PPT AI ಅನ್ನು ಸರಳವಾಗಿ ಕಾಣುವಂತೆ ಮಾಡಲು ಪ್ರಯತ್ನಿಸುವ ಭಾಗ
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಲ್ಲಿ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವ ಬಗ್ಗೆ ಒಂದು ವಿಷಯವೇನೆಂದರೆ, ಪ್ರತಿಯೊಬ್ಬರೂ ಅದನ್ನು ಅರ್ಥಮಾಡಿಕೊಂಡಿದ್ದಾರೆ ಎಂದು ನಟಿಸುತ್ತಾರೆ - ಅದು ಒಂದು ಅದ್ಭುತ ಕರೆ ಮಾಡಿದಾಗ ಅಥವಾ ಸ್ಪಷ್ಟವಾದ ತಪ್ಪಿಗೆ ಸಿಲುಕುವವರೆಗೆ. ನಂತರ ಇದ್ದಕ್ಕಿದ್ದಂತೆ ಅದು "ತುಂಬಾ ಸಂಕೀರ್ಣ" ಅಥವಾ "ಕಪ್ಪು ಪೆಟ್ಟಿಗೆ", ಗಣಿತವು ಬಾಳೆಹಣ್ಣಿನ ಸಿಪ್ಪೆಯ ಮೇಲೆ ಜಾರಿದಂತೆ. ನೀವು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ PPT ಯಲ್ಲಿ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವ ಮೂಲಕ ಎಂದಾದರೂ ಕುಳಿತಿದ್ದರೆ, ನಿಮಗೆ ದಿನಚರಿ ತಿಳಿದಿದೆ: ದೊಡ್ಡ ಬಾಣಗಳು, ಫ್ಲೋಚಾರ್ಟ್ಗಳು ಮತ್ತು ಅನಿವಾರ್ಯತೆಯನ್ನು ಸೂಚಿಸುವ ಕ್ಲಿಪ್ಆರ್ಟ್ನ ತುಣುಕುಗಳು. ಇದು ಅನಿವಾರ್ಯವಲ್ಲ. ಇದು ಎಲ್ಲಾ ರೀತಿಯ ಆಯ್ಕೆಗಳು.
ಇದು ಕ್ರಮಾವಳಿಗಳ ಆಳವಾದ ಅಧ್ಯಯನ - AI ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳಲು ಬಳಸುವ ನೈಜವಾದವುಗಳು. ಬಾಕ್ಸಿ ಬಾಣಗಳೊಂದಿಗೆ ಸ್ಲೈಡ್ ಡೆಕ್ ಅಲ್ಲ. ಗುರಿಯು "AI ನಮಗಾಗಿ ನಿರ್ಧರಿಸುತ್ತದೆ" ಎಂಬ ನಾಟಕವನ್ನು ಕತ್ತರಿಸಿ ಈ ವ್ಯವಸ್ಥೆಗಳು ಹೇಗೆ ಆಯ್ಕೆ ಮಾಡುತ್ತವೆ ಎಂಬುದರ ಕುರಿತು ಮಾತನಾಡುವುದು. ಸ್ಪಾಯ್ಲರ್: ಅವು ಸರ್ವಜ್ಞ ದೈವದಂತೆ ಅಲ್ಲ ಮತ್ತು ತುಂಬಾ ವೇಗವಾಗಿ, ತುಂಬಾ ಅಕ್ಷರಶಃ ತಾರ್ಕಿಕರು ಟ್ರಾಫಿಕ್ನಲ್ಲಿ ಕುಳಿತುಕೊಳ್ಳಬೇಕಾಗಿಲ್ಲ ಅಥವಾ ಮಗುವಿನ ಮಲಗುವ ಸಮಯವನ್ನು ಮಾತುಕತೆ ನಡೆಸಬೇಕಾಗಿಲ್ಲ.
"AI ನಲ್ಲಿ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆ" ಎಂದರೆ ಏನು (ಮತ್ತು PPT ಗಳು ವಿರಳವಾಗಿ ಒಪ್ಪಿಕೊಳ್ಳುವುದು)
"ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಲ್ಲಿ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವುದು" ಉದಾತ್ತವೆಂದು ತೋರುತ್ತದೆ, ಆದರೆ ವಾಸ್ತವದಲ್ಲಿ ಇದು ತಂತ್ರಗಳ ಒಂದು ಗುಂಪು: ನಿಯಮ-ಆಧಾರಿತ ತಾರ್ಕಿಕ ಕ್ರಿಯೆ, ಹುಡುಕಾಟ, ಆಪ್ಟಿಮೈಸೇಶನ್, ಸಂಭವನೀಯ ಅನುಮಾನ, ಬಲವರ್ಧನೆ ಕಲಿಕೆ, ಯೋಜನೆ ಮತ್ತು ಇಡೀ ಗೊಂದಲವನ್ನು ಒಟ್ಟಿಗೆ ಸೇರಿಸುವ ಹೈಬ್ರಿಡ್ ವ್ಯವಸ್ಥೆಗಳು. ಕ್ರಮಾವಳಿಗಳು ಯಾವುದನ್ನೂ "ಬಯಸುವುದಿಲ್ಲ". ಅವರು ನಿರ್ದಿಷ್ಟ ನಿರ್ಬಂಧಗಳ ಅಡಿಯಲ್ಲಿ ನಿರ್ದಿಷ್ಟ ಕಾರ್ಯಗಳನ್ನು ಅತ್ಯುತ್ತಮವಾಗಿಸುತ್ತಾರೆ. ಕಾರ್ಯ ಅಥವಾ ನಿರ್ಬಂಧಗಳನ್ನು ಬದಲಾಯಿಸಿ ಮತ್ತು ನೀವು ವಿಭಿನ್ನ "ಬುದ್ಧಿವಂತಿಕೆ" ಯನ್ನು ಪಡೆಯುತ್ತೀರಿ. ಅದು ಸ್ಪಷ್ಟವಾಗಿದ್ದರೆ, ಅಭಿನಂದನೆಗಳು-ನೀವು SlideShare ನಲ್ಲಿ ಅರ್ಧ ಡೆಕ್ಗಿಂತ ಮುಂದಿದ್ದೀರಿ.
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ PPTಗಳಲ್ಲಿ ಹೆಚ್ಚಿನ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆಯ ನಿಜವಾದ ಸಮಸ್ಯೆ ಅವು ಸರಳಗೊಳಿಸುವುದು ಅಲ್ಲ. ಅವು ತಪ್ಪು ದಿಕ್ಕಿನಲ್ಲಿ ಸರಳಗೊಳಿಸುತ್ತವೆ. ಮಾದರಿಗಳು "ಕಲಿತವು" ಎಂದು ನಿರ್ಧರಿಸುತ್ತವೆ ಎಂದು ಅವರು ಸೂಚಿಸುತ್ತಾರೆ. ಕಲಿಕೆ ನಿರ್ಧರಿಸುವುದಿಲ್ಲ. ಕಲಿಕೆಯು ನಿಮಗೆ ನೀತಿ ಅಥವಾ ಮಾದರಿಯನ್ನು ನೀಡುತ್ತದೆ; ತರಬೇತಿ ಡೇಟಾದಂತೆಯೇ ಎಂದಿಗೂ ಇಲ್ಲದ ಸನ್ನಿವೇಶದಲ್ಲಿ ಆ ನೀತಿಯನ್ನು ಚಲಾಯಿಸುವುದು ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವುದು. ಚೆಸ್ ತೆರೆಯುವಿಕೆಯನ್ನು ಕಂಠಪಾಠ ಮಾಡುವುದು ಮತ್ತು ಮಧ್ಯಮ ಆಟದ ಗೊಂದಲವನ್ನು ಬದುಕುಳಿಯುವ ನಡುವಿನ ವ್ಯತ್ಯಾಸ-ಮೊದಲನೆಯದು ಬುಲೆಟ್ ಪಾಯಿಂಟ್ನಲ್ಲಿ ಉತ್ತಮವಾಗಿ ಕಾಣುತ್ತದೆ; ಎರಡನೆಯದು ಗೆಲ್ಲುವುದು.
ನಿಜವಾದ ಪರಿಕರಗಳು: ನಿಯಮಗಳಿಂದ ಪ್ರತಿಫಲಗಳವರೆಗೆ
ನಾವು ಸ್ಟಾಕ್ ಅನ್ನು ನಡೆಯೋಣ, ಹಳೆಯ ಶೈಲಿಯಂತೆ ತೋರುವ ವಿಷಯಗಳಿಂದ (ಇನ್ನೂ ಮುಖ್ಯವಾಗಿದೆ) ಆಧುನಿಕ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಶಕ್ತಿ ನೀಡುವ ತಂತ್ರಗಳಿಗೆ. ಸರಳ ಮಾತು, ಯಾವುದೇ ಪ್ರಣಯವಿಲ್ಲ.
ನಿಯಮ-ಆಧಾರಿತ ವ್ಯವಸ್ಥೆಗಳು: ಇನ್ನೂ ಸತ್ತಿಲ್ಲ, ಕೇವಲ ಪ್ರಾಮಾಣಿಕವಾಗಿವೆ
ನಿಯಮಗಳು ಕೆಲವು AI ಜನರಿಗೆ ಮುಜುಗರವನ್ನುಂಟುಮಾಡುತ್ತವೆ, ಸಾಕ್ಸ್ ಅನ್ನು ಸ್ಯಾಂಡಲ್ಗಳೊಂದಿಗೆ ಧರಿಸುವಂತೆ. ಆದರೆ ನಿಯಮ-ಆಧಾರಿತ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆಯು ಒಂದು ದೊಡ್ಡ ಪ್ರಯೋಜನವನ್ನು ಹೊಂದಿದೆ: ಪಾರದರ್ಶಕತೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ PPT ಯಲ್ಲಿ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆಯು ನಿಯಮಗಳನ್ನು " legacy" ಎಂದು ಬಿಟ್ಟುಬಿಟ್ಟರೆ, ಅದು ಅರ್ಧ ಕಥೆಯನ್ನು ಮರೆಮಾಚುತ್ತಿದೆ. ತಜ್ಞ ವ್ಯವಸ್ಥೆಗಳು ಡೊಮೇನ್ ಜ್ಞಾನವನ್ನು ಇದ್ದರೆ-ಆಗ ಹೇಳಿಕೆಗಳಾಗಿ ಎನ್ಕೋಡ್ ಮಾಡುತ್ತವೆ. ಅವು ದುರ್ಬಲವಾಗಿವೆ, ಹೌದು, ಆದರೆ ಅವುಗಳನ್ನು ಆಡಿಟ್ ಮಾಡಬಹುದು. ನಿಮಗೆ ನಿರ್ಣಾಯಕತೆ ಮತ್ತು ಪತ್ತೆಹಚ್ಚುವಿಕೆ ಅಗತ್ಯವಿರುವಾಗ-ಅನುಸರಣೆ ಪರಿಶೀಲನೆಗಳು, ವೈದ್ಯಕೀಯ ವಿಂಗಡಣಾ ಪ್ರೋಟೋಕಾಲ್ಗಳು-ನಿಯಮಗಳು ಇನ್ನೂ ಕಾರ್ಯನಿರ್ವಹಿಸುವುದಿಲ್ಲ; ಅವು ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ.
- ಪರ: ನಿರ್ಣಾಯಕ, ವಿವರಿಸಬಹುದಾದ, ಡೀಬಗ್ ಮಾಡಲು ಸುಲಭ
- ಕಾನ್ಸ್: ದುರ್ಬಲ, ಗೊಂದಲಮಯ ಡೊಮೇನ್ಗಳಲ್ಲಿ ಅಳೆಯಲು ಕಷ್ಟ
ನಿಯಮ ವ್ಯವಸ್ಥೆ ಯಾವಾಗ ವಿಫಲವಾಗುತ್ತದೆ ಎಂದು ನಿಮಗೆ ತಿಳಿದಿದೆ ಏಕೆಂದರೆ ಅದು ನಿಮಗೆ ಹೇಳುತ್ತದೆ. ಹೆಚ್ಚಿನ ಆಧುನಿಕ ವ್ಯವಸ್ಥೆಗಳು ಸದ್ದಿಲ್ಲದೆ ವಿಫಲಗೊಳ್ಳುತ್ತವೆ.
ಹುಡುಕಾಟ ಮತ್ತು ಆಪ್ಟಿಮೈಸೇಶನ್: ನ್ಯಾವಿಗೇಷನ್ನಂತೆ ನಿರ್ಧಾರಗಳು
ನಾವು ಎಲ್ಲವನ್ನೂ ಡೇಟಾದ ಸಾಗರಗಳಲ್ಲಿ ತರಬೇತಿ ಮಾಡುವ ಮೊದಲು, ನಾವು ಹುಡುಕುತ್ತಿದ್ದೆವು. ಬ್ರೆಡ್ತ್-ಫಸ್ಟ್ ಸರ್ಚ್, ಡೆಪ್ತ್-ಫಸ್ಟ್ ಸರ್ಚ್, ಎ*, ಬೀಮ್ ಸರ್ಚ್. ಇದು ಆಕರ್ಷಕವಾಗಿಲ್ಲ, ಆದರೆ ನೀವು ಯಾವಾಗಲಾದರೂ ಪಥಶೋಧನೆಯ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸುತ್ತಿದ್ದರೆ - ಅಕ್ಷರಶಃ ಅಥವಾ ಸಾಂಕೇತಿಕವಾಗಿ - ಹುಡುಕಾಟವು ಬೆನ್ನೆಲುಬು. ಉತ್ತಮ ಹ್ಯೂರಿಸ್ಟಿಕ್ ಹೊಂದಿರುವ ಎ* ಮೂಕ ಉದ್ದೇಶದೊಂದಿಗೆ "ಸ್ಮಾರ್ಟ್" ಮಾದರಿಯನ್ನು ಸೋಲಿಸುತ್ತದೆ.
ಆಪ್ಟಿಮೈಸೇಶನ್ ಇದನ್ನು ಸಾಮಾನ್ಯೀಕರಿಸುತ್ತದೆ: ನೀವು ಉದ್ದೇಶಿತ ಕಾರ್ಯ ಮತ್ತು ನಿರ್ಬಂಧಗಳನ್ನು ಹೊಂದಿಸುತ್ತೀರಿ, ನಂತರ ನಿಮ್ಮಲ್ಲಿರುವ ಕಂಪ್ಯೂಟ್ನೊಂದಿಗೆ ನೀವು ಪಡೆಯಲು ಸಾಧ್ಯವಾಗುವ ಅತ್ಯುತ್ತಮ ಪರಿಹಾರದ ಕಡೆಗೆ ತಳ್ಳಿರಿ. ರೇಖೀಯ ಪ್ರೋಗ್ರಾಮಿಂಗ್, ಮಿಶ್ರ-ಪೂರ್ಣಾಂಕ ಪ್ರೋಗ್ರಾಮಿಂಗ್, ವಿಕಸನೀಯ ಕ್ರಮಾವಳಿಗಳು - ಗಡುವು ಅಡಿಯಲ್ಲಿ "ಸುಮಾರು ಉತ್ತಮ" ನಿಂದ "ಸಾಕಷ್ಟು ಉತ್ತಮ" ವರೆಗೆ ಪಡೆಯುವ ವರ್ಣಮಾಲೆಯ ಸೂಪ್.
- ಪರ: ಸಾಬೀತುಪಡಿಸಬಹುದಾದ ಖಾತರಿಗಳು, ನಿಯಂತ್ರಿಸಬಹುದಾದ ವಹಿವಾಟುಗಳು
- ಕಾನ್ಸ್: ಮಾಡೆಲಿಂಗ್ ಕಷ್ಟ; ಉದ್ದೇಶಗಳನ್ನು ಸೂಕ್ಷ್ಮ, ವಿಪತ್ತು ರೀತಿಯಲ್ಲಿ ತಪ್ಪಾಗಿ ನಿರ್ದಿಷ್ಟಪಡಿಸಬಹುದು
ಮಾದರಿಯು ವಿಚಿತ್ರವಾದದ್ದನ್ನು ಮಾಡಿದಾಗ, ನೀವು ಕೇಳಿದ್ದನ್ನು ನಿಖರವಾಗಿ ಪಡೆದುಕೊಂಡಿದ್ದೀರಿ - ನೀವು ಅರ್ಥೈಸಿದದ್ದಲ್ಲ.
ಸಂಭವನೀಯ ತಾರ್ಕಿಕ ಕ್ರಿಯೆ: ಅನಿಶ್ಚಿತತೆಯು ಒಂದು ವೈಶಿಷ್ಟ್ಯವಾಗಿದೆ
ಬೇಸಿಯನ್ ನೆಟ್ವರ್ಕ್ಸ್, ಹಿಡನ್ ಮಾರ್ಕೋವ್ ಮಾದರಿಗಳು, ಕಾಲ್ಮನ್ ಫಿಲ್ಟರ್ಗಳು: ಕ್ಲಾಸಿಕ್ಸ್. ಜಗತ್ತು ಖಚಿತವಾಗಿದೆ ಎಂದು ನಟಿಸುವ ಬದಲು, ಈ ವಿಧಾನಗಳು ಅನಿಶ್ಚಿತತೆಯ ಚಾಲನೆಯಲ್ಲಿರುವ ಟ್ಯಾಲಿಯನ್ನು ಇಟ್ಟುಕೊಳ್ಳುತ್ತವೆ ಮತ್ತು ಅದರ ವಿರುದ್ಧ ಹೆಡ್ಜ್ ಮಾಡುವ ಕ್ರಮಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತವೆ. ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ವಾಸ್ತವಿಕತೆ.
- ಪರ: ಅನಿಶ್ಚಿತತೆಯಡಿಯಲ್ಲಿ ಮೂಲಭೂತ; ಅರ್ಥೈಸಬಹುದಾದ ರಚನೆ
- ಕಾನ್ಸ್: ಹೆಚ್ಚಿನ ಆಯಾಮದ ಗೊಂದಲಕ್ಕೆ ಸ್ಕೇಲಿಂಗ್ ನೋವಿನಿಂದ ಕೂಡಿದೆ; ಊಹೆಗಳು ಹಿಂತಿರುಗುತ್ತವೆ
ಸಂಭವನೀಯ ವಿಧಾನಗಳು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ PPT ಡೆಕ್ಗಳಲ್ಲಿ "ವಿಶ್ವಾಸ ಸ್ಕೋರ್ಗಳು" ನೊಂದಿಗೆ ಸನ್ನೆ ಮಾಡುತ್ತವೆ. ವಿಶ್ವಾಸವು ಸಂಭವನೀಯತೆಯಲ್ಲ. ಸಂಭವನೀಯತೆಯು ರಸೀದಿಗಳೊಂದಿಗೆ ಗಣಿತವಾಗಿದೆ.
ಬಲವರ್ಧನೆ ಕಲಿಕೆ: ಪ್ರತಿಫಲಗಳು ನಿಯಮಗಳನ್ನು ಮಾಡುತ್ತವೆ
ಬಲವರ್ಧನೆ ಕಲಿಕೆ - Q-ಕಲಿಕೆ, ನೀತಿ ಗ್ರೇಡಿಯಂಟ್ಗಳು, ನಟ-ವಿಮರ್ಶಕ ರೂಪಾಂತರಗಳು - ಸ್ಕೋರ್ಬೋರ್ಡ್ನೊಂದಿಗೆ ಪ್ರಾಯೋಗಿಕವಾಗಿ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆಯನ್ನು ರೂಪಿಸುತ್ತದೆ. ನೀವು ಕ್ರಮಗಳನ್ನು ಆರಿಸುತ್ತೀರಿ, ಪರಿಸರವು ನಿಮಗೆ ಪ್ರತಿಫಲಗಳನ್ನು ನೀಡುತ್ತದೆ ಮತ್ತು ಕಾಲಾನಂತರದಲ್ಲಿ ಲಾಭವನ್ನು ನೀಡುವ ಕ್ರಿಯೆಗಳ ಕಡೆಗೆ ನಿಮ್ಮ ನೀತಿಯನ್ನು ನೀವು ತಳ್ಳುತ್ತೀರಿ. AI ನಿಜವಾಗಿಯೂ "ನಿರ್ಧರಿಸುತ್ತದೆ" ಎನ್ನುವುದು ಇಲ್ಲಿಯೇ, ನೀವು ವಿನ್ಯಾಸಗೊಳಿಸಿದ ಆಟವನ್ನು ಆಡುವ ಅರ್ಥದಲ್ಲಿ, ನೀವು ಅದನ್ನು ಅರಿತುಕೊಂಡಿರಲಿ ಅಥವಾ ಇಲ್ಲದಿರಲಿ.
- ಪರ: ಅನುಕ್ರಮ ನಿರ್ಧಾರ ಕಾರ್ಯಗಳಿಗೆ ಬಲವಾದದ್ದು; ನೀವು ಸ್ಪಷ್ಟವಾಗಿ ಕೋಡ್ ಮಾಡದ ತಂತ್ರಗಳನ್ನು ಕಲಿಯುತ್ತದೆ
- ಕಾನ್ಸ್: ಪ್ರತಿಫಲ ಹ್ಯಾಕಿಂಗ್; ಮಾದರಿ ದಕ್ಷತೆಯ ಕೊರತೆ; ಜಗತ್ತು ಸ್ವಲ್ಪ ಬದಲಾದರೂ ದುರ್ಬಲ ಸಾಮಾನ್ಯೀಕರಣ
ಬಲವರ್ಧನೆ ಕಲಿಕೆಯು "ಮಾನವರು ಹೇಗೆ ಕಲಿಯುತ್ತಾರೆ" ಎಂಬುದಕ್ಕೆ ಹೋಲುತ್ತದೆ ಎಂದು ಜನರು ಹೇಳಲು ಇಷ್ಟಪಡುತ್ತಾರೆ. ನಿಜವಾಗಿಯೂ ಅಲ್ಲ. ಮಾನವರು ಪ್ರಿಯರಿಗಳು, ದೇಹಗಳು, ಬೇಸರ ಮತ್ತು ಸಾಮಾನ್ಯ ಜ್ಞಾನವನ್ನು ಹೊಂದಿದ್ದಾರೆ. RL ಏಜೆಂಟ್ಗಳು ಪ್ರತಿಫಲ ಕಾರ್ಯ ಮತ್ತು ಅದು ಕೆಲಸ ಮಾಡುವವರೆಗೆ ಅಸಂಬದ್ಧತೆಯನ್ನು ಪ್ರಯತ್ನಿಸಲು ಅನಂತ ತಾಳ್ಮೆಯನ್ನು ಹೊಂದಿವೆ.
ಯೋಜನೆ ಮತ್ತು POMDP ಗಳು: ಪ್ರಪಂಚವು ಅರ್ಧ-ಗೋಚರವಾಗಿದೆ
ನೈಜ-ಪ್ರಪಂಚದ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆಯು ವಿರಳವಾಗಿ ಪರಿಪೂರ್ಣ ಮಾಹಿತಿಯೊಂದಿಗೆ ಬರುತ್ತದೆ. ಭಾಗಶಃ ವೀಕ್ಷಿಸಬಹುದಾದ ಮಾರ್ಕೋವ್ ನಿರ್ಧಾರ ಪ್ರಕ್ರಿಯೆಗಳು (POMDP ಗಳು) ಆ ಅನಿಶ್ಚಿತತೆಯನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಮಾದರಿಯಾಗಿಸುತ್ತವೆ: ನಿಮಗೆ ರಾಜ್ಯ ತಿಳಿದಿಲ್ಲ, ಅದನ್ನು ಸೂಚಿಸುವ ವೀಕ್ಷಣೆಗಳು ಮಾತ್ರ. ಭಾಗಶಃ ವೀಕ್ಷಿಸಬಹುದಾದ ಅಡಿಯಲ್ಲಿ ಯೋಜನೆ ಮಾಡುವುದು ನಂಬಿಕೆಯ ಸ್ಥಿತಿಯನ್ನು ಇಟ್ಟುಕೊಳ್ಳಲು ನಿಮ್ಮನ್ನು ಒತ್ತಾಯಿಸುತ್ತದೆ - "ನಾವು ನೋಡಿದ ಆಧಾರದ ಮೇಲೆ ಏನು ನಡೆಯುತ್ತಿದೆ ಎಂದು ನಾವು ಭಾವಿಸುತ್ತೇವೆ" ಎಂಬ ಫ್ಯಾನ್ಸಿ ಪದ.
- ಪರ: ಅನಿಶ್ಚಿತತೆಯ ಬಗ್ಗೆ ಪ್ರಾಮಾಣಿಕ; ಸೂಕ್ಷ್ಮ ಕ್ರಿಯೆಗೆ ಔಪಚಾರಿಕ ಅಡಿಪಾಯ
- ಕಾನ್ಸ್: ಕಂಪ್ಯೂಟೇಶನಲ್ ಆಗಿ ಕ್ರೂರ; ಅಂದಾಜುಗಳು ಅಗತ್ಯವಾದ ಕೆಡುಕು
ನಿಮ್ಮ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಲ್ಲಿ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆ PPT ಕನಿಷ್ಠ "POMDP" ಎಂದು ಪಿಸುಗುಟ್ಟದಿದ್ದರೆ, ಅದು ವಾಸ್ತವವನ್ನು ಐಚ್ಛಿಕ ಸೆಟ್ಟಿಂಗ್ನಂತೆ ಪರಿಗಣಿಸುತ್ತಿದೆ.
ಹೈಬ್ರಿಡ್ ಸಿಸ್ಟಮ್ಸ್ ಮತ್ತು ನ್ಯೂರೋ-ಸಿಂಬಾಲಿಕ್ ಮ್ಯಾಶಪ್ಸ್
ನರ ನೆಟ್ವರ್ಕ್ಗಳು ನೋಡುತ್ತವೆ ಮತ್ತು ಲೇಬಲ್ ಮಾಡುತ್ತವೆ; ಸಾಂಕೇತಿಕ ವ್ಯವಸ್ಥೆಗಳು ವಿವರಿಸುತ್ತವೆ ಮತ್ತು ನಿರ್ಬಂಧಿಸುತ್ತವೆ. ಅವುಗಳನ್ನು ಒಟ್ಟಿಗೆ ಅಂಟಿಸಿ ಮತ್ತು ನೀವು ಉಪಯುಕ್ತವಾದದ್ದನ್ನು ಪಡೆಯುತ್ತೀರಿ. ಗ್ರಹಿಕೆಗಾಗಿ ದೃಷ್ಟಿ ಮಾದರಿ, ಸುರಕ್ಷತೆಗಾಗಿ ನಿಯಮಗಳು. ಅಭ್ಯರ್ಥಿ ಕ್ರಮಗಳಿಗಾಗಿ ಭಾಷಾ ಮಾದರಿ, ಕಾರ್ಯಸಾಧ್ಯತೆಗಾಗಿ ಯೋಜಕ. ಈ ಹೈಬ್ರಿಡ್ಗಳು ಕೇವಲ ಟ್ರೆಂಡಿಯಾಗಿಲ್ಲ; ಅವು ಎಂಜಿನಿಯರಿಂಗ್ ವಿನಯವನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತವೆ: ಗ್ರಹಿಕೆ ಕಷ್ಟಕರವಾದಲ್ಲಿ ಕಲಿತ ಮಾದರಿಯನ್ನು ಬಳಸಿ, ಪಾಲುಗಳು ಹೆಚ್ಚಿರುವಲ್ಲಿ ಸ್ಪಷ್ಟವಾದ ತರ್ಕವನ್ನು ಬಳಸಿ.
- ಪರ: ಪ್ರಾಯೋಗಿಕ, ನಿಯಂತ್ರಿಸಬಹುದಾದ, ಎರಡರಲ್ಲೂ ಉತ್ತಮ
- ಕಾನ್ಸ್: ಏಕೀಕರಣ ತಲೆನೋವುಗಳು, ದುರ್ಬಲ ಇಂಟರ್ಫೇಸ್ಗಳು, ನಕಲು ಸಂಕೀರ್ಣತೆ
ನಿರ್ಧಾರ ಲೂಪ್: ಯಂತ್ರಗಳಿಗಾಗಿ OODA, ಕಡಿಮೆ ಸಂಕ್ಷಿಪ್ತ ರೂಪಗಳೊಂದಿಗೆ
ಹೆಚ್ಚಿನ AI ನಿರ್ಧಾರ ವ್ಯವಸ್ಥೆಗಳು ಲೂಪ್ ಅನ್ನು ಚಲಾಯಿಸುತ್ತವೆ: ವೀಕ್ಷಿಸಿ, ಊಹಿಸಿ, ಯೋಜಿಸಿ, ಕಾರ್ಯನಿರ್ವಹಿಸಿ, ಪುನರಾವರ್ತಿಸಿ. ಸ್ಲೈಡ್ ಡೆಕ್ಗಳು ವಲಯಗಳು ಮತ್ತು ಬಾಣಗಳನ್ನು ಇಷ್ಟಪಡುತ್ತವೆ; ಪ್ರಮುಖ ಬಿಟ್ ಒತ್ತಡವಾಗಿದೆ. ಪ್ರತಿಯೊಂದು ಹಂತವು ರಾಜಿ ಮಾಡಿಕೊಳ್ಳುತ್ತದೆ. ವೀಕ್ಷಿಸಿ (ಆದರೆ ಎಲ್ಲವೂ ಅಲ್ಲ). ಊಹಿಸಿ (ಆದರೆ ನಿಮ್ಮ ಅನಿಶ್ಚಿತತೆಯನ್ನು ಇಟ್ಟುಕೊಳ್ಳಿ). ಯೋಜಿಸಿ (ಆದರೆ ಸಮಯದ ಅಡಿಯಲ್ಲಿ). ಕಾರ್ಯನಿರ್ವಹಿಸಿ (ಆದರೆ ಜಗತ್ತನ್ನು ಸುಡಬೇಡಿ).
- ಚಿಹ್ನೆಗಳಿಗೆ ಗ್ರಹಿಕೆ: ಕಚ್ಚಾ ಡೇಟಾದಿಂದ ವೈಶಿಷ್ಟ್ಯಗಳಿಗೆ. ಮಾಹಿತಿಯನ್ನು ಕಳೆದುಕೊಳ್ಳಿ, ಆಶಾದಾಯಕವಾಗಿ ಸರಿಯಾದ ಮಾಹಿತಿ.
- ನಂಬಿಕೆಗೆ ಮುನ್ಸೂಚನೆ: ವೈಶಿಷ್ಟ್ಯಗಳಿಂದ ವಾಸ್ತವವಾಗಿ ಏನು ನಡೆಯುತ್ತಿದೆ ಎಂಬುದರ ವಿತರಣೆಗೆ.
- ಯೋಜನೆಗೆ ನೀತಿ: ಪ್ರಸ್ತುತ ನಂಬಿಕೆಯಿಂದ ಕ್ರಿಯಾ ಅನುಕ್ರಮಕ್ಕೆ, ಕಂಪ್ಯೂಟ್ ಮತ್ತು ಅಪಾಯದ ಹಸಿವಿನಿಂದ ಸೀಮಿತವಾಗಿದೆ.
- ಪ್ರತಿಕ್ರಿಯೆಗೆ ಕ್ರಮ: ಕಾರ್ಯನಿರ್ವಹಿಸಿ, ಫಲಿತಾಂಶಗಳನ್ನು ಅಳೆಯಿರಿ, ನಂಬಿಕೆಗಳು ಮತ್ತು ನಿಯತಾಂಕಗಳನ್ನು ನವೀಕರಿಸಿ. ನಿಮ್ಮ ಲೂಪ್ ಅನುಭವದೊಂದಿಗೆ ಉತ್ತಮಗೊಳ್ಳದಿದ್ದರೆ, ಅದು ಯಾಂತ್ರೀಕೃತಗೊಂಡ, AI ಅಲ್ಲ.
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ PPT ಯಲ್ಲಿ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆಯಲ್ಲಿನ ದೊಡ್ಡ ತಪ್ಪು ಲೂಪ್ ಸ್ವಚ್ಛವಾಗಿದೆ ಎಂದು ನಟಿಸುವುದು. ಉತ್ಪಾದನೆಯಲ್ಲಿ, ಸಂವೇದಕಗಳು ಚಲಿಸುತ್ತವೆ, ಮಾನವರು ಮಧ್ಯಪ್ರವೇಶಿಸುತ್ತಾರೆ ಮತ್ತು ಮೆಟ್ರಿಕ್ಗಳು ಪರಸ್ಪರ ಹೋರಾಡುತ್ತವೆ. ಪ್ರಪಂಚವು ಕುಗ್ಗಿದಾಗ ಉತ್ತಮ ವ್ಯವಸ್ಥೆಗಳು ಅನುಗ್ರಹದಿಂದ ಅವನತಿ ಹೊಂದುತ್ತವೆ.
ಕ್ರಮಾವಳಿಗಳ ಆಳವಾದ ಅಧ್ಯಯನ (Buzzword ಸಾಸ್ ಇಲ್ಲದೆ)
ಜನರು ಬಳಸುವ ಕ್ರಮಾವಳಿಗಳನ್ನು ನೋಡೋಣ-ಅವು ಏನು ಪರಿಹರಿಸುತ್ತವೆ, ಅವು ಹೇಗೆ ವಿಫಲಗೊಳ್ಳುತ್ತವೆ ಮತ್ತು ಅವು ಎಲ್ಲಿ ಬೆಳಗುತ್ತವೆ.
ಮಲ್ಟಿ-ಆರ್ಮ್ಡ್ ಬ್ಯಾಂಡಿಟ್ಸ್: ನಾಟಕವಿಲ್ಲದೆ ಪರಿಶೋಧನೆ
ಹೊಸ ವಿಷಯಗಳನ್ನು ಪ್ರಯತ್ನಿಸುವುದನ್ನು ಸಮತೋಲನಗೊಳಿಸಬೇಕಾದಾಗ ಕೆಲಸ ಮಾಡುವುದರೊಂದಿಗೆ - ಜಾಹೀರಾತು ಆಯ್ಕೆ, ಶಿಫಾರಸು ಟ್ವೀಕ್ಗಳು, UI ಪ್ರಯೋಗಗಳು - ಮಲ್ಟಿ-ಆರ್ಮ್ಡ್ ಬ್ಯಾಂಡಿಟ್ಗಳು ವೇಗಕ್ಕಾಗಿ A/B ಪರೀಕ್ಷೆಯನ್ನು ಸೋಲಿಸುತ್ತವೆ. ಥಾಂಪ್ಸನ್ ಮಾದರಿಯು ಪ್ರಾಯೋಗಿಕ ನೆಚ್ಚಿನದು: ಬೇಸಿಯನ್, ಸರಳ, ಪರಿಣಾಮಕಾರಿ. ಇದು ಪೂರ್ಣ RL ಏಜೆಂಟ್ ಎಂದು ನಟಿಸುವುದಿಲ್ಲ. ಅದು ಅದಕ್ಕೆ ಉತ್ತಮವಾಗಿದೆ.
- ಇದಕ್ಕಾಗಿ ಬಳಸಿ: ಪ್ರತಿಕ್ರಿಯೆಯೊಂದಿಗೆ ತ್ವರಿತ ಆನ್ಲೈನ್ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವುದು
- ಇದಕ್ಕಾಗಿ ಬಳಸಬೇಡಿ: ದೀರ್ಘ-ಕ್ಷಿತಿಜ ತಂತ್ರ, ಸಂಕೀರ್ಣ ಅವಲಂಬನೆಗಳು, ಸುರಕ್ಷತೆ-ನಿರ್ಣಾಯಕ ಯಾವುದೂ
ಮಾಂಟೆ ಕಾರ್ಲೊ ಟ್ರೀ ಸರ್ಚ್: ಬಜೆಟ್ನಲ್ಲಿ ದೂರದೃಷ್ಟಿಯನ್ನು ನುಡಿಸುವುದು
MCTS ಭವಿಷ್ಯವನ್ನು ಮಾದರಿಯಾಗಿಸುತ್ತದೆ, ಅವೆಲ್ಲವೂ ಅಲ್ಲ, ಸಾಕಷ್ಟು ಸಮಂಜಸವಾದವುಗಳು ಮಾತ್ರ. ಇದು "ಇದನ್ನು ಯೋಚಿಸೋಣ, ಆದರೆ ಇಡೀ ಮಧ್ಯಾಹ್ನ ಅಲ್ಲ" ಎಂಬ ಕ್ರಮಾವಳಿಯ ಸಮಾನವಾಗಿದೆ. ಆಟಗಳು ಮತ್ತು ರಚನಾತ್ಮಕ ಯೋಜನೆಯಲ್ಲಿ, ಇದು ಗೆಲ್ಲುತ್ತದೆ. ತೆರೆದ ಗೊಂದಲಗಳಲ್ಲಿ, ಅದು ಇಲ್ಲದಿರುವ ರಚನೆಯನ್ನು ಭ್ರಮೆಗೊಳಿಸುತ್ತದೆ.
- ಇದಕ್ಕೆ ಉತ್ತಮವಾಗಿದೆ: ಸೀಮಿತ, ಉತ್ತಮವಾಗಿ ಮಾಡೆಲ್ ಮಾಡಲಾದ ನಿರ್ಧಾರ ಸ್ಥಳಗಳು (ಆಟಗಳು, ನಿರ್ಬಂಧಿತ ಯೋಜನೆ)
- ಇದಕ್ಕೆ ದುರ್ಬಲ: ಮಾಡೆಲ್ ಮಾಡದ ಗೊಂದಲ (ಮಾನವರು, ಮಾರುಕಟ್ಟೆಗಳು, Twitter)
ಡೈನಾಮಿಕ್ ಪ್ರೋಗ್ರಾಮಿಂಗ್: ಹಿಡಿಯೊಂದಿಗೆ ಅತ್ಯುತ್ತಮ
ಬೆಲ್ಮನ್ ಸಮೀಕರಣಗಳು, ಮೌಲ್ಯ ಪುನರಾವರ್ತನೆ, ನೀತಿ ಪುನರಾವರ್ತನೆ. ನಿಯಂತ್ರಣ ಸಿದ್ಧಾಂತದ ಕಿರೀಟ ರತ್ನಗಳು, ಘಾತೀಯ ಬೆಳವಣಿಗೆಯಿಂದ ಮಾಡಿದ ಕಿರೀಟದೊಂದಿಗೆ. ರಾಜ್ಯ ಸ್ಥಳವು ಸ್ಫೋಟಗೊಂಡರೆ, ನಿಮ್ಮ ಆಶಾವಾದವೂ ಆಗುತ್ತದೆ.
- ಇದಕ್ಕೆ ಉತ್ತಮವಾಗಿದೆ: ತಿಳಿದಿರುವ ಡೈನಾಮಿಕ್ಸ್ ಹೊಂದಿರುವ ಸಣ್ಣ-ಮಧ್ಯಮ ಮಾರ್ಕೋವಿಯನ್ ಪ್ರಪಂಚಗಳು
- ಇದಕ್ಕೆ ದುರ್ಬಲ: ಬೇರೆ ಎಲ್ಲವೂ, ನೀವು ಅಂದಾಜು ಮಾಡದ ಹೊರತು (ಅಂದರೆ, ಯಾವಾಗಲೂ)
ಹ್ಯೂರಿಸ್ಟಿಕ್ಸ್ ಮತ್ತು ಮೆಟಾಹ್ಯೂರಿಸ್ಟಿಕ್ಸ್: ಆಡಂಬರವಿಲ್ಲದ ವರ್ಕ್ಹಾರ್ಸ್ಗಳು
ಸಿಮ್ಯುಲೇಟೆಡ್ ಅನೆಲಿಂಗ್, ಟ್ಯಾಬೂ ಸರ್ಚ್, ಜೆನೆಟಿಕ್ ಆಲ್ಗಾರಿದಮ್ಸ್. ಇವು ವೈಭವೀಕರಿಸಿದ "ತುಂಬಾ ವಿಷಯಗಳನ್ನು ಪ್ರಯತ್ನಿಸಿ, ಉತ್ತಮವಾದದ್ದನ್ನು ಇಟ್ಟುಕೊಳ್ಳಿ, ಮುಂದುವರಿಸಿ." ಅದು ಅವಮಾನವಲ್ಲ. ಹೆಚ್ಚಿನ ನೈಜ ನಿರ್ಧಾರಗಳು ಈ ರೀತಿಯಾಗಿ ದೊಡ್ಡ ಪ್ರಮಾಣದಲ್ಲಿ ಕಾಣುತ್ತವೆ ಏಕೆಂದರೆ ಗಡಿಯಾರ ಮುಗಿಯುವಾಗ ನಿಖರವಾದ ಸಮೀಕರಣವನ್ನು ಕುಳಿತು ಪರಿಹರಿಸಲು ವಾಸ್ತವವು ನಿಮಗೆ ಅನುಮತಿಸುವುದಿಲ್ಲ.
- ಇದಕ್ಕೆ ಉತ್ತಮವಾಗಿದೆ: ಕಷ್ಟಕರ ಸಂಯೋಜಕ ಸಮಸ್ಯೆಗಳು ಅಲ್ಲಿ ಅತ್ಯುತ್ತಮವಾದದ್ದು ಒಂದು ಫ್ಯಾಂಟಸಿ
- ಇದಕ್ಕೆ ದುರ್ಬಲ: ವೇಗಕ್ಕಿಂತ ಖಾತರಿಗಳು ಮುಖ್ಯವಾದ ಡೊಮೇನ್ಗಳು
ಕಾರಣ ಮಾದರಿಗಳು: ಏಕೆಂದರೆ ಪರಸ್ಪರ ಸಂಬಂಧವು ಕಾನ್ ಕಲಾವಿದ
ಕಾರಣ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವುದು - ಹೌದು, ಪರ್ಲ್, ಗ್ರಾಫ್ಗಳು, ಹಸ್ತಕ್ಷೇಪಗಳು - "ನಾವು ನಿಜವಾಗಿಯೂ ಏನನ್ನಾದರೂ ಬದಲಾಯಿಸಿದರೆ ಏನು?" ಎಂದು ಕೇಳಲು ನಿಮಗೆ ಒಂದು ಮಾರ್ಗವನ್ನು ನೀಡುತ್ತದೆ "ಕಳೆದ ಬಾರಿ ಏನಾಯಿತು?" ನಿಮ್ಮ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಲ್ಲಿ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆ PPT ಕಾರಣದ ಅನುಮಾನವನ್ನು ಹೆಸರಿಸದಿದ್ದರೆ, ಆದರೆ ನಿಮ್ಮ ಉತ್ಪನ್ನವು ಜನರ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುವ ಆಯ್ಕೆಗಳನ್ನು ಮಾಡಿದರೆ, ನೀವು ವಿಷಾದಕ್ಕಾಗಿ ಶಿಫಾರಸು ಎಂಜಿನ್ ಅನ್ನು ನಿರ್ಮಿಸುತ್ತಿದ್ದೀರಿ.
- ಇದಕ್ಕೆ ಉತ್ತಮವಾಗಿದೆ: ನೀತಿ, ಔಷಧ, ದ್ವಿತೀಯ ಕ್ರಮಾಂಕದ ಪರಿಣಾಮಗಳೊಂದಿಗೆ ಉತ್ಪನ್ನ ಬದಲಾವಣೆಗಳು
- ಇದಕ್ಕೆ ದುರ್ಬಲ: ಕೇವಲ ಮುನ್ಸೂಚಕ ಕಾರ್ಯಗಳು ಕೌಂಟರ್ಫ್ಯಾಕ್ಟ್ಗಳು ಮುಖ್ಯವಲ್ಲ
ಎರಡು ಕಷ್ಟಕರ ಸಮಸ್ಯೆಗಳು: ಉದ್ದೇಶಗಳು ಮತ್ತು ನಿರ್ಬಂಧಗಳು
AI ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆಯಲ್ಲಿ ಮೊದಲ ಸುಳ್ಳು ಎಂದರೆ ನಾವು "ಕಾರ್ಯಕ್ಷಮತೆ" ಯನ್ನು ಅತ್ಯುತ್ತಮವಾಗಿಸುತ್ತಿದ್ದೇವೆ. ಏನು ಅತ್ಯುತ್ತಮವಾಗಿಸುವುದು, ನಿಖರವಾಗಿ? ಕ್ಲಿಕ್ಗಳು? ಅಪ್ಟೈಮ್? ಆದಾಯ? ಸುರಕ್ಷತೆ? ನ್ಯಾಯಸಮ್ಮತತೆ? ಸುಪ್ತತೆ? ನೀವು ಅದನ್ನು ಉಚ್ಚರಿಸದಿದ್ದರೆ, ನಿಮ್ಮಲ್ಲಿ ಸಿಸ್ಟಮ್ ಇಲ್ಲ-ನಿಮ್ಮಲ್ಲಿ ಆಸೆ ಇದೆ. ಉದ್ದೇಶಿತ ಕಾರ್ಯವು ಉತ್ಪನ್ನವಾಗಿದೆ. ಅದನ್ನು ಕಾನೂನು ಬಾಯ್ಲರ್ಪ್ಲೇಟ್ನಂತೆ ಪರಿಗಣಿಸಿ ಮತ್ತು ಅದು ಕಾನೂನು ಬಾಯ್ಲರ್ಪ್ಲೇಟ್ನಂತೆ ಕಚ್ಚುತ್ತದೆ.
- ಬಹು-ಉದ್ದೇಶಿತ ವಹಿವಾಟುಗಳು ದೋಷಗಳಲ್ಲ. ಅವು ಕೆಲಸ. ಅವುಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ತೂಕ ಮಾಡಿ, ನೋವನ್ನು ಪ್ರಾಮಾಣಿಕವಾಗಿ ಅಳೆಯಿರಿ ಮತ್ತು ಪ್ಯಾರೆಟೊ ಮುಂಭಾಗಗಳು ನೈತಿಕ ದಿಕ್ಸೂಚಿಗಳು ಎಂದು ನಟಿಸಬೇಡಿ.
- ನಿರ್ಬಂಧಗಳು ಆಲೋಚನೆಗಳಲ್ಲ. ಅವು ಹಾನಿಯನ್ನು ಹೇಗೆ ಸೀಮಿತಗೊಳಿಸುತ್ತವೆ. ಕಠಿಣ ನಿರ್ಬಂಧಗಳು (ಇಲ್ಲ, ನಿಜವಾಗಿಯೂ, ಎಂದಿಗೂ X ಅನ್ನು ಮೀರಬಾರದು) ಮೃದು ದಂಡಗಳಿಂದ ಭಿನ್ನವಾಗಿವೆ (ದಯವಿಟ್ಟು X ಅನ್ನು ಮೀರಬಾರದು, ಅದು ಲಾಭದಾಯಕವಾಗದ ಹೊರತು). ನೀವು ಅರ್ಥೈಸಿದಂತೆ ಅವುಗಳನ್ನು ಬರೆಯಿರಿ.
ಹೆಚ್ಚಿನ ಡೇಟಾವು ಕೆಟ್ಟ ಉದ್ದೇಶವನ್ನು ಸರಿಪಡಿಸುತ್ತದೆ ಎಂದು ಯೋಚಿಸುವುದು ಉದ್ಯಮದ ನೆಚ್ಚಿನ ಸ್ವಯಂ-ಭ್ರಮೆ. ಅದು ಆಗುವುದಿಲ್ಲ. ಇದು ತಪ್ಪು ವಿಷಯವನ್ನು ಬಹಳ ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಮಾಡುತ್ತದೆ.
ವಿವರಿಸುವಿಕೆ ಐಚ್ಛಿಕವಲ್ಲ; ಇದು ಸನ್ನಿವೇಶ
ವಿವರಿಸಬಹುದಾದ AI ಗಾಗಿ ಒತ್ತಡವನ್ನು ಹೆಚ್ಚಾಗಿ ಅನುಸರಣೆ ತೊಂದರೆಯಾಗಿ ರೂಪಿಸಲಾಗುತ್ತದೆ. ಅದು ಹಿಂದುಳಿದಿದೆ. "ವಿವರಿಸುವಿಕೆ" ಎನ್ನುವುದು ನಿರ್ಧಾರವನ್ನು ಅವಲಂಬಿಸಿರುವ ಜನರೊಂದಿಗೆ ನಂಬಿಕೆಯನ್ನು ನೀವು ಹೇಗೆ ನಿರ್ಮಿಸುತ್ತೀರಿ - ಅವರು ಇಂಜಿನಿಯರ್ಗಳಾಗಿದ್ದರೂ ಸಹ. ನಿಯಂತ್ರಕನನ್ನು ಸಮಾಧಾನಪಡಿಸಲು ಅಲ್ಲ, ಆದರೆ ಮತ್ತೆ ಸಂಭವಿಸುವ ಮೊದಲು ಕ್ರ್ಯಾಶ್ ಅನ್ನು ಡೀಬಗ್ ಮಾಡಲು ಮಾದರಿಯು "ಎಡಕ್ಕೆ ತಿರುಗಿ" ಎಂದು ಏಕೆ ಹೇಳಿದೆ ಎಂದು ನೀವು ತಿಳಿದುಕೊಳ್ಳಬೇಕು.
- ಪೋಸ್ಟ್-ಹಾಕ್ ವಿವರಣೆಗಳು (ಸ್ಯಾಲಿಯೆನ್ಸಿ ನಕ್ಷೆಗಳು, SHAP) ಏನೂ ಇಲ್ಲದಿರುವುದಕ್ಕಿಂತ ಉತ್ತಮವಾಗಿವೆ, ಆದರೆ ಅವು ಲಿಪ್ಸ್ಟಿಕ್-ಉಪಯುಕ್ತ ಲಿಪ್ಸ್ಟಿಕ್-ಕುದುರೆಯಾಗಿರಬಹುದಾದ ಹಂದಿಯ ಮೇಲೆ.
- ಅಂತರ್ನಿರ್ಮಿತ ವ್ಯಾಖ್ಯಾನ (ಏಕತಾನದ ಮಾದರಿಗಳು, ಸಾಮಾನ್ಯೀಕರಿಸಿದ ಸಂಯೋಜಕ ಮಾದರಿಗಳು, ಕಲಿತ ಮಿತಿಗಳೊಂದಿಗೆ ನಿಯಮಗಳು) ಊಹಿಸಬಹುದಾದ ನಡವಳಿಕೆಗಾಗಿ ಸ್ವಲ್ಪ ಕಚ್ಚಾ ನಿಖರತೆಯನ್ನು ವ್ಯಾಪಾರ ಮಾಡುತ್ತದೆ. ಅನೇಕ ಡೊಮೇನ್ಗಳಲ್ಲಿ, ಅದು ಒಂದು ವ್ಯವಹಾರವಾಗಿದೆ.
ನಿಮ್ಮ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಲ್ಲಿ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆ PPT ವರ್ಣರಂಜಿತ ಶಾಖ ನಕ್ಷೆಯನ್ನು ತೋರಿಸಿದರೆ ಮತ್ತು ಅದನ್ನು ದಿನ ಎಂದು ಕರೆದರೆ, ಉತ್ಪಾದನೆಯಲ್ಲಿ ಸಿಸ್ಟಮ್ ಅನ್ನು ಹೇಗೆ ಚಲಾಯಿಸಬಾರದು ಎಂದು ನೀವು ಕಲಿತಿದ್ದೀರಿ.
ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಗಳು ಮತ್ತು ನಿರ್ಧಾರ ಮರೀಚಿಕೆ
ಹೌದು, LLM ಗಳು ನಿರ್ಧರಿಸಬಹುದು - ಅಥವಾ ಕನಿಷ್ಠ ಅವು ಅತಿಮಾನುಷ ನಿರರ್ಗಳತೆಯೊಂದಿಗೆ ನಿರ್ಧಾರಗಳನ್ನು ಪ್ರಸ್ತಾಪಿಸಬಹುದು. ಅವರು ಆಯ್ಕೆ ಸ್ಥಳಗಳನ್ನು ಸ್ಕೆಚಿಂಗ್ ಮಾಡಲು, ವಹಿವಾಟುಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಲು, ಯೋಜನಾ ಲೂಪ್ ಸುತ್ತಲೂ ಚೌಕಟ್ಟನ್ನು ಬರೆಯಲು ಸಹ ಉತ್ತಮರಾಗಿದ್ದಾರೆ. ಆದರೆ ಪ್ರಲೋಭನಗೊಳಿಸುವ ಭಾಗವು ಕೆಟ್ಟ ಭಾಗವಾಗಿದೆ: ಅವರು ಅದನ್ನು ತಯಾರಿಸುತ್ತಿರುವಾಗಲೂ ಅವರು ವಿಶ್ವಾಸದಿಂದ ಧ್ವನಿಸುತ್ತಾರೆ.
ಸುರಕ್ಷಿತ ಮಾದರಿಯು "ಮಾದರಿ ನಿರ್ಧರಿಸಲು ಬಿಡಿ" ಅಲ್ಲ. ಇದು: ಮಾದರಿಯನ್ನು ಸೂಚಿಸಲು ಬಿಡಿ, ನಿಯಮಗಳೊಂದಿಗೆ ನಿರ್ಬಂಧಿಸಿ, ಯೋಜಕ ಅಥವಾ ಆಪ್ಟಿಮೈಜರ್ನೊಂದಿಗೆ ಮೌಲ್ಯೀಕರಿಸಿ ಮತ್ತು ಪ್ರತಿ ಹಂತವನ್ನು ಲಾಗ್ ಮಾಡಿ. LLM ಗಳನ್ನು ಲೂಪ್ನಲ್ಲಿ ಹಾಕಿ, ಚಕ್ರದಲ್ಲಿ ಅಲ್ಲ. ನಿಮ್ಮ ಕಾರನ್ನು ಸ್ವಯಂ ತಿದ್ದುಪಡಿಗೆ ನೀವು ಅನುಮತಿಸುವುದಿಲ್ಲ.
ಸ್ಲೈಡ್ಗಳಿಂದ ಸಿಸ್ಟಮ್ಗಳಿಗೆ: ಉತ್ಪಾದನೆಯಲ್ಲಿ ನಿಜವಾಗಿ ಏನು ಕೆಲಸ ಮಾಡುತ್ತದೆ
AI ನಲ್ಲಿ ಕ್ರಿಯಾತ್ಮಕ ನಿರ್ಧಾರ-ತೆಗೆದುಕೊಳ್ಳುವ ವ್ಯವಸ್ಥೆಯು ಸ್ಲೈಡ್ನಂತೆ ಕಾಣುವುದಿಲ್ಲ. ಇದು ಈ ರೀತಿ ಕಾಣುತ್ತದೆ:
- ವಾಸ್ತವವನ್ನು ಪ್ರತಿಬಿಂಬಿಸುವ ಸ್ಪಷ್ಟವಾದ ಉದ್ದೇಶ, ಭರವಸೆಯಲ್ಲ.
- ಅವು ಇರಬೇಕಾದಲ್ಲಿ ಕಠಿಣವಾದ ನಿರ್ಬಂಧಗಳು, ಅವು ಇರಬಹುದಾದಲ್ಲಿ ಮೃದುವಾಗಿರುತ್ತವೆ.
- ತನ್ನದೇ ಆದ ಕಾಣೆಯಾದ ತುಣುಕುಗಳನ್ನು ಒಪ್ಪಿಕೊಳ್ಳುವ ಡೇಟಾ ಪೈಪ್ಲೈನ್.
- ವಿಧಾನಗಳನ್ನು ಬೆರೆಸುವ ನಿರ್ಧಾರ ಎಂಜಿನ್: ಕಲಿತ ಗ್ರಹಿಕೆ, ಸಂಭವನೀಯ ಅನುಮಾನ ಮತ್ತು "ನನಗೆ ಖಚಿತವಿಲ್ಲ" ಎಂದು ಹೇಳಬಲ್ಲ ನೀತಿ.
- ವೀಕ್ಷಣೆ: ಟ್ರೇಸಿಂಗ್, ವಿವರಣೆಗಳು ಮತ್ತು ರೋಲ್ಬ್ಯಾಕ್.
- ಓವರ್ರೈಡ್ ಮಾಡಲು ಅಧಿಕಾರದೊಂದಿಗೆ ಮಾನವ ಮೇಲ್ವಿಚಾರಣೆ.
ಆ ಕೊನೆಯ ಭಾಗವನ್ನು ಕೆಲವು ವಲಯಗಳಲ್ಲಿ ಗೌಚೆ ಎಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ. "AI ಸ್ವಾಯತ್ತವಾಗಿರಬೇಕು." ಬಹುಶಃ. ಅಥವಾ ಬಹುಶಃ ವೃತ್ತಿಪರ ವಿನಯವು ಪ್ರೆಸ್-ಬಿಡುಗಡೆ ಮ್ಯಾಕಿಸಮ್ ಅನ್ನು ಸೋಲಿಸುತ್ತದೆ.
ಅನಿವಾರ್ಯ "ಪರಿಕರಗಳು" ಪ್ರಶ್ನೆ
ನೀವು ಲೈಬ್ರರಿಗಳು ಮತ್ತು ಸೇವೆಗಳ ನಕ್ಷತ್ರಪುಂಜದೊಂದಿಗೆ ಈ ನಿರ್ಧಾರ ಸ್ಟಾಕ್ ಅನ್ನು ಜೋಡಿಸಬಹುದು. ಸಾಕಷ್ಟು ಒಳ್ಳೆಯದು. ಕಡಿಮೆ ಸ್ಥಿರವಾಗಿದೆ. ಉತ್ತಮ ಸೆಟಪ್ಗಳು ಘರ್ಷಣೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತವೆ - ಪ್ರಾಂಪ್ಟ್ಗಳನ್ನು ರಚಿಸುವುದು, ಉತ್ಪಾದನೆಗಳನ್ನು ಪರಿಶೀಲಿಸುವುದು, ತಾರ್ಕಿಕ ಕ್ರಿಯೆಯನ್ನು ಜೋಡಿಸುವುದು, ಎಡ್ಜ್ ಪ್ರಕರಣಗಳನ್ನು ಪರೀಕ್ಷಿಸುವುದು - ಮತ್ತು ಅವು ಮುಖ್ಯವಾದಲ್ಲಿ ಗಾರ್ಡ್ರೈಲ್ಗಳನ್ನು ಹಾಕಲು ಸುಲಭವಾಗಿಸುತ್ತದೆ.
Sider.AI ಅನ್ನು ಪ್ರಾಯೋಗಿಕ ಉದಾಹರಣೆಯಾಗಿ ಪರಿಗಣಿಸಿ. ಇದು ನಿಮಗೆ ಭಾವನಾ ಜೀವಿ ಮಾರಾಟ ಮಾಡಲು ಪ್ರಯತ್ನಿಸುತ್ತಿಲ್ಲ. ಇದು ನಿಜವಾಗಿಯೂ ಗೊಂದಲಮಯ ಮಧ್ಯವನ್ನು ನಿಭಾಯಿಸಲು ಸಹಾಯ ಮಾಡುವ ಉಪಕರಣವಾಗಿದೆ: ತಾರ್ಕಿಕ ಸರಪಳಿಗಳನ್ನು ರಚಿಸುವುದು, ಕ್ರಮಾವಳಿಯ ಆಯ್ಕೆಗಳನ್ನು ಹೋಲಿಸುವುದು ಮತ್ತು LLM ಸಹಾಯವನ್ನು ಉತ್ಪಾದಕವಾಗುವಲ್ಲಿ ಸ್ಲಾಟ್ ಮಾಡುವುದು ಪ್ರದರ್ಶನ ನೀಡುವ ಬದಲು. ಇದು ಆಕರ್ಷಕವಲ್ಲದ ಬಿಟ್ಗಳಲ್ಲಿ ಉತ್ತಮವಾಗಿದೆ - ಪುನರಾವರ್ತನೆ, ತಪಾಸಣೆ ಮತ್ತು "12 ಮತ್ತು 13 ನೇ ಆವೃತ್ತಿಯ ನಡುವೆ ಏನು ಬದಲಾಯಿತು?" ಪ್ರಚಾರದ ಜಗತ್ತಿನಲ್ಲಿ, "ನಿಜವಾಗಿ ಕೆಲಸ ಮಾಡುತ್ತದೆ" ಒಂದು ಸೂಪರ್ ಪವರ್ ಆಗಿದೆ. AI PPT ಸರ್ಕ್ಯೂಟ್ನಲ್ಲಿ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆಯಿಂದ ಸಾಮಾನ್ಯ ಪುರಾಣಗಳು
- ಪುರಾಣ: "ಹೆಚ್ಚಿನ ಡೇಟಾವು ಉತ್ತಮ ಮಾದರಿಗಳನ್ನು ಸೋಲಿಸುತ್ತದೆ." ಕೆಲವೊಮ್ಮೆ. ಸಾಮಾನ್ಯವಾಗಿ ಇದು ಕೆಟ್ಟ ಆಲೋಚನೆಯನ್ನು ಸೋಲಿಸುತ್ತದೆ. ಸಾಧಾರಣ ಡೇಟಾದೊಂದಿಗೆ ಸ್ಪಷ್ಟವಾದ ಉದ್ದೇಶವು ತಪ್ಪು ಮೆಟ್ರಿಕ್ಗೆ ಗುರಿಯಾಗಿರುವ ಫೈರ್ಹೋಸ್ ಅನ್ನು ಮೀರಿಸುತ್ತದೆ.
- ಪುರಾಣ: "ಕಪ್ಪು ಪೆಟ್ಟಿಗೆ ಅನಿವಾರ್ಯ." ಇಲ್ಲ. ಇದು ಕೆಲವೊಮ್ಮೆ ಅನುಕೂಲಕರವಾಗಿರುತ್ತದೆ. ನೀವು ಅಪಾರದರ್ಶಕ ಕೋರ್ಗಳ ಸುತ್ತಲೂ ಅರ್ಥೈಸಬಹುದಾದ ಪದರಗಳನ್ನು ನಿರ್ಮಿಸಬಹುದು. ನೀವು ಕಾಳಜಿ ವಹಿಸಬೇಕು.
- ಪುರಾಣ: "ಪರಿಶೋಧನೆ ಅಪಾಯಕಾರಿ." ಖಚಿತವಾಗಿ-ಮತ್ತು ನಿಶ್ಚಲತೆಯೂ ಸಹ. ಬ್ಯಾಂಡಿಟ್ಗಳು ಒಂದು ಕಾರಣಕ್ಕಾಗಿ ಅಸ್ತಿತ್ವದಲ್ಲಿವೆ.
- ಪುರಾಣ: "ಸ್ವಾಯತ್ತತೆಯು ಗುರಿಯಾಗಿದೆ." ಸ್ವಾಯತ್ತತೆಯು ಒಂದು ಸಾಧನವಾಗಿದೆ. ವಿಶ್ವಾಸಾರ್ಹತೆ ಗುರಿಯಾಗಿದೆ.
ಕೇಸ್ಲೆಟ್ಗಳು: ರಬ್ಬರ್ ರಸ್ತೆಯನ್ನು ಎಲ್ಲಿ ಭೇಟಿಯಾಗುತ್ತಾನೆ
- ಲಾಜಿಸ್ಟಿಕ್ಸ್ ರೂಟಿಂಗ್: ಕಾರ್ಯಸಾಧ್ಯತೆಗಾಗಿ ಎ*, ವೆಚ್ಚಕ್ಕಾಗಿ MILP, ಕೊನೆಯ-ಮೈಲಿ ಗೊಂದಲಕ್ಕಾಗಿ ಹ್ಯೂರಿಸ್ಟಿಕ್ಸ್. ಅನಿಶ್ಚಿತತೆಯೊಂದಿಗೆ ಬೇಡಿಕೆಯ ಮುನ್ಸೂಚನೆಯಲ್ಲಿ ಸಿಂಪಡಿಸಿ ಮತ್ತು ನೀವು ದೃಢವಾದ ವ್ಯವಸ್ಥೆಯನ್ನು ಪಡೆಯುತ್ತೀರಿ. ಇಲ್ಲ, ನಗರವು ಸೇತುವೆಯನ್ನು ಮುಚ್ಚಿದಾಗ ಏಕ ಅಂತ್ಯದಿಂದ ಅಂತ್ಯದ ಆಳವಾದ ನೆಟ್ ಎರಡನೇ ವಾರದಲ್ಲಿ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವುದಿಲ್ಲ.
- ವೈದ್ಯಕೀಯ ವಿಂಗಡಣೆ: ಕಠಿಣ ಸುರಕ್ಷತೆಗಾಗಿ ನಿಯಮಗಳು, ಅಪಾಯದ ಸ್ಕೋರ್ಗಾಗಿ ಸಂಭವನೀಯ ಮಾದರಿಗಳು, ಹೊರಗಿನವರಿಗಾಗಿ ಮಾನವ-ಇನ್-ದಿ-ಲೂಪ್. ವ್ಯವಸ್ಥೆಯ ಸದ್ಗುಣವು ವೇಗವಲ್ಲ; ನಿಧಾನವಾಗುವುದು ಯಾವಾಗ ಎಂದು ತಿಳಿದಿದೆ.
- ವಿಷಯ ಮಾಡರೇಶನ್: ವಿಂಗಡಣೆಗಾಗಿ ವರ್ಗೀಕರಣ, ಕಾನೂನು ನಿರ್ಬಂಧಗಳಿಗಾಗಿ ನೀತಿ ನಿಯಮಗಳು, ಮಾನವರಿಗೆ ಮನವಿಗಳು. ನೀವು ಇದನ್ನು "ಪರಿಹರಿಸುವುದಿಲ್ಲ", ನೀವು ಅದನ್ನು ನಿರ್ವಹಿಸುತ್ತೀರಿ - ಪಕ್ಕಕ್ಕೆ ಬೆಳೆಯುವ ಹುಲ್ಲುಹಾಸನ್ನು ಕತ್ತರಿಸುವಂತೆ.
ನಿರ್ಧಾರ ವ್ಯವಸ್ಥೆಯನ್ನು ಹೇಗೆ ನಿರ್ಣಯಿಸುವುದು (ಸ್ಲೈಡ್ ಡೆಕ್ ಅಲ್ಲ)
ಮೂರು ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳಿ:
- ನೀವು ನಿಖರವಾಗಿ ಏನು ಅತ್ಯುತ್ತಮವಾಗಿಸುತ್ತಿದ್ದೀರಿ? ಉತ್ತರವು ಒಂದು ವಾಕ್ಯಕ್ಕಿಂತ ಹೆಚ್ಚು ತೆಗೆದುಕೊಂಡರೆ ಅಥವಾ ಒಂದು ವಾಕ್ಯಕ್ಕಿಂತ ಕಡಿಮೆ ತೆಗೆದುಕೊಂಡರೆ, ಚಿಂತಿಸಿ.
- ಪ್ರಪಂಚವು ಬದಲಾದಾಗ ಏನಾಗುತ್ತದೆ? ಉತ್ತರವು "ಮರುತರಬೇತಿ" ಆಗಿದ್ದರೆ, ಅವರು ಡ್ರಿಫ್ಟ್ ಬಗ್ಗೆ ಯೋಚಿಸಿಲ್ಲ.
- ನೀವು ತಪ್ಪಾದಾಗ ನಿಮಗೆ ಹೇಗೆ ಗೊತ್ತು? ಉತ್ತರ ಮೌನವಾಗಿದ್ದರೆ, ಹೊರನಡೆಯಿರಿ.
ನಿಮ್ಮ ಸ್ವಂತ ಆಳವಾದ ಅಧ್ಯಯನವನ್ನು ನಿರ್ಮಿಸುವುದು: ಪ್ರಾಯೋಗಿಕ ರೂಪರೇಖೆ
ನೀವು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಲ್ಲಿ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆ PPT ಅನ್ನು ಜೋಡಿಸುತ್ತಿದ್ದರೆ - ನಾವೆಲ್ಲರೂ ತಪ್ಪಿತಸ್ಥರಾಗಿದ್ದೇವೆ, ಅಂತಿಮವಾಗಿ - ಅದನ್ನು ಪ್ರಾಮಾಣಿಕತೆಯ ಸುತ್ತಲೂ ನಿರ್ಮಿಸಿ:
- ನಿರ್ಧಾರ ಲೂಪ್ ಮತ್ತು ನಿಮ್ಮ ಉದ್ದೇಶಿತ ಕಾರ್ಯದೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸಿ. ಒಂದು ಸ್ಲೈಡ್, ಸರಳ ಪಠ್ಯ.
- "ಕಲಿಕೆಯನ್ನು" "ನಿರ್ಧರಿಸುವುದರಿಂದ" ಬೇರ್ಪಡಿಸಿ. ಎರಡು ಸ್ಲೈಡ್ಗಳು, ಉದಾಹರಣೆಗಳು ಮಾತ್ರ.
- ನಿಮ್ಮ ನಿರ್ಬಂಧಗಳನ್ನು ತೋರಿಸಿ ಮತ್ತು ಅವು ಏಕೆ ಕಠಿಣವಾಗಿವೆ. ಒಂದು ಸ್ಲೈಡ್, ಯಾವುದೇ ಯುಫೆಮಿಸಮ್ಗಳಿಲ್ಲ.
- ಗ್ರಹಿಕೆ, ಅನುಮಾನ, ಯೋಜನೆಗಾಗಿ ಕ್ರಮಾವಳಿಗಳನ್ನು ಆರಿಸಿ. ಪ್ರತಿಯೊಂದಕ್ಕೂ, ವೈಫಲ್ಯದ ವಿಧಾನಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ.
- ಮಾನಿಟರಿಂಗ್ ಅನ್ನು ವಿವರಿಸಿ: ಡ್ರಿಫ್ಟ್, ಓವರ್ರೈಡ್ಗಳು, ಘಟನೆ ಪ್ಲೇಬುಕ್ಗಳು.
- ಪರಿಹರಿಸದ ಅಪಾಯಗಳೊಂದಿಗೆ ಕೊನೆಗೊಳಿಸಿ. ನಿಮ್ಮಲ್ಲಿ ಯಾವುದೇ ಇಲ್ಲದಿದ್ದರೆ, ನೀವು ಮುಗಿಸಿಲ್ಲ.
"ನನಗೆ ಗೊತ್ತಿಲ್ಲ" ಎಂದು ಹೇಳುವ ಶಾಂತ ಶಕ್ತಿ
AI ಸಿಸ್ಟಮ್ಗಳು ದೂರವಿರಲು ಸಾಧ್ಯವಾಗಬೇಕು. ಅದನ್ನು ಅನಿಶ್ಚಿತತೆಯ ಅರಿವುಳ್ಳ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆ, ಆಯ್ದ ಮುನ್ಸೂಚನೆ, ಏನೇ ಇರಲಿ ಎಂದು ಕರೆಯಿರಿ. "ಬೇಡ" ಎಂದು ಹೇಳುವ ಸಾಮರ್ಥ್ಯವು ಒಂದು ಉಪಕರಣ ಮತ್ತು ಹೊಣೆಗಾರಿಕೆಯ ನಡುವಿನ ವ್ಯತ್ಯಾಸವಾಗಿದೆ. ಮಾನವರು ಇದನ್ನು ಸಹಜವಾಗಿ ಮಾಡುತ್ತಾರೆ. ನಾವು ಸಾಧ್ಯವಾಗದ ಅನೇಕ ಸಿಸ್ಟಮ್ಗಳನ್ನು ನಿರ್ಮಿಸಿದ್ದೇವೆ.
ಇದು ನಮ್ಮನ್ನು ಎಲ್ಲಿಗೆ ತಲುಪಿಸುತ್ತದೆ
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಲ್ಲಿ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವುದು ಮ್ಯಾಜಿಕ್ ಅಲ್ಲ, ಮತ್ತು ಅಲ್ಗಾರಿದಮ್ಗಳ ಆಳವಾದ ಅಧ್ಯಯನವು ಹೊಸ ಧರ್ಮದ ಪಿಚ್ ಡೆಕ್ನಂತೆ ಓದಬಾರದು. ಇದು ಎಂಜಿನಿಯರಿಂಗ್ - ಎಚ್ಚರಿಕೆಯ ಉದ್ದೇಶಗಳು, ಸ್ಪಷ್ಟ ನಿರ್ಬಂಧಗಳು, ಸ್ಪಷ್ಟವಾದ ಅನಿಶ್ಚಿತತೆ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹತೆಗಾಗಿ ಸೊಬಗನ್ನು ತ್ಯಜಿಸಲು ಸಿದ್ಧತೆ. ಮುಂದಿನ ಬಾರಿ PPT ನಿಮಗೆ ಸಿಸ್ಟಮ್ "ನಿರ್ಧರಿಸಲು ಕಲಿತಿದೆ" ಎಂದು ಹೇಳಿದಾಗ, ಸೇತುವೆ ಮುರಿದುಹೋದಾಗ, ಮೆಟ್ರಿಕ್ ತಪ್ಪಾದಾಗ ಅಥವಾ ಬಳಕೆದಾರರು ಯಾರೂ ಊಹಿಸದಂತಹದ್ದನ್ನು ಮಾಡಿದಾಗ ಏನಾಗುತ್ತದೆ ಎಂದು ಕೇಳಿ.
ಉತ್ತರವು ದೊಡ್ಡ ಬಾಣವಾಗಿದ್ದರೆ, ನಿಮ್ಮ ನಿರ್ಧಾರವನ್ನು ನೀವು ತೆಗೆದುಕೊಳ್ಳುತ್ತೀರಿ.
ಕೀವರ್ಡ್-ಅರಿವುಳ್ಳ ಅನುಬಂಧ (ಕೀವರ್ಡ್ ತುಂಬುವಿಕೆ ಇಲ್ಲದೆ)
- ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಲ್ಲಿ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವುದು: ಸ್ಪಷ್ಟ ಉದ್ದೇಶಗಳು ಮತ್ತು ನಿರ್ಬಂಧಗಳನ್ನು ಬಳಸಿ ಅನಿಶ್ಚಿತತೆಯ ಅಡಿಯಲ್ಲಿ ಕ್ರಿಯೆಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡುವ ಅಭ್ಯಾಸ.
- ಅಲ್ಗಾರಿದಮ್ಗಳ ಆಳವಾದ ಅಧ್ಯಯನ: ಕೇವಲ ಒಂದು ರೂಪಕವಲ್ಲ—ಹುಡುಕಾಟ, ಆಪ್ಟಿಮೈಸೇಶನ್, ಸಂಭವನೀಯ ತೀರ್ಮಾನ, ಬಲವರ್ಧನೆಯ ಕಲಿಕೆ, ಯೋಜನೆ, ಕಾರಣ ಮಾದರಿ, ಮಿಶ್ರತಳಿಗಳು.
- ಪ್ರಾಯೋಗಿಕ ಟೇಕಾವೇ: ವಿಧಾನಗಳನ್ನು ಮಿಶ್ರಣ ಮಾಡಿ, ನಿರ್ಬಂಧಗಳನ್ನು ಗಟ್ಟಿಗೊಳಿಸಿ, ಅನಿಶ್ಚಿತತೆಯನ್ನು ಅಪ್ಪಿಕೊಳ್ಳಿ, ಎಲ್ಲವನ್ನೂ ಅಳವಡಿಸಿ, ಮತ್ತು ಸ್ಲೈಡ್ ಒಂದು ಸಿಸ್ಟಮ್ ಎಂದು ನಟಿಸುವ ಪ್ರಚೋದನೆಯನ್ನು ವಿರೋಧಿಸಿ.
FAQ
Q1: ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಲ್ಲಿ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವುದು ನಿಜವಾಗಿಯೂ ಏನು?
ಇದು ಸ್ಪಷ್ಟವಾದ ಉದ್ದೇಶ ಮತ್ತು ನಿರ್ಬಂಧಗಳೊಂದಿಗೆ ಅನಿಶ್ಚಿತತೆಯ ಅಡಿಯಲ್ಲಿ ಕ್ರಿಯೆಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡುವುದು - ಯಾವುದೇ ವೈಬ್ಗಳಿಲ್ಲ. ಆಸಕ್ತಿದಾಯಕ ಭಾಗವೆಂದರೆ ಮಾದರಿಯಲ್ಲ; ಪ್ರಪಂಚವು ತರಬೇತಿ ಸೆಟ್ಗೆ ಹೊಂದಿಕೆಯಾಗಲು ನಿರಾಕರಿಸಿದಾಗ ಮಾದರಿ, ಡೇಟಾ ಮತ್ತು ಗಾರ್ಡ್ರೈಲ್ಗಳು ಒಟ್ಟಿಗೆ ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ ಎಂಬುದು.
Q2: AI ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆಯ ಆಳವಾದ ಅಧ್ಯಯನಕ್ಕೆ ಯಾವ ಅಲ್ಗಾರಿದಮ್ಗಳು ಮುಖ್ಯವಾಗಿವೆ?
ಹುಡುಕಾಟ, ಆಪ್ಟಿಮೈಸೇಶನ್, ಸಂಭವನೀಯ ತಾರ್ಕಿಕ ಕ್ರಿಯೆ, ಬಲವರ್ಧನೆಯ ಕಲಿಕೆ, ಯೋಜನೆ ಮತ್ತು ಕಾರಣ ಮಾದರಿಗಳು ಬೆನ್ನೆಲುಬು. ಕಲಿತ ಗ್ರಹಿಕೆಯನ್ನು ಸಾಂಕೇತಿಕ ನಿಯಮಗಳೊಂದಿಗೆ ಸಂಯೋಜಿಸುವ ಹೈಬ್ರಿಡ್ ಸಿಸ್ಟಮ್ಗಳು ಉತ್ಪಾದನೆಯಲ್ಲಿ ನಿಜವಾಗಿ ಉಳಿಯುತ್ತವೆ.
Q3: ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಗಳು ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳಲು ಉತ್ತಮವೇ?
ಅವು ಆಯ್ಕೆಗಳನ್ನು ಪ್ರಸ್ತಾಪಿಸಲು ಮತ್ತು ಯೋಜನೆಗಳನ್ನು ರೂಪಿಸಲು ಉತ್ತಮವಾಗಿವೆ, ಪರಿಶೀಲಿಸದ ನಿರ್ಣಾಯಕಗಳಾಗಿ ಭಯಾನಕವಾಗಿವೆ. LLM ಗಳನ್ನು ಲೂಪ್ನಲ್ಲಿ ಬಳಸಿ: ಸಲಹೆ ನೀಡಿ, ನಿರ್ಬಂಧಿಸಿ, ಮೌಲ್ಯೀಕರಿಸಿ - ನಂತರ ನೀವು ವಕೀಲರಿಗೆ ವಿವರಿಸಬೇಕಾದ ಪ್ರತಿಯೊಂದು ಹಂತವನ್ನು ಲಾಗ್ ಮಾಡಿ.
Q4: ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ PPT ಯಲ್ಲಿ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಲ್ಲಿ ದೊಡ್ಡ ತಪ್ಪುಗಳನ್ನು ನಾನು ಹೇಗೆ ತಪ್ಪಿಸುವುದು?
ಕಲಿಯುವುದನ್ನು ನಿರ್ಧರಿಸುವುದರಿಂದ ಬೇರ್ಪಡಿಸಿ, ಉದ್ದೇಶವನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಿ ಮತ್ತು ನಿರ್ಬಂಧಗಳನ್ನು ವಿವರಿಸಿ. ವೈಫಲ್ಯದ ವಿಧಾನಗಳು ಮತ್ತು ಮಾನಿಟರಿಂಗ್ ಅನ್ನು ತೋರಿಸಿ - ನಿಮ್ಮ ಡೆಕ್ ಎಲ್ಲಾ ಬಾಣಗಳು ಮತ್ತು ಯಾವುದೇ ಟ್ರೇಡ್-ಆಫ್ಗಳಿಲ್ಲದಿದ್ದರೆ, ಅದು ರಂಗಭೂಮಿ, ಎಂಜಿನಿಯರಿಂಗ್ ಅಲ್ಲ.
Q5: Sider.AI AI ನಿರ್ಧಾರದ ಹರಿವಿನಲ್ಲಿ ಎಲ್ಲಿ ಹೊಂದಿಕೊಳ್ಳುತ್ತದೆ?
Sider.AI ಗೊಂದಲಮಯ ಮಧ್ಯದಲ್ಲಿ ಸಹಾಯ ಮಾಡುತ್ತದೆ - ಲೇಖಕತ್ವ, ಹೋಲಿಕೆ ಮತ್ತು ತಾರ್ಕಿಕ ಹರಿವುಗಳನ್ನು ಪರಿಶೀಲಿಸುವುದು - ಆದ್ದರಿಂದ ಮಾರ್ಕೆಟಿಂಗ್ ಬಯಸಿದಲ್ಲಿ LLM ಸಹಾಯವನ್ನು ಬಳಸುವ ಬದಲು ಅದು ಕಾರ್ಯನಿರ್ವಹಿಸುವಲ್ಲಿ ನೀವು ಅದನ್ನು ಹಾಕಬಹುದು. ಪ್ರಾಯೋಗಿಕ ಪುನರಾವರ್ತನೆ ಎಂದು ಭಾವಿಸಿ, ಮ್ಯಾಜಿಕ್ ದಂಡವಲ್ಲ. 
