सहकारी समितियों के इरादे और प्रशिक्षण स्थल का विवरण।

शारीरिक सुरक्षा के संदर्भ में एआई और डीप लर्निंग अधिक सामान्य हैं, इसलिए इन सुर्खियों में अंतर करना महत्वपूर्ण है। एक छोटा इतिहास हमें यह समझने में मदद करता है कि शर्तें कैसे आईं और उनका अर्थ क्या है।

आर्टिफिशियल इंटेलिजेंस (एआई) मशीनों द्वारा प्रस्तुत मानव खुफिया है। यह शब्द 1956 में सामने आया था और इसे पहली बार कंप्यूटर द्वारा पेश किया गया था, जो मानव मन के सीमित पहलुओं को दर्शाता है। प्रारंभ में, केवल डार डार एआई हासिल किया जा सकता था, ये प्रौद्योगिकियां सरल कार्य कर सकती थीं या मनुष्यों से बेहतर हो सकती थीं।

1980 के दशक की शुरुआत में, अर्धचालक प्रोसेसर कंप्यूटिंग शक्ति पर एक महत्वपूर्ण सीमा तक पहुंच गया। इस शक्ति को इलेक्ट्रॉनिक रूप से संचालित मशीनों की एक किस्म के लिए आर्थिक रूप से लागू किया जा सकता है और मशीन लर्निंग (एमएल) के युग को बढ़ावा दिया है, जो एआई का सबसेट है, लेकिन इसमें अधिक जटिल और उपयोगी अनुप्रयोग हैं। तेजी से लागत में कमी और बेहतर प्रसंस्करण क्षमताओं ने अधिक परिष्कृत एल्गोरिदम को रोजगार देना और व्यावहारिक एमएल विकसित करना संभव बना दिया है।

मशीन पढ़ें:

एमएल में, एल्गोरिदम सरल या बहुत जटिल गणना करने के लिए जानकारी का उपयोग करते हैं और उत्तर ढूंढते हैं, जिससे सही और सबसे प्रभावी तरीके से उत्तर मिलता है। घटना के परिणाम की भविष्यवाणी करने के लिए एक एल्गोरिथ्म का उपयोग करना एमएल नहीं है। भविष्य के पूर्वानुमान को बेहतर बनाने के लिए पूर्वानुमान परिणामों का उपयोग करना एमएल का एक सच्चा उदाहरण है।

उत्तरों की गणना के लिए एक एल्गोरिथ्म का उपयोग करना स्वचालित रूप से एमएल या एआई उपयोग का मतलब नहीं है। एमएल एल्गोरिदम को डेटा को वर्गीकृत और संसाधित करने का तरीका सीखने के लिए डिज़ाइन किया जाना चाहिए, समय के साथ बेहतर प्रदर्शन के लिए सिस्टम को प्रभावी ढंग से प्रशिक्षित कर सकता है। एल्गोरिथ्म की प्रभावशीलता और सटीकता इस बात पर निर्भर करती है कि एल्गोरिथ्म को अपने नियोजित कार्यों के लिए कितनी अच्छी तरह से डिज़ाइन किया गया है।

एआई एक व्यापक अवधारणा है, लेकिन एमएल लोगों के संज्ञानात्मक कार्यों की नकल करने के लिए कंप्यूटर के उपयोग को संदर्भित करता है। ऐ एल्गोरिदम पर आधारित कार्य करने का एक "जागरूक" तरीका है। एमएल एआई का एक सबसेट है जो एल्गोरिदम को बदलने के लिए मशीनों की क्षमता और खुद को सीखने पर ध्यान केंद्रित करता है, क्योंकि वे संसाधित होने वाले डेटा के बारे में अधिक जागरूक हो जाते हैं।

मानव सोच को गुणा करने के लिए कंप्यूटर सिखाना आंशिक रूप से तंत्रिका नेटवर्क के उपयोग के माध्यम से है। मस्तिष्क लगातार उन सूचनाओं को समझने की कोशिश करता है जिन्हें संसाधित किया जा रहा है, और ऐसा करने के लिए, उन्हें टैब में तोड़ देता है और उन्हें वर्गीकृत करता है। जब हम कुछ नया सामना करते हैं, तो हम कुछ चीजों के साथ तुलना करने की कोशिश करते हैं ताकि हम इसे समझ सकें और समझ सकें।

तंत्रिका नेटवर्क कंप्यूटर पर काम करते हैं। जैसा कि मस्तिष्क पैटर्न की पहचान करने और जानकारी को वर्गीकृत और वर्गीकृत करने की कोशिश करने में सक्षम है, तंत्रिका नेटवर्क कंप्यूटर पर गुणा करते हैं:

• बड़ी और जटिल जानकारी से अर्थ निकालें

• रुझानों को पहचानें और पैटर्न की पहचान करें

• उदाहरण के द्वारा जानें

पढ़ें:

2010 तक, अर्धचालकों के विकास ने प्रोग्रामर्स को डीप लर्निंग (डीएल) को आगे बढ़ाने और इससे भी अधिक परिणाम प्राप्त करने की अनुमति दी है। इसका शीर्षक एमएल की तुलना में एक और स्तर को इंगित करता है, इसलिए डीएल को फिर से एआई का सबसेट माना जाता है। गहरी सीखने की अवधारणा को कभी-कभी "गहरी तंत्रिका नेटवर्क" के रूप में जाना जाता है, जो कई परतों को संदर्भित करता है। एक तंत्रिका नेटवर्क में डेटा की एक परत हो सकती है, और एक गहरे तंत्रिका नेटवर्क में दो या अधिक हो सकते हैं। परतों को प्रासंगिक अवधारणाओं या निर्णय वृक्षों की एक अंतर्निहित पदानुक्रम के रूप में देखा जा सकता है, जहां एक प्रश्न के उत्तर से गहन प्रश्नों का एक सेट होता है।

इसलिए, डीएल एमएल का एक सबसेट है। यह मानव निर्णय लेने की नकल करने वाले तंत्रिका नेटवर्क तक पहुंचकर वास्तविक समस्याओं को हल करने के लिए कुछ एमएल तकनीकों का उपयोग करता है। डीएल को स्व-निहित डेटा सेट के एक बड़े सेट की आवश्यकता होती है। ऐसा इसलिए है क्योंकि बहुत सारे पैरामीटर हैं जिन्हें पहले एल्गोरिथ्म द्वारा समझने की आवश्यकता है, जो पहले कई सकारात्मक और सकारात्मक परिणाम उत्पन्न कर सकते हैं। उदाहरण के लिए, एक गहन शिक्षण एल्गोरिथ्म को हमलावर की उपस्थिति को "सीखने" के लिए, उसके व्यवहार का मूल्यांकन करने और उसकी प्रगति की निगरानी करने के लिए निर्देश दिया जा सकता है। एक सीमित सीसीटीवी प्रविष्टि के साथ, आपको छोटे विवरणों को जानने के लिए सटीक डेटा का एक बड़ा सेट प्राप्त करने की आवश्यकता होगी जो लोगों को बाहर खड़ा करते हैं। गुम सूचना को भरने के लिए डीएल सीखना चाहिए।

डीएल नेटवर्क को सीखने के लिए बहुत कुछ देखना होगा। पहचानने योग्य किनारों के साथ प्रोग्रामिंग तत्वों के बजाय, सिस्टम कई लाखों डेटा बिंदुओं को छूना सीखता है। इसके शुरुआती उदाहरण के रूप में, Google ब्रेन दस मिलियन से अधिक छवियों को प्रदर्शित करने के बाद बिल्लियों को पहचानना सीख रहा है। डीप लर्निंग नेटवर्क को उन मानदंडों के साथ प्रोग्राम नहीं किया जाना चाहिए जो तत्वों को परिभाषित करते हैं; वे बड़ी मात्रा में डेटा के संपर्क में आने से किनारों का पता लगाने में सक्षम हैं।

डीएल के व्यावसायिक अनुप्रयोग हैं। यह भारी मात्रा में डेटा ले सकता है - उदाहरण के लिए लाखों चित्र और कुछ विशेषताओं की मान्यता। पाठ-आधारित खोज, धोखाधड़ी का पता लगाना, स्पैम का पता लगाना, लिखावट की पहचान, छवि की खोज, भाषण की पहचान, सड़क का पता लगाना और अनुवाद ऐसे सभी कार्य हैं जिन्हें गहन अध्ययन के माध्यम से पूरा किया जा सकता है। डीप लर्निंग नेटवर्क ने कई मैनुअल-आधारित और नियम-आधारित प्रणालियों को प्रतिस्थापित किया है।

एआई, एमएल या डीएल के लिए, एल्गोरिदम का सफल उपयोग उच्च गुणवत्ता का है। निर्णय बड़ी, स्वच्छ और सार्थक जानकारी पर आधारित होना चाहिए। उचित जानकारी के बिना, डीएल पक्षपाती होगा। यदि गलत या अनुपलब्ध डेटा उपलब्ध है, तो परिणामों पर भरोसा नहीं किया जा सकता है।