ਓਪਨਟੈਕਸਟ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਅਤੇ ਮਸ਼ੀਨ

ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਉਸ ਤਰੀਕੇ ਨੂੰ ਬਦਲ ਰਹੀ ਹੈ ਜਿਸ ਨਾਲ ਅਸੀਂ ਮਸ਼ੀਨਾਂ ਨਾਲ ਗੱਲਬਾਤ ਕਰਦੇ ਹਾਂ ਅਤੇ ਜਿਸ ਤਰੀਕੇ ਨਾਲ ਮਸ਼ੀਨਾਂ ਸਾਡੇ ਨਾਲ ਗੱਲਬਾਤ ਕਰਦੀਆਂ ਹਨ। ਇਹ ਗਾਈਡ ਇਸ ਗੱਲ ਨੂੰ ਤੋੜਦੀ ਹੈ ਕਿ ਕਿਵੇਂ AI ਕੰਮ ਕਰਦਾ ਹੈ, ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੀਆਂ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੀਆਂ ਸ਼ਕਤੀਆਂ ਅਤੇ ਸੀਮਾਵਾਂ, ਅਤੇ ਅਧਿਐਨ ਦੇ ਇਸ ਸਦਾ-ਬਦਲ ਰਹੇ ਖੇਤਰ ਦੇ ਵਿਕਾਸ ਨੂੰ। ਇਹ ਅੱਜ ਦੇ ਗੁੰਝਲਦਾਰ ਸਾਈਬਰ ਸੁਰੱਖਿਆ ਖਤਰਿਆਂ ਤੋਂ ਉੱਦਮਾਂ ਨੂੰ ਬਿਹਤਰ ਢੰਗ ਨਾਲ ਸੁਰੱਖਿਅਤ ਕਰਨ ਲਈ AI ਸਮਰਥਿਤ ਸੁਰੱਖਿਆ ਵਿਸ਼ਲੇਸ਼ਣ ਜਾਂ ਉਪਭੋਗਤਾ ਅਤੇ ਇਕਾਈ ਦੇ ਵਿਹਾਰਕ ਵਿਸ਼ਲੇਸ਼ਣ (UEBA) ਦੀ ਭੂਮਿਕਾ ਦੀ ਵੀ ਪੜਚੋਲ ਕਰਦਾ ਹੈ।

ਮਸ਼ੀਨ ਬਨਾਮ ਮਨੁੱਖੀ ਸਿਖਲਾਈ

ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਹਰ ਜਗ੍ਹਾ ਹੈ—ਘੱਟੋ-ਘੱਟ, ਓਪਨਟੈਕਸਟ™ 'ਤੇ ਇਸ ਤਰ੍ਹਾਂ ਜਾਪਦਾ ਹੈ, AI ਦਾ ਵਾਧਾ ਰੋਮਾਂਚਕ ਅਤੇ ਚੁਣੌਤੀਪੂਰਨ ਹੈ ਪਰ ਜਿਵੇਂ ਅਸੀਂ ਆਪਣੇ ਸਾਥੀਆਂ, ਗਾਹਕਾਂ ਅਤੇ ਭਾਈਵਾਲਾਂ ਨਾਲ ਜੁੜੇ ਹੋਏ ਹਾਂ, ਸਾਨੂੰ ਇਹ ਅਹਿਸਾਸ ਹੋਇਆ ਹੈ ਕਿ AI ਦਾ ਸੰਕਲਪ ਹਮੇਸ਼ਾ ਆਸਾਨੀ ਨਾਲ ਨਹੀਂ ਸਮਝਿਆ ਜਾਂਦਾ ਹੈ ਇਸ AI ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ 101 ਗਾਈਡ ਨੂੰ ਸ਼ੁਰੂ ਕਰਨ ਲਈ, ਅਸੀਂ ਮੁੱਖ ਸਵਾਲ ਦਾ ਜਵਾਬ ਦੇ ਕੇ AI ਬੁਝਾਰਤ ਨੂੰ ਖੋਲ੍ਹ ਦੇਵਾਂਗੇ ਜੋ ਬਹੁਤ ਸਾਰੇ ਲੋਕ ਪੁੱਛ ਰਹੇ ਹਨ: "ਅਸਲ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ ਕੀ ਹੈ?"

ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਨੂੰ ਸਮਝਣ ਦਾ ਸਭ ਤੋਂ ਆਸਾਨ ਤਰੀਕਾ ਹੈ ਇਸ ਨੂੰ ਕਿਸੇ ਅਜਿਹੀ ਚੀਜ਼ ਨਾਲ ਮੈਪ ਕਰਨਾ ਜੋ ਅਸੀਂ ਪਹਿਲਾਂ ਹੀ ਸਮਝਦੇ ਹਾਂ—ਸਾਡੀ ਆਪਣੀ ਬੁੱਧੀ ਗੈਰ-ਨਕਲੀ, ਮਨੁੱਖੀ ਬੁੱਧੀ ਕਿਵੇਂ ਕੰਮ ਕਰਦੀ ਹੈ? ਸਭ ਤੋਂ ਬੁਨਿਆਦੀ ਪੱਧਰ 'ਤੇ, ਸਾਡੀ ਬੁੱਧੀ ਇੱਕ ਸਧਾਰਨ ਪ੍ਰਗਤੀ ਦੀ ਪਾਲਣਾ ਕਰਦੀ ਹੈ: ਅਸੀਂ ਜਾਣਕਾਰੀ ਲੈਂਦੇ ਹਾਂ, ਅਸੀਂ ਇਸ 'ਤੇ ਪ੍ਰਕਿਰਿਆ ਕਰਦੇ ਹਾਂ, ਅਤੇ ਅੰਤ ਵਿੱਚ ਜਾਣਕਾਰੀ ਸਾਨੂੰ ਕੰਮ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ।

ਆਓ ਇਸਨੂੰ ਇੱਕ ਸਿਸਟਮ ਡਾਇਗ੍ਰਾਮ ਵਿੱਚ ਤੋੜੀਏ, ਹੇਠਾਂ ਦਿੱਤੀ ਤਸਵੀਰ ਵਿੱਚ, ਮਨੁੱਖੀ ਬੁੱਧੀ ਦੇ ਖੱਬੇ ਤੋਂ ਸੱਜੇ ਤਿੰਨ ਆਮ ਪੜਾਅ: ਇਨਪੁਟ, ਪ੍ਰੋਸੈਸਿੰਗ ਅਤੇ ਆਉਟਪੁੱਟ ਮਨੁੱਖੀ ਦਿਮਾਗ ਵਿੱਚ, ਇਨਪੁਟ ਚੀਜ਼ਾਂ ਨੂੰ ਸੰਵੇਦਣ ਅਤੇ ਸਮਝਣ ਦੇ ਰੂਪ ਵਿੱਚ ਵਾਪਰਦਾ ਹੈ, ਤੁਹਾਡੀਆਂ ਅੱਖਾਂ, ਨੱਕ, ਕੰਨ, ਆਦਿ, ਖੱਬੇ ਪਾਸੇ ਕੱਚੇ ਇੰਪੁੱਟ ਨੂੰ ਲੈਂਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਪ੍ਰਕਾਸ਼ ਦੇ ਫੋਟੌਨ ਜਾਂ ਪਾਈਨ ਦੇ ਦਰੱਖਤਾਂ ਦੀ ਗੰਧ, ਅਤੇ ਫਿਰ ਇਸਨੂੰ ਪ੍ਰਕਿਰਿਆ ਕਰਦੇ ਹਨ ਸਿਸਟਮ ਦੇ ਸੱਜੇ ਪਾਸੇ ਆਉਟਪੁੱਟ ਹੈ, ਇਸ ਵਿੱਚ ਬੋਲਣ ਅਤੇ ਕਿਰਿਆਵਾਂ ਸ਼ਾਮਲ ਹਨ, ਦੋਵੇਂ ਇਸ ਗੱਲ 'ਤੇ ਨਿਰਭਰ ਹਨ ਕਿ ਕਿਵੇਂ ਅਸੀਂ ਕੱਚੇ ਇਨਪੁਟ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਦੇ ਹਾਂ ਜੋ ਸਾਡਾ ਦਿਮਾਗ ਪ੍ਰਾਪਤ ਕਰ ਰਿਹਾ ਹੈ ਪ੍ਰੋਸੈਸਿੰਗ ਮੱਧ ਵਿੱਚ ਹੁੰਦੀ ਹੈ, ਜਿੱਥੇ ਗਿਆਨ ਜਾਂ ਯਾਦਾਂ ਬਣੀਆਂ ਅਤੇ ਪ੍ਰਾਪਤ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ, ਫੈਸਲੇ ਅਤੇ ਅਨੁਮਾਨ ਅਤੇ ਬਣਾਏ ਜਾਂਦੇ ਹਨ, ਅਤੇ ਸਿੱਖਣਾ ਵਾਪਰਦਾ ਹੈ।

ਚਿੱਤਰ 1. ਮਨੁੱਖੀ ਬੁੱਧੀ

ਗੈਰ-ਨਕਲੀ, ਮਨੁੱਖੀ ਬੁੱਧੀ ਕਿਵੇਂ ਕੰਮ ਕਰਦੀ ਹੈ? ਸਭ ਤੋਂ ਬੁਨਿਆਦੀ ਪੱਧਰ 'ਤੇ, ਸਾਡੀ ਬੁੱਧੀ ਇੱਕ ਸਧਾਰਨ ਪ੍ਰਗਤੀ ਦੀ ਪਾਲਣਾ ਕਰਦੀ ਹੈ: ਅਸੀਂ ਜਾਣਕਾਰੀ ਲੈਂਦੇ ਹਾਂ, ਅਸੀਂ ਇਸ 'ਤੇ ਕਾਰਵਾਈ ਕਰਦੇ ਹਾਂ, ਅਤੇ ਅੰਤ ਵਿੱਚ ਜਾਣਕਾਰੀ ਸਾਨੂੰ ਕੰਮ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ।

ਸੜਕ ਦੇ ਚੌਰਾਹੇ 'ਤੇ ਰੁਕਣ ਵਾਲੀ ਤਸਵੀਰ ਤੁਹਾਡੀਆਂ ਅੱਖਾਂ ਦੇਖਦੀਆਂ ਹਨ ਕਿ ਤੁਹਾਡੇ ਸਾਹਮਣੇ ਟ੍ਰੈਫਿਕ ਲਾਈਟ ਹੁਣੇ-ਹੁਣੇ ਹਰੇ ਹੋ ਗਈ ਹੈ, ਜੋ ਤੁਸੀਂ ਅਨੁਭਵ (ਅਤੇ ਡਰਾਈਵਰ ਦੀ ਸਿੱਖਿਆ) ਤੋਂ ਸਿੱਖਿਆ ਹੈ, ਉਸ ਦੇ ਆਧਾਰ 'ਤੇ ਤੁਸੀਂ ਜਾਣਦੇ ਹੋ ਕਿ ਹਰੀ ਰੋਸ਼ਨੀ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ ਤੁਹਾਨੂੰ ਅੱਗੇ ਗੱਡੀ ਚਲਾਉਣੀ ਚਾਹੀਦੀ ਹੈ, ਇਸ ਲਈ ਤੁਸੀਂ ਗੈਸ ਪੈਡਲ ਨੂੰ ਮਾਰੋ ਹਰੀ ਰੋਸ਼ਨੀ ਕੱਚੀ ਇੰਪੁੱਟ ਹੈ, ਤੁਹਾਡੀ ਪ੍ਰਵੇਗ ਆਉਟਪੁੱਟ ਹੈ; ਵਿਚਕਾਰ ਹਰ ਚੀਜ਼ ਦੀ ਪ੍ਰਕਿਰਿਆ ਹੋ ਰਹੀ ਹੈ

ਆਪਣੇ ਆਲੇ-ਦੁਆਲੇ ਦੀ ਦੁਨੀਆ ਨੂੰ ਸੂਝ-ਬੂਝ ਨਾਲ ਨੈਵੀਗੇਟ ਕਰਨ ਲਈ—ਫੋਨ ਦਾ ਜਵਾਬ ਦੇਣਾ, ਚਾਕਲੇਟ ਚਿਪ ਕੂਕੀਜ਼ ਪਕਾਉਣਾ, ਜਾਂ ਟ੍ਰੈਫਿਕ ਲਾਈਟਾਂ ਦਾ ਪਾਲਣ ਕਰਨਾ—ਸਾਨੂੰ ਉਸ ਇਨਪੁਟ 'ਤੇ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਦੀ ਲੋੜ ਹੈ ਜੋ ਅਸੀਂ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਾਂ ਇਹ ਮਨੁੱਖੀ ਖੁਫੀਆ ਪ੍ਰਕਿਰਿਆ ਦਾ ਮੁੱਖ ਹਿੱਸਾ ਹੈ, ਅਤੇ ਇਹ ਆਖਰਕਾਰ ਤਿੰਨ ਵੱਖ-ਵੱਖ ਪਹਿਲੂਆਂ ਵਿੱਚ ਵੰਡਿਆ ਗਿਆ ਹੈ। :

1. ਗਿਆਨ ਅਤੇ ਯਾਦਦਾਸ਼ਤ. ਜਦੋਂ ਅਸੀਂ ਤੱਥਾਂ ਨੂੰ ਗ੍ਰਹਿਣ ਕਰਦੇ ਹਾਂ (ਭਾਵ, ਹੇਸਟਿੰਗਜ਼ ਦੀ ਲੜਾਈ 1066 ਵਿੱਚ ਹੋਈ ਸੀ) ਅਤੇ ਸਮਾਜਿਕ ਨਿਯਮਾਂ (ਭਾਵ, "ਕਿਰਪਾ ਕਰਕੇ" ਅਤੇ "ਧੰਨਵਾਦ" ਕਹਿਣਾ ਨਿਮਰ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ) ਨਾਲ ਹੀ, ਯਾਦਦਾਸ਼ਤ ਸਾਨੂੰ ਇਸ ਤੋਂ ਜਾਣਕਾਰੀ ਨੂੰ ਯਾਦ ਕਰਨ ਅਤੇ ਲਾਗੂ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਂਦੀ ਹੈ। ਅਤੀਤ ਤੋਂ ਵਰਤਮਾਨ ਸਥਿਤੀਆਂ ਸਾਬਕਾ ਲਈampਲੇ, ਐਡਵਰਡ ਨੂੰ ਯਾਦ ਹੈ ਕਿ ਜੇਨ ਨੇ ਉਸਦੇ ਜਨਮਦਿਨ ਦੇ ਤੋਹਫ਼ੇ ਲਈ ਉਸਦਾ ਧੰਨਵਾਦ ਨਹੀਂ ਕੀਤਾ, ਇਸਲਈ ਉਹ ਉਮੀਦ ਨਹੀਂ ਕਰਦਾ ਕਿ ਜਦੋਂ ਉਹ ਉਸਨੂੰ ਕ੍ਰਿਸਮਸ ਦਾ ਤੋਹਫ਼ਾ ਦਿੰਦਾ ਹੈ ਤਾਂ ਉਹ ਉਸਦਾ ਧੰਨਵਾਦ ਕਰੇਗੀ
2. ਫੈਸਲਾ ਅਤੇ ਅਨੁਮਾਨ. ਫੈਸਲੇ ਅਤੇ ਅਨੁਮਾਨ ਕੱਚੇ ਇਨਪੁਟ ਦੇ ਅਧਾਰ ਤੇ ਗਿਆਨ ਅਤੇ/ਜਾਂ ਸਾਬਕਾ ਲਈ ਮੈਮੋਰੀ ਦੇ ਨਾਲ ਮਿਲ ਕੇ ਕੀਤੇ ਜਾਂਦੇ ਹਨample, ਐਡਵਰਡ ਨੇ ਪਿਛਲੇ ਸਾਲ ਇੱਕ ਜਲਾਪੇਨੋ ਮਿਰਚ ਖਾਧੀ ਸੀ ਅਤੇ ਉਸਨੂੰ ਇਹ ਪਸੰਦ ਨਹੀਂ ਸੀ ਜਦੋਂ ਜੌਨੀ ਐਡਵਰਡ ਨੂੰ ਇੱਕ ਮਿਰਚ ਪੇਸ਼ ਕਰਦਾ ਹੈ, ਤਾਂ ਉਸਨੇ ਇਸਨੂੰ ਨਾ ਖਾਣ ਦਾ ਫੈਸਲਾ ਕੀਤਾ
3. ਸਿੱਖਣਾ। ਇਨਸਾਨ ਸਾਬਕਾ ਦੁਆਰਾ ਸਿੱਖ ਸਕਦੇ ਹਨample, observation, or algorithm in learning by example, ਸਾਨੂੰ ਦੱਸਿਆ ਜਾਂਦਾ ਹੈ ਕਿ ਇੱਕ ਜਾਨਵਰ ਇੱਕ ਕੁੱਤਾ ਹੈ, ਦੂਜਾ ਇੱਕ ਬਿੱਲੀ ਹੈ ਨਿਰੀਖਣ ਦੁਆਰਾ ਸਿੱਖਣ ਵਿੱਚ, ਅਸੀਂ ਆਪਣੇ ਆਪ ਹੀ ਇਹ ਪਤਾ ਲਗਾਉਂਦੇ ਹਾਂ ਕਿ ਕੁੱਤੇ ਭੌਂਕਦੇ ਹਨ ਅਤੇ ਉਹ ਬਿੱਲੀਆਂ ਮੀਆਂਉ ਹਨ, ਤੀਜਾ ਸਿੱਖਣ ਦਾ ਤਰੀਕਾ - ਐਲਗੋਰਿਦਮ - ਸਾਨੂੰ ਪਾਲਣਾ ਕਰਕੇ ਇੱਕ ਕੰਮ ਪੂਰਾ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ। ਕਦਮਾਂ ਦੀ ਇੱਕ ਲੜੀ ਜਾਂ ਇੱਕ ਖਾਸ ਐਲਗੋਰਿਦਮ (ਉਦਾਹਰਨ ਲਈ, ਲੰਬੀ ਵੰਡ ਕਰਨਾ)

ਮਨੁੱਖੀ ਬੁੱਧੀ ਦੇ ਇਹ ਪਹਿਲੂ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੇ ਸਮਾਨਾਂਤਰ ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਜਾਣਕਾਰੀ ਲੈਂਦੇ ਹਾਂ, ਇਸ ਨੂੰ ਪ੍ਰੋਸੈਸ ਕਰਦੇ ਹਾਂ, ਅਤੇ ਆਉਟਪੁੱਟ ਨੂੰ ਸਾਂਝਾ ਕਰਦੇ ਹਾਂ, ਉਸੇ ਤਰ੍ਹਾਂ ਮਸ਼ੀਨਾਂ ਵੀ ਕਰ ਸਕਦੀਆਂ ਹਨ, ਆਓ ਹੇਠਾਂ ਦਿੱਤੇ ਚਿੱਤਰ 'ਤੇ ਇੱਕ ਨਜ਼ਰ ਮਾਰੀਏ ਕਿ ਇਹ ਨਕਸ਼ੇ ਕਿਵੇਂ ਬਣਦੇ ਹਨ।

ਚਿੱਤਰ 2. ਨਕਲੀ ਬੁੱਧੀ

ਸਾਡੇ ਆਲੇ ਦੁਆਲੇ ਦੀ ਦੁਨੀਆ ਨੂੰ ਸੂਝ-ਬੂਝ ਨਾਲ ਨੈਵੀਗੇਟ ਕਰਨ ਲਈ — ਫ਼ੋਨ ਦਾ ਜਵਾਬ ਦੇਣਾ, ਚਾਕਲੇਟ ਚਿਪ ਕੂਕੀਜ਼ ਪਕਾਉਣਾ, ਜਾਂ ਟ੍ਰੈਫਿਕ ਲਾਈਟਾਂ ਦਾ ਪਾਲਣ ਕਰਨਾ — ਸਾਨੂੰ ਪ੍ਰਾਪਤ ਹੋਣ ਵਾਲੇ ਇਨਪੁਟ 'ਤੇ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਦੀ ਲੋੜ ਹੈ।

ਮਸ਼ੀਨਾਂ ਵਿੱਚ, ਨਕਲੀ ਬੁੱਧੀ ਦੇ ਇਨਪੁਟ ਹਿੱਸੇ ਨੂੰ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ, ਬੋਲੀ ਪਛਾਣ, ਵਿਜ਼ੂਅਲ ਮਾਨਤਾ, ਅਤੇ ਹੋਰ ਬਹੁਤ ਕੁਝ ਦੁਆਰਾ ਦਰਸਾਇਆ ਗਿਆ ਹੈ, ਤੁਸੀਂ ਸਵੈ-ਡ੍ਰਾਈਵਿੰਗ ਕਾਰਾਂ ਤੋਂ ਲੈ ਕੇ ਅਲੈਕਸਾ ਜਾਂ ਸਿਰੀ ਤੱਕ, ਹਰ ਜਗ੍ਹਾ ਅਜਿਹੀਆਂ ਤਕਨੀਕਾਂ ਅਤੇ ਐਲਗੋਰਿਦਮ ਦੇਖਦੇ ਹੋ। ਜਦੋਂ ਇਹ ਤੁਹਾਡੀ ਬੋਲੀ ਨੂੰ ਪਛਾਣਦਾ ਹੈ ਤਾਂ ਆਉਟਪੁੱਟ ਉਹ ਤਰੀਕੇ ਹਨ ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਮਸ਼ੀਨਾਂ ਸਾਡੇ ਆਲੇ ਦੁਆਲੇ ਦੀ ਦੁਨੀਆ ਨਾਲ ਗੱਲਬਾਤ ਕਰਦੀਆਂ ਹਨ ਇਹ ਰੋਬੋਟਿਕਸ, ਨੈਵੀਗੇਸ਼ਨ ਪ੍ਰਣਾਲੀਆਂ (ਉਹਨਾਂ ਸਵੈ-ਡਰਾਈਵਿੰਗ ਕਾਰਾਂ ਨੂੰ ਮਾਰਗਦਰਸ਼ਨ ਕਰਨ ਲਈ), ਸਪੀਚ ਜਨਰੇਸ਼ਨ (ਉਦਾਹਰਨ ਲਈ, ਸਿਰੀ), ਆਦਿ ਦਾ ਰੂਪ ਲੈ ਸਕਦੀਆਂ ਹਨ। ਵਿਚਕਾਰ, ਸਾਡੇ ਕੋਲ ਪ੍ਰੋਸੈਸਿੰਗ ਦੇ ਕਈ ਰੂਪ ਹਨ ਜੋ ਵਾਪਰਦੇ ਹਨ

ਸਾਡੇ ਗਿਆਨ ਅਤੇ ਯਾਦਾਂ ਦੀ ਪ੍ਰਾਪਤੀ ਦੇ ਸਮਾਨ, ਮਸ਼ੀਨਾਂ ਗਿਆਨ ਪ੍ਰਤੀਨਿਧਤਾਵਾਂ (ਉਦਾਹਰਨ ਲਈ, ਗ੍ਰਾਫ ਡੇਟਾਬੇਸ, ਔਨਟੋਲੋਜੀ) ਬਣਾ ਸਕਦੀਆਂ ਹਨ ਜੋ ਉਹਨਾਂ ਨੂੰ ਸੰਸਾਰ ਬਾਰੇ ਜਾਣਕਾਰੀ ਸਟੋਰ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੀਆਂ ਹਨ ਜਿਵੇਂ ਕਿ ਮਨੁੱਖ ਫੈਸਲੇ ਲੈਂਦੇ ਹਨ ਜਾਂ ਅਨੁਮਾਨਾਂ ਨੂੰ ਖਿੱਚ ਸਕਦੇ ਹਨ, ਮਸ਼ੀਨਾਂ ਇੱਕ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦੀਆਂ ਹਨ, ਕਿਸੇ ਟੀਚੇ ਲਈ ਅਨੁਕੂਲਿਤ ਕਰ ਸਕਦੀਆਂ ਹਨ ਜਾਂ ਨਤੀਜਾ, ਅਤੇ ਕਿਸੇ ਖਾਸ ਟੀਚੇ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਅਗਲੇ ਕਦਮ ਜਾਂ ਫੈਸਲਿਆਂ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰੋ

ਅੰਤ ਵਿੱਚ, ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਸਾਬਕਾ ਦੁਆਰਾ ਸਿੱਖਦੇ ਹਾਂample, ਨਿਰੀਖਣ, ਜਾਂ ਐਲਗੋਰਿਦਮ, ਮਸ਼ੀਨਾਂ ਨੂੰ ਸਮਾਨ ਤਰੀਕਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਿਖਾਇਆ ਜਾ ਸਕਦਾ ਹੈ, ਨਿਰੀਖਣ ਕੀਤੀ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਸਾਬਕਾ ਦੁਆਰਾ ਸਿੱਖਣ ਵਾਂਗ ਹੈample: ਕੰਪਿਊਟਰ ਨੂੰ ਡੇਟਾ ਸੈੱਟ ਦੇ ਅੰਦਰ "ਲੇਬਲ" ਵਾਲਾ ਇੱਕ ਡੇਟਾਸੈਟ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ ਜੋ ਜਵਾਬਾਂ ਵਜੋਂ ਕੰਮ ਕਰਦਾ ਹੈ, ਅਤੇ ਅੰਤ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਲੇਬਲਾਂ ਵਿੱਚ ਅੰਤਰ ਦੱਸਣਾ ਸਿੱਖਦਾ ਹੈ (ਉਦਾਹਰਨ ਲਈ, ਇਸ ਡੇਟਾਸੈਟ ਵਿੱਚ "ਕੁੱਤੇ" ਜਾਂ "ਬਿੱਲੀ" ਵਜੋਂ ਲੇਬਲ ਕੀਤੀਆਂ ਫੋਟੋਆਂ ਸ਼ਾਮਲ ਹੁੰਦੀਆਂ ਹਨ, ਅਤੇ ਕਾਫ਼ੀ ਸਾਬਕਾ ਦੇ ਨਾਲamples, ਕੰਪਿਊਟਰ ਨੋਟ ਕਰੇਗਾ ਕਿ ਕੁੱਤਿਆਂ ਦੀਆਂ ਆਮ ਤੌਰ 'ਤੇ ਬਿੱਲੀਆਂ ਨਾਲੋਂ ਲੰਬੀਆਂ ਪੂਛਾਂ ਅਤੇ ਘੱਟ ਨੋਕਦਾਰ ਕੰਨ ਹੁੰਦੇ ਹਨ)

ਦੂਜੇ ਪਾਸੇ, ਬਿਨਾਂ ਨਿਰੀਖਣ ਵਾਲੀ ਮਸ਼ੀਨ ਲਰਨਿੰਗ, ਨਿਰੀਖਣ ਦੁਆਰਾ ਸਿੱਖਣ ਵਾਂਗ ਹੈ, ਕੰਪਿਊਟਰ ਪੈਟਰਨਾਂ (ਕੁੱਤੇ ਭੌਂਕਣਾ ਅਤੇ ਬਿੱਲੀਆਂ ਦੇ ਮਿਆਉ) ਦਾ ਨਿਰੀਖਣ ਕਰਦਾ ਹੈ ਅਤੇ, ਇਸ ਰਾਹੀਂ, ਆਪਣੇ ਆਪ ਸਮੂਹਾਂ ਅਤੇ ਪੈਟਰਨਾਂ ਨੂੰ ਵੱਖ ਕਰਨਾ ਸਿੱਖਦਾ ਹੈ (ਉਦਾਹਰਨ ਲਈ, ਜਾਨਵਰਾਂ ਦੇ ਦੋ ਸਮੂਹ ਹਨ ਜੋ ਕਰ ਸਕਦੇ ਹਨ ਉਹਨਾਂ ਦੁਆਰਾ ਕੀਤੀ ਜਾਣ ਵਾਲੀ ਆਵਾਜ਼ ਦੁਆਰਾ ਵੱਖ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ - ਕੁੱਤੇ - ਅਤੇ ਦੂਜਾ ਸਮੂਹ ਮੀਆਂਉਸ - ਬਿੱਲੀਆਂ) ਨਿਰੀਖਣ ਕੀਤੇ ਸਿੱਖਣ ਲਈ ਲੇਬਲ ਦੀ ਲੋੜ ਨਹੀਂ ਹੁੰਦੀ ਹੈ ਅਤੇ ਇਸਲਈ ਬਿਹਤਰ ਹੋ ਸਕਦਾ ਹੈ ਜਦੋਂ ਡੇਟਾ ਸੈੱਟ ਸੀਮਤ ਹੁੰਦੇ ਹਨ ਅਤੇ ਲੇਬਲ ਨਹੀਂ ਹੁੰਦੇ ਹਨ ਅੰਤ ਵਿੱਚ, ਐਲਗੋਰਿਦਮ ਦੁਆਰਾ ਸਿੱਖਣਾ ਕੀ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਇੱਕ ਪ੍ਰੋਗਰਾਮਰ ਇੱਕ ਕੰਪਿਊਟਰ ਨੂੰ ਨਿਰਦੇਸ਼ ਦਿੰਦਾ ਹੈ ਕਿ ਕੀ ਕਰਨਾ ਹੈ, ਕਦਮ-ਦਰ-ਕਦਮ, ਇੱਕ ਸਾਫਟਵੇਅਰ ਪ੍ਰੋਗਰਾਮ ਵਿੱਚ।

ਸੱਚਮੁੱਚ, ਸਭ ਤੋਂ ਸਟੀਕ ਅਤੇ ਘਟੀਆ ਨਕਲੀ ਬੁੱਧੀ ਦੇ ਨਤੀਜਿਆਂ ਲਈ ਸਿੱਖਣ ਦੇ ਤਰੀਕਿਆਂ ਦੇ ਸੁਮੇਲ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਦੋਵੇਂ ਨਿਰੀਖਣ ਕੀਤੇ ਅਤੇ ਨਿਰੀਖਣ ਕੀਤੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਲਾਭਦਾਇਕ ਢੰਗ ਹਨ- ਇਹ ਸਭ ਸਹੀ ਪਹੁੰਚ ਜਾਂ ਸਹੀ ਵਰਤੋਂ ਦੇ ਮਾਮਲੇ ਲਈ ਪਹੁੰਚ ਨੂੰ ਲਾਗੂ ਕਰਨ ਬਾਰੇ ਹੈ।

ਅੱਗੇ, ਅਸੀਂ ਇਹ ਸਮਝਣ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਨੂੰ ਮਾਈਕ੍ਰੋਸਕੋਪ ਦੇ ਹੇਠਾਂ ਰੱਖਾਂਗੇ ਕਿ ਕਿਵੇਂ AI ਦਾ ਇਹ ਹਿੱਸਾ ਸਾਡੇ ਦਿਮਾਗ ਦੇ ਨਿਊਰੋਨਸ ਨੂੰ ਅਨੁਕੂਲ ਆਉਟਪੁੱਟ ਵਿੱਚ ਬਦਲਣ ਲਈ ਪ੍ਰਤੀਬਿੰਬ ਬਣਾਉਂਦਾ ਹੈ।

ਆਦਰਸ਼ਕ ਤੌਰ 'ਤੇ, ਸਭ ਤੋਂ ਸਹੀ ਅਤੇ ਕੁਸ਼ਲ ਨਕਲੀ ਬੁੱਧੀ ਦੇ ਨਤੀਜਿਆਂ ਲਈ ਸਿੱਖਣ ਦੇ ਤਰੀਕਿਆਂ ਦੇ ਸੁਮੇਲ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਨਿਰੀਖਣ ਕੀਤੀ ਅਤੇ ਨਿਰੀਖਣ ਕੀਤੀ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੋਵੇਂ ਲਾਭਦਾਇਕ ਢੰਗ ਹਨ—ਇਹ ਸਭ ਸਹੀ ਪਹੁੰਚ ਜਾਂ ਸਹੀ ਵਰਤੋਂ ਦੇ ਮਾਮਲੇ ਲਈ ਪਹੁੰਚ ਨੂੰ ਲਾਗੂ ਕਰਨ ਬਾਰੇ ਹੈ।

ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਅਤੇ ਡੀਪ ਲਰਨਿੰਗ

ਮਸ਼ੀਨ ਲਰਨਿੰਗ AI ਦਾ ਸਿਰਫ ਇੱਕ ਹਿੱਸਾ ਹੈ, ਹਾਲਾਂਕਿ ਇਸਦੇ ਅੰਦਰ ਐਲਗੋਰਿਦਮ ਦਾ ਇੱਕ ਵਿਸ਼ਾਲ ਉਪ ਸਮੂਹ ਹੈ ਇੱਕ ਤਰੀਕਾ ਜੋ ਤੁਸੀਂ ਅੱਜ ਅਕਸਰ ਸੁਣਦੇ ਹੋ "ਡੂੰਘੀ ਸਿਖਲਾਈ" ਹੈ, ਇੱਕ ਐਲਗੋਰਿਦਮ ਜਿਸਨੇ ਹਾਲ ਹੀ ਦੇ ਸਾਲਾਂ ਵਿੱਚ ਖਬਰਾਂ ਵਿੱਚ ਧਿਆਨ ਦਾ ਇੱਕ ਉਚਿਤ ਹਿੱਸਾ ਪ੍ਰਾਪਤ ਕੀਤਾ ਹੈ, ਨੂੰ ਸਮਝਣ ਲਈ। ਇਸਦੀ ਪ੍ਰਸਿੱਧੀ ਅਤੇ ਸਫਲਤਾ, ਇਹ ਸਮਝਣ ਵਿੱਚ ਮਦਦਗਾਰ ਹੈ ਕਿ ਇਹ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ ਡੀਪ ਲਰਨਿੰਗ ਇੱਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਦਾ ਇੱਕ ਵਿਕਾਸ ਹੈ ਜੋ 1980 ਵਿੱਚ ਪ੍ਰਸਿੱਧ ਸੀ ਜਿਸਨੂੰ ਤੁਸੀਂ ਪਛਾਣ ਸਕਦੇ ਹੋ: ਨਿਊਰਲ ਨੈੱਟਵਰਕ।

ਨਿਊਰਲ ਨੈੱਟਵਰਕ—ਇੱਕ ਪ੍ਰੋਗ੍ਰਾਮਿੰਗ ਪੈਰਾਡਾਈਮ ਜਿਸ ਵਿੱਚ ਅਸੀਂ ਮਸ਼ੀਨਾਂ ਨੂੰ "ਸਿੱਖਣ" ਲਈ ਸਿਖਲਾਈ ਦਿੰਦੇ ਹਾਂ—ਨਿਊਰੋਨਸ, ਜਾਂ ਮਨੁੱਖੀ ਸਰੀਰ ਵਿੱਚ ਵਿਸ਼ੇਸ਼ ਸੈੱਲਾਂ ਦੁਆਰਾ ਪ੍ਰੇਰਿਤ ਹੁੰਦੇ ਹਨ ਜੋ ਸਾਡੇ ਦਿਮਾਗੀ ਪ੍ਰਣਾਲੀ ਦੀ ਨੀਂਹ ਬਣਾਉਂਦੇ ਹਨ, ਅਤੇ ਖਾਸ ਤੌਰ 'ਤੇ ਦਿਮਾਗ ਇਹ ਸੈੱਲ ਸਾਡੇ ਸਰੀਰ ਵਿੱਚ ਸਿਗਨਲ ਪ੍ਰਸਾਰਿਤ ਕਰਦੇ ਹਨ। ਸਿਸਟਮ ਪ੍ਰਤੀਕਿਰਿਆਵਾਂ ਅਤੇ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨਿਊਰੋਨਸ ਹਨ ਜੋ ਸਾਨੂੰ ਦੇਖਣ, ਸੁਣਨ, ਸੁੰਘਣ ਆਦਿ ਦੇ ਯੋਗ ਬਣਾਉਂਦੇ ਹਨ।

ਚਿੱਤਰ 3. ਕਿਵੇਂ ਨਿਊਰੋਨ ਸੁਨੇਹੇ ਪ੍ਰਾਪਤ ਕਰਦੇ ਅਤੇ ਭੇਜਦੇ ਹਨ

ਜਿਸਨੂੰ ਅਸੀਂ ਮਨੁੱਖੀ ਸਿੱਖਣ ਦੇ ਰੂਪ ਵਿੱਚ ਸੋਚਦੇ ਹਾਂ ਉਸ ਦਾ ਬਹੁਤਾ ਹਿੱਸਾ ਸਾਡੇ ਦਿਮਾਗ਼ ਵਿੱਚ ਦੋ ਨਿਊਰੋਨਾਂ ਦੇ ਵਿਚਕਾਰ ਕਿੰਨਾ ਮਜ਼ਬੂਤ ​​​​ਸੰਬੰਧ ਹੈ, ਨਾਲ ਹੀ ਸਾਡੇ ਸਿਨੇਪਸ ਦੇ ਕਿਨਾਰੇ ਦੀ ਮਜ਼ਬੂਤੀ ਦੁਆਰਾ ਵਰਣਨ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

ਇਸ ਗਾਈਡ ਦੇ ਇੱਕ ਹਿੱਸੇ ਵਿੱਚ, ਅਸੀਂ ਮਨੁੱਖੀ ਬੁੱਧੀ ਦੀ ਬੁਨਿਆਦੀ ਪ੍ਰਕਿਰਿਆ ਬਾਰੇ ਚਰਚਾ ਕੀਤੀ: ਖੱਬੇ ਪਾਸੇ ਇਨਪੁਟ, ਅਤੇ ਸੱਜੇ ਪਾਸੇ ਆਉਟਪੁੱਟ ਨਿਊਰੋਨ (ਉੱਪਰ ਤਸਵੀਰ) ਇਸ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਣ ਭੂਮਿਕਾ ਨਿਭਾਉਂਦਾ ਹੈ ਨਿਊਰੋਨ ਦੇ ਖੱਬੇ ਪਾਸੇ, ਸੈੱਲ ਬਾਡੀ ਇਕੱਠਾ ਕਰਦਾ ਹੈ। "ਇਨਪੁਟ" ਇੱਕ ਵਾਰ ਜਦੋਂ ਇਹ ਕਾਫ਼ੀ ਇੰਪੁੱਟ ਜਾਂ ਉਤੇਜਨਾ ਪ੍ਰਾਪਤ ਕਰ ਲੈਂਦਾ ਹੈ, ਤਾਂ ਐਕਸੋਨ ਫਰੇਸ, ਜਾਣਕਾਰੀ ਨੂੰ ਸੱਜੇ ਪਾਸੇ ਪ੍ਰਸਾਰਿਤ ਕਰਦਾ ਹੈ - ਸਿਨੇਪਸ "ਆਉਟਪੁੱਟ" ਫਿਰ ਦੂਜੇ ਨਿਊਰੋਨਸ ਨੂੰ ਭੇਜਿਆ ਜਾਂਦਾ ਹੈ।

ਕਿਸੇ ਵੀ ਸਮੇਂ, ਸਾਡੇ ਨਿਊਰੋਨ ਇੱਕ ਦੂਜੇ ਦੇ ਵਿਚਕਾਰ ਸੰਦੇਸ਼ ਭੇਜ ਰਹੇ ਹਨ, ਇਹ ਸੈੱਲ ਸਾਡੇ ਆਲੇ ਦੁਆਲੇ ਨੂੰ ਸਮਝਣ ਦੀ ਸਾਡੀ ਯੋਗਤਾ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਹਨ ਅਤੇ ਜਦੋਂ ਅਸੀਂ ਸਿੱਖਦੇ ਹਾਂ, ਸਾਡੇ ਨਿਊਰੋਨਸ ਬਹੁਤ ਸਰਗਰਮ ਹੋ ਜਾਂਦੇ ਹਨ, ਅਸਲ ਵਿੱਚ, ਜਿਸ ਬਾਰੇ ਅਸੀਂ ਸੋਚਦੇ ਹਾਂ ਉਸ ਦਾ ਬਹੁਤਾ ਹਿੱਸਾ ਮਨੁੱਖੀ ਸਿੱਖਿਆ ਦੁਆਰਾ ਵਰਣਨ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਸਾਡੇ ਦਿਮਾਗ਼ ਵਿੱਚ ਦੋ ਨਿਊਰੋਨਾਂ ਦਾ ਸਬੰਧ ਕਿੰਨਾ ਮਜ਼ਬੂਤ ​​ਹੈ, ਨਾਲ ਹੀ ਸਾਡੇ ਸਿਨੇਪਸ ਦੇ ਕਿਨਾਰੇ ਦੀ ਤਾਕਤ

ਇੱਕ ਨਿਊਰਲ ਨੈਟਵਰਕ ਨਿਊਰੋਨ ਸੈੱਲਾਂ ਦੇ ਸੰਗ੍ਰਹਿ ਦਾ ਇੱਕ ਗਣਿਤਿਕ ਸਿਮੂਲੇਸ਼ਨ ਹੈ ਹੇਠਾਂ ਦਿੱਤੀ ਤਸਵੀਰ 3 ਲੇਅਰਾਂ ਅਤੇ 12 ਨੋਡਾਂ ਦੇ ਨਾਲ ਇੱਕ ਬੁਨਿਆਦੀ ਨਿਊਰਲ ਨੈਟਵਰਕ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ

ਹਰੇਕ ਸਰਕੂਲਰ ਨੋਡ ਇੱਕ ਨਕਲੀ, ਜੀਵ-ਵਿਗਿਆਨਕ ਤੌਰ 'ਤੇ ਪ੍ਰੇਰਿਤ "ਨਿਊਰੋਨ" ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਲਾਈਨਾਂ ਖੱਬੇ ਪਾਸੇ ਇੱਕ ਨਕਲੀ ਨਿਊਰੋਨ ਦੇ ਆਉਟਪੁੱਟ ਤੋਂ ਸੱਜੇ ਪਾਸੇ ਦੂਜੇ ਦੇ ਇਨਪੁਟ ਤੱਕ ਇੱਕ ਕਨੈਕਸ਼ਨ ਨੂੰ ਦਰਸਾਉਂਦੀਆਂ ਹਨ, ਇਹਨਾਂ ਨਯੂਰੋਨਾਂ ਦੇ ਵਿਚਕਾਰ ਸਿਗਨਲ ਖੱਬੇ ਤੋਂ ਸੱਜੇ ਲਾਈਨਾਂ ਦੇ ਨਾਲ ਵਹਿਦੇ ਹਨ ਇਹਨਾਂ ਨੈਟਵਰਕਾਂ ਵਿੱਚ , ਇੰਪੁੱਟ—ਜਿਵੇਂ ਕਿ ਪਿਕਸਲ ਡਾਟਾ—ਇਨਪੁਟ ਪਰਤ ਤੋਂ ਵਹਿੰਦਾ ਹੈ, ਮੱਧ "ਲੁਕੀਆਂ" ਪਰਤਾਂ ਰਾਹੀਂ, ਅਤੇ ਆਖਰਕਾਰ ਗਣਿਤਿਕ ਸਮੀਕਰਨਾਂ ਦੁਆਰਾ ਅਸਲ ਜੈਵਿਕ ਨਯੂਰੋਨਸ ਵਿੱਚ ਬਿਜਲਈ ਗਤੀਵਿਧੀ ਦੁਆਰਾ ਪ੍ਰੇਰਿਤ ਢੰਗ ਨਾਲ ਵਰਣਿਤ ਤਰੀਕੇ ਨਾਲ ਆਉਟਪੁੱਟ ਪਰਤ ਤੱਕ।

ਚਿੱਤਰ 4. ਸਧਾਰਨ ਨਿਊਰਲ ਨੈੱਟਵਰਕ

ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਆਉਟਪੁੱਟ ਲੇਅਰ ਵਿੱਚ ਲੋੜੀਂਦੇ ਨਤੀਜਿਆਂ ਨਾਲ ਇਨਪੁਟ ਲੇਅਰ ਨੂੰ ਪੇਸ਼ ਕੀਤੇ ਡੇਟਾ ਸੈੱਟਾਂ ਨਾਲ ਮੇਲ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਕੇ ਸਿੱਖਦੇ ਹਨ। ਗਣਿਤਿਕ ਸਮੀਕਰਨਾਂ ਆਉਟਪੁੱਟ ਦੀ ਗਣਨਾ ਕਰਦੀਆਂ ਹਨ, ਸਿਮੂਲੇਟਿਡ ਆਉਟਪੁੱਟ ਦੀ ਲੋੜੀਦੇ ਨਤੀਜੇ ਨਾਲ ਤੁਲਨਾ ਕਰਦੀਆਂ ਹਨ, ਅਤੇ ਨਤੀਜੇ ਵਜੋਂ ਅੰਤਰ ਫਿਰ ਕੁਨੈਕਸ਼ਨਾਂ ਦੀ ਮਜ਼ਬੂਤੀ ਲਈ ਟਵੀਕਸ ਪੈਦਾ ਕਰਦੇ ਹਨ।

ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਆਊਟਪੁੱਟ ਲੇਅਰ ਵਿੱਚ ਲੋੜੀਂਦੇ ਨਤੀਜਿਆਂ ਨਾਲ ਇਨਪੁਟ ਲੇਅਰ ਨੂੰ ਪੇਸ਼ ਕੀਤੇ ਗਏ ਡੇਟਾ ਸੈੱਟਾਂ ਨੂੰ ਮੇਲਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਕੇ ਸਿੱਖਦੇ ਹਨ ਇਹ ਟਵੀਕਸ ਉਦੋਂ ਤੱਕ ਸੰਸ਼ੋਧਿਤ ਕੀਤੇ ਜਾਂਦੇ ਹਨ ਜਦੋਂ ਤੱਕ ਗਣਨਾ ਕੀਤੀ ਆਉਟਪੁੱਟ ਲੋੜੀਂਦੇ ਨਤੀਜੇ ਦੇ ਕਾਫ਼ੀ ਨੇੜੇ ਨਹੀਂ ਹੁੰਦੀ, ਜਿਸ ਸਮੇਂ ਅਸੀਂ ਕਹਿੰਦੇ ਹਾਂ ਕਿ ਨਿਊਰਲ ਨੈਟਵਰਕ ਨੇ "ਸਿੱਖਿਆ" ਹੈ।

ਚਿੱਤਰ 5. ਕੰਪਲੈਕਸ ਨਿਊਰਲ ਨੈੱਟਵਰਕ

ਇਹ "ਡੂੰਘੇ" ਨਿਊਰਲ ਨੈਟਵਰਕ ਬਹੁਤ ਜ਼ਿਆਦਾ ਗੁੰਝਲਦਾਰ ਭਵਿੱਖਬਾਣੀਆਂ ਕਰ ਸਕਦੇ ਹਨ ਹਜ਼ਾਰਾਂ ਨੋਡ ਅਤੇ ਸੈਂਕੜੇ ਲੇਅਰਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ, ਜਿਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਹਜ਼ਾਰਾਂ ਵੱਖ-ਵੱਖ ਗਣਨਾਵਾਂ ਡੀਪ ਲਰਨਿੰਗ ਮਾਡਲ ਖਾਸ ਸਮੱਸਿਆਵਾਂ, ਜਿਵੇਂ ਕਿ ਬੋਲਣ ਜਾਂ ਚਿੱਤਰ ਪਛਾਣ 'ਤੇ ਬਹੁਤ ਵਧੀਆ ਬਣ ਗਏ ਹਨ।

ਇਹ ਧਿਆਨ ਦੇਣ ਯੋਗ ਹੈ, ਹਾਲਾਂਕਿ, ਡੂੰਘੀ ਸਿਖਲਾਈ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਲਈ ਇੱਕ ਚਾਂਦੀ ਦੀ ਗੋਲੀ ਨਹੀਂ ਹੈ — ਖਾਸ ਤੌਰ 'ਤੇ ਸਾਈਬਰ ਸੁਰੱਖਿਆ ਵਿੱਚ ਨਹੀਂ, ਜਿੱਥੇ ਕਈ ਵਾਰ ਸਾਫ਼ ਡੇਟਾ ਦੀ ਵੱਡੀ ਮਾਤਰਾ ਨਹੀਂ ਹੁੰਦੀ ਹੈ ਜੋ ਡੂੰਘੇ ਸਿਖਲਾਈ ਦੇ ਤਰੀਕਿਆਂ ਲਈ ਆਦਰਸ਼ ਹੈ, ਸਹੀ ਐਲਗੋਰਿਦਮ ਨੂੰ ਚੁਣਨਾ ਮਹੱਤਵਪੂਰਨ ਹੁੰਦਾ ਹੈ, ਕੰਮ ਲਈ ਡੇਟਾ, ਅਤੇ ਸਿਧਾਂਤ ਮਸ਼ੀਨਾਂ ਲਈ ਸਬੂਤ ਇਕੱਠੇ ਕਰਨ, ਬਿੰਦੀਆਂ ਨੂੰ ਜੋੜਨ ਅਤੇ ਸਿੱਟਾ ਕੱਢਣ ਦਾ ਸਭ ਤੋਂ ਵਧੀਆ ਤਰੀਕਾ ਹੈ

ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਸ਼ਾਇਦ ਭਵਿੱਖ ਦੀਆਂ ਚੀਜ਼ਾਂ ਵਾਂਗ ਜਾਪਦੇ ਹਨ, ਪਰ ਇਹ ਥੋੜ੍ਹੇ ਸਮੇਂ ਲਈ ਹੋ ਗਿਆ ਹੈ, ਅਸਲ ਵਿੱਚ, ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਉਹਨਾਂ ਵਿਚਾਰਾਂ 'ਤੇ ਆਧਾਰਿਤ ਹਨ ਜੋ 1940 ਦੇ ਦਹਾਕੇ ਵਿੱਚ ਵਾਪਸ ਘੁੰਮਣਾ ਸ਼ੁਰੂ ਹੋ ਗਏ ਸਨ, ਅਗਲੇ ਭਾਗ ਵਿੱਚ, ਅਸੀਂ ਸਮਝਣ ਲਈ ਸਮੇਂ ਵਿੱਚ ਇੱਕ ਛੋਟਾ ਜਿਹਾ ਦੌਰਾ ਕਰਾਂਗੇ। ਕਿਵੇਂ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਆਧੁਨਿਕ ਜੀਵਨ ਦੇ ਬਹੁਤ ਸਾਰੇ ਹਿੱਸਿਆਂ ਵਿੱਚ ਆ ਗਏ ਹਨ।

ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਸ਼ਾਇਦ ਭਵਿੱਖ ਦੀਆਂ ਚੀਜ਼ਾਂ ਵਾਂਗ ਜਾਪਦੇ ਹਨ, ਪਰ ਇਹ ਥੋੜ੍ਹੇ ਸਮੇਂ ਲਈ ਹੈ। ਵਾਸਤਵ ਵਿੱਚ, ਨਿਊਰਲ ਨੈਟਵਰਕ ਉਹਨਾਂ ਵਿਚਾਰਾਂ 'ਤੇ ਅਧਾਰਤ ਹਨ ਜੋ 1940 ਦੇ ਦਹਾਕੇ ਵਿੱਚ ਵਾਪਸ ਪ੍ਰਸਾਰਿਤ ਹੋਏ ਸਨ।

ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦਾ ਸੰਖੇਪ ਇਤਿਹਾਸ

ਕੁਝ ਲੋਕਾਂ ਲਈ, ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਸ਼ਬਦ ਫਲਾਇੰਗ ਕਾਰਾਂ ਅਤੇ ਘਰੇਲੂ ਰੋਬੋਟਾਂ ਵਾਲੇ ਭਵਿੱਖ ਦੇ ਸ਼ਹਿਰਾਂ ਦੀਆਂ ਤਸਵੀਰਾਂ ਨੂੰ ਉਜਾਗਰ ਕਰ ਸਕਦਾ ਹੈ ਪਰ AI ਇੱਕ ਭਵਿੱਖਵਾਦੀ ਸੰਕਲਪ ਨਹੀਂ ਹੈ, ਘੱਟੋ-ਘੱਟ ਹੁਣ ਅਜਿਹਾ ਨਹੀਂ ਹੈ, ਹਾਲਾਂਕਿ ਨਕਲੀ ਬੁੱਧੀ ਦਾ ਵਿਚਾਰ ਹੋ ਸਕਦਾ ਹੈ। 1930 ਦੇ ਦਹਾਕੇ ਤੋਂ, ਵਿਗਿਆਨੀ ਅਤੇ ਗਣਿਤ-ਵਿਗਿਆਨੀ ਮਨੁੱਖਾਂ ਤੋਂ ਵੱਖਰੀ ਸੱਚੀ ਬੁੱਧੀ ਦੀ ਖੋਜ ਕਰਨ ਲਈ ਉਤਸੁਕ ਰਹੇ ਹਨ।

20ਵੀਂ ਸਦੀ ਦੇ ਮੱਧ ਵਿੱਚ AI ਦਾ ਪਰਿਭਾਸ਼ਿਤ ਪਲ ਗਣਿਤ ਅਤੇ ਜੀਵ-ਵਿਗਿਆਨ ਦਾ ਇੱਕ ਖੁਸ਼ਹਾਲ ਸੰਗਮ ਸੀ, ਜਿਸ ਵਿੱਚ ਨੌਰਬਰਟ ਵੀਨਰ, ਕਲਾਉਡ ਸ਼ੈਨਨ ਅਤੇ ਐਲਨ ਟਿਊਰਿੰਗ ਵਰਗੇ ਖੋਜਕਰਤਾਵਾਂ ਨੇ 1943 ਤੱਕ, ਵਾਰੇਨ ਮੈਕਕੁਲੋਚ ਅਤੇ ਵਾਲਟਰ ਪਿਟਸ ਪਹਿਲਾਂ ਹੀ ਬਿਜਲਈ ਸਿਗਨਲਾਂ ਅਤੇ ਗਣਨਾ ਦੇ ਇੰਟਰਸੈਕਸ਼ਨ ਤੋਂ ਦੂਰ ਹੋ ਗਏ ਸਨ। ਨੇ ਨਿਊਰਲ ਨੈੱਟਵਰਕਾਂ ਲਈ ਇੱਕ ਮਾਡਲ ਤਿਆਰ ਕੀਤਾ ਸੀ ਨਿਊਰਲ ਨੈੱਟਵਰਕਾਂ ਨੇ ਵਧੇਰੇ ਹਾਰਸ ਪਾਵਰ ਦੇ ਨਾਲ ਕੰਪਿਊਟਿੰਗ ਦੀ ਇੱਕ ਬਹਾਦਰ ਨਵੀਂ ਦੁਨੀਆਂ ਲਈ ਰਾਹ ਪੱਧਰਾ ਕੀਤਾ, ਅਤੇ, 1956 ਵਿੱਚ, AI ਖੋਜ ਦੇ ਖੇਤਰ ਨੂੰ ਅਧਿਕਾਰਤ ਤੌਰ 'ਤੇ ਇੱਕ ਅਕਾਦਮਿਕ ਅਨੁਸ਼ਾਸਨ ਵਜੋਂ ਸਥਾਪਿਤ ਕੀਤਾ ਗਿਆ ਸੀ।

ਸਦੀ ਦਾ ਪਿਛਲਾ ਅੱਧ AI ਖੋਜ ਅਤੇ ਪ੍ਰਗਤੀ ਲਈ ਇੱਕ ਰੋਮਾਂਚਕ ਯੁੱਗ ਸੀ, 70 ਦੇ ਦਹਾਕੇ ਦੇ ਮੱਧ ਅਤੇ 80 ਦੇ ਦਹਾਕੇ ਦੇ ਅਖੀਰ ਵਿੱਚ "AI ਸਰਦੀਆਂ" ਦੁਆਰਾ ਕਦੇ-ਕਦਾਈਂ ਵਿਘਨ ਪਾਇਆ ਗਿਆ ਜਿੱਥੇ AI ਜਨਤਕ ਉਮੀਦਾਂ ਨੂੰ ਪੂਰਾ ਕਰਨ ਵਿੱਚ ਅਸਫਲ ਰਿਹਾ, ਅਤੇ ਖੇਤਰ ਵਿੱਚ ਨਿਵੇਸ਼ ਘਟਾ ਦਿੱਤਾ ਗਿਆ, ਪਰ ਝਟਕਿਆਂ ਦੇ ਬਾਵਜੂਦ, ਏਆਈ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਲਈ ਵੱਖ-ਵੱਖ ਐਪਲੀਕੇਸ਼ਨਾਂ ਖੱਬੇ ਅਤੇ ਸੱਜੇ ਦਿਖਾਈ ਦੇ ਰਹੀਆਂ ਸਨ, ਅਜਿਹੀ ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਇੱਕ ਖਾਸ ਕਿੱਸਾ ਵਿਗਿਆਨਕ ਭਾਈਚਾਰੇ ਵਿੱਚ ਇੱਕ ਪ੍ਰਸਿੱਧ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਬਣ ਗਿਆ ਹੈ, ਜੋ ਕਿ ਏਆਈ ਖੋਜ ਅਤੇ ਲਾਗੂ ਕਰਨ ਦੇ ਅਜ਼ਮਾਇਸ਼ਾਂ ਅਤੇ ਮੁਸੀਬਤਾਂ ਨੂੰ ਕਾਫ਼ੀ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਬੋਲਦਾ ਹੈ।

ਕਹਾਣੀ ਕੁਝ ਇਸ ਤਰ੍ਹਾਂ ਚਲਦੀ ਹੈ:

1980 ਵਿੱਚ, ਕਲਮtagਸਿਰਫ ਇੱਕ ਮੇਨਫ੍ਰੇਮ (1980 ਦੇ ਦਹਾਕੇ ਤੋਂ, ਧਿਆਨ ਵਿੱਚ ਰੱਖੋ) ਨਾਲ ਕੰਮ ਕਰਦੇ ਹੋਏ, ਕੈਮਫਲੈਜਡ ਟੈਂਕਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਇੱਕ ਨਿਊਰਲ ਨੈਟਵਰਕ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦਾ ਫੈਸਲਾ ਕਰਨ 'ਤੇ, ਨਿਊਰਲ ਨੈੱਟ ਨੂੰ 200 ਤਸਵੀਰਾਂ ਨਾਲ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਸੀ-100 ਟੈਂਕਾਂ ਅਤੇ 100 ਦਰਖਤਾਂ ਦੇ ਬਾਵਜੂਦ (1980 ਦੇ ਦਹਾਕੇ ਦੇ ਕਾਰਨ) ਕੰਪਿਊਟੇਸ਼ਨ ਅਤੇ ਮੈਮੋਰੀ 'ਤੇ ਸੀਮਾਵਾਂ), ਲੈਬ ਦੀ ਸਿਖਲਾਈ ਦੇ ਨਤੀਜੇ ਵਜੋਂ 100% ਸ਼ੁੱਧਤਾ ਆਈ ਅਜਿਹੀ ਸਫਲਤਾ ਦੇ ਨਾਲ, ਟੀਮ ਨੇ ਇਸ ਨੂੰ ਖੇਤਰ ਵਿੱਚ ਬਾਹਰ ਜਾਣ ਦਾ ਫੈਸਲਾ ਕੀਤਾ, ਨਤੀਜੇ ਵਧੀਆ ਨਹੀਂ ਸਨ।

ਚਿੱਤਰ 6. ਲੈਬ ਬਨਾਮ ਫੀਲਡ ਤਸਵੀਰਾਂ (ਸਰੋਤ: ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਫੋਲੀਜ਼, ਨੀਲ ਫਰੇਜ਼ਰ, ਸਤੰਬਰ 1998)

1980 ਦੇ ਦਹਾਕੇ ਵਿੱਚ ਬਹੁਤ ਸਾਰੇ ਕੰਪਿਊਟਿੰਗ ਸਰੋਤਾਂ ਦੀ ਉਪਲਬਧਤਾ ਦੇ ਨਾਲ, ਡੂੰਘੇ ਤੰਤੂ ਨੈੱਟਵਰਕ ਤੇਜ਼ੀ ਨਾਲ ਖੋਜ ਲਈ ਇੱਕ ਪ੍ਰਸਿੱਧ ਖੇਤਰ ਬਣ ਗਏ ਹਨ। ਡੂੰਘੀ ਸਿਖਲਾਈ ਇੱਕ ਪ੍ਰਣਾਲੀ ਨੂੰ ਅਰਬਾਂ ਸੰਜੋਗਾਂ ਅਤੇ ਨਿਰੀਖਣਾਂ ਦੁਆਰਾ ਸਵੈਚਲਿਤ ਤੌਰ 'ਤੇ "ਸਿੱਖਣ" ਦੀ ਸਮਰੱਥਾ ਦਿੰਦੀ ਹੈ, ਮਨੁੱਖੀ ਸਰੋਤਾਂ 'ਤੇ ਨਿਰਭਰਤਾ ਨੂੰ ਘਟਾਉਂਦੀ ਹੈ।

ਨਿਊਰਲ ਨੈਟਵਰਕ ਨੇ ਲੈਬ ਵਿੱਚ ਫੋਟੋਆਂ 'ਤੇ ਇੰਨਾ ਸ਼ਾਨਦਾਰ ਪ੍ਰਦਰਸ਼ਨ ਕਿਉਂ ਕੀਤਾ, ਪਰ ਖੇਤਰ ਵਿੱਚ ਪੂਰੀ ਤਰ੍ਹਾਂ ਅਸਫਲ ਹੋ ਗਿਆ? ਇਹ ਪਤਾ ਚਲਿਆ ਕਿ ਗੈਰ-ਟੈਂਕ ਫੋਟੋਆਂ ਸਾਰੀਆਂ ਉਨ੍ਹਾਂ ਦਿਨਾਂ 'ਤੇ ਲਈਆਂ ਗਈਆਂ ਸਨ ਜਿੱਥੇ ਅਸਮਾਨ ਬੱਦਲਵਾਈ ਸੀ; ਰੁੱਖਾਂ ਦੀਆਂ ਸਾਰੀਆਂ ਤਸਵੀਰਾਂ ਉਨ੍ਹਾਂ ਦਿਨਾਂ 'ਤੇ ਲਈਆਂ ਗਈਆਂ ਸਨ ਜਿੱਥੇ ਸੂਰਜ ਚਮਕ ਰਿਹਾ ਸੀ, ਤੰਤੂ ਜਾਲ ਨੂੰ ਸੂਰਜ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਸੀ, ਟੈਂਕ ਨਹੀਂ

ਆਖਰਕਾਰ, ਹਾਲਾਂਕਿ, ਡੂੰਘੀ ਸਿਖਲਾਈ ਦੁਆਰਾ ਵਿਜ਼ੂਅਲ ਮਾਨਤਾ - ਨਿਊਰਲ ਨੈਟਵਰਕ ਦੁਆਰਾ ਸੁਵਿਧਾਜਨਕ ਜੋ ਕਿ ਪੈੱਨ ਨਾਲੋਂ ਬਹੁਤ ਜ਼ਿਆਦਾ ਗੁੰਝਲਦਾਰ ਹਨtag1980 ਦੇ ਦਹਾਕੇ ਦੇ ਮੇਨਫ੍ਰੇਮ ਨੂੰ ਸੰਭਾਲਣ ਦੇ ਯੋਗ ਹੋਣਾ ਸੀ—ਇੱਕ ਹਕੀਕਤ ਬਣ ਗਈ 2012 ਵਿੱਚ, ਸਟੈਨਫੋਰਡ ਦੇ ਪ੍ਰੋਫੈਸਰ ਐਂਡਰਿਊ ਐਨਜੀ ਅਤੇ ਗੂਗਲ ਦੇ ਸਾਥੀ ਜੇਫ ਡੀਨ ਨੇ ਹਰੇਕ 1000 ਕੋਰ ਦੇ ਨਾਲ 16 ਕੰਪਿਊਟਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਪਹਿਲੇ ਡੂੰਘੇ ਨਿਊਰਲ ਨੈੱਟਵਰਕਾਂ ਵਿੱਚੋਂ ਇੱਕ ਬਣਾਇਆ, ਕਾਰਜ: 10 ਮਿਲੀਅਨ ਯੂਟਿਊਬ ਵੀਡੀਓਜ਼ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰੋ ਨਤੀਜਾ : ਇਸਨੇ ਬਿੱਲੀਆਂ ਲੱਭੀਆਂ ² ਇਸਦੇ "ਡੂੰਘੀ ਸਿਖਲਾਈ" ਐਲਗੋਰਿਦਮ ਲਈ ਧੰਨਵਾਦ, ਨੈਟਵਰਕ ਸਮੇਂ ਦੇ ਨਾਲ ਬਿੱਲੀਆਂ ਨੂੰ ਪਛਾਣਨ ਦੇ ਯੋਗ ਸੀ, ਅਤੇ ਬਹੁਤ ਚੰਗੀ ਸ਼ੁੱਧਤਾ ਨਾਲ

1980 ਦੇ ਦਹਾਕੇ ਵਿੱਚ ਬਹੁਤ ਸਾਰੇ ਕੰਪਿਊਟਿੰਗ ਸਰੋਤਾਂ ਦੀ ਉਪਲਬਧਤਾ ਦੇ ਨਾਲ, ਜੋ ਕਿ XNUMX ਦੇ ਦਹਾਕੇ ਵਿੱਚ ਕਦੇ ਵੀ ਸੁਪਨੇ ਵਿੱਚ ਨਹੀਂ ਸਨ, ਡੂੰਘੇ ਤੰਤੂ ਨੈੱਟਵਰਕ ਤੇਜ਼ੀ ਨਾਲ ਖੋਜ ਲਈ ਇੱਕ ਪ੍ਰਸਿੱਧ ਖੇਤਰ ਬਣ ਗਏ ਹਨ ਡੀਪ ਲਰਨਿੰਗ ਇੱਕ ਸਿਸਟਮ ਨੂੰ ਅਰਬਾਂ ਸੰਜੋਗਾਂ ਅਤੇ ਨਿਰੀਖਣਾਂ ਦੁਆਰਾ ਸਵੈਚਲਿਤ ਤੌਰ 'ਤੇ "ਸਿੱਖਣ" ਦੀ ਯੋਗਤਾ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ, ਇਸ 'ਤੇ ਨਿਰਭਰਤਾ ਨੂੰ ਘਟਾਉਂਦੀ ਹੈ। ਮਨੁੱਖੀ ਵਸੀਲੇ ਸਾਈਬਰ ਸੁਰੱਖਿਆ ਡੋਮੇਨ ਦੇ ਅੰਦਰ, ਇਹ ਵਿਧੀ ਮਾਲਵੇਅਰ ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ ਖਾਸ ਤੌਰ 'ਤੇ ਹੋਨਹਾਰ ਬਣ ਗਈ ਹੈ—ਉਨ੍ਹਾਂ ਸਥਿਤੀਆਂ ਜਿਸ ਵਿੱਚ ਸਾਡੇ ਕੋਲ ਬਹੁਤ ਸਾਰੇ ਸਾਬਕਾampਮਾਲਵੇਅਰ ਦੇ ਲੇਸ ਜਿਸ ਤੋਂ ਨੈੱਟਵਰਕ ਸਿੱਖ ਸਕਦਾ ਹੈ

ਬਦਕਿਸਮਤੀ ਨਾਲ, ਡੂੰਘੇ ਸਿੱਖਣ ਦੇ ਤਰੀਕੇ ਵਰਤਮਾਨ ਵਿੱਚ ਘੱਟ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੁੰਦੇ ਹਨ ਜਦੋਂ ਇਹ ਕੁਝ ਖਾਸ ਵਰਤੋਂ ਦੇ ਮਾਮਲਿਆਂ ਵਿੱਚ ਆਉਂਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਅੰਦਰੂਨੀ ਧਮਕੀ, ਕਿਉਂਕਿ ਸਾਡੇ ਕੋਲ ਇਸ ਕਿਸਮ ਦੇ ਹਮਲਿਆਂ ਬਾਰੇ ਸਹੀ ਕਿਸਮ ਦਾ ਡੇਟਾ ਨਹੀਂ ਹੈ, ਲੋੜੀਂਦੀ ਮਾਤਰਾ ਵਿੱਚ, ਅਕਸਰ, ਸਾਡੇ ਕੋਲ ਜਾਣਕਾਰੀ ਹੁੰਦੀ ਹੈ। ਅੰਦਰੂਨੀ ਖਤਰਿਆਂ 'ਤੇ ਕਿੱਸੇ ਹਨ, ਜੋ ਇਸ ਕਿਸਮ ਦੇ ਨਿਊਰਲ ਨੈੱਟਵਰਕਾਂ ਦੁਆਰਾ ਕੁਸ਼ਲਤਾ ਨਾਲ ਨਹੀਂ ਵਰਤੇ ਜਾ ਸਕਦੇ ਹਨ।

ਜਦੋਂ ਤੱਕ ਅਸੀਂ ਵਧੇਰੇ ਪ੍ਰਭਾਵੀ ਡੇਟਾਸੈਟਾਂ ਨੂੰ ਇਕੱਠਾ ਨਹੀਂ ਕਰ ਸਕਦੇ (ਅਤੇ ਡੂੰਘੀ ਸਿਖਲਾਈ ਪ੍ਰਣਾਲੀਆਂ ਦੀ ਲਾਗਤ ਅਤੇ ਗੁੰਝਲਤਾ ਨੂੰ ਘਟਾਉਂਦੇ ਹਾਂ), ਡੂੰਘੀ ਸਿਖਲਾਈ ਸਾਰੇ ਵਰਤੋਂ ਦੇ ਮਾਮਲਿਆਂ ਲਈ ਸਹੀ ਵਿਕਲਪ ਨਹੀਂ ਹੈ ਅਤੇ ਇਹ ਠੀਕ ਹੈ ਡੂੰਘੀ ਸਿਖਲਾਈ ਬਹੁਤ ਸਾਰੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ ਵਿੱਚੋਂ ਇੱਕ ਹੈ, ਅਤੇ ਇਹ ਪਹੁੰਚ ਹੋ ਸਕਦੇ ਹਨ। ਜਿਵੇਂ ਕਿ ਜੇ ਜ਼ਿਆਦਾ ਕੀਮਤੀ ਨਹੀਂ - ਇਹ ਸਭ ਹੱਥ ਵਿੱਚ ਕੰਮ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ

ਅਸੀਂ ਇਸ ਦੇ ਅਧਿਕਾਰਤ "ਜਨਮ" ਤੋਂ ਬਾਅਦ ਛੇ ਦਹਾਕਿਆਂ ਵਿੱਚ AI ਤਕਨਾਲੋਜੀਆਂ ਦੀ ਬੇਅੰਤ ਸੰਭਾਵਨਾ ਵੇਖੀ ਹੈ ਅਤੇ ਅਸੀਂ ਸਿਰਫ ਸਤ੍ਹਾ ਨੂੰ ਖੁਰਚਿਆ ਹੈ, ਖਾਸ ਤੌਰ 'ਤੇ ਸੁਰੱਖਿਆ ਵਿੱਚ ਅੱਗੇ, ਅਸੀਂ ਏਆਈ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਬਦਲਣ ਲਈ ਸੰਭਾਵੀ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ ਡੂੰਘੀ ਡੁਬਕੀ ਲਵਾਂਗੇ। ਜਿਸ ਤਰੀਕੇ ਨਾਲ ਅਸੀਂ ਸੁਰੱਖਿਆ ਖਤਰਿਆਂ ਦੀ ਪਛਾਣ ਕਰਦੇ ਹਾਂ ਅਤੇ ਉਹਨਾਂ ਦਾ ਜਵਾਬ ਦਿੰਦੇ ਹਾਂ।

ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਵਿਸ਼ਲੇਸ਼ਣ ਇੱਕ ਬਹੁਤ ਵੱਡੀ ਬੁਝਾਰਤ ਦਾ ਸਿਰਫ਼ ਇੱਕ ਹਿੱਸਾ ਹੈ ਜੋ ਸਾਨੂੰ ਸੁਰੱਖਿਆ ਟੀਮਾਂ ਲਈ ਬਹੁਤ ਜ਼ਿਆਦਾ ਉਪਯੋਗੀ ਸਮਝ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦਾ ਹੈ।

ਅਸੀਂ ਇਸ ਦੇ ਅਧਿਕਾਰਤ "ਜਨਮ" ਤੋਂ ਛੇ ਦਹਾਕਿਆਂ ਵਿੱਚ AI ਤਕਨਾਲੋਜੀਆਂ ਦੀ ਬੇਅੰਤ ਸੰਭਾਵਨਾ ਵੇਖੀ ਹੈ, ਅਤੇ ਅਸੀਂ ਸਿਰਫ ਸਤ੍ਹਾ ਨੂੰ ਖੁਰਚਿਆ ਹੈ, ਖਾਸ ਕਰਕੇ ਸੁਰੱਖਿਆ ਵਿੱਚ।

ਸੁਰੱਖਿਆ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਇੱਕ ਨਵਾਂ ਦ੍ਰਿਸ਼ਟੀਕੋਣ

ਹੁਣ ਤੱਕ, ਇਸ ਗਾਈਡ ਨੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ 'ਤੇ ਡੂੰਘਾਈ ਨਾਲ ਨਜ਼ਰ ਮਾਰੀ ਹੈ, ਇਸ ਦੀਆਂ ਸੀਮਾਵਾਂ ਅਤੇ ਸ਼ਕਤੀਆਂ ਨੂੰ ਸਮਝਿਆ ਹੈ, ਏਆਈ ਦੀ ਸਹੂਲਤ ਲਈ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਲਈ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸੰਭਾਵਨਾਵਾਂ ਹਨ, ਪਰ ਇਹ ਧਿਆਨ ਦੇਣ ਯੋਗ ਹੈ ਕਿ ਧਮਕੀ ਦਾ ਪਤਾ ਲਗਾਉਣ ਦੀ ਵਿਆਪਕ ਖੇਡ ਸਿਰਫ਼ ਡੂੰਘੀ ਸਿਖਲਾਈ ਜਾਂ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਬਾਰੇ ਨਹੀਂ ਹੈ। ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਅੱਜ ਜਾਣਦੇ ਹਾਂ ਕਿ ਨਵੀਆਂ ਡਾਟਾ ਕਿਸਮਾਂ ਦੇ ਨਾਲ ਮਿਲ ਕੇ ਨਵੇਂ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਢੰਗ ਸਾਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਵੇਂ ਫਰੇਮਵਰਕ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦੇ ਹਨ ਜਿਸ ਵਿੱਚ ਸੁਰੱਖਿਆ ਖਤਰਿਆਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਕਾਰਵਾਈ ਕਰਨ ਲਈ.

ਨਵੇਂ ਤਰੀਕੇ	ਅਨਿਸ਼ਚਿਤਤਾ ਦੇ ਅਧੀਨ ਅਨੁਕੂਲਿਤ ਵਿਸ਼ਲੇਸ਼ਣ ਨਿਰੰਤਰ ਵਿਸ਼ਲੇਸ਼ਣ ਅਨੁਕੂਲਤਾ	ਸੰਦਰਭ ਦਾ ਜਵਾਬ ਦੇਣਾ ਸਥਾਨਕ ਤਬਦੀਲੀ/ਫੀਡਬੈਕ ਦਾ ਜਵਾਬ ਦੇਣਾ ਜੋਖਮ ਨੂੰ ਮਾਪਣਾ ਜਾਂ ਘਟਾਉਣਾ
ਪਰੰਪਰਾਗਤ	ਅਨੁਕੂਲਤਾ ਭਵਿੱਖਬਾਣੀ ਮਾਡਲਿੰਗ ਸਿਮੂਲੇਸ਼ਨ ਪੂਰਵ-ਅਨੁਮਾਨ ਚੇਤਾਵਨੀ ਸਵਾਲ/ਡਰਿਲ ਡਾਊਨ ਐਡਹਾਕ ਰਿਪੋਰਟਿੰਗ ਸਟੈਂਡਰਡ ਰਿਪੋਰਟਿੰਗ	ਫੈਸਲੇ ਦੀ ਗੁੰਝਲਤਾ, ਹੱਲ ਦੀ ਗਤੀ ਆਮ ਤੌਰ 'ਤੇ, ਸੰਭਾਵੀ, ਵਿਸ਼ਵਾਸ ਪੱਧਰ ਉੱਚ ਨਿਸ਼ਠਾ, ਖੇਡਾਂ, ਡੇਟਾ ਫਾਰਮਿੰਗ ਵੱਡੇ ਡੇਟਾ ਸੈੱਟ, ਗੈਰ-ਰੇਖਿਕ ਰਿਗਰੈਸ਼ਨ ਨਿਯਮ/ਟਰਿੱਗਰ, ਸੰਦਰਭ ਸੰਵੇਦਨਸ਼ੀਲ, ਗੁੰਝਲਦਾਰ ਘਟਨਾਵਾਂ ਮੈਮੋਰੀ ਡੇਟਾ ਵਿੱਚ, ਫਜ਼ੀ ਖੋਜ, ਸਾਬਕਾ ਦੁਆਰਾ ਭੂ-ਸਥਾਨਕ ਪੁੱਛਗਿੱਛample, ਯੂਜ਼ਰ ਡਿਫੈਂਡ ਰਿਪੋਰਟਾਂ ਰੀਅਲ ਟਾਈਮ, ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ, ਯੂਜ਼ਰ ਇੰਟਰੈਕਸ਼ਨ
ਨਵਾਂ ਡਾਟਾ	ਇਕਾਈ ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਰਿਲੇਸ਼ਨਸ਼ਿਪ, ਫੀਚਰ ਐਕਸਟਰੈਕਸ਼ਨ ਐਨੋਟੇਸ਼ਨ ਅਤੇ ਟੋਕਨਾਈਜ਼ੇਸ਼ਨ	ਲੋਕ, ਭੂਮਿਕਾਵਾਂ, ਸਥਾਨ, ਚੀਜ਼ਾਂ ਦੇ ਨਿਯਮ, ਅਰਥ-ਸੰਬੰਧੀ ਅਨੁਮਾਨ, ਮੇਲ ਖਾਂਦੇ ਆਟੋਮੇਟਿਡ, ਭੀੜ ਸਰੋਤ

ਅਸੀਂ ਦੇਖਿਆ ਹੈ ਕਿ ਵਿਸ਼ਲੇਸ਼ਣ ਦੂਜੇ ਉਦਯੋਗਾਂ ਲਈ ਕੀ ਕਰ ਸਕਦਾ ਹੈ, ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਸਾਈਬਰ ਸੁਰੱਖਿਆ 'ਤੇ ਡੂੰਘਾ ਪ੍ਰਭਾਵ ਪਾਉਣ ਦੀ ਸੰਭਾਵਨਾ ਹੈ, ਅਸੀਂ ਇਸ ਨੂੰ ਇੱਕ ਨਵੇਂ ਖੇਤਰ ਵਿੱਚ ਰੂਪ ਲੈਂਦਿਆਂ ਦੇਖਦੇ ਹਾਂ ਜਿਸ ਨੂੰ ਅਸੀਂ ਸੁਰੱਖਿਆ ਵਿਸ਼ਲੇਸ਼ਣ ਵਜੋਂ ਦਰਸਾਉਂਦੇ ਹਾਂ, ਜੋ ਜ਼ਰੂਰੀ ਤੌਰ 'ਤੇ ਲੜਾਈ-ਜਾਂਚ ਲੈਂਦਾ ਹੈ। ਐਲਗੋਰਿਦਮ ਅਤੇ ਵਿਧੀਆਂ ਜਿਨ੍ਹਾਂ ਬਾਰੇ ਅਸੀਂ ਚਰਚਾ ਕੀਤੀ ਹੈ (ਅਤੇ ਹੋਰ) ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਲਾਗੂ ਕਰਦੇ ਹਨ ਸੁਰੱਖਿਆ ਵਿੱਚ ਅਸਲ ਮੁਸ਼ਕਲ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ

ਅੱਜ ਅਸੀਂ ਸੁਰੱਖਿਆ ਵਿੱਚ ਜੋ ਸਭ ਤੋਂ ਆਮ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇਖਦੇ ਹਾਂ, ਉਹਨਾਂ ਵਿੱਚ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਮਾਡਲ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ, ਜੋ ਸਾਨੂੰ ਇਹ ਪਛਾਣ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਨ ਕਿ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਡੇਟਾ ਦੇ ਅੰਦਰ ਜੋਖਮ ਕਿੱਥੇ ਹੋ ਸਕਦੇ ਹਨ (ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਅਸੰਗਤਤਾ ਦਾ ਪਤਾ ਲਗਾਇਆ ਜਾਂਦਾ ਹੈ) ਸੰਖੇਪ ਵਿੱਚ, ਭਵਿੱਖਬਾਣੀ ਮਾਡਲਿੰਗ ਇਤਿਹਾਸਕ ਡੇਟਾ ਨੂੰ ਅਸਲ-ਸਮੇਂ ਦੇ ਵਿਵਹਾਰ ਨਾਲ ਜੋੜਦੀ ਹੈ। ਭਵਿੱਖ ਦੇ ਵਿਹਾਰ ਨੂੰ ਸਮਝਣ ਜਾਂ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਇਸ ਨਾਲ, ਅਸੀਂ ਇਸ ਸਵਾਲ ਦਾ ਜਵਾਬ ਦੇ ਸਕਦੇ ਹਾਂ, "ਅੱਗੇ ਕੀ ਹੋਵੇਗਾ?"

ਪਰ ਸੁਰੱਖਿਆ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਸਾਡੀ ਦ੍ਰਿਸ਼ਟੀ ਇੱਥੇ ਨਹੀਂ ਰੁਕਦੀ ਭਵਿੱਖਬਾਣੀ ਵਿਸ਼ਲੇਸ਼ਣ ਇੱਕ ਬਹੁਤ ਵੱਡੀ ਬੁਝਾਰਤ ਦਾ ਸਿਰਫ ਇੱਕ ਹਿੱਸਾ ਹੈ ਜੋ ਸਾਨੂੰ ਸੁਰੱਖਿਆ ਟੀਮਾਂ ਲਈ ਬਹੁਤ ਜ਼ਿਆਦਾ ਉਪਯੋਗੀ ਸਮਝ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦਾ ਹੈ ਆਦਰਸ਼ ਵਿਸ਼ਲੇਸ਼ਣ ਪੈਰਾਡਾਈਮ ਬੁੱਧੀਮਾਨ ਸੈਂਸਰ ਅਤੇ ਸਰਵਵਿਆਪੀ ਡੇਟਾ ਸਰੋਤਾਂ ਨੂੰ ਜੋੜਦਾ ਹੈ — ਡੈਸਕਟਾਪ ਅਤੇ ਸਰਵਰ, ਮੋਬਾਈਲ , ਕਲਾਉਡ, ਸੋਸ਼ਲ ਨੈਟਵਰਕ, ਓਪਨ ਡੇਟਾ, ਆਦਿ — ਵਿਵਹਾਰ ਅਤੇ ਧਮਕੀ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਕਈ ਉੱਨਤ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਪਹੁੰਚਾਂ ਦੇ ਨਾਲ, ਜਿਸ ਵਿੱਚ ਫੋਰੈਂਸਿਕ ਵਿਸ਼ਲੇਸ਼ਣ, ਜੋਖਮ ਮਾਡਲਿੰਗ, ਅਸੰਗਤਤਾ ਦਾ ਪਤਾ ਲਗਾਉਣਾ, ਵਿਵਹਾਰ ਅਤੇ ਜਵਾਬ ਅਨੁਕੂਲਤਾ, ਅਤੇ ਹੋਰ ਬਹੁਤ ਕੁਝ ਸ਼ਾਮਲ ਹੈ।

ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਅਸੀਂ ਕਿਸੇ ਖਤਰੇ ਦੀ ਭਵਿੱਖਬਾਣੀ ਜਾਂ ਪਛਾਣ ਕਰਨ ਤੋਂ ਕਿਤੇ ਵੱਧ ਕਰ ਸਕਦੇ ਹਾਂ ਇਹ ਸਾਨੂੰ ਨਾ ਸਿਰਫ਼ ਉੱਨਤ ਖੋਜ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਨ ਲਈ ਹੋਰ ਵੀ ਅੱਗੇ ਵਧਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ, ਸਗੋਂ ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਜਵਾਬ ਦੇਣ ਲਈ ਸਮਝਦਾਰੀ ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ ਸੁਰੱਖਿਆ ਵਿਸ਼ਲੇਸ਼ਣ ਸਾਨੂੰ ਹੋਰ ਮੁੱਖ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇਣ ਦੀ ਸ਼ਕਤੀ ਦਿੰਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ “ਕਿਵੇਂ ਬਹੁਤ ਸਾਰੀਆਂ ਧਮਕੀਆਂ ਹਨ?" ਅਤੇ "ਸਭ ਤੋਂ ਵਧੀਆ ਸੰਭਵ ਪ੍ਰਤੀਕ੍ਰਿਆ ਕੀ ਹੈ?"

ਅਸੀਂ ਅਜੇ ਤੱਕ ਸਾਈਬਰ ਸੁਰੱਖਿਆ 'ਤੇ ਲਾਗੂ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਵਿਧੀਆਂ ਵਰਗੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀਆਂ ਹੋਰ ਸ਼੍ਰੇਣੀਆਂ ਨਹੀਂ ਦੇਖੀਆਂ ਹਨ, ਪਰ ਉਹਨਾਂ ਕੋਲ ਬਹੁਤ ਸੰਭਾਵਨਾਵਾਂ ਹਨ ਇਹ ਤਕਨੀਕਾਂ ਸੁਰੱਖਿਆ ਖਤਰੇ ਲਈ ਸਾਰੀਆਂ ਸੰਭਾਵਿਤ ਪ੍ਰਤੀਕ੍ਰਿਆਵਾਂ ਨੂੰ ਦੇਖਦੀਆਂ ਹਨ ਅਤੇ ਸਭ ਤੋਂ ਵਧੀਆ ਜਵਾਬ ਨਿਰਧਾਰਤ ਕਰਦੀਆਂ ਹਨ, ਹਾਂ, ਗਣਿਤ ਨਾਲ ਅਜਿਹਾ ਕਰਨ ਦੇ ਤਰੀਕੇ ਹਨ

ਸਾਬਕਾ ਲਈampਲੇ, ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਵਿਧੀਆਂ ਦੀ ਵਰਤੋਂ ਉਦੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਜਦੋਂ ਤੁਸੀਂ ਕਿਸੇ ਮੁੱਦੇ ਦੇ ਨਾਲ ਆਪਣੇ ਸੈਲ ਫ਼ੋਨ ਸੇਵਾ ਪ੍ਰਦਾਤਾ ਨੂੰ ਕਾਲ ਕਰਦੇ ਹੋ, ਉਹ ਬੇਤਰਤੀਬੇ ਤੌਰ 'ਤੇ ਇਸ ਬਾਰੇ ਕੋਈ ਸਿਫ਼ਾਰਸ਼ ਨਹੀਂ ਕਰ ਰਹੇ ਹਨ ਕਿ ਤੁਹਾਡੀ ਸੇਵਾ ਯੋਜਨਾ ਨੂੰ ਛੋਟ 'ਤੇ ਅਪਗ੍ਰੇਡ ਕਰਨਾ ਹੈ ਜਾਂ ਨਹੀਂ; ਉਹ ਬੈਕਗ੍ਰਾਉਂਡ ਵਿੱਚ ਗਣਿਤ ਦੇ ਇੱਕ ਸਮੂਹ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ ਜੋ ਤੁਹਾਡੇ ਕਾਲ ਲੌਗਸ, ਡ੍ਰੌਪ ਕੀਤੀਆਂ ਕਾਲਾਂ ਦੀ ਸੰਖਿਆ, ਤੁਹਾਡੇ ਇਤਿਹਾਸ ਦੀ ਤੁਲਨਾ ਦੂਜੇ ਉਪਭੋਗਤਾਵਾਂ ਨਾਲ ਕਿਵੇਂ ਕਰਦਾ ਹੈ, ਆਦਿ ਨੂੰ ਵੇਖਦਾ ਹੈ, ਇਹ ਇਸ ਸੰਭਾਵਨਾ ਦੀ ਵੀ ਗਣਨਾ ਕਰਦਾ ਹੈ ਕਿ ਤੁਸੀਂ ਕਿਸੇ ਹੋਰ ਸੇਵਾ ਪ੍ਰਦਾਤਾ ਨੂੰ ਬਦਲ ਸਕਦੇ ਹੋ, ਫਿਰ, ਬਾਹਰ ਅਗਲੇ ਸਾਰੇ ਸੰਭਾਵਿਤ ਕਦਮਾਂ ਵਿੱਚੋਂ, ਇਹ ਗਾਹਕਾਂ ਨੂੰ ਵੱਧ ਤੋਂ ਵੱਧ ਰੱਖਣ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਅਗਲੇ ਕਦਮ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ

ਇਹੀ ਗਣਿਤ ਕਿਸੇ ਖਤਰੇ ਦੀ ਪਛਾਣ ਕਰਨ, ਪ੍ਰਤੀਕਿਰਿਆ ਕਰਨ ਦੇ ਕਈ ਤਰੀਕੇ ਪ੍ਰਦਾਨ ਕਰਨ, ਅਤੇ ਇਸ ਖਾਸ ਜੋਖਮ ਨੂੰ ਵੱਧ ਤੋਂ ਵੱਧ ਕਾਬੂ ਕਰਨ ਲਈ ਗਣਿਤਿਕ ਤੌਰ 'ਤੇ ਸਭ ਤੋਂ ਵਧੀਆ ਜਵਾਬ ਦੇਣ ਲਈ ਸੁਰੱਖਿਆ ਟੀਮ 'ਤੇ ਲਾਗੂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

ਸੁਰੱਖਿਆ ਖਤਰਿਆਂ ਦਾ ਤੇਜ਼ੀ ਨਾਲ ਵਾਧਾ ਅਤੇ ਵਿਕਾਸ ਇਸ ਕਿਸਮ ਦੀ ਪ੍ਰਤੀਕਿਰਿਆ ਕੁਸ਼ਲਤਾ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਬਣਾਉਂਦੇ ਹਨ। ਅੱਜ ਸਾਡੇ ਕੋਲ ਪਹਿਲਾਂ ਨਾਲੋਂ ਜ਼ਿਆਦਾ ਡੇਟਾ ਹੈ ਸ਼ੁਕਰ ਹੈ, ਸਾਡੇ ਕੋਲ ਇਸ ਡੇਟਾ ਨੂੰ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰਨ ਲਈ ਖੋਜ ਅਤੇ ਤਕਨਾਲੋਜੀ ਵਿੱਚ ਵਧੇਰੇ ਗਣਨਾ ਸ਼ਕਤੀ, ਬਿਹਤਰ ਐਲਗੋਰਿਦਮ ਅਤੇ ਵਿਆਪਕ ਨਿਵੇਸ਼ ਵੀ ਹੈ। ਗਣਿਤ ਦੁਆਰਾ ਸਾਰੇ ਖਾਤਿਆਂ ਦੁਆਰਾ, ਸਾਡਾ ਮੰਨਣਾ ਹੈ ਕਿ ਸੁਰੱਖਿਆ ਵਿਸ਼ਲੇਸ਼ਣ ਹੁਣੇ ਸ਼ੁਰੂ ਹੋ ਰਿਹਾ ਹੈ।

ਸਾਡੇ ਕੋਲ ਅੱਜ ਪਹਿਲਾਂ ਨਾਲੋਂ ਜ਼ਿਆਦਾ ਡਾਟਾ ਹੈ। ਸ਼ੁਕਰ ਹੈ, ਸਾਡੇ ਕੋਲ ਗਣਿਤ ਦੁਆਰਾ ਇਸ ਡੇਟਾ ਨੂੰ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰਨ ਲਈ ਖੋਜ ਅਤੇ ਤਕਨਾਲੋਜੀ ਵਿੱਚ ਵਧੇਰੇ ਗਣਨਾ ਸ਼ਕਤੀ, ਬਿਹਤਰ ਐਲਗੋਰਿਦਮ, ਅਤੇ ਵਿਆਪਕ ਨਿਵੇਸ਼ ਵੀ ਹੈ। ਸਾਰੇ ਖਾਤਿਆਂ ਦੁਆਰਾ, ਸਾਡਾ ਮੰਨਣਾ ਹੈ ਕਿ ਸੁਰੱਖਿਆ ਵਿਸ਼ਲੇਸ਼ਣ ਹੁਣੇ ਸ਼ੁਰੂ ਹੋ ਰਿਹਾ ਹੈ।

ਗਾਹਕ ਸਹਾਇਤਾ

ਸਾਡੇ ਨਾਲ ਜੁੜੋ
www.opentext.com
OpenText Cybersecurity ਕੰਪਨੀਆਂ ਅਤੇ ਹਰ ਆਕਾਰ ਦੇ ਭਾਈਵਾਲਾਂ ਲਈ ਵਿਆਪਕ ਸੁਰੱਖਿਆ ਹੱਲ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ, ਰੋਕਥਾਮ, ਖੋਜ ਅਤੇ ਰਿਕਵਰੀ, ਜਾਂਚ ਅਤੇ ਪਾਲਣਾ ਦੇ ਜਵਾਬ ਤੋਂ, ਸਾਡਾ ਯੂਨੀਫਾਈਡ ਐਂਡ-ਟੂ-ਐਂਡ ਪਲੇਟਫਾਰਮ ਗਾਹਕਾਂ ਨੂੰ ਇੱਕ ਸੰਪੂਰਨ ਸੁਰੱਖਿਆ ਪੋਰਟਫੋਲੀਓ ਦੁਆਰਾ ਸਾਈਬਰ ਲਚਕੀਲਾਪਣ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ ਜੋ ਸਾਡੇ ਦੁਆਰਾ ਕਾਰਵਾਈਯੋਗ ਸੂਝ ਦੁਆਰਾ ਸੰਚਾਲਿਤ ਹੈ। ਰੀਅਲ-ਟਾਈਮ ਅਤੇ ਪ੍ਰਸੰਗਿਕ ਖਤਰੇ ਦੀ ਖੁਫੀਆ ਜਾਣਕਾਰੀ, OpenText ਸਾਈਬਰ ਸੁਰੱਖਿਆ ਗਾਹਕ ਉੱਚ ਪ੍ਰਭਾਵੀ ਉਤਪਾਦਾਂ, ਇੱਕ ਅਨੁਕੂਲ ਅਨੁਭਵ ਅਤੇ ਵਪਾਰਕ ਜੋਖਮ ਦੇ ਪ੍ਰਬੰਧਨ ਵਿੱਚ ਮਦਦ ਕਰਨ ਲਈ ਸਰਲ ਸੁਰੱਖਿਆ ਤੋਂ ਲਾਭ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ
762-000016-003 | ਓ | 01/24 | © 2024 ਓਪਨ ਟੈਕਸਟ

ਦਸਤਾਵੇਜ਼ / ਸਰੋਤ

ਓਪਨ ਟੈਕਸਟ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ [pdf] ਹਦਾਇਤਾਂ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ, ਇੰਟੈਲੀਜੈਂਸ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ, ਮਸ਼ੀਨ ਲਰਨਿੰਗ

ਹਵਾਲੇ

• ਯੂਜ਼ਰ ਮੈਨੂਅਲ