सामग्री
- गहन शिक्षण व्यवसाय अनुप्रयोग
- बिग डेटा आणि डीप लर्निंगची व्ही
- कोणतीही दोष नाही, तणाव नाही - आपले जीवन नष्ट न करता जीवन-बदलणारे सॉफ्टवेअर तयार करण्यासाठी चरण चरण बाय चरण
- ब्लॅक बॉक्स कोंडी
- नियमन
स्रोत: sगॅन्ड्र्यू / ड्रीमस्टाइम.कॉम
टेकवे:
सखोल शिक्षणाजवळ व्यवसाय करण्यासाठी बरेच काही आहे, परंतु बरेच अद्याप ते स्वीकारण्यात अजिबात संकोच करतात. येथे आम्ही त्याचे सर्वात मोठे वेदना बिंदू पाहू.
डीप लर्निंग मशीन शिकण्याचे उपक्षेत्र आहे, जे (सामान्यत: बोलणे) तंत्रज्ञान आहे जे मानवी मेंदूत आणि त्याच्या कार्येद्वारे प्रेरित आहे. १ s s० च्या दशकात सर्वप्रथम सादर केले गेले, मशीन लर्निंगला कृत्रिम न्यूरल नेटवर्क म्हणून ओळखले जाते, परस्पर जोडलेले डेटा नोड्सची भरती आहे जे एकत्रितपणे कृत्रिम बुद्धिमत्तेचा आधार बनवते. (मशीन लर्निंगच्या मूलभूत गोष्टींसाठी मशीन लर्निंग १०१ पहा.)
मशीन लर्निंग बाह्य डेटा किंवा प्रोग्रामिंगद्वारे सूचित केल्यावर संगणक प्रोग्रामला स्वतःस बदलण्याची परवानगी देतो. निसर्गाने हे मानवी संवादाशिवाय हे साधण्यास सक्षम आहे. हे डेटा खाण सारखीच कार्यक्षमता सामायिक करते, परंतु मनुष्यांऐवजी मशीनद्वारे प्रक्रिया केलेल्या खनन परिणामांसह. हे दोन प्रमुख विभागांमध्ये विभागले गेले आहे: पर्यवेक्षी आणि अप्रिय पर्यवेक्षण.
पर्यवेक्षित मशीन शिक्षणात लेबल केलेल्या प्रशिक्षण डेटाद्वारे पूर्वनिर्धारित ऑपरेशन्सचा अनुमान समाविष्ट असतो. दुसर्‍या शब्दांत, पर्यवेक्षी परीणाम (मानव) प्रोग्रामरद्वारे आधीपासूनच ज्ञात असतात, परंतु निकालांची माहिती देणारी प्रणाली त्यांना "शिकण्यास" प्रशिक्षण दिले जाते. त्याउलट अनसप्रवेझ्ड मशीन शिक्षण, अज्ञात नमुने शोधण्याचे साधन म्हणून लेबल नसलेल्या इनपुट डेटामधून शोध काढते.
मशीन शिक्षणातील रेषात्मक अल्गोरिदम विरूद्ध, श्रेणीबद्ध अल्गोरिदमद्वारे स्वतः प्रशिक्षण देण्याच्या क्षमतेमध्ये खोल शिक्षण अद्वितीय आहे. सखोल शिक्षण श्रेणीक्रम विकसित होत असताना (किंवा “शिका”) वाढत्या क्लिष्ट आणि अमूर्त असतात आणि पर्यवेक्षी युक्तिवादावर अवलंबून नसतात. सोप्या भाषेत सांगायचे झाले तर खोल शिक्षण हे मशीन शिक्षणाचे उच्च प्रगत, अचूक आणि स्वयंचलित रूप आहे आणि कृत्रिम बुद्धिमत्ता तंत्रज्ञानाच्या बाबतीत हे आघाडीवर आहे.
गहन शिक्षण व्यवसाय अनुप्रयोग
मशीन लर्निंग आधीपासूनच बर्‍याच वेगवेगळ्या उद्योगांमध्ये वापरली जाते. उदाहरणार्थ, सोशल मीडिया वापरकर्त्याच्या टाइमलाइनमध्ये सामग्री फीड क्यूरेट करण्यासाठी वापरते. तंत्रज्ञान जसजसे विकसित होत जाते तसतसे Google च्या सेवांच्या श्रेणीत खोल शिक्षण मिळण्याचे उद्दीष्ट ठेवून Google मेंदूची स्थापना बर्‍याच वर्षांपूर्वी केली गेली होती.
भाकित विश्लेषकांवर लक्ष केंद्रित केल्यामुळे, विपणन क्षेत्रामध्ये विशेषतः खोल लर्निंग इनोव्हेशनमध्ये गुंतवणूक केली जाते. आणि डेटा जमा करणे हे तंत्रज्ञानच कारणीभूत आहे, म्हणूनच विक्री आणि ग्राहक समर्थन (जसे की आधीपासून श्रीमंत आणि वैविध्यपूर्ण ग्राहक डेटाची संपत्ती आहे) यासारख्या उद्योगांनी ते भूतलावर स्वीकारण्यास अनन्यपणे स्थान दिले आहे.
तंत्रज्ञानाद्वारे विशिष्ट क्षेत्रांना किती फायदा होतो, विशेषत: त्याच्या सुरुवातीच्या टप्प्यात डीप लर्निंगला लवकर अनुकूलता हे निश्चितपणे निश्चित केले जाऊ शकते. तथापि, काही विशिष्ट वेदना बिंदू अनेक व्यवसायांना खोल शिक्षण तंत्रज्ञानाच्या गुंतवणूकीत उतरण्यापासून परावृत्त करीत आहेत.
बिग डेटा आणि डीप लर्निंगची व्ही
२००१ मध्ये, डग लेनी यांच्या नावाने मेटा ग्रुपच्या (आता गार्टनर) विश्लेषकांनी संशोधकांना मोठ्या डेटाची तीन मुख्य आव्हाने असल्याचे समजले: खंड, विविधता आणि वेग. दीड दशकांनंतर, इंटरनेटमध्ये प्रवेश करण्याच्या बिंदूंमध्ये (मोठ्या प्रमाणात मोबाइल डिव्हाइसच्या वाढीमुळे आणि आयओटी तंत्रज्ञानाच्या वाढीमुळे) वेगाने होणारी वाढ ही मोठी तंत्रज्ञान कंपन्या तसेच छोट्या व्यवसायांसाठी या मुद्द्यांना पुढे आली आहे. आणि प्रारंभ सारखेच. (तीन वींविषयी अधिक जाणून घेण्यासाठी, आजचे बिग डेटा चॅलेंज व्हॉल्यूम किंवा वेग नाही तर विविधता कडून पहा.)
कोणतीही दोष नाही, तणाव नाही - आपले जीवन नष्ट न करता जीवन-बदलणारे सॉफ्टवेअर तयार करण्यासाठी चरण चरण बाय चरण
जेव्हा कोणालाही सॉफ्टवेअर गुणवत्तेची काळजी नसते तेव्हा आपण आपली प्रोग्रामिंग कौशल्ये सुधारू शकत नाही.
जागतिक डेटा वापरावरील ताजी आकडेवारी आश्चर्यकारक आहे. अभ्यास असे दर्शवितो की जगातील सर्व डेटापैकी अंदाजे 90 टक्के केवळ गेल्या काही वर्षात तयार केले गेले होते. एका अंदाजानुसार २०१wide च्या तुलनेत जगभरात मोबाइल रहदारी दरमहा सुमारे सात एक्बाबाईट्स होती आणि पुढील अर्ध्या दशकात ही संख्या जवळपास सात पट वाढेल.
व्हॉल्यूमच्या पलीकडे, विविधता (नवीन माध्यम विकसित झाल्यावर आणि डेटाच्या प्रकारात वेगाने वाढणारी विविधता) आणि वेग (इलेक्ट्रॉनिक मीडिया डेटा सेंटर आणि हबवर पाठविला जाणारा वेग) हे व्यवसाय वाढत्या क्षेत्राशी कसे जुळवून घेत आहेत हे देखील मुख्य घटक आहेत. खोल शिक्षणाचे. आणि मेमोनिक डिव्हाइसचा विस्तार करण्यासाठी, अलिकडच्या वर्षांत मोठ्या डेटा पेन पॉइंटच्या यादीमध्ये इतर अनेक व्ही-शब्द जोडले गेले आहेत, यासह:
- वैधता: मोठ्या डेटा सिस्टममध्ये इनपुट डेटा अचूकतेचे मोजमाप. अवैध डेटा जो आढळला नाही त्यायोगे मशीन शिक्षण वातावरणात महत्त्वपूर्ण समस्या तसेच साखळी प्रतिक्रिया उद्भवू शकतात.
- असुरक्षितता: बिग डेटा नैसर्गिकरित्या केवळ त्याच्या प्रमाणातच सुरक्षाविषयक चिंता वाढवते. आणि मशीनी शिक्षणाद्वारे सक्षम केलेल्या सुरक्षा प्रणालींमध्ये बरीच संभाव्यता दिसली असली तरी, त्यांच्या सध्याच्या अवतारांमधील त्या प्रणाल्या त्यांच्या कार्यक्षमतेच्या अभावामुळे, खासकरुन चुकीच्या अलार्म निर्माण करण्याच्या प्रवृत्तीमुळे लक्षात घेतल्या जातात.
- मूल्य: मोठ्या डेटाचे संभाव्य मूल्य सिद्ध करणे (व्यवसायात किंवा इतर कोठेही) कितीही कारणास्तव एक महत्त्वपूर्ण आव्हान असू शकते. जर या यादीतील इतर कोणत्याही वेदना बिंदूंकडे प्रभावीपणे लक्ष दिले जाऊ शकत नाही, तर ते खरं तर कोणत्याही प्रणाली किंवा संस्थेला नकारात्मक मूल्य देऊ शकतात, कदाचित आपत्तीजन्य परिणामासह.
यादीमध्ये जोडल्या गेलेल्या इतर वेदनादायक बिंदूंमध्ये परिवर्तनशीलता, सत्यता, अस्थिरता आणि व्हिज्युअलायझेशन समाविष्ट आहे - हे सर्व मोठ्या डेटा सिस्टमला आव्हानांचे स्वतःचे खास सेट सादर करतात. आणि अद्याप विद्यमान यादी म्हणून कदाचित जोडली जाऊ शकते (कदाचित) कालांतराने बंद टेप. हे काही जणांना थोडासा समजत असला तरी, स्मरणशक्ती "व्ही" यादीमध्ये गंभीर शैक्षणिक बाबींचा समावेश आहे ज्यामुळे मोठ्या माहितीचा सखोल अभ्यास होतो जे सखोल शिक्षणाच्या भविष्यात महत्त्वपूर्ण भूमिका बजावते.
ब्लॅक बॉक्स कोंडी
सखोल शिक्षण आणि कृत्रिम बुद्धिमत्तेचे सर्वात आकर्षक वैशिष्ट्य म्हणजे दोघेही मानवांना अशक्य नसलेल्या समस्यांचे निराकरण करण्याचा हेतू आहेत. हीच घटना जी यास अनुमती द्यायची आहे ती देखील एक रोचक कोंडी सादर करते, जी “ब्लॅक बॉक्स” म्हणून ओळखल्या जाणार्‍या स्वरूपात येते.
खोल शिक्षणाच्या प्रक्रियेद्वारे तयार केलेले तंत्रिका नेटवर्क इतके विस्तृत आणि इतके गुंतागुंतीचे आहे की त्याची जटिल कार्ये मानवी निरीक्षणासाठी अनिवार्य असतात. सखोल शिक्षण प्रणालीमध्ये काय जाते याबद्दल डेटा वैज्ञानिक आणि अभियंत्यांकडून संपूर्ण माहिती असू शकते परंतु पूर्णपणे त्यांचे स्पष्टीकरण न घेण्यापेक्षा ते बहुतेक वेळा त्यांच्या निर्णयावर कसे येतात.
हे विपणनकर्ते किंवा विक्रेते (ते विपणन किंवा विक्री कशा करतात यावर अवलंबून आहेत), हा एक महत्त्वपूर्ण मुद्दा नसला तरीही, इतर उद्योगांना निकालांचा काही उपयोग होण्यासाठी काही प्रमाणात प्रक्रिया प्रमाणीकरण आणि युक्तिवादाची आवश्यकता असते. उदाहरणार्थ, एक वित्तीय सेवा कंपनी अत्यंत कार्यक्षम क्रेडिट स्कोअरिंग यंत्रणा स्थापित करण्यासाठी सखोल शिक्षणाचा वापर करू शकते. परंतु क्रेडिट स्कोअर सहसा काही प्रकारचे शाब्दिक किंवा लिखित स्पष्टीकरणांसह येणे आवश्यक असते, जे वास्तविक क्रेडिट स्कोअरिंग समीकरण पूर्णपणे अस्पष्ट आणि अस्पष्ट असेल तर ते तयार करणे कठीण होईल.
ही समस्या इतर अनेक क्षेत्रांमध्येही आहे, विशेषत: आरोग्य आणि सुरक्षिततेच्या क्षेत्रात. औषध आणि वाहतूक या दोहोंमुळे खोल शिक्षणातून ठळकपणे फायदा होऊ शकतो परंतु ब्लॅक बॉक्सच्या रूपात देखील महत्त्वपूर्ण अडथळ्याचा सामना करावा लागतो. त्या क्षेत्रांमधील कोणत्याही आउटपुटचा परिणाम कितीही फायदेशीर असला तरी त्यांच्या अंतर्निहित अल्गोरिदमच्या संपूर्ण अस्पष्टतेमुळे पूर्णपणे टाकून दिले जाऊ शकते. हे आम्हाला त्या सर्वांच्या सर्वात विवादास्पद वेदना बिंदूवर आणते ...
नियमन
२०१ of च्या वसंत theतू मध्ये, युरोपियन युनियनने जनरल डेटा प्रोटेक्शन रेग्युलेशन (जीडीपीआर) पास केले, जे (इतर गोष्टींबरोबरच) नागरिकांना मशीन लर्निंग सिस्टमद्वारे व्युत्पन्न केलेल्या स्वयंचलित निर्णयासाठी “स्पष्टीकरणाचा अधिकार” देतात ज्यामुळे त्यांना “महत्त्वपूर्ण परिणाम” होतो. 2018 मध्ये अंमलात येण्याचे वेळापत्रक, या नियामक तंत्रज्ञानाच्या कंपन्यांमध्ये चिंता निर्माण करीत आहे ज्यांनी त्याच्या अभेद्य ब्लॅक बॉक्समुळे खोल अभ्यासात गुंतवणूक केली आहे, जी जीडीपीआरने दिलेल्या स्पष्टीकरणात ब many्याच बाधा अडथळा आणेल.
जीडीपीआर प्रतिबंधित करू इच्छिते “स्वयंचलित वैयक्तिक निर्णय” हे सखोल शिक्षणाचे एक अनिवार्य वैशिष्ट्य आहे. परंतु जेव्हा भेदभावाची संभाव्यता जास्त असते आणि पारदर्शकता कमी असते तेव्हा या तंत्रज्ञानाविषयी चिंता करणे अपरिहार्य (आणि मोठ्या प्रमाणात वैध) असते. अमेरिकेत, अन्न व औषध प्रशासन त्याच प्रक्रिया ऑडिट राहण्याची आवश्यकता ठेवून औषधांचे परीक्षण आणि विपणन नियमित करते. यामुळे फार्मास्युटिकल उद्योगासाठी अडथळे निर्माण झाले आहेत, जसे मॅसेच्युसेट्स आधारित बायोटेक्नॉलॉजी कंपनी बायोजेनच्या बाबतीतही घडले आहे, ज्यास एफडीएच्या नियमांमुळे निर्विवाद खोल पद्धती शिकविण्यास प्रतिबंधित केले गेले आहे.
सखोल शिक्षणाचे परिणाम (नैतिक, व्यावहारिक आणि पलीकडे) अभूतपूर्व आणि अगदी स्पष्टपणे गहन आहेत. तंत्रज्ञानामुळे त्याच्या विघटनक्षम संभाव्यतेची आणि त्याच्या अपारदर्शक तर्कशास्त्र आणि कार्यक्षमतेच्या संयोगामुळे मोठ्या प्रमाणात भीती पसरली आहे.जर धोरणे कोणत्याही धोक्यांपासून किंवा धोक्यांपेक्षा अधिक खोल असलेल्या ज्ञानात मूर्त मूल्याचे अस्तित्व व्यवसाय सिद्ध करू शकतील तर कृत्रिम बुद्धिमत्तेच्या पुढील गंभीर टप्प्यात ते आमचे नेतृत्व करू शकतील.