AI ಸ್ವಂತವಾಗಿ ಕಲಿಯಬಹುದೇ? [ವಿಡಿಯೋ ಮತ್ತು ರಸಪ್ರಶ್ನೆ]

ಸಂಕ್ಷಿಪ್ತ ಉತ್ತರ: AI ಸೀಮಿತ ತಾಂತ್ರಿಕ ಮಿತಿಗಳಲ್ಲಿ ಕಲಿಯಬಹುದು: ಅದು ಮಾದರಿಗಳನ್ನು ಗುರುತಿಸಬಹುದು, ಪ್ರತಿಕ್ರಿಯೆಯ ಮೂಲಕ ಸುಧಾರಿಸಬಹುದು ಮತ್ತು ಆ ಉದ್ದೇಶಕ್ಕಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಲಾದ ವ್ಯವಸ್ಥೆಗಳ ಒಳಗೆ ಹೊಂದಿಕೊಳ್ಳಬಹುದು. ಆದರೆ ಗುರಿಗಳು, ಡೇಟಾ, ಪ್ರತಿಫಲಗಳು ಅಥವಾ ಸುರಕ್ಷತೆಗಳನ್ನು ಸರಿಯಾಗಿ ಆಯ್ಕೆ ಮಾಡದಿದ್ದಾಗ, ಅದು ಅಲೆಯಬಹುದು, ಹಾನಿಕಾರಕ ಮಾದರಿಗಳನ್ನು ಪುನರುತ್ಪಾದಿಸಬಹುದು ಅಥವಾ ತಪ್ಪು ವಿಷಯಕ್ಕೆ ಅತ್ಯುತ್ತಮವಾಗಿಸಬಹುದು.

ಪ್ರಮುಖ ಅಂಶಗಳು: ಹೊಣೆಗಾರಿಕೆ: ಮಾದರಿ ಗುರಿಗಳು, ಮಿತಿಗಳು, ನಿಯೋಜನೆ ಮತ್ತು ಮೇಲ್ವಿಚಾರಣೆಗಾಗಿ ಸ್ಪಷ್ಟ ಮಾನವ ಮಾಲೀಕರನ್ನು ನಿಯೋಜಿಸಿ.

ಸಮ್ಮತಿ: ಬಳಕೆದಾರರ ಡೇಟಾವನ್ನು ರಕ್ಷಿಸಿ, ವಿಶೇಷವಾಗಿ ಸಿಸ್ಟಮ್‌ಗಳು ಲೈವ್ ಸಂವಹನಗಳಿಂದ ನವೀಕರಿಸಿದಾಗ.

ಪಾರದರ್ಶಕತೆ: AI ಏನನ್ನು ಕಲಿಯುತ್ತದೆ ಮತ್ತು ಯಾವ ಗಡಿಗಳು ಅದರ ಔಟ್‌ಪುಟ್‌ಗಳನ್ನು ರೂಪಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ವಿವರಿಸಿ.

ಸ್ಪರ್ಧಾತ್ಮಕತೆ: ನಿರ್ಧಾರಗಳು, ದೋಷಗಳು, ಪಕ್ಷಪಾತ ಅಥವಾ ಹಾನಿಕಾರಕ ಫಲಿತಾಂಶಗಳನ್ನು ಪ್ರಶ್ನಿಸಲು ಜನರಿಗೆ ಸ್ಪಷ್ಟ ಮಾರ್ಗಗಳನ್ನು ನೀಡಿ.

ಆಡಿಟಬಿಲಿಟಿ: ಡ್ರಿಫ್ಟ್, ರಿವಾರ್ಡ್ ಹ್ಯಾಕಿಂಗ್, ಗೌಪ್ಯತೆ ಸೋರಿಕೆ ಮತ್ತು ಅಸುರಕ್ಷಿತ ಯಾಂತ್ರೀಕರಣಕ್ಕಾಗಿ ನಿಯಮಿತವಾಗಿ ಪರೀಕ್ಷಿಸಿ.

1. “AI ತನ್ನದೇ ಆದ ಮೇಲೆ ಕಲಿಯಬಹುದೇ?” ಎಂದರೆ ಏನು? 🤔

"AI ಸ್ವಂತವಾಗಿ ಕಲಿಯಬಹುದೇ?" ಎಂದು ಜನರು ಕೇಳಿದಾಗ , ಅವರು ಸಾಮಾನ್ಯವಾಗಿ ಹಲವಾರು ವಿಷಯಗಳಲ್ಲಿ ಒಂದನ್ನು ಅರ್ಥೈಸುತ್ತಾರೆ:

• ಪ್ರತಿಯೊಂದು ನಿಯಮವನ್ನು ಮಾನವನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಪ್ರೋಗ್ರಾಮ್ ಮಾಡದೆಯೇ AI ಸುಧಾರಿಸಬಹುದೇ?

• ಕಚ್ಚಾ ದತ್ತಾಂಶದಿಂದ AI ತನ್ನನ್ನು ತಾನು ಕಲಿಯಬಹುದೇ?

• ಮಾನವರು ಸ್ಪಷ್ಟವಾಗಿ ಎತ್ತಿ ತೋರಿಸದ ಮಾದರಿಗಳನ್ನು AI ಕಂಡುಹಿಡಿಯಬಹುದೇ?

• ನಿಯೋಜನೆಯ ನಂತರ AI ಹೊಂದಿಕೊಳ್ಳಬಹುದೇ?

• ಪ್ರಪಂಚದೊಂದಿಗೆ ಸಂವಹನ ನಡೆಸುವ ಮೂಲಕ AI ಕಾಲಾನಂತರದಲ್ಲಿ ಚುರುಕಾಗಬಹುದೇ?

ಇವು ಸಂಬಂಧಿತವಾಗಿವೆ, ಆದರೆ ಅವು ಒಂದೇ ಆಗಿರುವುದಿಲ್ಲ.

ಸಾಂಪ್ರದಾಯಿಕ ಸಾಫ್ಟ್‌ವೇರ್ ನೇರ ಸೂಚನೆಗಳನ್ನು ಅನುಸರಿಸುತ್ತದೆ. ಡೆವಲಪರ್ ಈ ರೀತಿಯ ನಿಯಮಗಳನ್ನು ಬರೆಯುತ್ತಾರೆ:

• ಬಳಕೆದಾರರು ಈ ಗುಂಡಿಯನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿದರೆ, ಆ ಪುಟವನ್ನು ತೆರೆಯಿರಿ.

• ಪಾಸ್‌ವರ್ಡ್ ತಪ್ಪಾಗಿದ್ದರೆ, ದೋಷವನ್ನು ತೋರಿಸಿ.

• ತಾಪಮಾನವು ಮಿತಿಯನ್ನು ಮೀರಿದರೆ, ಎಚ್ಚರಿಕೆಯನ್ನು ಪ್ರಚೋದಿಸಿ.

AI ವಿಭಿನ್ನವಾಗಿದೆ. ಅದಕ್ಕೆ ಪ್ರತಿಯೊಂದು ನಿಯಮವನ್ನು ನೀಡುವ ಬದಲು, ಮಾನವರು ಅದಕ್ಕೆ ಡೇಟಾ, ಉದ್ದೇಶಗಳು, ವಾಸ್ತುಶಿಲ್ಪ ಮತ್ತು ತರಬೇತಿ ವಿಧಾನಗಳನ್ನು ನೀಡುತ್ತಾರೆ. ನಂತರ AI ಉದಾಹರಣೆಗಳಿಂದ ಮಾದರಿಗಳನ್ನು ಕಲಿಯುತ್ತದೆ. ಅದು ಸ್ವತಂತ್ರ ಕಲಿಕೆಯಂತೆ ಕಾಣಿಸಬಹುದು, ಏಕೆಂದರೆ ವ್ಯವಸ್ಥೆಗೆ ಪ್ರತಿ ಉತ್ತರವನ್ನು ಚಮಚದಿಂದ ನೀಡಲಾಗುವುದಿಲ್ಲ.

ಆದರೆ ಒಂದು ಹಿಡಿತವಿದೆ. ಯಾವಾಗಲೂ ಒಂದು ಚೌಕಟ್ಟು ಇರುತ್ತದೆ. ಕಲಿಕೆಯ ಪ್ರಕ್ರಿಯೆಯ ಸುತ್ತಲೂ ಯಾವಾಗಲೂ ಮಾನವ-ವಿನ್ಯಾಸಗೊಳಿಸಿದ ಪಾತ್ರೆಯಿರುತ್ತದೆ. ಆ ಪಾತ್ರೆಯೊಳಗೆ AI ತನ್ನದೇ ಆದ ಮಾದರಿಗಳನ್ನು ಕಲಿಯಬಹುದು, ಆದರೆ ಪಾತ್ರೆಯು ಸ್ವತಃ ಬಹಳ ಮುಖ್ಯ. ಸದ್ದಿಲ್ಲದೆ, ಅಲ್ಲಿಯೇ ಹೆಚ್ಚಿನ ಮ್ಯಾಜಿಕ್ ಮತ್ತು ಹೆಚ್ಚಿನ ಅಪಾಯವು ವಾಸಿಸುತ್ತದೆ.

2. “AI ಸ್ವಂತವಾಗಿ ಕಲಿಯಬಹುದೇ?” ಎಂಬುದರ ಉತ್ತಮ ವಿವರಣೆ ಏನು? ✅

AI ಸ್ವಂತವಾಗಿ ಕಲಿಯಬಹುದೇ? ಎಂಬುದರ ಉತ್ತಮ ವಿವರಣೆಯು ರಂಗಭೂಮಿಯನ್ನು ಯಂತ್ರಶಾಸ್ತ್ರದಿಂದ ಬೇರ್ಪಡಿಸುವ ಅಗತ್ಯವಿದೆ.

ಒಂದು ಘನ ಉತ್ತರವು ಈ ಅಂಶಗಳನ್ನು ಸ್ಪಷ್ಟಪಡಿಸಬೇಕು:

• ಮಾನವರು ಪ್ರತಿಯೊಂದು ನಿಯಮವನ್ನು ಬರೆಯದೆಯೇ AI ದತ್ತಾಂಶದಿಂದ ಕಲಿಯಬಹುದು

• AI ಸಾಮಾನ್ಯವಾಗಿ ಗುರಿಗಳು, ತರಬೇತಿ ವಿಧಾನಗಳು, ಮಿತಿಗಳು ಮತ್ತು ಮೌಲ್ಯಮಾಪನವನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಲು ಮಾನವರ ಅಗತ್ಯವಿದೆ.

• ಕೆಲವು AI ವ್ಯವಸ್ಥೆಗಳು ಪ್ರತಿಕ್ರಿಯೆ ಕುಣಿಕೆಗಳ ಮೂಲಕ ಸುಧಾರಿಸಬಹುದು.

• "ಕಲಿಕೆ" ಎಂದರೆ ಪ್ರಜ್ಞೆ, ಸ್ವಯಂ ನಿರ್ದೇಶಿತ ವಿಚಾರಣೆ ಅಥವಾ ಮಾನವನಂತಹ ತಿಳುವಳಿಕೆ ಎಂದಲ್ಲ.

• AI ಸ್ವತಂತ್ರವಾಗಿ ಕಾಣಿಸಬಹುದು ಆದರೆ ಅದರ ವಿನ್ಯಾಸದಿಂದ ಹೆಚ್ಚು ರೂಪುಗೊಂಡಿದೆ.

AI ಅನ್ನು ಮುಚ್ಚಿದ ಗ್ರಂಥಾಲಯದಲ್ಲಿರುವ ಅತ್ಯಂತ ಸಮರ್ಥ ವಿದ್ಯಾರ್ಥಿಯಂತೆ ಕಲ್ಪಿಸಿಕೊಳ್ಳಿ 📚. ಇದು ಓದಬಹುದು, ಹೋಲಿಸಬಹುದು, ಊಹಿಸಬಹುದು ಮತ್ತು ಅಭ್ಯಾಸ ಮಾಡಬಹುದು. ಇದು ಸಂಪರ್ಕಗಳೊಂದಿಗೆ ನಿಮ್ಮನ್ನು ಆಶ್ಚರ್ಯಗೊಳಿಸಬಹುದು. ಆದರೆ ಯಾರೋ ಒಬ್ಬರು ಗ್ರಂಥಾಲಯವನ್ನು ನಿರ್ಮಿಸಿದರು, ಪುಸ್ತಕಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡಿದರು, ಬಾಗಿಲುಗಳನ್ನು ಲಾಕ್ ಮಾಡಿದರು, ಪರೀಕ್ಷೆಯನ್ನು ನಿಗದಿಪಡಿಸಿದರು ಮತ್ತು ಉತ್ತಮ ಉತ್ತರವಾಗಿ ಏನು ಪರಿಗಣಿಸುತ್ತಾರೆ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಿದರು.

ಇದು ಪರಿಪೂರ್ಣ ರೂಪಕವಲ್ಲ - ಇದು ಸ್ವಲ್ಪ ಅಲುಗಾಡುತ್ತದೆ - ಆದರೆ ಅದು ಸರಿಯಾದ ಕೋಣೆಯಲ್ಲಿ ಪೀಠೋಪಕರಣಗಳನ್ನು ಪಡೆಯುತ್ತದೆ.

3. ಹೋಲಿಕೆ ಕೋಷ್ಟಕ: AI ಕಲಿಕೆಯ ವಿಧಗಳು 🧩

ದೊಡ್ಡ ತೀರ್ಮಾನ: AI ಹಲವು ವಿಧಗಳಲ್ಲಿ ಕಲಿಯಬಹುದು, ಆದರೆ "ಸ್ವತಃ" ಎಂದರೆ ಸಾಮಾನ್ಯವಾಗಿ ಕಡಿಮೆ ನೇರ ಸೂಚನೆ, ಶೂನ್ಯ ಮಾನವ ಪ್ರಭಾವವಲ್ಲ.

4. ಸ್ಪಷ್ಟವಾಗಿ ಪ್ರೋಗ್ರಾಮ್ ಮಾಡದೆಯೇ ಡೇಟಾದಿಂದ AI ಹೇಗೆ ಕಲಿಯುತ್ತದೆ 📊

ಹೆಚ್ಚಿನ AI ಕಲಿಕೆಯ ಹೃದಯಭಾಗದಲ್ಲಿ ಮಾದರಿ ಗುರುತಿಸುವಿಕೆ.

AI ಸಾವಿರಾರು ಅಥವಾ ಲಕ್ಷಾಂತರ ಉದಾಹರಣೆಗಳನ್ನು ತೋರಿಸುವುದನ್ನು ಕಲ್ಪಿಸಿಕೊಳ್ಳಿ. ಬೆಕ್ಕುಗಳನ್ನು ಗುರುತಿಸಲು ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಯು ಮಾನವ-ಲಿಖಿತ ನಿಯಮದೊಂದಿಗೆ ಪ್ರಾರಂಭವಾಗುವುದಿಲ್ಲ: "ಬೆಕ್ಕಿಗೆ ಮೀಸೆ, ತ್ರಿಕೋನ ಕಿವಿಗಳು, ನಾಟಕೀಯ ಭಾವನಾತ್ಮಕ ಗಡಿಗಳಿವೆ ಮತ್ತು ಟೇಬಲ್‌ಗಳಿಂದ ಕಪ್‌ಗಳನ್ನು ಉರುಳಿಸಬಹುದು." 🐈

ಬದಲಾಗಿ, ಈ ವ್ಯವಸ್ಥೆಯು ಅನೇಕ ಚಿತ್ರಗಳನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ಯಾವ ಚಿತ್ರಗಳು ಬೆಕ್ಕುಗಳನ್ನು ಒಳಗೊಂಡಿವೆ ಎಂಬುದನ್ನು ಊಹಿಸುವಲ್ಲಿ ಉತ್ತಮವಾಗುವವರೆಗೆ ಆಂತರಿಕ ನಿಯತಾಂಕಗಳನ್ನು ಸರಿಹೊಂದಿಸುತ್ತದೆ. ನೀವು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ರೀತಿಯಲ್ಲಿ ಅದು ಬೆಕ್ಕುಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದಿಲ್ಲ. ಆಸ್ತಿ ಹಾನಿ ಮಾಡುವ ಪ್ರತಿಭೆಯನ್ನು ಹೊಂದಿರುವ ಸಣ್ಣ ವೆಲ್ವೆಟ್ ದಬ್ಬಾಳಿಕೆಗಾರರು ಬೆಕ್ಕುಗಳು ಎಂದು ಅದಕ್ಕೆ ತಿಳಿದಿಲ್ಲ. ಇದು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಮಾದರಿಗಳನ್ನು ಕಲಿಯುತ್ತದೆ.

ಅದು ಮುಖ್ಯ: AI ಕಲಿಕೆಯು ಸಾಮಾನ್ಯವಾಗಿ ಗಣಿತದ ಹೊಂದಾಣಿಕೆಯಾಗಿದೆ.

ಈ ವ್ಯವಸ್ಥೆಯು ಭವಿಷ್ಯ ನುಡಿಯುತ್ತದೆ. ಅದು ಆ ಭವಿಷ್ಯ ನುಡಿಯನ್ನು ಗುರಿ ಅಥವಾ ಪ್ರತಿಕ್ರಿಯೆ ಸಂಕೇತಕ್ಕೆ ಹೋಲಿಸುತ್ತದೆ. ನಂತರ ಭವಿಷ್ಯದ ದೋಷಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಅದು ತನ್ನ ಆಂತರಿಕ ಸೆಟ್ಟಿಂಗ್‌ಗಳನ್ನು ನವೀಕರಿಸುತ್ತದೆ. ಆಳವಾದ ಕಲಿಕೆಯಲ್ಲಿ, ಆ ಸೆಟ್ಟಿಂಗ್‌ಗಳು ಅಪಾರ ಸಂಖ್ಯೆಯ ನಿಯತಾಂಕಗಳನ್ನು. ನೀವು ಅವುಗಳನ್ನು ಸಣ್ಣ ಹೊಂದಾಣಿಕೆ ಮಾಡಬಹುದಾದ ಗುಬ್ಬಿಗಳೆಂದು ಭಾವಿಸಬಹುದು, ಆದರೂ ಆ ರೂಪಕವು ಸ್ವಲ್ಪ ವಿಚಿತ್ರವಾಗಿರುತ್ತದೆ ಏಕೆಂದರೆ ಅವುಗಳಲ್ಲಿ ಶತಕೋಟಿ ಇರಬಹುದು, ಮತ್ತು ಯಾರೂ ಅಷ್ಟು ಗುಬ್ಬಿಗಳನ್ನು ಹೊಂದಿರುವ ಟೋಸ್ಟರ್ ಅನ್ನು ಬಯಸುವುದಿಲ್ಲ.

ಇದರಿಂದಾಗಿಯೇ AI ಸ್ವತಂತ್ರವಾಗಿ ಕಲಿಯುತ್ತಿರುವಂತೆ ಭಾಸವಾಗುತ್ತದೆ. ಒಬ್ಬ ಡೆವಲಪರ್ ಪ್ರತಿಯೊಂದು ಮಾದರಿಯನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಹೇಳುವುದಿಲ್ಲ. ತರಬೇತಿಯ ಸಮಯದಲ್ಲಿ ಮಾದರಿಯು ಸಹಾಯಕವಾದ ಸಂಬಂಧಗಳನ್ನು ಕಂಡುಕೊಳ್ಳುತ್ತದೆ.

ಆದರೆ ಕಲಿಕೆಯ ಪ್ರಕ್ರಿಯೆಯು ಇನ್ನೂ ವಿನ್ಯಾಸಗೊಳಿಸಲ್ಪಟ್ಟಿದೆ. ಮಾನವರು ಆಯ್ಕೆ ಮಾಡುತ್ತಾರೆ:

• ಮಾದರಿ ವಾಸ್ತುಶಿಲ್ಪ

• ತರಬೇತಿ ಡೇಟಾ;

• ವಸ್ತುನಿಷ್ಠ ಕಾರ್ಯ

• ಮೌಲ್ಯಮಾಪನ ವಿಧಾನ

• ಸುರಕ್ಷತಾ ಗಡಿಗಳು

• ನಿಯೋಜನೆ ಪರಿಸರ

ಹೌದು, AI ಸ್ಪಷ್ಟವಾಗಿ ಸಾಲು ಸಾಲಾಗಿ ಪ್ರೋಗ್ರಾಮ್ ಮಾಡದೆಯೇ ಮಾದರಿಗಳನ್ನು ಕಲಿಯಬಹುದು. ಆದರೆ ಇಲ್ಲ, ಅದು ಶುದ್ಧ ಸ್ವಯಂ-ಚಾಲಿತ ಬುದ್ಧಿವಂತಿಕೆಯ ಕೊಳದಲ್ಲಿ ಮುಕ್ತವಾಗಿ ತೇಲುತ್ತಿಲ್ಲ.

5. AI ತನ್ನನ್ನು ತಾನೇ ಕಲಿಸಿಕೊಳ್ಳಬಹುದೇ? ಸ್ವಯಂ-ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕೆಯ ವಿವರಣೆ 🧠

ಸ್ವಯಂ-ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕೆಯು ಆಧುನಿಕ AI ಇಷ್ಟೊಂದು ಶಕ್ತಿಶಾಲಿಯಾಗಲು ಒಂದು ಕಾರಣವಾಗಿದೆ.

ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕೆಯಲ್ಲಿ, ಮಾನವರು ಡೇಟಾವನ್ನು ಲೇಬಲ್ ಮಾಡುತ್ತಾರೆ. ಉದಾಹರಣೆಗೆ, ಒಂದು ಚಿತ್ರವನ್ನು "ನಾಯಿ," "ಕಾರು," ಅಥವಾ "ಬಾಳೆಹಣ್ಣು" ಎಂದು ಲೇಬಲ್ ಮಾಡಬಹುದು. ಅದು ಚೆನ್ನಾಗಿ ಕೆಲಸ ಮಾಡುತ್ತದೆ, ಆದರೆ ದೊಡ್ಡ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ಲೇಬಲ್ ಮಾಡುವುದು ನಿಧಾನ ಮತ್ತು ದುಬಾರಿಯಾಗಿದೆ.

ಸ್ವಯಂ-ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕೆ ಹೆಚ್ಚು ಕಲಾತ್ಮಕವಾಗಿದೆ. AI ದತ್ತಾಂಶದಿಂದಲೇ ಕಲಿಕೆಯ ಕಾರ್ಯವನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಒಂದು ಭಾಷಾ ಮಾದರಿಯು ಕಾಣೆಯಾದ ಪದಗಳನ್ನು ಅಥವಾ ಮುಂದಿನ ಪಠ್ಯದ ತುಣುಕನ್ನು ಊಹಿಸುವ. ಒಂದು ಚಿತ್ರ ಮಾದರಿಯು ಚಿತ್ರದ ಕಾಣೆಯಾದ ಭಾಗಗಳನ್ನು ಊಹಿಸುವ ಮೂಲಕ ಅಥವಾ ಒಂದೇ ವಸ್ತುವಿನ ವಿಭಿನ್ನ ವೀಕ್ಷಣೆಗಳನ್ನು ಹೋಲಿಸುವ ಮೂಲಕ ಕಲಿಯಬಹುದು.

ಪ್ರತಿಯೊಂದು ವಿವರವನ್ನು ಯಾರೂ ಲೇಬಲ್ ಮಾಡಬೇಕಾಗಿಲ್ಲ. ದತ್ತಾಂಶವು ತನ್ನದೇ ಆದ ತರಬೇತಿ ಸಂಕೇತವನ್ನು ಒದಗಿಸುತ್ತದೆ.

AI ಸ್ವಂತವಾಗಿ ಕಲಿಯಬಹುದೇ? ಎಂಬ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸಲು ಇದು ಒಂದು ಕಾರಣ . ಸ್ವಯಂ-ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕೆಯಲ್ಲಿ, AI ಕಚ್ಚಾ ಮಾಹಿತಿಯಿಂದ ರಚನೆಯನ್ನು ದೊಡ್ಡ ಪ್ರಮಾಣದಲ್ಲಿ ಹೊರತೆಗೆಯಬಹುದು. ಇದು ವ್ಯಾಕರಣದಂತಹ ಮಾದರಿಗಳು, ದೃಶ್ಯ ಸಂಬಂಧಗಳು, ಶಬ್ದಾರ್ಥದ ಸಂಘಗಳು ಮತ್ತು ಆಶ್ಚರ್ಯಕರ ಅಮೂರ್ತತೆಗಳನ್ನು ಸಹ ಕಲಿಯಬಹುದು.

ಆದರೆ ಮತ್ತೊಮ್ಮೆ - AI ತನ್ನದೇ ಆದ ಉದ್ದೇಶವನ್ನು ಆರಿಸಿಕೊಳ್ಳುತ್ತಿಲ್ಲ. ಅದು "ಇಂದು ನಾನು ವ್ಯಂಗ್ಯವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುತ್ತೇನೆ" ಎಂದು ಯೋಚಿಸುತ್ತಾ ಕುಳಿತಿಲ್ಲ. ಇದು ತರಬೇತಿ ಉದ್ದೇಶವನ್ನು ಅತ್ಯುತ್ತಮವಾಗಿಸುತ್ತದೆ. ಕೆಲವೊಮ್ಮೆ ಅದು ಪ್ರಭಾವಶಾಲಿ ನಡವಳಿಕೆಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ಕೆಲವೊಮ್ಮೆ ಅದು ಆತ್ಮವಿಶ್ವಾಸದ ಕ್ಷೌರದೊಂದಿಗೆ ಅಸಂಬದ್ಧತೆಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ.

ಸ್ವಯಂ-ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕೆಯು ಶಕ್ತಿಯುತವಾಗಿದೆ ಏಕೆಂದರೆ ಪ್ರಪಂಚವು ಲೇಬಲ್ ಮಾಡದ ಡೇಟಾದಿಂದ ತುಂಬಿದೆ. ಪಠ್ಯ, ಚಿತ್ರಗಳು, ಆಡಿಯೋ, ವಿಡಿಯೋ, ಸಂವೇದಕ ದಾಖಲೆಗಳು - ಇವೆಲ್ಲವೂ ಮಾದರಿಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತವೆ. ಪ್ರತಿಯೊಂದು ತುಣುಕನ್ನು ಮಾನವರು ಲೇಬಲ್ ಮಾಡದೆಯೇ AI ಆ ಮಾದರಿಗಳಿಂದ ಕಲಿಯಬಹುದು.

ಅದು ಕಲಿಕೆ, ಹೌದು. ಆದರೆ ಅದು ಉದ್ದೇಶಕ್ಕೆ ಸಮನಲ್ಲ.

6. ಬಲವರ್ಧನೆ ಕಲಿಕೆ: ಪ್ರಯೋಗ ಮತ್ತು ದೋಷದ ಮೂಲಕ AI ಕಲಿಕೆ 🎮

"AI ಸ್ವಂತವಾಗಿ ಕಲಿಯಬಹುದೇ?" ಎಂದು ಅನೇಕ ಜನರು ಊಹಿಸಿಕೊಳ್ಳುವುದಕ್ಕೆ ಬಲವರ್ಧನೆ ಕಲಿಕೆಯು ಬಹುಶಃ ಹತ್ತಿರದಲ್ಲಿದೆ

ಬಲವರ್ಧನೆ ಕಲಿಕೆಯಲ್ಲಿ, ಒಬ್ಬ AI ಏಜೆಂಟ್ ಪರಿಸರದಲ್ಲಿ ಕ್ರಮಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತಾನೆ ಮತ್ತು ಪ್ರತಿಫಲಗಳು ಅಥವಾ ದಂಡಗಳನ್ನು ಪಡೆಯುತ್ತಾನೆ. ಕಾಲಾನಂತರದಲ್ಲಿ, ಯಾವ ಕ್ರಿಯೆಗಳು ಉತ್ತಮ ಫಲಿತಾಂಶಗಳಿಗೆ ಕಾರಣವಾಗುತ್ತವೆ ಎಂಬುದನ್ನು ಅದು ಕಲಿಯುತ್ತದೆ.

ಇದನ್ನು ಹೆಚ್ಚಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ:

• ಆಟವಾಡುವ ವ್ಯವಸ್ಥೆಗಳು

• ರೊಬೊಟಿಕ್ಸ್

• ಸಂಪನ್ಮೂಲ ಆಪ್ಟಿಮೈಸೇಶನ್

• ಶಿಫಾರಸು ತಂತ್ರಗಳು

• ಸಿಮ್ಯುಲೇಟೆಡ್ ತರಬೇತಿ ಪರಿಸರಗಳು

• ಕೆಲವು ರೀತಿಯ ಸ್ವಾಯತ್ತ ಯೋಜನೆಗಳು

ಒಂದು ಸರಳ ಉದಾಹರಣೆ: ಆಟದಲ್ಲಿ ಒಬ್ಬ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI) ವಿಭಿನ್ನ ಚಲನೆಗಳನ್ನು ಪ್ರಯತ್ನಿಸುತ್ತದೆ. ಒಂದು ಚಲನೆಯು ಅದಕ್ಕೆ ಗೆಲ್ಲಲು ಸಹಾಯ ಮಾಡಿದರೆ, ಅದಕ್ಕೆ ಪ್ರತಿಫಲ ಸಿಗುತ್ತದೆ. ಅದು ಸೋತರೆ, ಯಾವುದೇ ಬಿಸ್ಕತ್ತು ಇಲ್ಲ. ಅಂತಿಮವಾಗಿ, ಅದು ಹೆಚ್ಚಿನ ಪ್ರತಿಫಲಗಳನ್ನು ನೀಡುವ ತಂತ್ರಗಳನ್ನು ಕಲಿಯುತ್ತದೆ.

ಕೆಲವು ಸಂದರ್ಭಗಳಲ್ಲಿ ಪ್ರಾಣಿಗಳು ಮತ್ತು ಮನುಷ್ಯರು ಹೇಗೆ ಕಲಿಯುತ್ತಾರೆ ಎಂಬುದನ್ನು ಇದು ಹೋಲುತ್ತದೆ. ಬಿಸಿ ಒಲೆಯನ್ನು ಮುಟ್ಟಿ, ತಕ್ಷಣ ವಿಷಾದಿಸಿ. ಉತ್ತಮ ತಂತ್ರವನ್ನು ಪ್ರಯತ್ನಿಸಿ, ಉತ್ತಮ ಫಲಿತಾಂಶವನ್ನು ಪಡೆಯಿರಿ. ವಿಶ್ವವು ಕಟ್ಟುನಿಟ್ಟಿನ ಬೋಧಕ.

ಆದರೆ ಬಲವರ್ಧನೆಯ ಕಲಿಕೆಯು ಜಟಿಲ ಸಮಸ್ಯೆಗಳನ್ನು ಸಹ ಹೊಂದಿದೆ. ಪ್ರತಿಫಲವನ್ನು ಕಳಪೆಯಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಿದ್ದರೆ, AI ಅನಗತ್ಯ ಶಾರ್ಟ್‌ಕಟ್‌ಗಳನ್ನು ಕಲಿಯಬಹುದು. ಇದನ್ನು ಪ್ರತಿಫಲ ಹ್ಯಾಕಿಂಗ್. ಮೂಲತಃ, ವ್ಯವಸ್ಥೆಯು ಮಾನವರು ಉದ್ದೇಶಿಸಿದ್ದಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿ ಅಂಕಗಳನ್ನು ಗಳಿಸುವ ಮಾರ್ಗವನ್ನು ಕಂಡುಕೊಳ್ಳುತ್ತದೆ.

ಉದಾಹರಣೆಗೆ, ನೀವು ಸ್ವಚ್ಛಗೊಳಿಸುವ ರೋಬೋಟ್‌ಗೆ ಗೋಚರಿಸುವ ಕೊಳೆಯನ್ನು ಸಂಗ್ರಹಿಸಿದ್ದಕ್ಕಾಗಿ ಮಾತ್ರ ಬಹುಮಾನ ನೀಡಿದರೆ, ಅದು ಕಂಬಳಿಯ ಕೆಳಗೆ ಕೊಳೆಯನ್ನು ಮರೆಮಾಡಲು ಕಲಿಯಬಹುದು. ಅದು ಸೋಮಾರಿ ರೂಮ್‌ಮೇಟ್‌ನಂತೆ ತೋರುತ್ತದೆ, ಆದರೆ ಇದು ಹೆಚ್ಚು ನಿಖರವಾಗಿ ವಸ್ತುನಿಷ್ಠ ವಿನ್ಯಾಸದ ಪಾಠವಾಗಿದೆ. 🧹

ಆದ್ದರಿಂದ ಬಲವರ್ಧನೆಯ ಕಲಿಕೆಯು ಅನುಭವದ ಮೂಲಕ AI ಅನ್ನು ಸುಧಾರಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ, ಆದರೆ ಅದಕ್ಕೆ ಇನ್ನೂ ಎಚ್ಚರಿಕೆಯಿಂದ ವಿನ್ಯಾಸಗೊಳಿಸಲಾದ ಗುರಿಗಳು, ನಿರ್ಬಂಧಗಳು ಮತ್ತು ಮೇಲ್ವಿಚಾರಣೆಯ ಅಗತ್ಯವಿದೆ.

7. ಬಿಡುಗಡೆಯಾದ ನಂತರವೂ AI ಕಲಿಯುವುದನ್ನು ಮುಂದುವರಿಸಬಹುದೇ? 🔄

ವಿಷಯಗಳು ಆಸಕ್ತಿದಾಯಕವಾಗುವುದು ಇಲ್ಲಿಯೇ - ಮತ್ತು ಆಗಾಗ್ಗೆ ತಪ್ಪಾಗಿ ಅರ್ಥೈಸಿಕೊಳ್ಳುವುದು.

ಅನೇಕ AI ವ್ಯವಸ್ಥೆಗಳು ಕಲಿಯುವುದಿಲ್ಲ . ಜನರು ಸಾಮಾನ್ಯವಾಗಿ ಚಾಟ್‌ಬಾಟ್ ಅನ್ನು ಸರಿಪಡಿಸಿದರೆ, ಅದು ಎಲ್ಲರಿಗೂ ತಕ್ಷಣವೇ ಸ್ಮಾರ್ಟ್ ಆಗುತ್ತದೆ ಎಂದು ಭಾವಿಸುತ್ತಾರೆ. ಸಾಮಾನ್ಯವಾಗಿ, ಅದು ಹಾಗೆ ಕೆಲಸ ಮಾಡುವುದಿಲ್ಲ.

ಇದಕ್ಕೆ ಒಳ್ಳೆಯ ಕಾರಣಗಳಿವೆ.

ಒಂದು AI ವ್ಯವಸ್ಥೆಯು ಬಳಕೆದಾರರ ನೇರ ಇನ್‌ಪುಟ್‌ನಿಂದ ನಿರಂತರವಾಗಿ ತನ್ನನ್ನು ತಾನು ನವೀಕರಿಸಿಕೊಳ್ಳುತ್ತಿದ್ದರೆ, ಅದು ಕೆಟ್ಟ ಮಾಹಿತಿ, ಖಾಸಗಿ ಮಾಹಿತಿ, ದುರುದ್ದೇಶಪೂರಿತ ಮಾದರಿಗಳು ಅಥವಾ ಕೇವಲ ಅಸಂಬದ್ಧತೆಯನ್ನು ಕಲಿಯಬಹುದು. ಇಂಟರ್ನೆಟ್ ನಿಖರವಾಗಿ ಸ್ವಚ್ಛವಾದ ಅಡುಗೆಮನೆಯಲ್ಲ. ಇದು ಗುಡುಗು ಸಹಿತ ಮಳೆಯ ಸಮಯದಲ್ಲಿ ಗ್ಯಾರೇಜ್ ಮಾರಾಟದಂತಿದೆ.

ಕೆಲವು ವ್ಯವಸ್ಥೆಗಳು ಆನ್‌ಲೈನ್ ಕಲಿಕೆಯ ರೂಪಗಳನ್ನು ಬಳಸುತ್ತವೆ , ಅಲ್ಲಿ ಅವು ಹೊಸ ಡೇಟಾ ಬಂದಾಗ ನವೀಕರಿಸುತ್ತವೆ. ಇದು ಈ ರೀತಿಯ ವಿಷಯಗಳಿಗೆ ಸಹಾಯ ಮಾಡಬಹುದು:

• ವಂಚನೆಯ ಮಾದರಿಗಳನ್ನು ಪತ್ತೆಹಚ್ಚುವುದು

• ಶಿಫಾರಸುಗಳನ್ನು ವೈಯಕ್ತೀಕರಿಸುವುದು

• ಜಾಹೀರಾತು ಗುರಿಯನ್ನು ಹೊಂದಿಸುವುದು

• ನೆಟ್‌ವರ್ಕ್ ನಡವಳಿಕೆಯನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಲಾಗುತ್ತಿದೆ

• ಹುಡುಕಾಟದ ಪ್ರಸ್ತುತತೆಯನ್ನು ಸುಧಾರಿಸುವುದು

• ಮುನ್ಸೂಚಕ ನಿರ್ವಹಣಾ ವ್ಯವಸ್ಥೆಗಳನ್ನು ನವೀಕರಿಸುವುದು

ಆದರೆ ದೊಡ್ಡ ಸಾಮಾನ್ಯ-ಉದ್ದೇಶದ AI ಮಾದರಿಗಳಿಗೆ, ನವೀಕರಣಗಳನ್ನು ಭವಿಷ್ಯದ ಆವೃತ್ತಿಗಳಿಗೆ ಸೇರಿಸುವ ಮೊದಲು ನಿಯಂತ್ರಿಸಲಾಗುತ್ತದೆ, ಪರಿಶೀಲಿಸಲಾಗುತ್ತದೆ, ಫಿಲ್ಟರ್ ಮಾಡಲಾಗುತ್ತದೆ ಮತ್ತು ಪರೀಕ್ಷಿಸಲಾಗುತ್ತದೆ. ಇದು ಹಾನಿಕಾರಕ ಡ್ರಿಫ್ಟ್.

ಹೌದು, ಕೆಲವು ಸಂದರ್ಭಗಳಲ್ಲಿ ಬಿಡುಗಡೆಯ ನಂತರವೂ AI ಕಲಿಕೆಯನ್ನು ಮುಂದುವರಿಸಬಹುದು. ಆದರೆ ಅನೇಕ ವ್ಯವಸ್ಥೆಗಳು ನೈಜ ಸಮಯದಲ್ಲಿ ತಮ್ಮನ್ನು ಮುಕ್ತವಾಗಿ ಪುನಃ ಬರೆಯದಂತೆ ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ತಡೆಯುತ್ತವೆ.

ಮತ್ತು ಅದು ಬಹುಶಃ ಒಳ್ಳೆಯದಕ್ಕಾಗಿಯೇ. ಪ್ರತಿಯೊಂದು ಕಾಮೆಂಟ್ ವಿಭಾಗದಿಂದ ನೇರವಾಗಿ ಕಲಿಯುವ ಮಾಡೆಲ್ ಊಟದ ಸಮಯದ ಹೊತ್ತಿಗೆ ಕೀಬೋರ್ಡ್ ಹೊಂದಿರುವ ರಕೂನ್ ಆಗುತ್ತಾನೆ. 🦝

8. ಕಲಿಕೆ ಮತ್ತು ತಿಳುವಳಿಕೆಯ ನಡುವಿನ ವ್ಯತ್ಯಾಸ 🌱

ಜನರು ಸಾಮಾನ್ಯವಾಗಿ ಜೋರಾಗಿ ವಾದಿಸುವ ಭಾಗ ಇದು.

AI ಮಾದರಿಗಳನ್ನು ಕಲಿಯಬಹುದು. ಇದು ಸಾಮಾನ್ಯೀಕರಿಸಬಹುದು. ಇದು ಸಹಾಯಕವಾದ ಉತ್ತರಗಳನ್ನು ನೀಡಬಹುದು. ಇದು ತಾರ್ಕಿಕತೆಯ ಅಗತ್ಯವಿರುವ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಬಹುದು. ಇದು ಸಂಕ್ಷೇಪಿಸಬಹುದು, ಅನುವಾದಿಸಬಹುದು, ವರ್ಗೀಕರಿಸಬಹುದು, ಉತ್ಪಾದಿಸಬಹುದು, ಶಿಫಾರಸು ಮಾಡಬಹುದು, ಪತ್ತೆಹಚ್ಚಬಹುದು ಮತ್ತು ಅತ್ಯುತ್ತಮವಾಗಿಸಬಹುದು.

ಆದರೆ ಅದು ಅರ್ಥವಾಯಿತು ಎಂದರ್ಥವೇ?

"ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ" ಎಂದು ನೀವು ಏನು ಹೇಳುತ್ತೀರಿ ಎಂಬುದರ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ

ಮನುಷ್ಯರಂತೆ AI ಜಗತ್ತನ್ನು ಅನುಭವಿಸುವುದಿಲ್ಲ. ಅದಕ್ಕೆ ಹಸಿವು, ಮುಜುಗರ, ಬಾಲ್ಯದ ನೆನಪುಗಳು ಅಥವಾ ನಿಮ್ಮ ಫೋನ್ ಬ್ಯಾಟರಿ ಒಂದು ಪ್ರತಿಶತಕ್ಕೆ ಇಳಿದಾಗ ಉಂಟಾಗುವ ಸಣ್ಣ ಭಾವನಾತ್ಮಕ ಕುಸಿತ ಇರುವುದಿಲ್ಲ. ಅದಕ್ಕೆ ಬದುಕುವ ಮೂಲಕ ವಿಷಯಗಳನ್ನು ತಿಳಿಯುವುದಿಲ್ಲ.

ಬದಲಾಗಿ, AI ಮಾದರಿಗಳು ಪ್ರಾತಿನಿಧ್ಯಗಳನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುತ್ತವೆ. ಅವು ಇನ್‌ಪುಟ್‌ಗಳು ಮತ್ತು ಔಟ್‌ಪುಟ್‌ಗಳ ನಡುವಿನ ಸಂಬಂಧಗಳನ್ನು ಕಲಿಯುತ್ತವೆ. ಉದಾಹರಣೆಗೆ, ಭಾಷಾ ಮಾದರಿಯು ಪಠ್ಯದಲ್ಲಿನ ಮಾದರಿಗಳನ್ನು ಮತ್ತು ಆ ಮಾದರಿಗಳೊಂದಿಗೆ ಹೊಂದಿಕೆಯಾಗುವ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಉತ್ಪಾದಿಸಬಹುದು. ಫಲಿತಾಂಶವು ಅರ್ಥಪೂರ್ಣವೆಂದು ಭಾವಿಸಬಹುದು. ಕೆಲವೊಮ್ಮೆ ಇದು ಪ್ರಾಯೋಗಿಕ ಅರ್ಥದಲ್ಲಿ ಅರ್ಥಪೂರ್ಣವಾಗಿರುತ್ತದೆ. ಆದರೆ ಅರ್ಥವು ಮಾನವ ಪ್ರಜ್ಞೆಯಲ್ಲಿ ನೆಲೆಗೊಂಡಿಲ್ಲ.

ಆ ವ್ಯತ್ಯಾಸ ಮುಖ್ಯ.

ನೀರು ತೇವವಾಗಿದೆ ಎಂದು AI ಹೇಳಿದಾಗ, ಅದು ತನ್ನ ಚರ್ಮದ ಮೇಲೆ ಮಳೆಯನ್ನು ನೆನಪಿಸಿಕೊಳ್ಳುತ್ತಿಲ್ಲ. ಅದು ಕಲಿತ ಸಂಘಗಳು ಮತ್ತು ಸಂದರ್ಭದ ಆಧಾರದ ಮೇಲೆ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಉಂಟುಮಾಡುತ್ತಿದೆ. ಅದು ಇನ್ನೂ ಸಹಾಯಕವಾಗಬಹುದು. ಅದು ಜೀವಂತವಾಗಿಲ್ಲ. ಬಹುಶಃ ಇಲ್ಲ. ನನ್ನ ಪ್ರಕಾರ, ತತ್ವಶಾಸ್ತ್ರವನ್ನು ಇಲ್ಲಿ ಕೇಕ್ ಹತ್ತಿರ ಕುಳಿತುಕೊಳ್ಳಲು ಆಹ್ವಾನಿಸಬಾರದು, ಇಲ್ಲದಿದ್ದರೆ ನಾವು ಎಂದಿಗೂ ಬಿಡುವುದಿಲ್ಲ.

AI ಕಲಿಕೆಯು ಮಾನವ ಕಲಿಕೆಯಂತೆಯೇ ಅಲ್ಲ. ಮಾನವ ಕಲಿಕೆಯು ಭಾವನೆ, ಸಾಕಾರ, ಸಾಮಾಜಿಕ ಸಂದರ್ಭ, ಸ್ಮರಣೆ, ​​ಪ್ರೇರಣೆ ಮತ್ತು ಬದುಕುಳಿಯುವಿಕೆಯನ್ನು ಒಳಗೊಂಡಿದೆ. AI ಕಲಿಕೆಯು ಹೆಚ್ಚಾಗಿ ಡೇಟಾದ ಮೇಲೆ ಅತ್ಯುತ್ತಮೀಕರಣವಾಗಿದೆ.

ಇನ್ನೂ ಪ್ರಭಾವಶಾಲಿಯಾಗಿದೆ. ವಿಭಿನ್ನವಾಗಿದೆ.

9. AI ಕೆಲವೊಮ್ಮೆ ಇರುವುದಕ್ಕಿಂತ ಹೆಚ್ಚು ಸ್ವತಂತ್ರವಾಗಿ ಕಾಣಲು ಕಾರಣವೇನು 🎭

AI ವ್ಯವಸ್ಥೆಗಳು ನೇರವಾಗಿ ಸ್ಕ್ರಿಪ್ಟ್ ಮಾಡದ ಔಟ್‌ಪುಟ್‌ಗಳನ್ನು ಉತ್ಪಾದಿಸಬಲ್ಲವು, ಆದ್ದರಿಂದ ಅವು ಸ್ವಾಯತ್ತವಾಗಿ ಕಾಣಿಸಬಹುದು.

ಅದು ದೊಡ್ಡ ವಿಷಯ.

ಒಂದು ಚಾಟ್‌ಬಾಟ್, ನಿರ್ದಿಷ್ಟವಾಗಿ ಪ್ರೋಗ್ರಾಮ್ ಮಾಡದ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸಬಹುದು. ಒಂದು ಇಮೇಜ್ ಮಾದರಿಯು ಯಾವುದೇ ಮಾನವ ನೇರವಾಗಿ ಚಿತ್ರಿಸಿದ ದೃಶ್ಯವನ್ನು ರಚಿಸಬಹುದು. ಯೋಜನಾ ಏಜೆಂಟ್ ಒಂದು ಕಾರ್ಯವನ್ನು ಹಂತಗಳಾಗಿ ವಿಂಗಡಿಸಬಹುದು ಮತ್ತು ಪರಿಕರಗಳನ್ನು ಬಳಸಬಹುದು. ಶಿಫಾರಸು ಮಾದರಿಯು ನಡವಳಿಕೆಯಿಂದ ಆದ್ಯತೆಗಳನ್ನು ನಿರ್ಣಯಿಸಬಹುದು.

ಈ ನಮ್ಯತೆಯು ಸ್ವಾತಂತ್ರ್ಯದ ಅನಿಸಿಕೆಯನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ.

ಆದರೆ ಕೆಳಗೆ, ಮಿತಿಗಳಿವೆ:

• ಮಾದರಿಯು ಏನು ಮಾಡಬಹುದು ಎಂಬುದನ್ನು ತರಬೇತಿ ದತ್ತಾಂಶವು ರೂಪಿಸುತ್ತದೆ.

• ಉದ್ದೇಶವು ಅದು ಏನನ್ನು ಅತ್ಯುತ್ತಮವಾಗಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ರೂಪಿಸುತ್ತದೆ.

• ಸಿಸ್ಟಮ್ ಪ್ರಾಂಪ್ಟ್ ಅಥವಾ ಸೂಚನೆಗಳು ನಡವಳಿಕೆಯನ್ನು ರೂಪಿಸುತ್ತವೆ.

• ಇಂಟರ್ಫೇಸ್ ಲಭ್ಯವಿರುವ ಕ್ರಿಯೆಗಳನ್ನು ಮಿತಿಗೊಳಿಸುತ್ತದೆ.

• ಸುರಕ್ಷತಾ ನಿಯಮಗಳು ಕೆಲವು ಔಟ್‌ಪುಟ್‌ಗಳನ್ನು ನಿರ್ಬಂಧಿಸುತ್ತವೆ.

• ಮಾನವ ಮೌಲ್ಯಮಾಪನವು ಭವಿಷ್ಯದ ಸುಧಾರಣೆಗಳ ಮೇಲೆ ಪ್ರಭಾವ ಬೀರುತ್ತದೆ.

ಹಾಗಾಗಿ AI ಸ್ವತಂತ್ರವಾಗಿ ತಿರುಗಾಡುವ ಮೆದುಳಿನಂತೆ ಭಾಸವಾಗಬಹುದು, ಆದರೆ ಅದು ಹೆಚ್ಚು ಚುರುಕಾದ ಗಾಳಿಪಟದಂತಿದೆ. ಅದು ಎತ್ತರಕ್ಕೆ ಹಾರಬಲ್ಲದು, ಸುತ್ತಲೂ ಹಾರಬಲ್ಲದು ಮತ್ತು ಆಕಾಶದ ವಿರುದ್ಧ ನಾಟಕೀಯವಾಗಿ ಕಾಣಿಸಬಹುದು - ಆದರೆ ಇನ್ನೂ ಎಲ್ಲೋ ಒಂದು ದಾರವಿದೆ. 🪁

ಬಹುಶಃ ಜಟಿಲ ದಾರ ಇರಬಹುದು. ಆದರೆ ದಾರ.

10. ಮಾನವರಿಲ್ಲದೆ AI ಸುಧಾರಿಸಬಹುದೇ? ಆಧಾರವಾಗಿರುವ ಉತ್ತರ 🛠️

ಸಾಂಪ್ರದಾಯಿಕ ಸಾಫ್ಟ್‌ವೇರ್‌ಗಿಂತ ಕಡಿಮೆ ಮಾನವ ಒಳಗೊಳ್ಳುವಿಕೆಯೊಂದಿಗೆ AI ಸುಧಾರಿಸಬಹುದು. ಅದು ನಿಜ.

ಇದು ಮಾಡಬಹುದು:

• ಲೇಬಲ್ ಮಾಡದ ಡೇಟಾದಲ್ಲಿ ಮಾದರಿಗಳನ್ನು ಹುಡುಕಿ

• ಸ್ವಯಂಚಾಲಿತವಾಗಿ ರಚಿಸಲಾದ ಕಾರ್ಯಗಳ ಕುರಿತು ತರಬೇತಿ ನೀಡಿ

• ಸಿಮ್ಯುಲೇಟೆಡ್ ಪರಿಸರಗಳಿಂದ ಕಲಿಯಿರಿ

• ಪ್ರತಿಫಲ ಸಂಕೇತಗಳನ್ನು ಬಳಸಿ

• ಪ್ರತಿಕ್ರಿಯೆಯ ಮೂಲಕ ಉತ್ತಮಗೊಳಿಸಿ

• ಹೊಸ ಡೇಟಾ ಸ್ಟ್ರೀಮ್‌ಗಳಿಗೆ ಹೊಂದಿಕೊಳ್ಳಿ

• ಹೆಚ್ಚಿನ ತರಬೇತಿಗಾಗಿ ಸಂಶ್ಲೇಷಿತ ಉದಾಹರಣೆಗಳನ್ನು ರಚಿಸಿ

ಆದರೆ "ಮನುಷ್ಯರಿಲ್ಲದೆ" ಎಂಬುದು ಕೊನೆಯಿಂದ ಕೊನೆಯವರೆಗೆ ವಿರಳವಾಗಿ ನಿಖರವಾಗಿರುತ್ತದೆ.

ಮಾನವರು ಇನ್ನೂ ವ್ಯವಸ್ಥೆಯ ಉದ್ದೇಶವನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುತ್ತಾರೆ. ಮಾನವರು ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸುತ್ತಾರೆ ಅಥವಾ ಅನುಮೋದಿಸುತ್ತಾರೆ. ಮಾನವರು ಮೂಲಸೌಕರ್ಯವನ್ನು ನಿರ್ಮಿಸುತ್ತಾರೆ. ಮಾನವರು ಯಶಸ್ಸಿನ ಮಾಪನಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡುತ್ತಾರೆ. ಔಟ್‌ಪುಟ್ ಸ್ವೀಕಾರಾರ್ಹವೇ ಎಂದು ಮಾನವರು ನಿರ್ಧರಿಸುತ್ತಾರೆ. ಮಾನವರು ನಿಯೋಜಿಸುತ್ತಾರೆ, ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುತ್ತಾರೆ, ನಿರ್ಬಂಧಿಸುತ್ತಾರೆ ಮತ್ತು ನವೀಕರಿಸುತ್ತಾರೆ.

AI ಇತರ AI ಗಳಿಗೆ ತರಬೇತಿ ನೀಡಲು ಸಹಾಯ ಮಾಡಿದರೂ ಸಹ, ಜನರು ಸಾಮಾನ್ಯವಾಗಿ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಹೊಂದಿಸುತ್ತಾರೆ. ಕೆಲವು ಸ್ಥಳಗಳಲ್ಲಿ ಅದು ತೆಳುವಾಗುತ್ತಿದ್ದರೂ ಸಹ, ಇನ್ನೂ ಮೇಲ್ವಿಚಾರಣೆ ಇರುತ್ತದೆ.

ಉತ್ತಮ ನುಡಿಗಟ್ಟು ಹೀಗಿರಬಹುದು: ಮಾನವ-ವಿನ್ಯಾಸಗೊಳಿಸಿದ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ AI ಅರೆ-ಸ್ವಾಯತ್ತವಾಗಿ ಕಲಿಯಬಹುದು.

"AI ತನ್ನಷ್ಟಕ್ಕೆ ತಾನೇ ಕಲಿಯುತ್ತದೆ" ಎಂಬುದಕ್ಕಿಂತ ಇದು ಕಡಿಮೆ ನಾಟಕೀಯವಾಗಿ ತೋರುತ್ತದೆ, ಆದರೆ ಇದು ಹೆಚ್ಚು ನಿಖರವಾಗಿದೆ. ಕಡಿಮೆ ಚಲನಚಿತ್ರ ಟ್ರೇಲರ್, ಕಾಫಿ ಕಲೆಗಳೊಂದಿಗೆ ಹೆಚ್ಚು ಎಂಜಿನಿಯರಿಂಗ್ ಕೈಪಿಡಿ.

11. ಸ್ವತಂತ್ರವಾಗಿ ಹೆಚ್ಚು ಕಲಿಯಬಹುದಾದ AI ನ ಪ್ರಯೋಜನಗಳು 🚀

ಕಡಿಮೆ ನೇರ ಸೂಚನೆಯೊಂದಿಗೆ ಕಲಿಯುವ AI ಸಾಮರ್ಥ್ಯವು ಅಗಾಧ ಪ್ರಯೋಜನಗಳನ್ನು ಹೊಂದಿದೆ.

ಮೊದಲನೆಯದಾಗಿ, ಇದು AI ಅನ್ನು ಹೆಚ್ಚು ಸ್ಕೇಲೆಬಲ್ ಮಾಡುತ್ತದೆ. ಮಾನವರು ಜಗತ್ತಿನ ಪ್ರತಿಯೊಂದು ವಾಕ್ಯ, ಚಿತ್ರ, ಧ್ವನಿ ಅಥವಾ ನಡವಳಿಕೆಯ ಮಾದರಿಯನ್ನು ಲೇಬಲ್ ಮಾಡಲು ಸಾಧ್ಯವಿಲ್ಲ. ಸ್ವಯಂ-ಮೇಲ್ವಿಚಾರಣೆಯ ಮತ್ತು ಮೇಲ್ವಿಚಾರಣೆಯಿಲ್ಲದ ವಿಧಾನಗಳು ವ್ಯವಸ್ಥೆಗಳು ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ಡೇಟಾದಿಂದ ಕಲಿಯಲು ಅವಕಾಶ ಮಾಡಿಕೊಡುತ್ತವೆ.

ಎರಡನೆಯದಾಗಿ, ಜನರು ತಪ್ಪಿಸಿಕೊಳ್ಳಬಹುದಾದ ಮಾದರಿಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲು ಇದು AI ಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ. ವೈದ್ಯಕೀಯ, ಸೈಬರ್ ಭದ್ರತೆ, ಲಾಜಿಸ್ಟಿಕ್ಸ್, ಹಣಕಾಸು, ಉತ್ಪಾದನೆ ಮತ್ತು ಹವಾಮಾನ ಮಾದರಿಯಲ್ಲಿ, AI ಗದ್ದಲದ ಡೇಟಾದಲ್ಲಿ ಅಡಗಿರುವ ಸೂಕ್ಷ್ಮ ಸಂಕೇತಗಳನ್ನು ಪತ್ತೆ ಮಾಡುತ್ತದೆ. ಮ್ಯಾಜಿಕ್ ಅಲ್ಲ. ಕೇವಲ ನಿರಂತರ ಮಾದರಿ ಗ್ರೈಂಡಿಂಗ್.

ಮೂರನೆಯದಾಗಿ, ಹೊಂದಿಕೊಳ್ಳುವ AI ಬದಲಾಗುತ್ತಿರುವ ಪರಿಸ್ಥಿತಿಗಳಿಗೆ ವೇಗವಾಗಿ ಪ್ರತಿಕ್ರಿಯಿಸಬಹುದು. ವಂಚನೆ ಪತ್ತೆ ಒಂದು ಉತ್ತಮ ಉದಾಹರಣೆಯಾಗಿದೆ. ದಾಳಿಕೋರರು ನಿರಂತರವಾಗಿ ತಂತ್ರಗಳನ್ನು ಬದಲಾಯಿಸುತ್ತಾರೆ. ಹೊಂದಿಕೊಳ್ಳುವ ವ್ಯವಸ್ಥೆಯು ಸ್ಥಳದಲ್ಲಿ ಹೆಪ್ಪುಗಟ್ಟಿದ ವ್ಯವಸ್ಥೆಗಿಂತ ಹೆಚ್ಚು ಸಹಾಯಕವಾಗಿರುತ್ತದೆ.

ನಾಲ್ಕನೆಯದಾಗಿ, AI ಕಲಿಕೆಯು ಪುನರಾವರ್ತಿತ ಹಸ್ತಚಾಲಿತ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಅನ್ನು ಕಡಿಮೆ ಮಾಡಬಹುದು. ಅಂತ್ಯವಿಲ್ಲದ ನಿಯಮಗಳನ್ನು ಬರೆಯುವ ಬದಲು, ತಂಡಗಳು ಮಾದರಿಗಳನ್ನು ಊಹಿಸಲು ಮಾದರಿಗಳಿಗೆ ತರಬೇತಿ ನೀಡಬಹುದು. ಇದು ಯಾವಾಗಲೂ ಸುಲಭವಲ್ಲ, ಅಂದಹಾಗೆ. ಕೆಲವೊಮ್ಮೆ ಇದು ಒಂದು ತಲೆನೋವನ್ನು ಹೆಚ್ಚು ಆಕರ್ಷಕ ತಲೆನೋವಿನಿಂದ ಬದಲಾಯಿಸಿದಂತಾಗುತ್ತದೆ. ಆದರೆ ಅದು ಶಕ್ತಿಯುತವಾಗಿರಬಹುದು.

ಪ್ರಯೋಜನಗಳು ಸೇರಿವೆ:

• ವೇಗವಾದ ಮಾದರಿ ಅನ್ವೇಷಣೆ

• ಉತ್ತಮ ವೈಯಕ್ತೀಕರಣ

• ಕೆಳ ಹಸ್ತಚಾಲಿತ ನಿಯಮ ಬರವಣಿಗೆ

• ಸುಧಾರಿತ ಯಾಂತ್ರೀಕರಣ

• ಹೆಚ್ಚು ಹೊಂದಿಕೊಳ್ಳುವ ನಿರ್ಧಾರ ವ್ಯವಸ್ಥೆಗಳು

• ಸಂಕೀರ್ಣ ಪರಿಸರದಲ್ಲಿಯೂ ಬಲವಾದ ಕಾರ್ಯಕ್ಷಮತೆ

ಇದರ ಉತ್ತಮ ಆವೃತ್ತಿಯೆಂದರೆ ದಣಿವರಿಯದ ಸಹಾಯಕನಾಗಿ AI. ಕೆಟ್ಟ ಆವೃತ್ತಿಯೆಂದರೆ AI ತಪ್ಪು ವಿಷಯವನ್ನು ಪ್ರಮಾಣದಲ್ಲಿ ಅತ್ಯುತ್ತಮವಾಗಿಸುವುದು. ಟೂಲ್‌ಬಾಕ್ಸ್‌ನಲ್ಲಿ ಸಣ್ಣ ಗ್ರೆಮ್ಲಿನ್ ಇದೆ.

12. AI ಕಲಿಕೆಯ ಅಪಾಯಗಳು ಸ್ವಂತವಾಗಿ ⚠️

ಅಪಾಯಗಳು ನಿಜ.

AI ವ್ಯವಸ್ಥೆಗಳು ದತ್ತಾಂಶದಿಂದ ಕಲಿಯುವಾಗ, ಅವು ಪಕ್ಷಪಾತ, ತಪ್ಪು ಮಾಹಿತಿ ಮತ್ತು ಹಾನಿಕಾರಕ ಮಾದರಿಗಳನ್ನು ಹೀರಿಕೊಳ್ಳಬಹುದು. ದತ್ತಾಂಶವು ಅನ್ಯಾಯವನ್ನು ಪ್ರತಿಬಿಂಬಿಸಿದರೆ, ಮಾದರಿಯು ಆ ಅನ್ಯಾಯವನ್ನು ಪುನರುತ್ಪಾದಿಸಬಹುದು ಅಥವಾ ವರ್ಧಿಸಬಹುದು.

ಪ್ರತಿಕ್ರಿಯೆ ಸಂಕೇತವು ದುರ್ಬಲವಾಗಿದ್ದರೆ ಅಥವಾ ಕಳಪೆಯಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಿದ್ದರೆ, AI ಶಾರ್ಟ್‌ಕಟ್‌ಗಳನ್ನು ಕಲಿಯಬಹುದು. ಸಾಕಷ್ಟು ಮೇಲ್ವಿಚಾರಣೆಯಿಲ್ಲದೆ ಅದನ್ನು ಹೊಂದಿಕೊಳ್ಳಲು ಅನುಮತಿಸಿದರೆ, ಅದು ಉದ್ದೇಶಿತ ನಡವಳಿಕೆಯಿಂದ ದೂರ ಸರಿಯಬಹುದು.

ಪ್ರಮುಖ ಅಪಾಯಗಳು ಸೇರಿವೆ:

• ಪಕ್ಷಪಾತ ಮತ್ತು ತಾರತಮ್ಯ

• ಗೌಪ್ಯತೆ ಸೋರಿಕೆ

• ರಿವಾರ್ಡ್ ಹ್ಯಾಕಿಂಗ್

• ಮಾದರಿ ಡ್ರಿಫ್ಟ್

• ಅತಿಯಾದ ಆತ್ಮವಿಶ್ವಾಸ

• ಅಸುರಕ್ಷಿತ ಯಾಂತ್ರೀಕರಣ

• ಕಡಿಮೆ ಗುಣಮಟ್ಟದ ಡೇಟಾದ ಮೇಲಿನ ಅವಲಂಬನೆ

• ವಿವರಿಸಲು ಕಷ್ಟಕರವಾದ ನಿರ್ಧಾರಗಳು

ಪ್ರಮಾಣದ ಸಮಸ್ಯೆಯೂ ಇದೆ. ಮಾನವ ತಪ್ಪು ಕೆಲವು ಜನರ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರಬಹುದು. ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುವ ವ್ಯವಸ್ಥೆಯೊಳಗಿನ AI ತಪ್ಪು ಲಕ್ಷಾಂತರ ಜನರ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರಬಹುದು. ಅದು ಭಯಭೀತರಾಗಲು ಒಂದು ಕಾರಣವಲ್ಲ, ಆದರೆ ಪ್ರತಿ ಪಾಲಿಶ್ ಮಾಡಿದ ಡೆಮೊವನ್ನು ಪವಾಡ ಟೋಸ್ಟರ್‌ನಂತೆ ಪರಿಗಣಿಸದೆ ನಿಧಾನಗೊಳಿಸಲು ಒಂದು ಕಾರಣವಾಗಿದೆ.

AI ಕಲಿಕೆಗೆ ರಕ್ಷಣಾತ್ಮಕ ತಡೆಗೋಡೆಗಳು ಬೇಕಾಗುತ್ತವೆ. ಬಲವಾದ ಮೌಲ್ಯಮಾಪನ. ಮಾನವ ವಿಮರ್ಶೆ. ಸ್ಪಷ್ಟ ಮಿತಿಗಳು. ಉತ್ತಮ ಡೇಟಾ ಅಭ್ಯಾಸಗಳು. ಪಾರದರ್ಶಕ ಮೇಲ್ವಿಚಾರಣೆ. ಆಕರ್ಷಕವಲ್ಲ, ಆದರೆ ಅಗತ್ಯ.

13. ಹಾಗಾದರೆ, AI ಸ್ವಂತವಾಗಿ ಕಲಿಯಬಹುದೇ? ಸಮತೋಲಿತ ಉತ್ತರ ⚖️

ಇಲ್ಲಿದೆ ಅತ್ಯಂತ ಸ್ವಚ್ಛವಾದ ಉತ್ತರ:

ಹೌದು, AI ಸೀಮಿತ, ತಾಂತ್ರಿಕ ವಿಧಾನಗಳಲ್ಲಿ ಸ್ವಂತವಾಗಿ ಕಲಿಯಬಹುದು. ಇಲ್ಲ, AI ಮನುಷ್ಯನಂತೆ ಸ್ವಂತವಾಗಿ ಕಲಿಯುವುದಿಲ್ಲ.

AI ಮಾದರಿಗಳನ್ನು ಕಂಡುಹಿಡಿಯಬಹುದು, ಅದರ ಆಂತರಿಕ ಸೆಟ್ಟಿಂಗ್‌ಗಳನ್ನು ಸರಿಹೊಂದಿಸಬಹುದು, ಪ್ರತಿಕ್ರಿಯೆಯ ಮೂಲಕ ಸುಧಾರಿಸಬಹುದು ಮತ್ತು ಕೆಲವೊಮ್ಮೆ ಹೊಸ ಪರಿಸರಕ್ಕೆ ಹೊಂದಿಕೊಳ್ಳಬಹುದು. ಪ್ರತಿ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಒಬ್ಬ ವ್ಯಕ್ತಿಯು ಹಸ್ತಚಾಲಿತವಾಗಿ ಪ್ರೋಗ್ರಾಮ್ ಮಾಡದೆಯೇ ಇದು ಇದನ್ನು ಮಾಡಬಹುದು.

ಆದರೆ AI ಇನ್ನೂ ಮಾನವ-ವಿನ್ಯಾಸಗೊಳಿಸಿದ ಗುರಿಗಳು, ತರಬೇತಿ ದತ್ತಾಂಶ, ಕ್ರಮಾವಳಿಗಳು, ಮೂಲಸೌಕರ್ಯ ಮತ್ತು ಮೌಲ್ಯಮಾಪನವನ್ನು ಅವಲಂಬಿಸಿದೆ. ಇದು ಮಾನವ ಅರ್ಥದಲ್ಲಿ ಸ್ವಯಂ-ನಿರ್ದೇಶಿತ ವಿಚಾರಣೆಯನ್ನು ಹೊಂದಿಲ್ಲ. ಅದು ಏನು ಮುಖ್ಯ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುವುದಿಲ್ಲ. ಜನರು ಮಾಡುವ ರೀತಿಯಲ್ಲಿ ಪರಿಣಾಮಗಳನ್ನು ಅದು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದಿಲ್ಲ.

ಹಾಗಾದರೆ ಯಾರಾದರೂ "AI ಸ್ವಂತವಾಗಿ ಕಲಿಯಬಹುದೇ?" ಎಂದು ಕೇಳಿದಾಗ , ಉತ್ತಮ ಉತ್ತರವೆಂದರೆ: AI ಸ್ವತಂತ್ರವಾಗಿ ಗಡಿಗಳ ಒಳಗೆ ಕಲಿಯಬಹುದು, ಆದರೆ ಗಡಿಗಳೇ ಎಲ್ಲವೂ.

ಜನರು ತಪ್ಪಿಸಿಕೊಳ್ಳುವ ಭಾಗ ಅದು. AI ಸಹಾಯಕವಾಗುತ್ತದೆಯೇ, ವಿಚಿತ್ರವಾಗುತ್ತದೆಯೇ, ಪಕ್ಷಪಾತಿಯಾಗಿರುತ್ತದೆಯೇ, ಶಕ್ತಿಶಾಲಿಯಾಗುತ್ತದೆಯೇ, ಅಪಾಯಕಾರಿಯಾಗುತ್ತದೆಯೇ ಅಥವಾ ಸ್ಪಾಗೆಟ್ಟಿ ಭೌತಶಾಸ್ತ್ರದ ಬಗ್ಗೆ ಖಚಿತವಾಗಿ ತಪ್ಪಾಗುತ್ತದೆಯೇ ಎಂಬುದನ್ನು ಗಡಿಗಳು ನಿರ್ಧರಿಸುತ್ತವೆ. 🍝

14. ಮುಕ್ತಾಯದ ಚಿಂತನೆ: AI ಕಲಿಕೆ ಶಕ್ತಿಶಾಲಿಯಾಗಿದೆ, ಆದರೆ ಮಾಂತ್ರಿಕವಲ್ಲ ✨

ಆಧುನಿಕ ತಂತ್ರಜ್ಞಾನದಲ್ಲಿ AI ಕಲಿಕೆಯು ಅತ್ಯಂತ ಪ್ರಮುಖವಾದ ವಿಚಾರಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ಇದು ಸಾಫ್ಟ್‌ವೇರ್ ಅನ್ನು ಹೇಗೆ ನಿರ್ಮಿಸಲಾಗುತ್ತದೆ, ಯಾಂತ್ರೀಕೃತಗೊಂಡ ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು ಜನರು ಯಂತ್ರಗಳೊಂದಿಗೆ ಹೇಗೆ ಸಂವಹನ ನಡೆಸುತ್ತಾರೆ ಎಂಬುದನ್ನು ಬದಲಾಯಿಸುತ್ತದೆ.

ಆದರೆ ಅದು ಸ್ಪಷ್ಟ ದೃಷ್ಟಿಯನ್ನು ಕಾಪಾಡಿಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.

AI ದತ್ತಾಂಶದಿಂದ ಕಲಿಯಬಹುದು. ಅದು ಪ್ರತಿಕ್ರಿಯೆಯಿಂದ ಸುಧಾರಿಸಬಹುದು. ಅದು ಮಾನವರು ಸ್ಪಷ್ಟವಾಗಿ ಕಲಿಸದ ಮಾದರಿಗಳನ್ನು ಕಂಡುಹಿಡಿಯಬಹುದು. ಅದು ನಿಯಂತ್ರಿತ ಸೆಟ್ಟಿಂಗ್‌ಗಳಲ್ಲಿ ಹೊಂದಿಕೊಳ್ಳಬಹುದು. ಅದು ನಿಜವಾಗಿಯೂ ಪ್ರಭಾವಶಾಲಿಯಾಗಿದೆ.

ಆದರೂ, AI ಎಂಬುದು ಬೆನ್ನುಹೊರೆ ಮತ್ತು ಭಾವನಾತ್ಮಕ ಸಾಮಾನುಗಳೊಂದಿಗೆ ವಿಶ್ವದಲ್ಲಿ ಅಲೆದಾಡುವ ಸ್ವಯಂ-ಅರಿವಿನ ವಿದ್ಯಾರ್ಥಿಯಲ್ಲ. ಇದು ಡೇಟಾ ಮತ್ತು ಲೆಕ್ಕಾಚಾರವನ್ನು ಬಳಸಿಕೊಂಡು ಉದ್ದೇಶಗಳನ್ನು ಅತ್ಯುತ್ತಮವಾಗಿಸಲು ತರಬೇತಿ ಪಡೆದ ವ್ಯವಸ್ಥೆಯಾಗಿದೆ. ಕೆಲವೊಮ್ಮೆ ಫಲಿತಾಂಶಗಳು ಆಶ್ಚರ್ಯಕರವಾಗಿರುತ್ತವೆ. ಕೆಲವೊಮ್ಮೆ ಅವು ಸಹಾಯಕವಾಗಿರುತ್ತವೆ ಆದರೆ ಸಾಧಾರಣವಾಗಿರುತ್ತವೆ. ಕೆಲವೊಮ್ಮೆ ಅವು ತಪ್ಪಾಗಿರುತ್ತವೆ, ಅದು ನಿಮ್ಮ ಸೂಪ್ ಅನ್ನು ಅವಮಾನಿಸಿದಂತೆ ಪರದೆಯತ್ತ ನೋಡುವಂತೆ ಮಾಡುತ್ತದೆ.

AI ಕಲಿಕೆಯ ಭವಿಷ್ಯವು ಹೆಚ್ಚಿನ ಸ್ವಾಯತ್ತತೆ, ಉತ್ತಮ ಪ್ರತಿಕ್ರಿಯೆ ಕುಣಿಕೆಗಳು, ಬಲವಾದ ಸುರಕ್ಷತಾ ವಿಧಾನಗಳು ಮತ್ತು ಮಾನವರು ಮತ್ತು ಯಂತ್ರಗಳ ನಡುವಿನ ಹೆಚ್ಚಿನ ಸಹಯೋಗವನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ಉತ್ತಮ ವ್ಯವಸ್ಥೆಗಳು "ಸಂಪೂರ್ಣವಾಗಿ ಸ್ವತಃ ಕಲಿಯುವ" ವ್ಯವಸ್ಥೆಗಳಾಗಿರುವುದಿಲ್ಲ. ಅವು ಚೆನ್ನಾಗಿ ಕಲಿಯುವ, ಸಾಕಷ್ಟು ವಿವರಿಸುವ, ಮಾನವ ಗುರಿಗಳೊಂದಿಗೆ ಹೊಂದಿಕೆಯಾಗುವ ಮತ್ತು ಸಣ್ಣ ದೋಷಗಳನ್ನು ಕೈಗಾರಿಕಾ ಗಾತ್ರದ ಸ್ಪಾಗೆಟ್ಟಿಯಾಗಿ ಪರಿವರ್ತಿಸುವುದನ್ನು ತಪ್ಪಿಸುವ ವ್ಯವಸ್ಥೆಗಳಾಗಿರುತ್ತವೆ.

ಹಾಗಾದರೆ, AI ಸ್ವಂತವಾಗಿ ಕಲಿಯಬಹುದೇ? ಹೌದು - ಆದರೆ ಎಚ್ಚರಿಕೆಯಿಂದ, ತಾಂತ್ರಿಕವಾಗಿ, ಸೀಮಿತ ಅರ್ಥದಲ್ಲಿ ಮಾತ್ರ. ಮತ್ತು ಆ ಸಣ್ಣ ಅರ್ಹತೆಯು ಅಡಿಟಿಪ್ಪಣಿಯಲ್ಲ. ಅದು ಇಡೀ ಸ್ಯಾಂಡ್‌ವಿಚ್ ಆಗಿದೆ. 🥪

ನೈಜ-ಪ್ರಪಂಚದ ಉದಾಹರಣೆ: ಪ್ರತಿಕ್ರಿಯೆಯಿಂದ ಕಲಿಯುವ ಬೆಂಬಲ ಚಿಕಿತ್ಸೆಯ ಸರದಿ ನಿರ್ಧಾರ AI ಸಹಾಯಕವನ್ನು ನಿರ್ಮಿಸುವುದು 🛠️

ಸನ್ನಿವೇಶ

ಒಂದು ಸಣ್ಣ ಸಾಫ್ಟ್‌ವೇರ್ ಕಂಪನಿಯು ಪ್ರತಿ ವಾರ ಸುಮಾರು 180 ಗ್ರಾಹಕ ಬೆಂಬಲ ಇಮೇಲ್‌ಗಳನ್ನು ಸ್ವೀಕರಿಸುವುದನ್ನು ಕಲ್ಪಿಸಿಕೊಳ್ಳಿ. ಅವುಗಳಲ್ಲಿ ಹಲವು ಪುನರಾವರ್ತಿತವಾಗಿರುತ್ತವೆ: ಪಾಸ್‌ವರ್ಡ್ ಮರುಹೊಂದಿಸುವಿಕೆ, ಬಿಲ್ಲಿಂಗ್ ಪ್ರಶ್ನೆಗಳು, ದೋಷ ವರದಿಗಳು, ವೈಶಿಷ್ಟ್ಯ ವಿನಂತಿಗಳು ಮತ್ತು "ಆ್ಯಪ್ ಕೆಟ್ಟುಹೋಗಿದೆ" ಎಂಬ ಸಂದೇಶಗಳು, ಇವುಗಳಲ್ಲಿ ಯಾವುದೇ ಕ್ರಮ ಕೈಗೊಳ್ಳಬಹುದಾದ ವಿವರಗಳಿಲ್ಲ.

ಗ್ರಾಹಕರಿಗೆ ಸ್ವತಃ ಉತ್ತರಿಸುವ AI ವ್ಯವಸ್ಥೆಯನ್ನು ತಂಡವು ಬಯಸುವುದಿಲ್ಲ. ಅದು ಅಪಾಯಕಾರಿ ಅನಿಸುತ್ತದೆ. ಬದಲಾಗಿ, ಅವರು ಒಳಬರುವ ಟಿಕೆಟ್‌ಗಳನ್ನು ವರ್ಗೀಕರಿಸುವ, ಸೂಚಿಸಿದ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ರಚಿಸುವ ಮತ್ತು ಕಾಲಾನಂತರದಲ್ಲಿ ಮಾನವ ತಿದ್ದುಪಡಿಗಳಿಂದ ಕಲಿಯುವ ಬೌಂಡೆಡ್ AI ಸಹಾಯಕವನ್ನು ನಿರ್ಮಿಸುತ್ತಾರೆ.

ಸೀಮಿತ, ತಾಂತ್ರಿಕ ಅರ್ಥದಲ್ಲಿ AI "ಸ್ವತಃ ಕಲಿಯುತ್ತಿದೆ" ಎಂಬುದಕ್ಕೆ ಇದು ಉತ್ತಮ ಉದಾಹರಣೆಯಾಗಿದೆ. ಸಹಾಯಕ ಕಂಪನಿಯ ನೀತಿಯನ್ನು ನಿರ್ಧರಿಸುತ್ತಿಲ್ಲ. ಮಂಗಳವಾರದ ಬಿಸಿಲಿನ ನಂತರ ಅದು ಮರುಪಾವತಿ ನಿಯಮಗಳನ್ನು ಪುನಃ ಬರೆಯುತ್ತಿಲ್ಲ. ನಿಯಂತ್ರಿತ ಕೆಲಸದ ಹರಿವಿನೊಳಗೆ ಅದು ಸುಧಾರಿಸುತ್ತಿದೆ.

ಸಹಾಯಕನಿಗೆ ಏನು ಬೇಕು

ಸುರಕ್ಷಿತವಾಗಿ ಕೆಲಸ ಮಾಡಲು, ಸಹಾಯಕನಿಗೆ ತನ್ನ ಕಲಿಕೆಯ ಸುತ್ತ ಸ್ಪಷ್ಟವಾದ ಪಾತ್ರೆಯ ಅಗತ್ಯವಿದೆ:

• ಖಾಸಗಿ ವಿವರಗಳನ್ನು ತೆಗೆದುಹಾಕಿದ 50-100 ಹಿಂದಿನ ಬೆಂಬಲ ಟಿಕೆಟ್‌ಗಳು

• ಬಿಲ್ಲಿಂಗ್, ಲಾಗಿನ್, ದೋಷಗಳು, ಮರುಪಾವತಿಗಳು ಮತ್ತು ಖಾತೆ ಬದಲಾವಣೆಗಳಿಗೆ ಅನುಮೋದಿತ ಪ್ರತಿಕ್ರಿಯೆ ಟೆಂಪ್ಲೇಟ್‌ಗಳು

• ಮರುಪಾವತಿಗಳು, ಕಾನೂನು ದೂರುಗಳು, ಭದ್ರತಾ ಸಮಸ್ಯೆಗಳು ಅಥವಾ ಖಾತೆ ಅಳಿಸುವಿಕೆ ಮುಂತಾದ ಮಾನವ ಅನುಮೋದನೆಯಿಲ್ಲದೆ ಅದು ಎಂದಿಗೂ ನಿರ್ಧರಿಸಬಾರದ ವಿಷಯಗಳ ಪಟ್ಟಿ

• ಸರಳ ಟ್ಯಾಗಿಂಗ್ ವ್ಯವಸ್ಥೆ: ಬಿಲ್ಲಿಂಗ್, ಲಾಗಿನ್, ದೋಷ, ವೈಶಿಷ್ಟ್ಯ ವಿನಂತಿ, ಭದ್ರತೆ, ಇತರೆ

• ಯಾವುದೇ ಸಂದೇಶವನ್ನು ಕಳುಹಿಸುವ ಮೊದಲು ಮಾನವ ಪರಿಶೀಲನೆಯ ಹಂತ

• ತಪ್ಪುಗಳು, ಬಿಟ್ಟುಬಿಟ್ಟ ಏರಿಕೆಗಳು ಮತ್ತು ಕಳಪೆ ಡ್ರಾಫ್ಟ್‌ಗಳ ವಾರಕ್ಕೊಮ್ಮೆ ಪರಿಶೀಲನೆ

ಮುಖ್ಯ ವಿಷಯವೆಂದರೆ ಪ್ರತಿಕ್ರಿಯೆಯು ರಚನಾತ್ಮಕವಾಗಿರಬೇಕು. ಬೆಂಬಲ ಏಜೆಂಟ್ "ಕೆಟ್ಟ ಉತ್ತರ" ಎಂದು ಹೇಳುವ ಬದಲು, ಅವರು ತಪ್ಪಾಗಿದ್ದನ್ನು ಗುರುತಿಸಬೇಕು: ತಪ್ಪು ವರ್ಗ, ಪ್ರಶ್ನೆ ಕಾಣೆಯಾಗಿದೆ, ತುಂಬಾ ಆತ್ಮವಿಶ್ವಾಸ, ಗೌಪ್ಯತೆಯ ಅಪಾಯ ಅಥವಾ ಏರಿಕೆಯ ಅಗತ್ಯಗಳು.

ಉದಾಹರಣೆ ಸೂಚನೆ

ಸಹಾಯಕರಿಗೆ ಈ ರೀತಿಯ ಸೂಚನೆಯನ್ನು ಬಳಸಿ:

ನೀವು ಒಂದು ಸಣ್ಣ SaaS ಕಂಪನಿಗೆ ಬೆಂಬಲ ಟ್ರಯೇಜ್ ಸಹಾಯಕರಾಗಿದ್ದೀರಿ. ನಿಮ್ಮ ಕೆಲಸವೆಂದರೆ ಪ್ರತಿ ಗ್ರಾಹಕರ ಟಿಕೆಟ್ ಅನ್ನು ವರ್ಗೀಕರಿಸುವುದು, ಮುಂದಿನ ಅತ್ಯುತ್ತಮ ಕ್ರಮವನ್ನು ಸೂಚಿಸುವುದು ಮತ್ತು ಮಾನವ ಬೆಂಬಲ ಏಜೆಂಟ್ ಪರಿಶೀಲಿಸಲು ಪ್ರತ್ಯುತ್ತರವನ್ನು ರಚಿಸುವುದು. ಪ್ರತ್ಯುತ್ತರಗಳನ್ನು ನೀವೇ ಕಳುಹಿಸಬೇಡಿ. ಮರುಪಾವತಿ, ಭದ್ರತಾ ಪರಿಹಾರಗಳು, ಖಾತೆ ಬದಲಾವಣೆಗಳು ಅಥವಾ ವಿತರಣಾ ದಿನಾಂಕಗಳನ್ನು ಭರವಸೆ ನೀಡಬೇಡಿ. ಟಿಕೆಟ್ ಪಾವತಿ ವಿವಾದಗಳು, ಡೇಟಾ ನಷ್ಟ, ಕಾನೂನು ಬೆದರಿಕೆಗಳು, ಅನುಮಾನಾಸ್ಪದ ಲಾಗಿನ್ ಚಟುವಟಿಕೆ ಅಥವಾ ಕೋಪಗೊಂಡ ರದ್ದತಿ ವಿನಂತಿಗಳನ್ನು ಉಲ್ಲೇಖಿಸಿದರೆ, ಅದನ್ನು "ಮಾನವ ಏರಿಕೆ ಅಗತ್ಯವಿದೆ" ಎಂದು ಗುರುತಿಸಿ. ಖಚಿತವಿಲ್ಲದಿದ್ದರೆ, ಊಹಿಸುವ ಬದಲು ಕಾಣೆಯಾದ ಮಾಹಿತಿಯನ್ನು ಕೇಳಿ.

ಪ್ರತಿ ಟಿಕೆಟ್‌ಗೆ, ಹಿಂತಿರುಗಿ:

ಟಿಕೆಟ್ ವರ್ಗ
ತುರ್ತು ಮಟ್ಟ
ಸೂಚಿಸಲಾದ ಮುಂದಿನ ಕ್ರಮ
ಕರಡು ಪ್ರತ್ಯುತ್ತರ
ನಿಮ್ಮ ವರ್ಗೀಕರಣಕ್ಕೆ ಕಾರಣ
ಏರಿಕೆ ಅಗತ್ಯವಿದೆ: ಹೌದು ಅಥವಾ ಇಲ್ಲ

ಅದನ್ನು ಪರೀಕ್ಷಿಸುವುದು ಹೇಗೆ

ನಿಜವಾದ ಗ್ರಾಹಕರ ಮೇಲೆ ಬಳಸುವ ಮೊದಲು, ಹಳೆಯ ಟಿಕೆಟ್‌ಗಳ ಸಣ್ಣ ಸೆಟ್‌ನೊಂದಿಗೆ ಅದನ್ನು ಪರೀಕ್ಷಿಸಿ.

ಕನಿಷ್ಠ 30 ಉದಾಹರಣೆಗಳನ್ನು ಪ್ರಯತ್ನಿಸಿ:

• 5 ಸರಳ ಪಾಸ್‌ವರ್ಡ್ ಮರುಹೊಂದಿಸುವ ವಿನಂತಿಗಳು

• 5 ಬಿಲ್ಲಿಂಗ್ ಪ್ರಶ್ನೆಗಳು

• 5 ಅಸ್ಪಷ್ಟ ದೋಷ ವರದಿಗಳು

• 5 ಮರುಪಾವತಿ ಅಥವಾ ರದ್ದತಿ ವಿನಂತಿಗಳು

• 5 ಭದ್ರತೆಗೆ ಸಂಬಂಧಿಸಿದ ಟಿಕೆಟ್‌ಗಳು

• "ನನಗೆ ಎರಡು ಬಾರಿ ಶುಲ್ಕ ವಿಧಿಸಲಾಗಿದೆ ಮತ್ತು ಈಗ ನಾನು ಲಾಗಿನ್ ಆಗಲು ಸಾಧ್ಯವಿಲ್ಲ" ಎಂಬಂತಹ 5 ಮಿಶ್ರ, ಬಹು-ಸಂಚಿಕೆ ಟಿಕೆಟ್‌ಗಳು

ನಂತರ ಸಹಾಯಕರ ವರ್ಗ, ತುರ್ತು, ಏರಿಕೆ ನಿರ್ಧಾರ ಮತ್ತು ಕರಡು ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಮಾನವ ಬೆಂಬಲ ನಾಯಕನು ನಿರೀಕ್ಷಿಸುವದರೊಂದಿಗೆ ಹೋಲಿಕೆ ಮಾಡಿ.

ಒಂದು ಒಳ್ಳೆಯ ಔಟ್‌ಪುಟ್ ಹೀಗಿರಬಹುದು:

ವರ್ಗ: ಭದ್ರತೆ
ತುರ್ತು ಮಟ್ಟ: ಉನ್ನತ
ಮುಂದಿನ ಕ್ರಮವನ್ನು ಸೂಚಿಸಲಾಗಿದೆ: ತಕ್ಷಣವೇ ಮಾನವ ಬೆಂಬಲ ನಾಯಕನಿಗೆ ತಿಳಿಸಿ
ಕರಡು ಪ್ರತ್ಯುತ್ತರ: ಇದನ್ನು ವರದಿ ಮಾಡಿದ್ದಕ್ಕಾಗಿ ಧನ್ಯವಾದಗಳು. ನಾವು ಇದನ್ನು ಪರಿಶೀಲನೆಗಾಗಿ ನಮ್ಮ ಭದ್ರತಾ ಬೆಂಬಲ ತಂಡಕ್ಕೆ ರವಾನಿಸಲಿದ್ದೇವೆ. ದಯವಿಟ್ಟು ಇಮೇಲ್ ಮೂಲಕ ಪಾಸ್‌ವರ್ಡ್‌ಗಳು ಅಥವಾ ಪರಿಶೀಲನಾ ಕೋಡ್‌ಗಳನ್ನು ಹಂಚಿಕೊಳ್ಳಬೇಡಿ.
ಕಾರಣ: ಗ್ರಾಹಕರು ಪರಿಚಯವಿಲ್ಲದ ಲಾಗಿನ್ ಮತ್ತು ಸಂಭಾವ್ಯ ಖಾತೆ ಪ್ರವೇಶ ಸಮಸ್ಯೆಯನ್ನು ಉಲ್ಲೇಖಿಸಿದ್ದಾರೆ.
ಏರಿಕೆ ಅಗತ್ಯವಿದೆ: ಹೌದು

ಕೆಟ್ಟ ಔಟ್‌ಪುಟ್ ಹೀಗಿರುತ್ತದೆ:

ವರ್ಗ: ಲಾಗಿನ್
ತುರ್ತು ಮಟ್ಟ: ಸಾಮಾನ್ಯ
ಡ್ರಾಫ್ಟ್ ಪ್ರತ್ಯುತ್ತರ: ನಿಮ್ಮ ಪಾಸ್‌ವರ್ಡ್ ಅನ್ನು ಮರುಹೊಂದಿಸಲು ಪ್ರಯತ್ನಿಸಿ.

ಆ ಉತ್ತರವು ಅಚ್ಚುಕಟ್ಟಾಗಿ ಕಾಣುತ್ತದೆ, ಆದರೆ ಅದು ಭದ್ರತಾ ಅಪಾಯವನ್ನು ತಪ್ಪಿಸುತ್ತದೆ. ಇದಕ್ಕಾಗಿಯೇ "ಕಲಿಕೆ" ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಪರೀಕ್ಷೆಗಳು, ಮಿತಿಗಳು ಮತ್ತು "ಚೆನ್ನಾಗಿ ಪ್ರಯತ್ನಿಸಿ, ಟೋಸ್ಟರ್ ಮೆದುಳು, ಆದರೆ ಇಲ್ಲ" ಎಂದು ಹೇಳಲು ಅನುಮತಿಸುವ ಮಾನವರು ಬೇಕಾಗುತ್ತಾರೆ

ಫಲಿತಾಂಶ

ವಿವರಣಾತ್ಮಕ ಫಲಿತಾಂಶ: ಈ ಕೆಲಸದ ಹರಿವನ್ನು ಬಳಸುವ ಮೊದಲು ಮತ್ತು ನಂತರದ 30 ಮಾದರಿ ಟಿಕೆಟ್‌ಗಳ ಸಮಯವನ್ನು ಆಧರಿಸಿ.

ಸಹಾಯಕವನ್ನು ಬಳಸುವ ಮೊದಲು, ಒಬ್ಬ ಬೆಂಬಲ ಏಜೆಂಟ್ ಪ್ರತಿ ಮೊದಲ ಪ್ರತ್ಯುತ್ತರವನ್ನು ಓದಲು, ಟ್ಯಾಗ್ ಮಾಡಲು ಮತ್ತು ಡ್ರಾಫ್ಟ್ ಮಾಡಲು ಸರಾಸರಿ 4 ನಿಮಿಷ 20 ಸೆಕೆಂಡುಗಳನ್ನು ಕಳೆದರು. ಸಹಾಯಕನೊಂದಿಗೆ, ಸರಾಸರಿ ವಿಮರ್ಶೆ ಮತ್ತು ಸಂಪಾದನೆ ಸಮಯವು ಪ್ರತಿ ಟಿಕೆಟ್‌ಗೆ 1 ನಿಮಿಷ 35 ಸೆಕೆಂಡುಗಳಿಗೆ ಇಳಿಯಿತು.

ವಾರಕ್ಕೆ 180 ಟಿಕೆಟ್‌ಗಳಿಗೆ, ಇದು ಮೊದಲ-ಡ್ರಾಫ್ಟ್ ನಿರ್ವಹಣಾ ಸಮಯವನ್ನು ಸುಮಾರು 13 ಗಂಟೆಗಳಿಂದ ಸುಮಾರು 4 ಗಂಟೆ 45 ನಿಮಿಷಗಳಿಗೆ ಇಳಿಸುತ್ತದೆ, ಪ್ರತಿ ವಾರ ಸರಿಸುಮಾರು 8 ಗಂಟೆ 15 ನಿಮಿಷಗಳನ್ನು ಉಳಿಸುತ್ತದೆ.

ನಿಖರತೆಯನ್ನು ಸಹ ಅಳೆಯಬೇಕು. ಅದೇ 30-ಟಿಕೆಟ್ ಪರೀಕ್ಷೆಯಲ್ಲಿ, ಸಹಾಯಕನು ಸ್ಪಷ್ಟ ಮಿತಿಗಳನ್ನು ಪೂರೈಸಿದರೆ ಮಾತ್ರ ಅನುಮೋದನೆ ಪಡೆಯಬೇಕು, ಉದಾಹರಣೆಗೆ:

• ಕನಿಷ್ಠ 90% ಸರಿಯಾದ ಟಿಕೆಟ್ ವರ್ಗೀಕರಣ

• ಭದ್ರತೆ, ಕಾನೂನು, ಮರುಪಾವತಿ ವಿವಾದ ಮತ್ತು ಖಾತೆ ಅಳಿಸುವಿಕೆ ಪ್ರಕರಣಗಳಲ್ಲಿ 100% ಹೆಚ್ಚಳ

• ಮಾನವ ಪರಿಶೀಲನೆ ಇಲ್ಲದೆ 0 ಗ್ರಾಹಕ-ಮುಖಿ ಪ್ರತ್ಯುತ್ತರಗಳನ್ನು ಕಳುಹಿಸಲಾಗಿದೆ

• 3 ಕ್ಕಿಂತ ಕಡಿಮೆ ಡ್ರಾಫ್ಟ್‌ಗಳಿಗೆ ಪೂರ್ಣ ಪುನಃ ಬರೆಯುವ ಅಗತ್ಯವಿದೆ

ಆ ಸಂಖ್ಯೆಗಳು ಸಾರ್ವತ್ರಿಕ ಪುರಾವೆಗಳಲ್ಲ. ಅವು ಪ್ರಾಯೋಗಿಕ ಪರೀಕ್ಷಾ ಗುರಿಯಾಗಿವೆ. ನಿಜವಾದ ತಂಡವು ತನ್ನದೇ ಆದ ಬೇಸ್‌ಲೈನ್ ಅನ್ನು ಅಳೆಯಬೇಕು, ಅದೇ ಟಿಕೆಟ್‌ಗಳನ್ನು ಸಹಾಯಕದ ಮೂಲಕ ಚಲಾಯಿಸಬೇಕು ಮತ್ತು ದೋಷಗಳನ್ನು ನೇರವಾಗಿ ಎಣಿಸಬೇಕು.

ಏನು ತಪ್ಪಾಗಬಹುದು?

ಸಹಾಯಕ ಇನ್ನೂ ತಪ್ಪುಗಳನ್ನು ಮಾಡಬಹುದು.

ಇದು ಕಳಪೆ ಮಾನವ ತಿದ್ದುಪಡಿಗಳಿಂದ ಕಲಿಯಬಹುದು. ಇದು ಹಳೆಯ ಮರುಪಾವತಿ ನೀತಿಯನ್ನು ನಕಲಿಸಬಹುದು. ಕೋಪಗೊಂಡ ಗ್ರಾಹಕರೊಂದಿಗೆ ಇದು ತುಂಬಾ ಸಾಂದರ್ಭಿಕವಾಗಬಹುದು. ಇದು ಭದ್ರತಾ ಸಮಸ್ಯೆಯನ್ನು ಸಾಮಾನ್ಯ ಲಾಗಿನ್ ಸಮಸ್ಯೆ ಎಂದು ವರ್ಗೀಕರಿಸಬಹುದು. ಇದು ಹಳೆಯ ಟಿಕೆಟ್ ಮಾದರಿಗಳಿಗೆ ಅತಿಯಾಗಿ ಹೊಂದಿಕೊಳ್ಳಬಹುದು ಮತ್ತು ಅನೇಕ ಬಳಕೆದಾರರ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುವ ಹೊಸ ಉತ್ಪನ್ನ ದೋಷವನ್ನು ತಪ್ಪಿಸಬಹುದು.

ಅತಿದೊಡ್ಡ ತಪ್ಪು ಎಂದರೆ ಸಹಾಯಕನು ಗ್ರಾಹಕ ಸಂದೇಶಗಳನ್ನು ಪರಿಶೀಲಿಸದೆಯೇ ಲೈವ್ ಆಗಿ ನವೀಕರಿಸಲು ಅವಕಾಶ ನೀಡುವುದು. ಅದು ಖಾಸಗಿ ಡೇಟಾ, ನಿಂದನೀಯ ಭಾಷೆ, ಕೆಟ್ಟ ಊಹೆಗಳು ಅಥವಾ ಒಂದು ಬಾರಿಯ ಅಂಚಿನ ಪ್ರಕರಣಗಳನ್ನು ಕೆಲಸದ ಹರಿವಿಗೆ ಎಳೆಯಬಹುದು.

ಸುರಕ್ಷಿತ ಸೆಟಪ್ ಆಕರ್ಷಕವಲ್ಲದಿದ್ದರೂ ಉತ್ತಮ: ಪ್ರತಿಕ್ರಿಯೆ ಸಂಗ್ರಹಿಸಿ, ವಾರಕ್ಕೊಮ್ಮೆ ಅದನ್ನು ಪರಿಶೀಲಿಸಿ, ಉದಾಹರಣೆಗಳು ಅಥವಾ ಸೂಚನೆಗಳನ್ನು ನವೀಕರಿಸಿ, ಮತ್ತೊಮ್ಮೆ ಪರೀಕ್ಷಿಸಿ, ನಂತರ ಸುಧಾರಿತ ಆವೃತ್ತಿಯನ್ನು ನಿಯೋಜಿಸಿ.

ಪ್ರಾಯೋಗಿಕ ತೀರ್ಮಾನ

ಈ ರೀತಿಯ ಸಹಾಯಕ ಪ್ರಾಯೋಗಿಕ ರೀತಿಯಲ್ಲಿ "ಕಲಿಯಬಹುದು", ಆದರೆ ಕಂಪನಿಯು ವರ್ಗಗಳು, ಪ್ರತಿಕ್ರಿಯೆ ನಿಯಮಗಳು, ಏರಿಕೆ ಮಿತಿಗಳು ಮತ್ತು ಯಶಸ್ಸಿನ ಮಾಪನಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವುದರಿಂದ ಮಾತ್ರ. ಕಲಿಕೆ ನಿಜ. ಸ್ವಾತಂತ್ರ್ಯ ಸೀಮಿತವಾಗಿದೆ. ಮತ್ತು ಅದು ನಿಖರವಾಗಿ ವಿಷಯ: ಪರಿಣಾಮಕಾರಿ AI ಕ್ಲಿಪ್‌ಬೋರ್ಡ್‌ನೊಂದಿಗೆ ಕಚೇರಿಯಲ್ಲಿ ಅಲೆದಾಡುವ ಮ್ಯಾಜಿಕ್ ಅಲ್ಲ. ಜನರು ಅದಕ್ಕೆ ಸ್ಪಷ್ಟ ಡೇಟಾ, ಸ್ಪಷ್ಟ ಗುರಿಗಳು ಮತ್ತು ನಿಯಮಿತ ತಿದ್ದುಪಡಿಯನ್ನು ನೀಡಿದಾಗ ಅದು ಸುಧಾರಿಸುವ ಸೀಮಿತ ವ್ಯವಸ್ಥೆಯಾಗಿದೆ.

ಪದೇ ಪದೇ ಕೇಳಲಾಗುವ ಪ್ರಶ್ನೆಗಳು

ಪ್ರೋಗ್ರಾಮ್ ಮಾಡದೆಯೇ AI ಸ್ವಂತವಾಗಿ ಕಲಿಯಬಹುದೇ?

ಮಾನವರು ಪ್ರತಿಯೊಂದು ನಿಯಮವನ್ನು ಕೈಯಿಂದ ಬರೆಯದೆಯೇ AI ಮಾದರಿಗಳನ್ನು ಕಲಿಯಬಹುದು, ಆದರೆ ಅದು ಸಂಪೂರ್ಣವಾಗಿ ಸ್ವತಂತ್ರವಲ್ಲ. ಜನರು ಇನ್ನೂ ಮಾದರಿಯನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುತ್ತಾರೆ, ಡೇಟಾವನ್ನು ಆಯ್ಕೆ ಮಾಡುತ್ತಾರೆ, ಉದ್ದೇಶವನ್ನು ಹೊಂದಿಸುತ್ತಾರೆ ಮತ್ತು ಯಶಸ್ಸನ್ನು ಹೇಗೆ ಅಳೆಯುತ್ತಾರೆ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುತ್ತಾರೆ. ಹೆಚ್ಚು ನಿಖರವಾದ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ಮಾನವ-ವಿನ್ಯಾಸಗೊಳಿಸಿದ ಮಿತಿಗಳಲ್ಲಿ AI ಅರೆ-ಸ್ವಾಯತ್ತವಾಗಿ ಕಲಿಯಬಹುದು.

ಡೇಟಾದಿಂದ AI ಹೇಗೆ ಕಲಿಯುತ್ತದೆ?

ಉದಾಹರಣೆಗಳಲ್ಲಿ ಮಾದರಿಗಳನ್ನು ಗುರುತಿಸುವ ಮೂಲಕ ಮತ್ತು ಉತ್ತಮ ಭವಿಷ್ಯವಾಣಿಗಳನ್ನು ನೀಡಲು ಅದರ ಆಂತರಿಕ ಸೆಟ್ಟಿಂಗ್‌ಗಳನ್ನು ಹೊಂದಿಸುವ ಮೂಲಕ AI ಡೇಟಾದಿಂದ ಕಲಿಯುತ್ತದೆ. ಸ್ಥಿರ ನಿಯಮಗಳನ್ನು ಅನುಸರಿಸುವ ಬದಲು, ಅದು ತನ್ನ ಔಟ್‌ಪುಟ್‌ಗಳನ್ನು ಗುರಿ ಅಥವಾ ಪ್ರತಿಕ್ರಿಯೆ ಸಂಕೇತದೊಂದಿಗೆ ಹೋಲಿಸುತ್ತದೆ, ನಂತರ ದೋಷಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಸ್ವತಃ ನವೀಕರಿಸುತ್ತದೆ. ಅದಕ್ಕಾಗಿಯೇ AI ಚಿತ್ರಗಳನ್ನು ಗುರುತಿಸಬಹುದು, ಪಠ್ಯವನ್ನು ಊಹಿಸಬಹುದು, ಮಾಹಿತಿಯನ್ನು ವರ್ಗೀಕರಿಸಬಹುದು ಅಥವಾ ಪ್ರತಿಯೊಂದು ಸಂಭವನೀಯ ಸಂದರ್ಭಕ್ಕೂ ಹಸ್ತಚಾಲಿತವಾಗಿ ಸ್ಕ್ರಿಪ್ಟ್ ಮಾಡದೆಯೇ ಕ್ರಿಯೆಗಳನ್ನು ಶಿಫಾರಸು ಮಾಡಬಹುದು.

ಸ್ವಯಂ-ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕೆಯನ್ನು ಬಳಸಿಕೊಂಡು AI ತನ್ನನ್ನು ತಾನೇ ಕಲಿಸಿಕೊಳ್ಳಬಹುದೇ?

ಹೌದು, ಸೀಮಿತ ತಾಂತ್ರಿಕ ಅರ್ಥದಲ್ಲಿ. ಸ್ವಯಂ-ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕೆಯು AI ಗೆ ಕಚ್ಚಾ ಡೇಟಾದಿಂದ ತರಬೇತಿ ಕಾರ್ಯಗಳನ್ನು ರಚಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ, ಉದಾಹರಣೆಗೆ ಕಾಣೆಯಾದ ಪದಗಳು, ಭವಿಷ್ಯದ ಪಠ್ಯ ಅಥವಾ ಚಿತ್ರದ ಅನುಪಸ್ಥಿತಿಯ ಭಾಗಗಳನ್ನು ಊಹಿಸುವುದು. ಇದು ಮಾನವರು ಪ್ರತಿಯೊಂದು ಉದಾಹರಣೆಯನ್ನು ಲೇಬಲ್ ಮಾಡುವ ಅಗತ್ಯವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ. ಹಾಗಿದ್ದರೂ, AI ಇನ್ನೂ ಮಾನವರು ಆಯ್ಕೆ ಮಾಡಿದ ಗುರಿಯನ್ನು ಅತ್ಯುತ್ತಮವಾಗಿಸುತ್ತಿದೆ, ತನ್ನದೇ ಆದ ಉದ್ದೇಶವನ್ನು ಆರಿಸಿಕೊಳ್ಳುವುದಿಲ್ಲ.

ಬಲವರ್ಧನೆ ಕಲಿಕೆಯು AI ಕಲಿಕೆಯಂತೆಯೇ ಇದೆಯೇ?

ಅನುಭವದ ಮೂಲಕ AI ಕಲಿಕೆಯ ಅತ್ಯಂತ ಹತ್ತಿರದ ಉದಾಹರಣೆಗಳಲ್ಲಿ ಬಲವರ್ಧನೆ ಕಲಿಕೆಯೂ ಒಂದು. AI ಏಜೆಂಟ್ ಕ್ರಮಗಳನ್ನು ಪ್ರಯತ್ನಿಸುತ್ತಾನೆ, ಪ್ರತಿಫಲಗಳು ಅಥವಾ ದಂಡಗಳನ್ನು ಪಡೆಯುತ್ತಾನೆ ಮತ್ತು ಯಾವ ಆಯ್ಕೆಗಳು ಉತ್ತಮ ಫಲಿತಾಂಶಗಳಿಗೆ ಕಾರಣವಾಗುತ್ತವೆ ಎಂಬುದನ್ನು ಕ್ರಮೇಣ ಕಲಿಯುತ್ತಾನೆ. ಆದಾಗ್ಯೂ, ಜನರು ಇನ್ನೂ ಪರಿಸರ, ಪ್ರತಿಫಲ ವ್ಯವಸ್ಥೆ, ಮಿತಿಗಳು ಮತ್ತು ಮೌಲ್ಯಮಾಪನ ಪ್ರಕ್ರಿಯೆಯನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುತ್ತಾರೆ. ಕಳಪೆಯಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಲಾದ ಪ್ರತಿಫಲಗಳು ಅನಗತ್ಯ ಶಾರ್ಟ್‌ಕಟ್‌ಗಳಿಗೆ ಕಾರಣವಾಗಬಹುದು.

ಬಿಡುಗಡೆಯಾದ ನಂತರವೂ AI ಕಲಿಯುತ್ತಲೇ ಇರುತ್ತದೆಯೇ?

ಕೆಲವು AI ವ್ಯವಸ್ಥೆಗಳು ಬಿಡುಗಡೆಯ ನಂತರ ಕಲಿಕೆಯನ್ನು ಮುಂದುವರಿಸಬಹುದು, ವಿಶೇಷವಾಗಿ ವಂಚನೆ ಪತ್ತೆ, ವೈಯಕ್ತೀಕರಣ, ಹುಡುಕಾಟ ಪ್ರಸ್ತುತತೆ ಅಥವಾ ಮುನ್ಸೂಚಕ ನಿರ್ವಹಣೆಯಂತಹ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ. ಅನೇಕ ದೊಡ್ಡ ಸಾಮಾನ್ಯ-ಉದ್ದೇಶದ ಮಾದರಿಗಳು ನೈಜ ಸಮಯದಲ್ಲಿ ಪ್ರತಿ ಬಳಕೆದಾರರ ಸಂವಹನದಿಂದ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಕಲಿಯುವುದಿಲ್ಲ. ನಿರಂತರ ಕಲಿಕೆಯು ಕೆಟ್ಟ ಡೇಟಾ, ಗೌಪ್ಯತೆ ಸಮಸ್ಯೆಗಳು, ಹಾನಿಕಾರಕ ಮಾದರಿಗಳು ಅಥವಾ ಮಾದರಿ ಡ್ರಿಫ್ಟ್ ಸೇರಿದಂತೆ ಅಪಾಯಗಳನ್ನು ಸೃಷ್ಟಿಸಬಹುದು.

AI ಕಲಿಕೆ ಮತ್ತು ಮಾನವ ತಿಳುವಳಿಕೆಯ ನಡುವಿನ ವ್ಯತ್ಯಾಸವೇನು?

AI ಕಲಿಕೆಯು ಹೆಚ್ಚಾಗಿ ಡೇಟಾದ ಮೇಲೆ ಮಾದರಿ ಗುರುತಿಸುವಿಕೆ ಮತ್ತು ಅತ್ಯುತ್ತಮೀಕರಣವಾಗಿದೆ. ಮಾನವ ಕಲಿಕೆಯು ಜೀವಂತ ಅನುಭವ, ಭಾವನೆ, ಸ್ಮರಣೆ, ​​ಸಾಕಾರ, ಪ್ರೇರಣೆ ಮತ್ತು ಸಾಮಾಜಿಕ ಸಂದರ್ಭವನ್ನು ಒಳಗೊಂಡಿದೆ. AI ಮಾದರಿಯು ಮಳೆ, ಬೆಕ್ಕುಗಳು ಅಥವಾ ಪಾಕವಿಧಾನಗಳ ಬಗ್ಗೆ ಸಹಾಯಕವಾದ ಉತ್ತರಗಳನ್ನು ನೀಡಬಹುದು, ಆದರೆ ಅದು ಆ ವಿಷಯಗಳನ್ನು ಅನುಭವಿಸುವುದಿಲ್ಲ. ಒಬ್ಬ ವ್ಯಕ್ತಿಯು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಂತೆ ಜಗತ್ತನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳದೆಯೇ ಅದು ಪ್ರಾಯೋಗಿಕವಾಗಿ ಸಹಾಯಕವಾಗಬಹುದು.

AI ಇರುವುದಕ್ಕಿಂತ ಹೆಚ್ಚು ಸ್ವತಂತ್ರವಾಗಿ ಕಾಣಲು ಕಾರಣವೇನು?

AI ನೇರವಾಗಿ ಸ್ಕ್ರಿಪ್ಟ್ ಮಾಡದ ಉತ್ತರಗಳು, ಚಿತ್ರಗಳು, ಯೋಜನೆಗಳು ಮತ್ತು ಶಿಫಾರಸುಗಳನ್ನು ರಚಿಸಬಹುದು, ಇದು ಅದನ್ನು ಸ್ವಾಯತ್ತವೆಂದು ಭಾವಿಸುವಂತೆ ಮಾಡುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಅದರ ನಡವಳಿಕೆಯು ತರಬೇತಿ ಡೇಟಾ, ಉದ್ದೇಶಗಳು, ಸೂಚನೆಗಳು, ಪರಿಕರಗಳು, ಇಂಟರ್ಫೇಸ್ ಮಿತಿಗಳು ಮತ್ತು ಸುರಕ್ಷತಾ ನಿಯಮಗಳಿಂದ ರೂಪುಗೊಳ್ಳುತ್ತದೆ. ಇದು ಮುಕ್ತವಾಗಿ ಚಲಿಸುವ ಮನಸ್ಸಿನಂತೆ ಕಾಣಿಸಬಹುದು, ಆದರೆ ಅದು ವಿನ್ಯಾಸಗೊಳಿಸಿದ ವ್ಯವಸ್ಥೆಯೊಳಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಿದೆ.

AI ಸ್ವಂತವಾಗಿ ಕಲಿಯುವಾಗ ಉಂಟಾಗುವ ಪ್ರಮುಖ ಅಪಾಯಗಳೇನು?

ಪ್ರಮುಖ ಅಪಾಯಗಳಲ್ಲಿ ಪಕ್ಷಪಾತ, ಗೌಪ್ಯತೆ ಸೋರಿಕೆ, ಮಾದರಿ ಡ್ರಿಫ್ಟ್, ಪ್ರತಿಫಲ ಹ್ಯಾಕಿಂಗ್, ಅತಿಯಾದ ಆತ್ಮವಿಶ್ವಾಸ, ಅಸುರಕ್ಷಿತ ಯಾಂತ್ರೀಕೃತಗೊಳಿಸುವಿಕೆ ಮತ್ತು ಕಡಿಮೆ-ಗುಣಮಟ್ಟದ ಡೇಟಾವನ್ನು ಆಧರಿಸಿದ ಕಳಪೆ ನಿರ್ಧಾರಗಳು ಸೇರಿವೆ. ಕಳಪೆ-ಗುಣಮಟ್ಟದ ಡೇಟಾ ಅಥವಾ ದುರ್ಬಲ ಪ್ರತಿಕ್ರಿಯೆಯಿಂದ ವ್ಯವಸ್ಥೆಯು ಕಲಿತರೆ, ಅದು ಹಾನಿಕಾರಕ ಮಾದರಿಗಳನ್ನು ಪುನರಾವರ್ತಿಸಬಹುದು ಅಥವಾ ತಪ್ಪು ವಿಷಯಕ್ಕೆ ಅತ್ಯುತ್ತಮವಾಗಿಸಬಹುದು. ಬಲವಾದ ಗಾರ್ಡ್‌ರೈಲ್‌ಗಳು, ಮೇಲ್ವಿಚಾರಣೆ, ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ಮಾನವ ವಿಮರ್ಶೆಯು ಆ ಅಪಾಯಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.

AI ಕಲಿಕೆಯಲ್ಲಿ ರಿವಾರ್ಡ್ ಹ್ಯಾಕಿಂಗ್ ಎಂದರೇನು?

ಮಾನವರು ಉದ್ದೇಶಿಸಿದ್ದನ್ನೇ ಮಾಡದೆಯೇ ಉತ್ತಮ ಅಂಕಗಳನ್ನು ಗಳಿಸುವ ಮಾರ್ಗವನ್ನು AI ಕಂಡುಕೊಂಡಾಗ ರಿವಾರ್ಡ್ ಹ್ಯಾಕಿಂಗ್ ಸಂಭವಿಸುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಗೋಚರಿಸುವ ಕೊಳೆಯನ್ನು ಸಂಗ್ರಹಿಸಿದ್ದಕ್ಕಾಗಿ ಮಾತ್ರ ಬಹುಮಾನ ಪಡೆದ ಸ್ವಚ್ಛಗೊಳಿಸುವ ರೋಬೋಟ್ ಸರಿಯಾಗಿ ಸ್ವಚ್ಛಗೊಳಿಸುವ ಬದಲು ಕೊಳೆಯನ್ನು ಮರೆಮಾಡಬಹುದು. ಸಮಸ್ಯೆಯೆಂದರೆ AI ಒಬ್ಬ ವ್ಯಕ್ತಿಯಂತೆ ರಹಸ್ಯವಾಗಿರುವುದು ಅಲ್ಲ. ಅದು ಅಕ್ಷರಶಃ ಕಳಪೆಯಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಲಾದ ಉದ್ದೇಶವನ್ನು ಅನುಸರಿಸುತ್ತಿದೆ.

"AI ಸ್ವಂತವಾಗಿ ಕಲಿಯಬಹುದೇ?" ಎಂಬ ಪ್ರಶ್ನೆಗೆ ಉತ್ತಮ ಉತ್ತರ ಯಾವುದು?

ಸಮತೋಲಿತ ಉತ್ತರ ಹೌದು, ಆದರೆ ಸೀಮಿತ ತಾಂತ್ರಿಕ ಅರ್ಥದಲ್ಲಿ ಮಾತ್ರ. ಮಾನವರು ಪ್ರತಿ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಪ್ರೋಗ್ರಾಮ್ ಮಾಡದೆಯೇ AI ಡೇಟಾ, ಪ್ರತಿಕ್ರಿಯೆ, ಪ್ರತಿಫಲಗಳು ಮತ್ತು ಹೊಸ ಮಾದರಿಗಳಿಂದ ಕಲಿಯಬಹುದು. ಆದರೆ ಇದು ಇನ್ನೂ ಮಾನವ-ವಿನ್ಯಾಸಗೊಳಿಸಿದ ಗುರಿಗಳು, ಡೇಟಾ, ಅಲ್ಗಾರಿದಮ್‌ಗಳು, ಮೂಲಸೌಕರ್ಯ ಮತ್ತು ಮೇಲ್ವಿಚಾರಣೆಯನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ. AI ಸ್ವತಂತ್ರವಾಗಿ ಗಡಿಗಳೊಳಗೆ ಕಲಿಯಬಹುದು ಮತ್ತು ಆ ಗಡಿಗಳು ಅಗಾಧವಾಗಿ ಮುಖ್ಯವಾಗಿವೆ.

ಉಲ್ಲೇಖಗಳು

1. ಐಬಿಎಂ - ಯಂತ್ರ ಕಲಿಕೆ - ibm.com

2. NIST - AI ಅಪಾಯ ನಿರ್ವಹಣಾ ಚೌಕಟ್ಟು - nist.gov

3. Google ಡೆವಲಪರ್‌ಗಳು - ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕೆ - developers.google.com

4. Google ಸಂಶೋಧನಾ ಬ್ಲಾಗ್ - SimCLR ನೊಂದಿಗೆ ಸ್ವಯಂ-ಮೇಲ್ವಿಚಾರಣೆ ಮತ್ತು ಅರೆ-ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕೆಯನ್ನು ಮುಂದುವರಿಸುವುದು - research.google

5. ಸ್ಟ್ಯಾನ್‌ಫೋರ್ಡ್ HAI - ಫೌಂಡೇಶನ್ ಮಾದರಿಗಳ ಕುರಿತು ಚಿಂತನೆಗಳು - hai.stanford.edu

6. scikit-ಕಲಿಕೆ - ಆನ್‌ಲೈನ್ ಕಲಿಕೆ - scikit-learn.org

7. OpenAI - ಮಾನವ ಆದ್ಯತೆಗಳಿಂದ ಕಲಿಯುವುದು - openai.com

8. ಗೂಗಲ್ ಕ್ಲೌಡ್ - AI ಏಜೆಂಟ್‌ಗಳು ಎಂದರೇನು? - cloud.google.com

9. ಗೂಗಲ್ ಡೀಪ್‌ಮೈಂಡ್ - ವಿಶೇಷಣ ಗೇಮಿಂಗ್: AI ಜಾಣ್ಮೆಯ ಇನ್ನೊಂದು ಬದಿ - deepmind.google

ಅಧಿಕೃತ AI ಸಹಾಯಕ ಅಂಗಡಿಯಲ್ಲಿ ಇತ್ತೀಚಿನ AI ಅನ್ನು ಹುಡುಕಿ

ನಮ್ಮ ಬಗ್ಗೆ