সুচিপত্র:
- ডিপ লার্নিং ডেটার উপর অনেক বেশি নির্ভর করে
- ডিপ লার্নিং নমনীয় নয়
- ডিপ লার্নিং স্পষ্ট
- ডিপ লার্নিং ওভারহাইপড পেতে পারে
ভিডিও: A day with Scandale - Harmonie Collection - Spring / Summer 2013 (সেপ্টেম্বর 2024)
২০১২ সালে, টরন্টো বিশ্ববিদ্যালয়ের একদল বিজ্ঞানী একটি চিত্র-শ্রেণিবিন্যাসের অগ্রগতি করেছিলেন।
ইমেজনেটে, একটি বার্ষিক কৃত্রিম বুদ্ধিমত্তা (এআই) প্রতিযোগিতায় প্রতিযোগীরা সর্বাধিক সঠিক চিত্র-শ্রেণিবদ্ধকরণ অ্যালগরিদম তৈরির উদ্দেশ্যে এগিয়ে এসেছিল, টরন্টোর দল আলেকসনেটকে আত্মপ্রকাশ করেছিল, "যা ফিল্ডকে পুরোপুরি ১০.৮ শতাংশ পয়েন্ট ব্যবধানে পরাজিত করেছে… এর চেয়ে ৪১ শতাংশ ভাল পরের সেরা, "কোয়ার্টজ অনুযায়ী।
অনেকে আমাদের যুগের সাধারণ-উদ্দেশ্য প্রযুক্তি এবং বিদ্যুৎ এবং আগুনের চেয়ে গভীরতর হিসাবে গভীর শিক্ষা এবং এর সুপারস্টেট, মেশিন লার্নিংয়ের প্রশংসা করেছেন। অন্যরা, যদিও, সতর্ক করে দেয় যে গভীর জ্ঞান চূড়ান্তভাবে প্রতিটি কাজে মানুষের সেরা করবে এবং চূড়ান্ত কাজের ঘাতক হয়ে উঠবে। এবং গভীর শিক্ষার দ্বারা চালিত অ্যাপ্লিকেশন এবং পরিষেবাদির বিস্ফোরণ একটি এআই এর সর্বনাশের ভয়কে পুনরুত্থিত করেছে, যেখানে অতি-বুদ্ধিমান কম্পিউটারগুলি গ্রহকে জয় করে এবং মানুষকে দাসত্ব বা বিলুপ্তির দিকে চালিত করে।
তবে হাইপ সত্ত্বেও, গভীর শিক্ষার কিছু ত্রুটি রয়েছে যা এটির কিছু প্রতিশ্রুতি উপলব্ধি করা থেকে বিরত করতে পারে - ইতিবাচক এবং নেতিবাচক উভয়ই।
ডিপ লার্নিং ডেটার উপর অনেক বেশি নির্ভর করে
গভীর শিক্ষণ এবং গভীর স্নায়বিক নেটওয়ার্কগুলি যা এর অন্তর্নিহিত কাঠামোকে অন্তর্ভুক্ত করে, প্রায়শই মানুষের মস্তিষ্কের সাথে তুলনা করা হয়। তবে আমাদের মন ধারণাগুলি শিখতে এবং খুব অল্প ডেটা দিয়ে সিদ্ধান্ত নিতে পারে; গভীর শেখার সহজতম টাস্কটি সম্পাদনের জন্য প্রচুর নমুনা প্রয়োজন।
এর মূল অংশে, গভীর শিক্ষণ একটি জটিল কৌশল যা লেবেলযুক্ত ডেটাগুলিতে সাধারণ নিদর্শনগুলি সন্ধান করে এবং অন্যান্য তথ্যের নমুনাগুলিকে শ্রেণিবদ্ধ করার জন্য জ্ঞানকে ব্যবহার করে ফলাফলগুলিকে মানচিত্র করে। উদাহরণস্বরূপ, একটি গভীর-শিক্ষার অ্যাপ্লিকেশনটিকে বিড়ালের পর্যাপ্ত পরিমাণে ছবি দিন এবং এটি কোনও ফটোতে বিড়াল রয়েছে কিনা তা সনাক্ত করতে সক্ষম হবে। তেমনিভাবে, যখন একটি গভীর-শিক্ষার অ্যালগরিদম বিভিন্ন শব্দ এবং বাক্যাংশের পর্যাপ্ত শব্দ নমুনাগুলি খায়, এটি বক্তৃতাটি সনাক্ত এবং প্রতিলিপি করতে পারে।
তবে এই পদ্ধতিরটি তখনই কার্যকর যখন আপনার অ্যালগরিদমগুলিকে খাওয়ানোর জন্য প্রচুর মানের ডেটা থাকে। অন্যথায়, গভীর-লার্নিং অ্যালগরিদমগুলি বন্য ভুল করতে পারে (হেলিকপ্টারটির জন্য রাইফেলটি ভুল করে দেওয়ার মতো)। যখন তাদের ডেটা অন্তর্ভুক্তিমূলক এবং বৈচিত্র্যময় নয়, গভীর-শিক্ষার অ্যালগরিদম এমনকি বর্ণবাদী এবং যৌনতাবাদী আচরণ প্রদর্শন করেছে।
ডেটার উপর নির্ভরতা কেন্দ্রীকরণ সমস্যাও তৈরি করে। যেহেতু তাদের প্রচুর পরিমাণে ডেটা অ্যাক্সেস রয়েছে, গুগল এবং অ্যামাজনের মতো সংস্থাগুলি কম সংস্থান সহ স্টার্টআপগুলির চেয়ে উচ্চ দক্ষ ডিপ-লার্নিং অ্যাপ্লিকেশনগুলি উন্নত করতে আরও ভাল অবস্থানে রয়েছে। কয়েকটি সংস্থায় এআইয়ের কেন্দ্রিয়করণ নতুনত্বকে বাধাগ্রস্থ করতে পারে এবং সেই সংস্থাগুলিকে তাদের ব্যবহারকারীদের উপর খুব বেশি প্রভাব ফেলতে পারে।
ডিপ লার্নিং নমনীয় নয়
মানুষ বিমূর্ত ধারণা শিখতে এবং বিভিন্ন পরিস্থিতিতে প্রয়োগ করতে পারে। আমরা সব সময় এটি করি। উদাহরণস্বরূপ, আপনি যখন প্রথমবারের মতো মারিও ব্রোসের মতো একটি কম্পিউটার গেম খেলছেন, আপনি তাত্ক্ষণিকভাবে বাস্তব-বিশ্ব জ্ঞান ব্যবহার করতে পারেন - যেমন পিট বাড়াতে বা জ্বলন্ত বলগুলিতে ঝাঁকুনির প্রয়োজন। পরবর্তীকালে আপনি মারিওর অন্যান্য সংস্করণগুলিতে সুপার মারিও ওডিসির মতো, বা গাধা কং কান্ট্রি এবং ক্র্যাশ ব্যান্ডিকুট এর মতো অনুরূপ মেকানিক্স সহ অন্যান্য গেমগুলিতে আপনার জ্ঞানের প্রয়োগটি প্রয়োগ করতে পারেন।
এআই অ্যাপ্লিকেশনগুলিকে অবশ্যই স্ক্র্যাচ থেকে সবকিছু শিখতে হবে। গভীর-লার্নিং অ্যালগরিদম কীভাবে মারিও খেলতে শিখেছে তার এক নজরে দেখায় যে এআইয়ের শেখার প্রক্রিয়াটি মানুষের থেকে কতটা আলাদা। এটি মূলত এর পরিবেশ সম্পর্কে কিছুই না জানার শুরু করে এবং ধীরে ধীরে বিভিন্ন উপাদানগুলির সাথে যোগাযোগ করতে শেখে learn তবে মারিও খেলে প্রাপ্ত জ্ঞানটি সেই একক গেমের কেবল সংকীর্ণ ডোমেনকেই পরিবেশন করে এবং অন্যান্য গেমস, এমনকি অন্যান্য মারিও গেমগুলিতে স্থানান্তরযোগ্য নয় rable
ধারণাগত এবং বিমূর্ত বোঝার এই অভাব গভীর-শিক্ষার অ্যাপ্লিকেশনগুলিকে সীমিত কাজগুলিতে নিবদ্ধ করে এবং সাধারণ কৃত্রিম বুদ্ধিমত্তার বিকাশকে বাধা দেয়, এআই জাতীয় ধরণের যা মানুষের মতো বৌদ্ধিক সিদ্ধান্ত নিতে পারে। এটি অগত্যা কোনও দুর্বলতা নয়; কিছু বিশেষজ্ঞ যুক্তি দেখান যে সাধারণ এআই তৈরি করা অর্থহীন লক্ষ্য। মানব মস্তিষ্কের সাথে তুলনা করা গেলে এটি অবশ্যই একটি সীমাবদ্ধতা।
ডিপ লার্নিং স্পষ্ট
প্রথাগত সফ্টওয়্যার থেকে পৃথক, যার জন্য প্রোগ্রামাররা নিয়মগুলি সংজ্ঞায়িত করে, গভীর-শিক্ষণ অ্যাপ্লিকেশনগুলি পরীক্ষার ডেটা প্রক্রিয়াকরণ এবং বিশ্লেষণ করে তাদের নিজস্ব নিয়ম তৈরি করে। ফলস্বরূপ, কেউ কীভাবে সত্যে জানে না তারা কীভাবে সিদ্ধান্তে ও সিদ্ধান্তে পৌঁছেছে। এমনকি গভীর-শিক্ষার অ্যালগরিদমগুলির বিকাশকারীরা প্রায়শই তাদের সৃষ্টির ফলাফল দেখে নিজেকে বিভ্রান্ত করে দেখেন।
স্বচ্ছতার এই অভাবটি এআই এবং গভীর শিক্ষার জন্য একটি বড় বাধা হতে পারে, কারণ প্রযুক্তিটি রোগীর চিকিত্সা, আইন প্রয়োগকারী এবং স্ব-ড্রাইভিং গাড়িগুলির মতো সংবেদনশীল ডোমেনগুলিতে এটির জায়গা খুঁজে পাওয়ার চেষ্টা করে। গভীর-শেখার অ্যালগরিদমগুলি মানুষের তুলনায় ত্রুটিগুলি তৈরি করার প্রবণতা কম হতে পারে, তবে তারা যখন ভুল করে, তখন এই ভুলগুলির পিছনে কারণগুলি ব্যাখ্যাযোগ্য হওয়া উচিত। আমাদের এআই অ্যাপ্লিকেশনগুলি কীভাবে কাজ করে তা যদি আমরা বুঝতে না পারি, তবে আমরা তাদের সমালোচনামূলক কাজগুলির সাথে বিশ্বাস করতে সক্ষম হব না।
ডিপ লার্নিং ওভারহাইপড পেতে পারে
গভীর শেখা ইতিমধ্যে অনেকগুলি ক্ষেত্রে এর সার্থকতা প্রমাণ করেছে এবং আমরা যেভাবে জিনিসগুলি করি তা রূপান্তর করতে থাকবে। এর ত্রুটি এবং সীমাবদ্ধতা সত্ত্বেও, গভীর শিক্ষা আমাদের ব্যর্থ করে না। তবে আমাদের প্রত্যাশা সামঞ্জস্য করতে হবে।
যেমন এআই পণ্ডিত গ্যারি মার্কাস সতর্ক করেছেন, প্রযুক্তিকে অতিবাহিত করার ফলে আরও একটি "এআই শীতকালীন" হতে পারে - যখন অত্যধিক উচ্চ প্রত্যাশা এবং স্বল্প দক্ষতার কারণে সাধারণ হতাশা এবং আগ্রহের অভাব দেখা দেয়।
মার্কাস পরামর্শ দেয় যে গভীর শিক্ষণ "একটি সর্বজনীন দ্রাবক নয় বরং অনেকের মধ্যে একটি হাতিয়ার", যার অর্থ আমরা গভীর শিক্ষার যে সম্ভাবনাগুলি সন্ধান করে তা অব্যাহত রাখার সময়, এআই অ্যাপ্লিকেশন তৈরির জন্য আমাদের অন্যান্য, মৌলিকভাবে ভিন্ন পদ্ধতির দিকেও নজর দেওয়া উচিত।
এমনকি অধ্যাপক জেফ্রি হিন্টন, যিনি গভীর-শিক্ষার বিপ্লব ঘটাতে সাহায্য করেছিলেন এমন কাজকে অগ্রণী করেছিলেন, তিনি বিশ্বাস করেন যে সম্পূর্ণ নতুন পদ্ধতি সম্ভবত উদ্ভাবন করতে হবে। "ভবিষ্যতটি এমন কিছু স্নাতক শিক্ষার্থীর উপর নির্ভর করে যিনি আমার যা বলেছিলেন তা সম্পর্কে গভীর সন্দেহ রয়েছে, " তিনি এক্সিয়োসকে বলেছিলেন।
