ஆழ்ந்த கற்றல்: இயந்திரக் கற்றலின் பல அடுக்குகள்

• ஆசிரியர் பற்றி:
• ஆசிரியர் பெயர்

  குவாண்டம்ரன் முன்னோட்டம்
• செப்டம்பர் 9, 2022

நுண்ணறிவு சுருக்கம்

ஆழ்ந்த கற்றல் (DL), ஒரு வகை இயந்திர கற்றல் (ML), செயற்கை நுண்ணறிவு (AI) பயன்பாடுகளை மனித மூளையின் செயல்பாட்டைப் போன்ற வழிகளில் தரவுகளிலிருந்து கற்றுக்கொள்வதன் மூலம் மேம்படுத்துகிறது. இது தன்னாட்சி வாகனங்கள் மற்றும் சுகாதாரக் கண்டறிதல்களை மேம்படுத்துவது முதல் சாட்போட்களை இயக்குவது மற்றும் இணையப் பாதுகாப்பு நடவடிக்கைகளை மேம்படுத்துவது வரை பல்வேறு துறைகளில் பயன்பாட்டைக் கண்டறிகிறது. சிக்கலான பணிகளைக் கையாள்வதற்கும், பரந்த தரவுத் தொகுப்புகளை பகுப்பாய்வு செய்வதற்கும், தகவலறிந்த கணிப்புகளைச் செய்வதற்கும் தொழில்நுட்பத்தின் திறன், தொழில்களை வடிவமைக்கிறது மற்றும் நெறிமுறை விவாதங்களை எழுப்புகிறது, குறிப்பாக தரவு பயன்பாடு மற்றும் தனியுரிமையைச் சுற்றி.

ஆழ்ந்த கற்றல் சூழல்

ஆழ்ந்த கற்றல் என்பது ML இன் ஒரு வடிவமாகும், இது பல AI பயன்பாடுகளுக்கு அடிப்படையாகும். படங்கள், உரை அல்லது ஒலியிலிருந்து நேரடியாக வகைப்படுத்தல் பணிகளுக்கு DL உதவ முடியும். இது தரவு பகுப்பாய்வு மற்றும் சாதன இடைமுகத்தை நடத்தலாம், தன்னாட்சி ரோபோக்கள் மற்றும் சுய-ஓட்டுநர் கார்களுக்கு உதவலாம் மற்றும் அறிவியல் ஆய்வுகளை செயல்படுத்தலாம். டிஎல் வடிவங்கள் மற்றும் போக்குகளை அடையாளம் காணவும் மேலும் துல்லியமான கணிப்புகளை உருவாக்கவும் உதவும். இந்த தொழில்நுட்பம் ஸ்மார்ட்போன்கள் மற்றும் இன்டர்நெட் ஆஃப் திங்ஸ் (IoT) சாதனங்கள் போன்ற தொழில்நுட்ப சாதனங்களுடனும் இடைமுகப்படுத்த முடியும். 

இயற்கை மொழி செயலாக்கம் (NLP) அல்லது கணினி பார்வை மற்றும் பேச்சு அங்கீகாரம் போன்ற பணிகளுக்கு உதவ DL செயற்கை நரம்பியல் நெட்வொர்க்குகளைப் பயன்படுத்துகிறது. தேடுபொறிகள் மற்றும் ஈ-காமர்ஸ் தளங்களில் உள்ளதைப் போன்ற உள்ளடக்கப் பரிந்துரைகளையும் நரம்பியல் நெட்வொர்க்குகள் வழங்கலாம். 

ஆழ்ந்த கற்றலுக்கு நான்கு முக்கிய அணுகுமுறைகள் உள்ளன:

• மேற்பார்வையிடப்பட்ட கற்றல் (லேபிளிடப்பட்ட தரவு).
• அரை-கண்காணிக்கப்பட்ட கற்றல் (அரை-லேபிளிடப்பட்ட தரவுத்தொகுப்புகள்).
• மேற்பார்வை செய்யப்படாத கற்றல் (லேபிள்கள் தேவையில்லை).
• வலுவூட்டல் கற்றல் (அல்காரிதம்கள் சுற்றுச்சூழலுடன் தொடர்பு கொள்கின்றன, மாதிரி தரவு மட்டுமல்ல).

இந்த நான்கு அணுகுமுறைகளில், ஆழமான கற்றல் பல நிலைகளில் நரம்பியல் நெட்வொர்க்குகளைப் பயன்படுத்தி தரவுகளிலிருந்து மீண்டும் மீண்டும் கற்றுக்கொள்கிறது, இது கட்டமைக்கப்படாத தகவல்களில் வடிவங்களைத் தேடும் போது பயனுள்ளதாக இருக்கும். 

ஆழ்ந்த கற்றலில் உள்ள நரம்பியல் நெட்வொர்க்குகள் மனித மூளை எவ்வாறு கட்டமைக்கப்பட்டுள்ளது என்பதைப் பிரதிபலிக்கிறது, பல்வேறு நியூரான்கள் மற்றும் கணுக்கள் தகவல்களை இணைத்து பகிர்ந்து கொள்கின்றன. ஆழ்ந்த கற்றலில், சிக்கல் மிகவும் சிக்கலானது, மாதிரியில் மிகவும் மறைக்கப்பட்ட அடுக்குகள் இருக்கும். ML இன் இந்த வடிவம் பெரிய அளவிலான மூலத் தரவுகளிலிருந்து (பெரிய தரவு) உயர்-நிலை அம்சங்களைப் பிரித்தெடுக்க முடியும். 

மனிதப் பகுத்தறிவுக்கு (எ.கா., உணர்வு பகுப்பாய்வு, இணையப் பக்கத் தரவரிசைகளைக் கணக்கிடுதல்) அல்லது விரிவான தீர்வுகள் தேவைப்படும் சிக்கல்களில் (எ.கா. தனிப்பயனாக்கம், பயோமெட்ரிக்ஸ்) சிக்கல் மிகவும் சிக்கலான சூழ்நிலைகளில் DL உதவக்கூடும். 

சீர்குலைக்கும் தாக்கம்

மேலும் தகவலறிந்த முடிவுகளை எடுக்க தரவைப் பயன்படுத்த விரும்பும் நிறுவனங்களுக்கு ஆழ்ந்த கற்றல் ஒரு சக்திவாய்ந்த கருவியாகும். எடுத்துக்காட்டாக, நரம்பியல் நெட்வொர்க்குகள் தற்போதுள்ள நோய்கள் மற்றும் அவற்றின் சிகிச்சைகள், நோயாளி பராமரிப்பு மேலாண்மை மற்றும் விளைவுகளை மேம்படுத்துதல் ஆகியவற்றின் விரிவான தரவுத்தளங்களைப் படிப்பதன் மூலம் சுகாதாரப் பராமரிப்பில் நோயறிதல்களை மேம்படுத்தலாம். பிற நிறுவன பயன்பாடுகளில் கணினி பார்வை, மொழி மொழிபெயர்ப்புகள், ஆப்டிகல் கேரக்டர் அறிதல் மற்றும் சாட்போட்கள் மற்றும் மெய்நிகர் உதவியாளர்கள் போன்ற உரையாடல் பயனர் இடைமுகங்கள் (UI) ஆகியவை அடங்கும்.

நிறுவனங்களால் டிஜிட்டல் மாற்றம் மற்றும் கிளவுட் இடம்பெயர்வு ஆகியவற்றின் பரவலான தத்தெடுப்பு புதிய இணைய பாதுகாப்பு சவால்களை முன்வைக்கிறது, அங்கு DL தொழில்நுட்பங்கள் சாத்தியமான அச்சுறுத்தல்களைக் கண்டறிந்து குறைப்பதில் முக்கிய பங்கு வகிக்க முடியும். வணிகங்கள் பெருகிய முறையில் தங்கள் டிஜிட்டல் நோக்கங்களை அடைய மல்டி கிளவுட் மற்றும் ஹைப்ரிட் உத்திகளைப் பின்பற்றுவதால், நிறுவனங்கள் அல்லது தனிநபர்களின் கூட்டுத் தகவல் தொழில்நுட்ப சொத்துக்களை உள்ளடக்கிய IT எஸ்டேட்களின் சிக்கலானது கணிசமாக அதிகரித்துள்ளது. இந்த வளர்ந்து வரும் சிக்கலுக்கு, இந்த மாறுபட்ட மற்றும் சிக்கலான IT சூழல்களை திறமையாக நிர்வகிக்க, பாதுகாக்க மற்றும் மேம்படுத்த மேம்பட்ட தீர்வுகள் தேவை.

IT எஸ்டேட்களின் வளர்ச்சி மற்றும் தொடர்ச்சியான நிறுவன மேம்பாடு ஆகியவை போட்டித்தன்மையுடன் இருக்கத் தேவையான சுறுசுறுப்பு மற்றும் செலவு-செயல்திறனை வழங்குகின்றன, மேலும் திறம்பட நிர்வகிக்கவும் பாதுகாக்கவும் மிகவும் கடினமான பின்தளத்தை உருவாக்குகின்றன. ஹேக்கிங் முயற்சிகளின் அடையாளமாக இருக்கும் அசாதாரணமான அல்லது ஒழுங்கற்ற வடிவங்களைக் கண்டறிய DL உதவும். இந்த அம்சம் முக்கியமான உள்கட்டமைப்புகளை ஊடுருவாமல் பாதுகாக்கும்.

ஆழ்ந்த கற்றலின் தாக்கங்கள்

DL இன் பரந்த தாக்கங்கள் பின்வருமாறு: 

• சுற்றுச்சூழல் நிலைமைகளுக்கு சிறப்பாக பதிலளிக்கவும், துல்லியம், பாதுகாப்பு மற்றும் செயல்திறனை மேம்படுத்தவும் ஆழ்ந்த கற்றலைப் பயன்படுத்தும் தன்னாட்சி வாகனங்கள்.
• பிக் டெக் மூலம் பயோமெட்ரிக் தரவு (எ.கா., முகப் பண்புகள், கண் கட்டமைப்புகள், டிஎன்ஏ, கைரேகை வடிவங்கள்) எவ்வாறு சேகரிக்கப்பட்டு சேமிக்கப்படுகிறது என்பது பற்றிய நெறிமுறை விவாதங்கள்.
• மனிதர்களுக்கும் இயந்திரங்களுக்கும் இடையிலான இயற்கையான தொடர்புகள் மேம்படுகின்றன (எ.கா. ஸ்மார்ட் சாதனங்கள் மற்றும் அணியக்கூடியவற்றைப் பயன்படுத்துதல்).
• IT உள்கட்டமைப்புகளில் பலவீனமான புள்ளிகளைக் கண்டறிய ஆழமான கற்றலைப் பயன்படுத்தும் சைபர் செக்யூரிட்டி நிறுவனங்கள்.
• தயாரிப்புகள் மற்றும் சேவைகளை மேம்படுத்துவதற்கும் வாடிக்கையாளர்களுக்கு உயர்-தனிப்பயனாக்கப்பட்ட தீர்வுகளை வழங்குவதற்கும் பரந்த அளவிலான முன்கணிப்பு பகுப்பாய்வுகளைப் பயன்படுத்தும் நிறுவனங்கள்.
• பொது சேவை வழங்கலை மேம்படுத்த பொது தரவுத்தளங்களை அரசுகள் செயலாக்குகின்றன, குறிப்பாக நகராட்சி அதிகார வரம்புகள் மத்தியில்.

கருத்தில் கொள்ள வேண்டிய கேள்விகள்

• வெவ்வேறு சூழ்நிலைகளுக்கு முன்முயற்சியுடன் செயல்பட நிறுவனங்களுக்கும் அரசாங்கங்களுக்கும் ஆழ்ந்த கற்றல் வேறு எப்படி உதவ முடியும்?
• ஆழ்ந்த கற்றலைப் பயன்படுத்துவதால் ஏற்படக்கூடிய மற்ற அபாயங்கள் அல்லது நன்மைகள் என்ன?