విషయము
మూలం: iLexx / iStockphoto
Takeaway:
కృత్రిమ నాడీ నెట్‌వర్క్‌లను ఉపయోగించడం ద్వారా ఒక రోజు కృత్రిమ మేధస్సు సాధించవచ్చు, కానీ ఈ ఉత్తేజకరమైన సాంకేతిక పరిజ్ఞానాల మధ్య అనేక ముఖ్యమైన తేడాలు ఉన్నాయి.
ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (AI) మరియు ఆర్టిఫిషియల్ న్యూరల్ నెట్‌వర్క్‌లు (ANN) కంప్యూటర్ సైన్స్‌లో రెండు ఉత్తేజకరమైన మరియు పెనవేసుకున్న రంగాలు. అయితే, ఈ రెండింటి మధ్య అనేక తేడాలు తెలుసుకోవాలి.
ముఖ్య వ్యత్యాసం ఏమిటంటే, నాడీ నెట్‌వర్క్‌లు కృత్రిమ మేధస్సు కోసం అన్వేషణలో ఒక మెట్టు.
ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ అనేది ఇంటెలిజెంట్ మెషీన్లను సృష్టించే లక్ష్యాన్ని కలిగి ఉన్న విస్తారమైన క్షేత్రం, మీరు తెలివితేటలను ఎలా నిర్వచించారో బట్టి చాలాసార్లు సాధించవచ్చు. “జియోపార్డీ” వద్ద గెలవగల మరియు చెస్ ఛాంపియన్‌లను ఓడించగల కంప్యూటర్లు మన వద్ద ఉన్నప్పటికీ, AI యొక్క లక్ష్యం సాధారణంగా సాధారణ మేధస్సు లేదా తెలివితేటల కోసం అన్వేషణగా విభిన్న మరియు సంబంధం లేని పరిస్థితుల సమస్యలకు వర్తించబడుతుంది.
ఈ సమయం వరకు నిర్మించిన చాలా AI లు పింగ్ పాంగ్ ఆడే లేదా "జియోపార్డీ" వద్ద ఆధిపత్యం వహించే రోబోట్ను నడపడం వంటి ఉద్దేశ్యంతో నిర్మించబడ్డాయి. కంప్యూటర్ శాస్త్రవేత్తలు కూర్చుని ఒక నిర్దిష్ట పనిని చేయడానికి ఏదైనా సృష్టించినప్పుడు ఇది అనివార్యమైన ఫలితం - అవి ఆ పనిని చేయగలవు మరియు మరేమీ కాదు.
టాస్క్-ఓరియెంటెడ్ AI ల యొక్క ఈ సమస్యను అధిగమించడానికి, కంప్యూటర్ శాస్త్రవేత్తలు కృత్రిమ నాడీ నెట్‌వర్క్‌లతో ఆడుకోవడం ప్రారంభించారు. మా సాధారణంగా తెలివైన మెదళ్ళు జీవసంబంధమైన న్యూరల్ నెట్‌వర్క్‌లతో రూపొందించబడ్డాయి, ఇవి మన అవగాహన మరియు బయటి ఉద్దీపన ఆధారంగా కనెక్షన్‌లను చేస్తాయి.
చాలా సరళీకృత ఉదాహరణ కాలిపోకుండా నొప్పి. ఇది మొదటిసారి జరిగినప్పుడు, మీ మెదడులో ఒక కనెక్షన్ తయారవుతుంది, ఇది అగ్ని (మంటలు, పొగ వాసన, వేడి) అని పిలువబడే ఇంద్రియ సమాచారాన్ని గుర్తించి, నొప్పితో సంబంధం కలిగి ఉంటుంది. ఈ విధంగా మీరు నేర్చుకుంటారు, చాలా చిన్న వయస్సులోనే, మండిపోకుండా ఎలా. ఇదే న్యూరల్ నెట్‌వర్క్ ద్వారా, “ఐస్ క్రీం రుచి బాగా ఉంటుంది” వంటి సాధారణ అభ్యాసాలను మనం చేయగలము మరియు “వర్షానికి ముందు ఎప్పుడూ మేఘాలు ఉన్నాయి” లేదా “స్టాక్స్ ఎల్లప్పుడూ డిసెంబరులో ర్యాలీ చేస్తాయి” వంటి తగ్గింపు లీపులను కూడా చేయగలవు. ఈ లీపులు ఎల్లప్పుడూ సరైనవి కావు (చెడు ఐస్ క్రీం ఉంది మరియు డిసెంబరులో పడిపోయే స్టాక్స్ ఉన్నాయి), కానీ వాటిని అనుభవం ద్వారా సరిదిద్దవచ్చు, తద్వారా అనుకూల అభ్యాసాన్ని అనుమతిస్తుంది.
కృత్రిమ నాడీ నెట్‌వర్క్‌లు ఈ అభ్యాస వ్యవస్థను కంప్యూటర్‌లలో పున ate సృష్టి చేయడానికి ప్రయత్నిస్తాయి, ఒక సమస్యకు ప్రతిస్పందించడానికి ఒక సాధారణ ఫ్రేమ్‌వర్క్ ప్రోగ్రామ్‌ను నిర్మించడం ద్వారా మరియు అది ఎలా జరుగుతుందో దానిపై అభిప్రాయాన్ని స్వీకరించండి. అదే సమస్యను వేలాది సార్లు చేయడం ద్వారా మరియు దాని స్పందనను అందుకున్న ఫీడ్‌బ్యాక్ ప్రకారం సర్దుబాటు చేయడం ద్వారా కంప్యూటర్ దాని ప్రతిస్పందనను ఆప్టిమైజ్ చేస్తుంది. కంప్యూటర్కు వేరే సమస్యను ఇవ్వవచ్చు, ఇది మునుపటి నుండి నేర్చుకున్న విధంగానే చేరుకోవచ్చు. కంప్యూటర్ నేర్చుకున్న సమస్యలను మరియు వాటిని పరిష్కరించే విధానాల సంఖ్యను మార్చడం ద్వారా, కంప్యూటర్ శాస్త్రవేత్తలు కంప్యూటర్‌ను సాధారణవాదిగా బోధించగలరు.
ఇది "ది మార్ట్రిక్స్" వంటి హాలీవుడ్ చలనచిత్రాలలో చూసినట్లుగా ప్రపంచాన్ని స్వాధీనం చేసుకునే మరియు మానవులను పండించే కంప్యూటర్ల చిత్రాలను ఇది సూచించినప్పటికీ, న్యూరల్ నెట్‌వర్కింగ్ నుండి కృత్రిమ మేధస్సు వరకు మన మార్గం ఇంకా చాలా దూరంలో ఉంది. న్యూరల్ నెట్‌వర్క్‌లలో పరీక్షించబడుతున్న సమస్యలు అన్నీ గణితశాస్త్రంలో వ్యక్తీకరించబడతాయి. మీరు కంప్యూటర్ వరకు ఒక పువ్వును పట్టుకోలేరు మరియు వాసన ద్వారా రంగును to హించమని చెప్పలేరు, ఎందుకంటే వాసన సంఖ్యలలో వ్యక్తీకరించబడాలి మరియు కంప్యూటర్ ఆ సంఖ్యలను మెమరీలో జాబితా చేయవలసి ఉంటుంది, పువ్వుల చిత్రాలతో పాటు ఆ వాసన విడుదల.
బగ్స్ లేవు, ఒత్తిడి లేదు - మీ జీవితాన్ని నాశనం చేయకుండా జీవితాన్ని మార్చే సాఫ్ట్‌వేర్‌ను రూపొందించడానికి స్టెప్ గైడ్ ద్వారా మీ దశ
సాఫ్ట్‌వేర్ నాణ్యత గురించి ఎవరూ పట్టించుకోనప్పుడు మీరు మీ ప్రోగ్రామింగ్ నైపుణ్యాలను మెరుగుపరచలేరు.
వాసన వంటి వాటికి ఎక్కువ ఇన్పుట్లను ఇవ్వగల కృత్రిమ నాడీ నెట్‌వర్క్‌లు - మరియు ఆ ఇన్‌పుట్‌ల నుండి నేర్చుకునే సామర్థ్యం - చాలా హార్డ్కోర్ AI i త్సాహికుల ప్రమాణాలకు అనుగుణంగా ఉండే మొదటి కృత్రిమ మేధస్సును ఉత్పత్తి చేయడానికి ట్రాక్‌లో ఉండవచ్చు.
సారాంశంలో, కృత్రిమ నాడీ నెట్‌వర్క్‌లు కంప్యూటర్లను నేర్చుకోవడంలో సహాయపడటానికి రూపొందించబడిన మానవ నాడీ నెట్‌వర్క్‌ల నమూనాలు. ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ హోలీ గ్రెయిల్, కొంతమంది కంప్యూటర్ శాస్త్రవేత్తలు న్యూరల్ నెట్‌వర్క్‌లను అనుకరించడం వంటి పద్ధతులను ఉపయోగించి సాధించడానికి ప్రయత్నిస్తున్నారు.