ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഐടിയിൽ ഒരു സ്പ്ലാഷ് ഉണ്ടാക്കി, അവയിൽ താൽപ്പര്യം തുടരുന്നു. വീഡിയോ പ്രഭാഷണങ്ങളുടെ ഈ ശേഖരം ന്യൂറൽ നെറ്റ്‌വർക്ക് പ്രക്രിയകളെ മനസ്സിലാക്കുന്നതിന് വ്യക്തത കൊണ്ടുവരും.

ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ. ആമുഖം

താരതമ്യേന അടുത്തിടെ, കൃത്രിമ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ സൃഷ്ടിക്കുന്നത് സാധ്യമായി. ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ മാതൃകയാക്കാനും സൃഷ്ടിക്കാനും നിങ്ങളെ അനുവദിക്കുന്ന പ്രോഗ്രാമുകളുണ്ട്. ഈ സാങ്കേതികവിദ്യയുടെ ഉപയോഗം മിക്ക വ്യവസായങ്ങളിലും ഉപയോഗപ്രദമാണെന്ന് വ്യക്തമായി: ഗണിതം, വൈദ്യശാസ്ത്രം, കമ്പ്യൂട്ടർ സയൻസ് മുതലായവ. ഇത് കോഴ്‌സിന്റെ ആദ്യ പ്രഭാഷണത്തിൽ ചർച്ചചെയ്യും. ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ വിഷയത്തെക്കുറിച്ചുള്ള ചില സിദ്ധാന്തങ്ങളും നിങ്ങൾ കണ്ടെത്തും.

ഒരു ചെറിയ ജീവശാസ്ത്രം

ഈ വീഡിയോ ട്യൂട്ടോറിയൽ ന്യൂറോണുകൾ എങ്ങനെ പ്രവർത്തിക്കുന്നുവെന്നും ജൈവ പ്രക്രിയകളെ അടിസ്ഥാനമാക്കി അവ എങ്ങനെ സിഗ്നലുകൾ കൈമാറുന്നുവെന്നും ചർച്ച ചെയ്യും. മൃഗങ്ങളുടെയും മനുഷ്യരുടെയും മസ്തിഷ്കം ഒരു ന്യൂറൽ നെറ്റ്‌വർക്കിന് സമാനമാണ്, അതിൽ ന്യൂറോണുകൾ അടങ്ങിയിരിക്കുന്നു, അതിൽ ഡെൻഡ്രൈറ്റുകൾ, ആക്സോണുകൾ, മറ്റ് പ്രക്രിയകൾ എന്നിവ ഉൾപ്പെടുന്നു. ഈ മൂലകങ്ങളുടെ ചുമതല പുറത്ത് നിന്ന് സിഗ്നലുകൾ സ്വീകരിക്കുകയും അയൽ സെല്ലുകളിലേക്ക് പ്രോസസ്സ് ചെയ്ത വിവരങ്ങൾ അയയ്ക്കുകയും ചെയ്യുക എന്നതാണ്.

പൊതുവെ കൃത്രിമ ന്യൂറൽ നെറ്റ്‌വർക്കിനെക്കുറിച്ച്

ഈ വീഡിയോയിലെ കോഴ്‌സിന്റെ രചയിതാവ് ഒരു ന്യൂറൽ നെറ്റ്‌വർക്കിന്റെ ഘടനയെക്കുറിച്ച് ഉദാഹരണങ്ങളും ചിത്രങ്ങളും ഉപയോഗിച്ച് വിശദമായി സംസാരിക്കുന്നു. ഒരു യഥാർത്ഥ ബയോളജിക്കൽ ന്യൂറൽ നെറ്റ്‌വർക്കിന് ഒരു ത്രിമാന ഘടനയുണ്ട്. ഇതിനർത്ഥം, കോശങ്ങൾ പരസ്പരം എങ്ങനെ ബന്ധിപ്പിച്ചിരിക്കുന്നു എന്ന് ട്രാക്ക് ചെയ്യുന്നത് മിക്കവാറും അസാധ്യമാണ്. അതിനാൽ, ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ പലപ്പോഴും പരന്നതാണ്, അതിലൂടെ നിങ്ങൾക്ക് വലിയ കമ്പ്യൂട്ടർ പവർ ഇല്ലാതെ പ്രവർത്തിക്കാനാകും. ഇൻപുട്ട്, ഹിഡൻ, ഔട്ട്പുട്ട് എന്നിങ്ങനെ മൂന്ന് പാളികളുള്ള കൃത്രിമ ന്യൂറോണുകൾ ശൃംഖലയിൽ ഉണ്ടെന്നും സമ്മതിച്ചു.

കൃത്രിമ ന്യൂറോൺ

ഈ വീഡിയോ ട്യൂട്ടോറിയലിൽ നമ്മൾ ഒരു ന്യൂറോണിന്റെ ഘടനയെക്കുറിച്ച് സംസാരിക്കും. പൊതുവേ, ഒരു ന്യൂറോണിന് ഇനിപ്പറയുന്ന ഘടനയുണ്ട്: ഇൻപുട്ട് സിഗ്നൽ> സിനാപ്റ്റിക് വെയ്റ്റുകൾ സംയോജിപ്പിക്കുന്ന ബ്ലോക്ക്, സമ്മേഷൻ ബ്ലോക്ക്, നോൺലീനിയർ ട്രാൻസ്ഫോർമേഷൻ ബ്ലോക്ക്> ഔട്ട്പുട്ട് സിഗ്നൽ. ഇൻപുട്ട് സിഗ്നൽ ന്യൂറോണിൽ പ്രവേശിച്ചുകഴിഞ്ഞാൽ, അത് അനുബന്ധ ഭാരം കൊണ്ട് ഗുണിക്കുന്നു. ഇതിനുശേഷം, ഗുണിച്ച ഡാറ്റ സമാഹരണത്തിന് വിധേയമാവുകയും ഔട്ട്‌പുട്ട് അല്ലെങ്കിൽ ഒരു ആക്ടിവേഷൻ ഫംഗ്‌ഷന് വിധേയമാവുകയും ചെയ്യുന്നു.

ന്യൂറൽ നെറ്റ്‌വർക്ക് ഘടന

വളരെ ഏകദേശം പൊതുവെ, ഒരു ന്യൂറൽ നെറ്റ്‌വർക്കിന്റെ പ്രവർത്തനത്തെ പല ഘട്ടങ്ങളായി തിരിക്കാം. ആദ്യം, ഇൻകമിംഗ് സിഗ്നൽ നെറ്റ്‌വർക്കിന്റെ ഇൻപുട്ട് ലെയറിലേക്ക് നൽകുന്നു. അടുത്തതായി, ഇൻപുട്ട് ലെയറിന്റെ ന്യൂറോണുകൾ മറഞ്ഞിരിക്കുന്ന പാളിയിലെ ന്യൂറോണുകളിലേക്ക് വിവരങ്ങൾ കൈമാറുന്നു, അവിടെ പ്രശ്നത്തിനുള്ള പരിഹാരം സംഭവിക്കുന്നു. അപ്പോൾ മറഞ്ഞിരിക്കുന്ന പാളിയിലെ ന്യൂറോണുകൾ പ്രോസസ്സ് ചെയ്ത സിഗ്നലിനെ ഔട്ട്പുട്ട് ലെയറിലേക്ക് കൈമാറുന്നു, അവിടെ ഫലം ജനറേറ്റുചെയ്യുകയും ഒരു പ്രതികരണം നൽകുകയും ചെയ്യുന്നു.

ഒരു ന്യൂറൽ നെറ്റ്‌വർക്കിന്റെ പ്രവർത്തനത്തിന്റെ സൂക്ഷ്മതകൾ

ഇൻപുട്ട്, ഔട്ട്പുട്ട് ലെയറുകളുമായി ബന്ധപ്പെട്ട ഒരു ന്യൂറൽ നെറ്റ്‌വർക്കിന്റെ പ്രവർത്തനത്തിലെ പ്രധാന വിഷയങ്ങൾ രചയിതാവ് പരിശോധിക്കുന്നു. നോർമലൈസേഷനും സ്കെയിലിംഗും, വൺ ഇൻ എൻ രീതി, നെറ്റ്‌വർക്കിംഗ് പ്രശ്‌നങ്ങൾ, ഒന്നിലധികം മറഞ്ഞിരിക്കുന്ന ലെയറുകൾ എന്നിവ ഈ വീഡിയോ പ്രഭാഷണത്തിൽ ഉൾപ്പെടുത്തിയിരിക്കുന്ന ചില വിഷയങ്ങളാണ്.

ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് പരിശീലിപ്പിക്കുന്നതിനെക്കുറിച്ചുള്ള വളരെ പ്രധാനപ്പെട്ട 3 വീഡിയോ പ്രഭാഷണങ്ങളാണ് ഇനിപ്പറയുന്നവ, അത് അതീവ ഗൗരവത്തോടെ സമീപിക്കേണ്ടതാണ്.

നെറ്റ്‌വർക്ക് പരിശീലനം

ഈ പാഠത്തിൽ, ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ എങ്ങനെ പ്രവർത്തിക്കുന്നുവെന്നും അവർ നിയുക്ത ടാസ്‌ക്കുകൾ എങ്ങനെ പരിഹരിക്കുന്നുവെന്നും ഉറപ്പാക്കാമെന്നും, അതായത് നെറ്റ്‌വർക്ക് ശരിയായി പ്രവർത്തിക്കാൻ എന്താണ് ചെയ്യേണ്ടത് എന്നതിനെക്കുറിച്ചും നമ്മൾ സംസാരിക്കും. ഏതൊരു നെറ്റ്‌വർക്കിനും ജീവിത ചക്രത്തിന്റെ രണ്ട് തലങ്ങളുണ്ട്: പരിശീലനവും പ്രവർത്തനവും. അതാകട്ടെ, പഠനത്തെ വിഭജിച്ചിരിക്കുന്നു: അധ്യാപകനോടും അല്ലാതെയും പഠിക്കൽ.

നെറ്റ്‌വർക്ക് പഠന സാങ്കേതികവിദ്യ. ഭാഗം 1

ധാരാളം നെറ്റ്‌വർക്ക് പരിശീലന സാങ്കേതികവിദ്യകളുണ്ട്, കാരണം ഈ മേഖലയിലെ ഓരോ സ്പെഷ്യലിസ്റ്റും അവരുടേതായ നിയമങ്ങളും തത്വങ്ങളും ഉള്ള പുതിയ എന്തെങ്കിലും കൊണ്ടുവരാൻ ശ്രമിക്കുന്നു. പ്രധാന സാങ്കേതിക വിദ്യകളിൽ ഒന്ന് "കുത്തനെയുള്ള ഇറക്കത്തിന്റെ രീതി" ആണ്. ഈ രീതിക്ക് ഇനിപ്പറയുന്ന സ്വഭാവസവിശേഷതകൾ ഉണ്ട്: ഇത് മേൽനോട്ടത്തിലുള്ള പഠനത്തിന് മാത്രമാണ് ഉപയോഗിക്കുന്നത്, ഉയർന്ന ഗണിതശാസ്ത്രത്തെക്കുറിച്ചുള്ള അറിവ് പ്രധാനമാണ്, ഇൻപുട്ട് സിഗ്നലിന്റെ പിശകും ശക്തിയും ഭാരം ആശ്രയിച്ചിരിക്കുന്നു.

നെറ്റ്‌വർക്ക് പഠന സാങ്കേതികവിദ്യ. ഭാഗം 2

മറഞ്ഞിരിക്കുന്ന പാളികൾ പഠിക്കുന്ന വിഷയം വിശദീകരിച്ചുകൊണ്ട് രചയിതാവ് ഈ വീഡിയോ ട്യൂട്ടോറിയൽ ആരംഭിക്കുന്നു. കോഴ്‌സിൽ നേരത്തെ, ഇൻപുട്ടും ഔട്ട്‌പുട്ട് ലെയറുകളും മാത്രമുള്ള നെറ്റ്‌വർക്കുകൾ പരിഗണിച്ചിരുന്നു. അത്തരം നെറ്റ്വർക്കുകളിൽ, എല്ലാം ലളിതമാണ് - ന്യൂറോണുകളുടെ ഭാരം മാറുന്നു, പ്രവർത്തനം ആവർത്തിക്കുന്നു. എന്നാൽ മറഞ്ഞിരിക്കുന്ന ന്യൂറോണുകൾ ഉള്ളപ്പോൾ, അവയുടെ ഉത്തരവാദിത്തം എന്താണെന്നും അവയുടെ ഭാരം എങ്ങനെ മാറ്റാമെന്നും എല്ലായ്പ്പോഴും വ്യക്തമല്ല. ബാക്ക്‌പ്രൊപ്പഗേഷൻ രീതി രക്ഷാപ്രവർത്തനത്തിലേക്ക് വരുന്നു.

ഒരു ന്യൂറോണിന്റെ പ്രവർത്തനം

ഈ പാഠത്തിൽ ഞങ്ങൾ നേരിട്ട് പരിശീലനത്തിലേക്ക് നീങ്ങുന്നു. പ്രോഗ്രാമിംഗ് ഭാഷകൾ പരിചിതമല്ലാത്ത ആളുകൾക്ക് വേണ്ടിയാണ് എല്ലാ മെറ്റീരിയലുകളും രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത്, അതിനാൽ C# ൽ എഴുതിയ റെഡിമെയ്ഡ് പ്രാകൃത പ്രോഗ്രാമുകളിൽ അവലോകനം നടക്കുന്നു. പാഠത്തിന്റെ തുടക്കത്തിൽ, രചയിതാവ് തയ്യാറെടുപ്പ് നടപടികൾ നടത്തുകയും ആവശ്യമായ സോഫ്റ്റ്വെയർ ഇൻസ്റ്റാൾ ചെയ്യുകയും ചെയ്യുന്നു. ഒരു ന്യൂറോണിന്റെ പ്രവർത്തനത്തിന്റെ സവിശേഷതകളും തത്വങ്ങളും പരിഗണിച്ചാണ് പ്രായോഗിക ഭാഗം.

2016 ന്റെ ആദ്യ പകുതിയിൽ, ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ മേഖലയിലെ നിരവധി സംഭവവികാസങ്ങളെക്കുറിച്ച് ലോകം കേട്ടു - ഗൂഗിൾ (ഗോ നെറ്റ്‌വർക്ക് പ്ലെയർ ആൽഫാഗോ), മൈക്രോസോഫ്റ്റ് (ഇമേജ് ഐഡന്റിഫിക്കേഷനായി നിരവധി സേവനങ്ങൾ), സ്റ്റാർട്ടപ്പുകൾ എംഎസ്‌ക്യുആർഡി, പ്രിസ്മ എന്നിവയും മറ്റുള്ളവരും അവരുടെ അൽഗോരിതം പ്രദർശിപ്പിച്ചു.

ബുക്ക്മാർക്കുകളിലേക്ക്

സൈറ്റിന്റെ എഡിറ്റർമാർ നിങ്ങളോട് ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ എന്താണെന്നും അവ എന്തിന് ആവശ്യമാണ്, എന്തുകൊണ്ടാണ് അവർ ഇപ്പോൾ ഈ ഗ്രഹം ഏറ്റെടുത്തത്, വർഷങ്ങൾക്ക് മുമ്പോ ശേഷമോ അല്ല, അവയിൽ നിന്ന് നിങ്ങൾക്ക് എത്രമാത്രം സമ്പാദിക്കാൻ കഴിയുമെന്നും പ്രധാന മാർക്കറ്റ് കളിക്കാർ ആരാണെന്നും നിങ്ങളോട് പറയുന്നു. MIPT, Yandex, Mail.Ru ഗ്രൂപ്പ്, മൈക്രോസോഫ്റ്റ് എന്നിവയിലെ വിദഗ്ധരും അവരുടെ അഭിപ്രായങ്ങൾ പങ്കുവെച്ചു.

എന്താണ് ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ, അവയ്ക്ക് എന്ത് പ്രശ്നങ്ങൾ പരിഹരിക്കാനാകും?

ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് സിസ്റ്റങ്ങളുടെ വികസനത്തിലെ ദിശകളിലൊന്നാണ് ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ. മനുഷ്യന്റെ നാഡീവ്യവസ്ഥയുടെ പ്രവർത്തനത്തെ കഴിയുന്നത്ര അടുത്ത് മാതൃകയാക്കുക എന്നതാണ് ആശയം - അതായത്, തെറ്റുകൾ പഠിക്കാനും തിരുത്താനുമുള്ള അതിന്റെ കഴിവ്. ഏതൊരു ന്യൂറൽ നെറ്റ്‌വർക്കിന്റെയും പ്രധാന സവിശേഷത ഇതാണ് - മുൻ അനുഭവത്തെ അടിസ്ഥാനമാക്കി സ്വതന്ത്രമായി പഠിക്കാനും പ്രവർത്തിക്കാനും ഇതിന് കഴിയും, ഓരോ തവണയും കുറച്ച് പിശകുകൾ വരുത്തുന്നു.

ന്യൂറൽ നെറ്റ്വർക്ക് പ്രവർത്തനം മാത്രമല്ല, മനുഷ്യ നാഡീവ്യവസ്ഥയുടെ ഘടനയും അനുകരിക്കുന്നു. അത്തരമൊരു ശൃംഖലയിൽ ധാരാളം വ്യക്തിഗത കമ്പ്യൂട്ടിംഗ് ഘടകങ്ങൾ ("ന്യൂറോണുകൾ") അടങ്ങിയിരിക്കുന്നു. മിക്ക കേസുകളിലും, ഓരോ "ന്യൂറോണും" നെറ്റ്‌വർക്കിന്റെ ഒരു പ്രത്യേക പാളിയുടേതാണ്. നെറ്റ്‌വർക്കിന്റെ എല്ലാ ലെയറുകളിലും ഇൻപുട്ട് ഡാറ്റ തുടർച്ചയായി പ്രോസസ്സ് ചെയ്യുന്നു. ഓരോ "ന്യൂറോണിന്റെയും" പാരാമീറ്ററുകൾ മുമ്പത്തെ ഇൻപുട്ട് ഡാറ്റയിൽ ലഭിച്ച ഫലങ്ങളെ ആശ്രയിച്ച് മാറാം, അങ്ങനെ മുഴുവൻ സിസ്റ്റത്തിന്റെയും പ്രവർത്തന ക്രമം മാറുന്നു.

Mail.Ru ഗ്രൂപ്പിലെ Mail.ru സെർച്ച് ഡിപ്പാർട്ട്‌മെന്റിന്റെ തലവൻ ആൻഡ്രി കാലിനിൻ, മറ്റ് മെഷീൻ ലേണിംഗ് അൽഗോരിതം പോലെയുള്ള പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾക്ക് കഴിയുമെന്ന് അഭിപ്രായപ്പെടുന്നു, വ്യത്യാസം പരിശീലനത്തോടുള്ള സമീപനത്തിൽ മാത്രമാണ്.

ന്യൂറൽ നെറ്റ്‌വർക്കുകൾക്ക് പരിഹരിക്കാൻ കഴിയുന്ന എല്ലാ ജോലികളും എങ്ങനെയെങ്കിലും പഠനവുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു. ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ പ്രയോഗത്തിന്റെ പ്രധാന മേഖലകളിൽ പ്രവചനം, തീരുമാനമെടുക്കൽ, പാറ്റേൺ തിരിച്ചറിയൽ, ഒപ്റ്റിമൈസേഷൻ, ഡാറ്റ വിശകലനം എന്നിവയാണ്.

ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഇപ്പോൾ എല്ലായിടത്തും ഉപയോഗിക്കുന്നുണ്ടെന്ന് റഷ്യയിലെ മൈക്രോസോഫ്റ്റിലെ സാങ്കേതിക സഹകരണ പ്രോഗ്രാമുകളുടെ ഡയറക്ടർ വ്ലാഡ് ഷെർഷുൽസ്‌കി അഭിപ്രായപ്പെടുന്നു: “ഉദാഹരണത്തിന്, പല വലിയ ഇന്റർനെറ്റ് സൈറ്റുകളും ഉപയോക്തൃ പെരുമാറ്റത്തോടുള്ള പ്രതികരണങ്ങൾ അവരുടെ പ്രേക്ഷകർക്ക് കൂടുതൽ സ്വാഭാവികവും ഉപയോഗപ്രദവുമാക്കാൻ ഉപയോഗിക്കുന്നു. ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ മിക്ക ആധുനിക സംഭാഷണ തിരിച്ചറിയലിനും സിന്തസിസ് സിസ്റ്റങ്ങൾക്കും അതുപോലെ ഇമേജ് തിരിച്ചറിയലിനും പ്രോസസ്സിംഗിനും അടിവരയിടുന്നു. വ്യാവസായിക റോബോട്ടുകളോ സ്വയം ഡ്രൈവിംഗ് കാറുകളോ ആകട്ടെ, ചില നാവിഗേഷൻ സിസ്റ്റങ്ങളിൽ അവ ഉപയോഗിക്കുന്നു. ന്യൂറൽ നെറ്റ്‌വർക്കുകളെ അടിസ്ഥാനമാക്കിയുള്ള അൽഗോരിതങ്ങൾ നുഴഞ്ഞുകയറ്റക്കാരുടെ ആക്രമണങ്ങളിൽ നിന്ന് വിവര സംവിധാനങ്ങളെ സംരക്ഷിക്കുകയും നെറ്റ്‌വർക്കിലെ നിയമവിരുദ്ധമായ ഉള്ളടക്കം തിരിച്ചറിയാൻ സഹായിക്കുകയും ചെയ്യുന്നു.

സമീപഭാവിയിൽ (5-10 വർഷം), ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ കൂടുതൽ വ്യാപകമായി ഉപയോഗിക്കുമെന്ന് ഷെർഷുൽസ്‌കി വിശ്വസിക്കുന്നു:

ഒരു കാർഷിക സംയോജനം സങ്കൽപ്പിക്കുക, അവയുടെ ആക്യുവേറ്ററുകൾ നിരവധി വീഡിയോ ക്യാമറകൾ കൊണ്ട് സജ്ജീകരിച്ചിരിക്കുന്നു. ഓരോ ചെടിയുടെയും പാതയിൽ മിനിറ്റിൽ അയ്യായിരം ചിത്രങ്ങൾ എടുക്കുന്നു, ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് ഉപയോഗിച്ച്, ഇത് ഒരു കളയാണോ, രോഗമോ കീടമോ ബാധിച്ചിട്ടുണ്ടോ എന്ന് വിശകലനം ചെയ്യുന്നു. ഓരോ ചെടിയും വ്യക്തിഗതമായി ചികിത്സിക്കുന്നു. അതിശയകരമാണോ? ശരിക്കും ഇനി ഇല്ല. അഞ്ച് വർഷത്തിനുള്ളിൽ ഇത് സാധാരണമായേക്കാം. - വ്ലാഡ് ഷെർഷുൽസ്കി, മൈക്രോസോഫ്റ്റ്

MIPT സെന്റർ ഫോർ ലിവിംഗ് സിസ്റ്റത്തിലെ ന്യൂറൽ സിസ്റ്റങ്ങളുടെ ലബോറട്ടറിയുടെയും ആഴത്തിലുള്ള പഠനത്തിന്റെയും തലവനായ മിഖായേൽ ബർട്ട്‌സെവ് 2016-2018 ലെ ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ വികസനത്തിന്റെ ഒരു താൽക്കാലിക മാപ്പ് നൽകുന്നു:

• ചിത്രങ്ങളിലെ വസ്തുക്കളെ തിരിച്ചറിയുന്നതിനും വർഗ്ഗീകരിക്കുന്നതിനുമുള്ള സംവിധാനങ്ങൾ;
• ഇന്റർനെറ്റ് ഓഫ് തിംഗ്സിനായുള്ള വോയ്‌സ് ഇന്ററാക്ഷൻ ഇന്റർഫേസുകൾ;
• കോൾ സെന്ററുകളിലെ സേവന ഗുണനിലവാര നിരീക്ഷണ സംവിധാനങ്ങൾ;
• പ്രശ്നങ്ങൾ തിരിച്ചറിയുന്നതിനുള്ള സംവിധാനങ്ങൾ (പരിപാലന സമയം പ്രവചിക്കുന്നത് ഉൾപ്പെടെ), അപാകതകൾ, സൈബർ-ഭൗതിക ഭീഷണികൾ;
• ബൗദ്ധിക സുരക്ഷയും നിരീക്ഷണ സംവിധാനങ്ങളും;
• കോൾ സെന്റർ ഓപ്പറേറ്റർമാരുടെ ചില പ്രവർത്തനങ്ങൾ ബോട്ടുകൾ ഉപയോഗിച്ച് മാറ്റിസ്ഥാപിക്കുന്നു;
• വീഡിയോ അനലിറ്റിക്സ് സിസ്റ്റങ്ങൾ;
• മെറ്റീരിയൽ ഫ്ലോകളുടെ മാനേജ്മെന്റ് അല്ലെങ്കിൽ ഒബ്ജക്റ്റുകളുടെ സ്ഥാനം (വെയർഹൗസുകളിൽ, ഗതാഗതത്തിൽ) ഒപ്റ്റിമൈസ് ചെയ്യുന്ന സ്വയം-പഠന സംവിധാനങ്ങൾ;
• ഉൽപ്പാദന പ്രക്രിയകൾക്കും ഉപകരണങ്ങൾക്കുമായി (റോബോട്ടിക്സ് ഉൾപ്പെടെ) ബുദ്ധിയുള്ള, സ്വയം-പഠന നിയന്ത്രണ സംവിധാനങ്ങൾ;
• കോൺഫറൻസുകൾക്കും വ്യക്തിഗത ഉപയോഗത്തിനുമായി സാർവത്രിക ഓൺ-ദി-ഫ്ലൈ വിവർത്തന സംവിധാനങ്ങളുടെ ആവിർഭാവം;
• സാങ്കേതിക സപ്പോർട്ട് ബോട്ട് കൺസൾട്ടന്റുമാരുടെ ആവിർഭാവം അല്ലെങ്കിൽ മനുഷ്യന്റെ പ്രവർത്തനത്തിന് സമാനമായ പ്രവർത്തനങ്ങളുള്ള വ്യക്തിഗത സഹായികൾ.

അടുത്ത അഞ്ച് വർഷത്തിനുള്ളിൽ ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ വ്യാപനത്തിന്റെ അടിസ്ഥാനം വിവിധ തീരുമാനങ്ങൾ എടുക്കാനുള്ള അത്തരം സിസ്റ്റങ്ങളുടെ കഴിവായിരിക്കുമെന്ന് യാൻഡെക്‌സിലെ ടെക്‌നോളജി ഡിസ്ട്രിബ്യൂഷൻ ഡയറക്ടർ ഗ്രിഗറി ബകുനോവ് വിശ്വസിക്കുന്നു: “ഒരു വ്യക്തിക്ക് ഇപ്പോൾ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ചെയ്യുന്ന പ്രധാന കാര്യം സംരക്ഷിക്കുക എന്നതാണ്. അവൻ അനാവശ്യ തീരുമാനങ്ങൾ എടുക്കുന്നതിൽ നിന്ന്. അതിനാൽ ജീവിച്ചിരിക്കുന്ന ഒരു വ്യക്തി വളരെ ബുദ്ധിപരമായ തീരുമാനങ്ങൾ എടുക്കാത്ത എവിടെയും അവ ഉപയോഗിക്കാൻ കഴിയും. അടുത്ത അഞ്ച് വർഷത്തിനുള്ളിൽ, ഈ വൈദഗ്ദ്ധ്യം ചൂഷണം ചെയ്യപ്പെടും, ഇത് മനുഷ്യന്റെ തീരുമാനങ്ങൾ എടുക്കുന്നതിന് പകരം ഒരു ലളിതമായ യന്ത്രം കൊണ്ടുവരും.

എന്തുകൊണ്ടാണ് ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഇപ്പോൾ ജനപ്രിയമായത്?

70 വർഷത്തിലേറെയായി ശാസ്ത്രജ്ഞർ കൃത്രിമ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ വികസിപ്പിക്കുന്നു. ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് ഔപചാരികമാക്കാനുള്ള ആദ്യ ശ്രമം 1943-ൽ ആരംഭിച്ചതാണ്, രണ്ട് അമേരിക്കൻ ശാസ്ത്രജ്ഞർ (വാറൻ മക്കല്ലോക്കും വാൾട്ടർ പിറ്റ്‌സും) മനുഷ്യ ആശയങ്ങളുടെയും ന്യൂറൽ പ്രവർത്തനങ്ങളുടെയും ലോജിക്കൽ കാൽക്കുലസിനെക്കുറിച്ചുള്ള ഒരു ലേഖനം അവതരിപ്പിച്ചു.

എന്നിരുന്നാലും, അടുത്തിടെ വരെ, Mail.Ru ഗ്രൂപ്പിൽ നിന്നുള്ള ആൻഡ്രി കാലിനിൻ പറയുന്നു, ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ വേഗത വളരെ കുറവായിരുന്നു, അതിനാൽ അവ വ്യാപകമാകാൻ കഴിയാത്തതിനാൽ അത്തരം സംവിധാനങ്ങൾ പ്രധാനമായും കമ്പ്യൂട്ടർ കാഴ്ചയുമായി ബന്ധപ്പെട്ട സംഭവവികാസങ്ങളിൽ ഉപയോഗിച്ചിരുന്നു, മറ്റ് മേഖലകളിൽ മറ്റ് അൽഗോരിതങ്ങൾ ഉപയോഗിച്ചു. യന്ത്ര പഠനം.

ന്യൂറൽ നെറ്റ്‌വർക്ക് വികസന പ്രക്രിയയുടെ അധ്വാനവും സമയമെടുക്കുന്നതുമായ ഒരു ഭാഗം അതിന്റെ പരിശീലനമാണ്. ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് അസൈൻ ചെയ്‌ത പ്രശ്‌നങ്ങൾ ശരിയായി പരിഹരിക്കുന്നതിന്, ദശലക്ഷക്കണക്കിന് ഇൻപുട്ട് ഡാറ്റയിൽ അതിന്റെ പ്രവർത്തനം "റൺ" ചെയ്യേണ്ടത് ആവശ്യമാണ്. വിവിധ ത്വരിതപ്പെടുത്തിയ പഠന സാങ്കേതികവിദ്യകളുടെ ആവിർഭാവത്തോടെയാണ് ആൻഡ്രി കലിനിനും ഗ്രിഗറി ബകുനോവും ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ വ്യാപനത്തെ ബന്ധപ്പെടുത്തുന്നത്.

ഇപ്പോൾ സംഭവിച്ച പ്രധാന കാര്യം, വീണ്ടും പരിശീലനത്തിന് സാധ്യതയുള്ള ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ സൃഷ്ടിക്കുന്നത് സാധ്യമാക്കുന്ന വിവിധ തന്ത്രങ്ങൾ പ്രത്യക്ഷപ്പെട്ടു എന്നതാണ്. - ഗ്രിഗറി ബകുനോവ്, യാൻഡെക്സ്

“ഒന്നാമതായി, നിങ്ങൾക്ക് പഠിക്കാൻ കഴിയുന്ന വലിയതും പൊതുവായി ലഭ്യമായതുമായ ലേബൽ ചെയ്ത ചിത്രങ്ങളുടെ ഒരു നിര (ഇമേജ്നെറ്റ്) പ്രത്യക്ഷപ്പെട്ടു. രണ്ടാമതായി, ആധുനിക വീഡിയോ കാർഡുകൾ ന്യൂറൽ നെറ്റ്‌വർക്കുകളെ പരിശീലിപ്പിക്കാനും നൂറുകണക്കിന് മടങ്ങ് വേഗത്തിൽ ഉപയോഗിക്കാനും സാധ്യമാക്കുന്നു. മൂന്നാമതായി, ചിത്രങ്ങളെ തിരിച്ചറിയുന്ന റെഡിമെയ്ഡ്, പ്രീ-ട്രെയിൻഡ് ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ പ്രത്യക്ഷപ്പെട്ടു, അതിന്റെ അടിസ്ഥാനത്തിൽ നിങ്ങൾക്ക് ജോലിക്കായി ന്യൂറൽ നെറ്റ്‌വർക്ക് തയ്യാറാക്കാൻ ദീർഘനേരം ചെലവഴിക്കാതെ തന്നെ നിങ്ങളുടെ സ്വന്തം ആപ്ലിക്കേഷനുകൾ സൃഷ്ടിക്കാൻ കഴിയും. ഇതെല്ലാം ഇമേജ് തിരിച്ചറിയൽ മേഖലയിൽ പ്രത്യേകിച്ച് ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ വളരെ ശക്തമായ വികസനം ഉറപ്പാക്കുന്നു, ”കലിനിൻ കുറിക്കുന്നു.

ന്യൂറൽ നെറ്റ്‌വർക്ക് മാർക്കറ്റിന്റെ വലുപ്പം എന്താണ്?

“കണക്കുകൂട്ടാൻ വളരെ എളുപ്പമാണ്. കോൾ സെന്റർ ഏജന്റുമാർ പോലെ കുറഞ്ഞ നൈപുണ്യമുള്ള തൊഴിലാളികൾ ഉപയോഗിക്കുന്ന ഏത് മേഖലയും നിങ്ങൾക്ക് എടുക്കാം, കൂടാതെ എല്ലാ മനുഷ്യ വിഭവങ്ങളും കുറയ്ക്കുക. ഒരു രാജ്യത്തിനുള്ളിൽപ്പോലും, ഞങ്ങൾ കോടിക്കണക്കിന് ഡോളർ വിപണിയെക്കുറിച്ചാണ് സംസാരിക്കുന്നതെന്ന് ഞാൻ പറയും. കുറഞ്ഞ വൈദഗ്ധ്യമുള്ള ജോലികളിൽ ലോകത്ത് എത്രപേർ ജോലി ചെയ്യുന്നുണ്ടെന്ന് മനസ്സിലാക്കാൻ എളുപ്പമാണ്. അതിനാൽ, വളരെ അമൂർത്തമായി പറഞ്ഞാലും, ഞങ്ങൾ ലോകമെമ്പാടുമുള്ള നൂറ് ബില്യൺ ഡോളർ വിപണിയെക്കുറിച്ചാണ് സംസാരിക്കുന്നതെന്ന് ഞാൻ കരുതുന്നു, ”യാൻഡെക്സിലെ സാങ്കേതിക വിതരണ ഡയറക്ടർ ഗ്രിഗറി ബകുനോവ് പറയുന്നു.

ചില കണക്കുകൾ പ്രകാരം, പകുതിയിലധികം പ്രൊഫഷനുകളും ഓട്ടോമേറ്റഡ് ആയിരിക്കും - മെഷീൻ ലേണിംഗ് അൽഗോരിതം (പ്രത്യേകിച്ച് ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ) മാർക്കറ്റ് വർദ്ധിപ്പിക്കാൻ കഴിയുന്ന പരമാവധി വോളിയമാണിത്. - ആൻഡ്രി കലിനിൻ, Mail.Ru ഗ്രൂപ്പ്

“ഏത് സോഫ്‌റ്റ്‌വെയറിന്റെ വികസനത്തിലും ഏത് പ്രക്രിയകളും ഓട്ടോമേറ്റ് ചെയ്യുന്നതിനുള്ള അടുത്ത ഘട്ടമാണ് മെഷീൻ ലേണിംഗ് അൽഗോരിതങ്ങൾ. അതിനാൽ, മാർക്കറ്റ് കുറഞ്ഞത് മുഴുവൻ സോഫ്‌റ്റ്‌വെയർ വിപണിയുമായി പൊരുത്തപ്പെടുന്നു, പക്ഷേ അതിനെ മറികടക്കുന്നു, കാരണം പഴയ സോഫ്റ്റ്‌വെയറിന് ആക്‌സസ് ചെയ്യാൻ കഴിയാത്ത പുതിയ ഇന്റലിജന്റ് സൊല്യൂഷനുകൾ നിർമ്മിക്കുന്നത് സാധ്യമാകും, ”മെയിലിലെ Mail.ru തിരയൽ വിഭാഗം മേധാവി ആൻഡ്രി കാലിനിൻ തുടരുന്നു. രു ഗ്രൂപ്പ്.

എന്തുകൊണ്ടാണ് ന്യൂറൽ നെറ്റ്‌വർക്ക് ഡെവലപ്പർമാർ ബഹുജന മാർക്കറ്റിനായി മൊബൈൽ ആപ്ലിക്കേഷനുകൾ സൃഷ്ടിക്കുന്നത്

കഴിഞ്ഞ കുറച്ച് മാസങ്ങളിൽ, ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഉപയോഗിച്ച് നിരവധി ഉയർന്ന വിനോദ പ്രോജക്റ്റുകൾ വിപണിയിൽ പ്രത്യക്ഷപ്പെട്ടു - ഇതാണ് ജനപ്രിയ വീഡിയോ സേവനം, സോഷ്യൽ നെറ്റ്‌വർക്ക് Facebook, ചിത്രങ്ങൾ പ്രോസസ്സ് ചെയ്യുന്നതിനുള്ള റഷ്യൻ ആപ്ലിക്കേഷനുകൾ (ജൂണിൽ Mail.Ru ഗ്രൂപ്പിൽ നിന്നുള്ള നിക്ഷേപങ്ങൾ) കൂടാതെ മറ്റുള്ളവർ.

അവരുടെ സ്വന്തം ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ കഴിവുകൾ ഗൂഗിളും (Go-യിലെ ചാമ്പ്യനെതിരെ ആൽഫാഗോ സാങ്കേതികവിദ്യ വിജയിച്ചു; 2016 മാർച്ചിൽ, ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ മുതലായവ വരച്ച 29 പെയിന്റിംഗുകൾ കോർപ്പറേഷൻ ലേലത്തിൽ വിറ്റു), Microsoft (CaptionBot പ്രോജക്റ്റ്, ഇത് ഫോട്ടോഗ്രാഫുകളിലെ ചിത്രങ്ങൾ തിരിച്ചറിയുകയും അവയ്‌ക്കായി സ്വയം അടിക്കുറിപ്പുകൾ സൃഷ്‌ടിക്കുകയും ചെയ്യുന്നു ; ഒരു ഫോട്ടോയിൽ നിന്ന് നായയുടെ ഇനത്തെ നിർണ്ണയിക്കുന്ന WhatDog പ്രോജക്റ്റ്; ഒരു ചിത്രത്തിലെ ഒരു വ്യക്തിയുടെ പ്രായം നിർണ്ണയിക്കുന്ന HowOld സേവനം, കൂടാതെ Yandex (ഇൽ) ജൂണിൽ, Avto.ru ആപ്ലിക്കേഷനിലേക്ക് ചിത്രങ്ങളിലെ കാറുകൾ തിരിച്ചറിയുന്നതിനായി ടീം ഒരു സേവനം നിർമ്മിച്ചു; ന്യൂറൽ നെറ്റ്‌വർക്ക് ആൽബം റെക്കോർഡുചെയ്‌ത ഒരു മ്യൂസിക്കൽ റെക്കോർഡ് അവതരിപ്പിച്ചു; മെയ് മാസത്തിൽ അവൾ പ്രശസ്ത കലാകാരന്മാരുടെ ശൈലിയിൽ വരയ്ക്കുന്നതിന് LikeMo.net പ്രോജക്റ്റ് സൃഷ്ടിച്ചു).

ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ലക്ഷ്യമിടുന്ന ആഗോള പ്രശ്നങ്ങൾ പരിഹരിക്കാനല്ല, മറിച്ച് ഒരു ന്യൂറൽ നെറ്റ്‌വർക്കിന്റെ കഴിവുകൾ പ്രകടിപ്പിക്കുന്നതിനും അതിന്റെ പരിശീലനം നടത്തുന്നതിനുമാണ് ഇത്തരം വിനോദ സേവനങ്ങൾ സൃഷ്ടിക്കുന്നത്.

“ഗെയിമുകൾ ഒരു സ്പീഷിസ് എന്ന നിലയിൽ നമ്മുടെ പെരുമാറ്റത്തിന്റെ ഒരു സവിശേഷതയാണ്. ഒരു വശത്ത്, മനുഷ്യന്റെ പെരുമാറ്റത്തിന്റെ മിക്കവാറും എല്ലാ സാധാരണ സാഹചര്യങ്ങളും അനുകരിക്കാൻ ഗെയിം സാഹചര്യങ്ങൾ ഉപയോഗിക്കാം, മറുവശത്ത്, ഗെയിം സ്രഷ്‌ടാക്കൾക്കും പ്രത്യേകിച്ച് കളിക്കാർക്കും ഈ പ്രക്രിയയിൽ നിന്ന് വളരെയധികം സന്തോഷം ലഭിക്കും. തികച്ചും പ്രയോജനപ്രദമായ ഒരു വശവുമുണ്ട്. നന്നായി രൂപകല്പന ചെയ്ത ഗെയിം കളിക്കാർക്ക് സംതൃപ്തി നൽകുന്നു മാത്രമല്ല: അവർ കളിക്കുമ്പോൾ, അവർ ന്യൂറൽ നെറ്റ്‌വർക്ക് അൽഗോരിതം പരിശീലിപ്പിക്കുന്നു. എല്ലാത്തിനുമുപരി, ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഉദാഹരണത്തിലൂടെയുള്ള പഠനത്തെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്, ”മൈക്രോസോഫ്റ്റിൽ നിന്നുള്ള വ്ലാഡ് ഷെർഷുൽസ്കി പറയുന്നു.

“ഒന്നാമതായി, സാങ്കേതികവിദ്യയുടെ കഴിവുകൾ കാണിക്കുന്നതിനാണ് ഇത് ചെയ്യുന്നത്. യഥാർത്ഥത്തിൽ മറ്റൊരു കാരണവുമില്ല. നമ്മൾ പ്രിസ്മയെക്കുറിച്ചാണ് സംസാരിക്കുന്നതെങ്കിൽ, അവർ എന്തിനാണ് ഇത് ചെയ്തതെന്ന് വ്യക്തമാണ്. ആൺകുട്ടികൾ ചിത്രങ്ങളുമായി പ്രവർത്തിക്കാൻ അനുവദിക്കുന്ന ഒരുതരം പൈപ്പ്ലൈൻ നിർമ്മിച്ചു. ഇത് തെളിയിക്കാൻ, സ്റ്റൈലൈസേഷനുകൾ സൃഷ്ടിക്കുന്നതിനുള്ള വളരെ ലളിതമായ ഒരു രീതി അവർ തിരഞ്ഞെടുത്തു. എന്തുകൊണ്ട്? അൽഗോരിതങ്ങൾ എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്നതിന്റെ ഒരു പ്രകടനം മാത്രമാണിത്," Yandex-ൽ നിന്നുള്ള ഗ്രിഗറി ബകുനോവ് പറയുന്നു.

Mail.Ru ഗ്രൂപ്പിൽ നിന്നുള്ള ആൻഡ്രി കാലിനിന് വ്യത്യസ്തമായ അഭിപ്രായമുണ്ട്: “തീർച്ചയായും, ഇത് പൊതുജനങ്ങളുടെ വീക്ഷണകോണിൽ നിന്ന് ശ്രദ്ധേയമാണ്. മറുവശത്ത്, കൂടുതൽ ഉപയോഗപ്രദമായ മേഖലകളിൽ വിനോദ ഉൽപ്പന്നങ്ങൾ പ്രയോഗിക്കാൻ കഴിയില്ലെന്ന് ഞാൻ പറയില്ല. ഉദാഹരണത്തിന്, ഇമേജുകൾ സ്റ്റൈലൈസ് ചെയ്യുന്നതിനുള്ള ചുമതല നിരവധി വ്യവസായങ്ങൾക്ക് വളരെ പ്രസക്തമാണ് (ഡിസൈൻ, കമ്പ്യൂട്ടർ ഗെയിമുകൾ, ആനിമേഷൻ എന്നിവ ചില ഉദാഹരണങ്ങൾ മാത്രം), കൂടാതെ ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ പൂർണ്ണമായ ഉപയോഗം അവയ്‌ക്കായി ഉള്ളടക്കം സൃഷ്ടിക്കുന്നതിനുള്ള ചെലവും രീതികളും ഗണ്യമായി ഒപ്റ്റിമൈസ് ചെയ്യാൻ കഴിയും. ”

ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ വിപണിയിലെ പ്രധാന കളിക്കാർ

ആൻഡ്രി കാലിനിൻ സൂചിപ്പിക്കുന്നത് പോലെ, വിപണിയിലെ മിക്ക ന്യൂറൽ നെറ്റ്‌വർക്കുകളും പരസ്പരം വളരെ വ്യത്യസ്തമല്ല. “എല്ലാവരുടെയും സാങ്കേതികവിദ്യ ഏകദേശം ഒരുപോലെയാണ്. എന്നാൽ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഉപയോഗിക്കുന്നത് എല്ലാവർക്കും താങ്ങാൻ കഴിയാത്ത ഒരു സന്തോഷമാണ്. ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് സ്വതന്ത്രമായി പരിശീലിപ്പിക്കുന്നതിനും അതിൽ നിരവധി പരീക്ഷണങ്ങൾ നടത്തുന്നതിനും, നിങ്ങൾക്ക് വലിയ പരിശീലന സെറ്റുകളും വിലയേറിയ വീഡിയോ കാർഡുകളുള്ള മെഷീനുകളുടെ ഒരു കൂട്ടവും ആവശ്യമാണ്. വ്യക്തമായും, വലിയ കമ്പനികൾക്ക് അത്തരം അവസരങ്ങളുണ്ട്, ”അദ്ദേഹം പറയുന്നു.

പ്രധാന മാർക്കറ്റ് കളിക്കാരിൽ, ഗൂഗിളിനെയും അതിന്റെ ഡിവിഷനായ ആൽഫാഗോ നെറ്റ്‌വർക്ക് സൃഷ്ടിച്ച Google DeepMind, Google Brain എന്നിവയെയും കലിനിൻ പരാമർശിക്കുന്നു. മൈക്രോസോഫ്റ്റിന് ഈ മേഖലയിൽ അതിന്റേതായ സംഭവവികാസങ്ങളുണ്ട് - അവ മൈക്രോസോഫ്റ്റ് റിസർച്ച് ലബോറട്ടറിയാണ് നടത്തുന്നത്. ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ നിർമ്മാണം IBM, Facebook (Facebook AI റിസർച്ചിന്റെ ഒരു വിഭാഗം), Baidu (Baidu ഇൻസ്റ്റിറ്റ്യൂട്ട് ഓഫ് ഡീപ് ലേണിംഗ്) എന്നിവയിലും മറ്റുള്ളവയിലും നടപ്പിലാക്കുന്നു. ലോകമെമ്പാടുമുള്ള സാങ്കേതിക സർവകലാശാലകളിൽ നിരവധി വികസനങ്ങൾ നടക്കുന്നു.

ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ മേഖലയിലെ രസകരമായ സംഭവവികാസങ്ങളും സ്റ്റാർട്ടപ്പുകൾക്കിടയിൽ കാണപ്പെടുന്നുണ്ടെന്ന് യാൻഡെക്‌സ് ടെക്‌നോളജി ഡിസ്ട്രിബ്യൂഷൻ ഡയറക്ടർ ഗ്രിഗറി ബകുനോവ് അഭിപ്രായപ്പെടുന്നു. “ഉദാഹരണത്തിന്, ClarifAI എന്ന കമ്പനിയെ ഞാൻ ഓർക്കും. ഇത് ഒരു ചെറിയ സ്റ്റാർട്ടപ്പ് ആണ്, ഒരിക്കൽ ഗൂഗിളിൽ നിന്നുള്ള ആളുകൾ നിർമ്മിച്ചതാണ്. ഇപ്പോൾ ഒരു ചിത്രത്തിന്റെ ഉള്ളടക്കം നിർണ്ണയിക്കുന്നതിൽ അവർ ഒരുപക്ഷേ ലോകത്തിലെ ഏറ്റവും മികച്ചവരാണ്. അത്തരം സ്റ്റാർട്ടപ്പുകളിൽ MSQRD, Prisma എന്നിവയും മറ്റുള്ളവയും ഉൾപ്പെടുന്നു.

റഷ്യയിൽ, ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ മേഖലയിലെ സംഭവവികാസങ്ങൾ സ്റ്റാർട്ടപ്പുകൾ മാത്രമല്ല, വലിയ സാങ്കേതിക കമ്പനികളും നടത്തുന്നു - ഉദാഹരണത്തിന്, Mail.Ru ഗ്രൂപ്പ് ഹോൾഡിംഗ് തിരയലിലും ഇമേജ് വിശകലനത്തിലും ടെക്സ്റ്റുകൾ പ്രോസസ്സ് ചെയ്യുന്നതിനും തരംതിരിക്കുന്നതിനും ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഉപയോഗിക്കുന്നു. ബോട്ടുകളുമായും സംഭാഷണ സംവിധാനങ്ങളുമായും ബന്ധപ്പെട്ട പരീക്ഷണാത്മക സംഭവവികാസങ്ങളും കമ്പനി നടത്തുന്നുണ്ട്.

Yandex അതിന്റേതായ ന്യൂറൽ നെറ്റ്‌വർക്കുകളും സൃഷ്ടിക്കുന്നു: “അടിസ്ഥാനപരമായി, അത്തരം നെറ്റ്‌വർക്കുകൾ ഇതിനകം ചിത്രങ്ങളും ശബ്ദവും ഉപയോഗിച്ച് പ്രവർത്തിക്കാൻ ഉപയോഗിക്കുന്നു, പക്ഷേ ഞങ്ങൾ മറ്റ് മേഖലകളിൽ അവയുടെ കഴിവുകൾ പര്യവേക്ഷണം ചെയ്യുകയാണ്. ടെക്‌സ്‌റ്റ് ഉപയോഗിച്ച് പ്രവർത്തിക്കുന്നതിൽ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഉപയോഗിക്കുന്നതിൽ ഞങ്ങൾ ഇപ്പോൾ ധാരാളം പരീക്ഷണങ്ങൾ നടത്തുന്നു. സർവ്വകലാശാലകളിൽ വികസനം നടക്കുന്നു: സ്കോൾടെക്, എംഐപിടി, മോസ്കോ സ്റ്റേറ്റ് യൂണിവേഴ്സിറ്റി, ഹയർ സ്കൂൾ ഓഫ് ഇക്കണോമിക്സ് എന്നിവയും മറ്റുള്ളവയും.

മുമ്പ് സയൻസ് ഫിക്ഷൻ പുസ്തകങ്ങളിൽ നിന്ന് മാത്രം അറിയപ്പെട്ടിരുന്ന ന്യൂറൽ നെറ്റ്‌വർക്ക് എന്ന പദം സമീപ വർഷങ്ങളിൽ ഏറ്റവും പുതിയ ശാസ്ത്രീയ സംഭവവികാസങ്ങളുടെ അവിഭാജ്യ ഘടകമായി ക്രമേണയും അദൃശ്യമായും പൊതുജീവിതത്തിലേക്ക് പ്രവേശിച്ചു. തീർച്ചയായും, ഗെയിം വ്യവസായത്തിൽ ഏർപ്പെട്ടിരിക്കുന്ന ആളുകൾക്ക് ഇത് ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് ആണെന്ന് വളരെക്കാലമായി അറിയാമായിരുന്നു. എന്നാൽ ഇക്കാലത്ത് ഈ പദം എല്ലാവർക്കും സാധാരണമാണ്, അത് പൊതുജനങ്ങൾക്ക് അറിയുകയും മനസ്സിലാക്കുകയും ചെയ്യുന്നു. നിസ്സംശയമായും, ശാസ്ത്രം യഥാർത്ഥ ജീവിതത്തോട് കൂടുതൽ അടുത്തിരിക്കുന്നുവെന്നും ഭാവിയിൽ പുതിയ മുന്നേറ്റങ്ങൾ നമ്മെ കാത്തിരിക്കുന്നുവെന്നും ഇത് സൂചിപ്പിക്കുന്നു. എന്നിട്ടും, ഇത് എന്താണ് - ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക്? വാക്കിന്റെ അർത്ഥം കണ്ടുപിടിക്കാൻ ശ്രമിക്കാം.

വർത്തമാനവും ഭാവിയും

മുൻകാലങ്ങളിൽ, ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക്, ഹോർട്ടും ബഹിരാകാശത്തുള്ള ആളുകളും അടുത്ത ബന്ധമുള്ള ആശയങ്ങളായിരുന്നു, കാരണം ഒരു ലളിതമായ യന്ത്രത്തേക്കാൾ മികച്ച കഴിവുകളുള്ള ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് കണ്ടുമുട്ടുന്നത് ചില എഴുത്തുകാരുടെ ഭാവനയിൽ ഉയർന്നുവരുന്ന ഒരു ഫാന്റസി ലോകത്ത് മാത്രമേ സാധ്യമാകൂ. എന്നിട്ടും, ട്രെൻഡുകൾ അടുത്തിടെ ശരാശരി വ്യക്തിക്ക് ചുറ്റും യാഥാർത്ഥ്യത്തിൽ കൂടുതൽ കൂടുതൽ വസ്തുക്കൾ പ്രത്യക്ഷപ്പെടുന്നു, മുമ്പ് സയൻസ് ഫിക്ഷൻ സാഹിത്യത്തിൽ മാത്രം പരാമർശിച്ചവയാണ്. ഫാന്റസിയുടെ വന്യമായ പറക്കൽ പോലും വൈകാതെ അല്ലെങ്കിൽ പിന്നീട് യാഥാർത്ഥ്യത്തിൽ അതിന്റെ തുല്യത കണ്ടെത്തുമെന്ന് പറയാൻ ഇത് ഞങ്ങളെ അനുവദിക്കുന്നു. അപരിചിതരെയും ന്യൂറൽ ശൃംഖലകളെയും കുറിച്ചുള്ള പുസ്തകങ്ങൾ ഇതിനകം പത്ത് വർഷം മുമ്പുള്ളതിനേക്കാൾ യാഥാർത്ഥ്യവുമായി കൂടുതൽ സാമ്യമുള്ളതാണ്, മറ്റൊരു ദശകത്തിൽ എന്ത് സംഭവിക്കുമെന്ന് ആർക്കറിയാം?

ആധുനിക യാഥാർത്ഥ്യങ്ങളിലെ ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് നിങ്ങളുടെ കൈയിലുള്ള ഒരു ഫോട്ടോ മാത്രമുള്ള ആളുകളെ തിരിച്ചറിയാൻ നിങ്ങളെ അനുവദിക്കുന്ന ഒരു സാങ്കേതികവിദ്യയാണ്. ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഒരു കാർ ഓടിക്കാൻ തികച്ചും പ്രാപ്തമാണ്, പോക്കർ ഗെയിം കളിക്കാനും വിജയിക്കാനും കഴിയും. കൂടാതെ, ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ശാസ്ത്രീയ കണ്ടുപിടുത്തങ്ങൾ നടത്തുന്നതിനുള്ള പുതിയ വഴികളാണ്, ഇത് മുമ്പ് അസാധ്യമായ കമ്പ്യൂട്ടേഷണൽ കഴിവുകൾ അനുവദിക്കുന്നു. ഇത് ഇന്നത്തെ ലോകത്തെ മനസ്സിലാക്കാനുള്ള അതുല്യമായ അവസരങ്ങൾ നൽകുന്നു. എന്നിരുന്നാലും, ഏറ്റവും പുതിയ കണ്ടെത്തലുകൾ പ്രഖ്യാപിക്കുന്ന വാർത്താ റിപ്പോർട്ടുകളിൽ നിന്ന്, ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് എന്താണെന്ന് അപൂർവ്വമായി മാത്രമേ വ്യക്തമാകൂ. ഈ പദം ഒരു പ്രോഗ്രാമിനോ ഒരു യന്ത്രത്തിനോ അല്ലെങ്കിൽ ഒരു കൂട്ടം സെർവറുകൾക്കോ ​​ബാധകമാണെന്ന് കണക്കാക്കേണ്ടതുണ്ടോ?

പൊതുവായ അവലോകനം

“ന്യൂറൽ നെറ്റ്‌വർക്ക്” എന്ന പദത്തിൽ നിന്ന് കാണാൻ കഴിയുന്നത് പോലെ (ഈ ലേഖനത്തിൽ അവതരിപ്പിച്ചിരിക്കുന്ന ഫോട്ടോകളും ഇത് മനസിലാക്കാൻ ഞങ്ങളെ അനുവദിക്കുന്നു) - ഇത് മനുഷ്യ മസ്തിഷ്കത്തിന്റെ യുക്തിയുമായി സാമ്യമുള്ള ഒരു ഘടനയാണ്. തീർച്ചയായും, അത്തരമൊരു ഉയർന്ന തലത്തിലുള്ള സങ്കീർണ്ണതയുടെ പൂർണ്ണമായും ജൈവിക ഘടന പകർത്തുന്നത് ഇപ്പോൾ യാഥാർത്ഥ്യമാണെന്ന് തോന്നുന്നില്ല, പക്ഷേ പ്രശ്നം പരിഹരിക്കുന്നതിന് ശാസ്ത്രജ്ഞർക്ക് ഇതിനകം തന്നെ കൂടുതൽ അടുക്കാൻ കഴിഞ്ഞു. ഉദാഹരണത്തിന്, അടുത്തിടെ സൃഷ്ടിച്ച ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ വളരെ ഫലപ്രദമാണ്. അതിമനോഹരമായ കൃതികൾ പ്രസിദ്ധീകരിച്ച ഹോർട്ടിനും മറ്റ് എഴുത്തുകാർക്കും ഈ വർഷത്തോടെ ശാസ്ത്രത്തിന് ഇത്രയധികം മുന്നോട്ട് പോകാൻ കഴിയുമെന്ന് അവരുടെ കൃതികൾ എഴുതുമ്പോൾ അറിയില്ലായിരുന്നു.

മനുഷ്യ മസ്തിഷ്കത്തിന്റെ പ്രത്യേകത, അത് ന്യൂറോണുകൾ വഴി നിരന്തരം കൈമാറ്റം ചെയ്യപ്പെടുന്ന നിരവധി മൂലകങ്ങളുടെ ഒരു ഘടനയാണ് എന്നതാണ്. വാസ്തവത്തിൽ, പുതിയ ന്യൂറൽ നെറ്റ്‌വർക്കുകളും സമാനമായ ഘടനകളാണ്, അവിടെ വൈദ്യുത പ്രേരണകൾ നിലവിലെ ഡാറ്റയുടെ കൈമാറ്റം ഉറപ്പാക്കുന്നു. ഒരു വാക്കിൽ, മനുഷ്യ മസ്തിഷ്കത്തിലെന്നപോലെ. എന്നിട്ടും ഇത് വ്യക്തമല്ല: ഒരു സാധാരണ കമ്പ്യൂട്ടറിൽ നിന്ന് എന്തെങ്കിലും വ്യത്യാസമുണ്ടോ? എല്ലാത്തിനുമുപരി, ഒരു യന്ത്രം, നിങ്ങൾക്കറിയാവുന്നതുപോലെ, ഭാഗങ്ങളിൽ നിന്ന് സൃഷ്ടിക്കപ്പെടുന്നു, അവയ്ക്കിടയിലുള്ള ഡാറ്റ വൈദ്യുത പ്രവാഹത്തിലൂടെ കൈമാറ്റം ചെയ്യപ്പെടുന്നു. ന്യൂറൽ നെറ്റ്‌വർക്കുകളിൽ, എല്ലാം സാധാരണയായി ആകർഷകമായി കാണപ്പെടുന്നു - വലുതോ ചെറുതോ ആയ യന്ത്രങ്ങൾ, ഒറ്റനോട്ടത്തിൽ അവർ എന്താണ് കൈകാര്യം ചെയ്യുന്നതെന്ന് നായകന്മാർ മനസ്സിലാക്കുന്നു. എന്നാൽ വാസ്തവത്തിൽ, സ്ഥിതി വ്യത്യസ്തമാണ്.

എങ്ങനെയാണ് ഇത് നിർമ്മിച്ചിരിക്കുന്നത്?

ന്യൂറൽ നെറ്റ്‌വർക്കുകൾക്കായി നീക്കിവച്ചിട്ടുള്ള ശാസ്ത്രീയ കൃതികളിൽ നിന്ന് കാണാൻ കഴിയുന്നത് പോലെ ("സ്പേസ്മാൻ", നിർഭാഗ്യവശാൽ, ഈ വിഭാഗത്തിൽ പെടുന്നില്ല, അവർ എത്ര ആവേശഭരിതരാണെങ്കിലും), ഈ ആശയം ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് മേഖലയിലെ ഏറ്റവും പുരോഗമന ഘടനയിലാണ്. സങ്കീർണ്ണമായ ഒരു ഘടനയുടെ സൃഷ്ടി, അതിന്റെ വ്യക്തിഗത ഭാഗങ്ങൾ വളരെ ലളിതമാണ്. വാസ്തവത്തിൽ, ഒരു വ്യക്തിയുമായി സമാന്തരമായി വരച്ചാൽ, ഒരാൾക്ക് സമാനതകൾ കണ്ടെത്താൻ കഴിയും: നമുക്ക് പറയാം, സസ്തനിയുടെ തലച്ചോറിന്റെ ഒരു ഭാഗത്ത് മാത്രം വലിയ കഴിവുകളും കഴിവുകളും ഇല്ല, മാത്രമല്ല ബുദ്ധിപരമായ പെരുമാറ്റം ഉറപ്പാക്കാൻ കഴിയില്ല. എന്നാൽ നമ്മൾ ഒരു വ്യക്തിയെ മൊത്തത്തിൽ സംസാരിക്കുമ്പോൾ, അത്തരമൊരു ജീവി പ്രത്യേക പ്രശ്നങ്ങളൊന്നുമില്ലാതെ ശാന്തമായി ബുദ്ധി പരീക്ഷയിൽ വിജയിക്കുന്നു.

ഈ സമാനതകൾ ഉണ്ടായിരുന്നിട്ടും, കുറച്ച് വർഷങ്ങൾക്ക് മുമ്പുള്ള സമാനമായ സമീപനം പുറത്താക്കപ്പെട്ടു. ശാസ്ത്രീയ കൃതികളിൽ നിന്നും ന്യൂറൽ നെറ്റ്‌വർക്കുകളെക്കുറിച്ചുള്ള സയൻസ് ഫിക്ഷൻ പുസ്തകങ്ങളിൽ നിന്നും ഇത് കാണാൻ കഴിയും (ഉദാഹരണത്തിന് മുകളിൽ സൂചിപ്പിച്ച "എന്റെർടെയ്നേഴ്സ് ഇൻ സ്പേസ്"). വഴിയിൽ, ഒരു പരിധിവരെ, സിസറോയുടെ പ്രസ്താവനകൾ പോലും ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ ആധുനിക ആശയവുമായി ബന്ധപ്പെടുത്താം: കുരങ്ങുകൾ ടോക്കണുകളിൽ എഴുതിയ അക്ഷരങ്ങൾ വായുവിലേക്ക് എറിയണമെന്ന് അദ്ദേഹം ഒരു കാലത്ത് കാസ്റ്റിക് നിർദ്ദേശിച്ചു, അങ്ങനെ എത്രയും വേഗം അല്ലെങ്കിൽ പിന്നീട് അവർ അർത്ഥവത്തായ ഒരു വാചകം രൂപപ്പെടുത്തുക. 21-ാം നൂറ്റാണ്ട് മാത്രമാണ് അത്തരം വിദ്വേഷം പൂർണ്ണമായും നീതീകരിക്കപ്പെട്ടില്ലെന്ന് കാണിച്ചത്. ന്യൂറൽ നെറ്റ്‌വർക്കും സയൻസ് ഫിക്ഷനും അവരുടേതായ വഴികളിലൂടെ പോയി: നിങ്ങൾ കുരങ്ങുകളുടെ ഒരു സൈന്യത്തിന് ധാരാളം ടോക്കണുകൾ നൽകിയാൽ, അവ അർത്ഥത്തിൽ സമ്പന്നമായ വാചകം സൃഷ്ടിക്കുക മാത്രമല്ല, ലോകത്തിന്റെ മേൽ അധികാരം നേടുകയും ചെയ്യും.

ഐക്യത്തിൽ ശക്തിയുണ്ട് സഹോദരാ

നിരവധി പരീക്ഷണങ്ങളിൽ നിന്ന് നമ്മൾ പഠിച്ചതുപോലെ, ഒരു ന്യൂറൽ നെറ്റ്‌വർക്കിനെ പരിശീലിപ്പിക്കുന്നത്, ഒബ്‌ജക്റ്റിൽ തന്നെ ധാരാളം ഘടകങ്ങൾ ഉൾപ്പെടുമ്പോൾ വിജയത്തിലേക്ക് നയിക്കുന്നു. ശാസ്ത്രജ്ഞർ തമാശ പറയുന്നതുപോലെ, വാസ്തവത്തിൽ, ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് എന്തിനിൽ നിന്നും, തീപ്പെട്ടി പെട്ടികളിൽ നിന്ന് പോലും കൂട്ടിച്ചേർക്കാൻ കഴിയും, കാരണം പ്രധാന ആശയം ഫലമായുണ്ടാകുന്ന സമൂഹം അനുസരിക്കുന്ന ഒരു കൂട്ടം നിയമങ്ങളാണ്. സാധാരണയായി നിയമങ്ങൾ വളരെ ലളിതമാണ്, പക്ഷേ ഡാറ്റ പ്രോസസ്സിംഗ് പ്രക്രിയ നിയന്ത്രിക്കാൻ അവ നിങ്ങളെ അനുവദിക്കുന്നു. അത്തരമൊരു സാഹചര്യത്തിൽ, ഒരു ന്യൂറോൺ (കൃത്രിമമാണെങ്കിലും) ഒരു ഉപകരണമായിരിക്കില്ല, സങ്കീർണ്ണമായ ഒരു ഘടനയോ മനസ്സിലാക്കാൻ കഴിയാത്ത സംവിധാനമോ അല്ല, മറിച്ച് ഗണിത പ്രവർത്തനങ്ങൾ, വളരെ ലളിതമാണ്, കുറഞ്ഞ ഊർജ്ജ ഉപഭോഗത്തിൽ നടപ്പിലാക്കുന്നു. ശാസ്ത്രത്തിൽ, കൃത്രിമ ന്യൂറോണുകളെ "പെർസെപ്ട്രോണുകൾ" എന്ന് വിളിക്കുന്നു. ശാസ്ത്ര കൃതികളുടെ ചില രചയിതാക്കളുടെ മനസ്സിൽ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ (“എന്റെർടെയ്നേഴ്സ് ഇൻ സ്‌പേസ്” ഇത് നന്നായി ചിത്രീകരിക്കുന്നു) കൂടുതൽ സങ്കീർണ്ണമായിരിക്കണം, എന്നാൽ ലാളിത്യവും മികച്ച ഫലങ്ങൾ നൽകുന്നുവെന്ന് ആധുനിക ശാസ്ത്രം കാണിക്കുന്നു.

ഒരു കൃത്രിമ ന്യൂറോണിന്റെ പ്രവർത്തനം ലളിതമാണ്: സംഖ്യകൾ ഇൻപുട്ടായി വിതരണം ചെയ്യുന്നു, ഓരോ വിവര ബ്ലോക്കിന്റെയും മൂല്യം കണക്കാക്കുന്നു, ഫലങ്ങൾ കൂട്ടിച്ചേർക്കുന്നു, കൂടാതെ ഔട്ട്പുട്ടിൽ ഒരു യൂണിറ്റ് അല്ലെങ്കിൽ മൂല്യം "-1" രൂപീകരിക്കുന്നു. ഒരിക്കലെങ്കിലും ഇരകളുടെ കൂട്ടത്തിലാകാൻ വായനക്കാരൻ ആഗ്രഹിച്ചിരുന്നോ? യഥാർത്ഥത്തിൽ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ തികച്ചും വ്യത്യസ്തമായി പ്രവർത്തിക്കുന്നു, കുറഞ്ഞത് ഈ സമയത്തെങ്കിലും, അതിനാൽ, ഒരു സയൻസ് ഫിക്ഷൻ സൃഷ്ടിയിൽ സ്വയം സങ്കൽപ്പിക്കുമ്പോൾ, നിങ്ങൾ ഇതിനെക്കുറിച്ച് മറക്കരുത്. വാസ്തവത്തിൽ, ഒരു ആധുനിക വ്യക്തിക്ക് കൃത്രിമ ബുദ്ധി ഉപയോഗിച്ച് പ്രവർത്തിക്കാൻ കഴിയും, ഉദാഹരണത്തിന്, ഇതുപോലെ: നിങ്ങൾക്ക് ഒരു ചിത്രം കാണിക്കാൻ കഴിയും, കൂടാതെ ഇലക്ട്രോണിക് സിസ്റ്റം "ഒന്നുകിൽ" എന്ന ചോദ്യത്തിന് ഉത്തരം നൽകും. ഒരു വ്യക്തി സിസ്റ്റത്തിന് ഒരു പോയിന്റിന്റെ കോർഡിനേറ്റുകൾ നൽകുകയും എന്താണ് ചിത്രീകരിച്ചിരിക്കുന്നതെന്ന് ചോദിക്കുകയും ചെയ്യുന്നു - ഭൂമി അല്ലെങ്കിൽ, ആകാശം. വിവരങ്ങൾ വിശകലനം ചെയ്ത ശേഷം, സിസ്റ്റം ഒരു ഉത്തരം നൽകുന്നു - തികച്ചും തെറ്റായിരിക്കാം (AI യുടെ പൂർണതയെ ആശ്രയിച്ച്).

ആകാശത്തേക്ക് വിരൽ

ഒരു ആധുനിക ന്യൂറൽ നെറ്റ്‌വർക്കിന്റെ പ്രവർത്തനത്തിന്റെ യുക്തിയിൽ നിന്ന് കാണാൻ കഴിയുന്നതുപോലെ, അതിന്റെ ഓരോ ഘടകങ്ങളും സിസ്റ്റത്തോട് ചോദിച്ച ചോദ്യത്തിന് ശരിയായ ഉത്തരം ഊഹിക്കാൻ ശ്രമിക്കുന്നു. ഈ സാഹചര്യത്തിൽ, കുറച്ച് കൃത്യതയുണ്ട്; ഫലം ഒരു നാണയം എറിയുന്നതിന്റെ ഫലവുമായി താരതമ്യപ്പെടുത്താവുന്നതാണ്. എന്നാൽ ന്യൂറൽ ശൃംഖലയെ പരിശീലിപ്പിക്കാനുള്ള സമയമാകുമ്പോൾ യഥാർത്ഥ ശാസ്ത്രീയ പ്രവർത്തനം ആരംഭിക്കുന്നു. ബഹിരാകാശം, പുതിയ ലോകങ്ങളുടെ പര്യവേക്ഷണം, നമ്മുടെ പ്രപഞ്ചത്തിന്റെ ഭൗതിക നിയമങ്ങളുടെ സത്തയെക്കുറിച്ചുള്ള ഉൾക്കാഴ്ച (ആധുനിക ശാസ്ത്രജ്ഞർ ന്യൂറൽ നെറ്റ്‌വർക്കുകളെ ആശ്രയിക്കുന്നു) മനുഷ്യനേക്കാൾ കൂടുതൽ കാര്യക്ഷമതയോടെയും ഫലപ്രാപ്തിയോടെയും കൃത്രിമബുദ്ധി പഠിക്കുന്ന നിമിഷത്തിൽ കൃത്യമായി തുറക്കപ്പെടും.

സിസ്റ്റത്തോട് ഒരു ചോദ്യം ചോദിക്കുന്ന വ്യക്തിക്ക് അതിന്റെ ശരിയായ ഉത്തരം അറിയാം എന്നതാണ് വസ്തുത. ഇതിനർത്ഥം നിങ്ങൾക്ക് ഇത് പ്രോഗ്രാമിന്റെ വിവര ബ്ലോക്കുകളിലേക്ക് എഴുതാം എന്നാണ്. ശരിയായ ഉത്തരം നൽകുന്ന ഒരു പെർസെപ്‌ട്രോണിന് മൂല്യം ലഭിക്കുന്നു, എന്നാൽ തെറ്റായ ഉത്തരം നൽകുന്ന ഒന്ന് അത് നഷ്‌ടപ്പെടുകയും പിഴ ലഭിക്കുകയും ചെയ്യുന്നു. മൂല്യത്തിന്റെ തലത്തിലുള്ള മാറ്റങ്ങൾ കാരണം ഓരോ പുതിയ പ്രോഗ്രാം ലോഞ്ച് സൈക്കിളും മുമ്പത്തേതിൽ നിന്ന് വ്യത്യസ്തമാണ്. മുമ്പത്തെ ഉദാഹരണത്തിലേക്ക് മടങ്ങുന്നു: എത്രയും വേഗം അല്ലെങ്കിൽ പിന്നീട് പ്രോഗ്രാം ഭൂമി എവിടെയാണെന്നും സ്ഥലം എവിടെയാണെന്നും വ്യക്തമായി വേർതിരിച്ചറിയാൻ പഠിക്കും. ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ കൂടുതൽ ഫലപ്രദമായി പഠിക്കുന്നു, പഠന പരിപാടി കൂടുതൽ ശരിയായി തയ്യാറാക്കപ്പെടുന്നു - അതിന്റെ രൂപീകരണത്തിന് ആധുനിക ശാസ്ത്രജ്ഞർക്ക് വളരെയധികം പരിശ്രമം ചിലവാകും. മുമ്പ് നൽകിയ ടാസ്‌ക്കിന്റെ ഭാഗമായി: വിശകലനത്തിനായി ന്യൂറൽ നെറ്റ്‌വർക്കിന് മറ്റൊരു ഫോട്ടോ നൽകിയാൽ, അത് ഉടൻ തന്നെ അത് കൃത്യമായി പ്രോസസ്സ് ചെയ്യാൻ കഴിയില്ല, പക്ഷേ, പരിശീലന സമയത്ത് മുമ്പ് ലഭിച്ച ഡാറ്റയെ അടിസ്ഥാനമാക്കി, അത് ഭൂമി എവിടെയാണെന്ന് കൃത്യമായി കണ്ടെത്തും. മേഘങ്ങളോ സ്ഥലമോ മറ്റെന്തെങ്കിലുമോ എവിടെയാണ്.

ഒരു ആശയം യാഥാർത്ഥ്യത്തിലേക്ക് പ്രയോഗിക്കുന്നു

തീർച്ചയായും, വാസ്തവത്തിൽ, ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ മുകളിൽ വിവരിച്ചതിനേക്കാൾ വളരെ സങ്കീർണ്ണമാണ്, എന്നിരുന്നാലും തത്വം തന്നെ തുടരുന്നു. ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് രൂപപ്പെടുന്ന മൂലകങ്ങളുടെ പ്രധാന ദൌത്യം സംഖ്യാ വിവരങ്ങൾ ചിട്ടപ്പെടുത്തുക എന്നതാണ്. ധാരാളം ഘടകങ്ങൾ സംയോജിപ്പിക്കുമ്പോൾ, ചുമതല കൂടുതൽ സങ്കീർണ്ണമാകും, കാരണം ഇൻപുട്ട് വിവരങ്ങൾ പുറത്തുനിന്നുള്ളതല്ല, മറിച്ച് പെർസെപ്‌ട്രോണിൽ നിന്നാണ്, അത് ഇതിനകം തന്നെ ചിട്ടപ്പെടുത്തൽ ജോലി പൂർത്തിയാക്കി.

മുകളിലുള്ള പ്രശ്നത്തിലേക്ക് ഞങ്ങൾ മടങ്ങുകയാണെങ്കിൽ, ന്യൂറൽ നെറ്റ്‌വർക്കിനുള്ളിൽ നമുക്ക് ഇനിപ്പറയുന്ന പ്രക്രിയകളുമായി വരാം: ഒരു ന്യൂറോൺ മറ്റുള്ളവരിൽ നിന്ന് നീല പിക്സലുകളെ വേർതിരിക്കുന്നു, മറ്റൊന്ന് കോർഡിനേറ്റുകൾ പ്രോസസ്സ് ചെയ്യുന്നു, മൂന്നാമത്തേത് ആദ്യ രണ്ട് ലഭിച്ച ഡാറ്റ വിശകലനം ചെയ്യുന്നു ഒരു നിശ്ചിത ബിന്ദുവിൽ അത് ഭൂമിയാണോ ആകാശമാണോ എന്ന് തീരുമാനിക്കുന്നത്. മാത്രമല്ല, നീലയിലേക്കും മറ്റ് പിക്സലുകളിലേക്കും അടുക്കുന്നത് ഒരേസമയം നിരവധി ന്യൂറോണുകളെ ഏൽപ്പിക്കുകയും അവയ്ക്ക് ലഭിക്കുന്ന വിവരങ്ങൾ സംഗ്രഹിക്കുകയും ചെയ്യാം. മികച്ചതും കൂടുതൽ കൃത്യവുമായ ഫലങ്ങൾ നൽകുന്ന പെർസെപ്‌ട്രോണുകൾക്ക് വലിയ മൂല്യത്തിന്റെ രൂപത്തിൽ ഒരു ബോണസ് ലഭിക്കും, കൂടാതെ ഏതെങ്കിലും ടാസ്‌ക് വീണ്ടും പ്രോസസ്സ് ചെയ്യുമ്പോൾ അവയുടെ ഫലങ്ങൾ മുൻഗണന നൽകും. തീർച്ചയായും, ന്യൂറൽ നെറ്റ്‌വർക്ക് വളരെ വലുതായി മാറുന്നു, അതിൽ പ്രോസസ്സ് ചെയ്ത വിവരങ്ങൾ മറികടക്കാൻ കഴിയാത്ത ഒരു പർവതമായിരിക്കും, പക്ഷേ പിശകുകൾ കണക്കിലെടുക്കാനും വിശകലനം ചെയ്യാനും ഭാവിയിൽ അവ തടയാനും കഴിയും. പല സയൻസ് ഫിക്ഷൻ പുസ്തകങ്ങളിലും കാണപ്പെടുന്ന ന്യൂറൽ നെറ്റ്‌വർക്ക് അധിഷ്ഠിത ഇംപ്ലാന്റുകൾ ഈ തത്ത്വത്തിലാണ് പ്രവർത്തിക്കുന്നത് (തീർച്ചയായും, പ്രവർത്തന തത്വത്തെക്കുറിച്ച് ചിന്തിക്കാൻ രചയിതാക്കൾ ബുദ്ധിമുട്ടുന്നുണ്ടെങ്കിൽ).

ചരിത്ര നാഴികക്കല്ലുകൾ

ഇത് സാധാരണക്കാരെ ആശ്ചര്യപ്പെടുത്തിയേക്കാം, പക്ഷേ ആദ്യത്തെ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ 1958 ൽ വീണ്ടും പ്രത്യക്ഷപ്പെട്ടു. കൃത്രിമ ന്യൂറോണുകളുടെ ഘടന മറ്റ് കമ്പ്യൂട്ടർ ഘടകങ്ങളുമായി സാമ്യമുള്ളതാണ് ഇതിന് കാരണം, അവയ്ക്കിടയിൽ ഒരു ബൈനറി നമ്പർ സിസ്റ്റത്തിന്റെ ഫോർമാറ്റിൽ വിവരങ്ങൾ കൈമാറുന്നു. അറുപതുകളുടെ അവസാനത്തോടെ, മാർക്ക് I പെർസെപ്‌ട്രോൺ എന്ന ഒരു യന്ത്രം കണ്ടുപിടിച്ചു, അതിൽ ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ തത്വങ്ങൾ നടപ്പിലാക്കി. ഇതിനർത്ഥം ആദ്യത്തെ കമ്പ്യൂട്ടർ നിർമ്മിച്ച് ഒരു ദശാബ്ദത്തിന് ശേഷം ആദ്യത്തെ ന്യൂറൽ നെറ്റ്‌വർക്ക് പ്രത്യക്ഷപ്പെട്ടു എന്നാണ്.

ആദ്യത്തെ ന്യൂറൽ നെറ്റ്‌വർക്കിന്റെ ആദ്യത്തെ ന്യൂറോണുകൾ റെസിസ്റ്ററുകളും റേഡിയോ ട്യൂബുകളും ഉൾക്കൊള്ളുന്നു (അക്കാലത്ത്, ആധുനിക ശാസ്ത്രജ്ഞർക്ക് ഉപയോഗിക്കാൻ കഴിയുന്ന അത്തരമൊരു കോഡ് ഇതുവരെ വികസിപ്പിച്ചിട്ടില്ല). ഒരു ന്യൂറൽ നെറ്റ്‌വർക്കിനൊപ്പം പ്രവർത്തിക്കുക എന്നത് രണ്ട്-ലെയർ നെറ്റ്‌വർക്ക് സൃഷ്ടിച്ച ഫ്രാങ്ക് റോസെൻബ്ലാറ്റിന്റെ ചുമതലയായിരുന്നു. നെറ്റ്‌വർക്കിലേക്ക് ബാഹ്യ ഡാറ്റ കൈമാറാൻ 400 പിക്സൽ റെസല്യൂഷനുള്ള ഒരു സ്‌ക്രീൻ ഉപയോഗിച്ചു. പെട്ടെന്നുതന്നെ ജ്യാമിതീയ രൂപങ്ങൾ തിരിച്ചറിയാൻ യന്ത്രത്തിന് കഴിഞ്ഞു. സാങ്കേതിക പരിഹാരങ്ങൾ മെച്ചപ്പെടുത്തുന്നതിലൂടെ, ന്യൂറൽ നെറ്റ്‌വർക്കുകൾക്ക് അക്ഷരങ്ങൾ വായിക്കാൻ പഠിക്കാൻ കഴിയുമെന്ന് ഇത് മാത്രം സൂചിപ്പിക്കുന്നു. പിന്നെ മറ്റെന്താണ് ആർക്കറിയാം?

ആദ്യത്തെ ന്യൂറൽ നെറ്റ്‌വർക്ക്

ചരിത്രത്തിൽ നിന്ന് കാണാൻ കഴിയുന്നതുപോലെ, റോസൻബ്ലാറ്റ് തന്റെ ജോലിയിൽ അക്ഷരാർത്ഥത്തിൽ അഭിനിവേശമുള്ളവനായിരുന്നു, അതിൽ മികച്ചവനായിരുന്നു, കൂടാതെ ന്യൂറോഫിസിയോളജിയിൽ ഒരു സ്പെഷ്യലിസ്റ്റായിരുന്നു. മനുഷ്യ മസ്തിഷ്കത്തെ ഒരു സാങ്കേതിക രൂപത്തിൽ എങ്ങനെ നടപ്പിലാക്കാമെന്ന് ആർക്കും മനസ്സിലാക്കാൻ കഴിയുന്ന ആകർഷകവും ജനപ്രിയവുമായ ഒരു യൂണിവേഴ്സിറ്റി കോഴ്സിന്റെ രചയിതാവായിരുന്നു അദ്ദേഹം. അപ്പോഴും, ചലിക്കാനും സംസാരിക്കാനും തങ്ങളെപ്പോലെയുള്ള സംവിധാനങ്ങൾ രൂപപ്പെടുത്താനും കഴിവുള്ള ബുദ്ധിമാനായ റോബോട്ടുകളെ സൃഷ്ടിക്കാനുള്ള യഥാർത്ഥ അവസരങ്ങൾ ഉടൻ ഉണ്ടാകുമെന്ന് ശാസ്ത്രലോകം പ്രതീക്ഷിച്ചു. ആർക്കറിയാം, ഒരുപക്ഷേ ഈ റോബോട്ടുകൾ മറ്റ് ഗ്രഹങ്ങളെ കോളനിവത്കരിക്കാൻ പോകുമോ?

റോസന്റ്ബ്ലാറ്റ് ഒരു ഉത്സാഹിയായിരുന്നു, മനസ്സിലാക്കാവുന്നതേയുള്ളൂ. ഒരു യന്ത്രത്തിൽ ഗണിതശാസ്ത്രപരമായ യുക്തി പൂർണ്ണമായും നടപ്പിലാക്കിയാൽ കൃത്രിമബുദ്ധി തിരിച്ചറിയാൻ കഴിയുമെന്ന് ശാസ്ത്രജ്ഞർ വിശ്വസിച്ചു. ഈ നിമിഷം, അസിമോവ് ഇതിനകം നിലവിലുണ്ട്, റോബോട്ടിക്സ് എന്ന ആശയം ജനകീയമാക്കി. പ്രപഞ്ചത്തിന്റെ പര്യവേക്ഷണം സമയത്തിന്റെ പ്രശ്നമാണെന്ന് ശാസ്ത്രലോകത്തിന് ബോധ്യപ്പെട്ടു.

സംശയം ന്യായീകരിച്ചു

അറുപതുകളിൽ ഇതിനകം തന്നെ റോസൻബ്ലാറ്റിനോടും ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിൽ പ്രവർത്തിക്കുന്ന മറ്റ് മികച്ച മനസ്സുകളോടും വാദിച്ച ശാസ്ത്രജ്ഞർ ഉണ്ടായിരുന്നു. അവരുടെ കെട്ടുകഥകളുടെ യുക്തിയെക്കുറിച്ചുള്ള കൃത്യമായ ആശയം അദ്ദേഹത്തിന്റെ മേഖലയിൽ പ്രശസ്തനായ മാർവിൻ മിൻസ്കിയുടെ പ്രസിദ്ധീകരണങ്ങളിൽ നിന്ന് ലഭിക്കും. വഴിയിൽ, സ്റ്റാൻലി കുബ്രിക്ക് മിൻസ്കിയുടെ കഴിവുകളെക്കുറിച്ച് വളരെയേറെ സംസാരിച്ചുവെന്ന് അറിയാം ("എ സ്പേസ് ഒഡീസി"യിൽ പ്രവർത്തിക്കാൻ മിൻസ്കി അദ്ദേഹത്തെ സഹായിച്ചു). ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ സൃഷ്ടിക്കുന്നതിന് മിൻസ്‌കി എതിരായിരുന്നില്ല, കുബ്രിക്കിന്റെ സിനിമ തെളിയിക്കുന്നു, തന്റെ ശാസ്ത്ര ജീവിതത്തിന്റെ ഭാഗമായി അമ്പതുകളിൽ അദ്ദേഹം യന്ത്രങ്ങളെ പരിശീലിപ്പിക്കുന്നതിൽ ഏർപ്പെട്ടിരുന്നു. എന്നിരുന്നാലും, മിൻസ്കി തെറ്റായ അഭിപ്രായങ്ങളെക്കുറിച്ച് വ്യക്തത പുലർത്തുകയും ആ നിമിഷം ഇപ്പോഴും ഉറച്ച അടിത്തറയില്ലാത്ത പ്രതീക്ഷകളെ വിമർശിക്കുകയും ചെയ്തു. വഴിയിൽ, പുസ്തകങ്ങളിൽ നിന്നുള്ള മാർവിൻ മിൻസ്കിയുടെ പേരിലാണ് അറിയപ്പെടുന്നത്.

ന്യൂറൽ നെറ്റ്‌വർക്കുകളെക്കുറിച്ചുള്ള വിമർശനവും അക്കാലത്തെ സമീപനവും 1969 ലെ "പെർസെപ്‌ട്രോൺ" എന്ന പ്രസിദ്ധീകരണത്തിൽ വ്യവസ്ഥാപിതമായി. ഈ പുസ്തകമാണ് പലരുടെയും ന്യൂറൽ നെറ്റ്‌വർക്കുകളോടുള്ള താൽപ്പര്യം അക്ഷരാർത്ഥത്തിൽ നശിപ്പിച്ചത്, കാരണം മികച്ച പ്രശസ്തിയുള്ള ഒരു ശാസ്ത്രജ്ഞൻ “മാർക്ക് ദി ഫസ്റ്റ്” നിരവധി കുറവുകളുണ്ടെന്ന് വ്യക്തമായി കാണിച്ചു. ഒന്നാമതായി, രണ്ട് പാളികളുടെ സാന്നിധ്യം വ്യക്തമായും അപര്യാപ്തമായിരുന്നു, ഭീമാകാരമായ വലുപ്പവും വലിയ ഊർജ്ജ ഉപഭോഗവും ഉണ്ടായിരുന്നിട്ടും യന്ത്രത്തിന് വളരെ കുറച്ച് മാത്രമേ ചെയ്യാൻ കഴിയൂ. നെറ്റ്‌വർക്കിനെ പരിശീലിപ്പിക്കുന്നതിനായി റോസെൻബ്ലാറ്റ് വികസിപ്പിച്ച അൽഗോരിതങ്ങളിൽ ശ്രദ്ധ കേന്ദ്രീകരിച്ചതാണ് വിമർശനത്തിന്റെ രണ്ടാമത്തെ പോയിന്റ്. മിൻസ്‌കി പറയുന്നതനുസരിച്ച്, പിശകുകളെക്കുറിച്ചുള്ള വിവരങ്ങൾ നഷ്‌ടപ്പെടാനുള്ള സാധ്യത വളരെ കൂടുതലാണ്, മാത്രമല്ല സാഹചര്യം ശരിയായി വിശകലനം ചെയ്യുന്നതിന് ആവശ്യമായ ലെയറിന് മുഴുവൻ ഡാറ്റയും ലഭിച്ചില്ല.

സംഗതി നിലച്ചിരിക്കുന്നു

വികസനം മെച്ചപ്പെടുത്താൻ പ്രോത്സാഹിപ്പിക്കുന്നതിനായി സഹപ്രവർത്തകരോട് തെറ്റുകൾ ചൂണ്ടിക്കാണിക്കുക എന്നതാണ് മിൻസ്‌കിയുടെ പ്രധാന ആശയം എന്ന വസ്തുത ഉണ്ടായിരുന്നിട്ടും, സ്ഥിതി വ്യത്യസ്തമായി. 1971-ൽ റോസൻബ്ലാറ്റ് മരിച്ചു, അദ്ദേഹത്തിന്റെ ജോലി തുടരാൻ ആരുമുണ്ടായിരുന്നില്ല. ഈ കാലഘട്ടത്തിൽ, കമ്പ്യൂട്ടറുകളുടെ യുഗം ആരംഭിച്ചു, ഈ സാങ്കേതിക മേഖല വലിയ ചുവടുകളോടെ മുന്നോട്ട് പോയി. ഗണിതത്തിലും കമ്പ്യൂട്ടർ സയൻസിലും മികച്ച മനസ്സുകൾ ഈ മേഖലയിൽ വിന്യസിക്കപ്പെട്ടു, കൂടാതെ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് വിഭവങ്ങളുടെ വിവേകശൂന്യമായ പാഴാക്കുന്നതുപോലെ തോന്നി.

ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഒരു ദശാബ്ദത്തിലേറെയായി ശാസ്ത്ര സമൂഹത്തിന്റെ ശ്രദ്ധ ആകർഷിച്ചിട്ടില്ല. സൈബർപങ്ക് ഫാഷനിൽ വന്നപ്പോൾ വഴിത്തിരിവ് സംഭവിച്ചു. ഉയർന്ന കൃത്യതയോടെ പിശകുകൾ കണക്കാക്കാൻ ഉപയോഗിക്കാവുന്ന സൂത്രവാക്യങ്ങൾ കണ്ടെത്താൻ സാധിച്ചു. 1986-ൽ, മിൻസ്‌കി ആവിഷ്‌കരിച്ച പ്രശ്‌നത്തിന് മൂന്നാമത്തെ പരിഹാരം കണ്ടെത്തി (മൂന്നും പരസ്പരം സ്വതന്ത്രമായ ശാസ്ത്രജ്ഞരുടെ ഗ്രൂപ്പുകളാണ് വികസിപ്പിച്ചെടുത്തത്), അതിന്റെ കണ്ടെത്തലാണ് ഒരു പുതിയ ഫീൽഡ് പര്യവേക്ഷണം ചെയ്യാൻ താൽപ്പര്യക്കാരെ പ്രേരിപ്പിച്ചത്: ന്യൂറൽ നെറ്റ്‌വർക്കുകളിലെ പ്രവർത്തനം വീണ്ടും തീവ്രമായി. എന്നിരുന്നാലും, പെർസെപ്‌ട്രോണുകൾ എന്ന പദം ശാന്തമായി കോഗ്നിറ്റീവ് കമ്പ്യൂട്ടിംഗ് ഉപയോഗിച്ച് മാറ്റിസ്ഥാപിച്ചു, അവർ പരീക്ഷണാത്മക ഉപകരണങ്ങളിൽ നിന്ന് മുക്തി നേടി, ഏറ്റവും ഫലപ്രദമായ പ്രോഗ്രാമിംഗ് ടെക്നിക്കുകൾ ഉപയോഗിച്ച് കോഡിംഗ് ഉപയോഗിക്കാൻ തുടങ്ങി. കുറച്ച് വർഷങ്ങൾക്ക് ശേഷം, ന്യൂറോണുകൾ ഇതിനകം തന്നെ ഗുരുതരമായ ജോലികൾ നേരിടാൻ കഴിവുള്ള സങ്കീർണ്ണമായ ഘടനകളിലേക്ക് ഒത്തുചേരുന്നു. കാലക്രമേണ, ഉദാഹരണത്തിന്, മനുഷ്യന്റെ കൈയക്ഷരം വായിക്കുന്നതിനുള്ള പ്രോഗ്രാമുകൾ സൃഷ്ടിക്കാൻ സാധിച്ചു. സ്വയം പഠിക്കാൻ കഴിവുള്ള ആദ്യത്തെ നെറ്റ്‌വർക്കുകൾ പ്രത്യക്ഷപ്പെട്ടു, അതായത്, കമ്പ്യൂട്ടർ പ്രവർത്തിപ്പിക്കുന്ന വ്യക്തിയിൽ നിന്ന് ആവശ്യപ്പെടാതെ അവർ സ്വതന്ത്രമായി ശരിയായ ഉത്തരങ്ങൾ കണ്ടെത്തി. ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ പ്രായോഗിക പ്രയോഗം കണ്ടെത്തി. ഉദാഹരണത്തിന്, ചെക്കുകളിലെ നമ്പറുകൾ തിരിച്ചറിയുകയും അമേരിക്കയിലെ ബാങ്കിംഗ് ഘടനകളിൽ ഉപയോഗിക്കുകയും ചെയ്യുന്ന പ്രോഗ്രാമുകളുടെ അടിസ്ഥാനം അവയാണ്.

കുതിച്ചുചാട്ടത്തിലൂടെ മുന്നോട്ട്

90 കളിൽ, ശാസ്ത്രജ്ഞരുടെ പ്രത്യേക ശ്രദ്ധ ആവശ്യമുള്ള ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ പ്രധാന സവിശേഷത ഒരു വ്യക്തിയിൽ നിന്ന് ആവശ്യപ്പെടാതെ തന്നെ ശരിയായ പരിഹാരം തേടി തന്നിരിക്കുന്ന പ്രദേശം പര്യവേക്ഷണം ചെയ്യാനുള്ള കഴിവാണെന്ന് വ്യക്തമായി. പ്രോഗ്രാം ട്രയൽ ആൻഡ് എറർ രീതി ഉപയോഗിക്കുന്നു, അതിന്റെ അടിസ്ഥാനത്തിൽ അത് പെരുമാറ്റ നിയമങ്ങൾ സൃഷ്ടിക്കുന്നു.

ഈ കാലഘട്ടം ഭവനങ്ങളിൽ നിർമ്മിച്ച റോബോട്ടുകളോടുള്ള പൊതു താൽപ്പര്യത്തിന്റെ കുതിച്ചുചാട്ടത്താൽ അടയാളപ്പെടുത്തി. ലോകത്തിന്റെ വിവിധ ഭാഗങ്ങളിൽ നിന്നുള്ള ഉത്സാഹികളായ ഡിസൈനർമാർ പഠിക്കാൻ കഴിവുള്ള സ്വന്തം റോബോട്ടുകളെ സജീവമായി രൂപകൽപ്പന ചെയ്യാൻ തുടങ്ങി. 1997 ൽ, ഇത് ലോക തലത്തിൽ ആദ്യത്തെ ഗുരുതരമായ വിജയം കാണിച്ചു: ആദ്യമായി, ഒരു കമ്പ്യൂട്ടർ ലോകത്തിലെ ഏറ്റവും മികച്ച ചെസ്സ് കളിക്കാരനെ തോൽപ്പിച്ചു - ഗാരി കാസ്പറോവ്. എന്നിരുന്നാലും, തൊണ്ണൂറുകളുടെ അവസാനത്തോടെ, ശാസ്ത്രജ്ഞർ അവർ പരിധിയിലെത്തി എന്ന നിഗമനത്തിലെത്തി, കൃത്രിമബുദ്ധി കൂടുതൽ വളരാൻ കഴിഞ്ഞില്ല. മാത്രമല്ല, ഒരേ പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നതിൽ ഏത് ന്യൂറൽ നെറ്റ്‌വർക്കിനെക്കാളും വളരെ കാര്യക്ഷമമാണ് നന്നായി ഒപ്റ്റിമൈസ് ചെയ്ത അൽഗോരിതം. ചില പ്രവർത്തനങ്ങൾ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾക്ക് പിന്നിൽ നിലനിന്നിരുന്നു, ഉദാഹരണത്തിന്, ആർക്കൈവൽ ടെക്‌സ്‌റ്റുകളുടെ തിരിച്ചറിയൽ, എന്നാൽ കൂടുതൽ സങ്കീർണ്ണമായ ഒന്നും ലഭ്യമല്ല. അടിസ്ഥാനപരമായി, ആധുനിക ശാസ്ത്രജ്ഞർ പറയുന്നതുപോലെ, സാങ്കേതിക കഴിവുകളുടെ അഭാവം ഉണ്ടായിരുന്നു.

ഇപ്പോഴാകട്ടെ

"പരിഹാരം സ്വയം കണ്ടെത്തും" രീതി ഉപയോഗിച്ച് ഏറ്റവും സങ്കീർണ്ണമായ പ്രശ്നങ്ങൾ പരിഹരിക്കാനുള്ള ഒരു മാർഗമാണ് ഇന്ന് ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ. വാസ്തവത്തിൽ, ഇത് ഒരു തരത്തിലുള്ള ശാസ്ത്രീയ വിപ്ലവവുമായി ബന്ധപ്പെട്ടിട്ടില്ല, ആധുനിക ശാസ്ത്രജ്ഞർക്ക്, പ്രോഗ്രാമിംഗ് ലോകത്തെ പ്രഗത്ഭരായ, ശക്തമായ സാങ്കേതികവിദ്യയിലേക്ക് പ്രവേശനം ഉണ്ട്, അത് ഒരു വ്യക്തിക്ക് മുമ്പ് പൊതുവായി സങ്കൽപ്പിക്കാൻ കഴിയുന്നത് പ്രായോഗികമാക്കാൻ അവരെ അനുവദിക്കുന്നു. കുരങ്ങുകളെയും ടോക്കണുകളെയും കുറിച്ചുള്ള സിസറോയുടെ വാക്യത്തിലേക്ക് മടങ്ങുന്നു: ശരിയായ വാക്യത്തിന് പ്രതിഫലം നൽകുന്ന മൃഗങ്ങൾക്ക് നിങ്ങൾ ആരെയെങ്കിലും നിയോഗിച്ചാൽ, അവർ അർത്ഥവത്തായ ഒരു വാചകം സൃഷ്ടിക്കുക മാത്രമല്ല, അവർ ഒരു പുതിയ “യുദ്ധവും സമാധാനവും” എഴുതുകയും ചെയ്യും, ഇല്ല. മോശമായ.

ഇൻഫർമേഷൻ ടെക്നോളജി മേഖലയിൽ പ്രവർത്തിക്കുന്ന ഏറ്റവും വലിയ കമ്പനികളാണ് നമ്മുടെ കാലത്തെ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഉപയോഗിക്കുന്നത്. വേൾഡ് വൈഡ് വെബിന്റെ കഴിവുകളും കഴിഞ്ഞ പതിറ്റാണ്ടുകളായി ശേഖരിച്ച വിവരങ്ങളുടെ നിരകളും പ്രയോജനപ്പെടുത്തി ശക്തമായ സെർവറിലൂടെ നടപ്പിലാക്കിയ മൾട്ടി ലെയർ ന്യൂറൽ നെറ്റ്‌വർക്കുകളാണ് ഇവ.

ഇപ്പോഴും ശോഭയുള്ള ചിത്രങ്ങളും മുഖം തിരിച്ചറിയലും ആസ്വദിക്കുന്നുണ്ടോ? ഒരു മോശം വാർത്തയുണ്ട്.

ചുറ്റുമുള്ള എല്ലാവരും ന്യൂറൽ നെറ്റ്‌വർക്കുകളെക്കുറിച്ചാണ് സംസാരിക്കുന്നത്: Prisma, MSQRD, AlphaGo... ഇതെല്ലാം വളരെ പുതിയതും അവിശ്വസനീയവും രസകരവുമാണ്. എന്നാൽ ന്യൂറൽ നെറ്റ്‌വർക്ക് എന്താണെന്നും അതിന്റെ കഴിവുകൾ എന്താണെന്നും അത്തരം പരിഹാരങ്ങളുടെ വ്യാപകമായ ഉപയോഗം സമീപഭാവിയിൽ എന്തിലേക്ക് നയിക്കുമെന്നും കുറച്ച് ആളുകൾക്ക് മനസ്സിലാകും.

ഒരു കൃത്രിമ ന്യൂറൽ നെറ്റ്‌വർക്ക് എങ്ങനെയാണ് പ്രവർത്തിക്കുന്നത്?

ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് എന്നത് സമാനമായ മൂലകങ്ങളുടെ ഒരു ലേയേർഡ് ഘടനയായി സങ്കൽപ്പിക്കാൻ കഴിയുന്ന ഒരു ഗണിത മാതൃകയാണ്.

ഇൻകമിംഗ് വിവരങ്ങൾ സ്വീകരിക്കുന്നതിന് ആദ്യത്തെ "ലെയർ" ഉത്തരവാദിയാണ്, കൂടാതെ ഡസൻ കണക്കിന് ഉള്ള എല്ലാ തുടർന്നുള്ളവയും പ്രോസസ്സിംഗിന് ഉത്തരവാദികളാണ്. കൂടുതൽ കൂടുതൽ അമൂർത്തമായ ആശയങ്ങൾഈ ഡാറ്റയുടെ, ഒടുവിൽ ഈ പ്രാതിനിധ്യങ്ങൾ ഒരു നിശ്ചിത ഔട്ട്പുട്ട് സിഗ്നലായി മാറുന്നതുവരെ, ഇത് മുഴുവൻ സിസ്റ്റത്തിന്റെയും പ്രവർത്തനത്തിന്റെ ഫലമാണ്.

ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് എങ്ങനെയാണ് പ്രവർത്തിക്കുന്നത്?

ഒരു ന്യൂറൽ നെറ്റ്‌വർക്കിന്റെ ഏറ്റവും വ്യക്തമായ ചുമതല ഇമേജ് തിരിച്ചറിയലാണ്. ഞങ്ങൾ ഒരു കാറിന്റെ ഫോട്ടോ അപ്‌ലോഡ് ചെയ്‌തുവെന്നിരിക്കട്ടെ. ലളിതമായി പറഞ്ഞാൽ, ആദ്യ ലെവലിലെ ഘടകങ്ങൾക്ക് ഒരു നേർരേഖയെ വളഞ്ഞതിൽ നിന്ന് വേർതിരിച്ചറിയാൻ മാത്രമേ കഴിയൂ, ഒരു നേരിയ ഘടകത്തെ ഇരുണ്ടതിൽ നിന്ന്.

ലഭിച്ച "പ്രാകൃതങ്ങൾ" അടിസ്ഥാനമാക്കിയുള്ള അടുത്ത ലെയർ, ചിത്രത്തിന്റെ ചില വ്യക്തിഗത ഘടകങ്ങളുടെ അർത്ഥത്തെക്കുറിച്ച് നിഗമനങ്ങളിൽ എത്തിച്ചേരാൻ ശ്രമിക്കുന്നു, കൂടാതെ, മൂലകങ്ങളുടെ അവസാന പാളി ചിത്രം ഒരു കാർ കാണിക്കുന്നു എന്ന " നിഗമനത്തിലെത്തുന്നത്" വരെ അല്ലെങ്കിൽ വേറെ എന്തെങ്കിലും.

ഇവിടെ ഏറ്റവും രസകരമായ കാര്യം, ന്യൂറൽ നെറ്റ്വർക്ക് സാധാരണ രീതിയിൽ പ്രോഗ്രാം ചെയ്തിട്ടില്ല, പക്ഷേ ധാരാളം ഉദാഹരണങ്ങളിൽ നിന്ന് പഠിക്കുന്നു- പൂച്ചക്കുട്ടികളുടെ ചിത്രങ്ങൾ, കാറുകൾ, മികച്ച കലാകാരന്മാരുടെ ചിത്രങ്ങൾ, മറ്റെന്താണ് ദൈവത്തിനറിയാം.

മാറിമാറി ശരിയായതും തെറ്റായതുമായ നിഗമനങ്ങളിൽ എത്തിച്ചേരുന്നു, ആവശ്യമുള്ള മൂല്യത്തിൽ എത്തുന്നതുവരെ അവൾ "ഹിറ്റുകളുടെ" ശതമാനം ക്രമേണ വർദ്ധിപ്പിക്കുന്നു. ന്യൂറൽ നെറ്റ്‌വർക്ക് വേണ്ടത്ര സങ്കീർണ്ണമാണെങ്കിൽ, ഈ ഘട്ടത്തിൽ അതിന്റെ സ്രഷ്‌ടാക്കൾക്കും “പരിശീലകർക്കും” പോലും പറയാൻ കഴിയില്ല എത്ര കൃത്യമായിഅവൾ പ്രശ്നം പരിഹരിച്ചു. ക്ലാസിക് "ബ്ലാക്ക് ബോക്സ്".

എന്തുകൊണ്ടാണ് ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഇപ്പോൾ ആരംഭിച്ചത്?

ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ അടിസ്ഥാനമായ സൈദ്ധാന്തിക കൃതികളിൽ ഭൂരിഭാഗവും അരനൂറ്റാണ്ട് മുമ്പ് എഴുതിയതാണ്, എന്നാൽ ഈ ആശയങ്ങളുടെ പ്രായോഗിക പ്രയോഗത്തിന് ആവശ്യമായ അടിസ്ഥാനമില്ല. സമീപ വർഷങ്ങളിൽ, മസ്തിഷ്കത്തിന്റെ വിഷ്വൽ കോർട്ടക്സിന്റെ തത്വങ്ങളെക്കുറിച്ച് നല്ല ധാരണയുള്ള ന്യൂറോ സയൻസ് വലിയ മുന്നേറ്റം നടത്തി. കൂടാതെ ഹൈറാർക്കിക്കൽ ന്യൂറൽ ഘടനകളെ മാതൃകയാക്കുന്നതിന് ആവശ്യമായ തലത്തിൽ കമ്പ്യൂട്ടർ പ്രകടനം എത്തിയിരിക്കുന്നു.

2000-കളുടെ തുടക്കത്തിൽ സൃഷ്ടിക്കപ്പെട്ട "ആഴത്തിലുള്ള പഠന" രീതി വളരെ ഉപയോഗപ്രദമായിരുന്നു ( ആഴത്തിലുള്ള പഠനം). ന്യൂറൽ നെറ്റ്‌വർക്കിന്റെ പരിശീലന സമയം നാടകീയമായി കുറയ്ക്കാൻ ഇത് ഞങ്ങളെ അനുവദിച്ചു.

എന്നിരുന്നാലും, ന്യൂറൽ നെറ്റ്‌വർക്ക് "പിന്നിലേക്ക്" പ്രവർത്തിപ്പിക്കാൻ ഒരു ദിവസം ആരെങ്കിലും ശ്രദ്ധിച്ചില്ലെങ്കിൽ, സർവകലാശാലകളിൽ നിന്നുള്ള ഹൈബ്രോ ശാസ്ത്രജ്ഞർക്ക് ഇതെല്ലാം അവശേഷിക്കുമായിരുന്നു.

പ്രിസ്മ, ഗൂഗിൾ ഡീപ് ഡ്രീം എന്നിവയും മറ്റും എങ്ങനെ പ്രവർത്തിക്കുന്നു

ഇത് വളരെ ലളിതമായ ഒരു കാഴ്ചപ്പാടാണ്, പക്ഷേ അങ്ങനെയാണ്. ഒരു പ്രത്യേക സെറ്റ് ഇമേജുകളിൽ മുൻകൂട്ടി പരിശീലിപ്പിച്ച ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് ഒരു ഫോട്ടോയെ "ഫീഡ്" ചെയ്യുന്നത് അത് തിരിച്ചറിയുക എന്ന ലക്ഷ്യത്തോടെയല്ല, മറിച്ച്, പരിശീലനത്തിന് ശേഷം സിസ്റ്റം "ഓർമ്മിക്കുന്ന" ഘടകങ്ങൾ തിരിച്ചറിയുകയും അതിൽ ഊന്നിപ്പറയുകയും ചെയ്യുക എന്ന ലക്ഷ്യത്തോടെയാണ്. . ഈ പ്രവർത്തനം പലതവണ ആവർത്തിക്കുന്നത് ഒരേ ഫലം നൽകുന്നു. പ്രിസ്മയിൽ നിങ്ങൾക്ക് വളരെ ഇഷ്ടപ്പെട്ടത്.

ഏത് കലാകാരന്റെ പെയിന്റിംഗുകളെ ആശ്രയിച്ച് സിസ്റ്റം പരിശീലിപ്പിക്കപ്പെടുന്നു, ഫോട്ടോ അദ്ദേഹത്തിന്റെ തനതായ ശൈലിയിലേക്ക് വളരെ ഫലപ്രദമായി ക്രമീകരിച്ചിരിക്കുന്നു. അതെ, ഇതൊരു ബഹുജന ഉൽപ്പന്നമാണ്, യാതൊരു ശാസ്ത്രീയ മൂല്യവുമില്ല. അതിനുള്ള ഫാഷൻ മറ്റെല്ലാ കാര്യങ്ങളും പോലെ വേഗത്തിൽ കടന്നുപോകും. എന്നാൽ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ നിലനിൽക്കുകയും നമുക്ക് ചുറ്റും കൂടുതൽ കൂടുതൽ വ്യാപിക്കുകയും ചെയ്യും. അദൃശ്യമായും വേഗത്തിലും.

എന്തുകൊണ്ടാണ് നമ്മൾ ചിത്രങ്ങളെക്കുറിച്ച് മാത്രം കേൾക്കുന്നത്?

കൃത്യമായി രണ്ട് കാരണങ്ങളുണ്ട്, രണ്ടും നിസ്സാരമാണ്. ഒന്നാമതായി, ചിത്രങ്ങളുള്ള തന്ത്രങ്ങളാണ് കൂടുതൽ ശ്രദ്ധ ആകർഷിക്കുന്നത്. ആൽഫാഗോയെക്കുറിച്ച് ചിലർ കേട്ടിട്ടുണ്ടാകും, എന്നാൽ ലോകത്തിലെ ഏറ്റവും മികച്ച ഗോ പ്ലെയറായ പ്രിസ്മയുടെ ജനപ്രീതിയുമായി പൊരുത്തപ്പെടാൻ കഴിയില്ല. ഓട്ടോമേഷൻ മേഖലയിലെ സങ്കീർണ്ണമായ പ്രശ്നങ്ങൾ എങ്ങനെയെങ്കിലും പരിഹരിക്കുന്നത് ബഹുജന പ്രേക്ഷകരുടെ താൽപ്പര്യത്തിന്റെ മണ്ഡലത്തിൽ പെടുന്നില്ല.

രണ്ടാമതായി, ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ പരിശീലിപ്പിക്കുന്നത് ചിത്രങ്ങളുടെ മേഖലയിലാണ് - ഇമേജ് നെറ്റ് പോലുള്ള ടാഗ് ചെയ്ത ഇമേജുകളുടെ ഭീമാകാരമായ ലൈബ്രറികൾ ഉണ്ട്, അതിൽ നിങ്ങൾക്ക് കഴിയും ഏത് ആവശ്യത്തിനും വേഗത്തിൽ ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് പരിശീലിപ്പിക്കുക.

ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ നമുക്ക് എന്താണ് നൽകുന്നത്?

ഏത് ഡാറ്റാ സെറ്റിലും ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് പരിശീലിപ്പിക്കാൻ കഴിയും എന്നതാണ് ഭംഗി - അതിന്റെ പ്രവർത്തനത്തിന്റെ ഏത് ഫലമാണ് ശരിയായതെന്ന് നിങ്ങൾ അതിനെ അറിയിക്കേണ്ടതുണ്ട്. ഏതാണ്ട് ഏത് ജോലിയും നിങ്ങൾക്ക് അവളെ ഏൽപ്പിക്കാൻ കഴിയുമെന്നാണ് ഇതിനർത്ഥം.

ഉദാഹരണങ്ങൾക്കായി നിങ്ങൾ അധികം നോക്കേണ്ടതില്ല: അടുത്തിടെ, Yandex സ്പെഷ്യലിസ്റ്റുകൾ വളരെ വെളിപ്പെടുത്തുന്ന ഒരു പരീക്ഷണം നടത്തി, ഒരു അനൗദ്യോഗിക സംഗീത ആൽബം റെക്കോർഡുചെയ്യുന്നു, അതിന്റെ വരികൾ പൂർണ്ണമായും ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് സൃഷ്ടിച്ചതാണ്യെഗോർ ലെറ്റോവിന്റെയും സിവിൽ ഡിഫൻസ് ഗ്രൂപ്പിന്റെയും പ്രവർത്തനത്തിന് ശേഷം സ്റ്റൈലൈസ് ചെയ്തു.

കൂടുതൽ ഗുരുതരമായ വിജയങ്ങളും ഉണ്ട്. മെഡിക്കൽ ഡയഗ്നോസ്റ്റിക്സ് മേഖലയിൽ ശ്രദ്ധേയമായ ഫലങ്ങൾ നേടിയിട്ടുണ്ട് - ന്യൂറൽ നെറ്റ്‌വർക്ക് ഡോക്ടർമാരേക്കാൾ മികച്ച രോഗനിർണയം നടത്തുന്നു. ഞങ്ങൾ വിശദാംശങ്ങളിലേക്ക് കടക്കുന്നില്ല; "ന്യൂറൽ നെറ്റ്‌വർക്ക് മെഡിക്കൽ ഡയഗ്നോസ്റ്റിക്സ്" എന്ന് ഗൂഗിൾ ചെയ്യുക. ഗൂഗിൾ വോയിസ് സെർച്ച് ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഉപയോഗിക്കുന്നു, സേവനത്തിന്റെ ഗുണനിലവാരത്തിൽ കുത്തനെ വർദ്ധനവ് കൈവരിക്കാൻ സാധിച്ചത് അവർക്ക് നന്ദി. ഇത് ഒരു നീണ്ട പട്ടികയുടെ തുടക്കം മാത്രമാണ്.

ഒരു സ്പെഷ്യലിസ്റ്റിന്റെ ജോലി നിരീക്ഷിക്കാൻ നിങ്ങൾ ഒരു ന്യൂറൽ നെറ്റ്വർക്ക് ഇൻസ്റ്റാൾ ചെയ്താൽ എന്ത് സംഭവിക്കും? കുറച്ച് സമയത്തിന് ശേഷം അവൾക്ക് കഴിയും ഒരേ പ്രവർത്തനങ്ങൾ ചെയ്യുക, നല്ലത് മാത്രം. ക്യാമറയിലേക്ക് തെറ്റായ ആംഗിളിൽ ശൂന്യമായി കിടക്കുന്നത് റോബോട്ടിനെ പൂർണ്ണമായ ആശയക്കുഴപ്പത്തിലേക്ക് നയിക്കുമ്പോൾ, ഇത് നമ്മൾ പരിചിതമായ തരത്തിലുള്ള ഓട്ടോമേഷൻ അല്ല. ഇത് മുഴുവൻ തൊഴിലുകളുടെയും അവസാനമായിരിക്കും.

നമ്മൾ എങ്ങോട്ടാണ് പോകുന്നത്?

വ്യാവസായിക വിപ്ലവത്തിന്റെ കാലത്ത് ലോകം എങ്ങോട്ടാണ് പോയിരുന്നത്. പുതിയ ഉൽപാദന മാർഗ്ഗങ്ങൾ ദശലക്ഷക്കണക്കിന് ജോലികൾ അനാവശ്യമാക്കും. എല്ലാം ആരംഭിക്കുന്നു പരിഭാഷകർ(നമുക്ക് ന്യൂറൽ നെറ്റ്‌വർക്കിനെ മതിയായ അളവിൽ സമന്വയിപ്പിച്ച വാചകങ്ങളിൽ പരിശീലിപ്പിക്കാം) കോൾ സെന്റർ ജീവനക്കാർ(സംസാരം തിരിച്ചറിയലും വഴക്കമുള്ള ഡയലോഗ് സ്ക്രിപ്റ്റുകളും), സുരക്ഷാ ഗാർഡുകൾ(മുഖങ്ങളും വിചിത്രമായ പെരുമാറ്റവും തിരിച്ചറിയൽ), ഡ്രൈവർമാർ(അതെ, അതേ ഓട്ടോപൈലറ്റുകൾ) തുടങ്ങിയവ.

കാലക്രമേണ, കൂടുതൽ കൂടുതൽ തൊഴിലുകൾ ഓട്ടോമേഷൻ ഫണലിലേക്ക് ആകർഷിക്കപ്പെടും. ഇത് നിങ്ങളെ ബാധിക്കില്ലെന്ന് വിശ്വസിക്കാൻ നിങ്ങൾ വളരെ ആത്മവിശ്വാസമുള്ള വ്യക്തിയായിരിക്കണം. അല്ലെങ്കിൽ നമ്മൾ.

അപ്പോൾ എന്താണ് നമ്മെ കാത്തിരിക്കുന്നത്? ഒരുപക്ഷേ നിരുപാധികമായ അടിസ്ഥാന വരുമാനം, വൻതോതിലുള്ള തൊഴിലില്ലായ്മ, ഒരു കാലത്ത് സ്വതന്ത്രരായിരുന്ന അവരുടെ സ്രഷ്‌ടാക്കളെ പൂർണ്ണമായും പരിപാലിക്കാൻ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ വികസിപ്പിക്കുന്നതുവരെ കാത്തിരിക്കുക.

ഒരു ബെലാറഷ്യൻ വിദ്യാർത്ഥി ഗെയിം ഓഫ് ത്രോൺസ് കഥാപാത്രങ്ങളെ തിരിച്ചറിയാൻ ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് പഠിപ്പിച്ചു

ഇരുപതുകാരനായ പ്രോഗ്രാമർ പവൽ ഗോഞ്ചറോവ് സുഖോയിയുടെ പേരിലുള്ള ഗോമൽ സ്റ്റേറ്റ് ടെക്നിക്കൽ യൂണിവേഴ്സിറ്റിയിൽ നാലാം വർഷം പൂർത്തിയാക്കുന്നു, ക്ലാസുകൾക്ക് ശേഷം അദ്ദേഹം ഒരു വലിയ അന്താരാഷ്ട്ര ഐടി കമ്പനിയായ ഇന്റർവെലിൽ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ പഠിപ്പിക്കുന്നു. യുവാവ് പകലിന്റെ ആദ്യപകുതി പഠനത്തിനായി ചെലവഴിക്കുന്നു, ഉച്ചഭക്ഷണസമയത്ത് അയാൾക്ക് ഇഷ്ടമുള്ളത് ചെയ്യാൻ ഓഫീസിൽ വരുന്നു. ഒരു അഭിമുഖത്തിൽ, "യന്ത്രങ്ങളുടെ കലാപം", കൃത്രിമ ബുദ്ധി, തൊഴിലില്ലായ്മ, പൂച്ചകൾ എന്നിവയുടെ അപകടത്തെക്കുറിച്ച് ആ വ്യക്തി ഞങ്ങളോട് പറഞ്ഞു.

ഒരു ന്യൂറൽ നെറ്റ്‌വർക്കിന് ആശയവിനിമയത്തിന്റെ പൂർണ്ണമായ മിഥ്യാധാരണ നൽകാൻ കഴിയും

നിലവിൽ ഒരു സ്‌മാർട്ട് ചാറ്റ്‌ബോട്ട് സൃഷ്‌ടിക്കാനുള്ള ഗവേഷണ പദ്ധതിയിൽ പ്രവർത്തിക്കുന്നു. സോഷ്യൽ നെറ്റ്‌വർക്കുകളിൽ നിന്നും ഫോറങ്ങളിൽ നിന്നുമുള്ള മെറ്റീരിയൽ ഉപയോഗിച്ച് ക്ലയന്റുകളുമായി ആശയവിനിമയം നടത്താൻ അദ്ദേഹത്തിന് പരിശീലനം നൽകാം - അനന്തമായ സംഭാഷണ സാഹചര്യങ്ങളുണ്ട്.

- നിങ്ങൾ ഇത് സ്വയം കൊണ്ടുവന്നതാണോ അതോ ആരെങ്കിലും ഇതിനകം ഇത് ചെയ്തിട്ടുണ്ടോ?

തീർച്ചയായും, ഞാൻ ഒന്നാമനല്ല. ഒരു ലിനക്സ് ടെക്നിക്കൽ സപ്പോർട്ട് ഫോറത്തിൽ ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് പരിശീലിപ്പിച്ചപ്പോൾ ഒരു കേസ് ഉണ്ടായിരുന്നു. തൽഫലമായി, അവൾ ക്ലയന്റുമായി കത്തിടപാടുകൾ നടത്തി, ഓപ്പറേറ്ററെ അനുകരിച്ചു, ഐപി വിലാസം ചോദിച്ചു, കമാൻഡുകൾ നൽകാൻ ആവശ്യപ്പെട്ടു. തത്സമയ ആശയവിനിമയത്തിന്റെ പൂർണ്ണമായ മിഥ്യയാണ് ഫലം!

- ഇതേ കാര്യം ഗോ ചാമ്പ്യനെ തോൽപ്പിച്ചോ?

അല്ല, അതൊരു സങ്കീർണ്ണമായ ആൽഫാഗോ ന്യൂറൽ നെറ്റ്‌വർക്ക് ആയിരുന്നു. ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഗെയിമുകൾ കളിക്കാൻ തുടങ്ങുന്നതിനുമുമ്പ്, അവ വളരെക്കാലം ഒരു സിദ്ധാന്തമായി വികസിപ്പിച്ചെടുത്തു. 1940 കളിലാണ് ഈ ആശയം രൂപപ്പെടുത്തിയത്. പിന്നീട് നിരവധി ശാസ്ത്ര ലേഖനങ്ങൾ എഴുതപ്പെട്ടു, പക്ഷേ കമ്പ്യൂട്ടറുകൾക്ക് ഇതുവരെ വലിയ അളവിലുള്ള വിവരങ്ങൾ കണക്കാക്കാൻ കഴിഞ്ഞില്ല.

- നിങ്ങൾക്ക് എന്തെങ്കിലും പ്രത്യേക കമ്പ്യൂട്ടറുകൾ ആവശ്യമുണ്ടോ?

CUDA ആർക്കിടെക്ചറിനെ അടിസ്ഥാനമാക്കിയുള്ള വീഡിയോ കാർഡുകളുടെ വരവോടെ, പ്രോഗ്രാമർമാർ സാധാരണ ഗെയിമിംഗ് കമ്പ്യൂട്ടറുകളിൽ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ പരിശീലിപ്പിക്കാൻ തുടങ്ങി.

"ഫോട്ടോഗ്രാഫുകളിൽ പൂച്ചകളെ നോക്കുകയല്ലാതെ പ്രോഗ്രാം ഒന്നും ചെയ്യുന്നില്ലെങ്കിൽ, മനുഷ്യരാശിയുടെ വിധിയെക്കുറിച്ച് വിഷമിക്കേണ്ടതില്ല."

പത്രങ്ങൾ പലപ്പോഴും ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ അപകടത്തെ പെരുപ്പിച്ചു കാണിക്കുകയും "യന്ത്രങ്ങളുടെ കലാപത്തെ" ഭയപ്പെടുകയും ചെയ്യുന്നു. എല്ലാം ശരിക്കും മോശമാണെന്ന് നിങ്ങൾ കരുതുന്നുണ്ടോ?

ഒരു ന്യൂറൽ നെറ്റ്‌വർക്കിന്റെ കഴിവുകൾ വാസ്തുവിദ്യയെ ആശ്രയിച്ചിരിക്കുന്നു. ഉദാഹരണത്തിന്, കൺവല്യൂഷണൽ നെറ്റ്‌വർക്കുകൾ ഇമേജുകൾക്ക് അനുയോജ്യമാണ്, കൂടാതെ LSTM, GRU എന്നിവ സീക്വൻസുകൾക്ക് അനുയോജ്യമാണ്. സ്വയം സംഘടിപ്പിക്കുന്ന കൊഹോനെൻ കാർഡുകൾ ഉണ്ട്, അവയ്ക്ക് ഒരു നിശ്ചിത മാനദണ്ഡമനുസരിച്ച് ഡാറ്റ വിഭജിക്കാൻ കഴിയും. ലളിതമായി പറഞ്ഞാൽ, ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ചിത്രങ്ങൾ, ടെക്‌സ്‌റ്റുകൾ, ഡാറ്റ തരംതിരിക്കുക, ചെറിയ കുറിപ്പുകൾ എന്നിവപോലും തിരിച്ചറിയുന്നു. ഫോട്ടോഗ്രാഫുകളിൽ പൂച്ചകളെ നോക്കുകയല്ലാതെ പ്രോഗ്രാം ഒന്നും ചെയ്യുന്നില്ലെങ്കിൽ, മനുഷ്യരാശിയുടെ വിധിയെക്കുറിച്ച് വിഷമിക്കേണ്ടതില്ല.

- ജോലി നഷ്ടപ്പെടുമെന്ന ഭയത്താൽ പത്രപ്രവർത്തകർ മനഃപൂർവം ബഹളം വച്ചിരിക്കുമോ?

കോപ്പിറൈറ്റർമാർക്ക് അവരുടെ ജോലി നഷ്ടപ്പെട്ടേക്കാം, പക്ഷേ പത്രപ്രവർത്തനത്തിന്റെ തിരോധാനത്തെക്കുറിച്ച് സംസാരിക്കാൻ വളരെ നേരത്തെ തന്നെ. ഒരേ വിഷയത്തിൽ നിരവധി വാർത്തകൾ വായിക്കാനും സമാനമായ എന്തെങ്കിലും സൃഷ്ടിക്കാനും ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് തികച്ചും പ്രാപ്തമാണ്. ഒരു പ്രോഗ്രാമിൽ നിന്ന് വ്യത്യസ്തമായി, ഒരു യഥാർത്ഥ പത്രപ്രവർത്തകന് അഭിമുഖങ്ങൾ നടത്താനും ഒരു കാഴ്ചപ്പാട് അല്ലെങ്കിൽ മറ്റൊന്ന് എടുക്കാനും അതുല്യമായ ഉള്ളടക്കം സൃഷ്ടിക്കാനും കഴിയും. ഒടുവിൽ, അവൻ സ്വയം ബോധവാനാകുകയും താൻ എന്താണ് ചെയ്യുന്നതെന്ന് മനസ്സിലാക്കുകയും ചെയ്യുന്നു.

- എപ്പോഴാണ് ന്യൂറൽ നെറ്റ്‌വർക്ക് സ്വയം ബോധവാന്മാരാകുന്നത്?

അഞ്ച് വർഷത്തിനുള്ളിൽ ഞാൻ കരുതുന്നു. എത്ര വിഭവങ്ങൾ വേണ്ടിവരും എന്നതാണ് മറ്റൊരു ചോദ്യം. ഗോ ഗെയിം വിജയിക്കാൻ, സെർവറുകളുടെ നിർമ്മാണം പ്രവർത്തിച്ചു.

- ഇത് വിചിത്രമാണ്, കാരണം ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ തലച്ചോറിലെ ന്യൂറോണുകളുടെ ഘടന പകർത്തുന്നു, മാത്രമല്ല ഇത് കൂടുതൽ ഇടം എടുക്കുന്നില്ല.

ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് ഒരു പകർപ്പല്ല, മറിച്ച് ന്യൂറോണുകൾ എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്നതിന്റെ ലളിതമായ മാതൃകയാണ്.

- അവൾക്ക് ഗെയിം ജയിക്കണമെന്ന് അവൾ എങ്ങനെ മനസ്സിലാക്കും?

പ്രോഗ്രാം പാലിക്കേണ്ട ഒരു വ്യവസ്ഥയും ലക്ഷ്യം കൈവരിക്കുന്നതിന് സംഭാവന നൽകാത്ത പ്രവർത്തനങ്ങൾക്ക് പിഴയും നൽകിയിട്ടുണ്ട്.

- "ശിക്ഷ" എന്നാണോ നിങ്ങൾ ഉദ്ദേശിക്കുന്നത്? ഇന്റർനെറ്റ് ഇല്ലാത്ത ഒരു മാസം?

വിശദീകരിക്കാൻ പ്രയാസമാണ്. ഒരു നിശ്ചിത പരമാവധി മൂല്യം നേടുക എന്നതാണ് പ്രോഗ്രാമിന്റെ ലക്ഷ്യമെങ്കിൽ, ഫലം നേടുന്നതിൽ ഞങ്ങൾ ഇടപെടുമ്പോഴെല്ലാം, അതായത്, അന്തിമ മൂല്യത്തിൽ നിന്ന് എന്തെങ്കിലും കുറയ്ക്കുമ്പോൾ, ന്യൂറൽ നെറ്റ്‌വർക്ക് ഇത് ശിക്ഷയായി കാണുമെന്ന് നമുക്ക് പറയാം. ഒരു ബോർഡ് ഗെയിമിൽ "പരമാവധി മൂല്യം" വിജയിക്കാനുള്ള സാധ്യത വർദ്ധിപ്പിക്കുന്ന വിജയകരമായ നീക്കങ്ങളായി കണക്കാക്കാം.

"ഗുരുതരമായ സൈനിക ജോലികൾക്കോ ​​വലിയ തുകകളുള്ള ബാങ്കിംഗ് ഇടപാടുകൾക്കോ ​​വേണ്ടിയുള്ള ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഇതുവരെ പുരോഗമിച്ചിട്ടില്ല"

- ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ പഠിപ്പിക്കാൻ നിങ്ങൾ എന്താണ് ശ്രമിച്ചത്?

ഗെയിം ഓഫ് ത്രോൺസിൽ നിരവധി കഥാപാത്രങ്ങളുണ്ട്, എല്ലാ പേരുകളും ഓർക്കാൻ പ്രയാസമാണ്. ജോർജ്ജ് ആർ ആർ മാർട്ടിന്റെ എ സോംഗ് ഓഫ് ഐസ് ആൻഡ് ഫയർ വായിച്ച് കഥാപാത്രങ്ങളുടെ പേരുകൾ തിരിച്ചറിയുന്ന ഒരു പ്രോഗ്രാം ഞാൻ ഒരിക്കൽ എഴുതി. എന്നാൽ അടിസ്ഥാനപരമായി എന്റെ ശാസ്‌ത്രീയ പ്രവർത്തനങ്ങൾ ചിത്രങ്ങളുള്ള കംപ്രസ് ചെയ്‌ത ഡാറ്റയുടെ വർഗ്ഗീകരണവുമായി ബന്ധപ്പെട്ടതാണ്.

എന്തുകൊണ്ടാണ് ബെലാറസിന് ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ആവശ്യമായി വരുന്നത്?

പോലീസ് സ്‌റ്റേഷനുകളിലെ സർവ്വശക്തരായ ഐടി സ്‌പെഷ്യലിസ്റ്റുകൾ എങ്ങനെയാണ് ഒരു പിക്‌സലേറ്റഡ് ഫോട്ടോ എടുക്കുന്നത്, വില്ലന്റെ അവ്യക്തമായ മുഖം സൂം ഇൻ ചെയ്‌ത് ഫോക്കസ് മൂർച്ച കൂട്ടുന്നത് എങ്ങനെയെന്ന് സിനിമകൾ കാണിക്കാറുണ്ട്. മുമ്പ് സിനിമയിൽ മാത്രമേ ഇത് സാധ്യമായിരുന്നുള്ളൂ. ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഉപയോഗിച്ച് സ്ഥിതി മാറിയോ?

ഇമേജ് റെസലൂഷൻ വർദ്ധിപ്പിക്കുന്ന പ്രോഗ്രാമുകൾ വികസിപ്പിച്ചെടുത്തിട്ടുണ്ട്. ചിത്രം പിക്‌സലേറ്റ് ചെയ്‌തതും മുഖം വേർതിരിച്ചറിയാൻ കഴിയുന്നില്ലെങ്കിൽ പോലും, യഥാർത്ഥ ഫോട്ടോ വളരെ കൃത്യമായി പുനഃസ്ഥാപിക്കാൻ കഴിയും, എന്നിരുന്നാലും ഇത് സിനിമാറ്റിക് സയൻസ് ഫിക്ഷനിൽ നിന്ന് വളരെ അകലെയാണ്.

- ഇത് എങ്ങനെ പ്രവർത്തിക്കുന്നു?

ചുറ്റുമുള്ള വസ്തുക്കളിൽ ആളുകൾ നിരന്തരം പരിചിതമായ സവിശേഷതകൾ കണ്ടെത്തുന്നു: ഉദാഹരണത്തിന്, ഒരു മുഖം പോലെ കാണപ്പെടുന്ന ഒരു കല്ല്, അല്ലെങ്കിൽ ഗ്ലാസിലെ മഞ്ഞ് പാറ്റേണുകൾ. ഞങ്ങളിൽ നിന്ന് വ്യത്യസ്തമായി, ന്യൂറൽ നെറ്റ്‌വർക്കുകൾക്ക് അത്തരം ദശലക്ഷക്കണക്കിന് ബന്ധങ്ങൾ ഓർമ്മിക്കാനും പൊതുവായ സവിശേഷതകൾ തൽക്ഷണം കണ്ടെത്താനും കഴിയും.

- ന്യൂറൽ നെറ്റ്‌വർക്ക് സ്പെഷ്യലിസ്റ്റുകൾക്ക് CERN-ൽ ആവശ്യക്കാരുണ്ടെന്ന് ഞാൻ കേട്ടു. നിങ്ങൾക്ക് സ്വിറ്റ്സർലൻഡിലേക്ക് മാറാൻ താൽപ്പര്യമുണ്ടോ?

ഒരിക്കൽ ഞാൻ ബിഗ് ഡാറ്റയുടെ വിശകലനത്തിനായി സമർപ്പിച്ച ഒരു കോൺഫറൻസിൽ ടോംസ്കിൽ ഒരു അവതരണം നടത്തി, CERN ജീവനക്കാർ അവിടെ സന്നിഹിതരായിരുന്നു. അവർക്ക് ശരിക്കും പ്രോഗ്രാമർമാരെ ആവശ്യമാണ്. സ്റ്റാഫിൽ ധാരാളം ഭൗതികശാസ്ത്രജ്ഞർ ഉണ്ട്, എന്നാൽ വേണ്ടത്ര ഐടി സ്പെഷ്യലിസ്റ്റുകൾ ഇല്ല: ആളുകൾ കാലഹരണപ്പെട്ട സോഫ്റ്റ്വെയറിൽ പ്രവർത്തിക്കുന്നു, ആരെങ്കിലും അതെല്ലാം മാറ്റിയെഴുതേണ്ടതുണ്ട്. ഒരുപക്ഷേ എനിക്ക് അവിടെ ജോലി ചെയ്യാം.

ലാർജ് ഹാഡ്രോൺ കൊളൈഡർ. ഫോട്ടോ: മാക്സിം മാലിനോവ്സ്കി

- ബെലാറസിൽ അത്തരം സ്പെഷ്യലിസ്റ്റുകൾക്ക് ആവശ്യമുണ്ടോ?

തീർച്ചയായും, സാധാരണ പ്രോഗ്രാമർമാരുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ, ഞങ്ങൾ വളരെ കുറച്ച് മാത്രമേ ഉള്ളൂ. ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഇൻസ്റ്റിറ്റ്യൂട്ട് ഓഫ് ഇൻഫോർമാറ്റിക്‌സ് പ്രോബ്ലംസ്, ബിഎസ്‌യുഐആർ, ബിഎസ്‌യുവിൽ പോലും പഠിക്കുന്നുണ്ടെന്ന് ഞാൻ കേട്ടു. ഗോമലിന് ഇതുവരെ സ്വന്തമായി സ്കൂൾ ഇല്ല. GGTU-ൽ, എന്റെ കോഴ്‌സിന് ന്യൂറൽ നെറ്റ്‌വർക്കുകളിൽ ഒരു പ്രഭാഷണം മാത്രമേ ഉണ്ടായിരുന്നുള്ളൂ. ഭാഗ്യവശാൽ, സൌജന്യ രജിസ്ട്രേഷനോടുകൂടിയ കോഴ്സ്രാ.ഓർഗ് പോലുള്ള ഉറവിടങ്ങളുണ്ട്.

"ന്യൂറൽ നെറ്റ്‌വർക്കിന് സംസാരം നന്നായി മനസ്സിലാകുന്നില്ല: ഇതിന് സമാനമായ ഒരു വാക്ക് കണ്ടെത്താനും വാക്കുകൾക്കിടയിൽ സമാന്തരങ്ങൾ വരയ്ക്കാനും ചില കണക്ഷനുകൾ പിടിക്കാനും കഴിയും, പക്ഷേ അതിനെ പൂർണ്ണമായ സംഭാഷണം എന്ന് വിളിക്കാൻ കഴിയില്ല."

- ഇന്ന് എവിടെയാണ് ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഉപയോഗിക്കുന്നത്?

എല്ലായിടത്തും: ഫാക്ടറികളിൽ, ബാങ്കുകളിൽ, വിനോദ വ്യവസായത്തിൽ. ടോംസ്കിൽ നടന്ന ഒരു കോൺഫറൻസിൽ ഞാൻ കാസ്പെർസ്‌കി ലാബിലെ ഒരു ജീവനക്കാരനുമായി സംസാരിച്ചു: അവർ വൈറസ് ആക്രമണങ്ങൾ കണ്ടെത്തുന്നതിന് സ്വയം പഠന സംവിധാനങ്ങൾ നടപ്പിലാക്കുന്നു. പൊതുവേ, ഗുരുതരമായ സൈനിക ജോലികൾക്കോ ​​വലിയ തുകകളുള്ള ബാങ്കിംഗ് ഇടപാടുകൾക്കോ ​​വേണ്ടി ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഇതുവരെ പുരോഗമിച്ചിട്ടില്ല.

- പിന്നെ മരുന്നിന്?

റോബോട്ടുകൾ ഇവിടെ വിജയിക്കുന്നു. ഉദാഹരണത്തിന്, കാർഡിയ ആപ്പ് ഒരു ചെറിയ തീപ്പെട്ടി വലിപ്പമുള്ള ഇസിജി ഉപകരണത്തിൽ പ്രവർത്തിക്കുന്നു, അത് എപ്പോഴും നിങ്ങൾക്കൊപ്പം കൊണ്ടുപോകണം. ഉപകരണത്തിൽ നിന്ന് ലഭിച്ച ഡാറ്റയെ അടിസ്ഥാനമാക്കി ഹൃദയസംബന്ധമായ പ്രശ്നങ്ങൾ പ്രവചിക്കാൻ ഡവലപ്പർമാർ ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് പരിശീലിപ്പിച്ചു. ട്യൂമറിന്റെ ചിത്രങ്ങൾ ഉപയോഗിച്ച്, ന്യൂറൽ നെറ്റ്‌വർക്ക് ഒരു രോഗനിർണയം നടത്തുന്നു.

പിന്നെ എന്തുകൊണ്ട് ആശുപത്രികളിലെ ജീവനക്കാരുടെ എണ്ണം കുറയ്ക്കുന്നില്ല? പരിശീലനം ലഭിച്ച ന്യൂറൽ നെറ്റ്‌വർക്കുകളുള്ള ഒരു ജോടി ഗെയിമിംഗ് വീഡിയോ കാർഡുകൾ വാങ്ങുന്നത് ജീവനക്കാരെ പരിപാലിക്കുന്നതിനേക്കാൾ വിലകുറഞ്ഞതാണ്.

കാരണം, ഒരു ന്യൂറൽ നെറ്റ്വർക്കിൽ നിന്ന് വ്യത്യസ്തമായി, ഡോക്ടർക്ക് തന്റെ തീരുമാനത്തെ ന്യായീകരിക്കാൻ കഴിയും.

- നിങ്ങൾക്ക് എന്തെങ്കിലും ചോദ്യങ്ങളുണ്ടെങ്കിൽ, നിങ്ങൾക്ക് ഡവലപ്പറെ ബന്ധപ്പെടാം. അങ്ങനെയല്ലേ?

ഒരു പ്രോഗ്രാം പിശകിന്റെ ഉത്തരവാദിത്തം അദ്ദേഹം ഏറ്റെടുക്കില്ല. കൂടാതെ, ന്യൂറൽ നെറ്റ്‌വർക്ക് ഈ അല്ലെങ്കിൽ ആ തീരുമാനം എടുക്കുന്നത് എന്തുകൊണ്ടാണെന്ന് ഡവലപ്പർമാർക്ക് അറിയില്ല. അവരുടെ പെരുമാറ്റം വിശദീകരിക്കാനുള്ള ശ്രമങ്ങൾ ഇന്നും തുടരുന്നു. ഡീപ് ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഒരു ബ്ലാക്ക് ബോക്സാണ്.

- എന്തെങ്കിലും പുരോഗതി?

നിങ്ങൾ കാണുന്നത് ഇങ്ങനെയാണ്... ഡീപ് ഡ്രീം ന്യൂറൽ നെറ്റ്‌വർക്കിന്റെ പഠനത്തിന് നന്ദി, പ്രിസ്മ ആപ്ലിക്കേഷൻ പ്രത്യക്ഷപ്പെട്ടു. ന്യൂറൽ നെറ്റ്‌വർക്കിന്റെ ഹൃദയഭാഗത്ത് എന്താണ് സംഭവിക്കുന്നതെന്ന് മനസിലാക്കാൻ ശാസ്ത്രജ്ഞർ ശ്രമിച്ചു. തുടക്കത്തിൽ, ഫോട്ടോഗ്രാഫുകളിൽ മൃഗങ്ങളെ എങ്ങനെ കണ്ടെത്താമെന്ന് അവൾക്ക് മാത്രമേ അറിയൂ. അതിൽ നിന്ന് ഗുണകങ്ങൾ വേർതിരിച്ചെടുക്കുകയും എതിർദിശയിലുള്ള ചിത്രങ്ങളിൽ പ്രയോഗിക്കുകയും ചെയ്തു. അവസാനം, മൃഗങ്ങളുടെ കൈകാലുകൾ, കണ്ണുകൾ, രോമങ്ങൾ എന്നിവയിൽ നിന്ന് ചിത്രങ്ങൾ ശേഖരിച്ചു.

- അതുമായി പ്രിസ്മയ്ക്ക് എന്താണ് ബന്ധം?

ഇത് ഒരേ തത്വത്തിലാണ് പ്രവർത്തിക്കുന്നത്, മൃഗങ്ങളുടെ ഫോട്ടോഗ്രാഫുകൾക്ക് പകരം, വ്യത്യസ്ത കലാപരമായ ശൈലിയിലുള്ള പെയിന്റിംഗുകൾ ന്യൂറൽ നെറ്റ്‌വർക്കിലൂടെ കടന്നുപോയി. ഒരു വ്യക്തിഗത കലാകാരന്റെ കലാപരമായ ദിശ, "കൈയക്ഷരം" അല്ലെങ്കിൽ ശൈലി എന്ന് വിളിക്കപ്പെടുന്നതിന്റെ ഡിജിറ്റൽ തത്തുല്യമായത് വേർതിരിച്ചെടുക്കാൻ അവർക്ക് കഴിഞ്ഞു. ഇപ്പോൾ ഇൻസ്റ്റാഗ്രാമിലെ ദശലക്ഷക്കണക്കിന് പെൺകുട്ടികൾ പ്രശസ്ത കലാകാരന്മാർ നിർമ്മിച്ച സ്വന്തം ഛായാചിത്രങ്ങൾ പങ്കിടുന്നു.

നിർമ്മിത ബുദ്ധി - നല്ലതോ ചീത്തയോ?

- ന്യൂറൽ നെറ്റ്‌വർക്കുകൾക്ക് പകരം വയ്ക്കാൻ കഴിയാത്ത ഒരു തൊഴിൽ ഉണ്ടോ?

ഇപ്പോൾ, ഇതെല്ലാം വ്യക്തിഗത ആശയവിനിമയവുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു. ന്യൂറൽ നെറ്റ്‌വർക്കിന് സംസാരം നന്നായി മനസ്സിലാകുന്നില്ല: ഇതിന് സമാനമായ ഒരു വാക്ക് കണ്ടെത്താനും വാക്കുകൾക്കിടയിൽ സമാന്തരങ്ങൾ വരയ്ക്കാനും ചില കണക്ഷനുകൾ പിടിക്കാനും കഴിയും, പക്ഷേ ഇതിനെ ഒരു പൂർണ്ണ സംഭാഷണം എന്ന് വിളിക്കാൻ കഴിയില്ല.

- അപ്പോൾ പരിഹാസം റോബോട്ടുകൾക്ക് അപ്രാപ്യമാണോ?

പരിശീലന വേളയിൽ ചില വാക്യങ്ങളിൽ പരിഹാസം അടങ്ങിയിട്ടുണ്ടെന്നും മറ്റുള്ളവ ഇല്ലെന്നും നിങ്ങൾ സൂചിപ്പിക്കുന്നുവെങ്കിൽ, പരിശീലന പ്രക്രിയയിൽ ആവശ്യമായ ഡിപൻഡൻസികൾ ന്യൂറൽ നെറ്റ്‌വർക്ക് ഓർമ്മിക്കും. പരിഹാസം കണ്ടെത്താനും അതിന്റെ ബിരുദം നിർണ്ണയിക്കാനും ഇത് നിങ്ങളെ അനുവദിക്കും. ഞാൻ ഒരു ജോലിക്ക് അപേക്ഷിച്ചപ്പോൾ, ഒരു കോൾ സെന്റർ ക്ലയന്റിന്റെ വൈകാരികാവസ്ഥ വിശകലനം ചെയ്യുന്നതിനുള്ള ഒരു പ്രോഗ്രാം എഴുതാനുള്ള ചുമതല എന്നെ ഏൽപ്പിച്ചു. ഇത് "ആക്ഷേപഹാസ്യം / പരിഹാസമല്ല" മോഡിലേക്ക് മാറാമെന്ന് ഞാൻ കരുതുന്നു.

“നൂതന ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് പ്രത്യക്ഷപ്പെട്ടാലും, അത് നമ്മൾ ആഗ്രഹിക്കുന്ന രീതിയിലായിരിക്കും. “നല്ലത്” എന്താണെന്നും “ചീത്ത” എന്താണെന്നും അവൻ നമ്മിൽ നിന്ന് പഠിക്കും.

- കോൾ സെന്റർ ഓപ്പറേറ്റർമാർക്കും കോപ്പിറൈറ്റർമാർക്കും പുറമെ, വരും വർഷങ്ങളിൽ ആർക്കൊക്കെ ജോലി നഷ്ടപ്പെടും?

ബ്രോക്കർമാർ, ബിസിനസ് അനലിസ്റ്റുകൾ എന്നിവ പോലെ വാതുവെപ്പിലും പ്രവചനത്തിലും ഏർപ്പെട്ടിരിക്കുന്ന ആർക്കും അപകടസാധ്യതയുണ്ട്. ഒരുപക്ഷേ അത്തരം പ്രക്രിയകളിൽ യന്ത്രം ലളിതമായി ജോലി ലളിതമാക്കും, കൂടാതെ വ്യക്തി ഇടപെടുകയും നിയന്ത്രിക്കുകയും ചെയ്യും. എന്നാൽ ഈ സാഹചര്യത്തിൽ പോലും, അടുത്ത അഞ്ച് വർഷത്തിനുള്ളിൽ വിപണിക്ക് കൂടുതൽ സ്പെഷ്യലിസ്റ്റുകളുടെ ആവശ്യമില്ല. നമ്മൾ ദശാബ്ദങ്ങളെക്കുറിച്ച് സംസാരിക്കുകയാണെങ്കിൽ, ന്യൂറൽ നെറ്റ്വർക്കുകളുടെ വികസനം കൊണ്ട്, പല തൊഴിലുകളും അപ്രത്യക്ഷമാകും.

ചില പ്രവചനങ്ങൾ അനുസരിച്ച്, 2050 ആകുമ്പോഴേക്കും ഗ്രഹത്തിലെ പകുതിയോളം ജോലികളും ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ കൈവശപ്പെടുത്തും. 20-30 വർഷത്തിനുള്ളിൽ തൊഴിൽ നഷ്ടപ്പെടുന്ന ദശലക്ഷക്കണക്കിന് ആളുകൾ എന്ത് ചെയ്യണം?

വികസിത രാജ്യങ്ങളിൽ ഇതിനകം പരീക്ഷിച്ചുവരുന്ന ഒരു നിരുപാധിക വരുമാനം സ്വീകരിക്കുക. യന്ത്രങ്ങൾ നമുക്കായി പ്രവർത്തിക്കുകയും ആവശ്യമായ എല്ലാ സാധനങ്ങളും ഉൽപ്പാദിപ്പിക്കുകയും ചെയ്യും. റോബോട്ടിന് പണം ആവശ്യമില്ല, അതിന് സ്വാർത്ഥതാൽപര്യമോ അഭിലാഷമോ ഇല്ല. അഡ്വാൻസ്ഡ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് പ്രത്യക്ഷപ്പെട്ടാലും അത് നമ്മൾ ആഗ്രഹിക്കുന്ന രീതിയിലായിരിക്കും. "നല്ലത്" എന്താണെന്നും "ചീത്തത്" എന്താണെന്നും അവൻ നമ്മിൽ നിന്ന് പഠിക്കും.

- മനുഷ്യത്വം മോശമാണെന്ന് AI വിചാരിച്ചാലോ?

ഭയത്തിന് ഏതൊരു നവീകരണത്തെയും നിരാകരിക്കാൻ കഴിയും: ആണവോർജ്ജം ഒരു ന്യൂക്ലിയർ ബോംബാണ്, വൈദ്യുതി സ്റ്റൺ ഗണ്ണുകളാണ്, അങ്ങനെ പലതും. നിങ്ങൾ ഒന്നും ചെയ്തില്ലെങ്കിൽ, ഒന്നും സംഭവിക്കില്ല, നിങ്ങൾ കുറഞ്ഞത് എന്തെങ്കിലും ചെയ്താൽ, നല്ലതും ചീത്തയുമായ ഒരു ഫലത്തിന്റെ സാധ്യത എപ്പോഴും ഉണ്ടായിരിക്കും. പുരോഗതി ഉപേക്ഷിക്കാൻ പാടില്ല എന്ന് ഞാൻ വിശ്വസിക്കുന്നു.

- എന്നാൽ നൂതന AI ഇന്റർനെറ്റിലേക്ക് കണക്റ്റുചെയ്യുന്നത് വിലമതിക്കുന്നില്ലേ?