విషయము
- ఇన్ఫర్మేషన్ టెక్నాలజీ కాన్ లో ఆటోమేషన్
- ఆటోమేషన్ యంత్ర అభ్యాసం యొక్క భవిష్యత్తునా?
- బగ్స్ లేవు, ఒత్తిడి లేదు - మీ జీవితాన్ని నాశనం చేయకుండా జీవితాన్ని మార్చే సాఫ్ట్‌వేర్‌ను రూపొందించడానికి స్టెప్ గైడ్ ద్వారా మీ దశ
- సందర్భ పరిశీలన
- మెషిన్ లెర్నింగ్ ఉద్యోగాలను భర్తీ చేయవచ్చు
- ముగింపు
మూలం: క్రులువా / డ్రీమ్‌స్టైమ్.కామ్
Takeaway:
మెషిన్ లెర్నింగ్ అనేది వ్యవస్థకు దాని స్వంత ప్రోగ్రామింగ్‌ను మార్చగల సామర్థ్యం. ఒక వ్యవస్థ దీన్ని చేయగలిగినప్పుడు, మానవులు ఇంకా అవసరమా?
కంప్యూటింగ్ చరిత్రలో మెషిన్ లెర్నింగ్ అతిపెద్ద పురోగతిలో ఒకటి, మరియు ఇప్పుడు ఇది పెద్ద డేటా మరియు విశ్లేషణల రంగంలో ముఖ్యమైన పాత్రలను పోషించగలదని నమ్ముతారు. పెద్ద డేటా విశ్లేషణ అనేది వ్యాపారాల కోణం నుండి భారీ సవాలు. ఉదాహరణకు, వైవిధ్యమైన డేటా ఫార్మాట్ల యొక్క భారీ పరిమాణాలను అర్ధం చేసుకోవడం, విశ్లేషణల కోసం డేటా తయారీ మరియు అనవసరమైన డేటాను ఫిల్టర్ చేయడం వంటి కార్యకలాపాలు చాలా వనరులను వినియోగిస్తాయి. డేటా శాస్త్రవేత్తలు మరియు నిపుణులను నియమించడం ఖరీదైన ప్రతిపాదన మరియు ప్రతి సంస్థలో కాదు. యంత్ర అభ్యాసం విశ్లేషణలకు సంబంధించిన అనేక పనులను ఆటోమేట్ చేయగలదని నిపుణులు నమ్ముతారు - సాధారణ మరియు సంక్లిష్ట. యంత్ర అభ్యాసాన్ని ఆటోమేట్ చేయడం వలన మరింత సంక్లిష్టమైన మరియు వినూత్న ఉద్యోగాలలో ఉపయోగించగల చాలా వనరులను విముక్తి చేయవచ్చు. యంత్ర అభ్యాసం ఆ దిశగా సాగుతున్నట్లు తెలుస్తోంది. (యంత్ర అభ్యాసం యొక్క ఉపయోగం గురించి మరింత తెలుసుకోవడానికి, యంత్ర అభ్యాసం యొక్క వాగ్దానాలు మరియు ఆపదలను చూడండి.)
ఇన్ఫర్మేషన్ టెక్నాలజీ కాన్ లో ఆటోమేషన్
ఐటి యొక్క కాన్ లో, ఆటోమేషన్ అనేది భిన్నమైన వ్యవస్థలు మరియు సాఫ్ట్‌వేర్‌లను అనుసంధానించడం, తద్వారా వారు ఎటువంటి మానవ జోక్యం లేకుండా నిర్దిష్ట ఉద్యోగాలు చేయగలుగుతారు. ఐటి పరిశ్రమలో, ఆటోమేటెడ్ సిస్టమ్స్ సాధారణ మరియు సంక్లిష్టమైన ఉద్యోగాలను చేయగలవు. సరళమైన ఉద్యోగానికి ఉదాహరణ ఒక ఫారమ్‌ను పిడిఎఫ్‌తో అనుసంధానించడం మరియు పత్రాన్ని సరైన గ్రహీతకు చేర్చడం, ఆఫ్‌సైట్ బ్యాకప్‌ను అందించడం సంక్లిష్టమైన ఉద్యోగానికి ఉదాహరణ.
దాని పని చేయడానికి, స్వయంచాలక వ్యవస్థను ప్రోగ్రామ్ చేయాలి లేదా స్పష్టమైన సూచనలు ఇవ్వాలి. ప్రతిసారీ ఆటోమేటెడ్ సిస్టమ్ దాని ఉద్యోగాల పరిధిని సవరించడానికి అవసరమైనప్పుడు, ప్రోగ్రామ్ లేదా సూచనల సమితిని మానవుడు నవీకరించాలి. ఆటోమేటెడ్ సిస్టమ్స్ వారి ఉద్యోగాలలో సమర్థవంతంగా పనిచేస్తుండగా, వివిధ కారణాల వల్ల లోపాలు సంభవించవచ్చు. లోపాలు సంభవించినప్పుడు, మూలకారణాన్ని గుర్తించి సరిదిద్దాలి. సహజంగానే, వారి ఉద్యోగాలు చేయడానికి, ఆటోమేటెడ్ సిస్టమ్స్ పూర్తిగా మానవులపై ఆధారపడి ఉంటాయి. ఉద్యోగం యొక్క స్వభావం మరింత క్లిష్టంగా ఉంటుంది, లోపాలు మరియు సమస్యల సంభావ్యత ఎక్కువ.
సాధారణంగా, సాధారణ మరియు పునరావృత ఉద్యోగాలు స్వయంచాలక వ్యవస్థలకు కేటాయించబడతాయి. ఐటి పరిశ్రమలో ఆటోమేషన్ యొక్క ఒక సాధారణ ఉదాహరణ వెబ్ ఆధారిత వినియోగదారు ఇంటర్‌ఫేస్‌ల పరీక్షను ఆటోమేట్ చేయడం. పరీక్ష కేసులు ఆటోమేషన్ స్క్రిప్ట్లలోకి ఇవ్వబడతాయి మరియు వినియోగదారు ఇంటర్‌ఫేస్‌లు తదనుగుణంగా పరీక్షించబడతాయి. (యంత్ర అభ్యాసం యొక్క ఆచరణాత్మక ఉపయోగాల గురించి మరింత తెలుసుకోవడానికి, నెక్స్ట్-జనరేషన్ మోసం గుర్తింపులో మెషిన్ లెర్నింగ్ & హడూప్ చూడండి.)
ఆటోమేషన్‌కు అనుకూలంగా ఉన్న వాదన ఏమిటంటే, ఇది సాధారణ మరియు పునరావృతమయ్యే పనులను చేస్తుంది మరియు మరింత క్లిష్టమైన మరియు సృజనాత్మక పనులను చేయడానికి ఉద్యోగులను విముక్తి చేస్తుంది. ఏదేమైనా, ఆటోమేషన్ గతంలో మానవులు ప్రదర్శించిన చాలా ఉద్యోగాలు లేదా పాత్రలను స్థానభ్రంశం చేసిందని కూడా వాదించారు. ఇప్పుడు, యంత్ర అభ్యాసం వివిధ పరిశ్రమలలోకి ప్రవేశించడంతో, ఆటోమేషన్ పూర్తిగా కొత్త కోణాన్ని జోడించగలదు.
ఆటోమేషన్ యంత్ర అభ్యాసం యొక్క భవిష్యత్తునా?
యంత్ర అభ్యాసం యొక్క సారాంశం డేటా నుండి నిరంతరం నేర్చుకోవటానికి మరియు మానవుల జోక్యం లేకుండా అభివృద్ధి చెందడానికి వ్యవస్థల సామర్థ్యం. యంత్ర అభ్యాసం మానవ మెదడులా ప్రవర్తించే సామర్థ్యాన్ని కలిగి ఉంటుంది. ఉదాహరణకు, ఇ-కామర్స్ వెబ్‌సైట్‌లోని సిఫారసు ఇంజిన్ వినియోగదారు యొక్క ప్రత్యేక ప్రాధాన్యతలను మరియు అభిరుచులను అంచనా వేయగలదు మరియు వినియోగదారు ఎంపికలకు ఉత్తమంగా సరిపోయే ఉత్పత్తులు మరియు సేవలపై సిఫార్సులను అందిస్తుంది. ఈ సామర్థ్యాన్ని బట్టి, పెద్ద డేటా మరియు విశ్లేషణలకు సంబంధించిన సంక్లిష్ట పనులను ఆటోమేట్ చేయడానికి యంత్ర అభ్యాసం అనువైనదిగా పరిగణించబడుతుంది. సాంప్రదాయిక ఆటోమేషన్ వ్యవస్థల యొక్క ప్రధాన పరిమితిని ఇది ఇప్పటికే అధిగమించింది, ఇది సాధారణ మానవ జోక్యం లేకుండా పనిచేయదు. యంత్ర అభ్యాసం అధునాతన డేటా విశ్లేషణ పనులను పూర్తి చేయగలదని చూపించడానికి బహుళ కేస్ స్టడీస్ ఉన్నాయి, ఈ వ్యాసంలో తరువాత చర్చించబడతాయి.
ఇప్పటికే ఎత్తి చూపినట్లుగా, పెద్ద డేటా విశ్లేషణ అనేది కంపెనీలకు సవాలు చేసే ప్రతిపాదన మరియు దీనిని పాక్షికంగా యంత్ర అభ్యాస వ్యవస్థలకు అప్పగించవచ్చు. వ్యాపారం యొక్క దృక్కోణం నుండి, ఇది మరింత సృజనాత్మక మరియు క్లిష్టమైన పనుల కోసం డేటా సైన్స్ వనరులను విడిపించడం, అధిక పని పూర్తి చేయడం, పనులు పూర్తి చేయడానికి తక్కువ సమయం మరియు ఖర్చు ప్రభావం వంటి అనేక ప్రయోజనాలను తెస్తుంది.
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.
సందర్భ పరిశీలన
2015 లో MIT పరిశోధకులు డీప్ ఫీచర్ సింథసిస్ అల్గోరిథం అని పిలువబడే ఒక టెక్నిక్ ఉపయోగించి ముడి డేటా యొక్క భారీ పరిమాణాల నుండి data హాజనిత డేటా మోడళ్లను సృష్టించగల డేటా సైన్స్ సాధనంపై పనిచేయడం ప్రారంభించారు. యంత్ర అభ్యాసం యొక్క ఉత్తమ లక్షణాలను మిళితం చేయగల అల్గోరిథం, శాస్త్రవేత్తలు పేర్కొన్నారు. శాస్త్రవేత్తల ప్రకారం, వారు ఇప్పటికే మూడు వేర్వేరు డేటా సెట్లలో అల్గోరిథంను పరీక్షించారు మరియు పరీక్ష యొక్క పరిధిని మరిన్ని డేటా సెట్లకు విస్తరించబోతున్నారు. వారు దీన్ని ఎలా చేస్తున్నారో వివరిస్తూ, పరిశోధకులు జేమ్స్ మాక్స్ కాంటర్ మరియు కళ్యాణ్ వీరమచనేని ఒక అంతర్జాతీయ డేటా సైన్స్ అండ్ ఎనలిటిక్స్ సమావేశంలో సమర్పించాల్సిన ఒక కాగితంలో ఇలా పేర్కొన్నారు, “ఆటో-ట్యూనింగ్ ప్రక్రియను ఉపయోగించి, మేము మానవ ప్రమేయం లేకుండా మొత్తం మార్గాన్ని ఆప్టిమైజ్ చేస్తాము, దానిని సాధారణీకరించడానికి వీలు కల్పిస్తుంది వేర్వేరు డేటాసెట్లకు. ”
పని ఎంత క్లిష్టంగా ఉందో పరిశీలిద్దాం: అల్గోరిథం ఆటో-ట్యూనింగ్ సామర్ధ్యం అని పిలువబడే సామర్ధ్యాన్ని కలిగి ఉంది, దీని సహాయంతో వయస్సు లేదా లింగం వంటి ముడి డేటా నుండి అంతర్దృష్టులు లేదా విలువలను పొందుతుంది లేదా సంగ్రహిస్తుంది మరియు ఆ తరువాత, data హాజనిత డేటా నమూనాలను సృష్టించగలదు. అల్గోరిథం సంక్లిష్ట గణిత విధులను మరియు గాస్సియన్ కోపులా అని పిలువబడే సంభావ్యత సిద్ధాంతాన్ని ఉపయోగిస్తుంది. కాబట్టి, అల్గోరిథం ఎంత సంక్లిష్టతను నిర్వహించగలదో అర్థం చేసుకోవడం సులభం. ఈ టెక్నిక్ పోటీలలో బహుమతులు కూడా గెలుచుకుంది.
మెషిన్ లెర్నింగ్ ఉద్యోగాలను భర్తీ చేయవచ్చు
మానవ మెదడు యొక్క సామర్థ్యంతో పనులు చేస్తున్నందున యంత్ర అభ్యాసం చాలా ఉద్యోగాలను భర్తీ చేస్తుందని ప్రపంచవ్యాప్తంగా చర్చించబడుతోంది. వాస్తవానికి, యంత్ర అభ్యాసం డేటా శాస్త్రవేత్తలను భర్తీ చేస్తుందని కొంత ఆందోళన ఉంది - మరియు అలాంటి భయాలకు ఆధారం ఉంది.
డేటా విశ్లేషణ నైపుణ్యాలు లేని సాధారణ వినియోగదారులకు, వారి రోజువారీ జీవితంలో వివిధ స్థాయిలలో విశ్లేషణలు అవసరమైతే, భారీ డేటా వాల్యూమ్‌లను విశ్లేషించడానికి మరియు విశ్లేషణలను అందించే సామర్థ్యం ఉన్న కంప్యూటర్లను కలిగి ఉండటం సాధ్యం కాదు. సహజ భాషా ప్రాసెసింగ్ (ఎన్‌ఎల్‌పి) సాంకేతికతలు మానవుల సహజమైన, మాట్లాడే భాషను అంగీకరించడానికి మరియు ప్రాసెస్ చేయడానికి కంప్యూటర్లకు నేర్పించడం ద్వారా ఈ పరిమితిని అధిగమించగలవు. ఆ విధంగా, సాధారణ వినియోగదారుకు అధునాతన విశ్లేషణ సామర్థ్యాలు లేదా నైపుణ్యాలు అవసరం లేదు.
డేటా శాస్త్రవేత్తల అవసరాన్ని దాని ఉత్పత్తి వాట్సన్ నేచురల్ లాంగ్వేజ్ అనలిటిక్స్ ప్లాట్‌ఫామ్‌తో తగ్గించవచ్చని లేదా తొలగించవచ్చని ఐబిఎం అభిప్రాయపడింది. వాట్సన్ అనలిటిక్స్ అండ్ బిజినెస్ ఇంటెలిజెన్స్ వైస్ ప్రెసిడెంట్ మార్క్ అట్సుల్లర్ ప్రకారం, “వాట్సన్ వంటి అభిజ్ఞా వ్యవస్థతో మీరు మీ ప్రశ్నను తీసుకురండి - లేదా మీకు ప్రశ్న లేకపోతే మీరు మీ డేటాను అప్‌లోడ్ చేస్తారు మరియు వాట్సన్ దాన్ని చూడవచ్చు మరియు er హించవచ్చు మీరు ఏమి తెలుసుకోవాలనుకుంటున్నారు. "
ముగింపు
యంత్ర అభ్యాసం కోసం ఆటోమేషన్ తదుపరి తార్కిక దశ మరియు ఇ-కామర్స్ వెబ్‌సైట్లు, స్నేహితుల సూచనలు, లింక్డ్ఇన్ నెట్‌వర్కింగ్ సిఫార్సులు మరియు ఎయిర్‌బిఎన్బి సెర్చ్ ర్యాంకింగ్స్‌లో - మేము ఇప్పటికే మా రోజువారీ జీవితంలో ప్రభావాలను ఎదుర్కొంటున్నాము. ఇచ్చిన ఉదాహరణలను పరిశీలిస్తే, ఆటోమేటెడ్ మెషీన్ లెర్నింగ్ సిస్టమ్స్ ఉత్పత్తి చేసే అవుట్పుట్ నాణ్యతపై ఎటువంటి సందేహం లేదు. దాని యొక్క అన్ని లక్షణాలు మరియు ప్రయోజనాల కోసం, భారీ నిరుద్యోగానికి కారణమయ్యే యంత్ర అభ్యాసం యొక్క ఆలోచన కొంచెం అతిగా స్పందించవచ్చు. యంత్రాలు అనేక దశాబ్దాలుగా మన జీవితంలోని అనేక రంగాలలో మానవులను భర్తీ చేస్తున్నాయి, అయినప్పటికీ, మానవులు పరిణామం చెందారు మరియు పరిశ్రమలో సంబంధితంగా ఉండటానికి అనుగుణంగా ఉన్నారు. దృక్పథాన్ని బట్టి, యంత్ర అభ్యాసం, దాని అంతరాయం కలిగించేది, ప్రజలు స్వీకరించే మరో తరంగం.