ஒரு கல்லூரியில் ஆண்டுதோறும் ஆயிரக்கணக்கான மாணவர்கள் சேர்ந்து பயில்கிறார்கள். இவர்கள் எல்லாரும் ஒரே மாதிரியான திறமையுடன் இருப்பதில்லை. சிலருக்குச் சிறு கோடு போட்டால் போதும், மற்றதைத் தாங்களே படித்துக்கொள்வார்கள். வேறு சிலருக்கு ஓரளவு வழிகாட்டுதல் தேவை. இன்னும் சிலருக்கு ஒருமுறைக்குப் பத்துமுறை சொல்லிக்கொடுத்தால்தான் புரியும்.

அதனால், அந்தக் கல்லூரியில் இருக்கும் ஆசிரியர்கள் தங்களிடம் பயில்கிற மாணவர்களைக் கூர்ந்து கவனித்து யாருக்கு எவ்விதமான பயிற்சி தேவை என்று தீர்மானிப்பார்கள். அதற்கேற்பத் தங்களுடைய நேரத்தைப் பிரித்துச் சொல்லித்தருவார்கள். அதன்மூலம் எல்லா மாணவர்களும் நல்ல மதிப்பெண்களுடன் தேர்ச்சி பெற உதவுவார்கள்.

ஆனால், எல்லா ஆசிரியர்களுக்கும் இப்படிப் பகுத்துப் பார்க்கும் திறமை இருக்கும் என்று சொல்வதற்கில்லை. ஒருவேளை, இல்லாவிட்டால்? அல்லது, அவர்கள் தவறு செய்துவிட்டால்? நிறைய உதவி தேவைப்படும் மாணவருடைய நிலைமை என்ன ஆகும்?

சில ஆண்டுகளுக்குமுன், ஐவி டெக் என்ற கல்லூரி இதைப்பற்றிச் சிந்தித்திருக்கிறது. தன் மாணவர்களில் கூடுதல் உதவி தேவைப்படுகிறவர்களை முன்கூட்டியே அடையாளம் கண்டு உதவுவதற்கு இயந்திரக் கற்றல் (Machine Learning) என்ற தொழில்நுட்பத்தைப் பயன்படுத்தியிருக்கிறது. இதன்மூலம், வகுப்புகள் தொடங்கி இரண்டு வாரங்களுக்குள் எந்தெந்த மாணவர்கள் அந்த அரையாண்டில் தோல்வியடையக் கூடும் என்பதை 60லிருந்து 70% துல்லியமாகக் கண்டுபிடித்துவிட்டார்களாம். அதன்பிறகு, அந்த மாணவர்களுக்குச் சிறப்புக் கவனம் கொடுக்கப்பட்டு அவர்களுடைய கல்வித்திறன் மேம்படுத்தியிருக் கிறார்கள்.

எந்த மாணவர்களுக்குக் கூடுதல் கவனம் தேவை என்பதை இந்தக் கல்லூரி எப்படி கண்டறிந்திருக்கும்?  மாணவர்களைப்பற்றிய தனிப்பட்ட தகவல்கள், அவர்கள் வகுப்பில் பங்கேற்கும் விதம், அவர்கள் எழுதும் வீட்டுப்பாடங்களின் தரம், தொடக்கத் தேர்வுகளில் அவர்கள் எழுதியுள்ள பதில்கள், பெற்றுள்ள மதிப்பெண்கள், இன்னும் பல விவரங்களைத் தொழில்நுட்பத்தின் உதவியுடன் அலசி ஆராய்ந்திருப்பார்கள். இவற்றை முந்தைய ஆண்டுகளில் படித்த மாணவர்களுடைய தன்மைகள், அவர்கள் எந்த அளவு வெற்றியடைந்தார்கள் என்பதுடன் ஒப்பிட்டு, அதன் அடிப்படையில் உதவி தேவைப்படும் மாணவர்களைக் கண்டறிந்திருப்பார்கள்.

இயந்திரக் கற்றல் என்பது, ஒரு கணினி அமைப்பு தன்னிடம் தரப்படுகிற தகவல்களைத் தானே அலசி, ஆராய்ந்து கற்றுக்கொள்வதையும் அதன் அடிப்படையில் தீர்மானங்கள் எடுப்பதையும் குறிக்கிறது. நம்மைச் சுற்றி இதற்குப் பல எடுத்துக்காட்டுகளைக் காணலாம்: SPAM எனப்படும் குப்பை மின்னஞ்சல்களைக் கண்டறிதல், ஒரு வாடிக்கையாளர் எந்தப் பொருளை வாங்கக்கூடும் என்று ஊகித்து அதை அவருக்குக் காண்பித்தல், தானியங்கி உரையாடல் (Chat) அமைப்புகள், மோசடியான நிதிப் பரிமாற்றங்களைக் கண்டறிதல், யாருக்குக் கடன் கொடுக்கலாம் என்று தீர்மானித்தல் போன்றவை சில.

இந்த எடுத்துக்காட்டுகள் அனைத்திலும் இயந்திரம் 100% சரியாகக் கற்றுக்கொண்டுவிடுமா, துல்லியமான தீர்மானங்களை எடுக்குமா என்றால், இல்லைதான். ஆனால், அது கற்றுக்கொள்வதை நிறுத்துவதே இல்லை என்பதை நாம் நினைவில் கொள்ளவேண்டும். அதாவது, நீ எடுத்த தீர்மானம் சரி என்றோ, தவறு என்றோ நாம் அந்த இயந்திரத்துக்குச் சொன்னால், அந்தப் பின்னூட்டத்தைப் (Feedback) பயன்படுத்தி அது தன்னை மேலும் மேம்படுத்திக்கொள்ளும், அடுத்தமுறை இன்னும் துல்லியமாகத் தீர்மானமெடுக்கும்.

உலகின் முன்னணித் தொழில்நுட்ப நிறுவனங்கள் அனைத்தும் இப்போது இயந்திரக் கற்றலில் கவனம் செலுத்துகின்றன, அதற்கான கருவிகளை உருவாக்கி அளிக்கின்றன. இவற்றுக்கான செலவுகளும் ஆண்டுக்கு ஆண்டு குறைந்துகொண்டிருக்கின்றன. இதன்மூலம், தரவுகளும் (Data) தேவையும் உள்ள யார் வேண்டுமானாலும் இயந்திரக் கற்றலைப் பயன்படுத்தி மக்களுடைய வாழ்க்கையை மாற்றக்கூடிய, மேம்படுத்தக்கூடிய சூழ்நிலை உண்டாகியிருக்கிறது.