செயற்கை நுண்ணறிவில் வரையறுக்கப்பட்ட மாநில இயந்திரம் எவ்வாறு பயன்படுத்தப்படுகிறது?

கே:

செயற்கை நுண்ணறிவில் வரையறுக்கப்பட்ட மாநில இயந்திரம் எவ்வாறு பயன்படுத்தப்படுகிறது?

வரையறுக்கப்பட்ட மாநில இயந்திரங்கள் (FSM கள்), தனித்தனி தொகுப்பு நிலைகளின் பட்டியலால் வரையறுக்கப்பட்ட கணக்கீட்டு மாதிரிகள், அவை ஒவ்வொன்றாக மட்டுமே தேர்ந்தெடுக்கப்படலாம். சுருக்கமாக, எஃப்எஸ்எம்கள் AI ஐ உருவாக்குவதற்கான எளிய ஆனால் நேர்த்தியான தீர்வுகள், அங்கு எந்த நேரத்திலும் இயந்திரம் ஒரு மாநிலத்தில் மட்டுமே இருக்க முடியும், மேலும் ஒரு உள்ளீடு பெறப்படும் போது ஒரு மாநிலத்திலிருந்து இன்னொரு மாநிலத்திற்கு மாறுதல் மூலம் மட்டுமே மாற முடியும். மிகவும் பாரம்பரியமான எடுத்துக்காட்டு ஒரு போக்குவரத்து ஒளி, இது பச்சை நிறத்தில் இருந்து மஞ்சள் நிறமாகவும், வரையறுக்கப்பட்ட நேரத்திற்குப் பிறகு மஞ்சள் நிறத்தில் இருந்து சிவப்பு நிறமாகவும் மாறுகிறது. இந்த வழக்கில், உள்ளீடு நேரத்தால் குறிக்கப்படுகிறது, ஆனால் சாதனம் முற்றிலும் செயலற்றதாக இருப்பதால் உண்மையான AI எதுவும் இல்லை. போக்குவரத்து வெளிச்சம் வழிப்போக்கர்களுக்கு எதிர்வினையாற்ற முடிந்தால் மட்டுமே, AI ஈடுபட முடியும்.

வீடியோ கேமிங் துறையில் எஃப்எஸ்எம்கள் பரவலாகப் பயன்படுத்தப்படுகின்றன, அவற்றின் உள்ளார்ந்த எளிமை மற்றும் அடிப்படை ஆனால் செயல்பாட்டு AI ஐ ஆதரிப்பதற்கான முன்கணிப்பு. எடுத்துக்காட்டாக, அவை பெரும்பாலும் அதிரடி மற்றும் ஆர்பிஜி கேம்களில் விளையாட முடியாத எழுத்துக்கள் (NPC கள்) பயன்படுத்தப்படுகின்றன. ஒப்பீட்டளவில் எளிமையான AI மாதிரி கட்டப்பட்டுள்ளது, இதனால் கொடுக்கப்பட்ட NPC (பொதுவாக ஒரு எதிரி) ஒரு குறிப்பிட்ட நடத்தையை மட்டுமே தேர்ந்தெடுக்க முடியும் - சொல்லுங்கள், தாக்குங்கள், தப்பி ஓடு, பாதுகாத்தல், கண்டறிதல் போன்றவை. அவை முக்கிய கதாபாத்திரங்களுக்கும் பயன்படுத்தப்படலாம், எடுத்துக்காட்டாக வீரர் போது பவர்-அப் அல்லது போனஸ் பெறுகிறது, அல்லது பிளாட்ஃபார்மிங் கேம்களில் யுஐ மற்றும் கட்டுப்பாட்டு திட்டங்களை மாதிரி செய்ய (வளைந்த நிலை அல்லது விரைவான-தீ பயன்முறையை அமைக்க).

சைபர் பாதுகாப்பு நோக்கங்களுக்காக மென்பொருள் கட்டமைப்பு மற்றும் தகவல் தொடர்பு நெறிமுறைகளின் யதார்த்தமான உருவகப்படுத்துதல்களை உருவாக்க FSM களைப் பயன்படுத்தலாம். பாதிக்கப்படக்கூடிய செயல்பாடுகளின் எஃப்எஸ்எம் மாதிரிகள் சாத்தியமான அனைத்து சுரண்டல்களையும் புரிந்துகொள்ள உருவாக்கப்படுகின்றன, மேலும் அவற்றைத் தணிக்க AI சிறந்த தீர்வுகளைக் கண்டறியட்டும். இந்த உருவகப்படுத்துதல்கள் பாதுகாப்பு நெறிமுறைகள், அவற்றின் வலிமை மற்றும் ஒரு அமைப்பின் பாதுகாப்பு தோரணை ஆகியவற்றை சோதிக்கவும் மதிப்பீடு செய்யவும் பயன்படுத்தப்படுகின்றன. சைபர் பாதுகாப்புக் கொள்கைகள் மற்றும் சிறந்த நடைமுறைகளை நிறுவ பின்னர் அவற்றைப் பயன்படுத்தலாம்.

கலப்பு முடிவுகளுடன் இயற்கையான மொழி செயலாக்கம் (என்.எல்.பி) கருவிகள் மற்றும் சாட்போட்களை உருவாக்க கணக்கீட்டு மொழியியல் துறையிலும் எஃப்.எஸ்.எம் கள் பயன்படுத்தப்பட்டுள்ளன. இருப்பினும், இயற்கையான மனித மொழி நிஜ வாழ்க்கை உரையாடல்களின் போது (அல்லது ஒரு உரையைப் படிக்கும்போது கூட) மற்ற மனிதர்களால் எளிதில் ஊகிக்கப்படும் சூழலில் தெளிவற்ற தன்மைகளால் நிறைந்துள்ளது. எஃப்எஸ்எம்கள் ஒரு உறுதியான அணுகுமுறையுடன் மொழியை அலச முயற்சிக்கின்றன, இது இயற்கையான உரையாடல்களை சரியாக கையாள மிகவும் கடினமானதாகும், எனவே புள்ளிவிவர அனுமானம் மற்றும் முடிவுக் கோட்பாடுகள் பொதுவாக விருப்பமான முறைகள். எஃப்எஸ்எம்கள் இன்னும் ஒரு நல்ல அடித்தளத்தை பிரதிநிதித்துவப்படுத்துகின்றன, அதன் அடிப்படையில் ஒரு எளிய ஆனால் திறமையான என்எல்பி AI கடந்த காலத்தில் கட்டப்பட்டது. ஒரு குறிப்பிட்ட நிரலாக்க மொழியின் மூலக் குறியீட்டினுள் உரையாடல்கள் கடின குறியீடாக இருக்கும் மென்பொருள் மற்றும் பயன்பாடுகளில், இருப்பினும், FSM களை திறமையாகப் பயன்படுத்தலாம்.