सुमारे दोन दशकांपासून संस्थांच्या नेत्यांवर विश्वास ठेवण्यात आलेल्या कार्यक्रमात सामील व्हा. व्हीबी ट्रान्सफॉर्म जे लोक एकत्र करतात जे वास्तविक संस्थांसाठी एआयची रणनीती तयार करतात. अधिक जाणून घ्या
तुवाईद कृत्रिम बुद्धिमत्ता बूमने आम्हाला मोठ्या प्रमाणात मजकूर आणि इतर डेटावर लिहू, सारांश आणि सारांशित करू शकणारे मजबूत भाषा मॉडेल दिले आहेत. परंतु जेव्हा ग्राहकांच्या उल्लंघनाचा अंदाज लावणे किंवा फसवणूक आणि बम्पर डेटा शोधणे यासारख्या उच्च -मूल्याच्या भविष्यवाणीची कार्ये पाहिली जातात तेव्हा संस्था अजूनही स्वयंचलित शिक्षणाच्या पारंपारिक जगात अडकतात.
प्रोफेसर स्टॅनफोर्ड आणि कुरे लेस्कोवेक संस्थापकाचे संस्थापक की हा गमावलेला निर्णायक तुकडा आहे. त्याची कंपनी, आरएफएम ही एक नवीन प्रकारची प्री -ट्रेन्ड कृत्रिम बुद्धिमत्ता आहे जी “शून्य” ची शक्यता मोठ्या भाषेच्या मॉडेल्समध्ये (एलएलएमएस) आयोजित केलेल्या डेटाबेसमध्ये आणते.
लेस्कोव्हिकने व्हेंचरबीटला सांगितले की, “हे आपल्याला माहित नसलेल्या एखाद्या गोष्टीच्या अंदाजानुसार येते, जे अद्याप घडले नाही.” “ही मुख्यतः एक नवीन क्षमता आहे आणि मी दावा करू इच्छितो, जनरल एआयच्या नावाबद्दल आपण काय विचार करतो या सध्याच्या कार्यक्षेत्रातून हरवले आहे.”
एमएल भविष्यवाणी हे “30 -वर्षांचे तंत्रज्ञान” का आहे
एलएलएमएस आणि जनरेशन सिस्टम ऑफ रिकव्हरी (आरएजी) सध्याच्या ज्ञानाबद्दलच्या प्रश्नांची उत्तरे देऊ शकतात, तर ते प्रामुख्याने पूर्वगामी असतात. ते पुनर्प्राप्त आणि आधीपासूनच माहिती कारणीभूत ठरतात. भविष्यवाणी करण्याच्या व्यवसाय कार्यांसाठी कंपन्या अजूनही क्लासिक मशीन लर्निंगवर अवलंबून असतात.
उदाहरणार्थ, ग्राहकांच्या ऑपरेशनचा अंदाज लावणारे एक मॉडेल तयार करण्यासाठी, कंपनीने “फीचर्स इंजीनियरिंग” मध्ये बराच वेळ घालवणा data ्या डेटा वैज्ञानिकांची एक टीम वापरली पाहिजे, जी डेटाचे मॅन्युअल भविष्यवाणी सिग्नल तयार करण्याची प्रक्रिया आहे. यात एक प्रचंड प्रशिक्षण वेळापत्रक तयार करण्यासाठी ग्राहक खरेदी रेकॉर्ड आणि वेबसाइट क्लिक यासारख्या वेगवेगळ्या वेळापत्रकांमधून माहितीमध्ये सामील होण्यासाठी जटिल डेटा भांडण समाविष्ट आहे.
“जर आपल्याला स्वयंचलित शिक्षण (एमएल) करायचे असेल तर क्षमस्व, आपण भूतकाळात अडकले आहात,” लेस्कोव्हिक म्हणाले. वेळ -खर्चिक आणि वेळ -बॅटलनेक्स बर्‍याच संस्थांना त्यांच्या डेटासह खरोखर मोहक होण्यापासून प्रतिबंधित करतात.
कोमो डेटाबेसमध्ये ट्रान्सफॉर्मर्सचे सामान्यीकरण कसे करतात
कोमोचा दृष्टिकोन, “खोल, सुप्रसिद्ध शिक्षण”, दोन मुख्य दृष्टिकोनातून ही मॅन्युअल प्रक्रिया टाळते. प्रथम, ते स्वयंचलितपणे कोणत्याही एक -ग्राफिक रिलेशनशिप डेटाबेसचे प्रतिनिधित्व करते. उदाहरणार्थ, जर डेटाबेसमध्ये ग्राहकांची माहिती रेकॉर्ड करण्यासाठी “वापरकर्ता” वेळापत्रक असेल आणि ग्राहकांच्या खरेदीची नोंदणी करण्यासाठी “विनंत्या” वेळापत्रक असेल तर वापरकर्त्याच्या वेळापत्रकातील प्रत्येक पंक्ती वापरकर्ता गाठ बनते आणि अनुप्रयोगांच्या वेळापत्रकातील प्रत्येक पंक्ती विनंती नॉट बनते, इत्यादी. मग हा करार स्वयंचलितपणे डेटाबेसशी सध्याच्या संबंधांचा वापर करून, जसे की परदेशी की आणि मॅन्युअल प्रयत्नांशिवाय संपूर्ण डेटा सेटसाठी समृद्ध नकाशा तयार केला जातो.
दुसरे म्हणजे, कोमोने या ग्राफिक प्रतिनिधित्वावरून थेट शिकण्यासाठी एलएलएमच्या मागे इंजिन ट्रान्सफॉर्मर स्ट्रक्चर प्रसारित केले आहे. एकमेकांच्या संबंधात वेगवेगळ्या प्रतीकांच्या महत्त्वच्या वजनामुळे “लक्ष यंत्रणा” वापरुन प्रतीकांचा क्रम समजून घेण्यासाठी ट्रान्सफॉर्मर्स उत्कृष्ट आहेत.
आरएफएम कुमोपासून समान यंत्रणेपासून आलेखावर लागू होते, ज्यामुळे एकाच वेळी एकाधिक वेळापत्रकात गुंतागुंतीचे नमुने आणि संबंध शिकण्याची परवानगी मिळते. लेस्कोवेक या उडीची तुलना संगणकाच्या दृष्टीक्षेपाच्या विकासाशी करते. विसाव्या शतकाच्या पहिल्या दशकाच्या सुरुवातीच्या काळात, एमएल अभियंत्यांना ऑब्जेक्ट शोधण्यासाठी कडा आणि आकार यासारख्या वैशिष्ट्ये मॅन्युअली डिझाइन कराव्या लागल्या. परंतु फाइटर नर्व नेटवर्क (सीएनएन) सारख्या नवीनतम रचना कच्चे पिक्सेल घेऊ शकतात आणि संबंधित वैशिष्ट्ये स्वयंचलितपणे शिकू शकतात.
त्याचप्रमाणे, आरएफएम कच्चे डेटाबेस वेळापत्रक वापरते आणि मॅन्युअल व्होल्टेजची आवश्यकता न घेता नेटवर्कला स्वतःच सर्वात अंदाजे सिग्नल शोधण्याची परवानगी देते.
परिणामी पूर्व -प्री -ट्रेन्ड फाउंडेशन मॉडेल आहे जे नवीन डेटाबेसवर तत्काळ भविष्यवाणी करणारी कार्ये करू शकते, ज्याला “घटस्फोटित शून्य” म्हणून ओळखले जाते. प्रात्यक्षिकेदरम्यान, लेस्कोव्हेकने स्पष्ट केले की पुढील तीस दिवसांत एखादा विशिष्ट ग्राहक लागू होईल की नाही याचा अंदाज लावण्यासाठी वापरकर्ता एक सोपी क्वेरी कशी लिहू शकतो. एका सेकंदात, सिस्टमने शेवटचा वापरकर्ता क्रियाकलाप किंवा त्याची अनुपस्थिती यासारख्या डेटा पॉईंट्सची शक्यता आणि स्पष्टीकरणाची डिग्री पुनर्संचयित केली आहे. मॉडेलला प्रदान केलेल्या डेटाबेसवर प्रशिक्षण दिले गेले नाही आणि संदर्भात शिकण्याद्वारे वास्तविक वेळेत रुपांतर केले गेले आहे.
“आमच्याकडे प्री -ट्रेन्ड मॉडेल आहे जे आपला डेटा सहजपणे सूचित करते आणि त्यानंतर 200 मिलीलीटर नंतर आपल्याला एक अचूक अंदाज देईल.” ते म्हणाले की, “डेटा वैज्ञानिकांच्या कामाच्या आठवडे” असे म्हणा, असे म्हणू शकता. ”
इंटरफेस केवळ मशीन लर्निंग तज्ञांनाच नव्हे तर डेटा विश्लेषकांना परिचित होण्यासाठी डिझाइन केलेले आहे, जे भविष्यवाणीच्या विश्लेषणामध्ये प्रवेश देते.
भविष्यातील एजंट ऑपरेट करीत आहे
या तंत्रज्ञानाचा कृत्रिम बुद्धिमत्ता एजंट विकसित करण्यावर चांगला परिणाम आहे. एजंटला संस्थेत अर्थपूर्ण कार्ये करण्यासाठी, त्याने फक्त उपचार भाषेपेक्षा अधिक केले पाहिजे; स्मार्ट निर्णय कंपनीच्या स्वतःच्या डेटाच्या आधारे घेतले जावे. आरएफएम या घटकांसाठी एक भविष्यवाणी करणारे इंजिन म्हणून काम करू शकते. उदाहरणार्थ, ग्राहक सेवा एजंट आरएफएमबद्दल चौकशी करू शकतो ज्यावर ग्राहकांवर मात करणे किंवा त्याच्या संभाव्य भविष्यातील संभाव्य मूल्याची शक्यता निश्चित करण्यासाठी, नंतर त्याचे संभाषण सानुकूलित करण्यासाठी आणि त्यानुसार प्रदान करण्यासाठी एलएलएमचा वापर करा.
“जर आपण एजंटच्या भविष्यावर विश्वास ठेवला तर एजंटांना खाजगी डेटामध्ये निर्णय घेण्याची आवश्यकता असेल. निर्णय घेण्याचा हा मार्ग आहे,” लेस्कोवेक स्पष्ट केले.
कोमोचे कार्य अशा भविष्याचा संदर्भ देते जेथे एआयला दोन पूरक क्षेत्रात विभागले गेले आहे: एलएलएमएस अनियमित मजकूरामध्ये पूर्वस्थितीत रेट्रोएक्टिव्हली सामोरे जाण्यासाठी आणि आरएफएमएस संघटित डेटाचा अंदाज लावण्यासाठी. अभियांत्रिकी अडथळा दूर करून, आरएफएम अधिक संस्थांच्या हातात एमएल साधने मजबूत ठेवणार आहे, ज्यामुळे निर्णयाचा डेटा मिळविण्यासाठी वेळ आणि खर्च कमी होतो.
कंपनीने आरएफएमसाठी एक सामान्य ऑफर जाहीर केली आहे आणि एक प्रत सुरू करण्याची योजना आखली आहे जी वापरकर्त्यांना येत्या आठवड्यात त्यांचा स्वतःचा डेटा संप्रेषण करण्यास अनुमती देते. जास्तीत जास्त अचूकतेची आवश्यकता असलेल्या संस्थांसाठी, कुमो खासगी डेटा गटांवरील कामगिरी वाढविण्यासाठी पॉलिशिंग सेवा देखील प्रदान करेल.
Source link
