कृत्रिम बुद्धि के विकास के बारे में आपको क्या जानने की जरूरत है
दीप लर्निंग मशीन लर्निंग (एमएल) का एक शक्तिशाली रूप है जो विशाल मात्रा में डेटा (सूचना) का उपयोग करके तंत्रिका नेटवर्क नामक जटिल गणितीय संरचनाओं का निर्माण करता है।
दीप लर्निंग डेफिनिशन
गहरी शिक्षा डेटा के अधिक जटिल प्रकारों को संसाधित करने के लिए तंत्रिका नेटवर्क की कई परतों का उपयोग करके एमएल को लागू करने का एक तरीका है। कभी-कभी पदानुक्रमिक शिक्षा कहा जाता है, गहरी शिक्षा विभिन्न प्रकार के तंत्रिका नेटवर्क का उपयोग सुविधाओं को जानने के लिए करती है (जिसे प्रतिनिधित्व भी कहा जाता है) और उन्हें कच्चे, लेबल रहित डेटा (असंगठित डेटा) के बड़े सेट में ढूंढते हैं। गहरी शिक्षा के पहले सफल प्रदर्शनों में से एक ऐसा कार्यक्रम था जिसने YouTube वीडियो के सेट से सफलतापूर्वक बिल्लियों की छवियों को चुना।
दैनिक जीवन में गहरे सीखने के उदाहरण
गहरी शिक्षा न केवल छवि पहचान में उपयोग की जाती है, बल्कि भाषा अनुवाद, धोखाधड़ी का पता लगाने, और कंपनियों द्वारा उनके ग्राहकों के बारे में एकत्रित आंकड़ों का विश्लेषण करने के लिए भी उपयोग की जाती है। उदाहरण के लिए, नेटफ्लिक्स आपकी देखने की आदतों का विश्लेषण करने के लिए गहरी शिक्षा का उपयोग करता है और भविष्यवाणी करता है कि आप कौन से शो और फिल्में देखना पसंद करते हैं। इस प्रकार Netflix आपके सुझाव कतार में एक्शन फिल्में और प्रकृति वृत्तचित्रों को रखना जानता है। अमेज़ॅन आपकी हाल की खरीदारियों और वस्तुओं का विश्लेषण करने के लिए गहरी शिक्षा का उपयोग करता है जिन्हें आपने हाल ही में नए देश संगीत एल्बमों के लिए सुझाव बनाने के लिए खोजा है, जिनकी आपको रुचि है और आप ग्रे और पीले टेनिस की एक जोड़ी के लिए बाजार में हैं जूते। चूंकि गहरी शिक्षा असंगठित और कच्चे डेटा से अधिक से अधिक अंतर्दृष्टि प्रदान करती है, निगम आपके ग्राहकों की आवश्यकताओं की अपेक्षा कर सकते हैं, जबकि व्यक्तिगत ग्राहक को अधिक व्यक्तिगत ग्राहक सेवा मिलती है।
कृत्रिम तंत्रिका नेटवर्क और दीप लर्निंग
गहरी सीखने को समझने में आसान बनाने के लिए, आइए कृत्रिम तंत्रिका नेटवर्क (एएनएन) की हमारी तुलना की समीक्षा करें । गहरी शिक्षा के लिए, कल्पना करें कि हमारी 15 मंजिला कार्यालय इमारत पांच अन्य कार्यालय भवनों के साथ एक शहर ब्लॉक पर कब्जा कर लेती है। सड़क के प्रत्येक किनारे पर तीन इमारतें हैं। हमारी इमारत ए का निर्माण कर रही है और सड़क के समान पक्ष को इमारतों बी और सी के रूप में साझा करती है। बिल्डिंग ए से सड़क के पार 1 का निर्माण होता है, और इमारत बी से भरकर 2 का निर्माण होता है, और इसी तरह। प्रत्येक इमारत में विभिन्न प्रकार के फर्श होते हैं, जो विभिन्न सामग्रियों से बने होते हैं और दूसरों से अलग वास्तुकला शैली होती है। हालांकि, प्रत्येक भवन अभी भी कार्यालयों (नोड्स) के अलग-अलग फर्श (परतों) में व्यवस्थित है- इसलिए प्रत्येक इमारत एक अद्वितीय एएनएन है।
कल्पना करें कि एक डिजिटल पैकेज ए निर्माण में आता है, जिसमें टेक्स्ट-आधारित डेटा, वीडियो स्ट्रीम, ऑडियो स्ट्रीम, टेलीफोन कॉल, रेडियो तरंगें और फोटोग्राफ जैसे कई स्रोतों से कई प्रकार की जानकारी शामिल होती है-हालांकि, यह एक बड़ी गड़बड़ी में आता है और किसी तार्किक तरीके से लेबल या सॉर्ट नहीं किया गया है (असंगठित डेटा)। प्रोसेसिंग के लिए 1 सेंट से 15 वें क्रम में जानकारी प्रत्येक मंजिल के माध्यम से भेजी जाती है। जानकारी के बाद 15 वीं मंजिल (आउटपुट) तक पहुंचने के बाद, इसे बिल्डिंग के अंतिम प्रसंस्करण परिणाम के साथ 3 बिल्डिंग के 1 मंजिल (इनपुट) पर भेजा जाता है। बिल्डिंग 3 सीखता है और ए और बिल्डिंग द्वारा भेजे गए परिणाम को शामिल करता है। फिर जानकारी को प्रत्येक मंजिल के माध्यम से उसी तरह से जंबल करता है। जब सूचना 3 इमारत के शीर्ष मंजिल तक पहुंच जाती है, तो उसे इमारत के परिणामों के निर्माण के साथ वहां से भेजा जाता है। बिल्डिंग 1 सीखता है और इसे फर्श-दर-मंजिल पर प्रसंस्करण से पहले 3 निर्माण से परिणामों को शामिल करता है। बिल्डिंग 1 सी के निर्माण के लिए सूचनाओं और परिणामों को उसी तरह से पास करता है, जो प्रक्रिया करता है और 2 बिल्डिंग भेजता है, जो प्रक्रिया करता है और बी बनाने के लिए भेजता है।
हमारे उदाहरण में प्रत्येक एएनएन (बिल्डिंग) असंगठित डेटा (जानकारी की गड़बड़ी) में एक अलग सुविधा की खोज करता है और परिणाम को अगली इमारत में पास करता है। अगली इमारत पिछले एक से आउटपुट (परिणाम) को शामिल (सीखती है)। चूंकि डेटा प्रत्येक एएनएन (भवन) द्वारा संसाधित किया जाता है, यह एक विशेष सुविधा द्वारा संगठित और लेबल (वर्गीकृत) हो जाता है ताकि जब डेटा अंतिम एएनएन (भवन) के अंतिम आउटपुट (शीर्ष मंजिल) तक पहुंच जाए, तो इसे वर्गीकृत और लेबल किया जाता है (अधिक संरचित)।
आर्टिफिशियल इंटेलिजेंस, मशीन लर्निंग, और दीप लर्निंग
कृत्रिम बुद्धि (एआई) और एमएल की समग्र तस्वीर में गहरी शिक्षा कैसे फिट होती है? गहरी शिक्षा एमएल की शक्ति को बढ़ावा देती है और कार्यों की सीमा को बढ़ाती है एआई प्रदर्शन करने में सक्षम है। चूंकि गहरी शिक्षा तंत्रिका जाल के उपयोग पर निर्भर करती है और सरल कार्य-विशिष्ट एल्गोरिदम की बजाय डेटा सेट के भीतर सुविधाओं को पहचानती है, यह प्रोग्रामर की मैन्युअल रूप से लेबल करने की आवश्यकता के बिना बिना संरचित (कच्चे) डेटा से विवरण ढूंढ और उपयोग कर सकती है-एक बार -कहन कार्य जो त्रुटियों को पेश कर सकता है। गहरी शिक्षा कंप्यूटर और व्यक्तियों दोनों की मदद के लिए डेटा का उपयोग करने में कंप्यूटर को बेहतर और बेहतर बनाने में मदद कर रही है।