गहरी सीख एक बहुत बड़ी बात है! या यह उपयोगकर्ताओं के बीच बहुत अधिक है।
हम बहुत लंबे समय से डीप लर्निंग को ओवरहाइप कर रहे हैं। इसे गले लगाने का समय आ गया है
डीप लर्निंग प्रतिनिधित्व सीखने के साथ कृत्रिम Use my blogतंत्रिका नेटवर्क पर आधारित मशीन सीखने के तरीकों के एक व्यापक परिवार का हिस्सा है। यह मशीनों को चीजें सीखने की एआई प्रक्रिया में सुधार लाने पर केंद्रित है। गहरी शिक्षा का मूल तेजी से पर्याप्त कंप्यूटर और बड़े तंत्रिका नेटवर्क को प्रशिक्षित करने के लिए पर्याप्त डेटा में निहित है। डीप लर्निंग एक प्रचार चक्र का केंद्र बिंदु बन गया। कई कंपनियां समस्याओं और उनकी उत्पाद सेवाओं को हल करने के लिए गहन शिक्षण और उन्नत कृत्रिम बुद्धिमत्ता का उपयोग करती हैं।
लेकिन वापस लौटने के लिए बहुत लंबी अवधि के लिए गहरी शिक्षा को अतिरंजित किया जाता है। इस बीच, मीडिया आउटलेट्स अक्सर आर्टिफिशियल इंटेलिजेंस और डीप लर्निंग के बारे में ऐसी खबरें प्रसारित करते थे जिन्हें गलत जानकारी दी गई थी। वे उन लोगों द्वारा लिखे गए थे जिन्हें इस बात की उचित समझ नहीं थी कि तकनीक कैसे काम करती है। कई विशेषज्ञों का मानना है कि डीएल ओवरहाइप्ड है। अन्य प्रमुख विशेषज्ञ स्वीकार करते हैं कि गहन शिक्षा एक दीवार से टकरा गई है, और इसमें कुछ शोधकर्ता शामिल हैं जो गहन शिक्षा के अग्रदूतों में से थे और क्षेत्र की कुछ सबसे महत्वपूर्ण उपलब्धियों में शामिल थे।
कुछ लोग कहते हैं कि डीप लर्निंग मशीन लर्निंग का ही दूसरा नाम है, लेकिन यह सही नहीं है। डीप लर्निंग मशीन लर्निंग का एक सबसेट है। लोगों को एमएल / डीएल को उन समस्याओं का समाधान बनाने की कोशिश करना बंद कर देना चाहिए जिन्हें सरल गणित द्वारा आसानी से हल किया जा सकता है। एमएल तकनीक लंबे समय से उपयोग में है, लेकिन गहन शिक्षण अपने साथियों से कहीं बेहतर है।
एक एमएल परियोजना को डेटा प्रवाह का समर्थन करने के लिए डेटा और एक मजबूत पाइपलाइन की आवश्यकता होती है। और सबसे बढ़कर, इसे उच्च-गुणवत्ता वाले लेबल की आवश्यकता होती है। यह अंतिम बिंदु डेटा को जानने की आवश्यकता पर प्रकाश डालता है। लेबल करने के लिए, इसे डेटा को कुछ हद तक समझने की जरूरत है। रैंडम डेटा को एक डीप लर्निंग एल्गोरिथम में फेंकना शुरू करने और परिणामों के लिए प्रार्थना करने से पहले यह सब होना चाहिए।
इस प्रकार, यह गहरी शिक्षा, मशीन सीखने और कृत्रिम बुद्धिमत्ता के भविष्य की देखरेख को रोकने में मदद करेगा और इसके बजाय, वर्तमान आवश्यकता पर ध्यान केंद्रित करने के लिए पाशविक-बल और मशीन-चालित पैटर्न मिलान के साथ मानव सरलता को बेहतर ढंग से एकीकृत करने की आवश्यकता है।
डीप लर्निंग अनिवार्य रूप से पैमाने पर पैटर्न मिलान करने का एक तरीका है। सबसे महत्वपूर्ण बात यह है कि गहन शिक्षण को केवल विशेष क्षेत्रों में ही सीमित सफलता मिली है। इन क्षेत्रों में सुदृढीकरण सीखना, प्रतिकूल मॉडल और विसंगति का पता लगाना शामिल है।
कुछ विशेषज्ञों का मानना है कि सुदृढीकरण सीखने में बड़ी मात्रा में लेबल किए गए डेटा प्रदान किए बिना एआई मॉडल विकसित करना शामिल है। जबकि गहन सुदृढीकरण सीखना एआई अनुसंधान के अधिक दिलचस्प क्षेत्रों में से एक है, लेकिन वास्तविक दुनिया की समस्याओं को हल करने में इसकी सीमित सफलता है।
प्रतिकूल हमलों के खिलाफ गहन शिक्षण मॉडल को सख्त करने के कई प्रयास किए गए हैं, लेकिन अभी तक सीमित सफलता मिली है। चुनौती का एक हिस्सा इस तथ्य से उपजा है कि कृत्रिम तंत्रिका नेटवर्क बहुत जटिल और व्याख्या करने में कठिन हैं।
निष्कर्ष: गहन शिक्षा की हमारी अपेक्षाओं में संयमित रहना महत्वपूर्ण है। जैसा कि प्रतीत होता है कि दुनिया मास्टर एल्गोरिथम के लिए हाथापाई कर रही है, किसी को यह ध्यान रखना चाहिए कि डीप लर्निंग मशीन लर्निंग नहीं है; यह एक उपसमुच्चय है। जबकि गहरे तंत्रिका नेटवर्क का अपना स्थान है, वे मानवता के सभी संकटों का समाधान नहीं करेंगे। जबकि गहरी शिक्षा लहरें बना रही है, और योग्य रूप से, ध्यान रखें कि यह उपयुक्त परिस्थितियों में उपयोग किया जाने वाला एक और प्रभावी उपकरण है। फिर भी, लोगों की राय इसके अति-हाइप होने से लेकर, हर उस समस्या का समाधान होने तक, जिसे वे कभी अनुभव करेंगे, बीच में कहीं अधिक उदारवादी होने तक चलाएंगे।