ਕੀ ਤੁਸੀਂ ਕਦੇ ਆਪਣੇ ਆਪ ਨੂੰ ਸਵੇਰੇ 2 ਵਜੇ ਸਕ੍ਰੌਲ ਕਰਦੇ ਹੋਏ ਪੁੱਛਿਆ ਹੈ ਕਿ ਧਰਤੀ 'ਤੇ AI ਮਾਡਲ ਕੀ ਹਨ ਅਤੇ ਹਰ ਕੋਈ ਉਨ੍ਹਾਂ ਬਾਰੇ ਇਸ ਤਰ੍ਹਾਂ ਕਿਉਂ ਗੱਲ ਕਰਦਾ ਹੈ ਜਿਵੇਂ ਉਹ ਜਾਦੂਈ ਜਾਦੂ ਹਨ? ਇਹੀ ਗੱਲ ਹੈ। ਇਹ ਟੁਕੜਾ ਮੇਰਾ ਬਹੁਤ ਜ਼ਿਆਦਾ ਰਸਮੀ ਨਹੀਂ, ਕਦੇ-ਕਦੇ ਪੱਖਪਾਤੀ ਵਾਕ-ਥਰੂ ਹੈ ਜੋ ਤੁਹਾਨੂੰ "ਓਹ, ਕੋਈ ਸੁਰਾਗ ਨਹੀਂ" ਤੋਂ "ਡਿਨਰ ਪਾਰਟੀਆਂ ਵਿੱਚ ਖ਼ਤਰਨਾਕ ਤੌਰ 'ਤੇ ਆਤਮਵਿਸ਼ਵਾਸੀ" ਤੱਕ ਲੈ ਜਾਵੇਗਾ। ਅਸੀਂ ਇਹ ਦੱਸਾਂਗੇ: ਉਹ ਕੀ ਹਨ, ਉਹਨਾਂ ਨੂੰ ਅਸਲ ਵਿੱਚ ਕੀ ਲਾਭਦਾਇਕ (ਸਿਰਫ ਚਮਕਦਾਰ ਹੀ ਨਹੀਂ), ਉਹ ਕਿਵੇਂ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ, ਦੁਚਿੱਤੀ ਵਿੱਚ ਘੁੰਮਦੇ ਬਿਨਾਂ ਕਿਵੇਂ ਚੁਣਨਾ ਹੈ, ਅਤੇ ਕੁਝ ਜਾਲ ਜਿਨ੍ਹਾਂ ਬਾਰੇ ਤੁਸੀਂ ਦਰਦ ਹੋਣ ਤੋਂ ਬਾਅਦ ਹੀ ਸਿੱਖਦੇ ਹੋ।
ਇਸ ਤੋਂ ਬਾਅਦ ਤੁਸੀਂ ਜੋ ਲੇਖ ਪੜ੍ਹਨਾ ਪਸੰਦ ਕਰ ਸਕਦੇ ਹੋ:
🔗 ਏਆਈ ਆਰਬਿਟਰੇਜ ਕੀ ਹੈ: ਇਸ ਬਜ਼ਵਰਡ ਦੇ ਪਿੱਛੇ ਦੀ ਸੱਚਾਈ
ਏਆਈ ਆਰਬਿਟਰੇਜ, ਇਸਦੇ ਪ੍ਰਚਾਰ ਅਤੇ ਅਸਲ ਮੌਕਿਆਂ ਬਾਰੇ ਦੱਸਦਾ ਹੈ।.
🔗 ਸਿੰਬੋਲਿਕ ਏਆਈ ਕੀ ਹੈ: ਤੁਹਾਨੂੰ ਸਿਰਫ਼ ਇਹ ਜਾਣਨ ਦੀ ਲੋੜ ਹੈ
ਪ੍ਰਤੀਕਾਤਮਕ AI, ਇਸਦੇ ਤਰੀਕਿਆਂ ਅਤੇ ਆਧੁਨਿਕ ਉਪਯੋਗਾਂ ਨੂੰ ਕਵਰ ਕਰਦਾ ਹੈ।.
🔗 ਏਆਈ ਲਈ ਡੇਟਾ ਸਟੋਰੇਜ ਲੋੜਾਂ: ਤੁਹਾਨੂੰ ਕੀ ਜਾਣਨ ਦੀ ਜ਼ਰੂਰਤ ਹੈ
AI ਡੇਟਾ ਸਟੋਰੇਜ ਦੀਆਂ ਜ਼ਰੂਰਤਾਂ ਅਤੇ ਵਿਹਾਰਕ ਵਿਚਾਰਾਂ ਨੂੰ ਤੋੜਦਾ ਹੈ।.
ਤਾਂ... ਅਸਲ ਵਿੱਚ AI ਮਾਡਲ ਕੀ ਹਨ? 🧠
ਸਭ ਤੋਂ ਘਟੀਆ ਸਥਿਤੀ ਵਿੱਚ: ਇੱਕ AI ਮਾਡਲ ਸਿਰਫ਼ ਇੱਕ ਸਿੱਖਿਆ ਹੋਇਆ। ਤੁਸੀਂ ਇਸਨੂੰ ਇਨਪੁਟ ਦਿੰਦੇ ਹੋ, ਇਹ ਆਉਟਪੁੱਟ ਬਾਹਰ ਕੱਢਦਾ ਹੈ। ਕੈਚ ਇਹ ਹੈ ਕਿ ਇਹ ਬਹੁਤ ਸਾਰੀਆਂ ਉਦਾਹਰਣਾਂ ਨੂੰ ਘੋਖ ਕੇ ਅਤੇ ਹਰ ਵਾਰ ਆਪਣੇ ਆਪ ਨੂੰ "ਘੱਟ ਗਲਤ" ਬਣਾਉਣ ਲਈ ਟਵੀਕ ਕਰਕੇ ਇਹ ਪਤਾ ਲਗਾਉਂਦਾ ਹੈ । ਇਸਨੂੰ ਕਾਫ਼ੀ ਦੁਹਰਾਓ ਅਤੇ ਇਹ ਉਹਨਾਂ ਪੈਟਰਨਾਂ ਨੂੰ ਲੱਭਣਾ ਸ਼ੁਰੂ ਕਰ ਦਿੰਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਦਾ ਤੁਹਾਨੂੰ ਅਹਿਸਾਸ ਵੀ ਨਹੀਂ ਸੀ ਕਿ ਉੱਥੇ ਸਨ।
ਜੇ ਤੁਸੀਂ ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ, ਡਿਸੀਜ਼ਨ ਟ੍ਰੀ, ਨਿਊਰਲ ਨੈੱਟਵਰਕ, ਟ੍ਰਾਂਸਫਾਰਮਰ, ਡਿਫਿਊਜ਼ਨ ਮਾਡਲ, ਜਾਂ ਇੱਥੋਂ ਤੱਕ ਕਿ ਕੇ-ਨੇੜਲੇ ਗੁਆਂਢੀ ਵਰਗੇ ਨਾਮ ਸੁਣੇ ਹਨ - ਹਾਂ, ਉਹ ਸਾਰੇ ਇਸੇ ਥੀਮ 'ਤੇ ਰਿਫ ਹਨ: ਡੇਟਾ ਅੰਦਰ ਜਾਂਦਾ ਹੈ, ਮਾਡਲ ਮੈਪਿੰਗ ਸਿੱਖਦਾ ਹੈ, ਨਤੀਜਾ ਨਿਕਲਦਾ ਹੈ। ਵੱਖ-ਵੱਖ ਪੁਸ਼ਾਕਾਂ, ਉਹੀ ਸ਼ੋਅ।.
ਖਿਡੌਣਿਆਂ ਨੂੰ ਅਸਲੀ ਔਜ਼ਾਰਾਂ ਤੋਂ ਕੀ ਵੱਖਰਾ ਕਰਦਾ ਹੈ ✅
ਬਹੁਤ ਸਾਰੇ ਮਾਡਲ ਇੱਕ ਡੈਮੋ ਵਿੱਚ ਬਹੁਤ ਵਧੀਆ ਦਿਖਾਈ ਦਿੰਦੇ ਹਨ ਪਰ ਉਤਪਾਦਨ ਵਿੱਚ ਢਹਿ ਜਾਂਦੇ ਹਨ। ਜਿਹੜੇ ਮਾਡਲ ਬਣੇ ਰਹਿੰਦੇ ਹਨ ਉਹਨਾਂ ਵਿੱਚ ਆਮ ਤੌਰ 'ਤੇ ਵੱਡੇ ਹੋਣ ਵਾਲੇ ਗੁਣਾਂ ਦੀ ਇੱਕ ਛੋਟੀ ਜਿਹੀ ਸੂਚੀ ਹੁੰਦੀ ਹੈ:
-
ਜਨਰਲਾਈਜ਼ੇਸ਼ਨ - ਉਸ ਡੇਟਾ ਨੂੰ ਸੰਭਾਲਦਾ ਹੈ ਜੋ ਇਸਨੂੰ ਕਦੇ ਵੀ ਟੁੱਟੇ ਬਿਨਾਂ ਨਹੀਂ ਦੇਖਿਆ ਜਾਂਦਾ।
-
ਭਰੋਸੇਯੋਗਤਾ - ਜਦੋਂ ਇਨਪੁਟ ਅਜੀਬ ਹੋ ਜਾਂਦੇ ਹਨ ਤਾਂ ਇਹ ਸਿੱਕੇ ਦੇ ਉਛਾਲ ਵਾਂਗ ਕੰਮ ਨਹੀਂ ਕਰਦਾ।
-
ਸੁਰੱਖਿਆ ਅਤੇ ਸੁਰੱਖਿਆ - ਖੇਡਣਾ ਜਾਂ ਦੁਰਵਰਤੋਂ ਕਰਨਾ ਔਖਾ ਹੈ।
-
ਸਮਝਾਉਣਯੋਗਤਾ - ਹਮੇਸ਼ਾ ਸਪੱਸ਼ਟ ਨਹੀਂ ਹੁੰਦੀ, ਪਰ ਘੱਟੋ ਘੱਟ ਡੀਬੱਗ ਕਰਨ ਯੋਗ ਤਾਂ ਹੁੰਦੀ ਹੈ।
-
ਗੋਪਨੀਯਤਾ ਅਤੇ ਨਿਰਪੱਖਤਾ - ਡੇਟਾ ਸੀਮਾਵਾਂ ਦਾ ਸਤਿਕਾਰ ਕਰਦਾ ਹੈ ਅਤੇ ਪੱਖਪਾਤ ਨਾਲ ਜੁੜਿਆ ਨਹੀਂ ਹੈ।
-
ਕੁਸ਼ਲਤਾ - ਅਸਲ ਵਿੱਚ ਪੈਮਾਨੇ 'ਤੇ ਚਲਾਉਣ ਲਈ ਕਾਫ਼ੀ ਕਿਫਾਇਤੀ।
ਇਹ ਮੂਲ ਰੂਪ ਵਿੱਚ ਲਾਂਡਰੀ ਸੂਚੀ ਰੈਗੂਲੇਟਰ ਅਤੇ ਜੋਖਮ ਢਾਂਚੇ ਵੀ ਪਸੰਦ ਕਰਦੇ ਹਨ - ਵੈਧਤਾ, ਸੁਰੱਖਿਆ, ਜਵਾਬਦੇਹੀ, ਪਾਰਦਰਸ਼ਤਾ, ਨਿਰਪੱਖਤਾ, ਸਭ ਤੋਂ ਵਧੀਆ ਹਿੱਟ। ਪਰ ਇਮਾਨਦਾਰੀ ਨਾਲ, ਇਹ ਚੰਗੇ-ਤੋਂ-ਹੋਣ ਵਾਲੇ ਨਹੀਂ ਹਨ; ਜੇਕਰ ਲੋਕ ਤੁਹਾਡੇ ਸਿਸਟਮ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ, ਤਾਂ ਇਹ ਮੇਜ਼ ਦੇ ਦਾਅ ਹਨ।.
ਤੇਜ਼ ਸਵੱਛਤਾ ਜਾਂਚ: ਮਾਡਲ ਬਨਾਮ ਐਲਗੋਰਿਦਮ ਬਨਾਮ ਡੇਟਾ 🤷
ਇੱਥੇ ਤਿੰਨ-ਹਿੱਸਿਆਂ ਦੀ ਵੰਡ ਹੈ:
-
ਮਾਡਲ - ਸਿੱਖੀ ਹੋਈ "ਚੀਜ਼" ਜੋ ਇਨਪੁਟਸ ਨੂੰ ਆਉਟਪੁੱਟ ਵਿੱਚ ਬਦਲਦੀ ਹੈ।
-
ਐਲਗੋਰਿਦਮ - ਉਹ ਵਿਅੰਜਨ ਜੋ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦਿੰਦਾ ਹੈ ਜਾਂ ਚਲਾਉਂਦਾ ਹੈ (ਗ੍ਰੇਡੀਐਂਟ ਡਿਸੈਂਟ, ਬੀਮ ਖੋਜ ਬਾਰੇ ਸੋਚੋ)।
-
ਡੇਟਾ - ਕੱਚੀਆਂ ਉਦਾਹਰਣਾਂ ਜੋ ਮਾਡਲ ਨੂੰ ਵਿਵਹਾਰ ਕਰਨਾ ਸਿਖਾਉਂਦੀਆਂ ਹਨ।
ਇੱਕ ਥੋੜ੍ਹਾ ਜਿਹਾ ਬੇਢੰਗਾ ਰੂਪਕ: ਡੇਟਾ ਤੁਹਾਡੀ ਸਮੱਗਰੀ ਹੈ, ਐਲਗੋਰਿਦਮ ਵਿਅੰਜਨ ਹੈ, ਅਤੇ ਮਾਡਲ ਕੇਕ ਹੈ। ਕਈ ਵਾਰ ਇਹ ਸੁਆਦੀ ਹੁੰਦਾ ਹੈ, ਕਈ ਵਾਰ ਇਹ ਵਿਚਕਾਰੋਂ ਡੁੱਬ ਜਾਂਦਾ ਹੈ ਕਿਉਂਕਿ ਤੁਸੀਂ ਬਹੁਤ ਜਲਦੀ ਝਾਤ ਮਾਰੀ ਸੀ।.
AI ਮਾਡਲਾਂ ਦੇ ਪਰਿਵਾਰ ਜਿਨ੍ਹਾਂ ਨੂੰ ਤੁਸੀਂ ਅਸਲ ਵਿੱਚ ਮਿਲੋਗੇ 🧩
ਇੱਥੇ ਬੇਅੰਤ ਸ਼੍ਰੇਣੀਆਂ ਹਨ, ਪਰ ਇੱਥੇ ਵਿਹਾਰਕ ਲਾਈਨਅੱਪ ਹੈ:
-
ਲੀਨੀਅਰ ਅਤੇ ਲੌਜਿਸਟਿਕ ਮਾਡਲ - ਸਰਲ, ਤੇਜ਼, ਵਿਆਖਿਆਯੋਗ। ਸਾਰਣੀ ਡੇਟਾ ਲਈ ਅਜੇ ਵੀ ਅਜਿੱਤ ਬੇਸਲਾਈਨ।
-
ਰੁੱਖ ਅਤੇ ਸਮੂਹ - ਫੈਸਲਾ ਲੈਣ ਵਾਲੇ ਰੁੱਖ ਜੇ-ਤਾਂ ਵੰਡੇ ਜਾਂਦੇ ਹਨ; ਇੱਕ ਜੰਗਲ ਨੂੰ ਜੋੜੋ ਜਾਂ ਉਹਨਾਂ ਨੂੰ ਵਧਾਓ ਅਤੇ ਉਹ ਹੈਰਾਨ ਕਰਨ ਵਾਲੇ ਤੌਰ 'ਤੇ ਮਜ਼ਬੂਤ ਹਨ।
-
ਕਨਵੋਲਿਊਸ਼ਨਲ ਨਿਊਰਲ ਨੈਟਸ (CNNs) - ਚਿੱਤਰ/ਵੀਡੀਓ ਪਛਾਣ ਦੀ ਰੀੜ੍ਹ ਦੀ ਹੱਡੀ। ਫਿਲਟਰ → ਕਿਨਾਰੇ → ਆਕਾਰ → ਵਸਤੂਆਂ।
-
ਸੀਕੁਐਂਸ ਮਾਡਲ: ਆਰਐਨਐਨ ਅਤੇ ਟ੍ਰਾਂਸਫਾਰਮਰ - ਟੈਕਸਟ, ਸਪੀਚ, ਪ੍ਰੋਟੀਨ, ਕੋਡ ਲਈ। ਟ੍ਰਾਂਸਫਾਰਮਰਾਂ ਦਾ ਸਵੈ-ਧਿਆਨ ਗੇਮ-ਚੇਂਜਰ ਸੀ [3]।
-
ਪ੍ਰਸਾਰ ਮਾਡਲ - ਉਤਪੰਨ, ਬੇਤਰਤੀਬ ਸ਼ੋਰ ਨੂੰ ਕਦਮ ਦਰ ਕਦਮ ਸੁਮੇਲ ਚਿੱਤਰਾਂ ਵਿੱਚ ਬਦਲਦੇ ਹਨ [4]।
-
ਗ੍ਰਾਫ਼ ਨਿਊਰਲ ਨੈੱਟ (GNNs) - ਨੈੱਟਵਰਕਾਂ ਅਤੇ ਸਬੰਧਾਂ ਲਈ ਬਣਾਏ ਗਏ ਹਨ: ਅਣੂ, ਸਮਾਜਿਕ ਗ੍ਰਾਫ਼, ਧੋਖਾਧੜੀ ਦੇ ਰਿੰਗ।
-
ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ (RL) - ਇਨਾਮ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਵਾਲੇ ਟ੍ਰਾਇਲ ਅਤੇ ਐਰਰ ਏਜੰਟ। ਰੋਬੋਟਿਕਸ, ਗੇਮਾਂ, ਕ੍ਰਮਵਾਰ ਫੈਸਲਿਆਂ ਬਾਰੇ ਸੋਚੋ।
-
ਪੁਰਾਣੇ ਭਰੋਸੇਯੋਗ: kNN, Naive Bayes - ਤੇਜ਼ ਬੇਸਲਾਈਨ, ਖਾਸ ਕਰਕੇ ਟੈਕਸਟ ਲਈ, ਜਦੋਂ ਤੁਹਾਨੂੰ ਕੱਲ੍ਹ।
ਸਾਈਡ ਨੋਟ: ਟੇਬਲੂਲਰ ਡੇਟਾ 'ਤੇ, ਇਸਨੂੰ ਜ਼ਿਆਦਾ ਗੁੰਝਲਦਾਰ ਨਾ ਬਣਾਓ। ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ ਜਾਂ ਬੂਸਟਡ ਟ੍ਰੀ ਅਕਸਰ ਡੂੰਘੇ ਜਾਲਾਂ ਨੂੰ ਢੱਕ ਲੈਂਦੇ ਹਨ। ਟ੍ਰਾਂਸਫਾਰਮਰ ਬਹੁਤ ਵਧੀਆ ਹਨ, ਹਰ ਜਗ੍ਹਾ ਨਹੀਂ।.
ਛੁਪ ਕੇ ਸਿਖਲਾਈ ਕਿਵੇਂ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ 🔧
ਜ਼ਿਆਦਾਤਰ ਆਧੁਨਿਕ ਮਾਡਲ ਕਿਸੇ ਕਿਸਮ ਦੇ ਗਰੇਡੀਐਂਟ ਡਿਸੈਂਟ ਰਾਹੀਂ ਨੁਕਸਾਨ ਫੰਕਸ਼ਨ ਨੂੰ ਘੱਟ ਤੋਂ ਘੱਟ ਕਰਕੇ ਸਿੱਖਦੇ ਹਨ । ਬੈਕਪ੍ਰੋਪੈਗੇਸ਼ਨ ਸੁਧਾਰਾਂ ਨੂੰ ਪਿੱਛੇ ਵੱਲ ਧੱਕਦਾ ਹੈ ਤਾਂ ਜੋ ਹਰੇਕ ਪੈਰਾਮੀਟਰ ਨੂੰ ਪਤਾ ਹੋਵੇ ਕਿ ਕਿਵੇਂ ਹਿੱਲਣਾ ਹੈ। ਜਲਦੀ ਰੋਕਣਾ, ਨਿਯਮਤ ਕਰਨਾ, ਜਾਂ ਚਲਾਕ ਆਪਟੀਮਾਈਜ਼ਰ ਵਰਗੀਆਂ ਚਾਲਾਂ ਵਿੱਚ ਛਿੜਕੋ ਤਾਂ ਜੋ ਇਹ ਹਫੜਾ-ਦਫੜੀ ਵਿੱਚ ਨਾ ਜਾਵੇ।
ਤੁਹਾਡੇ ਡੈਸਕ ਦੇ ਉੱਪਰ ਟੈਪ ਕਰਨ ਯੋਗ ਅਸਲੀਅਤ ਜਾਂਚ:
-
ਡਾਟਾ ਗੁਣਵੱਤਾ > ਮਾਡਲ ਚੋਣ। ਗੰਭੀਰਤਾ ਨਾਲ।.
-
ਹਮੇਸ਼ਾ ਕਿਸੇ ਸਧਾਰਨ ਚੀਜ਼ ਨਾਲ ਬੇਸਲਾਈਨ ਕਰੋ। ਜੇਕਰ ਇੱਕ ਲੀਨੀਅਰ ਮਾਡਲ ਕੰਮ ਕਰਦਾ ਹੈ, ਤਾਂ ਤੁਹਾਡੀ ਡੇਟਾ ਪਾਈਪਲਾਈਨ ਵੀ ਸ਼ਾਇਦ ਕੰਮ ਕਰਦੀ ਹੈ।.
-
ਵੈਲੀਡੇਸ਼ਨ ਦੇਖੋ। ਜੇਕਰ ਸਿਖਲਾਈ ਦਾ ਨੁਕਸਾਨ ਘੱਟ ਜਾਂਦਾ ਹੈ ਪਰ ਵੈਲੀਡੇਸ਼ਨ ਦਾ ਨੁਕਸਾਨ ਵੱਧ ਜਾਂਦਾ ਹੈ - ਹੈਲੋ, ਓਵਰਫਿਟਿੰਗ।.
ਮਾਡਲਾਂ ਦਾ ਮੁਲਾਂਕਣ: ਸ਼ੁੱਧਤਾ ਝੂਠ ਹੈ 📏
ਸ਼ੁੱਧਤਾ ਵਧੀਆ ਲੱਗਦੀ ਹੈ, ਪਰ ਇਹ ਇੱਕ ਭਿਆਨਕ ਸਿੰਗਲ ਨੰਬਰ ਹੈ। ਤੁਹਾਡੇ ਕੰਮ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ:
-
ਸ਼ੁੱਧਤਾ - ਜਦੋਂ ਤੁਸੀਂ ਸਕਾਰਾਤਮਕ ਕਹਿੰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਕਿੰਨੀ ਵਾਰ ਸਹੀ ਹੁੰਦੇ ਹੋ?
-
ਯਾਦ ਕਰੋ - ਸਾਰੇ ਅਸਲ ਸਕਾਰਾਤਮਕ ਪਹਿਲੂਆਂ ਵਿੱਚੋਂ, ਤੁਹਾਨੂੰ ਕਿੰਨੇ ਮਿਲੇ?
-
F1 - ਸ਼ੁੱਧਤਾ ਅਤੇ ਯਾਦ ਨੂੰ ਸੰਤੁਲਿਤ ਕਰਦਾ ਹੈ।
-
ਪੀਆਰ ਕਰਵ - ਖਾਸ ਕਰਕੇ ਅਸੰਤੁਲਿਤ ਡੇਟਾ 'ਤੇ, ਆਰਓਸੀ [5] ਨਾਲੋਂ ਕਿਤੇ ਜ਼ਿਆਦਾ ਇਮਾਨਦਾਰ।
ਬੋਨਸ: ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਦੀ ਜਾਂਚ ਕਰੋ (ਕੀ ਸੰਭਾਵਨਾਵਾਂ ਦਾ ਕੋਈ ਮਤਲਬ ਹੈ?) ਅਤੇ ਡ੍ਰਿਫਟ (ਕੀ ਤੁਹਾਡਾ ਇਨਪੁਟ ਡੇਟਾ ਤੁਹਾਡੇ ਪੈਰਾਂ ਹੇਠੋਂ ਹਿੱਲ ਰਿਹਾ ਹੈ?)। ਇੱਕ "ਮਹਾਨ" ਮਾਡਲ ਵੀ ਪੁਰਾਣਾ ਹੋ ਜਾਂਦਾ ਹੈ।.
ਸ਼ਾਸਨ, ਜੋਖਮ, ਸੜਕ ਦੇ ਨਿਯਮ 🧭
ਇੱਕ ਵਾਰ ਜਦੋਂ ਤੁਹਾਡਾ ਮਾਡਲ ਮਨੁੱਖਾਂ ਨੂੰ ਛੂੰਹਦਾ ਹੈ, ਤਾਂ ਪਾਲਣਾ ਮਾਇਨੇ ਰੱਖਦੀ ਹੈ। ਦੋ ਵੱਡੇ ਐਂਕਰ:
-
NIST ਦਾ AI RMF - ਸਵੈਇੱਛਤ ਪਰ ਵਿਹਾਰਕ, ਜੀਵਨ ਚੱਕਰ ਦੇ ਕਦਮਾਂ (ਸ਼ਾਸਨ, ਨਕਸ਼ਾ, ਮਾਪ, ਪ੍ਰਬੰਧਨ) ਅਤੇ ਭਰੋਸੇਯੋਗਤਾ ਦੀਆਂ ਬਾਲਟੀਆਂ [1] ਦੇ ਨਾਲ।
-
EU AI ਐਕਟ - ਜੋਖਮ-ਅਧਾਰਤ ਨਿਯਮ, ਜੁਲਾਈ 2024 ਤੋਂ ਪਹਿਲਾਂ ਹੀ ਕਾਨੂੰਨ ਹੈ, ਉੱਚ-ਜੋਖਮ ਪ੍ਰਣਾਲੀਆਂ ਅਤੇ ਇੱਥੋਂ ਤੱਕ ਕਿ ਕੁਝ ਆਮ-ਉਦੇਸ਼ ਵਾਲੇ ਮਾਡਲਾਂ ਲਈ ਸਖ਼ਤ ਡਿਊਟੀਆਂ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ [2]।
ਵਿਹਾਰਕ ਸਿੱਟਾ: ਤੁਸੀਂ ਕੀ ਬਣਾਇਆ, ਤੁਸੀਂ ਇਸਦੀ ਜਾਂਚ ਕਿਵੇਂ ਕੀਤੀ, ਅਤੇ ਤੁਸੀਂ ਕਿਹੜੇ ਜੋਖਮਾਂ ਦੀ ਜਾਂਚ ਕੀਤੀ, ਇਸਦਾ ਦਸਤਾਵੇਜ਼ ਬਣਾਓ। ਬਾਅਦ ਵਿੱਚ ਤੁਹਾਨੂੰ ਅੱਧੀ ਰਾਤ ਦੀ ਐਮਰਜੈਂਸੀ ਕਾਲਾਂ ਤੋਂ ਬਚਾਉਂਦਾ ਹੈ।.
ਬਿਨਾਂ ਆਪਣਾ ਮਨ ਗੁਆਏ ਮਾਡਲ ਚੁਣਨਾ 🧭➡️
ਇੱਕ ਦੁਹਰਾਉਣਯੋਗ ਪ੍ਰਕਿਰਿਆ:
-
ਫੈਸਲੇ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ - ਇੱਕ ਚੰਗੀ ਗਲਤੀ ਬਨਾਮ ਇੱਕ ਮਾੜੀ ਗਲਤੀ ਕੀ ਹੈ?
-
ਆਡਿਟ ਡੇਟਾ - ਆਕਾਰ, ਸੰਤੁਲਨ, ਸਫਾਈ।
-
ਸੀਮਾਵਾਂ ਸੈੱਟ ਕਰੋ - ਵਿਆਖਿਆਯੋਗਤਾ, ਲੇਟੈਂਸੀ, ਬਜਟ।
-
ਬੇਸਲਾਈਨ ਚਲਾਓ - ਲੀਨੀਅਰ/ਲੌਜਿਸਟਿਕ ਜਾਂ ਛੋਟੇ ਰੁੱਖ ਨਾਲ ਸ਼ੁਰੂ ਕਰੋ।
-
ਸਮਝਦਾਰੀ ਨਾਲ ਦੁਹਰਾਓ - ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਸ਼ਾਮਲ ਕਰੋ, ਟਿਊਨ ਕਰੋ, ਫਿਰ ਜੇਕਰ ਪਠਾਰ ਵਧਦਾ ਹੈ ਤਾਂ ਪਰਿਵਾਰਾਂ ਨੂੰ ਬਦਲੋ।
ਇਹ ਬੋਰਿੰਗ ਹੈ, ਪਰ ਇੱਥੇ ਬੋਰਿੰਗ ਚੰਗੀ ਹੈ।.
ਤੁਲਨਾਤਮਕ ਸਨੈਪਸ਼ਾਟ 📋
| ਮਾਡਲ ਕਿਸਮ | ਦਰਸ਼ਕ | ਕੀਮਤੀ | ਇਹ ਕਿਉਂ ਕੰਮ ਕਰਦਾ ਹੈ |
|---|---|---|---|
| ਲੀਨੀਅਰ ਅਤੇ ਲੌਜਿਸਟਿਕ | ਵਿਸ਼ਲੇਸ਼ਕ, ਵਿਗਿਆਨੀ | ਘੱਟ-ਮੱਧਮ | ਵਿਆਖਿਆਯੋਗ, ਤੇਜ਼, ਸਾਰਣੀਬੱਧ ਪਾਵਰਹਾਊਸ |
| ਫੈਸਲਾ ਲੈਣ ਵਾਲੇ ਰੁੱਖ | ਮਿਕਸਡ ਟੀਮਾਂ | ਘੱਟ | ਮਨੁੱਖੀ-ਪੜ੍ਹਨਯੋਗ ਵੰਡ, ਗੈਰ-ਰੇਖਿਕ ਹੈਂਡਲਿੰਗ |
| ਰੈਂਡਮ ਫਾਰੈਸਟ | ਉਤਪਾਦ ਟੀਮਾਂ | ਦਰਮਿਆਨਾ | ਸਮੂਹ ਭਿੰਨਤਾ ਨੂੰ ਘਟਾਉਂਦੇ ਹਨ, ਮਜ਼ਬੂਤ ਜਨਰਲਿਸਟ |
| ਗਰੇਡੀਐਂਟ-ਬੂਸਟਡ ਟ੍ਰੀ | ਡਾਟਾ ਵਿਗਿਆਨੀ | ਦਰਮਿਆਨਾ | ਸਾਰਣੀ 'ਤੇ SOTA, ਗੁੰਝਲਦਾਰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਨਾਲ ਮਜ਼ਬੂਤ |
| ਸੀ.ਐਨ.ਐੱਸ | ਵਿਜ਼ਨ ਲੋਕ | ਦਰਮਿਆਨਾ-ਉੱਚਾ | ਕਨਵੋਲਿਊਸ਼ਨ → ਸਥਾਨਿਕ ਪਦ-ਅਨੁਕ੍ਰਮ |
| ਟ੍ਰਾਂਸਫਾਰਮਰ | ਐਨਐਲਪੀ + ਮਲਟੀਮੋਡਲ | ਉੱਚਾ | ਸਵੈ-ਧਿਆਨ ਸੁੰਦਰਤਾ ਨਾਲ ਮਾਪਦਾ ਹੈ [3] |
| ਪ੍ਰਸਾਰ ਮਾਡਲ | ਰਚਨਾਤਮਕ ਟੀਮਾਂ | ਉੱਚਾ | ਸ਼ੋਰ-ਮੁਕਤ ਕਰਨ ਨਾਲ ਉਤਪੰਨ ਜਾਦੂ ਪੈਦਾ ਹੁੰਦਾ ਹੈ [4] |
| ਜੀ.ਐਨ.ਐਨ | ਗ੍ਰਾਫ ਨਰਡਸ | ਦਰਮਿਆਨਾ-ਉੱਚਾ | ਸੁਨੇਹਾ ਭੇਜਣਾ ਸਬੰਧਾਂ ਨੂੰ ਏਨਕੋਡ ਕਰਦਾ ਹੈ |
| kNN / ਨੈਵ ਬੇਅਸ | ਹੈਕਰ ਜਲਦੀ ਵਿੱਚ | ਬਹੁਤ ਘੱਟ | ਸਧਾਰਨ ਬੇਸਲਾਈਨ, ਤੁਰੰਤ ਤੈਨਾਤੀ |
| ਮਜ਼ਬੂਤੀ ਸਿਖਲਾਈ | ਖੋਜ-ਭਾਰੀ | ਦਰਮਿਆਨਾ-ਉੱਚਾ | ਕ੍ਰਮਵਾਰ ਕਾਰਵਾਈਆਂ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਂਦਾ ਹੈ, ਪਰ ਕਾਬੂ ਕਰਨਾ ਔਖਾ ਹੈ |
ਅਭਿਆਸ ਵਿੱਚ "ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ" 🧪
-
ਤਸਵੀਰਾਂ → ਸੀਐਨਐਨ ਸਥਾਨਕ ਪੈਟਰਨਾਂ ਨੂੰ ਵੱਡੇ ਪੈਟਰਨਾਂ ਵਿੱਚ ਸਟੈਕ ਕਰਕੇ ਉੱਤਮਤਾ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ।
-
ਭਾਸ਼ਾ → ਟ੍ਰਾਂਸਫਾਰਮਰ, ਸਵੈ-ਧਿਆਨ ਦੇ ਨਾਲ, ਲੰਬੇ ਸੰਦਰਭ ਨੂੰ ਸੰਭਾਲਦੇ ਹਨ [3]।
-
ਗ੍ਰਾਫ਼ → GNNs ਉਦੋਂ ਚਮਕਦੇ ਹਨ ਜਦੋਂ ਕਨੈਕਸ਼ਨ ਮਾਇਨੇ ਰੱਖਦੇ ਹਨ।
-
ਜਨਰੇਟਿਵ ਮੀਡੀਆ → ਪ੍ਰਸਾਰ ਮਾਡਲ, ਕਦਮ-ਦਰ-ਕਦਮ ਸ਼ੋਰ ਨੂੰ ਘਟਾ ਰਹੇ ਹਨ [4]।
ਡਾਟਾ: ਸ਼ਾਂਤ MVP 🧰
ਮਾਡਲ ਮਾੜੇ ਡੇਟਾ ਨੂੰ ਸੁਰੱਖਿਅਤ ਨਹੀਂ ਕਰ ਸਕਦੇ। ਮੂਲ ਗੱਲਾਂ:
-
ਡੇਟਾਸੈੱਟਾਂ ਨੂੰ ਸੱਜੇ ਪਾਸੇ ਵੰਡੋ (ਕੋਈ ਲੀਕੇਜ ਨਹੀਂ, ਸਮੇਂ ਦਾ ਸਤਿਕਾਰ ਕਰੋ)।.
-
ਹੈਂਡਲ ਅਸੰਤੁਲਨ (ਮੁੜ ਨਮੂਨਾ ਲੈਣਾ, ਵਜ਼ਨ, ਥ੍ਰੈਸ਼ਹੋਲਡ)।.
-
ਇੰਜੀਨੀਅਰ ਧਿਆਨ ਨਾਲ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਪੇਸ਼ ਕਰਦੇ ਹਨ - ਡੂੰਘੇ ਮਾਡਲਾਂ ਨੂੰ ਵੀ ਫਾਇਦਾ ਹੁੰਦਾ ਹੈ।.
-
ਸਮਝਦਾਰੀ ਲਈ ਕਰਾਸ-ਵੈਲੀਡੇਟ।.
ਆਪਣੇ ਆਪ ਨੂੰ ਮਜ਼ਾਕ ਕੀਤੇ ਬਿਨਾਂ ਸਫਲਤਾ ਨੂੰ ਮਾਪਣਾ 🎯
ਮੈਟ੍ਰਿਕਸ ਨੂੰ ਅਸਲ ਲਾਗਤਾਂ ਨਾਲ ਮਿਲਾਓ। ਉਦਾਹਰਨ: ਸਹਾਇਤਾ ਟਿਕਟ ਟ੍ਰਾਈਏਜ।.
-
ਵਾਪਸ ਬੁਲਾਉਣ ਨਾਲ ਅਰਜੈਂਟ-ਟਿਕਟ ਫੜਨ ਦੀ ਦਰ ਵਧਦੀ ਹੈ।.
-
ਸ਼ੁੱਧਤਾ ਏਜੰਟਾਂ ਨੂੰ ਸ਼ੋਰ ਵਿੱਚ ਡੁੱਬਣ ਤੋਂ ਰੋਕਦੀ ਹੈ।.
-
F1 ਦੋਵਾਂ ਨੂੰ ਸੰਤੁਲਿਤ ਕਰਦਾ ਹੈ।.
-
ਟ੍ਰੈਕ ਡ੍ਰਿਫਟ ਅਤੇ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਤਾਂ ਜੋ ਸਿਸਟਮ ਚੁੱਪਚਾਪ ਸੜ ਨਾ ਜਾਵੇ।.
ਜੋਖਮ, ਨਿਰਪੱਖਤਾ, ਦਸਤਾਵੇਜ਼ - ਇਸਨੂੰ ਜਲਦੀ ਕਰੋ 📝
ਦਸਤਾਵੇਜ਼ਾਂ ਨੂੰ ਲਾਲ ਫੀਤਾਸ਼ਾਹੀ ਵਾਂਗ ਨਹੀਂ ਸਗੋਂ ਬੀਮਾ ਸਮਝੋ। ਪੱਖਪਾਤੀ ਜਾਂਚ, ਮਜ਼ਬੂਤੀ ਟੈਸਟ, ਡੇਟਾ ਸਰੋਤ - ਇਸਨੂੰ ਲਿਖੋ। AI RMF [1] ਵਰਗੇ ਢਾਂਚੇ ਅਤੇ EU AI ਐਕਟ [2] ਵਰਗੇ ਕਾਨੂੰਨ ਵੈਸੇ ਵੀ ਮੇਜ਼ ਦਾਅ 'ਤੇ ਲੱਗ ਰਹੇ ਹਨ।.
ਜਲਦੀ ਸ਼ੁਰੂਆਤ ਕਰਨ ਵਾਲਾ ਰੋਡਮੈਪ 🚀
-
ਫੈਸਲੇ ਅਤੇ ਮਾਪਦੰਡ ਨੂੰ ਪੂਰਾ ਕਰੋ।.
-
ਇੱਕ ਸਾਫ਼ ਡੇਟਾਸੈੱਟ ਇਕੱਠਾ ਕਰੋ।.
-
ਰੇਖਿਕ/ਰੁੱਖ ਦੇ ਨਾਲ ਬੇਸਲਾਈਨ।.
-
ਢੰਗ ਲਈ ਸਹੀ ਪਰਿਵਾਰ 'ਤੇ ਜਾਓ।.
-
ਢੁਕਵੇਂ ਮਾਪਦੰਡਾਂ ਨਾਲ ਮੁਲਾਂਕਣ ਕਰੋ।.
-
ਸ਼ਿਪਿੰਗ ਤੋਂ ਪਹਿਲਾਂ ਦਸਤਾਵੇਜ਼ ਜੋਖਮ।.
ਅਕਸਰ ਪੁੱਛੇ ਜਾਂਦੇ ਸਵਾਲ ਬਿਜਲੀ ਦਾ ਦੌਰ ⚡
-
ਰੁਕੋ, ਤਾਂ ਫਿਰ - ਇੱਕ AI ਮਾਡਲ ਕੀ ਹੁੰਦਾ ਹੈ?
ਇਨਪੁਟਸ ਨੂੰ ਆਉਟਪੁੱਟ ਵਿੱਚ ਮੈਪ ਕਰਨ ਲਈ ਡੇਟਾ 'ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਇੱਕ ਫੰਕਸ਼ਨ। ਜਾਦੂ ਆਮੀਕਰਨ ਹੈ, ਯਾਦ ਨਹੀਂ। -
ਕੀ ਵੱਡੇ ਮਾਡਲ ਹਮੇਸ਼ਾ ਜਿੱਤਦੇ ਹਨ?
ਟੇਬਲੂਲਰ-ਟ੍ਰੀ 'ਤੇ ਨਹੀਂ ਅਜੇ ਵੀ ਰਾਜ ਕਰਦੇ ਹਨ। ਟੈਕਸਟ/ਚਿੱਤਰਾਂ 'ਤੇ, ਹਾਂ, ਆਕਾਰ ਅਕਸਰ ਮਦਦ ਕਰਦਾ ਹੈ [3][4]। -
ਵਿਆਖਿਆਯੋਗਤਾ ਬਨਾਮ ਸ਼ੁੱਧਤਾ?
ਕਈ ਵਾਰ ਇੱਕ ਸਮਝੌਤਾ। ਹਾਈਬ੍ਰਿਡ ਰਣਨੀਤੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰੋ। -
ਫਾਈਨ-ਟਿਊਨਿੰਗ ਜਾਂ ਤੁਰੰਤ ਇੰਜੀਨੀਅਰਿੰਗ?
ਇਹ ਨਿਰਭਰ ਕਰਦਾ ਹੈ - ਬਜਟ ਅਤੇ ਕਾਰਜ ਖੇਤਰ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹਨ। ਦੋਵਾਂ ਦੀ ਆਪਣੀ ਜਗ੍ਹਾ ਹੈ।
TL;DR 🌯
ਏਆਈ ਮਾਡਲ = ਫੰਕਸ਼ਨ ਜੋ ਡੇਟਾ ਤੋਂ ਸਿੱਖਦੇ ਹਨ। ਉਹਨਾਂ ਨੂੰ ਉਪਯੋਗੀ ਬਣਾਉਣ ਵਾਲੀ ਚੀਜ਼ ਸਿਰਫ਼ ਸ਼ੁੱਧਤਾ ਨਹੀਂ ਹੈ, ਸਗੋਂ ਵਿਸ਼ਵਾਸ, ਜੋਖਮ ਪ੍ਰਬੰਧਨ ਅਤੇ ਸੋਚ-ਸਮਝ ਕੇ ਤੈਨਾਤੀ ਹੈ। ਸਧਾਰਨ ਸ਼ੁਰੂਆਤ ਕਰੋ, ਜੋ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ ਉਸਨੂੰ ਮਾਪੋ, ਬਦਸੂਰਤ ਹਿੱਸਿਆਂ ਨੂੰ ਦਸਤਾਵੇਜ਼ੀ ਰੂਪ ਦਿਓ, ਫਿਰ (ਅਤੇ ਕੇਵਲ ਤਦ ਹੀ) ਸ਼ਾਨਦਾਰ ਬਣੋ।.
ਜੇਕਰ ਤੁਸੀਂ ਸਿਰਫ਼ ਇੱਕ ਵਾਕ ਰੱਖਦੇ ਹੋ: AI ਮਾਡਲ ਸਿੱਖੇ ਹੋਏ ਫੰਕਸ਼ਨ ਹਨ, ਅਨੁਕੂਲਤਾ ਨਾਲ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਹਨ, ਸੰਦਰਭ-ਵਿਸ਼ੇਸ਼ ਮੈਟ੍ਰਿਕਸ ਨਾਲ ਨਿਰਣਾ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, ਅਤੇ ਗਾਰਡਰੇਲ ਨਾਲ ਤੈਨਾਤ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਇਹੀ ਸਾਰਾ ਸੌਦਾ ਹੈ।.
ਹਵਾਲੇ
-
NIST - ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਰਿਸਕ ਮੈਨੇਜਮੈਂਟ ਫਰੇਮਵਰਕ (AI RMF 1.0)
NIST AI RMF 1.0 (PDF) -
ਈਯੂ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਐਕਟ - ਅਧਿਕਾਰਤ ਜਰਨਲ (2024/1689, 12 ਜੁਲਾਈ 2024)
ਈਯੂਆਰ-ਲੈਕਸ: ਏਆਈ ਐਕਟ (ਅਧਿਕਾਰਤ PDF) -
ਟ੍ਰਾਂਸਫਾਰਮਰ / ਸਵੈ-ਧਿਆਨ - ਵਾਸਵਾਨੀ ਅਤੇ ਹੋਰ, ਧਿਆਨ ਸਿਰਫ਼ ਤੁਹਾਨੂੰ ਚਾਹੀਦਾ ਹੈ (2017)।
arXiv:1706.03762 (PDF) -
ਡਿਫਿਊਜ਼ਨ ਮਾਡਲ - ਹੋ, ਜੈਨ, ਅਬੀਲ, ਡੀਨੋਇਜ਼ਿੰਗ ਡਿਫਿਊਜ਼ਨ ਪ੍ਰੋਬੇਬਿਲਿਸਟਿਕ ਮਾਡਲ (2020)।
arXiv:2006.11239 (PDF) -
ਅਸੰਤੁਲਨ 'ਤੇ ਪੀਆਰ ਬਨਾਮ ਆਰਓਸੀ - ਸੈਟੋ ਅਤੇ ਰੇਹਮਸਮੀਅਰ, ਪਲੋਸ ਵਨ (2015)।
ਡੀਓਆਈ: 10.1371/ਜਰਨਲ.ਪੋਨ.0118432