કૃત્રિમ બુદ્ધિ એક જાદુઈ યુક્તિ જેવી લાગે છે જેના પર દરેક વ્યક્તિ શાંતિથી વિચાર કરતી વખતે માથું હલાવીને વાત કરે છે... રાહ જુઓ, આ ખરેખર કામ કરે છે? સારા સમાચાર. અમે તેને મૂર્ખતા વિના દૂર કરીશું, વ્યવહારુ રહીશું, અને થોડા અપૂર્ણ સામ્યતાઓમાં ટૉસ કરીશું જે હજી પણ તેને ક્લિક કરવામાં મદદ કરશે. જો તમને ફક્ત સારાંશ જોઈતો હોય, તો નીચે આપેલા એક મિનિટના જવાબ પર જાઓ; પરંતુ પ્રામાણિકપણે, વિગતો એ છે જ્યાં લાઇટબલ્બ પોપ થાય છે 💡.
આ પછી તમને વાંચવા ગમશે તેવા લેખો:
🔗 GPT નો અર્થ શું છે?
GPT ટૂંકાક્ષર અને તેના અર્થનું ઝડપી વર્ણન.
🔗 AI તેની માહિતી ક્યાંથી મેળવે છે?
શીખવા, તાલીમ આપવા અને પ્રશ્નોના જવાબ આપવા માટે AI સ્ત્રોતોનો ઉપયોગ કરે છે.
🔗 તમારા વ્યવસાયમાં AI નો સમાવેશ કેવી રીતે કરવો
AI ને અસરકારક રીતે સંકલિત કરવા માટે વ્યવહારુ પગલાં, સાધનો અને કાર્યપ્રવાહ.
🔗 AI કંપની કેવી રીતે શરૂ કરવી
વિચારથી લોન્ચ સુધી: માન્યતા, ભંડોળ, ટીમ અને અમલ.
AI કેવી રીતે કામ કરે છે? એક મિનિટનો જવાબ ⏱️
AI ડેટામાંથી પેટર્ન શીખીને આગાહીઓ કરે છે અથવા સામગ્રી ઉત્પન્ન કરે છે - કોઈ હાથથી લખેલા નિયમોની જરૂર નથી. સિસ્ટમ ઉદાહરણોને ગળી જાય છે, નુકસાન કાર્ય દ્વારા તે કેટલું ખોટું છે તે માપે છે, અને તેના આંતરિક નોબ્સ - પરિમાણો - ને દર વખતે થોડું ઓછું ખોટું બનાવવા માટે દબાણ કરે છે. કોગળા કરો, પુનરાવર્તન કરો, સુધારો. પૂરતા ચક્ર સાથે, તે ઉપયોગી બને છે. ભલે તમે ઇમેઇલ્સનું વર્ગીકરણ કરી રહ્યા હોવ, ગાંઠો શોધી રહ્યા હોવ, બોર્ડ ગેમ્સ રમી રહ્યા હોવ અથવા હાઈકુ લખી રહ્યા હોવ, તે જ વાર્તા. "મશીન લર્નિંગ" માં સાદા ભાષાના ગ્રાઉન્ડિંગ માટે, IBM નું વિહંગાવલોકન નક્કર છે [1].
મોટાભાગની આધુનિક AI એ મશીન લર્નિંગ છે. સરળ સંસ્કરણ: ડેટા ફીડ કરો, ઇનપુટથી આઉટપુટ સુધી મેપિંગ શીખો, પછી નવી વસ્તુઓનું સામાન્યીકરણ કરો. જાદુ નહીં - ગણિત, ગણતરી, અને, જો આપણે પ્રમાણિક હોઈએ, તો થોડી કલા.
"AI કેવી રીતે કામ કરે છે?" ✅
જ્યારે લોકો ગૂગલ પર AI કેવી રીતે કામ કરે છે? , ત્યારે તેઓ સામાન્ય રીતે ઇચ્છે છે:
-
એક ફરીથી વાપરી શકાય તેવું માનસિક મોડેલ જેના પર તેઓ વિશ્વાસ કરી શકે છે
-
મુખ્ય શિક્ષણ પ્રકારોનો નકશો જેથી શબ્દભંડોળ ડરામણી ન બને.
-
ખોવાઈ ગયા વિના ન્યુરલ નેટવર્ક્સની અંદર એક નજર નાખો
-
ટ્રાન્સફોર્મર્સ હવે દુનિયા કેમ ચલાવે છે?
-
ડેટાથી ડિપ્લોયમેન્ટ સુધીની વ્યવહારુ પાઇપલાઇન
-
એક ઝડપી સરખામણી કોષ્ટક જેનો તમે સ્ક્રીનશોટ લઈ શકો છો અને રાખી શકો છો
-
નૈતિકતા, પૂર્વગ્રહ અને વિશ્વસનીયતા પરના રક્ષણાત્મક પાટા જે હાથથી લહેરાતા નથી
અહીં તમને એ જ મળશે. જો હું ભટકું છું, તો એ જાણી જોઈને છે - જાણે કે હું મનોહર રસ્તો અપનાવી રહ્યો છું અને આગલી વખતે શેરીઓ વધુ સારી રીતે યાદ રાખી રહ્યો છું. 🗺️
મોટાભાગની AI સિસ્ટમ્સના મુખ્ય ઘટકો 🧪
એઆઈ સિસ્ટમને રસોડા જેવી કલ્પના કરો. ચાર ઘટકો વારંવાર દેખાય છે:
-
ડેટા — લેબલ સાથે અથવા વગરના ઉદાહરણો.
-
મોડેલ — એડજસ્ટેબલ પરિમાણો સાથેનું ગાણિતિક કાર્ય.
-
ઉદ્દેશ્ય — એક નુકસાન કાર્ય જે અનુમાન કેટલા ખરાબ છે તે માપે છે.
-
ઑપ્ટિમાઇઝેશન — એક અલ્ગોરિધમ જે નુકસાન ઘટાડવા માટે પરિમાણોને દબાણ કરે છે.
ડીપ લર્નિંગમાં, તે નજ સામાન્ય રીતે બેકપ્રોપેગેશન સાથે ગ્રેડિએન્ટ ડિસેન્ટ - એક વિશાળ સાઉન્ડબોર્ડ પર કયો નોબ સ્ક્વિક કરે છે તે શોધવાની એક કાર્યક્ષમ રીત, અને પછી તેને વાળો નીચે કરો [2].
મીની-કેસ: અમે એક બરડ નિયમ-આધારિત સ્પામ ફિલ્ટરને નાના દેખરેખ મોડેલથી બદલી નાખ્યું. લેબલ → માપ → અપડેટ લૂપ્સના એક અઠવાડિયા પછી, ખોટા હકારાત્મકતા ઘટી ગઈ અને સપોર્ટ ટિકિટો ઘટી ગઈ. કંઈ ફેન્સી નહીં - ફક્ત સ્વચ્છ ઉદ્દેશ્યો ("હેમ" ઇમેઇલ્સ પર ચોકસાઈ) અને વધુ સારું ઑપ્ટિમાઇઝેશન.
શીખવાના દાખલાઓ એક નજરમાં 🎓
-
દેખરેખ હેઠળનું શિક્ષણ
તમે ઇનપુટ-આઉટપુટ જોડીઓ (લેબલવાળા ફોટા, સ્પામ/સ્પામ નહીં તરીકે ચિહ્નિત ઇમેઇલ્સ) પ્રદાન કરો છો. મોડેલ ઇનપુટ → આઉટપુટ શીખે છે. ઘણી વ્યવહારુ સિસ્ટમોની કરોડરજ્જુ [1]. -
દેખરેખ વગરનું શિક્ષણ
કોઈ લેબલ નથી. સ્ટ્રક્ચર-ક્લસ્ટર્સ, કમ્પ્રેશન, સુષુપ્ત પરિબળો શોધો. શોધખોળ અથવા પ્રી-ટ્રેનિંગ માટે ઉત્તમ. -
સ્વ-નિરીક્ષણ શિક્ષણ
આ મોડેલ પોતાના લેબલ્સ બનાવે છે (આગળના શબ્દની આગાહી કરે છે, ગુમ થયેલ છબી પેચ). કાચા ડેટાને સ્કેલ પર તાલીમ સંકેતમાં ફેરવે છે; આધુનિક ભાષા અને દ્રષ્ટિ મોડેલોને ટેકો આપે છે. -
મજબૂતીકરણ શિક્ષણ
એક એજન્ટ કાર્ય કરે છે, પુરસ્કારો અને એક નીતિ શીખે છે જે સંચિત પુરસ્કારને મહત્તમ બનાવે છે. જો "મૂલ્ય કાર્યો," "નીતિઓ," અને "ટેમ્પોરલ-ડિફરન્સ લર્નિંગ" ઘંટડી વગાડે છે - તો આ તેમનું ઘર છે [5].
હા, વ્યવહારમાં શ્રેણીઓ ઝાંખી પડે છે. હાઇબ્રિડ પદ્ધતિઓ સામાન્ય છે. વાસ્તવિક જીવન અવ્યવસ્થિત છે; સારી ઇજનેરી જ્યાં હોય ત્યાં જ મળે છે.
માથાનો દુખાવો વગર ન્યુરલ નેટવર્કની અંદર 🧠
ન્યુરલ નેટવર્ક નાના ગણિત એકમો (ન્યુરોન્સ) ના સ્તરોને એક કરે છે. દરેક સ્તર વજન, પૂર્વગ્રહ અને ReLU અથવા GELU જેવા સ્ક્વિશી નોનલાઇનિયરિટી સાથે ઇનપુટ્સને રૂપાંતરિત કરે છે. શરૂઆતના સ્તરો સરળ સુવિધાઓ શીખે છે; ઊંડા સ્તરો એબ્સ્ટ્રેક્શનને એન્કોડ કરે છે. "જાદુ" - જો આપણે તેને કહી શકીએ તો - રચના : નાના કાર્યોને સાંકળે છે અને તમે ખૂબ જ જટિલ ઘટનાનું મોડેલ બનાવી શકો છો.
તાલીમ લૂપ, ફક્ત વાઇબ્સ:
-
અનુમાન → ભૂલ માપો → બેકપ્રોપ દ્વારા દોષ દર્શાવો → વજન નજ કરો → પુનરાવર્તન કરો.
આ બેચમાં કરો અને, એક અણઘડ નૃત્યાંગનાની જેમ દરેક ગીતમાં સુધારો કરતા, મોડેલ તમારા પગ પર પગ મૂકવાનું બંધ કરે છે. મૈત્રીપૂર્ણ, સખત બેકપ્રોપ પ્રકરણ માટે, [2] જુઓ.
ટ્રાન્સફોર્મર્સ શા માટે કામે લાગી ગયા - અને "ધ્યાન" નો ખરેખર અર્થ શું છે 🧲
ટ્રાન્સફોર્મર્સ સ્વ-ધ્યાનનો ઇનપુટના કયા ભાગો એકબીજા માટે મહત્વપૂર્ણ છે તેનું મૂલ્યાંકન કરે છે, બધા એકસાથે. જૂના મોડેલોની જેમ ડાબેથી જમણે વાક્ય વાંચવાને બદલે, ટ્રાન્સફોર્મર દરેક જગ્યાએ જોઈ શકે છે અને ગતિશીલ રીતે સંબંધોનું મૂલ્યાંકન કરી શકે છે - જેમ કે ભીડવાળા રૂમને સ્કેન કરીને કોણ કોની સાથે વાત કરી રહ્યું છે તે જોવા માટે.
આ ડિઝાઇનમાં સિક્વન્સ મોડેલિંગ માટે પુનરાવૃત્તિ અને કન્વોલ્યુશનનો સમાવેશ થતો નથી, જેનાથી મોટા પાયે સમાંતરણ અને ઉત્તમ સ્કેલિંગ શક્ય બન્યું. જે પેપરે તેને શરૂ કર્યું - ધ્યાન ફક્ત તમારી જરૂર છે - તે આર્કિટેક્ચર અને પરિણામોનું વર્ણન કરે છે [3].
એક જ લાઇનમાં સ્વ-ધ્યાન: ક્વેરી , કી અને મૂલ્ય વેક્ટર બનાવો; ધ્યાનનું વજન મેળવવા માટે સમાનતાઓની ગણતરી કરો; તે મુજબ મૂલ્યોનું મિશ્રણ કરો. વિગતવાર અસ્પષ્ટ, ભાવનામાં ભવ્ય.
ચેતવણી: ટ્રાન્સફોર્મર્સ પ્રભુત્વ ધરાવે છે, એકાધિકાર નથી. CNN, RNN અને ટ્રી એન્સેમ્બલ્સ હજુ પણ ચોક્કસ ડેટા પ્રકારો અને લેટન્સી/ખર્ચ મર્યાદાઓ પર જીત મેળવે છે. કામ માટે આર્કિટેક્ચર પસંદ કરો, હાઇપ નહીં.
AI કેવી રીતે કામ કરે છે? તમે ખરેખર ઉપયોગ કરશો તે વ્યવહારુ પાઇપલાઇન 🛠️
-
સમસ્યાનું નિરાકરણ
તમે શું આગાહી કરી રહ્યા છો અથવા ઉત્પન્ન કરી રહ્યા છો, અને સફળતા કેવી રીતે માપવામાં આવશે? -
ડેટા
એકત્રિત કરો, જો જરૂરી હોય તો લેબલ કરો, સાફ કરો અને વિભાજીત કરો. ખૂટતા મૂલ્યો અને ધારના કેસોની અપેક્ષા રાખો. -
મોડેલિંગ
સરળ શરૂઆત કરો. બેઝલાઇન્સ (લોજિસ્ટિક રીગ્રેશન, ગ્રેડિયન્ટ બૂસ્ટિંગ, અથવા નાનું ટ્રાન્સફોર્મર) ઘણીવાર વીરતાપૂર્ણ જટિલતાને હરાવે છે. -
તાલીમ
એક ઉદ્દેશ્ય પસંદ કરો, એક ઑપ્ટિમાઇઝર પસંદ કરો, હાયપરપેરામીટર્સ સેટ કરો. પુનરાવર્તન કરો. -
મૂલ્યાંકન
તમારા વાસ્તવિક ધ્યેય (ચોકસાઈ, F1, AUROC, BLEU, મૂંઝવણ, લેટન્સી) સાથે જોડાયેલા હોલ્ડ-આઉટ્સ, ક્રોસ-વેલિડેશન અને મેટ્રિક્સનો ઉપયોગ કરો. -
ડિપ્લોયમેન્ટ
API પાછળ સેવા આપો અથવા એપ્લિકેશનમાં એમ્બેડ કરો. લેટન્સી, ખર્ચ, થ્રુપુટ ટ્રૅક કરો. -
મોનિટરિંગ અને ગવર્નન્સ
ડ્રિફ્ટ, વાજબીતા, મજબૂતાઈ અને સુરક્ષા પર નજર રાખો. NIST AI રિસ્ક મેનેજમેન્ટ ફ્રેમવર્ક (GOVERN, MAP, MEASURE, MANAGE) એ એન્ડ-ટુ-એન્ડ વિશ્વસનીય સિસ્ટમો માટે એક વ્યવહારુ ચેકલિસ્ટ છે [4].
મીની-કેસ: એક વિઝન મોડેલ લેબમાં પ્રવેશ્યું, પછી લાઇટિંગ બદલાતા તે ક્ષેત્રમાં ફસાઈ ગયું. ઇનપુટ હિસ્ટોગ્રામમાં ફ્લેગ કરેલ ડ્રિફ્ટનું નિરીક્ષણ; ઝડપી વૃદ્ધિ + ફાઇન-ટ્યુન બમ્પે કામગીરી પુનઃસ્થાપિત કરી. કંટાળાજનક? હા. અસરકારક? હા પણ.
સરખામણી કોષ્ટક - અભિગમો, તેઓ કોના માટે છે, રફ ખર્ચ, તેઓ શા માટે કામ કરે છે 📊
જાણી જોઈને અપૂર્ણ: થોડી અસમાન વાક્ય રચના તેને માનવીય અનુભવ કરાવવામાં મદદ કરે છે.
| અભિગમ | આદર્શ પ્રેક્ષકો | ભાવ-પ્રિય | તે કેમ કામ કરે છે / નોંધો |
|---|---|---|---|
| દેખરેખ હેઠળ શિક્ષણ | વિશ્લેષકો, ઉત્પાદન ટીમો | નીચા-મધ્યમ | ડાયરેક્ટ મેપિંગ ઇનપુટ→લેબલ. જ્યારે લેબલ્સ અસ્તિત્વમાં હોય ત્યારે ઉત્તમ; ઘણી ડિપ્લોય્ડ સિસ્ટમ્સનો આધાર બનાવે છે [1]. |
| દેખરેખ વિનાનું | ડેટા એક્સપ્લોરર્સ, આર એન્ડ ડી | નીચું | ક્લસ્ટરો/સંકોચન/સુપ્ત પરિબળો શોધે છે - શોધ અને પ્રી-ટ્રેનિંગ માટે સારું. |
| સ્વ-નિરીક્ષણ | પ્લેટફોર્મ ટીમો | મધ્યમ | કમ્પ્યુટ અને ડેટા સાથે કાચા ડેટા-સ્કેલમાંથી પોતાના લેબલ્સ બનાવે છે. |
| મજબૂતીકરણ શિક્ષણ | રોબોટિક્સ, ઓપ્સ સંશોધન | મધ્યમ-ઉચ્ચ | પુરસ્કાર સંકેતો પરથી નીતિઓ શીખે છે; સિદ્ધાંત માટે સટન અને બાર્ટો વાંચો [5]. |
| ટ્રાન્સફોર્મર્સ | NLP, દ્રષ્ટિ, મલ્ટીમોડલ | મધ્યમ-ઉચ્ચ | સ્વ-ધ્યાન લાંબા અંતરના ઊંડાણોને પકડી લે છે અને સારી રીતે સમાંતર બનાવે છે; મૂળ પેપર જુઓ [3]. |
| ક્લાસિક ML (વૃક્ષો) | ટેબ્યુલર બિઝ એપ્લિકેશન્સ | નીચું | સ્ટ્રક્ચર્ડ ડેટા પર સસ્તી, ઝડપી, ઘણીવાર આઘાતજનક રીતે મજબૂત બેઝલાઇન. |
| નિયમ-આધારિત/પ્રતીકાત્મક | પાલન, નિર્ણાયક | ખૂબ જ નીચું | પારદર્શક તર્ક; જ્યારે તમને ઓડિટબિલિટીની જરૂર હોય ત્યારે હાઇબ્રિડમાં ઉપયોગી. |
| મૂલ્યાંકન અને જોખમ | દરેક વ્યક્તિ | બદલાય છે | તેને સુરક્ષિત અને ઉપયોગી રાખવા માટે NIST ના GOVERN-MAP-MEASURE-MANAGE નો ઉપયોગ કરો [4]. |
કિંમત-પ્રમાણ = ડેટા લેબલિંગ + ગણતરી + લોકો + સેવા.
ડીપ ડાઇવ ૧ - નુકશાન કાર્યો, ગ્રેડિયન્ટ્સ અને નાના પગલાં જે બધું બદલી નાખે છે 📉
કદ પરથી ઘરની કિંમતની આગાહી કરવા માટે એક રેખા ગોઠવવાની કલ્પના કરો. તમે પરિમાણો (w) અને (b) પસંદ કરો છો, આગાહી કરો છો (\hat{y} = wx + b) અને સરેરાશ વર્ગ નુકસાન સાથે ભૂલ માપો છો. ઢાળ તમને કહે છે કે કઈ દિશામાં આગળ વધવું (w) અને (b) નુકસાન સૌથી ઝડપથી ઘટાડવું - જેમ કે ધુમ્મસમાં ઉતાર પર ચાલવું, જમીનનો ઢોળાવ કઈ દિશામાં છે તે અનુભવીને. દરેક બેચ પછી અપડેટ કરો અને તમારી રેખા વાસ્તવિકતાની નજીક જાય છે.
ડીપ નેટમાં મોટા બેન્ડ સાથે પણ એવું જ ગીત હોય છે. બેકપ્રોપ ગણતરી કરે છે કે દરેક લેયરના પેરામીટર્સે અંતિમ ભૂલને કેવી રીતે અસર કરી - કાર્યક્ષમ રીતે - જેથી તમે લાખો (અથવા અબજો) નોબ્સને યોગ્ય દિશામાં ધકેલી શકો [2].
મુખ્ય અંતઃપ્રેરણા:
-
નુકસાન લેન્ડસ્કેપને આકાર આપે છે.
-
ગ્રેડિયન્ટ્સ તમારા હોકાયંત્ર છે.
-
શીખવાનો દર પગલાંઓનું કદ ખૂબ મોટું છે - ખૂબ મોટું અને તમે ધ્રુજશો, ખૂબ નાનું અને તમે ઊંઘી જાઓ છો.
-
નિયમિતકરણ તમને પોપટની જેમ સંપૂર્ણ યાદ સાથે તાલીમ સેટ યાદ રાખવાથી રોકે છે પરંતુ કોઈ સમજણ નથી.
ડીપ ડાઇવ 2 - એમ્બેડિંગ, પ્રોમ્પ્ટિંગ અને રીટ્રીવલ 🧭
એમ્બેડ કરે છે જ્યાં સમાન વસ્તુઓ એકબીજાની નજીક આવે છે. તે તમને આ કરવાની મંજૂરી આપે છે:
-
અર્થપૂર્ણ રીતે સમાન ફકરાઓ શોધો
-
અર્થ સમજતી શક્તિ શોધ
-
રીટ્રીવલ-ઓગમેન્ટેડ જનરેશન (RAG) પ્લગ ઇન કરો જેથી ભાષા મોડેલ લખતા પહેલા હકીકતો શોધી શકે.
પ્રોમ્પ્ટિંગ એ જનરેટિવ મોડેલ્સ ચલાવવાની રીત છે - કાર્યનું વર્ણન કરો, ઉદાહરણો આપો, મર્યાદાઓ સેટ કરો. તેને ખૂબ જ ઝડપી ઇન્ટર્ન માટે ખૂબ જ વિગતવાર સ્પેક લખવા જેવું વિચારો: ઉત્સુક, ક્યારેક અતિશય આત્મવિશ્વાસ.
વ્યવહારુ ટિપ: જો તમારા મોડેલમાં ભ્રમ હોય, તો પુનઃપ્રાપ્તિ ઉમેરો, પ્રોમ્પ્ટને કડક બનાવો, અથવા "વાઇબ્સ" ને બદલે ગ્રાઉન્ડેડ મેટ્રિક્સથી મૂલ્યાંકન કરો.
ઊંડાણપૂર્વક ડાઇવ ૩ - ભ્રમ વિના મૂલ્યાંકન 🧪
સારું મૂલ્યાંકન કંટાળાજનક લાગે છે - જે બરાબર મુદ્દો છે.
-
લૉક કરેલ ટેસ્ટ સેટનો ઉપયોગ કરો.
-
વપરાશકર્તાના દુઃખને પ્રતિબિંબિત કરતું મેટ્રિક પસંદ કરો.
-
એબ્લેશન ચલાવો જેથી તમને ખબર પડે કે ખરેખર શું મદદ કરી.
-
વાસ્તવિક, અવ્યવસ્થિત ઉદાહરણો સાથે નિષ્ફળતાઓનો રેકોર્ડ બનાવો.
ઉત્પાદનમાં, દેખરેખ એ મૂલ્યાંકન છે જે ક્યારેય અટકતું નથી. ડ્રિફ્ટ થાય છે. નવી ભાષા દેખાય છે, સેન્સર ફરીથી માપાંકિત થાય છે, અને ગઈકાલનું મોડેલ થોડું સ્લાઇડ થાય છે. NIST માળખું ચાલુ જોખમ વ્યવસ્થાપન અને શાસન માટે એક વ્યવહારુ સંદર્ભ છે - [4] ને છુપાવવા માટેનો નીતિ દસ્તાવેજ નથી.
નીતિશાસ્ત્ર, પૂર્વગ્રહ અને વિશ્વસનીયતા પર એક નોંધ ⚖️
AI સિસ્ટમો તેમના ડેટા અને ડિપ્લોયમેન્ટ સંદર્ભને પ્રતિબિંબિત કરે છે. તે જોખમ લાવે છે: પક્ષપાત, જૂથોમાં અસમાન ભૂલો, વિતરણ શિફ્ટ હેઠળ બરડપણું. નૈતિક ઉપયોગ વૈકલ્પિક નથી - તે ટેબલ સ્ટેક્સ છે. NIST નક્કર પ્રથાઓ તરફ નિર્દેશ કરે છે: જોખમો અને અસરોનું દસ્તાવેજીકરણ, હાનિકારક પૂર્વગ્રહ માટે માપન, ફોલબેક બનાવવું અને જ્યારે સ્ટેક્સ ઊંચા હોય ત્યારે માનવોને લૂપમાં રાખવા [4].
કોંક્રિટ ચાલ જે મદદ કરે છે:
-
વિવિધ, પ્રતિનિધિ ડેટા એકત્રિત કરો
-
પેટા વસ્તીઓમાં કામગીરી માપવા
-
દસ્તાવેજ મોડેલ કાર્ડ્સ અને ડેટા શીટ્સ
-
જ્યાં જોખમ વધારે હોય ત્યાં માનવ દેખરેખ ઉમેરો
-
જ્યારે સિસ્ટમ અનિશ્ચિત હોય ત્યારે ડિઝાઇન ફેલ-સેફ
AI કેવી રીતે કામ કરે છે? માનસિક મોડેલ તરીકે તમે ફરીથી ઉપયોગ કરી શકો છો 🧩
લગભગ કોઈપણ AI સિસ્ટમ પર લાગુ કરી શકાય તેવી એક કોમ્પેક્ટ ચેકલિસ્ટ:
-
ઉદ્દેશ્ય શું છે? આગાહી, રેન્કિંગ, પેઢી, નિયંત્રણ?
-
શીખવાનો સંકેત ક્યાંથી આવે છે? લેબલ્સ, સ્વ-નિરીક્ષણ કાર્યો, પુરસ્કારો?
-
કયા આર્કિટેક્ચરનો ઉપયોગ થાય છે? રેખીય મોડેલ, વૃક્ષનું જોડાણ, CNN, RNN, ટ્રાન્સફોર્મર [3]?
-
તેને કેવી રીતે ઑપ્ટિમાઇઝ કરવામાં આવે છે? ગ્રેડિયન્ટ ડિસેન્ટ ભિન્નતા/બેકપ્રોપ [2]?
-
કયો ડેટા રેજીમ? નાનો લેબલ સેટ, લેબલ વગરના ટેક્સ્ટનો સમુદ્ર, સિમ્યુલેટેડ વાતાવરણ?
-
નિષ્ફળતાના મોડ્સ અને સલામતીના પગલાં શું છે? પૂર્વગ્રહ, ડ્રિફ્ટ, ભ્રમ, લેટન્સી, NIST ના GOVERN-MAP-MEASURE-MANAGE [4] માટે ખર્ચ-મેપ્ડ.
જો તમે તેનો જવાબ આપી શકો છો, તો તમે મૂળભૂત રીતે સિસ્ટમને સમજો છો - બાકીનું અમલીકરણની વિગતો અને ડોમેન જ્ઞાન છે.
બુકમાર્ક કરવા યોગ્ય ઝડપી સ્ત્રોતો 🔖
-
મશીન લર્નિંગ કોન્સેપ્ટ્સ (IBM) નો સાદો ભાષા પરિચય [1]
-
આકૃતિઓ અને સૌમ્ય ગણિત સાથે બેકપ્રોપેગેશન [2]
-
ટ્રાન્સફોર્મર પેપર જેણે સિક્વન્સ મોડેલિંગ બદલ્યું [3]
-
NIST નું AI રિસ્ક મેનેજમેન્ટ ફ્રેમવર્ક (વ્યવહારિક શાસન) [4]
-
કેનોનિકલ રિઇન્ફોર્સમેન્ટ લર્નિંગ પાઠ્યપુસ્તક (મફત) [5]
વારંવાર પૂછાતા પ્રશ્નો વીજળીનો ગોળો ⚡
શું AI ફક્ત આંકડા છે?
તે આંકડા વત્તા ઑપ્ટિમાઇઝેશન, ગણતરી, ડેટા એન્જિનિયરિંગ અને પ્રોડક્ટ ડિઝાઇન છે. આંકડા હાડપિંજર છે; બાકીનું બધું સ્નાયુ છે.
શું મોટા મોડેલ હંમેશા જીતે છે?
સ્કેલિંગ મદદ કરે છે, પરંતુ ડેટા ગુણવત્તા, મૂલ્યાંકન અને ડિપ્લોયમેન્ટ મર્યાદાઓ ઘણીવાર વધુ મહત્વ ધરાવે છે. તમારા લક્ષ્યને પ્રાપ્ત કરતું સૌથી નાનું મોડેલ સામાન્ય રીતે વપરાશકર્તાઓ અને વોલેટ્સ માટે શ્રેષ્ઠ હોય છે.
શું AI સમજી શકે છે?
સમજને વ્યાખ્યાયિત કરો . મોડેલો ડેટામાં માળખું કેપ્ચર કરે છે અને પ્રભાવશાળી રીતે સામાન્યીકરણ કરે છે; પરંતુ તેમની પાસે અંધ બિંદુઓ છે અને તેઓ આત્મવિશ્વાસથી ખોટા હોઈ શકે છે. તેમની સાથે શક્તિશાળી સાધનોની જેમ વ્યવહાર કરો - ઋષિઓની જેમ નહીં.
શું ટ્રાન્સફોર્મર યુગ કાયમ માટે છે?
કદાચ કાયમ માટે નહીં. તે હવે પ્રબળ છે કારણ કે ધ્યાન સમાંતર બને છે અને સારી રીતે માપવામાં આવે છે, જેમ કે મૂળ પેપરમાં દર્શાવવામાં આવ્યું છે [3]. પરંતુ સંશોધન આગળ વધતું રહે છે.
AI કેવી રીતે કામ કરે છે? ખૂબ લાંબો, વાંચ્યું નથી 🧵
-
AI ડેટામાંથી પેટર્ન શીખે છે, નુકસાન ઘટાડે છે, અને નવા ઇનપુટ્સનું સામાન્યીકરણ કરે છે [1,2].
-
દેખરેખ હેઠળનું, દેખરેખ વગરનું, સ્વ-નિરીક્ષણ હેઠળનું અને મજબૂતીકરણ શિક્ષણ એ મુખ્ય તાલીમ સેટઅપ છે; RL પુરસ્કારોમાંથી શીખે છે [5].
-
ન્યુરલ નેટવર્ક્સ લાખો પરિમાણોને કાર્યક્ષમ રીતે સમાયોજિત કરવા માટે બેકપ્રોપેગેશન અને ગ્રેડિયન્ટ ડિસેન્ટનો ઉપયોગ કરે છે [2].
-
ટ્રાન્સફોર્મર્સ ઘણા ક્રમ કાર્યો પર પ્રભુત્વ ધરાવે છે કારણ કે સ્વ-ધ્યાન [3] ના સ્તરે સમાંતર સંબંધોને કેપ્ચર કરે છે.
-
વાસ્તવિક દુનિયાની AI એ સમસ્યાના નિર્માણથી લઈને જમાવટ અને શાસન સુધીની એક પાઇપલાઇન છે - અને NIST નું માળખું તમને જોખમ વિશે પ્રમાણિક રાખે છે [4].
જો કોઈ ફરીથી પૂછે કે AI કેવી રીતે કામ કરે છે?, તો તમે સ્મિત કરી શકો છો, તમારી કોફીની ચૂસકી લઈ શકો છો અને કહી શકો છો: તે ડેટામાંથી શીખે છે, નુકસાનને ઑપ્ટિમાઇઝ કરે છે, અને સમસ્યાના આધારે ટ્રાન્સફોર્મર અથવા ટ્રી એન્સેમ્બલ્સ જેવા આર્કિટેક્ચરનો ઉપયોગ કરે છે. પછી એક આંખ મારવી ઉમેરો, કારણ કે તે સરળ અને ગુપ્ત રીતે સંપૂર્ણ બંને છે. 😉
સંદર્ભ
[1] IBM - મશીન લર્નિંગ શું છે?
વધુ વાંચો
[2] માઈકલ નીલ્સન - બેકપ્રોપેગેશન અલ્ગોરિધમ કેવી રીતે કાર્ય કરે છે
વધુ વાંચો
[3] વાસવાણી અને અન્ય - ધ્યાન ફક્ત તમારી જરૂર છે (arXiv)
વધુ વાંચો
[4] NIST - આર્ટિફિશિયલ ઇન્ટેલિજન્સ રિસ્ક મેનેજમેન્ટ ફ્રેમવર્ક (AI RMF 1.0)
વધુ વાંચો
[5] સટન અને બાર્ટો - રિઇન્ફોર્સમેન્ટ લર્નિંગ: એન ઇન્ટ્રોડક્શન (બીજી આવૃત્તિ)
વધુ વાંચો