உள்ளடக்கம்
- ஆழமான கற்றலின் வணிக பயன்பாடுகள்
- பெரிய தரவு மற்றும் ஆழமான கற்றலின் V கள்
- பிழைகள் இல்லை, மன அழுத்தமும் இல்லை - உங்கள் வாழ்க்கையை அழிக்காமல் வாழ்க்கையை மாற்றும் மென்பொருளை உருவாக்குவதற்கான படி வழிகாட்டியின் படி
- பிளாக் பாக்ஸ் தடுமாற்றம்
- கட்டுப்பாடு
ஆதாரம்: Agsandrew / Dreamstime.com
எடுத்து செல்:
ஆழ்ந்த கற்றல் வணிகங்களை வழங்க நிறைய உள்ளது, ஆனால் பலர் அதை ஏற்க தயங்குகிறார்கள். இங்கே நாம் அதன் மிகப்பெரிய வலி புள்ளிகளில் சிலவற்றைப் பார்க்கிறோம்.
ஆழ்ந்த கற்றல் என்பது இயந்திரக் கற்றலின் துணைத் துறையாகும், இது (பொதுவாகப் பேசுவது) மனித மூளை மற்றும் அதன் செயல்பாடுகளால் ஈர்க்கப்பட்ட தொழில்நுட்பமாகும். 1950 களில் முதன்முதலில் அறிமுகப்படுத்தப்பட்ட, இயந்திரக் கற்றல் செயற்கை நரம்பியல் நெட்வொர்க் என அறியப்படுவதன் மூலம் ஒட்டுமொத்தமாகத் தெரிவிக்கப்படுகிறது, இது ஒன்றோடொன்று இணைக்கப்பட்ட தரவு முனைகளின் ஏராளமான செயற்கை நுண்ணறிவுக்கு அடிப்படையாக அமைகிறது. (இயந்திர கற்றலின் அடிப்படைகளுக்கு, இயந்திர கற்றல் 101 ஐப் பாருங்கள்.)
இயந்திரக் கற்றல் வெளிப்புறத் தரவு அல்லது நிரலாக்கத்தால் கேட்கப்படும் போது கணினி நிரல்கள் தங்களை மாற்றிக் கொள்ள அனுமதிக்கிறது. இயற்கையால், மனித தொடர்பு இல்லாமல் இதை நிறைவேற்ற முடியும். இது தரவுச் செயலாக்கத்துடன் ஒத்த செயல்பாட்டைப் பகிர்ந்து கொள்கிறது, ஆனால் வெட்டப்பட்ட முடிவுகளுடன் மனிதர்களைக் காட்டிலும் இயந்திரங்களால் செயலாக்கப்படும். இது இரண்டு முக்கிய பிரிவுகளாக பிரிக்கப்பட்டுள்ளது: மேற்பார்வை மற்றும் மேற்பார்வை செய்யப்படாத கற்றல்.
மேற்பார்வையிடப்பட்ட இயந்திர கற்றல் என்பது பெயரிடப்பட்ட பயிற்சி தரவு மூலம் முன்னரே தீர்மானிக்கப்பட்ட செயல்பாடுகளின் அனுமானத்தை உள்ளடக்கியது. வேறு வார்த்தைகளில் கூறுவதானால், மேற்பார்வையிடப்பட்ட முடிவுகள் (மனித) புரோகிராமரால் முன்கூட்டியே அறியப்படுகின்றன, ஆனால் முடிவுகளை ஊகிக்கும் அமைப்பு அவற்றை "கற்றுக்கொள்ள" பயிற்சியளிக்கப்படுகிறது. மேற்பார்வை செய்யப்படாத இயந்திரக் கற்றல், இதற்கு மாறாக, பெயரிடப்படாத உள்ளீட்டுத் தரவிலிருந்து அனுமானங்களை ஈர்க்கிறது, பெரும்பாலும் அறியப்படாத வடிவங்களைக் கண்டறியும் வழிமுறையாகும்.
இயந்திர கற்றலின் நேரியல் வழிமுறைகளுக்கு மாறாக, படிநிலை வழிமுறைகள் மூலம் தன்னைப் பயிற்றுவிக்கும் திறனில் ஆழமான கற்றல் தனித்துவமானது. ஆழ்ந்த கற்றல் படிநிலைகள் பெருகிய முறையில் சிக்கலானவை மற்றும் சுருக்கமானவை, அவை உருவாகும்போது (அல்லது “கற்றுக்கொள்”) மற்றும் கண்காணிக்கப்படும் தர்க்கத்தை நம்புவதில்லை. எளிமையாகச் சொல்வதானால், ஆழ்ந்த கற்றல் என்பது இயந்திரக் கற்றலின் மிகவும் மேம்பட்ட, துல்லியமான மற்றும் தானியங்கி வடிவமாகும், மேலும் இது செயற்கை நுண்ணறிவு தொழில்நுட்பத்தில் முன்னணியில் உள்ளது.
ஆழமான கற்றலின் வணிக பயன்பாடுகள்
இயந்திர கற்றல் ஏற்கனவே பல்வேறு தொழில்களில் பொதுவாகப் பயன்படுத்தப்படுகிறது. சமூக ஊடகங்கள், எடுத்துக்காட்டாக, பயனர் காலக்கெடுவில் உள்ளடக்க ஊட்டங்களை நிர்வகிக்க இதைப் பயன்படுத்துகின்றன. தொழில்நுட்பம் உருவாகும்போது கூகிளின் பல சேவைகளில் ஆழ்ந்த கற்றலை உருவாக்கும் நோக்கத்துடன் கூகிள் மூளை பல ஆண்டுகளுக்கு முன்பு நிறுவப்பட்டது.
முன்கணிப்பு பகுப்பாய்வுகளில் அதன் கவனம் செலுத்துவதன் மூலம், சந்தைப்படுத்தல் துறை குறிப்பாக ஆழமான கற்றல் கண்டுபிடிப்புகளில் முதலீடு செய்யப்படுகிறது. தரவு குவிப்பு என்பது தொழில்நுட்பத்தை உந்துவதால், விற்பனை மற்றும் வாடிக்கையாளர் ஆதரவு போன்ற தொழில்கள் (ஏற்கனவே பணக்கார மற்றும் மாறுபட்ட வாடிக்கையாளர் தரவுகளின் செல்வத்தைக் கொண்டுள்ளன) அதை தரை மட்டத்தில் ஏற்றுக்கொள்ள தனித்துவமாக நிலைநிறுத்தப்பட்டுள்ளன.
ஆழ்ந்த கற்றலுக்கான ஆரம்ப தழுவல் தொழில்நுட்பத்திலிருந்து குறிப்பிட்ட துறைகள் எவ்வளவு பயனடைகின்றன என்பதற்கான முக்கிய தீர்மானிக்கும் காரணியாக இருக்கலாம், குறிப்பாக அதன் ஆரம்ப கட்டங்களில். ஆயினும்கூட, ஒரு சில குறிப்பிட்ட வலி புள்ளிகள் பல வணிகங்களை ஆழ்ந்த கற்றல் தொழில்நுட்ப முதலீட்டில் வீழ்த்துவதைத் தடுக்கின்றன.
பெரிய தரவு மற்றும் ஆழமான கற்றலின் V கள்
2001 ஆம் ஆண்டில், டக் லானே என்ற பெயரில் மெட்டா குழுமத்தின் (இப்போது கார்ட்னர்) ஒரு ஆய்வாளர், பெரிய தரவுகளின் மூன்று முக்கிய சவால்களாக ஆராய்ச்சியாளர்கள் கருதியதை கோடிட்டுக் காட்டினார்: தொகுதி, வகை மற்றும் வேகம். ஒன்றரை தசாப்தங்களுக்கு பின்னர், இணையத்திற்கான அணுகல் புள்ளிகளின் விரைவான அதிகரிப்பு (பெரும்பாலும் மொபைல் சாதனங்களின் பெருக்கம் மற்றும் ஐஓடி தொழில்நுட்பத்தின் எழுச்சி காரணமாக) இந்த பிரச்சினைகளை முக்கிய தொழில்நுட்ப நிறுவனங்களுக்கும் சிறு வணிகங்களுக்கும் முன்னணியில் கொண்டு வந்துள்ளது. மற்றும் தொடக்கங்கள் ஒரே மாதிரியானவை. (மூன்று வி-களைப் பற்றி மேலும் அறிய, இன்றைய பெரிய தரவு சவால் பலவகைகளிலிருந்து வருகிறது, தொகுதி அல்லது வேகம் அல்ல.)
பிழைகள் இல்லை, மன அழுத்தமும் இல்லை - உங்கள் வாழ்க்கையை அழிக்காமல் வாழ்க்கையை மாற்றும் மென்பொருளை உருவாக்குவதற்கான படி வழிகாட்டியின் படி
மென்பொருள் தரத்தைப் பற்றி யாரும் கவலைப்படாதபோது உங்கள் நிரலாக்க திறன்களை மேம்படுத்த முடியாது.
உலகளாவிய தரவு பயன்பாடு குறித்த சமீபத்திய புள்ளிவிவரங்கள் அதிர்ச்சியூட்டுகின்றன. உலகின் தரவுகளில் சுமார் 90 சதவீதம் கடந்த இரண்டு ஆண்டுகளில் மட்டுமே உருவாக்கப்பட்டதாக ஆய்வுகள் குறிப்பிடுகின்றன. ஒரு மதிப்பீட்டின்படி, உலகளாவிய மொபைல் போக்குவரத்து 2016 ஆம் ஆண்டை விட மாதத்திற்கு ஏழு எக்ஸாபைட்டுகள் ஆகும், மேலும் அடுத்த அரை தசாப்தத்திற்குள் அந்த எண்ணிக்கை ஏழு மடங்கு அதிகரிக்கும் என்று எதிர்பார்க்கப்படுகிறது.
தொகுதிக்கு அப்பால், பல்வேறு (புதிய ஊடகங்கள் உருவாகி விரிவடையும் போது தரவு வகைகளில் விரைவாக அதிகரித்து வரும் பன்முகத்தன்மை) மற்றும் வேகம் (மின்னணு ஊடகங்கள் தரவு மையங்கள் மற்றும் மையங்களுக்கு அனுப்பப்படும் வேகம்) ஆகியவையும் வணிகங்கள் வளர்ந்து வரும் துறையில் எவ்வாறு தழுவுகின்றன என்பதற்கான முக்கிய காரணிகளாகும் ஆழ்ந்த கற்றல். நினைவூட்டல் சாதனத்தில் விரிவாக்க, சமீபத்திய ஆண்டுகளில் பெரிய தரவு வலி புள்ளிகளின் பட்டியலில் பல வி-சொற்கள் சேர்க்கப்பட்டுள்ளன:
- செல்லுபடியாகும்: பெரிய தரவு அமைப்புகளில் உள்ளீட்டு தரவு துல்லியத்தின் அளவீட்டு. தவறான தரவு கண்டறியப்படாமல் இருப்பதால், கணிசமான சிக்கல்களையும் இயந்திர கற்றல் சூழல்களில் சங்கிலி எதிர்வினைகளையும் ஏற்படுத்தும்.
- பாதிப்பு: பெரிய தரவு இயற்கையாகவே அதன் அளவின் அடிப்படையில் பாதுகாப்புக் கவலைகளைத் தூண்டுகிறது. இயந்திரக் கற்றல் மூலம் இயக்கப்பட்ட பாதுகாப்பு அமைப்புகளில் பெரும் சாத்தியக்கூறுகள் காணப்பட்டாலும், அவற்றின் தற்போதைய அவதாரங்களில் உள்ள அந்த அமைப்புகள் அவற்றின் செயல்திறன் இல்லாமைக்காக குறிப்பிடப்படுகின்றன, குறிப்பாக தவறான அலாரங்களை உருவாக்கும் போக்கு காரணமாக.
- மதிப்பு: பெரிய தரவுகளின் சாத்தியமான மதிப்பை (வணிகத்தில் அல்லது வேறு இடங்களில்) நிரூபிப்பது எந்தவொரு காரணங்களுக்காகவும் ஒரு குறிப்பிடத்தக்க சவாலாக இருக்கும். இந்த பட்டியலில் உள்ள வேறு எந்த வலி புள்ளிகளையும் திறம்பட கவனிக்க முடியாவிட்டால், அவை உண்மையில் எந்தவொரு அமைப்புக்கும் அல்லது அமைப்புக்கும் எதிர்மறையான மதிப்பைச் சேர்க்கக்கூடும், ஒருவேளை பேரழிவு விளைவுகளுடன் கூட.
பட்டியலில் சேர்க்கப்பட்ட பிற ஒருங்கிணைந்த வலி புள்ளிகள் மாறுபாடு, உண்மைத்தன்மை, நிலையற்ற தன்மை மற்றும் காட்சிப்படுத்தல் ஆகியவை அடங்கும் - இவை அனைத்தும் பெரிய தரவு அமைப்புகளுக்கு தங்களது சொந்த தனித்துவமான சவால்களை முன்வைக்கின்றன. ஏற்கனவே உள்ள பட்டியல் (அநேகமாக) காலப்போக்கில் முடக்கப்படுவதால் இன்னும் பலவற்றைச் சேர்க்கலாம். இது சிலருக்கு சற்று திட்டமிடப்பட்டதாகத் தோன்றினாலும், நினைவூட்டல் “வி” பட்டியல் ஆழ்ந்த கற்றலின் எதிர்காலத்தில் முக்கிய பங்கு வகிக்கும் பெரிய தரவை எதிர்கொள்ளும் தீவிர சிக்கல்களை உள்ளடக்கியது.
பிளாக் பாக்ஸ் தடுமாற்றம்
ஆழ்ந்த கற்றல் மற்றும் செயற்கை நுண்ணறிவின் மிகவும் கவர்ச்சிகரமான அம்சங்களில் ஒன்று, இவை இரண்டும் மனிதர்களால் செய்ய முடியாத சிக்கல்களைத் தீர்க்கும் நோக்கம் கொண்டவை. இருப்பினும், அனுமதிக்க வேண்டிய அதே நிகழ்வுகள் ஒரு சுவாரஸ்யமான சங்கடத்தையும் முன்வைக்கின்றன, இது "கருப்பு பெட்டி" என்று அழைக்கப்படும் வடிவத்தில் வருகிறது.
ஆழ்ந்த கற்றல் செயல்முறையின் மூலம் உருவாக்கப்பட்ட நரம்பியல் நெட்வொர்க் மிகவும் விரிவானது மற்றும் மிகவும் சிக்கலானது, அதன் சிக்கலான செயல்பாடுகள் அடிப்படையில் மனித கவனிப்புக்கு விவரிக்க முடியாதவை. தரவு விஞ்ஞானிகள் மற்றும் பொறியியலாளர்கள் ஆழ்ந்த கற்றல் அமைப்புகளுக்குள் செல்வது குறித்து முழுமையான புரிதலைக் கொண்டிருக்கலாம், ஆனால் அவை எவ்வாறு தங்கள் வெளியீட்டு முடிவுகளை எட்டுகின்றன என்பதை விட முழுமையாக விவரிக்கப்படவில்லை.
இது சந்தைப்படுத்துபவர்கள் அல்லது விற்பனையாளர்களுக்கு (அவர்கள் சந்தைப்படுத்துதல் அல்லது விற்பனை செய்வதைப் பொறுத்து) ஒரு குறிப்பிடத்தக்க பிரச்சினையாக இருக்காது என்றாலும், பிற தொழில்களுக்கு முடிவுகளிலிருந்து எந்தவொரு பயன்பாட்டையும் பெறுவதற்கு ஒரு குறிப்பிட்ட அளவு செயல்முறை சரிபார்ப்பு மற்றும் பகுத்தறிவு தேவைப்படுகிறது. உதாரணமாக, ஒரு நிதிச் சேவை நிறுவனம், மிகவும் திறமையான கடன் மதிப்பெண் பொறிமுறையை நிறுவ ஆழ்ந்த கற்றலைப் பயன்படுத்தலாம். ஆனால் கடன் மதிப்பெண்கள் பெரும்பாலும் ஒருவித வாய்மொழி அல்லது எழுதப்பட்ட விளக்கத்துடன் வர வேண்டும், உண்மையான கடன் மதிப்பெண் சமன்பாடு முற்றிலும் ஒளிபுகா மற்றும் விவரிக்க முடியாததாக இருந்தால் அதை உருவாக்குவது கடினம்.
இந்த சிக்கல் பல துறைகளுக்கும் நீண்டுள்ளது, குறிப்பாக சுகாதாரம் மற்றும் பாதுகாப்பு ஆகிய துறைகளுக்குள். மருத்துவம் மற்றும் போக்குவரத்து இரண்டும் ஆழ்ந்த கற்றலிலிருந்து முக்கிய வழிகளில் பயனடையக்கூடும், ஆனால் கருப்பு பெட்டியின் வடிவத்தில் ஒரு குறிப்பிடத்தக்க தடையை எதிர்கொள்ளக்கூடும். அந்த துறைகளில் எந்தவொரு வெளியீட்டு முடிவுகளும், எவ்வளவு பயனளித்தாலும், அவற்றின் அடிப்படை வழிமுறைகளின் முழுமையான தெளிவின்மை காரணமாக முற்றிலும் நிராகரிக்கப்படலாம். இது அனைவரின் மிகவும் சர்ச்சைக்குரிய வலி புள்ளிக்கு இது நம்மை அழைத்துச் செல்கிறது ...
கட்டுப்பாடு
2016 ஆம் ஆண்டு வசந்த காலத்தில், ஐரோப்பிய ஒன்றியம் பொது தரவு பாதுகாப்பு ஒழுங்குமுறையை (ஜிடிபிஆர்) நிறைவேற்றியது, இது (மற்றவற்றுடன்) குடிமக்களுக்கு இயந்திரக் கற்றல் அமைப்புகளால் உருவாக்கப்படும் தானியங்கி முடிவுகளுக்கு “கணிசமாக பாதிக்கும்” தானியங்கு முடிவுகளுக்கு “விளக்கத்திற்கான உரிமையை” வழங்குகிறது. 2018 ஆம் ஆண்டில் நடைமுறைக்கு வர திட்டமிடப்பட்டுள்ளது, இந்த ஒழுங்குமுறை அதன் அசாத்தியமான கருப்பு பெட்டியின் காரணமாக ஆழ்ந்த கற்றலில் முதலீடு செய்யப்படும் தொழில்நுட்ப நிறுவனங்களிடையே கவலையை ஏற்படுத்துகிறது, இது பல சந்தர்ப்பங்களில் மொத்த உள்நாட்டு உற்பத்தியில் கட்டாயப்படுத்தப்பட்ட விளக்கத்தைத் தடுக்கும்.
ஜிடிபிஆர் கட்டுப்படுத்த விரும்பும் "தானியங்கி தனிப்பட்ட முடிவெடுக்கும்" ஆழ்ந்த கற்றலின் ஒரு முக்கிய அம்சமாகும். ஆனால் இந்த தொழில்நுட்பத்தைப் பற்றிய கவலைகள் தவிர்க்க முடியாதவை (மற்றும் பெரும்பாலும் செல்லுபடியாகும்) பாகுபாடு காண்பதற்கான சாத்தியக்கூறுகள் மிக அதிகமாகவும் வெளிப்படைத்தன்மை மிகக் குறைவாகவும் இருக்கும்போது. யுனைடெட் ஸ்டேட்ஸில், உணவு மற்றும் மருந்து நிர்வாகம் இதேபோல் மருந்துகளின் சோதனை மற்றும் சந்தைப்படுத்துதலை ஒழுங்குபடுத்துகிறது, அந்த செயல்முறைகள் தணிக்கை செய்யப்பட வேண்டும். இது மருந்துத் தொழிலுக்கு தடைகளை முன்வைத்துள்ளது, மாசசூசெட்ஸை தளமாகக் கொண்ட பயோடெக்னாலஜி நிறுவனமான பயோஜனைப் போலவே, இது எஃப்.டி.ஏ விதி காரணமாக விளக்கமுடியாத ஆழமான கற்றல் முறைகளைப் பயன்படுத்துவதைத் தடுத்துள்ளது.
ஆழ்ந்த கற்றலின் தாக்கங்கள் (தார்மீக, நடைமுறை மற்றும் அதற்கு அப்பாற்பட்டவை) முன்னோடியில்லாதவை, வெளிப்படையாக, மிகவும் ஆழமானவை. தொழில்நுட்பத்தை அதன் சீர்குலைக்கும் திறன் மற்றும் அதன் ஒளிபுகா தர்க்கம் மற்றும் செயல்பாட்டின் கலவையாக இருப்பதால் பெரும் பயம் தொழில்நுட்பத்தை சூழ்ந்துள்ளது.எந்தவொரு கற்பனையான அச்சுறுத்தல்களையும் ஆபத்துகளையும் தாண்டிய ஆழ்ந்த கற்றலுக்குள் உறுதியான மதிப்பு இருப்பதை வணிகங்களால் நிரூபிக்க முடிந்தால், அவை செயற்கை நுண்ணறிவின் அடுத்த முக்கியமான கட்டத்தின் மூலம் நம்மை வழிநடத்த உதவும்.