शुरुआती मूल बातें

कैसे संभावना वितरण निश्चितता को अराजकता में बदल देता है और AI के छिपे हुए इंजन को शक्ति प्रदान करता है

AI शोर डेटा मॉडल करने के लिए संभावना वितरण का उपयोग करता है, अनिश्चितता को निर्णयों में संभाव्यता, घंटी वक्र, साधन और विचलन के साथ बदल देता है।

मुख्य जानकारी

  • संभाव्यता वितरण AI को कठोर सही/गलत तर्क से सांख्यिकीय तर्क में स्थानांतरित करता है जो शोर वाले वास्तविक दुनिया के आंकड़ों में अनिश्चितता का मॉडल बनाता है।
  • संभावना को एक निश्चित 100% निश्चितता बजट के रूप में समझा जा सकता है जो सभी संभावित परिणामों पर वितरित किया जाता है, यह दिखाते हुए कि क्या संभव, असंभव या लगभग असंभव है।
  • बेल वक्र अक्सर दिखाई देता है क्योंकि Central Limit Theorem कई छोटे यादृच्छिक प्रभावों को एक गॉसियन-जैसे पैटर्न में संयोजित करने का कारण बनता है, जिसका सारांश औसत और विचलन द्वारा किया जाता है।
  • machine learning संभावना अनुमान का उपयोग करता है, विशेष रूप से अधिकतम संभावना अनुमान, अवलोकन किए गए डेटा के लिए संभाव्यता वितरण फिट करने और नए इनपुट को वर्गीकृत करने के लिए।
  • संभावनावादी मॉडलिंग AI प्रणालियों को सटीक मिलान से अधिक लचीला बनाती है, जिससे उन्हें अपूर्ण इनपुट जैसे कि परिवर्तित स्टॉप संकेत या शोर भाषण संभालने की अनुमति मिलती है।

मेटा विवरण: एक उपग्रह firmware इंजीनियर जो डॉक्टरेट अनुसंधान के लिए तैयारी कर रहा है, यह बताता है कि कैसे संभाव्यता वितरण और संभावना अनुमान शोर डेटा को निर्णयों में बदल देते हैं।

टैगः संभाव्यता वितरण, machine learning , अधिकतम संभावना अनुमान, AI मूल बातें, डेटा की अनिश्चितता

विशेष रुप से प्रदर्शित छवि: बिखरे हुए बिंदुओं द्वारा गठित एक घंटी वक्र का अमूर्त मैत्रीपूर्ण चित्रण, जिसमें कोई लोग, लोगो या पाठ नहीं है।

उन पाठकों के लिए जो यह समझना चाहते हैं कि AI सिस्टम पूर्ण सही या गलत उत्तरों के बजाय संभावनाओं में क्यों बोल सकते हैं, डॉक्टरेट अनुसंधान की तैयारी करने वाले firmware इंजीनियर का एक खाता दिखाता है कि संभाव्यता वितरण, न केवल कठोर तर्क, मशीन-लर्निंग निर्णयों की नींव हैं। इस अभियंता, जिनके काम में firmware , राडार सिग्नल को संश्लेषित करना और 300 किलो उपग्रह के लिए डेटापैथ लॉजिक सत्यापित करना शामिल था, हाल ही में artificial intelligence के सांख्यिकीय पक्ष का सामना किया गया और निष्कर्ष निकाला गया कि अनिश्चितता हटाई जाने वाली खामी नहीं बल्कि मॉडलिंग की जाने वाली विशेषता है।

निर्धारात्मक तर्क से सांख्यिकीय तर्क तक

अभियंता की hardware पृष्ठभूमि में, अस्पष्टता को विफलता के रूप में माना जाता है। एक सिग्नल उच्च या निम्न होता है, थोड़ा 1 या 0, घड़ियाँ टिकती हैं, डेटा चलता है, और एक प्रणाली अपने तर्क के अनुसार व्यवहार करती है। उस मानसिकता ने आश्चर्य का कारण बना जब artificial intelligence के लिए पाठ्यपुस्तकों ने केवल निर्धारक algorithms प्रस्तुत नहीं किया था। इसके बजाय, सामग्री ने घंटी वक्रों, बिखरे हुए प्लॉट और समीकरणों का उपयोग करके संभावनाओं का वर्णन किया, ग्राफ जो कभी कक्षा अमूर्तताओं की तरह लगते थे। यह बदलाव उपयोगी है क्योंकि वास्तविक सेंसर और वास्तविक इनपुट शायद ही कभी सही सच्चाई प्रदान करते हैं।

संभावना एक 100% बजट के साथ संदेह quantifies

इस संदर्भ में संभाव्यता मुख्य रूप से सिक्का फ्लिप या कार्ड ड्रॉ के बारे में नहीं है। यह अनिश्चितता व्यक्त करने के लिए एक भाषा है। तापमान गेज बह सकता है, रडार सिग्नल बिगड़ सकता है और वातावरण स्थिर जोड़ सकता है। केवल "मुझे नहीं पता" कहने के बजाय, एक मॉडल कह सकता है कि वह 85% आश्वस्त है कि एक सही मूल्य चुनी गई सीमा के भीतर आता है। जो एक अप्रत्याशित समस्या को व्यवहार्य निर्णय में परिवर्तित करता है।

संभाव्यता वितरण को पढ़ने का एक व्यावहारिक तरीका यह है कि पूर्ण निश्चितता को ठीक $1.00 या 100% के स्थिर बजट के रूप में माना जाए। उस बजट को सभी संभावित परिणामों पर वितरित किया जाना चाहिए। पूरी तरह से निष्पक्ष सिक्के के लिए, बजट समान रूप से विभाजित होता हैः सिर और पूंछ के लिए 50 सेंट। शहर में वयस्क की ऊंचाई या सिलिकॉन तर्क में छोटी समय त्रुटियों जैसे गन्दा वास्तविक दुनिया के आंकड़ों के लिए कई परिणाम बजट साझा करते हैं। वितरण वह नक्शा है जो दिखाता है जहां अधिकांश निश्चितता रखी गई है और जहां केवल थोड़ी मात्रा बची है।

जब उन मापों को प्लॉट किया जाता है, तो एक आकार दिखाई देता है। अधिकांश रीडिंग औसत के पास क्लस्टर होती हैं, जबकि अत्यधिक उच्च और निम्न मूल्य दुर्लभ हो जाते हैं। परिणामी वक्र बताता है कि क्या सामान्य है, क्या असामान्य है और प्रभावी रूप से असंभव है।

घंटी वक्र इतनी बार क्यों दिखाई देता है

गॉसियन वितरण, जिसे अक्सर Bell Curve कहा जाता है, Central Limit Theorem के कारण AI में बार-बार दिखाई देता है। प्रमेय कहता है कि जब कई यादृच्छिक और स्वतंत्र प्रभाव संयुक्त होते हैं, तो उनका कुल घंटी के आकार का वक्र बनता है। स्रोत इस विचार की एक तस्वीर के रूप में रेत छोड़ने का उपयोग करता हैः अधिकांश अनाज केंद्र के पास उतरते हैं, और कम भूमि दूर होती है। वही तर्क सर्किट में थर्मल शोर, हस्तलेखन में अंतर और छवि पिक्सेल में पैटर्न पर लागू हो सकता है।

machine learning के लिए, यह महत्वपूर्ण है क्योंकि एक घंटी-आकार की dataset को दो प्रमुख मूल्यों के साथ सारांशित किया जा सकता हैः औसत, जो केंद्र को चिह्नित करता है, और विचलन, जो चौड़ाई का प्रतीक है। ये दोनों संख्याएं अनिश्चितता के समग्र आकार का वर्णन करती हैं।

कैसे संभावना अनुमान मान्यता का समर्थन करता है

AI मॉडल उस तरह से नहीं देखते हैं जैसे मनुष्य करते हैं; वे वितरणों से संभावनाओं की गणना करते हैं। यह लेख इस विचार को दिखाने के लिए हस्तलिखित अंकों का उपयोग करता है। जब एक मॉडल को "7" संख्या की हजारों छवियों पर प्रशिक्षित किया जाता है, तो उसे एक सही टेम्पलेट स्टोर करने की आवश्यकता नहीं होती है। यह अवलोकन किए गए पिक्सेल पैटर्न से एक संभाव्यता वितरण बनाता है। फिर एक नई छवि की तुलना उन वितरणों के साथ की जाती हैः यदि वह " 7 " वक्र के घने मध्य में गिरती है तो मॉडल इसे उच्च संभावना प्रदान करती है; अगर यह एक पतली पूंछ में आती है तो मॉडेल इसे कम संभावित मानता है।

यह वह जगह है जहां अधिकतम संभावना का अनुमान केंद्रीय हो जाता है। यह बिखरे हुए टिप्पणियों को देखने और उन्हें उत्पन्न करने की सबसे अधिक संभावना वाले वक्र का चयन करने की प्रक्रिया है। मॉडल अंधाधुंध अनुमान नहीं लगा रहा है; यह शोर सबूत के लिए एक सांख्यिकीय स्पष्टीकरण फिट कर रहा है और वर्गीकरण के लिए उस स्पष्टीकरण का उपयोग करता है।

यह पाठ्यपुस्तक से परे क्यों महत्वपूर्ण है

यदि artificial intelligence केवल सटीक मिलान पर भरोसा करता है, तो यह संघर्ष करेगा जब इनपुट अपूर्ण हो जाते हैं। स्रोत दो उदाहरण देता हैः एक स्टॉप साइन में स्टिकर होने पर self-driving कार फ्रीज हो जाएगी, और अगर स्पीकर को हल्की ठंड लगती है तो वॉयस असिस्टेंट क्रैश हो जाएगा। वितरण सिस्टम को अधिक लचीला बनाते हैं क्योंकि वे इस तरह के उत्तर की अनुमति देते हैं "यह इनपुट किसी भी उदाहरण के समान नहीं है, लेकिन 92% संभावना है कि यह अपेक्षित वर्ग से संबंधित है"।

ग्राफ अमूर्त कक्षा आकार नहीं हैं; वे तंत्र है जो मशीनों को अपूर्ण जानकारी के साथ संचालित करने की अनुमति देता है। यह खाता मूल रूप से Towards AI में माध्यम पर प्रकाशित किया गया था, जहां पाठकों ने कहानी पर प्रकाश डालकर और प्रतिक्रिया देकर चर्चा जारी रखी थी।

Comments (0)

  1. No comments yet. Be the first to share what worked for you.

Leave a comment

Comments are reviewed before they appear. Your email address is not published.