Süni intellekt hər yerdədir, lakin bəzən terminologiyanı və jarqonu başa düşmək çətin ola bilər. Bu bloq yazısında biz 50-dən çox AI termin və tərifini izah edirik ki, siz bu sürətlə inkişaf edən texnologiyanı daha yaxşı başa düşəsiniz.
İstər yeni başlayan, istərsə də mütəxəssis olmağınızdan asılı olmayaraq, burada bilmədiyiniz bir neçə termin var!
1. Süni intellekt
Süni İntellekt (AI) çox vaxt insan zəkasını təqlid edərək müstəqil öyrənmək və işləmək qabiliyyətinə malik kompüter sistemlərinin inkişafına aiddir.
Bu sistemlər məlumatları təhlil edir, nümunələri tanıyır, qərarlar qəbul edir və təcrübə əsasında davranışlarını uyğunlaşdırır. Alqoritmlərdən və modellərdən istifadə etməklə, AI ətrafdakıları qavramaq və anlamaq qabiliyyətinə malik ağıllı maşınlar yaratmağı hədəfləyir.
Son məqsəd maşınlara tapşırıqları səmərəli şəkildə yerinə yetirmək, məlumatlardan öyrənmək və insanlara bənzər idrak qabiliyyətlərini nümayiş etdirməkdir.
2. Alqoritm
Alqoritm bir problemin həlli və ya müəyyən bir tapşırığın yerinə yetirilməsi prosesini istiqamətləndirən dəqiq və sistematik təlimatlar və ya qaydalar toplusudur.
O, müxtəlif sahələrdə fundamental konsepsiya kimi xidmət edir və informatika, riyaziyyat və problem həlli fənlərində mühüm rol oynayır. Alqoritmləri başa düşmək çox vacibdir, çünki onlar effektiv və strukturlaşdırılmış problem həlli yanaşmalarına imkan verir, texnologiya və qərar qəbuletmə proseslərində irəliləyişlərə səbəb olur.
3. Böyük məlumatlar
Böyük verilənlər ənənəvi analiz metodlarının imkanlarını aşan son dərəcə böyük və mürəkkəb verilənlər toplularına aiddir. Bu məlumat dəstləri adətən həcmi, sürəti və müxtəlifliyi ilə xarakterizə olunur.
Həcmi müxtəlif mənbələrdən əldə edilən çoxlu məlumatlara aiddir, məsələn sosial media, sensorlar və əməliyyatlar.
Sürət məlumatların yaradıldığı və real vaxtda və ya real vaxta yaxın vaxtda emal edilməli olduğu yüksək sürətə aiddir. Variety, strukturlaşdırılmış, strukturlaşdırılmamış və yarı strukturlaşdırılmış məlumatlar daxil olmaqla, müxtəlif növ və məlumat formatlarını ifadə edir.
4. Data Mining
Data mining geniş məlumat dəstlərindən dəyərli fikirlərin çıxarılmasına yönəlmiş hərtərəfli bir prosesdir.
O, dörd əsas mərhələni əhatə edir: müvafiq məlumatların toplanması ilə bağlı məlumatların toplanması; məlumatların hazırlanması, məlumatların keyfiyyətinin və uyğunluğunun təmin edilməsi; məlumatların çıxarılması, nümunələri və münasibətləri aşkar etmək üçün alqoritmlərdən istifadə etmək; və məlumatların təhlili və şərhi, burada çıxarılan biliklər yoxlanılır və başa düşülür.
5. Neyron şəbəkəsi
Kompüter sistemi kimi işləmək üçün nəzərdə tutulmuşdur insan beyni, bir-birinə bağlı düyünlərdən və ya neyronlardan ibarətdir. Əksər AI əsaslandığı üçün bunu bir az daha başa düşək sinir şəbəkələri.
Yuxarıdakı qrafiklərdə biz keçmiş nümunədən öyrənərək coğrafi məkanın rütubətini və temperaturunu proqnozlaşdırırıq. Girişlər keçmiş qeydlər üçün verilənlər toplusudur.
The neyron şəbəkəsini öyrənir çəkilərlə oynamaq və gizli təbəqələrdə qərəzli dəyərlər tətbiq etməklə nümunə. W1, W2….W7 müvafiq çəkilərdir. Təqdim olunan verilənlər bazasında özünü məşq edir və proqnoz olaraq çıxış verir.
Bu mürəkkəb məlumat sizi heyrətləndirə bilər. Əgər belədirsə, sadə bələdçimizlə başlaya bilərsiniz burada.
6. Maşın öyrənməsi
Maşın öyrənməsi məlumatlardan avtomatik öyrənməyə və zamanla onların performansını yaxşılaşdırmağa qadir olan alqoritmlərin və modellərin işlənib hazırlanmasına diqqət yetirir.
Bu, kompüterlərə açıq şəkildə proqramlaşdırılmadan nümunələri müəyyən etmək, proqnozlar vermək və məlumatlara əsaslanan qərarlar qəbul etmək imkanı vermək üçün statistik üsulların istifadəsini əhatə edir.
Maşın öyrənmə alqoritmləri sistemlərə emal etdikləri məlumatlar əsasında davranışlarını uyğunlaşdırmağa və təkmilləşdirməyə imkan verən böyük verilənlər toplusunu təhlil edin və öyrənin.
7. Dərin Öyrənmə
Dərin öyrənmə, maşın öyrənməsi və neyron şəbəkələrinin alt sahəsi, insan beyninin mürəkkəb proseslərini simulyasiya edərək məlumatlardan bilik əldə etmək üçün mürəkkəb alqoritmlərdən istifadə edir.
Çoxsaylı gizli təbəqələri olan neyroşəbəkələrdən istifadə etməklə, dərin öyrənmə modelləri avtonom şəkildə mürəkkəb xüsusiyyətləri və nümunələri çıxara bilər və onlara mürəkkəb tapşırıqları müstəsna dəqiqlik və səmərəliliklə həll etməyə imkan verir.
8. Nümunənin tanınması
Nümunənin tanınması, verilənlərin təhlili texnikası, məlumat dəstləri daxilində nümunələri və qanunauyğunluqları avtonom şəkildə aşkar etmək və ayırd etmək üçün maşın öyrənməsi alqoritmlərinin gücündən istifadə edir.
Hesablama modellərindən və statistik metodlardan istifadə etməklə nümunənin tanınması alqoritmləri mürəkkəb və müxtəlif verilənlərdə mənalı strukturları, korrelyasiyaları və meylləri müəyyən edə bilər.
Bu proses dəyərli fikirlərin çıxarılmasına, məlumatların fərqli kateqoriyalara təsnifləşdirilməsinə və tanınmış nümunələr əsasında gələcək nəticələrin proqnozlaşdırılmasına imkan verir. Nümunənin tanınması qərar qəbul etmə, anomaliyaların aşkarlanması və proqnozlaşdırıcı modelləşdirməni gücləndirən müxtəlif sahələr üzrə mühüm vasitədir.
Biometriya buna misaldır. Məsələn, barmaq izinin tanınmasında alqoritm şablon adlanan rəqəmsal təsvir yaratmaq üçün şəxsin barmaq izinin silsilələrini, əyrilərini və unikal xüsusiyyətlərini təhlil edir.
Siz smartfonunuzun kilidini açmağa və ya təhlükəsiz obyektə daxil olmağa cəhd etdiyiniz zaman nümunənin tanınması sistemi əldə edilmiş biometrik məlumatları (məsələn, barmaq izi) verilənlər bazasında saxlanılan şablonlarla müqayisə edir.
Nümunələrin uyğunlaşdırılması və oxşarlıq səviyyəsinin qiymətləndirilməsi ilə sistem təqdim edilmiş biometrik məlumatların saxlanılan şablona uyğun olub-olmadığını müəyyən edə və müvafiq olaraq giriş icazəsi verə bilər.
9. Nəzarət olunan Öyrənmə
Nəzarət edilən öyrənmə, etiketlənmiş məlumatlardan istifadə edərək kompüter sisteminin təlimini əhatə edən maşın öyrənmə yanaşmasıdır. Bu üsulda kompüter müvafiq məlum etiketlər və ya nəticələrlə birlikdə daxilolma məlumatları dəsti ilə təmin edilir.
Tutaq ki, bir dəstə şəkliniz var, bəziləri itlərlə, bəziləri isə pişiklərlə.
Siz kompüterə deyirsiniz ki, hansı şəkillərdə itlər, hansılarda pişiklər var. Daha sonra kompüter şəkillərdəki nümunələri taparaq itlər və pişiklər arasındakı fərqləri tanımağı öyrənir.
Öyrəndikdən sonra siz kompüterə yeni şəkillər verə bilərsiniz və o, etiketlənmiş nümunələrdən öyrəndikləri əsasında onların it və ya pişiklərinin olub-olmadığını anlamağa çalışacaq. Bu, məlum məlumatlardan istifadə edərək proqnozlar vermək üçün kompüteri öyrətməyə bənzəyir.
10. Nəzarətsiz Öyrənmə
Nəzarətsiz öyrənmə, kompüterin heç bir xüsusi təlimat olmadan nümunələr və ya oxşarlıqlar tapmaq üçün məlumat dəstini tək başına araşdırdığı maşın öyrənməsi növüdür.
Nəzarət olunan öyrənmədə olduğu kimi etiketli nümunələrə etibar etmir. Bunun əvəzinə məlumatlarda gizli strukturları və ya qrupları axtarır. Sanki kompüter nəyi axtarmaq lazım olduğunu müəllim demədən özü-özünə kəşf edir.
Bu cür öyrənmə əvvəlcədən biliyə və ya açıq rəhbərliyə ehtiyac olmadan yeni anlayışlar tapmağa, məlumatları təşkil etməyə və ya qeyri-adi şeyləri müəyyən etməyə kömək edir.
11. Təbii Dil Qenerasiyası (NLP)
Təbii Dil Emalı kompüterlərin insan dilini necə başa düşməsi və onunla qarşılıqlı əlaqədə olmasına diqqət yetirir. Bu, kompüterlərə insan dilini bizim üçün daha təbii hiss edən şəkildə təhlil etməyə, şərh etməyə və cavab verməyə kömək edir.
NLP bizə səsli köməkçilər və chatbotlarla əlaqə saxlamağı və hətta e-poçtlarımızın avtomatik olaraq qovluqlarda çeşidlənməsini mümkün edən şeydir.
Bu, kompüterlərə sözlərin, cümlələrin və hətta bütün mətnlərin arxasındakı mənanı başa düşməyi öyrətməkdən ibarətdir ki, onlar bizə müxtəlif tapşırıqlarda kömək edə və texnologiya ilə qarşılıqlı əlaqəmizi daha qüsursuz edə bilsinlər.
12. Kompüter Görünüşü
Kompüter görmə biz insanların gözlərimizlə etdiyi kimi kompüterlərə şəkilləri və videoları görüb başa düşməyə imkan verən füsunkar texnologiyadır. Bütün bunlar kompüterlərə vizual məlumatları təhlil etmək və gördüklərini anlamağa öyrətməkdən ibarətdir.
Daha sadə dillə desək, kompüter görməsi kompüterlərə vizual dünyanı tanımağa və şərh etməyə kömək edir. Bu, onlara şəkillərdəki xüsusi obyektləri müəyyən etməyi, şəkilləri müxtəlif kateqoriyalara təsnif etməyi və ya hətta şəkilləri mənalı hissələrə bölməyi öyrətmək kimi vəzifələri əhatə edir.
Təsəvvür edin ki, yolu və ətrafdakı hər şeyi “görmək” üçün kompüter görmə qabiliyyətindən istifadə edən özü idarə olunan avtomobili.
O, piyadaları, yol nişanlarını və digər nəqliyyat vasitələrini aşkar edib izləyə bilər, onlara təhlükəsiz hərəkət etməyə kömək edir. Və ya üz tanıma texnologiyasının smartfonlarımızın kilidini açmaq və ya unikal üz xüsusiyyətlərimizi tanıyaraq şəxsiyyətlərimizi yoxlamaq üçün kompüter görmə qabiliyyətindən necə istifadə etdiyini düşünün.
O, həmçinin izdihamlı yerləri izləmək və hər hansı şübhəli fəaliyyətləri aşkar etmək üçün müşahidə sistemlərində istifadə olunur.
Kompüter görmə imkanlar dünyasını açan güclü texnologiyadır. Kompüterlərə vizual məlumatları görmək və anlamaq imkanı verməklə, biz ətrafımızdakı dünyanı qavra və şərh edə bilən, həyatımızı asanlaşdıran, daha təhlükəsiz və daha səmərəli edən proqramlar və sistemlər inkişaf etdirə bilərik.
13. Çatbot
Chatbot, insanlarla əsl insan söhbəti kimi görünən şəkildə danışa bilən kompüter proqramı kimidir.
Bu, əslində kompüterdə işləyən bir proqram olsa da, müştərilərə kömək etmək və onlara bir insanla danışdıqlarını hiss etdirmək üçün tez-tez onlayn müştəri xidmətlərində istifadə olunur.
Çatbot müştərilərdən gələn mesajları və ya sualları başa düşə və cavablandıra, müştəri xidməti nümayəndəsi kimi faydalı məlumat və yardım təmin edə bilər.
14. Səsin tanınması
Səsin tanınması kompüter sisteminin insan nitqini başa düşmək və şərh etmək qabiliyyətinə aiddir. Bu, kompüterə və ya cihaza şifahi sözləri "dinləməyə" və onları başa düşə biləcəyi mətnə və ya əmrlərə çevirməyə imkan verən texnologiyanı əhatə edir.
ilə səs tanıma, siz yazmaq və ya digər daxiletmə üsullarından istifadə etmək əvəzinə sadəcə onlarla danışmaqla cihazlar və ya proqramlarla qarşılıqlı əlaqədə ola bilərsiniz.
Sistem deyilən sözləri təhlil edir, nümunələri və səsləri tanıyır və sonra onları başa düşülən mətnə və ya hərəkətlərə çevirir. O, səs əmrləri, diktə və ya səslə idarə olunan qarşılıqlı əlaqə kimi tapşırıqları mümkün etməklə, texnologiya ilə əllərsiz və təbii ünsiyyətə imkan verir. Ən ümumi nümunələr Siri və Google Assistant kimi AI köməkçiləridir.
15. Hisslərin Təhlili
Duyğu təhlili mətndə və ya nitqdə ifadə olunan duyğuları, rəyləri və münasibətləri başa düşmək və şərh etmək üçün istifadə olunan bir texnikadır. O, ifadə olunan əhval-ruhiyyənin müsbət, mənfi və ya neytral olduğunu müəyyən etmək üçün yazılı və ya danışıq dilini təhlil etməyi əhatə edir.
Maşın öyrənmə alqoritmlərindən istifadə edərək, əhval-ruhiyyənin təhlili alqoritmləri sözlərin arxasında yatan əhval-ruhiyyəni müəyyən etmək üçün müştəri rəyləri, sosial media yazıları və ya müştəri rəyi kimi böyük həcmdə mətn məlumatlarını skan edə və təhlil edə bilər.
Alqoritmlər emosiyaları və ya fikirləri ifadə edən xüsusi sözlər, ifadələr və ya nümunələr axtarır.
Bu təhlil müəssisələrə və ya fərdlərə insanların məhsul, xidmət və ya mövzu haqqında necə hiss etdiyini anlamağa kömək edir və məlumatlara əsaslanan qərarlar qəbul etmək və ya müştəri seçimləri ilə bağlı fikirlər əldə etmək üçün istifadə edilə bilər.
Məsələn, şirkət müştəri məmnuniyyətini izləmək, təkmilləşdirilməli sahələri müəyyən etmək və ya öz brendi haqqında ictimai rəyi izləmək üçün əhval-ruhiyyə təhlilindən istifadə edə bilər.
16. Maşın tərcüməsi
Maşın tərcüməsi, AI kontekstində, mətni və ya nitqi bir dildən digərinə avtomatik tərcümə etmək üçün kompüter alqoritmləri və süni intellektin istifadəsinə aiddir.
Bu, dəqiq tərcümələri təmin etmək üçün kompüterlərə insan dillərini başa düşməyi və emal etməyi öyrətməyi nəzərdə tutur. Ən ümumi nümunə Google Tərcümə.
Maşın tərcüməsi ilə siz bir dildə mətn və ya nitq daxil edə bilərsiniz və sistem daxiletməni təhlil edəcək və başqa dildə müvafiq tərcümə yaradacaq. Bu, xüsusilə müxtəlif dillərdə məlumat ötürərkən və ya məlumat əldə edərkən faydalıdır.
Maşın tərcüməsi sistemləri dil qaydaları, statistik modellər və maşın öyrənmə alqoritmlərinin birləşməsinə əsaslanır. Onlar zaman keçdikcə tərcümənin dəqiqliyini artırmaq üçün çoxlu dil məlumatlarından öyrənirlər. Bəzi maşın tərcüməsi yanaşmaları tərcümələrin keyfiyyətini artırmaq üçün neyron şəbəkələri də birləşdirir.
17. Robototexnika
Robototexnika robot adlanan ağıllı maşınlar yaratmaq üçün süni intellekt və maşınqayırmanın birləşməsidir. Bu robotlar işləri avtonom şəkildə və ya minimal insan müdaxiləsi ilə yerinə yetirmək üçün nəzərdə tutulub.
Robotlar ətraf mühiti hiss edə bilən, bu sensor məlumat əsasında qərarlar qəbul edən və xüsusi hərəkət və ya tapşırıqları yerinə yetirə bilən fiziki varlıqlardır.
Onlar müxtəlif sensorlar, məsələn, kameralar, mikrofonlar və ya toxunma sensorları ilə təchiz olunub ki, bu da onlara ətraf aləmdən məlumat toplamağa imkan verir. Süni intellekt alqoritmləri və proqramlaşdırmanın köməyi ilə robotlar bu məlumatları təhlil edə, şərh edə və təyin olunmuş vəzifələri yerinə yetirmək üçün ağıllı qərarlar qəbul edə bilərlər.
Süni intellekt robotlara öz təcrübələrindən öyrənmək və müxtəlif vəziyyətlərə uyğunlaşmaq imkanı verməklə robototexnika sahəsində mühüm rol oynayır.
Maşın öyrənmə alqoritmləri robotları obyektləri tanımaq, mühitlərdə naviqasiya etmək və hətta insanlarla qarşılıqlı əlaqədə olmaq üçün öyrətmək üçün istifadə edilə bilər. Bu, robotlara daha çox yönlü, çevik və mürəkkəb tapşırıqların öhdəsindən gəlməyə imkan verir.
18 Drones
Dronlar, göyərtədə insan pilotu olmadan havada uça və ya uça bilən robot növüdür. Onlar həmçinin pilotsuz uçuş aparatları (PUA) kimi tanınırlar. Dronlar müxtəlif sensorlar, məsələn, kameralar, GPS və giroskoplarla təchiz olunub ki, bu da onlara məlumat toplamaq və ətrafda naviqasiya etmək imkanı verir.
Onlar bir insan operatoru tərəfindən uzaqdan idarə olunur və ya əvvəlcədən proqramlaşdırılmış təlimatlardan istifadə edərək avtonom şəkildə işləyə bilər.
Dronlar aerofotoqrafiya və videoçəkiliş, tədqiqat və xəritəçəkmə, çatdırılma xidmətləri, axtarış və xilasetmə missiyaları, kənd təsərrüfatının monitorinqi və hətta istirahət məqsədilə istifadə də daxil olmaqla geniş məqsədlərə xidmət edir. Onlar insanlar üçün çətin və ya təhlükəli olan uzaq və ya təhlükəli ərazilərə daxil ola bilərlər.
19. Genişləndirilmiş Reallıq (AR)
Artırılmış reallıq (AR) qavrayışımızı və ətraf mühitlə qarşılıqlı əlaqəmizi artırmaq üçün real dünyanı virtual obyektlər və ya məlumatlarla birləşdirən texnologiyadır. O, kompüter tərəfindən yaradılan şəkilləri, səsləri və ya digər sensor girişləri real dünyaya üst-üstə qoyur, immersiv və interaktiv təcrübə yaradır.
Sadəcə olaraq, ətrafınızdakı dünyanı görmək üçün xüsusi eynək taxdığınızı və ya smartfonunuzdan istifadə etdiyinizi, lakin əlavə virtual elementlərin əlavə edildiyini təsəvvür edin.
Məsələn, siz smartfonunuzu şəhər küçəsinə yönəldə və yaxınlıqdakı restoranlar və ya real mühitlə qarşılıqlı əlaqədə olan virtual simvollar üçün istiqamətləri, reytinqləri və rəyləri göstərən virtual yol nişanlarını görə bilərsiniz.
Bu virtual elementlər real dünya ilə mükəmməl qarışaraq ətrafdakılar haqqında anlayışınızı və təcrübənizi artırır. Artırılmış reallıq oyun, təhsil, memarlıq kimi müxtəlif sahələrdə və hətta naviqasiya və ya satın almadan əvvəl evinizdə yeni mebel sınamaq kimi gündəlik tapşırıqlar üçün istifadə edilə bilər.
20. Virtual Reallıq (VR)
Virtual reallıq (VR) insanın tədqiq edə və qarşılıqlı əlaqədə ola biləcəyi süni mühit yaratmaq üçün kompüter tərəfindən yaradılan simulyasiyalardan istifadə edən texnologiyadır. O, istifadəçini virtual dünyaya batırır, real dünyanı bloklayır və onu rəqəmsal aləmlə əvəz edir.
Sadəcə olaraq, gözlərinizi və qulaqlarınızı örtən və sizi tamam başqa yerə aparan xüsusi qulaqlıq taxdığınızı təsəvvür edin. Bu virtual dünyada gördüyünüz və eşitdiyiniz hər şey kompüter tərəfindən yaradılsa da, inanılmaz dərəcədə real hiss olunur.
Siz ətrafda hərəkət edə, istənilən istiqamətə baxa və obyektlər və ya personajlarla sanki fiziki olaraq mövcudmuş kimi qarşılıqlı əlaqədə ola bilərsiniz.
Məsələn, virtual reallıq oyununda siz özünüzü orta əsr qəsrinin içində tapa bilərsiniz, burada onun dəhlizlərini gəzə, silah götürə və virtual rəqiblərlə qılınc döyüşlərində iştirak edə bilərsiniz. Virtual reallıq mühiti sizin hərəkətlərinizə və hərəkətlərinizə cavab verir və sizi təcrübəyə tam dalmış və məşğul hiss edir.
Virtual reallıq təkcə oyun üçün deyil, həm də pilotlar, cərrahlar və ya hərbi personal üçün təlim simulyasiyaları, memarlıq keçidləri, virtual turizm və hətta müəyyən psixoloji vəziyyətlər üçün terapiya kimi müxtəlif digər tətbiqlər üçün də istifadə olunur. O, mövcudluq hissi yaradır və istifadəçiləri yeni və maraqlı virtual aləmlərə aparır, təcrübəni reallığa mümkün qədər yaxın hiss etdirir.
21. Məlumat Elmi
İnformasiya elmləri məlumatlardan qiymətli bilik və fikirlər çıxarmaq üçün elmi metodlardan, alətlərdən və alqoritmlərdən istifadəni əhatə edən sahədir. O, böyük və mürəkkəb verilənlər toplularını təhlil etmək üçün riyaziyyat, statistika, proqramlaşdırma və domen ekspertizası elementlərini birləşdirir.
Daha sadə dillə desək, məlumat elmi bir dəstə məlumat daxilində gizlənmiş mənalı məlumat və nümunələri tapmaqdan ibarətdir. Bu, məlumatların toplanması, təmizlənməsi və təşkili, sonra onları araşdırmaq və təhlil etmək üçün müxtəlif üsullardan istifadə etməyi əhatə edir. Məlumat alimləri meylləri aşkar etmək, proqnozlar vermək və problemləri həll etmək üçün statistik modellərdən və alqoritmlərdən istifadə edin.
Məsələn, səhiyyə sahəsində məlumat elmi xəstəliklər üçün risk faktorlarını müəyyən etmək, xəstənin nəticələrini proqnozlaşdırmaq və ya müalicə planlarını optimallaşdırmaq üçün xəstə qeydlərini və tibbi məlumatları təhlil etmək üçün istifadə edilə bilər. Biznesdə məlumat elmi müştəri məlumatlarına onların üstünlüklərini anlamaq, məhsul tövsiyə etmək və ya marketinq strategiyalarını təkmilləşdirmək üçün tətbiq oluna bilər.
22. Məlumat mübahisəsi
Məlumat mübahisəsi, həmçinin data munging kimi tanınan, xam məlumatların daha faydalı və təhlil üçün uyğun olan formata toplanması, təmizlənməsi və çevrilməsi prosesidir. Bu, keyfiyyətini, ardıcıllığını və təhlil alətləri və ya modelləri ilə uyğunluğunu təmin etmək üçün məlumatların işlənməsini və hazırlanmasını əhatə edir.
Daha sadə dillə desək, məlumat mübahisəsi yemək üçün maddələr hazırlamaq kimidir. Bu, müxtəlif mənbələrdən məlumatların toplanması, çeşidlənməsi və hər hansı səhvləri, uyğunsuzluqları və ya uyğun olmayan məlumatları aradan qaldırmaq üçün təmizlənməsini əhatə edir.
Əlavə olaraq, işləməyi asanlaşdırmaq və onlardan fikirlər çıxarmaq üçün məlumatların dəyişdirilməsi, yenidən qurulması və ya ümumiləşdirilməsi tələb oluna bilər.
Məsələn, məlumat mübahisəsi dublikat daxiletmələrin silinməsini, səhv yazıların və ya formatlaşdırma problemlərinin düzəldilməsini, çatışmayan dəyərlərin idarə edilməsini və məlumat növlərinin çevrilməsini əhatə edə bilər. O, həmçinin müxtəlif verilənlər dəstlərinin birləşdirilməsini və ya birləşdirilməsini, verilənlərin alt çoxluqlara bölünməsini və ya mövcud məlumatlar əsasında yeni dəyişənlərin yaradılmasını əhatə edə bilər.
23. Data Storytelling
Məlumat hekayəsi hekayə və ya mesajı effektiv şəkildə çatdırmaq üçün məlumatları cəlbedici və cəlbedici şəkildə təqdim etmək sənətidir. İstifadəsini nəzərdə tutur məlumatların görselləşdirilməsianlayışları və tapıntıları tamaşaçılara başa düşülən və yaddaqalan şəkildə çatdırmaq üçün , hekayələr və kontekst.
Daha sadə dillə desək, məlumat hekayəsi hekayəni danışmaq üçün məlumatlardan istifadə etməkdir. Bu, sadəcə rəqəmlər və qrafiklər təqdim etməkdən kənara çıxır. Bu, məlumatları canlandırmaq və onu tamaşaçılara aid etmək üçün vizual elementlərdən və hekayə anlatma üsullarından istifadə edərək, məlumat ətrafında povest hazırlamaqdan ibarətdir.
Məsələn, sadəcə satış rəqəmləri cədvəlini təqdim etmək əvəzinə, məlumat hekayəsi istifadəçilərə satış tendensiyalarını vizual şəkildə araşdırmağa imkan verən interaktiv tablosunun yaradılmasını əhatə edə bilər.
O, əsas tapıntıları vurğulayan, tendensiyaların arxasında duran səbəbləri izah edən və məlumatlara əsaslanaraq icra edilə bilən tövsiyələr təklif edən hekayəni əhatə edə bilər.
24. Məlumata əsaslanan qərarların qəbulu
Məlumata əsaslanan qərarların qəbul edilməsi müvafiq məlumatların təhlili və şərhi əsasında seçimlər etmək və ya tədbirlər görmək prosesidir. Bu, yalnız intuisiyaya və ya şəxsi mülahizələrə güvənməkdənsə, qərar qəbuletmə proseslərini istiqamətləndirmək və dəstəkləmək üçün məlumatların təməl kimi istifadəsini nəzərdə tutur.
Daha sadə dillə desək, məlumatlara əsaslanan qərarların qəbulu, etdiyimiz seçimləri məlumatlandırmaq və istiqamətləndirmək üçün məlumatlardan faktlar və sübutlardan istifadə etmək deməkdir. Nümunələri, meylləri və münasibətləri başa düşmək üçün məlumatların toplanması və təhlili və məlumatlı qərarlar qəbul etmək və problemləri həll etmək üçün bu biliklərdən istifadəni əhatə edir.
Məsələn, biznes mühitində məlumatlara əsaslanan qərarların qəbulu ən effektiv qiymət strategiyasını müəyyən etmək və ya məhsulun inkişafında təkmilləşdirmə sahələrini müəyyən etmək üçün satış məlumatlarını, müştəri rəylərini və bazar tendensiyalarını təhlil etməyi əhatə edə bilər.
Səhiyyədə müalicə planlarını optimallaşdırmaq və ya xəstəliyin nəticələrini proqnozlaşdırmaq üçün xəstə məlumatlarının təhlilini əhatə edə bilər.
25. Data Lake
Məlumat gölü böyük həcmdə məlumatları xam və işlənməmiş formada saxlayan mərkəzləşdirilmiş və miqyaslana bilən məlumat anbarıdır. O, əvvəlcədən müəyyən edilmiş sxemlərə və ya verilənlərin çevrilməsinə ehtiyac olmadan strukturlaşdırılmış, yarı strukturlaşdırılmış və strukturlaşdırılmamış məlumatlar kimi geniş çeşidli məlumat növlərini, formatlarını və strukturlarını saxlamaq üçün nəzərdə tutulmuşdur.
Məsələn, bir şirkət veb-sayt qeydləri, müştəri əməliyyatları, sosial media lentləri və IoT cihazları kimi müxtəlif mənbələrdən məlumatları data gölündə toplaya və saxlaya bilər.
Bu məlumatlar daha sonra qabaqcıl analitika aparmaq, maşın öyrənmə alqoritmlərini yerinə yetirmək və ya müştəri davranışındakı nümunələri və meylləri araşdırmaq kimi müxtəlif məqsədlər üçün istifadə edilə bilər.
26. Məlumat anbarı
Məlumat anbarı, müxtəlif mənbələrdən böyük həcmdə məlumatların saxlanması, təşkili və təhlili üçün xüsusi hazırlanmış verilənlər bazası sistemidir. O, məlumatların səmərəli axtarışını və mürəkkəb analitik sorğuları dəstəkləyəcək şəkildə qurulmuşdur.
O, əməliyyat verilənlər bazaları, CRM sistemləri və təşkilat daxilindəki digər məlumat mənbələri kimi müxtəlif əməliyyat sistemlərindən məlumatları birləşdirən mərkəzi repozitor kimi xidmət edir.
Məlumatlar transformasiya olunur, təmizlənir və analitik məqsədlər üçün optimallaşdırılmış strukturlaşdırılmış formatda məlumat anbarına yüklənir.
27. İş Zəkası (BI)
Biznes kəşfiyyatı bizneslərə əsaslandırılmış qərarlar qəbul etməyə və dəyərli fikirlər əldə etməyə kömək edəcək şəkildə məlumatların toplanması, təhlili və təqdim edilməsi prosesinə aiddir. Bu, xam məlumatları mənalı, işlək informasiyaya çevirmək üçün müxtəlif alətlər, texnologiyalar və texnikalardan istifadəni nəzərdə tutur.
Məsələn, biznes kəşfiyyatı sistemi ən gəlirli məhsulları müəyyən etmək, inventar səviyyələrini izləmək və müştəri seçimlərini izləmək üçün satış məlumatlarını təhlil edə bilər.
O, real vaxt rejimində gəlir, müştəri cəlbi və ya məhsulun performansı kimi əsas performans göstəriciləri (KPI) haqqında məlumat verə bilər ki, bu da bizneslərə məlumatlara əsaslanan qərarlar qəbul etməyə və əməliyyatlarını təkmilləşdirmək üçün müvafiq tədbirlər görməyə imkan verir.
Biznes kəşfiyyatı vasitələrinə tez-tez məlumatların vizuallaşdırılması, xüsusi sorğular və məlumatların kəşfiyyat imkanları kimi funksiyalar daxildir. Bu alətlər kimi istifadəçilərə imkan verir biznes analitikləri və ya menecerlər, məlumatlarla qarşılıqlı əlaqədə olmaq, onları dilimləmək və kəsmək və mühüm anlayışları və tendensiyaları vurğulayan hesabatlar və ya vizual təqdimatlar yaratmaq.
28. Proqnozlaşdırıcı Analitik
Proqnozlaşdırma təhlili gələcək hadisələr və ya nəticələr haqqında məlumatlı proqnozlar və ya proqnozlar vermək üçün məlumat və statistik üsullardan istifadə təcrübəsidir. Bu, gələcək tendensiyaları, davranışları və ya hadisələri ekstrapolyasiya etmək və qiymətləndirmək üçün tarixi məlumatların təhlilini, nümunələrin müəyyən edilməsini və modellərin qurulmasını əhatə edir.
Dəyişənlər arasında əlaqələri aşkar etmək və bu məlumatdan proqnozlar vermək üçün istifadə etmək məqsədi daşıyır. Bu, sadəcə keçmiş hadisələri təsvir etməkdən kənara çıxır; əvəzinə, gələcəkdə nələrin baş verəcəyini anlamaq və təxmin etmək üçün tarixi məlumatlardan istifadə edir.
Məsələn, maliyyə sahəsində proqnozlaşdırmaq üçün proqnozlaşdırıcı təhlildən istifadə etmək olar səhmdar tarixi bazar məlumatlarına, iqtisadi göstəricilərə və digər müvafiq amillərə əsaslanan qiymətlər.
Marketinqdə, hədəflənmiş reklam və fərdi marketinq kampaniyalarına imkan verən müştəri davranışını və seçimlərini proqnozlaşdırmaq üçün istifadə edilə bilər.
Səhiyyədə, proqnozlaşdırıcı təhlil müəyyən xəstəliklər üçün yüksək risk altında olan xəstələri müəyyən etməyə və ya tibbi tarixə və digər amillərə əsaslanaraq yenidən qəbul olma ehtimalını proqnozlaşdırmağa kömək edə bilər.
29. Prescriptive Analytics
Təlimatlı analitika müəyyən bir vəziyyətdə və ya qərar qəbul etmə ssenarisində görüləcək ən yaxşı hərəkətləri müəyyən etmək üçün məlumat və analitikanın tətbiqidir.
Bu təsviri və kənara çıxır proqnozlaşdırıcı analitik Gələcəkdə nələrin baş verə biləcəyi haqqında məlumat verməklə yanaşı, arzu olunan nəticəyə nail olmaq üçün ən optimal fəaliyyət kursunu tövsiyə etməklə.
O, müxtəlif ssenariləri simulyasiya etmək və müxtəlif qərarların potensial nəticələrini qiymətləndirmək üçün tarixi məlumatları, proqnozlaşdırıcı modelləri və optimallaşdırma üsullarını birləşdirir. İstənilən nəticələri maksimuma çatdıran və ya riskləri minimuma endirən təsirli tövsiyələr yaratmaq üçün bir çox məhdudiyyətləri, məqsədləri və amilləri nəzərə alır.
Məsələn, in təchizat zəncirinin İdarəetmə, göstərişli analitika ən səmərəli paylama planını müəyyən etmək üçün inventar səviyyələri, istehsal imkanları, nəqliyyat xərcləri və müştəri tələbi haqqında məlumatları təhlil edə bilər.
Xərcləri minimuma endirmək və vaxtında çatdırılmanı təmin etmək üçün o, inventar ehtiyatı yerləri və ya daşınma marşrutları kimi resursların ideal şəkildə bölüşdürülməsini tövsiyə edə bilər.
30. Məlumata əsaslanan Marketinq
Məlumata əsaslanan marketinq marketinq strategiyalarını, kampaniyaları və qərar qəbuletmə proseslərini idarə etmək üçün məlumat və analitikadan istifadə təcrübəsinə aiddir.
Bu, müştərilərin davranışları, üstünlükləri və tendensiyaları haqqında məlumat əldə etmək üçün müxtəlif məlumat mənbələrindən istifadə etməyi və marketinq səylərini optimallaşdırmaq üçün bu məlumatdan istifadə etməyi əhatə edir.
O, veb-saytların qarşılıqlı əlaqəsi, sosial media ilə əlaqə, müştəri demoqrafikası, satınalma tarixçəsi və s. kimi bir çox əlaqə nöqtələrindən məlumatların toplanmasına və təhlilinə diqqət yetirir. Bu məlumatlar daha sonra hədəf auditoriya, onların üstünlükləri və ehtiyacları haqqında hərtərəfli anlayış yaratmaq üçün istifadə olunur.
Məlumatlardan istifadə etməklə marketoloqlar müştəri seqmentasiyası, hədəfləmə və fərdiləşdirmə ilə bağlı əsaslandırılmış qərarlar qəbul edə bilərlər.
Onlar marketinq kampaniyalarına müsbət cavab vermək ehtimalı daha yüksək olan xüsusi müştəri seqmentlərini müəyyən edə və mesajlarını və təkliflərini buna uyğunlaşdıra bilərlər.
Bundan əlavə, məlumatlara əsaslanan marketinq marketinq kanallarını optimallaşdırmağa, ən effektiv marketinq miksini müəyyən etməyə və marketinq təşəbbüslərinin uğurunu ölçməyə kömək edir.
Məsələn, dataya əsaslanan marketinq yanaşması, satınalma davranışını və seçim nümunələrini müəyyən etmək üçün müştəri məlumatlarının təhlilini əhatə edə bilər. Bu anlayışlara əsaslanaraq, marketoloqlar xüsusi müştəri seqmentləri ilə rezonans doğuran fərdiləşdirilmiş məzmun və təkliflərlə hədəflənmiş kampaniyalar yarada bilərlər.
Davamlı təhlil və optimallaşdırma vasitəsilə onlar marketinq səylərinin effektivliyini ölçə və zamanla strategiyalarını təkmilləşdirə bilərlər.
31. Məlumatların idarə edilməsi
Məlumatların idarə edilməsi təşkilatların həyat dövrü ərzində məlumatların düzgün idarə edilməsini, qorunmasını və bütövlüyünü təmin etmək üçün qəbul etdikləri çərçivə və təcrübələr toplusudur. O, məlumatların necə toplandığını, saxlanmasını, əldə edilməsini, istifadəsini və təşkilat daxilində paylaşılmasını tənzimləyən prosesləri, siyasətləri və prosedurları əhatə edir.
Onun məqsədi məlumat aktivləri üzərində hesabatlılıq, məsuliyyət və nəzarət yaratmaqdır. O, məlumatların dəqiq, tam, ardıcıl və etibarlı olmasını təmin edir, təşkilatlara məlumatlı qərarlar qəbul etməyə, məlumatların keyfiyyətini qorumağa və normativ tələblərə cavab verməyə imkan verir.
Məlumatların idarə edilməsi məlumatların idarə edilməsi üçün rol və məsuliyyətlərin müəyyənləşdirilməsini, məlumat standartlarının və siyasətlərinin müəyyən edilməsini və uyğunluğun monitorinqi və həyata keçirilməsi üçün proseslərin həyata keçirilməsini əhatə edir. O, məlumatların məxfiliyi, məlumatların təhlükəsizliyi, məlumatların keyfiyyəti, məlumatların təsnifatı və məlumatların həyat dövrünün idarə edilməsi daxil olmaqla, məlumatların idarə edilməsinin müxtəlif aspektlərinə müraciət edir.
Məsələn, məlumatların idarə edilməsi şəxsi və ya həssas məlumatların Ümumi Məlumatların Qorunması Qaydası (GDPR) kimi müvafiq məxfilik qaydalarına uyğun idarə olunmasını təmin etmək üçün həyata keçirilən prosedurları əhatə edə bilər.
O, həmçinin məlumatların dəqiq və etibarlı olmasını təmin etmək üçün məlumatların keyfiyyət standartlarının yaradılmasını və məlumatların yoxlanılması proseslərinin həyata keçirilməsini əhatə edə bilər.
32. Məlumat Təhlükəsizliyi
Məlumat təhlükəsizliyi dəyərli məlumatlarımızı icazəsiz girişdən və ya oğurluqdan qorumaqdır. Bu, məlumatların məxfiliyini, bütövlüyünü və əlçatanlığını qorumaq üçün tədbirlərin görülməsini əhatə edir.
Əsasən, bu, məlumatlarımıza yalnız düzgün insanların daxil ola bilməsini, onların dəqiq və dəyişdirilməmiş qalmasını və lazım olduqda əlçatan olmasını təmin etmək deməkdir.
Məlumat təhlükəsizliyinə nail olmaq üçün müxtəlif strategiya və texnologiyalardan istifadə olunur. Məsələn, giriş nəzarətləri və şifrələmə üsulları səlahiyyətli şəxslərə və ya sistemlərə girişi məhdudlaşdırmağa kömək edir və kənar şəxslərin məlumatlarımıza daxil olmasını çətinləşdirir.
Monitorinq sistemləri, təhlükəsizlik divarları və müdaxilənin aşkarlanması sistemləri qəyyum rolunu oynayır, bizi şübhəli fəaliyyətlər barədə xəbərdar edir və icazəsiz girişin qarşısını alır.
33 Şeytanın İnterneti
Əşyaların İnterneti (IoT) İnternetə qoşulan və bir-biri ilə əlaqə saxlaya bilən fiziki obyektlər və ya "əşyalar" şəbəkəsinə aiddir. Bu, internet vasitəsilə qarşılıqlı əlaqə quraraq məlumatları paylaşa və tapşırıqları yerinə yetirə bilən gündəlik obyektlərin, cihazların və maşınların böyük şəbəkəsinə bənzəyir.
Sadə dillə desək, IoT ənənəvi olaraq internetə qoşulmayan müxtəlif obyektlərə və ya cihazlara “ağıllı” imkanların verilməsini nəzərdə tutur. Bu obyektlərə məişət texnikası, geyilə bilən cihazlar, termostatlar, avtomobillər və hətta sənaye maşınları daxil ola bilər.
Bu obyektləri internetə qoşmaqla onlar məlumat toplaya və paylaşa, təlimatlar ala və avtonom şəkildə və ya istifadəçi əmrlərinə cavab olaraq tapşırıqları yerinə yetirə bilərlər.
Məsələn, ağıllı termostat temperaturu izləyə, parametrləri tənzimləyə və enerji istifadəsi hesabatlarını smartfon proqramına göndərə bilər. Geyilə bilən fitnes izləyicisi fiziki fəaliyyətləriniz haqqında məlumat toplaya və analiz üçün bulud əsaslı platformaya sinxronlaşdıra bilər.
34. Qərar ağacı
Qərar ağacı, bir sıra seçim və ya şərtlər əsasında qərarlar qəbul etməyimizə və ya fəaliyyət kursunu müəyyənləşdirməyə kömək edən vizual təsvir və ya diaqramdır.
Bu, müxtəlif variantları və onların potensial nəticələrini nəzərə alaraq qərar qəbul etmə prosesində bizə bələdçilik edən axın cədvəlinə bənzəyir.
Təsəvvür edin ki, bir probleminiz və ya sualınız var və siz seçim etməlisiniz.
Qərar ağacı ilkin sualdan başlayaraq, hər addımda şərtlərə və ya meyarlara əsaslanaraq müxtəlif mümkün cavablara və ya hərəkətlərə bölünərək qərarı daha kiçik addımlara ayırır.
35. Koqnitiv Hesablama
Koqnitiv hesablama, sadə dillə desək, öyrənmə, düşünmə, anlama və problem həll etmə kimi insanın idrak qabiliyyətlərini təqlid edən kompüter sistemləri və ya texnologiyalarına aiddir.
Bu, insan təfəkkürünə bənzəyən şəkildə məlumatları emal edə və şərh edə bilən kompüter sistemlərinin yaradılmasını nəzərdə tutur.
Koqnitiv hesablama insanları daha təbii və ağıllı şəkildə başa düşə və onlarla qarşılıqlı əlaqə qura bilən maşınlar inkişaf etdirməyi hədəfləyir. Bu sistemlər böyük həcmdə məlumatları təhlil etmək, nümunələri tanımaq, proqnozlar vermək və mənalı fikirlər vermək üçün nəzərdə tutulub.
Koqnitiv hesablamanı kompüterləri insanlar kimi düşünməyə və hərəkət etməyə məcbur etmək cəhdi kimi düşünün.
Bu, süni intellekt, maşın öyrənmə, təbii dil emalı və kompüter görmə kimi texnologiyalardan istifadə etməklə, kompüterlərə ənənəvi olaraq insan intellekti ilə əlaqəli olan tapşırıqları yerinə yetirmək imkanı verir.
36. Hesablamalı Öyrənmə Nəzəriyyəsi
Hesablamalı Öyrənmə Nəzəriyyəsi məlumatlardan öyrənmək üçün xüsusi olaraq hazırlanmış alqoritmlərin inkişafı və yoxlanılması ətrafında fırlanan süni intellekt sahəsində ixtisaslaşmış bir sahədir.
Bu sahə böyük həcmdə məlumatı təhlil etmək və emal etməklə öz fəaliyyətini avtonom şəkildə təkmilləşdirə bilən alqoritmlərin qurulması üçün müxtəlif texnika və metodologiyaları araşdırır.
Məlumatların gücündən istifadə etməklə, Hesablamalı Öyrənmə Nəzəriyyəsi maşınlara qərar qəbul etmə imkanlarını artırmağa və tapşırıqları daha səmərəli yerinə yetirməyə imkan verən nümunələri, əlaqələri və anlayışları üzə çıxarmağı hədəfləyir.
Yekun məqsəd, süni intellektin və onun praktik tətbiqlərinin inkişafına töhfə verən, məruz qaldıqları məlumatlara əsasən uyğunlaşa, ümumiləşdirə və dəqiq proqnozlar verə bilən alqoritmlər yaratmaqdır.
37. Turinq Testi
İlk olaraq parlaq riyaziyyatçı və kompüter alimi Alan Turing tərəfindən təklif edilən Turing testi, maşının insanla müqayisə edilə bilən və ya ondan praktiki olaraq fərqlənə bilməyən ağıllı davranış nümayiş etdirə biləcəyini qiymətləndirmək üçün istifadə olunan cazibədar bir konsepsiyadır.
Turing testində insan qiymətləndiricisi həm maşın, həm də digər insan iştirakçısı ilə hansının maşın olduğunu bilmədən təbii dildə söhbət edir.
Qiymətləndiricinin rolu yalnız onların cavablarına əsasən hansı obyektin maşın olduğunu müəyyən etməkdir. Maşın qiymətləndiricini onun insan həmkarı olduğuna inandıra bilirsə, o zaman onun Turinq testindən keçdiyi və bununla da insana bənzər qabiliyyətləri əks etdirən intellekt səviyyəsini nümayiş etdirdiyi deyilir.
Alan Turing bu testi maşın zəkasının konsepsiyasını araşdırmaq və maşınların insan səviyyəsində idrak qabiliyyətinə nail olub-olmaması sualını vermək üçün bir vasitə kimi təklif etdi.
Testi insanların fərqləndirilməməsi baxımından tərtib edərək, Turing maşınların o qədər inandırıcı dərəcədə ağıllı davranış nümayiş etdirmə potensialını vurğuladı ki, onları insanlardan fərqləndirmək çətinləşir.
Turing testi süni intellekt və koqnitiv elm sahələrində geniş müzakirələrə və araşdırmalara səbəb oldu. Turing testindən keçmək əhəmiyyətli bir mərhələ olaraq qalmasına baxmayaraq, zəkanın yeganə ölçüsü deyil.
Buna baxmayaraq, test insana bənzər intellekt və davranışı təqlid edə bilən maşınların inkişafı üçün davamlı səyləri stimullaşdıran və ağıllı olmağın nə demək olduğunu daha geniş şəkildə araşdırmağa töhfə verən, düşündürücü bir meyar rolunu oynayır.
38. Gücləndirici Öyrənmə
Armatur öyrənmə sınaq və səhv yolu ilə baş verən öyrənmə növüdür, burada “agent” (kompüter proqramı və ya robot ola bilər) yaxşı davranışa görə mükafatlar alaraq və pis davranışa görə nəticələr və ya cəzalarla üzləşərək tapşırıqları yerinə yetirməyi öyrənir.
Agentin labirintdə naviqasiya kimi müəyyən bir tapşırığı yerinə yetirməyə çalışdığı bir ssenari təsəvvür edin. Əvvəlcə agent düzgün yolu bilmir, ona görə də müxtəlif hərəkətlərə cəhd edir və müxtəlif marşrutları araşdırır.
Onu məqsədə yaxınlaşdıran yaxşı bir hərəkət seçdikdə, virtual “kürəyinə vurmaq” kimi bir mükafat alır. Bununla belə, dalana aparan və ya onu məqsəddən uzaqlaşdıran pis bir qərar qəbul edərsə, cəza və ya mənfi rəy alır.
Bu sınaq və səhv prosesi vasitəsilə agent müəyyən hərəkətləri müsbət və ya mənfi nəticələrlə əlaqələndirməyi öyrənir. Tədricən mükafatlarını artırmaq və cəzaları minimuma endirmək üçün ən yaxşı hərəkətlər ardıcıllığını müəyyənləşdirir və nəticədə tapşırığı daha bacarıqla yerinə yetirir.
Möhkəmləndirici öyrənmə ətrafdan rəy almaqla insanların və heyvanların necə öyrəndiklərindən ilham alır.
Bu konsepsiyanı maşınlara tətbiq etməklə, tədqiqatçılar müsbət gücləndirmə və mənfi nəticələr prosesi vasitəsilə ən təsirli davranışları avtonom şəkildə kəşf edərək müxtəlif vəziyyətlərə öyrənə və uyğunlaşa bilən ağıllı sistemlər inkişaf etdirməyi hədəfləyirlər.
39. Müəssisələrin çıxarılması
Müəssisənin çıxarılması mətn blokundan obyektlər kimi tanınan mühüm məlumat hissələrini müəyyən etdiyimiz və çıxardığımız prosesə aiddir. Bu varlıqlar insanların adları, yerlərin adları, təşkilatların adları və s. kimi müxtəlif şeylər ola bilər.
Təsəvvür edək ki, sizdə xəbər məqaləsini təsvir edən bir abzas var.
Müəssisənin çıxarılması mətni təhlil etməyi və fərqli obyektləri təmsil edən xüsusi bitləri seçməyi əhatə edəcək. Məsələn, mətndə "Con Smith", "Nyu York City" yeri və ya "OpenAI" təşkilatı kimi şəxsin adı qeyd edilərsə, bunlar müəyyən etmək və çıxarmaq məqsədimiz olan qurumlar olacaq.
Müəssisənin çıxarılmasını həyata keçirməklə, biz mahiyyətcə mətndən əhəmiyyətli elementləri tanımaq və təcrid etmək üçün kompüter proqramını öyrədirik. Bu proses bizə məlumatları daha səmərəli şəkildə təşkil etməyə və kateqoriyalara ayırmağa imkan verir, böyük həcmli mətn məlumatlarının axtarışını, təhlilini və fikirləri əldə etməyi asanlaşdırır.
Bütövlükdə, obyektin çıxarılması mətn daxilində insanlar, yerlər və təşkilatlar kimi mühüm qurumları dəqiq müəyyənləşdirmək, qiymətli məlumatların çıxarılmasını sadələşdirmək və mətn məlumatlarını emal etmək və anlamaq qabiliyyətimizi artırmaq tapşırığını avtomatlaşdırmağa kömək edir.
40. Linqvistik annotasiya
Linqvistik annotasiya istifadə olunan dili anlamaq və təhlil etmək üçün mətni əlavə linqvistik məlumatlarla zənginləşdirməyi nəzərdə tutur. Bu, mətnin müxtəlif hissələrinə faydalı etiketlər və ya teqlər əlavə etmək kimidir.
Biz linqvistik annotasiya yerinə yetirərkən, biz mətndəki əsas söz və cümlələrdən kənara çıxır və xüsusi elementləri etiketləməyə və ya etiketləməyə başlayırıq. Məsələn, hər bir sözün qrammatik kateqoriyasını (isim, fel, sifət və s.) göstərən nitq hissəsinə işarələr əlavə edə bilərik. Bu, hər sözün bir cümlədə oynadığı rolu anlamağa kömək edir.
Linqvistik annotasiyanın başqa bir forması ad tanınmasıdır, burada biz insanların, yerlərin, təşkilatların və ya tarixlərin adları kimi xüsusi adlandırılmış obyektləri müəyyən edib etiketləyirik. Bu, bizə vacib məlumatı mətndən tez tapmağa və çıxarmağa imkan verir.
Mətni bu üsullarla şərh etməklə biz dilin daha strukturlaşdırılmış və mütəşəkkil təsvirini yaradırıq. Bu, müxtəlif tətbiqlərdə çox faydalı ola bilər. Məsələn, istifadəçi sorğularının arxasındakı niyyəti başa düşməklə axtarış motorlarının dəqiqliyini artırmağa kömək edir. O, həmçinin maşın tərcüməsində, əhval-ruhiyyənin təhlilində, məlumatların çıxarılmasında və bir çox digər təbii dil emal tapşırıqlarında kömək edir.
Linqvistik annotasiya tədqiqatçılar, dilçilər və tərtibatçılar üçün mühüm alət rolunu oynayır və onlara dil nümunələrini öyrənməyə, dil modellərini qurmağa və mətni daha yaxşı təhlil edə və başa düşə bilən mürəkkəb alqoritmlər hazırlamağa imkan verir.
41. Hiperparametr
In maşın təlim, hiperparametr xüsusi parametr və ya konfiqurasiya kimidir ki, modeli öyrətməzdən əvvəl ona qərar verməliyik. Bu, modelin məlumatlardan öz başına öyrənə biləcəyi bir şey deyil; əvəzinə, biz bunu əvvəlcədən müəyyən etməliyik.
Onu modelin necə öyrəndiyini və proqnozlar verməsini dəqiq tənzimləmək üçün tənzimləyə biləcəyimiz düymə və ya açar kimi düşünün. Bu hiperparametrlər öyrənmə prosesinin müxtəlif aspektlərini, məsələn, modelin mürəkkəbliyi, təlimin sürəti və dəqiqlik və ümumiləşdirmə arasında uzlaşma kimi tənzimləyir.
Məsələn, neyron şəbəkəsini nəzərdən keçirək. Mühüm hiperparametrlərdən biri şəbəkədəki təbəqələrin sayıdır. Şəbəkənin nə qədər dərin olmasını istədiyimizi seçməliyik və bu qərar onun məlumatlarda mürəkkəb nümunələri tutmaq qabiliyyətinə təsir edir.
Digər ümumi hiperparametrlərə modelin təlim məlumatlarına əsaslanaraq daxili parametrlərini nə qədər tez tənzimlədiyini müəyyən edən öyrənmə sürəti və həddindən artıq uyğunlaşmanın qarşısını almaq üçün modelin mürəkkəb nümunələri nə qədər cəzalandırdığına nəzarət edən nizamlanma gücü daxildir.
Bu hiperparametrlərin düzgün qurulması çox vacibdir, çünki onlar modelin performansına və davranışına əhəmiyyətli dərəcədə təsir göstərə bilər. Bu, tez-tez bir az sınaq və səhvdən, fərqli dəyərlərlə təcrübədən və onların modelin təsdiqləmə verilənlər bazasında performansına necə təsir etdiyini müşahidə etməyi əhatə edir.
42. Metadata
Metadata digər məlumatlar haqqında təfərrüatları təmin edən əlavə məlumata istinad edir. Bu, bizə daha çox kontekst verən və ya əsas məlumatların xüsusiyyətlərini təsvir edən bir sıra etiketlər və ya etiketlər kimidir.
Sənəd, fotoşəkil, video və ya hər hansı digər məlumat növü olsun, məlumatımız olduqda, metadata bu məlumatların vacib aspektlərini anlamağa kömək edir.
Məsələn, sənəddə metadata müəllifin adı, yaradıldığı tarix və ya fayl formatı kimi təfərrüatları ehtiva edə bilər. Fotoşəkil vəziyyətində, metadata bizə onun çəkildiyi yeri, istifadə edilən kamera parametrlərini və ya hətta çəkildiyi tarix və vaxtı deyə bilər.
Metadata bizə məlumatları daha effektiv şəkildə təşkil etməyə, axtarmağa və şərh etməyə kömək edir. Bu təsviri məlumat hissələrini əlavə etməklə biz bütün məzmunu araşdırmadan xüsusi faylları tez tapa və ya onların mənşəyini, məqsədini və ya kontekstini anlaya bilərik.
43. Ölçülərin Azaldılması
Ölçülərin azaldılması məlumat dəstini ehtiva edən xüsusiyyətlərin və ya dəyişənlərin sayını azaltmaqla sadələşdirmək üçün istifadə edilən bir texnikadır. Bu, daha idarəolunan və işləməyi asanlaşdırmaq üçün verilənlər toplusunda məlumatı sıxlaşdırmaq və ya ümumiləşdirmək kimidir.
Təsəvvür edin ki, məlumat nöqtələrinin müxtəlif xüsusiyyətlərini təmsil edən çoxsaylı sütunlar və ya atributları olan bir verilənlər bazanız var. Hər bir sütun maşın öyrənməsi alqoritmlərinin mürəkkəbliyini və hesablama tələblərini artırır.
Bəzi hallarda çox sayda ölçüyə malik olmaq verilənlərdə mənalı nümunələr və ya əlaqələr tapmağı çətinləşdirə bilər.
Ölçülərin azaldılması mümkün qədər çox müvafiq məlumatı saxlamaqla verilənlər bazasını daha aşağı ölçülü təsvirə çevirməklə bu problemi həll etməyə kömək edir. Bu, lazımsız və ya daha az informativ ölçüləri ataraq məlumatların ən vacib aspektlərini və ya varyasyonlarını tutmaq məqsədi daşıyır.
44. Mətnin təsnifatı
Mətnin təsnifatı mətn bloklarına məzmununa və ya mənasına görə xüsusi etiketlər və ya kateqoriyalar təyin etməyi əhatə edən bir prosesdir. Bu, sonrakı təhlili və ya qərar qəbul etməyi asanlaşdırmaq üçün mətn məlumatlarını müxtəlif qruplara və ya siniflərə ayırmaq və ya təşkil etmək kimidir.
E-poçt təsnifatının bir nümunəsini nəzərdən keçirək. Bu ssenaridə daxil olan e-poçtun spam və ya qeyri-spam (həmçinin vetçina kimi tanınır) olduğunu müəyyən etmək istəyirik. Mətnin təsnifatı alqoritmlər e-poçtun məzmununu təhlil edir və ona müvafiq olaraq etiket təyin edir.
Alqoritm e-poçtun ümumiyyətlə spamla əlaqəli xüsusiyyətləri nümayiş etdirdiyini müəyyən edərsə, o, "spam" etiketini təyin edir. Əksinə, e-poçt qanuni və qeyri-spam görünürsə, o, "spam olmayan" və ya "ham" etiketini təyin edir.
Mətn təsnifatı e-poçt filtrindən başqa müxtəlif domenlərdəki tətbiqləri tapır. Müştəri rəylərində ifadə olunan əhval-ruhiyyəni (müsbət, mənfi və ya neytral) müəyyən etmək üçün sentiment təhlilində istifadə olunur.
Xəbər məqalələri idman, siyasət, əyləncə və s. kimi müxtəlif mövzulara və ya kateqoriyalara təsnif edilə bilər. Müştəri dəstəyi söhbət jurnalları həll olunan məqsəd və ya problem əsasında təsnif edilə bilər.
45. Zəif AI
Zəif AI, dar süni intellekt olaraq da bilinir, xüsusi tapşırıqları və ya funksiyaları yerinə yetirmək üçün nəzərdə tutulmuş və proqramlaşdırılmış süni intellekt sistemlərinə aiddir. Geniş idrak qabiliyyətlərini əhatə edən insan zəkasından fərqli olaraq, zəif süni intellekt müəyyən bir sahə və ya tapşırıqla məhdudlaşır.
Zəif AI-ni xüsusi proqramlar və ya xüsusi işləri yerinə yetirməkdə üstün olan maşınlar kimi düşünün. Məsələn, oyun vəziyyətlərini təhlil etmək, hərəkətləri strategiya etmək və insan oyunçularla rəqabət aparmaq üçün şahmat oynayan AI proqramı yaradıla bilər.
Başqa bir misal, fotoşəkillər və ya videolardakı obyektləri müəyyən edə bilən təsvirin tanınması sistemidir.
Bu süni intellekt sistemləri xüsusi təcrübə sahələrində üstün olmaq üçün hazırlanmış və optimallaşdırılmışdır. Tapşırıqlarını səmərəli şəkildə yerinə yetirmək üçün alqoritmlərə, məlumatlara və əvvəlcədən müəyyən edilmiş qaydalara etibar edirlər.
Bununla belə, onların təyin olunmuş domenindən kənar tapşırıqları başa düşməyə və ya yerinə yetirməyə imkan verən ümumi intellektə malik deyillər.
46. Güclü AI
Ümumi süni intellekt və ya süni ümumi intellekt (AGI) kimi də tanınan güclü AI, insanın bacara biləcəyi hər hansı bir intellektual tapşırığı anlamaq, öyrənmək və yerinə yetirmək qabiliyyətinə malik olan süni intellektin bir formasına istinad edir.
Xüsusi tapşırıqlar üçün nəzərdə tutulmuş zəif AI-dən fərqli olaraq, güclü süni intellekt insana bənzər intellekt və idrak qabiliyyətlərini təkrarlamağı hədəfləyir. O, nəinki ixtisaslaşdırılmış tapşırıqlarda üstün olan, həm də geniş çeşidli intellektual problemləri həll etmək üçün daha geniş anlayışa və uyğunlaşma qabiliyyətinə malik maşın və ya proqram təminatı yaratmağa çalışır.
Güclü süni intellektin məqsədi düşünə bilən, mürəkkəb məlumatları dərk edə bilən, təcrübədən öyrənən, təbii dildə söhbətlər aparan, yaradıcılıq nümayiş etdirən və insan zəkasına aid olan digər keyfiyyətləri nümayiş etdirə bilən sistemlər inkişaf etdirməkdir.
Əslində, o, bir çox domenlər arasında insan səviyyəsində düşüncə və problemlərin həllini simulyasiya edə və ya təkrarlaya bilən AI sistemləri yaratmağa çalışır.
47. İrəli Zəncirləmə
İrəli zəncirləmə mövcud məlumatlarla başlayan və ondan nəticə çıxarmaq və yeni nəticələr çıxarmaq üçün istifadə edən əsaslandırma və ya məntiq üsuludur. Bu, irəli getmək və əlavə fikirlərə çatmaq üçün əldə olan məlumatlardan istifadə edərək nöqtələri birləşdirməyə bənzəyir.
Təsəvvür edin ki, sizdə bir sıra qaydalar və ya faktlar var və siz yeni məlumatlar əldə etmək və ya onların əsasında konkret nəticələrə gəlmək istəyirsiniz. İrəli zəncirləmə ilkin məlumatları araşdırmaq və əlavə faktlar və ya nəticələr yaratmaq üçün məntiqi qaydaları tətbiq etməklə işləyir.
Sadələşdirmək üçün, hava şəraitinə əsasən nə geyinəcəyini müəyyən edən sadə bir ssenarini nəzərdən keçirək. “Yağış yağırsa, çətir gətir” deyən bir qayda və “Soyuqdursa, pencək geyin” deyən başqa bir qaydanız var. İndi, həqiqətən yağış yağdığını müşahidə etsəniz, çətir gətirməyiniz lazım olduğunu başa düşmək üçün irəli zəncirləmədən istifadə edə bilərsiniz.
48. Geriyə Zəncirləmə
Geriyə zəncirləmə istənilən nəticə və ya məqsədlə başlayan və bu nəticəni dəstəkləmək üçün lazım olan lazımi məlumatları və ya faktları müəyyən etmək üçün geriyə doğru işləyən əsaslandırma üsuludur. Bu, istədiyiniz nəticədən ona nail olmaq üçün tələb olunan ilkin məlumata qədər addımlarınızı izləmək kimidir.
Geriyə zəncirləməni başa düşmək üçün sadə bir nümunəyə nəzər salaq. Tutaq ki, üzməyə getməyin uyğun olub olmadığını müəyyən etmək istəyirsən. İstənilən nəticə müəyyən şərtlər əsasında üzgüçülüyün uyğun olub-olmamasıdır.
Şərtlərlə başlamaq əvəzinə, geriyə zəncirləmə nəticə ilə başlayır və dəstəkləyici məlumatları tapmaq üçün geriyə doğru işləyir.
Bu halda geriyə zəncirləmə “Hava istidirmi?” kimi sualların verilməsini əhatə edəcək. Cavab bəli olarsa, siz soruşacaqsınız: “Hovuz varmı?” Cavab yenə bəli olarsa, “Üzməyə getmək üçün kifayət qədər vaxt varmı?” kimi əlavə suallar verərdiniz.
Bu suallara təkrar-təkrar cavab verməklə və geriyə doğru işləməklə, üzgüçülük üçün getdiyiniz nəticəni dəstəkləmək üçün yerinə yetirilməli olan zəruri şərtləri müəyyən edə bilərsiniz.
49. Evristik
Evristik, sadə dillə desək, adətən keçmiş təcrübələrimizə və ya intuisiyamıza əsaslanaraq qərarlar qəbul etməyimizə və ya problemləri həll etməyə kömək edən praktiki qayda və ya strategiyadır. Bu, uzun və ya hərtərəfli prosesdən keçmədən ağlabatan bir həll yolu tapmağa imkan verən zehni qısa yol kimidir.
Mürəkkəb vəziyyətlər və ya tapşırıqlarla qarşılaşdıqda, evristika qərar qəbul etməyi asanlaşdıran rəhbər prinsiplər və ya “məsləhət qaydaları” rolunu oynayır. Onlar bizə optimal həlli təmin etməsələr də, müəyyən vəziyyətlərdə tez-tez təsirli olan ümumi təlimatlar və ya strategiyalar təqdim edirlər.
Məsələn, izdihamlı ərazidə park yeri tapmaq üçün bir evristikanı nəzərdən keçirək. Hər bir mövcud yeri diqqətlə təhlil etmək əvəzinə, mühərrikləri işlək vəziyyətdə park edilmiş avtomobilləri axtarmaq üçün evristikaya etibar edə bilərsiniz.
Bu evristik ehtimal edir ki, bu avtomobillər getmək üzrədir və mövcud yer tapmaq şansını artırır.
50. Təbii dilin modelləşdirilməsi
Təbii dil modelləşdirməsi, sadə dillə desək, kompüter modellərinin insanların ünsiyyət tərzinə bənzər şəkildə insan dilini başa düşmək və yaratmaq üçün öyrədilməsi prosesidir. Bu, kompüterlərə mətni təbii və mənalı şəkildə emal etməyi, şərh etməyi və yaratmağı öyrətməyi əhatə edir.
Təbii dilin modelləşdirilməsinin məqsədi kompüterlərə insan dilini səlis, ardıcıl və kontekstlə uyğun şəkildə başa düşmək və yaratmaq imkanı verməkdir.
Bu, dilin nümunələrini, strukturlarını və semantikasını öyrənmək üçün kitablar, məqalələr və ya söhbətlər kimi böyük həcmdə mətn məlumatlarına dair təlim modellərini əhatə edir.
Təlimdən sonra bu modellər dil tərcüməsi, mətnin ümumiləşdirilməsi, suallara cavab, chatbot ilə qarşılıqlı əlaqə və s. kimi dillə əlaqəli müxtəlif tapşırıqları yerinə yetirə bilər.
Onlar cümlələrin mənasını və kontekstini başa düşə, müvafiq məlumatları çıxara və qrammatik cəhətdən düzgün və ardıcıl mətn yarada bilərlər.
Cavab yaz