சுருக்கமான பதில்: AI தொழில்நுட்பம் என்பது கணினிகள் தரவுகளிலிருந்து கற்றுக்கொள்ளவும், வடிவங்களைக் கண்டறியவும், மொழியைப் புரிந்துகொள்ள அல்லது உருவாக்கவும், முடிவுகளை ஆதரிக்கவும் உதவும் முறைகளின் தொகுப்பாகும். இது பொதுவாக எடுத்துக்காட்டுகளில் ஒரு மாதிரியைப் பயிற்றுவித்து, பின்னர் கணிப்புகளைச் செய்ய அல்லது உள்ளடக்கத்தை உருவாக்க அதைப் பயன்படுத்துவதை உள்ளடக்கியது; உலகம் மாறும்போது, அதற்கு தொடர்ச்சியான கண்காணிப்பு மற்றும் அவ்வப்போது மறுபயிற்சி தேவைப்படுகிறது.
முக்கிய குறிப்புகள்:
வரையறை: AI அமைப்புகள் சிக்கலான உள்ளீடுகளிலிருந்து கணிப்புகள், பரிந்துரைகள் அல்லது முடிவுகளை ஊகிக்கின்றன.
முக்கிய திறன்கள்: கற்றல், வடிவ அங்கீகாரம், மொழி, கருத்து மற்றும் முடிவெடுக்கும் ஆதரவு ஆகியவை அடித்தளமாக அமைகின்றன.
தொழில்நுட்ப அடுக்கு: ML, ஆழமான கற்றல், NLP, பார்வை, RL மற்றும் ஜெனரேட்டிவ் AI ஆகியவை பெரும்பாலும் இணைந்து செயல்படுகின்றன.
வாழ்க்கைச் சுழற்சி: சறுக்கல் மற்றும் செயல்திறன் சிதைவை பயிற்றுவித்தல், சரிபார்த்தல், பயன்படுத்துதல், பின்னர் கண்காணித்தல்.
ஆளுகை: சார்பு சோதனைகள், மனித மேற்பார்வை, தனியுரிமை/பாதுகாப்பு கட்டுப்பாடுகள் மற்றும் தெளிவான பொறுப்புக்கூறலைப் பயன்படுத்தவும்.
இதற்குப் பிறகு நீங்கள் படிக்க விரும்பக்கூடிய கட்டுரைகள்:
🔗 AI மாதிரிகளை எவ்வாறு சோதிப்பது
துல்லியம், சார்பு, வலிமை மற்றும் செயல்திறனை மதிப்பிடுவதற்கான நடைமுறை முறைகள்.
🔗 AI என்றால் என்ன?
AI பொருள் மற்றும் பொதுவான தவறான கருத்துக்கள் பற்றிய எளிய விளக்கம்.
🔗 உள்ளடக்க உருவாக்கத்திற்கு AI ஐ எவ்வாறு பயன்படுத்துவது
உள்ளடக்கத்தை சிந்திக்க, வரைவு செய்ய, திருத்த மற்றும் அளவிட AI ஐப் பயன்படுத்தவும்.
🔗 AI மிகைப்படுத்தப்பட்டதா?
AI வாக்குறுதிகள், வரம்புகள் மற்றும் நிஜ உலக முடிவுகளை சமநிலையுடன் பாருங்கள்.
AI தொழில்நுட்பம் என்றால் என்ன 🧠
தொழில்நுட்பம் (AI Technology ) என்பது, இயந்திரங்கள் பின்வரும் “அறிவார்ந்த” நடத்தைகளைச் செய்ய அனுமதிக்கும் பரந்த அளவிலான முறைகள் மற்றும் கருவிகளின் தொகுப்பாகும்:
-
(ஒவ்வொரு சூழ்நிலைக்கும் வெளிப்படையாக நிரல் செய்யப்படுவதற்குப் பதிலாக) தரவிலிருந்து கற்றல்.
-
வடிவங்களை அங்கீகரித்தல் (முகங்கள், மோசடி, மருத்துவ சமிக்ஞைகள், போக்குகள்)
-
மொழியைப் புரிந்துகொள்வது அல்லது உருவாக்குதல் (சாட்பாட்கள், மொழிபெயர்ப்பு, சுருக்கங்கள்)
-
திட்டமிடல் மற்றும் முடிவெடுத்தல் (வழிமுறை, பரிந்துரைகள், ரோபாட்டிக்ஸ்)
-
புலனுணர்வு (பார்வை, பேச்சு அறிதல், உணரி விளக்கம்)
உங்களுக்கு ஒரு "ஓரளவு அதிகாரப்பூர்வமான" அடிப்படைத் தகவல் தேவைப்பட்டால், OECD-யின் வரையறை ஒரு பயனுள்ள வழிகாட்டியாகும்: அது ஒரு AI அமைப்பை, உள்ளீடுகளிலிருந்து ஊகித்து, சூழல்களைப் பாதிக்கும் கணிப்புகள், பரிந்துரைகள் அல்லது முடிவுகள் போன்ற வெளியீடுகளை உருவாக்கும் ஒன்றாகக் கருதுகிறது. வேறு வார்த்தைகளில் கூறுவதானால்: அது சிக்கலான யதார்த்தத்தை உள்ளீடாக எடுத்துக்கொள்கிறது → ஒரு "சிறந்த யூக" வெளியீட்டை உருவாக்குகிறது → அடுத்து என்ன நடக்கும் என்பதைப் பாதிக்கிறது. [1]
பொய் சொல்ல மாட்டேன் - "AI" என்பது ஒரு பொதுவான சொல். அதன் கீழ் நீங்கள் நிறைய துணைப் புலங்களைக் காண்பீர்கள், மேலும் மக்கள் அவற்றையெல்லாம் "AI" என்று சாதாரணமாக அழைப்பார்கள், அவர்கள் வெறும் ஹூடி அணிந்த ஆடம்பரமான புள்ளிவிவரங்களாக இருந்தாலும் கூட.
எளிய தமிழில் AI தொழில்நுட்பம் (விற்பனை முறை இல்லை) 😄
நீங்கள் ஒரு காபி கடை நடத்துகிறீர்கள் என்று கற்பனை செய்து பாருங்கள், நீங்கள் ஆர்டர்களைக் கண்காணிக்கத் தொடங்குகிறீர்கள்.
முதலில், “சமீபகாலமாக மக்கள் ஓட்ஸ் பாலை அதிகமாக விரும்புகிறார்களோ?” என்று நீங்கள் யூகிக்கிறீர்கள்.
பிறகு புள்ளிவிவரங்களைப் பார்த்து, “வார இறுதி நாட்களில் ஓட்ஸ் பாலின் விற்பனை அதிகரிக்கிறது போலும்” என்று நினைக்கிறீர்கள்.
இப்போது ஒரு அமைப்பை கற்பனை செய்து பாருங்கள்:
-
அந்த உத்தரவுகளைப் பார்க்கிறது,
-
நீங்கள் கவனிக்காத வடிவங்களைக் கண்டுபிடிக்கிறது,
-
நாளை நீங்கள் என்ன விற்பீர்கள் என்று கணிக்கும்,
-
மற்றும் எவ்வளவு சரக்குகளை வாங்க வேண்டும் என்று பரிந்துரைக்கிறது..
அந்த வடிவக் கண்டுபிடிப்பு + கணிப்பு + முடிவெடுக்கும் ஆதரவு என்பது AI தொழில்நுட்பத்தின் அன்றாடப் பதிப்பாகும். இது உங்கள் மென்பொருளுக்கு ஒரு நல்ல ஜோடி கண்களையும் சற்று வெறித்தனமான நோட்புக்கையும் கொடுப்பது போன்றது.
சில சமயங்களில், நன்றாகப் பேசக் கற்றுக்கொண்ட ஒரு கிளியை அதற்குக் கொடுப்பது போலவும் இது இருக்கும். உதவியானதுதான், ஆனால்... எப்போதும் புத்திசாலித்தனமானதல்ல. அதைப் பற்றிப் பிறகு விரிவாகப் பார்ப்போம்.
AI தொழில்நுட்பத்தின் முக்கிய கட்டுமானத் தொகுதிகள் 🧩
AI என்பது ஒரே விஷயம் அல்ல. இது பெரும்பாலும் ஒன்றாகச் செயல்படும் அணுகுமுறைகளின் தொகுப்பாகும்:
இயந்திர கற்றல் (ML)
அமைப்புகள் நிலையான விதிகளிலிருந்து அல்லாமல் தரவிலிருந்து உறவுகளைக் கற்றுக்கொள்கின்றன.
எடுத்துக்காட்டுகள்: ஸ்பேம் வடிப்பான்கள், விலை கணிப்பு, சலிப்பு கணிப்பு.
ஆழ்ந்த கற்றல்
பல அடுக்குகளைக் கொண்ட நரம்பியல் நெட்வொர்க்குகளைப் பயன்படுத்தும் ML இன் துணைக்குழு (படங்கள் மற்றும் ஆடியோ போன்ற குழப்பமான தரவுகளில் சிறந்தது).
எடுத்துக்காட்டுகள்: பேச்சு-க்கு-உரை, பட லேபிளிங், சில பரிந்துரை அமைப்புகள்.
இயற்கை மொழி செயலாக்கம் (NLP)
இயந்திரங்கள் மனித மொழியுடன் வேலை செய்ய உதவும் தொழில்நுட்பம்.
எடுத்துக்காட்டுகள்: தேடல், சாட்பாட்கள், உணர்வு பகுப்பாய்வு, ஆவணப் பிரித்தெடுத்தல்.
கம்ப்யூடர் விஷன்
காட்சி உள்ளீடுகளை விளக்கும் AI.
எடுத்துக்காட்டுகள்: தொழிற்சாலைகளில் குறைபாடு கண்டறிதல், இமேஜிங் ஆதரவு, வழிசெலுத்தல்.
வலுவூட்டல் கற்றல் (RL)
வெகுமதிகள் மற்றும் தண்டனைகளைப் பயன்படுத்தி சோதனை மற்றும் பிழை மூலம் கற்றல்.
எடுத்துக்காட்டுகள்: ரோபாட்டிக்ஸ் பயிற்சி, விளையாட்டு-விளையாடும் முகவர்கள், வள உகப்பாக்கம்.
ஜெனரேட்டிவ் AI
புதிய உள்ளடக்கத்தை உருவாக்கும் மாதிரிகள்: உரை, படங்கள், இசை, குறியீடு.
எடுத்துக்காட்டுகள்: எழுத்து உதவியாளர்கள், வடிவமைப்பு மாதிரிகள், சுருக்கக் கருவிகள்.
(உடனடியாக உங்கள் மூளையை உருக்காமல்) நிறைய நவீன AI ஆராய்ச்சி மற்றும் பொதுமக்கள் எதிர்கொள்ளும் கலந்துரையாடல்கள் ஒழுங்கமைக்கப்படும் ஒரு இடத்தை நீங்கள் விரும்பினால், ஸ்டான்ஃபோர்ட் HAI ஒரு உறுதியான குறிப்பு மையமாகும். [5]
"இது எப்படி வேலை செய்கிறது" என்ற ஒரு விரைவான மன மாதிரி (பயிற்சி vs. பயன்பாடு) 🔧
பெரும்பாலான நவீன AI இரண்டு பெரிய கட்டங்களைக் கொண்டுள்ளது:
-
பயிற்சி: மாதிரி பல எடுத்துக்காட்டுகளிலிருந்து வடிவங்களைக் கற்றுக்கொள்கிறது.
-
அனுமானம்: பயிற்சி பெற்ற மாதிரி ஒரு புதிய உள்ளீட்டைப் பெற்று ஒரு வெளியீட்டை உருவாக்குகிறது (கணிப்பு / வகைப்பாடு / உருவாக்கப்பட்ட உரை, முதலியன).
நடைமுறைக்கு ஏற்ற, மிகவும் சிக்கலான படம் அல்ல:
-
தரவுகளைச் சேகரிக்கவும் (உரை, படங்கள், பரிவர்த்தனைகள், சென்சார் சிக்னல்கள்)
-
அதை வடிவமைக்கவும் (மேற்பார்வையிடப்பட்ட கற்றலுக்கான லேபிள்கள், அல்லது சுய/அரை மேற்பார்வை அணுகுமுறைகளுக்கான அமைப்பு)
-
பயிற்சி (எடுத்துக்காட்டுகளில் சிறப்பாகச் செயல்படும் வகையில் மாதிரியை மேம்படுத்தவும்)
-
அது பார்த்திராத தரவுகளில் சரிபார்க்கவும் (அளவுக்கு மீறிய பொருத்தத்தைக் கண்டறிய)
-
பயன்படுத்து
-
கண்காணிக்கவும் (ஏனெனில் யதார்த்தம் மாறுகிறது, மாதிரிகள் மாயாஜாலமாக அதற்கேற்ப மாறிவிடுவதில்லை)
முக்கிய யோசனை: பல AI அமைப்புகள் மனிதர்களைப் போல "புரிந்து கொள்வதில்லை". அவை புள்ளிவிவர உறவுகளைக் கற்றுக்கொள்கின்றன. அதனால்தான் AI வடிவ அங்கீகாரத்தில் சிறந்ததாக இருக்கலாம், ஆனால் அடிப்படை பொது அறிவில் இன்னும் தோல்வியடையக்கூடும். இது சில நேரங்களில் தட்டுகள் இருப்பதை மறந்துவிடும் ஒரு மேதை சமையல்காரரைப் போன்றது.
ஒப்பீட்டு அட்டவணை: பொதுவான AI தொழில்நுட்ப விருப்பங்கள் (மற்றும் அவை எதற்கு நல்லது) 📊
AI தொழில்நுட்பத்தின் "வகைகள்" பற்றி சிந்திக்க ஒரு நடைமுறை வழி இங்கே. சரியானதல்ல, ஆனால் அது உதவுகிறது.
| AI தொழில்நுட்ப வகை | (பார்வையாளர்களுக்கு) சிறந்தது | விலை அதிகம் | இது ஏன் வேலை செய்கிறது (விரைவாக) |
|---|---|---|---|
| விதி அடிப்படையிலான ஆட்டோமேஷன் | சிறிய செயல்பாட்டுக் குழுக்கள், மீண்டும் மீண்டும் நிகழும் பணிப்பாய்வுகள் | குறைந்த | எளிமையான தர்க்கம், நம்பகமானது... ஆனால் வாழ்க்கை கணிக்க முடியாததாக மாறும்போது உடையக்கூடியது |
| கிளாசிக் இயந்திர கற்றல் | ஆய்வாளர்கள், தயாரிப்பு குழுக்கள், முன்னறிவிப்பு | நடுத்தரம் | கட்டமைக்கப்பட்ட தரவிலிருந்து வடிவங்களைக் கற்றுக்கொள்ளுங்கள் - “அட்டவணைகள் + போக்குகளுக்கு” சிறந்தது |
| ஆழ்ந்த கற்றல் | பார்வை/ஆடியோ குழுக்கள், சிக்கலான கருத்து | உயர்வான | குழப்பமான உள்ளீடுகளில் வலிமையானது, ஆனால் தரவு + கணக்கீடு (மற்றும் பொறுமை) தேவை |
| NLP (மொழி பகுப்பாய்வு) | ஆதரவு குழுக்கள், ஆராய்ச்சியாளர்கள், இணக்கம் | நடுத்தரம் | பொருள்/பொருள்கள்/நோக்கத்தைப் பிரித்தெடுக்கிறது; கிண்டலை இன்னும் தவறாகப் புரிந்துகொள்ள முடியும் 😬 |
| ஜெனரேட்டிவ் AI | சந்தைப்படுத்தல், எழுத்து, குறியீட்டு முறை, சிந்தனை | மாறுபடும் | உள்ளடக்கத்தை விரைவாக உருவாக்குகிறது; தரம் அறிவிப்புகள் + பாதுகாப்புத் தடுப்புகளைப் பொறுத்தது... ஆம், அவ்வப்போது நம்பிக்கையான முட்டாள்தனம் |
| வலுவூட்டல் கற்றல் | ரோபாட்டிக்ஸ், உகப்பாக்க மேதாவிகள் (அன்புடன் கூறினார்) | உயர் | ஆராய்வதன் மூலம் உத்திகளைக் கற்றுக்கொள்கிறார்; சக்தி வாய்ந்தது ஆனால் பயிற்சி விலை உயர்ந்ததாக இருக்கலாம் |
| எட்ஜ் AI | IoT, தொழிற்சாலைகள், சுகாதார சாதனங்கள் | நடுத்தரம் | வேகம் + தனியுரிமைக்காக சாதனத்தில் மாதிரிகளை இயக்குகிறது - குறைவான மேக சார்பு |
| கலப்பின அமைப்புகள் (AI + விதிகள் + மனிதர்கள்) | நிறுவனங்கள், அதிக பங்குகள் கொண்ட பணிப்பாய்வுகள் | நடுத்தர-உயர் | நடைமுறை - மனிதர்கள் இன்னும் "காத்திரு, என்ன?" தருணங்களைப் பிடிக்கிறார்கள் |
ஆமாம், மேஜை கொஞ்சம் சீரற்றது - அதுதான் வாழ்க்கை. AI தொழில்நுட்பத் தேர்வுகள் ஒரு டிராயரில் உள்ள ஹெட்ஃபோன்களைப் போல ஒன்றுடன் ஒன்று இணைகின்றன.
ஒரு நல்ல AI தொழில்நுட்ப அமைப்பை உருவாக்குவது எது? ✅
இது அவ்வளவு பளபளப்பாக இல்லாததால் மக்கள் தவிர்க்கும் பகுதி. ஆனால் நடைமுறையில், வெற்றி வாழும் இடம் இதுதான்.
ஒரு "நல்ல" AI தொழில்நுட்ப அமைப்பு பொதுவாக இவற்றைக் கொண்டுள்ளது:
-
என்ற தெளிவான பணி,
“புத்திசாலியாக மாறு” என்பதை விட எப்போதுமே சிறந்தது. -
தரமான தரவு.
உள்ளீடு குப்பை, வெளியீடும் குப்பைதான்... சில சமயங்களில் நம்பிக்கையுடனேயே குப்பையை வெளியிடுவார்கள் 😂 -
அளவிடக்கூடிய விளைவுகள்
துல்லியம், பிழை விகிதம், நேரம் மிச்சம், குறைக்கப்பட்ட செலவு, மேம்பட்ட பயனர் திருப்தி. -
சார்பு மற்றும் நியாயத்தன்மை சோதனைகள் (குறிப்பாக அதிக ஆபத்துள்ள பயன்பாட்டில்)
இது மக்களின் வாழ்க்கையை பாதித்தால், நீங்கள் அதை தீவிரமாக சோதிக்க வேண்டும் - மேலும் இடர் மேலாண்மையை ஒரு முறை சரிபார்க்கும் விஷயமாக அல்லாமல், ஒரு வாழ்க்கைச் சுழற்சி விஷயமாகக் கருத வேண்டும். NIST-இன் AI இடர் மேலாண்மை கட்டமைப்பு, இந்த வகையான “உருவாக்கு + அளவிடு + நிர்வகி” அணுகுமுறைக்கான மிகத் தெளிவான பொது வழிகாட்டிகளில் ஒன்றாகும். [2] -
மனிதர்கள் சரியானவர்கள் என்பதற்காக அல்ல (ஹாஹா), ஆனால் பொறுப்புக்கூறல் முக்கியமானது என்பதற்காக மனித மேற்பார்வை முக்கியமானது
-
வெளியீட்டிற்குப் பிறகான கண்காணிப்பு:
மாதிரிகள் மாறுகின்றன. பயனர் நடத்தை மாறுகிறது. யதார்த்தம் உங்கள் பயிற்சித் தரவுகளைப் பொருட்படுத்துவதில்லை.
ஒரு விரைவான "கலப்பு எடுத்துக்காட்டு" (மிகவும் வழக்கமான பயன்பாடுகளை அடிப்படையாகக் கொண்டது)
ஒரு ஆதரவுக் குழு ML டிக்கெட் ரூட்டிங்கை அறிமுகப்படுத்துகிறது. வாரம் 1: மாபெரும் வெற்றி. வாரம் 8: புதிய தயாரிப்பு வெளியீடு டிக்கெட் தலைப்புகளை மாற்றுகிறது, மேலும் ரூட்டிங் அமைதியாக மோசமடைகிறது. இதற்கான தீர்வு "கூடுதல் AI" அல்ல - அது கண்காணிப்பு + தூண்டுதல்களுக்கு மறுபயிற்சி அளித்தல் + ஒரு மனித மாற்று வழி. கவர்ச்சியற்ற அடிப்படைக் கட்டமைப்பு நிலைமையைக் காப்பாற்றுகிறது.
பாதுகாப்பு + தனியுரிமை: விருப்பத்திற்குரியது அல்ல, அடிக்குறிப்பு அல்ல 🔒
உங்கள் AI தனிப்பட்ட தரவைத் தொட்டால், நீங்கள் "பெரிய விதிகள்" பகுதியில் இருக்கிறீர்கள்.
பொதுவாக நீங்கள் விரும்புவது: அணுகல் கட்டுப்பாடுகள், தரவு குறைப்பு, கவனமாக வைத்திருத்தல், தெளிவான நோக்க வரம்புகள் மற்றும் வலுவான பாதுகாப்பு சோதனை - தானியங்கி முடிவுகள் மக்களைப் பாதிக்கும் கூடுதல் எச்சரிக்கை. AI மற்றும் தரவு பாதுகாப்பு குறித்த UK ICO இன் வழிகாட்டுதல், நியாயத்தன்மை, வெளிப்படைத்தன்மை மற்றும் GDPR-சீரமைக்கப்பட்ட பயன்பாடு பற்றி சிந்திக்க ஒரு நடைமுறை, ஒழுங்குமுறை தர வளமாகும். [3]
ஆபத்துகளும் வரம்புகளும் (மக்கள் கடினமான வழியில் கற்றுக்கொள்கிறார்கள் என்றும் அழைக்கப்படுகிறது) ⚠️
AI தொழில்நுட்பம் தானாகவே நம்பகமானதாக இருக்காது. பொதுவான தவறுகள்:
-
சார்பு மற்றும் நியாயமற்ற விளைவுகள்
பயிற்சி தரவு சமத்துவமின்மையை பிரதிபலித்தால், மாதிரிகள் அதை மீண்டும் செய்யலாம் அல்லது பெருக்கலாம். -
மாயத்தோற்றங்கள் (உருவாக்கும் செயற்கை நுண்ணறிவுக்கு):
சில மாதிரிகள், கேட்பதற்குச் சரியாகத் தோன்றும் ஆனால் உண்மையில் இல்லாத பதில்களை உருவாக்குகின்றன. இது துல்லியமாகச் சொல்வதானால் "பொய் சொல்வது" அல்ல - இது தன்னம்பிக்கையுடன் செய்யப்படும் ஒரு மேம்படுத்தப்பட்ட நகைச்சுவையைப் போன்றது. -
பாதுகாப்பு பாதிப்புகள்
எதிரிகளின் தாக்குதல்கள், உடனடி உட்செலுத்துதல், தரவு விஷம் - ஆம், அது கற்பனைக்கு எட்டாததாகிவிடும். -
அதிகமாகச் சார்ந்திருத்தல்
மனிதர்கள் வெளியீடுகளைக் கேள்வி கேட்பதை நிறுத்துகிறார்கள், பிழைகள் நழுவிச் செல்கின்றன. -
மாதிரி விலகல்.
உலகம் மாறுகிறது. நீங்கள் அதைப் பராமரிக்காத வரை, மாதிரி மாறுவதில்லை.
நீங்கள் ஒரு நிலையான “நெறிமுறைகள் + ஆளுகை + தரநிலைகள்” லென்ஸை விரும்பினால், தன்னாட்சி மற்றும் அறிவார்ந்த அமைப்புகளின் நெறிமுறைகள் குறித்த IEEE இன் பணி, நிறுவன மட்டத்தில் பொறுப்பான வடிவமைப்பு எவ்வாறு விவாதிக்கப்படுகிறது என்பதற்கான வலுவான குறிப்பு புள்ளியாகும். [4]
உங்கள் பயன்பாட்டுக்கு ஏற்ற சரியான AI தொழில்நுட்பத்தை எவ்வாறு தேர்வு செய்வது 🧭
நீங்கள் AI தொழில்நுட்பத்தை மதிப்பீடு செய்கிறீர்கள் என்றால் (ஒரு வணிகத்திற்காக, ஒரு திட்டத்திற்காக அல்லது ஆர்வத்திற்காக), இங்கே தொடங்குங்கள்:
-
முடிவை வரையறுக்கவும்
எந்த முடிவு அல்லது பணி மேம்படுகிறது? என்ன அளவீடுகள் மாறுகின்றன? -
உங்கள் தரவு யதார்த்தத்தைத் தணிக்கை செய்யுங்கள்
உங்களிடம் போதுமான தரவு உள்ளதா? அது சுத்தமாக இருக்கிறதா? அது ஒருதலைப்பட்சமாக இருக்கிறதா? அது யாருக்குச் சொந்தமானது? -
வேலை செய்யும் எளிய அணுகுமுறையைத் தேர்ந்தெடுங்கள்
சில நேரங்களில் விதிகள் ML ஐ விட சிறப்பாக இருக்கும். சில நேரங்களில் கிளாசிக் ML ஆழமான கற்றலை விட சிறப்பாக இருக்கும்.
அதிகப்படியான சிக்கலானது நீங்கள் என்றென்றும் செலுத்த வேண்டிய வரி. -
வெறும் டெமோவை மட்டும் பயன்படுத்தாமல்
, ஒருங்கிணைப்பு, தாமதம், கண்காணிப்பு, மறுபயிற்சி, அனுமதிகள் ஆகியவற்றிற்கான திட்டம். -
பாதுகாப்புத் தண்டவாளங்களைச் சேர்க்கவும்.
தேவைப்படும் இடங்களில் அதிக பங்குகள், பதிவு செய்தல், விளக்கக்கூடிய தன்மை ஆகியவற்றிற்கான மனித மதிப்பாய்வு. -
உண்மையான பயனர்களுடன் சோதனை செய்யுங்கள்.
உங்கள் வடிவமைப்பாளர்கள் ஒருபோதும் கற்பனை செய்யாத விஷயங்களை பயனர்கள் செய்வார்கள். ஒவ்வொரு முறையும்.
நான் வெளிப்படையாகச் சொல்வேன்: சிறந்த AI தொழில்நுட்பத் திட்டம் பெரும்பாலும் 30 சதவீதம் மாடல், 70 சதவீதம் பிளம்பிங். கவர்ச்சியாக இல்லை. மிகவும் உண்மையானது.
விரைவான சுருக்கம் மற்றும் இறுதிக் குறிப்பு 🧁
AI தொழில்நுட்பம் என்பது இயந்திரங்கள் தரவுகளிலிருந்து கற்றுக்கொள்ளவும், வடிவங்களை அடையாளம் காணவும், மொழியைப் புரிந்துகொள்ளவும், உலகை உணரவும், முடிவுகளை எடுக்கவும் உதவும் கருவிப்பெட்டியாகும் - சில சமயங்களில் புதிய உள்ளடக்கத்தை உருவாக்கவும் கூட. இதில் இயந்திர கற்றல், ஆழமான கற்றல், NLP, கணினி பார்வை, வலுவூட்டல் கற்றல் மற்றும் ஜெனரேட்டிவ் AI ஆகியவை அடங்கும்.
இதிலிருந்து நீங்கள் தெரிந்துகொள்ள வேண்டிய ஒரு விஷயம்: செயற்கை நுண்ணறிவுத் தொழில்நுட்பம் சக்தி வாய்ந்தது, ஆனால் அது தானாகவே நம்பகமானதாகிவிடாது. தெளிவான இலக்குகள், நல்ல தரவுகள், கவனமான சோதனை மற்றும் தொடர்ச்சியான கண்காணிப்பு ஆகியவற்றிலிருந்துதான் சிறந்த முடிவுகள் கிடைக்கும். அதோடு, சற்றே அதீத உற்சாகத்துடன் எழுதப்பட்டதாகத் தோன்றும் உணவக விமர்சனங்களைப் படிப்பது போல, ஒரு ஆரோக்கியமான அளவு சந்தேக மனப்பான்மையும் தேவை 😬
நிஜ உலக உதாரணம்: ஒரு AI ஆதரவு டிக்கெட் வகைப்படுத்தும் உதவியாளரை உருவாக்குதல் 🎫
சூழ்நிலை
ஒரு சிறிய SaaS நிறுவனம் ஒவ்வொரு வாரமும் 180 முதல் 220 வாடிக்கையாளர் ஆதரவு டிக்கெட்டுகளைப் பெறுகிறது என்று கற்பனை செய்து பாருங்கள். அந்தக் குழுவில் மூன்று ஆதரவு முகவர்கள் உள்ளனர், மேலும் டிக்கெட்டுகளுக்குப் பதிலளிப்பது அதிக நேரத்தை வீணடிப்பதில்லை - மாறாக அவற்றை வகைப்படுத்துவதுதான் அதிக நேரத்தை எடுத்துக்கொள்கிறது.
சில புகார்கள் கட்டணம் தொடர்பானவை. சில பிழை அறிக்கைகள். சில, “எனது கடவுச்சொல்லை எப்படி மீட்டமைப்பது?” என்ற கேள்விகள். ஒரு சில, கணக்கு அணுகல் தொடர்பான அவசரப் பிரச்சனைகள்; அவை அரை நாள் வரை வரிசையில் காத்திருக்கக் கூடாது.
ஒரு எளிய செயற்கை நுண்ணறிவு வகைப்படுத்தல் உதவியாளர், புதிய புகார்களைப் படித்து, அவற்றை வகைப்படுத்தி, முன்னுரிமை நிலையைப் பரிந்துரைத்து, ஒரு சிறிய உள்ளகச் சுருக்கத்தை உருவாக்கி, சரியான நபருக்கு வழிநடத்துவதன் மூலம் உதவக்கூடும். அது ஆதரவுக் குழுவிற்கு மாற்றாக அமையாது. அது திரும்பத் திரும்பச் செய்யப்படும் முதல் கட்ட வகைப்படுத்தும் வேலையை நீக்குகிறது, அவ்வளவுதான்.
உதவியாளருக்கு என்ன தேவை
இதை மதிப்புமிக்கதாக மாற்றுவதற்கு, குழுவிற்கு பின்வருவன தேவைப்படும்:
கட்டணம், பிழை, கணக்கு அணுகல், அம்சக் கோரிக்கை மற்றும் பொதுவான கேள்வி போன்ற வாடிக்கையாளர் ஆதரவுப் பிரிவுகள்
முன்னுரிமை விதிகள், எடுத்துக்காட்டாக: “கணக்கு முடக்கப்பட்ட + பணம் செலுத்தும் வாடிக்கையாளர் = உயர் முன்னுரிமை”
சரியாகக் குறியிடப்பட்ட முந்தைய பயணச்சீட்டுகளின் சில எடுத்துக்காட்டுகள்
பணம் திரும்ப அளித்தல், பிழைகளைச் சரிசெய்வதாக உறுதியளித்தல் அல்லது கணக்கு அமைப்புகளை மாற்றுதல் போன்ற, செயற்கை நுண்ணறிவு செய்யக்கூடாத செயல்களின் பட்டியல்
அவசர, சட்ட, கட்டணம் அல்லது பாதுகாப்பு தொடர்பான புகார்களுக்கான மனித மதிப்பாய்வுப் படிநிலை
செயற்கை நுண்ணறிவின் வழிசெலுத்தல், ஆதரவுக் குழுவால் ஏற்றுக்கொள்ளப்பட்டதா அல்லது திருத்தப்பட்டதா என்பதைக் கண்காணிப்பதற்கான ஒரு எளிய வழி
எடுத்துக்காட்டு அறிவுறுத்தல்
நீங்கள் உதவியாளருக்கு இது போன்ற ஒரு அறிவுறுத்தலை வழங்கலாம்:
வாடிக்கையாளர் ஆதரவு டிக்கெட்டைப் படித்து, அதை பில்லிங், பிழை, கணக்கு அணுகல், அம்சக் கோரிக்கை அல்லது பொதுவான கேள்வி ஆகிய வகைகளில் ஒன்றில் வகைப்படுத்துங்கள். நிறுவனத்தின் ஆதரவு விதிகளைப் பயன்படுத்தி, குறைந்த, நடுத்தர அல்லது உயர் முன்னுரிமையை ஒதுக்குங்கள். ஒரு வாக்கியத்தில் ஒரு உள் சுருக்கத்தை எழுதுங்கள். பணத்தைத் திரும்பப் பெறுதல், சரிசெய்தல், காலக்கெடு அல்லது கொள்கை விதிவிலக்குகள் ஆகியவற்றை உறுதியளிக்காதீர்கள். டிக்கெட்டில் முடக்கப்பட்ட கணக்கு, செலுத்தத் தவறிய கட்டணம், பாதுகாப்புக் கவலை அல்லது கோபமான வாடிக்கையாளர் குறிப்பிடப்பட்டிருந்தால், அதை மனித மதிப்பாய்விற்காகக் குறியிடுங்கள்.
மாதிரி டிக்கெட்:
நான் நேற்று ப்ரோ திட்டத்திற்குப் பணம் செலுத்தினேன், ஆனால் என் கணக்கு இன்னும் இலவசம் என்றே காட்டுகிறது. இன்று மதியம் வாடிக்கையாளர் அழைப்பதற்குள் இதைச் சரிசெய்ய வேண்டும்
நல்ல வெளியீடு:
பிரிவு: கட்டணம்
முன்னுரிமை: உயர்
சுருக்கம்: வாடிக்கையாளர் புரோ திட்டத்திற்குப் பணம் செலுத்தியிருந்தும், அவருக்கு இன்னும் இலவசத் திட்டமே தெரிகிறது. இன்றைய வாடிக்கையாளர் அழைப்பிற்கு முன்பு அணுகல் தேவைப்படுகிறது.
மனித மதிப்பாய்வு: ஆம் - நேர நெருக்கடியால் கட்டணம்/அணுகல் சிக்கல் ஏற்பட்டுள்ளது.
தவறான வெளியீடு:
மன்னிக்கவும், நாங்கள் தற்போது உங்கள் கணக்கை மேம்படுத்திவிட்டோம்
அந்தத் தவறான பதில் ஆபத்தானது, ஏனெனில் அந்தச் செயற்கை நுண்ணறிவு, தனக்கு அனுமதி இல்லாத ஒரு செயலைச் செய்வது போல் பாசாங்கு செய்கிறது.
அதை எப்படி சோதிப்பது
நேரலை டிக்கெட்டுகளில் அசிஸ்டன்ட்டைப் பயன்படுத்துவதற்கு முன்பு, சரியான வகை மற்றும் முன்னுரிமை ஏற்கனவே தெரிந்த 30–50 பழைய டிக்கெட்டுகளைக் கொண்டு அதைச் சோதித்துப் பாருங்கள்.
ஒரு மதிப்புமிக்க சோதனைத் தொகுப்பில் பின்வருவன அடங்கியிருக்கலாம்:
10 எளிய “எப்படி செய்வது” கேள்விகள்
10 பில்லிங் அல்லது திட்ட அணுகல் டிக்கெட்டுகள்
10 பிழை அறிக்கைகள்
5 கோபமான அல்லது அவசரமான வாடிக்கையாளர் செய்திகள்
ஒரே நேரத்தில் இரண்டு பிரச்சனைகளைக் குறிப்பிடும் 5 சிக்கலான டிக்கெட்டுகள்
மூன்று விஷயங்களைக் கண்காணிக்கவும்:
அது சரியான வகையைத் தேர்ந்தெடுத்ததா?
அது சரியான முன்னுரிமையைத் தேர்ந்தெடுத்ததா?
அபாயகரமான டிக்கெட்டுகளை மனித மதிப்பாய்வுக்காக அது சரியாகக் கொடியிட்டதா?
மிகக் குறுகிய செய்திகள், நையாண்டி, உரை இல்லாத ஸ்கிரீன்ஷாட்கள், தெளிவற்ற புகார்கள் மற்றும் தவறான தயாரிப்புப் பெயர்களைப் பயன்படுத்தும் வாடிக்கையாளர்கள் போன்ற வழக்கத்திற்கு மாறான உள்ளீடுகளையும் குழு சோதிக்க வேண்டும்.
முடிவு
விளக்க முடிவு: பணிப்பாய்வைப் பயன்படுத்துவதற்கு முன்னும் பின்னும் 40 மாதிரி டிக்கெட்டுகளின் நேரத்தைக் கொண்டு எடுக்கப்பட்ட முடிவு.
கைமுறை வகைப்படுத்தல் நேரம்: ஒரு டிக்கெட்டுக்கு 3 நிமிடங்கள்.
செயற்கை நுண்ணறிவு உதவியுடனான வகைப்படுத்தல் நேரம்: மனித மதிப்பாய்வு உட்பட, ஒரு டிக்கெட்டுக்கு 45 வினாடிகள்.
வாரத்திற்கு 200 டிக்கெட்டுகளில் சேமிக்கப்படும் உத்தேச நேரம்: 7.5 மணிநேரம்.
வெளியீட்டிற்கு முன் வழித்தடத் துல்லிய இலக்கு: சோதனைத் தொகுப்பில் குறைந்தது 85%.
மனித மதிப்பாய்வு மூலம் கண்டறியும் இலக்கு: கட்டணம், கணக்கு அணுகல், பாதுகாப்பு அல்லது அவசரப் புகார் டிக்கெட்டுகள் 100%.
இந்த எண்கள் ஒரு பொதுவான அளவுகோல் அல்ல. நேரலை டிக்கெட்டுகளின் நேரத்தைக் கணக்கிடுதல், திருத்தப்பட்ட வகைப்பாடுகளை எண்ணுதல் மற்றும் வாராந்திர ஆதரவுப் பதிவுகளை மதிப்பாய்வு செய்தல் ஆகியவற்றின் மூலம் ஒரு குழு சரிபார்க்கக்கூடிய ஒரு எடுத்துக்காட்டு மதிப்பீடு இது.
என்ன தவறு நடக்கக்கூடும்?
செய்தியில் வெளிப்படையான அவசர வார்த்தைகள் இல்லாததால், உதவியாளர் கோபமான வாடிக்கையாளருக்குக் குறைவான முன்னுரிமை அளிக்கக்கூடும்.
ஒரு பில்லிங் பிழைக்குத் தயாரிப்புக் குழுவின் தேவையும் இருக்கும்போது, அது அந்தப் பிழையை 'பில்லிங்' என்று மட்டுமே வகைப்படுத்தக்கூடும்.
அது, டிக்கெட்டின் இறுதியில் மறைந்திருக்கும் ஒரு முக்கியமான விவரத்தைத் தவறவிடும் ஒரு நம்பிக்கையான சுருக்கத்தை உருவாக்கக்கூடும்.
விலை நிர்ணயம், பணம் திரும்பப்பெறும் கொள்கைகள் அல்லது மேல் நடவடிக்கைக்கான வழிமுறைகள் மாறினால், அது காலாவதியான ஆதரவு விதிகளைச் சார்ந்திருக்க நேரிடலாம்.
திருத்தங்களை அளவிடாமல், AI-ஐ அமைதியாகப் புகார்களை அனுப்ப அனுமதிப்பதே மிகப்பெரிய தவறு. முகவர்கள் ஒரே AI தவறைத் திரும்பத் திரும்பச் சரிசெய்தால், அது மேம்பாட்டிற்கான பயிற்சித் தரவாக மாறும்; புறக்கணிக்கப்பட வேண்டிய ஒன்றல்ல.
நடைமுறைப் பாடம்
நடைமுறையில் செயற்கை நுண்ணறிவுத் தொழில்நுட்பம் மதிப்புமிக்கதாக மாறுவது இங்குதான்: ஒரு மாயாஜால மூளையாக அல்ல, மாறாக ஒரு கட்டுப்படுத்தப்பட்ட பணி ஓட்டமாக. அதற்கு ஒரு குறிப்பிட்ட பணியையும், தெளிவான விதிகளையும், சோதனை எடுத்துக்காட்டுகளையும், அளவிடக்கூடிய இலக்குகளையும், மற்றும் மனிதர்கள் பயன்படுத்தக்கூடிய ஒரு மாற்று வழியையும் கொடுங்கள். செயற்கை நுண்ணறிவிடம் "ஆதரவுப் பணிகளைக் கையாளுங்கள்" என்று கேட்டுவிட்டு, எல்லாம் நல்லபடியாக நடக்கும் என்று நம்புவதை விட, இந்த ஒருங்கிணைப்பு பொதுவாக மிகவும் நம்பகமானதாக இருக்கும்.
அடிக்கடி கேட்கப்படும் கேள்விகள்
எளிமையான சொற்களில் AI தொழில்நுட்பம் என்றால் என்ன?
AI தொழில்நுட்பம் என்பது கணினிகள் தரவுகளிலிருந்து கற்றுக்கொள்ளவும், கணிப்புகள், பரிந்துரைகள் அல்லது உருவாக்கப்பட்ட உள்ளடக்கம் போன்ற நடைமுறை வெளியீடுகளை உருவாக்கவும் உதவும் முறைகளின் தொகுப்பாகும். ஒவ்வொரு சூழ்நிலைக்கும் நிலையான விதிகளுடன் நிரல் செய்யப்படுவதற்குப் பதிலாக, மாதிரிகள் எடுத்துக்காட்டுகளில் பயிற்சியளிக்கப்பட்டு, பின்னர் புதிய உள்ளீடுகளுக்குப் பயன்படுத்தப்படுகின்றன. உற்பத்திப் பயன்பாடுகளில், AI எதிர்கொள்ளும் தரவு காலப்போக்கில் மாறக்கூடும் என்பதால், தொடர்ந்து கண்காணிப்பு தேவைப்படுகிறது.
AI தொழில்நுட்பம் நடைமுறையில் எவ்வாறு செயல்படுகிறது (பயிற்சி vs அனுமானம்)?
பெரும்பாலான AI தொழில்நுட்பம் இரண்டு முக்கிய கட்டங்களைக் கொண்டுள்ளது: பயிற்சி மற்றும் அனுமானம். பயிற்சியின் போது, ஒரு மாதிரி ஒரு தரவுத்தொகுப்பிலிருந்து வடிவங்களைக் கற்றுக்கொள்கிறது - பெரும்பாலும் அறியப்பட்ட எடுத்துக்காட்டுகளில் அதன் செயல்திறனை மேம்படுத்துவதன் மூலம். அனுமானத்தின் போது, பயிற்சி பெற்ற மாதிரி ஒரு புதிய உள்ளீட்டை எடுத்து வகைப்பாடு, முன்னறிவிப்பு அல்லது உருவாக்கப்பட்ட உரை போன்ற வெளியீட்டை உருவாக்குகிறது. பயன்படுத்தப்பட்ட பிறகு, செயல்திறன் குறையக்கூடும், எனவே கண்காணிப்பு மற்றும் மறுபயிற்சி விஷயத்தைத் தூண்டுகிறது.
இயந்திர கற்றல், ஆழ்ந்த கற்றல் மற்றும் AI ஆகியவற்றுக்கு என்ன வித்தியாசம்?
AI என்பது "புத்திசாலித்தனமான" இயந்திர நடத்தைக்கான பரந்த குடைச்சொல் ஆகும், அதே நேரத்தில் இயந்திர கற்றல் என்பது தரவுகளிலிருந்து உறவுகளைக் கற்றுக்கொள்ளும் AI-க்குள் ஒரு பொதுவான அணுகுமுறையாகும். ஆழமான கற்றல் என்பது பல அடுக்கு நரம்பியல் நெட்வொர்க்குகளைப் பயன்படுத்தும் இயந்திர கற்றலின் துணைக்குழு ஆகும், மேலும் படங்கள் அல்லது ஆடியோ போன்ற சத்தமில்லாத, கட்டமைக்கப்படாத உள்ளீடுகளில் சிறப்பாகச் செயல்படும். பல அமைப்புகள் ஒற்றை நுட்பத்தை நம்புவதற்குப் பதிலாக அணுகுமுறைகளை இணைக்கின்றன.
எந்த வகையான பிரச்சனைகளுக்கு AI தொழில்நுட்பம் சிறந்தது?
குறிப்பாக வடிவ அங்கீகாரம், முன்னறிவிப்பு, மொழிப் பணிகள் மற்றும் முடிவெடுக்கும் ஆதரவு ஆகியவற்றில் AI தொழில்நுட்பம் வலுவானது. பொதுவான எடுத்துக்காட்டுகளில் ஸ்பேம் கண்டறிதல், கர்ன் கணிப்பு, ஆதரவு டிக்கெட் ரூட்டிங், பேச்சு-க்கு-உரை மற்றும் காட்சி குறைபாடு கண்டறிதல் ஆகியவை அடங்கும். ஜெனரேட்டிவ் AI பெரும்பாலும் வரைவு, சுருக்கம் அல்லது கருத்தாக்கத்திற்குப் பயன்படுத்தப்படுகிறது, அதே நேரத்தில் வலுவூட்டல் கற்றல் உகப்பாக்க சிக்கல்கள் மற்றும் வெகுமதிகள் மற்றும் அபராதங்கள் மூலம் முகவர்களுக்கு பயிற்சி அளிக்க உதவும்.
AI மாதிரிகள் ஏன் நகர்கின்றன, செயல்திறன் சிதைவை எவ்வாறு தடுப்பது?
மாதிரி சறுக்கல் என்பது நிலைமைகள் மாறும்போது நிகழ்கிறது - புதிய பயனர் நடத்தை, புதிய தயாரிப்புகள், புதிய மோசடி முறைகள், மொழி மாற்றம் - அதே நேரத்தில் மாதிரி பழைய தரவுகளில் பயிற்சி பெற்றிருக்கும். செயல்திறன் சிதைவைக் குறைக்க, குழுக்கள் பொதுவாக வெளியீட்டிற்குப் பிறகு முக்கிய அளவீடுகளைக் கண்காணித்து, விழிப்பூட்டல்களுக்கான வரம்புகளை அமைத்து, அவ்வப்போது மதிப்பாய்வுகளை திட்டமிடுகின்றன. சறுக்கல் கண்டறியப்படும்போது, மறுபயிற்சி, தரவு புதுப்பிப்புகள் மற்றும் மனித பின்னடைவு பாதைகள் விளைவுகளை நம்பகமானதாக வைத்திருக்க உதவுகின்றன.
ஒரு குறிப்பிட்ட பயன்பாட்டுக்கு ஏற்ற AI தொழில்நுட்பத்தை எவ்வாறு தேர்வு செய்வது?
நீங்கள் மேம்படுத்த விரும்பும் விளைவு மற்றும் அளவீட்டை வரையறுப்பதன் மூலம் தொடங்கவும், பின்னர் உங்கள் தரவு தரம், சார்பு அபாயங்கள் மற்றும் உரிமையை மதிப்பிடவும். தேவைகளைப் பூர்த்தி செய்யக்கூடிய எளிய முறையைத் தேர்ந்தெடுப்பது ஒரு பொதுவான அணுகுமுறையாகும் - சில நேரங்களில் விதிகள் ML ஐ விட சிறப்பாக செயல்படும், மேலும் கிளாசிக் ML கட்டமைக்கப்பட்ட "அட்டவணைகள் + போக்குகள்" தரவுகளுக்கான ஆழமான கற்றலை விஞ்சும். ஒருங்கிணைப்பு, தாமதம், அனுமதிகள், கண்காணிப்பு மற்றும் மறுபயிற்சிக்கான திட்டம் - வெறும் டெமோ அல்ல.
AI தொழில்நுட்பத்தின் மிகப்பெரிய அபாயங்கள் மற்றும் வரம்புகள் என்ன?
பயிற்சித் தரவு சமூக சமத்துவமின்மையை பிரதிபலிக்கும் போது, AI அமைப்புகள் சார்புடைய அல்லது நியாயமற்ற விளைவுகளை உருவாக்கக்கூடும். உருவாக்க AI "மாயத்தோற்றத்தை" ஏற்படுத்தக்கூடும், நம்பகமானதாக இல்லாத நம்பிக்கையான வெளியீட்டை உருவாக்குகிறது. உடனடி ஊசி மற்றும் தரவு விஷம் உள்ளிட்ட பாதுகாப்பு அபாயங்களும் உள்ளன, மேலும் குழுக்கள் வெளியீடுகளை அதிகமாக நம்பியிருக்கக்கூடும். குறிப்பாக அதிக பங்குகள் கொண்ட பணிப்பாய்வுகளில், தற்போதைய நிர்வாகம், சோதனை மற்றும் மனித மேற்பார்வை ஆகியவை முக்கியமானவை.
நடைமுறையில் AI தொழில்நுட்பத்திற்கு "ஆளுகை" என்றால் என்ன?
ஆளுகை என்பது AI எவ்வாறு கட்டமைக்கப்படுகிறது, பயன்படுத்தப்படுகிறது மற்றும் பராமரிக்கப்படுகிறது என்பதை கட்டுப்பாடுகளாகக் கொண்டு வருவதன் மூலம் பொறுப்புக்கூறல் தெளிவாக இருக்கும். நடைமுறையில் இதில் சார்பு சோதனைகள், தனியுரிமை மற்றும் பாதுகாப்பு கட்டுப்பாடுகள், தாக்கங்கள் அதிகமாக இருக்கும் இடங்களில் மனித மேற்பார்வை மற்றும் தணிக்கைத்திறனுக்காக பதிவு செய்தல் ஆகியவை அடங்கும். இது இடர் மேலாண்மையை ஒரு வாழ்க்கைச் சுழற்சி நடவடிக்கையாகக் கருதுவதையும் குறிக்கிறது - பயிற்சி, சரிபார்ப்பு, பயன்பாடு, பின்னர் நிலைமைகள் மாறும்போது தொடர்ச்சியான கண்காணிப்பு மற்றும் புதுப்பிப்புகள்.