যদি মেশিন লার্নিংয়ের কৌশলগুলি উন্নতি অব্যাহত রাখে, ভবিষ্যতে অ্যালগরিদমিকগুলির ভূমিকা কী?


23

আসুন এখন থেকে 30 বছর আগে ভবিষ্যতের দিকে নজর দিন। আসুন আমরা আশাবাদী হয়ে উঠি এবং ধরে নিই যে মেশিন লার্নিং সম্পর্কিত ক্ষেত্রগুলি আমরা গত 10 বছরে যা দেখেছি তত দ্রুত বিকাশ বজায় রাখে। এটি দুর্দান্ত হবে তবে এই জাতীয় ভবিষ্যতে traditionalতিহ্যবাহী অ্যালগোরিদমিকের ভূমিকা কী হবে?

এখানে "traditionalতিহ্যবাহী অ্যালগোরিদমিক্স" দ্বারা আমি টিসিএস-এ অনুসরণ করা স্বাভাবিক প্রক্রিয়াটি উল্লেখ করি: একটি ভাল-সংজ্ঞায়িত কম্পিউটেশনাল সমস্যাটি আনুষ্ঠানিককরণ করুন , সমস্যাটি সমাধানের জন্য ডিজাইন অ্যালগরিদমগুলি এবং আনুষ্ঠানিক কর্মক্ষমতা গ্যারান্টি প্রমাণিত করুন ।

এখন সেই অ্যাপ্লিকেশন ক্ষেত্রগুলি কী কী যেখানে আমাদের অবশ্যই ভবিষ্যতে traditionalতিহ্যবাহী অ্যালগরিদম নকশা এবং বিশ্লেষণ ব্যবহার করতে হবে , এবং মেশিন লার্নিংয়ের যে কোনও অগ্রগতি ?তিহ্যবাহী অ্যালগোরিদমিকগুলিকে বেশিরভাগ অপ্রাসঙ্গিক করে তুলবে তা খুব সম্ভব নয়?

প্রথমে এটি একটি নির্বোধ প্রশ্নের মতো মনে হতে পারে: অবশ্যই আমাদের ভবিষ্যতেও বাছাই, অনুসন্ধান, সূচীকরণ ইত্যাদি সক্ষম করতে হবে! অবশ্যই আমাদের ফুরিয়ার দক্ষতার সাথে রূপান্তর করতে, বৃহত্তর ম্যাট্রিকগুলিকে গুণ করা, সবচেয়ে ছোট পথ খুঁজে পেতে, রৈখিক অপ্টিমাইজেশনের সমস্যাগুলি সমাধান করতে সক্ষম হতে হবে!

তবে আবার, আপনি যে অ্যাপ্লিকেশনগুলিতে প্রথাগতভাবে আমরা ডিজাইন করেছি সেই অ্যালগরিদমগুলি একবার গভীরভাবে দেখতে শুরু করলে, এটি মোটেও পরিষ্কার নয় যে theতিহ্যবাহী অ্যালগরিদম নকশা এবং বিশ্লেষণ এই জাতীয় সমস্যার সঠিক উত্তর: অনুসন্ধান সম্পর্কিত অ্যাপ্লিকেশনগুলিতে , সাধারণত আমরা এমন কিছু সন্ধান করতে আগ্রহী যা কিছু মানুষের কাছে কিছু অস্পষ্ট-সংজ্ঞায়িত অর্থে (উদাহরণস্বরূপ শব্দার্থিক মিল), যা কিছু গাণিতিক অর্থে অনুকূল নয় (যেমন সর্বনিম্ন সম্পাদনার দূরত্ব)। রুট পরিকল্পনা সম্পর্কিত অ্যাপ্লিকেশনগুলিতে, সাধারণত আমরা উদাহরণগুলির উপর ভিত্তি করে ভাল রুটগুলি খুঁজতে আগ্রহী (যেমন অন্যান্য ব্যক্তিরা এটি পছন্দ করেন), কোনও গাণিতিক দিক থেকে অনুকূল নয় এমন রুটগুলি নয় (উদাহরণস্বরূপ স্বল্পতম দূরত্ব বা সস্তার দাম)। এবং ছবিটিতে একবার আপনার কিছু অস্পষ্ট, অশুচিত-সংজ্ঞায়িত মানব উপাদান তৈরি হয়ে গেলে, এটি একটি ক্ষেত্রে হতে পারে যে কোনও টিসিএস গবেষককে সামনে আসতে দেওয়ার পরিবর্তে উদাহরণের উপর ভিত্তি করে কম্পিউটারকে ভাল উত্তর দেওয়ার জন্য শেখানো আমরা আরও ভাল are প্রথাগত অ্যালগোরিদম নকশা এবং বিশ্লেষণের মাধ্যমে আমরা মোকাবিলা করতে পারি এমন একটি আনুষ্ঠানিক গণনা সমস্যা সহ

সুতরাং প্রয়োগের ক্ষেত্রগুলি কী (অগ্রাধিকারযোগ্য আসল এবং প্রত্যক্ষ শিল্প অ্যাপ্লিকেশন) যা এতে একেবারে স্পষ্ট যে আমরা অতীতে আলগোরিদিমগুলিতে যা করে চলেছি তাও অগ্রগতি করার সঠিক পথ (এবং একমাত্র সম্ভাব্য উপায়) হতে চলেছে ভবিষ্যতে?

মেশিন লার্নিং কৌশলগুলিতে সাববুটিন হিসাবে ব্যবহৃত অ্যালগরিদমগুলি ভবিষ্যতের প্রুফ প্রার্থীর মতো মনে হয়, তবে এটি আমাদের ব্যবহার করা নির্দিষ্ট মেশিন লার্নিং টেকনিকের উপর খুব বেশি নির্ভর করে এবং আমরা গত দশ বছর বা তার পরে যেমন দেখেছি, এটি দ্রুত পরিবর্তন হতে পারে ।


2
সমস্যাটি প্রাকৃতিকভাবে কোনও পরিষ্কার সমস্যার সাথে মিলে যায় যা ডিটিটাইমে ( অনুমান করা যায় কিনা তার উপর নির্ভর করে বলে মনে হচ্ছেএনএন-ε

4
দৃষ্টিভঙ্গি একচেটিয়া যে দৃষ্টিভঙ্গি সম্পর্কে আমি সংশয়বাদী। আমাদের কী ভাবার কারণ রয়েছে যে মেশিন-লার্নিং অ্যালগরিদমগুলি যে সমস্যার সমাধান করে তা আনুষ্ঠানিকভাবে সংজ্ঞা দেওয়া এবং তাদের কার্যকারিতা বিশ্লেষণকারী ভাল তাত্ত্বিক মডেলগুলি তৈরি করা সম্ভব হবে না? এর জন্য ডেটা-চালিত অ্যালগরিদমগুলির জন্য আরও ভাল মডেলগুলির প্রয়োজন হতে পারে (যা আমি উচ্চ বর্ণনামূলক জটিলতার সাথে অ্যালগোরিদম হিসাবে মনে করি), তবে এটি কি এমন একটি বাধা যে অতিক্রম করা যায় না?
নিল ইয়ং

উত্তর:


6

এটি এমন একটি প্রশ্ন যা আমাকে সম্প্রতি হতাশ করছে, তাই আপনি এটি জিজ্ঞাসা করে আমি আনন্দিত।
যাইহোক, আমি প্রয়োগের ক্ষেত্রগুলিকে শ্রেণিবদ্ধ করতে আগ্রহী না, যার জন্য মেশিন লার্নিং (traditionalতিহ্যবাহী) অ্যালগরিদমের ক্ষেত্রে অগ্রগতির প্রভাবের তুলনায় গণ্য পদ্ধতির প্রাধান্য পাবে। 30 বছরের মধ্যে আমরা কী ধরণের "মানব-রচিত আলগোরিদিম" গবেষণাটি আগ্রহী? স্বীকার করা, সাধারণভাবে উত্তর দেওয়া এটিই কঠিন প্রশ্ন, কারণ ফলাফলটি কোন মানের প্রয়োজন তা নির্ধারণ করে এটি প্রয়োগ।

আমি মনে করি যে জীবিতদের মধ্যে গণনা অ্যালগরিদম সংখ্যা হবে। একটি চিপ থেকে সমস্ত ইনপুট পরীক্ষা করার প্রয়োজন হবে বা একটি সম্পূর্ণ অনুসন্ধান করবে। অবজেক্ট-নির্দিষ্ট মনোযোগ, প্রতিটি বস্তুর উদাহরণ একবার (বা কমপক্ষে) একবার উত্পন্ন করার জন্য সূক্ষ্ম সুরযুক্ত ডিজাইনের প্রয়োজন; এবং কোনও অপচয় করা প্রচেষ্টার চলমান সময়ের প্রশস্তকরণ (বস্তুর বর্ণনার একটি ক্রিয়াকলাপ হিসাবে দৃষ্টান্তের ঘনিষ্ট সংখ্যা থাকতে পারে) - এই কারণগুলি আমাকে সন্দেহজনক করে তোলে যে একটি সাধারণ-উদ্দেশ্য স্বয়ংক্রিয় শিক্ষণ প্রক্রিয়া কোনও চৌকসটির সাথে মেলে, এই ক্ষেত্রে উদ্দেশ্য-নকশা সমাধান।


4

মেশিন লার্নিং সলিউশনগুলির সমস্যাটি হ'ল তারা যা চেয়েছিলেন তা সত্যিই গননা করে কিনা তা জানার কোনও উপায় নেই।

আমি তাদের সকল ডোমেন গ্রহণ করার আশা করছিলাম যেখানে কোনও ভুল ফলাফল বিপর্যয়কর নয় (যেমন আমরা যেখানে বর্তমানে হিউরিস্টিক্স ব্যবহার করি সেখানে যেখানেই রয়েছে) বা ফলাফল সহজেই পরীক্ষা করা যায় (যে সমস্যাগুলির জন্য আপনি জানেন যে একটি সমাধান বিদ্যমান রয়েছে (কারণ সেখানে পরীক্ষা করা হচ্ছে " কোন সমাধান "কঠিন হতে পারে)"।

বাকি ডোমেনগুলির জন্য, আমি প্রত্যাশা করতাম যে অ্যালগোরিদমগুলি আনুষ্ঠানিকভাবে প্রমাণিত হবে (উদাহরণস্বরূপ কোক / গ্যালিনা ব্যবহার করে) প্রায়শই আইক্রিসিংস করে। আশা করা যায়, মেশিন লার্নিং শেষ পর্যন্ত যেমন সিস্টেমে জিনিসকে কাগজের মতো সহজ (বা আরও সহজ) প্রমাণিত করে তুলবে। এমনকি এমন জায়গায় পৌঁছতে পারে যেখানে মানুষ কেবল স্পেসিফিকেশন লেখেন এবং মেশিন লার্নিং ব্যবহার করে অ্যালগরিদম এবং তার সঠিকতার প্রমাণ পাওয়া যায়। (নোট করুন যে অ্যালগরিদম নিজেই মেশিন লার্নিং ব্যবহার করে না, তবে এটি এবং এর সঠিকতার প্রমাণ মেশিন লার্নিং ব্যবহার করে পাওয়া গেছে)

সুতরাং আমরা নিজেরাই কেবল প্রুফ অ্যাসিস্ট্যান্টস, প্রোগ্রামের স্পেসিফিকেশন এবং মেশিন লার্নিং অ্যালগরিদমগুলি লিখতে পারি।

আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.