ଜଣେ ଅଣବିଶେଷଜ୍ଞ ନ୍ୟୁରାଲ୍ ନେଟୱର୍କ ବିଷୟରେ କାହିଁକି ବୁଝିବା ଉଚିତ?
ଆପଣ ସ୍ନାୟୁଜାଲ ବିଷୟରେ ବୁଝିବା ଉଚିତ, କାରଣ କଥାକୁ ଲେଖାରେ ପରିଣତ କରିବାଠାରୁ କଥୋପକଥନ ସହାୟକ ପର୍ଯ୍ୟନ୍ତ ଆପଣ ବ୍ୟବହାର କରୁଥିବା ଅଧିକାଂଶ AI ସାଧନରେ ଏହା ରହିଛି। ସେହି ସାଧନଗୁଡ଼ିକୁ କିଣିବେ କିମ୍ବା ବିଶ୍ୱାସ କରିବେ କି ନାହିଁ, ସେ ନିଷ୍ପତ୍ତି ପାଇଁ ସେଗୁଡ଼ିକ କ’ଣ ଶିଖିପାରିବେ ଓ କ’ଣ ଶିଖିପାରିବେ ନାହିଁ ଜାଣିବା ଆବଶ୍ୟକ।
ଏକ କାଳ୍ପନିକ 80-ଜଣିଆ ବୀମା ମଧ୍ୟସ୍ଥ ସଂସ୍ଥା, ହାର୍ବରଲାଇନ୍ ଇନ୍ସୁରାନ୍ସକୁ ଧରନ୍ତୁ। ଜଣେ ବିକ୍ରେତା ପରିଚାଳନା ମୁଖ୍ୟ ଡାନିଏଲ୍ଙ୍କୁ ବୀମା ଦାବିର ପ୍ରାଥମିକ ଛାଣବିନ କରୁଥିବା ଏକ ଉତ୍ପାଦର ପ୍ରସ୍ତାବ ଦିଅନ୍ତି। ଉପସ୍ଥାପନାର ସ୍ଲାଇଡ୍ରେ ଲେଖାଅଛି: 'ଗଭୀର ନ୍ୟୁରାଲ୍ ନେଟୱର୍କ, 12ଟି ସ୍ତର, ଲକ୍ଷ ଲକ୍ଷ ଦାବି ଉପରେ ପ୍ରଶିକ୍ଷିତ, 94% ସଠିକତା, ମଣିଷର ମସ୍ତିଷ୍କ ପରି ଶିଖେ।' ଆଲୋଚନା ସମୟରେ ଡାନିଏଲ୍ ଲେଖିଥିବା ଟିପ୍ପଣୀରେ ଅଛି: 'ସ୍ତର ମାନେ କଣ ଠିକ୍ ବୁଝିପାରିଲିନି। କାହାର ଦାବି ଉପରେ ପ୍ରଶିକ୍ଷିତ? କଣର 94%? ଗ୍ରାହକ ଅଭିଯୋଗ କଲେ ଏହା ନିଜ ନିଷ୍ପତ୍ତିର କାରଣ ବୁଝାଇପାରିବ କି?' ଗୁରୁବାର ସୁଦ୍ଧା ତାଙ୍କୁ ନିର୍ଦ୍ଦେଶକଙ୍କୁ ଏ ବିଷୟରେ ଜଣାଇବାକୁ ହେବ; ସେ ସ୍ଲାଇଡ୍ର କଥାକୁ କେବଳ ଦୋହରାଇବାକୁ କିମ୍ବା ଖାରଜ କରିଦେବାକୁ ଚାହୁଁନାହାନ୍ତି।
ଏକ ନ୍ୟୁରାଲ୍ ନେଟୱର୍କ ପର୍ଯ୍ୟାୟକ୍ରମେ କିପରି କାମ କରେ?
ନ୍ୟୁରାଲ୍ ନେଟୱର୍କରେ ସଂଖ୍ୟାଗୁଡ଼ିକ ଏକକର ବିଭିନ୍ନ ସ୍ତର ଦେଇ ଯାଏ। ପ୍ରତ୍ୟେକ ଏକକ ପରିବର୍ତ୍ତନଯୋଗ୍ୟ ଭାରାଙ୍କ ବ୍ୟବହାର କରି ନିଜ ଇନ୍ପୁଟ୍ଗୁଡ଼ିକୁ ଏକାଠି କରେ। ତାପରେ ଶେଷ ଫଳାଫଳକୁ ସଠିକ୍ ଉତ୍ତର ସହ ତୁଳନା କରାଯାଏ, ଯାହାଦ୍ୱାରା ପରବର୍ତ୍ତୀ ଥର ଭଲ କରିବା ପାଇଁ ଭାରାଙ୍କଗୁଡ଼ିକୁ ଅଳ୍ପ ବଦଳାଯାଇପାରେ। ତଳର ପଦକ୍ଷେପଗୁଡ଼ିକରେ ଗୋଟିଏ ପୂର୍ବାନୁମାନ ଓ ଗୋଟିଏ ପର୍ଯ୍ୟାୟର ଶିକ୍ଷଣ ଦେଖାଯାଇଛି।
1. ଇନ୍ପୁଟ୍ ସଂଖ୍ୟାରେ ପରିଣତ ହୁଏ
ନେଟୱର୍କ ଯାହା ବି ଦେଖେ, ତାହା ପ୍ରଥମେ ସଂଖ୍ୟାରେ ପରିଣତ ହୁଏ: ଛବି ପାଇଁ ପିକ୍ସେଲର ଉଜ୍ଜ୍ୱଳତା, ପାଠ୍ୟ ପାଇଁ ସାଂଖ୍ୟିକ ସଙ୍କେତରେ ପରିଣତ ଶବ୍ଦ, କିମ୍ବା ବୀମା ଦାବି ପାଇଁ ଦାବିର ପରିମାଣ ଓ ବୀମା ପଲିସି କେତେ ପୁରୁଣା ପରି ତଥ୍ୟ କ୍ଷେତ୍ର।
2. ପ୍ରତ୍ୟେକ ନ୍ୟୁରନ୍ ନିଜ ଇନ୍ପୁଟ୍ଗୁଡ଼ିକୁ ଭାରାଙ୍କ ଦିଏ
ନ୍ୟୁରନ୍, ଯାହାକୁ ନୋଡ୍ ମଧ୍ୟ କୁହାଯାଏ, ପ୍ରତ୍ୟେକ ଆସୁଥିବା ମୂଲ୍ୟକୁ ଏକ ଭାରାଙ୍କରେ ଗୁଣେ, ଫଳଗୁଡ଼ିକ ସହ ବାୟାସ୍ ନାମକ ଏକ ସ୍ଥିରାଙ୍କ ଯୋଗ କରେ ଏବଂ ମୋଟ ଫଳକୁ ଏକ ସକ୍ରିୟଣ ଫଙ୍କସନ୍ ଦେଇ ପଠାଏ। ଏହି ସକ୍ରିୟଣ ଫଙ୍କସନ୍ ହିଁ ନ୍ୟୁରନ୍ର ସ୍ତରଗୁଡ଼ିକୁ କେବଳ ସରଳରୈଖିକ ଢାଞ୍ଚା ବଦଳରେ ବକ୍ର, ଅଣରୈଖିକ ଢାଞ୍ଚା ଶିଖିବାରେ ସକ୍ଷମ କରେ।
3. ସ୍ତରଗୁଡ଼ିକ ପରସ୍ପର ଉପରେ ଆଧାର କରି ଗଢ଼ିଉଠେ
ନ୍ୟୁରନ୍ଗୁଡ଼ିକ ସ୍ତରରେ ସଜାଯାଇଥାଏ। ଇନପୁଟ୍ ସ୍ତରରେ ମୂଳ ମାନଗୁଡ଼ିକ ରହେ, ଗୋଟିଏ କିମ୍ବା ଅଧିକ ଲୁକ୍କାୟିତ ସ୍ତର ସେଗୁଡ଼ିକୁ ରୂପାନ୍ତର କରନ୍ତି, ଏବଂ ଆଉଟପୁଟ୍ ସ୍ତର ପୂର୍ବାନୁମାନ ଦିଏ, ଯେପରିକି 'ସମ୍ଭବତଃ ସରଳ ଦାବି' କିମ୍ବା 'ବିଶେଷଜ୍ଞ ଦରକାର'। ଅନେକ ଲୁକ୍କାୟିତ ସ୍ତର ଥିବା ନେଟୱର୍କକୁ ଗଭୀର କୁହାଯାଏ, ଏବଂ ସେଥିରୁ ଗଭୀର ଶିକ୍ଷଣ ଶବ୍ଦଟି ଆସିଛି।
4. ତ୍ରୁଟିର ପରିମାଣ ମପାଯାଏ
ପ୍ରଶିକ୍ଷଣ ସମୟରେ ନେଟୱର୍କ ଏପରି ଏକ ଉଦାହରଣ ପାଇଁ ପୂର୍ବାନୁମାନ କରେ, ଯାହାର ସଠିକ୍ ଉତ୍ତର ଜଣାଥାଏ। ଏହାର ଉତ୍ତର ଓ ସଠିକ୍ ଉତ୍ତର ମଧ୍ୟରେ ଥିବା ତଫାତକୁ ଏକ ସଂଖ୍ୟା ଭାବେ ମପାଯାଏ, ଯାହାକୁ କ୍ଷତି କୁହାଯାଏ।
5. ଭାରାଙ୍କଗୁଡ଼ିକ ସମନ୍ୱୟ କରାଯାଏ
ବ୍ୟାକ୍ପ୍ରପାଗେସନ୍ ନାମକ ଏକ ଆଲଗୋରିଦମ୍ ତ୍ରୁଟି ପାଇଁ ପ୍ରତ୍ୟେକ ଭାରର ଅବଦାନ କେତେ ଥିଲା ତାହା ହିସାବ କରେ। ଗ୍ରେଡିଏଣ୍ଟ ଡିସେଣ୍ଟ ନାମକ ଏକ ପଦ୍ଧତି ପ୍ରତ୍ୟେକ ଭାରକୁ ଏପରି ଦିଗରେ ସାମାନ୍ୟ ବଦଳାଏ, ଯାହା ତ୍ରୁଟିକୁ କମାଇଥାନ୍ତା। ହଜାର ହଜାର କିମ୍ବା ଲକ୍ଷ ଲକ୍ଷ ଉଦାହରଣରେ ଏହାର ପୁନରାବୃତ୍ତି ହେଲେ, ଏହି ଛୋଟ ଛୋଟ ସଂଶୋଧନ ମିଶି ଭଲ ପୂର୍ବାନୁମାନ କରିପାରୁଥିବା ଏକ ମଡେଲ୍ ତିଆରି କରେ।
ନ୍ୟୁରାଲ୍ ନେଟୱର୍କର ଏକ ଦୁର୍ବଳ ଓ ଏକ ଉନ୍ନତ ବ୍ୟାଖ୍ୟା କିପରି ଶୁଣାଯାଏ?
ଦୁର୍ବଳ ସଂକ୍ଷିପ୍ତ ବିବରଣୀ ବିକ୍ରେତାଙ୍କ କଥାକୁ ଦୋହରାଏ: 'ଏହା ଏକ 12-ସ୍ତରୀୟ ଗଭୀର ନ୍ୟୁରାଲ୍ ନେଟୱର୍କ, ଯାହା ମସ୍ତିଷ୍କ ଭଳି ଶିଖେ ଏବଂ 94% ସଠିକ୍।' ଡାନିଏଲ୍ଙ୍କ ନିର୍ଦ୍ଦେଶିକା ଏଥିରୁ ପଦକ୍ଷେପ ନେବା ଭଳି କିଛି ଜାଣିପାରନ୍ତି ନାହିଁ, ଏବଂ 'ମସ୍ତିଷ୍କ ଭଳି ଶିଖେ' ଏକ ଉପମା, ବର୍ଣ୍ଣନା ନୁହେଁ। ପ୍ରକୃତ ସ୍ନାୟୁକୋଷ ଏବଂ ଏହି ଏକକଗୁଡ଼ିକର ନାମ ସମାନ ଏବଂ ଏକ ଢିଲା ପ୍ରେରଣାଗତ ସମ୍ପର୍କ ଅଛି, କିନ୍ତୁ କାର୍ଯ୍ୟପ୍ରଣାଳୀ ସମାନ ନୁହେଁ।
ଏକ ଉନ୍ନତ ସଂକ୍ଷିପ୍ତ ବିବରଣୀ ଏପରି କହେ: 'ଉତ୍ପାଦଟି ଏକ ନ୍ୟୁରାଲ୍ ନେଟୱର୍କ: ଏପରି ଏକ ମଡେଲ୍, ଯାହା ନିଜର ପୂର୍ବାନୁମାନ ଅତୀତର ନିଷ୍ପତ୍ତି ସହ ମେଳ ଖାଇବା ପର୍ଯ୍ୟନ୍ତ ଲକ୍ଷ ଲକ୍ଷ ଆଭ୍ୟନ୍ତରୀଣ ଭାରକୁ ବଦଳାଇ ଦାବିଗୁଡ଼ିକୁ ବର୍ଗୀକରଣ କରିବା ଶିଖିଛି। ଏହାର ଅର୍ଥ, ଏହା ଯେଉଁ ପୁରୁଣା ଦାବିଗୁଡ଼ିକରୁ ଶିଖିଛି, ତାହାର ଗୁଣମାନ ମଧ୍ୟ ସେତିକି ଭଲ ହୋଇପାରିବ। ତେଣୁ ସେହି ଦାବିଗୁଡ଼ିକ କାହାର ଥିଲା ଏବଂ ସେଗୁଡ଼ିକ ଆମ ଦାବି ଭଳି କି ନାହିଁ, ଆମକୁ ଜାଣିବା ଦରକାର। 94% ଆକଳନର ଏକ ସ୍ପଷ୍ଟ ସଂଜ୍ଞା ଦରକାର: କେଉଁ ପରୀକ୍ଷା ତଥ୍ୟରେ ଏହା ସଠିକ୍, ଏବଂ କେତେଥର ଏହା ଏକ ଜଟିଳ ଦାବିକୁ ଭୁଲରେ ସରଳ ବୋଲି ଚିହ୍ନଟ କରେ? ଏହି ମଡେଲ୍ଗୁଡ଼ିକର ପ୍ରତ୍ୟେକ ନିଷ୍ପତ୍ତିକୁ ବୁଝାଇବା କଷ୍ଟକର। ତେଣୁ ଜଣେ ଗ୍ରାହକ କୌଣସି ଫଳାଫଳକୁ ଚ୍ୟାଲେଞ୍ଜ କଲେ ବିକ୍ରେତା କଣ ପ୍ରଦାନ କରନ୍ତି, ତାହା ଆମେ ପଚାରିବା ଉଚିତ। ପ୍ରତ୍ୟେକ ପ୍ରତ୍ୟାଖ୍ୟାତ ଦାବିକୁ ଜଣେ ମଣିଷ ଯାଞ୍ଚ କରିବା ମଧ୍ୟ ଜାରି ରହିବା ଦରକାର।' ଏହି ସଂସ୍କରଣ ସ୍ଲାଇଡ୍ଟିକୁ ଚାରିଟି ସୁନିର୍ଦ୍ଦିଷ୍ଟ ପ୍ରଶ୍ନରେ ପରିଣତ କରେ।
ନ୍ୟୁରାଲ୍ ନେଟୱର୍କ ପାଇଁ ଏତେ ଅଧିକ ତଥ୍ୟ କାହିଁକି ଦରକାର, ଏବଂ ସେଗୁଡ଼ିକ କେଉଁଠି ବ୍ୟବହୃତ ହୁଏ?
ନ୍ୟୁରାଲ୍ ନେଟୱର୍କକୁ ବହୁତ ତଥ୍ୟ ଦରକାର, କାରଣ ସେଥିରେ ବହୁ ସଂଖ୍ୟକ ଭାର ନିର୍ଦ୍ଧାରଣ କରିବାକୁ ପଡ଼େ, ଏବଂ ପ୍ରତ୍ୟେକ ଭାର କୌଣସି ବ୍ୟକ୍ତି ଲେଖିବା ପରିବର୍ତ୍ତେ ଉଦାହରଣରୁ ଶିଖାଯାଏ। ଉଦାହରଣ ବହୁତ କମ୍ ଥିଲେ, ନେଟୱର୍କ ଏକ ସାଧାରଣ ଢାଞ୍ଚା ଶିଖିବା ବଦଳରେ ନିଜ ପ୍ରଶିକ୍ଷଣ ତଥ୍ୟକୁ ମୁଖସ୍ଥ କରିପାରେ, ଯାହାକୁ ଓଭରଫିଟିଂ କୁହାଯାଏ।
ଯେଉଁଠାରେ ଢାଞ୍ଚା ପ୍ରଚୁର ଥାଏ କିନ୍ତୁ ସେଗୁଡ଼ିକୁ ନିୟମ ଭାବେ ଲେଖିବା କଷ୍ଟକର, ସେଠାରେ ଏଗୁଡ଼ିକ ବ୍ୟବହୃତ ହୁଏ: ଛବିରେ ବସ୍ତୁ ଚିହ୍ନିବା, କଥାକୁ ଲେଖାରେ ପରିଣତ କରିବା, ଭାଷା ଅନୁବାଦ କରିବା, ଅସ୍ୱାଭାବିକ କାରବାର ଚିହ୍ନଟ କରିବା ଏବଂ ChatGPT, Claude ଓ Gemini ଭଳି ସହାୟକଗୁଡ଼ିକ ପଛରେ ଥିବା ବୃହତ୍ ଭାଷା ମଡେଲ୍ଗୁଡ଼ିକୁ ଚଳାଇବା। ଛୋଟ ଓ ସୁବ୍ୟବସ୍ଥିତ ବ୍ୟବସାୟିକ ତଥ୍ୟ ସାରଣୀ ପାଇଁ ସରଳ ମଡେଲ୍ଗୁଡ଼ିକ ପ୍ରାୟତଃ ସେତିକି ନିର୍ଭୁଲ ହୋଇଥାଏ ଏବଂ ସେଗୁଡ଼ିକ କିପରି କାମ କରେ ତାହା ବୁଝାଇବା ବହୁତ ସହଜ।
ନ୍ୟୁରାଲ୍ ନେଟୱର୍କର ସୀମାବଦ୍ଧତା କ’ଣ?
ନ୍ୟୁରାଲ୍ ନେଟୱର୍କର ମୁଖ୍ୟ ସୀମାବଦ୍ଧତା ହେଲା, ସେଗୁଡ଼ିକ ନିଜ ପ୍ରଶିକ୍ଷଣ ତଥ୍ୟରେ ଯାହା ଥାଏ ତାହା ଶିଖନ୍ତି—ସେଥିରେ ଥିବା ଅଭାବ ଓ ପକ୍ଷପାତ ସମେତ। ସେଗୁଡ଼ିକର ପ୍ରତ୍ୟେକ ନିଷ୍ପତ୍ତି ପଛର କାରଣ ବୁଝାଇବା କଷ୍ଟକର, ଏବଂ ପ୍ରଶିକ୍ଷଣ ସମୟରେ ଦେଖିଥିବା କୌଣସି ଉଦାହରଣ ସହିତ ମେଳ ନଥିବା ପରିସ୍ଥିତିରେ ସେଗୁଡ଼ିକ ଆତ୍ମବିଶ୍ୱାସର ସହିତ ଭୁଲ୍ ଉତ୍ତର ଦେଇପାରନ୍ତି। ସଠିକତାର ପରିସଂଖ୍ୟାନ ସମ୍ପୂର୍ଣ୍ଣ ଭାବେ ପରୀକ୍ଷଣ ତଥ୍ୟ ଉପରେ ନିର୍ଭର କରେ, ତେଣୁ କେଉଁ ତଥ୍ୟ ଦ୍ୱାରା ପରୀକ୍ଷା କରାଯାଇଥିଲା ତାହା ସବୁବେଳେ ପଚାରନ୍ତୁ। ବଡ଼ ନେଟୱର୍କଗୁଡ଼ିକୁ ପ୍ରଶିକ୍ଷଣ ଦେବା ପାଇଁ ମଧ୍ୟ ବହୁତ ଗଣନା କ୍ଷମତା ଦରକାର ହୁଏ, ସେଥିପାଇଁ ଅଧିକାଂଶ ସଂସ୍ଥା ପୂର୍ବରୁ ପ୍ରଶିକ୍ଷିତ ମଡେଲ ବ୍ୟବହାର କରନ୍ତି।
ନ୍ୟୁରାଲ୍ ନେଟୱର୍କ ସମ୍ପର୍କିତ ଏକ ଦାବି ଆପଣ କିପରି ଯାଞ୍ଚ କରିବେ?
ନ୍ୟୁରାଲ୍ ନେଟୱର୍କ ବିଷୟରେ କୌଣସି ଦାବି ଯାଞ୍ଚ କରିବାକୁ ପଚାରନ୍ତୁ: ଏହା କେଉଁ ତଥ୍ୟରୁ ଶିଖିଛି, ଏହାକୁ କିପରି ପରୀକ୍ଷା କରାଯାଇଛି, ଏହା କେଉଁ ଭୁଲ୍ କରେ ଏବଂ ଏହାର ନିଷ୍ପତ୍ତି କିଏ ସମୀକ୍ଷା କରନ୍ତି। ଯଦି ଯୋଗାଣକାରୀ ଏଗୁଡ଼ିକର ସ୍ପଷ୍ଟ ଉତ୍ତର ଦେଇପାରନ୍ତି ନାହିଁ, ତେବେ ସ୍ତର ସଂଖ୍ୟାର କୌଣସି ମହତ୍ତ୍ୱ ନାହିଁ।
Tosheo.ai ରେ ଏହି ପାଠ କେଉଁଠି ରହିଛି?
ଏହି ପାଠଟି ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ବିଭାଗର ଅନ୍ତର୍ଗତ ଏବଂ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ପାଠ୍ୟକ୍ରମର ନ୍ୟୁରାଲ୍ ନେଟୱର୍କ ଅଧ୍ୟାୟର ପ୍ରଥମ ପାଠ। Tosheo.ai ରେ ଏହା ପରେ ଆପଣ ଏକ ବ୍ୟବହାରିକ କାର୍ଯ୍ୟ କରନ୍ତି, ଯେଉଁଥିରେ ଜଣେ କାଳ୍ପନିକ ହିତାଧିକାରୀଙ୍କୁ ଏକ ମଡେଲ୍ ବୁଝାନ୍ତି। ମୂଲ୍ୟାଙ୍କନ ମାନଦଣ୍ଡ ଆଧାରିତ ମତାମତ ଅସ୍ପଷ୍ଟ ଉପମା ଓ ପ୍ରମାଣବିହୀନ ସଠିକତା ଦାବିଗୁଡ଼ିକୁ ଚିହ୍ନଟ କରେ। ଏହା ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ସହ କାମ କରିବା ପାଇଁ ଏକ ବୃତ୍ତିଗତ ମୂଳଦୁଆ, ମଡେଲ୍ ତିଆରି କରିବାର ନିବିଡ଼ ପ୍ରଶିକ୍ଷଣ ନୁହେଁ; ଆପଣ କୋଡ୍ ଲେଖି ନେଟୱର୍କ ତିଆରି କରିବାକୁ ଚାହିଁଲେ, ପଞ୍ଜୀକରଣ ପରେ ଉପଲବ୍ଧ ଇଚ୍ଛାଧୀନ କୋଡିଂ ଶିକ୍ଷାଧାରାରେ ତାହା ଶିଖିପାରିବେ।