এআই, এমএল এবং ডিপ লার্নিং: পার্থক্য কী?

কেন মেশিনগুলি শিখতে হবে? কারণ মানুষ দাঁড়াতে পারে না।

শেখার ক্ষেত্রে একটি নির্দিষ্ট পদ্ধতির অগ্রযাত্রায় বর্তমান এআই / এমএল শিখর ডিপ লার্নিংয়ের ফলাফল। কৃত্রিম বুদ্ধিমত্তা, মেশিন লার্নিং এবং ডিপ লার্নিং সবই গত বছরের কয়েকটি দুর্দান্ত অর্জনের জন্য দায়ী এবং লোকেরা একে অপরের সাথে এই প্রযুক্তিগুলি উদযাপন করে। ইদানীং, প্রযুক্তি সম্মেলনগুলি এমন লোকদের সাথে একই জিনিস ছিল যারা কৃত্রিম বুদ্ধিমত্তা, মেশিন লার্নিং এবং গভীর শিক্ষা সম্পর্কে আরও জানতে চান। এই প্রযুক্তির প্রতিটি এর পিছনে একটি ভাল ইতিহাস আছে, তবে পার্থক্যটি ট্র্যাক করার একটি সহজ উপায় হল আমাদের অনুপ্রেরণা।

2017 সালে, কয়েকশো মানুষ টেনসরফ্লো ওয়ার্কশপের জন্য এআই ফ্রন্টিয়ার্সে মেশিন লার্নিং সম্পর্কে জড়ো হয়েছিল।

চলাফেরায় পার্থক্য

মানুষ শিখছে কারণ লোকেরা আরও কিছু করতে পারে। আমি অর্ধেক রসিকতা করছি, তবে এটি একটি ভাল শুরু। অবশ্যই, এআই, এমএল এবং ডিপ লার্নিং কীভাবে সংযুক্ত রয়েছে সে সম্পর্কে আরও প্রযুক্তিগত তথ্য রয়েছে।

সংজ্ঞা মধ্যে পার্থক্য

কৃত্রিম বুদ্ধিমত্তা একটি বুদ্ধি বিকাশ, যা আমরা মানুষ হিসাবে অভিজ্ঞতা থেকে অনুপ্রাণিত হয়। পড়াশোনা কেবল এই দিকটিই নয়, বৃহত্তর বুদ্ধি অর্জনের জন্য এটি আমরা একটি সরঞ্জামও ব্যবহার করি। কৃত্রিম বুদ্ধি একটি সরঞ্জাম, মেশিন লার্নিং একটি সরঞ্জাম তৈরি করার একটি উপায়। ডিপ লার্নিং হ'ল এক ধরণের মেশিন লার্নিং যা কৃত্রিম বুদ্ধি অর্জনের জন্য ব্যবহৃত হয়। চাক্ষুষের জন্য, এখানে এআই, এমএল এবং ডিপ লার্নিংয়ের মধ্যে সম্পর্কের একটি পাঠ্যপুস্তকের চিত্র রয়েছে।

http://www.deeplearningbook.org/

যদি কেউ আমাকে জিজ্ঞাসা করে যে এআই-তে কাজ করার অর্থ কী, তবে আমি বলব, "আমি লোকেরা যা করে তা কম্পিউটারকে উন্নত করার চেষ্টা করছি" " যদি কেউ এআই অর্জনের কোনও উপায় জিজ্ঞাসা করে, আমি সম্ভবত "মেশিনের সাথে" বলতে পারি। আরও সুনির্দিষ্ট, বা "গভীর শিক্ষা" হতে হবে।

ইতিহাসের পার্থক্য

অ্যালান ট্যুরিংয়ের 1950 সালে তাঁর "টেস্টিং মেশিন" বইয়ে জনগণের চেয়ে আরও ভাল কাজ করার মেশিনগুলির এই মানটি জনপ্রিয় (একটি অনুকরণের গেমের ভিত্তিতে) জনপ্রিয় ছিল। স্ট্যান্ড আপ পরামর্শ দেয় যে মেশিনগুলি বিযুক্ত বিধি এবং সীমাবদ্ধ মেশিন ব্যবহার করে পরীক্ষা করা যেতে পারে, যা বর্তমানে বেশিরভাগ কম্পিউটার প্রোগ্রামই করে। তাঁর গবেষণাপত্রের একেবারে শেষে, তিনি "লার্নিং মেশিনস" ধারণাটি বর্ণনা করেছেন, চিন্তার মেশিনগুলির বাইরে জটিলতার একটি উপায়। এগিয়ে যান: "গাড়ি কি ভাবতে পারে?" তারা জিজ্ঞাসা করলেন। কাগজ শেষে তিনি জিজ্ঞাসা করেন, "মেশিনটি কি এত সমালোচনামূলক হতে পারে?" প্রথম প্রশ্নটি আমরা এআই অর্জন করতে পারি কিনা। দ্বিতীয় প্রশ্নটি কি আমরা এমএল পৌঁছাতে পারি কিনা।

এমএন 1950 সালে অ্যালান টুরিং দ্বারা প্রবর্তন করা হয়েছিল। প্রথম কম্পিউটার প্রশিক্ষণ প্রোগ্রাম খসড়া জন্য কৌশল অধ্যয়নের জন্য 1952 সালে নির্মিত হয়েছিল। প্রথম নিউরাল নেটওয়ার্ক 1957 সালে তৈরি হয়েছিল। ডিপ লার্নিং কৃত্রিম নিউরাল নেটওয়ার্কগুলির আরও বিকাশ, তবে 2006 অবধি এর কোনও নাম ছিল না। ২০১০ সাল থেকে, মেশিন লার্নিংয়ে অনেক অগ্রগতি হয়েছে। বর্তমান এমএল / এআই বুম মূলত ডিপ লার্নিং কৃতিত্ব সম্পর্কে।

ফোর্বসের মতে, এখানে এআই, এমএল এবং ডিপ লার্নিংয়ের বড় ব্রেকথ্রু রয়েছে

এআই, এমএল এবং ডিপ লার্নিংয়ের মধ্যে পার্থক্য বোঝার জন্য আরেকটি ভাল শুরু হ'ল আমরা কেন প্রথম স্থানে শিখতে মেশিন তৈরি করেছি তা বোঝা। কিছু নির্দিষ্ট কাজ সম্পাদনের জন্য কম্পিউটারটি আরও ভাল (বা আরও ভাল), আমরা এআইয়ের জন্য তত বেশি গুরুত্বপূর্ণ। মেশিন লার্নিং দেখিয়েছে যে অনেক ক্ষেত্রেই এই পদক্ষেপগুলি অতিক্রম করার সর্বোত্তম উপায়।

গাড়ি কেন শিখছে

অ্যালান টুরিংয়ের এআই পরীক্ষার প্রস্তাবের বৃহত্তম সমালোচনাগুলির মধ্যে একটি হ'ল অ্যাসোসিয়েটিভ প্রাইমিং আর্গুমেন্ট (এবং এর অতিরিক্ত ফ্রেম ইস্যু)। তারা বলেছে যে আমাদের বুদ্ধিমত্তার জটিলতার কারণে এই প্রক্রিয়াটি মেশিনগুলির দ্বারা অর্জন করা যায় না। এই প্রক্রিয়াটিকে লার্নিং বলা হয় এবং কম্পিউটারগুলি (এখনও অবধি) ছোট ছিল।

ধারণাটি হ'ল: সারা জীবন মানুষ কিছু নির্দিষ্ট সমিতি গড়ে তোলে যার বিভিন্ন ক্ষমতা রয়েছে। কার্যত যে কেউ সনাক্ত করতে পারে এমন একমাত্র উপায়, এমনকি গড় হিসাবেও, মানুষের ধারণার আন্তঃসংযোগ - একটি মানব প্রার্থী এবং কথোপকথক হিসাবে বিশ্বের অভিজ্ঞতা অর্জন করা। (ফরাসী, 1990)

মানুষের অভিজ্ঞতা যেমন জটিল এবং জটিল, আমরা কীভাবে আমাদের অভিজ্ঞতাটিকে মেশিন লার্নিংয়ে অনুবাদ করব? টুরিং অনুমান অনুসারে মেশিনগুলির জন্য সাধারণত আমাদের জন্য গৃহীত ধারণাগুলি অধ্যয়নের প্রয়োজন হতে পারে।

একটি লার্নিং মেশিনের একটি গুরুত্বপূর্ণ বৈশিষ্ট্য হ'ল তার শিক্ষক তার ভিতরে কী ঘটছে তা প্রায়শই অজানা থাকে, যদিও তিনি এখনও তার ছাত্রীর আচরণের পূর্বাভাস দিতে সক্ষম হন। এই সেরা ডিজাইনের নকশা (বা প্রোগ্রাম) শিশু মেশিনগুলি থেকে পরবর্তী মেশিন শেখার জন্য খুব কঠোরভাবে ব্যবহার করা উচিত। গণনা সম্পাদনের জন্য কোনও মেশিন ব্যবহার করার সময়, এটি একটি সাধারণ পদ্ধতি থেকে সম্পূর্ণ পৃথক এবং তারপরে গণনার প্রতিটি মিনিটে মেশিনের অবস্থার সুস্পষ্ট মানসিক চিত্র থাকা প্রয়োজন। (টুরিং, 1950)

মেশিনগুলি শিখছে কারণ কম্পিউটারের জন্য নির্দিষ্ট উদ্দেশ্যে সরাসরি বুদ্ধিমান হওয়ার চেয়ে কম্পিউটারের বুদ্ধি অধ্যয়নের জন্য প্রোগ্রাম করা ভাল (এখনকার জন্য)। এটি পছন্দনীয় হতে পারে কারণ (1) জ্ঞাত বুদ্ধিমত্তার জন্য (সরাসরি বুদ্ধি তৈরির পরিবর্তে) মানুষের সামর্থ্য খুব কম; অথবা (2) সম্ভবতঃ কারণ স্বয়ংক্রিয়ভাবে প্রশিক্ষণ দেওয়ার পরে মেশিনটি আরও ভাল কাজ করে।

অনুশীলনে, মেশিন লার্নিং তখন দরকারী যখন সমস্যাগুলির সঠিক ভবিষ্যদ্বাণী প্রয়োজন। "বিশটি প্রশ্ন" গেম পান। মূলত মানুষের মধ্যে খেলেছে। তাদের একজনকে গাড়ি দিয়ে প্রতিস্থাপন করার জন্য আমাদের মানব বুদ্ধির সাদৃশ্য বাড়ানো দরকার। বিশটি প্রশ্নের জন্য, মেশিন লার্নিং কৃত্রিম বুদ্ধিমত্তা অর্জনের একমাত্র উপায় নয়, তবে নীচে দেখানো হিসাবে এটি সর্বোত্তম উপায়।

(1) এমএলগুলির উদাহরণগুলি যাতে কম মানুষের চলাচলের প্রয়োজন:

20 কিউ এবং আকিনেটরের দুটি ওয়েব সংস্করণে বিশটি প্রশ্ন একটি প্রোগ্রাম দ্বারা প্রতিস্থাপিত হয়। তাহলে তারা কীভাবে মানুষটিকে বদলে ফেলল? সমস্ত সর্বজনীন ব্যক্তিত্বের জন্য (সর্বদা) ডেটাবেস তৈরির পরিবর্তে, আপনি গেমের প্রশ্নের উত্তর দেওয়া ব্যক্তিদের মাধ্যমে সেলিব্রিটিদের বৈশিষ্ট্যগুলি অন্বেষণ করার জন্য একটি প্রোগ্রাম ডিজাইন করতে পারেন। এটি করার জন্য প্রচেষ্টা মূল্যবান।

(২) মেশিনগুলির একটি উদাহরণ যা এমএল জন্য ভাল কাজ করে

যতই প্রচেষ্টা লাগুক না কেন, মেশিন লার্নিং অন্যান্য অ্যালগরিদমের চেয়ে ভাল পারফর্ম করতে পারে। সুন্দর পিচাই, সাম্প্রতিক গুগল আই / ও ইভেন্টে দেখা গেছে যে চিত্রগুলি স্বীকৃতি হিসাবে কম্পিউটারগুলি লোকেদের চেয়ে উচ্চতর। এই পর্বটি বিশেষত ডিপ লার্নিংয়ের সাফল্য মেশিন লার্নিংয়ের একটি যুগান্তকারী হিসাবে বিবেচিত হয়েছিল।

গুগল আইও কীএনট 2017 থেকে

এআই এর মধ্যে এমএল পার্থক্যের উদাহরণ

উপরের গ্রাফে যেমন দেখানো হয়েছে, কম্পিউটারগুলি চিত্রের মধ্যে কী আছে তা ভবিষ্যদ্বাণী করা, সনাক্তকরণ এবং পরীক্ষা করার ক্ষেত্রে (অনেক উপায়ে) ভাল। নীচে মজাদার কুকুরের একটি কোলাজ যা মফিনস, ব্যাগেলস এবং এমওপি মতো দেখাচ্ছে। আমরা কীভাবে পার্থক্যটি জানব? একটি কম্পিউটার কীভাবে পার্থক্য জানতে পারে? এআই হতে গেলে কম্পিউটার কীভাবে পার্থক্য বলতে পারে তা বিবেচ্য নয়, কেবলমাত্র তিনি এটি করতে পারেন। এমএল হওয়ার জন্য একটি কম্পিউটারকে নিজেই পার্থক্যটি শিখিয়ে শেখাতে হয়েছিল।

বুদ্ধিমানের মানটি সর্বদা আমাদের বুদ্ধি এবং আচরণ ছিল। যদি আমরা আমাদের দক্ষতাগুলিকে এআই এবং তাদের উদীয়মান প্রযুক্তিগুলির সাথে বৈজ্ঞানিক অগ্রগতির সাথে তুলনা করি তবে শেখা কেবলমাত্র দক্ষতা নয়, যেভাবে তারা দক্ষতা অর্জন করে সেগুলিও।

পড়াশোনা এমন একটি দক্ষতা যা আপনাকে অন্যান্য দক্ষতা অর্জনে সহায়তা করতে পারে

কম্পিউটার প্রমাণ করেছে যে কুকুর এবং বিড়ালের চিত্রের মধ্যে পার্থক্য বোঝাতে এমএল অন্যান্য পদ্ধতির চেয়ে ভাল কাজ করে। তবে চিত্র বিশ্লেষণে সমস্ত সমস্যার এমএল প্রয়োজন হয় না। চিত্রটিতে লাইনগুলি নির্ধারণ করা যেতে পারে, উদাহরণস্বরূপ, এমএল ছাড়াই পিক্সেলের সঠিক বিন্যাসের মাধ্যমে। একইভাবে স্বায়ত্তশাসিত যানবাহনগুলির কাছাকাছি বিষয়গুলি সনাক্ত করতে মেশিন লার্নিংয়ের প্রয়োজন হয় না। এটি কেবল একটি লিডার ব্যবহার করতে পারে। টিক টাক টু এআই এর এমএল প্রয়োজন হয় না, এটি কোনও দাবা খেলাও নয়।

অনুসন্ধানের জন্য টিকিট টো।

বিশেষত, সমস্যাগুলি যদি কোনও পরিচালিত অনুসন্ধান ক্ষেত্রের সাথে তুলনা করা যায় (উপরের টিকিট টো খেল গাছের মতো), তবে অনুসন্ধানের হুরিস্টিক্স আপনাকে সর্বোত্তম উত্তর পেতে সহায়তা করবে। পাঠ্যপুস্তকের আরও উদাহরণ দিতে ত্রুটি পরীক্ষা করুন Check একটি *, লোভী গভীরতা বা সেরাটির জন্য অনুসন্ধান হ'ল একটি সুপরিচিত অ্যালগরিদম যা একটি বিন্দু থেকে অন্য বিন্দুতে সংক্ষিপ্ততম পথ অনুসরণ করতে পারে। এ * (নীচে দেখানো হয়েছে) এর জন্য অনুকূল পাথের পূর্বাভাস দেওয়ার ক্ষমতা মেশিন লার্নিংয়ের প্রয়োজন হয় না।

https://en.wikipedia.org/wiki/A*_search_algoritm

যদিও এই সমস্যাগুলি বুদ্ধিদীপ্ত আকাঙ্ক্ষা থেকে নিজেকে বঞ্চিত করেছে (যেহেতু এগুলি অ্যালগোরিদমিকভাবে সমাধান করা যেতে পারে), তবে এআইয়ের পুরো ইতিহাসকে বদনাম করা কিছুটা মায়োপিক। যে কোনও উপায়ে, এআই এর ভবিষ্যত হ'ল মানবিক দৃষ্টিভঙ্গি, আনুষ্ঠানিক মডেল, অনুসন্ধানের হিউরিস্টিক্স এবং মেশিন লার্নিংয়ের একটি মিশ্র উদ্যোগ।

গভীরতর অধ্যয়ন কী?

ডিপ লার্নিং কোনও মেশিন কীভাবে কিছু শিখতে পারে সে সম্পর্কে প্রশ্নের উত্তর দেয়। মেশিন লার্নিং হ'ল আমরা কীভাবে কম্পিউটারকে (কিছু উপায়ে) আমাদের থেকে আরও ভাল দেখায় তা শেখাই, তবে অতিরিক্তভাবে মেশিনটি আমাদের কীভাবে নিজেরাই দেখতে হয় তা শেখাতে সক্ষম। মানুষের মতো কম্পিউটার শেখার বিভিন্ন পদ্ধতি রয়েছে (এবং এখনও আবিষ্কার করা যায়নি)। শেখার ক্ষেত্রে একটি নির্দিষ্ট পদ্ধতির অগ্রযাত্রায় বর্তমান এআই / এমএল শিখর ডিপ লার্নিংয়ের ফলাফল।

এআই এর অন্যান্য ফর্মগুলির গভীরতর অধ্যয়নের অন্যতম গুরুত্বপূর্ণ বৈশিষ্ট্য হ'ল আমরা সিদ্ধান্ত এবং অনুমানের উপর ভিত্তি করে কম্পিউটিংটি কতটা ভাল বুঝতে পারি না। উদাহরণস্বরূপ, আপনি ফর্মাল লজিকটিতে ফিরে যেতে পারেন। যদি এ-> বি-> সি হয় তবে আপনি নিজেই এই যুক্তিকে মডেল করতে পারেন। ডিপ লার্নিং কৃত্রিম নিউরনের গোপন স্তরগুলি ব্যবহার করে এবং এর কোনও বিচ্ছিন্ন, নির্জনবাদী বা পর্যবেক্ষণযোগ্য পর্যায়ে নেই। নীচের ছবিটি গভীর জ্ঞানের একটি সরল চিত্র।

উপরের চিত্রটি বেড়ার উপরে প্রাণীটি দেখায়। যদি আমরা এটি বিড়াল বা কুকুর কিনা তা অনুমান করতে চাই তবে আমাদের মস্তিষ্ক চুলের দৈর্ঘ্য এবং কুকুরের মাথার আকৃতি বিশ্লেষণ করে। পিসির জন্য, চিত্রের পিক্সেলগুলি রেফারেন্সের জন্য ইনপুট স্তর এবং ইনপুট স্তর এবং আউটপুটটির মধ্যে গণনার গোপন স্তর রয়েছে এবং তারা পিক্সেলের কোন দলকে প্রতিনিধিত্ব করতে পারে তা নির্ধারণ করার চেষ্টা করে।

কোনও ছবির পিক্সেল প্রাকৃতিকভাবে কাঠামোগত হয় না। আমরা যে বৈশিষ্ট্যগুলি অনুসন্ধান করি (যেমন চুলের দৈর্ঘ্য বা পশুর মাথার আকৃতি) আনুষ্ঠানিকভাবে ন্যায়সঙ্গত হতে পারে তবুও কম্পিউটারটি কুকুর নিজেই কী এবং এটির নিজস্ব মডেল তৈরি করার ক্ষেত্রে আরও দক্ষ প্রমাণিত হয়েছে। এই মডেলগুলি আগাম কম্পিউটারে কুকুর এবং বিড়ালের অনেকগুলি ছবি পাঠিয়ে শেখানো হয়।

তবে যদি তথ্যে আরও কাঠামো থাকে? সমস্ত সমস্যার মধ্যে অরক্ষিত ডেটা অন্তর্ভুক্ত নয়। ধরা যাক আমরা একটি খেলা খেলছি, "আপনি কাকে খুঁজে পান?" খেলোয়াড়দের বিরোধী বাছাই করা চিত্রটি সঠিকভাবে পূর্বাভাস না দেওয়া পর্যন্ত অনুসন্ধান বাক্সটিকে সঙ্কুচিত করার অনুমতি দিন। এই ক্ষেত্রে, আমরা যুক্তি অনুসরণ করতে পারি কারণ আমাদের সাথে কাজ করার জন্য বিভিন্ন বৈশিষ্ট্য / গুণ রয়েছে। অতএব, এই গেমটি জিততে আপনার মেশিনটি শেখানোর জন্য ডিপ লার্নিংয়ের দরকার নেই।

আকিনেটর এবং 20 কিউ, ডেস্কটপ গেমগুলির অনলাইন সংস্করণ, "আপনি কী জানেন কে জানেন?" এটি মেশিন লার্নিং ব্যবহার করে তৈরি করা এআই এর একটি দুর্দান্ত উদাহরণ, তবে এটি অবশ্যই গভীর শিক্ষণ নয়। আকিনেটরটি আনুষ্ঠানিকভাবে ম্যানুয়ালি মডেল করা যায় তবে এটি বারবার খেলার মাধ্যমে শেখার ক্ষেত্রে দুর্দান্ত হয়েছে।

কঠোরভাবে কোডেড বিধি এবং রাজ্যগুলির সাথে কম্পিউটার ব্যবহার করে দাবা এবং টিক ট্যাক পায়ের আঙ্গুলগুলি খেলতে পারা যায়। আকিনেটর এবং 20 কিউ প্লে অফগুলির মাধ্যমে আরও কার্যকরভাবে শেখায়। গো এবং স্টারক্রাফ্টের মতো গেমগুলিকে আলাদা করে দেওয়ার একটি জিনিস হ'ল তাদের কাছে বিশাল সার্চ ইঞ্জিন, পরিস্থিতি এবং কৌশল রয়েছে। আমাদের মেশিনগুলি এই গেমগুলিকে মানচিত্র করার মতো শক্তিশালী না হওয়া পর্যন্ত আমরা ডিপ লার্নিংকে বিশ্বাস করি।

উদাহরণ সংক্ষিপ্তসার

এখানে উদাহরণগুলির সংক্ষিপ্ত বিবরণ দেওয়া হল এবং কীভাবে তাদের আলোচনায় সম্বোধন করা হয়েছিল is

কীভাবে "জোনেসকে সমর্থন করবেন"?

সুতরাং, যদি মোটেও, মেশিন লার্নিং আপনার জীবনের সাথে খাপ খায়? যেখানে এআইয়ের গণতন্ত্রায়ন শুরু করার জন্য ভাল জায়গা হতে পারে। গুগল সম্প্রতি গুগল.ইই ঘোষণা করেছে, যা এমএল ক্ষেত্রটিকে তিনটি বিভাগে বিভক্ত করে: গবেষণা, সরঞ্জাম এবং অবকাঠামো এবং অ্যাপ্লিকেশন। গবেষণায়, আপনি ভাল এআই আবিষ্কার করার উপায়গুলিতে কাজ করছেন। সরঞ্জামগুলিতে, আপনি এআই পরিচালনা করার কার্যকর উপায়গুলি খুঁজে পাবেন। পরিশেষে, পরিশিষ্টে আপনি এআই অনুশীলন এবং পদ্ধতিগুলি উল্লেখ করবেন। গুগলের মতো সংস্থাগুলি লক্ষ লক্ষ বিকাশকারীদের এমএল অ্যাক্সেস করা লক্ষ্য করে, যেখানে লোকেরা প্রতিদিন এআই ব্যবহার করে।

www.google.ai

(আপনি যদি সত্যই এআই পারফরম্যান্সে আগ্রহী হন, তবে এখানে অনুমোদিত অথরিভ লিভারেজ গবেষণা পত্র রয়েছে))