opentext បញ្ញាសិប្បនិម្មិត និងម៉ាស៊ីន
បញ្ញាសិប្បនិម្មិត (AI) កំពុងបំប្លែងវិធីដែលយើងធ្វើអន្តរកម្មជាមួយម៉ាស៊ីន និងវិធីដែលម៉ាស៊ីនធ្វើអន្តរកម្មជាមួយយើង។ មគ្គុទ្ទេសក៍នេះបំបែកពីរបៀបដែល AI ដំណើរការ ភាពខ្លាំង និងដែនកំណត់នៃប្រភេទផ្សេងៗនៃការរៀនម៉ាស៊ីន និងការវិវត្តនៃវិស័យសិក្សាដែលផ្លាស់ប្តូរជានិច្ចនេះ។ វាក៏ស្វែងយល់ពីតួនាទីនៃការវិភាគសុវត្ថិភាពដែលបានបើកដំណើរការ AI ឬអ្នកប្រើប្រាស់ និងអង្គភាព (UEBA) ដើម្បីការពារសហគ្រាសឱ្យកាន់តែប្រសើរឡើងពីការគំរាមកំហែងសន្តិសុខតាមអ៊ីនធឺណិតដ៏ស្មុគស្មាញនាពេលបច្ចុប្បន្ននេះ។
ម៉ាស៊ីនធៀបនឹងការរៀនរបស់មនុស្ស
បញ្ញាសិប្បនិមិត្ត (AI) មាននៅគ្រប់ទីកន្លែង យ៉ាងហោចណាស់ នោះហើយជារបៀបដែលវាហាក់បីដូចជានៅ OpenText™ ការកើនឡើងនៃ AI គឺគួរឱ្យរំភើប និងការប្រកួតប្រជែង ប៉ុន្តែនៅពេលដែលយើងបានចូលរួមជាមួយមិត្តភ័ក្តិ អតិថិជន និងដៃគូរបស់យើង យើងបានដឹងថា គំនិតនៃ AI មិនតែងតែងាយយល់ដើម្បីចាប់ផ្តើមការណែនាំ AI និង Machine Learning 101 នេះទេ យើងនឹងស្រាយចម្ងល់ AI ដោយឆ្លើយសំណួរចម្បងដែលមនុស្សជាច្រើនកំពុងសួរថា "តើអ្វីទៅជាបញ្ញាសិប្បនិមិត្តពិតប្រាកដ?"
មធ្យោបាយងាយស្រួលបំផុតដើម្បីយល់អំពីបញ្ញាសិប្បនិម្មិតគឺត្រូវគូសវាសទៅនឹងអ្វីមួយដែលយើងយល់រួចមកហើយ ភាពវៃឆ្លាតរបស់យើង តើការស៊ើបការណ៍មិនមែនសិប្បនិម្មិតរបស់មនុស្សដំណើរការយ៉ាងដូចម្តេច? នៅកម្រិតមូលដ្ឋានបំផុត ភាពវៃឆ្លាតរបស់យើងធ្វើតាមការវិវឌ្ឍន៍ដ៏សាមញ្ញមួយ៖ យើងទទួលយកព័ត៌មាន យើងដំណើរការវា ហើយទីបំផុតព័ត៌មានជួយយើងធ្វើសកម្មភាព
ចូរបំបែកវាទៅជាដ្យាក្រាមប្រព័ន្ធ នៅក្នុងរូបភាពខាងក្រោម ជំហានទូទៅទាំងបីនៃភាពវៃឆ្លាតរបស់មនុស្សពីឆ្វេងទៅស្តាំ៖ ការបញ្ចូល ដំណើរការ និងទិន្នផល នៅក្នុងខួរក្បាលរបស់មនុស្ស ការបញ្ចូលកើតឡើងក្នុងទម្រង់នៃការយល់ឃើញ និងការយល់ឃើញរបស់ភ្នែករបស់អ្នក។ ច្រមុះ ត្រចៀក ជាដើម ចាប់យកធាតុចូលឆៅនៅខាងឆ្វេង ដូចជា ហ្វូតុននៃពន្លឺ ឬក្លិននៃដើមស្រល់ ហើយបន្ទាប់មកដំណើរការវា នៅផ្នែកខាងស្តាំនៃប្រព័ន្ធគឺជាលទ្ធផល នេះរួមបញ្ចូលទាំងការនិយាយ និងសកម្មភាព ដែលទាំងពីរនេះអាស្រ័យលើរបៀប យើងដំណើរការធាតុចូលឆៅដែលខួរក្បាលរបស់យើងកំពុងទទួលបាន ដំណើរការកើតឡើងនៅកណ្តាល ដែលចំណេះដឹង ឬការចងចាំត្រូវបានបង្កើតឡើង និងទាញយកមកវិញ ការសម្រេចចិត្ត និងការសន្និដ្ឋាន និងការរៀនកើតឡើង។
រូបភាពទី 1. ភាពវៃឆ្លាតរបស់មនុស្ស
តើការស៊ើបការណ៍សម្ងាត់របស់មនុស្សដែលមិនមែនសិប្បនិម្មិតដំណើរការដោយរបៀបណា? នៅកម្រិតមូលដ្ឋានបំផុត ភាពវៃឆ្លាតរបស់យើងធ្វើតាមការវិវឌ្ឍន៍ដ៏សាមញ្ញមួយ៖ យើងទទួលយកព័ត៌មាន យើងដំណើរការវា ហើយទីបំផុតព័ត៌មានជួយយើងធ្វើសកម្មភាព។
រូបភាពឈប់នៅចំនុចប្រសព្វផ្លូវ ភ្នែករបស់អ្នកមើលឃើញថាភ្លើងចរាចរណ៍នៅពីមុខអ្នកទើបតែប្រែទៅជាពណ៌បៃតង ដោយផ្អែកលើអ្វីដែលអ្នកបានរៀនពីបទពិសោធន៍ (និងការអប់រំអ្នកបើកបរ) អ្នកដឹងថាភ្លើងពណ៌បៃតងបង្ហាញថាអ្នកគួរបើកបរទៅមុខ ដូច្នេះអ្នក បុកឈ្នាន់ឧស្ម័ន ភ្លើងពណ៌បៃតងគឺជាការបញ្ចូលឆៅ ការបង្កើនល្បឿនរបស់អ្នកគឺជាទិន្នផល។ អ្វីគ្រប់យ៉ាងដែលនៅចន្លោះគឺកំពុងដំណើរការ
ដើម្បីរុករកពិភពលោកជុំវិញយើងដោយឆ្លាតវៃ ដូចជាការឆ្លើយទូរស័ព្ទ ដុតនំខូឃីសូកូឡា ឬការគោរពភ្លើងសញ្ញាចរាចរណ៍ យើងត្រូវដំណើរការធាតុបញ្ចូលដែលយើងទទួលបាននេះគឺជាស្នូលនៃដំណើរការបញ្ញារបស់មនុស្ស ហើយទីបំផុតវាត្រូវបានបែងចែកទៅជាទិដ្ឋភាពបីផ្សេងគ្នា។ :
- ចំណេះដឹង និងការចងចាំ។ យើងបង្កើតចំណេះដឹងនៅពេលដែលយើងទទួលយកការពិត (ឧទាហរណ៍ សមរភូមិនៃ Hastings បានកើតឡើងក្នុងឆ្នាំ 1066) និងបទដ្ឋានសង្គម (មានន័យថា "សូម" និង "សូមអរគុណ" ត្រូវបានចាត់ទុកថាគួរសម) លើសពីនេះទៀត ការចងចាំអាចឱ្យយើងរំលឹកឡើងវិញ និងអនុវត្តព័ត៌មានពី ស្ថានភាពអតីតកាលដល់បច្ចុប្បន្ន សម្រាប់អតីតample, Edward ចងចាំថា Jane មិនបានអរគុណគាត់សម្រាប់កាដូថ្ងៃកំណើតរបស់គាត់ ដូច្នេះគាត់មិនរំពឹងថានាងនឹងអរគុណគាត់នៅពេលគាត់ផ្តល់ឱ្យនាងនូវអំណោយបុណ្យណូអែល
- ការសម្រេចចិត្តនិងការសន្និដ្ឋាន។ ការសម្រេចចិត្តនិងការសន្និដ្ឋានត្រូវបានធ្វើឡើងដោយផ្អែកលើការបញ្ចូលឆៅរួមបញ្ចូលជាមួយនឹងចំណេះដឹងនិង / ឬការចងចាំសម្រាប់ example, Edward បានញ៉ាំម្រេច jalapeno មួយឆ្នាំមុន ហើយមិនចូលចិត្តវា នៅពេលដែល Johnny ផ្តល់ម្រេចទៅ Edward គាត់សម្រេចចិត្តមិនញ៉ាំវាទេ។
- ការរៀន។ មនុស្សអាចរៀនដោយ ឧample, observation, or algorithm in learning by exampឡេ យើងត្រូវបានគេប្រាប់ថាសត្វមួយជាឆ្កែ មួយទៀតជាឆ្មា ក្នុងការរៀនដោយការសង្កេត យើងរកឃើញដោយខ្លួនឯងថាឆ្កែព្រុស និងថាឆ្មា meow វិធីសាស្ត្ររៀនទីបី—ក្បួនដោះស្រាយ—អាចឱ្យយើងបំពេញកិច្ចការដោយធ្វើតាម ស៊េរីនៃជំហាន ឬក្បួនដោះស្រាយជាក់លាក់មួយ (ឧ. អនុវត្តការបែងចែកវែង)
ទិដ្ឋភាពទាំងនេះនៃភាពវៃឆ្លាតរបស់មនុស្សស្របគ្នានឹងបញ្ញាសិប្បនិមិត្ត ដូចដែលយើងយកព័ត៌មាន ដំណើរការវា និងចែករំលែកលទ្ធផល ដូច្នេះម៉ាស៊ីនអាចមើលរូបភាពខាងក្រោមដើម្បីមើលពីរបៀបដែលផែនទីនេះចេញ។
រូបភាពទី 2. បញ្ញាសិប្បនិម្មិត
ដើម្បីរុករកពិភពលោកជុំវិញយើងដោយឆ្លាតវៃ - ឆ្លើយទូរស័ព្ទ ដុតនំខូឃីសូកូឡា ឬគោរពភ្លើងសញ្ញាចរាចរណ៍ - យើងត្រូវដំណើរការការបញ្ចូលដែលយើងទទួលបាន។
នៅក្នុងម៉ាស៊ីន ផ្នែកបញ្ចូលនៃបញ្ញាសិប្បនិមិត្តត្រូវបានឧទាហរណ៍ដោយដំណើរការភាសាធម្មជាតិ ការទទួលស្គាល់ការនិយាយ ការទទួលស្គាល់ដោយមើលឃើញ និងច្រើនទៀត។ អ្នកឃើញបច្ចេកវិទ្យា និងក្បួនដោះស្រាយបែបនេះនៅគ្រប់ទីកន្លែង ចាប់ពីរថយន្តដែលបើកបរដោយខ្លួនឯងដែលត្រូវការដឹងពីផ្លូវ និងឧបសគ្គ ទៅកាន់ Alexa ឬ Siri នៅពេលដែលវាទទួលស្គាល់ការនិយាយរបស់អ្នក លទ្ធផលខាងក្រោមគឺជាវិធីដែលម៉ាស៊ីនធ្វើអន្តរកម្មជាមួយពិភពលោកជុំវិញយើង វាប្រហែលជាមានទម្រង់មនុស្សយន្ត ប្រព័ន្ធរុករក (ដើម្បីណែនាំរថយន្តដែលបើកបរដោយខ្លួនឯង) ការបង្កើតការនិយាយ (ឧទាហរណ៍ Siri) ។ល។ រវាង យើងមានទម្រង់ផ្សេងៗនៃដំណើរការដែលកើតឡើង
ស្រដៀងគ្នាទៅនឹងការបង្កើនចំណេះដឹង និងការចងចាំរបស់យើង ម៉ាស៊ីនអាចបង្កើតតំណាងចំណេះដឹង (ឧ. មូលដ្ឋានទិន្នន័យក្រាហ្វ បរិញ្ញាបត្ររង) ដែលជួយពួកគេរក្សាទុកព័ត៌មានអំពីពិភពលោក ដូចដែលមនុស្សធ្វើការសម្រេចចិត្ត ឬទាញការសន្និដ្ឋាន ម៉ាស៊ីនអាចធ្វើការទស្សន៍ទាយ បង្កើនប្រសិទ្ធភាពសម្រាប់គោលដៅ ឬ លទ្ធផល និងកំណត់ជំហានបន្ទាប់ ឬការសម្រេចចិត្តដ៏ល្អបំផុត ដើម្បីសម្រេចបាននូវគោលដៅជាក់លាក់មួយ។
ទីបំផុតដូចដែលយើងរៀនដោយអតីតample, observation, or algorithm, machines can be teach using analogous method.ample៖ កុំព្យូទ័រត្រូវបានផ្តល់សំណុំទិន្នន័យដែលមាន “ស្លាក” នៅក្នុងសំណុំទិន្នន័យដែលដើរតួជាចម្លើយ ហើយនៅទីបំផុតរៀនប្រាប់ពីភាពខុសគ្នារវាងស្លាកផ្សេងៗគ្នា (ឧទាហរណ៍ សំណុំទិន្នន័យនេះមានរូបថតដែលមានស្លាកថាជា “ឆ្កែ” ឬ “ឆ្មា” និង ជាមួយ ex គ្រប់គ្រាន់amples, កុំព្យូទ័រនឹងសម្គាល់ឃើញថា ជាទូទៅសត្វឆ្កែមានកន្ទុយវែង និងត្រចៀកចង្អុលតិចជាងឆ្មា)
ម៉្យាងវិញទៀត ការរៀនម៉ាស៊ីនដែលមិនមានការត្រួតពិនិត្យ គឺដូចជាការរៀនដោយការសង្កេត កុំព្យូទ័រសង្កេតមើលលំនាំ (ឆ្កែព្រុស និងឆ្មារ) ហើយតាមរយៈនេះ រៀនបែងចែកក្រុម និងគំរូដោយខ្លួនឯង (ឧទាហរណ៍ មានសត្វពីរក្រុមដែលអាច ត្រូវបានបំបែកដោយសំឡេងដែលពួកគេបង្កើត; ក្រុមមួយព្រឺក្បាល—ឆ្កែ—និងក្រុមផ្សេងទៀត—ឆ្មា—ឆ្មា) ការរៀនដែលគ្មានការត្រួតពិនិត្យមិនតម្រូវឱ្យមានស្លាកសញ្ញាទេ ដូច្នេះហើយអាចជាជម្រើសល្អនៅពេលដែលសំណុំទិន្នន័យមានកម្រិត និងមិនមានស្លាកជាចុងក្រោយ ការរៀនតាមក្បួនដោះស្រាយគឺ តើមានអ្វីកើតឡើងនៅពេលដែលអ្នកសរសេរកម្មវិធីណែនាំកុំព្យូទ័រនូវអ្វីដែលត្រូវធ្វើ មួយជំហានម្តងៗ នៅក្នុងកម្មវិធីកម្មវិធី។
ជាក់ស្តែង លទ្ធផលបញ្ញាសិប្បនិមិត្តដែលត្រឹមត្រូវ និងខ្វះខាតបំផុត ទាមទារឱ្យមានការរួមបញ្ចូលគ្នានៃវិធីសាស្ត្រសិក្សា ទាំងការរៀនម៉ាស៊ីនដែលមានការត្រួតពិនិត្យ និងគ្មានការត្រួតពិនិត្យ គឺជាវិធីសាស្ត្រមានប្រយោជន៍ — វាទាំងអស់អំពីការអនុវត្តវិធីសាស្រ្ត ឬវិធីសាស្រ្តត្រឹមត្រូវចំពោះករណីប្រើប្រាស់ត្រឹមត្រូវ។
បន្ទាប់មកទៀត យើងនឹងដាក់ machine learning នៅក្រោមមីក្រូទស្សន៍ ដើម្បីយល់ពីរបៀបដែលផ្នែកនៃ AI នេះឆ្លុះបញ្ចាំងពីណឺរ៉ូននៅក្នុងខួរក្បាលរបស់យើង ដើម្បីបង្វែរការបញ្ចូលទៅជាលទ្ធផលល្អបំផុត។
តាមឧត្ដមគតិ លទ្ធផលបញ្ញាសិប្បនិមិត្តដែលត្រឹមត្រូវ និងមានប្រសិទ្ធភាពបំផុត ត្រូវការការរួមបញ្ចូលគ្នានៃវិធីសាស្ត្រសិក្សា។ ទាំងការរៀនម៉ាស៊ីនដែលស្ថិតក្រោមការគ្រប់គ្រង និងគ្មានការត្រួតពិនិត្យ គឺជាវិធីសាស្រ្តដ៏មានប្រយោជន៍ — វាទាំងអស់អំពីការអនុវត្តវិធីសាស្រ្តត្រឹមត្រូវ ឬវិធីសាស្រ្តចំពោះករណីប្រើប្រាស់ត្រឹមត្រូវ។
បណ្តាញសរសៃប្រសាទ និងការរៀនសូត្រជ្រៅ
ការរៀនម៉ាស៊ីនគឺគ្រាន់តែជាផ្នែកមួយនៃ AI ប៉ុណ្ណោះ បើទោះបីជាវាមានសំណុំរងដ៏ធំនៃក្បួនដោះស្រាយនៅក្នុងវាក៏ដោយ វិធីសាស្ត្រមួយដែលអ្នកឮជាញឹកញាប់នាពេលបច្ចុប្បន្ននេះគឺ "ការរៀនជ្រៅជ្រះ" ដែលជាក្បួនដោះស្រាយដែលទទួលបានចំណែកនៃការចាប់អារម្មណ៍ដោយយុត្តិធម៌នៅក្នុងព័ត៌មានក្នុងប៉ុន្មានឆ្នាំចុងក្រោយនេះ ដើម្បីស្វែងយល់។ ភាពល្បីល្បាញ និងភាពជោគជ័យរបស់វា វាមានប្រយោជន៍ក្នុងការស្វែងយល់ពីរបៀបដែលវាដំណើរការ ការរៀនជ្រៅគឺជាការវិវត្តនៃក្បួនដោះស្រាយការរៀនម៉ាស៊ីនដែលពេញនិយមនៅក្នុងទសវត្សរ៍ឆ្នាំ 1980 ដែលអ្នកអាចទទួលស្គាល់៖ បណ្តាញសរសៃប្រសាទ។
បណ្តាញសរសៃប្រសាទ - គំរូនៃការសរសេរកម្មវិធីដែលយើងបង្ហាត់ម៉ាស៊ីនឱ្យ "រៀន" - ត្រូវបានបំផុសគំនិតដោយណឺរ៉ូនឬកោសិកាពិសេសនៅក្នុងខ្លួនមនុស្សដែលបង្កើតជាមូលដ្ឋានគ្រឹះនៃប្រព័ន្ធសរសៃប្រសាទរបស់យើងហើយខួរក្បាលជាពិសេសកោសិកាទាំងនេះបញ្ជូនសញ្ញាពាសពេញរាងកាយរបស់យើងធ្វើឱ្យមានសរសៃប្រសាទ។ ការឆ្លើយតប និងដំណើរការរបស់ប្រព័ន្ធ ណឺរ៉ូនគឺជាអ្វីដែលអនុញ្ញាតឱ្យយើងមើលឃើញ ឮ ធុំក្លិន ។ល។
រូបភាពទី 3. របៀបដែលណឺរ៉ូនទទួល និងផ្ញើសារ
ភាគច្រើននៃអ្វីដែលយើងគិតថាជាការរៀនសូត្ររបស់មនុស្សអាចត្រូវបានពិពណ៌នាដោយថាតើទំនាក់ទំនងរវាងណឺរ៉ូនពីរនៅក្នុងខួរក្បាលរបស់យើងមានភាពរឹងមាំប៉ុណ្ណា រួមជាមួយនឹងកម្លាំងនៃគែមនៃ synapses របស់យើង។
នៅក្នុងផ្នែកមួយនៃការណែនាំនេះ យើងបានពិភាក្សាអំពីដំណើរការជាមូលដ្ឋាននៃភាពវៃឆ្លាតរបស់មនុស្ស៖ ការបញ្ចូលនៅខាងឆ្វេង និងទិន្នផលនៅខាងស្តាំ ណឺរ៉ូន (រូបភាពខាងលើ) ដើរតួនាទីយ៉ាងសំខាន់នៅក្នុងផ្នែកខាងឆ្វេងនៃណឺរ៉ូន ដែលរាងកាយកោសិកាប្រមូលផ្តុំ។ "ការបញ្ចូល" នៅពេលដែលវាទទួលបានការបញ្ចូលឬការរំញោចគ្រប់គ្រាន់ axon fres បញ្ជូនព័ត៌មានទៅផ្នែកខាងស្តាំ - synapse "លទ្ធផល" ត្រូវបានបញ្ជូនទៅសរសៃប្រសាទផ្សេងទៀត
នៅពេលណាមួយ ណឺរ៉ូនរបស់យើងកំពុងបញ្ជូនសាររវាងគ្នាទៅវិញទៅមក កោសិកាទាំងនេះទទួលខុសត្រូវចំពោះសមត្ថភាពរបស់យើងក្នុងការយល់ឃើញជុំវិញខ្លួនរបស់យើង ហើយនៅពេលដែលយើងរៀន ណឺរ៉ូនរបស់យើងក្លាយជាសកម្មខ្លាំងណាស់ ជាការពិត ភាគច្រើននៃអ្វីដែលយើងគិតពីការរៀនសូត្ររបស់មនុស្សអាចត្រូវបានពិពណ៌នាដោយ តើទំនាក់ទំនងរវាងណឺរ៉ូនពីរនៅក្នុងខួរក្បាលរបស់យើងមានភាពរឹងមាំប៉ុណ្ណា រួមជាមួយនឹងភាពរឹងមាំនៃគែមនៃ synapses របស់យើង។
បណ្តាញសរសៃប្រសាទគឺជាការក្លែងធ្វើគណិតវិទ្យានៃបណ្តុំនៃកោសិកាណឺរ៉ូន រូបភាពខាងក្រោមតំណាងឱ្យបណ្តាញសរសៃប្រសាទមូលដ្ឋានដែលមាន 3 ស្រទាប់ និង 12 ថ្នាំង
ថ្នាំងរាងជារង្វង់នីមួយៗតំណាងឱ្យ "ណឺរ៉ូន" ដែលត្រូវបានបំផុសគំនិតដោយជីវសាស្រ្តសិប្បនិម្មិត បន្ទាត់តំណាងឱ្យការតភ្ជាប់ពីលទ្ធផលនៃណឺរ៉ូនសិប្បនិម្មិតមួយនៅខាងឆ្វេងទៅធាតុបញ្ចូលមួយទៀតនៅខាងស្តាំ សញ្ញារវាងណឺរ៉ូនទាំងនេះហូរតាមបន្ទាត់ពីឆ្វេងទៅស្តាំនៅក្នុងបណ្តាញទាំងនេះ បញ្ចូល — ដូចជា ទិន្នន័យភីកសែល — ហូរចេញពីស្រទាប់បញ្ចូល តាមរយៈស្រទាប់ "លាក់" កណ្តាល ហើយទីបំផុតទៅស្រទាប់លទ្ធផលក្នុងលក្ខណៈដែលបានពិពណ៌នាដោយសមីការគណិតវិទ្យាដែលត្រូវបានបំផុសគំនិតដោយសកម្មភាពអគ្គិសនីនៅក្នុងណឺរ៉ូនជីវសាស្រ្តជាក់ស្តែង។
រូបភាពទី 4. បណ្តាញសរសៃប្រសាទសាមញ្ញ
បណ្តាញសរសៃប្រសាទរៀនដោយព្យាយាមផ្គូផ្គងសំណុំទិន្នន័យដែលបង្ហាញទៅស្រទាប់បញ្ចូលទៅនឹងលទ្ធផលដែលចង់បាននៅក្នុងស្រទាប់លទ្ធផល។ សមីការគណិតវិទ្យាគណនាលទ្ធផល ប្រៀបធៀបលទ្ធផលដែលបានក្លែងបន្លំទៅនឹងលទ្ធផលដែលចង់បាន ហើយភាពខុសគ្នាលទ្ធផលបន្ទាប់មកបង្កើតការកែប្រែទៅភាពខ្លាំងនៃការតភ្ជាប់។
បណ្តាញសរសៃប្រសាទរៀនដោយព្យាយាមផ្គូផ្គងសំណុំទិន្នន័យដែលបង្ហាញទៅស្រទាប់បញ្ចូលទៅនឹងលទ្ធផលដែលចង់បាននៅក្នុងស្រទាប់លទ្ធផល សមីការគណិតវិទ្យាគណនាលទ្ធផល ប្រៀបធៀបលទ្ធផលដែលបានក្លែងធ្វើទៅនឹងលទ្ធផលដែលចង់បាន ហើយភាពខុសគ្នាជាលទ្ធផលបន្ទាប់មកបង្កើតការកែប្រែទៅភាពខ្លាំងនៃការតភ្ជាប់។ ការកែប្រែទាំងនេះត្រូវបានកែប្រែម្តងហើយម្តងទៀតរហូតដល់លទ្ធផលដែលបានគណនាគឺជិតគ្រប់គ្រាន់ទៅនឹងលទ្ធផលដែលចង់បាន នៅចំណុចនោះយើងនិយាយថាបណ្តាញសរសៃប្រសាទបាន "រៀន"
រូបភាពទី 5 ។ បណ្តាញសរសៃប្រសាទស្មុគស្មាញ
បណ្តាញសរសៃប្រសាទ "កាន់តែជ្រៅ" ទាំងនេះអាចធ្វើការទស្សន៍ទាយស្មុគ្រស្មាញបានច្រើន វាអាចមានរាប់ពាន់ថ្នាំង និងរាប់រយស្រទាប់ ដែលមានន័យថា ការគណនាខុសៗគ្នារាប់ពាន់ គំរូសិក្សាជ្រៅបានក្លាយទៅជាបញ្ហាជាក់លាក់មួយចំនួន ដូចជាការនិយាយ ឬការទទួលស្គាល់រូបភាព។
ទោះជាយ៉ាងណាក៏ដោយ គួរកត់សំគាល់ថា ការរៀនស៊ីជម្រៅមិនមែនជាគ្រាប់កាំភ្លើងសម្រាប់ការរៀនម៉ាស៊ីនទេ ជាពិសេសមិនមែននៅក្នុងសុវត្ថិភាពតាមអ៊ីនធឺណិត ដែលជួនកាលមិនមានបរិមាណធំនៃទិន្នន័យស្អាត ដែលល្អសម្រាប់វិធីសាស្ត្រសិក្សាស៊ីជម្រៅ វាជារឿងសំខាន់ក្នុងការជ្រើសរើសក្បួនដោះស្រាយត្រឹមត្រូវ ទិន្នន័យ និងគោលការណ៍សម្រាប់ការងារ នេះជាវិធីល្អបំផុតសម្រាប់ម៉ាស៊ីនដើម្បីប្រមូលភស្តុតាង ភ្ជាប់ចំណុច និងទាញសេចក្តីសន្និដ្ឋាន
បណ្តាញសរសៃប្រសាទអាចហាក់ដូចជាវត្ថុនៃអនាគត ប៉ុន្តែវាបានកើតមានឡើងមួយរយៈ ការពិត បណ្តាញសរសៃប្រសាទគឺផ្អែកលើគំនិតដែលបានចាប់ផ្តើមចរាចរត្រឡប់មកវិញនៅក្នុងទសវត្សរ៍ឆ្នាំ 1940 នៅក្នុងផ្នែកបន្ទាប់ យើងនឹងចំណាយពេលខ្លីមួយដើម្បីស្វែងយល់ របៀបដែលបណ្តាញសរសៃប្រសាទ និងការរៀនម៉ាស៊ីនបានចូលមកក្នុងផ្នែកជាច្រើននៃជីវិតសម័យទំនើប។
បណ្តាញសរសៃប្រសាទអាចហាក់ដូចជាវត្ថុនៃអនាគត ប៉ុន្តែវាបានកើតមានឡើងមួយរយៈ។ ជាការពិត បណ្តាញសរសៃប្រសាទគឺផ្អែកលើគំនិតដែលបានចាប់ផ្តើមចរាចរឡើងវិញនៅក្នុងទសវត្សរ៍ឆ្នាំ 1940 ។
ប្រវត្តិសង្ខេបនៃបញ្ញាសិប្បនិម្មិត
សម្រាប់មនុស្សមួយចំនួន ពាក្យថា Artificial Intelligence (AI) អាចនឹងបង្កើតរូបភាពនៃទីក្រុងនាពេលអនាគត ជាមួយនឹងរថយន្តហោះ និងមនុស្សយន្តក្នុងគ្រួសារ ប៉ុន្តែ AI មិនមែនជាគំនិតអនាគតទេ យ៉ាងហោចណាស់ក៏មិនមានទៀតទេ បើទោះបីជាមិនសំដៅទៅលើបែបនេះក៏ដោយ ក៏គំនិតនៃបញ្ញាសិប្បនិម្មិតអាចជា តាមដានទៅកាន់សម័យបុរាណ (ពោលគឺ Hephaestus's Mechanical និយាយរបស់ព្រះក្រិក Hephaestus) ¹ ចាប់តាំងពីទសវត្សរ៍ឆ្នាំ 1930 អ្នកវិទ្យាសាស្ត្រ និងគណិតវិទូដូចគ្នាបានខ្នះខ្នែងស្វែងរកការបង្កើតបញ្ញាពិតដោយឡែកពីមនុស្ស។
ពេលវេលាកំណត់របស់ AI នៅពាក់កណ្តាលសតវត្សទី 20 គឺជាចំណុចប្រសព្វដ៏រីករាយនៃគណិតវិទ្យា និងជីវវិទ្យា ដោយមានអ្នកស្រាវជ្រាវដូចជា Norbert Wiener, Claude Shannon និង Alan Turing បានបំបែកចេញនៅចំនុចប្រសព្វនៃសញ្ញាអគ្គិសនី និងការគណនានៅឆ្នាំ 1943 Warren McCulloch និង Walter Pitts បានបង្កើតគំរូសម្រាប់បណ្តាញសរសៃប្រសាទ បណ្តាញសរសៃប្រសាទបានត្រួសត្រាយផ្លូវសម្រាប់ពិភពកុំព្យូទ័រថ្មីដ៏ក្លាហានជាមួយនឹងកម្លាំងសេះកាន់តែច្រើន ហើយនៅឆ្នាំ 1956 វិស័យស្រាវជ្រាវ AI ត្រូវបានបង្កើតឡើងជាផ្លូវការជាវិន័យសិក្សា។
ពាក់កណ្តាលសតវត្សចុងក្រោយគឺជាយុគសម័យដ៏គួរឱ្យរំភើបសម្រាប់ការស្រាវជ្រាវ និងវឌ្ឍនភាពរបស់ AI ដែលត្រូវបានរំខានម្តងម្កាលដោយ "AI winters" នៅពាក់កណ្តាលទសវត្សរ៍ទី 70 និងចុងទសវត្សរ៍ទី 80 ដែល AI មិនបានបំពេញតាមការរំពឹងទុករបស់សាធារណៈជន ហើយការវិនិយោគក្នុងវិស័យនេះត្រូវបានកាត់បន្ថយ ប៉ុន្តែទោះបីជាមានការថយក្រោយក៏ដោយ កម្មវិធីផ្សេងគ្នាសម្រាប់ AI និងការរៀនម៉ាស៊ីនកំពុងលេចឡើងខាងឆ្វេង និងខាងស្តាំ អត្ថបទពិសេសមួយនៃកម្មវិធីបែបនេះបានក្លាយជារឿងប្រៀបប្រដូចដ៏ពេញនិយមនៅក្នុងសហគមន៍វិទ្យាសាស្ត្រ ដោយនិយាយយ៉ាងមានប្រសិទ្ធភាពចំពោះការសាកល្បង និងទុក្ខលំបាកនៃការស្រាវជ្រាវ និងការអនុវត្ត AI ។
សាច់រឿងមានលក្ខណៈដូចនេះ៖
នៅទសវត្សរ៍ឆ្នាំ 1980 ប៊ិចtagon បានសម្រេចចិត្តប្រើបណ្តាញសរសៃប្រសាទដើម្បីកំណត់អត្តសញ្ញាណរថក្រោះដែលលាក់បាំង ដោយធ្វើការជាមួយនឹង mainframe តែមួយ (ពីទសវត្សរ៍ឆ្នាំ 1980 សូមចាំ) សំណាញ់សរសៃប្រសាទត្រូវបានបណ្តុះបណ្តាលជាមួយនឹងរូបភាពចំនួន 200 — រថក្រោះ 100 និងដើមឈើ 100 ទោះបីជាបណ្តាញសរសៃប្រសាទមានទំហំតូចក៏ដោយ (ដោយសារឆ្នាំ 1980 limitations on computation and memory), ការបណ្តុះបណ្តាមន្ទីរពិសោធន៍បានលទ្ធផលនៅក្នុង 100% ភាពត្រឹមត្រូវជាមួយនឹងភាពជោគជ័យនេះ, ក្រុមសម្រេចចិត្តផ្តល់ឱ្យវាចេញទៅក្រៅនៅក្នុង feld លទ្ធផលគឺមិនអស្ចារ្យ។
រូបភាពទី 6. មន្ទីរពិសោធន៍ទល់នឹងរូបភាពវាល (ប្រភព៖ Neural Network Follies, Neil Fraser, កញ្ញា 1998)
ជាមួយនឹងភាពអាចរកបាននៃធនធានកុំព្យូទ័រដ៏ធំដែលមិននឹកស្មានដល់ក្នុងទសវត្សរ៍ឆ្នាំ 1980 បណ្តាញសរសៃប្រសាទជ្រៅបានក្លាយជាតំបន់ពេញនិយមសម្រាប់ការស្រាវជ្រាវយ៉ាងឆាប់រហ័ស។ ការរៀនជ្រៅជ្រះផ្តល់ឱ្យប្រព័ន្ធនូវសមត្ថភាពក្នុងការ "រៀន" ដោយស្វ័យប្រវត្តិតាមរយៈការរួមបញ្ចូលគ្នា និងការសង្កេតរាប់ពាន់លាន ដែលកាត់បន្ថយការពឹងផ្អែកលើធនធានមនុស្ស។
ហេតុអ្វីបានជាបណ្តាញសរសៃប្រសាទធ្វើយ៉ាងអស្ចារ្យលើរូបថតនៅក្នុងមន្ទីរពិសោធន៍ ប៉ុន្តែបរាជ័យទាំងស្រុងនៅក្នុងផ្នែកនេះ? វាបានប្រែក្លាយថារូបថតដែលមិនមែនជាធុងត្រូវបានថតនៅថ្ងៃដែលមេឃមានពពក។ រូបភាពដើមឈើទាំងអស់ត្រូវបានថតនៅថ្ងៃដែលព្រះអាទិត្យកំពុងរះ សំណាញ់សរសៃប្រសាទត្រូវបានបណ្តុះបណ្តាលឱ្យស្គាល់ពន្លឺថ្ងៃ មិនមែនធុងទឹកទេ។
ទោះបីជាយ៉ាងណាក៏ដោយ នៅទីបំផុត ការទទួលស្គាល់ដោយមើលឃើញតាមរយៈការរៀនស៊ីជម្រៅ-សម្របសម្រួលដោយបណ្តាញសរសៃប្រសាទដែលស្មុគស្មាញជាង Pentagនៅទសវត្សរ៍ឆ្នាំ 1980 មេហ្វ្រេមអាចគ្រប់គ្រងបាន បានក្លាយជាការពិត នៅឆ្នាំ 2012 សាស្រ្តាចារ្យនៅ Stanford លោក Andrew Ng និងមិត្តរួមការងាររបស់ Google លោក Jef Dean បានបង្កើតបណ្តាញសរសៃប្រសាទជ្រៅដំបូងគេមួយដោយប្រើកុំព្យូទ័រចំនួន 1000 ដែលមានស្នូល 16 នីមួយៗ កិច្ចការ៖ វិភាគវីដេអូ YouTube 10 លាន លទ្ធផល ៖ វាបានរកឃើញសត្វឆ្មា ² អរគុណចំពោះក្បួនដោះស្រាយ "ការរៀនស៊ីជម្រៅ" របស់វា បណ្តាញនេះអាចសម្គាល់សត្វឆ្មាតាមពេលវេលា ហើយជាមួយនឹងភាពត្រឹមត្រូវល្អណាស់
ជាមួយនឹងភាពអាចរកបាននៃធនធានកុំព្យូទ័រដ៏ធំដែលមិននឹកស្មានដល់ក្នុងទសវត្សរ៍ឆ្នាំ 1980 បណ្តាញសរសៃប្រសាទជ្រៅបានក្លាយជាតំបន់ពេញនិយមយ៉ាងឆាប់រហ័សសម្រាប់ការស្រាវជ្រាវ ការរៀនសូត្រជ្រៅផ្តល់ឱ្យប្រព័ន្ធនូវសមត្ថភាពក្នុងការ "រៀន" ដោយស្វ័យប្រវត្តិតាមរយៈបន្សំ និងការសង្កេតរាប់ពាន់លាន ដោយកាត់បន្ថយការពឹងផ្អែកទៅលើ ធនធានមនុស្សនៅក្នុងដែនសន្តិសុខតាមអ៊ីនធឺណិត វិធីសាស្ត្រនេះបានក្លាយទៅជាការសន្យាជាពិសេសសម្រាប់ការរកឃើញមេរោគ — សេណារីយ៉ូដែលយើងមានសំណុំទិន្នន័យធំជាមួយអតីតamples នៃ malware ដែលបណ្តាញអាចរៀនបាន។
ជាអកុសល វិធីសាស្រ្តសិក្សាស៊ីជម្រៅបច្ចុប្បន្នមិនសូវមានប្រសិទ្ធភាពទេ នៅពេលនិយាយអំពីករណីប្រើប្រាស់មួយចំនួន ដូចជាការគំរាមកំហែងខាងក្នុង ពីព្រោះយើងមិនមានទិន្នន័យត្រឹមត្រូវលើប្រភេទនៃការវាយប្រហារទាំងនេះទេ នៅក្នុងបរិមាណដែលត្រូវការជាញឹកញាប់បំផុត ព័ត៌មានដែលយើងមាន លើការគំរាមកំហែងខាងក្នុងគឺជារឿងអនាធិបតេយ្យ ដែលមិនអាចប្រើប្រាស់ប្រកបដោយប្រសិទ្ធភាពដោយប្រភេទនៃបណ្តាញសរសៃប្រសាទទាំងនេះ។
រហូតទាល់តែយើងអាចប្រមូលសំណុំទិន្នន័យដែលមានប្រសិទ្ធភាពជាងមុន (និងកាត់បន្ថយការចំណាយ និងភាពស្មុគស្មាញនៃប្រព័ន្ធសិក្សាជ្រៅ) ការរៀនស៊ីជម្រៅមិនមែនជាជម្រើសត្រឹមត្រូវសម្រាប់ករណីប្រើប្រាស់ទាំងអស់នោះទេ ហើយវាមិនអីទេ ការរៀនជ្រៅគឺគ្រាន់តែជាក្បួនដោះស្រាយការរៀនម៉ាស៊ីនមួយក្នុងចំនោមវិធីជាច្រើនប៉ុណ្ណោះ ហើយវិធីសាស្រ្តទាំងនេះអាចជា ដូចជាមិនមានតម្លៃជាង — វាអាស្រ័យលើការងារនៅនឹងដៃ
យើងបានឃើញសក្តានុពលដ៏ធំសម្បើមនៃបច្ចេកវិទ្យា AI ក្នុងរយៈពេលប្រាំមួយទសវត្សរ៍ចាប់តាំងពី "កំណើត" ជាផ្លូវការរបស់វា ហើយយើងទើបតែបានគូសលើផ្ទៃខាងលើប៉ុណ្ណោះ ជាពិសេសនៅក្នុងផ្នែកសុវត្ថិភាព បន្ទាប់មកយើងនឹងធ្វើការជ្រមុជទឹកឱ្យកាន់តែស៊ីជម្រៅទៅក្នុងកម្មវិធីសក្តានុពលសម្រាប់ AI និងការវិភាគដើម្បីផ្លាស់ប្តូរ វិធីដែលយើងកំណត់អត្តសញ្ញាណ និងឆ្លើយតបទៅនឹងការគំរាមកំហែងផ្នែកសន្តិសុខ។
ការវិភាគទស្សន៍ទាយគឺគ្រាន់តែជាផ្នែកមួយនៃល្បែងផ្គុំរូបធំជាងនេះ ដែលអាចផ្តល់ឱ្យយើងនូវការយល់ដឹងកាន់តែមានប្រយោជន៍សម្រាប់ក្រុមសន្តិសុខ។
យើងបានឃើញសក្តានុពលដ៏ធំសម្បើមនៃបច្ចេកវិទ្យា AI ក្នុងរយៈពេលប្រាំមួយទស្សវត្ស ចាប់តាំងពី "កំណើត" ផ្លូវការរបស់វា ហើយយើងទើបតែបានគូសលើផ្ទៃ ជាពិសេសផ្នែកសុវត្ថិភាព។
ចក្ខុវិស័យថ្មីសម្រាប់ការវិភាគសុវត្ថិភាព
រហូតមកដល់ពេលនេះ មគ្គុទ្ទេសក៍នេះបានពិនិត្យយ៉ាងយកចិត្តទុកដាក់លើ machine learning ដោយយល់ពីដែនកំណត់និងភាពខ្លាំងរបស់វា វាមានសក្តានុពលដ៏ធំសម្បើមសម្រាប់ machine learning ដើម្បីជួយសម្រួលដល់ AI ប៉ុន្តែវាគួរអោយកត់សំគាល់ថាហ្គេមដ៏ទូលំទូលាយនៃការរកឃើញការគំរាមកំហែងមិនមែនគ្រាន់តែជាការរៀនស៊ីជម្រៅ ឬ machine learning ប៉ុណ្ណោះទេ។ ដូចដែលយើងដឹងសព្វថ្ងៃនេះ វិធីសាស្ត្រវិភាគថ្មី រួមផ្សំជាមួយប្រភេទទិន្នន័យថ្មី អាចផ្តល់ឱ្យយើងនូវក្របខ័ណ្ឌថ្មីទាំងស្រុង ដែលក្នុងការវិភាគ និងធ្វើសកម្មភាពលើការគំរាមកំហែងផ្នែកសុវត្ថិភាព។
| វិធីសាស្រ្តថ្មី។ | អាដាប់ធ័រ ការវិភាគបន្ត ការបង្កើនប្រសិទ្ធភាព ក្រោមភាពមិនប្រាកដប្រជា | ការឆ្លើយតបទៅនឹងបរិបទ ការឆ្លើយតបទៅនឹងការផ្លាស់ប្តូរ/មតិកែលម្អក្នុងតំបន់ ការកំណត់បរិមាណ ឬកាត់បន្ថយហានិភ័យ |
| ប្រពៃណី | ការបង្កើនប្រសិទ្ធភាពការទស្សន៍ទាយគំរូគំរូ ការព្យាករណ៍ការដាស់តឿន សំណួរ/ខួងចុះក្រោម ការរាយការណ៍ការរាយការណ៍ស្តង់ដារ | ភាពស្មុគស្មាញនៃការសម្រេចចិត្ត ល្បឿននៃដំណោះស្រាយ ធម្មតា ប្រូបាប៊ីលីតេ កម្រិតនៃទំនុកចិត្ត ភាពស្មោះត្រង់ខ្ពស់ ហ្គេម ការរក្សាទុកទិន្នន័យ សំណុំទិន្នន័យធំជាង ច្បាប់/កត្តាតំរែតំរង់ដែលមិនមែនជាលីនេអ៊ែរ បរិបទរសើប ព្រឹត្តិការណ៍ស្មុគ្រស្មាញនៅក្នុងទិន្នន័យអង្គចងចាំ ការស្វែងរកមិនច្បាស់ សំណួរភូមិសាស្ត្រដោយអតីតample, របាយការណ៍ការពារអ្នកប្រើប្រាស់ ពេលវេលាពិត ការមើលឃើញ អន្តរកម្មអ្នកប្រើប្រាស់ |
| ទិន្នន័យថ្មី។ | ទំនាក់ទំនងដំណោះស្រាយអង្គភាព ការស្រង់ចេញលក្ខណៈពិសេសការពន្យល់និងសញ្ញាសម្ងាត់ | មនុស្ស តួនាទី ទីតាំង វត្ថុ ច្បាប់ ការសន្និដ្ឋានតាមន័យធៀប ការផ្គូផ្គងដោយស្វ័យប្រវត្តិ ហ្វូងមនុស្សមានប្រភព |
យើងបានឃើញនូវអ្វីដែលអ្នកវិភាគអាចធ្វើបានសម្រាប់ឧស្សាហកម្មផ្សេងទៀត ហើយវាមានសក្តានុពលសម្រាប់ការវិភាគដែលមានឥទ្ធិពលយ៉ាងខ្លាំងទៅលើសុវត្ថិភាពតាមអ៊ីនធឺណិតផងដែរ យើងឃើញថាវាកើតឡើងនៅក្នុងវិស័យថ្មីមួយដែលយើងហៅថាការវិភាគសុវត្ថិភាព ដែលចាំបាច់ត្រូវតែធ្វើតេស្តសាកល្បង។ ក្បួនដោះស្រាយ និងវិធីសាស្រ្តដែលយើងបានពិភាក្សា (និងច្រើនទៀត) ហើយអនុវត្តពួកវាជួយដោះស្រាយបញ្ហាលំបាកក្នុងសុវត្ថិភាព
ការវិភាគទូទៅបំផុតដែលយើងឃើញនៅក្នុងសុវត្ថិភាពនាពេលបច្ចុប្បន្ននេះពាក់ព័ន្ធនឹងគំរូទស្សន៍ទាយ ដែលអនុញ្ញាតឱ្យយើងកំណត់អត្តសញ្ញាណកន្លែងដែលហានិភ័យអាចស្ថិតនៅក្នុងបរិមាណដ៏ធំនៃទិន្នន័យ (នេះគឺជាកន្លែងដែលការរកឃើញភាពមិនធម្មតា) សរុបមក គំរូទស្សន៍ទាយរួមបញ្ចូលគ្នានូវទិន្នន័យប្រវត្តិសាស្រ្តជាមួយនឹងឥរិយាបថពេលវេលាជាក់ស្តែង។ ដើម្បីយល់ ឬទស្សន៍ទាយអាកប្បកិរិយានាពេលអនាគតជាមួយនេះ យើងអាចឆ្លើយសំណួរ "តើមានអ្វីកើតឡើងបន្ទាប់ទៀត?"
ប៉ុន្តែចក្ខុវិស័យរបស់យើងសម្រាប់ការវិភាគសុវត្ថិភាពមិនឈប់នៅទីនេះទេ ការវិភាគទស្សន៍ទាយគឺគ្រាន់តែជាផ្នែកមួយនៃល្បែងផ្គុំរូបធំជាងនេះ ដែលអាចផ្តល់ឱ្យយើងនូវការយល់ដឹងកាន់តែមានប្រយោជន៍សម្រាប់ក្រុមសុវត្ថិភាព គំរូនៃការវិភាគដ៏ល្អឥតខ្ចោះរួមបញ្ចូលគ្នានូវឧបករណ៍ចាប់សញ្ញាឆ្លាតវៃ និងប្រភពទិន្នន័យគ្រប់ទីកន្លែង - កុំព្យូទ័រ និងម៉ាស៊ីនមេ ទូរស័ព្ទ ពពក បណ្តាញសង្គម ទិន្នន័យបើកចំហ។ល។ —ជាមួយនឹងវិធីសាស្រ្តវិភាគកម្រិតខ្ពស់ជាច្រើនចំពោះការវិភាគអាកប្បកិរិយា និងការគំរាមកំហែង រួមទាំងការវិភាគកោសល្យវិច្ច័យ គំរូហានិភ័យ ការរកឃើញភាពខុសប្រក្រតី អាកប្បកិរិយា និងការឆ្លើយតប បង្កើនប្រសិទ្ធភាព និងច្រើនទៀត។
នេះមានន័យថាយើងអាចធ្វើបានច្រើនជាងការព្យាករណ៍ ឬកំណត់អត្តសញ្ញាណការគំរាមកំហែង វាអនុញ្ញាតឱ្យយើងទៅបន្ថែមទៀតដើម្បីផ្តល់ជូនមិនត្រឹមតែការរកឃើញកម្រិតខ្ពស់ប៉ុណ្ណោះទេ ប៉ុន្តែការយល់ដឹងអំពីវិធីឆ្លើយតបយ៉ាងមានប្រសិទ្ធភាពបំផុត ការវិភាគសុវត្ថិភាពផ្តល់ឱ្យយើងនូវថាមពលដើម្បីឆ្លើយសំណួរសំខាន់ៗផ្សេងទៀតដូចជា "តើធ្វើដូចម្តេច តើមានការគំរាមកំហែងច្រើនទេ? និង "តើអ្វីជាប្រតិកម្មល្អបំផុត?"
យើងមិនទាន់ឃើញថ្នាក់វិភាគផ្សេងទៀតដូចជាវិធីសាស្ត្របង្កើនប្រសិទ្ធភាពដែលត្រូវបានអនុវត្តចំពោះសុវត្ថិភាពតាមអ៊ីនធឺណិតនៅឡើយទេ ប៉ុន្តែពួកគេមានសក្តានុពលយ៉ាងធំធេង បច្ចេកទេសទាំងនេះពិនិត្យមើលប្រតិកម្មដែលអាចកើតមានចំពោះហានិភ័យសុវត្ថិភាព និងកំណត់ការឆ្លើយតបដ៏ល្អបំផុត បាទ មានវិធីដើម្បីធ្វើវាជាមួយគណិតវិទ្យា
សម្រាប់អតីតample, វិធីសាស្ត្របង្កើនប្រសិទ្ធភាពត្រូវបានប្រើនៅពេលដែលអ្នកធ្វើការហៅទៅកាន់អ្នកផ្តល់សេវាទូរស័ព្ទរបស់អ្នកដែលមានបញ្ហា ពួកគេមិនបានធ្វើការណែនាំដោយចៃដន្យអំពីថាតើត្រូវដំឡើងគម្រោងសេវាកម្មរបស់អ្នកដោយការបញ្ចុះតម្លៃឬអត់។ ពួកគេពឹងផ្អែកលើសំណុំនៃគណិតវិទ្យានៅក្នុងផ្ទៃខាងក្រោយដែលមើលកំណត់ហេតុការហៅទូរសព្ទរបស់អ្នក ចំនួននៃការហៅចេញ របៀបដែលប្រវត្តិរបស់អ្នកប្រៀបធៀបជាមួយនឹងអ្នកប្រើប្រាស់ផ្សេងទៀត ។ គ្រប់ជំហានបន្ទាប់ដែលអាចធ្វើបាន វាគណនាជំហានបន្ទាប់ដ៏ល្អបំផុត ដើម្បីបង្កើនការរក្សាអតិថិជនជាអតិបរមា
គណិតវិទ្យាដូចគ្នាអាចត្រូវបានអនុវត្តចំពោះក្រុមសន្តិសុខដើម្បីកំណត់អត្តសញ្ញាណហានិភ័យ ផ្តល់មធ្យោបាយមួយចំនួនក្នុងប្រតិកម្ម និងកំណត់ការឆ្លើយតបដ៏ល្អបំផុតតាមគណិតវិទ្យា ដើម្បីបង្កើនការទប់ស្កាត់ហានិភ័យជាក់លាក់នេះ។
ការកើនឡើងយ៉ាងឆាប់រហ័ស និងការវិវត្តន៍នៃការគំរាមកំហែងផ្នែកសុវត្ថិភាពធ្វើឱ្យប្រសិទ្ធភាពនៃការឆ្លើយតបប្រភេទនេះមានសារៈសំខាន់ យើងមានទិន្នន័យច្រើនជាងពេលណាៗទាំងអស់ សូមអរគុណ យើងក៏មានថាមពលគណនាកាន់តែច្រើន ក្បួនដោះស្រាយកាន់តែប្រសើរ និងការវិនិយោគទូលំទូលាយក្នុងការស្រាវជ្រាវ និងបច្ចេកវិទ្យាដើម្បីជួយយើងឱ្យយល់អំពីទិន្នន័យនេះ តាមរយៈគណិតវិទ្យា តាមរយៈគណនីទាំងអស់ យើងជឿថាការវិភាគសុវត្ថិភាពគឺទើបតែចាប់ផ្តើម។
ថ្ងៃនេះយើងមានទិន្នន័យច្រើនជាងពេលណាៗទាំងអស់។ អរគុណណាស់ យើងក៏មានថាមពលគណនាកាន់តែច្រើន ក្បួនដោះស្រាយកាន់តែប្រសើរ និងការវិនិយោគកាន់តែទូលំទូលាយក្នុងការស្រាវជ្រាវ និងបច្ចេកវិទ្យា ដើម្បីជួយយើងឱ្យយល់អំពីទិន្នន័យនេះតាមរយៈគណិតវិទ្យា។ តាមរយៈគណនីទាំងអស់ យើងជឿថាការវិភាគសុវត្ថិភាពគឺទើបតែចាប់ផ្តើម។
ជំនួយអតិថិជន
ភ្ជាប់ជាមួយយើង
www.opentext.com
OpenText Cybersecurity ផ្តល់នូវដំណោះស្រាយសុវត្ថិភាពដ៏ទូលំទូលាយសម្រាប់ក្រុមហ៊ុន និងដៃគូគ្រប់ទំហំ ចាប់ពីការការពារ ការរកឃើញ និងការឆ្លើយតបទៅនឹងការស្ដារឡើងវិញ ការស៊ើបអង្កេត និងការអនុលោមភាព វេទិការពីចុងដល់ចប់ដែលបានបង្រួបបង្រួមរបស់យើងជួយឱ្យអតិថិជនបង្កើតភាពធន់នឹងអ៊ីនធឺណិតតាមរយៈផលប័ត្រសុវត្ថិភាពរួម ដែលដំណើរការដោយការយល់ដឹងដែលអាចធ្វើសកម្មភាពបានពីរបស់យើង ការស៊ើបការណ៍សម្ងាត់ការគំរាមកំហែងតាមបរិបទ អតិថិជន OpenText Cybersecurity ទទួលបានអត្ថប្រយោជន៍ពីផលិតផលដែលមានប្រសិទ្ធភាពខ្ពស់ បទពិសោធន៍អនុលោមភាព និងសុវត្ថិភាពសាមញ្ញ ដើម្បីជួយគ្រប់គ្រងហានិភ័យអាជីវកម្ម
762-000016-003 | ឱ | ០១/២៤ | © 01 បើកអត្ថបទ
ឯកសារ/ធនធាន
 |
opentext បញ្ញាសិប្បនិម្មិត និងការរៀនម៉ាស៊ីន [pdf] សេចក្តីណែនាំ បញ្ញាសិប្បនិមិត្ត និងការរៀនម៉ាស៊ីន ភាពវៃឆ្លាត និងការរៀនម៉ាស៊ីន ការរៀនម៉ាស៊ីន |
