புதிய இயந்திர கற்றல் திறன்கள் நிதி தரவுகளுக்கான பங்கு ஆவணங்களை சுரங்கப்படுத்துவது எப்படி?

கே:

புதிய இயந்திர கற்றல் திறன்கள் நிதி தரவுகளுக்கான பங்கு ஆவணங்களை சுரங்கப்படுத்துவது எப்படி?

ப:

இயந்திர கற்றல் மற்றும் AI இன் அற்புதமான புதிய எல்லைகளில் ஒன்று, விஞ்ஞானிகள் மற்றும் பொறியியலாளர்கள் பங்கு இயக்கம் மற்றும் முதலீட்டு விளைவுகளை கணிக்க முற்றிலும் புதிய வகை வளங்களைப் பயன்படுத்த பல்வேறு வழிகளில் இறங்குகின்றனர். இது நிதி உலகில் மிகப்பெரிய விளையாட்டு மாற்றியாகும், மேலும் முதலீட்டு உத்திகளை மிகவும் ஆழமான முறையில் புரட்சி செய்யும்.

இந்த வகை பங்கு ஆராய்ச்சியை விரிவுபடுத்துவதற்கான அடிப்படைக் கருத்துக்களில் ஒன்று கணக்கீட்டு மொழியியல் ஆகும், இது இயற்கை மொழியின் மாதிரியை உள்ளடக்கியது. எஸ்.இ.சி தாக்கல் முதல் பங்குதாரர் கடிதங்கள் வரை பிற புற உரை அடிப்படையிலான வளங்கள் வரை, பங்கு பகுப்பாய்வுகளை அதிகரிக்க அல்லது நன்றாக மாற்றுவதற்காக அல்லது முற்றிலும் புதிய பகுப்பாய்வுகளை உருவாக்குவதற்கு வல்லுநர்கள் உரை ஆவணங்களை எவ்வாறு பயன்படுத்துவது என்பதை ஆராய்ந்து வருகின்றனர்.

இலவச பதிவிறக்க: இயந்திர கற்றல் மற்றும் அது ஏன் முக்கியமானது

முக்கியமான மறுப்பு என்னவென்றால், இவை அனைத்தும் நரம்பியல் நெட்வொர்க்குகள், இயந்திர கற்றல் மற்றும் இயற்கை மொழி பகுப்பாய்வு ஆகியவற்றில் புத்தம் புதிய முன்னேற்றங்கள் மூலம் மட்டுமே சாத்தியமாகும். ML / AI இன் வருகைக்கு முன்னர், கணினி தொழில்நுட்பங்கள் பெரும்பாலும் உள்ளீடுகளை "படிக்க" நேரியல் நிரலாக்கத்தைப் பயன்படுத்தின. உரை ஆவணங்கள் மிகவும் கட்டமைக்கப்படாதவையாக இருந்தன. ஆனால் கடந்த சில ஆண்டுகளில் இயற்கையான மொழி பகுப்பாய்வில் ஏற்பட்டுள்ள முன்னேற்றத்துடன், அளவிடக்கூடிய முடிவுகளுக்கு இயற்கையான மொழியை "என்னுடையது" செய்ய முடியும் என்று விஞ்ஞானிகள் கண்டுபிடித்துள்ளனர் அல்லது வேறுவிதமாகக் கூறினால், ஏதேனும் ஒரு வழியில் கணக்கிடக்கூடிய முடிவுகள்.

இதற்கு சில சிறந்த சான்றுகள் மற்றும் மிகவும் பயனுள்ள எடுத்துக்காட்டுகள் வலையில் கிடைக்கும் பல்வேறு ஆய்வுக் கட்டுரைகள் மற்றும் முனைவர் பணிகளிலிருந்து வந்தவை. ஏப்ரல் 2016 இல் வெளியிடப்பட்ட "நிதி பொருளாதாரத்தில் இயந்திர கற்றல் மற்றும் கணக்கீட்டு மொழியியல் பயன்பாடுகள்" என்ற ஒரு ஆய்வறிக்கையில், கார்ப்பரேட் எஸ்.இ.சி தாக்கல், பங்குதாரர் அழைப்புகள் மற்றும் சமூக ஊடக செய்திகளை சுரங்கப்படுத்துவதற்கான குறிப்பிட்ட செயல்முறைகளை லில்லி காவ் விளக்குகிறார்.

"கட்டமைக்கப்படாத மற்றும் உயர் பரிமாண உரை தரவுகளிலிருந்து அர்த்தமுள்ள சமிக்ஞைகளை பிரித்தெடுப்பது எளிதான பணி அல்ல" என்று காவ் எழுதுகிறார். "இருப்பினும், இயந்திர கற்றல் மற்றும் கணக்கீட்டு மொழியியல் நுட்பங்களின் வளர்ச்சியுடன், உரை ஆவணங்களின் பணிகளை செயலாக்குதல் மற்றும் புள்ளிவிவர ரீதியாக பகுப்பாய்வு செய்தல் ஆகியவை நிறைவேற்றப்படலாம், மேலும் சமூக அறிவியலில் புள்ளிவிவர உரை பகுப்பாய்வின் பல பயன்பாடுகள் வெற்றிகரமாக நிரூபிக்கப்பட்டுள்ளன." மாடலிங் மற்றும் அளவுத்திருத்தம் பற்றிய காவோவின் சுருக்கத்திலிருந்து, இந்த வகை பகுப்பாய்வுகளில் சில எவ்வாறு விரிவாக செயல்படுகின்றன என்பதை முழு வளர்ந்த ஆவணமும் காட்டுகிறது.

செயலில் உள்ள திட்டங்களுக்கான பிற ஆதாரங்களில் இந்த கிட்ஹப் திட்ட சுருக்கம் போன்ற பக்கங்களும் அடங்கும், மேலும் இந்த IEEE வளமானது "ட்விட்டர் சென்டிமென்ட் பகுப்பாய்விலிருந்து" மதிப்புமிக்க நிதித் தகவல்களைப் பெறுவது பற்றி குறிப்பாகப் பேசுகிறது.

இதன் முக்கிய அம்சம் என்னவென்றால், இந்த புதிய என்எல்பி மாடல்களின் பயன்பாடு நிதி பகுப்பாய்விற்கு மட்டுமல்லாமல், மற்ற வகையான அதிநவீன கண்டுபிடிப்புகளுக்காகவும், அனைத்து வகையான உரை ஆவணங்களையும் பயன்படுத்துவதில் விரைவான கண்டுபிடிப்புகளை உந்துகிறது, இது பாரம்பரியமாக நிறுவப்பட்ட வரியை "மொழி" மற்றும் "தகவல்கள்."