செயற்கை நுண்ணறிவு என்பது, 'ஒரு நிமிடம், இது உண்மையில் எப்படி வேலை செய்கிறது?' என்று மனதுக்குள் யோசித்தபடியே அனைவரும் தலையசைக்கும் ஒரு மாயாஜால வித்தை போலத் தோன்றலாம். ஒரு நற்செய்தி. நாங்கள் அதை தேவையற்ற அலங்காரங்கள் இல்லாமல், நடைமுறைக்கு ஏற்றவாறு எளிமையாக விளக்குவோம். மேலும், அது எளிதில் புரியும்படி சில முழுமையற்ற உவமைகளையும் இதில் சேர்ப்போம். உங்களுக்குச் சுருக்கம் மட்டும் வேண்டுமானால், கீழே உள்ள ஒரு நிமிடப் பதிலுக்குச் செல்லுங்கள்; ஆனால் உண்மையைச் சொல்வதானால், அதன் விவரங்களில்தான் உங்களுக்குப் புரிய ஆரம்பிக்கும்.
இதற்குப் பிறகு நீங்கள் படிக்க விரும்பக்கூடிய கட்டுரைகள்:
🔗 GPT என்றால் என்ன?
GPT சுருக்கெழுத்து மற்றும் அதன் அர்த்தத்தை விரைவாக விளக்கும் விளக்கம்.
🔗 AI அதன் தகவல்களை எங்கிருந்து பெறுகிறது?
கேள்விகளைக் கற்றுக்கொள்ள, பயிற்சி அளிக்க மற்றும் பதிலளிக்க AI பயன்படுத்தும் ஆதாரங்கள்.
🔗 உங்கள் வணிகத்தில் AI ஐ எவ்வாறு இணைப்பது
AI-ஐ திறம்பட ஒருங்கிணைப்பதற்கான நடைமுறை படிகள், கருவிகள் மற்றும் பணிப்பாய்வுகள்.
🔗 ஒரு AI நிறுவனத்தை எவ்வாறு தொடங்குவது
யோசனையிலிருந்து வெளியீடு வரை: சரிபார்ப்பு, நிதி, குழு மற்றும் செயல்படுத்தல்.
AI எப்படி வேலை செய்கிறது? ஒரு நிமிட பதில் ⏱️
செயற்கை நுண்ணறிவு (AI) தரவுகளிலிருந்து வடிவங்களைக் கற்றுக்கொண்டு கணிப்புகளைச் செய்கிறது அல்லது உள்ளடக்கத்தை உருவாக்குகிறது - கையால் எழுதப்பட்ட விதிகள் தேவையில்லை. ஒரு அமைப்பு எடுத்துக்காட்டுகளை உள்ளீடாகப் பெற்று, ஒரு இழப்புச் செயல்பாடு (loss function) மூலம் அது எவ்வளவு தவறாக உள்ளது என்பதை அளவிடுகிறது, மேலும் ஒவ்வொரு முறையும் அதன் உள் கட்டுப்பாட்டுக் கருவிகளை -அளவுருக்களை- சற்று குறைவாகத் தவறாக இருக்குமாறு சரிசெய்கிறது. மீண்டும் மீண்டும் செய்து, மேம்படுத்தவும். போதுமான சுழற்சிகளுடன், அது பயனுள்ளதாகிறது. நீங்கள் மின்னஞ்சல்களை வகைப்படுத்தினாலும், கட்டிகளைக் கண்டறிந்தாலும், பலகை விளையாட்டுகளை விளையாடினாலும், அல்லது ஹைக்கூ கவிதைகளை எழுதினாலும் இதே கதைதான். "இயந்திரக் கற்றல்" பற்றிய எளிய மொழி அடிப்படைக்கு, IBM-இன் கண்ணோட்டம் உறுதியானது [1].
பெரும்பாலான நவீன AI இயந்திரக் கற்றல் ஆகும். எளிமையான பதிப்பு: தரவை உள்ளிடுதல், உள்ளீடுகளிலிருந்து வெளியீடுகளுக்கு மேப்பிங்கைக் கற்றுக்கொள்வது, பின்னர் புதிய விஷயங்களுக்கு பொதுமைப்படுத்துதல். மாய-கணிதம் அல்ல, கணக்கிடுதல், நேர்மையாகச் சொன்னால், ஒரு சிட்டிகை கலை.
“AI எப்படி வேலை செய்கிறது?” ✅
மக்கள் கூகிள் மூலம் AI எவ்வாறு செயல்படுகிறது?, அவர்கள் வழக்கமாக விரும்புவது:
-
அவர்கள் நம்பக்கூடிய ஒரு மறுபயன்பாட்டு மன மாதிரி
-
முக்கிய கற்றல் வகைகளின் வரைபடம், அதனால் வாசகங்கள் பயமுறுத்துவதை நிறுத்தும்
-
தொலைந்து போகாமல் நரம்பியல் வலையமைப்புகளுக்குள் ஒரு பார்வை
-
ஏன் டிரான்ஸ்ஃபார்மர்கள் இப்போது உலகை இயக்குகின்றன?
-
தரவு முதல் பயன்படுத்தல் வரையிலான நடைமுறைக் குழாய்
-
நீங்கள் ஸ்கிரீன்ஷாட் எடுத்து வைத்திருக்கக்கூடிய ஒரு விரைவான ஒப்பீட்டு அட்டவணை
-
நெறிமுறைகள், சார்பு மற்றும் நம்பகத்தன்மை மீதான பாதுகாப்புத் தடுப்புகள், அவை கையை அசைக்க முடியாதவை
அதுதான் உனக்கு இங்கே கிடைக்கும். நான் வேண்டுமென்றே அலைந்தால், அது இயற்கை எழில் கொஞ்சும் பாதையில் செல்வது போலவும், அடுத்த முறை தெருக்களை எப்படியாவது நன்றாக நினைவில் வைத்திருப்பது போலவும் இருக்கும். 🗺️
பெரும்பாலான AI அமைப்புகளின் முக்கிய கூறுகள் 🧪
ஒரு சமையலறை போன்ற ஒரு AI அமைப்பை நினைத்துப் பாருங்கள். நான்கு பொருட்கள் மீண்டும் மீண்டும் தோன்றும்:
-
தரவு — குறியீடுகளுடன் அல்லது குறியீடுகள் இல்லாத எடுத்துக்காட்டுகள்.
-
மாதிரி — சரிசெய்யக்கூடிய அளவுருக்களைக் கொண்ட ஒரு கணிதச் சார்பு.
-
நோக்கம் — யூகங்கள் எவ்வளவு மோசமானவை என்பதை அளவிடும் ஒரு இழப்புச் சார்பு.
-
உகப்பாக்கம் — இழப்பைக் குறைப்பதற்காக அளவுருக்களைச் சரிசெய்யும் ஒரு வழிமுறை.
ஆழ்ந்த கற்றலில், அந்த நட்ஜ் பொதுவாக பின் பரவலுடன் கூடிய சாய்வு இறக்கமாகும் - இது ஒரு பிரம்மாண்டமான சவுண்ட்போர்டில் எந்த குமிழ் சத்தமிடுகிறது என்பதைக் கண்டுபிடித்து, பின்னர் அதை ஒரு முடியைக் குறைக்க ஒரு திறமையான வழியாகும் [2].
சிறு உதாரணம்: எளிதில் பாதிப்படையக்கூடிய விதி அடிப்படையிலான ஸ்பேம் வடிகட்டியை, ஒரு சிறிய மேற்பார்வையிடப்பட்ட மாதிரி மூலம் மாற்றினோம். ஒரு வார கால லேபிளிடுதல் → அளவிடுதல் → புதுப்பித்தல் சுழற்சிகளுக்குப் பிறகு, தவறான எச்சரிக்கைகள் குறைந்தன, மேலும் ஆதரவு கோரிக்கைகளும் குறைந்தன. பெரிதாக ஒன்றும் இல்லை - தெளிவான நோக்கங்கள் (அதிகப்படியான தேவையற்ற மின்னஞ்சல்கள் மீதான துல்லியம்) மற்றும் சிறந்த உகப்பாக்கம் மட்டுமே.
ஒரு பார்வையில் முன்னுதாரணங்களைக் கற்றல் 🎓
-
மேற்பார்வையிடப்பட்ட கற்றல்
நீங்கள் உள்ளீடு-வெளியீடு ஜோடிகளை வழங்குகிறீர்கள் (லேபிள்களுடன் கூடிய புகைப்படங்கள், ஸ்பேம்/ஸ்பேம் அல்லாதவை எனக் குறிக்கப்பட்ட மின்னஞ்சல்கள்). மாதிரி உள்ளீடு → வெளியீட்டைக் கற்றுக்கொள்கிறது. பல நடைமுறை அமைப்புகளின் முதுகெலும்பு [1]. -
மேற்பார்வையற்ற கற்றல்
லேபிள்கள் இல்லை. கட்டமைப்பு-கொத்துகள், சுருக்கங்கள், மறைந்திருக்கும் காரணிகளைக் கண்டறியவும். ஆய்வு அல்லது முன் பயிற்சிக்கு சிறந்தது. -
சுய மேற்பார்வை கற்றல்
மாதிரி அதன் சொந்த லேபிள்களை உருவாக்குகிறது (அடுத்த வார்த்தையை, காணாமல் போன பட இணைப்பை கணிக்கவும்). மூல தரவை அளவில் பயிற்சி சமிக்ஞையாக மாற்றுகிறது; நவீன மொழி மற்றும் பார்வை மாதிரிகளை ஆதரிக்கிறது. -
வலுவூட்டல் கற்றல்:
ஒரு முகவர் செயல்படுகிறது, வெகுமதிகளைச், மேலும் ஒட்டுமொத்த வெகுமதியை அதிகப்படுத்தும் ஒரு கொள்கையைக் கற்றுக்கொள்கிறது. "மதிப்புச் செயல்பாடுகள்," "கொள்கைகள்," மற்றும் "தற்காலிக-வேறுபாடு கற்றல்" ஆகியவை உங்களுக்கு நினைவிருந்தால் - இது அவற்றின் இருப்பிடம் [5].
ஆம், நடைமுறையில் பிரிவுகள் மங்கலாகின்றன. கலப்பின முறைகள் இயல்பானவை. நிஜ வாழ்க்கை குழப்பமானது; நல்ல பொறியியல் அது இருக்கும் இடத்தில் அதைச் சந்திக்கிறது.
தலைவலி இல்லாமல் ஒரு நரம்பியல் வலையமைப்பிற்குள் 🧠
ஒரு நரம்பியல் வலையமைப்பு, மிகச்சிறிய கணித அலகுகளின் (நியூரான்கள்) அடுக்குகளை ஒன்றன் மேல் ஒன்றாக அடுக்குகிறது. ஒவ்வொரு அடுக்கிலும் உள்ள எடைகள், சார்புகள் மற்றும் ReLU அல்லது GELU போன்ற ஒரு நெகிழ்வான நேரியலற்ற தன்மை ஆகியவற்றைக் கொண்டு உள்ளீடுகள் உருமாற்றப்படுகின்றன. ஆரம்ப அடுக்குகள் எளிய அம்சங்களைக் கற்றுக்கொள்கின்றன; ஆழமான அடுக்குகள் நுண்புலக் கருத்துக்களைக் குறியீடாக்குகின்றன. இதன் "மாயாஜாலம்" - அதை அப்படி அழைக்க முடிந்தால் - தொகுப்புமுறைதான்: சிறிய சார்புகளைத் தொடரிணைப்பு செய்வதன் மூலம், மிகவும் சிக்கலான நிகழ்வுகளை மாதிரியாக்க முடியும்.
பயிற்சி வளையம், அதிர்வுகளுக்கு மட்டும்:
-
யூகம் → அளவீட்டுப் பிழை → பின்முனை வழியாக பழி சுமத்துதல் → எடைகளை நட்ஜ் செய் → மீண்டும் செய்.
இதை ஒவ்வொரு பாடலையும் மேம்படுத்தும் ஒரு விகாரமான நடனக் கலைஞரைப் போல, மாடல் உங்கள் கால்விரல்களில் மிதிப்பதை நிறுத்துகிறது. நட்பு, கடுமையான பின்னணி அத்தியாயத்திற்கு, [2] ஐப் பார்க்கவும்.
மின்மாற்றிகள் ஏன் பொறுப்பேற்றன - மேலும் "கவனம்" என்றால் என்ன 🧲
டிரான்ஸ்ஃபார்மர்கள், உள்ளீட்டின் எந்தெந்தப் பகுதிகள் ஒன்றுக்கொன்று முக்கியமானவை என்பதை ஒரே நேரத்தில் எடைபோட, தன்-கவனத்தைப் பயன்படுத்துகின்றன. பழைய மாடல்களைப் போல ஒரு வாக்கியத்தை இடமிருந்து வலமாக மட்டுமே படிப்பதற்குப் பதிலாக, ஒரு டிரான்ஸ்ஃபார்மரால் எல்லா இடங்களிலும் பார்த்து, உறவுகளை மாறும் தன்மையுடன் மதிப்பிட முடியும் — இது, கூட்டமான ஓர் அறையில் யார் யாரிடம் பேசுகிறார்கள் என்பதை உற்று நோக்குவதைப் போன்றது
இந்த வடிவமைப்பு வரிசை மாதிரியாக்கத்திற்கான மறுநிகழ்வு மற்றும் சுருள்களை கைவிட்டது, இது மிகப்பெரிய இணைத்தன்மை மற்றும் சிறந்த அளவிடுதலை செயல்படுத்துகிறது. இதைத் தொடங்கிய ஆய்வறிக்கை -கவனம் உங்களுக்குத் தேவையானது- கட்டிடக்கலை மற்றும் முடிவுகளை வகுக்கிறது [3].
ஒரே வரியில் சுய கவனம்: வினவல், விசைமற்றும் மதிப்பு வெக்டர்களை உருவாக்குங்கள்; கவன எடைகளைப் பெற ஒற்றுமைகளைக் கணக்கிடுங்கள்; அதற்கேற்ப மதிப்புகளைக் கலக்கவும். விவரங்களில் சுறுசுறுப்பு, உணர்வில் நேர்த்தியானது.
எச்சரிக்கை: டிரான்ஸ்ஃபார்மர்கள் ஆதிக்கம் செலுத்துகின்றன, ஏகபோக உரிமையை அல்ல. CNNகள், RNNகள் மற்றும் மரக் குழுமங்கள் இன்னும் சில தரவு வகைகள் மற்றும் தாமதம்/செலவுக் கட்டுப்பாடுகளில் வெற்றி பெறுகின்றன. வேலைக்கு கட்டமைப்பைத் தேர்ந்தெடுக்கவும், மிகைப்படுத்தலை அல்ல.
AI எப்படி வேலை செய்கிறது? நீங்கள் உண்மையில் பயன்படுத்தும் நடைமுறை பைப்லைன் 🛠️
-
பிரச்சனையை உருவாக்குதல்
நீங்கள் என்ன கணிக்கிறீர்கள் அல்லது உருவாக்குகிறீர்கள், வெற்றி எவ்வாறு அளவிடப்படும்? -
தரவுகளைச்
சேகரித்து, தேவைப்பட்டால் லேபிளிடவும், சுத்தம் செய்யவும், பிரிக்கவும். விடுபட்ட மதிப்புகள் மற்றும் விளிம்பு நிலைகளை எதிர்பார்க்கலாம். -
மாடலிங்
எளிமையாகத் தொடங்குங்கள். அடிப்படைகள் (லாஜிஸ்டிக் பின்னடைவு, சாய்வு பூஸ்டிங் அல்லது ஒரு சிறிய மின்மாற்றி) பெரும்பாலும் வீர சிக்கலான தன்மையை வெல்லும். -
பயிற்சி
ஒரு குறிக்கோளைத் தேர்வுசெய்யவும், ஒரு உகப்பாக்கியைத் தேர்ந்தெடுக்கவும், ஹைப்பர் அளவுருக்களை அமைக்கவும். மீண்டும் செய்யவும். -
மதிப்பீடு
உங்கள் உண்மையான இலக்கோடு (துல்லியம், F1, AUROC, BLEU, குழப்பம், தாமதம்) இணைக்கப்பட்ட ஹோல்ட்-அவுட்கள், குறுக்கு-சரிபார்ப்பு மற்றும் அளவீடுகளைப் பயன்படுத்தவும். -
செய்யுங்கள்
அல்லது ஒரு பயன்பாட்டில் உட்பொதிக்கவும். தாமதம், செலவு, செயல்திறன் ஆகியவற்றைக் கண்காணிக்கவும். -
கண்காணிப்பு மற்றும் ஆளுகை:
விலகல், நேர்மை, உறுதித்தன்மை மற்றும் பாதுகாப்பைக் கண்காணிக்கவும். NIST AI இடர் மேலாண்மை கட்டமைப்பு (ஆளுகை, வரைபடம், அளவீடு, நிர்வகித்தல்) என்பது நம்பகமான அமைப்புகளுக்கான ஒரு நடைமுறை சரிபார்ப்புப் பட்டியல் ஆகும் [4].
மினி-கேஸ்: ஒரு பார்வை மாதிரி ஆய்வகத்திற்குச் சென்றது, பின்னர் வெளிச்சம் மாறும்போது புலத்தில் தடுமாற்றம் ஏற்பட்டது. உள்ளீட்டு ஹிஸ்டோகிராம்களில் உள்ள குறைபாடுகளைக் கண்காணித்தல்; விரைவான அதிகரிப்பு + நேர்த்தியான பம்ப் செயல்திறனை மீட்டெடுத்தது. சலிப்பை ஏற்படுத்துகிறதா? ஆம். பயனுள்ளதா? ஆம்.
ஒப்பீட்டு அட்டவணை - அணுகுமுறைகள், அவை யாருக்கானவை, தோராயமான செலவு, அவை ஏன் வேலை செய்கின்றன 📊
வேண்டுமென்றே அபூரணமானது: கொஞ்சம் சீரற்ற சொற்றொடர் அதை மனிதனாக உணர உதவுகிறது.
| அணுகுமுறை | சிறந்த பார்வையாளர்கள் | விலை அதிகம் | இது ஏன் வேலை செய்கிறது / குறிப்புகள் |
|---|---|---|---|
| மேற்பார்வையிடப்பட்ட கற்றல் | ஆய்வாளர்கள், தயாரிப்பு குழுக்கள் | குறைந்த–நடுத்தர | நேரடி மேப்பிங் உள்ளீடு→லேபிள். லேபிள்கள் இருக்கும்போது சிறந்தது; பல பயன்படுத்தப்பட்ட அமைப்புகளின் முதுகெலும்பாக அமைகிறது [1]. |
| மேற்பார்வை இல்லாதது | தரவு ஆய்வாளர்கள், ஆராய்ச்சி மற்றும் மேம்பாடு | குறைந்த | கொத்துகள்/அமுக்கங்கள்/மறைந்த காரணிகளைக் கண்டறிகிறது - கண்டுபிடிப்பு மற்றும் முன் பயிற்சிக்கு நல்லது. |
| சுய மேற்பார்வை | பிளாட்ஃபார்ம் அணிகள் | நடுத்தர | கணக்கீடு மற்றும் தரவுகளைக் கொண்ட மூல தரவு-அளவிலான தரவுகளிலிருந்து அதன் சொந்த லேபிள்களை உருவாக்குகிறது. |
| வலுவூட்டல் கற்றல் | ரோபாட்டிக்ஸ், ஆப்ஸ் ஆராய்ச்சி | நடுத்தர-உயர் | வெகுமதி சமிக்ஞைகளிலிருந்து கொள்கைகளைக் கற்றுக்கொள்கிறது; சட்டன் & பார்டோவை நியதிக்கு [5] படிக்கவும். |
| மின்மாற்றிகள் | NLP, தொலைநோக்கு, மல்டிமாடல் | நடுத்தர-உயர் | சுய-கவனம் நீண்ட தூர டெப்களைப் பிடிக்கிறது மற்றும் நன்றாக இணையாகிறது; அசல் ஆய்வறிக்கையைப் பார்க்கவும் [3]. |
| கிளாசிக் ML (மரங்கள்) | அட்டவணை வணிக பயன்பாடுகள் | குறைந்த | கட்டமைக்கப்பட்ட தரவுகளில் மலிவான, வேகமான, பெரும்பாலும் அதிர்ச்சியூட்டும் வகையில் வலுவான அடிப்படைகள். |
| விதி சார்ந்த/குறியீட்டு | இணக்கம், தீர்மானகரமானது | மிகவும் குறைவு | வெளிப்படையான தர்க்கம்; தணிக்கைத்திறன் தேவைப்படும்போது கலப்பினங்களில் பயனுள்ளதாக இருக்கும். |
| மதிப்பீடு & ஆபத்து | அனைவரும் | மாறுபடும் | அதைப் பாதுகாப்பாகவும் பயனுள்ளதாகவும் வைத்திருக்க NIST இன் GOVERN-MAP-MEASURE-MANAGE ஐப் பயன்படுத்தவும் [4]. |
விலை = தரவு லேபிளிங் + கணக்கீடு + மக்கள் + சேவை.
ஆழமான டைவ் 1 - இழப்பு செயல்பாடுகள், சாய்வுகள் மற்றும் எல்லாவற்றையும் மாற்றும் சிறிய படிகள் 📉
வீட்டின் விலையை அளவிலிருந்து கணிக்க ஒரு கோட்டைப் பொருத்துவதை கற்பனை செய்து பாருங்கள். நீங்கள் (w) மற்றும் (b) அளவுருக்களைத் தேர்ந்தெடுத்து, (\hat{y} = wx + b) கணித்து, சராசரி சதுர இழப்பைக் கொண்டு பிழையை அளவிடுகிறீர்கள். தரை எந்த திசையில் சாய்வாக இருக்கிறது என்பதை உணர்ந்து மூடுபனியில் கீழ்நோக்கி நடப்பது போன்ற இழப்பை வேகமாகக் குறைக்க எந்த திசையில் (w) மற்றும் (b) நகர்த்த வேண்டும் என்பதை சாய்வு உங்களுக்குச் சொல்கிறது. ஒவ்வொரு தொகுதிக்குப் பிறகும் புதுப்பிக்கவும், உங்கள் கோடு யதார்த்தத்திற்கு நெருக்கமாகிறது.
டீப் நெட்ஸில் இது ஒரு பெரிய இசைக்குழுவைக் கொண்ட அதே பாடல். பேக்ப்ராப் திறமையாகக் கணக்கிடுகிறது, எனவே நீங்கள் மில்லியன் கணக்கான (அல்லது பில்லியன் கணக்கான) கட்டுப்பாடுகளை சரியான திசையில் நகர்த்தலாம் [2].
முக்கிய உள்ளுணர்வுகள்:
-
இழப்பு நிலப்பரப்பை வடிவமைக்கிறது.
-
சாய்வுகள் உங்கள் திசைகாட்டி.
-
கற்றல் வேகம் படி அளவு - மிக பெரியது, நீங்கள் தள்ளாடுகிறீர்கள், மிகச் சிறியது, நீங்கள் தூங்குகிறீர்கள்.
-
ஒழுங்குபடுத்துதல் பயிற்சித் தொகுப்பை ஒரு கிளி போல சரியான நினைவாற்றலுடன் மனப்பாடம் செய்வதிலிருந்து உங்களைத் தடுக்கிறது, ஆனால் புரிதல் இல்லை.
ஆழமான ஆய்வு 2 - உட்பொதித்தல், தூண்டுதல் மற்றும் மீட்டெடுப்பு 🧭
உட்பொதிப்புகள் சொற்கள், படங்கள் அல்லது உருப்படிகளை வெக்டார் இடைவெளிகளில் வரைபடமாக்குகின்றன, அங்கு ஒத்த விஷயங்கள் ஒன்றுக்கொன்று அருகில் உள்ளன. இது உங்களை அனுமதிக்கிறது:
-
சொற்பொருளில் ஒத்த பகுதிகளைக் கண்டறியவும்
-
அர்த்தத்தைப் புரிந்துகொள்ளும் சக்தி தேடல்
-
ஒரு மொழி மாதிரி எழுதுவதற்கு முன்பு உண்மைகளைப் பார்க்கக்கூடிய வகையில் மீட்டெடுப்பு-வளர்ச்சியடைந்த தலைமுறையை (RAG) செருகவும்.
தூண்டுதல் என்பது நீங்கள் உருவாக்கும் மாதிரிகளை எவ்வாறு வழிநடத்துகிறீர்கள் - பணியை விவரிக்கவும், எடுத்துக்காட்டுகளைக் கொடுக்கவும், கட்டுப்பாடுகளை அமைக்கவும். மிக விரைவான பயிற்சியாளருக்கு மிக விரிவான விவரக்குறிப்பை எழுதுவது போல நினைத்துப் பாருங்கள்: ஆர்வமாக, எப்போதாவது அதிக தன்னம்பிக்கையுடன்.
நடைமுறை ஆலோசனை: உங்கள் மாடல் பிரமைகளுக்கு ஆளானால், மீட்டெடுப்பைச் சேர்க்கவும், தூண்டுதலைக் கடுமையாக்கவும், அல்லது வெறும் உள்ளுணர்வுகளுக்குப் பதிலாக யதார்த்தமான அளவீடுகளைக் கொண்டு மதிப்பீடு செய்யவும்.
ஆழமான டைவ் 3 - மாயைகள் இல்லாத மதிப்பீடு 🧪
நல்ல மதிப்பீடு சலிப்பை ஏற்படுத்துகிறது - அதுதான் சரியான விஷயம்.
-
பூட்டப்பட்ட சோதனைத் தொகுப்பைப் பயன்படுத்தவும்.
-
பயனர் வலியை பிரதிபலிக்கும் ஒரு அளவீட்டைத் தேர்ந்தெடுக்கவும்.
-
உண்மையில் என்ன உதவியது என்பதை அறிய, அறுவை சிகிச்சைகளை மேற்கொள்ளுங்கள்.
-
உண்மையான, குழப்பமான எடுத்துக்காட்டுகளுடன் தோல்விகளைப் பதிவு செய்யவும்.
உற்பத்தியில், கண்காணிப்பு என்பது ஒருபோதும் நிற்காத ஒரு மதிப்பீடு. சறுக்கல் நிகழ்கிறது. புதிய பேச்சுவழக்கு தோன்றும், சென்சார்கள் மறு அளவீடு செய்யப்படுகின்றன, நேற்றைய மாதிரி சற்று சரிகிறது. NIST கட்டமைப்பு என்பது தொடர்ச்சியான இடர் மேலாண்மை மற்றும் நிர்வாகத்திற்கான ஒரு நடைமுறைக் குறிப்பாகும் - தள்ளி வைக்க வேண்டிய கொள்கை ஆவணம் அல்ல [4].
நெறிமுறைகள், சார்பு மற்றும் நம்பகத்தன்மை பற்றிய குறிப்பு ⚖️
AI அமைப்புகள் அவற்றின் தரவு மற்றும் பயன்பாட்டு சூழலை பிரதிபலிக்கின்றன. இது ஆபத்தை ஏற்படுத்துகிறது: சார்பு, குழுக்கள் முழுவதும் சீரற்ற பிழைகள், விநியோக மாற்றத்தின் கீழ் உடையக்கூடிய தன்மை. நெறிமுறை பயன்பாடு விருப்பமானது அல்ல - இது அட்டவணை பங்குகள். NIST உறுதியான நடைமுறைகளை சுட்டிக்காட்டுகிறது: அபாயங்கள் மற்றும் தாக்கங்களை ஆவணப்படுத்துதல், தீங்கு விளைவிக்கும் சார்புகளை அளவிடுதல், பின்னடைவுகளை உருவாக்குதல் மற்றும் பங்குகள் அதிகமாக இருக்கும்போது மனிதர்களை வளையத்தில் வைத்திருத்தல் [4].
உதவும் கான்கிரீட் நகர்வுகள்:
-
பல்வேறு பிரதிநிதித்துவ தரவுகளை சேகரிக்கவும்
-
துணை மக்கள்தொகை முழுவதும் செயல்திறனை அளவிடுதல்
-
ஆவண மாதிரி அட்டைகள் மற்றும் தரவுத் தாள்கள்
-
ஆபத்து அதிகமாக இருக்கும் இடங்களில் மனித மேற்பார்வையைச் சேர்க்கவும்
-
அமைப்பு நிச்சயமற்றதாக இருக்கும்போது தோல்வி பாதுகாப்புகளை வடிவமைத்தல்
AI எப்படி வேலை செய்கிறது? ஒரு மன மாதிரியாக நீங்கள் மீண்டும் பயன்படுத்தலாம் 🧩
எந்தவொரு AI அமைப்பிற்கும் நீங்கள் பயன்படுத்தக்கூடிய ஒரு சிறிய சரிபார்ப்புப் பட்டியல்:
-
நோக்கம் என்ன? கணிப்பு, தரவரிசை, தலைமுறை, கட்டுப்பாடு?
-
கற்றல் சமிக்ஞை எங்கிருந்து வருகிறது? லேபிள்கள், சுய மேற்பார்வை பணிகள், வெகுமதிகள்?
-
எந்த கட்டமைப்பு பயன்படுத்தப்படுகிறது? நேரியல் மாதிரி, மரக் குழுமம், CNN, RNN, மின்மாற்றி [3]?
-
இது எவ்வாறு மேம்படுத்தப்படுகிறது? சாய்வு இறங்கு மாறுபாடுகள்/பின்புறம் [2]?
-
என்ன தரவு முறை? சிறிய பெயரிடப்பட்ட தொகுப்பு, பெயரிடப்படாத உரையின் பெருங்கடல், உருவகப்படுத்தப்பட்ட சூழல்?
-
தோல்வி முறைகள் மற்றும் பாதுகாப்புகள் என்ன? சார்பு, நகர்வு, மாயத்தோற்றம், தாமதம், செலவு ஆகியவை NIST இன் GOVERN-MAP-MEASURE-MANAGE [4] உடன் இணைக்கப்பட்டுள்ளன.
அவற்றுக்கு நீங்கள் பதிலளிக்க முடிந்தால், நீங்கள் அடிப்படையில் அமைப்பைப் புரிந்துகொள்வீர்கள் - மீதமுள்ளவை செயல்படுத்தல் விவரங்கள் மற்றும் கள அறிவு.
புக்மார்க் செய்யத் தகுந்த விரைவு ஆதாரங்கள் 🔖
-
இயந்திர கற்றல் கருத்துகளுக்கான எளிய மொழி அறிமுகம் (IBM) [1]
-
வரைபடங்கள் மற்றும் மென்மையான கணிதத்துடன் பின்பெருக்கம் [2]
-
வரிசை மாதிரியாக்கத்தை மாற்றிய மின்மாற்றி தாள் [3]
-
NIST இன் AI இடர் மேலாண்மை கட்டமைப்பு (நடைமுறை நிர்வாகம்) [4]
-
நியமன வலுவூட்டல் கற்றல் பாடநூல் (இலவசம்) [5]
அடிக்கடி கேட்கப்படும் கேள்விகள் மின்னல் சுற்று ⚡
செயற்கை நுண்ணறிவு என்பது வெறும் புள்ளிவிவரங்கள் மட்டும்தானா?
அது புள்ளிவிவரங்கள், அதனுடன் உகப்பாக்கம், கணக்கீடு, தரவுப் பொறியியல் மற்றும் தயாரிப்பு வடிவமைப்பு ஆகியவற்றின் கலவையாகும். புள்ளிவிவரங்கள் எலும்புக்கூடு; மற்றவை தசைகள்.
பெரிய மாதிரிகள் எப்போதும் வெற்றி பெறுமா?
அளவிடுதல் உதவுகிறது, ஆனால் தரவு தரம், மதிப்பீடு மற்றும் பயன்படுத்தல் கட்டுப்பாடுகள் பெரும்பாலும் அதிக முக்கியத்துவம் வாய்ந்தவை. உங்கள் இலக்கை அடையும் மிகச்சிறிய மாதிரி பொதுவாக பயனர்களுக்கும் பணப்பைகளுக்கும் சிறந்தது.
AI-யால் புரிந்துகொள்ள முடியுமா? புரிந்துகொள்ள வரையறுக்கவும் . மாதிரிகள் தரவுகளில் கட்டமைப்பைப் படம்பிடித்து, பிரமிக்க வைக்கும் வகையில் பொதுமைப்படுத்துகின்றன; ஆனால் அவை குருட்டுப் புள்ளிகளைக் கொண்டுள்ளன, மேலும் அவை நம்பிக்கையுடன் தவறாக இருக்கலாம். அவற்றை சக்திவாய்ந்த கருவிகளைப் போல நடத்துங்கள் - ஞானிகளைப் போல அல்ல.
டிரான்ஸ்ஃபார்மர் சகாப்தம் என்றென்றும் நீடிக்குமா?
அநேகமாக என்றென்றும் இல்லை. அசல் ஆய்வறிக்கை காட்டியது போல [3], கவனம் இணையாகவும் நன்றாக அளவிடப்படுவதாலும் இது இப்போது ஆதிக்கம் செலுத்துகிறது. ஆனால் ஆராய்ச்சி தொடர்ந்து முன்னேறி வருகிறது.
AI எப்படி வேலை செய்கிறது? மிக நீளமானது, படிக்கவில்லை 🧵
-
AI தரவுகளிலிருந்து வடிவங்களைக் கற்றுக்கொள்கிறது, இழப்பைக் குறைக்கிறது மற்றும் புதிய உள்ளீடுகளுக்குப் பொதுமைப்படுத்துகிறது [1,2].
-
மேற்பார்வையிடப்பட்ட, மேற்பார்வையிடப்படாத, சுய மேற்பார்வையிடப்பட்ட மற்றும் வலுவூட்டல் கற்றல் ஆகியவை முக்கிய பயிற்சி அமைப்புகளாகும்; RL வெகுமதிகளிலிருந்து கற்றுக்கொள்கிறது [5].
-
மில்லியன் கணக்கான அளவுருக்களை திறம்பட சரிசெய்ய நரம்பியல் நெட்வொர்க்குகள் பின் பரவல் மற்றும் சாய்வு இறக்கத்தைப் பயன்படுத்துகின்றன [2].
-
சுய-கவனம் அளவில் இணையான உறவுகளைப் படம்பிடிப்பதால், பல வரிசைப் பணிகளில் மின்மாற்றிகள் ஆதிக்கம் செலுத்துகின்றன [3].
-
நிஜ உலக AI என்பது சிக்கல் கட்டமைப்பிலிருந்து பயன்படுத்தல் மற்றும் நிர்வாகம் வரையிலான ஒரு குழாய்வழியாகும் - மேலும் NIST இன் கட்டமைப்பு உங்களை ஆபத்து குறித்து நேர்மையாக வைத்திருக்கிறது [4].
யாராவது மீண்டும் 'செயற்கை நுண்ணறிவு எப்படி வேலை செய்கிறது?' என்று கேட்டால் , நீங்கள் புன்னகைத்துக்கொண்டே, உங்கள் காபியைப் பருகி, இப்படிச் சொல்லலாம்: அது தரவுகளிலிருந்து கற்றுக்கொள்கிறது, ஒரு இழப்பை மேம்படுத்துகிறது, மேலும் சிக்கலைப் பொறுத்து டிரான்ஸ்ஃபார்மர்கள் அல்லது ட்ரீ என்செம்பிள்கள் போன்ற கட்டமைப்புகளைப் பயன்படுத்துகிறது. பிறகு ஒரு கண் சிமிட்டலையும் சேர்த்துக்கொள்ளுங்கள், ஏனென்றால் அது எளிமையாகவும் அதே சமயம் சாமர்த்தியமாக முழுமையானதாகவும் இருக்கும். 😉
குறிப்புகள்
[1] ஐபிஎம் - இயந்திர கற்றல் என்றால் என்ன?
மேலும் படிக்கவும்
[2] மைக்கேல் நீல்சன் - பின் பெருக்க வழிமுறை எவ்வாறு செயல்படுகிறது
மேலும் படிக்கவும்
[3] வாஸ்வானி மற்றும் பலர் - கவனம் மட்டுமே உங்களுக்குத் தேவை (arXiv)
மேலும் படிக்கவும்
[4] NIST - செயற்கை நுண்ணறிவு இடர் மேலாண்மை கட்டமைப்பு (AI RMF 1.0)
மேலும் படிக்கவும்
[5] சட்டன் & பார்டோ - வலுவூட்டல் கற்றல்: ஓர் அறிமுகம் (2வது பதிப்பு)
மேலும் படிக்க