ಓಪನ್ ಟೆಕ್ಸ್ಟ್ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಮತ್ತು ಯಂತ್ರ
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI) ನಾವು ಯಂತ್ರಗಳೊಂದಿಗೆ ಸಂವಹನ ನಡೆಸುವ ವಿಧಾನವನ್ನು ಮತ್ತು ಯಂತ್ರಗಳು ನಮ್ಮೊಂದಿಗೆ ಸಂವಹನ ನಡೆಸುವ ವಿಧಾನವನ್ನು ಪರಿವರ್ತಿಸುತ್ತಿದೆ. ಈ ಮಾರ್ಗದರ್ಶಿಯು AI ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, ವಿವಿಧ ರೀತಿಯ ಯಂತ್ರ ಕಲಿಕೆಯ ಸಾಮರ್ಥ್ಯಗಳು ಮತ್ತು ಮಿತಿಗಳು ಮತ್ತು ನಿರಂತರವಾಗಿ ಬದಲಾಗುತ್ತಿರುವ ಈ ಅಧ್ಯಯನ ಕ್ಷೇತ್ರದ ವಿಕಸನವನ್ನು ಒಡೆಯುತ್ತದೆ. ಇಂದಿನ ಸಂಕೀರ್ಣ ಸೈಬರ್ ಸುರಕ್ಷತೆ ಬೆದರಿಕೆಗಳಿಂದ ಉದ್ಯಮಗಳನ್ನು ಉತ್ತಮವಾಗಿ ರಕ್ಷಿಸಲು AI ಸಕ್ರಿಯಗೊಳಿಸಿದ ಭದ್ರತಾ ವಿಶ್ಲೇಷಣೆ ಅಥವಾ ಬಳಕೆದಾರ ಮತ್ತು ಅಸ್ತಿತ್ವದ ವರ್ತನೆಯ ವಿಶ್ಲೇಷಣೆ (UEBA) ಪಾತ್ರವನ್ನು ಇದು ಪರಿಶೋಧಿಸುತ್ತದೆ.
ಯಂತ್ರ vs ಮಾನವ ಕಲಿಕೆ
ಆರ್ಟಿಫಿಶಿಯಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್ (AI) ಎಲ್ಲೆಡೆ ಇದೆ-ಕನಿಷ್ಠ, ಓಪನ್ ಟೆಕ್ಸ್ಟ್ ™ ನಲ್ಲಿ ಹಾಗೆ ತೋರುತ್ತದೆ, AI ಯ ಏರಿಕೆಯು ಉತ್ತೇಜಕ ಮತ್ತು ಸವಾಲಿನದ್ದಾಗಿದೆ ಆದರೆ ನಾವು ನಮ್ಮ ಗೆಳೆಯರು, ಗ್ರಾಹಕರು ಮತ್ತು ಪಾಲುದಾರರೊಂದಿಗೆ ತೊಡಗಿಸಿಕೊಂಡಂತೆ, ನಾವು ಅರಿತುಕೊಂಡಿದ್ದೇವೆ AI ಪರಿಕಲ್ಪನೆಯು ಯಾವಾಗಲೂ ಸುಲಭವಾಗಿ ಅರ್ಥವಾಗುವುದಿಲ್ಲ ಈ AI ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆ 101 ಮಾರ್ಗದರ್ಶಿಯನ್ನು ಪ್ರಾರಂಭಿಸಲು, ಅನೇಕ ಜನರು ಕೇಳುತ್ತಿರುವ ಮುಖ್ಯ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸುವ ಮೂಲಕ ನಾವು AI ಪಝಲ್ ಅನ್ನು ಅನ್ಪ್ಯಾಕ್ ಮಾಡುತ್ತೇವೆ: "ನಿಜವಾಗಿಯೂ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಎಂದರೇನು?"
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸುಲಭವಾದ ಮಾರ್ಗವೆಂದರೆ ಅದನ್ನು ನಾವು ಈಗಾಗಲೇ ಅರ್ಥಮಾಡಿಕೊಂಡಿರುವ ಯಾವುದನ್ನಾದರೂ ನಕ್ಷೆ ಮಾಡುವುದು-ನಮ್ಮ ಸ್ವಂತ ಬುದ್ಧಿವಂತಿಕೆಯು ಕೃತಕವಲ್ಲದ, ಮಾನವ ಬುದ್ಧಿಮತ್ತೆ ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ? ಅತ್ಯಂತ ಮೂಲಭೂತ ಮಟ್ಟದಲ್ಲಿ, ನಮ್ಮ ಬುದ್ಧಿವಂತಿಕೆಯು ಸರಳವಾದ ಪ್ರಗತಿಯನ್ನು ಅನುಸರಿಸುತ್ತದೆ: ನಾವು ಮಾಹಿತಿಯನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತೇವೆ, ನಾವು ಅದನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುತ್ತೇವೆ ಮತ್ತು ಅಂತಿಮವಾಗಿ ಮಾಹಿತಿಯು ನಮಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.
ಕೆಳಗಿನ ಚಿತ್ರದಲ್ಲಿ ಇದನ್ನು ಸಿಸ್ಟಮ್ ರೇಖಾಚಿತ್ರವಾಗಿ ವಿಭಜಿಸೋಣ, ಎಡದಿಂದ ಬಲಕ್ಕೆ ಮಾನವ ಬುದ್ಧಿಮತ್ತೆಯ ಮೂರು ಸಾಮಾನ್ಯ ಹಂತಗಳು: ಇನ್ಪುಟ್, ಸಂಸ್ಕರಣೆ ಮತ್ತು ಔಟ್ಪುಟ್ ಮಾನವ ಮೆದುಳಿನಲ್ಲಿ, ಇನ್ಪುಟ್ ನಿಮ್ಮ ಕಣ್ಣುಗಳನ್ನು ಗ್ರಹಿಸುವ ಮತ್ತು ಗ್ರಹಿಸುವ ರೂಪದಲ್ಲಿ ನಡೆಯುತ್ತದೆ, ಮೂಗು, ಕಿವಿ, ಇತ್ಯಾದಿ, ಬೆಳಕಿನ ಫೋಟಾನ್‌ಗಳು ಅಥವಾ ಪೈನ್ ಮರಗಳ ವಾಸನೆಯಂತಹ ಎಡಭಾಗದಲ್ಲಿರುವ ಕಚ್ಚಾ ಇನ್ಪುಟ್ ಅನ್ನು ತೆಗೆದುಕೊಳ್ಳಿ ಮತ್ತು ನಂತರ ಅದನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಿ ಸಿಸ್ಟಮ್‌ನ ಬಲಭಾಗದಲ್ಲಿ ಔಟ್ಪುಟ್ ಆಗಿದೆ ಇದು ಮಾತು ಮತ್ತು ಕ್ರಿಯೆಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ, ಇವೆರಡೂ ಹೇಗೆ ಅವಲಂಬಿಸಿರುತ್ತದೆ ನಮ್ಮ ಮೆದುಳು ಸ್ವೀಕರಿಸುತ್ತಿರುವ ಕಚ್ಚಾ ಇನ್ಪುಟ್ ಅನ್ನು ನಾವು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುತ್ತೇವೆ, ಪ್ರಕ್ರಿಯೆಯು ಮಧ್ಯದಲ್ಲಿ ನಡೆಯುತ್ತದೆ, ಅಲ್ಲಿ ಜ್ಞಾನ ಅಥವಾ ನೆನಪುಗಳು ರೂಪುಗೊಳ್ಳುತ್ತವೆ ಮತ್ತು ಹಿಂಪಡೆಯುತ್ತವೆ, ನಿರ್ಧಾರಗಳು ಮತ್ತು ತೀರ್ಮಾನಗಳು ಮತ್ತು ಮಾಡಲಾಗುತ್ತದೆ ಮತ್ತು ಕಲಿಕೆ ಸಂಭವಿಸುತ್ತದೆ.
ಚಿತ್ರ 1. ಮಾನವ ಬುದ್ಧಿವಂತಿಕೆ
ಕೃತಕವಲ್ಲದ, ಮಾನವ ಬುದ್ಧಿಮತ್ತೆ ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ? ಅತ್ಯಂತ ಮೂಲಭೂತ ಮಟ್ಟದಲ್ಲಿ, ನಮ್ಮ ಬುದ್ಧಿವಂತಿಕೆಯು ಸರಳವಾದ ಪ್ರಗತಿಯನ್ನು ಅನುಸರಿಸುತ್ತದೆ: ನಾವು ಮಾಹಿತಿಯನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತೇವೆ, ನಾವು ಅದನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುತ್ತೇವೆ ಮತ್ತು ಅಂತಿಮವಾಗಿ ಮಾಹಿತಿಯು ನಮಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.
ರಸ್ತೆಯ ಛೇದಕದಲ್ಲಿ ನಿಲ್ಲಿಸುವ ಚಿತ್ರವು ನಿಮ್ಮ ಮುಂದೆ ಇರುವ ಟ್ರಾಫಿಕ್ ಲೈಟ್ ಹಸಿರು ಬಣ್ಣಕ್ಕೆ ತಿರುಗಿರುವುದನ್ನು ನಿಮ್ಮ ಕಣ್ಣುಗಳು ನೋಡುತ್ತವೆ, ನೀವು ಅನುಭವದಿಂದ (ಮತ್ತು ಚಾಲಕನ ಶಿಕ್ಷಣ) ಕಲಿತದ್ದನ್ನು ಆಧರಿಸಿ, ಹಸಿರು ದೀಪವು ನೀವು ಮುಂದೆ ಓಡಬೇಕು ಎಂದು ಸೂಚಿಸುತ್ತದೆ ಎಂದು ನಿಮಗೆ ತಿಳಿದಿದೆ ಆದ್ದರಿಂದ, ನೀವು ಗ್ಯಾಸ್ ಪೆಡಲ್ ಅನ್ನು ಹೊಡೆಯಿರಿ ಹಸಿರು ದೀಪವು ಕಚ್ಚಾ ಇನ್ಪುಟ್ ಆಗಿದೆ, ನಿಮ್ಮ ವೇಗವರ್ಧನೆಯು ಔಟ್ಪುಟ್ ಆಗಿದೆ; ನಡುವೆ ಎಲ್ಲವೂ ಪ್ರಕ್ರಿಯೆಗೊಳ್ಳುತ್ತಿದೆ
ನಮ್ಮ ಸುತ್ತಲಿನ ಪ್ರಪಂಚವನ್ನು ಬುದ್ಧಿವಂತಿಕೆಯಿಂದ ನ್ಯಾವಿಗೇಟ್ ಮಾಡಲು-ಫೋನ್‌ಗೆ ಉತ್ತರಿಸುವುದು, ಚಾಕೊಲೇಟ್ ಚಿಪ್ ಕುಕೀಗಳನ್ನು ಬೇಯಿಸುವುದು ಅಥವಾ ಟ್ರಾಫಿಕ್ ಲೈಟ್‌ಗಳನ್ನು ಪಾಲಿಸುವುದು-ನಾವು ಸ್ವೀಕರಿಸುವ ಇನ್ಪುಟ್ ಅನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಬೇಕಾಗಿದೆ ಇದು ಮಾನವ ಬುದ್ಧಿಮತ್ತೆಯ ಪ್ರಕ್ರಿಯೆಯ ತಿರುಳು, ಮತ್ತು ಅಂತಿಮವಾಗಿ ಮೂರು ವಿಭಿನ್ನ ಅಂಶಗಳಾಗಿ ವಿಭಜಿಸಲಾಗಿದೆ. :
- ಜ್ಞಾನ ಮತ್ತು ಸ್ಮರಣೆ. ನಾವು ಸತ್ಯಗಳನ್ನು (ಅಂದರೆ, ಹೇಸ್ಟಿಂಗ್ಸ್ ಕದನವು 1066 ರಲ್ಲಿ ನಡೆಯಿತು) ಮತ್ತು ಸಾಮಾಜಿಕ ರೂಢಿಗಳನ್ನು (ಅಂದರೆ, "ದಯವಿಟ್ಟು" ಮತ್ತು "ಧನ್ಯವಾದಗಳು" ಎಂದು ಹೇಳುವುದು ಸಭ್ಯವೆಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ) ನಾವು ಜ್ಞಾನವನ್ನು ಬೆಳೆಸಿಕೊಳ್ಳುತ್ತೇವೆ. ಭೂತಕಾಲದಿಂದ ಪ್ರಸ್ತುತ ಸಂದರ್ಭಗಳು ಉದಾಹರಣೆಗೆampಲೆ, ಎಡ್ವರ್ಡ್ ಜೇನ್ ತನ್ನ ಹುಟ್ಟುಹಬ್ಬದ ಉಡುಗೊರೆಗಾಗಿ ತನಗೆ ಧನ್ಯವಾದ ಹೇಳಲಿಲ್ಲ ಎಂದು ನೆನಪಿಸಿಕೊಳ್ಳುತ್ತಾನೆ, ಆದ್ದರಿಂದ ಅವನು ಅವಳಿಗೆ ಕ್ರಿಸ್ಮಸ್ ಉಡುಗೊರೆಯನ್ನು ನೀಡಿದಾಗ ಅವಳು ಅವನಿಗೆ ಧನ್ಯವಾದ ಹೇಳಬೇಕೆಂದು ಅವನು ನಿರೀಕ್ಷಿಸುವುದಿಲ್ಲ
- ತೀರ್ಮಾನ ಮತ್ತು ತೀರ್ಮಾನ. ಜ್ಞಾನ ಮತ್ತು/ಅಥವಾ ಸ್ಮರಣೆಯೊಂದಿಗೆ ಸಂಯೋಜಿಸಲಾದ ಕಚ್ಚಾ ಇನ್‌ಪುಟ್‌ನ ಆಧಾರದ ಮೇಲೆ ನಿರ್ಧಾರಗಳು ಮತ್ತು ತೀರ್ಮಾನಗಳನ್ನು ಮಾಡಲಾಗುತ್ತದೆ ಉದಾಹರಣೆಗೆample, ಎಡ್ವರ್ಡ್ ಕಳೆದ ವರ್ಷ ಜಲಪೆನೊ ಪೆಪ್ಪರ್ ಅನ್ನು ತಿನ್ನುತ್ತಿದ್ದನು ಮತ್ತು ಅದನ್ನು ಇಷ್ಟಪಡಲಿಲ್ಲ ಜಾನಿ ಎಡ್ವರ್ಡ್‌ಗೆ ಮೆಣಸು ನೀಡಿದಾಗ, ಅವನು ಅದನ್ನು ತಿನ್ನದಿರಲು ನಿರ್ಧರಿಸಿದನು
- ಕಲಿಕೆ. ಮಾಜಿ ಮೂಲಕ ಮಾನವರು ಕಲಿಯಬಹುದುample, observation, or algorithm in learning by exampಉದಾಹರಣೆಗೆ, ಒಂದು ಪ್ರಾಣಿ ನಾಯಿ, ಇನ್ನೊಂದು ಬೆಕ್ಕು ಎಂದು ನಮಗೆ ಹೇಳಲಾಗುತ್ತದೆ, ವೀಕ್ಷಣೆಯಿಂದ ಕಲಿಯುವಾಗ, ನಾಯಿಗಳು ಬೊಗಳುತ್ತವೆ ಮತ್ತು ಬೆಕ್ಕುಗಳು ಮಿಯಾಂವ್ ಎಂದು ನಾವು ನಮ್ಮದೇ ಆದ ಲೆಕ್ಕಾಚಾರ ಮಾಡುತ್ತೇವೆ ಮೂರನೇ ಕಲಿಕೆಯ ವಿಧಾನ - ಅಲ್ಗಾರಿದಮ್ - ಅನುಸರಿಸುವ ಮೂಲಕ ಕೆಲಸವನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು ನಮಗೆ ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ ಹಂತಗಳ ಸರಣಿ ಅಥವಾ ನಿರ್ದಿಷ್ಟ ಅಲ್ಗಾರಿದಮ್ (ಉದಾ , ದೀರ್ಘ ವಿಭಾಗವನ್ನು ನಿರ್ವಹಿಸುವುದು)
ಮಾನವ ಬುದ್ಧಿಮತ್ತೆಯ ಈ ಅಂಶಗಳು ಸಮಾನಾಂತರವಾದ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ನಾವು ಮಾಹಿತಿಯನ್ನು ತೆಗೆದುಕೊಳ್ಳುವಂತೆಯೇ, ಅದನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುತ್ತೇವೆ ಮತ್ತು ಔಟ್ಪುಟ್ ಅನ್ನು ಹಂಚಿಕೊಳ್ಳಬಹುದು, ಹಾಗೆಯೇ ಯಂತ್ರಗಳು ಇದು ಹೇಗೆ ಮ್ಯಾಪ್ ಮಾಡುತ್ತದೆ ಎಂಬುದನ್ನು ನೋಡಲು ಕೆಳಗಿನ ಚಿತ್ರದಲ್ಲಿ ನೋಡೋಣ.
ಚಿತ್ರ 2. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ
ನಮ್ಮ ಸುತ್ತಲಿನ ಪ್ರಪಂಚವನ್ನು ಬುದ್ಧಿವಂತಿಕೆಯಿಂದ ನ್ಯಾವಿಗೇಟ್ ಮಾಡಲು - ಫೋನ್‌ಗೆ ಉತ್ತರಿಸಲು, ಚಾಕೊಲೇಟ್ ಚಿಪ್ ಕುಕೀಗಳನ್ನು ಬೇಯಿಸಲು ಅಥವಾ ಟ್ರಾಫಿಕ್ ದೀಪಗಳನ್ನು ಪಾಲಿಸಲು - ನಾವು ಸ್ವೀಕರಿಸುವ ಇನ್ಪುಟ್ ಅನ್ನು ನಾವು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಬೇಕಾಗಿದೆ.
ಯಂತ್ರಗಳಲ್ಲಿ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಇನ್ಪುಟ್ ಭಾಗವು ನೈಸರ್ಗಿಕ ಭಾಷಾ ಸಂಸ್ಕರಣೆ, ಭಾಷಣ ಗುರುತಿಸುವಿಕೆ, ದೃಷ್ಟಿಗೋಚರ ಗುರುತಿಸುವಿಕೆ ಮತ್ತು ಹೆಚ್ಚಿನವುಗಳಿಂದ ಉದಾಹರಿಸಲಾಗಿದೆ, ರಸ್ತೆಮಾರ್ಗಗಳು ಮತ್ತು ಅಡೆತಡೆಗಳನ್ನು ಗ್ರಹಿಸುವ ಸ್ವಯಂ-ಚಾಲನಾ ಕಾರುಗಳಿಂದ ಹಿಡಿದು ಅಲೆಕ್ಸಾ ಅಥವಾ ಸಿರಿಯವರೆಗೆ ನೀವು ಎಲ್ಲೆಡೆ ಇಂತಹ ತಂತ್ರಜ್ಞಾನಗಳು ಮತ್ತು ಅಲ್ಗಾರಿದಮ್‌ಗಳನ್ನು ನೋಡುತ್ತೀರಿ. ಅದು ನಿಮ್ಮ ಮಾತನ್ನು ಗುರುತಿಸಿದಾಗ ಕೆಳಗಿನ ಔಟ್‌ಪುಟ್‌ಗಳು ಯಂತ್ರಗಳು ನಮ್ಮ ಸುತ್ತಲಿನ ಪ್ರಪಂಚದೊಂದಿಗೆ ಸಂವಹನ ನಡೆಸುವ ವಿಧಾನಗಳಾಗಿವೆ, ಇದು ರೊಬೊಟಿಕ್ಸ್, ನ್ಯಾವಿಗೇಷನ್ ಸಿಸ್ಟಮ್‌ಗಳು (ಆ ಸ್ವಯಂ-ಚಾಲನಾ ಕಾರುಗಳಿಗೆ ಮಾರ್ಗದರ್ಶನ ನೀಡಲು), ಭಾಷಣ ಉತ್ಪಾದನೆ (ಉದಾ , ಸಿರಿ) ಇತ್ಯಾದಿಗಳ ರೂಪವನ್ನು ತೆಗೆದುಕೊಳ್ಳಬಹುದು ನಡುವೆ, ನಾವು ನಡೆಯುವ ಪ್ರಕ್ರಿಯೆಯ ವಿವಿಧ ರೂಪಗಳನ್ನು ಹೊಂದಿದ್ದೇವೆ
ನಮ್ಮ ಜ್ಞಾನ ಮತ್ತು ನೆನಪುಗಳ ಸಂಗ್ರಹದಂತೆಯೇ, ಯಂತ್ರಗಳು ಜ್ಞಾನದ ಪ್ರಾತಿನಿಧ್ಯಗಳನ್ನು ರಚಿಸಬಹುದು (ಉದಾ , ಗ್ರಾಫ್ ಡೇಟಾಬೇಸ್‌ಗಳು, ಆನ್‌ಟಾಲಜಿಗಳು) ಅದು ಪ್ರಪಂಚದ ಬಗ್ಗೆ ಮಾಹಿತಿಯನ್ನು ಸಂಗ್ರಹಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ, ಮನುಷ್ಯರು ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವಂತೆ ಅಥವಾ ತೀರ್ಮಾನಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವಂತೆ, ಯಂತ್ರಗಳು ಭವಿಷ್ಯವನ್ನು ಮಾಡಬಹುದು, ಗುರಿಯನ್ನು ಉತ್ತಮಗೊಳಿಸಬಹುದು ಅಥವಾ ಫಲಿತಾಂಶ, ಮತ್ತು ನಿರ್ದಿಷ್ಟ ಗುರಿಯನ್ನು ಪೂರೈಸಲು ಉತ್ತಮ ಮುಂದಿನ ಹಂತಗಳು ಅಥವಾ ನಿರ್ಧಾರಗಳನ್ನು ನಿರ್ಧರಿಸಿ
ಅಂತಿಮವಾಗಿ, ನಾವು ಮಾಜಿ ಮೂಲಕ ಕಲಿತಂತೆample, ವೀಕ್ಷಣೆ, ಅಥವಾ ಅಲ್ಗಾರಿದಮ್, ಯಂತ್ರಗಳನ್ನು ಸಾದೃಶ್ಯದ ವಿಧಾನಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಕಲಿಸಬಹುದು ಮೇಲ್ವಿಚಾರಣೆ ಯಂತ್ರ ಕಲಿಕೆಯು ಮಾಜಿ ಮೂಲಕ ಕಲಿಕೆಯಂತೆಯೇ ಇರುತ್ತದೆample: ಕಂಪ್ಯೂಟರ್‌ಗೆ ಡೇಟಾ ಸೆಟ್‌ನೊಳಗೆ "ಲೇಬಲ್‌ಗಳು" ಉತ್ತರಗಳಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಡೇಟಾ ಸೆಟ್ ಅನ್ನು ನೀಡಲಾಗುತ್ತದೆ ಮತ್ತು ಅಂತಿಮವಾಗಿ ವಿವಿಧ ಲೇಬಲ್‌ಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಹೇಳಲು ಕಲಿಯುತ್ತದೆ (ಉದಾ , ಈ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ "ನಾಯಿ" ಅಥವಾ "ಬೆಕ್ಕು" ಎಂದು ಲೇಬಲ್ ಮಾಡಲಾದ ಫೋಟೋಗಳನ್ನು ಹೊಂದಿದೆ, ಮತ್ತು ಸಾಕಷ್ಟು ಮಾಜಿ ಜೊತೆampಲೆಸ್, ನಾಯಿಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಬೆಕ್ಕುಗಳಿಗಿಂತ ಉದ್ದವಾದ ಬಾಲ ಮತ್ತು ಕಡಿಮೆ ಮೊನಚಾದ ಕಿವಿಗಳನ್ನು ಹೊಂದಿರುತ್ತವೆ ಎಂದು ಕಂಪ್ಯೂಟರ್ ಗಮನಿಸುತ್ತದೆ)
ಮತ್ತೊಂದೆಡೆ, ಮೇಲ್ವಿಚಾರಣೆಯಿಲ್ಲದ ಯಂತ್ರ ಕಲಿಕೆಯು ವೀಕ್ಷಣೆಯಿಂದ ಕಲಿಕೆಯಂತಿದೆ, ಕಂಪ್ಯೂಟರ್ ಮಾದರಿಗಳನ್ನು (ನಾಯಿಗಳು ತೊಗಟೆ ಮತ್ತು ಬೆಕ್ಕುಗಳು ಮಿಯಾಂವ್) ವೀಕ್ಷಿಸುತ್ತದೆ ಮತ್ತು ಇದರ ಮೂಲಕ ಗುಂಪುಗಳು ಮತ್ತು ಮಾದರಿಗಳನ್ನು ತನ್ನದೇ ಆದ ಮೇಲೆ ಪ್ರತ್ಯೇಕಿಸಲು ಕಲಿಯುತ್ತದೆ (ಉದಾ , ಪ್ರಾಣಿಗಳ ಎರಡು ಗುಂಪುಗಳಿವೆ. ಒಂದು ಗುಂಪು ಬೊಗಳುವುದು-ನಾಯಿಗಳು-ಮತ್ತು ಇತರ ಗುಂಪು ಮಿಯಾವ್ಸ್-ಬೆಕ್ಕುಗಳು) ಶಬ್ದದಿಂದ ಪ್ರತ್ಯೇಕಿಸಲ್ಪಡುತ್ತವೆ) ಮೇಲ್ವಿಚಾರಣೆಯಿಲ್ಲದ ಕಲಿಕೆಗೆ ಲೇಬಲ್‌ಗಳ ಅಗತ್ಯವಿಲ್ಲ ಮತ್ತು ಡೇಟಾ ಸೆಟ್‌ಗಳು ಸೀಮಿತವಾಗಿರುವಾಗ ಮತ್ತು ಲೇಬಲ್‌ಗಳನ್ನು ಹೊಂದಿರದಿದ್ದಾಗ ಅಂತಿಮವಾಗಿ, ಅಲ್ಗಾರಿದಮ್ ಮೂಲಕ ಕಲಿಯುವುದು ಸಾಫ್ಟ್‌ವೇರ್ ಪ್ರೋಗ್ರಾಂನಲ್ಲಿ ಹಂತ-ಹಂತವಾಗಿ ಏನು ಮಾಡಬೇಕೆಂದು ಪ್ರೋಗ್ರಾಮರ್ ಕಂಪ್ಯೂಟರ್‌ಗೆ ನಿಖರವಾಗಿ ಸೂಚಿಸಿದಾಗ ಏನಾಗುತ್ತದೆ.
ಡೀಲಿ, ಅತ್ಯಂತ ನಿಖರವಾದ ಮತ್ತು ಕೊರತೆಯಿರುವ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಫಲಿತಾಂಶಗಳಿಗೆ ಕಲಿಕೆಯ ವಿಧಾನಗಳ ಸಂಯೋಜನೆಯ ಅಗತ್ಯವಿರುತ್ತದೆ, ಮೇಲ್ವಿಚಾರಣೆ ಮತ್ತು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡದ ಯಂತ್ರ ಕಲಿಕೆ ಎರಡೂ ಉಪಯುಕ್ತ ವಿಧಾನಗಳಾಗಿವೆ- ಇದು ಸರಿಯಾದ ವಿಧಾನ ಅಥವಾ ಸರಿಯಾದ ಬಳಕೆಯ ಸಂದರ್ಭದಲ್ಲಿ ವಿಧಾನಗಳನ್ನು ಅನ್ವಯಿಸುತ್ತದೆ
ಮುಂದೆ, AI ಯ ಈ ಭಾಗವು ನಮ್ಮ ಮೆದುಳಿನಲ್ಲಿರುವ ನ್ಯೂರಾನ್‌ಗಳನ್ನು ಹೇಗೆ ಅತ್ಯುತ್ತಮವಾದ ಔಟ್‌ಪುಟ್‌ಗೆ ಪರಿವರ್ತಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ನಾವು ಸೂಕ್ಷ್ಮದರ್ಶಕದ ಅಡಿಯಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಇರಿಸುತ್ತೇವೆ.
ತಾತ್ತ್ವಿಕವಾಗಿ, ಅತ್ಯಂತ ನಿಖರವಾದ ಮತ್ತು ಪರಿಣಾಮಕಾರಿಯಾದ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಫಲಿತಾಂಶಗಳಿಗೆ ಕಲಿಕೆಯ ವಿಧಾನಗಳ ಸಂಯೋಜನೆಯ ಅಗತ್ಯವಿರುತ್ತದೆ. ಮೇಲ್ವಿಚಾರಣೆ ಮತ್ತು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡದ ಯಂತ್ರ ಕಲಿಕೆ ಎರಡೂ ಉಪಯುಕ್ತ ವಿಧಾನಗಳಾಗಿವೆ-ಇದು ಸರಿಯಾದ ವಿಧಾನ ಅಥವಾ ಸರಿಯಾದ ಬಳಕೆಯ ಸಂದರ್ಭದಲ್ಲಿ ವಿಧಾನಗಳನ್ನು ಅನ್ವಯಿಸುತ್ತದೆ.
ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ಮತ್ತು ಡೀಪ್ ಲರ್ನಿಂಗ್
ಯಂತ್ರ ಕಲಿಕೆಯು AI ಯ ಕೇವಲ ಒಂದು ಭಾಗವಾಗಿದೆ, ಆದರೂ ಇದು ಅಲ್ಗಾರಿದಮ್‌ಗಳ ಬೃಹತ್ ಉಪವಿಭಾಗವನ್ನು ಹೊಂದಿದ್ದರೂ ನೀವು ಇಂದು ಆಗಾಗ್ಗೆ ಕೇಳುವ ಒಂದು ವಿಧಾನವೆಂದರೆ "ಆಳವಾದ ಕಲಿಕೆ", ಇದು ಅಲ್ಗಾರಿದಮ್ ಆಗಿದೆ, ಇದು ಇತ್ತೀಚಿನ ವರ್ಷಗಳಲ್ಲಿ ಸುದ್ದಿಯಲ್ಲಿ ಸಾಕಷ್ಟು ಗಮನವನ್ನು ಪಡೆದುಕೊಂಡಿದೆ. ಅದರ ಜನಪ್ರಿಯತೆ ಮತ್ತು ಯಶಸ್ಸು, ಇದು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಇದು ಸಹಾಯಕವಾಗಿದೆ ಆಳವಾದ ಕಲಿಕೆಯು 1980 ರ ದಶಕದಲ್ಲಿ ಜನಪ್ರಿಯವಾಗಿದ್ದ ಯಂತ್ರ ಕಲಿಕೆಯ ಅಲ್ಗಾರಿದಮ್‌ನ ವಿಕಸನವಾಗಿದೆ: ನರ ಜಾಲಗಳು.
ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳು - ನಾವು ಯಂತ್ರಗಳನ್ನು "ಕಲಿಯಲು" ತರಬೇತಿ ನೀಡುವ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಮಾದರಿ - ನರಕೋಶಗಳು ಅಥವಾ ನಮ್ಮ ನರಮಂಡಲದ ಅಡಿಪಾಯವನ್ನು ರೂಪಿಸುವ ಮಾನವ ದೇಹದಲ್ಲಿನ ವಿಶೇಷ ಕೋಶಗಳಿಂದ ಪ್ರೇರಿತವಾಗಿದೆ, ಮತ್ತು ನಿರ್ದಿಷ್ಟವಾಗಿ ಮಿದುಳುಗಳು ಈ ಜೀವಕೋಶಗಳು ನಮ್ಮ ದೇಹದಾದ್ಯಂತ ಸಂಕೇತಗಳನ್ನು ರವಾನಿಸುತ್ತವೆ ನರಗಳನ್ನು ಪ್ರಚೋದಿಸುತ್ತವೆ. ಸಿಸ್ಟಮ್ ಪ್ರತಿಕ್ರಿಯೆಗಳು ಮತ್ತು ಪ್ರಕ್ರಿಯೆಗಳು ನ್ಯೂರಾನ್ಗಳು ನಮಗೆ ನೋಡಲು, ಕೇಳಲು, ವಾಸನೆ ಇತ್ಯಾದಿಗಳನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುತ್ತವೆ.
ಚಿತ್ರ 3. ನರಕೋಶಗಳು ಸಂದೇಶಗಳನ್ನು ಹೇಗೆ ಸ್ವೀಕರಿಸುತ್ತವೆ ಮತ್ತು ಕಳುಹಿಸುತ್ತವೆ
ನಮ್ಮ ಮೆದುಳಿನಲ್ಲಿರುವ ಎರಡು ನ್ಯೂರಾನ್‌ಗಳ ನಡುವಿನ ಸಂಪರ್ಕವು ನಮ್ಮ ಸಿನಾಪ್ಸ್‌ಗಳ ಫ್ರಿಂಜ್‌ನ ಬಲದೊಂದಿಗೆ ಎಷ್ಟು ಪ್ರಬಲವಾಗಿದೆ ಎಂಬುದನ್ನು ಮಾನವ ಕಲಿಕೆ ಎಂದು ನಾವು ಭಾವಿಸುವ ಹೆಚ್ಚಿನದನ್ನು ವಿವರಿಸಬಹುದು.
ಈ ಮಾರ್ಗದರ್ಶಿಯ ಭಾಗ ಒಂದರಲ್ಲಿ, ನಾವು ಮಾನವ ಬುದ್ಧಿಮತ್ತೆಯ ಮೂಲಭೂತ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಚರ್ಚಿಸಿದ್ದೇವೆ: ಎಡಭಾಗದಲ್ಲಿ ಇನ್ಪುಟ್ ಮತ್ತು ಬಲಭಾಗದಲ್ಲಿ ಔಟ್ಪುಟ್ ನ್ಯೂರಾನ್ (ಮೇಲೆ ಚಿತ್ರಿಸಲಾಗಿದೆ) ಇದರಲ್ಲಿ ನಿರ್ಣಾಯಕ ಪಾತ್ರವನ್ನು ವಹಿಸುತ್ತದೆ ನರಕೋಶದ ಎಡಭಾಗದಲ್ಲಿ, ಜೀವಕೋಶದ ದೇಹವು ಸಂಗ್ರಹಿಸುತ್ತದೆ “ಇನ್ಪುಟ್” ಒಮ್ಮೆ ಅದು ಸಾಕಷ್ಟು ಇನ್ಪುಟ್ ಅಥವಾ ಪ್ರಚೋದನೆಯನ್ನು ಪಡೆದರೆ, ಆಕ್ಸಾನ್ ಫ್ರೆಸ್, ಮಾಹಿತಿಯನ್ನು ಬಲಭಾಗಕ್ಕೆ ರವಾನಿಸುತ್ತದೆ-ಸಿನಾಪ್ಸ್ “ಔಟ್ಪುಟ್” ಅನ್ನು ನಂತರ ಇತರ ನ್ಯೂರಾನ್‌ಗಳಿಗೆ ಕಳುಹಿಸಲಾಗುತ್ತದೆ.
ಯಾವುದೇ ಕ್ಷಣದಲ್ಲಿ, ನಮ್ಮ ನರಕೋಶಗಳು ಪರಸ್ಪರರ ನಡುವೆ ಸಂದೇಶಗಳನ್ನು ರವಾನಿಸುತ್ತವೆ, ಈ ಜೀವಕೋಶಗಳು ನಮ್ಮ ಸುತ್ತಮುತ್ತಲಿನ ಪ್ರದೇಶಗಳನ್ನು ಗ್ರಹಿಸುವ ನಮ್ಮ ಸಾಮರ್ಥ್ಯಕ್ಕೆ ಕಾರಣವಾಗಿವೆ ಮತ್ತು ನಾವು ಕಲಿತಾಗ, ನಮ್ಮ ನರಕೋಶಗಳು ತುಂಬಾ ಸಕ್ರಿಯವಾಗುತ್ತವೆ ವಾಸ್ತವವಾಗಿ, ಮಾನವನ ಕಲಿಕೆ ಎಂದು ನಾವು ಯೋಚಿಸುವ ಹೆಚ್ಚಿನದನ್ನು ವಿವರಿಸಬಹುದು. ನಮ್ಮ ಮೆದುಳಿನಲ್ಲಿರುವ ಎರಡು ನ್ಯೂರಾನ್‌ಗಳ ನಡುವಿನ ಸಂಪರ್ಕವು ನಮ್ಮ ಸಿನಾಪ್ಸ್‌ಗಳ ಫ್ರಿಂಜ್‌ನ ಬಲದೊಂದಿಗೆ ಎಷ್ಟು ಪ್ರಬಲವಾಗಿದೆ
ನರಗಳ ಜಾಲವು ನ್ಯೂರಾನ್ ಕೋಶಗಳ ಸಂಗ್ರಹದ ಗಣಿತದ ಸಿಮ್ಯುಲೇಶನ್ ಆಗಿದೆ ಕೆಳಗಿನ ಚಿತ್ರವು 3 ಪದರಗಳು ಮತ್ತು 12 ನೋಡ್‌ಗಳನ್ನು ಹೊಂದಿರುವ ಮೂಲ ನರಮಂಡಲವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ
ಪ್ರತಿಯೊಂದು ವೃತ್ತಾಕಾರದ ನೋಡ್ ಒಂದು ಕೃತಕ, ಜೈವಿಕವಾಗಿ ಪ್ರೇರಿತವಾದ "ನ್ಯೂರಾನ್" ಅನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ ಈ ರೇಖೆಗಳು ಎಡಭಾಗದಲ್ಲಿರುವ ಒಂದು ಕೃತಕ ನರಕೋಶದ ಔಟ್‌ಪುಟ್‌ನಿಂದ ಮತ್ತೊಂದು ಬಲಭಾಗದ ಇನ್‌ಪುಟ್‌ಗೆ ಸಂಪರ್ಕವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ ಈ ನ್ಯೂರಾನ್‌ಗಳ ನಡುವಿನ ಸಂಕೇತಗಳು ಎಡದಿಂದ ಬಲಕ್ಕೆ ರೇಖೆಗಳ ಉದ್ದಕ್ಕೂ ಹರಿಯುತ್ತವೆ. , ಇನ್ಪುಟ್-ಉದಾಹರಣೆಗೆ ಪಿಕ್ಸೆಲ್ ಡೇಟಾ-ಇನ್ಪುಟ್ ಲೇಯರ್‌ನಿಂದ ಮಧ್ಯದ "ಗುಪ್ತ" ಲೇಯರ್‌ಗಳ ಮೂಲಕ ಮತ್ತು ಅಂತಿಮವಾಗಿ ಔಟ್ಪುಟ್ ಲೇಯರ್‌ಗೆ ನಿಜವಾದ ಜೈವಿಕ ನ್ಯೂರಾನ್‌ಗಳಲ್ಲಿನ ವಿದ್ಯುತ್ ಚಟುವಟಿಕೆಯಿಂದ ಸಡಿಲವಾಗಿ ಸ್ಫೂರ್ತಿ ಪಡೆದ ಗಣಿತದ ಸಮೀಕರಣಗಳಿಂದ ವಿವರಿಸಲಾಗಿದೆ.
ಚಿತ್ರ 4. ಸರಳ ನರಮಂಡಲ
ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳು ಇನ್ಪುಟ್ ಲೇಯರ್‌ಗೆ ಪ್ರಸ್ತುತಪಡಿಸಲಾದ ಡೇಟಾ ಸೆಟ್‌ಗಳನ್ನು ಔಟ್ಪುಟ್ ಲೇಯರ್‌ನಲ್ಲಿ ಅಪೇಕ್ಷಿತ ಫಲಿತಾಂಶಗಳಿಗೆ ಹೊಂದಿಸಲು ಪ್ರಯತ್ನಿಸುವ ಮೂಲಕ ಕಲಿಯುತ್ತವೆ. ಗಣಿತದ ಸಮೀಕರಣಗಳು ಔಟ್‌ಪುಟ್‌ಗಳನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುತ್ತದೆ, ಸಿಮ್ಯುಲೇಟೆಡ್ ಔಟ್ಪುಟ್ ಅನ್ನು ಅಪೇಕ್ಷಿತ ಫಲಿತಾಂಶಕ್ಕೆ ಹೋಲಿಸುತ್ತದೆ ಮತ್ತು ಪರಿಣಾಮವಾಗಿ ವ್ಯತ್ಯಾಸಗಳು ನಂತರ ಸಂಪರ್ಕಗಳ ಬಲಕ್ಕೆ ಟ್ವೀಕ್‌ಗಳನ್ನು ಉಂಟುಮಾಡುತ್ತವೆ.
ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳು ಇನ್ಪುಟ್ ಲೇಯರ್‌ಗೆ ಪ್ರಸ್ತುತಪಡಿಸಿದ ಡೇಟಾ ಸೆಟ್‌ಗಳನ್ನು ಔಟ್ಪುಟ್ ಲೇಯರ್‌ನಲ್ಲಿ ಅಪೇಕ್ಷಿತ ಫಲಿತಾಂಶಗಳಿಗೆ ಹೊಂದಿಸಲು ಪ್ರಯತ್ನಿಸುವ ಮೂಲಕ ಕಲಿಯುತ್ತವೆ ಗಣಿತದ ಸಮೀಕರಣಗಳು ಔಟ್‌ಪುಟ್‌ಗಳನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುತ್ತದೆ, ಸಿಮ್ಯುಲೇಟೆಡ್ ಔಟ್ಪುಟ್ ಅನ್ನು ಅಪೇಕ್ಷಿತ ಫಲಿತಾಂಶಕ್ಕೆ ಹೋಲಿಸುತ್ತದೆ ಮತ್ತು ಪರಿಣಾಮವಾಗಿ ವ್ಯತ್ಯಾಸಗಳು ನಂತರ ಸಂಪರ್ಕಗಳ ಬಲಕ್ಕೆ ಟ್ವೀಕ್‌ಗಳನ್ನು ಉಂಟುಮಾಡುತ್ತವೆ. ಕಂಪ್ಯೂಟೆಡ್ ಔಟ್ಪುಟ್ ಅಪೇಕ್ಷಿತ ಫಲಿತಾಂಶಕ್ಕೆ ಹತ್ತಿರವಾಗುವವರೆಗೆ ಈ ಟ್ವೀಕ್‌ಗಳನ್ನು ಪುನರಾವರ್ತಿತವಾಗಿ ಮಾರ್ಪಡಿಸಲಾಗುತ್ತದೆ, ಆ ಸಮಯದಲ್ಲಿ ನಾವು ನರಮಂಡಲವು "ಕಲಿಯಿತು" ಎಂದು ಹೇಳುತ್ತೇವೆ.
ಚಿತ್ರ 5. ಸಂಕೀರ್ಣ ನರಮಂಡಲ
ಈ "ಆಳವಾದ" ನರಮಂಡಲಗಳು ಹೆಚ್ಚು ಸಂಕೀರ್ಣವಾದ ಮುನ್ನೋಟಗಳನ್ನು ಮಾಡಬಹುದು ಸಾವಿರಾರು ನೋಡ್‌ಗಳು ಮತ್ತು ನೂರಾರು ಲೇಯರ್‌ಗಳು ಇರಬಹುದು, ಅಂದರೆ ಸಾವಿರಾರು ವಿಭಿನ್ನ ಲೆಕ್ಕಾಚಾರಗಳು ಆಳವಾದ ಕಲಿಕೆಯ ಮಾದರಿಗಳು ನಿರ್ದಿಷ್ಟ ಸಮಸ್ಯೆಗಳಾದ ಮಾತು ಅಥವಾ ಇಮೇಜ್ ಗುರುತಿಸುವಿಕೆಯಲ್ಲಿ ಉತ್ತಮವಾಗಿವೆ.
ಆದಾಗ್ಯೂ, ಆಳವಾದ ಕಲಿಕೆಯು ಯಂತ್ರ ಕಲಿಕೆಗೆ ಬೆಳ್ಳಿ ಬುಲೆಟ್ ಅಲ್ಲ ಎಂದು ಗಮನಿಸಬೇಕಾದ ಅಂಶವಾಗಿದೆ- ವಿಶೇಷವಾಗಿ ಸೈಬರ್ ಭದ್ರತೆಯಲ್ಲಿ ಅಲ್ಲ, ಕೆಲವೊಮ್ಮೆ ಆಳವಾದ ಕಲಿಕೆಯ ವಿಧಾನಗಳಿಗೆ ಸೂಕ್ತವಾದ ಕ್ಲೀನ್ ಡೇಟಾದ ದೊಡ್ಡ ಪರಿಮಾಣವು ಇರುವುದಿಲ್ಲ, ಸರಿಯಾದ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಆಯ್ಕೆ ಮಾಡುವುದು ಮುಖ್ಯವಾಗಿದೆ. ಡೇಟಾ, ಮತ್ತು ಕೆಲಸದ ತತ್ವಗಳು ಪುರಾವೆಗಳನ್ನು ಸಂಗ್ರಹಿಸಲು, ಚುಕ್ಕೆಗಳನ್ನು ಸಂಪರ್ಕಿಸಲು ಮತ್ತು ತೀರ್ಮಾನವನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಯಂತ್ರಗಳಿಗೆ ಇದು ಅತ್ಯುತ್ತಮ ಮಾರ್ಗವಾಗಿದೆ
ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳು ಭವಿಷ್ಯದ ವಿಷಯಗಳಂತೆ ಕಾಣಿಸಬಹುದು, ಆದರೆ ಇದು ಸ್ವಲ್ಪ ಸಮಯದವರೆಗೆ ಇದೆ, ವಾಸ್ತವವಾಗಿ, ನರಗಳ ನೆಟ್‌ವರ್ಕ್‌ಗಳು 1940 ರ ದಶಕದಲ್ಲಿ ಪರಿಚಲನೆಗೊಳ್ಳಲು ಪ್ರಾರಂಭಿಸಿದ ವಿಚಾರಗಳನ್ನು ಆಧರಿಸಿವೆ, ಮುಂದಿನ ವಿಭಾಗದಲ್ಲಿ, ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ನಾವು ಸಮಯಕ್ಕೆ ಸಣ್ಣ ಪ್ರವಾಸವನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತೇವೆ ನರ ಜಾಲಗಳು ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆಯು ಆಧುನಿಕ ಜೀವನದ ಹಲವು ಭಾಗಗಳನ್ನು ಹೇಗೆ ವ್ಯಾಪಿಸಿದೆ.
ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳು ಭವಿಷ್ಯದ ವಿಷಯಗಳಂತೆ ಕಾಣಿಸಬಹುದು, ಆದರೆ ಇದು ಸ್ವಲ್ಪ ಸಮಯದವರೆಗೆ ಇದೆ. ವಾಸ್ತವವಾಗಿ, ನರಗಳ ಜಾಲಗಳು 1940 ರ ದಶಕದಲ್ಲಿ ಪರಿಚಲನೆಗೊಳ್ಳಲು ಪ್ರಾರಂಭಿಸಿದ ವಿಚಾರಗಳನ್ನು ಆಧರಿಸಿವೆ.
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಸಂಕ್ಷಿಪ್ತ ಇತಿಹಾಸ
ಕೆಲವು ಜನರಿಗೆ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI) ಎಂಬ ಪದವು ಹಾರುವ ಕಾರುಗಳು ಮತ್ತು ಮನೆಯ ರೋಬೋಟ್‌ಗಳೊಂದಿಗೆ ಫ್ಯೂಚರಿಸ್ಟಿಕ್ ನಗರಗಳ ಚಿತ್ರಗಳನ್ನು ಪ್ರಚೋದಿಸಬಹುದು ಆದರೆ AI ಭವಿಷ್ಯದ ಪರಿಕಲ್ಪನೆಯಲ್ಲ, ಕನಿಷ್ಠ ಇನ್ನು ಮುಂದೆ ಹಾಗೆ ಉಲ್ಲೇಖಿಸದಿದ್ದರೂ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಕಲ್ಪನೆಯು ಹೀಗಿರಬಹುದು. ಪುರಾತನ ಕಾಲದಿಂದ ಗುರುತಿಸಲ್ಪಟ್ಟಿದೆ (ಅಂದರೆ , ಗ್ರೀಕ್ ದೇವರು ಹೆಫೆಸ್ಟಸ್‌ನ ಮಾತನಾಡುವ ಯಾಂತ್ರಿಕ ಕರಸೇವಕರು) ¹ 1930 ರ ದಶಕದಿಂದಲೂ, ವಿಜ್ಞಾನಿಗಳು ಮತ್ತು ಗಣಿತಜ್ಞರು ಸಮಾನವಾಗಿ ಮಾನವರಿಂದ ಪ್ರತ್ಯೇಕವಾದ ನಿಜವಾದ ಬುದ್ಧಿವಂತಿಕೆಯನ್ನು ಸೃಷ್ಟಿಸಲು ಉತ್ಸುಕರಾಗಿದ್ದಾರೆ
20 ನೇ ಶತಮಾನದ ಮಧ್ಯದಲ್ಲಿ AI ಯ ನಿರ್ಣಾಯಕ ಕ್ಷಣವು ಗಣಿತ ಮತ್ತು ಜೀವಶಾಸ್ತ್ರದ ಸಂತೋಷದ ಸಂಗಮವಾಗಿತ್ತು, ನಾರ್ಬರ್ಟ್ ವೀನರ್, ಕ್ಲೌಡ್ ಶಾನನ್ ಮತ್ತು ಅಲನ್ ಟ್ಯೂರಿಂಗ್ ಅವರಂತಹ ಸಂಶೋಧಕರು ಈಗಾಗಲೇ 1943 ರ ವೇಳೆಗೆ ವಿದ್ಯುತ್ ಸಂಕೇತಗಳು ಮತ್ತು ಗಣನೆಯ ಛೇದಕದಲ್ಲಿ ದೂರ ಹೋಗಿದ್ದಾರೆ, ವಾರೆನ್ ಮೆಕ್ಯುಲೋಚ್ ಮತ್ತು ವಾಲ್ಟರ್ ಪಿಟ್ಸ್ ನರ ನೆಟ್‌ವರ್ಕ್‌ಗಳಿಗೆ ಒಂದು ಮಾದರಿಯನ್ನು ರಚಿಸಿದೆ ನರಮಂಡಲಗಳು ಹೆಚ್ಚಿನ ಅಶ್ವಶಕ್ತಿಯೊಂದಿಗೆ ಕಂಪ್ಯೂಟಿಂಗ್‌ನ ಹೊಸ ಜಗತ್ತಿಗೆ ದಾರಿ ಮಾಡಿಕೊಟ್ಟವು ಮತ್ತು 1956 ರಲ್ಲಿ AI ಸಂಶೋಧನಾ ಕ್ಷೇತ್ರವನ್ನು ಅಧಿಕೃತವಾಗಿ ಶೈಕ್ಷಣಿಕ ವಿಭಾಗವಾಗಿ ಸ್ಥಾಪಿಸಲಾಯಿತು.
ಶತಮಾನದ ಉತ್ತರಾರ್ಧವು AI ಸಂಶೋಧನೆ ಮತ್ತು ಪ್ರಗತಿಗೆ ಉತ್ತೇಜಕ ಯುಗವಾಗಿತ್ತು, 70 ರ ದಶಕದ ಮಧ್ಯಭಾಗದಲ್ಲಿ ಮತ್ತು 80 ರ ದಶಕದ ಉತ್ತರಾರ್ಧದಲ್ಲಿ "AI ಚಳಿಗಾಲ" ದಿಂದ ಸಾಂದರ್ಭಿಕವಾಗಿ ಅಡಚಣೆಯಾಯಿತು, ಅಲ್ಲಿ AI ಸಾರ್ವಜನಿಕ ನಿರೀಕ್ಷೆಗಳನ್ನು ಪೂರೈಸಲು ವಿಫಲವಾಯಿತು ಮತ್ತು ಫೆಲ್ಡ್ನಲ್ಲಿ ಹೂಡಿಕೆ ಕಡಿಮೆಯಾಯಿತು ಆದರೆ ಹಿನ್ನಡೆಗಳ ಹೊರತಾಗಿಯೂ, AI ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆಗಾಗಿ ವಿಭಿನ್ನ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು ಎಡ ಮತ್ತು ಬಲಕ್ಕೆ ಗೋಚರಿಸುತ್ತಿವೆ, ಅಂತಹ ಅಪ್ಲಿಕೇಶನ್‌ನ ಒಂದು ನಿರ್ದಿಷ್ಟ ಉಪಾಖ್ಯಾನವು ವೈಜ್ಞಾನಿಕ ಸಮುದಾಯದಲ್ಲಿ ಜನಪ್ರಿಯ ನೀತಿಕಥೆಯಾಗಿದೆ, AI ಸಂಶೋಧನೆ ಮತ್ತು ಅನುಷ್ಠಾನದ ಪ್ರಯೋಗಗಳು ಮತ್ತು ಕ್ಲೇಶಗಳಿಗೆ ಸಾಕಷ್ಟು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಮಾತನಾಡುತ್ತದೆ.
ಕಥೆ ಹೀಗಿದೆ:
1980 ರ ದಶಕದಲ್ಲಿ, ಪೆನ್tagಮರೆಮಾಚಲ್ಪಟ್ಟ ಟ್ಯಾಂಕ್‌ಗಳನ್ನು ಗುರುತಿಸಲು ನರಮಂಡಲವನ್ನು ಬಳಸಲು ನಿರ್ಧರಿಸಲಾಯಿತು (1980 ರ ದಶಕದಿಂದ, ನೆನಪಿನಲ್ಲಿಡಿ) ಕೇವಲ ಒಂದು ಮೇನ್‌ಫ್ರೇಮ್‌ನೊಂದಿಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಿದೆ, ನರ ನೆಟ್ ಅನ್ನು 200 ಚಿತ್ರಗಳೊಂದಿಗೆ ತರಬೇತಿ ನೀಡಲಾಯಿತು - 100 ಟ್ಯಾಂಕ್‌ಗಳು ಮತ್ತು 100 ಮರಗಳು ತುಲನಾತ್ಮಕವಾಗಿ ಸಣ್ಣ ನರಮಂಡಲದ ಹೊರತಾಗಿಯೂ (1980 ರ ಕಾರಣದಿಂದಾಗಿ ಕಂಪ್ಯೂಟೇಶನ್ ಮತ್ತು ಮೆಮೊರಿಯ ಮೇಲಿನ ಮಿತಿಗಳು), ಲ್ಯಾಬ್ ತರಬೇತಿಯು 100% ನಿಖರತೆಗೆ ಕಾರಣವಾಯಿತು, ಅಂತಹ ಯಶಸ್ಸಿನೊಂದಿಗೆ, ತಂಡವು ಫೆಲ್ಡ್ನಲ್ಲಿ ಅದನ್ನು ನೀಡಲು ನಿರ್ಧರಿಸುತ್ತದೆ ಫಲಿತಾಂಶಗಳು ಉತ್ತಮವಾಗಿಲ್ಲ.
ಚಿತ್ರ 6. ಲ್ಯಾಬ್ vs ಫೀಲ್ಡ್ ಚಿತ್ರಗಳು (ಮೂಲ: ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ಫೋಲೀಸ್, ನೀಲ್ ಫ್ರೇಸರ್, ಸೆಪ್ಟೆಂಬರ್ 1998)
1980 ರ ದಶಕದಲ್ಲಿ ಕನಸು ಕಾಣದಿರುವ ವಿಶಾಲವಾದ ಕಂಪ್ಯೂಟಿಂಗ್ ಸಂಪನ್ಮೂಲಗಳ ಲಭ್ಯತೆಯೊಂದಿಗೆ, ಆಳವಾದ ನರಮಂಡಲಗಳು ಶೀಘ್ರವಾಗಿ ಸಂಶೋಧನೆಗೆ ಜನಪ್ರಿಯ ಪ್ರದೇಶವಾಗಿದೆ. ಆಳವಾದ ಕಲಿಕೆಯು ಸಿಸ್ಟಮ್ಗೆ ಶತಕೋಟಿ ಸಂಯೋಜನೆಗಳು ಮತ್ತು ಅವಲೋಕನಗಳ ಮೂಲಕ ಸ್ವಯಂಚಾಲಿತವಾಗಿ "ಕಲಿಯುವ" ಸಾಮರ್ಥ್ಯವನ್ನು ನೀಡುತ್ತದೆ, ಮಾನವ ಸಂಪನ್ಮೂಲಗಳ ಮೇಲಿನ ಅವಲಂಬನೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.
ಲ್ಯಾಬ್‌ನಲ್ಲಿನ ಫೋಟೋಗಳಲ್ಲಿ ನರಮಂಡಲವು ಏಕೆ ಅದ್ಭುತವಾಗಿ ಮಾಡಿದೆ, ಆದರೆ ಫೆಲ್ಡ್ನಲ್ಲಿ ಸಂಪೂರ್ಣವಾಗಿ ವಿಫಲವಾಗಿದೆ? ಟ್ಯಾಂಕ್ ಅಲ್ಲದ ಫೋಟೋಗಳನ್ನು ಆಕಾಶವು ಮೋಡ ಕವಿದ ದಿನಗಳಲ್ಲಿ ತೆಗೆದುಕೊಳ್ಳಲಾಗಿದೆ ಎಂದು ಅದು ಬದಲಾಯಿತು; ಎಲ್ಲಾ ಮರಗಳ ಚಿತ್ರಗಳನ್ನು ಸೂರ್ಯನು ಬೆಳಗುತ್ತಿದ್ದ ದಿನಗಳಲ್ಲಿ ತೆಗೆಯಲಾಗಿದೆ, ನರಮಂಡಲವು ಬಿಸಿಲನ್ನು ಗುರುತಿಸಲು ತರಬೇತಿ ಪಡೆದಿದೆ, ಟ್ಯಾಂಕ್‌ಗಳಲ್ಲ
ಅಂತಿಮವಾಗಿ, ಆಳವಾದ ಕಲಿಕೆಯ ಮೂಲಕ ದೃಶ್ಯ ಗುರುತಿಸುವಿಕೆ-ಪೆನ್‌ಗಿಂತ ಹೆಚ್ಚು ಸಂಕೀರ್ಣವಾದ ನರ ಜಾಲಗಳಿಂದ ಸುಗಮಗೊಳಿಸಲಾಗುತ್ತದೆtag1980 ರ ದಶಕದ ಮೇನ್‌ಫ್ರೇಮ್ ನಿಭಾಯಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತಿತ್ತು-2012 ರಲ್ಲಿ, ಸ್ಟ್ಯಾನ್‌ಫೋರ್ಡ್ ಪ್ರೊಫೆಸರ್ ಆಂಡ್ರ್ಯೂ ಎನ್‌ಜಿ ಮತ್ತು ಗೂಗಲ್ ಸಹ ಜೆಫ್ ಡೀನ್ ಅವರು 1000 ಕಂಪ್ಯೂಟರ್‌ಗಳನ್ನು ಬಳಸಿಕೊಂಡು 16 ಕೋರ್‌ಗಳೊಂದಿಗೆ ಮೊದಲ ಆಳವಾದ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳಲ್ಲಿ ಒಂದನ್ನು ರಚಿಸಿದರು: 10 ಮಿಲಿಯನ್ ಯೂಟ್ಯೂಬ್ ವೀಡಿಯೊಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಿ ಫಲಿತಾಂಶ : ಇದು ಬೆಕ್ಕುಗಳನ್ನು ಕಂಡುಹಿಡಿದಿದೆ ² ಅದರ "ಆಳವಾದ ಕಲಿಕೆ" ಅಲ್ಗಾರಿದಮ್‌ಗೆ ಧನ್ಯವಾದಗಳು, ನೆಟ್ವರ್ಕ್ ಕಾಲಾನಂತರದಲ್ಲಿ ಬೆಕ್ಕುಗಳನ್ನು ಗುರುತಿಸಲು ಸಾಧ್ಯವಾಯಿತು ಮತ್ತು ಉತ್ತಮ ನಿಖರತೆಯೊಂದಿಗೆ
1980 ರ ದಶಕದಲ್ಲಿ ಕನಸು ಕಾಣದಿರುವ ವಿಶಾಲವಾದ ಕಂಪ್ಯೂಟಿಂಗ್ ಸಂಪನ್ಮೂಲಗಳ ಲಭ್ಯತೆಯೊಂದಿಗೆ, ಆಳವಾದ ನರ ಜಾಲಗಳು ಶೀಘ್ರವಾಗಿ ಸಂಶೋಧನೆಗೆ ಜನಪ್ರಿಯ ಪ್ರದೇಶವಾಗಿ ಮಾರ್ಪಟ್ಟಿವೆ ಆಳವಾದ ಕಲಿಕೆಯು ಸಿಸ್ಟಮ್ಗೆ ಶತಕೋಟಿ ಸಂಯೋಜನೆಗಳು ಮತ್ತು ಅವಲೋಕನಗಳ ಮೂಲಕ ಸ್ವಯಂಚಾಲಿತವಾಗಿ "ಕಲಿಯುವ" ಸಾಮರ್ಥ್ಯವನ್ನು ನೀಡುತ್ತದೆ, ಅವಲಂಬನೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ. ಮಾನವ ಸಂಪನ್ಮೂಲಗಳು ಸೈಬರ್ ಸೆಕ್ಯುರಿಟಿ ಡೊಮೇನ್‌ನಲ್ಲಿ, ಮಾಲ್‌ವೇರ್-ಸನ್ನಿವೇಶಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಈ ವಿಧಾನವು ನಿರ್ದಿಷ್ಟವಾಗಿ ಭರವಸೆ ನೀಡಿದೆ, ಇದರಲ್ಲಿ ನಾವು ಅನೇಕ ಮಾಜಿಗಳೊಂದಿಗೆ ದೊಡ್ಡ ಡೇಟಾಸೆಟ್‌ಗಳನ್ನು ಹೊಂದಿದ್ದೇವೆampನೆಟ್ವರ್ಕ್ ಕಲಿಯಬಹುದಾದ ಮಾಲ್ವೇರ್ನ les
ದುರದೃಷ್ಟವಶಾತ್, ಆಂತರಿಕ ಬೆದರಿಕೆಯಂತಹ ಕೆಲವು ಬಳಕೆಯ ಸಂದರ್ಭಗಳಿಗೆ ಬಂದಾಗ ಆಳವಾದ ಕಲಿಕೆಯ ವಿಧಾನಗಳು ಪ್ರಸ್ತುತ ಕಡಿಮೆ ಪರಿಣಾಮಕಾರಿಯಾಗಿರುತ್ತವೆ, ಏಕೆಂದರೆ ಈ ರೀತಿಯ ದಾಳಿಗಳ ಕುರಿತು ಸರಿಯಾದ ರೀತಿಯ ಡೇಟಾವನ್ನು ನಾವು ಹೊಂದಿಲ್ಲ, ಅಗತ್ಯವಿರುವ ಸಂಪುಟಗಳಲ್ಲಿ ಹೆಚ್ಚಾಗಿ, ನಾವು ಹೊಂದಿರುವ ಮಾಹಿತಿ ಒಳಗಿನ ಬೆದರಿಕೆಗಳು ಉಪಾಖ್ಯಾನವಾಗಿದ್ದು, ಈ ರೀತಿಯ ನರಗಳ ಜಾಲಗಳಿಂದ ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಬಳಸಲಾಗುವುದಿಲ್ಲ.
ನಾವು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿ ಡೇಟಾಸೆಟ್‌ಗಳನ್ನು ಸಂಗ್ರಹಿಸುವವರೆಗೆ (ಮತ್ತು ಆಳವಾದ ಕಲಿಕೆಯ ವ್ಯವಸ್ಥೆಗಳ ವೆಚ್ಚ ಮತ್ತು ಸಂಕೀರ್ಣತೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುವವರೆಗೆ), ಆಳವಾದ ಕಲಿಕೆಯು ಎಲ್ಲಾ ಬಳಕೆಯ ಸಂದರ್ಭಗಳಿಗೆ ಸರಿಯಾದ ಆಯ್ಕೆಯಾಗಿರುವುದಿಲ್ಲ ಮತ್ತು ಅದು ಸರಿ ಆಳವಾದ ಕಲಿಕೆಯು ಅನೇಕ ಯಂತ್ರ ಕಲಿಕೆಯ ಕ್ರಮಾವಳಿಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ, ಮತ್ತು ಈ ವಿಧಾನಗಳು ಹೆಚ್ಚು ಮೌಲ್ಯಯುತವಾಗಿಲ್ಲದಿದ್ದರೂ - ಇದು ಎಲ್ಲಾ ಕೈಯಲ್ಲಿರುವ ಕೆಲಸದ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ
AI ತಂತ್ರಜ್ಞಾನಗಳ ಅಧಿಕೃತ “ಹುಟ್ಟಿನ” ನಂತರದ ಆರು ದಶಕಗಳಲ್ಲಿ ನಾವು ಅಪಾರ ಸಾಮರ್ಥ್ಯವನ್ನು ನೋಡಿದ್ದೇವೆ ಮತ್ತು ನಾವು ಕೇವಲ ಮೇಲ್ಮೈಯನ್ನು ಸ್ಕ್ರಾಚ್ ಮಾಡಿದ್ದೇವೆ, ವಿಶೇಷವಾಗಿ ಭದ್ರತೆಯಲ್ಲಿ ಮುಂದೆ, ನಾವು AI ಮತ್ತು ವಿಶ್ಲೇಷಣೆಗಳ ಸಂಭಾವ್ಯ ಅಪ್ಲಿಕೇಶನ್‌ಗಳನ್ನು ಬದಲಾಯಿಸಲು ಆಳವಾದ ಡೈವ್ ತೆಗೆದುಕೊಳ್ಳುತ್ತೇವೆ. ಭದ್ರತಾ ಬೆದರಿಕೆಗಳನ್ನು ನಾವು ಗುರುತಿಸುವ ಮತ್ತು ಪ್ರತಿಕ್ರಿಯಿಸುವ ವಿಧಾನ.
ಪ್ರೆಡಿಕ್ಟಿವ್ ಅನಾಲಿಟಿಕ್ಸ್ ಎಂಬುದು ಒಂದು ದೊಡ್ಡ ಪಝಲ್‌ನ ಒಂದು ಭಾಗವಾಗಿದ್ದು ಅದು ನಮಗೆ ಭದ್ರತಾ ತಂಡಗಳಿಗೆ ಹೆಚ್ಚು ಉಪಯುಕ್ತ ಒಳನೋಟವನ್ನು ನೀಡುತ್ತದೆ.
AI ತಂತ್ರಜ್ಞಾನಗಳ ಅಧಿಕೃತ "ಹುಟ್ಟಿನ" ನಂತರದ ಆರು ದಶಕಗಳಲ್ಲಿ ನಾವು ಅಪಾರ ಸಾಮರ್ಥ್ಯವನ್ನು ನೋಡಿದ್ದೇವೆ ಮತ್ತು ನಾವು ಕೇವಲ ಮೇಲ್ಮೈಯನ್ನು ಗೀಚಿದ್ದೇವೆ, ವಿಶೇಷವಾಗಿ ಭದ್ರತೆಯಲ್ಲಿ.
ಭದ್ರತಾ ವಿಶ್ಲೇಷಣೆಗಾಗಿ ಹೊಸ ದೃಷ್ಟಿ
ಇಲ್ಲಿಯವರೆಗೆ, ಈ ಮಾರ್ಗದರ್ಶಿ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಸೂಕ್ಷ್ಮವಾಗಿ ಗಮನಿಸಿದೆ, ಅದರ ಮಿತಿಗಳು ಮತ್ತು ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು AI ಅನ್ನು ಸುಗಮಗೊಳಿಸಲು ಯಂತ್ರ ಕಲಿಕೆಗೆ ಅಗಾಧವಾದ ಸಾಮರ್ಥ್ಯವಿದೆ, ಆದರೆ ಬೆದರಿಕೆ ಪತ್ತೆಹಚ್ಚುವಿಕೆಯ ವಿಶಾಲ ಆಟವು ಆಳವಾದ ಕಲಿಕೆ ಅಥವಾ ಯಂತ್ರ ಕಲಿಕೆಯ ಬಗ್ಗೆ ಅಲ್ಲ ಎಂಬುದು ಗಮನಿಸಬೇಕಾದ ಸಂಗತಿ. ಇಂದು ನಮಗೆ ತಿಳಿದಿರುವಂತೆ, ಹೊಸ ಡೇಟಾ ಪ್ರಕಾರಗಳೊಂದಿಗೆ ಸಂಯೋಜಿಸಲ್ಪಟ್ಟ ಹೊಸ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ವಿಧಾನಗಳು ಭದ್ರತಾ ಬೆದರಿಕೆಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಲು ಮತ್ತು ಕಾರ್ಯನಿರ್ವಹಿಸಲು ನಮಗೆ ಸಂಪೂರ್ಣವಾಗಿ ಹೊಸ ಚೌಕಟ್ಟುಗಳನ್ನು ನೀಡಬಹುದು.
| ಹೊಸ ವಿಧಾನಗಳು | ಅಡಾಪ್ಟಿವ್ ಅನಾಲಿಸಿಸ್ ನಿರಂತರ ವಿಶ್ಲೇಷಣೆ ಆಪ್ಟಿಮೈಸೇಶನ್ ಅಡಿಯಲ್ಲಿ ಅನಿಶ್ಚಿತತೆ | ಸಂದರ್ಭಕ್ಕೆ ಪ್ರತಿಕ್ರಿಯಿಸುವುದು ಸ್ಥಳೀಯ ಬದಲಾವಣೆ/ಪ್ರತಿಕ್ರಿಯೆಗೆ ಪ್ರತಿಕ್ರಿಯಿಸುವುದು ಅಪಾಯವನ್ನು ಪ್ರಮಾಣೀಕರಿಸುವುದು ಅಥವಾ ತಗ್ಗಿಸುವುದು |
| ಸಾಂಪ್ರದಾಯಿಕ | ಆಪ್ಟಿಮೈಸೇಶನ್ ಪ್ರಿಡಿಕ್ಟಿವ್ ಮಾಡೆಲಿಂಗ್ ಸಿಮ್ಯುಲೇಶನ್ ಫೋರ್ಕಾಸ್ಟಿಂಗ್ ಎಚ್ಚರಿಕೆಗಳು ಪ್ರಶ್ನೆ/ಡ್ರಿಲ್ ಡೌನ್ ತಾತ್ಕಾಲಿಕ ವರದಿ ಮಾಡುವಿಕೆ ಪ್ರಮಾಣಿತ ವರದಿ | ನಿರ್ಧಾರದ ಸಂಕೀರ್ಣತೆ, ಪರಿಹಾರದ ವೇಗ ಪ್ರಾಸಂಗಿಕವಾಗಿ, ಸಂಭವನೀಯತೆ, ವಿಶ್ವಾಸಾರ್ಹ ಮಟ್ಟಗಳು ಹೆಚ್ಚಿನ ನಿಷ್ಠೆ, ಆಟಗಳು, ಡೇಟಾ ಕೃಷಿ ದೊಡ್ಡ ಡೇಟಾ ಸೆಟ್‌ಗಳು, ರೇಖಾತ್ಮಕವಲ್ಲದ ರಿಗ್ರೆಶನ್ ನಿಯಮಗಳು/ಟ್ರಿಗ್ಗರ್‌ಗಳು, ಸಂದರ್ಭ ಸೂಕ್ಷ್ಮ, ಸಂಕೀರ್ಣ ಘಟನೆಗಳು ಮೆಮೊರಿ ಡೇಟಾದಲ್ಲಿ, ಅಸ್ಪಷ್ಟ ಹುಡುಕಾಟ, ಮಾಜಿ ಮೂಲಕ ಜಿಯೋ ಪ್ರಾದೇಶಿಕ ಪ್ರಶ್ನೆampಲೆ, ಬಳಕೆದಾರರು ನೈಜ ಸಮಯ, ದೃಶ್ಯೀಕರಣಗಳು, ಬಳಕೆದಾರ ಸಂವಹನ ವರದಿಗಳನ್ನು ರಕ್ಷಿಸುತ್ತಾರೆ |
| ಹೊಸ ಡೇಟಾ | ಎಂಟಿಟಿ ರೆಸಲ್ಯೂಶನ್ ಸಂಬಂಧ, ವೈಶಿಷ್ಟ್ಯದ ಹೊರತೆಗೆಯುವಿಕೆ ಟಿಪ್ಪಣಿ ಮತ್ತು ಟೋಕನೈಸೇಶನ್ | ಜನರು, ಪಾತ್ರಗಳು, ಸ್ಥಳಗಳು, ವಿಷಯಗಳು ನಿಯಮಗಳು, ಶಬ್ದಾರ್ಥದ ನಿರ್ಣಯ, ಹೊಂದಾಣಿಕೆ ಸ್ವಯಂಚಾಲಿತ, ಜನಸಂದಣಿ ಮೂಲ |
ಇತರ ಕೈಗಾರಿಕೆಗಳಿಗೆ ವಿಶ್ಲೇಷಣೆಗಳು ಏನು ಮಾಡಬಹುದೆಂದು ನಾವು ನೋಡಿದ್ದೇವೆ ಮತ್ತು ಸೈಬರ್ ಸುರಕ್ಷತೆಯ ಮೇಲೆ ಆಳವಾದ ಪ್ರಭಾವ ಬೀರುವ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಸಾಮರ್ಥ್ಯವಿದೆ, ನಾವು ಭದ್ರತಾ ವಿಶ್ಲೇಷಣೆ ಎಂದು ಕರೆಯುವ ಹೊಸ ಕ್ಷೇತ್ರದಲ್ಲಿ ಇದು ಆಕಾರವನ್ನು ಪಡೆಯುವುದನ್ನು ನಾವು ನೋಡುತ್ತೇವೆ, ಇದು ಮೂಲಭೂತವಾಗಿ ಯುದ್ಧ-ಪರೀಕ್ಷೆಯನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ. ನಾವು ಚರ್ಚಿಸಿದ (ಮತ್ತು ಹೆಚ್ಚು) ಅಲ್ಗಾರಿದಮ್‌ಗಳು ಮತ್ತು ವಿಧಾನಗಳು ಮತ್ತು ಅವುಗಳನ್ನು ಅನ್ವಯಿಸುವುದರಿಂದ ಭದ್ರತೆಯಲ್ಲಿ ನಿಜವಾಗಿಯೂ ಕಷ್ಟಕರವಾದ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ
ಇಂದು ನಾವು ಭದ್ರತೆಯಲ್ಲಿ ನೋಡುತ್ತಿರುವ ಅತ್ಯಂತ ಸಾಮಾನ್ಯವಾದ ವಿಶ್ಲೇಷಣೆಯು ಭವಿಷ್ಯಸೂಚಕ ಮಾದರಿಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ, ಇದು ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ಡೇಟಾದೊಳಗೆ ಅಪಾಯಗಳು ಎಲ್ಲೆಲ್ಲಿ ಇರಬಹುದೆಂದು ಗುರುತಿಸಲು ನಮಗೆ ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ (ಇಲ್ಲಿಯೇ ಅಸಂಗತತೆ ಪತ್ತೆ ಅಡಿಗಳು) ಸಂಕ್ಷಿಪ್ತವಾಗಿ ಹೇಳುವುದಾದರೆ, ಭವಿಷ್ಯಸೂಚಕ ಮಾಡೆಲಿಂಗ್ ನೈಜ-ಸಮಯದ ನಡವಳಿಕೆಯೊಂದಿಗೆ ಐತಿಹಾಸಿಕ ಡೇಟಾವನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ. ಭವಿಷ್ಯದ ನಡವಳಿಕೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಅಥವಾ ಊಹಿಸಲು ಇದರೊಂದಿಗೆ, "ಮುಂದೆ ಏನಾಗುತ್ತದೆ?" ಎಂಬ ಪ್ರಶ್ನೆಗೆ ನಾವು ಉತ್ತರಿಸಬಹುದು.
ಆದರೆ ಭದ್ರತಾ ವಿಶ್ಲೇಷಣೆಗಾಗಿ ನಮ್ಮ ದೃಷ್ಟಿ ಇಲ್ಲಿ ನಿಲ್ಲುವುದಿಲ್ಲ ಮುನ್ಸೂಚಕ ವಿಶ್ಲೇಷಣೆಯು ಒಂದು ದೊಡ್ಡ ಪಝಲ್‌ನ ಒಂದು ಭಾಗವಾಗಿದೆ, ಇದು ಭದ್ರತಾ ತಂಡಗಳಿಗೆ ನಮಗೆ ಹೆಚ್ಚು ಉಪಯುಕ್ತವಾದ ಒಳನೋಟವನ್ನು ನೀಡುತ್ತದೆ ಆದರ್ಶ ವಿಶ್ಲೇಷಣಾ ಮಾದರಿಯು ಬುದ್ಧಿವಂತ ಸಂವೇದಕ ಮತ್ತು ಸರ್ವತ್ರ ಡೇಟಾ ಮೂಲಗಳನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ-ಡೆಸ್ಕ್‌ಟಾಪ್‌ಗಳು ಮತ್ತು ಸರ್ವರ್‌ಗಳು, ಮೊಬೈಲ್ , ಕ್ಲೌಡ್, ಸಾಮಾಜಿಕ ನೆಟ್‌ವರ್ಕ್‌ಗಳು, ತೆರೆದ ಡೇಟಾ, ಇತ್ಯಾದಿ - ವಿಧಿವಿಜ್ಞಾನ ವಿಶ್ಲೇಷಣೆ, ಅಪಾಯ ಮಾಡೆಲಿಂಗ್, ಅಸಂಗತತೆ ಪತ್ತೆ, ನಡವಳಿಕೆ ಮತ್ತು ಪ್ರತಿಕ್ರಿಯೆ ಆಪ್ಟಿಮೈಸೇಶನ್ ಮತ್ತು ಹೆಚ್ಚಿನವುಗಳನ್ನು ಒಳಗೊಂಡಂತೆ ನಡವಳಿಕೆ ಮತ್ತು ಬೆದರಿಕೆ ವಿಶ್ಲೇಷಣೆಗೆ ಬಹು ಸುಧಾರಿತ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ವಿಧಾನಗಳೊಂದಿಗೆ
ಇದರರ್ಥ ನಾವು ಬೆದರಿಕೆಯನ್ನು ಊಹಿಸುವುದಕ್ಕಿಂತ ಅಥವಾ ಗುರುತಿಸುವುದಕ್ಕಿಂತ ಹೆಚ್ಚಿನದನ್ನು ಮಾಡಬಹುದು, ಇದು ಕೇವಲ ಸುಧಾರಿತ ಪತ್ತೆಹಚ್ಚುವಿಕೆಯನ್ನು ನೀಡಲು ನಮಗೆ ಇನ್ನೂ ಹೆಚ್ಚಿನದನ್ನು ಅನುಮತಿಸುತ್ತದೆ ಆದರೆ ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಹೇಗೆ ಪ್ರತಿಕ್ರಿಯಿಸುವುದು ಎಂಬುದರ ಒಳನೋಟವನ್ನು ಭದ್ರತಾ ವಿಶ್ಲೇಷಣೆಯು ನಮಗೆ ಇತರ ಪ್ರಮುಖ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಿಸುವ ಶಕ್ತಿಯನ್ನು ನೀಡುತ್ತದೆ, ಉದಾಹರಣೆಗೆ “ಹೇಗೆ ಅನೇಕ ಬೆದರಿಕೆಗಳಿವೆಯೇ?" ಮತ್ತು "ಸಾಧ್ಯವಾದ ಪ್ರತಿಕ್ರಿಯೆ ಯಾವುದು?"
ಸೈಬರ್ ಸುರಕ್ಷತೆಗೆ ಅನ್ವಯಿಸಲಾದ ಆಪ್ಟಿಮೈಸೇಶನ್ ವಿಧಾನಗಳಂತಹ ಇತರ ವರ್ಗಗಳ ವಿಶ್ಲೇಷಣೆಗಳನ್ನು ನಾವು ಇನ್ನೂ ನೋಡಿಲ್ಲ, ಆದರೆ ಅವುಗಳು ಅಪಾರ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿವೆ, ಈ ತಂತ್ರಗಳು ಭದ್ರತಾ ಅಪಾಯದ ಎಲ್ಲಾ ಸಂಭವನೀಯ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ನೋಡುತ್ತವೆ ಮತ್ತು ಉತ್ತಮ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ನಿರ್ಧರಿಸುತ್ತವೆ ಹೌದು, ಗಣಿತದೊಂದಿಗೆ ಇದನ್ನು ಮಾಡಲು ಮಾರ್ಗಗಳಿವೆ
ಉದಾಹರಣೆಗೆampಉದಾಹರಣೆಗೆ, ಸಮಸ್ಯೆಯೊಂದಿಗೆ ನಿಮ್ಮ ಸೆಲ್ ಫೋನ್ ಸೇವಾ ಪೂರೈಕೆದಾರರಿಗೆ ನೀವು ಕರೆ ಮಾಡಿದಾಗ ಆಪ್ಟಿಮೈಸೇಶನ್ ವಿಧಾನಗಳನ್ನು ಬಳಸಲಾಗುತ್ತದೆ ನಿಮ್ಮ ಸೇವಾ ಯೋಜನೆಯನ್ನು ರಿಯಾಯಿತಿಯಲ್ಲಿ ಅಪ್‌ಗ್ರೇಡ್ ಮಾಡಬೇಕೆ ಅಥವಾ ಬೇಡವೇ ಎಂಬುದರ ಕುರಿತು ಅವರು ಯಾದೃಚ್ಛಿಕವಾಗಿ ಶಿಫಾರಸು ಮಾಡುತ್ತಿಲ್ಲ; ಅವರು ನಿಮ್ಮ ಕರೆ ಲಾಗ್‌ಗಳು, ಡ್ರಾಪ್ ಮಾಡಿದ ಕರೆಗಳ ಸಂಖ್ಯೆ, ನಿಮ್ಮ ಇತಿಹಾಸವು ಇತರ ಬಳಕೆದಾರರೊಂದಿಗೆ ಹೇಗೆ ಹೋಲಿಸುತ್ತದೆ ಇತ್ಯಾದಿಗಳನ್ನು ನೋಡುವ ಹಿನ್ನೆಲೆಯಲ್ಲಿ ಗಣಿತದ ಸೆಟ್ ಅನ್ನು ಅವಲಂಬಿಸಿರುತ್ತಾರೆ, ನಂತರ ನೀವು ಇನ್ನೊಂದು ಸೇವಾ ಪೂರೈಕೆದಾರರಿಗೆ ಬದಲಾಯಿಸಬಹುದಾದ ಸಂಭವನೀಯತೆಯನ್ನು ಸಹ ಇದು ಲೆಕ್ಕಾಚಾರ ಮಾಡುತ್ತದೆ. ಎಲ್ಲಾ ಸಂಭಾವ್ಯ ಮುಂದಿನ ಹಂತಗಳಲ್ಲಿ, ಇದು ಗ್ರಾಹಕರ ಧಾರಣವನ್ನು ಗರಿಷ್ಠಗೊಳಿಸಲು ಉತ್ತಮ ಮುಂದಿನ ಹಂತವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುತ್ತದೆ
ಅಪಾಯವನ್ನು ಗುರುತಿಸಲು, ಪ್ರತಿಕ್ರಿಯಿಸಲು ಹಲವಾರು ಮಾರ್ಗಗಳನ್ನು ಒದಗಿಸಲು ಮತ್ತು ಈ ನಿರ್ದಿಷ್ಟ ಅಪಾಯವನ್ನು ಗರಿಷ್ಠಗೊಳಿಸಲು ಗಣಿತದ ಅತ್ಯುತ್ತಮ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ನಿರ್ಧರಿಸಲು ಅದೇ ಗಣಿತವನ್ನು ಭದ್ರತಾ ತಂಡಕ್ಕೆ ಅನ್ವಯಿಸಬಹುದು.
ಭದ್ರತಾ ಬೆದರಿಕೆಗಳ ಕ್ಷಿಪ್ರ ಏರಿಕೆ ಮತ್ತು ವಿಕಸನವು ಈ ರೀತಿಯ ಪ್ರತಿಕ್ರಿಯೆಯ ದಕ್ಷತೆಯನ್ನು ನಿರ್ಣಾಯಕವಾಗಿಸುತ್ತದೆ ಅದೃಷ್ಟವಶಾತ್, ನಾವು ಹೆಚ್ಚು ಕಂಪ್ಯೂಟ್ ಪವರ್, ಉತ್ತಮ ಅಲ್ಗಾರಿದಮ್‌ಗಳು ಮತ್ತು ಈ ಡೇಟಾವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ನಮಗೆ ಸಹಾಯ ಮಾಡಲು ಸಂಶೋಧನೆ ಮತ್ತು ತಂತ್ರಜ್ಞಾನಗಳಲ್ಲಿ ವ್ಯಾಪಕ ಹೂಡಿಕೆಯನ್ನು ಹೊಂದಿದ್ದೇವೆ. ಗಣಿತದ ಮೂಲಕ ಎಲ್ಲಾ ಖಾತೆಗಳ ಮೂಲಕ, ಭದ್ರತಾ ವಿಶ್ಲೇಷಣೆಯು ಇದೀಗ ಪ್ರಾರಂಭವಾಗುತ್ತಿದೆ ಎಂದು ನಾವು ನಂಬುತ್ತೇವೆ.
ಹಿಂದೆಂದಿಗಿಂತಲೂ ಇಂದು ನಾವು ಹೆಚ್ಚಿನ ಡೇಟಾವನ್ನು ಹೊಂದಿದ್ದೇವೆ. ಅದೃಷ್ಟವಶಾತ್, ಗಣಿತದ ಮೂಲಕ ಈ ಡೇಟಾವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ನಮಗೆ ಸಹಾಯ ಮಾಡಲು ನಾವು ಹೆಚ್ಚು ಕಂಪ್ಯೂಟ್ ಪವರ್, ಉತ್ತಮ ಅಲ್ಗಾರಿದಮ್‌ಗಳು ಮತ್ತು ಸಂಶೋಧನೆ ಮತ್ತು ತಂತ್ರಜ್ಞಾನಗಳಲ್ಲಿ ವ್ಯಾಪಕ ಹೂಡಿಕೆಯನ್ನು ಹೊಂದಿದ್ದೇವೆ. ಎಲ್ಲಾ ಖಾತೆಗಳ ಪ್ರಕಾರ, ಭದ್ರತಾ ವಿಶ್ಲೇಷಣೆಯು ಇದೀಗ ಪ್ರಾರಂಭವಾಗುತ್ತಿದೆ ಎಂದು ನಾವು ನಂಬುತ್ತೇವೆ.
ಗ್ರಾಹಕ ಬೆಂಬಲ
ನಮ್ಮೊಂದಿಗೆ ಸಂಪರ್ಕ ಸಾಧಿಸಿ
www.opentext.com
OpenText Cybersecurity ಎಲ್ಲಾ ಗಾತ್ರದ ಕಂಪನಿಗಳು ಮತ್ತು ಪಾಲುದಾರರಿಗೆ ಸಮಗ್ರ ಭದ್ರತಾ ಪರಿಹಾರಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ, ತಡೆಗಟ್ಟುವಿಕೆ, ಪತ್ತೆ ಮತ್ತು ಪ್ರತಿಕ್ರಿಯೆಯಿಂದ ಚೇತರಿಕೆ, ತನಿಖೆ ಮತ್ತು ಅನುಸರಣೆ, ನಮ್ಮ ಏಕೀಕೃತ ಎಂಡ್-ಟು-ಎಂಡ್ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಗ್ರಾಹಕರಿಗೆ ಸಮಗ್ರ ಭದ್ರತಾ ಪೋರ್ಟ್‌ಫೋಲಿಯೊ ಮೂಲಕ ಸೈಬರ್ ಸ್ಥಿತಿಸ್ಥಾಪಕತ್ವವನ್ನು ನಿರ್ಮಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ನೈಜ-ಸಮಯದ ಮತ್ತು ಸಂದರ್ಭೋಚಿತ ಬೆದರಿಕೆ ಬುದ್ಧಿಮತ್ತೆ, ಓಪನ್‌ಟೆಕ್ಸ್ಟ್ ಸೈಬರ್‌ಸೆಕ್ಯುರಿಟಿ ಗ್ರಾಹಕರು ಹೆಚ್ಚಿನ ದಕ್ಷತೆಯ ಉತ್ಪನ್ನಗಳು, ಅನುಸರಣೆಯ ಅನುಭವ ಮತ್ತು ವ್ಯಾಪಾರ ಅಪಾಯವನ್ನು ನಿರ್ವಹಿಸಲು ಸಹಾಯ ಮಾಡಲು ಸರಳೀಕೃತ ಭದ್ರತೆಯಿಂದ ಪ್ರಯೋಜನ ಪಡೆಯುತ್ತಾರೆ
762-000016-003 | ಓ | 01/24 | © 2024 ತೆರೆದ ಪಠ್ಯ
ದಾಖಲೆಗಳು / ಸಂಪನ್ಮೂಲಗಳು
 |
ಓಪನ್‌ಟೆಕ್ಸ್ಟ್ ಆರ್ಟಿಫಿಶಿಯಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್ ಮತ್ತು ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ [ಪಿಡಿಎಫ್] ಸೂಚನೆಗಳು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆ, ಬುದ್ಧಿಮತ್ತೆ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆ, ಯಂತ್ರ ಕಲಿಕೆ |
