ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಎಲ್ಲರೂ ತಲೆಯಾಡಿಸುತ್ತಾ ಸದ್ದಿಲ್ಲದೆ ಯೋಚಿಸುತ್ತಿರುವಾಗ ಒಂದು ಮ್ಯಾಜಿಕ್ ಟ್ರಿಕ್ನಂತೆ ಭಾಸವಾಗಬಹುದು... ನಿರೀಕ್ಷಿಸಿ, ಇದು ನಿಜವಾಗಿಯೂ ಕೆಲಸ ಮಾಡುತ್ತದೆ? ಒಳ್ಳೆಯ ಸುದ್ದಿ. ನಾವು ಅದನ್ನು ಯಾವುದೇ ತೊಂದರೆಗಳಿಲ್ಲದೆ ನಿಗೂಢತೆಯನ್ನು ನಿವಾರಿಸುತ್ತೇವೆ, ಪ್ರಾಯೋಗಿಕವಾಗಿರುತ್ತೇವೆ ಮತ್ತು ಅದನ್ನು ಇನ್ನೂ ಕ್ಲಿಕ್ ಮಾಡುವಂತೆ ಮಾಡುವ ಕೆಲವು ಅಪೂರ್ಣ ಸಾದೃಶ್ಯಗಳನ್ನು ಸೇರಿಸುತ್ತೇವೆ. ನೀವು ಸಾರಾಂಶವನ್ನು ಬಯಸಿದರೆ, ಕೆಳಗಿನ ಒಂದು ನಿಮಿಷದ ಉತ್ತರಕ್ಕೆ ಹೋಗಿ; ಆದರೆ ಪ್ರಾಮಾಣಿಕವಾಗಿ ಹೇಳಬೇಕೆಂದರೆ, ವಿವರಗಳು ಲೈಟ್ ಬಲ್ಬ್ ಎಲ್ಲಿ ಪಾಪ್ ಆಗುತ್ತದೆ ಎಂಬುದರ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ 💡.
ಇದರ ನಂತರ ನೀವು ಓದಲು ಇಷ್ಟಪಡಬಹುದಾದ ಲೇಖನಗಳು:
🔗 ಜಿಪಿಟಿ ಎಂದರೆ ಏನು?
ಜಿಪಿಟಿ ಸಂಕ್ಷಿಪ್ತ ರೂಪ ಮತ್ತು ಅದರ ಅರ್ಥದ ತ್ವರಿತ ವಿವರಣೆ.
🔗 AI ತನ್ನ ಮಾಹಿತಿಯನ್ನು ಎಲ್ಲಿಂದ ಪಡೆಯುತ್ತದೆ?
ಕಲಿಯಲು, ತರಬೇತಿ ನೀಡಲು ಮತ್ತು ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಿಸಲು AI ಬಳಸುವ ಮೂಲಗಳು.
🔗 ನಿಮ್ಮ ವ್ಯವಹಾರದಲ್ಲಿ AI ಅನ್ನು ಹೇಗೆ ಸೇರಿಸಿಕೊಳ್ಳುವುದು
AI ಅನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಸಂಯೋಜಿಸಲು ಪ್ರಾಯೋಗಿಕ ಹಂತಗಳು, ಪರಿಕರಗಳು ಮತ್ತು ಕೆಲಸದ ಹರಿವುಗಳು.
🔗 AI ಕಂಪನಿಯನ್ನು ಹೇಗೆ ಪ್ರಾರಂಭಿಸುವುದು
ಕಲ್ಪನೆಯಿಂದ ಉಡಾವಣೆಯವರೆಗೆ: ದೃಢೀಕರಣ, ಹಣಕಾಸು, ತಂಡ ಮತ್ತು ಕಾರ್ಯಗತಗೊಳಿಸುವಿಕೆ.
AI ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ? ಒಂದು ನಿಮಿಷದ ಉತ್ತರ ⏱️
ಭವಿಷ್ಯವಾಣಿಗಳನ್ನು ರೂಪಿಸಲು ಅಥವಾ ವಿಷಯವನ್ನು ಉತ್ಪಾದಿಸಲು AI ಡೇಟಾದಿಂದ ಮಾದರಿಗಳನ್ನು ಕಲಿಯುತ್ತದೆ - ಯಾವುದೇ ಕೈಬರಹದ ನಿಯಮಗಳ ಅಗತ್ಯವಿಲ್ಲ. ಒಂದು ವ್ಯವಸ್ಥೆಯು ಉದಾಹರಣೆಗಳನ್ನು ಒಳಗೊಳ್ಳುತ್ತದೆ, ನಷ್ಟ ಕಾರ್ಯದ ಮೂಲಕ ಅದು ಎಷ್ಟು ತಪ್ಪಾಗಿದೆ ಎಂಬುದನ್ನು ಅಳೆಯುತ್ತದೆ ಮತ್ತು ಪ್ರತಿ ಬಾರಿಯೂ ಸ್ವಲ್ಪ ಕಡಿಮೆ ತಪ್ಪಾಗುವಂತೆ ಅದರ ಆಂತರಿಕ ಗುಬ್ಬಿಗಳನ್ನು- ನಿಯತಾಂಕಗಳನ್ನು- . ತೊಳೆಯಿರಿ, ಪುನರಾವರ್ತಿಸಿ, ಸುಧಾರಿಸಿ. ಸಾಕಷ್ಟು ಚಕ್ರಗಳೊಂದಿಗೆ, ಅದು ಉಪಯುಕ್ತವಾಗುತ್ತದೆ. ನೀವು ಇಮೇಲ್ಗಳನ್ನು ವರ್ಗೀಕರಿಸುತ್ತಿರಲಿ, ಗೆಡ್ಡೆಗಳನ್ನು ಗುರುತಿಸುತ್ತಿರಲಿ, ಬೋರ್ಡ್ ಆಟಗಳನ್ನು ಆಡುತ್ತಿರಲಿ ಅಥವಾ ಹೈಕುಗಳನ್ನು ಬರೆಯುತ್ತಿರಲಿ ಅದೇ ಕಥೆ. “ಯಂತ್ರ ಕಲಿಕೆ”ಯಲ್ಲಿ ಸರಳ ಭಾಷೆಯ ಗ್ರೌಂಡಿಂಗ್ಗಾಗಿ, IBM ನ ಅವಲೋಕನವು ಘನವಾಗಿದೆ [1].
ಹೆಚ್ಚಿನ ಆಧುನಿಕ AI ಎಂದರೆ ಯಂತ್ರ ಕಲಿಕೆ. ಸರಳವಾದ ಆವೃತ್ತಿ: ಡೇಟಾವನ್ನು ಫೀಡ್ ಮಾಡಿ, ಇನ್ಪುಟ್ಗಳಿಂದ ಔಟ್ಪುಟ್ಗಳಿಗೆ ಮ್ಯಾಪಿಂಗ್ ಕಲಿಯಿರಿ, ನಂತರ ಹೊಸ ವಿಷಯಗಳಿಗೆ ಸಾಮಾನ್ಯೀಕರಿಸಿ. ಮ್ಯಾಜಿಕ್-ಗಣಿತವಲ್ಲ, ಕಂಪ್ಯೂಟ್ ಮಾಡಿ, ಮತ್ತು, ನಾವು ಪ್ರಾಮಾಣಿಕರಾಗಿದ್ದರೆ, ಒಂದು ಚಿಟಿಕೆ ಕಲೆ.
“AI ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ?” ✅
AI ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ? ಎಂದು ಗೂಗಲ್ನಲ್ಲಿ ಹುಡುಕಿದಾಗ , ಅವರು ಸಾಮಾನ್ಯವಾಗಿ ಬಯಸುವುದು:
-
ಅವರು ನಂಬಬಹುದಾದ ಮರುಬಳಕೆ ಮಾಡಬಹುದಾದ ಮಾನಸಿಕ ಮಾದರಿ
-
ಪರಿಭಾಷೆ ಭಯಾನಕವಾಗುವುದನ್ನು ನಿಲ್ಲಿಸಲು ಮುಖ್ಯ ಕಲಿಕೆಯ ಪ್ರಕಾರಗಳ ನಕ್ಷೆ.
-
ಕಳೆದುಹೋಗದೆ ನರಮಂಡಲದೊಳಗೆ ಒಂದು ಇಣುಕು ನೋಟ
-
ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ಗಳು ಈಗ ಜಗತ್ತನ್ನು ಏಕೆ ನಡೆಸುತ್ತಿವೆ ಎಂದು ತೋರುತ್ತದೆ?
-
ದತ್ತಾಂಶದಿಂದ ನಿಯೋಜನೆಯವರೆಗಿನ ಪ್ರಾಯೋಗಿಕ ಪೈಪ್ಲೈನ್
-
ನೀವು ಸ್ಕ್ರೀನ್ಶಾಟ್ ತೆಗೆದುಕೊಂಡು ಇಟ್ಟುಕೊಳ್ಳಬಹುದಾದ ಒಂದು ತ್ವರಿತ ಹೋಲಿಕೆ ಕೋಷ್ಟಕ.
-
ನೈತಿಕತೆ, ಪಕ್ಷಪಾತ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹತೆಯ ಮೇಲಿನ ಗಾರ್ಡ್ರೈಲ್ಗಳು ಕೈಯಿಂದ ಅಲೆಯುವಂತಿಲ್ಲ.
ಅದನ್ನೇ ನೀವು ಇಲ್ಲಿ ಪಡೆಯುತ್ತೀರಿ. ನಾನು ಅಲೆದಾಡಿದರೆ, ಅದು ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ - ಮುಂದಿನ ಬಾರಿ ಸುಂದರವಾದ ಮಾರ್ಗದಲ್ಲಿ ಹೋಗಿ ಬೀದಿಗಳನ್ನು ಚೆನ್ನಾಗಿ ನೆನಪಿಸಿಕೊಳ್ಳುವಂತಿದೆ. 🗺️
ಹೆಚ್ಚಿನ AI ವ್ಯವಸ್ಥೆಗಳ ಮೂಲ ಅಂಶಗಳು 🧪
ಅಡುಗೆಮನೆಯಂತಹ AI ವ್ಯವಸ್ಥೆಯ ಬಗ್ಗೆ ಯೋಚಿಸಿ. ನಾಲ್ಕು ಅಂಶಗಳು ಮತ್ತೆ ಮತ್ತೆ ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತವೆ:
-
ಡೇಟಾ — ಲೇಬಲ್ಗಳೊಂದಿಗೆ ಅಥವಾ ಇಲ್ಲದೆ ಉದಾಹರಣೆಗಳು.
-
ಮಾದರಿ — ಹೊಂದಾಣಿಕೆ ಮಾಡಬಹುದಾದ ನಿಯತಾಂಕಗಳನ್ನು ಹೊಂದಿರುವ ಗಣಿತದ ಕಾರ್ಯ.
-
ಉದ್ದೇಶ — ಊಹೆಗಳು ಎಷ್ಟು ಕೆಟ್ಟದಾಗಿವೆ ಎಂಬುದನ್ನು ಅಳೆಯುವ ನಷ್ಟ ಕಾರ್ಯ.
-
ಆಪ್ಟಿಮೈಸೇಶನ್ — ನಷ್ಟವನ್ನು ಕಡಿಮೆ ಮಾಡಲು ನಿಯತಾಂಕಗಳನ್ನು ತಳ್ಳುವ ಅಲ್ಗಾರಿದಮ್.
ಆಳವಾದ ಕಲಿಕೆಯಲ್ಲಿ, ಆ ತಳ್ಳುವಿಕೆಯು ಸಾಮಾನ್ಯವಾಗಿ ಬ್ಯಾಕ್ಪ್ರೊಪಗೇಷನ್ನೊಂದಿಗೆ ಗ್ರೇಡಿಯಂಟ್ ಡಿಸೆಂಟ್ ಆಗಿರುತ್ತದೆ - ಇದು ದೈತ್ಯಾಕಾರದ ಸೌಂಡ್ಬೋರ್ಡ್ನಲ್ಲಿ ಯಾವ ಗುಂಡಿಯು ಕೀರಲು ಧ್ವನಿಯಲ್ಲಿದೆ ಎಂಬುದನ್ನು ಕಂಡುಹಿಡಿಯಲು ಮತ್ತು ನಂತರ ಅದನ್ನು ಕೂದಲಿನಿಂದ ಕೆಳಕ್ಕೆ ತಿರುಗಿಸಲು ಪರಿಣಾಮಕಾರಿ ಮಾರ್ಗವಾಗಿದೆ [2].
ಮಿನಿ-ಕೇಸ್: ನಾವು ದುರ್ಬಲವಾದ ನಿಯಮ-ಆಧಾರಿತ ಸ್ಪ್ಯಾಮ್ ಫಿಲ್ಟರ್ ಅನ್ನು ಸಣ್ಣ ಮೇಲ್ವಿಚಾರಣೆಯ ಮಾದರಿಯೊಂದಿಗೆ ಬದಲಾಯಿಸಿದ್ದೇವೆ. ಒಂದು ವಾರದ ಲೇಬಲ್ → ಅಳತೆ → ನವೀಕರಣ ಲೂಪ್ಗಳ ನಂತರ, ತಪ್ಪು ಧನಾತ್ಮಕ ಅಂಶಗಳು ಕಡಿಮೆಯಾದವು ಮತ್ತು ಬೆಂಬಲ ಟಿಕೆಟ್ಗಳು ಕಡಿಮೆಯಾದವು. ಏನೂ ಅಲಂಕಾರಿಕವಾಗಿಲ್ಲ - ಕೇವಲ ಸ್ವಚ್ಛವಾದ ಉದ್ದೇಶಗಳು ("ಹ್ಯಾಮ್" ಇಮೇಲ್ಗಳಲ್ಲಿ ನಿಖರತೆ) ಮತ್ತು ಉತ್ತಮ ಆಪ್ಟಿಮೈಸೇಶನ್.
ಕಲಿಕೆಯ ಮಾದರಿಗಳನ್ನು ಒಂದು ನೋಟದಲ್ಲಿ 🎓
-
ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕೆ
ನೀವು ಇನ್ಪುಟ್-ಔಟ್ಪುಟ್ ಜೋಡಿಗಳನ್ನು ಒದಗಿಸುತ್ತೀರಿ (ಲೇಬಲ್ಗಳನ್ನು ಹೊಂದಿರುವ ಫೋಟೋಗಳು, ಸ್ಪ್ಯಾಮ್ / ಸ್ಪ್ಯಾಮ್ ಅಲ್ಲ ಎಂದು ಗುರುತಿಸಲಾದ ಇಮೇಲ್ಗಳು). ಮಾದರಿಯು ಇನ್ಪುಟ್ → ಔಟ್ಪುಟ್ ಅನ್ನು ಕಲಿಯುತ್ತದೆ. ಅನೇಕ ಪ್ರಾಯೋಗಿಕ ವ್ಯವಸ್ಥೆಗಳ ಬೆನ್ನೆಲುಬು [1]. -
ಮೇಲ್ವಿಚಾರಣೆಯಿಲ್ಲದ ಕಲಿಕೆ
ಯಾವುದೇ ಲೇಬಲ್ಗಳಿಲ್ಲ. ರಚನೆ-ಸಮೂಹಗಳು, ಸಂಕೋಚನಗಳು, ಸುಪ್ತ ಅಂಶಗಳನ್ನು ಹುಡುಕಿ. ಪರಿಶೋಧನೆ ಅಥವಾ ಪೂರ್ವ ತರಬೇತಿಗೆ ಉತ್ತಮ. -
ಸ್ವಯಂ-ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕೆ
ಮಾದರಿಯು ತನ್ನದೇ ಆದ ಲೇಬಲ್ಗಳನ್ನು ಮಾಡುತ್ತದೆ (ಮುಂದಿನ ಪದವನ್ನು ಊಹಿಸಿ, ಕಾಣೆಯಾದ ಚಿತ್ರ ಪ್ಯಾಚ್). ಕಚ್ಚಾ ಡೇಟಾವನ್ನು ಪ್ರಮಾಣದಲ್ಲಿ ತರಬೇತಿ ಸಂಕೇತವಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ; ಆಧುನಿಕ ಭಾಷೆ ಮತ್ತು ದೃಷ್ಟಿ ಮಾದರಿಗಳನ್ನು ಬಲಪಡಿಸುತ್ತದೆ. -
ಬಲವರ್ಧನೆ ಕಲಿಕೆ
ಒಬ್ಬ ಏಜೆಂಟ್ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಾನೆ, ಪ್ರತಿಫಲಗಳನ್ನು ಮತ್ತು ಸಂಚಿತ ಪ್ರತಿಫಲವನ್ನು ಹೆಚ್ಚಿಸುವ ನೀತಿಯನ್ನು ಕಲಿಯುತ್ತಾನೆ. "ಮೌಲ್ಯ ಕಾರ್ಯಗಳು," "ನೀತಿಗಳು," ಮತ್ತು "ತಾತ್ಕಾಲಿಕ-ವ್ಯತ್ಯಾಸ ಕಲಿಕೆ" ಗಂಟೆ ಬಾರಿಸಿದರೆ - ಇದು ಅವರ ಮನೆ [5].
ಹೌದು, ಆಚರಣೆಯಲ್ಲಿ ವರ್ಗಗಳು ಮಸುಕಾಗುತ್ತವೆ. ಹೈಬ್ರಿಡ್ ವಿಧಾನಗಳು ಸಾಮಾನ್ಯ. ನಿಜ ಜೀವನವು ಗೊಂದಲಮಯವಾಗಿದೆ; ಉತ್ತಮ ಎಂಜಿನಿಯರಿಂಗ್ ಅದನ್ನು ಎಲ್ಲಿದೆಯೋ ಅಲ್ಲಿ ಪೂರೈಸುತ್ತದೆ.
ತಲೆನೋವು ಇಲ್ಲದೆ ನರಮಂಡಲದೊಳಗೆ 🧠
ಒಂದು ನರಮಂಡಲ ಜಾಲವು ಸಣ್ಣ ಗಣಿತ ಘಟಕಗಳ (ನ್ಯೂರಾನ್ಗಳು) ಪದರಗಳನ್ನು ಜೋಡಿಸುತ್ತದೆ. ಪ್ರತಿಯೊಂದು ಪದರವು ತೂಕ, ಪಕ್ಷಪಾತಗಳು ಮತ್ತು ReLU ಅಥವಾ GELU ನಂತಹ ಮೆತ್ತಗಿನ ರೇಖಾತ್ಮಕವಲ್ಲದ ಇನ್ಪುಟ್ಗಳನ್ನು ಪರಿವರ್ತಿಸುತ್ತದೆ. ಆರಂಭಿಕ ಪದರಗಳು ಸರಳ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಕಲಿಯುತ್ತವೆ; ಆಳವಾದವುಗಳು ಅಮೂರ್ತತೆಗಳನ್ನು ಎನ್ಕೋಡ್ ಮಾಡುತ್ತವೆ. "ಮ್ಯಾಜಿಕ್" - ನಾವು ಅದನ್ನು ಕರೆಯಬಹುದಾದರೆ - ಸಂಯೋಜನೆ : ಸರಪಳಿ ಸಣ್ಣ ಕಾರ್ಯಗಳು ಮತ್ತು ನೀವು ಹುಚ್ಚುಚ್ಚಾಗಿ ಸಂಕೀರ್ಣ ವಿದ್ಯಮಾನಗಳನ್ನು ರೂಪಿಸಬಹುದು.
ತರಬೇತಿ ಲೂಪ್, ವೈಬ್ಸ್-ಮಾತ್ರ:
-
ಊಹೆ → ಅಳತೆ ದೋಷ → ಬ್ಯಾಕ್ಪ್ರಾಪ್ ಮೂಲಕ ಆರೋಪಣೆ → ತೂಕಗಳನ್ನು ತಳ್ಳಿ → ಪುನರಾವರ್ತಿಸಿ.
ಇದನ್ನು ಬ್ಯಾಚ್ಗಳಲ್ಲಿ ಮಾಡಿ ಮತ್ತು ಪ್ರತಿ ಹಾಡನ್ನು ಸುಧಾರಿಸುವ ಬೃಹದಾಕಾರದ ನರ್ತಕಿಯಂತೆ, ಮಾಡೆಲ್ ನಿಮ್ಮ ಕಾಲ್ಬೆರಳುಗಳ ಮೇಲೆ ಹೆಜ್ಜೆ ಹಾಕುವುದನ್ನು ನಿಲ್ಲಿಸುತ್ತಾರೆ. ಸ್ನೇಹಪರ, ಕಠಿಣ ಬ್ಯಾಕ್ಪ್ರಾಪ್ ಅಧ್ಯಾಯಕ್ಕಾಗಿ, [2] ನೋಡಿ.
ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ಗಳು ಏಕೆ ಅಧಿಕಾರ ವಹಿಸಿಕೊಂಡವು - ಮತ್ತು "ಗಮನ" ಎಂದರೆ ಏನು 🧲
ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ಗಳು ಸ್ವಯಂ-ಗಮನವನ್ನು ಇನ್ಪುಟ್ನ ಯಾವ ಭಾಗಗಳು ಪರಸ್ಪರ ಮುಖ್ಯವಾಗಿವೆ ಎಂಬುದನ್ನು ಒಂದೇ ಬಾರಿಗೆ ಅಳೆಯುತ್ತವೆ. ಹಳೆಯ ಮಾದರಿಗಳಂತೆ ವಾಕ್ಯವನ್ನು ಕಟ್ಟುನಿಟ್ಟಾಗಿ ಎಡದಿಂದ ಬಲಕ್ಕೆ ಓದುವ ಬದಲು, ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ ಎಲ್ಲೆಡೆ ನೋಡಬಹುದು ಮತ್ತು ಸಂಬಂಧಗಳನ್ನು ಕ್ರಿಯಾತ್ಮಕವಾಗಿ ನಿರ್ಣಯಿಸಬಹುದು - ಯಾರು ಯಾರೊಂದಿಗೆ ಮಾತನಾಡುತ್ತಿದ್ದಾರೆಂದು ನೋಡಲು ಕಿಕ್ಕಿರಿದ ಕೋಣೆಯನ್ನು ಸ್ಕ್ಯಾನ್ ಮಾಡುವಂತೆ.
ಈ ವಿನ್ಯಾಸವು ಅನುಕ್ರಮ ಮಾಡೆಲಿಂಗ್ಗಾಗಿ ಪುನರಾವರ್ತನೆ ಮತ್ತು ಸುರುಳಿಗಳನ್ನು ಕೈಬಿಟ್ಟಿತು, ಇದು ಬೃಹತ್ ಸಮಾನಾಂತರತೆ ಮತ್ತು ಅತ್ಯುತ್ತಮ ಸ್ಕೇಲಿಂಗ್ ಅನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಿತು. ಇದನ್ನು ಪ್ರಾರಂಭಿಸಿದ ಪ್ರಬಂಧ - ಗಮನವು ನಿಮಗೆ ಬೇಕಾಗಿರುವುದು - ವಾಸ್ತುಶಿಲ್ಪ ಮತ್ತು ಫಲಿತಾಂಶಗಳನ್ನು ರೂಪಿಸುತ್ತದೆ [3].
ಒಂದೇ ಸಾಲಿನಲ್ಲಿ ಸ್ವಯಂ-ಗಮನ: ಪ್ರಶ್ನೆ , ಕೀ ಮತ್ತು ಮೌಲ್ಯ ವೆಕ್ಟರ್ಗಳನ್ನು ಮಾಡಿ; ಗಮನದ ತೂಕವನ್ನು ಪಡೆಯಲು ಹೋಲಿಕೆಗಳನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ; ಅದಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಮೌಲ್ಯಗಳನ್ನು ಮಿಶ್ರಣ ಮಾಡಿ. ವಿವರಗಳಲ್ಲಿ ಅವ್ಯವಸ್ಥೆ, ಉತ್ಸಾಹದಲ್ಲಿ ಸೊಗಸಾಗಿದೆ.
ಎಚ್ಚರಿಕೆ: ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ಗಳು ಪ್ರಾಬಲ್ಯ ಹೊಂದಿವೆ, ಏಕಸ್ವಾಮ್ಯವನ್ನು ಹೊಂದಿಲ್ಲ. CNN ಗಳು, RNN ಗಳು ಮತ್ತು ಟ್ರೀ ಎನ್ಸೆಂಬ್ಲ್ಯೂಗಳು ಇನ್ನೂ ಕೆಲವು ಡೇಟಾ ಪ್ರಕಾರಗಳು ಮತ್ತು ವಿಳಂಬ/ವೆಚ್ಚ ನಿರ್ಬಂಧಗಳನ್ನು ಗೆಲ್ಲುತ್ತವೆ. ಕೆಲಸಕ್ಕೆ ವಾಸ್ತುಶಿಲ್ಪವನ್ನು ಆರಿಸಿ, ಪ್ರಚಾರವಲ್ಲ.
AI ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ? ನೀವು ನಿಜವಾಗಿಯೂ ಬಳಸುವ ಪ್ರಾಯೋಗಿಕ ಪೈಪ್ಲೈನ್ 🛠️
-
ಸಮಸ್ಯೆ ರೂಪಿಸುವುದು
ನೀವು ಏನನ್ನು ಊಹಿಸುತ್ತಿದ್ದೀರಿ ಅಥವಾ ಸೃಷ್ಟಿಸುತ್ತಿದ್ದೀರಿ, ಮತ್ತು ಯಶಸ್ಸನ್ನು ಹೇಗೆ ಅಳೆಯಲಾಗುತ್ತದೆ? -
ಡೇಟಾ
ಸಂಗ್ರಹಿಸಿ, ಅಗತ್ಯವಿದ್ದರೆ ಲೇಬಲ್ ಮಾಡಿ, ಸ್ವಚ್ಛಗೊಳಿಸಿ ಮತ್ತು ವಿಭಜಿಸಿ. ಕಾಣೆಯಾದ ಮೌಲ್ಯಗಳು ಮತ್ತು ಅಂಚಿನ ಪ್ರಕರಣಗಳನ್ನು ನಿರೀಕ್ಷಿಸಿ. -
ಮಾಡೆಲಿಂಗ್
ಸರಳವಾಗಿ ಪ್ರಾರಂಭಿಸಿ. ಬೇಸ್ಲೈನ್ಗಳು (ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್, ಗ್ರೇಡಿಯಂಟ್ ಬೂಸ್ಟಿಂಗ್, ಅಥವಾ ಸಣ್ಣ ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್) ಸಾಮಾನ್ಯವಾಗಿ ವೀರೋಚಿತ ಸಂಕೀರ್ಣತೆಯನ್ನು ಮೀರಿಸುತ್ತದೆ. -
ತರಬೇತಿ
ಒಂದು ಉದ್ದೇಶವನ್ನು ಆರಿಸಿ, ಆಪ್ಟಿಮೈಜರ್ ಅನ್ನು ಆರಿಸಿ, ಹೈಪರ್ಪ್ಯಾರಾಮೀಟರ್ಗಳನ್ನು ಹೊಂದಿಸಿ. ಪುನರಾವರ್ತಿಸಿ. -
ಮೌಲ್ಯಮಾಪನ
ನಿಮ್ಮ ನಿಜವಾದ ಗುರಿಗೆ (ನಿಖರತೆ, F1, AUROC, BLEU, ಗೊಂದಲ, ಸುಪ್ತತೆ) ಸಂಬಂಧಿಸಿದ ಹೋಲ್ಡ್-ಔಟ್ಗಳು, ಕ್ರಾಸ್-ವ್ಯಾಲಿಡೇಶನ್ ಮತ್ತು ಮೆಟ್ರಿಕ್ಗಳನ್ನು ಬಳಸಿ. -
ನಿಯೋಜನೆ
API ಹಿಂದೆ ಸೇವೆ ಸಲ್ಲಿಸಿ ಅಥವಾ ಅಪ್ಲಿಕೇಶನ್ನಲ್ಲಿ ಎಂಬೆಡ್ ಮಾಡಿ. ವಿಳಂಬ, ವೆಚ್ಚ, ಥ್ರೋಪುಟ್ ಅನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡಿ. -
ಮೇಲ್ವಿಚಾರಣೆ ಮತ್ತು ಆಡಳಿತ
ದಿಕ್ಚ್ಯುತಿ, ನ್ಯಾಯಸಮ್ಮತತೆ, ದೃಢತೆ ಮತ್ತು ಭದ್ರತೆಯನ್ನು ವೀಕ್ಷಿಸಿ. NIST AI ಅಪಾಯ ನಿರ್ವಹಣಾ ಚೌಕಟ್ಟು (GOVERN, MAP, MEASURE, MANAGE) ವಿಶ್ವಾಸಾರ್ಹ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಅಂತ್ಯದಿಂದ ಕೊನೆಯವರೆಗೆ ಪ್ರಾಯೋಗಿಕ ಪರಿಶೀಲನಾಪಟ್ಟಿಯಾಗಿದೆ [4].
ಮಿನಿ-ಕೇಸ್: ಒಂದು ದೃಷ್ಟಿ ಮಾದರಿಯು ಪ್ರಯೋಗಾಲಯಕ್ಕೆ ಪ್ರವೇಶಿಸಿತು, ನಂತರ ಬೆಳಕು ಬದಲಾದಾಗ ಕ್ಷೇತ್ರದಲ್ಲಿ ಫ್ಲಬ್ ಮಾಡಿತು. ಇನ್ಪುಟ್ ಹಿಸ್ಟೋಗ್ರಾಮ್ಗಳಲ್ಲಿ ಫ್ಲ್ಯಾಗ್ ಮಾಡಿದ ಡ್ರಿಫ್ಟ್ ಅನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುವುದು; ತ್ವರಿತ ವರ್ಧನೆ + ಫೈನ್-ಟ್ಯೂನ್ ಬಂಪ್ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪುನಃಸ್ಥಾಪಿಸಿತು. ನೀರಸವಾಗಿದೆಯೇ? ಹೌದು. ಪರಿಣಾಮಕಾರಿಯೇ? ಹೌದು.
ಹೋಲಿಕೆ ಕೋಷ್ಟಕ - ವಿಧಾನಗಳು, ಅವು ಯಾರಿಗಾಗಿ, ಅಂದಾಜು ವೆಚ್ಚ, ಅವು ಏಕೆ ಕೆಲಸ ಮಾಡುತ್ತವೆ 📊
ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ಅಪೂರ್ಣ: ಸ್ವಲ್ಪ ಅಸಮವಾದ ಪದಗುಚ್ಛವು ಅದನ್ನು ಮಾನವೀಯವೆಂದು ಭಾವಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.
| ಅಪ್ರೋಚ್ | ಆದರ್ಶ ಪ್ರೇಕ್ಷಕರು | ದುಬಾರಿ | ಅದು ಏಕೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ / ಟಿಪ್ಪಣಿಗಳು |
|---|---|---|---|
| ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕೆ | ವಿಶ್ಲೇಷಕರು, ಉತ್ಪನ್ನ ತಂಡಗಳು | ಕಡಿಮೆ-ಮಧ್ಯಮ | ನೇರ ಮ್ಯಾಪಿಂಗ್ ಇನ್ಪುಟ್→ಲೇಬಲ್. ಲೇಬಲ್ಗಳು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವಾಗ ಉತ್ತಮವಾಗಿರುತ್ತದೆ; ಅನೇಕ ನಿಯೋಜಿಸಲಾದ ವ್ಯವಸ್ಥೆಗಳ ಬೆನ್ನೆಲುಬಾಗಿ ರೂಪುಗೊಳ್ಳುತ್ತದೆ [1]. |
| ಮೇಲ್ವಿಚಾರಣೆಯಿಲ್ಲದ | ಡೇಟಾ ಅನ್ವೇಷಕರು, ಸಂಶೋಧನೆ ಮತ್ತು ಅಭಿವೃದ್ಧಿ | ಕಡಿಮೆ | ಕ್ಲಸ್ಟರ್ಗಳು/ಸಂಕೋಚನಗಳು/ಸುಪ್ತ ಅಂಶಗಳನ್ನು ಕಂಡುಹಿಡಿಯುತ್ತದೆ - ಆವಿಷ್ಕಾರ ಮತ್ತು ಪೂರ್ವ ತರಬೇತಿಗೆ ಒಳ್ಳೆಯದು. |
| ಸ್ವಯಂ ಮೇಲ್ವಿಚಾರಣೆ | ಪ್ಲಾಟ್ಫಾರ್ಮ್ ತಂಡಗಳು | ಮಧ್ಯಮ | ಕಂಪ್ಯೂಟ್ ಮತ್ತು ಡೇಟಾದೊಂದಿಗೆ ಕಚ್ಚಾ ಡೇಟಾ-ಸ್ಕೇಲ್ಗಳಿಂದ ತನ್ನದೇ ಆದ ಲೇಬಲ್ಗಳನ್ನು ಮಾಡುತ್ತದೆ. |
| ಬಲವರ್ಧನೆ ಕಲಿಕೆ | ರೊಬೊಟಿಕ್ಸ್, ಆಪ್ಸ್ ಸಂಶೋಧನೆ | ಮಧ್ಯಮ-ಹೆಚ್ಚು | ಪ್ರತಿಫಲ ಸಂಕೇತಗಳಿಂದ ನೀತಿಗಳನ್ನು ಕಲಿಯುತ್ತದೆ; ಕ್ಯಾನನ್ಗಾಗಿ ಸಟ್ಟನ್ ಮತ್ತು ಬಾರ್ಟೊವನ್ನು ಓದಿ [5]. |
| ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ಗಳು | NLP, ದೃಷ್ಟಿ, ಮಲ್ಟಿಮೋಡಲ್ | ಮಧ್ಯಮ-ಹೆಚ್ಚು | ಸ್ವಯಂ-ಗಮನವು ದೀರ್ಘ-ಶ್ರೇಣಿಯ ಡೆಪ್ಗಳನ್ನು ಸೆರೆಹಿಡಿಯುತ್ತದೆ ಮತ್ತು ಚೆನ್ನಾಗಿ ಸಮಾನಾಂತರಗೊಳಿಸುತ್ತದೆ; ಮೂಲ ಪತ್ರಿಕೆಯನ್ನು ನೋಡಿ [3]. |
| ಕ್ಲಾಸಿಕ್ ML (ಮರಗಳು) | ಕೋಷ್ಟಕ ವ್ಯವಹಾರ ಅಪ್ಲಿಕೇಶನ್ಗಳು | ಕಡಿಮೆ | ರಚನಾತ್ಮಕ ದತ್ತಾಂಶದ ಮೇಲೆ ಅಗ್ಗದ, ವೇಗದ, ಆಗಾಗ್ಗೆ ಆಘಾತಕಾರಿ ಬಲವಾದ ಮೂಲ ಅಂಶಗಳು. |
| ನಿಯಮ-ಆಧಾರಿತ/ಸಾಂಕೇತಿಕ | ಅನುಸರಣೆ, ನಿರ್ಣಾಯಕ | ತುಂಬಾ ಕಡಿಮೆ | ಪಾರದರ್ಶಕ ತರ್ಕ; ನಿಮಗೆ ಲೆಕ್ಕಪರಿಶೋಧನೆಯ ಅಗತ್ಯವಿರುವಾಗ ಮಿಶ್ರತಳಿಗಳಲ್ಲಿ ಉಪಯುಕ್ತವಾಗಿದೆ. |
| ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ಅಪಾಯ | ಎಲ್ಲರೂ | ಬದಲಾಗುತ್ತದೆ | ಅದನ್ನು ಸುರಕ್ಷಿತವಾಗಿ ಮತ್ತು ಉಪಯುಕ್ತವಾಗಿಡಲು NIST ಯ GOVERN-MAP-MEASURE-MANAGE ಅನ್ನು ಬಳಸಿ [4]. |
ಬೆಲೆ-ಇಶ್ = ಡೇಟಾ ಲೇಬಲಿಂಗ್ + ಕಂಪ್ಯೂಟ್ + ಜನರು + ಸೇವೆ.
ಆಳವಾದ ಡೈವ್ 1 - ನಷ್ಟ ಕಾರ್ಯಗಳು, ಇಳಿಜಾರುಗಳು ಮತ್ತು ಎಲ್ಲವನ್ನೂ ಬದಲಾಯಿಸುವ ಸಣ್ಣ ಹಂತಗಳು 📉
ಗಾತ್ರದಿಂದ ಮನೆಯ ಬೆಲೆಯನ್ನು ಊಹಿಸಲು ಒಂದು ರೇಖೆಯನ್ನು ಅಳವಡಿಸುವುದನ್ನು ಕಲ್ಪಿಸಿಕೊಳ್ಳಿ. ನೀವು (w) ಮತ್ತು (b) ನಿಯತಾಂಕಗಳನ್ನು ಆರಿಸಿಕೊಳ್ಳಿ, (\hat{y} = wx + b) ಊಹಿಸಿ, ಮತ್ತು ಸರಾಸರಿ ವರ್ಗ ನಷ್ಟದೊಂದಿಗೆ ದೋಷವನ್ನು ಅಳೆಯಿರಿ. ಗ್ರೇಡಿಯಂಟ್ ನಿಮಗೆ ಯಾವ ದಿಕ್ಕಿನಲ್ಲಿ ಚಲಿಸಬೇಕೆಂದು ಹೇಳುತ್ತದೆ (w) ಮತ್ತು (b) ನಷ್ಟವನ್ನು ವೇಗವಾಗಿ ಕಡಿಮೆ ಮಾಡಲು - ನೆಲದ ಇಳಿಜಾರುಗಳನ್ನು ಅನುಭವಿಸುವ ಮೂಲಕ ಮಂಜಿನಲ್ಲಿ ಇಳಿಜಾರಿನಲ್ಲಿ ನಡೆಯುವಂತೆ. ಪ್ರತಿ ಬ್ಯಾಚ್ ನಂತರ ನವೀಕರಿಸಿ ಮತ್ತು ನಿಮ್ಮ ರೇಖೆಯು ವಾಸ್ತವಕ್ಕೆ ಹತ್ತಿರವಾಗುತ್ತದೆ.
ಆಳವಾದ ನೆಟ್ಗಳಲ್ಲಿ ಇದು ದೊಡ್ಡ ಬ್ಯಾಂಡ್ನೊಂದಿಗೆ ಅದೇ ಹಾಡಾಗಿರುತ್ತದೆ. ಬ್ಯಾಕ್ಪ್ರಾಪ್ ಪ್ರತಿಯೊಂದು ಪದರದ ನಿಯತಾಂಕಗಳು ಅಂತಿಮ ದೋಷದ ಮೇಲೆ ಹೇಗೆ ಪರಿಣಾಮ ಬೀರುತ್ತವೆ ಎಂಬುದನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುತ್ತದೆ - ಪರಿಣಾಮಕಾರಿಯಾಗಿ - ಆದ್ದರಿಂದ ನೀವು ಲಕ್ಷಾಂತರ (ಅಥವಾ ಶತಕೋಟಿ) ಗುಬ್ಬಿಗಳನ್ನು ಸರಿಯಾದ ದಿಕ್ಕಿನಲ್ಲಿ ತಳ್ಳಬಹುದು [2].
ಪ್ರಮುಖ ಅಂತಃಪ್ರಜ್ಞೆಗಳು:
-
ನಷ್ಟವು ಭೂದೃಶ್ಯವನ್ನು ರೂಪಿಸುತ್ತದೆ.
-
ಇಳಿಜಾರುಗಳು ನಿಮ್ಮ ದಿಕ್ಸೂಚಿ.
-
ಕಲಿಕೆಯ ವೇಗವು ಹೆಜ್ಜೆಯ ಗಾತ್ರವಾಗಿದೆ - ತುಂಬಾ ದೊಡ್ಡದಾಗಿದೆ ಮತ್ತು ನೀವು ತೂಗಾಡುತ್ತೀರಿ, ತುಂಬಾ ಚಿಕ್ಕದಾಗಿದೆ ಮತ್ತು ನೀವು ನಿದ್ರಿಸುತ್ತೀರಿ.
-
ಕ್ರಮಬದ್ಧಗೊಳಿಸುವಿಕೆಯು ತರಬೇತಿ ಸೆಟ್ ಅನ್ನು ಪರಿಪೂರ್ಣ ಸ್ಮರಣೆಯೊಂದಿಗೆ ಆದರೆ ತಿಳುವಳಿಕೆಯಿಲ್ಲದೆ ಗಿಣಿಯಂತೆ ನೆನಪಿಟ್ಟುಕೊಳ್ಳುವುದನ್ನು ತಡೆಯುತ್ತದೆ.
ಆಳವಾದ ಡೈವ್ 2 - ಎಂಬೆಡಿಂಗ್ಗಳು, ಪ್ರಾಂಪ್ಟಿಂಗ್ ಮತ್ತು ಮರುಪಡೆಯುವಿಕೆ 🧭
ಎಂಬೆಡಿಂಗ್ಗಳು ಪದಗಳು, ಚಿತ್ರಗಳು ಅಥವಾ ವಸ್ತುಗಳನ್ನು ವೆಕ್ಟರ್ ಸ್ಥಳಗಳಿಗೆ ನಕ್ಷೆ ಮಾಡುತ್ತವೆ, ಅಲ್ಲಿ ಒಂದೇ ರೀತಿಯ ವಸ್ತುಗಳು ಪರಸ್ಪರ ಹತ್ತಿರ ಇಳಿಯುತ್ತವೆ. ಅದು ನಿಮಗೆ:
-
ಅರ್ಥದಲ್ಲಿ ಹೋಲುವ ವಾಕ್ಯವೃಂದಗಳನ್ನು ಹುಡುಕಿ
-
ಅರ್ಥವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಶಕ್ತಿ ಹುಡುಕಾಟ
-
ಭಾಷಾ ಮಾದರಿಯು ಬರೆಯುವ ಮೊದಲು ಸತ್ಯಗಳನ್ನು ಹುಡುಕಲು ಸಾಧ್ಯವಾಗುವಂತೆ ಮರುಪಡೆಯುವಿಕೆ-ವರ್ಧಿತ ಜನರೇಷನ್ (RAG) ಅನ್ನು ಪ್ಲಗ್ ಇನ್ ಮಾಡಿ
ಪ್ರಾಂಪ್ಟಿಂಗ್ ಎಂದರೆ ನೀವು ಜನರೇಟಿವ್ ಮಾದರಿಗಳನ್ನು ಹೇಗೆ ಮುನ್ನಡೆಸುತ್ತೀರಿ - ಕಾರ್ಯವನ್ನು ವಿವರಿಸಿ, ಉದಾಹರಣೆಗಳನ್ನು ನೀಡಿ, ನಿರ್ಬಂಧಗಳನ್ನು ಹೊಂದಿಸಿ. ಇದನ್ನು ಅತ್ಯಂತ ವೇಗದ ಇಂಟರ್ನ್ಗಾಗಿ ಬಹಳ ವಿವರವಾದ ವಿವರಣೆಯನ್ನು ಬರೆಯುವಂತೆ ಯೋಚಿಸಿ: ಉತ್ಸಾಹಿ, ಕೆಲವೊಮ್ಮೆ ಅತಿಯಾದ ಆತ್ಮವಿಶ್ವಾಸ.
ಪ್ರಾಯೋಗಿಕ ಸಲಹೆ: ನಿಮ್ಮ ಮಾದರಿಯು ಭ್ರಮೆಗೊಂಡರೆ, ಮರುಪಡೆಯುವಿಕೆಯನ್ನು ಸೇರಿಸಿ, ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಬಿಗಿಗೊಳಿಸಿ ಅಥವಾ "ವೈಬ್ಸ್" ಬದಲಿಗೆ ಗ್ರೌಂಡೆಡ್ ಮೆಟ್ರಿಕ್ಗಳೊಂದಿಗೆ ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ.
ಆಳವಾದ ಡೈವ್ 3 - ಭ್ರಮೆಗಳಿಲ್ಲದ ಮೌಲ್ಯಮಾಪನ 🧪
ಒಳ್ಳೆಯ ಮೌಲ್ಯಮಾಪನ ಬೇಸರ ತರಿಸುತ್ತದೆ - ಅದೇ ಮುಖ್ಯ ವಿಷಯ.
-
ಲಾಕ್ ಮಾಡಿದ ಪರೀಕ್ಷಾ ಸೆಟ್ ಬಳಸಿ.
-
ಬಳಕೆದಾರರ ನೋವನ್ನು ಪ್ರತಿಬಿಂಬಿಸುವ ಮೆಟ್ರಿಕ್ ಅನ್ನು ಆರಿಸಿ.
-
ನಿಜವಾಗಿಯೂ ಏನು ಸಹಾಯ ಮಾಡಿದೆ ಎಂದು ತಿಳಿಯಲು ಶಸ್ತ್ರಚಿಕಿತ್ಸಾ ಹಸ್ತಕ್ಷೇಪವನ್ನು ಮಾಡಿ.
-
ನಿಜವಾದ, ಗೊಂದಲಮಯ ಉದಾಹರಣೆಗಳೊಂದಿಗೆ ಲಾಗ್ ವೈಫಲ್ಯಗಳು.
ಉತ್ಪಾದನೆಯಲ್ಲಿ, ಮೇಲ್ವಿಚಾರಣೆ ಎಂದರೆ ಎಂದಿಗೂ ನಿಲ್ಲದ ಮೌಲ್ಯಮಾಪನ. ಅಲೆಗಳು ಸಂಭವಿಸುತ್ತವೆ. ಹೊಸ ಭಾಷೆ ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತದೆ, ಸಂವೇದಕಗಳನ್ನು ಮರು ಮಾಪನಾಂಕ ಮಾಡಲಾಗುತ್ತದೆ ಮತ್ತು ನಿನ್ನೆಯ ಮಾದರಿ ಸ್ವಲ್ಪ ಜಾರುತ್ತದೆ. NIST ಚೌಕಟ್ಟು ನಡೆಯುತ್ತಿರುವ ಅಪಾಯ ನಿರ್ವಹಣೆ ಮತ್ತು ಆಡಳಿತಕ್ಕೆ ಪ್ರಾಯೋಗಿಕ ಉಲ್ಲೇಖವಾಗಿದೆ - ಅದನ್ನು ರದ್ದುಪಡಿಸುವ ನೀತಿ ದಾಖಲೆಯಲ್ಲ [4].
ನೀತಿಶಾಸ್ತ್ರ, ಪಕ್ಷಪಾತ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹತೆಯ ಕುರಿತು ಒಂದು ಟಿಪ್ಪಣಿ ⚖️
AI ವ್ಯವಸ್ಥೆಗಳು ಅವುಗಳ ಡೇಟಾ ಮತ್ತು ನಿಯೋಜನೆ ಸಂದರ್ಭವನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತವೆ. ಅದು ಅಪಾಯವನ್ನು ತರುತ್ತದೆ: ಪಕ್ಷಪಾತ, ಗುಂಪುಗಳಲ್ಲಿ ಅಸಮಾನ ದೋಷಗಳು, ವಿತರಣಾ ಬದಲಾವಣೆಯ ಅಡಿಯಲ್ಲಿ ದುರ್ಬಲತೆ. ನೈತಿಕ ಬಳಕೆಯು ಐಚ್ಛಿಕವಲ್ಲ - ಇದು ಟೇಬಲ್ ಪಂತಗಳು. NIST ಕಾಂಕ್ರೀಟ್ ಅಭ್ಯಾಸಗಳನ್ನು ಸೂಚಿಸುತ್ತದೆ: ಅಪಾಯಗಳು ಮತ್ತು ಪರಿಣಾಮಗಳನ್ನು ದಾಖಲಿಸುವುದು, ಹಾನಿಕಾರಕ ಪಕ್ಷಪಾತಕ್ಕಾಗಿ ಅಳತೆ ಮಾಡುವುದು, ಫಾಲ್ಬ್ಯಾಕ್ಗಳನ್ನು ನಿರ್ಮಿಸುವುದು ಮತ್ತು ಪಂತಗಳು ಹೆಚ್ಚಿರುವಾಗ ಮನುಷ್ಯರನ್ನು ಲೂಪ್ನಲ್ಲಿ ಇಡುವುದು [4].
ಸಹಾಯ ಮಾಡುವ ಕಾಂಕ್ರೀಟ್ ಚಲನೆಗಳು:
-
ವೈವಿಧ್ಯಮಯ, ಪ್ರಾತಿನಿಧಿಕ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಿ
-
ಉಪ-ಜನಸಂಖ್ಯೆಯಾದ್ಯಂತ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಅಳೆಯಿರಿ
-
ಡಾಕ್ಯುಮೆಂಟ್ ಮಾದರಿ ಕಾರ್ಡ್ಗಳು ಮತ್ತು ಡೇಟಾ ಶೀಟ್ಗಳು
-
ಅಪಾಯ ಹೆಚ್ಚಿರುವಲ್ಲಿ ಮಾನವ ಮೇಲ್ವಿಚಾರಣೆಯನ್ನು ಸೇರಿಸಿ.
-
ವ್ಯವಸ್ಥೆಯು ಅನಿಶ್ಚಿತವಾಗಿದ್ದಾಗ ವಿಫಲ-ಸೇಫ್ಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಿ
AI ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ? ಮಾನಸಿಕ ಮಾದರಿಯಾಗಿ ನೀವು ಮರುಬಳಕೆ ಮಾಡಬಹುದು 🧩
ಯಾವುದೇ AI ವ್ಯವಸ್ಥೆಗೆ ನೀವು ಅನ್ವಯಿಸಬಹುದಾದ ಒಂದು ಸಂಕ್ಷಿಪ್ತ ಪರಿಶೀಲನಾಪಟ್ಟಿ:
-
ಉದ್ದೇಶವೇನು? ಭವಿಷ್ಯ, ಶ್ರೇಯಾಂಕ, ಉತ್ಪಾದನೆ, ನಿಯಂತ್ರಣ?
-
ಕಲಿಕೆಯ ಸಂಕೇತ ಎಲ್ಲಿಂದ ಬರುತ್ತದೆ? ಲೇಬಲ್ಗಳು, ಸ್ವಯಂ-ಮೇಲ್ವಿಚಾರಣೆಯ ಕಾರ್ಯಗಳು, ಪ್ರತಿಫಲಗಳು?
-
ಯಾವ ವಾಸ್ತುಶಿಲ್ಪವನ್ನು ಬಳಸಲಾಗುತ್ತದೆ? ರೇಖೀಯ ಮಾದರಿ, ಮರದ ಸಮೂಹ, CNN, RNN, ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ [3]?
-
ಇದನ್ನು ಹೇಗೆ ಅತ್ಯುತ್ತಮವಾಗಿಸಲಾಗಿದೆ? ಗ್ರೇಡಿಯಂಟ್ ಡಿಸೆಂಟ್ ವ್ಯತ್ಯಾಸಗಳು/ಬ್ಯಾಕ್ಪ್ರಾಪ್ [2]?
-
ಯಾವ ಡೇಟಾ ಪದ್ಧತಿ? ಸಣ್ಣ ಲೇಬಲ್ ಮಾಡಿದ ಸೆಟ್, ಲೇಬಲ್ ಮಾಡದ ಪಠ್ಯದ ಸಾಗರ, ಸಿಮ್ಯುಲೇಟೆಡ್ ಪರಿಸರ?
-
ವೈಫಲ್ಯ ವಿಧಾನಗಳು ಮತ್ತು ಸುರಕ್ಷತಾ ಕ್ರಮಗಳು ಯಾವುವು? ಪಕ್ಷಪಾತ, ದಿಕ್ಚ್ಯುತಿ, ಭ್ರಮೆ, ವಿಳಂಬ, NIST ಯ GOVERN-MAP-MEASURE-MANAGE [4] ಗೆ ವೆಚ್ಚ-ಮ್ಯಾಪ್ ಮಾಡಲಾಗಿದೆ.
ನೀವು ಅವುಗಳಿಗೆ ಉತ್ತರಿಸಲು ಸಾಧ್ಯವಾದರೆ, ನೀವು ಮೂಲತಃ ವ್ಯವಸ್ಥೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುತ್ತೀರಿ - ಉಳಿದವು ಅನುಷ್ಠಾನದ ವಿವರಗಳು ಮತ್ತು ಡೊಮೇನ್ ಜ್ಞಾನ.
ಬುಕ್ಮಾರ್ಕ್ ಮಾಡಲು ಯೋಗ್ಯವಾದ ತ್ವರಿತ ಮೂಲಗಳು 🔖
-
ಯಂತ್ರ ಕಲಿಕೆ ಪರಿಕಲ್ಪನೆಗಳಿಗೆ ಸರಳ ಭಾಷೆಯ ಪರಿಚಯ (IBM) [1]
-
ರೇಖಾಚಿತ್ರಗಳು ಮತ್ತು ಸೌಮ್ಯ ಗಣಿತದೊಂದಿಗೆ ಬ್ಯಾಕ್ಪ್ರೊಪಗೇಷನ್ [2]
-
ಅನುಕ್ರಮ ಮಾದರಿಯನ್ನು ಬದಲಾಯಿಸಿದ ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ ಪೇಪರ್ [3]
-
NIST ಯ AI ಅಪಾಯ ನಿರ್ವಹಣಾ ಚೌಕಟ್ಟು (ಪ್ರಾಯೋಗಿಕ ಆಡಳಿತ) [4]
-
ಅಂಗೀಕೃತ ಬಲವರ್ಧನೆ ಕಲಿಕೆಯ ಪಠ್ಯಪುಸ್ತಕ (ಉಚಿತ) [5]
FAQ ಮಿಂಚಿನ ಸುತ್ತು ⚡
AI ಕೇವಲ ಅಂಕಿಅಂಶಗಳೇ?
ಇದು ಅಂಕಿಅಂಶಗಳ ಜೊತೆಗೆ ಆಪ್ಟಿಮೈಸೇಶನ್, ಕಂಪ್ಯೂಟ್, ಡೇಟಾ ಎಂಜಿನಿಯರಿಂಗ್ ಮತ್ತು ಉತ್ಪನ್ನ ವಿನ್ಯಾಸ. ಅಂಕಿಅಂಶಗಳು ಅಸ್ಥಿಪಂಜರ; ಉಳಿದವು ಸ್ನಾಯು.
ದೊಡ್ಡ ಮಾದರಿಗಳು ಯಾವಾಗಲೂ ಗೆಲ್ಲುತ್ತವೆಯೇ?
ಸ್ಕೇಲಿಂಗ್ ಸಹಾಯ ಮಾಡುತ್ತದೆ, ಆದರೆ ಡೇಟಾ ಗುಣಮಟ್ಟ, ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ನಿಯೋಜನೆ ನಿರ್ಬಂಧಗಳು ಹೆಚ್ಚಾಗಿ ಮುಖ್ಯವಾಗುತ್ತವೆ. ನಿಮ್ಮ ಗುರಿಯನ್ನು ಸಾಧಿಸುವ ಚಿಕ್ಕ ಮಾದರಿಯು ಸಾಮಾನ್ಯವಾಗಿ ಬಳಕೆದಾರರು ಮತ್ತು ವ್ಯಾಲೆಟ್ಗಳಿಗೆ ಉತ್ತಮವಾಗಿರುತ್ತದೆ.
AI ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬಹುದೇ?
ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಿ . ಮಾದರಿಗಳು ದತ್ತಾಂಶದಲ್ಲಿ ರಚನೆಯನ್ನು ಸೆರೆಹಿಡಿಯುತ್ತವೆ ಮತ್ತು ಪ್ರಭಾವಶಾಲಿಯಾಗಿ ಸಾಮಾನ್ಯೀಕರಿಸುತ್ತವೆ; ಆದರೆ ಅವುಗಳಿಗೆ ಕುರುಡು ಕಲೆಗಳಿವೆ ಮತ್ತು ಖಚಿತವಾಗಿ ತಪ್ಪಾಗಿರಬಹುದು. ಅವುಗಳನ್ನು ಶಕ್ತಿಶಾಲಿ ಸಾಧನಗಳಂತೆ ಪರಿಗಣಿಸಿ - ಋಷಿಗಳಂತೆ ಅಲ್ಲ.
ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ ಯುಗ ಶಾಶ್ವತವೇ?
ಬಹುಶಃ ಶಾಶ್ವತವಲ್ಲ. ಮೂಲ ಪ್ರಬಂಧವು ತೋರಿಸಿದಂತೆ [3] ಗಮನವು ಸಮಾನಾಂತರಗೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಚೆನ್ನಾಗಿ ಮಾಪಕವಾಗುತ್ತದೆಯಾದ್ದರಿಂದ ಅದು ಈಗ ಪ್ರಬಲವಾಗಿದೆ. ಆದರೆ ಸಂಶೋಧನೆಯು ಮುಂದುವರಿಯುತ್ತದೆ.
AI ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ? ತುಂಬಾ ಉದ್ದವಾಗಿದೆ, ಓದಿಲ್ಲ 🧵
-
AI ದತ್ತಾಂಶದಿಂದ ಮಾದರಿಗಳನ್ನು ಕಲಿಯುತ್ತದೆ, ನಷ್ಟವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಹೊಸ ಇನ್ಪುಟ್ಗಳಿಗೆ ಸಾಮಾನ್ಯೀಕರಿಸುತ್ತದೆ [1,2].
-
ಮೇಲ್ವಿಚಾರಣೆ, ಮೇಲ್ವಿಚಾರಣೆಯಿಲ್ಲದ, ಸ್ವಯಂ-ಮೇಲ್ವಿಚಾರಣೆ ಮತ್ತು ಬಲವರ್ಧನೆಯ ಕಲಿಕೆಯು ಮುಖ್ಯ ತರಬೇತಿ ವ್ಯವಸ್ಥೆಗಳಾಗಿವೆ; RL ಪ್ರತಿಫಲಗಳಿಂದ ಕಲಿಯುತ್ತದೆ [5].
-
ನರಮಂಡಲ ಜಾಲಗಳು ಲಕ್ಷಾಂತರ ನಿಯತಾಂಕಗಳನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಹೊಂದಿಸಲು ಬ್ಯಾಕ್ಪ್ರೊಪಗೇಷನ್ ಮತ್ತು ಗ್ರೇಡಿಯಂಟ್ ಡಿಸೆಂಟ್ ಅನ್ನು ಬಳಸುತ್ತವೆ [2].
-
ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ಗಳು ಅನೇಕ ಅನುಕ್ರಮ ಕಾರ್ಯಗಳಲ್ಲಿ ಪ್ರಾಬಲ್ಯ ಹೊಂದಿವೆ ಏಕೆಂದರೆ ಸ್ವಯಂ-ಗಮನವು ಪ್ರಮಾಣದಲ್ಲಿ ಸಮಾನಾಂತರವಾಗಿ ಸಂಬಂಧಗಳನ್ನು ಸೆರೆಹಿಡಿಯುತ್ತದೆ [3].
-
ನೈಜ-ಪ್ರಪಂಚದ AI ಎಂಬುದು ಸಮಸ್ಯೆ ರಚನೆಯಿಂದ ನಿಯೋಜನೆ ಮತ್ತು ಆಡಳಿತದವರೆಗೆ ಒಂದು ಮಾರ್ಗವಾಗಿದೆ ಮತ್ತು NIST ಯ ಚೌಕಟ್ಟು ಅಪಾಯದ ಬಗ್ಗೆ ನಿಮ್ಮನ್ನು ಪ್ರಾಮಾಣಿಕವಾಗಿರಿಸುತ್ತದೆ [4].
AI ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ? ಎಂದು ಕೇಳಿದರೆ , ನೀವು ನಗುತ್ತಾ, ಕಾಫಿ ಹೀರುತ್ತಾ ಹೀಗೆ ಹೇಳಬಹುದು: ಅದು ಡೇಟಾದಿಂದ ಕಲಿಯುತ್ತದೆ, ನಷ್ಟವನ್ನು ಅತ್ಯುತ್ತಮವಾಗಿಸುತ್ತದೆ ಮತ್ತು ಸಮಸ್ಯೆಯನ್ನು ಅವಲಂಬಿಸಿ ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ಗಳು ಅಥವಾ ಮರದ ಮೇಳಗಳಂತಹ ವಾಸ್ತುಶಿಲ್ಪಗಳನ್ನು ಬಳಸುತ್ತದೆ. ನಂತರ ಕಣ್ಣು ಮಿಟುಕಿಸಿ, ಏಕೆಂದರೆ ಅದು ಸರಳ ಮತ್ತು ರಹಸ್ಯವಾಗಿ ಸಂಪೂರ್ಣವಾಗಿದೆ. 😉
ಉಲ್ಲೇಖಗಳು
[1] ಐಬಿಎಂ - ಯಂತ್ರ ಕಲಿಕೆ ಎಂದರೇನು?
ಇನ್ನಷ್ಟು ಓದಿ
[2] ಮೈಕೆಲ್ ನೀಲ್ಸನ್ - ಬ್ಯಾಕ್ಪ್ರೊಪಗೇಷನ್ ಅಲ್ಗಾರಿದಮ್ ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ
ಇನ್ನಷ್ಟು ಓದಿ
[3] ವಾಸ್ವಾನಿ ಮತ್ತು ಇತರರು - ಗಮನ ಮಾತ್ರ ನಿಮಗೆ ಬೇಕಾಗಿರುವುದು (arXiv)
ಇನ್ನಷ್ಟು ಓದಿ
[4] NIST - ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಅಪಾಯ ನಿರ್ವಹಣಾ ಚೌಕಟ್ಟು (AI RMF 1.0)
ಇನ್ನಷ್ಟು ಓದಿ
[5] ಸಟ್ಟನ್ & ಬಾರ್ಟೊ - ಬಲವರ್ಧನೆ ಕಲಿಕೆ: ಒಂದು ಪರಿಚಯ (2ನೇ ಆವೃತ್ತಿ)
ಇನ್ನಷ್ಟು ಓದಿ