EijemeIT शेयरों पर व्यापार में एमएल के आवेदन पर अवलोकन

कुछ सप्ताह पहले, मैंने ब्रनो (चेक गणराज्य) में तकनीकी विश्वविद्यालय के छात्रों के लिए एक कार्रवाई में भाग लिया, जिसे agoijemeIT कहा जाता है। यह छात्रों के लिए एक वार्षिक मिनी सम्मेलन है, जिसमें ब्रनो में कई बड़ी और प्रसिद्ध आईटी कंपनियां अपनी गतिविधियों, दिलचस्प दिशाओं और परियोजनाओं के बारे में प्रस्तुतिकरण प्रस्तुत करती हैं। इस वर्ष, कंपनियों के लिए मशीन सीखने और कृत्रिम बुद्धिमत्ता का उपयोग करने के लिए विभिन्न व्यावसायिक समस्याओं को हल करने के लिए ध्यान देने योग्य प्रवृत्ति थी। इस संक्षिप्त समीक्षा में, मैं इस विषय पर कुछ दिलचस्प टिप्पणियों को साझा करना चाहूंगा। कौन परवाह करता है, मैं कटौती के लिए कहता हूं

कार्रवाई को कंपनी की प्रस्तुतियों और सूचना के रूप में किया जाता है और विज्ञापन हैंडआउट्स के साथ खड़ा होता है। प्रस्तुति में, आप कंपनी की गतिविधियों का एक सामान्य विचार प्राप्त कर सकते हैं, और विराम के दौरान आप वक्ताओं से रुचि के सवाल पूछ सकते हैं या कंपनी के प्रतिनिधियों के साथ स्टैंड पर बात कर सकते हैं और परियोजनाओं और खुली रिक्तियों के बारे में अधिक जान सकते हैं। कार्रवाई का उद्देश्य संभावित नियोक्ताओं के लिए छात्रों का परिचय देना और संभवतः भविष्य की नौकरी ढूंढना है।

जहां मशीन लर्निंग को अपना एप्लिकेशन मिला

इस वर्ष, कई प्रस्तुतियाँ मशीन सीखने और कृत्रिम बुद्धि के विषयों के लिए समर्पित थीं। इन प्रौद्योगिकियों का उपयोग आईटी के विभिन्न क्षेत्रों और क्षेत्रों में किया जाता है।

उदाहरण के लिए, अमेरिकी कंपनी मावेनियर मोबाइल ऑपरेटरों के नेटवर्क की सुरक्षा का विश्लेषण करती है और धोखाधड़ी लेनदेन (तथाकथित नेटवर्क भेद्यता लेखा परीक्षा) की पहचान करती है। स्पैम संदेशों का विश्लेषण करने और कपटपूर्ण हमलों की पहचान करने के लिए, मेवेनीर क्लासिक मशीन सीखने के तरीकों का उपयोग करता है।

शुरुआत में, कंपनी विशेषज्ञ मोबाइल ऑपरेटरों से विशेष रूप से फोन कॉल और एसएमएस संदेशों (कॉल अवधि, कॉलर नंबर, संदेश भेजने वाले नंबर, संदेश पाठ) के बारे में डेटा एकत्र करते हैं। फिर, सांख्यिकीय रेखांकन उनके आधार पर बनाया जाता है और विभिन्न विश्लेषणात्मक तरीकों को लागू किया जाता है: सामाजिक रेखांकन, अर्थ विश्लेषण। लक्ष्य नेटवर्क पर किसी भी संदिग्ध गतिविधि की पहचान करना है। सांख्यिकीय डेटा का विश्लेषण आपको संदेशों का एक पाठ वर्गीकरण बनाने की अनुमति देता है। अंततः, अनुसंधान के आधार पर, मावेनर विशेषज्ञ अपने मोबाइल नेटवर्क में किसी भी धोखाधड़ी गतिविधि की संभावित रिपोर्ट और पूर्वानुमान के साथ एक मोबाइल प्रदाता प्रदान करते हैं।

यहां विभिन्न देशों में कॉल और संदेशों पर डेटा प्राप्त करने की समस्या है। नेटवर्क में कमजोरियों का विश्लेषण करने के लिए, वास्तविक ऑपरेटर डेटा की आवश्यकता होती है। अलग-अलग देशों में व्यक्तिगत डेटा नियंत्रण के विभिन्न नियामक संचालित होते हैं: GDPR यूरोप में संचालित होता है, और राज्यों के अपने कानून हैं।

प्रौद्योगिकी के संदर्भ में, केरस और स्किकिट-लर्न का उपयोग किया जाता है। पायथन के बारे में, मल्टीथ्रेडिंग पर एक सीमा है - ग्लोबल इंटरप्रिट लॉकर (जीआईएल) की एक प्रसिद्ध सीमा, जो बड़ी मात्रा में डेटा को संसाधित करते समय एक महत्वपूर्ण सीमा है। पहले C ++ XGBoost का उपयोग किया गया था। यह आपको बहुत कम देरी (0.1 एमएस से कम) प्राप्त करने की अनुमति देता है।



एक अन्य उदाहरण वाई सॉफ्ट है। कंपनी प्रिंटर के लिए यूजर इंटरफेस विकसित कर रही है। यहां एक महत्वपूर्ण कार्य समाप्त कार्यक्रम का परीक्षण करना है। मैनुअल परीक्षण काफी समय लेने वाला, समय लेने वाला है और यह त्रुटि की संभावना को बाहर नहीं करता है। इसलिए, कंपनी ने कंप्यूटर विज़न और एक रोबोट आर्म (आरक्यूए परियोजना को यहां और यहां पढ़ा जा सकता है ) का उपयोग करके कार्यक्रम के उपयोगकर्ता इंटरफ़ेस के मैनुअल परीक्षण को स्वचालित किया।



रोबोटिक आर्म को क्रेडेंशियल्स का उपयोग करके टर्मिनल में अधिकृत किया जाता है, लक्ष्य स्क्रीन पर जाता है, वांछित कार्य (स्कैन, प्रिंट) का चयन करता है, सफलता की जांच करता है और अंत में मुख्य स्क्रीन पर जाता है।



रोबोट की निगरानी एक कैमरे द्वारा की जाती है जो वीडियो पर अपने कार्यों को रिकॉर्ड करता है। यहां स्क्रीन डिटेक्शन और एप्लिकेशन में तत्वों की पहचान के कार्य हल किए गए हैं। क्लासिक कंप्यूटर विज़न के तरीकों का मूल रूप से उपयोग किया गया था: फ़ीचर डिस्क्रिप्टर, ओसीआर। समस्याओं में से एक तथाकथित मोइरे प्रभाव था - मॉनिटर स्क्रीन पर क्षैतिज पट्टियों की एक श्रृंखला की उपस्थिति, जो अक्सर कैमरे के माध्यम से मॉनिटर स्क्रीन को देखते समय होती है। प्रयोगों के परिणामस्वरूप, स्थानीय संचयी विकृत किनारों के हिस्टोग्राम के आधार पर एक नई छवि क्लासिफ़ायर का उपयोग करके समस्याओं को हल किया गया था। इस मामले में, एआई का उपयोग ऑपरेशन की गति को काफी बढ़ा सकता है (पारंपरिक छवि प्रसंस्करण विधियों के साथ एक दूसरे बनाम 20 सेकंड के बारे में)।



प्रौद्योगिकी के संदर्भ में, उन्होंने शुरुआत में CNTK (C ++ पर आवरण) और एकॉर्ड का उपयोग किया। CNTK के पास एक जटिल API है, और Accord अब समर्थित नहीं है और कम संगामिति है। अंततः, .NET नेटवर्क्स का उपयोग .NET नेटवर्क्स के साथ संयोजन में किया जाता है।

जहां मशीन लर्निंग अभी तक लागू नहीं है

कुछ मामलों में, मशीन लर्निंग का उपयोग किए बिना समस्याओं को हल करने के लिए पारंपरिक तरीके अभी भी सबसे अच्छा विकल्प बने हुए हैं। उदाहरण के लिए, थर्मो फिशर साइंटिफिक इमेज प्री-प्रोसेसिंग के साथ इलेक्ट्रॉन माइक्रोस्कोप के लिए एक इमेजिंग प्रोग्राम विकसित कर रहा है। छवि प्रसंस्करण के लिए, पारंपरिक कंप्यूटर दृष्टि विधियों का उपयोग किया जाता है।



यह कई कारकों के कारण है। सबसे पहले, मशीन सीखने के तरीके 100 प्रतिशत सटीकता नहीं दे सकते हैं, यहां तक ​​कि एक महत्वहीन त्रुटि हमेशा होती है। इस मामले में, जब ग्राहक एक वैज्ञानिक संगठन है (उदाहरण के लिए, माइक्रोचिप्स के उत्पादन में शामिल अनुसंधान प्रयोगशालाएं), तो ग्राहक के लिए महत्वपूर्ण सटीकता स्वीकृति कारक है। दूसरे, अधिकतम भविष्यवाणी दक्षता प्राप्त करने के लिए, एक ही स्पंज लर्निंग मॉडल को प्रशिक्षण के लिए बड़ी मात्रा में डेटा की आवश्यकता होती है, अधिमानतः जितना संभव हो उन लोगों पर जहां उनकी सटीकता का मूल्यांकन किया जाएगा। थर्मो फिशर साइंटिफिक के मामले में, ग्राहक प्रदर्शन परीक्षण के लिए अपना डेटा प्रदान करने के लिए तैयार नहीं है।



अंत में, एक तंत्रिका नेटवर्क की निष्कासन द्वारा प्राप्त परिणाम की व्याख्या करना मुश्किल है ("ब्लैक बॉक्स" के रूप में तंत्रिका नेटवर्क की ज्ञात घटना)। यह मामला है जब निर्णय लेने की प्रक्रिया की चरम सटीकता और समझ कार्य के कार्यान्वयन और निष्पादन की गति से अधिक प्राथमिकता है।

अभी के लिए बस इतना ही। सभी को शुभकामनाएँ और आपको जल्द ही मिलते हैं!