Товч хариулт: Хиймэл оюун ухааны алгоритм гэдэг нь компьютер өгөгдлөөс хэв маягийг сурч, дараа нь сургагдсан загварыг ашиглан таамаглал эсвэл шийдвэр гаргахад ашигладаг арга юм. Энэ нь тогтмол "хэрэв-тэгвэл" логик биш: жишээ болон санал хүсэлттэй тулгарах үедээ дасан зохицдог. Өгөгдөл өөрчлөгдөх эсвэл алдаатай байх үед энэ нь итгэлтэй алдаа гаргаж болно.
Гол дүгнэлтүүд:
Тодорхойлолтууд: Суралцах жор (алгоритм)-ыг сургагдсан таамаглагч (загвар)-аас тусгаарла.
Амьдралын мөчлөг: Сургалт болон дүгнэлтийг тусад нь авч үзэх; ашиглалтад орсны дараа алдаа гарах нь элбэг байдаг.
Хариуцлага: Алдааг хэн хянаж, систем алдаа гаргавал юу болохыг шийд.
Буруу ашиглалтаас хамгаалах: Үр дүнг хөөрөгдөж болзошгүй алдагдал, автоматжуулалтын алдаа болон метрик тоглоомоос болгоомжил.
Аудит хийх чадвар: Шийдвэрүүд дараа нь маргаантай хэвээр байхын тулд өгөгдлийн эх сурвалж, тохиргоо болон үнэлгээг хянах.
Үүний дараа таны унших дуртай нийтлэлүүд:
🔗 AI ёс зүй гэж юу вэ
Хариуцлагатай хиймэл оюун ухааны зарчим: шударга ёс, ил тод байдал, хариуцлага, аюулгүй байдал.
🔗 Хиймэл оюун ухааны хэвийлт гэж юу вэ
Хэт талыг баримталсан өгөгдөл нь хиймэл оюун ухааны үр дүнг хэрхэн гажуудуулж, хэрхэн засах вэ.
🔗 AI өргөтгөх чадвар гэж юу вэ
Хиймэл оюун ухааны системийг өргөжүүлэх аргууд: өгөгдөл, тооцоолол, байршуулалт болон үйлдлүүд.
🔗 Тайлбарлаж болох хиймэл оюун ухаан гэж юу вэ
Яагаад тайлбарлах боломжтой загварууд итгэлцэл, алдааг олж засварлах, нийцлийн хувьд чухал вэ?.
Хиймэл оюун ухааны алгоритм гэж үнэндээ юу вэ? 🧠
Хиймэл оюун ухааны алгоритм гэдэг нь компьютер дараах зорилгоор ашигладаг процедур юм.
-
Өгөгдлөөс (эсвэл санал хүсэлтээс)
-
Хэв маягийг таних
-
Таамаглал эсвэл шийдвэр гаргах
-
Туршлагаар гүйцэтгэлийг сайжруулах [1]
Сонгодог алгоритмууд нь: "Эдгээр тоонуудыг өсөх дарааллаар эрэмбэл." Алхам алхмуудыг тодорхой хийснээр үр дүн нь үргэлж ижил байна.
Хиймэл оюун ухаантай алгоритмууд нь "Энд сая жишээ байна. 'Муур' гэж юу болохыг олж мэдээрэй." Дараа нь ихэвчлэн ажилладаг дотоод хэв маягийг бий болгодог. Ихэвчлэн. Заримдаа сэвсгэр дэр хараад бүрэн итгэлтэйгээр "МУУР!" гэж хашгирдаг. 🐈⬛
Хиймэл оюун ухааны алгоритм ба хиймэл оюун ухааны загвар: хүмүүсийн анзааралгүй өнгөрөөдөг ялгаа 😬
Энэ нь олон төөрөгдлийг хурдан арилгадаг :
-
Хиймэл оюун ухааны алгоритм = суралцах арга / сургалтын арга
("Бид өгөгдлөөс өөрсдийгөө ингэж шинэчилдэг.") -
Хиймэл оюун ухааны загвар = таны шинэ оролт дээр ажиллуулсан сургагдсан эд өлгийн зүйл
("Энэ бол одоо таамаглал дэвшүүлж байгаа зүйл.") [1]
Тэгэхээр алгоритм нь хоол хийх үйл явцтай төстэй бөгөөд загвар нь бэлэн болсон хоол 🍝 юм. Магадгүй бага зэрэг хэлбэлзэлтэй зүйрлэл байж болох ч үнэн юм.
Түүнчлэн, ижил алгоритм нь дараах хүчин зүйлээс хамааран тэс өөр загваруудыг гаргаж чаддаг
-
таны түүнд өгдөг өгөгдөл
-
таны сонгосон тохиргоонууд
-
хэр удаан бэлтгэл хийдэг вэ
-
таны өгөгдлийн багц хэр эмх цэгцгүй байгаа вэ (нэмэлт: энэ нь бараг үргэлж эмх цэгцгүй байдаг)
Хиймэл оюун ухааны алгоритм яагаад чухал вэ (та "техникийн" биш байсан ч гэсэн) 📌
Та кодын мөр бичээгүй байсан ч хиймэл оюун ухааны алгоритмууд танд нөлөөлсөөр байх болно. Маш их.
Бодоод үз дээ: спам шүүлтүүр, залилангийн шалгалт, зөвлөмж, орчуулга, эмнэлгийн дүрс оношилгооны дэмжлэг, маршрутын оновчлол, эрсдэлийн үнэлгээ. (Хиймэл оюун ухаан "амьд" учраас биш, харин хэв маягийг өргөн хүрээнд таних нь сая сая чухал газарт үнэ цэнэтэй учраас.)
Хэрэв та бизнес эрхэлж, баг удирдаж эсвэл мэргэжлийн хэллэгт автахгүй байхыг хичээж байгаа бол хиймэл оюун ухааны алгоритм гэж юу болохыг ойлгох нь танд илүү сайн асуулт асуухад тусална.
-
Систем ямар өгөгдлөөс суралцсаныг тодорхойл.
-
Хэвийлтийг хэрхэн хэмжиж, бууруулж байгааг шалгана уу.
-
Систем буруу ажиллах үед юу болохыг тодорхойл.
Учир нь заримдаа буруу байх болно. Энэ бол гутранги үзэл биш. Энэ бол бодит байдал.
Хиймэл оюун ухааны алгоритм хэрхэн "суралцдаг" (сургалт ба дүгнэлт) 🎓➡️🔮
Ихэнх машин сургалтын системүүд нь хоёр үндсэн үе шаттай байдаг:
1) Сургалт (суралцах цаг)
Сургалтын үеэр алгоритм нь:
-
жишээ (өгөгдөл)-ийг хардаг
-
таамаглал дэвшүүлдэг
-
хэр буруу болохыг хэмждэг
-
алдааг багасгахын тулд дотоод параметрүүдийг тохируулдаг [1]
2) Дүгнэлт (цаг хугацааг ашиглан)
Сургагдсан загварыг шинэ оролт дээр ашиглах үед дүгнэлт гэдэг нь:
-
Шинэ имэйлийг спам гэж ангилах эсвэл үгүй
-
ирэх долоо хоногийн эрэлтийг урьдчилан таамаглах
-
зургийг шошголох
-
хариу үйлдэл үүсгэх [1]
Сургалт бол "суралцах" юм. Дүгнэлт бол "шалгалт" юм. Гэхдээ шалгалт хэзээ ч дуусдаггүй бөгөөд хүмүүс урсгалын дундуур дүрмийг өөрчлөөд л байдаг. 😵
Хиймэл оюун ухааны алгоритмын хэв маягийн том гэр бүлүүд (энгийн Англи хэлний зөн совинтой) 🧠🔧
Хяналттай сургалт 🎯
Та дараах шошготой жишээнүүдийг өгдөг:
-
“Энэ бол спам” / “Энэ бол спам биш”
-
“Энэ үйлчлүүлэгч гацчихсан” / “Энэ үйлчлүүлэгч үлдсэн”
Алгоритм нь оролт → гаралтаас зураглалыг сурдаг. Маш түгээмэл. [1]
Хяналтгүй суралцах 🧊
Шошго байхгүй. Систем нь бүтцийг хайдаг:
-
ижил төстэй хэрэглэгчдийн кластерууд
-
ер бусын хэв маяг
-
баримт бичгийн сэдвүүд [1]
Баяжуулах сургалт 🕹️
Систем нь туршилт, алдаагаар суралцаж, шагналаар удирддаг. (Шагнал нь тодорхой үед гайхалтай, тодорхойгүй үед үймээн самуунтай байдаг.) [1]
Гүнзгий сургалт (мэдрэлийн сүлжээ) 🧠⚡
Энэ нь ганц алгоритмаас илүү техникийн гэр бүл юм. Энэ нь давхаргат дүрслэлийг ашигладаг бөгөөд маш нарийн төвөгтэй хэв маягийг, ялангуяа хараа, яриа, хэлийг сурч чаддаг. [1]
Харьцуулсан хүснэгт: алдартай хиймэл оюун ухааны алгоритмын гэр бүлүүдийг товчхон харуулав 🧩
"Хамгийн сайн жагсаалт" биш - газрын зураг шиг болохоор бүх зүйл нэг том хиймэл оюун ухаан шиг санагдахаа болино.
| Алгоритмын гэр бүл | Үзэгчид | Бодит амьдрал дээрх "өртөг" | Яагаад ажилладаг вэ |
|---|---|---|---|
| Шугаман регресс | Анхан шатны судлаачид, шинжээчид | Бага | Энгийн, тайлбарлах боломжтой суурь |
| Логистик регресс | Анхан шатныхан, бүтээгдэхүүний багууд | Бага | Дохио цэвэр үед ангилахад хатуу байна |
| Шийдвэрийн мод | Анхан шатны → дунд шатны | Бага | Тайлбарлахад хялбар, хэт их тохируулж болно |
| Санамсаргүй ой | Дунд зэргийн | Дунд зэрэг | Ганц модноос илүү тогтвортой |
| Градиентыг нэмэгдүүлэх (XGBoost маягийн) | Дунд зэрэг → ахисан түвшний | Дунд-өндөр | Хүснэгтийн өгөгдөл дээр ихэвчлэн маш сайн; тохируулга нь туулайн нүх шиг байж болно 🕳️ |
| Вектор машинуудыг дэмжих | Дунд зэргийн | Дунд зэрэг | Дунд зэргийн хэмжээтэй зарим асуудалд хүчтэй; масштабын талаар нарийн няхуур ханддаг |
| Мэдрэлийн сүлжээ / Гүнзгий сургалт | Дэвшилтэт, өгөгдөл ихтэй багууд | Өндөр | Бүтэцлэгдээгүй өгөгдөлд хүчирхэг; техник хангамж + давталтын зардал |
| K-Means Clustering | Анхан шатны | Бага | Хурдан бүлэглэх боловч "дугуй хэлбэртэй" кластер гэж үздэг |
| Бэхжүүлэх сургалт | Дэвшилтэт, судалгаа сайтай хүмүүс | Өндөр | Шагналын дохио тодорхой байх үед туршилт ба алдааны аргаар суралцдаг |
Хиймэл оюун ухааны алгоритмын сайн хувилбарыг юу бүрдүүлдэг вэ? ✅🤔
"Сайн" хиймэл оюун ухааны алгоритм нь автоматаар хамгийн гоёмсог алгоритм биш юм. Практикт сайн систем нь ихэвчлэн дараах байдалтай байдаг
-
Бодит зорилгод хангалттай нарийвчлалтай (төгс биш - үнэ цэнэтэй)
-
Бат бөх (өгөгдөл бага зэрэг шилжихэд нурж унахгүй)
-
Тайлбарлахад хангалттай (заавал тунгалаг биш ч гэсэн бүрэн хар нүх биш)
-
Шударга ба алдаатай эсэхийг шалгасан (гажуудсан өгөгдөл → гажуудсан гаралтууд)
-
Үр ашигтай (энгийн даалгаварт суперкомпьютер хэрэггүй)
-
Засварлах боломжтой (хянах, шинэчлэх, сайжруулах боломжтой)
Хурдан бөгөөд практик жижиг кейс (учир нь энд л юмс бодитой болдог)
Туршилтаар "гайхалтай" байгаа загварыг төсөөлөөд үз дээ... учир нь энэ нь санамсаргүйгээр "хэрэглэгчийг хадгалах баг аль хэдийн холбоо барьсан" гэсэн проксиг сурсан. Энэ бол урьдчилан таамаглах ид шид биш. Энэ бол алдагдал. Та үүнийг байрлуулж, дараа нь шууд нүүрэн дээр нь суулгах хүртэл баатарлаг харагдах болно. 😭
Хиймэл оюун ухааны алгоритм "сайн" эсэхийг бид хэрхэн дүгнэх вэ 📏✅
Чи зүгээр л нүдээрээ хараад суугаад байдаггүй (зарим хүмүүс тэгдэг, тэгээд дараа нь эмх замбараагүй байдал үүсдэг).
Нийтлэг үнэлгээний аргуудад дараахь зүйлс орно
-
Нарийвчлал
-
Нарийвчлал / эргэн санах
-
F1 оноо (нарийвчлал/санах чадварыг тэнцвэржүүлнэ) [2]
-
AUC-ROC (хоёртын ангиллын эрэмбэлэлтийн чанар) [3]
-
Тохируулга (итгэл үнэмшил бодит байдалтай тохирч байгаа эсэх)
Тэгээд бодит ертөнцийн шалгалт байна:
-
Энэ нь хэрэглэгчдэд тусалдаг уу?
-
Энэ нь зардлыг эсвэл эрсдэлийг бууруулдаг уу?
-
Энэ нь шинэ асуудлууд (хуурамч дохиолол, шударга бус татгалзал, ажлын урсгалыг төөрөгдүүлэх) үүсгэдэг үү?
Заримдаа цаасан дээрх "арай муу" загвар нь тогтвортой, тайлбарлах боломжтой, хянахад хялбар байдаг тул үйлдвэрлэлд илүү сайн байдаг.
Нийтлэг алдаанууд (өөрөөр хэлбэл хиймэл оюун ухааны төслүүд хэрхэн чимээгүйхэн хажуу тийшээ явдаг вэ) ⚠️😵💫
Тэр ч байтугай хүчтэй багууд ч гэсэн дараах цохилтуудыг хийж чадна:
-
Хэт их тохируулга (сургалтын өгөгдөлд сайн, шинэ өгөгдөлд муу) [1]
-
Өгөгдөл алдагдах (урьдчилан таамаглах үед танд байхгүй мэдээллээр сургагдсан)
-
Нэг талыг баримтлах болон шударга ёсны асуудлууд (түүхэн мэдээлэлд түүхэн шударга бус байдал агуулагдаж байна)
-
Ойлголтын хэлбэлзэл (дэлхий ертөнц өөрчлөгддөг; загвар өөрчлөгддөггүй)
-
Буруу тохируулсан хэмжигдэхүүнүүд (та нарийвчлалыг оновчтой болгодог; хэрэглэгчид өөр зүйлд санаа тавьдаг)
-
Хар хайрцагны сандрал (гэнэт чухал шийдвэр гарсан үед хэн ч тайлбарлаж чадахгүй)
Бас нэг нарийн асуудал: автоматжуулалтын алдаа - хүмүүс системд хэт итгэдэг, учир нь энэ нь өөртөө итгэлтэй зөвлөмж өгдөг бөгөөд энэ нь сонор сэрэмж, бие даасан шалгалтыг бууруулж болзошгүй юм. Үүнийг эрүүл мэндийн тусламж үйлчилгээний нөхцөл байдал зэрэг шийдвэрийг дэмжих судалгаагаар баримтжуулсан болно. [4]
“Итгэмжлэгдсэн хиймэл оюун ухаан” бол энгийн мэдрэмж биш - энэ бол шалгах хуудас 🧾🔍
Хэрэв хиймэл оюун ухааны систем бодит хүмүүст нөлөөлдөг бол та "манай жишиг үзүүлэлтээр үнэн зөв" байхаас илүү ихийг хүсэх болно
Бат бөх хүрээ нь амьдралын мөчлөгийн эрсдэлийн менежмент юм: төлөвлөх → барих → турших → байршуулах → хянах → шинэчлэх. NIST-ийн хиймэл оюун ухааны эрсдэлийн удирдлагын хүрээ нь хүчин төгөлдөр ба найдвартай, аюулгүй, найдвартай ба уян хатан, хариуцлагатай ба ил тод, тайлбарлах ба тайлбарлах боломжтой, нууцлалыг сайжруулсан, шударга (хортой хэвийлтийг удирдсан). [5]
Орчуулга: та үүнийг ажиллаж байгаа эсэхийг асууна.
Та мөн аюулгүйгээр бүтэлгүйтсэн эсэхийг, мөн үүнийгээ нотолж чадах эсэхийг асууна.
Гол санаанууд 🧾✅
Хэрэв та үүнээс өөр юу ч аваагүй бол:
-
Хиймэл оюун ухааны алгоритм = суралцах арга барил, сургалтын жор
-
Хиймэл оюун ухааны загвар = таны байршуулсан сургагдсан гаралт
-
Сайн хиймэл оюун ухаан нь зүгээр л "ухаалаг" биш - найдвартай, хянаж, алдааг нь шалгасан, ажилд тохирсон байдаг.
-
Өгөгдлийн чанар нь ихэнх хүмүүсийн хүлээн зөвшөөрөхийг хүсдэгээс илүү чухал юм
-
Хамгийн сайн алгоритм бол ихэвчлэн гурван шинэ бодлого үүсгэхгүйгээр асуудлыг шийддэг алгоритм байдаг 😅
Бодит жишээ: Ажиллуулахаас өмнө огцом өөрчлөлтийг урьдчилан таамаглах алгоритмыг турших 📉🧪
Хувилбар
Дараагийн 30 хоногийн дотор аль хэрэглэгчид захиалгаа цуцлах магадлалтайг урьдчилан таамаглахыг хүсч буй жижиг захиалгын програм хангамжийн компанийг төсөөлөөд үз дээ.
Тус баг нь 18 сарын хэрэглэгчийн мэдээлэлтэй: нэвтрэх давтамж, дэмжлэгийн тасалбар, төлөвлөгөөний төрөл, төлбөрийн саатал, бүтээгдэхүүний хэрэглээ, шинэчлэх огноо, мөн хэрэглэгч бүр эцэст нь цуцалсан эсэх. Өгөгдлийн шинжээч уг загварын хоёр хувилбарыг бүтээдэг: энгийн логистик регрессийн суурь шугам болон илүү төвөгтэй градиент нэмэгдүүлэх загвар.
Зорилго нь "хамгийн ухаалаг алгоритмыг олох" биш юм. Зорилго нь хэрэглэгчийн амжилтын багт хуурамч дохиолол хөөцөлдөх долоо хоногийн талыг үрэлгүйгээр зөв дансуудтай эрт холбоо барихад нь туслах загварыг олох явдал юм.
Ажлын урсгалд юу хэрэгтэй вэ
Алгоритм сонгохоос өмнө баг дараахь зүйлийг бэлтгэдэг
-
Үйлчлүүлэгч бүрт нэг мөр бүхий цэвэр сургалтын өгөгдлийн сан
-
Тодорхой шошго: "30 хоногийн дотор цуцлагдсан" тийм/үгүй
-
Урьдчилан таамаглах огнооноос өмнө боломжтой баганын жагсаалт
-
Сүүлийн гурван сарын хугацаанд тогтоосон тэсвэр тэвчээрийн тест
-
Хуурамч эерэг болон хуурамч сөрөг үр дүнг шалгах энгийн үйл явц
-
Үйлчлүүлэгчдэд автоматжуулсан цуцлах эрсдэлийн оноог харуулахгүй байх дүрэм
Нэг чухал шалгалт: хариулт алдагдсан аливаа зүйлийг устгана уу. Жишээлбэл, хэн нэгэн аль хэдийн цуцалсан гэж сэжиглэгдсэний дараа л "хадгаламжийн багийн санал болгосон хөнгөлөлт"-ийг ашиглах ёсгүй.
Жишээ заавар
Хиймэл оюун ухааны туслах эсвэл шинжээчээс тохиргоог хянаж үзэхийг хүсэхдээ энэ зааврыг ашиглана уу:
Энэхүү огцом өөрчлөлтийн таамаглалын өгөгдлийн сангийн загварыг хянана уу. Өгөгдөл алдагдахад хүргэж болзошгүй багана, таамаглалыг шударга бусаар гажуудуулж болзошгүй онцлог шинж чанарууд болон байршуулахаас өмнө бидний хянах ёстой хэмжүүрүүдийг тодорхойл. Энэхүү загварыг хэрэглэгчийн амжилтын баг автоматаар дансны шийдвэр гаргахад биш, харин хүрч үйлчлэх ажлыг эрэмбэлэхэд ашиглах болно.
Үүнийг хэрхэн шалгах вэ
Загварыг дараах асуултуудаар туршина уу:
-
Энэ загвар нь хамгийн сүүлийн гурван сарын өгөгдөл дээр ажилласаар байна уу?
-
Аль 10 багана нь таамаглалд хамгийн их нөлөөлдөг вэ?
-
Хямд үнэтэй төлөвлөгөөтэй хэрэглэгчдийг бодит хэрэглэгчийн хомсдолын эрсдэлтэй холбоогүй шалтгаанаар илүү олон удаа тэмдэглэж байна уу?
-
Баг долоо хоног бүр хэдэн тэмдэглэгдсэн үйлчлүүлэгчтэй холбоо барих цагтай байх вэ?
-
Баярын үеэр бүтээгдэхүүний хэрэглээ хүн бүрийн хувьд буурвал юу болох вэ?
Сайн тест нь зөвхөн математикийн хувьд ч биш, практик шинж чанартай байдаг. Хэрэв загвар нь долоо хоногт 600 үйлчлүүлэгчийг тэмдэглэж, баг нь зөвхөн 80 үйлчлүүлэгчтэй холбоо барьж чадвал алгоритм нь нарийвчлалтай байж болох ч ажлын урсгалд муугаар төлөвлөгдсөн хэвээр байж магадгүй юм.
Үр дүн
Жишээ үр дүн: 1000 хэрэглэгчийн бүртгэлийн туршилтын багц дээр үндэслэн энгийн логистик регрессийн загвар нь 71% санах ой, 42% нарийвчлалд хүрсэн. Градиент нэмэгдүүлэх загвар нь 78% санах ой, 48% нарийвчлалд хүрсэн боловч гол шинж чанарууд нь алдагдлын хоёр эрсдэлийг багтаасан тул нэмэлт хяналт шаардлагатай болсон.
Алдагдал ихтэй багануудыг арилгасны дараа градиент нэмэгдүүлэх загвар нь бага зэрэг буурч, 74% эргэн санах, 46% нарийвчлалтай болсон. Энэ нь үнэ цэнэтэй хэвээр байсан: 100 тэмдэглэгдсэн дансны долоо хоног тутмын тоймд баг санамсаргүй байдлаар данстай холбоо барихын оронд 46 орчим үнэхээр өндөр эрсдэлтэй үйлчлүүлэгчтэй болохыг хүлээж байсан.
Цагийн тооцоо: Хэрэв гараар данс шалгахад нэг хэрэглэгч 6 минут зарцуулдаг бол санамсаргүй байдлаар сонгосон 100 дансыг шалгахад 10 цаг шаардагдана. Загварыг ашиглан хэрэглэгчийн алдагдалд орох магадлалтай эрсдэлийг жагсаалтад оруулснаар хянах хугацааг 10 цаг байлгадаг боловч үр дүнтэй үйлчилгээ үзүүлэх оролдлогын тоог нэмэгдүүлдэг. Баталгаажуулах хэмжүүр нь энгийн: хэдэн тэмдэглэгдсэн хэрэглэгчтэй холбоо барьсан, хэд нь үнэхээр эрсдэлд орсон, хэд нь үйлчилгээ үзүүлсний дараа захиалгаа хадгалсан зэргийг хянах боломжтой.
Юу буруу болж болох вэ
Хэрэв өгөгдлийн багц нь хадгалах санал, цуцлах судалгааны хариулт эсвэл үйлчлүүлэгч явахаар шийдсэний дараа бичсэн дэмжлэгийн тэмдэглэл гэх мэт ирээдүйн мэдээллийг агуулсан бол загвар нь бодит байдлаасаа илүү сайхан харагдаж чадна.
Баг нь мөн автоматжуулалтын гажуудалд орж болзошгүй. "Өндөр эрсдэлтэй" оноо нь үнэнч хэрэглэгчдийг бухимдуулдаг робот имэйл биш харин хүний хяналтыг өдөөх ёстой.
Өөр нэг алдаа бол зөвхөн нарийвчлалыг хөөцөлдөх явдал юм. Хэрэв үйлчлүүлэгчдийн зөвхөн 5% нь л захиалгаа цуцалбал "хэн ч захиалгаа цуцлахгүй" гэж таамагладаг залхуу загвар нь бодит үнэ цэнийг санал болгодоггүй ч үнэн зөв харагдаж магадгүй юм.
Практик хоол
Хамгийн сайн хиймэл оюун ухааны алгоритм бол шууд ажлын урсгалтай харьцсан ч амьд үлддэг алгоритм юм. Суурь шугамаас эхэлж, алдагдал байгаа эсэхийг шалгаж, сүүлийн үеийн өгөгдлийг шалгаж, хуурамч дохиоллыг хэмжиж, хүмүүс хэзээ оноог эргэлзэхээ мэдэж байгаа эсэхийг шалгаарай.
Түгээмэл асуултууд
Энгийнээр хэлбэл хиймэл оюун ухааны алгоритм гэж юу вэ?
Хиймэл оюун ухааны алгоритм гэдэг нь компьютер өгөгдлөөс хэв маягийг сурч, шийдвэр гаргахад ашигладаг арга юм. Тогтмол "хэрэв-тэгвэл" гэсэн дүрмэнд найдахын оронд олон жишээг харсны дараа эсвэл санал хүсэлт хүлээн авсны дараа өөрийгөө тохируулдаг. Зорилго нь цаг хугацааны явцад шинэ оролтыг урьдчилан таамаглах эсвэл ангилах чадварыг сайжруулах явдал юм. Энэ нь хүчирхэг боловч өөртөө итгэлтэй алдаа гаргаж чаддаг.
Хиймэл оюун ухааны алгоритм ба хиймэл оюун ухааны загварын хооронд ямар ялгаа байдаг вэ?
Хиймэл оюун ухааны алгоритм гэдэг нь сургалтын үйл явц эсвэл сургалтын жор юм - систем өгөгдлөөс хэрхэн өөрийгөө шинэчилдэг. Хиймэл оюун ухааны загвар гэдэг нь шинэ оролтууд дээр таамаглал дэвшүүлэхийн тулд таны ажиллуулдаг сургагдсан үр дүн юм. Ижил хиймэл оюун ухааны алгоритм нь өгөгдөл, сургалтын үргэлжлэх хугацаа, тохиргооноос хамааран маш өөр загваруудыг гаргаж чаддаг. "Хоол хийх үйл явц" болон "дууссан хоол"-ын талаар бодоорой
Хиймэл оюун ухааны алгоритм нь сургалтын явцад болон дүгнэлтийн үеэр хэрхэн суралцдаг вэ?
Сургалт гэдэг нь алгоритм судалж буй үе юм: жишээ харж, таамаглал дэвшүүлж, алдааг хэмжиж, алдааг багасгахын тулд дотоод параметрүүдийг тохируулдаг үе юм. Дүгнэлт гэдэг нь сургагдсан загварыг спамыг ангилах эсвэл зургийг шошголох гэх мэт шинэ оролтууд дээр ашиглах үе юм. Сургалт бол суралцах үе шат; дүгнэлт бол ашиглах үе шат юм. Шинэ өгөгдөл нь систем сурснаас өөрөөр ажилладаг тул олон асуудал зөвхөн дүгнэлт хийх явцад л гарч ирдэг.
Хиймэл оюун ухааны алгоритмуудын үндсэн төрлүүд юу вэ (хяналттай, хяналтгүй, бэхжүүлсэн)?
Хяналттай сургалт нь спам болон спам биш гэх мэт оролтоос гаралт руу зураглалыг сурахын тулд шошготой жишээнүүдийг ашигладаг. Хяналтгүй сургалт нь шошгогүй бөгөөд кластер эсвэл ер бусын хэв маяг гэх мэт бүтцийг хайдаг. Баяжуулах сургалт нь шагнал ашиглан туршилт, алдаагаар суралцдаг. Гүнзгий сургалт нь нарийн төвөгтэй хэв маягийг, ялангуяа хараа, хэлний даалгавруудыг барьж чаддаг мэдрэлийн сүлжээний техникүүдийн өргөн хүрээтэй гэр бүл юм.
Хиймэл оюун ухааны алгоритм бодит амьдрал дээр "сайн" эсэхийг та яаж мэдэх вэ?
Сайн хиймэл оюун ухааны алгоритм нь автоматаар хамгийн төвөгтэй биш - энэ нь зорилгодоо найдвартай хүрсэн алгоритм юм. Багууд нарийвчлал, нарийвчлал/санах ой, F1, AUC-ROC, тохируулга зэрэг үзүүлэлтүүдийг хардаг бөгөөд дараа нь байршуулалтын тохиргоонд гүйцэтгэл болон дараагийн урсгалын нөлөөллийг шалгадаг. Тогтвортой байдал, тайлбарлах чадвар, үр ашиг, засвар үйлчилгээ нь үйлдвэрлэлд маш чухал байдаг. Заримдаа цаасан дээрх арай сул загвар нь хянаж, итгэхэд хялбар байдаг тул ялдаг.
Өгөгдөл алдагдах гэж юу вэ, яагаад энэ нь хиймэл оюун ухааны төслүүдийг тасалдуулдаг вэ?
Загвар нь урьдчилан таамаглах үед байхгүй мэдээллээс суралцах үед өгөгдлийн алдагдал үүсдэг. Энэ нь туршилтын явцад үр дүнг гайхалтай харагдуулж, байршуулсны дараа муу амжилтгүй болдог. Сонгодог жишээ бол үр дүнгийн дараа хийгдсэн үйлдлүүдийг тусгасан дохиог санамсаргүйгээр ашиглах явдал юм, тухайлбал, хаалтын загварт хадгалах багтай холбоо барих гэх мэт. Алдагдал нь бодит ажлын урсгалд алга болдог "хуурамч гүйцэтгэл"-ийг бий болгодог.
Хиймэл оюун ухааны алгоритмууд хөөргөхдөө үнэн зөв байсан ч яагаад цаг хугацааны явцад мууддаг вэ?
Цаг хугацаа өнгөрөх тусам өгөгдөл өөрчлөгддөг - хэрэглэгчид өөр өөрөөр ажилладаг, бодлого өөрчлөгддөг эсвэл бүтээгдэхүүнүүд хувьсан өөрчлөгддөг - энэ нь концепцийн хэлбэлзлийг үүсгэдэг. Хэрэв та гүйцэтгэлийг хянаж, шинэчлэхгүй бол загвар нь хэвээрээ байна. Жижиг өөрчлөлтүүд ч гэсэн нарийвчлалыг бууруулж эсвэл хуурамч дохиоллыг нэмэгдүүлдэг, ялангуяа загвар нь хэврэг байсан бол. Байнгын үнэлгээ, давтан сургалт, болгоомжтой байршуулах дадал нь хиймэл оюун ухааны системийг эрүүл байлгахын нэг хэсэг юм.
Хиймэл оюун ухааны алгоритмыг ашиглахад хамгийн түгээмэл тохиолддог алдаанууд юу вэ?
Хэт их тохируулга хийх нь том асуудал юм: загвар нь сургалтын өгөгдөл дээр маш сайн ажилладаг боловч шинэ өгөгдөл дээр муу ажилладаг. Түүхэн өгөгдөл нь ихэвчлэн түүхэн шударга бус байдлыг агуулдаг тул нэг талыг баримтлах, шударга ёсны асуудал гарч ирж болно. Буруу тохируулсан үзүүлэлтүүд нь төслүүдийг живүүлж болзошгүй - хэрэглэгчид өөр зүйлд санаа тавих үед нарийвчлалыг оновчтой болгодог. Өөр нэг нарийн эрсдэл бол автоматжуулалтын нэг талыг баримтлах явдал бөгөөд хүмүүс өөртөө итгэлтэй загварын гаралтад хэт итгэж, давхар шалгахаа больдог.
"Итгэлтэй хиймэл оюун ухаан" гэдэг нь практик дээр юу гэсэн үг вэ?
Найдвартай хиймэл оюун ухаан нь зүгээр л "өндөр нарийвчлал" биш - энэ бол амьдралын мөчлөгийн арга барил юм: төлөвлөх, бүтээх, турших, байршуулах, хянах, шинэчлэх. Практикт та хүчин төгөлдөр, найдвартай, аюулгүй, найдвартай, хариуцлагатай, тайлбарлах боломжтой, нууцлалд анхаардаг, алдааг шалгадаг системүүдийг хайж байдаг. Та мөн ойлгомжтой, сэргээгдэх боломжтой алдааны горимуудыг хүсдэг. Гол санаа нь зүгээр л ажилладаг гэж найдах биш, харин аюулгүй ажиллаж, бүтэлгүйтэж байгааг харуулах чадвартай байх явдал юм.
Лавлагаа
-
Google Хөгжүүлэгчид - Машин Сургалтын Нэр томьёоны тайлбар толь
-
Годдард нар - Автоматжуулалтын хэвийсэн байдлын системчилсэн тойм (PMC-ийн бүрэн текст)
-
NIST - Хиймэл оюун ухааны эрсдэлийн удирдлагын хүрээ (Хиймэл оюун ухааны RMF 1.0) PDF