ਆਪਣੇ ਬਿੱਲੀ ਦੇ ਬੱਚੇ ਨੂੰ ਦੱਸੋ ਕਿ ਤੁਸੀਂ ਅੰਦਰ ਕੀ ਸੋਚਦੇ ਹੋ - ਬਲੈਕ ਬਾਕਸ ਪ੍ਰਭਾਵ
ਇਹ ਤੱਥ ਕਿ ਐਡਵਾਂਸਡ AI ਐਲਗੋਰਿਦਮ ਇੱਕ ਬਲੈਕ ਬਾਕਸ (1) ਦੀ ਤਰ੍ਹਾਂ ਹਨ ਜੋ ਇਹ ਦੱਸੇ ਬਿਨਾਂ ਨਤੀਜਾ ਸੁੱਟ ਦਿੰਦਾ ਹੈ ਕਿ ਇਹ ਕਿਵੇਂ ਆਇਆ ਹੈ ਕੁਝ ਨੂੰ ਚਿੰਤਾ ਕਰਦਾ ਹੈ ਅਤੇ ਦੂਜਿਆਂ ਨੂੰ ਪਰੇਸ਼ਾਨ ਕਰਦਾ ਹੈ।
2015 ਵਿੱਚ, ਨਿਊਯਾਰਕ ਵਿੱਚ ਮਾਊਂਟ ਸਿਨਾਈ ਹਸਪਤਾਲ ਵਿੱਚ ਇੱਕ ਖੋਜ ਟੀਮ ਨੂੰ ਸਥਾਨਕ ਮਰੀਜ਼ਾਂ (2) ਦੇ ਇੱਕ ਵਿਆਪਕ ਡੇਟਾਬੇਸ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ ਇਸ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਨ ਲਈ ਕਿਹਾ ਗਿਆ ਸੀ। ਇਸ ਵਿਸ਼ਾਲ ਸੰਗ੍ਰਹਿ ਵਿੱਚ ਮਰੀਜ਼ਾਂ ਦੀ ਜਾਣਕਾਰੀ, ਟੈਸਟ ਦੇ ਨਤੀਜੇ, ਨੁਸਖੇ ਅਤੇ ਹੋਰ ਬਹੁਤ ਕੁਝ ਸ਼ਾਮਲ ਹੈ।
ਵਿਗਿਆਨੀਆਂ ਨੇ ਕੰਮ ਦੇ ਦੌਰਾਨ ਵਿਕਸਿਤ ਹੋਏ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਪ੍ਰੋਗਰਾਮ ਨੂੰ ਕਿਹਾ। ਇਸ ਨੇ ਲਗਭਗ 700 ਲੋਕਾਂ ਦੇ ਡੇਟਾ 'ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ। ਮਨੁੱਖੀ, ਅਤੇ ਜਦੋਂ ਨਵੀਆਂ ਰਜਿਸਟਰੀਆਂ ਵਿੱਚ ਜਾਂਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਇਹ ਬਿਮਾਰੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਿੱਚ ਬਹੁਤ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਸਾਬਤ ਹੋਇਆ ਹੈ। ਮਨੁੱਖੀ ਮਾਹਿਰਾਂ ਦੀ ਮਦਦ ਤੋਂ ਬਿਨਾਂ, ਉਸਨੇ ਹਸਪਤਾਲ ਦੇ ਰਿਕਾਰਡਾਂ ਵਿੱਚ ਨਮੂਨੇ ਲੱਭੇ ਜੋ ਇਹ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਕਿਹੜਾ ਮਰੀਜ਼ ਕਿਸੇ ਬਿਮਾਰੀ ਦੇ ਰਾਹ 'ਤੇ ਹੈ, ਜਿਵੇਂ ਕਿ ਜਿਗਰ ਦਾ ਕੈਂਸਰ। ਮਾਹਰਾਂ ਦੇ ਅਨੁਸਾਰ, ਪ੍ਰਣਾਲੀ ਦੀ ਪੂਰਵ-ਅਨੁਮਾਨ ਅਤੇ ਨਿਦਾਨ ਕੁਸ਼ਲਤਾ ਕਿਸੇ ਵੀ ਹੋਰ ਜਾਣੇ-ਪਛਾਣੇ ਤਰੀਕਿਆਂ ਨਾਲੋਂ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸੀ।
2. ਮਰੀਜ਼ਾਂ ਦੇ ਡੇਟਾਬੇਸ 'ਤੇ ਅਧਾਰਤ ਮੈਡੀਕਲ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਸਿਸਟਮ
ਉਸੇ ਸਮੇਂ, ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਦੇਖਿਆ ਕਿ ਇਹ ਇੱਕ ਰਹੱਸਮਈ ਤਰੀਕੇ ਨਾਲ ਕੰਮ ਕਰਦਾ ਹੈ. ਇਹ ਇਸ ਲਈ ਆਦਰਸ਼ ਹੈ, ਜੋ ਕਿ, ਉਦਾਹਰਨ ਲਈ, ਬਾਹਰ ਬਦਲ ਦਿੱਤਾ ਮਾਨਸਿਕ ਵਿਕਾਰ ਦੀ ਪਛਾਣਜਿਵੇਂ ਕਿ ਸਿਜ਼ੋਫਰੀਨੀਆ, ਜੋ ਡਾਕਟਰਾਂ ਲਈ ਬਹੁਤ ਮੁਸ਼ਕਲ ਹੈ। ਇਹ ਹੈਰਾਨੀਜਨਕ ਸੀ, ਖਾਸ ਕਰਕੇ ਕਿਉਂਕਿ ਕਿਸੇ ਨੂੰ ਵੀ ਇਹ ਨਹੀਂ ਪਤਾ ਸੀ ਕਿ ਏਆਈ ਸਿਸਟਮ ਸਿਰਫ ਮਰੀਜ਼ ਦੇ ਮੈਡੀਕਲ ਰਿਕਾਰਡਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਮਾਨਸਿਕ ਬਿਮਾਰੀ ਨੂੰ ਇੰਨੀ ਚੰਗੀ ਤਰ੍ਹਾਂ ਕਿਵੇਂ ਦੇਖ ਸਕਦਾ ਹੈ। ਹਾਂ, ਮਾਹਰ ਅਜਿਹੇ ਕੁਸ਼ਲ ਮਸ਼ੀਨ ਡਾਇਗਨੌਸਟਿਸ਼ੀਅਨ ਦੀ ਮਦਦ ਨਾਲ ਬਹੁਤ ਖੁਸ਼ ਸਨ, ਪਰ ਉਹ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸੰਤੁਸ਼ਟ ਹੋਣਗੇ ਜੇਕਰ ਉਹ ਸਮਝਦੇ ਕਿ AI ਆਪਣੇ ਸਿੱਟੇ 'ਤੇ ਕਿਵੇਂ ਪਹੁੰਚਦਾ ਹੈ.
ਨਕਲੀ ਨਿਊਰੋਨਸ ਦੀਆਂ ਪਰਤਾਂ
ਸ਼ੁਰੂ ਤੋਂ ਹੀ, ਯਾਨੀ ਕਿ ਜਦੋਂ ਤੋਂ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦਾ ਸੰਕਲਪ ਜਾਣਿਆ ਗਿਆ, ਏਆਈ 'ਤੇ ਦੋ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਸਨ। ਪਹਿਲੇ ਨੇ ਸੁਝਾਅ ਦਿੱਤਾ ਕਿ ਅਜਿਹੀਆਂ ਮਸ਼ੀਨਾਂ ਬਣਾਉਣਾ ਸਭ ਤੋਂ ਵਾਜਬ ਹੋਵੇਗਾ ਜੋ ਜਾਣੇ-ਪਛਾਣੇ ਸਿਧਾਂਤਾਂ ਅਤੇ ਮਨੁੱਖੀ ਤਰਕ ਦੇ ਅਨੁਸਾਰ ਤਰਕ ਕਰਦੀਆਂ ਹਨ, ਉਹਨਾਂ ਦੇ ਅੰਦਰੂਨੀ ਕਾਰਜਾਂ ਨੂੰ ਹਰ ਕਿਸੇ ਲਈ ਪਾਰਦਰਸ਼ੀ ਬਣਾਉਂਦੀਆਂ ਹਨ। ਦੂਸਰੇ ਮੰਨਦੇ ਸਨ ਕਿ ਜੇਕਰ ਮਸ਼ੀਨਾਂ ਨਿਰੀਖਣ ਅਤੇ ਵਾਰ-ਵਾਰ ਪ੍ਰਯੋਗ ਦੁਆਰਾ ਸਿੱਖੀਆਂ ਜਾਂਦੀਆਂ ਹਨ ਤਾਂ ਬੁੱਧੀ ਹੋਰ ਆਸਾਨੀ ਨਾਲ ਉਭਰ ਸਕਦੀ ਹੈ।
ਬਾਅਦ ਦਾ ਮਤਲਬ ਆਮ ਕੰਪਿਊਟਰ ਪ੍ਰੋਗਰਾਮਿੰਗ ਨੂੰ ਉਲਟਾਉਣਾ ਹੈ। ਪ੍ਰੋਗਰਾਮਰ ਦੁਆਰਾ ਕਿਸੇ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਕਮਾਂਡਾਂ ਲਿਖਣ ਦੀ ਬਜਾਏ, ਪ੍ਰੋਗਰਾਮ ਤਿਆਰ ਕਰਦਾ ਹੈ ਆਪਣਾ ਐਲਗੋਰਿਦਮ ਨਮੂਨਾ ਡੇਟਾ ਅਤੇ ਲੋੜੀਂਦੇ ਨਤੀਜੇ 'ਤੇ ਅਧਾਰਤ। ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿਧੀਆਂ ਜੋ ਬਾਅਦ ਵਿੱਚ ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ AI ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ ਵਿਕਸਤ ਹੋਈਆਂ ਜੋ ਅੱਜ ਜਾਣੀਆਂ ਜਾਂਦੀਆਂ ਹਨ, ਅਸਲ ਵਿੱਚ, ਮਸ਼ੀਨ ਖੁਦ ਪ੍ਰੋਗਰਾਮ ਕਰਦੀ ਹੈ.
ਇਹ ਪਹੁੰਚ 60 ਅਤੇ 70 ਦੇ ਦਹਾਕੇ ਵਿੱਚ AI ਸਿਸਟਮ ਖੋਜ ਦੇ ਹਾਸ਼ੀਏ 'ਤੇ ਰਹੀ। ਸਿਰਫ਼ ਪਿਛਲੇ ਦਹਾਕੇ ਦੇ ਸ਼ੁਰੂ ਵਿੱਚ, ਕੁਝ ਪਾਇਨੀਅਰ ਤਬਦੀਲੀਆਂ ਅਤੇ ਸੁਧਾਰਾਂ ਤੋਂ ਬਾਅਦ, "ਡੂੰਘੇ" ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਸਵੈਚਲਿਤ ਧਾਰਨਾ ਦੀ ਸਮਰੱਥਾ ਵਿੱਚ ਇੱਕ ਬੁਨਿਆਦੀ ਸੁਧਾਰ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰ ਦਿੱਤਾ.
ਡੂੰਘੀ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਨੇ ਕੰਪਿਊਟਰਾਂ ਨੂੰ ਅਸਾਧਾਰਣ ਯੋਗਤਾਵਾਂ ਨਾਲ ਨਿਵਾਜਿਆ ਹੈ, ਜਿਵੇਂ ਕਿ ਬੋਲੇ ਗਏ ਸ਼ਬਦਾਂ ਨੂੰ ਲਗਭਗ ਇੱਕ ਮਨੁੱਖ ਵਾਂਗ ਸਹੀ ਢੰਗ ਨਾਲ ਪਛਾਣਨ ਦੀ ਯੋਗਤਾ। ਇਹ ਸਮੇਂ ਤੋਂ ਪਹਿਲਾਂ ਪ੍ਰੋਗਰਾਮ ਕਰਨ ਲਈ ਬਹੁਤ ਗੁੰਝਲਦਾਰ ਹੁਨਰ ਹੈ। ਮਸ਼ੀਨ ਦੁਆਰਾ ਆਪਣਾ "ਪ੍ਰੋਗਰਾਮ" ਬਣਾਉਣ ਦੇ ਯੋਗ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਵਿਸ਼ਾਲ ਡੇਟਾਸੇਟਾਂ 'ਤੇ ਸਿਖਲਾਈ.
ਡੂੰਘੀ ਸਿਖਲਾਈ ਨੇ ਕੰਪਿਊਟਰ ਚਿੱਤਰ ਪਛਾਣ ਨੂੰ ਵੀ ਬਦਲਿਆ ਹੈ ਅਤੇ ਮਸ਼ੀਨ ਅਨੁਵਾਦ ਦੀ ਗੁਣਵੱਤਾ ਵਿੱਚ ਬਹੁਤ ਸੁਧਾਰ ਕੀਤਾ ਹੈ। ਅੱਜ, ਇਸਦੀ ਵਰਤੋਂ ਦਵਾਈ, ਵਿੱਤ, ਨਿਰਮਾਣ, ਅਤੇ ਹੋਰ ਬਹੁਤ ਸਾਰੇ ਤਰ੍ਹਾਂ ਦੇ ਮੁੱਖ ਫੈਸਲੇ ਲੈਣ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
ਹਾਲਾਂਕਿ, ਇਸ ਸਭ ਦੇ ਨਾਲ ਤੁਸੀਂ ਇਹ ਦੇਖਣ ਲਈ ਕਿ "ਅੰਦਰ" ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ, ਇੱਕ ਡੂੰਘੇ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਦੇ ਅੰਦਰ ਨਹੀਂ ਦੇਖ ਸਕਦੇ। ਨੈੱਟਵਰਕ ਤਰਕ ਦੀਆਂ ਪ੍ਰਕਿਰਿਆਵਾਂ ਹਜ਼ਾਰਾਂ ਸਿਮੂਲੇਟਿਡ ਨਿਊਰੋਨਸ ਦੇ ਵਿਹਾਰ ਵਿੱਚ ਸ਼ਾਮਲ ਹੁੰਦੀਆਂ ਹਨ, ਦਰਜਨਾਂ ਜਾਂ ਸੈਂਕੜੇ ਗੁੰਝਲਦਾਰ ਆਪਸ ਵਿੱਚ ਜੁੜੀਆਂ ਪਰਤਾਂ ਵਿੱਚ ਸੰਗਠਿਤ ਹੁੰਦੀਆਂ ਹਨ।.
ਪਹਿਲੀ ਪਰਤ ਵਿੱਚ ਹਰ ਇੱਕ ਨਿਊਰੋਨ ਇੱਕ ਇੰਪੁੱਟ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਇੱਕ ਚਿੱਤਰ ਵਿੱਚ ਪਿਕਸਲ ਦੀ ਤੀਬਰਤਾ, ਅਤੇ ਫਿਰ ਆਉਟਪੁੱਟ ਦੇਣ ਤੋਂ ਪਹਿਲਾਂ ਗਣਨਾ ਕਰਦਾ ਹੈ। ਉਹ ਇੱਕ ਗੁੰਝਲਦਾਰ ਨੈਟਵਰਕ ਵਿੱਚ ਅਗਲੀ ਪਰਤ ਦੇ ਨਿਊਰੋਨਸ ਵਿੱਚ ਪ੍ਰਸਾਰਿਤ ਕੀਤੇ ਜਾਂਦੇ ਹਨ - ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ, ਅੰਤਿਮ ਆਉਟਪੁੱਟ ਸਿਗਨਲ ਤੱਕ. ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇੱਕ ਪ੍ਰਕਿਰਿਆ ਹੈ ਜਿਸ ਨੂੰ ਵਿਅਕਤੀਗਤ ਨਿਊਰੋਨਸ ਦੁਆਰਾ ਕੀਤੀਆਂ ਗਣਨਾਵਾਂ ਨੂੰ ਅਨੁਕੂਲ ਕਰਨ ਦੇ ਤੌਰ ਤੇ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ ਤਾਂ ਜੋ ਸਿਖਲਾਈ ਨੈਟਵਰਕ ਲੋੜੀਂਦਾ ਨਤੀਜਾ ਪੈਦਾ ਕਰੇ।
ਕੁੱਤੇ ਦੇ ਚਿੱਤਰ ਦੀ ਪਛਾਣ ਨਾਲ ਸਬੰਧਤ ਇੱਕ ਵਾਰ-ਵਾਰ ਜ਼ਿਕਰ ਕੀਤੀ ਉਦਾਹਰਨ ਵਿੱਚ, AI ਦੇ ਹੇਠਲੇ ਪੱਧਰ ਆਕਾਰ ਜਾਂ ਰੰਗ ਵਰਗੀਆਂ ਸਧਾਰਨ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦੇ ਹਨ। ਉੱਚੇ ਲੋਕ ਫਰ ਜਾਂ ਅੱਖਾਂ ਵਰਗੇ ਵਧੇਰੇ ਗੁੰਝਲਦਾਰ ਮੁੱਦਿਆਂ ਨਾਲ ਨਜਿੱਠਦੇ ਹਨ। ਸਿਰਫ਼ ਸਿਖਰ ਦੀ ਪਰਤ ਹੀ ਇਸ ਸਭ ਨੂੰ ਇਕੱਠਾ ਕਰਦੀ ਹੈ, ਜਾਣਕਾਰੀ ਦੇ ਪੂਰੇ ਸੈੱਟ ਨੂੰ ਕੁੱਤੇ ਵਜੋਂ ਪਛਾਣਦੀ ਹੈ।
ਇਹੀ ਪਹੁੰਚ ਹੋਰ ਕਿਸਮਾਂ ਦੇ ਇੰਪੁੱਟ 'ਤੇ ਲਾਗੂ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ ਜੋ ਮਸ਼ੀਨ ਨੂੰ ਆਪਣੇ ਆਪ ਨੂੰ ਸਿੱਖਣ ਲਈ ਸ਼ਕਤੀ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ: ਆਵਾਜ਼ਾਂ ਜੋ ਭਾਸ਼ਣ ਵਿੱਚ ਸ਼ਬਦ ਬਣਾਉਂਦੀਆਂ ਹਨ, ਅੱਖਰ ਅਤੇ ਸ਼ਬਦ ਜੋ ਲਿਖਤੀ ਟੈਕਸਟ ਵਿੱਚ ਵਾਕਾਂ ਨੂੰ ਬਣਾਉਂਦੇ ਹਨ, ਜਾਂ ਸਟੀਅਰਿੰਗ ਵ੍ਹੀਲ, ਉਦਾਹਰਨ ਲਈ। ਵਾਹਨ ਚਲਾਉਣ ਲਈ ਜ਼ਰੂਰੀ ਅੰਦੋਲਨ।
ਕਾਰ ਕੁਝ ਵੀ ਨਹੀਂ ਛੱਡਦੀ।
ਇਹ ਦੱਸਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਕਿ ਅਜਿਹੀਆਂ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ ਅਸਲ ਵਿੱਚ ਕੀ ਹੁੰਦਾ ਹੈ. 2015 ਵਿੱਚ, ਗੂਗਲ ਦੇ ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਇੱਕ ਡੂੰਘੀ ਸਿੱਖਣ ਵਾਲੀ ਚਿੱਤਰ ਪਛਾਣ ਐਲਗੋਰਿਦਮ ਨੂੰ ਸੰਸ਼ੋਧਿਤ ਕੀਤਾ ਤਾਂ ਜੋ ਫੋਟੋਆਂ ਵਿੱਚ ਵਸਤੂਆਂ ਨੂੰ ਦੇਖਣ ਦੀ ਬਜਾਏ, ਇਹ ਉਹਨਾਂ ਨੂੰ ਤਿਆਰ ਜਾਂ ਸੰਸ਼ੋਧਿਤ ਕਰੇ। ਐਲਗੋਰਿਦਮ ਨੂੰ ਪਿੱਛੇ ਵੱਲ ਚਲਾ ਕੇ, ਉਹ ਉਹਨਾਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਖੋਜਣਾ ਚਾਹੁੰਦੇ ਸਨ ਜੋ ਪ੍ਰੋਗਰਾਮ ਕਿਸੇ ਪੰਛੀ ਜਾਂ ਇਮਾਰਤ ਨੂੰ ਪਛਾਣਨ, ਕਹਿਣ ਲਈ ਵਰਤਦਾ ਹੈ।
ਇਹਨਾਂ ਪ੍ਰਯੋਗਾਂ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਜਨਤਕ ਤੌਰ 'ਤੇ ਸਿਰਲੇਖ ਵਜੋਂ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ, ਨੇ (3) ਵਿਅੰਗਾਤਮਕ, ਅਜੀਬ ਜਾਨਵਰਾਂ, ਲੈਂਡਸਕੇਪਾਂ ਅਤੇ ਪਾਤਰਾਂ ਦੇ ਅਦਭੁਤ ਚਿੱਤਰਣ ਪੈਦਾ ਕੀਤੇ। ਮਸ਼ੀਨ ਦੀ ਧਾਰਨਾ ਦੇ ਕੁਝ ਭੇਦਾਂ ਦਾ ਖੁਲਾਸਾ ਕਰਕੇ, ਜਿਵੇਂ ਕਿ ਇਹ ਤੱਥ ਕਿ ਕੁਝ ਪੈਟਰਨਾਂ ਨੂੰ ਵਾਰ-ਵਾਰ ਵਾਪਸ ਅਤੇ ਦੁਹਰਾਇਆ ਜਾਂਦਾ ਹੈ, ਉਹਨਾਂ ਨੇ ਇਹ ਵੀ ਦਿਖਾਇਆ ਕਿ ਕਿਵੇਂ ਡੂੰਘੀ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਮਨੁੱਖੀ ਧਾਰਨਾ ਤੋਂ ਵੱਖਰੀ ਹੈ - ਉਦਾਹਰਨ ਲਈ, ਇਸ ਅਰਥ ਵਿੱਚ ਕਿ ਇਹ ਉਹਨਾਂ ਕਲਾਤਮਕ ਚੀਜ਼ਾਂ ਦਾ ਵਿਸਤਾਰ ਅਤੇ ਡੁਪਲੀਕੇਟ ਕਰਦਾ ਹੈ ਜਿਹਨਾਂ ਨੂੰ ਅਸੀਂ ਅਣਡਿੱਠ ਕਰਦੇ ਹਾਂ। ਸੋਚੇ ਬਿਨਾਂ ਸਾਡੀ ਧਾਰਨਾ ਦੀ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ. .
3. ਪ੍ਰੋਜੈਕਟ ਵਿੱਚ ਚਿੱਤਰ ਬਣਾਇਆ ਗਿਆ ਹੈ
ਤਰੀਕੇ ਨਾਲ ਕਰ ਕੇ, ਦੂਜੇ ਪਾਸੇ, ਇਹਨਾਂ ਪ੍ਰਯੋਗਾਂ ਨੇ ਸਾਡੀਆਂ ਆਪਣੀਆਂ ਬੋਧਾਤਮਕ ਵਿਧੀਆਂ ਦੇ ਰਹੱਸ ਨੂੰ ਉਜਾਗਰ ਕੀਤਾ ਹੈ। ਸ਼ਾਇਦ ਇਹ ਸਾਡੀ ਧਾਰਨਾ ਵਿੱਚ ਹੈ ਕਿ ਇੱਥੇ ਬਹੁਤ ਸਾਰੇ ਨਾ-ਸਮਝਣਯੋਗ ਹਿੱਸੇ ਹਨ ਜੋ ਸਾਨੂੰ ਕਿਸੇ ਚੀਜ਼ ਨੂੰ ਤੁਰੰਤ ਸਮਝਣ ਅਤੇ ਅਣਡਿੱਠ ਕਰਨ ਲਈ ਮਜਬੂਰ ਕਰਦੇ ਹਨ, ਜਦੋਂ ਕਿ ਮਸ਼ੀਨ ਧੀਰਜ ਨਾਲ "ਗੈਰ-ਮਹੱਤਵਪੂਰਨ" ਵਸਤੂਆਂ 'ਤੇ ਆਪਣੀਆਂ ਦੁਹਰਾਈਆਂ ਨੂੰ ਦੁਹਰਾਉਂਦੀ ਹੈ।
ਮਸ਼ੀਨ ਨੂੰ "ਸਮਝਣ" ਦੀ ਕੋਸ਼ਿਸ਼ ਵਿੱਚ ਹੋਰ ਟੈਸਟ ਅਤੇ ਅਧਿਐਨ ਕੀਤੇ ਗਏ ਸਨ। ਜੇਸਨ ਯੋਸਿਨਸਕੀ ਉਸਨੇ ਇੱਕ ਅਜਿਹਾ ਟੂਲ ਬਣਾਇਆ ਜੋ ਦਿਮਾਗ ਵਿੱਚ ਫਸੇ ਇੱਕ ਜਾਂਚ ਵਾਂਗ ਕੰਮ ਕਰਦਾ ਹੈ, ਕਿਸੇ ਵੀ ਨਕਲੀ ਨਿਊਰੋਨ ਨੂੰ ਨਿਸ਼ਾਨਾ ਬਣਾਉਂਦਾ ਹੈ ਅਤੇ ਉਸ ਚਿੱਤਰ ਨੂੰ ਲੱਭਦਾ ਹੈ ਜੋ ਇਸਨੂੰ ਸਭ ਤੋਂ ਮਜ਼ਬੂਤੀ ਨਾਲ ਸਰਗਰਮ ਕਰਦਾ ਹੈ। ਪਿਛਲੇ ਪ੍ਰਯੋਗ ਵਿੱਚ, ਸਾਰ ਚਿੱਤਰ ਨੈਟਵਰਕ ਨੂੰ ਲਾਲ ਹੱਥ ਨਾਲ "ਝਾਕਣ" ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਪ੍ਰਗਟ ਹੋਏ, ਜਿਸ ਨੇ ਸਿਸਟਮ ਵਿੱਚ ਹੋਣ ਵਾਲੀਆਂ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਹੋਰ ਵੀ ਰਹੱਸਮਈ ਬਣਾ ਦਿੱਤਾ।
ਹਾਲਾਂਕਿ, ਬਹੁਤ ਸਾਰੇ ਵਿਗਿਆਨੀਆਂ ਲਈ, ਅਜਿਹਾ ਅਧਿਐਨ ਇੱਕ ਗਲਤਫਹਿਮੀ ਹੈ, ਕਿਉਂਕਿ, ਉਹਨਾਂ ਦੇ ਵਿਚਾਰ ਵਿੱਚ, ਸਿਸਟਮ ਨੂੰ ਸਮਝਣ ਲਈ, ਗੁੰਝਲਦਾਰ ਫੈਸਲੇ ਲੈਣ ਦੇ ਉੱਚ ਕ੍ਰਮ ਦੇ ਪੈਟਰਨਾਂ ਅਤੇ ਵਿਧੀਆਂ ਨੂੰ ਪਛਾਣਨ ਲਈ, ਸਾਰੇ ਗਣਨਾਤਮਕ ਪਰਸਪਰ ਪ੍ਰਭਾਵ ਇੱਕ ਡੂੰਘੇ ਤੰਤੂ ਨੈੱਟਵਰਕ ਦੇ ਅੰਦਰ. ਇਹ ਗਣਿਤਿਕ ਫੰਕਸ਼ਨਾਂ ਅਤੇ ਵੇਰੀਏਬਲਾਂ ਦਾ ਇੱਕ ਵਿਸ਼ਾਲ ਭੁਲੇਖਾ ਹੈ। ਫਿਲਹਾਲ ਇਹ ਸਾਡੇ ਲਈ ਸਮਝ ਤੋਂ ਬਾਹਰ ਹੈ।
ਕੰਪਿਊਟਰ ਚਾਲੂ ਨਹੀਂ ਹੋਵੇਗਾ? ਕਿਉਂ?
ਉੱਨਤ ਨਕਲੀ ਖੁਫੀਆ ਪ੍ਰਣਾਲੀਆਂ ਦੇ ਫੈਸਲੇ ਲੈਣ ਦੀ ਵਿਧੀ ਨੂੰ ਸਮਝਣਾ ਮਹੱਤਵਪੂਰਨ ਕਿਉਂ ਹੈ? ਗਣਿਤ ਦੇ ਮਾਡਲ ਪਹਿਲਾਂ ਹੀ ਇਹ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਵਰਤੇ ਜਾ ਰਹੇ ਹਨ ਕਿ ਕਿਹੜੇ ਕੈਦੀਆਂ ਨੂੰ ਪੈਰੋਲ 'ਤੇ ਰਿਹਾਅ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਕਿਸ ਨੂੰ ਕਰਜ਼ਾ ਦਿੱਤਾ ਜਾ ਸਕਦਾ ਹੈ ਅਤੇ ਕਿਸ ਨੂੰ ਨੌਕਰੀ ਦਿੱਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਜੋ ਦਿਲਚਸਪੀ ਰੱਖਦੇ ਹਨ, ਉਹ ਜਾਣਨਾ ਚਾਹੁਣਗੇ ਕਿ ਇਹ ਅਤੇ ਕੋਈ ਹੋਰ ਫੈਸਲਾ ਕਿਉਂ ਨਹੀਂ ਲਿਆ ਗਿਆ, ਇਸਦੇ ਆਧਾਰ ਅਤੇ ਵਿਧੀ ਕੀ ਹਨ।
ਉਸਨੇ ਅਪ੍ਰੈਲ 2017 ਵਿੱਚ ਐਮਆਈਟੀ ਟੈਕਨਾਲੋਜੀ ਸਮੀਖਿਆ ਵਿੱਚ ਸਵੀਕਾਰ ਕੀਤਾ। ਟੌਮੀ ਯਾਕਕੋਲਾ, ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਲਈ ਐਪਲੀਕੇਸ਼ਨਾਂ 'ਤੇ ਕੰਮ ਕਰਨ ਵਾਲਾ ਇੱਕ MIT ਪ੍ਰੋਫੈਸਰ। -।
ਇੱਥੋਂ ਤੱਕ ਕਿ ਇੱਕ ਕਾਨੂੰਨੀ ਅਤੇ ਨੀਤੀਗਤ ਸਥਿਤੀ ਵੀ ਹੈ ਕਿ ਏਆਈ ਪ੍ਰਣਾਲੀਆਂ ਦੇ ਫੈਸਲੇ ਲੈਣ ਦੀ ਵਿਧੀ ਦੀ ਪੜਤਾਲ ਅਤੇ ਸਮਝਣ ਦੀ ਯੋਗਤਾ ਇੱਕ ਬੁਨਿਆਦੀ ਮਨੁੱਖੀ ਅਧਿਕਾਰ ਹੈ।
2018 ਤੋਂ, EU ਕੰਪਨੀਆਂ ਨੂੰ ਸਵੈਚਲਿਤ ਪ੍ਰਣਾਲੀਆਂ ਦੁਆਰਾ ਲਏ ਗਏ ਫੈਸਲਿਆਂ ਬਾਰੇ ਆਪਣੇ ਗਾਹਕਾਂ ਨੂੰ ਸਪੱਸ਼ਟੀਕਰਨ ਪ੍ਰਦਾਨ ਕਰਨ ਦੀ ਮੰਗ ਕਰਨ 'ਤੇ ਕੰਮ ਕਰ ਰਿਹਾ ਹੈ। ਇਹ ਪਤਾ ਚਲਦਾ ਹੈ ਕਿ ਇਹ ਕਦੇ-ਕਦਾਈਂ ਉਹਨਾਂ ਸਿਸਟਮਾਂ ਨਾਲ ਵੀ ਸੰਭਵ ਨਹੀਂ ਹੁੰਦਾ ਜੋ ਮੁਕਾਬਲਤਨ ਸਧਾਰਨ ਜਾਪਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਐਪਸ ਅਤੇ ਵੈੱਬਸਾਈਟਾਂ ਜੋ ਵਿਗਿਆਪਨ ਦਿਖਾਉਣ ਜਾਂ ਗੀਤਾਂ ਦੀ ਸਿਫ਼ਾਰਿਸ਼ ਕਰਨ ਲਈ ਡੂੰਘੇ ਵਿਗਿਆਨ ਦੀ ਵਰਤੋਂ ਕਰਦੀਆਂ ਹਨ।
ਕੰਪਿਊਟਰ ਜੋ ਇਹਨਾਂ ਸਰਵਿਸਿਜ਼ ਪ੍ਰੋਗਰਾਮਾਂ ਨੂੰ ਆਪਣੇ ਆਪ ਚਲਾਉਂਦੇ ਹਨ, ਅਤੇ ਉਹ ਇਸਨੂੰ ਉਹਨਾਂ ਤਰੀਕਿਆਂ ਨਾਲ ਕਰਦੇ ਹਨ ਜਿਹਨਾਂ ਨੂੰ ਅਸੀਂ ਸਮਝ ਨਹੀਂ ਸਕਦੇ... ਇੱਥੋਂ ਤੱਕ ਕਿ ਇੰਜੀਨੀਅਰ ਜੋ ਇਹਨਾਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਨੂੰ ਬਣਾਉਂਦੇ ਹਨ, ਪੂਰੀ ਤਰ੍ਹਾਂ ਇਹ ਨਹੀਂ ਦੱਸ ਸਕਦੇ ਕਿ ਇਹ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ।
