Bag-o lang gipagawas , nga nagpakita sa maayong uso sa pagkat-on sa makina sa bag-ohay nga katuigan. Sa laktud: ang gidaghanon sa mga pagsugod sa pagkat-on sa makina mius-os sa miaging duha ka tuig.
Aw. Atong tan-awon ang "kon ang bula mibuto", "unsaon pagpadayon sa pagkinabuhi" ug hisgutan kung diin gikan kini nga squiggle sa una nga lugar.
Una, hisgotan nato kung unsa ang nagpadako niini nga kurba. Diin siya gikan? Mahimong mahinumduman nila ang tanan pagkat-on sa makina sa 2012 sa kompetisyon sa ImageNet. Pagkahuman, kini ang una nga global nga panghitabo! Apan sa pagkatinuod dili kini mao ang kahimtang. Ug ang pagtubo sa kurba nagsugod sa usa ka gamay nga sayo pa. Gibahinbahin nako kini sa daghang mga punto.
- Nakita sa 2008 ang pagtunga sa termino nga "dako nga datos". Nagsugod ang tinuod nga mga produkto sukad 2010. Ang dagkong datos direktang nalangkit sa pagkat-on sa makina. Kung walay dagkong datos, imposible ang lig-on nga operasyon sa mga algorithm nga naglungtad niadtong panahona. Ug kini dili mga neural network. Hangtod sa 2012, ang mga neural network gipreserbar sa usa ka marginal nga minorya. Apan unya ang hingpit nga lainlaing mga algorithm nagsugod sa pagtrabaho, nga naglungtad sa daghang mga tuig, o bisan mga dekada: (1963,1993), (1995), (2003)
Ang gigikanan sa una nga balud usa ka hugpong sa mga balangkas sama sa XGBoost, CatBoost, LightGBM, ug uban pa.
- Sa 2011-2012 nakadaog sa daghang mga kompetisyon sa pag-ila sa imahe. Ang ilang aktwal nga paggamit medyo nalangan. Moingon ko nga ang daghang makahuluganon nga mga pagsugod ug solusyon nagsugod sa pagpakita kaniadtong 2014. Nagkinahanglan og duha ka tuig aron matunaw nga ang mga neuron nagtrabaho gihapon, aron makamugna og kombenyente nga mga frameworks nga mahimong ma-install ug ilunsad sa usa ka makatarunganon nga panahon, aron makahimo og mga pamaagi nga makapalig-on ug makapadali sa panahon sa panagtapok.
Ang mga convolutional network nagpaposible nga masulbad ang mga problema sa panan-aw sa kompyuter: pagklasipikar sa mga imahe ug mga butang sa imahe, pagtuki sa butang, pag-ila sa mga butang ug tawo, pagpaayo sa imahe, ug uban pa.
- 2015-2017. Ang boom sa mga algorithm ug mga proyekto base sa balik-balik nga mga network o sa ilang mga analogues (LSTM, GRU, TransformerNet, ug uban pa). Ang maayo nga paglihok nga speech-to-text nga mga algorithm ug mga sistema sa paghubad sa makina nagpakita. Sila sa bahin gibase sa convolutional networks sa pagkuha sa mga batakang bahin. Partially tungod sa kamatuoran nga nakakat-on kami sa pagkolekta sa dako kaayo ug maayo nga mga dataset.
“Mibuto ba ang bula? Nag-overheat ba ang hype? Namatay ba sila ingon usa ka blockchain? ”
Kung dili! Ugma mohunong si Siri sa pagtrabaho sa imong telepono, ug pagkaugma dili mahibal-an ni Tesla ang kalainan tali sa usa ka turno ug usa ka kangaroo.
Ang mga neural network nagtrabaho na. Anaa sila sa daghang mga aparato. Gitugotan ka nila nga makakwarta, magbag-o sa merkado ug sa kalibutan sa imong palibot. Morag lahi ang hype:
Kini ra nga ang mga neural network dili na bag-o. Oo, daghang mga tawo adunay taas nga mga gilauman. Apan daghang mga kompanya ang nakakat-on sa paggamit sa mga neuron ug paghimo og mga produkto base niini. Naghatag ang mga neuron og bag-ong gamit, gitugotan ka sa pagputol sa mga trabaho, ug pagpakunhod sa presyo sa mga serbisyo:
- Ang mga kompanya sa paggama naghiusa sa mga algorithm aron analisahon ang mga depekto sa linya sa produksiyon.
- Ang mga umahan sa kahayupan mopalit og mga sistema aron makontrol ang mga baka.
- Awtomatikong kombinasyon.
- Mga Automated Call Center.
- Mga filter sa SnapChat. (maayo, labing menos usa ka butang nga mapuslanon!)
Apan ang nag-unang butang, ug dili ang labing klaro: "Wala nay bag-ong mga ideya, o dili sila magdala dayon nga kapital." Ang mga neural network nakasulbad sa daghang mga problema. Ug labaw pa ang ilang desisyon. Ang tanan nga klaro nga mga ideya nga naglungtad nagpatungha sa daghang mga pagsugod. Apan ang tanan nga anaa sa ibabaw nakolekta na. Sulod sa milabay nga duha ka tuig, wala ako makakita og usa ka bag-ong ideya alang sa paggamit sa mga neural network. Walay bisan usa ka bag-ong pamaagi (maayo, ok, adunay pipila ka mga problema sa GANs).
Ug ang matag sunod nga pagsugod labi ka komplikado. Wala na kinahanglana ang duha ka lalaki nga nagbansay sa usa ka neuron gamit ang bukas nga datos. Nagkinahanglan kini og mga programmer, usa ka server, usa ka grupo sa mga marker, komplikadong suporta, ug uban pa.
Ingon usa ka sangputanan, adunay gamay nga mga pagsugod. Apan adunay dugang nga produksyon. Kinahanglan ba nga idugang ang pag-ila sa plaka sa lisensya? Adunay gatusan ka mga espesyalista nga adunay kalabutan nga kasinatian sa merkado. Mahimo kang mo-hire og usa ka tawo ug sa pipila ka bulan ang imong empleyado maghimo sa sistema. O pagpalit ug ready-made. Apan naghimo ug bag-ong pagsugod?.. Buang!
Kinahanglan ka nga maghimo usa ka sistema sa pagsubay sa bisita - ngano nga magbayad alang sa usa ka hugpong sa mga lisensya kung mahimo nimo ang imong kaugalingon sa 3-4 ka bulan, ihait kini alang sa imong negosyo.
Karon ang mga neural network nag-agi sa parehas nga dalan nga naagian sa daghang ubang mga teknolohiya.
Nahinumdom ka ba kung giunsa ang konsepto sa "website developer" nausab sukad sa 1995? Ang merkado wala pa puno sa mga espesyalista. Gamay ra ang mga propesyonal. Apan makapusta ako nga sa 5-10 ka tuig wala’y daghang kalainan tali sa usa ka Java programmer ug usa ka developer sa neural network. Adunay igo sa duha ka mga espesyalista sa merkado.
Adunay yano nga usa ka klase sa mga problema nga masulbad sa mga neuron. Usa ka buluhaton ang mitungha - pag-abang sa usa ka espesyalista.
"Unsay sunod? Asa ang gisaad nga artificial intelligence?”
Apan dinhi adunay gamay apan makapaikag nga dili pagsinabtanay :)
Ang stack sa teknolohiya nga anaa karon, dayag, dili magdala kanato ngadto sa artipisyal nga paniktik. Ang mga ideya ug ang ilang kabag-ohan sa kadaghanan gikapoy sa ilang kaugalingon. Atong hisgutan kung unsa ang nagkupot sa karon nga lebel sa pag-uswag.
Mga pagbabag
Magsugod ta sa mga awto nga nagmaneho sa kaugalingon. Kini daw tin-aw nga kini mao ang posible nga sa paghimo sa bug-os nga autonomous nga mga sakyanan uban sa teknolohiya karon. Apan kung pila ka tuig kini mahitabo dili klaro. Nagtuo si Tesla nga mahitabo kini sa pipila ka tuig -
Adunay daghan pang uban , kinsa nagbanabana nga kini 5-10 ka tuig.
Lagmit, sa akong opinyon, sa 15 ka tuig ang imprastraktura sa mga lungsod mismo magbag-o sa paagi nga ang pagtunga sa mga awtonomous nga awto mahimong dili kalikayan ug mahimong pagpadayon niini. Apan dili kini maisip nga paniktik. Ang modernong Tesla usa ka komplikado kaayo nga pipeline alang sa pagsala, pagpangita ug pag-retraining sa datos. Kini ang mga lagda-mga lagda-mga lagda, pagkolekta sa datos ug mga pagsala sa ibabaw niini (dinhi Nagsulat ako ug gamay pa bahin niini, o tan-awa gikan sa marka).
Ang una nga problema
Ug dinhi atong makita unang sukaranang problema. Dako nga datos. Mao gyud kini ang nanganak sa karon nga balud sa mga neural network ug pagkat-on sa makina. Karong panahona, aron mahimo ang usa ka butang nga komplikado ug awtomatiko, kinahanglan nimo ang daghang datos. Dili lang daghan, apan daghan kaayo. Nagkinahanglan kami og mga automated algorithm alang sa ilang pagkolekta, pagmarka, ug paggamit. Gusto namon nga makita sa awto ang mga trak nga nag-atubang sa adlaw - kinahanglan una namon nga mangolekta og igo nga gidaghanon niini. Gusto namon nga ang awto dili mabuang sa usa ka bisikleta nga naka-bold sa punoan - daghang mga sample.
Dugang pa, ang usa ka pananglitan dili igo. Gatusan ka? linibo?
Ikaduha nga problema
Ikaduha nga problema - pagtan-aw sa kung unsa ang nasabtan sa among neural network. Kini usa ka dili kaayo hinungdanon nga buluhaton. Hangtud karon, pipila ka mga tawo ang nakasabut kung giunsa kini paghanduraw. Kini nga mga artikulo bag-o pa kaayo, pipila lang kini nga mga pananglitan, bisan kung layo:
obsession sa mga texture. Gipakita niini pag-ayo kung unsa ang gipunting sa neuron sa + kung unsa ang gitan-aw niini nga nagsugod nga kasayuran.
Atensiyon sa . Sa tinuud, ang atraksyon kanunay nga magamit nga tukma aron ipakita kung unsa ang hinungdan sa ingon nga reaksyon sa network. Nakita nako ang ingon nga mga butang alang sa pag-debug ug mga solusyon sa produkto. Adunay daghang mga artikulo bahin niini nga hilisgutan. Apan kon mas komplikado ang datos, mas lisud sabton kon unsaon pagkab-ot ang lig-on nga visualization.
Aw, oo, ang maayo nga daan nga set sa "tan-awa kung unsa ang naa sa sulod sa mesh " Kini nga mga hulagway popular 3-4 ka tuig na ang milabay, apan ang tanan dali nga nakaamgo nga ang mga hulagway nindot, apan kini wala'y daghang kahulogan.
Wala nako hisgoti ang daghang mga gadget, pamaagi, hack, panukiduki kung giunsa ipakita ang sulud sa network. Nagtrabaho ba kini nga mga himan? Nakatabang ba sila kanimo nga dali nga masabtan kung unsa ang problema ug i-debug ang network?.. Kuhaa ang katapusang porsyento? Aw, parehas ra kini:
Mahimo nimong tan-awon ang bisan unsang kompetisyon sa Kaggle. Ug usa ka paghulagway kung giunsa paghimo sa mga tawo ang katapusan nga mga desisyon. Nag-stack kami og 100-500-800 nga mga yunit sa mga modelo ug kini nagtrabaho!
Naghinobra ko, siyempre. Apan kini nga mga pamaagi wala maghatag dali ug direkta nga mga tubag.
Ang pagbaton og igo nga kasinatian, nga nagsusi sa lain-laing mga kapilian, makahatag ka og hukom kon nganong ang imong sistema mihimo sa ingon nga desisyon. Apan maglisud ang pagtul-id sa pamatasan sa sistema. Pag-instalar og saklay, ibalhin ang threshold, pagdugang og dataset, pagkuha og laing backend network.
Ikatulo nga problema
Ikatulo nga Pundamental nga Problema - Ang mga grids nagtudlo sa mga istatistika, dili lohika. Statistically kini :
Sa lohikal nga paagi, kini dili kaayo parehas. Ang mga neural network dili makakat-on sa bisan unsa nga komplikado gawas kung kini gipugos. Kanunay nilang itudlo ang pinakasimple nga mga timailhan nga posible. Aduna ka bay mata, ilong, ulo? Busa kini ang nawong! O paghatag ug pananglitan diin ang mga mata wala magpasabot ug nawong. Ug pag-usab - milyon nga mga pananglitan.
Adunay Daghang Kwarto sa Ubos
Moingon ko nga kining tulo ka mga problema sa kalibutan nga karon naglimite sa pag-uswag sa mga neural network ug pagkat-on sa makina. Ug diin kini nga mga problema wala maglimite niini, kini aktibo na nga gigamit.
Kini ang katapusan? Naguba ba ang mga neural network?
Wala mailhi. Apan, siyempre, ang tanan wala maglaum.
Adunay daghang mga pamaagi ug direksyon sa pagsulbad sa sukaranang mga problema nga akong gipasiugda sa ibabaw. Apan hangtod karon, wala’y usa niini nga mga pamaagi nga nagpaposible sa pagbuhat sa usa ka butang nga bag-o nga sukaranan, aron masulbad ang usa ka butang nga wala pa masulbad. Hangtod karon, ang tanan nga sukaranan nga mga proyekto gihimo pinasukad sa mga lig-on nga pamaagi (Tesla), o nagpabilin nga mga proyekto sa pagsulay sa mga institusyon o korporasyon (Google Brain, OpenAI).
Sa kasagaran nga pagsulti, ang nag-unang direksyon mao ang paghimo sa pipila ka taas nga lebel nga representasyon sa input data. Sa usa ka diwa, "memorya". Ang pinakasimple nga pananglitan sa panumduman mao ang nagkalain-laing "Embedding" - mga representasyon sa imahe. Aw, pananglitan, ang tanan nga sistema sa pag-ila sa nawong. Ang network nakakat-on sa pagkuha gikan sa usa ka nawong sa pipila ka lig-on nga representasyon nga wala magdepende sa rotation, suga, o resolusyon. Sa tinuud, ang network gipamubu ang metric nga "lainlain nga mga nawong ang layo" ug "pareho nga mga nawong ang duol."
Alang sa ingon nga pagbansay, napulo ug gatusan ka libo nga mga pananglitan ang gikinahanglan. Apan ang resulta nagdala sa pipila sa mga sukaranan sa "One-shot Learning". Karon dili na kinahanglan ang gatusan ka mga nawong aron mahinumduman ang usa ka tawo. Usa ra ka nawong ug mao na lang mi !
Adunay usa lang ka problema... Ang grid makakat-on lang ug medyo yano nga mga butang. Sa pagsulay sa pag-ila sa dili mga nawong, apan, pananglitan, "mga tawo pinaagi sa sinina" (tas ) - ang kalidad nahulog sa daghang mga order sa kadako. Ug ang network dili na makakat-on ug klaro nga mga pagbag-o sa mga anggulo.
Ug ang pagkat-on gikan sa minilyon nga mga pananglitan usa usab ka matang sa kalingawan.
Adunay trabaho aron makunhuran ang eleksyon. Pananglitan, ang usa mahimo dayon nga mahinumdom sa usa sa una nga mga buhat sa Pagkat-on sa OneShot :
Adunay daghang ingon nga mga buhat, pananglitan o o .
Adunay usa ka minus - kasagaran ang pagbansay maayo sa pipila ka yano, "MNIST" nga mga pananglitan. Ug kung magpadayon sa komplikado nga mga buluhaton, kinahanglan nimo ang usa ka dako nga database, usa ka modelo sa mga butang, o usa ka matang sa salamangka.
Sa kinatibuk-an, ang pagtrabaho sa One-Shot nga pagbansay usa ka makapaikag kaayo nga hilisgutan. Makita nimo ang daghang mga ideya. Apan sa kasagaran, ang duha ka mga problema nga akong gilista (pretraining sa usa ka dako nga dataset / kawalay kalig-on sa komplikado data) dako nga makabalda sa pagkat-on.
Sa laing bahin, ang mga GAN—generative adversarial network—nagduol sa hilisgutan sa Embedding. Tingali nabasa nimo ang daghang mga artikulo sa Habré bahin niini nga hilisgutan. (, ,)
Ang usa ka bahin sa GAN mao ang pagporma sa pipila ka internal nga wanang sa estado (sa tinuud parehas nga Embedding), nga nagtugot kanimo sa pagdrowing og usa ka imahe. Mahimo kini , mahimo .
Ang problema sa GAN mao nga kon mas komplikado ang nahimo nga butang, mas lisud ang paghulagway niini sa "generator-discriminator" nga lohika. Ingon usa ka sangputanan, ang bugtong tinuud nga aplikasyon sa GAN nga nadungog mao ang DeepFake, nga, usab, nagmaniobra sa mga representasyon sa nawong (nga adunay usa ka dako nga base).
Diyutay ra kaayo ang akong nakita nga ubang mapuslanong gamit. Kasagaran usa ka matang sa paglimbong nga naglambigit sa pagtapos sa mga drowing sa mga litrato.
Ug pag-usab. Walay usa nga adunay bisan unsa nga ideya kon sa unsang paagi kini motugot kanato sa paglihok ngadto sa usa ka mas hayag nga kaugmaon. Ang pagrepresentar sa lohika / luna sa usa ka neural network maayo. Apan kinahanglan namon ang daghang mga pananglitan, wala kami makasabut kung giunsa kini nagrepresentar sa neuron sa iyang kaugalingon, wala kami makasabut kung giunsa ang paghimo sa neuron nga mahinumdom sa usa ka komplikado nga ideya.
Pagkat-on sa pagpalig-on - kini usa ka pamaagi gikan sa usa ka hingpit nga lahi nga direksyon. Sigurado nga nahinumdom ka kung giunsa gipildi sa Google ang tanan sa Go. Bag-o nga mga kadaugan sa Starcraft ug Dota. Apan dinhi ang tanan layo sa labi ka rosas ug saad. Labing maayo ang iyang gisulti bahin sa RL ug sa mga pagkakomplikado niini .
Sa mubo nga pag-summarize sa gisulat sa tagsulat:
- Ang mga modelo nga wala sa kahon dili mohaum / dili maayo nga trabaho sa kadaghanan nga mga kaso
- Ang praktikal nga mga problema mas sayon nga sulbaron sa ubang mga paagi. Ang Boston Dynamics wala mogamit sa RL tungod sa pagkakomplikado / pagkadili matag-an / pagkakompyut sa computational
- Aron molihok ang RL, kinahanglan nimo ang usa ka komplikado nga function. Kasagaran lisud ang paghimo / pagsulat
- Lisud sa pagbansay sa mga modelo. Kinahanglan ka nga mogahin og daghang oras sa pag-pump up ug paggawas sa lokal nga optima
- Ingon usa ka sangputanan, lisud ang pag-usab sa modelo, ang modelo dili lig-on nga adunay gamay nga pagbag-o
- Kanunay nga nag-overfit sa pipila ka mga random pattern, bisan usa ka random number generator
Ang yawe nga punto mao nga ang RL wala pa molihok sa produksiyon. Ang Google adunay pipila ka mga eksperimento ( , ). Apan wala koy nakita nga usa ka sistema sa produkto.
ulohon. Ang downside sa tanan nga gihulagway sa ibabaw mao ang kakulang sa istruktura. Usa sa mga pamaagi sa pagsulay sa paglimpyo sa tanan niini mao ang paghatag sa neural network og access sa lain nga memorya. Aron iyang marekord ug masulat pag-usab ang mga resulta sa iyang mga lakang didto. Dayon ang neural network mahimong matino pinaagi sa kasamtangan nga kahimtang sa panumduman. Kini susama kaayo sa mga klasiko nga processor ug kompyuter.
Ang labing inila ug popular — gikan sa DeepMind:
Morag kini ang yawe sa pagsabot sa paniktik? Apan lagmit dili. Ang sistema nanginahanglan gihapon og daghang datos alang sa pagbansay. Ug kini nag-una nga naglihok sa mga istruktura nga tabular nga datos. Dugang pa, sa dihang ang Facebook usa ka susama nga problema, dayon ilang gikuha ang dalan nga "screw memory, himoa lang nga mas komplikado ang neuron, ug adunay daghang mga pananglitan - ug kini makakat-on sa iyang kaugalingon."
Pagkabulag. Ang laing paagi sa paghimo og usa ka makahuluganon nga panumduman mao ang pagkuha sa parehas nga mga embeddings, apan sa panahon sa pagbansay, ipaila ang dugang nga mga pamatasan nga magtugot kanimo sa pagpasiugda sa "mga kahulugan" niini. Pananglitan, gusto namon nga magbansay sa usa ka neural network aron mailhan ang kinaiya sa tawo sa usa ka tindahan. Kung gisunod namon ang sukaranan nga agianan, kinahanglan namon nga maghimo usa ka dosena nga mga network. Ang usa nangita sa usa ka tawo, ang ikaduha mao ang pagdeterminar sa iyang gibuhat, ang ikatulo mao ang iyang edad, ang ikaupat mao ang iyang gender. Ang bulag nga lohika nagtan-aw sa bahin sa tindahan kung diin kini gihimo / gibansay sa pagbuhat niini. Ang ikatulo nagtino sa agianan niini, ug uban pa.
O, kung adunay usa ka walay kinutuban nga gidaghanon sa mga datos, nan posible nga magbansay sa usa ka network alang sa tanan nga posible nga mga sangputanan (klaro, ang ingon nga daghang mga datos dili makolekta).
Gisultihan kita sa pamaagi sa pagbulag - bansayon nato ang network aron kini mismo makaila sa mga konsepto. Aron mahimo kini nga usa ka pag-embed base sa video, diin ang usa ka lugar ang magdeterminar sa aksyon, ang usa ang magtino sa posisyon sa salog sa oras, ang usa ang magtino sa gitas-on sa tawo, ug ang usa ang magdeterminar sa gender sa tawo. Sa parehas nga oras, kung nagbansay, gusto nako nga hapit dili maaghat ang network nga adunay ingon nga yawe nga mga konsepto, apan aron kini i-highlight ug igrupo ang mga lugar. Adunay ubay-ubay nga mga artikulo (pipila niini , , ) ug sa kinatibuk-an sila medyo theoretical.
Apan kini nga direksyon, labing menos sa teoriya, kinahanglan nga maglakip sa mga problema nga gilista sa sinugdanan.
Ang pagkadunot sa imahe sumala sa mga parameter "kolor sa dingding / kolor sa salog / porma sa butang / kolor sa butang / uban pa."
Ang pagkadunot sa usa ka nawong sumala sa mga parameter "gidak-on, kilay, oryentasyon, kolor sa panit, ug uban pa."
Ang ubang mga
Adunay daghang uban pa, dili kaayo global, mga lugar nga nagtugot kanimo sa bisan unsang paagi nga makunhuran ang database, magtrabaho uban ang labi ka heterogenous nga datos, ug uban pa.
Pang-atensyon nga. Tingali dili makatarunganon nga ibulag kini ingon usa ka lahi nga pamaagi. Usa lang ka pamaagi nga makapauswag sa uban. Daghang mga artikulo ang gipahinungod kaniya (,,). Ang punto sa Atensyon mao ang pagpauswag sa tubag sa network ilabi na sa mahinungdanong mga butang sa panahon sa pagbansay. Kasagaran pinaagi sa usa ka matang sa eksternal nga target nga paghingalan, o usa ka gamay nga eksternal nga network.
3D nga simulation. Kung naghimo ka usa ka maayo nga 3D nga makina, mahimo nimo kanunay nga matabonan ang 90% sa datos sa pagbansay uban niini (nakakita pa ako usa ka pananglitan diin hapit 99% sa datos nasakup sa usa ka maayo nga makina). Adunay daghang mga ideya ug mga hack kung giunsa paghimo ang usa ka network nga gibansay sa usa ka 3D nga makina nga nagtrabaho gamit ang tinuud nga datos (Fine tuning, pagbalhin sa istilo, ug uban pa). Apan kasagaran ang paghimo sa usa ka maayo nga makina mao ang daghang mga order sa kadako nga labi ka lisud kaysa pagkolekta sa datos. Mga pananglitan sa dihang gihimo ang mga makina:
Pagbansay sa robot (, )
Mga sesyon sa pagbansay mga butang sa tindahan (apan sa duha ka mga proyekto nga among gihimo, dali ra namon mahimo kung wala kini).
Pagbansay sa Tesla (pag-usab, ang video sa ibabaw).
kaplag
Ang tibuok artikulo, sa usa ka diwa, mga konklusyon. Tingali ang panguna nga mensahe nga gusto nakong buhaton mao ang "natapos na ang mga libre, ang mga neuron dili na maghatag yano nga mga solusyon." Karon kinahanglan namong magkugi sa paghimog komplikadong mga desisyon. O magtrabaho pag-ayo sa paghimo sa komplikadong siyentipikong panukiduki.
Sa kinatibuk-an, ang hilisgutan debatable. Tingali ang mga magbabasa adunay mas makapaikag nga mga pananglitan?
Source: www.habr.com