சுருக்கமான பதில்: ஒரு AI வழிமுறை என்பது ஒரு கணினி தரவுகளிலிருந்து வடிவங்களைக் கற்றுக்கொள்வதற்கும், பின்னர் பயிற்சி பெற்ற மாதிரியைப் பயன்படுத்தி கணிப்புகள் அல்லது முடிவுகளை எடுப்பதற்கும் பயன்படுத்தும் முறையாகும். இது "if-then" தர்க்கத்தால் சரி செய்யப்படவில்லை: அது எடுத்துக்காட்டுகள் மற்றும் கருத்துக்களை எதிர்கொள்ளும்போது மாற்றியமைக்கிறது. தரவு மாறும்போது அல்லது சார்புகளைக் கொண்டிருக்கும்போது, அது இன்னும் நம்பிக்கையான தவறுகளை உருவாக்கக்கூடும்.
முக்கிய குறிப்புகள்:
வரையறைகள் : பயிற்சி பெற்ற முன்கணிப்பாளரிடமிருந்து (மாதிரி) கற்றல் செய்முறையை (வழிமுறை) பிரிக்கவும்.
வாழ்க்கைச் சுழற்சி : பயிற்சியையும் அனுமானத்தையும் தனித்தனியாகக் கருதுங்கள்; பயன்படுத்தப்பட்ட பிறகு தோல்விகள் பெரும்பாலும் வெளிப்படும்.
பொறுப்புடைமை : பிழைகளை யார் மதிப்பாய்வு செய்கிறார்கள், அமைப்பு தவறாகப் புரிந்து கொள்ளும்போது என்ன நடக்கும் என்பதை முடிவு செய்யுங்கள்.
தவறான பயன்பாட்டு எதிர்ப்பு : கசிவு, தானியங்கி சார்பு மற்றும் முடிவுகளை அதிகரிக்கக்கூடிய மெட்ரிக் கேமிங் ஆகியவற்றைக் கவனியுங்கள்.
தணிக்கைத்திறன் : தரவு மூலங்கள், அமைப்புகள் மற்றும் மதிப்பீடுகளைக் கண்காணிக்கவும், இதனால் முடிவுகள் பின்னர் போட்டியிடக்கூடியதாக இருக்கும்.
இதற்குப் பிறகு நீங்கள் படிக்க விரும்பக்கூடிய கட்டுரைகள்:
🔗 AI நெறிமுறைகள் என்றால் என்ன?
பொறுப்பான AIக்கான கொள்கைகள்: நியாயத்தன்மை, வெளிப்படைத்தன்மை, பொறுப்புக்கூறல் மற்றும் பாதுகாப்பு.
🔗 AI சார்பு என்றால் என்ன?
சார்புடைய தரவு AI முடிவுகளை எவ்வாறு சாய்க்கிறது மற்றும் அதை எவ்வாறு சரிசெய்வது.
🔗 AI அளவிடுதல் என்றால் என்ன
AI அமைப்புகளை அளவிடுவதற்கான வழிகள்: தரவு, கணக்கீடு, வரிசைப்படுத்தல் மற்றும் செயல்பாடுகள்.
🔗 விளக்கக்கூடிய AI என்றால் என்ன?
நம்பிக்கை, பிழைத்திருத்தம் மற்றும் இணக்கத்திற்கு விளக்கக்கூடிய மாதிரிகள் ஏன் முக்கியம்.
உண்மையில் AI அல்காரிதம் என்றால் என்ன? 🧠
ஒரு AI வழிமுறை என்பது ஒரு கணினி பயன்படுத்தும் ஒரு செயல்முறையாகும்:
-
தரவிலிருந்து (அல்லது பின்னூட்டத்திலிருந்து)
-
வடிவங்களை அங்கீகரிக்கவும்
-
கணிப்புகள் அல்லது முடிவுகளை எடுங்கள்
-
அனுபவத்துடன் செயல்திறனை மேம்படுத்தவும்
கிளாசிக் அல்காரிதம்கள் இப்படி இருக்கும்: “இந்த எண்களை ஏறுவரிசையில் வரிசைப்படுத்துங்கள்.” தெளிவான படிகள், ஒவ்வொரு முறையும் அதே முடிவு.
AI-ish அல்காரிதம்கள் இப்படித்தான் இருக்கும்: “இதோ ஒரு மில்லியன் உதாரணங்கள். தயவுசெய்து 'பூனை' என்றால் என்ன என்பதைக் கண்டுபிடிக்கவும்.” பின்னர் அது வழக்கமாக வேலை செய்யும் ஒரு உள் வடிவத்தை உருவாக்குகிறது. வழக்கமாக. சில நேரங்களில் அது ஒரு பஞ்சுபோன்ற தலையணையைப் பார்த்து முழு நம்பிக்கையுடன் “CAT!” என்று கத்துகிறது. 🐈⬛
AI அல்காரிதம் vs AI மாடல்: மக்கள் மறைக்கும் வித்தியாசம் 😬
நிறைய குழப்பங்களை விரைவாக நீக்குகிறது
-
AI வழிமுறை = கற்றல் முறை / பயிற்சி அணுகுமுறை
(“தரவுகளிலிருந்து நாம் நம்மைப் புதுப்பித்துக்கொள்வது இதுதான்.”) -
AI மாதிரி = புதிய உள்ளீடுகளில் நீங்கள் இயக்கும் பயிற்சி பெற்ற கலைப்பொருள்
(“இதுதான் இப்போது கணிப்புகளைச் செய்யும் விஷயம்.”) [1]
எனவே, வழிமுறை சமையல் செயல்முறை போன்றது, மற்றும் மாதிரி முடிக்கப்பட்ட உணவு 🍝. சற்று தள்ளாடும் உருவகம், ஒருவேளை, ஆனால் அது பொருந்தும்.
மேலும், ஒரே வழிமுறை பின்வருவனவற்றைப் பொறுத்து பெருமளவில் வேறுபட்ட மாதிரிகளை உருவாக்க முடியும்:
-
நீங்கள் அதற்கு அளிக்கும் தரவு
-
நீங்கள் தேர்வு செய்யும் அமைப்புகள்
-
நீங்கள் எவ்வளவு நேரம் பயிற்சி பெறுகிறீர்கள்?
-
உங்கள் தரவுத்தொகுப்பு எவ்வளவு ஒழுங்கற்றது (ஸ்பாய்லர்: இது கிட்டத்தட்ட எப்போதும் ஒழுங்கற்றதாகவே இருக்கும்)
நீங்கள் "தொழில்நுட்ப வல்லுநர்" இல்லையென்றாலும் கூட, AI வழிமுறை ஏன் முக்கியமானது 📌
நீங்கள் ஒரு வரி குறியீட்டை எழுதாவிட்டாலும், AI வழிமுறைகள் உங்களைப் பாதிக்கின்றன. நிறைய.
சிந்தியுங்கள்: ஸ்பேம் வடிப்பான்கள், மோசடி சோதனைகள், பரிந்துரைகள், மொழிபெயர்ப்பு, மருத்துவ இமேஜிங் ஆதரவு, வழி உகப்பாக்கம் மற்றும் ஆபத்து மதிப்பீடு. (AI "உயிருடன்" இருப்பதால் அல்ல, ஆனால் ஒரு மில்லியன் அமைதியான முக்கியமான இடங்களில் அளவில் வடிவ அங்கீகாரம் மதிப்புமிக்கது என்பதால்.)
நீங்கள் ஒரு தொழிலை உருவாக்குகிறீர்கள், ஒரு குழுவை நிர்வகிக்கிறீர்கள் அல்லது வாசகங்களால் ஏமாறாமல் இருக்க முயற்சிக்கிறீர்கள் என்றால், AI வழிமுறை என்பதைப் புரிந்துகொள்வது சிறந்த கேள்விகளைக் கேட்க உதவும்:
-
அமைப்பு எந்தத் தரவிலிருந்து கற்றுக்கொண்டது என்பதைக் கண்டறியவும்.
-
சார்பு எவ்வாறு அளவிடப்படுகிறது மற்றும் குறைக்கப்படுகிறது என்பதைச் சரிபார்க்கவும்.
-
அமைப்பு தவறாக இருக்கும்போது என்ன நடக்கும் என்பதை வரையறுக்கவும்.
ஏனென்றால் அது சில நேரங்களில் தவறாகிவிடும். அது அவநம்பிக்கை அல்ல. அதுதான் உண்மை.
ஒரு AI வழிமுறை எவ்வாறு "கற்றுக்கொள்கிறது" (பயிற்சி vs அனுமானம்) 🎓➡️🔮
பெரும்பாலான இயந்திர கற்றல் அமைப்புகள் இரண்டு முக்கிய கட்டங்களைக் கொண்டுள்ளன:
1) பயிற்சி (கற்றல் நேரம்)
பயிற்சியின் போது, வழிமுறை:
-
எடுத்துக்காட்டுகளைப் பார்க்கிறது (தரவு)
-
கணிப்புகளைச் செய்கிறது
-
அது எவ்வளவு தவறு என்பதை அளவிடுகிறது
-
பிழையைக் குறைக்க உள் அளவுருக்களை சரிசெய்கிறது [1]
2) அனுமானம் (நேரத்தைப் பயன்படுத்தி)
பயிற்சி பெற்ற மாதிரி புதிய உள்ளீடுகளில் பயன்படுத்தப்படும்போது அனுமானம் ஏற்படுகிறது:
-
ஒரு புதிய மின்னஞ்சலை ஸ்பேம் அல்லது இல்லையா என வகைப்படுத்தவும்
-
அடுத்த வாரம் தேவையை கணிக்கவும்
-
ஒரு படத்தை லேபிளிடுங்கள்
-
பதிலை உருவாக்கு [1]
பயிற்சி என்பது "படித்தல்". அனுமானம் என்பது "தேர்வு". ஆனால் தேர்வு ஒருபோதும் முடிவதில்லை, மக்கள் விதிகளை நடுவில் மாற்றிக்கொண்டே இருக்கிறார்கள். 😵
AI அல்காரிதம் பாணிகளின் பெரிய குடும்பங்கள் (எளிய-ஆங்கில உள்ளுணர்வுடன்) 🧠🔧
மேற்பார்வையிடப்பட்ட கற்றல் 🎯
நீங்கள் பெயரிடப்பட்ட உதாரணங்களை வழங்குகிறீர்கள்:
-
“இது ஸ்பேம்” / “இது ஸ்பேம் அல்ல”
-
“இந்த வாடிக்கையாளர் குழப்பமடைந்தார்” / “இந்த வாடிக்கையாளர் தங்கிவிட்டார்”
இந்த வழிமுறை உள்ளீடுகள் → வெளியீடுகளிலிருந்து மேப்பிங்கைக் கற்றுக்கொள்கிறது. மிகவும் பொதுவானது. [1]
மேற்பார்வையின்றி கற்றல் 🧊
லேபிள்கள் இல்லை. அமைப்பு கட்டமைப்பைத் தேடுகிறது:
-
ஒத்த வாடிக்கையாளர்களின் கொத்துகள்
-
அசாதாரண வடிவங்கள்
-
ஆவணங்களில் உள்ள தலைப்புகள் [1]
வலுவூட்டல் கற்றல் 🕹️
இந்த அமைப்பு சோதனை மற்றும் பிழை மூலம் கற்றுக்கொள்கிறது, வெகுமதிகளால் வழிநடத்தப்படுகிறது. (வெகுமதிகள் தெளிவாக இருக்கும்போது சிறந்தது. அவை இல்லாதபோது கொந்தளிப்பானது.) [1]
ஆழ்ந்த கற்றல் (நரம்பியல் வலையமைப்புகள்) 🧠⚡
இது ஒரு வழிமுறையை விட ஒரு நுட்பக் குடும்பமாகும். இது அடுக்கு பிரதிநிதித்துவங்களைப் பயன்படுத்துகிறது மற்றும் மிகவும் சிக்கலான வடிவங்களைக் கற்றுக்கொள்ள முடியும், குறிப்பாக பார்வை, பேச்சு மற்றும் மொழியில். [1]
ஒப்பீட்டு அட்டவணை: பிரபலமான AI அல்காரிதம் குடும்பங்கள் ஒரு பார்வையில் 🧩
"சிறந்த பட்டியல்" அல்ல - ஒரு வரைபடம் போன்றது, அதனால் எல்லாம் ஒரு பெரிய AI சூப் போல நீங்கள் உணருவதை நிறுத்துவீர்கள்.
| அல்காரிதம் குடும்பம் | பார்வையாளர்கள் | நிஜ வாழ்க்கையில் "செலவு" | இது ஏன் வேலை செய்கிறது |
|---|---|---|---|
| நேரியல் பின்னடைவு | தொடக்கநிலையாளர்கள், ஆய்வாளர்கள் | குறைந்த | எளிமையான, புரிந்துகொள்ளக்கூடிய அடிப்படை |
| லாஜிஸ்டிக் பின்னடைவு | தொடக்கநிலையாளர்கள், தயாரிப்பு குழுக்கள் | குறைந்த | சமிக்ஞைகள் சுத்தமாக இருக்கும்போது வகைப்படுத்தலுக்கு திடமானது |
| முடிவு மரங்கள் | தொடக்கநிலையாளர்கள் → இடைநிலை | குறைந்த | விளக்குவது எளிது, மிகையாகப் பொருந்தக்கூடும் |
| சீரற்ற காடு | இடைநிலை | நடுத்தரம் | ஒற்றை மரங்களை விட நிலையானது |
| சாய்வு பூஸ்டிங் (XGBoost-பாணி) | இடைநிலை → மேம்பட்டது | நடுத்தர–உயர் | அட்டவணை தரவுகளில் பெரும்பாலும் சிறந்தது; ட்யூனிங் ஒரு முயல் துளையாக இருக்கலாம் 🕳️ |
| துணை திசையன் இயந்திரங்கள் | இடைநிலை | நடுத்தரம் | சில நடுத்தர அளவிலான பிரச்சனைகளில் உறுதியாக இருக்கிறார்; அளவிடுவதில் கவனமாக இருக்கிறார் |
| நரம்பியல் வலையமைப்புகள் / ஆழமான கற்றல் | மேம்பட்ட, தரவு மிகுந்த குழுக்கள் | உயர் | கட்டமைக்கப்படாத தரவுகளுக்கு சக்தி வாய்ந்தது; வன்பொருள் + மறு செய்கை செலவுகள் |
| கே-மீன்ஸ் கிளஸ்டரிங் | தொடக்கநிலையாளர்கள் | குறைந்த | விரைவான தொகுத்தல், ஆனால் "சுற்று-இஷ்" கொத்துக்களைக் கருதுகிறது |
| வலுவூட்டல் கற்றல் | மேம்பட்ட, ஆராய்ச்சி மிகுந்த மக்கள் | உயர் | வெகுமதி சமிக்ஞைகள் தெளிவாக இருக்கும்போது சோதனை மற்றும் பிழை மூலம் கற்றுக்கொள்கிறது |
ஒரு AI வழிமுறையின் நல்ல பதிப்பை உருவாக்குவது எது? ✅🤔
ஒரு "நல்ல" AI வழிமுறை தானாகவே மிகவும் ஆடம்பரமான ஒன்றல்ல. நடைமுறையில், ஒரு நல்ல அமைப்பு இப்படி இருக்கும்:
-
உண்மையான இலக்கை அடைய போதுமான துல்லியமானது (சரியானது அல்ல - மதிப்புமிக்கது)
-
வலுவானது (தரவு சிறிது மாறும்போது சரிவதில்லை)
-
போதுமான அளவு விளக்கக்கூடியது (வெளிப்படையானது அல்ல, ஆனால் முழுமையான கருந்துளை அல்ல)
-
நியாயமான மற்றும் சார்பு சரிபார்க்கப்பட்டது (வளைந்த தரவு → சாய்ந்த வெளியீடுகள்)
-
திறமையானது (எளிய பணிக்கு சூப்பர் கம்ப்யூட்டர் தேவையில்லை)
-
பராமரிக்கக்கூடியது (கண்காணிக்கக்கூடியது, புதுப்பிக்கக்கூடியது, மேம்படுத்தக்கூடியது)
ஒரு விரைவான நடைமுறை மினி கேஸ் (ஏனென்றால் இங்குதான் விஷயங்கள் தெளிவாகத் தெரியும்)
சோதனையில் "அற்புதமான" ஒரு கர்ன் மாடலை கற்பனை செய்து பாருங்கள்... ஏனென்றால் அது தற்செயலாக "ஏற்கனவே தக்கவைப்பு குழுவால் தொடர்பு கொள்ளப்பட்ட வாடிக்கையாளர்" என்பதற்கான ப்ராக்ஸியைக் கற்றுக்கொண்டது. அது முன்கணிப்பு மந்திரம் அல்ல. அது கசிவு. நீங்கள் அதை பயன்படுத்தத் தொடங்கும் வரை அது வீரமாகத் தோன்றும், பின்னர் உடனடியாக முகநூலில் பொருத்தப்படும். 😭
ஒரு AI வழிமுறை "நல்லதா" என்பதை நாங்கள் எவ்வாறு தீர்மானிக்கிறோம் 📏✅
நீங்கள் அதை வெறுமனே கண்களால் பார்க்க மாட்டீர்கள் (சரி, சிலர் செய்கிறார்கள், பின்னர் அழிவு வரும்).
பொதுவான மதிப்பீட்டு முறைகள் பின்வருமாறு:
-
துல்லியம்
-
துல்லியம் / நினைவுபடுத்தல்
-
F1 மதிப்பெண் (துல்லியம்/நினைவுகூருதலை சமநிலைப்படுத்துகிறது) [2]
-
AUC-ROC (பைனரி வகைப்பாட்டிற்கான தரவரிசைப்படுத்தல்) [3]
-
அளவுத்திருத்தம் (நம்பிக்கை யதார்த்தத்துடன் பொருந்துமா)
பின்னர் நிஜ உலக சோதனை உள்ளது:
-
இது பயனர்களுக்கு உதவுமா?
-
இது செலவுகளைக் குறைக்குமா அல்லது ஆபத்தைக் குறைக்குமா?
-
இது புதிய சிக்கல்களை உருவாக்குகிறதா (தவறான எச்சரிக்கைகள், நியாயமற்ற நிராகரிப்புகள், குழப்பமான பணிப்பாய்வுகள்)?
சில நேரங்களில் காகிதத்தில் "சற்று மோசமான" மாதிரி உற்பத்தியில் சிறப்பாக இருக்கும், ஏனெனில் அது நிலையானது, விளக்கக்கூடியது மற்றும் கண்காணிக்க எளிதானது.
பொதுவான தவறுகள் (AI திட்டங்கள் அமைதியாக பக்கவாட்டில் செல்வது எப்படி) ⚠️😵💫
வலுவான அணிகள் கூட இவற்றைத் தாக்கும்:
-
அதிகப்படியான பொருத்தம் (பயிற்சி தரவுகளில் சிறந்தது, புதிய தரவுகளில் மோசமானது) [1]
-
தரவு கசிவு (கணிப்பு நேரத்தில் உங்களிடம் இல்லாத தகவலுடன் பயிற்சி பெற்றது)
-
சார்பு மற்றும் நியாயத்தன்மை சிக்கல்கள் (வரலாற்றுத் தரவுகளில் வரலாற்று அநீதி உள்ளது)
-
கருத்து சறுக்கல் (உலகம் மாறுகிறது; மாதிரி மாறுவதில்லை)
-
தவறாக சீரமைக்கப்பட்ட அளவீடுகள் (நீங்கள் துல்லியத்தை மேம்படுத்துகிறீர்கள்; பயனர்கள் வேறு எதையாவது கவனித்துக்கொள்கிறார்கள்)
-
கருப்புப் பெட்டி பீதி (திடீரென்று முக்கியத்துவம் பெறும்போது யாராலும் முடிவை விளக்க முடியாது)
இன்னொரு நுட்பமான பிரச்சினை: ஆட்டோமேஷன் சார்பு - மக்கள் அமைப்பை அதிகமாக நம்புகிறார்கள், ஏனெனில் இது நம்பிக்கையான பரிந்துரைகளை வெளியிடுகிறது, இது விழிப்புணர்வையும் சுயாதீன சரிபார்ப்பையும் குறைக்கும். இது சுகாதார சூழல்கள் உட்பட முடிவு-ஆதரவு ஆராய்ச்சி முழுவதும் ஆவணப்படுத்தப்பட்டுள்ளது. [4]
“நம்பகமான AI” என்பது ஒரு வைப் அல்ல - அது ஒரு சரிபார்ப்புப் பட்டியல் 🧾🔍
ஒரு AI அமைப்பு உண்மையான மக்களைப் பாதித்தால், "எங்கள் அளவுகோலில் அது துல்லியமாக இருப்பதை விட" அதிகமாக நீங்கள் விரும்புவீர்கள்
ஒரு திடமான கட்டமைப்பானது வாழ்க்கைச் சுழற்சி இடர் மேலாண்மை ஆகும்: திட்டம் → உருவாக்கம் → சோதனை → வரிசைப்படுத்துதல் → கண்காணிப்பு → புதுப்பிப்பு. NIST இன் AI இடர் மேலாண்மை கட்டமைப்பு, செல்லுபடியாகும் & நம்பகமான , பாதுகாப்பான , பாதுகாப்பான & மீள்தன்மை , பொறுப்புணர்வு & வெளிப்படையான , விளக்கக்கூடிய & விளக்கக்கூடிய , தனியுரிமை-மேம்படுத்தப்பட்ட மற்றும் நியாயமான (தீங்கு விளைவிக்கும் சார்பு நிர்வகிக்கப்பட்டது) . [5]
மொழிபெயர்ப்பு: அது வேலை செய்கிறதா என்று நீங்கள் கேட்கிறீர்கள்.
அது பாதுகாப்பாக தோல்வியடைகிறதா, அதை உங்களால் நிரூபிக்க முடியுமா என்றும் நீங்கள் கேட்கிறீர்கள்.
முக்கிய குறிப்புகள் 🧾✅
இதிலிருந்து வேறு எதையும் நீங்கள் எடுக்கவில்லை என்றால்:
-
AI வழிமுறை = கற்றல் அணுகுமுறை, பயிற்சி செய்முறை
-
AI மாதிரி = நீங்கள் பயன்படுத்தும் பயிற்சி பெற்ற வெளியீடு
-
நல்ல AI என்பது வெறும் "புத்திசாலித்தனமானது" மட்டுமல்ல - அது நம்பகமானது, கண்காணிக்கப்பட்டது, சார்புநிலை சரிபார்க்கப்பட்டது மற்றும் வேலைக்கு ஏற்றது.
-
பெரும்பாலான மக்கள் ஒப்புக்கொள்ள விரும்புவதை விட தரவு தரம் முக்கியமானது
-
மூன்று புதிய சிக்கல்களை உருவாக்காமல் சிக்கலைத் தீர்ப்பதே பொதுவாக சிறந்த வழிமுறையாகும் 😅
அடிக்கடி கேட்கப்படும் கேள்விகள்
எளிமையான சொற்களில் AI அல்காரிதம் என்றால் என்ன?
ஒரு கணினி தரவுகளிலிருந்து வடிவங்களைக் கற்றுக்கொண்டு முடிவுகளை எடுக்கப் பயன்படுத்தும் முறையாக AI வழிமுறை உள்ளது. நிலையான "if-then" விதிகளை நம்புவதற்குப் பதிலாக, பல எடுத்துக்காட்டுகளைப் பார்த்த பிறகு அல்லது கருத்துகளைப் பெற்ற பிறகு அது தன்னைத்தானே சரிசெய்து கொள்கிறது. காலப்போக்கில் புதிய உள்ளீடுகளை கணிப்பதில் அல்லது வகைப்படுத்துவதில் முன்னேற்றம் காண்பதே இதன் நோக்கமாகும். இது சக்தி வாய்ந்தது, இருப்பினும் இது இன்னும் நம்பிக்கையான தவறுகளைச் செய்யக்கூடும்.
AI வழிமுறைக்கும் AI மாதிரிக்கும் என்ன வித்தியாசம்?
ஒரு AI வழிமுறை என்பது கற்றல் செயல்முறை அல்லது பயிற்சி செய்முறையாகும் - கணினி எவ்வாறு தரவிலிருந்து தன்னைப் புதுப்பித்துக் கொள்கிறது. AI மாதிரி என்பது புதிய உள்ளீடுகளில் கணிப்புகளைச் செய்ய நீங்கள் இயக்கும் பயிற்சி பெற்ற விளைவாகும். அதே AI வழிமுறை தரவு, பயிற்சி காலம் மற்றும் அமைப்புகளைப் பொறுத்து மிகவும் மாறுபட்ட மாதிரிகளை உருவாக்க முடியும். "சமையல் செயல்முறை" மற்றும் "முடிக்கப்பட்ட உணவு" ஆகியவற்றை நினைத்துப் பாருங்கள்
பயிற்சிக்கும் அனுமானத்திற்கும் இடையில் ஒரு AI வழிமுறை எவ்வாறு கற்றுக்கொள்கிறது?
பயிற்சி என்பது வழிமுறை ஆய்வு செய்யும் போது: இது எடுத்துக்காட்டுகளைப் பார்க்கிறது, கணிப்புகளைச் செய்கிறது, பிழையை அளவிடுகிறது மற்றும் அந்தப் பிழையைக் குறைக்க உள் அளவுருக்களை சரிசெய்கிறது. ஸ்பேமை வகைப்படுத்துதல் அல்லது ஒரு படத்தை லேபிளிடுதல் போன்ற புதிய உள்ளீடுகளில் பயிற்சி பெற்ற மாதிரி பயன்படுத்தப்படும்போது அனுமானம் ஏற்படுகிறது. பயிற்சி என்பது கற்றல் கட்டம்; அனுமானம் என்பது பயன்படுத்தும் கட்டம். புதிய தரவு அமைப்பு கற்றுக்கொண்டதிலிருந்து வித்தியாசமாக செயல்படுவதால், அனுமானத்தின் போது மட்டுமே பல சிக்கல்கள் வெளிப்படுகின்றன.
AI வழிமுறைகளின் முக்கிய வகைகள் (மேற்பார்வை செய்யப்பட்டவை, மேற்பார்வை செய்யப்படாதவை, வலுவூட்டல்) யாவை?
மேற்பார்வையிடப்பட்ட கற்றல், உள்ளீடுகளிலிருந்து வெளியீடுகளுக்கு மேப்பிங்கைக் கற்றுக்கொள்ள லேபிளிடப்பட்ட எடுத்துக்காட்டுகளைப் பயன்படுத்துகிறது, ஸ்பேம் vs ஸ்பேம் அல்ல. மேற்பார்வையிடப்படாத கற்றலுக்கு எந்த லேபிள்களும் இல்லை, மேலும் கொத்துகள் அல்லது அசாதாரண வடிவங்கள் போன்ற அமைப்பைத் தேடுகிறது. வலுவூட்டல் கற்றல் வெகுமதிகளைப் பயன்படுத்தி சோதனை மற்றும் பிழை மூலம் கற்றுக்கொள்கிறது. ஆழமான கற்றல் என்பது நரம்பியல் நெட்வொர்க் நுட்பங்களின் பரந்த குடும்பமாகும், இது சிக்கலான வடிவங்களைப் பிடிக்க முடியும், குறிப்பாக பார்வை மற்றும் மொழிப் பணிகளுக்கு.
நிஜ வாழ்க்கையில் ஒரு AI வழிமுறை "நல்லதா" என்பதை எப்படி அறிவது?
ஒரு நல்ல AI வழிமுறை தானாகவே மிகவும் சிக்கலானது அல்ல - அது இலக்கை நம்பத்தகுந்த முறையில் அடைகிறது. அணிகள் துல்லியம், துல்லியம்/நினைவூட்டல், F1, AUC-ROC மற்றும் அளவுத்திருத்தம் போன்ற அளவீடுகளைப் பார்க்கின்றன, பின்னர் வரிசைப்படுத்தல் அமைப்புகளில் செயல்திறன் மற்றும் கீழ்நிலை தாக்கத்தை சோதிக்கின்றன. நிலைத்தன்மை, விளக்கக்கூடிய தன்மை, செயல்திறன் மற்றும் பராமரிக்கக்கூடிய தன்மை ஆகியவை உற்பத்தியில் மிகவும் முக்கியம். சில நேரங்களில் காகிதத்தில் சற்று பலவீனமான மாதிரி வெற்றி பெறுகிறது, ஏனெனில் அதைக் கண்காணித்து நம்புவது எளிது.
தரவு கசிவு என்றால் என்ன, அது ஏன் AI திட்டங்களை உடைக்கிறது?
மாதிரி, கணிப்பு நேரத்தில் கிடைக்காத தகவல்களிலிருந்து கற்றுக்கொள்ளும்போது தரவு கசிவு ஏற்படுகிறது. இது சோதனையில் முடிவுகளை அற்புதமாகக் காட்டலாம், அதே நேரத்தில் பயன்படுத்தப்பட்ட பிறகு மோசமாகத் தோல்வியடையும். ஒரு சிறந்த உதாரணம், ட்ரன் மாதிரியில் தக்கவைப்பு-குழு தொடர்பு போன்ற முடிவுக்குப் பிறகு எடுக்கப்பட்ட செயல்களைப் பிரதிபலிக்கும் சிக்னல்களை தற்செயலாகப் பயன்படுத்துவது. கசிவு உண்மையான பணிப்பாய்வில் மறைந்துவிடும் "போலி செயல்திறனை" உருவாக்குகிறது.
துவக்கத்தின்போது துல்லியமாக இருந்தபோதிலும், AI வழிமுறைகள் காலப்போக்கில் ஏன் மோசமாகின்றன?
காலப்போக்கில் தரவு மாறுகிறது - வாடிக்கையாளர்கள் வித்தியாசமாக நடந்து கொள்கிறார்கள், கொள்கைகள் மாறுகின்றன, அல்லது தயாரிப்புகள் உருவாகின்றன - இது கருத்து மாற்றத்தை ஏற்படுத்துகிறது. செயல்திறனைக் கண்காணித்து புதுப்பிக்காவிட்டால் மாதிரி அப்படியே இருக்கும். சிறிய மாற்றங்கள் கூட துல்லியத்தைக் குறைக்கலாம் அல்லது தவறான எச்சரிக்கைகளை அதிகரிக்கலாம், குறிப்பாக மாதிரி உடையக்கூடியதாக இருந்தால். தொடர்ச்சியான மதிப்பீடு, மறுபயிற்சி மற்றும் கவனமாக பயன்படுத்தல் நடைமுறைகள் AI அமைப்பை ஆரோக்கியமாக வைத்திருப்பதன் ஒரு பகுதியாகும்.
AI வழிமுறையைப் பயன்படுத்தும்போது மிகவும் பொதுவான சிக்கல்கள் யாவை?
மிகைப்படுத்தல் என்பது ஒரு பெரிய விஷயம்: ஒரு மாதிரி பயிற்சித் தரவுகளில் சிறப்பாகச் செயல்படுகிறது, ஆனால் புதிய தரவுகளில் மோசமாகச் செயல்படுகிறது. வரலாற்றுத் தரவுகளில் பெரும்பாலும் வரலாற்று நியாயமற்ற தன்மை இருப்பதால் சார்பு மற்றும் நியாயத்தன்மை சிக்கல்கள் தோன்றக்கூடும். தவறாக சீரமைக்கப்பட்ட அளவீடுகள் திட்டங்களை மூழ்கடிக்கக்கூடும் - பயனர்கள் வேறு எதையாவது பற்றி அக்கறை கொள்ளும்போது துல்லியத்தை மேம்படுத்துகிறது. மற்றொரு நுட்பமான ஆபத்து ஆட்டோமேஷன் சார்பு, அங்கு மனிதர்கள் நம்பிக்கையான மாதிரி வெளியீடுகளை அதிகமாக நம்புகிறார்கள் மற்றும் இருமுறை சரிபார்ப்பதை நிறுத்துகிறார்கள்.
நடைமுறையில் "நம்பகமான AI" என்றால் என்ன?
நம்பகமான AI என்பது வெறும் "உயர் துல்லியம்" மட்டுமல்ல - இது ஒரு வாழ்க்கைச் சுழற்சி அணுகுமுறை: திட்டமிடுதல், உருவாக்குதல், சோதனை செய்தல், பயன்படுத்துதல், கண்காணித்தல் மற்றும் புதுப்பித்தல். நடைமுறையில், செல்லுபடியாகும் மற்றும் நம்பகமான, பாதுகாப்பான, பாதுகாப்பான, பொறுப்புணர்வுள்ள, விளக்கக்கூடிய, தனியுரிமை அறிந்த மற்றும் சார்பு சரிபார்க்கப்பட்ட அமைப்புகளை நீங்கள் தேடுகிறீர்கள். புரிந்துகொள்ளக்கூடிய மற்றும் மீட்டெடுக்கக்கூடிய தோல்வி முறைகளையும் நீங்கள் விரும்புகிறீர்கள். முக்கிய யோசனை என்னவென்றால், அது செயல்படும் என்று நம்புவது மட்டுமல்லாமல், அது பாதுகாப்பாக வேலை செய்கிறது மற்றும் தோல்வியடைகிறது என்பதை நிரூபிக்க முடியும்.