اوپن ٽيڪسٽ مصنوعي ذهانت ۽ مشين

مصنوعي ذهانت (AI) اهو طريقو تبديل ڪري رهيو آهي جيڪو اسان مشينن سان لهه وچڙ ۾ اچي ٿو ۽ اهو طريقو جيڪو مشينون اسان سان لهه وچڙ ۾ آهن. هي گائيڊ ٽوڙي ٿو ته ڪيئن AI ڪم ڪندو آهي، مشين جي سکيا جي مختلف قسمن جون طاقتون ۽ حدون، ۽ مطالعي جي هن هميشه بدلجندڙ فيلڊ جي ارتقا. اهو پڻ AI فعال سيڪيورٽي اينالائيٽڪس جي ڪردار کي ڳولي ٿو يا صارف ۽ اداري جي رويي جي تجزيي (UEBA) کي بهتر طور تي اڄ جي پيچيده سائبر سيڪيورٽي خطرن کان ادارن کي بچائڻ لاء.

مشين بمقابله انساني سکيا

مصنوعي ذهانت (AI) هر جڳهه آهي- گهٽ ۾ گهٽ، ائين ئي لڳي ٿو OpenText™ تي، AI جو اڀار دلچسپ ۽ مشڪل ٻنهي آهي پر جيئن ته اسان پنهنجن ساٿين، گراهڪ ۽ ڀائيوارن سان مشغول ٿي ويا آهيون، اسان محسوس ڪيو آهي ته AI جو تصور هميشه آسانيءَ سان نه سمجھيو ويندو آهي هن AI ۽ مشين لرننگ 101 گائيڊ کي شروع ڪرڻ لاءِ، اسان AI پزل کي کوليو ان بنيادي سوال جو جواب ڏيندي، ڪيترائي ماڻهو پڇي رهيا آهن: ”آرٽيفيشل انٽيليجنس ڇا آهي، واقعي؟

مصنوعي ذهانت کي سمجهڻ جو سڀ کان آسان طريقو اهو آهي ته ان کي ڪنهن شيءِ تي نقشو ٺاهيو جيڪو اسان اڳ ۾ ئي سمجهون ٿا- اسان جي پنهنجي ذهانت غير مصنوعي، انساني ذهانت ڪيئن ڪم ڪري ٿي؟ سڀ کان وڌيڪ بنيادي سطح تي، اسان جي ذهانت هڪ سادي پيش رفت جي پٺيان آهي: اسان معلومات ۾ وٺون ٿا، اسان ان تي عمل ڪريون ٿا، ۽ آخرڪار معلومات اسان کي عمل ڪرڻ ۾ مدد ڪري ٿي.

اچو ته ان کي ٽوڙيون سسٽم ڊاگرام ۾، هيٺ ڏنل شڪل ۾، انساني ذهانت جا ٽي عام مرحلا کاٻي کان ساڄي طرف: ان پٽ، پروسيسنگ، ۽ آئوٽ پُٽ انساني دماغ ۾، ان پٽ شين کي محسوس ڪرڻ ۽ محسوس ڪرڻ جي صورت ۾ وٺندو آهي توهان جي اکين، نڪ، ڪن وغيره، کاٻي پاسي کان خام ان پٽ ۾ وٺن ٿا، جيئن روشنيءَ جا ڦوٽان يا صنوبر جي بوءِ، ۽ پوءِ ان کي پروسيس ڪري سسٽم جي ساڄي پاسي آئوٽ پُٽ آهي، جنهن ۾ تقرير ۽ عمل شامل آهن، ٻنهي جو دارومدار ڪيئن آهي. اسان خام ان پٽ کي پروسيس ڪريون ٿا جيڪو اسان جو دماغ حاصل ڪري رهيو آهي پروسيسنگ وچ ۾ ٿئي ٿي، جتي علم يا ياداشتون ٺهي وينديون آهن ۽ حاصل ڪيون وينديون آهن، فيصلا ۽ انفرنسس ٺاهيا ويندا آهن، ۽ سکيا ٿيندي آهي.

شڪل 1. انساني عقل

غير مصنوعي، انساني عقل ڪيئن ڪم ڪندو آهي؟ سڀ کان وڌيڪ بنيادي سطح تي، اسان جي ذهانت هڪ سادي پيش رفت جي پٺيان آهي: اسان معلومات ۾ وٺون ٿا، اسان ان تي عمل ڪريون ٿا، ۽ آخرڪار معلومات اسان کي عمل ڪرڻ ۾ مدد ڪري ٿي.

تصوير روڊ جي چونڪ تي بيھي رھيو آھي توھان جون اکيون ڏسن ٿيون ته توھان جي سامھون ٽريفڪ لائيٽ صرف سائي ٿي وئي آھي ان جي بنياد تي جيڪو توھان تجربو مان سکيو آھي (۽ ڊرائيور جي تعليم)، توھان کي خبر آھي ته سائي روشني اشارو ڪري ٿي ته توھان کي اڳتي ھلڻ گھرجي، توھان گيس پيڊل کي مارو سائي روشني خام ان پٽ آهي، توهان جي تيز رفتار پيداوار آهي؛ هر شي جي وچ ۾ پروسيسنگ آهي

اسان جي آس پاس جي دنيا کي سمجھداريءَ سان نيويگيٽ ڪرڻ لاءِ- فون جو جواب ڏيڻ، چاڪليٽ چپ ڪوڪيز کي بيڪ ڪرڻ، يا ٽريفڪ لائيٽن جي فرمانبرداري ڪرڻ- اسان کي ان پٽ کي پروسيس ڪرڻ جي ضرورت آهي جيڪا اسان حاصل ڪريون ٿا، هي انساني انٽيليجنس پروسيسنگ جو بنيادي حصو آهي، ۽ اهو آخرڪار ٽن مختلف حصن ۾ ورهايل آهي. :

1. علم ۽ ياداشت. اسان علم پيدا ڪندا آهيون جيئن اسان حقيقتن کي ڳولهي سگهون ٿا (يعني هيسٽنگس جي جنگ 1066 ۾ ٿي) ۽ سماجي ريتن رسمن (يعني ”مهرباني ڪري“ ۽ ”مهرباني“ چوڻ کي شائستگي سان سمجهيو ويندو آهي) ان کان علاوه، يادگيري اسان کي قابل بڻائي ٿي معلومات کي ياد ڪرڻ ۽ لاڳو ڪرڻ ماضي کان موجوده حالتون مثال طورampلي، ايڊورڊ ياد ڪري ٿو ته جين هن کي پنهنجي سالگره جي تحفي لاء شڪرگذار نه ڪيو هو، تنهنڪري هو هن جي شڪرگذار ٿيڻ جي اميد نٿو رکي جڏهن هو هن کي ڪرسمس جو تحفو ڏئي ٿو.
2. فيصلو ۽ اندازو. فيصلا ۽ تجزيا خام ان پٽ جي بنياد تي ڪيا ويندا آهن علم ۽/يا ياداشت سان گڏ اڳوڻي لاءِampلي، ايڊورڊ گذريل سال هڪ جالپينو مرچ کائي ۽ اهو پسند نه ڪيو جڏهن جاني ايڊورڊ کي هڪ مرچ پيش ڪري ٿو، هن اهو نه کائڻ جو فيصلو ڪيو.
3. سکيا. انسان اڳ ۾ ئي سکي سگهي ٿوample, observation, or algorithm in learning by exampلي، اسان کي ٻڌايو ويو آهي ته هڪ جانور هڪ ڪتو آهي، ٻيو ٻلي آهي مشاهدي ذريعي سکڻ ۾، اسان پنهنجي پاڻ تي سمجهون ٿا ته ڪتا ڀونڪندا آهن ۽ ٻليون ميون آهن، ٽيون سکيا جو طريقو-الورورٿم- اسان کي عمل ڪندي هڪ ڪم مڪمل ڪرڻ جي قابل بڻائي ٿو. مرحلن جو هڪ سلسلو يا هڪ مخصوص الگورٿم (مثال طور، ڊگهي ڊويزن کي انجام ڏيڻ)

انساني ذهانت جا اهي پهلو متوازي مصنوعي ذهانت جي لحاظ کان جيئن اسان معلومات کي وٺون ٿا، ان کي پروسيس ڪريون ٿا ۽ آئوٽ پُٽ شيئر ڪريون ٿا، تيئن مشينون به ڪري سگهن ٿيون، اچو ته هيٺ ڏنل انگن اکرن تي هڪ نظر وجهون ته ڏسون اهو نقشو ڪيئن نڪرندو آهي.

شڪل 2. مصنوعي ذهانت

هوشياري سان پنهنجي آس پاس جي دنيا کي نيويگيٽ ڪرڻ لاءِ- فون جو جواب ڏيڻ، چاڪليٽ چپ ڪوڪيز کي بيڪ ڪرڻ، يا ٽريفڪ لائيٽن جي فرمانبرداري ڪرڻ- اسان کي ان پٽ تي عمل ڪرڻ جي ضرورت آهي جيڪا اسان وصول ڪريون ٿا.

مشينن ۾، مصنوعي ذهانت جو ان پٽ حصو قدرتي ٻوليءَ جي پروسيسنگ، اسپيچ ريڪگنيشن، بصري سڃاڻڻ، ۽ وڌيڪ ذريعي مثال طور پيش ڪيو ويو آهي، توهان اهڙيون ٽيڪنالاجيون ۽ الگورتھم هر هنڌ ڏسندا آهيو، خود ڊرائيونگ ڪارن کان وٺي، جيڪي روڊن رستن ۽ رڪاوٽن کي سمجهڻ جي ضرورت هونديون آهن، Alexa يا Siri تائين. جڏهن اهو توهان جي تقرير کي سڃاڻي ٿو ته ان جو نتيجو اهو آهي ته هيٺيان طريقا آهن جن ۾ مشينون اسان جي آس پاس جي دنيا سان لهه وچڙ ۾ اچن ٿيون اهو ٿي سگهي ٿو روبوٽڪس، نيويگيشن سسٽم (انهن خود ڊرائيونگ ڪارن جي رهنمائي ڪرڻ لاءِ)، تقرير جي نسل (مثال طور، سري) وغيره. جي وچ ۾، اسان وٽ پروسيسنگ جا مختلف قسم آهن جيڪي جاء وٺن ٿيون

اسان جي علم ۽ ياداشتن جي حاصلات وانگر، مشينون علم جي نمائندگي ٺاهي سگھن ٿيون (مثال طور، گراف ڊيٽابيس، آنٽولوجيز) جيڪي انهن کي دنيا جي معلومات کي محفوظ ڪرڻ ۾ مدد ڪن ٿيون، جيئن انسان فيصلا ڪن ٿا يا انفرنس ٺاهي سگهن ٿا، مشينون اڳڪٿي ڪري سگهن ٿيون، ڪنهن حدف جي لاءِ بهتري آڻي سگهن ٿيون يا نتيجو، ۽ ڪنهن خاص مقصد کي پورا ڪرڻ لاءِ ايندڙ بهترين قدم يا فيصلا طئي ڪرڻ

آخرڪار، جيئن اسان اڳوڻي طرفان سکندا آهيونampلي، مشاهدو، يا الگورٿم، مشينن کي سيکاري سگهجي ٿو هڪجهڙائي واري طريقن سان استعمال ڪندي نگراني ڪيل مشين لرننگ گهڻو ڪري اڳ جي سکيا وانگر آهي.ample: ڪمپيوٽر کي ڊيٽا سيٽ جي اندر "ليبل" سان گڏ هڪ ڊيٽا سيٽ ڏنو ويو آهي جيڪو جوابن طور ڪم ڪري ٿو، ۽ آخرڪار مختلف ليبلز جي وچ ۾ فرق ٻڌائڻ سکي ٿو (مثال طور، هي ڊيٽا سيٽ فوٽوز تي مشتمل آهي يا ته "ڪتو" يا "بلي"، ۽ ڪافي اڳوڻي سانamples، ڪمپيوٽر کي خبر پوندي ته ڪتن کي عام طور تي ٻلين جي ڀيٽ ۾ ڊگهي دم ۽ گهٽ نمايان ڪن آهن)

غير نگراني ٿيل مشين لرننگ، ٻئي طرف، مشاهدي ذريعي سکڻ وانگر آهي، ڪمپيوٽر نمونن جو مشاهدو ڪري ٿو (ڪتن جي ڀونڪ ۽ ٻليون ميوو) ۽، ان جي ذريعي، پاڻ ۾ گروپن ۽ نمونن ۾ فرق ڪرڻ سکي ٿو (مثال طور، جانورن جا ٻه گروهه آهن جيڪي ڪري سگهن ٿا. انهن جي آواز کان الڳ ٿيڻ؛ هڪ گروهه ڀونڪندو آهي- ڪتا- ۽ ٻيو گروهه ميوز- ٻليون) غير نگراني ٿيل سکيا لاءِ ليبل جي ضرورت نه هوندي آهي ۽ تنهن ڪري اهو بهتر ٿي سگهي ٿو جڏهن ڊيٽا سيٽ محدود هجن ۽ ليبل نه هجن آخرڪار، الگورٿم ذريعي سکيا ڇا ٿئي ٿو جڏهن هڪ پروگرامر هڪ ڪمپيوٽر کي هدايت ڪري ٿو ته ڇا ڪرڻ گهرجي، قدم قدم، هڪ سافٽ ويئر پروگرام ۾.

حقيقت ۾، سڀ کان وڌيڪ صحيح ۽ گھٽ مصنوعي ذهانت جا نتيجا سکڻ جي طريقن جي هڪ ميلاپ جي ضرورت آهي، ٻئي نگراني ٿيل ۽ غير نگراني ٿيل مشين لرننگ مفيد طريقا آهن- اهو سڀ ڪجهه صحيح طريقي سان لاڳو ڪرڻ بابت آهي يا صحيح استعمال جي صورت ۾ طريقا

اڳيون، اسان مشين لرننگ کي مائڪرو اسڪوپ جي ھيٺان رکون ٿا ته سمجھڻ لاءِ ته ڪيئن AI جو ھي حصو اسان جي دماغ ۾ موجود نيورسن کي آئيني ۾ آڻي ٿو ته جيئن ان پٽ کي بھترين آئوٽ پُٽ ۾ تبديل ڪري سگھجي.

مثالي طور تي، سڀ کان وڌيڪ صحيح ۽ موثر مصنوعي ڄاڻ رکندڙ نتيجن کي سکڻ جي طريقن جي ميلاپ جي ضرورت آهي. ٻئي نگراني ٿيل ۽ غير نگراني ٿيل مشين لرننگ ڪارائتو طريقا آهن- اهو سڀ ڪجهه صحيح طريقي سان لاڳو ڪرڻ يا صحيح استعمال جي صورت ۾ اچڻ بابت آهي.

نيورل نيٽورڪ ۽ ڊيپ لرننگ

مشين لرننگ صرف AI جو هڪ حصو آهي، جيتوڻيڪ ان ۾ الگورٿمز جو هڪ وڏو سبسٽ آهي ان ۾ هڪ طريقو جيڪو توهان اڄ اڪثر ٻڌو ٿا اهو آهي ”ڊيپ لرننگ“، هڪ الگورٿم جنهن کي تازو سالن ۾ خبرن ۾ خاص ڌيان ڏنو ويو آهي، ان کي سمجهڻ لاءِ. ان جي مقبوليت ۽ ڪاميابي، اهو سمجهڻ ۾ مددگار آهي ته اهو ڪيئن ڪم ڪري ٿو ڊيپ لرننگ هڪ مشين لرننگ الگورٿم جو هڪ ارتقا آهي جيڪو 1980 جي ڏهاڪي ۾ مشهور هو جنهن کي توهان سڃاڻي سگهو ٿا: نيورل نيٽ ورڪ.

نيورل نيٽ ورڪ- هڪ پروگرامنگ جو نمونو جنهن ۾ اسان مشينن کي ”سکڻ“ لاءِ ٽريننگ ڏيندا آهيون- انساني جسم ۾ نيورونز، يا خاص سيلز کان متاثر ٿين ٿا جيڪي اسان جي اعصابي نظام جو بنياد بڻجن ٿا، ۽ دماغ خاص طور تي اهي سيل اسان جي جسمن ۾ سگنلن کي منتقل ڪن ٿا اعصابي نظام کي. سسٽم جا ردعمل ۽ عمل نيورون آهن جيڪي اسان کي ڏسڻ، ٻڌڻ، بوء وغيره جي قابل بڻائيندا آهن.

شڪل 3. ڪيئن نيورسن پيغام وصول ۽ موڪليندا آهن

گهڻو ڪري جيڪو اسان سوچيو انساني سکيا جي طور تي بيان ڪري سگهجي ٿو ته اسان جي دماغ ۾ ٻن نيورونن جي وچ ۾ لاڳاپو ڪيترو مضبوط آهي، اسان جي synapses جي حد جي طاقت سان گڏ.

هن گائيڊ جي هڪ حصي ۾، اسان انساني ذهانت جي بنيادي عمل تي بحث ڪيو: کاٻي پاسي ان پٽ، ۽ ساڄي پاسي آئوٽ، نيورون (مٿي ڏنل تصوير) ان ۾ اهم ڪردار ادا ڪري ٿو، نيورون جي کاٻي پاسي، سيل جو جسم گڏ ڪري ٿو. ”ان پُٽ“ هڪ دفعو ان کي ڪافي انپٽ يا محرک ملي ٿو، axon fres، معلومات کي ساڄي پاسي منتقل ڪري ٿو- Synapse ”آئوٽ پُٽ“ وري ٻين نيورانن ڏانهن موڪليو وڃي ٿو.

ڪنهن به وقت، اسان جا نيورون هڪ ٻئي جي وچ ۾ پيغام پهچائي رهيا آهن، اهي سيلز اسان جي ماحول کي سمجهڻ جي اسان جي صلاحيت جا ذميوار آهن ۽ جڏهن اسان سکندا آهيون، اسان جا نيورون تمام گهڻو سرگرم ٿي ويندا آهن، حقيقت ۾، گهڻو ڪري اسان کي انساني سکيا جي طور تي بيان ڪري سگهجي ٿو. اسان جي دماغ ۾ ٻن نيورونن جي وچ ۾ لاڳاپو ڪيترو مضبوط آهي، اسان جي Synapses جي ڪناري جي طاقت سان گڏ

نيورل نيٽ ورڪ نيورون سيلز جي مجموعن جو هڪ رياضياتي تخليق آهي هيٺ ڏنل تصوير 3 تہن ۽ 12 نوڊس سان هڪ بنيادي نيورل نيٽ ورڪ جي نمائندگي ڪري ٿو.

هر سرڪيولر نوڊ هڪ مصنوعي، حياتياتي طور تي متاثر ٿيل ”نيرون“ جي نمائندگي ڪري ٿو اهي لائينون هڪ ڪنيڪشن جي نمائندگي ڪن ٿيون هڪ مصنوعي نيورون جي آئوٽ پٽ کان کاٻي پاسي کان ٻئي جي ان پٽ تائين ساڄي پاسي انهن نيورونن جي وچ ۾ سگنل کاٻي کان ساڄي طرف لڪيرن سان وهن ٿا انهن نيٽ ورڪن ۾. , ان پٽ-جيئن ته پکسل ڊيٽا-انپٽ پرت مان وهندو آهي، وچين ”لڪيل“ تہن ذريعي، ۽ آخرڪار آئوٽ پُٽ پرت ڏانهن، اهڙي انداز ۾ بيان ڪيل رياضياتي مساواتن پاران حقيقي حياتياتي نيورسن ۾ برقي سرگرميءَ کان متاثر ٿي.

شڪل 4. سادي اعصابي نيٽ ورڪ

عصبي نيٽ ورڪ ان پٽ پرت ۾ پيش ڪيل ڊيٽا سيٽن سان ملائڻ جي ڪوشش ڪندي سکندا آهن گهربل نتيجن لاءِ آئوٽ پٽ پرت ۾. رياضياتي مساواتون نتيجن کي گڏ ڪن ٿيون، گهربل نتيجو سان ٺهيل پيداوار جو مقابلو ڪن ٿا، ۽ نتيجو فرق وري ڪنيڪشن جي طاقت کي ٽوڪ پيدا ڪري ٿو.

نيورل نيٽ ورڪ ان پٽ پرت ۾ پيش ڪيل ڊيٽا سيٽ کي ان پٽ پرت ۾ گهربل نتيجن سان ملائڻ جي ڪوشش ڪندي سکندا آهن رياضياتي مساواتون آئوٽ پُٽ کي ڳڻينديون آهن، ٺهيل آئوٽ پُٽ جو مطلوبه نتيجي سان مقابلو ڪنديون آهن، ۽ نتيجي ۾ پيدا ٿيندڙ فرق وري ڪنيڪشن جي مضبوطيءَ لاءِ ٽوڪ پيدا ڪندا آهن. اهي ٽائيڪس بار بار تبديل ڪيا ويندا آهن جيستائين ڪمپيوٽيڊ آئوٽ پُٽ گهربل نتيجن جي ڪافي ويجهو نه اچي، جنهن وقت اسان چئون ٿا ته نيورل نيٽ ورڪ ”سيکاريو“ آهي.

شڪل 5. ڪمپليڪس نيورل نيٽ ورڪ

اهي ”گهاڙا“ نيورل نيٽ ورڪ تمام گهڻيون پيچيده اڳڪٿيون ڪري سگهن ٿا اتي هزارين نوڊس ۽ سوين پرتون ٿي سگهن ٿيون، جنهن جو مطلب آهي هزارين مختلف حسابن جا ڊيپ لرننگ ماڊل خاص مسئلن تي تمام سٺا ٿي ويا آهن، جهڙوڪ تقرير يا تصوير جي سڃاڻپ.

اها ڳالهه نوٽ ڪرڻ جي لائق آهي، جيتوڻيڪ، ته ڊيپ لرننگ مشين لرننگ لاءِ سلور بلٽ نه آهي- خاص طور تي سائبر سيڪيورٽي ۾ نه، جتي ڪڏهن ڪڏهن صاف ڊيٽا جو وڏو مقدار نه هوندو آهي جيڪو ڊيپ لرننگ طريقن لاءِ مثالي هجي، اهو ضروري آهي ته صحيح الگورٿم چونڊيو، ڊيٽا، ۽ نوڪري جا اصول اهو مشينن لاءِ ثبوت گڏ ڪرڻ، نقطا ڳنڍڻ ۽ نتيجو ڪڍڻ جو بهترين طريقو آهي.

نيورل نيٽ ورڪ شايد مستقبل جي شين وانگر لڳي سگھن ٿا، پر اهو ڪجهه وقت کان ٿي چڪو آهي، حقيقت ۾، نيورل نيٽ ورڪ انهن خيالن تي ٻڌل آهن جيڪي 1940 جي ڏهاڪي ۾ واپس گردش ڪرڻ شروع ڪيا آهن، ايندڙ حصي ۾، اسان کي سمجهڻ لاء وقت ۾ هڪ مختصر سفر ڪنداسين. ڪيئن نيورل نيٽ ورڪ ۽ مشين لرننگ جديد زندگي جي ڪيترن ئي حصن کي پکڙيل آهن.

اعصابي نيٽ ورڪ شايد مستقبل جي شين وانگر نظر اچن ٿا، پر اهو ڪجهه دير تائين آهي. حقيقت ۾، نيورل نيٽ ورڪ خيالن تي ٻڌل آهن جيڪي 1940s ۾ واپس گردش ڪرڻ شروع ڪيو.

مصنوعي ذهانت جي مختصر تاريخ

ڪجهه ماڻهن لاءِ، آرٽيفيشل انٽيليجنس (AI) جو اصطلاح شايد مستقبل جي شهرن جون تصويرون اڏامندڙ ڪارن ۽ گهريلو روبوٽس سان گڏ هجن، پر AI مستقبل جو تصور ناهي، گهٽ ۾ گهٽ هاڻي نه، جيتوڻيڪ اهڙو حوالو نه ڏنو ويو آهي، مصنوعي ذهانت جو خيال ٿي سگهي ٿو. قديم زماني ۾ (يعني يوناني ديوتا Hephaestus جي ڳالھائيندڙ مشيني ھٿيارن) ¹ 1930ع کان وٺي، سائنسدان ۽ رياضي دان هڪجهڙا انسانن کان الڳ سچي ذهانت پيدا ڪرڻ جي جستجو ڪندا رهيا آهن.

20 صدي جي وچ ۾ AI جو تعين ڪرڻ وارو لمحو رياضي ۽ حياتيات جو هڪ خوشگوار سنگم هو، جنهن ۾ نوربرٽ وينر، ڪلاڊ شنن ۽ ايلن ٽرنگ جهڙا محقق 1943ع تائين اليڪٽريڪل سگنلز ۽ ڪمپيوٽيشن جي چونڪ تي اڳي ئي چِپ ڪري چڪا هئا، وارين ميڪ ڪولوچ ۽ والٽر پِٽس. نيورل نيٽ ورڪن لاءِ هڪ ماڊل ٺاهي چڪو هو، نيورل نيٽ ورڪ ڪمپيوٽنگ جي هڪ بهادر نئين دنيا لاءِ وڌيڪ هارس پاور سان گڏ رستو هموار ڪيو، ۽ 1956 ۾، AI ريسرچ جي شعبي کي باضابطه طور تي هڪ تعليمي نظم جي طور تي قائم ڪيو ويو.

صديءَ جو پويون اڌ اي آءِ جي تحقيق ۽ ترقيءَ لاءِ هڪ دلچسپ دور هو، 70 ۽ 80 جي ڏهاڪي جي آخر ۾ ”AI سياري“ طرفان ڪڏهن ڪڏهن مداخلت ڪئي وئي، جتي AI عوام جي اميدن تي پورو لهڻ ۾ ناڪام وئي، ۽ فيلڊ ۾ سيڙپڪاري گهٽجي وئي پر ناڪامين جي باوجود، AI ۽ مشين لرننگ لاءِ مختلف ايپليڪيشنون کاٻي ۽ ساڄي طرف ظاهر ٿي رهيون هيون، اهڙي ايپليڪيشن جو هڪ خاص قصو سائنسي ڪميونٽي ۾ هڪ مشهور مثال بڻجي ويو آهي، جيڪو AI تحقيق ۽ عمل درآمد جي آزمائشن ۽ مشڪلاتن کي ڪافي مؤثر انداز سان ڳالهائيندو آهي.

ڪهاڻي ڪجهه هن طرح آهي:

1980ع ۾ قلمtagصرف هڪ مين فريم (1980 جي ڏهاڪي کان، ذهن ۾ رکو) جي سڃاڻپ ڪرڻ لاءِ نيورل نيٽ ورڪ استعمال ڪرڻ جو فيصلو ڪيو ويو، نيورل نيٽ کي 200 تصويرن سان تربيت ڏني وئي - 100 ٽينڪن ۽ 100 وڻن جي باوجود نسبتاً ننڍو اعصابي نيٽ ورڪ (1980 جي ڏهاڪي جي ڪري) ڪمپيوٽيشن ۽ ياداشت تي پابنديون)، ليبارٽري ٽريننگ جي نتيجي ۾ 100 سيڪڙو درستگي ٿي، اهڙي ڪاميابي سان، ٽيم فيصلو ڪري ٿو ته ان کي فيلڊ ۾ وڃڻ ڏيو، نتيجا بهترين نه هئا.

شڪل 6. ليب بمقابله فيلڊ تصويرون (ذريعو: نيورل نيٽورڪ فوليز، نيل فريزر، سيپٽمبر 1998)

وسيع ڪمپيوٽنگ وسيلن جي دستيابي سان جيڪي 1980 جي ڏهاڪي ۾ اڻ ڄاتل هئا، ڊيپ نيورل نيٽ ورڪ جلدي تحقيق لاء هڪ مشهور علائقو بڻجي ويا آهن. گہرے سکيا هڪ نظام کي خود بخود "سکڻ" جي صلاحيت ڏئي ٿي اربين ميلاپ ۽ مشاهدن ذريعي، انساني وسيلن تي انحصار کي گهٽائڻ.

ڇو نيورل نيٽورڪ ليب ۾ فوٽوز تي ايترو شاندار ڪم ڪيو، پر فيلڊ ۾ مڪمل طور تي ناڪام ٿيو؟ اهو ظاهر ٿيو ته نان ٽينڪ تصويرون سڀ انهن ڏينهن تي ورتيون ويون آهن جتي آسمان بادل هو. وڻن جون سڀئي تصويرون انهن ڏينهن تي ورتيون ويون، جتي سج چمڪي رهيو هو.

آخرڪار، جيتوڻيڪ، بصري سڃاڻپ ذريعي گہرے سکيا - نيورل نيٽ ورڪن جي سهولت جيڪا قلم کان وڌيڪ پيچيده آهيtag1980ع واري ڏهاڪي جي مين فريم کي سنڀالڻ جي قابل هوندو - هڪ حقيقت بڻجي وئي 2012 ۾، اسٽينفورڊ پروفيسر اينڊريو اين جي ۽ گوگل جي ساٿي جيف ڊين هڪ پهريون ڊيپ نيورل نيٽ ورڪ ٺاهيو جيڪو 1000 ڪمپيوٽرن کي استعمال ڪندي 16 ڪور سان گڏ ڪم ڪيو: 10 ملين يوٽيوب وڊيوز جو تجزيو ڪيو نتيجو : ان کي ٻليون مليون آهن ² ان جي ”ڊيپ لرننگ“ الگورتھم جي مهرباني، نيٽ ورڪ وقت سان گڏ ٻلين کي سڃاڻڻ جي قابل ٿي ويو، ۽ تمام سٺي درستگي سان

وسيع ڪمپيوٽنگ وسيلن جي دستيابي سان جن کي 1980 جي ڏهاڪي ۾ تصور نه ڪيو ويو هو، ڊيپ نيورل نيٽ ورڪ جلدي تحقيق لاءِ هڪ مشهور علائقو بڻجي ويا آهن ڊيپ لرننگ هڪ سسٽم کي خود بخود "سکڻ" جي صلاحيت ڏئي ٿي اربين مجموعن ۽ مشاهدن ذريعي، انحصار کي گهٽائڻ. انساني وسيلا سائبر سيڪيورٽي ڊومين جي اندر، طريقو مالويئر کي ڳولڻ لاء خاص طور تي واعدو ڪيو ويو آهي- منظرنامو جنهن ۾ اسان وٽ وڏا ڊيٽا سيٽ آهن ڪيترن ئي اڳوڻن سان.amples of malware جن مان نيٽ ورڪ سکي سگھي ٿو

بدقسمتي سان، گہرے سکيا جا طريقا في الحال گهٽ اثرائتو آهن جڏهن اهو ڪجهه استعمال جي ڪيسن ۾ اچي ٿو، جهڙوڪ اندروني خطرو، ڇاڪاڻ ته اسان وٽ صرف انهن قسمن جي حملن تي صحيح قسم جي ڊيٽا نه آهي، گهربل مقدار ۾ گهڻو ڪري، معلومات اسان وٽ آهي. اندروني خطرن تي غير معمولي آهن، جيڪي هن قسم جي نيورل نيٽ ورڪن کي موثر طريقي سان استعمال نٿا ڪري سگهن.

جيستائين اسان وڌيڪ اثرائتو ڊيٽا سيٽ گڏ ڪري سگهون ٿا (۽ ڊيپ لرننگ سسٽم جي قيمت ۽ پيچيدگي کي گهٽائي سگهون ٿا)، ڊيپ لرننگ سڀني استعمال جي ڪيسن لاءِ صحيح انتخاب نه آهي ۽ اهو ٺيڪ آهي ڊيپ لرننگ صرف ڪيترن ئي مشين لرننگ الگورتھم مان هڪ آهي، ۽ اهي طريقا ٿي سگهن ٿا. جيئن ته وڌيڪ قيمتي نه آهي- اهو سڀ ڪجهه هٿ تي نوڪري تي منحصر آهي

اسان ڇهن ڏهاڪن ۾ AI ٽيڪنالاجيز جي وڏي صلاحيت ڏٺي آهي ان جي سرڪاري ”پيدائش“ کان وٺي، ۽ اسان صرف سطح کي ڇڪيو آهي، خاص طور تي سيڪيورٽي ۾ اڳتي، اسان AI ۽ تجزياتي کي تبديل ڪرڻ لاءِ امڪاني ايپليڪيشنن ۾ وڌيڪ گہرا غوطا وٺنداسين. اهو طريقو جيڪو اسان سيڪيورٽي خطرن جي سڃاڻپ ۽ جواب ڏيون ٿا.

اڳڪٿي ڪندڙ تجزياتي صرف هڪ تمام وڏي پزل جو هڪ ٽڪرو آهي جيڪو اسان کي سيڪيورٽي ٽيمن لاءِ وڌيڪ مفيد بصيرت ڏئي سگهي ٿو.

اسان ڇهن ڏهاڪن ۾ AI ٽيڪنالاجيز جي وڏي صلاحيت ڏٺي آهي ان جي سرڪاري ”پيدائش“ کان وٺي، ۽ اسان صرف سطح کي ڇڪايو آهي، خاص طور تي سيڪيورٽي ۾.

سيڪيورٽي تجزياتي لاءِ هڪ نئون ويزن

هينئر تائين، هن گائيڊ مشين لرننگ تي هڪ ويجهي نظر رکي آهي، ان جي حدن ۽ طاقتن کي سمجهڻ لاءِ مشين لرننگ لاءِ تمام گهڻي صلاحيت آهي AI کي آسان ڪرڻ لاءِ، پر اها ڳالهه نوٽ ڪرڻ جي لائق آهي ته خطري جي نشاندهي جي وسيع راند صرف ڊيپ لرننگ يا مشين لرننگ بابت ناهي. جيئن ته اسان اڄ ڄاڻون ٿا ته نئين تجزياتي طريقن سان گڏ نئين ڊيٽا جي قسمن سان گڏ اسان کي مڪمل طور تي نئون فريم ورڪ ڏئي سگھن ٿا جنهن ۾ تجزيو ڪرڻ ۽ سيڪيورٽي خطرن تي عمل ڪرڻ لاء.

نوان طريقا	Adaptive Analysis Continual Analysis Optimization under Uncertainty	حوالي سان جواب ڏيڻ مقامي تبديلي / راءِ جو جواب ڏيڻ خطري کي مقدار ڏيڻ يا گھٽائڻ
رواجي	Optimization Predictive Modeling Simulation Forecasting Alerts Query/Drill Down Adhoc رپورٽنگ معياري رپورٽنگ	فيصلي جي پيچيدگي، حل جي رفتار اتفاقي طور تي، امڪاني، اعتماد جي سطح اعليٰ ايمانداري، رانديون، ڊيٽا فارمنگ وڏا ڊيٽا سيٽ، نان لينر ريگريشن ضابطا/ٽريگرز، حوالي سان حساس، پيچيده واقعا ميموري ڊيٽا ۾، فزي ڳولا، جيو اسپيشل سوالample، صارف جي رپورٽن جو دفاع حقيقي وقت، تصورات، صارف جي رابطي
نئون ڊيٽا	اينٽيٽي ريزوليوشن رشتي، فيچر ڪڍڻ جي تشريح ۽ ٽوڪنائيزيشن	ماڻهو، ڪردار، جڳهيون، شيون ضابطا، سيمينٽڪ انفرينسنگ، ملائيندڙ خودڪار، گڏ ٿيل

اسان ڏٺو آهي ته اينالائيٽڪس ٻين صنعتن لاءِ ڇا ڪري سگھن ٿا، ۽ اتي موجود تجزياتي لاءِ امڪاني طور تي سائبر سيڪيورٽي تي گہرا اثر پئجي سگھي ٿو، پڻ اسان ڏسون ٿا ته اها شڪل هڪ نئين فيلڊ ۾ وٺندي آهي جنهن کي اسين حوالو ڏيون ٿا سيڪيورٽي اينالائيٽڪس، جيڪو لازمي طور تي جنگ جو امتحان وٺندو آهي. الگورتھم ۽ طريقا جن تي اسان بحث ڪيو آھي (۽ وڌيڪ) ۽ انھن کي لاڳو ڪرڻ ۾ مدد ڪري ٿو سيڪيورٽي ۾ واقعي مشڪل مسئلن کي حل ڪرڻ.

سڀ کان وڌيڪ عام تجزيا جيڪي اسان اڄ سيڪيورٽي ۾ ڏسون ٿا، پيش گوئي ڪندڙ ماڊل شامل آهن، جيڪي اسان کي سڃاڻڻ جي اجازت ڏين ٿا ته ڪٿي خطرا ڊيٽا جي وڏي مقدار ۾ هوندا (هي اهو آهي جتي بي ضابطگي جي سڃاڻپ fts ان ۾) مختصر طور تي، اڳڪٿي واري ماڊلنگ تاريخي ڊيٽا کي حقيقي وقت جي رويي سان گڏ ڪري ٿي. مستقبل جي رويي کي سمجهڻ يا اڳڪٿي ڪرڻ لاءِ ان سان، اسان ان سوال جو جواب ڏئي سگهون ٿا، ”اڳتي ڇا ٿيندو؟

پر سيڪيورٽي اينالائيٽڪس لاءِ اسان جو نظريو هتي ئي نه ٿو رکجي اڳڪٿي ڪندڙ تجزياتي هڪ تمام وڏي پزل جو صرف هڪ ٽڪرو آهي جيڪو اسان کي سيڪيورٽي ٽيمن لاءِ تمام گهڻي مفيد بصيرت ڏئي سگهي ٿو مثالي اينالائيٽڪس پيراڊائم انٽيليجنٽ سينسر ۽ هر هنڌ ڊيٽا ذريعن کي گڏ ڪري ٿو- ڊيسڪٽاپس ۽ سرورز، موبائل ، ڪلائوڊ، سماجي نيٽ ورڪ، کليل ڊيٽا، وغيره - ڪيترن ئي ترقي يافته تجزياتي طريقن سان رويي ۽ خطري جي تجزيي لاءِ، بشمول فارنزڪ تجزيا، خطري جي ماڊلنگ، بي ضابطگي جي نشاندهي، رويي ۽ جواب جي اصلاح، ۽ وڌيڪ.

ان جو مطلب اهو آهي ته اسان اڳڪٿي ڪرڻ يا خطري جي نشاندهي ڪرڻ کان گهڻو ڪجهه ڪري سگهون ٿا اهو اسان کي نه رڳو پيش ڪرڻ جي لاءِ اڃا به وڌيڪ اڳتي وڌڻ جي اجازت ڏئي ٿو نه صرف ترقي يافته ڳولا پر ان ۾ بصيرت ته ڪيئن جواب ڏيڻ لاءِ تمام مؤثر سيڪيورٽي اينالائيٽڪس اسان کي ٻين اهم سوالن جا جواب ڏيڻ جي طاقت ڏئي ٿي، جهڙوڪ “ڪيئن ڪيتريون ئي ڌمڪيون آهن؟ ۽ "بهترين ممڪن ردعمل ڇا آهي؟"

اسان اڃان تائين اينالائيٽڪس جا ٻيا طبقا نه ڏٺا آهن جهڙوڪ سائبر سيڪيورٽي تي لاڳو ڪيل اصلاحي طريقا، پر انهن وٽ وڏي صلاحيت آهي اهي ٽيڪنڪ سيڪيورٽي خطري جي سڀني ممڪن رد عملن کي ڏسن ٿيون ۽ بهترين جواب جو تعين ڪن ٿيون، رياضي سان ائين ڪرڻ جا طريقا آهن.

مثال طورampلي، اصلاح جا طريقا استعمال ڪيا ويندا آھن جڏھن توھان ڪنھن مسئلي سان پنھنجي سيل فون سروس فراهم ڪندڙ کي ڪال ڪندا آھيو، اھي بي ترتيب طور تي سفارش نه ڪري رھيا آھن ته ڇا رعايت تي توھان جي سروس پلان کي اپڊيٽ ڪرڻ يا نه؛ اهي پس منظر ۾ رياضي جي هڪ سيٽ تي ڀروسو ڪندا آهن جيڪي توهان جي ڪال لاگز کي ڏسندا آهن، ڪالن جو تعداد، توهان جي تاريخ ٻين استعمال ڪندڙن جي ڀيٽ ۾ ڪيئن آهي، وغيره اهو ان امڪان کي به ڳڻيندو آهي ته توهان ڪنهن ٻئي خدمت فراهم ڪندڙ ڏانهن سوئچ ڪري سگهو ٿا، پوء، ٻاهر. سڀني ممڪن ايندڙ قدمن مان، اهو گراهڪ جي برقرار رکڻ کي وڌائڻ لاء بهترين ايندڙ قدم جي حساب سان

ساڳي رياضي خطري کي سڃاڻڻ لاءِ سيڪيورٽي ٽيم تي لاڳو ڪري سگهجي ٿي، ڪيترن ئي طريقن کي مهيا ڪري ٿي جنهن ۾ رد عمل ڪجي، ۽ رياضياتي طور تي بهترين جواب جو اندازو لڳايو وڃي ته جيئن هن خاص خطري کي وڌ کان وڌ ڪنٽرول ڪيو وڃي.

حفاظتي خطرن جو تيزيءَ سان اڀار ۽ ارتقا هن قسم جي جوابي ڪارڪردگيءَ کي نازڪ بڻائي ٿو، اسان وٽ اڄ اڳي کان وڌيڪ ڊيٽا آهي، شڪرگذاري سان، اسان وٽ وڌيڪ ڪمپيوٽ پاور، بهتر الگورٿم، ۽ تحقيق ۽ ٽيڪنالاجيز ۾ وسيع سيڙپڪاري پڻ آهي ته جيئن اسان کي هن ڊيٽا کي سمجهڻ ۾ مدد ملي سگهي. رياضي جي ذريعي سڀني اڪائونٽن ذريعي، اسان کي يقين آهي ته سيڪيورٽي تجزياتي صرف شروعات ٿي رهي آهي.

اڄ اسان وٽ اڳي کان وڌيڪ ڊيٽا آهي. شڪرگذار، اسان وٽ وڌيڪ ڪمپيوٽ پاور، بهتر الگورتھم، ۽ تحقيق ۽ ٽيڪنالاجي ۾ وسيع سيڙپڪاري پڻ آهي ته جيئن اسان کي رياضي جي ذريعي هن ڊيٽا کي سمجهڻ ۾ مدد ملي. سڀني اڪائونٽن ذريعي، اسان يقين رکون ٿا ته سيڪيورٽي تجزياتي صرف شروعات ٿي رهي آهي.

ڪسٽمر سپورٽ

اسان سان رابطو ڪريو
www.opentext.com
OpenText Cybersecurity ڪمپنين ۽ ڀائيوارن لاءِ جامع حفاظتي حل فراهم ڪري ٿي سڀني سائزن جي روڪٿام، پتو لڳائڻ ۽ وصولي، تحقيق ۽ تعميل جي جواب کان، اسان جو متحد آخر کان آخر تائين پليٽ فارم گراهڪن جي مدد ڪري ٿو سائبر لچڪ کي هڪ هولسٽڪ سيڪيورٽي پورٽ فوليو ذريعي سائبر لچڪ پيدا ڪرڻ ۾ جيڪو اسان جي قابل عمل بصيرت جي ذريعي طاقتور آهي. حقيقي وقت ۽ لاڳاپيل خطري جي ڄاڻ، OpenText سائبر سيڪيورٽي گراهڪ اعلي افاديت واري شين مان فائدو حاصل ڪن ٿا، هڪ مطابقت وارو تجربو ۽ آسان سيڪيورٽي ڪاروبار خطري کي منظم ڪرڻ ۾ مدد لاء
762-000016-003 | اي | 01/24 | © 2024 کليل متن

دستاويز / وسيلا

اوپن ٽيڪسٽ آرٽيفيشل انٽيليجنس ۽ مشين لرننگ [pdf] هدايتون آرٽيفيشل انٽيليجنس ۽ مشين لرننگ، انٽيليجنس ۽ مشين لرننگ، مشين لرننگ

حوالو

• استعمال ڪندڙ دستي