ऑनलाइन चेक की प्राकृतिक भाषा प्रसंस्करण: एक साधारण बिल्ली और अन्य समस्याओं के लिए जादू का पाठ

CleverDATA बड़े डेटा के साथ काम करने के लिए एक प्लेटफॉर्म विकसित कर रहा है। विशेष रूप से, हमारे प्लेटफ़ॉर्म पर ऑनलाइन शॉपिंग चेक की जानकारी के साथ काम करना संभव है। हमारा कार्य यह जानना था कि डेटा विनिमय पर संबंधित विशेषताओं को बनाने के लिए उपभोक्ताओं के बारे में जांच के पाठ डेटा को कैसे संसाधित किया जाए और उन पर निष्कर्ष कैसे बनाया जाए। इस समस्या को हल करने के लिए मशीन लर्निंग को संबोधित करना स्वाभाविक था। इस लेख में हम उन समस्याओं के बारे में बात करना चाहते हैं जो हमें ऑनलाइन चेक के ग्रंथों के वर्गीकरण में मिली थीं।

स्रोत

हमारी कंपनी डेटा मुद्रीकरण के लिए समाधान विकसित करती है। हमारे उत्पादों में से एक 1DMC डेटा एक्सचेंज है, जो आपको बाहरी स्रोतों से डेटा को समृद्ध करने की अनुमति देता है (9000 से अधिक स्रोत, इसके दैनिक दर्शक लगभग 100 मिलियन प्रोफाइल हैं)। 1DMC को हल करने में मदद करने वाले कार्य विपणक को अच्छी तरह से ज्ञात हैं: लुक-अलाइक सेगमेंट, ब्रॉड-बेस्ड मीडिया कंपनियों का निर्माण, अत्यधिक विशिष्ट दर्शकों के लिए लक्षित विज्ञापन अभियान, आदि। यदि आपका व्यवहार किसी स्टोर के लक्षित दर्शकों के व्यवहार के करीब है, तो आप एक जैसे दिखने वाले सेगमेंट में गिर सकते हैं। यदि आपकी रुचि के किसी भी क्षेत्र में नशे की लत के बारे में जानकारी दर्ज की गई है, तो आप एक अत्यधिक विशिष्ट लक्षित विज्ञापन अभियान में शामिल हो सकते हैं। उसी समय, व्यक्तिगत डेटा पर सभी कानूनों को लागू किया जाता है, आप अपने हितों के लिए अधिक प्रासंगिक विज्ञापन प्राप्त करते हैं, और कंपनियां ग्राहकों को आकर्षित करने के लिए अपने बजट का प्रभावी ढंग से उपयोग करती हैं।

प्रोफाइल के बारे में जानकारी विभिन्न मानव-व्याख्या विशेषताओं के रूप में एक्सचेंज में संग्रहीत की जाती है:


यह जानकारी हो सकती है कि एक व्यक्ति मोटर उपकरण का मालिक है, उदाहरण के लिए, एक मोटरसाइकिल हेलिकॉप्टर। या कि एक व्यक्ति को एक निश्चित प्रकार के भोजन में रुचि है, उदाहरण के लिए, वह एक शाकाहारी है।

समस्या का विवरण और इसे हल करने के तरीके

हाल ही में, 1DMC ने राजकोषीय डेटा ऑपरेटरों में से एक से डेटा प्राप्त किया। विनिमय प्रोफ़ाइल विशेषताओं के रूप में उन्हें प्रस्तुत करने के लिए, कच्चे रूप में चेक ग्रंथों के साथ काम करना आवश्यक हो गया। यहां ग्राहकों के लिए एक विशिष्ट चेक टेक्स्ट दिया गया है:


इस प्रकार, कार्य विशेषताओं के साथ चेक का मिलान करना है। वर्णित समस्या को हल करने के लिए मशीन लर्निंग को आकर्षित करना, सबसे पहले, एक शिक्षक के बिना शिक्षण विधियों को आज़माने की इच्छा है (अनसुपर्वीड लर्निंग)। शिक्षक सही उत्तरों के बारे में जानकारी है, और चूंकि हमारे पास यह जानकारी नहीं है, इसलिए शिक्षक के बिना शिक्षण विधियां मामले को हल करने में अच्छी तरह से फिट हो सकती हैं। एक शिक्षक के बिना शिक्षण का एक विशिष्ट तरीका क्लस्टरिंग है, जिसके लिए प्रशिक्षण नमूना को स्थिर समूहों या समूहों में विभाजित किया गया है। हमारे मामले में, शब्दों के अनुसार ग्रंथों को क्लस्टर करने के बाद, हमें परिणामी समूहों की विशेषताओं के साथ तुलना करनी होगी। अद्वितीय विशेषताओं की संख्या काफी बड़ी है, इसलिए मैनुअल मार्कअप से बचना वांछनीय था। ग्रंथों के लिए एक शिक्षक के बिना शिक्षण के लिए एक और दृष्टिकोण को विषय मॉडलिंग कहा जाता है, जो आपको अनपेक्षित ग्रंथों में मुख्य विषयों की पहचान करने की अनुमति देता है। विषयगत मॉडलिंग का उपयोग करने के बाद, विशेषताओं के साथ प्राप्त विषयों की तुलना करना आवश्यक होगा, जिसे मैं भी बचना चाहता था। इसके अलावा, चेक के पाठ और किसी भी भाषा मॉडल के आधार पर विशेषता के पाठ विवरण के बीच शब्दार्थ निकटता का उपयोग करना संभव है। हालांकि, प्रयोगों से पता चला कि सिमेंटिक निकटता के आधार पर मॉडल की गुणवत्ता हमारे कार्यों के लिए उपयुक्त नहीं है। व्यवसाय की दृष्टि से, आपको यह सुनिश्चित करने की आवश्यकता है कि एक व्यक्ति जुजित्सु का शौकीन है और इसीलिए वह खेल का सामान खरीदता है। यह मध्यवर्ती, विवादास्पद और संदिग्ध निष्कर्षों का उपयोग न करने के लिए अधिक लाभदायक है। इस प्रकार, दुर्भाग्य से, सीखने की अनिश्चित पद्धतियां कार्य के लिए उपयुक्त नहीं हैं।

यदि हम अनुपयोगी शिक्षण विधियों को छोड़ देते हैं, तो पर्यवेक्षित शिक्षण विधियों की ओर मुड़ना और, विशेष रूप से, वर्गीकरण के लिए तार्किक है। शिक्षक को सही कक्षाओं के बारे में जानकारी होती है, और एक विशिष्ट दृष्टिकोण एक मल्टीस्कलैस वर्गीकरण को पूरा करना है, लेकिन इस मामले में यह कार्य इस तथ्य से जटिल है कि हमें बहुत अधिक कक्षाएं मिलती हैं (अद्वितीय विशेषताओं की संख्या से)। एक और विशेषता है: विशेषताएँ कई समूहों में समान ग्रंथों पर काम कर सकती हैं, अर्थात्। वर्गीकरण बहुभाषी होना चाहिए। उदाहरण के लिए, जानकारी है कि किसी व्यक्ति ने स्मार्टफोन के लिए एक कवर खरीदा हो सकता है जैसे कि विशेषताएं: एक व्यक्ति जो सैमसंग के साथ गैलेक्सी फोन के साथ एक डिवाइस का मालिक है, एक डेप्पा स्काई केस की विशेषताओं को खरीदता है, और आमतौर पर फोन के लिए सामान खरीदता है। यही है, किसी दिए गए व्यक्ति की कई विशेषताओं को एक बार प्रोफ़ाइल में दर्ज किया जाना चाहिए।

"शिक्षक के साथ प्रशिक्षण" श्रेणी में कार्य का अनुवाद करने के लिए आपको एक मार्कअप प्राप्त करना होगा। जब लोग इस तरह की समस्या का सामना करते हैं, तो वे मूल्यांकनकर्ताओं को नियुक्त करते हैं और, पैसे और समय के बदले, अच्छे मार्कअप प्राप्त करते हैं और मार्कअप से भविष्य कहनेवाला मॉडल बनाते हैं। फिर अक्सर यह पता चलता है कि मार्कअप गलत था, और मूल्यांकनकर्ताओं को नियमित रूप से काम करने के लिए कनेक्ट करने की आवश्यकता है, क्योंकि नई विशेषताएँ और नए डेटा प्रदाता दिखाई देते हैं। यांडेक्स का उपयोग करने का एक वैकल्पिक तरीका है। तोलोकी। " यह आपको मूल्यांकनकर्ताओं के लिए लागत कम करने की अनुमति देता है, लेकिन गुणवत्ता की गारंटी नहीं देता है।

हमेशा एक नया दृष्टिकोण खोजने का विकल्प होता है, और इस तरह से जाने का निर्णय लिया गया। यदि एक विशेषता के लिए ग्रंथों का एक सेट था, तो बाइनरी वर्गीकरण मॉडल का निर्माण करना संभव होगा। प्रत्येक विशेषता के लिए ग्रंथों को खोज प्रश्नों से प्राप्त किया जा सकता है, और खोज के लिए आप विशेषता के पाठ विवरण का उपयोग कर सकते हैं, जो कि वर्गीकरण में है। इस स्तर पर, हम निम्नलिखित विशेषता को पूरा करते हैं: आउटपुट ग्रंथ इतने विविध नहीं हैं कि उनसे एक मजबूत मॉडल बनाया जा सके, और यह विभिन्न प्रकार के ग्रंथों को प्राप्त करने के लिए पाठ वृद्धि का सहारा लेने के लिए समझ में आता है।

टेक्स्ट ऑग्मेंटेशन

पाठ वृद्धि के लिए, भाषा मॉडल का उपयोग करना तर्कसंगत है। भाषा मॉडल के काम का परिणाम एम्बेडिंग है - यह शब्दों के स्थान से एक विशिष्ट निश्चित लंबाई के वैक्टर के अंतरिक्ष में मानचित्रण है, और अर्थ के करीब शब्दों वाले वैक्टर नए स्थान में एक दूसरे के बगल में स्थित होंगे, और अर्थ में दूर। पाठ वृद्धि कार्य के लिए, यह गुण कुंजी है, क्योंकि इस मामले में समानार्थी शब्द देखना आवश्यक है। एक वर्गीकरण स्वायत्तता के नाम पर शब्दों के एक यादृच्छिक सेट के लिए, हम पाठ प्रतिनिधित्व स्थान से समान तत्वों के एक यादृच्छिक सबसेट का नमूना लेते हैं।


आइए एक उदाहरण के साथ वृद्धि को देखें। एक व्यक्ति को सिनेमा की रहस्यमय शैली में रुचि है। हम नमूना का नमूना लेते हैं, हमें विभिन्न प्रकार के ग्रंथ मिलते हैं जो क्रॉलर को भेजे जा सकते हैं और खोज परिणाम एकत्र कर सकते हैं। यह क्लासिफायर ट्रेनिंग के लिए एक सकारात्मक नमूना होगा।


और हम नकारात्मक नमूने का चयन अधिक आसानी से करते हैं, हम उन्हीं विशेषताओं का नमूना लेते हैं जो फिल्म विषय से संबंधित नहीं हैं:

मॉडल प्रशिक्षण

टीएफ-आईडीएफ (उदाहरण के लिए, यहां ) का उपयोग करते समय फ़्रीक्वेंसी और लॉजिस्टिक रिग्रेशन द्वारा एक फिल्टर के साथ दृष्टिकोण, आप पहले से ही उत्कृष्ट परिणाम प्राप्त कर सकते हैं: शुरू में क्रॉलर को बहुत अलग पाठ भेजे गए थे, और मॉडल अच्छी तरह से नकल करता है। बेशक, वास्तविक डेटा पर मॉडल के संचालन को सत्यापित करना आवश्यक है, नीचे हम मॉडल के संचालन के परिणाम को "एईजी उपकरण खरीदने में रुचि" के अनुसार प्रस्तुत करते हैं।


प्रत्येक पंक्ति में शब्द AEG होता है, जो झूठी सकारात्मकता के बिना कॉपी किया गया मॉडल है। हालांकि, अगर हम एक अधिक जटिल मामला लेते हैं, उदाहरण के लिए, एक GAZ कार, तो हम एक समस्या का सामना करेंगे: मॉडल कीवर्ड पर केंद्रित है और संदर्भ का उपयोग नहीं करता है।

हैंडलिंग में त्रुटि

हम सतत शिक्षा में रुचि के एक मॉडल का निर्माण करेंगे - व्यावसायिक प्रशिक्षण पाठ्यक्रम।


एक साधारण बिल्ली के लिए जादू के पाठ का पाठ्यक्रम भी एक कठिन मामला है, जो किसी व्यक्ति को भ्रमित कर सकता है।

झूठी सकारात्मकता को फ़िल्टर करने के लिए, हम एम्बेडिंग का उपयोग करते हैं: हम एम्बेडिंग स्थान में सकारात्मक नमूने के केंद्र की गणना करते हैं और प्रत्येक पंक्ति के लिए दूरी को मापते हैं।


जादू के पाठ के पाठ्यक्रम और अमूर्त के अधिग्रहण के लिए दूरी में अंतर नग्न आंखों को दिखाई देता है।

एक और उदाहरण: ऑडी ब्रांड के मालिक। इस मामले में एम्बेडिंग के स्थान की दूरी भी झूठी सकारात्मकता से बचाती है।

स्केलेबिलिटी का मुद्दा

आज तक, डेटा एक्सचेंज लगभग 30 हजार विशेषताओं का संचालन करता है, और नए नियमित रूप से दिखाई देते हैं। नए मॉडल के प्रशिक्षण और नई विशेषताओं के साथ अंकन के स्वचालन की आवश्यकता काफी स्पष्ट है। एक नई विशेषता के मॉडल के निर्माण के लिए चरणों का क्रम इस प्रकार है:

1. कर नाम से विशेषता नाम लें;
2. पाठ वृद्धि के उपयोग से खोज इंजन में प्रश्नों की सूची बनाएं;
3. कुर्रिम पाठ चयन;
4. हम प्राप्त नमूने पर वर्गीकरण मॉडल को प्रशिक्षित करते हैं;
5. मान लीजिए कि एक प्रशिक्षित मॉडल कच्चा खरीद डेटा है;
6. सकारात्मक वर्ग के केंद्र के लिए word2vec द्वारा परिणाम को फ़िल्टर करें।

ऊपर वर्णित एल्गोरिथ्म में कई कमजोर बिंदु हैं:

1. यह उन ग्रंथों के कोष को नियंत्रित करना कठिन है, जो क्राउचिंग हैं
2. प्रशिक्षण नमूने की गुणवत्ता को नियंत्रित करना मुश्किल है;
3. यह निर्धारित करने का कोई तरीका नहीं है कि एक अच्छी तरह से प्रशिक्षित मॉडल अपना काम कर रहा है या नहीं।

यह समझना महत्वपूर्ण है कि एक प्रशिक्षित मॉडल के गुणवत्ता नियंत्रण के लिए शास्त्रीय मैट्रिक्स उपयुक्त नहीं हैं, क्योंकि जाँच ग्रंथों में सत्य कक्षाओं की अनुपलब्ध जानकारी। सीखने और भविष्यवाणी अलग-अलग डेटा पर होते हैं, मॉडल की गुणवत्ता को एक प्रशिक्षण नमूने पर मापा जा सकता है, और मुख्य ग्रंथों के शरीर पर कोई मार्कअप नहीं है, जिसका अर्थ है कि आप गुणवत्ता का मूल्यांकन करने के लिए सामान्य तरीकों का उपयोग नहीं कर सकते हैं।

मॉडल गुणवत्ता मूल्यांकन

प्रशिक्षित मॉडल की गुणवत्ता का आकलन करने के लिए, हम दो आबादी लेते हैं: एक मॉडल की प्रतिक्रिया की दहलीज से नीचे की वस्तुओं को संदर्भित करता है, दूसरा उन वस्तुओं को संदर्भित करता है जिन पर मॉडल का मूल्यांकन सीमा से ऊपर होता है।

प्रत्येक आबादी के लिए, हम सकारात्मक प्रशिक्षण नमूने के केंद्र के लिए शब्द 2vec दूरी की गणना करते हैं। हमें दो दूरी के वितरण मिलते हैं जो इस तरह दिखते हैं।


लाल रंग उन वस्तुओं के लिए दूरी के वितरण को इंगित करता है जो सीमा को पार कर गए हैं, और नीला मॉडल के मूल्यांकन के अनुसार सीमा से नीचे की वस्तुओं को इंगित करता है। वितरण को विभाजित किया जा सकता है, और वितरण के बीच की दूरी का अनुमान लगाने के लिए, कुल्लबैक-लीब्लर डाइवर्जेंस (डीकेएल) का उल्लेख करना सबसे पहले तार्किक है। एक DCL एक असममित कार्यात्मक है; त्रिभुज असमानता उस पर संतुष्ट नहीं है। यह प्रतिबंध मीट्रिक के रूप में डीसीएल के उपयोग को जटिल बनाता है, लेकिन इसका उपयोग किया जा सकता है यदि यह आवश्यक निर्भरता को दर्शाता है। हमारे मामले में, DCL ने थ्रेसहोल्ड मूल्यों की परवाह किए बिना सभी मॉडलों पर निरंतर मूल्यों को ग्रहण किया, इसलिए अन्य तरीकों की तलाश करना आवश्यक हो गया।


वितरण के बीच की दूरी का अनुमान लगाने के लिए, हम वितरण के औसत मूल्यों के बीच अंतर की गणना करते हैं। परिणामी अंतर दूरी के प्रारंभिक वितरण के मानक विचलन में औसत दर्जे का है। Z- मीट्रिक के साथ सादृश्य द्वारा Z-metric द्वारा प्राप्त मान को निरूपित करें, और Z-metric का मूल्य पूर्वानुमान मॉडल के थ्रेशोल्ड मान का एक फ़ंक्शन होगा। मॉडल के प्रत्येक निश्चित सीमा के लिए, जेड-मीट्रिक फ़ंक्शन प्रारंभिक दूरी वितरण के सिग्मा में वितरण के बीच अंतर को वापस करता है।

परीक्षण किए गए कई दृष्टिकोणों में, यह जेड-मीट्रिक था जिसने निर्मित मॉडल की गुणवत्ता निर्धारित करने के लिए आवश्यक निर्भरता दी थी।

Z-metric के व्यवहार पर विचार करें: Z-metric जितना बड़ा होगा, मॉडल उतना ही बेहतर होगा, क्योंकि वितरण के बीच की दूरी अधिक से अधिक गुणात्मक वर्गीकरण को दर्शाती है। हालांकि, गुणात्मक वर्गीकरण का निर्धारण करने के लिए एक स्पष्ट रूप से परिभाषित निर्णय नियम व्युत्पन्न नहीं किया जा सकता है। उदाहरण के लिए, आंकड़े के निचले बाएं कोने में जेड-मीट्रिक वाला एक मॉडल 10. के बराबर एक निरंतर मूल्य प्राप्त करता है। यह मॉडल थाईलैंड की यात्रा में रुचि को निर्धारित करता है। प्रशिक्षण नमूना मुख्य रूप से विभिन्न स्पा द्वारा विज्ञापित किया गया था, और मॉडल को उन ग्रंथों पर प्रशिक्षित किया गया था जो सीधे थाईलैंड की यात्राओं से संबंधित नहीं थे। यही है, मॉडल ने अच्छी तरह से काम किया, लेकिन यह थाईलैंड की यात्राओं में रुचि को प्रतिबिंबित नहीं करता है।

कई पूर्वानुमान मॉडल के लिए Z-metic। चित्र के दाहिने आधे भाग के मॉडल अच्छे हैं, और बाएं आधे भाग के पाँच मॉडल खराब हैं।

खोजों और प्रयोगों के दौरान, "अच्छे / बुरे" मानदंड के अनुसार मार्कअप के साथ 160 मॉडल जमा हुए हैं। जेड-मीट्रिक के संकेतों के आधार पर, ग्रेडिंग-बूस्टिंग पर आधारित एक मेटा-मॉडल का निर्माण किया गया था जो निर्मित मॉडल की गुणवत्ता निर्धारित करता है। इस प्रकार, स्वचालित मोड में निर्मित मॉडल की गुणवत्ता निगरानी को कॉन्फ़िगर करना संभव था।

परिणाम

फिलहाल, क्रियाओं का क्रम इस प्रकार है:

1. कर नाम से विशेषता नाम लें;
2. पाठ वृद्धि के उपयोग से खोज इंजन में प्रश्नों की सूची बनाएं;
3. कुर्रिम पाठ चयन;
4. हम प्राप्त नमूने पर वर्गीकरण मॉडल को प्रशिक्षित करते हैं;
5. मान लीजिए कि एक प्रशिक्षित मॉडल कच्चा खरीद डेटा है;
6. हम सकारात्मक वर्ग के केंद्र के लिए दूरी word2vec द्वारा परिणाम को फ़िल्टर करते हैं;
7. हम Z- मीट्रिक की गणना करते हैं और मेटा-मॉडल के लिए संकेत बनाते हैं;
8. हम एक मेटा-मॉडल का उपयोग करते हैं और परिणामी मॉडल की गुणवत्ता का मूल्यांकन करते हैं;
9. यदि मॉडल स्वीकार्य गुणवत्ता का है, तो इसे उपयोग किए गए मॉडल के सेट में जोड़ा जाता है। अन्यथा, मॉडल संशोधन के लिए वापस आ जाता है।

स्वचालित मोड में मेटा-मॉडल के आकलन के अनुसार, इसे उत्पादन में पेश करने या संशोधन के लिए वापस जाने का निर्णय किया जाता है। विश्लेषक के लिए विभिन्न तरीकों से शोधन संभव है।

• अक्सर मॉडल कुछ शब्दों के रास्ते में आते हैं जिनके कई अर्थ होते हैं। भ्रामक शब्दों की एक ब्लैकलिस्ट मॉडल के साथ काम करना आसान बनाती है।
• एक और तरीका यह है कि प्रशिक्षण सेट से वस्तुओं को बाहर करने के लिए एक नियम बनाया जाए। यह तरीका मदद करता है अगर पहली विधि काम नहीं करती है।
• जटिल ग्रंथों और बहु-मूल्यवान विशेषताओं के लिए, एक विशिष्ट शब्दकोश मॉडल में स्थानांतरित किया जाता है, जो मॉडल को सीमित करता है, लेकिन आपको त्रुटियों को नियंत्रित करने की अनुमति देता है।

लेकिन तंत्रिका नेटवर्क के बारे में क्या?

सबसे पहले, वर्णित कार्य के लिए तंत्रिका नेटवर्क का उपयोग करने की इच्छा थी। उदाहरण के लिए, कोई भी ग्रंथों के एक बड़े निकाय पर ट्रांसफार्मर को प्रशिक्षित कर सकता है, और फिर प्रत्येक विशेषता से छोटे प्रशिक्षण नमूनों के एक सेट पर लर्निंग ट्रांसफर कर सकता है। दुर्भाग्य से, इस तरह के एक तंत्रिका नेटवर्क के उपयोग को निम्नलिखित कारणों से छोड़ना पड़ा।

• यदि एक विशेषता का मॉडल सही ढंग से काम करना बंद कर देता है, तो शेष विशेषताओं के लिए नुकसान के बिना इसे अक्षम करने में सक्षम होना आवश्यक है।
• यदि मॉडल एक विशेषता के लिए अच्छी तरह से काम नहीं करता है, तो अन्य विशेषताओं के लिए परिणाम को खराब करने के जोखिम के बिना, अलगाव में मॉडल को ट्यून और ट्यून करना आवश्यक है।
• जब एक नई विशेषता दिखाई देती है, तो आपको सभी मॉडलों (या एक मॉडल मॉडल) के दीर्घकालिक प्रशिक्षण के बिना, जल्द से जल्द इसके लिए एक मॉडल प्राप्त करने की आवश्यकता होती है।
• एक विशेषता के लिए गुणवत्ता नियंत्रण समस्या का समाधान एक बार में सभी विशेषताओं के लिए गुणवत्ता नियंत्रण समस्या को हल करने की तुलना में तेज़ और आसान है। यदि एक बड़ा मॉडल विशेषताओं में से एक के साथ सामना नहीं करता है, तो आपको पूरे बड़े मॉडल को ट्यून और समायोजित करना होगा, जिसके लिए किसी विशेषज्ञ के अधिक समय और ध्यान देने की आवश्यकता होती है।

इस प्रकार, समस्या को हल करने के लिए स्वतंत्र छोटे मॉडलों का एक समूह एक बड़े और जटिल मॉडल की तुलना में अधिक व्यावहारिक निकला। इसके अलावा, भाषा मॉडल और एम्बेडिंग का उपयोग अभी भी गुणवत्ता नियंत्रण और पाठ वृद्धि के लिए किया जाता है, इसलिए तंत्रिका नेटवर्क के उपयोग से पूरी तरह से बचना संभव नहीं था, और ऐसा कोई उद्देश्य नहीं था। तंत्रिका नेटवर्क का उपयोग उन कार्यों तक सीमित है जिनमें उन्हें आवश्यक है।

जारी रखा जाए

परियोजना पर काम जारी है: निगरानी, ​​मॉडल अपडेट करना, विसंगतियों के साथ काम करना, आदि को व्यवस्थित करना आवश्यक है। आगे के विकास के लिए प्राथमिकता वाले क्षेत्रों में से एक उन मामलों को इकट्ठा करने और उनका विश्लेषण करने का कार्य है जिन्हें किसी भी मॉडल द्वारा पहनावा से वर्गीकृत नहीं किया गया है। फिर भी, पहले से ही अब हम अपने काम के परिणामों को देखते हैं: मॉडलों को लागू करने के बाद लगभग 60% चेक उनकी विशेषताओं को प्राप्त करते हैं। जाहिर है, चेक का एक महत्वपूर्ण अनुपात है जो मालिकों के हितों के बारे में जानकारी नहीं रखता है, इसलिए पूर्ण स्वामित्व वाला स्तर अप्राप्य है। फिर भी, यह उत्साहजनक है कि अब तक प्राप्त परिणाम हमारी अपेक्षाओं से अधिक है और हम इस दिशा में काम करना जारी रखते हैं।

यह लेख samy1010 के साथ सह-लिखा गया था।