2018 में AI और ML समाधान का अवलोकन और 2019 के लिए पूर्वानुमान: भाग 2 - उपकरण और पुस्तकालय, AutoML, RL, AI में नैतिकता

सभी को नमस्कार! मैं आपके सामने 2018 और 2019 के रुझानों में एआई / एमएल घटनाओं के अवलोकन के साथ एनालिटिक्स विधा लेख का अनुवाद प्रस्तुत करता हूं। सामग्री काफी बड़ी है, इसलिए इसे 2 भागों में विभाजित किया गया है। मुझे उम्मीद है कि लेख न केवल विशेष विशेषज्ञों, बल्कि एआई के विषय में रुचि रखने वालों को भी रुचि देगा। अच्छा पढ़ लो!

अनुच्छेद नेविगेशन

भाग 1
- प्राकृतिक भाषा प्रसंस्करण (एनएलपी)
- 2019 के लिए एनएलपी ट्रेंड
- कंप्यूटर मेमोरी
- 2019 के लिए मशीन विजन में रुझान

भाग २
- उपकरण और पुस्तकालय
- 2019 के लिए ऑटोएमएल ट्रेंड
- सुदृढीकरण सीखना
- 2019 के लिए सुदृढीकरण सीखना रुझान
- अच्छे लड़कों के लिए AI - "नैतिक" AI की ओर आंदोलन
- 2019 के लिए AI में नैतिक रुझान

पहले पढ़ें: भाग 1 - एनएलपी, कंप्यूटर विजन

उपकरण और पुस्तकालय

यह खंड सभी डेटा विज्ञान पेशेवरों से अपील करेगा। उपकरण और पुस्तकालय - वैज्ञानिकों के लिए रोटी और मक्खन। मैंने कई बहस में भाग लिया कि कौन सा उपकरण बेहतर है, कौन सा ढांचा दूसरे को बदलता है, कौन सी लाइब्रेरी "लागत प्रभावी" कंप्यूटिंग का अवतार है, और वह सब। मुझे यकीन है कि आप में से कई लोग भी प्रभावित हैं।

लेकिन एक बात जिससे हम असहमत नहीं हो सकते हैं वह यह है कि हमें इस क्षेत्र में नवीनतम साधनों को रखना चाहिए या जोखिम को पीछे छोड़ना चाहिए। जिस गति से पायथन ने प्रतियोगियों को पछाड़ दिया है और खुद को एक उद्योग के नेता के रूप में स्थापित किया है वह इसका एक अच्छा उदाहरण है। बेशक, एक व्यक्तिपरक विकल्प के लिए बहुत नीचे आता है (जो आपके संगठन का उपयोग करता है, मौजूदा बुनियादी ढांचे के साथ संगतता, आदि), लेकिन अगर आप अद्यतित नहीं रहते हैं, तो अभी शुरू होने का समय है।

तो इस साल क्या सुर्खियों में आया [2018 में - लगभग। ट्रांस।]? चलो इसे सुलझाओ!

PyTorch 1.0

PyTorch के आसपास क्या प्रचार है जिसका मैंने इस लेख में कई बार उल्लेख किया है?

यह देखते हुए कि TensorFlow कितना धीमा हो सकता है, उन्होंने पियरटेक के लिए गहन शिक्षण बाजार में प्रवेश करने का मार्ग प्रशस्त किया। अधिकांश ओपन सोर्स कोड जो मुझे GitHub पर दिखाई देता है, PyTorch पर एक कार्यान्वयन है। यह कोई संयोग नहीं है - PyTorch बहुत लचीला है, और नवीनतम संस्करण (v1.0) पहले से ही कई फेसबुक उत्पादों और स्केलिंग का समर्थन करता है, जिसमें प्रति दिन 6 बिलियन पाठ अनुवाद प्रसंस्करण शामिल है।

PyTorch अभी गति प्राप्त कर रहा है और 2019 में इसकी वृद्धि जारी रहेगी, इसलिए अब समुदाय में शामिल होने का समय है।

ऑटोएमएल - स्वचालित मशीन लर्निंग

स्वचालित मशीन लर्निंग (या ऑटोएमएल) पिछले कुछ वर्षों में लोकप्रियता हासिल कर रहा है। RapidMiner , KNIME , DataRobot और H2O.ai जैसी कंपनियों ने पहले ही महान उत्पाद जारी किए हैं जो इस सेवा की विशाल क्षमता को प्रदर्शित करते हैं।

क्या आप एक एमएल प्रोजेक्ट पर काम करने की कल्पना कर सकते हैं जहां आपको केवल कोडिंग के बिना ड्रैग एंड ड्रॉप इंटरफेस के साथ काम करने की आवश्यकता है? यह एक ऐसा परिदृश्य है जो निकट भविष्य में वास्तविक हो सकता है। इसके अलावा, एक महत्वपूर्ण घटना पहले ही एमएल / डीएल में हो चुकी है - ऑटो केर की रिहाई !

ऑटो Keras AutoML कार्य करने के लिए एक ओपन सोर्स लाइब्रेरी है। यह विचार उन डोमेन विशेषज्ञों के लिए गहरी शिक्षा को सुलभ बनाने के लिए है जिनके पास एमएल के साथ अनुभव नहीं हो सकता है। आप यहां उत्पाद के साथ खुद को परिचित कर सकते हैं । आने वाले वर्षों में वह बहुत बड़ी सफलता हासिल करने जा रहा है।

TensorFlow.js - एक ब्राउज़र में डीप लर्निंग

जब से हमने यह काम शुरू किया है, हम अपने पसंदीदा आईडीई और लैपटॉप में मशीन लर्निंग और डीप लर्निंग मॉडल का निर्माण और डिजाइनिंग कर रहे हैं। एक कदम उठाने और कुछ और करने की कोशिश के बारे में कैसे? हाँ, मैं आपके वेब ब्राउज़र में गहरी सीखने की बात कर रहा हूँ!

अब यह TensorFlow.js के आगमन के लिए एक वास्तविकता बन गया है । परियोजना की वेबसाइट पर कई उदाहरण हैं जो प्रदर्शित करते हैं कि यह खुला स्रोत अवधारणा कितनी शांत है। सबसे पहले, TensorFlow.js के तीन फायदे / विशेषताएं हैं:

• आप जावास्क्रिप्ट का उपयोग करके एमएल मॉडल विकसित और तैनात कर सकते हैं;
• अपने ब्राउज़र में मौजूदा TensorFlow मॉडल चलाएं;
• रेडीमेड मॉडल तैयार करें।

2019 के लिए ऑटोएमएल ट्रेंड्स

मैं इस लेख में ऑटोएमएल पर ध्यान केंद्रित करना चाहता था। क्यों? मुझे लगता है कि अगले कुछ वर्षों में डेटा विज्ञान के क्षेत्र में स्थिति बदल जाएगी, लेकिन इसके लिए मेरा शब्द न लें! कागेल के ग्रैंडमास्टर H2O.ai से मारियो मिहेलिडिस, 2019 में ऑटोएमएल से क्या उम्मीद करेंगे, इस बारे में बात करेंगे:

मशीन सीखना भविष्य के सबसे महत्वपूर्ण रुझानों में से एक बनने की राह पर जारी है - जहां दुनिया शीर्ष पर है। इस विस्तार ने इस क्षेत्र में अनुप्रयोगों की मांग को बढ़ा दिया है। इस वृद्धि को देखते हुए, यह आवश्यक है कि स्वचालन विज्ञान विज्ञान के क्षेत्र में संसाधनों के उपयोग को अधिकतम करने की कुंजी हो। वास्तव में, आवेदन के क्षेत्र अनंत हैं: उधार, बीमा, धोखाधड़ी, कंप्यूटर दृष्टि, ध्वनिकी, सेंसर, सिफारिशें, पूर्वानुमान, एनएलपी। इस क्षेत्र में काम करना बहुत सम्मान की बात है। प्रवृत्तियों की सूची जो प्रासंगिक रहेगी वह इस प्रकार है:

1. डेटा का वर्णन और समझने में मदद करने के लिए विज़ुअलाइज़ेशन और अंतर्दृष्टि प्रदान करना;
2. किसी दिए गए डेटा सेट के लिए सर्वोत्तम कार्यों को खोजें / बनाएँ / निकालें;
3. अधिक शक्तिशाली / अधिक बुद्धिमान भविष्य कहनेवाला मॉडल का निर्माण;
4. ब्लैक बॉक्स मॉडलिंग और इस तरह के मॉडल के उपयोग के बीच की खाई को पाटना;
5. इन मॉडलों के उत्पादन की सुविधा

सुदृढीकरण सीखना

सुदृढीकरण सीखना मशीन सीखने के तरीकों में से एक है, जिसके दौरान परीक्षण प्रणाली (एजेंट) एक निश्चित वातावरण के साथ बातचीत करके सीखता है। साइबरनेटिक्स के दृष्टिकोण से, यह एक प्रकार का साइबरनेटिक प्रयोग है। पर्यावरण की प्रतिक्रिया (और विशेष सुदृढीकरण प्रबंधन प्रणाली नहीं है, जैसा कि शिक्षक के साथ शिक्षण में होता है) किए गए निर्णयों को सुदृढीकरण के संकेत हैं, इसलिए इस तरह के प्रशिक्षण शिक्षक के साथ प्रशिक्षण का एक विशेष मामला है, लेकिन शिक्षक पर्यावरण या इसका मॉडल है। यह भी ध्यान में रखा जाना चाहिए कि कुछ सुदृढीकरण नियम अंतर्निहित शिक्षकों पर आधारित हैं, उदाहरण के लिए, एक कृत्रिम तंत्रिका पर्यावरण के मामले में, औपचारिक न्यूरॉन्स की एक साथ गतिविधि पर, जिसके कारण उन्हें शिक्षक के बिना सीखने के लिए जिम्मेदार ठहराया जा सकता है।

- विकिपीडिया स्रोत

अगर मुझसे पूछा जाए कि मैं किस क्षेत्र में तेजी से विकास देखना चाहता हूं, तो इसका जवाब सुदृढीकरण सीखना होगा। कभी-कभार सुर्खियों में आने के बावजूद, इस क्षेत्र में कोई सफलता नहीं मिली है, और सबसे महत्वपूर्ण बात यह है कि ऐसा लगता है कि समुदाय के लिए सुदृढीकरण सीखने के कार्य बहुत अधिक जटिल हैं और ऐसे अनुप्रयोगों के वास्तविक अनुप्रयोग के लिए कोई क्षेत्र नहीं हैं।

कुछ हद तक यह सच है, अगले साल मैं आरएल का उपयोग करने के अधिक व्यावहारिक उदाहरण देखना चाहूंगा। हर महीने GitHub और Reddit पर, मैं इस विषय पर चर्चा करने में मदद करने के लिए कम से कम एक आरएल रिपॉजिटरी या चर्चा बनाए रखने की कोशिश करता हूं। यह संभव है कि यह अगली महत्वपूर्ण बात है जो इन सभी अध्ययनों से आएगी।

OpenAI ने उन लोगों के लिए एक बहुत ही उपयोगी टूलकिट प्रकाशित किया है जो अभी आरएल से परिचित हो रहे हैं। आप आरएल का परिचय यहाँ पढ़ सकते हैं (यह मेरे लिए बहुत उपयोगी है)।

अगर मैं कुछ चूक गया, तो मुझे आपके अतिरिक्त के लिए खुशी होगी।

डीप रीइनफोर्समेंट लर्निंग में ओपनएआई डेवलपमेंट

जबकि आरएल का विकास धीमा है, इस विषय पर प्रशिक्षण सामग्री की मात्रा न्यूनतम है (इसे हल्के ढंग से रखने के लिए)। इसके बावजूद, OpenAI ने इस विषय पर कुछ उत्कृष्ट सामग्री साझा की। उन्होंने अपनी परियोजना को "डीप आरएल में स्पिनिंग अप" कहा, यह यहां उपलब्ध है ।

सीधे शब्दों में कहें, यह आरएल पर संसाधनों की एक विस्तृत सूची है। लेखकों ने कोड और स्पष्टीकरण को यथासंभव सरल बनाने की कोशिश की। पर्याप्त सामग्रियां हैं जिनमें आरएल शब्दावली, आरएल अनुसंधान के लिए विकास युक्तियाँ, महत्वपूर्ण सामग्रियों की सूची, अच्छी तरह से प्रलेखित कोड और रिपॉजिटरी शामिल हैं, साथ ही आपको आरंभ करने के लिए कार्यों के उदाहरण भी शामिल हैं।

अब आपको इसे बाद में बंद करने की आवश्यकता नहीं है, यदि आप आरएल के साथ काम करना शुरू करने की योजना बनाते हैं, तो आपका समय आ गया है!

Google डोपामाइन

सुदृढीकरण सीखने के विषय में विकास को गति देने और समुदाय को जोड़ने के लिए, Google AI टीम ने सभी के लिए डेंसामाइन टेन्सरफ्लो फ्रेमवर्क पेश किया, जो परियोजनाओं को अधिक लचीला और प्रतिलिपि प्रस्तुत करने योग्य बनाना चाहते हैं।

इस GitHub रिपॉजिटरी में, आप TensorFlow कोड के साथ प्रशिक्षण के लिए आवश्यक जानकारी पा सकते हैं। यह एक नियंत्रित और लचीले वातावरण में सरल प्रयोगों को शुरू करने के लिए शायद सही मंच है। किसी भी विशेषज्ञ के लिए एक जाग्रत सपने जैसा लगता है।

2019 के लिए सुदृढीकरण सीखना रुझान

Xander Steenbrugge, DataHack Summit 2018 के अध्यक्ष और ArxivInsights चैनल के संस्थापक, सुदृढीकरण सीखने के विशेषज्ञ हैं। आरएल की वर्तमान स्थिति और 2019 में हमें क्या उम्मीद करनी चाहिए, इस पर उनके विचार हैं:

फिलहाल, मुझे आरएल के क्षेत्र में तीन मुख्य समस्याएं हैं:

1. मॉडल की जटिलता (एजेंट को सीखने के लिए अनुभव की एक बड़ी मात्रा को देखना / इकट्ठा करना होगा)
2. प्रशिक्षण का सामान्यीकरण और हस्तांतरण (कार्य ए पर प्रशिक्षण, संबंधित कार्य बी पर परीक्षण)
3. पदानुक्रमित आरएल (उपनगरों का स्वचालित अपघटन)

मुझे यकीन है कि पहले दो समस्याओं का एक समान सेट का उपयोग करके हल किया जा सकता है, जो कि अनुपयोगी प्रतिनिधित्व सीखने से संबंधित हैं।

आरएल में अब हम गहरे तंत्रिका नेटवर्क को प्रशिक्षित करते हैं जो कच्चे इनपुट स्पेस (उदाहरण के लिए, पिक्सेल में) से बैक-टू-एंड एक्शन (उदाहरण के लिए, प्रचार के साथ) निकालते हैं, दुर्लभ इनाम सिग्नल का उपयोग करते हैं (उदाहरण के लिए, कुछ गेम में एक खाता अटारी या रोबोट पर कब्जा सफलता)। यहाँ समस्या यह है कि:

पहला वाला । उपयोगी फ़ंक्शन डिटेक्टरों को "बढ़ने" में बहुत समय लगता है, क्योंकि सिग्नल-टू-शोर अनुपात बहुत कम है। आरएल मूल रूप से यादृच्छिक क्रियाओं के साथ शुरू होता है, जब तक कि आप एक इनाम पर ठोकर खाने के लिए पर्याप्त भाग्यशाली नहीं होते हैं, तब आपको अभी भी यह पता लगाने की आवश्यकता है कि वास्तव में विशिष्ट इनाम क्या कारण था। इसके अलावा अनुसंधान या तो हार्डकोडेड (एप्सिलॉन-लालची अनुसंधान) है या जिज्ञासा-संचालित-अन्वेषण जैसे तरीकों द्वारा प्रोत्साहित किया गया है। यह अक्षम है, और यह हमें समस्या 1 में वापस लाता है।


दूसरा , तंत्रिका नेटवर्क के ऐसे गहरे आर्किटेक्चर "याद रखने" की प्रवृत्ति के लिए जाने जाते हैं, और आरएल में हम आमतौर पर प्रशिक्षण के लिए डेटासेट पर एजेंटों का परीक्षण करते हैं, इसलिए, इस प्रतिमान में "याद" को प्रोत्साहित किया जाता है।

एक संभावित विकास मार्ग जिसे मैं उत्साह के साथ देखता हूं, एक गंदे बहुआयामी इनपुट स्थान (उदाहरण के लिए, पिक्सेल) को एक कम आयाम के "वैचारिक" स्थान में परिवर्तित करने के लिए अप्रशिक्षित प्रतिनिधित्व सीखने का उपयोग करना है, जिसमें कुछ आवश्यक गुण होते हैं, जैसे कि रैखिकता, अपरिपक्वता, स्थिरता। शोर और अधिक करने के लिए।

जैसे ही आप पिक्सेल को एक "अव्यक्त स्थान" से जोड़ने का प्रबंधन करते हैं, अचानक सीखना सरल और तेज़ हो जाता है (समस्या 1) और आप आशा करते हैं कि इस स्थान से निकाले गए नियमों में उपरोक्त गुणों के कारण एक मजबूत सामान्यीकरण होगा ( समस्या 2)।

मैं पदानुक्रम समस्या का विशेषज्ञ नहीं हूं, लेकिन उपरोक्त सभी यहां भी लागू होते हैं: एक अप्रमाणित इनपुट स्थान की तुलना में "छिपी हुई जगह" में एक जटिल श्रेणीबद्ध समस्या को हल करना आसान है।

अनुवादक से बिगाड़ने वालों की एक जोड़ी

बोनस: डीप आरएल (ऊपर दिए गए पहले कार्य) में दुर्लभ पुरस्कारों पर काबू पाने पर ज़ेंडर का एक वीडियो देखें।

मॉडल की जटिलता अधिक से अधिक सहायक प्रशिक्षण कार्यों को जोड़ने के साथ-साथ सुस्ती, एटिपिकल रिवार्ड सिग्नल (एक ऑटो-एनकोडर की शैली में अनुसंधान, जिज्ञासा-आधारित प्रारंभिक प्रशिक्षण जैसी चीजें, पर्यावरण में अकारण कारण कारक, और अधिक) को बढ़ाने के लिए जारी रहेगी। यह बहुत दुर्लभ इनाम स्थितियों के साथ विशेष रूप से अच्छी तरह से काम करता है।

इस वजह से, भौतिक दुनिया में सीधे प्रशिक्षण प्रणाली अधिक से अधिक संभव हो जाएगी (आधुनिक अनुप्रयोगों के बजाय जो मुख्य रूप से सिम्युलेटेड वातावरण में प्रशिक्षित हैं, और फिर वास्तविक दुनिया में स्थानांतरित करने के लिए डोमेन यादृच्छिकरण का उपयोग करें)। मुझे लगता है कि 2019 रोबोटिक्स में पहला सही मायने में प्रभावशाली प्रदर्शन लाएगा, जो केवल गहन शिक्षण विधियों का उपयोग करते समय संभव हैं और मनुष्यों द्वारा कठोर-कोडित / डिज़ाइन नहीं किए जा सकते हैं (अधिकांश उदाहरणों के विपरीत जिन्हें हमने अब तक देखा है)।

मेरा मानना ​​है कि अल्फा आरएसओ के इतिहास में डीप आरएल की सफलता के बाद (विशेष रूप से अल्फाफोल्ड के हाल के परिणामों पर विचार करते हुए), आरएल धीरे-धीरे वास्तविक व्यावसायिक अनुप्रयोगों में उपयोग किया जाना शुरू हो जाएगा, जो अकादमिक अंतरिक्ष से परे व्यावहारिक मूल्य लाएगा, लेकिन पहले गुंजाइश अनुप्रयोगों तक सीमित होगी जिसमें इन एजेंटों के बड़े पैमाने पर आभासी प्रशिक्षण के लिए सटीक सिमुलेशन (उदाहरण के लिए, दवा की खोज, इलेक्ट्रॉनिक चिप वास्तुकला का अनुकूलन, वाहनों और पैकेटों का मार्ग, और अन्य)।

आरएल के विकास में एक सामान्य बदलाव एक ऐसी प्रक्रिया है जो पहले ही शुरू हो चुकी है जब प्रशिक्षण डेटा पर एजेंट का परीक्षण अब "अधिकृत" नहीं माना जाएगा। सारांशित मैट्रिक्स प्रमुख होंगे, जैसा कि पर्यवेक्षित शिक्षण विधियों के मामले में है

एआई फॉर गुड बॉयज़ - ए मूव टू एथिकल एआई

एल्गोरिदम द्वारा संचालित एक दुनिया की कल्पना करें जो हर मानव क्रिया को परिभाषित करती है। सुखद परिदृश्य नहीं? एआई में नैतिकता एक ऐसा विषय है जिस पर हमने हमेशा एनालिटिक्स विधा में चर्चा की है, लेकिन यह सभी तकनीकी चर्चाओं की पृष्ठभूमि के खिलाफ खो गया है, जबकि इसे अन्य विषयों के बराबर माना जाना चाहिए।

इस साल, कुछ संगठनों ने कैंब्रिज एनालिटिका घोटाले (फेसबुक) और Google के आंतरिक विवादों के बाद खुद को बेवकूफ बनाने की स्थिति में पाया कि घोटालों की सूची में सबसे ऊपर हथियारों का विकास हुआ था।

एआई के नैतिक पहलुओं को हल करने के लिए सभी मामलों के लिए कोई सरल और उपयुक्त नुस्खा नहीं है। प्रश्न के लिए एक संरचित योजना के संयोजन में एक विस्तृत दृष्टिकोण की आवश्यकता होती है, जिसे किसी को लागू करना चाहिए। आइए देखते हैं कि इस साल की शुरुआत में इस क्षेत्र में कुछ बड़ी घटनाएं हुईं।

Google और Microsoft अभियान

यह एआई के नैतिक पक्ष पर जोर देते हुए बड़े निगमों को देखने के लिए संतुष्टिदायक था (हालांकि उन्हें इस बिंदु तक ले जाने वाला मार्ग बहुत सुंदर नहीं था)। कुछ कंपनियों द्वारा प्रकाशित दिशा-निर्देशों और सिद्धांतों पर ध्यान दें:

• Google का AI सिद्धांत
• Microsoft का AI सिद्धांत

संक्षेप में, ये दस्तावेज़ एआई में न्याय के बारे में बात करते हैं, साथ ही जब और जहां रेखा खींचना है। जब आप एक नया AI- आधारित प्रोजेक्ट शुरू करते हैं तो उनका जिक्र करना हमेशा एक अच्छा विचार होता है।

कैसे GDPR ने खेल के नियमों को बदल दिया है

जीडीपीआर (सामान्य डेटा संरक्षण विनियमन) ने निश्चित रूप से एआई अनुप्रयोगों के निर्माण के लिए डेटा एकत्र करने के तरीके को प्रभावित किया है। जीडीपीआर इस गेम में अपने डेटा पर उपयोगकर्ताओं के लिए अधिक नियंत्रण प्रदान करने के लिए दिखाई देता है (उनके बारे में क्या जानकारी एकत्र की जाती है और प्रसारित की जाती है)।

तो यह एआई को कैसे प्रभावित करेगा? यह अच्छा है यदि डेटा के क्षेत्र में शोधकर्ताओं ने डेटा प्राप्त नहीं किया है या यदि यह पर्याप्त नहीं है, तो किसी भी मॉडल का निर्माण शुरू नहीं होगा। यह निश्चित रूप से, सामाजिक प्लेटफार्मों और अन्य साइटों ने कैसे काम किया, इसकी नींव रखी। जीडीपीआर ने एक अद्भुत उदाहरण बनाया, "सभी को डॉट करना", लेकिन कई प्लेटफार्मों के लिए एआई की उपयोगिता को सीमित कर दिया।

2019 के लिए AI में नैतिक रुझान

इस क्षेत्र में बहुत सारे ग्रे धब्बे हैं। हमें एआई परियोजनाओं में नैतिकता को एकीकृत करने के लिए एक समाज के रूप में एकजुट होना चाहिए। हम यह कैसे कर सकते हैं? विद्या एनालिटिक्स के संस्थापक और मुख्य कार्यकारी अधिकारी कुणाल जेन ने डेटाहैक समिट 2018 में अपने भाषण में जोर देकर कहा कि हमें एक ऐसी अवधारणा विकसित करने की आवश्यकता होगी जिसका अन्य लोग अनुसरण कर सकें।

मैं ऐसे संगठनों में नई भूमिकाएं देखने की उम्मीद करता हूं जो एआई में नैतिकता कायम करते हैं। सर्वश्रेष्ठ कॉरपोरेट प्रथाओं का पुनर्गठन करने की आवश्यकता होगी, और प्रबंधन दृष्टिकोण की समीक्षा करने की आवश्यकता है क्योंकि एआई कंपनी की दृष्टि का एक केंद्रीय तत्व बन जाता है। मैं यह भी उम्मीद करता हूं कि सरकार इस संबंध में एक नए या बदले हुए राजनीतिक पाठ्यक्रम के साथ अधिक सक्रिय भूमिका निभाएगी। वाकई, 2019 बहुत दिलचस्प होगा।

निष्कर्ष

इम्पैक्टफुल एकमात्र शब्द है जो 2018 में आश्चर्यजनक घटनाओं का संक्षेप में वर्णन करता है। मैं इस वर्ष एक सक्रिय ULMFiT उपयोगकर्ता बन गया, और मैं जल्द से जल्द BERT की खोज करने के लिए उत्सुक हूं। वाकई अद्भुत समय है।

मुझे आपकी राय जानकर खुशी होगी! आपको कौन से घटनाक्रम सबसे उपयोगी लगे? क्या आप इस लेख में शामिल किए गए औजारों और तरीकों का उपयोग करके एक परियोजना पर काम कर रहे हैं? आने वाले वर्ष के लिए आपके पूर्वानुमान क्या हैं? मैं नीचे दिए गए टिप्पणियों में आपके जवाब का इंतजार कर रहा हूं।