ജോലിയുടെ തത്വം പഠിക്കാനും ഗെയിമിംഗ് ബോട്ടുകൾ സ്വയം എങ്ങനെ സൃഷ്ടിക്കാമെന്ന് മനസിലാക്കാനുമുള്ള ആഗ്രഹം - അവനെ തൊഴിലിലേക്ക് നയിച്ച തൻ്റെ ലക്ഷ്യങ്ങളിലൊന്നിനെക്കുറിച്ച് അദ്ദേഹം സംസാരിച്ചു.

എന്നാൽ യഥാർത്ഥത്തിൽ, അത് തികഞ്ഞ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് സൃഷ്ടിക്കാനുള്ള ആഗ്രഹമാണ് ഗെയിം മോഡൽഅഥവാ മൊബൈൽ പ്രോഗ്രാം, പ്രോഗ്രാമർമാരാകാൻ ഞങ്ങളിൽ പലരെയും പ്രചോദിപ്പിച്ചു. ടൺ കണക്കിന് വിദ്യാഭ്യാസ സാമഗ്രികൾക്കും ഉപഭോക്താക്കളുടെ കഠിനമായ യാഥാർത്ഥ്യത്തിനും പിന്നിൽ, ഈ ആഗ്രഹം സ്വയം വികസനത്തിനുള്ള ലളിതമായ ആഗ്രഹത്താൽ മാറ്റിസ്ഥാപിക്കപ്പെട്ടു എന്നതാണ് പ്രശ്നം. ഇതുവരെ തങ്ങളുടെ ബാല്യകാല സ്വപ്നം പൂർത്തീകരിക്കാൻ തുടങ്ങിയിട്ടില്ലാത്തവർക്കായി, യഥാർത്ഥ കൃത്രിമബുദ്ധി സൃഷ്ടിക്കുന്നതിനുള്ള ഒരു ചെറിയ ഗൈഡ് ഇതാ.

ഘട്ടം 1. നിരാശ

ലളിതമായ ബോട്ടുകൾ പോലും സൃഷ്ടിക്കുന്നതിനെക്കുറിച്ച് സംസാരിക്കുമ്പോൾ, നമ്മുടെ കണ്ണുകൾ തിളങ്ങുന്നു, കൂടാതെ അതിന് എന്തുചെയ്യാൻ കഴിയും എന്നതിനെക്കുറിച്ചുള്ള നൂറുകണക്കിന് ആശയങ്ങൾ നമ്മുടെ തലയിലൂടെ മിന്നിമറയുന്നു. എന്നിരുന്നാലും, നടപ്പാക്കലിൻ്റെ കാര്യം വരുമ്പോൾ, അത് പരിഹരിക്കുന്നതിനുള്ള താക്കോലാണെന്ന് മാറുന്നു യഥാർത്ഥ മാതൃകപെരുമാറ്റം...ഗണിതം. കുറച്ചുകൂടി വ്യക്തമായി പറഞ്ഞാൽ, യൂണിവേഴ്സിറ്റി വിദ്യാഭ്യാസത്തിൻ്റെ ഫോർമാറ്റിലെങ്കിലും പഠിക്കേണ്ട അതിൻ്റെ വിഭാഗങ്ങളുടെ ഒരു ലിസ്റ്റ് ഇതാ:

ലീനിയർ ആൾജിബ്ര;

• ഗ്രാഫ് സിദ്ധാന്തം;

  തിയറി ഓഫ് പ്രോബബിലിറ്റി ആൻഡ് മാത്തമാറ്റിക്കൽ സ്റ്റാറ്റിസ്റ്റിക്സ്.

നിങ്ങളുടെ തുടർന്നുള്ള പ്രോഗ്രാമിംഗ് നിർമ്മിക്കുന്ന ശാസ്ത്രീയ സ്പ്രിംഗ്ബോർഡാണിത്. ഈ സിദ്ധാന്തത്തെക്കുറിച്ചുള്ള അറിവും ധാരണയും കൂടാതെ, ഒരു വ്യക്തിയുമായുള്ള ഇടപെടൽ കാരണം എല്ലാ ആശയങ്ങളും പെട്ടെന്ന് തകരും, കാരണം കൃത്രിമബുദ്ധി യഥാർത്ഥത്തിൽ ഒരു കൂട്ടം സൂത്രവാക്യങ്ങളല്ലാതെ മറ്റൊന്നുമല്ല.

ഘട്ടം 2. സ്വീകാര്യത

വിദ്യാർത്ഥി സാഹിത്യത്തിൽ അഹങ്കാരം അൽപ്പം തട്ടിയാൽ, നിങ്ങൾക്ക് ഭാഷകൾ പഠിക്കാൻ തുടങ്ങാം. LISP-യിലേക്കോ മറ്റുള്ളവരിലേക്കോ തിരക്കുകൂട്ടുന്നത് ഇതുവരെ വിലമതിക്കുന്നില്ല; ആദ്യം നിങ്ങൾ വേരിയബിളുകളും സിംഗിൾ-വാല്യൂഡ് സ്റ്റേറ്റുകളും ഉപയോഗിച്ച് എങ്ങനെ പ്രവർത്തിക്കണമെന്ന് പഠിക്കേണ്ടതുണ്ട്. പെട്ടെന്നുള്ള പഠനത്തിനും തുടർന്നുള്ള വികസനത്തിനും ഇത് അനുയോജ്യമാണ്, എന്നാൽ പൊതുവെ നിങ്ങൾക്ക് അനുയോജ്യമായ ലൈബ്രറികളുള്ള ഏത് ഭാഷയും അടിസ്ഥാനമായി എടുക്കാം.

ഘട്ടം 3. വികസനം

ഇനി നമുക്ക് AI യുടെ സിദ്ധാന്തത്തിലേക്ക് നേരിട്ട് പോകാം. അവയെ ഏകദേശം 3 വിഭാഗങ്ങളായി തിരിക്കാം:

ദുർബലമായ AI - നമ്മൾ കാണുന്ന ബോട്ടുകൾ കമ്പ്യൂട്ടർ ഗെയിമുകൾ, അല്ലെങ്കിൽ സിരി പോലുള്ള ലളിതമായ സഹായികൾ. ഒന്നുകിൽ അവർ വളരെ സ്പെഷ്യലൈസ്ഡ് ജോലികൾ ചെയ്യുന്നു അല്ലെങ്കിൽ അത്തരത്തിലുള്ള ഒരു നിസ്സാരമായ സമുച്ചയമാണ്, കൂടാതെ ഇടപെടലിൻ്റെ ഏതെങ്കിലും പ്രവചനാതീതത അവരെ അമ്പരപ്പിക്കുന്നു.

ബുദ്ധിശക്തിയുമായി താരതമ്യപ്പെടുത്താവുന്ന യന്ത്രങ്ങളാണ് ശക്തമായ AI മനുഷ്യ മസ്തിഷ്കം. ഈ ക്ലാസിൻ്റെ യഥാർത്ഥ പ്രതിനിധികൾ നിലവിൽ ഇല്ല, എന്നാൽ വാട്സൺ പോലുള്ള കമ്പ്യൂട്ടറുകൾ ഈ ലക്ഷ്യം കൈവരിക്കുന്നതിന് വളരെ അടുത്താണ്.

പെർഫെക്റ്റ് AI എന്നത് ഭാവിയാണ്, നമ്മുടെ കഴിവുകളെ മറികടക്കുന്ന ഒരു യന്ത്ര തലച്ചോർ. സ്റ്റീഫൻ ഹോക്കിംഗും എലോൺ മസ്‌കും ടെർമിനേറ്റർ ഫിലിം ഫ്രാഞ്ചൈസിയും മുന്നറിയിപ്പ് നൽകുന്നത് ഇത്തരം സംഭവവികാസങ്ങളുടെ അപകടങ്ങളെക്കുറിച്ചാണ്.

സ്വാഭാവികമായും, നിങ്ങൾ ഏറ്റവും ലളിതമായ ബോട്ടുകൾ ഉപയോഗിച്ച് ആരംഭിക്കണം. ഇത് ചെയ്യുന്നതിന്, 3x3 ഫീൽഡ് ഉപയോഗിക്കുമ്പോൾ "ടിക് ടാക് ടോ" എന്ന നല്ല പഴയ ഗെയിം ഓർമ്മിക്കുക, കൂടാതെ പ്രവർത്തനങ്ങളുടെ അടിസ്ഥാന അൽഗോരിതങ്ങൾ സ്വയം കണ്ടുപിടിക്കാൻ ശ്രമിക്കുക: പിശകുകളില്ലാത്ത പ്രവർത്തനങ്ങളുള്ള വിജയത്തിൻ്റെ സാധ്യത, ഫീൽഡിലെ ഏറ്റവും വിജയകരമായ സ്ഥലങ്ങൾ ഒരു കഷണം സ്ഥാപിക്കുക, ഗെയിം സമനിലയിലേക്ക് ചുരുക്കേണ്ടതിൻ്റെ ആവശ്യകത, തുടങ്ങിയവ.

പേരുകളിൽ നിന്ന് പോലും നിങ്ങൾ മനസ്സിലാക്കുന്നതുപോലെ, ഇവ നിങ്ങളെ അനുവദിക്കുന്ന API-കളാണ് അധിക ചിലവുകൾഗുരുതരമായ AI യുടെ ചില സാദൃശ്യങ്ങൾ സൃഷ്ടിക്കാനുള്ള സമയം.

ഘട്ടം 5. ജോലി

AI എങ്ങനെ സൃഷ്ടിക്കാമെന്നും എന്ത് ഉപയോഗിക്കാമെന്നും ഇപ്പോൾ നിങ്ങൾക്ക് വ്യക്തമായ ധാരണയുണ്ട്, നിങ്ങളുടെ അറിവ് അടുത്ത ഘട്ടത്തിലേക്ക് കൊണ്ടുപോകാനുള്ള സമയമാണിത്. ഒന്നാമതായി, ഇതിന് "മെഷീൻ ലേണിംഗ്" എന്ന ഒരു അച്ചടക്കം പഠിക്കേണ്ടതുണ്ട്. രണ്ടാമതായി, തിരഞ്ഞെടുത്ത പ്രോഗ്രാമിംഗ് ഭാഷയുടെ ഉചിതമായ ലൈബ്രറികളിൽ എങ്ങനെ പ്രവർത്തിക്കണമെന്ന് നിങ്ങൾ പഠിക്കേണ്ടതുണ്ട്. നമ്മൾ നോക്കുന്ന പൈത്തണിന്, ഇവ Scikit-learn, NLTK, SciPy, PyBrain, Nump എന്നിവയാണ്. മൂന്നാമതായി, വികസനത്തിൽ ഒരു വഴിയുമില്ല

സൈബർനെറ്റിക്‌സ്, സൈക്കോളജി, ബിഹേവിയറലിസം (ബിഹേവിയർ ഓഫ് ബിഹേവിയറസം) എന്നിവയുടെ കവലയിൽ പ്രവർത്തിക്കുന്ന ഒരു എഞ്ചിനീയർ, വ്യാവസായിക റോബോട്ടിക് സിസ്റ്റങ്ങൾക്കായി അൽഗോരിതം സമാഹരിക്കുന്ന ഒരു എഞ്ചിനീയർ, ഉയർന്ന ഗണിതവും മെക്കാട്രോണിക്‌സും ഉൾപ്പെടുന്ന പ്രധാന ഉപകരണങ്ങളായ അവർ വരും വർഷങ്ങളിൽ ഏറ്റവും മികച്ച വ്യവസായത്തിൽ പ്രവർത്തിക്കുന്നു - റോബോട്ടിക്സ്. . റോബോട്ടുകൾ, ഈ പദത്തിൻ്റെ താരതമ്യ പുതുമ ഉണ്ടായിരുന്നിട്ടും, മനുഷ്യരാശിക്ക് വളരെക്കാലമായി പരിചിതമാണ്. സ്മാർട്ട് മെക്കാനിസങ്ങളുടെ വികസനത്തിൻ്റെ ചരിത്രത്തിൽ നിന്നുള്ള ചില വസ്തുതകൾ ഇവിടെയുണ്ട്.

അയൺ മാൻ ഹെൻറി ഡ്രോസ്

പുരാതന ഗ്രീസിലെ പുരാണങ്ങളിൽ പോലും, ഭാരമേറിയതും ഏകതാനവുമായ ജോലികൾ ചെയ്യാൻ ഹെഫെസ്റ്റസ് സൃഷ്ടിച്ച മെക്കാനിക്കൽ അടിമകളെ പരാമർശിച്ചിട്ടുണ്ട്. ഒരു ഹ്യൂമനോയിഡ് റോബോട്ടിൻ്റെ ആദ്യ കണ്ടുപിടുത്തക്കാരനും ഡവലപ്പറും ഇതിഹാസമായ ലിയോനാർഡോ ഡാവിഞ്ചി ആയിരുന്നു. ഇറ്റാലിയൻ പ്രതിഭയുടെ ഏറ്റവും വിശദമായ ഡ്രോയിംഗുകൾ ഇന്നും നിലനിൽക്കുന്നു, കൈകളും കാലുകളും തലയും ഉപയോഗിച്ച് മനുഷ്യ ചലനങ്ങളെ അനുകരിക്കാൻ കഴിവുള്ള ഒരു മെക്കാനിക്കൽ നൈറ്റിനെ വിവരിക്കുന്നു.

ഉപയോഗിച്ച് ആദ്യ ഓട്ടോമാറ്റിക് മെക്കാനിസങ്ങളുടെ സൃഷ്ടി പ്രോഗ്രാം നിയന്ത്രിച്ചു 15-ആം നൂറ്റാണ്ടിൻ്റെ അവസാനത്തിൽ യൂറോപ്യൻ വാച്ച് നിർമ്മാതാക്കൾ ആരംഭിച്ചു. ഈ രംഗത്ത് ഏറ്റവും വിജയിച്ചത് സ്വിസ് സ്പെഷ്യലിസ്റ്റുകൾ, അച്ഛനും മകനുമായ പിയറി-ജാക്വസ്, ഹെൻറി ഡ്രോസ് എന്നിവരായിരുന്നു. അവർ ഒരു മുഴുവൻ പരമ്പരയും ("റൈറ്റിംഗ് ബോയ്", "ഡ്രാഫ്റ്റ്സ്മാൻ", "സംഗീതജ്ഞൻ") സൃഷ്ടിച്ചു, അതിൻ്റെ നിയന്ത്രണം ക്ലോക്ക് മെക്കാനിസങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ളതായിരുന്നു. ഹെൻറി ഡ്രോസിൻ്റെ ബഹുമാനാർത്ഥം പിന്നീട് എല്ലാ പ്രോഗ്രാമബിൾ ഹ്യൂമനോയിഡ് ഓട്ടോമാറ്ററ്റുകളും "ആൻഡ്രോയിഡുകൾ" എന്ന് വിളിക്കപ്പെടാൻ തുടങ്ങി.

പ്രോഗ്രാമിംഗിൻ്റെ ഉത്ഭവത്തിൽ

വ്യാവസായിക റോബോട്ടുകളെ പ്രോഗ്രാമിംഗ് ചെയ്യുന്നതിനുള്ള അടിത്തറ 19-ആം നൂറ്റാണ്ടിൻ്റെ തുടക്കത്തിൽ ഫ്രാൻസിൽ സ്ഥാപിച്ചു. ഓട്ടോമാറ്റിക് ടെക്സ്റ്റൈൽ മെഷീനുകൾക്കുള്ള (സ്പിന്നിംഗും നെയ്ത്തും) ആദ്യത്തെ പ്രോഗ്രാമുകൾ വികസിപ്പിച്ചെടുത്തത് ഇവിടെയാണ്. അതിവേഗം വളരുന്ന നെപ്പോളിയൻ്റെ സൈന്യത്തിന് യൂണിഫോമുകളും തത്ഫലമായി തുണിത്തരങ്ങളും ആവശ്യമായിരുന്നു. ലിയോണിൽ നിന്നുള്ള ഒരു കണ്ടുപിടുത്തക്കാരൻ, ജോസഫ് ജാക്കാർഡ്, ഒരു നെയ്ത്ത് യന്ത്രം വേഗത്തിൽ പുനർക്രമീകരിക്കുന്നതിനുള്ള ഒരു മാർഗം നിർദ്ദേശിച്ചു. വിവിധ തരംഉൽപ്പന്നങ്ങൾ. പലപ്പോഴും ഈ നടപടിക്രമത്തിന് ഒരു വലിയ സമയവും വലിയ പരിശ്രമവും മുഴുവൻ ടീമിൻ്റെയും ശ്രദ്ധയും ആവശ്യമാണ്. സുഷിരങ്ങളുള്ള ദ്വാരങ്ങളുള്ള കാർഡ്ബോർഡ് കാർഡുകളുടെ ഉപയോഗമായിരുന്നു നവീകരണത്തിൻ്റെ സാരാംശം. സൂചികൾ, മുറിച്ച സ്ഥലങ്ങളിൽ കയറി, ആവശ്യമായ രീതിയിൽ ത്രെഡുകൾ മാറ്റി. കാർഡുകളുടെ മാറ്റം മെഷീൻ ഓപ്പറേറ്റർ വേഗത്തിൽ നടത്തി: പുതിയ പഞ്ച്ഡ് കാർഡ് - പുതിയ പ്രോഗ്രാം - പുതിയ തരംതുണി അല്ലെങ്കിൽ പാറ്റേൺ. ഫ്രഞ്ച് വികസനം ആധുനികതയുടെ മാതൃകയായി ഓട്ടോമേറ്റഡ് കോംപ്ലക്സുകൾ, പ്രോഗ്രാമിംഗ് കഴിവുകളുള്ള റോബോട്ടുകൾ.

ജാക്കാർഡ് നിർദ്ദേശിച്ച ആശയം പല കണ്ടുപിടുത്തക്കാരും അവരുടെ ഓട്ടോമാറ്റിക് ഉപകരണങ്ങളിൽ ആവേശത്തോടെ ഉപയോഗിച്ചു:

• സ്റ്റാറ്റിസ്റ്റിക്കൽ ഡിപ്പാർട്ട്മെൻ്റിൻ്റെ തലവൻ എസ്.എൻ. കോർസകോവ് (റഷ്യ, 1832) - ആശയങ്ങൾ താരതമ്യം ചെയ്യുന്നതിനും വിശകലനം ചെയ്യുന്നതിനുമുള്ള സംവിധാനത്തിൽ.
• ഗണിതശാസ്ത്രജ്ഞൻ ചാൾസ് ബാബേജ് (ഇംഗ്ലണ്ട്, 1834) - വിശാലമായ ഗണിതശാസ്ത്ര പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നതിനുള്ള അനലിറ്റിക്കൽ എഞ്ചിനിൽ.
• എഞ്ചിനീയർ (യുഎസ്എ, 1890) - സ്റ്റാറ്റിസ്റ്റിക്കൽ ഡാറ്റ സംഭരിക്കുന്നതിനും പ്രോസസ്സ് ചെയ്യുന്നതിനുമുള്ള ഒരു ഉപകരണത്തിൽ (ടാബുലേറ്റർ). റെക്കോർഡിനായി: 1911 ൽ കമ്പനി. ഹോളറിത്തിനെ ഐബിഎം (ഇൻ്റർനാഷണൽ ബിസിനസ് മെഷീൻസ്) എന്ന് നാമകരണം ചെയ്തു.

കഴിഞ്ഞ നൂറ്റാണ്ടിൻ്റെ 60-കൾ വരെ പഞ്ച് കാർഡുകൾ പ്രധാന സംഭരണ ​​മാധ്യമമായിരുന്നു.

ബുദ്ധിയുള്ള യന്ത്രങ്ങൾ അവരുടെ പേരിന് ഒരു ചെക്ക് നാടകകൃത്താണ് കടപ്പെട്ടിരിക്കുന്നത്.1920-ൽ പ്രസിദ്ധീകരിച്ച "R.U.R" എന്ന നാടകത്തിൽ, എഴുത്തുകാരൻ ഒരു റോബോട്ടിനെ വിളിച്ചു. കൃത്രിമ വ്യക്തി, കനത്തതും അപകടകരവുമായ ഉൽപ്പാദന മേഖലകൾക്കായി സൃഷ്ടിച്ചു (റോബോട്ട (ചെക്ക്) -കഠിനാധ്വാനം). മെക്കാനിസങ്ങളിൽ നിന്നും ഓട്ടോമാറ്റിക് ഉപകരണങ്ങളിൽ നിന്നും ഒരു റോബോട്ടിനെ വേർതിരിക്കുന്നത് എന്താണ്? രണ്ടാമത്തേതിൽ നിന്ന് വ്യത്യസ്തമായി, റോബോട്ട് സ്ഥാപിത അൽഗോരിതം അന്ധമായി പിന്തുടർന്ന് ചില പ്രവർത്തനങ്ങൾ നടത്തുക മാത്രമല്ല, പരിസ്ഥിതിയുമായും വ്യക്തിയുമായും (ഓപ്പറേറ്റർ) കൂടുതൽ അടുത്ത് ഇടപഴകാനും കഴിയും, മാറുമ്പോൾ അതിൻ്റെ പ്രവർത്തനങ്ങൾ ക്രമീകരിക്കാനും കഴിയും. ബാഹ്യ സിഗ്നലുകൾവ്യവസ്ഥകളും.

1928-ൽ അമേരിക്കൻ എഞ്ചിനീയർ ആർ. വെൻസ്ലിയാണ് ആദ്യമായി പ്രവർത്തനക്ഷമമായ റോബോട്ട് രൂപകല്പന ചെയ്ത് നടപ്പിലാക്കിയതെന്നാണ് പൊതുവെ അംഗീകരിക്കപ്പെട്ടിട്ടുള്ളത്. ഹ്യൂമനോയിഡ് "ഇരുമ്പ് ബുദ്ധിജീവി" എന്ന പേര് ഹെർബർട്ട് ടെലിവോക്സ് എന്നാണ്. ജീവശാസ്ത്രജ്ഞനായ മക്കോട്ടോ നിഷിമുറ (ജപ്പാൻ, 1929), ഇംഗ്ലീഷ് സൈനികനായ വില്യം റിച്ചാർഡ്സ് (1928) എന്നിവരും പയനിയർമാരുടെ ബഹുമതികൾ അവകാശപ്പെടുന്നു. കണ്ടുപിടുത്തക്കാർ സൃഷ്ടിച്ച നരവംശ സംവിധാനങ്ങൾക്ക് സമാനമായ പ്രവർത്തനങ്ങളുണ്ടായിരുന്നു: അവർക്ക് കൈകാലുകളും തലയും ചലിപ്പിക്കാനും ശബ്ദ, ശബ്ദ കമാൻഡുകൾ നടപ്പിലാക്കാനും ലളിതമായ ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകാനും കഴിഞ്ഞു. ശാസ്ത്രീയവും സാങ്കേതികവുമായ നേട്ടങ്ങൾ പ്രകടിപ്പിക്കുക എന്നതായിരുന്നു ഉപകരണങ്ങളുടെ പ്രധാന ലക്ഷ്യം. സാങ്കേതികവിദ്യയുടെ വികസനത്തിലെ അടുത്ത റൗണ്ട് ഉടൻ തന്നെ ആദ്യത്തെ വ്യാവസായിക റോബോട്ടുകൾ സൃഷ്ടിക്കുന്നത് സാധ്യമാക്കി.

തലമുറ തലമുറ

റോബോട്ടിക്‌സ് വികസനം ഒരു തുടർച്ചയായ, വർദ്ധിച്ചുവരുന്ന പ്രക്രിയയാണ്. ഇന്നുവരെ, "സ്മാർട്ട്" മെഷീനുകളുടെ മൂന്ന് വ്യത്യസ്ത തലമുറകൾ ഉയർന്നുവന്നിട്ടുണ്ട്. ഓരോന്നിനും ചില സൂചകങ്ങളും ആപ്ലിക്കേഷൻ്റെ മേഖലകളും ഉണ്ട്.

ആദ്യ തലമുറ റോബോട്ടുകൾ ഒരു ഇടുങ്ങിയ തരത്തിലുള്ള പ്രവർത്തനത്തിനായി സൃഷ്ടിച്ചതാണ്. ഒരു പ്രത്യേക പ്രോഗ്രാം ചെയ്‌ത പ്രവർത്തനങ്ങൾ നടത്താൻ മാത്രമേ മെഷീനുകൾക്ക് കഴിയൂ. റോബോട്ട് നിയന്ത്രണ ഉപകരണങ്ങൾ, സർക്യൂട്ട്, പ്രോഗ്രാമിംഗ് എന്നിവ പ്രായോഗികമായി സ്വയംഭരണ പ്രവർത്തനത്തെ ഒഴിവാക്കുന്നു, കൂടാതെ ആവശ്യമായ അധിക ഉപകരണങ്ങളും വിവരങ്ങളും അളക്കൽ സംവിധാനങ്ങളും ഉള്ള ഒരു പ്രത്യേക സാങ്കേതിക ഇടം സൃഷ്ടിക്കേണ്ടതുണ്ട്.

രണ്ടാം തലമുറ യന്ത്രങ്ങളെ സെൻസിംഗ് അല്ലെങ്കിൽ അഡാപ്റ്റീവ് എന്ന് വിളിക്കുന്നു. ഒരു വലിയ കൂട്ടം ബാഹ്യവും ആന്തരികവുമായ സെൻസറുകൾ കണക്കിലെടുത്താണ് റോബോട്ട് പ്രോഗ്രാമിംഗ് നടത്തുന്നത്. സെൻസറുകളിൽ നിന്ന് വരുന്ന വിവരങ്ങളുടെ വിശകലനത്തെ അടിസ്ഥാനമാക്കി, ആവശ്യമായ നിയന്ത്രണ പ്രവർത്തനങ്ങൾ വികസിപ്പിച്ചെടുക്കുന്നു.

അവസാനമായി, മൂന്നാം തലമുറ കഴിവുള്ള ബുദ്ധിമാനായ റോബോട്ടുകളാണ്:

• വിവരങ്ങൾ സംഗ്രഹിക്കുകയും വിശകലനം ചെയ്യുകയും ചെയ്യുക,
• മെച്ചപ്പെടുത്തുക, സ്വയം പഠിക്കുക, കഴിവുകളും അറിവും ശേഖരിക്കുക,
• ചിത്രങ്ങളും സാഹചര്യത്തിലെ മാറ്റങ്ങളും തിരിച്ചറിയുക, ഇതിന് അനുസൃതമായി, നിങ്ങളുടെ എക്സിക്യൂട്ടീവ് സിസ്റ്റത്തിൻ്റെ പ്രവർത്തനം സംഘടിപ്പിക്കുക.

ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് അൽഗോരിതങ്ങളും സോഫ്റ്റ്‌വെയറും അടിസ്ഥാനമാക്കിയുള്ളതാണ്.

പൊതുവായ വർഗ്ഗീകരണം

റോബോട്ടുകളുടെ ഏതെങ്കിലും പ്രതിനിധി ആധുനിക എക്സിബിഷനിൽ, വൈവിധ്യമാർന്ന "സ്മാർട്ട്" മെഷീനുകൾ സാധാരണക്കാരെ മാത്രമല്ല, സ്പെഷ്യലിസ്റ്റുകളേയും അത്ഭുതപ്പെടുത്തും. ഏത് തരം റോബോട്ടുകളാണ് ഉള്ളത്? ഏറ്റവും പൊതുവായതും അർത്ഥവത്തായതുമായ വർഗ്ഗീകരണം സോവിയറ്റ് ശാസ്ത്രജ്ഞനായ എ.ഇ.കോബ്രിൻസ്കി നിർദ്ദേശിച്ചു.

അവയുടെ ഉദ്ദേശ്യത്തെയും പ്രവർത്തനങ്ങളെയും അടിസ്ഥാനമാക്കി, റോബോട്ടുകളെ ഉത്പാദനം, വ്യാവസായിക, ഗവേഷണം എന്നിങ്ങനെ തിരിച്ചിരിക്കുന്നു. ആദ്യത്തേത്, നിർവഹിച്ച ജോലിയുടെ സ്വഭാവത്തിന് അനുസൃതമായി, സാങ്കേതികവും ലിഫ്റ്റിംഗും ഗതാഗതവും സാർവത്രികമോ പ്രത്യേകമോ ആകാം. മനുഷ്യർക്ക് അപകടകരമോ ആക്സസ് ചെയ്യാൻ കഴിയാത്തതോ ആയ പ്രദേശങ്ങളും പ്രദേശങ്ങളും (ബഹിരാകാശം, ഭൂമിയുടെ ഉൾഭാഗം, അഗ്നിപർവ്വതങ്ങൾ, ലോക സമുദ്രങ്ങളുടെ ആഴത്തിലുള്ള പാളികൾ) പഠിക്കുന്നതിനാണ് ഗവേഷണം രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത്.

നിയന്ത്രണ തരം അനുസരിച്ച് നമുക്ക് ബയോടെക്നിക്കൽ (പകർത്തൽ, കമാൻഡ്, സൈബർഗ്, ഇൻ്ററാക്ടീവ്, ഓട്ടോമാറ്റിക്) എന്നിവയെ തത്ത്വത്തിൽ വേർതിരിച്ചറിയാൻ കഴിയും - കർശനമായി പ്രോഗ്രാമബിൾ, അഡാപ്റ്റീവ്, ഫ്ലെക്സിബ്ലി പ്രോഗ്രാമബിൾ. ആധുനിക സാങ്കേതികവിദ്യയുടെ ദ്രുതഗതിയിലുള്ള വികസനം, ഇൻ്റലിജൻ്റ് മെഷീനുകൾ രൂപകൽപ്പന ചെയ്യുമ്പോൾ ഡെവലപ്പർമാർക്ക് ഏതാണ്ട് പരിധിയില്ലാത്ത അവസരങ്ങൾ നൽകുന്നു. എന്നാൽ ഒരു മികച്ച സർക്യൂട്ടും ഡിസൈൻ സൊല്യൂഷനും ഉചിതമായ സോഫ്റ്റ്വെയറും അൽഗോരിതം പിന്തുണയും ഇല്ലാതെ വിലയേറിയ ഷെല്ലായി മാത്രമേ പ്രവർത്തിക്കൂ.

റോബോട്ടിൻ്റെ തലച്ചോറിൻ്റെ പ്രവർത്തനങ്ങൾ മൈക്രോപ്രൊസസ്സർ സിലിക്കൺ ഏറ്റെടുക്കുന്നതിന്, ക്രിസ്റ്റലിലേക്ക് അനുബന്ധ പ്രോഗ്രാം "പൂരിപ്പിക്കേണ്ടത്" ആവശ്യമാണ്. സാധാരണ മനുഷ്യ ഭാഷചുമതലകളുടെ വ്യക്തമായ ഔപചാരികവൽക്കരണം, അവയുടെ ലോജിക്കൽ മൂല്യനിർണ്ണയത്തിൻ്റെ കൃത്യത, വിശ്വാസ്യത എന്നിവ നൽകാൻ കഴിയുന്നില്ല. അതിനാൽ, ആവശ്യമായ വിവരങ്ങൾ നൽകിയിരിക്കുന്നു ഒരു നിശ്ചിത രൂപംറോബോട്ട് പ്രോഗ്രാമിംഗ് ഭാഷകൾ ഉപയോഗിക്കുന്നു.

പരിഹരിക്കപ്പെടുന്ന മാനേജുമെൻ്റ് ജോലികൾക്ക് അനുസൃതമായി, പ്രത്യേകമായി സൃഷ്ടിച്ച ഭാഷയുടെ നാല് തലങ്ങൾ വേർതിരിച്ചിരിക്കുന്നു:

• രൂപത്തിൽ ആക്യുവേറ്ററുകൾ നിയന്ത്രിക്കാൻ ഏറ്റവും താഴ്ന്ന നില ഉപയോഗിക്കുന്നു കൃത്യമായ മൂല്യങ്ങൾഇൻ്റലിജൻ്റ് സിസ്റ്റത്തിൻ്റെ വ്യക്തിഗത ഭാഗങ്ങളുടെ രേഖീയ അല്ലെങ്കിൽ കോണീയ ചലനം,
• മാനിപ്പുലേറ്റർ ലെവൽ നിങ്ങളെ അനുവദിക്കുന്നു പൊതു മാനേജ്മെൻ്റ്മുഴുവൻ സിസ്റ്റവും, റോബോട്ടിൻ്റെ പ്രവർത്തന ബോഡിയെ കോർഡിനേറ്റ് സ്പേസിൽ സ്ഥാപിക്കുന്നു,
• ഒരു നിർദ്ദിഷ്ട ഫലം കൈവരിക്കുന്നതിന് ആവശ്യമായ പ്രവർത്തനങ്ങളുടെ ക്രമം സൂചിപ്പിച്ചുകൊണ്ട് ഒരു വർക്ക് പ്രോഗ്രാം രൂപപ്പെടുത്തുന്നതിന് പ്രവർത്തന നില സഹായിക്കുന്നു.
• ഉയർന്ന തലത്തിൽ - ടാസ്ക്കുകൾ - എന്താണ് ചെയ്യേണ്ടതെന്ന് വിശദമായി ഇല്ലാതെ പ്രോഗ്രാം സൂചിപ്പിക്കുന്നു.

പ്രോഗ്രാമിംഗ് റോബോട്ടുകളെ ഭാഷകളിൽ ആശയവിനിമയം നടത്തുന്നതിലേക്ക് കുറയ്ക്കാൻ റോബോട്ടിസ്റ്റുകൾ ശ്രമിക്കുന്നു ഉയർന്ന തലം. മികച്ച രീതിയിൽ, ഓപ്പറേറ്റർ ടാസ്ക് സജ്ജമാക്കുന്നു: "ഒരു കാറിൻ്റെ ആന്തരിക ജ്വലന എഞ്ചിൻ കൂട്ടിച്ചേർക്കുക" കൂടാതെ റോബോട്ട് ടാസ്ക് പൂർണ്ണമായും പൂർത്തിയാക്കുമെന്ന് പ്രതീക്ഷിക്കുന്നു.

ഭാഷാ സൂക്ഷ്മതകൾ

IN ആധുനിക റോബോട്ടിക്സ്റോബോട്ട് പ്രോഗ്രാമിംഗ് രണ്ട് വെക്‌ടറുകൾക്കൊപ്പം വികസിച്ചുകൊണ്ടിരിക്കുന്നു: റോബോട്ട്-ഓറിയൻ്റഡ്, പ്രോബ്ലം-ഓറിയൻ്റഡ് പ്രോഗ്രാമിംഗ്.

ഏറ്റവും സാധാരണമായ റോബോട്ട് അധിഷ്ഠിത ഭാഷകൾ AML, AL എന്നിവയാണ്. ആദ്യത്തേത് ഐബിഎം വികസിപ്പിച്ചെടുത്തത് സ്വന്തം ഉൽപ്പാദനത്തിൻ്റെ ബുദ്ധിപരമായ സംവിധാനങ്ങൾ നിയന്ത്രിക്കുന്നതിന് മാത്രമാണ്. രണ്ടാമത്തേത്, സ്റ്റാൻഫോർഡ് യൂണിവേഴ്സിറ്റിയിലെ (യുഎസ്എ) സ്പെഷ്യലിസ്റ്റുകളുടെ ഒരു ഉൽപ്പന്നം, സജീവമായി വികസിച്ചുകൊണ്ടിരിക്കുന്നു, ഈ ക്ലാസിലെ പുതിയ ഭാഷകളുടെ രൂപീകരണത്തിൽ കാര്യമായ സ്വാധീനം ചെലുത്തുന്നു. ഒരു പ്രൊഫഷണലിന് ഭാഷയിലെ പാസ്കലിൻ്റെയും അൽഗോളിൻ്റെയും സ്വഭാവ സവിശേഷതകൾ എളുപ്പത്തിൽ തിരിച്ചറിയാൻ കഴിയും. എല്ലാ റോബോട്ട്-അധിഷ്ഠിത ഭാഷകളും ഒരു "സ്മാർട്ട്" മെക്കാനിസത്തിൻ്റെ പ്രവർത്തനങ്ങളുടെ ഒരു ക്രമമായി ഒരു അൽഗോരിതം വിവരിക്കുന്നു. ഇക്കാര്യത്തിൽ, പ്രോഗ്രാം പലപ്പോഴും വളരെ ബുദ്ധിമുട്ടുള്ളതും പ്രായോഗികമായി നടപ്പിലാക്കുന്നതിൽ അസൗകര്യവും ആയി മാറുന്നു.

പ്രശ്‌ന-അധിഷ്‌ഠിത ഭാഷകളിൽ റോബോട്ടുകൾ പ്രോഗ്രാമിംഗ് ചെയ്യുമ്പോൾ, പ്രോഗ്രാം പ്രവർത്തനങ്ങളുടെ ക്രമമല്ല, മറിച്ച് ഒരു വസ്തുവിൻ്റെ ലക്ഷ്യങ്ങളുടെയോ ഇൻ്റർമീഡിയറ്റ് സ്ഥാനങ്ങളുടെയോ ഒരു ശ്രേണി വ്യക്തമാക്കുന്നു. ഈ വിഭാഗത്തിലെ ഏറ്റവും ജനപ്രിയമായ ഭാഷ ഓട്ടോപാസ് ഭാഷയാണ് (IBM), അതിൽ പ്രവർത്തന അന്തരീക്ഷത്തിൻ്റെ അവസ്ഥയെ ഗ്രാഫുകളുടെ രൂപത്തിൽ പ്രതിനിധീകരിക്കുന്നു (ലംബങ്ങൾ - വസ്തുക്കൾ, ആർക്കുകൾ - കണക്ഷനുകൾ).

റോബോട്ട് പരിശീലനം

ഏതെങ്കിലും ആധുനിക റോബോട്ട്ഒരു പഠിതാവിനെ പ്രതിനിധീകരിക്കുന്നു അഡാപ്റ്റീവ് സിസ്റ്റം. അറിവും കഴിവുകളും ഉൾപ്പെടെ ആവശ്യമായ എല്ലാ വിവരങ്ങളും പഠന പ്രക്രിയയിൽ അവൾക്ക് കൈമാറുന്നു. പ്രോസസറിൻ്റെ മെമ്മറിയിൽ പ്രസക്തമായ ഡാറ്റ നേരിട്ട് സംഭരിക്കുന്നതിലൂടെയും (വിശദമായ പ്രോഗ്രാമിംഗ് - സാമ്പിൾ), റോബോട്ടിൻ്റെ സെൻസറുകൾ (വിഷ്വൽ ഡെമോൺസ്‌ട്രേഷൻ വഴി) ഉപയോഗിച്ചും ഇത് ചെയ്യുന്നു - റോബോട്ടിൻ്റെ മെക്കാനിസങ്ങളുടെ എല്ലാ ചലനങ്ങളും ചലനങ്ങളും മെമ്മറിയിൽ സംഭരിക്കുകയും തുടർന്ന് ജോലിയിൽ പുനർനിർമ്മിക്കുകയും ചെയ്യുന്നു. ചക്രം. പഠിക്കുമ്പോൾ, സിസ്റ്റം അതിൻ്റെ പാരാമീറ്ററുകളും ഘടനയും രൂപങ്ങളും പുനർനിർമ്മിക്കുന്നു വിവര മാതൃക പുറം ലോകം. റോബോട്ടുകളും തമ്മിലുള്ള പ്രധാന വ്യത്യാസവും ഇതാണ് ഓട്ടോമേറ്റഡ് ലൈനുകൾ, കർക്കശമായ ഘടനയും മറ്റ് പരമ്പരാഗത ഓട്ടോമേഷൻ ഉപകരണങ്ങളും ഉള്ള വ്യാവസായിക യന്ത്രങ്ങൾ. ലിസ്റ്റുചെയ്തിരിക്കുന്ന അധ്യാപന രീതികൾ ഉണ്ട് കാര്യമായ കുറവുകൾ. ഉദാഹരണത്തിന്, സാമ്പിൾ ചെയ്യുമ്പോൾ, പുനർക്രമീകരണത്തിന് യോഗ്യതയുള്ള ഒരു സ്പെഷ്യലിസ്റ്റിൻ്റെ കുറച്ച് സമയവും അധ്വാനവും ആവശ്യമാണ്.

ലബോറട്ടറി ഡെവലപ്പർമാർ അവതരിപ്പിക്കുന്ന പ്രോഗ്രാമിംഗ് റോബോട്ടുകൾക്കായുള്ള പ്രോഗ്രാം വളരെ പ്രതീക്ഷ നൽകുന്നതായി തോന്നുന്നു വിവര സാങ്കേതിക വിദ്യകൾമസാച്യുസെറ്റ്സ് ഇൻസ്റ്റിറ്റ്യൂട്ട് ഓഫ് ടെക്നോളജിയിൽ (CSAIL MIT) അന്താരാഷ്ട്ര സമ്മേളനംവ്യാവസായിക ഓട്ടോമേഷൻ ആൻഡ് റോബോട്ടിക്സ് ICRA-2017 (സിംഗപ്പൂർ). അവർ സൃഷ്ടിച്ച C-LEARN പ്ലാറ്റ്‌ഫോമിന് രണ്ട് രീതികളുടെയും ഗുണങ്ങളുണ്ട്. ഇത് റോബോട്ടിന് നിർദ്ദിഷ്ട നിയന്ത്രണങ്ങളുള്ള പ്രാഥമിക ചലനങ്ങളുടെ ഒരു ലൈബ്രറി നൽകുന്നു (ഉദാഹരണത്തിന്, ഭാഗത്തിൻ്റെ ആകൃതിക്കും കാഠിന്യത്തിനും അനുസൃതമായി ഒരു കൃത്രിമത്വത്തിനുള്ള ഗ്രിപ്പ് ഫോഴ്സ്). അതേ സമയം, ഒരു 3D ഇൻ്റർഫേസിൽ റോബോട്ടിലേക്കുള്ള പ്രധാന ചലനങ്ങൾ ഓപ്പറേറ്റർ കാണിക്കുന്നു. നിയുക്ത ചുമതലയെ അടിസ്ഥാനമാക്കി സിസ്റ്റം, വർക്ക് സൈക്കിൾ പൂർത്തിയാക്കുന്നതിനുള്ള പ്രവർത്തനങ്ങളുടെ ഒരു ശ്രേണി രൂപപ്പെടുത്തുന്നു. C-LEARN നിങ്ങളെ വീണ്ടും എഴുതാൻ അനുവദിക്കുന്നു നിലവിലുള്ള പ്രോഗ്രാംവ്യത്യസ്തമായ ഡിസൈനിലുള്ള ഒരു റോബോട്ടിന്. ഓപ്പറേറ്റർക്ക് ആഴത്തിലുള്ള പ്രോഗ്രാമിംഗ് പരിജ്ഞാനം ആവശ്യമില്ല.

റോബോട്ടിക്സും ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസും

അടുത്ത രണ്ട് ദശാബ്ദത്തിനുള്ളിൽ ഇന്നത്തെ പകുതിയിലധികം ജോലികളും മെഷീൻ ടെക്നോളജി മാറ്റിസ്ഥാപിക്കുമെന്ന് ഓക്‌സ്‌ഫോർഡ് സർവകലാശാലയിലെ വിദഗ്ധർ മുന്നറിയിപ്പ് നൽകുന്നു. തീർച്ചയായും, റോബോട്ടുകൾ വളരെക്കാലമായി അപകടകരവും ബുദ്ധിമുട്ടുള്ളതുമായ പ്രദേശങ്ങളിൽ മാത്രമല്ല പ്രവർത്തിക്കുന്നത്. ഉദാഹരണത്തിന്, പ്രോഗ്രാമിംഗ് ലോക എക്സ്ചേഞ്ചുകളിൽ മനുഷ്യ ബ്രോക്കർമാരെ ഗണ്യമായി മാറ്റി. കൃത്രിമബുദ്ധിയെക്കുറിച്ച് കുറച്ച് വാക്കുകൾ.

സാധാരണക്കാരൻ്റെ മനസ്സിൽ, ജീവിതത്തിൻ്റെ പല മേഖലകളിലും ഒരു വ്യക്തിയെ മാറ്റിസ്ഥാപിക്കാൻ കഴിയുന്ന ഒരു നരവംശ റോബോട്ടാണിത്. ഇത് ഭാഗികമായി ശരിയാണ്, എന്നാൽ ഒരു പരിധി വരെ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് സഹായത്തോടെയുള്ള ശാസ്ത്ര സാങ്കേതിക വിദ്യയുടെ ഒരു സ്വതന്ത്ര ശാഖയാണ് കമ്പ്യൂട്ടർ പ്രോഗ്രാമുകൾ, അവൻ്റെ തലച്ചോറിൻ്റെ പ്രവർത്തനമായ "ഹോമോ സാപ്പിയൻസ്" ചിന്തയെ മാതൃകയാക്കുന്നു. വികസനത്തിൻ്റെ നിലവിലെ ഘട്ടത്തിൽ, AI ആളുകളെ കൂടുതൽ സഹായിക്കുകയും അവരെ രസിപ്പിക്കുകയും ചെയ്യുന്നു. എന്നാൽ, വിദഗ്ധരുടെ അഭിപ്രായത്തിൽ, റോബോട്ടിക്‌സ്, ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് മേഖലയിലെ കൂടുതൽ പുരോഗതി മനുഷ്യരാശിക്ക് ധാർമ്മികവും ധാർമ്മികവും നിയമപരവുമായ നിരവധി ചോദ്യങ്ങൾ ഉയർത്തിയേക്കാം.

ഈ വർഷം ജനീവയിൽ നടന്ന റോബോട്ട് മേളയിൽ ലോകത്തിലെ ഏറ്റവും നൂതനമായ ആൻഡ്രോയിഡ് സോഫിയ താൻ മനുഷ്യനാകാൻ പഠിക്കുകയാണെന്ന് പ്രഖ്യാപിച്ചു. ഒക്ടോബറിൽ, ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ ചരിത്രത്തിൽ ആദ്യമായി സോഫിയ സൗദി അറേബ്യയിലെ മുഴുവൻ അവകാശങ്ങളോടെയും പൗരനായി അംഗീകരിക്കപ്പെട്ടു. ആദ്യത്തെ അടയാളം?

റോബോട്ടിക്സിലെ പ്രധാന പ്രവണതകൾ

ഡിജിറ്റൽ വ്യവസായ വിദഗ്ധർ 2017-ൽ നിരവധി മികച്ച സാങ്കേതിക പരിഹാരങ്ങൾ എടുത്തുകാണിച്ചു വെർച്വൽ റിയാലിറ്റി. റോബോട്ടിക്സും ഉപേക്ഷിച്ചിട്ടില്ല. സങ്കീർണ്ണമായ ഒരു റോബോട്ടിക് മെക്കാനിസത്തിൻ്റെ നിയന്ത്രണം മെച്ചപ്പെടുത്തുന്നതിനുള്ള ദിശ വെർച്വൽ ഹെൽമെറ്റ്(വിആർ). ബിസിനസ്സിലും വ്യവസായത്തിലും അത്തരം സാങ്കേതികവിദ്യയുടെ ആവശ്യം വിദഗ്ധർ പ്രവചിക്കുന്നു. സാധ്യതയുള്ള കേസുകൾ:

• ആളില്ലാ ഉപകരണങ്ങളുടെ നിയന്ത്രണം (വെയർഹൗസ് ഫോർക്ക്ലിഫ്റ്റുകളും മാനിപ്പുലേറ്ററുകളും, ഡ്രോണുകൾ, ട്രെയിലറുകൾ),
• മെഡിക്കൽ ഗവേഷണവും ശസ്ത്രക്രിയാ പ്രവർത്തനങ്ങളും നടത്തുന്നു,
• എത്തിച്ചേരാനാകാത്ത വസ്തുക്കളുടെയും പ്രദേശങ്ങളുടെയും വികസനം (സമുദ്രത്തിൻ്റെ അടിഭാഗം, ധ്രുവപ്രദേശങ്ങൾ). കൂടാതെ, പ്രോഗ്രാമിംഗ് റോബോട്ടുകൾ സ്വയം പ്രവർത്തിക്കാൻ അവരെ അനുവദിക്കുന്നു.

കണക്റ്റഡ് കാറാണ് മറ്റൊരു ജനപ്രിയ പ്രവണത. അടുത്തിടെ, ഭീമൻ ആപ്പിളിൻ്റെ പ്രതിനിധികൾ അവരുടെ സ്വന്തം "ഡ്രോണിൻ്റെ" വികസനം പ്രഖ്യാപിച്ചു. പരുക്കൻ റോഡുകളിലൂടെ സ്വതന്ത്രമായി സഞ്ചരിക്കാനും ചരക്കുകളും ഉപകരണങ്ങളും സംരക്ഷിക്കാനും കഴിവുള്ള യന്ത്രങ്ങൾ സൃഷ്ടിക്കുന്നതിൽ കൂടുതൽ കൂടുതൽ കമ്പനികൾ താൽപ്പര്യം പ്രകടിപ്പിക്കുന്നു.

റോബോട്ട് പ്രോഗ്രാമിംഗ് അൽഗോരിതങ്ങളുടെ സങ്കീർണ്ണത വർദ്ധിപ്പിക്കുന്നു യന്ത്ര പഠനംകമ്പ്യൂട്ടിംഗ് റിസോഴ്സുകളിലും തൽഫലമായി, ഹാർഡ്‌വെയറിലും വർദ്ധിച്ച ആവശ്യകതകൾ സ്ഥാപിക്കുന്നു. പ്രത്യക്ഷത്തിൽ, ഈ കേസിൽ ഒപ്റ്റിമൽ പരിഹാരം ക്ലൗഡ് ഇൻഫ്രാസ്ട്രക്ചറിലേക്ക് ഉപകരണങ്ങളെ ബന്ധിപ്പിക്കുന്നതാണ്.

ഒരു പ്രധാന മേഖല കോഗ്നിറ്റീവ് റോബോട്ടിക്സ് ആണ്. വേഗത ഏറിയ വളർച്ച"സ്മാർട്ട്" മെഷീനുകളുടെ എണ്ണം, റോബോട്ടുകളെ യോജിപ്പിച്ച് ഇടപഴകാൻ എങ്ങനെ പഠിപ്പിക്കാം എന്നതിനെക്കുറിച്ച് കൂടുതൽ ചിന്തിക്കാൻ ഡവലപ്പർമാരെ പ്രേരിപ്പിക്കുന്നു.

കൃത്രിമബുദ്ധി പ്രയോഗിക്കുന്നതിനുള്ള മേഖലകൾ

നിർമ്മിത ബുദ്ധി- ഇതാണ് പ്രദേശം കമ്പ്യൂട്ടർ സയൻസ്കമ്പ്യൂട്ടർ മോഡലിംഗിലും മനുഷ്യ ബുദ്ധിയെക്കുറിച്ചുള്ള ധാരണയിലും ശ്രദ്ധ കേന്ദ്രീകരിച്ചു.

ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് രീതികളുടെ പ്രയോഗം:

പാറ്റേൺ തിരിച്ചറിയൽ സിദ്ധാന്തം

Simmakers ഇനിപ്പറയുന്ന പാറ്റേൺ തിരിച്ചറിയൽ സേവനങ്ങൾ വാഗ്ദാനം ചെയ്യുന്നു:

• ഒപ്റ്റിക്കൽ ക്യാരക്ടർ റെക്കഗ്നിഷൻ
• കൈയക്ഷരം തിരിച്ചറിയൽ
• ഒരു ഫ്രെയിമിലെ മുഖം തിരിച്ചറിയലും സ്വയമേവ കണ്ടെത്തലും
• ചലനം കണ്ടെത്തലും തിരിച്ചറിയലും

ഇമേജ് പ്രോസസ്സിംഗ്

ഞങ്ങളുടെ സേവനങ്ങൾ:

• ഇമേജ് തിരയൽ
• ഒബ്ജക്റ്റ് തിരിച്ചറിയൽ
• ഒബ്ജക്റ്റ് പാരാമീറ്ററുകൾ അളക്കുന്നു
• ചിത്രങ്ങൾ മൂർച്ച കൂട്ടുന്നു

ഡാറ്റ മൈനിംഗ്

ഇന്ന്, ഡാറ്റ മൈനിംഗ് പ്രധാനമായും ധനകാര്യ കമ്പനികളും റീട്ടെയിൽ, മാർക്കറ്റിംഗ് ഓർഗനൈസേഷനുകളും വ്യാപകമായി ഉപയോഗിക്കുന്നു. വില, പേഴ്‌സണൽ സ്‌കിൽ ലെവൽ അല്ലെങ്കിൽ പ്രൊഡക്‌റ്റ് പൊസിഷനിംഗ് എന്നിങ്ങനെയുള്ള "ആന്തരിക" ഘടകങ്ങൾ, അതുപോലെ സാമ്പത്തികശാസ്ത്രം, മത്സരം, ഉപഭോക്തൃ ജനസംഖ്യാശാസ്‌ത്രം തുടങ്ങിയ "ബാഹ്യ" ഘടകങ്ങൾ തമ്മിലുള്ള ബന്ധം തിരിച്ചറിയാൻ ഈ ഓർഗനൈസേഷനുകളെ പ്രാപ്‌തമാക്കുന്ന ഡാറ്റാ മൈനിംഗ് സേവനങ്ങൾ ഞങ്ങൾ നൽകുന്നു. ഉപഭോക്തൃ സംതൃപ്തി, വിൽപ്പന, ലാഭം എന്നിവയിലെ സ്വാധീനം അളക്കാൻ ഞങ്ങളുടെ സാങ്കേതികവിദ്യകൾ കമ്പനികളെ പ്രാപ്തരാക്കുന്നു.

ഇനിപ്പറയുന്ന വ്യവസായങ്ങളിൽ ഞങ്ങൾ ഡാറ്റ മൈനിംഗ് സേവനങ്ങൾ വാഗ്ദാനം ചെയ്യുന്നു:

	സാമ്പത്തിക മേഖലയിലെ പ്രവചന വിശകലനത്തിൻ്റെ നേട്ടങ്ങൾ ഉപയോഗിച്ച് ഒരു ഡാറ്റ വെയർഹൗസിൻ്റെ വികസനവും സൃഷ്ടിയും വികസനം വ്യാപാര തന്ത്രംജനിതക അൽഗോരിതങ്ങൾ ഉപയോഗിച്ച് വ്യാപാര നിയമങ്ങളെക്കുറിച്ചുള്ള ഗവേഷണവും വിപണിയുടെയും ക്രെഡിറ്റ് റിസ്കുകളുടെയും കണക്കുകൂട്ടൽ സാമ്പത്തിക ഡാറ്റ വിശകലനത്തിനുള്ള വിഷ്വലൈസേഷൻ ടൂളുകൾ
	ടെലികമ്മ്യൂണിക്കേഷൻ വ്യവസായം ടെലികമ്മ്യൂണിക്കേഷൻ വ്യവസായത്തിലെ പ്രവചന വിശകലനത്തിൻ്റെ നേട്ടങ്ങൾ ഉപയോഗിച്ച് ഒരു ഡാറ്റ വെയർഹൗസിൻ്റെ വികസനവും സൃഷ്ടിയും ടെലികമ്മ്യൂണിക്കേഷൻ ഡാറ്റയുടെ ബഹുമുഖ വിശകലനം മാർക്കറ്റിംഗ് ആവശ്യങ്ങൾക്കായി ടെലികമ്മ്യൂണിക്കേഷൻ ഡാറ്റയുടെ പ്രോസസ്സിംഗ് ടെലികോം തട്ടിപ്പ് കണ്ടെത്തൽ ഒരു ആശയവിനിമയ ശൃംഖലയിലെ പിശകുകളുടെ പ്രാദേശികവൽക്കരണവും പിഴവുകളുടെ പ്രവചനവും ടെലികമ്മ്യൂണിക്കേഷൻ ഡാറ്റ വിശകലനത്തിനുള്ള വിഷ്വലൈസേഷൻ ടൂളുകൾ
	റീട്ടെയിൽ വ്യവസായം റീട്ടെയിൽ വ്യവസായത്തിലെ പ്രവചന വിശകലനത്തിൻ്റെ നേട്ടങ്ങൾ ഉപയോഗിച്ച് ഒരു ഡാറ്റ വെയർഹൗസിൻ്റെ വികസനവും സൃഷ്ടിയും സെയിൽസ് ഓർഗനൈസേഷൻ്റെയും പ്രമോഷൻ കാമ്പെയ്‌നുകളുടെയും ഫലപ്രാപ്തിയുടെ വിശകലനം ഉപഭോക്താക്കൾ, ഉൽപ്പന്നങ്ങൾ, വിൽപ്പന, പ്രദേശം, സമയം മുതലായവയുടെ മൾട്ടിഫാക്ടർ വിശകലനം. ഉൽപ്പന്ന ശുപാർശകളും ഉൽപ്പന്നങ്ങളുടെ ക്രോസ് റഫറൻസുകളും റീട്ടെയിൽ ഡാറ്റ വിശകലനത്തിനുള്ള വിഷ്വലൈസേഷൻ ടൂളുകൾ

എന്തുകൊണ്ടാണ് ഉപഭോക്താക്കൾ സിമ്മേക്കർമാരെ തിരഞ്ഞെടുക്കുന്നത്

സിമ്മേക്കേഴ്സുമായി ബന്ധപ്പെടുന്നതിലൂടെ, ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് സിസ്റ്റങ്ങളുടെ വികസനം, ഡാറ്റ മൈനിംഗ്, എന്നിവയിൽ ഉയർന്ന യോഗ്യതയുള്ള സ്പെഷ്യലിസ്റ്റുകൾ വികസിപ്പിച്ച ഒരു സമർത്ഥമായ പരിഹാരം നിങ്ങൾക്ക് ലഭിക്കും. സോഫ്റ്റ്വെയർ എഞ്ചിനീയറിംഗ്ഒപ്പം പ്രയോഗിച്ച ഗണിതശാസ്ത്രം.

സിമ്മേക്കേഴ്സ് സ്പെഷ്യലിസ്റ്റുകൾ മുമ്പ് പൂർത്തിയാക്കിയ ടാസ്ക്കുകൾ:

ഞങ്ങളുടെ പ്രശ്നങ്ങൾ വിജയകരമായി പരിഹരിക്കാൻ ഞങ്ങളെ അനുവദിക്കുന്ന നിരവധി ഗുണങ്ങളുണ്ട്:

• എൻവിഡിയയുമായുള്ള പങ്കാളിത്തം.വീഡിയോ കാർഡുകളുടെയും ഗ്രാഫിക്‌സ് പ്രോസസറുകളുടെയും നിർമ്മാണത്തിൽ ലോകനേതാവെന്ന നിലയിൽ, ഈ രംഗത്ത് ഐടി സൊല്യൂഷനുകൾ വികസിപ്പിക്കുന്നതിൽ കോർപ്പറേഷൻ്റെ ഏറ്റവും പുതിയ നേട്ടങ്ങൾ ഞങ്ങൾ പ്രയോഗിക്കുന്നു. കമ്പ്യൂട്ടർ ഗ്രാഫിക്സ്, ഡാറ്റ ദൃശ്യവൽക്കരണവും കണക്കുകൂട്ടലുകളുടെ സമാന്തരവൽക്കരണവും.

• സമഗ്രമായ പരിചയം. 10 വർഷത്തിലേറെയായി പ്രവർത്തിക്കുന്നു, ഞങ്ങളുടെ കമ്പനിയുടെ സ്പെഷ്യലിസ്റ്റുകൾ ഡാറ്റാ ദൃശ്യവൽക്കരണത്തിനായി 30-ലധികം സങ്കീർണ്ണ പ്രോജക്ടുകൾ പൂർത്തിയാക്കി കമ്പ്യൂട്ടർ മോഡലിംഗ്ശാരീരികവും സാങ്കേതിക പ്രക്രിയകൾകൺസ്ട്രക്ഷൻ എഞ്ചിനീയറിംഗ്, ഓയിൽ ആൻഡ് ഗ്യാസ് പ്രൊഡക്ഷൻ, മെറ്റലർജി, ഫിലിം ഇൻഡസ്ട്രി, മെഡിസിൻ, ആർട്ട് മുതലായവ ഉൾപ്പെടെയുള്ള വിവിധ വ്യവസായങ്ങൾക്ക്.

• അന്താരാഷ്ട്ര തലത്തിലുള്ള വൈദഗ്ധ്യം.സിമ്മേക്കേഴ്‌സ് ജീവനക്കാർ അപ്ലൈഡ് മാത്തമാറ്റിക്‌സ്, ഇൻഫർമേഷൻ ടെക്‌നോളജി, ഡെവലപ്‌മെൻ്റ് എന്നീ മേഖലകളിലെ പ്രൊഫഷണലുകളാണ് സോഫ്റ്റ്വെയർ, അവരിൽ പലർക്കും അവരുടെ വിഷയ മേഖലകളിൽ ഉയർന്ന നേട്ടങ്ങളും അന്താരാഷ്ട്ര അവാർഡുകളും ഉണ്ട്. ലോകത്തിലെ പ്രമുഖ ഗവേഷണ കേന്ദ്രങ്ങളുമായി ഞങ്ങൾ സജീവമായി സഹകരിക്കുന്നു, മസാച്ചുസെറ്റ്സ് ഇൻസ്റ്റിറ്റ്യൂട്ട് ഓഫ് ടെക്നോളജി, UCLA, Skolkovo Institute of Science and Technology.

• വ്യക്തിഗത സമീപനം.ഐടി സൊല്യൂഷനുകൾ വികസിപ്പിക്കുമ്പോൾ, ഓരോ ഉപഭോക്താവിൻ്റെയും ആവശ്യങ്ങളും ആഗ്രഹങ്ങളും ഞങ്ങൾ പരമാവധി കണക്കിലെടുക്കുന്നു. ഈ സമീപനം ഉപഭോക്താക്കളുമായി വിശ്വസനീയവും പരസ്പര പ്രയോജനകരവുമായ ബന്ധം സ്ഥാപിക്കാൻ ഞങ്ങളെ അനുവദിക്കുന്നു, ഇത് ആത്യന്തികമായി പ്രോജക്റ്റ് നടപ്പാക്കലിൻ്റെ കാര്യക്ഷമതയിൽ ഗുണം ചെയ്യും.
• ഇപ്പോഴും ചോദ്യങ്ങളുണ്ടോ? –

സാങ്കേതികവിദ്യകൾ

ഞങ്ങൾ വിവിധ രീതികൾ ഉപയോഗിക്കുന്നു:

	പെർസെപ്ട്രോണുകൾ മൾട്ടിലെയർ പെർസെപ്‌ട്രോണുകൾ റേഡിയൽ അടിസ്ഥാന നെറ്റ്‌വർക്കുകൾ കോഗ്നിട്രോൺ, നിയോകോഗ്നിട്രോൺ ഹോപ്ഫീൽഡ് ന്യൂറൽ നെറ്റ്‌വർക്ക്
	അൽഗോരിതം backpropagationപിശകുകൾ ലെവൻബർഗ്-മാർക്വാർഡ് അൽഗോരിതം ഇലാസ്റ്റിക് പ്രചരണ അൽഗോരിതം ബ്രോയ്ഡൻ-ഫ്ലെച്ചർ-ഗോൾഡ്ഫാർബ്-ഷാനോ രീതി കൺജഗേറ്റ് ഗ്രേഡിയൻ്റ് (സിജി) രീതി
	ജനിതക അൽഗോരിതങ്ങൾ പരിണാമ പ്രോഗ്രാമിംഗ് പരിണാമ തന്ത്രം
	പ്രൊപ്പോസിഷണൽ പ്രവചിക്കുക ഉയർന്ന ആജ്ഞാപത്രം
	വിദഗ്ധ സംവിധാനങ്ങൾ, ഹൈബ്രിഡ് ഇൻ്റലിജൻ്റ് സിസ്റ്റങ്ങൾ ഹൈബ്രിഡൈസേഷൻ അൽഗോരിതങ്ങൾ ഹൈബ്രിഡ് വിദഗ്ധ സംവിധാനങ്ങൾ ഹൈബ്രിഡ് ന്യൂറോണുകളും ന്യൂറൽ നെറ്റ്‌വർക്കുകളും ഹൈബ്രിഡ് ANN ലേണിംഗ് അൽഗോരിതങ്ങൾ

പതിവുചോദ്യങ്ങൾ

ചോദ്യം:"കൃത്രിമ ബുദ്ധി" എന്ന പദം എന്താണ് അർത്ഥമാക്കുന്നത്?

എ:ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് (AI) എന്നത് ബുദ്ധിപരമായ യന്ത്രങ്ങൾ, പ്രത്യേകിച്ച് ഇൻ്റലിജൻ്റ് കമ്പ്യൂട്ടർ പ്രോഗ്രാമുകൾ സൃഷ്ടിക്കുന്നതിനുള്ള ശാസ്ത്രവും സാങ്കേതികവിദ്യയും അതുപോലെ ഒരു വ്യക്തി ബൗദ്ധിക പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ ഇലക്ട്രോണിക് കമ്പ്യൂട്ടറിനെ അനുവദിക്കുന്ന രീതികൾ വികസിപ്പിക്കുന്ന ഒരു ശാസ്ത്രീയ ദിശയുമാണ്. ഈ ആശയം മനുഷ്യൻ്റെ പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നതിനുള്ള ഒരു യന്ത്രത്തിൻ്റെ പ്രവർത്തനത്തെ സൂചിപ്പിക്കുന്നു.

ചോദ്യം: AI സിസ്റ്റങ്ങൾ നിർമ്മിക്കുന്നതിനുള്ള പ്രധാന സമീപനങ്ങളും ദിശകളും എന്തൊക്കെയാണ്?

എ: AI സംവിധാനങ്ങൾ നിർമ്മിക്കുന്നതിന് വ്യത്യസ്ത സമീപനങ്ങളുണ്ട്.

ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് എന്താണ് ചെയ്യുന്നത് എന്ന ചോദ്യത്തിന് ഒറ്റ ഉത്തരമില്ല. AI യുടെ ചരിത്രം വിശകലനം ചെയ്യുമ്പോൾ, കഴിഞ്ഞ അഞ്ച് പതിറ്റാണ്ടുകളായി, AI മേഖലയിലെ ഗവേഷണം പ്രധാനമായും പ്രത്യേക പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നതിലാണ് ശ്രദ്ധ കേന്ദ്രീകരിച്ചിരിക്കുന്നതെന്ന് നമുക്ക് നിഗമനം ചെയ്യാം. അതിനാൽ, AI പ്രശ്നങ്ങൾ മനസിലാക്കുന്നതിനും ബുദ്ധിശക്തി സൃഷ്ടിക്കുന്നതിനും നിരവധി സമീപനങ്ങൾ ഉണ്ടായിരുന്നിട്ടും വിവര സംവിധാനം, ഇന്ന് നമുക്ക് AI-യുടെ വികസനത്തിനായുള്ള രണ്ട് പ്രധാന സമീപനങ്ങളെ വേർതിരിച്ചറിയാൻ കഴിയും: 1) ടോപ്പ്-ഡൌൺ (ഇംഗ്ലീഷ് ടോപ്പ്-ഡൗൺ AI), സെമിയോട്ടിക് - ഉയർന്ന തലത്തിലുള്ള മാനസിക പ്രക്രിയകളെ അനുകരിക്കുന്ന വിദഗ്ദ്ധ സംവിധാനങ്ങൾ, വിജ്ഞാന അടിത്തറകൾ, ലോജിക്കൽ അനുമാന സംവിധാനങ്ങൾ എന്നിവയുടെ സൃഷ്ടി: ചിന്ത , ന്യായവാദം, സംസാരം, വികാരങ്ങൾ , സർഗ്ഗാത്മകത മുതലായവ; 2) ബോട്ടം-അപ്പ് AI, ബയോളജിക്കൽ - ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെയും പരിണാമ കണക്കുകൂട്ടലുകളുടെയും പഠനം, ബയോളജിക്കൽ ഘടകങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ള ബുദ്ധിപരമായ പെരുമാറ്റത്തെ മാതൃകയാക്കുന്നു, അതുപോലെ തന്നെ അനുബന്ധമായവ സൃഷ്ടിക്കുന്നു കമ്പ്യൂട്ടിംഗ് സിസ്റ്റങ്ങൾ, ഒരു ന്യൂറോകമ്പ്യൂട്ടർ അല്ലെങ്കിൽ ഒരു ബയോകമ്പ്യൂട്ടർ പോലെ.

ചോദ്യം:ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ പ്രയോഗത്തിൻ്റെ ഏതെല്ലാം മേഖലകൾ ഇന്ന് നിലവിലുണ്ട്?

എ: IN നിലവിൽആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് മേഖലയിൽ കൂടുതൽ വിഷയങ്ങളുള്ള നിരവധി വിഷയങ്ങളുടെ പങ്കാളിത്തമുണ്ട് പ്രായോഗിക മനോഭാവം AI-ലേക്ക്, അടിസ്ഥാനപരമല്ല. പല സമീപനങ്ങളും പരീക്ഷിക്കപ്പെട്ടിട്ടുണ്ട്, എന്നാൽ ഒരു ഗവേഷണ ഗ്രൂപ്പും ഇതുവരെ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ ആവിർഭാവത്തെ സമീപിച്ചിട്ടില്ല. ഏതാനും ഉദാഹരണങ്ങൾ മാത്രം താഴെ കൊടുക്കുന്നു.

വിദഗ്ധ സംവിധാനങ്ങൾ

ഒരു പ്രശ്ന സാഹചര്യം പരിഹരിക്കുന്നതിൽ ഒരു വിദഗ്ദ്ധനെ ഭാഗികമായി മാറ്റിസ്ഥാപിക്കാൻ കഴിയുന്ന ഒരു കമ്പ്യൂട്ടർ സിസ്റ്റം. ലോജിക്കൽ അനുമാനവും തീരുമാനമെടുക്കൽ നടപടിക്രമങ്ങളും ഉപയോഗിച്ച് ഒരു പ്രത്യേക വിജ്ഞാനമേഖലയിലെ വിദഗ്ധരുടെ പെരുമാറ്റ മാതൃകകളായി വിജ്ഞാന അടിത്തറകളോടൊപ്പം അത്തരം സംവിധാനങ്ങൾ കണക്കാക്കപ്പെടുന്നു, കൂടാതെ തിരഞ്ഞെടുത്ത വിഷയ മേഖലയിൽ യുക്തിസഹമായ അനുമാനത്തിൻ്റെ വസ്തുതകളുടെയും നിയമങ്ങളുടെയും ഒരു കൂട്ടമായി വിജ്ഞാന അടിത്തറകൾ കണക്കാക്കപ്പെടുന്നു. പ്രവർത്തനം. MYCIN, 1974-ൽ ഒരു ഡോക്ടറൽ പ്രബന്ധമായി വികസിപ്പിച്ചെടുത്ത ഒരു ആദ്യകാല വിദഗ്ധ സംവിധാനമായിരുന്നു, ബാക്റ്റീരിയ, മെനിഞ്ചൈറ്റിസ് പോലുള്ള ഗുരുതരമായ അണുബാധകൾ ഉണ്ടാക്കുന്ന ബാക്ടീരിയകൾ കണ്ടുപിടിക്കുന്നതിനും രോഗിയുടെ ശരീരഭാരത്തെ അടിസ്ഥാനമാക്കി ഉചിതമായ അളവിൽ ആൻറിബയോട്ടിക്കുകൾ ശുപാർശ ചെയ്യുന്നതിനുമായി. ഉപയോക്താവിന് എല്ലാം നൽകേണ്ട ഒരു ഒറ്റപ്പെട്ട സംവിധാനമായിരുന്നു ഇത് ആവശ്യമായ വിവരങ്ങൾ. വാസ്തവത്തിൽ, MYCIN ഒരിക്കലും പ്രായോഗികമായി ഉപയോഗിച്ചിട്ടില്ല. MYCIN-ൻ്റെയും തുടർന്നുള്ള വിദഗ്ധ സംവിധാനങ്ങളുടെയും വികസന സമയത്ത് നേരിട്ട പ്രധാന ബുദ്ധിമുട്ട്, ഒരു റൂൾ ബേസ് രൂപീകരിക്കുന്നതിന് മനുഷ്യ വിദഗ്ധരുടെ അനുഭവത്തിൽ നിന്ന് അറിവ് "എക്സ്ട്രാക്റ്റിംഗ്" ആയിരുന്നു.

ഹ്യൂറിസ്റ്റിക് വർഗ്ഗീകരണം

രോഗനിർണയം, ഡാറ്റാ വ്യാഖ്യാനം തുടങ്ങിയ ജോലികൾ ചെയ്യുന്നതിൽ ശ്രദ്ധ കേന്ദ്രീകരിച്ചിട്ടുള്ള പല വിദഗ്ധ സംവിധാനങ്ങളുടെയും സ്വഭാവത്തെ ചിത്രീകരിക്കാൻ ഈ പദം സാധാരണയായി ഉപയോഗിക്കുന്നു. നല്ല ഉദാഹരണംഓഫർ ചെയ്ത ക്രെഡിറ്റ് കാർഡ് മുഖേന പേയ്‌മെൻ്റ് സ്വീകരിക്കുന്നതിനുള്ള ഉപദേശം നൽകും. IN ഈ സാഹചര്യത്തിൽഉടമയെക്കുറിച്ചുള്ള വിവരങ്ങൾ ഉടനടി ലഭ്യമാകും ക്രെഡിറ്റ് കാർഡ്, അവൻ്റെ പേയ്‌മെൻ്റ് വിവരങ്ങൾ, നിലവിലെ വാങ്ങലിനെക്കുറിച്ചുള്ള വിവരങ്ങൾ, അതുപോലെ അത് നിർമ്മിച്ച സ്ഥാപനത്തെക്കുറിച്ചുള്ള വിവരങ്ങൾ (ഉദാഹരണത്തിന്, ഈ സ്ഥാപനത്തിൽ ബാങ്ക് കാർഡുകൾ ഉപയോഗിച്ച് തട്ടിപ്പ് കേസുകൾ ഉണ്ടായിട്ടുണ്ടോ).

സംസാരം തിരിച്ചറിയൽ

തൊണ്ണൂറുകളുടെ തുടക്കത്തിൽ വാണിജ്യ സംഭാഷണ തിരിച്ചറിയൽ പ്രോഗ്രാമുകൾ പ്രത്യക്ഷപ്പെട്ടു, അതിനുശേഷം സംഭാഷണ തിരിച്ചറിയലിൻ്റെ ഉപയോഗം ബിസിനസ്സിൻ്റെ വിവിധ മേഖലകളിൽ കൂടുതൽ പ്രചാരത്തിലുണ്ട്, ഉദാഹരണത്തിന്, ഒരു ക്ലിനിക്കിലെ ഒരു ഡോക്ടർക്ക് രോഗനിർണയം ഉച്ചരിക്കാൻ കഴിയും, അത് ഉടൻ തന്നെ ഒരു ഇലക്ട്രോണിക് കാർഡിലേക്ക് പ്രവേശിക്കും. തീർച്ചയായും എല്ലാവരും ജീവിതത്തിൽ ഒരിക്കലെങ്കിലും ലൈറ്റ് ഓഫ് ചെയ്യുന്നതിനോ വിൻഡോ തുറക്കുന്നതിനോ അവരുടെ ശബ്ദം ഉപയോഗിക്കണമെന്ന് സ്വപ്നം കണ്ടിട്ടുണ്ട്. അടുത്തിടെ ഫോണിൽ സംവേദനാത്മക ആപ്ലിക്കേഷനുകൾസിസ്റ്റങ്ങൾ കൂടുതലായി ഉപയോഗിക്കുന്നു യാന്ത്രിക തിരിച്ചറിയൽസംസാര സമന്വയവും. ഈ സാഹചര്യത്തിൽ, വോയ്‌സ് പോർട്ടലുമായുള്ള ആശയവിനിമയം കൂടുതൽ സ്വാഭാവികമായിത്തീരുന്നു, കാരണം അതിൽ തിരഞ്ഞെടുക്കുന്നത് ടോൺ ഡയലിംഗ് ഉപയോഗിച്ച് മാത്രമല്ല, വോയ്‌സ് കമാൻഡുകൾ ഉപയോഗിച്ചും നടത്താം. അതേ സമയം, തിരിച്ചറിയൽ സംവിധാനങ്ങൾ സ്പീക്കറുകളിൽ നിന്ന് സ്വതന്ത്രമാണ്, അതായത്, ഏതൊരു വ്യക്തിയുടെയും ശബ്ദം അവർ തിരിച്ചറിയുന്നു.

ചികിത്സ സ്വാഭാവിക ഭാഷ

സ്വാഭാവിക ഭാഷാ ധാരണ ചിലപ്പോൾ AI- പൂർണ്ണമായ ഒരു ജോലിയായി കണക്കാക്കപ്പെടുന്നു, കാരണം ജീവനുള്ള ഭാഷയെ തിരിച്ചറിയുന്നതിന് ചുറ്റുമുള്ള ലോകത്തെക്കുറിച്ചുള്ള ഒരു സിസ്റ്റത്തിൻ്റെ അപാരമായ അറിവും അതുമായി സംവദിക്കാനുള്ള കഴിവും ആവശ്യമാണ്. ഇപ്പോൾ വാക്കുകളുടെ ഒരു ശ്രേണിയോ വാക്യങ്ങളുടെ ഒരു പരമ്പരയോ മാത്രം ലഭിച്ചാൽ പോരാ. "മനസ്സിലാക്കാൻ" ഞങ്ങൾ കമ്പ്യൂട്ടറിനെ പഠിപ്പിക്കണം, ഇത് കൃത്രിമ ബുദ്ധിയുടെ പ്രധാന ചുമതലകളിൽ ഒന്നാണ്. ധാരണയുടെ ഗുണനിലവാരം പല ഘടകങ്ങളെ ആശ്രയിച്ചിരിക്കുന്നു.

കമ്പ്യൂട്ടർ ദർശനം

ലോകം നിർമ്മിതമാണ് ത്രിമാന വസ്തുക്കൾ, കൂടാതെ മനുഷ്യൻ്റെ കണ്ണിനും ടെലിവിഷൻ ക്യാമറകൾക്കുമുള്ള ഇൻപുട്ട് ഡാറ്റ ദ്വിമാനമായിരിക്കുന്ന നിമിഷം. ഒന്നോ അതിലധികമോ ചിത്രങ്ങളിൽ പ്രൊജക്‌റ്റ് ചെയ്‌തിരിക്കുന്ന ത്രിമാന ദൃശ്യങ്ങൾ പ്രോസസ്സ് ചെയ്യുന്നതിലാണ് കമ്പ്യൂട്ടർ വിഷൻ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നത്. ഉദാഹരണത്തിന്, ഒന്നോ അതിലധികമോ ചിത്രങ്ങളിൽ നിന്ന് ഒരു ത്രിമാന ദൃശ്യത്തെക്കുറിച്ചുള്ള ഘടനയോ മറ്റ് വിവരങ്ങളോ പുനഃസ്ഥാപിക്കുന്നതിലൂടെ.

ഗെയിമിംഗ് ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ്

ഇന്ന് നിങ്ങൾക്ക് വിലകൂടിയ ചെസ്സ് മെഷീനുകൾ വാങ്ങാം അല്ലെങ്കിൽ നിരവധി പ്രൊഫഷണൽ ചെസ്സ് കളിക്കാരെ പരാജയപ്പെടുത്താൻ കഴിയുന്ന പ്രോഗ്രാമുകൾ ഡൗൺലോഡ് ചെയ്യാം. ഒപ്പം മികച്ചതും വാണിജ്യ പരിപാടികൾ, അവയിൽ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് സാങ്കേതികവിദ്യ നടപ്പിലാക്കിയതിന് നന്ദി, ഇതിനകം തന്നെ മനുഷ്യ ചാമ്പ്യന്മാരുടെ നിലവാരം കവിഞ്ഞു. ഇത് ചെയ്യുന്നതിന്, പ്രോഗ്രാമിന് ഓരോ സെക്കൻഡിലും 200 ദശലക്ഷം സ്ഥാനങ്ങൾ കണക്കാക്കേണ്ടതുണ്ട്.

ഈ ലേഖനത്തിലൂടെ ഞാൻ പ്രോഗ്രാമിംഗ് ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ പ്രശ്നത്തിനായി നീക്കിവച്ചിരിക്കുന്ന പ്രസിദ്ധീകരണങ്ങളുടെ ഒരു പരമ്പര ആരംഭിക്കുന്നു. ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ പ്രോഗ്രാമിംഗ് എങ്ങനെയാണ് (പൊതു തത്വങ്ങളുടെ അർത്ഥത്തിൽ) നടപ്പിലാക്കുന്നതെന്ന് കാണിക്കുക എന്നതാണ് ഈ പരമ്പരയുടെ ലക്ഷ്യം.

"ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ്" എന്ന ആശയം കമ്പ്യൂട്ടിംഗ് സാങ്കേതികവിദ്യയുടെ തുടക്കത്തിൽ എവിടെയോ ഉയർന്നു. ആദരണീയമായ പ്രായം ഉണ്ടായിരുന്നിട്ടും, ഈ പദത്തിന് കൃത്യമായ നിർവചനമില്ല, എല്ലായ്പ്പോഴും അവബോധജന്യമായ അർത്ഥത്തിൽ മനസ്സിലാക്കപ്പെട്ടിരിക്കുന്നു. കമ്പ്യൂട്ടറുകളേക്കാൾ നന്നായി മനുഷ്യർ ഇപ്പോഴും പരിഹരിക്കുന്ന ജോലികൾ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് മേഖലയിൽ ഉൾപ്പെടുന്നുവെന്ന് സാധാരണയായി പറയപ്പെടുന്നു. അങ്ങനെ, ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ ചട്ടക്കൂടിനുള്ളിൽ പരിഹരിക്കപ്പെടുന്ന പ്രശ്നങ്ങളുടെ പരിധി നിരന്തരം ചലനാത്മകമായി മാറിക്കൊണ്ടിരിക്കുന്നു. ഉദാഹരണത്തിന്, കുറച്ച് വർഷങ്ങൾക്ക് മുമ്പ്, കമ്പ്യൂട്ടറുകളെ ചെസ്സ് കളിക്കാൻ പഠിപ്പിക്കുന്നത് AI യുടെ പ്രത്യേകാവകാശമായിരുന്നു (ഇംഗ്ലീഷ് ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൽ നിന്ന് - ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ്), എന്നാൽ ഇന്ന് കൂടുതൽ കൂടുതൽ വിദഗ്ധർ ചെസ്സ് കളിക്കുന്നത് കൃത്രിമ ബുദ്ധിയുടെ പ്രശ്നമല്ലെന്ന് വിശ്വസിക്കുന്നു. ഇന്ന്, AI-യുടെ ചട്ടക്കൂടിനുള്ളിൽ പരിഹരിച്ച പ്രധാന പ്രശ്‌നങ്ങൾ ഏകദേശം ഇനിപ്പറയുന്നവയാണ്: വിദഗ്ദ്ധ സംവിധാനങ്ങൾ നിർമ്മിക്കൽ, സൈദ്ധാന്തികമായി അസാധ്യമായ ഓപ്ഷനുകളുടെ പൂർണ്ണമായ കണക്കെടുപ്പ് (ഗെയിം പ്രോഗ്രാമിംഗ് ഉൾപ്പെടെ), ബയോളജിക്കൽ ഫോമുകൾ മോഡലിംഗ്, പാറ്റേൺ തിരിച്ചറിയൽ തിരയൽ പ്രശ്നങ്ങൾ പരിഹരിക്കൽ. ഈ പ്രശ്നങ്ങളെല്ലാം പരിഹരിക്കുന്നതിനുള്ള അടിസ്ഥാന തത്വങ്ങൾ എഴുപതുകളുടെ തുടക്കത്തിലാണ് സ്ഥാപിച്ചത്, എന്നാൽ AI ടാസ്ക്കുകൾ വളരെ റിസോഴ്സ്-ഇൻ്റൻസീവ് ആയതിനാൽ, നമ്മുടെ നാളുകളിൽ അവയ്ക്ക് യഥാർത്ഥ വികസനം മാത്രമേ ലഭിച്ചിട്ടുള്ളൂ.

AI പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നതിന്, എഴുപതുകളുടെ തുടക്കത്തിൽ, രണ്ട് നിർദ്ദിഷ്ട പ്രോഗ്രാമിംഗ് ഭാഷകൾ സൃഷ്ടിക്കപ്പെട്ടു - പ്രോലോഗ്, ലിസ്പ്. ഒരു ആധുനിക ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഡെവലപ്പർ അവയിൽ ഓരോന്നിലും നന്നായി സംസാരിക്കണം. അടുത്തതായി, അവരുടെ ഏറ്റവും സ്വഭാവ സവിശേഷതകളിൽ ഞങ്ങൾ വസിക്കും.

ചരിത്രപരമായി, ലിസ്പ് ഒരു പഴയ ഭാഷയാണ്. അദ്ദേഹം അവതരിപ്പിക്കുന്ന ആശയത്തെ ഫങ്ഷണൽ പ്രോഗ്രാമിംഗ് എന്ന് വിളിക്കുന്നു, ഇത് പരമ്പരാഗത അൽഗോരിതം സമീപനത്തിൻ്റെ നേരിട്ടുള്ള വിപുലീകരണമാണ്. ഒരു ലിസ്പ് പ്രോഗ്രാം ഒരു ഫംഗ്ഷനാണ്, അതിൻ്റെ ഫലം പ്രോഗ്രാമിൻ്റെ ഫലമാണ്, കൂടാതെ ആർഗ്യുമെൻ്റുകൾ മിക്കപ്പോഴും മറ്റ് ഫംഗ്ഷൻ കോളുകളാണ്. വസ്തുനിഷ്ഠമായ കാരണങ്ങളാൽ, ഫംഗ്‌ഷനുകൾ വിളിക്കുമ്പോൾ ലിസ്‌പ് പരാൻതീസിസ്-ഫ്രീ നൊട്ടേഷൻ സ്വീകരിച്ചു; ഏത് ഫംഗ്‌ഷനെയും വിളിക്കുന്നത് ഒരു ലിസ്റ്റ് ഉപയോഗിച്ചാണ് നടത്തുന്നത്, അതിൻ്റെ ആദ്യ ഘടകം ഫംഗ്‌ഷൻ്റെ പേരാണ്, മറ്റെല്ലാ ഘടകങ്ങളും ആർഗ്യുമെൻ്റുകളെ പ്രതിനിധീകരിക്കുന്നു. ഉദാഹരണത്തിന്, A, B എന്നീ രണ്ട് സംഖ്യകളുടെ കൂട്ടിച്ചേർക്കൽ ഇതുപോലെയാകാം: (A B ചേർക്കുക), മൂന്ന് സംഖ്യകളുടെ കൂട്ടിച്ചേർക്കൽ ഇതുപോലെയാകാം: (A ചേർക്കുക (B C ചേർക്കുക)). ലിസ്‌പിൻ്റെ ഏറ്റവും പ്രധാനപ്പെട്ട സവിശേഷത, ഫോമിൻ്റെ റെക്കോർഡ് (A B ചേർക്കുക) ഒരു ഫംഗ്‌ഷൻ കോൾ പോലെയുള്ള ഒരു ലിസ്റ്റ് മാത്രമല്ല, ഒരു ഡാറ്റ എലമെൻ്റ് പോലെയുള്ള ഒരു ലിസ്‌റ്റും ആകാം, മൂന്ന് ഘടകങ്ങൾ ഉൾക്കൊള്ളുന്നു - ചേർക്കുക, എ, ബി. ലിസ്റ്റ് ഡാറ്റയായി ഉപയോഗിക്കണോ അതോ വ്യാഖ്യാനിക്കണോ എന്നത് ലിസ്‌പിനുളളിൽ തന്നെ പ്രോഗ്രാമിന് തീരുമാനിക്കാം എന്നതാണ് തീരുമാനം. ഇത് പ്രോഗ്രാമിന് സ്വന്തം കോഡ് പരിഷ്കരിക്കാനുള്ള കഴിവ് നൽകുന്നു, ഇത് AI ആപ്ലിക്കേഷനുകൾക്ക് വളരെ പ്രധാനമാണ്.

പ്രോലോഗ് എനിക്ക് ലിസ്‌പിനേക്കാൾ രസകരമാണ്, കാരണം ഇത് പ്രോഗ്രാമിംഗിലേക്കുള്ള ഒരു സമീപനമാണ് ഉപയോഗിക്കുന്നത്, അത് അൽഗോരിതമിൽ നിന്ന് അടിസ്ഥാനപരമായി വ്യത്യസ്തമാണ്, അതിനെ ലക്ഷ്യ-അധിഷ്ഠിത അല്ലെങ്കിൽ ഡിക്ലറേറ്റീവ് പ്രോഗ്രാമിംഗ് എന്ന് വിളിക്കുന്നു. അൽഗോരിതമിക് പ്രോഗ്രാമിംഗിൽ, പ്രോഗ്രാം ചെയ്യേണ്ട പ്രവർത്തനങ്ങളുടെ ഒരു ക്രമം ഞങ്ങൾ വ്യക്തമാക്കുന്നു, അതായത്. ഇത് എങ്ങനെ പ്രവർത്തിക്കണമെന്ന് ഞങ്ങൾ വിവരിക്കുന്നു. ഡിക്ലറേറ്റീവ് പ്രോഗ്രാമിംഗ് ഉപയോഗിച്ച്, പ്രോഗ്രാം എന്താണ് ചെയ്യേണ്ടതെന്ന് ഞങ്ങൾ വിവരിക്കുന്നു, ഈ പ്രവർത്തനങ്ങൾ എങ്ങനെ നടപ്പിലാക്കും എന്നത് പ്രോലോഗ് സിസ്റ്റത്തിൻ്റെ കാര്യമാണ്. നമുക്ക് ഒരു സാധാരണ പ്രോലോഗ് ടാസ്ക്ക് പരിഗണിക്കാം - ചില ആളുകൾ ഏത് തരത്തിലുള്ള കുടുംബ ബന്ധങ്ങളാണ് ഉള്ളതെന്ന് നിർണ്ണയിക്കുക. പ്രാരംഭമായി, ഞങ്ങൾ റിലേഷൻ പാരൻ്റ് (X,Y) തിരഞ്ഞെടുക്കുന്നു, X എന്നത് Y യുടെ രക്ഷിതാവാണെന്ന് സൂചിപ്പിക്കുന്നു, കൂടാതെ ഒരു വ്യക്തി ലിംഗഭേദത്തിൽ പെട്ടയാളാണെന്ന് സൂചിപ്പിക്കുന്ന പുരുഷൻ(X), സ്ത്രീ(X) എന്നീ ബന്ധങ്ങൾ. അപ്പോൾ പ്രോഗ്രാമിൻ്റെ ഉറവിട ഡാറ്റ ഇതുപോലെയായിരിക്കാം.

മനുഷ്യൻ (സെർജി). സ്ത്രീ (താമര). മനുഷ്യൻ (സെമിയോൺ). സ്ത്രീ (ല്യൂഡ്മില). മനുഷ്യൻ (പോൾ).

രക്ഷകർത്താവ് (സെർജി, സെമിയോൺ). മാതാപിതാക്കൾ (താമര, സെമിയോൺ). രക്ഷകർത്താവ് (സെമിയോൺ, പാവൽ).

മാതാപിതാക്കൾ (ല്യൂഡ്മില, പാവൽ)

നിങ്ങൾക്ക് കാണാനാകുന്നതുപോലെ, ഇത് സ്വാഭാവികമായും ഒരു കുടുംബ വൃക്ഷത്തെ പ്രതിനിധീകരിക്കുന്ന ഒരു ചെറിയ ഡാറ്റാബേസാണ്. ഇതിലെ ഓരോ പദപ്രയോഗങ്ങളും ഒരു പ്രസ്താവനയാണ്; പ്രോലോഗിൽ അത്തരം പ്രസ്താവനകളെ വസ്തുതകൾ എന്ന് വിളിക്കുന്നു. അടിസ്ഥാനം എളുപ്പത്തിൽ വികസിപ്പിക്കാൻ കഴിയും.

X എന്നത് Y യുടെ മുത്തച്ഛനാണോ എന്ന് സൂചിപ്പിക്കുന്ന ded(X,Y) എന്ന പദപ്രയോഗം നമുക്ക് പരിചയപ്പെടുത്താം. നമ്മൾ രണ്ട് പ്രോലോഗ് ചിഹ്നങ്ങൾ ഉപയോഗിക്കുന്നു - ഇനിപ്പറയുന്ന നൊട്ടേഷനിലെ കോമ ലോജിക്കൽ, കൂടാതെ ചിഹ്നം :- ആണെങ്കിൽ സൂചിപ്പിക്കുന്നു.

മുത്തച്ഛൻ(X,Y):- രക്ഷിതാവ്(X,Z), രക്ഷിതാവ്(Z,Y), പുരുഷൻ(X).

ഈ സോപാധിക നൊട്ടേഷൻഡാറ്റാബേസിൻ്റെ അതേ ഘടകമാണ് വസ്തുതകൾ; പ്രോലോഗിൽ, അത്തരം ഘടകങ്ങളെ സാധാരണയായി നിയമങ്ങൾ എന്ന് വിളിക്കുന്നു.

വാസ്തവത്തിൽ, ഞങ്ങൾ എഴുതിയ പ്രോലോഗ് പ്രോഗ്രാമിന് വളരെയധികം ചെയ്യാൻ കഴിയും (ഇതുവരെ അൽഗോരിതം പ്രോഗ്രാമിംഗിൽ മാത്രം പരിചയമുള്ളവരെ ഇത് അത്ഭുതപ്പെടുത്തും). നിർവ്വഹണത്തിനായി ഇത് സമാരംഭിച്ചതിന് ശേഷം, ഒരു ചോദ്യം നൽകാൻ പ്രോലോഗ് സിസ്റ്റം നിങ്ങളോട് ആവശ്യപ്പെടും. ആദ്യം, നമുക്ക് മുത്തച്ഛൻ (എക്സ്, പവൽ) നൽകാം (റഷ്യൻ ഭാഷയിൽ ഈ ചോദ്യം ഇതുപോലെയാണ്: "പവേലിൻ്റെ മുത്തച്ഛൻ ആരാണ്?"), സിസ്റ്റം X=Sergey തിരികെ നൽകും. ഇനി നമുക്ക് മുത്തച്ഛനോട് (താമര, പാവൽ) ചോദിക്കാം ("താമര പവേലിൻ്റെ മുത്തച്ഛനാണോ?"). ഇല്ല (ഇല്ല) എന്ന ഉത്തരം നമുക്ക് ലഭിക്കും. നിങ്ങൾക്ക് രക്ഷിതാവിനോട് (X,_) ചോദിക്കാം (പ്രോലോഗ് _-ൽ അർത്ഥമാക്കുന്നത് ഈ ബന്ധ ഘടകത്തിൻ്റെ മൂല്യം ഞങ്ങൾക്ക് പ്രധാനമല്ല എന്നാണ്, റഷ്യൻ ഭാഷയിലുള്ള ഈ എൻട്രി "ആരാണ് ഒരാളുടെ രക്ഷിതാവ്?" എന്ന് തോന്നുന്നു). നമുക്ക് X=Sergey, X=Tamara, X=Semyon, X=Lyudmila എന്നിവ ലഭിക്കുന്നു. ഞങ്ങളുടെ പ്രോഗ്രാമിനെക്കുറിച്ച് ചോദിക്കാൻ കഴിയുന്ന ചോദ്യങ്ങളുടെ പരിധി ഇത് തീർന്നില്ല.

നമുക്ക് കാണാനാകുന്നതുപോലെ, ഒബ്‌ജക്റ്റുകൾ തമ്മിലുള്ള ബന്ധങ്ങൾ നിർവചിക്കുന്നതുമായി ബന്ധപ്പെട്ട ജോലികളിൽ, പാസ്കൽ അല്ലെങ്കിൽ സി പോലുള്ള അൽഗോരിതം ഭാഷകളേക്കാൾ വളരെ ശക്തമാണ് പ്രോലോഗ്. പ്രോലോഗിൻ്റെ ഡാറ്റാബേസ് (വസ്‌തുതകളും നിയമങ്ങളും അടങ്ങുന്ന) പ്രോഗ്രാമിന് തന്നെയോ ഉപയോക്താവിൻ്റെയോ നിർവ്വഹണ വേളയിൽ ചലനാത്മകമായി മാറാൻ കഴിയുമെന്ന് നിങ്ങൾ ഇതിലേക്ക് ചേർക്കുമ്പോൾ, കൃത്രിമബുദ്ധി വികസനത്തിന് പ്രോലോഗ് എത്രത്തോളം ഉപയോഗപ്രദമാണെന്ന് വ്യക്തമാകും.

വായനക്കാരന് Lisp, Prolog എന്നിവയിൽ താൽപ്പര്യമുണ്ടെങ്കിൽ, അവ സ്വന്തമായി പഠിക്കാൻ കഴിയും - ഭാഷകൾ വളരെ ലളിതമാണ്. തുടർന്നുള്ള പ്രസിദ്ധീകരണങ്ങളിൽ, ഞാൻ ഭാഷാപരമായ പ്രശ്നങ്ങളിൽ വസിക്കുകയില്ല, AI-യുടെ മേഖലയിലെ അടിസ്ഥാന പ്രോഗ്രാമിംഗ് രീതികളിൽ മാത്രം ശ്രദ്ധിക്കാൻ ശ്രമിക്കുന്നു.

ഡെനിസ് മാർഗോലിൻ
[ഇമെയിൽ പരിരക്ഷിതം]

“എനിക്ക് AI ചെയ്യാൻ ആഗ്രഹമുണ്ട്. എന്താണ് പഠിക്കേണ്ടത്? ഞാൻ ഏത് ഭാഷകളാണ് ഉപയോഗിക്കേണ്ടത്? ഏതൊക്കെ സ്ഥാപനങ്ങളിൽ ഞാൻ പഠിക്കുകയും ജോലി ചെയ്യുകയും വേണം?

വ്യക്തതയ്ക്കായി ഞങ്ങൾ ഞങ്ങളുടെ വിദഗ്ധരിലേക്ക് തിരിയുകയും ലഭിച്ച ഉത്തരങ്ങൾ നിങ്ങളുടെ ശ്രദ്ധയിൽപ്പെടുത്തുകയും ചെയ്യുന്നു.

ഇത് നിങ്ങളുടെ അടിസ്ഥാന പരിശീലനത്തെ ആശ്രയിച്ചിരിക്കുന്നു. ഒന്നാമതായി, നിങ്ങൾക്ക് ഒരു ഗണിതശാസ്ത്ര സംസ്കാരം (സ്ഥിതിവിവരക്കണക്കുകൾ, പ്രോബബിലിറ്റി സിദ്ധാന്തം, വ്യതിരിക്തമായ ഗണിതശാസ്ത്രം, ലീനിയർ ബീജഗണിതം, വിശകലനം മുതലായവ) വളരെ വേഗത്തിൽ പഠിക്കാനുള്ള സന്നദ്ധതയും ആവശ്യമാണ്. AI രീതികൾ നടപ്പിലാക്കുമ്പോൾ, പ്രോഗ്രാമിംഗ് (അൽഗരിതങ്ങൾ, ഡാറ്റ ഘടനകൾ, OOP മുതലായവ) ആവശ്യമാണ്.

വ്യത്യസ്ത പ്രോജക്റ്റുകൾക്ക് വ്യത്യസ്ത പ്രോഗ്രാമിംഗ് ഭാഷകളെക്കുറിച്ചുള്ള അറിവ് ആവശ്യമാണ്. കുറഞ്ഞത് പൈത്തൺ, ജാവ എന്നിവയും ഏതെങ്കിലും പ്രവർത്തനപരമായ ഭാഷയും അറിയാൻ ഞാൻ ശുപാർശ ചെയ്യുന്നു. കൂടെ പ്രവർത്തിച്ച പരിചയം വിവിധ ഡാറ്റാബേസുകൾഡാറ്റയും വിതരണ സംവിധാനങ്ങളും. ഇൻഡസ്ട്രിയിലെ മികച്ച രീതികൾ വേഗത്തിൽ പഠിക്കാൻ ഇംഗ്ലീഷ് ഭാഷാ വൈദഗ്ധ്യം ആവശ്യമാണ്.

നല്ല റഷ്യൻ സർവ്വകലാശാലകളിൽ പഠിക്കാൻ ഞാൻ ശുപാർശ ചെയ്യുന്നു! ഉദാഹരണത്തിന്, MIPT, MSU, HSE എന്നിവയ്ക്ക് അനുബന്ധ വകുപ്പുകളുണ്ട്. Coursera, edX, Udacity, Udemy, മറ്റ് MOOC പ്ലാറ്റ്‌ഫോമുകളിൽ വൈവിധ്യമാർന്ന തീമാറ്റിക് കോഴ്‌സുകൾ ലഭ്യമാണ്. ചില പ്രമുഖ ഓർഗനൈസേഷനുകൾക്ക് AI-യുടെ മേഖലയിൽ അവരുടേതായ പരിശീലന പരിപാടികളുണ്ട് (ഉദാഹരണത്തിന്, Yandex-ലെ സ്കൂൾ ഓഫ് ഡാറ്റാ അനാലിസിസ്).

AI രീതികൾ വഴി പരിഹരിക്കുന്ന ആപ്ലിക്കേഷൻ പ്രശ്നങ്ങൾ വൈവിധ്യമാർന്ന സ്ഥലങ്ങളിൽ കാണാം. ബാങ്കുകൾ, സാമ്പത്തിക മേഖല, കൺസൾട്ടിംഗ്, റീട്ടെയിൽ, ഇ-കൊമേഴ്‌സ്, സെർച്ച് എഞ്ചിനുകൾ, തപാൽ സേവനങ്ങൾ, ഗെയിമിംഗ് വ്യവസായം, സുരക്ഷാ സംവിധാന വ്യവസായം, തീർച്ചയായും, Avito - എല്ലാത്തിനും വിവിധ യോഗ്യതകളുള്ള സ്പെഷ്യലിസ്റ്റുകൾ ആവശ്യമാണ്.

ഡിമോട്ട് പ്രൊമോട്ട് ചെയ്യുക

മെഷീൻ ലേണിംഗുമായി ബന്ധപ്പെട്ട ഒരു ഫിൻടെക് പ്രോജക്റ്റ് ഞങ്ങൾക്കുണ്ട് കമ്പ്യൂട്ടർ ദർശനം, അതിൻ്റെ ആദ്യത്തെ ഡവലപ്പർ C++ ൽ എല്ലാം എഴുതി, പിന്നീട് പൈത്തണിൽ എല്ലാം മാറ്റിയെഴുതിയ ഒരു ഡവലപ്പർ വന്നു. അതിനാൽ ഭാഷ ഇവിടെ ഏറ്റവും പ്രധാനപ്പെട്ട കാര്യമല്ല, കാരണം ഭാഷ ഒന്നാമതായി ഒരു ഉപകരണമാണ്, അത് എങ്ങനെ ഉപയോഗിക്കണം എന്നത് നിങ്ങളുടേതാണ്. ചില ഭാഷകളിൽ പ്രശ്നങ്ങൾ വേഗത്തിലും മറ്റുള്ളവയിൽ സാവധാനത്തിലും പരിഹരിക്കാൻ കഴിയും.

എവിടെ പഠിക്കണമെന്ന് പറയാൻ പ്രയാസമാണ് - ഞങ്ങളുടെ എല്ലാ ആളുകളും സ്വന്തമായി പഠിച്ചു, ഭാഗ്യവശാൽ ഇൻ്റർനെറ്റും ഗൂഗിളും ഉണ്ട്.

ഡിമോട്ട് പ്രൊമോട്ട് ചെയ്യുക

നിങ്ങൾ വളരെയധികം പഠിക്കേണ്ടതുണ്ട് എന്ന വസ്തുതയ്ക്കായി തുടക്കം മുതൽ തന്നെ സ്വയം തയ്യാറാകാൻ എനിക്ക് നിങ്ങളെ ഉപദേശിക്കാൻ കഴിയും. "AI ചെയ്യുന്നത്" എന്നതുകൊണ്ട് ഉദ്ദേശിക്കുന്നത് പരിഗണിക്കാതെ തന്നെ - വലിയ ഡാറ്റയോ ന്യൂറൽ നെറ്റ്‌വർക്കുകളോ ഉപയോഗിച്ച് പ്രവർത്തിക്കുക; സാങ്കേതികവിദ്യയുടെ വികസനം അല്ലെങ്കിൽ ഇതിനകം വികസിപ്പിച്ച ഒരു പ്രത്യേക സംവിധാനത്തിൻ്റെ പിന്തുണയും പരിശീലനവും.

പ്രത്യേകതകൾക്കായി നമുക്ക് ഡാറ്റാ സയൻ്റിസ്റ്റിൻ്റെ ട്രെൻഡിംഗ് പ്രൊഫഷൻ എടുക്കാം. ഈ വ്യക്തി എന്താണ് ചെയ്യുന്നത്? പൊതുവേ, ഇത് വലിയ ഡാറ്റ ശേഖരിക്കുകയും വിശകലനം ചെയ്യുകയും ഉപയോഗത്തിനായി തയ്യാറാക്കുകയും ചെയ്യുന്നു. ഇവയിലാണ് AI വളരുന്നതും പരിശീലിപ്പിക്കുന്നതും. ഒരു ഡാറ്റാ സയൻ്റിസ്‌റ്റിന് എന്തെല്ലാം അറിയുകയും ചെയ്യാൻ കഴിയുകയും വേണം? സ്റ്റാറ്റിക് വിശകലനം കൂടാതെ ഗണിത മോഡലിംഗ്- സ്ഥിരസ്ഥിതിയായി, ഒഴുക്കിൻ്റെ തലത്തിൽ. ഭാഷകൾ - പറയുക, R, SAS, Python. കുറച്ച് വികസന അനുഭവം ഉണ്ടെങ്കിൽ അത് നന്നായിരിക്കും. നന്നായി, പൊതുവായി പറഞ്ഞാൽ, ഒരു നല്ല ഡാറ്റ ശാസ്ത്രജ്ഞന് ഡാറ്റാബേസുകൾ, അൽഗോരിതങ്ങൾ, ഡാറ്റ വിഷ്വലൈസേഷൻ എന്നിവയിൽ ആത്മവിശ്വാസം ഉണ്ടായിരിക്കണം.

രാജ്യത്തെ എല്ലാ രണ്ടാമത്തെ സാങ്കേതിക സർവകലാശാലകളിലും ഇത്തരമൊരു അറിവ് ലഭിക്കുമെന്ന് പറയേണ്ടതില്ല. വലിയ കമ്പനികൾ AI വികസനം മുൻഗണനയുള്ളവർ, ഇത് മനസിലാക്കി ഉചിതമായത് വികസിപ്പിക്കുക പഠന പരിപാടികൾ- ഉദാഹരണത്തിന്, Yandex-ൽ നിന്നുള്ള സ്കൂൾ ഓഫ് ഡാറ്റാ അനാലിസിസ് ഉണ്ട്. എന്നാൽ നിങ്ങൾ "തെരുവിൽ നിന്ന്" കോഴ്‌സുകളിലേക്ക് വരുന്ന സ്കെയിലല്ല ഇത് എന്ന് നിങ്ങൾ അറിഞ്ഞിരിക്കണം, പക്ഷേ അവരെ ഒരു റെഡിമെയ്ഡ് ജൂനിയറായി വിടുക. പാളി വലുതാണ്, കുറഞ്ഞത് യൂണിവേഴ്സിറ്റി പ്രോഗ്രാമിൻ്റെ ചട്ടക്കൂടിനുള്ളിലെങ്കിലും അടിസ്ഥാനകാര്യങ്ങൾ (ഗണിതം, സ്ഥിതിവിവരക്കണക്കുകൾ) ഇതിനകം ഉൾപ്പെടുത്തിയിരിക്കുമ്പോൾ ഒരു അച്ചടക്കം പഠിക്കുന്നത് അർത്ഥമാക്കുന്നു.

അതെ, ഇതിന് കുറച്ച് സമയമെടുക്കും. എന്നാൽ ഗെയിം മെഴുകുതിരി വിലമതിക്കുന്നു, കാരണം ഒരു നല്ല ഡാറ്റാ സയൻ്റിസ്റ്റ് വളരെ വാഗ്ദാനമാണ്. കൂടാതെ വളരെ ചെലവേറിയതും. മറ്റൊരു പോയിൻ്റ് കൂടിയുണ്ട്. ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഒരു വശത്ത്, ഇപ്പോൾ വെറും ഹൈപ്പിൻ്റെ ഒരു വസ്തുവല്ല, മറിച്ച് ഉൽപ്പാദനക്ഷമതയുടെ ഘട്ടത്തിൽ പൂർണ്ണമായും എത്തിയ ഒരു സാങ്കേതികവിദ്യയാണ്. മറുവശത്ത്, AI ഇപ്പോഴും വികസിച്ചുകൊണ്ടിരിക്കുന്നു. ഈ വികസനത്തിന് ധാരാളം വിഭവങ്ങളും ധാരാളം കഴിവുകളും ധാരാളം പണവും ആവശ്യമാണ്. ഇതുവരെയുള്ള പ്രധാന ലീഗ് ലെവൽ ഇതാണ്. ഞാൻ ഇപ്പോൾ വ്യക്തമായി പറയും, എന്നാൽ ആക്രമണത്തിൻ്റെ മുൻനിരയിൽ ആയിരിക്കാനും നിങ്ങളുടെ സ്വന്തം കൈകൊണ്ട് പുരോഗതി കൈവരിക്കാനും നിങ്ങൾ ആഗ്രഹിക്കുന്നുവെങ്കിൽ, Facebook അല്ലെങ്കിൽ Amazon പോലുള്ള കമ്പനികളെ ലക്ഷ്യം വയ്ക്കുക.

അതേ സമയം, സാങ്കേതികവിദ്യ ഇതിനകം തന്നെ നിരവധി മേഖലകളിൽ ഉപയോഗിക്കുന്നു: ബാങ്കിംഗ്, ടെലികോം, ഭീമൻ വ്യാവസായിക സംരംഭങ്ങൾ, റീട്ടെയിൽ. അവർക്ക് ഇതിനകം തന്നെ പിന്തുണയ്ക്കാൻ കഴിയുന്ന ആളുകളെ ആവശ്യമുണ്ട്. 2020 ആകുമ്പോഴേക്കും വികസിത രാജ്യങ്ങളിലെ എല്ലാ സംരംഭങ്ങളിലും 20% ഈ കമ്പനികളിൽ ഉപയോഗിക്കുന്ന ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ പരിശീലിപ്പിക്കുന്നതിന് സമർപ്പിതരായ ജീവനക്കാരെ നിയമിക്കുമെന്ന് ഗാർട്ട്‌നർ പ്രവചിക്കുന്നു. അതുകൊണ്ട് സ്വന്തമായി പഠിക്കാൻ ഇനിയും കുറച്ച് സമയമുണ്ട്.

ഡിമോട്ട് പ്രൊമോട്ട് ചെയ്യുക

AI ഇപ്പോൾ സജീവമായി വികസിച്ചുകൊണ്ടിരിക്കുന്നു, പത്ത് വർഷം മുമ്പ് പ്രവചിക്കാൻ പ്രയാസമാണ്. അടുത്ത രണ്ടോ മൂന്നോ വർഷങ്ങളിൽ, ന്യൂറൽ നെറ്റ്‌വർക്കുകളും ജിപിയു കമ്പ്യൂട്ടിംഗും അടിസ്ഥാനമാക്കിയുള്ള സമീപനങ്ങൾ ആധിപത്യം സ്ഥാപിക്കും. ജൂപ്പിറ്റർ ഇൻ്ററാക്ടീവ് എൻവയോൺമെൻ്റും നമ്പി, സ്കൈപി, ടെൻസർഫ്ലോ ലൈബ്രറികളുമുള്ള പൈത്തണാണ് ഈ മേഖലയിലെ നേതാവ്.

ഈ സാങ്കേതികവിദ്യകളെക്കുറിച്ചും ആൻഡ്രൂ എൻജിയുടെ കോഴ്‌സ് പോലുള്ള പൊതു AI തത്വങ്ങളെക്കുറിച്ചും അടിസ്ഥാനപരമായ ധാരണ നൽകുന്ന നിരവധി ഓൺലൈൻ കോഴ്‌സുകൾ ഉണ്ട്. ഈ വിഷയം പഠിപ്പിക്കുന്ന കാര്യത്തിൽ, റഷ്യ ഇപ്പോൾ ഏറ്റവും ഫലപ്രദമാണ് സ്വയം വിദ്യാഭ്യാസംഅല്ലെങ്കിൽ ഒരു പ്രാദേശിക താൽപ്പര്യ ഗ്രൂപ്പിൽ (ഉദാഹരണത്തിന്, മോസ്കോയിൽ ആളുകൾ അനുഭവവും അറിവും പങ്കിടുന്ന രണ്ട് ഗ്രൂപ്പുകളെങ്കിലും ഉണ്ടെന്ന് എനിക്കറിയാം).

ഡിമോട്ട് പ്രൊമോട്ട് ചെയ്യുക

ഡിമോട്ട് പ്രൊമോട്ട് ചെയ്യുക

ഇന്ന്, ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ ഏറ്റവും വേഗത്തിൽ പുരോഗമിക്കുന്ന ഭാഗം, ഒരുപക്ഷേ, ന്യൂറൽ നെറ്റ്‌വർക്കുകളാണ്.
ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെയും AI-യുടെയും പഠനം ആരംഭിക്കേണ്ടത് ഗണിതശാസ്ത്രത്തിൻ്റെ രണ്ട് ശാഖകൾ - ലീനിയർ ആൾജിബ്ര, പ്രോബബിലിറ്റി തിയറി എന്നിവയിൽ പ്രാവീണ്യം നേടിയാണ്. ഇത് നിർബന്ധിത മിനിമം ആണ്, കൃത്രിമ ബുദ്ധിയുടെ അചഞ്ചലമായ തൂണുകൾ. AI യുടെ അടിസ്ഥാനകാര്യങ്ങൾ മനസിലാക്കാൻ ആഗ്രഹിക്കുന്ന അപേക്ഷകർ, ഒരു സർവ്വകലാശാല തിരഞ്ഞെടുക്കുമ്പോൾ, എൻ്റെ അഭിപ്രായത്തിൽ, ശക്തമായ ഗണിതശാസ്ത്ര സ്കൂളുള്ള ഫാക്കൽറ്റികൾ ശ്രദ്ധിക്കണം.

പ്രശ്നത്തിൻ്റെ പ്രശ്നങ്ങൾ പഠിക്കുക എന്നതാണ് അടുത്ത ഘട്ടം. വിദ്യാഭ്യാസപരവും സ്പെഷ്യലൈസ് ചെയ്തതുമായ ഒരു വലിയ സാഹിത്യമുണ്ട്. ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ്, ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ എന്നിവയെക്കുറിച്ചുള്ള മിക്ക പ്രസിദ്ധീകരണങ്ങളും എഴുതിയിട്ടുണ്ട് ആംഗലേയ ഭാഷഎന്നിരുന്നാലും, റഷ്യൻ ഭാഷയിലുള്ള മെറ്റീരിയലുകളും പ്രസിദ്ധീകരിക്കുന്നു. ഉപയോഗപ്രദമായ സാഹിത്യം arxiv.org എന്ന പൊതു ഡിജിറ്റൽ ലൈബ്രറിയിൽ കണ്ടെത്താം.

പ്രവർത്തന മേഖലകളെക്കുറിച്ച് നമ്മൾ സംസാരിക്കുകയാണെങ്കിൽ, അപ്ലൈഡ് ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ പരിശീലനവും ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ പൂർണ്ണമായും പുതിയ പതിപ്പുകളുടെ വികസനവും ഇവിടെ നമുക്ക് ഹൈലൈറ്റ് ചെയ്യാം. ശ്രദ്ധേയമായ ഒരു ഉദാഹരണം: ഇപ്പോൾ വളരെ ജനപ്രിയമായ ഒരു പ്രത്യേകതയുണ്ട് - "ഡാറ്റ സയൻ്റിസ്റ്റ്" (ഡാറ്റ സയൻ്റിസ്റ്റ്). ഒരു ചട്ടം പോലെ, നിർദ്ദിഷ്ട ആപ്ലിക്കേഷൻ ഏരിയകളിൽ ന്യൂറൽ നെറ്റ്‌വർക്കുകളെ പരിശീലിപ്പിക്കുന്നതിനായി ചില ഡാറ്റ സെറ്റുകൾ പഠിക്കുകയും തയ്യാറാക്കുകയും ചെയ്യുന്ന ഡവലപ്പർമാരാണ് ഇവർ. ചുരുക്കത്തിൽ, ഓരോ സ്പെഷ്യലൈസേഷനും ഒരു പ്രത്യേക തയ്യാറെടുപ്പ് പാത ആവശ്യമാണെന്ന് ഞാൻ ഊന്നിപ്പറയാൻ ആഗ്രഹിക്കുന്നു.

ഡിമോട്ട് പ്രൊമോട്ട് ചെയ്യുക

പ്രത്യേക കോഴ്സുകൾ ആരംഭിക്കുന്നതിന് മുമ്പ്, നിങ്ങൾ ലീനിയർ ബീജഗണിതവും സ്ഥിതിവിവരക്കണക്കുകളും പഠിക്കേണ്ടതുണ്ട്. "മെഷീൻ ലേണിംഗ്" എന്ന പാഠപുസ്തകം ഉപയോഗിച്ച് AI-യിൽ നിങ്ങളുടെ മുഴുകൽ ആരംഭിക്കാൻ ഞാൻ ശുപാർശ ചെയ്യുന്നു. ഡാറ്റയിൽ നിന്ന് അറിവ് വേർതിരിച്ചെടുക്കുന്ന അൽഗോരിതങ്ങൾ നിർമ്മിക്കുന്നതിനുള്ള ശാസ്ത്രവും കലയും" തുടക്കക്കാർക്ക് നല്ലൊരു പ്രൈമർ ആണ്. കോഴ്‌സറയിൽ കെ. വോറോൺസോവിൻ്റെ ആമുഖ പ്രഭാഷണങ്ങൾ കേൾക്കുന്നത് മൂല്യവത്താണ് (അവർക്ക് ആവശ്യമാണെന്ന് ഞാൻ ഊന്നിപ്പറയുന്നു. നല്ല അറിവ്ലീനിയർ ആൾജിബ്ര) കൂടാതെ സ്റ്റാൻഫോർഡ് യൂണിവേഴ്സിറ്റിയിലെ "മെഷീൻ ലേണിംഗ്" എന്ന കോഴ്‌സും പഠിപ്പിക്കുന്നത്, പ്രൊഫസറും ബൈഡു എഐ ഗ്രൂപ്പ്/ഗൂഗിൾ ബ്രെയിൻ മേധാവിയുമായ ആൻഡ്രൂ എൻജിയാണ്.

ബൾക്ക് പൈത്തണിൽ എഴുതിയിരിക്കുന്നു, തുടർന്ന് R ഉം Lua ഉം.

നമ്മൾ വിദ്യാഭ്യാസ സ്ഥാപനങ്ങളെക്കുറിച്ച് സംസാരിക്കുകയാണെങ്കിൽ, അനുയോജ്യമായ അപ്ലൈഡ് മാത്തമാറ്റിക്സ്, കമ്പ്യൂട്ടർ സയൻസ് വകുപ്പുകളിൽ കോഴ്സുകളിൽ ചേരുന്നതാണ് നല്ലത്. വിദ്യാഭ്യാസ പരിപാടികൾഇതുണ്ട്. നിങ്ങളുടെ കഴിവുകൾ പരിശോധിക്കുന്നതിന്, പ്രമുഖ ആഗോള ബ്രാൻഡുകൾ അവരുടെ കേസുകൾ വാഗ്ദാനം ചെയ്യുന്ന Kaggle മത്സരങ്ങളിൽ നിങ്ങൾക്ക് പങ്കെടുക്കാം.

ഡിമോട്ട് പ്രൊമോട്ട് ചെയ്യുക

ഏതൊരു ബിസിനസ്സിലും, പ്രോജക്ടുകൾ ആരംഭിക്കുന്നതിന് മുമ്പ്, ഒരു സൈദ്ധാന്തിക അടിത്തറ ലഭിക്കുന്നത് നല്ലതാണ്. ഈ മേഖലയിൽ നിങ്ങൾക്ക് ഔപചാരിക ബിരുദാനന്തര ബിരുദം നേടാനോ നിങ്ങളുടെ യോഗ്യതകൾ മെച്ചപ്പെടുത്താനോ കഴിയുന്ന നിരവധി സ്ഥലങ്ങളുണ്ട്. ഉദാഹരണത്തിന്, "മെഷീൻ ലേണിംഗ്", "നാച്ചുറൽ ലാംഗ്വേജ് പ്രോസസ്സിംഗ്" എന്നീ കോഴ്‌സുകൾ ഉൾപ്പെടുന്ന "കംപ്യൂട്ടേഷണൽ സയൻസ് ആൻഡ് എഞ്ചിനീയറിംഗ്", "ഡാറ്റ സയൻസ്" എന്നീ മേഖലകളിൽ സ്‌കോൾടെക് മാസ്റ്റർ പ്രോഗ്രാമുകൾ വാഗ്ദാനം ചെയ്യുന്നു. നാഷണൽ റിസർച്ച് ന്യൂക്ലിയർ യൂണിവേഴ്സിറ്റി MEPhI യുടെ ഇൻസ്റ്റിറ്റ്യൂട്ട് ഓഫ് ഇൻ്റലിജൻ്റ് സൈബർനെറ്റിക് സിസ്റ്റംസ്, മോസ്കോ സ്റ്റേറ്റ് യൂണിവേഴ്സിറ്റിയിലെ കമ്പ്യൂട്ടേഷണൽ മാത്തമാറ്റിക്സ് ആൻഡ് സൈബർനെറ്റിക്സ് ഫാക്കൽറ്റി, ഡിപ്പാർട്ട്മെൻ്റ് " ബുദ്ധിപരമായ സംവിധാനങ്ങൾ» എംഐപിടി.

നിങ്ങൾക്ക് ഇതിനകം ഔപചാരിക വിദ്യാഭ്യാസം ഉണ്ടെങ്കിൽ, നിരവധി കോഴ്സുകൾ ഉണ്ട് വിവിധ പ്ലാറ്റ്ഫോമുകൾ MOOC. ഉദാഹരണത്തിന്, EDx.org മൈക്രോസോഫ്റ്റ്, കൊളംബിയ യൂണിവേഴ്‌സിറ്റി എന്നിവയിൽ നിന്നുള്ള ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് കോഴ്‌സുകൾ വാഗ്ദാനം ചെയ്യുന്നു, അതിൽ രണ്ടാമത്തേത് ഒരു മൈക്രോ-മാസ്റ്റർ പ്രോഗ്രാം ന്യായമായ വിലയ്ക്ക് വാഗ്ദാനം ചെയ്യുന്നു. നിങ്ങൾക്ക് സാധാരണയായി സൗജന്യമായി അറിവ് ലഭിക്കുമെന്നത് പ്രത്യേകം ശ്രദ്ധിക്കാൻ ഞാൻ ആഗ്രഹിക്കുന്നു; നിങ്ങളുടെ ബയോഡാറ്റയ്ക്ക് ആവശ്യമെങ്കിൽ മാത്രമേ നിങ്ങൾ സർട്ടിഫിക്കറ്റിനായി പണം നൽകൂ.

നിങ്ങൾക്ക് വിഷയത്തിലേക്ക് "ആഴത്തിൽ മുങ്ങാൻ" താൽപ്പര്യമുണ്ടെങ്കിൽ, മോസ്കോയിലെ നിരവധി കമ്പനികൾ ഒരാഴ്ച നീണ്ടുനിൽക്കുന്ന തീവ്രമായ കോഴ്സുകൾ വാഗ്ദാനം ചെയ്യുന്നു പ്രായോഗിക വ്യായാമങ്ങൾ, കൂടാതെ പരീക്ഷണങ്ങൾക്കുള്ള ഉപകരണങ്ങൾ പോലും വാഗ്ദാനം ചെയ്യുന്നു (ഉദാഹരണത്തിന്, newprolab.com), എന്നിരുന്നാലും, അത്തരം കോഴ്സുകളുടെ വില പതിനായിരക്കണക്കിന് റുബിളിൽ നിന്ന് ആരംഭിക്കുന്നു.

ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് വികസിപ്പിക്കുന്ന കമ്പനികളിൽ, നിങ്ങൾക്ക് ഒരുപക്ഷേ Yandex ഉം Sberbank ഉം അറിയാം, എന്നാൽ മറ്റു പലതും ഉണ്ട്. വ്യത്യസ്ത വലുപ്പങ്ങൾ. ഉദാഹരണത്തിന്, ഈ ആഴ്ച പ്രതിരോധ മന്ത്രാലയം അനപയിൽ ERA മിലിട്ടറി ഇന്നൊവേഷൻ ടെക്നോപോളിസ് തുറന്നു, സൈനിക ആവശ്യങ്ങൾക്കായുള്ള AI യുടെ വികസനം ഇതിലെ ഒരു വിഷയമാണ്.

ഡിമോട്ട് പ്രൊമോട്ട് ചെയ്യുക

ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് പഠിക്കുന്നതിനുമുമ്പ്, നമ്മൾ ഒരു അടിസ്ഥാന ചോദ്യം തീരുമാനിക്കേണ്ടതുണ്ട്: ചുവന്ന ഗുളികയാണോ നീലയാണോ കഴിക്കേണ്ടത്.
ചുവന്ന ഗുളിക ഒരു ഡെവലപ്പറായി മാറുകയും സ്ഥിതിവിവരക്കണക്കുകൾ, അൽഗോരിതങ്ങൾ, അജ്ഞാതമായതിനെക്കുറിച്ചുള്ള നിരന്തരമായ ധാരണകൾ എന്നിവയുടെ ക്രൂരമായ ലോകത്തിലേക്ക് വീഴുകയും ചെയ്യുക എന്നതാണ്. മറുവശത്ത്, നിങ്ങൾ ഉടൻ തന്നെ "മുയൽ ദ്വാരത്തിലേക്ക്" ഓടേണ്ടതില്ല: നിങ്ങൾക്ക് ഒരു മാനേജരാകാനും AI സൃഷ്ടിക്കാനും കഴിയും, ഉദാഹരണത്തിന്, ഒരു പ്രോജക്റ്റ് മാനേജർ എന്ന നിലയിൽ. ഇവ അടിസ്ഥാനപരമായി വ്യത്യസ്തമായ രണ്ട് പാതകളാണ്.

നിങ്ങൾ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് അൽഗോരിതങ്ങൾ എഴുതുമെന്ന് നിങ്ങൾ ഇതിനകം തീരുമാനിച്ചിട്ടുണ്ടെങ്കിൽ ആദ്യത്തേത് മികച്ചതാണ്. അപ്പോൾ നിങ്ങൾ ഇന്നത്തെ ഏറ്റവും ജനപ്രിയമായ ദിശയിൽ നിന്ന് ആരംഭിക്കേണ്ടതുണ്ട് - മെഷീൻ ലേണിംഗ്. ഇത് ചെയ്യുന്നതിന്, ക്ലാസിഫിക്കേഷൻ, ക്ലസ്റ്ററിംഗ്, റിഗ്രഷൻ എന്നിവയുടെ ക്ലാസിക്കൽ സ്റ്റാറ്റിസ്റ്റിക്കൽ രീതികൾ നിങ്ങൾ അറിഞ്ഞിരിക്കണം. ഒരു പരിഹാരത്തിൻ്റെ ഗുണനിലവാരം, അവയുടെ ഗുണങ്ങൾ... കൂടാതെ നിങ്ങളുടെ വഴിയിൽ വരുന്ന എല്ലാ കാര്യങ്ങളും വിലയിരുത്തുന്നതിനുള്ള പ്രധാന നടപടികളുമായി പരിചയപ്പെടാനും ഇത് ഉപയോഗപ്രദമാകും.

അടിസ്ഥാനം പ്രാവീണ്യം നേടിയതിനുശേഷം മാത്രമേ കൂടുതൽ പ്രത്യേക രീതികൾ പഠിക്കുന്നത് മൂല്യവത്താണ്: തീരുമാന മരങ്ങളും അവയുടെ മേളങ്ങളും. ഈ ഘട്ടത്തിൽ, മോഡലുകൾ നിർമ്മിക്കുന്നതിനും പരിശീലിപ്പിക്കുന്നതിനുമുള്ള അടിസ്ഥാന രീതികളിലേക്ക് നിങ്ങൾ ആഴത്തിൽ മുങ്ങേണ്ടതുണ്ട് - യാചിക്കുക, വർദ്ധിപ്പിക്കുക, അടുക്കുക അല്ലെങ്കിൽ മിശ്രണം ചെയ്യുക എന്നിവ മാന്യമായ വാക്കുകളുടെ പിന്നിൽ മറഞ്ഞിരിക്കുന്നു.

മോഡൽ റീട്രെയിനിംഗ് നിയന്ത്രിക്കുന്നതിനുള്ള രീതികളെക്കുറിച്ചും പഠിക്കുന്നത് മൂല്യവത്താണ് (മറ്റൊരു "ഇംഗ്" - ഓവർഫിറ്റിംഗ്).

അവസാനമായി, വളരെ ജെഡി ലെവൽ - ഉയർന്ന പ്രത്യേക അറിവ് നേടുന്നു. ഉദാഹരണത്തിന്, വേണ്ടി ആഴത്തിലുള്ള പഠനംഅടിസ്ഥാന ആർക്കിടെക്ചറുകളും അൽഗോരിതങ്ങളും മാസ്റ്റർ ചെയ്യേണ്ടതുണ്ട് ഗ്രേഡിയൻ്റ് ഇറക്കം. സ്വാഭാവിക ഭാഷാ പ്രോസസ്സിംഗ് പ്രശ്‌നങ്ങളിൽ നിങ്ങൾക്ക് താൽപ്പര്യമുണ്ടെങ്കിൽ, ആവർത്തിച്ചുള്ള ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ പഠിക്കാൻ ഞാൻ ശുപാർശ ചെയ്യുന്നു. ചിത്രങ്ങളും വീഡിയോകളും പ്രോസസ്സ് ചെയ്യുന്നതിനുള്ള അൽഗോരിതങ്ങളുടെ ഭാവി സ്രഷ്‌ടാക്കൾ കൺവല്യൂഷണൽ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ നന്നായി നോക്കണം.

പരാമർശിച്ച അവസാനത്തെ രണ്ട് ഘടനകൾ ഇന്നത്തെ ജനപ്രിയ ആർക്കിടെക്ചറുകളുടെ നിർമ്മാണ ബ്ലോക്കുകളാണ്: എതിരാളി നെറ്റ്‌വർക്കുകൾ (GAN), റിലേഷണൽ നെറ്റ്‌വർക്കുകൾ, മെഷ് നെറ്റ്‌വർക്കുകൾ. അതിനാൽ, കമ്പ്യൂട്ടറിനെ കാണാനും കേൾക്കാനും പഠിപ്പിക്കാൻ നിങ്ങൾ ഉദ്ദേശിക്കുന്നില്ലെങ്കിലും അവ പഠിക്കുന്നത് ഉപയോഗപ്രദമാകും.

AI പഠിക്കുന്നതിനുള്ള തികച്ചും വ്യത്യസ്തമായ ഒരു സമീപനം - "നീല ഗുളിക" - സ്വയം കണ്ടെത്തുന്നതിലൂടെ ആരംഭിക്കുന്നു. ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഒരു കൂട്ടം ജോലികൾക്കും മുഴുവൻ തൊഴിലുകൾക്കും ജന്മം നൽകുന്നു: AI പ്രോജക്റ്റ് മാനേജർമാർ മുതൽ ഡാറ്റാ എഞ്ചിനീയർമാർ വരെ ഡാറ്റ തയ്യാറാക്കാനും വൃത്തിയാക്കാനും സ്കേലബിൾ, ലോഡ് ചെയ്തതും തെറ്റ്-സഹിഷ്ണുതയുള്ളതുമായ സംവിധാനങ്ങൾ നിർമ്മിക്കാൻ കഴിവുള്ള ഡാറ്റാ എഞ്ചിനീയർമാർ വരെ.

അതിനാൽ, ഒരു "മാനേജീരിയൽ" സമീപനം ഉപയോഗിച്ച്, നിങ്ങൾ ആദ്യം നിങ്ങളുടെ കഴിവുകളും പശ്ചാത്തലവും വിലയിരുത്തണം, അതിനുശേഷം മാത്രമേ എവിടെ, എന്ത് പഠിക്കണമെന്ന് തിരഞ്ഞെടുക്കുക. ഉദാഹരണത്തിന്, ഗണിതശാസ്ത്രപരമായ മനസ്സില്ലാതെ പോലും നിങ്ങൾക്ക് സ്മാർട്ട് അൽഗോരിതങ്ങൾക്കായി AI ഇൻ്റർഫേസുകളും വിഷ്വലൈസേഷനുകളും രൂപകൽപ്പന ചെയ്യാൻ കഴിയും. എന്നാൽ തയ്യാറാകൂ: 5 വർഷത്തിനുള്ളിൽ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് നിങ്ങളെ ട്രോളാനും "മനുഷ്യവാദി" എന്ന് വിളിക്കാനും തുടങ്ങും.

കണക്ഷനുള്ള റെഡിമെയ്ഡ് ലൈബ്രറികളുടെ രൂപത്തിലാണ് പ്രധാന ML രീതികൾ നടപ്പിലാക്കുന്നത് വ്യത്യസ്ത ഭാഷകൾ. മിക്കതും ജനപ്രിയ ഭാഷകൾഇന്ന് ML-ൽ ഇവയാണ്: C++, Python, R.

Yandex School of Data Analysis, SkillFactory, OTUS കോഴ്‌സുകൾ എന്നിങ്ങനെ റഷ്യൻ, ഇംഗ്ലീഷ് ഭാഷകളിൽ നിരവധി കോഴ്സുകളുണ്ട്. എന്നാൽ പ്രത്യേക പരിശീലനത്തിൽ സമയവും പണവും നിക്ഷേപിക്കുന്നതിന് മുമ്പ്, "വിഷയത്തിലേക്ക് കടക്കുന്നത്" മൂല്യവത്താണെന്ന് ഞാൻ കരുതുന്നു: കഴിഞ്ഞ വർഷങ്ങളിലെ DataFest കോൺഫറൻസുകളിൽ നിന്ന് YouTube-ൽ തുറന്ന പ്രഭാഷണങ്ങൾ കാണുക, പോകൂ സൗജന്യ കോഴ്സുകൾ Coursera, Habrahabr എന്നിവിടങ്ങളിൽ നിന്ന്.

വിവരിച്ച എല്ലാ അറിവുകളും പ്രാവീണ്യം നേടുമ്പോൾ, ഞങ്ങളുടെ നാവികോൺ ടീമിൽ ചേരാൻ യുവ പടവുകൾക്കായി ഞങ്ങൾ കാത്തിരിക്കുന്നു, അവിടെ യഥാർത്ഥ ജീവിതത്തിൽ "കൃത്രിമ ബുദ്ധിജീവികളുമായി" എങ്ങനെ ചങ്ങാത്തം കൂടാമെന്ന് ഞങ്ങൾ സഹായിക്കുകയും പഠിപ്പിക്കുകയും ചെയ്യും.

ഡിമോട്ട് പ്രൊമോട്ട് ചെയ്യുക

AI, മെഷീൻ ലേണിംഗ് വിഷയം കുറച്ച് വർഷങ്ങൾക്ക് മുമ്പുള്ളതിനേക്കാൾ കൂടുതൽ ജനാധിപത്യപരമായി മാറിയിരിക്കുന്നു.
ഈ വിഷയത്തിൽ പണമടച്ചുള്ളതും സൗജന്യവുമായ കോഴ്‌സുകൾ നിങ്ങൾക്ക് ഇൻ്റർനെറ്റിൽ കണ്ടെത്താനാകും; ഉപകരണങ്ങൾ ലളിതവും അറിവും ഹാർഡ്‌വെയറും ആവശ്യപ്പെടുന്നവ കുറയുന്നു.

പരിചയസമ്പന്നരും പുതിയ പ്രോഗ്രാമർമാരും MOOC പ്ലാറ്റ്‌ഫോമുകളിൽ ഓൺലൈൻ കോഴ്‌സുകൾ ആരംഭിക്കാൻ ഞാൻ ശുപാർശ ചെയ്യുന്നു. ഉദാഹരണത്തിന്, Yandex, ഹയർ സ്കൂൾ ഓഫ് ഇക്കണോമിക്സ് എന്നിവയിൽ നിന്നുള്ള മികച്ച സ്പെഷ്യലൈസേഷൻ "മെഷീൻ ലേണിംഗ് ആൻഡ് ഡാറ്റ അനാലിസിസ്" Coursera ന് ഉണ്ട്. ഇംഗ്ലീഷിലെ പ്രഭാഷണങ്ങൾ മനസ്സിലാക്കുന്നതിൽ നിങ്ങൾക്ക് പ്രശ്‌നമില്ലെങ്കിൽ, നിങ്ങൾക്ക് അവിടെ ആൻഡ്രൂ എൻജിയുടെ “മെഷീൻ ലേണിംഗ്” കോഴ്‌സും എടുക്കാം.

AI, മെഷീൻ ലേണിംഗ് മേഖലകളിൽ പ്രവർത്തിക്കുന്നതിനുള്ള പ്രധാന പ്രോഗ്രാമിംഗ് ഭാഷകൾ R, Python എന്നിവയാണ്. വളരെക്കാലമായി ഈ ഭാഷകൾ അക്കാദമിക് സർക്കിളുകളിൽ ഉപയോഗിക്കുകയും അവർക്കായി അത് സൃഷ്ടിക്കുകയും ചെയ്തു ഒരു വലിയ സംഖ്യലൈബ്രറികൾ. ഇക്കാലത്ത്, നിങ്ങളുടെ പ്രോജക്റ്റ് വേഗത്തിൽ ആരംഭിക്കാൻ നിങ്ങളെ അനുവദിക്കുന്ന ടൂളുകൾ വികസിപ്പിച്ചുകൊണ്ടിരിക്കുന്നു: Keras, TensorFlow, Theano, Caffe, scikit-learn. ഈയിടെയായിമൈക്രോസോഫ്റ്റ് അതിൻ്റെ ഉപകരണങ്ങൾ സജീവമായി വികസിപ്പിക്കാൻ തുടങ്ങി: CNTK, ML.NET. സൃഷ്ടിക്കാൻ അവർ നിങ്ങളെ അനുവദിക്കുന്നു ബുദ്ധിപരമായ പരിഹാരങ്ങൾ C# ഭാഷയിൽ.

ഇല്ലാതെ ഒരു ജോലി കണ്ടെത്തുക പ്രായോഗിക അനുഭവംഡാറ്റ വിശകലനം, മെഷീൻ ലേണിംഗ് എന്നീ മേഖലകളിൽ ഇപ്പോൾ വളരെ ബുദ്ധിമുട്ടാണ്. എന്നാൽ ഓൺലൈൻ കോഴ്‌സുകളിലൂടെ നിങ്ങൾക്ക് സ്വന്തമായി പഠിക്കാം, കഗ്ഗിലിലും സമാനമായ പ്ലാറ്റ്‌ഫോമുകളിലും മത്സരങ്ങളിൽ പങ്കെടുക്കാം. ഒരു ജോലി അന്വേഷിക്കുമ്പോൾ നിങ്ങളുടെ മത്സരാധിഷ്ഠിത നേട്ടമായി മാറുന്ന ഒരു പോർട്ട്‌ഫോളിയോ വികസിപ്പിക്കാൻ ഇത് നിങ്ങളെ അനുവദിക്കും.

ഡിമോട്ട് പ്രൊമോട്ട് ചെയ്യുക

വിദഗ്ധർ, അത് രസകരമായി മാറുകയാണെങ്കിൽ ഞങ്ങൾ അതിനുള്ള ഉത്തരങ്ങൾ ശേഖരിക്കും. ഇതിനകം ചോദിച്ച ചോദ്യങ്ങൾ ഇഷ്യൂ ലിസ്റ്റിൽ കാണാം. നിങ്ങൾക്ക് വിദഗ്ധരുടെ നിരയിൽ ചേരാനും നിങ്ങളുടെ കമ്പനിയിൽ നിന്നോ നിങ്ങളിൽ നിന്നോ ഒരു ഉത്തരം അയയ്ക്കണമെങ്കിൽ, എഴുതുക, ഇത് എങ്ങനെ ചെയ്യണമെന്ന് ഞങ്ങൾ നിങ്ങളോട് പറയും.