බුද්ධිමත් ඇල්ගොරිතම සහ කෘතිම බුද්ධිය. කෘතිම බුද්ධිය
මුලින්ම, කෘතිම බුද්ධිය යනු කුමක්ද? AI යනු ඇල්ගොරිතම සමූහයක් සහ මිනිස් මොළය මගින් විසඳන කාර්යයන් ස්වයංක්‍රීය කිරීම මෙන්ම ක්‍රියාකාරකම් අනුකරණය කිරීම පිළිබඳ පර්යේෂණ දිශාවකි. මිනිස් මොළයපරිගණක ගැටළු විසඳීම වැඩිදියුණු කිරීමට. උදාහරණ වශයෙන්:
- රටා හඳුනාගැනීම, දෘශ්ය තොරතුරු විශ්ලේෂණය.
- ශබ්ද තොරතුරු හඳුනාගැනීම.
- තර්කනය, තීරණ ගැනීම.
- නිර්මාණශීලිත්වය, බුද්ධිය.
මූලික අදහස නම් මොළය පරිගණකයකට වඩා හොඳින් බොහෝ ගැටලු විසඳන බවයි, එබැවින් අපගේ මොළය ගැටළු විසඳීමට භාවිතා කරන ක්‍රමලේඛනයේදීම භාවිතා කිරීම අර්ථවත් කරයි. මෙම ප්‍රවේශයට ස්තූතිවන්ත වන්නට, උදාහරණයක් ලෙස, පරිගණකයක් චෙස් ක්රීඩා කිරීමට “උගන්වා” ඇති අතර ප්‍රසිද්ධ ග්‍රෑන්ඩ්මාස්ටර්වරුන් පරාජය කිරීමට පවා, මුලදී මෙම කාර්යය දුෂ්කර ගැටළුවක් වුවද: චෙස් ක්‍රීඩාවක සංයෝජන සංඛ්‍යාව ඉතා විශාල බැවින් පරිගණකයට කළ නොහැක. විශ්වයේ සමස්ත පැවැත්ම සඳහා ඒවා ගණන් කරන්න. හියුරිස්ටික් ඇල්ගොරිතම සොයා ගැනීමත් සමඟ ගැටළුව විසඳා ඇත. හූරිස්ටික් වල සාරය නම්, අපි සියලු විකල්ප ගණනය නොකර විශ්ලේෂණය කළ යුතු විකල්පයන් කෙසේ හෝ තෝරා ගනිමු.
දැන් AI හි සාමාන්‍ය ක්ෂේත්‍ර කිහිපයක් ගැන.
- කෘතිම බුද්ධිය භාවිතා කිරීමේ මූලික මූලධර්ම ප්‍රගුණ කරන්න පරිගණක ක්රීඩා.
- ක්රීඩා වල යෙදෙන කෘතිම බුද්ධි ඇල්ගොරිතම සලකා බලන්න
- කෘතිම බුද්ධියේ මූලධර්ම භාවිතා කරමින් පරිගණක ක්රීඩාවක් සාදන්න
AI පද්ධතියක් සංවර්ධනය කිරීමේ ප්‍රවේශයන් පිළිබඳ දළ විශ්ලේෂණය
කෘතිම බුද්ධියේ තේමාව ( කෘතිම බුද්ධිය, AI, AI) බොහෝ නවක ක්‍රමලේඛකයින්, සංවර්ධකයින් සහ පරිගණක ක්රීඩා ලෝලීන්ගේ මනස උද්දීපනය කරයි. AI බොහෝ දෙනෙකුට පෙනෙන්නේ පුදුම සහගත ලෙස සංකීර්ණ, රසවත් සහ අද්භූත දෙයක් ලෙසයි. ඇත්ත වශයෙන්ම, AI තාක්ෂණයන් ක්රීඩා චරිතවලට බුද්ධිමත්ව ක්රියා කිරීමට බල කරයි. කෙසේ වෙතත්, AI පිළිබඳ අද්භූත කිසිවක් නොමැත. මෙම දැනුමේ ක්ෂේත්‍රයේ සංවර්ධනයේ දශක ගණනාවක් පුරා, විවිධාකාර ක්‍රියාකාරකම් ක්ෂේත්‍රවල අදාළ වන ඇල්ගොරිතම විශාල ප්‍රමාණයක් සංවර්ධනය කර ඇත. තවද පරිගණක ක්රීඩා යනු කෘත්‍රිම බුද්ධි තාක්ෂණයන් සඳහා සාපේක්ෂව කුඩා ක්ෂේත්‍රයක් පමණි.
AI නොමැති පරිගණක ක්රීඩාවක් සොයා ගැනීම ඉතා අපහසුය. "ස්මාර්ට්" ක්රීඩා සඳහා සම්භාව්ය උදාහරණයක් වන්නේ චෙක්පත්, චෙස් සහ අනෙකුත් පුවරු ක්රීඩා සඳහා වැඩසටහන් වේ. පරිගණකය පරිශීලකයාට එරෙහිව ක්රීඩා කරන සෑම ක්‍රීඩාවක්ම AI වලින් සමන්විත වේ.
Game AI, පළමු ආසන්න වශයෙන්, වර්ග දෙකකට බෙදිය හැකිය. පළමු - සහ වඩාත්ම පැහැදිලි - තනි ක්රීඩා චරිතවල බුද්ධියයි. උදාහරණයක් ලෙස, වරක් ජනප්රිය කොන්සෝල ක්රීඩාවක් වූ Battle City හි සෑම ටැංකියක්ම ක්‍රීඩකයාගේ පදනමට ගොස් එය සහ ඔහුගේ ටැංකිය විනාශ කිරීමට උත්සාහ කරයි. ක්‍රීඩාවේ ටැංකි සම්බන්ධීකරණයෙන් තොරව ක්රියා කරයි, ඒවා විශේෂයෙන් දක්ෂ නැත, නමුත් එය සෙල්ලම් කිරීමට සිත්ගන්නා සුළුය - සමස්ත කාරණය නම් මෙම ක්‍රීඩාව සඳහා මෙම වර්ගයේ AI බෙහෙවින් සුදුසු බවයි. එය ක්‍රීඩාව නීරස නොවේ.
AI හි දෙවන මට්ටම වන්නේ කණ්ඩායම් බුද්ධියයි. උදාහරණයක් ලෙස, StarCraft මතක තබා ගන්න. පරිගණක පාලිත හමුදාවකට එරෙහිව සටන් කිරීමට ක්රීඩකයාට බල කෙරේ. පරිගණකය ඒකක විශාල සංඛ්‍යාවක් පාලනය කරන බව පෙනේ (ඉංග්රීසි ඒකකය - ඒකකයෙන්). නමුත් StarCraft හි AI කණ්ඩායම විසින් පාලනය කරන සෑම ජීවියෙකුටම තමන්ගේම "මනස" ඇති බව දැකීම පහසුය. උදාහරණයක් ලෙස, AI කණ්ඩායමට ප්‍රදේශයේ මුර සංචාරය කිරීමට යම් ඒකක සමූහයක් යැවිය හැක, නමුත් ඔවුන් අතරමඟදී සතුරෙකු හමු වුවහොත්, ඔවුන්ගේ ක්‍රියාවන්ට ඔවුන්ගේම AI වගකිව යුතුය.
StarCraft හි හමුදාවේ ක්රියා කිසිඳු ආකාරයකින් පාලනය නොකළේ නම් සහ AI එක තනි ඒකකයක මට්ටමින් පමණක් තිබුනේ නම්, ක්‍රීඩාව නීරස සෙවීමක් සහ සතුරන් විනාශ කිරීමක් බවට පත්වනු ඇත. සහ StarCraft, එහි බරපතල වයස (අවුරුදු 10 ක් පමණ) තිබියදීත්, ආකර්ෂණීය ක්රීඩාවක් ලෙස පවතී. තනි ක්‍රීඩක ව්‍යාපාරයක වුවද, StarCraft සැබවින්ම ක්‍රීඩකයා “ඇදගෙන” යා හැකිය, සබැඳි සටන් ගැන සඳහන් නොකරන්න.
මාර්ගය වන විට, එම StarCraft හි, පරිශීලකයා විසින් පාලනය කරනු ලබන ඒකකවල තනි AI ද ඇති බව දැකීම පහසුය. උදාහරණයක් ලෙස, පරිශීලකයා විසින් ලබා දෙන එම "මුර සංචාර" විධානයම StarCraft ජීවියෙකුට කීකරු ලෙස නියමිත මාර්ගය ඔස්සේ ගමන් කිරීමට හේතු වේ. නමුත් මාර්ගයේ බාධකයක් දිස්වන්නේ නම් (නිදසුනක් ලෙස, ක්‍රීඩකයා එහි මාර්ගය අවහිර කරන ගොඩනැගිල්ලක් ගොඩනඟයි) - කුමක් කළ යුතුද යන්න ඒකකය විසින්ම තීරණය කරනු ඇත. ඒ හා සමානව, ඔහුගේ දර්ශන ක්ෂේත්‍රයේ සතුරන් පෙනී සිටියහොත් ඔහු ස්වාධීනව පහර දීමට තීරණය කරයි.
පරිගණක ක්රීඩා වල භාවිතා වන AI පද්ධති ප්රධාන වර්ග දෙකකට බෙදිය හැක. පළමුව, මේවා ඊනියා නිර්ණායක පද්ධති වේ. චරිතයේ ක්‍රියාවන්හි පුරෝකථනය කිරීමේ හැකියාවෙන් ඒවා කැපී පෙනේ. දෙවනුව, මේවා නිර්ණය නොවන පද්ධති වේ - එවැනි AI මගින් පාලනය වන චරිතයකට අනපේක්ෂිත ලෙස ක්රියා කළ හැකි අතර අනපේක්ෂිත තීරණ ගත හැකිය.
අප දැනටමත් පවසා ඇති පරිදි, කණ්ඩායම් AI හා සසඳන විට තනි ඒකක AI යටත් භූමිකාවක් ඉටු කරයි. තනි ඒකකයක AI සමස්තයක් ලෙස ක්‍රීඩාවට බලපෑම් කළ හැකිද? සමහර විට - තනි ඒකකයක සාර්ථකත්වයන් සමාන සියල්ලන්ට බෙදා හරින අවස්ථාවක. නිදසුනක් වශයෙන්, සමහර ඒකකයක් ප්‍රබල සතුරෙකුට මුහුණ දුන් අතර ආශ්චර්යමත් ලෙස සටනේදී ජයග්‍රහණය කළේය. මෙම ඒකකය අත්දැකීම් ලබා ඇති අතර, AI කණ්ඩායමට ස්තුතිවන්ත වන අතර, වෙනත් ඒකක වෙත මාරු කළ හැකිය. එම. එක් ඒකකයක් යමක් ඉගෙන ගෙන තිබේ නම්, අනෙක් අය, AI කණ්ඩායමට ස්තූතිවන්ත වන අතර, එයින් නව කුසලතා ලබා ගැනීමට හැකි වනු ඇත. මේ අනුව, තනි පුද්ගල සහ කණ්ඩායම් AI එකිනෙකට සම්බන්ධ වන අතර, සමහර අවස්ථාවලදී, අන්තර් රඳා පවතී.
නිර්ණය නොවන AI වලින් සමන්විත චරිතයක් හැසිරීමේ අනපේක්ෂිත බව සහ වැඩි “සජීවී බව” මගින් සංලක්ෂිත වේ. එවැනි චරිතවලට එරෙහිව ක්රීඩා කිරීම සාමාන්යයෙන් දැඩි ලෙස අධිෂ්ඨානශීලී අයට වඩා රසවත් ය. තුළ ජනප්‍රියයි මෑත කාලයේනිර්ණය නොවන AI ක්‍රියාත්මක කිරීමේ ක්‍රමයක් වන්නේ ස්නායු ජාල තාක්ෂණයයි. එය ඉතා සමඟ චරිත නිර්මාණය කිරීමට ඔබට ඉඩ සලසයි දුෂ්කර හැසිරීම. මීට අමතරව, ස්නායුක ජාල ඉගෙනීමේ හැකියාව ඇත. එනම්, ක්රීඩා චරිත බුද්ධිමත්ව හැසිරෙනවා පමණක් නොව, ඔවුන්ගේ වැරදි වලින් ඉගෙන ගනී.
ප්රායෝගිකව, AI හි නියතිවාදී සහ නිර්ණය නොවන වර්ග දෙකම භාවිතා වේ. සාමාන්යයෙන් ඔවුන් එකට ක්රියා කරයි. උදාහරණයක් ලෙස, සමහර සරල නොපැහැදිලි ක්රියාවන් සිදු කිරීම සඳහා (කියන්න, බිත්තියකට ළඟා වන විට පෙරළන්න), සරල සහ වේගවත් නිර්ණායක ඇල්ගොරිතම භාවිතා කළ හැකිය. වඩාත් සංකීර්ණ අවස්ථාවන්හිදී (උදාහරණයක් ලෙස, X සමාගමේ කොටස් මිලදී ගන්නේද, පරාමිතීන් විශාල සංඛ්‍යාවක් සැලකිල්ලට ගනිමින්, සතුරාට පහර දෙනවාද, ඔහුගේ හැකියාවන්, කෙනෙකුගේ හැකියාවන්, ශක්තිමත් කිරීම් තිබීම යනාදිය සැලකිල්ලට ගනිමින්), තවත් සංකීර්ණ නිර්ණය නොවන ඇල්ගොරිතම භාවිතා වේ. අර්ධ වශයෙන් අධිෂ්ඨානශීලී (උදාහරණයක් ලෙස, බිත්තියක් වෙත ළඟා වන විට, චරිතයක් වමට හැරීමේ සම්භාවිතාව 50%, දකුණට හැරීමට 30% සහ ආපසු හැරී ආපසු යාමට 20%) ද බහුලව භාවිතා වේ.
ලුහුබැඳීමේ ඇල්ගොරිතම ක්‍රියාත්මක කිරීම
අපි pursuit algorithm එකක් භාවිතා කර ක්රීඩාවක් ක්‍රියාත්මක කරමු. මෙම ඇල්ගොරිතමයේ සාරය පහත පරිදි වේ. පසුපස හඹා යන වස්තුව ක්රීඩා ලෝකයේ එහි ඛණ්ඩාංක ගොදුරු වස්තුවේ ඛණ්ඩාංක සමඟ සංසන්දනය කරන අතර ගොදුරට සමීප වන ආකාරයට එහි ඛණ්ඩාංක සකස් කරයි. සරලම අවස්ථාවෙහිදී, ලුහුබැඳීම විවෘත අවකාශයේ සිදු වේ.
P5_1 ව්‍යාපෘතිය මත පදනම්ව P8_1 නව ක්රීඩා ව්‍යාපෘතියක් නිර්මාණය කරමු. අපි වස්තු දෙකක් භාවිතා කරමු - ලුහුබැඳ යන්නා සහ වින්දිතයා. ලුහුබැඳ යන්නා වින්දිතයාගේ වේගයට වඩා 1 අඩු වේගයකින් ගොදුර දෙසට ගමන් කරයි. වස්තූන් එකිනෙක ගැටුනහොත් ගොදුර විනාශ වේ.
රූපයේ. 12.1 කවුළුව පෙන්වා ඇත විසඳුම් ගවේෂකයක්‍රීඩා ව්‍යාපෘතිය P8_1.
සහල්. 12.1
අපි gBaseClass නමින් මූලික පන්තියක්, ලුහුබැඳ යන වස්තුව (සතුරා) සඳහා පන්තියක්, ගොදුරු වස්තුව (Me) සඳහා පන්තියක් සහ බිත්ති වස්තුව සඳහා පන්තියක් භාවිතා කරමු. වින්දිතයා වෙත යන ගමනේදී ජයගත නොහැකි බාධාවකට මුහුණ දෙන විට ලුහුබැඳීමේ ඇල්ගොරිතම ක්‍රියාත්මක කරන වස්තුවක හැසිරීම අධ්යයනය කිරීම සඳහා අපට බිත්ති වස්තු පන්තිය අවශ්ය වනු ඇත. අපි මුල් P5_1 ව්‍යාපෘතියෙන් පන්ති කේතය සැලකිය යුතු ලෙස වෙනස් කර ඇත, එබැවින් පහතින් ඔබට ක්‍රීඩාවේ පන්ති සඳහා සම්පූර්ණ කේතය සොයාගත හැකිය. ලැයිස්තුගත කිරීම 12.1. ඔබට Game1 පන්තිය සඳහා කේතය සොයාගත හැකිය.
පද්ධතිය භාවිතා කිරීම; System.Collections.Generic භාවිතා කිරීම; Microsoft.Xna.Framework භාවිතා කිරීම; Microsoft.Xna.Framework.Audio භාවිතා කිරීම; Microsoft.Xna.Framework.Content භාවිතා කිරීම; Microsoft.Xna.Framework.GamerServices භාවිතා කිරීම; Microsoft.Xna.Framework.Graphics භාවිතා කිරීම; Microsoft.Xna.Framework.Input භාවිතා කිරීම; Microsoft.Xna.Framework.Net භාවිතා කිරීම; Microsoft.Xna.Framework.Storage භාවිතා කිරීම; namespace P8_1 ( ///
("බිත්තිය"); //ක්රීඩා කවුළුවේ වස්තු සැකසීමේ ක්රියා පටිපාටිය අමතන්න AddSprites(); // කළ යුතු දේ: මෙය භාවිතා කරන්න. ඔබේ ක්රීඩා අන්තර්ගතය මෙහි පූරණය කිරීමට අන්තර්ගතය ) //ක්රීඩා කවුළුව තුළ වස්තු සැකසීමේ ක්රියා පටිපාටිය අවලංගු AddSprites() ( // ක්‍රීඩක වස්තුව int a = 0, b ලිපිනය තාවකාලිකව ගබඩා කිරීම සඳහා විචල්‍යයන් = 0; //අරා ස්ථරය හරහා බලන්න (int i = 0; i
ලැයිස්තුගත කිරීම 12.1. Game1 පන්ති කේතය
මෙම ලිපියෙන් මම ජානමය ඇල්ගොරිතමයක් භාවිතයෙන් සරලම කෘතිම බුද්ධිය (AI) වර්ධනය කිරීමේ මගේ අත්දැකීම් බෙදා ගන්නෙමි, තවද ඕනෑම හැසිරීමක් උත්පාදනය කිරීමට අවශ්ය අවම විධාන කට්ටලය ගැනද කතා කරමි.
කාර්යයේ ප්‍රති result ලය වූයේ AI, නීති නොදැන, ස්වාධීනව ටික්-ටැක්-ටෝ ක්‍රීඩාව ප්‍රගුණ කර එයට එරෙහිව ක්රීඩා කළ බොට් වල දුර්වලතා සොයා ගැනීමයි. නමුත් මම ඊටත් වඩා සරල කාර්යයකින් ආරම්භ කළෙමි. විධාන කට්ටලයඒ සියල්ල ආරම්භ වූයේ AI සතුව තිබිය හැකි විධාන මාලාවක් සකස් කිරීමෙනි. භාෂාදත්ත කියවීමට සහ ප්‍රතිදානය කිරීමට, මතකය සමඟ වැඩ කිරීමට, ගණනය කිරීම් සහ තාර්කික මෙහෙයුම් සිදු කිරීමට, සංක්‍රාන්ති සහ ලූප කිරීමට මට AI අවශ්ය විය. මට Brainfuck භාෂාව හමු විය, එහි විධාන 8 ක් පමණක් අඩංගු වන අතර ඕනෑම ගණනය කිරීමක් කළ හැකිය (එනම් එය Turing සම්පූර්ණයි). ප්‍රතිපත්තිමය වශයෙන්, එය ජානමය ක්‍රමලේඛනය සඳහා සුදුසු ය, නමුත් මම තවදුරටත් ඉදිරියට ගියෙමි.
මම කල්පනා කළා: ඕනෑම ඇල්ගොරිතමයක් ක්‍රියාත්මක කිරීමට අවශ්ය අවම විධාන ගණන කීයද? පෙනෙන පරිදි, තිබුණේ එකක් පමණි!
URISC ප්‍රොසෙසරයේ අඩංගු වන්නේ එක් උපදෙසක් පමණි: උපසිරැසිය minuend ට වඩා වැඩි නම් ඊළඟ උපදෙස් අඩු කර මඟ හරින්න. ඕනෑම ඇල්ගොරිතමයක් සෑදීමට මෙය ප්රමාණවත්ය.
Oleg Mazonka තවත් ඉදිරියට ගොස් BitBitJump විධානය සංවර්ධනය කර එය Turing සම්පූර්ණ බව ඔප්පු කළේය. උපදෙස් වල ලිපින තුනක් අඩංගු වේ, පළමු සිට දෙවන මතක ලිපිනයට බිට් එකක් පිටපත් කර තුන්වන ලිපිනයට පාලනය මාරු කරයි.
ඔලෙග්ගේ අදහස් ණයට ගනිමින්, කාර්යය සරල කිරීම සඳහා, මම SumIfJump විධානය වර්ධනය කළෙමි. විධානයේ ඔපෙරන්ඩ් හතරක් අඩංගු වේ: A, B, C, D සහ පහත සඳහන් දේ සිදු කරයි: B ලිපිනයේ ඇති කොටුවට එය A ලිපිනයේ ඇති කොටුවෙන් දත්ත එකතු කරයි, අගය නියමිත අගයට වඩා වැඩි නම්, එය ලිපිනයට යයි. C, එසේ නොමැතිනම් එය D ලිපිනයට යයි.
සටහන
*මෙම අවස්ථාවේදී, 128 භාවිතා කරන ලදී - ජෙනෝමයේ දිගෙන් අඩක්.
Operand A මතක ස්ථානය N0 වෙත ප්‍රවේශ වන විට, දත්ත ආදානය සිදු වන අතර, operand A මතක ස්ථානය N1 වෙත ප්‍රවේශ වූ විට, ප්‍රතිදානය සිදු වේ.
පහත දැක්වෙන්නේ FreePascal හි SumIfJump කේතයයි (Delphi හි නොමිලේ ප්‍රතිසමයකි).
ක්රියා පටිපාටිය RunProg(s: TData); var a, b, c, d: TData; Inc (NSstep) ආරම්භ කරන්න; NStep > MaxStep නම් ProgResult ආරම්භ කරන්න:= "MaxStep"; පිටවීම;< ProgLength div 2 then
RunProg(c)
else
RunProg(d);
end;
අවසානය;
a:= s; b:= s + 1; c:= s + 2; d:= s + 3; a:= Prog[a]; b:= Prog[b]; c:= Prog[c]; d:=Prog[d]; a = 0 නම් ProgResult ආරම්භ කරන්න:= "ආදානය"; පිටවීම;
අවසානය;
a = 1 නම් ProgResult:= "ප්‍රතිදානය" ආරම්භ කරන්න; පිටවීම;
අපගේ AI හි ජෙනෝමය 0 සිට 255 දක්වා අගයන් සහිත සෛල 256 කින් සමන්විත වේ. සෑම අගයක්ම මතකයක්, කේතයක් සහ ලිපිනයකි. කේත ක්‍රියාත්මක කිරීමේ පියවර ගණන 256 කට සීමා වේ. ඔපෙරන්ඩ් එකින් එක කියවනු ලැබේ.
මුලදී, ජෙනෝමය ජනනය කරනු ලබන්නේ අහඹු සංඛ්යා සමූහයක් මගිනි, එබැවින් AI එය ක්රීඩා කිරීමට අවශ්ය දේ නොදනී. එපමණක් නොව, බොට් වෙත ප්‍රතිචාර දැක්වීමේදී අනුක්‍රමිකව දත්ත ආදානය සහ ප්‍රතිදානය කළ යුතු බව ඔහු නොදනී.
ජනගහනය සහ තේරීම
පළමු ජනගහනය 256 AI වලින් සමන්විත වන අතර එය bot සමඟ සෙල්ලම් කිරීමට පටන් ගනී. AI නිවැරදි ක්රියා සිදු කරන්නේ නම්, උදාහරණයක් ලෙස, එය ආදානය සඳහා දත්ත ඉල්ලා සිටි අතර පසුව යමක් ප්‍රතිදානය කරයි, එවිට AI හට ලකුණු ලැබේ. වඩාත් නිවැරදි ක්රියා, වැඩි ලකුණු.වැඩිම ලකුණු ලබා ගන්නා AIs 16ක් දරුවන් 15ක් බිහි කරන අතර ක්‍රීඩාවට දිගටම සහභාගී වේ. පැවත එන්නෙක් විකෘතියකි. විකෘතිය සිදුවන්නේ මාපිය පිටපතක එක් අහඹු සෛලයක් අහඹු අගයකින් ප්‍රතිස්ථාපනය කිරීමෙනි.
පළමු ජනගහනය තුළ AI ලකුණු නොලදහොත්, ඊළඟ ජනගහනය සෑදේ. AI වලින් එකක් නිවැරදි ක්රියාවන් කිරීමට සහ “නිවැරදි” දරුවන් බිහි කිරීමට පටන් ගන්නා තෙක් එසේ ය.
විකාශය
සැලකිය යුතු සිදුවීම් අතර පරම්පරා වෙනස්කම් දහස් ගණනක් සිදු විය. මෙම වැඩසටහන Core i7 මත නූල් කිහිපයකින් ධාවනය විය. ගණනය කිරීම් විනාඩි 15 ක් පමණ ගත විය.
- AI “නායකයා” අහඹු වැරැද්දක් කර ප්රමාණවත් ලකුණු ලබා නොගත් විට, ජනගහනය පිරිහීමට පටන් ගත්තේය, මන්ද "ද්විතියික" දෙමව්පියන්ගෙන් දරුවන් බිහි විය.
- කාලය සලකුණු කරන පිටස්තරයින් සමඟ ප්‍රවාහයක සාර්ථක විකෘතියක් සිදු වූ අතර එමඟින් ලබාගත් ලකුණුවල පුපුරන සුලු වැඩි වීමක් සිදු විය. ඉන් පසුව මෙම ප්‍රවාහය නායකයා බවට පත් විය.
- සමහර විට දිගු කලක් තිස්සේ සාර්ථක විකෘති කිසිවක් සිදු නොවූ අතර, තේරීම සම්පූර්ණ කිරීමට පරම්පරා 500,000 ක් පවා ප්රමාණවත් නොවීය.
නිගමනය
අන්තිමට, මම ටික්-ටැක්-ටෝ ගේම් එකත් කළා. භාවිතා කරන ලද ජෙනෝම ප්‍රමාණය පළමු අවස්ථාවට සමාන විය. පියවර ගණන 1024 දක්වා සහ ජනගහන ප්‍රමාණය 64 දක්වා වැඩි කර ඇත (ඉක්මන් ගණනය කිරීම සඳහා). ගණනය කිරීම ටිකක් වැඩි කාලයක් ගත විය. ආසන්න වශයෙන් එකම ජවනිකාවකට අනුව සියල්ල සිදු විය.මුලදී, AI “සසම්භාවීකාරකයකට” එරෙහිව ක්රීඩා කළේය. ඒකයි මම අහම්බෙන් ඇවිදින බොට් එකට කිව්වේ. ඉතා ඉක්මනින්, AI ඔහුට පහර දීමට පටන් ගත් අතර, යම් රේඛාවක් පුරවා ඇත. ඊළඟට, මම සසම්භාවීකාරකයට කුඩා බුද්ධියක් එක් කිරීමෙන් කාර්යය සංකීර්ණ කළෙමි: හැකි නම් රේඛාව අල්ලා ගන්න, නැතහොත් ආරක්ෂා කරන්න. කෙසේ වෙතත්, මෙම අවස්ථාවේ දී ද, AI බොට් හි දුර්වලතා සොයාගෙන එය පරාජය කිරීමට පටන් ගත්තේය. සමහරවිට මේ ගැන කතාවක් වෙනම ලිපියක් සඳහා මාතෘකාවක් විය හැකිය.
මගේ පුතා මගෙන් ඉල්ලා සිටියේ AIs ඔවුන් අතර සෙල්ලම් කිරීමට මිස බොට් එකක් සමඟ නොවන පරිදි වැඩසටහනක් ලිවීමට ය. චෙකර්ස් හෝ ගෝ ක්‍රීඩාව සඳහාද එසේ කිරීමට අදහස් තිබුණි, කෙසේ වෙතත්, මට මේ සඳහා ප්රමාණවත් කාලයක් නොතිබුණි.
නව පුද්ගලයින් ලබා ගැනීමට මා භාවිතා කර ඇති එකම ක්‍රමය විකෘතියයි. ඔබට හරස්කඩ සහ ප්රතිලෝම භාවිතා කළ හැකිය. සමහරවිට මෙම ක්රම අවශ්ය ප්රතිඵලය ලබා ගැනීම වේගවත් කරනු ඇත.
අවසානයේදී, අදහසක් උපත ලැබීය: පරිගණකයක සියලුම ක්‍රියාවලීන් කළමනාකරණය කිරීමට සහ පරිගණක සම්පත් සඳහා තරඟ කිරීමට AI හට හැකියාව ලබා දීම. ඔබේ පරිගණකය අන්තර්ජාලයට සම්බන්ධ කර, පරිගණක බලය ලෙස පැරණි බිට්කොයින් ෆාම් සංචිතයක් භාවිතා කරන්න...
එවැනිම අත්හදා බැලීමක් කරමින් බ්ලොග්කරු පැවසූ පරිදි
කෘතිම බුද්ධිය: අධ්යයනය කරන්නේ කෙසේද සහ කොහේද - විශේෂඥයින් පිළිතුරු දෙයි
“මට AI කරන්න ඕන. ඉගෙනීමට වටින්නේ කුමක්ද? මා භාවිතා කළ යුතු භාෂා මොනවාද? මා ඉගෙන ගත යුතු සහ වැඩ කළ යුතු සංවිධාන මොනවාද?
පැහැදිලි කිරීම සඳහා අපි අපගේ විශේෂඥයින් වෙත හැරී, අපි ඔබගේ අවධානයට ලැබුණු පිළිතුරු ඉදිරිපත් කරමු.
එය ඔබගේ මූලික පුහුණුව මත රඳා පවතී. පළමුවෙන්ම, ඔබට ගණිතමය සංස්කෘතියක් (සංඛ්යාන පිළිබඳ දැනුම, සම්භාවිතා න්‍යාය, විවික්ත ගණිතය, රේඛීය වීජ ගණිතය, විශ්ලේෂණය, ආදිය) සහ ඉක්මනින් බොහෝ දේ ඉගෙන ගැනීමට ඇති කැමැත්ත අවශ්ය වේ. AI ක්රම ක්‍රියාත්මක කරන විට, ක්‍රමලේඛනය (ඇල්ගොරිතම, දත්ත ව්‍යුහයන්, OOP, ආදිය) අවශ්ය වේ.
විවිධ ව්යාපෘති සඳහා විවිධ ක්‍රමලේඛන භාෂා පිළිබඳ දැනුම අවශ්ය වේ. අවම වශයෙන් පයිතන්, ජාවා සහ ඕනෑම ක්‍රියාකාරී භාෂාවක් දැන ගැනීමට මම නිර්දේශ කරමි. විවිධ දත්ත සමුදායන් සහ බෙදා හරින ලද පද්ධති සමඟ වැඩ කිරීමේ පළපුරුද්ද ප්රයෝජනවත් වනු ඇත. කර්මාන්තයේ හොඳම භාවිතයන් ඉක්මනින් ඉගෙන ගැනීමට ඉංග්රීසි භාෂා කුසලතා අවශ්ය වේ.
හොඳින් ඉගෙනීමට මම නිර්දේශ කරමි රුසියානු විශ්ව විද්යාල! උදාහරණයක් ලෙස, MIPT, MSU සහ HSE වලට අනුරූප දෙපාර්තමේන්තු ඇත. Coursera, edX, Udacity, Udemy සහ අනෙකුත් MOOC වේදිකාවල විවිධ තේමා පාඨමාලා තිබේ. සමහර ප්‍රමුඛ සංවිධානවලට AI ක්ෂේත්‍රයේ තමන්ගේම පුහුණු වැඩසටහන් ඇත (උදාහරණයක් ලෙස, Yandex හි දත්ත විශ්ලේෂණ පාසල).
AI ක්රම මගින් විසඳන ලද යෙදුම් ගැටළු විවිධ ස්ථානවල සොයා ගත හැක. බැංකු, මූල්‍ය අංශය, උපදේශන, සිල්ලර වෙළඳාම, ඊ-වාණිජ්‍යය, සෙවුම් යන්ත්ර, තැපැල් සේවා, සූදු කර්මාන්තය, ආරක්ෂක පද්ධති කර්මාන්තය සහ, ඇත්ත වශයෙන්ම, Avito - සියල්ලටම විවිධ සුදුසුකම් සහිත විශේෂඥයින් අවශ්ය වේ.
Demote ප්‍රවර්ධනය කරන්න
අප සතුව යන්ත්ර ඉගෙනීම සහ පරිගණක දර්ශනය සම්බන්ධ ෆින්ටෙක් ව්‍යාපෘතියක් ඇත, එහි පළමු සංවර්ධකයා C++ වලින් සියල්ල ලිවීය, පසුව සංවර්ධකයෙකු පැමිණ Python හි සියල්ල නැවත ලිවීය. එබැවින් භාෂාව යනු මෙහි වැදගත්ම දෙය නොවේ, මන්ද භාෂාව ප්‍රථමයෙන් සහ ප්රධාන වශයෙන් මෙවලමක් වන අතර එය භාවිතා කරන්නේ කෙසේද යන්න ඔබට භාරයි. සමහර භාෂා වල ගැටළු ඉක්මනින් විසඳිය හැකි අතර අනෙක් ඒවා වඩාත් සෙමින් විසඳා ගත හැකිය.
ඉගෙන ගත යුත්තේ කොතැනදැයි කීමට අපහසුය - අපගේ සියලුම පිරිමි ළමයින් තනිවම ඉගෙන ගත්හ, වාසනාවකට අන්තර්ජාලය සහ ගූගල් ඇත.
Demote ප්‍රවර්ධනය කරන්න
ඔබට බොහෝ දේ අධ්යයනය කිරීමට සිදුවනු ඇති බවට මුල සිටම ඔබ සූදානම් වන ලෙස මට උපදෙස් දිය හැකිය. "AI කිරීම" යන්නෙන් අදහස් කරන්නේ කුමක් වුවත් - විශාල දත්ත හෝ ස්නායුක ජාල සමඟ වැඩ කිරීම; තාක්‍ෂණය දියුණු කිරීම හෝ දැනටමත් සංවර්ධනය කර ඇති යම් පද්ධතියක සහාය සහ පුහුණුව.
විශේෂතා සඳහා Data Scientist ගේ ප්‍රවණතා වෘත්තිය ගනිමු. මේ පුද්ගලයා මොනවද කරන්නේ? පොදුවේ ගත් කල, එය භාවිතා කිරීම සඳහා විශාල දත්ත එකතු කිරීම, විශ්ලේෂණය කිරීම සහ සකස් කිරීම. AI වර්ධනය වන සහ පුහුණු කරන ඒවා වේ. දත්ත විද්‍යාඥයෙකු දැනගත යුතු සහ කළ හැකි විය යුත්තේ කුමක්ද? ස්ථිතික විශ්ලේෂණය සහ ගණිතමය ආකෘතිකරණය පෙරනිමියෙන් සහ චතුර මට්ටමේ වේ. භාෂා - කියන්න, R, SAS, Python. ඒ වගේම සංවර්ධන අත්දැකීම් ටිකක් තියෙනවා නම් හොඳයි. හොඳයි, සාමාන්යයෙන් කථා කරන විට, හොඳ දත්ත විද්‍යාඥයෙකුට දත්ත සමුදායන්, ඇල්ගොරිතම සහ දත්ත දෘශ්‍යකරණය පිළිබඳ විශ්වාසයක් තිබිය යුතුය.
රටේ සෑම දෙවන තාක්ෂණික විශ්ව විද්‍යාලයකින්ම එවැනි දැනුමක් ලබා ගත හැකි බව නොකියයි. විශාල සමාගම් AI සංවර්ධනය ප්‍රමුඛතාවයක් ලෙස ඇති අය, මෙය තේරුම් ගෙන තමන්ටම සුදුසු පුහුණු වැඩසටහන් සංවර්ධනය කරන්න - උදාහරණයක් ලෙස, Yandex වෙතින් දත්ත විශ්ලේෂණ පාසල ඇත. නමුත් ඔබ මෙය "වීදියේ සිට" පාඨමාලා සඳහා පැමිණෙන පරිමාණය නොවන බව ඔබ දැන සිටිය යුතුය, නමුත් ඔවුන් සූදානම් කළ කනිෂ්ඨ ලෙස තබන්න. ස්ථරය විශාල වන අතර, අවම වශයෙන් විශ්ව විද්යාල වැඩසටහනේ රාමුව තුළ මූලික කරුණු (ගණිතය, සංඛ්‍යාලේඛන) දැනටමත් ආවරණය කර ඇති විට විනයක් අධ්යයනය කිරීම අර්ථවත් කරයි.
ඔව්, එය සෑහෙන කාලයක් ගතවනු ඇත. නමුත් ක්‍රීඩාව ඉටිපන්දම වටිනවා, මන්ද හොඳ දත්ත විද්‍යාඥයෙක් ඉතා පොරොන්දු වේ. සහ ඉතා මිල අධික. තවත් කරුණක් ද තිබේ. කෘත්‍රිම බුද්ධිය යනු, එක් අතකින්, තවදුරටත් ප්‍රබෝධමත් කිරීමේ වස්තුවක් නොව, ඵලදායිතාවයේ මට්ටමට සම්පූර්ණයෙන්ම ළඟා වී ඇති තාක්‍ෂණයකි. අනෙක් අතට, AI තවමත් සංවර්ධනය වෙමින් පවතී. මෙම සංවර්ධනය සඳහා විශාල සම්පත්, විශාල කුසලතා සහ විශාල මුදලක් අවශ්ය වේ. මෙතෙක් මෙය ප්රධාන ලීග් මට්ටමයි. මම දැන් පැහැදිලිව කියන්නම්, නමුත් ඔබට ප්‍රහාරයේ ඉදිරියෙන්ම සිටීමට සහ ඔබේම දෑතින් ප්‍රගතිය ගෙන යාමට අවශ්ය නම්, Facebook හෝ Amazon වැනි සමාගම් ඉලක්ක කරන්න.
ඒ අතරම, තාක්‍ෂණය දැනටමත් ක්ෂේත්‍ර ගණනාවක භාවිතා වේ: බැංකු, ටෙලිකොම්, යෝධ කාර්මික ව්‍යවසායන් සහ සිල්ලර වෙළඳාම. ඒවගේම ඔවුන්ට දැනටමත් ඒකට සහය දෙන්න පුළුවන් අය අවශ්‍යයි. ගාට්නර් අනාවැකි පළ කරන්නේ 2020 වන විට සියලුම ව්‍යාපාර වලින් 20% ක් බවයි සංවර්ධිත රටවල්කුලියට ගනීවි විශේෂ සේවකයින්මෙම සමාගම්වල භාවිතා කරන ස්නායුක ජාල පුහුණු කිරීමට. ඉතින් තනියම ඉගෙන ගන්න තව පොඩි වෙලාවක් තියෙනවා.
Demote ප්‍රවර්ධනය කරන්න
AI දැන් ක්‍රියාකාරීව සංවර්ධනය වෙමින් පවතින අතර, වසර දහයකට පෙර අනාවැකි කීම අපහසුය. ඉදිරි වසර දෙක තුන තුළ, ස්නායුක ජාල සහ GPU පරිගණකකරණය මත පදනම් වූ ප්‍රවේශයන් ආධිපත්‍යය දරනු ඇත. මෙම ප්‍රදේශයේ ප්‍රමුඛයා වන්නේ Jupyter අන්තර්ක්‍රියාකාරී පරිසරය සහ numpy, scipy සහ tensorflow පුස්තකාල සහිත Python ය.
මෙම තාක්ෂණයන් පිළිබඳ මූලික අවබෝධයක් ලබා දෙන බොහෝ මාර්ගගත පාඨමාලා තිබේ පොදු මූලධර්ම AI, උදාහරණයක් ලෙස Andrew Ng ගේ පාඨමාලාව. තවද මෙම මාතෘකාව ඉගැන්වීම සම්බන්ධයෙන් රුසියාව දැන් වඩාත් ඵලදායී වේ ස්වයං අධ්යාපනයහෝ දේශීය උනන්දුවක් දක්වන කණ්ඩායමක (උදාහරණයක් ලෙස, මොස්කව්හි මිනිසුන් අත්දැකීම් සහ දැනුම බෙදාහදා ගන්නා කණ්ඩායම් කිහිපයක පැවැත්ම ගැන මම දනිමි).
Demote ප්‍රවර්ධනය කරන්න
Demote ප්‍රවර්ධනය කරන්න
අද වන විට කෘත්‍රිම බුද්ධියේ ඉතාමත් වේගයෙන් දියුණු වන කොටස වන්නේ, සමහරවිට, ස්නායුක ජාලයි.
ස්නායුක ජාල සහ AI අධ්යයනය ආරම්භ කළ යුත්තේ ගණිතයේ අංශ දෙකක් - රේඛීය වීජ ගණිතය සහ සම්භාවිතා න්‍යාය ප්‍රගුණ කිරීමෙනි. මෙය අනිවාර්ය අවම, කෘතිම බුද්ධියේ නොසැලෙන කුළුණු. AI හි මූලික කරුණු තේරුම් ගැනීමට කැමති අයදුම්කරුවන්, විශ්ව විද්‍යාලයක් තෝරාගැනීමේදී, මගේ මතය අනුව, ශක්තිමත් ගණිත පාසලක් සහිත පීඨ කෙරෙහි අවධානය යොමු කළ යුතුය.
ඊළඟ පියවර වන්නේ ගැටලුවේ ගැටළු අධ්යයනය කිරීමයි. අධ්‍යාපනික සහ විශේෂිත වූ සාහිත්‍ය විශාල ප්‍රමාණයක් ඇත. කෘතිම බුද්ධිය සහ ස්නායුක ජාල යන මාතෘකාව පිළිබඳ බොහෝ ප්රකාශන ඉංග්රීසි භාෂාවෙන් ලියා ඇත, නමුත් රුසියානු භාෂා ද්රව්ය ද ප්රකාශයට පත් කෙරේ. arxiv.org හි මහජන ඩිජිටල් පුස්තකාලයේ ප්රයෝජනවත් සාහිත්‍ය සොයා ගත හැක.
අපි ක්‍රියාකාරකම් ක්ෂේත්‍ර ගැන කතා කරන්නේ නම්, මෙහිදී අපට ව්‍යවහාරික ස්නායු ජාල පුහුණු කිරීම සහ ස්නායුක ජාලවල සම්පූර්ණයෙන්ම නව අනුවාදයන් සංවර්ධනය කිරීම ඉස්මතු කළ හැකිය. කැපී පෙනෙන උදාහරණයක්: දැන් එවැනි ඉතා ජනප්රිය විශේෂත්වයක් ඇත - "දත්ත විද්යාඥයා" (දත්ත විද්යාඥ). මේවා සංවර්ධකයින් වන අතර, රීතියක් ලෙස, විශේෂිත යෙදුම් ක්ෂේත්‍රවල ස්නායුක ජාල පුහුණු කිරීම සඳහා ඇතැම් දත්ත කට්ටල අධ්යයනය කර සකස් කරයි. සාරාංශ කිරීම සඳහා, එක් එක් විශේෂීකරණය සඳහා වෙනම සූදානම් කිරීමේ මාර්ගයක් අවශ්ය බව මම අවධාරණය කිරීමට කැමැත්තෙමි.
Demote ප්‍රවර්ධනය කරන්න
විශේෂිත පාඨමාලා ආරම්භ කිරීමට පෙර, ඔබ රේඛීය වීජ ගණිතය සහ සංඛ්යා ලේඛන අධ්යයනය කළ යුතුය. "යන්ත්ර ඉගෙනීම" යන පෙළපොත සමඟ AI හි ඔබේ ගිල්වීම ආරම්භ කිරීමට මම නිර්දේශ කරමි. දත්ත වලින් දැනුම උකහා ගන්නා ඇල්ගොරිතම ගොඩනැගීමේ විද්‍යාව සහ කලාව" ආරම්භකයින් සඳහා හොඳ ප්‍රාථමිකයකි. Coursera හි, K. Vorontsov (ඔවුන්ට රේඛීය වීජ ගණිතය පිළිබඳ හොඳ දැනුමක් අවශ්ය බව මම අවධාරණය කරමි) සහ Baidu AI හි මහාචාර්ය සහ ප්‍රධානී Andrew Ng විසින් උගන්වනු ලබන Stanford විශ්වවිද්‍යාලයේ "Machine Learning" පාඨමාලාවට සවන්දීම වටී. කණ්ඩායම්/Google මොළය.
තොගය Python වලින් ලියා ඇත, පසුව R සහ Lua.
ගැන කතා කළොත් අධ්යාපන ආයතන, ව්‍යවහාරික ගණිතය සහ පරිගණක විද්‍යාව යන දෙපාර්තමේන්තු වල පාඨමාලා සඳහා ඇතුළත් වීමට සුදුසු අධ්‍යාපනික වැඩසටහන් තිබේ. ඔබේ හැකියාවන් පරීක්ෂා කිරීම සඳහා, ඔබට Kaggle තරඟ සඳහා සහභාගී විය හැකිය, එහිදී ප්රධාන ගෝලීය වෙළඳ නාම ඔවුන්ගේ අවස්ථා ඉදිරිපත් කරයි.
Demote ප්‍රවර්ධනය කරන්න
ඕනෑම ව්යාපාරයකදී, ව්යාපෘති ආරම්භ කිරීමට පෙර, න්යායික පදනමක් ලබා ගැනීම හොඳය. ඔබට මෙම ක්ෂේත්‍රයේ විධිමත් ශාස්ත්‍රපති උපාධියක් ලබා ගත හැකි හෝ ඔබේ සුදුසුකම් වැඩි දියුණු කළ හැකි ස්ථාන බොහොමයක් තිබේ. උදාහරණයක් ලෙස, Skoltech "Machine Learning" සහ "Natural Language Processing" යන පාඨමාලා ඇතුළත් "පරිගණක විද්‍යාව සහ ඉංජිනේරු" සහ "දත්ත විද්‍යාව" යන ක්ෂේත්‍රවල මාස්ටර් වැඩසටහන් ඉදිරිපත් කරයි. ජාතික පර්යේෂණ න්‍යෂ්ටික විශ්ව විද්‍යාලයේ MEPhI හි බුද්ධිමය සයිබර්නෙටික් පද්ධති ආයතනය, මොස්කව් ප්‍රාන්ත විශ්ව විද්‍යාලයේ පරිගණක ගණිත හා සයිබර්නෙටික් පීඨය සහ MIPT හි බුද්ධි පද්ධති දෙපාර්තමේන්තුව ද ඔබට සඳහන් කළ හැකිය.
ඔබට දැනටමත් විධිමත් අධ්‍යාපනයක් තිබේ නම්, විවිධ MOOC වේදිකාවල පාඨමාලා ගණනාවක් තිබේ. උදාහරණයක් ලෙස, EDx.org මයික්‍රොසොෆ්ට් සහ කොලොම්බියා විශ්ව විද්‍යාලයෙන් කෘත්‍රිම බුද්ධි පාඨමාලා පිරිනමයි, එහි දෙවැන්න සාධාරණ මිලකට මයික්‍රෝ මාස්ටර් වැඩසටහනක් ඉදිරිපත් කරයි. ඔබට සාමාන්යයෙන් නොමිලේ දැනුම ලබා ගත හැකි බව මම විශේෂයෙන් සටහන් කිරීමට කැමැත්තෙමි.
ඔබට මාතෘකාවට “ගැඹුරු කිමිදීමට” අවශ්ය නම්, මොස්කව්හි සමාගම් ගණනාවක් ප්‍රායෝගික පන්ති සමඟ සතියක් පුරා දැඩි පා courses මාලා පිරිනමන අතර, අත්හදා බැලීම් සඳහා උපකරණ පවා ලබා දෙයි (උදාහරණයක් ලෙස, newprolab.com), කෙසේ වෙතත්, එවැනි පාඨමාලා වල මිල රූබල් දස දහස් ගණනකින් ආරම්භ වේ.
කෘතිම බුද්ධිය වර්ධනය කරන සමාගම් අතර, ඔබ බොහෝ විට Yandex සහ Sberbank දන්නවා, නමුත් විවිධ ප්රමාණවලින් තවත් බොහෝ ඇත. උදාහරණයක් ලෙස, මෙම සතියේ ආරක්ෂක අමාත්‍යාංශය විසින් Anapa හි ERA Military Innovation Technopolis විවෘත කරන ලදී, එහි එක් මාතෘකාවක් වන්නේ හමුදා අවශ්‍යතා සඳහා AI සංවර්ධනය කිරීමයි.
Demote ප්‍රවර්ධනය කරන්න
කෘත්‍රිම බුද්ධිය හැදෑරීමට පෙර, අපි මූලික ප්‍රශ්නයක් තීරණය කළ යුතුය: අපි රතු පෙති හෝ නිල් පෙති ගත යුතුද යන්න.
රතු පෙති යනු සංවර්ධකයෙකු බවට පත්වීම සහ සංඛ්‍යානමය ක්රම, ඇල්ගොරිතම සහ නොදන්නා දේ පිළිබඳ නිරන්තර අවබෝධය යන කුරිරු ලෝකයට ඇද වැටීමයි. අනෙක් අතට, ඔබ වහාම "හාවා කුහරයට" ඉක්මන් විය යුතු නැත: ඔබට කළමනාකරුවෙකු වී AI නිර්මාණය කළ හැකිය, උදාහරණයක් ලෙස, ව්යාපෘති කළමනාකරුවෙකු ලෙස. මේවා මූලික වශයෙන් වෙනස් මාර්ග දෙකකි.
ඔබ කෘතිම බුද්ධි ඇල්ගොරිතම ලියන බව ඔබ දැනටමත් තීරණය කර ඇත්නම් පළමු එක විශිෂ්ටයි. එවිට ඔබ අද වඩාත්ම ජනප්රිය දිශාවෙන් ආරම්භ කළ යුතුය - යන්ත්ර ඉගෙනීම. මෙය සිදු කිරීම සඳහා, ඔබ වර්ගීකරණය, පොකුරු සහ පසුබෑමේ සම්භාව්ය සංඛ්යාන ක්රම දැනගත යුතුය. විසඳුමක ගුණාත්මකභාවය, ඒවායේ ගුණාංග ... සහ ඔබේ මාර්ගයට එන සෑම දෙයක්ම තක්සේරු කිරීම සඳහා ප්රධාන පියවරයන් සමඟ දැන හඳුනා ගැනීම ප්රයෝජනවත් වනු ඇත.
පාදම ප්‍රගුණ කිරීමෙන් පසුව පමණක් වඩාත් විශේෂිත ක්රම අධ්යයනය කිරීම වටී: තීරණ ගස් සහ ඒවායේ කණ්ඩායම්. මෙම අදියරේදී, ඔබ ආකෘති ගොඩනැගීමේ සහ පුහුණු කිරීමේ මූලික ක්‍රමවලට ගැඹුරින් කිමිදිය යුතුය - ඒවා යන්තම් යහපත් වචන හිඟාකෑම, වැඩි කිරීම, ගොඩගැසීම හෝ මිශ්‍ර කිරීම පිටුපස සැඟවී ඇත.
ආදර්ශ නැවත පුහුණු කිරීම පාලනය කිරීමේ ක්රම ගැන ඉගෙන ගැනීම ද වටී (තවත් “ing” - overfitting).
අවසාන වශයෙන්, ඉතා ජේඩි මට්ටම - ඉහළ විශේෂිත දැනුමක් ලබා ගැනීම. නිදසුනක් වශයෙන්, ගැඹුරු ඉගෙනීම සඳහා මූලික අනුක්‍රමණ සම්භව ගෘහ නිර්මාණ ශිල්පය සහ ඇල්ගොරිතම පිළිබඳ ප්‍රවීණතාවයක් අවශ්ය වේ. ඔබ ස්වභාවික භාෂා සැකසුම් ගැටළු ගැන උනන්දුවක් දක්වන්නේ නම්, පුනරාවර්තන ස්නායුක ජාල අධ්යයනය කිරීම මම නිර්දේශ කරමි. පින්තූර සහ වීඩියෝ සැකසීම සඳහා අනාගත ඇල්ගොරිතම නිර්මාපකයින් සංක්ෂිප්ත ස්නායුක ජාල දෙස හොඳින් බැලිය යුතුය.
සඳහන් කළ අවසාන ව්‍යුහයන් දෙක නම් අද ජනප්රිය ගෘහ නිර්මාණ ශිල්පයේ ගොඩනැඟිලි කොටස් වේ: විරුද්ධවාදී ජාල (GAN), සම්බන්ධතා ජාල සහ දැල් ජාල. එමනිසා, පරිගණකය දැකීමට හෝ ඇසීමට ඉගැන්වීමට ඔබ සැලසුම් නොකළත්, ඒවා අධ්යයනය කිරීම ප්රයෝජනවත් වනු ඇත.
AI අධ්යයනය කිරීම සඳහා සම්පූර්ණයෙන්ම වෙනස් ප්රවේශයක් - එනම් “නිල් පෙති” - ආරම්භ වන්නේ ඔබම සොයා ගැනීමෙනි. කෘත්‍රිම බුද්ධිය මඟින් කාර්යයන් සහ සමස්ත වෘත්තීන් සමූහයක් බිහි කරයි: AI ව්යාපෘති කළමනාකරුවන්ගේ සිට දත්ත සැකසීමට, එය පිරිසිදු කිරීමට සහ පරිමාණය කළ හැකි, පැටවූ සහ දෝෂවලට ඔරොත්තු දෙන පද්ධති ගොඩනැගීමට හැකියාව ඇති දත්ත ඉංජිනේරුවන් දක්වා.
එබැවින්, "කළමනාකාරී" ප්රවේශයක් සහිතව, ඔබ මුලින්ම ඔබේ හැකියාවන් සහ පසුබිම තක්සේරු කළ යුතු අතර, පසුව පමණක් අධ්යයනය කළ යුත්තේ කොතැනද සහ කුමක් ද යන්න තෝරන්න. උදාහරණයක් ලෙස, ගණිතමය මනසක් නොමැතිව වුවද, ඔබට ස්මාර්ට් ඇල්ගොරිතම සඳහා AI අතුරුමුහුණත් සහ දෘශ්‍යකරණයන් සැලසුම් කළ හැකිය. නමුත් සූදානම් වන්න: වසර 5 කින් කෘත්‍රිම බුද්ධිය ඔබව ට්‍රෝල් කිරීමට සහ ඔබව "මානවවාදියෙකු" ලෙස හඳුන්වනු ඇත.
ප්රධාන ML ක්රම ක්‍රියාත්මක කරනු ලබන්නේ සම්බන්ධ කිරීම සඳහා පවතින සූදානම් කළ පුස්තකාල ආකාරයෙන් ය විවිධ භාෂා. අද ML හි වඩාත්ම ජනප්රිය භාෂා වන්නේ: C++, Python සහ R.
රුසියානු සහ භාෂා දෙකෙන්ම බොහෝ පාඨමාලා තිබේ ඉංග්රීසි භාෂා, Yandex School of Data Analysis, SkillFactory සහ OTUS පාඨමාලා වැනි. නමුත් විශේෂිත පුහුණුව සඳහා කාලය සහ මුදල් ආයෝජනය කිරීමට පෙර, "මාතෘකාවට පිවිසීම" වටී යැයි මම සිතමි: පසුගිය වසරවල DataFest සම්මන්ත්රණ වලින් YouTube හි විවෘත දේශන නැරඹීම, Coursera සහ Habrahabr වෙතින් නොමිලේ පාඨමාලා ගන්න.
