AI-For-Beginners/translations/ta/lessons/1-Intro

AI அறிமுகம்

டூடில் வரைபடம்: Tomomi Imura

முன்-வகுப்பு வினாடி வினா

கிரகித்தல் நுண்ணறிவு என்பது கணினிகளை மனிதர்களுக்கு இயல்பான நுண்ணறிவு செயல்பாடுகளை செய்யச் செய்யும் அறிவியல் துறையாகும்.

முதலில், கணினிகளை Charles Babbage எண் கணக்கீடுகளை ஒரு நன்கு வரையறுக்கப்பட்ட செயல்முறை - ஒரு ஆல்கொரிதம் - மூலம் செயல்படுத்த உருவாக்கினார். நவீன கணினிகள், 19ஆம் நூற்றாண்டில் முன்மாதிரியாக உருவாக்கப்பட்ட மாடல்களை விட மிகவும் மேம்பட்டவை என்றாலும், கட்டுப்படுத்தப்பட்ட கணக்கீடுகளின் அதே கருத்தை பின்பற்றுகின்றன. எனவே, ஒரு குறிப்பிட்ட இலக்கை அடைய தேவையான துல்லியமான படிநிலைகளை நாம் அறிந்திருந்தால், கணினியை ஒரு செயல்பாட்டை செய்ய நிரலிட முடியும்.

புகைப்படம்: Vickie Soshnikova

✅ ஒரு நபரின் புகைப்படத்திலிருந்து அவரது வயதை வரையறுப்பது ஒரு கணினியில் தெளிவாக நிரலிட முடியாத ஒரு பணியாகும், ஏனெனில் நாம் அதை செய்யும்போது எங்கள் மனதில் ஒரு எண்ணை உருவாக்கும் முறையை நாங்கள் அறியவில்லை.

---

சில பணிகள், இருப்பினும், எவ்வாறு தீர்க்க வேண்டும் என்பதை நாங்கள் தெளிவாக அறியவில்லை. ஒரு நபரின் புகைப்படத்திலிருந்து அவரது வயதை தீர்மானிப்பதை எடுத்துக்கொள்ளுங்கள். நாம் அதை செய்ய கற்றுக்கொள்கிறோம், ஏனெனில் பல்வேறு வயதுடைய மக்களின் பல உதாரணங்களை பார்த்துள்ளோம், ஆனால் அதை எவ்வாறு செய்வது என்பதை தெளிவாக விளக்க முடியாது, அல்லது கணினியை அதை செய்ய நிரலிட முடியாது. இது கிரகித்தல் நுண்ணறிவு (AI) ஆர்வமுள்ள பணிகளின் வகையாகும்.

✅ நீங்கள் AI மூலம் கணினிக்கு ஒப்படைக்கக்கூடிய சில பணிகளை யோசிக்கவும். நிதி, மருத்துவம் மற்றும் கலை போன்ற துறைகளைப் பரிசீலிக்கவும் - இவை இன்று AI மூலம் எப்படி பயனடைந்துள்ளன?

பலவீன AI மற்றும் வலுவான AI

பலவீன AI	வலுவான AI
பலவீன AI என்பது குறிப்பிட்ட பணிக்காக அல்லது குறுகிய பணிகளுக்காக வடிவமைக்கப்பட்ட மற்றும் பயிற்சி அளிக்கப்பட்ட AI அமைப்புகளை குறிக்கிறது.	வலுவான AI, அல்லது Artificial General Intelligence (AGI), என்பது மனித மட்ட நுண்ணறிவு மற்றும் புரிதலுடன் கூடிய AI அமைப்புகளை குறிக்கிறது.
இந்த AI அமைப்புகள் பொதுவாக நுண்ணறிவுடையவை அல்ல; அவை வரையறுக்கப்பட்ட பணியில் சிறப்பாக செயல்படுகின்றன, ஆனால் உண்மையான புரிதல் அல்லது விழிப்புணர்வு இல்லை.	இந்த AI அமைப்புகள் மனிதர்கள் செய்யக்கூடிய எந்த புத்திசாலித்தனமான பணியையும் செய்யும் திறன் கொண்டவை, பல துறைகளுக்கு ஏற்ப தழுவும் திறன் கொண்டவை மற்றும் விழிப்புணர்வு அல்லது சுய விழிப்புணர்வு கொண்டவை.
பலவீன AI உதாரணங்களில் Siri அல்லது Alexa போன்ற மெய்நிகர் உதவியாளர்கள், ஸ்ட்ரீமிங் சேவைகளால் பயன்படுத்தப்படும் பரிந்துரை ஆல்கொரிதங்கள் மற்றும் குறிப்பிட்ட வாடிக்கையாளர் சேவை பணிகளுக்காக வடிவமைக்கப்பட்ட chatbotகள் அடங்கும்.	வலுவான AIயை அடைவது AI ஆராய்ச்சியின் நீண்டகால இலக்காகும், மேலும் இது பல்வேறு பணிகள் மற்றும் சூழல்களில் காரணம் கூறும், கற்றுக்கொள்வது, புரிந்துகொள்வது மற்றும் தழுவும் திறன் கொண்ட AI அமைப்புகளை உருவாக்க வேண்டும்.
பலவீன AI மிகவும் நிபுணத்துவமானது மற்றும் அதன் குறுகிய துறையைத் தவிர மனித போன்ற அறிவாற்றல் திறன்கள் அல்லது பொதுவான பிரச்சினை தீர்க்கும் திறன்களை கொண்டிருக்காது.	வலுவான AI தற்போது ஒரு கோட்பாட்டுத் தகுதி மட்டுமே, மேலும் எந்த AI அமைப்பும் இந்த பொதுவான நுண்ணறிவு நிலையை அடையவில்லை.

மேலும் தகவலுக்கு Artificial General Intelligence (AGI) பார்க்கவும்.

நுண்ணறிவின் வரையறை மற்றும் Turing Test

நுண்ணறிவு என்ற சொல்லைச் சமாளிக்கும் போது ஒரு தெளிவான வரையறை இல்லாதது ஒரு பிரச்சினையாகும். நுண்ணறிவு மூலதன சிந்தனை அல்லது சுய விழிப்புணர்வு உடன் தொடர்புடையது என்று ஒருவர் வாதிடலாம், ஆனால் அதை சரியாக வரையறுக்க முடியாது.

புகைப்படம்: Amber Kipp மூலம் Unsplash

நுண்ணறிவு என்ற சொல்லின் अस्पष्टता பார்க்க, "ஒரு பூனை நுண்ணறிவுடையதா?" என்ற கேள்விக்கு பதிலளிக்க முயற்சிக்கவும். இந்த கேள்வி உண்மையா அல்லது இல்லை என்பதை நிரூபிக்க ஒரு பர universally accepted test இல்லை என்பதால், வெவ்வேறு மக்கள் வெவ்வேறு பதில்களை அளிக்க முயற்சிக்கின்றனர். நீங்கள் நினைத்தால் - உங்கள் பூனைக்கு IQ test நடத்த முயற்சிக்கவும்...

✅ நுண்ணறிவை நீங்கள் எப்படி வரையறுக்கிறீர்கள் என்பதை ஒரு நிமிடம் யோசிக்கவும். ஒரு உணவுக்காக ஒரு மழலை தீர்க்கும் ஒரு காக நுண்ணறிவுடையதா? ஒரு குழந்தை நுண்ணறிவுடையதா?

---

AGI பற்றி பேசும்போது, ​​நாம் உண்மையான நுண்ணறிவு அமைப்பை உருவாக்கியுள்ளதா என்பதைத் தெரிந்துகொள்ள ஒரு வழி தேவை. Alan Turing Turing Test என்ற ஒரு முறையை முன்மொழிந்தார், இது நுண்ணறிவின் வரையறையாகவும் செயல்படுகிறது. இந்த சோதனை ஒரு குறிப்பிட்ட அமைப்பை ஒரு மனிதனுடன் ஒப்பிடுகிறது, மேலும் எந்த தானியக்க ஒப்பீடும் ஒரு கணினி நிரலால் புறக்கணிக்கப்படக்கூடியதால், நாம் ஒரு மனித விசாரணையாளரைப் பயன்படுத்துகிறோம். எனவே, ஒரு மனிதன் ஒரு உண்மையான நபர் மற்றும் ஒரு கணினி அமைப்பை உரை அடிப்படையிலான உரையாடலில் வேறுபடுத்த முடியாதால் - அந்த அமைப்பு நுண்ணறிவுடையது என்று கருதப்படுகிறது.

Eugene Goostman என்ற chatbot, St.Petersburg இல் உருவாக்கப்பட்டது, 2014 இல் Turing Test ஐ கடக்க முயற்சித்தது. இது ஒரு 13 வயது உக்ரேனிய சிறுவன் என்று முன்னதாகவே அறிவித்தது, இது அறிவின் குறைபாடுகள் மற்றும் உரையில் சில முரண்பாடுகளை விளக்குகிறது. 5 நிமிட உரையாடலுக்குப் பிறகு, 30% நீதிபதிகளை மனிதன் என்று நம்ப வைத்தது. ஆனால், இது நுண்ணறிவு அமைப்பை உருவாக்கியதாக அல்லது கணினி அமைப்பு மனித விசாரணையாளரை ஏமாற்றியதாகக் குறிக்கவில்லை - மனிதர்களை ஏமாற்றவில்லை, ஆனால் bot உருவாக்குநர்கள் ஏமாற்றினர்!

✅ நீங்கள் ஒரு chatbot மூலம் மனிதனுடன் பேசுகிறீர்கள் என்று நம்பி ஏமாற்றப்பட்டதா? அது உங்களை எப்படி நம்ப வைத்தது?

AIக்கு மாறுபட்ட அணுகுமுறைகள்

ஒரு கணினி மனிதனைப் போல நடக்க வேண்டும் என்றால், நாம் எங்கள் சிந்தனை முறையை கணினிக்குள் மாதிரியாக்க வேண்டும். இதனால், ஒரு மனிதன் நுண்ணறிவுடையவனாக என்ன செய்கிறது என்பதைப் புரிந்துகொள்ள முயற்சிக்க வேண்டும்.

ஒரு இயந்திரத்தில் நுண்ணறிவை நிரலிட, எங்கள் சொந்த முடிவுகளை எடுக்கும் செயல்முறைகள் எவ்வாறு செயல்படுகின்றன என்பதைப் புரிந்துகொள்ள வேண்டும். நீங்கள் ஒரு சிறிய சுய-ஆழ்ந்த சிந்தனை செய்யும்போது, ​​சில செயல்முறைகள் துணை மனதில் நடக்கின்றன என்பதை உணருவீர்கள் – உதாரணமாக, ஒரு பூனை மற்றும் ஒரு நாயை வேறுபடுத்த முடியும் - ஆனால் சில செயல்முறைகள் காரணம் கூறுவதை உள்ளடக்கியவை.

இந்த பிரச்சினைக்கு இரண்டு சாத்தியமான அணுகுமுறைகள் உள்ளன:

மேலிருந்து கீழே அணுகுமுறை (Symbolic Reasoning)	கீழிருந்து மேலே அணுகுமுறை (Neural Networks)
மேலிருந்து கீழே அணுகுமுறை ஒரு பிரச்சினையைத் தீர்க்க ஒரு நபர் காரணம் கூறும் முறையை மாதிரியாக்குகிறது. இது ஒரு மனிதனிடமிருந்து அறிவை எடுப்பதையும், அதை கணினி வாசிக்கக்கூடிய வடிவத்தில் பிரதிநிதித்துவப்படுத்துவதையும் உள்ளடக்கியது. மேலும், கணினிக்குள் காரணம் கூறும் முறையை மாதிரியாக்க ஒரு வழியை உருவாக்க வேண்டும்.	கீழிருந்து மேலே அணுகுமுறை ஒரு மனித மூளையின் அமைப்பை மாதிரியாக்குகிறது, இது நுரையீரல் என்று அழைக்கப்படும் எளிய அலகுகளின் ஒரு பெரிய எண்ணிக்கையைக் கொண்டுள்ளது. ஒவ்வொரு நுரையீரலும் அதன் உள்ளீடுகளின் எடை செய்யப்பட்ட சராசரியாக செயல்படுகிறது, மேலும் பயிற்சி தரவுகளை வழங்குவதன் மூலம் பயனுள்ள பிரச்சினைகளைத் தீர்க்க நுரையீரல்களின் ஒரு வலையமைப்பை நாம் பயிற்சி செய்யலாம்.

மேலும் சில சாத்தியமான நுண்ணறிவு அணுகுமுறைகள் உள்ளன:

• Emergent, Synergetic அல்லது multi-agent approach என்பது ஒரு பெரிய எண்ணிக்கையிலான எளிய முகவர்களின் தொடர்பு மூலம் சிக்கலான நுண்ணறிவு நடத்தையைப் பெற முடியும் என்பதைக் குறிக்கிறது. evolutionary cybernetics படி, நுண்ணறிவு metasystem transition செயல்முறையில் எளிய, எதிர்வினை நடத்தையிலிருந்து emerge செய்ய முடியும்.

• Evolutionary approach, அல்லது genetic algorithm என்பது பரிணாமக் கோட்பாடுகளின் அடிப்படையில் ஒரு மேம்படுத்தல் செயல்முறையாகும்.

இந்த அணுகுமுறைகளை நாம் பாடநெறியின் பின்னர் பரிசீலிப்போம், ஆனால் தற்போது இரண்டு முக்கிய திசைகளில் கவனம் செலுத்துவோம்: மேலிருந்து கீழே மற்றும் கீழிருந்து மேலே.

மேலிருந்து கீழே அணுகுமுறை

மேலிருந்து கீழே அணுகுமுறையில், நாங்கள் எங்கள் காரணத்தை மாதிரியாக்க முயற்சிக்கிறோம். காரணம் கூறும்போது எங்கள் சிந்தனைகளைப் பின்தொடர முடியும் என்பதால், இந்த செயல்முறையை முறையாகக் குறிக்க முயற்சிக்கலாம் மற்றும் அதை கணினிக்குள் நிரலிடலாம். இது symbolic reasoning என்று அழைக்கப்படுகிறது.

மக்கள் தங்கள் முடிவெடுக்கும் செயல்முறைகளை வழிநடத்த சில விதிகளை தங்கள் மனதில் வைத்திருக்கிறார்கள். உதாரணமாக, ஒரு மருத்துவர் ஒரு நோயாளியை நோயறிதல் செய்யும்போது, ​​ஒரு நபருக்கு காய்ச்சல் இருக்கிறது என்பதை உணரலாம், எனவே உடலுக்குள் சில அழற்சி இருக்கலாம். ஒரு குறிப்பிட்ட பிரச்சினைக்கு ஒரு விதிகளின் பெரிய தொகுப்பை பயன்படுத்துவதன் மூலம், ஒரு மருத்துவர் இறுதி நோயறிதலை உருவாக்க முடியும்.

இந்த அணுகுமுறை அறிவு பிரதிநிதித்துவம் மற்றும் காரணம் கூறுதல் மீது மிகவும் சார்ந்துள்ளது. ஒரு மனித நிபுணரிடமிருந்து அறிவை எடுப்பது மிகவும் கடினமான பகுதியாக இருக்கலாம், ஏனெனில் ஒரு மருத்துவர் பல சந்தர்ப்பங்களில் அவர் ஒரு குறிப்பிட்ட நோயறிதலை உருவாக்குவதற்கான காரணத்தைத் துல்லியமாக அறியமாட்டார். சில நேரங்களில் தீர்வு அவரது மனதில் வெளிப்படையான சிந்தனை இல்லாமல் தோன்றுகிறது. ஒரு நபரின் புகைப்படத்திலிருந்து வயதைத் தீர்மானிப்பது போன்ற சில பணிகள், அறிவை இயக்குவதற்கு முற்றிலும் குறைக்க முடியாது.

கீழிருந்து மேலே அணுகுமுறை

மாற்றாக, நாங்கள் எங்கள் மூளையின் எளிய கூறுகளை மாதிரியாக்க முயற்சிக்கலாம் – ஒரு நுரையீரல். நாம் கணினிக்குள் artificial neural network ஒன்றை உருவாக்கலாம், பின்னர் அதற்கு உதாரணங்களை வழங்குவதன் மூலம் பிரச்சினைகளைத் தீர்க்க கற்றுக்கொள்வதற்கு முயற்சிக்கலாம். இந்த செயல்முறை ஒரு புதிதாக பிறந்த குழந்தை தனது சுற்றுப்புறத்தைப் பற்றி அவதானிப்புகளைச் செய்து கற்றுக்கொள்வது போன்றது.

✅ குழந்தைகள் எப்படி கற்றுக்கொள்கிறார்கள் என்பதைப் பற்றி சிறிய ஆராய்ச்சி செய்யுங்கள். ஒரு குழந்தையின் மூளையின் அடிப்படை கூறுகள் என்ன?

ML பற்றி என்ன?
சில தரவின் அடிப்படையில் ஒரு பிரச்சினையைத் தீர்க்க கணினி கற்றுக்கொள்வதற்கான Artificial Intelligence இன் பகுதி Machine Learning என்று அழைக்கப்படுகிறது. இந்த பாடநெறியில் பாரம்பரிய Machine Learning ஐ நாம் பரிசீலிக்க மாட்டோம் - தனி Machine Learning for Beginners பாடநெறியை உங்களுக்கு பரிந்துரைக்கிறோம்.

AI வரலாற்றின் சுருக்கம்

Artificial Intelligence என்பது இருபதாம் நூற்றாண்டின் நடுப்பகுதியில் ஒரு துறையாக தொடங்கப்பட்டது. ஆரம்பத்தில், symbolic reasoning ஒரு முக்கியமான அணுகுமுறையாக இருந்தது, மேலும் இது சில முக்கிய வெற்றிகளை ஏற்படுத்தியது, உதாரணமாக, குறிப்பிட்ட பிரச்சினை துறைகளில் நிபுணராக செயல்படக்கூடிய நிபுணர் அமைப்புகள். இருப்பினும், இந்த அணுகுமுறை நன்கு அளவிட முடியாது என்பது விரைவில் தெளிவாகியது. ஒரு நிபுணரிடமிருந்து அறிவை எடுப்பது, அதை கணினியில் பிரதிநிதித்துவப்படுத்துவது மற்றும் அந்த அறிவுத்தொகுப்பை துல்லியமாக வைத்திருப்பது மிகவும் சிக்கலான பணியாகவும், பல சந்தர்ப்பங்களில் நடைமுறைசார் அல்லாததாகவும் மாறியது. இது 1970களில் AI Winter என அழைக்கப்படும் நிலைக்கு வழிவகுத்தது.

படம்: Dmitry Soshnikov

காலம் கடந்தபோது, ​​கணினி வளங்கள் மலிவாக மாறின, மேலும் அதிக தரவுகள் கிடைக்கத் தொடங்கின, எனவே நுரையீரல் வலையமைப்பு அணுகுமுறைகள் மனிதர்களுடன் பல துறைகளில் போட்டியிட சிறந்த செயல்திறனை வெளிப்படுத்தத் தொடங்கின, உதாரணமாக கணினி பார்வை அல்லது பேச்சு புரிதல். கடந்த தசாப்தத்தில், Artificial Intelligence என்ற சொல் பெரும்பாலும் Neural Networks ஐ குறிக்க ஒரு இணைச்சொல்லாக பயன்படுத்தப்பட்டது, ஏனெனில் நாம் கேட்கும் AI வெற்றிகள் பெரும்பாலும் அவற்றின் அடிப்படையில் உள்ளன.

சதுரங்க விளையாட்டு கணினி நிரல்களை உருவாக்குவதில் அணுகுமுறைகள் எவ்வாறு மாறின என்பதை நாம் கவனிக்கலாம்:

• ஆரம்ப சதுரங்க நிரல்கள் தேடல் அடிப்படையில் இருந்தன – ஒரு நிரல் ஒரு குறிப்பிட்ட எண்ணிக்கையிலான அடுத்த நகர்வுகளுக்கு எதிராளியின் சாத்தியமான நகர்வுகளை மதிப்பீடு செய்ய முயற்சித்தது, மேலும் சில நகர்வுகளில் அடையக்கூடிய சிறந்த நிலை அடிப்படையில் ஒரு சிறந்த நகர்வைத் தேர்ந்தெடுத்தது. இது alpha-beta pruning தேடல் ஆல்கொரிதத்தை உருவாக்க வழிவகுத்தது.
• தேடல் உத்திகள் விளையாட்டின் முடிவில் நன்றாக செயல்படுகின்றன, அங்கு தேடல் இடம் சில சாத்தியமான நகர்வுகளால் மட்டுப்படுத்தப்பட்டுள்ளது. இருப்பினும், விளையாட்டின் தொடக்கத்தில், தேடல் இடம் மிகப்பெரியது, மேலும் மனித வீரர்களின் உள்ளமைந்த போட்டிகளிலிருந்து கற்றுக்கொள்வதன் மூலம் ஆல்கொரிதத்தை மேம்படுத்தலாம். பின்னர் case-based reasoning என அழைக்கப்படும் பரிசோதனைகள் பயன்படுத்தப்பட்டன, அங்கு நிரல் விளையாட்டின் தற்போதைய நிலைக்கு மிகவும் ஒத்த வழக்குகளை அறிவுத்தொகுப்பில் தேடுகிறது.
• மனித வீரர்களை வெல்லும் நவீன நிரல்கள் நுரையீரல் வலையமைப்புகள் மற்றும் reinforcement learning அடிப்படையில் உள்ளன, அங்கு நிரல்கள் தங்களது தவறுகளிலிருந்து கற்றுக்கொள்வதன் மூலம் தங்களுக்குள் நீண்ட நேரம் விளையாடுவதன் மூலம் விளையாட கற்றுக்கொள்கின்றன – மனிதர்கள் சதுரங்கம் விளையாட கற்றுக்கொள்ளும் முறையைப் போலவே. இருப்பினும், ஒரு கணினி நிரல் குறைந்த நேரத்தில் பல விளையாட்டுகளை விளையாட முடியும், எனவே வேகமாக கற்றுக்கொள்ள முடியும்.

✅ AI மூலம் விளையாடப்பட்ட பிற விளையாட்டுகள் பற்றிய சிறிய ஆராய்ச்சி

படம்: Dmitry Soshnikov, புகைப்படம் Marina Abrosimova, Unsplash

சமீபத்திய AI ஆராய்ச்சி

நரம்பு வலையமைப்புகள் (Neural Networks) தொடர்பான ஆராய்ச்சியில் சமீபத்திய பெரிய வளர்ச்சி 2010 ஆம் ஆண்டில் தொடங்கியது, அப்போது பெரிய அளவிலான பொது தரவுத்தொகுப்புகள் கிடைக்கத் தொடங்கின. சுமார் 14 மில்லியன் குறிப்பு செய்யப்பட்ட படங்களை கொண்ட ImageNet என்ற பெரிய தொகுப்பு ImageNet Large Scale Visual Recognition Challenge என்ற போட்டியை உருவாக்கியது.

படம்: Dmitry Soshnikov

2012 ஆம் ஆண்டில், Convolutional Neural Networks முதன்முதலாக பட வகைப்படுத்தலில் பயன்படுத்தப்பட்டன, இது வகைப்படுத்தல் பிழைகளில் குறிப்பிடத்தக்க குறைப்பை ஏற்படுத்தியது (கிட்டத்தட்ட 30% இருந்து 16.4% வரை). 2015 ஆம் ஆண்டில், Microsoft Research-இன் ResNet கட்டமைப்பு மனித மட்டத்திற்கான துல்லியத்தன்மையை அடைந்தது.

அதன் பிறகு, நரம்பு வலையமைப்புகள் பல பணிகளில் மிகவும் வெற்றிகரமான செயல்பாட்டை வெளிப்படுத்தின:

---

ஆண்டு	மனித சமநிலை அடைந்தது
2015	பட வகைப்படுத்தல்
2016	உரையாடல் பேச்சு அங்கீகாரம்
2018	தானியக்க மெஷின் மொழிபெயர்ப்பு (சீன மொழி-ஆங்கிலம்)
2020	பட விளக்கம்

கடந்த சில ஆண்டுகளில், BERT மற்றும் GPT-3 போன்ற பெரிய மொழி மாதிரிகளுடன் மிகப்பெரிய வெற்றிகளை நாம் கண்டோம். இது பெரும்பாலும் பொதுவான உரை தரவுகள் அதிக அளவில் கிடைப்பதால் ஏற்பட்டது, இது மாதிரிகளை உரைகளின் அமைப்பு மற்றும் அர்த்தத்தைப் புரிந்துகொள்ள பயிற்சி செய்ய உதவுகிறது, பொதுவான உரை தொகுப்புகளில் முன்பயிற்சி செய்து, பின்னர் அந்த மாதிரிகளை குறிப்பிட்ட பணிகளுக்கு சிறப்பாக மாற்றுகிறது. இயற்கை மொழி செயலாக்கம் பற்றி இந்த பாடத்தில் பின்னர் மேலும் கற்போம்.

🚀 சவால்

இணையத்தில் ஒரு சுற்றுப்பயணம் செய்து, உங்கள் கருத்தில் AI எங்கு மிகவும் பயனுள்ளதாக பயன்படுத்தப்படுகிறது என்பதை கண்டறியுங்கள். அது ஒரு வரைபட பயன்பாட்டில் இருக்கிறதா, அல்லது உரை-உரையாடல் சேவையில் இருக்கிறதா அல்லது ஒரு வீடியோ கேமில் இருக்கிறதா? அந்த அமைப்பு எப்படி உருவாக்கப்பட்டது என்பதை ஆராயுங்கள்.

பாடத்திற்குப் பிறகு வினாடி வினா

மதிப்பீடு & சுயபயிற்சி

AI மற்றும் ML வரலாற்றை இந்த பாடத்தை படித்து மதிப்பீடு செய்யுங்கள். அந்த பாடத்தின் மேல் உள்ள ஸ்கெட்ச்நோட் அல்லது இந்த பாடத்தில் இருந்து ஒரு கூறை எடுத்து, அதன் வளர்ச்சியைத் தகவமைப்பதற்கான கலாச்சார சூழலை ஆழமாக ஆராயுங்கள்.

பணி: கேம் ஜாம்

---

அறிவிப்பு:
இந்த ஆவணம் Co-op Translator என்ற AI மொழிபெயர்ப்பு சேவையை பயன்படுத்தி மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சிக்கிறோம், ஆனால் தானியங்கி மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறுகள் இருக்கக்கூடும் என்பதை தயவுசெய்து கவனத்தில் கொள்ளவும். அதன் சொந்த மொழியில் உள்ள மூல ஆவணம் அதிகாரப்பூர்வ ஆதாரமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்முறை மனித மொழிபெயர்ப்பு பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பைப் பயன்படுத்துவதால் ஏற்படும் எந்த தவறான புரிதல்களுக்கும் அல்லது தவறான விளக்கங்களுக்கும் நாங்கள் பொறுப்பல்ல.