AI-ն ամենուր է, բայց երբեմն դժվար է հասկանալ տերմինաբանությունը և ժարգոնը: Այս բլոգային գրառման մեջ մենք բացատրում ենք AI-ի ավելի քան 50 տերմիններ և սահմանումներ, որպեսզի կարողանաք ավելի շատ իմաստավորել այս արագ աճող տեխնոլոգիան:
Անկախ նրանից, թե դուք սկսնակ եք, թե փորձագետ, մենք գրազ ենք գալիս, որ այստեղ կան մի քանի պայմաններ, որոնք դուք չգիտեք:
1. Արհեստական բանականություն
Արհեստական բանականություն (AI) վերաբերում է համակարգչային համակարգերի զարգացմանը, որոնք ունեն ինքնուրույն սովորելու և գործելու ունակություն՝ հաճախ ընդօրինակելով մարդկային բանականությունը:
Այս համակարգերը վերլուծում են տվյալները, ճանաչում օրինաչափությունները, որոշումներ են կայացնում և հարմարեցնում իրենց վարքագիծը՝ հիմնվելով փորձի վրա: Ալգորիթմների և մոդելների կիրառմամբ՝ AI-ն նպատակ ունի ստեղծել խելացի մեքենաներ, որոնք կարող են ընկալել և հասկանալ իրենց շրջապատը:
Վերջնական նպատակն է հնարավորություն տալ մեքենաներին արդյունավետորեն կատարել առաջադրանքները, սովորել տվյալներից և դրսևորել մարդկանց նման ճանաչողական ունակություններ:
2.Ալգորիթմ
Ալգորիթմը հրահանգների կամ կանոնների ճշգրիտ և համակարգված հավաքածու է, որն ուղղորդում է խնդրի լուծման կամ որոշակի առաջադրանքի իրականացման գործընթացը:
Այն ծառայում է որպես հիմնարար հասկացություն տարբեր ոլորտներում և առանցքային դեր է խաղում համակարգչային գիտության, մաթեմատիկայի և խնդիրներ լուծելու առարկաներում: Ալգորիթմների ըմբռնումը շատ կարևոր է, քանի որ դրանք թույլ են տալիս արդյունավետ և կառուցվածքային խնդիրների լուծման մոտեցումներ՝ առաջընթաց ապահովելով տեխնոլոգիաների և որոշումների կայացման գործընթացներում:
3. Մեծ տվյալներ
Մեծ տվյալները վերաբերում են չափազանց մեծ և բարդ տվյալների հավաքածուներին, որոնք գերազանցում են վերլուծության ավանդական մեթոդների հնարավորությունները: Այս տվյալների հավաքածուները սովորաբար բնութագրվում են իրենց ծավալով, արագությամբ և բազմազանությամբ:
Ծավալը վերաբերում է տարբեր աղբյուրներից ստացված տվյալների հսկայական քանակին, ինչպիսիք են սոցիալական լրատվամիջոցների, սենսորներ և գործարքներ։
Արագությունը վերաբերում է այն բարձր արագությանը, որով տվյալները ստեղծվում են և պետք է մշակվեն իրական ժամանակում կամ մոտ իրական ժամանակում: Բազմազանությունը նշանակում է տվյալների բազմազան տեսակներ և ձևաչափեր, ներառյալ կառուցվածքային, չկառուցված և կիսակառույց տվյալները:
4. Տվյալների արդյունահանում
Տվյալների արդյունահանումը համապարփակ գործընթաց է, որն ուղղված է տվյալների հսկայական հավաքածուներից արժեքավոր պատկերացումներ քաղելուն:
Այն ներառում է չորս հիմնական փուլեր. տվյալների հավաքում, համապատասխան տվյալների հավաքագրում; տվյալների պատրաստում, տվյալների որակի և համատեղելիության ապահովում; տվյալների արդյունահանում, օրինաչափություններ և հարաբերություններ հայտնաբերելու ալգորիթմների կիրառում. և տվյալների վերլուծություն և մեկնաբանում, որտեղ արդյունահանված գիտելիքները ուսումնասիրվում և ընկալվում են:
5. Նյարդային ցանց
Համակարգչային համակարգը նախատեսված է աշխատելու նման մարդու ուղեղը, կազմված փոխկապակցված հանգույցներից կամ նեյրոններից։ Եկեք հասկանանք սա մի փոքր ավելին, քանի որ AI-ի մեծ մասը հիմնված է նյարդային ցանցեր.
Վերոնշյալ գրաֆիկայում մենք կանխատեսում ենք աշխարհագրական դիրքի խոնավությունն ու ջերմաստիճանը՝ սովորելով անցյալի օրինակից: Մուտքագրումները տվյալների հավաքածու են անցյալ գրառումների համար:
The նեյրոնային ցանցը սովորում է օրինաչափությունը՝ խաղալով կշիռների հետ և կիրառելով կողմնակալության արժեքներ թաքնված շերտերում: W1, W2….W7 համապատասխան կշիռներն են: Այն մարզվում է տրամադրված տվյալների բազայի վրա և տալիս է արդյունք՝ որպես կանխատեսում:
Դուք կարող եք ծանրաբեռնված լինել այս բարդ տեղեկատվությամբ: Եթե դա այդպես է, կարող եք սկսել մեր պարզ ուղեցույցից այստեղ.
6. Մեքենայական ուսուցում
Մեքենայական ուսուցումը կենտրոնանում է ալգորիթմների և մոդելների մշակման վրա, որոնք կարող են ավտոմատ կերպով սովորել տվյալներից և ժամանակի ընթացքում բարելավել դրանց կատարումը:
Այն ներառում է վիճակագրական տեխնիկայի կիրառում, որը թույլ է տալիս համակարգիչներին նույնականացնել օրինաչափությունները, կանխատեսումներ անել և տվյալների վրա հիմնված որոշումներ կայացնել՝ առանց հստակ ծրագրավորման:
Մեքենայական ուսուցման ալգորիթմներ վերլուծել և սովորել տվյալների մեծ հավաքածուներից՝ թույլ տալով համակարգերին հարմարեցնել և բարելավել իրենց վարքագիծը՝ հիմնվելով իրենց մշակած տեղեկատվության վրա:
7. Խորը ուսուցում
Խորը ուսուցում, մեքենայական ուսուցման և նեյրոնային ցանցերի ենթաոլորտը, օգտագործում է բարդ ալգորիթմներ տվյալներից գիտելիքներ ձեռք բերելու համար՝ մոդելավորելով մարդու ուղեղի բարդ գործընթացները:
Օգտագործելով բազմաթիվ թաքնված շերտերով նեյրոնային ցանցեր՝ խորը ուսուցման մոդելները կարող են ինքնուրույն արդյունահանել բարդ առանձնահատկություններ և օրինաչափություններ՝ հնարավորություն տալով նրանց լուծել բարդ առաջադրանքները բացառիկ ճշգրտությամբ և արդյունավետությամբ:
8. Կաղապարների ճանաչում
Կաղապարների ճանաչումը՝ տվյալների վերլուծության տեխնիկան, օգտագործում է մեքենայական ուսուցման ալգորիթմների ուժը՝ տվյալների հավաքածուներում ինքնուրույն հայտնաբերելու և զանազանելու օրինաչափություններն ու օրինաչափությունները:
Հաշվարկային մոդելների և վիճակագրական մեթոդների կիրառմամբ՝ օրինաչափությունների ճանաչման ալգորիթմները կարող են բացահայտել բարդ և բազմազան տվյալների իմաստալից կառուցվածքները, հարաբերակցությունները և միտումները:
Այս գործընթացը հնարավորություն է տալիս արժեքավոր պատկերացումների արդյունահանման, տվյալների դասակարգման առանձին կատեգորիաների և ապագա արդյունքների կանխատեսման՝ ճանաչված օրինաչափությունների հիման վրա: Կաղապարների ճանաչումը կենսական գործիք է տարբեր ոլորտներում, որը հզորացնում է որոշումների կայացումը, անոմալիաների հայտնաբերումը և կանխատեսող մոդելավորումը:
Կենսաչափությունը դրա օրինակներից մեկն է: Օրինակ, մատնահետքի ճանաչման ժամանակ ալգորիթմը վերլուծում է մարդու մատնահետքի ծայրերը, կորերը և եզակի առանձնահատկությունները՝ ստեղծելու թվային ներկայացում, որը կոչվում է կաղապար:
Երբ փորձում եք ապակողպել ձեր սմարթֆոնը կամ մուտք գործել անվտանգ հաստատություն, օրինաչափությունների ճանաչման համակարգը համեմատում է ստացված կենսաչափական տվյալները (օրինակ՝ մատնահետքը) իր տվյալների բազայում պահված ձևանմուշների հետ:
Համապատասխանեցնելով օրինաչափությունները և գնահատելով նմանության մակարդակը, համակարգը կարող է որոշել, թե արդյոք տրամադրված կենսաչափական տվյալները համապատասխանում են պահված ձևանմուշին և համապատասխանաբար տրամադրել մուտքը:
9. Վերահսկվող ուսուցում
Վերահսկվող ուսուցումը մեքենայական ուսուցման մոտեցում է, որը ներառում է համակարգչային համակարգի ուսուցում՝ օգտագործելով պիտակավորված տվյալներ: Այս մեթոդով համակարգչին տրամադրվում է մուտքային տվյալների մի շարք՝ համապատասխան հայտնի պիտակների կամ արդյունքների հետ միասին:
Ենթադրենք, դուք ունեք մի փունջ նկարներ, որոնցից ոմանք շների, իսկ մյուսները կատուների հետ:
Համակարգչին ասում ես, թե որ նկարներում կան շներ, որոնք՝ կատուներ: Այնուհետև համակարգիչը սովորում է ճանաչել շների և կատուների միջև եղած տարբերությունները՝ նկարներում նախշեր գտնելով:
Այն սովորելուց հետո դուք կարող եք համակարգչին տալ նոր նկարներ, և նա կփորձի պարզել՝ արդյոք նրանք շներ կամ կատուներ ունեն՝ ելնելով այն, ինչ սովորել է պիտակավորված օրինակներից: Դա նման է համակարգչի վարժեցմանը, որպեսզի կանխատեսումներ անի՝ օգտագործելով հայտնի տեղեկատվություն:
10. Չվերահսկվող ուսուցում
Չվերահսկվող ուսուցումը մեքենայական ուսուցման մի տեսակ է, որտեղ համակարգիչը ինքնուրույն ուսումնասիրում է տվյալների բազան՝ գտնելու օրինաչափություններ կամ նմանություններ՝ առանց որևէ հատուկ հրահանգների:
Այն չի հիմնվում պիտակավորված օրինակների վրա, ինչպես վերահսկվող ուսուցման ժամանակ: Փոխարենը, այն տվյալների մեջ փնտրում է թաքնված կառույցներ կամ խմբեր: Կարծես համակարգիչը ինքնուրույն հայտնաբերում է իրեր, առանց ուսուցչի ասելու, թե ինչ փնտրել:
Ուսուցման այս տեսակն օգնում է մեզ գտնել նոր պատկերացումներ, կազմակերպել տվյալներ կամ բացահայտել անսովոր բաներ՝ առանց նախնական գիտելիքների կամ հստակ առաջնորդության կարիքի:
11. Բնական լեզվի մշակում (NLP)
Բնական լեզվի մշակումը կենտրոնանում է այն բանի վրա, թե ինչպես են համակարգիչները հասկանում և փոխազդում մարդկային լեզվի հետ: Այն օգնում է համակարգիչներին վերլուծել, մեկնաբանել և արձագանքել մարդկային լեզվին այնպես, որ մեզ ավելի բնական է թվում:
NLP-ն այն է, ինչը մեզ հնարավորություն է տալիս շփվել ձայնային օգնականների և չաթ-բոտերի հետ, և նույնիսկ մեր էլ. նամակներն ավտոմատ կերպով դասավորվել թղթապանակների մեջ:
Այն ներառում է ուսուցանել համակարգիչներին հասկանալ բառերի, նախադասությունների և նույնիսկ ամբողջ տեքստերի իմաստը, որպեսզի նրանք կարողանան օգնել մեզ տարբեր առաջադրանքներում և ավելի անխափան դարձնել մեր փոխազդեցությունը տեխնոլոգիայի հետ:
12. Համակարգչային տեսլական
Համակարգչային տեսողություն հետաքրքրաշարժ տեխնոլոգիա է, որը թույլ է տալիս համակարգիչներին տեսնել և հասկանալ պատկերներն ու տեսանյութերը, ինչպես մենք՝ մարդիկ, անում ենք մեր աչքերով: Ամեն ինչ վերաբերում է համակարգիչներին վերլուծել տեսողական տեղեկատվությունը և հասկանալ այն, ինչ տեսնում են:
Ավելի պարզ ասած, համակարգչային տեսլականն օգնում է համակարգիչներին ճանաչել և մեկնաբանել տեսողական աշխարհը: Այն ներառում է այնպիսի առաջադրանքներ, ինչպիսին է նրանց ուսուցանել պատկերների մեջ առանձնացնել որոշակի առարկաներ, դասակարգել պատկերները տարբեր կատեգորիաների կամ նույնիսկ պատկերները բաժանել իմաստալից մասերի:
Պատկերացրեք ինքնակառավարվող մեքենան, որն օգտագործում է համակարգչային տեսլականը ճանապարհը և դրա շուրջը գտնվող ամեն ինչ «տեսնելու» համար:
Այն կարող է հայտնաբերել և հետևել հետիոտներին, ճանապարհային նշաններին և այլ տրանսպորտային միջոցներին՝ օգնելով նրանց անվտանգ նավարկելուն: Կամ մտածեք, թե ինչպես է դեմքի ճանաչման տեխնոլոգիան օգտագործում համակարգչային տեսողությունը՝ բացելու մեր սմարթֆոնները կամ ստուգելու մեր ինքնությունը՝ ճանաչելով մեր յուրահատուկ դեմքի հատկությունները:
Այն նաև օգտագործվում է հսկողության համակարգերում՝ մարդաշատ վայրերը վերահսկելու և կասկածելի գործողություններ հայտնաբերելու համար:
Համակարգչային տեսլականը հզոր տեխնոլոգիա է, որը բացում է հնարավորությունների աշխարհ: Թույլ տալով համակարգիչներին տեսնել և հասկանալ տեսողական տեղեկատվությունը, մենք կարող ենք մշակել հավելվածներ և համակարգեր, որոնք կարող են ընկալել և մեկնաբանել մեզ շրջապատող աշխարհը՝ դարձնելով մեր կյանքը ավելի հեշտ, անվտանգ և արդյունավետ:
13. Չաթբոտ
Չաթբոտը նման է համակարգչային ծրագրի, որը կարող է մարդկանց հետ խոսել այնպես, որ թվում է իրական մարդկային խոսակցություն:
Այն հաճախ օգտագործվում է առցանց հաճախորդների սպասարկման մեջ՝ օգնելու հաճախորդներին և ստիպելու նրանց զգալ, որ նրանք խոսում են ինչ-որ մեկի հետ, թեև դա իրականում համակարգչի վրա աշխատող ծրագիր է:
Չաթբոտը կարող է հասկանալ և պատասխանել հաճախորդների հաղորդագրություններին կամ հարցերին` տրամադրելով օգտակար տեղեկատվություն և օգնություն ճիշտ այնպես, ինչպես դա կանի հաճախորդների սպասարկման ներկայացուցիչը:
14. Ձայնի ճանաչում
Ձայնի ճանաչումը վերաբերում է համակարգչային համակարգի՝ մարդու խոսքը հասկանալու և մեկնաբանելու կարողությանը: Այն ներառում է տեխնոլոգիա, որը թույլ է տալիս համակարգչին կամ սարքին «լսել» ասված բառերը և դրանք վերածել տեքստի կամ հրամանների, որոնք կարող են հասկանալ:
հետ ձայնի ճանաչում, դուք կարող եք շփվել սարքերի կամ հավելվածների հետ՝ պարզապես խոսելով նրանց հետ՝ մուտքագրելու կամ մուտքագրման այլ մեթոդներ օգտագործելու փոխարեն:
Համակարգը վերլուծում է ասված բառերը, ճանաչում օրինաչափություններն ու հնչյունները, այնուհետև դրանք թարգմանում հասկանալի տեքստի կամ գործողությունների: Այն թույլ է տալիս առանց ձեռքերի և բնական հաղորդակցություն տեխնոլոգիայի հետ՝ հնարավոր դարձնելով այնպիսի առաջադրանքներ, ինչպիսիք են ձայնային հրամանները, թելադրությունը կամ ձայնով կառավարվող փոխազդեցությունները: Ամենատարածված օրինակներն են AI օգնականները, ինչպիսիք են Siri-ն և Google Assistant-ը:
15. Զգացմունքների վերլուծություն
Sգացմունքների վերլուծություն տեխնիկա է, որն օգտագործվում է հասկանալու և մեկնաբանելու տեքստում կամ խոսքում արտահայտված հույզերը, կարծիքները և վերաբերմունքը: Այն ներառում է գրավոր կամ խոսակցական լեզվի վերլուծություն՝ որոշելու, թե արտահայտված տրամադրությունը դրական է, բացասական կամ չեզոք:
Օգտագործելով մեքենայական ուսուցման ալգորիթմները, զգացմունքների վերլուծության ալգորիթմները կարող են սկանավորել և վերլուծել մեծ քանակությամբ տեքստային տվյալներ, ինչպիսիք են հաճախորդների ակնարկները, սոցիալական լրատվամիջոցների գրառումները կամ հաճախորդների հետադարձ կապը՝ բացահայտելու բառերի հիմքում ընկած զգացմունքները:
Ալգորիթմները փնտրում են հատուկ բառեր, արտահայտություններ կամ օրինաչափություններ, որոնք ցույց են տալիս զգացմունքներ կամ կարծիքներ:
Այս վերլուծությունը օգնում է ձեռնարկություններին կամ անհատներին հասկանալ, թե մարդիկ ինչպես են վերաբերվում ապրանքի, ծառայության կամ թեմայի վերաբերյալ և կարող են օգտագործվել տվյալների վրա հիմնված որոշումներ կայացնելու կամ հաճախորդների նախասիրությունների վերաբերյալ պատկերացումներ ձեռք բերելու համար:
Օրինակ, ընկերությունը կարող է օգտագործել տրամադրությունների վերլուծությունը՝ հետևելու հաճախորդների բավարարվածությանը, բացահայտելու բարելավման ոլորտները կամ վերահսկելու հանրային կարծիքը իրենց ապրանքանիշի վերաբերյալ:
16. Մեքենայի թարգմանություն
Մեքենայական թարգմանությունը, AI-ի համատեքստում, վերաբերում է համակարգչային ալգորիթմների և արհեստական ինտելեկտի օգտագործմանը՝ տեքստը կամ խոսքը մի լեզվից մյուսը ավտոմատ կերպով թարգմանելու համար:
Այն ներառում է ուսուցանել համակարգիչներին հասկանալ և մշակել մարդկային լեզուներ՝ ճշգրիտ թարգմանություններ ապահովելու համար: Ամենատարածված օրինակն է Գուգլ թարգմանիչ.
Մեքենայական թարգմանության միջոցով դուք կարող եք մուտքագրել տեքստ կամ խոսք մեկ լեզվով, և համակարգը կվերլուծի մուտքագրումը և կստեղծի համապատասխան թարգմանություն մեկ այլ լեզվով: Սա հատկապես օգտակար է տարբեր լեզուներով տեղեկատվության հաղորդակցման կամ հասանելիության ժամանակ:
Մեքենայական թարգմանության համակարգերը հիմնված են լեզվական կանոնների, վիճակագրական մոդելների և մեքենայական ուսուցման ալգորիթմների համակցության վրա: Նրանք սովորում են լեզվի հսկայական տվյալներից՝ ժամանակի ընթացքում թարգմանության ճշգրտությունը բարելավելու համար: Մեքենայական թարգմանության որոշ մոտեցումներ ներառում են նաև նեյրոնային ցանցեր՝ թարգմանությունների որակը բարձրացնելու համար:
17. Ռոբոտաշինություն
Ռոբոտաշինությունը արհեստական ինտելեկտի և մեխանիկական ճարտարագիտության համադրություն է՝ ռոբոտներ կոչվող խելացի մեքենաներ ստեղծելու համար: Այս ռոբոտները նախատեսված են առաջադրանքներն ինքնուրույն կամ նվազագույն մարդկային միջամտությամբ կատարելու համար:
Ռոբոտները ֆիզիկական էակներ են, որոնք կարող են զգալ իրենց միջավայրը, որոշումներ կայացնել՝ հիմնվելով այդ զգայական տվյալների վրա և կատարել հատուկ գործողություններ կամ առաջադրանքներ:
Նրանք հագեցած են տարբեր սենսորներով, ինչպիսիք են տեսախցիկները, խոսափողները կամ հպման սենսորները, որոնք թույլ են տալիս տեղեկատվություն հավաքել շրջապատող աշխարհից: AI ալգորիթմների և ծրագրավորման օգնությամբ ռոբոտները կարող են վերլուծել այս տվյալները, մեկնաբանել դրանք և խելացի որոշումներ կայացնել իրենց առաջադրանքները կատարելու համար:
AI-ն վճռորոշ դեր է խաղում ռոբոտաշինության մեջ՝ հնարավորություն տալով ռոբոտներին սովորել իրենց փորձից և հարմարվել տարբեր իրավիճակներին:
Մեքենայական ուսուցման ալգորիթմները կարող են օգտագործվել ռոբոտներին առարկաները ճանաչելու, միջավայրում նավարկելու կամ նույնիսկ մարդկանց հետ շփվելու համար վարժեցնելու համար: Սա թույլ է տալիս ռոբոտներին դառնալ ավելի բազմակողմանի, ճկուն և ընդունակ բարդ առաջադրանքներ կատարել:
18. Drones
Անօդաչու թռչող սարքերը ռոբոտների մի տեսակ են, որոնք կարող են թռչել կամ սավառնել օդում առանց մարդ օդաչուի: Դրանք նաև հայտնի են որպես անօդաչու թռչող սարքեր (ԱԹՍ): Անօդաչու սարքերը հագեցված են տարբեր սենսորներով, ինչպիսիք են տեսախցիկները, GPS-ը և գիրոսկոպները, որոնք թույլ են տալիս հավաքել տվյալներ և նավարկել շրջապատում։
Դրանք հեռակառավարվում են մարդկային օպերատորի կողմից կամ կարող են ինքնուրույն գործել՝ օգտագործելով նախապես ծրագրավորված հրահանգները:
Անօդաչու սարքերը ծառայում են մի շարք նպատակների, այդ թվում՝ օդային լուսանկարչություն և տեսանկարահանում, գեոդեզիական և քարտեզագրում, առաքման ծառայություններ, որոնողափրկարարական առաքելություններ, գյուղատնտեսության մոնիտորինգ և նույնիսկ հանգստի օգտագործում: Նրանք կարող են մուտք գործել հեռավոր կամ վտանգավոր տարածքներ, որոնք դժվար կամ վտանգավոր են մարդկանց համար:
19. Լրացված իրականություն (ԱՀ)
Ընդլայնված իրականությունը (AR) տեխնոլոգիա է, որը համատեղում է իրական աշխարհը վիրտուալ օբյեկտների կամ տեղեկատվության հետ՝ բարելավելու մեր ընկալումը և շրջակա միջավայրի հետ փոխգործակցությունը: Այն համադրում է համակարգչային ստեղծած պատկերները, ձայները կամ այլ զգայական մուտքերը իրական աշխարհում՝ ստեղծելով ընկղմվող և ինտերակտիվ փորձ:
Պարզ ասած՝ պատկերացրեք, որ կրում եք հատուկ ակնոցներ կամ օգտագործում եք ձեր սմարթֆոնը՝ ձեզ շրջապատող աշխարհը տեսնելու համար, բայց լրացուցիչ վիրտուալ տարրերով:
Օրինակ, դուք կարող եք ձեր սմարթֆոնը ուղղել քաղաքի փողոցի վրա և տեսնել վիրտուալ ցուցանակներ, որոնք ցույց են տալիս մոտակա ռեստորանների ուղղությունները, վարկանիշները և կարծիքները կամ նույնիսկ իրական միջավայրի հետ փոխազդող վիրտուալ կերպարները:
Այս վիրտուալ տարրերն անխափան կերպով միաձուլվում են իրական աշխարհի հետ՝ բարելավելով շրջապատի ձեր ըմբռնումն ու փորձը: Ընդլայնված իրականությունը կարող է օգտագործվել տարբեր ոլորտներում, ինչպիսիք են խաղերը, կրթությունը, ճարտարապետությունը, և նույնիսկ առօրյա գործերի համար, ինչպիսիք են նավիգացիան կամ գնելուց առաջ ձեր տանը նոր կահույք փորձարկելը:
20. Վիրտուալ իրականություն (VR)
Վիրտուալ իրականությունը (VR) տեխնոլոգիա է, որն օգտագործում է համակարգչային ստեղծած սիմուլյացիաներ՝ ստեղծելու արհեստական միջավայր, որը մարդը կարող է ուսումնասիրել և շփվել դրա հետ: Այն ընկղմում է օգտագործողին վիրտուալ աշխարհում՝ արգելափակելով իրական աշխարհը և այն փոխարինելով թվային տիրույթով:
Պարզ ասած, պատկերացրեք, թե ինչպես եք դնում հատուկ ականջակալ, որը ծածկում է ձեր աչքերն ու ականջները և տեղափոխում ձեզ բոլորովին այլ վայր: Այս վիրտուալ աշխարհում այն ամենը, ինչ դուք տեսնում և լսում եք, աներևակայելի իրական է թվում, թեև այդ ամենը ստեղծվել է համակարգչի կողմից:
Դուք կարող եք շրջել, նայել ցանկացած ուղղությամբ և շփվել առարկաների կամ կերպարների հետ այնպես, կարծես նրանք ֆիզիկապես ներկա են:
Օրինակ, վիրտուալ իրականության խաղում դուք կարող եք հայտնվել միջնադարյան դղյակում, որտեղ կարող եք քայլել նրա միջանցքներով, զենք վերցնել և վիրտուալ հակառակորդների հետ սրի կռիվների մեջ մտնել: Վիրտուալ իրականության միջավայրը արձագանքում է ձեր շարժումներին և գործողություններին՝ ստիպելով ձեզ լիովին ընկղմված և ներգրավված զգալ փորձի մեջ:
Վիրտուալ իրականությունը ոչ միայն օգտագործվում է խաղերի, այլ նաև տարբեր այլ ծրագրերի համար, ինչպիսիք են օդաչուների, վիրաբույժների կամ զինվորական անձնակազմի վերապատրաստման մոդելավորումը, ճարտարապետական զբոսաշրջությունը, վիրտուալ զբոսաշրջությունը և նույնիսկ որոշակի հոգեբանական պայմանների թերապիան: Այն ստեղծում է ներկայության զգացում և օգտատերերին տեղափոխում է նոր և հետաքրքիր վիրտուալ աշխարհներ՝ դարձնելով փորձառությունը հնարավորինս մոտ իրականությանը:
21. Տվյալների գիտություն
Տվյալների գիտությունը ոլորտ է, որը ներառում է գիտական մեթոդների, գործիքների և ալգորիթմների օգտագործում՝ տվյալներից արժեքավոր գիտելիքներ և պատկերացումներ հանելու համար: Այն միավորում է մաթեմատիկայի, վիճակագրության, ծրագրավորման և տիրույթի փորձաքննության տարրերը՝ մեծ և բարդ տվյալների հավաքածուները վերլուծելու համար:
Ավելի պարզ բառերով, տվյալների գիտությունը վերաբերում է մի շարք տվյալների մեջ թաքնված իմաստալից տեղեկատվության և օրինաչափությունների որոնմանը: Այն ներառում է տվյալների հավաքագրում, մաքրում և կազմակերպում, այնուհետև օգտագործում տարբեր մեթոդներ՝ դրանք ուսումնասիրելու և վերլուծելու համար: Տվյալների գիտնականներ օգտագործել վիճակագրական մոդելներ և ալգորիթմներ միտումները բացահայտելու, կանխատեսումներ անելու և խնդիրներ լուծելու համար:
Օրինակ, առողջապահության ոլորտում տվյալների գիտությունը կարող է օգտագործվել հիվանդների գրառումները և բժշկական տվյալները վերլուծելու համար՝ հիվանդության ռիսկի գործոնները բացահայտելու, հիվանդի արդյունքները կանխատեսելու կամ բուժման պլանները օպտիմալացնելու համար: Բիզնեսում տվյալների գիտությունը կարող է կիրառվել հաճախորդների տվյալների վրա՝ հասկանալու նրանց նախասիրությունները, առաջարկելու ապրանքներ կամ բարելավելու մարքեթինգային ռազմավարությունները:
22. Տվյալների վեճ
Տվյալների վեճը, որը նաև հայտնի է որպես տվյալների մունգինգ, հում տվյալների հավաքման, մաքրման և վերափոխման գործընթացն է այնպիսի ձևաչափի, որն ավելի օգտակար և հարմար է վերլուծության համար: Այն ներառում է տվյալների մշակում և պատրաստում` ապահովելու դրանց որակը, հետևողականությունը և համատեղելիությունը վերլուծության գործիքների կամ մոդելների հետ:
Ավելի պարզ ասած, տվյալների վիճաբանությունը նման է ճաշ պատրաստելու բաղադրիչների պատրաստմանը: Այն ներառում է տվյալների հավաքագրում տարբեր աղբյուրներից, դրանք դասավորելու և մաքրելու համար՝ հեռացնելու ցանկացած սխալ, անհամապատասխանություն կամ անհամապատասխան տեղեկատվություն:
Բացի այդ, հնարավոր է, որ տվյալները փոխակերպվեն, վերակառուցվեն կամ համախմբվեն, որպեսզի ավելի դյուրին լինի նրանց հետ աշխատելը և պատկերացումներ քաղելը:
Օրինակ, տվյալների վիճաբանությունը կարող է ներառել կրկնօրինակ գրառումների հեռացում, ուղղագրական սխալների կամ ձևաչափման հետ կապված խնդիրների շտկում, բացակայող արժեքների մշակում և տվյալների տեսակների փոխակերպում: Այն կարող է նաև ներառել տվյալների տարբեր խմբերի միավորում կամ միացում, տվյալների բաժանում ենթաբազմությունների կամ գոյություն ունեցող տվյալների հիման վրա նոր փոփոխականների ստեղծում:
23. Տվյալների պատմություն
Տվյալների պատմություն Տվյալների ազդեցիկ և գրավիչ ձևով ներկայացնելու արվեստն է՝ պատմությունը կամ հաղորդագրությունը արդյունավետ կերպով հաղորդելու համար: Այն ներառում է օգտագործումը տվյալների արտացոլում, պատմվածքներ և ենթատեքստ՝ հասկացողություններն ու բացահայտումները հանդիսատեսի համար հասկանալի և հիշվող ձևով փոխանցելու համար:
Ավելի պարզ ասած, տվյալների պատմությունը պատմություն պատմելու համար տվյալների օգտագործումն է: Այն դուրս է գալիս միայն թվեր և գծապատկերներ ներկայացնելուց: Այն ներառում է տվյալների շուրջ պատմություն ստեղծելը, տեսողական տարրերի և պատմվածքի տեխնիկայի օգտագործումը՝ տվյալները կյանքի կոչելու և դրանք հանդիսատեսի հետ առնչվող դարձնելու համար:
Օրինակ, վաճառքի թվերի աղյուսակը պարզապես ներկայացնելու փոխարեն, տվյալների պատմությունը կարող է ներառել ինտերակտիվ վահանակի ստեղծում, որը թույլ է տալիս օգտվողներին տեսողականորեն ուսումնասիրել վաճառքի միտումները:
Այն կարող է ներառել պատմություն, որը ընդգծում է հիմնական բացահայտումները, բացատրում է միտումների հիմքում ընկած պատճառները և տվյալների վրա հիմնված գործող առաջարկություններ է առաջարկում:
24. Տվյալների վրա հիմնված որոշումների կայացում
Տվյալների վրա հիմնված որոշումների կայացումը ընտրություն կատարելու կամ համապատասխան տվյալների վերլուծության և մեկնաբանման վրա հիմնված գործողություններ կատարելու գործընթաց է: Այն ներառում է տվյալների օգտագործումը որպես հիմք՝ որոշումների կայացման գործընթացները առաջնորդելու և աջակցելու համար, այլ ոչ թե հիմնվելով բացառապես ինտուիցիայի կամ անձնական դատողության վրա:
Ավելի պարզ ասած՝ տվյալների վրա հիմնված որոշումներ կայացնելը նշանակում է տվյալներից ստացված փաստերի և ապացույցների օգտագործում՝ մեր կատարած ընտրությունները տեղեկացնելու և ուղղորդելու համար: Այն ներառում է տվյալների հավաքագրում և վերլուծություն՝ օրինաչափությունները, միտումները և հարաբերությունները հասկանալու և այդ գիտելիքների օգտագործումը՝ տեղեկացված որոշումներ կայացնելու և խնդիրները լուծելու համար:
Օրինակ՝ բիզնես միջավայրում տվյալների վրա հիմնված որոշումների կայացումը կարող է ներառել վաճառքի տվյալների, հաճախորդների հետադարձ կապի և շուկայի միտումների վերլուծություն՝ գնագոյացման ամենաարդյունավետ ռազմավարությունը որոշելու կամ արտադրանքի զարգացման բարելավման ոլորտները բացահայտելու համար:
Առողջապահության ոլորտում դա կարող է ներառել հիվանդի տվյալների վերլուծություն՝ բուժման պլանները օպտիմալացնելու կամ հիվանդության արդյունքները կանխատեսելու համար:
25. Data Lake
Տվյալների լիճը կենտրոնացված և մասշտաբային տվյալների շտեմարան է, որը պահում է հսկայական քանակությամբ տվյալներ իր չմշակված և չմշակված ձևով: Այն նախատեսված է տվյալների տեսակների, ձևաչափերի և կառուցվածքների լայն տեսականի պահելու համար, ինչպիսիք են կառուցվածքային, կիսակառույց և չկառուցված տվյալները՝ առանց նախապես սահմանված սխեմաների կամ տվյալների փոխակերպումների անհրաժեշտության:
Օրինակ, ընկերությունը կարող է հավաքել և պահել տվյալներ տարբեր աղբյուրներից, ինչպիսիք են վեբկայքերի տեղեկամատյանները, հաճախորդների գործարքները, սոցիալական լրատվամիջոցների հոսքերը և IoT սարքերը տվյալների լճում:
Այնուհետև այս տվյալները կարող են օգտագործվել տարբեր նպատակներով, օրինակ՝ կատարելագործված վերլուծություններ, կատարել մեքենայական ուսուցման ալգորիթմներ կամ ուսումնասիրել հաճախորդների վարքագծի օրինաչափություններն ու միտումները:
26. Տվյալների պահեստ
Տվյալների պահեստը տվյալների բազայի մասնագիտացված համակարգ է, որը հատուկ նախագծված է տարբեր աղբյուրներից մեծ քանակությամբ տվյալների պահպանման, կազմակերպման և վերլուծության համար: Այն կառուցված է այնպես, որ աջակցի տվյալների արդյունավետ որոնմանը և բարդ վերլուծական հարցումներին:
Այն ծառայում է որպես կենտրոնական պահոց, որն ինտեգրում է տարբեր գործառնական համակարգերի տվյալները, ինչպիսիք են գործարքների տվյալների բազաները, CRM համակարգերը և կազմակերպության ներսում տվյալների այլ աղբյուրներ:
Տվյալները փոխակերպվում, մաքրվում և բեռնվում են տվյալների պահեստ՝ վերլուծական նպատակներով օպտիմիզացված կառուցվածքային ձևաչափով:
27. Բիզնես հետախուզություն (BI)
Բիզնես ինտելեկտը վերաբերում է տվյալների հավաքագրման, վերլուծության և ներկայացման գործընթացին, որն օգնում է բիզնեսին տեղեկացված որոշումներ կայացնել և արժեքավոր պատկերացումներ ձեռք բերել: Այն ներառում է տարբեր գործիքների, տեխնոլոգիաների և տեխնիկայի օգտագործում՝ չմշակված տվյալները իմաստալից, գործող տեղեկատվության վերածելու համար:
Օրինակ՝ բիզնես հետախուզության համակարգը կարող է վերլուծել վաճառքի տվյալները՝ բացահայտելու առավել շահավետ ապրանքները, վերահսկելու գույքագրման մակարդակը և հետևելու հաճախորդների նախասիրություններին:
Այն կարող է իրական ժամանակում պատկերացում կազմել հիմնական կատարողական ցուցանիշների (KPI-ների) վերաբերյալ, ինչպիսիք են եկամուտը, հաճախորդների ձեռքբերումը կամ արտադրանքի կատարումը, ինչը թույլ է տալիս ձեռնարկություններին կայացնել տվյալների վրա հիմնված որոշումներ և ձեռնարկել համապատասխան գործողություններ՝ բարելավելու իրենց գործունեությունը:
Բիզնես հետախուզության գործիքները հաճախ ներառում են այնպիսի գործառույթներ, ինչպիսիք են տվյալների վիզուալացումը, ժամանակավոր հարցումները և տվյալների որոնման հնարավորությունները: Այս գործիքները հնարավորություն են տալիս օգտվողներին, ինչպիսիք են բիզնեսի վերլուծաբաններ կամ մենեջերներին՝ տվյալների հետ փոխազդելու, դրանք կտրատելու և կտրատելու համար և ստեղծել զեկույցներ կամ տեսողական ներկայացումներ, որոնք ընդգծում են կարևոր պատկերացումներն ու միտումները:
28. Կանխատեսող վերլուծություն
Կանխատեսող վերլուծությունը տվյալների և վիճակագրական տեխնիկայի օգտագործման պրակտիկա է ապագա իրադարձությունների կամ արդյունքների վերաբերյալ տեղեկացված կանխատեսումներ կամ կանխատեսումներ անելու համար: Այն ներառում է պատմական տվյալների վերլուծություն, օրինաչափությունների բացահայտում և մոդելների կառուցում՝ ապագա միտումները, վարքագիծը կամ երևույթները էքստրապոլյացիայի ենթարկելու և գնահատելու համար:
Այն նպատակ ունի բացահայտել փոխհարաբերությունները փոփոխականների միջև և օգտագործել այդ տեղեկատվությունը կանխատեսումներ անելու համար: Այն դուրս է գալիս պարզապես անցյալի իրադարձությունները նկարագրելուց. փոխարենը, այն օգտագործում է պատմական տվյալներ՝ հասկանալու և կանխատեսելու, թե ինչ կարող է տեղի ունենալ ապագայում:
Օրինակ, ֆինանսների ոլորտում կանխատեսման համար կարող է օգտագործվել կանխատեսող վերլուծություն արգանակ գները՝ հիմնված պատմական շուկայական տվյալների, տնտեսական ցուցանիշների և այլ համապատասխան գործոնների վրա:
Մարքեթինգում այն կարող է օգտագործվել հաճախորդների վարքագիծն ու նախասիրությունները կանխատեսելու համար՝ հնարավորություն տալով նպատակային գովազդ և անհատականացված մարքեթինգային արշավներ:
Առողջապահության ոլորտում կանխատեսող վերլուծությունը կարող է օգնել բացահայտել որոշ հիվանդությունների բարձր ռիսկի ենթարկված հիվանդներին կամ կանխատեսել հետընդունման հավանականությունը՝ հիմնվելով բժշկական պատմության և այլ գործոնների վրա:
29. Նախագծային վերլուծություն
Կանխադրական վերլուծությունը տվյալների և վերլուծությունների կիրառումն է որոշակի իրավիճակում կամ որոշումների կայացման սցենարում հնարավոր լավագույն գործողությունները որոշելու համար:
Այն դուրս է գալիս նկարագրական և կանխատեսելի վերլուծություն ոչ միայն տրամադրելով պատկերացումներ այն մասին, թե ինչ կարող է տեղի ունենալ ապագայում, այլ նաև առաջարկելով գործողության ամենաօպտիմալ ընթացքը ցանկալի արդյունքի հասնելու համար:
Այն համատեղում է պատմական տվյալները, կանխատեսող մոդելները և օպտիմալացման տեխնիկան՝ տարբեր սցենարներ մոդելավորելու և տարբեր որոշումների հնարավոր արդյունքները գնահատելու համար: Այն հաշվի է առնում բազմաթիվ սահմանափակումներ, նպատակներ և գործոններ՝ գործող առաջարկություններ ստեղծելու համար, որոնք առավելագույնի են հասցնում ցանկալի արդյունքները կամ նվազագույնի են հասցնում ռիսկերը:
Օրինակ ՝ մատակարարման շղթա կառավարումը, հանձնարարական վերլուծությունը կարող է վերլուծել տվյալներ գույքագրման մակարդակների, արտադրական հզորությունների, տրանսպորտային ծախսերի և հաճախորդների պահանջարկի վերաբերյալ՝ որոշելու բաշխման ամենաարդյունավետ պլանը:
Այն կարող է առաջարկել ռեսուրսների իդեալական բաշխում, ինչպիսիք են գույքագրման վայրերը կամ փոխադրման ուղիները, ծախսերը նվազագույնի հասցնելու և ժամանակին առաքումն ապահովելու համար:
30. Տվյալների վրա հիմնված մարքեթինգ
Տվյալների վրա հիմնված շուկայավարումը վերաբերում է տվյալների և վերլուծությունների օգտագործման պրակտիկային՝ շուկայավարման ռազմավարությունները, արշավները և որոշումների կայացման գործընթացները խթանելու համար:
Այն ներառում է տվյալների տարբեր աղբյուրների օգտագործում՝ հաճախորդների վարքագծի, նախասիրությունների և միտումների վերաբերյալ պատկերացումներ ձեռք բերելու և այդ տեղեկատվության օգտագործումը շուկայավարման ջանքերը օպտիմալացնելու համար:
Այն կենտրոնանում է բազմաթիվ հպման կետերից տվյալների հավաքագրման և վերլուծության վրա, ինչպիսիք են կայքի փոխազդեցությունները, սոցիալական մեդիայի ներգրավվածությունը, հաճախորդների ժողովրդագրությունը, գնումների պատմությունը և այլն: Այնուհետև այս տվյալները օգտագործվում են թիրախային լսարանի, նրանց նախասիրությունների և կարիքների վերաբերյալ համապարփակ պատկերացում ստեղծելու համար:
Տվյալների օգտագործման միջոցով շուկայավարները կարող են տեղեկացված որոշումներ կայացնել հաճախորդների սեգմենտավորման, թիրախավորման և անհատականացման վերաբերյալ:
Նրանք կարող են բացահայտել հաճախորդների որոշակի հատվածներ, որոնք ավելի հավանական է, որ դրականորեն արձագանքեն մարքեթինգային արշավներին և համապատասխանաբար հարմարեցնեն իրենց հաղորդագրություններն ու առաջարկները:
Բացի այդ, տվյալների վրա հիմնված մարքեթինգը օգնում է օպտիմալացնել մարքեթինգային ուղիները, որոշել ամենաարդյունավետ մարքեթինգային խառնուրդը և չափել շուկայավարման նախաձեռնությունների հաջողությունը:
Օրինակ, տվյալների վրա հիմնված շուկայավարման մոտեցումը կարող է ներառել հաճախորդների տվյալների վերլուծություն՝ գնման վարքագծի և նախապատվությունների ձևերը բացահայտելու համար: Այս պատկերացումների հիման վրա շուկայավարները կարող են ստեղծել նպատակային արշավներ անհատականացված բովանդակությամբ և առաջարկներով, որոնք ռեզոնանսվում են հաճախորդների որոշակի հատվածների հետ:
Շարունակական վերլուծության և օպտիմալացման միջոցով նրանք կարող են չափել իրենց մարքեթինգային ջանքերի արդյունավետությունը և ժամանակի ընթացքում կատարելագործել ռազմավարությունները:
31. Տվյալների կառավարում
Տվյալների կառավարումն այն շրջանակն է և պրակտիկաների մի շարք, որոնք կազմակերպությունները որդեգրում են՝ ապահովելու տվյալների պատշաճ կառավարումը, պաշտպանությունը և ամբողջականությունը իր կյանքի ընթացքում: Այն ներառում է գործընթացները, քաղաքականությունները և ընթացակարգերը, որոնք կարգավորում են, թե ինչպես են տվյալները հավաքվում, պահվում, մուտք են գործում, օգտագործվում և համօգտագործվում կազմակերպության ներսում:
Այն նպատակ ունի հաստատել հաշվետվողականություն, պատասխանատվություն և վերահսկողություն տվյալների ակտիվների նկատմամբ: Այն ապահովում է տվյալների ճշգրիտ, ամբողջական, հետևողական և վստահելի լինելը, ինչը հնարավորություն է տալիս կազմակերպություններին կայացնել տեղեկացված որոշումներ, պահպանել տվյալների որակը և բավարարել կարգավորող պահանջները:
Տվյալների կառավարումը ներառում է տվյալների կառավարման դերերի և պարտականությունների սահմանում, տվյալների ստանդարտների և քաղաքականության սահմանում և համապատասխանության մոնիտորինգի և կիրառման գործընթացների իրականացում: Այն վերաբերում է տվյալների կառավարման տարբեր ասպեկտներին, ներառյալ տվյալների գաղտնիությունը, տվյալների անվտանգությունը, տվյալների որակը, տվյալների դասակարգումը և տվյալների կյանքի ցիկլի կառավարումը:
Օրինակ՝ տվյալների կառավարումը կարող է ներառել ընթացակարգերի իրականացում՝ ապահովելու համար, որ անձնական կամ զգայուն տվյալները մշակվեն գաղտնիության գործող կանոնակարգերի համաձայն, ինչպիսիք են Տվյալների պաշտպանության ընդհանուր կանոնակարգը (GDPR):
Այն կարող է ներառել նաև տվյալների որակի ստանդարտների հաստատում և տվյալների վավերացման գործընթացների իրականացում` ապահովելու, որ տվյալները ճշգրիտ և հուսալի են:
32. Տվյալների անվտանգություն
Տվյալների անվտանգությունը վերաբերում է մեր արժեքավոր տեղեկատվությունը չթույլատրված մուտքից կամ գողությունից պաշտպանելուն: Այն ներառում է միջոցներ ձեռնարկել տվյալների գաղտնիությունը, ամբողջականությունը և հասանելիությունը պաշտպանելու համար:
Ըստ էության, դա նշանակում է ապահովել, որ միայն ճիշտ մարդիկ կարող են մուտք գործել մեր տվյալները, որ դրանք մնան ճշգրիտ և անփոփոխ, և որ դրանք հասանելի լինեն անհրաժեշտության դեպքում:
Տվյալների անվտանգության հասնելու համար օգտագործվում են տարբեր ռազմավարություններ և տեխնոլոգիաներ: Օրինակ՝ մուտքի հսկիչները և գաղտնագրման մեթոդները օգնում են սահմանափակել մուտքը լիազորված անձանց կամ համակարգերին, ինչը դժվարացնում է կողմնակի անձանց մուտքը մեր տվյալներ:
Մոնիտորինգի համակարգերը, firewalls-ը և ներխուժման հայտնաբերման համակարգերը գործում են որպես խնամակալներ՝ զգուշացնելով մեզ կասկածելի գործողությունների մասին և կանխելով չարտոնված մուտքը:
33. Ինտերնետի բաներ
Իրերի ինտերնետը (IoT) վերաբերում է ֆիզիկական օբյեկտների կամ «իրերի» ցանցին, որոնք միացված են ինտերնետին և կարող են շփվել միմյանց հետ: Դա նման է առօրյա առարկաների, սարքերի և մեքենաների մեծ ցանցի, որոնք ի վիճակի են փոխանակել տեղեկատվություն և կատարել առաջադրանքներ՝ շփվելով ինտերնետի միջոցով:
Պարզ ասած, IoT-ն ենթադրում է «խելացի» հնարավորություններ տալ տարբեր օբյեկտներին կամ սարքերին, որոնք ավանդաբար միացված չէին ինտերնետին: Այս օբյեկտները կարող են ներառել կենցաղային տեխնիկա, կրելի սարքեր, թերմոստատներ, մեքենաներ և նույնիսկ արդյունաբերական մեքենաներ:
Միացնելով այս օբյեկտները ինտերնետին, նրանք կարող են հավաքել և կիսվել տվյալներ, ստանալ հրահանգներ և կատարել առաջադրանքներ ինքնուրույն կամ ի պատասխան օգտվողի հրամանների:
Օրինակ՝ խելացի թերմոստատը կարող է վերահսկել ջերմաստիճանը, կարգավորել կարգավորումները և էներգիայի օգտագործման հաշվետվություններ ուղարկել սմարթֆոնի հավելվածին: Հագվող ֆիթնես թրեքերը կարող է տվյալներ հավաքել ձեր ֆիզիկական գործունեության վերաբերյալ և համաժամեցնել դրանք ամպի վրա հիմնված հարթակի հետ՝ վերլուծության համար:
34. Որոշումների ծառ
Որոշումների ծառը տեսողական ներկայացում կամ դիագրամ է, որն օգնում է մեզ որոշումներ կայացնել կամ որոշել գործողությունների ընթացքը՝ հիմնված մի շարք ընտրությունների կամ պայմանների վրա:
Դա նման է հոսքի գծապատկերի, որն առաջնորդում է մեզ որոշումների կայացման գործընթացում՝ դիտարկելով տարբեր տարբերակներ և դրանց հնարավոր արդյունքները:
Պատկերացրեք, որ ունեք խնդիր կամ հարց, և դուք պետք է ընտրություն կատարեք:
Որոշման ծառը որոշումը բաժանում է ավելի փոքր քայլերի, սկսած նախնական հարցից և ճյուղավորվում տարբեր հնարավոր պատասխանների կամ գործողությունների՝ յուրաքանչյուր քայլի պայմանների կամ չափանիշների հիման վրա:
35. Ճանաչողական հաշվարկ
Ճանաչողական հաշվարկը, պարզ բառերով, վերաբերում է համակարգչային համակարգերին կամ տեխնոլոգիաներին, որոնք ընդօրինակում են մարդու ճանաչողական կարողությունները, ինչպիսիք են սովորելը, տրամաբանելը, հասկանալը և խնդիրների լուծումը:
Այն ներառում է համակարգչային համակարգերի ստեղծում, որոնք կարող են տեղեկատվությունը մշակել և մեկնաբանել այնպես, որ նման լինի մարդկային մտածողությանը:
Ճանաչողական հաշվարկը նպատակ ունի զարգացնել մեքենաներ, որոնք կարող են հասկանալ և շփվել մարդկանց հետ ավելի բնական և խելացի ձևով: Այս համակարգերը նախագծված են հսկայական քանակությամբ տվյալների վերլուծության, օրինաչափությունների ճանաչման, կանխատեսումներ անելու և իմաստալից պատկերացումներ ապահովելու համար:
Մտածեք ճանաչողական հաշվարկի մասին որպես փորձ՝ ստիպելու համակարգիչներին մտածել և գործել ավելի շատ մարդկանց նման:
Այն ներառում է այնպիսի տեխնոլոգիաների կիրառում, ինչպիսիք են արհեստական ինտելեկտը, մեքենայական ուսուցումը, բնական լեզվի մշակումը և համակարգչային տեսլականը, որպեսզի համակարգիչները կարողանան կատարել այնպիսի առաջադրանքներ, որոնք ավանդաբար կապված են մարդկային բանականության հետ:
36. Հաշվողական ուսուցման տեսություն
Հաշվողական ուսուցման տեսությունը արհեստական ինտելեկտի ոլորտում մասնագիտացված ճյուղ է, որը պտտվում է տվյալներից սովորելու համար հատուկ ստեղծված ալգորիթմների մշակման և հետազոտման շուրջ:
Այս ոլորտը ուսումնասիրում է ալգորիթմներ կառուցելու տարբեր տեխնիկա և մեթոդոլոգիա, որոնք կարող են ինքնուրույն բարելավել դրանց կատարումը՝ մեծ քանակությամբ տեղեկատվության վերլուծության և մշակման միջոցով:
Օգտագործելով տվյալների հզորությունը՝ Հաշվողական ուսուցման տեսությունը նպատակ ունի բացահայտել օրինաչափություններ, հարաբերություններ և պատկերացումներ, որոնք հնարավորություն են տալիս մեքենաներին բարձրացնել իրենց որոշումներ կայացնելու հնարավորությունները և կատարել առաջադրանքներն ավելի արդյունավետ:
Վերջնական նպատակն է ստեղծել ալգորիթմներ, որոնք կարող են հարմարվել, ընդհանրացնել և ճշգրիտ կանխատեսումներ անել՝ հիմնվելով իրենց ենթարկված տվյալների վրա՝ նպաստելով արհեստական ինտելեկտի առաջխաղացմանը և դրա գործնական կիրառմանը:
37. Թյուրինգի թեստ
Թյուրինգի թեստը, որն ի սկզբանե առաջարկվել է փայլուն մաթեմատիկոս և համակարգչային գիտնական Ալան Թյուրինգի կողմից, գրավիչ հայեցակարգ է, որն օգտագործվում է գնահատելու համար, թե արդյոք մեքենան կարող է դրսևորել խելացի վարք, որը համեմատելի է կամ գործնականում չի տարբերվում մարդուց:
Թյուրինգի թեստում մարդկային գնահատողը բնական լեզվով խոսակցություն է վարում ինչպես մեքենայի, այնպես էլ մեկ այլ մարդու մասնակցի հետ՝ առանց իմանալու, թե որն է մեքենան:
Գնահատողի դերն է պարզել, թե որ կառույցն է մեքենան՝ բացառապես իրենց պատասխանների հիման վրա: Եթե մեքենան ի վիճակի է համոզել գնահատողին, որ դա մարդու նմանակն է, ապա ասում են, որ այն անցել է Թյուրինգի թեստը՝ դրանով իսկ ցույց տալով ինտելեկտի այնպիսի մակարդակ, որը արտացոլում է մարդու նման կարողությունները:
Ալան Թյուրինգն առաջարկեց այս թեստը որպես մեքենայական ինտելեկտի հայեցակարգը ուսումնասիրելու և այն հարցը դնելու համար, թե արդյոք մեքենաները կարող են հասնել մարդու մակարդակի ճանաչողության:
Թեստը սահմանելով մարդու անտարբերելիության տեսանկյունից՝ Թյուրինգը ընդգծեց մեքենաների ներուժը դրսևորելու այնպիսի վարքագիծ, որն այնքան համոզիչ խելացի է, որ դժվար է դառնում դրանք մարդկանցից տարբերելը:
Թյուրինգի թեստը լայնածավալ քննարկումներ և հետազոտություններ է առաջացրել արհեստական ինտելեկտի և ճանաչողական գիտության ոլորտներում: Թեև Թյուրինգի թեստն անցնելը մնում է նշանակալից հանգրվան, այն բանականության միակ չափանիշը չէ:
Այնուամենայնիվ, թեստը ծառայում է որպես մտորումներ առաջացնող չափանիշ՝ խթանելով շարունակական ջանքերը՝ զարգացնելու մեքենաներ, որոնք կարող են ընդօրինակել մարդու ինտելեկտն ու վարքը և նպաստել խելացի լինելն ավելի լայն ուսումնասիրությանը:
38. Ուսուցման ուժեղացում
Ամրապնդման ուսուցում ուսուցման տեսակ է, որը տեղի է ունենում փորձի և սխալի միջոցով, որտեղ «գործակալը» (որը կարող է լինել համակարգչային ծրագիր կամ ռոբոտ) սովորում է կատարել առաջադրանքներ՝ լավ վարքի համար պարգևներ ստանալով և վատ պահվածքի համար բախվելով հետևանքներին կամ պատիժներին:
Պատկերացրեք մի սցենար, որտեղ գործակալը փորձում է կատարել կոնկրետ առաջադրանք, օրինակ՝ նավարկելու լաբիրինթոսում: Սկզբում գործակալը չգիտի, թե որն է ճիշտ ճանապարհը, ուստի փորձում է տարբեր գործողություններ և ուսումնասիրում տարբեր ուղիներ:
Երբ նա ընտրում է լավ գործողություն, որն իրեն ավելի է մոտեցնում նպատակին, նա պարգևատրվում է, ինչպես վիրտուալ «մեջքը թփթփացնելը»: Այնուամենայնիվ, եթե նա սխալ որոշում է կայացնում, որը տանում է դեպի փակուղի կամ հեռացնում է այն նպատակից, նա ստանում է պատիժ կամ բացասական արձագանք:
Փորձերի և սխալների այս գործընթացի միջոցով գործակալը սովորում է որոշակի գործողություններ կապել դրական կամ բացասական արդյունքների հետ: Այն աստիճանաբար որոշում է գործողությունների լավագույն հաջորդականությունը՝ առավելագույնի հասցնելու իր պարգևները և նվազագույնի հասցնել պատիժները՝ ի վերջո դառնալով ավելի հմուտ առաջադրանքի մեջ:
Ամրապնդման ուսուցումը ոգեշնչվում է նրանից, թե ինչպես են մարդիկ և կենդանիները սովորում՝ ստանալով արձագանք շրջակա միջավայրից:
Կիրառելով այս հայեցակարգը մեքենաների վրա՝ հետազոտողները նպատակ ունեն զարգացնել խելացի համակարգեր, որոնք կարող են սովորել և հարմարվել տարբեր իրավիճակներին՝ ինքնավար կերպով բացահայտելով ամենաարդյունավետ վարքագիծը դրական ամրապնդման և բացասական հետևանքների գործընթացի միջոցով:
39. Սուբյեկտի արդյունահանում
Սուբյեկտի արդյունահանումը վերաբերում է գործընթացին, որի ընթացքում մենք հայտնաբերում և արդյունահանում ենք տեղեկատվության կարևոր հատվածները, որոնք հայտնի են որպես սուբյեկտներ, տեքստի բլոկում: Այս սուբյեկտները կարող են լինել տարբեր բաներ, ինչպիսիք են մարդկանց անունները, վայրերի անունները, կազմակերպությունների անունները և այլն:
Եկեք պատկերացնենք, որ դուք ունեք մի պարբերություն, որը նկարագրում է լրատվական հոդվածը:
Կազմակերպության արդյունահանումը կներառի տեքստի վերլուծություն և առանձնահատուկ բիթերի ընտրություն, որոնք ներկայացնում են տարբեր սուբյեկտներ: Օրինակ, եթե տեքստում նշվում է այնպիսի անձի անունը, ինչպիսին է «Ջոն Սմիթը», «Նյու Յորք Սիթի» գտնվելու վայրը կամ «OpenAI» կազմակերպությունը, սրանք կլինեն այն կազմակերպությունները, որոնք մենք նպատակ ունենք բացահայտել և դուրս բերել:
Կատարելով սուբյեկտների արդյունահանում, մենք, ըստ էության, սովորեցնում ենք համակարգչային ծրագրին ճանաչել և առանձնացնել տեքստից կարևոր տարրերը: Այս գործընթացը մեզ հնարավորություն է տալիս ավելի արդյունավետ կերպով կազմակերպել և դասակարգել տեղեկատվությունը՝ հեշտացնելով որոնումը, վերլուծությունը և մեծ ծավալի տեքստային տվյալներից պատկերացումներ ստանալը:
Ընդհանուր առմամբ, կազմակերպությունների արդյունահանումը մեզ օգնում է ավտոմատացնել կարևոր միավորները, ինչպիսիք են մարդիկ, վայրերը և կազմակերպությունները, տեքստի ներսում պարզելու, արժեքավոր տեղեկատվության արդյունահանումը և տեքստային տվյալները մշակելու և հասկանալու մեր կարողությունը:
40. Լեզվաբանական անոտացիա
Լեզվական անոտացիան ներառում է տեքստի հարստացում լրացուցիչ լեզվական տեղեկություններով` բարելավելու օգտագործվող լեզվի մեր ըմբռնումն ու վերլուծությունը: Դա նման է տեքստի տարբեր մասերին օգտակար պիտակներ կամ պիտակներ ավելացնելու:
Երբ մենք կատարում ենք լեզվական անոտացիա, մենք դուրս ենք գալիս տեքստի հիմնական բառերից և նախադասություններից և սկսում պիտակավորել կամ հատկորոշել որոշակի տարրեր: Օրինակ, մենք կարող ենք ավելացնել խոսքի մասի պիտակներ, որոնք ցույց են տալիս յուրաքանչյուր բառի քերականական կատեգորիան (ինչպես գոյական, բայ, ածական և այլն): Սա օգնում է մեզ հասկանալ յուրաքանչյուր բառի դերը նախադասության մեջ:
Լեզվական ծանոթագրության մեկ այլ ձև է անվանման ճանաչումը, որտեղ մենք նույնացնում և պիտակավորում ենք կոնկրետ անվանված կազմավորումները, ինչպիսիք են մարդկանց անունները, վայրերը, կազմակերպությունները կամ ամսաթվերը: Սա մեզ թույլ է տալիս արագ գտնել և տեքստից կարևոր տեղեկություններ հանել:
Այս ձևերով տեքստը ծանոթագրելով՝ մենք ստեղծում ենք լեզվի ավելի կառուցվածքային և կազմակերպված ներկայացում: Սա կարող է չափազանց օգտակար լինել տարբեր ծրագրերում: Օրինակ, այն օգնում է բարելավել որոնման համակարգերի ճշգրտությունը՝ հասկանալով օգտվողների հարցումների նպատակը: Այն նաև օգնում է մեքենայական թարգմանությանը, տրամադրությունների վերլուծությանը, տեղեկատվության արդյունահանմանը և բնական լեզվի մշակման բազմաթիվ այլ առաջադրանքներում:
Լեզվական անոտացիան ծառայում է որպես կենսական գործիք հետազոտողների, լեզվաբանների և մշակողների համար՝ հնարավորություն տալով նրանց ուսումնասիրել լեզվական օրինաչափությունները, կառուցել լեզվական մոդելներ և զարգացնել բարդ ալգորիթմներ, որոնք կարող են ավելի լավ վերլուծել և հասկանալ տեքստը:
41. Հիպերպարամետր
In Machine Learning, հիպերպարամետրը նման է հատուկ պարամետրի կամ կոնֆիգուրացիայի, որը մենք պետք է որոշենք նախքան մոդելը վարժեցնելը: Դա այն չէ, որ մոդելը կարող է ինքնուրույն սովորել տվյալներից. փոխարենը մենք պետք է նախօրոք որոշենք դա:
Մտածեք դա որպես կոճակ կամ անջատիչ, որը մենք կարող ենք հարմարեցնել՝ ճշգրտելու, թե ինչպես է մոդելը սովորում և կանխատեսումներ անում: Այս հիպերպարամետրերը ղեկավարում են ուսուցման գործընթացի տարբեր ասպեկտները, ինչպիսիք են մոդելի բարդությունը, ուսուցման արագությունը և ճշգրտության և ընդհանրացման միջև փոխզիջումը:
Օրինակ՝ դիտարկենք նեյրոնային ցանցը։ Կարևոր հիպերպարամետրը ցանցի շերտերի քանակն է: Մենք պետք է ընտրենք, թե որքան խորն է մենք ցանկանում, որ ցանցը լինի, և այս որոշումը ազդում է տվյալների մեջ բարդ օրինաչափություններ գրավելու նրա ունակության վրա:
Այլ ընդհանուր հիպերպարամետրերը ներառում են ուսուցման արագությունը, որը որոշում է, թե որքան արագ է մոդելը հարմարեցնում իր ներքին պարամետրերը՝ հիմնվելով ուսուցման տվյալների վրա, և կանոնավորացման ուժը, որը վերահսկում է, թե որքանով է մոդելը պատժում բարդ օրինաչափությունները՝ կանխելու գերհամապատասխանությունը:
Այս հիպերպարամետրերի ճիշտ կարգավորումը շատ կարևոր է, քանի որ դրանք կարող են էապես ազդել մոդելի աշխատանքի և վարքագծի վրա: Այն հաճախ ներառում է մի փոքր փորձություն և սխալ՝ փորձարկելով տարբեր արժեքներ և դիտարկելով, թե ինչպես են դրանք ազդում մոդելի կատարողականի վրա վավերացման տվյալների բազայի վրա:
42. Մետատվյալներ
Մետատվյալները վերաբերում են լրացուցիչ տեղեկատվությանը, որը մանրամասներ է տալիս այլ տվյալների մասին: Դա նման է պիտակների կամ պիտակների մի շարքի, որոնք մեզ ավելի շատ ենթատեքստ են տալիս կամ նկարագրում են հիմնական տվյալների բնութագրերը:
Երբ մենք ունենք տվյալներ, լինի դա փաստաթուղթ, լուսանկար, տեսանյութ կամ որևէ այլ տեսակի տեղեկատվություն, մետատվյալներն օգնում են մեզ հասկանալ այդ տվյալների կարևոր կողմերը:
Օրինակ, փաստաթղթում մետատվյալները կարող են ներառել այնպիսի մանրամասներ, ինչպիսիք են հեղինակի անունը, ստեղծման ամսաթիվը կամ ֆայլի ձևաչափը: Լուսանկարի դեպքում մետատվյալները կարող են մեզ հայտնել այն վայրը, որտեղ այն արվել է, օգտագործված տեսախցիկի կարգավորումները կամ նույնիսկ լուսանկարման ամսաթիվն ու ժամը:
Մետատվյալներն օգնում են մեզ ավելի արդյունավետ կազմակերպել, որոնել և մեկնաբանել տվյալները: Այս նկարագրական տեղեկատվության ավելացմամբ մենք կարող ենք արագ գտնել կոնկրետ ֆայլեր կամ հասկանալ դրանց ծագումը, նպատակը կամ համատեքստը՝ առանց ամբողջ բովանդակությունը փորփրելու:
43. Չափերի կրճատում
Չափականության կրճատումը տեխնիկա է, որն օգտագործվում է տվյալների բազան պարզեցնելու համար՝ նվազեցնելով դրա պարունակած հատկանիշների կամ փոփոխականների քանակը: Դա նման է տվյալների շտեմարանի տեղեկատվությունը խտացնելուն կամ ամփոփելուն, որպեսզի այն ավելի կառավարելի և հեշտ լինի աշխատել:
Պատկերացրեք, որ դուք ունեք տվյալների շտեմարան բազմաթիվ սյունակներով կամ ատրիբուտներով, որոնք ներկայացնում են տվյալների կետերի տարբեր բնութագրերը: Յուրաքանչյուր սյունակ ավելացնում է մեքենայական ուսուցման ալգորիթմների բարդությունը և հաշվարկային պահանջները:
Որոշ դեպքերում չափսերի մեծ քանակ ունենալը կարող է դժվարացնել տվյալների մեջ իմաստալից օրինաչափություններ կամ հարաբերություններ գտնելը:
Չափականության կրճատումն օգնում է լուծել այս խնդիրը՝ տվյալների շտեմարանը վերածելով ավելի ցածր չափերի ներկայացման՝ պահպանելով հնարավորինս շատ համապատասխան տեղեկատվություն: Այն նպատակ ունի գրավել տվյալների ամենակարևոր ասպեկտները կամ տատանումները՝ միաժամանակ հրաժարվելով ավելորդ կամ պակաս տեղեկատվական չափերից:
44. Տեքստի դասակարգում
Տեքստի դասակարգումը գործընթաց է, որը ներառում է տեքստի բլոկներին հատուկ պիտակներ կամ կատեգորիաներ հատկացնել՝ ելնելով դրանց բովանդակությունից կամ իմաստից: Դա նման է տեքստային տեղեկատվության տեսակավորմանը կամ կազմակերպմանը տարբեր խմբերի կամ դասերի՝ հետագա վերլուծությունը կամ որոշումների կայացումը հեշտացնելու համար:
Դիտարկենք էլփոստի դասակարգման օրինակ: Այս սցենարում մենք ցանկանում ենք որոշել՝ մուտքային նամակը սպամ է, թե ոչ (հայտնի է նաև որպես խոզապուխտ): Տեքստի դասակարգում ալգորիթմները վերլուծում են էլփոստի բովանդակությունը և դրան համապատասխան պիտակ հատկացնում:
Եթե ալգորիթմը որոշում է, որ էլ. փոստը ցուցադրում է սպամի հետ սովորաբար կապված հատկանիշներ, այն նշանակում է «սպամ» պիտակը: Ընդհակառակը, եթե էլփոստը օրինական է և ոչ սպամ, այն նշանակում է «ոչ սպամ» կամ «խոզապուխտ» պիտակը:
Տեքստի դասակարգումը գտնում է հավելվածներ տարբեր տիրույթներում՝ էլփոստի զտումից դուրս: Այն օգտագործվում է տրամադրությունների վերլուծության մեջ՝ որոշելու հաճախորդների ակնարկներում արտահայտված տրամադրությունները (դրական, բացասական կամ չեզոք):
Լրատվական հոդվածները կարող են դասակարգվել տարբեր թեմաների կամ կատեգորիաների, ինչպիսիք են սպորտը, քաղաքականությունը, ժամանցը և այլն: Հաճախորդների աջակցության զրույցի տեղեկամատյանները կարող են դասակարգվել՝ հիմնվելով քննարկվող մտադրության կամ խնդրի վրա:
45. Թույլ AI
Թույլ AI, որը նաև հայտնի է որպես նեղ AI, վերաբերում է արհեստական ինտելեկտի համակարգերին, որոնք նախագծված և ծրագրավորված են որոշակի առաջադրանքներ կամ գործառույթներ կատարելու համար: Ի տարբերություն մարդկային բանականության, որն ընդգրկում է ճանաչողական կարողությունների լայն շրջանակ, թույլ AI-ն սահմանափակվում է որոշակի տիրույթով կամ առաջադրանքով:
Մտածեք թույլ AI-ի մասին՝ որպես մասնագիտացված ծրագրաշարի կամ մեքենաների, որոնք գերազանցում են որոշակի աշխատանքներ կատարելիս: Օրինակ, շախմատային AI ծրագիր կարող է ստեղծվել՝ խաղի իրավիճակները վերլուծելու, քայլերը ռազմավարություն մշակելու և մարդկանց խաղացողների դեմ մրցելու համար:
Մեկ այլ օրինակ է պատկերների ճանաչման համակարգ, որը կարող է բացահայտել օբյեկտները լուսանկարներում կամ տեսանյութերում:
Այս AI համակարգերը վերապատրաստված և օպտիմիզացված են, որպեսզի գերազանցեն իրենց հատուկ ոլորտներում: Նրանք հիմնվում են ալգորիթմների, տվյալների և նախապես սահմանված կանոնների վրա՝ իրենց առաջադրանքները արդյունավետորեն կատարելու համար:
Այնուամենայնիվ, նրանք չունեն ընդհանուր բանականություն, որը թույլ է տալիս հասկանալ կամ կատարել առաջադրանքներ իրենց նշանակված տիրույթից դուրս:
46. Ուժեղ AI
Ուժեղ AI-ն, որը նաև հայտնի է որպես ընդհանուր AI կամ արհեստական ընդհանուր ինտելեկտ (AGI), վերաբերում է արհեստական ինտելեկտի ձևին, որն օժտված է հասկանալու, սովորելու և իրականացնելու ցանկացած ինտելեկտուալ առաջադրանք, որը կարող է մարդը:
Ի տարբերություն թույլ AI-ի, որը նախատեսված է հատուկ առաջադրանքների համար, ուժեղ AI-ն նպատակ ունի կրկնօրինակել մարդու նման բանականությունը և ճանաչողական ունակությունները: Այն ձգտում է ստեղծել մեքենաներ կամ ծրագրեր, որոնք ոչ միայն գերազանցում են մասնագիտացված առաջադրանքները, այլև ունեն ավելի լայն հասկացողություն և հարմարվողականություն՝ լուծելու ինտելեկտուալ մարտահրավերների լայն շրջանակ:
Ուժեղ AI-ի նպատակն է զարգացնել այնպիսի համակարգեր, որոնք կարող են տրամաբանել, հասկանալ բարդ տեղեկատվությունը, սովորել փորձից, ներգրավվել բնական լեզվով խոսակցությունների մեջ, ցուցադրել կրեատիվություն և ցուցադրել մարդկային բանականության հետ կապված այլ հատկություններ:
Ըստ էության, այն ձգտում է ստեղծել AI համակարգեր, որոնք կարող են նմանակել կամ կրկնօրինակել մարդկային մակարդակի մտածողությունը և խնդիրների լուծումը բազմաթիվ տիրույթներում:
47. Forward Chaining
Forward chaining-ը տրամաբանության կամ տրամաբանության մեթոդ է, որը սկսվում է առկա տվյալներից և օգտագործում է դրանք եզրակացություններ անելու և նոր եզրակացություններ անելու համար: Դա նման է կետերը միացնելուն՝ օգտագործելով ձեռքի տակ եղած տեղեկատվությունը՝ առաջ շարժվելու և լրացուցիչ պատկերացումների հասնելու համար:
Պատկերացրեք, որ դուք ունեք մի շարք կանոններ կամ փաստեր, և ցանկանում եք նոր տեղեկություններ ստանալ կամ դրանց հիման վրա կոնկրետ եզրակացությունների գալ: Forward chaining-ը գործում է՝ ուսումնասիրելով նախնական տվյալները և կիրառելով տրամաբանական կանոններ՝ լրացուցիչ փաստեր կամ եզրակացություններ առաջացնելու համար:
Պարզեցնելու համար եկեք դիտարկենք եղանակային պայմաններից ելնելով ինչ հագնել որոշելու պարզ սցենար: Դուք ունեք մի կանոն, որն ասում է. «Եթե անձրև է գալիս, բերեք հովանոց», և մեկ այլ կանոն, որն ասում է՝ «Եթե ցուրտ է, հագեք բաճկոն»: Այժմ, եթե նկատում եք, որ իսկապես անձրև է գալիս, կարող եք օգտագործել առաջ շղթայով ենթադրել, որ դուք պետք է հովանոց բերեք:
48. Հետամնաց շղթաներ
Հետամնաց շղթայականացումը հիմնավորման մեթոդ է, որը սկսվում է ցանկալի եզրակացությունից կամ նպատակից և աշխատում է հետընթաց՝ որոշելու համար անհրաժեշտ տվյալներ կամ փաստեր, որոնք անհրաժեշտ են այդ եզրակացությունը հաստատելու համար: Դա նման է ձեր քայլերի հետքերին՝ ցանկալի արդյունքից մինչև դրան հասնելու համար անհրաժեշտ նախնական տեղեկատվությունը:
Հետադարձ կապը հասկանալու համար եկեք դիտարկենք մի պարզ օրինակ: Ենթադրենք, դուք ցանկանում եք որոշել, թե արդյոք դա հարմար է լողալու գնալու համար: Ցանկալի եզրակացությունն այն է, թե արդյոք լողը տեղին է, թե ոչ՝ որոշակի պայմաններից ելնելով:
Պայմաններից սկսելու փոխարեն, հետընթաց շղթայականացումը սկսվում է եզրակացությունից և աշխատում է հետընթաց՝ աջակցող տվյալները գտնելու համար:
Այս դեպքում, հետամնաց շղթայելը կներառի այնպիսի հարցեր, ինչպիսիք են «եղանակը տաք է»: Եթե պատասխանը այո է, ապա դուք կհարցնեիք. «Արդյո՞ք կա լողավազան»: Եթե պատասխանը կրկին այո է, դուք կտաք լրացուցիչ հարցեր, ինչպիսիք են՝ «Բավարար ժամանակ կա՞ լողալու համար»:
Այս հարցերին անընդմեջ պատասխանելով և հետ աշխատելով, դուք կարող եք որոշել անհրաժեշտ պայմանները, որոնք պետք է բավարարվեն՝ լողալու գնալու եզրակացության համար:
49. Էվրիստիկ
Էվրիստիկը, պարզ ասած, գործնական կանոն կամ ռազմավարություն է, որն օգնում է մեզ որոշումներ կայացնել կամ լուծել խնդիրներ, սովորաբար հիմնված մեր անցյալի փորձի կամ ինտուիցիայի վրա: Դա նման է մտավոր դյուրանցման, որը մեզ թույլ է տալիս արագ խելամիտ լուծում գտնել՝ առանց երկարատև կամ սպառիչ գործընթացի միջով անցնելու:
Երբ բախվում ենք բարդ իրավիճակների կամ առաջադրանքների, էվրիստիկաները ծառայում են որպես առաջնորդող սկզբունքներ կամ «առաջնորդական կանոններ», որոնք հեշտացնում են որոշումների կայացումը: Նրանք մեզ տրամադրում են ընդհանուր ուղեցույցներ կամ ռազմավարություններ, որոնք հաճախ արդյունավետ են որոշակի իրավիճակներում, թեև դրանք չեն կարող երաշխավորել օպտիմալ լուծումը:
Օրինակ, եկեք դիտարկենք մարդաշատ վայրում կայանման վայր գտնելու էվրիստիկա: Յուրաքանչյուր հասանելի կետ մանրակրկիտ վերլուծելու փոխարեն, դուք կարող եք ապավինել կայանված մեքենաների որոնման էվրիստիկայի վրա, որոնց շարժիչները միացված են:
Այս էվրիստիկա ենթադրում է, որ այս մեքենաները պատրաստվում են հեռանալ՝ մեծացնելով մատչելի տեղ գտնելու հնարավորությունները:
50. Բնական լեզվի մոդելավորում
Բնական լեզվի մոդելավորումը, պարզ բառերով, համակարգչային մոդելների ուսուցման գործընթաց է՝ հասկանալու և ստեղծելու մարդկային լեզուն այնպես, որ նման լինի մարդկանց հաղորդակցմանը: Այն ներառում է համակարգիչներին սովորեցնել՝ մշակել, մեկնաբանել և ստեղծել տեքստ բնական և իմաստալից ձևով:
Բնական լեզվի մոդելավորման նպատակն է համակարգիչներին հնարավորություն տալ հասկանալ և առաջացնել մարդկային լեզուն այնպես, որ լինի սահուն, համահունչ և համատեքստում համապատասխան:
Այն ներառում է ուսուցման մոդելներ հսկայական քանակությամբ տեքստային տվյալների, ինչպիսիք են գրքերը, հոդվածները կամ խոսակցությունները, լեզվի օրինաչափությունները, կառուցվածքները և իմաստաբանությունը սովորելու համար:
Ուսուցանվելուց հետո այս մոդելները կարող են կատարել լեզվի հետ կապված տարբեր առաջադրանքներ, ինչպիսիք են լեզվի թարգմանությունը, տեքստի ամփոփումը, հարցերի պատասխանը, չաթ-բոտի փոխազդեցությունը և այլն:
Նրանք կարող են հասկանալ նախադասությունների իմաստը և ենթատեքստը, քաղել համապատասխան տեղեկատվություն և ստեղծել քերականորեն ճիշտ և համահունչ տեքստ:
Թողնել գրառում