சுருக்கமான பதில்: ஒரு செயற்கை நுண்ணறிவு வழிமுறை என்பது, தரவுகளிலிருந்து வடிவங்களைக் கற்றுக்கொண்டு, பின்னர் பயிற்சி பெற்ற ஒரு மாதிரியைப் பயன்படுத்தி கணிப்புகளையோ அல்லது முடிவுகளையோ எடுப்பதற்காக ஒரு கணினி பயன்படுத்தும் முறையாகும். இது ஒரு நிலையான "எனில்-அப்படி" தர்க்கம் அல்ல: அது எடுத்துக்காட்டுகளையும் பின்னூட்டங்களையும் எதிர்கொள்ளும்போது தன்னைத் தகவமைத்துக் கொள்கிறது. தரவு மாறும்போதோ அல்லது சார்புத்தன்மை கொண்டிருக்கும்போதோ, அதனால் உறுதியான தவறுகளை ஏற்படுத்த முடியும்.
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 [1]
கிளாசிக் அல்காரிதம்கள் இப்படி இருக்கும்: “இந்த எண்களை ஏறுவரிசையில் வரிசைப்படுத்துங்கள்.” தெளிவான படிகள், ஒவ்வொரு முறையும் அதே முடிவு.
செயற்கை நுண்ணறிவு போன்ற அல்காரிதம்கள் பெரும்பாலும் இப்படித்தான் இருக்கும்: “இதோ ஒரு மில்லியன் உதாரணங்கள். ‘பூனை’ என்றால் என்னவென்று நீயே கண்டுபிடி.” பிறகு அது, பொதுவாகச் செயல்படும் ஒரு உள்ளார்ந்த வடிவத்தை உருவாக்குகிறது. பொதுவாக. சில சமயங்களில், அது ஒரு பஞ்சுபோன்ற தலையணையைப் பார்த்து, முழு நம்பிக்கையுடன் “பூனை!” என்று கத்தும். 🐈⬛
AI அல்காரிதம் vs AI மாடல்: மக்கள் மறைக்கும் வித்தியாசம் 😬
இது நிறைய குழப்பங்களை விரைவாக நீக்குகிறது :
-
செயற்கை நுண்ணறிவு வழிமுறை = கற்றல் முறை / பயிற்சி அணுகுமுறை
(“இப்படித்தான் நாம் தரவுகளிலிருந்து நம்மைப் புதுப்பித்துக் கொள்கிறோம்.”) -
AI மாதிரி = புதிய உள்ளீடுகளில் நீங்கள் இயக்கும் பயிற்சி பெற்ற கலைப்பொருள்
("இதுதான் இப்போது கணிப்புகளைச் செய்கிறது.") [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.)
மேலும், நீங்கள் ஒரு வணிகத்தை உருவாக்கினாலும், ஒரு குழுவை நிர்வகித்தாலும், அல்லது துறைசார் சொற்களால் குழப்பமடையாமல் இருக்க முயன்றாலும், ஒரு AI அல்காரிதம் சிறந்த கேள்விகளைக் கேட்க உங்களுக்கு உதவுகிறது:
-
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)
-
உறுதியானது (தரவு சிறிதளவு மாறினாலும் செயலிழக்காது)
-
போதுமான அளவு விளக்கக்கூடியது (வெளிப்படையானது அல்ல, ஆனால் முழுமையான கருந்துளை அல்ல)
-
நியாயமான மற்றும் சார்பு சரிபார்க்கப்பட்டது (சாய்ந்த 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]
-
தரவுக் கசிவு (கணிப்பு நேரத்தில் உங்களிடம் இல்லாத தகவல்களைக் கொண்டு பயிற்சி அளிக்கப்பட்டது)
-
சார்பு மற்றும் நியாயத்தன்மை சிக்கல்கள் (வரலாற்றுத் தரவுகளில் வரலாற்று அநீதி உள்ளது)
-
கருத்து மாற்றம் (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
வாழ்க்கைச் சுழற்சி இடர் மேலாண்மை ஒரு உறுதியான கட்டமைப்பாகும்: திட்டமிடு → உருவாக்கு → சோதி → பயன்படுத்து → கண்காணி → புதுப்பி. NIST-இன் AI இடர் மேலாண்மை கட்டமைப்பு, செல்லுபடியாகும் மற்றும் நம்பகமான, பாதுகாப்பான, உறுதியான மற்றும் மீள்திறன் கொண்ட, பொறுப்புக்கூறக்கூடிய மற்றும் வெளிப்படையான, விளக்கக்கூடிய மற்றும் புரிந்துகொள்ளக்கூடிய, தனியுரிமை மேம்படுத்தப்பட்டமற்றும் நியாயமான (தீய 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
-
ஒரு சிறந்த செயற்கை நுண்ணறிவு என்பது வெறும் “புத்திசாலித்தனம்” மட்டுமல்ல - அது நம்பகமானதாகவும், கண்காணிக்கப்படுவதாகவும், சார்புநிலை சரிபார்க்கப்பட்டதாகவும், மற்றும் பணிக்கு ஏற்றதாகவும் இருக்க வேண்டும்.
-
பெரும்பாலான மக்கள் ஒப்புக்கொள்ள விரும்புவதை விட தரவு தரம் முக்கியமானது
-
பொதுவாக, மூன்று புதிய சிக்கல்களை உருவாக்காமல் ஒரு சிக்கலைத் தீர்க்கும் வழிமுறையே சிறந்ததாகும் 😅
நிஜ உலக உதாரணம்: வெளியீட்டிற்கு முன் வாடிக்கையாளர் விலகல் கணிப்பு அல்காரிதத்தை சோதித்தல் 📉🧪
சூழ்நிலை
அடுத்த 30 நாட்களுக்குள் எந்த வாடிக்கையாளர்கள் சந்தாவை ரத்து செய்ய வாய்ப்புள்ளது என்பதைக் கணிக்க விரும்பும் ஒரு சிறிய சந்தா மென்பொருள் நிறுவனத்தைக் கற்பனை செய்து பாருங்கள்.
குழுவிடம் 18 மாத வாடிக்கையாளர் தரவுகள் உள்ளன: உள்நுழைவு அதிர்வெண், ஆதரவு கோரிக்கைகள், திட்ட வகை, கட்டணத் தாமதங்கள், தயாரிப்புப் பயன்பாடு, புதுப்பித்தல் தேதிகள், மற்றும் ஒவ்வொரு வாடிக்கையாளரும் இறுதியில் ரத்து செய்தார்களா இல்லையா என்பது போன்ற தகவல்கள் இதில் அடங்கும். ஒரு தரவுப் பகுப்பாய்வாளர் இந்த மாதிரியின் இரண்டு பதிப்புகளை உருவாக்குகிறார்: ஒரு எளிய லாஜிஸ்டிக் ரெக்ரஷன் பேஸ்லைன் மற்றும் மிகவும் சிக்கலான கிரேடியன்ட் பூஸ்டிங் மாடல்.
"மிகவும் புத்திசாலித்தனமான வழிமுறையைக்" கண்டுபிடிப்பது இலக்கு அல்ல. தவறான எச்சரிக்கைகளைப் பின்தொடர்வதில் வாரத்தின் பாதியை வீணாக்காமல், வாடிக்கையாளர் வெற்றிக் குழு சரியான கணக்குகளை முன்கூட்டியே தொடர்புகொள்ள உதவும் ஒரு மாதிரியைக் கண்டுபிடிப்பதே இலக்காகும்.
பணிப்பாய்வுக்கு என்ன தேவை
அல்காரிதத்தைத் தேர்ந்தெடுப்பதற்கு முன், குழு பின்வருவனவற்றைத் தயார் செய்கிறது:
-
ஒவ்வொரு வாடிக்கையாளருக்கும் ஒரு வரிசை கொண்ட ஒரு சுத்தமான பயிற்சி தரவுத்தொகுப்பு
-
தெளிவான குறிப்பு: “30 நாட்களுக்குள் ரத்து செய்ய வேண்டுமா” ஆம்/இல்லை
-
முன்கணிப்பு தேதிக்கு முன் கிடைக்கக்கூடிய நெடுவரிசைகளின் பட்டியல்
-
கடந்த மூன்று மாதங்களில் இருந்து ஒரு ஹோல்டவுட் சோதனைத் தொகுப்பு
-
தவறான நேர்மறைகள் மற்றும் தவறான எதிர்மறைகளுக்கான ஒரு எளிய மதிப்பாய்வு செயல்முறை
-
வாடிக்கையாளர்களுக்கு தானியங்கி ரத்து அபாய மதிப்பீடு காட்டப்படாது என்ற விதி
ஒரு முக்கியமான சரிபார்ப்பு: பதிலை வெளிப்படுத்தும் எதையும் நீக்கிவிடவும். உதாரணமாக, ஒருவர் சேவையை ரத்து செய்வதாக ஏற்கனவே சந்தேகிக்கப்பட்ட பிறகு மட்டுமே "பணியைத் தக்கவைக்கும் குழு வழங்கும் தள்ளுபடி" என்ற சொற்றொடரைப் பயன்படுத்தக்கூடாது.
எடுத்துக்காட்டு அறிவுறுத்தல்
ஒரு AI உதவியாளர் அல்லது ஆய்வாளரிடம் அமைப்பை மதிப்பாய்வு செய்யக் கேட்கும்போது இந்த வழிமுறையைப் பயன்படுத்தவும்:
இந்த வாடிக்கையாளர் விலகல் முன்கணிப்புத் தரவுத்தொகுப்பு வடிவமைப்பை மதிப்பாய்வு செய்யவும். தரவுக் கசிவை ஏற்படுத்தக்கூடிய பத்திகள், முன்கணிப்புகளை நியாயமற்ற முறையில் திசை திருப்பக்கூடிய அம்சங்கள், மற்றும் செயல்படுத்துவதற்கு முன்பு நாம் கண்காணிக்க வேண்டிய அளவீடுகள் ஆகியவற்றைக் கண்டறியவும். இந்த மாதிரியானது, தானியங்கி கணக்கு முடிவுகளை எடுப்பதற்காக அல்லாமல், தொடர்புகளுக்கு முன்னுரிமை அளிப்பதற்காக ஒரு வாடிக்கையாளர் வெற்றிக் குழுவால் பயன்படுத்தப்படும்.
அதை எப்படி சோதிப்பது
இது போன்ற கேள்விகளைக் கொண்டு மாதிரியைச் சோதிக்கவும்:
-
மிகச் சமீபத்திய மூன்று மாதத் தரவுகளில் இந்த மாதிரி இன்னும் செயல்படுகிறதா?
-
எந்த 10 நெடுவரிசைகள் கணிப்புகளை மிகவும் பாதிக்கின்றன?
-
மலிவான திட்டங்களைக் கொண்ட வாடிக்கையாளர்கள், உண்மையான வாடிக்கையாளர் இழப்பு அபாயத்துடன் தொடர்பில்லாத காரணங்களுக்காக அடிக்கடி சுட்டிக்காட்டப்படுகிறார்களா?
-
ஒவ்வொரு வாரமும், அடையாளம் குறிக்கப்பட்ட வாடிக்கையாளர்களில் எத்தனை பேரைத் தொடர்புகொள்ள குழுவிற்கு நேரம் இருக்கும்?
-
விடுமுறைக் காலத்தில் அனைவரின் பொருள் பயன்பாடும் குறைந்தால் என்னவாகும்?
ஒரு நல்ல சோதனை என்பது கணித ரீதியானது மட்டுமல்ல, நடைமுறை சார்ந்ததும் ஆகும். ஒரு மாதிரி வாரத்திற்கு 600 வாடிக்கையாளர்களைக் கண்டறிந்து, குழுவால் 80 பேரை மட்டுமே தொடர்பு கொள்ள முடிந்தால், அந்த வழிமுறை துல்லியமாக இருந்தாலும், அது பணி ஓட்டத்திற்கு ஏற்றவாறு மோசமாகவே வடிவமைக்கப்பட்டுள்ளது என்று பொருள்.
முடிவு
விளக்கமான முடிவு: 1,000 வாடிக்கையாளர் கணக்குகளைக் கொண்ட ஒரு சோதனைத் தொகுப்பின் அடிப்படையில், எளிய லாஜிஸ்டிக் ரெக்ரஷன் மாதிரியானது 71% ரீகால் மற்றும் 42% பிரிசிஷனை எட்டியது. கிரேடியன்ட் பூஸ்டிங் மாதிரியானது 78% ரீகால் மற்றும் 48% பிரிசிஷனை எட்டியது, ஆனால் அதன் முதன்மை அம்சங்களில் இரண்டு சாத்தியமான கசிவு அபாயங்கள் இருந்ததால், அதற்குக் கூடுதல் ஆய்வு தேவைப்பட்டது.
கசிவு ஏற்பட வாய்ப்புள்ள நெடுவரிசைகளை நீக்கிய பிறகு, கிரேடியன்ட் பூஸ்டிங் மாடலின் மீள்நினைவு 74% ஆகவும், துல்லியம் 46% ஆகவும் சற்றே குறைந்தது. அது இன்னமும் மதிப்புமிக்கதாகவே இருந்தது: சுட்டிக்காட்டப்பட்ட 100 கணக்குகளை வாரந்தோறும் ஆய்வு செய்யும்போது, தோராயமாக கணக்குகளைத் தொடர்புகொள்வதற்குப் பதிலாக, குழுவால் சுமார் 46 உண்மையான அதிக ஆபத்துள்ள வாடிக்கையாளர்களை எதிர்பார்க்க முடிந்தது.
நேர மதிப்பீடு: ஒரு வாடிக்கையாளரின் கணக்கை கைமுறையாக மதிப்பாய்வு செய்ய 6 நிமிடங்கள் ஆகும் என்றால், தோராயமாகத் தேர்ந்தெடுக்கப்பட்ட 100 கணக்குகளை மதிப்பாய்வு செய்ய 10 மணிநேரம் ஆகும். சந்தா விலக வாய்ப்புள்ளவர்களைக் கண்டறிய இந்த மாதிரியைப் பயன்படுத்துவது, மதிப்பாய்வு நேரத்தை 10 மணிநேரமாகவே வைத்திருக்கிறது, ஆனால் பயனுள்ள தொடர்பு முயற்சிகளின் எண்ணிக்கையை அதிகரிக்கிறது. சரிபார்க்க வேண்டிய அளவீடு எளிமையானது: சுட்டிக்காட்டப்பட்ட வாடிக்கையாளர்களில் எத்தனை பேர் தொடர்பு கொள்ளப்பட்டனர், அவர்களில் எத்தனை பேர் உண்மையாகவே அபாயத்தில் இருந்தனர், மற்றும் தொடர்பு கொண்ட பிறகு எத்தனை பேர் தங்கள் சந்தாவைத் தக்க வைத்துக் கொண்டனர் என்பதைக் கண்காணிக்க வேண்டும்.
என்ன தவறு நடக்கக்கூடும்?
தக்கவைப்புச் சலுகைகள், ரத்துசெய்தல் கணக்கெடுப்பு பதில்கள், அல்லது வாடிக்கையாளர் வெளியேற ஏற்கனவே முடிவு செய்த பிறகு எழுதப்பட்ட ஆதரவுக் குறிப்புகள் போன்ற எதிர்காலத் தகவல்களைத் தரவுத்தொகுப்பு உள்ளடக்கியிருந்தால், அந்த மாதிரி உண்மையில் இருப்பதை விடச் சிறப்பாகத் தோன்றக்கூடும்.
குழுவும் தானியங்குமயமாக்கல் சார்புக்கு ஆளாகலாம். "அதிக ஆபத்து" என்ற மதிப்பீடு, விசுவாசமான வாடிக்கையாளர்களை எரிச்சலூட்டும் ஒரு இயந்திரத்தனமான மின்னஞ்சலுக்குப் பதிலாக, ஒரு மனித மதிப்பாய்வைத் தூண்ட வேண்டும்.
மற்றொரு தவறு, துல்லியத்தை மட்டுமே நாடுவதாகும். வாடிக்கையாளர்களில் 5% பேர் மட்டுமே ரத்துசெய்தால், "யாரும் ரத்துசெய்ய மாட்டார்கள்" என்று கணிக்கும் ஒரு மந்தமான மாதிரி, துல்லியமாகத் தோன்றினாலும், எந்த நடைமுறை மதிப்பையும் அளிக்காது.
நடைமுறைப் பாடம்
நேரடிப் பணிப்பாய்வுடனான தொடர்பைத் தாங்கி நிற்கும் செயற்கை நுண்ணறிவு அல்காரிதமே சிறந்ததாகும். ஒரு அடிப்படை அளவிலிருந்து தொடங்கி, கசிவுகளைக் கண்டறிந்து, சமீபத்திய தரவுகளில் சோதித்து, தவறான எச்சரிக்கைகளை அளவிட்டு, மதிப்பெண்ணை எப்போது கேள்விக்குள்ளாக்க வேண்டும் என்பதை மனிதர்களுக்குத் தெரியப்படுத்துங்கள்.
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.