సెప్టెంబర్ 16, 2017 రాత్రి 10:08 గంటలకు

ఒక సాధారణ గేమ్‌ను ఉదాహరణగా ఉపయోగించి కృత్రిమ మేధస్సును పెంచడం

• కృత్రిమ మేధస్సు ,
• లాజిక్ గేమ్స్

• రికవరీ మోడ్

ఈ ఆర్టికల్‌లో, జన్యు అల్గారిథమ్‌ని ఉపయోగించి సరళమైన కృత్రిమ మేధస్సు (AI)ని పెంచే నా అనుభవాన్ని నేను పంచుకుంటాను మరియు ఏదైనా ప్రవర్తనను రూపొందించడానికి అవసరమైన కనీస ఆదేశాల గురించి కూడా మాట్లాడుతాను.

పని యొక్క ఫలితం ఏమిటంటే, AI, నియమాలు తెలియకుండా, స్వతంత్రంగా గేమ్ టిక్-టాక్-టోపై ప్రావీణ్యం సంపాదించింది మరియు దానికి వ్యతిరేకంగా ఆడిన బాట్‌ల బలహీనతలను కనుగొంది. కానీ నేను మరింత సరళమైన పనితో ప్రారంభించాను.

కమాండ్ సెట్

AI కలిగి ఉండగల ఆదేశాల సమితిని సిద్ధం చేయడంతో ఇదంతా ప్రారంభమైంది. ఉన్నత-స్థాయి భాషలు వందలాది విభిన్న ఆపరేటర్లను కలిగి ఉంటాయి. అవసరమైన కనిష్టాన్ని హైలైట్ చేయడానికి, నేను అసెంబ్లీ భాషకి మారాలని నిర్ణయించుకున్నాను. అయితే ఇందులో చాలా కమాండ్స్ కూడా ఉన్నాయని తేలింది.

డేటాను చదవడానికి మరియు అవుట్‌పుట్ చేయడానికి, మెమరీతో పని చేయడానికి, లెక్కలు మరియు తార్కిక కార్యకలాపాలను నిర్వహించడానికి, పరివర్తనాలు మరియు లూప్‌లను చేయడానికి నాకు AI అవసరం. నేను బ్రెయిన్‌ఫక్ భాషని చూశాను, ఇందులో కేవలం 8 కమాండ్‌లు మాత్రమే ఉన్నాయి మరియు ఏదైనా గణనను చేయగలను (అంటే ఇది ట్యూరింగ్ పూర్తయింది). సూత్రప్రాయంగా, ఇది జన్యు ప్రోగ్రామింగ్కు అనుకూలంగా ఉంటుంది, కానీ నేను మరింత ముందుకు వెళ్ళాను.

నేను ఆశ్చర్యపోయాను: ఏదైనా అల్గారిథమ్‌ని అమలు చేయడానికి అవసరమైన కమాండ్‌ల కనీస సంఖ్య ఎంత? అది మారినది, ఒకటి మాత్రమే ఉంది!

URISC ప్రాసెసర్‌లో ఒక సూచన మాత్రమే ఉంది: సబ్‌ట్రాహెండ్ మైన్యూఎండ్ కంటే ఎక్కువగా ఉంటే తదుపరి సూచనను తీసివేయండి మరియు దాటవేయండి. ఏదైనా అల్గోరిథం నిర్మించడానికి ఇది సరిపోతుంది.

ఒలేగ్ మజోంకా మరింత ముందుకు వెళ్ళాడు; అతను BitBitJump ఆదేశాన్ని అభివృద్ధి చేసాడు మరియు అది ట్యూరింగ్ పూర్తయిందని నిరూపించాడు. సూచన మూడు చిరునామాలను కలిగి ఉంటుంది, మొదటి నుండి రెండవ మెమరీ చిరునామాకు ఒక బిట్‌ను కాపీ చేస్తుంది మరియు నియంత్రణను మూడవ చిరునామాకు బదిలీ చేస్తుంది.

ఒలేగ్ ఆలోచనలను తీసుకొని, పనిని సరళీకృతం చేయడానికి, నేను SumIfJump ఆదేశాన్ని అభివృద్ధి చేసాను. కమాండ్ నాలుగు ఒపెరాండ్‌లను కలిగి ఉంటుంది: A, B, C, D మరియు ఈ క్రింది వాటిని చేస్తుంది: చిరునామా B వద్ద ఉన్న సెల్‌కు ఇది A చిరునామాలోని సెల్ నుండి డేటాను జోడిస్తుంది, విలువ పేర్కొన్న విలువ * కంటే ఎక్కువగా ఉంటే, అది చిరునామాకు వెళుతుంది. C, లేకుంటే అది D చిరునామాకు వెళుతుంది.

గమనిక

*ఈ సందర్భంలో, 128 ఉపయోగించబడింది - జన్యువు యొక్క సగం పొడవు.

operand A మెమరీ లొకేషన్ N0ని యాక్సెస్ చేసినప్పుడు, డేటా ఇన్‌పుట్ జరుగుతుంది మరియు operand A మెమరీ లొకేషన్ N1ని యాక్సెస్ చేసినప్పుడు, అవుట్‌పుట్ జరుగుతుంది.

క్రింద FreePascal (డెల్ఫీ యొక్క ఉచిత అనలాగ్)లో SumIfJump కోడ్ ఉంది.

విధానము RunProg(లు: TData); var a, b, c, d: TData; Inc (NStep) ప్రారంభించండి; NStep > MaxStep అయితే ProgResult:= "MaxStep"ని ప్రారంభించండి; బయటకి దారి; ముగింపు; a:= లు; b:= s + 1; c:= s + 2; d:= s + 3; a:= ప్రోగ్[a]; b:= ప్రోగ్[b]; c:= ప్రోగ్[c]; d:=ప్రోగ్[d]; a = 0 అయితే ProgResultని ప్రారంభించండి:= "ఇన్‌పుట్"; బయటకి దారి; ముగింపు; a = 1 అయితే ProgResult ప్రారంభించండి:= "అవుట్‌పుట్"; బయటకి దారి; ముగింపు; ప్రోగ్[బి] := ప్రోగ్[బి] + ప్రోగ్[ఎ]; ఒకవేళ ప్రోగ్[b]< ProgLength div 2 then RunProg(c) else RunProg(d); end;
SumIfJump స్వీయ-సవరణ కోడ్‌ను అమలు చేస్తుంది. సాంప్రదాయ ప్రోగ్రామింగ్ భాషలో అందుబాటులో ఉన్న ఏవైనా అల్గారిథమ్‌లను అమలు చేయగలదు. కోడ్ మార్చడం సులభం మరియు ఏదైనా తారుమారుని తట్టుకోగలదు.

సాధారణ పని

కాబట్టి, మా AIకి ఒకే ఒక ఆదేశం ఉంది. ఇప్పటివరకు, టిక్-టాక్-టో అతనికి చాలా కష్టమైన గేమ్, కాబట్టి నేను సరళమైన దానితో ప్రారంభించాను.

బాట్ యాదృచ్ఛిక సంఖ్యను ఉత్పత్తి చేస్తుంది మరియు AI తప్పనిసరిగా డేటాను చదివి సమాధానం ఇవ్వాలి. సంఖ్య సగటు కంటే ఎక్కువగా ఉంటే (యాదృచ్ఛిక సంఖ్యల శ్రేణి), AI సగటు కంటే తక్కువ సంఖ్యను ఉత్పత్తి చేయాలి మరియు దీనికి విరుద్ధంగా ఉండాలి.

మా AI యొక్క జన్యువు 0 నుండి 255 వరకు విలువలతో 256 సెల్‌లను కలిగి ఉంటుంది. ప్రతి విలువ మెమరీ, కోడ్ మరియు చిరునామా. కోడ్ అమలు దశల సంఖ్య 256కి పరిమితం చేయబడింది. ఆపరేండ్‌లు ఒకదాని తర్వాత ఒకటి చదవబడతాయి.

ప్రారంభంలో, జన్యువు యాదృచ్ఛిక సంఖ్యల సమితి ద్వారా ఉత్పత్తి చేయబడుతుంది, కాబట్టి AIకి ఏమి ప్లే చేయాలో తెలియదు. అంతేకాకుండా, బాట్‌కు ప్రతిస్పందిస్తున్నప్పుడు అతను డేటాను వరుసగా ఇన్‌పుట్ మరియు అవుట్‌పుట్ చేయాల్సిన అవసరం ఉందని అతనికి తెలియదు.

జనాభా మరియు ఎంపిక

మొదటి జనాభాలో 256 AIలు ఉన్నాయి, ఇవి బాట్‌తో ఆడటం ప్రారంభిస్తాయి. AI సరైన చర్యలను చేస్తే, ఉదాహరణకు, ఇన్‌పుట్ కోసం డేటాను అభ్యర్థించి, ఆపై ఏదైనా అవుట్‌పుట్ చేస్తే, AI పాయింట్లను అందుకుంటుంది. మరింత సరైన చర్యలు, ఎక్కువ పాయింట్లు.

అత్యధిక పాయింట్లు సాధించిన 16 AIలు ఒక్కొక్కటి 15 మంది సంతానాన్ని ఉత్పత్తి చేస్తాయి మరియు గేమ్‌లో పాల్గొనడం కొనసాగించాయి. ఒక సంతతి ఒక పరివర్తన చెందినది. పేరెంట్ కాపీలో ఒక యాదృచ్ఛిక సెల్‌ను యాదృచ్ఛిక విలువతో భర్తీ చేయడం ద్వారా మ్యుటేషన్ జరుగుతుంది.

మొదటి పాపులేషన్‌లో AI స్కోర్ చేయకపోతే, తదుపరి జనాభా ఏర్పడుతుంది. మరియు AI లలో ఒకటి సరైన చర్యలను చేయడం మరియు "సరైన" సంతానం ఉత్పత్తి చేయడం ప్రారంభించే వరకు.

పరిణామం

ముఖ్యమైన సంఘటనల మధ్య వేలాది తరాల మార్పులు జరిగాయి. ప్రోగ్రామ్ కోర్ i7లో బహుళ థ్రెడ్‌లలో అమలు చేయబడింది. లెక్కలు దాదాపు 15 నిమిషాలు పట్టింది.

1. AI "నాయకుడు" యాదృచ్ఛిక పొరపాటు చేసి, తగినంత పాయింట్లు సాధించనప్పుడు, జనాభా క్షీణించడం ప్రారంభించింది, ఎందుకంటే "ద్వితీయ" తల్లిదండ్రుల నుండి సంతానం ఏర్పడింది.
2. సమయాన్ని గుర్తించే బయటి వ్యక్తులతో ఒక స్ట్రీమ్‌లో, విజయవంతమైన మ్యుటేషన్ సంభవించి, పొందిన పాయింట్లలో పేలుడు పెరుగుదలను అందించింది. ఆ తర్వాత ఈ ప్రవాహం లీడర్ అయింది.
3. కొన్నిసార్లు చాలా కాలం పాటు విజయవంతమైన ఉత్పరివర్తనలు జరగలేదు మరియు ఎంపికను పూర్తి చేయడానికి 500 వేల తరాలు కూడా సరిపోవు.

ముగింపు

చివరగా, నేను టిక్-టాక్-టో గేమ్‌తో కూడా అదే చేసాను. ఉపయోగించిన జన్యు పరిమాణం మొదటి సందర్భంలో వలె ఉంటుంది. దశల సంఖ్య 1024కి మరియు జనాభా పరిమాణం 64కి పెంచబడింది (వేగవంతమైన గణన కోసం). గణన కొంచెం ఎక్కువ సమయం పట్టింది. అంతా ఇంచుమించు అదే దృశ్యం ప్రకారం జరిగింది.

మొదట, AI "రాండమైజర్"కి వ్యతిరేకంగా ఆడింది. నేను యాదృచ్ఛికంగా నడిచే బోట్ అని పిలిచాను. చాలా త్వరగా, AI అతనిని కొట్టడం ప్రారంభించింది, కొంత లైన్‌ను పూరించింది. తర్వాత, నేను రాండమైజర్‌కు కొంచెం తెలివితేటలను జోడించడం ద్వారా పనిని క్లిష్టతరం చేసాను: వీలైతే లైన్‌ను ఆక్రమించండి లేదా రక్షించండి. అయితే, ఈ సందర్భంలో, AI బోట్ యొక్క బలహీనతలను కనుగొంది మరియు దానిని ఓడించడం ప్రారంభించింది. బహుశా దీని గురించి ఒక కథ ప్రత్యేక కథనం కోసం ఒక అంశం.

నా కొడుకు నన్ను ఒక ప్రోగ్రామ్ రాయమని అడిగాడు, తద్వారా AIలు తమలో తాము ఆడుకునేలా, బోట్‌తో కాదు. చెకర్స్ లేదా గో గేమ్ కోసం కూడా అదే విధంగా చేయాలనే ఆలోచనలు ఉన్నాయి, అయితే, దీనికి నాకు తగినంత సమయం లేదు.

కొత్త వ్యక్తులను పొందేందుకు నేను ఉపయోగించిన ఏకైక పద్ధతి మ్యుటేషన్. మీరు క్రాస్ఓవర్ మరియు విలోమాన్ని కూడా ఉపయోగించవచ్చు. బహుశా ఈ పద్ధతులు అవసరమైన ఫలితాన్ని పొందడాన్ని వేగవంతం చేస్తాయి.

చివరికి, ఒక ఆలోచన పుట్టింది: AIకి PCలో అన్ని ప్రక్రియలను నిర్వహించగల మరియు కంప్యూటర్ వనరుల కోసం పోటీపడే సామర్థ్యాన్ని అందించడం. మీ PCని ఇంటర్నెట్‌కి కనెక్ట్ చేయండి మరియు పాత బిట్‌కాయిన్ ఫార్మ్‌లను కంప్యూటింగ్ పవర్‌గా ఉపయోగించండి...

ఇలాంటి ప్రయోగం చేస్తున్నప్పుడు బ్లాగర్ చెప్పినట్లు

ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (AI)(ఆంగ్ల) కృత్రిమ మేధస్సు (AI)మానవ మేధస్సును అర్థం చేసుకునే లక్ష్యంతో కూడిన తెలివైన యంత్రాలు మరియు వ్యవస్థల యొక్క శాస్త్రం మరియు అభివృద్ధి, ముఖ్యంగా తెలివైన కంప్యూటర్ ప్రోగ్రామ్‌లు. అయినప్పటికీ, ఉపయోగించిన పద్ధతులు తప్పనిసరిగా జీవశాస్త్రపరంగా ఆమోదయోగ్యమైనవి కావు. కానీ సమస్య ఏమిటంటే మనం ఏ గణన విధానాలను ఇంటెలిజెంట్ అని పిలవాలనుకుంటున్నామో తెలియదు. మరియు మేము మేధస్సు యొక్క కొన్ని యంత్రాంగాలను మాత్రమే అర్థం చేసుకున్నాము కాబట్టి, ఈ శాస్త్రంలోని మేధస్సు ద్వారా ప్రపంచంలోని లక్ష్యాలను సాధించగల సామర్థ్యం యొక్క గణన భాగాన్ని మాత్రమే అర్థం చేసుకుంటాము.

అనేక మంది వ్యక్తులు, జంతువులు మరియు కొన్ని యంత్రాలు, మేధో సమాచార వ్యవస్థలు మరియు విభిన్న జ్ఞాన స్థావరాలతో కూడిన నిపుణుల వ్యవస్థల యొక్క వివిధ నమూనాలలో వివిధ రకాలు మరియు తెలివితేటలు ఉన్నాయి. అదే సమయంలో, మనం చూస్తున్నట్లుగా, మేధస్సు యొక్క ఈ నిర్వచనం మానవ మేధస్సు యొక్క అవగాహనకు సంబంధించినది కాదు - ఇవి వేర్వేరు విషయాలు. అంతేకాకుండా, ఈ శాస్త్రం మానవ మేధస్సును మోడల్ చేస్తుంది, ఎందుకంటే, ఒక వైపు, ఇతర వ్యక్తులను గమనించడం ద్వారా సమస్యలను పరిష్కరించడానికి యంత్రాలను ఎలా పొందాలో నేర్చుకోవచ్చు మరియు మరోవైపు, AIలోని చాలా మంది పని మానవత్వం పరిష్కరించాల్సిన సమస్యలను అధ్యయనం చేస్తారు. పారిశ్రామిక మరియు సాంకేతిక కోణంలో. అందువల్ల, AI పరిశోధకులు నిర్దిష్ట సమస్యలను పరిష్కరించడానికి అవసరమైతే మానవులలో గమనించని పద్ధతులను ఉపయోగించడానికి ఉచితం.

ఈ కోణంలో ఈ పదాన్ని 1956లో డార్ట్‌మౌత్ విశ్వవిద్యాలయంలో జరిగిన సమావేశంలో J. మెక్‌కార్తీ ప్రవేశపెట్టారు మరియు ఇప్పటి వరకు, మేధస్సు అనేది జీవసంబంధమైన దృగ్విషయం మాత్రమే అని నమ్మే వారి నుండి విమర్శలు ఉన్నప్పటికీ, శాస్త్రీయ సమాజంలో ఈ పదం దాని ఉనికిని కలిగి ఉంది. అసలు అర్థం, మానవ మేధస్సు యొక్క కోణం నుండి స్పష్టమైన వైరుధ్యాలు ఉన్నప్పటికీ.

తత్వశాస్త్రంలో, మానవ మేధస్సు యొక్క స్వభావం మరియు స్థితి యొక్క ప్రశ్న పరిష్కరించబడలేదు. కంప్యూటర్లు "మేధస్సు" సాధించడానికి ఖచ్చితమైన ప్రమాణం కూడా లేదు, అయినప్పటికీ కృత్రిమ మేధస్సు ప్రారంభంలో అనేక పరికల్పనలు ప్రతిపాదించబడ్డాయి, ఉదాహరణకు, ట్యూరింగ్ పరీక్ష లేదా న్యూవెల్-సైమన్ పరికల్పన. అందువల్ల, AI సమస్యలను అర్థం చేసుకోవడం మరియు తెలివైన సమాచార వ్యవస్థలను సృష్టించడం రెండింటికీ అనేక విధానాలు ఉన్నప్పటికీ, AI అభివృద్ధికి రెండు ప్రధాన విధానాలను వేరు చేయవచ్చు:

· అవరోహణ (ఇంగ్లీష్) టాప్-డౌన్ AI), సెమియోటిక్ - ఉన్నత స్థాయి మానసిక ప్రక్రియలను అనుకరించే నిపుణుల వ్యవస్థలు, జ్ఞాన స్థావరాలు మరియు తార్కిక అనుమితి వ్యవస్థల సృష్టి: ఆలోచన, తార్కికం, ప్రసంగం, భావోద్వేగాలు, సృజనాత్మకత మొదలైనవి;

· ఆరోహణ బాటమ్-అప్ AI), బయోలాజికల్ - న్యూరల్ నెట్‌వర్క్‌లు మరియు చిన్న "తెలివి లేని" అంశాల ఆధారంగా తెలివైన ప్రవర్తనను రూపొందించే పరిణామ గణనల అధ్యయనం.

తరువాతి విధానం, ఖచ్చితంగా చెప్పాలంటే, J. మెక్‌కార్తీ అందించిన అర్థంలో కృత్రిమ మేధస్సు యొక్క విజ్ఞాన శాస్త్రానికి సంబంధించినది కాదు; అవి సాధారణ తుది లక్ష్యంతో మాత్రమే ఐక్యంగా ఉంటాయి.

కొత్త శాస్త్రీయ దిశలో కృత్రిమ మేధస్సు చరిత్ర 20వ శతాబ్దం మధ్యలో ప్రారంభమవుతుంది. ఈ సమయానికి, దాని మూలానికి అనేక అవసరాలు ఇప్పటికే ఏర్పడ్డాయి: తత్వవేత్తలలో మనిషి యొక్క స్వభావం మరియు ప్రపంచాన్ని అర్థం చేసుకునే ప్రక్రియ గురించి చాలా కాలంగా చర్చలు జరిగాయి, న్యూరోఫిజియాలజిస్టులు మరియు మనస్తత్వవేత్తలు మానవ మెదడు యొక్క పనికి సంబంధించి అనేక సిద్ధాంతాలను అభివృద్ధి చేశారు. మరియు ఆలోచన, ఆర్థికవేత్తలు మరియు గణిత శాస్త్రజ్ఞులు సరైన గణనల గురించి మరియు అధికారిక రూపంలో ప్రపంచం గురించి జ్ఞానాన్ని ప్రదర్శించడం గురించి ప్రశ్నలు అడిగారు; చివరగా, గణనల గణిత సిద్ధాంతం యొక్క పునాది - అల్గారిథమ్‌ల సిద్ధాంతం - పుట్టింది మరియు మొదటి కంప్యూటర్లు సృష్టించబడ్డాయి.

కంప్యూటింగ్ వేగం పరంగా కొత్త యంత్రాల సామర్థ్యాలు మానవుల కంటే ఎక్కువగా ఉన్నాయని తేలింది, కాబట్టి శాస్త్రీయ సంఘం ఈ ప్రశ్నను లేవనెత్తింది: కంప్యూటర్ సామర్థ్యాల పరిమితులు ఏమిటి మరియు యంత్రాలు మానవ అభివృద్ధి స్థాయికి చేరుకుంటాయా? 1950 లో, కంప్యూటింగ్ రంగంలో మార్గదర్శకులలో ఒకరైన ఆంగ్ల శాస్త్రవేత్త అలాన్ ట్యూరింగ్, “కన్ ఎ మెషిన్ థింక్?” అనే వ్యాసంలో, ఇలాంటి ప్రశ్నలకు సమాధానాలను అందించారు మరియు క్షణాన్ని నిర్ణయించడం సాధ్యమయ్యే విధానాన్ని వివరిస్తారు. ఒక యంత్రం మేధస్సు పరంగా సమానంగా మారుతుంది, ఒక వ్యక్తితో, ట్యూరింగ్ టెస్ట్ అని పిలుస్తారు.

ట్యూరింగ్ పరీక్ష అనేది ఫిలాసఫీ జర్నల్‌లోని తన 1950 పేపర్ "కంప్యూటింగ్ మెషీన్స్ అండ్ మైండ్స్"లో అలాన్ ట్యూరింగ్ ప్రతిపాదించిన అనుభావిక పరీక్ష. మనసు" ఈ పరీక్ష యొక్క ఉద్దేశ్యం మానవునికి దగ్గరగా కృత్రిమ ఆలోచన యొక్క అవకాశాన్ని గుర్తించడం. ఈ పరీక్ష యొక్క ప్రామాణిక వివరణ: “ఒక వ్యక్తి ఒక కంప్యూటర్ మరియు ఒక వ్యక్తితో పరస్పర చర్య చేస్తాడు. ప్రశ్నలకు సమాధానాల ఆధారంగా, అతను ఎవరితో మాట్లాడుతున్నాడో నిర్ణయించాలి: ఒక వ్యక్తి లేదా కంప్యూటర్ ప్రోగ్రామ్. కంప్యూటర్ ప్రోగ్రామ్ యొక్క ఉద్దేశ్యం ఒక వ్యక్తిని తప్పుదోవ పట్టించి తప్పుగా ఎంపిక చేయడమే.” పరీక్షలో పాల్గొనే వారందరూ ఒకరినొకరు చూడలేరు.

కృత్రిమ మేధస్సును నిర్వచించడానికి మూడు విధానాలు ఉన్నాయి:

1) తార్కిక విధానంఆర్టిఫిషియల్ ఇంటెలిజెన్స్ సిస్టమ్‌లను రూపొందించడం అనేది ప్రిడికేట్‌ల భాషను ఉపయోగించి జ్ఞాన స్థావరాల తార్కిక నమూనాలతో నిపుణుల వ్యవస్థలను రూపొందించడం లక్ష్యంగా పెట్టుకుంది. లాంగ్వేజ్ మరియు లాజిక్ ప్రోగ్రామింగ్ సిస్టమ్ ప్రోలాగ్ 80లలో కృత్రిమ మేధస్సు వ్యవస్థలకు విద్యా నమూనాగా స్వీకరించబడింది. ప్రోలాగ్ లాంగ్వేజ్‌లో వ్రాసిన నాలెడ్జ్ బేస్‌లు లాజికల్ లాంగ్వేజ్‌లో వ్రాయబడిన వాస్తవాలు మరియు తార్కిక అనుమితి నియమాల సెట్‌లను సూచిస్తాయి. జ్ఞాన స్థావరాల యొక్క తార్కిక నమూనా ప్రోలాగ్ భాషలో నిర్దిష్ట సమాచారం మరియు డేటాను వాస్తవాల రూపంలో రికార్డ్ చేయడానికి మిమ్మల్ని అనుమతిస్తుంది, కానీ నిర్దిష్ట జ్ఞానాన్ని నిర్దిష్టంగా వ్యక్తీకరించే భావనలను నిర్వచించడానికి తార్కిక నియమాలతో సహా తార్కిక అనుమితి యొక్క నియమాలు మరియు విధానాలను ఉపయోగించి సాధారణీకరించిన సమాచారాన్ని కూడా రికార్డ్ చేయడానికి మిమ్మల్ని అనుమతిస్తుంది. మరియు సాధారణ సమాచారం. సాధారణంగా, జ్ఞాన స్థావరాలు మరియు నిపుణుల వ్యవస్థల రూపకల్పనకు తార్కిక విధానం యొక్క చట్రంలో కంప్యూటర్ సైన్స్‌లో కృత్రిమ మేధస్సు యొక్క సమస్యలపై పరిశోధన విద్యార్థులకు బోధించే సమస్యలతో సహా మేధో సమాచార వ్యవస్థల సృష్టి, అభివృద్ధి మరియు నిర్వహణను లక్ష్యంగా చేసుకుంటుంది. పాఠశాల పిల్లలు, అలాగే ఇటువంటి తెలివైన సమాచార వ్యవస్థల వినియోగదారులకు మరియు డెవలపర్‌లకు శిక్షణ ఇస్తారు.

2) ఏజెంట్ ఆధారిత విధానం 1990ల ప్రారంభం నుండి అభివృద్ధి చెందుతోంది. ఈ విధానం ప్రకారం, మేధస్సు అనేది ఒక తెలివైన యంత్రం కోసం నిర్దేశించిన లక్ష్యాలను సాధించగల సామర్థ్యం యొక్క గణన భాగం (ప్రణాళిక). అటువంటి యంత్రం ఒక తెలివైన ఏజెంట్‌గా ఉంటుంది, సెన్సార్‌లను ఉపయోగించి దాని చుట్టూ ఉన్న ప్రపంచాన్ని గ్రహిస్తుంది మరియు యాక్యుయేటర్‌లను ఉపయోగించి పర్యావరణంలోని వస్తువులను ప్రభావితం చేయగలదు. ఈ విధానం ఆ పద్ధతులు మరియు అల్గారిథమ్‌లపై దృష్టి సారిస్తుంది, ఇది తెలివైన ఏజెంట్ తన పనిని నిర్వర్తించేటప్పుడు పర్యావరణంలో జీవించడంలో సహాయపడుతుంది. అందువల్ల, శోధన మరియు నిర్ణయం తీసుకునే అల్గారిథమ్‌లు ఇక్కడ మరింత బలంగా అధ్యయనం చేయబడతాయి.

3) సహజమైన విధానం AI మానవులకు భిన్నమైన ప్రవర్తనను మరియు సాధారణ పరిస్థితులలో ప్రదర్శించగలదని ఊహిస్తుంది. ఈ ఆలోచన ట్యూరింగ్ పరీక్షా విధానం యొక్క సాధారణీకరణ, ఇది ఒక సాధారణ వ్యక్తితో సంభాషణను కొనసాగించగలిగినప్పుడు ఒక యంత్రం తెలివైనదిగా మారుతుందని మరియు అతను యంత్రంతో మాట్లాడుతున్నాడని అతను అర్థం చేసుకోలేడు (ది సంభాషణ కరస్పాండెన్స్ ద్వారా నిర్వహించబడుతుంది).

నిర్వచనం AI రంగంలో పరిశోధన యొక్క క్రింది రంగాలను ఎంపిక చేసింది:

- ఆలోచన ప్రక్రియల సింబాలిక్ మోడలింగ్.

AI చరిత్రను విశ్లేషిస్తే, రీజనింగ్ మోడలింగ్ వంటి విస్తృత ప్రాంతాన్ని మనం హైలైట్ చేయవచ్చు. అనేక సంవత్సరాలుగా, ఒక శాస్త్రంగా AI యొక్క అభివృద్ధి ఈ మార్గంలో ఖచ్చితంగా కదిలింది మరియు ఇప్పుడు ఇది ఆధునిక AIలో అత్యంత అభివృద్ధి చెందిన ప్రాంతాలలో ఒకటి. మోడలింగ్ రీజనింగ్ అనేది సింబాలిక్ సిస్టమ్‌ల సృష్టిని కలిగి ఉంటుంది, దీని ఇన్‌పుట్ ఒక నిర్దిష్ట సమస్య, మరియు అవుట్‌పుట్‌కి దాని పరిష్కారం అవసరం. నియమం ప్రకారం, ప్రతిపాదిత సమస్య ఇప్పటికే అధికారికీకరించబడింది, అంటే, గణిత రూపంలోకి అనువదించబడింది, కానీ పరిష్కార అల్గోరిథం లేదు, లేదా ఇది చాలా సంక్లిష్టమైనది, సమయం తీసుకుంటుంది, మొదలైనవి. ఈ ప్రాంతంలో ఇవి ఉన్నాయి: సిద్ధాంతాల రుజువు, నిర్ణయం మేకింగ్ మరియు గేమ్ థియరీ, ప్లానింగ్ మరియు డిస్పాచింగ్ , ఫోర్కాస్టింగ్.

- సహజ భాషలతో పనిచేయడం.

ఒక ముఖ్యమైన ప్రాంతం సహజ భాషా ప్రాసెసింగ్, ఇది "మానవ" భాషలో పాఠాలను అర్థం చేసుకోవడం, ప్రాసెస్ చేయడం మరియు రూపొందించడం వంటి సామర్థ్యాలను విశ్లేషించడం. ముఖ్యంగా, ఒక భాష నుండి మరొక భాషకు పాఠాలను యంత్ర అనువాదం సమస్య ఇంకా పరిష్కరించబడలేదు. ఆధునిక ప్రపంచంలో, సమాచార పునరుద్ధరణ పద్ధతుల అభివృద్ధి ఒక ముఖ్యమైన పాత్ర పోషిస్తుంది. దాని స్వభావం ప్రకారం, అసలు ట్యూరింగ్ పరీక్ష ఈ దిశకు సంబంధించినది.

- జ్ఞానం యొక్క సంచితం మరియు ఉపయోగం.

చాలా మంది శాస్త్రవేత్తల ప్రకారం, మేధస్సు యొక్క ముఖ్యమైన లక్షణం నేర్చుకునే సామర్థ్యం. అందువల్ల, సాధారణ సమాచారం, దాని క్రమబద్ధీకరణ మరియు ఉపయోగం నుండి జ్ఞానాన్ని పొందే పనులను కలపడం ద్వారా నాలెడ్జ్ ఇంజనీరింగ్ తెరపైకి వస్తుంది. ఈ ప్రాంతంలోని పురోగతులు AI పరిశోధనలోని దాదాపు ప్రతి ఇతర రంగాన్ని ప్రభావితం చేస్తాయి. ఇక్కడ కూడా రెండు ముఖ్యమైన ఉపప్రాంతాలను విస్మరించలేము. వాటిలో మొదటిది - మెషిన్ లెర్నింగ్ - దాని ఆపరేషన్ ప్రక్రియలో తెలివైన వ్యవస్థ ద్వారా స్వతంత్ర జ్ఞానాన్ని పొందే ప్రక్రియకు సంబంధించినది. రెండవది నిపుణుల వ్యవస్థల సృష్టితో ముడిపడి ఉంది - ఏదైనా సమస్యపై నమ్మకమైన ముగింపులను పొందేందుకు ప్రత్యేక జ్ఞాన స్థావరాలను ఉపయోగించే ప్రోగ్రామ్‌లు.

మెషిన్ లెర్నింగ్ ఫీల్డ్‌లో పెద్ద తరగతి నమూనా గుర్తింపు సమస్యలు ఉన్నాయి. ఉదాహరణకు, ఇది అక్షర గుర్తింపు, చేతితో రాసిన వచనం, ప్రసంగం, వచన విశ్లేషణ. బయోలాజికల్ మోడలింగ్ ఉపయోగించి అనేక సమస్యలు విజయవంతంగా పరిష్కరించబడతాయి. బయోలాజికల్ మోడలింగ్

మోడలింగ్ బయోలాజికల్ సిస్టమ్స్ రంగంలో గొప్ప మరియు ఆసక్తికరమైన విజయాలు ఉన్నాయి. ఖచ్చితంగా చెప్పాలంటే, ఇది అనేక స్వతంత్ర దిశలను కలిగి ఉంటుంది. జ్యామితీయ ఆకార గుర్తింపు లేదా ఆబ్జెక్ట్ క్లస్టరింగ్ వంటి అస్పష్టమైన మరియు సంక్లిష్ట సమస్యలను పరిష్కరించడానికి న్యూరల్ నెట్‌వర్క్‌లు ఉపయోగించబడతాయి. జన్యు విధానం అనేది ఇతర అల్గారిథమ్‌ల (“తల్లిదండ్రులు”) నుండి మెరుగైన లక్షణాలను తీసుకుంటే, అల్గోరిథం మరింత ప్రభావవంతంగా మారుతుందనే ఆలోచనపై ఆధారపడి ఉంటుంది. సాపేక్షంగా కొత్త విధానం, ఇక్కడ పని స్వయంప్రతిపత్త ప్రోగ్రామ్‌ను రూపొందించడం - బాహ్య వాతావరణంతో పరస్పర చర్య చేసే ఏజెంట్, ఏజెంట్ విధానం అంటారు. ముఖ్యంగా చెప్పుకోవలసినది కంప్యూటర్ విజన్, ఇది రోబోటిక్స్‌తో కూడా అనుబంధించబడింది.

- రోబోటిక్స్.

సాధారణంగా, రోబోటిక్స్ మరియు కృత్రిమ మేధస్సు తరచుగా ఒకదానితో ఒకటి సంబంధం కలిగి ఉంటాయి. ఈ రెండు శాస్త్రాల ఏకీకరణ, తెలివైన రోబోట్‌ల సృష్టి, AI యొక్క మరొక ప్రాంతంగా పరిగణించబడుతుంది.

- యంత్ర సృజనాత్మకత.

మానవ సృజనాత్మకత యొక్క స్వభావం మేధస్సు యొక్క స్వభావం కంటే తక్కువగా అధ్యయనం చేయబడింది. అయినప్పటికీ, ఈ ప్రాంతం ఉనికిలో ఉంది మరియు కంప్యూటర్ రచన సంగీతం, సాహిత్య రచనలు (తరచుగా కవిత్వం లేదా అద్భుత కథలు) మరియు కళాత్మక సృష్టి యొక్క సమస్యలు ఇక్కడ ఉన్నాయి. వాస్తవిక చిత్రాలను రూపొందించడం అనేది చలనచిత్రం మరియు గేమింగ్ పరిశ్రమలలో విస్తృతంగా ఉపయోగించబడుతుంది. ఏదైనా తెలివైన సిస్టమ్‌కు ఈ లక్షణాన్ని జోడించడం వలన సిస్టమ్ సరిగ్గా ఏమి గ్రహిస్తుంది మరియు దానిని ఎలా అర్థం చేసుకుంటుందో చాలా స్పష్టంగా ప్రదర్శించడానికి మిమ్మల్ని అనుమతిస్తుంది. తప్పిపోయిన సమాచారానికి బదులుగా శబ్దాన్ని జోడించడం ద్వారా లేదా సిస్టమ్‌లో అందుబాటులో ఉన్న జ్ఞానంతో శబ్దాన్ని ఫిల్టర్ చేయడం ద్వారా, ఇది ఒక వ్యక్తి సులభంగా గ్రహించగలిగే నైరూప్య జ్ఞానం నుండి నిర్దిష్ట చిత్రాలను ఉత్పత్తి చేస్తుంది, ఇది సహజమైన మరియు తక్కువ-విలువ జ్ఞానం కోసం ప్రత్యేకంగా ఉపయోగపడుతుంది, దీని ధృవీకరణ అధికారిక రూపానికి గణనీయమైన మానసిక కృషి అవసరం.

- పరిశోధన యొక్క ఇతర రంగాలు.

కృత్రిమ మేధస్సు యొక్క అనేక అప్లికేషన్లు ఉన్నాయి, వీటిలో ప్రతి ఒక్కటి దాదాపు స్వతంత్ర దిశను ఏర్పరుస్తుంది. కంప్యూటర్ గేమ్‌లలో ప్రోగ్రామింగ్ ఇంటెలిజెన్స్, నాన్ లీనియర్ కంట్రోల్ మరియు ఇంటెలిజెంట్ ఇన్ఫర్మేషన్ సెక్యూరిటీ సిస్టమ్‌లు ఉదాహరణలు.

తెలివైన వ్యవస్థలను సృష్టించే విధానాలు.సింబాలిక్ విధానం బలహీనంగా అధికారిక ప్రాతినిధ్యాలు మరియు వాటి అర్థాలతో పనిచేయడానికి మిమ్మల్ని అనుమతిస్తుంది. సమర్థత మరియు మొత్తం ప్రభావం కేవలం అవసరమైన సమాచారాన్ని మాత్రమే హైలైట్ చేసే సామర్థ్యంపై ఆధారపడి ఉంటుంది. మానవ మనస్సు ద్వారా సమర్థవంతంగా పరిష్కరించబడిన సమస్యల తరగతుల విస్తృతికి సంగ్రహణ పద్ధతుల్లో అద్భుతమైన సౌలభ్యం అవసరం. ఈ పరిశోధకుడికి దగ్గరగా ఉన్న కొన్ని సమస్యకు త్వరగా సమర్థవంతమైన పరిష్కారాన్ని అందించగల సామర్థ్యం కోసం, ఉద్దేశపూర్వకంగా లోపభూయిష్ట ప్రమాణం ఆధారంగా పరిశోధకుడు మొదట ఎంచుకున్న ఇంజినీరింగ్ విధానంతో ప్రాప్యత చేయడం సాధ్యం కాదు. అంటే, నిబంధనల రూపంలో ఇప్పటికే అమలు చేయబడిన ఎంటిటీల సంగ్రహణ మరియు నిర్మాణం యొక్క ఒకే నమూనా కోసం. ఇది నాన్-కోర్ టాస్క్‌ల కోసం వనరులను గణనీయంగా ఖర్చు చేస్తుంది, అంటే, సిస్టమ్ చాలా పనులపై తెలివితేటల నుండి బ్రూట్ ఫోర్స్‌కు తిరిగి వస్తుంది మరియు ప్రాజెక్ట్ నుండి మేధస్సు యొక్క సారాంశం అదృశ్యమవుతుంది.

నియమాలను అభివృద్ధి చేయడం విధిగా ఉన్నప్పుడు సింబాలిక్ లాజిక్ లేకుండా ఇది చాలా కష్టం, ఎందుకంటే వాటి భాగాలు పూర్తి స్థాయి జ్ఞానం యొక్క యూనిట్లు కావు, తార్కికంగా లేవు. చాలా అధ్యయనాలు మునుపటి దశలలో ఎంచుకున్న సింబాలిక్ సిస్టమ్‌లను ఉపయోగించి తలెత్తిన కొత్త ఇబ్బందులను కనీసం గుర్తించడం అసాధ్యం. అంతేకాకుండా, వాటిని పరిష్కరించండి మరియు ముఖ్యంగా వాటిని పరిష్కరించడానికి కంప్యూటర్‌కు శిక్షణ ఇవ్వండి లేదా కనీసం గుర్తించి అటువంటి పరిస్థితుల నుండి బయటపడండి.

చారిత్రాత్మకంగా, డిజిటల్ యంత్రాల యుగంలో సింబాలిక్ విధానం మొదటిది, ఎందుకంటే ఇది మొదటి సింబాలిక్ కంప్యూటింగ్ భాష అయిన లిస్ప్‌ను సృష్టించిన తర్వాత, ఈ మేధస్సు సాధనాలను ఆచరణాత్మకంగా అమలు చేయడం ప్రారంభించే అవకాశంపై దాని రచయిత నమ్మకంగా ఉన్నాడు. ఎలాంటి రిజర్వేషన్లు లేదా సమావేశాలు లేకుండా మేధస్సు.

హైబ్రిడ్ ఇంటెలిజెంట్ సిస్టమ్‌లను రూపొందించడానికి ఇది విస్తృతంగా ఆచరించబడింది, దీనిలో అనేక నమూనాలు ఒకేసారి ఉపయోగించబడతాయి. నిపుణుల అనుమితి నియమాలను న్యూరల్ నెట్‌వర్క్‌ల ద్వారా రూపొందించవచ్చు మరియు గణాంక అభ్యాసాన్ని ఉపయోగించి ఉత్పాదక నియమాలు పొందబడతాయి.

మసక సెట్ల సిద్ధాంతం అభివృద్ధి.అస్పష్టమైన సెట్ల సిద్ధాంతం యొక్క అభివృద్ధి US ప్రొఫెసర్ లోట్ఫీ జాదేహ్ ప్రచురించిన "ఫజీ సెట్స్" అనే వ్యాసంతో ప్రారంభమైంది, అతను మసక సెట్ భావనను మొదట పరిచయం చేశాడు, ఆలోచనను మరియు సిద్ధాంతం యొక్క మొదటి భావనను ప్రతిపాదించాడు, ఇది అస్పష్టంగా సాధ్యమైంది. నిజమైన వ్యవస్థలను వివరించండి. మసక సెట్ల సిద్ధాంతం యొక్క అత్యంత ముఖ్యమైన దిశ మసక తర్కం, వ్యవస్థలను నియంత్రించడానికి, అలాగే వాటి నమూనాల ఏర్పాటుపై ప్రయోగాలలో ఉపయోగిస్తారు.

60వ దశకంలో బైనరీ లాజిక్ ఆధారంగా కంప్యూటర్లు మరియు డిజిటల్ టెక్నాలజీల వేగవంతమైన అభివృద్ధి కాలం ప్రారంభమైంది. ఆ సమయంలో, ఈ తర్కం యొక్క ఉపయోగం అనేక శాస్త్రీయ మరియు సాంకేతిక సమస్యలను పరిష్కరించడానికి అనుమతిస్తుంది అని నమ్ముతారు. ఈ కారణంగా, అస్పష్టమైన తర్కం యొక్క ఆవిర్భావం దాని సంభావిత విప్లవాత్మక స్వభావం ఉన్నప్పటికీ దాదాపుగా గుర్తించబడలేదు. ఏది ఏమైనప్పటికీ, మసక తర్కం యొక్క ప్రాముఖ్యతను శాస్త్రీయ సంఘం యొక్క అనేక మంది ప్రతినిధులు గుర్తించారు మరియు ఇది వివిధ పారిశ్రామిక అనువర్తనాల్లో ఆచరణాత్మక అమలుతో పాటు అభివృద్ధి చేయబడింది. కొంత సమయం తరువాత, బైనరీ లాజిక్ ఆధారంగా సాంకేతికతలను ఏకం చేసే శాస్త్రీయ పాఠశాలల వైపు ఆసక్తి పెరగడం ప్రారంభమైంది. అందుబాటులో ఉన్న గణన వేగం గణనీయంగా పెరిగినప్పటికీ, సాంప్రదాయ గణిత నమూనాలు మరియు పద్ధతులను ఉపయోగించి పరిష్కరించలేని చాలా ఆచరణాత్మక సమస్యలు కనుగొనబడినందున ఇది జరిగింది. కొత్త పద్దతి అవసరం, దీని లక్షణ లక్షణాలు మసక తర్కంలో కనుగొనబడ్డాయి.

రోబోటిక్స్ వలె, మసక తర్కం దాని మూలం దేశం అయిన యునైటెడ్ స్టేట్స్‌లో కాకుండా దాని సరిహద్దులకు మించి చాలా ఆసక్తిని కలిగి ఉంది మరియు పర్యవసానంగా, విద్యుత్ ప్లాంట్ల బాయిలర్ ఇన్‌స్టాలేషన్‌లను నియంత్రించడానికి - మసక లాజిక్ యొక్క పారిశ్రామిక ఉపయోగం యొక్క మొదటి అనుభవం. ఐరోపాతో సంబంధం కలిగి ఉంది. ఆవిరి బాయిలర్‌ను నియంత్రించడానికి సాంప్రదాయ పద్ధతులను ఉపయోగించడానికి, కొన్నిసార్లు చాలా క్లిష్టంగా ఉండే అన్ని ప్రయత్నాలు విఫలమయ్యాయి - ఈ నాన్ లీనియర్ సిస్టమ్ చాలా క్లిష్టంగా మారింది. మరియు మసక తర్కం యొక్క ఉపయోగం మాత్రమే అన్ని అవసరాలను సంతృప్తిపరిచే నియంత్రికను సంశ్లేషణ చేయడం సాధ్యపడింది. 1976లో, సిమెంట్ ఉత్పత్తిలో రోటరీ బట్టీ కోసం ఆటోమేటిక్ కంట్రోల్ సిస్టమ్‌కు మసక తర్కం ఆధారంగా ఉపయోగించబడింది. అయినప్పటికీ, ఐరోపా మరియు అమెరికాలో పొందిన మసక తర్కాన్ని ఉపయోగించడం యొక్క మొదటి ఆచరణాత్మక ఫలితాలు దానిపై ఆసక్తిని గణనీయంగా పెంచలేదు. రోబోటిక్స్ మాదిరిగానే, దాని అపారమైన సామర్థ్యాన్ని గ్రహించి, మసక తర్కాన్ని విస్తృతంగా అమలు చేయడం ప్రారంభించిన మొదటి దేశం జపాన్.

జపాన్‌లో సృష్టించబడిన అనువర్తిత మసక వ్యవస్థలలో, సెండాయ్‌లోని హిటాచీ అభివృద్ధి చేసిన సబ్‌వే రైలు నియంత్రణ వ్యవస్థ అత్యంత ప్రసిద్ధమైనది. అనుభవజ్ఞుడైన డ్రైవర్ భాగస్వామ్యంతో ప్రాజెక్ట్ అమలు చేయబడింది, దీని జ్ఞానం మరియు అనుభవం అభివృద్ధి చెందిన నియంత్రణ నమూనాకు ఆధారం. స్టేషన్‌కు చేరుకునేటప్పుడు సిస్టమ్ ఆటోమేటిక్‌గా రైలు వేగాన్ని తగ్గించి, అవసరమైన ప్రదేశంలో స్టాప్‌ని నిర్ధారిస్తుంది. రైలు యొక్క మరొక ప్రయోజనం ఏమిటంటే, మృదువైన త్వరణం మరియు మందగింపు కారణంగా దాని అధిక సౌకర్యం. సాంప్రదాయ నియంత్రణ వ్యవస్థలతో పోలిస్తే అనేక ఇతర ప్రయోజనాలు ఉన్నాయి.

జపాన్‌లో అస్పష్టమైన తర్కం యొక్క వేగవంతమైన అభివృద్ధి పరిశ్రమలో మాత్రమే కాకుండా, వినియోగ వస్తువుల ఉత్పత్తిలో కూడా దాని ఆచరణాత్మక అనువర్తనాలకు దారితీసింది. ఇక్కడ ఒక ఉదాహరణ మసక ఇమేజ్ స్టెబిలైజేషన్ సబ్‌సిస్టమ్‌తో అమర్చబడిన వీడియో కెమెరా, ఇది ఆపరేటర్ యొక్క అనుభవం లేని కారణంగా ఏర్పడిన ఇమేజ్ హెచ్చుతగ్గులను భర్తీ చేయడానికి ఉపయోగించబడింది. ఈ సమస్య సాంప్రదాయ పద్ధతుల ద్వారా పరిష్కరించడానికి చాలా క్లిష్టంగా ఉంది, ఎందుకంటే ఫోటో తీయబడిన వస్తువుల ఉద్దేశపూర్వక కదలిక నుండి చిత్రంలో యాదృచ్ఛిక హెచ్చుతగ్గులను వేరు చేయడం అవసరం (ఉదాహరణకు, వ్యక్తుల కదలిక).

మరొక ఉదాహరణ ఆటోమేటిక్ వాషింగ్ మెషీన్, ఇది బటన్‌ను తాకినప్పుడు (జిమ్మెర్‌మాన్ 1994) పని చేస్తుంది. ఈ "సమగ్రత" ఆసక్తిని రేకెత్తించింది మరియు ఆమోదం పొందింది. మసక లాజిక్ పద్ధతులను ఉపయోగించడం వల్ల వాషింగ్ ప్రక్రియను ఆప్టిమైజ్ చేయడం సాధ్యపడింది, బట్టల రకం, వాల్యూమ్ మరియు గడ్డకట్టే స్థాయికి స్వయంచాలకంగా గుర్తింపును అందిస్తుంది, మెషిన్ కంట్రోల్ మెకానిజంను ఒకే బటన్‌కు తగ్గించడం వల్ల దీన్ని గణనీయంగా సులభతరం చేసింది. హ్యాండిల్.

మైక్రోవేవ్ ఓవెన్‌లు (సాన్యో), యాంటీ-లాక్ బ్రేకింగ్ సిస్టమ్‌లు మరియు ఆటోమేటిక్ ట్రాన్స్‌మిషన్‌లు (నిస్సాన్), ఇంటిగ్రేటెడ్ వెహికల్ డైనమిక్స్ కంట్రోల్ (INVEC) మరియు కంప్యూటర్‌లలో హార్డ్ డ్రైవ్ కంట్రోలర్‌లతో సహా అనేక ఇతర పరికరాలలో జపనీస్ సంస్థలు అస్పష్టమైన లాజిక్ ఆవిష్కరణలు అమలు చేశాయి. సమాచారం యాక్సెస్ సమయం తగ్గింపు.

పైన పేర్కొన్న అప్లికేషన్‌లతో పాటు, 90ల ప్రారంభం నుండి. సాంకేతికతతో సంబంధం లేని అనేక అనువర్తిత ప్రాంతాలలో మసక పద్ధతుల యొక్క తీవ్రమైన అభివృద్ధి ఉంది:

ఎలక్ట్రానిక్ పేస్‌మేకర్ నియంత్రణ వ్యవస్థ;

మోటారు వాహన నియంత్రణ వ్యవస్థ;

శీతలీకరణ వ్యవస్థలు;

ఎయిర్ కండిషనర్లు మరియు వెంటిలేషన్ పరికరాలు;

వ్యర్థాలను కాల్చే పరికరాలు;

గ్లాస్ ద్రవీభవన కొలిమి;

రక్తపోటు పర్యవేక్షణ వ్యవస్థ;

కణితుల నిర్ధారణ;

హృదయనాళ వ్యవస్థ యొక్క ప్రస్తుత స్థితి నిర్ధారణ;

క్రేన్లు మరియు వంతెనల కోసం నియంత్రణ వ్యవస్థ;

బొమ్మ లేదా చిత్రం సరి చేయడం;

ఫాస్ట్ ఛార్జర్;

పద గుర్తింపు;

బయోప్రాసెసర్ నిర్వహణ;

ఎలక్ట్రిక్ మోటార్ నియంత్రణ;

వెల్డింగ్ పరికరాలు మరియు వెల్డింగ్ ప్రక్రియలు;

ట్రాఫిక్ నియంత్రణ వ్యవస్థలు;

బయోమెడికల్ రీసెర్చ్;

నీటి శుద్ధి కర్మాగారాలు.

ప్రస్తుతానికి, ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (పదం యొక్క అసలు అర్థంలో, నిపుణుల వ్యవస్థలు మరియు చెస్ ప్రోగ్రామ్‌లు ఇక్కడ ఉండవు), AIకి కనీసం కొంత సంబంధాన్ని కలిగి ఉన్న అన్ని సబ్జెక్టులను నాలెడ్జ్ బేస్‌లుగా మార్చడంలో ఇంటెన్సివ్ గ్రౌండింగ్ ఉంది. . దాదాపు అన్ని విధానాలు పరీక్షించబడ్డాయి, కానీ కృత్రిమ మేధస్సు యొక్క ఆవిర్భావానికి ఒక్క పరిశోధనా బృందం కూడా చేరుకోలేదు.

AI పరిశోధన కంప్యూటర్ సైన్స్, ఎక్స్‌పర్ట్ సిస్టమ్స్, నానోటెక్నాలజీ, మాలిక్యులర్ బయోఎలక్ట్రానిక్స్, థియరిటికల్ బయాలజీ, క్వాంటం థియరీ(లు), నూట్రోపిక్స్, ఎక్స్‌ట్రోఫిల్స్, మొదలైన సింగులారిటీ టెక్నాలజీస్ (జాతుల లీప్, ఎక్స్‌పోనెన్షియల్ హ్యూమన్ డెవలప్‌మెంట్) సాధారణ స్ట్రీమ్‌లో చేరింది. రోజువారీ స్ట్రీమ్ చూడండి కుర్జ్‌వెయిల్ న్యూస్, MIT.

AI రంగంలో అభివృద్ధి ఫలితాలు కంప్యూటర్ సైన్స్ పాఠ్యపుస్తకాల రూపంలో రష్యాలో ఉన్నత మరియు మాధ్యమిక విద్యలో ప్రవేశించాయి, ఇక్కడ పని మరియు జ్ఞాన స్థావరాలను సృష్టించడం, దేశీయ లాజిక్ ప్రోగ్రామింగ్ సిస్టమ్‌ల ఆధారంగా వ్యక్తిగత కంప్యూటర్ల ఆధారంగా నిపుణుల వ్యవస్థలు ఇప్పుడు అధ్యయనం చేయబడ్డాయి, అలాగే పాఠశాలలు మరియు విశ్వవిద్యాలయాలలో నాలెడ్జ్ బేస్ మరియు నిపుణుల వ్యవస్థల నమూనాలతో పని చేసే ఉదాహరణలను ఉపయోగించి గణితం మరియు కంప్యూటర్ సైన్స్ యొక్క ప్రాథమిక సమస్యలను అధ్యయనం చేయడం.

కింది కృత్రిమ మేధస్సు వ్యవస్థలు అభివృద్ధి చేయబడ్డాయి:

1. డీప్ బ్లూ - ప్రపంచ చెస్ ఛాంపియన్‌ను ఓడించింది. (కాస్పరోవ్ మరియు సూపర్ కంప్యూటర్‌ల మధ్య మ్యాచ్ కంప్యూటర్ శాస్త్రవేత్తలు లేదా చెస్ ప్లేయర్‌లకు సంతృప్తిని కలిగించలేదు మరియు అసలు కాంపాక్ట్ చెస్ ప్రోగ్రామ్‌లు చదరంగం సృజనాత్మకతలో అంతర్భాగమైనప్పటికీ, సిస్టమ్‌ను కాస్పరోవ్ గుర్తించలేదు. అప్పుడు IBM లైన్ సూపర్ కంప్యూటర్లు కనిపించాయి బ్రూట్ ఫోర్స్ బ్లూజీన్ (మాలిక్యులర్ మోడలింగ్) మరియు స్విస్ బ్లూ బ్రెయిన్ సెంటర్‌లో పిరమిడల్ సెల్ సిస్టమ్ యొక్క మోడలింగ్‌ను రూపొందించింది.ఈ కథనం AI, వ్యాపారం మరియు జాతీయ వ్యూహాత్మక లక్ష్యాల మధ్య సంక్లిష్టమైన మరియు రహస్య సంబంధానికి ఉదాహరణ.)

2. చిన్నపాటి వ్యాధులను తరచుగా వైద్యులు వలె ఖచ్చితంగా నిర్ధారించగల ప్రారంభ నిపుణుల వ్యవస్థలలో మైసిన్ ఒకటి.

3. 20q అనేది క్లాసిక్ గేమ్ “20 ప్రశ్నలు” ఆధారంగా AI ఆలోచనల ఆధారంగా రూపొందించబడిన ప్రాజెక్ట్. 20q.net వెబ్‌సైట్‌లో ఇంటర్నెట్‌లో కనిపించిన తర్వాత ఇది బాగా ప్రాచుర్యం పొందింది.

4. ప్రసంగ గుర్తింపు. ViaVoice వంటి సిస్టమ్‌లు వినియోగదారులకు సేవలు అందించగల సామర్థ్యాన్ని కలిగి ఉంటాయి.

5. వార్షిక రోబోకప్ టోర్నమెంట్‌లో రోబోట్‌లు సరళీకృత ఫుట్‌బాల్ రూపంలో పోటీపడతాయి.

స్టాక్ ఎక్స్ఛేంజ్ మరియు ప్రాపర్టీ మేనేజ్‌మెంట్‌లో ఆడుతున్నప్పుడు బ్యాంకులు బీమా కార్యకలాపాలలో (యాక్చురియల్ మ్యాథమెటిక్స్) కృత్రిమ మేధస్సు వ్యవస్థలను (AI) ఉపయోగిస్తాయి. ఆగష్టు 2001లో, రోబోట్లు ఒక ఆకస్మిక వ్యాపార పోటీలో మానవులను ఓడించాయి (BBC న్యూస్, 2001). ఆప్టికల్ మరియు అకౌస్టిక్ గుర్తింపు (టెక్స్ట్ మరియు స్పీచ్‌తో సహా), మెడికల్ డయాగ్నస్టిక్స్, స్పామ్ ఫిల్టర్‌లు, ఎయిర్ డిఫెన్స్ సిస్టమ్‌లలో (టార్గెట్ ఐడెంటిఫికేషన్) మరియు సంఖ్యను నిర్ధారించడానికి నమూనా గుర్తింపు పద్ధతులు (మరింత సంక్లిష్టమైన మరియు ప్రత్యేకమైన మరియు నాడీ నెట్‌వర్క్‌లతో సహా) విస్తృతంగా ఉపయోగించబడతాయి. ఇతర జాతీయ భద్రతా విధులు.

కంప్యూటర్ గేమ్ డెవలపర్‌లు వివిధ స్థాయిల అధునాతన AIని ఉపయోగించవలసి వస్తుంది. గేమ్‌లలో AI యొక్క ప్రామాణిక పనులు ద్విమితీయ లేదా త్రిమితీయ ప్రదేశంలో ఒక మార్గాన్ని కనుగొనడం, పోరాట యూనిట్ యొక్క ప్రవర్తనను అనుకరించడం, సరైన ఆర్థిక వ్యూహాన్ని లెక్కించడం మొదలైనవి.

కృత్రిమ మేధస్సు ట్రాన్స్‌హ్యూమనిజంతో దగ్గరి సంబంధం కలిగి ఉంటుంది. మరియు న్యూరోఫిజియాలజీ, ఎపిస్టెమాలజీ, కాగ్నిటివ్ సైకాలజీతో కలిపి, ఇది కాగ్నిటివ్ సైన్స్ అని పిలువబడే మరింత సాధారణ శాస్త్రాన్ని ఏర్పరుస్తుంది. కృత్రిమ మేధస్సులో ఫిలాసఫీ ప్రత్యేక పాత్ర పోషిస్తుంది. అలాగే, ఎపిస్టెమాలజీ - తత్వశాస్త్రం యొక్క చట్రంలో జ్ఞానం యొక్క శాస్త్రం - కృత్రిమ మేధస్సు సమస్యలతో దగ్గరి సంబంధం కలిగి ఉంటుంది. ఈ అంశంపై పని చేస్తున్న తత్వవేత్తలు AI ఇంజనీర్లు ఎదుర్కొనే ప్రశ్నలతో సమానంగా జ్ఞానం మరియు సమాచారాన్ని ఎలా ప్రాతినిధ్యం వహించాలి మరియు ఉపయోగించడం గురించి ఆలోచిస్తున్నారు. డేటా నుండి జ్ఞానాన్ని ఉత్పత్తి చేయడం అనేది డేటా మైనింగ్ యొక్క ప్రాథమిక సమస్యలలో ఒకటి. న్యూరల్ నెట్‌వర్క్ సాంకేతికత ఆధారంగా, న్యూరల్ నెట్‌వర్క్ వెర్బలైజేషన్ విధానాలను ఉపయోగించి ఈ సమస్యను పరిష్కరించడానికి వివిధ విధానాలు ఉన్నాయి.

కంప్యూటర్ సైన్స్‌లో, కృత్రిమ మేధస్సు యొక్క సమస్యలు నిపుణుల వ్యవస్థలు మరియు జ్ఞాన స్థావరాల రూపకల్పన కోణం నుండి పరిగణించబడతాయి. నాలెడ్జ్ బేస్‌లు తార్కిక అనుమితి మరియు సమాచారాన్ని అర్థవంతమైన ప్రాసెసింగ్‌ని అనుమతించే డేటా మరియు అనుమితి నియమాల సమితిగా అర్థం చేసుకోబడతాయి. సాధారణంగా, కంప్యూటర్ సైన్స్‌లో ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ సమస్యలపై పరిశోధన అనేది ఇంటెలిజెంట్ ఇన్ఫర్మేషన్ సిస్టమ్‌ల సృష్టి, అభివృద్ధి మరియు ఆపరేషన్‌ను లక్ష్యంగా చేసుకుంటుంది, శిక్షణ వినియోగదారులు మరియు అటువంటి సిస్టమ్‌ల డెవలపర్‌ల సమస్యలతో సహా.

"కృత్రిమ మేధస్సును సృష్టించడం" అనే శాస్త్రం తత్వవేత్తల దృష్టిని ఆకర్షించడంలో సహాయం చేయలేదు. మొదటి మేధో వ్యవస్థల ఆగమనంతో, మనిషి మరియు జ్ఞానం గురించి మరియు పాక్షికంగా ప్రపంచ క్రమం గురించి ప్రాథమిక ప్రశ్నలు తలెత్తాయి. ఒక వైపు, వారు ఈ శాస్త్రంతో విడదీయరాని సంబంధం కలిగి ఉన్నారు, మరోవైపు, వారు దానిలో కొంత గందరగోళాన్ని ప్రవేశపెడతారు. కృత్రిమ మేధస్సును సృష్టించే తాత్విక సమస్యలను రెండు గ్రూపులుగా విభజించవచ్చు, సాపేక్షంగా చెప్పాలంటే, "AI అభివృద్ధికి ముందు మరియు తరువాత." మొదటి సమూహం ప్రశ్నకు సమాధానమిస్తుంది: "AI అంటే ఏమిటి, దానిని సృష్టించడం సాధ్యమేనా మరియు వీలైతే ఎలా చేయాలి?" రెండవ సమూహం (కృత్రిమ మేధస్సు యొక్క నీతి) ప్రశ్నను అడుగుతుంది: "మానవత్వం కోసం AI సృష్టించడం వల్ల కలిగే పరిణామాలు ఏమిటి?"

కృత్రిమ మేధస్సును సృష్టించే సమస్యలు. AI అభివృద్ధికి రెండు దిశలు కనిపిస్తాయి: మొదటిది - ప్రత్యేకమైన AI వ్యవస్థలను మానవ సామర్థ్యాలకు దగ్గరగా తీసుకురావడానికి సంబంధించిన సమస్యలను పరిష్కరించడంలో మరియు మానవ స్వభావం ద్వారా గ్రహించబడే వాటి ఏకీకరణ, రెండవది - ప్రాతినిధ్యం వహించే కృత్రిమ మేధస్సును సృష్టించడం. ఇప్పటికే సృష్టించబడిన AI సిస్టమ్‌ల ఏకీకరణ మానవాళి సమస్యలను పరిష్కరించగల సామర్థ్యం గల ఒకే వ్యవస్థగా మార్చబడింది.

AI పరిశోధకులలో, మేధస్సు యొక్క ప్రమాణాలు, లక్ష్యాల క్రమబద్ధీకరణ మరియు పరిష్కరించాల్సిన పనులపై ఇప్పటికీ ఆధిపత్య దృక్కోణం లేదు, సైన్స్ యొక్క ఖచ్చితమైన నిర్వచనం కూడా లేదు. మేధస్సుగా పరిగణించబడే ప్రశ్నకు భిన్నమైన అభిప్రాయాలు ఉన్నాయి. విశ్లేషణాత్మక విధానంలో ఒక వ్యక్తి యొక్క అధిక నాడీ కార్యకలాపాలను అత్యల్ప, అవిభాజ్య స్థాయికి విశ్లేషించడం (అధిక నాడీ కార్యకలాపాల పనితీరు, బాహ్య చికాకులకు ప్రాథమిక ప్రతిచర్య (ఉద్దీపన), ఫంక్షన్ ద్వారా అనుసంధానించబడిన న్యూరాన్ల సమితి యొక్క సినాప్సెస్ యొక్క చికాకు) మరియు ఈ ఫంక్షన్ల యొక్క తదుపరి పునరుత్పత్తి.

కొంతమంది నిపుణులు తెలివితేటలకు సమాచారం లేని పరిస్థితుల్లో హేతుబద్ధమైన, ప్రేరేపిత ఎంపిక యొక్క సామర్థ్యాన్ని తప్పుగా భావిస్తారు. అంటే, మేధో కార్యక్రమం అనేది నిర్దిష్ట ప్రత్యామ్నాయాల నుండి ఎంచుకోగల కార్యాచరణ ప్రోగ్రామ్‌గా పరిగణించబడుతుంది, ఉదాహరణకు, "మీరు ఎడమవైపుకు వెళతారు...", "మీరు కుడివైపుకు వెళ్తారు. ...”, “మీరు నేరుగా వెళ్తారు...”.

కృత్రిమ మేధస్సు యొక్క తత్వశాస్త్రంలో అత్యంత వేడి చర్చ మానవ చేతులచే సృష్టించబడిన ఆలోచన యొక్క అవకాశం యొక్క ప్రశ్న. "ఒక యంత్రం ఆలోచించగలదా?" అనే ప్రశ్న, మానవ మనస్సును అనుకరించే విజ్ఞాన శాస్త్రాన్ని రూపొందించడానికి పరిశోధకులను ప్రేరేపించింది, 1950లో అలాన్ ట్యూరింగ్ సంధించారు. ఈ సమస్యపై రెండు ప్రధాన అభిప్రాయాలను బలమైన మరియు బలహీనమైన కృత్రిమ మేధస్సు యొక్క పరికల్పనలు అంటారు.

"బలమైన ఆర్టిఫిషియల్ ఇంటెలిజెన్స్" అనే పదాన్ని జాన్ సియర్ల్ పరిచయం చేసాడు మరియు అతని మాటలలో ఈ విధానం వర్ణించబడింది: "అటువంటి కార్యక్రమం కేవలం మనస్సు యొక్క నమూనా కాదు; ఆమె, పదం యొక్క సాహిత్యపరమైన అర్థంలో, ఆమె మనస్సుగా ఉంటుంది, అదే అర్థంలో మానవ మనస్సు మనస్సుగా ఉంటుంది. దీనికి విరుద్ధంగా, బలహీన AI యొక్క ప్రతిపాదకులు ప్రోగ్రామ్‌లను పూర్తి స్థాయి మానవ జ్ఞాన సామర్థ్యాలు అవసరం లేని కొన్ని సమస్యలను పరిష్కరించడానికి అనుమతించే సాధనాలుగా మాత్రమే వీక్షించడానికి ఇష్టపడతారు.

జాన్ సియర్ల్ యొక్క "చైనీస్ రూమ్" ఆలోచనా ప్రయోగం ట్యూరింగ్ పరీక్షలో ఉత్తీర్ణత సాధించడం అనేది ఒక యంత్రం నిజమైన ఆలోచనా విధానాన్ని కలిగి ఉండటానికి ప్రమాణం కాదని వాదించింది. థింకింగ్ అనేది మెమరీలో నిల్వ చేయబడిన సమాచారాన్ని ప్రాసెస్ చేసే ప్రక్రియ: విశ్లేషణ, సంశ్లేషణ మరియు స్వీయ-ప్రోగ్రామింగ్. ఇదే విధమైన స్థానం రోజర్ పెన్రోస్ చేత తీసుకోబడింది, అతను తన పుస్తకం "ది కింగ్స్ న్యూ మైండ్"లో అధికారిక వ్యవస్థల ఆధారంగా ఆలోచనా విధానాన్ని పొందడం అసాధ్యం అని వాదించాడు.

6. కంప్యూటింగ్ పరికరాలు మరియు మైక్రోప్రాసెసర్లు.

మైక్రోప్రాసెసర్ (MP) అనేది సమాచారాన్ని స్వీకరించే, ప్రాసెస్ చేసే మరియు అవుట్‌పుట్ చేసే పరికరం. నిర్మాణాత్మకంగా, MP ఒకటి లేదా అంతకంటే ఎక్కువ ఇంటిగ్రేటెడ్ సర్క్యూట్‌లను కలిగి ఉంటుంది మరియు మెమరీలో నిల్వ చేయబడిన ప్రోగ్రామ్ ద్వారా నిర్వచించబడిన చర్యలను నిర్వహిస్తుంది. (Fig. 6.1)

మూర్తి 6.1- MP ప్రదర్శన

ప్రారంభ ప్రాసెసర్‌లు ఒక రకమైన కంప్యూటర్ సిస్టమ్‌ల కోసం ప్రత్యేకమైన భాగాలుగా సృష్టించబడ్డాయి. తరువాత, కంప్యూటర్ తయారీదారులు ఒక సింగిల్ లేదా కొన్ని అత్యంత ప్రత్యేకమైన ప్రోగ్రామ్‌లను అమలు చేయడానికి రూపొందించబడిన ప్రాసెసర్‌లను అభివృద్ధి చేసే ఖరీదైన పద్ధతి నుండి సాధారణ తరగతుల బహుళ-ప్రయోజన ప్రాసెసర్ పరికరాల భారీ ఉత్పత్తికి మారారు. సెమీకండక్టర్ ఎలిమెంట్స్, మెయిన్‌ఫ్రేమ్‌లు మరియు మినీకంప్యూటర్‌ల వేగవంతమైన అభివృద్ధి యుగంలో కంప్యూటర్ భాగాల ప్రామాణీకరణ వైపు ధోరణి ఏర్పడింది మరియు ఇంటిగ్రేటెడ్ సర్క్యూట్‌ల ఆగమనంతో ఇది మరింత ప్రజాదరణ పొందింది. మైక్రో సర్క్యూట్‌ల సృష్టి CPUల యొక్క సంక్లిష్టతను మరింతగా పెంచడం సాధ్యపడింది, అదే సమయంలో వాటి భౌతిక పరిమాణాన్ని తగ్గిస్తుంది.

ప్రాసెసర్‌ల యొక్క ప్రామాణీకరణ మరియు సూక్ష్మీకరణ రోజువారీ మానవ జీవితంలో వాటి ఆధారంగా డిజిటల్ పరికరాల యొక్క లోతైన వ్యాప్తికి దారితీసింది. ఆధునిక ప్రాసెసర్లు కంప్యూటర్లు వంటి హైటెక్ పరికరాల్లో మాత్రమే కాకుండా కార్లు, కాలిక్యులేటర్లు, మొబైల్ ఫోన్లు మరియు పిల్లల బొమ్మలలో కూడా కనిపిస్తాయి. చాలా తరచుగా అవి మైక్రోకంట్రోలర్‌లచే సూచించబడతాయి, ఇక్కడ, కంప్యూటింగ్ పరికరంతో పాటు, అదనపు భాగాలు చిప్‌లో ఉంటాయి (ప్రోగ్రామ్ మరియు డేటా మెమరీ, ఇంటర్‌ఫేస్‌లు, ఇన్‌పుట్/అవుట్‌పుట్ పోర్ట్‌లు, టైమర్‌లు మొదలైనవి). మైక్రోకంట్రోలర్ యొక్క కంప్యూటింగ్ సామర్థ్యాలు పది సంవత్సరాల క్రితం వ్యక్తిగత కంప్యూటర్ల ప్రాసెసర్‌లతో పోల్చవచ్చు మరియు చాలా తరచుగా వాటి పనితీరును గణనీయంగా మించలేదు.

మైక్రోప్రాసెసర్ సిస్టమ్ (MPS) అనేది కంప్యూటింగ్, ఇన్‌స్ట్రుమెంటేషన్ లేదా కంట్రోల్ సిస్టమ్, దీనిలో ప్రధాన సమాచార ప్రాసెసింగ్ పరికరం MP. మైక్రోప్రాసెసర్ సిస్టమ్ మైక్రోప్రాసెసర్ LSIల సమితి నుండి నిర్మించబడింది (Fig. 6.2).

మూర్తి 6.2- మైక్రోప్రాసెసర్ సిస్టమ్ యొక్క ఉదాహరణ

క్లాక్ పల్స్ జనరేటర్ సమయ విరామాన్ని సెట్ చేస్తుంది, ఇది కమాండ్ ఎగ్జిక్యూషన్ వ్యవధి కోసం కొలత యూనిట్ (క్వాంటం). ఎక్కువ ఫ్రీక్వెన్సీ, వేగవంతమైన, ఇతర విషయాలు సమానంగా ఉంటాయి, MPS. MP, RAM మరియు ROM వ్యవస్థ యొక్క అంతర్భాగాలు. ఇన్‌పుట్ మరియు అవుట్‌పుట్ ఇంటర్‌ఫేస్‌లు - ఇన్‌పుట్ మరియు అవుట్‌పుట్ బ్లాక్‌లతో MPSని ఇంటర్‌ఫేసింగ్ చేసే పరికరాలు. కొలిచే సాధనాలు పుష్-బటన్ రిమోట్ కంట్రోల్ మరియు కొలిచే కన్వర్టర్లు (ADCలు, సెన్సార్లు, డిజిటల్ ఇన్‌ఫర్మేషన్ ఇన్‌పుట్ యూనిట్లు) రూపంలో ఇన్‌పుట్ పరికరాల ద్వారా వర్గీకరించబడతాయి. అవుట్‌పుట్ పరికరాలు సాధారణంగా డిజిటల్ డిస్‌ప్లేలు, గ్రాఫిక్ స్క్రీన్ (డిస్‌ప్లే) మరియు కొలిచే వ్యవస్థతో ఇంటర్‌ఫేస్ కోసం బాహ్య పరికరాలను సూచిస్తాయి. అన్ని MPS బ్లాక్‌లు డిజిటల్ ఇన్ఫర్మేషన్ ట్రాన్స్‌మిషన్ బస్సుల ద్వారా ఇంటర్‌కనెక్ట్ చేయబడ్డాయి. MPS వెన్నెముక కమ్యూనికేషన్ సూత్రాన్ని ఉపయోగిస్తుంది, దీనిలో ఒకే డేటా బస్సు ద్వారా సమాచార మార్పిడిని అడ్డుకుంటుంది. డేటా బస్‌లోని లైన్ల సంఖ్య సాధారణంగా MPS సామర్థ్యానికి అనుగుణంగా ఉంటుంది (డేటా వర్డ్‌లోని బిట్‌ల సంఖ్య). డేటా బదిలీ దిశను సూచించడానికి చిరునామా బస్సు ఉపయోగించబడుతుంది - ఇది ప్రస్తుతం సమాచారాన్ని స్వీకరించే లేదా ప్రసారం చేస్తున్న మెమరీ సెల్ లేదా I/O బ్లాక్ యొక్క చిరునామాను ప్రసారం చేస్తుంది. MPS యొక్క మొత్తం ఆపరేషన్‌ను సమకాలీకరించే సిగ్నల్‌లను ప్రసారం చేయడానికి కంట్రోల్ బస్ ఉపయోగించబడుతుంది.

IPS నిర్మాణం మూడు సూత్రాలపై ఆధారపడి ఉంటుంది:

మెయిన్‌లైన్;

మాడ్యులారిటీ;

మైక్రోప్రోగ్రామ్ నియంత్రణ.

ట్రంక్ యొక్క సూత్రం - MPS యొక్క ఫంక్షనల్ బ్లాక్‌ల మధ్య కనెక్షన్‌ల స్వభావాన్ని నిర్ణయిస్తుంది - అన్ని బ్లాక్‌లు ఒకే సిస్టమ్ బస్‌కు అనుసంధానించబడి ఉంటాయి.

మాడ్యులారిటీ సూత్రం ఏమిటంటే, సిస్టమ్ పరిమిత సంఖ్యలో నిర్మాణాత్మకంగా మరియు క్రియాత్మకంగా పూర్తి మాడ్యూల్స్ ఆధారంగా నిర్మించబడింది.

ట్రంక్ మరియు మాడ్యులారిటీ సూత్రాలు సిస్టమ్ బస్‌కు ఇతర మాడ్యూళ్లను కనెక్ట్ చేయడం ద్వారా MP యొక్క నియంత్రణ మరియు కంప్యూటింగ్ సామర్థ్యాలను పెంచడం సాధ్యపడుతుంది.

మైక్రోప్రోగ్రామ్ నియంత్రణ యొక్క సూత్రం ప్రాథమిక కార్యకలాపాలను నిర్వహించగల సామర్థ్యం - మైక్రోకమాండ్‌లు (షిఫ్ట్‌లు, సమాచార బదిలీలు, తార్కిక కార్యకలాపాలు), దీని సహాయంతో సాంకేతిక భాష సృష్టించబడుతుంది, అనగా సిస్టమ్ యొక్క ప్రయోజనానికి బాగా సరిపోయే ఆదేశాల సమితి.

వారి ఉద్దేశ్యం ప్రకారం, MPలు సార్వత్రిక మరియు ప్రత్యేకమైనవిగా విభజించబడ్డారు.

యూనివర్సల్ మైక్రోప్రాసెసర్‌లు సాధారణ-ప్రయోజన మైక్రోప్రాసెసర్‌లు, ఇవి విస్తృత తరగతి కంప్యూటింగ్, ప్రాసెసింగ్ మరియు నియంత్రణ సమస్యలను పరిష్కరిస్తాయి. సార్వత్రిక MPల వినియోగానికి ఉదాహరణ IBM మరియు Macintosh ప్లాట్‌ఫారమ్‌లపై నిర్మించిన కంప్యూటర్లు.

ప్రత్యేకమైన మైక్రోప్రాసెసర్‌లు నిర్దిష్ట తరగతి సమస్యలను మాత్రమే పరిష్కరించడానికి రూపొందించబడ్డాయి. ప్రత్యేక MPలు: సిగ్నలింగ్, మల్టీమీడియా MPలు మరియు ట్రాన్స్‌ప్యూటర్‌లు.

సిగ్నల్ ప్రాసెసర్‌లు (DSPలు) నిజ-సమయ డిజిటల్ సిగ్నల్ ప్రాసెసింగ్ కోసం రూపొందించబడ్డాయి (ఉదాహరణకు, సిగ్నల్ ఫిల్టరింగ్, కన్వల్యూషన్ లెక్కింపు, సహసంబంధ ఫంక్షన్ గణన, సిగ్నల్ పరిమితి మరియు కండిషనింగ్, ఫార్వర్డ్ మరియు ఇన్‌వర్స్ ఫోరియర్ ట్రాన్స్‌ఫార్మ్‌లు చేయడం). (మూర్తి 6.3) సిగ్నల్ ప్రాసెసర్‌లలో టెక్సాస్ ఇన్‌స్ట్రుమెంట్స్ - TMS320C80, అనలాగ్ పరికరాలు - - ADSP2106x, Motorola -DSP560xx మరియు DSP9600x నుండి ప్రాసెసర్‌లు ఉన్నాయి.

మూర్తి 6.3- అంతర్గత DSP నిర్మాణం యొక్క ఉదాహరణ

మీడియా మరియు మల్టీమీడియా ప్రాసెసర్‌లు ఆడియో సిగ్నల్‌లు, గ్రాఫిక్ సమాచారం, వీడియో ఇమేజ్‌లను ప్రాసెస్ చేయడానికి అలాగే మల్టీమీడియా కంప్యూటర్‌లు, గేమ్ కన్సోల్‌లు మరియు గృహోపకరణాలలో అనేక సమస్యలను పరిష్కరించడానికి రూపొందించబడ్డాయి. ఈ ప్రాసెసర్‌లలో MicroUnity - Mediaprocessor, Philips - Trimedia, Cromatic Research - Mpact Media Engine, Nvidia - NV1, Cyrix - MediaGX నుండి ప్రాసెసర్‌లు ఉన్నాయి.

ట్రాన్స్‌ప్యూటర్‌లు భారీ సమాంతర గణనలను నిర్వహించడానికి మరియు మల్టీప్రాసెసర్ సిస్టమ్‌లలో పని చేయడానికి రూపొందించబడ్డాయి. అవి అంతర్గత మెమరీ మరియు అంతర్నిర్మిత ఇంటర్‌ప్రాసెసర్ ఇంటర్‌ఫేస్, అంటే ఇతర MP LSIలతో కమ్యూనికేషన్ ఛానెల్‌ల ఉనికిని కలిగి ఉంటాయి.

ఆర్కిటెక్చర్ రకం లేదా నిర్మాణ సూత్రం ఆధారంగా, వాన్ న్యూమాన్ ఆర్కిటెక్చర్ ఉన్న ఎంపీలు మరియు హార్వర్డ్ ఆర్కిటెక్చర్ ఉన్న ఎంపీల మధ్య వ్యత్యాసం ఉంటుంది.

మైక్రోప్రాసెసర్ ఆర్కిటెక్చర్ భావన దాని భాగాలను అలాగే వాటి మధ్య కనెక్షన్‌లు మరియు పరస్పర చర్యలను నిర్వచిస్తుంది.

ఆర్కిటెక్చర్ వీటిని కలిగి ఉంటుంది:

MP బ్లాక్ రేఖాచిత్రం;

MP సాఫ్ట్‌వేర్ మోడల్ (రిజిస్టర్ ఫంక్షన్‌ల వివరణ);

మెమరీ సంస్థ గురించి సమాచారం (సామర్థ్యం మరియు మెమరీ చిరునామా పద్ధతులు);

ఇన్‌పుట్/అవుట్‌పుట్ విధానాల సంస్థ యొక్క వివరణ.

Fonneumann ఆర్కిటెక్చర్ (Fig. 6.4, a) 1945లో అమెరికన్ గణిత శాస్త్రజ్ఞుడు జో వాన్ న్యూమాన్చే ప్రతిపాదించబడింది. దీని ప్రత్యేకత ఏమిటంటే ప్రోగ్రామ్ మరియు డేటా షేర్డ్ మెమరీలో ఉన్నాయి, ఇది ఒక డేటా మరియు కమాండ్ బస్ ద్వారా యాక్సెస్ చేయబడుతుంది.

హార్వర్డ్ ఆర్కిటెక్చర్ మొదటిసారిగా 1944లో హార్వర్డ్ యూనివర్సిటీ (USA)లోని రిలే కంప్యూటర్‌లో అమలు చేయబడింది. ఈ ఆర్కిటెక్చర్ యొక్క లక్షణం ఏమిటంటే, డేటా మెమరీ మరియు ప్రోగ్రామ్ మెమరీ వేరు చేయబడ్డాయి మరియు ప్రత్యేక డేటా బస్సులు మరియు కమాండ్ బస్సులు (Fig. 6.4, b) కలిగి ఉంటాయి, ఇది MP సిస్టమ్ యొక్క పనితీరును పెంచడం సాధ్యం చేస్తుంది.

మూర్తి 6.4.ఆర్కిటెక్చర్ యొక్క ప్రధాన రకాలు: (a - వాన్ న్యూమాన్; 6 - హార్వర్డ్)

ఇన్‌స్ట్రక్షన్ సిస్టమ్ రకం ఆధారంగా, CISC (కంప్లీట్ ఇన్‌స్ట్రక్షన్ సెట్ కంప్యూటింగ్) ప్రాసెసర్‌ల మధ్య పూర్తి సూచనలతో (CISC యొక్క సాధారణ ప్రతినిధులు Intel x86 మైక్రోప్రాసెసర్ కుటుంబం) మరియు RISC ప్రాసెసర్లు(రిడ్యూస్డ్ ఇన్‌స్ట్రక్షన్ సెట్ కంప్యూటింగ్) తగ్గిన సూచనల సెట్‌తో (స్థిర-పొడవు సూచనల ఉనికి, పెద్ద సంఖ్యలో రిజిస్టర్‌లు, రిజిస్టర్-టు-రిజిస్టర్ ఆపరేషన్‌లు మరియు పరోక్ష చిరునామా లేకపోవడం ద్వారా వర్గీకరించబడుతుంది).

సింగిల్-చిప్ మైక్రోకంట్రోలర్ (MCU) అనేది ఎలక్ట్రానిక్ పరికరాలను నియంత్రించడానికి రూపొందించబడిన చిప్ (మూర్తి 5). ఒక సాధారణ మైక్రోకంట్రోలర్ ప్రాసెసర్ మరియు పరిధీయ పరికరాల విధులను మిళితం చేస్తుంది మరియు RAM మరియు ROMలను కలిగి ఉండవచ్చు. ముఖ్యంగా, ఇది సాధారణ పనులను చేయగల ఏకైక-చిప్ కంప్యూటర్. మొత్తం సెట్‌కు బదులుగా ఒకే చిప్‌ని ఉపయోగించడం వలన మైక్రోకంట్రోలర్‌ల ఆధారంగా పరికరాల పరిమాణం, విద్యుత్ వినియోగం మరియు ధర గణనీయంగా తగ్గుతుంది.

మూర్తి 6.5- మైక్రోకంట్రోలర్ డిజైన్‌ల ఉదాహరణలు

ఎంబెడెడ్ సిస్టమ్‌లను నిర్మించడానికి మైక్రోకంట్రోలర్‌లు ఆధారం; అవి టెలిఫోన్‌లు, వాషింగ్ మెషీన్‌లు మొదలైన అనేక ఆధునిక పరికరాలలో కనిపిస్తాయి. ప్రపంచంలో ఉత్పత్తి చేయబడిన చాలా ప్రాసెసర్‌లు మైక్రోకంట్రోలర్‌లు.

నేడు, ఇంటెల్ నుండి i8051కి అనుకూలమైన 8-బిట్ మైక్రోకంట్రోలర్‌లు, మైక్రోచిప్ టెక్నాలజీ నుండి PIC మైక్రోకంట్రోలర్‌లు మరియు Atmel నుండి AVR, TI నుండి పదహారు-బిట్ MSP430, అలాగే ARM, దీని నిర్మాణాన్ని ARM అభివృద్ధి చేసి ఇతర కంపెనీలకు లైసెన్స్‌లను విక్రయిస్తుంది. వారి ఉత్పత్తి, డెవలపర్‌లలో ప్రసిద్ధి చెందింది. .

మైక్రోకంట్రోలర్‌లను రూపకల్పన చేసేటప్పుడు, ఒకవైపు పరిమాణం మరియు ధర మధ్య సమతుల్యత ఉంటుంది, మరోవైపు వశ్యత మరియు పనితీరు ఉంటుంది. విభిన్న అనువర్తనాల కోసం, ఈ మరియు ఇతర పారామితుల యొక్క సరైన బ్యాలెన్స్ చాలా మారవచ్చు. అందువల్ల, ప్రాసెసర్ మాడ్యూల్ యొక్క ఆర్కిటెక్చర్, అంతర్నిర్మిత మెమరీ పరిమాణం మరియు రకం, పరిధీయ పరికరాల సెట్, కేసు రకం మొదలైన వాటిలో విభిన్నమైన మైక్రోకంట్రోలర్ల రకాలు భారీ సంఖ్యలో ఉన్నాయి.

మైక్రోకంట్రోలర్‌లలో ఉండే పెరిఫెరల్స్ యొక్క పాక్షిక జాబితా వీటిని కలిగి ఉంటుంది:

ఇన్‌పుట్ లేదా అవుట్‌పుట్ కోసం కాన్ఫిగర్ చేయగల యూనివర్సల్ డిజిటల్ పోర్ట్‌లు;

UART, I²C, SPI, CAN, USB, IEEE 1394, ఈథర్నెట్ వంటి వివిధ I/O ఇంటర్‌ఫేస్‌లు;

అనలాగ్-టు-డిజిటల్ మరియు డిజిటల్-టు-అనలాగ్ కన్వర్టర్లు;

పోలికలు;

పల్స్ వెడల్పు మాడ్యులేటర్లు;

టైమర్‌లు, అంతర్నిర్మిత క్లాక్ జనరేటర్ మరియు వాచ్‌డాగ్ టైమర్;

బ్రష్ లేని మోటార్ కంట్రోలర్లు;

డిస్ప్లే మరియు కీబోర్డ్ కంట్రోలర్లు;

రేడియో ఫ్రీక్వెన్సీ రిసీవర్లు మరియు ట్రాన్స్మిటర్లు;

అంతర్నిర్మిత ఫ్లాష్ మెమరీ యొక్క శ్రేణులు.

కృత్రిమ మేధస్సు: ఎలా మరియు ఎక్కడ అధ్యయనం చేయాలి - నిపుణులు సమాధానం

“నేను AI చేయాలనుకుంటున్నాను. ఏమి అధ్యయనం చేయడం విలువైనది? నేను ఏ భాషలను ఉపయోగించాలి? నేను ఏ సంస్థల్లో చదువుకోవాలి మరియు పని చేయాలి?

మేము స్పష్టత కోసం మా నిపుణులను ఆశ్రయించాము మరియు మేము అందుకున్న సమాధానాలను మీ దృష్టికి అందిస్తాము.

ఇది మీ ప్రాథమిక శిక్షణపై ఆధారపడి ఉంటుంది. అన్నింటిలో మొదటిది, మీకు గణిత సంస్కృతి (గణాంకాలు, సంభావ్యత సిద్ధాంతం, వివిక్త గణితం, సరళ బీజగణితం, విశ్లేషణ మొదలైనవి) మరియు చాలా త్వరగా నేర్చుకోవాలనే సంకల్పం అవసరం. AI పద్ధతులను అమలు చేస్తున్నప్పుడు, ప్రోగ్రామింగ్ (అల్గారిథమ్‌లు, డేటా స్ట్రక్చర్‌లు, OOP, మొదలైనవి) అవసరం.

వేర్వేరు ప్రాజెక్ట్‌లకు వేర్వేరు ప్రోగ్రామింగ్ భాషల పరిజ్ఞానం అవసరం. కనీసం పైథాన్, జావా మరియు ఏదైనా ఫంక్షనల్ లాంగ్వేజ్ తెలుసుకోవాలని నేను సిఫార్సు చేస్తున్నాను. వివిధ డేటాబేస్‌లు మరియు పంపిణీ వ్యవస్థలతో అనుభవం ఉపయోగకరంగా ఉంటుంది. పరిశ్రమలోని ఉత్తమ అభ్యాసాలను త్వరగా నేర్చుకోవడానికి ఆంగ్ల భాషా నైపుణ్యాలు అవసరం.

మంచి రష్యన్ విశ్వవిద్యాలయాలలో చదువుకోవాలని నేను సిఫార్సు చేస్తున్నాను! ఉదాహరణకు, MIPT, MSU మరియు HSEలు సంబంధిత విభాగాలను కలిగి ఉన్నాయి. Coursera, edX, Udacity, Udemy మరియు ఇతర MOOC ప్లాట్‌ఫారమ్‌లలో అనేక రకాల నేపథ్య కోర్సులు అందుబాటులో ఉన్నాయి. కొన్ని ప్రముఖ సంస్థలు AI రంగంలో తమ స్వంత శిక్షణా కార్యక్రమాలను కలిగి ఉన్నాయి (ఉదాహరణకు, Yandex వద్ద స్కూల్ ఆఫ్ డేటా అనాలిసిస్).

AI పద్ధతుల ద్వారా పరిష్కరించబడిన అప్లికేషన్ సమస్యలను అనేక రకాల ప్రదేశాలలో కనుగొనవచ్చు. బ్యాంకులు, ఆర్థిక రంగం, కన్సల్టింగ్, రిటైల్, ఇ-కామర్స్, సెర్చ్ ఇంజన్లు, పోస్టల్ సేవలు, గేమింగ్ పరిశ్రమ, భద్రతా వ్యవస్థల పరిశ్రమ మరియు, వాస్తవానికి, Avito - అన్నింటికీ వివిధ అర్హతల నిపుణులు అవసరం.

డిమోట్‌ని ప్రమోట్ చేయండి

మేము మెషిన్ లెర్నింగ్ మరియు కంప్యూటర్ విజన్‌కి సంబంధించిన ఫిన్‌టెక్ ప్రాజెక్ట్‌ని కలిగి ఉన్నాము, దాని మొదటి డెవలపర్ ప్రతిదీ C++లో వ్రాసారు, తర్వాత ఒక డెవలపర్ వచ్చి పైథాన్‌లో ప్రతిదీ తిరిగి వ్రాశారు. కాబట్టి భాష అనేది ఇక్కడ చాలా ముఖ్యమైన విషయం కాదు, ఎందుకంటే భాష అనేది మొదటగా ఒక సాధనం, మరియు దానిని ఎలా ఉపయోగించాలో మీ ఇష్టం. ఇది కేవలం కొన్ని భాషలలో సమస్యలు వేగంగా పరిష్కరించబడతాయి మరియు మరికొన్నింటిలో మరింత నెమ్మదిగా పరిష్కరించబడతాయి.

ఎక్కడ చదువుకోవాలో చెప్పడం కష్టం - మా అబ్బాయిలందరూ సొంతంగా చదువుకున్నారు, అదృష్టవశాత్తూ ఇంటర్నెట్ మరియు గూగుల్ ఉన్నాయి.

డిమోట్‌ని ప్రమోట్ చేయండి

మీరు చాలా అధ్యయనం చేయాల్సి ఉంటుంది అనే వాస్తవం కోసం మొదటి నుండి మిమ్మల్ని మీరు సిద్ధం చేసుకోవాలని నేను మీకు సలహా ఇవ్వగలను. “AI చేయడం” అంటే ఏమిటి - పెద్ద డేటా లేదా న్యూరల్ నెట్‌వర్క్‌లతో పని చేయడం; సాంకేతికత అభివృద్ధి లేదా ఇప్పటికే అభివృద్ధి చెందిన నిర్దిష్ట వ్యవస్థకు మద్దతు మరియు శిక్షణ.

ప్రత్యేకతల కోసం డేటా సైంటిస్ట్ యొక్క ట్రెండింగ్ వృత్తిని తీసుకుందాం. ఈ వ్యక్తి ఏం చేస్తున్నాడు? సాధారణంగా, ఇది పెద్ద డేటాను సేకరిస్తుంది, విశ్లేషిస్తుంది మరియు ఉపయోగం కోసం సిద్ధం చేస్తుంది. వీటిపైనే AI వృద్ధి చెందుతుంది మరియు శిక్షణ ఇస్తుంది. ఒక డేటా సైంటిస్ట్ ఏమి తెలుసుకోవాలి మరియు ఏమి చేయగలగాలి? స్టాటిక్ అనాలిసిస్ మరియు మ్యాథమెటికల్ మోడలింగ్ డిఫాల్ట్‌గా మరియు పటిమ స్థాయిలో ఉంటాయి. భాషలు - చెప్పండి, R, SAS, పైథాన్. కొంత అభివృద్ధి అనుభవం కూడా ఉంటే బాగుంటుంది. బాగా, సాధారణంగా చెప్పాలంటే, మంచి డేటా సైంటిస్ట్ డేటాబేస్‌లు, అల్గారిథమ్‌లు మరియు డేటా విజువలైజేషన్‌లో నమ్మకంగా ఉండాలి.

దేశంలోని ప్రతి రెండవ టెక్నికల్ యూనివర్శిటీలో ఇటువంటి పరిజ్ఞానాన్ని పొందవచ్చని చెప్పలేము. AI అభివృద్ధికి ప్రాధాన్యతనిచ్చే పెద్ద కంపెనీలు దీనిని అర్థం చేసుకుంటాయి మరియు తమకు తగిన శిక్షణా కార్యక్రమాలను అభివృద్ధి చేస్తాయి - ఉదాహరణకు, Yandex నుండి స్కూల్ ఆఫ్ డేటా అనాలిసిస్ ఉంది. కానీ మీరు "వీధి నుండి" కోర్సులకు వచ్చే స్థాయి ఇది కాదని మీరు తెలుసుకోవాలి, కానీ వాటిని రెడీమేడ్ జూనియర్‌గా వదిలివేయండి. పొర పెద్దది, కనీసం యూనివర్సిటీ ప్రోగ్రామ్ ఫ్రేమ్‌వర్క్‌లో బేసిక్స్ (గణితం, గణాంకాలు) ఇప్పటికే కవర్ చేయబడినప్పుడు ఒక క్రమశిక్షణను అధ్యయనం చేయడం అర్ధమే.

అవును, దీనికి కొంత సమయం పడుతుంది. కానీ గేమ్ కొవ్వొత్తి విలువైనది, ఎందుకంటే మంచి డేటా సైంటిస్ట్ చాలా ఆశాజనకంగా ఉన్నాడు. మరియు చాలా ఖరీదైనది. ఇంకో పాయింట్ కూడా ఉంది. ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ అనేది ఒక వైపు, కేవలం హైప్ యొక్క వస్తువు కాదు, కానీ పూర్తిగా ఉత్పాదకత దశకు చేరుకున్న సాంకేతికత. మరోవైపు, AI ఇంకా అభివృద్ధి చెందుతోంది. ఈ అభివృద్ధికి చాలా వనరులు, చాలా నైపుణ్యాలు మరియు చాలా డబ్బు అవసరం. ఇప్పటివరకు ఇదే ప్రధాన లీగ్ స్థాయి. నేను ఇప్పుడు స్పష్టంగా చెబుతాను, కానీ మీరు దాడిలో ముందంజలో ఉండాలనుకుంటే మరియు మీ స్వంత చేతులతో పురోగతిని డ్రైవ్ చేయాలనుకుంటే, Facebook లేదా Amazon వంటి కంపెనీలను లక్ష్యంగా చేసుకోండి.

అదే సమయంలో, సాంకేతికత ఇప్పటికే అనేక రంగాలలో ఉపయోగించబడుతోంది: బ్యాంకింగ్, టెలికాంలు, దిగ్గజం పారిశ్రామిక సంస్థలు మరియు రిటైల్. మరియు వారికి ఇప్పటికే మద్దతు ఇవ్వగల వ్యక్తులు అవసరం. గార్ట్‌నర్ 2020 నాటికి, అభివృద్ధి చెందిన దేశాలలోని అన్ని సంస్థలలో 20% ఈ కంపెనీలలో ఉపయోగించే న్యూరల్ నెట్‌వర్క్‌లకు శిక్షణ ఇవ్వడానికి అంకితమైన ఉద్యోగులను నియమించుకుంటారని అంచనా వేస్తున్నారు. కాబట్టి మీ స్వంతంగా నేర్చుకోవడానికి ఇంకా కొంచెం సమయం ఉంది.

డిమోట్‌ని ప్రమోట్ చేయండి

AI ఇప్పుడు చురుకుగా అభివృద్ధి చెందుతోంది మరియు పదేళ్ల ముందు అంచనా వేయడం కష్టం. రాబోయే రెండు మూడు సంవత్సరాల్లో, న్యూరల్ నెట్‌వర్క్‌లు మరియు GPU కంప్యూటింగ్ ఆధారంగా విధానాలు ఆధిపత్యం చెలాయిస్తాయి. జూపిటర్ ఇంటరాక్టివ్ ఎన్విరాన్మెంట్ మరియు నంపీ, స్కిపీ మరియు టెన్సార్‌ఫ్లో లైబ్రరీలతో ఉన్న పైథాన్ ఈ ప్రాంతంలో నాయకుడు.

ఈ సాంకేతికతలు మరియు సాధారణ AI సూత్రాలపై ప్రాథమిక అవగాహనను అందించే అనేక ఆన్‌లైన్ కోర్సులు ఉన్నాయి, ఆండ్రూ Ng కోర్సు వంటివి. మరియు ఈ అంశాన్ని బోధించే విషయంలో, ఇప్పుడు రష్యాలో స్వతంత్రంగా లేదా స్థానిక ఆసక్తి సమూహంలో అధ్యయనం చేయడం అత్యంత ప్రభావవంతమైన మార్గం (ఉదాహరణకు, మాస్కోలో, వ్యక్తులు అనుభవం మరియు జ్ఞానాన్ని పంచుకునే కనీసం రెండు సమూహాల ఉనికి గురించి నాకు తెలుసు. )

డిమోట్‌ని ప్రమోట్ చేయండి

డిమోట్‌ని ప్రమోట్ చేయండి

నేడు, కృత్రిమ మేధస్సులో అత్యంత వేగంగా అభివృద్ధి చెందుతున్న భాగం, బహుశా, న్యూరల్ నెట్‌వర్క్‌లు.
న్యూరల్ నెట్‌వర్క్‌లు మరియు AI యొక్క అధ్యయనం గణితశాస్త్రంలోని రెండు విభాగాలను - లీనియర్ బీజగణితం మరియు సంభావ్యత సిద్ధాంతాన్ని నేర్చుకోవడంతో ప్రారంభం కావాలి. ఇది తప్పనిసరి కనీస, కృత్రిమ మేధస్సు యొక్క కదలలేని స్తంభాలు. AI యొక్క ప్రాథమికాలను అర్థం చేసుకోవాలనుకునే దరఖాస్తుదారులు, విశ్వవిద్యాలయాన్ని ఎన్నుకునేటప్పుడు, నా అభిప్రాయం ప్రకారం, బలమైన గణిత పాఠశాలతో అధ్యాపకులకు శ్రద్ధ వహించాలి.

సమస్య యొక్క సమస్యలను అధ్యయనం చేయడం తదుపరి దశ. విద్యాపరమైన మరియు ప్రత్యేకమైన సాహిత్యం చాలా పెద్ద మొత్తంలో ఉంది. ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ మరియు న్యూరల్ నెట్‌వర్క్‌ల అంశంపై చాలా ప్రచురణలు ఆంగ్లంలో వ్రాయబడ్డాయి, అయితే రష్యన్ భాషా పదార్థాలు కూడా ప్రచురించబడ్డాయి. ఉపయోగకరమైన సాహిత్యాన్ని పబ్లిక్ డిజిటల్ లైబ్రరీ arxiv.orgలో కనుగొనవచ్చు.

మేము సూచించే ప్రాంతాల గురించి మాట్లాడినట్లయితే, ఇక్కడ మేము అనువర్తిత న్యూరల్ నెట్‌వర్క్‌ల శిక్షణను మరియు న్యూరల్ నెట్‌వర్క్‌ల యొక్క పూర్తిగా కొత్త వెర్షన్‌ల అభివృద్ధిని హైలైట్ చేయవచ్చు. ఒక అద్భుతమైన ఉదాహరణ: ఇప్పుడు చాలా ప్రజాదరణ పొందిన ప్రత్యేకత ఉంది - “డేటా సైంటిస్ట్” (డేటా సైంటిస్ట్). ఇవి డెవలపర్లు, నియమం ప్రకారం, నిర్దిష్ట అప్లికేషన్ ప్రాంతాలలో నాడీ నెట్‌వర్క్‌లకు శిక్షణ ఇవ్వడానికి నిర్దిష్ట డేటా సెట్‌లను అధ్యయనం చేసి సిద్ధం చేస్తారు. సంగ్రహంగా చెప్పాలంటే, ప్రతి స్పెషలైజేషన్‌కు ప్రత్యేక తయారీ మార్గం అవసరమని నేను నొక్కి చెప్పాలనుకుంటున్నాను.

డిమోట్‌ని ప్రమోట్ చేయండి

ప్రత్యేక కోర్సులను ప్రారంభించే ముందు, మీరు లీనియర్ ఆల్జీబ్రా మరియు గణాంకాలను అధ్యయనం చేయాలి. "మెషిన్ లెర్నింగ్" అనే పాఠ్యపుస్తకంతో AIలో మీ ఇమ్మర్షన్‌ను ప్రారంభించాలని నేను సిఫార్సు చేస్తున్నాను. సైన్స్ అండ్ ఆర్ట్ ఆఫ్ బిల్డింగ్ అల్గారిథమ్స్ దట్ ఎక్స్‌ట్రాక్ట్ నాలెడ్జ్ ఫ్రమ్ డేటా" అనేది ప్రారంభకులకు మంచి ప్రైమర్. కోర్సెరాలో, K. Vorontsov (వారికి లీనియర్ బీజగణితంపై మంచి పరిజ్ఞానం అవసరమని నేను నొక్కి చెబుతున్నాను) మరియు బైడు AI యొక్క ప్రొఫెసర్ మరియు హెడ్ ఆండ్రూ Ng బోధించిన “మెషిన్ లెర్నింగ్” కోర్సును స్టాన్‌ఫోర్డ్ విశ్వవిద్యాలయంలో వింటూ ఉపోద్ఘాత ప్రసంగాలను వినడం విలువైనదే. సమూహం/Google మెదడు.

ఎక్కువ భాగం పైథాన్‌లో వ్రాయబడింది, తర్వాత R మరియు Lua.

మేము విద్యా సంస్థల గురించి మాట్లాడినట్లయితే, అనువర్తిత గణితం మరియు కంప్యూటర్ సైన్స్ విభాగాలలో కోర్సులలో నమోదు చేసుకోవడం మంచిది; తగిన విద్యా కార్యక్రమాలు ఉన్నాయి. మీ సామర్థ్యాలను పరీక్షించడానికి, మీరు కాగ్లే పోటీల్లో పాల్గొనవచ్చు, ఇక్కడ ప్రధాన ప్రపంచ బ్రాండ్‌లు తమ కేసులను అందిస్తాయి.

డిమోట్‌ని ప్రమోట్ చేయండి

ఏదైనా వ్యాపారంలో, ప్రాజెక్ట్‌లను ప్రారంభించే ముందు, సైద్ధాంతిక ఆధారాన్ని పొందడం మంచిది. మీరు ఈ రంగంలో అధికారిక మాస్టర్స్ డిగ్రీని సంపాదించడానికి లేదా మీ అర్హతలను మెరుగుపరచుకోవడానికి అనేక స్థలాలు ఉన్నాయి. ఉదాహరణకు, Skoltech "కంప్యూటేషనల్ సైన్స్ మరియు ఇంజనీరింగ్" మరియు "డేటా సైన్స్" విభాగాలలో మాస్టర్స్ ప్రోగ్రామ్‌లను అందిస్తుంది, ఇందులో "మెషిన్ లెర్నింగ్" మరియు "నేచురల్ లాంగ్వేజ్ ప్రాసెసింగ్" కోర్సులు ఉంటాయి. మీరు నేషనల్ రీసెర్చ్ న్యూక్లియర్ యూనివర్శిటీ MEPhI యొక్క ఇంటెలిజెంట్ సైబర్నెటిక్ సిస్టమ్స్ యొక్క ఇన్స్టిట్యూట్, మాస్కో స్టేట్ యూనివర్శిటీ యొక్క కంప్యూటేషనల్ మ్యాథమెటిక్స్ మరియు సైబర్నెటిక్స్ ఫ్యాకల్టీ మరియు MIPT యొక్క ఇంటెలిజెంట్ సిస్టమ్స్ విభాగం గురించి కూడా పేర్కొనవచ్చు.

మీరు ఇప్పటికే అధికారిక విద్యను కలిగి ఉన్నట్లయితే, వివిధ MOOC ప్లాట్‌ఫారమ్‌లలో అనేక కోర్సులు అందుబాటులో ఉన్నాయి. ఉదాహరణకు, EDx.org మైక్రోసాఫ్ట్ మరియు కొలంబియా విశ్వవిద్యాలయం నుండి ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ కోర్సులను అందిస్తుంది, వీటిలో రెండోది మైక్రో-మాస్టర్ ప్రోగ్రామ్‌ను సహేతుకమైన ధరకు అందిస్తుంది. మీరు సాధారణంగా జ్ఞానాన్ని ఉచితంగా పొందవచ్చని నేను ప్రత్యేకంగా గమనించాలనుకుంటున్నాను; మీ రెజ్యూమ్ కోసం సర్టిఫికేట్ అవసరమైతే మాత్రమే మీరు చెల్లిస్తారు.

మీరు టాపిక్‌లోకి “లోతుగా డైవ్” చేయాలనుకుంటే, మాస్కోలోని అనేక కంపెనీలు ప్రాక్టికల్ క్లాసులతో వారం రోజుల పాటు ఇంటెన్సివ్ కోర్సులను అందిస్తాయి మరియు ప్రయోగాల కోసం పరికరాలను కూడా అందిస్తాయి (ఉదాహరణకు, newprolab.com), అయితే, అటువంటి కోర్సుల ధర అనేక వేల వేల రూబిళ్లు నుండి మొదలవుతుంది.

ఆర్టిఫిషియల్ ఇంటెలిజెన్స్‌ను అభివృద్ధి చేసే కంపెనీలలో, మీకు బహుశా Yandex మరియు Sberbank తెలుసు, కానీ అనేక ఇతర పరిమాణాలు ఉన్నాయి. ఉదాహరణకు, ఈ వారం రక్షణ మంత్రిత్వ శాఖ అనపాలో ERA మిలిటరీ ఇన్నోవేషన్ టెక్నోపోలిస్‌ను ప్రారంభించింది, సైనిక అవసరాల కోసం AI అభివృద్ధి చేయడం ఇందులోని అంశాల్లో ఒకటి.

డిమోట్‌ని ప్రమోట్ చేయండి

కృత్రిమ మేధస్సును అధ్యయనం చేసే ముందు, మనం ఒక ప్రాథమిక ప్రశ్నను నిర్ణయించుకోవాలి: మనం ఎరుపు మాత్ర లేదా నీలం రంగును తీసుకోవాలా.
రెడ్ పిల్ డెవలపర్‌గా మారడం మరియు గణాంక పద్ధతులు, అల్గారిథమ్‌లు మరియు తెలియని వాటి యొక్క స్థిరమైన గ్రహణశక్తి యొక్క క్రూరమైన ప్రపంచంలోకి దూకడం. మరోవైపు, మీరు వెంటనే "కుందేలు రంధ్రం"లోకి వెళ్లవలసిన అవసరం లేదు: మీరు మేనేజర్‌గా మారవచ్చు మరియు AIని సృష్టించవచ్చు, ఉదాహరణకు, ప్రాజెక్ట్ మేనేజర్‌గా. ఇవి రెండు ప్రాథమికంగా భిన్నమైన మార్గాలు.

మీరు కృత్రిమ మేధస్సు అల్గారిథమ్‌లను వ్రాస్తారని మీరు ఇప్పటికే నిర్ణయించుకున్నట్లయితే మొదటిది చాలా బాగుంది. అప్పుడు మీరు ఈ రోజు అత్యంత ప్రజాదరణ పొందిన దిశతో ప్రారంభించాలి - యంత్ర అభ్యాసం. దీన్ని చేయడానికి, మీరు వర్గీకరణ, క్లస్టరింగ్ మరియు రిగ్రెషన్ యొక్క క్లాసికల్ స్టాటిస్టికల్ పద్ధతులను తెలుసుకోవాలి. పరిష్కారం యొక్క నాణ్యత, వాటి లక్షణాలు... మరియు మీ మార్గంలో వచ్చే ప్రతిదానిని అంచనా వేయడానికి ప్రధాన చర్యలతో పరిచయం పొందడానికి కూడా ఇది ఉపయోగకరంగా ఉంటుంది.

బేస్ ప్రావీణ్యం పొందిన తర్వాత మాత్రమే మరింత ప్రత్యేకమైన పద్ధతులను అధ్యయనం చేయడం విలువైనది: నిర్ణయం చెట్లు మరియు వాటి యొక్క బృందాలు. ఈ దశలో, మీరు బిల్డింగ్ మరియు శిక్షణ నమూనాల ప్రాథమిక పద్ధతుల్లోకి లోతుగా డైవ్ చేయాలి - అవి కేవలం మంచి పదాలు యాచించడం, పెంచడం, స్టాకింగ్ లేదా బ్లెండింగ్ వెనుక దాగి ఉన్నాయి.

మోడల్ రీట్రైనింగ్‌ను నియంత్రించే పద్ధతుల గురించి తెలుసుకోవడం కూడా విలువైనదే (మరొక “ఇంగ్” - ఓవర్‌ఫిట్టింగ్).

చివరకు, చాలా జేడీ స్థాయి - అత్యంత ప్రత్యేకమైన జ్ఞానాన్ని పొందడం. ఉదాహరణకు, లోతైన అభ్యాసానికి ప్రాథమిక గ్రేడియంట్ డీసెంట్ ఆర్కిటెక్చర్‌లు మరియు అల్గారిథమ్‌లపై నైపుణ్యం అవసరం. మీకు సహజ భాషా ప్రాసెసింగ్ సమస్యలపై ఆసక్తి ఉంటే, పునరావృతమయ్యే నాడీ నెట్‌వర్క్‌లను అధ్యయనం చేయాలని నేను సిఫార్సు చేస్తున్నాను. చిత్రాలు మరియు వీడియోలను ప్రాసెస్ చేయడం కోసం భవిష్యత్తులో అల్గారిథమ్‌ల సృష్టికర్తలు కన్వల్యూషనల్ న్యూరల్ నెట్‌వర్క్‌లను బాగా పరిశీలించాలి.

ప్రస్తావించబడిన చివరి రెండు నిర్మాణాలు నేడు ప్రసిద్ధ ఆర్కిటెక్చర్‌ల బిల్డింగ్ బ్లాక్‌లు: విరోధి నెట్‌వర్క్‌లు (GANలు), రిలేషనల్ నెట్‌వర్క్‌లు మరియు మెష్ నెట్‌వర్క్‌లు. అందువల్ల, మీరు కంప్యూటర్‌ను చూడటానికి లేదా వినడానికి నేర్పడానికి ప్లాన్ చేయకపోయినా, వాటిని అధ్యయనం చేయడం ఉపయోగకరంగా ఉంటుంది.

AIని అధ్యయనం చేయడానికి పూర్తిగా భిన్నమైన విధానం - అకా "బ్లూ పిల్" - మిమ్మల్ని మీరు కనుగొనడంతో ప్రారంభమవుతుంది. కృత్రిమ మేధస్సు అనేక పనులు మరియు మొత్తం వృత్తులకు జన్మనిస్తుంది: AI ప్రాజెక్ట్ మేనేజర్‌ల నుండి డేటా ఇంజనీర్‌ల వరకు డేటాను సిద్ధం చేయడం, శుభ్రపరచడం మరియు స్కేలబుల్, లోడ్ చేయబడిన మరియు తప్పు-తట్టుకునే వ్యవస్థలను నిర్మించడం.

కాబట్టి, "నిర్వాహక" విధానంతో, మీరు మొదట మీ సామర్థ్యాలను మరియు నేపథ్యాన్ని అంచనా వేయాలి, ఆపై మాత్రమే ఎక్కడ మరియు ఏమి అధ్యయనం చేయాలో ఎంచుకోండి. ఉదాహరణకు, గణిత శాస్త్రం లేకుండా కూడా మీరు స్మార్ట్ అల్గారిథమ్‌ల కోసం AI ఇంటర్‌ఫేస్‌లు మరియు విజువలైజేషన్‌లను డిజైన్ చేయవచ్చు. కానీ సిద్ధంగా ఉండండి: 5 సంవత్సరాలలో, కృత్రిమ మేధస్సు మిమ్మల్ని ట్రోల్ చేయడం మరియు మిమ్మల్ని "మానవతావాది" అని పిలుస్తుంది.

ప్రధాన ML పద్ధతులు రెడీమేడ్ లైబ్రరీల రూపంలో అమలు చేయబడతాయి, వివిధ భాషలలో కనెక్షన్ కోసం అందుబాటులో ఉన్నాయి. నేడు MLలో అత్యంత ప్రజాదరణ పొందిన భాషలు: C++, Python మరియు R.

Yandex School of Data Analysis, SkillFactory మరియు OTUS కోర్సులు వంటి రష్యన్ మరియు ఇంగ్లీష్ రెండింటిలోనూ అనేక కోర్సులు ఉన్నాయి. కానీ ప్రత్యేక శిక్షణలో సమయం మరియు డబ్బును పెట్టుబడి పెట్టడానికి ముందు, "అంశంలోకి రావడం" విలువైనదని నేను భావిస్తున్నాను: గత సంవత్సరాల్లో డేటాఫెస్ట్ సమావేశాల నుండి YouTubeలో బహిరంగ ఉపన్యాసాలను చూడండి, Coursera మరియు Habrahabr నుండి ఉచిత కోర్సులను తీసుకోండి.

బదులుగా, ఇది ఇమేజ్‌లోని వ్యక్తిగత పిక్సెల్‌లను చూస్తుంది - మరియు వస్తువులను వేరు చేయడానికి వేగవంతమైన మార్గం. అధిక సంఖ్యలో యూనిట్లు ఒక నిర్దిష్ట పాయింట్ వద్ద బ్లాక్ పిక్సెల్ మరియు ఇతర పాయింట్ల వద్ద అనేక వైట్ పిక్సెల్‌లను కలిగి ఉంటే, యంత్రం చాలా త్వరగా వాటిని కొన్ని పిక్సెల్‌ల నుండి గుర్తించడం నేర్చుకుంటుంది.

ఇప్పుడు స్టాప్ గుర్తుకు తిరిగి వెళ్ళు. ఇమేజ్‌లోని పిక్సెల్‌లను సూక్ష్మంగా సర్దుబాటు చేయడం ద్వారా-నిపుణులు ఈ జోక్యాన్ని "పెర్టర్‌బేషన్" అని పిలుస్తారు-మొదట స్టాప్ సైన్ లేదని భావించేలా మీరు కంప్యూటర్‌ను మోసగించవచ్చు.

వ్యోమింగ్ విశ్వవిద్యాలయం మరియు కార్నెల్ విశ్వవిద్యాలయంలోని ఎవల్యూషనరీ ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ లాబొరేటరీలో నిర్వహించిన ఇలాంటి పరిశోధనలు కృత్రిమ మేధస్సు కోసం చాలా కొన్ని ఆప్టికల్ భ్రమలను సృష్టించాయి. నైరూప్య నమూనాలు మరియు రంగుల యొక్క ఈ మనోధర్మి చిత్రాలు మానవులకు ఏమీ కనిపించవు, కానీ కంప్యూటర్‌లచే త్వరగా పాములు లేదా రైఫిల్స్‌గా గుర్తించబడతాయి. AI ఏదో ఒకదానిని ఎలా చూస్తుంది మరియు వస్తువును చూడదు లేదా బదులుగా వేరొకదానిని ఎలా చూడగలదు అనే దాని గురించి ఇది మాట్లాడుతుంది.

ఈ బలహీనత అన్ని రకాల మెషిన్ లెర్నింగ్ అల్గారిథమ్‌లలో సాధారణం. "ప్రతి అల్గోరిథం దాని కవచంలో చింక్ ఉందని మీరు ఆశించవచ్చు" అని వాండర్‌బిల్ట్ విశ్వవిద్యాలయంలో కంప్యూటర్ సైన్స్ మరియు ఇంజనీరింగ్ అసిస్టెంట్ ప్రొఫెసర్ ఎవ్జెనీ వోరోబేచిక్ చెప్పారు. "మేము చాలా సంక్లిష్టమైన బహుళ-డైమెన్షనల్ ప్రపంచంలో జీవిస్తున్నాము మరియు అల్గోరిథంలు వాటి స్వభావంతో దానిలో ఒక చిన్న భాగాన్ని మాత్రమే తాకుతాయి."

ఈ దుర్బలత్వాలు ఉన్నట్లయితే, వాటిని ఎలా ఉపయోగించుకోవాలో ఎవరైనా కనుగొంటారని స్పారో "అత్యంత నమ్మకం"తో ఉంది. బహుశా ఎవరైనా దీన్ని ఇప్పటికే చేసి ఉండవచ్చు.

స్పామ్ ఫిల్టర్‌లు, ఏదైనా వికృతమైన ఇమెయిల్‌లను తొలగించే ఆటోమేటెడ్ ప్రోగ్రామ్‌లను పరిగణించండి. స్పామర్‌లు పదాల స్పెల్లింగ్‌ను (వయాగ్రా - vi@gra బదులుగా) మార్చడం ద్వారా లేదా సాధారణంగా సాధారణ అక్షరాలలో కనిపించే “మంచి పదాల” జాబితాను జోడించడం ద్వారా ఈ అడ్డంకిని అధిగమించడానికి ప్రయత్నించవచ్చు: “aha”, “me”, “ సంతోషం”. ఇంతలో, స్పామ్‌లో తరచుగా కనిపించే "మొబైల్" లేదా "విన్" వంటి పదాలను తీసివేయడానికి స్పామర్‌లు ప్రయత్నించవచ్చు.

స్కామర్లు ఒక రోజు ఎంత దూరం వెళ్ళగలరు? సెల్ఫ్ డ్రైవింగ్ కారు స్టాప్ సైన్ స్టిక్కర్‌తో మోసం చేయబడటం అనేది ఈ రంగంలోని నిపుణులు కలలు కన్న ఒక క్లాసిక్ దృశ్యం. అదనపు డేటా అశ్లీలత సురక్షిత ఫిల్టర్‌ల ద్వారా వెళ్లడానికి సహాయపడవచ్చు. ఇతరులు చెక్కుల సంఖ్యను పెంచడానికి ప్రయత్నించవచ్చు. చట్ట అమలు నుండి తప్పించుకోవడానికి హ్యాకర్లు హానికరమైన సాఫ్ట్‌వేర్ కోడ్‌ను సర్దుబాటు చేయవచ్చు.

దాడి చేసేవారు మోసం చేయాలనుకుంటున్న మెషీన్ లెర్నింగ్ అల్గారిథమ్ కాపీని చేతిలోకి తీసుకుంటే, మిస్సింగ్ డేటాను ఎలా సృష్టించాలో గుర్తించగలరు. కానీ అల్గోరిథం ద్వారా పొందడానికి, ఇది అవసరం లేదు. మీరు బ్రూట్ ఫోర్స్‌తో దాన్ని విచ్ఛిన్నం చేయవచ్చు, అది పూర్తి అయ్యే వరకు కొద్దిగా భిన్నమైన ఇమెయిల్ లేదా చిత్రాలను విసిరివేయవచ్చు. కాలక్రమేణా, మంచి వ్యక్తులు ఏమి వెతుకుతున్నారు మరియు వారిని మోసం చేయడానికి ఏ డేటాను ఉత్పత్తి చేయాలో తెలుసుకునే పూర్తిగా కొత్త మోడల్ కోసం కూడా ఇది ఉపయోగించబడుతుంది.

పెన్సిల్వేనియా విశ్వవిద్యాలయంలో కంప్యూటర్ సైన్స్ మరియు ఇంజినీరింగ్ ప్రొఫెసర్ అయిన పాట్రిక్ మెక్‌డానియల్ మాట్లాడుతూ, "ప్రజలు మెషీన్ లెర్నింగ్ సిస్టమ్‌లను మొదటిసారి పరిచయం చేసినప్పటి నుండి వాటిని తారుమారు చేస్తున్నారు. "ప్రజలు ఈ పద్ధతులను ఉపయోగిస్తుంటే, దాని గురించి కూడా మాకు తెలియకపోవచ్చు."

ఇదే పద్ధతులను స్కామర్లు మాత్రమే ఉపయోగించలేరు - ఆధునిక సాంకేతిక పరిజ్ఞానం యొక్క X- రే కళ్ళ నుండి ప్రజలు దాచవచ్చు.

"మీరు అణచివేత పాలనలో రాజకీయ అసమ్మతి వాది అయితే మరియు ఇంటెలిజెన్స్ ఏజెన్సీలకు తెలియకుండా కార్యకలాపాలు నిర్వహించాలనుకుంటే, మీరు ఆటోమేటెడ్ మెషీన్ లెర్నింగ్-ఆధారిత నిఘా పద్ధతులను నివారించాలనుకోవచ్చు" అని లాడ్ చెప్పారు.

అక్టోబర్‌లో ప్రచురించబడిన ఒక ప్రాజెక్ట్‌లో, కార్నెగీ మెల్లన్ విశ్వవిద్యాలయంలోని పరిశోధకులు ఒక జత అద్దాలను సృష్టించారు, అది ముఖ గుర్తింపు వ్యవస్థను సూక్ష్మంగా మోసం చేయగలదు, దీనివల్ల కంప్యూటర్ నటి రీస్ విథర్‌స్పూన్‌ను రస్సెల్ క్రోవ్‌గా తప్పుపట్టింది. ఇది హాస్యాస్పదంగా అనిపిస్తుంది, కానీ శక్తుల నుండి సెన్సార్‌షిప్‌ను నివారించడానికి ఎవరైనా నిరాశకు గురైన వారికి ఈ సాంకేతికత ఉపయోగపడుతుంది.

వీటన్నింటితో ఏమి చేయాలి? "దీనిని పూర్తిగా నివారించడానికి ఏకైక మార్గం ఎల్లప్పుడూ సరైనది అయిన ఖచ్చితమైన నమూనాను సృష్టించడం" అని లోడ్ చెప్పారు. మానవులను అన్ని విధాలుగా అధిగమించే కృత్రిమ మేధస్సును మనం సృష్టించగలిగినప్పటికీ, ప్రపంచం ఊహించని ప్రదేశాలలో పందిని జారిపోగలదు.

మెషిన్ లెర్నింగ్ అల్గారిథమ్‌లు సాధారణంగా వాటి ఖచ్చితత్వం ద్వారా నిర్ణయించబడతాయి. 99% సమయం కుర్చీలను గుర్తించే ప్రోగ్రామ్ 10లో 6 కుర్చీలను గుర్తించే దాని కంటే మెరుగ్గా ఉంటుంది. అయితే కొంతమంది నిపుణులు దాడిని ఎదుర్కోవడానికి అల్గారిథమ్ సామర్థ్యాన్ని అంచనా వేయడానికి మరొక మార్గాన్ని సూచిస్తున్నారు: పటిష్టమైనది మంచిది.

నిపుణులు ప్రోగ్రామ్‌ల కోసం నిర్దిష్ట వేగాన్ని సెట్ చేయడం మరొక పరిష్కారం. నేరస్థులు ఏమి చేయగలరని మీరు అనుకుంటున్నారో దాని ఆధారంగా ల్యాబ్‌లో మీ స్వంత దాడి ఉదాహరణలను సృష్టించండి, ఆపై వాటిని మెషీన్ లెర్నింగ్ అల్గారిథమ్‌కు చూపండి. ఇది కాలక్రమేణా మరింత స్థితిస్థాపకంగా మారడంలో సహాయపడుతుంది - అయితే, పరీక్ష దాడులు వాస్తవ ప్రపంచంలో పరీక్షించబడే రకంగా ఉంటాయి.

"మెషిన్ లెర్నింగ్ సిస్టమ్స్ అర్థం చేసుకోవడానికి ఒక సాధనం. మనం వారికి ఏమి ఇస్తాం మరియు వారు మనకు చెప్పే విషయాల గురించి మనం తెలివిగా మరియు హేతుబద్ధంగా ఉండాలి" అని మెక్‌డానియల్ చెప్పారు. "మేము వాటిని సత్యం యొక్క పరిపూర్ణ ప్రవక్తలుగా పరిగణించకూడదు."

ఈ ఆర్టికల్‌లో, జన్యు అల్గారిథమ్‌ని ఉపయోగించి సరళమైన కృత్రిమ మేధస్సు (AI)ని పెంచే నా అనుభవాన్ని నేను పంచుకుంటాను మరియు ఏదైనా ప్రవర్తనను రూపొందించడానికి అవసరమైన కనీస ఆదేశాల గురించి కూడా మాట్లాడుతాను.

పని యొక్క ఫలితం ఏమిటంటే, AI, నియమాలు తెలియకుండా, స్వతంత్రంగా గేమ్ టిక్-టాక్-టోపై ప్రావీణ్యం సంపాదించింది మరియు దానికి వ్యతిరేకంగా ఆడిన బాట్‌ల బలహీనతలను కనుగొంది. కానీ నేను మరింత సరళమైన పనితో ప్రారంభించాను.

కమాండ్ సెట్

AI కలిగి ఉండగల ఆదేశాల సమితిని సిద్ధం చేయడంతో ఇదంతా ప్రారంభమైంది. ఉన్నత-స్థాయి భాషలు వందలాది విభిన్న ఆపరేటర్లను కలిగి ఉంటాయి. అవసరమైన కనిష్టాన్ని హైలైట్ చేయడానికి, నేను అసెంబ్లీ భాషకి మారాలని నిర్ణయించుకున్నాను. అయితే ఇందులో చాలా కమాండ్స్ కూడా ఉన్నాయని తేలింది.

డేటాను చదవడానికి మరియు అవుట్‌పుట్ చేయడానికి, మెమరీతో పని చేయడానికి, లెక్కలు మరియు తార్కిక కార్యకలాపాలను నిర్వహించడానికి, పరివర్తనాలు మరియు లూప్‌లను చేయడానికి నాకు AI అవసరం. నేను బ్రెయిన్‌ఫక్ భాషని చూశాను, ఇందులో కేవలం 8 కమాండ్‌లు మాత్రమే ఉన్నాయి మరియు ఏదైనా గణనను చేయగలను (అంటే ఇది ట్యూరింగ్ పూర్తయింది). సూత్రప్రాయంగా, ఇది జన్యు ప్రోగ్రామింగ్కు అనుకూలంగా ఉంటుంది, కానీ నేను మరింత ముందుకు వెళ్ళాను.

నేను ఆశ్చర్యపోయాను: ఏదైనా అల్గారిథమ్‌ని అమలు చేయడానికి అవసరమైన కమాండ్‌ల కనీస సంఖ్య ఎంత? అది మారినది, ఒకటి మాత్రమే ఉంది!

URISC ప్రాసెసర్‌లో ఒక సూచన మాత్రమే ఉంది: సబ్‌ట్రాహెండ్ మైన్యూఎండ్ కంటే ఎక్కువగా ఉంటే తదుపరి సూచనను తీసివేయండి మరియు దాటవేయండి. ఏదైనా అల్గోరిథం నిర్మించడానికి ఇది సరిపోతుంది.

ఒలేగ్ మజోంకా మరింత ముందుకు వెళ్ళాడు; అతను BitBitJump ఆదేశాన్ని అభివృద్ధి చేసాడు మరియు అది ట్యూరింగ్ పూర్తయిందని నిరూపించాడు. సూచన మూడు చిరునామాలను కలిగి ఉంటుంది, మొదటి నుండి రెండవ మెమరీ చిరునామాకు ఒక బిట్‌ను కాపీ చేస్తుంది మరియు నియంత్రణను మూడవ చిరునామాకు బదిలీ చేస్తుంది.

ఒలేగ్ ఆలోచనలను తీసుకొని, పనిని సరళీకృతం చేయడానికి, నేను SumIfJump ఆదేశాన్ని అభివృద్ధి చేసాను. కమాండ్ నాలుగు ఒపెరాండ్‌లను కలిగి ఉంటుంది: A, B, C, D మరియు ఈ క్రింది వాటిని చేస్తుంది: చిరునామా B వద్ద ఉన్న సెల్‌కు ఇది A చిరునామాలోని సెల్ నుండి డేటాను జోడిస్తుంది, విలువ పేర్కొన్న విలువ * కంటే ఎక్కువగా ఉంటే, అది చిరునామాకు వెళుతుంది. C, లేకుంటే అది D చిరునామాకు వెళుతుంది.

గమనిక

*ఈ సందర్భంలో, 128 ఉపయోగించబడింది - జన్యువు యొక్క సగం పొడవు.

operand A మెమరీ లొకేషన్ N0ని యాక్సెస్ చేసినప్పుడు, డేటా ఇన్‌పుట్ జరుగుతుంది మరియు operand A మెమరీ లొకేషన్ N1ని యాక్సెస్ చేసినప్పుడు, అవుట్‌పుట్ జరుగుతుంది.

క్రింద FreePascal (డెల్ఫీ యొక్క ఉచిత అనలాగ్)లో SumIfJump కోడ్ ఉంది.

విధానము RunProg(లు: TData); var a, b, c, d: TData; Inc (NStep) ప్రారంభించండి; NStep > MaxStep అయితే ProgResult:= "MaxStep"ని ప్రారంభించండి; బయటకి దారి; ముగింపు; a:= లు; b:= s + 1; c:= s + 2; d:= s + 3; a:= ప్రోగ్[a]; b:= ప్రోగ్[b]; c:= ప్రోగ్[c]; d:=ప్రోగ్[d]; a = 0 అయితే ProgResultని ప్రారంభించండి:= "ఇన్‌పుట్"; బయటకి దారి; ముగింపు; a = 1 అయితే ProgResult ప్రారంభించండి:= "అవుట్‌పుట్"; బయటకి దారి; ముగింపు; ప్రోగ్[బి] := ప్రోగ్[బి] + ప్రోగ్[ఎ]; ఒకవేళ ప్రోగ్[b]< ProgLength div 2 then RunProg(c) else RunProg(d); end;
SumIfJump స్వీయ-సవరణ కోడ్‌ను అమలు చేస్తుంది. సాంప్రదాయ ప్రోగ్రామింగ్ భాషలో అందుబాటులో ఉన్న ఏవైనా అల్గారిథమ్‌లను అమలు చేయగలదు. కోడ్ మార్చడం సులభం మరియు ఏదైనా తారుమారుని తట్టుకోగలదు.

సాధారణ పని

కాబట్టి, మా AIకి ఒకే ఒక ఆదేశం ఉంది. ఇప్పటివరకు, టిక్-టాక్-టో అతనికి చాలా కష్టమైన గేమ్, కాబట్టి నేను సరళమైన దానితో ప్రారంభించాను.

బాట్ యాదృచ్ఛిక సంఖ్యను ఉత్పత్తి చేస్తుంది మరియు AI తప్పనిసరిగా డేటాను చదివి సమాధానం ఇవ్వాలి. సంఖ్య సగటు కంటే ఎక్కువగా ఉంటే (యాదృచ్ఛిక సంఖ్యల శ్రేణి), AI సగటు కంటే తక్కువ సంఖ్యను ఉత్పత్తి చేయాలి మరియు దీనికి విరుద్ధంగా ఉండాలి.

మా AI యొక్క జన్యువు 0 నుండి 255 వరకు విలువలతో 256 సెల్‌లను కలిగి ఉంటుంది. ప్రతి విలువ మెమరీ, కోడ్ మరియు చిరునామా. కోడ్ అమలు దశల సంఖ్య 256కి పరిమితం చేయబడింది. ఆపరేండ్‌లు ఒకదాని తర్వాత ఒకటి చదవబడతాయి.

ప్రారంభంలో, జన్యువు యాదృచ్ఛిక సంఖ్యల సమితి ద్వారా ఉత్పత్తి చేయబడుతుంది, కాబట్టి AIకి ఏమి ప్లే చేయాలో తెలియదు. అంతేకాకుండా, బాట్‌కు ప్రతిస్పందిస్తున్నప్పుడు అతను డేటాను వరుసగా ఇన్‌పుట్ మరియు అవుట్‌పుట్ చేయాల్సిన అవసరం ఉందని అతనికి తెలియదు.

జనాభా మరియు ఎంపిక

మొదటి జనాభాలో 256 AIలు ఉన్నాయి, ఇవి బాట్‌తో ఆడటం ప్రారంభిస్తాయి. AI సరైన చర్యలను చేస్తే, ఉదాహరణకు, ఇన్‌పుట్ కోసం డేటాను అభ్యర్థించి, ఆపై ఏదైనా అవుట్‌పుట్ చేస్తే, AI పాయింట్లను అందుకుంటుంది. మరింత సరైన చర్యలు, ఎక్కువ పాయింట్లు.

అత్యధిక పాయింట్లు సాధించిన 16 AIలు ఒక్కొక్కటి 15 మంది సంతానాన్ని ఉత్పత్తి చేస్తాయి మరియు గేమ్‌లో పాల్గొనడం కొనసాగించాయి. ఒక సంతతి ఒక పరివర్తన చెందినది. పేరెంట్ కాపీలో ఒక యాదృచ్ఛిక సెల్‌ను యాదృచ్ఛిక విలువతో భర్తీ చేయడం ద్వారా మ్యుటేషన్ జరుగుతుంది.

మొదటి పాపులేషన్‌లో AI స్కోర్ చేయకపోతే, తదుపరి జనాభా ఏర్పడుతుంది. మరియు AI లలో ఒకటి సరైన చర్యలను చేయడం మరియు "సరైన" సంతానం ఉత్పత్తి చేయడం ప్రారంభించే వరకు.

పరిణామం

ముఖ్యమైన సంఘటనల మధ్య వేలాది తరాల మార్పులు జరిగాయి. ప్రోగ్రామ్ కోర్ i7లో బహుళ థ్రెడ్‌లలో అమలు చేయబడింది. లెక్కలు దాదాపు 15 నిమిషాలు పట్టింది.

1. AI "నాయకుడు" యాదృచ్ఛిక పొరపాటు చేసి, తగినంత పాయింట్లు సాధించనప్పుడు, జనాభా క్షీణించడం ప్రారంభించింది, ఎందుకంటే "ద్వితీయ" తల్లిదండ్రుల నుండి సంతానం ఏర్పడింది.
2. సమయాన్ని గుర్తించే బయటి వ్యక్తులతో ఒక స్ట్రీమ్‌లో, విజయవంతమైన మ్యుటేషన్ సంభవించి, పొందిన పాయింట్లలో పేలుడు పెరుగుదలను అందించింది. ఆ తర్వాత ఈ ప్రవాహం లీడర్ అయింది.
3. కొన్నిసార్లు చాలా కాలం పాటు విజయవంతమైన ఉత్పరివర్తనలు జరగలేదు మరియు ఎంపికను పూర్తి చేయడానికి 500 వేల తరాలు కూడా సరిపోవు.

ముగింపు

చివరగా, నేను టిక్-టాక్-టో గేమ్‌తో కూడా అదే చేసాను. ఉపయోగించిన జన్యు పరిమాణం మొదటి సందర్భంలో వలె ఉంటుంది. దశల సంఖ్య 1024కి మరియు జనాభా పరిమాణం 64కి పెంచబడింది (వేగవంతమైన గణన కోసం). గణన కొంచెం ఎక్కువ సమయం పట్టింది. అంతా ఇంచుమించు అదే దృశ్యం ప్రకారం జరిగింది.

మొదట, AI "రాండమైజర్"కి వ్యతిరేకంగా ఆడింది. నేను యాదృచ్ఛికంగా నడిచే బోట్ అని పిలిచాను. చాలా త్వరగా, AI అతనిని కొట్టడం ప్రారంభించింది, కొంత లైన్‌ను పూరించింది. తర్వాత, నేను రాండమైజర్‌కు కొంచెం తెలివితేటలను జోడించడం ద్వారా పనిని క్లిష్టతరం చేసాను: వీలైతే లైన్‌ను ఆక్రమించండి లేదా రక్షించండి. అయితే, ఈ సందర్భంలో, AI బోట్ యొక్క బలహీనతలను కనుగొంది మరియు దానిని ఓడించడం ప్రారంభించింది. బహుశా దీని గురించి ఒక కథ ప్రత్యేక కథనం కోసం ఒక అంశం.

నా కొడుకు నన్ను ఒక ప్రోగ్రామ్ రాయమని అడిగాడు, తద్వారా AIలు తమలో తాము ఆడుకునేలా, బోట్‌తో కాదు. చెకర్స్ లేదా గో గేమ్ కోసం కూడా అదే విధంగా చేయాలనే ఆలోచనలు ఉన్నాయి, అయితే, దీనికి నాకు తగినంత సమయం లేదు.

కొత్త వ్యక్తులను పొందేందుకు నేను ఉపయోగించిన ఏకైక పద్ధతి మ్యుటేషన్. మీరు క్రాస్ఓవర్ మరియు విలోమాన్ని కూడా ఉపయోగించవచ్చు. బహుశా ఈ పద్ధతులు అవసరమైన ఫలితాన్ని పొందడాన్ని వేగవంతం చేస్తాయి.

చివరికి, ఒక ఆలోచన పుట్టింది: AIకి PCలో అన్ని ప్రక్రియలను నిర్వహించగల మరియు కంప్యూటర్ వనరుల కోసం పోటీపడే సామర్థ్యాన్ని అందించడం. మీ PCని ఇంటర్నెట్‌కి కనెక్ట్ చేయండి మరియు పాత బిట్‌కాయిన్ ఫార్మ్‌లను కంప్యూటింగ్ పవర్‌గా ఉపయోగించండి...

ఇలాంటి ప్రయోగం చేస్తున్నప్పుడు బ్లాగర్ చెప్పినట్లు