opentext කෘතිම බුද්ධිය සහ යන්ත්‍රය
කෘතිම බුද්ධිය (AI) යනු අප යන්ත්‍ර සමඟ අන්තර් ක්‍රියා කරන ආකාරය සහ යන්ත්‍ර අප සමඟ අන්තර් ක්‍රියා කරන ආකාරය පරිවර්තනය කරයි. මෙම මාර්ගෝපදේශය AI ක්‍රියා කරන ආකාරය, විවිධ වර්ගයේ යන්ත්‍ර ඉගෙනීමේ ශක්තීන් සහ සීමාවන් සහ මෙම නිරන්තරයෙන් වෙනස් වන අධ්‍යයන ක්ෂේත්‍රයේ පරිණාමය බිඳ දමයි. වර්තමාන සංකීර්ණ සයිබර් ආරක්ෂණ තර්ජන වලින් ව්‍යවසායන් වඩා හොඳින් ආරක්ෂා කිරීම සඳහා AI සක්‍රීය ආරක්ෂක විශ්ලේෂණ හෝ පරිශීලක සහ ආයතන හැසිරීම් විශ්ලේෂණ (UEBA) හි කාර්යභාරය ද එය ගවේෂණය කරයි.
යන්ත්‍රය එදිරිව මානව ඉගෙනීම
කෘත්‍රිම බුද්ධිය (AI) සෑම තැනකම ඇත—අවම වශයෙන්, OpenText™ හි එය පෙනෙන්නේ එලෙසයි, AI හි නැගීම උද්වේගකර මෙන්ම අභියෝගාත්මක නමුත් අපි අපගේ සම වයසේ මිතුරන්, ගනුදෙනුකරුවන් සහ හවුල්කරුවන් සමඟ සම්බන්ධ වී ඇති බැවින්, අපි තේරුම් ගෙන ඇත්තේ AI සංකල්පය සැමවිටම පහසුවෙන් තේරුම් ගත නොහැක මෙම AI සහ Machine Learning 101 මාර්ගෝපදේශය ආරම්භ කිරීම සඳහා, බොහෝ අය අසන ප්‍රධාන ප්‍රශ්නයට පිළිතුරු දීමෙන් අපි AI ප්‍රහේලිකාව ඉවත් කරන්නෙමු: "ඇත්ත වශයෙන්ම කෘතිම බුද්ධිය යනු කුමක්ද?"
කෘත්‍රිම බුද්ධිය තේරුම් ගැනීමට ඇති පහසුම ක්‍රමය නම් එය අප දැනටමත් තේරුම් ගෙන ඇති දෙයකට සිතියම්ගත කිරීමයි—අපගේම බුද්ධිය කෘත්‍රිම නොවන, මානව බුද්ධිය ක්‍රියා කරන්නේ කෙසේද? වඩාත්ම මූලික මට්ටමේදී, අපගේ බුද්ධිය සරල ප්‍රගතියක් අනුගමනය කරයි: අපි තොරතුරු ලබා ගනිමු, අපි එය ක්‍රියාවට නංවන්නෙමු, සහ අවසානයේ තොරතුරු අපට ක්‍රියා කිරීමට උපකාරී වේ.
අපි මෙය පද්ධති රූප සටහනකට කඩා දමමු, පහත රූපයේ, වමේ සිට දකුණට මානව බුද්ධියේ සාමාන්‍ය පියවර තුන: ආදානය, සැකසීම සහ ප්‍රතිදානය මිනිස් මොළය තුළ, ආදානය සිදු වන්නේ ඔබේ ඇස්වලට දේවල් සංවේදනය කිරීමේ සහ අවබෝධ කර ගැනීමේ ආකාරයෙන්ය. නාසය, කන් යනාදිය, ආලෝකයේ ෆෝටෝන හෝ පයින් ගස්වල සුවඳ වැනි වම් පසින් අමු ආදානය ලබා ගන්න, ඉන්පසු එය සැකසීම පද්ධතියේ දකුණු පැත්තේ ප්‍රතිදානය වේ මෙයට කථනය සහ ක්‍රියාවන් ඇතුළත් වේ, මේ දෙකම රඳා පවතින්නේ කෙසේද යන්න මත රඳා පවතී. අපගේ මොළයට ලැබෙන අමු ආදානය අපි ක්‍රියාවට නංවන්නෙමු, සැකසීම සිදුවන්නේ මධ්‍යයේ ය, එහිදී දැනුම හෝ මතකයන් සෑදී නැවත ලබා ගැනීම, තීරණ සහ අනුමාන කිරීම් සහ ඉගෙනීම සිදු වේ.
රූපය 1. මානව බුද්ධිය
කෘතිම නොවන, මානව බුද්ධිය වැඩ කරන්නේ කෙසේද? වඩාත්ම මූලික මට්ටමේදී, අපගේ බුද්ධිය සරල ප්‍රගතියක් අනුගමනය කරයි: අපි තොරතුරු ලබා ගනිමු, අපි එය ක්‍රියාවට නංවන්නෙමු, සහ අවසානයේ තොරතුරු අපට ක්‍රියා කිරීමට උපකාරී වේ.
මාර්ග මංසන්ධියක නවතින පින්තූරයක් ඔබ ඉදිරියෙහි ඇති රථවාහන ආලෝකය දැන් කොළ පැහැයට හැරී ඇති බව ඔබේ ඇස් දකියි ඔබ අත්දැකීමෙන් (සහ රියදුරුගේ අධ්‍යාපනය) ඉගෙන ගත් දේ මත පදනම්ව, ඔබ ඉදිරියට ධාවනය කළ යුතු බව හරිත එළියක් පෙන්නුම් කරන බව ඔබ දනී, එබැවින්, ඔබ ගෑස් පැඩලයට පහර දෙන්න හරිත ආලෝකය යනු අමු ආදානයයි, ඔබේ ත්වරණය ප්‍රතිදානයයි; අතර ඇති සියල්ල සැකසෙමින් පවතී
අප අවට ලෝකය බුද්ධිමත්ව සැරිසැරීමට - දුරකථනයට පිළිතුරු දීම, චොකලට් චිප් කුකීස් පිළිස්සීම හෝ රථවාහන ලයිට් වලට කීකරු වීම - අපට ලැබෙන ආදානය සැකසීමට අවශ්‍ය වේ මෙය මානව බුද්ධි සැකසීමේ හරය වන අතර අවසානයේ එය වෙනස් අංශ තුනකට බෙදා ඇත. :
- දැනුම සහ මතකය. අපි කරුණු (එනම්, Hastings සටන 1066 දී සිදු විය) සහ සමාජ සම්මතයන් (එනම්, "කරුණාකර" සහ "ස්තූතියි" කීම ආචාරශීලී ලෙස සලකනු ලැබේ) අපි දැනුම ගොඩනඟා ගනිමු, මීට අමතරව, මතකය අපට තොරතුරු මතක තබා ගැනීමට සහ අදාළ කර ගැනීමට හැකියාව ලබා දෙයි. අතීතයේ සිට වර්තමාන තත්ත්වයන් සඳහා උදාample, එඩ්වඩ්ට මතකයි ජේන් ඇගේ උපන්දින තෑග්ගට ඔහුට ස්තූති නොකළ බව, එබැවින් ඔහු ඇයට නත්තල් තෑග්ගක් දෙන විට ඇය ඔහුට ස්තූති කරනු ඇතැයි ඔහු අපේක්ෂා නොකරයි
- තීරණය සහ නිගමනය. තීරණ සහ නිගමන ගනු ලබන්නේ දැනුම සහ/හෝ මතකය සමඟ අමුණා ඇති ආදානය මත පදනම්වයample, එඩ්වඩ් ගිය අවුරුද්දේ jalapeno ගම්මිරිස් කෑවා ඒකට කැමති වුණේ නැහැ ජොනී එඩ්වඩ්ට ගම්මිරිස් ගෙඩියක් දුන්නම, එයා ඒක නොකන්න තීරණය කරනවා
- ඉගෙනීම. මිනිසුන්ට හිටපු අයගෙන් ඉගෙන ගන්න පුළුවන්ample, observation, or algorithm in learning by example, අපිට කියනවා එක සතෙක් බල්ලෙක්, අනිත් සතෙක් බළලෙක් කියලා නිරීක්‍ෂණයෙන් ඉගෙනීමේදී අපි තනියම හොයාගන්නවා බල්ලෝ බුරන බවත්, බළල්ලු මීවෝ කියලත් තුන්වෙනි ඉගෙනීමේ ක්‍රමය - ඇල්ගොරිතම - අපිට පහත ක්‍රියාවෙන් කාර්යයක් සම්පූර්ණ කරන්න පුළුවන්. පියවර මාලාවක් හෝ නිශ්චිත ඇල්ගොරිතමයක් (උදා , දිගු බෙදීම සිදු කිරීම)
මානව බුද්ධියේ මෙම අංග සමාන්තර කෘත්‍රිම බුද්ධිය අපි තොරතුරු ලබාගෙන, එය සැකසීමට සහ ප්‍රතිදානය බෙදාගන්නවා සේම, යන්ත්‍රවලටද මෙය සිතියම් ගත කරන්නේ කෙසේදැයි බැලීමට පහත රූපය දෙස බලමු.
රූපය 2. කෘතිම බුද්ධිය
අප අවට ලෝකය බුද්ධිමත්ව සැරිසැරීමට - දුරකථනයට පිළිතුරු දීම, චොකලට් චිප් කුකීස් පිළිස්සීම හෝ මාර්ග සංඥාවලට කීකරු වීම - අපට ලැබෙන ආදානය සැකසීමට අවශ්‍ය වේ.
යන්ත්‍රවල, කෘත්‍රිම බුද්ධියේ ආදාන කොටස ස්වභාවික භාෂා සැකසුම්, කථන හඳුනාගැනීම, දෘශ්‍ය හඳුනාගැනීම සහ තවත් බොහෝ දේ මගින් නිදසුන් වේ, මාර්ග සහ බාධක දැනීමට අවශ්‍ය ස්වයංක්‍රීය මෝටර් රථවල සිට ඇලෙක්සා හෝ සිරි දක්වා සෑම තැනකම එවැනි තාක්ෂණයන් සහ ඇල්ගොරිතම ඔබ දකිනවා. එය ඔබගේ කථාව හඳුනා ගන්නා විට පහත දැක්වෙන ප්‍රතිදානය වන්නේ යන්ත්‍ර අප අවට ලෝකය සමඟ අන්තර් ක්‍රියා කරන ආකාරයයි, මෙය රොබෝ විද්‍යාව, සංචාලන පද්ධති (එම ස්වයං-රිය පදවන මෝටර් රථ සඳහා මඟ පෙන්වීම සඳහා), කථන උත්පාදනය (උදා: සිරි) ආදියෙහි ආකාර ගත හැකිය. අතර, අපට විවිධ ආකාරයේ සැකසුම් සිදු වේ
අපගේ දැනුම හා මතකයන් සමුච්චය වීම හා සමානව, යන්ත්‍රවලට දැනුම නිරූපණයන් (උදා: ප්‍රස්ථාර දත්ත සමුදායන්, ඔන්ටොලොජි) නිර්මාණය කළ හැකි අතර එය මිනිසුන් විසින් තීරණ ගන්නා හෝ අනුමාන කරන ආකාරයටම, යන්ත්‍රවලට අනාවැකි කීමට, ඉලක්කයක් සඳහා ප්‍රශස්ත කිරීමට හෝ ලෝකය පිළිබඳ තොරතුරු ගබඩා කිරීමට උපකාරී වේ. ප්රතිඵලය, සහ නිශ්චිත ඉලක්කයක් සපුරාලීම සඳහා හොඳම ඊළඟ පියවර හෝ තීරණ තීරණය කරන්න
අවසාන වශයෙන්, අපි හිටපු අයගෙන් ඉගෙන ගන්නා ආකාරයටමample, observation, or algorithm, යන්ත්‍ර සමාන ක්‍රම භාවිතයෙන් ඉගැන්විය හැක සුපරීක්‍ෂිත යන්ත්‍ර ඉගෙනීම යනු හිටපු අයගේ ඉගෙනීම හා සමානයිample: පරිගණකයට පිළිතුරු ලෙස ක්‍රියා කරන දත්ත කට්ටලය තුළ “ලේබල්” සහිත දත්ත කට්ටලයක් ලබා දී ඇති අතර අවසානයේ විවිධ ලේබල් අතර වෙනස පැවසීමට ඉගෙන ගනී (උදා , මෙම දත්ත කට්ටලයේ “බල්ලා” හෝ “පූසා” ලෙස ලේබල් කර ඇති ඡායාරූප අඩංගු වේ, සහ ප්රමාණවත් හිටපු සමගampසාමාන්යයෙන් බල්ලන්ට බළලුන්ට වඩා දිගු වලිග සහ අඩු උල් කන් ඇති බව පරිගණකය දකිනු ඇත)
අනෙක් අතට, අධීක්‍ෂණයකින් තොරව යන්ත්‍ර ඉගෙනීම නිරීක්‍ෂණයෙන් ඉගෙනීම වැනිය, පරිගණකය රටා (බල්ලන් බුරන සහ බළලුන් මීවෝ) නිරීක්ෂණය කරන අතර, මේ හරහා කණ්ඩායම් සහ රටා තනිවම වෙන්කර හඳුනා ගැනීමට ඉගෙන ගනී (උදා: සතුන් කණ්ඩායම් දෙකක් ඇත. එක් කණ්ඩායමක් බුරන - බල්ලන් - සහ අනෙක් කණ්ඩායම මීවෝ - බළලුන් කරන ශබ්දයෙන් වෙන් වන්න) අධීක්‍ෂණය නොකළ ඉගෙනීම සඳහා ලේබල් අවශ්‍ය නොවන අතර දත්ත කට්ටල සීමිත වන විට සහ ලේබල් නොමැති විට වඩාත් සුදුසු විය හැක, අවසාන වශයෙන්, ඇල්ගොරිතම මගින් ඉගෙනීම වේ. ක්‍රමලේඛකයෙකු විසින් මෘදුකාංග වැඩසටහනකදී පියවරෙන් පියවර පරිගණකයට කළ යුතු දේ හරියටම උපදෙස් දෙන විට සිදු වන්නේ කුමක්ද?
ඉතා නිවැරදි හා ඌන කෘත්‍රිම බුද්ධි ප්‍රතිඵල සඳහා ඉගෙනුම් ක්‍රමවල එකතුවක් අවශ්‍ය වේ අධීක්‍ෂණය සහ අධීක්‍ෂණය නොකළ යන්ත්‍ර ඉගෙනීම යන දෙකම ප්‍රයෝජනවත් ක්‍රම වේ— ඒ සියල්ල නිවැරදි ප්‍රවේශය හෝ ප්‍රවේශයන් නිවැරදි භාවිත අවස්ථාවට යෙදීමයි
මීළඟට, AI හි මෙම කොටස අපගේ මොළයේ ඇති නියුරෝන ප්‍රශස්ථ ප්‍රතිදානයක් බවට පත් කිරීම සඳහා පිළිබිඹු කරන ආකාරය තේරුම් ගැනීමට අපි යන්ත්‍ර ඉගෙනීම අන්වීක්ෂය යටතේ තබමු.
ඉතා නිවැරදි හා කාර්යක්ෂම කෘතිම බුද්ධි ප්‍රතිඵල සඳහා ඉගෙනීමේ ක්‍රමවල එකතුවක් අවශ්‍ය වේ. අධීක්‍ෂණය කළ සහ අධීක්‍ෂණය නොකළ යන්ත්‍ර ඉගෙනීම යන දෙකම ප්‍රයෝජනවත් ක්‍රම වේ—ඒ සියල්ල නිවැරදි ප්‍රවේශය හෝ නිවැරදි භාවිත අවස්ථාවට ප්‍රවේශයන් යෙදීමයි.
ස්නායුක ජාලය සහ ගැඹුරු ඉගෙනීම
යන්ත්‍ර ඉගෙනීම යනු AI හි එක් කොටසක් පමණි, එය තුළ විශාල ඇල්ගොරිතම උප කුලකයක් ඇතත් අද ඔබට නිතර අසන්නට ලැබෙන එක් ක්‍රමයක් නම් “ගැඹුරු ඉගෙනීම” යනු මෑත වසරවල ප්‍රවෘත්තිවල සාධාරණ අවධානයක් ලබා ඇති ඇල්ගොරිතමයකි. එහි ජනප්‍රියත්වය සහ සාර්ථකත්වය, එය ක්‍රියාත්මක වන ආකාරය අවබෝධ කර ගැනීම ප්‍රයෝජනවත් වේ ගැඹුරු ඉගෙනීම යනු 1980 ගණන්වල ජනප්‍රිය වූ යන්ත්‍ර ඉගෙනීමේ ඇල්ගොරිතමයක පරිණාමයකි, එය ඔබට හඳුනාගත හැකිය: ස්නායුක ජාල.
ස්නායු ජාල - අපි යන්ත්‍ර "ඉගෙනීමට" පුහුණු කරන ක්‍රමලේඛන ආදර්ශයක් - නියුරෝන හෝ අපගේ ස්නායු පද්ධතියේ පදනම වන මිනිස් සිරුරේ විශේෂිත සෛල මගින් ආභාෂය ලබා ඇත, විශේෂයෙන් මොළය මෙම සෛල අපගේ ශරීරය පුරා සංඥා සම්ප්‍රේෂණය කරයි ස්නායු අවුලුවයි. පද්ධති ප්‍රතිචාර සහ ක්‍රියාවලි නියුරෝන යනු අපට දැකීමට, ඇසීමට, ගඳ සුවඳ දැනීමට ඉඩ සලසයි.
රූපය 3. නියුරෝන පණිවිඩ ලබා ගන්නා සහ යවන ආකාරය
මානව ඉගෙනීම ලෙස අප සිතන බොහෝ දේ විස්තර කළ හැක්කේ අපගේ මොළයේ ඇති නියුරෝන දෙකක් අතර සම්බන්ධය කෙතරම් ප්‍රබලද යන්න සහ අපගේ උපාගමවල ප්‍රබලත්වය සමඟිනි.
මෙම මාර්ගෝපදේශයේ එක් කොටසක, අපි මානව බුද්ධියේ මූලික ක්‍රියාවලිය සාකච්ඡා කළෙමු: වම් පසින් ආදානය සහ දකුණින් ප්‍රතිදානය නියුරෝනය (ඉහළ පින්තූරයේ) මෙහි තීරණාත්මක කාර්යභාරයක් ඉටු කරයි නියුරෝන වම් පැත්තේ, සෛල ශරීරය එකතු කරයි. “ආදානය” ප්රමාණවත් ආදානයක් හෝ උත්තේජනයක් ලැබුණු පසු, axon fres, තොරතුරු දකුණු පැත්තට සම්ප්‍රේෂණය කරයි— උපාගමය “ප්‍රතිදානය” පසුව වෙනත් නියුරෝන වෙත යවනු ලැබේ.
ඕනෑම මොහොතක, අපගේ නියුරෝන එකිනෙකා අතර පණිවිඩ යවමින් සිටින්නේ මෙම සෛල අපගේ වටපිටාව වටහා ගැනීමේ හැකියාවට වගකිව යුතු අතර අප ඉගෙන ගන්නා විට අපගේ නියුරෝන ඉතා ක්‍රියාශීලී වන අතර ඇත්ත වශයෙන්ම, මිනිස් ඉගෙනීම ලෙස අප සිතන බොහෝ දේ විස්තර කළ හැකිය. අපගේ මොළයේ නියුරෝන දෙකක් අතර සම්බන්ධය කෙතරම් ශක්තිමත්ද, ඒ සමඟම අපගේ උපාගමවල මායිමේ ශක්තියද
ස්නායුක ජාලයක් යනු නියුරෝන සෛල එකතුවක ගණිතමය අනුකරණයකි
සෑම වෘත්තාකාර නෝඩයක්ම කෘත්‍රිම, ජීව විද්‍යාත්මකව ආභාසය ලත් “නියුරෝන” නියෝජනය කරයි, රේඛා මඟින් වම් පස ඇති එක් කෘත්‍රිම නියුරෝනයක ප්‍රතිදානයේ සිට දකුණට තවත් කෘත්‍රිම නියුරෝනයක ආදානය දක්වා සම්බන්ධයක් නිරූපණය කරයි. මෙම නියුරෝන අතර සංඥා වමේ සිට දකුණට රේඛා ඔස්සේ ගලා යයි. , ආදානය—පික්සල් දත්ත වැනි—ආදාන ස්තරයේ සිට, මැද “සැඟවුණු” ස්තර හරහා, සහ අවසානයේ ප්‍රතිදාන ස්තරය වෙත ගලා යන්නේ සත්‍ය ජීව විද්‍යාත්මක නියුරෝනවල විද්‍යුත් ක්‍රියාකාරකම් මගින් ලිහිල්ව ආනුභාව ලත් ගණිතමය සමීකරණ මගින් විස්තර කරන ආකාරයටය.
රූපය 4. සරල ස්නායු ජාලය
ආදාන ස්තරයට ඉදිරිපත් කරන ලද දත්ත කට්ටල ප්‍රතිදාන ස්ථරයේ අපේක්ෂිත ප්‍රතිඵලවලට ගැළපීමට උත්සාහ කිරීමෙන් ස්නායුක ජාල ඉගෙන ගනී. ගණිතමය සමීකරණ මඟින් ප්‍රතිදානයන් ගණනය කරයි, අනුකරණය කරන ලද ප්‍රතිදානය අපේක්ෂිත ප්‍රතිඵලයට සංසන්දනය කරයි, ප්‍රතිඵලයක් ලෙස ඇතිවන වෙනස්කම් සම්බන්ධතාවල ප්‍රබලතාවයට වෙනස් කිරීම් ඇති කරයි.
ස්නායුක ජාල ඉගෙන ගන්නේ ආදාන ස්ථරයට ඉදිරිපත් කරන දත්ත කට්ටල ප්‍රතිදාන ස්ථරයේ අපේක්ෂිත ප්‍රතිඵලවලට ගැළපීමට උත්සාහ කිරීමෙන් ගණිත සමීකරණ මඟින් ප්‍රතිදානයන් ගණනය කිරීම, අනුකරණය කරන ලද ප්‍රතිදානය අපේක්ෂිත ප්රතිඵලය සමඟ සංසන්දනය කිරීම සහ ප්‍රතිඵලයක් ලෙස ඇති වන වෙනස්කම් සම්බන්ධතාවල ප්‍රබලත්වයට වෙනස් කිරීම් ඇති කරයි. ගණනය කරන ලද ප්‍රතිදානය අපේක්ෂිත ප්‍රතිඵලයට ප්රමාණවත් තරම් ආසන්න වන තෙක් මෙම වෙනස් කිරීම් පුනරුච්චාරණ ලෙස වෙනස් කරනු ලැබේ, එම අවස්ථාවේදී අපි පවසන්නේ ස්නායු ජාලය “උගත්” බවයි.
රූපය 5. සංකීර්ණ ස්නායු ජාලය
මෙම "ගැඹුරු" ස්නායුක ජාලයන්ට වඩාත් සංකීර්ණ අනාවැකි කළ හැකිය, නෝඩ් දහස් ගණනක් සහ ස්ථර සිය ගණනක් තිබිය හැකිය, එනම් විවිධ ගණනය කිරීම් දහස් ගණනක් ගැඹුරු ඉගෙනුම් ආකෘති කථනය හෝ රූප හඳුනාගැනීම වැනි විශේෂිත ගැටළු වලදී ඉතා හොඳ වී ඇත.
කෙසේ වෙතත්, ගැඹුරු ඉගෙනීම යන්ත්‍ර ඉගෙනීම සඳහා රිදී උණ්ඩයක් නොවන බව සඳහන් කිරීම වටී - විශේෂයෙන් සයිබර් ආරක්ෂාව තුළ නොවේ, සමහර විට ගැඹුරු ඉගෙනුම් ක්‍රම සඳහා වඩාත් සුදුසු පිරිසිදු දත්ත විශාල ප්‍රමාණයක් නොමැති විට නිවැරදි ඇල්ගොරිතම තෝරා ගැනීම වැදගත් වේ. දත්ත සහ කාර්යය සඳහා මූලධර්ම මෙය යන්ත්‍රවලට සාක්ෂි රැස් කිරීමට, තිත් සම්බන්ධ කිරීමට සහ නිගමනයකට එළඹීමට හොඳම ක්‍රමයයි.
ස්නායුක ජාල අනාගතයේ දේවල් සේ පෙනෙනු ඇත, නමුත් එය ටික කලක් පැවතුනි, ඇත්ත වශයෙන්ම, ස්නායුක ජාල පදනම් වී ඇත්තේ 1940 ගණන්වල නැවත සංසරණය වීමට පටන් ගත් අදහස් මත ය. ස්නායුක ජාල සහ යන්ත්‍ර ඉගෙනීම නූතන ජීවිතයේ බොහෝ කොටස්වලට විනිවිද ගොස් ඇති ආකාරය.
ස්නායුක ජාල අනාගතයේ දේවල් ලෙස පෙනෙන්නට ඇත, නමුත් එය ටික කලක් පවතී. ඇත්ත වශයෙන්ම, ස්නායුක ජාල පදනම් වී ඇත්තේ 1940 ගණන්වල සංසරණය වීමට පටන් ගත් අදහස් මත ය.
කෘතිම බුද්ධිය පිළිබඳ කෙටි ඉතිහාසයක්
සමහර අය සඳහා, කෘතිම බුද්ධිය (AI) යන යෙදුම පියාඹන මෝටර් රථ සහ ගෘහස්ථ රොබෝවරුන් සහිත අනාගත නගරවල රූප අවදි කළ හැකිය, නමුත් AI යනු අනාගත සංකල්පයක් නොවේ, අවම වශයෙන් තවදුරටත් එසේ සඳහන් නොකළත්, කෘතිම බුද්ධිය පිළිබඳ අදහස විය හැකිය. පෞරාණික කාලය දක්වා දිව යන (එනම් ග්‍රීක දෙවියෙකු වන හෙපයෙස්ටස්ගේ කතා කරන යාන්ත්‍රික අත් සේවිකාවන්) ¹ 1930 ගණන්වල සිට විද්‍යාඥයින් සහ ගණිතඥයින් මිනිසුන්ගෙන් වෙන්ව සැබෑ බුද්ධිය නිර්මාණය කිරීම ගවේෂණය කිරීමට උත්සුක වී ඇත.
20 වන සියවසේ මැද භාගයේ AI හි නිර්වචන අවස්ථාව ගණිතයේ සහ ජීව විද්‍යාවේ ප්‍රීතිමත් සන්ධිස්ථානයක් වූ අතර, Norbert Wiener, Claude Shannon සහ Alan Turing වැනි පර්යේෂකයන් 1943 වන විට විද්‍යුත් සංඥා සහ ගණනය කිරීම් ඡේදනය වීමේදී දැනටමත් ඉවත්ව ගොස් ඇත, Warren McCulloch සහ Walter Pitts ස්නායු ජාල සඳහා ආදර්ශයක් නිර්මාණය කර ඇත ස්නායුක ජාල වැඩි අශ්වබල ශක්තියක් සහිත නිර්භීත නව පරිගණක ලෝකයකට මග පෑදී, 1956 දී AI පර්යේෂණ ක්ෂේත්‍රය ශාස්ත්‍රීය විෂයයක් ලෙස නිල වශයෙන් ස්ථාපිත කරන ලදී
ශතවර්ෂයේ අවසාන භාගය AI පර්යේෂණ සහ ප්‍රගතිය සඳහා උද්යෝගිමත් යුගයක් වූ අතර, 70 දශකයේ මැද භාගයේ සහ 80 දශකයේ අගභාගයේ "AI ශීත" ඍතුවේ දී AI මහජන අපේක්ෂාවන් සපුරාලීමට අපොහොසත් වූ අතර, ෆෙල්ඩ්හි ආයෝජනය අඩු කරන ලද නමුත් පසුබෑමක් තිබියදීත්, AI සහ යන්ත්‍ර ඉගෙනීම සඳහා විවිධ යෙදුම් වම් සහ දකුණට දිස් විය
කතාව මෙහෙමයි.
1980 ගණන්වලදී පෑනtagසැඟවුණු ටැංකි හඳුනා ගැනීම සඳහා ස්නායුක ජාලයක් භාවිතා කිරීමට තීරණය කරන ලදී (1980 ගණන්වල සිට, මතක තබා ගන්න), ස්නායු ජාලය පින්තූර 200 කින් - ටැංකි 100 ක් සහ ගස් 100 කින් පුහුණු කර ඇත - සාපේක්ෂව කුඩා ස්නායු ජාලයක් තිබියදීත් (1980 නිසා) ගණනය කිරීම් සහ මතකය පිළිබඳ සීමාවන්), විද්‍යාගාර පුහුණුව 100% නිරවද්‍යතාවයට හේතු විය, එවැනි සාර්ථකත්වයක් සමඟ, කණ්ඩායම එය ෆෙල්ඩ් තුළට යාමට තීරණය කරයි ප්‍රතිඵල විශිෂ්ට නොවීය.
රූපය 6. Lab vs field pictures (මූලාශ්‍රය: Neural Network Follies, Neil Fraser, සැප්තැම්බර් 1998)
1980 ගණන්වල සිහිනෙන්වත් නොසිතූ විශාල පරිගණක සම්පත් තිබීමත් සමඟ ගැඹුරු ස්නායුක ජාල ඉක්මනින් පර්යේෂණ සඳහා ජනප්‍රිය ක්ෂේත්‍රයක් බවට පත්ව ඇත. ගැඹුරු ඉගෙනීම මඟින් පද්ධතියකට මානව සම්පත් මත යැපීම අඩු කරමින් බිලියන ගණනක සංයෝජන සහ නිරීක්ෂණ හරහා ස්වයංක්‍රීයව “ඉගෙන ගැනීමට” හැකියාව ලබා දේ.
ස්නායුක ජාලය විද්‍යාගාරයේ ඡායාරූප මත මෙතරම් මනරම් ලෙස ක්‍රියා කළ නමුත් ෆෙල්ඩ් තුළ සම්පූර්ණයෙන්ම අසාර්ථක වූයේ ඇයි? ටැංකි නොවන ඡායාරූප සියල්ල අහස වලාකුළු සහිත දිනවලදී ගන්නා ලද ඒවා බව පෙනී ගියේය. ගස්වල සේයාරූ සියල්ල ලබාගෙන ඇත්තේ හිරු එළිය පතිත වූ දිනවලය
අවසානයේදී, ගැඹුරු ඉගෙනීම හරහා දෘශ්‍ය හඳුනාගැනීම - පෑනට වඩා බොහෝ සංකීර්ණ ස්නායු ජාල මගින් පහසුකම් සැලසේ.tagon 1980 ගණන්වල ප්‍රධාන රාමුව හැසිරවීමට හැකි වනු ඇත - යථාර්ථයක් බවට පත් විය 2012 දී, ස්ටැන්ෆෝර්ඩ් මහාචාර්ය ඇන්ඩෲ එන්ජී සහ ගූගල් සගයෙකු වන ජෙෆ් ඩීන් විසින් පරිගණක 1000 ක් භාවිතා කරමින් හරය 16 බැගින් ඇති පළමු ගැඹුරු ස්නායු ජාල වලින් එකක් නිර්මාණය කරන ලදී කාර්යය: යූ ටියුබ් වීඩියෝ මිලියන 10 ක් විශ්ලේෂණය කරන්න : එය බළලුන් සොයා ගත්තේය ² එහි “ගැඹුරු ඉගෙනීමේ” ඇල්ගොරිතමයට ස්තූතිවන්ත වන්නට, ජාලයට කාලයත් සමඟ බළලුන් හඳුනා ගැනීමට හැකි වූ අතර ඉතා හොඳ නිරවද්‍යතාවයකින්
1980 ගණන්වල සිහිනෙන්වත් නොසිතූ විශාල පරිගණක සම්පත් තිබීමත් සමඟ ගැඹුරු ස්නායුක ජාල ඉක්මනින් පර්යේෂණ සඳහා ජනප්‍රිය ක්ෂේත්‍රයක් බවට පත් විය ගැඹුරු ඉගෙනීම මඟින් පද්ධතියකට බිලියන ගණනක් සංයෝජන සහ නිරීක්ෂණ හරහා ස්වයංක්‍රීයව “ඉගෙන ගැනීමට” හැකියාව ලබා දෙයි, මත යැපීම අඩු කරයි. මානව සම්පත් සයිබර් ආරක්ෂක වසම තුළ, අප සතුව බොහෝ හිටපු දත්ත කට්ටල ඇති අනිෂ්ට මෘදුකාංග - අවස්ථා හඳුනා ගැනීම සඳහා ක්‍රමය විශේෂයෙන් පොරොන්දු වී ඇත.ampජාලයට ඉගෙන ගත හැකි අනිෂ්ට මෘදුකාංග
අවාසනාවකට මෙන්, අභ්‍යන්තර තර්ජනය වැනි ඇතැම් භාවිත අවස්ථා සම්බන්ධයෙන් ගැඹුරු ඉගෙනුම් ක්‍රම දැනට අඩු ඵලදායී වන්නේ, අවශ්‍ය වන වෙළුම්වලින්, මෙවැනි ප්‍රහාර පිළිබඳ නිවැරදි ආකාරයේ දත්ත අප සතුව නොමැති නිසා බොහෝ විට, අප සතුව ඇති තොරතුරු අභ්‍යන්තර තර්ජන යනු මෙම ආකාරයේ ස්නායුක ජාල මගින් කාර්යක්ෂමව භාවිතා කළ නොහැක.
අපට වඩාත් ඵලදායි දත්ත කට්ටල රැස් කර ගත හැකි වන තුරු (සහ ගැඹුරු ඉගෙනුම් පද්ධතිවල පිරිවැය සහ සංකීර්ණත්වය අඩු කරන තෙක්), ගැඹුරු ඉගෙනීම සියලු භාවිත අවස්ථා සඳහා නිවැරදි තේරීමක් නොවන අතර, කමක් නැත ගැඹුරු ඉගෙනීම බොහෝ යන්ත්‍ර ඉගෙනුම් ඇල්ගොරිතම වලින් එකක් පමණක් වන අතර, මෙම ප්‍රවේශයන් විය හැකිය. වඩා වටිනා නොවේ නම් - ඒ සියල්ල රඳා පවතින්නේ අතේ ඇති රැකියාව මත ය
AI තාක්ෂණයන් එහි නිල “උපතේ” සිට දශක හයක් තුළ අප දැක ඇති අතර, අපි මතුපිට සීරීමට ලක් කර ඇත්තෙමු, විශේෂයෙන් ආරක්ෂාව සම්බන්ධයෙන් ඊළඟට, අපි AI සහ විශ්ලේෂණ වෙනස් කිරීම සඳහා ඇති විභව යෙදුම් වෙත ගැඹුරට කිමිදෙමු. අපි ආරක්ෂක තර්ජන හඳුනාගෙන ඒවාට ප්‍රතිචාර දක්වන ආකාරය.
පුරෝකථන විශ්ලේෂණ යනු ආරක්ෂක කණ්ඩායම් සඳහා අපට වඩාත් ප්‍රයෝජනවත් අවබෝධයක් ලබා දිය හැකි විශාල ප්‍රහේලිකාවක එක් කොටසක් පමණි.
AI තාක්ෂණයන් එහි නිල “උපතේ” සිට දශක හයක කාලය තුළ අප දැක ඇති අතර, අපි විශේෂයෙන් ආරක්ෂාව සම්බන්ධයෙන් මතුපිට සීරීමට පමණක් කර ඇත්තෙමු.
ආරක්ෂක විශ්ලේෂණ සඳහා නව දැක්මක්
මෙතෙක්, මෙම මාර්ගෝපදේශය යන්ත්‍ර ඉගෙනීම, එහි සීමාවන් සහ ශක්තීන් අවබෝධ කර ගනිමින් AI පහසු කිරීම සඳහා යන්ත්‍ර ඉගෙනීමට විශාල විභවයක් ඇත, නමුත් තර්ජන හඳුනාගැනීමේ පුළුල් ක්‍රීඩාව ගැඹුරු ඉගෙනීම හෝ යන්ත්‍ර ඉගෙනීම පමණක් නොවන බව සඳහන් කිරීම වටී. අද අප දන්නා පරිදි නව දත්ත වර්ග සමඟ ඒකාබද්ධ වූ නව විශ්ලේෂණ ක්‍රම මඟින් ආරක්ෂක තර්ජන විශ්ලේෂණය කිරීමට සහ ක්‍රියා කිරීමට සම්පූර්ණයෙන්ම නව රාමු අපට ලබා දිය හැක.
| නව ක්‍රම | අවිනිශ්චිතතාවය යටතේ අනුවර්තන විශ්ලේෂණය අඛණ්ඩ විශ්ලේෂණ ප්‍රශස්තකරණය | සන්දර්භයට ප්‍රතිචාර දැක්වීම |
| සාම්ප්රදායික | Optimization Predictive Modeling Simulation Forcasting Alerts Query/Drill Down Ad hoc Reporting Standard Reporting | තීරණ සංකීර්ණත්වය, විසඳුම් වේගය අනියම්, සම්භාවිතා, විශ්වාස මට්ටම් ඉහළ විශ්වාසවන්තභාවය, ක්රීඩා, දත්ත ගොවිතැන විශාල දත්ත කට්ටල, රේඛීය නොවන ප්රතිගාමී රීති/ප්රේරක, සන්දර්භය සංවේදී, සංකීර්ණ සිදුවීම් මතක දත්ත, අපැහැදිලි සෙවීම, හිටපු විසින් භූ අවකාශීය විමසුමample, පරිශීලක වාර්තා තත්‍ය කාලය, දෘශ්‍යකරණය, පරිශීලක අන්තර්ක්‍රියා ආරක්ෂා කරන්න |
| නව දත්ත | ආයතන විභේදන සම්බන්ධතාවය, විශේෂාංග නිස්සාරණය විවරණ සහ ටෝකනීකරණය | පුද්ගලයන්, භූමිකාවන්, ස්ථාන, දේවල් රීති, අර්ථ නිගමන, ගැලපීම ස්වයංක්‍රීය, සමූහයා මූලාශ්‍ර |
අනෙකුත් කර්මාන්ත සඳහා විශ්ලේෂණවලට කළ හැකි දේ අපි දැක ඇති අතර, විශ්ලේෂණවලට සයිබර් ආරක්ෂාව කෙරෙහි ප්‍රබල බලපෑමක් ඇති කිරීමට විභවයක් ඇත, ද අපි මෙය ආරක්ෂක විශ්ලේෂණ ලෙස හඳුන්වන නව ක්ෂේත්‍රයක හැඩගස්වන බව දකිමු. අපි සාකච්ඡා කර ඇති (සහ තවත්) ඇල්ගොරිතම සහ ක්‍රමවේද සහ ඒවා අදාළ කර ගැනීම ආරක්‍ෂාවෙහි ඇති දුෂ්කර ගැටලු විසඳීමට උපකාරී වේ
අද ආරක්ෂාව තුළ අප දකින වඩාත් පොදු විශ්ලේෂණවලට පුරෝකථන ආකෘති ඇතුළත් වන අතර එමඟින් විශාල දත්ත ප්‍රමාණයක් තුළ අවදානම් පැවතිය හැකි ස්ථාන හඳුනා ගැනීමට අපට ඉඩ සලසයි (මෙහිදී විෂමතා හඳුනාගැනීම අඩි ඇතුළත් වේ) කෙටියෙන් කිවහොත්, අනාවැකි ආකෘති නිර්මාණය ඓතිහාසික දත්ත තත්‍ය කාලීන හැසිරීම් සමඟ ඒකාබද්ධ කරයි. අනාගත හැසිරීම තේරුම් ගැනීමට හෝ පුරෝකථනය කිරීමට මෙයින්, අපට "ඊළඟට කුමක් සිදුවේද?" යන ප්‍රශ්නයට පිළිතුරු දිය හැකිය.
නමුත් ආරක්ෂක විශ්ලේෂණ පිළිබඳ අපගේ දැක්ම මෙතැනින් නතර නොවේ පුරෝකථන විශ්ලේෂණ යනු ආරක්ෂක කණ්ඩායම් සඳහා අපට වඩාත් ප්‍රයෝජනවත් අවබෝධයක් ලබා දිය හැකි විශාල ප්‍රහේලිකාවක එක් කොටසක් පමණි පරමාදර්ශී විශ්ලේෂණ ආදර්ශය බුද්ධිමත් සංවේදක සහ සෑම තැනකම දත්ත මූලාශ්‍ර - ඩෙස්ක්ටොප් සහ සර්වර්, ජංගම දුරකථන ඒකාබද්ධ කරයි. , වලාකුළු, සමාජ ජාල, විවෘත දත්ත, ආදිය - අධිකරණ වෛද්‍ය විශ්ලේෂණය, අවදානම් ආකෘති නිර්මාණය, විෂමතා හඳුනාගැනීම, හැසිරීම් සහ ප්‍රතිචාර ප්‍රශස්තකරණය සහ තවත් බොහෝ දේ ඇතුළුව චර්යාත්මක සහ තර්ජන විශ්ලේෂණය සඳහා බහුවිධ උසස් විශ්ලේෂණ ප්‍රවේශයන් සමඟින්
මෙයින් අදහස් කරන්නේ අපට තර්ජනයක් පුරෝකථනය කිරීමට හෝ හඳුනා ගැනීමට වඩා බොහෝ දේ කළ හැකි බවයි, එය උසස් හඳුනාගැනීමක් පමණක් නොව වඩාත් ඵලදායී ලෙස ප්‍රතිචාර දක්වන්නේ කෙසේද යන්න පිළිබඳ තීක්ෂ්ණ බුද්ධියක් ලබා දීමට අපට තවත් ඉදිරියට යාමට ඉඩ සලසයි. බොහෝ තර්ජන තිබේද?" සහ "හැකි හොඳම ප්රතික්රියාව කුමක්ද?"
සයිබර් ආරක්‍ෂාවට අදාළ ප්‍රශස්තකරණ ක්‍රම වැනි වෙනත් විශ්ලේෂණ පන්ති අපි තවම දැක නැත, නමුත් ඒවාට විශාල විභවයක් ඇත, මෙම ක්‍රම මඟින් ආරක්ෂක අවදානමකට ඇති විය හැකි සියලුම ප්‍රතික්‍රියා දෙස බලා හොඳම ප්‍රතිචාරය තීරණය කරයි ඔව්, ගණිතය සමඟ මෙය කිරීමට ක්‍රම තිබේ.
උදාහරණයක් ලෙසample, ඔබ ගැටලුවක් සමඟ ඔබේ ජංගම දුරකථන සේවා සපයන්නාට ඇමතුමක් ගන්නා විට ප්‍රශස්තිකරණ ක්‍රම භාවිතා කරනු ලැබේ ඔවුන් ඔබගේ ඇමතුම් ලොග, අතහැර දැමූ ඇමතුම් සංඛ්‍යාව, ඔබගේ ඉතිහාසය අනෙකුත් පරිශීලකයින්ගේ ඉතිහාසය සමඟ සසඳන ආකාරය, යනාදිය දෙස බලන පසුබිමේ ඇති ගණිත කට්ටලයක් මත රඳා පවතී, එවිට ඔබ වෙනත් සේවා සපයන්නෙකු වෙත මාරු විය හැකි සම්භාවිතාව පවා එය ගණනය කරයි. හැකි සියලුම මීළඟ පියවර අතරින්, එය පාරිභෝගික රඳවා තබා ගැනීම උපරිම කිරීම සඳහා හොඳම ඊළඟ පියවර ගණනය කරයි
අවදානමක් හඳුනා ගැනීමට, ප්‍රතික්‍රියා කළ හැකි ක්‍රම ගණනාවක් සැපයීමට සහ මෙම විශේෂිත අවදානම උපරිම ලෙස පාලනය කිරීම සඳහා ගණිතමය වශයෙන් හොඳම ප්‍රතිචාරය තීරණය කිරීමට ආරක්ෂක කණ්ඩායමකට එම ගණිතයම යෙදිය හැකිය.
ආරක්ෂක තර්ජනවල ශීඝ්‍ර නැගීම සහ පරිණාමය මේ ආකාරයේ ප්‍රතිචාර කාර්යක්ෂමතාවය තීරනාත්මක කරයි පෙර කවරදාටත් වඩා අද අපට වැඩි දත්ත තිබේ, ස්තුතිවන්ත වන්නට, අපට මෙම දත්ත අවබෝධ කර ගැනීමට උපකාර කිරීම සඳහා වැඩි ගණනය කිරීමේ බලයක්, වඩා හොඳ ඇල්ගොරිතමයක් සහ පර්යේෂණ සහ තාක්ෂණයන් සඳහා පුළුල් ආයෝජනයක් ද ඇත. ගණිතය හරහා සියලුම ගිණුම් අනුව, ආරක්ෂක විශ්ලේෂණ දැන් ආරම්භ වෙමින් පවතින බව අපි විශ්වාස කරමු.
වෙන කවරදාකටත් වඩා අද අපට වැඩි දත්ත තිබේ. වාසනාවකට මෙන්, අපට ගණිතය හරහා මෙම දත්ත තේරුම් ගැනීමට උපකාර කිරීම සඳහා අපට වැඩි ගණනය කිරීමේ බලයක්, වඩා හොඳ ඇල්ගොරිතමයක් සහ පර්යේෂණ සහ තාක්ෂණයන් සඳහා පුළුල් ආයෝජනයක් ද ඇත. සියලුම ගිණුම් අනුව, ආරක්ෂක විශ්ලේෂණ දැන් ආරම්භ වෙමින් පවතින බව අපි විශ්වාස කරමු.
පාරිභෝගික සහාය
අප හා සම්බන්ධ වන්න
www.opentext.com
OpenText Cybersecurity විසින් සියලුම ප්‍රමාණයේ සමාගම් සහ හවුල්කරුවන් සඳහා විස්තීර්ණ ආරක්ෂක විසඳුම් සපයයි, වැළැක්වීම, හඳුනාගැනීම සහ ප්‍රතිසාධනය, විමර්ශනය සහ අනුකූලතාව දක්වා ප්‍රතිචාර දක්වා, අපගේ ඒකාබද්ධ අන්තයේ වේදිකාව පාරිභෝගිකයින්ට පරිපූර්ණ ආරක්ෂක කළඹක් හරහා සයිබර් ඔරොත්තු දීමේ හැකියාව ගොඩනඟා ගැනීමට උපකාර කරයි. තත්‍ය කාලීන සහ සන්දර්භීය තර්ජන බුද්ධිය, OpenText Cybersecurity පාරිභෝගිකයින්ට ව්‍යාපාර අවදානම කළමනාකරණය කිරීමට උපකාර කිරීම සඳහා ඉහළ කාර්යක්ෂමතා නිෂ්පාදන, අනුකූල අත්දැකීමක් සහ සරල කළ ආරක්ෂාව වෙතින් ප්‍රතිලාභ ලබයි.
762-000016-003 | O | 01/24 | © 2024 විවෘත පෙළ
ලේඛන / සම්පත්
 |
opentext කෘතිම බුද්ධිය සහ යන්ත්‍ර ඉගෙනීම [pdf] උපදෙස් කෘතිම බුද්ධිය සහ යන්ත්‍ර ඉගෙනීම, බුද්ධිය සහ යන්ත්‍ර ඉගෙනීම, යන්ත්‍ර ඉගෙනීම |
