ഓപ്പൺ ടെക്സ്റ്റ് ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസും മെഷീനും
ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് (എഐ) നമ്മൾ യന്ത്രങ്ങളുമായി ഇടപഴകുന്ന രീതിയെയും യന്ത്രങ്ങൾ നമ്മോട് ഇടപഴകുന്ന രീതിയെയും പരിവർത്തനം ചെയ്യുന്നു. AI എങ്ങനെ പ്രവർത്തിക്കുന്നു, വിവിധ തരം മെഷീൻ ലേണിംഗുകളുടെ ശക്തിയും പരിമിതികളും, മാറിക്കൊണ്ടിരിക്കുന്ന ഈ പഠനമേഖലയുടെ പരിണാമവും ഈ ഗൈഡ് വിശദീകരിക്കുന്നു. ഇന്നത്തെ സങ്കീർണ്ണമായ സൈബർ സുരക്ഷാ ഭീഷണികളിൽ നിന്ന് സംരംഭങ്ങളെ മികച്ച രീതിയിൽ സംരക്ഷിക്കുന്നതിന് AI പ്രവർത്തനക്ഷമമാക്കിയ സുരക്ഷാ അനലിറ്റിക്സ് അല്ലെങ്കിൽ ഉപയോക്താവിൻ്റെയും എൻ്റിറ്റി ബിഹേവിയറലി അനലിറ്റിക്‌സിൻ്റെയും (UEBA) പങ്കും ഇത് പര്യവേക്ഷണം ചെയ്യുന്നു.
മെഷീൻ vs ഹ്യൂമൻ ലേണിംഗ്
ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് (AI) എല്ലായിടത്തും ഉണ്ട്-കുറഞ്ഞത്, OpenText™-ൽ അങ്ങനെയാണ് തോന്നുന്നത്, AI യുടെ ഉയർച്ച ആവേശകരവും വെല്ലുവിളി നിറഞ്ഞതുമാണ്, എന്നാൽ ഞങ്ങളുടെ സമപ്രായക്കാർ, ഉപഭോക്താക്കൾ, പങ്കാളികൾ എന്നിവരുമായി ഇടപഴകുമ്പോൾ, ഞങ്ങൾ തിരിച്ചറിഞ്ഞു. AI എന്ന ആശയം എല്ലായ്പ്പോഴും എളുപ്പത്തിൽ മനസ്സിലാക്കാൻ കഴിയില്ല, ഈ AI, മെഷീൻ ലേണിംഗ് 101 ഗൈഡ് ആരംഭിക്കുന്നതിന്, പലരും ചോദിക്കുന്ന പ്രധാന ചോദ്യത്തിന് ഉത്തരം നൽകി ഞങ്ങൾ AI പസിൽ അൺപാക്ക് ചെയ്യും: "എന്താണ് കൃത്രിമ ബുദ്ധി, ശരിക്കും?"
ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് മനസിലാക്കാനുള്ള ഏറ്റവും എളുപ്പമാർഗ്ഗം, നമ്മൾ ഇതിനകം മനസ്സിലാക്കിയിട്ടുള്ള ഒന്നിലേക്ക് അതിനെ മാപ്പ് ചെയ്യുക എന്നതാണ്-നമ്മുടെ സ്വന്തം ബുദ്ധി കൃത്രിമമല്ലാത്ത, മനുഷ്യബുദ്ധി എങ്ങനെയാണ് പ്രവർത്തിക്കുന്നത്? ഏറ്റവും അടിസ്ഥാന തലത്തിൽ, ഞങ്ങളുടെ ബുദ്ധി ഒരു ലളിതമായ പുരോഗതി പിന്തുടരുന്നു: ഞങ്ങൾ വിവരങ്ങൾ എടുക്കുന്നു, ഞങ്ങൾ അത് പ്രോസസ്സ് ചെയ്യുന്നു, ആത്യന്തികമായി വിവരങ്ങൾ പ്രവർത്തിക്കാൻ ഞങ്ങളെ സഹായിക്കുന്നു.
നമുക്ക് ഇതിനെ ഒരു സിസ്റ്റം ഡയഗ്രാമായി വിഭജിക്കാം, ചുവടെയുള്ള ചിത്രത്തിൽ, മനുഷ്യൻ്റെ ബുദ്ധിയുടെ ഇടത്തുനിന്ന് വലത്തോട്ടുള്ള മൂന്ന് പൊതു ഘട്ടങ്ങൾ: ഇൻപുട്ട്, പ്രോസസ്സിംഗ്, ഔട്ട്പുട്ട്, മനുഷ്യ മസ്തിഷ്കത്തിൽ, ഇൻപുട്ട് നടക്കുന്നത് നിങ്ങളുടെ കണ്ണുകൾ, കാര്യങ്ങൾ മനസ്സിലാക്കുകയും ഗ്രഹിക്കുകയും ചെയ്യുന്ന രൂപത്തിലാണ്. മൂക്ക്, ചെവി മുതലായവ , പ്രകാശത്തിൻ്റെ ഫോട്ടോണുകൾ അല്ലെങ്കിൽ പൈൻ മരങ്ങളുടെ ഗന്ധം പോലെയുള്ള അസംസ്കൃത ഇൻപുട്ട് ഇടതുവശത്ത് എടുക്കുക, തുടർന്ന് അത് പ്രോസസ്സ് ചെയ്യുക സിസ്റ്റത്തിൻ്റെ വലതുവശത്ത് ഔട്ട്പുട്ട് ആണ് ഇതിൽ സംസാരവും പ്രവർത്തനങ്ങളും ഉൾപ്പെടുന്നു, ഇവ രണ്ടും എങ്ങനെ ആശ്രയിച്ചിരിക്കുന്നു നമ്മുടെ മസ്തിഷ്കത്തിന് ലഭിക്കുന്ന അസംസ്കൃത ഇൻപുട്ട് ഞങ്ങൾ പ്രോസസ്സ് ചെയ്യുന്നു മധ്യത്തിലാണ് പ്രോസസ്സിംഗ് നടക്കുന്നത്, അവിടെ അറിവോ ഓർമ്മകളോ രൂപപ്പെടുകയും വീണ്ടെടുക്കുകയും തീരുമാനങ്ങളും അനുമാനങ്ങളും എടുക്കുകയും പഠിക്കുകയും ചെയ്യുന്നു.
ചിത്രം 1. മനുഷ്യ ബുദ്ധി
കൃത്രിമമല്ലാത്ത, മനുഷ്യബുദ്ധി എങ്ങനെയാണ് പ്രവർത്തിക്കുന്നത്? ഏറ്റവും അടിസ്ഥാന തലത്തിൽ, ഞങ്ങളുടെ ബുദ്ധി ഒരു ലളിതമായ പുരോഗതി പിന്തുടരുന്നു: ഞങ്ങൾ വിവരങ്ങൾ എടുക്കുന്നു, ഞങ്ങൾ അത് പ്രോസസ്സ് ചെയ്യുന്നു, ആത്യന്തികമായി വിവരങ്ങൾ പ്രവർത്തിക്കാൻ ഞങ്ങളെ സഹായിക്കുന്നു.
ഒരു റോഡ്‌വേ കവലയിൽ നിൽക്കുന്ന ചിത്രം നിങ്ങളുടെ മുന്നിലുള്ള ട്രാഫിക്ക് ലൈറ്റ് പച്ചയായി മാറിയതായി നിങ്ങളുടെ കണ്ണുകൾ കാണുന്നു, നിങ്ങൾ അനുഭവത്തിൽ നിന്ന് (ഡ്രൈവർ വിദ്യാഭ്യാസം) പഠിച്ചതിൻ്റെ അടിസ്ഥാനത്തിൽ, പച്ച ലൈറ്റ് നിങ്ങൾ മുന്നോട്ട് ഓടണമെന്ന് സൂചിപ്പിക്കുന്നുവെന്ന് നിങ്ങൾക്കറിയാം, അതിനാൽ, നിങ്ങൾ ഗ്യാസ് പെഡലിൽ അടിക്കുക പച്ച വെളിച്ചം അസംസ്കൃത ഇൻപുട്ടാണ്, നിങ്ങളുടെ ത്വരണം ഔട്ട്പുട്ടാണ്; അതിനിടയിലുള്ള എല്ലാം പ്രോസസ്സ് ചെയ്യുന്നു
നമുക്ക് ചുറ്റുമുള്ള ലോകത്തെ ബുദ്ധിപരമായി നാവിഗേറ്റ് ചെയ്യാൻ-ഫോണിന് ഉത്തരം നൽകുക, ചോക്ലേറ്റ് ചിപ്പ് കുക്കികൾ ബേക്കിംഗ് ചെയ്യുക, അല്ലെങ്കിൽ ട്രാഫിക്ക് ലൈറ്റുകൾ അനുസരിക്കുക-നമുക്ക് ലഭിക്കുന്ന ഇൻപുട്ട് പ്രോസസ്സ് ചെയ്യേണ്ടത് ഇതാണ് മനുഷ്യ ബുദ്ധി പ്രോസസ്സിംഗിൻ്റെ കാതൽ, ഇത് ആത്യന്തികമായി മൂന്ന് വ്യത്യസ്ത വശങ്ങളായി വിഭജിക്കപ്പെടുന്നു. :
- അറിവും ഓർമ്മയും. വസ്തുതകളും (അതായത്, ഹേസ്റ്റിംഗ്സ് യുദ്ധം നടന്നത് 1066-ൽ) സാമൂഹിക മാനദണ്ഡങ്ങളും (അതായത്, "ദയവായി" എന്നും "നന്ദി" എന്നും പറയുന്നത് മര്യാദയുള്ളതായി കണക്കാക്കുന്നു) കൂടാതെ, ഇതിൽ നിന്നുള്ള വിവരങ്ങൾ തിരിച്ചുവിളിക്കാനും പ്രയോഗിക്കാനും മെമ്മറി നമ്മെ പ്രാപ്തരാക്കുന്നു. ഭൂതകാലം മുതൽ വർത്തമാനകാലം വരെയുള്ള സാഹചര്യങ്ങൾ ഉദാampലെ, തൻ്റെ ജന്മദിന സമ്മാനത്തിന് ജെയ്ൻ തന്നോട് നന്ദി പറഞ്ഞില്ലെന്ന് എഡ്വേർഡ് ഓർക്കുന്നു, അതിനാൽ അവൻ അവൾക്ക് ഒരു ക്രിസ്മസ് സമ്മാനം നൽകുമ്പോൾ അവൾ തന്നോട് നന്ദി പറയുമെന്ന് താൻ പ്രതീക്ഷിക്കുന്നില്ല
- തീരുമാനവും അനുമാനവും. വിജ്ഞാനവും കൂടാതെ/അല്ലെങ്കിൽ മെമ്മറിയും സംയോജിപ്പിച്ച് അസംസ്കൃത ഇൻപുട്ടിനെ അടിസ്ഥാനമാക്കിയാണ് തീരുമാനങ്ങളും അനുമാനങ്ങളും എടുക്കുന്നത്ampലെ, എഡ്വേർഡ് കഴിഞ്ഞ വർഷം ഒരു ജലാപെനോ കുരുമുളക് കഴിച്ചു, അത് ഇഷ്ടപ്പെട്ടില്ല, ജോണി എഡ്വേർഡിന് ഒരു കുരുമുളക് നൽകിയപ്പോൾ, അത് കഴിക്കേണ്ടെന്ന് അദ്ദേഹം തീരുമാനിച്ചു
- പഠനം. മനുഷ്യർക്ക് പഠിക്കാൻ കഴിയും മുൻample, നിരീക്ഷണം, അല്ലെങ്കിൽ അൽഗോരിതം പഠിക്കുന്നതിൽ മുൻample, ഒരു മൃഗം ഒരു നായയാണെന്നും മറ്റേത് പൂച്ചയാണെന്നും നമ്മോട് പറയുന്നു, നിരീക്ഷണത്തിലൂടെ പഠിക്കുമ്പോൾ, നായ്ക്കൾ കുരയ്ക്കുന്നുവെന്നും പൂച്ചകൾ മിയാവുവെന്നും ഞങ്ങൾ സ്വയം മനസ്സിലാക്കുന്നു, മൂന്നാമത്തെ പഠന രീതി - അൽഗോരിതം - പിന്തുടരുന്നതിലൂടെ ഒരു ജോലി പൂർത്തിയാക്കാൻ ഞങ്ങളെ പ്രാപ്തരാക്കുന്നു. ഘട്ടങ്ങളുടെ ഒരു പരമ്പര അല്ലെങ്കിൽ ഒരു പ്രത്യേക അൽഗോരിതം (ഉദാ , നീണ്ട വിഭജനം നടത്തുന്നു)
മാനുഷിക ബുദ്ധിയുടെ ഈ വശങ്ങൾ സമാന്തരമായ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് നമ്മൾ വിവരങ്ങൾ എടുക്കുകയും പ്രോസസ്സ് ചെയ്യുകയും ഔട്ട്പുട്ട് പങ്കിടുകയും ചെയ്യുന്നതുപോലെ, മെഷീനുകൾക്കും ഇത് എങ്ങനെ മാപ്പ് ചെയ്യുന്നുവെന്ന് കാണാൻ ചുവടെയുള്ള ചിത്രം നോക്കാം.
ചിത്രം 2. ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ്
നമുക്ക് ചുറ്റുമുള്ള ലോകത്തെ ബുദ്ധിപൂർവ്വം നാവിഗേറ്റ് ചെയ്യാൻ - ഫോണിന് മറുപടി നൽകുക, ചോക്ലേറ്റ് ചിപ്പ് കുക്കികൾ ബേക്കിംഗ് ചെയ്യുക, അല്ലെങ്കിൽ ട്രാഫിക് ലൈറ്റുകൾ അനുസരിക്കുക - നമുക്ക് ലഭിക്കുന്ന ഇൻപുട്ട് പ്രോസസ്സ് ചെയ്യേണ്ടതുണ്ട്.
മെഷീനുകളിൽ, കൃത്രിമ ബുദ്ധിയുടെ ഇൻപുട്ട് ഭാഗം സ്വാഭാവിക ഭാഷാ പ്രോസസ്സിംഗ്, സംഭാഷണ തിരിച്ചറിയൽ, ദൃശ്യ തിരിച്ചറിയൽ എന്നിവയും അതിലേറെയും ഉദാഹരണമാണ് അത് നിങ്ങളുടെ സംസാരം തിരിച്ചറിയുമ്പോൾ, താഴെ പറയുന്ന ഔട്ട്‌പുട്ടുകൾ നമുക്ക് ചുറ്റുമുള്ള ലോകവുമായി മെഷീനുകൾ ഇടപഴകുന്ന രീതികളാണ്, ഇത് റോബോട്ടിക്‌സ്, നാവിഗേഷൻ സിസ്റ്റങ്ങൾ (ആ സെൽഫ് ഡ്രൈവിംഗ് കാറുകളെ നയിക്കാൻ), സ്പീച്ച് ജനറേഷൻ (ഉദാ , സിരി) മുതലായവയുടെ രൂപമെടുത്തേക്കാം. അതിനിടയിൽ, ഞങ്ങൾക്ക് വിവിധ തരത്തിലുള്ള പ്രോസസ്സിംഗ് ഉണ്ട്
നമ്മുടെ അറിവിൻ്റെയും ഓർമ്മകളുടെയും ശേഖരണത്തിന് സമാനമായി, യന്ത്രങ്ങൾക്ക് ലോകത്തെക്കുറിച്ചുള്ള വിവരങ്ങൾ സംഭരിക്കാൻ സഹായിക്കുന്ന വിജ്ഞാന പ്രതിനിധാനങ്ങൾ (ഉദാ. ഗ്രാഫ് ഡാറ്റാബേസുകൾ, ഓൻ്റോളജികൾ) സൃഷ്ടിക്കാൻ കഴിയും, മനുഷ്യർ തീരുമാനങ്ങൾ എടുക്കുന്നതോ അനുമാനങ്ങൾ എടുക്കുന്നതോ പോലെ, യന്ത്രങ്ങൾക്ക് ഒരു പ്രവചനം നടത്താനോ ലക്ഷ്യത്തിനായി ഒപ്റ്റിമൈസ് ചെയ്യാനോ കഴിയും. ഫലം, ഒരു നിർദ്ദിഷ്ട ലക്ഷ്യം കൈവരിക്കുന്നതിനുള്ള മികച്ച അടുത്ത ഘട്ടങ്ങൾ അല്ലെങ്കിൽ തീരുമാനങ്ങൾ നിർണ്ണയിക്കുക
അവസാനമായി, നമ്മൾ മുൻ പഠിച്ചതുപോലെample, നിരീക്ഷണം, അല്ലെങ്കിൽ അൽഗോരിതം, സമാന രീതികൾ ഉപയോഗിച്ച് മെഷീനുകൾ പഠിപ്പിക്കാം സൂപ്പർവൈസ്ഡ് മെഷീൻ ലേണിംഗ് മുൻ പഠിച്ചത് പോലെയാണ്ample: കമ്പ്യൂട്ടറിന് ഉത്തരങ്ങളായി പ്രവർത്തിക്കുന്ന ഡാറ്റാ സെറ്റിനുള്ളിൽ "ലേബലുകൾ" ഉള്ള ഒരു ഡാറ്റാസെറ്റ് നൽകിയിരിക്കുന്നു, ഒടുവിൽ വ്യത്യസ്ത ലേബലുകൾ തമ്മിലുള്ള വ്യത്യാസം പറയാൻ പഠിക്കുന്നു (ഉദാ , ഈ ഡാറ്റാസെറ്റിൽ "പട്ടി" അല്ലെങ്കിൽ "പൂച്ച" എന്ന് ലേബൽ ചെയ്ത ഫോട്ടോകൾ അടങ്ങിയിരിക്കുന്നു, കൂടാതെ മതിയായ മുൻ കൂടെampലെസ്, നായ്ക്കൾക്ക് പൊതുവെ നീളമുള്ള വാലുകളും പൂച്ചകളേക്കാൾ കുള്ളൻ ചെവികളുമുണ്ടെന്ന് കമ്പ്യൂട്ടർ ശ്രദ്ധിക്കും)
മറുവശത്ത്, മേൽനോട്ടമില്ലാത്ത മെഷീൻ ലേണിംഗ്, നിരീക്ഷണത്തിലൂടെയുള്ള പഠനം പോലെയാണ്, കമ്പ്യൂട്ടർ പാറ്റേണുകൾ നിരീക്ഷിക്കുന്നു (നായ്ക്കളുടെ കുരയും പൂച്ചയും മിയാവ്) കൂടാതെ, ഗ്രൂപ്പുകളും പാറ്റേണുകളും സ്വന്തമായി വേർതിരിച്ചറിയാൻ പഠിക്കുന്നു (ഉദാ. മൃഗങ്ങളുടെ രണ്ട് ഗ്രൂപ്പുകൾ ഉണ്ട്. ഒരു കൂട്ടം കുരയ്ക്കുന്നു - നായ്ക്കൾ - മറ്റേ ഗ്രൂപ്പ് മിയാവ് - പൂച്ചകൾ) മേൽനോട്ടമില്ലാത്ത പഠനത്തിന് ലേബലുകൾ ആവശ്യമില്ല, അതിനാൽ ഡാറ്റാ സെറ്റുകൾ പരിമിതവും ലേബലുകൾ ഇല്ലാത്തതുമായിരിക്കുമ്പോൾ, അൽഗോരിതം ഉപയോഗിച്ച് പഠിക്കുന്നത് നല്ലതാണ്. ഒരു സോഫ്റ്റ്‌വെയർ പ്രോഗ്രാമിൽ പടിപടിയായി എന്തുചെയ്യണമെന്ന് ഒരു പ്രോഗ്രാമർ കമ്പ്യൂട്ടറിനോട് കൃത്യമായി നിർദ്ദേശിച്ചാൽ എന്ത് സംഭവിക്കും.
ഏറ്റവും കൃത്യവും അപര്യാപ്തവുമായ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഫലങ്ങൾക്ക് പഠന രീതികളുടെ സംയോജനം ആവശ്യമാണ്, മേൽനോട്ടത്തിലുള്ളതും അല്ലാത്തതുമായ മെഷീൻ ലേണിംഗ് ഉപയോഗപ്രദമായ രീതികളാണ്.
അടുത്തതായി, ഇൻപുട്ടിനെ ഒപ്റ്റിമൽ ഔട്ട്‌പുട്ടിലേക്ക് മാറ്റുന്നതിന് AI-യുടെ ഈ ഭാഗം നമ്മുടെ തലച്ചോറിലെ ന്യൂറോണുകളെ എങ്ങനെ പ്രതിഫലിപ്പിക്കുന്നുവെന്ന് മനസിലാക്കാൻ ഞങ്ങൾ മൈക്രോസ്കോപ്പിന് കീഴിൽ മെഷീൻ ലേണിംഗ് സ്ഥാപിക്കും.
ഏറ്റവും കൃത്യവും കാര്യക്ഷമവുമായ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഫലങ്ങൾക്ക് പഠന രീതികളുടെ സംയോജനം ആവശ്യമാണ്. സൂപ്പർവൈസുചെയ്‌തതും മേൽനോട്ടമില്ലാത്തതുമായ മെഷീൻ ലേണിംഗ് ഉപയോഗപ്രദമായ രീതികളാണ്-ഇതെല്ലാം ശരിയായ ഉപയോഗ സാഹചര്യത്തിലേക്ക് ശരിയായ സമീപനമോ സമീപനമോ പ്രയോഗിക്കുന്നതിനെക്കുറിച്ചാണ്.
ന്യൂറൽ നെറ്റ്‌വർക്കും ആഴത്തിലുള്ള പഠനവും
മെഷീൻ ലേണിംഗ് AI-യുടെ ഒരു ഭാഗം മാത്രമാണ്, അതിനുള്ളിൽ അൽഗരിതങ്ങളുടെ ഒരു വലിയ ഉപവിഭാഗം ഉണ്ടെങ്കിലും, ഇന്ന് നിങ്ങൾ പതിവായി കേൾക്കുന്ന ഒരു രീതി "ഡീപ് ലേണിംഗ്" ആണ്, ഈ അൽഗോരിതം അടുത്ത കാലത്തായി വാർത്തകളിൽ ശ്രദ്ധ നേടിയിട്ടുണ്ട്. അതിൻ്റെ ജനപ്രീതിയും വിജയവും, ഇത് എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്ന് മനസിലാക്കാൻ സഹായകമാണ് ഡീപ് ലേണിംഗ് എന്നത് 1980-കളിൽ പ്രചാരത്തിലുണ്ടായിരുന്ന ഒരു മെഷീൻ ലേണിംഗ് അൽഗോരിതത്തിൻ്റെ പരിണാമമാണ്: ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ.
ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ - "പഠിക്കാൻ" യന്ത്രങ്ങളെ പരിശീലിപ്പിക്കുന്ന ഒരു പ്രോഗ്രാമിംഗ് മാതൃക - ന്യൂറോണുകൾ അല്ലെങ്കിൽ നമ്മുടെ നാഡീവ്യവസ്ഥയുടെ അടിത്തറയായ മനുഷ്യ ശരീരത്തിലെ പ്രത്യേക കോശങ്ങളിൽ നിന്ന് പ്രചോദനം ഉൾക്കൊണ്ടതാണ്, പ്രത്യേകിച്ച് ഈ കോശങ്ങൾ നമ്മുടെ ശരീരത്തിലുടനീളം സിഗ്നലുകൾ കൈമാറുന്നു, ഇത് നാഡീവ്യവസ്ഥയെ ഉത്തേജിപ്പിക്കുന്നു. സിസ്റ്റം പ്രതികരണങ്ങളും പ്രക്രിയകളും ന്യൂറോണുകളാണ് കാണാനും കേൾക്കാനും മണക്കാനും മറ്റും നമ്മെ പ്രാപ്തരാക്കുന്നത്.
ചിത്രം 3. ന്യൂറോണുകൾ എങ്ങനെയാണ് സന്ദേശങ്ങൾ സ്വീകരിക്കുന്നതും അയയ്ക്കുന്നതും
നമ്മുടെ തലച്ചോറിലെ രണ്ട് ന്യൂറോണുകൾ തമ്മിലുള്ള ബന്ധം എത്രത്തോളം ശക്തമാണ്, ഒപ്പം നമ്മുടെ സിനാപ്സുകളുടെ അരികിലെ ശക്തിയും ഉപയോഗിച്ച് മനുഷ്യ പഠനമെന്ന് നമ്മൾ കരുതുന്ന പലതും വിവരിക്കാം.
ഈ ഗൈഡിൻ്റെ ഒരു ഭാഗത്ത്, മനുഷ്യൻ്റെ ബുദ്ധിയുടെ അടിസ്ഥാന പ്രക്രിയയെക്കുറിച്ച് ഞങ്ങൾ ചർച്ച ചെയ്തു: ഇടതുവശത്ത് ഇൻപുട്ടും വലതുവശത്ത് ഔട്ട്പുട്ടും ഇതിൽ നിർണായക പങ്ക് വഹിക്കുന്നത് ന്യൂറോൺ (മുകളിൽ ചിത്രം) ന്യൂറോണിൻ്റെ ഇടതുവശത്ത്, സെൽ ബോഡി ശേഖരിക്കുന്നു “ഇൻപുട്ട്” ആവശ്യത്തിന് ഇൻപുട്ടോ ഉത്തേജനമോ ലഭിച്ചാൽ, ആക്‌സൺ ഫ്രെസ്, വിവരങ്ങൾ വലതുവശത്തേക്ക് കൈമാറുന്നു-സിനാപ്‌സ് “ഔട്ട്പുട്ട്” പിന്നീട് മറ്റ് ന്യൂറോണുകളിലേക്ക് അയയ്ക്കുന്നു.
ഏത് നിമിഷവും, നമ്മുടെ ന്യൂറോണുകൾ പരസ്പരം സന്ദേശങ്ങൾ കൈമാറുന്നു, നമ്മുടെ ചുറ്റുപാടുകൾ മനസ്സിലാക്കാനുള്ള നമ്മുടെ കഴിവിന് ഈ കോശങ്ങളാണ് ഉത്തരവാദികൾ, നമ്മൾ പഠിക്കുമ്പോൾ, നമ്മുടെ ന്യൂറോണുകൾ വളരെ സജീവമാകും, വാസ്തവത്തിൽ, മനുഷ്യരുടെ പഠനമെന്ന് നമ്മൾ കരുതുന്ന പലതും വിവരിക്കാം. നമ്മുടെ മസ്തിഷ്കത്തിലെ രണ്ട് ന്യൂറോണുകൾ തമ്മിലുള്ള ബന്ധം എത്ര ശക്തമാണ്, ഒപ്പം നമ്മുടെ സിനാപ്സുകളുടെ അരികിലെ ശക്തിയും
ന്യൂറൽ കോശങ്ങളുടെ ഒരു ശേഖരത്തിൻ്റെ ഗണിതശാസ്ത്ര അനുകരണമാണ് ന്യൂറൽ നെറ്റ്വർക്ക്, ചുവടെയുള്ള ചിത്രം 3 ലെയറുകളും 12 നോഡുകളും ഉള്ള ഒരു അടിസ്ഥാന ന്യൂറൽ നെറ്റ്‌വർക്കിനെ പ്രതിനിധീകരിക്കുന്നു.
ഓരോ വൃത്താകൃതിയിലുള്ള നോഡും കൃത്രിമവും ജൈവശാസ്ത്രപരമായി പ്രചോദിതവുമായ ഒരു "ന്യൂറോണിനെ" പ്രതിനിധീകരിക്കുന്നു, ഈ ലൈനുകൾ ഇടതുവശത്തുള്ള ഒരു കൃത്രിമ ന്യൂറോണിൻ്റെ ഔട്ട്പുട്ടിൽ നിന്ന് മറ്റൊന്നിൻ്റെ ഇൻപുട്ടിലേക്കുള്ള ബന്ധത്തെ പ്രതിനിധീകരിക്കുന്നു. , ഇൻപുട്ട്-പിക്സൽ ഡാറ്റ പോലുള്ളവ-ഇൻപുട്ട് ലെയറിൽ നിന്ന് മധ്യഭാഗത്തെ "മറഞ്ഞിരിക്കുന്ന" പാളികളിലൂടെയും ആത്യന്തികമായി യഥാർത്ഥ ബയോളജിക്കൽ ന്യൂറോണുകളിലെ വൈദ്യുത പ്രവർത്തനത്തിൽ നിന്ന് പ്രചോദനം ഉൾക്കൊണ്ട് ഗണിത സമവാക്യങ്ങളാൽ വിവരിക്കുന്ന രീതിയിൽ ഔട്ട്പുട്ട് ലെയറിലേക്കും ഒഴുകുന്നു.
ചിത്രം 4. ലളിതമായ ന്യൂറൽ നെറ്റ്വർക്ക്
ഇൻപുട്ട് ലെയറിൽ അവതരിപ്പിച്ച ഡാറ്റാ സെറ്റുകളെ ഔട്ട്പുട്ട് ലെയറിലെ ആവശ്യമുള്ള ഫലങ്ങളുമായി പൊരുത്തപ്പെടുത്താൻ ശ്രമിച്ചുകൊണ്ട് ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ പഠിക്കുന്നു. ഗണിത സമവാക്യങ്ങൾ ഔട്ട്‌പുട്ടുകൾ കണക്കാക്കുന്നു, സിമുലേറ്റഡ് ഔട്ട്‌പുട്ടിനെ ആവശ്യമുള്ള ഫലവുമായി താരതമ്യം ചെയ്യുന്നു, തത്ഫലമായുണ്ടാകുന്ന വ്യത്യാസങ്ങൾ കണക്ഷനുകളുടെ ശക്തിയിൽ മാറ്റങ്ങൾ വരുത്തുന്നു.
ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഇൻപുട്ട് ലെയറിൽ അവതരിപ്പിച്ച ഡാറ്റാ സെറ്റുകളെ ഔട്ട്പുട്ട് ലെയറിലെ ആവശ്യമുള്ള ഫലങ്ങളുമായി പൊരുത്തപ്പെടുത്താൻ ശ്രമിച്ചുകൊണ്ട് പഠിക്കുന്നു, ഗണിതശാസ്ത്ര സമവാക്യങ്ങൾ ഔട്ട്‌പുട്ടുകൾ കണക്കാക്കുന്നു, സിമുലേറ്റഡ് ഔട്ട്‌പുട്ടിനെ ആവശ്യമുള്ള ഫലവുമായി താരതമ്യം ചെയ്യുന്നു, തത്ഫലമായുണ്ടാകുന്ന വ്യത്യാസങ്ങൾ കണക്ഷനുകളുടെ ശക്തിയിൽ മാറ്റങ്ങൾ വരുത്തുന്നു. കമ്പ്യൂട്ട് ചെയ്ത ഔട്ട്പുട്ട് ആവശ്യമുള്ള ഫലത്തോട് അടുക്കുന്നത് വരെ ഈ ട്വീക്കുകൾ ആവർത്തിച്ച് പരിഷ്‌ക്കരിക്കപ്പെടുന്നു, ആ സമയത്ത് ന്യൂറൽ നെറ്റ്വർക്ക് "പഠിച്ചു" എന്ന് ഞങ്ങൾ പറയുന്നു.
ചിത്രം 5. സങ്കീർണ്ണമായ ന്യൂറൽ നെറ്റ്വർക്ക്
ഈ "ആഴത്തിലുള്ള" ന്യൂറൽ നെറ്റ്‌വർക്കുകൾക്ക് കൂടുതൽ സങ്കീർണ്ണമായ പ്രവചനങ്ങൾ ചെയ്യാൻ കഴിയും, ആയിരക്കണക്കിന് നോഡുകളും നൂറുകണക്കിന് ലെയറുകളും ഉണ്ടാകാം, അതിനർത്ഥം ആയിരക്കണക്കിന് വ്യത്യസ്ത കണക്കുകൂട്ടലുകൾ ആഴത്തിലുള്ള പഠന മോഡലുകൾ സംഭാഷണമോ ഇമേജ് തിരിച്ചറിയൽ പോലുള്ള പ്രത്യേക പ്രശ്നങ്ങളിൽ വളരെ മികച്ചതായി മാറിയിരിക്കുന്നു.
എന്നിരുന്നാലും, ആഴത്തിലുള്ള പഠനം മെഷീൻ ലേണിംഗിനുള്ള ഒരു വെള്ളി ബുള്ളറ്റല്ല എന്നത് ശ്രദ്ധിക്കേണ്ടതാണ്- പ്രത്യേകിച്ച് സൈബർ സുരക്ഷയിലല്ല, ചിലപ്പോൾ ആഴത്തിലുള്ള പഠന രീതികൾക്ക് അനുയോജ്യമായ ശുദ്ധമായ ഡാറ്റയുടെ വലിയ അളവുകൾ ഇല്ലെങ്കിൽ ശരിയായ അൽഗോരിതം തിരഞ്ഞെടുക്കേണ്ടത് പ്രധാനമാണ്. ഡാറ്റയും ജോലിക്കുള്ള തത്വങ്ങളും യന്ത്രങ്ങൾക്ക് തെളിവുകൾ ശേഖരിക്കാനും ഡോട്ടുകൾ ബന്ധിപ്പിക്കാനും ഒരു നിഗമനത്തിലെത്താനുമുള്ള ഏറ്റവും നല്ല മാർഗമാണിത്.
ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഭാവിയിലെ കാര്യങ്ങൾ പോലെ തോന്നാം, പക്ഷേ ഇത് കുറച്ച് കാലമായി തുടരുന്നു, വാസ്തവത്തിൽ, ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ 1940-കളിൽ പ്രചരിക്കാൻ തുടങ്ങിയ ആശയങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ളതാണ് അടുത്ത വിഭാഗത്തിൽ, മനസ്സിലാക്കാൻ ഞങ്ങൾ ഒരു ചെറിയ യാത്ര നടത്താം. ന്യൂറൽ നെറ്റ്‌വർക്കുകളും മെഷീൻ ലേണിംഗും എങ്ങനെ ആധുനിക ജീവിതത്തിൻ്റെ പല ഭാഗങ്ങളിലും വ്യാപിച്ചു.
ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഭാവിയിലെ കാര്യങ്ങൾ പോലെ തോന്നിയേക്കാം, പക്ഷേ ഇത് കുറച്ച് കാലമായി. വാസ്തവത്തിൽ, ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ 1940-കളിൽ പ്രചരിക്കാൻ തുടങ്ങിയ ആശയങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്.
ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ ഒരു സംക്ഷിപ്ത ചരിത്രം
ചില ആളുകൾക്ക്, ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് (AI) എന്ന പദം പറക്കുന്ന കാറുകളും ഗാർഹിക റോബോട്ടുകളും ഉള്ള ഫ്യൂച്ചറിസ്റ്റിക് നഗരങ്ങളുടെ ചിത്രങ്ങൾ ഉണർത്താം, പക്ഷേ AI ഒരു ഫ്യൂച്ചറിസ്റ്റിക് ആശയമല്ല, കുറഞ്ഞത് ഇനി അങ്ങനെ പരാമർശിച്ചിട്ടില്ലെങ്കിലും, ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് എന്ന ആശയം ഇങ്ങനെയാകാം. പ്രാചീനകാലം മുതൽ (അതായത്, ഗ്രീക്ക് ദേവനായ ഹെഫെസ്റ്റസിൻ്റെ സംസാരിക്കുന്ന മെക്കാനിക്കൽ കൈക്കാരന്മാർ) ¹ 1930-കൾ മുതൽ, ശാസ്ത്രജ്ഞരും ഗണിതശാസ്ത്രജ്ഞരും ഒരുപോലെ മനുഷ്യരിൽ നിന്ന് വേറിട്ട് യഥാർത്ഥ ബുദ്ധി സൃഷ്ടിക്കുന്നത് പര്യവേക്ഷണം ചെയ്യാൻ ഉത്സുകരാണ്.
20-ആം നൂറ്റാണ്ടിൻ്റെ മധ്യത്തിൽ AI-യുടെ നിർവചിക്കുന്ന നിമിഷം ഗണിതത്തിൻ്റെയും ജീവശാസ്ത്രത്തിൻ്റെയും സന്തോഷകരമായ സംഗമമായിരുന്നു, നോബർട്ട് വീനർ, ക്ലോഡ് ഷാനൻ, അലൻ ട്യൂറിംഗ് തുടങ്ങിയ ഗവേഷകർ 1943 ആയപ്പോഴേക്കും വൈദ്യുത സിഗ്നലുകളുടെയും ഗണനത്തിൻ്റെയും കവലയിൽ നിന്ന് അകന്നുകഴിഞ്ഞു. ന്യൂറൽ നെറ്റ്‌വർക്കുകൾക്കായി ഒരു മാതൃക സൃഷ്ടിച്ചു ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ കൂടുതൽ കുതിരശക്തിയുള്ള കമ്പ്യൂട്ടിംഗിൻ്റെ ധീരമായ ഒരു പുതിയ ലോകത്തിന് വഴിയൊരുക്കി, 1956-ൽ, AI ഗവേഷണ മേഖല ഒരു അക്കാദമിക് വിഭാഗമായി ഔദ്യോഗികമായി സ്ഥാപിക്കപ്പെട്ടു.
നൂറ്റാണ്ടിൻ്റെ അവസാന പകുതി AI ഗവേഷണത്തിനും പുരോഗതിക്കും ആവേശകരമായ ഒരു കാലഘട്ടമായിരുന്നു, 70-കളുടെ മധ്യത്തിലും 80-കളുടെ അവസാനത്തിലും "AI ശീതകാലം" ഇടയ്ക്കിടെ തടസ്സപ്പെട്ടു, അവിടെ AI പൊതുജനങ്ങളുടെ പ്രതീക്ഷകൾ നിറവേറ്റുന്നതിൽ പരാജയപ്പെട്ടു, കൂടാതെ ഫെൽഡിലെ നിക്ഷേപം കുറഞ്ഞു, പക്ഷേ തിരിച്ചടികൾക്കിടയിലും, AI, മെഷീൻ ലേണിംഗ് എന്നിവയ്‌ക്കായുള്ള വ്യത്യസ്ത ആപ്ലിക്കേഷനുകൾ ഇടത്തോട്ടും വലത്തോട്ടും പ്രത്യക്ഷപ്പെടുന്നു, ഇത്തരമൊരു ആപ്ലിക്കേഷൻ്റെ ഒരു പ്രത്യേക ഉപമ ശാസ്ത്ര സമൂഹത്തിനുള്ളിൽ ഒരു ജനപ്രിയ ഉപമയായി മാറിയിരിക്കുന്നു, AI ഗവേഷണത്തിൻ്റെയും നടപ്പാക്കലിൻ്റെയും പരീക്ഷണങ്ങളോടും ക്ലേശങ്ങളോടും വളരെ ഫലപ്രദമായി സംസാരിക്കുന്നു.
കഥ ഇങ്ങനെ പോകുന്നു:
1980-കളിൽ, പേനtagമറഞ്ഞിരിക്കുന്ന ടാങ്കുകൾ തിരിച്ചറിയാൻ ഒരു ന്യൂറൽ നെറ്റ്വർക്ക് ഉപയോഗിക്കാൻ തീരുമാനിച്ചു (1980-കൾ മുതൽ, ഒരു മെയിൻഫ്രെയിമിൽ മാത്രം പ്രവർത്തിക്കുക), ന്യൂറൽ നെറ്റ് 200 ചിത്രങ്ങൾ ഉപയോഗിച്ചാണ് പരിശീലിപ്പിച്ചത് - 100 ടാങ്കുകളും 100 മരങ്ങളും താരതമ്യേന ചെറിയ ന്യൂറൽ ശൃംഖല ഉണ്ടായിരുന്നിട്ടും (1980-കൾ കാരണം. കണക്കുകൂട്ടലിലും മെമ്മറിയിലും ഉള്ള പരിമിതികൾ), ലാബ് പരിശീലനം 100% കൃത്യതയ്ക്ക് കാരണമായി, അത്തരം വിജയത്തോടെ, ഫലം മികച്ചതായിരുന്നില്ല.
ചിത്രം 6. ലാബ് vs ഫീൽഡ് ചിത്രങ്ങൾ (ഉറവിടം: ന്യൂറൽ നെറ്റ്വർക്ക് ഫോളീസ്, നീൽ ഫ്രേസർ, സെപ്റ്റംബർ 1998)
1980-കളിൽ സ്വപ്‌നം പോലും കണ്ടിട്ടില്ലാത്ത വലിയ കമ്പ്യൂട്ടിംഗ് വിഭവങ്ങളുടെ ലഭ്യതയോടെ, ആഴത്തിലുള്ള ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഗവേഷണത്തിനുള്ള ഒരു ജനപ്രിയ മേഖലയായി മാറി. ഡീപ് ലേണിംഗ് ഒരു സിസ്റ്റത്തിന് കോടിക്കണക്കിന് കോമ്പിനേഷനുകളിലൂടെയും നിരീക്ഷണങ്ങളിലൂടെയും സ്വയമേവ "പഠിക്കാനുള്ള" കഴിവ് നൽകുന്നു, ഇത് മനുഷ്യവിഭവങ്ങളെ ആശ്രയിക്കുന്നത് കുറയ്ക്കുന്നു.
എന്തുകൊണ്ടാണ് ന്യൂറൽ നെറ്റ്വർക്ക് ലാബിലെ ഫോട്ടോകളിൽ അതിശയകരമായ രീതിയിൽ പ്രവർത്തിച്ചത്, പക്ഷേ ഫെൽഡിൽ പൂർണ്ണമായും പരാജയപ്പെടുന്നത്? ടാങ്ക് അല്ലാത്ത ഫോട്ടോകൾ എല്ലാം ആകാശം മേഘാവൃതമായ ദിവസങ്ങളിൽ എടുത്തതാണെന്ന് തെളിഞ്ഞു; മരങ്ങളുടെ എല്ലാ ചിത്രങ്ങളും സൂര്യൻ പ്രകാശിക്കുന്ന ദിവസങ്ങളിൽ എടുത്തതാണ്, ടാങ്കുകളല്ല, സൂര്യപ്രകാശം തിരിച്ചറിയാൻ ന്യൂറൽ നെറ്റ് പരിശീലിപ്പിച്ചിരുന്നു
എന്നിരുന്നാലും, ഒടുവിൽ, ആഴത്തിലുള്ള പഠനത്തിലൂടെ ദൃശ്യ തിരിച്ചറിയൽ-പേനയെക്കാൾ സങ്കീർണ്ണമായ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ വഴി സുഗമമാക്കുന്നു.tag1980-കളിലെ മെയിൻഫ്രെയിമിന് കൈകാര്യം ചെയ്യാൻ കഴിയുമായിരുന്നു-2012-ൽ, സ്റ്റാൻഫോർഡ് പ്രൊഫസർ ആൻഡ്രൂ എൻജിയും ഗൂഗിൾ സഹപ്രവർത്തകനായ ജെഫ് ഡീനും ചേർന്ന് 1000 കോറുകൾ വീതമുള്ള 16 കമ്പ്യൂട്ടറുകൾ ഉപയോഗിച്ച് ആദ്യത്തെ ആഴത്തിലുള്ള ന്യൂറൽ നെറ്റ്‌വർക്കുകളിൽ ഒന്ന് സൃഷ്ടിച്ചു. 10 ദശലക്ഷം YouTube വീഡിയോകൾ വിശകലനം ചെയ്യുക : അത് പൂച്ചകളെ കണ്ടെത്തി ² അതിൻ്റെ "ആഴത്തിലുള്ള പഠന" അൽഗോരിതം കാരണം, നെറ്റ്‌വർക്കിന് കാലക്രമേണ പൂച്ചകളെ തിരിച്ചറിയാൻ കഴിഞ്ഞു, വളരെ നല്ല കൃത്യതയോടെ
1980-കളിൽ സ്വപ്‌നം കാണാത്ത വലിയ കമ്പ്യൂട്ടിംഗ് വിഭവങ്ങളുടെ ലഭ്യതയോടെ, ആഴത്തിലുള്ള ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഗവേഷണത്തിനുള്ള ഒരു ജനപ്രിയ മേഖലയായി മാറിയിരിക്കുന്നു, ആഴത്തിലുള്ള പഠനം ഒരു സിസ്റ്റത്തിന് കോടിക്കണക്കിന് കോമ്പിനേഷനുകളിലൂടെയും നിരീക്ഷണങ്ങളിലൂടെയും സ്വയമേവ പഠിക്കാനുള്ള കഴിവ് നൽകുന്നു, ഇത് ആശ്രയിക്കുന്നത് കുറയ്ക്കുന്നു. ഹ്യൂമൻ റിസോഴ്‌സ് സൈബർ സെക്യൂരിറ്റി ഡൊമെയ്‌നിനുള്ളിൽ, ക്ഷുദ്രവെയറുകൾ കണ്ടെത്തുന്നതിന് ഈ രീതി പ്രത്യേകിച്ചും വാഗ്ദാനമായി മാറിയിരിക്കുന്നു - മുൻനിരയിലുള്ള നിരവധി ഡാറ്റാസെറ്റുകൾ നമുക്കുള്ള സാഹചര്യങ്ങൾ.ampനെറ്റ്‌വർക്കിന് പഠിക്കാൻ കഴിയുന്ന ക്ഷുദ്രവെയറിൻ്റെ കുറവ്
നിർഭാഗ്യവശാൽ, ഇൻസൈഡർ ഭീഷണി പോലെയുള്ള ചില ഉപയോഗ സന്ദർഭങ്ങളിൽ നിലവിൽ ആഴത്തിലുള്ള പഠന രീതികൾ ഫലപ്രദമല്ല, കാരണം ഇത്തരം ആക്രമണങ്ങളെക്കുറിച്ചുള്ള ശരിയായ തരത്തിലുള്ള ഡാറ്റ ഞങ്ങളുടെ പക്കലില്ല, ആവശ്യമായ വോള്യങ്ങളിൽ മിക്കപ്പോഴും, ഞങ്ങളുടെ പക്കലുള്ള വിവരങ്ങൾ ഇത്തരം ന്യൂറൽ ശൃംഖലകൾക്ക് കാര്യക്ഷമമായി ഉപയോഗിക്കാനാകാത്തതാണ് ആന്തരിക ഭീഷണികൾ.
കൂടുതൽ ഫലപ്രദമായ ഡാറ്റാസെറ്റുകൾ ശേഖരിക്കുന്നത് വരെ (ഡീപ് ലേണിംഗ് സിസ്റ്റങ്ങളുടെ വിലയും സങ്കീർണ്ണതയും കുറയ്ക്കും), ആഴത്തിലുള്ള പഠനം എല്ലാ ഉപയോഗ സാഹചര്യങ്ങൾക്കും ശരിയായ തിരഞ്ഞെടുപ്പല്ല, അത് കുഴപ്പമില്ല ഡീപ് ലേണിംഗ് എന്നത് നിരവധി മെഷീൻ ലേണിംഗ് അൽഗോരിതങ്ങളിൽ ഒന്ന് മാത്രമാണ്, ഈ സമീപനങ്ങൾ ഇവയാകാം. കൂടുതൽ വിലപ്പെട്ടതല്ലാത്തതുപോലെ-അതെല്ലാം കൈയിലുള്ള ജോലിയെ ആശ്രയിച്ചിരിക്കുന്നു
AI സാങ്കേതികവിദ്യകളുടെ ഔദ്യോഗിക “ജനനം” മുതൽ ആറ് പതിറ്റാണ്ടിനുള്ളിൽ ഞങ്ങൾ അതിൻ്റെ അപാരമായ സാധ്യതകൾ കണ്ടു, മാത്രമല്ല ഞങ്ങൾ ഉപരിതലത്തിൽ മാന്തികുഴിയുണ്ടാക്കുക മാത്രമാണ് ചെയ്തത്, പ്രത്യേകിച്ചും സുരക്ഷയിൽ, അടുത്തതായി, AI, അനലിറ്റിക്സ് എന്നിവയ്‌ക്കായുള്ള സാധ്യതയുള്ള ആപ്ലിക്കേഷനുകളിലേക്ക് ഞങ്ങൾ കൂടുതൽ ആഴത്തിൽ ഇറങ്ങും. സുരക്ഷാ ഭീഷണികളെ ഞങ്ങൾ തിരിച്ചറിയുകയും പ്രതികരിക്കുകയും ചെയ്യുന്ന രീതി.
സുരക്ഷാ ടീമുകൾക്ക് കൂടുതൽ ഉപയോഗപ്രദമായ ഉൾക്കാഴ്ച നൽകാൻ കഴിയുന്ന ഒരു വലിയ പസിലിൻ്റെ ഒരു ഭാഗം മാത്രമാണ് പ്രവചന വിശകലനം.
AI സാങ്കേതികവിദ്യകളുടെ ഔദ്യോഗിക “ജനനം” മുതലുള്ള ആറ് പതിറ്റാണ്ടുകളായി അതിൻ്റെ അപാരമായ സാധ്യതകൾ ഞങ്ങൾ കണ്ടു, മാത്രമല്ല ഞങ്ങൾ ഉപരിതലത്തിൽ മാന്തികുഴിയുണ്ടാക്കുക മാത്രമാണ് ചെയ്തത്, പ്രത്യേകിച്ച് സുരക്ഷയിൽ.
സെക്യൂരിറ്റി അനലിറ്റിക്സിനായുള്ള ഒരു പുതിയ ദർശനം
ഇതുവരെ, ഈ ഗൈഡ് മെഷീൻ ലേണിംഗിനെ സൂക്ഷ്മമായി പരിശോധിച്ചു, അതിൻ്റെ പരിമിതികളും ശക്തിയും മനസ്സിലാക്കി, AI-യെ സുഗമമാക്കുന്നതിന് മെഷീൻ ലേണിങ്ങിന് വളരെയധികം സാധ്യതകളുണ്ട്, എന്നാൽ ഭീഷണി കണ്ടെത്തലിൻ്റെ വിശാലമായ ഗെയിം ആഴത്തിലുള്ള പഠനമോ മെഷീൻ ലേണിംഗോ മാത്രമല്ല എന്നത് ശ്രദ്ധിക്കേണ്ടതാണ്. ഇന്ന് നമുക്കറിയാവുന്നതുപോലെ, പുതിയ ഡാറ്റാ തരങ്ങളുമായി സംയോജിപ്പിച്ച് പുതിയ വിശകലന രീതികൾ സുരക്ഷാ ഭീഷണികൾ വിശകലനം ചെയ്യുന്നതിനും പ്രവർത്തിക്കുന്നതിനുമുള്ള തികച്ചും പുതിയ ചട്ടക്കൂടുകൾ ഞങ്ങൾക്ക് നൽകും.
| പുതിയ രീതികൾ | അനിശ്ചിതത്വത്തിന് കീഴിലുള്ള അഡാപ്റ്റീവ് അനാലിസിസ് തുടർച്ചയായ വിശകലന ഒപ്റ്റിമൈസേഷൻ | സന്ദർഭത്തോട് പ്രതികരിക്കൽ പ്രാദേശിക മാറ്റത്തോടുള്ള പ്രതികരണം/ഫീഡ്ബാക്ക് റിസ്ക് അളക്കുകയോ ലഘൂകരിക്കുകയോ ചെയ്യുന്നു |
| പരമ്പരാഗത | ഒപ്റ്റിമൈസേഷൻ പ്രെഡിക്റ്റീവ് മോഡലിംഗ് സിമുലേഷൻ ഫോർകാസ്റ്റിംഗ് അലേർട്ടുകൾ ചോദ്യം/ഡ്രിൽ ഡൗൺ അഡ് ഹോക്ക് റിപ്പോർട്ടിംഗ് സ്റ്റാൻഡേർഡ് റിപ്പോർട്ടിംഗ് | തീരുമാന സങ്കീർണ്ണത, പരിഹാര വേഗത കാഷ്വൽ, പ്രോബബിലിസ്റ്റിക്, ആത്മവിശ്വാസം ലെവലുകൾ ഉയർന്ന വിശ്വസ്തത, ഗെയിമുകൾ, ഡാറ്റ ഫാമിംഗ് വലിയ ഡാറ്റ സെറ്റുകൾ, നോൺ ലീനിയർ റിഗ്രഷൻ നിയമങ്ങൾ/ട്രിഗറുകൾ, സന്ദർഭ സെൻസിറ്റീവ്, സങ്കീർണ്ണമായ ഇവൻ്റുകൾ മെമ്മറി ഡാറ്റയിൽ, അവ്യക്തമായ തിരയൽ, ജിയോ സ്പേഷ്യൽ അന്വേഷണംample, ഉപയോക്തൃ പ്രതിരോധ റിപ്പോർട്ടുകൾ തത്സമയം, ദൃശ്യവൽക്കരണങ്ങൾ, ഉപയോക്തൃ ഇടപെടൽ |
| പുതിയ ഡാറ്റ | എൻ്റിറ്റി റെസല്യൂഷൻ ബന്ധം, ഫീച്ചർ എക്‌സ്‌ട്രാക്ഷൻ വ്യാഖ്യാനവും ടോക്കണൈസേഷനും | ആളുകൾ, റോളുകൾ, ലൊക്കേഷനുകൾ, കാര്യങ്ങൾ നിയമങ്ങൾ, സെമാൻ്റിക് അനുമാനം, പൊരുത്തപ്പെടുന്ന ഓട്ടോമേറ്റഡ്, ജനക്കൂട്ടം ഉറവിടം |
മറ്റ് വ്യവസായങ്ങൾക്കായി അനലിറ്റിക്‌സിന് എന്തുചെയ്യാനാകുമെന്ന് ഞങ്ങൾ കണ്ടു, കൂടാതെ സൈബർ സുരക്ഷയിൽ അനലിറ്റിക്‌സിന് ആഴത്തിലുള്ള സ്വാധീനം ചെലുത്താനുള്ള സാധ്യതയുമുണ്ട്, കൂടാതെ സുരക്ഷാ അനലിറ്റിക്സ് എന്ന് ഞങ്ങൾ വിളിക്കുന്ന ഒരു പുതിയ ഫീൽഡിൽ ഇത് രൂപപ്പെടുന്നത് ഞങ്ങൾ കാണുന്നു, ഇത് പ്രധാനമായും യുദ്ധ-പരീക്ഷണം നടത്തുന്നു. ഞങ്ങൾ ചർച്ച ചെയ്ത (കൂടുതൽ) അൽഗോരിതങ്ങളും രീതിശാസ്ത്രങ്ങളും അവ പ്രയോഗിക്കുന്നത് സുരക്ഷിതത്വത്തിലെ ബുദ്ധിമുട്ടുള്ള പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ സഹായിക്കുന്നു
ഇന്ന് നമ്മൾ സുരക്ഷയിൽ കാണുന്ന ഏറ്റവും സാധാരണമായ അനലിറ്റിക്സിൽ പ്രവചന മാതൃകകൾ ഉൾപ്പെടുന്നു, വലിയ അളവിലുള്ള ഡാറ്റയ്ക്കുള്ളിൽ അപകടസാധ്യതകൾ എവിടെയാണെന്ന് തിരിച്ചറിയാൻ ഞങ്ങളെ അനുവദിക്കുന്നു (ഇവിടെയാണ് അപാകത കണ്ടെത്തൽ അടികൾ) ചുരുക്കത്തിൽ, പ്രവചന മോഡലിംഗ് ചരിത്രപരമായ ഡാറ്റയെ തത്സമയ പെരുമാറ്റവുമായി സംയോജിപ്പിക്കുന്നു. ഭാവിയിലെ പെരുമാറ്റം മനസ്സിലാക്കുന്നതിനോ പ്രവചിക്കുന്നതിനോ ഇതുപയോഗിച്ച്, "അടുത്തിടെ എന്ത് സംഭവിക്കും?" എന്ന ചോദ്യത്തിന് നമുക്ക് ഉത്തരം നൽകാം.
എന്നാൽ സെക്യൂരിറ്റി അനലിറ്റിക്സിനായുള്ള ഞങ്ങളുടെ കാഴ്ചപ്പാട് ഇവിടെ അവസാനിക്കുന്നില്ല, സുരക്ഷാ ടീമുകൾക്ക് കൂടുതൽ ഉപയോഗപ്രദമായ ഉൾക്കാഴ്ച നൽകാൻ കഴിയുന്ന ഒരു വലിയ പസിലിൻ്റെ ഒരു ഭാഗം മാത്രമാണ് പ്രവചന അനലിറ്റിക്സ്, ഇൻ്റലിജൻ്റ് സെൻസറും സർവ്വവ്യാപിയായ ഡാറ്റാ സ്രോതസ്സുകളും-ഡെസ്ക്ടോപ്പുകളും സെർവറുകളും, മൊബൈൽ. , ക്ലൗഡ്, സോഷ്യൽ നെറ്റ്‌വർക്കുകൾ, ഓപ്പൺ ഡാറ്റ മുതലായവ - ഫോറൻസിക് അനാലിസിസ്, റിസ്ക് മോഡലിംഗ്, അനോമലി ഡിറ്റക്ഷൻ, ബിഹേവിയറൽ ആൻഡ് റെസ്‌പോൺസ് ഒപ്റ്റിമൈസേഷൻ എന്നിവയും അതിലേറെയും ഉൾപ്പെടെ, പെരുമാറ്റ, ഭീഷണി വിശകലനം എന്നിവയ്ക്കുള്ള ഒന്നിലധികം വിപുലമായ വിശകലന സമീപനങ്ങളോടെ
ഇതിനർത്ഥം, ഒരു ഭീഷണി പ്രവചിക്കുന്നതിനേക്കാളും തിരിച്ചറിയുന്നതിനേക്കാളും കൂടുതൽ കാര്യങ്ങൾ നമുക്ക് ചെയ്യാൻ കഴിയും, ഇത് നൂതനമായ കണ്ടെത്തൽ മാത്രമല്ല, ഏറ്റവും ഫലപ്രദമായി എങ്ങനെ പ്രതികരിക്കാം എന്നതിനെക്കുറിച്ചുള്ള ഉൾക്കാഴ്ച നൽകാനും ഇത് ഞങ്ങളെ അനുവദിക്കുന്നു, “എങ്ങനെ” പോലുള്ള മറ്റ് പ്രധാന ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകാനുള്ള ശക്തി സുരക്ഷാ വിശകലനം നൽകുന്നു. ഒരുപാട് ഭീഷണികൾ ഉണ്ടോ?" കൂടാതെ "ഏറ്റവും മികച്ച പ്രതികരണം എന്താണ്?"
സൈബർ സുരക്ഷയിൽ പ്രയോഗിച്ച ഒപ്റ്റിമൈസേഷൻ രീതികൾ പോലെയുള്ള മറ്റ് അനലിറ്റിക്സ് ഞങ്ങൾ ഇതുവരെ കണ്ടിട്ടില്ല, പക്ഷേ അവയ്ക്ക് അപാരമായ സാധ്യതകളുണ്ട്, ഈ സാങ്കേതിക വിദ്യകൾ ഒരു സുരക്ഷാ അപകടസാധ്യതയോടുള്ള സാധ്യമായ എല്ലാ പ്രതികരണങ്ങളും നോക്കുകയും മികച്ച പ്രതികരണം നിർണ്ണയിക്കുകയും ചെയ്യുന്നു അതെ, ഗണിതത്തിൽ ഇത് ചെയ്യാനുള്ള വഴികളുണ്ട്.
ഉദാampലെ, ഒരു പ്രശ്നവുമായി നിങ്ങളുടെ സെൽ ഫോൺ സേവന ദാതാവിനെ വിളിക്കുമ്പോൾ ഒപ്റ്റിമൈസേഷൻ രീതികൾ ഉപയോഗിക്കുന്നു, നിങ്ങളുടെ സേവന പ്ലാൻ കിഴിവിൽ അപ്‌ഗ്രേഡ് ചെയ്യണോ വേണ്ടയോ എന്നതിനെക്കുറിച്ച് അവർ ക്രമരഹിതമായി ശുപാർശ ചെയ്യുന്നില്ല; നിങ്ങളുടെ കോൾ ലോഗുകൾ, ഡ്രോപ്പ് ചെയ്ത കോളുകളുടെ എണ്ണം, നിങ്ങളുടെ ചരിത്രം മറ്റ് ഉപയോക്താക്കളുമായി താരതമ്യം ചെയ്യുന്നതെങ്ങനെ എന്നിങ്ങനെയുള്ള പശ്ചാത്തലത്തിലുള്ള ഒരു കൂട്ടം ഗണിതശാസ്ത്രത്തെ അവർ ആശ്രയിക്കുന്നു, നിങ്ങൾ മറ്റൊരു സേവന ദാതാവിലേക്ക് മാറാനുള്ള സാധ്യത പോലും ഇത് കണക്കാക്കുന്നു. സാധ്യമായ എല്ലാ അടുത്ത ഘട്ടങ്ങളിലും, ഉപഭോക്തൃ നിലനിർത്തൽ പരമാവധിയാക്കുന്നതിനുള്ള ഏറ്റവും മികച്ച അടുത്ത ഘട്ടം ഇത് കണക്കാക്കുന്നു
ഒരു അപകടസാധ്യത തിരിച്ചറിയുന്നതിനും, പ്രതികരിക്കേണ്ട നിരവധി മാർഗങ്ങൾ നൽകുന്നതിനും, ഈ പ്രത്യേക അപകടസാധ്യത പരമാവധി നിയന്ത്രിക്കുന്നതിനുള്ള മികച്ച പ്രതികരണം ഗണിതശാസ്ത്രപരമായി നിർണ്ണയിക്കുന്നതിനും ഇതേ ഗണിതം ഒരു സുരക്ഷാ ടീമിന് പ്രയോഗിക്കാവുന്നതാണ്.
സുരക്ഷാ ഭീഷണികളുടെ ദ്രുതഗതിയിലുള്ള ഉയർച്ചയും പരിണാമവും ഇത്തരത്തിലുള്ള പ്രതികരണ കാര്യക്ഷമതയെ നിർണായകമാക്കുന്നു. ഗണിതശാസ്ത്രത്തിലൂടെ, സുരക്ഷാ വിശകലനം ഇപ്പോൾ ആരംഭിക്കുകയാണെന്ന് ഞങ്ങൾ വിശ്വസിക്കുന്നു.
മുമ്പത്തേക്കാൾ കൂടുതൽ ഡാറ്റ ഇന്ന് ഞങ്ങളുടെ പക്കലുണ്ട്. നന്ദി, ഗണിതശാസ്ത്രത്തിലൂടെ ഈ ഡാറ്റ മനസ്സിലാക്കാൻ ഞങ്ങളെ സഹായിക്കുന്നതിന് ഞങ്ങൾക്ക് കൂടുതൽ കമ്പ്യൂട്ട് പവർ, മികച്ച അൽഗോരിതങ്ങൾ, ഗവേഷണത്തിലും സാങ്കേതികവിദ്യകളിലും വിശാലമായ നിക്ഷേപം എന്നിവയും ഉണ്ട്. എല്ലാ അക്കൗണ്ടുകളും അനുസരിച്ച്, സുരക്ഷാ അനലിറ്റിക്സ് ഇപ്പോൾ ആരംഭിക്കുകയാണെന്ന് ഞങ്ങൾ വിശ്വസിക്കുന്നു.
ഉപഭോക്തൃ പിന്തുണ
ഞങ്ങളുമായി ബന്ധപ്പെടുക
www.opentext.com
OpenText Cybersecurity കമ്പനികൾക്കും പങ്കാളികൾക്കും എല്ലാ വലുപ്പത്തിലുമുള്ള സമഗ്രമായ സുരക്ഷാ പരിഹാരങ്ങൾ നൽകുന്നു, പ്രതിരോധം, കണ്ടെത്തൽ, വീണ്ടെടുക്കൽ, അന്വേഷണം, അനുസരണം എന്നിവയിലേക്കുള്ള പ്രതികരണം മുതൽ, ഞങ്ങളുടെ ഏകീകൃത എൻഡ്-ടു-എൻഡ് പ്ലാറ്റ്‌ഫോം ഒരു സമഗ്ര സുരക്ഷാ പോർട്ട്‌ഫോളിയോ വഴി സൈബർ പ്രതിരോധം നിർമ്മിക്കാൻ ഉപഭോക്താക്കളെ സഹായിക്കുന്നു. തത്സമയവും സന്ദർഭോചിതവുമായ ഭീഷണി ഇൻ്റലിജൻസ്, OpenText സൈബർ സുരക്ഷ ഉപഭോക്താക്കൾക്ക് ഉയർന്ന കാര്യക്ഷമത ഉൽപ്പന്നങ്ങൾ, അനുസരണമുള്ള അനുഭവം, ബിസിനസ്സ് അപകടസാധ്യത നിയന്ത്രിക്കാൻ സഹായിക്കുന്ന ലളിതമായ സുരക്ഷ എന്നിവയിൽ നിന്ന് പ്രയോജനം നേടുന്നു
762-000016-003 | O | 01/24 | © 2024 വാചകം തുറക്കുക
പ്രമാണങ്ങൾ / വിഭവങ്ങൾ
 |
ഓപ്പൺ ടെക്സ്റ്റ് ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസും മെഷീൻ ലേണിംഗും [pdf] നിർദ്ദേശങ്ങൾ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ആൻഡ് മെഷീൻ ലേണിംഗ്, ഇൻ്റലിജൻസ് ആൻഡ് മെഷീൻ ലേണിംഗ്, മെഷീൻ ലേണിംഗ് |
