ഒരു കമ്പ്യൂട്ടറിന് ഒരുപാട് ചെയ്യാൻ കഴിയും ഇത്രയെങ്കിലും, വിവര പ്രോസസ്സിംഗുമായി ബന്ധപ്പെട്ട്. എന്നിരുന്നാലും, അവനെ സ്വാഭാവിക ഭാഷ പഠിപ്പിക്കുന്നത് വളരെ വലുതാണ് നിസ്സാരമല്ലാത്ത ദൗത്യം. ഈ വെല്ലുവിളി IBM DeepQA പ്രോജക്റ്റിൻ്റെ അടിസ്ഥാനമായി മാറി, അതിൻ്റെ ഫലമായി ഒരു വൈജ്ഞാനിക സാങ്കേതികവിദ്യയുടെ ജനനം ഐബിഎം വാട്സൺ, ഐബിഎം രൂപീകരണത്തിൽ മുൻനിരയിൽ നിന്ന തോമസ് വാട്‌സൻ്റെ ബഹുമാനാർത്ഥം.

വാട്സൺ എന്താണെന്ന് വിശദീകരിക്കാൻ പ്രയാസമില്ല - അത് വൈജ്ഞാനിക സംവിധാനം, ഒരു വ്യക്തിയുമായി സ്വാഭാവിക ഭാഷയിൽ ആശയവിനിമയം നടത്താൻ കഴിവുള്ളവൻ. അതായത്, എഴുതിയ സംഭാഷണം മനസ്സിലാക്കുകയും അതേ രീതിയിൽ പ്രതികരിക്കുകയും ചെയ്യുക. ഐബിഎം ഇതിൽ മാത്രം ഒതുങ്ങിയിരുന്നെങ്കിൽ, വാട്‌സൺ അതിൽ കൂടുതലൊന്നും തന്നെ തുടരുമായിരുന്നു പരീക്ഷണാത്മക സജ്ജീകരണം. എന്നാൽ അയാൾക്ക് പെട്ടെന്ന് ഒരു ജോലി കണ്ടെത്തി, പല കമ്പനികൾക്കും അദ്ദേഹം ശരിക്കും ഒഴിച്ചുകൂടാനാവാത്ത ജീവനക്കാരനായി.

ഘടനയില്ലാത്ത ഡാറ്റയുടെ വലിയ അളവുകൾ പ്രോസസ്സ് ചെയ്യേണ്ടിടത്തെല്ലാം ഈ അറിവ് പ്രയോഗിക്കാൻ കഴിയുമെന്ന് ഇത് മാറി. അത്തരം ഡാറ്റയുടെ ഉയർന്ന നിലവാരമുള്ളതും വേഗതയേറിയതുമായ അനലിറ്റിക്‌സിന്, ലഭ്യമായ എല്ലാ ആധുനിക ഉപകരണങ്ങളും ഉപയോഗിച്ച് അവ പ്രോസസ്സ് ചെയ്യേണ്ടതുണ്ട്. കമ്പ്യൂട്ടർ സാങ്കേതികവിദ്യ: യന്ത്ര പഠനം, കമ്പ്യൂട്ടേഷണൽ ലിംഗ്വിസ്റ്റിക്സ്, ഒൻ്റോളജിക്കൽ കൺസ്ട്രക്ഷൻസ്, ഉയർന്ന പ്രകടനമുള്ള കമ്പ്യൂട്ടിംഗ്. അതാണ് ഐബിഎം വാട്‌സൺ രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത്.

IBM വാട്‌സൻ്റെ പ്രധാന കഴിവുകൾ നാല് പോയിൻ്റുകളായി സംഗ്രഹിക്കാം:

• സ്വാഭാവിക ഭാഷാ ധാരണ.
• പ്രോസസ്സ് ചെയ്ത ഡാറ്റയെ അടിസ്ഥാനമാക്കി അനുമാനങ്ങൾ നിർമ്മിക്കുന്നു.
• ജോലിയിൽ പഠിക്കുന്നു.
• നിഗമനത്തെ അടിസ്ഥാനമാക്കിയുള്ള വസ്തുതകൾക്കൊപ്പം ഒരു ശുപാർശ നടത്തുന്നു.

ഒരു വ്യക്തിക്ക് ന്യായമായ സമയത്തിനുള്ളിൽ വലിയ അളവിലുള്ള ഡാറ്റ വിശകലനം ചെയ്യാൻ കഴിയില്ല, ഏത് സാഹചര്യത്തിലും അയാൾക്ക് മിക്ക വിവരങ്ങളും ഉപേക്ഷിക്കേണ്ടിവരും, അദ്ദേഹത്തിൻ്റെ അഭിപ്രായത്തിൽ, പ്രധാന കാര്യം എടുത്തുകാണിക്കുന്നു. പിശകുകൾ ഇവിടെ അനിവാര്യമാണ്, കൂടാതെ, നിരസിച്ച ഡാറ്റയും പ്രധാനമാണ്, ഫലത്തെ സ്വാധീനിക്കുകയും വേണം. ഈ വശത്ത്, വാട്സൺ മനുഷ്യരേക്കാൾ പലമടങ്ങ് ശ്രേഷ്ഠനാണ്: അത് എല്ലാം കണക്കിലെടുക്കുന്നു, ഒന്നുമില്ല അറിയപ്പെടുന്ന വസ്തുതവിലമതിക്കാതെ പോകില്ല.

സിസ്റ്റത്തിൻ്റെ ആദ്യത്തെ പൊതു പരീക്ഷണം അമേരിക്കൻ ഗെയിമായ ജിയോപാർഡിയിൽ പങ്കാളിത്തമായിരുന്നു! (റഷ്യൻ തത്തുല്യം - "സ്വന്തം ഗെയിം"). ഇൻ്റർനെറ്റ് കണക്ഷൻ ഇല്ലാതെ, വിക്കിപീഡിയയുടെ മുഴുവൻ വാചകങ്ങളും, പൊതു വിജ്ഞാനകോശങ്ങളും നിഘണ്ടുക്കളും പോലെയുള്ള വിവരങ്ങളുടെ തുറന്ന ഉറവിടങ്ങൾ ഉപയോഗിച്ച്, ഈ ഗെയിമിൻ്റെ രണ്ട് റെക്കോർഡ് ഉടമകളെ പരാജയപ്പെടുത്താൻ വാട്‌സന് കഴിഞ്ഞു.

ഒരു സെമിനാറിനായി ഞങ്ങൾ നിങ്ങളെ IBM ക്ലയൻ്റ് സെൻ്ററിലേക്ക് ക്ഷണിക്കുന്നു "വാട്‌സൺ അനലിറ്റിക്‌സും" അനലിറ്റിക്‌സ് മേഖലയിലെ നൂതന സാങ്കേതികവിദ്യകളും!

ലോകത്തിലെ ആദ്യത്തെ കോഗ്നിറ്റീവ് സിസ്റ്റങ്ങളിലൊന്നാണ് ഐബിഎം വാട്സൺ. ഈ സംവിധാനത്തിന് വളരെയധികം ചെയ്യാൻ കഴിയും, ഇതിന് നന്ദി, വാട്‌സൻ്റെ കഴിവുകൾ പല മേഖലകളിലും ഉപയോഗിക്കുന്നു - പാചകം മുതൽ ജനസാന്ദ്രതയുള്ള പ്രദേശങ്ങളിലെ അപകടങ്ങൾ പ്രവചിക്കുന്നത് വരെ. പൊതുവേ, വാട്‌സൻ്റെ മിക്ക കഴിവുകളും അദ്വിതീയമല്ല, എന്നാൽ ഒരുമിച്ച് എടുത്താൽ, ഈ കഴിവുകളെല്ലാം വളരെ വലുതാണ്. ശക്തമായ ഉപകരണംവിവിധ പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ.

ഉദാഹരണത്തിന് - സ്വാഭാവിക ഭാഷ തിരിച്ചറിയൽ, ചലനാത്മകമായ സിസ്റ്റം പഠനം, അനുമാനങ്ങളുടെ നിർമ്മാണവും വിലയിരുത്തലും. ഇതെല്ലാം IBM വാട്‌സനെ നേരിട്ടുള്ള ശരിയായ ഉത്തരങ്ങൾ നൽകാൻ പഠിക്കാൻ അനുവദിച്ചു (കൂടെ ഉയർന്ന ബിരുദംവിശ്വാസ്യത) ഓപ്പറേറ്ററുടെ ചോദ്യങ്ങൾക്ക്. അതേ സമയം, കോഗ്നിറ്റീവ് സിസ്റ്റത്തിന് ആഗോള ഘടനയില്ലാത്ത ഡാറ്റയുടെ വലിയ നിരകൾ ജോലിക്ക് ഉപയോഗിക്കാൻ കഴിയും, ബിഗ് ഡാറ്റ. ഐബിഎം വാട്‌സൺ ഭാഷയുമായി എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്നതിൻ്റെ അടിസ്ഥാന തത്വങ്ങൾ എന്തൊക്കെയാണ്? ഇതിനെക്കുറിച്ച് കൂടുതൽ തുടർച്ചയിൽ.

സ്വാഭാവിക ഭാഷ തിരിച്ചറിയുന്നതിനുള്ള പ്രധാന വെല്ലുവിളികൾ

മനുഷ്യരെ സംബന്ധിച്ചിടത്തോളം ഭാഷ ചിന്തകൾ പ്രകടിപ്പിക്കാനുള്ള ഒരു ഉപാധിയാണ്. ഞങ്ങളുടെ അഭിപ്രായങ്ങളും വിവരങ്ങളും വിവരങ്ങളും അറിയിക്കാൻ ഞങ്ങൾ ഭാഷ ഉപയോഗിക്കുന്നു. നമുക്ക് പ്രവചനങ്ങൾ നടത്താനും സിദ്ധാന്തങ്ങൾ രൂപപ്പെടുത്താനും കഴിയും. നമ്മുടെ ബോധത്തിൻ്റെ ആണിക്കല്ല് ഭാഷയാണ്. അതേ സമയം, ഇവിടെ ഒരു വിരോധാഭാസമുണ്ട്: മനുഷ്യ ഭാഷ വളരെ കൃത്യമല്ല.

പല പദങ്ങളും യുക്തിക്ക് നിരക്കാത്തതാണ്, കമ്പ്യൂട്ടർ സിസ്റ്റങ്ങൾക്ക് നമ്മളെ മനസ്സിലാക്കാൻ വളരെ ബുദ്ധിമുട്ടായിരിക്കും. ഉദാഹരണത്തിന്, ഒരു ശബ്ദം എങ്ങനെ നേർത്തതായിരിക്കും? നിങ്ങൾക്ക് എങ്ങനെ നാണക്കേട് കത്തിക്കാം? ഒരു മെഷീനെ സംബന്ധിച്ചിടത്തോളം ഇത് ഒരു പ്രശ്നമാണ്, എന്നാൽ ഒരു വ്യക്തിക്ക് ഇത് തികച്ചും സാധാരണമായ കാര്യമാണ്. ഒരു ചോദ്യത്തിന് ശരിയായി ഉത്തരം നൽകുന്നതിന്, പല കേസുകളിലും നിലവിലുള്ള സന്ദർഭം കണക്കിലെടുക്കേണ്ടത് ആവശ്യമാണ് എന്നതാണ് വസ്തുത. മതിയായ വസ്തുതാപരമായ വിവരങ്ങളില്ലാതെ, ഒരു ചോദ്യത്തിന് കൃത്യമായ ഉത്തരം നൽകുന്നത് ബുദ്ധിമുട്ടാണ്, ചോദ്യത്തിൻ്റെ ഘടകങ്ങൾക്ക് നിങ്ങൾക്ക് അക്ഷരാർത്ഥത്തിൽ കൃത്യമായ ഉത്തരം കണ്ടെത്താൻ കഴിയുമെങ്കിലും.

നാച്ചുറൽ ലാംഗ്വേജ് പ്രോസസ്സിംഗ് - ആരംഭിക്കുന്നു

പലതും കമ്പ്യൂട്ടർ സംവിധാനങ്ങൾഭാഷ വിശകലനം ചെയ്യാൻ കഴിയും, എന്നാൽ അതേ സമയം ഒരു ഉപരിപ്ലവമായ വിശകലനം നടത്തുന്നു. ഉദാഹരണത്തിന്, വലിയ അളവിലുള്ള വിവരങ്ങളിലുള്ള വികാരങ്ങളിലെ മാറ്റങ്ങളുടെ ട്രെൻഡുകളുടെ സ്ഥിതിവിവരക്കണക്ക് സാധുതയുള്ള വിലയിരുത്തൽ നടത്തുന്നതിന് ഇത് അർത്ഥമാക്കാം. ഇവിടെ, വിവര കൈമാറ്റത്തിൻ്റെ കൃത്യത വളരെ പ്രധാനമല്ല, കാരണം തെറ്റായ പോസിറ്റീവ് ഫലങ്ങളുടെ എണ്ണം തെറ്റായ നെഗറ്റീവ് ഫലങ്ങളുടെ എണ്ണത്തിന് ഏകദേശം തുല്യമാണെന്ന് ഞങ്ങൾ അനുമാനിച്ചാലും, അവ പരസ്പരം റദ്ദാക്കുന്നു.

എന്നാൽ എല്ലാ കേസുകളും പ്രാധാന്യമർഹിക്കുന്നുണ്ടെങ്കിൽ, ഉപരിപ്ലവമായ ഭാഷാ വിശകലനവുമായി പ്രവർത്തിക്കുന്ന സിസ്റ്റങ്ങൾക്ക് മേലിൽ അവരുടെ ജോലി ശരിയായി ചെയ്യാൻ കഴിയില്ല. ശ്രദ്ധേയമായ ഒരു ഉദാഹരണംപറഞ്ഞിരിക്കുന്നത് ഒരു ചുമതലയായിരിക്കാം വോയ്സ് അസിസ്റ്റൻ്റ്ഏതെങ്കിലും മൊബൈൽ ഉപകരണങ്ങൾ. "എനിക്ക് ഒരു പിസ്സ കണ്ടെത്തൂ" എന്ന് നിങ്ങൾ പറഞ്ഞാൽ, അസിസ്റ്റൻ്റ് പിസ്സേറിയകളുടെ ഒരു ലിസ്റ്റ് പ്രദർശിപ്പിക്കും. "മാഡ്രിഡിൽ എനിക്കായി പിസ്സ തിരയരുത്" എന്ന് നിങ്ങൾ പറഞ്ഞാൽ, ഉദാഹരണത്തിന്, സിസ്റ്റം ഇപ്പോഴും തിരയും. ചില കീവേഡുകൾ തിരിച്ചറിഞ്ഞ് ഒരു നിശ്ചിത നിയമങ്ങൾ ഉപയോഗിച്ചാണ് ഇത്തരം സംവിധാനങ്ങൾ പ്രവർത്തിക്കുന്നത്. ഫലം കൃത്യമായിരിക്കാം നൽകിയ സംവിധാനംനിയമങ്ങൾ, പക്ഷേ തെറ്റ്.

ആഴത്തിലുള്ള നാച്ചുറൽ ലാംഗ്വേജ് പ്രോസസ്സിംഗ്

വികാരങ്ങളും മറ്റ് ഘടകങ്ങളും കണക്കിലെടുത്ത് സങ്കീർണ്ണമായ സെമാൻ്റിക് ഘടനകളെ വിശകലനം ചെയ്യാൻ സിസ്റ്റത്തെ പഠിപ്പിക്കുന്നതിന്, വിദഗ്ധർ ആഴത്തിലുള്ള സ്വാഭാവിക ഭാഷാ പ്രോസസ്സിംഗ് ഉപയോഗിച്ചു. അതായത്, ഒരു ചോദ്യോത്തര ഉള്ളടക്ക അനലിറ്റിക്സ് സിസ്റ്റം (ഡീപ് ക്വസ്റ്റ്യൻ*ആൻസറിംഗ്, ഡീപ്ക്യുഎ). കൂടുതൽ കൃത്യത ആവശ്യമാണെങ്കിൽ, നിങ്ങൾ ഉപയോഗിക്കേണ്ടതുണ്ട് അധിക രീതികൾസ്വാഭാവിക ഭാഷാ സംസ്കരണം.
IBM Watson ഒരു ആഴത്തിലുള്ള സ്വാഭാവിക ഭാഷാ പ്രോസസ്സിംഗ് സംവിധാനമാണ്. വിശകലനം ചെയ്യുമ്പോൾ പ്രത്യേക പ്രശ്നം, ശരിയായ ഉത്തരം നൽകാൻ, സിസ്റ്റം കഴിയുന്നത്ര വിശാലമായ ഒരു സന്ദർഭം വിലയിരുത്താൻ ശ്രമിക്കുന്നു. ഇത് ചോദ്യ വിവരങ്ങൾ മാത്രമല്ല, വിജ്ഞാന അടിസ്ഥാന ഡാറ്റയും ഉപയോഗിക്കുന്നു.
സ്വാഭാവിക ഭാഷയുടെ ആഴത്തിലുള്ള സംസ്കരണത്തിന് കഴിവുള്ള ഒരു സിസ്റ്റം സൃഷ്ടിക്കുന്നത് മറ്റൊരു പ്രശ്നം പരിഹരിക്കുന്നത് സാധ്യമാക്കി - പ്രതിദിനം സൃഷ്ടിക്കപ്പെടുന്ന വലിയ അളവിലുള്ള വിവരങ്ങളുടെ വിശകലനം. ഇത് ട്വീറ്റുകൾ, സന്ദേശങ്ങൾ പോലെയുള്ള ഘടനയില്ലാത്ത വിവരങ്ങളാണ് സോഷ്യൽ നെറ്റ്വർക്കുകൾ, റിപ്പോർട്ടുകൾ, ലേഖനങ്ങൾ എന്നിവയും അതിലേറെയും. മനുഷ്യൻ്റെ പ്രശ്‌നങ്ങൾ പരിഹരിക്കാൻ ഇതെല്ലാം ഉപയോഗിക്കാൻ ഐബിഎം വാട്‌സൺ പഠിച്ചു.

ഐബിഎം വാട്സൺ കോഗ്നിറ്റീവ് സിസ്റ്റം

കമ്പ്യൂട്ടിംഗ് കഴിവുകളുടെ വ്യത്യസ്ത തലമാണ് വാട്‌സൺ. സിസ്റ്റത്തിന് സ്വാഭാവിക ഭാഷയിൽ ചില പ്രസ്താവനകൾ വേർതിരിക്കാനും ഈ പ്രസ്താവനകൾ തമ്മിലുള്ള ബന്ധം കണ്ടെത്താനും കഴിയും. അതേ സമയം, വാട്സൺ ചുമതലയെ നേരിടുന്നു, പല കേസുകളിലും, പോലും മനുഷ്യനെക്കാൾ നല്ലത്, ഡാറ്റ പ്രോസസ്സിംഗ് വളരെ വേഗത്തിലാണെങ്കിലും, ജോലി വളരെ കൂടുതലാണ് വലിയ വോള്യങ്ങൾ- ഒരു വ്യക്തിക്ക് ഇതിന് കഴിവില്ല.

കോഗ്നിറ്റീവ് സിസ്റ്റത്തിൻ്റെ അടിസ്ഥാന സവിശേഷതകൾ

സിസ്റ്റം ഈ ക്രമത്തിൽ പ്രവർത്തിക്കുന്നു:

1. വാട്സണിന് ഒരു ചോദ്യം ലഭിക്കുമ്പോൾ, ചോദ്യത്തിൻ്റെ പ്രധാന സവിശേഷതകൾ വേർതിരിച്ചെടുക്കാൻ അത് പാഴ്സ് ചെയ്യുന്നു.

2. ഒരു പരിധിവരെ സംഭാവ്യതയോടെ, ആവശ്യമായ ഉത്തരം അടങ്ങിയിരിക്കുന്ന പദസമുച്ചയങ്ങൾക്കായി കോർപ്പസ് സ്കാൻ ചെയ്തുകൊണ്ട് സിസ്റ്റം അനുമാനങ്ങളുടെ ഒരു പരമ്പര സൃഷ്ടിക്കുന്നു. നയിക്കാൻ വേണ്ടി കാര്യക്ഷമമായ തിരയൽഘടനാരഹിതമായ വിവരങ്ങളുടെ സ്ട്രീമുകളിൽ, തികച്ചും വ്യത്യസ്തമായ കമ്പ്യൂട്ടിംഗ് കഴിവുകൾ ആവശ്യമാണ് * അവയെ കോഗ്നിറ്റീവ് സിസ്റ്റങ്ങൾ എന്ന് വിളിക്കുന്നു. (അവസാന വാചകവും നക്ഷത്രചിഹ്നത്തിൻ്റെ പങ്കും എനിക്ക് ശരിക്കും മനസ്സിലാകുന്നില്ല)

3. സിസ്റ്റം നിർവ്വഹിക്കുന്നു ആഴത്തിലുള്ള താരതമ്യംചോദ്യത്തിൻ്റെ ഭാഷയും സാധ്യമായ ഓരോ ഉത്തരത്തിൻ്റെയും ഭാഷയും ഉപയോഗിക്കുന്നു വിവിധ അൽഗോരിതങ്ങൾലോജിക്കൽ അനുമാനം.

ഇത് ബുദ്ധിമുട്ടുള്ള ഒരു ഘട്ടമാണ്. നൂറുകണക്കിന് അനുമാന അൽഗോരിതങ്ങൾ ഉണ്ട്, അവയെല്ലാം ചെയ്യുന്നു വ്യത്യസ്ത താരതമ്യങ്ങൾ. ഉദാഹരണത്തിന്, ചിലർ പൊരുത്തപ്പെടുന്ന പദങ്ങൾക്കും പര്യായങ്ങൾക്കും വേണ്ടി തിരയുന്നു, മറ്റുള്ളവർ താൽക്കാലികവും സ്ഥലപരവുമായ സവിശേഷതകൾ നോക്കുന്നു, മറ്റുള്ളവർ സന്ദർഭോചിതമായ വിവരങ്ങളുടെ പ്രസക്തമായ ഉറവിടങ്ങൾ വിശകലനം ചെയ്യുന്നു.

4. അൽഗോരിതം പരിഗണിക്കുന്ന ഡൊമെയ്‌നിലെ ഒരു ചോദ്യത്തിൽ നിന്ന് എത്രത്തോളം സാധ്യമായ ഉത്തരം പിന്തുടരുമെന്ന് സൂചിപ്പിക്കുന്ന ഒന്നോ അതിലധികമോ സ്‌കോറുകൾ ഓരോ അനുമാന അൽഗോരിതം നൽകുന്നു.

5. ലഭിച്ച ഓരോ സ്‌കോറിനും ഒരു സ്റ്റാറ്റിസ്റ്റിക്കൽ മോഡൽ അനുസരിച്ച് ഒരു വെയ്റ്റിംഗ് കോഫിഫിഷ്യൻ്റ് നൽകും, ഇത് അൽഗോരിതം തിരിച്ചറിയുന്നതിൽ എത്രത്തോളം വിജയിച്ചുവെന്ന് രേഖപ്പെടുത്തുന്നു. ലോജിക്കൽ കണക്ഷനുകൾവാട്‌സൻ്റെ "പഠന കാലഘട്ടത്തിൽ" ഈ പ്രദേശത്ത് നിന്നുള്ള സമാനമായ രണ്ട് ശൈലികൾക്കിടയിൽ. ഈ സ്റ്റാറ്റിസ്റ്റിക്കൽ മോഡൽ ആത്മവിശ്വാസത്തിൻ്റെ മൊത്തത്തിലുള്ള നിലവാരം നിർണ്ണയിക്കാൻ ഉപയോഗിക്കാം വാട്സൺ സിസ്റ്റങ്ങൾഎന്ന ചോദ്യത്തിൽ നിന്ന് സാധ്യമായ ഉത്തരം പിന്തുടരുന്നു.

6. വാട്സൺ എല്ലാവർക്കുമായി പ്രക്രിയ ആവർത്തിക്കുന്നു സാധ്യമായ ഓപ്ഷൻമറ്റുള്ളവരേക്കാൾ ശരിയാകാൻ സാധ്യതയുള്ള ഉത്തരങ്ങൾ കണ്ടെത്തുന്നതുവരെ ഉത്തരം നൽകുക.

മുകളിൽ സൂചിപ്പിച്ചതുപോലെ, ഒരു ചോദ്യത്തിന് ശരിയായി ഉത്തരം നൽകാൻ, സിസ്റ്റം ബന്ധപ്പെടണം അധിക ഉറവിടങ്ങൾഡാറ്റ. ഇവ പാഠപുസ്തകങ്ങൾ, മാനുവലുകൾ, പതിവുചോദ്യങ്ങൾ, വാർത്തകൾ തുടങ്ങി എല്ലാം ആകാം. ശരിയായ ഉത്തരം ലഭിക്കുന്നതിന് വാട്‌സൺ നിമിഷങ്ങൾക്കുള്ളിൽ വലിയ അളവിലുള്ള വിവരങ്ങൾ പ്രോസസ്സ് ചെയ്യുന്നു. അതേ സമയം, കണ്ടെത്തിയ ഉള്ളടക്കവും പരിശോധിക്കുകയും കാലഹരണപ്പെട്ടതും ഉപയോഗശൂന്യവുമായ ഡാറ്റ ഇല്ലാതാക്കുകയും ചെയ്യുന്നു.

കോഗ്നിറ്റീവ് സിസ്റ്റത്തിൻ്റെ ഘടകങ്ങൾ

അധിക ഡാറ്റാബേസിൽ നിന്ന് ലഭിച്ച വിവരങ്ങളിൽ നിന്ന് വാചകത്തിൻ്റെ പൊതുവായ അർത്ഥം വാട്സൺ കണക്കാക്കുന്നു. ഇത് പ്രമാണത്തിൻ്റെ ശീർഷകം, പ്രമാണത്തിൻ്റെ ടെക്‌സ്‌റ്റിൻ്റെ ഭാഗം അല്ലെങ്കിൽ എല്ലാ വാചകങ്ങളും ഉപയോഗിക്കുന്നു.

വൈജ്ഞാനിക സംവിധാനങ്ങൾ, വിവരങ്ങൾ ശേഖരിക്കുന്നതിനും ഓർമ്മിക്കുന്നതിനും വീണ്ടെടുക്കുന്നതിനുമുള്ള അവയുടെ രീതികൾ മനുഷ്യർ വിവരങ്ങൾ എങ്ങനെ വിശകലനം ചെയ്യുന്നു എന്നതിന് സമാനമാണ്. ഈ സാഹചര്യത്തിൽ, കോഗ്നിറ്റീവ് സിസ്റ്റങ്ങൾക്ക് വിവരങ്ങൾ കൈമാറാനും പ്രവർത്തിക്കാനും കഴിയും. ഈ കേസിൽ ഉപയോഗിക്കുന്ന പെരുമാറ്റ ഘടനകളുടെ ഉദാഹരണങ്ങൾ ഇതാ:

അനുമാനങ്ങൾ സൃഷ്ടിക്കുന്നതിനും പരീക്ഷിക്കുന്നതിനുമുള്ള കഴിവ്;
- ഘടകങ്ങളായി വിഭജിക്കാനും ഭാഷയെക്കുറിച്ച് യുക്തിസഹമായ നിഗമനങ്ങൾ നിർമ്മിക്കാനുമുള്ള കഴിവ്;
- വേർതിരിച്ചെടുക്കാനും വിലയിരുത്താനുമുള്ള കഴിവ് ഉപകാരപ്രദമായ വിവരം(തീയതികൾ, ലൊക്കേഷനുകൾ, സവിശേഷതകൾ എന്നിവ പോലെ).

ഈ കഴിവുകളില്ലാതെ, ഒരു കമ്പ്യൂട്ടറിനോ മനുഷ്യനോ ചോദ്യങ്ങളും ഉത്തരങ്ങളും തമ്മിലുള്ള ശരിയായ ബന്ധം നിർണ്ണയിക്കാൻ കഴിയില്ല.
വൈജ്ഞാനിക പ്രക്രിയകൾ കൂടുതലാണ് ഉയർന്ന ക്രമംനേടാൻ കഴിയും ഉയർന്ന തലംമനസ്സിലാക്കൽ, പെരുമാറ്റത്തിൻ്റെ അടിസ്ഥാന രീതികളിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു. എന്തെങ്കിലും മനസ്സിലാക്കാൻ, ചോദ്യം ചെയ്യപ്പെടുന്ന തലത്തിൽ നന്നായി ക്രമീകരിച്ചിരിക്കുന്ന ചെറിയ ഘടകങ്ങളായി വിവരങ്ങൾ വിഭജിക്കാൻ നമുക്ക് കഴിയണം. മനുഷ്യരിലെ ഭൗതിക പ്രക്രിയകൾ കോസ്മിക് സ്കെയിലിലോ പ്രാഥമിക കണങ്ങളുടെ തലത്തിലോ ഉള്ള പ്രക്രിയകളിൽ നിന്ന് തികച്ചും വ്യത്യസ്തമായി തുടരുന്നു. അതുപോലെ, വൈജ്ഞാനിക സംവിധാനങ്ങൾ മനുഷ്യ തലത്തിൽ പ്രവർത്തിക്കാൻ രൂപകൽപ്പന ചെയ്തിട്ടുള്ളതാണ്, അവ വൈവിധ്യമാർന്ന ആളുകളെ പ്രതിനിധീകരിക്കുന്നുവെങ്കിലും.

ഇക്കാര്യത്തിൽ, ഭാഷ മനസ്സിലാക്കുന്നത് കൂടുതൽ മനസ്സിലാക്കുന്നതിലൂടെ ആരംഭിക്കുന്നു ലളിതമായ നിയമങ്ങൾഭാഷ - ഔപചാരിക വ്യാകരണം മാത്രമല്ല, ദൈനംദിന ഉപയോഗത്തിൽ നിരീക്ഷിക്കപ്പെടുന്ന അനൗപചാരിക കൺവെൻഷനുകളും.

ഇതെല്ലാം എന്തിനുവേണ്ടിയാണ്?

ഇപ്പോൾ ഐബിഎം വാട്സൺ കോഗ്നിറ്റീവ് സിസ്റ്റത്തിന്, നിരവധി വർഷത്തെ പരിശീലനത്തിനും മെച്ചപ്പെടുത്തലിനും നന്ദി, ഏറ്റവും കൂടുതൽ ജോലി ചെയ്യാൻ കഴിയും വ്യത്യസ്ത മേഖലകൾ. ഇവിടെ നമുക്ക് മരുന്ന്, പാചകം, ഭാഷാശാസ്ത്രം, ശാസ്ത്രീയ പ്രശ്നങ്ങളുള്ള ബിസിനസ്സ് പ്രശ്നങ്ങൾ പരിഹരിക്കൽ എന്നിവയുണ്ട്.

തുടക്കത്തിൽ, സ്പെഷ്യലിസ്റ്റുകൾക്ക് ഒരു ചോയ്സ് ഉണ്ടായിരുന്നു - സിസ്റ്റം സാർവത്രികമോ പ്രത്യേകമോ ആക്കുന്നതിന്. ഓരോ ഓപ്ഷനും അതിൻ്റേതായ ഗുണങ്ങളും ദോഷങ്ങളുമുണ്ട്, പക്ഷേ തിരഞ്ഞെടുപ്പ് ബഹുമുഖത്തിൻ്റെ ദിശയിലാണ് നടത്തിയത്.

കമ്പനിയുടെ തിരഞ്ഞെടുപ്പ് ശരിയാണെന്ന് ഇതിനകം തന്നെ പലതവണ ബോധ്യപ്പെട്ടിട്ടുണ്ട് - മുമ്പ്

ഒരു നെറ്റ്‌വർക്കുമായി ബന്ധിപ്പിച്ചിട്ടുള്ള നിരവധി സെർവർ കമ്പ്യൂട്ടറുകളാണ് ആധുനിക സൂപ്പർ കമ്പ്യൂട്ടറുകൾ. അവയുടെ കമ്പ്യൂട്ടിംഗ് വേഗത അളക്കുന്നത് പെറ്റാഫ്ലോപ്പിലാണ്.

• 1 petaflops = 10 15 പ്രവർത്തനങ്ങൾ ഒരു സെക്കൻഡിൽ

മനുഷ്യ മസ്തിഷ്കത്തിൻ്റെ ശരാശരി പ്രകടനം 20 പെറ്റാഫ്ലോപ്പുകളാണ്. ലോകത്തിലെ ചുരുക്കം ചില സൂപ്പർ കമ്പ്യൂട്ടറുകൾക്ക് മാത്രമേ മികച്ച പ്രകടനമുള്ളൂ, എന്നാൽ അവയ്‌ക്കൊന്നും മനുഷ്യൻ്റെ തലച്ചോറിനെ മാറ്റിസ്ഥാപിക്കാൻ കഴിയില്ല.

ലോകത്ത് ഇപ്പോൾ നൂറുകണക്കിന് സൂപ്പർ കമ്പ്യൂട്ടറുകളുണ്ട്. ഏറ്റവും ശക്തരായവ വാർഷിക TOP-500 റാങ്കിംഗിൽ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്. 2016-ൽ, ഈ റേറ്റിംഗിൽ ചൈനീസ് സൺവേ ടൈഹുലൈറ്റ് ഒന്നാമതെത്തി. ഇതിനുമുമ്പ് മൂന്നുവർഷം നേതൃസ്ഥാനവും വഹിച്ചിരുന്നു ചൈനീസ് കമ്പ്യൂട്ടർടിയാൻഹെ-2. ഈ റാങ്കിംഗിൽ ഐബിഎമ്മിന് രണ്ട് സൂപ്പർ കമ്പ്യൂട്ടറുകളുണ്ട്: മിറയും സെക്വോയയും. രണ്ടാമത്തേത് 2012 ൽ നേതാവായിരുന്നു, ഇപ്പോൾ നാലാം സ്ഥാനത്താണ്.

ആന്ദ്രേ ഫിലറ്റോവ് ( സിഇഒറഷ്യയിലെയും സിഐഎസ് രാജ്യങ്ങളിലെയും ഐബിഎം) കോഗ്നിറ്റീവ് ടെക്നോളജികളെക്കുറിച്ച്

ഡോ. ഏറ്റവും പ്രശസ്തമായ സൂപ്പർ കമ്പ്യൂട്ടർ ആണ് വാട്സൺ

സ്വാഭാവിക ഭാഷയിൽ ചോദ്യങ്ങൾ മനസ്സിലാക്കുകയും ഡാറ്റ വിശകലനം ചെയ്തുകൊണ്ട് ഉത്തരം നൽകുകയും ചെയ്യുന്നു എന്നതാണ് വാട്‌സൻ്റെ പ്രധാന നേട്ടം. 2011ൽ ഒരു ഗെയിം ഷോയിൽ വാട്‌സൺ ആളുകളെ തോൽപ്പിച്ചിരുന്നു അപകടസാധ്യത!(റഷ്യൻ തത്തുല്യം - "സ്വന്തം ഗെയിം").

"" എന്ന് വിളിക്കപ്പെടുന്ന ആപ്ലിക്കേഷൻ സാങ്കേതികവിദ്യകളുടെ ഒരു കൂട്ടമാണ് വാട്സൺ. ക്ലൗഡ് സേവനങ്ങൾ" വാട്സൺ ഏറ്റവും സജീവമായി വൈദ്യശാസ്ത്രത്തിൽ ഉപയോഗിക്കുന്നു, ക്യാൻസർ നിർണ്ണയിക്കാനും ചികിത്സിക്കാനും സഹായിക്കുന്നു. ഇതിൻ്റെ മെമ്മറിയിൽ 600,000-ത്തിലധികം മെഡിക്കൽ റിപ്പോർട്ടുകൾ അടങ്ങിയിരിക്കുന്നു. യിലും ഇത് ഉപയോഗിക്കുന്നു സാമ്പത്തിക മേഖല, നിയമം, ഹോട്ടൽ ബിസിനസ്സ്, മറ്റ് നിരവധി വ്യവസായങ്ങൾ. മാത്രമല്ല, സെലിബ്രിറ്റികളുമായി സംഭാഷണം നടത്താൻ പോലും അദ്ദേഹത്തിന് കഴിയും.

ലോഡ് ചെയ്യുമ്പോൾ ഒരു പിശക് സംഭവിച്ചു.

അമേരിക്കൻ ടെന്നീസ് താരം സെറീന വില്യംസുമായി വാട്സൺ സംസാരിക്കുന്നു

ഐബിഎം വാട്‌സണിനായുള്ള അപേക്ഷകൾ

വിദ്യാഭ്യാസം.യുഎസ് സ്‌കൂളുകൾ ടീച്ചർ അഡൈ്വസറിനെ വാട്‌സണിനൊപ്പം പരീക്ഷിക്കുന്നു, ഇത് മെച്ചപ്പെടുത്തുന്നതിനുള്ള നുറുങ്ങുകൾ വാഗ്ദാനം ചെയ്യുന്ന ഒരു വൈജ്ഞാനിക ഉപകരണമാണ്. പാഠ്യപദ്ധതിപരിശീലന പരിപാടികളുടെ വ്യക്തിഗതമാക്കലും.

ശാസ്ത്രം. ജോൺസൺ ആൻഡ് ജോൺസൺ ശാസ്ത്ര സാഹിത്യം വിശകലനം ചെയ്യാൻ വാട്സനെ ഉപയോഗിക്കുന്നു. ഒരു വലിയ അളവിലുള്ള മെറ്റീരിയലുകളിൽ നിന്ന്, ഗവേഷണത്തിന് ആവശ്യമായവ അദ്ദേഹം തിരഞ്ഞെടുക്കുന്നു, കൂടാതെ ഗവേഷണം വളരെ വേഗത്തിലും കാര്യക്ഷമമായും നടത്താൻ കഴിയും.

സുരക്ഷ.റോൾഡ് സ്റ്റീൽ നിർമ്മാതാക്കളായ നോർത്ത് സ്റ്റാർ ബ്ലൂസ്കോപ്പ് സ്റ്റീൽ, അങ്ങേയറ്റത്തെ സാഹചര്യങ്ങളിൽ തൊഴിലാളികളെ സംരക്ഷിക്കുന്നതിനുള്ള പരിഹാരങ്ങൾ സൃഷ്ടിക്കാൻ വാട്സൺ ഇൻ്റർനെറ്റ് ഓഫ് തിംഗ്സ് ഉപയോഗിക്കാൻ നോക്കുന്നു. ഡാറ്റ ശേഖരിക്കുന്നതിനും പ്രോസസ്സ് ചെയ്യുന്നതിനുമുള്ള ഉപകരണങ്ങളും തൊഴിലാളികൾ ധരിക്കും. അപകടകരമായ സാഹചര്യങ്ങൾ ഉണ്ടായാൽ, ഉടൻ തന്നെ നോർത്ത് സ്റ്റാർ മാനേജ്മെൻ്റിന് വിവരം അയയ്ക്കും.

സൈബർ സുരക്ഷ. സൈബർ കുറ്റവാളികൾ ഹാക്ക് ചെയ്യുന്നു വിവര സംവിധാനംസംരംഭങ്ങൾ, തുടർന്ന് "കറുത്ത" ഇൻ്റർനെറ്റിൽ അവയിലേക്കുള്ള ആക്സസ് വിൽക്കുക. ഒരു ഭാഗത്ത് ആണെങ്കിൽ ഗ്ലോബ്ഒരു പരാജയമോ വഞ്ചനയോ ഉണ്ടെങ്കിൽ, വാട്സൺ സിസ്റ്റം സിസ്റ്റത്തിൻ്റെ മറ്റ് ഉപയോക്താക്കളെ അറിയിക്കും.

മരുന്ന്. നോർത്ത് കരോലിന സർവകലാശാലയും മറ്റ് 12 പഠന കേന്ദ്രങ്ങളും ഓങ്കോളജിക്കൽ രോഗങ്ങൾരോഗികളുടെ ഡിഎൻഎ വിശകലനം ചെയ്‌ത് വ്യക്തിഗത ചികിത്സകൾ വികസിപ്പിക്കുന്നതിന് വാട്‌സൺ ഉപയോഗിക്കുന്നു.

ഇത്രയും വലിയ വിവരങ്ങളുടെ സാമ്പിൾ വിശകലനം ചെയ്യാൻ ഒരു ഡോക്ടർക്കും കഴിയില്ല, ഒരു കമ്പ്യൂട്ടർ മാത്രം

സെപ്റ്റംബർ 3, 2015 11:34 am

ഐബിഎം വാട്സൺ കോഗ്നിറ്റീവ് സിസ്റ്റം: പ്രകൃതി ഭാഷയിൽ പ്രവർത്തിക്കാനുള്ള തത്വങ്ങൾ

• IBM ബ്ലോഗ്,
• അൽഗോരിതങ്ങൾ

ലോകത്തിലെ ആദ്യത്തെ കോഗ്നിറ്റീവ് സിസ്റ്റങ്ങളിലൊന്നാണ് ഐബിഎം വാട്സൺ. ഈ സംവിധാനത്തിന് വളരെയധികം ചെയ്യാൻ കഴിയും, ഇതിന് നന്ദി, വാട്‌സൻ്റെ കഴിവുകൾ പല മേഖലകളിലും ഉപയോഗിക്കുന്നു - പാചകം മുതൽ ജനസാന്ദ്രതയുള്ള പ്രദേശങ്ങളിലെ അപകടങ്ങൾ പ്രവചിക്കുന്നത് വരെ. പൊതുവേ, വാട്‌സൻ്റെ മിക്ക കഴിവുകളും അദ്വിതീയമല്ല, എന്നാൽ ഒരുമിച്ച് എടുത്താൽ, ഈ കഴിവുകളെല്ലാം വിവിധ പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നതിനുള്ള വളരെ ശക്തമായ ഉപകരണത്തെ പ്രതിനിധീകരിക്കുന്നു.

ഉദാഹരണത്തിന് - സ്വാഭാവിക ഭാഷ തിരിച്ചറിയൽ, ചലനാത്മകമായ സിസ്റ്റം പഠനം, അനുമാനങ്ങളുടെ നിർമ്മാണവും വിലയിരുത്തലും. ഓപ്പറേറ്റർമാരുടെ ചോദ്യങ്ങൾക്ക് നേരിട്ടുള്ള ശരിയായ ഉത്തരങ്ങൾ (ഉയർന്ന വിശ്വാസ്യതയോടെ) നൽകാൻ പഠിക്കാൻ ഇതെല്ലാം IBM വാട്സനെ അനുവദിച്ചു. അതേ സമയം, കോഗ്നിറ്റീവ് സിസ്റ്റത്തിന് ആഗോള ഘടനയില്ലാത്ത ഡാറ്റയുടെ വലിയ നിരകൾ, ബിഗ് ഡാറ്റ ഉപയോഗിക്കാൻ കഴിയും. ഐബിഎം വാട്‌സൺ ഭാഷയുമായി എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്നതിൻ്റെ അടിസ്ഥാന തത്വങ്ങൾ എന്തൊക്കെയാണ്? ഇതിനെക്കുറിച്ച് കൂടുതൽ തുടർച്ചയിൽ.

സ്വാഭാവിക ഭാഷ തിരിച്ചറിയുന്നതിനുള്ള പ്രധാന വെല്ലുവിളികൾ

മനുഷ്യരെ സംബന്ധിച്ചിടത്തോളം ഭാഷ ചിന്തകൾ പ്രകടിപ്പിക്കാനുള്ള ഒരു ഉപാധിയാണ്. ഞങ്ങളുടെ അഭിപ്രായങ്ങളും വിവരങ്ങളും വിവരങ്ങളും അറിയിക്കാൻ ഞങ്ങൾ ഭാഷ ഉപയോഗിക്കുന്നു. നമുക്ക് പ്രവചനങ്ങൾ നടത്താനും സിദ്ധാന്തങ്ങൾ രൂപപ്പെടുത്താനും കഴിയും. നമ്മുടെ ബോധത്തിൻ്റെ ആണിക്കല്ല് ഭാഷയാണ്. അതേ സമയം, ഇവിടെ ഒരു വിരോധാഭാസമുണ്ട്: മനുഷ്യ ഭാഷ വളരെ കൃത്യമല്ല.

പല പദങ്ങളും യുക്തിക്ക് നിരക്കാത്തതാണ്, കമ്പ്യൂട്ടർ സിസ്റ്റങ്ങൾക്ക് നമ്മളെ മനസ്സിലാക്കാൻ വളരെ ബുദ്ധിമുട്ടായിരിക്കും. ഉദാഹരണത്തിന്, ഒരു ശബ്ദം എങ്ങനെ നേർത്തതായിരിക്കും? നിങ്ങൾക്ക് എങ്ങനെ നാണക്കേട് കത്തിക്കാം? ഒരു മെഷീനെ സംബന്ധിച്ചിടത്തോളം ഇത് ഒരു പ്രശ്നമാണ്, എന്നാൽ ഒരു വ്യക്തിക്ക് ഇത് തികച്ചും സാധാരണമായ കാര്യമാണ്. ഒരു ചോദ്യത്തിന് ശരിയായി ഉത്തരം നൽകുന്നതിന്, പല കേസുകളിലും നിലവിലുള്ള സന്ദർഭം കണക്കിലെടുക്കേണ്ടത് ആവശ്യമാണ് എന്നതാണ് വസ്തുത. മതിയായ വസ്തുതാപരമായ വിവരങ്ങളില്ലാതെ, ഒരു ചോദ്യത്തിന് കൃത്യമായ ഉത്തരം നൽകുന്നത് ബുദ്ധിമുട്ടാണ്, ചോദ്യത്തിൻ്റെ ഘടകങ്ങൾക്ക് നിങ്ങൾക്ക് അക്ഷരാർത്ഥത്തിൽ കൃത്യമായ ഉത്തരം കണ്ടെത്താൻ കഴിയുമെങ്കിലും.

നാച്ചുറൽ ലാംഗ്വേജ് പ്രോസസ്സിംഗ് - ആരംഭിക്കുന്നു

പല കമ്പ്യൂട്ടർ സിസ്റ്റങ്ങളും ഭാഷ വിശകലനം ചെയ്യാൻ പ്രാപ്തമാണ്, എന്നാൽ വിശകലനം ഉപരിപ്ലവമാണ്. ഉദാഹരണത്തിന്, വലിയ അളവിലുള്ള വിവരങ്ങളിലുള്ള വികാരങ്ങളിലെ മാറ്റങ്ങളുടെ ട്രെൻഡുകളുടെ സ്ഥിതിവിവരക്കണക്ക് സാധുതയുള്ള വിലയിരുത്തൽ നടത്തുന്നതിന് ഇത് അർത്ഥമാക്കാം. ഇവിടെ, വിവര കൈമാറ്റത്തിൻ്റെ കൃത്യത വളരെ പ്രധാനമല്ല, കാരണം തെറ്റായ പോസിറ്റീവ് ഫലങ്ങളുടെ എണ്ണം തെറ്റായ നെഗറ്റീവ് ഫലങ്ങളുടെ എണ്ണത്തിന് ഏകദേശം തുല്യമാണെന്ന് ഞങ്ങൾ അനുമാനിച്ചാലും, അവ പരസ്പരം റദ്ദാക്കുന്നു.

എന്നാൽ എല്ലാ കേസുകളും പ്രാധാന്യമർഹിക്കുന്നുണ്ടെങ്കിൽ, ഉപരിപ്ലവമായ ഭാഷാ വിശകലനവുമായി പ്രവർത്തിക്കുന്ന സിസ്റ്റങ്ങൾക്ക് മേലിൽ അവരുടെ ജോലി ശരിയായി ചെയ്യാൻ കഴിയില്ല. ഏതൊരു മൊബൈൽ ഉപകരണത്തിൻ്റെയും വോയ്‌സ് അസിസ്റ്റൻ്റിനുള്ള ഒരു ടാസ്‌ക്കായിരിക്കും ഇതിൻ്റെ ശ്രദ്ധേയമായ ഉദാഹരണം. "എനിക്ക് ഒരു പിസ്സ കണ്ടെത്തൂ" എന്ന് നിങ്ങൾ പറഞ്ഞാൽ, അസിസ്റ്റൻ്റ് പിസ്സേറിയകളുടെ ഒരു ലിസ്റ്റ് പ്രദർശിപ്പിക്കും. "മാഡ്രിഡിൽ എനിക്കായി പിസ്സ തിരയരുത്" എന്ന് നിങ്ങൾ പറഞ്ഞാൽ, ഉദാഹരണത്തിന്, സിസ്റ്റം ഇപ്പോഴും തിരയും. ചില കീവേഡുകൾ തിരിച്ചറിഞ്ഞ് ഒരു നിശ്ചിത നിയമങ്ങൾ ഉപയോഗിച്ചാണ് ഇത്തരം സംവിധാനങ്ങൾ പ്രവർത്തിക്കുന്നത്. ഒരു നിശ്ചിത നിയമ വ്യവസ്ഥയിൽ ഫലം കൃത്യമായിരിക്കാം, പക്ഷേ തെറ്റാണ്.

ആഴത്തിലുള്ള നാച്ചുറൽ ലാംഗ്വേജ് പ്രോസസ്സിംഗ്

വികാരങ്ങളും മറ്റ് ഘടകങ്ങളും കണക്കിലെടുത്ത് സങ്കീർണ്ണമായ സെമാൻ്റിക് ഘടനകളെ വിശകലനം ചെയ്യാൻ സിസ്റ്റത്തെ പഠിപ്പിക്കുന്നതിന്, വിദഗ്ധർ ആഴത്തിലുള്ള സ്വാഭാവിക ഭാഷാ പ്രോസസ്സിംഗ് ഉപയോഗിച്ചു. അതായത്, ഒരു ചോദ്യോത്തര ഉള്ളടക്ക അനലിറ്റിക്സ് സിസ്റ്റം (ഡീപ് ക്വസ്റ്റ്യൻ*ആൻസറിംഗ്, ഡീപ്ക്യുഎ). കൂടുതൽ കൃത്യത ആവശ്യമാണെങ്കിൽ, അധിക സ്വാഭാവിക ഭാഷാ പ്രോസസ്സിംഗ് രീതികൾ ഉപയോഗിക്കേണ്ടതുണ്ട്.
IBM Watson ഒരു ആഴത്തിലുള്ള സ്വാഭാവിക ഭാഷാ പ്രോസസ്സിംഗ് സംവിധാനമാണ്. ഒരു നിർദ്ദിഷ്ട ചോദ്യം വിശകലനം ചെയ്യുമ്പോൾ, ശരിയായ ഉത്തരം നൽകാൻ സിസ്റ്റം കഴിയുന്നത്ര വിശാലമായ സന്ദർഭം വിലയിരുത്താൻ ശ്രമിക്കുന്നു. ഇത് ചോദ്യ വിവരങ്ങൾ മാത്രമല്ല, വിജ്ഞാന അടിസ്ഥാന ഡാറ്റയും ഉപയോഗിക്കുന്നു.
സ്വാഭാവിക ഭാഷയുടെ ആഴത്തിലുള്ള സംസ്കരണത്തിന് കഴിവുള്ള ഒരു സിസ്റ്റം സൃഷ്ടിക്കുന്നത് മറ്റൊരു പ്രശ്നം പരിഹരിക്കുന്നത് സാധ്യമാക്കി - പ്രതിദിനം സൃഷ്ടിക്കപ്പെടുന്ന വലിയ അളവിലുള്ള വിവരങ്ങളുടെ വിശകലനം. ഇത് ട്വീറ്റുകൾ, സോഷ്യൽ മീഡിയ പോസ്റ്റുകൾ, റിപ്പോർട്ടുകൾ, ലേഖനങ്ങൾ മുതലായവ പോലെയുള്ള ഘടനാരഹിതമായ വിവരങ്ങളാണ്. മനുഷ്യൻ്റെ പ്രശ്‌നങ്ങൾ പരിഹരിക്കാൻ ഇതെല്ലാം ഉപയോഗിക്കാൻ ഐബിഎം വാട്‌സൺ പഠിച്ചു.

ഐബിഎം വാട്സൺ കോഗ്നിറ്റീവ് സിസ്റ്റം

കമ്പ്യൂട്ടിംഗ് കഴിവുകളുടെ വ്യത്യസ്ത തലമാണ് വാട്‌സൺ. സിസ്റ്റത്തിന് സ്വാഭാവിക ഭാഷയിൽ ചില പ്രസ്താവനകൾ വേർതിരിക്കാനും ഈ പ്രസ്താവനകൾ തമ്മിലുള്ള ബന്ധം കണ്ടെത്താനും കഴിയും. അതേ സമയം, വാട്സൺ ചുമതലയെ നേരിടുന്നു, പല കേസുകളിലും, ഒരു മനുഷ്യനേക്കാൾ മികച്ചതാണ്, ഡാറ്റ പ്രോസസ്സിംഗ് വളരെ വേഗത്തിലാണെങ്കിലും, ജോലി വളരെ വലിയ വോള്യങ്ങളോടെയാണ് നടത്തുന്നത് - ഒരു വ്യക്തിക്ക് ഇതിന് കഴിവില്ല.

കോഗ്നിറ്റീവ് സിസ്റ്റത്തിൻ്റെ അടിസ്ഥാന സവിശേഷതകൾ

സിസ്റ്റം ഈ ക്രമത്തിൽ പ്രവർത്തിക്കുന്നു:

1. വാട്സണിന് ഒരു ചോദ്യം ലഭിക്കുമ്പോൾ, ചോദ്യത്തിൻ്റെ പ്രധാന സവിശേഷതകൾ വേർതിരിച്ചെടുക്കാൻ അത് പാഴ്സ് ചെയ്യുന്നു.

2. ഒരു പരിധിവരെ സംഭാവ്യതയോടെ, ആവശ്യമായ ഉത്തരം അടങ്ങിയിരിക്കുന്ന പദസമുച്ചയങ്ങൾക്കായി കോർപ്പസ് സ്കാൻ ചെയ്തുകൊണ്ട് സിസ്റ്റം അനുമാനങ്ങളുടെ ഒരു പരമ്പര സൃഷ്ടിക്കുന്നു. ഘടനാരഹിതമായ വിവരങ്ങളുടെ സ്ട്രീമുകളിലൂടെ ഫലപ്രദമായി തിരയുന്നതിന്, തികച്ചും വ്യത്യസ്തമായ കമ്പ്യൂട്ടിംഗ് കഴിവുകൾ ആവശ്യമാണ് * അവയെ കോഗ്നിറ്റീവ് സിസ്റ്റങ്ങൾ എന്ന് വിളിക്കുന്നു. (അവസാന വാചകവും നക്ഷത്രചിഹ്നത്തിൻ്റെ പങ്കും എനിക്ക് ശരിക്കും മനസ്സിലാകുന്നില്ല)

3. വിവിധ അനുമാന അൽഗോരിതങ്ങൾ ഉപയോഗിച്ച്, ചോദ്യത്തിൻ്റെ ഭാഷയുടെയും സാധ്യമായ ഓരോ ഉത്തര ഓപ്ഷനുകളുടെയും ഭാഷയുടെയും ആഴത്തിലുള്ള താരതമ്യം സിസ്റ്റം നടത്തുന്നു.

ഇത് ബുദ്ധിമുട്ടുള്ള ഒരു ഘട്ടമാണ്. നൂറുകണക്കിന് അനുമാന അൽഗോരിതങ്ങൾ ഉണ്ട്, അവയെല്ലാം വ്യത്യസ്ത താരതമ്യങ്ങൾ നടത്തുന്നു. ഉദാഹരണത്തിന്, ചിലർ പൊരുത്തപ്പെടുന്ന പദങ്ങൾക്കും പര്യായങ്ങൾക്കും വേണ്ടി തിരയുന്നു, മറ്റുള്ളവർ താൽക്കാലികവും സ്ഥലപരവുമായ സവിശേഷതകൾ നോക്കുന്നു, മറ്റുള്ളവർ സന്ദർഭോചിതമായ വിവരങ്ങളുടെ പ്രസക്തമായ ഉറവിടങ്ങൾ വിശകലനം ചെയ്യുന്നു.

4. അൽഗോരിതം പരിഗണിക്കുന്ന ഡൊമെയ്‌നിലെ ഒരു ചോദ്യത്തിൽ നിന്ന് എത്രത്തോളം സാധ്യമായ ഉത്തരം പിന്തുടരുമെന്ന് സൂചിപ്പിക്കുന്ന ഒന്നോ അതിലധികമോ സ്‌കോറുകൾ ഓരോ അനുമാന അൽഗോരിതം നൽകുന്നു.

5. വാട്‌സൻ്റെ "പരിശീലന കാലയളവിൽ" ആ ഡൊമെയ്‌നിലെ സമാനമായ രണ്ട് വാക്യങ്ങൾ തമ്മിലുള്ള ലോജിക്കൽ കണക്ഷനുകൾ തിരിച്ചറിയുന്നതിൽ അൽഗോരിതം എത്ര നന്നായി പ്രവർത്തിച്ചുവെന്ന് രേഖപ്പെടുത്തുന്ന സ്റ്റാറ്റിസ്റ്റിക്കൽ മോഡൽ പ്രകാരം ലഭിച്ച ഓരോ സ്‌കോറിനും ഒരു ഭാരം നൽകുന്നു. ഈ സ്റ്റാറ്റിസ്റ്റിക്കൽ മോഡൽ പിന്നീട് ഒരു ചോദ്യത്തിൽ നിന്ന് സാധ്യമായ ഉത്തരം പിന്തുടരുന്ന വാട്സൻ്റെ മൊത്തത്തിലുള്ള ആത്മവിശ്വാസം നിർണ്ണയിക്കാൻ ഉപയോഗിക്കാം.

6. മറ്റുള്ളവയെ അപേക്ഷിച്ച് ശരിയാകാൻ സാധ്യതയുള്ള ഉത്തരങ്ങൾ കണ്ടെത്തുന്നതുവരെ, സാധ്യമായ ഓരോ ഉത്തരത്തിനും വാട്സൺ നടപടിക്രമം ആവർത്തിക്കുന്നു.

മുകളിൽ സൂചിപ്പിച്ചതുപോലെ, ഒരു ചോദ്യത്തിന് ശരിയായി ഉത്തരം നൽകാൻ, സിസ്റ്റത്തിന് അധിക ഡാറ്റ ഉറവിടങ്ങൾ ആക്സസ് ചെയ്യേണ്ടതുണ്ട്. ഇവ പാഠപുസ്തകങ്ങൾ, മാനുവലുകൾ, പതിവുചോദ്യങ്ങൾ, വാർത്തകൾ തുടങ്ങി എല്ലാം ആകാം. ശരിയായ ഉത്തരം ലഭിക്കുന്നതിന് വാട്‌സൺ നിമിഷങ്ങൾക്കുള്ളിൽ വലിയ അളവിലുള്ള വിവരങ്ങൾ പ്രോസസ്സ് ചെയ്യുന്നു. അതേ സമയം, കണ്ടെത്തിയ ഉള്ളടക്കവും പരിശോധിക്കുകയും കാലഹരണപ്പെട്ടതും ഉപയോഗശൂന്യവുമായ ഡാറ്റ ഇല്ലാതാക്കുകയും ചെയ്യുന്നു.

കോഗ്നിറ്റീവ് സിസ്റ്റത്തിൻ്റെ ഘടകങ്ങൾ

അധിക ഡാറ്റാബേസിൽ നിന്ന് ലഭിച്ച വിവരങ്ങളിൽ നിന്ന് വാചകത്തിൻ്റെ പൊതുവായ അർത്ഥം വാട്സൺ കണക്കാക്കുന്നു. ഇത് പ്രമാണത്തിൻ്റെ ശീർഷകം, പ്രമാണത്തിൻ്റെ ടെക്‌സ്‌റ്റിൻ്റെ ഭാഗം അല്ലെങ്കിൽ എല്ലാ വാചകങ്ങളും ഉപയോഗിക്കുന്നു.

വൈജ്ഞാനിക സംവിധാനങ്ങൾ, വിവരങ്ങൾ ശേഖരിക്കുന്നതിനും ഓർമ്മിക്കുന്നതിനും വീണ്ടെടുക്കുന്നതിനുമുള്ള അവയുടെ രീതികൾ മനുഷ്യർ വിവരങ്ങൾ എങ്ങനെ വിശകലനം ചെയ്യുന്നു എന്നതിന് സമാനമാണ്. ഈ സാഹചര്യത്തിൽ, കോഗ്നിറ്റീവ് സിസ്റ്റങ്ങൾക്ക് വിവരങ്ങൾ കൈമാറാനും പ്രവർത്തിക്കാനും കഴിയും. ഈ കേസിൽ ഉപയോഗിക്കുന്ന പെരുമാറ്റ ഘടനകളുടെ ഉദാഹരണങ്ങൾ ഇതാ:

അനുമാനങ്ങൾ സൃഷ്ടിക്കുന്നതിനും പരീക്ഷിക്കുന്നതിനുമുള്ള കഴിവ്;
- ഘടകങ്ങളായി വിഭജിക്കാനും ഭാഷയെക്കുറിച്ച് യുക്തിസഹമായ നിഗമനങ്ങൾ നിർമ്മിക്കാനുമുള്ള കഴിവ്;
- ഉപയോഗപ്രദമായ വിവരങ്ങൾ വീണ്ടെടുക്കാനും വിലയിരുത്താനുമുള്ള കഴിവ് (തീയതികൾ, ലൊക്കേഷനുകൾ, സവിശേഷതകൾ എന്നിവ പോലെ).

ഈ കഴിവുകളില്ലാതെ, ഒരു കമ്പ്യൂട്ടറിനോ മനുഷ്യനോ ചോദ്യങ്ങളും ഉത്തരങ്ങളും തമ്മിലുള്ള ശരിയായ ബന്ധം നിർണ്ണയിക്കാൻ കഴിയില്ല.
ഉയർന്ന ക്രമത്തിലുള്ള വൈജ്ഞാനിക പ്രക്രിയകൾക്ക് അടിസ്ഥാനപരമായ പെരുമാറ്റരീതികളിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നതിലൂടെ ഉയർന്ന തലത്തിലുള്ള ധാരണ കൈവരിക്കാൻ കഴിയും. എന്തെങ്കിലും മനസ്സിലാക്കാൻ, ചോദ്യം ചെയ്യപ്പെടുന്ന തലത്തിൽ നന്നായി ക്രമീകരിച്ചിരിക്കുന്ന ചെറിയ ഘടകങ്ങളായി വിവരങ്ങൾ വിഭജിക്കാൻ നമുക്ക് കഴിയണം. മനുഷ്യരിലെ ഭൗതിക പ്രക്രിയകൾ കോസ്മിക് സ്കെയിലിലോ പ്രാഥമിക കണങ്ങളുടെ തലത്തിലോ ഉള്ള പ്രക്രിയകളിൽ നിന്ന് തികച്ചും വ്യത്യസ്തമായി തുടരുന്നു. അതുപോലെ, വൈജ്ഞാനിക സംവിധാനങ്ങൾ മനുഷ്യ തലത്തിൽ പ്രവർത്തിക്കാൻ രൂപകൽപ്പന ചെയ്തിട്ടുള്ളതാണ്, അവ വൈവിധ്യമാർന്ന ആളുകളെ പ്രതിനിധീകരിക്കുന്നുവെങ്കിലും.

ഇക്കാര്യത്തിൽ, ഭാഷ മനസ്സിലാക്കുന്നത് ആരംഭിക്കുന്നത് ഭാഷയുടെ ലളിതമായ നിയമങ്ങൾ മനസ്സിലാക്കുന്നതിലൂടെയാണ് - ഔപചാരിക വ്യാകരണം മാത്രമല്ല, ദൈനംദിന ഉപയോഗത്തിൽ നിരീക്ഷിക്കപ്പെടുന്ന അനൗപചാരിക കൺവെൻഷനുകളും.

ഇതെല്ലാം എന്തിനുവേണ്ടിയാണ്?

ഇപ്പോൾ, വർഷങ്ങളുടെ പരിശീലനത്തിനും മെച്ചപ്പെടുത്തലിനും നന്ദി, IBM വാട്സൺ കോഗ്നിറ്റീവ് സിസ്റ്റത്തിന് വിവിധ മേഖലകളിൽ പ്രവർത്തിക്കാൻ കഴിയും. ഇവിടെ നമുക്ക് മരുന്ന്, പാചകം, ഭാഷാശാസ്ത്രം, ശാസ്ത്രീയ പ്രശ്നങ്ങളുള്ള ബിസിനസ്സ് പ്രശ്നങ്ങൾ പരിഹരിക്കൽ എന്നിവയുണ്ട്.

തുടക്കത്തിൽ, സ്പെഷ്യലിസ്റ്റുകൾക്ക് ഒരു ചോയ്സ് ഉണ്ടായിരുന്നു - സിസ്റ്റം സാർവത്രികമോ പ്രത്യേകമോ ആക്കുന്നതിന്. ഓരോ ഓപ്ഷനും അതിൻ്റേതായ ഗുണങ്ങളും ദോഷങ്ങളുമുണ്ട്, പക്ഷേ തിരഞ്ഞെടുപ്പ് ബഹുമുഖത്തിൻ്റെ ദിശയിലാണ് നടത്തിയത്.

കമ്പനിയുടെ തിരഞ്ഞെടുപ്പ് ശരിയാണെന്ന് ഇതിനകം തന്നെ പലതവണ ബോധ്യപ്പെട്ടിട്ടുണ്ട് - മുമ്പ്

) ഡേവിഡ് ഫെറൂച്ചിയുടെ നേതൃത്വത്തിലുള്ള ഒരു കൂട്ടം ഗവേഷകർ സൃഷ്ടിച്ച ഒരു ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് സംവിധാനമുള്ള ഒരു ഐബിഎം സൂപ്പർ കമ്പ്യൂട്ടറാണ്. ഇതിൻ്റെ സൃഷ്ടി DeepQA പദ്ധതിയുടെ ഭാഗമാണ്. സ്വാഭാവിക ഭാഷയിൽ രൂപപ്പെടുത്തിയ ചോദ്യങ്ങൾ മനസിലാക്കുകയും അവയ്ക്കുള്ള ഉത്തരങ്ങൾ ഒരു ഡാറ്റാബേസിൽ കണ്ടെത്തുകയും ചെയ്യുക എന്നതാണ് വാട്‌സൻ്റെ പ്രധാന ദൗത്യം. ഐബിഎം സ്ഥാപകൻ തോമസ് വാട്‌സൻ്റെ പേരിലാണ്.

"ജിയോപാർഡി!" എന്നതിലെ പങ്കാളിത്തം

2011 ഫെബ്രുവരിയിൽ, വാട്‌സൻ്റെ കഴിവുകൾ പരീക്ഷിക്കുന്നതിനായി, ജിയോപാർഡി! എന്ന ടെലിവിഷൻ ഷോയിൽ അദ്ദേഹം പങ്കെടുത്തു. (റഷ്യൻ തത്തുല്യം - സ്വന്തം ഗെയിം). പ്രോഗ്രാമിലെ ഏറ്റവും വലിയ വിജയിയായ ബ്രാഡ് റട്ടറും ഏറ്റവും ദൈർഘ്യമേറിയ അപരാജിത സ്ട്രീക്കിൻ്റെ റെക്കോർഡ് ഉടമയായ കെൻ ജെന്നിംഗും ആയിരുന്നു അദ്ദേഹത്തിൻ്റെ എതിരാളികൾ. വാട്‌സൺ ഒരു മില്യൺ ഡോളർ നേടി, ജെന്നിംഗ്‌സിനും റട്ടറിനും യഥാക്രമം 300,000 ഡോളറും 200,000 ഡോളറും ലഭിച്ചു.

പ്ലാറ്റ്ഫോം

വാട്‌സണിൽ 90 പവർ7 750 സെർവറുകൾ അടങ്ങിയിരിക്കുന്നു, ഓരോന്നിനും 4 വീതം എട്ട് കോർ പ്രൊസസർപവർ7. ആകെ RAMവാട്സണിന് 15 ടെറാബൈറ്റിലധികം ഉണ്ട്.

ഉൾപ്പെടെ 4 ടെറാബൈറ്റ് വോളിയമുള്ള ഘടനാപരമായതും ഘടനാരഹിതവുമായ വിവരങ്ങളുടെ 200 ദശലക്ഷം പേജുകളിലേക്ക് സിസ്റ്റത്തിന് ആക്സസ് ഉണ്ടായിരുന്നു. മുഴുവൻ വാചകംവിക്കിപീഡിയ. കളിക്കിടെ, വാട്സണിന് ഇൻ്റർനെറ്റ് ആക്സസ് ഇല്ലായിരുന്നു.

പദ്ധതിയുടെ ഭാവി

IBM, ന്യൂയൻസ് കമ്മ്യൂണിക്കേഷൻസുമായി ചേർന്ന്, രോഗികളെ കണ്ടെത്താനും ചികിത്സിക്കാനും സഹായിക്കുന്ന ഒരു ഉൽപ്പന്നം അടുത്ത രണ്ട് വർഷത്തിനുള്ളിൽ വികസിപ്പിക്കാൻ പദ്ധതിയിടുന്നു. ഇൻഷുറൻസ് പോളിസികൾ അല്ലെങ്കിൽ ഊർജ്ജ കാര്യക്ഷമത വിലയിരുത്തൽ പോലുള്ള മറ്റ് മേഖലകളിലെ അപേക്ഷകളും പരിഗണിക്കുന്നു.

വാട്‌സൻ്റെ ചരിത്രം ആരംഭിച്ചത് 2006-ൽ ഐബിഎമ്മിൻ്റെ സീനിയർ മാനേജർ ഡേവിഡ് ഫെറൂച്ചിയാണ്. സെമാൻ്റിക് വിശകലനം, ഏറ്റവും കൂടുതൽ ഒന്ന് പരീക്ഷിക്കാൻ തുടങ്ങി ശക്തമായ സൂപ്പർ കമ്പ്യൂട്ടറുകൾലോകത്തിലെ ഏറ്റവും ഉൽപ്പാദനക്ഷമതയുള്ള 500 കാറുകളിൽ ഒന്നാം സ്ഥാനത്തെത്തിയ കമ്പനി. "സ്വാഭാവിക ഭാഷ" നൽകുന്ന ടാസ്‌ക്കുകളെ യന്ത്രം എത്രത്തോളം ഫലപ്രദമായി നേരിടുമെന്ന് പരീക്ഷിക്കാൻ ഫെറൂച്ചി തീരുമാനിച്ചു, ഇതിനകം നടന്ന ജിയോപാർഡിയിൽ ചോദിച്ച 500 ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകാൻ അതിനെ ക്ഷണിച്ചു! ഫലങ്ങൾ വിനാശകരമായി മാറി: തത്സമയ കളിക്കാരുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ, മെഷീൻ വേണ്ടത്ര വേഗത്തിൽ “ബട്ടൺ അമർത്തില്ല” (അതായത്, ഉത്തരം നൽകാൻ തയ്യാറായിരുന്നു), കൂടാതെ ഇപ്പോഴും ആളുകളുമായി മത്സരിക്കാൻ കഴിയുമ്പോൾ, എണ്ണം ശരിയായ ഉത്തരങ്ങൾ 15% കവിയരുത്

സൂപ്പർകമ്പ്യൂട്ടറിൻ്റെ ഈ സ്വഭാവത്തിൻ്റെ കാരണങ്ങളിൽ ഫെറൂച്ചിക്ക് താൽപ്പര്യമുണ്ടായി, അതിൻ്റെ ഫലമായി, 2007 ൽ, 15 ആളുകളുടെ ഒരു ടീമിനെ നൽകാനും 3 മുതൽ 5 വർഷം വരെ ഫലപ്രദമായി സൃഷ്ടിക്കാൻ IBM മാനേജ്മെൻ്റിനെ ബോധ്യപ്പെടുത്താനും അദ്ദേഹത്തിന് കഴിഞ്ഞു. ഓട്ടോമാറ്റിക് സിസ്റ്റംഅനൗപചാരിക ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകാൻ കഴിവുള്ള. എല്ലാത്തരം കോൾ സെൻ്ററുകൾക്കും ഹെൽപ്പ് ഡെസ്‌ക്കുകൾക്കും ഉപഭോക്താക്കൾക്ക് സേവനം നൽകുന്ന മറ്റ് സേവനങ്ങൾക്കും ഇത്തരമൊരു സംവിധാനം ഉപയോഗപ്രദമാകും. ഐബിഎം നേരത്തെ തന്നെ ഉണ്ടായിരുന്നു വിജയകരമായ അനുഭവംമനുഷ്യ ബുദ്ധിയുമായി മത്സരിക്കാൻ കഴിയുന്ന ഒരു യന്ത്രം സൃഷ്ടിക്കുന്നു - നമ്മൾ സംസാരിക്കുന്നത് 1997 ൽ ലോക ചെസ്സ് ചാമ്പ്യൻ ഗാരി കാസ്പറോവിനെ പരാജയപ്പെടുത്തിയ ഡീപ് ബ്ലൂ എന്ന സൂപ്പർ കമ്പ്യൂട്ടറിനെക്കുറിച്ചാണ്. ഈ വിജയം IBM-ന് വലിയ പ്രചാരണം നൽകി, എന്നാൽ അത്തരമൊരു ഇൻസ്റ്റാളേഷനായി ഒരു വാണിജ്യ ആപ്ലിക്കേഷനും കണ്ടെത്താൻ കഴിഞ്ഞില്ല. ഒരു ഓട്ടോമാറ്റിക് ചോദ്യോത്തര സംവിധാനത്തിൻ്റെ കാര്യത്തിൽ, വാണിജ്യ സാധ്യതകൾ വളരെ വ്യക്തമാണ്.

അടിസ്ഥാനപരമായ വ്യത്യാസംഡീപ് ബ്ലൂസ് വാട്‌സൺ, ഒരു ചെസ്സ് മെഷീൻ കളിയുടെ കർശനമായ ലോജിക്കൽ നിയമങ്ങൾ കൈകാര്യം ചെയ്യുമ്പോൾ, "സ്വാഭാവിക സംസാരം" തിരിച്ചറിയുന്ന ഒരു യന്ത്രം കൂടുതൽ അഭിമുഖീകരിക്കുന്നു. സങ്കീർണ്ണമായ നിയമങ്ങൾഭാഷയും അവയിൽ നിന്നുള്ള നിരവധി വികലങ്ങളും വ്യതിയാനങ്ങളും. എന്നാൽ ഏറ്റവും വലിയ വെല്ലുവിളി, ആളുകൾ അത് തിരിച്ചറിയാതെ, അവരുടെ സാംസ്കാരികവും സാമൂഹികവുമായ പശ്ചാത്തലത്തിൽ ആശയവിനിമയം നടത്തുന്നു എന്നതാണ്. സംഭാഷണ സംഭാഷണം ഒരു പ്രത്യേക സാമൂഹിക പരിതസ്ഥിതിക്ക് പൊതുവായുള്ള ചില വസ്തുതകൾ, ആശയങ്ങൾ, പ്രതിഭാസങ്ങൾ എന്നിവയെക്കുറിച്ചുള്ള സൂചനകൾ, സൂചനകൾ, അർത്ഥങ്ങൾ എന്നിവയാൽ നിറഞ്ഞതാണ്. ഇതിൽ മതപരമായ ആശയങ്ങൾ, രാഷ്ട്രീയ വിശ്വാസങ്ങൾ, എല്ലാത്തരം കലാസൃഷ്ടികളും ഉൾപ്പെടുന്നു - പുസ്തകങ്ങളും ചിത്രങ്ങളും മുതൽ സിനിമകൾ വരെ കമ്പ്യൂട്ടർ ഗെയിമുകൾ.

വേണ്ടി കാര്യക്ഷമമായ പ്രോസസ്സിംഗ്അത്തരം വിവരങ്ങൾ സ്റ്റാറ്റിസ്റ്റിക്കൽ അൽഗോരിതങ്ങൾ ഉപയോഗിക്കുന്നു, അത് വിവിധങ്ങളായ രേഖകൾ വിശകലനം ചെയ്യുന്നതിലൂടെ, വ്യത്യസ്ത ആശയങ്ങൾ തമ്മിലുള്ള ബന്ധം സ്ഥാപിക്കാൻ അനുവദിക്കുന്നു. ലളിതമായി പറഞ്ഞാൽ, ഏത് പദങ്ങളാണ് മിക്കപ്പോഴും ഒരുമിച്ച് ഉപയോഗിക്കുന്നത് എന്ന് ഇത് നിർണ്ണയിക്കുന്നു. ഉദാഹരണത്തിന്, "ക്രെംലിൻ" പലപ്പോഴും "റഷ്യ", "മോസ്കോ" എന്നീ വാക്കുകളുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു, "കസാൻ", " നിസ്നി നോവ്ഗൊറോഡ്", ഇതിലും കുറവ് പലപ്പോഴും - "കത്തീഡ്രൽ", "ഐക്കൺ" മുതലായവ. ഈ അൽഗോരിതങ്ങൾ വളരെക്കാലമായി അറിയപ്പെട്ടിരുന്നുവെങ്കിലും, അവയുടെ പൂർണ്ണമായ പ്രയോഗം കഴിഞ്ഞ ദശകത്തിൽ മാത്രമാണ് സാധ്യമായത് - ഉൽപ്പാദനക്ഷമതയിൽ നാടകീയമായ വർദ്ധനവിന് ശേഷം കമ്പ്യൂട്ടർ സാങ്കേതികവിദ്യകൂടാതെ വലിയ അളവിലുള്ള ഡാറ്റ സംഭരിക്കുന്നതിനുള്ള ഡ്രൈവുകളുടെ വില കുറയ്ക്കുന്നു.

ഫെറൂച്ചിയുടെ ടീം ദശലക്ഷക്കണക്കിന് എല്ലാത്തരം രേഖകളും IBM വാട്‌സൻ്റെ മെമ്മറിയിലേക്ക് ലോഡ് ചെയ്യുന്നു - പാഠപുസ്തകങ്ങൾ, വിജ്ഞാനകോശങ്ങൾ, റഫറൻസ് പുസ്തകങ്ങൾ, ഫിക്ഷൻ, മത സാഹിത്യം. ചോദ്യങ്ങൾ വിശകലനം ചെയ്യാൻ, നൂറിലധികം അൽഗോരിതങ്ങൾ ഒരേസമയം ഉപയോഗിക്കുന്നു, നൂറുകണക്കിന് വാഗ്ദാനം ചെയ്യുന്നു സാധ്യമായ പരിഹാരങ്ങൾ. മറ്റ് അൽഗോരിതങ്ങൾ സാധ്യതയുള്ള ഉത്തരങ്ങളുടെ വിശ്വാസ്യതയെ വിലയിരുത്തുന്നു, കാരണം അസാധ്യമായവ ഇല്ലാതാക്കുന്നു വസ്തുനിഷ്ഠമായ കാരണങ്ങൾ(ഉദാഹരണത്തിന്, സംഭവത്തിൻ്റെ തീയതിയും കഥാപാത്രങ്ങളുടെ ജീവിത വർഷങ്ങളും തമ്മിലുള്ള പൊരുത്തക്കേടുകൾ) സാധ്യതയില്ല. കൂടുതൽ സമാനമായ ഉത്തരങ്ങൾ ലഭിക്കുന്നു, അവ ശരിയാകാനുള്ള സാധ്യത കൂടുതലാണ് - ഗെയിമിനിടെ, സ്കോർബോർഡ് ഏറ്റവും സാധാരണമായ ഉത്തരത്തിന് പുറമേ, ഏറ്റവും സാധ്യതയുള്ള നിരവധി ഉത്തരങ്ങളുടെ റേറ്റിംഗ് പ്രദർശിപ്പിക്കുന്നു.

2008-ഓടെ, IBM വാട്‌സൺ ഒരു അണ്ടർഡോഗ് എന്ന നിലയിൽ നിന്ന് മാറി മുകളിലെ വരികൾ"വിജയികളുടെ ക്ലൗഡ്" എന്ന് വിളിക്കപ്പെടുന്ന, 50% കേസുകളിൽ, ഒരു ഉത്തരത്തിനായി സിഗ്നലിംഗ് സിഗ്നലിംഗ് ബട്ടൺ ആദ്യം അമർത്തുകയും 85-95% കേസുകളിൽ ശരിയായ ഉത്തരം നൽകുകയും ചെയ്യുന്ന ആളുകൾ ഉൾപ്പെടുന്നു. 2010 അവസാനത്തോടെ വാട്‌സണിൻ്റെയും മുൻ വർഷങ്ങളിലെ വിജയികളുടെയും പങ്കാളിത്തത്തോടെ ഒരു പ്രത്യേക ഗെയിമുകൾ നടത്താൻ ജിയോപാർഡിയുടെ നിർമ്മാതാക്കളുമായി ഐബിഎം സമ്മതിച്ചു. ഈ ഗെയിമുകൾക്കായി തയ്യാറെടുക്കുന്നതിന് (അതായത്, അൽഗോരിതങ്ങൾ മെച്ചപ്പെടുത്തുന്നതിന്), ക്വിസ് സ്റ്റുഡിയോയുടെ ഏകദേശ ഇൻ്റീരിയർ പുനർനിർമ്മിക്കുകയും തത്സമയ കളിക്കാരുടെയും അവതാരകൻ്റെയും പങ്കാളിത്തത്തോടെ പരിശോധനകൾ നടത്താൻ തുടങ്ങുകയും ചെയ്തു. അതേ സമയം, പ്രതീക്ഷിച്ചതുപോലെ, "വാട്സൺ" ഒരു സമന്വയിപ്പിച്ച കമ്പ്യൂട്ടർ ശബ്ദത്തിൽ തൻ്റെ ഉത്തരങ്ങൾ ഉച്ചത്തിൽ നൽകുന്നു, അത് അവിടെയുള്ളവരെ വളരെയധികം രസിപ്പിക്കുന്നു.

"പരിശീലന" സമയത്ത്, രസകരമായ ഒരു വസ്തുത ഉയർന്നുവന്നു: വാട്സൻ്റെ പൂർണ്ണ ശേഷി ഇല്ലെങ്കിലും, മിക്ക ഗെയിമുകളും ജയിക്കാൻ മാത്രമല്ല, പകുതിയിലധികം നഷ്ടപ്പെടാനും അദ്ദേഹത്തിന് കഴിയും. നിരവധി കാരണങ്ങളുണ്ട്: "ഹിസ് മജസ്റ്റിയുടെ അവസരം" മുതൽ (എതിരാളിക്ക് ഓഹരികൾ ഉയർത്തി, കാർ പാപ്പരാകുന്നതിലൂടെ വിജയിക്കാൻ കഴിയുന്ന സാഹചര്യങ്ങൾ സാധ്യമാണ്) നിയമങ്ങളുടെ പ്രത്യേകതകൾ വരെ. വിചിത്രമെന്നു പറയട്ടെ, ഒരു വ്യക്തിക്ക് ഒരു യന്ത്രത്തേക്കാൾ വേഗത്തിൽ ഒരു ബട്ടൺ അമർത്താൻ കഴിയും, ഇത് ഗെയിമിൻ്റെ നിയമങ്ങൾ മൂലമാണ്, അത് മാറ്റാൻ കഴിയില്ല.

ഓരോ ചോദ്യവും സ്ക്രീനിൽ പ്രദർശിപ്പിക്കുകയും അവതാരകൻ വായിക്കുകയും ചെയ്യുന്നു എന്നതാണ് വസ്തുത, ചോദ്യം വായിച്ചതിനുശേഷം മാത്രമേ നിങ്ങൾക്ക് ബട്ടൺ അമർത്താൻ കഴിയൂ. എന്ന ചോദ്യ വാചകം വാട്സണിന് ലഭിക്കുന്നു ഇലക്ട്രോണിക് ഫോർമാറ്റിൽസ്‌ക്രീനിലേക്ക് അതിൻ്റെ ഔട്ട്‌പുട്ടിനൊപ്പം ഒരേസമയം, പക്ഷേ അതിന് എത്താൻ സമയമില്ല റെഡിമെയ്ഡ് പരിഹാരം മനുഷ്യനേക്കാൾ വേഗത്തിൽ. ആറ് മുതൽ ഏഴ് സെക്കൻഡ് വരെ എടുക്കുന്ന ചോദ്യം അവതാരകൻ വായിക്കുമ്പോൾ, പരിചയസമ്പന്നനായ ഒരു കളിക്കാരന് ശരിയായ ഉത്തരം നൽകാനുള്ള സാധ്യത ഇതിനകം തന്നെ വിലയിരുത്താൻ കഴിയും, കൂടാതെ വെറും പതിനായിരക്കണക്കിന് മില്ലിസെക്കൻഡിനുള്ളിൽ ബട്ടൺ അമർത്താൻ തയ്യാറാണ്. തുടർന്നുള്ള ഉത്തരത്തിനായി നിയമങ്ങൾ അഞ്ച് സെക്കൻഡ് കൂടി അനുവദിക്കും.

ഒരു ബട്ടൺ അമർത്തുന്നതിലൂടെ, ഒരു വ്യക്തി ഒരു റിസ്ക് എടുക്കുന്നു: 100 യൂണിറ്റുകൾക്കുള്ള ഒരു ചോദ്യത്തിന് ശരിയായ ഉത്തരം നൽകിയില്ലെങ്കിൽ, അവൻ വെർച്വൽ അക്കൗണ്ട്അതേ തുകയ്ക്ക് കാലിയാകും. കമ്പ്യൂട്ടർ അപകടസാധ്യതകളിലേക്ക് ചായ്‌വുള്ളതല്ല, എല്ലാ കണക്കുകൂട്ടലുകളും പൂർത്തിയാക്കിയതിനുശേഷം മാത്രമേ ഉത്തരങ്ങൾ നൽകൂ, ഈ ഉത്തരം ശരിയാണെന്ന വിശ്വാസ്യതയും സാധ്യതയും വിലയിരുത്തുന്നതിന് ആവശ്യമായ വിവരങ്ങൾ ഉണ്ടെങ്കിൽ മാത്രം. വീഡിയോയിൽ ഗെയിം സമയത്ത് ഇത് എങ്ങനെ കാണപ്പെടുന്നുവെന്ന് നിങ്ങൾക്ക് കാണാൻ കഴിയും. അപകടസാധ്യതകൾ എടുത്ത്, ജീവിച്ചിരിക്കുന്ന ഒരു കളിക്കാരന് തനിക്ക് ലഭ്യമായ 11-12 സെക്കൻഡിനുള്ളിൽ ആവശ്യമുള്ള ഉത്തരം ഓർമ്മിക്കുന്നതിനാൽ വിജയിക്കാൻ കഴിയും.

ഒരു ഗെയിം ഷോയേക്കാൾ അൽപ്പം കൂടുതൽ ഔപചാരികമായ സാഹചര്യത്തിൽ, വാട്സൻ്റെ അൽഗോരിതങ്ങൾക്ക് കൂടുതൽ പ്രവചനാതീതവും കൃത്യവുമായ ഉത്തരങ്ങൾ നൽകാൻ കഴിയും. പ്രത്യേകിച്ചും, IBM-ൻ്റെ ഗവേഷണ വിഭാഗം മേധാവി ജോൺ കെല്ലി, ഈ ഉപകരണത്തിൻ്റെ ഒരു മെഡിക്കൽ പതിപ്പ് നിർമ്മിക്കാൻ ഉദ്ദേശിക്കുന്നു, വാട്സൺ എം.ഡി. അത്തരം ഒരു സംവിധാനം ഡോക്ടർമാരെ വേഗത്തിൽ ശരിയായ തീരുമാനങ്ങൾ എടുക്കാൻ സഹായിക്കും, രോഗിയെക്കുറിച്ചുള്ള ഒരു വലിയ അളവിലുള്ള ഡാറ്റ കണക്കിലെടുക്കുന്നു, അത് എല്ലായ്പ്പോഴും മെമ്മറിയിൽ സൂക്ഷിക്കാൻ ശാരീരികമായി അസാധ്യമാണ്. "വാട്സൺ" കമ്പ്യൂട്ടറിലെ തത്സമയ ഓപ്പറേറ്റർമാരെ മാറ്റിസ്ഥാപിക്കും ടെലിഫോൺ സേവനങ്ങൾവി ചില്ലറ വ്യാപാരം, വി ബാങ്കിംഗ് മേഖലഗതാഗതത്തിലും.

ഒരു IBM വാട്‌സൺ-ക്ലാസ് സിസ്റ്റത്തിൻ്റെ ഇന്നത്തെ വില നിരവധി ദശലക്ഷം ഡോളർ ആയിരിക്കാം, കാരണം അതിന് പ്രവർത്തിക്കാൻ കുറഞ്ഞത് ഒരു ദശലക്ഷം ഡോളർ IBM സൂപ്പർ കമ്പ്യൂട്ടർ ആവശ്യമാണ്. അടുത്ത പത്ത് വർഷത്തിനുള്ളിൽ, അത്തരം സാങ്കേതികവിദ്യ വളരെ വിലകുറഞ്ഞ സെർവറിൽ നടപ്പിലാക്കാൻ കഴിയുമെന്ന് കെല്ലി വിശ്വസിക്കുന്നു, ഭാവിയിൽ അത്തരമൊരു പ്രോഗ്രാം ഒരു ആധുനിക ലാപ്ടോപ്പിനെക്കാൾ ചെലവേറിയ കമ്പ്യൂട്ടറിൽ പ്രവർത്തിക്കും.

വിവരമുള്ള ആംഗലേയ ഭാഷന്യൂയോർക്ക് ടൈംസ് വെബ്‌സൈറ്റിൽ ഐബിഎം വാട്‌സണെ ഓൺലൈനായി എടുക്കാം.

IBM Watson സൂപ്പർ കമ്പ്യൂട്ടർ ലൈവ് ഓപ്പറേറ്റർമാർക്ക് പകരം സാങ്കേതിക പിന്തുണാ സേവനങ്ങളിൽ ഉപയോഗിക്കാൻ പദ്ധതിയിട്ടിട്ടുണ്ട്. എന്നിരുന്നാലും, ഈ ജോലികളെല്ലാം അറിയപ്പെടുന്ന വിവരങ്ങളുടെ അടിസ്ഥാനത്തിൽ ഉപയോക്തൃ അഭ്യർത്ഥനകൾക്ക് ശരിയായ ഉത്തരം കണ്ടെത്തുന്നതുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു. IBM അത് യഥാർത്ഥമാണെന്ന് വിശ്വസിക്കുന്നു നിർമ്മിത ബുദ്ധിക്രിയേറ്റീവ് സൊല്യൂഷനുകൾ കണ്ടെത്താനും പുതിയ കാര്യങ്ങൾ സൃഷ്ടിക്കാനും കണ്ടുപിടിക്കാനും കഴിയണം, പഴയത് വിശകലനം ചെയ്യരുത്.

വാട്‌സൻ്റെ സൃഷ്ടിപരമായ കഴിവുകൾ വികസിപ്പിക്കുന്നതിന്, അദ്ദേഹത്തിൻ്റെ സ്രഷ്‌ടാക്കൾ പാചക കലകൾ തിരഞ്ഞെടുത്തു. ഇത് വളരെ സൗകര്യപ്രദമായ ഒരു ടെസ്റ്റിംഗ് ഗ്രൗണ്ടാണ്: പാചകം വളരെ "മനുഷ്യൻ" ആണ്, അവബോധജന്യമായ പ്രക്രിയയാണ്, അൽഗോരിതമൈസേഷനും സ്റ്റാൻഡേർഡൈസേഷനും മോശമായി അനുയോജ്യമാണ്. തെരുവിലുള്ള ആർക്കും ഫലങ്ങൾ വിലയിരുത്താനാകും. സ്പാനിഷ് ശൈലിയിലുള്ള ബദാം-ചോക്കലേറ്റ് കുക്കികൾ, ഇക്വഡോറിയൻ ശൈലിയിലുള്ള സ്ട്രോബെറി മധുരപലഹാരം, കുങ്കുമപ്പൂവിനൊപ്പം ടോസ്റ്റിൽ ചുട്ടുപഴുപ്പിച്ച തക്കാളി - ഇവയും വാട്സൺ സൃഷ്ടിച്ച മറ്റ് വിഭവങ്ങളും പരീക്ഷണങ്ങൾക്കിടയിൽ ഇതിനകം തയ്യാറാക്കി സന്തോഷത്തോടെ കഴിച്ചു. രണ്ടാഴ്ച മുമ്പ്, യഥാർത്ഥ പാചകക്കുറിപ്പുകൾ സൃഷ്ടിക്കാൻ വാട്സൺ ഉപയോഗിക്കുന്ന അൽഗോരിതങ്ങളും ഗണിതശാസ്ത്ര മോഡലുകളും വിവരിക്കുന്ന ഒരു ലേഖനത്തിൻ്റെ പ്രീപ്രിൻ്റ് പ്രസിദ്ധീകരിച്ചു.

ഏതൊരു ക്രിയാത്മക പരിഹാരവും ഒരേസമയം രണ്ട് മാനദണ്ഡങ്ങൾ പാലിക്കണം - പുതിയതും ഉയർന്ന നിലവാരമുള്ളതും. ചേരുവകളും പ്രോസസ്സിംഗ് ടെക്നിക്കുകളും സംയോജിപ്പിച്ച് പുതുമ നേടുന്നത് താരതമ്യേന എളുപ്പമാണ്. എന്നാൽ ഗുണനിലവാരത്തിൽ സ്ഥിതി കൂടുതൽ സങ്കീർണ്ണമാണ്. രുചി, സൌരഭ്യം, ഘടന എന്നിവ എന്താണെന്ന് മനസിലാക്കാൻ കമ്പ്യൂട്ടറിനെ പഠിപ്പിക്കുക രൂപംവിഭവങ്ങൾ വളരെ ബുദ്ധിമുട്ടാണ്.

ഇൻറർനെറ്റിൽ ശേഖരിച്ച ദശലക്ഷക്കണക്കിന് പാചകക്കുറിപ്പുകളാണ് വാട്‌സണിൻ്റെ പ്രാരംഭ ഡാറ്റ. തെളിയിക്കപ്പെട്ട നാച്ചുറൽ ലാംഗ്വേജ് പ്രോസസ്സിംഗ് അൽഗോരിതങ്ങളിലൂടെയാണ് അവ പ്രവർത്തിപ്പിക്കപ്പെട്ടത്, ക്വിസ് വിജയിക്കുന്നതിനും വാട്സൺ മെഡിസിൻ പഠിപ്പിക്കുന്നതിനും അവ ഉപയോഗിച്ചു. വിക്കിപീഡിയയിൽ നിന്ന് ലോകത്തിൻ്റെ വിവിധ രാജ്യങ്ങളിലെ പാചകരീതികളുടെ സ്വഭാവ സവിശേഷതകളായ സാധാരണ ചേരുവകളെക്കുറിച്ചും സംസ്കരണ സാങ്കേതികതകളെക്കുറിച്ചും വിവരങ്ങൾ വേർതിരിച്ചെടുത്തു. ഒടുവിൽ, രുചിയും മണവും സംബന്ധിച്ച മനുഷ്യൻ്റെ ധാരണയുടെ രസതന്ത്രത്തെയും ശരീരശാസ്ത്രത്തെയും കുറിച്ച് വാട്സൺ സമഗ്രമായ അറിവ് നേടി.

നിലവിലുള്ളവ ഉപയോഗിക്കുന്നതിനെ അടിസ്ഥാനമാക്കി പുതിയ പാചകക്കുറിപ്പുകൾ സൃഷ്ടിച്ചു ജനിതക അൽഗോരിതം, പുതുമ, സുഖം, അനുയോജ്യത എന്നിവയുടെ മൂല്യങ്ങൾ ഫിറ്റ്‌നസ് ഫംഗ്‌ഷനായി ഉപയോഗിച്ചു.

ഗണിതശാസ്ത്ര മാതൃകഒരു പാചകക്കുറിപ്പിൻ്റെ പുതുമയുടെ വിലയിരുത്തൽ ബെയ്‌സിൻ്റെ സിദ്ധാന്തത്തെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്; "ബയേസിയൻ സർപ്രൈസ്" എന്ന് വിളിക്കപ്പെടുന്ന സമീപനം ഉപയോഗിച്ചു, ഒരു വീഡിയോ കാണുമ്പോൾ കാഴ്ചക്കാരുടെ പെരുമാറ്റം മാതൃകയാക്കുന്നതിനായി വികസിപ്പിച്ചെടുത്തതാണ്. ചുരുക്കത്തിൽ, പാചക സ്ഥലത്ത് ഒരു പുതിയ ഉൽപ്പന്നം ചേർക്കുമ്പോൾ ഉൽപ്പന്നങ്ങളുടെ ഒരു പ്രത്യേക സംയോജനത്തെ അഭിമുഖീകരിക്കുന്നതിനുള്ള മുൻ-പിങ്ക് സാധ്യതകൾ തമ്മിലുള്ള വ്യത്യാസം അളക്കുന്നു എന്നതാണ് രീതിയുടെ സാരം. അതിനാൽ, സോസേജുകളുള്ള ചോക്ലേറ്റ് അല്ലെങ്കിൽ കടുക് എന്നിവയ്‌ക്കൊപ്പമുള്ള അണ്ടിപ്പരിപ്പ് കോമ്പിനേഷനുകൾ തികച്ചും നിസ്സാരമാണ്, മാത്രമല്ല വ്യത്യസ്ത കോമ്പിനേഷനുകളുടെ സാധ്യതകളിൽ മിക്കവാറും മാറ്റമൊന്നും വരുത്തുന്നില്ല. എന്നാൽ ചോക്ലേറ്റ് പൊതിഞ്ഞ സോസേജുകൾ ഈ സാധ്യതകളെ കൂടുതൽ സാരമായി ബാധിക്കും.

രസതന്ത്രം പ്രാഥമികമായി ആസ്വാദനത്തെ വിലയിരുത്താൻ ഉപയോഗിച്ചു. ഉൽപ്പന്നങ്ങളുടെ രാസഘടനയും അവയുടെ മിശ്രിതത്തിൻ്റെയും സംസ്കരണത്തിൻ്റെയും ക്രമവും അറിഞ്ഞുകൊണ്ട്, ഏത് പദാർത്ഥങ്ങളാണ് വിഭവത്തിൻ്റെ രുചിയും മണവും നിർണ്ണയിക്കുന്നതെന്ന് കമ്പ്യൂട്ടർ കണക്കാക്കി. രസകരമെന്നു പറയട്ടെ, വിഭവത്തിൻ്റെ രുചിയേക്കാൾ മണം വളരെ പ്രധാനമാണ്. രുചിയെക്കുറിച്ചുള്ള നമ്മുടെ ധാരണ മണവും സുഗന്ധവുമായി വളരെ അടുത്ത ബന്ധപ്പെട്ടിരിക്കുന്നു. ഒരു വ്യക്തി ചില അടിസ്ഥാന അഭിരുചികളെ മാത്രമേ വേർതിരിക്കുന്നുള്ളൂ - പുളി, മധുരം, ഉപ്പ്, കയ്പ്പ്. വ്യത്യസ്ത സംസ്കാരങ്ങൾ ടാർട്ട് അല്ലെങ്കിൽ ഉമാമി പോലെയുള്ള നിരവധി അടിസ്ഥാന അഭിരുചികളെ വേർതിരിക്കുന്നു. എന്നാൽ ഗന്ധങ്ങളുടെ വൈവിധ്യം വളരെ വലുതാണ്, അവ ലളിതമായ അടിസ്ഥാന കോമ്പിനേഷനുകളിലേക്ക് ചുരുക്കിയിട്ടില്ല.

അവസാനമായി, ഉൽപ്പന്ന അനുയോജ്യതയുടെ വിലയിരുത്തൽ ഗുരുതരമായ ശാസ്ത്രീയ അടിത്തറയെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്, പ്രത്യേകിച്ചും, അമേരിക്കൻ, ബ്രിട്ടീഷ് ശാസ്ത്രജ്ഞരുടെ "ആരോമാറ്റിക് നെറ്റ്‌വർക്കുകളും ഉൽപ്പന്ന കോമ്പിനേഷൻ്റെ തത്വങ്ങളും" എന്ന സംയുക്ത പഠനത്തെ അടിസ്ഥാനമാക്കി, അതിൽ ഏകദേശം 50,000 പാചകക്കുറിപ്പുകൾ വിശകലനം ചെയ്യുകയും ഉൽപ്പന്ന അനുയോജ്യത മാപ്പുകൾ സാധാരണമാക്കുകയും ചെയ്തു. കാരണം പാചകരീതികൾ നിർമ്മിച്ചു വ്യത്യസ്ത പ്രദേശങ്ങൾ.

തൽഫലമായി, നിങ്ങൾക്ക് ഒരു കൂട്ടം ഉൽപ്പന്നങ്ങൾ, ദേശീയ ശൈലി, വൈവിധ്യമാർന്ന വിഭവം എന്നിവ വ്യക്തമാക്കാൻ കഴിയുന്ന ഒരു ആപ്ലിക്കേഷൻ സൃഷ്ടിച്ചു, അതിനുശേഷം വാട്സൺ ഒരു കൂട്ടം പാചകക്കുറിപ്പുകൾ നൽകി, അത് പുതുമ, സുഖം, അനുയോജ്യത എന്നിവയുടെ അളവ് അനുസരിച്ച് ഓർഡർ ചെയ്യാൻ കഴിയും. വ്യക്തിഗത വിഭവങ്ങൾക്ക് പുറമേ, വാട്സന് മുഴുവൻ മെനുകളും സൃഷ്ടിക്കാൻ കഴിയും, വിഷയ മോഡലിംഗ് ഉപയോഗത്തിലൂടെ വൈവിധ്യവും വിഭവങ്ങളുടെ ശരിയായ കോമ്പിനേഷനുകളും നേടാനാകും. ഒരു ശേഖരണ മാതൃക നിർമ്മിക്കാനുള്ള വഴിയാണിത് ടെക്സ്റ്റ് പ്രമാണങ്ങൾ, അത് ശേഖരത്തെ വിഷയങ്ങളായി വിഭജിക്കുകയും ഓരോ ഡോക്യുമെൻ്റും ഏത് വിഷയത്തിൽ പെട്ടതാണെന്ന് നിർണ്ണയിക്കുകയും ചെയ്യുന്നു. വാട്സൺ ഈ മോഡൽ പാചകക്കുറിപ്പുകളിൽ പ്രയോഗിക്കുന്നു - പോലെ കീവേഡുകൾവ്യക്തിഗത ചേരുവകൾ പ്രമാണങ്ങളായി പ്രവർത്തിക്കുന്നു, കൂടാതെ പാചകക്കുറിപ്പുകൾ തന്നെ പ്രമാണങ്ങളായി പ്രവർത്തിക്കുന്നു.