opentext செயற்கை நுண்ணறிவு மற்றும் இயந்திரம்

செயற்கை நுண்ணறிவு (AI) இயந்திரங்களுடன் நாம் தொடர்பு கொள்ளும் விதத்தையும் இயந்திரங்கள் நம்முடன் தொடர்பு கொள்ளும் விதத்தையும் மாற்றுகிறது. இந்த வழிகாட்டி AI எவ்வாறு செயல்படுகிறது, பல்வேறு வகையான இயந்திர கற்றலின் பலம் மற்றும் வரம்புகள் மற்றும் எப்போதும் மாறிவரும் இந்த ஆய்வுத் துறையின் பரிணாம வளர்ச்சி ஆகியவற்றை உடைக்கிறது. இன்றைய சிக்கலான இணையப் பாதுகாப்பு அச்சுறுத்தல்களில் இருந்து நிறுவனங்களை சிறப்பாகப் பாதுகாக்க, AI செயல்படுத்தப்பட்ட பாதுகாப்பு பகுப்பாய்வு அல்லது பயனர் மற்றும் நிறுவன நடத்தை பகுப்பாய்வு (UEBA) ஆகியவற்றின் பங்கையும் இது ஆராய்கிறது.

இயந்திரம் vs மனித கற்றல்

செயற்கை நுண்ணறிவு (AI) எல்லா இடங்களிலும் உள்ளது—குறைந்தபட்சம், OpenText™ இல் அப்படித்தான் தெரிகிறது, AI இன் எழுச்சி உற்சாகமாகவும் சவாலாகவும் இருக்கிறது, ஆனால் நாங்கள் எங்கள் சகாக்கள், வாடிக்கையாளர்கள் மற்றும் கூட்டாளர்களுடன் ஈடுபட்டுள்ளதால், நாங்கள் உணர்ந்து கொண்டோம் இந்த AI மற்றும் இயந்திர கற்றல் 101 வழிகாட்டியைத் தொடங்க, AI இன் கருத்து எப்போதும் எளிதில் புரிந்து கொள்ளப்படுவதில்லை, பலர் கேட்கும் முக்கிய கேள்விக்கு பதிலளிப்பதன் மூலம் AI புதிரைத் திறப்போம்: "உண்மையில் செயற்கை நுண்ணறிவு என்றால் என்ன?"

செயற்கை நுண்ணறிவைப் புரிந்துகொள்வதற்கான எளிதான வழி, நாம் ஏற்கனவே புரிந்துகொண்ட ஒன்றை வரைபடமாக்குவது-நமது சொந்த நுண்ணறிவு, செயற்கை அல்லாத, மனித நுண்ணறிவு எவ்வாறு செயல்படுகிறது? மிக அடிப்படையான மட்டத்தில், நமது நுண்ணறிவு ஒரு எளிய முன்னேற்றத்தைப் பின்பற்றுகிறது: நாங்கள் தகவலைப் பெறுகிறோம், அதைச் செயலாக்குகிறோம், இறுதியில் தகவல் செயல்பட உதவுகிறது.

இதை ஒரு கணினி வரைபடமாகப் பிரிப்போம், கீழே உள்ள படத்தில், இடமிருந்து வலமாக மனித நுண்ணறிவின் மூன்று பொதுவான படிகள்: உள்ளீடு, செயலாக்கம் மற்றும் வெளியீடு மனித மூளையில், உள்ளீடு உங்கள் கண்களால் விஷயங்களை உணரும் மற்றும் உணரும் வடிவத்தில் நடைபெறுகிறது. மூக்கு, காதுகள் போன்றவை, ஒளியின் ஃபோட்டான்கள் அல்லது பைன் மரங்களின் வாசனை போன்ற இடதுபுறத்தில் மூல உள்ளீட்டை எடுத்து, பின்னர் அதை செயலாக்க கணினியின் வலது பக்கத்தில் வெளியீடு உள்ளது இதில் பேச்சு மற்றும் செயல்கள் அடங்கும், இவை இரண்டும் எப்படி சார்ந்தது நமது மூளை பெறும் மூல உள்ளீட்டை நாங்கள் செயலாக்குகிறோம், நடுவில் செயலாக்கம் நடக்கிறது, அங்கு அறிவு அல்லது நினைவுகள் உருவாகி மீட்டெடுக்கப்படுகின்றன, முடிவுகள் மற்றும் அனுமானங்கள் மற்றும் கற்றல் நிகழ்கின்றன.

படம் 1. மனித நுண்ணறிவு

செயற்கை அல்லாத, மனித நுண்ணறிவு எவ்வாறு செயல்படுகிறது? மிக அடிப்படையான மட்டத்தில், நமது நுண்ணறிவு ஒரு எளிய முன்னேற்றத்தைப் பின்பற்றுகிறது: நாங்கள் தகவலைப் பெறுகிறோம், அதைச் செயலாக்குகிறோம், இறுதியில் தகவல் செயல்பட உதவுகிறது.

சாலை சந்திப்பில் நிற்கும் படம், உங்களுக்கு முன்னால் உள்ள போக்குவரத்து விளக்கு பச்சை நிறமாக மாறியிருப்பதை உங்கள் கண்கள் பார்க்கின்றன, அனுபவத்திலிருந்து (மற்றும் ஓட்டுநர் கல்வி) நீங்கள் கற்றுக்கொண்டவற்றின் அடிப்படையில், பச்சை விளக்கு நீங்கள் முன்னோக்கி ஓட்ட வேண்டும் என்பதைக் குறிக்கிறது என்பதை நீங்கள் அறிவீர்கள். எரிவாயு மிதிவை அடிக்கவும் பச்சை விளக்கு மூல உள்ளீடு, உங்கள் முடுக்கம் வெளியீடு; இடையில் உள்ள அனைத்தும் செயலாக்கப்படுகின்றன

நம்மைச் சுற்றியுள்ள உலகத்தை புத்திசாலித்தனமாக வழிநடத்த - தொலைபேசிக்கு பதிலளிப்பது, சாக்லேட் சிப் குக்கீகளை சுடுவது அல்லது போக்குவரத்து விளக்குகளுக்குக் கீழ்ப்படிவது - நாம் பெறும் உள்ளீட்டைச் செயல்படுத்த வேண்டும் இது மனித நுண்ணறிவு செயலாக்கத்தின் மையமாகும், மேலும் இது இறுதியில் மூன்று தனித்துவமான அம்சங்களாக பிரிக்கப்பட்டுள்ளது. :

1. அறிவு மற்றும் நினைவாற்றல். உண்மைகள் (அதாவது ஹேஸ்டிங்ஸ் போர் 1066 இல் நடந்தது) மற்றும் சமூக நெறிமுறைகள் (அதாவது, "தயவுசெய்து" மற்றும் "நன்றி" என்று கூறுவது கண்ணியமானதாகக் கருதப்படுகிறது) மேலும், நினைவாற்றல் மூலம் தகவல்களை நினைவுபடுத்தவும் பயன்படுத்தவும் உதவுகிறது. கடந்த காலத்திலிருந்து நிகழ்கால சூழ்நிலைகள் முன்னாள்ampலீ, எட்வர்ட் ஜேன் தனது பிறந்தநாள் பரிசுக்கு நன்றி சொல்லவில்லை என்பதை நினைவில் கொள்கிறார், அதனால் அவர் அவளுக்கு கிறிஸ்துமஸ் பரிசை வழங்கும்போது அவள் நன்றி சொல்வாள் என்று எதிர்பார்க்கவில்லை.
2. முடிவு மற்றும் அனுமானம். அறிவு மற்றும்/அல்லது நினைவகத்துடன் இணைந்த மூல உள்ளீட்டின் அடிப்படையில் முடிவுகள் மற்றும் அனுமானங்கள் செய்யப்படுகின்றனample, எட்வர்ட் கடந்த ஆண்டு ஒரு ஜலபெனோ மிளகு சாப்பிட்டார், அது பிடிக்கவில்லை ஜானி எட்வர்டுக்கு ஒரு மிளகு கொடுத்தபோது, ​​​​அதை சாப்பிட வேண்டாம் என்று முடிவு செய்கிறார்
3. கற்றல். முன்னாள் மூலம் மனிதர்கள் கற்றுக்கொள்ளலாம்ample, observation, or algorithm In learning by exampலெ, ஒரு விலங்கு நாய், மற்றொன்று பூனை என்று நமக்குச் சொல்லப்படுகிறது, அவதானிப்பதன் மூலம் கற்றுக்கொள்வதில், நாய்கள் குரைப்பதையும் பூனைகள் மியாவ் என்பதையும் நாமே கண்டுபிடிப்போம் மூன்றாவது கற்றல் முறை - அல்காரிதம் - பின்தொடர்ந்து ஒரு பணியை முடிக்க உதவுகிறது. ஒரு தொடர் படிகள் அல்லது ஒரு குறிப்பிட்ட வழிமுறை (எ.கா., நீண்ட பிரிவைச் செய்தல்)

மனித நுண்ணறிவின் இந்த அம்சங்கள் இணையான செயற்கை நுண்ணறிவு, நாம் தகவல்களை எடுத்து, செயலாக்கம் மற்றும் வெளியீட்டைப் பகிர்வது போலவே, இயந்திரங்களும் இது எவ்வாறு வரைபடமாக்குகிறது என்பதைப் பார்க்க கீழே உள்ள படத்தைப் பார்க்கலாம்.

படம் 2. செயற்கை நுண்ணறிவு

நம்மைச் சுற்றியுள்ள உலகத்தை புத்திசாலித்தனமாக வழிநடத்த - தொலைபேசியில் பதிலளிப்பது, சாக்லேட் சிப் குக்கீகளை சுடுவது அல்லது போக்குவரத்து விளக்குகளுக்குக் கீழ்ப்படிவது - நாம் பெறும் உள்ளீட்டைச் செயல்படுத்த வேண்டும்.

இயந்திரங்களில், செயற்கை நுண்ணறிவின் உள்ளீடு பகுதி இயற்கையான மொழி செயலாக்கம், பேச்சு அங்கீகாரம், காட்சி அங்கீகாரம் மற்றும் பலவற்றின் மூலம் எடுத்துக்காட்டுகிறது, மேலும் இதுபோன்ற தொழில்நுட்பங்கள் மற்றும் வழிமுறைகள், சாலைகள் மற்றும் தடைகளை உணர வேண்டிய சுய-ஓட்டுநர் கார்கள் முதல் அலெக்சா அல்லது சிரி வரை எல்லா இடங்களிலும் நீங்கள் பார்க்கிறீர்கள். அது உங்கள் பேச்சை அங்கீகரிக்கும் போது, ​​பின்வரும் வெளியீடுகள், இயந்திரங்கள் நம்மைச் சுற்றியுள்ள உலகத்துடன் தொடர்பு கொள்ளும் வழிகளாகும் இடையில், எங்களிடம் பல்வேறு வகையான செயலாக்கங்கள் நடைபெறுகின்றன

நமது அறிவு மற்றும் நினைவுகளின் திரட்சியைப் போலவே, இயந்திரங்களும் உலகத்தைப் பற்றிய தகவல்களைச் சேமிக்க உதவும் அறிவுப் பிரதிநிதித்துவங்களை (எ.கா., வரைபட தரவுத்தளங்கள், ஆன்டாலஜிகள்) உருவாக்க முடியும், மனிதர்கள் முடிவெடுப்பது அல்லது அனுமானங்களை எடுப்பது போல, இயந்திரங்கள் ஒரு கணிப்பு செய்யலாம், இலக்கை மேம்படுத்தலாம் அல்லது விளைவு, மற்றும் ஒரு குறிப்பிட்ட இலக்கை அடைய சிறந்த அடுத்த படிகள் அல்லது முடிவுகளை தீர்மானிக்கவும்

இறுதியாக, நாம் முன்னாள் மூலம் கற்றுக்கொள்வது போலample, observation, அல்லது algorithm, இயந்திரங்களை ஒத்த முறைகளைப் பயன்படுத்தி கற்பிக்க முடியும் மேற்பார்வையிடப்பட்ட இயந்திர கற்றல் என்பது முன்னாள் கற்றல் போன்றது.ample: கணினிக்கு பதில்களாகச் செயல்படும் தரவுத் தொகுப்பிற்குள் “லேபிள்கள்” கொண்ட தரவுத்தொகுப்பு வழங்கப்படுகிறது, மேலும் இறுதியில் வெவ்வேறு லேபிள்களுக்கு இடையே உள்ள வித்தியாசத்தைக் கூறக் கற்றுக்கொள்கிறது (எ.கா. இந்த தரவுத்தொகுப்பில் “நாய்” அல்லது “பூனை” என லேபிளிடப்பட்ட புகைப்படங்கள் உள்ளன, மேலும் போதுமான முன்னாள் உடன்ampலெஸ், நாய்கள் பொதுவாக பூனைகளை விட நீண்ட வால்கள் மற்றும் குறைவான கூர்மையான காதுகளைக் கொண்டிருப்பதை கணினி கவனிக்கும்)

மேற்பார்வை செய்யப்படாத இயந்திரக் கற்றல், மறுபுறம், கவனிப்பு மூலம் கற்றல் போன்றது, கணினி வடிவங்களை (நாய்கள் குரைக்கும் மற்றும் பூனைகள் மியாவ்) அவதானித்து, அதன் மூலம், குழுக்களையும் வடிவங்களையும் தனித்தனியாக வேறுபடுத்த கற்றுக்கொள்கிறது (எ.கா., விலங்குகளில் இரண்டு குழுக்கள் உள்ளன. ஒரு குழு குரைக்கும் சத்தத்தால் பிரிக்கப்படும் - நாய்கள் - மற்றும் மற்ற குழு மியாவ் - பூனைகள்) மேற்பார்வை செய்யப்படாத கற்றலுக்கு லேபிள்கள் தேவையில்லை, எனவே தரவுத் தொகுப்புகள் குறைவாகவும் லேபிள்கள் இல்லாதபோதும் விரும்பத்தக்கதாக இருக்கும். ஒரு மென்பொருள் நிரலில் படிப்படியாக என்ன செய்ய வேண்டும் என்பதை ஒரு ப்ரோக்ராமர் கணினிக்கு அறிவுறுத்தும்போது என்ன நடக்கும்.

மிகத் துல்லியமான மற்றும் குறைபாடுள்ள செயற்கை நுண்ணறிவு முடிவுகளுக்குக் கற்றல் முறைகளின் கலவை தேவைப்படுகிறது, கண்காணிக்கப்படும் மற்றும் மேற்பார்வை செய்யப்படாத இயந்திரக் கற்றல் இரண்டும் பயனுள்ள முறைகளாகும்— இது சரியான அணுகுமுறை அல்லது அணுகுமுறைகளைப் பயன்படுத்துவதைப் பற்றியது.

அடுத்து, நுண்ணோக்கியின் கீழ் இயந்திர கற்றலை வைப்போம், AI இன் இந்த பகுதி எவ்வாறு உள்ளீட்டை உகந்த வெளியீட்டிற்கு மாற்ற நமது மூளையில் உள்ள நியூரான்களை பிரதிபலிக்கிறது.

வெறுமனே, மிகவும் துல்லியமான மற்றும் திறமையான செயற்கை நுண்ணறிவு முடிவுகளுக்கு கற்றல் முறைகளின் கலவை தேவைப்படுகிறது. மேற்பார்வையிடப்பட்ட மற்றும் மேற்பார்வை செய்யப்படாத இயந்திரக் கற்றல் இரண்டும் பயனுள்ள முறைகள் ஆகும் - இவை அனைத்தும் சரியான அணுகுமுறை அல்லது சரியான பயன்பாட்டு விஷயத்தில் அணுகுமுறைகளைப் பயன்படுத்துவதாகும்.

நியூரல் நெட்வொர்க் மற்றும் ஆழமான கற்றல்

மெஷின் லேர்னிங் என்பது AI இன் ஒரு பகுதி மட்டுமே, இருப்பினும் அதற்குள் ஒரு பெரிய அல்காரிதம்கள் உள்ளன, இன்று நீங்கள் அடிக்கடி கேட்கும் ஒரு முறை "ஆழ்ந்த கற்றல்" ஆகும், இது சமீபத்திய ஆண்டுகளில் செய்திகளில் கவனத்தை ஈர்க்கும் ஒரு வழிமுறையாகும். அதன் புகழ் மற்றும் வெற்றி, இது எவ்வாறு செயல்படுகிறது என்பதைப் புரிந்துகொள்வது உதவியாக இருக்கும் ஆழ்ந்த கற்றல் என்பது 1980 களில் பிரபலமாக இருந்த இயந்திர கற்றல் வழிமுறையின் பரிணாம வளர்ச்சியாகும்: நரம்பியல் நெட்வொர்க்குகள்.

நரம்பியல் நெட்வொர்க்குகள்-ஒரு நிரலாக்க முன்னுதாரணம், இதில் நாம் இயந்திரங்களை "கற்றுக்கொள்வதற்கு" பயிற்சியளிக்கிறோம் - நியூரான்கள் அல்லது நமது நரம்பு மண்டலத்தின் அடித்தளத்தை உருவாக்கும் மனித உடலில் உள்ள சிறப்பு செல்கள், குறிப்பாக இந்த செல்கள் நமது உடல்கள் முழுவதும் சமிக்ஞைகளை கடத்துகின்றன. கணினி மறுமொழிகள் மற்றும் செயல்முறைகள் நியூரான்கள் பார்க்க, கேட்க, வாசனை போன்றவற்றை நமக்கு உதவுகின்றன.

படம் 3. நியூரான்கள் எவ்வாறு செய்திகளைப் பெறுகின்றன மற்றும் அனுப்புகின்றன

மனித கற்றல் என்று நாம் நினைப்பதில் பெரும்பாலானவை நமது மூளையில் உள்ள இரண்டு நியூரான்களுக்கு இடையேயான தொடர்பு எவ்வளவு வலிமையானது என்பதையும், நமது ஒத்திசைவுகளின் விளிம்பின் வலிமையையும் கொண்டு விவரிக்க முடியும்.

இந்த வழிகாட்டியின் ஒரு பகுதியில், மனித நுண்ணறிவின் அடிப்படை செயல்முறையை நாங்கள் விவாதித்தோம்: இடதுபுறத்தில் உள்ளீடு மற்றும் வலதுபுறத்தில் வெளியீடு நியூரான் (மேலே உள்ள படம்) இதில் முக்கிய பங்கு வகிக்கிறது நியூரானின் இடது பக்கத்தில், செல் உடல் சேகரிக்கிறது "உள்ளீடு" போதுமான உள்ளீடு அல்லது தூண்டுதலைப் பெற்றவுடன், ஆக்சன் ஃப்ரெஸ், தகவலை வலது பக்கத்திற்கு அனுப்புகிறது - சினாப்ஸ் "வெளியீடு" பின்னர் மற்ற நியூரான்களுக்கு அனுப்பப்படுகிறது.

எந்த நேரத்திலும், நமது நியூரான்கள் ஒன்றோடொன்று செய்திகளை அனுப்புகின்றன, இந்த செல்கள் நமது சுற்றுப்புறங்களை உணரும் திறனுக்கு பொறுப்பாகும், மேலும் நாம் கற்றுக் கொள்ளும்போது, ​​​​நம் நியூரான்கள் மிகவும் சுறுசுறுப்பாக மாறும், உண்மையில், மனித கற்றல் என்று நாம் நினைக்கும் பெரும்பாலானவற்றை விவரிக்கலாம். நமது மூளையில் உள்ள இரண்டு நியூரான்களுக்கிடையேயான தொடர்பு, நமது ஒத்திசைவுகளின் விளிம்பின் வலிமையுடன் எவ்வளவு வலுவானது

நியூரல் நெட்வொர்க் என்பது நியூரான் செல்களின் தொகுப்பின் கணித உருவகப்படுத்துதல் ஆகும்

ஒவ்வொரு வட்ட முனையும் ஒரு செயற்கை, உயிரியல் ரீதியாக ஈர்க்கப்பட்ட "நியூரானை" பிரதிபலிக்கிறது , பிக்சல் தரவு போன்ற உள்ளீடு, உள்ளீட்டு அடுக்கிலிருந்து, நடுத்தர "மறைக்கப்பட்ட" அடுக்குகள் வழியாகவும், இறுதியில் உண்மையான உயிரியல் நியூரான்களில் உள்ள மின் செயல்பாட்டின் மூலம் தளர்வாக ஈர்க்கப்பட்ட கணித சமன்பாடுகளால் விவரிக்கப்பட்ட முறையில் வெளியீட்டு அடுக்குக்கு பாய்கிறது.

படம் 4. எளிய நரம்பியல் நெட்வொர்க்

நரம்பியல் நெட்வொர்க்குகள் உள்ளீட்டு அடுக்கில் வழங்கப்பட்ட தரவுத் தொகுப்புகளை வெளியீட்டு அடுக்கில் விரும்பிய விளைவுகளுடன் பொருத்த முயற்சிப்பதன் மூலம் கற்றுக்கொள்கின்றன. கணிதச் சமன்பாடுகள் வெளியீடுகளைக் கணக்கிடுகின்றன, உருவகப்படுத்தப்பட்ட வெளியீட்டை விரும்பிய முடிவுடன் ஒப்பிடுகின்றன, அதன் விளைவாக ஏற்படும் வேறுபாடுகள் இணைப்புகளின் வலிமைக்கு மாற்றங்களை உருவாக்குகின்றன.

நரம்பியல் நெட்வொர்க்குகள் உள்ளீட்டு அடுக்கில் உள்ள தரவுத் தொகுப்புகளை வெளியீட்டு அடுக்கில் தேவையான விளைவுகளுடன் பொருத்த முயற்சிப்பதன் மூலம் கற்றுக்கொள்கின்றன, கணிதச் சமன்பாடுகள் வெளியீடுகளைக் கணக்கிடுகின்றன, உருவகப்படுத்தப்பட்ட வெளியீட்டை விரும்பிய விளைவுடன் ஒப்பிடுகின்றன, அதன் விளைவாக ஏற்படும் வேறுபாடுகள் இணைப்புகளின் வலிமைக்கு மாற்றங்களை உருவாக்குகின்றன. கணக்கிடப்பட்ட வெளியீடு விரும்பிய விளைவுக்கு நெருக்கமாக இருக்கும் வரை இந்த மாற்றங்கள் மீண்டும் மீண்டும் மாற்றியமைக்கப்படுகின்றன, அந்த நேரத்தில் நரம்பியல் நெட்வொர்க் "கற்றுக்கொண்டது" என்று கூறுகிறோம்.

படம் 5. சிக்கலான நரம்பியல் நெட்வொர்க்

இந்த "ஆழமான" நரம்பியல் நெட்வொர்க்குகள் மிகவும் சிக்கலான கணிப்புகளைச் செய்ய முடியும், ஆயிரக்கணக்கான கணுக்கள் மற்றும் நூற்றுக்கணக்கான அடுக்குகள் இருக்கலாம், அதாவது ஆயிரக்கணக்கான வெவ்வேறு கணக்கீடுகள் ஆழமான கற்றல் மாதிரிகள் பேச்சு அல்லது பட அங்கீகாரம் போன்ற குறிப்பிட்ட சிக்கல்களில் மிகவும் சிறப்பாக உள்ளன.

எவ்வாறாயினும், ஆழ்ந்த கற்றல் என்பது இயந்திரக் கற்றலுக்கான வெள்ளி புல்லட் அல்ல என்பது கவனிக்கத்தக்கது- குறிப்பாக இணைய பாதுகாப்பில் இல்லை, சில நேரங்களில் ஆழமான கற்றல் முறைகளுக்கு ஏற்ற சுத்தமான தரவுகளின் பெரிய அளவு இல்லை, சரியான வழிமுறையைத் தேர்ந்தெடுப்பது முக்கியம். தரவு மற்றும் வேலைக்கான கொள்கைகள், இயந்திரங்கள் ஆதாரங்களைச் சேகரிக்கவும், புள்ளிகளை இணைக்கவும் மற்றும் ஒரு முடிவுக்கு வரவும் இதுவே சிறந்த வழியாகும்.

நரம்பியல் வலையமைப்புகள் எதிர்காலத்தின் விஷயமாகத் தோன்றலாம், ஆனால் அது சிறிது காலமாகவே உள்ளது, உண்மையில், நரம்பியல் நெட்வொர்க்குகள் 1940 களில் மீண்டும் பரவத் தொடங்கிய யோசனைகளை அடிப்படையாகக் கொண்டவை, அடுத்த பகுதியில், புரிந்து கொள்ள ஒரு சிறிய பயணத்தை மேற்கொள்வோம். நரம்பியல் நெட்வொர்க்குகள் மற்றும் இயந்திர கற்றல் நவீன வாழ்க்கையின் பல பகுதிகளை எவ்வாறு ஊடுருவி வருகின்றன.

நரம்பியல் நெட்வொர்க்குகள் எதிர்காலத்தின் விஷயமாகத் தோன்றலாம், ஆனால் அது சிறிது காலமாக உள்ளது. உண்மையில், நரம்பியல் நெட்வொர்க்குகள் 1940 களில் மீண்டும் பரவத் தொடங்கிய யோசனைகளை அடிப்படையாகக் கொண்டவை.

செயற்கை நுண்ணறிவின் சுருக்கமான வரலாறு

சிலருக்கு, செயற்கை நுண்ணறிவு (AI) என்ற சொல், பறக்கும் கார்கள் மற்றும் வீட்டு ரோபோக்கள் கொண்ட எதிர்கால நகரங்களின் படங்களைத் தூண்டலாம், ஆனால் AI என்பது எதிர்காலம் சார்ந்த கருத்து அல்ல, குறைந்தபட்சம் இனி அவ்வாறு குறிப்பிடப்படாவிட்டாலும், செயற்கை நுண்ணறிவு என்ற யோசனை இருக்கலாம். பழங்காலத்திலிருந்தே கண்டுபிடிக்கப்பட்டது (அதாவது கிரேக்கக் கடவுள் ஹெபஸ்டஸின் பேசும் இயந்திரக் கைம்பெண்கள்) ¹ 1930களில் இருந்து, விஞ்ஞானிகளும் கணிதவியலாளர்களும் மனிதர்களிடமிருந்து தனித்தனியாக உண்மையான நுண்ணறிவை உருவாக்க ஆராய்வதில் ஆர்வமாக உள்ளனர்.

20 ஆம் நூற்றாண்டின் நடுப்பகுதியில் AI இன் வரையறுக்கப்பட்ட தருணம் கணிதம் மற்றும் உயிரியலின் மகிழ்ச்சியான சங்கமமாகும், நோர்பர்ட் வீனர், கிளாட் ஷானன் மற்றும் ஆலன் டூரிங் போன்ற ஆராய்ச்சியாளர்கள் 1943 ஆம் ஆண்டளவில் மின் சமிக்ஞைகள் மற்றும் கணக்கீட்டின் குறுக்குவெட்டுகளில் இருந்து விலகிவிட்டனர், வாரன் மெக்கல்லோச் மற்றும் வால்டர் பிட்ஸ் நரம்பியல் நெட்வொர்க்குகளுக்கு ஒரு மாதிரியை உருவாக்கியது நரம்பியல் நெட்வொர்க்குகள் அதிக குதிரைத்திறன் கொண்ட கம்ப்யூட்டிங்கின் துணிச்சலான புதிய உலகத்திற்கு வழி வகுத்தன, மேலும் 1956 இல், AI ஆராய்ச்சித் துறை அதிகாரப்பூர்வமாக ஒரு கல்வித் துறையாக நிறுவப்பட்டது.

நூற்றாண்டின் பிற்பகுதி AI ஆராய்ச்சி மற்றும் முன்னேற்றத்திற்கான ஒரு உற்சாகமான வயது, 70 களின் நடுப்பகுதி மற்றும் 80 களின் பிற்பகுதியில் "AI குளிர்காலம்" மூலம் இடையிடையே குறுக்கிடப்பட்டது, அங்கு AI மக்களின் எதிர்பார்ப்புகளை பூர்த்தி செய்யத் தவறியது, மேலும் ஃபெல்டில் முதலீடு குறைக்கப்பட்டது, ஆனால் பின்னடைவுகள் இருந்தபோதிலும், AI மற்றும் இயந்திரக் கற்றலுக்கான வெவ்வேறு பயன்பாடுகள் இடது மற்றும் வலதுபுறமாகத் தோன்றுகின்றன, அத்தகைய பயன்பாட்டின் ஒரு குறிப்பிட்ட நிகழ்வு விஞ்ஞான சமூகத்தில் பிரபலமான உவமையாக மாறியுள்ளது, AI ஆராய்ச்சி மற்றும் செயல்படுத்தலின் சோதனைகள் மற்றும் இன்னல்களுக்கு மிகவும் திறம்பட பேசுகிறது.

கதை இப்படித்தான் செல்கிறது:

1980களில், பேனாtagஉருமறைப்பு தொட்டிகளை அடையாளம் காண நரம்பியல் வலையமைப்பைப் பயன்படுத்த முடிவு செய்தது (1980 களில் இருந்து, நினைவில் கொள்ளுங்கள்), நரம்பியல் வலை 200 படங்களுடன் பயிற்சி பெற்றது - 100 தொட்டிகள் மற்றும் 100 மரங்கள் ஒப்பீட்டளவில் சிறிய நரம்பியல் நெட்வொர்க் இருந்தபோதிலும் (1980 களின் காரணமாக. கணக்கீடு மற்றும் நினைவாற்றல் மீதான வரம்புகள்), ஆய்வகப் பயிற்சி 100% துல்லியத்தை விளைவித்தது, அத்தகைய வெற்றியின் மூலம், குழு அதைத் தேர்வுசெய்ய முடிவு செய்தது.

படம் 6. ஆய்வகம் மற்றும் களப் படங்கள் (ஆதாரம்: நியூரல் நெட்வொர்க் ஃபோலிஸ், நீல் ஃப்ரேசர், செப்டம்பர் 1998)

1980 களில் கனவில் காணப்படாத பரந்த கணினி வளங்கள் கிடைப்பதால், ஆழமான நரம்பியல் நெட்வொர்க்குகள் விரைவில் ஆராய்ச்சிக்கான ஒரு பிரபலமான பகுதியாக மாறிவிட்டன. ஆழமான கற்றல் ஒரு அமைப்புக்கு பில்லியன் கணக்கான சேர்க்கைகள் மற்றும் அவதானிப்புகள் மூலம் தானாகவே "கற்றுக்கொள்வதற்கான" திறனை வழங்குகிறது, இது மனித வளங்களைச் சார்ந்திருப்பதைக் குறைக்கிறது.

ஆய்வகத்தில் உள்ள புகைப்படங்களில் நரம்பியல் வலையமைப்பு ஏன் மிகவும் அற்புதமாகச் செய்தது, ஆனால் ஃபெல்டில் முற்றிலும் தோல்வியடைந்தது? தொட்டி அல்லாத புகைப்படங்கள் அனைத்தும் வானம் மேகமூட்டமாக இருந்த நாட்களில் எடுக்கப்பட்டவை என்பது தெரிய வந்தது; அனைத்து மரங்களின் படங்களும் சூரியன் பிரகாசிக்கும் நாட்களில் எடுக்கப்பட்டது, நரம்பு வலையானது சூரிய ஒளியை அடையாளம் காண பயிற்சியளிக்கப்பட்டது, தொட்டிகள் அல்ல

இறுதியில், ஆழமான கற்றல் மூலம் காட்சி அங்கீகாரம்-பேனாவை விட மிகவும் சிக்கலான நரம்பியல் நெட்வொர்க்குகளால் எளிதாக்கப்பட்டது.tagஆன் 1980களின் மெயின்பிரேம் கையாளக்கூடியதாக இருந்திருக்கும்—2012 இல், ஸ்டான்போர்ட் பேராசிரியர் ஆண்ட்ரூ என்ஜி மற்றும் கூகுள் சக ஜெஃப் டீன் ஆகியோர் 1000 கோர்கள் கொண்ட 16 கணினிகளைப் பயன்படுத்தி முதல் ஆழமான நியூரல் நெட்வொர்க்குகளில் ஒன்றை உருவாக்கினர்: 10 மில்லியன் யூடியூப் வீடியோக்களை பகுப்பாய்வு செய்யுங்கள். : இது பூனைகளைக் கண்டறிந்தது ² அதன் “ஆழமான கற்றல்” வழிமுறைக்கு நன்றி, நெட்வொர்க்கால் காலப்போக்கில் பூனைகளை அடையாளம் காண முடிந்தது, மேலும் மிகச் சிறந்த துல்லியத்துடன்

1980 களில் கனவில் காணப்படாத பரந்த கணினி வளங்கள் கிடைத்ததால், ஆழமான நரம்பியல் நெட்வொர்க்குகள் விரைவில் ஆராய்ச்சிக்கான பிரபலமான பகுதியாக மாறிவிட்டன, ஆழமான கற்றல் ஒரு அமைப்புக்கு பில்லியன் கணக்கான சேர்க்கைகள் மற்றும் அவதானிப்புகள் மூலம் தானாக "கற்றுக்கொள்வதற்கான" திறனை அளிக்கிறது, இது சார்ந்திருப்பதைக் குறைக்கிறது. மனித வளங்கள் சைபர் செக்யூரிட்டி டொமைனுக்குள், மால்வேரைக் கண்டறிவதில் இந்த முறை மிகவும் நம்பிக்கைக்குரியதாக மாறியுள்ளது.ampநெட்வொர்க் கற்றுக்கொள்ளக்கூடிய தீம்பொருளின் les

துரதிர்ஷ்டவசமாக, உள் அச்சுறுத்தல் போன்ற சில பயன்பாட்டு நிகழ்வுகளுக்கு வரும்போது ஆழ்ந்த கற்றல் முறைகள் தற்போது குறைவான செயல்திறன் கொண்டவை, ஏனெனில் இதுபோன்ற தாக்குதல்கள் குறித்த சரியான தரவுகள் எங்களிடம் இல்லை, தேவையான அளவுகளில் பெரும்பாலும் எங்களிடம் உள்ள தகவல்கள் இந்த வகையான நரம்பியல் நெட்வொர்க்குகளால் திறமையாகப் பயன்படுத்த முடியாத உள் அச்சுறுத்தல்கள் ஒரு நிகழ்வு.

நாம் மிகவும் பயனுள்ள தரவுத்தொகுப்புகளைச் சேகரிக்கும் வரை (மேலும் ஆழமான கற்றல் அமைப்புகளின் விலை மற்றும் சிக்கலைக் குறைக்கும் வரை), ஆழ்ந்த கற்றல் என்பது அனைத்து பயன்பாட்டு நிகழ்வுகளுக்கும் சரியான தேர்வாக இருக்காது மேலும் பரவாயில்லை ஆழ்ந்த கற்றல் என்பது பல இயந்திர கற்றல் வழிமுறைகளில் ஒன்றாகும், மேலும் இந்த அணுகுமுறைகள் இருக்கலாம். அதிக மதிப்பு இல்லாதது போல் - இது அனைத்தும் கையில் இருக்கும் வேலையைப் பொறுத்தது

உத்தியோகபூர்வ "பிறப்பு" முதல் ஆறு தசாப்தங்களில் AI தொழில்நுட்பங்களின் அபரிமிதமான திறனை நாங்கள் கண்டுள்ளோம், மேலும் நாங்கள் மேற்பரப்பை மட்டுமே கீறிவிட்டோம், குறிப்பாக பாதுகாப்பில் அடுத்து, AI மற்றும் பகுப்பாய்வுகளை மாற்றுவதற்கான சாத்தியமான பயன்பாடுகளில் ஆழமாக மூழ்குவோம். பாதுகாப்பு அச்சுறுத்தல்களை நாங்கள் அடையாளம் கண்டு பதிலளிக்கும் வழி.

முன்கணிப்பு பகுப்பாய்வு என்பது மிகப் பெரிய புதிரின் ஒரு பகுதியாகும், இது பாதுகாப்புக் குழுக்களுக்கு மிகவும் பயனுள்ள நுண்ணறிவைத் தருகிறது.

உத்தியோகபூர்வ "பிறந்ததிலிருந்து" ஆறு தசாப்தங்களில் AI தொழில்நுட்பங்களின் மகத்தான திறனை நாங்கள் கண்டிருக்கிறோம், மேலும் நாங்கள் மேற்பரப்பை மட்டுமே கீறினோம், குறிப்பாக பாதுகாப்பில்.

பாதுகாப்பு பகுப்பாய்வுக்கான புதிய பார்வை

இதுவரை, இந்த வழிகாட்டி இயந்திரக் கற்றலை உன்னிப்பாகக் கவனித்து, அதன் வரம்புகள் மற்றும் பலங்களைப் புரிந்துகொண்டு, AI-ஐ எளிதாக்குவதற்கு இயந்திரக் கற்றலுக்கு மகத்தான சாத்தியக்கூறுகள் உள்ளன, ஆனால் அச்சுறுத்தல் கண்டறிதல் என்ற பரந்த விளையாட்டு ஆழமான கற்றல் அல்லது இயந்திர கற்றல் மட்டுமல்ல என்பது குறிப்பிடத்தக்கது. இன்று நமக்குத் தெரிந்தபடி, புதிய தரவு வகைகளுடன் இணைந்த புதிய பகுப்பாய்வு முறைகள் பாதுகாப்பு அச்சுறுத்தல்களைப் பகுப்பாய்வு செய்து செயல்படுவதற்கான முற்றிலும் புதிய கட்டமைப்பை நமக்கு அளிக்கும்.

புதிய முறைகள்	நிச்சயமற்ற தன்மையின் கீழ் அடாப்டிவ் அனாலிசிஸ் தொடர்ச்சியான பகுப்பாய்வு உகப்பாக்கம்	சூழலுக்குப் பதிலளித்தல் உள்ளூர் மாற்றம்/கருத்துகளுக்குப் பதிலளித்தல் அபாயத்தைக் கணக்கிடுதல் அல்லது குறைத்தல்
பாரம்பரியமானது	உகப்பாக்கம் முன்கணிப்பு மாடலிங் சிமுலேஷன் முன்கணிப்பு எச்சரிக்கைகள் வினவல்/டிரில் டவுன் தற்காலிக அறிக்கையிடல் நிலையான அறிக்கை	முடிவின் சிக்கலான தன்மை, தீர்வு வேகம் சாதாரண, நிகழ்தகவு, நம்பிக்கை நிலைகள் அதிக நம்பகத்தன்மை, விளையாட்டுகள், தரவு வளர்ப்பு பெரிய தரவுத் தொகுப்புகள், நேரியல் அல்லாத பின்னடைவு விதிகள்/தூண்டுதல்கள், சூழல் உணர்திறன், சிக்கலான நிகழ்வுகள் நினைவக தரவு, தெளிவற்ற தேடல், புவி இடஞ்சார்ந்த வினவல்ample, பயனர் அறிக்கைகள் நிகழ்நேரம், காட்சிப்படுத்தல்கள், பயனர் தொடர்பு
புதிய தரவு	நிறுவன தீர்மானம் உறவு, அம்சம் பிரித்தெடுத்தல் சிறுகுறிப்பு மற்றும் டோக்கனைசேஷன்	நபர்கள், பாத்திரங்கள், இருப்பிடங்கள், விஷயங்கள் விதிகள், சொற்பொருள் அனுமானம், பொருந்தக்கூடிய தானியங்கு, கூட்டத்தின் மூலம்

மற்ற தொழில்களுக்கு பகுப்பாய்வு என்ன செய்ய முடியும் என்பதை நாங்கள் பார்த்தோம், மேலும் சைபர் பாதுகாப்பில் பகுப்பாய்வுகள் ஆழமான தாக்கத்தை ஏற்படுத்துவதற்கான சாத்தியக்கூறுகள் உள்ளன, மேலும் இது ஒரு புதிய துறையில் வடிவம் பெறுவதை நாங்கள் காண்கிறோம், இது பாதுகாப்பு பகுப்பாய்வு என்று நாங்கள் குறிப்பிடுகிறோம், இது அடிப்படையில் போரில் சோதிக்கப்படுகிறது. நாங்கள் விவாதித்த (மேலும் பல) வழிமுறைகள் மற்றும் வழிமுறைகள் மற்றும் அவற்றைப் பயன்படுத்துவது பாதுகாப்பில் உள்ள கடினமான சிக்கல்களைத் தீர்க்க உதவும்

இன்று பாதுகாப்பில் நாம் காணும் மிகவும் பொதுவான பகுப்பாய்வு, முன்கணிப்பு மாதிரிகளை உள்ளடக்கியது, இது பெரிய அளவிலான தரவுகளுக்குள் எங்கெல்லாம் ஆபத்துகள் இருக்கக்கூடும் என்பதை அடையாளம் காண அனுமதிக்கிறது (இதுதான் ஒழுங்கின்மை கண்டறிதல் அடிகள்) சுருக்கமாக, முன்கணிப்பு மாடலிங் வரலாற்றுத் தரவை நிகழ்நேர நடத்தையுடன் இணைக்கிறது. எதிர்கால நடத்தையைப் புரிந்துகொள்ள அல்லது கணிக்க இதனுடன், “அடுத்து என்ன நடக்கும்?” என்ற கேள்விக்கு நாம் பதிலளிக்கலாம்.

ஆனால் பாதுகாப்பு பகுப்பாய்வுக்கான எங்கள் பார்வை இங்கு நின்றுவிடாது, முன்கணிப்பு பகுப்பாய்வு என்பது மிகப் பெரிய புதிரின் ஒரு பகுதி மட்டுமே, இது பாதுகாப்புக் குழுக்களுக்கு மிகவும் பயனுள்ள நுண்ணறிவைத் தரக்கூடியது, சிறந்த பகுப்பாய்வு முன்னுதாரணம் அறிவார்ந்த சென்சார் மற்றும் எங்கும் நிறைந்த தரவு ஆதாரங்கள்-டெஸ்க்டாப்கள் மற்றும் சேவையகங்கள், மொபைல். , கிளவுட், சமூக வலைப்பின்னல்கள், திறந்த தரவு, முதலியன - தடயவியல் பகுப்பாய்வு, இடர் மாதிரியாக்கம், ஒழுங்கின்மை கண்டறிதல், நடத்தை மற்றும் பதில் தேர்வுமுறை மற்றும் பலவற்றை உள்ளடக்கிய நடத்தை மற்றும் அச்சுறுத்தல் பகுப்பாய்வுக்கான பல மேம்பட்ட பகுப்பாய்வு அணுகுமுறைகளுடன்

இதன் அர்த்தம், அச்சுறுத்தலைக் கணிப்பது அல்லது அடையாளம் காண்பதை விட அதிகமாகச் செய்ய முடியும் என்பது, இது மேம்பட்ட கண்டறிதலை வழங்குவதோடு மட்டுமல்லாமல், மிகவும் திறம்பட எவ்வாறு பதிலளிப்பது என்பது பற்றிய நுண்ணறிவை வழங்குவதற்கும் இது நம்மை மேலும் மேலும் செல்ல அனுமதிக்கிறது. பல அச்சுறுத்தல்கள் உள்ளனவா?" மற்றும் "சிறந்த எதிர்வினை என்ன?"

இணையப் பாதுகாப்பிற்குப் பயன்படுத்தப்படும் தேர்வுமுறை முறைகள் போன்ற பிற வகை பகுப்பாய்வுகளை நாங்கள் இதுவரை பார்க்கவில்லை, ஆனால் அவை அபரிமிதமான ஆற்றலைக் கொண்டுள்ளன, இந்த நுட்பங்கள் பாதுகாப்பு அபாயத்திற்கான சாத்தியமான அனைத்து எதிர்வினைகளையும் பார்த்து சிறந்த பதிலைத் தீர்மானிக்கின்றன ஆம், கணிதத்தில் இதைச் செய்வதற்கான வழிகள் உள்ளன.

உதாரணமாகample, ஒரு சிக்கலுடன் உங்கள் செல்போன் சேவை வழங்குநருக்கு நீங்கள் அழைப்பை மேற்கொள்ளும் போது தேர்வுமுறை முறைகள் பயன்படுத்தப்படுகின்றன உங்கள் அழைப்புப் பதிவுகள், கைவிடப்பட்ட அழைப்புகளின் எண்ணிக்கை, உங்கள் வரலாறு மற்ற பயனர்களுடன் ஒப்பிடும் விதம் போன்றவற்றைப் பார்க்கும் பின்னணியில் உள்ள கணிதத்தின் தொகுப்பை அவர்கள் நம்பியிருக்கிறார்கள். சாத்தியமான அனைத்து அடுத்த படிகளிலும், வாடிக்கையாளர் தக்கவைப்பை அதிகரிக்க சிறந்த அடுத்த படியை இது கணக்கிடுகிறது

அதே கணிதம் ஒரு அபாயத்தைக் கண்டறியவும், எதிர்வினையாற்றுவதற்கான பல வழிகளை வழங்கவும், இந்த குறிப்பிட்ட ஆபத்தை அதிகப்படுத்துவதற்கு கணித ரீதியாக சிறந்த பதிலைத் தீர்மானிக்கவும் பாதுகாப்புக் குழுவிற்குப் பயன்படுத்தப்படலாம்.

பாதுகாப்பு அச்சுறுத்தல்களின் விரைவான எழுச்சி மற்றும் பரிணாம வளர்ச்சியானது, இந்த வகையான பதில் செயல்திறனை முக்கியமானதாக ஆக்குகிறது. கணிதம் மூலம் அனைத்து கணக்குகளின்படி, பாதுகாப்பு பகுப்பாய்வு இப்போதுதான் தொடங்கும் என்று நாங்கள் நம்புகிறோம்.

முன்பை விட இன்று எங்களிடம் அதிக தரவு உள்ளது. அதிர்ஷ்டவசமாக, எங்களிடம் அதிக கம்ப்யூட் பவர், சிறந்த அல்காரிதம்கள் மற்றும் ஆராய்ச்சி மற்றும் தொழில்நுட்பங்களில் பரந்த முதலீடு உள்ளது, இது கணிதத்தின் மூலம் இந்தத் தரவைப் புரிந்துகொள்ள உதவுகிறது. எல்லா கணக்குகளின்படியும், பாதுகாப்பு பகுப்பாய்வு இப்போதுதான் தொடங்குவதாக நாங்கள் நம்புகிறோம்.

வாடிக்கையாளர் ஆதரவு

எங்களுடன் இணையுங்கள்
www.opentext.com
OpenText Cybersecurity அனைத்து அளவிலான நிறுவனங்கள் மற்றும் கூட்டாளர்களுக்கு விரிவான பாதுகாப்பு தீர்வுகளை வழங்குகிறது, தடுப்பு, கண்டறிதல் மற்றும் மீட்பு, விசாரணை மற்றும் இணக்கம் ஆகியவற்றிலிருந்து, எங்கள் ஒருங்கிணைந்த இறுதி முதல் இறுதி தளம் வாடிக்கையாளர்களுக்கு ஒரு முழுமையான பாதுகாப்பு போர்ட்ஃபோலியோ மூலம் இணைய பின்னடைவை உருவாக்க உதவுகிறது. நிகழ்நேர மற்றும் சூழ்நிலை அச்சுறுத்தல் நுண்ணறிவு, OpenText Cybersecurity வாடிக்கையாளர்கள் உயர் செயல்திறன் தயாரிப்புகள், இணக்கமான அனுபவம் மற்றும் வணிக அபாயத்தை நிர்வகிக்க உதவும் எளிமையான பாதுகாப்பு ஆகியவற்றிலிருந்து பயனடைகிறார்கள்.
762-000016-003 | ஓ | 01/24 | © 2024 உரையைத் திறக்கவும்

ஆவணங்கள் / ஆதாரங்கள்

opentext செயற்கை நுண்ணறிவு மற்றும் இயந்திர கற்றல் [pdf] வழிமுறைகள் செயற்கை நுண்ணறிவு மற்றும் இயந்திர கற்றல், நுண்ணறிவு மற்றும் இயந்திர கற்றல், இயந்திர கற்றல்

குறிப்புகள்

• பயனர் கையேடு