हम गहरे शिक्षा का उपयोग छोटे डेटा के साथ कैसे कर सकते हैं? – विचार नेताओं

जब साइबर सुरक्षा के उभरते रुझानों के साथ तालमेल बिठाने की बात आती है, तो हाल के विकास के साथ बने रहने की प्रक्रिया बहुत थकाऊ हो सकती है क्योंकि इसके लिए बहुत सारी खबरें हैं जिनका पालन करना होता है। हालांकि, इन दिनों स्थिति नाटकीय रूप से बदल गई है, क्योंकि साइबर सुरक्षा के क्षेत्र गहरे शिक्षा के दो शब्दों के चारों ओर घूमते हैं।

हालांकि हम最初 गहरे शिक्षा द्वारा प्राप्त बड़े कवरेज से आश्चर्यचकित थे, जल्द ही यह स्पष्ट हो गया कि गहरे शिक्षा द्वारा उत्पन्न भीड़ अच्छी तरह से अर्जित की गई थी। मानव मस्तिष्क की तरह, गहरे शिक्षा एक एआई मॉडल को बहुत सटीक परिणाम प्राप्त करने में सक्षम बनाता है, पाठ, छवियों और ऑडियो संकेतों से सीधे कार्य करता है।

अब तक, यह व्यापक रूप से माना जाता था कि गहरे शिक्षा को एक बड़े डेटा सेट की आवश्यकता होती है, जो कि सिलिकॉन वैली के दिग्गज गूगल और फेसबुक द्वारा संग्रहीत डेटा के समान है, जो एक संगठन के भीतर सबसे जटिल समस्याओं को हल करने के उद्देश्य को पूरा करने के लिए है। हालांकि, विपरीत धारणा के बावजूद, उद्यम गहरे शिक्षा की शक्ति का दोहन कर सकते हैं, भले ही उन्हें सीमित डेटा पूल तक पहुंच हो।

हमारे पाठकों को गहरे शिक्षा के साथ लैस करने के लिए आवश्यक ज्ञान प्रदान करने के प्रयास में, हमने एक लेख तैयार किया है जो उन तरीकों की खोज करता है जिनसे उद्यम गहरे शिक्षा के लाभों का उपयोग कर सकते हैं, भले ही उन्हें सीमित, या ‘छोटे’ डेटा तक पहुंच हो।

लेकिन इससे पहले कि हम लेख के मुख्य भाग में जाएं, हम एक छोटी सी लेकिन बहुत महत्वपूर्ण सिफारिश देना चाहते हैं – सरल शुरू करें। हालांकि, इससे पहले कि आप न्यूरल नेटवर्क को इतना जटिल बनाएं कि यह एक विज्ञान कथा फिल्म में दिखाई दे, सरल और पारंपरिक मॉडलों के साथ प्रयोग करके सॉफ्टवेयर का उपयोग करना शुरू करें।

इसके साथ, आइए उन तरीकों पर गौर करें जिनसे उद्यम गहरे शिक्षा प्रौद्योगिकी को सीमित डेटा के साथ एकीकृत कर सकते हैं।

#1- बेसलाइन मॉडल को ठीक करना:

जैसा कि हमने पहले ही उल्लेख किया है, उद्यमों को एक सरल बेसलाइन गहरे शिक्षा मॉडल बनाने के बाद पहला कदम यह है कि उन्हें विशिष्ट समस्या के लिए ठीक किया जाए।

हालांकि, एक बेसलाइन मॉडल को ठीक करना कागज पर इतना मुश्किल नहीं है जितना कि यह लगता है। एक बड़े डेटा सेट को एक उद्यम की विशिष्ट आवश्यकताओं के अनुसार ठीक करने का मूल विचार सरल है – आप एक बड़ा डेटा लेते हैं जो आपके डोमेन से मिलता-जुलता है, और फिर मूल डेटा सेट की विवरण को अपने सीमित डेटा के साथ ठीक करते हैं।

एक बड़े डेटा सेट प्राप्त करने के संबंध में, उद्यम मालिक इमेजनेट पर भरोसा कर सकते हैं, जो छवि वर्गीकरण की समस्याओं को हल करने के लिए एक आसान समाधान भी प्रदान करता है। इमेजनेट द्वारा होस्ट किया गया डेटासेट संगठनों को लाखों छवियों तक पहुंच प्रदान करता है, जो विभिन्न छवि वर्गों में विभाजित हैं, जो विभिन्न डोमेन से उद्यमों के लिए उपयोगी हो सकता है, जिसमें जानवरों की छवियां शामिल हैं।

यदि एक पूर्व-प्रशिक्षित मॉडल को अपने उद्यम की विशिष्ट आवश्यकताओं के अनुसार ठीक करना अभी भी आपके लिए बहुत काम की तरह लगता है, तो हम इंटरनेट से मदद लेने की सलाह देते हैं, क्योंकि एक सरल गूगल खोज आपको एक पूर्व-प्रशिक्षित मॉडल को ठीक करने के तरीके पर सैकड़ों ट्यूटोरियल प्रदान करेगी।

#2- अधिक डेटा एकत्र करना:

हमारी सूची में दूसरा बिंदु हमारे कुछ अधिक सिनिकल पाठकों के लिए अप्रासंगिक लग सकता है, लेकिन तथ्य यह है कि गहरे शिक्षा में, आपका डेटा सेट जितना बड़ा होगा, उतनी ही सटीक परिणाम प्राप्त करने की संभावना होगी।

हालांकि इस लेख का सार उद्यमों को एक सीमित डेटा सेट के साथ प्रदान करना है, हमें अक्सर बहुत से “उच्च पदस्थ” लोगों का सामना करना पड़ता है जो डेटा संग्रह में निवेश करने को एक पाप के रूप में मानते हैं।

यह अक्सर देखा जाता है कि व्यवसाय गहरे शिक्षा के लाभों को नजरअंदाज कर देते हैं क्योंकि वे डेटा संग्रह में समय और प्रयास लगाने से हिचकिचाते हैं। यदि आपका उद्यम यह तय नहीं कर पा रहा है कि कितना डेटा एकत्र करना है, तो हम सीखने की वक्रों को प्लॉट करने का सुझाव देते हैं क्योंकि अतिरिक्त डेटा मॉडल में एकीकृत किया जाता है और मॉडल के प्रदर्शन में परिवर्तन का अवलोकन करता है।

सीएसओ और सीआईएसओ के अधिकांश लोगों द्वारा आयोजित लोकप्रिय धारणा के विपरीत, कभी-कभी समस्याओं का समाधान करने का सबसे अच्छा तरीका अधिक प्रासंगिक डेटा एकत्र करना है। साइबर हमलों के खतरे के कारण सीएसओ और सीआईएसओ की भूमिका इस मामले में बहुत महत्वपूर्ण है। यह पाया गया है कि 2019 में, साइबर सुरक्षा पर वैश्विक व्यय $103.1 बिलियन तक पहुंच गया, और यह संख्या बढ़ रही है। इसे दृष्टिकोण में रखने के लिए, आइए एक सरल उदाहरण पर विचार करें – कल्पना कीजिए कि आप दुर्लभ हीरों को वर्गीकृत करने का प्रयास कर रहे हैं, लेकिन आपके पास एक बहुत ही सीमित डेटा सेट है। जैसा कि सबसे明显 समाधान समस्या को निर्देशित करता है, बेसलाइन मॉडल के साथ एक खुशी का दिन मनाने के बजाय, बस अधिक डेटा एकत्र करें!

#3- डेटा वृद्धि:

हालांकि हमने ऊपर चर्चा किए गए पहले दो बिंदु गहरे शिक्षा के कार्यान्वयन के आसपास की अधिकांश समस्याओं के लिए एक आसान समाधान प्रदान करते हैं, वे एक निश्चित स्तर की किस्मत पर निर्भर करते हैं। यदि आप पहले से मौजूद डेटा सेट को ठीक करने में कोई सफलता नहीं पा रहे हैं, तो हम डेटा वृद्धि का प्रयास करने का सुझाव देते हैं।

डेटा वृद्धि का तरीका सरल है। डेटा वृद्धि की प्रक्रिया में, इनपुट डेटा सेट को इस तरह से बदल दिया जाता है या बढ़ाया जाता है कि यह एक नया आउटपुट देता है, बिना वास्तव में लेबल मूल्य को बदले।

हमारे पाठकों के लिए डेटा वृद्धि की अवधारणा को समझने के लिए, आइए एक कुत्ते की तस्वीर पर विचार करें। जब घुमाया जाता है, तो छवि के दर्शक अभी भी बता सकते हैं कि यह एक कुत्ते की छवि है। यह वही है जो अच्छी डेटा वृद्धि हासिल करने का प्रयास करती है, एक घुमाई हुई छवि की तुलना में जो एक सड़क की छवि को बदलती है जो दृष्टिकोण को बदलती है और गहरे शिक्षा को गलत निष्कर्ष पर पहुंचाने के लिए बहुत सारा स्थान छोड़ देती है।

छवि वर्गीकरण से संबंधित समस्याओं को हल करने के लिए, डेटा वृद्धि क्षेत्र में एक प्रमुख खिलाड़ी के रूप में कार्य करती है और छवियों की विभिन्न वर्गीकरणों को समझने में गहरे शिक्षा मॉडल को मदद करने के लिए डेटा वृद्धि की विभिन्न तकनीकों की मेजबानी करती है।

इसके अलावा, डेटा वृद्धि के संबंध में – संभावनाएं लगभग अंतहीन हैं। उद्यम विभिन्न तरीकों से डेटा वृद्धि को लागू कर सकते हैं, जिसमें एनएलपी और जीएनएस के प्रयोग शामिल हैं, जो एल्गोरिदम को नए डेटा उत्पन्न करने में सक्षम बनाता है।

#4- एक समूह प्रभाव को लागू करना:

गहरे शिक्षा के पीछे की तकनीक यह निर्देशित करती है कि नेटवर्क कई परतों पर बनाया गया है। हालांकि, कई लोगों द्वारा आयोजित लोकप्रिय धारणा के विपरीत, प्रत्येक परत को एक “निरंतर बढ़ती” विशेषता की हाइरार्की के रूप में देखने के बजाय, अंतिम परत एक समूह तंत्र प्रदान करने का कार्य करती है।

एक एनआईपीएस पेपर में, जिसने हमारे द्वारा ऊपर व्यक्त किए गए विश्वास को प्रतिबिंबित किया, जिसमें कहा गया था कि सीमित डेटा सेट वाले उद्यमों को अपने नेटवर्क को गहरा बनाना चाहिए, जो या तो ठीक करने या किसी अन्य विकल्प के माध्यम से किया जा सकता है।

#5- ऑटोएनकोडर्स को एकीकृत करना:

हमारे द्वारा विचार किए गए पांचवें बिंदु को केवल एक सापेक्ष स्तर की सफलता मिली है – हम अभी भी ऑटोएनकोडर्स का उपयोग करने के लिए तैयार हैं ताकि नेटवर्क को पूर्व-प्रशिक्षित और ठीक से आरंभ किया जा सके।

उद्यमों को गहरे शिक्षा के प्रारंभिक बाधाओं को पार करने में विफल होने के कारणों में से एक, साइबर हमलों के अलावा, खराब आरंभीकरण और इसके कई जाल हैं। असुपरवाइज्ड प्री-प्रशिक्षण अक्सर गहरे शिक्षा प्रौद्योगिकी के गलत या गलत कार्यान्वयन की ओर ले जाता है, जो कि ऑटोएनकोडर्स को चमकने में मदद कर सकता है।

एक न्यूरल नेटवर्क के पीछे की मूल धारणा एक न्यूरल नेटवर्क बनाने की है जो इनपुट डेटा सेट की प्रकृति की भविष्यवाणी करता है। यदि आप एक ऑटोएनकोडर का उपयोग करने के तरीके के बारे में अनिश्चित हैं, तो ऑनलाइन कई ट्यूटोरियल हैं जो स्पष्ट निर्देश प्रदान करते हैं।

निष्कर्ष:

लेख के अंत में, हमें यहाँ बताना होगा कि हमने लेख के माध्यम से क्या कहा है, एक अतिरिक्त के साथ – सीखने की प्रक्रिया में डोमेन-विशिष्ट ज्ञान को एकीकृत करना! न केवल मूल्यवान अंतर्दृष्टि का समावेश सीखने की प्रक्रिया को तेज करता है, बल्कि यह गहरे शिक्षा प्रौद्योगिकी को बेहतर और अधिक सटीक परिणाम उत्पन्न करने की अनुमति देता है।