ამ სტატიის წაკითხვამდე გირჩევთ წაიკითხოთ Რა არის Data Science, რას აკეთებს და რა მიზნებით
მანქანა, რომელიც ანიმაციურია მანქანური სწავლის ალგორითმით, სერვისში შესვლამდე, გაიარა სასწავლო ფაზა, ეს არის სწავლა, უფრო ცნობილი როგორც ტრენინგი. ამ ეტაპზე მანქანა სწავლობს ხელმისაწვდომ ისტორიულ მონაცემებს.
სანამ მანქანათმცოდნეობის არსს და განსხვავებებს კლასიკურ პროგრამირებასა და მანქანათმცოდნეობას შორის გადავიდეთ, ვნახოთ მაგალითი, რომელიც აუცილებლად დაგვეხმარება უკეთ გავიგოთ.
დავუშვათ, რომ ჩვენს ერთ-ერთ პროგრამას მივაწვდით ინფორმაციას, რომელიც ეხება გზატკეცილზე მგზავრობის დროებს საუკეთესო სატრანსპორტო პირობებში, რათა დავავალოთ ალგორითმი, რომელსაც შეუძლია მოგვცეს პასუხი, თითქოს ეს იყოს ხმოვანი ასისტენტი.
თითოეული ბილიკისთვის ჩვენ მივაწვდით შემდეგ ინფორმაციას ალგორითმს:
შემდეგ ხმოვანი ასისტენტის საშუალებით ჩვენ მივდივართ, რომ ვუთხრათ მანქანას:
რამდენადაც ჩვენ ვაგზავნით მონაცემებს ხმოვანი ასისტენტის საშუალებით, ჩვენი პროგრამა აწვდის ამ ტიპის ცხრილს:
საბოლოოდ, თუ ჩვენი მანქანა იყო ანიმაციური მანქანური სწავლის ალგორითმით, ის ისწავლის მოწოდებულ ინფორმაციას და, ამრიგად, იწინასწარმეტყველებს შედეგს მოგზაურობის დროის სახით. ამიტომ შეგვიძლია დავუსვათ კითხვა ჩვენს პროგრამას: "ტურინიდან მილანამდე 1000 მანქანით და დიზელით ... რამდენი დრო სჭირდება?"
მაგალითი არაზუსტია, მაგრამ საკმაოდ რეალური. თუმცა, ეს ხელს უწყობს მანქანათმცოდნეობის მიზნის შეჯამებას.
მაგალითიდან გამომდინარე, შევეცადოთ დავინახოთ განსხვავება კლასიკურ პროგრამირებასა და მანქანათმცოდნეობას შორის.
ტრადიციულად, პროგრამისტი, რომელიც წერს კლასიკურ კოდს, უნდა:
შემდეგ ადამიანის ინტელექტი გამოიყენება პროგრამის კოდის დასაწერად, რომელსაც შეუძლია პრობლემის გადაჭრა.
ამ შემთხვევაში პროგრამისტს მოუწევს იფიქროს მიღებული ინფორმაციის შენახვისა და სტრუქტურირების სისტემაზე. შემდგომში, როდესაც კლასიკური პროგრამირებით დაწერილი აპლიკაციის ოპერატორი სვამს კითხვას, მანქანა უპასუხებს ყველაზე ახლოს ცნობილ ინფორმაციას, უფრო მეტად შენახული ინფორმაციის მსგავსი.
მანქანათმცოდნეობაში ეს არისხელოვნური ინტელექტი პროგრამას შეუძლია ისტორიული მონაცემების შესწავლა, პრობლემის გადასაჭრელად გამოსაყენებელი მოდელის შექმნა და ბოლოს მანქანა მოდელს პროგრამისტისათვის მისაწვდომს ხდის.
მანქანური სწავლებით ანიმაციურ მანქანაში, პროგრამა თავისთავად სწავლობს მოგზაურობის დროის პროგნოზირებას, რადგან სერვისში შესვლამდე მანქანამ გაიარა სწავლის ეტაპი. შემდეგ მანქანამ ისწავლა უპასუხოს ყველაზე გონივრული ინფორმაციით, რეალობასთან ყველაზე ახლოს მოდელის მიერ ნაკარნახევი და ინტერპრეტირებული ლოგიკის საფუძველზე.
მანქანათმცოდნეობაში მოდელი ხდება პროცესის გული. გენერირებისა და განათლების მიღების შემდეგ, ის შეიძლება ხელმისაწვდომი იყოს. ყოველი ახალი მოთხოვნა ახალი მონაცემებით, იგივე ფორმატის, როგორც ტრენინგისთვის გამოყენებული, ახალ შედეგს გამოიღებს.
მონაცემთა მეცნიერის როლი ოდნავ იცვლება, ანუ მას მოუწევს პროგრამის თანხლება მოდელის გენერირებამდე, ტრენინგის ფაზაში. ამისათვის ის იზრუნებს სტრატეგიების არჩევაზე, მიზნების დაგეგმვაზე, მონაცემთა მომზადებაზე და უპირველეს ყოვლისა მოდელის ტესტირებაზე მისი ეფექტურობისა და გაუმჯობესების ნებისმიერი შესაძლებლობის შესამოწმებლად.
ეს პროცესი შეიძლება განმეორდეს, რამდენჯერმე განმეორდეს ყოველი გამეორებისთვის გაუმჯობესებული და რეალური ელემენტების დამატების მიზნით. ამ გზით თქვენ შეგიძლიათ მიუახლოვდეთ ოპტიმალურ გადაწყვეტას შემდგომი ნაბიჯებისთვის, ტრენინგის გაუმჯობესება, ტესტის გაუმჯობესება და, შესაბამისად, მანქანა.
საბოლოო მიზანი ყოველთვის არის მოდელის შექმნა, რომელმაც იცის ისტორიული მონაცემები, ესმის მისი ლოგიკა და ნიმუშები და, შესაბამისად, შეუძლია მომავალი სიტუაციების შედეგის პროგნოზირება.
Ercole Palmeri: ინოვაციაზე დამოკიდებული
კატანიას პოლიკლინიკაში ჩატარდა ოფთალმოპლასტიკური ოპერაცია Apple Vision Pro კომერციული მაყურებლის გამოყენებით…
შეღებვის გზით მშვენიერი საავტომობილო უნარების განვითარება ბავშვებს ამზადებს უფრო რთული უნარებისთვის, როგორიცაა წერა. შეღებვა…
საზღვაო სექტორი ნამდვილი გლობალური ეკონომიკური ძალაა, რომელიც 150 მილიარდი ბაზრისკენ მიისწრაფვის...
გასულ ორშაბათს, Financial Times-მა გამოაცხადა გარიგება OpenAI-თან. FT ლიცენზირებს თავის მსოფლიო დონის ჟურნალისტიკას…