విషయము
- డీప్ లెర్నింగ్ యొక్క వ్యాపార అనువర్తనాలు
- బిగ్ డేటా మరియు డీప్ లెర్నింగ్ యొక్క V లు
- బగ్స్ లేవు, ఒత్తిడి లేదు - మీ జీవితాన్ని నాశనం చేయకుండా జీవితాన్ని మార్చే సాఫ్ట్‌వేర్‌ను రూపొందించడానికి స్టెప్ గైడ్ ద్వారా మీ దశ
- బ్లాక్ బాక్స్ డైలమా
- నియంత్రణ
మూలం: అగ్సాండ్రూ / డ్రీమ్‌స్టైమ్.కామ్
Takeaway:
డీప్ లెర్నింగ్ వ్యాపారాలను అందించడానికి చాలా ఉంది, కాని చాలామంది దీనిని స్వీకరించడానికి వెనుకాడరు. ఇక్కడ మనం దాని అతిపెద్ద నొప్పి పాయింట్లను చూస్తాము.
డీప్ లెర్నింగ్ అనేది యంత్ర అభ్యాసం యొక్క ఉప క్షేత్రం, ఇది (సాధారణంగా చెప్పాలంటే) మానవ మెదడు మరియు దాని పనితీరుల నుండి ప్రేరణ పొందిన సాంకేతికత. 1950 లలో మొట్టమొదట ప్రవేశపెట్టిన, యంత్ర అభ్యాసం కృత్రిమ నాడీ నెట్‌వర్క్ అని పిలువబడుతుంది, ఇది కృత్రిమ మేధస్సుకు సమిష్టిగా ఆధారమైన పరస్పర అనుసంధాన డేటా నోడ్‌ల యొక్క సమృద్ధి. (యంత్ర అభ్యాసం యొక్క ప్రాథమిక విషయాల కోసం, యంత్ర అభ్యాసం 101 ను చూడండి.)
మెషిన్ లెర్నింగ్ తప్పనిసరిగా కంప్యూటర్ డేటా బాహ్య డేటా లేదా ప్రోగ్రామింగ్ ద్వారా ప్రాంప్ట్ చేయబడినప్పుడు తమను తాము మార్చడానికి అనుమతిస్తుంది. ప్రకృతి ద్వారా, ఇది మానవ పరస్పర చర్య లేకుండా సాధించగలదు. ఇది డేటా మైనింగ్‌తో సమానమైన కార్యాచరణను పంచుకుంటుంది, కాని తవ్విన ఫలితాలతో మనుషుల కంటే యంత్రాల ద్వారా ప్రాసెస్ చేయబడుతుంది. ఇది రెండు ప్రధాన వర్గాలుగా విభజించబడింది: పర్యవేక్షించబడిన మరియు పర్యవేక్షించబడని అభ్యాసం.
పర్యవేక్షించబడిన యంత్ర అభ్యాసం లేబుల్ చేయబడిన శిక్షణ డేటా ద్వారా ముందుగా నిర్ణయించిన కార్యకలాపాల యొక్క అనుమానాన్ని కలిగి ఉంటుంది. మరో మాటలో చెప్పాలంటే, పర్యవేక్షించబడిన ఫలితాలను (మానవ) ప్రోగ్రామర్ ముందుగానే తెలుసుకుంటారు, కాని ఫలితాలను er హించే వ్యవస్థ వాటిని “నేర్చుకోవడానికి” శిక్షణ పొందుతుంది. పర్యవేక్షించబడని యంత్ర అభ్యాసం, దీనికి విరుద్ధంగా, లేబుల్ చేయని ఇన్పుట్ డేటా నుండి అనుమానాలను ఆకర్షిస్తుంది, తరచుగా తెలియని నమూనాలను గుర్తించే సాధనంగా.
యంత్ర అభ్యాసం యొక్క సరళ అల్గోరిథంలకు విరుద్ధంగా, క్రమానుగత అల్గోరిథంల ద్వారా శిక్షణ పొందగల సామర్థ్యంలో లోతైన అభ్యాసం ప్రత్యేకమైనది. లోతైన అభ్యాస శ్రేణులు అభివృద్ధి చెందుతున్నప్పుడు (లేదా “నేర్చుకోండి”) సంక్లిష్టంగా మరియు వియుక్తంగా ఉంటాయి మరియు పర్యవేక్షించబడే తర్కంపై ఆధారపడవు. సరళంగా చెప్పాలంటే, లోతైన అభ్యాసం అనేది యంత్ర అభ్యాసానికి అత్యంత అధునాతనమైన, ఖచ్చితమైన మరియు స్వయంచాలక రూపం, మరియు కృత్రిమ మేధస్సు సాంకేతిక పరిజ్ఞానంలో ముందంజలో ఉంది.
డీప్ లెర్నింగ్ యొక్క వ్యాపార అనువర్తనాలు
యంత్ర అభ్యాసం ఇప్పటికే వివిధ పరిశ్రమలలో సాధారణంగా ఉపయోగించబడుతుంది. ఉదాహరణకు, సోషల్ మీడియా వినియోగదారు టైమ్‌లైన్స్‌లో కంటెంట్ ఫీడ్‌లను క్యూరేట్ చేయడానికి ఉపయోగిస్తుంది. సాంకేతిక పరిజ్ఞానం అభివృద్ధి చెందుతున్నప్పుడు గూగుల్ యొక్క సేవల పరిధిలో లోతైన అభ్యాసాన్ని ఉత్పత్తి చేయాలనే ఉద్దేశ్యంతో గూగుల్ బ్రెయిన్ చాలా సంవత్సరాల క్రితం స్థాపించబడింది.
ప్రిడిక్టివ్ అనలిటిక్స్ పై దృష్టి పెట్టడంతో, మార్కెటింగ్ రంగం ముఖ్యంగా లోతైన అభ్యాస ఆవిష్కరణలలో పెట్టుబడి పెట్టబడింది. డేటా చేరడం సాంకేతికతను నడిపిస్తుంది కాబట్టి, అమ్మకాలు మరియు కస్టమర్ మద్దతు వంటి పరిశ్రమలు (ఇది ఇప్పటికే గొప్ప మరియు విభిన్న కస్టమర్ డేటా యొక్క సంపదను కలిగి ఉంది) దీనిని భూస్థాయిలో స్వీకరించడానికి ప్రత్యేకంగా ఉంచబడుతుంది.
లోతైన అభ్యాసానికి ప్రారంభ అనుసరణ సాంకేతిక పరిజ్ఞానం నుండి, ప్రత్యేకించి దాని ప్రారంభ దశలలో ఎంత నిర్దిష్ట రంగాలు ప్రయోజనం పొందుతాయో నిర్ణయించే కారకంగా ఉంటుంది. ఏదేమైనా, కొన్ని నిర్దిష్ట నొప్పి పాయింట్లు చాలా వ్యాపారాలను లోతైన అభ్యాస సాంకేతిక పెట్టుబడిలో పడకుండా ఉంచుతున్నాయి.
బిగ్ డేటా మరియు డీప్ లెర్నింగ్ యొక్క V లు
2001 లో, డౌ లానీ పేరుతో మెటా గ్రూప్ (ఇప్పుడు గార్ట్‌నర్) కోసం ఒక విశ్లేషకుడు పెద్ద డేటా యొక్క మూడు ప్రధాన సవాళ్లు: వాల్యూమ్, వైవిధ్యం మరియు వేగం అని పరిశోధకులు గ్రహించిన వాటిని వివరించారు. ఒక దశాబ్దంన్నర తరువాత, ఇంటర్నెట్ యాక్సెస్ పాయింట్లలో వేగంగా పెరుగుదల (ఎక్కువగా మొబైల్ పరికరాల విస్తరణ మరియు ఐయోటి సాంకేతిక పరిజ్ఞానం కారణంగా) ఈ సమస్యలను ప్రధాన టెక్ కంపెనీలతో పాటు చిన్న వ్యాపారాలకు కూడా తెరపైకి తెచ్చింది. మరియు స్టార్టప్‌లు ఇలానే ఉంటాయి. (మూడు వి ల గురించి మరింత తెలుసుకోవడానికి, నేటి బిగ్ డేటా ఛాలెంజ్ వెరైటీ నుండి వస్తుంది, వాల్యూమ్ లేదా వేగం కాదు.)
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.
గ్లోబల్ డేటా వాడకంపై ఇటీవలి గణాంకాలు అస్థిరంగా ఉన్నాయి. ప్రపంచంలోని మొత్తం డేటాలో సుమారు 90 శాతం గత కొన్ని సంవత్సరాలలో మాత్రమే సృష్టించబడిందని అధ్యయనాలు సూచిస్తున్నాయి. ఒక అంచనా ప్రకారం, ప్రపంచవ్యాప్త మొబైల్ ట్రాఫిక్ 2016 కంటే నెలకు సుమారు ఏడు ఎక్సాబైట్ల వరకు ఉంది మరియు వచ్చే అర్ధ దశాబ్దంలో ఆ సంఖ్య ఏడు రెట్లు పెరుగుతుందని అంచనా.
వాల్యూమ్‌కు మించి, వైవిధ్యం (కొత్త మీడియా అభివృద్ధి చెందుతున్నప్పుడు మరియు విస్తరించేటప్పుడు డేటా రకాల్లో వేగంగా పెరుగుతున్న వైవిధ్యం) మరియు వేగం (ఎలక్ట్రానిక్ మీడియా డేటా సెంటర్లు మరియు హబ్‌లకు పంపబడే వేగం) కూడా వ్యాపారాలు అభివృద్ధి చెందుతున్న క్షేత్రానికి ఎలా అనుగుణంగా ఉన్నాయో ప్రధాన కారకాలు లోతైన అభ్యాసం. జ్ఞాపకశక్తి పరికరంలో విస్తరించడానికి, ఇటీవలి సంవత్సరాలలో పెద్ద డేటా నొప్పి పాయింట్ల జాబితాకు అనేక ఇతర v- పదాలు జోడించబడ్డాయి, వీటిలో:
- చెల్లుబాటు: పెద్ద డేటా వ్యవస్థలలో ఇన్పుట్ డేటా ఖచ్చితత్వం యొక్క కొలత. గుర్తించబడని చెల్లని డేటా గణనీయమైన సమస్యలను కలిగిస్తుంది మరియు యంత్ర అభ్యాస పరిసరాలలో గొలుసు ప్రతిచర్యలను కలిగిస్తుంది.
- దుర్బలత్వం: పెద్ద డేటా సహజంగానే దాని సమస్యలను బట్టి భద్రతా సమస్యలను రేకెత్తిస్తుంది. యంత్ర అభ్యాసం ద్వారా ప్రారంభించబడిన భద్రతా వ్యవస్థలలో గొప్ప సంభావ్యత ఉన్నప్పటికీ, వారి ప్రస్తుత అవతారాలలో ఉన్న వ్యవస్థలు వాటి సామర్థ్యం లేకపోవటానికి ప్రసిద్ది చెందాయి, ప్రత్యేకించి తప్పుడు అలారాలను ఉత్పత్తి చేసే ధోరణి కారణంగా.
- విలువ: పెద్ద డేటా యొక్క సంభావ్య విలువను (వ్యాపారంలో లేదా ఇతర చోట్ల) నిరూపించడం ఎన్ని కారణాలకైనా ముఖ్యమైన సవాలుగా ఉంటుంది. ఈ జాబితాలోని ఇతర నొప్పి పాయింట్లలో దేనినైనా సమర్థవంతంగా పరిష్కరించలేకపోతే, వాస్తవానికి అవి ఏదైనా వ్యవస్థ లేదా సంస్థకు ప్రతికూల విలువను జోడించగలవు, బహుశా విపత్తు ప్రభావంతో కూడా.
జాబితాలో చేర్చబడిన ఇతర అల్టిరేటివ్ పెయిన్ పాయింట్లలో వైవిధ్యం, ఖచ్చితత్వం, అస్థిరత మరియు విజువలైజేషన్ ఉన్నాయి - ఇవన్నీ పెద్ద డేటా వ్యవస్థలకు వారి స్వంత ప్రత్యేకమైన సవాళ్లను ప్రదర్శిస్తాయి. ఇప్పటికే ఉన్న జాబితా (బహుశా) కాలక్రమేణా నిలిచిపోతున్నందున ఇంకా ఎక్కువ జోడించవచ్చు. ఇది కొంతమందికి కాస్త కంట్రోల్ చేసినట్లు అనిపించినప్పటికీ, లోతైన అభ్యాస భవిష్యత్తులో ముఖ్యమైన పాత్ర పోషిస్తున్న పెద్ద డేటాను ఎదుర్కొనే తీవ్రమైన సమస్యలను జ్ఞాపకశక్తి “వి” జాబితా కలిగి ఉంటుంది.
బ్లాక్ బాక్స్ డైలమా
లోతైన అభ్యాసం మరియు కృత్రిమ మేధస్సు యొక్క అత్యంత ఆకర్షణీయమైన లక్షణం ఏమిటంటే, రెండూ మానవులకు చేయలేని సమస్యలను పరిష్కరించడానికి ఉద్దేశించినవి. అయితే, అనుమతించాల్సిన అదే దృగ్విషయం ఒక ఆసక్తికరమైన గందరగోళాన్ని కూడా ప్రదర్శిస్తుంది, ఇది “బ్లాక్ బాక్స్” అని పిలువబడే రూపంలో వస్తుంది.
లోతైన అభ్యాస ప్రక్రియ ద్వారా సృష్టించబడిన న్యూరల్ నెట్‌వర్క్ చాలా విస్తృతమైనది మరియు చాలా క్లిష్టంగా ఉంటుంది, దాని సంక్లిష్టమైన విధులు తప్పనిసరిగా మానవ పరిశీలనకు అస్పష్టంగా ఉంటాయి. డేటా లెర్నింగ్ సిస్టమ్స్ మరియు ఇంజనీర్లు లోతైన అభ్యాస వ్యవస్థల్లోకి వెళ్ళే వాటిపై సమగ్ర అవగాహన కలిగి ఉండవచ్చు, కానీ వారు తమ అవుట్పుట్ నిర్ణయాలకు ఎలా చేరుకుంటారు అనేది పూర్తిగా వివరించబడదు.
విక్రయదారులు లేదా అమ్మకందారులకు (వారు మార్కెటింగ్ లేదా అమ్మకం ఏమిటో బట్టి) ఇది ముఖ్యమైన సమస్య కాకపోవచ్చు, ఇతర పరిశ్రమలకు ఫలితాల నుండి ఏదైనా ఉపయోగం పొందడానికి కొంత మొత్తంలో ప్రాసెస్ ధ్రువీకరణ మరియు తార్కికం అవసరం. ఉదాహరణకు, ఒక ఆర్థిక సేవల సంస్థ అత్యంత సమర్థవంతమైన క్రెడిట్ స్కోరింగ్ విధానాన్ని స్థాపించడానికి లోతైన అభ్యాసాన్ని ఉపయోగించవచ్చు. కానీ క్రెడిట్ స్కోర్‌లు తరచూ ఒకరకమైన శబ్ద లేదా వ్రాతపూర్వక వివరణతో రావాలి, అసలు క్రెడిట్ స్కోరింగ్ సమీకరణం పూర్తిగా అపారదర్శకంగా మరియు వివరించలేనిదిగా ఉంటే అది ఏర్పడటం కష్టం.
ఈ సమస్య అనేక ఇతర రంగాలకు కూడా విస్తరించింది, ముఖ్యంగా ఆరోగ్యం మరియు భద్రత రంగాలలో. Medicine షధం మరియు రవాణా రెండూ లోతైన అభ్యాసం నుండి ప్రధాన మార్గాల్లో ప్రయోజనం పొందగలవు, కానీ బ్లాక్ బాక్స్ రూపంలో గణనీయమైన అడ్డంకిని కూడా ఎదుర్కొంటాయి. ఆ ఫీల్డ్‌లలో ఏదైనా అవుట్పుట్ ఫలితాలు, ఎంత ప్రయోజనకరంగా ఉన్నా, వాటి అంతర్లీన అల్గోరిథంల పూర్తి అస్పష్టత కారణంగా పూర్తిగా విస్మరించబడతాయి. ఇది మనందరిలో చాలా వివాదాస్పదమైన నొప్పి స్థానానికి మనలను తీసుకువస్తుంది…
నియంత్రణ
2016 వసంత In తువులో, యూరోపియన్ యూనియన్ జనరల్ డేటా ప్రొటెక్షన్ రెగ్యులేషన్ (జిడిపిఆర్) ను ఆమోదించింది, ఇది (ఇతర విషయాలతోపాటు) పౌరులను యంత్ర అభ్యాస వ్యవస్థల ద్వారా ఉత్పత్తి చేయబడిన స్వయంచాలక నిర్ణయాలకు “వివరణాత్మక హక్కు” ని ఇస్తుంది. 2018 లో అమల్లోకి రావడానికి షెడ్యూల్ చేయబడిన ఈ నియంత్రణ టెక్ కంపెనీలలో ఆందోళన కలిగించేది, దాని అభేద్యమైన బ్లాక్ బాక్స్ కారణంగా లోతైన అభ్యాసంలో పెట్టుబడులు పెట్టడం, ఇది చాలా సందర్భాల్లో జిడిపిఆర్ నిర్దేశించిన వివరణను అడ్డుకుంటుంది.
GDPR పరిమితం చేయాలని భావించే “స్వయంచాలక వ్యక్తిగత నిర్ణయం తీసుకోవడం” లోతైన అభ్యాసం యొక్క ముఖ్యమైన లక్షణం. వివక్షకు అవకాశం చాలా ఎక్కువగా ఉన్నప్పుడు మరియు పారదర్శకత చాలా తక్కువగా ఉన్నప్పుడు ఈ సాంకేతిక పరిజ్ఞానంపై ఆందోళనలు అనివార్యం (మరియు ఎక్కువగా చెల్లుతాయి). యునైటెడ్ స్టేట్స్లో, ఫుడ్ అండ్ డ్రగ్ అడ్మినిస్ట్రేషన్ అదేవిధంగా drugs షధాల పరీక్ష మరియు మార్కెటింగ్ను నియంత్రిస్తుంది, ఆ ప్రక్రియలు ఆడిట్ చేయవలసిన అవసరం ఉంది. మసాచుసెట్స్‌కు చెందిన బయోటెక్నాలజీ సంస్థ బయోజెన్ విషయంలో ఇది as షధ పరిశ్రమకు అడ్డంకులను కలిగించింది, ఇది FDA నియమం కారణంగా అర్థం చేసుకోలేని లోతైన అభ్యాస పద్ధతులను ఉపయోగించకుండా నిరోధించబడింది.
లోతైన అభ్యాసం యొక్క చిక్కులు (నైతిక, ఆచరణాత్మక మరియు దాటి) అపూర్వమైనవి మరియు స్పష్టంగా, చాలా లోతైనవి. సాంకేతిక పరిజ్ఞానం దాని అంతరాయం కలిగించే సంభావ్యత మరియు అపారదర్శక తర్కం మరియు కార్యాచరణల కలయిక కారణంగా చాలా భయాలను కలిగి ఉంది.ఏదైనా సంభావ్య బెదిరింపులు లేదా ప్రమాదాలను మించిన లోతైన అభ్యాసంలో స్పష్టమైన విలువ ఉనికిని వ్యాపారాలు నిరూపించగలిగితే, అవి కృత్రిమ మేధస్సు యొక్క తదుపరి క్లిష్టమైన దశ ద్వారా మమ్మల్ని నడిపించడంలో సహాయపడతాయి.