နိဒါန်း
လွန်ခဲ့သောနှစ်အနည်းငယ်အတွင်းမှာတော့စည်းကမ်းချက်များအတုထောက်လှမ်းရေးနှင့်စက်သင်ယူမှုနည်းပညာသတင်းနှင့်ဝက်ဘ်ဆိုက်များအတွက်မကြာခဏတက်ဖေါ်ပြခြင်းစတင်နေပြီဖြစ်သည်။ မကြာခဏနှစ်ခု synonym တွေဟာအဖြစ်အသုံးပြုပေမယ့်အများအပြားကျွမ်းကျင်သူများကသူတို့သိမ်မွေ့ပေမယ့်အမှန်တကယ်ကွဲပြားခြားနားမှုရှိသည်ငြင်းခုန်နေကြသည်။
နှင့်သင်တန်း၏, ပညာရှင်တွေရဲ့တစ်ခါတစ်ရံတွင်သူတို့အကွဲပြားခြားနားမှုတွေဘာတွေရှိတယ်ဆိုတာအကြောင်းကိုအချင်းချင်းသဘောမတူ။
ယေဘုယျအားဖြင့်, သို့သော်, အရာနှစ်ခုရှင်းရှင်းလင်းလင်းပုံရသည်: ပထမဦးဆုံးဟူသောဝေါဟာရကိုအတုထောက်လှမ်းရေး (AI အ) (ML) သင်ယူခြင်းဆိုတဲ့ဝေါဟာရကိုစက်ထက်အဟောင်းတွေဖြစ်တယ်, ဒုတိယ, လူအများစုစက်သင်ယူမှုအတုထောက်လှမ်းရေး၏အပိုင်းတစ်ပိုင်းကိုသာလျှင်ဖြစ်စဉ်းစားပါ။
စက်သင်ယူ vs. Artificial Intelligence
သော်လည်း AI အပါဆုံးကျယ်ပြန့်လက်ခံထားသောချက်နှင့်အဓိပ္ပါယ်အနှစ်သာရထဲမှာ "ဒီလိုသင်ယူမှု, ပြဿနာဖြေရှင်းခြင်း, ပုံစံအသိအမှတ်ပြုမှုအဖြစ်လေ့လူ့ထောက်လှမ်းရေးနဲ့ဆက်စပ်သိမြင်မှုပြဿနာများ, ဖြေရှင်းရေးထံအပ်နှံကွန်ပျူတာသိပ္ပံ၏လယ်ပြင်" ဖြစ်ခြင်း, နညျးလမျးမြားစှာမှာသတ်မှတ်ထားတဲ့သည်ကစိတ်ကူးဖြစ်ပါသည် စက်တွေထောက်လှမ်းရေးအပိုင်နိုင်ပါသည်။
တစ်ဦးကို Artificial Intelligence based စနစ်၏နှလုံးကမော်ဒယ်င်ဖြစ်ပါတယ်။ တစ်ဦးကမော်ဒယ်ယင်း၏ပတ်ဝန်းကျင်နှင့် ပတ်သက်. လေ့လာတွေ့ရှိချက်အောင်ကသင်ယူမှုဖြစ်စဉ်ကို ဖြတ်. ၎င်း၏အသိပညာတိုးတက်ကောင်းမွန်မယ့်အစီအစဉ်ကိုဒါပေမယ့်အချည်းနှီးဖြစ်၏။ သင်ယူမှု-based မော်ဒယ်၏ဤအမျိုးအစားကြီးကြပ်သင်ယူအောက်မှာအုပ်စုဖွဲ့ဖြစ်ပါတယ်။ unsupervised သင်ယူမှု & Models ၏အမျိုးအစားအောက်တွင်လာသောအခြားမော်ဒယ်များရှိပါတယ်။
အဆိုပါထားသောစာပိုဒ်တိုများ "စက်သင်ယူမှု" ကိုလည်းနောက်ကျောကနောက်ဆုံးရာစုအလယ်မှစတငျ။ 1959 ခုနှစ်, အာသာရှမွေလသည် အဖြစ် ML သတ်မှတ်ပါတယ် "အတိအလင်းပရိုဂရမ်ခံရမပါဘဲသင်ယူဖို့စွမ်းရည်။ " ထိုမင်းသည်၎င်း၏ကိုယ်ပိုင်အမှားတွေကနေလေ့လာသင်ယူနှင့်အချိန်ကျော်က၎င်း၏စွမ်းဆောင်ရည်တိုးတက်ကောင်းမွန်လာနိုင်တယ်လို့ပထမဦးဆုံးအစီအစဉ်များ၏တဦးတည်းသောကွန်ပျူတာ Checker application ကိုဖန်တီးရန်သွားလေ၏။
AI အသုတေသနလိုပဲ, ML အချိန်ကြာမြင့်စွာ Vogue ထဲကပြုတ်ကျပေမယ့်ဒေတာများကိုသတ္တုတွင်းများ၏အယူအဆမှာ 1990 ခုနှစ်များတဝိုက်ကိုချွတ်ယူစတင်ခဲ့ပြီးအခါနောက်တဖန်ရေပန်းစားဖြစ်လာခဲ့သည်။ ဒေတာကိုသတ္တုတူးဖော်ရေးအချက်အလက်များ၏ပေးထားသောအစုံအတွက်ပုံစံများအဘို့အကြည့်ဖို့ algorithms အသုံးပြုသည်။ ML အတူတူပါပဲမ, ဒါပေမယ့်ထို့နောက်တဦးတည်းခြေလှမ်းနောက်ထပ်ဝင် – အဲဒါကိုသိတော့အဘယ်အရာပေါ်တွင်အခြေခံသူ့ရဲ့ပရိုဂရမ်ရဲ့အပြုအမူပြောင်းလဲစေပါသည်။
မကြာသေးမီကအလွန်ရေပန်းစားဖြစ်လာခဲ့သည် ML တစ်ခုမှာလျှောက်လွှာပုံရိပ်အသိအမှတ်ပြုမှုဖြစ်ပါတယ်။ ဒီလုပ်ငန်းသုံးကိရိယာတွေကိုပထမဦးဆုံးလေ့ကျင့်သင်ကြားရမည်ဖြစ်သည် – အခြားစကားလူသားများဓါတ်ပုံတွေကိုတစည်းကိုကြည့်ခြင်းနှင့်ပုံထဲမှာကားအဘယ်သို့စနစ်ပြောပြရန်ရှိသည်။ အထပ်ထပ်ထောင်ပေါင်းများစွာ၏ထောင်ပေါင်းများစွာပြီးနောက်, software ကိုယေဘုယျအားဖြင့်စသည်တို့ကိုမြင်း, ခွေး, ကြောင်, ပန်းပင်အိမ်များနှင့်အတူဆက်စပ်နေကြသည်, ထိုသို့ပုံရိပ်တွေများ၏ content အကြောင်းတော်တော်လေးကောင်းသောမှန်းဆစေနိုငျသော pixels ကို၏ပုံစံများသိလာကြတယ်။
အတော်များများက web-based ကုမ္ပဏီများမှလည်း၎င်းတို့၏ထောက်ခံချက်အင်ဂျင်ပါဝါမှ ML ကိုအသုံးပြုပါ။ Facebook ကသင့်ရဲ့ Newsfeed ကိုအတွက်ပြသနိုင်ဖို့အဘယ်အရာကိုဆုံးဖြတ်သည့်အခါအမေဇုံကိုသင်ဝယ်ယူရန်နှင့် Netflix ဟာရုပ်ရှင်တွေအကြံပြုအခါသင်စောင့်ကြည့်ဖို့လိုလိမ့်မည်ချင်ပေလိမ့်မည်ထုတ်ကုန်ကိုမီးမောင်းထိုးပြသည့်အခါဥပမာ, ထိုအကြံပြုချက်များ၏အပေါင်းတို့သည်မိမိတို့လက်ရှိဒေတာအတွက်ပုံစံများကနေပျေါပေါကျကြောင်းအခြေစိုက်ဟောကိန်းများအပေါ်ဖြစ်ကြသည်။
Artificial Intelligence နှင့်စက်သင်ယူ Frontiers: နက်ရှိုင်းသောသင်ယူခြင်း, ဦးနှောက်ကဲ့သို့ရှုပ်ထွေးသောပိုက်ကွန်နှင့်သိမှုကွန်ပျူတာ
၏သင်တန်း, "ML" နှင့် "AI အ" ကွန်ပျူတာသိပ္ပံ၏ဤလယ်ကွင်းတွေနဲ့ဆက်စပ်တစ်ခုတည်းသောအသုံးအနှုန်းများမရှိကြပေ။ IBM ကမကြာခဏပိုပြီးသို့မဟုတ် AI အနှင့်အတူလျော့နည်းပြောရလျှင်သောဝေါဟာရကို "သိမြင်မှုကွန်ပျူတာ," ကိုအသုံးပြုသည်။
သို့သော်အခြားအသုံးအနှုန်းများအချို့အလွန်ထူးခြားတဲ့အဓိပ္ပာယ်လုပ်ပါ။ ဥပမာတစ်ခုအတုအာရုံကြော network သို့မဟုတ်အာရုံကြောအသားတင်ဇီဝဦးနှောက်အလုပ်လုပ်လမ်းကိုအလားတူဖြစ်ကြောင်းနည်းလမ်းတွေအတွက်သတင်းအချက်အလက်စီမံဆောင်ရွက်ဖို့ဒီဇိုင်းထားပြီးတဲ့စနစ်တစ်ခုဖြစ်ပါတယ်။ အာရုံကြောပိုက်ကွန်စက်သင်ယူမှုမှာအထူးသဖြင့်ကောင်းသောဖြစ်လေ့, ဒါသူတို့အားဝေါဟာရနှစ်ခုကိုတခါတရံ conflated ကြောင့်အမှုအရာရှုပ်ထွေးရနိုင်သည်။
ထို့အပြင်ခုနှစ်, အာရုံကြောပိုက်ကွန်စက်သင်ယူမှုတစ်ဦးအထူးသဖြင့်မျိုးဖြစ်သည့်နက်ရှိုင်းသောသင်ယူမှုများအတွက်အခြေခံအုတ်မြစ်သည်။ နက်ရှိုင်းသောသင်ယူမှုမျိုးစုံအလွှာအတွက်အလုပ်လုပ်သောစက်သင်ယူမှု algorithms တစ်အချို့ set ကိုအသုံးပြုသည်။ ဒါဟာတစ်ချိန်ကမှာအချက်အလက်များ၏တစ်ခုလုံးတွေအများကြီးကို process မှအဆင့်မြင့်ထိပ်တန်းအသုံးပြုစနစ်များအသုံးပြုပုံတစ်စိတ်တစ်ဒေသအတွက်ဖြစ်နိုင်သမျှလုပ်ဖြစ်ပါတယ်။
သငျသညျဤအရာအလုံးစုံကွဲပြားခြားနားသောအသုံးအနှုန်းများအားဖြင့်ရောထွေးနေလျှင်သင်တစ်ယောက်တည်းမဟုတ်ပါဘူး။ Computer ကိုသိပ္ပံပညာရှင်များဟာသူတို့ရဲ့အတိအကျအဓိပ္ပာယ်ဆွေးနွေးရန်အတွက်ဆက်လက်ဖြစ်နိုင်လာရန်အချိန်အတန်ကြာပါလိမ့်မယ်။ ကုမ္ပဏီများသည်အတုထောက်လှမ်းရေးနှင့်စက်သင်ယူမှုသုတေသနသို့ပိုက်ဆံလောင်းဆက်လက်အဖြစ်နှင့်အညီ, သူကအနည်းငယ်ပိုပြီးအသုံးအနှုန်းများကိစ္စရပ်များမှ ပို. ပင်ရှုပ်ထွေး add အံ့သောငှါထလိမ့်မည်ဟုဖွယ်ရှိပါတယ်။