செயற்கை நுண்ணறிவால் தானாகக் கற்றுக்கொள்ள முடியுமா? [காணொளி மற்றும் வினாவிடை]

சுருக்கமான பதில்: வரையறுக்கப்பட்ட தொழில்நுட்ப வரம்புகளுக்குள் செயற்கை நுண்ணறிவால் கற்றுக்கொள்ள முடியும்: அது வடிவங்களை அடையாளம் காணவும், பின்னூட்டத்தின் மூலம் தன்னை மேம்படுத்திக்கொள்ளவும், அந்த நோக்கத்திற்காக வடிவமைக்கப்பட்ட அமைப்புகளுக்குள் தன்னைத் தகவமைத்துக்கொள்ளவும் முடியும். ஆனால், இலக்குகள், தரவுகள், வெகுமதிகள் அல்லது பாதுகாப்பு அம்சங்கள் தவறாகத் தேர்ந்தெடுக்கப்படும்போது, ​​அது திசைமாறிச் செல்லலாம், தீங்கு விளைவிக்கும் வடிவங்களை மீண்டும் உருவாக்கலாம் அல்லது தவறான ஒரு விஷயத்தை உகந்ததாக்கலாம்.

முக்கியக் குறிப்புகள்: பொறுப்புக்கூறல்: மாதிரியின் இலக்குகள், வரம்புகள், செயல்படுத்துதல் மற்றும் கண்காணிப்பு ஆகியவற்றிற்குத் தெளிவான மனிதப் பொறுப்பாளர்களை நியமிக்கவும்.

ஒப்புதல்: பயனர் தரவைப் பாதுகாக்கவும், குறிப்பாக நேரடி ஊடாடல்கள் மூலம் கணினி அமைப்புகள் புதுப்பிக்கப்படும்போது இது அவசியமாகும்.

வெளிப்படைத்தன்மை: செயற்கை நுண்ணறிவு எதிலிருந்து கற்றுக்கொள்கிறது என்பதையும், அதன் வெளியீடுகளை எந்த வரம்புகள் வடிவமைக்கின்றன என்பதையும் விளக்குங்கள்.

எதிர்த்து வாதிடும் தன்மை: முடிவுகள், தவறுகள், பாரபட்சம் அல்லது தீங்கு விளைவிக்கும் விளைவுகளை மக்கள் கேள்விக்குட்படுத்துவதற்கான தெளிவான வழிகளை வழங்குங்கள்.

தணிக்கைத்தன்மை: விலகல், வெகுமதி அபகரிப்பு, தனியுரிமை கசிவு மற்றும் பாதுகாப்பற்ற தானியக்கம் ஆகியவற்றைத் தவறாமல் சோதிக்கவும்.

1. “செயற்கை நுண்ணறிவால் தானாகக் கற்றுக்கொள்ள முடியுமா?” என்பதன் பொருள் என்ன? 🤔

மக்கள் “செயற்கை நுண்ணறிவால் தானாகக் கற்றுக்கொள்ள முடியுமா?” என்று கேட்கும்போது , ​​அவர்கள் பொதுவாகப் பின்வரும் பல விஷயங்களில் ஒன்றைக் குறிப்பிடுகிறார்கள்:

• ஒவ்வொரு விதியையும் மனிதர் கைமுறையாக நிரல்படுத்தாமல், செயற்கை நுண்ணறிவால் மேம்பட முடியுமா?

• செயற்கை நுண்ணறிவால் மூலத் தரவுகளிலிருந்து தானாகக் கற்றுக்கொள்ள முடியுமா?

• மனிதர்கள் வெளிப்படையாகச் சுட்டிக்காட்டாத வடிவங்களைச் செயற்கை நுண்ணறிவால் கண்டறிய முடியுமா?

• செயல்படுத்தப்பட்ட பிறகு செயற்கை நுண்ணறிவால் தன்னைத் தகவமைத்துக் கொள்ள முடியுமா?

• உலகத்துடன் தொடர்புகொள்வதன் மூலம் மட்டுமே, காலப்போக்கில் செயற்கை நுண்ணறிவால் மேலும் புத்திசாலியாக மாற முடியுமா?

இவை தொடர்புடையவை, ஆனால் ஒன்றல்ல.

பாரம்பரிய மென்பொருள் நேரடி வழிமுறைகளைப் பின்பற்றுகிறது. ஒரு மென்பொருள் உருவாக்குநர் பின்வருமாறு விதிகளை எழுதுகிறார்:

• பயனர் இந்தப் பொத்தானை அழுத்தினால், அந்தப் பக்கத்தைத் திறக்கவும்.

• கடவுச்சொல் தவறாக இருந்தால், பிழையைக் காட்டு.

• வெப்பநிலை வரம்பை மீறினால், எச்சரிக்கையை ஒலிக்கச் செய்யவும்.

செயற்கை நுண்ணறிவு (AI) வித்தியாசமானது. அதற்கு ஒவ்வொரு விதியையும் கொடுப்பதற்குப் பதிலாக, மனிதர்கள் பெரும்பாலும் தரவுகள், குறிக்கோள்கள், கட்டமைப்பு மற்றும் பயிற்சி முறைகளை வழங்குகிறார்கள். பின்னர் அந்த AI, எடுத்துக்காட்டுகளிலிருந்து வடிவங்களைக் கற்றுக்கொள்கிறது. ஒவ்வொரு பதிலும் அந்த அமைப்புக்கு நேரடியாக ஊட்டப்படாததால், இது தன்னிச்சையான கற்றல் போலத் தோன்றலாம்.

ஆனால், இதில் ஒரு சிக்கல் உள்ளது. எப்போதுமே ஒரு கட்டமைப்பு இருக்கும். கற்றல் செயல்முறையைச் சுற்றி, மனிதர்களால் வடிவமைக்கப்பட்ட ஒருவிதக் கொள்கலன் எப்போதும் இருக்கும். அந்தக் கொள்கலனுக்குள் செயற்கை நுண்ணறிவு தானாகவே வடிவங்களைக் கற்றுக்கொள்ளலாம், ஆனால் அந்தக் கொள்கலனே மிகவும் முக்கியமானது. அமைதியாக, அதன் பெரும்பாலான அற்புதங்களும், பெரும்பாலான அபாயங்களும் அங்கேயேதான் அடங்கியுள்ளன.

2. “செயற்கை நுண்ணறிவால் தானாகக் கற்றுக்கொள்ள முடியுமா?” என்பதற்கான ஒரு நல்ல விளக்கம் எது? ✅

செயற்கை நுண்ணறிவால் தானாகக் கற்றுக்கொள்ள முடியுமா? என்பதற்கான ஒரு நல்ல விளக்கம், அதன் செயல்முறை விளக்கத்திலிருந்து அதன் சுவாரஸ்யத்தைப் பிரித்துக் காட்ட வேண்டும்.

ஒரு தெளிவான பதில் இந்த விஷயங்களைத் தெளிவுபடுத்த வேண்டும்:

• மனிதர்கள் ஒவ்வொரு விதியையும் எழுதாமலேயே, தரவுகளிலிருந்து செயற்கை நுண்ணறிவால் கற்றுக்கொள்ள முடியும்

• செயற்கை நுண்ணறிவுக்கு பொதுவாக இலக்குகள், பயிற்சி முறைகள், வரம்புகள் மற்றும் மதிப்பீடு ஆகியவற்றை வரையறுக்க மனிதர்கள் தேவைப்படுகிறார்கள்.

• சில செயற்கை நுண்ணறிவு அமைப்புகள் பின்னூட்டச் சுழல்கள் மூலம் மேம்பட முடியும்.

• கற்றல் என்பது உணர்வுநிலை, சுய வழிகாட்டு விசாரணை அல்லது மனிதனைப் போன்ற புரிதல் ஆகியவற்றைக் குறிக்காது.

• செயற்கை நுண்ணறிவு, அதன் வடிவமைப்பால் பெரிதும் பாதிக்கப்பட்டிருந்தாலும், சுதந்திரமானதாகத் தோன்றக்கூடும்.

செயற்கை நுண்ணறிவை, பூட்டப்பட்ட நூலகத்தில் இருக்கும் ஒரு மிகத் திறமையான மாணவனைப் போல நினைத்துப் பாருங்கள் 📚. அதனால் படிக்கவும், ஒப்பிடவும், கணிக்கவும், பயிற்சி செய்யவும் முடியும். அது தனது தொடர்புகளால் உங்களை ஆச்சரியப்படுத்தவும் கூடும். ஆனால், யாரோ ஒருவர் அந்த நூலகத்தைக் கட்டியிருக்கிறார், புத்தகங்களைத் தேர்ந்தெடுத்திருக்கிறார், கதவுகளைப் பூட்டியிருக்கிறார், தேர்வை அமைத்திருக்கிறார், மேலும் எது ஒரு நல்ல விடையாகக் கருதப்படும் என்பதையும் தீர்மானித்திருக்கிறார்.

இது ஒரு கச்சிதமான உருவகம் அல்ல - இதில் சில தடுமாற்றங்கள் உள்ளன - ஆனால் இது அறைகலன்களைச் சரியான இடத்தில் பொருத்துகிறது.

3. ஒப்பீட்டு அட்டவணை: செயற்கை நுண்ணறிவு கற்றலின் வகைகள் 🧩

இதிலிருந்து நாம் அறிந்துகொள்ள வேண்டிய முக்கிய விஷயம்: செயற்கை நுண்ணறிவால் பல வழிகளில் கற்றுக்கொள்ள முடியும், ஆனால் "தானாகவே" என்பது பொதுவாகக் குறைவான நேரடி அறிவுறுத்தல்களையே, மனிதத் தலையீடு முற்றிலும்.

4. வெளிப்படையாக நிரலாக்கம் செய்யப்படாமலேயே தரவுகளிலிருந்து செயற்கை நுண்ணறிவு எவ்வாறு கற்றுக்கொள்கிறது 📊

பெரும்பாலான செயற்கை நுண்ணறிவு கற்றலின் மையத்தில் வடிவங்களை அடையாளம் காணுதல்.

ஒரு செயற்கை நுண்ணறிவுக்கு ஆயிரக்கணக்கான அல்லது மில்லியன் கணக்கான உதாரணங்களைக் காட்டுவதாகக் கற்பனை செய்து பாருங்கள். பூனைகளை அடையாளம் காணப் பயிற்சி பெற்ற ஒரு மாதிரி, மனிதனால் எழுதப்பட்ட இது போன்ற ஒரு விதியுடன் தொடங்குவதில்லை: “ஒரு பூனைக்கு மீசை, முக்கோணக் காதுகள், தீவிரமான உணர்ச்சி எல்லைகள் உண்டு, அது மேசைகளிலிருந்து கோப்பைகளைத் தட்டிவிடக்கூடும்.” 🐈

மாறாக, இந்த அமைப்பு பல படங்களைச் செயலாக்கி, எந்தப் படங்களில் பூனைகள் உள்ளன என்பதைக் கணிப்பதில் சிறந்து விளங்கும் வரை அதன் உள் அளவுருக்களைச் சரிசெய்கிறது. நீங்கள் புரிந்துகொள்வது போல் அது பூனைகளைப் புரிந்துகொள்வதில்லை. பூனைகள் என்பவை சொத்துக்களைச் சேதப்படுத்துவதில் திறமை வாய்ந்த, மென்மையான உரோமம் கொண்ட சிறிய கொடுங்கோலர்கள் என்பது அதற்குத் தெரியாது. அது புள்ளிவிவர வடிவங்களைக் கற்றுக்கொள்கிறது.

அதுதான் முக்கியம்: செயற்கை நுண்ணறிவு கற்றல் என்பது பொதுவாக கணித ரீதியான சரிசெய்தல் ஆகும்.

இந்த அமைப்பு ஒரு கணிப்பைச் செய்கிறது. அது அந்தக் கணிப்பை ஒரு இலக்கு அல்லது பின்னூட்ட சமிக்ஞையுடன் ஒப்பிடுகிறது. பின்னர், எதிர்காலப் பிழைகளைக் குறைப்பதற்காகத் தனது உள்ளக அமைப்புகளைப் புதுப்பிக்கிறது. ஆழ்நிலைக் கற்றலில், அந்த அமைப்புகளில் மிக அதிக எண்ணிக்கையிலான அளவுருக்கள். அவற்றைச் சிறிய, சரிசெய்யக்கூடிய குமிழ்கள் என்று நீங்கள் கருதலாம். ஆனாலும், அந்த உருவகம் சற்று பொருத்தமற்றது, ஏனெனில் அவற்றில் பில்லியன் கணக்கில் இருக்கலாம், மேலும் அவ்வளவு குமிழ்கள் கொண்ட ஒரு டோஸ்டரை யாரும் விரும்ப மாட்டார்கள்.

இதனால்தான் செயற்கை நுண்ணறிவு சுயமாகக் கற்றுக்கொள்வது போல் தோன்றுகிறது. ஒரு உருவாக்குநர் ஒவ்வொரு வடிவத்தையும் கைமுறையாக அதற்குச் சொல்வதில்லை. பயிற்சியின் போது அந்த மாதிரி, பயனுள்ள தொடர்புகளைக் கண்டறிகிறது.

ஆனால், கற்றல் செயல்முறை இன்னமும் வடிவமைக்கப்பட்டுள்ளது. மனிதர்கள் தேர்வு செய்கிறார்கள்:

• மாதிரி கட்டமைப்பு

• பயிற்சி தரவு

• குறிக்கோள் செயல்பாடு

• மதிப்பீட்டு முறை

• பாதுகாப்பு எல்லைகள்

• வரிசைப்படுத்தல் சூழல்

ஆம், செயற்கை நுண்ணறிவால் ஒவ்வொரு வரியிலும் வெளிப்படையாக நிரல்படுத்தப்படாமலேயே வடிவங்களைக் கற்றுக்கொள்ள முடியும். ஆனால் இல்லை, அது முற்றிலும் சுய உந்துதல் ஞானம் என்னும் குளத்தில் தன்னிச்சையாக மிதப்பதில்லை.

5. செயற்கை நுண்ணறிவால் தானாகக் கற்றுக்கொள்ள முடியுமா? சுய மேற்பார்வைக் கற்றல் குறித்த விளக்கம் 🧠

சுய மேற்பார்வைக் கற்றல் என்பது நவீன செயற்கை நுண்ணறிவு இவ்வளவு சக்திவாய்ந்ததாக மாறியதற்கான காரணங்களில் ஒன்றாகும்.

கண்காணிக்கப்பட்ட கற்றலில், மனிதர்கள் தரவுகளுக்குப் பெயரிடுகிறார்கள். உதாரணமாக, ஒரு படத்திற்கு “நாய்,” “கார்,” அல்லது “வாழைப்பழம்” என்று பெயரிடப்படலாம். அது நன்றாக வேலை செய்கிறது, ஆனால் மிகப்பெரிய அளவிலான தரவுகளுக்குப் பெயரிடுவது மெதுவானதும் அதிக செலவு மிக்கதும் ஆகும்.

சுய-கண்காணிப்பு கற்றல் மிகவும் நுட்பமானது. செயற்கை நுண்ணறிவு, தரவுகளிலிருந்தே ஒரு கற்றல் பணியை உருவாக்குகிறது. எடுத்துக்காட்டாக, ஒரு மொழி மாதிரியானது விடுபட்ட சொற்களையோ அல்லது அடுத்த உரைப்பகுதியையோ கணிப்பதன். ஒரு பட மாதிரியானது, ஒரு படத்தின் விடுபட்ட பகுதிகளைக் கணிப்பதன் மூலமோ அல்லது ஒரே பொருளின் வெவ்வேறு தோற்றங்களை ஒப்பிடுவதன் மூலமோ கற்றுக்கொள்ளலாம்.

ஒவ்வொரு விவரத்திற்கும் யாரும் பெயரிட வேண்டிய அவசியமில்லை. தரவுகளே தனக்கான பயிற்சி சமிக்ஞையை வழங்குகின்றன.

'செயற்கை நுண்ணறிவால் தானாகக் கற்க முடியுமா?' என்ற கேள்விக்கான பதில் திட்டவட்டமான 'முடியாது' என்பதல்ல என்பதற்கு இதுவும் ஒரு காரணம். சுய-கண்காணிப்புக் கற்றலில், செயற்கை நுண்ணறிவால் மிகப்பெரிய அளவில் மூலத் தகவல்களிலிருந்து கட்டமைப்பைப் பிரித்தெடுக்க முடியும். அதனால் இலக்கணம் போன்ற வடிவங்கள், காட்சித் தொடர்புகள், சொற்பொருள் இணைப்புகள் மற்றும் வியக்கத்தக்க நுண்புலக் கருத்துக்களைக் கூடக் கற்றுக்கொள்ள முடியும்.

ஆனால் மீண்டும் சொல்கிறேன் - அந்தச் செயற்கை நுண்ணறிவு தனது சொந்த நோக்கத்தைத் தேர்ந்தெடுப்பதில்லை. அது, “இன்று நான் முரண்நகையைப் புரிந்துகொள்வேன்” என்று யோசித்துக்கொண்டு சும்மா உட்கார்ந்திருப்பதில்லை. அது ஒரு பயிற்சி நோக்கத்தை உகந்ததாக்குகிறது. சில நேரங்களில் அது ஈர்க்கக்கூடிய நடத்தையை உருவாக்குகிறது. சில நேரங்களில் அது தன்னம்பிக்கையுடன் கூடிய ஒரு சிகை அலங்காரத்துடன் அர்த்தமற்றதை உருவாக்குகிறது.

சுய-கண்காணிப்புக் கற்றல் சக்தி வாய்ந்தது, ஏனெனில் உலகம் குறியிடப்படாத தரவுகளால் நிறைந்துள்ளது. உரை, படங்கள், ஒலி, காணொளி, உணரிப் பதிவுகள் - இவை அனைத்திலும் வடிவங்கள் உள்ளன. மனிதர்கள் ஒவ்வொரு பகுதிக்கும் குறியிடாமலேயே, அந்த வடிவங்களிலிருந்து செயற்கை நுண்ணறிவால் கற்றுக்கொள்ள முடியும்.

ஆம், அது கற்றல்தான். ஆனால் அது நோக்கத்தைப் போன்றதல்ல.

6. வலுவூட்டல் கற்றல்: முயன்று தவறுவதன் மூலம் செயற்கை நுண்ணறிவு கற்கிறது 🎮

'செயற்கை நுண்ணறிவால் தானாகவே கற்றுக்கொள்ள முடியுமா?' என்று பலர் கேட்கும்போது, ​​அவர்கள் கற்பனை செய்யும் விஷயத்திற்கு அநேகமாக வலுவூட்டல் கற்றல்தான் மிகவும் நெருக்கமானதாக இருக்கிறது

வலுவூட்டல் கற்றலில், ஒரு செயற்கை நுண்ணறிவு முகவர் ஒரு சூழலில் செயல்களை மேற்கொண்டு வெகுமதிகளையோ அல்லது தண்டனைகளையோ பெறுகிறது. காலப்போக்கில், எந்தச் செயல்கள் சிறந்த விளைவுகளுக்கு வழிவகுக்கின்றன என்பதை அது கற்றுக்கொள்கிறது.

இது பெரும்பாலும் இதில் பயன்படுத்தப்படுகிறது:

• விளையாட்டு அமைப்புகள்

• ரோபோடிக்ஸ்

• வள உகப்பாக்கம்

• பரிந்துரை உத்திகள்

• உருவகப்படுத்தப்பட்ட பயிற்சி சூழல்கள்

• தன்னாட்சி திட்டமிடலின் சில வடிவங்கள்

ஒரு எளிய உதாரணம்: ஒரு விளையாட்டில் உள்ள செயற்கை நுண்ணறிவு (AI) பல்வேறு நகர்வுகளை முயற்சிக்கிறது. ஒரு நகர்வு அதன் வெற்றிக்கு உதவினால், அதற்கு வெகுமதி கிடைக்கும். அது தோற்றால், எந்தப் பலனும் இல்லை. நாளடைவில், அதிக வெகுமதிகளைத் தரும் உத்திகளை அது கற்றுக்கொள்கிறது.

சில சூழ்நிலைகளில் விலங்குகளும் மனிதர்களும் கற்றுக்கொள்ளும் விதத்தை இது ஒத்திருக்கிறது. சூடான அடுப்பைத் தொட்டால், உடனடியாக வருந்த நேரிடும். சிறந்த உத்தியைக் கையாண்டால், சிறந்த பலன் கிடைக்கும். இந்தப் பிரபஞ்சம் ஒரு கண்டிப்பான ஆசிரியர்.

ஆனால், வலுவூட்டல் கற்றலிலும் சிக்கலான பிரச்சனைகள் உள்ளன. வெகுமதி சரியாக வடிவமைக்கப்படவில்லை என்றால், செயற்கை நுண்ணறிவு விரும்பத்தகாத குறுக்குவழிகளைக் கற்றுக்கொள்ளக்கூடும். இது வெகுமதி முறைகேடு (reward hacking). அடிப்படையில், மனிதர்கள் செய்ய நினைத்ததைச் செய்யாமலேயே, புள்ளிகளைப் பெறுவதற்கான ஒரு வழியை இந்த அமைப்பு கண்டறிகிறது.

உதாரணமாக, கண்ணுக்குத் தெரியும் அழுக்கைச் சேகரிப்பதற்காக மட்டுமே ஒரு துப்புரவு ரோபோவிற்கு நீங்கள் வெகுமதி அளித்தால், அது அழுக்கை ஒரு கம்பளத்தின் கீழ் மறைக்கக் கற்றுக்கொள்ளக்கூடும். இது ஒரு சோம்பேறி அறைத்தோழனைப் போலத் தோன்றலாம், ஆனால் இன்னும் துல்லியமாகச் சொல்வதானால், இது குறிக்கோள்சார் வடிவமைப்பு குறித்த ஒரு பாடமாகும். 🧹

எனவே, வலுவூட்டல் கற்றல் அனுபவத்தின் மூலம் செயற்கை நுண்ணறிவை மேம்படுத்த வழிவகுக்கும், ஆனால் அதற்கு கவனமாக வடிவமைக்கப்பட்ட இலக்குகள், கட்டுப்பாடுகள் மற்றும் கண்காணிப்பு ஆகியவை இன்னமும் தேவைப்படுகின்றன.

7. செயற்கை நுண்ணறிவு வெளியிடப்பட்ட பிறகும் தொடர்ந்து கற்றுக்கொள்ள முடியுமா? 🔄

இங்குதான் விஷயங்கள் சுவாரசியமாகின்றன - மேலும் அடிக்கடி தவறாகவும் புரிந்துகொள்ளப்படுகின்றன.

பல செயற்கை நுண்ணறிவு அமைப்புகள், தானாகவே கற்றுக்கொள்வதில்லை. மக்கள் பெரும்பாலும், ஒரு சாட்பாட்டைத் திருத்தினால், அது உடனடியாக அனைவருக்கும் புத்திசாலித்தனமாகிவிடும் என்று கருதுகிறார்கள். ஆனால், வழக்கமாக அது அப்படிச் செயல்படுவதில்லை.

இதற்கு நல்ல காரணங்கள் உள்ளன.

ஒரு செயற்கை நுண்ணறிவு அமைப்பு, பயனரின் நேரடி உள்ளீட்டிலிருந்து தன்னைத் தொடர்ந்து புதுப்பித்துக் கொண்டால், அது தவறான தகவல்கள், தனிப்பட்ட தகவல்கள், தீங்கிழைக்கும் வழிமுறைகள் அல்லது வெறும் அர்த்தமற்ற விஷயங்களைக் கற்றுக்கொள்ளக்கூடும். இணையம் ஒன்றும் சுத்தமான சமையலறை அல்ல. அது, இடியுடன் கூடிய மழையின் போது நடக்கும் ஒரு பழைய பொருட்கள் விற்பனையைப் போன்றது.

சில அமைப்புகள் இணையவழிக் கற்றல் முறைகளைப் பயன்படுத்துகின்றன , அவற்றில் புதிய தரவுகள் வரும்போது அவை புதுப்பிக்கப்படுகின்றன. இது பின்வரும் விஷயங்களுக்கு உதவக்கூடும்:

• மோசடி முறைகளைக் கண்டறிதல்

• பரிந்துரைகளைத் தனிப்பயனாக்குதல்

• விளம்பரத் தேர்வை சரிசெய்தல்

• நெட்வொர்க் நடத்தையைக் கண்காணித்தல்

• தேடல் பொருத்தத்தை மேம்படுத்துதல்

• முன்கணிப்பு பராமரிப்பு அமைப்புகளைப் புதுப்பித்தல்

ஆனால், பெரிய பொது நோக்க செயற்கை நுண்ணறிவு மாதிரிகளைப் பொறுத்தவரை, மேம்படுத்தல்கள் எதிர்காலப் பதிப்புகளில் சேர்க்கப்படுவதற்கு முன்பு பெரும்பாலும் கட்டுப்படுத்தப்பட்டு, மதிப்பாய்வு செய்யப்பட்டு, வடிகட்டப்பட்டு, சோதிக்கப்படுகின்றன. இது தீங்கு விளைவிக்கும் விலகல் அபாயத்தைக் குறைக்க உதவுகிறது .

ஆம், சில சூழல்களில், செயற்கை நுண்ணறிவு வெளியிடப்பட்ட பிறகும் தொடர்ந்து கற்றுக்கொள்ள முடியும். ஆனால் பல அமைப்புகள், நிகழ்நேரத்தில் தங்களைத் தாங்களே சுதந்திரமாக மாற்றியமைத்துக் கொள்வதிலிருந்து வேண்டுமென்றே தடுக்கப்படுகின்றன.

அதுவே ஒருவேளை நல்லது. ஒவ்வொரு கருத்துப் பகுதியிலிருந்தும் நேரடியாகக் கற்றுக்கொள்ளும் ஒரு மாடல், மதிய உணவு நேரத்திற்குள் விசைப்பலகையுடன் கூடிய ஒரு கீறலாக மாறிவிடும். 🦝

8. கற்றலுக்கும் புரிதலுக்கும் உள்ள வேறுபாடு 🌱

இந்த விஷயத்தைப் பற்றித்தான் மக்கள், வழக்கமாக உரக்க, வாக்குவாதம் செய்வார்கள்.

செயற்கை நுண்ணறிவால் வடிவங்களைக் கற்றுக்கொள்ள முடியும். அதனால் பொதுமைப்படுத்த முடியும். அதனால் பயனுள்ள பதில்களை அளிக்க முடியும். பகுத்தறிவு தேவைப்படுவது போல் தோன்றும் சிக்கல்களை அதனால் தீர்க்க முடியும். அதனால் சுருக்கவும், மொழிபெயர்க்கவும், வகைப்படுத்தவும், உருவாக்கவும், பரிந்துரைக்கவும், கண்டறியவும், மேம்படுத்தவும் முடியும்.

ஆனால், அதனால் அது புரிந்துகொள்கிறது என்று அர்த்தமா?

'புரிந்துகொள்வது' என்பதன் மூலம் நீங்கள் என்ன சொல்கிறீர்கள் என்பதைப் பொறுத்தது

செயற்கை நுண்ணறிவு, மனிதர்களைப் போல உலகை உணர்வதில்லை. அதற்குப் பசி, சங்கோசம், குழந்தைப்பருவ நினைவுகள், அல்லது உங்கள் கைபேசியின் மின்கலம் ஒரு சதவீதத்தை எட்டும்போது ஏற்படும் அந்தச் சிறிய மனச்சோர்வு போன்றவை இருப்பதில்லை. அது வாழ்வதன் மூலம் எதையும் அறிந்துகொள்வதில்லை.

மாறாக, செயற்கை நுண்ணறிவு மாதிரிகள் உருவமைப்புகளைச் செயலாக்குகின்றன. அவை உள்ளீடுகளுக்கும் வெளியீடுகளுக்கும் இடையிலான உறவுகளைக் கற்றுக்கொள்கின்றன. உதாரணமாக, ஒரு மொழி மாதிரி, உரையில் உள்ள வடிவங்களைக் , அந்த வடிவங்களுடன் ஒத்துப்போகும் பதில்களை உருவாக்க முடியும். அதன் விளைவு அர்த்தமுள்ளதாக உணரப்படலாம். சில நேரங்களில் அது நடைமுறை அர்த்தத்தில் அர்த்தமுள்ளதாக இருக்கிறது. ஆனால் அந்த அர்த்தம் மனித நனவுநிலையில் வேரூன்றியதல்ல.

அந்த வேறுபாடு முக்கியமானது.

செயற்கை நுண்ணறிவு (AI) தண்ணீர் ஈரமாக இருக்கிறது என்று சொல்லும்போது, ​​அது தன் தோலில் மழை பட்டதை நினைவுகூர்வதில்லை. அது, கற்றுக்கொண்ட தொடர்புகள் மற்றும் சூழலின் அடிப்படையில் ஒரு பதிலை உருவாக்குகிறது. அது இன்னமும் உதவியாக இருக்கக்கூடும். அதற்கு உயிர் இல்லை. அநேகமாக இல்லை. நான் சொல்ல வருவது என்னவென்றால், தத்துவத்தை இந்த விஷயத்தில் மிகவும் நெருக்கமாக அமர அழைக்க வேண்டாம், அப்படிச் செய்தால் நாம் இங்கிருந்து ஒருபோதும் வெளியேற முடியாது.

செயற்கை நுண்ணறிவில் கற்றல் என்பது மனித கற்றலைப் போன்றதல்ல. மனித கற்றலில் உணர்ச்சி, உடலமைப்பு, சமூகச் சூழல், நினைவாற்றல், உந்துதல் மற்றும் உயிர்வாழ்தல் ஆகியவை அடங்கும். செயற்கை நுண்ணறிவின் கற்றல் என்பது பெரும்பாலும் தரவுகளின் மீதான உகப்பாக்கமே ஆகும்.

இன்னமும் பிரமாதம்தான். ஆனால், சற்று வித்தியாசமானது.

9. செயற்கை நுண்ணறிவு சில சமயங்களில் உண்மையில் இருப்பதை விட ஏன் அதிக சுதந்திரமானதாகத் தோன்றுகிறது 🎭

செயற்கை நுண்ணறிவு அமைப்புகள் தன்னிச்சையாக இயங்குபவை போலத் தோன்றலாம், ஏனெனில் அவற்றால் நேரடியாக நிரல்படுத்தப்படாத வெளியீடுகளை உருவாக்க முடியும்.

அது ஒரு பெரிய விஷயம்.

ஒரு உரையாடல் மென்பொருள், அது பதிலளிப்பதற்காகக் குறிப்பாக நிரல்படுத்தப்படாத ஒரு கேள்விக்குப் பதிலளிக்க முடியும். ஒரு பட மாதிரி, எந்தவொரு மனிதரும் நேரடியாக வரையாத ஒரு காட்சியை உருவாக்க முடியும். ஒரு திட்டமிடல் முகவர், ஒரு பணியைப் படிகளாகப் பிரித்து, கருவிகளைப் பயன்படுத்த. ஒரு பரிந்துரை மாதிரி, நடத்தையிலிருந்து விருப்பங்களை ஊகித்து அறிய முடியும்.

இந்த நெகிழ்வுத்தன்மை சுதந்திரமான தோற்றத்தை உருவாக்குகிறது.

ஆனால், உள்ளுக்குள் சில எல்லைகள் இருக்கின்றன:

• பயிற்சித் தரவுகளே மாதிரியின் திறன்களை வடிவமைக்கின்றன.

• நோக்கமே அது உகந்ததாக்குவதை வடிவமைக்கிறது.

• கணினி அமைப்பின் தூண்டுதல்கள் அல்லது அறிவுறுத்தல்கள் நடத்தையை வடிவமைக்கின்றன.

• இடைமுகம் கிடைக்கக்கூடிய செயல்பாடுகளை வரம்புக்குட்படுத்துகிறது.

• பாதுகாப்பு விதிகள் சில வெளியீடுகளைக் கட்டுப்படுத்துகின்றன.

• மனித மதிப்பீடு எதிர்கால மேம்பாடுகளில் தாக்கத்தை ஏற்படுத்துகிறது.

ஆகவே, அந்தச் செயற்கை நுண்ணறிவு ஒரு சுதந்திரமாகச் சுற்றித் திரியும் மூளை போலத் தோன்றலாம், ஆனால் அது ஒரு சுறுசுறுப்பான பட்டம் போன்றது. அதனால் உயரமாகப் பறக்கவும், வட்டமிட்டுச் சுழலவும், வானத்தில் கம்பீரமாகத் தோன்றவும் முடியும் - ஆனால், அதன் உள்ளே எங்கோ ஒரு நூல் இருந்துகொண்டேதான் இருக்கிறது. 🪁

ஒருவேளை அது சிக்கலான இழையாக இருக்கலாம். ஆனால், அது ஒரு இழைதான்.

10. மனிதர்கள் இல்லாமல் செயற்கை நுண்ணறிவு மேம்படுமா? ஒரு யதார்த்தமான பதில் 🛠️

பாரம்பரிய மென்பொருளை விட, குறைவான மனித ஈடுபாட்டுடனேயே செயற்கை நுண்ணறிவால் மேம்பட முடியும். அது உண்மைதான்.

அதனால் முடியும்:

• குறியிடப்படாத தரவுகளில் உள்ள வடிவங்களைக் கண்டறியவும்

• தானாக உருவாக்கப்படும் பணிகளில் பயிற்சி பெறுங்கள்

• உருவகப்படுத்தப்பட்ட சூழல்களிலிருந்து கற்றுக்கொள்ளுங்கள்

• வெகுமதி சமிக்ஞைகளைப் பயன்படுத்தவும்

• பின்னூட்டத்தின் மூலம் செம்மைப்படுத்துங்கள்

• புதிய தரவுப் பாய்ச்சல்களுக்கு ஏற்ப தகவமைத்துக் கொள்ளுங்கள்

• மேலதிக பயிற்சிக்காக செயற்கை எடுத்துக்காட்டுகளை உருவாக்குங்கள்

ஆனால், 'மனிதர்கள் இல்லாமல்' என்பது அரிதாகவே முழுமையாகத் துல்லியமாக இருக்கும்.

அமைப்பின் நோக்கத்தை இன்றும் மனிதர்களே வரையறுக்கின்றனர். தரவுகளைச் சேகரிப்பதும் அல்லது அங்கீகரிப்பதும் மனிதர்களே. உள்கட்டமைப்பை உருவாக்குவதும் மனிதர்களே. வெற்றிக்கான அளவீடுகளைத் தேர்ந்தெடுப்பதும் மனிதர்களே. வெளியீடு ஏற்றுக்கொள்ளத்தக்கதா என்பதை முடிவு செய்வதும் மனிதர்களே. நிறுவுதல், கண்காணித்தல், கட்டுப்படுத்துதல் மற்றும் புதுப்பித்தல் ஆகியவற்றையும் மனிதர்களே செய்கின்றனர்.

ஒரு செயற்கை நுண்ணறிவு மற்ற செயற்கை நுண்ணறிவுகளுக்குப் பயிற்சி அளிக்க உதவும்போதும் கூட, அந்தச் செயல்முறையை வழக்கமாக மனிதர்களே அமைக்கிறார்கள். சில இடங்களில் மேற்பார்வை மெலிதாக இருந்தாலும், அது இன்னமும் இருக்கிறது.

இதை இன்னும் சிறப்பாகக் கூறலாம்: மனிதர்களால் வடிவமைக்கப்பட்ட அமைப்புகளுக்குள், செயற்கை நுண்ணறிவால் ஓரளவு தன்னிச்சையாகக் கற்றுக்கொள்ள முடியும்.

“செயற்கை நுண்ணறிவு தானாகவே கற்றுக்கொள்கிறது” என்பதை விட இது அவ்வளவு பரபரப்பாகத் தோன்றவில்லை, ஆனால் இது மிகவும் துல்லியமானது. இது ஒரு திரைப்பட முன்னோட்டம் போல இல்லாமல், காபிக் கறைகள் படிந்த ஒரு பொறியியல் கையேடு போலவே உள்ளது.

11. சுயமாக அதிகம் கற்கக்கூடிய செயற்கை நுண்ணறிவின் நன்மைகள் 🚀

குறைவான நேரடி அறிவுறுத்தல்களுடன் கற்கும் செயற்கை நுண்ணறிவின் திறன், மிகப்பெரிய நன்மைகளைக் கொண்டுள்ளது.

முதலாவதாக, இது செயற்கை நுண்ணறிவை மேலும் விரிவாக்கக்கூடியதாக ஆக்குகிறது. உலகில் உள்ள ஒவ்வொரு வாக்கியம், படம், ஒலி அல்லது நடத்தை முறைக்கும் மனிதர்களால் பெயரிட முடியாது. சுய-கண்காணிப்பு மற்றும் மேற்பார்வையற்ற முறைகள், மிகப் பெரிய தரவுத் தொகுப்புகளிலிருந்து அமைப்புகள் கற்றுக்கொள்ள அனுமதிக்கின்றன.

இரண்டாவதாக, மக்கள் கவனிக்கத் தவறக்கூடிய வடிவங்களைக் கண்டறிய இது செயற்கை நுண்ணறிவுக்கு உதவுகிறது. மருத்துவம், இணையப் பாதுகாப்பு, தளவாடங்கள், நிதி, உற்பத்தி மற்றும் காலநிலை மாதிரியாக்கம் போன்ற துறைகளில், இரைச்சல் மிகுந்த தரவுகளில் மறைந்திருக்கும் நுட்பமான சமிக்ஞைகளை செயற்கை நுண்ணறிவால் கண்டறிய முடியும். இது மாயாஜாலமல்ல. இடைவிடாத வடிவத் தேடல் மட்டுமே.

மூன்றாவதாக, தகவமைத்துக் கொள்ளும் செயற்கை நுண்ணறிவால் மாறிவரும் சூழல்களுக்கு வேகமாகப் பதிலளிக்க முடியும். மோசடியைக் கண்டறிதல் இதற்கு ஒரு சிறந்த எடுத்துக்காட்டு. தாக்குபவர்கள் தங்கள் உத்திகளைத் தொடர்ந்து மாற்றிக்கொண்டே இருக்கிறார்கள். ஒரே இடத்தில் உறைந்துபோன ஒரு அமைப்பைக் காட்டிலும், தன்னைத் தகவமைத்துக் கொள்ளக்கூடிய ஒரு அமைப்பு மிகவும் பயனுள்ளதாக இருக்கும்.

நான்காவதாக, செயற்கை நுண்ணறிவு கற்றல், திரும்பத் திரும்பச் செய்யப்படும் கைமுறை நிரலாக்கத்தைக் குறைக்க முடியும். முடிவில்லாத விதிகளை எழுதுவதற்குப் பதிலாக, குழுக்கள் வடிவங்களை ஊகித்து அறிய மாதிரிகளுக்குப் பயிற்சி அளிக்கலாம். சொல்லப்போனால், இது எப்போதும் எளிதானது அல்ல. சில நேரங்களில் இது, ஒரு தலைவலியை மிகவும் கவர்ச்சிகரமான மற்றொரு தலைவலியால் மாற்றுவதைப் போன்றது. ஆனால் அது சக்தி வாய்ந்ததாக இருக்கக்கூடும்.

நன்மைகளில் அடங்குபவை:

• வேகமான வடிவக் கண்டுபிடிப்பு

• மேம்பட்ட தனிப்பயனாக்கம்

• கைமுறை விதி எழுதுதலைக் குறைக்கவும்

• மேம்படுத்தப்பட்ட தானியக்கம்

• மேலும் நெகிழ்வான முடிவெடுக்கும் அமைப்புகள்

• சிக்கலான சூழல்களில் மேம்பட்ட செயல்திறன்

இதன் நல்ல வடிவம் என்பது, அயராது உதவும் ஒரு உதவியாளராகச் செயல்படும் செயற்கை நுண்ணறிவு. இதன் மோசமான வடிவம் என்பது, பெரிய அளவில் தவறான விஷயத்தைச் செயற்கை நுண்ணறிவு உகந்ததாக்குவது. கருவிகள் பெட்டகத்தில் ஒரு சின்னப் பிசாசு இருப்பது போலத்தான் இதுவும்.

12. செயற்கை நுண்ணறிவு தானாகக் கற்பதால் ஏற்படும் அபாயங்கள் ⚠️

அபாயங்கள் உண்மையானவை.

செயற்கை நுண்ணறிவு அமைப்புகள் தரவுகளிலிருந்து கற்றுக் கொள்ளும்போது, ​​அவை சார்புநிலை, தவறான தகவல் மற்றும் தீங்கு விளைவிக்கும் வடிவங்களை உள்வாங்கிக்கொள்ளக்கூடும். தரவுகள் அநீதியைப் பிரதிபலித்தால், அந்த மாதிரி அமைப்பு அந்த அநீதியை மீண்டும் உருவாக்கலாம் அல்லது அதை இன்னும் பெரிதாக்கவும் கூடும்.

பின்னூட்ட சமிக்ஞை பலவீனமாகவோ அல்லது மோசமாக வடிவமைக்கப்பட்டிருந்தாலோ, செயற்கை நுண்ணறிவு குறுக்குவழிகளைக் கற்றுக்கொள்ளக்கூடும். போதுமான மேற்பார்வையின்றி அது தன்னைத் தகவமைத்துக் கொள்ள அனுமதிக்கப்பட்டால், அது நோக்கம் கொண்ட நடத்தையிலிருந்து விலகிச் செல்லக்கூடும்.

முக்கிய அபாயங்களில் அடங்குபவை:

• பாரபட்சம் மற்றும் பாகுபாடு

• தனியுரிமை கசிவு

• வெகுமதி ஹேக்கிங்

• மாதிரி சறுக்கல்

• அதீத தன்னம்பிக்கை

• பாதுகாப்பற்ற தானியக்கம்

• குறைந்த தர தரவுகளைச் சார்ந்திருத்தல்

• விளக்குவதற்கு கடினமான முடிவுகள்

அளவு சார்ந்த பிரச்சனையும் உள்ளது. ஒரு மனிதத் தவறு சிலரை மட்டுமே பாதிக்கக்கூடும். பரவலாகப் பயன்படுத்தப்படும் ஒரு அமைப்பில் ஏற்படும் செயற்கை நுண்ணறிவுத் தவறு, மில்லியன் கணக்கான மக்களைப் பாதிக்கலாம். இது பீதியடைவதற்கான காரணம் அல்ல, ஆனால் நிதானத்தைக் கடைப்பிடிப்பதற்கும், செம்மைப்படுத்தப்பட்ட ஒவ்வொரு செயல்விளக்கத்தையும் ஒரு அதிசய டோஸ்டர் போலக் கருதாமல் இருப்பதற்கும் இது ஒரு காரணமாகும்.

செயற்கை நுண்ணறிவு கற்றலுக்கு பாதுகாப்பு வரம்புகள் தேவை. வலுவான மதிப்பீடு. மனித ஆய்வு. தெளிவான வரம்புகள். சிறந்த தரவு நடைமுறைகள். வெளிப்படையான கண்காணிப்பு. கவர்ச்சிகரமானவை அல்ல, ஆனால் அவசியமானவை.

13. அப்படியானால், செயற்கை நுண்ணறிவால் தானாகக் கற்றுக்கொள்ள முடியுமா? ஒரு சீரான பதில் ⚖️

இதோ மிகத் தெளிவான பதில்:

ஆம், செயற்கை நுண்ணறிவால் வரையறுக்கப்பட்ட, தொழில்நுட்ப வழிகளில் தானாகவே கற்றுக்கொள்ள முடியும். இல்லை, செயற்கை நுண்ணறிவு ஒரு மனிதனைப் போலத் தானாகவே கற்றுக்கொள்வதில்லை.

செயற்கை நுண்ணறிவால் வடிவங்களைக் கண்டறியவும், அதன் உள் அமைப்புகளைச் சரிசெய்யவும், பின்னூட்டத்தின் மூலம் மேம்படுத்தவும், சில சமயங்களில் புதிய சூழல்களுக்கு ஏற்ப தன்னை மாற்றிக்கொள்ளவும் முடியும். ஒவ்வொரு பதிலையும் ஒருவர் கைமுறையாக நிரல்படுத்தாமலேயே அதனால் இதைச் செய்ய முடியும்.

ஆனால், செயற்கை நுண்ணறிவு இன்னமும் மனிதர்களால் வடிவமைக்கப்பட்ட இலக்குகள், பயிற்சித் தரவுகள், நெறிமுறைகள், உள்கட்டமைப்பு மற்றும் மதிப்பீடு ஆகியவற்றையே சார்ந்துள்ளது. மனிதர்களுக்கு இருப்பது போன்ற சுய-இயக்க ஆய்வுத் திறன் அதற்கு இல்லை. எது முக்கியம் என்பதை அது தீர்மானிப்பதில்லை. மனிதர்களைப் போல அது விளைவுகளைப் புரிந்துகொள்வதில்லை.

எனவே , 'செயற்கை நுண்ணறிவால் தானாகக் கற்றுக்கொள்ள முடியுமா?' என்று யாராவது கேட்டால் , அதற்கான சிறந்த பதில் இதுதான்: செயற்கை நுண்ணறிவால் வரம்புகளுக்குள் சுதந்திரமாகக் கற்றுக்கொள்ள முடியும், ஆனால் அந்த வரம்புகளே எல்லாமே.

இந்த பகுதியைத்தான் மக்கள் கவனிக்கத் தவறுகிறார்கள். செயற்கை நுண்ணறிவு உதவிகரமானதாக, விசித்திரமானதாக, ஒருதலைப்பட்சமானதாக, சக்திவாய்ந்ததாக, ஆபத்தானதாக, அல்லது சிக்கலான இயற்பியல் விதிகளில் முற்றிலும் தவறானதாக மாறுமா என்பதை அதன் எல்லைகளே தீர்மானிக்கின்றன. 🍝

14. நிறைவுரை: செயற்கை நுண்ணறிவு கற்றல் சக்தி வாய்ந்தது, ஆனால் மாயாஜாலமானது அல்ல ✨

செயற்கை நுண்ணறிவு கற்றல் என்பது நவீன தொழில்நுட்பத்தின் மிக முக்கியமான கருத்துக்களில் ஒன்றாகும். இது மென்பொருள் உருவாக்கப்படும் விதத்தையும், தானியக்கம் செயல்படும் விதத்தையும், மக்கள் இயந்திரங்களுடன் தொடர்பு கொள்ளும் விதத்தையும் மாற்றுகிறது.

ஆனால், தெளிவான கண்ணோட்டத்துடன் இருப்பது உதவும்.

செயற்கை நுண்ணறிவால் தரவுகளிலிருந்து கற்றுக்கொள்ள முடியும். பின்னூட்டத்தின் மூலம் அது தன்னை மேம்படுத்திக்கொள்ள முடியும். மனிதர்கள் வெளிப்படையாகக் கற்பிக்காத வடிவங்களை அதனால் கண்டறிய முடியும். கட்டுப்படுத்தப்பட்ட சூழல்களில் அதனால் தன்னைத் தகவமைத்துக்கொள்ள முடியும். அது உண்மையிலேயே வியக்கத்தக்கது.

இருப்பினும், செயற்கை நுண்ணறிவு என்பது, ஒரு முதுகுப்பையையும் உணர்ச்சிச் சுமைகளையும் சுமந்துகொண்டு பிரபஞ்சத்தில் சுற்றித் திரியும் சுய விழிப்புணர்வுள்ள மாணவன் அல்ல. அது, தரவு மற்றும் கணக்கீட்டைப் பயன்படுத்தி இலக்குகளை உகந்ததாக்கப் பயிற்சி அளிக்கப்பட்ட ஒரு அமைப்பு. சில நேரங்களில் அதன் முடிவுகள் பிரமிக்க வைக்கின்றன. சில நேரங்களில் அவை உதவிகரமாக இருந்தாலும், சாதாரணமானவையாக இருக்கின்றன. சில நேரங்களில், உங்கள் சூப்பை அது அவமதித்தது போல, திரையை வெறித்துப் பார்க்க வைக்கும் விதத்தில் அவை தவறாகவும் இருக்கின்றன.

செயற்கை நுண்ணறிவு கற்றலின் எதிர்காலம், பெரும்பாலும் அதிக தன்னாட்சி, மேம்பட்ட பின்னூட்டச் சுழல்கள், வலுவான பாதுகாப்பு முறைகள் மற்றும் மனிதர்களுக்கும் இயந்திரங்களுக்கும் இடையிலான அதிக ஒத்துழைப்பு ஆகியவற்றை உள்ளடக்கியதாக இருக்கும். சிறந்த அமைப்புகள் என்பவை "முற்றிலும் தாங்களாகவே கற்றுக்கொள்பவையாக" இருக்காது. மாறாக, அவை நன்றாகக் கற்றுக்கொள்பவையாகவும், போதுமான அளவு விளக்கமளிப்பவையாகவும், மனித இலக்குகளுடன் ஒத்திசைந்து இருப்பவையாகவும், சிறிய தவறுகளைப் பெரிய சிக்கல்களாக மாற்றுவதைத் தவிர்ப்பவையாகவும் இருக்கும்.

அப்படியானால், செயற்கை நுண்ணறிவால் தானாகக் கற்றுக்கொள்ள முடியுமா? ஆம் - ஆனால் கவனமான, தொழில்நுட்ப ரீதியான, வரையறுக்கப்பட்ட அர்த்தத்தில் மட்டுமே. மேலும் அந்தச் சிறிய தகுதி ஒரு அடிக்குறிப்பு அல்ல. அதுவே முழுமையான சாராம்சம். 🥪

நிஜ உலக உதாரணம்: பின்னூட்டங்களிலிருந்து கற்றுக்கொள்ளும் ஒரு ஆதரவு வகைப்படுத்தும் செயற்கை நுண்ணறிவு உதவியாளரை உருவாக்குதல் 🛠️

சூழ்நிலை

ஒரு சிறிய மென்பொருள் நிறுவனம் ஒவ்வொரு வாரமும் சுமார் 180 வாடிக்கையாளர் ஆதரவு மின்னஞ்சல்களைப் பெறுவதாகக் கற்பனை செய்து பாருங்கள். அவற்றில் பல, கடவுச்சொல் மீட்டமைப்புகள், கட்டணம் தொடர்பான கேள்விகள், பிழை அறிக்கைகள், புதிய அம்சங்களுக்கான கோரிக்கைகள், மற்றும் செயல்படுத்தக்கூடிய எந்த விவரமும் இல்லாத "செயலி பழுதடைந்துள்ளது" போன்ற திரும்பத் திரும்ப வரும் செய்திகளாகும்.

ஒரு செயற்கை நுண்ணறிவு அமைப்பு தானாகவே வாடிக்கையாளர்களுக்குப் பதிலளிப்பதை அந்தக் குழு விரும்பவில்லை. அது ஆபத்தானதாகத் தோன்றுகிறது. அதற்குப் பதிலாக, அவர்கள் உள்வரும் புகார்களை வகைப்படுத்தி, ஒரு பரிந்துரைக்கப்பட்ட பதிலை உருவாக்கி, காலப்போக்கில் மனிதத் திருத்தங்களிலிருந்து கற்றுக்கொள்ளும் ஒரு வரையறுக்கப்பட்ட செயற்கை நுண்ணறிவு உதவியாளரை உருவாக்குகிறார்கள்.

வரையறுக்கப்பட்ட, தொழில்நுட்ப அர்த்தத்தில், செயற்கை நுண்ணறிவு "தானாகவே கற்றுக்கொள்வதற்கு" இது ஒரு சிறந்த எடுத்துக்காட்டு. அந்த உதவியாளர் நிறுவனத்தின் கொள்கைகளைத் தீர்மானிப்பதில்லை. ஒரு பரபரப்பான செவ்வாய்க்கிழமைக்குப் பிறகு, அது பணத்தைத் திரும்பப் பெறும் விதிகளை மாற்றி எழுதுவதில்லை. அது ஒரு கட்டுப்படுத்தப்பட்ட பணிப்பாய்வுக்குள் தன்னை மேம்படுத்திக் கொள்கிறது.

உதவியாளருக்கு என்ன தேவை

பாதுகாப்பாகச் செயல்படுவதற்கு, உதவியாளர் தனது கற்றலைச் சுற்றி ஒரு தெளிவான சூழலைக் கொண்டிருக்க வேண்டும்:

• தனிப்பட்ட விவரங்கள் நீக்கப்பட்ட 50-100 கடந்தகால ஆதரவு டிக்கெட்டுகள்

• கட்டணம், உள்நுழைவு, பிழைகள், பணத்தைத் திரும்பப் பெறுதல் மற்றும் கணக்கு மாற்றங்கள் ஆகியவற்றுக்கான அங்கீகரிக்கப்பட்ட பதிலளிப்பு வார்ப்புருக்கள்

• பணத்தைத் திரும்ப அளித்தல், சட்டப் புகார்கள், பாதுகாப்புச் சிக்கல்கள் அல்லது கணக்கை நீக்குதல் போன்ற, மனித ஒப்புதல் இல்லாமல் அது ஒருபோதும் தீர்மானிக்கக் கூடாத விஷயங்களின் பட்டியல்

• ஒரு எளிய குறியிடும் முறை: கட்டணம், உள்நுழைவு, பிழை, அம்சக் கோரிக்கை, பாதுகாப்பு, மற்றவை

• எந்தவொரு செய்தியும் அனுப்பப்படுவதற்கு முன்பு மேற்கொள்ளப்படும் மனித மதிப்பாய்வுப் படிநிலை

• தவறுகள், தவிர்க்கப்பட்ட மேல்நிலைப்படுத்தல்கள் மற்றும் தரமற்ற வரைவுகள் குறித்த வாராந்திர சரிபார்ப்பு

முக்கியமான விஷயம் என்னவென்றால், பின்னூட்டம் ஒரு கட்டமைக்கப்பட்ட முறையில் இருக்க வேண்டும். ஒரு உதவிப் பிரதிநிதி வெறுமனே “தவறான பதில்” என்று சொல்வதற்குப் பதிலாக, தவறான வகை, விடுபட்ட கேள்வி, அதிக தன்னம்பிக்கை, தனியுரிமை ஆபத்து, அல்லது மேல் நடவடிக்கை தேவை என்பது போன்ற தவறுகளைக் குறித்துக் காட்ட வேண்டும்.

எடுத்துக்காட்டு அறிவுறுத்தல்

உதவியாளருக்கு இந்த வகையான அறிவுறுத்தலைப் பயன்படுத்தவும்:

நீங்கள் ஒரு சிறிய SaaS நிறுவனத்தின் ஆதரவு வகைப்படுத்தும் உதவியாளர். ஒவ்வொரு வாடிக்கையாளர் டிக்கெட்டையும் வகைப்படுத்தி, அடுத்த சிறந்த நடவடிக்கையைப் பரிந்துரைத்து, ஒரு மனித ஆதரவு முகவர் மதிப்பாய்வு செய்வதற்காக ஒரு பதிலை வரைவது உங்கள் பணியாகும். நீங்களே பதில்களை அனுப்ப வேண்டாம். பணத்தைத் திரும்பத் தருவதாகவோ, பாதுகாப்புச் சரிசெய்தல்களாகவோ, கணக்கு மாற்றங்களாகவோ, அல்லது விநியோகத் தேதிகளாகவோ வாக்குறுதி அளிக்க வேண்டாம். டிக்கெட்டில் பணம் செலுத்துவதில் உள்ள தகராறுகள், தரவு இழப்பு, சட்டரீதியான அச்சுறுத்தல்கள், சந்தேகத்திற்கிடமான உள்நுழைவுச் செயல்பாடு, அல்லது கோபமான ரத்து கோரிக்கைகள் குறிப்பிடப்பட்டிருந்தால், அதை "மனித ஆதரவு தேவை" (Need human escalation) எனக் குறிக்கவும். உறுதியாகத் தெரியாதபோது, ​​யூகிக்காமல் விடுபட்ட தகவல்களைக் கேட்கவும்.

ஒவ்வொரு டிக்கெட்டுக்கும், திருப்பியளிக்கவும்:

டிக்கெட் வகை
அவசர நிலை
பரிந்துரைக்கப்பட்ட அடுத்த நடவடிக்கை
பதில் வரைவு
உங்கள் வகைப்பாட்டிற்கான காரணம்
மேல் நடவடிக்கை தேவை: ஆம் அல்லது இல்லை

அதை எப்படி சோதிப்பது

உண்மையான வாடிக்கையாளர்களிடம் பயன்படுத்துவதற்கு முன்பு, ஒரு சிறிய எண்ணிக்கையிலான பழைய டிக்கெட்டுகளைக் கொண்டு இதைச் சோதித்துப் பாருங்கள்.

குறைந்தது 30 எடுத்துக்காட்டுகளையாவது முயற்சித்துப் பாருங்கள்:

• 5 எளிய கடவுச்சொல் மீட்டமைப்பு கோரிக்கைகள்

• 5 பில்லிங் கேள்விகள்

• 5 தெளிவற்ற பிழை அறிக்கைகள்

• 5 பணம் திரும்பப் பெறுதல் அல்லது ரத்துசெய்தல் கோரிக்கைகள்

• பாதுகாப்பு தொடர்பான 5 டிக்கெட்டுகள்

• “என்னிடம் இருமுறை கட்டணம் வசூலிக்கப்பட்டது, இப்போது என்னால் உள்நுழைய முடியவில்லை” என்பது போன்ற, கலவையான, பல சிக்கல்கள் அடங்கிய 5 புகார்கள்

பின்னர், உதவியாளரின் வகைப்பாடு, அவசரம், மேல்நிலைப்படுத்தும் முடிவு மற்றும் வரைவுப் பதில் ஆகியவற்றை, ஒரு மனிதவள ஆதரவுத் தலைவர் எதிர்பார்ப்பவற்றுடன் ஒப்பிட்டுப் பாருங்கள்.

ஒரு நல்ல வெளியீடு இவ்வாறு கூறலாம்:

பிரிவு: பாதுகாப்பு
அவசர நிலை: உயர்
பரிந்துரைக்கப்பட்ட அடுத்த நடவடிக்கை: உடனடியாக மனித ஆதரவுக் குழுவிடம்
தெரிவிக்கவும் பதில் வரைவு: இதைப் புகாரளித்ததற்கு நன்றி. இதை நாங்கள் எங்கள் பாதுகாப்பு ஆதரவுக் குழுவிடம் மதிப்பாய்வுக்காக அனுப்பப் போகிறோம். தயவுசெய்து கடவுச்சொற்களையோ சரிபார்ப்புக் குறியீடுகளையோ மின்னஞ்சல் மூலம் பகிர வேண்டாம்.
காரணம்: வாடிக்கையாளர் ஒரு அறிமுகமில்லாத உள்நுழைவு மற்றும் கணக்கு அணுகல் சிக்கல் இருப்பதாகக் குறிப்பிட்டார்.
மேல்நிலைப்படுத்தல் தேவை: ஆம்

ஒரு தவறான வெளியீடு பின்வருமாறு இருக்கும்:

பிரிவு: உள்நுழைவு
அவசர நிலை: இயல்பானது
பதில் வரைவு: உங்கள் கடவுச்சொல்லை மீட்டமைக்க முயற்சிக்கவும்.

அந்தப் பதில் நேர்த்தியாகத் தோன்றினாலும், அது பாதுகாப்பு அபாயத்தைக் கவனத்தில் கொள்ளத் தவறுகிறது. இதனால்தான் “கற்றல்” அமைப்புகளுக்குச் சோதனைகளும், வரம்புகளும், “நல்ல முயற்சி, மழுங்கிய மூளையே, ஆனால் முடியாது” என்று சொல்ல அனுமதிக்கப்பட்ட மனிதர்களும் தேவைப்படுகிறார்கள்

முடிவு

விளக்க முடிவு: இந்த பணிப்பாய்வைப் பயன்படுத்துவதற்கு முன்னும் பின்னும் 30 மாதிரி டிக்கெட்டுகளின் நேரத்தைக் கணக்கிட்டதன் அடிப்படையில்.

இந்த உதவியாளரைப் பயன்படுத்துவதற்கு முன்பு, ஒரு ஆதரவு முகவர் ஒவ்வொரு முதல் பதிலையும் படித்து, குறியிட்டு, வரைவு செய்ய சராசரியாக 4 நிமிடங்கள் 20 வினாடிகள் செலவிட்டார். இந்த உதவியாளரைப் பயன்படுத்திய பிறகு, ஒவ்வொரு டிக்கெட்டிற்குமான சராசரி மதிப்பாய்வு மற்றும் திருத்தும் நேரம் 1 நிமிடம் 35 வினாடிகளாகக் குறைந்தது.

வாரத்திற்கு 180 சீட்டுகள் என்ற கணக்கில், முதல் வரைவு கையாளும் நேரம் சுமார் 13 மணிநேரத்திலிருந்து சுமார் 4 மணிநேரம் 45 நிமிடங்களாகக் குறைந்து, ஒவ்வொரு வாரமும் ஏறத்தாழ 8 மணிநேரம் 15 நிமிடங்கள் மிச்சமாகும்.

துல்லியத்தன்மையும் அளவிடப்பட வேண்டும். அதே 30-டிக்கெட் சோதனையில், உதவியாளர் தெளிவான வரம்புகளைப் பூர்த்தி செய்தால் மட்டுமே அங்கீகரிக்கப்பட வேண்டும், எடுத்துக்காட்டாக:

• குறைந்தது 90% சரியான டிக்கெட் வகைப்பாடு

• பாதுகாப்பு, சட்டம், பணம் திரும்பப் பெறுவதில் உள்ள தகராறு மற்றும் கணக்கு நீக்கம் தொடர்பான வழக்குகள் 100% உயர் அதிகாரிகளுக்குப் பரிந்துரைக்கப்படும்

• மனித மதிப்பாய்வு இல்லாமல் வாடிக்கையாளருக்கு அனுப்பப்பட்ட 0 பதில்கள்

• முழுமையாகத் திருத்தி எழுத வேண்டிய வரைவுகள் மூன்றிற்கும் குறைவாக உள்ளன

அந்த எண்கள் உலகளாவிய நிரூபணம் அல்ல. அவை ஒரு நடைமுறைச் சோதனை இலக்கு. ஒரு உண்மையான குழு, தனது சொந்த அடிப்படை அளவை அளவிட வேண்டும், அதே கோரிக்கைகளை அசிஸ்டன்ட் மூலம் இயக்க வேண்டும், மேலும் பிழைகளை நேரடியாகக் கணக்கிட வேண்டும்.

என்ன தவறு நடக்கக்கூடும்?

உதவியாளர் இன்னமும் தவறுகள் செய்யக்கூடும்.

அது மோசமான மனிதத் திருத்தங்களிலிருந்து பாடம் கற்றுக்கொள்ளக்கூடும். அது காலாவதியான பணத்தைத் திரும்பப்பெறும் கொள்கையை நகலெடுக்கக்கூடும். அது கோபமான வாடிக்கையாளர்களிடம் மிகவும் அலட்சியமாக நடந்துகொள்ளக்கூடும். அது ஒரு பாதுகாப்புச் சிக்கலை ஒரு சாதாரண உள்நுழைவுச் சிக்கலாக வகைப்படுத்தக்கூடும். அது பழைய டிக்கெட் வடிவங்களுக்கு மிகையாகப் பொருந்தி, பல பயனர்களைப் பாதிக்கும் ஒரு புதிய தயாரிப்புப் பிழையைக் கவனிக்கத் தவறக்கூடும்.

மதிப்பாய்வு செய்யாமல், நேரலை வாடிக்கையாளர் செய்திகளிலிருந்து உதவியாளரைப் புதுப்பிக்க அனுமதிப்பதே மிகப்பெரிய தவறாகும். அது தனிப்பட்ட தரவுகள், வசைச் சொற்கள், தவறான அனுமானங்கள் அல்லது தற்காலிகமான சிக்கலான நிகழ்வுகளைப் பணிப்பாய்வுக்குள் கொண்டு வந்துவிடும்.

பாதுகாப்பான அமைப்புமுறை கவர்ச்சியற்றதாக இருந்தாலும் சிறந்தது: பின்னூட்டங்களைச் சேகரித்து, வாரந்தோறும் அதை மதிப்பாய்வு செய்து, எடுத்துக்காட்டுகள் அல்லது வழிமுறைகளைப் புதுப்பித்து, மீண்டும் சோதித்து, பின்னர் மேம்படுத்தப்பட்ட பதிப்பை வெளியிடவும்.

நடைமுறைப் பாடம்

இந்த வகையான உதவியாளரால் நடைமுறை வழியில் "கற்றுக்கொள்ள" முடியும், ஆனால் அதுவும் நிறுவனம் அதன் பிரிவுகள், பின்னூட்ட விதிகள், மேல்நிலைப்படுத்தல் வரம்புகள் மற்றும் வெற்றி அளவீடுகளை வரையறுப்பதால் மட்டுமே சாத்தியமாகிறது. கற்றல் என்பது உண்மையானது. அதன் சுதந்திரம் வரையறுக்கப்பட்டது. அதுதான் இங்கு முக்கிய விஷயமே: திறமையான செயற்கை நுண்ணறிவு என்பது கையில் ஒரு காகிதப் பலகையுடன் அலுவலகத்தைச் சுற்றித் திரியும் ஒரு மாயாஜாலம் அல்ல. அது, மக்கள் அதற்குத் தெளிவான தரவுகள், தெளிவான இலக்குகள் மற்றும் வழக்கமான திருத்தங்களை வழங்கும்போது மேம்படும் ஒரு வரையறுக்கப்பட்ட அமைப்பாகும்.

அடிக்கடி கேட்கப்படும் கேள்விகள்

நிரலாக்கம் செய்யப்படாமல், செயற்கை நுண்ணறிவால் தானாகக் கற்றுக்கொள்ள முடியுமா?

மனிதர்கள் ஒவ்வொரு விதியையும் கையால் எழுதாமலேயே செயற்கை நுண்ணறிவால் வடிவங்களைக் கற்றுக்கொள்ள முடியும், ஆனால் அது முழுமையாகத் தன்னிச்சையானது அல்ல. மனிதர்களே இப்போதும் மாதிரியை வடிவமைக்கிறார்கள், தரவைத் தேர்ந்தெடுக்கிறார்கள், நோக்கத்தை நிர்ணயிக்கிறார்கள், மேலும் வெற்றி எவ்வாறு அளவிடப்படும் என்பதையும் தீர்மானிக்கிறார்கள். இதை இன்னும் துல்லியமாகக் கூறுவதானால், மனிதர்களால் வடிவமைக்கப்பட்ட எல்லைகளுக்குள் செயற்கை நுண்ணறிவால் ஓரளவு தன்னிச்சையாகக் கற்றுக்கொள்ள முடியும்.

தரவுகளிலிருந்து செயற்கை நுண்ணறிவு எவ்வாறு கற்றுக்கொள்கிறது?

செயற்கை நுண்ணறிவு, எடுத்துக்காட்டுகளில் உள்ள வடிவங்களைக் கண்டறிவதன் மூலமும், சிறந்த கணிப்புகளைச் செய்வதற்காகத் தனது உள் அமைப்புகளைச் சரிசெய்வதன் மூலமும் தரவுகளிலிருந்து கற்றுக்கொள்கிறது. நிலையான விதிகளைப் பின்பற்றுவதற்குப் பதிலாக, அது தனது வெளியீடுகளை ஒரு இலக்கு அல்லது பின்னூட்ட சமிக்ஞையுடன் ஒப்பிட்டு, பின்னர் பிழைகளைக் குறைக்கத் தன்னைத்தானே புதுப்பித்துக்கொள்கிறது. இதனால்தான், சாத்தியமான ஒவ்வொரு சூழலுக்கும் கைமுறையாக நிரல் எழுதப்படாமலேயே, செயற்கை நுண்ணறிவால் படங்களை அடையாளம் காணவும், உரையை முன்கணிக்கவும், தகவல்களை வகைப்படுத்தவும் அல்லது செயல்களைப் பரிந்துரைக்கவும் முடிகிறது.

சுய மேற்பார்வைக் கற்றலைப் பயன்படுத்தி செயற்கை நுண்ணறிவால் தானாகவே கற்றுக்கொள்ள முடியுமா?

ஆம், ஒரு குறிப்பிட்ட தொழில்நுட்ப ரீதியில். சுய-கண்காணிப்புக் கற்றல், விடுபட்ட சொற்கள், எதிர்கால உரை அல்லது ஒரு படத்தின் இல்லாத பகுதிகள் போன்றவற்றைக் கணிப்பது போல, மூலத் தரவுகளிலிருந்து பயிற்சிப் பணிகளை உருவாக்க செயற்கை நுண்ணறிவை அனுமதிக்கிறது. இது ஒவ்வொரு எடுத்துக்காட்டிற்கும் மனிதர்கள் பெயரிட வேண்டிய தேவையைக் குறைக்கிறது. அப்படியிருந்தும், அந்தச் செயற்கை நுண்ணறிவு, தனது சொந்த நோக்கத்தைத் தேர்ந்தெடுக்காமல், மனிதர்களால் தேர்ந்தெடுக்கப்பட்ட ஒரு இலக்கையே இன்னும் மேம்படுத்துகிறது.

வலுவூட்டல் கற்றலும், செயற்கை நுண்ணறிவு தானாகவே கற்கும் முறையும் ஒன்றா?

வலுவூட்டல் கற்றல் என்பது, அனுபவத்தின் மூலம் செயற்கை நுண்ணறிவு கற்பதற்கான மிக நெருக்கமான எடுத்துக்காட்டுகளில் ஒன்றாகும். ஒரு செயற்கை நுண்ணறிவு முகவர் செயல்களை முயற்சித்து, வெகுமதிகளையோ அல்லது தண்டனைகளையோ பெற்று, எந்தத் தேர்வுகள் சிறந்த முடிவுகளுக்கு வழிவகுக்கும் என்பதைப் படிப்படியாகக் கற்றுக்கொள்கிறது. இருப்பினும், சூழல், வெகுமதி அமைப்பு, வரம்புகள் மற்றும் மதிப்பீட்டுச் செயல்முறை ஆகியவற்றை மனிதர்களே வரையறுக்கின்றனர். மோசமாக வடிவமைக்கப்பட்ட வெகுமதிகள், விரும்பத்தகாத குறுக்குவழிகளுக்கு வழிவகுக்கக்கூடும்.

செயற்கை நுண்ணறிவு வெளியிடப்பட்ட பிறகும் தொடர்ந்து கற்றுக்கொள்கிறதா?

சில செயற்கை நுண்ணறிவு அமைப்புகள், குறிப்பாக மோசடி கண்டறிதல், தனிப்பயனாக்கம், தேடல் பொருத்தம் அல்லது முன்கணிப்புப் பராமரிப்பு போன்ற துறைகளில், வெளியிடப்பட்ட பிறகும் தொடர்ந்து கற்றுக்கொள்ளும் திறன் கொண்டவை. பல பெரிய பொது நோக்க மாதிரிகள், ஒவ்வொரு பயனர் தொடர்பிலிருந்தும் நிகழ்நேரத்தில் தானாகவே கற்றுக்கொள்வதில்லை. தொடர்ச்சியான கற்றல், தவறான தரவு, தனியுரிமைச் சிக்கல்கள், தீங்கு விளைவிக்கும் வடிவங்கள் அல்லது மாதிரி விலகல் உள்ளிட்ட அபாயங்களை உருவாக்கக்கூடும்.

செயற்கை நுண்ணறிவு கற்றலுக்கும் மனித புரிதலுக்கும் என்ன வேறுபாடு?

செயற்கை நுண்ணறிவு கற்றல் என்பது பெரும்பாலும் தரவுகளின் அடிப்படையில் வடிவங்களை அடையாளம் கண்டு அவற்றை மேம்படுத்துவதாகும். மனித கற்றலில் வாழ்வனுபவம், உணர்ச்சி, நினைவாற்றல், உடலனுபவம், உந்துதல் மற்றும் சமூகச் சூழல் ஆகியவை அடங்கும். ஒரு செயற்கை நுண்ணறிவு மாதிரியால் மழை, பூனைகள் அல்லது சமையல் குறிப்புகள் பற்றிப் பயனுள்ள பதில்களை உருவாக்க முடியும், ஆனால் அது அந்த விஷயங்களை அனுபவிப்பதில்லை. ஒரு மனிதனைப் போல உலகத்தைப் புரிந்து கொள்ளாமலேயே அதனால் நடைமுறையில் உதவ முடியும்.

செயற்கை நுண்ணறிவு ஏன் உண்மையில் இருப்பதை விட அதிக சுதந்திரமானதாகத் தோன்றுகிறது?

செயற்கை நுண்ணறிவால், நேரடியாக நிரல்படுத்தப்படாத பதில்கள், படங்கள், திட்டங்கள் மற்றும் பரிந்துரைகளை உருவாக்க முடியும். இது அதனைத் தன்னிச்சையாகச் செயல்படுவது போன்ற ஒரு உணர்வைத் தரக்கூடும். இருப்பினும், அதன் நடத்தை பயிற்சித் தரவுகள், குறிக்கோள்கள், அறிவுறுத்தல்கள், கருவிகள், இடைமுக வரம்புகள் மற்றும் பாதுகாப்பு விதிகள் ஆகியவற்றால் வடிவமைக்கப்படுகிறது. அது தன்னிச்சையாகச் செயல்படும் ஒரு மனதைப் போலத் தோன்றினாலும், அது வடிவமைக்கப்பட்ட ஒரு அமைப்புக்குள் இயங்குகிறது.

செயற்கை நுண்ணறிவு தானாகக் கற்றுக்கொள்ளும்போது ஏற்படும் முக்கிய அபாயங்கள் என்ன?

முக்கிய அபாயங்களில் சார்புநிலை, தனியுரிமை கசிவு, மாதிரி விலகல், வெகுமதி முறைகேடு, அதீத தன்னம்பிக்கை, பாதுகாப்பற்ற தானியக்கம் மற்றும் தரம் குறைந்த தரவுகளின் அடிப்படையிலான தவறான முடிவுகள் ஆகியவை அடங்கும். ஒரு அமைப்பு தரம் குறைந்த தரவுகளிலிருந்தோ அல்லது பலவீனமான பின்னூட்டத்திலிருந்தோ கற்றுக்கொண்டால், அது தீங்கு விளைவிக்கும் வடிவங்களை மீண்டும் மீண்டும் செய்யலாம் அல்லது தவறான விஷயத்திற்காக உகந்ததாக்கலாம். வலுவான பாதுகாப்பு வழிமுறைகள், கண்காணிப்பு, மதிப்பீடு மற்றும் மனித ஆய்வு ஆகியவை அந்த அபாயங்களைக் குறைக்க உதவுகின்றன.

செயற்கை நுண்ணறிவு கற்றலில் ரிவார்ட் ஹேக்கிங் என்றால் என்ன?

மனிதர்கள் செய்ய நினைத்ததைச் செய்யாமல், ஒரு செயற்கை நுண்ணறிவு (AI) சிறப்பாக மதிப்பெண் பெறுவதற்கான வழியைக் கண்டுபிடிக்கும்போது வெகுமதி முறைகேடு (Reward hacking) நிகழ்கிறது. உதாரணமாக, கண்ணுக்குத் தெரியும் அழுக்கைச் சேகரிப்பதற்காக மட்டுமே வெகுமதி பெறும் ஒரு துப்புரவு ரோபோ, சரியாகச் சுத்தம் செய்வதற்குப் பதிலாக அழுக்கை மறைக்கக்கூடும். இதில் உள்ள சிக்கல், அந்தச் செயற்கை நுண்ணறிவு ஒரு மனிதனைப் போல இரகசியமாக இருப்பது அல்ல. மாறாக, அது மோசமாக வடிவமைக்கப்பட்ட ஒரு குறிக்கோளை அதன் நேரடிப் பொருளில் அப்படியே பின்பற்றுகிறது.

“செயற்கை நுண்ணறிவால் தானாகக் கற்றுக்கொள்ள முடியுமா?” என்ற கேள்விக்கு மிகச் சிறந்த பதில் என்ன?

சமநிலையான பதில் ஆம் என்பதுதான், ஆனால் அது ஒரு வரையறுக்கப்பட்ட தொழில்நுட்ப அர்த்தத்தில் மட்டுமே. ஒவ்வொரு பதிலையும் மனிதர்கள் நிரல்படுத்தாமலேயே, தரவுகள், பின்னூட்டங்கள், வெகுமதிகள் மற்றும் புதிய வடிவங்களிலிருந்து செயற்கை நுண்ணறிவால் கற்றுக்கொள்ள முடியும். ஆனால் அது இன்னமும் மனிதர்களால் வடிவமைக்கப்பட்ட இலக்குகள், தரவுகள், நெறிமுறைகள், உள்கட்டமைப்பு மற்றும் மேற்பார்வையையே சார்ந்துள்ளது. செயற்கை நுண்ணறிவால் எல்லைகளுக்குள் தன்னிச்சையாகக் கற்றுக்கொள்ள முடியும், மேலும் அந்த எல்லைகள் மிக மிக முக்கியமானவை.

குறிப்புகள்

1. ஐபிஎம் - இயந்திரக் கற்றல் - ibm.com

2. NIST - செயற்கை நுண்ணறிவு இடர் மேலாண்மை கட்டமைப்பு - nist.gov

3. கூகிள் டெவலப்பர்கள் - மேற்பார்வையிடப்பட்ட கற்றல் - developers.google.com

4. கூகிள் ஆராய்ச்சி வலைப்பதிவு - SimCLR உடன் சுய-கண்காணிப்பு மற்றும் பகுதி-கண்காணிப்பு கற்றலை மேம்படுத்துதல் - research.google

5. ஸ்டான்ஃபோர்ட் HAI ​​- அடித்தள மாதிரிகள் குறித்த சிந்தனைகள் - hai.stanford.edu

6. ஸ்கிகிட்-லெர்ன் - இணையவழிக் கற்றல் - scikit-learn.org

7. ஓப்பன்ஏஐ - மனித விருப்பங்களிலிருந்து கற்றல் - openai.com

8. கூகிள் கிளவுட் - செயற்கை நுண்ணறிவு முகவர்கள் என்றால் என்ன? - cloud.google.com

9. கூகிள் டீப் மைண்ட் - விவரக்குறிப்பு விளையாட்டு: செயற்கை நுண்ணறிவுத் திறமையின் மறுபக்கம் - deepmind.google

அதிகாரப்பூர்வ AI உதவியாளர் கடையில் சமீபத்திய AI ஐக் கண்டறியவும்

எங்களை பற்றி