د سافټویر سیسټمونو صنعتي پراختیا د وروستي محصول غلطی زغم ته خورا پام ته اړتیا لري، په بیله بیا د ناکامیو او ناکامیو په وړاندې چټک غبرګون که دوی واقع شي. څارنه، البته، د ناکامیو او ناکامیو په ځواب کې مرسته کوي په اغیزمنه توګه او چټکه، مګر کافي ندي. لومړی، دا خورا ستونزمن کار دی چې د ډیری سرورونو تعقیب وساتئ - لوی شمیر خلکو ته اړتیا ده. دوهم ، تاسو اړتیا لرئ ښه پوهه ولرئ چې غوښتنلیک څنګه د دې حالت وړاندوینه کولو لپاره کار کوي. له همدې امله، موږ ډیری خلکو ته اړتیا لرو چې د هغه سیسټمونو ښه پوهه ولري چې موږ یې وده کوو، د دوی فعالیت او ځانګړتیاوې. راځئ فرض کړو چې حتی که تاسو د دې کولو لپاره کافي خلک ومومئ ، دا لاهم د دوی روزنې لپاره ډیر وخت نیسي.
چې څه کول پکار دي؟ دا هغه ځای دی چې مصنوعي استخبارات زموږ مرستې ته راځي. مقاله به په اړه خبرې وکړي (د وړاندوینې ساتنه). دا طریقه په فعاله توګه شهرت ترلاسه کوي. د هابري په ګډون ډیری مقالې لیکل شوي. لوی شرکتونه د خپلو سرورونو د فعالیت ساتلو لپاره د دې طریقې څخه بشپړه ګټه پورته کوي. د ډیرو مقالو مطالعې وروسته، موږ پریکړه وکړه چې دا طریقه هڅه وکړو. له دې څخه څه راغلل؟
پېژندنه
د سافټویر پرمختللی سیسټم ژر یا وروسته فعالیت ته ځي. دا د کارونکي لپاره مهمه ده چې سیسټم د ناکامۍ پرته کار کوي. که بیړنی حالت پیښ شي، دا باید د لږ ځنډ سره حل شي.
د سافټویر سیسټم تخنیکي مالتړ ساده کولو لپاره، په ځانګړې توګه که چیرې ډیری سرورونه شتون ولري، د څارنې پروګرامونه معمولا کارول کیږي چې د چلولو سافټویر سیسټم څخه میټریکونه اخلي، د دې حالت تشخیص کولو کې مرسته کوي او د دې معلومولو کې مرسته کوي چې د ناکامۍ لامل څه شی دی. دې پروسې ته د سافټویر سیسټم څارنه ویل کیږي.
شکل 1. د ګرافانا نظارت انٹرفیس
میټریک د سافټویر سیسټم مختلف شاخصونه دي، د هغې د اجرا کولو چاپیریال، یا د فزیکي کمپیوټر لاندې چې سیسټم د هغه شیبې د مهال ویش سره پرمخ ځي کله چې میټریکونه ترلاسه شوي. په جامد تحلیل کې، دا میټریکونه د وخت لړۍ بلل کیږي. د سافټویر سیسټم حالت څارلو لپاره، میټریکونه د ګرافونو په بڼه ښودل شوي: وخت په X محور کې دی، او ارزښتونه د Y محور سره دي (شکل 1). څو زره میټریکونه د چلولو سافټویر سیسټم څخه اخیستل کیدی شي (له هر نوډ څخه). دوی د میټریک ځای جوړوي (د څو اړخیز وخت لړۍ).
څرنګه چې د پیچلو سافټویر سیسټمونو لپاره ډیری میټریکونه راټول شوي، لاسي څارنه یو ستونزمن کار دی. د مدیر لخوا تحلیل شوي ډیټا مقدار کمولو لپاره ، د څارنې وسیلې په اتوماتيک ډول د احتمالي ستونزو پیژندلو لپاره وسیلې لري. د مثال په توګه، تاسو کولی شئ د ډزو لپاره یو محرک تنظیم کړئ کله چې د وړیا ډیسک ځای د ټاکل شوي حد څخه ښکته وي. تاسو کولی شئ په اتوماتيک ډول د سرور بندیدو یا د خدماتو سرعت کې جدي سست تشخیص هم وکړئ. په عمل کې، د څارنې وسیلې د ناکامیو په موندلو کې ښه دنده ترسره کوي چې دمخه پیښ شوي یا د راتلونکو ناکامیو ساده نښو په ګوته کوي، مګر په عموم کې، د احتمالي ناکامۍ وړاندوینه د دوی لپاره د ماتولو لپاره یو سخت مغز پاتې دی. د میټریکونو د لاسي تحلیل له لارې وړاندوینه د وړ متخصصینو ښکیلتیا ته اړتیا لري. دا ټیټ تولید دی. ډیری احتمالي ناکامۍ ممکن د پام وړ پاتې شي.
په دې وروستیو کې، د سافټویر سیسټمونو تش په نامه وړاندوینې ساتنه د لوی IT سافټویر پراختیا شرکتونو ترمنځ په زیاتیدونکې توګه مشهوره شوې. د دې کړنلارې جوهر دا دی چې د مصنوعي استخباراتو په کارولو سره، مخکې له دې چې ناکام شي، په لومړیو پړاوونو کې د سیسټم د تخریب لامل ګرځي. دا طریقه په بشپړ ډول د سیسټم لارښود څارنه نه کوي. دا په ټولیزه توګه د څارنې پروسې سره مرسته کوي.
د وړاندوینې ساتنې پلي کولو اصلي وسیله د وخت په لړۍ کې د بې نظمیو لټون کول دي ، ځکه چې کله چې ګډوډي رامنځته شي په ډیټا کې د یو څه وخت وروسته ډیر احتمال شتون لري ناکامي یا ناکامي به وي. بې نظمۍ د سافټویر سیسټم په فعالیت کې یو ځانګړی انحراف دی، لکه د یو ډول غوښتنې د اجرا کولو سرعت کې د تخریب پیژندل یا د پیرودونکي ناستې په دوامداره کچه کې د خدماتو غوښتنې اوسط شمیر کې کمښت.
د سافټویر سیسټمونو لپاره د ګډوډۍ لټون کولو دنده خپل ځانګړتیاوې لري. په تیوري کې، د هر سافټویر سیسټم لپاره دا اړینه ده چې موجوده میتودونو ته وده ورکړي یا اصالح کړي، ځکه چې د ناانډولیو لټون په هغه ډاټا پورې اړه لري چې په هغه کې ترسره کیږي، او د سافټویر سیسټمونو ډاټا د سیسټم پلي کولو وسیلو پورې اړه لري خورا توپیر لري. په کوم کمپيوټر کې روان دی.
د سافټویر سیسټمونو د ناکامۍ وړاندوینه کولو پر مهال د ګډوډۍ لټون کولو میتودونه
تر ټولو لومړی، دا د ویلو وړ ده چې د ناکامۍ اټکل کولو مفکوره د مقالې لخوا هڅول شوې وه . د بې نظمیو لپاره د اتوماتیک لټون سره د تګلارې اغیزې ازموینې لپاره، د ویب - یووالي سافټویر سیسټم غوره شوی، کوم چې د NPO کریسټا شرکت یوه پروژه ده. مخکې، د ترلاسه شویو میترونو پراساس د دې لپاره لاسي څارنه ترسره شوې. څرنګه چې سیسټم خورا پیچلی دی ، نو د دې لپاره لوی شمیر میټریکونه اخیستل شوي: د JVM شاخصونه (د کثافاتو راټولونکی بار) ، د OS شاخصونه چې لاندې کوډ اجرا کیږي (مجازی حافظه ،٪ OS CPU بار) ، د شبکې شاخصونه (د شبکې بار )، پخپله سرور (CPU بار، حافظه)، د وحشي فلای میټریک او د ټولو مهمو فرعي سیسټمونو لپاره د غوښتنلیک خپل میټریکونه.
ټول میټریکونه د ګرافیت په کارولو سره د سیسټم څخه اخیستل کیږي. په پیل کې ، د ویسپر ډیټابیس د ګرافانا لپاره د معیاري حل په توګه کارول کیده ، مګر لکه څنګه چې د پیرودونکي اساس وده کوي ، ګرافیټ نور نشي کولی مقابله وکړي ، د DC ډیسک فرعي سیسټم ظرفیت پای ته رسیدو سره. له دې وروسته، پریکړه وشوه چې یو ډیر اغیزمن حل ومومي. انتخاب په ګټه ترسره شو ، کوم چې دا ممکنه کړې چې د ډیسک فرعي سیسټم بار د اندازې په ترتیب سره کم کړي او د نیول شوي ډیسک ځای له پنځو څخه تر شپږ ځله کم کړي. لاندې د ګرافیت + کلیک هاؤس په کارولو سره د میټریکونو راټولولو میکانیزم ډیاګرام دی (شکل 2).
شکل 2. د میټریکونو راټولولو سکیم
انځور د داخلي اسنادو څخه اخیستل شوی. دا د ګرافانا (د څارنې UI چې موږ یې کاروو) او ګرافیت ترمنځ ارتباط ښیې. د غوښتنلیک څخه میټریک لرې کول د جلا سافټویر لخوا ترسره کیږي - . هغه په ګرافیت کې اچوي.
د ویب یوځای کولو سیسټم یو شمیر ځانګړتیاوې لري چې د ناکامۍ وړاندوینې لپاره ستونزې رامینځته کوي:
- رجحان اکثرا بدلیږي. د دې سافټویر سیسټم لپاره مختلف نسخې شتون لري. د دوی هر یو د سیسټم سافټویر برخې ته بدلون راوړي. په دې اساس، په دې توګه، پراختیا کونکي مستقیم د ورکړل شوي سیسټم میټریک اغیزه کوي او کولی شي د رجحان بدلون لامل شي؛
- د تطبیق ځانګړتیا، او همدارنګه هغه اهداف چې مراجعین د دې سیسټم څخه کار اخلي، ډیری وختونه د مخکینۍ تخریب پرته د ګډوډۍ سبب ګرځي؛
- د ټول ډیټا سیټ په پرتله د ګډوډۍ سلنه کوچنۍ ده (<5٪)؛
- کیدای شي د سیسټم څخه د شاخصونو په ترلاسه کولو کې تشې وي. په ځینو لنډو وختونو کې، د څارنې سیسټم د میټریکونو په ترلاسه کولو کې پاتې راغلی. د مثال په توګه، که سرور ډیر بار وي. دا د عصبي شبکې روزنې لپاره خورا مهم دی. په مصنوعي ډول تشې ډکولو ته اړتیا ده؛
- د ګډوډۍ قضیې اکثرا یوازې د یوې ځانګړې نیټې/میاشت/وخت (موسم) لپاره اړونده وي. دا سیسټم د کاروونکو لخوا د دې کارولو لپاره واضح مقررات لري. په دې اساس، میټریکونه یوازې د یو ځانګړي وخت لپاره اړین دي. سیسټم په دوامداره توګه نشي کارول کیدی، مګر یوازې په څو میاشتو کې: په انتخاب سره د کال پورې اړه لري. شرایط رامینځته کیږي کله چې په یوه قضیه کې د میټریک ورته چلند کولی شي د سافټویر سیسټم ناکامي لامل شي ، مګر په بل کې نه.
د پیل کولو لپاره، د سافټویر سیسټمونو د څارنې ډاټا کې د ګډوډۍ موندلو میتودونه تحلیل شوي. د دې موضوع په مقالو کې، کله چې د نیمګړتیاو سلنه د پاتې ډیټا سیټ په پرتله کوچنۍ وي، ډیری وختونه د عصبي شبکو کارولو وړاندیز کیږي.
د عصبي شبکې ډیټا په کارولو سره د ګډوډي موندلو لپاره لومړني منطق په 3 شکل کې ښودل شوی:
شکل 3. د عصبي شبکې په کارولو سره د ګډوډۍ لټون
د میټریک د اوسني جریان کړکۍ د وړاندوینې یا رغولو پایلې پراساس ، د چلونکي سافټویر سیسټم څخه ترلاسه شوي انحراف محاسبه کیږي. که چیرې د سافټویر سیسټم او عصبي شبکې څخه ترلاسه شوي میټریکونو ترمینځ لوی توپیر شتون ولري ، نو موږ کولی شو دې پایلې ته ورسیږو چې د اوسني ډیټا برخه غیر معمولي ده. د عصبي شبکو د کارولو لپاره د ستونزو لاندې سلسله رامینځته کیږي:
- د سټرینګ حالت کې سم کار کولو لپاره ، د عصبي شبکې ماډلونو روزنې لپاره ډاټا باید یوازې "نورمال" ډاټا ولري؛
- دا اړینه ده چې د سمې موندنې لپاره تازه ماډل ولرئ. په میټریکونو کې د رجحاناتو او موسمي بدلون بدلول کولی شي په ماډل کې د لوی شمیر غلط مثبتو لامل شي. د دې تازه کولو لپاره، دا اړینه ده چې په روښانه توګه هغه وخت وټاکئ کله چې ماډل زوړ وي. که تاسو ماډل وروسته یا دمخه تازه کړئ ، نو بیا ، ډیری احتمال ، لوی شمیر غلط مثبتونه به تعقیب کړي.
موږ باید د غلطو مثبتو تکراري پیښو د لټون او مخنیوي په اړه هم هیر نکړو. داسې انګیرل کیږي چې دوی به ډیری وختونه په بیړني حالت کې واقع شي. په هرصورت، دوی ممکن د ناکافي روزنې له امله د عصبي شبکې غلطی پایله وي. دا اړینه ده چې د ماډل غلط مثبت شمیر کم کړئ. که نه نو ، غلط وړاندوینې به د سیسټم چیک کولو لپاره د مدیر ډیر وخت ضایع کړي. ډیر ژر یا وروسته مدیر به په ساده ډول د "پرانایډ" نظارت سیسټم ته ځواب ویل بند کړي.
تکراري عصبي شبکه
د وخت په لړۍ کې د ګډوډۍ موندلو لپاره، تاسو کارولی شئ د LSTM حافظې سره. یوازینۍ ستونزه دا ده چې دا یوازې د وړاندوینې شوي وخت لړۍ لپاره کارول کیدی شي. زموږ په قضیه کې، ټول میترونه د وړاندوینې وړ ندي. د وخت لړۍ ته د RNN LSTM پلي کولو هڅه په 4 شکل کې ښودل شوې.
شکل 4. د LSTM حافظې حجرو سره د تکراري عصبي شبکې بیلګه
لکه څنګه چې د 4 شکل څخه لیدل کیدی شي، RNN LSTM د دې وخت په موده کې د ګډوډۍ لټون سره مقابله کوله. چیرته چې پایله د وړاندوینې لوړه تېروتنه لري (په اوسط ډول تېروتنه)، په شاخصونو کې یو ګډوډي واقع شوې. د یو واحد RNN LSTM کارول به په څرګنده توګه کافي نه وي، ځکه چې دا د لږ شمیر میټریکونو لپاره پلي کیږي. د ګډوډۍ موندلو لپاره د مرستندویه میتود په توګه کارول کیدی شي.
د ناکامۍ وړاندوینې لپاره اتوماتیک کوډر
- په اصل کې مصنوعي عصبي شبکه. د ننوت پرت کوډ کوونکی دی، د محصول پرت ډیکوډر دی. د دې ډول ټولو عصبي شبکو نیمګړتیا دا ده چې دوی بې نظمۍ ښه ځای نه نیسي. یو همغږي اوټوینکوډر جوړښت غوره شوی و.
شکل 5. د اتوماتیک کوډر عملیات بیلګه
اتوماتیک کوډر په نورمال ډیټا کې روزل کیږي او بیا موډل ته ورکړل شوي ډیټا کې یو څه غیر معمولي ومومئ. یوازې هغه څه چې تاسو د دې دندې لپاره اړتیا لرئ. ټول هغه څه چې پاتې دي دا دي چې غوره کړئ چې کوم اتوماتیک کوډر د دې دندې لپاره مناسب دی. د اوټوینکوډر د معمارۍ ترټولو ساده بڼه یو مخکینۍ، نه راستنیدونکي عصبي شبکه ده، کوم چې ورته ورته دی. (multilayer perceptron, MLP)، د ان پټ پرت سره، د محصول پرت، او یو یا څو پټ پرتونه چې دوی سره نښلوي.
په هرصورت، د آټوینکوډرونو او MLPs ترمنځ توپیر دا دی چې په اوټوینکوډر کې، د محصول پرت د ان پټ پرت په څیر ورته شمیر نوډونه لري، او دا چې د دې پرځای چې د ان پټ X لخوا ورکړل شوي هدف Y اټکل کولو لپاره روزل شوي وي، اوټوینکوډر روزل کیږي. د دې لپاره چې خپل Xs بیا رغوي. نو له همدې امله، Autoencoders د زده کړې غیر څارل شوي ماډلونه دي.
د آټوینکوډر دنده دا ده چې د وخت شاخصونه r0 ... rn د ان پټ ویکتور ایکس کې د غیر معمولي عناصرو سره مطابقت ولري. دا اغیزه د مربع غلطۍ په لټون کې ترلاسه کیږي.
شکل 6. همغږي اوتوانکوډر
د اتوماتیک کوډر لپاره غوره شوی و . د دې ګټې: د سټیمینګ پروسس کولو حالت کارولو وړتیا او د نورو جوړښتونو په پرتله د عصبي شبکې پیرامیټونو نسبتا لږ شمیر.
د غلط مثبتو کمولو میکانیزم
د دې حقیقت له امله چې مختلف غیر معمولي حالتونه رامینځته کیږي ، په بیله بیا د عصبي شبکې د ناکافي روزنې احتمالي وضعیت ، د دې لپاره چې د عصبي کشف ماډل رامینځته کیږي ، پریکړه وشوه چې د غلط مثبتو کمولو لپاره میکانیزم رامینځته کول اړین دي. دا میکانیزم د ټیمپلیټ اساس پراساس دی چې د مدیر لخوا طبقه بندي کیږي.
(DTW الګوریتم، د انګلیسي متحرک وخت وارپینګ څخه) تاسو ته اجازه درکوي د وخت د ترتیبونو تر مینځ غوره اړیکه ومومئ. لومړی د وینا په پیژندنه کې کارول کیږي: د دې لپاره کارول کیږي چې دا معلومه کړي چې دوه د وینا نښې نښانې د ورته اصلي خبرې شوي جملې استازیتوب کوي. وروسته بیا په نورو برخو کې د دې لپاره غوښتنلیک وموندل شو.
د غلطو مثبتو کمولو اصلي اصل د یو آپریټر په مرسته د معیارونو ډیټابیس راټولول دي چې د عصبي شبکو په کارولو سره کشف شوي شکمن قضیې طبقه بندي کوي. بیا، محرم معیار د هغه قضیې سره پرتله کیږي چې سیسټم کشف کړی، او د دې په اړه یوه پایله ترلاسه کیږي چې ایا قضیه غلطه ده یا د ناکامۍ لامل کیږي. د DTW الګوریتم په دقیق ډول د دوه وختونو لړۍ پرتله کولو لپاره کارول کیږي. د کمولو اصلي وسیله لاهم طبقه بندي ده. تمه کیږي چې د ډیری حوالې قضیو راټولولو وروسته ، سیسټم به د ډیری قضیو د ورته والي او ورته ورته پیښو له امله د آپریټر څخه لږ پوښتنه پیل کړي.
د پایلې په توګه، د پورته بیان شوي عصبي شبکې میتودونو پراساس، یو تجربوي برنامه جوړه شوې وه چې د "ویب - یوځای کولو" سیسټم ناکامۍ اټکل وکړي. د دې پروګرام موخه دا وه چې زموږ د سافټویر سیسټمونو لپاره د دې طریقې وړتیا ارزونه، د پخوانیو ناکامیو په اړه د معلوماتو او معلوماتو د څارنې موجوده آرشیف کارول. د پروګرام سکیم لاندې په 7 شکل کې وړاندې کیږي.
شکل 7. د میټریک ځای تحلیل پر بنسټ د ناکامۍ وړاندوینې سکیم
په ډیاګرام کې، دوه اصلي بلاکونه توپیر کیدی شي: د څارنې ډیټا جریان (میتریک) کې د غیر معمولي وختونو لټون او د غلط مثبتو کمولو میکانیزم. یادونه: د تجربوي موخو لپاره، ډاټا د ډیټابیس څخه د JDBC اتصال له لارې ترلاسه کیږي چې ګرافیت به یې خوندي کړي.
لاندې د څارنې سیسټم انٹرفیس دی چې د پراختیا په پایله کې ترلاسه شوی (8 شکل).
شکل 8. د تجربوي نظارت سیسټم انٹرفیس
انٹرفیس د ترلاسه شوي میټریکونو پراساس د بې نظمۍ سلنه ښیې. زموږ په قضیه کې، رسید سمول شوی. موږ لا دمخه د څو اونیو لپاره ټول معلومات لرو او په تدریجي ډول یې پورته کوو ترڅو د بې نظمۍ قضیه وڅیړو چې د ناکامۍ لامل کیږي. د ټیټ حالت بار په یو ټاکلي وخت کې د ډیټا بې نظمۍ ټوله سلنه ښیې ، کوم چې د آټوینکوډر په کارولو سره ټاکل کیږي. همدارنګه، د وړاندوینې میټریکونو لپاره جلا سلنه ښودل کیږي، کوم چې د RNN LSTM لخوا محاسبه کیږي.
د RNN LSTM عصبي شبکې په کارولو سره د CPU فعالیت پراساس د بې نظمۍ کشف یوه بیلګه (شکل 9).
شکل 9. د RNN LSTM کشف
یو کافي ساده قضیه، په اصل کې یو عادي بهرنی، مګر د سیسټم ناکامۍ لامل کیږي، په بریالیتوب سره د RNN LSTM په کارولو سره محاسبه شوې. په دې دوره کې د بې نظمۍ شاخص 85-95٪ دی؛ هر څه چې له 80٪ څخه پورته وي (د حد حد په تجربه سره ټاکل شوی) یو بې نظمي ګڼل کیږي.
د بې نظمۍ کشف یوه بیلګه کله چې سیسټم د تازه کولو وروسته بوټ کولو توان نه درلود. دا حالت د اتوماتیک کوډر لخوا کشف شوی (شکل 10).
شکل 10. د اتوماتیک کوډر کشف بیلګه
لکه څنګه چې تاسو د ارقامو څخه لیدلی شئ، PermGen په یوه کچه کې پاتې دی. اتوماتیک کوډر دا عجیب وموند ځکه چې مخکې یې هیڅکله داسې څه نه وو لیدلي. دلته بې نظمۍ 100٪ پاتې کیږي تر هغه چې سیسټم بیرته کاري حالت ته راشي. د ټولو میټریکونو لپاره یو انډول ښودل شوی. لکه څنګه چې مخکې یادونه وشوه، اتوماتیک کوډر نشي کولی بې نظمۍ ځایی کړي. آپریټر ته ویل کیږي چې پدې حالتونو کې دا فعالیت ترسره کړي.
پایلې
د کمپیوټر "ویب یوځای کول" د څو کلونو لپاره د پراختیا په حال کې دی. سیسټم په کافي اندازه باثباته حالت کې دی، او د ثبت شویو پیښو شمیر لږ دی. په هرصورت، دا ممکنه وه چې د ناکامۍ څخه 5 - 10 دقیقې مخکې د ناکامۍ لامل شي بې نظمۍ ومومئ. په ځینو مواردو کې، مخکې له مخکې د ناکامۍ خبرتیا به د ټاکل شوي وخت خوندي کولو کې مرسته وکړي چې د "ترمیم" کار ترسره کولو لپاره ځانګړي شوي.
د هغو تجربو پر بنسټ چې ترسره شوي، دا خورا وختي ده چې وروستۍ پایلې ترلاسه کړو. تر اوسه پورې، پایلې متضاد دي. له یوې خوا، دا روښانه ده چې د عصبي شبکو پراساس الګوریتمونه د "ګټور" ګډوډۍ موندلو وړ دي. له بلې خوا، د غلطو مثبتو لوی فیصده پاتې ده، او په عصبي شبکه کې د وړ متخصص لخوا کشف شوي ټولې بې نظمۍ نشي کشف کیدی. په زیانونو کې دا حقیقت شامل دی چې اوس عصبي شبکه د عادي عملیاتو لپاره د ښوونکي سره روزنې ته اړتیا لري.
د دې لپاره چې د ناکامۍ وړاندوینې سیسټم نور هم پراختیا ومومي او د قناعت وړ حالت ته یې راوړي، ډیری لارې په پام کې نیول کیدی شي. دا د بې نظمیو سره د قضیو خورا مفصل تحلیل دی چې د ناکامۍ لامل کیږي ، د دې له امله د مهم میټریکونو لیست کې اضافه کول چې د سیسټم حالت خورا اغیزه کوي ، او د غیر ضروري څخه لرې کول چې پدې اغیزه نه کوي. همچنان ، که موږ پدې لور حرکت وکړو ، موږ کولی شو هڅه وکړو چې الګوریتمونه په ځانګړي ډول زموږ د قضیو لپاره د بې نظمیو سره رامینځته کړو چې د ناکامۍ لامل کیږي. بله لاره هم شته. دا د عصبي شبکې جوړښت کې پرمختګ دی او په دې توګه د روزنې وخت کمولو سره د کشف دقت زیاتوي.
زه له خپلو همکارانو څخه مننه کوم چې ما سره یې د دې مقالې په لیکلو او ساتلو کې مرسته وکړه: او سرګي فینوګنوف.
سرچینه: www.habr.com