செயற்கை நரம்பியல் நெட்வொர்க்குகள் (ANN) என்பது மனித மூளை தகவல்களை பகுப்பாய்வு செய்து செயலாக்கும் முறையை உருவகப்படுத்த வடிவமைக்கப்பட்ட ஒரு கணினி அமைப்பின் துண்டுகள் ஆகும். அவை செயற்கை நுண்ணறிவின் (AI) அடித்தளமாகும் மற்றும் மனித அல்லது புள்ளிவிவர தரங்களால் சாத்தியமற்றது அல்லது கடினம் என்பதை நிரூபிக்கும் சிக்கல்களை தீர்க்கின்றன. ஏ.என்.என் சுய கற்றல் திறன்களைக் கொண்டுள்ளது, அவை கூடுதல் தரவு கிடைக்கும்போது சிறந்த முடிவுகளைத் தர உதவும்.
செயற்கை நரம்பியல் வலைப்பின்னல்களை உடைத்தல் (ANN)
செயற்கை நரம்பியல் நெட்வொர்க்குகள் (ஏ.என்.என்) பொருளாதாரத்தை அனைத்து துறைகளிலும் பயன்படுத்த வாழ்க்கையை மாற்றும் பயன்பாடுகளை உருவாக்க வழி வகுத்து வருகின்றன. ANN இல் கட்டமைக்கப்பட்ட செயற்கை நுண்ணறிவு (AI) தளங்கள் பாரம்பரியமான விஷயங்களைச் செய்வதற்கு இடையூறு விளைவிக்கின்றன. வலைப்பக்கங்களை பிற மொழிகளில் மொழிபெயர்ப்பது முதல் ஆன்லைனில் மெய்நிகர் உதவியாளர் ஆர்டர் மளிகைப் பொருட்கள் வைத்திருப்பது வரை சிக்கல்களைத் தீர்க்க சாட்போட்களுடன் உரையாடுவது வரை, AI தளங்கள் பரிவர்த்தனைகளை எளிதாக்குகின்றன மற்றும் அனைவருக்கும் குறைந்த செலவில் சேவைகளை அணுக வைக்கின்றன.
கணினி எவ்வாறு இயங்குகிறது?
செயற்கை நரம்பியல் நெட்வொர்க்குகள் மனித மூளையைப் போலவே கட்டப்பட்டுள்ளன, நியூரான் முனைகள் ஒரு வலை போல ஒன்றோடொன்று இணைக்கப்பட்டுள்ளன. மனித மூளையில் நியூரான்கள் எனப்படும் நூற்றுக்கணக்கான பில்லியன் செல்கள் உள்ளன. ஒவ்வொரு நியூரானும் ஒரு செல் உடலால் ஆனது, இது தகவல்களை (உள்ளீடுகள்) மற்றும் மூளையில் இருந்து (வெளியீடுகள்) கொண்டு செல்வதன் மூலம் தகவல்களைச் செயலாக்குவதற்கு பொறுப்பாகும். ஏ.என்.என் செயலாக்க அலகுகள் எனப்படும் நூற்றுக்கணக்கான அல்லது ஆயிரக்கணக்கான செயற்கை நியூரான்களைக் கொண்டுள்ளது, அவை முனைகளால் ஒன்றோடொன்று இணைக்கப்பட்டுள்ளன. இந்த செயலாக்க அலகுகள் உள்ளீடு மற்றும் வெளியீட்டு அலகுகளால் ஆனவை. உள்ளீட்டு அலகுகள் ஒரு உள் வெயிட்டிங் முறையின் அடிப்படையில் தகவலின் பல்வேறு வடிவங்களையும் கட்டமைப்புகளையும் பெறுகின்றன, மேலும் ஒரு வெளியீட்டு அறிக்கையை உருவாக்க வழங்கப்பட்ட தகவல்களைப் பற்றி நரம்பியல் பிணையம் அறிய முயற்சிக்கிறது. ஒரு முடிவு அல்லது வெளியீட்டைக் கொண்டுவருவதற்கு மனிதர்களுக்கு விதிகள் மற்றும் வழிகாட்டுதல்கள் தேவைப்படுவதைப் போலவே, ANN களும் அவற்றின் வெளியீட்டு முடிவுகளை பூர்த்தி செய்ய, பேக்ரோபாகேஷன் எனப்படும் கற்றல் விதிகளின் தொகுப்பைப் பயன்படுத்துகின்றன, இது பிழையை பின்னோக்கி பரப்புவதற்கான சுருக்கமாகும்.
ஒரு ஏ.என்.என் ஆரம்பத்தில் ஒரு பயிற்சி கட்டத்தை கடந்து செல்கிறது, அங்கு தரவு, வடிவங்கள், பார்வை, ஆரல் அல்லது உரைநடையில் உள்ள வடிவங்களை அடையாளம் காண கற்றுக்கொள்கிறது. இந்த மேற்பார்வையிடப்பட்ட கட்டத்தின் போது, நெட்வொர்க் அதன் உண்மையான வெளியீட்டை உற்பத்தி செய்ய விரும்பியதை ஒப்பிடுகிறது, அதாவது விரும்பிய வெளியீடு. இரு விளைவுகளுக்கும் இடையிலான வேறுபாடு பேக்ரோபாகேஷனைப் பயன்படுத்தி சரிசெய்யப்படுகிறது. இதன் பொருள், உண்மையான மற்றும் விரும்பிய விளைவுகளுக்கு இடையிலான வேறுபாடு மிகக் குறைந்த பிழையை உருவாக்கும் வரை, அலகுகளுக்கு இடையிலான அதன் இணைப்புகளின் எடையை சரிசெய்ய வெளியீட்டு அலகு முதல் உள்ளீட்டு அலகுகளுக்கு நெட்வொர்க் பின்தங்கிய நிலையில் செயல்படுகிறது.
பயிற்சி மற்றும் மேற்பார்வை கட்டத்தின் போது, பைனரி எண்களுடன் ஆம் / இல்லை கேள்வி வகைகளைப் பயன்படுத்தி, எதைப் பார்க்க வேண்டும், அதன் வெளியீடு என்னவாக இருக்க வேண்டும் என்று ஏ.என்.என் கற்பிக்கப்படுகிறது. எடுத்துக்காட்டாக, கிரெடிட் கார்டு மோசடியை சரியான நேரத்தில் கண்டறிய விரும்பும் வங்கியில் இந்த கேள்விகளுக்கு நான்கு உள்ளீட்டு அலகுகள் இருக்கலாம்: (1) பயனரின் வசிக்கும் நாட்டிலிருந்து வேறு நாட்டில் பரிவர்த்தனை செய்யப்படுகிறதா? (2) வங்கியின் கண்காணிப்பு பட்டியலில் உள்ள நிறுவனங்கள் அல்லது நாடுகளுடன் இணைந்த அட்டை அட்டை பயன்படுத்தப்படுகிறதா? (3) பரிவர்த்தனை தொகை $ 2, 000 ஐ விட பெரியதா? (4) பரிவர்த்தனை மசோதாவில் உள்ள பெயர் அட்டைதாரரின் பெயருக்கு சமமானதா? "மோசடி கண்டறியப்பட்ட" பதில்கள் ஆம் ஆம் ஆம் இல்லை, இது பைனரி வடிவத்தில் 1 1 1 0 ஆக இருக்க வேண்டும் என்று வங்கி விரும்புகிறது. பிணையத்தின் உண்மையான வெளியீடு 1 0 1 0 ஆக இருந்தால், அது ஒரு வெளியீட்டை வழங்கும் வரை அதன் முடிவுகளை சரிசெய்கிறது. 1 1 1 0. பயிற்சியின் பின்னர், கணினி அமைப்பு நிலுவையில் உள்ள மோசடி பரிவர்த்தனைகளின் வங்கியை எச்சரிக்கலாம், மேலும் வங்கியில் ஏராளமான பணத்தை மிச்சப்படுத்துகிறது.
நடைமுறை பயன்பாடுகள்
செயற்பாடுகளின் அனைத்து பகுதிகளிலும் செயற்கை நரம்பியல் நெட்வொர்க்குகள் பயன்படுத்தப்பட்டுள்ளன. பயனரின் இன்பாக்ஸிலிருந்து ஸ்பேமைக் கண்டறிந்து நீக்க மின்னஞ்சல் சேவை வழங்குநர்கள் ANN ஐப் பயன்படுத்துகின்றனர்; ஒரு நிறுவனத்தின் பங்குகளின் திசையை முன்னறிவிப்பதற்கு சொத்து மேலாளர்கள் இதைப் பயன்படுத்துகின்றனர்; கடன் மதிப்பீட்டு நிறுவனங்கள் தங்கள் கடன் மதிப்பெண் முறைகளை மேம்படுத்த இதைப் பயன்படுத்துகின்றன; ஈ-காமர்ஸ் தளங்கள் தங்கள் பார்வையாளர்களுக்கு பரிந்துரைகளைத் தனிப்பயனாக்க இதைப் பயன்படுத்துகின்றன; இயற்கையான மொழி செயலாக்கத்திற்காக ANN உடன் அரட்டைப் பகுதிகள் உருவாக்கப்படுகின்றன; ஆழ்ந்த கற்றல் வழிமுறைகள் ஒரு நிகழ்வின் சாத்தியத்தை கணிக்க ANN ஐப் பயன்படுத்துகின்றன; மற்றும் ANN ஒருங்கிணைப்பின் பட்டியல் பல துறைகள், தொழில்கள் மற்றும் நாடுகளில் செல்கிறது.
