প্রশ্ন:
কীভাবে একটি ওজনযুক্ত বা পরীক্ষামূলক দৃষ্টিভঙ্গি এআইকে নির্ভুল নিয়ম-ভিত্তিক বা নির্জনবাদী পদ্ধতির বাইরে যেতে সাহায্য করে?
উত্তর:মেশিন লার্নিং এবং কৃত্রিম বুদ্ধিমত্তার নীতিগুলি কীভাবে কম্পিউটিং কাজ করে তা দ্রুত পরিবর্তিত হচ্ছে। এটি ঘটছে এমন মূল উপায়গুলির মধ্যে একটি হ'ল ভারযুক্ত বা সম্ভাব্য ইনপুটগুলি যা সত্যিকারের নির্বিচার সিস্টেম থেকে ইনপুটগুলিকে আরও বিমূর্ত কিছুতে পরিবর্তন করে।
কৃত্রিম নিউরাল নেটওয়ার্কগুলিতে, পৃথক নিউরন বা ইউনিটগুলি সম্ভাব্য ইনপুটগুলি গ্রহণ করে। তারপরে তারা আউটপুট বা ফলাফল সম্পর্কে দৃ .়সংকল্পবদ্ধ। পেশাদাররা যখন প্রোগ্রামিংয়ের পুরানো জগতকে "প্রশিক্ষণ" বা "শিক্ষণ" কম্পিউটারগুলির একটি নতুন বিশ্বের সাথে প্রতিস্থাপনের বিষয়ে কথা বলার বিষয়ে কথা বলছেন।
Ditionতিহ্যগতভাবে, ডিফল্টটি ছিল কম্পিউটারের ফলাফল পাওয়ার জন্য প্রোগ্রামিং ব্যবহার করা। প্রোগ্রামিং হ'ল ডিটারমিনিস্টিক ইনপুটগুলির একটি নির্দিষ্ট সেট - এমন নিয়মগুলি যা কম্পিউটার অনুগতভাবে অনুসরণ করবে।
বিপরীতে, সম্ভাব্য ইনপুটগুলির অনুমতি দেওয়া এই বিধিগুলির একটি বিমূর্ততা, আরও উন্নত সিদ্ধান্ত গ্রহণের জন্য কম্পিউটারকে মুক্ত করার জন্য "ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে।" একরকমভাবে, সম্ভাব্য ইনপুটগুলি বাইরের দৃষ্টিকোণ থেকে অজানা এবং পূর্বনির্ধারিত নয়। এটি আমাদের আসল মস্তিষ্কের যেভাবে কাজ করে তার খুব কাছাকাছি এবং এজন্যই এই পদ্ধতির সাহায্যে মেশিন লার্নিং এবং কৃত্রিম বুদ্ধিমত্তার অ্যালগরিদমগুলি কৃত্রিম জ্ঞানীয় বিকাশের পরবর্তী সীমান্ত হিসাবে প্রশংসা করা হচ্ছে।
ভারযুক্ত বা সম্ভাব্য ইনপুটগুলি সম্পর্কে ভাবার সহজ উপায় এখানে। Traditionalতিহ্যবাহী প্রোগ্রামিংয়ে আপনার কাছে "if / then" স্টেটমেন্টের ধরণ ছিল যা সাধারণত বলে: যদি এটি হয়, তবে তা।
নিয়ম-ভিত্তিক পদ্ধতির বাইরে যাওয়ার ক্ষেত্রে এইটি কী তা পরিবর্তন করা জড়িত। নিয়ম-ভিত্তিক পদ্ধতির ক্ষেত্রে, এটি হ'ল কিছু পাঠ্য ইনপুট বা নিয়ম: আপনি যদি এটি বাইনারি হিসাবে মনে করেন - আমরা জানি এটি সত্য কিনা না এবং কম্পিউটারটিও তাই। সুতরাং আপনি যে কোনও ইনপুটটিতে কম্পিউটারের প্রতিক্রিয়াটি অনুমান করতে পারেন।
নতুন পদ্ধতির ক্ষেত্রে, এটি আসলে কোনও ইনপুট সংকলন যা কোনও প্রদত্ত অবস্থায় থাকতে পারে। সুতরাং যেহেতু বাইরের কোনও পর্যবেক্ষক সহজেই এইটি কী তৈরি করে তা মডেল করতে সক্ষম হবেন না, তাই ফলাফল কী হতে পারে তা সে সঠিকভাবে অনুমান করতে পারে না।
বাজার বিভাজন থেকে শুরু করে আর্থিক যাচাইকরণ, বিনোদন ও জল ও নর্দমা ব্যবস্থাপনার ক্ষেত্রে এই নীতিটি সম্পর্কে ভাবেন, এবং মেশিন লার্নিং, গভীর শিক্ষণ এবং কৃত্রিম বুদ্ধিমত্তার সত্যিকারের ক্ষমতা মানব বিষয়কে সরাসরি পরিচালিত করার জন্য আপনার কাছে রয়েছে উপায়। উদাহরণস্বরূপ, জালিয়াতি ব্যবস্থাপনার ক্ষেত্রে বিশেষজ্ঞরা উল্লেখ করেছেন যে সন্দেহজনক বা ঝুঁকিপূর্ণ আচরণ এবং স্বাভাবিক আচরণের মধ্যে পার্থক্য নির্ধারণের ক্ষেত্রে নিয়ম-কানুনের সিস্টেমগুলি খুব ভাল নয় - পরিশীলিত ইনপুট মডেলগুলিতে সজ্জিত মেশিন লার্নিং সিস্টেমগুলি সিদ্ধান্ত গ্রহণে আরও সক্ষম কী কার্যকলাপ সন্দেহজনক হতে পারে সম্পর্কে।
এটিকে ভাবার আরেকটি উপায় হ'ল বিশ্বটি কোড শেখার এবং সিদ্ধান্ত গ্রহণের জন্য একটি নতুন সীমান্ত হিসাবে কোড চিহ্নিত করার যুগে চলেছিল। এবং নিজে থেকেই, নির্ধারিত কোড-ভিত্তিক ফলাফলগুলি বিভিন্ন ধরণের মানবিক ক্রিয়াকলাপ এবং সিদ্ধান্তগুলির মডেলিংয়ের ক্ষেত্রে শক্তিশালী ছিল। আমরা বিপণন, বিক্রয়, জনপ্রশাসন ইত্যাদিতে এই সমস্ত ধারণাগুলি প্রয়োগ করেছি তবে এখন বিশেষজ্ঞরা ওয়্যার্ডের এই অত্যন্ত অন্তর্দৃষ্টিপূর্ণ এবং শিক্ষণীয় অংশ হিসাবে "কোডিংয়ের সমাপ্তি" সম্পর্কে কথা বলছেন। এখানে মূল ধারণাটি একই ধারণা, পরবর্তী যুগে কোডিংয়ের পরিবর্তে আমাদের এমন একটি ব্যবস্থা থাকবে যেখানে আমরা কম্পিউটারগুলিকে এমনভাবে চিন্তা করতে প্রশিক্ষণ দেব যা সময়ের সাথে সাথে শিখতে সক্ষম হবে এবং তৈরি করতে সক্ষম হবে সেই অনুযায়ী সিদ্ধান্ত। এর মধ্যে বেশিরভাগই একটি ডিস্ট্রিমেন্টিক কম্পিউটিং পদ্ধতির থেকে এমন একটি দিকে সরিয়ে গেছে যা আরও পরিশীলিত ইনপুটগুলির সাথে বিমূর্ত হয়।
