NeurIPS 2019: ಮುಂದಿನ ದಶಕದವರೆಗೆ ನಮ್ಮೊಂದಿಗೆ ಇರುವ ML ಟ್ರೆಂಡ್‌ಗಳು

ನ್ಯೂರೋಐಪಿಎಸ್ (ನರಗಳ ಮಾಹಿತಿ ಸಂಸ್ಕರಣಾ ವ್ಯವಸ್ಥೆಗಳು) ಯಂತ್ರ ಕಲಿಕೆ ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಕುರಿತು ವಿಶ್ವದ ಅತಿದೊಡ್ಡ ಸಮ್ಮೇಳನ ಮತ್ತು ಆಳವಾದ ಕಲಿಕೆಯ ಪ್ರಪಂಚದ ಪ್ರಮುಖ ಘಟನೆಯಾಗಿದೆ.

ನಾವು, ಡಿಎಸ್ ಇಂಜಿನಿಯರ್‌ಗಳು, ಹೊಸ ದಶಕದಲ್ಲಿ ಜೀವಶಾಸ್ತ್ರ, ಭಾಷಾಶಾಸ್ತ್ರ ಮತ್ತು ಮನೋವಿಜ್ಞಾನವನ್ನು ಸಹ ಕರಗತ ಮಾಡಿಕೊಳ್ಳುತ್ತೇವೆಯೇ? ನಮ್ಮ ವಿಮರ್ಶೆಯಲ್ಲಿ ನಾವು ನಿಮಗೆ ಹೇಳುತ್ತೇವೆ.

ಈ ವರ್ಷ ಸಮ್ಮೇಳನವು ಕೆನಡಾದ ವ್ಯಾಂಕೋವರ್‌ನಲ್ಲಿ 13500 ದೇಶಗಳಿಂದ 80 ಕ್ಕೂ ಹೆಚ್ಚು ಜನರನ್ನು ಒಟ್ಟುಗೂಡಿಸಿತು. ಸಮ್ಮೇಳನದಲ್ಲಿ Sberbank ರಷ್ಯಾವನ್ನು ಪ್ರತಿನಿಧಿಸುವ ಮೊದಲ ವರ್ಷವಲ್ಲ - DS ತಂಡವು ಬ್ಯಾಂಕಿಂಗ್ ಪ್ರಕ್ರಿಯೆಗಳಲ್ಲಿ ML ಅನುಷ್ಠಾನದ ಬಗ್ಗೆ, ML ಸ್ಪರ್ಧೆಯ ಬಗ್ಗೆ ಮತ್ತು Sberbank DS ವೇದಿಕೆಯ ಸಾಮರ್ಥ್ಯಗಳ ಬಗ್ಗೆ ಮಾತನಾಡಿದರು. ML ಸಮುದಾಯದಲ್ಲಿ 2019 ರ ಮುಖ್ಯ ಪ್ರವೃತ್ತಿಗಳು ಯಾವುವು? ಸಮ್ಮೇಳನದಲ್ಲಿ ಭಾಗವಹಿಸುವವರು ಹೇಳುತ್ತಾರೆ: ಆಂಡ್ರೆ ಚೆರ್ಟೊಕ್ и ಟಟಯಾನಾ ಶವ್ರಿನಾ.

ಈ ವರ್ಷ, ನ್ಯೂರಿಪ್ಸ್ 1400 ಕ್ಕೂ ಹೆಚ್ಚು ಪೇಪರ್‌ಗಳನ್ನು ಸ್ವೀಕರಿಸಿದೆ - ಅಲ್ಗಾರಿದಮ್‌ಗಳು, ಹೊಸ ಮಾದರಿಗಳು ಮತ್ತು ಹೊಸ ಡೇಟಾಗೆ ಹೊಸ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು. ಎಲ್ಲಾ ವಸ್ತುಗಳಿಗೆ ಲಿಂಕ್ ಮಾಡಿ

ಪರಿವಿಡಿ:

• ಪ್ರವೃತ್ತಿಗಳು
• • ಮಾದರಿ ವ್ಯಾಖ್ಯಾನ
  • ಬಹುಶಿಸ್ತೀಯತೆ
  • ತಾರ್ಕಿಕ ಕ್ರಿಯೆ
  • RL
  • GAN
• ಮೂಲಭೂತ ಆಹ್ವಾನಿತ ಮಾತುಕತೆಗಳು
• • "ಸೋಶಿಯಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್", ಬ್ಲೇಸ್ ಅಗುರಾ ವೈ ಅರ್ಕಾಸ್ (ಗೂಗಲ್)
  • "ವೆರಿಡಿಕಲ್ ಡಾಟಾ ಸೈನ್ಸ್", ಬಿನ್ ಯು (ಬರ್ಕ್ಲಿ)
  • "ಮಾನವ ವರ್ತನೆಯ ಮಾಡೆಲಿಂಗ್ ವಿತ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್: ಅವಕಾಶಗಳು ಮತ್ತು ಸವಾಲುಗಳು", ನೂರಿಯಾ ಎಂ ಆಲಿವರ್, ಆಲ್ಬರ್ಟ್ ಅಲಿ ಸಲಾಹ್
  • "ಸಿಸ್ಟಮ್ 1 ರಿಂದ ಸಿಸ್ಟಮ್ 2 ಡೀಪ್ ಲರ್ನಿಂಗ್", ಯೋಶುವಾ ಬೆಂಗಿಯೋ

ಟ್ರೆಂಡ್‌ಗಳು 2019

1. ಮಾದರಿ ವ್ಯಾಖ್ಯಾನ ಮತ್ತು ಹೊಸ ML ವಿಧಾನ

ಸಮ್ಮೇಳನದ ಮುಖ್ಯ ವಿಷಯವೆಂದರೆ ನಾವು ಕೆಲವು ಫಲಿತಾಂಶಗಳನ್ನು ಏಕೆ ಪಡೆಯುತ್ತೇವೆ ಎಂಬುದರ ವ್ಯಾಖ್ಯಾನ ಮತ್ತು ಪುರಾವೆಯಾಗಿದೆ. "ಕಪ್ಪು ಪೆಟ್ಟಿಗೆ" ವ್ಯಾಖ್ಯಾನದ ತಾತ್ವಿಕ ಪ್ರಾಮುಖ್ಯತೆಯ ಬಗ್ಗೆ ಒಬ್ಬರು ದೀರ್ಘಕಾಲ ಮಾತನಾಡಬಹುದು, ಆದರೆ ಈ ಪ್ರದೇಶದಲ್ಲಿ ಹೆಚ್ಚು ನೈಜ ವಿಧಾನಗಳು ಮತ್ತು ತಾಂತ್ರಿಕ ಬೆಳವಣಿಗೆಗಳು ಇದ್ದವು.

ಮಾದರಿಗಳನ್ನು ಪುನರಾವರ್ತಿಸುವ ಮತ್ತು ಅವುಗಳಿಂದ ಜ್ಞಾನವನ್ನು ಹೊರತೆಗೆಯುವ ವಿಧಾನವು ವಿಜ್ಞಾನಕ್ಕೆ ಹೊಸ ಟೂಲ್ಕಿಟ್ ಆಗಿದೆ. ಮಾದರಿಗಳು ಹೊಸ ಜ್ಞಾನವನ್ನು ಪಡೆಯಲು ಮತ್ತು ಅದನ್ನು ಪರೀಕ್ಷಿಸಲು ಒಂದು ಸಾಧನವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ ಮತ್ತು ಮಾದರಿಯ ಪೂರ್ವ ಸಂಸ್ಕರಣೆ, ತರಬೇತಿ ಮತ್ತು ಅಪ್ಲಿಕೇಶನ್‌ನ ಪ್ರತಿ ಹಂತವು ಪುನರುತ್ಪಾದಕವಾಗಿರಬೇಕು.
ಗಮನಾರ್ಹ ಪ್ರಮಾಣದ ಪ್ರಕಟಣೆಗಳು ಮಾದರಿಗಳು ಮತ್ತು ಸಾಧನಗಳ ನಿರ್ಮಾಣಕ್ಕೆ ಮೀಸಲಾಗಿರುವುದಿಲ್ಲ, ಆದರೆ ಭದ್ರತೆ, ಪಾರದರ್ಶಕತೆ ಮತ್ತು ಫಲಿತಾಂಶಗಳ ಪರಿಶೀಲನೆಯನ್ನು ಖಾತ್ರಿಪಡಿಸುವ ಸಮಸ್ಯೆಗಳಿಗೆ ಮೀಸಲಾಗಿವೆ. ನಿರ್ದಿಷ್ಟವಾಗಿ ಹೇಳುವುದಾದರೆ, ಮಾದರಿಯ ಮೇಲಿನ ದಾಳಿಗಳ ಬಗ್ಗೆ ಪ್ರತ್ಯೇಕ ಸ್ಟ್ರೀಮ್ ಕಾಣಿಸಿಕೊಂಡಿದೆ (ವಿರೋಧಿ ದಾಳಿಗಳು), ಮತ್ತು ತರಬೇತಿಯ ಮೇಲಿನ ದಾಳಿಗಳು ಮತ್ತು ಅಪ್ಲಿಕೇಶನ್ ಮೇಲಿನ ದಾಳಿಗಳೆರಡಕ್ಕೂ ಆಯ್ಕೆಗಳನ್ನು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ.

ಲೇಖನಗಳು:

• ವೆರಿಡಿಕಲ್ ಡೇಟಾ ಸೈನ್ಸ್ - ಮಾದರಿ ಪರಿಶೀಲನೆಯ ವಿಧಾನದ ಕುರಿತು ಪ್ರೋಗ್ರಾಮ್ಯಾಟಿಕ್ ಲೇಖನ. ಮಾದರಿಗಳನ್ನು ಅರ್ಥೈಸಲು ಆಧುನಿಕ ಪರಿಕರಗಳ ಅವಲೋಕನವನ್ನು ಒಳಗೊಂಡಿದೆ, ನಿರ್ದಿಷ್ಟವಾಗಿ, ಗಮನವನ್ನು ಬಳಸುವುದು ಮತ್ತು ರೇಖೀಯ ಮಾದರಿಗಳೊಂದಿಗೆ ನರಮಂಡಲವನ್ನು "ಬಟ್ಟಿ ಇಳಿಸುವ" ಮೂಲಕ ವೈಶಿಷ್ಟ್ಯದ ಪ್ರಾಮುಖ್ಯತೆಯನ್ನು ಪಡೆಯುವುದು.
• ಇದು ಹಾಗೆ ಕಾಣುತ್ತದೆ: ವ್ಯಾಖ್ಯಾನಿಸಬಹುದಾದ ಚಿತ್ರ ಗುರುತಿಸುವಿಕೆಗಾಗಿ ಆಳವಾದ ಕಲಿಕೆ ಚಾಫನ್ ಚೆನ್, ಆಸ್ಕರ್ ಲಿ, ಡೇನಿಯಲ್ ಟಾವೊ, ಅಲೀನಾ ಬರ್ನೆಟ್, ಸಿಂಥಿಯಾ ರುಡಿನ್, ಜೊನಾಥನ್ ಕೆ. ಸು
• ಡೀಪ್ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳಲ್ಲಿ ವ್ಯಾಖ್ಯಾನಿಸುವ ವಿಧಾನಗಳಿಗಾಗಿ ಬೆಂಚ್‌ಮಾರ್ಕ್ ಸಾರಾ ಹೂಕರ್, ಡುಮಿತ್ರು ಎರ್ಹಾನ್, ಪೀಟರ್-ಜಾನ್ ಕಿಂಡರ್‌ಮ್ಯಾನ್ಸ್, ಬೀನ್ ಕಿಮ್
• ಗಮನ ವರ್ಧಿತ ಏಜೆಂಟ್‌ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ವ್ಯಾಖ್ಯಾನಿಸಬಹುದಾದ ಬಲವರ್ಧನೆಯ ಕಲಿಕೆಯ ಕಡೆಗೆ ಅಲೆಕ್ಸಾಂಡರ್ ಮೋಟ್, ಡೇನಿಯಲ್ ಜೋರಾನ್, ಮೈಕ್ ಕ್ರ್ಜಾನೋವ್ಸ್ಕಿ, ಡಾನ್ ವೈರ್ಸ್ಟ್ರಾ, ಡ್ಯಾನಿಲೋ ಜಿಮೆನೆಜ್ ರೆಜೆಂಡೆ
• ಯಾದೃಚ್ಛಿಕ ಅರಣ್ಯಗಳಿಗಾಗಿ ಡಿಬಿಯಾಸ್ಡ್ MDI ವೈಶಿಷ್ಟ್ಯದ ಪ್ರಾಮುಖ್ಯತೆಯ ಅಳತೆ ಕ್ಸಿಯಾವೋ ಲಿ, ಯು ವಾಂಗ್, ಸುಮಂತ ಬಸು, ಕಾರ್ಲ್ ಕುಂಬಿಯರ್, ಬಿನ್ ಯು
• ಯಾವುದೇ ಗಮನಿಸಬಹುದಾದ ಡೇಟಾದೊಂದಿಗೆ ಜ್ಞಾನದ ಹೊರತೆಗೆಯುವಿಕೆ ಜೇಮಿನ್ ಯೂ, ಮಿನ್ಯಾಂಗ್ ಚೋ, ಟೇಬಮ್ ಕಿಮ್, ಯು ಕಾಂಗ್
• ಸ್ವತಂತ್ರವಾಗಿ ಪುನರುತ್ಪಾದಿಸಬಹುದಾದ ಯಂತ್ರ ಕಲಿಕೆ ಸಂಶೋಧನೆಯನ್ನು ಪರಿಮಾಣಿಸುವ ಕಡೆಗೆ ಒಂದು ಹೆಜ್ಜೆ ಎಡ್ವರ್ಡ್ ರಾಫ್

ExBert.net ಪಠ್ಯ ಪ್ರಕ್ರಿಯೆ ಕಾರ್ಯಗಳಿಗಾಗಿ ಮಾದರಿ ವ್ಯಾಖ್ಯಾನವನ್ನು ತೋರಿಸುತ್ತದೆ

2. ಬಹುಶಿಸ್ತೀಯತೆ

ವಿಶ್ವಾಸಾರ್ಹ ಪರಿಶೀಲನೆಯನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ಮತ್ತು ಜ್ಞಾನವನ್ನು ಪರಿಶೀಲಿಸಲು ಮತ್ತು ವಿಸ್ತರಿಸಲು ಕಾರ್ಯವಿಧಾನಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು, ನಮಗೆ ML ಮತ್ತು ವಿಷಯದ ಪ್ರದೇಶದಲ್ಲಿ (ಔಷಧಿ, ಭಾಷಾಶಾಸ್ತ್ರ, ನ್ಯೂರೋಬಯಾಲಜಿ, ಶಿಕ್ಷಣ, ಇತ್ಯಾದಿ) ಏಕಕಾಲದಲ್ಲಿ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಹೊಂದಿರುವ ಸಂಬಂಧಿತ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ತಜ್ಞರು ಅಗತ್ಯವಿದೆ. ನರವಿಜ್ಞಾನ ಮತ್ತು ಅರಿವಿನ ವಿಜ್ಞಾನಗಳಲ್ಲಿ ಕೃತಿಗಳು ಮತ್ತು ಭಾಷಣಗಳ ಹೆಚ್ಚು ಮಹತ್ವದ ಉಪಸ್ಥಿತಿಯನ್ನು ಗಮನಿಸುವುದು ವಿಶೇಷವಾಗಿ ಯೋಗ್ಯವಾಗಿದೆ - ತಜ್ಞರ ಹೊಂದಾಣಿಕೆ ಮತ್ತು ಆಲೋಚನೆಗಳ ಎರವಲು ಇದೆ.

ಈ ಹೊಂದಾಣಿಕೆಯ ಜೊತೆಗೆ, ವಿವಿಧ ಮೂಲಗಳಿಂದ ಮಾಹಿತಿಯ ಜಂಟಿ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಬಹುಶಿಸ್ತೀಯತೆ ಹೊರಹೊಮ್ಮುತ್ತಿದೆ: ಪಠ್ಯ ಮತ್ತು ಫೋಟೋಗಳು, ಪಠ್ಯ ಮತ್ತು ಆಟಗಳು, ಗ್ರಾಫ್ ಡೇಟಾಬೇಸ್ಗಳು + ಪಠ್ಯ ಮತ್ತು ಫೋಟೋಗಳು.

ಲೇಖನಗಳು:

• ನರವಿಜ್ಞಾನ + ML - ನೈಸರ್ಗಿಕ ಭಾಷಾ ಸಂಸ್ಕರಣೆಯೊಂದಿಗೆ (ಮೆದುಳಿನಲ್ಲಿ) ನೈಸರ್ಗಿಕ ಭಾಷೆಯ ಸಂಸ್ಕರಣೆಯನ್ನು (ಯಂತ್ರಗಳಲ್ಲಿ) ವ್ಯಾಖ್ಯಾನಿಸುವುದು ಮತ್ತು ಸುಧಾರಿಸುವುದು
• VisualQA - ಅಮೂರ್ತತೆಯ ಮೂಲಕ ಕಲಿಕೆ: ನ್ಯೂರಲ್ ಸ್ಟೇಟ್ ಮೆಷಿನ್
• RL + NLP - ನೈಸರ್ಗಿಕ ಭಾಷೆಯ ಸೂಚನೆಗಳನ್ನು ಉತ್ಪಾದಿಸುವ ಮತ್ತು ಅನುಸರಿಸುವ ಮೂಲಕ ಕ್ರಮಾನುಗತ ನಿರ್ಧಾರ

ಎರಡು ಮಾದರಿಗಳು - ಸ್ಟ್ರಾಟಜಿಸ್ಟ್ ಮತ್ತು ಎಕ್ಸಿಕ್ಯೂಟಿವ್ - RL ಮತ್ತು NLP ಪ್ಲೇ ಆನ್‌ಲೈನ್ ತಂತ್ರವನ್ನು ಆಧರಿಸಿದೆ

3. ತಾರ್ಕಿಕ ಕ್ರಿಯೆ

ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಬಲಪಡಿಸುವುದು ಸ್ವಯಂ-ಕಲಿಕೆ ವ್ಯವಸ್ಥೆಗಳು, "ಪ್ರಜ್ಞೆ", ತಾರ್ಕಿಕ ಮತ್ತು ತಾರ್ಕಿಕತೆಯ ಕಡೆಗೆ ಒಂದು ಚಳುವಳಿಯಾಗಿದೆ. ನಿರ್ದಿಷ್ಟವಾಗಿ ಹೇಳುವುದಾದರೆ, ಸಾಂದರ್ಭಿಕ ತೀರ್ಮಾನ ಮತ್ತು ಕಾಮನ್ಸೆನ್ಸ್ ತಾರ್ಕಿಕತೆಯು ಅಭಿವೃದ್ಧಿಗೊಳ್ಳುತ್ತಿದೆ. ಕೆಲವು ವರದಿಗಳು ಮೆಟಾ-ಲರ್ನಿಂಗ್‌ಗೆ (ಕಲಿಯಲು ಕಲಿಯುವುದು ಹೇಗೆ ಎಂಬುದರ ಕುರಿತು) ಮತ್ತು 1 ನೇ ಮತ್ತು 2 ನೇ ಕ್ರಮಾಂಕದ ತರ್ಕದೊಂದಿಗೆ DL ತಂತ್ರಜ್ಞಾನಗಳ ಸಂಯೋಜನೆಗೆ ಮೀಸಲಾಗಿವೆ - ಆರ್ಟಿಫಿಶಿಯಲ್ ಜನರಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್ (AGI) ಎಂಬ ಪದವು ಸ್ಪೀಕರ್ ಭಾಷಣಗಳಲ್ಲಿ ಸಾಮಾನ್ಯ ಪದವಾಗಿದೆ.

ಲೇಖನಗಳು:

• ವಿಷುಯಲ್ ಕಾಮನ್ಸೆನ್ಸ್ ರೀಸನಿಂಗ್‌ಗಾಗಿ ಭಿನ್ನಜಾತಿಯ ಗ್ರಾಫ್ ಕಲಿಕೆ ವೈಜಿಯಾಂಗ್ ಯು, ಜಿಂಗ್ವೆನ್ ಝೌ, ವೈಹಾವೊ ಯು, ಕ್ಸಿಯಾಡಾನ್ ಲಿಯಾಂಗ್, ನಾಂಗ್ ಕ್ಸಿಯಾವೊ
• ಬ್ರಿಡ್ಜಿಂಗ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಮತ್ತು ಲಾಜಿಕಲ್ ರೀಸನಿಂಗ್ ಬೈ ಅಬ್ಡಕ್ಟಿವ್ ಲರ್ನಿಂಗ್ ವಾಂಗ್-ಝೌ ಡೈ, ಕ್ಯುಲಿಂಗ್ ಕ್ಸು, ಯಾಂಗ್ ಯು, ಝಿ-ಹುವಾ ಝೌ
• ಮೊದಲ ಕ್ರಮಾಂಕದ ತರ್ಕದಲ್ಲಿ ತರ್ಕಿಸಲು ಸೂಚ್ಯವಾಗಿ ಕಲಿಯುವುದು ವೈಶಾಕ್ ಬೆಲ್ಲೆ, ಬ್ರೆಂಡನ್ ಜುಬಾ
• ಫೈರ್: ಶಾರೀರಿಕ ತಾರ್ಕಿಕತೆಗೆ ಹೊಸ ಮಾನದಂಡ ಆಂಟನ್ ಬಖ್ಟಿನ್, ಲಾರೆನ್ಸ್ ವ್ಯಾನ್ ಡೆರ್ ಮಾಟೆನ್, ಜಸ್ಟಿನ್ ಜಾನ್ಸನ್, ಲಾರಾ ಗುಸ್ಟಾಫ್ಸನ್, ರಾಸ್ ಗಿರ್ಶಿಕ್
• ತಾರ್ಕಿಕತೆಗಾಗಿ ಜ್ಞಾನದ ಕ್ವಾಂಟಮ್ ಎಂಬೆಡಿಂಗ್ ದಿನೇಶ್ ಗಾರ್ಗ್, ಶಜಿತ್ ಇಕ್ಬಾಲ್, ಸಂತೋಷ್ ಕೆ. ಶ್ರೀವಾಸ್ತವ, ಹರಿತ್ ವಿಶ್ವಕರ್ಮ, ಹಿಮಾ ಕರಣಂ, ಎಲ್ ವೆಂಕಟ ಸುಬ್ರಮಣ್ಯಂ

4. ಬಲವರ್ಧನೆ ಕಲಿಕೆ

ಹೆಚ್ಚಿನ ಕೆಲಸವು RL ನ ಸಾಂಪ್ರದಾಯಿಕ ಪ್ರದೇಶಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವುದನ್ನು ಮುಂದುವರೆಸಿದೆ - DOTA2, Starcraft, ಆರ್ಕಿಟೆಕ್ಚರ್‌ಗಳನ್ನು ಕಂಪ್ಯೂಟರ್ ದೃಷ್ಟಿ, NLP, ಗ್ರಾಫ್ ಡೇಟಾಬೇಸ್‌ಗಳೊಂದಿಗೆ ಸಂಯೋಜಿಸುತ್ತದೆ.

ಸಮ್ಮೇಳನದ ಒಂದು ಪ್ರತ್ಯೇಕ ದಿನವನ್ನು RL ಕಾರ್ಯಾಗಾರಕ್ಕೆ ಮೀಸಲಿಡಲಾಗಿತ್ತು, ಇದರಲ್ಲಿ ಆಪ್ಟಿಮಿಸ್ಟಿಕ್ ಆಕ್ಟರ್ ಕ್ರಿಟಿಕ್ ಮಾಡೆಲ್ ಆರ್ಕಿಟೆಕ್ಚರ್ ಅನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಲಾಯಿತು, ಹಿಂದಿನ ಎಲ್ಲವುಗಳಿಗಿಂತ ಉತ್ತಮವಾಗಿದೆ, ನಿರ್ದಿಷ್ಟವಾಗಿ ಸಾಫ್ಟ್ ಆಕ್ಟರ್ ಕ್ರಿಟಿಕ್.

ಲೇಖನಗಳು:

• ಆಶಾವಾದಿ ನಟ ವಿಮರ್ಶಕನೊಂದಿಗೆ ಉತ್ತಮ ಅನ್ವೇಷಣೆ; ಕಾಮಿಲ್ ಸಿಯೋಸೆಕ್, ಕ್ವಾನ್ ವೂಂಗ್, ರಾಬರ್ಟ್ ಲೋಫ್ಟಿನ್, ಕಟ್ಜಾ ಹಾಫ್ಮನ್
• ChainerRL: ಎ ಡೀಪ್ ರಿಇನ್‌ಫೋರ್ಸ್‌ಮೆಂಟ್ ಲರ್ನಿಂಗ್ ಲೈಬ್ರರಿ; ಯಸುಹಿರೊ ಫುಜಿತಾ (ಆದ್ಯತೆಯ ನೆಟ್‌ವರ್ಕ್‌ಗಳು, ಇಂಕ್.)*; ತೋಶಿಕಿ ಕಟೋಕಾ (ಆದ್ಯತೆಯ ನೆಟ್‌ವರ್ಕ್‌ಗಳು, ಇಂಕ್.); ಪ್ರಭಾತ್ ನಾಗರಾಜನ್ (ಆದ್ಯತೆಯ ಜಾಲಗಳು); ತಕಹಿರೊ ಇಶಿಕಾವಾ (ಟೋಕಿಯೊ ವಿಶ್ವವಿದ್ಯಾಲಯ) [ಬಾಹ್ಯ ಪಿಡಿಎಫ್ ಲಿಂಕ್].
• ಡ್ರೀಮ್ ಟು ಕಂಟ್ರೋಲ್: ಲರ್ನಿಂಗ್ ಬಿಹೇವಿಯರ್ಸ್ ಬೈ ಲ್ಯಾಟೆಂಟ್ ಇಮ್ಯಾಜಿನೇಷನ್; ಡ್ಯಾನಿಜರ್ ಹಾಫ್ನರ್ (ಗೂಗಲ್)*; ತಿಮೋತಿ ಲಿಲಿಕ್ರಾಪ್ (ಡೀಪ್ ಮೈಂಡ್); ಜಿಮ್ಮಿ ಬಾ (ಟೊರೊಂಟೊ ವಿಶ್ವವಿದ್ಯಾಲಯ); ಮೊಹಮ್ಮದ್ ನೊರೌಜಿ (ಗೂಗಲ್ ಬ್ರೈನ್)
• ಕಾರ್ಯಾಗಾರದ ವಸ್ತುಗಳು

ಸ್ಟಾರ್‌ಕ್ರಾಫ್ಟ್ ಆಟಗಾರರು ಆಲ್ಫಾಸ್ಟಾರ್ ಮಾದರಿಯೊಂದಿಗೆ ಹೋರಾಡುತ್ತಾರೆ (ಡೀಪ್‌ಮೈಂಡ್)

5.GAN

ಜನರೇಟಿವ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳು ಇನ್ನೂ ಗಮನದಲ್ಲಿವೆ: ಅನೇಕ ಕೃತಿಗಳು ಗಣಿತದ ಪುರಾವೆಗಳಿಗಾಗಿ ವೆನಿಲ್ಲಾ GAN ಗಳನ್ನು ಬಳಸುತ್ತವೆ ಮತ್ತು ಅವುಗಳನ್ನು ಹೊಸ, ಅಸಾಮಾನ್ಯ ರೀತಿಯಲ್ಲಿ ಅನ್ವಯಿಸುತ್ತವೆ (ಗ್ರಾಫ್ ಉತ್ಪಾದಕ ಮಾದರಿಗಳು, ಸರಣಿಯೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವುದು, ಡೇಟಾದಲ್ಲಿ ಕಾರಣ ಮತ್ತು ಪರಿಣಾಮದ ಸಂಬಂಧಗಳಿಗೆ ಅಪ್ಲಿಕೇಶನ್, ಇತ್ಯಾದಿ.).

ಲೇಖನಗಳು:

• ಷರತ್ತುಬದ್ಧ GAN ಗಳಿಗೆ ಗಣಿಗಾರಿಕೆ ಚಿನ್ನದ ಮಾದರಿಗಳು ಸಾಂಗ್ವೂ ಮೊ, ಚಿಹೆನ್ ಕಿಮ್, ಸುಂಗ್ವೂಂಗ್ ಕಿಮ್, ಮಿನ್ಸು ಚೋ, ಜಿನ್ವೂ ಶಿನ್
• GAN ಗಳ ಪ್ರಗತಿಶೀಲ ವರ್ಧನೆ ಡಾನ್ ಜಾಂಗ್, ಅನ್ನಾ ಖೋರೆವಾ
• ಷರತ್ತುಬದ್ಧ GAN ಬಳಸಿಕೊಂಡು ಕೋಷ್ಟಕ ಡೇಟಾವನ್ನು ಮಾಡೆಲಿಂಗ್ ಲೀ ಕ್ಸು, ಮರಿಯಾ ಸ್ಕೌಲಾರಿಡೌ, ಆಲ್ಫ್ರೆಡೊ ಕ್ಯುಸ್ಟಾ-ಇನ್ಫಾಂಟೆ, ಕಲ್ಯಾಣ್ ವೀರಮಾಚನೇನಿ
• papers.nips.cc/paper/9377-a-domain-agnostic-measure-for-monitoring-and-evaluating-gans

ಹೆಚ್ಚಿನ ಕೆಲಸವನ್ನು ಸ್ವೀಕರಿಸಿದ್ದರಿಂದ 1400 ಕೆಳಗೆ ನಾವು ಪ್ರಮುಖ ಭಾಷಣಗಳ ಬಗ್ಗೆ ಮಾತನಾಡುತ್ತೇವೆ.

ಆಹ್ವಾನಿತ ಮಾತುಕತೆಗಳು

"ಸೋಶಿಯಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್", ಬ್ಲೇಸ್ ಅಗುರಾ ವೈ ಅರ್ಕಾಸ್ (ಗೂಗಲ್)

ಲಿಂಕ್
ಸ್ಲೈಡ್‌ಗಳು ಮತ್ತು ವೀಡಿಯೊಗಳು
ಮಾತುಕತೆಯು ಯಂತ್ರ ಕಲಿಕೆಯ ಸಾಮಾನ್ಯ ವಿಧಾನದ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತದೆ ಮತ್ತು ಇದೀಗ ಉದ್ಯಮವನ್ನು ಬದಲಾಯಿಸುವ ನಿರೀಕ್ಷೆಗಳು - ನಾವು ಯಾವ ಅಡ್ಡಹಾದಿಗಳನ್ನು ಎದುರಿಸುತ್ತಿದ್ದೇವೆ? ಮೆದುಳು ಮತ್ತು ವಿಕಾಸವು ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ ಮತ್ತು ನೈಸರ್ಗಿಕ ವ್ಯವಸ್ಥೆಗಳ ಅಭಿವೃದ್ಧಿಯ ಬಗ್ಗೆ ನಾವು ಈಗಾಗಲೇ ತಿಳಿದಿರುವದನ್ನು ನಾವು ಏಕೆ ಕಡಿಮೆ ಬಳಸುತ್ತೇವೆ?

ML ನ ಕೈಗಾರಿಕಾ ಅಭಿವೃದ್ಧಿಯು Google ನ ಅಭಿವೃದ್ಧಿಯ ಮೈಲಿಗಲ್ಲುಗಳೊಂದಿಗೆ ಹೆಚ್ಚಾಗಿ ಹೊಂದಿಕೆಯಾಗುತ್ತದೆ, ಇದು ವರ್ಷದಿಂದ ವರ್ಷಕ್ಕೆ NeurIPS ನಲ್ಲಿ ತನ್ನ ಸಂಶೋಧನೆಯನ್ನು ಪ್ರಕಟಿಸುತ್ತದೆ:

• 1997 - ಹುಡುಕಾಟ ಸೌಲಭ್ಯಗಳ ಪ್ರಾರಂಭ, ಮೊದಲ ಸರ್ವರ್‌ಗಳು, ಸಣ್ಣ ಕಂಪ್ಯೂಟಿಂಗ್ ಶಕ್ತಿ
• 2010 - ಜೆಫ್ ಡೀನ್ ಗೂಗಲ್ ಬ್ರೈನ್ ಪ್ರಾಜೆಕ್ಟ್ ಅನ್ನು ಪ್ರಾರಂಭಿಸಿದರು, ಇದು ಆರಂಭದಲ್ಲಿಯೇ ನರ ಜಾಲಗಳ ಉತ್ಕರ್ಷ
• 2015 - ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳ ಕೈಗಾರಿಕಾ ಅನುಷ್ಠಾನ, ಸ್ಥಳೀಯ ಸಾಧನದಲ್ಲಿ ನೇರವಾಗಿ ಮುಖ ಗುರುತಿಸುವಿಕೆ, ಟೆನ್ಸರ್ ಕಂಪ್ಯೂಟಿಂಗ್‌ಗೆ ಅನುಗುಣವಾಗಿ ಕಡಿಮೆ-ಮಟ್ಟದ ಪ್ರೊಸೆಸರ್‌ಗಳು - TPU. ಗೂಗಲ್ ಕೋರಲ್ ಎಐ ಅನ್ನು ಪ್ರಾರಂಭಿಸುತ್ತದೆ - ರಾಸ್ಪ್ಬೆರಿ ಪೈನ ಅನಲಾಗ್, ಪ್ರಾಯೋಗಿಕ ಸ್ಥಾಪನೆಗಳಲ್ಲಿ ನರಮಂಡಲವನ್ನು ಪರಿಚಯಿಸಲು ಮಿನಿ-ಕಂಪ್ಯೂಟರ್
• 2017 - ಗೂಗಲ್ ವಿಕೇಂದ್ರೀಕೃತ ತರಬೇತಿಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಮತ್ತು ವಿವಿಧ ಸಾಧನಗಳಿಂದ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್ ತರಬೇತಿಯ ಫಲಿತಾಂಶಗಳನ್ನು ಒಂದು ಮಾದರಿಯಲ್ಲಿ ಸಂಯೋಜಿಸಲು ಪ್ರಾರಂಭಿಸುತ್ತದೆ - ಆಂಡ್ರಾಯ್ಡ್‌ನಲ್ಲಿ

ಇಂದು, ಇಡೀ ಉದ್ಯಮವು ಡೇಟಾ ಸುರಕ್ಷತೆ, ಒಟ್ಟುಗೂಡಿಸುವಿಕೆ ಮತ್ತು ಸ್ಥಳೀಯ ಸಾಧನಗಳಲ್ಲಿ ಕಲಿಕೆಯ ಫಲಿತಾಂಶಗಳ ಪ್ರತಿಕೃತಿಗೆ ಸಮರ್ಪಿಸಲಾಗಿದೆ.

ಸಂಯುಕ್ತ ಕಲಿಕೆ - ML ನ ನಿರ್ದೇಶನ, ಇದರಲ್ಲಿ ಪ್ರತ್ಯೇಕ ಮಾದರಿಗಳು ಪರಸ್ಪರ ಸ್ವತಂತ್ರವಾಗಿ ಕಲಿಯುತ್ತವೆ ಮತ್ತು ನಂತರ ಒಂದೇ ಮಾದರಿಯಾಗಿ ಸಂಯೋಜಿಸಲ್ಪಡುತ್ತವೆ (ಮೂಲ ಡೇಟಾವನ್ನು ಕೇಂದ್ರೀಕರಿಸದೆ), ಅಪರೂಪದ ಘಟನೆಗಳು, ವೈಪರೀತ್ಯಗಳು, ವೈಯಕ್ತೀಕರಣ, ಇತ್ಯಾದಿಗಳಿಗೆ ಸರಿಹೊಂದಿಸಲಾಗುತ್ತದೆ. ಎಲ್ಲಾ Android ಸಾಧನಗಳು ಮೂಲಭೂತವಾಗಿ Google ಗಾಗಿ ಒಂದೇ ಕಂಪ್ಯೂಟಿಂಗ್ ಸೂಪರ್‌ಕಂಪ್ಯೂಟರ್ ಆಗಿದೆ.

ಫೆಡರೇಟೆಡ್ ಕಲಿಕೆಯ ಆಧಾರದ ಮೇಲೆ ಉತ್ಪಾದಕ ಮಾದರಿಗಳು ಗೂಗಲ್ ಪ್ರಕಾರ ಭರವಸೆಯ ಭವಿಷ್ಯದ ನಿರ್ದೇಶನವಾಗಿದೆ, ಇದು "ಘಾತೀಯ ಬೆಳವಣಿಗೆಯ ಆರಂಭಿಕ ಹಂತಗಳಲ್ಲಿದೆ." GAN ಗಳು, ಉಪನ್ಯಾಸಕರ ಪ್ರಕಾರ, ಜೀವಂತ ಜೀವಿಗಳ ಜನಸಂಖ್ಯೆಯ ಸಾಮೂಹಿಕ ನಡವಳಿಕೆ ಮತ್ತು ಚಿಂತನೆಯ ಕ್ರಮಾವಳಿಗಳನ್ನು ಪುನರುತ್ಪಾದಿಸಲು ಕಲಿಯಲು ಸಮರ್ಥವಾಗಿವೆ.

ಎರಡು ಸರಳ GAN ಆರ್ಕಿಟೆಕ್ಚರ್‌ಗಳ ಉದಾಹರಣೆಯನ್ನು ಬಳಸಿಕೊಂಡು, ಅವುಗಳಲ್ಲಿ ಆಪ್ಟಿಮೈಸೇಶನ್ ಮಾರ್ಗದ ಹುಡುಕಾಟವು ವೃತ್ತದಲ್ಲಿ ಅಲೆದಾಡುತ್ತದೆ ಎಂದು ತೋರಿಸಲಾಗಿದೆ, ಅಂದರೆ ಆಪ್ಟಿಮೈಸೇಶನ್ ಸಂಭವಿಸುವುದಿಲ್ಲ. ಅದೇ ಸಮಯದಲ್ಲಿ, ಈ ಮಾದರಿಗಳು ಬ್ಯಾಕ್ಟೀರಿಯಾದ ಜನಸಂಖ್ಯೆಯ ಮೇಲೆ ಜೀವಶಾಸ್ತ್ರಜ್ಞರು ನಡೆಸುವ ಪ್ರಯೋಗಗಳನ್ನು ಅನುಕರಿಸುವಲ್ಲಿ ಬಹಳ ಯಶಸ್ವಿಯಾಗಿದೆ, ಆಹಾರದ ಹುಡುಕಾಟದಲ್ಲಿ ಹೊಸ ನಡವಳಿಕೆಯ ತಂತ್ರಗಳನ್ನು ಕಲಿಯಲು ಒತ್ತಾಯಿಸುತ್ತದೆ. ಜೀವನವು ಆಪ್ಟಿಮೈಸೇಶನ್ ಕಾರ್ಯಕ್ಕಿಂತ ವಿಭಿನ್ನವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂದು ನಾವು ತೀರ್ಮಾನಿಸಬಹುದು.

ವಾಕಿಂಗ್ GAN ಆಪ್ಟಿಮೈಸೇಶನ್

ಯಂತ್ರ ಕಲಿಕೆಯ ಚೌಕಟ್ಟಿನಲ್ಲಿ ನಾವು ಈಗ ಮಾಡುವುದೆಲ್ಲವೂ ಕಿರಿದಾದ ಮತ್ತು ಅತ್ಯಂತ ಔಪಚಾರಿಕ ಕಾರ್ಯಗಳಾಗಿವೆ, ಆದರೆ ಈ ಔಪಚಾರಿಕತೆಗಳು ಚೆನ್ನಾಗಿ ಸಾಮಾನ್ಯೀಕರಿಸುವುದಿಲ್ಲ ಮತ್ತು ನ್ಯೂರೋಫಿಸಿಯಾಲಜಿ ಮತ್ತು ಜೀವಶಾಸ್ತ್ರದಂತಹ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ನಮ್ಮ ವಿಷಯ ಜ್ಞಾನಕ್ಕೆ ಹೊಂದಿಕೆಯಾಗುವುದಿಲ್ಲ.

ಮುಂದಿನ ದಿನಗಳಲ್ಲಿ ನ್ಯೂರೋಫಿಸಿಯಾಲಜಿ ಕ್ಷೇತ್ರದಿಂದ ನಿಜವಾಗಿಯೂ ಎರವಲು ಪಡೆಯುವುದು ಹೊಸ ನ್ಯೂರಾನ್ ಆರ್ಕಿಟೆಕ್ಚರ್‌ಗಳು ಮತ್ತು ದೋಷಗಳ ಬ್ಯಾಕ್‌ಪ್ರೊಪಗೇಷನ್ ಕಾರ್ಯವಿಧಾನಗಳ ಸ್ವಲ್ಪ ಪರಿಷ್ಕರಣೆಯಾಗಿದೆ.

ಮಾನವ ಮೆದುಳು ಸ್ವತಃ ನರಮಂಡಲದಂತೆ ಕಲಿಯುವುದಿಲ್ಲ:

• ಅವನು ಇಂದ್ರಿಯಗಳ ಮೂಲಕ ಮತ್ತು ಬಾಲ್ಯದಲ್ಲಿ ನೀಡಲಾದ ಯಾದೃಚ್ಛಿಕ ಪ್ರಾಥಮಿಕ ಒಳಹರಿವುಗಳನ್ನು ಹೊಂದಿಲ್ಲ
• ಅವರು ಸಹಜ ಬೆಳವಣಿಗೆಯ ಅಂತರ್ಗತ ನಿರ್ದೇಶನಗಳನ್ನು ಹೊಂದಿದ್ದಾರೆ (ಶಿಶುವಿನಿಂದ ಭಾಷೆಯನ್ನು ಕಲಿಯುವ ಬಯಕೆ, ನೇರವಾಗಿ ನಡೆಯುವುದು)

ಪ್ರತ್ಯೇಕ ಮೆದುಳಿಗೆ ತರಬೇತಿ ನೀಡುವುದು ಕಡಿಮೆ ಮಟ್ಟದ ಕಾರ್ಯವಾಗಿದೆ; ಗುಂಪು ವಿಕಾಸದ ಕಾರ್ಯವಿಧಾನಗಳನ್ನು ಪುನರುತ್ಪಾದಿಸಲು ಪರಸ್ಪರ ಜ್ಞಾನವನ್ನು ರವಾನಿಸುವ ವೇಗವಾಗಿ ಬದಲಾಗುತ್ತಿರುವ ವ್ಯಕ್ತಿಗಳ "ವಸಾಹತುಗಳನ್ನು" ನಾವು ಪರಿಗಣಿಸಬೇಕು.

ನಾವು ಈಗ ML ಅಲ್ಗಾರಿದಮ್‌ಗಳಲ್ಲಿ ಏನನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳಬಹುದು:

• ಜನಸಂಖ್ಯೆಯ ಕಲಿಕೆಯನ್ನು ಖಾತ್ರಿಪಡಿಸುವ ಜೀವಕೋಶದ ವಂಶಾವಳಿಯ ಮಾದರಿಗಳನ್ನು ಅನ್ವಯಿಸಿ, ಆದರೆ ವ್ಯಕ್ತಿಯ ಅಲ್ಪಾವಧಿಯ ಜೀವನ ("ವೈಯಕ್ತಿಕ ಮೆದುಳು")
• ಕಡಿಮೆ ಸಂಖ್ಯೆಯ ಉದಾಹರಣೆಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಕೆಲವು-ಶಾಟ್ ಕಲಿಕೆ
• ಹೆಚ್ಚು ಸಂಕೀರ್ಣವಾದ ನರಕೋಶ ರಚನೆಗಳು, ಸ್ವಲ್ಪ ವಿಭಿನ್ನ ಸಕ್ರಿಯಗೊಳಿಸುವ ಕಾರ್ಯಗಳು
• "ಜೀನೋಮ್" ಅನ್ನು ಮುಂದಿನ ಪೀಳಿಗೆಗೆ ವರ್ಗಾಯಿಸುವುದು - ಬ್ಯಾಕ್‌ಪ್ರೊಪಾಗೇಶನ್ ಅಲ್ಗಾರಿದಮ್
• ಒಮ್ಮೆ ನಾವು ನ್ಯೂರೋಫಿಸಿಯಾಲಜಿ ಮತ್ತು ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳನ್ನು ಸಂಪರ್ಕಿಸಿದ ನಂತರ, ನಾವು ಅನೇಕ ಘಟಕಗಳಿಂದ ಬಹುಕ್ರಿಯಾತ್ಮಕ ಮೆದುಳನ್ನು ನಿರ್ಮಿಸಲು ಕಲಿಯುತ್ತೇವೆ.

ಈ ದೃಷ್ಟಿಕೋನದಿಂದ, SOTA ಪರಿಹಾರಗಳ ಅಭ್ಯಾಸವು ಹಾನಿಕಾರಕವಾಗಿದೆ ಮತ್ತು ಸಾಮಾನ್ಯ ಕಾರ್ಯಗಳನ್ನು (ಬೆಂಚ್‌ಮಾರ್ಕ್‌ಗಳು) ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಸಲುವಾಗಿ ಪರಿಷ್ಕರಿಸಬೇಕು.

"ವೆರಿಡಿಕಲ್ ಡಾಟಾ ಸೈನ್ಸ್", ಬಿನ್ ಯು (ಬರ್ಕ್ಲಿ)

ವೀಡಿಯೊಗಳು ಮತ್ತು ಸ್ಲೈಡ್‌ಗಳು
ವರದಿಯು ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಗಳನ್ನು ಅರ್ಥೈಸುವ ಸಮಸ್ಯೆ ಮತ್ತು ಅವುಗಳ ನೇರ ಪರೀಕ್ಷೆ ಮತ್ತು ಪರಿಶೀಲನೆಯ ವಿಧಾನಕ್ಕೆ ಮೀಸಲಾಗಿದೆ. ಯಾವುದೇ ತರಬೇತಿ ಪಡೆದ ML ಮಾದರಿಯನ್ನು ಅದರಿಂದ ಹೊರತೆಗೆಯಬೇಕಾದ ಜ್ಞಾನದ ಮೂಲವಾಗಿ ಗ್ರಹಿಸಬಹುದು.

ಅನೇಕ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ, ವಿಶೇಷವಾಗಿ ವೈದ್ಯಕೀಯದಲ್ಲಿ, ಈ ಗುಪ್ತ ಜ್ಞಾನವನ್ನು ಹೊರತೆಗೆಯದೆ ಮತ್ತು ಮಾದರಿಯ ಫಲಿತಾಂಶಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸದೆ ಮಾದರಿಯ ಬಳಕೆಯು ಅಸಾಧ್ಯವಾಗಿದೆ - ಇಲ್ಲದಿದ್ದರೆ ಫಲಿತಾಂಶಗಳು ಸ್ಥಿರವಾಗಿರುತ್ತವೆ, ಯಾದೃಚ್ಛಿಕವಲ್ಲದ, ವಿಶ್ವಾಸಾರ್ಹವಾಗಿರುತ್ತವೆ ಮತ್ತು ಕೊಲ್ಲುವುದಿಲ್ಲ ಎಂದು ನಾವು ಖಚಿತವಾಗಿರುವುದಿಲ್ಲ. ರೋಗಿಯ. ಕೆಲಸದ ವಿಧಾನದ ಸಂಪೂರ್ಣ ನಿರ್ದೇಶನವು ಆಳವಾದ ಕಲಿಕೆಯ ಮಾದರಿಯೊಳಗೆ ಅಭಿವೃದ್ಧಿ ಹೊಂದುತ್ತಿದೆ ಮತ್ತು ಅದರ ಗಡಿಗಳನ್ನು ಮೀರಿದೆ - ವೆರಿಡಿಕಲ್ ಡೇಟಾ ಸೈನ್ಸ್. ಅದು ಏನು?

ವೈಜ್ಞಾನಿಕ ಪ್ರಕಟಣೆಗಳ ಗುಣಮಟ್ಟ ಮತ್ತು ಮಾದರಿಗಳ ಪುನರುತ್ಪಾದನೆಯನ್ನು ಸಾಧಿಸಲು ನಾವು ಬಯಸುತ್ತೇವೆ:

1. ಊಹಿಸಬಹುದಾದ
2. ಗಣನೀಯ
3. ಅಚಲವಾದ

ಈ ಮೂರು ತತ್ವಗಳು ಹೊಸ ವಿಧಾನದ ಆಧಾರವಾಗಿದೆ. ಈ ಮಾನದಂಡಗಳ ವಿರುದ್ಧ ML ಮಾದರಿಗಳನ್ನು ಹೇಗೆ ಪರಿಶೀಲಿಸಬಹುದು? ತಕ್ಷಣವೇ ಅರ್ಥೈಸಬಹುದಾದ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸುವುದು ಸುಲಭವಾದ ಮಾರ್ಗವಾಗಿದೆ (ಹಿಮ್ಮೆಟ್ಟುವಿಕೆಗಳು, ನಿರ್ಧಾರ ಮರಗಳು). ಆದಾಗ್ಯೂ, ಆಳವಾದ ಕಲಿಕೆಯ ತಕ್ಷಣದ ಪ್ರಯೋಜನಗಳನ್ನು ಪಡೆಯಲು ನಾವು ಬಯಸುತ್ತೇವೆ.

ಸಮಸ್ಯೆಯೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಲು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಹಲವಾರು ಮಾರ್ಗಗಳು:

1. ಮಾದರಿಯನ್ನು ಅರ್ಥೈಸಿಕೊಳ್ಳಿ;
2. ಗಮನವನ್ನು ಆಧರಿಸಿ ವಿಧಾನಗಳನ್ನು ಬಳಸಿ;
3. ತರಬೇತಿ ನೀಡುವಾಗ ಕ್ರಮಾವಳಿಗಳ ಮೇಳಗಳನ್ನು ಬಳಸಿ, ಮತ್ತು ರೇಖಾತ್ಮಕ ವ್ಯಾಖ್ಯಾನಿಸಬಹುದಾದ ಮಾದರಿಗಳು ರೇಖೀಯ ಮಾದರಿಯಿಂದ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಅರ್ಥೈಸುವ ನರಮಂಡಲದಂತೆಯೇ ಅದೇ ಉತ್ತರಗಳನ್ನು ಊಹಿಸಲು ಕಲಿಯುತ್ತವೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ;
4. ತರಬೇತಿ ಡೇಟಾವನ್ನು ಬದಲಾಯಿಸುವುದು ಮತ್ತು ಹೆಚ್ಚಿಸುವುದು. ಇದು ಶಬ್ದ, ಹಸ್ತಕ್ಷೇಪ ಮತ್ತು ಡೇಟಾ ವರ್ಧನೆಯನ್ನು ಸೇರಿಸುವುದನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ;
5. ಮಾದರಿಯ ಫಲಿತಾಂಶಗಳು ಯಾದೃಚ್ಛಿಕವಾಗಿಲ್ಲ ಮತ್ತು ಸಣ್ಣ ಅನಗತ್ಯ ಹಸ್ತಕ್ಷೇಪವನ್ನು ಅವಲಂಬಿಸಿಲ್ಲ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುವ ಯಾವುದೇ ವಿಧಾನಗಳು (ವಿರೋಧಿ ದಾಳಿಗಳು);
6. ತರಬೇತಿಯ ನಂತರ ವಾಸ್ತವವಾಗಿ ನಂತರ ಮಾದರಿಯನ್ನು ಅರ್ಥೈಸಿಕೊಳ್ಳಿ;
7. ವಿವಿಧ ರೀತಿಯಲ್ಲಿ ಅಧ್ಯಯನ ವೈಶಿಷ್ಟ್ಯದ ತೂಕ;
8. ಎಲ್ಲಾ ಊಹೆಗಳ ಸಂಭವನೀಯತೆಗಳನ್ನು ಅಧ್ಯಯನ ಮಾಡಿ, ವರ್ಗ ವಿತರಣೆ.

ಪ್ರತಿಕೂಲ ದಾಳಿ ಒಂದು ಹಂದಿಗಾಗಿ

ಮಾಡೆಲಿಂಗ್ ದೋಷಗಳು ಎಲ್ಲರಿಗೂ ದುಬಾರಿಯಾಗಿದೆ: ರೆನ್ಹಾರ್ಟ್ ಮತ್ತು ರೋಗೋವ್ ಅವರ ಕೆಲಸವು ಒಂದು ಪ್ರಮುಖ ಉದಾಹರಣೆಯಾಗಿದೆ."ಸಾಲದ ಸಮಯದಲ್ಲಿ ಬೆಳವಣಿಗೆ"ಅನೇಕ ಯುರೋಪಿಯನ್ ರಾಷ್ಟ್ರಗಳ ಆರ್ಥಿಕ ನೀತಿಗಳ ಮೇಲೆ ಪ್ರಭಾವ ಬೀರಿತು ಮತ್ತು ಕಠಿಣ ನೀತಿಗಳನ್ನು ಅನುಸರಿಸಲು ಅವರನ್ನು ಒತ್ತಾಯಿಸಿತು, ಆದರೆ ಡೇಟಾ ಮತ್ತು ಅವುಗಳ ಸಂಸ್ಕರಣೆ ವರ್ಷಗಳ ನಂತರ ಎಚ್ಚರಿಕೆಯಿಂದ ಮರು-ಪರಿಶೀಲನೆಯು ವಿರುದ್ಧ ಫಲಿತಾಂಶವನ್ನು ತೋರಿಸಿದೆ!

ಯಾವುದೇ ML ತಂತ್ರಜ್ಞಾನವು ಅನುಷ್ಠಾನದಿಂದ ಅನುಷ್ಠಾನಕ್ಕೆ ತನ್ನದೇ ಆದ ಜೀವನ ಚಕ್ರವನ್ನು ಹೊಂದಿದೆ. ಮಾದರಿಯ ಜೀವನದ ಪ್ರತಿ ಹಂತದಲ್ಲೂ ಮೂರು ಮೂಲಭೂತ ತತ್ವಗಳನ್ನು ಪರಿಶೀಲಿಸುವುದು ಹೊಸ ವಿಧಾನದ ಗುರಿಯಾಗಿದೆ.

ಫಲಿತಾಂಶಗಳು:

• ML ಮಾದರಿಯು ಹೆಚ್ಚು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿರಲು ಸಹಾಯ ಮಾಡುವ ಹಲವಾರು ಯೋಜನೆಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗುತ್ತಿದೆ. ಇದು, ಉದಾಹರಣೆಗೆ, ಡೀಪ್‌ಟ್ಯೂನ್ (ಇದಕ್ಕೆ ಲಿಂಕ್: github.com/ChrisCummins/paper-end2end-dl);
• ವಿಧಾನದ ಮತ್ತಷ್ಟು ಅಭಿವೃದ್ಧಿಗಾಗಿ, ML ಕ್ಷೇತ್ರದಲ್ಲಿ ಪ್ರಕಟಣೆಗಳ ಗುಣಮಟ್ಟವನ್ನು ಗಣನೀಯವಾಗಿ ಸುಧಾರಿಸುವುದು ಅವಶ್ಯಕ;
• ಯಂತ್ರ ಕಲಿಕೆಗೆ ಬಹುಶಿಸ್ತೀಯ ತರಬೇತಿ ಮತ್ತು ತಾಂತ್ರಿಕ ಮತ್ತು ಮಾನವಿಕ ಕ್ಷೇತ್ರಗಳೆರಡರಲ್ಲೂ ಪರಿಣತಿ ಹೊಂದಿರುವ ನಾಯಕರ ಅಗತ್ಯವಿದೆ.

"ಯಂತ್ರ ಕಲಿಕೆಯೊಂದಿಗೆ ಮಾನವ ವರ್ತನೆಯ ಮಾಡೆಲಿಂಗ್: ಅವಕಾಶಗಳು ಮತ್ತು ಸವಾಲುಗಳು" ನೂರಿಯಾ ಎಂ ಆಲಿವರ್, ಆಲ್ಬರ್ಟ್ ಅಲಿ ಸಲಾಹ್

ಮಾನವ ನಡವಳಿಕೆ, ಅದರ ತಾಂತ್ರಿಕ ಅಡಿಪಾಯ ಮತ್ತು ಅಪ್ಲಿಕೇಶನ್ ನಿರೀಕ್ಷೆಗಳನ್ನು ಮಾಡೆಲಿಂಗ್ ಮಾಡಲು ಮೀಸಲಾಗಿರುವ ಉಪನ್ಯಾಸ.

ಮಾನವ ನಡವಳಿಕೆಯ ಮಾದರಿಯನ್ನು ಹೀಗೆ ವಿಂಗಡಿಸಬಹುದು:

• ವೈಯಕ್ತಿಕ ನಡವಳಿಕೆ
• ಒಂದು ಸಣ್ಣ ಗುಂಪಿನ ಜನರ ವರ್ತನೆ
• ಸಾಮೂಹಿಕ ನಡವಳಿಕೆ

ಈ ಪ್ರತಿಯೊಂದು ಪ್ರಕಾರವನ್ನು ML ಬಳಸಿ ಮಾಡೆಲಿಂಗ್ ಮಾಡಬಹುದು, ಆದರೆ ಸಂಪೂರ್ಣವಾಗಿ ವಿಭಿನ್ನ ಇನ್‌ಪುಟ್ ಮಾಹಿತಿ ಮತ್ತು ವೈಶಿಷ್ಟ್ಯಗಳೊಂದಿಗೆ. ಪ್ರತಿಯೊಂದು ವಿಧವು ತನ್ನದೇ ಆದ ನೈತಿಕ ಸಮಸ್ಯೆಗಳನ್ನು ಹೊಂದಿದೆ, ಅದು ಪ್ರತಿ ಯೋಜನೆಯು ಹಾದುಹೋಗುತ್ತದೆ:

• ವೈಯಕ್ತಿಕ ನಡವಳಿಕೆ - ಗುರುತಿನ ಕಳ್ಳತನ, ಡೀಪ್‌ಫೇಕ್;
• ಜನರ ಗುಂಪುಗಳ ನಡವಳಿಕೆ - ಡಿ-ಅನಾಮಧೇಯತೆ, ಚಲನೆಗಳ ಬಗ್ಗೆ ಮಾಹಿತಿಯನ್ನು ಪಡೆಯುವುದು, ದೂರವಾಣಿ ಕರೆಗಳು, ಇತ್ಯಾದಿ.

ವೈಯಕ್ತಿಕ ನಡವಳಿಕೆ

ಹೆಚ್ಚಾಗಿ ಕಂಪ್ಯೂಟರ್ ವಿಷನ್ ವಿಷಯಕ್ಕೆ ಸಂಬಂಧಿಸಿದೆ - ಮಾನವ ಭಾವನೆಗಳು ಮತ್ತು ಪ್ರತಿಕ್ರಿಯೆಗಳ ಗುರುತಿಸುವಿಕೆ. ಬಹುಶಃ ಸನ್ನಿವೇಶದಲ್ಲಿ, ಸಮಯಕ್ಕೆ ಅಥವಾ ಅವನ ಸ್ವಂತ ಭಾವನೆಗಳ ವ್ಯತ್ಯಾಸದ ಸಾಪೇಕ್ಷ ಪ್ರಮಾಣದಲ್ಲಿ ಮಾತ್ರ. ಮೆಡಿಟರೇನಿಯನ್ ಮಹಿಳೆಯರ ಭಾವನಾತ್ಮಕ ಸ್ಪೆಕ್ಟ್ರಮ್‌ನಿಂದ ಸಂದರ್ಭವನ್ನು ಬಳಸಿಕೊಂಡು ಮೋನಾಲಿಸಾ ಅವರ ಭಾವನೆಗಳ ಗುರುತಿಸುವಿಕೆಯನ್ನು ಸ್ಲೈಡ್ ತೋರಿಸುತ್ತದೆ. ಫಲಿತಾಂಶ: ಸಂತೋಷದ ನಗು, ಆದರೆ ತಿರಸ್ಕಾರ ಮತ್ತು ಅಸಹ್ಯದಿಂದ. "ತಟಸ್ಥ" ಭಾವನೆಯನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವ ತಾಂತ್ರಿಕ ವಿಧಾನದಲ್ಲಿ ಕಾರಣವು ಹೆಚ್ಚಾಗಿ ಇರುತ್ತದೆ.

ಸಣ್ಣ ಗುಂಪಿನ ಜನರ ವರ್ತನೆ

ಇಲ್ಲಿಯವರೆಗೆ ಸಾಕಷ್ಟು ಮಾಹಿತಿಯ ಕೊರತೆಯಿಂದಾಗಿ ಕೆಟ್ಟ ಮಾದರಿಯಾಗಿದೆ. ಉದಾಹರಣೆಯಾಗಿ, 2018 - 2019 ರವರೆಗಿನ ಕೃತಿಗಳನ್ನು ತೋರಿಸಲಾಗಿದೆ. ಡಜನ್ಗಟ್ಟಲೆ ಜನರ ಮೇಲೆ X ಡಜನ್‌ಗಟ್ಟಲೆ ವೀಡಿಯೊಗಳು (cf. 100k++ ಚಿತ್ರ ಡೇಟಾಸೆಟ್‌ಗಳು). ಈ ಕಾರ್ಯವನ್ನು ಉತ್ತಮವಾಗಿ ರೂಪಿಸಲು, ಬಹುಮಾದರಿಯ ಮಾಹಿತಿಯ ಅಗತ್ಯವಿದೆ, ಮೇಲಾಗಿ ದೇಹದ ಆಲ್ಟಿಮೀಟರ್, ಥರ್ಮಾಮೀಟರ್, ಮೈಕ್ರೊಫೋನ್ ರೆಕಾರ್ಡಿಂಗ್ ಇತ್ಯಾದಿಗಳಲ್ಲಿನ ಸಂವೇದಕಗಳಿಂದ.

ಸಾಮೂಹಿಕ ನಡವಳಿಕೆ

ಅತ್ಯಂತ ಅಭಿವೃದ್ಧಿ ಹೊಂದಿದ ಪ್ರದೇಶ, ಏಕೆಂದರೆ ಗ್ರಾಹಕರು ಯುಎನ್ ಮತ್ತು ಅನೇಕ ರಾಜ್ಯಗಳು. ಹೊರಾಂಗಣ ಕಣ್ಗಾವಲು ಕ್ಯಾಮೆರಾಗಳು, ಟೆಲಿಫೋನ್ ಟವರ್‌ಗಳಿಂದ ಡೇಟಾ - ಬಿಲ್ಲಿಂಗ್, ಎಸ್‌ಎಂಎಸ್, ಕರೆಗಳು, ರಾಜ್ಯ ಗಡಿಗಳ ನಡುವಿನ ಚಲನೆಯ ಡೇಟಾ - ಇವೆಲ್ಲವೂ ಜನರ ಚಲನೆ ಮತ್ತು ಸಾಮಾಜಿಕ ಅಸ್ಥಿರತೆಯ ಬಗ್ಗೆ ಅತ್ಯಂತ ವಿಶ್ವಾಸಾರ್ಹ ಚಿತ್ರವನ್ನು ನೀಡುತ್ತದೆ. ತಂತ್ರಜ್ಞಾನದ ಸಂಭಾವ್ಯ ಅನ್ವಯಿಕೆಗಳು: ಪಾರುಗಾಣಿಕಾ ಕಾರ್ಯಾಚರಣೆಗಳ ಆಪ್ಟಿಮೈಸೇಶನ್, ತುರ್ತು ಸಂದರ್ಭಗಳಲ್ಲಿ ಸಹಾಯ ಮತ್ತು ಜನಸಂಖ್ಯೆಯ ಸಕಾಲಿಕ ಸ್ಥಳಾಂತರಿಸುವಿಕೆ. ಬಳಸಿದ ಮಾದರಿಗಳನ್ನು ಮುಖ್ಯವಾಗಿ ಇನ್ನೂ ಸರಿಯಾಗಿ ಅರ್ಥೈಸಲಾಗಿಲ್ಲ - ಇವು ವಿವಿಧ LSTM ಗಳು ಮತ್ತು ಕನ್ವಲ್ಯೂಷನಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳಾಗಿವೆ. ಯಾವುದೇ ಸಂಶೋಧನೆಗೆ ಅಗತ್ಯವಾದ ಅನಾಮಧೇಯ ಡೇಟಾವನ್ನು ಹಂಚಿಕೊಳ್ಳಲು ಯುರೋಪಿಯನ್ ವ್ಯವಹಾರಗಳನ್ನು ನಿರ್ಬಂಧಿಸುವ ಹೊಸ ಕಾನೂನಿಗೆ UN ಲಾಬಿ ಮಾಡುತ್ತಿದೆ ಎಂಬ ಸಂಕ್ಷಿಪ್ತ ಹೇಳಿಕೆ ಇತ್ತು.

"ಸಿಸ್ಟಮ್ 1 ರಿಂದ ಸಿಸ್ಟಮ್ 2 ಡೀಪ್ ಲರ್ನಿಂಗ್", ಯೋಶುವಾ ಬೆಂಗಿಯೋ

ಸ್ಲೈಡ್‌ಗಳು
ಜೋಶುವಾ ಬೆಂಗಿಯೊ ಅವರ ಉಪನ್ಯಾಸದಲ್ಲಿ, ಆಳವಾದ ಕಲಿಕೆಯು ಗುರಿ ಸೆಟ್ಟಿಂಗ್ ಮಟ್ಟದಲ್ಲಿ ನರವಿಜ್ಞಾನವನ್ನು ಭೇಟಿ ಮಾಡುತ್ತದೆ.
ನೊಬೆಲ್ ಪ್ರಶಸ್ತಿ ವಿಜೇತ ಡೇನಿಯಲ್ ಕಹ್ನೆಮನ್ ಅವರ ವಿಧಾನದ ಪ್ರಕಾರ ಬೆಂಗಿಯೊ ಎರಡು ಮುಖ್ಯ ರೀತಿಯ ಸಮಸ್ಯೆಗಳನ್ನು ಗುರುತಿಸುತ್ತಾನೆ (ಪುಸ್ತಕ "ನಿಧಾನವಾಗಿ ಯೋಚಿಸಿ, ವೇಗವಾಗಿ ನಿರ್ಧರಿಸಿ")
ಟೈಪ್ 1 - ಸಿಸ್ಟಮ್ 1, ನಾವು "ಸ್ವಯಂಚಾಲಿತವಾಗಿ" (ಪ್ರಾಚೀನ ಮೆದುಳು) ಮಾಡುವ ಪ್ರಜ್ಞಾಹೀನ ಕ್ರಿಯೆಗಳು: ಪರಿಚಿತ ಸ್ಥಳಗಳಲ್ಲಿ ಕಾರನ್ನು ಚಾಲನೆ ಮಾಡುವುದು, ನಡೆಯುವುದು, ಮುಖಗಳನ್ನು ಗುರುತಿಸುವುದು.
ಟೈಪ್ 2 - ಸಿಸ್ಟಮ್ 2, ಜಾಗೃತ ಕ್ರಮಗಳು (ಸೆರೆಬ್ರಲ್ ಕಾರ್ಟೆಕ್ಸ್), ಗುರಿ ಸೆಟ್ಟಿಂಗ್, ವಿಶ್ಲೇಷಣೆ, ಚಿಂತನೆ, ಸಂಯೋಜಿತ ಕಾರ್ಯಗಳು.

AI ಇದುವರೆಗೆ ಮೊದಲ ವಿಧದ ಕಾರ್ಯಗಳಲ್ಲಿ ಮಾತ್ರ ಸಾಕಷ್ಟು ಎತ್ತರವನ್ನು ತಲುಪಿದೆ, ಆದರೆ ನಮ್ಮ ಕಾರ್ಯವು ಅದನ್ನು ಎರಡನೆಯದಕ್ಕೆ ತರುವುದು, ಬಹುಶಿಸ್ತೀಯ ಕಾರ್ಯಾಚರಣೆಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಮತ್ತು ತರ್ಕ ಮತ್ತು ಉನ್ನತ ಮಟ್ಟದ ಅರಿವಿನ ಕೌಶಲ್ಯಗಳೊಂದಿಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸಲು ಕಲಿಸುವುದು.

ಈ ಗುರಿಯನ್ನು ಸಾಧಿಸಲು ಇದನ್ನು ಪ್ರಸ್ತಾಪಿಸಲಾಗಿದೆ:

1. NLP ಕಾರ್ಯಗಳಲ್ಲಿ, ಮಾಡೆಲಿಂಗ್ ಚಿಂತನೆಗಾಗಿ ಗಮನವನ್ನು ಪ್ರಮುಖ ಕಾರ್ಯವಿಧಾನವಾಗಿ ಬಳಸಿ
2. ಪ್ರಜ್ಞೆ ಮತ್ತು ಅವುಗಳ ಸ್ಥಳೀಕರಣದ ಮೇಲೆ ಪ್ರಭಾವ ಬೀರುವ ಉತ್ತಮ ಮಾದರಿ ವೈಶಿಷ್ಟ್ಯಗಳಿಗೆ ಮೆಟಾ-ಲರ್ನಿಂಗ್ ಮತ್ತು ಪ್ರಾತಿನಿಧ್ಯ ಕಲಿಕೆಯನ್ನು ಬಳಸಿ - ಮತ್ತು ಅವುಗಳ ಆಧಾರದ ಮೇಲೆ ಉನ್ನತ ಮಟ್ಟದ ಪರಿಕಲ್ಪನೆಗಳೊಂದಿಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸಲು ಮುಂದುವರಿಯಿರಿ.

ತೀರ್ಮಾನಕ್ಕೆ ಬದಲಾಗಿ, ಆಹ್ವಾನಿತ ಚರ್ಚೆ ಇಲ್ಲಿದೆ: ಆಪ್ಟಿಮೈಸೇಶನ್ ಸಮಸ್ಯೆಗಳು, SOTA ಮತ್ತು ಹೊಸ ಆರ್ಕಿಟೆಕ್ಚರ್‌ಗಳನ್ನು ಮೀರಿ ML ಕ್ಷೇತ್ರವನ್ನು ವಿಸ್ತರಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿರುವ ಅನೇಕ ವಿಜ್ಞಾನಿಗಳಲ್ಲಿ Bengio ಒಬ್ಬರು.
ಪ್ರಜ್ಞೆಯ ಸಮಸ್ಯೆಗಳ ಸಂಯೋಜನೆ, ಆಲೋಚನೆ, ನ್ಯೂರೋಬಯಾಲಜಿ ಮತ್ತು ಅಲ್ಗಾರಿದಮ್‌ಗಳ ಮೇಲೆ ಭಾಷೆಯ ಪ್ರಭಾವವು ಭವಿಷ್ಯದಲ್ಲಿ ನಮಗೆ ಕಾಯುತ್ತಿದೆ ಮತ್ತು ಜನರಂತೆ "ಆಲೋಚಿಸುವ" ಯಂತ್ರಗಳಿಗೆ ಹೋಗಲು ನಮಗೆ ಅವಕಾಶ ನೀಡುತ್ತದೆ ಎಂಬ ಪ್ರಶ್ನೆಯು ತೆರೆದಿರುತ್ತದೆ.

ಧನ್ಯವಾದಗಳು!

ಮೂಲ: www.habr.com