दूसरे वर्ष के लिए, हम (डीजेड सिस्टम) डिजिटल परिवर्तन कार्यक्रमों की एक श्रृंखला का फिल्मांकन कर रहे हैं। आमतौर पर ये "व्यवसाय से संबंधित" कार्यक्रम होते हैं, जो मुख्य रूप से शीर्ष प्रबंधकों के उद्देश्य से होते हैं और जिन्हें डिजिटल परिवर्तन कहा जाता है, के व्यावसायिक मूल्य को समझने में मदद करने के लिए डिज़ाइन किया गया है।
लेकिन इस साल, हम दूसरे "लाइन" कार्यक्रमों की शूटिंग भी कर रहे हैं - डीजेड ऑनलाइन टेक, जो अब पहले से ही एक ही विषय के तकनीकी पहलुओं पर केंद्रित है। संक्षेप में - कि "हुड के नीचे है।"
नीचे एक और ऐसे ट्रांसमिशन का ट्रांसक्रिप्ट है जिसमें इवान यामशिकोव और मैं (यांडेक्स, एबीबीवाई और सामान्य रूप से एक उच्च श्रेणी के पेशेवर) आधुनिक दुनिया में तंत्रिका नेटवर्क के उपयोग के बारे में बात करते हैं।
यदि रुचि है,
तो आप कार्यक्रम को स्वयं देख सकते हैं ।
और जो पढ़ना पसंद करते हैं उनके लिए - नीचे एक प्रतिलिपि:
- नमस्कार। हमारे मेहमान आज एबीबीवाई से इवान यामशिकोव हैं, जो
हमें बताएगा कि आधुनिक कृत्रिम बुद्धि कैसे काम करती है।
एआई के संबंध में, सशर्त रूप से दो पद हैं: जो लोग कहते हैं: “हम नहीं चाहते हैं
सिस्टम में क्या हो रहा है, इसके सार के बारे में कुछ भी न समझें। हम सांख्यिकीय तरीके हैं,
जो खुद को बाहरी जीवन से बाहर ले जाएगा। यह मॉडल सही होगा, यह होगा
सभी अर्थ संबंधी सूक्ष्मताएं महसूस करें। " और ऐसे लोग हैं जो कहते हैं, "नहीं, वह है"
अनुमति नहीं है। हम समझते हैं कि क्या हो रहा है। हमें इस समझ को सिस्टम में लाना चाहिए।
कृत्रिम बुद्धिमत्ता, और फिर यह अधिक मूल्यवान, बेहतर और बेहतर होगा। ” यह लड़ाई
क्या इसका कोई मापदंड है?"मुझे एक कम दार्शनिक भाषा में समझाएं।" ऐसे लोग हैं जो कहते हैं: “हमें और अधिक चाहिए
मजबूत, अधिक शक्तिशाली एल्गोरिदम और अधिक डेटा। हम और लेंगे
एक उत्पादक एल्गोरिथ्म, और यह हमें एक बड़ी मात्रा में एक बड़ा लक्ष्य गुणवत्ता देगा
मेट्रिक्स, कोई फर्क नहीं पड़ता। " मैं उन लोगों को नहीं जानता जो यह कहते हैं कि उन्हें डेटा की आवश्यकता नहीं है या
एल्गोरिदम। इसलिए, लोगों के दूसरे समूह, मेरी राय में, निम्नलिखित दृष्टिकोण है: "इसके अलावा
इन सब के साथ, हमारे लिए यह अच्छा होगा कि हम अभी भी एक या किसी अन्य रूप में मानव चिह्न लगाएं
विशेषज्ञ ज्ञान, शीर्ष पर जोड़ें। "
Google पर एक चुटकुला है जिसे अक्सर उद्धृत किया जाता है: कम भाषाविद् काम करते हैं
उत्पाद, बेहतर अंतिम गुणवत्ता होगी। यह मजाक शायद अभ्यास द्वारा उचित है।
बड़े बी 2 सी सेवाओं। लेकिन जब हम संकीर्ण किराने के संदर्भ में बी 2 बी के बारे में बात करते हैं
समाधान, एक बहुत स्पष्ट रूप से परिभाषित कार्य और एक अच्छी तरह से परिभाषित क्षेत्र के संदर्भ में, तब
विशेषज्ञ ज्ञान एक महत्वपूर्ण भूमिका निभाना शुरू करता है। हम एबीबीवाई और के अंदर गठबंधन करते हैं
भाषाविज्ञान मॉडल जो भाषाविदों का निर्माण करते हैं और विशुद्ध रूप से मशीन लर्निंग दृष्टिकोण के होते हैं।
- मैं एक उदाहरण देना चाहता हूं: हमने मोसवोडोकनाल के लिए एक परियोजना की। ऐसा काम था:
मोसवोडोकनाल एक जटिल नेटवर्क है, यह किसी तरह काम करता है और किसी तरह व्यवहार करता है। और मुझे कुछ चाहिए
फिर इसके बारे में समझने के लिए, दुर्घटनाओं की भविष्यवाणी करना उचित है, यह महसूस करने के लिए कि कुछ गलत है
चल रहा है।- आपने एक निगरानी प्रणाली की।
- हां, हमने कुछ प्रकार की व्यवहार विश्लेषण प्रणाली की थी, जो यह कहने वाली थी: "इसमें
कोने में कुछ गड़बड़ है। ” हम वास्तव में यह नहीं कह सकते हैं कि यह एक दुर्घटना है या सिर्फ उतार-चढ़ाव है।
व्यवहार क्योंकि वे शारीरिक रूप से अविभाज्य हैं ...- मैंने ट्रैफिक की निगरानी के लिए एक ही सिस्टम बनाया है।
- बहुत समान विषय। परियोजना के दौरान, हमने इंजीनियरों के साथ लड़ाई की, जिन्होंने कहा:
“सुनो, तुम कचरा कर रहे हो। सभी पाइपों को मापना आवश्यक है, उनके व्यास बाहरी हैं और
आंतरिक, फिर दीवारों की चिकनाई के बारे में जानकारी दर्ज करें। और फिर गिनती
हाइड्रोडायनामिक मॉडल, और वह सब कुछ दिखाएगी। " और हमने कहा: “नहीं।
हमें सेंसर से डेटा दें, हम उन्हें स्टेट मॉडल में चलाएंगे, और वह, जिसके बारे में कुछ भी नहीं पता है
भौतिकी, यह वैसे भी काम करेगा, क्योंकि यह वास्तविक व्यवहार को बाहर ले जाएगा। " यह सीधा है
अंतिम मामला जो हम बात कर रहे हैं। एक ओर, यह परम ज्ञान है।
घटना के काम की भौतिकी जो हम सीधे शब्दार्थ पैक करते हैं, और दूसरी
पक्ष अंतिम गलतफहमी है। हम यह नहीं समझते कि यह कैसे काम करता है
हाइड्रोडायनामिक्स - हम इसे समझना भी नहीं चाहते।- एस्ट्रोजेंस उन लोगों की बहुत विशेषता है जो आंकड़ों को अच्छी तरह से जानते हैं। जैसा कि मार्क ने कहा
ट्वेन: "तीन तरह के झूठ हैं - झूठ, बेशर्म झूठ और आंकड़े।"
- हमने उन्हें एक बहुत ही सरल कारण से हरा दिया: सभी के बारे में जानकारी एकत्र करने के लिए
ये पाइप असंभव हैं। लेकिन, दूसरी ओर, विषय के ज्ञान की कुछ गहराई
क्षेत्र मदद नहीं कर सकता लेकिन- जो लोग इस ज्ञान के वाहन हैं, उनका मानना है कि यह सच है, क्योंकि यह है
उनकी विशेषज्ञता का क्षेत्र। लेकिन एक ही समय में, वास्तव में, हम प्राकृतिक भाषा के बारे में समझते हैं, के साथ
कंप्यूटर विज्ञान, हम जितना चाहेंगे, उससे बहुत कम
शब्दों और श्रेणियों को गणितीय रूप से परिभाषित नहीं किया जाता है, लेकिन सहज रूप से। यह इस तथ्य की ओर जाता है कि
वे लोग जो पूरी तरह से कंप्यूटर विज्ञान के पक्ष से आते हैं, समझ में आता है
भाषाविज्ञान के पक्ष से आने वाले लोगों का अविश्वास और इसके विपरीत। ABBYY पर यह है
फैसला किया कि दोनों उत्पाद पर काम करते हैं, विभिन्न भागों के लिए जिम्मेदार हैं, और आप
यह मापना संभव है कि यह और यह आपको कितनी गुणवत्ता में जोड़ता है। यह तरीका है
परीक्षण और प्रयोग।
- यह भी एक बड़ी मुसीबत है। हम सभी जानते हैं कि स्थानीय अनुकूलन की समस्या है।- बिल्कुल। यह मुकर रहा है। लेकिन अभी बहुत बार आम से जुड़ी बातें
भाषाई दृष्टिकोण आपको मुकरने से निपटने की अनुमति देता है। क्योंकि भाषाविद अक्सर कुछ सामान्य नियम बनाने की कोशिश करते हैं, और फिर एक महान और अद्भुत कहानी होती है
अपवादों के बारे में। जिसने भी स्कूल में रूसी के बारे में रोसेंथल की किताब पढ़ी है, वह हैरान है:
हे भगवान, दार्शनिक क्या करते हैं? वे नियम कहते हैं जो वास्तव में है
है ...
- अपवादों का एक सेट।- लेकिन संक्षेप में, परीक्षण पर त्रुटि के बारे में ठीक यही कहानी है। अगर तुम इसे साथ देखो
मशीन सीखने की दृष्टि, भाषाई नियमों की एक बहुत बड़ी संख्या
उदाहरणों की एक बड़ी संख्या को कवर करें और कुछ त्रुटि छोड़ दें
परीक्षण डेटा। यदि आप ये नियम लेते हैं और आपके मॉडल के डेटा पर लागू होते हैं
मैंने कभी नहीं देखा, इस जगह का मॉडल गलत है। लेकिन कई भाषाई अनुमान
आपको अपने आप को पीछे हटने से बचाने की अनुमति देता है।
- मैंने आपको सही तरीके से सुना कि अगर हम रूसी भाषा पर एक किताब लेते हैं और उसे चलाते हैं
मॉडल में, फिर, इन नियमों को लागू करते हुए, क्या मॉडल जरूरी गलत है?- बिल्कुल। यह सही है। कोई भी सख्त नियम हमेशा त्रुटियों को जन्म देगा, क्योंकि,
दुर्भाग्य से या सौभाग्य से, कृत्रिम बुद्धि कुछ सेट की तुलना में बहुत अधिक लचीली है
सरल नियम।
- यह इस तथ्य के कारण भी है कि जब हम प्राकृतिक के नियमों को औपचारिक रूप देने की बात करते हैं
भाषा, हम इस जगह में अनिवार्य रूप से एक अघुलनशील कार्य में लगे हुए हैं। इसकी गहराई
प्रक्रिया अंतहीन है।- यह एक दार्शनिक प्रश्न है। मशीन के स्तर पर, गहराई अनंत नहीं लगती है, लेकिन है
एक दिलचस्प लेख, मेरी राय में, 2015। एक संक्षिप्त भ्रमण: गणित का एक ऐसा भाग है,
जिसे सूचना सिद्धांत कहा जाता है। विशेष रूप से, इसका उपयोग कोडिंग सिद्धांत में किया जाता है।
रूस में, यह कोलमोगोरोव और सहयोगियों द्वारा, संयुक्त राज्य अमेरिका में - शैनन द्वारा बनाया गया था। सबसे पहले उसकी
क्रिप्टोग्राफी के संदर्भ में आविष्कार किया गया।
सूचना के सिद्धांत में "सामान्य जानकारी" जैसी कोई चीज है। अगर पूरी तरह से उंगलियों पर
कहते हैं: कल्पना करें कि एक पाठ में किसी शब्द के आपके अर्थ कैसे सहसंबंधित हैं
उनके बीच की दूरी के आधार पर। ऐसी मीट्रिक की कल्पना करें। अगर मेरे यहाँ है
यह "पेट्या" कहता है, फिर n- शब्द, और फिर शब्द "खाया"। वास्तव में, शब्द "खाया" और "पेट्या"
सहसंबंधी, इस तथ्य के बावजूद कि "खाया" शब्द "पेटिट" से काफी दूर हो सकता है।
अगर हम सांख्यिकीय रूप से इन सहसंबंधों के एक मॉडल का निर्माण करते हैं, तो यह पता चलता है कि एक समारोह के रूप में
दूरी, ग्रंथों में यह सामान्य जानकारी धीरे-धीरे कम हो जाती है - बहुपद नहीं, लेकिन
धीमी। मोटे तौर पर, प्राकृतिक भाषा के ग्रंथों में, शब्दों के बीच एक संबंध है,
बहुत दूर।
डीएनए "ग्रंथों" में एक ही चीज के बारे में देखा गया है: हमारे न्यूक्लियोटाइड भी सहसंबंधित हैं
अपेक्षाकृत बड़ी दूरी। विशेष रूप से, इस तरह की प्रणाली का वर्णन करने की कोशिश कर रहा है
जटिलता सिद्धांत, आदि तितली प्रभाव के बारे में पूरी कहानी - यह इसके बारे में है, कि आपके पास थोड़ा है
एक ही स्थान पर विचलन से कुछ महत्वपूर्ण परिवर्तन हो सकते हैं।
प्राकृतिक भाषा का वर्णन इस प्रकार की निर्भरता द्वारा किया जाता है। अब, LSTM कहते हैं
शॉर्ट-टर्म मेमोरी नेटवर्क) को स्मृति, तंत्रिका के संदर्भ में सबसे उन्नत माना जाता है
एक नेटवर्क जो केवल इन दूरगामी मित्रों को बनाने के लिए भाषा का विश्लेषण करने के लिए उपयोग किया जाता है
एक दोस्त से सहसंबंधों को पकड़ने के लिए। यहां वह, संक्रमण, स्मृति आवश्यकता से अधिक तेजी से घट जाती है।
यह शोध का एक बड़ा विषय है। विशेष रूप से, हम मैक्स प्लैंक इंस्टीट्यूट में प्रयास कर रहे हैं
करने के लिए। ग्राफ सिद्धांत से एक दिलचस्प परिणाम है, जो कहता है कि यदि आपके नेटवर्क में साइकिल है, तो इसमें अधिक मेमोरी होनी चाहिए। हम जानते हैं कि हमारे मस्तिष्क में कुछ हैं
ये चारित्रिक आवृत्तियाँ हैं, और मस्तिष्क में चक्र हैं। एक संकेत उनके साथ चलता है, न्यूरॉन्स उत्तेजित करते हैं
दिए गए आवृत्ति के साथ एक दूसरे के घेरे में। कृत्रिम तंत्रिका नेटवर्क में, हम अभी भी हैं
पुन: पेश नहीं कर सकता।
"हम क्यों नहीं कर सकते?" छोरों को जोड़ें! कृपया बैग से चक्र भरें।"और मैं आपको बताऊंगा।" हम तंत्रिका नेटवर्क कैसे सीखते हैं? Backpropagation का उपयोग करना
त्रुटि। किसी त्रुटि का बैक प्रसार तब होता है जब आपके पास एक सीधा तंत्रिका मार्ग होता है
नेटवर्क और रिवर्स।
- जैसे ही चक्र होते हैं, तुरंत इस के लूपिंग के साथ समस्याएं शुरू करें
त्रुटियों?- हाँ! क्या करें? प्रचार कैसे करें?
दोस्तों, चक्र पर वापस प्रचार करें और आप विकास में एक शक्तिशाली सफलता बनाएंगे
कृत्रिम बुद्धि। मैं सभी को बताता हूं: हमें ऐसा करने की आवश्यकता है, यह बहुत अच्छा है। यह वास्तविक है
एक मुश्किल काम।
- और अगर ये लोग जो मस्तिष्क से निपटते हैं, यह पता लगाते हैं कि यह मस्तिष्क में कैसे काम करता है, तो यह
क्या इसे डाला जा सकता है? ऐसा प्रतीत होता है कि आज हम जो कर रहे हैं उसका मानवशास्त्रवाद है
बहुत कम।- आइए: Google और क्लैम से इमेजनेट के बीच क्या आम है? यह कम या ज्यादा निकलता है
बस इतना ही। प्रारंभ में, मोलस्क को असंतुष्ट किया गया था और देखा गया था कि इसके दृश्य क्षेत्रों को व्यवस्थित किया गया था
आधुनिक कन्वेंशन नेटवर्क, यदि आपको पसंद है। 50 के दशक में एक बार रोसेनब्लैट और उनके साथी
असंतुष्ट, और एक धारणा के साथ आया था, काफी हद तक जीवंत और बहुत सरल चीजों को देख रहा था। वे हैं
सोचा कि अब हम समझेंगे कि आदिम जीव कैसे काम करते हैं, और फिर हम निर्माण करना शुरू करेंगे
जटिल।
- वे सफल क्यों नहीं हुए? उन दिनों, यह माना जाता था कि अवधारणात्मक जीवित नहीं था।
पर्याप्त शक्ति नहीं?- बहुत सारी समस्याएं थीं। चलो: कई एआई-विंटर्स थे, यानी हर बार लोग
कृत्रिम बुद्धिमत्ता के क्षेत्र में कुछ नई सफलताएँ प्राप्त करें, और सोचें: “यह बात है,
जार्विस कल मेरा सबसे अच्छा दोस्त होगा और मेरे साथ मुझसे बेहतर संवाद करेगा
मनोविश्लेषक। " और फिर कुछ होता है, उसी जारविस की तरह। मुझे यह मजाक बहुत पसंद है
फिल्म "आयरन मैन" से, जहां पहली बार में सब कुछ ठीक हो जाता है, और फिर आप कुछ का उच्चारण करते हैं
कुछ क्रैनबेरी। इसलिए जार्विस मुख्य चरित्र को बताता है जब वह उससे पूछता है कि क्या वह बहस करता है
सभी सिस्टम।
- यह व्यावहारिक रूप से कैसा दिखता है? यदि आप आवेदन लेते हैं, तो प्रतिबंध कहां हैं
दिशा?- सबसे पहले, अब भी सबसे शक्तिशाली चीजें जो हम कृत्रिम रूप से, दृढ़ता से इकट्ठा करते हैं
केवल परिमाण के क्रम में हमारे मस्तिष्क से छोटा।
और दूसरा बिंदु इस तथ्य से संबंधित है कि हम यह नहीं समझते हैं कि वे क्यों काम करते हैं। यह अलग है
अनुसंधान का बड़ा क्षेत्र।
- ऐसा लगता है कि वे पहले से ही बताना शुरू कर रहे हैं।- पहले उन्हें पता चला कि क्या काम करता है, फिर उन्होंने यह पता लगाना शुरू किया कि यह कैसे काम करता है।
तंत्रिका नेटवर्क के संचालन की कल्पना कैसे की जाए, इस पर एक अलग दिशा है। एक अलग है
एक गणितीय औपचारिकता जिसे सूचना अपघटन कहा जाता है, जो वर्णन करने का प्रयास करता है
कैसे समझ के लिए नेटवर्क के भीतर विभिन्न धाराओं में जानकारी का अपघटन है
क्या परतें चल रही हैं। छवियों के साथ, यह बाहर निकलना शुरू होता है और आखिरी निकलता है
कुछ साल। ग्रंथों के साथ यह कठिन होता जा रहा है।
हम यह नहीं समझते कि यह कैसे काम करता है? क्योंकि हमारे पास गणित अच्छा नहीं है
एक परिणाम जो हमें सब कुछ समझाएगा। हमारे पास कोई सिद्ध प्रमेय नहीं है जो कहेगा
यह काम करता है। क्योंकि, एक दृढ़ तंत्रिका नेटवर्क के स्तर पर कहते हैं: क्या आपके पास है
चित्र, एक कुत्ता उस पर खींचा गया है। इस चित्र में बहुत सारे पिक्सेल हैं, प्रत्येक
पिक्सल बहुत सारे मूल्य हैं। यदि आप मात्रा को गिनने की कोशिश करते हैं
पिक्सल के संयोजन के लिए विकल्प जो अभी भी एक कुत्ते को जोड़ते हैं - आप थक जाते हैं। में
आपके पास काफी बड़े आयामी स्थान और बहुत सारे विकल्प होने चाहिए
समाधान। इसके अलावा, यदि आप संख्या के साथ एक दृढ़ तंत्रिका नेटवर्क को प्रशिक्षित करना शुरू करते हैं
पैरामीटर कुत्ते की संभावित छवियों की संख्या से बहुत कम हैं, जिन्हें आप प्रशिक्षित करते हैं
अपेक्षाकृत सरल तरीके से। वह आपको बाहर निकलने पर बताती है, क्या यह कुत्ता है या नहीं, लेकिन कुत्ता है
तुम उसे हाँ या ना बताओ। थोड़ी देर बाद अचानक पता चलता है कि वह आप हो सकती है
कुत्तों की तस्वीरों पर बहुत अच्छी गुणवत्ता दें जो उसने नहीं देखीं।
- सामान्यीकरण की डिग्री अप्रत्याशित रूप से उच्च है?- हाँ, यह सामान्यीकरण की एक अप्रत्याशित डिग्री है। हर कोई इस तथ्य के साथ आया है कि यह काम करता है, हर कोई
इसे हर जगह लागू करें, लेकिन सख्ती से गणितीय परिणाम, जो होगा
बताया गया कि इस तरह के सामान्यीकरण की डिग्री क्यों संभव है, नहीं। और कई परिकल्पनाएं हैं, एक
जिनमें से यह मुझे सबसे दिलचस्प लगता है। यह सभी में नहीं चल रहा है
न्यूरॉन, और आप इन न्यूरॉन्स को कैसे कनेक्ट करते हैं। नेटवर्क की बहुत संरचना, जाहिरा तौर पर, आपके लिए
आपको एक निश्चित स्तर पर एक निश्चित सामान्यीकरण प्राप्त करने की अनुमति देता है। यह दिलचस्प है
परिकल्पना, क्योंकि अगर यह सच है, तो यह न्यूरोफिज़ियोलॉजी के साथ अच्छी तरह से जुड़ा हुआ है, और फिर
आप न्यूरोफिज़ियोलॉजी से कुछ और ले सकते हैं और कोशिश कर सकते हैं। कुछ और हैं
मान्यताओं, लेकिन यह एक सवाल है: लोग अब प्रति माह किलोग्राम लेख लिखते हैं कि यह कैसे होता है
यह काम करता है।
- एक भावना है कि पायथन एक एआई भाषा है। यह हादसा है या नहीं? क्यों
अजगर, आखिरकार, बहुत सारे बेसिक हैं।- क्योंकि एक डाटा साइंटिस्ट का काम अब काफी मात्रा में हो रहा है
प्रोटोटाइप। यह पायथन में प्रोटोटाइप के लिए सुविधाजनक है, इसे एक भाषा के रूप में बनाया गया था
प्रोटोटाइप, और औद्योगिक समाधान के लिए एक भाषा के रूप में नहीं। हम एबीबीवाई में लोग हैं
पायथन में कौन प्रोटोटाइप है, और ऐसे लोग हैं जो C ++ में अंतिम मॉडल लिखते हैं,
जिन पर अमल किया जा रहा है। पायथन समुदाय सक्रिय रूप से इस लहर का उपयोग कर रहा है और एक सकारात्मक प्रतिक्रिया है। एक मांग है, अर्थात्, डेटा विज्ञान तेजी से किया जा रहा है
अजगर, क्रमशः, समुदाय उन लोगों के साथ संतृप्त होना शुरू कर देता है जो कोशिश कर रहे हैं
भाषा को ही विकसित करें। यह सब जुड़ा हुआ है।
- जब हम प्रोटोटाइप के बारे में बात करते हैं, तो इसमें एक बड़ा भाग शामिल होता है
परीक्षणों की संख्या, प्रयोग। कंप्यूटिंग के साथ एक समस्या है
संसाधनों।- कंप्यूटिंग संसाधन स्वयं सस्ते हो गए हैं, क्लाउड समाधान हैं जो बनाए गए हैं
उनकी सस्ती। मोटे तौर पर, इंटरनेट एक्सेस के साथ एक छात्र संक्षिप्त रूप से कह सकता है
पैसे एक काफी शक्तिशाली सर्वर पाने के लिए, उस पर कुछ और ड्राइव करने के लिए
मॉडल प्राप्त करें, और AI को पेंच करें, उदाहरण के लिए, कॉफी निर्माता को। कई कारक थे जो
एक दूसरे को ड्राइव करें। इंटरनेट के कारण, प्रोग्रामिंग में और प्रवेश करने की दहलीज
सामान्य तौर पर प्रौद्योगिकी। बहुत सारे सस्ते लोहे दिखाई दिए, यह भी चला गया
बादल। आप समय खरीद सकते हैं, लोहा नहीं। बहुत सारे लाइव डेटा दिखाई दिए हैं।
उदाहरण के लिए, 80 के दशक में, डेटा साइंस से जुड़े लोगों को एक बुनियादी समस्या थी: कहाँ
डेटा ले लो? और अब लागू कार्यों के एक समूह के लिए यह स्पष्ट है कि उन्हें कहाँ प्राप्त करना है।
मशीन सीखने के लिए मुख्य तत्व: एल्गोरिथ्म, डेटा और हार्डवेयर जिस पर यह
एल्गोरिथ्म काम करता है। इन तीनों विकल्प अधिक सुलभ हो गए हैं। इस मामले में, एल्गोरिथ्म बन गया है
अधिक किफायती, इस अर्थ में कि अच्छी गुणवत्ता के बॉक्सिंग समाधान हैं। वे हैं
एक सहज सरल वाक्यविन्यास के साथ एक भाषा में लागू किया गया, कम
प्रवेश स्तर और शैक्षिक संसाधनों का एक समूह।
- Microsoft लोगों ने एक छोटे समूह को एक तंत्रिका नेटवर्क कैसे लिया, इसकी कहानी बताई
और एक छोटी, सरल कंपनी का व्यवसाय मॉडल जिसने रोटी वितरित की। और लाठी से और
रस्सियों से यह एक मॉडल बनाने के लिए निकला, जिसने इस व्यवसाय को अनुकूलित किया और + 10% दिया
दक्षता के लिए। क्या ऐसी तस्वीरों के अपवाद या नियम होने की संभावना अधिक है?- यह बल्कि एक नियम है। मेरी राय में, केली (एक प्रसिद्ध भविष्यवक्ता) का एक अच्छा व्याख्यान है
भावी एआई, जिसमें वह कहता है कि 20 वर्षों में वे हमारे साथ उसी तरह व्यवहार करेंगे
हम उन लोगों का इलाज करते हैं जो इंटरनेट के अग्रणी थे। अब हम कह रहे हैं: “आपके लिए 90 में कितना आसान था-
इंटरनेट का कारोबार करने के लिए ई साल और 20 साल में वे हमसे यह भी कहेंगे: “कैसे
आपके लिए एआई के साथ व्यापार करना आसान था। उन्होंने कुछ भी लिया, इसमें एआई को जोड़ा और इसमें एक नेता बने
श्रेणियां। " कम से कम यह केली की राय है, और मैं इसे साझा करता हूं।
- आपने और मैंने उद्योग में जो कुछ हो रहा है, उसकी एक निश्चित मात्रा का अनुभव किया और यह देखा
अब जो वस्तु है, वह चित्र कभी कला की अवस्था थी। उसके आधार पर
अनुभव, क्या हम ऐसे लोगों को सलाह दे सकते हैं जो अब एआई तकनीक का हिस्सा हैं
और उन्हें कैसे चलना चाहिए?- मेरे पास दो युक्तियां हैं जो मुझे उचित लगती हैं। पहले, कोने में एक मत करो।
समान विचारधारा वाले लोगों की एक जोड़ी का पता लगाएं, एक दूसरे के साथ काम करें और बाहर दिखाएं
आप व्यापक समुदाय के भीतर क्या कर रहे हैं। और दूसरी बात, कम सोचें
विशिष्ट मॉडल जो आप उपयोग करेंगे क्योंकि वे बदल जाएंगे,
बेहतर हो रहा है। और अगर आप अभी उन्हें खुद को बेहतर बनाने के लिए स्तर पर नहीं हैं, तो आप
आपको यह जानने की जरूरत है कि यह मॉडल कैसे काम करता है और यह बेहतर क्यों है। आपको जरूरत है
उस समस्या के बारे में अधिक सोचें जो आप हल कर रहे हैं।