வீடு செய்தியில் ஒரு எடையுள்ள அல்லது நிகழ்தகவு அணுகுமுறை முற்றிலும் விதிகளை அடிப்படையாகக் கொண்ட அல்லது நிர்ணயிக்கும் அணுகுமுறையைத் தாண்டி செல்ல உதவுகிறது?

ஒரு எடையுள்ள அல்லது நிகழ்தகவு அணுகுமுறை முற்றிலும் விதிகளை அடிப்படையாகக் கொண்ட அல்லது நிர்ணயிக்கும் அணுகுமுறையைத் தாண்டி செல்ல உதவுகிறது?

Anonim

கே:

ஒரு எடையுள்ள அல்லது நிகழ்தகவு அணுகுமுறை AI ஐ முற்றிலும் விதிகள் சார்ந்த அல்லது நிர்ணயிக்கும் அணுகுமுறைக்கு அப்பால் செல்ல எவ்வாறு உதவுகிறது?

ப:

இயந்திர கற்றல் மற்றும் செயற்கை நுண்ணறிவு கொள்கைகள் கம்ப்யூட்டிங் எவ்வாறு இயங்குகிறது என்பதை விரைவாக மாற்றுகின்றன. இது நிகழும் முக்கிய வழிகளில் ஒன்று எடையுள்ள அல்லது நிகழ்தகவு உள்ளீடுகளாகும், இது உண்மையிலேயே நிர்ணயிக்கும் அமைப்பிலிருந்து உள்ளீடுகளை இன்னும் சுருக்கமாக மாற்றும்.

செயற்கை நரம்பியல் நெட்வொர்க்குகளில், தனிப்பட்ட நியூரான்கள் அல்லது அலகுகள் நிகழ்தகவு உள்ளீடுகளைப் பெறுகின்றன. பின்னர் அவை வெளியீடு அல்லது முடிவு குறித்து ஒரு தீர்மானத்தை எடுக்கின்றன. பழைய உலக நிரலாக்கத்தை "பயிற்சி" அல்லது "கற்பித்தல்" கணினிகளுடன் மாற்றுவதைப் பற்றி தொழில் வல்லுநர்கள் பேசும்போது இதைப் பற்றி பேசுகிறார்கள்.

பாரம்பரியமாக, கணினி முடிவுகளைப் பெற நிரலாக்கத்தைப் பயன்படுத்துவது இயல்புநிலையாக இருந்தது. புரோகிராமிங் என்பது நிர்ணயிக்கப்பட்ட உள்ளீடுகளின் நிலையான தொகுப்பாகும் - கணினி விசுவாசமாக பின்பற்றும் விதிகள்.

இதற்கு நேர்மாறாக, நிகழ்தகவு உள்ளீடுகளை அனுமதிப்பது இந்த விதிகளின் சுருக்கமாகும், மேலும் மேம்பட்ட முடிவுகளை எடுக்க கணினியை விடுவிப்பதற்காக ஒரு வகையான “தலைமுடி குறைதல்”. ஒரு வழியில், நிகழ்தகவு உள்ளீடுகள் வெளிப்புறக் கண்ணோட்டத்தில் அறிய முடியாதவை மற்றும் முன்னரே தீர்மானிக்கப்படவில்லை. இது எங்கள் உண்மையான மூளை செயல்படும் முறைக்கு நெருக்கமானது, அதனால்தான் இந்த அணுகுமுறையைப் பயன்படுத்தி இயந்திர கற்றல் மற்றும் செயற்கை நுண்ணறிவு வழிமுறைகள் செயற்கை அறிவாற்றல் வளர்ச்சியின் அடுத்த எல்லை என்று புகழப்படுகின்றன.

எடையுள்ள அல்லது நிகழ்தகவு உள்ளீடுகளைப் பற்றி சிந்திக்க ஒரு எளிய வழி இங்கே. பாரம்பரிய நிரலாக்கத்தில், பொதுவாக “if / then” அறிக்கையின் வகை உங்களிடம் இருந்தது: இது என்றால், அது.

விதி அடிப்படையிலான அணுகுமுறையைத் தாண்டி நகர்வது இது என்ன என்பதை மாற்றுவதை உள்ளடக்குகிறது. விதி அடிப்படையிலான அணுகுமுறையில், இது சில உரை உள்ளீடு அல்லது விதி: நீங்கள் இதை ஒரு பைனரி என்று நினைத்தால் - அது உண்மையா இல்லையா என்பது எங்களுக்குத் தெரியும், மேலும் கணினியும் அவ்வாறு செய்கிறது. எனவே எந்தவொரு உள்ளீட்டிற்கும் கணினியின் பதிலை நீங்கள் கணிக்க முடியும்.

புதிய அணுகுமுறையில், இது உண்மையில் எந்த நிலையிலும் இருக்கக்கூடிய உள்ளீட்டுத் தொகுப்பாகும். ஆகவே, இது என்னவென்பதை ஒரு வெளிப்புற பார்வையாளர் எளிதில் மாதிரியாகக் கொண்டிருக்க முடியாது என்பதால், அந்த முடிவு என்னவாக இருக்கும் என்பதை அவரால் அவளால் துல்லியமாக கணிக்க முடியவில்லை.

சந்தைப் பிரிவு முதல் நிதி சரிபார்ப்பு வரை பொழுதுபோக்கு முதல் நீர் மற்றும் கழிவுநீர் மேலாண்மை வரை அனைத்து வகையான துறைகள் மற்றும் தொழில்களுக்கும் பயன்படுத்தப்படும் இந்த கொள்கையைப் பற்றி சிந்தியுங்கள், மேலும் மனித விவகாரங்களை மிக புதியதாக வழிநடத்துவதற்கு இயந்திர கற்றல், ஆழ்ந்த கற்றல் மற்றும் செயற்கை நுண்ணறிவு ஆகியவற்றின் உண்மையான சக்தி உங்களிடம் உள்ளது. வழி. எடுத்துக்காட்டாக, மோசடி மேலாண்மைத் துறையில், சந்தேகத்திற்கிடமான அல்லது ஆபத்தான நடத்தை மற்றும் சாதாரண நடத்தை ஆகியவற்றுக்கு இடையிலான வேறுபாட்டைக் கண்டுபிடிப்பதில் விதிகள் மட்டுமே அமைப்புகள் மிகச் சிறந்தவை அல்ல என்று நிபுணர்கள் சுட்டிக்காட்டுகின்றனர் - அதிநவீன உள்ளீட்டு மாதிரிகளுடன் கூடிய இயந்திர கற்றல் அமைப்புகள் முடிவுகளை எடுக்க அதிக திறன் கொண்டவை என்ன செயல்பாடு கேள்விக்குரியதாக இருக்கலாம் என்பது பற்றி.

அதைப் பற்றி சிந்திக்க மற்றொரு வழி என்னவென்றால், கற்றல் மற்றும் முடிவெடுப்பதற்கான ஒரு புதிய எல்லையாக குறியீட்டை அடையாளம் காணும் சகாப்தத்தை உலகம் கடந்து சென்றது. எல்லா வகையான மனித செயல்பாடு மற்றும் முடிவுகளை மாதிரியாக்குவதில் நிர்ணயிக்கும் குறியீடு அடிப்படையிலான முடிவுகள் சக்திவாய்ந்தவை. இந்த யோசனைகள் அனைத்தையும் சந்தைப்படுத்தல், விற்பனை, பொது நிர்வாகம் போன்றவற்றுக்கு நாங்கள் பயன்படுத்தினோம். ஆனால் இப்போது, ​​வல்லுநர்கள் “குறியீட்டின் முடிவு” பற்றிப் பேசுகிறார்கள், இது வயர்டில் உள்ள மிகவும் புத்திசாலித்தனமான மற்றும் அறிவுறுத்தும் பகுதியைப் போல. இங்கே முதன்மையான யோசனை அதே யோசனையாகும், அடுத்த சகாப்தத்தில், குறியீட்டுக்கு பதிலாக, நாம் கணினிகளுக்கு பயிற்சியளிக்கும் ஒரு அமைப்பைக் கொண்டிருப்போம், நாம் எப்படி நினைக்கிறோம் என்பதற்கு நெருக்கமான வழிகளில் சிந்திக்கவும், காலப்போக்கில் கற்றுக் கொள்ளவும் முடியும் அதற்கேற்ப முடிவுகள். நிர்ணயிக்கும் கம்ப்யூட்டிங் அணுகுமுறையிலிருந்து மிகவும் அதிநவீன உள்ளீடுகளுடன் சுருக்கப்பட்ட ஒன்றுக்கு நகர்த்துவதன் மூலம் இவற்றில் பெரும்பாலானவை நிறைவேற்றப்பட்டுள்ளன.

ஒரு எடையுள்ள அல்லது நிகழ்தகவு அணுகுமுறை முற்றிலும் விதிகளை அடிப்படையாகக் கொண்ட அல்லது நிர்ணயிக்கும் அணுகுமுறையைத் தாண்டி செல்ல உதவுகிறது?