செயற்கை நுண்ணறிவை எளிமையாகக் காட்ட PPT முயற்சிக்கும் பகுதி
செயற்கை நுண்ணறிவில் முடிவெடுப்பது பற்றிய விஷயம் என்னவென்றால், எல்லோரும் அதைப் புரிந்துகொள்வதாக நடிக்கிறார்கள் - அது ஒரு சிறந்த முடிவை எடுக்கும் வரை அல்லது வெளிப்படையான தவறை சந்திக்கும் வரை. பின்னர் திடீரென்று அது “மிகவும் சிக்கலானது” அல்லது “கருப்பு பெட்டி” ஆகிறது, கணிதம் வாழைப்பழத் தோலில் வழுக்கியது போல. செயற்கை நுண்ணறிவில் முடிவெடுக்கும் PPT வழியாக நீங்கள் எப்போதாவது அமர்ந்திருந்தால், உங்களுக்கு நடைமுறை தெரியும்: பெரிய அம்புகள், ஃப்ளோ சார்ட்கள் மற்றும் தவிர்க்க முடியாத தன்மையை உணர்த்தும் கிளிப் ஆர்ட் துண்டுகள். அது தவிர்க்க முடியாதது அல்ல. இது எல்லா வழிகளிலும் தேர்வுகள்.
இது AI முடிவெடுப்பதற்குப் பயன்படுத்தப்படும் அல்காரிதம்களில் ஒரு ஆழமான டைவ் - உண்மையானவை - பெட்டி அம்புகளுடன் கூடிய ஸ்லைடு டெக் அல்ல. நோக்கம் என்னவென்றால், “AI எங்களுக்காக முடிவு செய்யும்” என்ற நாடகத்தை வெட்டி, இந்த அமைப்புகள் உண்மையில் எவ்வாறு தேர்வு செய்கின்றன என்பதைப் பற்றி பேச வேண்டும். ஸ்பாய்லர்: அவை எல்லாம் அறிந்த வாக்குமூலர்களைப் போலவும், மிகவும் வேகமான, மிகவும் நேரடியான காரணங்களைக் கொண்டவர்களைப் போலவும் இருக்கிறார்கள், அவர்கள் ஒருபோதும் போக்குவரத்து நெரிசலில் உட்கார வேண்டியதில்லை அல்லது ஒரு குறுநடை போடும் குழந்தையின் படுக்கை நேரத்தை பேச்சுவார்த்தை நடத்த வேண்டியதில்லை.
“AI இல் முடிவெடுத்தல்” என்பதன் மூலம் நாம் என்ன சொல்கிறோம் (மற்றும் PPT கள் அரிதாகவே ஒப்புக்கொள்கின்றன)
“செயற்கை நுண்ணறிவில் முடிவெடுத்தல்” என்பது உயர்ந்ததாகத் தெரிகிறது, ஆனால் நடைமுறையில் இது நுட்பங்களின் தொகுப்பாகும்: விதி அடிப்படையிலான பகுத்தறிவு, தேடல், தேர்வுமுறை, நிகழ்தகவு உய்த்தறிதல், வலுவூட்டல் கற்றல், திட்டமிடல் மற்றும் முழு குழப்பத்தையும் தைக்கும் கலப்பின அமைப்புகள். அல்காரிதம்கள் எதையும் “விரும்பவில்லை”. அவை குறிப்பிட்ட கட்டுப்பாடுகளின் கீழ் குறிப்பிட்ட செயல்பாடுகளை மேம்படுத்துகின்றன. செயல்பாடு அல்லது கட்டுப்பாடுகளை மாற்றவும், உங்களுக்கு வேறு “நுண்ணறிவு” கிடைக்கும். அது வெளிப்படையாக இருந்தால், வாழ்த்துக்கள் - நீங்கள் SlideShare இல் உள்ள பாதி டெக்குகளை விட முன்னணியில் உள்ளீர்கள்.
பெரும்பாலான செயற்கை நுண்ணறிவில் முடிவெடுக்கும் PPT களில் உள்ள உண்மையான பிரச்சனை என்னவென்றால், அவை எளிதாக்கவில்லை. அவை தவறான திசையில் எளிதாக்குகின்றன. மாதிரிகள் “கற்றுக் கொண்டதால்” முடிவு செய்கின்றன என்று அவர்கள் கூறுகிறார்கள். கற்றல் என்பது முடிவெடுப்பது அல்ல. கற்றல் உங்களுக்கு ஒரு கொள்கை அல்லது மாதிரியைப் பெறுகிறது; முடிவெடுப்பது என்பது பயிற்சித் தரவைப் போல எப்போதும் இல்லாத ஒரு சூழலில் அந்தக் கொள்கையை இயக்குவதாகும். ஒரு சதுரங்கத் திறப்பை மனப்பாடம் செய்வதற்கும், நடு ஆட்டத்தின் குழப்பத்தில் உயிர் பிழைப்பதற்கும் உள்ள வித்தியாசம் - முன்னது ஒரு புல்லட் புள்ளியில் நன்றாக இருக்கும்; பின்னதுதான் வெற்றி பெறுகிறது.
உண்மையான கருவிகள்: விதிகள் முதல் வெகுமதிகள் வரை
அடுக்கு வழியாக நடப்போம், பழமையானதாகத் தோன்றும் விஷயங்களிலிருந்து (ஆனால் இன்னும் முக்கியமானது) நவீன அமைப்புகளுக்கு அதிகாரம் அளிக்கும் நுட்பங்கள் வரை. எளிய பேச்சு, காதல் இல்லை.
விதி அடிப்படையிலான அமைப்புகள்: இன்னும் இறக்கவில்லை, நேர்மையானவை
விதிகள் சில AI நபர்களுக்கு சங்கடமாக உள்ளன, செருப்புகளுடன் சாக்ஸ் அணிவது போல. ஆனால் விதி அடிப்படையிலான முடிவெடுப்பதற்கு ஒரு பெரிய நன்மை உள்ளது: வெளிப்படைத்தன்மை. ஒரு செயற்கை நுண்ணறிவில் முடிவெடுக்கும் PPT விதிகளை “பாரம்பரியம்” என்று தவிர்க்கப்பட்டால், அது பாதி கதையை மறைக்கிறது. நிபுணர் அமைப்புகள் கள அறிவை if-then அறிக்கைகளாக குறியாக்கம் செய்கின்றன. அவை உடையக்கூடியவை, ஆம், ஆனால் அவை தணிக்கை செய்யக்கூடியவை. உங்களுக்கு நிர்ணயம் மற்றும் தடமறியக்கூடிய தன்மை தேவைப்படும்போது - இணக்கச் சோதனைகள், மருத்துவ சிகிச்சை நெறிமுறைகள் - விதிகள் இன்னும் வேலை செய்யவில்லை; அவை சிறப்பாக வேலை செய்கின்றன.
- நன்மை: உறுதியான, விளக்கக்கூடிய, பிழைத்திருத்த எளிதானது
- தீமை: உடையக்கூடிய, ஒழுங்கற்ற களங்களில் அளவிடுவது கடினம்
ஒரு விதி அமைப்பு எப்போது தோல்வியடைகிறது என்று உங்களுக்குத் தெரியும், ஏனெனில் அது உங்களுக்குச் சொல்கிறது. பெரும்பாலான நவீன அமைப்புகள் அமைதியாகத் தோல்வியடைகின்றன.
தேடல் மற்றும் தேர்வுமுறை: வழிசெலுத்தலாக முடிவுகள்
கடல் தரவுகளில் எல்லாவற்றையும் நாம் பயிற்சி செய்வதற்கு முன்பு, நாங்கள் தேடினோம். அகல-முதல் தேடல், ஆழம்-முதல் தேடல், A*, கற்றை தேடல். இது கவர்ச்சியாக இல்லை, ஆனால் நீங்கள் எப்போதாவது ஒரு பாதையைக் கண்டுபிடிக்கும் சிக்கலைத் தீர்த்தால் - உண்மையில் அல்லது உருவகமாக - தேடல் முதுகெலும்பாக இருக்கும். ஒரு நல்ல ஹீயூரிஸ்டிக் கொண்ட A* ஒரு முட்டாள் நோக்கத்துடன் ஒரு “ஸ்மார்ட்” மாடலை வெல்லும்.
தேர்வுமுறை இதை பொதுமைப்படுத்துகிறது: நீங்கள் ஒரு குறிக்கோள் செயல்பாடு மற்றும் கட்டுப்பாடுகளை அமைத்து, பின்னர் உங்களிடம் உள்ள கணக்கீட்டில் நீங்கள் வாங்கக்கூடிய சிறந்த தீர்வை நோக்கி நகருங்கள். நேரியல் நிரலாக்கம், கலப்பு-முழு நிரலாக்கம், பரிணாம அல்காரிதம்கள் - “கிட்டத்தட்ட நல்லது” என்பதிலிருந்து “போதுமான நல்லது” என்பதை ஒரு காலக்கெடுவின் கீழ் பெறுவதற்கான எழுத்து சூப்.
- நன்மை: நிரூபிக்கக்கூடிய உத்தரவாதங்கள், கட்டுப்படுத்தக்கூடிய வர்த்தகங்கள்
- தீமை: மாதிரி செய்வது கடினம்; நோக்கங்கள் நுட்பமான, பேரழிவு தரும் வழிகளில் தவறாக குறிப்பிடப்படலாம்
ஒரு மாதிரி வினோதமான ஒன்றைச் செய்தால், நீங்கள் கேட்டதை நீங்கள் சரியாகப் பெற்றதால்தான் - நீங்கள் நினைத்ததை அல்ல.
நிகழ்தகவு பகுத்தறிவு: நிச்சயமற்ற தன்மை ஒரு அம்சம்
Bayesian நெட்வொர்க்குகள், மறைக்கப்பட்ட Markov மாதிரிகள், Kalman வடிகட்டிகள்: கிளாசிக்ஸ். உலகம் உறுதியானது என்று நடிப்பதை விட, இந்த முறைகள் நிச்சயமற்ற தன்மையின் இயங்கும் எண்ணிக்கையை வைத்திருக்கின்றன, மேலும் அதற்கு எதிராக பாதுகாக்கப்படும் செயல்களைத் தேர்ந்தெடுக்கின்றன. வேறு வார்த்தைகளில் கூறுவதானால், யதார்த்தவாதம்.
- நன்மை: நிச்சயமற்ற தன்மையின் கீழ் கொள்கை; விளக்கக்கூடிய அமைப்பு
- தீமை: உயர் பரிமாண ஒழுங்கீனத்திற்கு அளவிடுவது வேதனையானது; அனுமானங்கள் பின்வாங்கப்படுகின்றன
நிகழ்தகவு முறைகள் என்பது செயற்கை நுண்ணறிவில் முடிவெடுக்கும் PPT டெக்ஸ் “நம்பிக்கை மதிப்பெண்களுடன்” சைகை செய்வதுதான். நம்பிக்கை என்பது நிகழ்தகவு அல்ல. நிகழ்தகவு என்பது ரசீதுகளுடன் கூடிய கணிதம்.
வலுவூட்டல் கற்றல்: வெகுமதிகள் விதிகளை உருவாக்குகின்றன
வலுவூட்டல் கற்றல் - Q- கற்றல், கொள்கை சாய்வுகள், நடிகர்-விமர்சகர் வகைகள் - முடிவெடுப்பதை ஸ்கோர்போர்டுடன் கூடிய சோதனை மற்றும் பிழையாக வடிவமைக்கிறது. நீங்கள் செயல்களைத் தேர்வு செய்கிறீர்கள், சுற்றுச்சூழல் உங்களுக்கு வெகுமதிகளை வழங்குகிறது, மேலும் காலப்போக்கில் பலனளிக்கும் செயல்களை நோக்கி உங்கள் கொள்கையை நகர்த்துகிறீர்கள். AI உண்மையாகவே “முடிவு” செய்யும் இடம் இதுதான், நீங்கள் வடிவமைத்த விளையாட்டை அது விளையாடும் வகையில் - நீங்கள் அதை உணர்ந்தீர்களோ இல்லையோ.
- நன்மை: தொடர்ச்சியான முடிவு பணிகளுக்கு வலுவானது; நீங்கள் வெளிப்படையாக குறியிடாத உத்திகளைக் கற்றுக்கொள்கிறது
- தீமை: வெகுமதி ஹேக்கிங்; மாதிரி திறமையின்மை; உலகம் சிறிது மாறினாலும் உடையக்கூடிய பொதுமைப்படுத்தல்
வலுவூட்டல் கற்றல் “மனிதர்கள் எவ்வாறு கற்றுக்கொள்கிறார்கள்” என்பதைப் போன்றது என்று மக்கள் கூற விரும்புகிறார்கள். உண்மையில் இல்லை. மனிதர்களுக்கு முந்தையவை, உடல்கள், சலிப்பு மற்றும் பொது அறிவு ஆகியவை உள்ளன. RL முகவர்களுக்கு ஒரு வெகுமதி செயல்பாடு மற்றும் அது வேலை செய்யும் வரை முட்டாள்தனத்தை முயற்சிக்க எல்லையற்ற பொறுமை உள்ளது.
திட்டமிடல் மற்றும் POMDP கள்: உலகம் பாதி தெரியும்
உண்மையான உலகில் முடிவெடுப்பது அரிதாகவே சரியான தகவல்களுடன் வருகிறது. பகுதியளவு கவனிக்கக்கூடிய Markov முடிவு செயல்முறைகள் (POMDP கள்) அந்த நிச்சயமற்ற தன்மையை வெளிப்படையாக மாதிரியாகக் கொண்டுள்ளன: உங்களுக்கு நிலை தெரியாது, அதைக் குறிக்கும் அவதானிப்புகள் மட்டுமே. பகுதி கவனிக்கக்கூடிய தன்மையின் கீழ் திட்டமிடுவது உங்களை ஒரு நம்பிக்கை நிலையை வைத்திருக்க கட்டாயப்படுத்துகிறது - “நாம் பார்த்தவற்றைக் கொண்டு என்ன நடக்கிறது என்று நினைக்கிறோம்” என்பதற்கான ஆடம்பரமான சொல்.
- நன்மை: நிச்சயமற்ற தன்மை பற்றி நேர்மையானது; உணர்வுப்பூர்வமான செயலுக்கான முறையான அடித்தளங்கள்
- தீமை: கணக்கீட்டு ரீதியாக மிருகத்தனமானது; தோராயங்கள் ஒரு தேவையான தீமை
செயற்கை நுண்ணறிவில் முடிவெடுக்கும் PPT குறைந்தபட்சம் “POMDP” என்று கிசுகிசுக்கவில்லை என்றால், அது யதார்த்தத்தை ஒரு விருப்ப அமைப்பாகக் கருதுகிறது.
கலப்பின அமைப்புகள் மற்றும் நரம்பியல்-குறியீட்டு Mashups
நரம்பியல் நெட்வொர்க்குகள் பார்த்து லேபிளிடுகின்றன; குறியீட்டு அமைப்புகள் விளக்குகின்றன மற்றும் கட்டுப்படுத்துகின்றன. இரண்டையும் ஒன்றாக ஒட்டவும், நீங்கள் பயனுள்ள ஒன்றைப் பெறுவீர்கள். காட்சி மாதிரி பார்வைக்கு, பாதுகாப்புக்கான விதிகள். வேட்பாளர் நடவடிக்கைகளுக்கான மொழி மாதிரி, சாத்தியக்கூறுக்கான திட்டமிடுபவர். இந்த கலப்பினங்கள் நாகரீகமானவை மட்டுமல்ல; அவை பொறியியல் பணிவை பிரதிபலிக்கின்றன: பார்வை கடினமாக இருக்கும் இடத்தில் கற்றல் மாதிரியைப் பயன்படுத்துங்கள், ஆபத்துகள் அதிகமாக இருக்கும் இடத்தில் வெளிப்படையான தர்க்கத்தைப் பயன்படுத்துங்கள்.
- நன்மை: நடைமுறை, கட்டுப்படுத்தக்கூடிய, இரண்டும் சிறந்தவை
- தீமை: ஒருங்கிணைப்பு தலைவலிகள், உடையக்கூடிய இடைமுகங்கள், இரட்டிப்பு சிக்கல்
முடிவு லூப்: இயந்திரங்களுக்கான OODA, குறைவான சுருக்கெழுத்துகளுடன்
பெரும்பாலான AI முடிவு அமைப்புகள் ஒரு லூப்பை இயக்குகின்றன: கவனியுங்கள், உய்த்தறிக்கவும், திட்டமிடுங்கள், செயல்படுங்கள், மீண்டும் செய்யவும். ஸ்லைடு டெக்ஸ் வட்டங்களையும் அம்புகளையும் விரும்புகின்றன; முக்கியமான பிட் என்பது பதற்றம். ஒவ்வொரு அடியும் சமரசம் செய்கிறது. கவனியுங்கள் (ஆனால் எல்லாவற்றையும் அல்ல). உய்த்தறிக்கவும் (ஆனால் உங்கள் நிச்சயமற்ற தன்மையை வைத்திருங்கள்). திட்டமிடுங்கள் (ஆனால் நேரத்திற்குள்). செயல்படுங்கள் (ஆனால் உலகை எரிக்க வேண்டாம்).
- உணர்வில் இருந்து குறியீடுகள் வரை: மூல தரவுகளிலிருந்து அம்சங்கள் வரை. தகவல்களை இழக்கவும், சரியான தகவலை நம்புகிறோம்.
- முன்னறிவிப்பு முதல் நம்பிக்கை வரை: அம்சங்களிலிருந்து உண்மையில் என்ன நடக்கிறது என்பதற்கான விநியோகம் வரை.
- கொள்கையிலிருந்து திட்டம் வரை: தற்போதைய நம்பிக்கையிலிருந்து ஒரு செயல் வரிசை வரை, கணக்கீடு மற்றும் இடர் பசியால் கட்டுப்படுத்தப்படுகிறது.
- செயலில் இருந்து பின்னூட்டம் வரை: செயல்படுங்கள், விளைவுகளை அளவிடவும், நம்பிக்கைகள் மற்றும் அளவுருக்களைப் புதுப்பிக்கவும். உங்கள் லூப் அனுபவத்துடன் சிறப்பாக இல்லாவிட்டால், அது ஆட்டோமேஷன், AI அல்ல.
செயற்கை நுண்ணறிவில் முடிவெடுக்கும் PPT இல் உள்ள மிகப்பெரிய தவறு லூப் சுத்தமானது என்று நடிப்பது. உற்பத்தியில், சென்சார்கள் விலகுகின்றன, மனிதர்கள் தலையிடுகிறார்கள், மற்றும் அளவீடுகள் ஒன்றுக்கொன்று சண்டையிடுகின்றன. சிறந்த அமைப்புகள் உலகம் அலட்சியமாக இருக்கும்போது கருணையுடன் சீரழிகின்றன.
அல்காரிதம்களில் ஆழமான டைவ் (Buzzword சாஸ் இல்லாமல்)
மக்கள் பயன்படுத்தும் அல்காரிதம்களை உண்மையில் பார்ப்போம் - அவை என்ன தீர்க்கின்றன, அவை எவ்வாறு தோல்வியடைகின்றன, மேலும் அவை எங்கே பிரகாசிக்கின்றன.
பல ஆயுதம் ஏந்திய கொள்ளையர்கள்: நாடகமில்லாமல் ஆய்வு
புதிய விஷயங்களை முயற்சிப்பதை வேலை செய்வதை சுரண்டுவதன் மூலம் நீங்கள் சமப்படுத்த வேண்டியிருக்கும் போது - விளம்பரத் தேர்வு, பரிந்துரை மாற்றங்கள், UI சோதனைகள் - பல ஆயுதம் ஏந்திய கொள்ளையர்கள் A/B சோதனையை வேகத்திற்கு வெல்லுகிறார்கள். Thompson மாதிரி நடைமுறைக்கு விருப்பமானது: Bayesian, எளிய, பயனுள்ள. இது ஒரு முழு RL முகவராக நடிக்கவில்லை. அதுக்கு அது சிறந்தது.
- இதற்கு இதைப் பயன்படுத்தவும்: பின்னூட்டத்துடன் கூடிய விரைவான ஆன்லைன் முடிவெடுத்தல்
- இதற்கு இதைப் பயன்படுத்த வேண்டாம்: நீண்ட-ஹெரிசான் மூலோபாயம், சிக்கலான சார்புகள், பாதுகாப்பு-முக்கியமான எதையும்
Monte Carlo Tree Search: ஒரு பட்ஜெட்டில் தொலைநோக்குப் பார்வையை விளையாடுகிறது
MCTS எதிர்காலங்களை மாதிரியாகக் கொண்டுள்ளது, அவை அனைத்தையும் அல்ல, சாத்தியமானவை மட்டுமே போதுமானவை. இது “இதைச் சிந்திப்போம், ஆனால் மதியம் முழுவதும் அல்ல” என்பதற்கு அல்காரிதமிக் சமம். விளையாட்டுகள் மற்றும் கட்டமைக்கப்பட்ட திட்டமிடலில், இது வெற்றி பெறுகிறது. திறந்த-முடிவில் குழப்பங்களில், அது இல்லாத கட்டமைப்பை மாயை செய்கிறது.
- இதற்கு சிறந்தது: கட்டுப்படுத்தப்பட்ட, நன்கு மாதிரியாக அமைக்கப்பட்ட முடிவு இடங்கள் (விளையாட்டுகள், கட்டுப்படுத்தப்பட்ட திட்டமிடல்)
- இதற்கு பலவீனம்: மாதிரியாக இல்லாத குழப்பம் (மனிதர்கள், சந்தைகள், Twitter)
டைனமிக் நிரலாக்கம்: ஒரு பிடியுடன் உகந்தது
Bellman சமன்பாடுகள், மதிப்பு மறு செய்கை, கொள்கை மறு செய்கை. கட்டுப்பாட்டு கோட்பாட்டின் கிரீட நகைகள், அதிவேக வளர்ச்சியால் செய்யப்பட்ட ஒரு கிரீடத்துடன். மாநில இடம் வெடித்தால், உங்கள் நம்பிக்கையும் அவ்வாறே.
- இதற்கு சிறந்தது: தெரிந்த இயக்கவியலுடன் சிறிய-நடுத்தர Markovian உலகங்கள்
- இதற்கு பலவீனம்: மற்ற அனைத்தும், நீங்கள் தோராயமாக இல்லாவிட்டால் (எப்போதும் என்று சொல்லலாம்)
ஹீயூரிஸ்டிக்ஸ் மற்றும் மெட்டாஹியூரிஸ்டிக்ஸ்: பாசாங்கு இல்லாத வேலை குதிரைகள்
Simulated annealing, tabu search, மரபணு அல்காரிதம்கள். இவை மகிமைப்படுத்தப்பட்ட “நிறைய விஷயங்களை முயற்சிக்கவும், சிறந்ததை வைத்திருக்கவும், தொடர்ந்து செல்லவும்”. அது ஒரு அவமானம் அல்ல. பெரும்பாலான உண்மையான முடிவுகள் இந்த அளவில் இப்படித்தான் இருக்கும், ஏனெனில் கடிகாரம் ஓடும்போது ஒரு சரியான சமன்பாட்டை உட்கார்ந்து தீர்க்க யதார்த்தம் உங்களை அனுமதிக்காது.
- இதற்கு சிறந்தது: உகந்தது ஒரு கற்பனையாக இருக்கும் கடினமான ஒருங்கிணைப்பு சிக்கல்கள்
- இதற்கு பலவீனம்: வேகம் முக்கியம் என்பதை விட உத்தரவாதங்கள் முக்கியமான களங்கள்
காரண மாதிரிகள்: ஏனெனில் தொடர்பு என்பது ஒரு கான் கலைஞர்
காரண முடிவெடுத்தல் - ஆம், Pearl, வரைபடங்கள், தலையீடுகள் - “நாங்கள் உண்மையில் ஏதாவது மாற்றினால் என்ன செய்வது?” என்று கேட்க உங்களுக்கு ஒரு வழியைக் கொடுக்கிறது. அதற்கு பதிலாக “கடந்த முறை என்ன நடந்தது?”. உங்கள் செயற்கை நுண்ணறிவில் முடிவெடுக்கும் PPT காரண உய்த்தறிதலுக்கு பெயரிடவில்லை என்றால், ஆனால் உங்கள் தயாரிப்பு மக்களை பாதிக்கும் தேர்வுகளைச் செய்தால், நீங்கள் வருத்தத்திற்கான பரிந்துரை இயந்திரத்தை உருவாக்குகிறீர்கள்.
- இதற்கு சிறந்தது: கொள்கை, மருத்துவம், இரண்டாவது நிலை விளைவுகளைக் கொண்ட தயாரிப்பு மாற்றங்கள்
- இதற்கு பலவீனம்: எதிர்நிலை முக்கியமற்ற முற்றிலும் கணிப்பு பணிகளுக்கு
இரண்டு கடினமான சிக்கல்கள்: நோக்கங்கள் மற்றும் கட்டுப்பாடுகள்
AI முடிவெடுப்பதில் உள்ள முதல் பொய் என்னவென்றால், நாங்கள் “செயல்திறனை” மேம்படுத்துகிறோம். சரியாக எதை மேம்படுத்துவது? கிளிக்குகள்? இயக்க நேரம்? வருவாய்? பாதுகாப்பு? நியாயம்? தாமதம்? நீங்கள் அதை விளக்கவில்லை என்றால், உங்களிடம் ஒரு அமைப்பு இல்லை - உங்களுக்கு ஒரு விருப்பம் உள்ளது. நோக்கம் செயல்பாடு என்பது தயாரிப்பு. அதை சட்ட பொய்லர்ப்ளேட் போல கருதுங்கள், அது சட்ட பொய்லர்ப்ளேட் போல கடிக்கும்.
- மல்டி-நோக்கம் வர்த்தகங்கள் பிழைகள் அல்ல. அவை வேலை. அவற்றை வெளிப்படையாக எடைபோடுங்கள், வலியை நேர்மையாக அளவிடவும், மேலும் Pareto எல்லைகள் தார்மீக திசைகாட்டிகள் என்று நடிக்க வேண்டாம்.
- கட்டுப்பாடுகள் பின் எண்ணங்கள் அல்ல. அவை நீங்கள் தீங்கை எவ்வாறு கட்டுப்படுத்துகிறீர்கள் என்பதுதான். கடினமான கட்டுப்பாடுகள் (இல்லை, உண்மையில், X ஐ ஒருபோதும் மீற வேண்டாம்) மென்மையான அபராதங்களிலிருந்து வேறுபட்டவை (தயவுசெய்து X ஐ மீற வேண்டாம், அது லாபகரமாக இல்லாவிட்டால்). நீங்கள் அதை அர்த்தப்படுத்துவது போல் எழுதுங்கள்.
அதிக தரவு ஒரு கெட்ட நோக்கத்தை சரிசெய்கிறது என்று சிந்திப்பது தொழில்துறையின் விருப்பமான சுய ஏமாற்று. அது இல்லை. அது தவறான விஷயத்தை மிகவும் திறமையாக்குகிறது.
விளக்கக்கூடிய தன்மை விருப்பமில்லை; இது சூழல்
விளக்கக்கூடிய AI க்கான அழுத்தம் பெரும்பாலும் ஒரு இணக்கத் தொல்லையாக வடிவமைக்கப்படுகிறது. அது பின்னோக்கி. “விளக்கக்கூடிய தன்மை” என்பது முடிவை நம்பியிருக்கும் நபர்களுடன் நீங்கள் நம்பிக்கையை எவ்வாறு உருவாக்குகிறீர்கள் - அவர்கள் பொறியியலாளர்களாக இருந்தாலும் கூட. ஒரு ஒழுங்குமுறையாளரை சமாதானப்படுத்த அல்ல, ஆனால் மீண்டும் நடப்பதற்கு முன்பு ஒரு செயலிழப்பை பிழைத்திருத்தம் செய்ய மாடல் ஏன் “இடது பக்கம் திரும்ப வேண்டும்” என்று நீங்கள் தெரிந்து கொள்ள வேண்டும்.
- இடுகை-ஹாக் விளக்கங்கள் (சாலிஎன்சி வரைபடங்கள், SHAP) எதுவுமில்லாததை விட சிறந்தது, ஆனால் அவை லிப்ஸ்டிக் - பயனுள்ள லிப்ஸ்டிக் - ஒரு பந்தயமாக இருக்கலாம் பன்றியில்.
- உள்ளமைக்கப்பட்ட விளக்கக்கூடிய தன்மை (ஒற்றை மாதிரிகள், பொதுமைப்படுத்தப்பட்ட சேர்க்கை மாதிரிகள், கற்றல் வாசல்களுடன் விதிகள்) கணிக்கக்கூடிய நடத்தைக்காக சற்று மூல துல்லியத்தை வர்த்தகம் செய்கிறது. பல களங்களில், அது ஒரு பேரம்.
உங்கள் செயற்கை நுண்ணறிவில் முடிவெடுக்கும் PPT ஒரு வண்ணமயமான வெப்ப வரைபடத்தைக் காட்டினால், அதை ஒரு நாளாக அழைத்தால், உற்பத்தியில் ஒரு அமைப்பை எவ்வாறு இயக்கக்கூடாது என்பதை நீங்கள் சரியாகக் கற்றுக்கொண்டீர்கள்.
பெரிய மொழி மாதிரிகள் மற்றும் முடிவு மிராஜ்
ஆம், LLM கள் முடிவு செய்யலாம் - அல்லது குறைந்தபட்சம் அவர்கள் வினோதமான சரளத்துடன் முடிவுகளை முன்மொழியலாம். அவை விருப்ப இடங்களை வரைபடமாக்குவதிலும், வர்த்தகங்களை பட்டியலிடுவதிலும், ஒரு திட்டமிடல் லூப்பைச் சுற்றி சாரக்கட்டு எழுதுவதிலும் சிறந்தவை. ஆனால் மயக்கும் பகுதி மோசமான பகுதி: அவர்கள் உருவாக்கும் போது கூட அவர்கள் நம்பிக்கையுடன் ஒலிக்கிறார்கள்.
பாதுகாப்பான முறை “மாடல் முடிவு செய்யட்டும்” அல்ல. இது: மாடல் பரிந்துரைக்கட்டும், விதிகளை கட்டுப்படுத்தட்டும், ஒரு திட்டமிடுபவர் அல்லது மேம்படுத்துபவருடன் சரிபார்க்கட்டும், ஒவ்வொரு அடியையும் பதிவு செய்யுங்கள். LLM களை லூப்பில் வைக்கவும், சக்கரத்தில் அல்ல. உங்கள் காரை ஆட்டோகரக்ட் ஓட்ட விடமாட்டீர்கள்.
ஸ்லைடுகளிலிருந்து அமைப்புகள் வரை: உற்பத்தியில் உண்மையில் என்ன வேலை செய்கிறது
AI இல் ஒரு செயல்பாட்டு முடிவு எடுக்கும் அமைப்பு ஒரு ஸ்லைடு போல் இல்லை. இது இப்படி தெரிகிறது:
- யதார்த்தத்தை பிரதிபலிக்கும் ஒரு தெளிவான நோக்கம், நம்பிக்கை அல்ல.
- கடினமாக இருக்க வேண்டிய இடங்களில் கடினமான கட்டுப்பாடுகள், மென்மையாக இருக்கக்கூடிய இடங்களில் மென்மையானவை.
- அதன் சொந்த காணாமல் போன பகுதிகளை அனுமதிக்கும் ஒரு தரவு குழாய்.
- கற்றல் உணர்வு, நிகழ்தகவு உய்த்தறிதல் மற்றும் “எனக்குத் தெரியவில்லை” என்று கூறக்கூடிய ஒரு கொள்கை போன்ற முறைகளை கலக்கும் ஒரு முடிவு எந்திரம்.
- கவனிக்கக்கூடிய தன்மை: தடமறிதல், விளக்கங்கள் மற்றும் திரும்பப் பெறுதல்.
- மீறுவதற்கு அதிகாரம் கொண்ட மனித மேற்பார்வை.
அந்த கடைசி பகுதி சில வட்டாரங்களில் கெளச் என்று கருதப்படுகிறது. “AI தன்னாட்சி உடையதாக இருக்க வேண்டும்.” ஒருவேளை. அல்லது தொழில்முறை பணிவு செய்தி-வெளியீட்டு மச்சோயிசத்தை வெல்லலாம்.
தவிர்க்க முடியாத “கருவிகள்” கேள்வி
நூலகங்கள் மற்றும் சேவைகளின் ஒரு விண்மீனுடன் இந்த முடிவு அடுக்கை நீங்கள் ஒன்று திரட்டலாம். நிறைய நல்லவை. குறைவானவை நிலையானவை. சிறந்த அமைப்புகள் உராய்வைக் குறைக்கின்றன - தூண்டுதல்களை உருவாக்குதல், வெளியீடுகளை ஆய்வு செய்தல், பகுத்தறிவை சங்கிலியாக்குதல், விளிம்பு நிகழ்வுகளை சோதித்தல் - மேலும் அவை முக்கியமான இடங்களில் பாதுகாப்புக் தண்டவாளங்களை வைக்க எளிதாக்குகின்றன.
Sider.AI ஒரு நடைமுறை உதாரணமாகக் கருதுங்கள். இது உங்களை ஒரு உணர்வுள்ள உயிரினத்திற்கு விற்க முயற்சிக்கவில்லை. இது உண்மையில் ஒழுங்கற்ற நடுவில் மல்லுக்கு நிற்கும் கருவிகள்: பகுத்தறிவு சங்கிலிகளை வரைவு செய்தல், அல்காரிதமிக் விருப்பங்களை ஒப்பிடுதல் மற்றும் LLM உதவியை செயல்படும் இடத்தில் வைக்கிறது, இது செயல்திறன் மிக்கதாக இருக்காது. இது கவர்ச்சியற்ற பிட்களில் சிறந்தது - மறு செய்கை, ஆய்வு மற்றும் “12 மற்றும் 13 பதிப்புகளுக்கு இடையில் என்ன மாறியது?” ஒரு விளம்பர உலகில், “உண்மையில் வேலை செய்கிறது” என்பது ஒரு வல்லரசு. செயற்கை நுண்ணறிவில் AI PPT சர்க்யூட்டில் இருந்து பொதுவான கட்டுக்கதைகள்
- கட்டுக்கதை: “அதிக தரவு சிறந்த மாதிரிகளை வெல்லும்.” சில நேரங்களில். பெரும்பாலும் அது மோசமான சிந்தனையை வெல்லும். மிதமான தரவுகளுடன் கூடிய தெளிவான நோக்கம் தவறான அளவீட்டிற்கு குறிவைக்கும் ஒரு தீ குழாயை விட அதிகமாக செயல்பட முடியும்.
- கட்டுக்கதை: “கருப்பு பெட்டி தவிர்க்க முடியாதது.” இல்லை. அது சில நேரங்களில் வசதியானது. நீங்கள் ஒளிபுகா கோர்களைச் சுற்றி விளக்கக்கூடிய அடுக்குகளை உருவாக்கலாம். நீங்கள் கவலைப்பட வேண்டும்.
- கட்டுக்கதை: “ஆராய்வது ஆபத்தானது.” நிச்சயமாக - எனவே தேக்கமும் கூட. கொள்ளையர்கள் ஒரு காரணத்திற்காக இருக்கிறார்கள்.
- கட்டுக்கதை: “தன்னாட்சிதான் குறிக்கோள்.” தன்னாட்சி என்பது ஒரு வழிமுறை. நம்பகத்தன்மைதான் குறிக்கோள்.
சம்பவங்கள்: எங்கே ரப்பர் சாலையை சந்திக்கிறது
- லாஜிஸ்டிக்ஸ் ரூட்டிங்: சாத்தியக்கூறுக்கான A*, செலவுக்கான MILP, கடைசி மைல் குழப்பத்திற்கான ஹீயூரிஸ்டிக்ஸ். நிச்சயமற்ற தன்மையுடன் ஒரு தேவை முன்னறிவிப்பை தெளிக்கவும், நீங்கள் ஒரு வலுவான அமைப்பைப் பெறுவீர்கள். இல்லை, நகர பாலத்தை மூடும்போது ஒற்றை இறுதி முதல் இறுதி ஆழமான வலை இரண்டாவது வாரத்தில் சிறப்பாக செயல்படாது.
- மருத்துவ சிகிச்சை: கடினமான பாதுகாப்புக்கான விதிகள், இடர் மதிப்பெண்களுக்கான நிகழ்தகவு மாதிரிகள், மனித-லூப் வெளிநாட்டவர்களுக்கு. அமைப்பின் நல்லொழுக்கம் வேகம் அல்ல; எப்போது மெதுவாகச் செல்ல வேண்டும் என்பது தெரிந்தது.
- உள்ளடக்க தணிக்கை: சிகிச்சைக்கான வகைப்படுத்தி, சட்டக் கட்டுப்பாடுகளுக்கான கொள்கை விதிகள், மனிதர்களுக்கு மேல்முறையீடுகள். இதை நீங்கள் “தீர்வு” செய்ய மாட்டீர்கள், அதை நீங்கள் நிர்வகிப்பீர்கள் - பக்கவாட்டாக வளரும் புல்வெளியை வெட்டுவது போல.
ஒரு முடிவு அமைப்பை எவ்வாறு தீர்மானிப்பது (ஸ்லைடு டெக் அல்ல)
மூன்று கேள்விகளைக் கேளுங்கள்:
- நீங்கள் எதை மேம்படுத்துகிறீர்கள்? பதில் ஒன்றுக்கு மேற்பட்ட வாக்கியம் அல்லது ஒரு வாக்கியத்திற்கும் குறைவாக இருந்தால், கவலைப்படுங்கள்.
- உலகம் மாறும்போது என்ன நடக்கும்? பதில் “மீண்டும் பயிற்சி” என்றால், அவர்கள் சறுக்கல் பற்றி சிந்திக்கவில்லை.
- நீங்கள் எப்போது தவறு என்று உங்களுக்கு எப்படி தெரியும்? பதில் அமைதியாக இருந்தால், விலகிச் செல்லுங்கள்.
உங்கள் சொந்த ஆழமான டைவை உருவாக்குதல்: ஒரு நடைமுறை அவுட்லைன்
உங்கள் சொந்த செயற்கை நுண்ணறிவில் முடிவெடுக்கும் PPT ஐ நீங்கள் ஒன்றிணைக்கிறீர்கள் என்றால் - ஏனென்றால் நாங்கள் அனைவரும் குற்றவாளிகள், இறுதியில் - அதை நேர்மையைச் சுற்றி உருவாக்குங்கள்:
- முடிவு லூப் மற்றும் உங்கள் நோக்கம் செயல்பாட்டுடன் தொடங்கவும். ஒரு ஸ்லைடு, எளிய உரை.
- “கற்றலை” “முடிவு செய்வதிலிருந்து” பிரிக்கவும். இரண்டு ஸ்லைடுகள், எடுத்துக்காட்டுகள் மட்டும்.
- உங்கள் கட்டுப்பாடுகளைக் காட்டுங்கள், அவை ஏன் கடினமானவை. ஒரு ஸ்லைடு, யூபெமிசங்கள் இல்லை.
- உணர்வு, உய்த்தறிதல், திட்டமிடலுக்கான அல்காரிதம்களைத் தேர்ந்தெடுக்கவும். ஒவ்வொன்றிற்கும், தோல்வி முறைகளை பட்டியலிடுங்கள்.
- கண்காணிப்பை விளக்குங்கள்: சறுக்கல், மீறல்கள், சம்பவ நாடகப் புத்தகங்கள்.
- தீர்க்கப்படாத அபாயங்களுடன் முடிக்கவும். உங்களிடம் எதுவும் இல்லை என்றால், நீங்கள் முடித்துவிட்டீர்கள் என்று அர்த்தமல்ல.
“எனக்குத் தெரியாது” என்று சொல்வதற்கான அமைதியான சக்தி
AI அமைப்புகள் விலகி இருக்கும் திறனைக் கொண்டிருக்க வேண்டும். அதை நிச்சயமற்ற தன்மை உணர்ந்த முடிவெடுத்தல், தேர்ந்தெடுக்கப்பட்ட கணிப்பு, எதுவாக வேண்டுமானாலும் சொல்லுங்கள். “வேண்டாம்” என்று சொல்லும் திறன் ஒரு கருவிக்கும் ஒரு பொறுப்புக்கும் இடையிலான வித்தியாசம். மனிதர்கள் இதை இயல்பாகவே செய்கிறார்கள். நம்மால் முடியாத பல அமைப்புகளை நாம் உருவாக்கியுள்ளோம்.
இது நம்மை எங்கே விட்டுச் செல்கிறது
செயற்கை நுண்ணறிவில் முடிவெடுத்தல் என்பது மாயாஜாலம் அல்ல, மேலும் அல்காரிதம்களில் ஆழமாக மூழ்குவது ஒரு புதிய மதத்திற்கான விளக்கக்காட்சி போல் இருக்கக்கூடாது. இது பொறியியல் - கவனமான நோக்கங்கள், வெளிப்படையான கட்டுப்பாடுகள், வெளிப்படையான நிச்சயமற்ற தன்மை மற்றும் நம்பகத்தன்மைக்காக நேர்த்தியை விட்டுக்கொடுக்க விருப்பம். ஒரு PPT அமைப்பு “முடிவு எடுக்கக் கற்றுக்கொண்டது” என்று சொல்லும் அடுத்த முறை, பாலம் உடைந்துவிட்டால், அளவீடு தவறாக இருந்தால் அல்லது பயனர் யாரும் கணிக்காத ஒன்றைச் செய்தால் என்ன நடக்கும் என்று கேளுங்கள்.
பதில் ஒரு பெரிய அம்புக்குறியாக இருந்தால், உங்கள் முடிவு உங்களிடம் உள்ளது.
முக்கிய வார்த்தை விழிப்புணர்வு பின்னிணைப்பு (முக்கிய வார்த்தை திணிப்பு இல்லாமல்)
- செயற்கை நுண்ணறிவில் முடிவெடுத்தல்: வெளிப்படையான நோக்கங்கள் மற்றும் கட்டுப்பாடுகளைப் பயன்படுத்தி நிச்சயமற்ற நிலையில் செயல்களைத் தேர்ந்தெடுக்கும் பயிற்சி.
- அல்காரிதம்களில் ஆழமாக மூழ்குதல்: ஒரு உருவகம் அல்ல - தேடல், மேம்படுத்துதல், நிகழ்தகவு அனுமானம், வலுவூட்டல் கற்றல், திட்டமிடல், காரண மாதிரி, கலப்பினங்கள்.
- நடைமுறைப் பயன்பாடு: முறைகளை ஒன்றிணைக்கவும், கட்டுப்பாடுகளை வலுப்படுத்தவும், நிச்சயமற்ற தன்மையைத் தழுவவும், எல்லாவற்றையும் கருவியாக்கவும், மேலும் ஒரு ஸ்லைடு ஒரு அமைப்பு என்று பாசாங்கு செய்வதைத் தவிர்க்கவும்.
FAQ
Q1: செயற்கை நுண்ணறிவில் முடிவெடுத்தல் என்றால் என்ன?
இது வெளிப்படையான குறிக்கோள் மற்றும் கட்டுப்பாடுகளுடன் நிச்சயமற்ற நிலையில் செயல்களைத் தேர்ந்தெடுப்பது - உணர்வுகள் அல்ல. பயிற்சித் தொகுப்போடு உலகம் ஒத்துப்போக மறுக்கும்போது, மாதிரி, தரவு மற்றும் பாதுகாப்பு வேலிகள் எவ்வாறு ஒன்றிணைந்து செயல்படுகின்றன என்பதுதான் சுவாரஸ்யமான பகுதி.
Q2: AI முடிவெடுப்பதில் ஆழமாக மூழ்குவதற்கு எந்த அல்காரிதம்கள் முக்கியம்?
தேடல், மேம்படுத்துதல், நிகழ்தகவு பகுத்தறிவு, வலுவூட்டல் கற்றல், திட்டமிடல் மற்றும் காரண மாதிரிகள் முதுகெலும்பாக உள்ளன. கற்றுக்கொண்ட உணர்வை குறியீட்டு விதிகளுடன் இணைக்கும் கலப்பின அமைப்புகள்தான் உண்மையில் உற்பத்தியில் உயிர் பிழைக்கின்றன.
Q3: பெரிய மொழி மாதிரிகள் முடிவெடுப்பதற்கு நல்லதா?
அவை விருப்பங்களை முன்மொழிவதற்கும் திட்டங்களை உருவாக்குவதற்கும் சிறந்தவை, கட்டுப்பாடற்ற முடிவெடுப்பவர்களாக மோசமானவை. LLMகளை சுழற்சியில் பயன்படுத்தவும்: பரிந்துரைக்கவும், கட்டுப்படுத்தவும், சரிபார்க்கவும் - பின்னர் ஒவ்வொரு அடியையும் ஒரு வழக்கறிஞரிடம் விளக்க வேண்டியிருக்கும் என்பதைப் போல பதிவு செய்யவும்.
Q4: செயற்கை நுண்ணறிவில் முடிவெடுக்கும் PPTயில் உள்ள பெரிய தவறுகளை நான் எப்படித் தவிர்ப்பது?
கற்றலை முடிவெடுப்பதிலிருந்து பிரிக்கவும், குறிக்கோளை வரையறுக்கவும், கட்டுப்பாடுகளை விவரிக்கவும். தோல்வி முறைகள் மற்றும் கண்காணிப்பைக் காட்டுங்கள் - உங்கள் டெக் அம்புகளாகவும், விட்டுக்கொடுக்கும் தன்மையற்றதாகவும் இருந்தால், அது நாடகம், பொறியியல் அல்ல.
Q5: Sider.AI AI முடிவு வேலைப்பாய்வுகளில் எங்கு பொருந்துகிறது?
Sider.AI குழப்பமான நடுவில் உதவுகிறது - காரண வேலைப்பாய்வுகளை உருவாக்குதல், ஒப்பிடுதல் மற்றும் ஆய்வு செய்தல் - எனவே மார்க்கெட்டிங் விரும்பிய இடத்தில் LLM உதவியை வைப்பதற்குப் பதிலாக, அது வேலை செய்யும் இடத்தில் வைக்கலாம். நடைமுறை மறு செய்கை என்று நினையுங்கள், மந்திரக்கோல் என்று நினைக்க வேண்டாம். 
