Q:
పూర్తిగా నియమాలు-ఆధారిత లేదా నిర్ణయాత్మక విధానానికి మించి వెళ్ళడానికి బరువున్న లేదా సంభావ్యత విధానం AI కి ఎలా సహాయపడుతుంది?
A:యంత్ర అభ్యాసం మరియు కృత్రిమ మేధస్సు సూత్రాలు కంప్యూటింగ్ ఎలా పనిచేస్తాయో వేగంగా మారుతున్నాయి. ఇది జరుగుతున్న ముఖ్య మార్గాలలో ఒకటి బరువున్న లేదా సంభావ్యత కలిగిన ఇన్‌పుట్‌లతో, ఇది నిజంగా నిర్ణయాత్మక వ్యవస్థ నుండి ఇన్పుట్లను మరింత నైరూప్యంగా మారుస్తుంది.
కృత్రిమ నాడీ నెట్‌వర్క్‌లలో, వ్యక్తిగత న్యూరాన్లు లేదా యూనిట్లు సంభావ్య ఇన్పుట్లను అందుకుంటాయి. అప్పుడు వారు అవుట్పుట్ లేదా ఫలితం గురించి ఒక నిర్ణయం తీసుకుంటారు. పాత ప్రోగ్రామింగ్ ప్రపంచాన్ని "శిక్షణ" లేదా "బోధన" కంప్యూటర్లతో భర్తీ చేయడం గురించి నిపుణులు మాట్లాడుతున్నప్పుడు దీని గురించి మాట్లాడుతున్నారు.
సాంప్రదాయకంగా, కంప్యూటింగ్ ఫలితాలను పొందడానికి ప్రోగ్రామింగ్‌ను ఉపయోగించడం డిఫాల్ట్. ప్రోగ్రామింగ్ అనేది నిర్ణయాత్మక ఇన్‌పుట్‌ల యొక్క స్థిర సమితి - కంప్యూటర్ విశ్వసనీయంగా అనుసరించే నియమాలు.
దీనికి విరుద్ధంగా, సంభావ్య ఇన్పుట్లను అనుమతించడం ఈ నియమాల యొక్క సంగ్రహణ, మరింత అధునాతన నిర్ణయాలు తీసుకోవడానికి కంప్యూటర్ను విడిపించేందుకు ఒక రకమైన “పగ్గాలను మందగించడం”. ఒక విధంగా, సంభావ్యత ఇన్‌పుట్‌లు బయటి కోణం నుండి తెలియవు మరియు ముందుగా నిర్ణయించబడవు. ఇది మా వాస్తవ మెదళ్ళు పనిచేసే విధానానికి దగ్గరగా ఉంటుంది, అందుకే ఈ విధానాన్ని ఉపయోగించే యంత్ర అభ్యాసం మరియు కృత్రిమ మేధస్సు అల్గోరిథంలు కృత్రిమ అభిజ్ఞా అభివృద్ధి యొక్క తదుపరి సరిహద్దుగా ప్రశంసించబడుతున్నాయి.
వెయిటెడ్ లేదా ప్రాబబిలిస్టిక్ ఇన్‌పుట్‌ల గురించి ఆలోచించడానికి ఇక్కడ సులభమైన మార్గం. సాంప్రదాయ ప్రోగ్రామింగ్‌లో, మీరు సాధారణంగా “if / then” స్టేట్‌మెంట్ రకాన్ని కలిగి ఉన్నారు: ఇది ఉంటే, అప్పుడు.
నియమం-ఆధారిత విధానానికి మించి వెళ్లడం అంటే ఏమిటో మార్చడం. నియమం-ఆధారిత విధానంలో, ఇది కొన్ని టెక్స్ట్ ఇన్పుట్ లేదా నియమం: మీరు దీనిని బైనరీగా భావిస్తే - ఇది నిజమో కాదో మాకు తెలుసు, మరియు కంప్యూటర్ కూడా అలానే ఉంటుంది. కాబట్టి మీరు ఏదైనా ఇన్‌పుట్‌కు కంప్యూటర్ ప్రతిస్పందనను can హించవచ్చు.
క్రొత్త విధానంలో, ఇది వాస్తవానికి ఏ స్థితిలోనైనా ఇన్పుట్ యొక్క సేకరణ. కాబట్టి బయటి పరిశీలకుడు ఈ కలిగి ఉన్నదాన్ని సులభంగా మోడల్ చేయలేడు కాబట్టి, అతను లేదా ఆమె ఫలితం ఏమిటో ఖచ్చితంగా cannot హించలేరు.
మార్కెట్ విభజన నుండి ఆర్థిక ధృవీకరణ వరకు వినోదం నుండి నీరు మరియు మురుగునీటి నిర్వహణ వరకు అన్ని రకాల రంగాలకు మరియు పరిశ్రమలకు వర్తించే ఈ సూత్రం గురించి ఆలోచించండి మరియు మానవ వ్యవహారాలను చాలా కొత్తగా నడిపించడానికి మీకు యంత్ర అభ్యాసం, లోతైన అభ్యాసం మరియు కృత్రిమ మేధస్సు యొక్క నిజమైన శక్తి ఉంది. మార్గం. ఉదాహరణకు, మోసం నిర్వహణ రంగంలో, అనుమానాస్పద లేదా ప్రమాదకర ప్రవర్తన మరియు సాధారణ ప్రవర్తన మధ్య వ్యత్యాసాన్ని గుర్తించడంలో నియమాలు-మాత్రమే వ్యవస్థలు చాలా మంచివి కాదని నిపుణులు అభిప్రాయపడుతున్నారు - అధునాతన ఇన్పుట్ మోడళ్లతో సాయుధ యంత్ర అభ్యాస వ్యవస్థలు నిర్ణయాలు తీసుకునే సామర్థ్యాన్ని కలిగి ఉంటాయి ఏ కార్యాచరణ ప్రశ్నార్థకం కావచ్చు.
దాని గురించి ఆలోచించటానికి మరొక మార్గం ఏమిటంటే, ప్రపంచం నేర్చుకోవడం మరియు నిర్ణయం తీసుకోవటానికి కొత్త సరిహద్దుగా కోడ్‌ను గుర్తించే యుగం గుండా వెళ్ళింది. అన్ని రకాల మానవ కార్యకలాపాలు మరియు నిర్ణయాలను మోడలింగ్ చేసే విషయంలో నిర్ణయాత్మక కోడ్-ఆధారిత ఫలితాలు శక్తివంతమైనవి. మేము ఈ ఆలోచనలన్నింటినీ మార్కెటింగ్, అమ్మకాలు, పబ్లిక్ అడ్మినిస్ట్రేషన్ మొదలైన వాటికి వర్తింపజేసాము. కాని ఇప్పుడు, నిపుణులు “కోడింగ్ ముగింపు” గురించి మాట్లాడుతున్నారు, వైర్డులోని ఈ చాలా తెలివైన మరియు బోధనాత్మక భాగం వలె. ఇక్కడ ప్రధానంగా ఉన్న ఆలోచన అదే ఆలోచన, తరువాతి యుగంలో, కోడింగ్‌కు బదులుగా, మనం ఆలోచించే విధానానికి దగ్గరగా ఉండే మార్గాల్లో ఆలోచించడానికి కంప్యూటర్లకు శిక్షణ ఇచ్చే వ్యవస్థను కలిగి ఉంటాము, కాలక్రమేణా నేర్చుకోగలుగుతాము తదనుగుణంగా నిర్ణయాలు. నిర్ణయాత్మక కంప్యూటింగ్ విధానం నుండి మరింత అధునాతనమైన ఇన్‌పుట్‌లతో సంగ్రహించబడిన ఒకదానికి వెళ్లడం ద్వారా వీటిలో ఎక్కువ భాగం సాధించవచ్చు.
