AI සෑම තැනකම ඇත, නමුත් සමහර විට පාරිභාෂිතය සහ ප්රභාෂාව තේරුම් ගැනීම අභියෝගාත්මක විය හැකිය. මෙම බ්ලොග් සටහනෙහි, අපි 50 AI නියමයන් සහ නිර්වචන පැහැදිලි කරන අතර එමඟින් ඔබට මෙම වේගයෙන් වර්ධනය වන තාක්ෂණය පිළිබඳ වඩාත් අවබෝධයක් ලබා ගත හැකිය.
ඔබ ආධුනිකයෙකු හෝ විශේෂඥයෙකු වුවද, ඔබ නොදන්නා නියමයන් කිහිපයක් මෙහි ඇති බව අපි ඔට්ටු අල්ලමු!
1. කෘතිම බුද්ධිය
කෘතිම බුද්ධිය (AI) යන්නෙන් අදහස් කරන්නේ බොහෝ විට මානව බුද්ධිය අනුකරණය කිරීමෙන් ස්වාධීනව ඉගෙනීමට සහ ක්රියා කිරීමට හැකියාව ඇති පරිගණක පද්ධති සංවර්ධනය කිරීමයි.
මෙම පද්ධති දත්ත විශ්ලේෂණය කිරීම, රටා හඳුනා ගැනීම, තීරණ ගැනීම සහ අත්දැකීම් මත පදනම්ව ඔවුන්ගේ හැසිරීම අනුවර්තනය කිරීම. ඇල්ගොරිතම සහ ආකෘති භාවිතා කිරීමෙන්, AI හි අරමුණ වන්නේ ඔවුන්ගේ වටපිටාව වටහා ගැනීමට සහ අවබෝධ කර ගැනීමට හැකියාව ඇති බුද්ධිමත් යන්ත්ර නිර්මාණය කිරීමයි.
අවසාන ඉලක්කය වන්නේ යන්ත්රවලට කාර්යක්ෂමව කාර්යයන් ඉටු කිරීමට, දත්ත වලින් ඉගෙන ගැනීමට සහ මිනිසුන්ට සමාන සංජානන හැකියාවන් ප්රදර්ශනය කිරීමට හැකියාව ලබා දීමයි.
2. ඇල්ගොරිතම
ඇල්ගොරිතමයක් යනු ගැටලුවක් විසඳීමේ හෝ නිශ්චිත කාර්යයක් ඉටු කිරීමේ ක්රියාවලියට මඟ පෙන්වන නිශ්චිත සහ ක්රමානුකූල උපදෙස් හෝ රීති සමූහයකි.
එය විවිධ වසම්වල මූලික සංකල්පයක් ලෙස සේවය කරන අතර පරිගණක විද්යාව, ගණිතය සහ ගැටළු විසඳීමේ විෂයයන් තුළ ප්රධාන භූමිකාවක් ඉටු කරයි. කාර්යක්ෂම සහ ව්යුහගත ගැටළු විසඳීමේ ප්රවේශයන්, තාක්ෂණයේ දියුණුව සහ තීරණ ගැනීමේ ක්රියාවලීන් සක්රීය කරන බැවින් ඇල්ගොරිතම අවබෝධ කර ගැනීම ඉතා වැදගත් වේ.
3. විශාල දත්ත
විශාල දත්ත යනු සාම්ප්රදායික විශ්ලේෂණ ක්රමවල හැකියාවන් ඉක්මවන අතිශය විශාල සහ සංකීර්ණ දත්ත සමුදායන් ය. මෙම දත්ත කට්ටල සාමාන්යයෙන් ඒවායේ පරිමාව, ප්රවේගය සහ විවිධත්වය මගින් සංලක්ෂිත වේ.
වැනි විවිධ මූලාශ්රවලින් ජනනය වන අති විශාල දත්ත ප්රමාණයට Volume යන්නෙන් අදහස් වේ සමාජ මාධ්ය, සංවේදක සහ ගනුදෙනු.
ප්රවේගය යනු දත්ත උත්පාදනය වන අධික වේගය වන අතර තත්ය කාලීන හෝ ආසන්න තත්ය කාලීනව සැකසීමට අවශ්ය වේ. විවිධත්වය යනු ව්යුහගත, ව්යුහගත නොවන සහ අර්ධ ව්යුහගත දත්ත ඇතුළුව දත්තවල විවිධ වර්ග සහ ආකෘති ය.
4. දත්ත කැණීම
දත්ත කැණීම යනු විශාල දත්ත කට්ටලවලින් වටිනා තීක්ෂ්ණ බුද්ධිය උකහා ගැනීම අරමුණු කරගත් පුළුල් ක්රියාවලියකි.
එය ප්රධාන අදියර හතරකින් සමන්විත වේ: දත්ත රැස් කිරීම, අදාළ දත්ත රැස් කිරීම සම්බන්ධ කිරීම; දත්ත සැකසීම, දත්තවල ගුණාත්මකභාවය සහ අනුකූලතාව සහතික කිරීම; දත්ත කැණීම, රටා සහ සබඳතා සොයා ගැනීමට ඇල්ගොරිතම භාවිතා කිරීම; සහ දත්ත විශ්ලේෂණය සහ අර්ථ නිරූපණය, උපුටා ගත් දැනුම පරීක්ෂා කර අවබෝධ කර ගැනීම.
5. ස්නායුක ජාලය
පරිගණක පද්ධතියක් නිර්මාණය කර ඇත්තේ එවැනි ක්රියා කිරීමටය මිනිස් මොළය, අන්තර් සම්බන්ධිත නෝඩ් හෝ නියුරෝන වලින් සමන්විත වේ. බොහෝ AI පදනම් වී ඇති බැවින් මෙය තව ටිකක් තේරුම් ගනිමු ස්නායු ජාල.
ඉහත ග්රැෆික්ස් වල, අපි අතීත රටාවෙන් ඉගෙන ගනිමින් භූගෝලීය ස්ථානයක ආර්ද්රතාවය සහ උෂ්ණත්වය පුරෝකථනය කරමු. ආදාන යනු අතීත වාර්තාව සඳහා වන දත්ත කට්ටලයයි.
එම ස්නායු ජාලය ඉගෙන ගනී බර සමඟ සෙල්ලම් කිරීමෙන් සහ සැඟවුණු ස්ථරවල පක්ෂග්රාහී අගයන් යෙදීමෙන් රටාව. W1, W2….W7 යනු අදාළ බරයි. එය සපයා ඇති දත්ත කට්ටලය මත පුහුණු වන අතර අනාවැකියක් ලෙස ප්රතිදානය ලබා දෙයි.
මෙම සංකීර්ණ තොරතුරුවලින් ඔබ යටපත් විය හැකිය. මෙය එසේ නම්, ඔබට අපගේ සරල මාර්ගෝපදේශය සමඟ ආරම්භ කළ හැකිය මෙහි.
6. යන්ත්ර ඉගෙනීම
යන්ත්ර ඉගෙනීම අවධානය යොමු කරන්නේ දත්ත වලින් ස්වයංක්රීයව ඉගෙන ගැනීමට සහ කාලයත් සමඟ ඒවායේ ක්රියාකාරිත්වය වැඩි දියුණු කිරීමට හැකියාව ඇති ඇල්ගොරිතම සහ ආකෘති සංවර්ධනය කිරීම කෙරෙහි ය.
පරිගණකවලට රටා හඳුනා ගැනීමට, අනාවැකි කිරීමට සහ පැහැදිලිව ක්රමලේඛනයකින් තොරව දත්ත මත පදනම් වූ තීරණ ගැනීමට හැකිවන පරිදි සංඛ්යාන ශිල්පීය ක්රම භාවිතා කිරීම එයට ඇතුළත් වේ.
යන්ත්ර ඉගෙනීමේ ඇල්ගොරිතම විශාල දත්ත කට්ටල විශ්ලේෂණය කිරීම සහ ඉගෙනීම, පද්ධතිවලට ඔවුන් සකසන තොරතුරු මත පදනම්ව ඔවුන්ගේ හැසිරීම අනුවර්තනය වීමට සහ වැඩිදියුණු කිරීමට ඉඩ සලසයි.
7. ගැඹුරු ඉගෙනීම
ගැඹුරු ඉගෙනුම, යන්ත්ර ඉගෙනීමේ සහ ස්නායුක ජාලවල උප ක්ෂේත්රයක්, මිනිස් මොළයේ සංකීර්ණ ක්රියාවලීන් අනුකරණය කිරීමෙන් දත්ත වලින් දැනුම ලබා ගැනීම සඳහා නවීන ඇල්ගොරිතම භාවිතා කරයි.
බොහෝ සැඟවුණු ස්තර සහිත ස්නායුක ජාල භාවිතා කිරීමෙන්, ගැඹුරු ඉගෙනුම් ආකෘති ස්වයංක්රීයව සංකීර්ණ විශේෂාංග සහ රටා උකහා ගත හැකි අතර, සංකීර්ණ කාර්යයන් සුවිශේෂී නිරවද්යතාවයකින් සහ කාර්යක්ෂමතාවයකින් යුතුව විසඳා ගැනීමට ඔවුන්ට හැකි වේ.
8. රටා හඳුනාගැනීම
දත්ත විශ්ලේෂණ තාක්ෂණයක් වන රටා හඳුනාගැනීම, දත්ත කට්ටල තුළ රටා සහ විධිමත්භාවයන් ස්වයංක්රීයව හඳුනා ගැනීමට සහ හඳුනා ගැනීමට යන්ත්ර ඉගෙනීමේ ඇල්ගොරිතමවල බලය උපයෝගී කර ගනී.
ගණනය කිරීමේ ආකෘති සහ සංඛ්යානමය ක්රම උපයෝගී කර ගැනීමෙන්, රටා හඳුනාගැනීමේ ඇල්ගොරිතම මගින් සංකීර්ණ සහ විවිධ දත්තවල අර්ථවත් ව්යුහයන්, සහසම්බන්ධතා සහ ප්රවණතා හඳුනා ගත හැක.
මෙම ක්රියාවලිය මගින් වටිනා තීක්ෂ්ණ බුද්ධිය උකහා ගැනීම, දත්ත වෙනස් කාණ්ඩවලට වර්ග කිරීම සහ පිළිගත් රටා මත පදනම්ව අනාගත ප්රතිඵල පුරෝකථනය කිරීම සක්රීය කරයි. රටා හඳුනා ගැනීම විවිධ වසම් හරහා අත්යවශ්ය මෙවලමකි, තීරණ ගැනීම බල ගැන්වීම, විෂමතා හඳුනා ගැනීම සහ අනාවැකි ආකෘති නිර්මාණය කිරීම.
ජෛවමිතික මෙයට එක් උදාහරණයකි. නිදසුනක් ලෙස, ඇඟිලි සලකුණු හඳුනාගැනීමේදී, ඇල්ගොරිතම මඟින් පුද්ගලයාගේ ඇඟිලි සලකුණෙහි කඳු වැටි, වක්ර සහ අද්විතීය ලක්ෂණ විශ්ලේෂණය කර අච්චුවක් ලෙස හඳුන්වන සංඛ්යාංක නිරූපණයක් නිර්මාණය කරයි.
ඔබ ඔබේ ස්මාර්ට් ජංගම දුරකථනය අගුළු ඇරීමට හෝ ආරක්ෂිත පහසුකමකට ප්රවේශ වීමට උත්සාහ කරන විට, රටා හඳුනාගැනීමේ පද්ධතිය එහි දත්ත ගබඩාවේ ගබඩා කර ඇති සැකිලි සමඟ ග්රහණය කරගත් ජෛවමිතික දත්ත (උදා, ඇඟිලි සලකුණු) සංසන්දනය කරයි.
රටා ගැලපීම සහ සමානතා මට්ටම තක්සේරු කිරීම මගින්, සපයා ඇති ජෛවමිතික දත්ත ගබඩා කර ඇති අච්චුව හා ගැළපෙනවාද යන්න තීරණය කිරීමට සහ ඒ අනුව ප්රවේශය ලබා දීමට පද්ධතියට හැකිය.
9. අධීක්ෂණය කළ ඉගෙනීම
අධීක්ෂණ ඉගෙනීම යනු ලේබල් කළ දත්ත භාවිතයෙන් පරිගණක පද්ධතියක් පුහුණු කිරීම ඇතුළත් යන්ත්ර ඉගෙනීමේ ප්රවේශයකි. මෙම ක්රමයේදී, පරිගණකයට අදාළ දන්නා ලේබල් හෝ ප්රතිඵල සමඟින් ආදාන දත්ත කට්ටලයක් සපයා ඇත.
අපි හිතමු ඔබ ළඟ පින්තූර පොකුරක් තියෙනවා, සමහර ඒවා බල්ලන් එක්ක සහ සමහරක් බළලුන් එක්ක.
ඔබ පරිගණකයට පවසන්නේ කුමන පින්තූරවල බල්ලන් සිටිනවාද සහ බළලුන් සිටින්නේ කුමන පින්තූරවලද යන්නයි. එවිට පරිගණකය පින්තූරවල රටා සොයා බල්ලන් සහ බළලුන් අතර වෙනස්කම් හඳුනා ගැනීමට ඉගෙන ගනී.
එය ඉගෙන ගත් පසු, ඔබට පරිගණකයට නව පින්තූර ලබා දිය හැකි අතර, එය ලේබල් කළ උදාහරණ වලින් ඉගෙන ගත් දේ මත පදනම්ව ඔවුන් බල්ලන් හෝ බළලුන් සිටීදැයි සොයා බැලීමට උත්සාහ කරනු ඇත. එය හරියට දන්නා තොරතුරු භාවිතයෙන් අනාවැකි කීමට පරිගණකයක් පුහුණු කිරීම වැනිය.
10. අධීක්ෂණය නොකළ ඉගෙනීම
අධීක්ෂණය නොකළ ඉගෙනීම යනු කිසියම් නිශ්චිත උපදෙස් නොමැතිව රටා හෝ සමානකම් සෙවීමට පරිගණකය විසින්ම දත්ත කට්ටලයක් ගවේෂණය කරන යන්ත්ර ඉගෙනුම් වර්ගයකි.
එය අධීක්ෂණය කරන ලද ඉගෙනීම වැනි ලේබල් කළ උදාහරණ මත රඳා නොපවතී. ඒ වෙනුවට, එය දත්තවල සැඟවුණු ව්යුහයන් හෝ කණ්ඩායම් සොයයි. එය හරියට ගුරුවරයෙකු විසින් සෙවිය යුතු දේ නොකියා පරිගණකය විසින්ම දේවල් සොයා ගැනීමක් වැනිය.
මෙම ආකාරයේ ඉගෙනීම අපට පූර්ව දැනුමක් හෝ පැහැදිලි මඟ පෙන්වීමක් අවශ්ය නොවී නව තීක්ෂ්ණ බුද්ධිය සොයා ගැනීමට, දත්ත සංවිධානය කිරීමට හෝ අසාමාන්ය දේවල් හඳුනා ගැනීමට උපකාරී වේ.
11. ස්වාභාවික භාෂා සැකසීම (එන්එල්පී)
ස්වාභාවික භාෂා සැකසුම් පරිගණකය මිනිස් භාෂාව තේරුම් ගන්නා ආකාරය සහ අන්තර්ක්රියා කරන ආකාරය කෙරෙහි අවධානය යොමු කරයි. එය අපට වඩාත් ස්වාභාවික ලෙස හැඟෙන ආකාරයෙන් මිනිස් භාෂාව විශ්ලේෂණය කිරීමට, අර්ථකථනය කිරීමට සහ ප්රතිචාර දැක්වීමට පරිගණකවලට උපකාර කරයි.
NLP යනු අපට හඬ සහායකයින් සහ චැට්බෝට් සමඟ සන්නිවේදනය කිරීමට සහ අපගේ විද්යුත් තැපැල් ස්වයංක්රීයව ෆෝල්ඩරවලට වර්ග කිරීමට පවා හැකි කරයි.
වචන, වාක්ය සහ සම්පූර්ණ පාඨවල පවා පිටුපස ඇති අරුත තේරුම් ගැනීමට පරිගණකවලට ඉගැන්වීම එයට ඇතුළත් වේ, එබැවින් ඔවුන්ට විවිධ කාර්යයන් සඳහා අපට සහාය වීමට සහ තාක්ෂණය සමඟ අපගේ අන්තර්ක්රියා වඩාත් බාධාවකින් තොරව සිදු කළ හැකිය.
12. පරිගණක දැක්ම
පරිගණක දැක්ම මිනිසුන් අපගේ ඇසින් කරන ආකාරයටම පරිගණකවලට රූප සහ වීඩියෝ බැලීමට සහ තේරුම් ගැනීමට ඉඩ සලසන සිත් ඇදගන්නාසුළු තාක්ෂණයකි. දෘශ්ය තොරතුරු විශ්ලේෂණය කිරීමට සහ ඔවුන් දකින දේ තේරුම් ගැනීමට පරිගණකවලට ඉගැන්වීමයි.
සරලව කිවහොත්, පරිගණක දර්ශනය පරිගණකවලට දෘශ්ය ලෝකය හඳුනා ගැනීමට සහ අර්ථ නිරූපණය කිරීමට උපකාරී වේ. රූපවල නිශ්චිත වස්තු හඳුනා ගැනීමට, රූප විවිධ කාණ්ඩවලට වර්ග කිරීමට, හෝ රූප අර්ථවත් කොටස්වලට බෙදීමට ඉගැන්වීම වැනි කාර්යයන් එයට ඇතුළත් වේ.
පාර සහ ඒ අවට ඇති සියල්ල "දකින්න" පරිගණක දර්ශනය භාවිතා කරන ස්වයං-රියදුරු මෝටර් රථයක් සිතන්න.
එයට පදිකයන්, මාර්ග සංඥා සහ වෙනත් වාහන හඳුනා ගැනීමට සහ ලුහුබැඳීමට හැකි අතර, ඔවුන්ට ආරක්ෂිතව සැරිසැරීමට උපකාරී වේ. එසේත් නැතිනම් මුහුණු හඳුනාගැනීමේ තාක්ෂණය අපගේ ස්මාර්ට්ෆෝන් අගුළු හැරීමට හෝ අපගේ අනන්ය මුහුණේ ලක්ෂණ හඳුනාගෙන අපගේ අනන්යතාවය තහවුරු කිරීමට පරිගණක දර්ශනය භාවිතා කරන ආකාරය ගැන සිතන්න.
එය ජනාකීර්ණ ස්ථාන නිරීක්ෂණය කිරීමට සහ කිසියම් සැක කටයුතු ක්රියාකාරකම් හඳුනා ගැනීමට නිරීක්ෂණ පද්ධතිවල ද භාවිතා වේ.
පරිගණක දැක්ම යනු හැකියාවන්ගෙන් යුත් ලෝකයක් විවෘත කරන බලවත් තාක්ෂණයකි. දෘශ්ය තොරතුරු බැලීමට සහ තේරුම් ගැනීමට පරිගණකවලට හැකියාව ලබා දීමෙන්, අප අවට ලෝකය වටහා ගැනීමට සහ අර්ථකථනය කිරීමට හැකි යෙදුම් සහ පද්ධති සංවර්ධනය කළ හැකි අතර, අපගේ ජීවිතය පහසු, ආරක්ෂිත සහ වඩාත් කාර්යක්ෂම කරයි.
13. චැට්බෝට්
චැට්බෝට් යනු සැබෑ මිනිස් සංවාදයක් ලෙස පෙනෙන ආකාරයට මිනිසුන් සමඟ කතා කළ හැකි පරිගණක වැඩසටහනක් වැනිය.
එය ඇත්තටම පරිගණකයක ක්රියාත්මක වන වැඩසටහනක් වුවද, ගනුදෙනුකරුවන්ට උපකාර කිරීමට සහ ඔවුන් පුද්ගලයෙකු සමඟ කතා කරන බවක් හැඟවීමට සබැඳි පාරිභෝගික සේවාවේ බොහෝ විට භාවිතා වේ.
චැට්බොට් හට පාරිභෝගිකයින්ගේ පණිවිඩ හෝ ප්රශ්න තේරුම් ගැනීමට සහ ඒවාට ප්රතිචාර දැක්වීමට හැකිය, මානව පාරිභෝගික සේවා නියෝජිතයෙකු මෙන් ප්රයෝජනවත් තොරතුරු සහ සහාය ලබා දීම.
14. හඬ හඳුනාගැනීම
Voice recognition යන්නෙන් අදහස් කරන්නේ පරිගණක පද්ධතියකට මිනිස් කථනය තේරුම් ගැනීමට සහ අර්ථකථනය කිරීමට ඇති හැකියාවයි. පරිගණකයකට හෝ උපාංගයකට කථා කරන වචනවලට “සවන් දීමට” සහ එය තේරුම් ගත හැකි පෙළ හෝ විධාන බවට පරිවර්තනය කිරීමට හැකි තාක්ෂණය එයට ඇතුළත් වේ.
සමඟ හඬ හඳුනාගැනීම, ඔබට ටයිප් කිරීම හෝ වෙනත් ආදාන ක්රම භාවිතා කිරීම වෙනුවට සරලව කථා කිරීමෙන් උපාංග හෝ යෙදුම් සමඟ අන්තර් ක්රියා කළ හැක.
පද්ධතිය කථන වචන විශ්ලේෂණය කරයි, රටා සහ ශබ්ද හඳුනා ගනී, පසුව ඒවා තේරුම් ගත හැකි පෙළ හෝ ක්රියා බවට පරිවර්තනය කරයි. එය තාක්ෂණය සමඟ හෑන්ඩ්ස්-ෆ්රී සහ ස්වාභාවික සන්නිවේදනයට ඉඩ සලසයි, හඬ විධාන, නියෝග, හෝ හඬ-පාලිත අන්තර්ක්රියා වැනි කාර්යයන් කළ හැකිය. වඩාත් පොදු උදාහරණ වන්නේ Siri සහ Google Assistant වැනි AI සහායකයි.
15. හැඟීම් විශ්ලේෂණය
හැඟීම් විශ්ලේෂණය යනු පෙළ හෝ කථනයේ ප්රකාශිත හැඟීම්, අදහස් සහ ආකල්ප තේරුම් ගැනීමට සහ අර්ථ නිරූපණය කිරීමට භාවිතා කරන තාක්ෂණයකි. ප්රකාශිත හැඟීම් ධනාත්මක, සෘණ හෝ මධ්යස්ථද යන්න තීරණය කිරීම සඳහා ලිඛිත හෝ කථන භාෂාව විශ්ලේෂණය කිරීම එයට ඇතුළත් වේ.
යන්ත්ර ඉගෙනීමේ ඇල්ගොරිතම භාවිතයෙන්, හැඟීම් විශ්ලේෂණ ඇල්ගොරිතමවලට වචන පිටුපස ඇති හැඟීම් හඳුනා ගැනීමට පාරිභෝගික සමාලෝචන, සමාජ මාධ්ය පළ කිරීම් හෝ පාරිභෝගික ප්රතිපෝෂණ වැනි විශාල පෙළ දත්ත පරිලෝකනය කර විශ්ලේෂණය කළ හැකිය.
ඇල්ගොරිතම මගින් හැඟීම් හෝ අදහස් දක්වන විශේෂිත වචන, වාක්ය ඛණ්ඩ හෝ රටා සොයයි.
මෙම විශ්ලේෂණය ව්යාපාරවලට හෝ පුද්ගලයන්ට නිෂ්පාදනයක්, සේවාවක් හෝ මාතෘකාවක් ගැන මිනිසුන්ට හැඟෙන ආකාරය තේරුම් ගැනීමට උපකාර වන අතර දත්ත මත පදනම් වූ තීරණ ගැනීමට හෝ පාරිභෝගික මනාපයන් පිළිබඳ අවබෝධයක් ලබා ගැනීමට භාවිත කළ හැක.
උදාහරණයක් ලෙස, සමාගමකට පාරිභෝගික තෘප්තිය නිරීක්ෂණය කිරීමට, වැඩිදියුණු කිරීම සඳහා ක්ෂේත්ර හඳුනා ගැනීමට හෝ ඔවුන්ගේ වෙළඳ නාමය පිළිබඳ මහජන මතය නිරීක්ෂණය කිරීමට හැඟීම් විශ්ලේෂණය භාවිතා කළ හැකිය.
16. යන්ත්ර පරිවර්තනය
යන්ත්ර පරිවර්තනය, AI හි සන්දර්භය තුළ, එක් භාෂාවකින් තවත් භාෂාවකට පෙළ හෝ කථනය ස්වයංක්රීයව පරිවර්තනය කිරීම සඳහා පරිගණක ඇල්ගොරිතම සහ කෘතිම බුද්ධිය භාවිතා කරයි.
නිවැරදි පරිවර්තන සැපයීම සඳහා මිනිස් භාෂා තේරුම් ගැනීමට සහ සැකසීමට පරිගණක ඉගැන්වීම එයට ඇතුළත් වේ. වඩාත් පොදු උදාහරණය වේ ගූගල් පරිවර්තකය.
යන්ත්ර පරිවර්තනය සමඟ, ඔබට එක් භාෂාවකින් පෙළ හෝ කථනය ඇතුළත් කළ හැකි අතර, පද්ධතිය ආදානය විශ්ලේෂණය කර වෙනත් භාෂාවකින් අනුරූප පරිවර්තනයක් ජනනය කරයි. විවිධ භාෂා හරහා තොරතුරු සන්නිවේදනය කිරීමේදී හෝ ප්රවේශ කිරීමේදී මෙය විශේෂයෙන් ප්රයෝජනවත් වේ.
යන්ත්ර පරිවර්තන පද්ධති භාෂාමය රීති, සංඛ්යාන ආකෘති සහ යන්ත්ර ඉගෙනීමේ ඇල්ගොරිතමවල එකතුවක් මත රඳා පවතී. කාලයත් සමඟ පරිවර්තන නිරවද්යතාවය වැඩි දියුණු කිරීම සඳහා ඔවුන් විශාල භාෂා දත්ත ප්රමාණයකින් ඉගෙන ගනී. සමහර යන්ත්ර පරිවර්තන ප්රවේශයන් පරිවර්තනවල ගුණාත්මක භාවය ඉහළ නැංවීම සඳහා ස්නායුක ජාල ද ඇතුළත් කරයි.
17. රොබෝ විද්යාව
රොබෝ විද්යාව යනු කෘත්රිම බුද්ධිය සහ යාන්ත්රික ඉංජිනේරු විද්යාවේ එකතුවෙන් රොබෝවරුන් ලෙස හඳුන්වන බුද්ධිමත් යන්ත්ර නිර්මාණය කිරීමයි. මෙම රොබෝවරු නිර්මාණය කර ඇත්තේ ස්වයංක්රීයව හෝ අවම මිනිස් මැදිහත්වීමකින් කාර්යයන් ඉටු කිරීමටය.
රොබෝවරු යනු ඔවුන්ගේ පරිසරය සංවේදනය කළ හැකි, එම සංවේදී ආදානය මත පදනම්ව තීරණ ගැනීමට සහ නිශ්චිත ක්රියාවන් හෝ කාර්යයන් ඉටු කළ හැකි භෞතික ආයතන වේ.
ඔවුන් අවට ලෝකයෙන් තොරතුරු රැස් කිරීමට ඉඩ සලසන කැමරා, මයික්රොෆෝන හෝ ස්පර්ශ සංවේදක වැනි විවිධ සංවේදක වලින් සමන්විත වේ. AI ඇල්ගොරිතම සහ ක්රමලේඛන ආධාරයෙන්, රොබෝවරුන්ට මෙම දත්ත විශ්ලේෂණය කිරීමට, එය අර්ථ නිරූපණය කිරීමට සහ ඔවුන්ගේ නියමිත කාර්යයන් ඉටු කිරීමට බුද්ධිමත් තීරණ ගත හැකිය.
රොබෝවරුන්ට ඔවුන්ගේ අත්දැකීම් වලින් ඉගෙන ගැනීමට සහ විවිධ තත්වයන්ට අනුවර්තනය වීමට හැකියාව ලබා දීමෙන් AI රොබෝ තාක්ෂණයේ තීරණාත්මක කාර්යභාරයක් ඉටු කරයි.
වස්තු හඳුනා ගැනීමට, පරිසරයේ සැරිසැරීමට හෝ මිනිසුන් සමඟ අන්තර් ක්රියා කිරීමට පවා රොබෝවරුන් පුහුණු කිරීමට යන්ත්ර ඉගෙනීමේ ඇල්ගොරිතම භාවිතා කළ හැක. මෙමගින් රොබෝවරුන්ට වඩාත් විචල්ය, නම්යශීලී සහ සංකීර්ණ කාර්යයන් හැසිරවීමට හැකියාව ලැබේ.
18. ඩ්රෝන යානා
ඩ්රෝන යනු මිනිස් නියමුවෙකු නොමැතිව ගුවනේ පියාසර කිරීමට හෝ සැරිසැරීමට හැකි රොබෝ වර්ගයකි. ඒවා මිනිසුන් රහිත ගුවන් යානා (UAV) ලෙසද හැඳින්වේ. ඩ්රෝන කැමරා, ජීපීඑස් සහ ගයිරොස්කෝප් වැනි විවිධ සංවේදක වලින් සමන්විත වන අතර එමඟින් දත්ත රැස් කිරීමට සහ ඔවුන්ගේ වටපිටාවේ සැරිසැරීමට ඉඩ සලසයි.
ඒවා දුරස්ථව පාලනය කරනු ලබන්නේ මානව ක්රියාකරුවෙකු විසින් හෝ පූර්ව වැඩසටහන්ගත උපදෙස් භාවිතයෙන් ස්වයංක්රීයව ක්රියා කළ හැක.
ඩ්රෝන යානා ගුවන් ඡායාරූපකරණය සහ වීඩියෝකරණය, සමීක්ෂණය සහ සිතියම්ගත කිරීම, බෙදාහැරීමේ සේවා, සෙවීම් සහ ගලවා ගැනීමේ මෙහෙයුම්, කෘෂිකාර්මික අධීක්ෂණය සහ විනෝදාත්මක භාවිතය ඇතුළු පුළුල් පරාසයක අරමුණු සඳහා සේවය කරයි. මිනිසුන්ට දුෂ්කර හෝ අනතුරුදායක දුරස්ථ හෝ අනතුරුදායක ප්රදේශවලට ඔවුන්ට ප්රවේශ විය හැක.
19. වැඩි දියුණු කළ යථාර්ථය (AR)
Augmented reality (AR) යනු පරිසරය සමඟ අපගේ සංජානනය සහ අන්තර්ක්රියාකාරිත්වය වැඩි දියුණු කිරීම සඳහා සැබෑ ලෝකය අතථ්ය වස්තූන් හෝ තොරතුරු සමඟ ඒකාබද්ධ කරන තාක්ෂණයකි. එය පරිගණකයෙන් ජනනය කරන ලද රූප, ශබ්ද හෝ වෙනත් සංවේදී යෙදවුම් සැබෑ ලෝකයට උඩින් තබයි, ගිල්වන සහ අන්තර්ක්රියාකාරී අත්දැකීමක් නිර්මාණය කරයි.
සරලව කිවහොත්, ඔබ අවට ලෝකය බැලීමට විශේෂ කණ්නාඩි පැළඳීම හෝ ඔබේ ස්මාර්ට් ජංගම දුරකථනය භාවිතා කිරීම ගැන සිතන්න, නමුත් අමතර අතථ්ය අංග එකතු කර ඇත.
උදාහරණයක් ලෙස, ඔබට ඔබේ ස්මාර්ට් ජංගම දුරකථනය නගර වීදියකට යොමු කර අවට අවන්හල් සඳහා දිශාවන්, ශ්රේණිගත කිරීම් සහ සමාලෝචන පෙන්වන අතථ්ය සංඥා පුවරු හෝ සැබෑ පරිසරය සමඟ අන්තර් ක්රියා කරන අතථ්ය චරිත පවා දැකිය හැකිය.
මෙම අතථ්ය මූලද්රව්ය සැබෑ ලෝකය සමඟ බාධාවකින් තොරව මිශ්ර වන අතර, වටපිටාව පිළිබඳ ඔබේ අවබෝධය සහ අත්දැකීම් වැඩි දියුණු කරයි. සූදු ක්රීඩා, අධ්යාපනය, ගෘහ නිර්මාණ ශිල්පය වැනි විවිධ ක්ෂේත්රවල සහ එය මිලදී ගැනීමට පෙර ඔබේ නිවසෙහි සැරිසැරීම හෝ නව ගෘහ භාණ්ඩ අත්හදා බැලීම වැනි එදිනෙදා කාර්යයන් සඳහා පවා වැඩිදියුණු කළ යථාර්ථය භාවිතා කළ හැක.
20. අතථ්ය යථාර්ථය (VR)
අතථ්ය යථාර්ථය (VR) යනු පුද්ගලයෙකුට ගවේෂණය කිරීමට සහ අන්තර් ක්රියා කිරීමට හැකි කෘතිම පරිසරයක් නිර්මාණය කිරීම සඳහා පරිගණකයෙන් ජනනය කරන ලද සමාකරණ භාවිතා කරන තාක්ෂණයකි. එය පරිශීලකයා අතථ්ය ලෝකයක ගිල්වයි, සැබෑ ලෝකය අවහිර කර එය ඩිජිටල් ක්ෂේත්රයක් සමඟ ප්රතිස්ථාපනය කරයි.
සරලව කිවහොත්, ඔබේ ඇස් සහ කන් ආවරණය කර සම්පූර්ණයෙන්ම වෙනස් ස්ථානයකට ගෙන යන විශේෂ හෙඩ්සෙට් එකක් පැළඳීම ගැන සිතන්න. මෙම අතථ්ය ලෝකයේ, ඔබ දකින සහ අසන සෑම දෙයක්ම පරිගණකයකින් ජනනය වුවද, ඇදහිය නොහැකි තරම් සැබෑ බවක් දැනේ.
ඔබට එහා මෙහා යාමට, ඕනෑම දිශාවකට බැලීමට සහ වස්තූන් හෝ චරිත භෞතිකව පවතිනවාක් මෙන් ඔවුන් සමඟ අන්තර් ක්රියා කළ හැකිය.
උදාහරණයක් ලෙස, අතථ්ය රියැලිටි ක්රීඩාවකදී, ඔබ මධ්යකාලීන බලකොටුවක් තුළ සිටිනු ඇත, එහිදී ඔබට එහි කොරිඩෝව හරහා ගමන් කිරීමට, ආයුධ අතට ගැනීමට සහ අතථ්ය විරුද්ධවාදීන් සමඟ කඩු සටන්වල යෙදිය හැකිය. අතථ්ය යථාර්ත පරිසරය ඔබේ චලනයන් සහ ක්රියාවන්ට ප්රතිචාර දක්වයි, ඔබට සම්පූර්ණයෙන්ම ගිලී ඇති බවක් සහ අත්දැකීම්වල නිරත වන බවක් දැනේ.
අතථ්ය යථාර්ථය සූදු ක්රීඩාව සඳහා පමණක් නොව ගුවන් නියමුවන්, ශල්ය වෛද්යවරුන් හෝ හමුදා නිලධාරීන් සඳහා පුහුණු සමාකරණ, වාස්තු විද්යාත්මක ඇවිදීම්, අතථ්ය සංචාරක ව්යාපාරය සහ ඇතැම් මනෝවිද්යාත්මක තත්වයන් සඳහා ප්රතිකාර වැනි විවිධ යෙදුම් සඳහා ද භාවිතා වේ. එය පෙනී සිටීමේ හැඟීමක් ඇති කරන අතර පරිශීලකයින් නව සහ ආකර්ෂණීය අතථ්ය ලෝක වෙත ප්රවාහනය කරයි, අත්දැකීම හැකිතාක් යථාර්ථයට සමීප වේ.
21. දත්ත විද්යාව
දත්ත විද්යාව දත්ත වලින් වටිනා දැනුම සහ තීක්ෂ්ණ බුද්ධිය ලබා ගැනීම සඳහා විද්යාත්මක ක්රම, මෙවලම් සහ ඇල්ගොරිතම භාවිතා කිරීම සම්බන්ධ ක්ෂේත්රයකි. එය විශාල හා සංකීර්ණ දත්ත කට්ටල විශ්ලේෂණය කිරීම සඳහා ගණිතය, සංඛ්යාලේඛන, ක්රමලේඛනය සහ වසම් ප්රවීණත්වය යන අංග ඒකාබද්ධ කරයි.
සරලව කිවහොත්, දත්ත විද්යාව යනු දත්ත පොකුරක් තුළ සැඟවී ඇති අර්ථවත් තොරතුරු සහ රටා සොයා ගැනීමයි. දත්ත එකතු කිරීම, පිරිසිදු කිරීම සහ සංවිධානය කිරීම, පසුව එය ගවේෂණය කිරීම සහ විශ්ලේෂණය කිරීම සඳහා විවිධ ශිල්පීය ක්රම භාවිතා කිරීම එයට ඇතුළත් වේ. දත්ත විද්යා .යන් ප්රවණතා හෙළිදරව් කිරීමට, අනාවැකි කිරීමට සහ ගැටළු විසඳීමට සංඛ්යානමය ආකෘති සහ ඇල්ගොරිතම භාවිතා කරන්න.
නිදසුනක් වශයෙන්, සෞඛ්ය ක්ෂේත්රයේ, රෝග සඳහා අවදානම් සාධක හඳුනා ගැනීමට, රෝගියාගේ ප්රතිඵල අනාවැකි කිරීමට හෝ ප්රතිකාර සැලසුම් ප්රශස්ත කිරීමට රෝගීන්ගේ වාර්තා සහ වෛද්ය දත්ත විශ්ලේෂණය කිරීමට දත්ත විද්යාව භාවිතා කළ හැකිය. ව්යාපාරයේදී, පාරිභෝගික දත්තවලට ඔවුන්ගේ මනාපයන් තේරුම් ගැනීමට, නිෂ්පාදන නිර්දේශ කිරීමට හෝ අලෙවිකරණ උපාය මාර්ග වැඩිදියුණු කිරීමට දත්ත විද්යාව යෙදිය හැක.
22. දත්ත පොරබැදීම
Data wrangling, Data munging ලෙසද හැඳින්වේ, අමු දත්ත එකතු කිරීම, පිරිසිදු කිරීම සහ විශ්ලේෂණය සඳහා වඩාත් ප්රයෝජනවත් සහ සුදුසු ආකෘතියක් බවට පරිවර්තනය කිරීමේ ක්රියාවලියයි. විශ්ලේෂණ මෙවලම් හෝ මාදිලි සමඟ එහි ගුණාත්මකභාවය, අනුකූලතාව සහ ගැළපුම සහතික කිරීම සඳහා දත්ත හැසිරවීම සහ සකස් කිරීම එයට ඇතුළත් වේ.
සරලව කිවහොත්, දත්ත පොරබැදීම ආහාර පිසීම සඳහා අමුද්රව්ය සකස් කිරීමක් වැනිය. එයට විවිධ මූලාශ්රවලින් දත්ත එකතු කිරීම, ඒවා වර්ග කිරීම සහ කිසියම් දෝෂයක්, නොගැලපීම් හෝ අදාළ නොවන තොරතුරු ඉවත් කිරීම සඳහා එය පිරිසිදු කිරීම ඇතුළත් වේ.
අතිරේකව, දත්ත සමඟ වැඩ කිරීම පහසු කිරීමට සහ තීක්ෂ්ණ බුද්ධිය ලබා ගැනීමට දත්ත පරිවර්තනය කිරීමට, ප්රතිව්යුහගත කිරීමට හෝ එකතු කිරීමට අවශ්ය විය හැකිය.
උදාහරණයක් ලෙස, දත්ත පොරබැදීමේදී අනුපිටපත් ඇතුළත් කිරීම් ඉවත් කිරීම, අක්ෂර වින්යාස වැරදි නිවැරදි කිරීම හෝ හැඩතල ගැන්වීමේ ගැටළු, නැතිවූ අගයන් හැසිරවීම සහ දත්ත වර්ග පරිවර්තනය කිරීම ඇතුළත් විය හැක. එයට විවිධ දත්ත කට්ටල ඒකාබද්ධ කිරීම හෝ සම්බන්ධ කිරීම, දත්ත උප කුලකවලට බෙදීම හෝ පවතින දත්ත මත පදනම්ව නව විචල්යයන් නිර්මාණය කිරීම ද ඇතුළත් විය හැකිය.
23. දත්ත කතන්දර කීම
දත්ත කතන්දර ආඛ්යානයක් හෝ පණිවිඩයක් ඵලදායී ලෙස සන්නිවේදනය කිරීම සඳහා බලගතු සහ ආකර්ශනීය ආකාරයකින් දත්ත ඉදිරිපත් කිරීමේ කලාවයි. එය භාවිතා කිරීම ඇතුළත් වේ දත්ත දෘශ්යකරණය, ආඛ්යාන සහ සන්දර්භය ප්රේක්ෂකයන්ට තේරුම් ගත හැකි සහ මතක තබා ගත හැකි ආකාරයෙන් තීක්ෂ්ණ බුද්ධිය සහ සොයාගැනීම් ප්රකාශ කිරීම.
සරලව කිවහොත්, දත්ත කතන්දර කතන්දර යනු කථාවක් පැවසීමට දත්ත භාවිතා කිරීමයි. එය ඉලක්කම් සහ ප්රස්ථාර ඉදිරිපත් කිරීමෙන් ඔබ්බට යයි. එය දත්ත වටා ආඛ්යානයක් සැකසීම, දෘෂ්ය මූලද්රව්ය සහ කතන්දර කීමේ ශිල්පීය ක්රම භාවිතා කරමින් දත්ත ජීවයට ගෙන ඒම සහ එය ප්රේක්ෂකයාට සාපේක්ෂ කිරීමට ඇතුළත් වේ.
උදාහරණයක් ලෙස, හුදෙක් විකුණුම් සංඛ්යා වගුවක් ඉදිරිපත් කරනවා වෙනුවට, දත්ත කතන්දර කීමට පරිශීලකයින්ට විකුණුම් ප්රවණතා දෘශ්යමය වශයෙන් ගවේෂණය කිරීමට ඉඩ සලසන අන්තර්ක්රියාකාරී උපකරණ පුවරුවක් නිර්මාණය කිරීම ඇතුළත් විය හැකිය.
ප්රධාන සොයාගැනීම් ඉස්මතු කරන, ප්රවණතා පිටුපස ඇති හේතු පැහැදිලි කරන සහ දත්ත මත පදනම්ව ක්රියා කළ හැකි නිර්දේශ යෝජනා කරන ආඛ්යානයක් එයට ඇතුළත් විය හැකිය.
24. දත්ත මත පදනම් වූ තීරණ ගැනීම
දත්ත මත පදනම් වූ තීරණ ගැනීම යනු අදාළ දත්ත විශ්ලේෂණය සහ අර්ථ නිරූපණය මත පදනම්ව තේරීම් කිරීමේ හෝ ක්රියාමාර්ග ගැනීමේ ක්රියාවලියකි. බුද්ධිය හෝ පුද්ගලික විනිශ්චය මත පමණක් රඳා නොසිට තීරණ ගැනීමේ ක්රියාවලීන් මඟ පෙන්වීම සහ සහාය දැක්වීම සඳහා පදනමක් ලෙස දත්ත භාවිතා කිරීම එයට ඇතුළත් වේ.
සරලව කිවහොත්, දත්ත මත පදනම් වූ තීරණ ගැනීම යන්නෙන් අදහස් කරන්නේ අප කරන තේරීම් දැනුම් දීමට සහ මඟ පෙන්වීම සඳහා දත්ත වලින් කරුණු සහ සාක්ෂි භාවිතා කිරීමයි. රටා, ප්රවණතා සහ සබඳතා තේරුම් ගැනීමට දත්ත රැස් කිරීම සහ විශ්ලේෂණය කිරීම සහ දැනුවත් තීරණ ගැනීමට සහ ගැටළු විසඳීමට එම දැනුම භාවිතා කිරීම එයට ඇතුළත් වේ.
උදාහරණයක් ලෙස, ව්යාපාර සැකසුමක, දත්ත මත පදනම් වූ තීරණ ගැනීමේදී විකුණුම් දත්ත, පාරිභෝගික ප්රතිපෝෂණ සහ වෙළඳපල ප්රවණතා විශ්ලේෂණය කිරීම වඩාත් ඵලදායි මිලකරණ උපායමාර්ගය තීරණය කිරීම හෝ නිෂ්පාදන සංවර්ධනයේ වැඩිදියුණු කිරීම් සඳහා ක්ෂේත්ර හඳුනාගැනීම ඇතුළත් විය හැකිය.
සෞඛ්ය සේවයේදී, ප්රතිකාර සැලසුම් ප්රශස්ත කිරීමට හෝ රෝග ප්රතිඵල පුරෝකථනය කිරීමට රෝගීන්ගේ දත්ත විශ්ලේෂණය කිරීම එයට ඇතුළත් විය හැකිය.
25. දත්ත විල
දත්ත විලක් යනු මධ්යගත සහ පරිමාණය කළ හැකි දත්ත ගබඩාවක් වන අතර එය එහි අමු සහ සැකසූ ආකාරයෙන් විශාල දත්ත ප්රමාණයක් ගබඩා කරයි. එය කලින් නිර්වචනය කරන ලද ක්රමලේඛන හෝ දත්ත පරිවර්තන අවශ්යතාවයකින් තොරව ව්යුහගත, අර්ධ ව්යුහගත සහ ව්යුහගත නොවන දත්ත වැනි විවිධාකාර දත්ත වර්ග, ආකෘති සහ ව්යුහයන් රඳවා තබා ගැනීමට සැලසුම් කර ඇත.
උදාහරණයක් ලෙස, සමාගමක් විසින් වෙබ් අඩවි ලොග, පාරිභෝගික ගනුදෙනු, සමාජ මාධ්ය සංග්රහ සහ IoT උපාංග වැනි විවිධ මූලාශ්රවලින් දත්ත රැස් කර ගබඩා කළ හැක.
මෙම දත්ත පසුව උසස් විශ්ලේෂණ පැවැත්වීම, යන්ත්ර ඉගෙනුම් ඇල්ගොරිතම ක්රියාත්මක කිරීම, හෝ පාරිභෝගික හැසිරීම් රටාවන් සහ ප්රවණතා ගවේෂණය කිරීම වැනි විවිධ අරමුණු සඳහා භාවිතා කළ හැක.
26. දත්ත ගබඩාව
දත්ත ගබඩාවක් යනු විවිධ මූලාශ්රවලින් විශාල දත්ත ප්රමාණයක් ගබඩා කිරීම, සංවිධානය කිරීම සහ විශ්ලේෂණය කිරීම සඳහා විශේෂයෙන් නිර්මාණය කර ඇති විශේෂිත දත්ත සමුදා පද්ධතියකි. එය කාර්යක්ෂම දත්ත ලබාගැනීමට සහ සංකීර්ණ විශ්ලේෂණ විමසුම්වලට සහාය වන ආකාරයෙන් ව්යුහගත කර ඇත.
එය සංවිධානයක් තුළ ගනුදෙනු දත්ත සමුදායන්, CRM පද්ධති සහ වෙනත් දත්ත මූලාශ්ර වැනි විවිධ මෙහෙයුම් පද්ධති වලින් දත්ත ඒකාබද්ධ කරන මධ්යම ගබඩාවක් ලෙස සේවය කරයි.
දත්ත විශ්ලේෂණාත්මක අරමුණු සඳහා ප්රශස්ත කරන ලද ව්යුහගත ආකෘතියකින් දත්ත ගබඩාවට පරිවර්තනය කර, පිරිසිදු කර, පටවනු ලැබේ.
27. ව්යාපාරික බුද්ධිය (BI)
ව්යාපාර බුද්ධිය යනු ව්යාපාර දැනුවත් තීරණ ගැනීමට සහ වටිනා තීක්ෂ්ණ බුද්ධිය ලබා ගැනීමට උපකාර වන ආකාරයෙන් දත්ත රැස් කිරීම, විශ්ලේෂණය කිරීම සහ ඉදිරිපත් කිරීමේ ක්රියාවලියයි. අමු දත්ත අර්ථවත්, ක්රියාකාරී තොරතුරු බවට පරිවර්තනය කිරීම සඳහා විවිධ මෙවලම්, තාක්ෂණයන් සහ ශිල්පීය ක්රම භාවිතා කිරීම එයට ඇතුළත් වේ.
උදාහරණයක් ලෙස, ව්යාපාර බුද්ධි පද්ධතියක් විසින් වඩාත්ම ලාභදායී නිෂ්පාදන හඳුනා ගැනීමට, ඉන්වෙන්ටරි මට්ටම් නිරීක්ෂණය කිරීමට සහ පාරිභෝගික මනාපයන් නිරීක්ෂණය කිරීමට විකුණුම් දත්ත විශ්ලේෂණය කළ හැකිය.
ආදායම, පාරිභෝගික අත්පත් කර ගැනීම, හෝ නිෂ්පාදන කාර්ය සාධනය වැනි ප්රධාන කාර්ය සාධන දර්ශක (KPIs) වෙත තත්ය කාලීන අවබෝධයක් ලබා දිය හැකි අතර, ව්යාපාරවලට දත්ත මත පදනම් වූ තීරණ ගැනීමට සහ ඔවුන්ගේ මෙහෙයුම් වැඩිදියුණු කිරීමට සුදුසු ක්රියාමාර්ග ගැනීමට ඉඩ සලසයි.
ව්යාපාරික බුද්ධි මෙවලම්වලට බොහෝ විට දත්ත දෘශ්යකරණය, තාවකාලික විමසුම් සහ දත්ත ගවේෂණ හැකියාවන් වැනි විශේෂාංග ඇතුළත් වේ. මෙම මෙවලම් වැනි පරිශීලකයින් සක්රීය කරයි ව්යාපාර විශ්ලේෂකයින් හෝ කළමනාකරුවන්, දත්ත සමඟ අන්තර් ක්රියා කිරීමට, එය කපා කොටා, වැදගත් තීක්ෂ්ණ බුද්ධිය සහ ප්රවණතා ඉස්මතු කරන වාර්තා හෝ දෘශ්ය නිරූපණයන් උත්පාදනය කරන්න.
28. අනාවැකි විශ්ලේෂණය
පුරෝකථන විශ්ලේෂණය යනු අනාගත සිදුවීම් හෝ ප්රතිඵල පිළිබඳ දැනුවත් අනාවැකි හෝ අනාවැකි කිරීමට දත්ත සහ සංඛ්යාන ශිල්පීය ක්රම භාවිතා කිරීමේ පුරුද්දයි. එය ඓතිහාසික දත්ත විශ්ලේෂණය කිරීම, රටා හඳුනා ගැනීම සහ අනාගත ප්රවණතා, චර්යාවන් හෝ සිදුවීම් උද්ධෘත කිරීමට සහ ඇස්තමේන්තු කිරීමට ආකෘති ගොඩනැගීම ඇතුළත් වේ.
විචල්යයන් අතර සම්බන්ධතා අනාවරණය කර ගැනීම සහ එම තොරතුරු පුරෝකථනය කිරීමට භාවිතා කිරීම එහි අරමුණයි. එය හුදෙක් අතීත සිදුවීම් විස්තර කිරීමෙන් ඔබ්බට යයි; ඒ වෙනුවට, එය අනාගතයේ සිදු විය හැකි දේ තේරුම් ගැනීමට සහ අපේක්ෂා කිරීමට ඓතිහාසික දත්ත භාවිතා කරයි.
උදාහරණයක් ලෙස, මූල්ය ක්ෂේත්රය තුළ, පුරෝකථනය කිරීමට පුරෝකථන විශ්ලේෂණය භාවිතා කළ හැක කොටස් ඓතිහාසික වෙළෙඳපොළ දත්ත, ආර්ථික දර්ශක සහ අනෙකුත් අදාළ සාධක මත පදනම්ව මිල ගණන්.
අලෙවිකරණයේදී, ඉලක්කගත වෙළඳ ප්රචාරණ සහ පුද්ගලීකරණය කළ අලෙවිකරණ ව්යාපාර සක්රීය කරමින් පාරිභෝගික හැසිරීම් සහ මනාපයන් පුරෝකථනය කිරීමට එය යොදා ගත හැකිය.
සෞඛ්ය ආරක්ෂණයේදී, පුරෝකථන විශ්ලේෂණය මඟින් ඇතැම් රෝග සඳහා ඉහළ අවදානමක් ඇති රෝගීන් හඳුනා ගැනීමට හෝ වෛද්ය ඉතිහාසය සහ වෙනත් සාධක මත පදනම්ව නැවත පැමිණීමේ සම්භාවිතාව පුරෝකථනය කිරීමට උපකාරී වේ.
29. නිර්දේශිත විශ්ලේෂණ
නිර්දේශිත විශ්ලේෂණ යනු කිසියම් තත්වයක් හෝ තීරණ ගැනීමේ අවස්ථාවකදී ගත හැකි හොඳම ක්රියාමාර්ග තීරණය කිරීම සඳහා දත්ත සහ විශ්ලේෂණ යෙදීමයි.
එය විස්තරාත්මක සහ ඉක්මවා යයි පුරෝකථන විශ්ලේෂණ අනාගතයේ සිදු විය හැකි දේ පිළිබඳ තීක්ෂ්ණ බුද්ධිය ලබා දීම පමණක් නොව අපේක්ෂිත ප්රතිඵලයක් ලබා ගැනීම සඳහා වඩාත් ප්රශස්ත ක්රියාමාර්ග නිර්දේශ කිරීම ද මගිනි.
එය විවිධ අවස්ථා අනුකරණය කිරීමට සහ විවිධ තීරණවල විභව ප්රතිඵල ඇගයීමට ඓතිහාසික දත්ත, අනාවැකි ආකෘති සහ ප්රශස්තකරණ ශිල්පීය ක්රම ඒකාබද්ධ කරයි. අපේක්ෂිත ප්රතිඵල උපරිම කරන හෝ අවදානම් අවම කරන ක්රියාකාරී නිර්දේශ උත්පාදනය කිරීමට එය බහුවිධ බාධාවන්, අරමුණු සහ සාධක සලකා බලයි.
උදාහරණයක් ලෙස, සැපයුම් දාමය කළමනාකරණය, නිර්දේශිත විශ්ලේෂණවලට ඉන්වෙන්ටරි මට්ටම්, නිෂ්පාදන ධාරිතාව, ප්රවාහන වියදම් සහ පාරිභෝගික ඉල්ලුම පිළිබඳ දත්ත විශ්ලේෂණය කළ හැකි අතර වඩාත් කාර්යක්ෂම බෙදාහැරීමේ සැලැස්ම තීරණය කළ හැකිය.
පිරිවැය අවම කිරීම සහ නියමිත වේලාවට බෙදා හැරීම සහතික කිරීම සඳහා, ඉන්වෙන්ටරි තොග ගබඩා ස්ථාන හෝ ප්රවාහන මාර්ග වැනි සම්පත් පරමාදර්ශී වෙන් කිරීම නිර්දේශ කළ හැකිය.
30. දත්ත මත පදනම් වූ අලෙවිකරණය
දත්ත මත පදනම් වූ අලෙවිකරණය යනු අලෙවිකරණ උපාය මාර්ග, ව්යාපාර සහ තීරණ ගැනීමේ ක්රියාවලීන් මෙහෙයවීම සඳහා දත්ත සහ විශ්ලේෂණ භාවිතා කිරීමේ පුරුද්දයි.
පාරිභෝගික හැසිරීම්, මනාප සහ ප්රවණතා පිළිබඳ අවබෝධයක් ලබා ගැනීම සඳහා විවිධ දත්ත මූලාශ්ර උපයෝගී කර ගැනීම සහ අලෙවිකරණ ප්රයත්නයන් ප්රශස්ත කිරීම සඳහා එම තොරතුරු භාවිතා කිරීම එයට ඇතුළත් වේ.
එය වෙබ් අඩවි අන්තර්ක්රියා, සමාජ මාධ්ය නියැලීම, පාරිභෝගික සංඛ්යාලේඛන, මිලදී ගැනීමේ ඉතිහාසය සහ තවත් බොහෝ ස්පර්ශක ස්ථානවලින් දත්ත රැස් කිරීම සහ විශ්ලේෂණය කිරීම කෙරෙහි අවධානය යොමු කරයි. මෙම දත්ත පසුව ඉලක්කගත ප්රේක්ෂකයින්, ඔවුන්ගේ මනාපයන් සහ ඔවුන්ගේ අවශ්යතා පිළිබඳ පුළුල් අවබෝධයක් ඇති කිරීමට භාවිතා කරයි.
දත්ත උපයෝගී කර ගැනීමෙන්, අලෙවිකරුවන්ට පාරිභෝගික ඛණ්ඩනය, ඉලක්ක කිරීම සහ පුද්ගලීකරණය සම්බන්ධයෙන් දැනුවත් තීරණ ගත හැකිය.
අලෙවිකරණ ව්යාපාරවලට ධනාත්මකව ප්රතිචාර දැක්වීමට සහ ඒ අනුව ඔවුන්ගේ පණිවිඩ සහ දීමනා සකස් කිරීමට වැඩි ඉඩක් ඇති විශේෂිත පාරිභෝගික කොටස් හඳුනා ගැනීමට ඔවුන්ට හැකිය.
අතිරේකව, දත්ත මත පදනම් වූ අලෙවිකරණය අලෙවිකරණ නාලිකා ප්රශස්ත කිරීමට, වඩාත් ඵලදායී අලෙවිකරණ මිශ්රණය නිර්ණය කිරීමට සහ අලෙවිකරණ මුලපිරීම්වල සාර්ථකත්වය මැනීමට උපකාරී වේ.
උදාහරණයක් ලෙස, දත්ත මත පදනම් වූ අලෙවිකරණ ප්රවේශයකට මිලදී ගැනීමේ හැසිරීම් සහ මනාප රටා හඳුනා ගැනීම සඳහා පාරිභෝගික දත්ත විශ්ලේෂණය කිරීම ඇතුළත් විය හැකිය. මෙම තීක්ෂ්ණ බුද්ධිය මත පදනම්ව, අලෙවිකරුවන්ට පුද්ගලාරෝපිත අන්තර්ගතයන් සහ විශේෂිත පාරිභෝගික කොටස් සමඟ අනුනාද වන දීමනා සමඟ ඉලක්කගත ව්යාපාර නිර්මාණය කළ හැකිය.
අඛණ්ඩ විශ්ලේෂණය සහ ප්රශස්තිකරණය හරහා, ඔවුන්ගේ අලෙවිකරණ ප්රයත්නවල සඵලතාවය මැනිය හැකි අතර කාලයත් සමඟ උපාය මාර්ග ශෝධනය කළ හැකිය.
31. දත්ත පාලනය
දත්ත පාලනය යනු එහි ජීවන චක්රය පුරා දත්ත නිසි කළමනාකරණය, ආරක්ෂාව සහ අඛණ්ඩතාව සහතික කිරීම සඳහා ආයතන විසින් අනුගමනය කරන රාමුව සහ භාවිතයන් සමූහයයි. එය සංවිධානයක් තුළ දත්ත රැස් කරන, ගබඩා කරන, ප්රවේශ වන, භාවිතා කරන සහ බෙදා ගන්නා ආකාරය පාලනය කරන ක්රියාවලි, ප්රතිපත්ති සහ ක්රියා පටිපාටි ඇතුළත් වේ.
දත්ත වත්කම් පිළිබඳ වගවීම, වගකීම සහ පාලනය ස්ථාපිත කිරීම එහි අරමුණයි. එය දත්ත නිවැරදි, සම්පූර්ණ, ස්ථාවර සහ විශ්වාසදායක බව සහතික කරයි, ආයතනවලට දැනුවත් තීරණ ගැනීමට, දත්තවල ගුණාත්මකභාවය පවත්වා ගැනීමට සහ නියාමන අවශ්යතා සපුරාලීමට හැකි වේ.
දත්ත පාලනය යනු දත්ත කළමනාකරණය සඳහා භූමිකාවන් සහ වගකීම් නිර්වචනය කිරීම, දත්ත ප්රමිති සහ ප්රතිපත්ති ස්ථාපිත කිරීම සහ අනුකූලතාව නිරීක්ෂණය කිරීම සහ බලාත්මක කිරීම සඳහා ක්රියාවලි ක්රියාත්මක කිරීම ඇතුළත් වේ. එය දත්ත පුද්ගලිකත්වය, දත්ත ආරක්ෂාව, දත්ත ගුණාත්මකභාවය, දත්ත වර්ගීකරණය සහ දත්ත ජීවන චක්ර කළමනාකරණය ඇතුළුව දත්ත කළමනාකරණයේ විවිධ අංශ ආමන්ත්රණය කරයි.
උදාහරණයක් ලෙස, සාමාන්ය දත්ත ආරක්ෂණ රෙගුලාසි (GDPR) වැනි අදාළ රහස්යතා රෙගුලාසිවලට අනුකූලව පුද්ගලික හෝ සංවේදී දත්ත හසුරුවන බව සහතික කිරීම සඳහා ක්රියා පටිපාටි ක්රියාත්මක කිරීම දත්ත පාලනයට ඇතුළත් විය හැකිය.
දත්ත නිරවද්ය සහ විශ්වාසනීය බව සහතික කිරීම සඳහා දත්ත තත්ත්ව ප්රමිතීන් ස්ථාපිත කිරීම සහ දත්ත වලංගු කිරීමේ ක්රියාවලීන් ක්රියාත්මක කිරීම ද එයට ඇතුළත් විය හැකිය.
32. දත්ත ආරක්ෂාව
දත්ත ආරක්ෂාව යනු අපගේ වටිනා තොරතුරු අනවසරයෙන් ප්රවේශ වීමෙන් හෝ සොරකම් කිරීමෙන් ආරක්ෂා කර ගැනීමයි. දත්ත රහස්යභාවය, අඛණ්ඩතාව සහ පවතින බව ආරක්ෂා කිරීමට පියවර ගැනීම එයට ඇතුළත් වේ.
අත්යවශ්යයෙන්ම, එයින් අදහස් කරන්නේ නිවැරදි පුද්ගලයන්ට පමණක් අපගේ දත්ත වෙත ප්රවේශ විය හැකි බවත්, එය නිවැරදි හා වෙනස් නොවී පවතින බවත්, අවශ්ය විටෙක එය ලබා ගත හැකි බවත් සහතික කිරීමයි.
දත්ත සුරක්ෂිතභාවය සාක්ෂාත් කර ගැනීම සඳහා විවිධ උපාය මාර්ග සහ තාක්ෂණයන් භාවිතා කරනු ලැබේ. උදාහරණයක් ලෙස, ප්රවේශ පාලන සහ සංකේතාංකන ක්රම බලයලත් පුද්ගලයන්ට හෝ පද්ධති වෙත ප්රවේශය සීමා කිරීමට උදවු කරයි, පිටස්තරයින්ට අපගේ දත්ත වෙත ප්රවේශ වීම අපහසු කරයි.
අධීක්ෂණ පද්ධති, ෆයර්වෝල් සහ ආක්රමණය හඳුනාගැනීමේ පද්ධති භාරකරුවන් ලෙස ක්රියා කරයි, සැක කටයුතු ක්රියාකාරකම් පිළිබඳව අපව දැනුවත් කරයි සහ අනවසරයෙන් ප්රවේශ වීම වළක්වයි.
33 ඉන්ටර්නෙට් ඔෆ් තින්ග්ස්
ඉන්ටර්නෙට් ඔෆ් තින්ග්ස් (IoT) යනු අන්තර්ජාලයට සම්බන්ධ වූ සහ එකිනෙකා සමඟ සන්නිවේදනය කළ හැකි භෞතික වස්තූන් හෝ "දේවල්" ජාලයකි. එය අන්තර්ජාලය හරහා අන්තර්ක්රියා කිරීමෙන් තොරතුරු බෙදා ගැනීමට සහ කාර්යයන් කිරීමට හැකි එදිනෙදා වස්තු, උපාංග සහ යන්ත්රවල විශාල ජාලයක් වැනිය.
සරලව කිවහොත්, සාම්ප්රදායිකව අන්තර්ජාලයට සම්බන්ධ නොවූ විවිධ වස්තූන් හෝ උපාංග සඳහා “ස්මාර්ට්” හැකියාවන් ලබා දීම IoT ට ඇතුළත් වේ. මෙම වස්තූන් ගෘහ උපකරණ, පැළඳිය හැකි උපාංග, උෂ්ණත්ව පාලක, මෝටර් රථ සහ කාර්මික යන්ත්රෝපකරණ පවා ඇතුළත් විය හැකිය.
මෙම වස්තු අන්තර්ජාලයට සම්බන්ධ කිරීමෙන්, ඔවුන්ට දත්ත රැස් කිරීමට සහ බෙදා ගැනීමට, උපදෙස් ලබා ගැනීමට සහ කාර්යයන් ස්වයංක්රීයව හෝ පරිශීලක විධානවලට ප්රතිචාර වශයෙන් සිදු කළ හැකිය.
උදාහරණයක් ලෙස, Smart thermostat එකකට උෂ්ණත්වය නිරීක්ෂණය කිරීමට, සැකසීම් සීරුමාරු කිරීමට සහ ස්මාර්ට්ෆෝන් යෙදුමකට බලශක්ති භාවිත වාර්තා යැවීමට හැකිය. පැළඳිය හැකි යෝග්යතා ට්රැකර් එකකට ඔබේ ශාරීරික ක්රියාකාරකම් පිළිබඳ දත්ත රැස් කර විශ්ලේෂණය සඳහා වලාකුළු මත පදනම් වූ වේදිකාවකට සමමුහුර්ත කළ හැක.
34. තීරණ ගස
තීරණ ගසක් යනු තේරීම් හෝ කොන්දේසි මාලාවක් මත පදනම්ව තීරණ ගැනීමට හෝ ක්රියා මාර්ගයක් තීරණය කිරීමට අපට උපකාර කරන දෘශ්ය නිරූපණයක් හෝ රූප සටහනකි.
එය විවිධ විකල්ප සහ ඒවායේ විභව ප්රතිඵල සලකා බලා තීරණ ගැනීමේ ක්රියාවලියක් හරහා අපට මඟ පෙන්වන ගැලීම් සටහනක් වැනිය.
ඔබට ගැටලුවක් හෝ ප්රශ්නයක් ඇති බව සිතන්න, ඔබ තේරීමක් කළ යුතුයි.
තීරන ගසක් මූලික ප්රශ්නයකින් පටන් ගෙන එක් එක් පියවරෙහි කොන්දේසි හෝ නිර්ණායක මත පදනම්ව හැකි විවිධ පිළිතුරු හෝ ක්රියා වලට අතු බෙදී, තීරණය කුඩා පියවර වලට කඩා දමයි.
35. සංජානන පරිගණනය
සංජානන පරිගණනය, සරල වචන වලින්, ඉගෙනීම, තර්කනය, අවබෝධය සහ ගැටළු විසඳීම වැනි මානව සංජානන හැකියාවන් අනුකරණය කරන පරිගණක පද්ධති හෝ තාක්ෂණයන් වෙත යොමු වේ.
මිනිස් චින්තනයට සමාන ආකාරයෙන් තොරතුරු සැකසීමට සහ අර්ථ නිරූපණය කිරීමට හැකි පරිගණක පද්ධති නිර්මාණය කිරීම එයට ඇතුළත් වේ.
සංජානන පරිගණනය වඩාත් ස්වාභාවික හා බුද්ධිමත් ආකාරයෙන් මිනිසුන් තේරුම් ගැනීමට සහ ඔවුන් සමඟ අන්තර් ක්රියා කළ හැකි යන්ත්ර සංවර්ධනය කිරීම අරමුණු කරයි. මෙම පද්ධති සැලසුම් කර ඇත්තේ විශාල දත්ත ප්රමාණයක් විශ්ලේෂණය කිරීමට, රටා හඳුනා ගැනීමට, අනාවැකි කිරීමට සහ අර්ථවත් තීක්ෂ්ණ බුද්ධියක් සැපයීමට ය.
සංජානන පරිගණනය ගැන සිතන්න, පරිගණක මිනිසුන් මෙන් සිතීමට සහ ක්රියා කිරීමට සැලැස්වීමේ උත්සාහයක් ලෙස.
කෘත්රිම බුද්ධිය, යන්ත්ර ඉගෙනීම, ස්වභාවික භාෂා සැකසීම සහ පරිගණක දැක්ම වැනි තාක්ෂණයන් උපයෝගී කරගනිමින් මානව බුද්ධිය සමඟ සම්ප්රදායිකව සම්බන්ධ වූ කාර්යයන් පරිගණකවලට සිදු කිරීමට හැකිවීම එයට ඇතුළත් වේ.
36. පරිගණක ඉගෙනුම් සිද්ධාන්තය
පරිගණක ඉගෙනුම් න්යාය යනු කෘත්රිම බුද්ධි ක්ෂේත්රය තුළ විශේෂිත ශාඛාවක් වන අතර එය දත්ත වලින් ඉගෙන ගැනීමට විෙශේෂෙයන් නිර්මාණය කර ඇති ඇල්ගොරිතම සංවර්ධනය කිරීම සහ පරීක්ෂා කිරීම වටා භ්රමණය වේ.
මෙම ක්ෂේත්රය විශාල තොරතුරු ප්රමාණයක් විශ්ලේෂණය කිරීමෙන් සහ සැකසීමෙන් ඒවායේ ක්රියාකාරිත්වය ස්වයංක්රීයව වැඩිදියුණු කළ හැකි ඇල්ගොරිතම තැනීම සඳහා විවිධ ශිල්පීය ක්රම සහ ක්රමවේද ගවේෂණය කරයි.
දත්තවල බලය උපයෝගී කර ගනිමින්, පරිගණක ඉගෙනුම් න්යාය මඟින් යන්ත්රවලට තීරණ ගැනීමේ හැකියාව වැඩි දියුණු කිරීමට සහ කාර්යයන් වඩාත් කාර්යක්ෂමව කිරීමට හැකි වන රටා, සබඳතා සහ තීක්ෂ්ණ බුද්ධිය අනාවරණය කර ගැනීම අරමුණු කරයි.
අවසාන ඉලක්කය වනුයේ කෘත්රිම බුද්ධියේ ප්රගමනයට සහ එහි ප්රායෝගික යෙදීම් වලට දායක වෙමින් ඔවුන් නිරාවරණය කර ඇති දත්ත අනුව අනුවර්තනය වීමට, සාමාන්යකරණය කිරීමට සහ නිවැරදි අනාවැකි පළ කිරීමට හැකි ඇල්ගොරිතම නිර්මාණය කිරීමයි.
37. ටියුරින් පරීක්ෂණය
දක්ෂ ගණිතඥයෙකු සහ පරිගණක විද්යාඥයෙකු වන ඇලන් ටියුරින් විසින් මුලින් යෝජනා කරන ලද ටියුරින් පරීක්ෂණය, යන්ත්රයකට මිනිසාගේ හැසිරීමට සැසඳිය හැකි හෝ ප්රායෝගිකව වෙන්කර හඳුනාගත නොහැකි බුද්ධිමත් හැසිරීමක් ප්රදර්ශනය කළ හැකිද යන්න තක්සේරු කිරීමට භාවිතා කරන සිත් ඇදගන්නා සංකල්පයකි.
ටියුරින් පරීක්ෂණයේදී, මානව ඇගයුම්කරුවෙකු යන්ත්රය කුමක්දැයි නොදැන යන්ත්රයක් සහ තවත් මිනිස් සහභාගිවන්නෙකු සමඟ ස්වාභාවික භාෂා සංවාදයක යෙදේ.
ඇගයුම්කරුගේ කාර්ය භාරය වන්නේ යන්ත්රය යනු කුමන ආයතනයද යන්න ඔවුන්ගේ ප්රතිචාර මත පමණක් පදනම්ව හඳුනා ගැනීමයි. යන්ත්රයට තමා මානව සහකරු බව ඇගයුම්කරුට ඒත්තු ගැන්වීමට හැකි නම්, එය ටියුරින් පරීක්ෂණයෙන් සමත් වූ බව කියනු ලැබේ, එමඟින් මිනිසාට සමාන හැකියාවන් පිළිබිඹු කරන බුද්ධි මට්ටමක් පෙන්නුම් කරයි.
යන්ත්ර බුද්ධිය පිළිබඳ සංකල්පය ගවේෂණය කිරීමට සහ යන්ත්රවලට මානව මට්ටමේ සංජානනය ලබා ගත හැකිද යන ප්රශ්නය ඉදිරිපත් කිරීමට මාධ්යයක් ලෙස ඇලන් ටියුරින් මෙම පරීක්ෂණය යෝජනා කළේය.
මානව වෙන්කර හඳුනාගැනීමේ හැකියාව අනුව පරීක්ෂණය සකස් කිරීමෙන්, ටියුරින් යන්ත්රවලට මිනිසුන්ගෙන් වෙන්කර හඳුනා ගැනීම අභියෝගාත්මක වන තරමට ඒත්තු ගැන්වෙන ලෙස බුද්ධිමත් හැසිරීම් ප්රදර්ශනය කිරීමේ හැකියාව ඉස්මතු කළේය.
ටියුරින් පරීක්ෂණය කෘතිම බුද්ධිය සහ සංජානන විද්යාව යන ක්ෂේත්රවල පුළුල් සාකච්ඡා සහ පර්යේෂණ ඇති කළේය. ටියුරින් පරීක්ෂණය සමත් වීම සැලකිය යුතු සන්ධිස්ථානයක් වන අතර, එය බුද්ධියේ එකම මිනුම නොවේ.
එසේ වුවද, පරීක්ෂණය සිතුවිලි-ප්රකෝපකාරී මිණුම් ලකුණක් ලෙස ක්රියා කරයි, මිනිසාට සමාන බුද්ධිය සහ හැසිරීම අනුකරණය කළ හැකි යන්ත්ර සංවර්ධනය කිරීමට අඛණ්ඩ උත්සාහයන් උත්තේජනය කරන අතර බුද්ධිමත් වීම යන්නෙන් අදහස් කරන්නේ කුමක්ද යන්න පුළුල් ගවේෂණයට දායක වේ.
38. ශක්තිමත් කිරීමේ ඉගෙනීම
ශක්තිමත් කිරීමේ ඉගෙනීම "නියෝජිතයෙකු" (පරිගණක වැඩසටහනක් හෝ රොබෝවක් විය හැක) හොඳ හැසිරීම් සඳහා ත්යාග ලබා ගනිමින් සහ නරක හැසිරීම් සඳහා ප්රතිවිපාක හෝ දඬුවම්වලට මුහුණ දීමෙන් කාර්යයන් ඉටු කිරීමට ඉගෙන ගන්නා, අත්හදා බැලීම් සහ දෝෂ හරහා සිදුවන ඉගෙනුම් වර්ගයකි.
නියෝජිතයා වංකගිරියක සැරිසැරීම වැනි නිශ්චිත කාර්යයක් සම්පූර්ණ කිරීමට උත්සාහ කරන අවස්ථාවක් සිතන්න. මුලදී, නියෝජිතයා යා යුතු නිවැරදි මාර්ගය නොදනී, එබැවින් එය විවිධ ක්රියා කිරීමට උත්සාහ කරන අතර විවිධ මාර්ග ගවේෂණය කරයි.
එය ඉලක්කයට සමීප වන හොඳ ක්රියාවක් තෝරා ගත් විට, එය අතථ්ය “පිටතට තට්ටු කිරීමක්” වැනි ත්යාගයක් ලබයි. කෙසේ වෙතත්, එය මාරාන්තික අවසානයකට තුඩු දෙන දුර්වල තීරණයක් හෝ ඉලක්කයෙන් ඉවතට ගෙන ගියහොත්, එය දඬුවම් හෝ ඍණාත්මක ප්රතිපෝෂණ ලබා ගනී.
මෙම අත්හදා බැලීමේ සහ දෝෂ ක්රියාවලිය හරහා, නියෝජිතයා යම් යම් ක්රියා ධනාත්මක හෝ ඍණාත්මක ප්රතිඵල සමඟ සම්බන්ධ කිරීමට ඉගෙන ගනී. එය ක්රමක්රමයෙන් එහි ත්යාග උපරිම කිරීමට සහ දඬුවම් අවම කිරීමට හොඳම ක්රියා අනුපිළිවෙල ගණනය කරයි, අවසානයේ කාර්යයේ වඩාත් ප්රවීණ බවට පත් වේ.
ශක්තිමත් කිරීමේ ඉගෙනීම පරිසරයෙන් ප්රතිපෝෂණ ලබා ගැනීමෙන් මිනිසුන් සහ සතුන් ඉගෙන ගන්නා ආකාරය ආශ්වාදයක් ලබා ගනී.
යන්ත්ර සඳහා මෙම සංකල්පය යෙදීමෙන් පර්යේෂකයන් අරමුණු කරන්නේ ධනාත්මක ශක්තිමත් කිරීම් සහ ඍණාත්මක ප්රතිවිපාක ක්රියාවලියක් හරහා වඩාත් ඵලදායී හැසිරීම් ස්වයංක්රීයව සොයා ගැනීමෙන් විවිධ තත්වයන්ට ඉගෙන ගැනීමට සහ ඒවාට අනුවර්තනය වීමට හැකි බුද්ධිමත් පද්ධති සංවර්ධනය කිරීමයි.
39. ආයතන නිස්සාරණය
භාව නිස්සාරණය යන්නෙන් අදහස් කරන්නේ අප විසින් entities ලෙස හැඳින්වෙන, පෙළ කොටසකින් වැදගත් තොරතුරු කොටස් හඳුනාගෙන උපුටා ගන්නා ක්රියාවලියකි. මෙම ආයතන පුද්ගලයන්ගේ නම්, ස්ථාන වල නම්, සංවිධානවල නම් යනාදී විවිධ දේවල් විය හැක.
පුවත් ලිපියක් විස්තර කරන ඡේදයක් ඔබ සතුව ඇතැයි සිතමු.
භාව නිස්සාරණයට පෙළ විශ්ලේෂණය කිරීම සහ වෙනස් ආයතන නියෝජනය කරන විශේෂිත බිටු තෝරා ගැනීම ඇතුළත් වේ. උදාහරණයක් ලෙස, පෙළෙහි “ජෝන් ස්මිත්,” ස්ථානය “නිව් යෝර්ක් නගරය” හෝ “OpenAI” වැනි පුද්ගලයෙකුගේ නම සඳහන් කරන්නේ නම්, මේවා අප හඳුනා ගැනීමට සහ උපුටා ගැනීමට ඉලක්ක කරන ආයතන වේ.
ආයතන නිස්සාරණය ක්රියාත්මක කිරීමෙන්, අපි අත්යවශ්යයෙන්ම පරිගණක වැඩසටහනකට පාඨයෙන් සැලකිය යුතු මූලද්රව්ය හඳුනා ගැනීමට සහ හුදකලා කිරීමට උගන්වමු. මෙම ක්රියාවලිය අපට තොරතුරු වඩාත් කාර්යක්ෂමව සංවිධානය කිරීමට සහ වර්ගීකරණය කිරීමට හැකියාව ලබා දෙයි, විශාල පෙළ දත්ත පරිමාවකින් සෙවීමට, විශ්ලේෂණය කිරීමට සහ අවබෝධය ලබා ගැනීමට පහසු කරයි.
සමස්තයක් වශයෙන්, ආයතන නිස්සාරණය අපට පෙළ තුළ පුද්ගලයන්, ස්ථාන සහ සංවිධාන වැනි වැදගත් ආයතන හඳුනාගැනීමේ කාර්යය ස්වයංක්රීය කිරීමට, වටිනා තොරතුරු උකහා ගැනීම විධිමත් කිරීමට සහ පාඨමය දත්ත සැකසීමට සහ තේරුම් ගැනීමට අපගේ හැකියාව වැඩි කිරීමට උපකාරී වේ.
40. භාෂාමය විවරණ
භාවිතා කරන භාෂාව පිළිබඳ අපගේ අවබෝධය සහ විශ්ලේෂණය වැඩිදියුණු කිරීම සඳහා අමතර භාෂාමය තොරතුරු සමඟ පෙළ පොහොසත් කිරීම භාෂාමය විවරණයට ඇතුළත් වේ. එය හරියට පෙළක විවිධ කොටස්වලට ප්රයෝජනවත් ලේබල් හෝ ටැග් එක් කිරීම වැනිය.
අපි භාෂාමය විවරණයක් සිදු කරන විට, අපි පෙළක ඇති මූලික වචන සහ වාක්ය ඉක්මවා ගොස් නිශ්චිත මූලද්රව්ය ලේබල් කිරීම හෝ ටැග් කිරීම ආරම්භ කරමු. උදාහරණයක් ලෙස, අපි එක් එක් වචනයේ ව්යාකරණ ප්රවර්ගය (නාම පදය, ක්රියා පදය, විශේෂණ පදය යනාදිය) දැක්වෙන කථනයේ කොටසක ටැග් එකතු කළ හැක. වාක්යයක එක් එක් වචනය ඉටු කරන කාර්යභාරය තේරුම් ගැනීමට මෙය අපට උපකාර කරයි.
භාෂාමය විවරණයේ තවත් ආකාරයක් entity recognition ලෙස නම් කර ඇත, එහිදී අපි පුද්ගලයන්ගේ නම්, ස්ථාන, සංවිධාන හෝ දින වැනි නිශ්චිත නම් කරන ලද ආයතන හඳුනාගෙන ලේබල් කරන්නෙමු. මෙමගින් අපට ඉක්මනින් පාඨයෙන් වැදගත් තොරතුරු සොයා ගැනීමට සහ උපුටා ගැනීමට ඉඩ සලසයි.
මේ ආකාරයෙන් පෙළ සටහන් කිරීමෙන්, අපි භාෂාවේ වඩාත් ව්යුහගත සහ සංවිධානාත්මක නියෝජනයක් නිර්මාණය කරමු. විවිධ යෙදුම් සඳහා මෙය ඉතා ප්රයෝජනවත් විය හැක. උදාහරණයක් ලෙස, පරිශීලක විමසුම් පිටුපස ඇති අභිප්රාය තේරුම් ගැනීමෙන් සෙවුම් යන්ත්රවල නිරවද්යතාවය වැඩි දියුණු කිරීමට එය උපකාරී වේ. එය යන්ත්ර පරිවර්තනය, හැඟීම් විශ්ලේෂණය, තොරතුරු නිස්සාරණය සහ තවත් බොහෝ ස්වාභාවික භාෂා සැකසුම් කාර්යයන් සඳහා ද සහාය වේ.
භාෂාමය විවරණ පර්යේෂකයන්, වාග් විද්යාඥයින් සහ සංවර්ධකයින් සඳහා අත්යවශ්ය මෙවලමක් ලෙස ක්රියා කරයි, ඔවුන්ට භාෂා රටා අධ්යයනය කිරීමට, භාෂා ආකෘති ගොඩනැගීමට සහ පෙළ වඩා හොඳින් විශ්ලේෂණය කිරීමට සහ තේරුම් ගැනීමට හැකි නවීන ඇල්ගොරිතම සංවර්ධනය කිරීමට හැකි වේ.
41. අධි පරාමිතිය
In යන්ත්ර ඉගෙනීම, අධි පරාමිතියක් යනු ආකෘතියක් පුහුණු කිරීමට පෙර අප තීරණය කළ යුතු විශේෂ සැකසුමකට හෝ වින්යාසයකට සමාන වේ. එය දත්ත වලින් ආකෘතියට තනිවම ඉගෙන ගත හැකි දෙයක් නොවේ; ඒ වෙනුවට, අපි එය කලින් තීරණය කළ යුතුයි.
එය නිරූපිකාව ඉගෙන ගන්නා ආකාරය සහ අනාවැකි පළ කරන ආකාරය මනාව සකස් කර ගත හැකි බොත්තමක් හෝ ස්විචයක් ලෙස සිතන්න. මෙම අධිපරිමාණ මඟින් ඉගෙනුම් ක්රියාවලියේ විවිධ පැති පාලනය කරයි, එනම් ආකෘතියේ සංකීර්ණත්වය, පුහුණුවේ වේගය සහ නිරවද්යතාවය සහ සාමාන්යකරණය අතර වෙළඳාම.
උදාහරණයක් ලෙස, අපි ස්නායුක ජාලයක් සලකා බලමු. එක් වැදගත් අධි පරාමිතියක් වන්නේ ජාලයේ ස්ථර ගණනයි. ජාලය කෙතරම් ගැඹුරු විය යුතුද යන්න අප විසින් තෝරා ගත යුතු අතර, මෙම තීරණය දත්තවල සංකීර්ණ රටා ග්රහණය කර ගැනීමේ හැකියාවට බලපායි.
අනෙකුත් පොදු අධි පරාමිතිවලට ඉගෙනීමේ අනුපාතය ඇතුළත් වන අතර, පුහුණු දත්ත මත පදනම්ව ආකෘතිය එහි අභ්යන්තර පරාමිතීන් කෙතරම් ඉක්මනින් සකසන්නේද යන්න තීරණය කරයි, සහ නියාමනය කිරීමේ ශක්තිය, ආකෘතිය අධික ලෙස ගැලපීම වැළැක්වීම සඳහා සංකීර්ණ රටාවන්ට කොපමණ දඬුවම් කරන්නේද යන්න පාලනය කරයි.
මෙම අධි පරාමිති නිවැරදිව සැකසීම ඉතා වැදගත් වන්නේ ඒවා ආකෘතියේ ක්රියාකාරිත්වයට සහ හැසිරීමට සැලකිය යුතු ලෙස බලපෑ හැකි බැවිනි. එය බොහෝ විට අත්හදා බැලීම් සහ දෝෂයන්, විවිධ අගයන් සමඟ අත්හදා බැලීම සහ වලංගු දත්ත කට්ටලයක ආකෘතියේ ක්රියාකාරිත්වයට බලපාන ආකාරය නිරීක්ෂණය කිරීම ඇතුළත් වේ.
42. පාරදත්ත
පාරදත්ත යනු වෙනත් දත්ත පිළිබඳ විස්තර සපයන අමතර තොරතුරු වේ. එය අපට වැඩි සන්දර්භයක් ලබා දෙන හෝ ප්රධාන දත්තවල ලක්ෂණ විස්තර කරන ටැග් හෝ ලේබල් කට්ටලයක් වැනිය.
අප සතුව දත්ත ඇති විට, එය ලේඛනයක්, ඡායාරූපයක්, වීඩියෝවක් හෝ වෙනත් තොරතුරු වර්ගයක් වේවා, එම දත්තවල වැදගත් අංග තේරුම් ගැනීමට පාරදත්ත අපට උපකාර කරයි.
උදාහරණයක් ලෙස, ලේඛනයක, පාර-දත්ත තුළ කර්තෘගේ නම, එය නිර්මාණය කළ දිනය, හෝ ගොනු ආකෘතිය වැනි විස්තර ඇතුළත් විය හැක. ඡායාරූපයක් සම්බන්ධයෙන් ගත් කල, පාර-දත්ත එය ගත් ස්ථානය, භාවිතා කළ කැමරා සැකසීම් හෝ එය ග්රහණය කළ දිනය සහ වේලාව පවා අපට පැවසිය හැකිය.
පාරදත්ත අපට දත්ත වඩාත් ඵලදායී ලෙස සංවිධානය කිරීමට, සෙවීමට සහ අර්ථ නිරූපණය කිරීමට උදවු කරයි. මෙම විස්තරාත්මක තොරතුරු කොටස් එකතු කිරීමෙන්, අපට ඉක්මනින් නිශ්චිත ගොනු සොයා ගැනීමට හෝ සම්පූර්ණ අන්තර්ගතය හරහා හෑරීමෙන් තොරව ඒවායේ මූලාරම්භය, අරමුණ හෝ සන්දර්භය තේරුම් ගත හැක.
43. Dimensionality අඩු කිරීම
Dimensionality reduction යනු දත්ත කට්ටලයක් එහි අඩංගු විශේෂාංග හෝ විචල්ය සංඛ්යාව අඩු කිරීමෙන් සරල කිරීමට භාවිතා කරන තාක්ෂණයකි. එය දත්ත කට්ටලයක ඇති තොරතුරු වඩාත් කළමනාකරණය කළ හැකි සහ වැඩ කිරීමට පහසු කිරීම සඳහා ඝනීභවනය කිරීම හෝ සාරාංශ කිරීම වැනිය.
දත්ත ලක්ෂ්යවල විවිධ ලක්ෂණ නියෝජනය කරන තීරු හෝ උපලක්ෂණ රාශියක් සහිත දත්ත කට්ටලයක් ඔබ සතුව ඇතැයි සිතන්න. සෑම තීරුවක්ම යන්ත්ර ඉගෙනීමේ ඇල්ගොරිතමවල සංකීර්ණත්වය සහ පරිගණක අවශ්යතා එකතු කරයි.
සමහර අවස්ථාවල දී, ඉහළ මානයන් සංඛ්යාවක් තිබීම දත්තවල අර්ථවත් රටා හෝ සම්බන්ධතා සොයා ගැනීම අභියෝගාත්මක කරයි.
Dimensionality අඩු කිරීම හැකිතාක් අදාළ තොරතුරු රඳවා ගනිමින් දත්ත කට්ටලය පහළ-මාන නිරූපණයක් බවට පරිවර්තනය කිරීමෙන් මෙම ගැටලුව විසඳීමට උපකාරී වේ. අතිරික්ත හෝ අඩු තොරතුරු සහිත මානයන් ඉවතලන අතරම දත්තවල වැදගත්ම අංග හෝ වෙනස්කම් ග්රහණය කර ගැනීම එහි අරමුණයි.
44. පෙළ වර්ගීකරණය
පෙළ වර්ගීකරණය යනු ඒවායේ අන්තර්ගතය හෝ අර්ථය මත පදනම්ව පෙළ කොටස් සඳහා නිශ්චිත ලේබල හෝ ප්රවර්ග පැවරීම ඇතුළත් ක්රියාවලියකි. එය තවදුරටත් විශ්ලේෂණය කිරීමට හෝ තීරණ ගැනීමට පහසුකම් සැලසීමට පෙළ තොරතුරු විවිධ කණ්ඩායම් හෝ පන්තිවලට වර්ග කිරීම හෝ සංවිධානය කිරීම වැනිය.
ඊමේල් වර්ගීකරණයේ උදාහරණයක් සලකා බලමු. මෙම අවස්ථාවෙහිදී, එන විද්යුත් තැපෑලක් අයාචිත තැපෑලක් ද අයාචිත තැපැල් නොවන ද යන්න තීරණය කිරීමට අපට අවශ්යය (හැම් ලෙසද හැඳින්වේ). පෙළ වර්ගීකරණය ඇල්ගොරිතම විද්යුත් තැපෑලෙහි අන්තර්ගතය විශ්ලේෂණය කර ඒ අනුව ලේබලයක් පවරයි.
විද්යුත් තැපෑල අයාචිත තැපෑල හා සම්බන්ධ ලක්ෂණ පෙන්නුම් කරන බව ඇල්ගොරිතම තීරණය කරන්නේ නම්, එය "අයාචිත තැපෑල" ලේබලය පවරයි. අනෙක් අතට, විද්යුත් තැපෑල නීත්යානුකූල සහ අයාචිත තැපැල් නොවන බව පෙනේ නම්, එය "අයාචිත තැපැල් නොවන" හෝ "හැම්" ලේබලය පවරයි.
පෙළ වර්ගීකරණය ඊමේල් පෙරීමට ඔබ්බට විවිධ වසම්වල යෙදුම් සොයා ගනී. පාරිභෝගික සමාලෝචනවල (ධනාත්මක, සෘණාත්මක හෝ මධ්යස්ථ) ප්රකාශිත මනෝභාවය තීරණය කිරීම සඳහා මනෝවිශ්ලේෂණයේදී එය භාවිතා වේ.
ප්රවෘත්ති ලිපි විවිධ මාතෘකා හෝ ක්රීඩා, දේශපාලනය, විනෝදාස්වාදය සහ තවත් බොහෝ වර්ගවලට වර්ග කළ හැක. පාරිභෝගික සහාය කතාබස් ලොග ආමන්ත්රණය කරන අභිප්රාය හෝ ගැටලුව මත පදනම්ව වර්ගීකරණය කළ හැක.
45. දුර්වල AI
දුර්වල AI, පටු AI ලෙසද හැඳින්වේ, නිශ්චිත කාර්යයන් හෝ කාර්යයන් ඉටු කිරීමට සැලසුම් කර ඇති සහ වැඩසටහන්ගත කර ඇති කෘතිම බුද්ධි පද්ධති වෙත යොමු වේ. මානව බුද්ධිය මෙන් නොව, පුළුල් පරාසයක සංජානන හැකියාවන් ඇතුළත් වේ, දුර්වල AI විශේෂිත වසමකට හෝ කාර්යයකට සීමා වේ.
දුර්වල AI විශේෂිත මෘදුකාංග හෝ විශේෂිත කාර්යයන් ඉටු කිරීමේදී විශිෂ්ට වන යන්ත්ර ලෙස සිතන්න. උදාහරණයක් ලෙස, ක්රීඩා තත්වයන් විශ්ලේෂණය කිරීමට, චලනයන් උපාය මාර්ග කිරීමට සහ මානව ක්රීඩකයන්ට එරෙහිව තරඟ කිරීමට චෙස් ක්රීඩා කරන AI වැඩසටහනක් නිර්මාණය කළ හැක.
තවත් උදාහරණයක් වන්නේ ඡායාරූප හෝ වීඩියෝවල ඇති වස්තූන් හඳුනා ගත හැකි රූප හඳුනාගැනීමේ පද්ධතියකි.
මෙම AI පද්ධති පුහුණු කර ඇති අතර ඒවායේ විශේෂිත ක්ෂේත්රවල විශිෂ්ටත්වය දැක්වීමට ප්රශස්ත කර ඇත. ඔවුන් ඔවුන්ගේ කාර්යයන් ඵලදායී ලෙස ඉටු කිරීම සඳහා ඇල්ගොරිතම, දත්ත සහ පූර්ව නිර්වචනය කළ නීති මත රඳා පවතී.
කෙසේ වෙතත්, ඔවුන්ගේ නම් කරන ලද වසමෙන් පිටත කාර්යයන් තේරුම් ගැනීමට හෝ ඉටු කිරීමට ඉඩ සලසන සාමාන්ය බුද්ධියක් ඔවුන් සතුව නොමැත.
46. ශක්තිමත් AI
ප්රබල AI, සාමාන්ය AI හෝ කෘතිම සාමාන්ය බුද්ධිය (AGI) ලෙසද හැඳින්වේ, මිනිසෙකුට කළ හැකි ඕනෑම බුද්ධිමය කාර්යයක් තේරුම් ගැනීමට, ඉගෙනීමට සහ ඉටු කිරීමට හැකියාව ඇති කෘතිම බුද්ධියේ ආකාරයකි.
නිශ්චිත කාර්යයන් සඳහා නිර්මාණය කර ඇති දුර්වල AI මෙන් නොව, ශක්තිමත් AI අරමුණු කරන්නේ මිනිසාට සමාන බුද්ධිය සහ සංජානන හැකියාවන් ප්රතිනිර්මාණය කිරීමයි. විශේෂිත කාර්යයන්හි විශිෂ්ටත්වය පමණක් නොව, පුළුල් පරාසයක බුද්ධිමය අභියෝගවලට මුහුණ දීම සඳහා පුළුල් අවබෝධයක් සහ අනුවර්තනයක් ඇති යන්ත්ර හෝ මෘදුකාංග නිර්මාණය කිරීමට එය උත්සාහ කරයි.
ශක්තිමත් AI හි පරමාර්ථය වන්නේ තර්ක කිරීමට, සංකීර්ණ තොරතුරු තේරුම් ගැනීමට, අත්දැකීම් වලින් ඉගෙන ගැනීමට, ස්වභාවික භාෂා සංවාදවල නිරත වීමට, නිර්මාණශීලීත්වය ප්රදර්ශනය කිරීමට සහ මානව බුද්ධියට සම්බන්ධ අනෙකුත් ගුණාංග ප්රදර්ශනය කිරීමට හැකි පද්ධති සංවර්ධනය කිරීමයි.
සාරය වශයෙන්, එය බහු වසම් හරහා මානව මට්ටමේ චින්තනය සහ ගැටළු විසඳීම අනුකරණය කිරීමට හෝ අනුකරණය කිරීමට හැකි AI පද්ධති නිර්මාණය කිරීමට අපේක්ෂා කරයි.
47. ඉදිරි දාම
Forward chaining යනු පවතින දත්ත වලින් ආරම්භ වන තර්ක හෝ තර්ක ක්රමයක් වන අතර එය අනුමාන කිරීමට සහ නව නිගමනවලට එළඹීමට භාවිතා කරයි. එය හරියට ඉදිරියට යාමට සහ අමතර තීක්ෂ්ණ බුද්ධියට ළඟා වීමට අතේ ඇති තොරතුරු භාවිතා කිරීමෙන් තිත් සම්බන්ධ කිරීම වැනිය.
ඔබට නීති හෝ කරුණු මාලාවක් ඇති බව සිතන්න, ඔබට නව තොරතුරු ලබා ගැනීමට හෝ ඒවා මත පදනම්ව නිශ්චිත නිගමනවලට එළඹීමට අවශ්ය වේ. ඉදිරි දාම ක්රියා කරන්නේ මූලික දත්ත පරීක්ෂා කර අමතර කරුණු හෝ නිගමන ජනනය කිරීම සඳහා තාර්කික නීති යෙදීමෙනි.
සරල කිරීම සඳහා, කාලගුණික තත්ත්වයන් මත පදනම්ව පැළඳිය යුතු දේ තීරණය කිරීමේ සරල අවස්ථාවක් සලකා බලමු. “වැස්ස නම් කුඩයක් ගේන්න” කියලා නීතියකුත්, “සීතල නම් ජැකට් එකක් දාගෙන යන්න” කියලා තවත් නීතියකුත් තියෙනවා. දැන්, ඇත්තෙන්ම වැස්ස බව ඔබ නිරීක්ෂණය කළහොත්, ඔබ කුඩයක් ගෙන ආ යුතු බව අනුමාන කිරීමට ඉදිරියට දාමයක් භාවිතා කළ හැකිය.
48. පසුගාමී දාම
Backward chaining යනු අපේක්ෂිත නිගමනයකින් හෝ ඉලක්කයකින් ආරම්භ වන සහ එම නිගමනයට සහාය වීමට අවශ්ය දත්ත හෝ කරුණු තීරණය කිරීමට පසුපසට ක්රියා කරන තර්කන ක්රමයකි. එය හරියට අපේක්ෂිත ප්රතිඵලයේ සිට එය සාක්ෂාත් කර ගැනීමට අවශ්ය මූලික තොරතුරු දක්වා ඔබේ පියවර ලුහුබැඳීම වැනිය.
පසුගාමී දාම තේරුම් ගැනීමට, අපි සරල උදාහරණයක් සලකා බලමු. ඔබට එය පිහිනීමට සුදුසු දැයි තීරණය කිරීමට අවශ්ය යැයි සිතමු. අපේක්ෂිත නිගමනය වන්නේ යම් යම් කොන්දේසි මත පිහිනීම සුදුසුද නැද්ද යන්නයි.
කොන්දේසි සමඟ ආරම්භ කිරීම වෙනුවට, පසුගාමී දාමයක් නිගමනය සමඟ ආරම්භ වන අතර ආධාරක දත්ත සොයා ගැනීමට පසුපසට ක්රියා කරයි.
මෙම අවස්ථාවේදී, පසුගාමී දාමයට "කාලගුණය උණුසුම්ද?" වැනි ප්රශ්න ඇසීමට ඇතුළත් වේ. පිළිතුර ඔව් නම්, ඔබ අසනු ඇත, "තටාකයක් තිබේද?" පිළිතුර ඔව් නම්, "නානීමට තරම් කාලය තිබේද?" වැනි තවත් ප්රශ්න ඔබ අසනු ඇත.
මෙම ප්රශ්නවලට නැවත නැවත පිළිතුරු දීමෙන් සහ පසුපසට වැඩ කිරීමෙන්, පිහිනීමට යාමේ නිගමනයට සහාය වීම සඳහා සපුරාලිය යුතු අවශ්ය කොන්දේසි තීරණය කළ හැකිය.
49. හියුරිස්ටික්
සාමාන්යයෙන් අපගේ අතීත අත්දැකීම් හෝ බුද්ධිය මත පදනම්ව තීරණ ගැනීමට හෝ ගැටලු විසඳීමට උපකාර වන ප්රායෝගික රීතියක් හෝ උපාය මාර්ගයක් යනු සරල වචන වලින්. එය දිගු හෝ සම්පූර්ණ ක්රියාවලියකින් තොරව සාධාරණ විසඳුමක් ඉක්මනින් ඉදිරිපත් කිරීමට අපට ඉඩ සලසන මානසික කෙටිමඟක් වැනිය.
සංකීර්ණ තත්වයන්ට හෝ කර්තව්යයන්ට මුහුණ දෙන විට, තීරණ ගැනීම සරල කරන මාර්ගෝපදේශක මූලධර්ම හෝ "මාපට ඇඟිල්ලේ රීති" ලෙස හූරිස්ටික්ස් සේවය කරයි. ඔවුන් ප්රශස්ත විසඳුම සහතික නොකළ හැකි වුවද, ඇතැම් අවස්ථාවලදී බොහෝ විට ඵලදායී වන සාමාන්ය මාර්ගෝපදේශ හෝ උපාය මාර්ග අපට සපයයි.
උදාහරණයක් ලෙස, ජනාකීර්ණ ප්රදේශයක වාහන නැවැත්වීමේ ස්ථානයක් සොයා ගැනීම සඳහා හූරිස්ටික් එකක් සලකා බලමු. පවතින සෑම ස්ථානයක්ම ඉතා සූක්ෂම ලෙස විශ්ලේෂණය කරනවා වෙනුවට, ඒවායේ එන්ජින් ක්රියාත්මක වන පරිදි නවතා ඇති මෝටර් රථ සෙවීමේ හියුරිස්ටික් මත විශ්වාසය තැබිය හැකිය.
මෙම හූරිස්ටික් උපකල්පනය කරන්නේ මෙම මෝටර් රථ පිටත් වීමට ආසන්න වන අතර, පවතින ස්ථානයක් සොයා ගැනීමේ අවස්ථා වැඩි කරයි.
50. ස්වභාවික භාෂා ආකෘති නිර්මාණය
ස්වාභාවික භාෂා ආකෘති නිර්මාණය, සරල වචන වලින්, මිනිසුන් සන්නිවේදනය කරන ආකාරය හා සමාන ආකාරයෙන් මිනිස් භාෂාව තේරුම් ගැනීමට සහ උත්පාදනය කිරීමට පරිගණක ආකෘති පුහුණු කිරීමේ ක්රියාවලියයි. ස්වාභාවික හා අර්ථවත් ආකාරයෙන් පෙළ සැකසීමට, අර්ථ නිරූපණය කිරීමට සහ උත්පාදනය කිරීමට පරිගණක ඉගැන්වීම එයට ඇතුළත් වේ.
ස්වභාවික භාෂා ආකෘති නිර්මාණයේ පරමාර්ථය වන්නේ පරිඝනකවලට මානව භාෂාව චතුර ලෙස, සුසංයෝගී සහ සන්දර්භානුකූලව අදාළ වන ආකාරයෙන් අවබෝධ කර ගැනීමට සහ උත්පාදනය කිරීමට හැකියාව ලබා දීමයි.
භාෂාවේ රටා, ව්යුහයන් සහ අර්ථ ශාස්ත්ර ඉගෙනීම සඳහා පොත්, ලිපි හෝ සංවාද වැනි විශාල පෙළ දත්ත ප්රමාණයක පුහුණු ආකෘති එයට ඇතුළත් වේ.
පුහුණු වූ පසු, මෙම ආකෘතීන්ට භාෂා පරිවර්තනය, පෙළ සාරාංශ කිරීම, ප්රශ්නවලට පිළිතුරු සැපයීම, චැට්බෝට් අන්තර්ක්රියා සහ තවත් බොහෝ භාෂා ආශ්රිත කාර්යයන් ඉටු කළ හැකිය.
ඔවුන්ට වාක්යවල අර්ථය සහ සන්දර්භය තේරුම් ගැනීමට, අදාළ තොරතුරු උපුටා ගැනීමට සහ ව්යාකරණමය වශයෙන් නිවැරදි සහ අනුකූල පෙළ ජනනය කිරීමට හැකිය.
ඔබමයි