ଆର୍ଟିଫିସିଆଲ୍ ଇଣ୍ଟେଲିଜେନ୍ସ୍ samparkare

ଆର୍ଟିଫିସିଆଲ ଇଣ୍ଟେଲିଜେନ୍ସ (କୃତ୍ରିମ ବୁଦ୍ଧିମତା) ବା ସଂକ୍ଷେପରେ କହିଲେ ଏ.ଆଇ. ହେଉଛି ମନୁଷ୍ୟକୃତ ଯନ୍ତ୍ରାଂଶ ଯେପରିକି ରୋବଟ, କମ୍ପ୍ୟୁଟର ଇତ୍ୟାଦିମାନଙ୍କ ମଧ୍ୟରେ ଥିବା ବୁଦ୍ଧିମତ୍ତାକୁ ବୁଝାଏ । ବିଭିନ୍ନ ପ୍ରୋଗ୍ରାମ, ଆଲୋଗୋରିଦମ ଓ ଶିକ୍ଷାଦ୍ୱାରା କୂତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା ସୃଷ୍ଟି କରାଯାଇଥାଏ। ଯେକୌଣସି ଯନ୍ତ୍ର ଯାହା ତାର ଆଖପାଖର ପରିବେଶକୁ ବୁଝିପାରି ନିଜର କ୍ରିୟାଦ୍ୱାରା ଲକ୍ଷ୍ୟସ୍ଥଳୀରେ ପହଞ୍ଚିବାର ସମ୍ଭାବନାକୁ ଯଦି ବଢ଼ାଇପାରେ ତାହାକୁ କୃତ୍ରିମ ବୁଦ୍ଧିମତା କୁହାଯାଏ । ଅନ୍ୟଏକ ଅର୍ଥରେ, ଏହା ଏକ ଯନ୍ତ୍ର ଯାହା ମନୁଷ୍ୟର ମସ୍ତିଷ୍କ ଭଳି ଚିନ୍ତା କରି ନୂଆ ଜିନିଷ ଶିଖେ ଏବଂ ସମସ୍ୟାର ସମାଧାନ କରିପାରେ।

ଯେହେତୁ ମେସିନ୍ ଗୁଡ଼ିକ କ୍ରମଶଃ ସକ୍ଷମ ହେବାରେ ଲାଗିଛି, "ବୁଦ୍ଧିମତା" ଆବଶ୍ୟକ କରୁଥିବା କାର୍ଯ୍ୟଗୁଡିକ ପ୍ରାୟତଃ ଏଆଇର ସଂଜ୍ଞାରୁ ହଟାଇ ଦିଆଗଲାଣି, ଯାହାକୁ ଏଆଇ ପ୍ରଭାବ (AI effect) କୁହାଯାଏ ।[୨] ଉଦାହରଣ ସ୍ୱରୂପ, ଅପ୍ଟିକାଲ କ୍ୟାରେକ୍ଟର ରେକଗନୀସନ (OCR) ଏକ ନିୟମିତ ଜ୍ଞାନକୌଶଳରେ ପରିଣତ ହେବା ପରେ, ପ୍ରାୟତଃ ଏଆଇ ବୋଲି ବିବେଚନା କରାଯାଉଥିବା ଜିନିଷରୁ ବାଦ୍ ଦିଆଯାଏ ।

ଏଆଇ ଗବେଷଣାର ବିଭିନ୍ନ ଉପ-କ୍ଷେତ୍ର ନିର୍ଦ୍ଦିଷ୍ଟ ଲକ୍ଷ୍ୟ ଏବଂ ନିର୍ଦ୍ଦିଷ୍ଟ ଉପକରଣର ବ୍ୟବହାର ଉପରେ କେନ୍ଦ୍ରୀଭୂତ । ଏଆଇ ଗବେଷଣାର ପାରମ୍ପରିକ ଲକ୍ଷ୍ୟ ଗୁଡ଼ିକ ମଧ୍ୟରେ ଯୁକ୍ତି, ଜ୍ଞାନ ପ୍ରତିନିଧିତ୍ୱ, ଯୋଜନା, ଶିକ୍ଷଣ, ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣ, ଧାରଣା ଏବଂ ବସ୍ତୁଗୁଡ଼ିକର ଗତି ଏବଂ ପରିଚାଳନା କରିବାର କ୍ଷମତା ଅନ୍ତର୍ଭୁକ୍ତ । ସାଧାରଣ ବୁଦ୍ଧି (ଏକ ମନମୁଖୀ ସମସ୍ୟାର ସମାଧାନ କରିବାର କ୍ଷମତା) ଏହି କ୍ଷେତ୍ରର ଦୀର୍ଘମିଆଦୀ ଲକ୍ଷ୍ୟ ମଧ୍ୟରୁ ଅନ୍ୟତମ ।[୩] ଏହି ସମସ୍ୟାଗୁଡ଼ିକର ସମାଧାନ ପାଇଁ, ଏଆଇ ଗବେଷକମାନେ ଅନୁସନ୍ଧାନ ଏବଂ ଗାଣିତିକ ଅପ୍ଟିମାଇଜେସନ୍, ଆନୁଷ୍ଠାନିକ ଯୁକ୍ତି, କୃତ୍ରିମ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ଏବଂ ପରିସଂଖ୍ୟାନ, ସମ୍ଭାବ୍ୟତା ଏବଂ ଅର୍ଥନୀତି ଉପରେ ଆଧାରିତ ପଦ୍ଧତି ସମେତ ଅନେକ ସମସ୍ୟା ସମାଧାନ କୌଶଳକୁ ଅନୁକୂଳ ଏବଂ ସମନ୍ୱିତ କରିଛନ୍ତି । ଏଆଇ କମ୍ପ୍ୟୁଟର ବିଜ୍ଞାନ, ମନୋବିଜ୍ଞାନ, ଭାଷାବିଜ୍ଞାନ, ଦର୍ଶନ ଏବଂ ଅନ୍ୟାନ୍ୟ ଅନେକ କ୍ଷେତ୍ରକୁ ମଧ୍ୟ ଆକର୍ଷିତ କରେ ।

"ମାନବ ବୁଦ୍ଧିକୁ ଏତେ ସଠିକ ଭାବରେ ବର୍ଣ୍ଣନା କରାଯାଇପାରିବ ଯେ ଏହାକୁ ଅନୁକରଣ କରିବା ପାଇଁ ଏକ ମେସିନ୍ ତିଆରି କରାଯାଇପାରିବ" ବୋଲି ଧାରଣା ଉପରେ ଏହି କ୍ଷେତ୍ର ସ୍ଥାପିତ ହୋଇଥିଲା । ଏହା ମନ ଏବଂ ମନୁଷ୍ୟ ପରି ବୁଦ୍ଧିସମ୍ପନ୍ନ କୃତ୍ରିମ ଜୀବ ସୃଷ୍ଟି କରିବାର ନୈତିକ ପରିଣାମ ବିଷୟରେ ଦାର୍ଶନିକ ଯୁକ୍ତି ଉପସ୍ଥାପନ କରିଥିଲା; ପ୍ରାଚୀନକାଳରୁ ପୁରାଣ, କଳ୍ପନା ଏବଂ ଦର୍ଶନଦ୍ୱାରା ଏହି ପ୍ରସଙ୍ଗଗୁଡ଼ିକର ଅନୁସନ୍ଧାନ କରାଯାଇଛି । କମ୍ପ୍ୟୁଟର ବୈଜ୍ଞାନିକ ଏବଂ ଦାର୍ଶନିକମାନେ ପରାମର୍ଶ ଦେଇଛନ୍ତି ଯେ ଯଦି ଏଆଇର ଯୁକ୍ତିଯୁକ୍ତ ସାମର୍ଥ୍ୟ ମାନବଜାତି ପାଇଁ ଲାଭଦାୟକ ଲକ୍ଷ୍ୟ ଆଡକୁ ଅଗ୍ରସର ନ ହୁଏ ତେବେ ଏଆଇ ମାନବ ଜାତି ପାଇଁ ଏକ ଅସ୍ତିତ୍ୱ ବିପଦରେ ପରିଣତ ହୋଇପାରେ । ଅର୍ଥନୀତିଜ୍ଞମାନେ ବାରମ୍ବାର ଏଆଇରୁ ମୂଲ୍ୟହୀନ ହେବାର ବିପଦ ଉପରେ ଆଲୋକପାତ କରିଛନ୍ତି ଏବଂ ସମ୍ପୂର୍ଣ୍ଣ ନିଯୁକ୍ତି ପାଇଁ ପର୍ଯ୍ୟାପ୍ତ ସାମାଜିକ ନୀତି ନଥିଲେ ବେରୋଜଗାରୀ ବିଷୟରେ ଅନୁମାନ କରିଛନ୍ତି ।[୪] ଆର୍ଟିଫିସିଆଲ ଇଣ୍ଟେଲିଜେନ୍ସ ଶବ୍ଦଟି ମଧ୍ୟ ଏଆଇର ପ୍ରକୃତ ବୈଷୟିକ ସାମର୍ଥ୍ୟକୁ ଅତ୍ୟଧିକ ପ୍ରୋତ୍ସାହନ ଦେବା ପାଇଁ ସମାଲୋଚନା କରାଯାଇଛି ।

ପ୍ରାରମ୍ଭରେ ଗବେଷଣକାରୀମାନେ ଏକ କଳନା ଶୈଳୀ ବାହାର କରିଥିଲେ ଯାହାଦ୍ୱାରା ମନୁଷ୍ୟର ମନର ପ୍ରତ୍ୟେକ ବିଚାରକୁ ନକଲ କରି ସମସ୍ୟାର ସମାଧାନ ହୋଇପାରୁଥିଲା । ୮୦ ଏବଂ ୯୦ ଦଶକ ବେଳକୁ ଏଆଇ ଗବେଷଣାକରି ଏଭଳି ପ୍ରକ୍ରିୟା ବାହାର ହେଲା ଯାହାଦ୍ୱାରା ଯନ୍ତ୍ର ଆଗରୁ ଦେଖିନଥିବା ବା ଜାଣିନଥିବା ଅନିର୍ଦ୍ଧିଷ୍ଟ ପରିସ୍ଥିତିରେ ପଡି ମଧ୍ୟ ଲକ୍ଷ ହାସଲ କରିପାରିଲା। ଅର୍ଥଶାସ୍ତ୍ର ଏବଂ ସମ୍ଭାବନା ସହାୟତାରେ ଏହା ସମ୍ଭବ ହୋଇପାରିଥିଲା।

ଏ ସବୁ ସତ୍ତ୍ୱେ ଏହି ପ୍ରଣାଳୀଟି ବଡ଼ ବଡ଼ ବିଚାରାତ୍ମକ ସମସ୍ୟା ସମାଧାନ କରିବାରେ ଅକ୍ଷମ ଅଟେ । ସମସ୍ୟାଟି ଯେତେ ଯେତେ ବଡ଼ ହୋଇ ହୋଇ ଯାଇଥାଏ ସେହିଅନୁସାରେ ଲକ୍ଷ୍ୟସ୍ଥଳରେ ପହଁଚିବା ନିମିତ୍ତ ଦରକାର ହେଉଥିବା ବିଭିନ୍ନପ୍ରକାରର ମେଳର ସଂଖ୍ୟା ମଧ୍ୟ ବଢ଼ି ବଢ଼ି ଚାଲେ। ମୁଳତଃ ମନୁଷ୍ୟମାନେ ଗୋଟିଏ ପରେ ଗୋଟିଏ ପଦ ନନେଇ ନିଜର ପ୍ରତିବିଜ୍ଞାନ ବୋଧକ ବିଚାର କରି ବଡ଼ ସମସ୍ୟା ସମାଧାନ କରିଥାନ୍ତି।

ନଲେଜ ରିପ୍ରେଜେଣ୍ଟେସନ[ସମ୍ପାଦନା]

ନଲେଜ ରିପ୍ରେଜେଣ୍ଟେସନ ଏବଂ ନଲେଜ ଇଞ୍ଜିନିଅରିଂ ଉତ୍କୃଷ୍ଟ ଏଆଇର ପ୍ରମୁଖ ସ୍ତମ୍ଭ ଅଟନ୍ତି ।

ନ୍ୟାଚୁରାଲ ଲାଙ୍ଗୁଏଜ ପ୍ରୋସେସିଂ[ସମ୍ପାଦନା]

ନ୍ୟାଚୁରାଲ ଲାଙ୍ଗୁଏଜ ପ୍ରୋସେସିଂ ବା ଆକ୍ଷେରିକ ଅର୍ଥରେ କହିଲେ ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣ ଏକ ଯନ୍ତ୍ରକୁ, ମନୁଷ୍ୟର ଭାଷା ପଢ଼ିବା ଏବଂ ବୁଝିବାର ଶକ୍ତି ପ୍ରଦାନ କରେ।

ଏହାର କେତେକ ପ୍ରୟୋଗ ଆମେ ନିମ୍ନଲିଖିତ ବର୍ଗରେ ଦେଖିବାକୁ ପାଇବା ଯେପରି

ଇନଫରମେସନ ରିଟ୍ରିଭାଲ

ଟେକ୍ସଟ ମାଇନିଂ

ପ୍ରଶ୍ନ ଉତ୍ତର ଏବଂ

ମେସିନ ଟ୍ରାନ୍ସଲେସନ

ଯୋଜନା[ସମ୍ପାଦନା]

ବୁଦ୍ଧିମାନ ପ୍ରତିନିଧୀ ନିଜେ ନିଜର ଲକ୍ଷ୍ୟ ସ୍ଥିର କରନ୍ତି ଏବଂ ତାହାକୁ ପାଇବାର ସମସ୍ତ କାର୍ଯ୍ୟ ସମ୍ପାଦନ କରିଥାନ୍ତି । ସେମାନଙ୍କୁ ଭବିଷ୍ୟତ ଦେଖିବାର ଗୋଟିଏ ମାଧ୍ୟମ ଆବଶ୍ୟକ, ଯାହାଦ୍ୱାରା ସେମାନେ ଭବିଷ୍ୟତର ଗୋଟିଏ ଅବସ୍ଥା ଦେଖି ତାଙ୍କର ଗତିବିଧି କିଭଳି ଭାବେ ଏହାକୁ ପ୍ରଭାବିତ କରିବ ଏବଂ କଣ ସବୁ ନିର୍ଣ୍ଣୟ ନିଆଗଲେ ଅଧିକ ଲାଭ ମିଳିପାରିବ ସେ ସବୁ ସ୍ଥିର କରିପାରିବେ ।

ଯଦି ଆମେ ଗୋଟିଏ ପ୍ରକାରର ଘଟଣାକୁ ବିଚାରକୁ ନେବା ଯେପରି ଜଣେ ପ୍ରତିନିଧି ଯେତେବେଳେ ନିଜର କାମ ଆରମ୍ଭ କରେ, ଏହା ଭାବେ କି ଦୁନିଆରେ କେବଳ ତାହାର କ୍ରିୟାହିଁ ପାର୍ଶ୍ୱ ପରିସ୍ଥିତିକୁ ପ୍ରଭାବିତ କରିବ। ମାତ୍ର ଯଦି ଏଭଳି ନହୁଏ (ଯାହାକି ପ୍ରାୟ ଅଧିକାଂଶ କ୍ଷେତ୍ରରେ ହୋଇଥାଏ ) ତେବେ ଅନିଶ୍ଚିତତାକୁ ଦୃଷ୍ଟିରେ ରଖି ପ୍ରତିନିଧିଟିକୁ କାମ କରିବାକୁ ପଡ଼ିଥାଏ । ବହୁଗୁଡ଼ିଏ ପ୍ରତିନିଧି ମିଶି ମଧ୍ୟ ଗୋଟିଏ ଲକ୍ଷରେ ପହଂଚିବା ନିମିତ୍ତ କାମ କରିପାରନ୍ତି।

ଶିକ୍ଷା[ସମ୍ପାଦନା]

ମେସିନ ଲର୍ଣିଂ ବା ଯନ୍ତ୍ର ଶିକ୍ଷା ହେଉଛି କୁତ୍ରିମ ବୁଦ୍ଧିମତ୍ତାର ଏକ ମୁଖ୍ୟ ସ୍ତମ୍ଭ। କମ୍ପ୍ୟୁଟରର ଆଲଗୋରିଦମ କିମ୍ବା ପ୍ରଣାଳୀଦ୍ୱାରା ଅଭିଜ୍ଞତାରୁ ଆପେ ଆପେ ଶିଖିବା ହେଉଛି ଏହାର ମୁଖ୍ୟ କାମ। ଯନ୍ତ୍ର ଶିକ୍ଷାକୁ ମୁଖ୍ୟତଃ ତିନି ଭାଗରେ ବିଭକ୍ତ କରାଯାଇଛି।

ସୁପରଭାଇଜ଼ଡ଼ ଲର୍ଣିଂ ବା ପର୍ଯ୍ୟାବେକ୍ଷିତ ଶିକ୍ଷା

ଅନସୁପରଭାଇଜ଼ଡ଼ ଲର୍ଣିଂ ବା ଅପର୍ଯ୍ୟାବେକ୍ଷିତ ଶିକ୍ଷା ଏବଂ

ରିଏନ୍ଫୋର୍ସମେଣ୍ଟ ଲର୍ଣିଂ ବା ସୁଦୃଢ଼ୀକରଣ ଶିକ୍ଷା

ଲକ୍ଷ୍ୟ[ସମ୍ପାଦନା]

ଏଆଇର ସେଭଳି କିଛି ନିର୍ଦ୍ଧିଷ୍ଟ ଲକ୍ଷ୍ୟ ନିର୍ଦ୍ଧାରଣ କରାଯାଇନାହିଁ । ମାତ୍ର ଆମେ ମୂଳ ଭାବେ ଏହାକୁ ନିମ୍ନଲିଖିତ ବିଷୟରେ ବିଭାଜିତ କରିପାରିବା ।

ମାନବର ମସ୍ତିଷ୍କ ଅନୁକରଣ କରିବା[ସମ୍ପାଦନା]

ଆମ ଜ୍ଞାତରେ ଯେତେବି ପ୍ରାଣୀ ଅଛନ୍ତି, ମନୁଷ୍ୟର ଚିନ୍ତନ ଶକ୍ତି ସବୁଠାରୁ ବିକଶିତ ଅଟେ । କୁତ୍ରିମ ବୁଦ୍ଧିମତ୍ତାଦ୍ୱାରା ଯନ୍ତ୍ରଗୁଡ଼ିକ କିପରି ମନୁଷ୍ୟ ଭଳି କିମ୍ବା ମନୁଷ୍ୟଠୁ ମଧ୍ୟ ଭଲ ଭାବରେ ଚିନ୍ତା କରି ନିର୍ଣ୍ଣୟ ନେଇପାରିବେ ଏହା ହେଉଛି ଏକ ଲକ୍ଷ୍ୟ ।

ଏହି କ୍ଷେତ୍ରରେ ବର୍ତ୍ତମାନ ସବୁଠାରୁ ଉପରେ ଗୁଗଲର ଡିପ୍ ମାଇଣ୍ଡ ଅଛି। ସେମାନେ ଗୁଗଲ ଡ୍ୟୁପ୍ଲେକ୍ସ[୮] ନାମକ ଏକ ଯୋଜନାଦ୍ୱାରା କୁତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା ଉପଯୋଗ କରି, ଯନ୍ତ୍ରଦ୍ୱାରା ଭୋଜନାଳୟର ଜାଗା ସଂରକ୍ଷଣ କରିବାଠୁ ଆରମ୍ଭ କରି ବାଳ କାଟିବା ସମୟ ମଧ୍ୟ ଆଗୁଆ ସଂରକ୍ଷଣ କରାଯାଇପାରିହେଲାଣି।

ଉପକରଣ[ସମ୍ପାଦନା]

ଖୋଜିବା ଏବଂ ଅପଟିମାଇଜ କରିବା[ସମ୍ପାଦନା]

ଏଆଇର ଅନେକ ସମସ୍ୟାଗୁଡ଼ିକୁ କେବଳ ସଠିକ ଭାବରେ ସମାଧାନ ଖୋଜିବାଦ୍ୱାରା ସମାଧାନ କରିହେବ । ରିଜନିଂକୁ ଆମେ ଗୋଟିଏ ଖୋଜିବା ସମସ୍ୟାଭାବେ ନେଇ ସମାଧାନ କରିପାରିବା । ଭଲ ଭାବରେ ବୁଝିବା ନିମିତ୍ତ, ଉଦାହରଣ ସ୍ୱରୂପ ଧରନ୍ତୁ ଆପଣଙ୍କୁ ଏକ ପାହାଡ଼ର ଶିଖରରେ ପହଂଚିବାର ଅଛି, ଶିଖରରେ ପହଞ୍ଚିନା ନିମିତ୍ତ ଆପଣଙ୍କୁ ବହୁତ ବାଟ ମିଳିବ, ଅତି କମରେ ଚାରି ଦିଗରୁ ଚାରିଟି ବାଟରୁ କେଉଁ ଏକ ବାଟରେ ଆପଣ ପାହାଡ଼ର ଚୁଡାରେ ପହଂଚି ପାରିବେ । କିନ୍ତୁ ପ୍ରଶ୍ନ ଉଠେ କେଉଁ ରାସ୍ତାରେ ଗଲେ ଆପଣ କମ ସମୟରେ ଏବଂ କମ ପରିଶ୍ରମରେ ଆପଣଙ୍କର ଲକ୍ଷ୍ୟସ୍ଥଳୀରେ ପହଁଚିପାରିବେ ସେ ତଥ୍ୟ ପାଇଁ ଆପଣଙ୍କୁ ନିଜେ ଚଢ଼ିବା ଆଗରୁ ଅନ୍ୟମାନଙ୍କୁ ପଚାରି କିମ୍ବା ମାନଚିତ୍ର ଦେଖି କିମ୍ବା ଦୂରରୁ ନିଜେ ଆକଳନ କରି ଆପଣ ଆପଣଙ୍କର ଚଲାପଥ ଠିକ କରିପାରିବେ । ଏଆଇ ଆପଣଙ୍କର ସହାୟତା ନିମିତ୍ତ ରାସ୍ତା ଖୋଜିପାରେ ଏବଂ କିଛି ତ୍ରୁଟି ହେଲେ ନିଜକୁ ସୁଧାରେ ଯାହାକୁ ଅପଟିମାଇଜ କୁହନ୍ତି ।

ଆର୍ଟିଫିସିଆଲ ନ୍ୟୁରାଲ ନେଟୱର୍କ[ସମ୍ପାଦନା]

ନ୍ୟୁରାଲ ନେଟୱର୍କର ଗଠନ ମଣିଷର ମସ୍ତିଷ୍କକୁ ଦେଖିକରି ତିଆରି କରାଯାଇଛି । ନ୍ୟୁରାଲ ନେଟୱର୍କକୁ ଉପଯୋଗ କରି ଚିତ୍ର, ଶବ୍ଦ, ଗାଡ଼ି ଚାଳନା ଆଦି ଅନେକ କାମ କରାଯାଇପାରୁଅଛି । ଏହି ବିଷୟରେ ଅଧିକ ଜାଣିବା ନିମିତ୍ତ ଏହାର ମୂଳଲେଖା, ଆର୍ଟିଫିସିଆଲ ନ୍ୟୁରାଲ ନେଟୱର୍କକୁ ପଢ଼ନ୍ତୁ ।

ମେସିନ ଲର୍ଣ୍ଣିଙ୍ଗ୍ କାମଗୁଡ଼ିକ[ସମ୍ପାଦନା]

ମେସିନ ଲର୍ଣ୍ଣିଙ୍ଗ୍ କାମଗୁଡ଼ିକୁ ଦିଆଯାଉଥିବା ତଥ୍ୟର ମତାମତକୁ ନଜରରେ ରଖି ମୋଟାମୋଟି ଭାବେ ଦୁଇ ଭାବରେ ବିଭକ୍ତ କରାଯାଇଛି।[୧][୨][୩][୪]

ସୁପରଭାଇଜଡ ଲର୍ଣ୍ଣିଙ୍ଗ୍ (ପର୍ଯ୍ୟାବେକ୍ଷିତ ଶିକ୍ଷା)

ଅନସୁପରଭାଇଜଡ ଲର୍ଣ୍ଣିଙ୍ଗ୍ (ଅପର୍ଯ୍ୟାବେକ୍ଷିତ ଶିକ୍ଷା): ବିନା କୌଣସି ଚିନ୍ହିତ ତଥ୍ୟ ଦେଇ ଯଦି କମ୍ପ୍ୟୁଟରକୁ ଦିଆଯାଇଥିବା ତଥ୍ୟର ପ୍ରକାର ବା ଚିହ୍ନ ଜାଣିବାକୁ କୁହାଯାଏ ତାହା ଏହି ବିଭାଗରେ ଆସିବ ।[୫]

ସୁପରଭାଇଜଡ ଲର୍ଣ୍ଣିଙ୍ଗ୍ରେ କମ୍ପ୍ୟୁଟରକୁ ଦରକାରୀ ତଥ୍ୟ ନିବେଶ ହେବା ସହିତ ଆଶାକରଯାଉଥିବା ଫଳାଫଳକୁ ମଧ୍ୟ ଦିଆଯାଇଥାଏ । ପରେ ଏହି ତଥ୍ୟ ଉପଯୋଗ କରି କମ୍ପ୍ୟୁଟର ଭବିଷ୍ୟତରେ, ପୂର୍ବରୁ ନଦେଖିଥିବା ତଥ୍ୟରେ ଆମକୁ ଆବଶ୍ୟକୀୟ ଫଳ ଦେଇପାରିବ । ସୁପରଭାଇଜଡ ଲର୍ଣ୍ଣିଙ୍ଗ୍କୁ ଆହୁରି ଅନେକ ଛୋଟ ବିଭାଗଗୁଡ଼ିକରେ ବିଭକ୍ତ କରିହେବ ଯେପରିକି:

ସେମି-ସୁପରଭାଇଜଡ ଲର୍ଣ୍ଣିଙ୍ଗ୍: ଏଥିରେ କମ୍ପ୍ୟୁଟରକୁ ଆଂଶିକ ତଥ୍ୟ ଦିଆଯାଇଥାଏ ।

ଆକ୍ଟିଭ ଲର୍ଣ୍ଣିଙ୍ଗ୍ : କମ୍ପ୍ୟୁଟର କିଛିନିର୍ଦ୍ଧିଷ୍ଟ ତଥ୍ୟନିମିତ୍ତ ନିଜେ ଇଣ୍ଟରନେଟରୁ ବା ଅନ୍ୟ କୌଣସି ଡାଟାବେସରୁ ତଥ୍ୟ ସଂଗ୍ରହକରି ଚିନ୍ହିତ କରିଥାଏ ।

ରିଏନ୍ଫୋର୍ସମେଣ୍ଟ ଲର୍ଣ୍ଣିଙ୍ଗ୍ : କମ୍ପ୍ୟୁଟରକୁ କିଛି ତଥ୍ୟ ଆରମ୍ଭରୁ ମିଳେ କିନ୍ତୁ ଅଧିକାଂଶ ତଥ୍ୟ କମ୍ପ୍ୟୁଟରକୁ ଦଣ୍ଡ ବା ପୁରସ୍କାର ଆକାରରେ ଏହାର ପ୍ରତି ନିର୍ଣ୍ଣୟପରେ ମିଳିଥାଏ । ସ୍ୱୟଂଚାଳିତ ଗାଡ଼ିରେ ମୁଖ୍ୟତଃ ଏହାକୁ ବ୍ୟବହାର କରାଯାଇଥାଏ ।

ସିଦ୍ଧାନ୍ତ[ସମ୍ପାଦନା]

ଗୋଟିଏ ଶିକ୍ଷାବିତର ମୂଳ ଲକ୍ଷ୍ୟ ହେଉଛି ଅତୀତରେ ଘଟିଥିବା ଘଟଣାଗୁଡ଼ିକୁ ଦୃଷ୍ଟିରେ ରଖି ସେଥିରୁ ଶିଖିବା ଏବଂ ସେହି ଶିକ୍ଷାକୁ ଉପଯୋଗକରି ଭବିଷ୍ୟତରେ ଉପୁଜିବାକୁଥିବା ପରିସ୍ଥିତିରେ ସଠିକ ନିର୍ଣ୍ଣୟ ନେବା । କୌଣସି ଏକ ପର୍ଯ୍ୟାବେକ୍ଷିତ ମଡେଲକୁ ପ୍ରଥମେ ଚିନ୍ହିତ ତଥ୍ୟଦ୍ୱାରା ତାଲିମ ଦିଆଯାଇଥାଏ । ଯେପରି ଏକ ଶିଶୁକୁ ପ୍ରଥମେ ଶିଖେଇବାକୁ ପଡ଼େ ନିଆଁରେ ହାତ ଦେବ ନାହିଁ ଇତ୍ୟାଦି ସେହିପରି କମ୍ପ୍ୟୁଟରକୁ ଶିଖେଇବାକୁ ପଡ଼ିଥାଏ ।

ସୁପରଭାଇଜଡ ଲର୍ଣ୍ଣିଙ୍ଗ୍[ସମ୍ପାଦନା]

ସୁପରଭାଇଜଡ ଲର୍ଣ୍ଣିଙ୍ଗ୍ରେ ବିଷୟରେ ଅଧିକ ଜାଣିବା ପୂର୍ବରୁ ମନୁଷ୍ୟର ଦୁଇଟି ମୁଖ୍ୟ ସମସ୍ୟା ବିଷୟରେ ଜାଣିବା ଜରୁରୀ । ମୁଖ୍ୟ ମାନବ ସମସ୍ୟାଗୁଡ଼ିକୁ ମୌଳିକରୂପେ ଦୁଇ ଭାଗରେ ବିଭକ୍ତ କରାହୋଇଛି, ସେଗୁଡ଼ିକ ହେଲା କ୍ଲାସିଫିକେସନ ଏବଂ ରିଗ୍ରେସନ ।[୬][୭][୮]

କ୍ଲାସିଫିକେସନ୍[ସମ୍ପାଦନା]

କ୍ଲାସିଫିକେସନ୍ ଅର୍ଥାତ ବର୍ଗୀକରଣ ହେଉଛି ସେହି ସମସ୍ୟାଗୁଡ଼ିକ ଯାହାକୁ ଆମେ ଏକ ନିର୍ଦ୍ଧିଷ୍ଟ ପ୍ରକାରର ଶ୍ରେଣୀରେ ବିଭକ୍ତ କରାଯାଇପାରୁ । କିଛି ବର୍ଗୀକରଣ ସମସ୍ୟାର ଉଦାହରଣ ନିମ୍ନରେ ଦିଆଗଲା ।

ଇ-ମେଲଗୁଡ଼ିକୁ ନେଇ ସେଥିରୁ ଭଲ ଏବଂ ଖରାପ ଇ-ମେଲ ବାହାର କରିବା ।

ମନୁଷ୍ୟମାନଙ୍କର ଏକ ଜିନିଷ ଉପରେ ମତାମତନେଇ ସେଥିରୁ ଭାବ ଉଦ୍ଧାରଣ କରିବା, ଯେପରିକି ଭଲ, ଅତି ଭଲ, ଚଳିବ, ଖରାପ ଏବଂ ଅତି ଖରାପ । ଏହାକୁ ସେଣ୍ଟିମେଣ୍ଟ୍ ଆନାଲିସିସ କୁହାଯାଇଥାଏ ।

ପୁଞ୍ଜି ବଜାରରେ କୌଣସି ଏକ ସେୟାରର ମୂଲ୍ୟ ବଢିବ ବା କମିବ ।

ନିମ୍ନରେ କ୍ଲାସିଫିକେସନର କିଛି ଆଲଗୋରିଦମ ଲେଖାଯାଇଛି ।[୭]

ଡିସିସନ ଟ୍ରି

ଲଜିସ୍ଟିକ୍ ରିଗ୍ରେସନ୍

ନାଇଭ ବାଏସ

କେ ନିଅରେଷ୍ଟ୍ ନେହିବୋରସ୍

ଲିନିଅର୍ ସପୋର୍ଟ ଭେକ୍ଟର୍ କ୍ଲାସିଫାୟାର୍

ରିଗ୍ରେସନ୍[ସମ୍ପାଦନା]

ରିଗ୍ରେସନ୍ ବା ପ୍ରତିପଗମନ ହେଉଛି ସେହି ସମସ୍ୟାଗୁଡ଼ିକ ଯାହାକୁ ଆମେ ଏକ ପୂର୍ବନିର୍ଦ୍ଧିଷ୍ଟ ଶ୍ରେଣୀମାନଙ୍କରେ ବର୍ଗୀକରଣ କରିପାରିବାନି । ଦିଆଯାଇଥିବା କିଛି ତଥ୍ୟରେ ଫଳର ମୂଲ୍ୟ କିଛି ମଧ୍ୟ ହୋଇପାରେ ।

ନିମ୍ନରେ ରିଗ୍ରେସନ୍ର କିଛି ଆଲଗୋରିଦମ ଲେଖାଯାଇଛି ।[୭]

ଲିନିୟର ରିଗ୍ରେସନ୍

ରିଗ୍ରେସନ୍ ଟ୍ରିଜ୍

ସପୋର୍ଟ ଭେକ୍ଟର୍ ରିଗ୍ରେସନ୍

ଅନସୁପରଭାଇଜଡ ଲର୍ଣ୍ଣିଙ୍ଗ୍[ସମ୍ପାଦନା]

ଅନସୁପରଭାଇଜଡ ଲର୍ଣ୍ଣିଙ୍ଗ୍ରେ ଥିବା ସମସ୍ୟାଗୁଡ଼ିକୁ ମୁଖ୍ୟତଃ ଦୁଇ ଭାଗରେ ବିଭକ୍ତ କରାଯାଇଛି। କ୍ଲଷ୍ଟରିଂ ଏବଂ ଆସୋସିଏସନ୍ ହେଉଛି ଏହି ଦୁଇଟି ପ୍ରମୁଖ ସମସ୍ୟା ।[୯][୧୦]

କ୍ଲଷ୍ଟରିଂ[ସମ୍ପାଦନା]

ଦିଆଯାଇଥିବା ଅଚିନ୍ହିତ ତଥ୍ୟରୁ କେଉଁ ତଥ୍ୟଗୁଡ଼ିକ ପାଖାପାଖି ମିସୁଛନ୍ତି ଏବଂ କେଉଁଗୁଡ଼ିକ ଅନ୍ୟମାନଙ୍କଠାରୁ ପ୍ରାୟ ଅଲଗା ତାହା ଜାଣିବା ହେଉଛି କ୍ଲଷ୍ଟରିଂ। ଯେହେତୁ ଏହା ଅନସୁପରଭାଇଜଡ ଲର୍ଣ୍ଣିଙ୍ଗ୍ରେ ଯାଉଅଛି ତେଣୁ ମେସିନକୁ କିଛି ପୂର୍ବରୁ ତଥ୍ୟର ଶ୍ରେଣୀ ଦେବା ଆବଶ୍ୟକ ନୁହେଁ, କେବଳ ତଥ୍ୟ ଦିଅନ୍ତୁ ଯନ୍ତ୍ର ଆପେ ଆପେ ସେଗୁଡ଼ିକୁ ଅଲଗା ଅଲଗା ଶ୍ରେଣୀ କରି ରଖିଦେବ । ସେହି ଶ୍ରେଣୀରୁ କେଉଁ ଶ୍ରେଣୀର ନାମ କଣ ଦିଆଯିବ ତାହାକୁ ମନୁଷ୍ୟକୁ ବିଚାର କରିବାକୁ ପଡ଼େ ।

କ୍ଲଷ୍ଟରିଂର କିଛି ଆଲଗୋରିଦମ ନିମ୍ନରେ ଦର୍ଶାଯାଇଛି ।[୧୧]

କେ-ମିନ୍ସ

ହାଇରାରକିକାଲ୍

ଏକ୍ସପେକ୍ଟେସନ୍ ମ୍ୟାକ୍ସିମାଇଜେସନ୍

କ୍ଲଷ୍ଟରିଂ ଏବଂ କ୍ଲାସିଫିକେସନ୍ ମଧ୍ୟରେ ଥିବା ତଫାତତ୍କୁ ନିମ୍ନରେ ଦର୍ଶାଯାଇଛି ।[୧୨][୧୩]

କ୍ଲାସିଫିକେସନ୍ ଏବଂ କ୍ଲଷ୍ଟରିଂ ମଧ୍ୟରେ ଥିବା ତଫାତ୍ମାନଦଣ୍ଡକ୍ଲାସିଫିକେସନ୍କ୍ଲଷ୍ଟରିଂଶ୍ରେଣୀଯୁକ୍ତ ତଥ୍ୟ ଆବଶ୍ୟକଆବଶ୍ୟକଅନାବଶ୍ୟକମେସିନ ଲର୍ଣ୍ଣିଙ୍ଗ୍ ପ୍ରକାରସୁପରଭାଇଜଡ ଲର୍ଣ୍ଣିଙ୍ଗ୍ଅନସୁପରଭାଇଜଡ ଲର୍ଣ୍ଣିଙ୍ଗ୍ଆଲଗୋରିଦମଡିସିସନ ଟ୍ରି, ଲଜିସ୍ଟିକ୍ ରିଗ୍ରେସନ୍ ଇତ୍ୟାଦିକେ-ମିନ୍ସ, ଏକ୍ସପେକ୍ଟେସନ୍ ମ୍ୟାକ୍ସିମାଇଜେସନ୍ ଇତ୍ୟାଦି

ଆସୋସିଏସନ୍[ସମ୍ପାଦନା]

ବିନା କୌଣସି ଚିନ୍ହିତ ତଥ୍ୟରେ, ବଡ଼ ବଡ଼ ଡାଟାବେସରେ ତଥ୍ୟଗୁଡ଼ିକ ମଧ୍ୟରେ ସମ୍ପର୍କ ନିର୍ଦ୍ଧାରଣ କରିବାର ପ୍ରକ୍ରିୟାକୁ ଆସୋସିଏସନ୍ କୁହାଯାଇଥାଏ ।[୧୩]

ବିଭିନ୍ନ ଆଲଗୋରିଦମ[ସମ୍ପାଦନା]

ନିମ୍ନରେ କିଛି ଆଲଗୋରିଦମ ଦିଆଗଲା ଯାହାଦ୍ୱାରା ଆମେ ମେସିନ ଲର୍ଣ୍ଣିଙ୍ଗ୍ କରିପାରୁ ।[୧୪][୧୫] ତନ୍ମଧ୍ୟରୁ କିଛି ମୁଖ୍ୟ ଆଲଗୋରିଦମ ଉପରେ ତଳେ ବିସ୍ତୃତ ଭାବେ ଲେଖାହୋଇଛି ।

ଡିସିସନ ଟ୍ରି ଲର୍ଣ୍ଣିଙ୍ଗ୍

ଆସୋସିଏସନ ରୁଲ ଲର୍ଣ୍ଣିଙ୍ଗ୍

ଆର୍ଟିଫିସିଆଲ ନ୍ୟୁରାଲ ନେଟୱର୍କ

ଇଣ୍ଡକ୍ତିଭ ଲଜିକ ପ୍ରୋଗ୍ରାମିଂ

ସପୋର୍ଟ ଭେକ୍ଟର ମେସିନ

କ୍ଲଷ୍ଟରିଂ

ବେଏସିଆନ ନେଟୱର୍କସ

ରିଏନ୍ଫୋର୍ସମେଣ୍ଟ ଲର୍ଣ୍ଣିଙ୍ଗ୍

ରିପ୍ରେଜେଣ୍ଟେସନ ଲର୍ଣ୍ଣିଙ୍ଗ୍

ସିମିଲାରିଟି ଏବଂ ମେଟ୍ରିକ ଲର୍ଣ୍ଣିଙ୍ଗ୍

ସ୍ପାର୍ଶ ଡିକ୍ସନାରି ଲର୍ଣ୍ଣିଙ୍ଗ୍

ଜେନେଟିକ ଆଲଗୋରିଦମ

ନିୟମଯୁକ୍ତ ମେସିନ ଲର୍ଣ୍ଣିଙ୍ଗ୍

ଫିଚର ସିଲେକ୍ସନ ପ୍ରଣାଳି

ଆର୍ଟିଫିସିଆଲ ନ୍ୟୁରାଲ ନେଟୱର୍କ[ସମ୍ପାଦନା]

ଆର୍ଟିଫିସିଆଲ ନ୍ୟୁରାଲ ନେଟୱର୍କ ବା କୁତ୍ରିମ ମସ୍ତିଷ୍କ ଜାଲ ହେଉଛି ଏକ କୁତ୍ରିମ ମସ୍ତିଷ୍କ ଯାହା ମନୁଷ୍ୟର ମସ୍ତିଷ୍କର ଅନୁସରଣ କରି ତିଆରି କରାହୋଇଛି । ଏହି ପ୍ରକାରର ଆଲଗୋରିଦମ ନିଜେ ନିଜେ ଦିଆଯାଇଥିବା ଚିନ୍ହିତ ତଥ୍ୟରୁ ଶିଖିଥାଏ, ଏହାକୁ ପ୍ରୋଗ୍ରାମ ବା ନିୟମ ଦେଇ ଶିଖେଇବାକୁ ପଡ଼ିନଥାଏ । ଡିପ୍ ଲର୍ଣ୍ଣିଙ୍ଗ୍ ଏହାର ଅନ୍ତର୍ଗତ ।

ଡିସିସନ ଟ୍ରି ଲର୍ଣ୍ଣିଙ୍ଗ୍[ସମ୍ପାଦନା]

ହସ୍ତଦ୍ୱାରା ଅଙ୍କିତ ଏକ ଡିସିସନ ଟ୍ରି

ମୂଳ ଲେଖା: ଡିସିସନ ଟ୍ରି ଲର୍ଣିଂ

ଏହା ହେଉଛି ଏକ ନିର୍ଣ୍ଣୟ ନେବା ପ୍ରଣାଳୀ ଯାହାକି ଏକ ଗଛର ଆକୃତି ଭଳି ନିଜର ଆଲଗୋରିଦମକୁ ଦର୍ଶାଇଥାଏ । ସାଧାରଣ ଏକ ଫ୍ଲୋ ଚାର୍ଟ ପରି ଏହାକୁ କଳନା କରାଯାଇପାରେ । ଯନ୍ତ୍ରକୁ ନିର୍ଣ୍ଣୟ ନେବାରେ ଯେବେ ଅସୁବିଧା ହୁଏ, ଏହା ସାହାର୍ଯ୍ୟରେ ସୁବିଧା ହୋଇପାରିଥାଏ ।

ଏହି ପ୍ରକାର ଆଲଗୋରିଦମ ମେସିନ ଲର୍ଣ୍ଣିଙ୍ଗ୍ର ଉଭୟ କ୍ଲାସିଫିକେସନ୍ ଏବଂ ରିଗ୍ରେସନ୍ ସମସ୍ୟାବେଳେ ବ୍ୟବହାର ହୋଇପାରେ । ଏହି ପ୍ରକ୍ରିୟା ମେସିନ ଲର୍ଣ୍ଣିଙ୍ଗ୍ରେ ବହୁଳ ଭାବରେ ଉପଯୋଗ କରାଯାଇଥାଏ ।

ସପୋର୍ଟ ଭେକ୍ଟର ମେସିନ[ସମ୍ପାଦନା]

ଟେବୁଲରେ ଥିବା ପେଣ୍ଡୁଗୁଡ଼ିକ

ଅଧିକା ଆୟାମ ବିଶିଷ୍ଟ ଏସ.ଭି.ଏମ.

ସପୋର୍ଟ ଭେକ୍ଟର ମେସିନ ବୋଧହୁଏ ସବୁଠାରୁ ଅଧିକ ପ୍ରଚଳିତ ମେସିନ ଲର୍ଣ୍ଣିଙ୍ଗ୍ ଆଲଗୋରିଦମ । ୧୯୯୦ ମସିହାରେ ଯେବେ ପ୍ରଥମେ ଏହା ପ୍ରକାଶ ପାଇଥିଲେ, ସେତେବେଳେ ଏହା ବହୁତ ହଇଚଇ କରିଦେଇଥିଲା । ସମମସ୍ତ ବିଭାଜନ/କ୍ଲାସିଫିକେସନ କାମ ନିମିତ୍ତ ଏହାକୁ ବ୍ୟବହାର କରାଯାଉଥିଲା । ଏହି ଆଲଜିରିଦମଟି କଣ ଏବଂ କିପରି ଏହାକୁ ବ୍ୟବହାର କରାଯାଏ ନିମ୍ନରେ ଦର୍ଶାଯାଇଛି ।[୧୬]

ଧରନ୍ତୁ ଗୋଟିଏ ଟେବୁଲ ଉପରେ କିଛି ପେଣ୍ଡୁ ଅଛି । ତନ୍ମଧ୍ୟରୁ କିଛି ନୀଳ ଏବଂ କିଛି ସବୁଜ ରଙ୍ଗର ଅଟେ । ଆମକୁ ସେହି ପେଣ୍ଡୁଗୁଡିକ ମଧ୍ୟରେ ଏକ ବାଡ଼ି ରଖି ସେମାନଙ୍କୁ ଅଲଗା କରିବାର ଅଛି (କ୍ଲାସିଫିକେସନ ସମସ୍ୟା ) ।

ପ୍ରଥମେ ପେଣ୍ଡୁଗୁଡ଼ିକ ଅଲଗା ଅଲଗା ଥିବାରୁ ଆମକୁ ମଝିରେ ବାଡ଼ି ରଖିବାରେ କୌଣସି ଅସୁବିଧା ହେଲାନାହିଁ । ଆମେ ଏଭଳି ବାଡ଼ିଟି ରଖିବା ଯେପରି ଉଭୟ ପାର୍ଶ୍ୱରୁ ସର୍ବାଧିକ ଛାଡ଼ି ଛାଡ଼ି ଏହା ରହିବ (Maximized Separation) ।

ଯେଉଁ ପେଣ୍ଡୁଗୁଡ଼ିକ ବାଡ଼ିଟିର ସବୁଠୁ ପାଖରେ ସେହିଗୁଡ଼ିକହିଁ ପରବର୍ତ୍ତୀ ପେଣ୍ଡୁ ଆସିଲେ କେଉଁ ବିଭାଗରେ ରଖାଯିବ ସ୍ଥିର କରିଥାନ୍ତି । ଦୂରରେ ଥିବା ପେଣ୍ଡୁଗୁଡିକ ଏତେ ପ୍ରଭାବ ଦିଅନ୍ତି ନାହିଁ । ଏହି ବାଡ଼ି ପାଖରେ ଥିବା ପେଣ୍ଡୁଗୁଡିକୁ ସପୋର୍ଟ ଭେକ୍ଟର କୁହାଯାଇଥାଏ ।

ହଠାତ ଗୋଟିଏ ଦୁଷ୍ଟ ପିଲାଟିଏ ଆସିଲା ଏବଂ ସମସ୍ତ ପେଣ୍ଡୁଗୁଡିକୁ ଏପଟ ସେପଟ କରିଦେଇଗଲା । ପରେ ଦେଖିଲାବେଳକୁ ଜଣା ପଡିଲା ସେ ସବୁ ନୀଳ ରଙ୍ଗର ପେଣ୍ଡୁଗୁଡିକୁ ଟେବୁଲ ମଝିରେ ଏବଂ ବାକି ସବୁ ପେଣ୍ଡୁଗୁଡିକୁ ଏହି ନୀଳ ପେଣ୍ଡୁ ବାହାରେ ଟେବୁଲ ସାରା ଖେଳେଇଦେଇଛି ।

ବର୍ତ୍ତମାନ ଆମେ ଏକ ବାଡ଼ିଦ୍ୱାରା ପେଣ୍ଡୁଗୁଡିକୁ ଅଲଗା କରିବା ଅସମ୍ଭବ ।

ଏବେ ଆମକୁ ୨ଡିରୁ ୩ଡି ଆସିବାକୁ ପଡିବ । ଟେବୁଲରେ ଥିବା ସମସ୍ତ ପେଣ୍ଡୁଗୁଡିକୁ ଉପରକୁ ଏକାସାଙ୍ଗରେ ଫୋପାଡ଼ନ୍ତୁ । ଠିକ ଯେତେବେଳେ ସମସ୍ତେ ଉପରେ ଥିବେ, ଆମେ ଗୋଟିଏ ବାଡ଼ି ବଦଳରେ ଗୋଟିଏ କାଗଜ ନେଇ ଏହି ଦୁଇ ପ୍ରକାରର ପେଣ୍ଡୁକୁ ଅଲଗା କରିପାରିବା । ଏହାକୁ କର୍ନେଲ ଟ୍ରିକ କୁହାଯାଇଥାଏ ।[୧୭]

ଏଠାରେ ପେଣ୍ଡୁଗୁଡିକ ହେଉଛନ୍ତି ତଥ୍ୟ । ବାଡ଼ି ଏବଂ କାଗଜ (ହାଇପରପ୍ଲେନ) ହେଉଛି କ୍ଲାସିଫାୟାର, ସବୁଠାରୁ ଅଧିକ ଛାଡ଼ିଛାଡ଼ି ଥିବା ଜାଗାକୁ ଟ୍ରିକ ଅପଟିମାଇଜେସନ କୁହାଯାଇଥାଏ ।

ଫିଚର ସିଲେକ୍ସନ ପ୍ରଣାଳି[ସମ୍ପାଦନା]

ତାଲିମ ସମୟରେ ଇନପୁଟ ତଥ୍ୟକୁ ଭଲଭାବରେ କାମରେ ଆସିବା ଭଳି ଦର୍ଶାଇବାରେ ଅନେକ ପ୍ରକାରର ଆଲଗୋରିଦମ ଭିନ୍ନ ଭିନ୍ନ ଉପାୟରେ ଚେଷ୍ଟା କରିଥାନ୍ତି ।[୧୮][୧୯] ପୁରାତନ ଉଦାହରଣଗୁଡ଼ିକ ହେଲା ପ୍ରିନ୍ସିପାଲ କାମ୍ପୋନେଣ୍ଟ ଆନାଲିସିସ ଏବଂ କ୍ଲଷ୍ଟର ଆନାଲିସିସ । କ୍ଲାସିଫିକେସନ କିମ୍ବା ରିଗ୍ରେସନ କରିବା ପୂର୍ବରୁ ଫିଚର ସିଲେକ୍ସନ ପ୍ରଣାଳୀଦ୍ୱାରା ତଥ୍ୟକୁ ପ୍ରାକ-ପ୍ରକ୍ରିୟାକରଣ କରାଯାଇଥାଏ । ଏଥିରେ ତଥ୍ୟକୁ କର୍ମପଯୋଗୀ କରିବାକୁ ଚେଷ୍ଟା କରାଯାଏ, ଯାହାକି ପରେ ଅସଲି ତାଲିମ ସମୟରେ ଭଲରେ କାମରେ ଆସିବ ।

ଏହା ଉଭୟ ସୁପରଭାଇଜଡ଼ ଏବଂ ଅନ-ସୁପରଭାଇଜଡ଼ ହୋଇପାରେ ।ସୁପରଭାଇଜଡ଼ ଫିଚର ଲର୍ଣ୍ଣିଙ୍ଗରେ ପୂର୍ବ ନିର୍ଦ୍ଧାରିତ ଚିନ୍ହିତ ତଥ୍ୟ ଉପଯୋଗ କରାଯାଇଥାଏ । କେତେକ ଉଦାହରଣ ହେଲା: ଆର୍ଟିଫିସିଆଲ ନ୍ୟୂରାଲ ନେଟୱର୍କ, ମଲ୍ଟିଲେୟାର ପରସେପଟ୍ରନ ଏବଂ ସୁପରଭାଇଜଡ଼ ଡିକ୍ସନାରୀ ଲର୍ଣ୍ଣିଙ୍ଗ । ଅନ୍ୟପକ୍ଷରେ ଅନ-ସୁପରଭାଇଜଡ଼ ଲର୍ଣ୍ଣିଙ୍ଗରେ ବିନା କୌଣସି ଚିନ୍ହିତ ତଥ୍ୟରେ ଫିଚର ନିରୂପଣ ହୋଇଥାଏ । ଉଦାହରଣ ସ୍ୱରୂପ: ଇଂଡିପେଣ୍ଡେଣ୍ଟ କାମ୍ପୋନେଣ୍ଟ ଆନାଲିସିସ, ଅଟୋଏନକୋଡ଼ର, ମାଟ୍ରିକ୍ସ ଫାକ୍ଟୋରାଇଜେସନ ଏବଂ କ୍ଲଷ୍ଟରିଂର ବିଭନ୍ନ ପ୍ରକାର ।

ଆର୍ଟିଫିସିଆଲ ଜେନେରାଲ ଇଣ୍ଟେଲିଜେନ୍ସ (AGI) ହେଉଛି ଏକ ପ୍ରକାର କାଳ୍ପନିକ ବୁଦ୍ଧିମାନ ଏଜେଣ୍ଟ/ବଟ । ଏଜିଆଇ ଧାରଣା ହେଉଛି ଯେ ଏହା ମଣିଷ କିମ୍ବା ପଶୁମାନେ କରିପାରୁଥିବା ଯେକୌଣସି ବୌଦ୍ଧିକ କାର୍ଯ୍ୟସମ୍ପାଦନ କରିବାକୁ ଶିଖିପାରିବ |[୧][୨] ବିକଳ୍ପ ଭାବରେ, ଏଜିଆଇକୁ ଏକ ସ୍ୱୟଂଶାସିତ ବ୍ୟବସ୍ଥା ଭାବରେ ବ୍ୟାଖ୍ୟା କରାଯାଇଛି ଯାହା ଅଧିକାଂଶ ଅର୍ଥନୈତିକ ମୂଲ୍ୟବାନ କାର୍ଯ୍ୟରେ ମାନବୀୟ ସାମର୍ଥ୍ୟକୁ ଅତିକ୍ରମ କରିଥାଏ ।[୩] ଏଜିଆଇ, ଆର୍ଟିଫିସିଆଲ ଇଣ୍ଟେଲିଜେନ୍ସର ଏକ ପର୍ଯ୍ୟାୟ । ଏଥିରେ ଏଜିଆଇ ମଣିଷର ବିଚାରଶକ୍ତିର ଅନୁରୂପ ନିଜର ବୁଦ୍ଧିମତା ଦେଖାଇ ବିଚାର କରିବାର ଯୋଗ୍ୟତା ରଖିଥାଏ ।

ଏଜିଆଇ ସୃଷ୍ଟି କରିବା କେତେକ କୃତ୍ରିମ ବୁଦ୍ଧିମତା ଗବେଷଣା ଏବଂ ଓପନଏଆଇ (OpenAI), ଡିପ୍ ମାଇଣ୍ଡ (Deep Mind), ଏବଂ ଆନ୍ଥ୍ରୋପିକ୍ (Anthropic) ଭଳି କମ୍ପାନୀର ଏକ ପ୍ରାଥମିକ ଲକ୍ଷ୍ୟ ଅଟେ । ବିଜ୍ଞାନ କଳ୍ପନା ଏବଂ ଭବିଷ୍ୟତ ଅଧ୍ୟୟନରେ ଏଜିଆଇ ଏକ ସାଧାରଣ ବିଷୟ ।

ଏଜିଆଇ ବିକାଶର ସମୟସୀମା ଗବେଷକ ଏବଂ ବିଶେଷଜ୍ଞମାନଙ୍କ ମଧ୍ୟରେ ଚାଲିଥିବା ବିତର୍କର ବିଷୟ ହୋଇ ରହିଛି । କେହି କେହି ଯୁକ୍ତି କରନ୍ତି ଯେ ବର୍ଷ କିମ୍ବା ଦଶନ୍ଧିରେ ଏହା ସମ୍ଭବ ହୋଇପାରେ, ଅନ୍ୟମାନେ ଏହା ଏକ ଶତାବ୍ଦୀ କିମ୍ବା ତା'ଠାରୁ ଅଧିକ ସମୟ ନେଇପାରେ ବୋଲି ମତ ଦିଅନ୍ତି ଏବଂ ସଂଖ୍ୟାଲଘୁମାନେ ବିଶ୍ୱାସ କରନ୍ତି ଯେ ଏହା କେବେ ବି ହାସଲ ହୋଇପାରିବ ନାହିଁ ।[୪] ଏହାବ୍ୟତୀତ ଜିପିଟି-୪ ପରି ଆଧୁନିକ ଗଭୀର ଶିକ୍ଷା ପ୍ରଣାଳୀ ଏଜିଆଇର ପ୍ରାରମ୍ଭିକ ତଥା ଅସମ୍ପୂର୍ଣ୍ଣ ରୂପ[୬] ନା ନୂତନ ପଦ୍ଧତିର ଆବଶ୍ୟକତା ରହିଛି ସେ ବିଷୟରେ ବିତର୍କ ରହିଛି ।[୫]

ଏଜିଆଇ ମାନବିକତା ପାଇଁ ବିପଦ ସୃଷ୍ଟି କରିବାର ସମ୍ଭାବନାକୁ ନେଇ ବିବାଦ ରହିଛି; ଉଦାହରଣ ସ୍ୱରୂପ, ଓପନ୍ଏଆଇ ଏହାକୁ ଏକ ଅସ୍ତିତ୍ୱଗତ ବିପଦ ଭାବରେ ବିବେଚନା କରେ, ଅନ୍ୟମାନେ ଏଜିଆଇର ବିକାଶକୁ ବିପଦ ଉପସ୍ଥାପନ କରିବା ପାଇଁ ବହୁତ ଦୂରରେ ଅନୁଭବ କରନ୍ତି ।[୬][୭]

୨୦୨୦ର ଏକ ସର୍ଭେରେ ୩୭ଟି ଦେଶରେ ଥିବା ୭୨ଟି ସକ୍ରିୟ ଏଜିଆଇ ଗବେଷଣା ଓ ବିକାଶ ପ୍ରକଳ୍ପ ଚିହ୍ନଟ କରା

ଆର୍ଟିଫିସିଆଲ୍ ଇଣ୍ଟେଲିଜେନ୍ସ୍ , ମେସିନ୍ ଲର୍ନିଙ୍ଗ୍ ଏବଂ ଭାରତ ବର୍ଷର ପ୍ରଗତୀ

samparkare