முன்கணிப்பு AI என்றால் என்ன?

முன்கணிப்பு AI அழகாகத் தோன்றலாம், ஆனால் யோசனை எளிது: அடுத்து என்ன நடக்கும் என்று யூகிக்க கடந்த காலத் தரவைப் பயன்படுத்தவும். ஒரு இயந்திரத்திற்கு சேவை தேவைப்படும்போது வாடிக்கையாளர் எந்தெந்த வழிகளில் செல்லலாம் என்பது வரை, இது வரலாற்று வடிவங்களை எதிர்காலத்தைப் பற்றிய சமிக்ஞைகளாக மாற்றுவது பற்றியது. இது மாயாஜாலம் அல்ல - இது கொஞ்சம் ஆரோக்கியமான சந்தேகம் மற்றும் நிறைய மறு செய்கைகளுடன் குழப்பமான யதார்த்தத்தை சந்திக்கும் கணித சந்திப்பு.

கீழே ஒரு நடைமுறை, சிறிய விளக்கக்காட்சி உள்ளது. நீங்கள் இங்கு வந்திருந்தால், முன்னறிவிப்பு AI என்றால் என்ன? அது உங்கள் குழுவிற்கு பயனுள்ளதாக இருக்குமா என்று யோசித்திருந்தால், இது உங்களை ஒரே அமர்வில் 'ஓ' நிலைக்கு அழைத்துச் செல்லும்.☕️

இதற்குப் பிறகு நீங்கள் படிக்க விரும்பக்கூடிய கட்டுரைகள்:

🔗 உங்கள் வணிகத்தில் AI ஐ எவ்வாறு இணைப்பது
சிறந்த வணிக வளர்ச்சிக்கு AI கருவிகளை ஒருங்கிணைப்பதற்கான நடைமுறை படிகள்.

🔗 அதிக உற்பத்தித் திறன் பெற AI-ஐ எவ்வாறு பயன்படுத்துவது
நேரத்தை மிச்சப்படுத்தும் மற்றும் செயல்திறனை அதிகரிக்கும் பயனுள்ள AI பணிப்பாய்வுகளைக் கண்டறியவும்.

🔗 AI திறன்கள் என்றால் என்ன?
எதிர்காலத்திற்குத் தயாராக உள்ள நிபுணர்களுக்குத் தேவையான முக்கிய AI திறன்களைக் கற்றுக்கொள்ளுங்கள்.

முன்கணிப்பு AI என்றால் என்ன? ஒரு வரையறை 🤖

முன்கணிப்பு AI புள்ளிவிவர பகுப்பாய்வு மற்றும் இயந்திர கற்றலைப் பயன்படுத்துகிறது. சற்று துல்லியமான சொற்களில், இது கிளாசிக்கல் புள்ளிவிவரங்களை ML வழிமுறைகளுடன் கலந்து, எதிர்காலத்தைப் பற்றிய நிகழ்தகவுகள் அல்லது மதிப்புகளை மதிப்பிடுகிறது. முன்கணிப்பு பகுப்பாய்வுகளைப் போலவே அதே உணர்வு; வெவ்வேறு லேபிள், அடுத்து என்ன வரும் என்பதை முன்னறிவிப்பதற்கான அதே யோசனை [5].

நீங்கள் முறையான குறிப்புகளை விரும்பினால், தரநிலை அமைப்புகள் மற்றும் தொழில்நுட்ப கையேடுகள் எதிர்கால மதிப்புகளை கணிக்க நேர-வரிசைப்படுத்தப்பட்ட தரவிலிருந்து சமிக்ஞைகளை (போக்கு, பருவநிலை, தன்னியக்க தொடர்பு) பிரித்தெடுப்பதாக முன்னறிவிப்பை வடிவமைக்கின்றன [2].

முன்னறிவிப்பு AI-ஐ பயனுள்ளதாக்குவது எது ✅

சுருக்கமான பதில்: இது முடிவுகளை இயக்குகிறது, வெறும் டேஷ்போர்டுகளை அல்ல. நன்மை நான்கு பண்புகளிலிருந்து வருகிறது:

• செயல்பாட்டுத்திறன் - அடுத்த படிகளுக்கான வரைபடத்தை வெளியிடுகிறது: ஒப்புதல், வழி, செய்தி, ஆய்வு.

• நிகழ்தகவு-விழிப்புணர்வு - நீங்கள் அதிர்வுகளை மட்டுமல்லாமல், அளவீடு செய்யப்பட்ட சாத்தியக்கூறுகளைப் பெறுவீர்கள் [3].

• மீண்டும் மீண்டும் செய்யக்கூடியது - ஒருமுறை பயன்படுத்தப்பட்ட பிறகு, மாதிரிகள் தொடர்ந்து இயங்கும், ஒருபோதும் தூங்காத அமைதியான சக ஊழியரைப் போல.

• அளவிடக்கூடியது - உயர்வு, துல்லியம், RMSE - நீங்கள் அதை பெயரிட்டாலும் - வெற்றி அளவிடக்கூடியது.

நேர்மையாகச் சொல்லப் போனால்: முன்கணிப்பு AI சிறப்பாகச் செய்யப்படும்போது, ​​அது கிட்டத்தட்ட சலிப்பை ஏற்படுத்துகிறது. எச்சரிக்கைகள் வருகின்றன, பிரச்சாரங்கள் தங்களை குறிவைக்கின்றன, திட்டமிடுபவர்கள் சரக்குகளை முன்கூட்டியே ஆர்டர் செய்கிறார்கள். சலிப்பை ஏற்படுத்துவது அழகானது.

ஒரு சிறு நிகழ்வு: நடுத்தர சந்தை அணிகள், பின்னடைவுகள் மற்றும் காலண்டர் அம்சங்களைப் பயன்படுத்தி "அடுத்த 7 நாட்களில் ஸ்டாக்அவுட் அபாயத்தை" எளிதாகப் பதிவு செய்யும் ஒரு சிறிய சாய்வு-பூஸ்டிங் மாதிரியை வழங்குவதைக் கண்டிருக்கிறோம். ஆழமான வலைகள் இல்லை, சுத்தமான தரவு மற்றும் தெளிவான வரம்புகள் மட்டுமே. வெற்றி திடீரென வரவில்லை - செயல்பாடுகளில் குறைவான ஸ்க்ராம்பிள்-கால்களே இருந்தன.

முன்கணிப்பு AI vs ஜெனரேட்டிவ் AI - விரைவான பிளவு ⚖️

• ஜெனரேட்டிவ் AI புதிய உள்ளடக்கம்-உரை, படங்கள், குறியீடு-மூலம் மாதிரியாக்க தரவு விநியோகங்கள் மற்றும் அவற்றிலிருந்து மாதிரிகளை உருவாக்குகிறது [4].

• முன்கணிப்பு AI விளைவுகளை முன்னறிவிக்கிறது - அபாயம், அடுத்த வார தேவை, இயல்புநிலை நிகழ்தகவு - [5].

ஜெனரேட்டிவ் என்பதை ஒரு படைப்பு ஸ்டுடியோவாகவும், முன்னறிவிப்பை ஒரு வானிலை சேவையாகவும் நினைத்துப் பாருங்கள். அதே கருவிப்பெட்டி (ML), வெவ்வேறு நோக்கங்கள்.

சரி... நடைமுறையில் கணிப்பு AI என்றால் என்ன? 🔧

1. நீங்கள் அக்கறை கொண்ட பெயரிடப்பட்ட வரலாற்றுத் தரவு-விளைவுகளையும் அவற்றை விளக்கக்கூடிய உள்ளீடுகளையும் சேகரிக்கவும்

2. பொறியாளர் அம்சங்கள் - மூல தரவை பயனுள்ள சமிக்ஞைகளாக மாற்றவும் (பின்தங்கிய நிலைகள், உருளும் புள்ளிவிவரங்கள், உரை உட்பொதிப்புகள், வகைப்படுத்தப்பட்ட குறியாக்கங்கள்).

3. உள்ளீடுகள் மற்றும் விளைவுகளுக்கு இடையிலான உறவுகளைக் கற்றுக்கொள்ளும் மாதிரி-பொருத்த அல்காரிதம்களைப் பயிற்றுவிக்கவும்

4. வணிக மதிப்பைப் பிரதிபலிக்கும் அளவீடுகளுடன் ஹோல்ட் அவுட் தரவை மதிப்பிடுங்கள்

5. உங்கள் பயன்பாடு, பணிப்பாய்வு அல்லது எச்சரிக்கை அமைப்பில் கணிப்புகளை அனுப்பவும்

6. கண்காணித்தல் தரவு / கருத்து சறுக்கலைக் கண்காணித்தல் மற்றும் மறு பயிற்சி / மறு அளவீடு செய்தல் ஆகியவற்றைப் பராமரித்தல். முன்னணி கட்டமைப்புகள் சறுக்கல், சார்பு மற்றும் தரவுத் தரத்தை நிர்வாகம் மற்றும் கண்காணிப்பு தேவைப்படும் தொடர்ச்சியான அபாயங்களாக வெளிப்படையாக அழைக்கின்றன [1].

வழிமுறைகள் நேரியல் மாதிரிகள் முதல் மரக் குழுக்கள் மற்றும் நரம்பியல் நெட்வொர்க்குகள் வரை உள்ளன. அதிகாரப்பூர்வ ஆவணங்கள் வழக்கமான சந்தேக நபர்களை பட்டியலிடுகின்றன - தளவாட பின்னடைவு, சீரற்ற காடுகள், சாய்வு அதிகரிப்பது மற்றும் பல - உங்களுக்கு நன்கு நடந்துகொள்ளும் மதிப்பெண்கள் தேவைப்படும்போது வர்த்தக பரிமாற்றங்கள் விளக்கப்பட்டு நிகழ்தகவு அளவுத்திருத்த விருப்பங்கள் [3].

கட்டுமானத் தொகுதிகள் - தரவு, லேபிள்கள் மற்றும் மாதிரிகள் 🧱

• தரவு - நிகழ்வுகள், பரிவர்த்தனைகள், டெலிமெட்ரி, கிளிக்குகள், சென்சார் அளவீடுகள். கட்டமைக்கப்பட்ட அட்டவணைகள் பொதுவானவை, ஆனால் உரை மற்றும் படங்களை எண் அம்சங்களாக மாற்றலாம்.

• லேபிள்கள் - நீங்கள் கணிப்பது: வாங்கியது vs வாங்காதது, தோல்வியடையும் நாட்கள், தேவைக்கான டாலர்கள்.

• வழிமுறைகள்

  • விளைவு திட்டவட்டமாக இருக்கும்போது வகைப்பாடு

  • பின்னடைவு - எத்தனை அலகுகள் விற்கப்பட்டன.

  • நேரத் தொடர் - காலப்போக்கில் மதிப்புகளை முன்னறிவித்தல், இதில் போக்கு மற்றும் பருவநிலைக்கு வெளிப்படையான சிகிச்சை தேவைப்படுகிறது [2].

காலத் தொடர் முன்னறிவிப்பு, கலப்பு முறைகளில் பருவநிலை மற்றும் போக்கைச் சேர்க்கிறது, அதாவது அதிவேக மென்மையாக்கல் அல்லது ARIMA-குடும்ப மாதிரிகள், நவீன ML உடன் அடிப்படைகளாக இன்னும் தங்கியிருக்கும் உன்னதமான கருவிகள் [2].

உண்மையில் அனுப்பப்படும் பொதுவான பயன்பாட்டு வழக்குகள் 📦

• வருவாய் மற்றும் வளர்ச்சி

  • முன்னணி மதிப்பெண், மாற்ற மேம்பாடு, தனிப்பயனாக்கப்பட்ட பரிந்துரைகள்.

• ஆபத்து & இணக்கம்

  • மோசடி கண்டறிதல், கடன் ஆபத்து, AML கொடிகள், ஒழுங்கின்மை கண்டறிதல்.

• வழங்கல் & செயல்பாடுகள்

  • தேவை முன்னறிவிப்பு, பணியாளர் திட்டமிடல், சரக்கு மேம்படுத்தல்.

• நம்பகத்தன்மை மற்றும் பராமரிப்பு

  • உபகரணத்தில் முன்னறிவிப்பு பராமரிப்பு - தோல்விக்கு முன் செயல்.

• சுகாதாரம் மற்றும் பொது சுகாதாரம்

  • மீண்டும் சேர்க்கைகள், அவசர சிகிச்சை அல்லது நோய் ஆபத்து மாதிரிகளை (கவனமாக சரிபார்த்தல் மற்றும் நிர்வாகத்துடன்) கணிக்கவும்.

"இந்தப் பரிவர்த்தனை சந்தேகத்திற்குரியதாகத் தெரிகிறது" என்ற குறுஞ்செய்தி உங்களுக்கு எப்போதாவது வந்திருந்தால், நீங்கள் முன்னறிவிப்பு AI-ஐ சந்தித்திருக்கிறீர்கள் என்று அர்த்தம்.

ஒப்பீட்டு அட்டவணை - கணிப்பு AIக்கான கருவிகள் 🧰

குறிப்பு: விலைகள் பரந்த அளவில் உள்ளன - ஓப்பன் சோர்ஸ் இலவசம், கிளவுட் பயன்பாடு சார்ந்தது, நிறுவனம் மாறுபடும். யதார்த்தத்திற்கு ஒரு சிறிய வினோதம் அல்லது இரண்டு மீதமுள்ளது...

முன்கணிப்பு AI, பரிந்துரைக்கப்பட்ட பகுப்பாய்வுகளுடன் எவ்வாறு ஒப்பிடுகிறது 🧭

என்ன நடக்க வாய்ப்புள்ளது என்பதற்கு முன்னறிவிப்பு பதிலளிக்கிறது . முன்னறிவிப்பு மேலும் செல்கிறது - அதைப் பற்றி நாம் என்ன செய்ய வேண்டும் . தொழில்முறை சமூகங்கள் முன்னறிவிப்புகளை மட்டுமல்லாமல், உகந்த செயல்களை பரிந்துரைக்க மாதிரிகளைப் பயன்படுத்துவதாக முன்னறிவிப்பு பகுப்பாய்வுகளை வரையறுக்கின்றன [5]. நடைமுறையில், முன்னறிவிப்பு மருந்துச்சீட்டை ஊட்டுகிறது.

மாதிரிகளை மதிப்பிடுதல் - முக்கியமான அளவீடுகள் 📊

முடிவுக்குப் பொருந்தக்கூடிய அளவீடுகளைத் தேர்ந்தெடுக்கவும்:

• வகைப்பாடு

  • எச்சரிக்கைகள் விலை உயர்ந்ததாக இருக்கும்போது தவறான நேர்மறைகளைத் தவிர்ப்பதற்கான துல்லியம்

  • தவறவிடுவது விலை உயர்ந்ததாக இருக்கும்போது, ​​மேலும் உண்மை நிகழ்வுகளைப் பிடிக்க நினைவுகூருங்கள்

  • வரம்புகளுக்கு இடையே தரவரிசை-தரத்தை ஒப்பிட AUC-ROC

• பின்னடைவு

  • ஒட்டுமொத்த பிழை அளவிற்கு RMSE/MAE

  • தொடர்புடைய பிழைகள் முக்கியமானதாக இருக்கும்போது MAPE

• முன்னறிவிப்பு

  • நேரத் தொடர் ஒப்பீட்டிற்கான MASE, sMAPE

  • பாதுகாப்பு - உங்கள் நிச்சயமற்ற பட்டைகள் உண்மையில் உண்மையைக் கொண்டிருக்கின்றனவா?

எனக்குப் பிடித்த ஒரு விதி: உங்கள் பட்ஜெட்டுடன் பொருந்தக்கூடிய அளவீட்டை தவறாகக் கருதி மேம்படுத்துவது.

பயன்படுத்தல் யதார்த்தம் - சறுக்கல், சார்பு மற்றும் கண்காணிப்பு 🌦️

மாதிரிகள் சிதைவடைகின்றன. தரவு மாற்றங்கள். நடத்தை மாற்றங்கள். இது தோல்வி அல்ல - இது உலகம் நகர்கிறது. முன்னணி கட்டமைப்புகள் தரவு சறுக்கல் மற்றும் கருத்து சறுக்கல் , சார்பு மற்றும் தரவு தர அபாயங்களை முன்னிலைப்படுத்துகின்றன, மேலும் ஆவணங்கள், அணுகல் கட்டுப்பாடுகள் மற்றும் வாழ்க்கைச் சுழற்சி நிர்வாகத்தை பரிந்துரைக்கின்றன [1].

• கருத்து சறுக்கல் - உள்ளீடுகளுக்கும் இலக்குக்கும் இடையிலான உறவுகள் உருவாகின்றன, எனவே நேற்றைய வடிவங்கள் நாளைய விளைவுகளை நன்றாகக் கணிக்காது.

• மாதிரி அல்லது தரவு சறுக்கல் - உள்ளீட்டு விநியோகங்கள் மாறுதல், சென்சார்கள் மாறுதல், பயனர் நடத்தை மாற்றங்கள், செயல்திறன் சிதைவு. கண்டறிந்து செயல்படுதல்.

நடைமுறை விளையாட்டு புத்தகம்: உற்பத்தியில் அளவீடுகளைக் கண்காணித்தல், சறுக்கல் சோதனைகளை நடத்துதல், மறுபயிற்சி வேகத்தைப் பராமரித்தல் மற்றும் பின் சோதனைக்கான கணிப்புகள் vs முடிவுகளைப் பதிவு செய்தல். ஒரு எளிய கண்காணிப்பு உத்தி நீங்கள் ஒருபோதும் இயக்காத சிக்கலான ஒன்றை விட சிறப்பாக செயல்படுகிறது.

நீங்கள் நகலெடுக்கக்கூடிய ஒரு எளிய தொடக்கப் பணிப்பாய்வு 📝

1. முடிவை வரையறுக்கவும் - வெவ்வேறு வரம்புகளில் கணிப்பை நீங்கள் என்ன செய்வீர்கள்?

2. தரவுகளைச் சேகரிக்கவும் - தெளிவான விளைவுகளுடன் வரலாற்று உதாரணங்களைச் சேகரிக்கவும்.

3. பிளவு - ரயில், சரிபார்ப்பு, மற்றும் உண்மையிலேயே தக்கவைக்கும் சோதனை.

4. அடிப்படை - லாஜிஸ்டிக் பின்னடைவு அல்லது ஒரு சிறிய மரக் குழுமத்துடன் தொடங்குங்கள். அடிப்படைகள் சங்கடமான உண்மைகளைச் சொல்கின்றன [3].

5. மேம்படுத்து - அம்ச பொறியியல், குறுக்கு சரிபார்ப்பு, கவனமாக முறைப்படுத்துதல்.

6. கப்பல் - உங்கள் கணினிக்கு கணிப்புகளை எழுதும் ஒரு API எண்ட்பாயிண்ட் அல்லது தொகுதி வேலை.

7. கண்காணிப்பு - தரத்திற்கான டேஷ்போர்டுகள், சறுக்கல் அலாரங்கள், மறுபயிற்சி தூண்டுதல்கள் [1].

அது அதிகமாகத் தோன்றினாலும், அதுதான் - ஆனால் நீங்கள் அதை நிலைகளில் செய்யலாம். டைனி கூட்டுப் பலனைத் தரும்.

தரவு வகைகள் மற்றும் மாடலிங் வடிவங்கள் - விரைவான வெற்றிகள் 🧩

• அட்டவணைப் பதிவுகள் - சாய்வு பூஸ்டிங் மற்றும் நேரியல் மாதிரிகளுக்கான வீட்டுப் புல்வெளி [3].

• காலத் தொடர் - பெரும்பாலும் ML க்கு முன் போக்கு/பருவநிலை/எச்சங்களாக சிதைவதால் பயனடைகிறது. அதிவேக மென்மையாக்கல் போன்ற பாரம்பரிய முறைகள் வலுவான அடிப்படைகளாகவே இருக்கின்றன [2].

• உரை, படங்கள் - எண் திசையன்களில் உட்பொதித்து, பின்னர் அட்டவணை போல கணிக்கவும்.

• வரைபடங்கள் - வாடிக்கையாளர் நெட்வொர்க்குகள், சாதன உறவுகள் - சில நேரங்களில் ஒரு வரைபட மாதிரி உதவுகிறது, சில நேரங்களில் அது மிகைப்படுத்தப்பட்ட பொறியியல். அது எப்படி என்று உங்களுக்குத் தெரியும்.

அபாயங்களும் தடுப்புச் சுவர்களும் - ஏனென்றால் நிஜ வாழ்க்கை குழப்பமானது 🛑

• சார்பு மற்றும் பிரதிநிதித்துவம் - குறைவாக பிரதிநிதித்துவப்படுத்தப்பட்ட சூழல்கள் சீரற்ற பிழைக்கு வழிவகுக்கும். ஆவணம் மற்றும் கண்காணிப்பு [1].

• கசிவு - தற்செயலாக எதிர்கால தகவல் விஷ சரிபார்ப்பை உள்ளடக்கிய அம்சங்கள்.

• போலியான தொடர்புகள் - மாதிரிகள் குறுக்குவழிகளைப் பயன்படுத்துகின்றன.

• அதிகமாகப் பொருத்துதல் - பயிற்சியில் சிறந்தது, தயாரிப்பில் சோகமானது.

• ஆளுகை - பரம்பரை, ஒப்புதல்கள் மற்றும் அணுகல் கட்டுப்பாடு ஆகியவற்றைக் கண்காணித்தல் - சலிப்பை ஏற்படுத்துகிறது ஆனால் முக்கியமானது [1].

விமானத்தை தரையிறக்க நீங்கள் தரவை நம்பியிருக்க மாட்டீர்கள் என்றால், கடனை மறுக்க அதை நம்பியிருக்க வேண்டாம். கொஞ்சம் மிகைப்படுத்தல், ஆனால் நீங்கள் உற்சாகத்தைப் பெறுவீர்கள்.

ஆழ்ந்த ஆய்வு: நகரும் விஷயங்களை முன்னறிவித்தல் ⏱️

தேவை, ஆற்றல் சுமை அல்லது வலை போக்குவரத்தை கணிக்கும்போது, ​​நேரத் தொடர் சிந்தனை முக்கியமானது. மதிப்புகள் வரிசைப்படுத்தப்படுகின்றன, எனவே நீங்கள் தற்காலிக கட்டமைப்பை மதிக்கிறீர்கள். பருவகால-போக்கு சிதைவுடன் தொடங்குங்கள், அதிவேக மென்மையாக்கல் அல்லது ARIMA-குடும்ப அடிப்படைகளை முயற்சிக்கவும், தாமதமான அம்சங்கள் மற்றும் காலண்டர் விளைவுகளை உள்ளடக்கிய உயர்த்தப்பட்ட மரங்களுடன் ஒப்பிடவும். தரவு மெல்லியதாகவோ அல்லது சத்தமாகவோ இருக்கும்போது ஒரு சிறிய, நன்கு சரிசெய்யப்பட்ட அடிப்படை கூட ஒரு பிரகாசமான மாதிரியை விட சிறப்பாக செயல்படும். பொறியியல் கையேடுகள் இந்த அடிப்படைகளை தெளிவாகக் கடந்து செல்கின்றன [2].

அடிக்கடி கேட்கப்படும் கேள்விகள் மினி சொற்களஞ்சியம் 💬

• முன்கணிப்பு AI என்றால் என்ன? வரலாற்று வடிவங்களிலிருந்து சாத்தியமான விளைவுகளை முன்னறிவிக்கும் ML பிளஸ் புள்ளிவிவரங்கள். முன்கணிப்பு பகுப்பாய்வுகளைப் போலவே, மென்பொருள் பணிப்பாய்வுகளிலும் பயன்படுத்தப்படும் அதே உணர்வு [5].

• இது எவ்வாறு உருவாக்க AI இலிருந்து வேறுபடுகிறது? உருவாக்கம் vs முன்னறிவிப்பு. உருவாக்கம் புதிய உள்ளடக்கத்தை உருவாக்குகிறது; முன்கணிப்பு மதிப்பீடுகள் நிகழ்தகவுகள் அல்லது மதிப்புகள் [4].

• எனக்கு ஆழ்ந்த கற்றல் தேவையா? எப்போதும் இல்லை. பல உயர்-ROI பயன்பாட்டு வழக்குகள் மரங்கள் அல்லது நேரியல் மாதிரிகளில் இயங்குகின்றன. எளிமையாகத் தொடங்கி, பின்னர் அதிகரிக்கவும் [3].

• விதிமுறைகள் அல்லது கட்டமைப்புகள் பற்றி என்ன? இடர் மேலாண்மை மற்றும் நிர்வாகத்திற்கு நம்பகமான கட்டமைப்புகளைப் பயன்படுத்துங்கள் - அவை சார்பு, சறுக்கல் மற்றும் ஆவணப்படுத்தலை வலியுறுத்துகின்றன [1].

ரொம்ப நீளமா இருக்கு. படிக்கவே இல்லையே!🎯

முன்கணிப்பு AI என்பது மர்மமானது அல்ல. நேற்றிலிருந்து இன்று புத்திசாலித்தனமாக செயல்பட கற்றுக்கொள்வதற்கான ஒழுக்கமான நடைமுறை இது. நீங்கள் கருவிகளை மதிப்பிடுகிறீர்கள் என்றால், வழிமுறையுடன் அல்ல, உங்கள் முடிவோடு தொடங்குங்கள். நம்பகமான அடிப்படையை நிறுவுங்கள், அது நடத்தையை மாற்றும் இடத்தைப் பயன்படுத்துங்கள், இடைவிடாமல் அளவிடுங்கள். மேலும் மாதிரிகள் மதுவைப் போல அல்ல, பால் போல வயதாகின்றன என்பதை நினைவில் கொள்ளுங்கள் - எனவே கண்காணித்து மீண்டும் பயிற்சி பெறத் திட்டமிடுங்கள். கொஞ்சம் பணிவு நீண்ட தூரம் செல்லும்.

குறிப்புகள்

1. NIST - செயற்கை நுண்ணறிவு இடர் மேலாண்மை கட்டமைப்பு (AI RMF 1.0). இணைப்பு

2. NIST ITL - பொறியியல் புள்ளிவிவர கையேடு: காலத் தொடர் பகுப்பாய்விற்கான அறிமுகம். இணைப்பு

3. scikit-learn - மேற்பார்வையிடப்பட்ட கற்றல் பயனர் வழிகாட்டி. இணைப்பு

4. NIST - AI இடர் மேலாண்மை கட்டமைப்பு: உருவாக்கும் AI சுயவிவரம். இணைப்பு

5. தகவல் - செயல்பாட்டு ஆராய்ச்சி மற்றும் பகுப்பாய்வு (பகுப்பாய்வு கண்ணோட்டத்தின் வகைகள்). இணைப்பு

அதிகாரப்பூர்வ AI உதவியாளர் கடையில் சமீபத்திய AI ஐக் கண்டறியவும்.

எங்களை பற்றி