কন্টেন্ট
- ডিপ লার্নিংয়ের ব্যবসায়িক অ্যাপ্লিকেশন
- বি'র বিগ ডেটা এবং ডিপ লার্নিং
- কোনও বাগ নেই, কোনও স্ট্রেস নেই - আপনার জীবনকে বিনষ্ট না করে জীবন-পরিবর্তনশীল সফটওয়্যার তৈরির ধাপে গাইড আপনার ধাপ
- ব্ল্যাক বক্স দ্বিধা
- প্রবিধান
সূত্র: অ্যাগ্রাড্রু / ড্রিমসটাইম ডটকম
ছাড়াইয়া লত্তয়া:
ডিপ লার্নিংয়ে ব্যবসায়ের অফার করার মতো অনেক কিছুই রয়েছে তবে অনেকেই এটি গ্রহণ করতে দ্বিধায় রয়েছেন। এখানে আমরা এর সবচেয়ে বড় ব্যথার বিষয়গুলি দেখি।
ডিপ লার্নিং মেশিন লার্নিংয়ের একটি সাবফিল্ড, যা (সাধারণত ভাষায়) এমন প্রযুক্তি যা মানুষের মস্তিষ্ক এবং এর কাজগুলি দ্বারা অনুপ্রাণিত হয়। প্রথম 1950 সালে প্রবর্তিত, মেশিন লার্নিং কৃত্রিম নিউরাল নেটওয়ার্ক হিসাবে পরিচিত যা দ্বারা ক্রমে অবহিত করা হয়, আন্তঃসংযুক্ত ডেটা নোডের আধিক্য যা যৌথভাবে কৃত্রিম বুদ্ধিমত্তার ভিত্তি গঠন করে। (মেশিন লার্নিংয়ের প্রাথমিক বিষয়গুলির জন্য, মেশিন লার্নিং 101 পরীক্ষা করে দেখুন))
বাহ্যিক ডেটা বা প্রোগ্রামিংয়ের মাধ্যমে অনুরোধ জানালে মেশিন লার্নিং কম্পিউটার প্রোগ্রামগুলিকে নিজেরাই পরিবর্তন করতে দেয়। প্রকৃতির দ্বারা, এটি মানুষের মিথস্ক্রিয়া ছাড়াই এটি সম্পাদন করতে সক্ষম। এটি ডেটা মাইনিংয়ের সাথে একই রকম কার্যকারিতা ভাগ করে নিয়েছে, তবে খাঁটি ফলাফলগুলি মানুষের চেয়ে মেশিন দ্বারা প্রক্রিয়াভুক্ত করা হবে। এটি দুটি প্রধান বিভাগে বিভক্ত: তদারকি করা এবং নিরীক্ষণযোগ্য শিক্ষণ learning
তদারকি করা মেশিন লার্নিংয়ে লেবেলযুক্ত প্রশিক্ষণ ডেটার মাধ্যমে পূর্বনির্ধারিত ক্রিয়াকলাপগুলির অনুক্রম জড়িত। অন্য কথায়, তত্ত্বাবধানে থাকা ফলাফলগুলি (মানব) প্রোগ্রামার দ্বারা আগে থেকেই জানা যায়, তবে ফলাফলটি অনুমানকারী সিস্টেমটি তাদের "শিখতে" প্রশিক্ষিত হয়। বিপরীতক্রমে আনসপারভাইজড মেশিন লার্নিং, অজানা নিদর্শনগুলি সনাক্ত করার উপায় হিসাবে প্রায়শই লেবেলযুক্ত ইনপুট ডেটা থেকে সূত্রগুলি আঁকায়।
ডিপ লার্নিং মেশিন লার্নিংয়ের লিনিয়ার অ্যালগোরিদমের বিপরীতে, হাইয়ারারিকিকাল অ্যালগরিদমের মাধ্যমে নিজেকে প্রশিক্ষণের দক্ষতায় অনন্য। গভীর শিক্ষার স্তরক্রমগুলি ক্রমবর্ধমান জটিল এবং বিমূর্ত হয়ে ওঠে কারণ তারা বিকাশ করে (বা "শিখুন") এবং তদারকি যুক্তির উপর নির্ভর করে না। সরল কথায় বলতে গেলে গভীর শিক্ষণ মেশিন লার্নিংয়ের একটি অত্যন্ত উন্নত, নির্ভুল এবং স্বয়ংক্রিয় ফর্ম এবং কৃত্রিম বুদ্ধিমত্তা প্রযুক্তির শীর্ষে রয়েছে।
ডিপ লার্নিংয়ের ব্যবসায়িক অ্যাপ্লিকেশন
মেশিন লার্নিং ইতিমধ্যে বেশ কয়েকটি বিভিন্ন শিল্পে ব্যবহৃত হয়। উদাহরণস্বরূপ, সামাজিক মিডিয়া এটি ব্যবহারকারীর টাইমলাইনে সামগ্রী ফিডগুলি সার্থক করতে ব্যবহার করে। গুগল মস্তিষ্ক প্রতিষ্ঠিত হয়েছিল বেশ কয়েকটি বছর আগে প্রযুক্তির বিবর্তনের সাথে সাথে Google এর পরিষেবার পরিসীমা জুড়ে গভীর শিক্ষার উত্পাদনশীল করার অভিপ্রায় নিয়ে।
ভবিষ্যদ্বাণীমূলক বিশ্লেষণগুলির উপর তার ফোকাসের সাথে, বিপণনের ক্ষেত্র বিশেষত গভীর শিক্ষার উদ্ভাবনে বিনিয়োগ করা হয়। এবং যেহেতু তথ্য সংগ্রহই প্রযুক্তিটিকে চালিত করে, তাই বিক্রয় এবং গ্রাহক সমর্থন (যেমন ইতিমধ্যে ধনী এবং বিভিন্ন গ্রাহকের ডেটা প্রচুর পরিমাণে রয়েছে) যেমন শিল্পগুলি স্থল স্তরে এটি গ্রহণ করার জন্য স্বতন্ত্রভাবে অবস্থিত position
গভীর শিক্ষার প্রাথমিক পর্যায়ে অভিযোজন প্রযুক্তিটি থেকে বিশেষ সেক্টর কতটা উপকৃত হয় তার বিশেষত নির্ধারণের কারণটি হতে পারে বিশেষত প্রাথমিক পর্যায়ে। তবুও, কয়েকটি নির্দিষ্ট ব্যথা পয়েন্ট অনেকগুলি ব্যবসায়কে গভীর শিক্ষার প্রযুক্তি বিনিয়োগে নিমজ্জিত করা থেকে বিরত রাখছে।
বি'র বিগ ডেটা এবং ডিপ লার্নিং
2001 সালে, ডগ লেনির নাম অনুসারে মিতা গ্রুপের (বর্তমানে গার্টনার) এক বিশ্লেষক গবেষকরা বড় ডেটার তিনটি মূল চ্যালেঞ্জ বলে মনে করেছিলেন - তার আয়তন, বিভিন্নতা এবং বেগ lined দেড় দশকেরও বেশি সময় পরে, ইন্টারনেটে অ্যাক্সেসের পয়েন্টগুলির দ্রুত বৃদ্ধি (মূলত মোবাইল ডিভাইসগুলির প্রসার এবং আইওটি প্রযুক্তির উত্থানের কারণে) বড় প্রযুক্তি প্রযুক্তি সংস্থাগুলির পাশাপাশি ছোট ব্যবসায়ের ক্ষেত্রেও এই বিষয়গুলি সামনে তুলে ধরেছে smaller এবং একসাথে শুরু। (তিনটি ভী সম্পর্কে আরও জানতে, দেখুন আজকের বিগ ডেটা চ্যালেঞ্জ বিভিন্নতা থেকে উদ্ভূত হয়েছে, ভলিউম বা वेग নয়))
কোনও বাগ নেই, কোনও স্ট্রেস নেই - আপনার জীবনকে বিনষ্ট না করে জীবন-পরিবর্তনশীল সফটওয়্যার তৈরির ধাপে গাইড আপনার ধাপ
কেউ যখন সফ্টওয়্যার মানের সম্পর্কে চিন্তা না করে আপনি আপনার প্রোগ্রামিং দক্ষতা উন্নত করতে পারবেন না।
বিশ্বব্যাপী ডেটা ব্যবহার সম্পর্কে সাম্প্রতিক পরিসংখ্যান বিস্ময়কর। অধ্যয়নগুলি ইঙ্গিত দেয় যে পৃথিবীর সমস্ত ডেটা প্রায় 90 শতাংশ কেবলমাত্র কয়েক বছরের মধ্যে তৈরি হয়েছিল। এক অনুমান অনুযায়ী, ২০১wide সালের তুলনায় বিশ্বব্যাপী মোবাইল ট্র্যাফিকের পরিমাণ ছিল প্রায় সাত এক্সপাবাইট, এবং এই সংখ্যাটি আগামী অর্ধ দশকের মধ্যে প্রায় সাত গুণ বাড়বে বলে আশা করা হচ্ছে।
ভলিউম, বৈচিত্র্য (নতুন মিডিয়া বিকশিত হয়ে প্রসারিত হওয়ার সাথে সাথে ডেটার ধরণের দ্রুত বর্ধমান বৈচিত্র) এবং গতিবেগ (যে গতিতে বৈদ্যুতিন মিডিয়া ডেটা সেন্টার এবং হাবগুলিতে প্রেরণ করা হয়) কীভাবে ব্যবসাগুলি বার্জিংয়ের ক্ষেত্রের সাথে খাপ খাইয়ে নিচ্ছে তার একটি বড় কারণও গভীর শেখার। এবং স্তন্যপায়ী ডিভাইসে প্রসারিত করতে সাম্প্রতিক বছরগুলিতে বড় ডেটা ব্যথা পয়েন্টের তালিকায় আরও বেশ কয়েকটি ভি-শব্দ যুক্ত হয়েছে:
- বৈধতা: বড় ডেটা সিস্টেমে ইনপুট ডেটা নির্ভুলতার পরিমাপ। অবৈধ ডেটা যা সনাক্ত করা যায় তা উল্লেখযোগ্য সমস্যার পাশাপাশি মেশিন লার্নিং পরিবেশে শৃঙ্খলা প্রতিক্রিয়া সৃষ্টি করতে পারে।
- ক্ষতিগ্রস্থতা: বড় আকারের ডেটা স্বাভাবিকভাবেই এর স্কেলগুলির কারণে সুরক্ষা উদ্বেগকে ডেকে আনে। এবং সুরক্ষা ব্যবস্থাগুলিতে মেশিন লার্নিং দ্বারা সক্ষম হওয়া দুর্দান্ত সম্ভাবনা দেখা গেলেও, তাদের বর্তমান অবতারগুলিতে systems সিস্টেমগুলি তাদের দক্ষতার অভাবের জন্য বিশেষত ভুয়া অ্যালার্ম তৈরির প্রবণতার কারণে চিহ্নিত করা হয়।
- মান: বড় ডেটা (ব্যবসায় বা অন্য কোথাও) এর সম্ভাব্য মান প্রমাণ করা যে কোনও কারণেই গুরুত্বপূর্ণ তাৎপর্য হতে পারে। যদি এই তালিকার অন্য কোনও ব্যথার পয়েন্টগুলি কার্যকরভাবে সম্বোধন করা যায় না, তবে তারা বাস্তবে কোনও সিস্টেম বা সংস্থায় নেতিবাচক মান যুক্ত করতে পারে, এমনকি বিপর্যয়মূলক প্রভাবের সাথেও।
তালিকায় যুক্ত হওয়া অন্যান্য অভিযোজিত ব্যথার পয়েন্টগুলির মধ্যে রয়েছে পরিবর্তনশীলতা, সত্যতা, অস্থিরতা এবং ভিজ্যুয়ালাইজেশন - এগুলি বড় ডেটা সিস্টেমে চ্যালেঞ্জগুলির নিজস্ব অনন্য সেট উপস্থাপন করে। এবং আরও বিদ্যমান তালিকাগুলি হিসাবে সম্ভবত যোগ করা যেতে পারে (সম্ভবত) সময়ের সাথে সাথে বন্ধ। যদিও এটি কিছুটির কাছে কিছুটা অসম্পূর্ণ বলে মনে হচ্ছে, স্মৃতিচারণমূলক "ভি" তালিকায় গভীর শিক্ষার ভবিষ্যতের ক্ষেত্রে গুরুত্বপূর্ণ ভূমিকা পালনকারী বড় ডেটার মুখোমুখি হওয়া গুরুতর বিষয় রয়েছে enc
ব্ল্যাক বক্স দ্বিধা
গভীর জ্ঞানার্জন এবং কৃত্রিম বুদ্ধিমত্তার অন্যতম আকর্ষণীয় বৈশিষ্ট্য হ'ল উভয়ই এমন সমস্যা সমাধানের উদ্দেশ্যে যা মানুষের পক্ষে করা যায় না। একই ঘটনাটি যেটিকে অনুমোদন করার কথা বলে মনে করা হচ্ছে তা একটি আকর্ষণীয় দ্বিধাও উপস্থাপন করে যা "ব্ল্যাক বক্স" নামে পরিচিত।
গভীর শেখার প্রক্রিয়াটির মাধ্যমে তৈরি নিউরাল নেটওয়ার্কটি এত বিস্তৃত এবং এত জটিল যে এর জটিলতর কাজগুলি মানুষের পর্যবেক্ষণের জন্য মূলত অনির্বচনীয়। ডেটা বিজ্ঞানীরা এবং ইঞ্জিনিয়ারদের গভীর শিখন ব্যবস্থায় কী চলে সে সম্পর্কে পুরোপুরি ধারণা থাকতে পারে তবে তারা কীভাবে তাদের আউটপুট সংক্রান্ত সিদ্ধান্তে প্রায়শই অবহেলিত না হয়ে যায়।
যদিও এটি বিপণনকারী বা বিক্রয়কর্মীদের (তারা কী বিপণন করছেন বা বিক্রি করছেন তার উপর নির্ভর করে) এর জন্য এটি উল্লেখযোগ্য সমস্যা নাও হতে পারে, অন্য শিল্পগুলিকে ফলাফলের কোনও ব্যবহার পাওয়ার জন্য নির্দিষ্ট পরিমাণ প্রক্রিয়া বৈধতা এবং যুক্তি প্রয়োজন। উদাহরণস্বরূপ, একটি আর্থিক পরিষেবা সংস্থার একটি উচ্চ দক্ষ creditণ স্কোরিং ব্যবস্থা প্রতিষ্ঠার জন্য গভীর শিক্ষার ব্যবহার করা যেতে পারে। তবে ক্রেডিট স্কোরগুলি প্রায়শই কিছু ধরণের মৌখিক বা লিখিত ব্যাখ্যা সহ অবশ্যই আসে, যা সত্যিকারের ক্রেডিট স্কোরিং সমীকরণ পুরোপুরি অস্বচ্ছ এবং অব্যক্ত না হলে গঠন করা কঠিন।
এই সমস্যাটি অন্যান্য অনেক খাতেও প্রসারিত, বিশেষত স্বাস্থ্য এবং সুরক্ষার ক্ষেত্রগুলির মধ্যে। চিকিত্সা এবং পরিবহন উভয়ই গভীর জ্ঞান থেকে বড় উপায়ে কল্পনা করতে পারে তবে ব্ল্যাক বক্স আকারে একটি গুরুত্বপূর্ণ বাধার মুখোমুখি হতে পারে। এই ক্ষেত্রগুলিতে যে কোনও আউটপুট ফলাফল, যতই উপকারী হোক না কেন, তাদের অন্তর্নিহিত অ্যালগরিদমের সম্পূর্ণ অস্পষ্টতার কারণে সম্পূর্ণভাবে ফেলে দেওয়া যেতে পারে। এটি আমাদের সম্ভবত তাদের সকলের মধ্যে সবচেয়ে বিতর্কিত ব্যথা বিন্দুতে নিয়ে আসে ...
প্রবিধান
২০১ 2016 সালের বসন্তে, ইউরোপীয় ইউনিয়ন জেনারেল ডেটা প্রোটেকশন রেগুলেশন (জিডিপিআর) পাস করেছে, যা (অন্যান্য বিষয়গুলির মধ্যে) নাগরিকদের মেশিন লার্নিং সিস্টেমগুলি দ্বারা উত্পাদিত স্বয়ংক্রিয় সিদ্ধান্তগুলির "ব্যাখ্যা করার অধিকার" দেয় যা তাদের "উল্লেখযোগ্যভাবে প্রভাবিত করে"। 2018 সালে কার্যকর হওয়ার সময় নির্ধারিত, এই বিধিবিধানটি এমন টেক সংস্থাগুলির মধ্যে উদ্বেগ সৃষ্টি করছে যারা তার দুর্ভেদ্য ব্ল্যাক বক্সের কারণে গভীর শিক্ষায় বিনিয়োগ করেছেন, যা অনেক ক্ষেত্রে জিডিপিআর কর্তৃক প্রদত্ত ব্যাখ্যা ব্যাখ্যা করতে বাধা দেয়।
জিডিপিআর যে সীমাবদ্ধ করতে ইচ্ছুক সেই "স্বয়ংক্রিয় স্বতন্ত্র সিদ্ধান্ত গ্রহণ" গভীর শিক্ষার প্রয়োজনীয় বৈশিষ্ট্য। তবে বৈষম্যের সম্ভাবনা এত বেশি এবং স্বচ্ছতা এত কম হলে এই প্রযুক্তি নিয়ে উদ্বেগগুলি অনিবার্য (এবং মূলত বৈধ) থাকে। মার্কিন যুক্তরাষ্ট্রে, খাদ্য ও ওষুধ প্রশাসন একইভাবে সেই প্রক্রিয়াগুলি অডিটযোগ্য থাকার জন্য ওষুধের পরীক্ষা ও বিপণনকে নিয়ন্ত্রিত করে। এটি ফার্মাসিউটিক্যাল শিল্পের জন্য বাধা সৃষ্টি করেছে, যেমনটি ম্যাসাচুসেটস-ভিত্তিক বায়োটেকনোলজি সংস্থা বায়োজেনের ক্ষেত্রে হয়েছে, যা এফডিএ নিয়মের কারণে ব্যাখ্যা ছাড়াই গভীর শেখার পদ্ধতি ব্যবহার থেকে বিরত রয়েছে।
গভীর শিক্ষার প্রভাবগুলি (নৈতিক, ব্যবহারিক এবং এর বাইরে) অভূতপূর্ব এবং স্পষ্টতই, যথেষ্ট গভীর। বিপত্তিজনক সম্ভাবনা এবং এর অস্বচ্ছ যুক্তি এবং কার্যকারিতার সংমিশ্রণে বৃহত্তর অংশে প্রযুক্তিটিকে ঘিরে আশঙ্কা অনেকটা ঘিরে।যদি ব্যবসায়গুলি গভীর শিক্ষার মধ্যে স্থিত মানের অস্তিত্বকে প্রমাণ করতে পারে যা কোনও ধারণাইযোগ্য হুমকী বা বিপত্তি ছাড়িয়ে যায়, তবে তারা কৃত্রিম বুদ্ধিমত্তার পরবর্তী জটিল পর্যায়ে আমাদের নেতৃত্ব দিতে সহায়তা করতে পারে।