په دې وروستیو کې خپور شو ، کوم چې په وروستیو کلونو کې د ماشین زده کړې کې ښه رجحان ښیې. په لنډه توګه: په تیرو دوو کلونو کې د ماشین زده کړې پیل کولو شمیر کم شوی.
ښه. راځئ وګورو چې "آیا بلبل مات شوی دی"، "څنګه ژوند ته دوام ورکړو" او په دې اړه وغږیږو چې دا سکیګل په لومړي ځای کې له کوم ځای څخه راځي.
لومړی، راځئ چې په دې اړه وغږیږو چې د دې وکر بوسټر څه و. هغه له کومه راغلی؟ دوی به شاید هرڅه په یاد ولري د ماشین زده کړه په 2012 کې د ImageNet سیالۍ کې. په هرصورت، دا لومړی نړیواله پیښه ده! خو په حقیقت کې داسې نه ده. او د وکر وده یو څه دمخه پیل کیږي. زه به دا په څو ټکو مات کړم.
- په 2008 کې د "لوی ډیټا" اصطلاح رامینځته شوه. اصلي محصولات پیل شول د 2010 راهیسې. لوی معلومات مستقیم د ماشین زده کړې سره تړاو لري. د لویو معلوماتو پرته، د الګوریتم مستحکم عملیات چې په هغه وخت کې شتون درلود ناشونی دی. او دا عصبي شبکې ندي. تر 2012 پورې، عصبي شبکې د لږکي لږکیو ساتنه وه. مګر بیا په بشپړ ډول مختلف الګوریتمونو کار پیل کړ، کوم چې د کلونو، یا حتی لسیزو لپاره شتون درلود: (۱۹۶۳،۱۹۹۳) (1995)، (2003)، ... د دې کلونو پیل په عمده ډول د جوړښت شوي ډیټا اتومات پروسس کولو سره تړاو لري: نغدي راجسترونه، کاروونکي، اعلانونه، نور ډیر څه.
د دې لومړۍ څپې مشتق د چوکاټونو سیټ دی لکه XGBoost، CatBoost، LightGBM، او داسې نور.
- په 2011-2012 کې د انځور پیژندنې یو شمیر سیالۍ وګټلې. د دوی حقیقي کارول یو څه ځنډول شوي. زه به ووایم چې په پراخه کچه معنی لرونکي پیل او حلونه په 2014 کې څرګندیدل پیل شول. د دې هضمولو لپاره دوه کاله وخت ونیو چې نیورونونه لاهم کار کوي، د مناسب چوکاټونو رامینځته کولو لپاره چې په مناسب وخت کې نصب او پیل کیدی شي، داسې میتودونه رامینځته کړي چې د یووالي وخت ثبات او چټک کړي.
قانع کونکي شبکې دا ممکنه کړې چې د کمپیوټر لید ستونزې حل کړي: په عکس کې د عکسونو او شیانو طبقه بندي ، د شیانو کشف ، د شیانو او خلکو پیژندل ، د عکس ښه کول ، او داسې نور.
- 2015-2017. د تکراري شبکو یا د دوی انلاګونو (LSTM, GRU, TransformerNet, etc.) پراساس د الګوریتمونو او پروژو بوم. د وینا څخه متن الګوریتمونه او د ماشین ژباړې سیسټمونه ښه فعالیت کوي. دوی تر یوې اندازې د بنسټیزو ځانګړتیاوو د استخراج لپاره د قانع کونکي شبکې پر بنسټ والړ دي. تر یوې اندازې د دې حقیقت له امله چې موږ واقعیا لوی او ښه ډیټاسیټونه راټولول زده کړل.
"آیا بلبل مات شوی؟ ایا هایپ ډیر ګرم دی؟ ایا دوی د بلاکچین په توګه مړه شوي؟"
نوره! سبا به سری به ستاسو په تلیفون کې کار ودروي ، او بله ورځ به ټیسلا د باری او کانګارو ترمینځ توپیر ونه پیژني.
عصبي شبکې لا دمخه کار کوي. دوی په لسګونو وسایلو کې دي. دوی واقعیا تاسو ته اجازه درکوي پیسې وګټئ ، بازار او ستاسو شاوخوا نړۍ بدل کړئ. هایپ یو څه مختلف ښکاري:
دا یوازې دا دی چې عصبي شبکې نور نوي ندي. هو، ډیری خلک لوړې هیلې لري. مګر یو لوی شمیر شرکتونو د نیورون کارول زده کړل او د دوی پر بنسټ محصولات جوړ کړل. نیورونونه نوي فعالیت چمتو کوي، تاسو ته اجازه درکوي دندې کم کړئ، او د خدماتو بیه کمه کړئ:
- تولیدونکي شرکتونه د تولید په لیکه کې د نیمګړتیاو تحلیل کولو لپاره الګوریتمونه مدغم کوي.
- د څارویو فارمونه د غواګانو د کنټرول لپاره سیسټمونه اخلي.
- اتوماتیک ترکیبونه.
- اتوماتیک تلیفون مرکزونه.
- په SnapChat کې فلټرونه. (ښه، لږترلږه یو څه ګټور!)
مګر اصلي شی، او خورا څرګند نه دی: "نور نوي نظرونه شتون نلري، یا دوی به سمدستي پانګه نه راوړي." عصبي شبکو لسګونه ستونزې حل کړې. او دوی به نور هم پریکړه وکړي. ټول څرګند نظرونه چې شتون لري ډیری پیلونو ته وده ورکوي. مګر هرڅه چې په سطح کې وو لا دمخه راټول شوي وو. په تیرو دوو کلونو کې، زه د عصبي شبکو کارولو لپاره یو نوی نظر نه لرم. یوه نوې تګلاره نه ده (ښه، سمه ده، د GANs سره یو څو ستونزې شتون لري).
او هر راتلونکی پیل ډیر او ډیر پیچلی دی. دا نور دوه هلکانو ته اړتیا نلري چې د خلاص ډیټا په کارولو سره نیورون روزي. دا پروګرام کونکي، یو سرور، د مارکرانو ټیم، پیچلي ملاتړ، او نور ته اړتیا لري.
د پایلې په توګه، لږ پیل شتون لري. مګر ډیر تولید شتون لري. د جواز پلیټ پیژندنې اضافه کولو ته اړتیا لرئ؟ په بازار کې د اړونده تجربو سره په سلګونو متخصصین شتون لري. تاسو کولی شئ یو څوک وګمارئ او په څو میاشتو کې به ستاسو کارمند سیسټم رامینځته کړي. یا چمتو شوي پیرود واخلئ. مګر یو نوی پیل کول؟... لیونی!
تاسو اړتیا لرئ د لیدونکي تعقیب سیسټم رامینځته کړئ - ولې د جوازونو یوې ډلې لپاره پیسې ورکړئ کله چې تاسو کولی شئ په 3-4 میاشتو کې خپل ځان جوړ کړئ ، د خپلې سوداګرۍ لپاره یې ګړندی کړئ.
اوس عصبي شبکې له هماغه لارې تیریږي چې لسګونه نور ټیکنالوژي ترې تیر شوي دي.
ایا تاسو په یاد لرئ چې د 1995 راهیسې د "ویب سایټ جوړونکي" مفهوم څنګه بدل شوی؟ بازار لا تر اوسه د متخصصینو سره نه دی ډک شوی. ډیر لږ مسلکي کسان شتون لري. مګر زه شرط کولی شم چې په 5-10 کلونو کې به د جاوا پروګرامر او د عصبي شبکې پراختیا کونکي ترمینځ ډیر توپیر ونلري. په بازار کې به د دواړو متخصصینو کافي وي.
دلته به په ساده ډول د ستونزو یوه ټولګي وي چې د نیورون لخوا حل کیدی شي. یوه دنده رامینځته شوې - یو متخصص استخدام کړئ.
"ورپسی څه دي؟ ژمنه شوې مصنوعي استخبارات چیرته دي؟"
مګر دلته یو کوچنی مګر په زړه پوری غلط فهم شتون لري :)
د ټیکنالوژۍ سټیک چې نن ورځ شتون لري، ظاهرا به موږ مصنوعي استخباراتو ته ونه رسوي. مفکورې او د دوی نوښت په پراخه کچه خپل ځانونه ستړي کړي دي. راځئ چې د هغه څه په اړه وغږیږو چې د پرمختګ اوسنۍ کچه لري.
محدودیتونه
راځئ چې د ځان چلولو موټرو سره پیل وکړو. داسې ښکاري چې دا ممکنه ده چې د نن ورځې ټیکنالوژۍ سره په بشپړه توګه خپلواکه موټرونه جوړ کړئ. خو معلومه نه ده چې په څو کلونو کې به دا کار وشي. ټیسلا باور لري چې دا به په څو کلونو کې پیښ شي -
ډیری نور هم شتون لري ، څوک چې اټکل کوي 5-10 کاله وي.
ډیری احتمال، زما په اند، په 15 کلونو کې به د ښارونو زیربنا پخپله په داسې ډول بدل شي چې د خپلواکو موټرو ظهور به ناگزیر شي او د هغې دوام به وي. مګر دا د استخباراتو په توګه نشي ګڼل کیدی. عصري ټیسلا د ډیټا فلټر کولو ، لټون او بیا روزنې لپاره خورا پیچلي پایپ لاین دی. دا قواعد دي - قواعد - قواعد، د معلوماتو راټولول او په دوی باندې فلټرونه (دلته ما په دې اړه لږ څه لیکلي، یا یې وګورئ نښې).
لومړۍ ستونزه
او دا هغه ځای دی چې موږ یې ګورو لومړۍ اساسي ستونزه. لوی معلومات. دا هغه څه دي چې د عصبي شبکو او ماشین زده کړې اوسني څپې ته یې زیږون ورکړ. نن ورځ، د یو څه پیچلي او اتوماتیک کولو لپاره، تاسو ډیری ډیټا ته اړتیا لرئ. نه یوازې ډیر، مګر ډیر، ډیر. موږ د دوی د راټولولو، نښه کولو او کارولو لپاره اتوماتیک الګوریتم ته اړتیا لرو. موږ غواړو موټر جوړ کړو چې لارۍ لمر ته مخامخ وګوري - موږ باید لومړی د دوی کافي شمیر راټول کړو. موږ غواړو چې موټر د بایسکل سره لیونۍ نه شي چې ډنډ ته ودرول شي - نور نمونې.
سربیره پردې، یوه بیلګه کافي نه ده. په سلګونو؟ په زرګونو؟
دوهمه ستونزه
دوهمه ستونزه - د هغه څه لید چې زموږ عصبي شبکه پوهیږي. دا یو ډیر غیر معمولی کار دی. تر اوسه پورې، لږ خلک پوهیږي چې دا څنګه لیدل کیږي. دا مقالې خورا وروستي دي، دا یوازې یو څو مثالونه دي، حتی که لرې وي:
د جوړښتونو سره لیوالتیا. دا په ښه توګه ښیې چې نیورون څه شی ته اړتیا لري + هغه څه چې دا د پیل شوي معلوماتو په توګه ګوري.
په پام کې . په حقیقت کې، جذب اکثرا په سمه توګه کارول کیدی شي ترڅو وښيي چې د دې شبکې غبرګون څه شی دی. ما د ډیبګ کولو او محصول حلونو دواړو لپاره داسې شیان لیدلي دي. په دې موضوع کې ډیری مقالې شتون لري. مګر څومره چې ډیټا خورا پیچلې وي ، په هماغه اندازه د قوي لید ترلاسه کولو څرنګوالي پوهیدل خورا ستونزمن وي.
ښه ، هو ، د ښه زوړ سیټ "وګورئ چې د میش دننه څه دي " دا عکسونه 3-4 کاله دمخه مشهور وو، مګر هرڅوک ژر پوه شول چې انځورونه ښکلي دي، مګر دوی ډیر معنی نه لري.
ما د شبکې دننه د ښودلو څرنګوالي په اړه لسګونه نور ګیجټونه، میتودونه، هیکونه، څیړنې ندي ذکر کړي. ایا دا وسایل کار کوي؟ ایا دوی تاسو سره مرسته کوي چې ژر تر ژره پوه شي چې ستونزه څه ده او شبکه ډیبګ کړئ؟... وروستۍ سلنه ترلاسه کړئ؟ ښه، دا د ورته په اړه دی:
تاسو کولی شئ په کاګل کې هره سیالي وګورئ. او د دې تشریح چې څنګه خلک وروستۍ پریکړې کوي. موږ د ماډلونو 100-500-800 واحدونه ډک کړل او دا کار وکړ!
زه مبالغه کوم، البته. مګر دا طریقې چټک او مستقیم ځواب نه ورکوي.
د کافي تجربې درلودل ، د مختلف انتخابونو شاوخوا پوک کول ، تاسو کولی شئ پدې اړه پریکړه وکړئ چې ولې ستاسو سیسټم داسې پریکړه کړې. مګر دا به ستونزمن وي چې د سیسټم چلند سم کړي. یو کرچ نصب کړئ، حد ته حرکت ورکړئ، ډیټاسیټ اضافه کړئ، یو بل بیکینډ شبکه واخلئ.
دریمه ستونزه
دریمه بنسټیزه ستونزه - ګریډونه احصایې زده کوي، نه منطق. په احصایه کې دا :
په منطقي توګه، دا خورا ورته نه دی. عصبي شبکې هیڅ پیچلي نه زده کوي پرته لدې چې دوی مجبور شي. دوی تل د امکان تر ټولو ساده نښې درس ورکوي. سترګې، پزه، سر لرې؟ نو دا مخ دی! یا یو مثال ورکړئ چیرې چې سترګې د مخ معنی نلري. او بیا - ملیونونه مثالونه.
په لاندینۍ برخه کې کافي خونه شتون لري
زه به ووایم چې دا درې نړیوالې ستونزې دي چې اوس مهال د عصبي شبکو او ماشین زده کړې پراختیا محدودوي. او چیرته چې دا ستونزې دا محدود نه کړي، دا لا دمخه په فعاله توګه کارول کیږي.
دا یې پای دی؟ ایا عصبي شبکې دي؟
نامعلوم مګر، البته، هرڅوک هیله نه لري.
د بنسټیزو ستونزو د حل لپاره ډیری لارې او لارښوونې شتون لري چې ما پورته یادونه وکړه. مګر تر اوسه پورې، د دغو لارو څخه هیڅ یو دا ممکنه نه ده کړې چې په بنسټیز ډول یو څه نوي کړي، د هغه څه حل کولو لپاره چې لا تر اوسه حل شوي ندي. تر اوسه پورې، ټولې بنسټیزې پروژې د باثباته طریقو (Tesla) پر بنسټ ترسره کیږي، یا د انسټیټیوټونو یا شرکتونو (ګوګل دماغ، OpenAI) پاتې ازموینې پروژې.
په لنډه توګه خبرې کول، اصلي لار د ان پټ ډیټا ځینې لوړې کچې نمایندګي رامینځته کول دي. په یوه معنی، "یادونه". د حافظې ترټولو ساده مثال مختلف "ایمبیډینګ" دی - د عکس نمایش. ښه، د مثال په توګه، د مخ پیژندنې ټول سیسټمونه. شبکه زده کوي چې د مخ څخه یو څه باثباته نمایش ترلاسه کړي چې په گردش، رڼا، یا حل پورې اړه نلري. په لازمي ډول، شبکه میټریک کموي "مختلف مخونه لرې دي" او "ورته مخونه نږدې دي."
د دې ډول روزنې لپاره، لسګونو او سلګونو زرو مثالونو ته اړتیا ده. مګر پایله د "یو شاټ زده کړې" ځینې اساسات لري. اوس موږ د یو شخص د یادولو لپاره سلګونو مخونو ته اړتیا نه لرو. یوازې یو مخ او دا ټول موږ یو !
دلته یوازې یوه ستونزه ده ... گرډ یوازې ساده شیان زده کولی شي. کله چې هڅه وکړئ د مخونو توپیر ونه کړئ، مګر، د بیلګې په توګه، "د جامو په واسطه خلک" (دندو ) - کیفیت د ډیری حکمونو په اندازه راټیټوي. او شبکه نور نشي کولی په زاویو کې روښانه څرګند بدلونونه زده کړي.
او د ملیونونو مثالونو څخه زده کول هم یو ډول ساتیري ده.
د ټاکنو د پام وړ کمولو لپاره کار شتون لري. د مثال په توګه، یو څوک کولی شي سمدلاسه د لومړي کارونو څخه یو یاد کړي د OneShot زده کړه :
د بیلګې په توګه، ډیری داسې کارونه شتون لري او یا او یا .
یو منفي شتون لري - معمولا روزنه په ځینو ساده، "MNIST" مثالونو کې ښه کار کوي. او کله چې پیچلي کارونو ته ځي، تاسو یو لوی ډیټابیس ته اړتیا لرئ، د شیانو ماډل، یا یو ډول جادو.
په عموم کې، د یو شاټ روزنې کار خورا په زړه پورې موضوع ده. تاسو ډیری نظریات ومومئ. مګر د ډیری برخې لپاره، هغه دوه ستونزې چې ما لیست کړي (په پیچلي ډاټا کې د لوی ډیټاسیټ / بې ثباتۍ په اړه روزنه) د زده کړې سره ډیره مداخله کوي.
له بلې خوا، GANs - تولیدي مخالفې شبکې - د ایمبیډینګ موضوع ته نږدې کیږي. تاسو شاید پدې موضوع کې د هابري په اړه د مقالو یوه ډله لوستلې وي. ((, ,)
د GAN ځانګړتیا د یو څه داخلي حالت ځای رامینځته کول دي (په لازمي ډول ورته امبیډنګ) ، کوم چې تاسو ته اجازه درکوي عکس رسم کړئ. دا کیدی شي ، کیدای شي .
د GAN سره ستونزه دا ده چې تولید شوی څیز څومره پیچلی دی ، په "جنراتور - تبعیض کونکي" منطق کې یې تشریح کول خورا ګران دي. د پایلې په توګه، د GAN یوازینۍ ریښتینې غوښتنلیکونه چې اوریدل کیږي ډیپ فیک دي، کوم چې بیا د مخ نمایندګۍ اداره کوي (د کوم لپاره چې لوی اډه شتون لري).
ما ډیر لږ نور ګټور استعمالونه لیدلي دي. معمولا یو ډول چال چلن چې د عکسونو پای ته رسولو کې شامل دي.
او بیا. هیڅوک نه پوهیږي چې دا به موږ ته اجازه ورکړي چې روښانه راتلونکي ته لاړ شو. په عصبي شبکه کې د منطق / ځای استازیتوب کول ښه دي. مګر موږ ډیری مثالونو ته اړتیا لرو، موږ نه پوهیږو چې نیورون څنګه په خپل ځان کې استازیتوب کوي، موږ نه پوهیږو چې څنګه نیورون یو څه پیچلي مفکوره په یاد ولرئ.
د ځواک پیاوړتیا زده کړه - دا د بشپړ مختلف لوري څخه یوه تګلاره ده. یقینا تاسو په یاد ولرئ چې ګوګل څنګه په Go کې هرڅوک مات کړل. په سټارکرافټ او ډوټا کې وروستي بریاوې. مګر دلته هرڅه د ګلابي او ژمنو څخه لرې دي. هغه د RL او د هغې پیچلتیاو په اړه غوره خبرې کوي .
په لنډه توګه هغه څه چې لیکوال یې لیکلي:
- د بکس څخه بهر موډلونه په ډیری قضیو کې په خراب ډول کار نه کوي
- عملي ستونزې په نورو لارو حل کول اسانه دي. د بوسټن ډینامیکس د دې پیچلتیا/نا وړاندوینې/کمپیوټیشنل پیچلتیا له امله RL نه کاروي
- د RL کار کولو لپاره، تاسو یو پیچلي فعالیت ته اړتیا لرئ. دا اکثرا ستونزمن وي چې جوړ / لیکل شي
- د ماډلونو روزنه ستونزمنه ده. تاسو باید د پمپ کولو لپاره ډیر وخت مصرف کړئ او د ځایی آپټیما څخه بهر شئ
- د پایلې په توګه، د ماډل تکرار ستونزمن دی، ماډل د لږو بدلونونو سره بې ثباته دی
- ډیری وختونه ځینې تصادفي نمونې اضافه کوي ، حتی د تصادفي شمیرې جنریټر
مهم ټکی دا دی چې RL لا تر اوسه په تولید کې کار نه کوي. ګوګل ځینې تجربې لري ( , ). مګر ما د محصول یو واحد سیسټم ندی لیدلی.
د حافظې. د پورته ذکر شوي هرڅه نیمګړتیا د جوړښت نشتوالی دی. د دې ټولو د پاکولو هڅه کولو یوه لاره د عصبي شبکې چمتو کول دي چې جلا حافظې ته لاسرسی ولري. ترڅو هغه هلته د خپلو ګامونو پایلې ثبت او بیا ولیکي. بیا عصبي شبکه د اوسني حافظې حالت لخوا ټاکل کیدی شي. دا د کلاسیک پروسیسرونو او کمپیوټرونو سره ډیر ورته دی.
تر ټولو مشهور او مشهور - له ډیپ مینډ څخه:
داسې ښکاري چې دا د استخباراتو د پوهیدو کلیدي ده؟ مګر شاید نه. سیسټم لاهم د روزنې لپاره لوی مقدار ډیټا ته اړتیا لري. او دا په عمده توګه د جوړښت شوي جدول ډیټا سره کار کوي. سربیره پردې، کله چې فیسبوک ورته ستونزه، بیا دوی لاره غوره کړه "د حافظې سکرو کړئ، یوازې نیورون نور پیچلي کړئ، او نور مثالونه ولرئ - او دا به پخپله زده کړي."
بې اتفاقي. د معنی لرونکي حافظې رامینځته کولو بله لاره دا ده چې ورته سرایتونه واخلئ ، مګر د روزنې پرمهال ، اضافي معیارونه معرفي کړئ چې تاسو ته اجازه درکوي په دوی کې "معنی" روښانه کړئ. د مثال په توګه، موږ غواړو یو عصبي شبکه وروزو ترڅو په پلورنځي کې د انساني چلند تر مینځ توپیر وکړي. که موږ معیاري لاره تعقیب کړو، موږ به لسګونه شبکې جوړې کړو. یو د یو کس په لټه کې دی، دویم د هغه څه ټاکي چې هغه کوي، دریم د هغه عمر دی، څلورم د هغه جنسیت دی. جلا منطق د پلورنځي برخې ته ګوري چیرې چې دا د دې کولو لپاره روزل کیږي. دریم د هغې لاره ټاکي، او نور.
یا، که چیرې د معلوماتو لامحدود مقدار شتون ولري، نو دا به ممکنه وي چې د ټولو ممکنه پایلو لپاره یوه شبکه وروزل شي (په ښکاره ډول، دا ډول ډاټا راټول نشي).
د منحل کولو طریقه موږ ته وایي - راځئ چې شبکه وروزو ترڅو دا پخپله د مفکورو ترمنځ توپیر وکړي. د دې لپاره چې دا به د ویډیو پراساس یو سرایت رامینځته کړي ، چیرې چې یوه ساحه به عمل ټاکي ، یو به په وخت کې په فرش کې موقعیت ټاکي ، یو به د شخص قد ټاکي ، او بل به د شخص جنسیت ټاکي. په ورته وخت کې، کله چې روزنه، زه غواړم چې نږدې د دې ډول کلیدي مفکورو سره شبکه ګړندۍ نه کړم، بلکه د دې لپاره چې د ساحې روښانه او ډله ایز کړي. دلته یو څو داسې مقالې شتون لري (ځینې یې , , ) او په عمومي توګه دوی خورا نظریاتي دي.
مګر دا سمت، لږترلږه په تیوریکي توګه، باید په پیل کې لست شوي ستونزې پوښښ کړي.
د انځور تخریب د پیرامیټونو له مخې "د دیوال رنګ / پوړ رنګ / د څیز شکل / د څیز رنګ / وغيره."
د "سایز، ابرو، سمت، د پوستکي رنګ، او نور" د پیرامیټونو له مخې د مخ تخریب.
Прочее
ډیری نور شتون لري، نه دومره نړیوال، هغه سیمې چې تاسو ته اجازه درکوي په یو ډول ډیټابیس کم کړئ، د ډیرو متفاوت معلوماتو سره کار وکړئ، او داسې نور.
پاملرنه. دا شاید معنی ونلري چې دا د جلا میتود په توګه جلا کړئ. یوازې یوه تګلاره چې نورو ته وده ورکوي. ډیری مقالې ورته وقف شوي دي (,,). د پام وړ ټکی دا دی چې د شبکې غبرګون په ځانګړي ډول د روزنې پرمهال د پام وړ شیانو ته وده ورکړي. ډیری وختونه د یو ډول بهرني هدف ډیزاین یا کوچنۍ بهرنۍ شبکې لخوا.
3D سمول. که تاسو یو ښه 3D انجن جوړ کړئ، تاسو کولی شئ ډیری وختونه د دې سره د روزنې ډاټا 90٪ پوښئ (ما حتی یو مثال ولید چیرې چې نږدې 99٪ ډاټا د ښه انجن لخوا پوښل شوي). ډیری نظرونه او هیکونه شتون لري چې څنګه د ریښتیني ډیټا په کارولو سره د 3D انجن کار کې روزل شوې شبکه رامینځته کړي (ښه ټیوننګ ، سټایل لیږد ، او داسې نور). مګر ډیری وختونه د ښه انجن رامینځته کول د معلوماتو راټولولو په پرتله د اندازې ډیری امرونه خورا ستونزمن دي. مثالونه کله چې انجنونه جوړ شوي وو:
د روبوټ روزنه (, )
د روزنې غونډو په پلورنځي کې توکي (مګر په دوه پروژو کې چې موږ یې ترسره کړل، موږ کولی شو په اسانۍ سره پرته له دې وکړو).
په ټیسلا کې روزنه (بیا، پورته ویډیو).
موندنو
ټوله مقاله، په یوه معنی، پایله ده. شاید اصلي پیغام چې زه یې غواړم هغه دا و چې "مفتونه پای ته رسیدلي، نیورون نور ساده حلونه نه وړاندې کوي." اوس موږ اړتیا لرو چې د پیچلو پریکړو لپاره سخت کار وکړو. یا د پیچلو ساینسي څیړنو لپاره سخت کار وکړئ.
په عمومي توګه، موضوع د بحث وړ ده. شاید لوستونکي نور په زړه پورې مثالونه ولري؟
سرچینه: www.habr.com