আজকাল, কৃত্রিম বুদ্ধি মেশিন লার্নিং, বিশেষত গভীর শিক্ষার প্রায় সমান মনে হয়। কেউ কেউ বলেছেন যে গভীর শিক্ষণ মানব বিশেষজ্ঞদের প্রতিস্থাপন করবে, fieldতিহ্যগতভাবে এই ক্ষেত্রটিতে বৈশিষ্ট্য ইঞ্জিনিয়ারিংয়ের জন্য অত্যন্ত গুরুত্বপূর্ণ। বলা হয়ে থাকে যে দুটি অগ্রগতি গভীর শিক্ষার উত্থানকে নিম্নরূপ করেছিল: একদিকে, স্নায়ুবিজ্ঞান এবং স্নায়ুবিজ্ঞানবিশেষত, আমাদের বলে যে মানব মস্তিষ্কের মতো, যা অত্যন্ত প্লাস্টিকের, কৃত্রিম নেটওয়ার্কগুলি প্রায় সমস্ত ফাংশনের মডেল হিসাবে ব্যবহার করা যেতে পারে; অন্যদিকে, কম্পিউটেশনাল পাওয়ার বৃদ্ধি, বিশেষত জিপিইউ এবং এফপিজিএর প্রবর্তন, অ্যালগরিদমিক বুদ্ধিমত্তাকে এক চমত্কার উপায়ে বাড়িয়ে তুলেছে, এবং কয়েক দশক আগে নির্মিত মডেলগুলিকে অত্যন্ত শক্তিশালী এবং বহুমুখী করে তুলেছে। আমি যুক্ত করব যে বিগত বছরগুলিতে জমে থাকা বড় ডেটা (বেশিরভাগ লেবেলযুক্ত ডেটা) প্রাসঙ্গিক।
এই ধরনের বিকাশ কম্পিউটারের দৃষ্টি (এবং ভয়েস স্বীকৃতি )কে একটি নতুন যুগে নিয়ে আসে তবে প্রাকৃতিক ভাষা প্রক্রিয়াকরণ এবং বিশেষজ্ঞ সিস্টেমে পরিস্থিতি খুব বেশি পরিবর্তিত হয়েছে বলে মনে হয় না।
নিউরাল নেটওয়ার্কগুলির জন্য সাধারণ জ্ঞান অর্জন একটি লম্বা ক্রম বলে মনে হয়, তবে বেশিরভাগ বাক্য, কথোপকথন এবং সংক্ষিপ্ত পাঠগুলিতে অন্তর্ভুক্ত থাকে যা পশ্চাদগ্রহ বিশ্বের জ্ঞান থেকে আঁকা উচিত। এইভাবে কৃত্রিম বুদ্ধিমত্তার জন্য জ্ঞানের গ্রাফিং খুব গুরুত্বপূর্ণ। নিউরাল নেটওয়ার্কগুলি জ্ঞানের ঘাঁটিগুলি তৈরির ক্ষেত্রে ব্যবহার করা যেতে পারে তবে মনে হয় যে নিউরাল নেটওয়ার্ক মডেলগুলি এই নির্মিত জ্ঞান ভিত্তিগুলি ব্যবহার করতে অসুবিধা রয়েছে।
আমার প্রশ্নগুলি হ'ল:
একটি জ্ঞানের ভিত্তি (উদাহরণস্বরূপ, একটি "জ্ঞান গ্রাফ", যেমন গুগল দ্বারা অঙ্কিত) এআইয়ের প্রতিশ্রুতিবদ্ধ শাখা? যদি তা হয় তবে কীভাবে কেবি মেশিন লার্নিংকে শক্তিশালী করতে পারে? কীভাবে আমরা এনএলইউ এবং এনএলজিতে বিচ্ছিন্ন সুপ্ত ভেরিয়েবলগুলি যুক্ত করতে পারি?
ডিএল দ্বারা প্রভাবিত যুগে বেঁচে থাকার জন্য, জ্ঞান বেসের (বা ছাতা শব্দটির প্রতীকী পদ্ধতির) দিকনির্দেশ কোথায়? ওল্ফ্রামের মতো জেড গতিশীল জ্ঞান কি নতুন দিকের ভিত্তি করেছে? না কোনও নতুন দিকনির্দেশ?
আমি কি মৌলিক কিছু, বা এই বিষয়গুলিকে সম্বোধনকারী কিছু ধারণা অনুপস্থিত করছি?