মেশিন লার্নিং কী?

২০১ December সালের ডিসেম্বরে গুগলের অধিগ্রহণ করা গবেষণাগার ডিপমাইন্ড আলফাজ্জোর একটি কৃত্রিম বুদ্ধিমত্তার প্রোগ্রাম প্রবর্তন করেছিল যা বেশ কয়েকটি বোর্ড গেমসে বিশ্ব চ্যাম্পিয়নদের পরাজিত করতে পারে।

মজার বিষয় হল, আলফায়েজো কীভাবে গেমগুলি খেলতে পারে (তাই নাম) তার সম্পর্কে মানুষের কাছ থেকে শূন্য নির্দেশনা পেয়েছিল। পরিবর্তে, এটি মেশিন লার্নিং, এআইয়ের একটি শাখা ব্যবহার করেছে যা সুস্পষ্ট আদেশের পরিবর্তে অভিজ্ঞতার মাধ্যমে তার আচরণকে বিকাশ করে।

24 ঘন্টার মধ্যে, আলফাজেরো দাবাতে অতিমানবীয় পারফরম্যান্স অর্জন করেছিল এবং পূর্ববর্তী বিশ্ব চ্যাম্পিয়ন দাবা প্রোগ্রামকে পরাস্ত করেছিল। এর অল্প সময়ের পরে, আলফাজিরোর মেশিন-লার্নিং অ্যালগরিদম শোগি (জাপানি দাবা) এবং চীনা বোর্ড গেম গোতে আয়ত্ত করে এবং এটি তার পূর্বসূরি আলফাগোকে 100 থেকে শূন্যে পরাজিত করে।

মেশিন লার্নিং সাম্প্রতিক বছরগুলিতে জনপ্রিয় হয়েছে এবং কম্পিউটারকে মানব বুদ্ধির একচেটিয়া ডোমেন বলে মনে করা সমস্যাগুলি সমাধানে সহায়তা করে is এবং এটি কৃত্রিম বুদ্ধিমত্তার মূল দৃষ্টি থেকে এখনও অনেক দূরে থাকা সত্ত্বেও, মেশিন লার্নিং আমাদের চিন্তার মেশিন তৈরির চূড়ান্ত লক্ষ্যের আরও কাছে পেয়েছে।

কৃত্রিম বুদ্ধি এবং মেশিন লার্নিংয়ের মধ্যে পার্থক্য কী?

কৃত্রিম বুদ্ধিমত্তার বিকাশের ditionতিহ্যগত পদ্ধতির মধ্যে এআই এজেন্টের আচরণকে সংজ্ঞায়িত করে এমন সমস্ত বিধি এবং জ্ঞান সতর্কতার সাথে কোডিং জড়িত। নিয়ম-ভিত্তিক এআই তৈরি করার সময়, বিকাশকারীদের অবশ্যই এমন নির্দেশাবলী লিখতে হবে যা প্রতিটি সম্ভাব্য পরিস্থিতির প্রতিক্রিয়াতে এআইকে কীভাবে আচরণ করা উচিত তা নির্দিষ্ট করে। এই নিয়ম-ভিত্তিক পদ্ধতির, ভাল পুরাতন ফ্যাশন এআই (জিওএফএআই) বা প্রতীকী এআই হিসাবে পরিচিত, মানুষের মনের যুক্তি এবং জ্ঞানের প্রতিনিধিত্বমূলক ক্রিয়াকে নকল করার চেষ্টা করে।

প্রতীকী এআই এর নিখুঁত উদাহরণ হ'ল স্টকফিশ, শীর্ষস্থানীয়, ওপেন সোর্স দাবা ইঞ্জিনটি তৈরির 10 বছরেরও বেশি সময় ধরে। শত শত প্রোগ্রামার এবং দাবা খেলোয়াড় স্টকফিশে অবদান রেখেছেন এবং এর নিয়মগুলি কোড করে তার যুক্তি বিকাশে সহায়তা করেছেন - উদাহরণস্বরূপ, প্রতিপক্ষ যখন বি 1 থেকে সি 3 এ চলে যায় তখন এআইয়ের কী করা উচিত।

নিয়ম-ভিত্তিক এআই প্রায়শই এমন পরিস্থিতিতে পড়ে যখন নিয়মগুলি খুব জটিল এবং অন্তর্ভুক্ত থাকে। উদাহরণস্বরূপ, চিত্রগুলিতে বক্তৃতা এবং অবজেক্টগুলি সনাক্ত করা হ'ল উন্নত ক্রিয়া যা যৌক্তিক নিয়মে প্রকাশ করা যায় না।

প্রতীকী এআইয়ের বিপরীতে, মেশিন-লার্নিং এআই মডেলগুলি বিধিগুলি লেখার দ্বারা নয়, উদাহরণ সংগ্রহের মাধ্যমে বিকশিত হয়। উদাহরণস্বরূপ, একটি মেশিন লার্নিং-ভিত্তিক দাবা ইঞ্জিন তৈরি করতে, একজন বিকাশকারী একটি বেস অ্যালগরিদম তৈরি করে এবং তারপরে হাজার হাজার খেলানো দাবা গেমগুলির ডেটা সহ "প্রশিক্ষণ" দেয়। তথ্য বিশ্লেষণ করে, এআই সাধারণ প্যাটার্নগুলি আবিষ্কার করে যা বিজয়ী কৌশলগুলি সংজ্ঞায়িত করে, যা এটি বাস্তব বিরোধীদের পরাস্ত করতে ব্যবহার করতে পারে।

এআই আরও বেশি গেম পর্যালোচনা করে, খেলার সময় বিজয়ী পদক্ষেপের পূর্বাভাস দেওয়া আরও ভাল হয়। এই কারণেই মেশিন লার্নিংকে এমন একটি প্রোগ্রাম হিসাবে সংজ্ঞায়িত করা হয় যার অভিজ্ঞতা দক্ষতার সাথে উন্নতি করে।

চিত্রের শ্রেণিবদ্ধকরণ, ভয়েস স্বীকৃতি, সামগ্রী প্রস্তাবনা, জালিয়াতি সনাক্তকরণ এবং প্রাকৃতিক ভাষা প্রক্রিয়াজাতকরণ সহ অনেকগুলি বাস্তব-জগত কাজের জন্য মেশিন লার্নিং প্রযোজ্য।

তদারকি ও নিরীক্ষণযোগ্য শিক্ষা

তারা যে সমস্যার সমাধান করতে চান তার উপর নির্ভর করে বিকাশকারীরা তাদের মেশিন-লার্নিং মডেল তৈরি করতে প্রাসঙ্গিক ডেটা প্রস্তুত করেন। উদাহরণস্বরূপ, যদি তারা জালিয়াতি ব্যাংকের লেনদেন সনাক্ত করতে মেশিন লার্নিং ব্যবহার করতে চায়, তবে বিকাশকারীরা বিদ্যমান লেনদেনের একটি তালিকা তৈরি করে তাদের ফলাফল (জালিয়াতি বা বৈধ) সহ লেবেল করবে। যখন তারা অ্যালগরিদমে ডেটা ফিড করে, তা প্রতারণামূলক এবং বৈধ লেনদেনকে আলাদা করে এবং দুটি শ্রেণীর প্রত্যেকটির মধ্যে সাধারণ বৈশিষ্ট্যগুলি খুঁজে পায়। বর্ণিত ডেটা সহ প্রশিক্ষণ মডেলগুলির প্রক্রিয়াটিকে "তদারকি শিক্ষণ" বলা হয় এবং এটি বর্তমানে মেশিন লার্নিংয়ের প্রভাবশালী রূপ।

বিভিন্ন কাজের জন্য লেবেলযুক্ত ডেটার অনেক অনলাইন ভান্ডার ইতিমধ্যে বিদ্যমান। কয়েকটি জনপ্রিয় উদাহরণ হ'ল ইমেজনেট, 14 মিলিয়নেরও বেশি লেবেলযুক্ত চিত্রের একটি ওপেন-সোর্স ডেটাসেট এবং এমএনআইএসটি, 60, 000 লেবেলযুক্ত হস্তাক্ষর অঙ্কের একটি ডেটাসেট। মেশিন-লার্নিং ডেভেলপাররা অ্যামাজনের মেকানিকাল তুর্কের মতো প্ল্যাটফর্মগুলিও ব্যবহার করে যেমন অনলাইনে, লেবেলিং চিত্র এবং অডিও নমুনার মতো জ্ঞানীয় কাজ সম্পাদনের জন্য অন-ডিমান্ড হায়ারিং হাব। এবং স্টার্টআপসের ক্রমবর্ধমান খাত ডেটা টীকাতে বিশেষজ্ঞ।

তবে সমস্ত সমস্যার জন্য লেবেলযুক্ত ডেটা প্রয়োজন হয় না। কিছু মেশিন-লার্নিং সমস্যাগুলি "আনসারভিজড লার্নিং" এর মাধ্যমে সমাধান করা যেতে পারে যেখানে আপনি এআই মডেলটি কাঁচা ডেটা সরবরাহ করেন এবং এটি নিজেই নির্ধারণ করতে দিন কোন প্যাটার্নগুলি প্রাসঙ্গিক।

আনসারভিজড লার্নিংয়ের একটি সাধারণ ব্যবহার হ'ল বিযুক্তি সনাক্তকরণ। উদাহরণস্বরূপ, একটি মেশিন-লার্নিং অ্যালগরিদম কোনও ইন্টারনেট-সংযুক্ত ডিভাইসের কাঁচা নেটওয়ার্ক-ট্র্যাফিক ডেটাতে প্রশিক্ষণ দিতে পারে - বলুন, একটি স্মার্ট ফ্রিজ। প্রশিক্ষণের পরে, এআই ডিভাইসের জন্য একটি বেসলাইন স্থাপন করে এবং বহিরাগত আচরণকে পতাকাঙ্কিত করতে পারে। যদি ডিভাইসটি ম্যালওয়্যার দ্বারা সংক্রামিত হয় এবং দূষিত সার্ভারগুলির সাথে যোগাযোগ শুরু করে, মেশিন-লার্নিং মডেল এটি সনাক্ত করতে সক্ষম হবে, কারণ প্রশিক্ষণ চলাকালীন ট্রাফিকের সময় পর্যবেক্ষণ করা স্বাভাবিক আচরণের চেয়ে নেটওয়ার্ক ট্র্যাফিকটি আলাদা।

শক্তিবৃদ্ধি শেখা

এতক্ষণে, আপনি সম্ভবত জানেন যে গুণগত প্রশিক্ষণের ডেটা মেশিন লার্নিং মডেলগুলির দক্ষতায় একটি বিশাল ভূমিকা পালন করে। তবে রিইনফোর্সমেন্ট লার্নিং হ'ল একটি বিশেষ ধরণের মেশিন লার্নিং যেখানে কোনও এআই পূর্ববর্তী ডেটা ব্যবহার না করে তার আচরণ বিকাশ করে।

শক্তিবৃদ্ধি-শেখার মডেলগুলি একটি পরিষ্কার স্লেট দিয়ে শুরু হয়। তাদের কেবল তাদের পরিবেশের বুনিয়াদি বিধি এবং হাতের কাজ সম্পর্কে নির্দেশ দেওয়া হয়। পরীক্ষার এবং ত্রুটির মাধ্যমে তারা তাদের লক্ষ্যের জন্য তাদের ক্রিয়াগুলি অনুকূল করতে শেখে।

ডিপমাইন্ডের আলফাজিরো পুনর্বহাল শেখার একটি আকর্ষণীয় উদাহরণ। অন্যান্য মেশিন-লার্নিং মডেলের বিপরীতে, যা দেখতে পাবে যে মানুষ কীভাবে দাবা খেলবে এবং সেগুলি থেকে শিখবে, আলফাজেরো কেবল টুকরোটির চাল এবং গেমের জয়ের শর্তগুলি জানতে পেরেছিল। এর পরে, এটি নিজের বিরুদ্ধে লক্ষ লক্ষ ম্যাচ খেলে, এলোমেলো ক্রিয়া দিয়ে শুরু করে এবং ধীরে ধীরে আচরণগত নিদর্শনগুলি বিকাশ করে।

শক্তিবৃদ্ধি শেখার একটি উষ্ণ ক্ষেত্র। এটি এআই মডেলগুলি বিকাশের জন্য ব্যবহৃত মূল প্রযুক্তি যা ডোটা ২ এবং স্টারক্রাফ্ট ২ এর মতো জটিল গেমগুলিতে দক্ষতা অর্জন করতে পারে এবং এটি ডাটা সেন্টার রিসোর্সগুলি পরিচালনা এবং রোবোটিক হ্যান্ড তৈরির মতো বাস্তব সমস্যার সমাধান করতে ব্যবহৃত হয় যা মানুষের মতো দক্ষতার সাহায্যে অবজেক্টগুলি পরিচালনা করতে পারে ।

গভীর জ্ঞানার্জন

ডিপ লার্নিং মেশিন লার্নিংয়ের আরেকটি জনপ্রিয় উপসেট। এটি কৃত্রিম নিউরাল নেটওয়ার্কগুলি, সফটওয়্যার নির্মাণগুলি ব্যবহার করে যা প্রায়শই মানুষের মস্তিষ্কের জৈবিক কাঠামো দ্বারা অনুপ্রাণিত হয়।

নিউরাল নেটওয়ার্কগুলি চিত্রাঙ্কন, ভিডিও, অডিও এবং নিবন্ধ এবং গবেষণামূলক কাগজগুলির মতো টেক্সটের দীর্ঘ অংশগুলি যেমন অনঠনযুক্ত ডেটা প্রক্রিয়াকরণে দক্ষ হয়। গভীর শিক্ষার আগে, মেশিন-লার্নিং বিশেষজ্ঞদের ইমেজ এবং ভিডিওগুলি থেকে বৈশিষ্ট্যগুলি বের করার জন্য প্রচুর প্রচেষ্টা করতে হয়েছিল এবং তার উপরে তাদের অ্যালগোরিদম চালাতে হবে। নিউরাল নেটওয়ার্কগুলি মানব ইঞ্জিনিয়ারদের থেকে খুব বেশি পরিশ্রমের প্রয়োজন ছাড়াই স্বয়ংক্রিয়ভাবে সেই বৈশিষ্ট্যগুলি সনাক্ত করে।

ডিপ লার্নিং অনেকগুলি আধুনিক এআই প্রযুক্তির পিছনে রয়েছে যেমন চালকবিহীন গাড়ি, উন্নত অনুবাদ সিস্টেম এবং আপনার আইফোন এক্স এর মুখের স্বীকৃতি প্রযুক্তি behind

মেশিন লার্নিংয়ের সীমাবদ্ধতা

মানুষ প্রায়শই মানব-স্তরের কৃত্রিম বুদ্ধিমত্তার সাথে মেশিন লার্নিংগুলিকে বিভ্রান্ত করে এবং কিছু সংস্থার বিপণন বিভাগগুলি ইচ্ছাকৃতভাবে শর্তগুলি বিনিময়যোগ্যভাবে ব্যবহার করে। জটিল সমস্যা সমাধানের জন্য মেশিন লার্নিং যখন বড় পদক্ষেপ নিয়েছে, তবুও এআইয়ের অগ্রগামীদের দ্বারা কল্পনা করা মেশিন মেশিন তৈরি করা এখনও অনেক দূরে is

অভিজ্ঞতা থেকে শেখার পাশাপাশি, সত্য বুদ্ধিমত্তার জন্য যুক্তি, জ্ঞান এবং বিমূর্ত চিন্তাভাবনা প্রয়োজন - যে অঞ্চলে মেশিন লার্নিং মডেলগুলি খুব খারাপভাবে সঞ্চালন করে।

উদাহরণস্বরূপ, পাঁচ বছর আগে স্তন ক্যান্সারের পূর্বাভাস দেওয়ার মতো জটিল প্যাটার্ন-স্বীকৃতি কার্যক্রমে মেশিন লার্নিং ভাল, তবে এটি হাই-স্কুল গণিতের সমস্যাগুলি সমাধান করার মতো সহজ যুক্তি এবং যুক্তিযুক্ত কাজের সাথে লড়াই করে।

মেশিন লার্নিংয়ের যুক্তিযুক্ত শক্তির অভাব তার জ্ঞানকে সাধারণীকরণে খারাপ করে। উদাহরণস্বরূপ, এমন একটি মেশিন-লার্নিং এজেন্ট যা সুপার মারিও 3 খেলতে পারে একটি প্রো এর মতো অন্য প্ল্যাটফর্ম গেম যেমন মেগা ম্যান বা সুপার মারিওর অন্য সংস্করণে প্রভাব ফেলবে না। এটিকে স্ক্র্যাচ থেকে প্রশিক্ষণ দেওয়া দরকার।

অভিজ্ঞতা থেকে ধারণাগত জ্ঞান আহরণের শক্তি ব্যতীত, মেশিন-লার্নিং মডেলগুলি সম্পাদন করতে প্রচুর প্রশিক্ষণের ডেটা প্রয়োজন। দুর্ভাগ্যক্রমে, অনেকগুলি ডোমেনের পর্যাপ্ত প্রশিক্ষণের ডেটার অভাব থাকে বা আরও অর্জনের জন্য তহবিল থাকে না। গভীর শিক্ষা, যা এখন মেশিন লার্নিংয়ের প্রচলিত রূপ, এটি একটি ব্যাখ্যাযোগ্য সমস্যায় ভুগছে: নিউরাল নেটওয়ার্কগুলি জটিল উপায়ে কাজ করে এবং এমনকি তাদের নির্মাতারা তাদের সিদ্ধান্ত গ্রহণের প্রক্রিয়া অনুসরণ করতে সংগ্রাম করে। এটি এআইয়ের সিদ্ধান্তগুলি ব্যাখ্যা করার জন্য আইনী প্রয়োজনীয়তা রয়েছে এমন সেটিংসে স্নায়বিক নেটওয়ার্কগুলির শক্তি ব্যবহার করা কঠিন করে তোলে।

ভাগ্যক্রমে, মেশিন লার্নিংয়ের সীমা অতিক্রম করার চেষ্টা চলছে। এর উল্লেখযোগ্য উদাহরণ হ'ল ডিআরপিএ, প্রতিরক্ষা অধিদফতরের গবেষণা বাহু কর্তৃক ব্যাখ্যামূলক এআই মডেল তৈরির একটি ব্যাপক উদ্যোগ।

• কৃত্রিম বুদ্ধি (এআই) কী? কৃত্রিম বুদ্ধি (এআই) কী?
• সর্বাধিক এআই ডলার মেশিন লার্নিংয়ে যান বেশিরভাগ এআই ডলার মেশিন লার্নিংয়ে যান
• আপনি কীভাবে এআই ব্যবহৃত দেখতে চান? আপনি কীভাবে এআই ব্যবহৃত দেখতে চান?

অন্যান্য প্রকল্পগুলি লক্ষ্য করে যে ডেটা মেশিন লার্নিং-এর উপর নির্ভরশীলতা হ্রাস করা যায় এবং টেকনোলজি সীমিত প্রশিক্ষণের মাধ্যমে ডোমেনগুলিতে অ্যাক্সেসযোগ্য করে তোলা যায়। আইবিএম এবং এমআইটির গবেষকরা স্নায়বিক নেটওয়ার্কগুলির সাথে প্রতীকী এআইয়ের সংমিশ্রণ করে সম্প্রতি মাঠে প্রবেশ করেছেন। হাইব্রিড এআই মডেলগুলির প্রশিক্ষণের জন্য কম ডেটার প্রয়োজন হয় এবং তাদের সিদ্ধান্তের ধাপে ধাপে ব্যাখ্যা সরবরাহ করতে পারে।

মেশিন লার্নিংয়ের বিবর্তনটি শেষ পর্যন্ত আমাদেরকে মানব-স্তরের এআই তৈরির চির-অধরা লক্ষ্যতে পৌঁছাতে সহায়তা করবে কিনা তা এখনও দেখা যায়। তবে আমরা যা নিশ্চিতভাবে জানি তা হ'ল মেশিন লার্নিংয়ের অগ্রগতির জন্য, আমাদের ডেস্কে বসে থাকা এবং আমাদের পকেটে বিশ্রাম নেওয়া ডিভাইসগুলি প্রতিদিন স্মার্ট হয়ে উঠছে।