ՆՁԱԿ
ՆՁԱԿ
Արհեստական բանականություն. ի՞նչ խնդիրներ կարող է լուծել այն
Արհեստական բանականությունն ինֆորմատիկայի ուղղություն է (computerscience), որի շրջանակում ստեղծվում են «խելացի» ծրագրեր եւ սարքեր, որոնք կարող են կատարել մտավոր եւ անգամ ինչ-որ իմաստով «ստեղծարար» գործառույթներ, որոնք ավանդաբար համարվել են մարդու գործունեության ոլորտ։
Արհեստական բանականությունն այսօր կարող է «հասկանալ» եւ վերլուծել տվյալները, օգտակար կանխատեսումներ անել եւ այլն։ Ավելին, նրա օգնությամբ կարելի է լուծել նաեւ այնպիսի խնդիրներ, որոնք այլ կերպ պարզապես անհնար է լուծել։
Նետված գնդակի հեռավորությունը հաշվարկելը ԱԲ-ի խնդիրը չէ
Մասնագետի խոսքով՝ գոյություն ունեն խնդիրներ, որոնք իմաստ չունի լուծել ԱԲ-ի օգնությամբ։ Բայց կան նաեւ այնպիսիները, որոնց լուծման համար առանց ԱԲ-ի չի ստացվի։
«Օրինակ, ահա մի այսպիսի պարզ խնդիր. ես նետում եմ գնդակը, եւ ինձ հետաքրքիր է իմանալ, թե ինչ հեռավորությամբ կընկնի այն։ Այսպիսի խնդրի լուծումը ԱԲ-ին հանձնարարելն իմաստ չունի, չէ՞ որ այդ խնդիրը կարելի է լուծել մաթեմատիկական մոդելավորման օգնությամբ։ Գնդակի զանգվածի, քամու ուղղության եւ ուժի, նետման անկյան եւ այլնի մասին անհրաժեշտ տվյալները հավաքելով՝ կարելի է առանց դժվարության հաշվել, թե որտեղ կընկնի այդ գնդակը։ Անիմաստ է նման խնդիրը լուծել ԱԲ-ի օգնությամբ»,- ասել է մասնագետը։
Դոլարի փոխարժեքի կանխատեսումը միանգամայն արժանի խնդիր է ԱԲ-ի համար
Գոյություն ունեն, սակայն, այնպիսի խնդիրներ, որոնք անհնար է լուծել մաթեմատիկական մոդելավորման օգնությամբ։ Եվ ահա այստեղ օգնության կարող է գալ ԱԲ-ն։
«Օրինակ, ինչպիսի՞ն կլինի դոլարի փոխարժեքը մեկ ամիս հետո։ Հնարավոր չէ ալգորիթմ ստեղծել, որը կհաշվի դա։ Այստեղ արդեն այլ մոտեցում է հարկավոր՝ ոչ թե պարզ հաշվարկ, այլ վերլուծություն եւ դրա վրա հիմնված կանխատեսում։ Ահա այսպիսի խնդիրներն արդեն նպատակահարմար է, որ լուծվեն ԱԲ-ի օգնությամբ։ Եթե ԱԲ-ի ալգորիթմին բավականաչափ քանակությամբ տվյալներ տրվեն, այն կկարողանա դրանց հիման վրա կանխատեսում անել»,- բացատրել է մասնագետը։
Աղբը աղբ է մուտքի եւ ելքի մոտ
Թե որքանով ճշգրիտ կլինի արհեստական բանականության կանխատեսումը՝ կախված կլինի, բնականաբար, ելակետային տվյալների որակից եւ քանակից, որոնց վրա հիմնվելու է այդ կանխատեսումը։
«Տվյալների որակական եւ քանակական բնութագրերը շատ կարեւոր են,- նշել է Krisp հայկական ընկերության արտադրանքի եւ որակի վերահսկման մենեջեր Անուշ Մարտիրոսյանը։- Եթե մենք տվյալները տրամադրում ենք բոլոր նրբությունների հաշվառմամբ, եթե դրանք իսկապես լիարժեք տվյալներ են, ալգորիթմը կարող է բավական ստույգ եզրակացություններ եւ կանխատեսումներ անել։ Բայց եթե տվյալները լիարժեք չեն, գործում է GIGO: Garbagein, garbageout օրենքը»։
GIGO-ն ինֆորմատիկայի սկզբունք է, որ համաձայն՝ մուտքի ոչ ճիշտ տվյալների դեպքում կստացվեն սխալ արդյունքներ, անգամ եթե ալգորիթմն ինքնին ճիշտ է աշխատում։
Դոլարի փոխարժեքի հետ կապված, մասնագետի խոսքով, ԱԲ-ի ալգորիթմը կարող էր կանխատեսել նրա ներկայիս տատանումները, եթե տվյալների բավականաչափ քանակություն ստանար անցյալում դոլարի փոխարժեքի փոփոխությունների մասին եւ եթե այդ տվյալներում արտացոլվեր նաեւ այն իրավիճակը, որը նման է ներկա իրավիճակին։
Օրինակ, եթե վերջին 10 տարիների ընթացքում մի քանի անգամ դոլարի փոխարժեքը կտրուկ ընկներ, ԱԲ-ն ելակետային բավականաչափ քանակությամբ տվյալների դեպքում կարող էր վերլուծել, թե ինչ գործոններ են ազդել տեղի ունեցողի վրա, որքանով են այդ գործոններն արդիական այժմ եւ ինչ հավանականություն կա, որ նման բան կարող է տեղի ունենալ առաջիկայում։
Բայց եթե դոլարի փոխարժեքի հետ տեղի է ունենում մի այնպիսի բան, ինչը երբեք նախկինում չի եղել, ոչ մի ԱԲ, համենայն դեպս՝ առայժմ, չի կարող կանխատեսել։
Ոչ կատարյալ ճշգրտություն
Մասնագետի խոսքով՝ ԱԲ-ի առանձնահատկություններից մեկն այն է, որ այն, ճիշտ է, կատարելապես ճշգրիտ չէ, բայց երբեմն կարող է լուծել խնդիրներ, որոնք այլ կերպ անհնար է լուծել։
Իսկ սխալների հավանականությունը եւ այդ սխալների՝ այսպես կոչված թույլատրելիության շեմը շատ բանով կախված են այն ոլորտից, որտեղ կիրառվում է ԱԲ-ն։ Եթե, օրինակ, ալգորիթմը պետք է կանխատեսի դոլարի փոխարժեքը, 99 տոկոսանոց ճշգրտությունն արդեն հիանալի արդյունք է։ Բայց եթե ալգորիթմն օգտագործվում է քաղցկեղի հայտնաբերման համար, 99 տոկոսանոց ճշգրտությունն արդեն բավարար չէ։ Չէ՞ որ եթե ԱԲ-ն 1 տոկոսի դեպքում չախտորոշի, որ պացիենտը քաղցկեղ ունի, դա արդեն ճակատագրական հետեւանքներ կունենա բազմաթիվ մարդկանց համար։
