இயந்திர கற்றல் vs AI என்றால் என்ன?

நீங்கள் எப்போதாவது ஒரு தயாரிப்புப் பக்கத்தைப் பார்த்து, செயற்கை நுண்ணறிவை வாங்குகிறீர்களா அல்லது வெறும் இயந்திரக் கற்றலை வாங்குகிறீர்களா என்று யோசித்திருந்தால், நீங்கள் தனியாக இல்லை. வார்த்தைகள் காகிதக் காகிதங்களைப் போல சிதறடிக்கப்படுகின்றன. இயந்திரக் கற்றல் vs AI க்கான நட்புரீதியான, அர்த்தமற்ற வழிகாட்டி இங்கே, இது சில பயனுள்ள உருவகங்களைச் சேர்த்து, நீங்கள் உண்மையில் பயன்படுத்தக்கூடிய ஒரு நடைமுறை வரைபடத்தை உங்களுக்கு வழங்குகிறது.

இதற்குப் பிறகு நீங்கள் படிக்க விரும்பக்கூடிய கட்டுரைகள்:

🔗 AI என்றால் என்ன?
AI கருத்துக்கள், வரலாறு மற்றும் உண்மையான பயன்பாடுகளுக்கான எளிய மொழி அறிமுகம்.

🔗 விளக்கக்கூடிய AI என்றால் என்ன?
மாதிரி வெளிப்படைத்தன்மை ஏன் முக்கியமானது மற்றும் கணிப்புகளை விளக்குவதற்கான முறைகள்.

🔗 மனித உருவ ரோபோ AI என்றால் என்ன?
மனிதனைப் போன்ற ரோபோ அமைப்புகளுக்கான திறன்கள், சவால்கள் மற்றும் பயன்பாட்டு வழக்குகள்.

🔗 AI இல் நரம்பியல் வலையமைப்பு என்றால் என்ன?
கணுக்கள், அடுக்குகள் மற்றும் கற்றல் ஆகியவை உள்ளுணர்வு எடுத்துக்காட்டுகளுடன் விளக்கப்பட்டுள்ளன.

உண்மையில் இயந்திர கற்றல் vs AI என்றால் என்ன? 🌱→🌳

• செயற்கை நுண்ணறிவு (AI) என்பது பரந்த குறிக்கோள்: மனித புத்திசாலித்தனத்துடன் நாம் தொடர்புபடுத்தும் பணிகளைச் செய்யும் அமைப்புகள் - பகுத்தறிவு, திட்டமிடல், கருத்து, மொழி - இலக்கு . போக்குகள் மற்றும் நோக்கத்திற்காக, ஸ்டான்போர்ட் AI குறியீடு நம்பகமான "ஒன்றிணைவு நிலையை" வழங்குகிறது. [3]

• இயந்திர கற்றல் (ML) என்பது AI இன் துணைக்குழு ஆகும்: ஒரு பணியில் மேம்பட தரவுகளிலிருந்து வடிவங்களைக் கற்றுக்கொள்ளும் முறைகள். ஒரு உன்னதமான, நீடித்த ஃப்ரேமிங்: அனுபவத்தின் மூலம் தானாகவே மேம்படும் வழிமுறைகளை ML ஆய்வு செய்கிறது. [1]

நேராக வைத்திருக்க ஒரு எளிய வழி: AI என்பது குடை, ML என்பது விலா எலும்புகளில் ஒன்று . ஒவ்வொரு AIயும் ML ஐப் பயன்படுத்துவதில்லை, ஆனால் நவீன AI எப்போதும் அதன் மீது சாய்ந்து கொள்கிறது. AI என்பது உணவாக இருந்தால், ML என்பது சமையல் நுட்பமாகும். கொஞ்சம் முட்டாள்தனமாக இருக்கிறது, நிச்சயமாக, ஆனால் அது ஒட்டிக்கொண்டிருக்கும்.

இயந்திர கற்றலை vs AI ஆக்குகிறது💡

மக்கள் இயந்திர கற்றல் vs AI என்று கேட்கும்போது, ​​அவர்கள் பொதுவாக சுருக்கெழுத்துக்களை அல்ல, விளைவுகளைத் தேடுகிறார்கள். தொழில்நுட்பம் இவற்றை வழங்கும்போது நல்லது:

1. தெளிவான திறன் ஆதாயங்கள்

   • வழக்கமான மனித பணிப்பாய்வை விட வேகமான அல்லது துல்லியமான முடிவுகள்.

   • நிகழ்நேர பன்மொழி டிரான்ஸ்கிரிப்ஷன் போன்ற, இதற்கு முன்பு நீங்கள் உருவாக்க முடியாத புதிய அனுபவங்கள்.

2. நம்பகமான கற்றல் வளையம்

   • தரவு வருகிறது, மாதிரிகள் கற்றுக்கொள்கின்றன, நடத்தை மேம்படுகிறது. நாடகம் இல்லாமல் சுழற்சி சுழன்று கொண்டே இருக்கிறது.

3. உறுதித்தன்மை மற்றும் பாதுகாப்பு

   • நன்கு வரையறுக்கப்பட்ட அபாயங்கள் மற்றும் தணிப்புகள். விவேகமான மதிப்பீடு. எட்ஜ் நிகழ்வுகளில் ஆச்சரியப்படுவதற்கில்லை. ஒரு நடைமுறை, விற்பனையாளர்-நடுநிலை திசைகாட்டி என்பது NIST AI இடர் மேலாண்மை கட்டமைப்பு ஆகும். [2]

4. வணிகப் பொருத்தம்

   • இந்த மாதிரியின் துல்லியம், தாமதம் மற்றும் செலவு ஆகியவை உங்கள் பயனர்களுக்குத் தேவையானவற்றுடன் ஒத்துப்போகின்றன. அது பிரமிக்க வைக்கும் ஆனால் KPI ஐ நகர்த்தவில்லை என்றால், அது ஒரு அறிவியல் கண்காட்சி திட்டம் மட்டுமே.

5. செயல்பாட்டு முதிர்ச்சி

   • கண்காணிப்பு, பதிப்பு செய்தல், கருத்து தெரிவித்தல் மற்றும் மறு பயிற்சி ஆகியவை வழக்கமானவை. இங்கே சலிப்பு நல்லது.

ஒரு முயற்சி அந்த ஐந்து பேரையும் சேர்த்தால், அது நல்ல AI, நல்ல ML அல்லது இரண்டும். அது அவற்றைத் தவறவிட்டால், அது தப்பித்த ஒரு டெமோவாக இருக்கலாம்.

இயந்திர கற்றல் vs AI - ஒரு பார்வை: அடுக்குகள் 🍰

ஒரு நடைமுறை மன மாதிரி:

• தரவு அடுக்கு
  மூல உரை, படங்கள், ஆடியோ, அட்டவணைகள். தரவு தரம் கிட்டத்தட்ட ஒவ்வொரு முறையும் மாதிரி மிகைப்படுத்தலை முறியடிக்கிறது.

• மாதிரி அடுக்கு
  மரங்கள் மற்றும் நேரியல் மாதிரிகள் போன்ற கிளாசிக்கல் எம்.எல்., கருத்து மற்றும் மொழிக்கான ஆழமான கற்றல் மற்றும் அதிகரித்து வரும் அடித்தள மாதிரிகள்.

• பகுத்தறிவு & கருவி அடுக்கு
  மாதிரி வெளியீடுகளை பணி செயல்திறனாக மாற்றும் தூண்டுதல், மீட்டெடுப்பு, முகவர்கள், விதிகள் மற்றும் மதிப்பீடு ஆகியவை.

• பயன்பாட்டு அடுக்கு
  பயனர் எதிர்கொள்ளும் தயாரிப்பு. இங்குதான் AI மந்திரம் போல உணர்கிறது, அல்லது சில நேரங்களில்... நன்றாக இருக்கிறது.

இயந்திர கற்றல் vs AI என்பது பெரும்பாலும் இந்த அடுக்குகளில் உள்ள நோக்கத்தைப் பற்றிய கேள்வி. ML என்பது பொதுவாக மாதிரி அடுக்கு. AI முழு அடுக்கையும் பரப்புகிறது. நடைமுறையில் ஒரு பொதுவான முறை: உங்களுக்கு உண்மையில் கூடுதல் சிக்கலான தன்மை தேவைப்படும் வரை ஒரு ஒளி-தொடு ML மாதிரி மற்றும் தயாரிப்பு விதிகள் கனமான "AI" அமைப்பை விட அதிகமாக இருக்கும். [3]

வித்தியாசம் காட்டும் அன்றாட உதாரணங்கள் 🚦

• ஸ்பேம் வடிகட்டுதல்

  • எம்.எல்: பெயரிடப்பட்ட மின்னஞ்சல்களில் பயிற்சி பெற்ற ஒரு வகைப்படுத்தி.

  • AI: ஹியூரிஸ்டிக்ஸ், பயனர் அறிக்கைகள், தகவமைப்பு வரம்புகள் மற்றும் வகைப்படுத்தி உள்ளிட்ட முழு அமைப்பும்.

• தயாரிப்பு பரிந்துரைகள்

  • எம்.எல்: கிளிக் வரலாற்றில் கூட்டு வடிகட்டுதல் அல்லது சாய்வு உயர்த்தப்பட்ட மரங்கள்.

  • AI: சூழல், வணிக விதிகள் மற்றும் விளக்கங்களைக் கருத்தில் கொண்டு முழுமையான தனிப்பயனாக்கம்.

• அரட்டை உதவியாளர்கள்

  • எம்எல்: மொழி மாதிரியே.

  • AI: நினைவகம், மீட்டெடுப்பு, கருவி பயன்பாடு, பாதுகாப்பு தடுப்புகள் மற்றும் UX ஆகியவற்றைக் கொண்ட உதவி குழாய்.

நீங்கள் ஒரு வடிவத்தைக் கவனிப்பீர்கள். ML என்பது கற்றல் இதயம். AI என்பது அதைச் சுற்றியுள்ள உயிரினம்.

ஒப்பீட்டு அட்டவணை: இயந்திர கற்றல் vs AI கருவிகள், பார்வையாளர்கள், விலைகள், அவை ஏன் வேலை செய்கின்றன 🧰

வேண்டுமென்றே சற்று குழப்பமாக இருக்கிறது - ஏனென்றால் உண்மையான குறிப்புகள் ஒருபோதும் சரியாக ஒழுங்காக இருக்காது.

*குறிப்பாக மட்டுமே. பெரும்பாலான சேவைகள் இலவச அடுக்குகள் அல்லது கட்டண முறைகளை வழங்குகின்றன; தற்போதைய விவரங்களுக்கு அதிகாரப்பூர்வ விலை நிர்ணய பக்கங்களைப் பார்க்கவும்.

கணினி வடிவமைப்பில் இயந்திர கற்றல் vs AI எவ்வாறு வெளிப்படுகிறது 🏗️

1. தேவைகள்

   • AI: பயனர் விளைவுகள், பாதுகாப்பு மற்றும் கட்டுப்பாடுகளை வரையறுக்கவும்.

   • ML: இலக்கு அளவீடு, அம்சங்கள், லேபிள்கள் மற்றும் பயிற்சித் திட்டத்தை வரையறுக்கவும்.

2. தரவு உத்தி

   • AI: முழுமையான தரவு ஓட்டம், நிர்வாகம், தனியுரிமை, ஒப்புதல்.

   • எம்எல்: மாதிரி எடுத்தல், பெயரிடுதல், பெருக்குதல், சறுக்கல் கண்டறிதல்.

3. மாதிரி தேர்வு

   • வேலை செய்யக்கூடிய எளிய விஷயத்துடன் தொடங்குங்கள். கட்டமைக்கப்பட்ட/அட்டவணை தரவுகளுக்கு, சாய்வு-அதிகரிக்கப்பட்ட மரங்கள் பெரும்பாலும் வெல்ல மிகவும் கடினமான அடிப்படையாகும். [5]

   • சிறு நிகழ்வு: மோசடி மற்றும் மோசடி திட்டங்களில், GBDTகள் மலிவாகவும் விரைவாகவும் சேவை செய்யும் அதே வேளையில், ஆழமான வலைகளை விட அதிகமாக மதிப்பெண் பெறுவதை நாம் மீண்டும் மீண்டும் பார்த்திருக்கிறோம். [5]

4. மதிப்பீடு

   • ML: F1, ROC AUC, RMSE போன்ற ஆஃப்லைன் அளவீடுகள்.

   • AI: மாற்றம், தக்கவைப்பு மற்றும் திருப்தி போன்ற ஆன்லைன் அளவீடுகள், மேலும் அகநிலை பணிகளுக்கான மனித மதிப்பீடு. இந்த நடைமுறைகள் தொழில்துறை முழுவதும் எவ்வாறு உருவாகி வருகின்றன என்பதை AI குறியீடு கண்காணிக்கிறது. [3]

5. பாதுகாப்பு & நிர்வாகம்

   • நற்பெயர் பெற்ற கட்டமைப்புகளிலிருந்து மூலக் கொள்கைகள் மற்றும் இடர் கட்டுப்பாடுகள். NIST AI RMF, நிறுவனங்கள் AI அபாயங்களை மதிப்பிட, நிர்வகிக்க மற்றும் ஆவணப்படுத்த உதவும் வகையில் சிறப்பாக வடிவமைக்கப்பட்டுள்ளது. [2]

கை அசைத்தல் இல்லாமல், முக்கியமான அளவீடுகள் 📏

• துல்லியம் vs பயன்பாடு
  தாமதம் மற்றும் செலவு மிகவும் சிறப்பாக இருந்தால், சற்று குறைந்த துல்லியம் கொண்ட ஒரு மாதிரி வெல்லக்கூடும்.

• அளவுத்திருத்தம்
  அமைப்பு 90% நம்பிக்கையுடன் இருப்பதாகக் கூறினால், அது பொதுவாக அந்த விகிதத்தில் சரியாக இருக்குமா? விவாதிக்கப்படாதது, மிக முக்கியமானது - மேலும் வெப்பநிலை அளவிடுதல் போன்ற இலகுரக திருத்தங்கள் உள்ளன. [4]

• உறுதித்தன்மை
  குழப்பமான உள்ளீடுகளில் அது அழகாக சிதைவடைகிறதா? அழுத்த சோதனைகள் மற்றும் செயற்கை விளிம்பு வழக்குகளை முயற்சிக்கவும்.

• நியாயம் மற்றும் தீங்கு
  குழு செயல்திறனை அளவிடவும். அறியப்பட்ட வரம்புகளை ஆவணப்படுத்தவும். பயனர் கல்வியை UIயிலேயே இணைக்கவும். [2]

• செயல்பாட்டு அளவீடுகள்
  பயன்படுத்துவதற்கான நேரம், திரும்பப் பெறும் வேகம், தரவு புத்துணர்ச்சி, தோல்வி விகிதங்கள். நாளைக் காப்பாற்றும் சலிப்பூட்டும் பிளம்பிங்.

மதிப்பீட்டு நடைமுறை மற்றும் போக்குகள் பற்றிய ஆழமான வாசிப்புக்கு, ஸ்டான்போர்ட் AI குறியீடு பல்வேறு துறைகளின் தரவுகளையும் பகுப்பாய்வுகளையும் சேகரிக்கிறது. [3]

தவிர்க்க வேண்டிய படுகுழிகள் மற்றும் கட்டுக்கதைகள் 🙈

• கட்டுக்கதை: அதிக தரவு எப்போதும் சிறந்தது.
  சிறந்த லேபிள்களும் பிரதிநிதித்துவ மாதிரியும் மூல அளவை விட அதிகமாக இருக்கும். ஆம், இன்னும்.

• கட்டுக்கதை: ஆழ்ந்த கற்றல் எல்லாவற்றையும் தீர்க்கிறது.
  சிறிய/நடுத்தர அட்டவணை சிக்கல்களுக்கு அல்ல; மரம் சார்ந்த முறைகள் மிகவும் போட்டித்தன்மையுடன் உள்ளன. [5]

• கட்டுக்கதை: AI என்பது முழு சுயாட்சிக்கு சமம்.
  இன்று பெரும்பாலான மதிப்பு முடிவெடுக்கும் ஆதரவு மற்றும் மனிதர்களுடன் பகுதி ஆட்டோமேஷன் மூலம் வருகிறது. [2]

• ஆபத்து: தெளிவற்ற பிரச்சனை அறிக்கைகள்.
  வெற்றி அளவீட்டை ஒரே வரியில் கூற முடியாவிட்டால், நீங்கள் பேய்களைத் துரத்துவீர்கள்.

• ஆபத்து: தரவு உரிமைகள் மற்றும் தனியுரிமையைப் புறக்கணித்தல்.
  நிறுவனக் கொள்கை மற்றும் சட்ட வழிகாட்டுதலைப் பின்பற்றுதல்; அங்கீகரிக்கப்பட்ட கட்டமைப்புடன் ஆபத்து விவாதங்களை கட்டமைத்தல். [2]

வாங்குதல் vs கட்டிடம்: ஒரு குறுகிய முடிவு பாதை 🧭

• உங்கள் தேவை பொதுவானதாகவும், நேரம் குறைவாகவும் இருந்தால் வாங்குதலுடன் தொடங்குங்கள்

• உங்கள் தரவு தனித்துவமாக இருக்கும்போது அல்லது பணி உங்கள் அகழியாக இருக்கும்போது தனிப்பயனாக்கப்பட்டதை உருவாக்குங்கள்

• கலப்பு என்பது இயல்பானது. பல அணிகள் மொழிக்கான API மற்றும் தரவரிசை அல்லது ஆபத்து மதிப்பெண்ணுக்கான தனிப்பயன் ML ஆகியவற்றை இணைக்கின்றன. வேலை செய்வதைப் பயன்படுத்தவும். தேவைக்கேற்ப கலந்து பொருத்தவும்.

இயந்திர கற்றல் vs AI சிக்கலை நீக்க விரைவான கேள்விகள் ❓

எல்லாம் AI இயந்திரக் கற்றலா?
இல்லை. சில AI, விதிகள், தேடல் அல்லது திட்டமிடலைப் பயன்படுத்தி, சிறிதும் கற்றலும் இல்லாமல் செயல்படுகிறது. ML இப்போது ஆதிக்கம் செலுத்துகிறது. [3]

எல்லா ML AI-யும் தானா?
ஆம், ML என்பது AI குடைக்குள் வாழ்கிறது. அது ஒரு பணியைச் செய்ய தரவுகளிலிருந்து கற்றுக்கொண்டால், நீங்கள் AI பிரதேசத்தில் இருக்கிறீர்கள். [1]

ஆவணங்களில் நான் எதைச் சொல்ல வேண்டும்: இயந்திர கற்றல் vs AI?
நீங்கள் மாதிரிகள், பயிற்சி மற்றும் தரவு பற்றிப் பேசுகிறீர்கள் என்றால், ML என்று சொல்லுங்கள். நீங்கள் பயனர் எதிர்கொள்ளும் திறன்கள் மற்றும் கணினி நடத்தை பற்றிப் பேசுகிறீர்கள் என்றால், AI என்று சொல்லுங்கள். சந்தேகம் இருக்கும்போது, ​​குறிப்பிட்டதாக இருங்கள்.

எனக்கு பெரிய தரவுத்தொகுப்புகள் தேவையா?
எப்போதும் இல்லை. விவேகமான அம்ச பொறியியல் அல்லது ஸ்மார்ட் மீட்டெடுப்பு மூலம், சிறிய க்யூரேட்டட் தரவுத்தொகுப்புகள் பெரிய சத்தம் கொண்டவற்றை விட சிறப்பாக செயல்படும் - குறிப்பாக அட்டவணை தரவுகளில். [5]

பொறுப்பான AI பற்றி என்ன?
தொடக்கத்திலிருந்தே அதைப் பற்றி யோசித்துப் பாருங்கள். NIST AI RMF போன்ற கட்டமைக்கப்பட்ட ஆபத்து நடைமுறைகளைப் பயன்படுத்தி, கணினி வரம்புகளைப் பயனர்களுக்குத் தெரிவிக்கவும். [2]

ஆழமாக மூழ்குதல்: கிளாசிக்கல் எம்.எல் vs ஆழ்ந்த கற்றல் vs அடித்தள மாதிரிகள் 🧩

• கிளாசிக்கல் எம்.எல்.

  • அட்டவணை தரவு மற்றும் கட்டமைக்கப்பட்ட வணிக சிக்கல்களுக்கு சிறந்தது.

  • விரைவாகப் பயிற்சி அளிக்கலாம், விளக்க எளிதாக இருக்கலாம், மலிவாகப் பரிமாறலாம்.

  • பெரும்பாலும் மனிதனால் உருவாக்கப்பட்ட அம்சங்கள் மற்றும் கள அறிவு ஆகியவற்றுடன் இணைக்கப்படுகிறது. [5]

• ஆழ்ந்த கற்றல்

  • கட்டமைப்பு இல்லாத உள்ளீடுகளுக்கு பிரகாசிக்கிறது: படங்கள், ஆடியோ, இயற்கை மொழி.

  • அதிக கணக்கீடு மற்றும் கவனமாக சரிசெய்தல் தேவை.

  • பெருக்குதல், முறைப்படுத்துதல் மற்றும் சிந்தனைமிக்க கட்டமைப்புகளுடன் இணைக்கப்பட்டுள்ளது. [3]

• அடித்தள மாதிரிகள்

  • பரந்த தரவுகளில் முன்கூட்டியே பயிற்சி பெற்றவர், தூண்டுதல், நன்றாகச் சரிசெய்தல் அல்லது மீட்டெடுப்பு மூலம் பல பணிகளுக்கு ஏற்றவாறு மாற்றியமைக்கக்கூடியவர்.

  • தடுப்புச்சுவர்கள், மதிப்பீடு மற்றும் செலவுக் கட்டுப்பாடு தேவை. நல்ல உடனடி பொறியியலுடன் கூடுதல் மைலேஜ். [2][3]

ஒரு சிறிய குறைபாடுள்ள உருவகம்: கிளாசிக்கல் எம்எல் என்பது ஒரு சைக்கிள், ஆழ்ந்த கற்றல் என்பது ஒரு மோட்டார் சைக்கிள், மற்றும் அடித்தள மாதிரிகள் என்பது ஒரு ரயில், இது சில நேரங்களில் ஒரு படகைப் போல இரட்டிப்பாகிறது. நீங்கள் கண் சிமிட்டினால் அது ஒருவித அர்த்தமுள்ளதாக இருக்கும்... பின்னர் அது அர்த்தமுள்ளதாக இருக்காது. இன்னும் பயனுள்ளதாக இருக்கும்.

நீங்கள் திருடக்கூடிய செயல்படுத்தல் சரிபார்ப்புப் பட்டியல் ✅

1. ஒரு வரி பிரச்சனை அறிக்கையை எழுதுங்கள்.

2. அடிப்படை உண்மை மற்றும் வெற்றி அளவீடுகளை வரையறுக்கவும்.

3. சரக்கு தரவு மூலங்கள் மற்றும் தரவு உரிமைகள். [2]

4. எளிமையான சாத்தியமான மாதிரியுடன் கூடிய அடிப்படை.

5. பயன்பாட்டைத் தொடங்குவதற்கு முன் மதிப்பீட்டு கொக்கிகளுடன் பொருத்தவும்.

6. பின்னூட்ட சுழல்களைத் திட்டமிடுங்கள்: லேபிளிங், சறுக்கல் சரிபார்ப்புகள், கேடன்ஸை மீண்டும் பயிற்சி செய்தல்.

7. ஆவண அனுமானங்கள் மற்றும் அறியப்பட்ட வரம்புகள்.

8. ஒரு சிறிய சோதனை முயற்சியை இயக்கவும், ஆன்லைன் அளவீடுகளை உங்கள் ஆஃப்லைன் வெற்றிகளுடன் ஒப்பிடவும்.

9. கவனமாக அளவிடுங்கள், இடைவிடாமல் கண்காணிக்கவும். சலிப்பைக் கொண்டாடுங்கள்.

இயந்திர கற்றல் vs AI - சுருக்கமான சுருக்கம் 🍿

• AI என்பது உங்கள் பயனர் அனுபவிக்கும் ஒட்டுமொத்த திறனாகும்.

• அந்த திறனின் ஒரு பகுதியை சக்தியூட்டும் கற்றல் இயந்திரம் ML

• வெற்றி என்பது மாதிரி பாணியைப் பற்றியது அல்ல, மாறாக தெளிவான சிக்கல் கட்டமைப்பு, சுத்தமான தரவு, நடைமுறை மதிப்பீடு மற்றும் பாதுகாப்பான செயல்பாடுகளைப் பற்றியது. [2][3]

• வேகமாக நகர்த்த API-களைப் பயன்படுத்தவும், அது உங்கள் அகழியாக மாறும்போது தனிப்பயனாக்கவும்.

• அபாயங்களை மனதில் கொள்ளுங்கள். NIST AI RMF இலிருந்து ஞானத்தைப் பெறுங்கள். [2]

• மனிதர்களுக்கு முக்கியமான விளைவுகளைக் கண்காணிக்கவும். துல்லியம் மட்டுமல்ல. குறிப்பாக வீண் அளவீடுகள் அல்ல. [3][4]

இறுதி குறிப்புகள் - மிக நீளமாக உள்ளது, படிக்கவில்லை 🧾

இயந்திர கற்றல் vs AI என்பது ஒரு சண்டை அல்ல. அது ஒரு நோக்கம். AI என்பது பயனர்களுக்கு புத்திசாலித்தனமாக நடந்து கொள்ளும் முழு அமைப்பு. ML என்பது அந்த அமைப்பினுள் உள்ள தரவுகளிலிருந்து கற்றுக்கொள்ளும் முறைகளின் தொகுப்பாகும். மகிழ்ச்சியான அணிகள் ML ஐ ஒரு கருவியாகவும், AI ஐ அனுபவமாகவும், தயாரிப்பு தாக்கத்தை உண்மையில் கணக்கிடும் ஒரே ஸ்கோர்போர்டாகவும் கருதுகின்றன. அதை மனிதனாகவும், பாதுகாப்பாகவும், அளவிடக்கூடியதாகவும், கொஞ்சம் மோசமானதாகவும் வைத்திருங்கள். மேலும், நினைவில் கொள்ளுங்கள்: சைக்கிள்கள், மோட்டார் சைக்கிள்கள், ரயில்கள். இது ஒரு நொடி அர்த்தமுள்ளதாக இருந்தது, இல்லையா? 😉

குறிப்புகள்

1. டாம் எம். மிட்செல் - இயந்திர கற்றல் (புத்தகப் பக்கம், வரையறை). மேலும் படிக்கவும்

2. NIST - AI இடர் மேலாண்மை கட்டமைப்பு (AI RMF 1.0) (அதிகாரப்பூர்வ வெளியீடு). மேலும் படிக்கவும்

3. ஸ்டான்போர்ட் HAI ​​- செயற்கை நுண்ணறிவு குறியீட்டு அறிக்கை 2025 (அதிகாரப்பூர்வ PDF). மேலும் படிக்கவும்

4. குவோ, ப்ளீஸ், சன், வெயின்பெர்கர் - நவீன நரம்பியல் வலையமைப்புகளின் அளவுத்திருத்தம் குறித்து (PMLR/ICML 2017). மேலும் படிக்கவும்

5. கிரின்ஸ்டாஜ்ன், ஓயலோன், வரோக்வாக்ஸ் - மர அடிப்படையிலான மாதிரிகள் ஏன் இன்னும் அட்டவணை தரவுகளில் ஆழமான கற்றலை விட சிறப்பாக செயல்படுகின்றன? (நியூரிஐபிஎஸ் 2022 தரவுத்தொகுப்புகள் & வரையறைகள்). மேலும் படிக்கவும்

அதிகாரப்பூர்வ AI உதவியாளர் கடையில் சமீபத்திய AI ஐக் கண்டறியவும்.

எங்களை பற்றி