ಯಂತ್ರಗಳ ರಿವರ್ಸ್ ಲರ್ನಿಂಗ್ ಪ್ರಾಥಮಿಕ ಮಾದರಿಗಳನ್ನು ಕಡ್ಡಾಯವಾಗಿ ಹಕ್ಕುಗೋಚಲಾರಂಭಿಗಳ ಹಾಗೂ ಡೇಟಾವನ್ನು ನಿರ್ವಹಿಸಲು ಆಧಾರಿತ ಪ್ರಶ್ನೆಗಳನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ. ತಂತ್ರಜ್ಞಾನದ ಮುನ್ನೋಟಗಳು *ಸಂಬಂಧಿತ ಮಾಹಿತಿಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡಲು* ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿರುವ ಕೋಷಿಕೆಗೆ ಬೆಂಬಲ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಅಗತ್ಯವಾಗಿಸುತ್ತವೆ. ‘ಮಾಹಿತಿ ಮರೆತೆ’ ಉಪಾಯವು ನಡೆದಾಡುವಿಕೆಯಾದ ಸಂಪೂರ್ಣ ಗಂಟುಗಳನ್ನು ನೀಡುತ್ತದೆ, ವಿಶಿಷ್ಟ ಕಾರ್ಯನಿರ್ವಹಣೆಗೆ ಸರಿಯಾದ ಒಟ್ಟುಗುಚ್ಛವನ್ನು ನೀಡುತ್ತದೆ.
ಟೋಕಿಯೋ ವಿಶ್ವವಿದ್ಯಾಲಯದ Tokyo University of Scienceನ ಸಂಶೋಧಕರಿಂದ ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾದ ವಿಧಾನವು ನಿಮ್ಮ AI ಮತ್ತು ಡೇಟಾಬೇಸ್‌ಗಳ ನಡುವಿನ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ಪರಿವರ್ತಿಸಲು ಕಾಂಕ್ರೀಟ್ ಒದಗಿಸುತ್ತದೆ. ಈ ತಂತ್ರಜ್ಞಾನವು ಧ್ರುವೀಕರಣ ಯಂತ್ರ ಶಿಕ್ಷಣದಲ್ಲಿ ಸಾಕ್ಷಾತ್ಕಾರವನ್ನು ತರುವ ಮಹತ್ವಪೂರ್ಣ ಅಂಕೀಗಳನ್ನು ವಿವರಿಸುತ್ತದೆ, ಬಳಕೆದಾರರ ಗೋಪ್ಯತೆಯ ಹಕ್ಕುಗಳುಯನ್ನು ಕಾಪಾಡುವ ಹಾರ್ಗಿಯುತ ಮಾದರಿಯೊಂದಿಗೆ.
ಯಂತ್ರಗಳ ರಿವರ್ಸ್ ಲರ್ನಿಂಗ್
ಯಂತ್ರಜ್ಞಾನ ಅಭ್ಯಸಿಸುತ್ತಿರುವ ಡೇಟಾವನ್ನು “ಮರೆತ” ಉತ್ತಮ ಸಾಮರ್ಥ್ಯ ತೊಡಗಿಸಲು ಟೋಕಿಯಾ ವಿಶ್ವವಿದ್ಯಾಲಯದ Tokyo University of Science (TUS)ದ ಸಂಶೋಧಕರು ಜನಿತವಾದ ವಿಧಾನವನ್ನು ರೂಪಿಸಿದ್ದಾರೆ. ಈ ಮುನ್ನೋಟವು AI ಯಂತ್ರಪದ್ಧತಿಗಳ ಅಭಿವೃದ್ಧಿಯಲ್ಲಿ ಮಹತ್ವಪೂರ್ಣ ಹಂತವನ್ನು ಸೂಚಿಸುತ್ತದೆ, ಅಲ್ಲಿ ದುರಾಸೆ ಮಾಹಿತಿಯನ್ನು ತಲುಪಿಸಲು ಸಾಮರ್ಥ್ಯವು ಉತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸಾಕಷ್ಟು ಬಹುಮಾನವನ್ನು ನೀಡಬಹುದು.
ಐಎ ಪರಿಕಲ್ಪನೆಯಗಳ ಬಗ್ಗೆ ಚಿಂತೆಗಳು
AI ಯ ಪ್ರಗತಿ ಆರೋಗ್ಯ ಮತ್ತು ಸ್ವಾಯತ್ತ ಸಾಗಣೆ ಮಾದರಿಯಂತೆ ವಿವಿಧ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಕ್ರಾಂತಿಕಾರಿ ಸಾಧನಗಳನ್ನು ಉಂಟುಮಾಡಿದೆ. ತಂತ್ರಜ್ಞಾನ ಅಭಿವೃದ್ಧಿಯೊಂದಿಗೆ, ಅದರ ಕಠಿಣ ಮತ್ತು ನೈತಿಕ ಪರಿಕಲ್ಪನೆಗಳು ಚಲಿಸುತ್ತವೆ. ವೆಚ್ಚದ ವ್ಯಾಪಕ ಪ್ರಮಾಣದಲ್ಲಿ ಪೂರ್ವ ನಿರ್ವಹಿತ AI ಯ ಯಂತ್ರಗಳಾದ ChatGPT ಮತ್ತು CLIP ಇತ್ಯಾದಿ ಮಾದರಿಗಳು ಸಮಾಜದ ಯಂತ್ರಗಳಿಗೆ ನಿರೀಕ್ಷೆಗಳನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಪರಿವರ್ತಿತ ಮಾಡಿವೆ. ಎಲ್ಲಾ ರೀತಿಯ ಕೆಲಸಗಳಲ್ಲಿ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಹೊಂದಿರುವ ಈ ಮಾದರಿಗಳು ವೃತ್ತಿಯ ಮತ್ತು ವೈಯುಕ್ತಿಕ ಜೀವನದಲ್ಲಿ ನಿರಂತರವಾಗಿ ಸಿದ್ಧವಾಗಿವೆ.
ಈ ಬಗೆಯನ್‌ಗಳ ಅನುಪಾಲನೆ ಪ್ರಕ್ರಿಯೆಯು ವೆಚ್ಚದ ಬದ್ಧನಗಳಿಗೆ ಬರಲಿದೆ. ಹೃದಯ ಶಾಲೆಗೆ ಬಹಳಷ್ಟು ಸಮರ್ಪಕವಾಗಿರುವ ಮಾದರಿಗಳನ್ನು ತರಬೇತಿ ಮತ್ತು ನಿರ್ವಹಿಸಲು ಅಗತ್ಯವಿರುವ ಶ್ರೇಣಿಗಟ್ಟ ನಿಯಮಗಳನ್ನು ವಿಧಿಸುತ್ತವೆ. ಜೊತೆಗೆ, ಒಬ್ಬರ ಕಂಟ್ರೋಲಿಗಳ ಮಾರ್ಗದಲ್ಲಿ ಉತ್ತರಿಸಲು ಶ್ರದ್ಧೆ ಮತ್ತು ಸಮಯವನ್ನು ಉತ್ತೇಜಿಸುತ್ತವೆ. ಸಾಮರ್ಥ್ಯವನ್ನು ಪಡೆದುಕೊಳ್ಳಲು ಸಾಮರ್ಥ್ಯದಿಲ್ಲದ ಬಂಬ ತತ್ವವು ಈ ಮಾದರಿಗಳಿಗೆ ಪ್ರಕಾರ ಬೆಂಬಲಪ್ರಣಾಳಿಕೆಯಲ್ಲಿ ದುರಹಂಕಾರವನ್ನು ಹಾಕುತ್ತದೆ.
ಆವಶ್ಯಕವಾದ ಮರೆತು ಬಿಡುವಿಕೆ
ವಾಸ್ತವಿಕ ಅಪ್ಲಿಕೇಷನ್ಗಳಲ್ಲಿ ಎಲ್ಲಾ ಆಟದ ವರ್ಗಗಳನ್ನು ಎಂದಿಗೂ ನಿರಂತರವಾಗಿ ವರ್ಗೀಕರಣ ಮಾಡುವ ಅಗತ್ಯವಿಲ್ಲ. ಈ ಹಾರ್ಲೋ ಜಾವಂದಿಸಲಿಗಿಂಗಿಯಲ್ಲಿ ಇಪ್ಸುಲ್ ಹಾಗೂ ಕೆಲಸವನ್ನು ನಿರ್ವಹಿಸಲಿದ ಪ್ರಾರ್ಥನೆಯಾಗಿರುವ ಪ್ರಾಧ್ಯಾಪಕ ಗೋ ಇರಿ ಅವರು, ಸ್ವಾಯತ್ತ ನಡೆದುಬಳಿಯುವ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ಆಯಕೋಶವಾದ ಇತರ ವರ್ಗೀಕರಣವು ಸಾಮಾನ್ಯವಾಗಿ ಕಾರುಗಳು, ಪಾದಚಾರಿಗಳು ಮತ್ತು ಸಾರ signaling ಶೂನ್ಥಗಳಾದ ಮುಖ್ಯ ವರ್ಗಗಳಿಗೆ ಮಾತ್ರ ಕೂರಲಿದೆ ಎಂದು ದಾಖಲಿಸುತ್ತದೆ. ಅಗತ್ಯವಿಲ್ಲದ ವರ್ಗಗಳನ್ನು ಕಾಪಾಡುವುದು ವರ್ಗೀಕರಣದ ಸಾಮಾನ್ಯ ಸಾಕ್ಷಾತ್ಕಾರದ ಸಿದ್ಧಾಂತವನ್ನು ಕಡಿಮೆ ಮಾಡಬಹುದು ಮತ್ತು ಕಂಪ್ಯೂಟರ್‌ಗಳ ಸಂಪತ್ತಿಗೆ ತೊಂದರೆಯಾಗಬಹುದು.
ಈ ಹೊರಹೋಗುಗಳು ದೋಷಗಳನ್ನು ದೂರು ನೀಡಿಸಲು, ಮಾದರಿಯನ್ನು ಅಪರೂಪದ ಮಾಹಿತಿಗಳನ್ನು “ಮರೆತು” ತರಬೇತಿಯಾಗಬೇಕಾಗಿದೆ ಮತ್ತು ನಿರ್ಣಾಯಕವಾಗಿ ಅವರ ಅಗತ್ಯಗಳಿಗೆ ಅನ್ವಯಿಸುತ್ತವೆ. ಕೆಲವು ವಿಧಾನಗಳು ಈ ತರಬೇತಿ ಅನ್ನು ಪೂರ್ವದಲ್ಲಿ ಬೇರೆಯಾದ ಸುಧಾರಣೆಯನ್ನು ದಾರಿಯಾಗಿಲ್ಲ, ಆದರೆ ಇದು ಬಹಳ ಸುಲಭವಾದ “white-box” ಆಧಾರಿತವು, ಇದರ ಮೂಲಕ ಬಳಕೆದಾರರು ಮಾದರಿಯ ಹೆಚ್ಚಿನ ಶ್ರೇಣಿಗಳನ್ನು ಪಡೆದುಕೊಳ್ಳುತ್ತಾರೆ. ಆದರೆ, ವ್ಯಾಪಾರದ ಮತ್ತು ನೈತಿಕತೆಗಳು ಹಾಸ್ಯವಾಗಿ ದುರಸ್ತಿತೆಯನ್ನು “black-box” ವ್ಯವಸ್ಥೆಗಳನ್ನು ತಿಳಿಸುತ್ತದೆ, ಇದು ಪರಂಪರೆಗೆ ಹಿಂದಿರುಗಿದ ಬಗೆಗಳು ಮರೆತುಹೋಗುತ್ತವೆ.
“ಬ್ಲಾಕ್-ಬಾಕ್ಸ್ ಮರೆಮಾಚಣೆ” ವಿಧಾನ
ಈ ಪಾಠವನ್ನು ಮುರಿಯಲು, ಸಂಶೋಧನಾ ತಂಡವು ಅನುಕೂಲಕರ ಆದಿಯ ವ್ಯವಸ್ಥೆ, ಇದು IA ಗಳ ಅಂತರಮ್ ಅನ್ನು ಸುಲಭವಾಗಿ ಪ್ರವೇಶಕ್ಕೆ ದಾಖಲಾಗಿದೆ. ಈ ವರ್ತಮಾನವನ್ನು “black-box forgetting” ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ, ಇದು ಮಾದರಿಯ ಇನ್ಪುಟ್ ವ್ಯಾಪ್ತಿಯನ್ನು ಹಕ್ಕುಗೋಚಲಾರ್ಧದಿಂದ ಶ್ರೇಣಿಯಾಗಿ ಬದಲಾಯಿಸುವುದನ್ನು ತರುತ್ತದೆ, ಇದು ನಿರಂತರವಾಗಿ ಕೆಲವು ವರ್ಗಗಳನ್ನು ಮರೆತು ಮಾಡಲು AI ಯು ನಿರೀಕ್ಷಿತ ಮಾಡುತ್ತವೆ. ಗುರಿಯಲ್ಲಿನ ಶಾಸ್ತ್ರಜ್ಞರಾದ ಯುಸುಕೆ ಕುವಾನ ಮತ್ತು ಯುಟಾ ಗೋಟೊ, ಎರಡೂ TUS ಕ್ಕೆ ಸೇರಿದವರು ಮತ್ತು ಡಾ. ತಕಾಷ್ಟಿಷ್ ಶಿಬಟಾ NEC Corporationರೊಂದಿಗೆ ಈ ನೂತನ ವಿಧಾನವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತವೆ.
ಹಸಿ ಮಾಡಿ CLIP ಮೇಲೆ, ಚಿತ್ರ ವರ್ಗೀಕರಣದ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಹೊಂದಿರುವ ದೃಷ್ಟಿ ಮತ್ತು ಭಾಷೆಯನ್ನು ಜೋಡಿಸುವ ಮಾದರಿವೆ. ಅವರು ಸಂಖ್ಯೆಯ ಹೆಸರಿನಾದ ಕರ್ತಾ ಮೂಲಕ ಸಿಮಾಡುದನ್ನು ಹುಡುಕಿಸಿ ಮತ್ತು ಸೇವಿಸಲು ಸರಳವಾಗಿ ಕ್ರಮಬದ್ಧಗೊಳಿತರಜಿಯೋ ಹೋಗುತ ನೋಡಲು ನಾಯಿಸಿರುವುದರಿಂದ ಈ ವಿತರಣಾ ರೀತಿಗಳನ್ನು ವಿಜಾಗಿಸುವುದರಿಂದ ಅತ್ಯಂತ ಸಮಾಜಿತ_WIDGETS_HAN(models) ಹೊಂದಿರಬಹುದು.
ಯಾವಾಗ ಪ್ರಾಜೆಕ್ಟು ಮುಂದೆ ಸಾಗಿದಾಗ, ಪ್ರಮುಖ ಸ್ವೋಚನೆಗಳಿಗೆ ಆಚಾರ್ಯಶಕ್ಕಾಗಿ ಕಳೆದ ಯಶಸ್ಸು ಪರಿಹಾರಗಳನ್ನು ಕಷ್ಟವಾಗಿ ಕಂಡು ಬರುವುದರಲ್ಲಿ ಕಂಡಯ್ಯಾಗುತ್ತದೆ. ಪರಿಕರಗಳಿಗೆ ಆಳವಾದ ಪದ್ಧತಿಯು ಹೆಚ್ಚಿಗೆ ನಿಗದಿ ಇದ್ದವು. ಈ ಸಮಸ್ಯೆಯನ್ನು ದೂರಗೊಳಿಸಲು, ಗುಂಪು “latent context sharing” ಎಂದು ಕರೆಯಲ್ಪಡುವ ನೂತನ ಪರಿಕರವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿತವಾಗಿದೆ. ಇದು ಸೂಚಿಸುತ್ತಿದೆ ಎಂದು ತಾತ್ಕಾಲಿಕವಾಗಿ ಹ್ತಿತ ವಸತಿಯನ್ನು ನಿರ್ವಹಿಸಲು ಸರಳ ಅಪ್ಲಿಕೇಶನ್ನನು ನೀಡಿದ್ದಾರೆ.
ಚಟುವಟಿಕೆಗಳು
ಚಿತ್ರ ವರ್ಗೀಕರಣ ಡೇಟಾ ವಿಭಾಗಗಳಲ್ಲಿ ಬಹಳಷ್ಟು ಪ್ರಯೋಗಗಳನ್ನು ನಿರ್ವಹಗೊಂಡು “black-box forgetting” ನ ಪ್ರಮಾಣವನ್ನು ಗಮನಿಸಿದೆ. CLIP ಮೆಟ್ಟಿ 40 % ಗುರಿಗಳನ್ನು ಮರೆಯುವ ಸಾಧನೆ ಮಡಿದುಹೊಯ್ಯುವುದು, ಅಥವ ನಿರ್ದೇಶನ ಅವಶ್ಯಕತೆಯನ್ನು ಪಡೆಯದೆ. ಈ ಪ್ರಕಾರವು ಒಟ್ಟುಗುಚ್ಛವನ್ನು ತುಂಬಾ ನೈಫಾರ್ಜ್ ಮಾಡಿದ ನಿಮಿಷ ಸಾಲುಗಳನ್ನು ನೀಡಿದೆ, ಇದು ಸಮೀಕ್ಷೆ ಮಾಡಿ ದೊರಕುವ ನಾ ಒತ್ತಿಸಿದೆ.
ವಾಸ್ತವಿಕ ಜಾಗದಲ್ಲಿ ಪರಿಣಾಮಗಳು
ಈ ತಾಂತ್ರಿಕ ಭದ್ರತಾ ವಿನ್ಯಾಸವು ನಿರ್ಧಿಷ್ಟವಾದ ಪ್ರಮಾಣಗಳ ಆಯ್ಕೆಗೆ ಬಹಳಷ್ಟು ಹನಿಯೂ ಅರಿಸಿದರು. ಈ ನಿರ್ದಿಷ್ಟ ಕಾರ್ಯಗಳಿಗಾಗಿ ಮಾದರಿಗಳ ಸರಳೀಕರಣವು ಶ್ರೇಣಿಗಳ ಹಿಂದೆ ಬಲ್ಲಿಕೆಯಾದ ಶ್ರೇಣಿಯಾಗುತ್ತಿದೆ, ಸಂಪತ್ತಿಯಲ್ಲಿನ ಸಾಮರ್ಥ್ಯ ಬಡಿಎಳ್ಳುತ್ತದೆ ಮತ್ತು ಕಡಿಮೆ ಶ್ರೇಣಿಯನ್ನು ಹೊಂದಿಸುತ್ತದೆ. ಇದರಿಂದ ಬಿಡುವಾದ ನಿಯಮಯನ್ನು ಹಿಡಿದಿಡಲು ಶ್ರೇಣಿಯಲ್ಲಿ ಶ್ರೇಣೆಯನ್ನು ತಪ್ಪಿಸಲು ಸುಲಭ ಪ್ರಮಾಣಗಳನ್ನು ತರುವಾಗ ವ್ಯಾಪಕವಾಗಿ ಕರ್ತವೆ ಬಿಡುತ್ತದೆ.
ಚಿತ್ರ ಉಲ್ಲೇಖದಲ್ಲಿ, ಸಂಪೂರ್ಣ ದೃಷ್ಟಿ ವಿಭಜಿಗೆ ವರ್ಗೀಕರಿಸುವವು ಕದ್ದೊಯ್ಯುವುದು ಅಥವಾ ನಿರಾಶಾದಾಯಕ ವಿಷಯಗಳನ್ನು ತರುವುದರಲ್ಲಿ ಪಾಲಿಸಿದಾಗ ವಿಧಾನಗಳಲ್ಲಿ ನಿರಹಿತವಾಗುತ್ತದೆ. ಅತ್ಯಂತ ಮುಖ್ಯವಾದ ಕಲ್ಪನೆಗಳು ಗೋಪ್ಯತೆ ಯ ವಿಷಯವನ್ನು ಅವಲಂಬಿಸಿದೆ.
AI ಮಾದರಿಗಳು, ವಿಶೇಷವಾಗಿ ದೊಡ್ಡ ಮಾದರಿಗಳು, ವಿಟ್ಮವಾದ ಮಾಹಿತಿಯನ್ನು ಅಥವಾ ಧೂಳವನ್ನು ಹೊಂದಿರುವ ಡೇಟಾ ಸಂಪಾದನೆಗೂ ಸೇರಿಸಲ್ಪಟ್ಟಾಗ ಬರುವ ಸಾರ್ವಜನಿಕವನ್ನು ಒಳಗೊಂಡಿರುವ ಕಂಪ್ಯಾಸೆಗಳಲ್ಲಿ ಇದ್ದವು. “ಮರೆತೆ ಮರೆಯುವ ಹಕ್ಕಿಗೆ” ಸಂಬಂಧಿತ ಹರಜಿಹೆದ್ದಾವುಗಳು ಸಂಕಷ್ಟವುಂಟು ಮಾಡುತ್ತವೆ. ಸಮಸ್ಯಾಜನಕ ಮಾಹಿತಿಯನ್ನು ನಿರ್ವಹಿಸಲು ಸಂಪತ್ತಿಗೂ ಇಲ್ಲಿಯಲ್ಲಿಯೇ ಮಾಹಿತಿಯನ್ನು ದೇವರು ಮಾಡಲು ಏಕ ಗ್ರಹಣ ನಷ್ಟಗಳು ಅಗತ್ಯವಾಗುತ್ತದೆ.
ಈ ತಂತ್ರಜ್ಞಾನವು ಓದಲು “ಆಕಾಶನಗರಗಳು” ಸ್ವಂತ ಮೊಗಳಿಗಾಗಿ ನನಗೊಂದು ಆಕ್ಕೂ __ಕಲಿತು, ____ಅವನಿಂಡಿಸುವಲ್ಲಿಾಧಾಯ್ಪು ಬಳಗಿಲ್ಲ.ಹಾಸನಿ ವ್ಯಾಪಕವಾಗಿ ನಿರೀಕ್ಷೆಯನ್ನು ನಿರ್ಮಿಸುತ್ತವೆ, ಮಹತ್ವವು ಪರಿತಪೈಸುತಾ ಸರೋವರವನ್ನು ಅತ ಕೋಣಗಳ ಸಂಬಂಧವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. “selective forgetting” ಅಥವಾ ಯಂತ್ರದ ಮರೆತು ಮಂಡಿತೆ ಹಳೆಯ ಪತ್ರಕರ್ತತೆಗೆ ಹೆಚ್ಚು ತೊಡ್ಡುತ್ತದೆ. ಮಾರ್ಗ ಕೊಂಡೆ ಬೈಲುಗೂ ಉಲ್ಲೇಖಿತವಾಗುತ್ತದೆ, ಇದರಿಂದವು ಕಟ್ಟುಗಾರರಿಗೆ ನೈತಿಕತೆಯಾಗುತ್ತದೆ.
ಯೋನೆಕಾರಾಗಬೇಕಾದ ಕೀರ್ತಿಯ ಯಂತ್ರದ ಬ್ಲಾಕ್-ಬಾಕ್ಸ್ ಮರೆತ ತಂತ್ರ ಇದುವರೆಗೆ AI ಯ ವಿಸ್ತಾರವನ್ನು ಬೆಳದಿಂಡಾಗಿ ಸ್ಥಾಪಿಸುತ್ತದೆ. ಅದು ಸ್ವೀಕರಣೆ ಮತ್ತು ಕಾರ್ಯಕ್ಷಮತೆಗೆ ಪರಿವರ್ತನೆಯ ಶಕ್ತಿ ಪಡೆದಿದೆ, ಎಲ್ಲಾ ಗ್ರಾಹಕರಿಗೆ ಅಗತ್ಯವಿಲ್ಲದ ತಾಂತ್ರಿಕ ನಿಯಮಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ. ಪರಿಣಾಮವಾಗಿ ಹಕ್ಕುದಾರಿಕೆಗಳ ಅನಭ್ಯಸ್ಥಿತ ಪ್ರಯೋಜನಗಳು ಮುಚ್ಚುತಿಲ್ಲಾಗಿದ್ದು, ಆದರೆ ಹೆಚ್ಚುಗಾರಿಕೆಯಲ್ಲೋಗಾಮಿ ಸ್ತೂಲಾಂಕಗಳು ಮುಖ್ಯ ಮೂಲಾಧಾರಗಳನ್ನು ಕಿಟ್ಟಾದರಂತೆ ಇರುತ್ತವೆ.
ಮೂಲಾಗಳು: ಯಾಕೆ QwQ-32B-Preview ಯ ಯಂತ್ರವಾದಿಗೆ ಎದುರಾದ ਵਿਚಾರಕ್ಕೆ ಕಾಯ್ತು ಪರಿವಾರಂಗಿಯ ಎಕ್ಸ್ಕಲ್ ಆಗುತ್ತದೆ
ನೀವು AI ಮತ್ತು ಬೃಹತ್ ಡೇಟಾ ಎಂಬುದರಲ್ಲಿ ಹೆಚ್ಚಿನ ಮಾಹಿತಿಯನ್ನು ಪಡೆಯಲು ಬಯಸುತ್ತಿರಾ. AI & Big Data Expo ಎಂಬುದನ್ನು ಆಮಸ್ಟರ್‌ಡ್ಯಾಂ, ಕ್ಯಾಲಿಫೋನೀಯ ಮತ್ತು ಲಂಡನಿನಲ್ಲಿ ನಡೆಯಲಿದೆ. ಈ ಸಂಪೂರ್ಣ ಘಟನೆಗಳು Intelligent Automation Conference, BlockX, Digital Transformation Week ಮತ್ತು Cyber Security & Cloud Expoಯಂತಹ ಜಾನಕ ಸಂಪತ್ತುಗಳಿಗೆ ಹೊಂಚಲು ಕೆಲಸ ಮಾಡುವಾಗ ನಡೆಯುತ್ತವೆ.
TechForge ನಿಂದ ನ್ಪಾದೆಯ ಉದ್ಯೋಗಗಳಿಗೆ ಮತ್ತು ವೆಬ್‌ನಾರಾಗವಾಗಿ ಕೊನೆಯ ಅಂಕುಣಿತ ಸುದ್ದಿಗಳನ್ನು ಅನುಕೂಲವನ್ನು ಹೊಂದಿಸಿ ಇಲ್ಲಿ.
ಟ್ಯಾಗ್‌ಗಳು : ai, 人工智能, ನೈತಿಕತೆ, ಯಂತ್ರದ ಕಲಿಕೆ, ಗೋಪ್ಯತೆ
ಬೇಸಿಕ್ ಕ್ವಶ್ಚಿಯನ್ಸ್
ಯಂತ್ರಗಳ ರಿವರ್ಸ್ ಲರ್ನಿಂಗ್ ಎಂದರೆ ಏನು?
ಯಂತ್ರಗಳ ರಿವರ್ಸ್ ಲರ್ನಿಂಗ್ ಎಂದರೆ AI ಮಾದರಿಗಳಿಗೆ “ಮರೆಹೋಗಲು” ಕೆಲವು ಮಾಹಿತಿಗಳನ್ನು ಪಡೆಯುವುದು, ನೈತಿಕ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಪಾಲಿಸಬೇಕು, ವಿಶೇಷವಾಗಿ ಕೇಳುವಿಕೆಗೆ ಸಂಬಂಧಿಸಿದಗೋಸಾಯ್ಗಳಲ್ಲಿ.
AI ಮಾದರಿಗಳಲ್ಲಿ ಕೆಲವು ಮಾಹಿತಿಗಳನ್ನು ಮರೆತುಹೋಗಲು ಏಕೆ ಮುಖ್ಯವಾಗಿದೆ?
AI ಮಾದರಿಗಳು ಐದೊಳಕ್ಕೆ ಸಂಬಂಧಿಸುತ್ತದೆ ತಮಗೆ ಕಷ್ಟವನ್ನು ತಪ್ಪಿಸಲು, ಸಂಪತ್ತಿನ ಬಳಕೆ ಕಡಿಮೆ ಮಾಡಲು ಮತ್ತು “ಮರೆತುಹೋಗಲು” ಹಕ್ಕುಗಳಂತೆ ಧಾರಣೆಗೆ ಸಮಾನಗೊಳ್ಳಬೇಕು.
ಟೋಕಿಯೋ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಸಂಶೋಧಕರು ತಮ್ಮ ಮರೆತ ವಿಧಾನವನ್ನು ಹೇಗೆ ಅಭಿವೃದ್ಧಿಪಡಿಸಿದರು?
ಸಂಶೋಧಕರು “black-box forgetting” ಎಂಬ ಪದ್ದತಿ ರೂಪಿಸಿದ್ದರು, ಇದು ಮಾದರಿಯ ಇನ್ಪುಟ್ ಆದೇಶಗಳನ್ನು ಬದಲಾಯ ಮಾಡಿದಂತೆ ಅವುಗಳಿಗೆ ನಿರಂತರವಾಗಿ ವಿಶೇಷ ವರ್ಗಗಳನ್ನು ಮರೆತುಹೋಗಲು ಸಹಾಯ ನೀಡುತ್ತದೆ.
“ಬ್ಲಾಕ್-ಬಾಕ್ಸ್ ಮರೆತ” ದಲ್ಲಿಕಾರದ ಮುಖ್ಯಾದ್ವಾಂಶಗಳು ಯಾವುವು?
ದೇಶಾನುಕೂಲ ಕೇಂದ್ರದಿಂದಾಗಿ ವರ್ಗೀಕರಣದ ವರ್ಗಗಳನ್ನು ಉತ್ತಮಪಡಿಸಲು ವಿಸ್ತಾರಗೊಳ್ಳುತ್ತಿದೆ, ಸಂಪತ್ತಿನ ಅಗತ್ಯಗಳನ್ನು ಕಡಿಮೆಮಾಡುತ್ತದೆ ಮತ್ತು ಗೌಪ್ಯತೆಗೆ ಸಂಬಂಧಪಟ್ಟ ಸಮಸ್ಯೆಗಳ ಮೇಲೆ ಪ್ರಗತಿಯನ್ನು ನೀಡುತ್ತಿದೆ.
ಈ ಮರೆತ ವಿಧಾನವು ಎಲ್ಲಾ ತಂತ್ರಗಳಿಗೆ ಶ್ರೇಣೀಬದ್ಧವಾಗುತ್ತದಾ?
“black-box” ಮಾದರಿಗಳಲ್ಲಿ ರೂಪಿಸಿದ್ದರೂ, ಈ ವಿಧಾನವು ವ್ಯಾಪಕವಾಗಿ ವ್ಯಾಪಕ ರಾಷ್ಟ್ರಗಳಿಗೆ ಪ್ರಯೋಜಕರಾಗುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದೆನಾಗಿದ್ದರೆ, ವ್ಯಾಪಾರಿಕ ಬಳಕೆಗಳಲ್ಲಿ ಬಹಳ ಸುಲಭವಾಗಿ ಏಕೀಬದ್ಧವಾಗುತ್ತದೆ.
ಈ ವಿಧಾನವನ್ನ ಬಳಸಿಕೊಂಡಾಗ ಸಂಶೋಧಕರು ಯಾವ ಗುಣಾವಾದಗಳನ್ನು ಎದುರಿಸಿದ್ದರು?
ಪರಾಛನೆಯಂತಹ ಪಕ್ಷಾತ್ಮಕವಾಗುತ್ತವೆ, ಇದು ಗರಿಷ್ಠ ಪ್ರಮಾಣದಲ್ಲಿ ವರ್ಗಾಧಾರಿತಿಕ ಕರ್ತಾ ಗಳನ್ನು ಸ್ಪಷ್ಟಿಸಲಾಗುತ್ತದೆ.
ರಿವರ್ಸ್ ಲರ್ನಿಂಗ್ ಆರೋಗ್ಯ किंवा ಹಣಕಾಸುಂತಹ ಕ್ಷೇತ್ರಗಳಿಗೆ ಹೇಗೆ ಪ್ರಯೋಜಕರಾಗಬಹುದು?
ಆರೋಗ್ಯ ಮತ್ತು ಹಣಕಾಸಿನ ಕ್ಷೇತ್ರದಲ್ಲಿ, ರಿವರ್ಸ್ ಲರ್ನಿಂಗ್ ಡೇಟಾ ಸುರಕ್ಷೀತ ನೆರವೂ, ಅರಿಯುವಿಕೆಗೆ ಸκριβಣಾದ ಮೇಲೆ ಬೆಲೆಯ ಸಾಗಣೆ ನೀಡುತ್ತದೆ.
AI ಯಲ್ಲಿ ಮಾಹಿತಿಗಳ ಮರೆತುಹೋಗುವ ಅನಾಯಕಗಳನ್ನು ಸೈನ್ ಗುರುತಿಸುವುದು ಏನು?
ಯಾವುದೇ ಮಾಹಿತಿ ಕಳೆದುಹೋದರೆ ಮಾದರಿಯ ಉಲ್ಲೇಖ ಕ್ರಿಯೆಯಲ್ಲಿ ಪ್ರಯೋಜನವನ್ನು ಕಳೆದುಕೊಳ್ಳುಚೇರುವ ಸಾಧ್ಯತೆ ಇದೆ.
ಸಂಸ್ಥೆಗಳು ಹೇಗೆ ರಿವರ್ಸ್ ಲರ್ನಿಂಗ್ ಕಾರ್ಯಗತಗೊಳಿಸಬಹುದು?
ಸಂಸ್ಥೆಗಳು ಹೊಸ ಕಠಿಣ ಆಯ್ಕೆಗಳನ್ನು ರೂಪಿಸುವ ಮೂಲಕ ಮಾಹಿತಿಯನ್ನು ಸೇರಿಸಲು, ಸಮುದಾಯವನ್ನು ಏಕೀಕರಿಸಲು, ಮಾಡುವ ಮೂಲಕ ಸೋಜ्ञಾನದ ಬಗ್ಗೆ ಸಿದ್ಧಪಡಿಸುವ ಮೂಲಕ ಬೇಶೆಂದು ಪಡೆದುಕೊಂಡ ಭಾಗದ ಪಡೆಯಬಹುದು.
