Ma Fêrbûna Makîneya Kevneşopî hîn jî têkildar e?

Di salên dawî de, Generative AI-ê di çareserkirina karên tevlihev ên AI-ê de encamên sozdar nîşan da. Modelên nûjen ên AI-ê mîna GPT chat, Bard, Gazî dike, DALL-E.3, û SAM di çareserkirina pirsgirêkên pirzimanî yên mîna bersiva pirsa dîtbar, dabeşkirin, sedemkirin, û hilberîna naverokê de kapasîteyên berbiçav nîşan dane.

Ji bilî Multimodal AI teknîk derketine, ku dikarin gelek awayên daneyê, ango nivîs, wêne, deng û vîdyoyê bi hevdemî bişopînin. Bi van pêşkeftinan re, xwezayî ye ku meriv bipirse: Ma em nêzî dawiya dawîn dibin fêrbûna makîneya kevneşopî (ML)?

Di vê gotarê de, em ê li rewşa perestgeha fêrbûna makîneya kevneşopî ya di derbarê nûjenên nûjen ên AI-ê yên nûjen de binihêrin.

Fêrbûna Makîneya Kevneşopî çi ye? - Sînorên wê çi ne?

Fêrbûna makîneya kevneşopî têgehek berfireh e ku cûrbecûr algorîtmayên ku di serî de ji hêla statîstîkî ve têne rêve kirin vedihewîne. Du celebên sereke yên algorîtmayên ML yên kevneşopî ne çavdêrî û bêserûber. Van algorîtmayan ji bo pêşdebirina modelên ji daneyên sazkirî hatine çêkirin.

Algorîtmayên fêrbûna makîneya kevneşopî ya standard ev in:

• Algorîtmayên paşveçûnê yên wekî xêz, laso, û rît.
• K-tê wateya Clustering.
• Analîza Pêkhateya Sereke (PCA).
• Makîneyên Vektora Piştgiriyê (SVM).
• Algorîtmayên bingehîn ên darê mîna darên biryarê û daristana rasthatî.
• Modelên bihêzkirina wekî bilindkirina gradient û XGBoost.

Sînorên Fêrbûna Makîneya Kevneşopî

ML ya kevneşopî xwedan sînorên jêrîn e:

1. Scalability Limited: Van modelan bi gelemperî hewceyê alîkariyê ne ku bi danehevên mezin û cihêreng werin pîvandin.
2. Pêş-processing Data û Endezyariya Taybetmendiyê: ML-ya kevneşopî ji bo veguheztina daneyên daneyan li gorî hewcedariyên modelê pêdivî bi pêş-pêvajoyek berfireh heye. Di heman demê de, endezyariya taybetmendiyê dikare dem-dixweber be û ji bo girtina têkiliyên tevlihev di navbera taybetmendiyên daneyê de gelek dubareyan hewce dike.
3. Daneyên Mezin û Nesazkirî: ML ya kevneşopî bi celebên daneya tevlihev ên mîna wêne, deng, vîdyoy û belgeyan re têkoşîn dike.
4. Adaptability ji Daneyên nedîtî: Dibe ku van modelan bi daneyên cîhana rastîn ên ku ne beşek ji wan bûn re baş biguncînin daneyên perwerdehiyê.

Tora Neuralî: Ji Fêrbûna Makîneyê berbi Fêrbûna Kûr û Derveyî ve diçin

Modelên tora neuralî (NN) ji modelên fêrbûna makîneyê ya kevneşopî pir tevlihevtir in. NN ya herî hêsan - Perceptrona pir-qatî (MLP) ji çend neuronên ku bi hev re girêdayî ne pêk tê da ku agahdarî fam bikin û peywiran pêk bînin, mîna ku mejiyê mirov çawa dixebite.

Pêşketinên di teknîkên tora neuralî de bingehek ji bo veguheztina ji ava kiriye fêrbûna makîneyê heya fêrbûna kûr. Mînakî, NN-ya ku ji bo peywirên dîtina komputerê têne bikar anîn (vedîtina tiştan û dabeşkirina wêneyê) tê gotin torên neuralî yên konvolutional (CNN), wekî AlexNet, ResNet, û YOLO.

Îro, teknolojiya AI-ê ya hilberî teknîkên tora neuralî gavek pêşdetir digire, dihêle ku ew di warên cihêreng ên AI-ê de pêş bikeve. Mînakî, torên neuralî yên ku ji bo karên hilberandina zimanê xwezayî (wek kurtkirina nivîsê, bersiva pirsê, û werger) têne bikar anîn wekî transformers. Modelên veguherîner ên berbiçav hene Bert, Gpt-4, û T5. Van modelan bandorek li ser pîşesaziyên ji lênihêrîna tenduristî, firotanê, kirrûbirra, malî, Hwd.

Ma em hîn jî hewceyê Algorîtmayên Fêrbûna Makîneya Kevneşopî ne?

Digel ku torên neuralî û guhertoyên wan ên nûjen ên mîna transformatoran pir bal kişandiye, rêbazên kevneşopî yên ML girîng dimînin. Ka em binihêrin ka çima ew hîn jî têkildar in.

1. Pêdiviyên Daneyên Hêsan

Tora neuralî ji bo perwerdehiyê danûstendinên mezin daxwaz dikin, lê modelên ML dikarin bi daneyên piçûktir û hêsan re encamên girîng bi dest bixin. Ji ber vê yekê, ML ji fêrbûna kûr re ji bo daneyên piçûktir ên sazkirî û berevajî vê yekê tê pêşwaz kirin.

2. Simplicity and Interpretable

Modelên fêrbûna makîneya kevneşopî li ser modelên statîstîkî û îhtîmalê yên hêsan têne çêkirin. Mînakî, xêzek herî baş tê de regresyonê xêzeke Têkiliya ketin-derketinê bi rêbaza çarçikên herî kêm, operasyonek îstatîstîkî saz dike.

Bi heman rengî, darên biryarê ji bo dabeşkirina daneyan prensîbên îhtîmalî bikar tînin. Bikaranîna prensîbên weha şîrovekirinê pêşkêşî dike û ji pisporên AI-ê re hêsantir dike ku karên algorîtmayên ML fam bikin.

Mîmarên nûjen ên NN-ê mîna modelên veguherîner û belavbûnê (bi gelemperî ji bo hilberîna wêneyê wekî mîna têne bikar anîn Belavbûna Stable or midjourney) xwedan avahiyek torê ya pir-qatî ya tevlihev e. Têgihiştina torên weha pêdivî bi têgihîştina têgehên matematîkî yên pêşkeftî heye. Ji ber vê yekê jî wekî 'Qutiyên Reş' tên binavkirin.

3. Efficiency Çavkanî

Torên neuralî yên nûjen ên mîna Modelên Zimanên Mezin (LLM) li gorî hewcedariyên wan ên hesabkerî li ser komên GPU-yên biha têne perwerde kirin. Mînakî, GPT4 hate ragihandin ku li ser hate perwerde kirin 25000 Nvidia GPU ji 90 heya 100 rojan.

Lêbelê, hardware biha û dema perwerdehiya dirêj ji bo her bijîjk an tîmek AI-ê ne pêkan e. Ji hêla din ve, karbidestiya hesabkerî ya algorîtmayên fêrbûna makîneya kevneşopî dihêle ku bijîjkan bi çavkaniyên bisînor re jî encamên watedar bi dest bixin.

4. Hemî Pirsgirêk Ne hewceyê Fêrbûna Kûr in

Fêrbûna Kûr ji bo hemû pirsgirêkan ne çareseriya teqez e. Hin senaryo hene ku li wir ML ji fêrbûna kûr derdikeve.

Ji bo nimûne, di teşhîs û prognosis tibî bi daneyên tixûbdar, algorîtmayek ML ji bo tespîtkirina anomalî mîna REMED ji fêrbûna kûr encamên çêtir peyda dike. Bi vî rengî, fêrbûna makîneya kevneşopî di senaryoyên bi kapasîteya hesabkerî ya kêm de girîng e çareseriya nerm û bi bandor.

Di serî de, hilbijartina modela çêtirîn ji bo her pirsgirêkê bi hewcedariyên rêxistin an pispor û xwezaya pirsgirêkê ve girêdayî ye.

Fêrbûna Makîneyê di 2023 de

Wêne bi kar anîn Leonardo A.I.

Di sala 2023-an de, fêrbûna makîneya kevneşopî pêşve diçe û bi fêrbûna kûr û AI-ya hilberîner re pêşbaziyê dike. Di pîşesaziyê de gelek karanîna wê hene, nemaze dema ku bi daneyên danûstendinê re mijûl dibin.

Wek mînak, gelek Berhemên Serfkaran ên Bi Lez Veguhestin (FMCG) pargîdan ji bo karên krîtîk ên wekî pêşniyarên hilbera kesane, xweşbîniya bihayê, rêveberiya depoyê, û xweşbîniya zincîra peydakirinê bi piraniya daneyên tabloyê re mijûl dibin ku xwe dispêrin algorîtmayên ML.

Wekî din, gelek dîtin û modelên ziman hîn jî li ser teknîkên kevneşopî ne, di nêzîkatiyên hybrid û sepanên derketine de çareseriyê pêşkêş dikin. Ji bo nimûne, lêkolînek dawî ya bi navê "Ma em bi rastî ji bo pêşbînkirina rêzikên demkî hewceyê modelên fêrbûna kûr in?” nîqaş kiriye ka darên regresyonê yên ku gradient-boosting (GBRT) ji bo çawa bikêrtir in pêşbînkirina rêzikên demê ji torên neuralî yên kûr.

Şirovekirina ML bi teknîkên mîna pir bi nirx dimîne SHAP (Shapley Additive Explanations) û LIME (Rêvekirinên Model-agnostîk ên Herêmî yên Wervekirî). Van teknîkan modelên tevlihev ên ML-yê rave dikin û di derbarê pêşbîniyên wan de têgihiştinê peyda dikin, bi vî rengî ji pisporên ML re dibe alîkar ku modelên xwe hîn çêtir fam bikin.

Di dawiyê de, fêrbûna makîneyê ya kevneşopî ji bo pîşesaziyên cihêreng ên ku li ser pîvanbûn, tevliheviya daneyê, û astengiyên çavkaniyê çareseriyek bihêz dimîne. Van algorîtmayan ji bo analîzkirina daneyan û modela pêşbînîker neguhêzbar in û dê berdewam bibin beşek ji arsenal zanyarê daneyan.

Ger mijarên bi vî rengî we balkêş bikin, lêkolîn bikin Yekbûna AI ji bo bêtir agahdarî.