பொருளடக்கம்[மறை][காட்டு]
மனிதர்களை விட ரோபோக்கள் புத்திசாலிகள் என்ற கருத்து அறிவியல் புனைகதைகள் இருக்கும் வரை நமது கூட்டு கற்பனையை கவர்ந்துள்ளது.
இருப்பினும், செயற்கை நுண்ணறிவு (AI) இன்னும் அந்த நிலையை எட்டவில்லை என்றாலும், கூகுள், டெஸ்லா மற்றும் உபெர் மூலம் சுய-ஓட்டுநர் கார்கள் மூலம் சோதனை செய்ததன் மூலம், இயந்திர நுண்ணறிவை உருவாக்குவதில் குறிப்பிடத்தக்க முன்னேற்றங்களைச் செய்துள்ளோம்.
டீப் லேர்னிங்கின் அளவிடுதல் மற்றும் பயன்பாடு, இந்த தொழில்நுட்ப முன்னேற்றத்தை செயல்படுத்தும் இயந்திர கற்றல் அணுகுமுறை, பல்கலைக்கழகங்கள் மற்றும் ஆராய்ச்சி ஆய்வகங்களிலிருந்து தயாரிப்புகளுக்கு AI இன் வெற்றிகரமான மாற்றத்திற்கு ஓரளவு பொறுப்பாகும்.
அடுத்த கணினி புரட்சி செயற்கை நுண்ணறிவு, ஆழமான கற்றல், மற்றும் இயந்திர கற்றல்.
இந்த தொழில்நுட்பங்கள் கடந்த காலத்தில் சேகரிக்கப்பட்ட தரவுகளின் அடிப்படையில் எதிர்கால நிகழ்வுகளை முன்னறிவிப்பதன் மூலம் வடிவங்களைக் கண்டறியும் திறனில் கட்டமைக்கப்பட்டுள்ளன. நீங்கள் ஆன்லைனில் வாங்கும் போது Amazon ஏன் யோசனைகளை உருவாக்குகிறது அல்லது Netflix 1980 களின் மோசமான திரைப்படங்களை நீங்கள் விரும்புகிறீர்கள் என்பதை இது விளக்குகிறது.
AI கான்செப்ட்களைப் பயன்படுத்தும் கணினிகள் சில நேரங்களில் "ஸ்மார்ட்" என்று அழைக்கப்பட்டாலும், இந்த அமைப்புகளில் பெரும்பாலானவை தாங்களாகவே கற்றுக் கொள்வதில்லை; மனித தொடர்பு தேவை.
தரவு விஞ்ஞானிகள் பயன்படுத்தப்படும் மாறிகளைத் தேர்ந்தெடுப்பதன் மூலம் உள்ளீடுகளைத் தயாரிக்கின்றனர் கணிப்பு பகுப்பாய்வு. மறுபுறம், ஆழ்ந்த கற்றல், இந்தச் செயல்பாட்டை தானாகச் செய்ய முடியும்.
ஆழமான கற்றல், அதன் அகலம் மற்றும் எதிர்கால சாத்தியக்கூறுகள் பற்றி மேலும் அறிய ஆர்வமுள்ள எந்தவொரு தரவு பிரியர்களுக்கும் இந்த இடுகை ஒரு கள வழிகாட்டியாக செயல்படுகிறது.
ஆழ்ந்த கற்றல் என்றால் என்ன?
ஆழ்ந்த கற்றலை இயந்திரக் கற்றலின் துணைக்குழுவாகக் கருதலாம்.
இது சுய கற்றல் மற்றும் கணினி வழிமுறைகளை ஆராய்வதன் மூலம் மேம்படுத்தப்பட்ட ஒரு துறையாகும்.
ஆழ்ந்த கற்றல், இயந்திரக் கற்றலுக்கு மாறாக, செயற்கையாகச் செயல்படுகிறது நரம்பியல் வலையமைப்புகள், மக்கள் எப்படி சிந்திக்கிறார்கள் மற்றும் கற்றுக்கொள்கிறார்கள் என்பதைப் பிரதிபலிக்க வேண்டும். சமீப காலம் வரை, கணினி சக்திக் கட்டுப்பாடுகள் காரணமாக நரம்பியல் நெட்வொர்க்குகள் சிக்கலான நிலையில் கட்டுப்படுத்தப்பட்டன.
இருப்பினும், பிக் டேட்டா பகுப்பாய்வின் முன்னேற்றங்கள், பெரிய, அதிக சக்தி வாய்ந்த நரம்பியல் வலையமைப்புகளை இயக்கி, மக்களை விட சிக்கலான சூழ்நிலைகளை விரைவாகக் கண்காணிக்கவும், புரிந்து கொள்ளவும், பதிலளிக்கவும் கணினிகளுக்கு உதவுகிறது.
படிக்க பரிந்துரைக்கிறோம் - டெஸ்லா நியூரல் நெட்வொர்க் கட்டிடக்கலை விளக்கப்பட்டது
பட வகைப்படுத்தல், மொழி மொழிபெயர்ப்பு மற்றும் பேச்சு அங்கீகாரம் அனைத்தும் ஆழ்ந்த கற்றல் மூலம் பயனடைந்துள்ளன. மனித தொடர்பு தேவையில்லாமல் எந்த மாதிரி அங்கீகார சிக்கலையும் இது சமாளிக்கும்.
இது அடிப்படையில் மூன்று அல்லது அதற்கு மேற்பட்ட அடுக்குகளைக் கொண்டது நரம்பு நெட்வொர்க். இந்த நரம்பியல் நெட்வொர்க்குகள், மனித மூளையின் செயல்பாட்டைப் பின்பற்ற முயல்கின்றன, இருப்பினும், அது மிகப்பெரிய அளவிலான தரவுகளிலிருந்து "கற்றுக்கொள்ள" உதவுகிறது.
நரம்பியல் வலையமைப்பின் ஒற்றை அடுக்கு இன்னும் தோராயமான கணிப்புகளை உருவாக்க முடியும் என்றாலும், அதிக மறைக்கப்பட்ட அடுக்குகள் துல்லியத்தை மேம்படுத்துவதற்கும் சரிப்படுத்துவதற்கும் உதவும்.
நியூரல் நெட்வொர்க் என்றால் என்ன?
செயற்கை நரம்பியல் வலையமைப்புகள் மனித மூளையில் காணப்படும் நரம்பியல் வலைகளை அடிப்படையாகக் கொண்டவை. பொதுவாக, ஒரு நரம்பியல் வலையமைப்பு மூன்று அடுக்குகளைக் கொண்டது.
மூன்று நிலைகள் உள்ளீடு, வெளியீடு மற்றும் மறைக்கப்பட்டவை. செயலில் உள்ள ஒரு நரம்பியல் நெட்வொர்க் கீழே உள்ள வரைபடத்தில் காணப்படுகிறது.
மேலே காட்டப்பட்டுள்ள நரம்பியல் வலையமைப்பு ஒரே ஒரு மறைக்கப்பட்ட அடுக்கைக் கொண்டிருப்பதால், இது "ஆழ்ந்த நரம்பியல் நெட்வொர்க்" என்று அழைக்கப்படுகிறது.
மேலும் அதிநவீன கட்டமைப்புகளை உருவாக்க இத்தகைய அமைப்புகளில் மேலும் மறைக்கப்பட்ட அடுக்குகள் சேர்க்கப்படுகின்றன.
டீப் நெட்வொர்க் என்றால் என்ன?
ஆழமான நெட்வொர்க்கில், பல மறைக்கப்பட்ட அடுக்குகள் சேர்க்கப்படுகின்றன.
நெட்வொர்க்கில் மறைந்திருக்கும் அடுக்குகளின் எண்ணிக்கை அதிகரிப்பதால், நெட்வொர்க்கை சரியாகப் பயிற்றுவிப்பதற்குத் தேவையான நேரத்தைப் பற்றி மட்டுமல்லாமல், தேவையான ஆதாரங்களின் அடிப்படையில் இத்தகைய வடிவமைப்புகளைப் பயிற்றுவிப்பது மிகவும் சிக்கலானதாகிறது.
உள்ளீடு, நான்கு மறைக்கப்பட்ட அடுக்குகள் மற்றும் வெளியீடு ஆகியவற்றைக் கொண்ட ஆழமான நெட்வொர்க் கீழே காட்டப்பட்டுள்ளது.
ஆழ்ந்த கற்றல் எவ்வாறு செயல்படுகிறது?
நியூரான்கள் மனித மூளையை எவ்வாறு உருவாக்குகின்றன என்பதைப் போலவே நரம்பியல் வலையமைப்புகள் முனைகளின் அடுக்குகளால் கட்டமைக்கப்பட்டுள்ளன. தனிப்பட்ட அடுக்கு முனைகள் அண்டை அடுக்குகளில் உள்ள முனைகளுடன் இணைக்கப்பட்டுள்ளன.
நெட்வொர்க்கில் உள்ள அடுக்குகளின் எண்ணிக்கை அதன் ஆழத்தைக் குறிக்கிறது. ஒரு ஒற்றை நியூரான் மனித மூளை ஆயிரக்கணக்கான செய்திகளைப் பெறுகிறது.
சிக்னல்கள் ஒரு செயற்கை நரம்பியல் வலையமைப்பில் முனைகளுக்கு இடையில் நகரும், இது அவர்களுக்கு எடைகளை ஒதுக்குகிறது.
அதிக எடை கொண்ட ஒரு முனை அதற்கு கீழே உள்ள முனைகளில் அதிக தாக்கத்தை ஏற்படுத்துகிறது. கடைசி அடுக்கு ஒரு வெளியீட்டை வழங்க எடையுள்ள உள்ளீடுகளை ஒருங்கிணைக்கிறது.
அதிக அளவு தரவு கையாளப்படுவதாலும், அதில் உள்ள பல அதிநவீன கணிதக் கணக்கீடுகளாலும் ஆழமான கற்றல் அமைப்புகளுக்கு வலுவான வன்பொருள் தேவைப்படுகிறது.
ஆழ்ந்த கற்றல் பயிற்சி கணக்கீடுகள், அத்தகைய அதிநவீன தொழில்நுட்பத்துடன் கூட, வாரங்கள் ஆகலாம்.
சரியான கண்டுபிடிப்புகளை வழங்க ஆழமான கற்றல் அமைப்புகளுக்கு கணிசமான அளவு தரவு தேவைப்படுகிறது; எனவே, தகவல் பாரிய தரவுத்தொகுப்பு வடிவில் வழங்கப்படுகிறது.
தரவைச் செயலாக்கும் போது, செயற்கை நரம்பியல் நெட்வொர்க்குகள் மிகவும் சிக்கலான கணிதக் கணக்கீடுகளை உள்ளடக்கிய பைனரி ஆம் அல்லது தவறான கேள்விகளின் வரிசைக்கான பதில்களின் அடிப்படையில் தகவலை வகைப்படுத்தலாம்.
உதாரணமாக, ஒரு முக அங்கீகார அல்காரிதம், முகங்களின் விளிம்புகள் மற்றும் கோடுகளை அடையாளம் கண்டு அடையாளம் காண கற்றுக்கொள்கிறது.
பின்னர் முகங்களின் மிகவும் குறிப்பிடத்தக்க கூறுகள், இறுதியில் முகங்களின் முழு பிரதிநிதித்துவங்கள்.
அல்காரிதம் காலப்போக்கில் தன்னைப் பயிற்றுவிக்கிறது, சரியான பதில்களின் வாய்ப்பை அதிகரிக்கிறது.
இந்த சூழ்நிலையில், முகத்தை அடையாளம் காணும் அல்காரிதம் காலப்போக்கில் முகங்களை இன்னும் சரியாக அடையாளம் காணும்.
ஆழ்ந்த கற்றல் VS இயந்திர கற்றல்
ஆழ்ந்த கற்றல் இயந்திர கற்றலில் இருந்து எவ்வாறு வேறுபடுகிறது?
ஆழ்ந்த கற்றல் என்பது பாரம்பரிய இயந்திரக் கற்றலில் இருந்து வேறுபட்டது, அது பயன்படுத்தும் தரவு வகைகள் மற்றும் கற்க பயன்படுத்தும் முறைகள்.
கணிப்புகளை உருவாக்க, இயந்திர கற்றல் வழிமுறைகள் கட்டமைக்கப்பட்ட, லேபிளிடப்பட்ட தரவைப் பயன்படுத்துகின்றன, அதாவது மாதிரியின் உள்ளீட்டுத் தரவிலிருந்து சில பண்புகள் குறிப்பிடப்பட்டு அட்டவணைகளாகத் தொகுக்கப்படுகின்றன.
இது கட்டமைக்கப்படாத தரவுகளைப் பயன்படுத்தாது என்பதை இது குறிக்கவில்லை; மாறாக, அவ்வாறு செய்தால், அதை ஒரு கட்டமைக்கப்பட்ட வடிவத்தில் வைப்பதற்கு வழக்கமாக சில முன்-செயலாக்கங்கள் மூலம் செல்லும்.
இயந்திரக் கற்றல் பொதுவாக உள்ளடக்கிய தரவு முன் செயலாக்கத்தின் ஒரு பகுதியை ஆழமான கற்றல் நீக்குகிறது.
இந்த அல்காரிதம்கள் உரை மற்றும் படங்கள் போன்ற கட்டமைக்கப்படாத தரவுகளை உள்வாங்கலாம் மற்றும் விளக்கலாம், அத்துடன் அம்சத்தைப் பிரித்தெடுப்பதை தானியங்குபடுத்தலாம், மனித நிபுணர்கள் மீதான நம்பிக்கையைக் குறைக்கலாம்.
"பூனை," "நாய்," "வெள்ளெலி" மற்றும் பல வகைகளாக நாங்கள் ஒழுங்கமைக்க விரும்பிய பல்வேறு செல்லப்பிராணிகளின் படங்களின் தொகுப்பு எங்களிடம் இருப்பதாக கற்பனை செய்துகொள்வோம்.
ஒரு விலங்கிலிருந்து மற்றொன்றைப் பிரிப்பதில் எந்தப் பண்புகள் (காதுகள் போன்றவை) மிகவும் அவசியமானவை என்பதை ஆழமான கற்றல் வழிமுறைகள் கண்டுபிடிக்கலாம். இந்த அம்சப் படிநிலையானது இயந்திரக் கற்றலில் மனித நிபுணரால் கைமுறையாக தீர்மானிக்கப்படுகிறது.
ஆழமான கற்றல் முறை அதன் மூலம் துல்லியமாக மாறுகிறது மற்றும் தன்னைப் பொருத்துகிறது சாய்வு வம்சாவளி மற்றும் பின் பரப்புதல், இது ஒரு விலங்கின் புதிய ஸ்னாப்ஷாட்டைப் பற்றிய துல்லியமான கணிப்புகளை உருவாக்க அனுமதிக்கிறது.
ஆழ்ந்த கற்றல் பயன்பாடுகள்
1. chatbots
சாட்போட்கள் கிளையண்ட் பிரச்சனைகளை சில நொடிகளில் சரிசெய்யும். சாட்பாட் என்பது ஒரு செயற்கை நுண்ணறிவு (AI) டெக்ஸ்ட் அல்லது டெக்ஸ்ட்-டு-ஸ்பீச் வழியாக ஆன்லைனில் தொடர்பு கொள்ள உங்களை அனுமதிக்கும் கருவி.
இது மனிதர்களைப் போலவே தொடர்பு கொள்ளவும் செயல்களை நடத்தவும் முடியும். சாட்போட்கள் வாடிக்கையாளர் சேவை, சமூக ஊடக சந்தைப்படுத்தல் மற்றும் கிளையன்ட் உடனடி செய்தி அனுப்புதல் ஆகியவற்றில் பரவலாகப் பயன்படுத்தப்படுகின்றன.
இது உங்கள் உள்ளீடுகளுக்கு தானியங்கி பதில்களுடன் பதிலளிக்கிறது. இது இயந்திர கற்றல் மற்றும் ஆழ்ந்த கற்றல் நுட்பங்களைப் பயன்படுத்தி பல வகையான பதில்களை உருவாக்குகிறது.
2. சுயமாக ஓட்டும் கார்கள்
டீப் லேர்னிங் என்பது சுய-ஓட்டுநர் கார்கள் யதார்த்தமாக மாறுவதற்குப் பின்னால் உள்ள முதன்மையான காரணியாகும்.
ஒரு மாதிரியை உருவாக்க ஒரு மில்லியன் தரவுத் தொகுப்புகள் ஒரு அமைப்பில் ஏற்றப்படுகின்றன, கற்றுக்கொள்ள இயந்திரங்களைப் பயிற்றுவிக்கவும், பின்னர் பாதுகாப்பான சூழலில் கண்டுபிடிப்புகளை மதிப்பீடு செய்யவும்.
உபெர் செயற்கை நுண்ணறிவு பிட்ஸ்பர்க்கில் உள்ள ஆய்வகங்கள் ஓட்டுநர் இல்லாத கார்களை மிகவும் பொதுவானதாக மாற்றுவது மட்டுமல்லாமல், ஓட்டுநர் இல்லாத கார்களைப் பயன்படுத்துவதன் மூலம் உணவு விநியோக சாத்தியங்கள் போன்ற பல ஸ்மார்ட் அம்சங்களை ஒருங்கிணைக்க முயற்சிக்கிறது.
சுய-ஓட்டுநர் வாகன மேம்பாட்டிற்கான மிக முக்கியமான கவலை எதிர்பாராத நிகழ்வுகளைக் கையாள்வதாகும்.
சோதனை மற்றும் செயல்படுத்துதலின் தொடர்ச்சியான சுழற்சி, ஆழமான கற்றல் அல்காரிதம்களுக்கு பொதுவானது, இது மில்லியன் கணக்கான காட்சிகளுக்கு மேலும் மேலும் வெளிப்படும் என்பதால் பாதுகாப்பான ஓட்டுதலை உறுதி செய்கிறது.
3. மெய்நிகர் உதவியாளர்
மெய்நிகர் உதவியாளர்கள் கிளவுட்-அடிப்படையிலான நிரல்களாகும், அவை இயற்கையான மொழி குரல் கட்டளைகளை அங்கீகரித்து உங்கள் சார்பாக செயல்களைச் செய்கின்றன.
Amazon Alexa, Cortana, Siri மற்றும் Google Assistant போன்ற மெய்நிகர் உதவியாளர்கள் பொதுவான உதாரணங்கள்.
அவர்களின் திறனை முழுமையாகப் பயன்படுத்த, இணையத்துடன் இணைக்கப்பட்ட சாதனங்கள் தேவை. உதவியாளருக்கு ஒரு கட்டளை கொடுக்கப்பட்டால், அது ஆழமான கற்றல் வழிமுறைகளைப் பயன்படுத்தி முந்தைய சந்திப்புகளின் அடிப்படையில் சிறந்த அனுபவத்தை வழங்க முனைகிறது.
4. பொழுதுபோக்கு
Netflix, Amazon, YouTube மற்றும் Spotify போன்ற நிறுவனங்கள் தங்கள் வாடிக்கையாளர்களுக்கு அவர்களின் அனுபவத்தை மேம்படுத்த பொருத்தமான திரைப்படம், பாடல் மற்றும் வீடியோ பரிந்துரைகளை வழங்குகின்றன.
இவை அனைத்திற்கும் டீப் லேர்னிங்தான் காரணம்.
ஆன்லைன் ஸ்ட்ரீமிங் நிறுவனங்கள் ஒரு நபரின் உலாவல் வரலாறு, ஆர்வங்கள் மற்றும் செயல்பாடு ஆகியவற்றின் அடிப்படையில் தயாரிப்பு மற்றும் சேவை பரிந்துரைகளை வழங்குகின்றன.
ஆழ்ந்த கற்றல் வழிமுறைகள் சப்டைட்டில்களை தானாக உருவாக்கவும், அமைதியான திரைப்படங்களுக்கு ஒலி சேர்க்கவும் பயன்படுகிறது.
5. ரோபாட்டிக்ஸ்
மனிதனைப் போன்ற வேலைகளைச் செய்யக்கூடிய ரோபோக்களை உருவாக்குவதில் ஆழ்ந்த கற்றல் பரவலாகப் பயன்படுத்தப்படுகிறது.
ஆழ்ந்த கற்றல்-இயங்கும் ரோபோக்கள் தங்கள் பாதையில் உள்ள தடைகளைக் கண்டறிந்து, அவற்றின் போக்கை விரைவாக ஏற்பாடு செய்ய நிகழ்நேர புதுப்பிப்புகளைப் பயன்படுத்துகின்றன.
மருத்துவமனைகள், தொழிற்சாலைகள், கிடங்குகள், சரக்கு மேலாண்மை, தயாரிப்பு உற்பத்தி மற்றும் பலவற்றில் பொருட்களை கொண்டு செல்ல இது பயன்படுத்தப்படலாம்.
Boston Dynamics ரோபோக்கள் மனிதர்கள் தள்ளப்படும்போது அவர்களுக்கு பதிலளிக்கின்றன. அவர்கள் பாத்திரங்கழுவியை காலி செய்யலாம், அவர்கள் விழும்போது எழுந்திருக்கலாம், மேலும் பலவிதமான செயல்களைச் செய்யலாம்.
6. ஹெல்த்கேர்
மருத்துவர்கள் XNUMX மணி நேரமும் தங்கள் நோயாளிகளுடன் இருக்க முடியாது, ஆனால் நாம் அனைவரும் எப்பொழுதும் நம்முடன் வைத்திருக்கும் ஒன்று நமது தொலைபேசிகள்.
ஆழ்ந்த கற்றல், மருத்துவத் தொழில்நுட்பங்களை நாம் கைப்பற்றும் படங்களிலிருந்து தரவை பகுப்பாய்வு செய்வதற்கும், சாத்தியமான உடல்நலக் கவலைகளைக் கண்டறிய இயக்கத் தரவையும் அனுமதிக்கிறது.
உதாரணமாக, AI இன் கணினி பார்வை நிரல், வீழ்ச்சி மற்றும் மன நிலையில் ஏற்படும் மாற்றங்களைக் கணிக்க நோயாளியின் இயக்க முறைகளைப் பின்பற்ற இந்தத் தரவைப் பயன்படுத்துகிறது.
புகைப்படங்கள் மற்றும் பலவற்றைப் பயன்படுத்தி தோல் புற்றுநோயைக் கண்டறிய ஆழமான கற்றல் பயன்படுத்தப்படுகிறது.
7. இயற்கை மொழி செயலாக்கம்
இயற்கையான மொழி செயலாக்க தொழில்நுட்பத்தை உருவாக்குவது ரோபோக்கள் தகவல்தொடர்புகளைப் படிக்கவும் அவற்றிலிருந்து அர்த்தத்தைப் பெறவும் உதவுகிறது.
ஆயினும்கூட, அணுகுமுறை மிகைப்படுத்தப்படலாம், ஒரு சொற்றொடரின் பொருள் அல்லது நோக்கத்தை பாதிக்கும் வகையில் வார்த்தைகள் சேரும் வழிகளைக் கணக்கிடத் தவறிவிடலாம்.
ஆழ்ந்த கற்றல், சொற்றொடர்களில் மிகவும் சிக்கலான வடிவங்களை அடையாளம் காணவும் மேலும் துல்லியமான விளக்கங்களை வழங்கவும் இயற்கை மொழி செயலிகளுக்கு உதவுகிறது.
8. கணினி பார்வை
மனித மனம் எவ்வாறு தகவலைச் செயலாக்குகிறது மற்றும் வடிவங்களை அங்கீகரிக்கிறது என்பதை ஆழமான கற்றல் பிரதிபலிக்க முயற்சிக்கிறது, இது பார்வை அடிப்படையிலான AI பயன்பாடுகளைப் பயிற்றுவிப்பதற்கான சிறந்த முறையாகும்.
அந்த அமைப்புகள் குறியிடப்பட்ட புகைப்படத் தொகுப்புகளை அடுத்தடுத்து எடுக்கலாம் மற்றும் விமானங்கள், முகங்கள் மற்றும் ஆயுதங்களைப் பயன்படுத்தி அவற்றை அடையாளம் காண கற்றுக்கொள்ளலாம். ஆழமான கற்றல் மாதிரிகள்.
செயலில் ஆழ்ந்த கற்றல்
நீங்கள் விரும்பக்கூடிய பாடல்களைப் பரிந்துரைக்கும் உங்களுக்குப் பிடித்த இசை ஸ்ட்ரீமிங் சேவையைத் தவிர, ஆழ்ந்த கற்றல் மக்களின் வாழ்க்கையை எவ்வாறு மாற்றுகிறது?
ஆழ்ந்த கற்றல், பரவலான பயன்பாடுகளில் அதன் வழியை உருவாக்குகிறது. ஃபேஸ்புக்கைப் பயன்படுத்தும் எவரும், நீங்கள் புதிய படங்களை இடுகையிடும்போது, சமூகத் தளம் உங்கள் நண்பர்களை அடிக்கடி அடையாளம் கண்டு குறியிடுவதைக் கவனிப்பார்கள்.
Siri, Cortana, Alexa மற்றும் Google Now போன்ற டிஜிட்டல் உதவியாளர்களால் இயல்பான மொழி செயலாக்கம் மற்றும் பேச்சு அங்கீகாரத்திற்காக ஆழ்ந்த கற்றல் பயன்படுத்தப்படுகிறது.
நிகழ்நேர மொழிபெயர்ப்பு ஸ்கைப் மூலம் வழங்கப்படுகிறது. பல மின்னஞ்சல் சேவைகள் இன்பாக்ஸை அடைவதற்கு முன்பே ஸ்பேம் செய்திகளைக் கண்டறியும் திறனை மேம்படுத்தியுள்ளன.
மோசடியான பணம் செலுத்துவதைத் தடுக்க PayPal ஆழ்ந்த கற்றலைப் பயன்படுத்துகிறது. உதாரணமாக, CamFind, எந்தவொரு பொருளின் புகைப்படத்தையும் எடுக்க உங்களை அனுமதிக்கிறது மற்றும் மொபைல் காட்சி தேடல் தொழில்நுட்பத்தைப் பயன்படுத்தி, அது என்ன என்பதைத் தீர்மானிக்கிறது.
குறிப்பாக கூகுள் மூலம் தீர்வுகளை வழங்க ஆழமான கற்றல் பயன்படுத்தப்படுகிறது. AlphaGo, Google Deepmind உருவாக்கிய கணினி நிரல், தற்போதைய Go சாம்பியன்களை வீழ்த்தியுள்ளது.
DeepMind ஆல் உருவாக்கப்பட்ட WaveNet, தற்போது இருக்கும் பேச்சு அமைப்புகளை விட இயற்கையாக ஒலிக்கும் பேச்சை உருவாக்க முடியும். வாய்மொழி மற்றும் உரை மொழிகளை மொழிபெயர்க்க, Google மொழியாக்கம் ஆழ்ந்த கற்றல் மற்றும் பட அங்கீகாரத்தைப் பயன்படுத்துகிறது.
Google Planet ஐப் பயன்படுத்தி எந்தப் புகைப்படத்தையும் அடையாளம் காண முடியும். AI பயன்பாடுகளை உருவாக்க உதவுவதற்காக, Google உருவாக்கியது டென்சர்ஃப்ளோ ஆழமான கற்றல் மென்பொருள் தரவுத்தளம்.
ஆழ்ந்த கற்றலின் எதிர்காலம்
தொழில்நுட்பத்தைப் பற்றி விவாதிக்கும்போது ஆழ்ந்த கற்றல் என்பது தவிர்க்க முடியாத தலைப்பு. ஆழ்ந்த கற்றல் தொழில்நுட்பத்தின் மிக முக்கியமான கூறுகளில் ஒன்றாக உருவாகியுள்ளது என்று சொல்லத் தேவையில்லை.
AI, ஆழ்ந்த கற்றல், இயந்திர கற்றல் மற்றும் பல போன்ற தொழில்நுட்பங்களில் நிறுவனங்கள் மட்டுமே ஆர்வமாக இருந்தன. தனிநபர்களும், தொழில்நுட்பத்தின் இந்த உறுப்பில், குறிப்பாக ஆழ்ந்த கற்றலில் ஆர்வம் காட்டுகின்றனர்.
ஆழ்ந்த கற்றல் அதிக கவனத்தைப் பெறுவதற்கான பல காரணங்களில் ஒன்று, சிறந்த தரவு உந்துதல் முடிவுகளை அனுமதிக்கும் அதே வேளையில் கணிப்புத் துல்லியத்தை மேம்படுத்தும் திறன் ஆகும்.
ஆழ்ந்த கற்றல் மேம்பாட்டுக் கருவிகள், நூலகங்கள் மற்றும் மொழிகள் சில ஆண்டுகளில் எந்த மென்பொருள் மேம்பாட்டு கருவித்தொகுப்பின் வழக்கமான கூறுகளாக மாறக்கூடும்.
இந்த தற்போதைய கருவி தொகுப்புகள் புதிய மாடல்களின் எளிய வடிவமைப்பு, அமைப்பு மற்றும் பயிற்சிக்கு வழி வகுக்கும்.
உடை மாற்றம், தானாகக் குறியிடுதல், இசை உருவாக்கம், மற்றும் பிற பணிகளை இந்தத் திறன்களைக் கொண்டு செய்வது மிகவும் எளிதாக இருக்கும்.
விரைவான குறியீட்டு முறைக்கான தேவை அதிகமாக இருந்ததில்லை.
ஆழ்ந்த கற்றல் டெவலப்பர்கள் ஒருங்கிணைந்த, திறந்த, மேகக்கணி சார்ந்த மேம்பாட்டு சூழல்களை அதிகளவில் பயன்படுத்துவார்கள், இது எதிர்காலத்தில் பரந்த அளவிலான ஆஃப்-தி-ஷெல்ஃப் மற்றும் சொருகக்கூடிய அல்காரிதம் நூலகங்களை அணுக அனுமதிக்கிறது.
ஆழ்ந்த கற்றலுக்கு மிகவும் பிரகாசமான எதிர்காலம் உள்ளது!
ஒரு நன்மை நரம்பு நெட்வொர்க் பெரிய அளவிலான பன்முகத் தரவுகளைக் கையாள்வதில் இது சிறந்து விளங்குகிறது (எப்பொழுதும் நம் மூளை சமாளிக்க வேண்டிய அனைத்தையும் நினைத்துப் பாருங்கள்).
பெரிய அளவிலான தரவைச் சேகரிக்கக்கூடிய சக்திவாய்ந்த ஸ்மார்ட் சென்சார்களின் காலத்தில் இது குறிப்பாக உண்மை. பாரம்பரிய கணினி அமைப்புகள் பல தரவுகளை பிரித்து, வகைப்படுத்தி, முடிவுகளை எடுக்க போராடி வருகின்றன.
தீர்மானம்
ஆழமான கற்றல் அதிகாரங்களை பெரும்பாலான செயற்கை நுண்ணறிவு (AI) தீர்வுகள் ஆட்டோமேஷன் மற்றும் பகுப்பாய்வு மேம்படுத்த முடியும் செயல்முறைகள்.
பெரும்பாலான தனிநபர்கள் இணையம் அல்லது தங்கள் மொபைல் போன்களைப் பயன்படுத்தும் போது தினசரி ஆழ்ந்த கற்றலுடன் தொடர்பு கொள்கிறார்கள்.
YouTube வீடியோக்களுக்கான வசனங்களை உருவாக்க ஆழமான கற்றல் பயன்படுத்தப்படுகிறது. ஃபோன்கள் மற்றும் ஸ்மார்ட் ஸ்பீக்கர்களில் குரல் அங்கீகாரத்தை நடத்துங்கள்.
படங்களுக்கு முக அடையாளத்தை வழங்கவும், மேலும் பல பயன்பாடுகளுடன் சுயமாக ஓட்டும் ஆட்டோமொபைல்களை அனுமதிக்கவும்.
மேலும், தரவு விஞ்ஞானிகள் மற்றும் கல்வியாளர்கள் பெருகிய முறையில் சிக்கலைச் சமாளிப்பது ஆழ்ந்த கற்றல் கட்டமைப்புகளைப் பயன்படுத்தி ஆழமான கற்றல் திட்டங்கள், இந்த வகையான செயற்கை நுண்ணறிவு நமது அன்றாட வாழ்வில் பெருகிய முறையில் முக்கியமான பகுதியாக மாறும்.
ஒரு பதில் விடவும்