ಕಾಂಟೆಕ್ಸ್ಟ್ ವಿಂಡೋ – ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ತಾತ್ಕಾಲಿಕ ನೆನಪು: ನಾವು AI ಜೊತೆ ಮಾತನಾಡುವಾಗ, ಅದಕ್ಕೆ ನೆನಪಿನ ಶಕ್ತಿಯ ಮಿತಿ ಇರುತ್ತದೆ. ಅದು ಒಂದೇ ಬಾರಿಗೆ ಎಷ್ಟು ಟೋಕನ್ಗಳನ್ನು (ಅಥವಾ ಪದಗಳನ್ನು) ತನ್ನ “ನೆನಪಿನಲ್ಲಿ” ಇಟ್ಟುಕೊಳ್ಳಬಲ್ಲದು ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುವ ಅಳತೆಗೋಲೇ ‘ಕಾಂಟೆಕ್ಸ್ಟ್ ವಿಂಡೋ’.
ಶಾಲೆಯಲ್ಲಿ ಶಿಕ್ಷಕರು ಪಾಠ ಮಾಡುವಾಗ ಕಪ್ಪುಹಲಗೆಯ ಮೇಲೆ ಬರೆಯುತ್ತಾ ಹೋಗುತ್ತಾರೆ. ಹಲಗೆ ಸಂಪೂರ್ಣ ಭರ್ತಿಯಾದಾಗ, ಹೊಸ ವಿಷಯ ಬರೆಯಲು ಮೇಲ್ಭಾಗದಲ್ಲಿ ಮೊದಲಿದ್ದನ್ನು ಅಳಿಸಬೇಕಾಗುತ್ತದೆ, ಅಲ್ಲವೇ? ಆ ಹಲಗೆಯ ಗಾತ್ರವೇ ಕಾಂಟೆಕ್ಸ್ಟ್ ವಿಂಡೋ.
ಪ್ರತಿ ಭಾಷಾ ಮಾದರಿಗೂ ತನ್ನದೇ ಆದ ಟೋಕನ್ ಮಿತಿ ಇರುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಹಳೆಯ ಮಾದರಿಗಳ ಕಾಂಟೆಕ್ಸ್ಟ್ ವಿಂಡೋ ೪,೦೦೦ (4K) ಟೋಕನ್ಗಳಷ್ಟಿತ್ತು. ಅಂದರೆ ಒಂದು ಸಂಭಾಷಣೆಯಲ್ಲಿ ಸುಮಾರು ೩,೦೦೦ ಪದಗಳ ನಂತರ ನೀವು ಹೇಳಿದ್ದನ್ನು ಅದು ಮರೆತುಬಿಡುತ್ತಿತ್ತು. ಆದರೆ ಇಂದಿನ ಅತ್ಯಾಧುನಿಕ ಮಾದರಿಗಳು ೧ ಮಿಲಿಯನ್ (ಹತ್ತು ಲಕ್ಷ) ಅಥವಾ ಅದಕ್ಕೂ ಹೆಚ್ಚಿನ ಟೋಕನ್ಗಳ ಕಾಂಟೆಕ್ಸ್ಟ್ ವಿಂಡೋ ಹೊಂದಿವೆ. ಇದರ ಅರ್ಥ, ನೀವು ೧೦೦೦ ಪುಟಗಳ ಒಂದು ಬೃಹತ್ ಪಿಡಿಎಫ್ ಪುಸ್ತಕವನ್ನು ಅದಕ್ಕೆ ಕೊಟ್ಟು, “ಈ ಪುಸ್ತಕದ ೭೫೦ನೇ ಪುಟದಲ್ಲಿರುವ ಪಾತ್ರದ ಹೆಸರೇನು?” ಎಂದು ಕೇಳಿದರೆ, ಅದು ಪುಸ್ತಕದ ಸಂಪೂರ್ಣ ಮಾಹಿತಿಯನ್ನು ತನ್ನ ‘ಕಪ್ಪುಹಲಗೆಯಲ್ಲಿ’ (ಮೆಮೊರಿಯಲ್ಲಿ) ಇಟ್ಟುಕೊಂಡು ನಿಖರವಾಗಿ ಉತ್ತರಿಸಬಲ್ಲದು.
3.ಎಂಬೆಡಿಂಗ್ – ಪದಗಳಿಗೆ ಗಣಿತದ ವಿಳಾಸ: ಕಂಪ್ಯೂಟರ್ಗಳಿಗೆ ಅಕ್ಷರಗಳು ಅಥವಾ ಪದಗಳು ಅರ್ಥವಾಗುವುದಿಲ್ಲ; ಅವುಗಳಿಗೆ ಗೊತ್ತಿರುವುದು ಕೇವಲ ಸಂಖ್ಯೆಗಳು (೦ ಮತ್ತು ೧). ಹಾಗಾದರೆ ಪದಗಳ ‘ಅರ್ಥ’ವನ್ನು AI ಹೇಗೆ ಗ್ರಹಿಸುತ್ತದೆ? ಇಲ್ಲಿ ಬರುವುದೇ ‘ಎಂಬೆಡಿಂಗ್’.
ಒಂದು ದೊಡ್ಡ ಸೂಪರ್ ಮಾರ್ಕೆಟ್ ಗೆ ಹೋಗಿದ್ದೀರಿ. ಅಲ್ಲಿ ವಸ್ತುಗಳನ್ನು ಹೇಗೆ ಜೋಡಿಸಿರುತ್ತಾರೆ? ಸೇಬು ಮತ್ತು ಕಿತ್ತಳೆ ಹಣ್ಣುಗಳು ಒಂದೇ ಕಡೆ ಇರುತ್ತವೆ, ಏಕೆಂದರೆ ಎರಡೂ “ಹಣ್ಣುಗಳು”. ಆದರೆ ಬಟ್ಟೆ ಒಗೆಯುವ ಸಾಬೂನು ಆ ವಿಭಾಗದಲ್ಲಿ ಇರುವುದಿಲ್ಲ, ಅದು ಬೇರೆ ಕಡೆಯಿರುತ್ತದೆ. ವಸ್ತುಗಳ ಗುಣಲಕ್ಷಣಗಳಿಗೆ ತಕ್ಕಂತೆ ಅವುಗಳ ಸ್ಥಾನ ನಿರ್ಧಾರವಾಗುತ್ತದೆ.
ಎಂಬೆಡಿಂಗ್ ಎಂದರೆ, AI ಪ್ರತಿಯೊಂದು ಟೋಕನ್ ಅನ್ನು ಸಂಖ್ಯೆಗಳ ಒಂದು ಪಟ್ಟಿಯನ್ನಾಗಿ (Vectors) ಪರಿವರ್ತಿಸುವ ಪ್ರಕ್ರಿಯೆ. ಇದು ಒಂದು ಬೃಹತ್ ಗಣಿತದ ನಕ್ಷೆ ಇದ್ದಂತೆ. ಈ ನಕ್ಷೆಯಲ್ಲಿ ಒಂದೇ ಅರ್ಥ ಬರುವ ಪದಗಳು ಅಕ್ಕಪಕ್ಕದಲ್ಲಿರುತ್ತವೆ. ಉದಾಹರಣೆಗೆ ” ಸೇಬು ” ಮತ್ತು ” ಕಿತ್ತಳೆ ” ಎಂಬ ಪದಗಳ ಗಣಿತದ ವಿಳಾಸ (Coordinates) ಬಹುತೇಕ ಹತ್ತಿರದಲ್ಲಿರುತ್ತವೆ.
ಮತ್ತೊಂದು ಪ್ರಸಿದ್ಧ ತಾಂತ್ರಿಕ ಲೆಕ್ಕಾಚಾರವೆಂದರೆ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು “ರಾಜ” (King) ಎಂಬ ಪದದ ಗಣಿತದ ಮೌಲ್ಯದಿಂದ “ಗಂಡಸು” (Man) ಎಂಬ ಮೌಲ್ಯವನ್ನು ಕಳೆದು, ಅದಕ್ಕೆ “ಹೆಂಗಸು” (Woman) ಎಂಬ ಮೌಲ್ಯವನ್ನು ಸೇರಿಸಿದರೆ, ಅದು ನಿಖರವಾಗಿ “ರಾಣಿ” (Queen) ಎಂಬ ಪದದ ಮೌಲ್ಯವನ್ನು ತಲುಪುತ್ತದೆ. ಈ ಮೂಲಕ ಪದಗಳ ಹಿಂದಿರುವ ಭಾವನೆ ಮತ್ತು ಸಂಬಂಧವನ್ನು AI ಗಣಿತದ ಮೂಲಕ ಅತ್ಯಂತ ನಿಖರವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುತ್ತದೆ.
ಟೋಕನ್ಗಳು ನಮ್ಮ ವಾಕ್ಯಗಳನ್ನು ಸಣ್ಣ ತುಣುಕುಗಳಾಗಿ ಒಡೆದರೆ, ಕಾಂಟೆಕ್ಸ್ಟ್ ವಿಂಡೋ ಆ ತುಣುಕುಗಳನ್ನು ತನ್ನ ತಾತ್ಕಾಲಿಕ ನೆನಪಿನಲ್ಲಿಟ್ಟುಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಎಂಬೆಡಿಂಗ್ ಅವುಗಳ ಹಿಂದಿನ ಅರ್ಥವನ್ನು ಗಣಿತದ ಮೂಲಕ ನಿಖರವಾಗಿ ಗ್ರಹಿಸುತ್ತದೆ. ಈ ಮೂರೂ ಅದ್ಭುತ ಪ್ರಕ್ರಿಯೆಗಳು ಒಟ್ಟಾಗಿ ಕೆಲಸ ಮಾಡಿದಾಗ ಮಾತ್ರ ಮನುಷ್ಯರ ಭಾಷೆ ಕಂಪ್ಯೂಟರ್ಗಳಿಗೆ ಅರ್ಥವಾಗುವ ಭಾಷೆಯಾಗಿ ಬದಲಾಗುತ್ತದೆ. ಈ ಬಲವಾದ ತಳಹದಿಯ ಮೇಲೆಯೇ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ತನ್ನ ಮುಂದಿನ ಉತ್ತರಗಳನ್ನು ಊಹಿಸಿ ಸೃಷ್ಟಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.
