இணைய பயன்பாடுகள்

இயந்திர கற்றல் என்றால் என்ன?

அக்டோபர் 30, 2021

பொருளடக்கம்

இயந்திர கற்றல் அறிமுகம்

கற்பனை இயந்திரங்களை உருவாக்க ஆராய்ச்சியாளர்கள் நீண்ட காலமாக கனவு கண்டுள்ளனர். புரோகிராம் செய்யக்கூடிய கணினிகள் முதன்முதலில் கண்டுபிடிக்கப்பட்டபோது, ​​​​அத்தகைய இயந்திரங்கள் ஒரு நாள் மனிதர்களைப் போலவே புத்திசாலித்தனமாகவும், மனிதர்களைப் போலவே பணிகளைச் செய்யக்கூடியதாகவும் மாறுமா என்று மக்கள் ஆச்சரியப்பட்டனர். இன்று, செயற்கை நுண்ணறிவு என்பது பல்வேறு துறைகளில் பல்வேறு வகையான பயன்பாடுகளுடன் வளர்ந்து வரும் தொழில்நுட்பமாகும். மனித நுண்ணறிவை செயற்கை இயந்திரங்களாக உருவகப்படுத்துவதே AI இன் கருத்து, இயந்திரங்கள் மனிதர்களைப் போலவே சிந்திக்கவும் பணிகளைச் செய்யவும் முடியும்.

எல்லா அம்சங்களிலும் மனிதர்களைப் போலவே செயல்படும் எந்த தொழில்நுட்பமும் நமக்கு ஏன் தேவைப்படுகிறது?

மனிதர்களுக்கு வேலையைச் செய்வதில் மிகச் சிறந்த துல்லியம் உள்ளது, ஆனால் வேலையில் செயல்திறன் திருப்திகரமாக இல்லை, மனிதர்களால் வேலையை விரைவுபடுத்துவதற்கு எப்போதும் ஒரு வரம்பு உள்ளது, ஆனால் இது இயந்திரங்களால் அல்ல, இயந்திரங்களால் செய்யப்படும் வேலை மிகவும் துல்லியமானது, சீரானது மற்றும் அளவிடக்கூடியது.

பத்தொன்பதாம் நூற்றாண்டில், இந்த சிக்கல்களை சமாளிக்க மென்பொருள் புரட்சி நடந்தது, ஆனால் இந்த சிக்கல்களை சமாளிக்க போதுமானதாக இல்லை. மென்பொருளானது விதிகளின் தொகுப்பில் முறையாக வரையறுக்கப்பட்ட பணியைச் செய்ய முடியும், அதாவது அந்த விதிகளைக் கருத்தில் கொண்டு நிரலாளரால் ஒரு நிரலை எழுத முடியும்.

எடுத்துக்காட்டாக, கொடுக்கப்பட்ட இரண்டு எண்களின் கூட்டுத்தொகையைக் கணக்கிடுதல். இன்றைய உலகில், வேகம் மற்றும் துல்லியத்தின் அடிப்படையில், கணினிகள் இந்த பணியில் எந்த மனிதனையும் வெல்ல முடியும். ஆனால் முறையான விதிகள் இல்லாத மற்றும் மனித நுண்ணறிவு தேவைப்படும் சிக்கல்களை கணினிகளால் தீர்க்க மிகவும் கடினமாக உள்ளது.

எடுத்துக்காட்டாக, முகங்களை அடையாளம் காண, மனிதர்களால் முகங்களை மிக எளிதாக அடையாளம் காண முடிகிறது, ஆனால் முகங்களின் முறையான விதிகளை எழுதுவது மிகவும் சிக்கலானது என்பதால் கணினிகளால் அடையாளம் காண்பது மிகவும் கடினம். எனவே செயற்கை நுண்ணறிவின் உண்மையான சவால், மனிதர்களால் செய்ய எளிதான ஆனால் மனிதர்களால் முறையாக விவரிக்க கடினமாக இருக்கும் பணிகளைத் தீர்ப்பதாகும்.

ஐபிஎம் உருவாக்கிய டீப் ப்ளூ செஸ்-விளையாட்டு முறையின் உதாரணத்தை எடுத்துக் கொள்வோம். செஸ் விதிகளை முறையான விதிகளின் தொகுப்பால் முழுமையாக வரையறுக்கலாம். எனவே இந்த விதிகள் புரோகிராமரால் எளிதாக நிரலாக மாற்றப்பட்டு, புரோகிராமரால் நேரத்திற்கு முன்பே வழங்கப்பட்டன.

செயற்கை நுண்ணறிவு மனித நுண்ணறிவை ஒப்பிடமுடியாத கணக்கீட்டு திறன்களைக் கொண்ட இயந்திரங்களுக்கு மாற்றுவதன் மூலம் இந்த சவாலை சமாளிக்க முயற்சிக்கிறது.

அன்றாட வாழ்க்கையில், ஒரு மனிதனுக்கு தனது பணியைத் தீர்க்க உலகத்தைப் பற்றிய அறிவு தேவைப்படுகிறது, அத்தகைய அறிவு அகநிலை மற்றும் உள்ளுணர்வு கொண்டது, எனவே புரோகிராமர் விதிகளின் தொகுப்பில் வெளிப்படுத்துவது கடினம்.

எனவே இங்கிருந்து நாம் புரிந்து கொள்ள முடிகிறது, மனிதர்களைப் போல் அல்லது வேறு வார்த்தைகளில் புத்திசாலித்தனமாக நடந்து கொள்ள, கணினிகளுக்கு இதே போன்ற அறிவு தேவை, எனவே AI இன் முக்கிய சவால் இந்த முறைசாரா அல்லது அகநிலை தகவல்களை கணினி மற்றும் ஆராய்ச்சியாளர்களுக்கு செயற்கை முறையில் வைப்பதாகும். உளவுத்துறை, அடிப்படையில் இந்த நோக்கத்தை அடைய முயற்சிக்கிறது.

இந்த நோக்கத்தை அடைவதற்கான அடிப்படை வழியை ஆராய்ச்சியாளர்கள் கண்டுபிடித்துள்ளனர். அவர்கள் அறிவு சார்ந்த அணுகுமுறையைப் பயன்படுத்தியுள்ளனர். இந்த அணுகுமுறையில், ஆராய்ச்சியாளர்கள் உலகத்தைப் பற்றிய அறிவை முறையான மொழிகளில் கடுமையாகக் குறியீடு செய்கிறார்கள்.

தர்க்கரீதியான அனுமான விதிகளைப் பயன்படுத்தி இந்த முறையான மொழிகளில் உள்ள அறிக்கைகளைப் பற்றி கணினிகள் தானாகவே நியாயப்படுத்த முடியும். இது மிகவும் அடிப்படையான, எளிமையான மற்றும் அப்பாவியான அணுகுமுறை என்பதால், இந்த அணுகுமுறை வெற்றிகரமாக இல்லை, ஏனெனில் உலகத்தை துல்லியமாக வடிவமைக்க போதுமான சிக்கலான முறையான விதிகளை உருவாக்க ஆராய்ச்சியாளர்கள் போராடுகிறார்கள். அத்தகைய திட்டத்தின் ஒரு எடுத்துக்காட்டு Cyc. Cyc ஒரு அனுமான இயந்திரம்.

மேற்கூறிய திட்டங்கள் எதிர்கொள்ளும் சிரமம் (அறிவு அடிப்படையிலான அணுகுமுறையின் அடிப்படையில்) கடின குறியிடப்பட்ட அறிவை நம்பியிருக்கிறது. எனவே இந்த சிரமத்தை சமாளிக்க, AI அமைப்புகளுக்கு மூல தரவுகளிலிருந்து வடிவங்களைப் பிரித்தெடுப்பதன் மூலம் உலகத்திலிருந்து தங்கள் சொந்த அறிவைப் பெறுவதற்கான திறன் தேவை. இந்த திறன் இயந்திர கற்றல் என்று அழைக்கப்படுகிறது.

இயந்திர வழி கற்றல்

இயந்திர கற்றலின் அறிமுகம் கணினிகளுக்கு நிஜ உலகின் அறிவைப் பெறுவதற்கும், அகநிலையாகத் தோன்றும் முடிவுகளை எடுப்பதற்கும் திறனை வழங்குகிறது. இந்த வழியில், இயந்திர கற்றல் அறிவு அடிப்படையிலான அணுகுமுறையின் வரம்புகளை கடக்க முடியும்.

விக்கிபீடியாவின் படி

இயந்திர கற்றல் என்பது அனுபவத்தின் மூலம் தானாக மேம்படும் கணினி அல்காரிதம்களின் ஆய்வு ஆகும்.

மிட்செல் படி

ஒரு கணினி நிரல், சில வகைப் பணிகள் T மற்றும் செயல்திறன் அளவீடு P ஆகியவற்றைப் பொறுத்து அனுபவம் E யிலிருந்து கற்றுக் கொள்ள வேண்டும் என்று கூறப்படுகிறது, T இல் அதன் செயல்திறன், P ஆல் அளவிடப்படும், அனுபவம் E உடன் மேம்படும்.

இலக்கியத்தில் பல வகையான இயந்திர கற்றல் வழிமுறைகள் உள்ளன. இங்கே கற்றல் பாணியின் அடிப்படையில் அல்காரிதம்களின் குழுவாக்கம் செய்யப்படுகிறது. மெஷின் லேர்னிங் அல்காரிதம்களின் அல்காரிதம்களின் பரந்த குழு படம் 1 இல் காட்டப்பட்டுள்ளது. ஒவ்வொன்றாக விரிவாகப் பார்ப்போம்.

இயந்திர வழி கற்றல்

கற்றல் பாணியின் அடிப்படையில் இயந்திர கற்றல் அல்காரிதம் குழுவாக்கம்

மேற்பார்வையிடப்பட்ட கற்றல்

மேற்பார்வையிடப்பட்ட கற்றல் என்பது பெயருக்கு ஏற்றவாறு ஒரு மேற்பார்வையாளர் ஆசிரியராக இருப்பது. மேற்பார்வையிடப்பட்ட கற்றலில் லேபிளிடப்பட்ட தரவைப் பயன்படுத்தி எங்கள் இயந்திரத்தைப் பயிற்றுவிக்கிறோம். லேபிளிடப்பட்ட தரவு என்பது ஒவ்வொரு உள்ளீட்டிற்கும் நன்கு பெயரிடப்பட்ட வெளியீடு உள்ளது.

பயிற்சியின் செயல்பாட்டில், இயந்திரங்கள் பெயரிடப்பட்ட தரவுகளிலிருந்து உலக அறிவைப் பெறுகின்றன. பயிற்சிக்குப் பிறகு, முடிவைக் கணிக்க இயந்திரத்திற்கு புதிய தரவுத் தொகுப்பு வழங்கப்படுகிறது. பயிற்சி தரவுத்தொகுப்பிலிருந்து பெறப்பட்ட சில ஒத்த வடிவங்களில் இருந்து இயந்திரங்களைக் கற்றுக்கொள்வதும், உண்மையான மதிப்புள்ள வெளியீட்டைக் கணிக்க சோதனை செய்யப்பட்ட தரவுத்தொகுப்பில் கற்றறிந்த அறிவைப் பயன்படுத்துவதும் இதன் நோக்கமாகும்.

நன்றாகப் புரிந்துகொள்ள ஐரிஸ் தரவுத்தொகுப்பின் உதாரணத்தை எடுத்துக்கொள்வோம். ஐரிஸ் தரவுத்தொகுப்பு என்பது 150 கருவிழி தாவரங்களின் வெவ்வேறு பகுதிகளின் அளவீடுகளின் தொகுப்பாகும். தரவுத்தொகுப்பில் உள்ள ஒவ்வொரு உதாரணமும், செடியின் நீளம், செப்பல் அகலம், இதழ் நீளம், இதழ் அகலம் போன்ற ஒவ்வொரு பகுதியையும் அளவிடும். ஒவ்வொரு தாவரமும் எந்த இனத்தைச் சேர்ந்தது என்பதையும் தரவுத்தொகுப்பு பதிவு செய்கிறது. தரவுத்தொகுப்பில் மூன்று வெவ்வேறு இனங்கள் உள்ளன. ஐரிஸ் தரவுத்தொகுப்பில் நாம் இங்கு பார்ப்பது போல, ஒவ்வொரு கருவிழி தாவரமும் அதன் இனங்களுடன் பெயரிடப்பட்டுள்ளது.

மேலும் பார்க்கவும் முதல் 15 சிறந்த விற்பனை மேலாண்மை மென்பொருள்

மேற்பார்வையிடப்பட்ட கற்றல் வழிமுறைகள் இந்தத் தரவுத்தொகுப்பைப் படித்து அவற்றின் அளவீடுகளின் அடிப்படையில் ஐரிஸ் தாவரத்தை மூன்று வெவ்வேறு இனங்களாக வகைப்படுத்த கற்றுக்கொள்ளலாம்.

மேற்பார்வையிடப்பட்ட கற்றல் என்ற வார்த்தையின் அர்த்தம், இயந்திரம் என்ன செய்ய வேண்டும் என்பதைக் காட்டும் ஆசிரியரால் வழங்கப்பட்ட இலக்கு y.

படம்:2 இல் காட்டப்பட்டுள்ளபடி மேற்பார்வையிடப்பட்ட கற்றல் இரண்டு வகை அல்காரிதமாக வகைப்படுத்தப்பட்டுள்ளது.

மேற்பார்வையிடப்பட்ட கற்றல்

பின்னடைவு

பின்னடைவு அல்காரிதம்கள் ஒன்று அல்லது அதற்கு மேற்பட்ட உள்ளீடு அல்லது முன்கணிப்பு மதிப்புகளின் அடிப்படையில் தொடர்ச்சியான விளைவை (இலக்கு) கணிக்கின்றன. எளிமையான வார்த்தைகளில், வெளியீட்டு மதிப்பு எடைகள் போன்ற உண்மையான மதிப்பு.

பல்வேறு வகையான பின்னடைவு அல்காரிதம்கள் உள்ளன. வெவ்வேறு பின்னடைவு வழிமுறைகளின் வகைகள், சார்பற்ற மாறிகளின் எண்ணிக்கை, பின்னடைவுக் கோட்டின் வடிவம் மற்றும் சார்பு மாறியின் வகையைப் பொறுத்தது. சில வகையான பின்னடைவு நுட்பங்களைப் பார்ப்போம்.

லீனியர் பின்னடைவு என்பது தொடர்ச்சியான மதிப்பைக் கணிக்க மிகவும் அடிப்படையான மற்றும் பிரபலமான பின்னடைவு வழிமுறைகளில் ஒன்றாகும். இங்கே இது உள்ளீடு (முன்கணிப்பு) மற்றும் வெளியீடு ஆகியவற்றுக்கு இடையேயான நேரியல் உறவைக் கருதுகிறது.

நேரியல் பின்னடைவு அல்காரிதம்

நேரியல் பின்னடைவு பெயர்கள் இது பின்னடைவு சிக்கல்களைத் தீர்க்கும் திறன் கொண்டது என்று கூறுகின்றன. இந்த அல்காரிதம்களின் நோக்கம், ஒரு திசையன் x ஐ எடுக்கக்கூடிய ஒரு அமைப்பை உருவாக்குவது மற்றும் y இன் அளவுகோல் மதிப்பை வெளியீட்டாகக் கணிப்பது. எளிமையான வார்த்தைகளில், இந்த வழிமுறையானது உள்ளீடு மற்றும் வெளியீட்டிற்கு இடையே உள்ள உறவை ஒரு சிறந்த நேர்கோட்டைப் பயன்படுத்தி நிறுவுகிறது.

y=wTx

இங்கே w என்பது அளவுருக்களின் திசையன். அளவுருக்கள் என்பது அமைப்பின் நடத்தையைக் கட்டுப்படுத்தும் மதிப்புகள்.

ஒவ்வொரு அம்சமும் வெளியீட்டை எவ்வாறு பாதிக்கிறது என்பதைத் தீர்மானிக்கும் எடைகளின் தொகுப்பாக 'w' என்று நாம் நினைக்கலாம். அம்சம் உள்ளீட்டின் பண்பைத் தவிர வேறில்லை.

உதாரணத்திற்கு

பயன்படுத்திய கார்களின் விலையைக் கணிக்கக்கூடிய ஒரு அமைப்பைக் கொண்டிருக்க வேண்டும் என்று சொல்லலாம். பிராண்ட், ஆண்டு, எஞ்சின் செயல்திறன், திறன், மைலேஜ் மற்றும் பல தகவல்களைப் போன்ற காரின் மதிப்பைப் பாதிக்கும் என்று நாங்கள் நினைக்கும் கார் பண்புக்கூறுகள் இங்கே உள்ளன.

y=w0 * திறன்+w1 * மைலேஜ் +w3 * எஞ்சின் செயல்திறன்

இந்த அம்சங்கள் நேர்மறை எடைகளைப் பெற்றால், இந்த எடைகளின் அதிகரிப்பு நமது கணிப்புகளின் மதிப்பை அதிகரிக்கிறது மற்றும் நேர்மாறாகவும். எடைகள் 'wi' அளவு பெரியதாக இருந்தால், அது கணிப்பதில் பெரிய தாக்கத்தை ஏற்படுத்துகிறது. ஒரு எடை 'wi' 0 ஆக இருந்தால், அது கணிப்பதில் எந்த விளைவையும் ஏற்படுத்தாது.

வகைப்பாடு

வகைப்பாடு என்பது மேற்பார்வையிடப்பட்ட கற்றல் கருத்தாகும், இது உள்ளீடு எந்த வகையைச் சேர்ந்தது என்பதைக் கணிக்க முயற்சிக்கிறது. வகைப்படுத்தல் சிக்கலைத் தீர்க்க, கற்றல் அல்காரிதம்கள் f:R-{1,2,…k} போன்ற செயல்பாட்டை உருவாக்க முயற்சிக்கும். எளிமையான வார்த்தைகளில், வெளியீடு மாறி இருக்கும் போது ஒரு நோய் அல்லது நோய் அல்லாத ஒரு வகை, அதாவது இந்த பிரச்சனையில் வெளியீடு தனித்தனியாக இருக்கும். எடுத்துக்காட்டாக, ஐரிஸ் தரவுத்தொகுப்பில், ஒரு உள்ளீட்டில் மூன்று அம்சங்களைக் (செப்பல் நீளம்(sl), செப்பல் அகலம்(sw), இதழ் நீளம்(pl), இதழ் அகலம்(pw)) கொடுக்கப்பட்ட மூன்று வகை இனங்களை நாம் கணிக்க வேண்டும்.

அதைத் தெளிவாகப் புரிந்துகொள்ள பொருள் அங்கீகாரத்தின் மற்றொரு உதாரணத்தை எடுத்துக் கொள்வோம்

இங்கே உள்ளீடு என்பது ஒரு படம் மற்றும் வெளியீடு என்பது படத்தில் உள்ள பொருளை அடையாளம் காணும் எண் குறியீடாகும்.

பல வகைப்பாடு அல்காரிதம்கள் உள்ளன. வகைப்பாடு அல்காரிதம்களில் சப்போர்ட் வெக்டர் மெஷின் லாஜிஸ்டிக் ரிக்ரஷன், முடிவு மரம், ரேண்டம் ஃபாரஸ்ட் போன்றவை அடங்கும். சில அல்காரிதங்களை விரிவாகப் பார்ப்போம்.

ஆதரவு திசையன் இயந்திரம்

ஒரு ஆதரவு திசையன் இயந்திரம் என்பது மேற்பார்வையிடப்பட்ட கற்றல் வழிமுறையாகும், இது வகைப்படுத்தல் மற்றும் பின்னடைவு சிக்கல்களுக்குப் பயன்படுத்தப்படலாம், ஆனால் பெரும்பாலும் இது வகைப்படுத்தல் சிக்கல்களுக்குப் பயன்படுத்தப்படுகிறது.

ஒரு பயிற்சி தரவுத்தொகுப்பு கொடுக்கப்பட்டால், ஒவ்வொன்றும் இரண்டு வகுப்புகளில் ஒன்று அல்லது மற்றொன்று என லேபிளிடப்பட்டுள்ளது, ஒரு SVM பயிற்சி அல்காரிதம் ஒரு மாதிரியை உருவாக்குகிறது, அது ஒரு வகை அல்லது மற்றொன்றுக்கு புதிய எடுத்துக்காட்டுகளை வழங்குகிறது, இது ஒரு நிகழ்தகவு அல்லாத பைனரி நேரியல் வகைப்படுத்தியாக அமைகிறது.

அடிப்படையில் இந்த அல்காரிதம் புதிய எடுத்துக்காட்டுகளை வகைப்படுத்தும் n-பரிமாண இடத்தில் உகந்த ஹைப்பர் பிளேனைக் கண்டறிய முயற்சிக்கிறது. இரு பரிமாண இடைவெளியில் (உள்ளீட்டு அம்சங்களின் எண்ணிக்கை இரண்டாக இருக்கும்போது) இந்த ஹைப்பர் பிளேன் படம்3 இல் காட்டப்பட்டுள்ளபடி விமானத்தை இரண்டு பகுதிகளாகப் பிரிக்கும் கோடு தவிர வேறில்லை.

படி விக்கிபீடியா

SVM மாடல் என்பது விண்வெளியில் உள்ள புள்ளிகளாக உள்ள எடுத்துக்காட்டுகளின் பிரதிநிதித்துவமாகும், தனித்தனி வகைகளின் எடுத்துக்காட்டுகள் முடிந்தவரை பரந்த தெளிவான இடைவெளியால் வகுக்கப்படும். புதிய எடுத்துக்காட்டுகள் அதே இடத்தில் வரைபடமாக்கப்பட்டு, அவை விழும் இடைவெளியின் பக்கத்தின் அடிப்படையில் ஒரு வகையைச் சேர்ந்ததாக கணிக்கப்படுகிறது.

img 617dd7d8dd962

படம் 3

SVM இரண்டு வகுப்புகளுக்கு இடையே உள்ள விளிம்பை அதிகரிக்க முயற்சிக்கிறது. எந்தவொரு வகுப்பின் அருகிலுள்ள பயிற்சி-தரவுப் புள்ளிக்கும் மிகப்பெரிய தூரத்தைக் கொண்டிருக்கும் ஹைப்பர் பிளேன் மூலம் அதிகபட்ச விளிம்பு அடையப்படுகிறது.

இது புரிந்து கொள்ள மிகவும் உள்ளுணர்வு. படத்தில் நாம் பார்க்க முடியும், கோட்டின் பக்கத்தில் விழும் அனைத்து தரவு புள்ளிகளும் ஒரு வகுப்பாகவும், கோட்டின் மறுபுறம் விழும் புள்ளிகள் இரண்டாம் வகுப்பு என்றும் லேபிளிடப்படும். இப்போது படம் 3 இல் பார்ப்பது போல, அவற்றுக்கிடையே எல்லையற்ற கோடுகள் உள்ளன.

எனவே எந்த வரி சிறப்பாக செயல்படுகிறது என்பதை நாம் எப்படி அறிவது? இந்த அல்காரிதம் இரண்டு வகுப்புகளையும் பிரிப்பது மட்டுமல்லாமல், படம் 3 இல் காட்டப்பட்டுள்ளபடி, முடிந்தவரை நெருக்கமான மாதிரிகளிலிருந்து வெகு தொலைவில் இருக்கும் ஒரு வரியைத் தேர்ந்தெடுக்க முயற்சிக்கிறது.

மேற்பார்வை செய்யப்படாத கற்றல்

மேற்பார்வையிடப்பட்ட கற்றலில், மேற்பார்வையாளரால் சரியான மதிப்புகள் வழங்கப்பட்ட உள்ளீட்டிலிருந்து வெளியீட்டிற்கு மேப்பிங்கைக் கற்றுக்கொள்வது நோக்கமாகும். மேற்பார்வை செய்யப்படாத கற்றலில், உள்ளீட்டுத் தரவு மட்டுமே வழங்கப்படுகிறது மற்றும் அத்தகைய மேற்பார்வையாளர் இல்லை. உள்ளீட்டின் ஒழுங்குமுறைகளைக் கண்டறிவதே நோக்கமாகும்.

உள்ளீட்டு இடத்திற்கு ஒரு அமைப்பு உள்ளது, சில வடிவங்கள் மற்றவற்றை விட அதிகமாக ஏற்படும்.

மேலும் பார்க்கவும் 9 Google Chrome பல செயல்முறைகள் இயங்கும் சிக்கலுக்கான திருத்தங்கள்

மேற்பார்வை செய்யப்படாத கற்றலில் இரண்டு முக்கிய முறைகள் பயன்படுத்தப்படுகின்றன, அவை கிளஸ்டர் பகுப்பாய்வு மற்றும் முதன்மை கூறு.

கிளஸ்டர் பகுப்பாய்வில், உள்ளீட்டின் குழுவைக் கண்டறிவதே குறிக்கோள்.

தெளிவாக புரிந்து கொள்ள ஒரு உதாரணத்தை எடுத்துக் கொள்வோம்

எல்லா நிறுவனங்களிலும் வாடிக்கையாளர்களின் தரவுகள் அதிகம். வாடிக்கையாளர் தரவு மக்கள்தொகை தகவல் மற்றும் நிறுவனத்துடன் கடந்த பரிவர்த்தனை ஆகியவற்றைக் கொண்டுள்ளது. நிறுவனம் தனது நிறுவனத்தின் சுயவிவரத்தின் விநியோகத்தைப் பார்க்கவும், எந்த வகையான வாடிக்கையாளர் அடிக்கடி நிகழ்கிறது என்பதைப் பார்க்கவும் ஆர்வமாக இருக்கலாம். இத்தகைய சூழ்நிலைகளில், க்ளஸ்டரிங் வாடிக்கையாளர்களை அவர்களின் பண்புகளில் ஒத்த குழுவிற்கு ஒதுக்குகிறது. பல்வேறு குழுக்களுக்கு குறிப்பிட்ட சேவைகள் மற்றும் தயாரிப்புகளுக்கான நிறுவனத்தின் உத்திகளை தீர்மானிக்க இந்த கிளஸ்டர்டு குழுக்கள் உதவக்கூடும்.

இந்த க்ளஸ்டரிங் பகுப்பாய்வைச் செய்வதற்கான பிரபலமான வழிமுறையானது K- அதாவது கிளஸ்டரிங் ஆகும். K-ஐ இன்னும் விரிவாக விவாதிப்போம்.

K- என்றால் கிளஸ்டரிங்

K- என்றால் கிளஸ்டரிங் என்பது பிரபலமான மற்றும் எளிமையான மேற்பார்வை செய்யப்படாத கற்றல் அல்காரிதம்களில் ஒன்றாகும்.

K- அர்த்தம் என்பது ஒரு சென்ட்ராய்டு அடிப்படையிலான அல்காரிதம் ஆகும், இதில் ஒரு புள்ளியை ஒரு கிளஸ்டருக்கு ஒதுக்க, சென்ட்ராய்டில் இருந்து கொடுக்கப்பட்ட புள்ளிகளின் தூரத்தைக் கணக்கிடுகிறோம். K-Means இல், ஒவ்வொரு கிளஸ்டரும் ஒரு சென்ட்ராய்டுடன் தொடர்புடையது.

இந்த அல்காரிதம் பின்வருமாறு செயல்படுகிறது:

  1. முதலில் கே புள்ளிகளை தற்செயலாக அர்த்தம் எனப்படும்
  2. அதன் பிறகு, ஒவ்வொரு பொருளையும் அதன் நெருங்கிய சராசரிக்கு வகைப்படுத்தி, சராசரி ஆயத்தொலைவுகளைப் புதுப்பிக்கவும், இது இதுவரை அந்த சராசரியில் வகைப்படுத்தப்பட்ட பொருட்களின் சராசரிகள்.
  3. கொடுக்கப்பட்ட எண்ணிக்கையிலான மறு செய்கைகளுக்கு இந்தப் படிகளை மீண்டும் செய்யவும்.
இயந்திர வழி கற்றல்

படம்:4

அரை மேற்பார்வை அல்காரிதம்

மேற்பார்வையிடப்பட்ட கற்றலில், தரவுத்தொகுப்பு மனிதர்களால் கைமுறையாக லேபிளிடப்பட வேண்டும் என்பதைக் கண்டோம். தரவுத்தொகுப்பின் அளவு மிகப் பெரியதாக இருப்பதால் இந்த செயல்முறை மிகவும் விலை உயர்ந்தது. மேற்பார்வை செய்யப்படாத கற்றலில், பெயரிடப்பட்ட தரவுத்தொகுப்பு தேவையில்லை ஆனால் அதன் பயன்பாட்டு நிறமாலை குறைவாகவே உள்ளது.

இந்த வரம்புகளை சமாளிக்க, அரை மேற்பார்வை கற்றல் என்ற கருத்து அறிமுகப்படுத்தப்பட்டது. இந்த கற்றல் பாணியில், அல்காரிதம் சிறிய அளவிலான லேபிளிடப்பட்ட தரவு மற்றும் அதிக அளவு லேபிளிடப்படாத தரவு ஆகியவற்றின் கலவையுடன் பயிற்சியளிக்கப்படுகிறது. அரை-கண்காணிப்பு கற்றல் மேற்பார்வையிடப்பட்ட கற்றல் மற்றும் மேற்பார்வை செய்யப்படாத கற்றல் ஆகியவற்றுக்கு இடையே விழுகிறது.

லேபிளிடப்படாத தரவைப் பயன்படுத்த, அரை-கண்காணிக்கப்பட்ட அல்காரிதம் தரவைப் பற்றிய பின்வரும் தொடர்பைக் கருதுகிறது -

    தொடர்ச்சி:ஒருவருக்கொருவர் நெருக்கமாக இருக்கும் புள்ளிகள் ஒரே வெளியீட்டு லேபிளைப் பகிர்ந்து கொள்வதற்கான வாய்ப்புகள் அதிகம் என்று அது கருதுகிறது.கொத்து:தரவை தனித்தனி கிளஸ்டர்களாகப் பிரிக்க முடிந்தால், அதே கிளஸ்டரில் உள்ள புள்ளிகள் லேபிளைப் பகிர்ந்து கொள்வதற்கான வாய்ப்புகள் அதிகம்.பலவகை:தரவு உள்ளீட்டு இடத்தை விட மிகக் குறைந்த பரிமாணத்தின் பன்மடங்கில் தோராயமாக உள்ளது. இந்த அனுமானம் a இல் வரையறுக்கப்பட்ட தூரங்கள் மற்றும் அடர்த்திகளைப் பயன்படுத்த அனுமதிக்கிறது பன்மடங்கு .

உண்மையான உலகத்துடன் தொடர்புபடுத்தி மேற்பார்வையிடப்பட்ட கற்றல், மேற்பார்வையிடப்படாத கற்றல் மற்றும் அரை-கண்காணிக்கப்பட்ட கற்றல் ஆகிய இந்த மூன்று வகையான கற்றல் பாணிகளை நாம் புரிந்து கொள்ள முடியும்.

ஆசிரியரின் மேற்பார்வையில் மாணவர் இருக்கும் இடத்தில் கற்றல் கண்காணிக்கப்படுகிறது. மேற்பார்வை செய்யப்படாத கற்றலில், ஒரு மாணவர் ஒரு கருத்தை தானே கண்டுபிடிக்க வேண்டும். ஒரு ஆசிரியர் வகுப்பில் சில கருத்துக்களைக் கற்பித்து, அதே போன்ற கருத்துகளின் அடிப்படையில் கேள்விகளை வீட்டுப்பாடமாக வழங்கும் அரை-மேற்பார்வைக் கற்றல்.

வலுவூட்டல் கற்றல்

வலுவூட்டல் கற்றல் என்பது சூழலுடன் தொடர்பு கொண்டு கற்றல் ஆகும். கற்றல் செயல்முறை ஒரு நடிகர், ஒரு சூழல் மற்றும் ஒரு வெகுமதி சமிக்ஞையை உள்ளடக்கியது. நடிகருக்கு அதற்கேற்ப வெகுமதி கிடைக்கும் சூழலில் நடிகர் நடவடிக்கை எடுப்பதைத் தேர்வு செய்கிறார். இங்கே கணினியின் வெளியீடு செயல்களின் வரிசையாகும்.

அத்தகைய சூழ்நிலையில், ஒரு செயல் முக்கியமல்ல, இலக்கை அடைய சரியான செயல்களின் வரிசை முக்கியமானது. இது கொள்கை என்றும் அழைக்கப்படுகிறது. நடிகர் அவர் பெறும் வெகுமதியை அதிகரிக்க விரும்புகிறார், எனவே சுற்றுச்சூழலுடன் தொடர்புகொள்வதற்கான உகந்த மற்றும் நல்ல கொள்கையைக் கற்றுக்கொள்ள வேண்டும். ஒரு நல்ல உதாரணம் விளையாட்டுகள். விளையாட்டில், ஒரு ஒற்றை நகர்வு முக்கியமல்ல, அதற்கு நல்ல சரியான நகர்வுகளின் வரிசை தேவைப்படுகிறது (அதாவது நகர்வுகள் வெற்றிக்கு வழிவகுக்கும்)

வலுவூட்டல் கற்றல் அமைப்பு

படம் 5: வலுவூட்டல் கற்றல் அமைப்பு

வலுவூட்டல் கற்றல் என்பது நாம் இதுவரை படித்த மற்ற வகை கற்றலில் இருந்து மிகவும் வித்தியாசமானது. மேற்பார்வையிடப்பட்ட கற்றலில் நாம் பார்த்தது போல், எங்களுக்கு தரவு மற்றும் லேபிள்கள் வழங்கப்படுகின்றன, மேலும் கொடுக்கப்பட்ட தரவின் வெளியீட்டைக் கணிக்கும் பணியை நாங்கள் செய்கிறோம். மேற்பார்வை செய்யப்படாத கற்றலில், எங்களுக்கு தரவு மட்டுமே வழங்கப்படுகிறது மற்றும் தரவுகளில் உள்ள அடிப்படை கட்டமைப்பைக் கண்டறியும் பணியை நாங்கள் செய்கிறோம். வலுவூட்டலில், எங்களுக்கு தரவு அல்லது லேபிள்கள் வழங்கப்படவில்லை.

வலுவூட்டல் கற்றலின் பயன்பாடுகள்

  1. சுயமாக ஓட்டும் கார்
  2. ரோபோ மோட்டார் கட்டுப்பாடு
  3. ஏர் கண்டிஷனிங் கட்டுப்பாடு
  4. விளம்பரப்படுத்தல் தேர்வுமுறை
  5. பங்குச் சந்தை வர்த்தக உத்திகள்
  6. விளையாட்டு விளையாடுவது

ஆழ்ந்த கற்றல்

ஒரு காரின் படத்தை நாம் பகுப்பாய்வு செய்யும் போது, ​​சிவப்பு காரின் படத்தில் உள்ள தனிப்பட்ட பிக்சல் இரவில் கருப்பு நிறத்திற்கு மிக அருகில் இருக்கும். இந்த எடுத்துக்காட்டு பல செயற்கை நுண்ணறிவு பயன்பாடுகள் எதிர்கொள்ளும் சிரமத்தைப் பற்றிய நுண்ணறிவை உங்களுக்கு வழங்கலாம். இத்தகைய உயர் நிலை மற்றும் சுருக்க அம்சங்களைப் பிரித்தெடுப்பது மிகவும் கடினம், ஏனெனில் அதற்கு மனித அளவிலான புரிதல் தேவைப்படுகிறது.

எளிமையான ஒன்றிலிருந்து சிக்கலான அம்சங்களை உருவாக்குவதன் மூலம் ஆழமான கற்றல் இந்த சிக்கலைச் சமாளிக்கிறது. ஆழமான கற்றல் மாதிரியின் மிக அடிப்படையான உதாரணம் பல அடுக்கு பெர்செப்ட்ரான் ஆகும். மல்டிலேயர் பெர்செப்ட்ரான் என்பது ஒரு கணித செயல்பாடு மட்டுமே உள்ளீட்டு மதிப்புகளை வெளியீட்டு மதிப்புகளுக்கு மேப்பிங் செய்கிறது. இந்த செயல்பாடு பல எளிய செயல்பாடுகளால் ஆனது.

ஆழ்ந்த கற்றல் என்பது ஒரு குறிப்பிட்ட வகையான இயந்திரக் கற்றல் ஆகும், இது உலகத்தை கருத்தாக்கங்களின் உள்ளமைக்கப்பட்ட படிநிலையாக பிரதிநிதித்துவப்படுத்துவதன் மூலம் பெரும் சக்தியையும் நெகிழ்வுத்தன்மையையும் அடைகிறது. ஒவ்வொரு கருத்தும் எளிமையான கருத்துகளுடன் தொடர்புடையது, மேலும் சுருக்கமான பிரதிநிதித்துவங்கள் குறைவான சுருக்கங்களின் அடிப்படையில் கணக்கிடப்படுகின்றன.

டீப் நியூரல் நெட்வொர்க், டீப் நம்பிக்கை நெட்வொர்க், கன்வல்யூஷனல் நியூரல் நெட்வொர்க், ரெக்கரண்ட் நியூரல் நெட்வொர்க் போன்ற ஆழமான கற்றல் வழிமுறைகள் கணினி பார்வை, பேச்சு அங்கீகாரம், இயற்கை மொழி செயலாக்கம் மற்றும் பல துறைகளுக்குப் பயன்படுத்தப்பட்டுள்ளன.

டீப் நியூரல் நெட்வொர்க்

டீப் நியூரல் நெட்வொர்க் மனித மூளையின் செயல்பாடு மற்றும் அது செயல்படும் விதம் ஆகியவற்றால் ஈர்க்கப்பட்டுள்ளது. ஆழமான நரம்பியல் நெட்வொர்க்குகளின் அடிப்படை கட்டுமானத் தொகுதி முனைகள் ஆகும். கணுக்கள் மனித மூளையின் நியூரான்களைப் போன்றது. தூண்டுதல் அவர்களைத் தாக்கும் போது, ​​முனையில் ஒரு செயல்முறை நடைபெறுகிறது. பொதுவாக, முனைகள் படம் 6 இல் காட்டப்பட்டுள்ளபடி அடுக்குகளாக தொகுக்கப்படுகின்றன.

டீப் நியூரல் நெட்வொர்க்

படம் 6 : ஆழமான நரம்பு வலையமைப்பு

பல்வேறு வகையான ஆழமான நரம்பியல் நெட்வொர்க்குகள் உள்ளன மற்றும் அவற்றுக்கிடையேயான வேறுபாடுகள் அவற்றின் செயல்பாட்டுக் கொள்கைகள், செயல்களின் திட்டம் மற்றும் பயன்பாடுகளின் பகுதிகளில் உள்ளது.

    கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகள் (CNN): அனைத்து பிக்சல்களையும் ஒவ்வொன்றாகச் சரிபார்க்க வேண்டிய அவசியம் இல்லாததால், இது பெரும்பாலும் படத்தை அடையாளம் காண பயன்படுத்தப்படுகிறது. CNNகள் உள்ளீட்டு அடுக்கு, வெளியீட்டு அடுக்கு மற்றும் மறைக்கப்பட்ட அடுக்குகளைக் கொண்டிருக்கும். மறைக்கப்பட்ட அடுக்குகள் பொதுவாக உருமாற்ற அடுக்குகள், பூலிங் அடுக்குகள் மற்றும் முழுமையாக இணைக்கப்பட்ட அடுக்குகளைக் கொண்டிருக்கும். கன்வல்யூஷனல் மற்றும் மேக்ஸ்-பூலிங் அடுக்குகள் அம்சம் பிரித்தெடுத்தல் மற்றும் முழுமையாக இணைக்கப்பட்ட அடுக்குகளாக செயல்படுகின்றன, இது பிரித்தெடுக்கப்பட்ட அம்சங்களின் நேரியல் அல்லாத மாற்றங்களைச் செய்கிறது மற்றும் வகைப்படுத்தியாக செயல்படுகிறது. கன்வல்யூஷனல் அடுக்குகள் உள்ளீட்டிற்கு ஒரு கன்வல்யூஷன் செயல்பாட்டைப் பயன்படுத்துகின்றன. பூலிங் லேயர் இடஞ்சார்ந்த அளவை (அகலம் மற்றும் உயரம் மட்டுமே, ஆழம் அல்ல) குறைக்க கன்வல்யூஷனல் லேயருக்குப் பிறகு உடனடியாகப் பயன்படுத்தப்படுகிறது. இது அளவுருக்களின் எண்ணிக்கையைக் குறைக்கிறது, எனவே கணக்கீடு குறைக்கப்படுவதோடு, அம்சக் கண்டறிதல்களை உள்ளீட்டில் அதன் நிலைக்கு மேலும் மாறாததாக மாற்ற உதவுகிறது. இந்த அனிமேஷன் மூலம் கன்வல்யூஷன் செயல்பாட்டைப் புரிந்துகொள்வது எளிது
இயந்திர வழி கற்றல்
    தொடர் நரம்பியல் நெட்வொர்க்(RNN):தொடர்ச்சியான நரம்பியல் நெட்வொர்க்குகள் நரம்பியல் நெட்வொர்க்குகளின் ஒரு வகுப்பாகும், அவை முந்தைய வெளியீடுகளை மாதிரியின் உள்ளீடுகளாகப் பயன்படுத்த அனுமதிக்கின்றன. இது முதன்முதலில் 1980 களில் அறிமுகப்படுத்தப்பட்டது. RNNகள் ஃபீட்-ஃபார்வர்டு நரம்பியல் நெட்வொர்க்குகளிலிருந்து வேறுபட்டவை, ஏனெனில் அவை ஒரு சிறப்பு வகை நரம்பியல் வலையமைப்பைப் பயன்படுத்துகின்றன, இது மீண்டும் மீண்டும் அடுக்கு என அறியப்படுகிறது. தொடர்ச்சியான நரம்பியல் நெட்வொர்க்கின் பின்னணியில் உள்ள முக்கிய யோசனை, தொடர்ச்சியான தகவலைப் பயன்படுத்துவதாகும். CNN போன்ற பாரம்பரிய நரம்பியல் வலையமைப்பில், அனைத்து உள்ளீடுகளும் வெளியீடுகளும் ஒன்றுக்கொன்று சார்பற்றவை என்று நாங்கள் கருதுகிறோம். ஆனால் பல பணிகளுக்கு இதை அனுமானிப்பது மிகவும் நல்ல யோசனையாக இல்லை. ஒரு வாக்கியத்தில் அடுத்த வார்த்தையைக் கணிக்க வேண்டுமானால் அதற்கு முன் வந்த வார்த்தைகள் என்ன என்பதை அறிந்து கொள்வது நல்லது என்று வைத்துக்கொள்வோம். RNNகள் மறுநிகழ்வு என்று அழைக்கப்படுகின்றன, ஏனெனில் அவை ஒரு வரிசையின் ஒவ்வொரு உறுப்புக்கும் ஒரே பணியைச் செய்கின்றன, வெளியீடு முந்தைய கணக்கீடுகளைச் சார்ந்தது. எளிமையான வார்த்தைகளில், RNN கள் இதுவரை கணக்கிடப்பட்டவை பற்றிய தகவல்களைப் பிடிக்கும் நினைவகத்தைக் கொண்டுள்ளன. கோட்பாட்டில், RNNகள் நீண்ட வரிசைகளில் தகவலைப் பயன்படுத்த முடியும், ஆனால் நடைமுறையில், அவை சில படிகளை மட்டுமே திரும்பிப் பார்ப்பதற்கு மட்டுப்படுத்தப்பட்டுள்ளன.
மேலும் பார்க்கவும் ஐபோன்கள் வைரஸ்களைப் பெறுமா: வைரஸ்களை சரிபார்த்து அகற்றுவது எப்படி

வென் வரைபடத்தைப் பயன்படுத்தி AI, இயந்திர கற்றல் மற்றும் ஆழமான கற்றல் ஆகியவற்றுக்கு இடையேயான தொடர்பைப் பார்ப்போம்

இயந்திர வழி கற்றல்

படம் 7 : ஆழமான கற்றல், இயந்திர கற்றல் மற்றும் செயற்கை நுண்ணறிவு ஆகியவற்றுக்கு இடையேயான தொடர்பை இந்த எண்ணிக்கை காட்டுகிறது.

செயற்கை நுண்ணறிவின் பயன்பாடுகள்

AI பயன்படுத்தப்படும் பல்வேறு துறைகள் உள்ளன. சந்தைப்படுத்தல், வங்கியியல், நிதி, விவசாயம், சுகாதாரம், கேமிங், விண்வெளி ஆய்வு, தன்னாட்சி வாகனங்கள், சாட்பாட்கள், செயற்கை படைப்பாற்றல் போன்ற துறைகள் அடங்கும்.

சந்தைப்படுத்தல் மற்றும் வங்கியியல் துறையை ஆராய்வோம்.

சந்தைப்படுத்தல்

ஆரம்ப நாட்களில் (AI பயன்பாட்டில் இல்லாதபோது. அது புத்தகங்களில் மட்டுமே உள்ளது), ஆன்லைன் ஸ்டோரிலிருந்து சில தயாரிப்புகளை வாங்க விரும்பினால், அதன் சரியான பெயரைக் கொண்டு தயாரிப்பைத் தேட வேண்டும். எனவே, தயாரிப்பின் சரியான பெயர் நமக்குத் தெரியாவிட்டால், ஒரு பொருளைக் கண்டுபிடிப்பது மிகவும் கடினம்.

ஆனால் இப்போதெல்லாம் நாம் எந்த ஒரு இணையவழி கடையிலும் எந்த பொருளையும் தேடும்போது, ​​அந்த உருப்படி தொடர்பான அனைத்து சாத்தியமான முடிவுகளையும் பெறுகிறோம். தயாரிப்பைக் கண்டறிய சரியான எழுத்துப்பிழை அல்லது தயாரிப்பின் பெயரைப் பற்றி நாம் கவலைப்பட வேண்டியதில்லை. மற்றொரு உதாரணம் Netflix இல் சரியான திரைப்படங்களைக் கண்டறிவது.

பயன்பாடு சரியான தயாரிப்பைக் கண்டுபிடிப்பதில் மட்டுப்படுத்தப்படவில்லை. AI இன் முன்னேற்றம், உங்களின் கடந்த கால பரிவர்த்தனை மற்றும் பொருட்களை வாங்கும் சுவை ஆகியவற்றை பகுப்பாய்வு செய்வதன் மூலம் உங்கள் ஆர்வத்தின் அடிப்படையில் தயாரிப்பைப் பரிந்துரைக்க முடியும். இந்தத் தரவுகளின்படி, உங்களுக்கு எந்த வகையான தயாரிப்பு பொருத்தமானது என்பதை AI அறிந்து கொள்ள முடியும், அதன் அடிப்படையில் அது தயாரிப்பை வடிகட்டி உங்களுக்கு பரிந்துரைக்கும்.

இந்த வழியில், AI ஆனது சந்தைப்படுத்துதல் மற்றும் தயாரிப்புகளின் ஆன்லைன் விற்பனையை அதிகரிப்பதில் முக்கிய பங்கு வகிக்கிறது, எனவே Flipkart போன்ற இ-காமர்ஸ் நிறுவனங்கள், அமேசான் , அல்லது Netflix போன்ற நிறுவனங்கள் தங்கள் தயாரிப்புகளை மிக எளிதாக விற்று லாபம் ஈட்ட AI இன் சக்தியைப் பயன்படுத்துகின்றன.

வங்கியியல்

வங்கித் துறையில், AI அமைப்பு வேகமாக வளர்ந்து வருகிறது. வாடிக்கையாளர் ஆதரவு, முரண்பாடுகளைக் கண்டறிதல், கிரெடிட் கார்டு மோசடிகள் போன்ற பல்வேறு சேவைகளை வழங்க பல வங்கிகள் ஏற்கனவே AI அமைப்பை ஏற்றுக்கொண்டுள்ளன.

HDFC வங்கியின் உதாரணத்தை எடுத்துக் கொள்வோம். அவர்கள் எலக்ட்ரானிக் விர்ச்சுவல் அசிஸ்டென்ட் (EVA) எனப்படும் AI அடிப்படையிலான சாட்போட்டை உருவாக்கியுள்ளனர். இந்த சாட்போட் ஏற்கனவே 3 மில்லியனுக்கும் அதிகமான வாடிக்கையாளர் கேள்விகளை நிவர்த்தி செய்துள்ளது. ஈவா 0.4 வினாடிகளுக்குள் எளிமையான பதில்களை வழங்க முடியும். பாங்க் ஆஃப் அமெரிக்கா அவர்களின் சாட்போட் பெயர் எரிகா. அமெரிக்கன் எக்ஸ்பிரஸ் தங்கள் வாடிக்கையாளர்களுக்கு பயனளிக்க தங்கள் AmEX சாட்போட்களைப் பயன்படுத்துகிறது.

MasterCard மற்றும் RBS WorldPay ஆகியவை மோசடியான பரிவர்த்தனைகளைக் கண்டறியவும் கார்டு மோசடியைத் தடுக்கவும் AI மற்றும் ஆழ்ந்த கற்றலைப் பயன்படுத்தியுள்ளன. இந்த AI அமைப்பு மில்லியன் டாலர்களை மிச்சப்படுத்தியது. AI-அடிப்படையிலான மோசடி கண்டறிதல் அல்காரிதம்கள் 95%க்கும் அதிகமான துல்லியத்துடன் மோசடியைக் கண்டறிவதில் மிகவும் துல்லியமானவை. நிகழ்நேரத்தில் புதிய மோசடி முயற்சிகளைக் கண்டறிய விரைவாக மாற்றியமைக்கும் திறனை அவர்கள் கொண்டுள்ளனர்.

வங்கியில் AI இன் மிக முக்கியமான பயன்பாடு இடர் மேலாண்மை ஆகும், ஏனெனில் மோசடி தாக்குதல்களால் சராசரியாக வணிகர்களின் இழப்பு அவர்களின் ஆண்டு வருவாயில் 1.5% என்று மதிப்பீடுகள் காட்டுகின்றன. தீம்பொருள், ட்ரோஜான்கள் மற்றும் வைரஸ்களைக் கண்டறியும் முன்கூட்டிய எச்சரிக்கை அமைப்பை உருவாக்க JPMorgan AI நுட்பங்களையும் பயன்படுத்தத் தொடங்கியது. மோசடி மின்னஞ்சல்கள் உண்மையில் ஊழியர்களுக்கு அனுப்பப்படுவதற்கு நீண்ட காலத்திற்கு முன்பே இந்த கண்டறிதல் அமைப்பு சந்தேகத்திற்கிடமான நடத்தையை அடையாளம் காட்டுகிறது.

பரிந்துரைக்கப்பட்ட கட்டுரைகள்

  • Unsecapp.Exe என்றால் என்ன மற்றும் இது பாதுகாப்பானதாUnsecapp.exe என்றால் என்ன, அது பாதுகாப்பானதா?
  • 15 சிறந்த UML வரைபடக் கருவி மற்றும் மென்பொருள்15 சிறந்த UML வரைபடக் கருவி மற்றும் மென்பொருள்
  • [நிலையானது] குறிப்பிட்ட சாதனம், பாதை அல்லது கோப்பு பிழையை Windows அணுக முடியாது[நிலையான] குறிப்பிட்ட சாதனம், பாதை அல்லது கோப்பு பிழையை Windows அணுக முடியாது
  • விண்டோஸில் இயங்காத விண்டோஸ் புதுப்பிப்புக்கான 16 திருத்தங்கள்விண்டோஸில் இயங்காத விண்டோஸ் புதுப்பிப்புக்கான 16 திருத்தங்கள்
  • AMD ரேடியான் அமைப்புகளுக்கான 4 திருத்தங்கள் வென்றனAMD ரேடியான் அமைப்புகளுக்கான 4 திருத்தங்கள் திறக்கப்படாது
  • பெரிதாக்கு ஸ்கிரீன்ஷாட் கருவி: உதவிக்குறிப்புகள் மற்றும் தந்திரங்கள்பெரிதாக்கு ஸ்கிரீன்ஷாட் கருவி: உதவிக்குறிப்புகள் மற்றும் தந்திரங்கள்