எல்லோரும் செயற்கை நுண்ணறிவு பற்றி பேசுகிறார்கள். அது என்ன என்பதை எளிய வார்த்தைகளில் விளக்குவோம்

“நான் AI செய்ய விரும்புகிறேன். ஆராய்வது என்ன? நான் எந்த மொழிகளைப் பயன்படுத்த வேண்டும்? எந்த அமைப்புகளில் படித்து வேலை செய்ய வேண்டும்? "

தெளிவுபடுத்த எங்கள் நிபுணர்களிடம் திரும்பினோம், பெறப்பட்ட பதில்களை உங்கள் கவனத்திற்கு முன்வைக்கிறோம்.

இது உங்கள் அடிப்படை பயிற்சியைப் பொறுத்தது. முதலாவதாக, உங்களுக்கு ஒரு கணித கலாச்சாரம் (புள்ளிவிவரங்கள் பற்றிய அறிவு, நிகழ்தகவு கோட்பாடு, தனித்துவமான கணிதம், நேரியல் இயற்கணிதம், பகுப்பாய்வு போன்றவை) மற்றும் விரைவாக நிறைய கற்றுக்கொள்ள விருப்பம் தேவை. AI முறைகளை செயல்படுத்துவதற்கு நிரலாக்க தேவைப்படும் (வழிமுறைகள், தரவு கட்டமைப்புகள், OOP, முதலியன).

வெவ்வேறு திட்டங்களுக்கு வெவ்வேறு நிரலாக்க மொழிகளின் அறிவு தேவைப்படுகிறது. குறைந்தபட்சம் பைதான், ஜாவா மற்றும் எந்த செயல்பாட்டு மொழியையும் தெரிந்து கொள்ள பரிந்துரைக்கிறேன். பல்வேறு தரவுத்தளங்கள் மற்றும் விநியோகிக்கப்பட்ட அமைப்புகளுடன் அனுபவம் பயனுள்ளதாக இருக்கும். தொழில்துறையில் சிறந்த நடைமுறைகளை விரைவாகக் கற்றுக்கொள்ள ஆங்கில அறிவு தேவை.

நல்ல ரஷ்ய பல்கலைக்கழகங்களில் படிக்க பரிந்துரைக்கிறேன்! எடுத்துக்காட்டாக, எம்ஐபிடி, மாஸ்கோ மாநில பல்கலைக்கழகம், ஹெச்எஸ்இ ஆகியவற்றுடன் தொடர்புடைய துறைகள் உள்ளன. Coursera, edX, Udacity, Udemy மற்றும் பிற MOOC தளங்களில் பல்வேறு வகையான கருப்பொருள் படிப்புகள் கிடைக்கின்றன. சில முன்னணி நிறுவனங்கள் AI துறையில் தங்கள் சொந்த பயிற்சித் திட்டங்களைக் கொண்டுள்ளன (எடுத்துக்காட்டாக, யாண்டெக்ஸின் ஸ்கூல் ஆஃப் டேட்டா அனாலிசிஸ்).

AI பயன்பாடுகளை பல்வேறு இடங்களில் காணலாம். வங்கிகள், நிதித்துறை, ஆலோசனை, சில்லறை விற்பனை, இ-காமர்ஸ், தேடுபொறிகள், அஞ்சல் சேவைகள், கேமிங் தொழில், பாதுகாப்பு அமைப்புகள் தொழில் மற்றும், நிச்சயமாக, அவிட்டோ அனைவருக்கும் பல்வேறு தகுதிகளின் நிபுணர்கள் தேவை.

கீழ் ஊக்குவிக்கவும்

இயந்திர கற்றல் மற்றும் கணினி பார்வை தொடர்பான ஒரு ஃபைன்டெக் திட்டம் எங்களிடம் உள்ளது, அதில் அதன் முதல் டெவலப்பர் எல்லாவற்றையும் C ++ இல் எழுதினார், பின்னர் ஒரு டெவலப்பர் பைத்தானில் எல்லாவற்றையும் மீண்டும் எழுதினார். எனவே மொழி இங்கு மிக முக்கியமான விஷயம் அல்ல, ஏனெனில் மொழி முதன்மையாக ஒரு கருவியாக இருப்பதால், அதை எவ்வாறு பயன்படுத்துவது என்பது உங்களைப் பொறுத்தது. சில மொழிகளில் பிரச்சினைகள் விரைவாகவும் மற்றவற்றில் மெதுவாகவும் தீர்க்கப்படுகின்றன.

எங்கு படிக்க வேண்டும் என்று சொல்வது கடினம் - இணையம் மற்றும் கூகிள் இருப்பதால் எங்கள் தோழர்கள் அனைவரும் தாங்களாகவே படித்தார்கள்.

கீழ் ஊக்குவிக்கவும்

நீங்கள் நிறைய படிக்க வேண்டியிருக்கும் என்பதற்கு உங்களை தயார்படுத்த நான் ஆரம்பத்திலிருந்தே அறிவுறுத்த முடியும். "AI செய்வது" என்றால் என்ன என்பதைப் பொருட்படுத்தாமல் - பெரிய தரவு அல்லது நரம்பியல் நெட்வொர்க்குகளுடன் பணிபுரிதல்; தொழில்நுட்பத்தின் வளர்ச்சி அல்லது ஏற்கனவே உருவாக்கப்பட்ட ஒரு குறிப்பிட்ட அமைப்பின் ஆதரவு மற்றும் பயிற்சி.

தரவு விஞ்ஞானியின் பிரபலமான தொழிலை பிரத்தியேகங்களுக்காக எடுத்துக்கொள்வோம். இந்த நபர் என்ன செய்கிறார்? பொதுவாக, இது பெரிய தரவை சேகரிக்கிறது, பகுப்பாய்வு செய்கிறது மற்றும் பயன்படுத்துகிறது. AI வளர்ந்து ரயில்களில் ஈடுபடுவது இவைதான். தரவு விஞ்ஞானி என்ன தெரிந்து கொள்ள வேண்டும் மற்றும் செய்ய முடியும்? நிலையான பகுப்பாய்வு மற்றும் கணித மாடலிங் - முன்னிருப்பாக, மற்றும் சரள அளவில். மொழிகள் - ஆர், எஸ்ஏஎஸ், பைதான் என்று சொல்லுங்கள். சில வளர்ச்சி அனுபவங்கள் இருப்பதும் நன்றாக இருக்கும். நல்லது, பொதுவாக, ஒரு நல்ல தரவு விஞ்ஞானி தரவுத்தளம், வழிமுறைகள், தரவு காட்சிப்படுத்தல் ஆகியவற்றில் நம்பிக்கையுடன் இருக்க வேண்டும்.

நாட்டின் ஒவ்வொரு இரண்டாவது தொழில்நுட்ப பல்கலைக்கழகத்திலும் இதுபோன்ற அறிவைப் பெற முடியும் என்று சொல்ல முடியாது. AI இன் வளர்ச்சிக்கு முன்னுரிமை அளிக்கும் பெரிய நிறுவனங்கள், இதைப் புரிந்துகொண்டு தங்களுக்கு பொருத்தமான பயிற்சித் திட்டங்களை உருவாக்குகின்றன - எடுத்துக்காட்டாக, யாண்டெக்ஸ் தரவு பகுப்பாய்வு பள்ளி உள்ளது. ஆனால் இது "தெருவில் இருந்து" படிப்புகளுக்கு நீங்கள் வரும் அளவு அல்ல என்பதை நீங்கள் அறிந்திருக்க வேண்டும், ஆனால் அவற்றை ஒரு தயாராக ஜூனியராக விட்டு விடுங்கள். அடுக்கு பெரியது, குறைந்தபட்சம் பல்கலைக்கழக திட்டத்தின் கட்டமைப்பிற்குள் அடிப்படை (கணிதம், புள்ளிவிவரம்) ஏற்கனவே மூடப்பட்டிருக்கும் போது ஒழுக்கத்தில் படிக்கச் செல்வது அர்த்தமுள்ளதாக இருக்கிறது.

ஆம், இதற்கு நிறைய நேரம் எடுக்கும். ஆனால் விளையாட்டு மெழுகுவர்த்திக்கு மதிப்புள்ளது, ஏனென்றால் ஒரு நல்ல தரவு விஞ்ஞானி மிகவும் நம்பிக்கைக்குரியவர். மற்றும் மிகவும் விலை உயர்ந்தது. இன்னொரு விஷயமும் இருக்கிறது. செயற்கை நுண்ணறிவு என்பது ஒருபுறம், இனி உற்சாகத்தின் ஒரு பொருள் அல்ல, ஆனால் ஏற்கனவே ஒரு சுற்று உற்பத்தித்திறனில் நுழைந்த ஒரு தொழில்நுட்பம். மறுபுறம், AI இன்னும் வளர்ந்து வருகிறது. இந்த வளர்ச்சிக்கு நிறைய வளங்கள், நிறைய திறன்கள் மற்றும் நிறைய பணம் தேவை. இது முக்கிய லீக்கின் நிலை. நான் இப்போது வெளிப்படையாகச் சொல்வேன், ஆனால் நீங்கள் தாக்குதலில் முன்னணியில் இருக்க விரும்பினால், உங்கள் கைகளால் முன்னேற்றத்தை நகர்த்த விரும்பினால், பேஸ்புக் அல்லது அமேசான் போன்ற நிறுவனங்களை நோக்கமாகக் கொள்ளுங்கள்.

அதே நேரத்தில், தொழில்நுட்பம் ஏற்கனவே பல பகுதிகளில் பயன்படுத்தப்படுகிறது: வங்கித் துறையில், தொலைத் தொடர்புகளில், தொழில்துறை மாபெரும் நிறுவனங்களில், சில்லறை வணிகத்தில். அதை ஆதரிக்கக்கூடிய மக்கள் ஏற்கனவே அங்கு தேவைப்படுகிறார்கள். 2020 ஆம் ஆண்டில், வளர்ந்த நாடுகளில் உள்ள அனைத்து வணிகங்களிலும் 20% இந்த நிறுவனங்களில் பயன்படுத்தப்படும் நரம்பியல் நெட்வொர்க்குகளுக்கு பயிற்சி அளிக்க அர்ப்பணிப்பு ஊழியர்களை நியமிக்கும் என்று கார்ட்னர் கணித்துள்ளார். எனவே நீங்களே கற்றுக்கொள்ள இன்னும் சிறிது நேரம் இருக்கிறது.

கீழ் ஊக்குவிக்கவும்

AI இப்போது தீவிரமாக வளர்ந்து வருகிறது, மேலும் பத்து வருடங்களுக்கு முன்னால் கணிப்பது கடினம். அடுத்த இரண்டு முதல் மூன்று ஆண்டுகளுக்கு, நரம்பியல் நெட்வொர்க்குகள் மற்றும் ஜி.பீ.யூ கம்ப்யூட்டிங் அடிப்படையிலான அணுகுமுறைகள் ஆதிக்கம் செலுத்தும். இந்த பகுதியின் தலைவர் ஜூபிடர் ஊடாடும் சூழலுடன் பைதான் மற்றும் நம்பத்தகுந்த, ஸ்கிப்பி, டென்சார்ஃப்ளோ நூலகங்கள்.

இந்த தொழில்நுட்பங்கள் மற்றும் ஆண்ட்ரூ என்ஜி பாடநெறி போன்ற பொதுவான AI கொள்கைகளைப் பற்றிய அடிப்படை புரிதலை வழங்கும் பல ஆன்லைன் படிப்புகள் உள்ளன. இந்த தலைப்பைக் கற்பிப்பதைப் பொறுத்தவரை, இப்போது ரஷ்யாவில் மிகவும் பயனுள்ள வழி சுயாதீனமாக அல்லது ஒரு உள்ளூர் ஆர்வக் குழுவில் படிப்பதாகும் (எடுத்துக்காட்டாக, மாஸ்கோவில், மக்கள் தங்கள் அனுபவத்தையும் அறிவையும் பகிர்ந்து கொள்ளும் குறைந்தது இரண்டு குழுக்களின் இருப்பு பற்றி எனக்குத் தெரியும்).

கீழ் ஊக்குவிக்கவும்

கீழ் ஊக்குவிக்கவும்

இன்று, செயற்கை நுண்ணறிவின் மிக வேகமாக வளர்ந்து வரும் பகுதி நரம்பியல் நெட்வொர்க்குகள்.
நரம்பியல் நெட்வொர்க்குகள் மற்றும் AI இன் ஆய்வு கணிதத்தின் இரண்டு கிளைகளை மாஸ்டரிங் செய்வதிலிருந்து தொடங்க வேண்டும் - நேரியல் இயற்கணிதம் மற்றும் நிகழ்தகவு கோட்பாடு. இது கட்டாய குறைந்தபட்சம், செயற்கை நுண்ணறிவின் அசைக்க முடியாத தூண்கள். AI இன் அடிப்படைகளைப் புரிந்து கொள்ள விரும்பும் விண்ணப்பதாரர்கள், ஒரு பல்கலைக்கழகத்தைத் தேர்ந்தெடுக்கும்போது, \u200b\u200bஒரு வலுவான கணிதப் பள்ளியைக் கொண்ட ஆசிரியர்களுக்கு கவனம் செலுத்த வேண்டும்.

அடுத்த கட்டம் சிக்கலின் சிக்கலைப் படிப்பது. கல்வி மற்றும் சிறப்பு ஆகிய இரண்டிலும் ஏராளமான இலக்கியங்கள் உள்ளன. செயற்கை நுண்ணறிவு மற்றும் நரம்பியல் நெட்வொர்க்குகள் என்ற தலைப்பில் பெரும்பாலான வெளியீடுகள் ஆங்கிலத்தில் எழுதப்பட்டுள்ளன, ஆனால் ரஷ்ய மொழிப் பொருட்களும் வெளியிடப்படுகின்றன. பயனுள்ள இலக்கியங்களை பொது டிஜிட்டல் நூலகத்தில் arxiv.org இல் காணலாம்.

செயல்பாட்டின் பகுதிகள் பற்றி நாம் பேசினால், பயன்பாட்டு நரம்பியல் நெட்வொர்க்குகளின் பயிற்சி மற்றும் நரம்பியல் நெட்வொர்க்குகளின் முற்றிலும் புதிய பதிப்புகளின் வளர்ச்சியை இங்கே நாம் முன்னிலைப்படுத்தலாம். ஒரு குறிப்பிடத்தக்க உதாரணம்: இப்போது மிகவும் கோரப்பட்ட ஒரு சிறப்பு உள்ளது - தரவு விஞ்ஞானி. டெவலப்பர்கள், ஒரு விதியாக, குறிப்பிட்ட, பயன்பாட்டு பகுதிகளில் நரம்பியல் நெட்வொர்க்குகளுக்கு பயிற்சி அளிக்க சில தரவுத் தொகுப்புகளைப் படித்துத் தயாரிக்கிறார்கள். சுருக்கமாக, ஒவ்வொரு நிபுணத்துவத்திற்கும் தனித்தனி தயாரிப்பு பாதை தேவை என்பதை நான் வலியுறுத்த விரும்புகிறேன்.

கீழ் ஊக்குவிக்கவும்

மிகவும் சிறப்பு வாய்ந்த பாடத்திட்டத்தைத் தொடங்குவதற்கு முன், நீங்கள் நேரியல் இயற்கணிதம் மற்றும் புள்ளிவிவரங்களைக் கற்றுக்கொள்ள வேண்டும். AI இல் மூழ்கி, இயந்திர கற்றல் பாடநூலுடன் தொடங்க நான் உங்களுக்கு அறிவுறுத்துகிறேன். தரவுகளிலிருந்து அறிவைப் பிரித்தெடுக்கும் வழிமுறைகளை உருவாக்குவதற்கான அறிவியல் மற்றும் கலை ”ஒரு நல்ல தொடக்க வழிகாட்டியாகும். கே. வொரொன்டோவ் (அவர்களுக்கு நேரியல் இயற்கணிதம் பற்றிய நல்ல அறிவு தேவை என்பதை நான் வலியுறுத்துகிறேன்) மற்றும் ஸ்டான்போர்ட் பல்கலைக்கழகத்தில் இயந்திர கற்றல் பாடநெறி, பேராசிரியரும் பைடூ ஏஐ குழுமத்தின் / கூகிள் மூளையின் தலைவருமான ஆண்ட்ரூ என்ஜி வாசித்த கோர்செரா அறிமுக சொற்பொழிவுகளைக் கேட்பது மதிப்பு.

பெரும்பாலானவை பைதான், பின்னர் ஆர், லுவாவில் எழுதப்பட்டுள்ளன.

கல்வி நிறுவனங்களைப் பற்றி நாம் பேசினால், பயன்பாட்டு கணிதம் மற்றும் கணினி அறிவியல் துறைகளில் படிப்புகளில் சேருவது நல்லது, பொருத்தமான கல்வித் திட்டங்கள் உள்ளன. உங்கள் திறன்களைச் சோதிக்க, நீங்கள் முக்கிய உலகளாவிய பிராண்டுகள் தங்கள் நிகழ்வுகளை வழங்கும் காகல் போட்டிகளில் பங்கேற்கலாம்.

கீழ் ஊக்குவிக்கவும்

எந்தவொரு வணிகத்திலும், திட்டங்களைத் தொடங்குவதற்கு முன், ஒரு தத்துவார்த்த அடிப்படையைப் பெறுவது நல்லது. இந்த பகுதியில் முறையான முதுகலைப் பட்டம் பெற அல்லது உங்கள் தகுதிகளை மேம்படுத்த பல இடங்கள் உள்ளன. எடுத்துக்காட்டாக, ஸ்கோல்டெக் கம்ப்யூட்டேஷனல் சயின்ஸ் மற்றும் இன்ஜினியரிங் மற்றும் டேட்டா சயின்ஸில் முதுநிலை திட்டங்களை வழங்குகிறது, இதில் இயந்திர கற்றல் மற்றும் இயற்கை மொழி செயலாக்க படிப்புகள் அடங்கும். NRNU MEPhI இன் நுண்ணறிவு சைபர்நெடிக் சிஸ்டம்ஸ் நிறுவனம், மாஸ்கோ மாநில பல்கலைக்கழகத்தின் கணக்கீட்டு கணிதம் மற்றும் சைபர்நெடிக்ஸ் பீடம் மற்றும் மாஸ்கோ இயற்பியல் மற்றும் தொழில்நுட்ப நிறுவனத்தின் நுண்ணறிவு அமைப்புகள் துறை ஆகியவற்றைக் குறிப்பிடலாம்.

முறையான கல்வி ஏற்கனவே கிடைத்தால், பல்வேறு MOOC தளங்களில் பல படிப்புகள் உள்ளன. எடுத்துக்காட்டாக, மைக்ரோசாப்ட் மற்றும் கொலம்பியா பல்கலைக்கழகத்தின் செயற்கை நுண்ணறிவு தொடர்பான படிப்புகளை EDx.org வழங்குகிறது, இதன் பிந்தையது மைக்ரோ மாஸ்டர் திட்டத்தை நியாயமான விலையில் வழங்குகிறது. வழக்கமாக நீங்கள் அறிவை இலவசமாகப் பெற முடியும் என்பதை நான் குறிப்பாக கவனிக்க விரும்புகிறேன், உங்கள் விண்ணப்பத்தை தேவைப்பட்டால் சான்றிதழுக்கு மட்டுமே நீங்கள் பணம் செலுத்துகிறீர்கள்.

நீங்கள் தலைப்பில் ஆழமாக டைவ் செய்ய விரும்பினால், மாஸ்கோவில் உள்ள பல நிறுவனங்கள் நடைமுறை வகுப்புகளுடன் வாராந்திர தீவிர படிப்புகளை வழங்குகின்றன, மேலும் சோதனைகளுக்கான உபகரணங்களையும் வழங்குகின்றன (எடுத்துக்காட்டாக, newprolab.com), இருப்பினும், அத்தகைய படிப்புகளின் விலை பல பல்லாயிரக்கணக்கான ரூபிள்களிலிருந்து தொடங்குகிறது.

செயற்கை நுண்ணறிவை உருவாக்கும் நிறுவனங்களில், யாண்டெக்ஸ் மற்றும் ஸ்பெர்பேங்க் உங்களுக்குத் தெரிந்திருக்கலாம், ஆனால் வேறுபட்ட அளவுகளில் இன்னும் பல உள்ளன. எடுத்துக்காட்டாக, இந்த வாரம் பாதுகாப்பு அமைச்சகம் அனபாவில் ERA மிலிட்டரி புதுமையான டெக்னோபோலிஸைத் திறந்தது, இதில் தலைப்புகளில் ஒன்று இராணுவத் தேவைகளுக்காக AI இன் வளர்ச்சி ஆகும்.

கீழ் ஊக்குவிக்கவும்

செயற்கை நுண்ணறிவைப் படிப்பதற்கு முன், ஒரு அடிப்படை கேள்வியைத் தீர்மானிக்க வேண்டியது அவசியம்: சிவப்பு மாத்திரை அல்லது நீல நிறத்தை எடுக்க.
சிவப்பு மாத்திரை - ஒரு டெவலப்பராக மாறி, புள்ளிவிவர முறைகள், வழிமுறைகள் மற்றும் அறியப்படாதவற்றின் நிலையான புரிதல் ஆகியவற்றின் கொடூரமான உலகில் மூழ்குவது. மறுபுறம், உடனடியாக "முயல் துளை" க்குள் செல்ல வேண்டிய அவசியமில்லை: நீங்கள் ஒரு மேலாளராகி AI ஐ உருவாக்கலாம், எடுத்துக்காட்டாக, திட்ட மேலாளராக. இவை இரண்டு அடிப்படையில் வேறுபட்ட பாதைகள்.

செயற்கை நுண்ணறிவு வழிமுறைகளை எழுதுவீர்கள் என்று நீங்கள் ஏற்கனவே முடிவு செய்திருந்தால் முதலாவது சிறந்தது. நீங்கள் இன்று மிகவும் பிரபலமான திசையுடன் தொடங்க வேண்டும் - இயந்திர கற்றல். இதைச் செய்ய, வகைப்பாடு, கிளஸ்டரிங் மற்றும் பின்னடைவு ஆகியவற்றின் கிளாசிக்கல் புள்ளிவிவர முறைகளை நீங்கள் அறிந்து கொள்ள வேண்டும். ஒரு தீர்வின் தரம், அவற்றின் பண்புகள் ... மற்றும் வழியில் வரும் எல்லாவற்றையும் மதிப்பிடுவதற்கான முக்கிய நடவடிக்கைகளைப் பற்றி அறிந்து கொள்வதும் பயனுள்ளதாக இருக்கும்.

அடிப்படை தேர்ச்சி பெற்ற பின்னரே கூடுதல் சிறப்பு முறைகளைப் படிப்பது மதிப்பு: முடிவு மரங்கள் மற்றும் அவற்றின் குழுமங்கள். இந்த கட்டத்தில், நீங்கள் கட்டமைத்தல் மற்றும் பயிற்சி மாதிரிகள் பற்றிய அடிப்படை முறைகளில் ஆழமாக டைவ் செய்ய வேண்டும் - அவை இயங்கும், அதிகரிக்கும், அடுக்கி வைக்கும் அல்லது கலத்தல் போன்ற கண்ணியமான வார்த்தைகளுக்கு பின்னால் மறைக்கப்படுகின்றன.

மாடல் ஓவர்ஃபிட்டிங் கட்டுப்பாட்டை (மேலும் ஒரு “இங்”) அதிகமாக பொருத்துவதற்கான முறைகளையும் கற்றுக்கொள்வது மதிப்பு.

இறுதியாக, மிகவும் ஜெடி நிலை - மிகவும் சிறப்பு வாய்ந்த அறிவைப் பெறுதல். எடுத்துக்காட்டாக, ஆழ்ந்த கற்றலுக்கு சாய்வு வம்சாவளிக்கான அடிப்படை கட்டமைப்புகள் மற்றும் வழிமுறைகளை மாஸ்டரிங் செய்ய வேண்டும். இயற்கையான மொழி செயலாக்க பணிகளில் நீங்கள் ஆர்வமாக இருந்தால், தொடர்ச்சியான நரம்பியல் நெட்வொர்க்குகளைப் படிக்க பரிந்துரைக்கிறேன். படங்கள் மற்றும் வீடியோக்களை செயலாக்குவதற்கான வழிமுறைகளின் எதிர்கால படைப்பாளிகள் மாற்றக்கூடிய நரம்பியல் நெட்வொர்க்குகளை ஆழமாக ஆராய வேண்டும்.

குறிப்பிடப்பட்ட கடைசி இரண்டு கட்டமைப்புகள் இன்றைய பிரபலமான கட்டமைப்புகளின் கட்டுமான தொகுதிகள்: எதிர்மறையான நெட்வொர்க்குகள் (GAN கள்), தொடர்புடைய நெட்வொர்க்குகள் மற்றும் ஒருங்கிணைந்த நெட்வொர்க்குகள். எனவே, கணினியைப் பார்க்கவும் கேட்கவும் கற்பிக்க நீங்கள் திட்டமிடவில்லை என்றாலும், அவற்றைப் படிப்பது பயனுள்ளதாக இருக்கும்.

AI இன் ஆய்வுக்கு முற்றிலும் மாறுபட்ட அணுகுமுறை - "நீல மாத்திரை" - உங்களை கண்டுபிடிப்பதில் தொடங்குகிறது. செயற்கை நுண்ணறிவு ஒரு சில பணிகள் மற்றும் முழு தொழில்களுக்கும் வழிவகுக்கிறது: AI திட்ட மேலாளர்கள் முதல் தரவு பொறியாளர்கள் வரை தரவைத் தயாரிக்கவும், சுத்தம் செய்யவும் மற்றும் அளவிடக்கூடிய, அதிக சுமை மற்றும் தவறு-சகிப்புத்தன்மை கொண்ட அமைப்புகளை உருவாக்கவும் முடியும்.

எனவே, ஒரு "நிர்வாக" அணுகுமுறையுடன், நீங்கள் முதலில் உங்கள் திறன்களையும் பின்னணியையும் மதிப்பிட வேண்டும், பின்னர் மட்டுமே எங்கே, என்ன கற்றுக்கொள்ள வேண்டும் என்பதைத் தேர்வுசெய்யவும். எடுத்துக்காட்டாக, கணித மனப்பான்மை இல்லாமல் கூட, ஸ்மார்ட் வழிமுறைகளுக்கான AI இடைமுகங்களையும் காட்சிப்படுத்தல்களையும் வடிவமைக்கலாம். ஆனால் தயாராகுங்கள்: 5 ஆண்டுகளில், செயற்கை நுண்ணறிவு உங்களை ட்ரோல் செய்யத் தொடங்கி உங்களை "மனிதநேயவாதி" என்று அழைக்கும்.

முக்கிய எம்.எல் முறைகள் வெவ்வேறு மொழிகளில் இணைக்கக்கூடிய ஆயத்த நூலகங்களின் வடிவத்தில் செயல்படுத்தப்படுகின்றன. இன்று எம்.எல் இல் மிகவும் பிரபலமான மொழிகள் சி ++, பைதான் மற்றும் ஆர்.

ரஷ்ய மற்றும் ஆங்கிலம் ஆகிய இரு மொழிகளிலும் யாண்டெக்ஸ் தரவு பகுப்பாய்வு பள்ளி, திறன் திறன் மற்றும் OTUS படிப்புகள் உள்ளன. ஆனால் சிறப்புப் பயிற்சியில் நேரத்தையும் பணத்தையும் முதலீடு செய்வதற்கு முன்பு, "தலைப்பில் இறங்குவது" மதிப்புக்குரியது என்று நான் நினைக்கிறேன்: கடந்த ஆண்டுகளில் டேட்டாஃபெஸ்ட் மாநாடுகளிலிருந்து யூடியூப்பில் திறந்த சொற்பொழிவுகளைப் பார்ப்பது, கோசெரா மற்றும் ஹப்ராஹாபரிடமிருந்து இலவச படிப்புகளை எடுத்துக்கொள்வது.

செயற்கை நுண்ணறிவு (AI, செயற்கை நுண்ணறிவு, AI) என்பது அறிவார்ந்த தொழில்நுட்பங்கள் மற்றும் கணினி நிரல்களை உருவாக்கும் அறிவியல்.

செயற்கை நுண்ணறிவு கணினி தொழில்நுட்பத்தைப் பயன்படுத்தி மனித நுண்ணறிவைப் புரிந்துகொள்ளும் பணியுடன் நெருக்கமாக தொடர்புடையது. இந்த நேரத்தில், எந்த கணக்கீட்டு முறைகளை புத்திசாலி என்று அழைக்க முடியும் என்பதை உறுதியாகக் கூற முடியாது. உளவுத்துறையின் சில வழிமுறைகள் புரிந்துகொள்ள திறந்தவை, மற்றவை இல்லை. இந்த நேரத்தில், நிரல்கள் மனிதர்களில் காணப்படாத முறைகளைப் பயன்படுத்துகின்றன.

செயற்கை நுண்ணறிவு மனித அறிவுசார் செயல்பாட்டின் சிக்கல்களின் தீர்வைப் படிக்கும் ஒரு விஞ்ஞான திசையைக் கொண்டுள்ளது. செயற்கை நுண்ணறிவு என்பது ஒரு பகுதியில் ஆக்கபூர்வமான பணிகளைச் செய்வதை நோக்கமாகக் கொண்டுள்ளது, இது குறித்த அறிவு திட்டத்தின் அறிவுசார் அமைப்பில் சேமிக்கப்படுகிறது - அறிவு சார்ந்த.

இந்த அறிவால் நிரல் வழிமுறை செயல்படுகிறது - பிரச்சனை தீர்ப்போர்... அறிவார்ந்த இடைமுகத்தின் மூலம் நிரலின் முடிவைப் பற்றி நபர் ஒரு கருத்தைப் பெறுகிறார். ஒரு செயற்கை நுண்ணறிவு திட்டத்தின் விளைவாக அறிவார்ந்த பகுத்தறிவு அல்லது புத்திசாலித்தனமான செயலை மீண்டும் உருவாக்குவது ஆகும்.

செயற்கை நுண்ணறிவின் முக்கிய பண்புகளில் ஒன்று தானாகவே கற்றுக் கொள்ளும் திறன். முதலில், அது ஹூரிஸ்டிக் கற்றல் - திட்டத்தின் தொடர்ச்சியான பயிற்சி, கற்றல் செயல்முறையின் உருவாக்கம் மற்றும் அவற்றின் சொந்த குறிக்கோள்கள், பகுப்பாய்வு மற்றும் அவர்களின் கற்றல் குறித்த விழிப்புணர்வு.

செயற்கை நுண்ணறிவைப் படிக்கும் அறிவியல் திசை நீண்ட காலத்திற்கு முன்பே வெளிவரத் தொடங்கியது:

• மனிதனின் உள் உலகத்தை அறிந்து கொள்வது பற்றி தத்துவவாதிகள் நினைத்தார்கள்
• உளவியலாளர்கள் மனித சிந்தனையைப் படித்தனர்
• கணிதவியலாளர்கள் கணக்கீடுகளைச் செய்து கொண்டிருந்தனர்

விரைவில், முதல் கணினிகள் உருவாக்கப்பட்டன, இது மனிதர்களை விட வேகமாக கணக்கீடுகளைச் செய்ய முடிந்தது. பின்னர் விஞ்ஞானிகள் கேள்வி கேட்கத் தொடங்கினர்: கணினிகளின் திறன்களின் வரம்பு எங்கே, அவை மனித மட்டத்தை அடைய முடியுமா?

கம்ப்யூட்டிங்கின் முன்னோடியான ஆலன் டூரிங் என்ற ஆங்கில விஞ்ஞானி "ஒரு இயந்திரம் சிந்திக்க முடியுமா?" என்ற கட்டுரையை எழுதினார், அங்கு ஒரு கணினியை ஒரு நபருடன் எந்த கட்டத்தில் ஒப்பிட முடியும் என்பதை தீர்மானிக்க உதவும் ஒரு முறையை அவர் விவரித்தார். இந்த முறை பெயரிடப்பட்டது - டூரிங் சோதனை.

ஒரு நபர் முதலில் கணினியின் கேள்விகளுக்கு பதிலளிக்க வேண்டும், பின்னர் மற்றொரு நபரின் கேள்விகளுக்கு, யார் அவரிடம் சரியாக கேள்விகளைக் கேட்டார் என்று தெரியாமல், முறையின் சாராம்சம். கணினியின் கேள்விகளுக்கு பதிலளிக்கும்போது, \u200b\u200bஅது ஒரு இயந்திரம் என்று அந்த நபர் சந்தேகிக்கவில்லை என்றால், டூரிங் சோதனையில் தேர்ச்சி பெறுவது வெற்றிகரமாக கருதப்படலாம், அதே போல் கணினி செயற்கை நுண்ணறிவு என்பதும் உண்மை.

இவ்வாறு, எந்தவொரு இயற்கையான சூழ்நிலையிலும் ஒரு கணினி மனித நடத்தைக்கு ஒத்த நடத்தையை வெளிப்படுத்துகிறது மற்றும் ஒரு நபருடன் உரையாடலைப் பராமரிக்க முடிந்தால், அது செயற்கை நுண்ணறிவு என்று நாம் கூறலாம். ஒரு இயந்திரம் புத்திசாலித்தனமாக இருக்கிறதா என்பதைத் தீர்மானிப்பதற்கான மற்றொரு பரிந்துரைக்கப்பட்ட முறை, அதன் படைப்பாற்றல் திறன் மற்றும் உணரக்கூடிய திறன்.

செயற்கை நுண்ணறிவைப் படிப்பதற்கும் புரிந்து கொள்வதற்கும் பலவிதமான அணுகுமுறைகள் உள்ளன.

குறியீட்டு அணுகுமுறை

இயந்திரங்களின் டிஜிட்டல் யுகத்தில் குறியீட்டு அணுகுமுறை முதன்மையானது. லிஸ்ப் குறியீட்டு கணினி மொழியை உருவாக்கிய பிறகு, அதன் ஆசிரியர்கள் உளவுத்துறையை செயல்படுத்தத் தொடங்கினர். குறியீட்டு அணுகுமுறை, தளர்வான முறைப்படுத்தப்பட்ட பிரதிநிதித்துவங்களைப் பயன்படுத்துங்கள். இதுவரை, ஒரு நபர் மட்டுமே அறிவார்ந்த வேலை மற்றும் படைப்பாற்றல் தொடர்பான பணிகளை செய்ய முடியும். இந்த திசையில் கணினிகளின் பணி சார்புடையது, உண்மையில், மனித பங்கேற்பு இல்லாமல் செய்ய முடியாது.

கணினி நிரலை செயல்படுத்தும்போது சிக்கல்களைத் தீர்ப்பதற்கான விதிகளை உருவாக்க குறியீட்டு கணக்கீடு உதவியது. இருப்பினும், எளிமையான பணிகளை மட்டுமே தீர்க்க முடிந்தது, எந்தவொரு சிக்கலான பணியும் தோன்றும்போது, \u200b\u200bஒரு நபரை மீண்டும் இணைக்க வேண்டும். எனவே, இத்தகைய அமைப்புகள் அவர்களை புத்திசாலிகள் என்று அழைக்க அனுமதிக்காது, ஏனெனில் அவற்றின் திறன்கள் வளர்ந்து வரும் சிரமங்களைத் தீர்ப்பதற்கும், புதியவற்றைத் தீர்ப்பதற்கு ஏற்கனவே தெரிந்திருக்கும் சிக்கல்களைத் தீர்ப்பதற்கான வழிகளை மேம்படுத்துவதற்கும் அனுமதிக்காது.

தருக்க அணுகுமுறை

தருக்க அணுகுமுறை மாடலிங் பகுத்தறிவு மற்றும் தருக்க நிரலாக்க மொழியைப் பயன்படுத்துவதை அடிப்படையாகக் கொண்டது. எடுத்துக்காட்டாக, புரோலாக் நிரலாக்க மொழி ஒரு முடிவை அடைய கடுமையான தொடர்ச்சியான நடவடிக்கைகள் இல்லாமல் அனுமான விதிகளின் தொகுப்பை அடிப்படையாகக் கொண்டது.

முகவர் அடிப்படையிலான அணுகுமுறை

முகவர் அடிப்படையிலான அணுகுமுறை சில முடிவுகளை அடைய சூழலில் நுண்ணறிவு வாழ உதவும் முறைகளை அடிப்படையாகக் கொண்டது. கணினி அதன் சூழலை உணர்ந்து, செட் முறைகளைப் பயன்படுத்தி அதில் செயல்படுகிறது.

கலப்பின அணுகுமுறை

கலப்பின அணுகுமுறையில் நரம்பியல் நெட்வொர்க்குகளால் உருவாக்கக்கூடிய நிபுணர் விதிகள் மற்றும் புள்ளிவிவரக் கற்றலைப் பயன்படுத்தி உருவாக்கும் விதிகள் ஆகியவை அடங்கும்.

மாடலிங் பகுத்தறிவு

பகுத்தறிவு மாடலிங் போன்ற செயற்கை நுண்ணறிவு ஆய்வில் அத்தகைய திசை உள்ளது. இந்த திசையில் பணிகளை அமைப்பதற்கும் அவற்றைத் தீர்ப்பதற்கும் குறியீட்டு அமைப்புகளை உருவாக்குவது அடங்கும். பணி கணித வடிவத்தில் மொழிபெயர்க்கப்பட வேண்டும். அதே நேரத்தில், சிக்கலான காரணத்தால் தீர்க்க இன்னும் ஒரு வழிமுறை அவளிடம் இல்லை. எனவே, பகுத்தறிவு மாடலிங் தேற்றம் நிரூபித்தல், முடிவெடுப்பது, திட்டமிடல், முன்கணிப்பு போன்றவற்றைக் கொண்டுள்ளது.

இயற்கை மொழி செயலாக்கம்

செயற்கை நுண்ணறிவின் மற்றொரு முக்கியமான பகுதி இயற்கை மொழி செயலாக்கம், இது மனிதர்களால் படிக்கக்கூடிய மொழியில் நூல்களை பகுப்பாய்வு செய்து செயலாக்குகிறது. இந்த திசையின் குறிக்கோள் அறிவை சுயமாகப் பெறுவதற்கான இயற்கையான மொழி செயலாக்கம் ஆகும். தகவலின் மூலமானது நிரலில் உள்ளிடப்பட்ட உரை அல்லது இணையத்திலிருந்து பெறப்படலாம்.

அறிவின் பிரதிநிதித்துவம் மற்றும் பயன்பாடு

அறிவு பொறியியல் என்பது தகவலிலிருந்து அறிவைப் பெறுவதற்கான திசை, அதன் முறைப்படுத்தல் மற்றும் பல்வேறு சிக்கல்களைத் தீர்ப்பதற்கான கூடுதல் பயன்பாடு. சிறப்பு அறிவுத் தளங்களின் உதவியுடன், ஒதுக்கப்பட்ட பணிகளுக்குத் தீர்வு காணும் செயல்முறைக்கான நிபுணத்துவ அமைப்புகள் தரவைப் பெறுகின்றன.

இயந்திர வழி கற்றல்

செயற்கை நுண்ணறிவுக்கான முக்கிய தேவைகளில் ஒன்று ஆசிரியர் தலையீடு இல்லாமல் ஒரு இயந்திரத்தின் சுயாதீனமாக கற்கும் திறன் ஆகும். இயந்திர கற்றல் முறை அங்கீகாரம் பணிகளை உள்ளடக்கியது: தன்மை, உரை மற்றும் பேச்சு அங்கீகாரம். ரோபாட்டிக்ஸ் தொடர்பான கணினி பார்வையும் இதில் அடங்கும்.

AI உயிரியல் மாடலிங்

போன்ற ஒரு திசை உள்ளது அரை-உயிரியல் முன்னுதாரணம், இல்லையெனில் அழைக்கப்படுகிறது உயிர் கணினி... செயற்கை நுண்ணறிவின் இந்த திசை உயிரினங்கள் மற்றும் உயிரியல் கூறுகளைப் பயன்படுத்தி கணினிகள் மற்றும் தொழில்நுட்பங்களின் வளர்ச்சியைப் படிக்கிறது - உயிர் கணினிகள்.

ரோபாட்டிக்ஸ்

ரோபாட்டிக்ஸ் துறை செயற்கை நுண்ணறிவுடன் நெருக்கமாக தொடர்புடையது. செயற்கை நுண்ணறிவின் பண்புகள் பல வேறுபட்ட பணிகளைச் செய்ய ரோபோக்களால் தேவைப்படுகின்றன. எடுத்துக்காட்டாக, உங்கள் இருப்பிடத்தை வழிநடத்தவும் தீர்மானிக்கவும், பாடங்களைப் படித்து உங்கள் இயக்கத்தைத் திட்டமிடவும்.

செயற்கை நுண்ணறிவு பயன்பாடுகள்

பல்வேறு துறைகளில் இருந்து சிக்கல்களைத் தீர்க்க செயற்கை நுண்ணறிவு உருவாக்கப்படுகிறது:

• கல்வி மற்றும் பொழுதுபோக்குக்கான நுண்ணறிவு அமைப்புகள்.
• வாடிக்கையாளர் சேவை அமைப்புகளில் உரை மற்றும் மனித பேச்சின் தொகுப்பு மற்றும் அங்கீகாரம் பயன்படுத்தப்படுகிறது.
• பாதுகாப்பு அமைப்புகள், ஆப்டிகல் மற்றும் ஒலி அங்கீகாரம், மருத்துவ நோயறிதல் மற்றும் இலக்கு நிர்ணயிக்கும் அமைப்புகளில் வடிவ அங்கீகார அமைப்புகள் பயன்படுத்தப்படுகின்றன.
• கணினி விளையாட்டுகளில், AI அமைப்புகள் விளையாட்டு உத்திகளைக் கணக்கிடவும், பாத்திர நடத்தைகளை உருவகப்படுத்தவும், விண்வெளியில் ஒரு பாதையைக் கண்டறியவும் பயன்படுத்தப்படுகின்றன.
• அல்காரிதமிக் வர்த்தகம் மற்றும் முடிவெடுக்கும் அமைப்புகள்.
• ஆலோசனை மற்றும் நிதி நிர்வாகத்திற்கான நிதி அமைப்புகள்.
• சிக்கலான வழக்கமான பணிகளைத் தீர்க்க தொழில்துறையில் பயன்படுத்தப்படும் ரோபோக்கள்: நோயாளி பராமரிப்புக்கான ரோபோக்கள், ரோபோக்கள் ஆலோசகர்கள் மற்றும் மனித வாழ்க்கைக்கு ஆபத்தான செயல்களில் ஈடுபடுபவர்கள்: ரோபோக்கள் மீட்பவர்கள், ரோபோக்கள் சுரங்கத் தொழிலாளர்கள்.
• மனிதவள மேலாண்மை மற்றும் ஆட்சேர்ப்பு, திரையிடல் மற்றும் தரவரிசை வேட்பாளர்கள், ஊழியர்களின் வெற்றியை முன்னறிவித்தல்.
• மின்னஞ்சல் ஸ்பேம் அங்கீகாரம் மற்றும் வடிகட்டுதல் அமைப்புகள்.

இவை அனைத்தும் செயற்கை நுண்ணறிவைப் பயன்படுத்தக்கூடிய பகுதிகள் அல்ல.

இப்போது செயற்கை நுண்ணறிவை உருவாக்குவது ஒரு நபரின் மிக முக்கியமான பணிகளில் ஒன்றாகும். எவ்வாறாயினும், உளவுத்துறையாகக் கருதக்கூடியவை மற்றும் எதைக் கருத்தில் கொள்ள முடியாது என்பதில் ஒரே ஒரு கண்ணோட்டமும் இல்லை. பல கேள்விகள் சர்ச்சையையும் சந்தேகத்தையும் ஏற்படுத்துகின்றன. மக்களின் பிரச்சினைகளைப் புரிந்துகொண்டு தீர்க்கும் அறிவுசார் மனதை உருவாக்க முடியுமா? உணர்ச்சிகள் இல்லாத மற்றும் ஒரு உயிரினத்தில் உள்ளார்ந்த திறன்களைக் கொண்ட மனம். நேரம் வரும் வரை நாம் அதைப் பார்ப்போம்.

செயற்கை நுண்ணறிவு என்றால் என்ன? சந்தேகத்திற்கு இடமின்றி, மனித உதவியின்றி தங்கள் இயக்கத்தை கட்டுப்படுத்தக்கூடிய கார்கள், ஆப்பிளின் சிரி, அமேசானின் அலெக்சா, கூகிளின் உதவியாளர் மற்றும் மைக்ரோசாப்டின் கோர்டானா போன்ற பேச்சு அங்கீகார சாதனங்கள் பற்றி பலர் கேள்விப்பட்டிருக்கிறார்கள். ஆனால் இவை செயற்கை நுண்ணறிவின் (AI) அனைத்து சாத்தியங்களிலிருந்தும் வெகு தொலைவில் உள்ளன.

AI முதன்முதலில் 1950 களில் "கண்டுபிடிக்கப்பட்டது". பல ஆண்டுகளாக, ஏற்றத் தாழ்வுகள் அதைக் காத்திருந்தன, ஆனால் மனித வளர்ச்சியின் தற்போதைய கட்டத்தில், செயற்கை நுண்ணறிவு எதிர்காலத்தின் முக்கிய தொழில்நுட்பமாகக் கருதப்படுகிறது. எலக்ட்ரானிக்ஸ் மற்றும் வேகமான செயலிகளின் முன்னேற்றங்களுடன், மேலும் அதிகமான பயன்பாடுகள் AI ஐப் பயன்படுத்துகின்றன. செயற்கை நுண்ணறிவு என்பது ஒரு அசாதாரண மென்பொருள் தொழில்நுட்பமாகும், இது ஒவ்வொரு பொறியியலாளருக்கும் தெரிந்திருக்க வேண்டும். இந்த கட்டுரையில், இந்த தொழில்நுட்பத்தை சுருக்கமாக விவரிக்க முயற்சிப்போம்.

செயற்கை நுண்ணறிவு வரையறுக்கப்படுகிறது

AI என்பது கணினி அறிவியலின் துணைத் துறையாகும், இது மனித மூளையைப் பிரதிபலிப்பதன் மூலம் கணினிகள் மற்றும் மின்னணு கூறுகளை சிறந்த முறையில் பயன்படுத்துவதை உள்ளடக்கியது. நுண்ணறிவு என்பது அறிவையும் அனுபவத்தையும் பெற்று சிக்கல்களைத் தீர்க்க அதைப் பயன்படுத்துவதற்கான திறன். தரவு தொகுப்புகளை பகுப்பாய்வு செய்வதற்கும் விளக்குவதற்கும் அதிலிருந்து மிகவும் பயனுள்ள தகவல்களைப் பெறுவதற்கும் AI மிகவும் பயனுள்ளதாக இருக்கும். முடிவுகளிலிருந்து அல்லது ஒருவித செயலுக்குப் பயன்படுத்தக்கூடிய புரிதல் தகவல்களிலிருந்து வருகிறது.

ஆராய்ச்சி பகுதிகள்

செயற்கை நுண்ணறிவு என்பது பல சாத்தியமான பயன்பாடுகளைக் கொண்ட ஒரு பரந்த தொழில்நுட்பமாகும். பொதுவாக இது துணைக் கிளைகளாகப் பிரிக்கப்படுகிறது. அவை ஒவ்வொன்றையும் பற்றி ஒரு சிறிய கண்ணோட்டத்தை உருவாக்குவோம்:

• ஒரு குறிப்பிட்ட வழிமுறை தீர்வு இல்லாத பொதுவான சிக்கல்களைத் தீர்ப்பது. நிச்சயமற்ற தன்மை மற்றும் தெளிவற்ற பணிகள்.
• நிபுணர் அமைப்புகள் - பல தனிப்பட்ட நிபுணர்களிடமிருந்து பெறப்பட்ட விதிகள், உண்மைகள் மற்றும் தரவுகளின் அறிவுத் தளத்தைக் கொண்ட மென்பொருள். சிக்கல்களைத் தீர்க்க, நோய்களைக் கண்டறிய அல்லது ஆலோசனைகளை வழங்க தரவுத்தளத்தைக் கோரலாம்.
• இயற்கை மொழி செயலாக்கம் (என்.எல்.பி) - உரை பகுப்பாய்விற்கு பயன்படுத்தப்படுகிறது. குரல் அங்கீகாரமும் (என்.எல்.பி) ஒரு பகுதியாகும்.
• கணினி பார்வை - காட்சி தகவலின் பகுப்பாய்வு மற்றும் புரிதல் (புகைப்படங்கள், வீடியோக்கள் மற்றும் பல). இயந்திர பார்வை மற்றும் முகம் அங்கீகாரம் ஒரு எடுத்துக்காட்டு. "தன்னாட்சி" வாகனங்கள் மற்றும் உற்பத்தி வரிகளில் பயன்படுத்தப்படுகிறது.
• ரோபாட்டிக்ஸ் - ரோபோக்களை சிறந்ததாகவும், தகவமைப்பு மற்றும் “தன்னிறைவு” உடையதாகவும் ஆக்குகிறது.
• விளையாட்டு: AI விளையாட்டுகளை நன்றாக விளையாடுகிறது. கணினிகள் ஏற்கனவே சதுரங்கம், போக்கர் மற்றும் கோ ஆகியவற்றில் விளையாட மற்றும் வெல்ல திட்டமிடப்பட்டுள்ளன.
• இயந்திர கற்றல் என்பது ஒரு கணினியை உள்ளீட்டுத் தரவிலிருந்து கற்றுக் கொள்ளவும், முடிவுகளைப் புரிந்துகொள்ளவும் உதவும் நடைமுறைகள். நரம்பியல் நெட்வொர்க்குகள் இயந்திர கற்றலின் அடித்தளம்.

செயற்கை நுண்ணறிவு எவ்வாறு செயல்படுகிறது

வழக்கமான கணினிகள் சிக்கல்களைத் தீர்க்க வழிமுறைகளைப் பயன்படுத்துகின்றன. வழிமுறைகளின் வரிசை, முடிவுகளைப் பெறுவதற்கான படிகளின் படிப்படியாக உங்களை வழிநடத்துகிறது. செயற்கை நுண்ணறிவின் பாரம்பரிய வடிவங்கள் அறிவுத் தளங்கள் மற்றும் பயனர் இடைமுகத்தின் மூலம் அறிவுத் தளத்துடன் பணிபுரிய பல்வேறு வழிமுறைகளைப் பயன்படுத்தும் அனுமான இயந்திரங்களை அடிப்படையாகக் கொண்டவை. பின்வரும் சில முறைகளால் பயனுள்ள முடிவுகள் பெறப்பட்டுள்ளன:

• தேடல்: தேடல் வழிமுறைகள் வரைபடங்கள் அல்லது மரங்களில் சேகரிக்கப்பட்ட தகவல்களின் தரவுத்தளத்தைப் பயன்படுத்துகின்றன. செயற்கை நுண்ணறிவின் முக்கிய முறை தேடல்.
• தர்க்கம்: ஒரு அறிக்கை உண்மையா அல்லது பொய்யா என்பதை தீர்மானிக்க துப்பறியும் தூண்டல் பகுத்தறிவும் பயன்படுத்தப்படுகிறது. இது முன்மொழிவு தர்க்கம் மற்றும் முன்கணிப்பு தர்க்கம் இரண்டையும் உள்ளடக்கியது.
• விதிகள்: விதிகள் என்பது “if” அறிக்கைகளின் தொடர்ச்சியாகும், அவை முடிவைத் தீர்மானிக்கக் காணப்படுகின்றன. விதி அடிப்படையிலான அமைப்புகள் நிபுணர் அமைப்புகள் என்று அழைக்கப்படுகின்றன.
• நிகழ்தகவு மற்றும் புள்ளிவிவரங்கள்: நிகழ்தகவு மற்றும் புள்ளிவிவரங்களின் நிலையான கணிதக் கோட்பாட்டைப் பயன்படுத்துவதன் மூலம் சில சிக்கல்களைத் தீர்க்கலாம் மற்றும் தீர்வுகள் காணப்படுகின்றன.
• பட்டியல்கள்: சில வகையான தகவல்களை பட்டியல்களில் சேமிக்க முடியும், அவை தேடக்கூடியவை.
• அறிவின் பிற வடிவங்கள் ஸ்கீமாக்கள், பிரேம்கள் மற்றும் ஸ்கிரிப்ட்கள் ஆகும், அவை வெவ்வேறு வகையான அறிவை இணைக்கும் கட்டமைப்புகள். தேடல் முறைகள் தொடர்புடைய கேள்விகளுக்கான பதில்களைத் தேடுகின்றன.

தேடல், தர்க்கம், நிகழ்தகவு மற்றும் விதிகள் போன்ற பாரம்பரிய அல்லது மரபு AI நுட்பங்கள் செயற்கை நுண்ணறிவின் முதல் அலைகளாகக் கருதப்படுகின்றன. இந்த முறைகள் இன்னும் பயன்படுத்தப்படுகின்றன மற்றும் அறிவு மற்றும் பகுத்தறிவால் நன்கு ஏற்றுக்கொள்ளப்படுகின்றன, குறிப்பாக ஒரு குறுகிய அளவிலான பணிகளுக்கு. AI இன் முதல் அலை கற்றல் மற்றும் சுருக்க முடிவுகளை எடுக்கும் மனித குணாதிசயங்களைக் கொண்டிருக்கவில்லை. இந்த குணங்கள் இப்போது செயற்கை நுண்ணறிவின் இரண்டாவது அலைகளில் கிடைக்கின்றன, நரம்பியல் நெட்வொர்க்குகள் மற்றும் இயந்திர கற்றலுக்கு நன்றி.

நரம்பியல் வலையமைப்புகள்

இன்று பெரும்பாலான AI ஆராய்ச்சி மற்றும் மேம்பாடு நரம்பியல் நெட்வொர்க்குகள் அல்லது செயற்கை நரம்பியல் நெட்வொர்க்குகள் (ANN கள்) பயன்பாட்டை அடிப்படையாகக் கொண்டது. இந்த நெட்வொர்க்குகள் நமது சிந்தனைக்கும் கற்றலுக்கும் காரணமான மனித மூளையில் உள்ள நியூரான்களைப் பிரதிபலிக்கும் செயற்கை நியூரான்களால் ஆனவை. ஒவ்வொரு நியூரானும் ஒரு சிக்கலான உறவில் ஒரு முனை ஆகும், இது பல நியூரான்களை மற்றவர்களுடன் சினாப்ச்கள் மூலம் இணைக்கிறது. ANN இந்த பிணையத்தை உருவகப்படுத்துகிறது.

ஒவ்வொரு முனையிலும் பல எடையுள்ள உள்ளீடுகள் உள்ளன, அத்துடன் வெளியீடு மற்றும் வாசல் அமைப்பு (மேலே உள்ள படம்). இதுபோன்ற முனைகள் பொதுவாக மென்பொருளில் செயல்படுத்தப்படுகின்றன, இருப்பினும் வன்பொருள் சமன்பாடும் சாத்தியமாகும். ஒரு பொதுவான திட்டமானது மூன்று அடுக்குகளைக் கொண்டுள்ளது - உள்ளீட்டு அடுக்கு, மறைக்கப்பட்ட (செயலாக்கம் அல்லது பயிற்சி அடுக்கு) மற்றும் வெளியீட்டு அடுக்கு:

சில வழிமுறைகள் புதிய தகவல்களைப் பெறும்போது சில முனைகளின் உள்ளீட்டு எடையை மாற்றும் கருத்துக்களை வழங்க பின்னொளியைப் பயன்படுத்துகின்றன.

இயந்திர கற்றல் மற்றும் ஆழமான கற்றல்

இயந்திர கற்றல் என்பது கணினிகளை வடிவங்களை அங்கீகரிக்க கற்பிக்கும் ஒரு முறையாகும். கணினி அல்லது சாதனம் எடுத்துக்காட்டுடன் “கற்றுக்கொள்கிறது”, பின்னர் உள்ளீட்டை பயிற்சி பெற்ற மதிப்புடன் ஒப்பிட்டு சிறப்பு நிரல்களை இயக்குகிறது. பொதுவாக, பயிற்சி மென்பொருளுக்கு பெரிய அளவிலான தரவு தேவைப்படுகிறது. இயந்திர கற்றல் திட்டங்கள் புதிய பொருட்களிலிருந்து அதிக அறிவையும் அனுபவத்தையும் பெறுவதால் தானாகவே கற்றுக்கொள்ள வடிவமைக்கப்பட்டுள்ளன.

நரம்பியல் நெட்வொர்க்குகள் பொதுவாக இயந்திர கற்றலுக்காகப் பயன்படுத்தப்படுகின்றன, இருப்பினும் மற்ற வழிமுறைகளையும் பயன்படுத்தலாம். புதிய உள்ளீட்டின் அடிப்படையில் அங்கீகாரத்தை மேம்படுத்த மென்பொருள் தன்னை மாற்றிக் கொள்ளலாம். சில இயந்திர கற்றல் அமைப்புகள் இப்போது பயிற்சியின்றி சொந்தமாக வடிவங்களை அடையாளம் காண முடியும், பின்னர் மேலும் மேம்படுத்த தங்களை மாற்றியமைக்கலாம்.

ஆழ்ந்த கற்றல் என்பது இயந்திரக் கற்றலின் மேம்பட்ட நிகழ்வு. இது ஆழமான நரம்பியல் நெட்வொர்க்குகள் (ஜி.என்.என்) எனப்படும் நரம்பியல் நெட்வொர்க்குகளையும் பயன்படுத்துகிறது. உங்கள் திறன்களை மேலும் மேம்படுத்த கூடுதல் மறைக்கப்பட்ட கணக்கீட்டு அடுக்குகள் அவற்றில் அடங்கும். வெகுஜன பயிற்சி தேவை. புரோகிராமர்கள் ஒன்றோடொன்று இணைக்கும் எடையுடன் விளையாடுவதன் மூலம் உற்பத்தித்திறனை மேம்படுத்த முடியும். GNS க்கு மேட்ரிக்ஸ் செயலாக்கமும் தேவைப்படுகிறது. இருப்பினும், ஜி.என்.எஸ் கள் புள்ளிவிவர எடைகளைப் பயன்படுத்துகின்றன என்பதைக் கவனத்தில் கொள்ள வேண்டும், எனவே இதன் விளைவாக, காணக்கூடிய அங்கீகாரம் 100% ஆக இருக்காது. கூடுதலாக, அத்தகைய அமைப்புகளை பிழைதிருத்தம் செய்வது மிகவும் கடினமான வேலை.

இயந்திரக் கற்றல் மற்றும் ஆழ்ந்த கற்றல் ஆகியவை பெரிய தரவுத் தொகுப்புகளை பகுப்பாய்வு செய்வதற்கும், கணினி பார்வை மற்றும் பேச்சு அங்கீகாரத்திற்கும் பரவலாகப் பயன்படுத்தப்படுகின்றன. மருத்துவம், சட்டம் மற்றும் நிதி போன்ற பிற துறைகளிலும் அவற்றைப் பயன்படுத்தலாம்.

செயற்கை நுண்ணறிவு மென்பொருள்

AI நிரலாக்கத்திற்கு கிட்டத்தட்ட எந்த நிரலாக்க மொழியையும் பயன்படுத்தலாம், ஆனால் சில மொழிகளில் சில நன்மைகள் உள்ளன. AI க்காக வடிவமைக்கப்பட்ட சுயவிவர மொழிகளில் LISP மற்றும் Prolog ஆகியவை அடங்கும். மிகப் பழமையான உயர் மட்ட மொழிகளில் ஒன்றான LISP பட்டியல்களை செயலாக்குகிறது. புரோலாக் என்பது தர்க்க அடிப்படையிலானது. சி ++ மற்றும் பைதான் இன்று பிரபலமாக உள்ளன. நிபுணர் அமைப்புகளின் வளர்ச்சிக்கு சிறப்பு மென்பொருளும் உள்ளது.

அமேசான், பைடு (சீனா), கூகிள், ஐபிஎம் மற்றும் மைக்ரோசாப்ட் உள்ளிட்ட பல பெரிய AI பயனர்கள் மேம்பாட்டு தளங்களை வழங்குகிறார்கள். இந்த நிறுவனங்கள் குரல் அங்கீகாரம் போன்ற சில பொதுவான பயன்பாடுகளுக்கான தொடக்க புள்ளியாக முன்கூட்டியே பயிற்சி பெற்ற அமைப்புகளை வழங்குகின்றன. என்விடியா மற்றும் ஏஎம்டி போன்ற செயலி விற்பனையாளர்களும் சில ஆதரவை வழங்குகிறார்கள்.

செயற்கை நுண்ணறிவு வன்பொருள்

ஒரு கணினியில் செயற்கை நுண்ணறிவு மென்பொருளை இயக்குவதற்கு பொதுவாக அதிவேகமும் நினைவகமும் தேவை. இருப்பினும், சில எளிய பயன்பாடுகள் 8 பிட் செயலியில் இயங்க முடியும். இன்றைய சில செயலிகள் போதுமானதை விட அதிகமானவை, மேலும் பல இணை செயலிகள் சில பயன்பாடுகளுக்கு ஏற்றதாக இருக்கலாம். கூடுதலாக, சில பயன்பாடுகளுக்கு பிரத்யேக செயலிகள் உருவாக்கப்பட்டுள்ளன.

கிராபிக்ஸ் செயலாக்க அலகுகள் (ஜி.பீ.யூ) செயல்திறனை மேம்படுத்த கொடுக்கப்பட்ட பயன்பாட்டை மையமாகக் கொண்ட ஒரு கட்டமைப்பு மற்றும் அறிவுறுத்தல் தொகுப்பின் எடுத்துக்காட்டு. எடுத்துக்காட்டாக, சுய-ஓட்டுநர் கார்கள் மற்றும் AMD GPU க்காக அர்ப்பணிக்கப்பட்ட என்விடியா செயலிகள். கூகிள் தனது தேடுபொறிகளை மேம்படுத்த அதன் சொந்த செயலிகளை உருவாக்கியுள்ளது. இன்டெல் மற்றும் நுபாத் ஆகியவை அவற்றின் மேம்பட்ட செயலிகளுக்கு மென்பொருள் ஆதரவை வழங்குகின்றன. சில சந்தர்ப்பங்களில், ஒரு ASIC அல்லது FPGA இல் உள்ள சிறப்பு தர்க்கம் ஒரு குறிப்பிட்ட பயன்பாட்டை செயல்படுத்த முடியும்.

செயல்பாடு மற்றும் தற்போதைய நிலை

செயற்கை நுண்ணறிவு ஒரு காலத்தில் சிறப்பு தேவைகளுக்காக வடிவமைக்கப்பட்ட ஒரு கவர்ச்சியான மென்பொருளாக கருதப்பட்டது. அதிக அளவு நினைவகம் கொண்ட அதிவேக கணினிகளின் தேவை அதன் பயன்பாட்டை மட்டுப்படுத்தியது. இன்று, சூப்பர் ஃபாஸ்ட் செயலிகள், மல்டி கோர் செயலிகள் மற்றும் மலிவான நினைவகம் ஆகியவற்றிற்கு நன்றி, AI மிகவும் பிரபலமாகிவிட்டது. நாம் அனைவரும் தினசரி பயன்படுத்தும் கூகிள் தேடுபொறிகள் செயற்கை நுண்ணறிவை அடிப்படையாகக் கொண்டவை.

இன்றுவரை, கவனம் சந்தேகத்திற்கு இடமின்றி நரம்பியல் நெட்வொர்க்குகள் மற்றும் ஆழமான இயந்திர கற்றல் ஆகியவற்றில் உள்ளது. குரல் அங்கீகாரம் மற்றும் சுய-ஓட்டுநர் கார்கள் கவனத்தை ஈர்க்கும் அதே வேளையில், முக அங்கீகாரம், சுய-ஓட்டுநர் வழிசெலுத்தல், ரோபாட்டிக்ஸ், மருத்துவ நோயறிதல் மற்றும் நிதி போன்ற பிற முக்கிய பயன்பாடுகள் உருவாகின்றன. மேம்பட்ட இராணுவ பயன்பாடுகளும் (தன்னாட்சி ஆயுதங்கள் போன்றவை) வளர்ச்சியில் உள்ளன.

AI இன் எதிர்காலம் நம்பிக்கைக்குரியதாக தோன்றுகிறது. ஆர்பிஸ் ரிசர்ச் படி, உலகளாவிய செயற்கை நுண்ணறிவு சந்தை 2022 ஆம் ஆண்டில் 35% க்கும் அதிகமான கூட்டு வருடாந்திர வளர்ச்சி விகிதத்துடன் வளரும் என்று எதிர்பார்க்கப்படுகிறது. சர்வதேச தரவுக் கழகமும் (ஐடிசி) உற்சாகமாக உள்ளது, செயற்கை நுண்ணறிவுக்கான செலவு 2020 ஆம் ஆண்டில் 47 பில்லியன் டாலராக உயரும் என்று எதிர்பார்க்கப்படுகிறது, இது 2016 ஆம் ஆண்டில் 8 பில்லியன் டாலராக இருந்தது.

பலருக்கு ஒரு தர்க்கரீதியான கேள்வி உள்ளது - செயற்கை நுண்ணறிவு சில தொழில்களில் மக்களை மாற்றும், அவர்கள் எந்த வகையான தொழில்களாக இருப்பார்கள்? பதில் பின்வருமாறு - "ஒரு சிலரே இருக்கலாம்." செயற்கை நுண்ணறிவு கணினிகள் உற்பத்தித்திறன், செயல்திறன் மற்றும் முடிவெடுக்கும் வேகத்தை அதிகரிப்பதன் மூலம் சில தொழில்களின் உற்பத்தித்திறனை மேம்படுத்த உதவும். இருப்பினும், ரோபாட்டிக்ஸ் வேகத்தை அதிகரிப்பதால் சில தொழில்துறை வேலைகள் இன்னும் இழக்கப்படும், ஆனால் மனிதர்களை இயந்திரங்களுடன் மாற்றுவது இந்த இயந்திரங்களுக்கு சேவை செய்வதோடு தொடர்புடைய புதிய வேலைகளை உருவாக்கும்.

பலர் கேட்கும் மற்றொரு கேள்வி, செயற்கை நுண்ணறிவு மனிதகுலத்திற்கு ஆபத்தானதா? AI புத்திசாலி, ஆனால் அது புத்திசாலி அல்ல. தரவு பகுப்பாய்வு, சிக்கலைத் தீர்ப்பது மற்றும் கிடைக்கக்கூடிய தகவல்கள் மற்றும் வடிகட்டிய அறிவின் அடிப்படையில் முடிவெடுப்பது இதன் முக்கிய நோக்கம். மக்கள் இன்னும் ஆதிக்கம் செலுத்துகிறார்கள், குறிப்பாக புதுமை மற்றும் படைப்பாற்றல் விஷயத்தில். இருப்பினும், எதிர்காலத்தை கணிப்பது கடினம். குறைந்தபட்சம், வளர்ச்சியின் இந்த கட்டத்தில், சூப்பர் ஸ்மார்ட் ரோபோக்கள் இல்லை, இன்னும் இல்லை ...

செயற்கை நுண்ணறிவு (AI அல்லது AI) அறிவார்ந்த இயந்திரங்களை (கணினி நிரல்கள் உட்பட) உருவாக்குவதை சாத்தியமாக்கும் தொழில்நுட்பங்களை விட அதிகமாக உள்ளடக்கியது. AI என்பது அறிவியல் சிந்தனையின் கிளைகளில் ஒன்றாகும்.

செயற்கை நுண்ணறிவு - வரையறை

நுண்ணறிவு - இது ஒரு நபரின் மன கூறு, இது பின்வரும் திறன்களைக் கொண்டுள்ளது:

• சந்தர்ப்பவாத;
• அனுபவம் மற்றும் அறிவைக் குவிப்பதன் மூலம் கற்றல்;
• சூழலை நிர்வகிக்க அறிவு மற்றும் திறன்களைப் பயன்படுத்துவதற்கான திறன்.

புத்திஜீவித்தனம் யதார்த்தத்தை அறிந்துகொள்ள அனைத்து மனித திறன்களையும் ஒன்றிணைக்கிறது. அதன் உதவியுடன், ஒரு நபர் சிந்திக்கிறார், புதிய தகவல்களை நினைவில் கொள்கிறார், சூழலை உணர்கிறார், மற்றும் பல.

செயற்கை நுண்ணறிவு என்பது தகவல் தொழில்நுட்பத்தின் ஒரு பகுதியைக் குறிக்கிறது, இது அமைப்புகளின் (இயந்திரங்கள்) ஆய்வு மற்றும் வளர்ச்சியில் ஈடுபட்டுள்ளது, மனித நுண்ணறிவின் திறன்களைக் கொண்டுள்ளது: கற்றுக்கொள்ளும் திறன், தர்க்கரீதியான பகுத்தறிவு மற்றும் பல.

இந்த நேரத்தில், செயற்கை நுண்ணறிவு தொடர்பான பணிகள் மனிதர்களைப் போலவே பிரச்சினைகளையும் தீர்க்கும் புதிய திட்டங்கள் மற்றும் வழிமுறைகளை உருவாக்குவதன் மூலம் மேற்கொள்ளப்படுகின்றன.

இந்த திசை உருவாகும்போது AI இன் வரையறை உருவாகிறது என்ற உண்மையின் காரணமாக, AI விளைவைக் குறிப்பிட வேண்டியது அவசியம். இது செயற்கை நுண்ணறிவு உருவாக்கும் விளைவைக் குறிக்கிறது, இது சில முன்னேற்றங்களை அடைந்துள்ளது. எடுத்துக்காட்டாக, AI ஏதேனும் செயல்களைச் செய்யக் கற்றுக் கொண்டால், விமர்சகர்கள் உடனடியாக ஈடுபடுகிறார்கள், இந்த வெற்றிகள் இயந்திரத்தில் சிந்தனை இருப்பதைக் குறிக்கவில்லை என்று வாதிடுகின்றனர்.

இன்று, செயற்கை நுண்ணறிவு இரண்டு சுயாதீன திசைகளில் வளர்ந்து வருகிறது:

• நியூரோசிபெர்னெடிக்ஸ்;
• தருக்க அணுகுமுறை.

முதல் பகுதி ஒரு உயிரியல் பார்வையில் நரம்பியல் நெட்வொர்க்குகள் மற்றும் பரிணாம கணக்கீடு ஆகியவற்றை உள்ளடக்கியது. தர்க்கரீதியான அணுகுமுறை உயர் மட்ட அறிவுசார் செயல்முறைகளை உருவகப்படுத்தும் அமைப்புகளின் வளர்ச்சியைக் குறிக்கிறது: சிந்தனை, பேச்சு மற்றும் பல.

AI துறையில் முதல் பணி கடந்த நூற்றாண்டின் நடுப்பகுதியில் தொடங்கியது. இந்த திசையில் ஆராய்ச்சியின் முன்னோடி ஆலன் டூரிங், சில கருத்துக்கள் இடைக்காலத்தில் தத்துவவாதிகள் மற்றும் கணிதவியலாளர்களால் வெளிப்படுத்தத் தொடங்கினாலும். குறிப்பாக, 20 ஆம் நூற்றாண்டின் தொடக்கத்தில், சதுரங்கப் பிரச்சினைகளைத் தீர்க்கும் திறன் கொண்ட ஒரு இயந்திர சாதனம் வழங்கப்பட்டது.

ஆனால் இந்த போக்கு கடந்த நூற்றாண்டின் நடுப்பகுதியில் உண்மையில் வடிவம் பெற்றது. AI இன் படைப்புகள் தோன்றுவதற்கு முன்னதாக மனித இயல்பு பற்றிய ஆராய்ச்சி, நம்மைச் சுற்றியுள்ள உலகை அறிந்து கொள்ளும் வழிகள், சிந்தனை செயல்முறையின் சாத்தியக்கூறுகள் மற்றும் பிற பகுதிகள். அந்த நேரத்தில், முதல் கணினிகள் மற்றும் வழிமுறைகள் தோன்றின. அதாவது, அடித்தளம் உருவாக்கப்பட்டது, அதன் அடிப்படையில் ஆராய்ச்சியின் புதிய திசை பிறந்தது.

1950 ஆம் ஆண்டில், ஆலன் டூரிங் ஒரு கட்டுரையை வெளியிட்டார், அதில் அவர் எதிர்கால இயந்திரங்களின் திறன்களைப் பற்றியும், உளவுத்துறையின் அடிப்படையில் மனிதர்களைக் கடந்து செல்ல முடியுமா என்றும் கேள்விகளைக் கேட்டார். இந்த விஞ்ஞானிதான் ஒரு நடைமுறையை உருவாக்கினார், பின்னர் அவருக்கு பெயரிடப்பட்டது: டூரிங் சோதனை.

ஆங்கில விஞ்ஞானியின் படைப்பு வெளியிடப்பட்ட பின்னர், AI துறையில் புதிய ஆராய்ச்சி தோன்றியது. டூரிங் படி, தகவல்தொடர்பு போது ஒரு நபரிடமிருந்து வேறுபடுத்த முடியாத ஒரு இயந்திரத்தை மட்டுமே சிந்தனையாக அங்கீகரிக்க முடியும். விஞ்ஞானியின் கட்டுரை தோன்றிய அதே நேரத்தில், பேபி மெஷின் என்று ஒரு கருத்து பிறந்தது. இது AI இன் முற்போக்கான வளர்ச்சிக்கும் இயந்திரங்களை உருவாக்குவதற்கும் வழங்கியது, அவற்றின் சிந்தனை செயல்முறைகள் முதலில் குழந்தையின் மட்டத்தில் உருவாகின்றன, பின்னர் படிப்படியாக மேம்படுகின்றன.

"செயற்கை நுண்ணறிவு" என்ற சொல் பின்னர் பிறந்தது. 1952 ஆம் ஆண்டில், டூரிங் உள்ளிட்ட விஞ்ஞானிகள் குழு அமெரிக்க டார்ட்மண்ட் பல்கலைக்கழகத்தில் கூடி AI தொடர்பான பிரச்சினைகள் குறித்து விவாதித்தது. அந்த சந்திப்புக்குப் பிறகு, செயற்கை நுண்ணறிவு திறன்களைக் கொண்ட இயந்திரங்களின் செயலில் வளர்ச்சி தொடங்கியது.

AI துறையில் புதிய தொழில்நுட்பங்களை உருவாக்குவதில் ஒரு சிறப்புப் பங்கு இராணுவத் துறைகளால் வகிக்கப்பட்டது, இது இந்த ஆராய்ச்சிக்கு தீவிரமாக நிதியளித்தது. அதைத் தொடர்ந்து, செயற்கை நுண்ணறிவுத் துறையில் பணிகள் பெரிய நிறுவனங்களை ஈர்க்கத் தொடங்கின.

நவீன வாழ்க்கை ஆராய்ச்சியாளர்களுக்கு மிகவும் சிக்கலான பணிகளை முன்வைக்கிறது. ஆகையால், செயற்கை நுண்ணறிவு பிறந்த காலத்தில் நடந்தவற்றோடு ஒப்பிட்டுப் பார்த்தால், AI இன் வளர்ச்சி அடிப்படையில் வேறுபட்ட நிலைமைகளில் மேற்கொள்ளப்படுகிறது. உலகமயமாக்கலின் செயல்முறைகள், டிஜிட்டல் துறையில் சைபர் கிரைமினல்களின் நடவடிக்கைகள், இணையத்தின் வளர்ச்சி மற்றும் பிற சிக்கல்கள் - இவை அனைத்தும் விஞ்ஞானிகளுக்கு சிக்கலான சிக்கல்களைத் தருகின்றன, அதற்கான தீர்வு AI துறையில் உள்ளது.

சமீபத்திய ஆண்டுகளில் இந்த பகுதியில் கிடைத்த வெற்றிகள் இருந்தபோதிலும் (எடுத்துக்காட்டாக, தன்னாட்சி தொழில்நுட்பத்தின் தோற்றம்), உண்மையிலேயே செயற்கை நுண்ணறிவை உருவாக்குவதை நம்பாத சந்தேக நபர்களின் குரல்கள், மற்றும் மிகவும் திறமையான திட்டம் அல்ல, இன்னும் குறையவில்லை. AI இன் செயலில் வளர்ச்சி விரைவில் இயந்திரங்கள் மனிதர்களை முழுவதுமாக மாற்றும் சூழ்நிலைக்கு வழிவகுக்கும் என்று பல விமர்சகர்கள் அஞ்சுகின்றனர்.

ஆராய்ச்சி திசைகள்

மனித நுண்ணறிவின் தன்மை என்ன, அதன் நிலை என்ன என்பது குறித்து தத்துவவாதிகள் இன்னும் ஒருமித்த கருத்துக்கு வரவில்லை. இது சம்பந்தமாக, AI க்கு அர்ப்பணிக்கப்பட்ட விஞ்ஞான படைப்புகளில், செயற்கை நுண்ணறிவு என்ன பணிகளை தீர்க்கிறது என்பதைக் கூறும் பல யோசனைகள் உள்ளன. எந்த இயந்திரத்தை புத்திசாலி என்று கருதலாம் என்ற கேள்விக்கு பொதுவான புரிதலும் இல்லை.

இன்று, செயற்கை நுண்ணறிவு தொழில்நுட்பங்களின் வளர்ச்சி இரண்டு திசைகளில் செல்கிறது:

1. இறங்கு (செமியோடிக்). பேச்சு, உணர்ச்சிகளின் வெளிப்பாடு மற்றும் சிந்தனை போன்ற உயர் மட்ட மன செயல்முறைகளைப் பின்பற்றும் புதிய அமைப்புகள் மற்றும் அறிவுத் தளங்களின் வளர்ச்சிக்கு இது வழங்குகிறது.
2. ஏறுதல் (உயிரியல்). இந்த அணுகுமுறை நரம்பியல் நெட்வொர்க்குகள் துறையில் ஆராய்ச்சி நடத்துவதை உள்ளடக்கியது, இதன் மூலம் உயிரியல் செயல்முறைகளின் அடிப்படையில் அறிவார்ந்த நடத்தை மாதிரிகள் உருவாக்கப்படுகின்றன. இந்த திசையின் அடிப்படையில், நியூரோகம்ப்யூட்டர்கள் உருவாக்கப்படுகின்றன.

செயற்கை நுண்ணறிவு (இயந்திரங்கள்) ஒரு நபரைப் போலவே சிந்திக்கும் திறனை தீர்மானிக்கிறது. பொதுவாக, இந்த அணுகுமுறை AI ஐ உருவாக்குவதற்கு வழங்குகிறது, அதன் நடத்தை அதே, சாதாரண சூழ்நிலைகளில் மனித செயல்களிலிருந்து வேறுபடுவதில்லை. உண்மையில், டூரிங் சோதனை ஒரு இயந்திரம் புத்திசாலித்தனமாக இருக்கும் என்று கருதுகிறது, அதனுடன் தொடர்பு கொள்ளும்போது, \u200b\u200bயார் பேசுகிறார்கள் என்பதைப் புரிந்து கொள்ள முடியாது: ஒரு பொறிமுறை அல்லது வாழும் நபர்.

அறிவியல் புனைகதை புத்தகங்கள் AI இன் திறன்களை மதிப்பிடுவதற்கான வேறுபட்ட முறையை வழங்குகின்றன. செயற்கை நுண்ணறிவு உணர்ந்தால் அதை உருவாக்க முடியும். இருப்பினும், வரையறைக்கான இந்த அணுகுமுறை நடைமுறை பயன்பாட்டிற்கு பொருந்தாது. ஏற்கனவே, எடுத்துக்காட்டாக, சுற்றுச்சூழலில் ஏற்படும் மாற்றங்களுக்கு (குளிர், வெப்பம் மற்றும் பல) பதிலளிக்கும் திறன் கொண்ட இயந்திரங்கள் உருவாக்கப்படுகின்றன. இருப்பினும், ஒரு நபர் செய்யும் விதத்தை அவர்களால் உணர முடியாது.

குறியீட்டு அணுகுமுறை

சிக்கல்களைத் தீர்ப்பதில் வெற்றி பெரும்பாலும் நிலைமையைப் பற்றி நெகிழ்வாக இருப்பதன் மூலம் தீர்மானிக்கப்படுகிறது. இயந்திரங்கள், மனிதர்களைப் போலன்றி, அவர்கள் பெறும் தரவை ஒரே மாதிரியாக விளக்குகின்றன. எனவே, ஒரு நபர் மட்டுமே பிரச்சினைகளைத் தீர்ப்பதில் பங்கேற்கிறார். பல சுருக்க மாதிரிகளின் பயன்பாட்டை விலக்கும் எழுதப்பட்ட வழிமுறைகளின் அடிப்படையில் இயந்திரம் செயல்பாடுகளை செய்கிறது. சிக்கல்களைத் தீர்ப்பதில் உள்ள வளங்களை அதிகரிப்பதன் மூலம் நிரல்களிலிருந்து நீங்கள் நெகிழ்வுத்தன்மையை அடையலாம்.

மேலே உள்ள குறைபாடுகள் AI இன் வளர்ச்சியில் பயன்படுத்தப்படும் குறியீட்டு அணுகுமுறையின் சிறப்பியல்பு. இருப்பினும், செயற்கை நுண்ணறிவின் வளர்ச்சியின் இந்த திசை கணக்கீட்டு செயல்பாட்டில் புதிய விதிகளை உருவாக்க உங்களை அனுமதிக்கிறது. குறியீட்டு அணுகுமுறையிலிருந்து எழும் சிக்கல்களை தர்க்கரீதியான முறைகள் மூலம் தீர்க்க முடியும்.

தருக்க அணுகுமுறை

இந்த அணுகுமுறை பகுத்தறிவின் செயல்முறையைப் பிரதிபலிக்கும் மாதிரிகளை உருவாக்குவதை உள்ளடக்கியது. இது தர்க்கத்தின் கொள்கைகளை அடிப்படையாகக் கொண்டது.

இந்த அணுகுமுறை ஒரு குறிப்பிட்ட முடிவுக்கு வழிவகுக்கும் கடுமையான வழிமுறைகளைப் பயன்படுத்துவதில்லை.

முகவர் அடிப்படையிலான அணுகுமுறை

இது அறிவார்ந்த முகவர்களைப் பயன்படுத்துகிறது. இந்த அணுகுமுறை பின்வருவனவற்றைக் கருதுகிறது: நுண்ணறிவு என்பது இலக்குகளை அடையக்கூடிய கணக்கீட்டு பகுதியாகும். இயந்திரம் ஒரு அறிவார்ந்த முகவரின் பாத்திரத்தை வகிக்கிறது. சிறப்பு சென்சார்களைப் பயன்படுத்தி சுற்றுச்சூழலைக் கற்றுக்கொள்கிறாள், மேலும் இயந்திர பாகங்கள் மூலம் அதனுடன் தொடர்பு கொள்கிறாள்.

முகவர் அடிப்படையிலான அணுகுமுறை பல்வேறு சூழ்நிலைகளில் இயந்திரங்கள் செயல்பட அனுமதிக்கும் வழிமுறைகள் மற்றும் முறைகளின் வளர்ச்சியில் கவனம் செலுத்துகிறது.

கலப்பின அணுகுமுறை

இந்த அணுகுமுறை நரம்பியல் மற்றும் குறியீட்டு மாதிரிகளின் கலவையை உள்ளடக்கியது, இதன் காரணமாக சிந்தனை மற்றும் கணக்கீடு செயல்முறைகளுடன் தொடர்புடைய அனைத்து சிக்கல்களுக்கும் தீர்வு அடையப்படுகிறது. எடுத்துக்காட்டாக, நரம்பியல் நெட்வொர்க்குகள் இயந்திரம் நகரும் திசையை உருவாக்க முடியும். நிலையான கற்றல் சிக்கல்களைத் தீர்ப்பதற்கான அடிப்படையை வழங்குகிறது.

நிறுவனத்தின் நிபுணர்களின் கணிப்புகளின்படி கார்ட்னர், 2020 களின் தொடக்கத்தில், வெளியிடப்பட்ட அனைத்து மென்பொருள் தயாரிப்புகளும் செயற்கை நுண்ணறிவு தொழில்நுட்பங்களைப் பயன்படுத்தும். மேலும், டிஜிட்டல் துறையில் 30% முதலீடுகள் AI இலிருந்து வரும் என்று நிபுணர்கள் தெரிவிக்கின்றனர்.

கார்ட்னர் ஆய்வாளர்களின் கூற்றுப்படி, செயற்கை நுண்ணறிவு மக்கள் மற்றும் இயந்திரங்களின் ஒத்துழைப்புக்கான புதிய வாய்ப்புகளைத் திறக்கிறது. அதே நேரத்தில், AI ஆல் மனித இடம்பெயர்வு செயல்முறையை நிறுத்த முடியாது, எதிர்காலத்தில் அது துரிதப்படுத்தப்படும்.

நிறுவனத்தில் பி.வி.சி. புதிய தொழில்நுட்பங்களை விரைவாக அறிமுகப்படுத்துவதால் 2030 வாக்கில் உலகளாவிய மொத்த உள்நாட்டு உற்பத்தி சுமார் 14% அதிகரிக்கும் என்று நம்புங்கள். மேலும், ஏறக்குறைய 50% அதிகரிப்பு உற்பத்தி செயல்முறைகளின் செயல்திறனை அதிகரிப்பதை உறுதி செய்யும். தயாரிப்புகளில் AI அறிமுகப்படுத்தப்படுவதால் பெறப்பட்ட கூடுதல் லாபம் காட்டி இரண்டாம் பாதியில் இருக்கும்.

ஆரம்பத்தில், செயற்கை நுண்ணறிவைப் பயன்படுத்துவதன் விளைவை அமெரிக்கா பெறும், ஏனெனில் இந்த நாடு AI இயந்திரங்களின் செயல்பாட்டிற்கு சிறந்த நிலைமைகளை உருவாக்கியுள்ளது. எதிர்காலத்தில், அவை சீனாவால் முறியடிக்கப்படும், இது தயாரிப்புகள் மற்றும் அவற்றின் உற்பத்தியில் அத்தகைய தொழில்நுட்பங்களை அறிமுகப்படுத்துவதன் மூலம் அதிகபட்ச லாபத்தைப் பெறும்.

நிறுவன வல்லுநர்கள் சேல்ஃபோர்ஸ் AI சிறு வணிக லாபத்தை சுமார் 1 1.1 டிரில்லியன் அதிகரிக்கும் என்று கூறுங்கள். இது 2021 க்குள் நடக்கும். ஒரு பகுதியாக, வாடிக்கையாளர்களுடன் தொடர்புகொள்வதற்கு பொறுப்பான அமைப்புகளில் AI வழங்கும் தீர்வுகளை செயல்படுத்துவதன் மூலம் இந்த காட்டி அடையப்படும். அதே நேரத்தில், உற்பத்தி செயல்முறைகளின் செயல்திறன் அவற்றின் ஆட்டோமேஷன் காரணமாக மேம்படுத்தப்படும்.

புதிய தொழில்நுட்பங்களின் அறிமுகம் கூடுதலாக 800 ஆயிரம் வேலைகளை உருவாக்கும். செயல்முறைகளின் ஆட்டோமேஷன் காரணமாக ஏற்பட்ட காலியிடங்களின் இழப்பை இந்த காட்டி நடுநிலையாக்குகிறது என்று நிபுணர்கள் சுட்டிக்காட்டுகின்றனர். நிறுவனங்களின் கணக்கெடுப்பின் அடிப்படையில், 2020 களின் முற்பகுதியில் உற்பத்தி செயல்முறைகளை தன்னியக்கமாக்குவதற்கான அவர்களின் செலவு சுமார் 46 பில்லியன் டாலராக உயரும் என்று ஆய்வாளர்கள் கணித்துள்ளனர்.

ரஷ்யாவில், AI துறையிலும் பணிகள் நடந்து வருகின்றன. 10 ஆண்டுகளில், இந்த பகுதியில் 1.3 ஆயிரத்துக்கும் மேற்பட்ட திட்டங்களுக்கு அரசு நிதியளித்துள்ளது. மேலும், பெரும்பாலான முதலீடுகள் வணிக நடவடிக்கைகளின் நடத்தை தொடர்பான திட்டங்களின் வளர்ச்சிக்கு சென்றன. செயற்கை நுண்ணறிவு தொழில்நுட்பங்களை அறிமுகப்படுத்துவதில் ரஷ்ய வணிக சமூகம் இன்னும் ஆர்வம் காட்டவில்லை என்பதை இது காட்டுகிறது.

மொத்தத்தில், இந்த நோக்கங்களுக்காக சுமார் 23 பில்லியன் ரூபிள் ரஷ்யாவில் முதலீடு செய்யப்பட்டுள்ளது. அரசாங்க மானியங்களின் அளவு மற்ற நாடுகள் நிரூபிக்கும் AI நிதியத்தின் அளவை விட குறைவாக உள்ளது. அமெரிக்காவில், இந்த நோக்கங்களுக்காக ஒவ்வொரு ஆண்டும் சுமார் million 200 மில்லியன் ஒதுக்கப்படுகிறது.

அடிப்படையில், ரஷ்யாவில், AI தொழில்நுட்பங்களை மேம்படுத்துவதற்காக மாநில பட்ஜெட்டில் இருந்து நிதி ஒதுக்கப்படுகிறது, பின்னர் அவை போக்குவரத்துத் துறை, பாதுகாப்புத் துறை மற்றும் பாதுகாப்பு தொடர்பான திட்டங்களில் பயன்படுத்தப்படுகின்றன. இந்த சூழ்நிலை, நம் நாட்டில் அவர்கள் முதலீடு செய்த நிதியில் இருந்து ஒரு குறிப்பிட்ட விளைவை விரைவாக அடைய உங்களை அனுமதிக்கும் பகுதிகளில் முதலீடு செய்வதற்கான வாய்ப்புகள் அதிகம் என்பதைக் குறிக்கிறது.

AI தொழில்நுட்பங்களின் வளர்ச்சியில் ஈடுபடக்கூடிய நிபுணர்களைப் பயிற்றுவிப்பதற்கான அதிக திறனை ரஷ்யா இப்போது குவித்துள்ளது என்பதையும் மேற்கண்ட ஆய்வு காட்டுகிறது. கடந்த 5 ஆண்டுகளில், சுமார் 200 ஆயிரம் பேர் AI தொடர்பான பகுதிகளில் பயிற்சி முடித்துள்ளனர்.

AI தொழில்நுட்பங்கள் பின்வரும் திசைகளில் உருவாகின்றன:

• aI திறன்களை மனிதர்களுடன் நெருக்கமாக கொண்டுவருவதற்கும் அவற்றை அன்றாட வாழ்க்கையில் ஒருங்கிணைப்பதற்கான வழிகளைக் கண்டறிவதற்கும் சிக்கல்களைத் தீர்ப்பது;
• ஒரு முழுமையான மனதின் வளர்ச்சி, இதன் மூலம் மனிதகுலம் எதிர்கொள்ளும் பணிகள் தீர்க்கப்படும்.

இந்த நேரத்தில், ஆராய்ச்சியாளர்கள் நடைமுறை சிக்கல்களை தீர்க்கும் தொழில்நுட்பங்களை உருவாக்குவதில் கவனம் செலுத்துகின்றனர். விஞ்ஞானிகள் ஒரு முழுமையான செயற்கை நுண்ணறிவை உருவாக்க நெருங்கும் வரை.

AI தொழில்நுட்பங்களின் வளர்ச்சியில் பல நிறுவனங்கள் ஈடுபட்டுள்ளன. யாண்டெக்ஸ் பல ஆண்டுகளாக ஒரு தேடுபொறியின் பணியில் அவற்றைப் பயன்படுத்துகிறது. 2016 முதல், ரஷ்ய தகவல் தொழில்நுட்ப நிறுவனம் நரம்பியல் நெட்வொர்க்குகள் துறையில் ஆராய்ச்சியில் ஈடுபட்டுள்ளது. பிந்தையவர்கள் தேடுபொறிகள் செயல்படும் முறையை மாற்றுகிறார்கள். குறிப்பாக, நரம்பியல் நெட்வொர்க்குகள் பயனர் உள்ளிட்ட வினவலை ஒரு குறிப்பிட்ட திசையன் எண்ணுடன் ஒப்பிடுகின்றன, அவை பணியின் பொருளை முழுமையாக பிரதிபலிக்கின்றன. வேறு வார்த்தைகளில் கூறுவதானால், தேடல் ஒரு வார்த்தையால் அல்ல, ஆனால் ஒரு நபர் கோரிய தகவலின் சாராம்சத்தால் நடத்தப்படுகிறது.

2016 இல் யாண்டெக்ஸ் சேவையைத் தொடங்கினார் "ஜென்"இது பயனர் விருப்பங்களை பகுப்பாய்வு செய்கிறது.

நிறுவனம் உள்ளது அப்பி கணினி சமீபத்தில் தோன்றியது காம்ப்ரெனோ... அதன் உதவியுடன், எழுதப்பட்ட உரையை இயற்கையான மொழியில் புரிந்து கொள்ள முடியும். செயற்கை நுண்ணறிவு தொழில்நுட்பங்களை அடிப்படையாகக் கொண்ட பிற அமைப்புகளும் சமீபத்தில் சந்தையில் நுழைந்தன:

1. கண்டுபிடிப்பு. இந்த அமைப்பு மனித பேச்சை அங்கீகரிக்கும் திறன் கொண்டது மற்றும் சிக்கலான கேள்விகளைப் பயன்படுத்தி பல்வேறு ஆவணங்கள் மற்றும் கோப்புகளில் தகவல்களைத் தேடுகிறது.
2. கமலோன். இந்த நிறுவனம் ஒரு சுய கற்றல் முறையை அறிமுகப்படுத்தியது.
3. வாட்சன். தகவல்களைத் தேட ஏராளமான வழிமுறைகளைப் பயன்படுத்தும் ஐபிஎம் கணினி.
4. ViaVoice. மனித பேச்சு அங்கீகார அமைப்பு.

பெரிய வணிக நிறுவனங்கள் செயற்கை நுண்ணறிவின் முன்னேற்றத்திலிருந்து விலகிச் செல்லவில்லை. இதுபோன்ற தொழில்நுட்பங்களை வங்கிகள் தங்கள் செயல்பாடுகளில் தீவிரமாக அறிமுகப்படுத்துகின்றன. AI- அடிப்படையிலான அமைப்புகளின் உதவியுடன், அவை பரிமாற்றங்களில் பரிவர்த்தனைகளை நடத்துகின்றன, சொத்துக்களை நிர்வகிக்கின்றன மற்றும் பிற செயல்பாடுகளைச் செய்கின்றன.

பாதுகாப்புத் தொழில், மருத்துவம் மற்றும் பிற துறைகள் பொருள் அங்கீகார தொழில்நுட்பங்களை அறிமுகப்படுத்துகின்றன. கணினி விளையாட்டுகளை உருவாக்கும் நிறுவனங்கள் மற்றொரு தயாரிப்பை உருவாக்க AI ஐப் பயன்படுத்துகின்றன.

கடந்த பல ஆண்டுகளாக, அமெரிக்க விஞ்ஞானிகள் குழு ஒரு திட்டத்தில் பணியாற்றி வருகிறது நீல், இதில் புகைப்படத்தில் காட்டப்பட்டுள்ளதை கணினி அங்கீகரிக்க வேண்டும் என்று ஆராய்ச்சியாளர்கள் பரிந்துரைக்கின்றனர். இந்த வழியில் அவர்கள் வெளிப்புற குறுக்கீடு இல்லாமல் சுய கற்றல் திறன் கொண்ட ஒரு அமைப்பை உருவாக்க முடியும் என்று நிபுணர்கள் கருதுகின்றனர்.

நிறுவனம் விஷன்லாப் அதன் சொந்த தளத்தை வழங்கியது லுனாபடங்கள் மற்றும் வீடியோக்களின் ஒரு பெரிய தொகுப்பிலிருந்து அவற்றைத் தேர்ந்தெடுப்பதன் மூலம் உண்மையான நேரத்தில் முகங்களை அடையாளம் காண முடியும். இந்த தொழில்நுட்பத்தை இன்று பெரிய வங்கிகள் மற்றும் பிணைய சில்லறை விற்பனையாளர்கள் பயன்படுத்துகின்றனர். லுனா மூலம், நீங்கள் மக்களின் விருப்பங்களுடன் பொருந்தலாம் மற்றும் அவர்களுக்கு சரியான தயாரிப்புகள் மற்றும் சேவைகளை வழங்க முடியும்.

ஒரு ரஷ்ய நிறுவனம் இதே போன்ற தொழில்நுட்பங்களில் வேலை செய்கிறது என்-டெக் ஆய்வகம்... அதே நேரத்தில், நரம்பியல் நெட்வொர்க்குகளின் அடிப்படையில் முகம் அடையாளம் காணும் முறையை உருவாக்க அதன் வல்லுநர்களுக்கு உணவளிக்கப்படுகிறது. சமீபத்திய தரவுகளின்படி, ரஷ்ய வளர்ச்சி மனிதனை விட சிறப்பாக ஒதுக்கப்பட்ட பணிகளை சமாளிக்கிறது.

ஸ்டீபன் ஹாக்கிங் கருத்துப்படி, எதிர்காலத்தில் செயற்கை நுண்ணறிவு தொழில்நுட்பங்களின் வளர்ச்சி மனிதகுலத்தின் மரணத்திற்கு வழிவகுக்கும். AI இன் அறிமுகத்தால் மக்கள் படிப்படியாக சீரழிந்து விடுவார்கள் என்று விஞ்ஞானி குறிப்பிட்டார். இயற்கை பரிணாம வளர்ச்சியின் நிலைமைகளில், ஒரு நபர் தொடர்ந்து உயிர்வாழ போராட வேண்டியிருக்கும் போது, \u200b\u200bஇந்த செயல்முறை தவிர்க்க முடியாமல் அவரது மரணத்திற்கு வழிவகுக்கும்.

ரஷ்யாவில், AI ஐ அறிமுகப்படுத்துவதற்கான பிரச்சினை சாதகமாக பார்க்கப்படுகிறது. அத்தகைய தொழில்நுட்பங்களைப் பயன்படுத்துவது WFP இன் 0.3% மாநில எந்திரத்தை பராமரிப்பதற்கான செலவைக் குறைக்கும் என்று அலெக்ஸி குட்ரின் ஒருமுறை கூறினார். AI அறிமுகப்படுத்தப்பட்டதன் காரணமாக பல தொழில்கள் காணாமல் போவதாக டிமிட்ரி மெட்வெடேவ் கணித்துள்ளார். இருப்பினும், அத்தகைய தொழில்நுட்பங்களைப் பயன்படுத்துவது பிற தொழில்களின் விரைவான வளர்ச்சிக்கு வழிவகுக்கும் என்று அதிகாரி வலியுறுத்தினார்.

உலக பொருளாதார மன்றத்தின் வல்லுநர்களின் கூற்றுப்படி, 2020 களின் தொடக்கத்தில், உலகில் சுமார் 7 மில்லியன் மக்கள் உற்பத்தியின் ஆட்டோமேஷன் காரணமாக வேலை இழக்க நேரிடும். AI இன் அறிமுகம் பொருளாதாரத்தின் மாற்றத்தையும் தரவு செயலாக்கம் தொடர்பான பல தொழில்கள் காணாமல் போவதற்கும் அதிக வாய்ப்புள்ளது.

நிபுணர்கள் மெக்கின்சி ரஷ்யா, சீனா மற்றும் இந்தியாவில் உற்பத்தியை தன்னியக்கமாக்கும் செயல்முறை மிகவும் தீவிரமாக இருக்கும் என்று கூறுங்கள். இந்த நாடுகளில், எதிர்காலத்தில், AI இன் அறிமுகத்தால் 50% தொழிலாளர்கள் வேலை இழக்க நேரிடும். கணினிமயமாக்கப்பட்ட அமைப்புகள் மற்றும் ரோபோக்கள் அவற்றின் இடத்தைப் பிடிக்கும்.

மெக்கின்சியின் கூற்றுப்படி, செயற்கை நுண்ணறிவு கையேடு மற்றும் தகவல் செயலாக்க தொழில்களை மாற்றும்: சில்லறை, விருந்தோம்பல் மற்றும் பல.

இந்த நூற்றாண்டின் நடுப்பகுதியில், அமெரிக்க நிறுவனத்தின் நிபுணர்களின் கூற்றுப்படி, உலகளவில் வேலைகளின் எண்ணிக்கை சுமார் 50% குறைக்கப்படும். ஒரே மாதிரியான அல்லது அதிக செயல்திறனுடன் ஒத்த செயல்பாடுகளைச் செய்யக்கூடிய இயந்திரங்களால் மக்களின் இடங்கள் எடுக்கப்படும். அதே நேரத்தில், இந்த முன்னறிவிப்பு குறிப்பிட்ட காலத்தை விட முன்னதாக செயல்படுத்தப்படும் ஒரு விருப்பத்தை நிபுணர்கள் விலக்கவில்லை.

மற்ற ஆய்வாளர்கள் ரோபோக்களால் செய்யக்கூடிய தீங்குகளை சுட்டிக்காட்டுகின்றனர். உதாரணமாக, ரோபோக்கள் மனிதர்களைப் போலல்லாமல் வரி செலுத்துவதில்லை என்பதில் மெக்கின்ஸி நிபுணர்கள் கவனத்தை ஈர்க்கிறார்கள். இதன் விளைவாக, பட்ஜெட் வருவாய் குறைவதால், உள்கட்டமைப்பை ஒரே அளவில் பராமரிக்க மாநிலத்தால் முடியாது. எனவே, ரோபோ தொழில்நுட்பத்திற்கு புதிய வரியை அறிமுகப்படுத்த பில் கேட்ஸ் முன்மொழிந்தார்.

AI தொழில்நுட்பங்கள் தவறுகளின் எண்ணிக்கையைக் குறைப்பதன் மூலம் நிறுவனங்களின் செயல்திறனை மேம்படுத்துகின்றன. கூடுதலாக, அவை செயல்பாட்டின் வேகத்தை ஒரு நபர் அடைய முடியாத அளவுக்கு அதிகரிக்க முடியும்.

கேள்வி பதில் வடிவத்தில் செயற்கை நுண்ணறிவின் சாராம்சம். படைப்பின் வரலாறு, ஆராய்ச்சி தொழில்நுட்பம், ஐ.க்யூ தொடர்பான செயற்கை நுண்ணறிவு மற்றும் அதை மனிதனுடன் ஒப்பிடலாம். பதிலளித்த கேள்விகள் ஸ்டான்போர்ட் பல்கலைக்கழக பேராசிரியர் ஜான் மெக்கார்த்தி.

செயற்கை நுண்ணறிவு (AI) என்றால் என்ன?

செயற்கை நுண்ணறிவு என்பது அறிவியல் மற்றும் பொறியியலின் ஒரு கிளை ஆகும், இது நுண்ணறிவு கொண்ட இயந்திரங்கள் மற்றும் கணினி நிரல்களை உருவாக்குகிறது. மனித நுண்ணறிவைப் புரிந்துகொள்ள கணினிகளைப் பயன்படுத்துவதற்கான சவாலை இது கையாள்கிறது. அதே நேரத்தில், செயற்கை நுண்ணறிவு உயிரியல் ரீதியாக கவனிக்கக்கூடிய முறைகளுக்கு மட்டும் மட்டுப்படுத்தப்படக்கூடாது.

ஆம், ஆனால் உளவுத்துறை என்றால் என்ன?

நுண்ணறிவு என்பது கணக்கீடு மூலம் ஒரு முடிவுக்கு வரும் திறன். மக்கள், பல விலங்குகள் மற்றும் சில இயந்திரங்கள் பல்வேறு வகைகள் மற்றும் நிலைகளின் நுண்ணறிவைக் கொண்டுள்ளன.

மனித உளவுத்துறையுடனான தொடர்பைப் பொறுத்து இல்லாத உளவுத்துறையின் வரையறை இல்லையா?

இப்போது வரை, நாம் எந்த வகையான கணக்கீட்டு நடைமுறைகளை புத்திசாலி என்று அழைக்க விரும்புகிறோம் என்பது புரியவில்லை. உளவுத்துறையின் அனைத்து வழிமுறைகளையும் பற்றி எங்களுக்குத் தெரியாது.

"இந்த இயந்திரத்தில் புத்திசாலித்தனம் உள்ளதா?" என்ற கேள்விக்கு பதிலளிக்க உளவுத்துறை என்பது ஒரு தெளிவான கருத்தா? "ஆம்" அல்லது "இல்லை" என்று பதிலளிக்க முடியுமா?

இல்லை. AI ஆராய்ச்சி ஒரு சில வழிமுறைகளை எவ்வாறு பயன்படுத்துவது என்பதைக் காட்டுகிறது. ஒரு பணிக்கு நன்கு படித்த மாதிரிகள் மட்டுமே தேவைப்பட்டால், முடிவுகள் மிகவும் சுவாரஸ்யமாக இருக்கும். இத்தகைய திட்டங்கள் "சிறிய" நுண்ணறிவைக் கொண்டுள்ளன.

செயற்கை நுண்ணறிவு மனித நுண்ணறிவைப் பிரதிபலிக்கும் முயற்சியா?

சில நேரங்களில், ஆனால் எப்போதும் இல்லை. ஒருபுறம், மக்களை அல்லது எங்கள் சொந்த வழிமுறைகளைக் கவனிப்பதன் மூலம் இயந்திரங்களை எவ்வாறு சிக்கல்களைத் தீர்ப்பது என்பதை நாங்கள் கற்றுக்கொள்கிறோம். மறுபுறம், AI ஆராய்ச்சியாளர்கள் மனிதர்களில் காணப்படாத வழிமுறைகளைப் பயன்படுத்துகின்றனர் அல்லது அதிக கணக்கீட்டு வளங்கள் தேவைப்படுகிறார்கள்.

கணினி நிரல்களுக்கு IQ உள்ளதா?

இல்லை. IQ என்பது குழந்தைகளில் உளவுத்துறையின் வளர்ச்சி விகிதத்தை அடிப்படையாகக் கொண்டது. குழந்தை பொதுவாக குழந்தையின் வயதுக்கு ஒரு குறிப்பிட்ட முடிவைப் பெறும் வயதின் விகிதமாகும். இந்த மதிப்பீடு பெரியவர்களுக்கு சரியான முறையில் பொருந்தும். IQ வாழ்க்கையில் வெற்றி அல்லது தோல்வியின் பல்வேறு குறிகளுடன் நன்கு தொடர்புபடுகிறது. ஆனால் ஐ.க்யூ சோதனைகளில் அதிக மதிப்பெண் பெறக்கூடிய கணினிகளை உருவாக்குவது அவற்றின் பயனுடன் சிறிதளவும் தொடர்புபடுத்தாது. எடுத்துக்காட்டாக, எண்களின் நீண்ட வரிசையை மீண்டும் செய்வதற்கான குழந்தையின் திறன் மற்ற அறிவுசார் திறன்களுடன் நன்கு தொடர்புபடுகிறது. ஒரு நேரத்தில் ஒரு குழந்தை எவ்வளவு தகவல்களை நினைவில் வைத்திருக்க முடியும் என்பதை இது காட்டுகிறது. அதே நேரத்தில், எண்களை நினைவகத்தில் வைத்திருப்பது மிகவும் பழமையான கணினிகளுக்கு கூட ஒரு சிறிய பணியாகும்.

மனித மற்றும் கணினி நுண்ணறிவு எவ்வாறு ஒப்பிடுகின்றன?

மனித புலனாய்வுத் துறையில் ஒரு முன்னணி ஆராய்ச்சியாளரான ஆர்தர் ஆர். ஜென்சன், சாதாரண மனிதர்களுக்கு உளவுத்துறையின் அதே வழிமுறைகளைக் கொண்டிருப்பதாகவும், அறிவுசார் வேறுபாடுகள் "அளவுசார் உயிர்வேதியியல் மற்றும் உடலியல் நிலைமைகளுடன்" தொடர்புடையவை என்றும் ஒரு "ஹியூரிஸ்டிக் கருதுகோள்" என்று வாதிடுகிறார். சிந்தனை வேகம், குறுகிய கால நினைவாற்றல் மற்றும் துல்லியமான மற்றும் மீட்டெடுக்கக்கூடிய நீண்ட கால நினைவுகளை உருவாக்கும் திறன் ஆகியவை இதில் அடங்கும்.

மனித நுண்ணறிவு குறித்த ஜென்சனின் பார்வை சரியானதா இல்லையா, இன்று AI இன் நிலைமை இதற்கு நேர்மாறானது.

கணினி நிரல்கள் வேகம் மற்றும் நினைவகத்தின் பெரிய விநியோகத்தைக் கொண்டுள்ளன, ஆனால் அவற்றின் திறன்கள் புத்திசாலித்தனமான வழிமுறைகளுடன் ஒத்துப்போகின்றன, அவை நிரல் உருவாக்குநர்கள் நன்கு புரிந்துகொண்டு அவற்றில் முதலீடு செய்யலாம். இளமைப் பருவம் செயல்படுத்தப்படும் வரை குழந்தைகள் பொதுவாக வளராத சில திறன்கள். மற்றவர்கள், இரண்டு வயது குழந்தைகளுக்கு சொந்தமானவை, இன்னும் காணவில்லை. அறிவாற்றல் அறிவியலால் மனித திறன்கள் என்ன என்பதை இன்னும் துல்லியமாக தீர்மானிக்க முடியவில்லை என்பதன் மூலம் இந்த விஷயம் மேலும் மோசமடைகிறது. பெரும்பாலும், AI இன் அறிவுசார் வழிமுறைகளின் அமைப்பு மனிதர்களுடன் சாதகமாக ஒப்பிடுகிறது.

ஒரு கணினியை விட ஒரு நபர் ஒரு சிக்கலை விரைவாக தீர்க்க முடியும் போது, \u200b\u200bபணியை திறம்பட முடிக்க தேவையான புலனாய்வு வழிமுறைகளைப் பற்றி டெவலப்பர்களுக்கு புரிதல் இல்லை என்று அது அறிவுறுத்துகிறது.

AI ஆராய்ச்சி எப்போது தொடங்கியது?

இரண்டாம் உலகப் போருக்குப் பிறகு, பலர் புத்திசாலித்தனமான இயந்திரங்களில் சுயாதீனமாக வேலை செய்யத் தொடங்கினர். ஆங்கில கணிதவியலாளர் ஆலன் டூரிங் இவர்களில் முதன்மையானவராக இருக்கலாம். அவர் தனது சொற்பொழிவை 1947 இல் வழங்கினார். இயந்திரங்களை வடிவமைக்காமல், நிரலாக்க கணினிகளால் AI சிறந்த ஆராய்ச்சி என்று தீர்மானித்தவர்களில் டூரிங் முதன்மையானவர். 1950 களின் பிற்பகுதியில், பல AI ஆராய்ச்சியாளர்கள் இருந்தனர், அவர்களில் பெரும்பாலோர் கணினி நிரலாக்கத்தில் தங்கள் வேலையை அடிப்படையாகக் கொண்டனர்.

மனித மனதை ஒரு கணினியில் வைப்பதே AI இன் நோக்கமா?

மனித மனதில் பல அம்சங்கள் உள்ளன, அவை ஒவ்வொன்றையும் பின்பற்றுவது யதார்த்தமானது அல்ல.

டூரிங் சோதனை என்றால் என்ன?

ஏ. ஆலன் டூரிங்கின் 1950 ஆம் ஆண்டு கட்டுரை "கம்ப்யூட்டிங் அண்ட் தி மைண்ட்" ஒரு இயந்திரத்திற்கு உளவுத்துறை இருக்க வேண்டிய நிலைமைகளைப் பற்றி விவாதித்தது. ஒரு அறிவார்ந்த பார்வையாளருக்கு முன்னால் ஒரு இயந்திரம் வெற்றிகரமாக மனிதனாக நடிக்க முடிந்தால், நிச்சயமாக நீங்கள் அதை புத்திசாலித்தனமாக கருத வேண்டும் என்று அவர் வாதிட்டார். இந்த அளவுகோல் பெரும்பாலான மக்களை திருப்திப்படுத்தும், ஆனால் எல்லா தத்துவஞானிகளும் அல்ல. ஒரு நபரின் தோற்றம் அல்லது குரலை உருவகப்படுத்த இயந்திரத்தின் தேவையை அகற்ற பார்வையாளர் I / O மூலம் இயந்திரம் அல்லது நபருடன் தொடர்பு கொள்ள வேண்டும். இயந்திரம் மற்றும் மனிதன் இரண்டின் வேலை, பார்வையாளர் தன்னை ஒரு மனிதனாக நினைத்துக்கொள்வதாகும்.

டூரிங் சோதனை ஒருதலைப்பட்சமாகும். சோதனையில் தேர்ச்சி பெறும் ஒரு இயந்திரம், மக்களைப் பின்பற்றுவதற்கு போதுமான அறிவு இல்லாவிட்டாலும், நிச்சயமாக புத்திசாலித்தனமாக கருதப்பட வேண்டும்.

டேனியல் டென்னட்டின் "மூளைக் குழந்தைகள்" என்ற புத்தகம் டூரிங் சோதனை மற்றும் அதன் பல்வேறு பகுதிகளைப் பற்றிய ஒரு சிறந்த கலந்துரையாடலைக் கொண்டுள்ளது, அவை வெற்றிகரமாக செயல்படுத்தப்பட்டுள்ளன, அதாவது, AI பற்றிய பார்வையாளரின் அறிவு மற்றும் விவாதத்தின் விஷயத்தில் கட்டுப்பாடுகள் உள்ளன. ஒரு பழமையான திட்டம் விவேகமானது என்று சிலர் நம்புவது மிகவும் எளிதானது என்று அது மாறிவிடும்.

மனித நுண்ணறிவை அடைவது AI இன் குறிக்கோளா?

ஆம். மனிதர்களைப் போலவே பிரச்சினைகளைத் தீர்க்கவும் இலக்குகளை அடையவும் கூடிய கணினி நிரல்களை உருவாக்குவதே இறுதி குறிக்கோள். இருப்பினும், குறுகிய துறைகளில் ஆராய்ச்சி நடத்தும் விஞ்ஞானிகள் மிகக் குறைந்த லட்சிய இலக்குகளைக் கொண்டுள்ளனர்.

செயற்கை நுண்ணறிவு மனித மட்டத்தை எட்டுவதற்கு எவ்வளவு தூரம்? இது எப்போது நடக்கும்?

ஏராளமான நிரல்களை எழுதுவதன் மூலமும், அறிவை வெளிப்படுத்த இன்று பயன்படுத்தப்படும் மொழிகளில் உண்மைகளின் பரந்த அறிவுத் தளங்களை சேகரிப்பதன் மூலமும் மனித அளவிலான நுண்ணறிவை அடைய முடியும்.இருப்பினும், பெரும்பாலான AI ஆராய்ச்சியாளர்கள் புதிய அடிப்படைக் கருத்துக்கள் தேவை என்று நம்புகிறார்கள். எனவே, மனித அளவிலான நுண்ணறிவு எப்போது உருவாக்கப்படும் என்று கணிக்க முடியாது.

கணினி புத்திசாலித்தனமாக மாறக்கூடிய இயந்திரமா?

எந்தவொரு இயந்திரத்தையும் உருவகப்படுத்த கணினிகளை திட்டமிடலாம்.

கணினிகளின் வேகம் அவர்கள் புத்திசாலித்தனமாக இருக்க அனுமதிக்கிறதா?

சிலர் வேகமான கணினிகள் மற்றும் புதிய யோசனைகள் தேவை என்று நினைக்கிறார்கள். கணினிகள் 30 ஆண்டுகளுக்கு முன்பு வேகமாக இருந்தன. அவற்றை எவ்வாறு நிரல் செய்வது என்பது எங்களுக்குத் தெரிந்திருந்தால் மட்டுமே.

அனுபவத்திலிருந்து படிப்பதன் மூலமும் கற்றுக்கொள்வதன் மூலமும் மேம்படுத்தக்கூடிய "குழந்தை இயந்திரத்தை" உருவாக்குவது பற்றி என்ன?

இந்த யோசனை 1940 களில் இருந்து மீண்டும் மீண்டும் முன்மொழியப்பட்டது. இறுதியில், அது உணரப்படும். இருப்பினும், AI திட்டங்கள் இன்னும் ஒரு நிலையை எட்டவில்லை, இது ஒரு குழந்தை வாழ்க்கையின் போக்கில் என்ன கற்றுக்கொள்கிறதோ அதைக் கற்றுக்கொள்ள உங்களை அனுமதிக்கிறது. தற்போதுள்ள நிரல்கள் வாசிப்பின் மூலம் நிறைய கற்றுக்கொள்ளும் அளவுக்கு மொழியை நன்கு புரிந்து கொள்ளவில்லை.

கணக்கீட்டு கோட்பாடு மற்றும் கணக்கீட்டு சிக்கலானது AI இன் விசைகள்?

இல்லை. இந்த கோட்பாடுகள் பொருத்தமானவை, ஆனால் AI இன் அடிப்படை பிரச்சினைகளுக்கு தீர்வு காண வேண்டாம்.

1930 களில், கணித தர்க்கவியலாளர்கள் கர்ட் கோடெல் மற்றும் ஆலன் டூரிங் சில முக்கியமான கணிதப் பகுதிகளில் அனைத்து சிக்கல்களுக்கும் தீர்வு காண உத்தரவாதம் செய்யும் வழிமுறைகள் எதுவும் இல்லை என்று நிறுவினர். எடுத்துக்காட்டாக, போன்ற கேள்விகளுக்கான பதில்கள்: "முதல் வரிசையின் ஒரு வாக்கியம் தர்க்கம் ஒரு தேற்றமா" அல்லது "சில மாறிகளில் ஒரு பல்லுறுப்புறுப்பு சமன்பாடு மற்றவற்றில் முழு தீர்வுகளைக் கொண்டிருக்கிறதா?" இந்த வகையான சிக்கல்களைத் தீர்க்க மனிதர்கள் வல்லவர்கள் என்பதால், கணினிகள் இயல்பாகவே மனிதர்கள் செய்யும் செயல்களைச் செய்ய இயலாது என்ற வாதமாக இந்த உண்மை முன்மொழியப்பட்டது. ரோஜர் பென்ரோஸும் இதைப் பற்றி பேசுகிறார். இருப்பினும், மக்கள் தீர்வுகளுக்கு உத்தரவாதம் அளிக்க முடியாதுதன்னிச்சையான இந்த பகுதிகளில் பணிகள்.

1960 களில், ஸ்டீவ் குக் மற்றும் ரிச்சர்ட் கார்ப் உள்ளிட்ட கணினி விஞ்ஞானிகள் NP- முழுமையான சிக்கல் களங்களின் கோட்பாட்டை உருவாக்கினர். இந்த பகுதிகளில் உள்ள சிக்கல்கள் தீர்க்கக்கூடியவை, ஆனால், வெளிப்படையாக, அவற்றின் தீர்வுக்கு சிக்கலின் பரிமாணத்துடன் அதிவேகமாக வளரும் நேரம் தேவைப்படுகிறது. NP- முழுமையான சிக்கல் களத்தின் எளிய எடுத்துக்காட்டு கேள்வி: முன்மொழிவு தர்க்கத்தின் எந்த அறிக்கைகள் சாத்தியமாகும்? அடிப்படை வழிமுறைகளால் உத்தரவாதம் அளிக்கப்பட்டதை விட பல மடங்கு வேகமாக NP- முழுமையான சிக்கல்களின் பகுதியில் உள்ள சிக்கல்களை மக்கள் அடிக்கடி தீர்க்கிறார்கள், ஆனால் பொதுவான விஷயத்தில் அவற்றை விரைவாக தீர்க்க முடியாது.

சிக்கல்களைத் தீர்க்கும்போது AI க்கு இது முக்கியம் வழிமுறைகள் போன்ற பயனுள்ளதாக இருந்தது மனித மனம்... நல்ல வழிமுறைகள் உள்ள துணைப்பகுதிகளை அடையாளம் காண்பது முக்கியம், ஆனால் பல AI நிரல்கள் எளிதில் அடையாளம் காணக்கூடிய துணைப்பகுதிகளுடன் தொடர்புபடுத்தவில்லை.

பொதுவான வகுப்புகளின் சிக்கல்களுக்கான சிக்கலான கோட்பாடு கணக்கீட்டு சிக்கலானது என்று அழைக்கப்படுகிறது. இப்போது வரை, இந்த கோட்பாடு AI உடன் ஒருவர் தொடர்பு கொள்ளும் அளவுக்கு தொடர்பு கொள்ளவில்லை. மனிதர்கள் மற்றும் AI திட்டங்களால் சிக்கலைத் தீர்ப்பதில் வெற்றி என்பது சிக்கலான பண்புகள் மற்றும் சிக்கல் தீர்க்கும் முறைகள் ஆகியவற்றைப் பொறுத்தது, இது சிக்கலான ஆராய்ச்சியாளர்களோ அல்லது AI சமூகமோ சுட்டிக்காட்ட முடியாது.

ஒருவருக்கொருவர் சுயாதீனமாக உருவாக்கப்பட்ட வழிமுறை சிக்கலான கோட்பாடும் பொருத்தமானது. சாலமோனோவ், கோல்மோகோரோவ் மற்றும் சைடின்... இது ஒரு குறியீட்டு பொருளின் சிக்கலை வரையறுக்கக்கூடிய குறுகிய நிரலின் நீளமாக வரையறுக்கிறது. ஒரு வேட்பாளர் நிரல் மிகக் குறைவானது அல்லது அதற்கு மிக நெருக்கமானது என்பதை நிரூபிப்பது தீர்க்கமுடியாத பணியாகும், ஆனால் குறுகிய நிரல்களை உருவாக்குவதன் மூலம் பொருட்களைக் குறிப்பது சில நேரங்களில் தெளிவாக இருக்கும், உங்கள் நிரல் மிகக் குறைவானது என்பதை நீங்கள் நிரூபிக்க முடியாவிட்டாலும் கூட.