کمپیوٹر سائنسدان روبوٹ بنانے کے لئے چاہتے ہیں ان کے خراب ڈیٹا کو بھول جاتے ہیں

جب "برا" ڈیٹا ایک مشینی سیکھنے کے نظام میں چکا جاتا ہے تو اس طرح ایلن گرینسین نے کمپیوٹر ماڈلز پر گفتگو کرتے ہوئے کہا کہ 2008 2008 کے مشن کی پیشن گوئی کرنے میں ناکام ہوگئی ہے کہ معلومات کو ختم کرنا مشکل ہوسکتا ہے. لیکن کولمبیا یونیورسٹی اور لہھی یونیورسٹی کے کمپیوٹر سائنسدانوں جونفینگ یانگ اور یزشی کیو کی جانب سے پیش کردہ ایک نیا تصور، کمپیوٹروں کو غیرملکی کرنے کا خیال لاتا ہے. کے طور پر کیو اور یانگ 2015 IEEE Xplore کانفرنس کے لئے شائع خلاصہ میں لکھتے ہیں، آپ کو بھولنے کے لئے ایک مربع ایک کو واپس جانے کی ضرورت نہیں ہے:

تربیت کے اعداد و شمار کے نمونے کو بھولنے کے لئے، ہمارے نقطۂٔٔٔٔٔٔٔٔٔٔٔ اقطیات کو ایک چھوٹی سی تعداد میں صرف تازہ ترین معلومات فراہم کرتی ہے. ہمارا نقطہ نظر عام ہے، کیونکہ اختتامی شکل اعداد و شمار کے سوال سے متعلق ہے جس میں بہت سے مشین سیکھنے کے الگورتھم کو لاگو کیا جاسکتا ہے. ہمارے نقطہ نظر مشین سیکھنے کے تمام مراحل پر بھی لاگو ہوتا ہے، بشمول نمایاں انتخاب اور ماڈلنگ. ہماری تشخیص، چار متنوع سیکھنے کے نظام اور حقیقی دنیا کے کام کے بوجھ پر، یہ ظاہر ہوتا ہے کہ ہمارے نقطۂٔٔٔٔٔٔٔٔٔٔٔٔ

مشین سیکھنے کا تصور ماؤنڈ اور ماؤنڈ سے متعلق بنائی گئی بنیاد پر ہوتا ہے. یہ کچھ کنکشن بنانے کے لئے روبوٹ یا مصنوعی مفادات کو سکھانے کے لئے مددگار ثابت ہوسکتا ہے - جیسے کہ بھاری کوٹ میں ایک فرد ایک محور کو بچانے کے لئے ہے، وہ ایک فائر فائٹر ہو سکتا ہے. لیکن ان تربیتی سیشن میں، اعداد و شمار سیٹ پر مبنی غلط کنکشن پیدا ہوسکتا ہے. آپ کے روبوٹ شاید یہ سوچیں کہ تمام فائر فائٹرز والے داڑھی ہیں. یہ، ظاہر ہے، یہ ہے کہ آپ کمپیوٹر کو چاہتے ہیں ناپسندی.

کیو اور یانگ ڈیٹا نسبندی کے تصور پر روبوٹ انفارمیشن غیر معاوضہ کے اس تصور پر مبنی ہے - یہ اعداد و شمار دنیا میں مکمل طور پر تشکیل نہیں پایا جاتا ہے لیکن ایک ٹیسسیبل تاریخ ہے جیسا کہ خام ڈیٹا پر عملدرآمد ہے، نوٹ Kurzweil A.I. اس نسبے سے نمٹنے کی مشینوں کو ان کی تعلیم کو مکمل طور پر مسح کئے بغیر، اعداد و شمار کے منتخب حصوں کو اجاگر کرنے کی اجازت دیتا ہے.