(2024వ సంవత్సరానికి ఆర్టిఫిషియల్‍ న్యూరల్‍ నెట్‍వర్కస్ సాంకేతికపై పరిశోధనకు గాను భౌతిక శాస్త్ర (ఫిజిక్స్) విభాగంలో నోబెల్‍ బహుమతి వచ్చిన సందర్భంగా..)
ఆర్టిఫిషియల్‍ ఇంటలిజెన్స్ లేదా కృత్రిమ మేధ… ఇప్పుడు ప్రపంచవ్యాప్తంగా ఎవరి నోట విన్నా, ఏ ప్రాంతంలో చూసినా దీని గురించిన చర్చే నడుస్తోంది. మనిషి ఏదైనా పనిచేసేముందు దాని గురించి ఆలోచించి, విషయాలను గ్రహించి, సమస్యలను గుర్తించి, వాటిని పరిష్కరిస్తాడు. అదే పనిని యంత్రాల సాయంతో అత్యంత నేర్పుగా లేదా సమర్థవంతంగా చేసినట్లయితే దానిని కృత్రిమ మేథగా పేర్కొంటారు. ఏతావాతా యంత్ర పరికరాలు లేదా మెషిన్‍లు ప్రదర్శించే మేధాశక్తిని కృత్రిమ మేథగా పేర్కొంటారు. ఇటీవల కాలంలో ఇది శరవేగంగా విస్తరిస్తోంది. మనిషి మెదడులా ఆలోచిస్తూ మానవ జీవితంలోని ఎన్నో దైనందిన సమస్యలకు వినూత్న పరిష్కారాలు సూచిస్తున్న కృత్రిమ మేథ, ఏదో ఒక రోజు మనిషి మెదడును మించిపోతుందన్న అంచనాలు మిన్నంటు తున్నాయి. మానవాళితో ఇంతలా అనుబంధాన్ని పెనవేసుకున్న కృత్రిమ మేధ పనితీరులో అత్యంత కీలకంగా వ్యవహరించేది ఆధునిక మెషిన్‍ లెర్నింగ్‍, దీనికి తోడ్పడేది ఆర్టిఫిషియల్‍ న్యూరల్‍ నెట్‍వర్కస్. ఈ ఆర్టిఫిషియల్‍ న్యూరల్‍ నెట్‍వర్క్ను అభివృద్ధి పరిచినందుకు గానూ జాన్‍. జె. హాఫ్‍ ఫీల్డ్ (అమెరికా), జెఫ్రీ ఈ హింటన్‍ (బ్రిటీష్‍ కెనడియన్‍)లకు భౌతిక శాస్త్రం (ఫిజిక్స్)లో 2024వ సం।।రానికి గానూ నోబెల్‍ బహుమతి లభించింది. ఈ నేపథ్యంలో ఆర్టిఫిషియల్‍ న్యూరల్‍ నెట్‍వర్కస్ అంటే ఏమిటి, వీటిని అభివృద్ధి పరచడంలో హాఫ్‍ ఫీల్డ్, హింటన్‍ల పాత్రను గురించి మనమూ తెలుసుకుందామా..!!
అసలు ఆర్టిఫిషియల్‍ న్యూరల్‍ నెట్‍వర్కస్ అంటే :
ఆర్టిఫిషియల్‍ ఇంటలిజెన్స్లో న్యూరల్‍ నెట్‍ వర్కస్ను ఒక నిర్మాణాత్మక, క్రియాత్మక ప్రమాణంగా అభివర్ణించవచ్చు. కంప్యూటర్లకు డేటా ప్రాసెస్‍ చేయడానికి తోడ్పడే ఆర్టిఫిషియల్‍ న్యూరల్‍ నెట్‍వర్కస్ను మనిషి మెదడు స్ఫూర్తితో నిర్మించారు. మానవ మెదడులో న్యూరాన్లు (నాడీ కణాలు) ఒకదానికొకటి అనుసంధానించబడి ఉంటాయి. ఆర్టిఫిషియల్‍ న్యూరల్‍ నెట్‍వర్కస్ కూడా నెట్‍వర్క్ల యొక్క వివిధ పొరలలో ఒకదానితో ఒకటి అనుసంధానించబడిన న్యూరాన్‍లను కలిగి ఉంటాయి. ఈ న్యూరాన్‍లను నోడ్స్ అంటారు. ఈ విధంగా మనిషి మెదడులోని న్యూరాన్‍లను పోలిన నోడ్‍ల ద్వారా కంప్యూటర్లు తాము చేసిన తప్పుల నుండి నేర్చుకోవడానికి, తద్వారా మరింత మెరుగుపడడానికి తోడ్పడే అనుసార వ్యవస్థను సృష్టించడం ద్వారా సంక్లిష్ట సమస్యలను పరిష్కరించే ఆధునిక మెషిన్‍ లర్నింగ్‍ పక్రియనే ఆర్టిఫిషియల్‍ న్యూరల్‍ నెట్‍వర్కస్ అంటారు. దీనినే డీప్‍ లర్నింగ్‍ అని కూడా పిలుస్తారు.
ఆర్టిఫిషియల్‍ న్యూరల్‍ నెట్‍ వర్కస్ (ANN) నిర్మాణం:
ఆర్టిఫిషియల్‍ న్యూరల్‍ నెట్‍వర్కస్లో పెద్ద మొత్తంలో కృత్రిమ న్యూరాన్లు (నోడ్‍లు) ఉంటాయి. ఇవన్నీ కూడా ఒక వరుస క్రమంలో పొరలు, పొరలుగా అమర్చబడి ఉంటాయి. ఈ పొరలను స్థూలంగా 3 రకాలుగా విభజిస్తారు. అవి: 1. ఇన్‍ఫుట్‍ లేయర్‍ 2. హిడెన్‍ లేయర్‍ (అదృశ్యపొర) 3. అవుట్‍పుట్‍ లేయర్‍.
ఎలా పనిచేస్తాయి :
ఆర్టిఫిషియల్‍ న్యూరల్‍ నెట్‍వర్కస్ అనేవి ప్రత్యేక సాఫ్ట్వేర్‍ పోగ్రామ్‍లు లేదా అల్గోరిథమ్‍లు. ఇవి ప్రధానంగా కంప్యూటింగ్‍ వ్యవస్థల సాయంతో గణితలెక్కలను పరిష్కరిస్తాయి. మన మెదడు మాదిరిగానే ఆలోచిస్తూ పనిచేస్తాయి. మనమెదడులోని నాడీ కణాలు ఒకదాంతో మరొకటి అనుసంధానమై అత్యంత సంక్లిష్టమైన, గాఢ బంధాలను ఏర్పరచుకుంటాయి. ఇవి ఒకదానికి మరొకటి విద్యుత్‍ సంకేతాలను పంపించుకుంటాయి. వీటి మూలంగానే మనం సమాచారాన్ని గ్రహించగలుగుతున్నాం. అనేక విషయాలను విశ్లేషించగలిగి, కొత్త విషయాలను నేర్చకోగలుగుతున్నాం. తప్పొప్పులను గ్రహించి మన పనితీరును మెరుగు పరుచుకుంటున్నాం.
ఆర్టిఫిషియల్‍ న్యూరల్‍ నెట్‍వర్కస్ కూడా అచ్చం ఇలాగే ప్రవర్తిస్తాయి. వీటిలోని కృత్రిమ నాడీ కణాలు. అనగా సాఫ్ట్వేర్‍ మాడ్యూల్స్ లేదా నోడ్స్ ఒకదానితో మరొకటి అనుసంధానమై సమస్యలను పరిష్కరిస్తాయి. ఈ నోడ్స్ సహాయంతో సాధారణ న్యూరల్‍ నెటవర్కస్ ఈ క్రింది విధంగా పనిచేస్తాయి.
మొదట బయటి ప్రపంచం నుండి ఇన్‍పుట్‍ లేయర్‍ ద్వారా సమాచారం లోపలికి వస్తుంది. ఇన్‍పుట్‍ నోడ్స్ ఈ డేటాను వర్గీకరించి, విశ్లేషించి తర్వాత లేయర్‍కు చేరవేస్తాయి. ఇన్‍పుట్‍ లేయర్‍ నుండి వచ్చిన డేటాను, పెద్దమొత్తంలో ఉన్న అదృశ్య (హిడెన్‍) లేయర్లు ఒకదాని తరువాత మరొకటి, సునిశితంగా విశ్లేషించుకుంటూ వస్తాయి. అలా విశ్లేషణ పూర్తైన వెంటనే తరువాత లేయర్లకు పంపిస్తాయి. న్యూరల్‍ నెట్‍వర్క్ ప్రాసెస్‍ చేసిన మొత్తం డేటా తుది ఫలితాన్ని అవుట్‍పుట్‍ లేయర్‍ అందిస్తుంది. ఇందులో ఒకటి లేదా అంతకన్నా ఎక్కువ సంఖ్యలో నోడ్స్ ఉండొచ్చు.
ఆర్టిఫిషియల్‍ న్యూరల్‍ నెట్‍ వర్కస్ – అనువర్తనాలు
ఆర్టిఫిషియల్‍ న్యూరల్‍ నెట్‍వర్కస్కు విభిన్న సందర్భాల నుండి, ఉదాహరణల నుండి కొత్త విషయాలను నేర్చుకునే లక్షణం ఉన్న కారణంగా విస్తృతమైన అనువర్తనాలను కలిగి ఉన్నాయి.
1. ఇమేజ్‍ రికగ్నిషన్‍ : ఫొటోలు మరియు వీడియోలలోని ఇమేజ్‍ (చిత్రాలు)లను గుర్తుపట్టగలిగే విధంగా ఆర్టిఫిషియల్‍ న్యూరల్‍ నెట్‍ వర్కస్కు శిక్షణ ఇవ్వవచ్చు. అందువల్ల ఈ సాంకేతికతను సెల్ఫ్ డ్రైవింగ్‍ కార్లు, సెక్యూరిటీ కెమెరాలు మరియు మెడికల్‍ ఇమేజింగ్‍ పక్రియల నందు పెద్ద ఎత్తున వినియోగిస్తున్నారు.
2.నేచురల్‍ లాంగ్వేజ్‍ ప్రాసెసింగ్‍ (NLP):
టెక్టస్ డేటా, డాక్యుమెంట్ల నుండి కంప్యూటర్లు సమాచారాన్ని గ్రహించడం, అర్థం చేసుకోవడానికి ఆర్టిఫిషియల్‍ న్యూరల్‍ నెట్‍ వర్కస్ సాయం చేస్తాయి. ఆటోమేటెడ్‍ వర్చువల్‍ ఏజెంట్లు, ఛాట్‍బాట్స్ లాంటి వినూత్న సాంకేతిక పరికరాలు ఎన్‍ఎల్‍పీ పక్రియను వినియోగించు కొని విధులు నిర్వర్తిస్తాయి. ఈ మెయిళ్ళ వంటి సుదీర్ఘ సంప్రదింపులను విశ్లేషించడం ద్వారా వ్యాపార, వాణిజ్య సంస్థలకు ఎన్‍ఎల్‍పీ తగు సహకారాన్ని అందిస్తుంది. సెంటిమెంట్‍ను సూచించే కీలక పదబంధాల జాబితా రూపొందించగలదు. సామాజిక మాధ్యమాల్లో సానుకూల, ప్రతికూల కామెంట్లను గుర్తించడం దీనికి ఒక ఉదాహరణగా చెప్పవచ్చు. ఛాట్‍జీపీటీ వంటి వాటిల్లో ఏదైనా ఒక అంశం మీద కథనం రాయమని చెబితే, అది క్షణాల్లో మన ముందు ఉంచడం కూడా ఎన్‍ఎల్‍పీ అనువర్తనం గానే చెప్పవచ్చు.
3.స్పీచ్‍ రికగ్నిషన్‍ : ధ్వని, స్థాయి, భాష, యాసలో తేడాలున్నా కూడా న్యూరల్‍ నెట్‍వర్కస్ మనుషుల మాటలను విశ్లేషించగలవు. సిరి, అమెజాన్‍ అలెక్సా వంటి వర్చువల్‍ అసిస్టెంట్లు, ఆటోమేటిక్‍ ట్రాన్స్క్రిఫ్షన్‍ లాంటి సాఫ్ట్వేర్లు దీన్నే ఉపయోగించుకుంటాయి. ఉదా।।కు కాల్స్ను తమకు తామే వర్గీకరించి కాల్‍ సెంటర్‍ ఏజెంట్లకు తోడ్పడతాయి. డాక్టర్లు చెప్పే విషయాలను అప్పటికప్పుడు డాక్యుమెంట్‍ రూపంలోకి మారుస్తాయి. వీడియోలు, రికార్డు చేసిన మీటింగుల సబ్‍టైటిల్స్ను ఖచ్చితంగా చూపిస్తాయి.
4.రెకమెండేషన్‍ సిస్టమ్స్ : సామాజిక మాధ్యమాలు, కమర్షియల్‍ బిజినెస్‍ ఫ్లాట్‍ఫామ్స్ నందు వినియోగదారుల ప్రాధాన్యతలు, ప్రవర్తన మరియు శోధన చరిత్ర ఆధారంగా విభిన్న రకాల ఉత్పత్తులు, నచ్చిన మ్యూజిక్‍, వీడియోలు ఇతర వస్తువులను సూచించడానికి, రెకమెండేషన్‍ సిస్టమ్స్లలో ఇవి విరివిగా ఉపయోగించబడతాయి.
ఉదాహరణకు ఫిలడెల్ఫియాకు చెందిన క్యురలేట్‍ అనే అంకుర సంస్థ సామాజిక మాధ్యమాల పోస్టులను అమ్మకాలుగా మలుచు కోవడానికి కంపెనీలకు తోడ్పడుతుంది.
5.ఆర్థిక అంచనా సూచికలుగా: ఆర్థిక వ్యవహారాలలో స్టాక్‍ మార్కెట్‍ ధరలలో హెచ్చుతగ్గులు, కరెన్సీ విలువలు, ఇతర ఫైనాన్షియల్‍ డేటాను ఖచ్చితత్వంతో అంచనా వేయడానికి న్యూరల్‍ నెట్‍వర్కస్ను వినియోగిస్తారు.
6.గేమింగ్‍ : వర్చువల్‍ రియాలిటీ అప్లికేషన్‍లు మరియు గేమింగ్‍ విభాగంలో కంప్యూటర్‍ ప్లేయర్‍లకు శిక్షణ ఇవ్వడానికి ఆర్టిఫియల్‍ న్యూరల్‍ నెట్‍ వర్కస్ను వినియోగిస్తారు.
7.మెడికల్‍ డయాగ్నోసిస్‍ : వైద్యరంగంలో వ్యాధులను నిర్ధారించడానికి, చిత్రాలను, ఎక్స్రేలను విశ్లేషించడానికి వీటిని
ఉపయోగిస్తారు.
8.రోబోటిక్స్ మరియు కంట్రోల్‍ సిస్టమ్స్ : వీటిని రోబోటిక్స్ రంగం నందు ఎదురుగా ఉన్న వస్తువు (Object) యొక్క గుర్తింపు, కదలిక మరియు నియంత్రణ వంటి విధుల కొరకు ఉపయోగిస్తారు.
9.మోసపూర్తి విధానాల నియంత్రణ : పన్నుదాఖలు, భీమా క్లెయిమ్‍లు మరియు క్రెడిట్‍ కార్డ్ చెల్లింపుల వంటి అంశాలలో మోసపూరిత లావాదేవీలను గుర్తించడానికి ఆర్టిఫిషియల్‍ న్యూరల్‍ నెట్‍వర్కస్లను వినియోగిస్తారు.
ఆర్టిఫిషియల్‍ నెట్‍ వర్కస్ (ANN) యొక్క సర్దుబాటు చేసుకునే గుణం మరియు నేర్చుకునే సామర్థ్యం కారణంగా ఎఎన్‍ఎన్‍లు అనేక రకాల పరిశ్రమలను విప్లవాత్మకంగా మార్చగలిగే సామర్థ్యాన్ని కలిగి ఉంటాయి. తద్వారా మన జీవితాలను సులభతరం చేస్తాయి.
ఆర్టిఫిషియల్‍ న్యూరల్‍ నెట్‍వర్కస్ యొక్క పురోగతికి తోడ్పడిన ఇతర సాంకేతికతలు:
ఆర్టిఫిషియల్‍ న్యూరల్‍ నెట్‍వర్కస్ రంగాన్ని అభివృద్ధి చేయడానికి ఈ క్రింద పేర్కొనబడిన అనేక అంశాలు ఇతోధిక తోడ్పాటు నందిస్తున్నాయి.
1.బిగ్‍డేటా : అధిక మొత్తంతో సమాచార (డేటా) లభ్యత పరిశోధకులకు మరింత విస్త•తమైన, సంక్లిష్టమైన ఎఎన్‍ఎన్‍ల రూపకల్పనకు తోడ్పాటు నందించింది.
2.క్లౌడ్‍ కంప్యూటింగ్‍ : క్లౌడ్‍ కంప్యూటింగ్‍ సేవలు ఎఎన్‍ఎన్‍లకు అధిక గణనశక్తితో, శక్తివంతమైన రిమోట్‍ సర్వర్‍లపై శిక్షణ ఇచ్చేందుకు సహకారాన్ని అందించాయి.
3.గ్రాఫిక్స్ ప్రాసెసింగ్‍ యూనిట్స్ (GPU’S) : గ్రాఫిక్స్ ప్రాసెసింగ్‍ యూనిట్స్ వినియోగం వల్ల సమాంతర ప్రాసెసింగ్‍ సామర్థ్యాలు అందుబాటులోకి వచ్చి ఎఎన్‍ఎన్‍ల శిక్షణా సమయం బాగా వేగవంతమైంది.
4.ఆటోమేటెడ్‍ మెషిన్‍ లెర్నింగ్‍ : ఆటోమేటెడ్‍ మెషిన్‍ లర్నింగ్‍ విధానాలు ఎఎన్‍ఎన్‍ల యొక్క హైపర్‍ పారా మీటర్‍లను ట్యూన్‍ చేయడాన్ని సులభతరం చేశాయి. తద్వారా పనితీరును మెరుగు పరుస్తాయి.
5.ట్రాన్స్ఫర్‍ లర్నింగ్‍ : భారీ డేటా సెట్‍లపై ముందస్తు శిక్షణ పొందిన ఎఎన్‍ఎన్‍ల నమూనాలు అందుబాటులోకి వచ్చాయి. ఇవి నిర్దిష్ట డేటా సెట్‍లపై నచ్చిన విధంగా సర్దుబాటు చేసుకోవడానికి వీలు కల్పించడంతో పాటు ఆయా నమూనాల పనితీరును మెరుగుపరచడానికి తోడ్పడతాయి.
6.మెరుగైన యాక్సివేషన్‍ ఫంక్షన్‍లు: యాక్టివేషన్‍ ఫంక్షన్‍లలో పరిశోధన కొత్త యాక్టివేషన్‍ ఫంక్షన్‍ల అభివృద్ధికి దారితీసింది. ఇవి ఎఎన్‍ఎన్‍లను సరిద్దబడిన లీనియర్‍ యూనిట్‍లు మరియు సాప్ట్ మాక్స్ లాంటి పనులపై మెరుగ్గా పనిచేయడానికి అనుమతిస్తాయి.
7.మెరుగైన ఆప్టిమైజేషన్‍ అల్గారిథమ్‍లు : Adam,Adagrad,RMS Prop మొ।।లైన ఆప్టిమైజేషన్‍ అల్గారిథమ్‍లు గణన సమయాన్ని తగ్గించడం, వేగవంతమైన మార్పిడి మరియు మెరుగైన ఫలితాలను అందించడం ద్వారా ఎఎన్‍ఎన్‍ల పనితీరును బాగా మెరుగుపరిచాయి.
8.బహుళ – మోడల్‍ ప్రాతినిధ్యాలు: బహుళ ప్రాతినిథ్య అభ్యాసం, టెక్టస్, ఇమేజెస్‍, ఆడియో లాంటి బహుళ మూలాల నుండి డేటాను కలపడం ద్వారా ఎఎన్‍ఎన్‍ల పనితీరును మెరుగుపరుస్తాయి.
ఎఎన్‍ఎన్‍ల పరిమితులు:
i) బ్లాక్‍ బాక్స్ప్రాబ్లమ్‍ : ఎఎన్‍ఎన్‍లు కొన్ని సార్లు బ్లాక్‍ బాక్స్గా పరిగణించబడతాయి. అలాంటప్పుడు ఏదైనా ఒక సమస్యను అవి ఎలా పరిష్కరించాయి, తుది నిర్ణయానికి ఎలా వచ్చాయి అన్నది అర్థం చేసుకోవడం జటిలంగా మారుతుంది. తద్వారా ఇది వచ్చిన ఫలితాలను విశ్వసించడం లేదా ఇతరులకు వివరించడాన్ని సంక్లిష్టం చేస్తుంది.
ii) ఓవర్‍ ఫిట్టింగ్‍ : ఎఎన్‍ఎన్‍లకు ఏదైనా శిక్షణ ఇచ్చినప్పుడు, ఆ శిక్షణకు సంబంధించిన సమాచారాన్ని అవి గుర్తుంచుకుంటాయి. అయితే ఆ సమాచారాన్ని కొత్తగా సేకరించిన డేటాకు వర్తింపజేయవు. ఈ సమస్యనే ఓవర్‍ ఫిట్టింగ్‍ అంటారు. ఇలాంటి సందర్భంలో కనిపించని డేటా (Unseen Data) విషయంలో ఎఎన్‍ఎన్‍లు పేలవమైన పనితీరును ప్రదర్శిస్తాయి. త్వరితగత నిలుపుదల (early stopping), రెగ్యులరైజేషన్‍ టెక్నిక్‍ ద్వారా ఈ సమస్యను పరిష్కరించవచ్చు.
iii) డేటా క్వాలిటీ : శిక్షణ కోసం అందుబాటులో ఉన్న డేటా నాణ్యత మరియు పరిమాణంపై ఎఎన్‍ఎన్‍ల పనితీరు ఎక్కువగా ఆధారపడి ఉంటుంది. తప్పిపోయిన డేటా, పక్షపాత డేటాల ఉనికి ఎఎన్‍ఎన్‍ల పనితీరును బాగా ప్రభావితం చేస్తుంది.
iv) కంప్యూటేషనల్‍ కాంప్లెక్సిటీ : ఎఎన్‍ఎన్‍ల శిక్షణ మరియు నిర్వహణకు విస్తృతస్థాయిలో కంప్యూటర్‍ వనరులు అవసరం. ఇలాంటి సందర్భంలో కొన్ని రకాల రియల్‍టైమ్‍ ప్రాసెసింగ్‍ అప్లికేషన్లకు మరియు స్వల్పస్థాయిలో కంప్యూటేషనల్‍ వనరులు కలిగిన వ్యవస్థలకు పరిమితులు సృష్టించవచ్చు.
v) పరిమిత వివరణ సామర్థ్యం (Limited interpretatility): ఎఎన్‍ఎన్‍లను ఇతమిద్ధంగా అర్థం చేసుకోవడం కష్టం. ఎందుకంటే ఎఎన్‍ఎన్‍ల నమూనాలు ఒక నిర్దిష్ట నిర్ణయానికి ఎలా వచ్చిందనేది ఎల్లప్పుడూ స్పష్టంగా ఉండదు. దీనివల్ల డేటాలోని అంతర్లీన సంబంధాలను అర్థం చేసుకోవడం లేదా నమూనాను నిర్దిష్టంగా అంచనా వేయడానికి కారణమయ్యే నిర్దిష్ట కారకాలను గుర్తించడం కష్టతరమవుతుంది.
vi) పర్యవేక్షణా అభ్యాసానికి పరిమితం (Limited to Supervised learining ):: చాలా వరకు ఎఎన్‍ఎన్‍లు పర్యవేక్షణా అభ్యాసానికి పరిమితం చేయబడి ఉంటాయి. అంటే ఎఎన్‍ఎన్‍లు నేర్చుకోవడానికి లేబుల్‍ చేయబడిన డేటాను కలిగి ఉండాలి. అలా కాని పక్షంలో ఎఎన్‍ఎన్‍లను పర్యవేక్షించబడని లేదా పునర్చలన అభ్యాస (Un superriesed or reinforcement learning scenaries) సన్నివేశాలలో వినియోగించడం సంక్లిష్టమవుతుంది.
చివరిగా: మేథ మనిషికి ఒక వరం, అది సవ్యంగా, స్పష్టంగా పనిచేసినట్లయితే మనిషి ఎన్నో అద్భుతాలు సృష్టించగలడు. కానీ అదే మేధ వెర్రితలలు వేస్తే అద్భుతాలు చేసిన మనిషే అధఃపాతాళానికి చేరతాడని చెప్పడంలో సందేహం లేదు. మనిషి మేధ సృష్టించిన మహాద్భుతాలలో కృత్రిమ మేధ ఒకటి. అయితే ఇది మనిషి సహజ మేధను మించి పోతుందని తద్వారా అనేక విపరిణామాలు సంభవించే అవకాశం ఉందన్న అంచనాలు వినిపిస్తున్నాయి. ఈ నేపథ్యంలో నోబెల్‍ కమిటీనే చెప్పినట్లు ఈ కొత్త సాంకేతికతను సురక్షితంగా, నైతికంగా ఆమోదయోగ్యమైన పద్ధతుల్లో వాడేందుకు మానవాళి మొత్తం బాధ్యత తీసుకోవాల్సిన అవసరం ఉంది.
-పుట్టా పెద్ద ఓబులేసు,
స్కూల్‍ అసిస్టెంట్‍, జిల్లా పరిషత్‍ ఉన్నత పాఠశాల
రావులకొలను, సింహాద్రిపురం, కడప, ఎ : 955029004