மெஷின் லெர்னிங் என்றால் என்ன?
மெஷின் லெர்னிங் (ML) என்பது செயற்கை நுண்ணறிவு (AI) என்ற துறையின் ஒரு கிளை ஆகும், இது கணினிகளுக்கு தரவிலிருந்து கற்றுக்கொண்டு, விரிவான நிரலாக்கம் இல்லாமல் காலத்துடன் தங்கள் செயல்திறனை மேம்படுத்த உதவுகிறது. மற்றொரு வகையில், ML கணினிகள் அனுபவத்திலிருந்து "கற்றுக்கொண்டு" முன்னறிவிப்புகளின் துல்லியத்தை மெதுவாக மேம்படுத்த அனுமதிக்கிறது, மனிதர்கள் உண்மையான அனுபவத்திலிருந்து கற்றுக்கொள்ளும் விதத்தில்.
மெஷின் லெர்னிங் என்றால் என்ன?
மெஷின் லெர்னிங் (ML, மெஷின் லெர்னிங் என்றும் அழைக்கப்படுகிறது) என்பது செயற்கை நுண்ணறிவு (AI) என்ற துறையின் ஒரு கிளை ஆகும், இது கணினிகளுக்கு மனிதர்களைப் போல கற்றுக்கொள்ளும் திறனை உருவாக்கி தானாகவே பணிகளை செய்யவும், தரவிலிருந்து அனுபவம் சேர்த்து செயல்திறனை மேம்படுத்தவும் உதவுகிறது. எளிதாகச் சொல்வதானால், இது "கணினிகள் தெளிவான நிரலாக்கம் இல்லாமல் கற்றுக்கொள்ளும் திறனை வழங்கும் ஆய்வுத் துறை" என்று 1950களில் நிபுணர் ஆர்தர் சாமுவேல் கூறிய வரையறை. இந்த வரையறை இன்றும் பொருந்துகிறது: ஒவ்வொரு குறிப்பிட்ட கட்டளையையும் நிரலாக்குவதற்கு பதிலாக, நாம் கணினிக்கு விதிகளை ஊகிக்க தரவுகளை வழங்கி காலத்துடன் முடிவுகளை மேம்படுத்துகிறோம்.
கணினிகள் தெளிவான நிரலாக்கம் இல்லாமல் கற்றுக்கொள்ளும் திறனை வழங்கும் ஆய்வுத் துறை.
— ஆர்தர் சாமுவேல், கணினி விஞ்ஞானி (1950கள்)
இன்று, மெஷின் லெர்னிங் அன்றாட வாழ்க்கையில் பரவலாக உள்ளது. நாம்தினமும் பயன்படுத்தும் பல ஆன்லைன் சேவைகள் – இணைய தேடல் இயந்திரங்கள், ஸ்பாம் மின்னஞ்சல் வடிகட்டிகள், திரைப்படம்/தயாரிப்பு பரிந்துரை அமைப்புகள், வங்கி மென்பொருள் போன்றவை – மெஷின் லெர்னிங் ஆல்கொரிதம்களால் இயக்கப்படுகின்றன.
தேடல் இயந்திரங்கள்
அறிவார்ந்த தரவரிசை மற்றும் தனிப்பயன் முடிவுகள்
ஸ்பாம் கண்டறிதல்
தானாக மின்னஞ்சல் வடிகட்டல் மற்றும் பாதுகாப்பு
பரிந்துரைகள்
தனிப்பயன் உள்ளடக்கம் மற்றும் தயாரிப்பு பரிந்துரைகள்
இந்த தொழில்நுட்பம் பல மொபைல் பயன்பாடுகளிலும் காணப்படுகிறது, உதாரணமாக உங்கள் பேச்சை புரிந்துகொள்ளும் குரல் அங்கீகார அம்சங்கள். கற்றுக்கொள்ளும் மற்றும் மேம்படும் திறனுக்காக, மெஷின் லெர்னிங் பெரும்பாலான நவீன AI அமைப்புகளின் அடித்தளம் ஆகிவிட்டது. கடந்த 5–10 ஆண்டுகளில் AI முன்னேற்றங்கள் பெரும்பாலும் மெஷின் லெர்னிங்குடன் தொடர்புடையவை, இதனால் பலர் AI மற்றும் ML ஐ ஒரே பொருளாக கருதுகிறார்கள்.
மெஷின் லெர்னிங், AI மற்றும் தீவிரக் கற்றல் இடையேயான தொடர்பு
செயற்கை நுண்ணறிவு (AI) என்பது மனிதர்களைப் போல "அறிவார்ந்த" நடத்தை செய்ய இயலுமாறு இயந்திரங்களை உருவாக்கும் அனைத்து தொழில்நுட்பங்களையும் உள்ளடக்கிய பரந்த கருத்து. மெஷின் லெர்னிங் என்பது AI ஐ உண்மையாக்கும் ஒரு முறை, அதாவது இயந்திரங்கள் தரவைப் பயன்படுத்தி படிப்படியாக கற்றுக்கொள்ளும் திறன் பெறுகின்றன, ஒவ்வொரு கட்டளையையும் தெளிவாக நிரலாக்காமல். AI சூழலில், ML இன் பங்கு மிக முக்கியமானது, பல AI அமைப்புகள் அடிப்படையில் மெஷின் லெர்னிங் மாதிரிகளையே பயன்படுத்துகின்றன.
விதி அடிப்படையிலான அமைப்புகள்
- தெளிவான படி படி நிரலாக்கம்
- நிலையான விதிகள் மற்றும் தர்க்கம்
- குறைந்த தகுதிச் சீரமைப்பு
தரவு சார்ந்த கற்றல்
- தரவிலிருந்து முறைமைகளை கற்றுக்கொள்கிறது
- காலத்துடன் மேம்படுகிறது
- புதிய சூழல்களுக்கு தகுதிச் சீரமைக்கிறது
தீவிரக் கற்றல் என்பது மெஷின் லெர்னிங்கின் ஒரு சிறப்பு கிளை. தீவிரக் கற்றல் பல அடுக்கு செயற்கை நரம்பு வலைப்பின்னல்கள் (deep neural networks) பயன்படுத்தி அசல் தரவிலிருந்து அம்சங்களை தானாக எடுக்கும் திறன் கொண்டது. அதன் பல அடுக்குகளால், தீவிரக் கற்றல் ஆல்கொரிதம்கள் பெரிய அளவிலான தரவுகளை (படங்கள், ஒலி, உரை) செயலாக்கி வகைப்படுத்தல் அல்லது முன்னறிவிப்புக்கு தேவையான அம்சங்களை கற்றுக்கொள்ள முடியும், நிரலாக்குநர்களால் முன்கூட்டியே அம்சங்களை வழங்க வேண்டியதில்லை. இது கணினியை "கற்றுத்தர" முயற்சியை குறைக்கிறது மற்றும் பெரிய அளவிலான தரவை பயன்படுத்துகிறது.
செயற்கை நுண்ணறிவு
மெஷின் லெர்னிங்
தீவிரக் கற்றல்
மாறாக, "சாதாரண" ML ஆல்கொரிதம்கள் (தீவிரக் கற்றலைப் பயன்படுத்தாதவை) பெரும்பாலும் மனிதனால் வடிவமைக்கப்பட்ட உள்ளீட்டு அம்சங்களின் மீது அதிகமாக சார்ந்தவை மற்றும் நல்ல முடிவுகளை பெற அதிக கட்டமைக்கப்பட்ட தரவு செயலாக்கத்தை தேவைப்படுத்துகின்றன. AI என்பது பரந்த அறிவார்ந்த தொழில்நுட்பங்களின் தொகுப்பு, மெஷின் லெர்னிங் AI இன் துணைத் துறை, மற்றும் தீவிரக் கற்றல் மெஷின் லெர்னிங்கின் துணைத் துறை எனக் கருதலாம் – இது தீவிர நரம்பு வலை மாதிரிகளுக்கு கவனம் செலுத்துகிறது.
மெஷின் லெர்னிங் வகைகள்
மெஷின் லெர்னிங்கில் பல்வேறு முறைகள் மற்றும் ஆல்கொரிதம்கள் உள்ளன. அடிப்படையில், ML தரவிலிருந்து கற்றுக்கொள்ளும் முறையின் அடிப்படையில் நான்கு முக்கிய வகைகளாக பிரிக்கப்படுகிறது:
மேற்பார்வை கற்றல்
மேற்பார்வை கற்றல் என்பது லேபிள் செய்யப்பட்ட தரவை பயன்படுத்தி மாதிரிகளை பயிற்றுவிக்கும் முறை. இதன் பொருள், உள்ளீட்டு தரவுக்கு ஏற்கனவே தெரிந்த எதிர்பார்க்கப்படும் முடிவுகள் உள்ளன, இது ஆல்கொரிதத்திற்கு குறிப்பிட்ட உதாரணங்களிலிருந்து கற்றுக்கொள்ள உதவுகிறது. மாதிரி உள்ளக அளவுருக்களை சரிசெய்து கொடுக்கப்பட்ட லேபிள்களுடன் பொருந்தும் முடிவுகளை முன்னறிவிக்கிறது. உதாரணமாக, நாங்கள் பல நாய்கள்/பூனைகள் படங்களின் லேபிள் செய்யப்பட்ட தொகுப்பை ஆல்கொரிதத்திற்கு வழங்கினால், மாதிரி அந்த படங்களிலிருந்து கற்றுக்கொண்டு நாயின் படங்களை நாயல்லாத படங்களிலிருந்து துல்லியமாக வேறுபடுத்த கற்றுக்கொள்ளும். மேற்பார்வை கற்றல் இன்று மெஷின் லெர்னிங்கின் மிக பொதுவான வகை, கை எழுத்து அங்கீகாரம், ஸ்பாம் மின்னஞ்சல் வகைப்படுத்தல், அல்லது நிலம் விலை முன்னறிவிப்பு போன்ற பல பணிகளில் பயன்படுத்தப்படுகிறது.
பட வகைப்படுத்தல்
புகைப்படங்களில் பொருட்களை அடையாளம் காணுதல்
மின்னஞ்சல் வடிகட்டல்
ஸ்பாம் கண்டறிதல் மற்றும் வகைப்படுத்தல்
மேற்பார்வை இல்லாத கற்றல்
மேற்பார்வை இல்லாத கற்றல் என்பது உள்ளீட்டு தரவுக்கு எந்த லேபிள்களும் இல்லாத முறையாகும். ஆல்கொரிதம் முன்னணி வழிகாட்டல் இல்லாமல் தரவுத்தொகுப்பில் மறைந்துள்ள முறைமைகள் மற்றும் அமைப்புகளை தானாக தேடுகிறது. இதன் நோக்கம், இயந்திரம் மனிதர்கள் இன்னும் அறியாத தரவு குழுக்களை அல்லது அடிப்படை விதிகளை கண்டுபிடிப்பது. உதாரணமாக, மேற்பார்வை இல்லாத கற்றல் திட்டம் ஆன்லைன் ஷாப்பிங் தரவுகளை பகுப்பாய்வு செய்து சமமான வாங்கும் பழக்கங்கள் கொண்ட வாடிக்கையாளர்களை குழுக்களாக தானாக பிரிக்க முடியும்.
இந்த குழுக்களாக்கம் வணிகங்களுக்கு வாடிக்கையாளர் பிரிவுகளை புரிந்துகொள்ள உதவுகிறது, ஏனெனில் முன்பு எந்த "வாடிக்கையாளர் வகை" லேபிள்களும் இல்லை. மேற்பார்வை இல்லாத கற்றல் பெரும்பாலும் விருந்தினர் தரவு பகுப்பாய்வு, பரிமாண குறைப்பு, மற்றும் பரிந்துரை அமைப்புகளில் பயன்படுத்தப்படுகிறது.
வாடிக்கையாளர் பிரிவு
நடத்தை முறைமைகளின் அடிப்படையில் வாடிக்கையாளர்களை குழுக்களாக பிரித்தல்
சந்தை பகுப்பாய்வு
மறைந்துள்ள சந்தை போக்குகளை கண்டுபிடித்தல்
அரை-மேற்பார்வை கற்றல்
அரை-மேற்பார்வை கற்றல் என்பது பயிற்சியில் லேபிள் செய்யப்பட்ட மற்றும் லேபிள் செய்யப்படாத தரவுகளை இணைத்து பயன்படுத்தும் முறை. பொதுவாக, சிறிய பகுதி தரவு மட்டுமே லேபிள் செய்யப்பட்டுள்ளது, பெரும்பாலானது லேபிள் செய்யப்படவில்லை. அரை-மேற்பார்வை ஆல்கொரிதங்கள் இந்த சிறிய லேபிள் செய்யப்பட்ட தரவுத்தொகுப்பை பெரிய லேபிள் செய்யப்படாத தரவுத்தொகுப்பில் வகைப்படுத்தல் மற்றும் அம்ச எடுப்புக்கு வழிகாட்டியாக பயன்படுத்துகின்றன. இந்த அணுகுமுறை விரிவான கைமுறை லேபிள் செய்யாமலேயே பெரும் அளவிலான லேபிள் செய்யப்படாத தரவின் பயன்பாட்டை அதிகரிக்கிறது.
அரை-மேற்பார்வை கற்றல் குறிப்பாக லேபிள் செய்யப்பட்ட தரவை சேகரிப்பது கடினம் அல்லது செலவான போது பயனுள்ளதாகும், தூய்மையான மேற்பார்வை இல்லாத கற்றலைவிட துல்லியத்தை மேம்படுத்துகிறது.
புதுப்பித்தல் கற்றல்
புதுப்பித்தல் கற்றல் என்பது ஆல்கொரிதங்கள் சுற்றுப்புறத்துடன் தொடர்பு கொண்டு பரிசு/தண்டனை முறையில் கற்றுக்கொள்ளும் முறை. மேற்பார்வை கற்றலுக்கு மாறாக, மாதிரிக்கு உள்ளீடு-வெளியீடு தரவுப் ஜோடிகள் வழங்கப்படவில்லை, ஆனால் விவித செயல்களை முயற்சி செய்து அந்த செயல்களின் வெற்றியின் அடிப்படையில் (பரிசுகள் அல்லது தண்டனைகள்) பின்னூட்டம் பெறுகிறது.
காலத்துடன், நல்ல முடிவுகளை தரும் செயல்கள் "புதுப்பிக்கப்படுகின்றன", இது மாதிரிக்கு ஒரு குறிப்பிட்ட இலக்கை அடைய சிறந்த திட்டத்தை மெதுவாக கற்றுக்கொள்ள உதவுகிறது. புதுப்பித்தல் கற்றல் பெரும்பாலும் விளையாட்டுகள் விளையாட AI ஐ பயிற்றுவிக்க, ரோபோக்களை கட்டுப்படுத்த, அல்லது சுய இயக்கக் கார்கள் கற்றுக்கொள்ள பயன்படுத்தப்படுகிறது.
பிரபலமான உதாரணம் IBM வாட்சன் அமைப்பு – இது புதுப்பித்தல் கற்றலை பயன்படுத்தி எப்போது பதில் சொல்ல வேண்டும் மற்றும் எவ்வளவு பணம் போட வேண்டும் என்று தீர்மானித்து, 2011ல் ஜியோபார்டி! குயிஸ் நிகழ்ச்சியில் வென்றது.
— IBM வாட்சன் சாதனை
விளையாட்டு AI
விளையாட்டின் மூலம் சிறந்த திட்டங்களை கற்றுக்கொள்ளுதல்
ரோபோட்டிக்ஸ்
சுய இயக்க வழிசெலுத்தல் மற்றும் கட்டுப்பாடு
சுய இயக்க வாகனங்கள்
சுய இயக்க முடிவெடுத்தல்
மெஷின் லெர்னிங் எப்படி செயல்படுகிறது
மெஷின் லெர்னிங் தரவை அடிப்படையாகக் கொண்டு செயல்படுகிறது. முதலில், அமைப்பு பெரிய மற்றும் பல்வேறு தரவுத்தொகுப்பை பல்வேறு மூலங்களிலிருந்து (சென்சார்கள், பரிவர்த்தனை அமைப்புகள், சமூக வலைத்தளங்கள், திறந்த தரவுத்தளங்கள், போன்றவை) சேகரிக்க வேண்டும். தரவின் தரம் மிக முக்கியம்: தரவு சத்தமிக்க, முழுமையற்ற அல்லது பிரதிநிதித்துவமற்றதாக இருந்தால், ML மாதிரி தவறான கற்றல் செய்து துல்லியமற்ற முடிவுகளை உருவாக்கும்.
தரவு சேகரிப்பு மற்றும் முன்கூட்டிய செயலாக்கம்
முதலில், உள்ளீட்டு தரவை அடையாளம் காண்ந்து நம்பகமான மூலங்களிலிருந்து சேகரிக்க வேண்டும். பிறகு, தரவை சுத்தம் செய்து, பிழைகள் நீக்கப்பட்டு, காணாமல் போன மதிப்புகள் நிரப்பப்பட்டு, அல்லது உள்ளீட்டு தகவல் சாதாரணப்படுத்தப்படுகிறது. இந்த படி முக்கியமான நேரத்தை எடுத்தாலும் இறுதி மாதிரி துல்லியத்துக்கு பெரும் தாக்கம் உண்டு.
- நம்பகமான மூலங்களிலிருந்து தரவை அடையாளம் காண்ந்து சேகரிக்கவும்
- தரவை சுத்தம் செய்து பிழைகளை நீக்கவும்
- காணாமல் போன மதிப்புகளை நிரப்பி உள்ளீட்டை சாதாரணப்படுத்தவும்
- தர தரம் மற்றும் பிரதிநிதித்துவத்தை உறுதி செய்யவும்
ஆல்கொரிதம் தேர்வு மற்றும் மாதிரி பயிற்சி
தரவு வகை மற்றும் இலக்கின் அடிப்படையில் (வகைப்படுத்தல் அல்லது முன்னறிவிப்பு), பொருத்தமான ஆல்கொரிதத்தை தேர்வு செய்யவும் (எ.கா., நேரியல் ரிகிரஷன், தீர்மான மரங்கள், நரம்பு வலைப்பின்னல்கள்). செயலாக்கப்பட்ட பயிற்சி தரவை மாதிரிக்கு வழங்கி கற்றுக்கொள்ள இழப்பு செயல்பாட்டை மேம்படுத்துகிறது. பயிற்சி மாதிரி அளவுருக்களை சரிசெய்து பயிற்சி தரவின் முன்னறிவிப்பு பிழைகளை குறைக்கிறது.
- பணிக்கான பொருத்தமான ஆல்கொரிதத்தை தேர்வு செய்யவும்
- பயிற்சி தரவை மாதிரிக்கு வழங்கவும்
- இழப்பு செயல்பாட்டை மேம்படுத்தவும்
- முன்னறிவிப்பு பிழைகளை குறைக்கவும்
மதிப்பீடு மற்றும் பயன்பாடு
பயிற்சிக்குப் பிறகு, மாதிரியை புதிய தரவிலிருந்து (சோதனை தொகுப்பு) சோதித்து தரத்தை மதிப்பிடுகின்றனர். பொதுவான அளவுகோல்கள் துல்லியம், துல்லியத்தன்மை, மீட்டெடுப்பு அல்லது F1-ஸ்கோர் போன்றவை. முடிவுகள் தேவைகளை பூர்த்தி செய்தால், மாதிரி உண்மையான பயன்பாடுகளில் அல்லது சேவைகளில் பயன்படுத்தப்படுகிறது; இல்லையெனில், தரவு அல்லது ஆல்கொரிதங்களை மாற்றி மீண்டும் பயிற்சி அளிக்கலாம்.
- மாதிரியை புதிய தரவில் சோதிக்கவும் (சோதனை தொகுப்பு)
- துல்லியம், துல்லியத்தன்மை, மீட்டெடுப்பு அளவுகோல்களை அளவிடவும்
- முடிவுகள் தேவைகளை பூர்த்தி செய்தால் பயன்படுத்தவும்
- தேவைப்பட்டால் மாற்றி மீண்டும் பயிற்சி அளிக்கவும்
மெஷின் லெர்னிங்கின் நடைமுறை பயன்பாடுகள்
மெஷின் லெர்னிங் வாழ்க்கை மற்றும் தொழில்துறைகளில் பரவலாக பயன்படுத்தப்படுகிறது, அன்றாட வசதிகளிலிருந்து உயர் தொழில்நுட்ப துறைகளுக்கு. கீழே சில சாதாரண ML பயன்பாடுகள் கொடுக்கப்பட்டுள்ளன:
உருவாக்கும் AI
குரல் அங்கீகாரம்
சாட்பாட்கள் மற்றும் வாடிக்கையாளர் ஆதரவு
கணினி பார்வை
பரிந்துரை அமைப்புகள்
மோசடி கண்டறிதல்
மெஷின் லெர்னிங்கின் நன்மைகள் மற்றும் வரம்புகள்
மற்ற தொழில்நுட்பங்களைப் போல, மெஷின் லெர்னிங்குக்கும் குறிப்பிடத்தக்க நன்மைகள் மற்றும் சில வரம்புகள் உள்ளன. இவற்றை புரிந்துகொள்வது ML ஐ திறம்பட பயன்படுத்தவும் மற்றும் சாத்தியமான ஆபத்துக்களை தவிர்க்கவும்
முக்கிய நன்மைகள்
- பெரிய தரவுகளில் முறைமைகளை கண்டுபிடிக்கும் திறன்: ML மறைந்துள்ள முறைமைகள் மற்றும் போக்குகளை பெரிய தரவுத்தொகுப்புகளில் கண்டுபிடிக்க முடியும், இது மனிதர்களுக்கு கடினம். இது வணிகங்களுக்கு "பெரிய தரவிலிருந்து"洞察ங்களை பெற உதவுகிறது மேலும் துல்லியமான முடிவுகளை எடுக்க உதவுகிறது.
- தானியக்கம் மற்றும் மனித சார்பை குறைத்தல்: ML அமைப்புகள் குறைந்த மனித தலையீட்டுடன் பகுப்பாய்வு ஆல்கொரிதங்களை கற்றுக்கொண்டு மேம்படுத்த முடியும். வெறும் உள்ளீட்டு தரவை வழங்குவதால் மாதிரி தானாகவே உள்ளக அளவுருக்களை சேர்த்து சரிசெய்கிறது முடிவுகளை மேம்படுத்த. இது சிக்கலான பணிகளை தானியக்கமாக செய்ய உதவுகிறது (வகைப்படுத்தல், முன்னறிவிப்பு போன்றவை) ஒவ்வொரு முறையும் கைமுறை நிரலாக்கம் தேவையில்லாமல்.
- காலத்துடன் மேம்பாடு மற்றும் தனிப்பயன் அனுபவம்: பாரம்பரிய மென்பொருளுடன் (நிலையான செயல்திறன்) மாறாக, மெஷின் லெர்னிங் மாதிரிகள் மேலும் தரவை செயலாக்கும் போது துல்லியம் மேம்படுகிறது. ஒவ்வொரு கூடுதல் பயிற்சியுடன், மாதிரிகள் அனுபவம் பெறுகின்றன மற்றும் சிறந்த முன்னறிவிப்புகளை செய்கின்றன. இது ML அமைப்புகளுக்கு தனிப்பயன் பயனர்களுக்கான தனிப்பயன் பரிந்துரைகளை வழங்கவும் உதவுகிறது – உதாரணமாக, பார்வையாளர்களின் விருப்பங்களுக்கு ஏற்ப உள்ளடக்கத்தை பரிந்துரைத்து பயனர் அனுபவத்தை மேம்படுத்துகிறது.
முக்கிய சவால்கள்
- தர தரத்தின் மீது சார்பு: ML மாதிரிகள் மிகப் பெரிய பயிற்சி தரவுத்தொகுப்புகளை தேவைப்படுத்துகின்றன, அவை துல்லியமான, பல்வேறு மற்றும் பாகுபாடற்ற இருக்க வேண்டும். தர தரம் குறைவானால் ("குப்பை உள்ளே, குப்பை வெளியே" 원칙ம்) முடிவுகள் மோசமாக இருக்கும். மேலும், பெரிய தரவை சேகரித்து செயலாக்குவதற்கு வலுவான சேமிப்பு மற்றும் கணினி வளங்கள் தேவை, இது செலவானதும் வளம் அதிகமாகும்.
- கற்றல் பிழைகள் அல்லது பாகுபாடு வாய்ப்பு: பயிற்சி தரவு குறைவானது அல்லது பிரதிநிதித்துவமற்றது என்றால் ML மாதிரிகள் மிகவும் மோசமாக செயல்படலாம். சில நேரங்களில், மிகச் சிறிய தரவுத்தொகுப்புகளுடன், ஆல்கொரிதங்கள் கணித ரீதியாக "நம்பகமான" ஆனால் நடைமுறையில் தவறான விதிகளை கண்டுபிடிக்கலாம். இது மாதிரிகள் பாகுபாடு கொண்ட அல்லது தவறான முன்னறிவிப்புகளை உருவாக்கி, அதன்படி முடிவுகளை பாதிக்கலாம். எனவே, குறிப்பாக உள்ளீட்டு தரவு குறைவாக இருந்தால் ML முடிவுகளின் நம்பகத்தன்மையை கவனமாக சரிபார்க்க வேண்டும்.
- வெளிப்படையின்மை: பல சிக்கலான ML மாதிரிகள் (முக்கியமாக தீவிரக் கற்றல்) "கருப்பு பெட்டி" போல செயல்படுகின்றன – ஏன் மாதிரி குறிப்பிட்ட முன்னறிவிப்பை செய்தது என்பதை விளக்குவது மிகவும் கடினம். உதாரணமாக, கோடி அளவிலான அளவுருக்களுடன் ஒரு தீவிர நரம்பு வலைப்பின்னல் உயர் துல்லியத்தை அடையலாம், ஆனால் எந்த அம்சங்கள் முடிவுக்கு வழிவகுத்தன என்பது தெரியாது. இந்த வெளிப்படையின்மை நிதி, சுகாதாரம் போன்ற துறைகளில் முடிவு பொறுப்புத்தன்மைக்கு சவாலாக உள்ளது. மாறாக, சில எளிய மாதிரிகள் (எ.கா., தீர்மான மரங்கள்) சரிபார்க்கவும் விளக்கவும் எளிது, ஏனெனில் அவற்றின் தீர்மான தர்க்கத்தை பின்தொடர முடியும் – இது "கருப்பு பெட்டி" நரம்பு வலைப்பின்னல்களுக்கு இல்லாத ஒரு நன்மை.
முடிவு
சுருக்கமாக, மெஷின் லெர்னிங் என்பது பெரிய தரவின் காலத்தில் முக்கிய தொழில்நுட்பமாகும். இது கணினிகளுக்கு விரிவான படி படி நிரலாக்கம் இல்லாமல் கற்றுக்கொண்டு முன்னறிவிப்பு திறன்களை மேம்படுத்த உதவுகிறது. இதனால், ML வாழ்க்கை மற்றும் தொழில்துறைகளில் பரவலாக பயன்படுத்தப்படுகிறது, அறிவார்ந்த மெய்நிகர் உதவியாளர்களிலிருந்து முன்னேற்ற தானியக்க அமைப்புகளுக்கு வரை.
மெஷின் லெர்னிங் என்பது டிஜிட்டல் காலத்தில் தரவின் மதிப்பை முழுமையாக பயன்படுத்த மனிதர்களுக்கு உதவும் கருவி, எதிர்காலத்தில் அறிவார்ந்த தொழில்நுட்ப பயன்பாடுகளுக்கு பல வாய்ப்புகளை திறக்கிறது.
— INVIAI பார்வை
இதுவரை கருத்து இல்லை. முதலில் கருத்திடுங்கள்!