ओपनटेक्स्ट आर्टिफिशियल इन्टेलिजेन्स र मेसिन

आर्टिफिसियल इन्टेलिजेन्स (एआई) ले हामीले मेसिनहरूसँग अन्तरक्रिया गर्ने तरिका र मेसिनहरूले हामीसँग अन्तरक्रिया गर्ने तरिकालाई रूपान्तरण गर्दैछ। यस गाइडले एआईले कसरी काम गर्छ, विभिन्न प्रकारका मेसिन लर्निङका शक्ति र सीमितताहरू, र अध्ययनको यो निरन्तर परिवर्तनशील क्षेत्रको विकासलाई तोड्छ। यसले आजको जटिल साइबर सुरक्षा खतराहरूबाट उद्यमहरूलाई अझ राम्रोसँग जोगाउन AI सक्षम सुरक्षा विश्लेषण वा प्रयोगकर्ता र संस्था व्यवहारिक विश्लेषण (UEBA) को भूमिका पनि अन्वेषण गर्दछ।

मेसिन बनाम मानव शिक्षा

आर्टिफिसियल इन्टेलिजेन्स (एआई) जताततै छ - कम्तिमा, यो OpenText™ मा यस्तो देखिन्छ, AI को उदय रोमाञ्चक र चुनौतीपूर्ण छ तर हामीले हाम्रा साथीहरू, ग्राहकहरू र साझेदारहरूसँग संलग्न भएका छौं, हामीले महसुस गरेका छौं कि AI को अवधारणा सधैं सजिलै बुझ्न सकिँदैन यो AI र मेसिन लर्निङ 101 गाइड सुरु गर्न, हामी धेरै मानिसहरूले सोधिरहेका मुख्य प्रश्नको जवाफ दिएर AI पजल खोल्नेछौं: "कृत्रिम बुद्धिमत्ता वास्तवमा के हो?"

आर्टिफिसियल इन्टेलिजेन्सलाई बुझ्ने सबैभन्दा सजिलो तरिका भनेको हामीले पहिले नै बुझेको कुरामा यसलाई नक्सा गर्नु हो—हाम्रो आफ्नै बुद्धिले कसरी गैर-कृत्रिम, मानव बुद्धिले काम गर्छ? सबैभन्दा आधारभूत स्तरमा, हाम्रो बुद्धिले एक साधारण प्रगति पछ्याउँछ: हामी जानकारी लिन्छौं, हामी यसलाई प्रशोधन गर्छौं, र अन्ततः जानकारीले हामीलाई कार्य गर्न मद्दत गर्दछ।

यसलाई एउटा प्रणाली रेखाचित्रमा विभाजन गरौं, तलको चित्रमा, मानव बुद्धिका तीन सामान्य चरणहरू बाँयाबाट दायाँ: इनपुट, प्रशोधन, र आउटपुट मानव मस्तिष्कमा, इनपुट तपाईंको आँखाले चीजहरू सेन्सिङ र बुझ्ने रूपमा लिन्छ। नाक, कान, इत्यादि, बायाँ तिर कच्चा इनपुट लिनुहोस्, जस्तै प्रकाशको फोटोन वा पाइन रूखहरूको गन्ध, र त्यसपछि यसलाई प्रशोधन गर्नुहोस् प्रणालीको दाहिने छेउमा आउटपुट छ यसमा बोली र कार्यहरू समावेश छन्, जुन दुवै कसरी निर्भर छन्। हामीले हाम्रो मस्तिष्कले प्राप्त गरेको कच्चा इनपुटलाई प्रशोधन गर्छौं। प्रशोधन बीचमा हुन्छ, जहाँ ज्ञान वा सम्झनाहरू बनाइन्छ र पुन: प्राप्त गरिन्छ, निर्णयहरू र निष्कर्षहरू र बनाइन्छ, र सिकाइ हुन्छ।

चित्र 1. मानव बुद्धि

गैर-कृत्रिम, मानव बुद्धिले कसरी काम गर्छ? सबैभन्दा आधारभूत स्तरमा, हाम्रो बुद्धिले एक साधारण प्रगति पछ्याउँछ: हामी जानकारी लिन्छौं, हामी यसलाई प्रशोधन गर्छौं, र अन्ततः जानकारीले हामीलाई कार्य गर्न मद्दत गर्दछ।

सडकको चौराहेमा रोकिएको तस्विर तपाईको आँखाले देख्छ कि तपाईको अगाडिको ट्राफिक बत्ती भर्खरै हरियो भएको छ तपाईले अनुभव (र चालकको शिक्षा) बाट सिकेको कुराको आधारमा तपाईलाई थाहा छ कि हरियो बत्तीले तपाईले अगाडि बढ्नुपर्छ भनेर संकेत गर्दछ, त्यसैले, तपाई। ग्यास पेडलमा हिट गर्नुहोस् हरियो बत्ती कच्चा इनपुट हो, तपाईंको एक्सेलेरेशन आउटपुट हो; बीचमा सबै प्रशोधन भइरहेको छ

हाम्रो वरपरको संसारलाई बौद्धिक रूपमा नेभिगेट गर्न — फोनको जवाफ दिने, चकलेट चिप कुकीहरू बेक गर्ने, वा ट्राफिक लाइटहरू पालन गर्ने—हामीले प्राप्त गर्ने इनपुटलाई प्रशोधन गर्न आवश्यक छ यो मानव बुद्धि प्रशोधनको मूल हो, र यसलाई अन्ततः तीनवटा फरक पक्षहरूमा विभाजन गरिएको छ। :

1. ज्ञान र स्मृति। हामीले तथ्यहरू (जस्तै, हेस्टिङ्सको युद्ध 1066 मा भएको थियो) र सामाजिक मानदण्डहरू (अर्थात, "कृपया" र "धन्यवाद" भन्नुलाई विनम्र मानिन्छ) यसका अतिरिक्त, मेमोरीले हामीलाई जानकारी सम्झन र लागू गर्न सक्षम बनाउँछ। विगतदेखि वर्तमान अवस्थाहरू पूर्वका लागिampले, एडवर्डलाई याद छ कि जेनले उनको जन्मदिनको उपहारको लागि उहाँलाई धन्यवाद दिएनन्, त्यसैले उसले उसलाई क्रिसमसको उपहार दिंदा उहाँलाई धन्यवाद दिने आशा गर्दैन।
2. निर्णय र निष्कर्ष। निर्णय र निष्कर्षहरू कच्चा इनपुटको आधारमा ज्ञान र/वा मेमोरीको साथ संयुक्त रूपमा गरिन्छ।ample, एडवर्डले गत वर्ष एक जालापेनो खुर्सानी खाए र यो मन परेन जब जोनीले एडवर्डलाई काली मिर्च प्रस्ताव गरे, उसले यसलाई नखाने निर्णय गरे
3. सिक्दै। मानिसले पूर्वबाट सिक्न सक्छample, अवलोकन, वा एल्गोरिदम पूर्व द्वारा सिकाइमाampले, हामीलाई भनिएको छ कि एउटा जनावर कुकुर हो, अर्को बिरालो हो। चरणहरूको श्रृंखला वा एक विशिष्ट एल्गोरिथ्म (जस्तै, लामो विभाजन प्रदर्शन गर्दै)

मानव बौद्धिकताका यी पक्षहरू समानान्तर कृत्रिम बुद्धिमत्ताले जसरी हामी जानकारी लिन्छौं, यसलाई प्रशोधन गर्छौं र आउटपुट साझा गर्छौं, त्यसरी नै मेसिनहरूले यो नक्सा कसरी बाहिर आउँछ भनेर तलको चित्रलाई हेरौं।

चित्र २. कृत्रिम बुद्धिमत्ता

हाम्रो वरपरको संसारलाई बुद्धिमानीपूर्वक नेभिगेट गर्न — फोनको जवाफ दिँदै, चकलेट चिप कुकीहरू बेक गर्ने, वा ट्राफिक लाइटहरू पालना गर्ने — हामीले प्राप्त गर्ने इनपुटलाई प्रशोधन गर्न आवश्यक छ।

मेशिनहरूमा, कृत्रिम बुद्धिमत्ताको इनपुट भाग प्राकृतिक भाषा प्रशोधन, वाक् पहिचान, दृश्य पहिचान, र थप द्वारा उदाहरण हो। तपाईले त्यस्ता प्रविधिहरू र एल्गोरिदमहरू जताततै देख्नुहुन्छ, सेल्फ-ड्राइभिङ कारहरू जसले सडक मार्ग र अवरोधहरू बुझ्न आवश्यक छ, एलेक्सा वा सिरीसम्म। जब यसले तपाइँको बोलीलाई चिन्ने आउटपुट निम्न तरिकाहरू हुन् जसमा मेसिनहरूले हाम्रो वरपरको संसारसँग अन्तरक्रिया गर्दछ यसले रोबोटिक्स, नेभिगेसन प्रणाली (ती स्व-ड्राइभिङ कारहरूलाई मार्गनिर्देशन गर्न), भाषण उत्पादन (जस्तै, सिरी), इत्यादिको रूप लिन सक्छ। बीचमा, हामीसँग प्रशोधनका विभिन्न रूपहरू छन् जुन ठाउँ लिन्छ

हाम्रो ज्ञान र सम्झनाको संग्रह जस्तै, मेशिनहरूले ज्ञान प्रतिनिधित्वहरू (जस्तै, ग्राफ डाटाबेसहरू, अनटोलजीहरू) सिर्जना गर्न सक्छन् जसले उनीहरूलाई संसारको बारेमा जानकारी भण्डारण गर्न मद्दत गर्दछ जसरी मानिसहरूले निर्णय गर्छन् वा निष्कर्षहरू कोर्छन्, मेशिनहरूले भविष्यवाणी गर्न सक्छन्, लक्ष्यको लागि अनुकूलन गर्न सक्छन्। नतिजा, र एक विशेष लक्ष्य पूरा गर्न को लागी सबै भन्दा राम्रो अर्को चरण वा निर्णयहरु निर्धारण गर्नुहोस्

अन्तमा, जसरी हामी पूर्वबाट सिक्छौंampले, अवलोकन, वा एल्गोरिथ्म, मेशिनहरू एनालॉगस विधिहरू प्रयोग गरेर सिकाउन सकिन्छ पर्यवेक्षित मेसिन लर्निङ धेरै पूर्व द्वारा सिकाइ जस्तै हो।ample: कम्प्युटरलाई डेटा सेट भित्र "लेबलहरू" भएको डेटासेट दिइन्छ जसले जवाफको रूपमा काम गर्छ, र अन्ततः विभिन्न लेबलहरू बीचको भिन्नता बताउन सिक्छ (जस्तै, यो डेटासेटमा "कुकुर" वा "बिरालो" भनेर लेबल गरिएका तस्बिरहरू समावेश हुन्छन्, र पर्याप्त पूर्व संगampलेस, कम्प्यूटरले याद गर्नेछ कि कुकुरहरूको सामान्यतया लामो पुच्छर र बिरालाहरू भन्दा कम कानहरू छन्)

अर्कोतर्फ, असुरक्षित मेशिन लर्निङ, अवलोकनद्वारा सिक्ने जस्तै हो, कम्प्युटरले ढाँचाहरू (कुकुरको भुकाउने र बिरालोको म्याउ) अवलोकन गर्छ र, यसमार्फत, समूह र ढाँचाहरू आफै छुट्याउन सिक्छ (जस्तै, त्यहाँ जनावरहरूको दुई समूहहरू छन् जसले गर्न सक्छन्। तिनीहरूले गर्ने आवाजबाट अलग हुनुहोस् - कुकुरहरू र अर्को समूह म्याउहरू - बिरालोहरू) असुरक्षित सिकाइलाई लेबलहरू आवश्यक पर्दैन र त्यसैले डेटा सेटहरू सीमित हुँदा र लेबलहरू नभएको बेलामा राम्रो हुन्छ। के हुन्छ जब एक प्रोग्रामरले कम्प्युटरलाई सफ्टवेयर प्रोग्राममा चरण-दर-चरण के गर्ने भनेर निर्देशन दिन्छ।

वास्तवमा, सबैभन्दा सटीक र कम कृत्रिम बुद्धिमत्ता परिणामहरू सिक्ने विधिहरूको संयोजन चाहिन्छ पर्यवेक्षित र असुरक्षित मेसिन लर्निङ दुवै उपयोगी विधिहरू हुन्- यो सबै सही प्रयोगको मामलामा सही दृष्टिकोण वा दृष्टिकोणहरू लागू गर्ने बारे हो।

अर्को, हामी AI को यो भागले कसरी हाम्रो मस्तिष्कको न्युरोन्सलाई इनपुटलाई इष्टतम आउटपुटमा परिणत गर्न प्रतिबिम्बित गर्छ भनेर बुझ्नको लागि माइक्रोस्कोप मुनि मेसिन लर्निङ राख्नेछौं।

आदर्श रूपमा, सबैभन्दा सटीक र कुशल कृत्रिम बुद्धिमत्ता परिणामहरू सिक्ने विधिहरूको संयोजन चाहिन्छ। दुबै पर्यवेक्षित र असुरक्षित मेसिन लर्निङ उपयोगी विधिहरू हुन् - यो सबै सही प्रयोगको मामलामा सही दृष्टिकोण वा दृष्टिकोणहरू लागू गर्ने बारे हो।

न्यूरल नेटवर्क र गहिरो शिक्षा

मेशिन लर्निङ एआईको एउटा भाग मात्र हो, यद्यपि यसमा एल्गोरिदमहरूको ठूलो सबसेट छ, यद्यपि तपाईंले आज बारम्बार सुन्नुहुने एउटा विधि हो "गहिरो शिक्षा", हालैका वर्षहरूमा समाचारहरूमा ध्यानको उचित हिस्सा प्राप्त गर्ने एल्गोरिदम। यसको लोकप्रियता र सफलता, यसले कसरी काम गर्छ भन्ने कुरा बुझ्न सहयोगी हुन्छ डिप लर्निङ भनेको मेसिन लर्निङ एल्गोरिदमको विकास हो जुन १९८० को दशकमा लोकप्रिय थियो जसलाई तपाईंले चिन्न सक्नुहुन्छ: न्यूरल नेटवर्कहरू।

तंत्रिका नेटवर्कहरू - एक प्रोग्रामिंग प्रतिमान जसमा हामी मेसिनहरूलाई "सिक्न" तालिम दिन्छौं — हाम्रो स्नायु प्रणालीको आधार बन्ने न्यूरोन्स, वा मानव शरीरका विशेष कोशिकाहरूबाट प्रेरित हुन्छन्, र विशेष गरी मस्तिष्कहरूले यी कोशिकाहरूले हाम्रो शरीरभरि संकेतहरू प्रसारण गर्छन्। प्रणाली प्रतिक्रियाहरू र प्रक्रियाहरू न्युरोन्सहरू हुन् जसले हामीलाई हेर्न, सुन्न, गन्ध आदि गर्न सक्षम गर्दछ।

चित्र १। कसरी न्यूरोन्स प्राप्त र सन्देश पठाउनुहोस्

हामीले मानव सिकाइको रूपमा सोच्ने धेरै कुराहरू हाम्रो मस्तिष्कमा दुई न्युरोनहरू बीचको सम्बन्ध कत्तिको बलियो छ, हाम्रो सिनेप्सेसको किनारको बलसँगै वर्णन गर्न सकिन्छ।

यस गाइडको एक भागमा, हामीले मानव बुद्धिको आधारभूत प्रक्रियाको बारेमा छलफल गर्यौं: बायाँमा इनपुट, र दायाँमा आउटपुट न्युरोन (माथि चित्रित) ले यसमा महत्त्वपूर्ण भूमिका खेल्छ न्यूरोनको बायाँ छेउमा, सेल बडीले सङ्कलन गर्दछ। "इनपुट" एकचोटि यसले पर्याप्त इनपुट वा उत्तेजना प्राप्त गरेपछि, एक्सन फ्रेस, जानकारीलाई दाहिने तर्फ पठाउँदछ - सिनेप्स "आउटपुट" त्यसपछि अन्य न्यूरोन्समा पठाइन्छ।

कुनै पनि क्षणमा, हाम्रा न्युरोनहरूले एकअर्काको बीचमा सन्देशहरू पठाउँछन् यी कोशिकाहरू हाम्रो वरपरको कुरा बुझ्ने क्षमताको लागि जिम्मेवार हुन्छन् र जब हामी सिक्न सक्छौं, हाम्रा न्यूरोन्सहरू धेरै सक्रिय हुन्छन् वास्तवमा, हामीले मानव सिकाइको रूपमा के सोच्छौं भनेर धेरै जसो वर्णन गर्न सकिन्छ। हाम्रो मस्तिष्कमा दुई न्युरोनहरू बीचको सम्बन्ध कत्तिको बलियो छ, हाम्रो सिनेप्सेसको किनारको बलसँगै

न्यूरल नेटवर्क न्यूरोन कोशिकाहरूको संग्रहको गणितीय सिमुलेशन हो। तलको छविले 3 तह र 12 नोडहरू भएको आधारभूत न्यूरल नेटवर्कलाई प्रतिनिधित्व गर्दछ।

प्रत्येक गोलाकार नोडले एक कृत्रिम, जैविक रूपमा प्रेरित "न्यूरोन" लाई प्रतिनिधित्व गर्दछ, रेखाहरूले बाँयामा एक कृत्रिम न्यूरोनको आउटपुटबाट दायाँमा अर्कोको इनपुटमा जडानलाई प्रतिनिधित्व गर्दछ यी न्युरोन्सहरू बीचको सिग्नलहरू बायाँबाट दायाँ रेखाहरूसँग प्रवाह हुन्छन् यी नेटवर्कहरूमा। , इनपुट—जस्तै पिक्सेल डेटा—इनपुट तहबाट प्रवाह हुन्छ, मध्य "लुकेका" तहहरू हुँदै, र अन्ततः आउटपुट तहमा गणितीय समीकरणहरूद्वारा वर्णन गरिएको तरिकामा वास्तविक जैविक न्यूरोन्सहरूमा विद्युतीय गतिविधिबाट प्रेरित हुन्छ।

चित्र १। सरल तंत्रिका नेटवर्क

तंत्रिका सञ्जालहरूले आउटपुट तहमा इच्छित परिणामहरूमा इनपुट तहमा प्रस्तुत डेटा सेटहरू मिलाउन प्रयास गरेर सिक्छन्। गणितीय समीकरणहरूले आउटपुटहरू गणना गर्दछ, सिमुलेटेड आउटपुटलाई इच्छित परिणाममा तुलना गर्दछ, र परिणामस्वरूप भिन्नताहरूले जडानहरूको बलमा ट्वीकहरू उत्पादन गर्दछ।

न्युरल नेटवर्कहरूले आउटपुट तहमा इच्छित नतिजाहरूसँग इनपुट तहमा प्रस्तुत डेटा सेटहरू मिलाउन प्रयास गरेर सिक्छन्। गणितीय समीकरणहरूले आउटपुटहरू गणना गर्दछ, सिमुलेटेड आउटपुटलाई इच्छित नतिजासँग तुलना गर्दछ, र परिणामस्वरूप भिन्नताहरूले जडानहरूको बलमा ट्वीकहरू उत्पादन गर्दछ। यी ट्वीकहरू पुनरावृत्ति रूपमा परिमार्जन हुन्छन् जबसम्म गणना गरिएको आउटपुट वांछित नतिजाको नजिक हुँदैन, जसमा हामी भन्छौं कि न्यूरल नेटवर्कले "सिकेको छ"।

चित्र १। जटिल न्यूरल नेटवर्क

यी "गहिरो" तंत्रिका सञ्जालहरूले धेरै जटिल भविष्यवाणीहरू गर्न सक्छन् त्यहाँ हजारौं नोडहरू र सयौं तहहरू हुन सक्छन्, जसको अर्थ हजारौं विभिन्न गणनाहरू छन्। वाणी वा छवि पहिचान जस्ता विशिष्ट समस्याहरूमा गहिरो शिक्षा मोडेलहरू धेरै राम्रो भएका छन्।

तथापि, यो ध्यान दिन लायक छ कि गहिरो सिकाइ मेसिन लर्निङको लागि चाँदीको बुलेट होइन - विशेष गरी साइबरसुरक्षामा होइन, जहाँ कहिलेकाहीँ गहिरो सिकाइ विधिहरूको लागि उपयुक्त हुने सफा डाटाको ठूलो मात्रा हुँदैन, सही एल्गोरिदम छनोट गर्नु महत्त्वपूर्ण हुन्छ, कामको लागि डाटा, र सिद्धान्तहरू प्रमाणहरू सङ्कलन गर्न, थोप्लाहरू जडान गर्न र निष्कर्ष निकाल्नका लागि मेसिनहरूको लागि यो उत्तम तरिका हो।

न्यूरल नेटवर्कहरू भविष्यका सामानहरू जस्तो लाग्न सक्छ, तर यो केही समयको लागि हो, वास्तवमा, न्यूरल नेटवर्कहरू विचारहरूमा आधारित छन् जुन 1940s मा फिर्ता प्रसारित हुन थालेको अर्को खण्डमा, हामी बुझ्नको लागि समयमै छोटो यात्रा गर्नेछौं। कसरी तंत्रिका सञ्जाल र मेसिन लर्निङ आधुनिक जीवनका धेरै भागहरूमा फैलिएको छ।

तंत्रिका नेटवर्कहरू भविष्यको सामान जस्तो लाग्न सक्छ, तर यो केहि समयको लागि वरपर भएको छ। वास्तवमा, न्यूरल नेटवर्कहरू विचारहरूमा आधारित छन् जुन 1940s मा फिर्ता प्रसारित हुन थाले।

कृत्रिम बुद्धिमत्ताको संक्षिप्त इतिहास

केही व्यक्तिहरूका लागि, आर्टिफिसियल इन्टेलिजेन्स (एआई) शब्दले उडान कारहरू र घरेलु रोबोटहरू भएका भविष्यका शहरहरूको छविहरू जगाउन सक्छ तर एआई भविष्यको अवधारणा होइन, कम्तिमा अब होइन, यद्यपि यस रूपमा उल्लेख गरिएको छैन, कृत्रिम बुद्धिमत्ताको विचार हुन सक्छ। पुरातनता (अर्थात्, ग्रीक देवता हेफेस्टसको बोल्ने मेकानिकल ह्यान्डमेडन्स) ¹ सन् १९३० को दशकदेखि वैज्ञानिकहरू र गणितज्ञहरू समान रूपमा मानवबाट अलग साँचो बौद्धिकता सिर्जना गर्न खोज्न उत्सुक छन्।

२० औं शताब्दीको मध्यमा एआईको परिभाषित क्षण गणित र जीवविज्ञानको सुखद संगम थियो, नोर्बर्ट विनर, क्लाउड श्यानन र एलन ट्युरिङ जस्ता अनुसन्धानकर्ताहरूले सन् १९४३ सम्ममा विद्युतीय सङ्केत र गणनाको प्रतिच्छेदनबाट टाढा भइसकेका थिए, वारेन म्याककुलोच र वाल्टर पिट्स। न्यूरल नेटवर्कहरूको लागि एउटा मोडेल सिर्जना गरेको थियो न्यूरल नेटवर्कहरूले ठूलो अश्वशक्तिको साथ कम्प्युटिङको साहसी नयाँ संसारको लागि मार्ग प्रशस्त गर्यो, र, 20 मा, एआई अनुसन्धानको क्षेत्र आधिकारिक रूपमा एक शैक्षिक अनुशासनको रूपमा स्थापित भयो।

शताब्दीको उत्तरार्ध एआई अनुसन्धान र प्रगतिको लागि रोमाञ्चक युग थियो, कहिलेकाहीँ मध्य 70 र 80 को दशकमा "एआई शीतकालीन" द्वारा अवरोध भयो जहाँ एआई सार्वजनिक अपेक्षाहरू पूरा गर्न असफल भयो, र क्षेत्र मा लगानी घट्यो तर अवरोधहरूको बावजुद, एआई र मेसिन लर्निङका लागि विभिन्न एप्लिकेसनहरू बायाँ र दायाँ देखा परिरहेका थिए। यस्तो एप्लिकेसनको एउटा विशेष किस्सा वैज्ञानिक समुदायमा लोकप्रिय दृष्टान्त बनेको छ, जसले एआई अनुसन्धान र कार्यान्वयनको परीक्षण र कठिनाइहरूलाई प्रभावकारी रूपमा बोलिरहेको छ।

कथा यस्तो छ:

1980 मा, कलमtagकेवल एउटा मेनफ्रेम (१९८० को दशकदेखि, ध्यानमा राख्नुहोस्), न्यूरल नेटवर्क प्रयोग गर्ने निर्णय गर्दा क्यामोफ्लाज गरिएका ट्याङ्कीहरू पहिचान गर्नका लागि न्यूरल नेटलाई 1980 तस्विरहरू-200 ट्याङ्कहरू र 100 रूखहरूका साथ तालिम दिइएको थियो (100 को कारणले गर्दा) गणना र मेमोरीमा सीमितताहरू), प्रयोगशाला प्रशिक्षणले 1980% सटीकतामा परिणाम दियो, यस्तो सफलताको साथ, टोलीले यसलाई फिल्डमा जाने निर्णय गर्छ, नतिजा राम्रो थिएन।

चित्र १। ल्याब बनाम फिल्ड चित्रहरू (स्रोत: न्यूरल नेटवर्क फोलिज, नील फ्रेजर, सेप्टेम्बर 1998)

1980 को दशकमा अप्रत्याशित कम्प्युटिङ स्रोतहरूको उपलब्धताको साथ, गहिरो न्यूरल नेटवर्कहरू द्रुत रूपमा अनुसन्धानको लागि लोकप्रिय क्षेत्र बन्न थालेका छन्। गहिरो शिक्षाले प्रणालीलाई अरबौं संयोजन र अवलोकनहरू मार्फत स्वचालित रूपमा "सिक्ने" क्षमता दिन्छ, मानव संसाधनमा निर्भरता घटाउँछ।

किन न्यूरल नेटवर्कले ल्याबमा तस्बिरहरूमा यति राम्रो काम गर्यो, तर फिल्डमा पूर्ण रूपमा असफल भयो? यो बाहिरियो कि गैर-ट्याङ्क फोटोहरू सबै दिनहरूमा खिचिएको थियो जहाँ आकाश बादल थियो; रूखका सबै तस्बिरहरू घाम चम्किरहेको दिनहरूमा खिचिएका थिए, तंत्रिका जाललाई ट्याङ्की होइन, घाम चिन्न तालिम दिइएको थियो।

अन्ततः, यद्यपि, गहिरो सिकाइ मार्फत भिजुअल पहिचान - न्यूरल नेटवर्कहरू द्वारा सुविधा जुन पेन भन्दा धेरै जटिल छन्।tag1980 को दशकको मेनफ्रेमले ह्यान्डल गर्न सक्षम हुने थियो—एक वास्तविकता बन्यो 2012 मा, स्ट्यानफोर्ड प्रोफेसर एन्ड्रयू एनजी र गुगलका साथी जेफ डीनले प्रत्येक 1000 कोरको साथ 16 कम्प्युटरहरू प्रयोग गरेर पहिलो गहिरो न्यूरल नेटवर्कहरू मध्ये एउटा सिर्जना गरे: कार्य: 10 मिलियन YouTube भिडियोहरूको विश्लेषण गर्नुहोस् परिणाम। : यसले बिरालाहरू फेला पार्यो ² यसको "गहिरो शिक्षा" एल्गोरिथ्मको लागि धन्यवाद, नेटवर्कले समयसँगै बिरालाहरू पहिचान गर्न सक्षम भयो, र धेरै राम्रो शुद्धताका साथ।

1980 को दशकमा अप्रत्याशित कम्प्युटिङ स्रोतहरूको उपलब्धतासँगै, गहिरो न्यूरल नेटवर्कहरू द्रुत रूपमा अनुसन्धानको लागि लोकप्रिय क्षेत्र बन्न थालेका छन् दीप शिक्षाले प्रणालीलाई अरबौं संयोजन र अवलोकनहरू मार्फत स्वचालित रूपमा "सिक्ने" क्षमता दिन्छ, निर्भरता घटाउँदै। मानव संसाधन साइबरसेक्युरिटी डोमेन भित्र, यो विधि मालवेयर पत्ता लगाउनको लागि विशेष गरी आशाजनक भएको छ - परिदृश्यहरू जसमा हामीसँग धेरै भूतपूर्व डेटासेटहरू छन्।ampमालवेयर को लेस जसबाट नेटवर्कले सिक्न सक्छ

दुर्भाग्यवश, गहिरो सिकाइ विधिहरू हाल कम प्रभावकारी हुन्छन् जब यो निश्चित प्रयोगका केसहरूमा आउँछ, जस्तै भित्री खतरा, किनभने हामीसँग यी प्रकारका आक्रमणहरूमा सही प्रकारको डाटा हुँदैन, आवश्यक मात्रामा प्रायः, हामीसँग जानकारी हुन्छ। भित्री धम्कीहरू उपाख्यान हुन्, जुन यी प्रकारका न्यूरल नेटवर्कहरूद्वारा कुशलतापूर्वक प्रयोग गर्न सकिँदैन।

जबसम्म हामीले थप प्रभावकारी डेटासेटहरू सङ्कलन गर्न सक्दैनौं (र गहिरो सिकाइ प्रणालीहरूको लागत र जटिलता कम गर्दैनौं), गहिरो शिक्षा सबै प्रयोगका केसहरूको लागि सही विकल्प होइन र त्यो ठीक छ गहिरो शिक्षा धेरै मेसिन लर्निङ एल्गोरिदमहरूमध्ये एक मात्र हो, र यी दृष्टिकोणहरू हुन सक्छन्। जस्तै यदि अधिक मूल्यवान छैन - यो सबै हात मा काम मा निर्भर गर्दछ

हामीले यसको आधिकारिक "जन्म" पछि 6 दशकहरूमा AI प्रविधिहरूको अपार सम्भावना देख्यौं र हामीले भर्खरै सतहलाई खरोंच गरेका छौं, विशेष गरी सुरक्षामा अर्को, हामी एआई र विश्लेषणका लागि सम्भावित अनुप्रयोगहरूमा गहिरो डुब्नेछौं। हामीले सुरक्षा खतराहरू पहिचान गर्ने र प्रतिक्रिया दिने तरिका।

भविष्यवाणी गर्ने विश्लेषण भनेको धेरै ठूलो पजलको एउटा टुक्रा मात्र हो जसले हामीलाई सुरक्षा टोलीहरूका लागि धेरै उपयोगी अन्तरदृष्टि दिन सक्छ।

हामीले यसको आधिकारिक "जन्म" पछि 6 दशकहरूमा AI प्रविधिहरूको अपार सम्भावना देखेका छौं र हामीले भर्खरै सतहलाई खरोंच गरेका छौं, विशेष गरी सुरक्षामा।

सुरक्षा एनालिटिक्स को लागी एक नयाँ दृष्टि

अहिलेसम्म, यस गाइडले मेसिन लर्निङलाई नजिकबाट हेरेको छ, यसको सीमितता र बलहरू बुझेको छ त्यहाँ एआईलाई सहज बनाउन मेसिन लर्निङको ठूलो सम्भावना छ, तर यो ध्यान दिन लायक छ कि खतरा पत्ता लगाउने फराकिलो खेल गहिरो सिकाइ वा मेसिन लर्निङ मात्र होइन। आज हामीलाई थाहा छ कि नयाँ डेटा प्रकारहरूसँग मिलेर नयाँ विश्लेषणात्मक विधिहरूले हामीलाई सुरक्षा खतराहरूको विश्लेषण र कार्य गर्न पूर्ण रूपमा नयाँ फ्रेमवर्क दिन सक्छ।

नयाँ विधिहरू	अनिश्चितता अन्तर्गत अनुकूली विश्लेषण निरन्तर विश्लेषण अनुकूलन	सन्दर्भमा प्रतिक्रिया दिँदै स्थानीय परिवर्तन/प्रतिक्रियालाई प्रतिक्रिया दिँदै जोखिम मात्रा वा न्यूनीकरण
परम्परागत	अप्टिमाइजेसन प्रेडिक्टिव मोडलिङ सिमुलेशन फरकास्टिङ अलर्ट्स क्वेरी/ड्रिल डाउन तदर्थ रिपोर्टिङ मानक रिपोर्टिङ	निर्णय जटिलता, समाधान गति अनौपचारिक रूपमा, सम्भाव्यता, आत्मविश्वास स्तरहरू उच्च निष्ठा, खेलहरू, डेटा खेती ठूला डेटा सेटहरू, ननलाइनर रिग्रेसन नियम/ट्रिगरहरू, सन्दर्भ संवेदनशील, जटिल घटनाहरू मेमोरी डेटामा, फजी खोज, भू-स्थानिक क्वेरी पूर्व द्वाराampले, प्रयोगकर्ता प्रतिवेदनहरू वास्तविक समय, दृश्यहरू, प्रयोगकर्ता अन्तरक्रिया
नयाँ डेटा	संस्था रिजोल्युसन सम्बन्ध, सुविधा निकासी एनोटेसन र टोकनाइजेशन	मानिसहरू, भूमिकाहरू, स्थानहरू, चीजहरू नियमहरू, सिमेन्टिक इन्फेरेन्सिङ, मिल्दो स्वचालित, भीड स्रोत

हामीले अन्य उद्योगहरूको लागि एनालिटिक्सले के गर्न सक्छ भनेर देखेका छौं, र साइबरसुरक्षामा एनालिटिक्सको गहिरो प्रभाव पार्ने सम्भाव्यता पनि छ, हामी यसलाई नयाँ क्षेत्रमा आकार लिइरहेको देख्छौं जसलाई हामीले सुरक्षा एनालिटिक्स भनिन्छ, जसले अनिवार्य रूपमा युद्ध-परीक्षण लिन्छ। एल्गोरिदम र विधिहरू जुन हामीले छलफल गरेका छौं (र थप) र तिनीहरूलाई लागू गर्दछ सुरक्षामा साँच्चै गाह्रो समस्याहरू समाधान गर्न मद्दत गर्दछ।

आज हामीले सुरक्षामा देख्ने सबैभन्दा सामान्य एनालिटिक्सले भविष्यवाणी गर्ने मोडेलहरू समावेश गर्दछ, जसले हामीलाई डेटाको ठूलो मात्रामा जोखिमहरू कहाँ हुन सक्छ भनेर पहिचान गर्न अनुमति दिन्छ (यही हो जहाँ विसंगति पत्ता लगाउन सकिन्छ) संक्षेपमा, भविष्यवाणी मोडलिङले ऐतिहासिक डेटालाई वास्तविक-समय व्यवहारसँग जोड्दछ। भविष्यको व्यवहार बुझ्न वा भविष्यवाणी गर्न यसबाट, हामी प्रश्नको जवाफ दिन सक्छौं, "अब के हुन्छ?"

तर सुरक्षा एनालिटिक्सको लागि हाम्रो दृष्टिकोण यहाँ रोकिँदैन भविष्यवाणी विश्लेषण भनेको धेरै ठूलो पजलको एउटा टुक्रा मात्र हो जसले हामीलाई सुरक्षा टोलीहरूका लागि धेरै उपयोगी अन्तरदृष्टि दिन सक्छ। आदर्श एनालिटिक्स प्रतिमानले बौद्धिक सेन्सर र सर्वव्यापी डेटा स्रोतहरू-डेस्कटपहरू र सर्भरहरू, मोबाइलहरू संयोजन गर्दछ। , क्लाउड, सामाजिक सञ्जालहरू, खुला डाटा, इत्यादि — व्यवहार र खतरा विश्लेषणका लागि धेरै उन्नत विश्लेषणात्मक दृष्टिकोणहरू सहित, फोरेन्सिक विश्लेषण, जोखिम मोडेलिङ, विसंगति पत्ता लगाउने, व्यवहार र प्रतिक्रिया अनुकूलन, र थप।

यसको मतलब यो हो कि हामीले खतराको भविष्यवाणी वा पहिचान गर्नु भन्दा धेरै गर्न सक्छौं यसले हामीलाई उन्नत पत्ता लगाउन मात्र होइन तर कसरी सबैभन्दा प्रभावकारी रूपमा जवाफ दिने भन्ने बारे अन्तरदृष्टि प्रदान गर्न अनुमति दिन्छ सुरक्षा विश्लेषणले हामीलाई अन्य मुख्य प्रश्नहरूको जवाफ दिने शक्ति दिन्छ, जस्तै "कसरी त्यहाँ धेरै धम्कीहरू छन्?" र "सबैभन्दा राम्रो सम्भावित प्रतिक्रिया के हो?"

हामीले साइबरसुरक्षामा अप्टिमाइजेसन विधिहरू लागू गर्ने जस्ता विश्लेषणका अन्य वर्गहरू देखेका छैनौं, तर तिनीहरूसँग अपार सम्भावना छ यी प्रविधिहरूले सुरक्षा जोखिममा हुने सबै सम्भावित प्रतिक्रियाहरूलाई हेर्छन् र उत्तम प्रतिक्रिया निर्धारण गर्छन् हो, त्यहाँ गणितको साथ यो गर्ने तरिकाहरू छन्।

पूर्वका लागिampले, अप्टिमाइजेसन विधिहरू प्रयोग गरिन्छ जब तपाइँ तपाइँको सेल फोन सेवा प्रदायकलाई कुनै समस्याको साथ कल गर्नुहुन्छ उनीहरूले छुटमा तपाइँको सेवा योजना अपग्रेड गर्ने वा नगर्ने बारे अनियमित रूपमा सिफारिस गर्दैनन्; तिनीहरू पृष्ठभूमिमा गणितको सेटमा भर पर्छन् जसले तपाईंको कल लगहरू, ड्रप कलहरूको सङ्ख्या, तपाईंको इतिहास अन्य प्रयोगकर्ताहरूसँग कसरी तुलना गर्छ, इत्यादि देख्छ कि तपाईंले अर्को सेवा प्रदायकमा स्विच गर्न सक्नुहुन्छ भन्ने सम्भाव्यता पनि गणना गर्दछ। सबै सम्भावित अर्को चरणहरूमा, यसले ग्राहकलाई अधिकतम बनाउनको लागि सबैभन्दा राम्रो अर्को चरणको गणना गर्दछ

सुरक्षा टोलीमा जोखिम पहिचान गर्न, प्रतिक्रिया गर्ने थुप्रै तरिकाहरू प्रदान गर्न र यस विशेष जोखिमलाई अधिकतम नियन्त्रण गर्न गणितीय रूपमा उत्तम प्रतिक्रिया निर्धारण गर्नको लागि समान गणित लागू गर्न सकिन्छ।

सुरक्षा खतराहरूको द्रुत बृद्धि र विकासले यस प्रकारको प्रतिक्रिया दक्षतालाई महत्वपूर्ण बनाउँछ। आज हामीसँग पहिलेभन्दा धेरै डेटा छ धन्यबाद, हामीसँग थप कम्प्युट पावर, राम्रो एल्गोरिदम, र अनुसन्धान र प्रविधिहरूमा फराकिलो लगानी छ जसले हामीलाई यो डेटाको अर्थ बनाउन मद्दत गर्दछ। गणित मार्फत सबै खाताहरूद्वारा, हामी विश्वास गर्छौं कि सुरक्षा विश्लेषण भर्खरै सुरु हुँदैछ।

हामीसँग पहिले भन्दा आज धेरै डाटा छ। धन्यबाद, हामीसँग थप कम्प्युट पावर, राम्रो एल्गोरिदमहरू, र अनुसन्धान र प्रविधिहरूमा फराकिलो लगानी छ जसले हामीलाई गणित मार्फत यो डेटा बुझ्न मद्दत गर्दछ। सबै खाताहरूद्वारा, हामी विश्वास गर्छौं कि सुरक्षा विश्लेषणहरू भर्खरै सुरु हुँदैछ।

ग्राहक समर्थन

हामीसँग जडान गर्नुहोस्
www.opentext.com
OpenText साइबरसेक्युरिटीले सबै आकारका कम्पनीहरू र साझेदारहरूका लागि व्यापक सुरक्षा समाधानहरू प्रदान गर्दछ रोकथाम, पत्ता लगाउन र रिकभरी, अनुसन्धान र अनुपालनको प्रतिक्रियाबाट, हाम्रो एकीकृत अन्त-देखि-अन्त प्लेटफर्मले ग्राहकहरूलाई समग्र सुरक्षा पोर्टफोलियो मार्फत साइबर लचिलोपन निर्माण गर्न मद्दत गर्दछ। वास्तविक-समय र प्रासंगिक खतरा बुद्धिमत्ता, OpenText साइबरसुरक्षा ग्राहकहरूले उच्च प्रभावकारिता उत्पादनहरू, एक अनुरूप अनुभव र व्यापार जोखिम व्यवस्थापन गर्न मद्दतको लागि सरलीकृत सुरक्षाबाट लाभ उठाउँछन्।
७६२-००००७४-००५ | ओ | ०१/२४ | © २०२४ खुला पाठ

कागजातहरू / स्रोतहरू

ओपनटेक्स्ट आर्टिफिसियल इन्टेलिजेन्स र मेसिन लर्निङ [pdf] निर्देशनहरू आर्टिफिसियल इन्टेलिजेन्स र मेसिन लर्निङ, इन्टेलिजेन्स र मेसिन लर्निङ, मेसिन लर्निङ

सन्दर्भहरू

• प्रयोगकर्ता पुस्तिका