AI විද්‍යාත්මක පර්යේෂණ: යන්ත්‍ර ඉගෙනීමේ සැබෑ අරමුණ

රූප ණය:
පින්තූර ණය
iStock

AI විද්‍යාත්මක පර්යේෂණ: යන්ත්‍ර ඉගෙනීමේ සැබෑ අරමුණ

AI විද්‍යාත්මක පර්යේෂණ: යන්ත්‍ර ඉගෙනීමේ සැබෑ අරමුණ

උපමාතෘකා පාඨය
පර්යේෂකයන් කෘත්‍රිම බුද්ධියේ හැකියාව පරීක්‍ෂා කරමින් අතිවිශාල දත්ත ප්‍රමාණයක් ඇගයීමට ලක් කරන අතර එමඟින් නව සොයාගැනීම්වලට තුඩු දිය හැකිය.
    • කර්තෘ:
    • කර්තෘගේ නම
      Quantumrun Foresight
    • මැයි 11, 2023

    උපකල්පන වර්ධනය කිරීම සාම්ප්‍රදායිකව තනිකරම මානව ක්‍රියාකාරකමක් ලෙස සැලකේ, එයට නිර්මාණශීලිත්වය, බුද්ධිය සහ විවේචනාත්මක චින්තනය අවශ්‍ය වේ. කෙසේ වෙතත්, තාක්‍ෂණික දියුණුවත් සමඟ, නව සොයාගැනීම් උත්පාදනය කිරීම සඳහා විද්‍යාඥයින් වැඩි වැඩියෙන් යන්ත්‍ර ඉගෙනීම (ML) වෙත යොමු වෙමින් සිටිති. ඇල්ගොරිතම මඟින් විශාල දත්ත ප්‍රමාණයක් ඉක්මනින් විශ්ලේෂණය කර මිනිසුන්ට දැකිය නොහැකි රටා හඳුනා ගත හැක.

    පසුබිම

    මානව පූර්ව නිගමන මත රඳා පවතිනවාට වඩා, පර්යේෂකයන් විසින් දත්ත රටා මත පදනම් වූ නව උපකල්පන යෝජනා කරමින් මිනිස් මොළයෙන් ආභාසය ලැබූ නිර්මාණයක් සහිත ස්නායු ජාල ML ඇල්ගොරිතම ගොඩනගා ඇත. එහි ප්‍රතිඵලයක් වශයෙන්, විද්‍යාත්මක සොයාගැනීම් වේගවත් කිරීමට සහ මානව පක්ෂග්‍රාහීත්වය අඩු කිරීමට බොහෝ ප්‍රදේශ ඉක්මනින් ML වෙත හැරවිය හැක. ගවේෂණය නොකළ බැටරි ද්‍රව්‍ය සම්බන්ධයෙන්, විද්‍යාඥයින් සම්ප්‍රදායිකව දත්ත සමුදා සෙවුම් ක්‍රම, ආකෘති නිර්මාණය සහ ශක්‍ය අණු හඳුනා ගැනීම සඳහා ඒවායේ රසායනික සංවේදනය මත විශ්වාසය තබා ඇත. එක්සත් රාජධානියේ පදනම් වූ ලිවර්පූල් විශ්ව විද්‍යාලයේ කණ්ඩායමක් නිර්මාණාත්මක ක්‍රියාවලිය සරල කිරීම සඳහා ML භාවිතා කළහ. 

    පළමුව, පර්යේෂකයන් විසින් වටිනා නව ද්‍රව්‍යයක් නිපදවීමේ සම්භාවිතාව මත පදනම්ව රසායනික සංයෝගවලට ප්‍රමුඛත්වය දුන් ස්නායුක ජාලයක් නිර්මාණය කරන ලදී. පසුව විද්‍යාඥයින් මෙම ශ්‍රේණිගත කිරීම් ඔවුන්ගේ රසායනාගාර අධ්‍යයනයට මග පෙන්වීම සඳහා යොදා ගත්හ. එහි ප්‍රතිඵලයක් වශයෙන්, ඔවුන් ඔවුන්ගේ ලැයිස්තුවේ ඇති සියල්ල පරීක්ෂා නොකර, මාස ගණනක අත්හදා බැලීම් සහ දෝෂයන් ඉතිරි නොකර, ශක්‍ය බැටරි ද්‍රව්‍ය තේරීම් හතරක් සොයා ගත්හ. ML පර්යේෂණයට සහාය විය හැකි එකම ක්ෂේත්‍රය නව ද්‍රව්‍ය නොවේ. පර්යේෂකයන් වඩාත් වැදගත් තාක්ෂණික සහ න්‍යායික ගැටළු විසඳීමට ස්නායු ජාල භාවිතා කරයි. උදාහරණයක් ලෙස, සූරිච් හි සෛද්ධාන්තික භෞතික විද්‍යා ආයතනයේ භෞතික විද්‍යාඥ රෙනාටෝ රෙනර් බලාපොරොත්තු වන්නේ ML භාවිතයෙන් ලෝකය ක්‍රියා කරන ආකාරය පිළිබඳ සංයුක්ත පැහැදිලි කිරීමක් වර්ධනය කිරීමටයි. 

    මීට අමතරව, OpenAI's ChatGPT වැනි වඩාත් සංකීර්ණ උත්පාදක AI මාදිලි පර්යේෂකයන්ට ස්වයංක්‍රීයව නව දත්ත, ආකෘති සහ උපකල්පන ජනනය කිරීමට ඉඩ සලසයි. උත්පාදක එදිරිවාදී ජාල (GANs), විචල්‍ය ස්වයංක්‍රීය කේතක (VAEs) සහ ට්‍රාන්ස්ෆෝමර් මත පදනම් වූ භාෂා ආකෘති (උත්පාදක පෙර පුහුණු ට්‍රාන්ස්ෆෝමර්-3 හෝ GPT-3 වැනි) වැනි ශිල්පීය ක්‍රම හරහා මෙම ජයග්‍රහණය සාක්ෂාත් කරගනු ලැබේ. මෙම AI ආකෘති කෘතිම දත්ත කට්ටල උත්පාදනය කිරීමට, නව ML ගෘහ නිර්මාණ සැලසුම් කිරීමට සහ ප්‍රශස්ත කිරීමට සහ කලින් නොදන්නා දත්තවල රටා සහ සම්බන්ධතා හඳුනා ගැනීමෙන් නව විද්‍යාත්මක උපකල්පන සංවර්ධනය කිරීමට භාවිතා කළ හැක.

    කඩාකප්පල්කාරී බලපෑම

    පර්යේෂණ සඳහා උපකාර කිරීම සඳහා විද්‍යාඥයින් වැඩි වැඩියෙන් ජනක AI භාවිතා කළ හැක. රටා විශ්ලේෂණය කිරීමට සහ එම දැනුම මත පදනම් වූ ප්‍රතිඵල පුරෝකථනය කිරීමට ඇති හැකියාව සමඟින්, මෙම ආකෘතීන් මානව වර්ගයා විසින් නොවිසඳී ඇති විද්‍යාවේ සංකීර්ණ න්‍යායන් විසඳනු ඇත. මෙය කාලය සහ මුදල් ඉතිරි කරනවා පමණක් නොව, විද්‍යාව පිළිබඳ මානව අවබෝධය එහි වර්තමාන සීමාවෙන් ඔබ්බට දිගු කිරීමට ද උපකාරී වේ. 

    ML හට දත්ත වේගයෙන් සැකසිය හැකි නිසා පර්යේෂණ සහ සංවර්ධන (R&D) ව්‍යාපාරයකට සුදුසු අරමුදල් රැස් කිරීම පහසු වනු ඇත. එහි ප්‍රතිඵලයක් වශයෙන්, විද්‍යාඥයින් නව සේවකයින් බඳවා ගැනීමෙන් හෝ ප්‍රසිද්ධ ව්‍යාපාර සහ සමාගම් සමඟ සහයෝගයෙන් කටයුතු කිරීමෙන් වඩා හොඳ ප්‍රතිඵල ලබා ගැනීමට වැඩි සහායක් ලබා ගනු ඇත. මෙම උනන්දුවෙහි සමස්ත බලපෑම විද්‍යාත්මක දියුණුව සඳහා පමණක් නොව විද්‍යාත්මක ක්ෂේත්‍ර තුළ සිටින වෘත්තිකයන් සඳහා ද ධනාත්මක වනු ඇත. 

    කෙසේ වෙතත්, විභව මාර්ග බාධකයක් නම්, මෙම අනුවර්තන ආකෘතිවලින් ලැබෙන විසඳුම් මිනිසුන්ට ග්‍රහණය කර ගැනීම සඳහා නිතර අභියෝගාත්මක වීම, විශේෂයෙන්ම එයට සම්බන්ධ තර්කයයි. යන්ත්‍ර මගින් පිළිතුරු පමණක් ලබා දීම සහ විසඳුම පිටුපස ඇති හේතුව පැහැදිලි නොකිරීම හේතුවෙන් විද්‍යාඥයින් ක්‍රියාවලිය සහ නිගමනය පිළිබඳව අවිනිශ්චිතව සිටිය හැකිය. මෙම අපැහැදිලි භාවය ප්රතිඵල පිළිබඳ විශ්වාසය දුර්වල කරන අතර විශ්ලේෂණයට උපකාර කළ හැකි ස්නායුක ජාල සංඛ්යාව අඩු කරයි. එබැවින්, පර්යේෂකයන්ට එය පැහැදිලි කළ හැකි ආකෘතියක් නිර්මාණය කිරීම අවශ්ය වනු ඇත.

    AI විද්‍යාත්මක පර්යේෂණවල ඇඟවුම්

    AI විද්‍යාත්මක පර්යේෂණවල පුළුල් ඇඟවුම් ඇතුළත් විය හැකිය:

    • AI වෙත බුද්ධිමය දේපල ණය ලබා දීම ඇතුළුව පර්යේෂණ පත්‍රිකා සඳහා කර්තෘ ප්‍රමිතීන්හි වෙනස්කම්. ඒ හා සමානව, AI පද්ධති දිනක විභව නොබෙල් ත්‍යාගලාභීන් ලෙස ප්‍රදානය කරනු ලබන අතර, මෙම ඇල්ගොරිතම නව නිපැයුම්කරුවන් ලෙස පිළිගත යුතුද යන්න පිළිබඳ දැඩි විවාද ඇති කළ හැකිය.
    • AI-උත්පාදනය කරන ලද පර්යේෂණ නව ආකාරයේ වගකීම් සහ විද්‍යාත්මක සොයාගැනීම් වලදී AI සහ ස්වායත්ත පද්ධති භාවිතා කිරීම සම්බන්ධ වැඩිදුර නීතිමය සහ සදාචාරාත්මක ප්‍රශ්නවලට තුඩු දිය හැකිය.
    • වෛද්‍ය වර්ධනයන් සහ පරීක්ෂණ වේගවත් කිරීමට විද්‍යාඥයින් විවිධ උත්පාදක AI මෙවලම් සමඟ වැඩ කරයි.
    • මෙම විස්තීර්ණ ඇල්ගොරිතම ක්‍රියාත්මක කිරීමට අවශ්‍ය අධි පරිගණන බලය හේතුවෙන් බලශක්ති භාවිතය වැඩි වීම.
    • අනාගත විද්‍යාඥයින් ඔවුන්ගේ කාර්ය ප්‍රවාහයන්හිදී AI සහ අනෙකුත් ML මෙවලම් භාවිතා කිරීමට පුහුණු කරනු ලැබේ.
    • AI-ජනනය කරන ලද විද්‍යාත්මක පරීක්ෂණ පැවැත්වීමේ සීමාවන් සහ අවශ්‍යතා පිළිබඳ ගෝලීය ප්‍රමිතීන් නිර්මාණය කරන රජයන්.

    සලකා බැලිය යුතු ප්‍රශ්න

    • ඔබ විද්‍යාඥයෙක් නම්, ඔබේ ආයතනය හෝ රසායනාගාරය AI ආධාරක පර්යේෂණ ඇතුළත් කිරීමට සැලසුම් කරන්නේ කෙසේද?
    • AI-උත්පාදනය කරන ලද පර්යේෂණ විද්‍යාඥයින් සහ පර්යේෂකයින් සඳහා රැකියා වෙළඳපොළට බලපානු ඇතැයි ඔබ සිතන්නේ කෙසේද?

    තීක්ෂ්ණ බුද්ධිය යොමු කිරීම්

    මෙම අවබෝධය සඳහා පහත ජනප්‍රිය සහ ආයතනික සබැඳි යොමු කර ඇත: