ಒಂದು ಹೊಸ ವಿಧಾನವು ಅತಿಶಯವನ್ನು ಅಳೆಯಲು ಇಡೀ ಉದ್ಯಮಕ್ಕಾಗಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಮಾದರಿಗಳ ಅಭ್ಯಾಸದಲ್ಲಿ ನಂಬಿಕೆಯನ್ನು ಸಾಧಿಸಲು ಪ್ರಮುಖ ಬೆಳವಣಿಗೆ.

ವಿಭಿನ್ನ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಬುದ್ಧಿವೈನೆಹೊರೆಯ ಮಾದರಿಗಳ ತ್ವರಿತ ಬೆಳವಣಿಗೆ, ಅವುಗಳ ವಿಶ್ವಾಸಾರ್ಹತೆಯ ಕುರಿತು ದೃಢ ಖಂಡಿತಾ ಬೆಂಬಲವನ್ನು ಅಗತ್ಯವಿದೆ. ಭವಿಷ್ಯವಾಣಿ ಪರಿಶೀಲನೆಯ ದಕ್ಷಿಣ ಪರಿವೀಕ್ಷಣೆಯ ಯುವಾಹನದಲ್ಲಿ ಮುಖ್ಯ ಚಲನ ಪ್ರಜ್ಞೆ ತರವು. ಪ್ರಸ್ತುತ ಮಾದರಿಗಳು ತಮ್ಮ ಜ್ಞಾನಮಟ್ಟಗಳ ವ್ಯಾಪ್ತಿ ಗುರುತಿಸಲು ಹೋರಾಟಿಸುತ್ತವೆ, ಬಳಕೆದಾರರನ್ನು ಅವರ ಶ್ರೇಷ್ಟತೆ ವಿಚಾರದಲ್ಲಿ ಅನುಮಾನದಲ್ಲಿ ಬಿಟ್ಟುಕೊಡುತ್ತವೆ. ಹೊಸದಾಗಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಿರುವ ಅನಿಶ್ಚಿತತೆಯ ವಿಶ್ಲೇಶನ ವಿಧಾನವು ಆ ಮಾದರಿಗಳ ತರಬೇತಿಯಲ್ಲಿ ವಿಶ್ವಾಸವನ್ನು ಹೆಚ್ಚಿಸಲು ಉದ್ದೇಶಿಸುತ್ತದೆ. ಇಂತಹ ದೃಷ್ಟಿಕೋನವನ್ನು ಏಕೀಕೃತಗೊಳಿಸುವುದು ಬುದ್ಧಿವೈನೆಹೊರೆಯ ದೃಶ್ಯವನ್ನು ಪರಿವರ್ತಿಸುತ್ತದೆ, ಭವಿಷ್ಯವಾಣಿ ಹೆಚ್ಚು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿರುತ್ತದೆ ಮತ್ತು ಅನ್ವೇಷಣೆ ತ್ವರಿತವಾಗುತ್ತದೆ.

AI ಮಾದರಿಗಳ ಅನಿಶ್ಚಿತತೆಯನ್ನು ಪ್ರಮಾಣೀಕರಿಸಲು ನವೀನ ವಿಧಾನ

ಇಟೋ, ಶ್ರೇಷ್ಠ ಹೇಳಿಕೆಗಳಲ್ಲಿ ಶ್ರೇಷ್ಠ ತಂತ್ರಜ್ಞಾನದ ರಸ್ತೆಯಲ್ಲಿ ಬುದ್ಧಿವೈನೆಹೊರೆಯ ಮಾದರಿಗಳ ಅನಿಶ್ಚಿತತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಪ್ಯಾಸಿಫಿಕ್ ನಾರ್ತ್‌ವೇಸ್ಟ್ ರಾಷ್ಟ್ರೀಯ ಪ್ರಯೋಗಾಲಯದ ಶೋಧಕರು ದೃಢವಾದ ವಿಧಾನವನ್ನು ರೂಪಿಸುತ್ತಿದ್ದಾರೆ. ಇಂತಹ ಸಂಶೋಧನೆಯು ಈ ಮಾದರಿಗಳ ನೀಡುವ ಉತ್ತರಗಳನ್ನು ಮೂಲಭೂತವಾಗಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಕೇಂದ್ರೀಕೃತಗೊಳ್ಳುತ್ತದೆ, ಇದರಿಂದಾಗಿ ತರಬೇತಿಯ ಸುಕ್ಷ್ಮವಾದ ವ್ಯಾಪ್ತಿಯನ್ನು ತಮ್ಮಕ್ಕಿದೆ ಎಂದು ಗುರುತಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.

ಪರಿಸರ ಮತ್ತು ಮೌಲ್ಯಮಾಪನೆಯ ಅಗತ್ಯತೆ

ಶ್ರೇಷ್ಠ ತಂತ್ರಜ್ಞಾನದ ವೇಗವನ್ನು ಬಳಸಿಕೊಂಡು ವಿಜ್ಞಾನಿಗಳು ಹುಟ್ಟಿಕೊಡುವ ಉದ್ದಿಮೆಗಳನ್ನು ಅನುಭವಿಸುತ್ತಾರೆ. ಈ ತಂತ್ರಜ್ಞಾನಗಳ ಬಳಕೆ ಕನಿಷ್ಠ ಮತ್ತು ಔಷಧ ಕ್ಷೇತ್ರದಲ್ಲಿ ಸ್ಪರ್ಧಾತ್ಮಕ ಲಾಭವನ್ನು ಒದಗಿಸುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಈ ಮುನ್ಸೂಚನೆಗಳ ವೇಗ ಮತ್ತು ನಿಖರತೆಯಲ್ಲಿ ಅಪಾಯಕ್ಕೆ ಓಡಿದ ಹೊಣೆಮಾಡುತ್ತದೆ. AI ಫಲಿತಾಂಶಗಳಲ್ಲಿ ಸಮರ್ಪಕ ವಿಶ್ವಾಸವನ್ನು ಖಚಿತಪಡಿಸುವ ಕಲ್ಪನೆಯ ಅಗತ್ಯವು ಹೆಚ್ಚು ತೀವ್ರವಾಗಿದೆ. ಈ ಕ್ಷೇತ್ರದಲ್ಲಿ ನಿಲ್ಲಿಸುತ್ತಿರುವ ಕೋಟ್ಯಾಂತ ಡಾಲರ್ ಹೂಡಿಕೆಗಳು ಇಲ್ಲಿ ನಡೆದಿವೆ.

ಹೊಸ ವಿಧಾನದಲ್ಲಿ ಕಾರ್ಯಗತಗೊಳ್ಳುವುದು

NNL ತಂಡವು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ವಿಧಾನವು AI ಮಾದರಿಗಳ ಅನಿಶ್ಚಿತತೆಯನ್ನು ಪ್ರಮಾಣೀಕರಿಸುತ್ತವೆ, ಮತ್ತು ಹೀಗಾಗಿ ಹೆಚ್ಚು ತರಬೇತಿಗೆ ಅಗತ್ಯವಿರುವ ಪ್ರದೇಶಗಳನ್ನು ಗುರುತಿಸುತ್ತವೆ. ಶೋಧಕರು ಕೆಲವು ಅನಿಶ್ಚಿತತಾ ಮಾದರಿಗಳು ಬಗ್ಗೆ ಹೆಚ್ಚು ವಿಶ್ವಾಸವನ್ನು ಹೊಂದಿರುವುದನ್ನು ಗಮನಿಸಿದ್ದಾರೆ, ಭವಿಷ್ಯವಾಣಿ ತಪ್ಪುಗಳು ಗಂಭೀರವಾಗಿದ್ದಾಗಲೂ. ಈ ಹೆಚ್ಚಿನ ವಿಶ್ವಾಸ ಡೀಪ್ ಕ್ಕೋಡುಗಳಲ್ಲಿ ಸಾಮಾನ್ಯವಾಗಿರುವುದಾಗಿದೆ, ಆದರೆ SNAP ವಿಧಾನವು ಈ ಪರಿಕರವನ್ನು ಶೀಲಿಸಬಹುದು.

ಸಹಯೋಗ ಮತ್ತು ಸಾಧನವಿಧಾನಗಳ ಲಭ್ಯತೆ

ಈ ಅಧ್ಯಯನದ ಲೇಖಕರು ಜೆನಾನಾ ಬಿಲ್ಲ್‌ಬ್ರೀ ಪೋಪ್ ಮತ್ತು ಸುತಾನಾಯ್ ಛೌಧುರು, ತಮ್ಮ ವಿಧಾನವನ್ನು GitHub ಮೂಲಕ ಜಾಗತಿಕವಾಗಿ ಲಭ್ಯವಿರುವ ಪ್ರಕ್ರಿಯೆಯೊಂದನ್ನು ರೂಪಿಸಿದ್ದಾರೆ. ಇದು ವಿಶ್ವಾದ್ಯಾಂತ ಶೋಧಕರಿಗೆ ತಮ್ಮ ಕೆಲಸದಲ್ಲಿ ಈ ಸಾಧನಗಳನ್ನು ಒಳಗೊಂಡೊಯ್ಯುವ ಅವಕಾಶವನ್ನು ಒದಗಿಸುತ್ತಿದ್ದು, ಸಹಯೋಗ ಮತ್ತು ಹುಡುಕಾಟವನ್ನು ವೃದ್ಧಿಸುತ್ತದೆ. ಈ ಜ್ಞಾನ ಹಂಚುವಿಕೆ ಶೋಧಕ ಸಮುದಾಯವನ್ನು ಬೆಳೆಸಲು ಅತ್ಯಗತವಾಗಿದೆ.

ಕೃಷಿ ಮತ್ತು ವಸ್ತುಗಳಲ್ಲಿ ಶೋಧನೆಯ ಮೇಲೆ ಪರಿಣಾಮ

ಈ ಅಧ್ಯಯನದ ಫಲಿತಾಂಶಗಳು, MACE ಅನ್ನು ಜಾಗವಿಲ್ಲದ ವಸ್ತುಗಳ ಕುಟುಂಬಗಳ ಒಣಗುವಿಕಾ ಶಕ್ತಿಯನ್ನು ಅಂದಾಜಿಸಲು ಶಿಕ್ಷಣ ನೀಡಲಾಗಿದೆಯೆಂದು ಸುತ್ತಿನಲ್ಲಿ ಬಳಸಬಹುದಾಗಿದೆ. ಈ ತಂತ್ರಜ್ಞಾನದ ಪರಿಣಾಮಗಳು ಹೆಚ್ಚು ಸಮಯ ಉಚ್ಚದ ಮತ್ತು ಶಕ್ತಿಯ ಮೂಲಕ ಶ್ರೇಣಿಯೆತ್ತುಗಳು ವಸ್ತುಗಳ ಚರಿತ್ರೆಗೆ ಆಣೆಕಟ್ಟಿಸಿದೆ. ಶೋಧಕರ ಕಾರ್ಯಗಳು AI ಬಳಸುವ ಆನಲಿಕೆಗಳಲ್ಲಿ ಉತ್ತಮ ವಿಶ್ವಾಸವನ್ನು ಹೆಚ್ಚಿಸಲು ಮಾರ್ಗವನ್ನು ಒದಗಿಸುತ್ತವೆ.

ಸ್ವಾಯತ್ತ ಪ್ರಯೋಗಾಗಾರಗಳಿಗೆ ಲಾಭಗಳು

ಈ ಬೆಳವಣಿಗೆ AI ವರ್ಕ್‌ಫ್ಲೋವನ್ನು ಪ್ರಯೋಗಶಾಲೆಗಳ ಪ್ರತಿದಿನದ ಕೆಲಸಗಳಲ್ಲಿ ಸೇರಿಸಲು ಸಹಾಯಿಸುತ್ತದೆ, ಇದರಿಂದ ಬುದ್ಧಿವೈನೆಹೊರೆಯು ವಿಶ್ವಾಸಾರ್ಹ ಪ್ರಯೋಗಾಲಯ ಸಹಾಯಕರಾಗಿಯೂ ಪರಿವರ್ತಿತಗೊಳ್ಳುತ್ತದೆ. ಮಾದರಿಯು ತಮ್ಮ ಜ್ಞಾನವಿದ್ಯೆಗಳು ಸ್ವಚ್ಛವಾಗಿ ಸೂಚಿಸಲು ಸ್ಪಷ್ಟವಾಗಿ ಸಾಧ್ಯವಾಗುತ್ತದೆ, ಇದರಿಂದ ವೈಜ್ಞಾನಿಕರು ಭವಿಷ್ಯವಾಣಿ ಪರಿಣಾಮಗಳ ಬಗ್ಗೆ ಪ್ರಮಾಣಿತ ವಿಶ್ವಾಸದ ಮಟ್ಟವನ್ನು ಕೈಹಿಡಿಯುತ್ತಾರೆ. ಈ ವಿಧಾನಶಾಸ್ತ್ರದ ಉದ್ದೇಶವು AI ಅನ್ನು ಹೊಸ ಬಳಕೆಗಳಿಗೆ ರಾಜಿ ಮಾಡಿಸುವುದಾಗಿದೆ.

ಶೋಧಕರ ಪ್ರತಿವಾಗಗಳು

ತಂಡದ ಸದಸ್ಯರು ಭವಿಷ್ಯವಾಣಿ ಪರಿಹಾರಗಳ ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವ ಮುಖ್ಯತೆಗೆ ಒತ್ತಿಸುತ್ತಾರೆ. “AI ತನ್ನ ವ್ಯಾಪ್ತಿಗಳನ್ನು ಪತ್ತೆ ಹಾಕಬಲ್ಲುದಾಗಿದೆ,” ಛೌಧುರು ಹೇಳಿದರು. ಆದುದರಿಂದ ಡಾಕಾರ ಸಂದರ್ಭಗಳಲ್ಲಿ, “ಈ ಭವಿಷ್ಯವಾಣಿ ನಿಮ್ಮ ವಿವರಗಳ ಪ್ರಕಾರ ಕ್ಯಾಟಲಿಸ್ಟ್ A ಕ್ಯಾಟಲಿಸ್ಟ್ B ಗೆ ಹೋಲಿಸಿ 85% ವಿಶ್ವಾಸವನ್ನು ಒದಗಿಸುತ್ತದೆ.”

ಮಾಧ್ಯಮ ಮತ್ತು ಕೈಗಾರಿಕಾ ಸಾರಾಂಶ

ಈ ಸಂಶೋಧನೆಯ ಪರಿಣಾಮಗಳು ವಿಜ್ಞಾನ ಸಮುದಾಯಕ್ಕಿಂತ ತುಂಬಾ ಮೀರಿಸುತ್ತವೆ. ನಾಯಕರ ಕಂಪನಿಗಳ ತೀವ್ರ ಭದ್ರತಾ ವರಿಸಿದಷ್ಟು 320 ಬಿಲ್ಲಿಯನ್ ಡಾಲರ್ AI ತಂತ್ರಜ್ಞಾನದಲ್ಲಿ ಖರ್ಚು ಮಾಡುವುದು, ಮಾದರಿಗಳ ವಿಶ್ವಾಸಾರ್ಹತೆಯಲ್ಲಿ ಶ್ರೀಮತಿ ಏ್ಯಿದೆ ಎಂಬುದನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ. AI ನ ವಿಶ್ವಾಸದ ಸಂಬಂಧಿತ ಪ್ರಕರಣಗಳು ಇತ್ತೀಚಿನ ಚರ್ಚೆಗಳ ಹಂಚಿಕೊಂಡಿದೆ.

ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಾಗಿ, ಈ ವಿಷಯದ ಹಿಂದಿನ ಲೇಖನಗಳನ್ನು ಪರಿಶೀಲಿಸಬಹುದು. ಉದಾಹರಣೆಗೆ, ಕಂಪ್ಯೂಟರ್ ಹಾಸ್ಯಕ್ಕೆ ಲೇಖಕರ ಪ್ರತಿಕ್ರಿಯೆ AI ಕ್ಷೇತ್ರದಲ್ಲಿ ಪ್ರಸ್ತುತ ವಿಷಯವಾಗಿದೆ: ಇಲ್ಲಾ ಕೊಂಡಿ. ತಂತ್ರಜ್ಞಾನ ಕಂಪನಿಗಳ ಖರ್ಚುಗಳನ್ನು ಆಧರಿಸುವ ಆಳವಾದ ವಿಚಾರಗಳು ಈ ಲೇಖನದಲ್ಲಿ ಕೂಡ ದೊರೆಯುತ್ತವೆ.

AI ಮಾದರಿಗಳ ತರಬೇತಿಯಲ್ಲಿ ಅನಿಶ್ಚಿತತೆಯ ಮೌಲ್ಯಮಾಪನೆಯ ಕುರಿತು ಸಾಮಾನ್ಯ ಪ್ರಶ್ನೆಗಳು

AI ಮಾದರಿಗಳಲ್ಲಿ ಅನಿಶ್ಚಿತತೆಯ ಮೌಲ್ಯಮಾಪನದ ಮಹತ್ವವೇನು?
ಅನಿಶ್ಚಿತತೆಯ ಮೌಲ್ಯಮಾಪನವು AI ಮಾದರಿಯ ಪರಿಹಾರಗಳ ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ಪ್ರಮಾಣೀಕರಿಸಲು ಸಹಾಯಿಸುತ್ತದೆ, ಇದು ವಿಜ್ಞಾನ ಮತ್ತು ಕೈಗಾರಿಕಾ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಬೆಳಗμένες ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಬಹು ಅಗತ್ಯವಾಗಿದೆ.

PNNL ಚೆನ್ನಾಗಿರುವ ವಿಧಾನವು AI ಮಾದರಿಗಳ ತರಬೇತಿಯನ್ನು ಹೇಗೆ ಸುಧಾರಿಸುತ್ತದೆ?
ಈ ವಿಧಾನವು ಮಾದರಿಯ ಭವಿಷ್ಯವಾಣಿ ಅನಿಶ್ಚಿತತೆಯನ್ನು ಪ್ರಮಾಣೀಕರಿಸಲು ಸಹಾಯಿಸುತ್ತದೆ, ಇದು ಶೋಧಕರಿಗೆ ತಮ್ಮ ಮಾದರಿಗಳ ವ್ಯಾಪ್ತಿಗಳನ್ನು ಗುರುತಿಸಲು ಮತ್ತು ಹೆಚ್ಚುವರಿ ತರಬೇತಿ ಅಗತ್ಯವಿರುವ ಕ್ಷೇತ್ರಗಳನ್ನು ನಿರ್ಧರಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.

ಈ ಕೊಡುಗೆಯಲ್ಲಿ ‘ಸಕ್ರಮ ಶೇಕಡಾ’ ಅರ್ಥವೇನು?
‘ಸಕ್ರಮ ಶೇಕಡಾ’ ಇರುವ ಉದಾಹರಣೆಯಲ್ಲಿ, ಮಾದರಿ ಕಷ್ಟದ ಅಥವಾ ಅನಿಶ್ಚಿತ ಉದಾಹರಣೆಗಳನ್ನು ಗುರುತಿಸುವ ಮೂಲಕ ಅಧ್ಯಯನ ಮಾಡುತ್ತದೆ, ಇದು ತನ್ನ ಶ್ರೇಷ್ಟ ಮತ್ತು ನಿಖರತೆಯನ್ನು ಸಮಯಕ್ಕೆ ಹಾಲಾಗಿ ಮಾಡುತ್ತದೆ.

AI ಮಾದರಿಗಳ ಹೆಚ್ಚಿನ ವಿಶ್ವಾಸವು ಯಾಕೆ ಸಮಸ್ಯೆ?
ಹೆಚ್ಚಿನ ವಿಶ್ವಾಸವು ಫಲಿತಾಂಶಗಳಿಗೆ ತಪ್ಪು ಸಂದೇಶಗಳನ್ನು ನೀಡಬಹುದು, ನಿರ್ಧಾರಗಳ ಅಗತ್ಯವಿದೆ ಮಾತ್ರ ಭವಿಷ್ಯದ ಆಧಾರಿತ ಹತ್ತಿರವು ಹೆಚ್ಚು ಪ್ರಮಾಣಿತ ಸಮಸ್ಯೆಯನ್ನುಂಟುಮಾಡುತ್ತದೆ.

AI ಮಾದರಿಗಳು ವಸ್ತುಗಳಿಂದ ತನ್ನ ಪ್ರಯೋಗದ ಮೇಲ್ಕಂಡವು ತಕ್ಷಣವೇ ಏಕೆ ತಿಳಿಸುತ್ತವೆ?
ಹೌದು, AI ನಿಖರವಾಗಿದೆ, ಇದು ವಸ್ತುಗಳ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ತ್ವರಿತವಾಗಿ ಒದಗಿಸಲು ಸಂಕೀರ್ಣವಾದ ಪರೀಕ್ಷೆಗಳಿಗೆ ಒಳಬಳುತ್ತವೆ, ಇದರಲ್ಲಿ ಬಂಡವಾಳದ ಸಮಯ ಮತ್ತು ಖರ್ಚು ಅನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.

PNNL ನ ಶೋಧಕರು ತಮ್ಮ ಅನಿಶ್ಚಿತತೆ ಮೌಲ್ಯಮಾಪನ ವಿಧಾನವನ್ನು ಯಾತ್ರೀಜಿಸುತ್ತಿರುವ ಶ್ರೇಷ್ಟತೆಯ ಕೋಷ್ಟಕವನ್ನು ಪ್ರಯೋಗಿಸಿದರು?
ಅವರು MACE ನಂತಹ ಅಣು ವಸ್ತುಗಳ ಕ್ರಿಯಾತ್ಮಕ ಮಾದರಿಯಿಂದ ಉತ್ತಮ ಪ್ರಮಾಣವು ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ಯಾತ್ರೀಜಿಸುವ ವೇದಿಕೆಯೊಂದಿಗೆ ಪರಿಶೀಲಿಸುತ್ತಾರೆ.

SNAP ಮಾದರಿ ಮಾದರಿಯಲ್ಲಿನ ಅನಿಶ್ಚಿತತೆಯ ಮೌಲ್ಯಮಾಪನದಲ್ಲಿ ಯಾವ ಪಾತ್ರ ವಹಿಸುತ್ತದೆ?
SNAP ಮಾದರಿ ಅನಿಶ್ಚಿತತೆಯಿಂದ ಹೆಚ್ಚಿನ ವಿಷಯಗಳನ್ನು ತೋರಿಸುತ್ತದೆ, AI ಮಾದರಿಗಳಿಂದ ಸೇರುವ ನಿರ್ಣಯಗಳ ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ.

ಪ್ರಸ್ತುತ ವಿಧಾನವು ಗಂಟಲಿಂಬ ಹುಟ್ಟಿಸುವ ಗ್ರಾಹಕನಿಗೆ ವ್ಯಾಪ್ತಿಯನ್ನು ನೋಡುವತಾದಾಗ?
ಈ ವಿಧಾನದಿಂದ ಶ್ರೇಣೀ ಬೆಂಬಲವು AI ಮಾದರಿಗಳನ್ನು ಋಣಾತ್ಮಕ ಮತಾಂತರದಲ್ಲಿ ಪ್ರ್ಗ್ರಹಿಸಲು ಕೇಳುತ್ತದೆ, ಶೋಧಕ ಮತ್ತು ಅಭಿವೃದ್ಧಿಯನ್ನು ನೆರವಾಗಿದೆ, ‘ಕಪ್ಪು ಬೂಕ್ಸ್’ ಎಂದರೆ ಇವುಗಳ ತತ್ವಶಾಸ್ತ್ರವು ಇಲ್ಲಾಗಿಸಿದೆ.