AI-இன் வகைகள் (Types of AI)

பெரிய பெயர்களுக்குப் பின்னால் ஓடாமல், ஒரு AI system உண்மையில் என்ன செய்கிறது என்பதை அடிப்படையாகக் கொண்டு அதைப் புரிந்துகொள்வோம்.

எளிய விளக்கங்கள்AI method + உதாரணம்பயிற்சி + விடை

உள்ளடக்கம் சரிபார்த்த நாள்: 22 அக்டோபர் 2026 · Read in English ↗

1. எளிமையாகப் புரிந்துகொள்வோம் (Core Concepts)

Task-specific AI (குறிப்பிட்ட வேலைக்கான AI): ஒரு குறிப்பிட்ட வேலையையோ, தெளிவான வரம்புக்குள் உள்ள சில வேலைகளையோ செய்ய உருவாக்கப்பட்டவை.
General-purpose AI (பொதுப் பயன்பாட்டு AI): பல வகையான வேலைகளுக்குப் பயன்படுத்தக்கூடியவை. ஆனால் எல்லா வேலைகளிலும் நூறு சதவீதம் சரியாக இருக்கும் என்று சொல்ல முடியாது.
Predictive vs Generative: ஒரு category அல்லது numerical outcome-ஐக் கணிப்பது Predictive AI. புதிய Text, Image போன்ற candidate content-ஐ உருவாக்குவது Generative AI. இவை பயன்பாட்டைப் புரிந்துகொள்ள உதவும் வேறுபாடுகள்; generative models-லும் prediction பயன்படுத்தப்படும்.
AGI & Superintelligence: AGI என்பது பல துறைகளில் பரந்த பொதுத் திறன் கொண்ட AI பற்றிய கருத்து. Superintelligence என்பது மனிதர்களின் திறனைப் பல முக்கியத் துறைகளில் மிஞ்சும் AI பற்றிய கருத்து. இவற்றின் வரையறைகள் மற்றும் மதிப்பிடும் முறைகள் குறித்து இன்னும் ஒருமித்த கருத்து இல்லை. ஒரு model பெயரில் இந்த வார்த்தைகள் இருந்தாலே அது நிரூபிக்கப்பட்ட திறன் ஆகிவிடாது. எப்போது இவை சாத்தியமாகும் என்றும் உறுதியாகக் கூற முடியாது.

2. AI-ஐ எப்படி வகைப்படுத்துகிறோம்?

AI-ஐப் பல கோணங்களில் பிரிக்கலாம். நாம் எந்தக் கேள்விக்குப் பதில் தேடுகிறோம் என்பதைப் பொறுத்து இதன் வகைகள் மாறும்.

A. பயிற்சியின் அடிப்படையில் (Based on Training Feedback)

கற்றுக்கொள்ளும் AI models-க்கு என்ன feedback கிடைக்கிறது என்பதை வைத்து நான்கு முக்கிய முறைகளைப் பார்க்கலாம். எல்லா AI systems-மும் learning பயன்படுத்த வேண்டும் என்பதில்லை; rules, search போன்ற approaches-மும் இருக்கு.

முறை (Method)	விளக்கம் (Explanation)
Supervised Learning	Data-வுடன் அதற்கான சரியான விடையையும் (target labels) சேர்த்துக் கொடுத்துப் பயிற்றுவிப்பது.
Unsupervised Learning	தனியாக target labels கொடுக்காமல், data-வில் உள்ள structure அல்லது patterns-ஐத் தேடுவது.
Self-supervised Learning	தனியாக மனிதர்கள் labels கொடுக்காமல், training data-விலிருந்தே prediction targets உருவாக்கிக் கற்றுக்கொள்வது. உதாரணமாக, முந்தைய text-ஐ வைத்து அடுத்த token-ஐ predict செய்யலாம்.
Reinforcement Learning	செயல்கள், அவற்றால் மாறும் சூழல், கிடைக்கும் rewards ஆகியவற்றின் மூலம், நீண்டகால மொத்தப் பலனை மேம்படுத்த action தேர்வு செய்யக் கற்றுக்கொள்வது.

B. வெளியீட்டின் அடிப்படையில் (Based on Output)

அது தரும் result-ஐப் பொறுத்து:

Classifier: Category-ஐக் கணிக்கும். உதாரணமாக, ஒரு email spam-ஆ இல்லையா என்று சொல்வது.
Regressor: Numerical value-ஐக் கணிக்கும். உதாரணமாக, வீட்டின் விலை என்னவாக இருக்கும் என்று மதிப்பிடுவது.
Generator: புதிய Text, Image போன்ற content-ஐ உருவாக்கும்.
Planner: ஒரு இலக்கை அடைய அடுத்தடுத்த செயல்களைத் திட்டமிடும்.

நினைவில் வையுங்க: இவை ஒன்றுக்கொன்று தொடர்பில்லாத தனிப் பெட்டிகள் இல்லை. ஒரே application ஒரு message-ஐ classify செய்து, தகவலைத் தேடி, பதிலை generate செய்யலாம். Training method, architecture, output மூன்றும் வேறு அம்சங்கள்.

3. ஒரு AI மாடலைப் புரிந்துகொள்ளும் படிகள்

ஒரு புதிய AI model-ஐப் பார்க்கும்போது, இந்த மூன்று படிகளைப் பின்பற்றலாம்:

வேலை மற்றும் சூழலைக் கண்டறியுங்க: அது எந்த வேலைக்காக உருவாக்கப்பட்டது? எந்தச் சூழலில் அதைச் சோதித்தார்கள்? முதலில் இதை எழுதிப் பாருங்க. Context முக்கியம்.
உள்ளீடு மற்றும் வெளியீட்டை ஆராயுங்க: Text, image, audio — இவற்றில் எதை input-ஆக ஏற்றுக்கொள்கிறது? எதை output-ஆகத் தருகிறது? Image input வாங்குவதால் image output-மும் தரும் என்று எடுத்துக்கொள்ளாதீங்க.
நடைமுறையில் சோதிங்க: பெரிய பெயர்களை மட்டும் வைத்து முடிவு செய்யாமல், உங்க தேவைக்கு ஏற்ற நிஜ உதாரணங்களில் சோதித்துப் பாருங்க. என்ன சரியாக வருகிறது, எங்கே தவறுகிறது என்று பதிவு செய்யுங்க.

4. உதாரணம்: Customer Support Assistant

ஒரு தமிழ் customer-support AI-ஐ எடுத்துக்கலாம்:

இதில் Self-supervised முறையில் pretrain செய்யப்பட்ட ஒரு Neural Language Model இருக்கலாம்.
Support வேலைகளுக்காக Supervised Learning examples மூலம் அது adapt செய்யப்பட்டிருக்கலாம்.
Current policy-ஐத் தேட retrieval சேர்த்திருக்கலாம். Account status பார்க்க அனுமதிக்கப்பட்ட tool-மும் இருக்கலாம்.

இது தமிழில் நன்றாகப் பேசுகிறது என்பதற்காகவே, கணக்கு போடுவதிலோ, புதிய policies பற்றி ஆதாரத்துடன் பதில் சொல்வதிலோ சரியாகச் செயல்படும் என்று எடுத்துக்கொள்ளக்கூடாது. அந்தந்த வேலையைத் தனியாகச் சோதிக்கணும்.

Deep Learning அதன் model family-ஐக் குறிக்கும். Self-supervised அதன் training method-ஐக் குறிக்கும். Generative content உருவாக்கும் திறனைக் குறிக்கும். Agentic என்பது அடுத்த actions அல்லது tools-ஐத் தேர்வு செய்ய model-க்கு எவ்வளவு control கொடுக்கிறோம் என்பதோடு தொடர்புடையது. ஒரு வார்த்தை மட்டும் முழு system-ஐ விளக்கிவிடாது.

5. உங்கள் புரிதலைச் சோதியுங்கள் (Practice)

கேள்வி

Deep Neural Network-ஐ Supervised Learning முறையில் train செய்யலாமா?

பதிலும் காரணமும் பார்க்கலாம்

தாராளமாகச் செய்யலாம். Deep என்பது அதன் வடிவமைப்பைக் (architecture) குறிக்கிறது. Supervised என்பது அதற்கு எப்படிக் கற்றுக்கொடுக்கிறோம் (training signal) என்பதைக் குறிக்கிறது. Label செய்யப்பட்ட படங்களை வைத்து train செய்யப்படும் deep image classifier இரண்டிலும் சேரும்.

கவனிக்க வேண்டிய தவறு: ஒரு model பல வேலைகளைச் செய்கிறது என்பதற்காக, அதற்கு மனிதர்களுக்கு இணையான சிந்தனைத் திறனோ உணர்வோ (consciousness) வந்துவிட்டது என்று முடிவு செய்யக்கூடாது.

மேலும் படிக்க

இந்தக் கருத்துகளை இன்னும் ஆழமாகப் புரிந்துகொள்ள உதவும் English ஆதாரங்கள்: