ଆର୍ଟିଫିସିଆଲ ଇଣ୍ଟେଲିଜେନ୍ସ
ଆର୍ଟିଫିସିଆଲ ଇଣ୍ଟେଲିଜେନ୍ସ (କୃତ୍ରିମ ବୁଦ୍ଧିମତା) ବା ସଂକ୍ଷେପରେ କହିଲେ ଏ.ଆଇ. ହେଉଛି ମନୁଷ୍ୟକୃତ ଯନ୍ତ୍ରାଂଶ ଯେପରିକି ରୋବଟ, କମ୍ପ୍ୟୁଟର ଇତ୍ୟାଦିମାନଙ୍କ ମଧ୍ୟରେ ଥିବା ବୁଦ୍ଧିମତ୍ତାକୁ ବୁଝାଏ । ବିଭିନ୍ନ ପ୍ରୋଗ୍ରାମ, ଆଲୋଗୋରିଦମ ଓ ଶିକ୍ଷାଦ୍ୱାରା କୂତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା ସୃଷ୍ଟି କରାଯାଇଥାଏ। ଯେକୌଣସି ଯନ୍ତ୍ର ଯାହା ତାର ଆଖପାଖର ପରିବେଶକୁ ବୁଝିପାରି ନିଜର କ୍ରିୟାଦ୍ୱାରା ଲକ୍ଷ୍ୟସ୍ଥଳୀରେ ପହଞ୍ଚିବାର ସମ୍ଭାବନାକୁ ଯଦି ବଢ଼ାଇପାରେ ତାହାକୁ କୃତ୍ରିମ ବୁଦ୍ଧିମତା କୁହାଯାଏ । ଅନ୍ୟଏକ ଅର୍ଥରେ, ଏହା ଏକ ଯନ୍ତ୍ର ଯାହା ମନୁଷ୍ୟର ମସ୍ତିଷ୍କ ଭଳି ଚିନ୍ତା କରି ନୂଆ ଜିନିଷ ଶିଖେ ଏବଂ ସମସ୍ୟାର ସମାଧାନ କରିପାରେ।
ଯେହେତୁ ମେସିନ୍ ଗୁଡ଼ିକ କ୍ରମଶଃ ସକ୍ଷମ ହେବାରେ ଲାଗିଛି, "ବୁଦ୍ଧିମତା" ଆବଶ୍ୟକ କରୁଥିବା କାର୍ଯ୍ୟଗୁଡିକ ପ୍ରାୟତଃ ଏଆଇର ସଂଜ୍ଞାରୁ ହଟାଇ ଦିଆଗଲାଣି, ଯାହାକୁ ଏଆଇ ପ୍ରଭାବ (AI effect) କୁହାଯାଏ ।[୨] ଉଦାହରଣ ସ୍ୱରୂପ, ଅପ୍ଟିକାଲ କ୍ୟାରେକ୍ଟର ରେକଗନୀସନ (OCR) ଏକ ନିୟମିତ ଜ୍ଞାନକୌଶଳରେ ପରିଣତ ହେବା ପରେ, ପ୍ରାୟତଃ ଏଆଇ ବୋଲି ବିବେଚନା କରାଯାଉଥିବା ଜିନିଷରୁ ବାଦ୍ ଦିଆଯାଏ ।
ଏଆଇ ଗବେଷଣାର ବିଭିନ୍ନ ଉପ-କ୍ଷେତ୍ର ନିର୍ଦ୍ଦିଷ୍ଟ ଲକ୍ଷ୍ୟ ଏବଂ ନିର୍ଦ୍ଦିଷ୍ଟ ଉପକରଣର ବ୍ୟବହାର ଉପରେ କେନ୍ଦ୍ରୀଭୂତ । ଏଆଇ ଗବେଷଣାର ପାରମ୍ପରିକ ଲକ୍ଷ୍ୟ ଗୁଡ଼ିକ ମଧ୍ୟରେ ଯୁକ୍ତି, ଜ୍ଞାନ ପ୍ରତିନିଧିତ୍ୱ, ଯୋଜନା, ଶିକ୍ଷଣ, ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣ, ଧାରଣା ଏବଂ ବସ୍ତୁଗୁଡ଼ିକର ଗତି ଏବଂ ପରିଚାଳନା କରିବାର କ୍ଷମତା ଅନ୍ତର୍ଭୁକ୍ତ । ସାଧାରଣ ବୁଦ୍ଧି (ଏକ ମନମୁଖୀ ସମସ୍ୟାର ସମାଧାନ କରିବାର କ୍ଷମତା) ଏହି କ୍ଷେତ୍ରର ଦୀର୍ଘମିଆଦୀ ଲକ୍ଷ୍ୟ ମଧ୍ୟରୁ ଅନ୍ୟତମ ।[୩] ଏହି ସମସ୍ୟାଗୁଡ଼ିକର ସମାଧାନ ପାଇଁ, ଏଆଇ ଗବେଷକମାନେ ଅନୁସନ୍ଧାନ ଏବଂ ଗାଣିତିକ ଅପ୍ଟିମାଇଜେସନ୍, ଆନୁଷ୍ଠାନିକ ଯୁକ୍ତି, କୃତ୍ରିମ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ଏବଂ ପରିସଂଖ୍ୟାନ, ସମ୍ଭାବ୍ୟତା ଏବଂ ଅର୍ଥନୀତି ଉପରେ ଆଧାରିତ ପଦ୍ଧତି ସମେତ ଅନେକ ସମସ୍ୟା ସମାଧାନ କୌଶଳକୁ ଅନୁକୂଳ ଏବଂ ସମନ୍ୱିତ କରିଛନ୍ତି । ଏଆଇ କମ୍ପ୍ୟୁଟର ବିଜ୍ଞାନ, ମନୋବିଜ୍ଞାନ, ଭାଷାବିଜ୍ଞାନ, ଦର୍ଶନ ଏବଂ ଅନ୍ୟାନ୍ୟ ଅନେକ କ୍ଷେତ୍ରକୁ ମଧ୍ୟ ଆକର୍ଷିତ କରେ ।
"ମାନବ ବୁଦ୍ଧିକୁ ଏତେ ସଠିକ ଭାବରେ ବର୍ଣ୍ଣନା କରାଯାଇପାରିବ ଯେ ଏହାକୁ ଅନୁକରଣ କରିବା ପାଇଁ ଏକ ମେସିନ୍ ତିଆରି କରାଯାଇପାରିବ" ବୋଲି ଧାରଣା ଉପରେ ଏହି କ୍ଷେତ୍ର ସ୍ଥାପିତ ହୋଇଥିଲା । ଏହା ମନ ଏବଂ ମନୁଷ୍ୟ ପରି ବୁଦ୍ଧିସମ୍ପନ୍ନ କୃତ୍ରିମ ଜୀବ ସୃଷ୍ଟି କରିବାର ନୈତିକ ପରିଣାମ ବିଷୟରେ ଦାର୍ଶନିକ ଯୁକ୍ତି ଉପସ୍ଥାପନ କରିଥିଲା; ପ୍ରାଚୀନକାଳରୁ ପୁରାଣ, କଳ୍ପନା ଏବଂ ଦର୍ଶନଦ୍ୱାରା ଏହି ପ୍ରସଙ୍ଗଗୁଡ଼ିକର ଅନୁସନ୍ଧାନ କରାଯାଇଛି । କମ୍ପ୍ୟୁଟର ବୈଜ୍ଞାନିକ ଏବଂ ଦାର୍ଶନିକମାନେ ପରାମର୍ଶ ଦେଇଛନ୍ତି ଯେ ଯଦି ଏଆଇର ଯୁକ୍ତିଯୁକ୍ତ ସାମର୍ଥ୍ୟ ମାନବଜାତି ପାଇଁ ଲାଭଦାୟକ ଲକ୍ଷ୍ୟ ଆଡକୁ ଅଗ୍ରସର ନ ହୁଏ ତେବେ ଏଆଇ ମାନବ ଜାତି ପାଇଁ ଏକ ଅସ୍ତିତ୍ୱ ବିପଦରେ ପରିଣତ ହୋଇପାରେ । ଅର୍ଥନୀତିଜ୍ଞମାନେ ବାରମ୍ବାର ଏଆଇରୁ ମୂଲ୍ୟହୀନ ହେବାର ବିପଦ ଉପରେ ଆଲୋକପାତ କରିଛନ୍ତି ଏବଂ ସମ୍ପୂର୍ଣ୍ଣ ନିଯୁକ୍ତି ପାଇଁ ପର୍ଯ୍ୟାପ୍ତ ସାମାଜିକ ନୀତି ନଥିଲେ ବେରୋଜଗାରୀ ବିଷୟରେ ଅନୁମାନ କରିଛନ୍ତି ।[୪] ଆର୍ଟିଫିସିଆଲ ଇଣ୍ଟେଲିଜେନ୍ସ ଶବ୍ଦଟି ମଧ୍ୟ ଏଆଇର ପ୍ରକୃତ ବୈଷୟିକ ସାମର୍ଥ୍ୟକୁ ଅତ୍ୟଧିକ ପ୍ରୋତ୍ସାହନ ଦେବା ପାଇଁ ସମାଲୋଚନା କରାଯାଇଛି ।[୫][୬]
ଆର୍ଟିଫିସିଆଲ ଇଣ୍ଟେଲିଜେନ୍ସକୁ ଆମେ ତିନି ସ୍ତରରେ ବିଭକ୍ତ କରିପାରିବା:[୭]
- ଆର୍ଟିଫିସିଆଲ ନ୍ୟାରା ଇଣ୍ଟେଲିଜେନ୍ସ (Artificial Narrow Intelligence) : ଏକ ନିର୍ଦ୍ଧିଷ୍ଟ ବିଭାଗରେ ଏଆଇର ପ୍ରୟୋଗ
- ଆର୍ଟିଫିସିଆଲ ଜେନେରାଲ ଇଣ୍ଟେଲିଜେନ୍ସ (Artificial General Intelligence) : ମଣିଷର ବିଚାରଶକ୍ତି ସହିତ ସମାନ ଏଆଇର ବେଶିଷ୍ଟ୍ୟ ଲାଭ
- ଆର୍ଟିଫିସିଆଲ ସୁପର ଇଣ୍ଟେଲିଜେନ୍ସ (Artificial Super Intelligence) : ମଣିଷର ବିଚାରଶକ୍ତିରୁ ଉର୍ଦ୍ଧ୍ବ ଏଆଇର ବେଶିଷ୍ଟ୍ୟ ଲାଭ
ସମସ୍ୟା ସମ୍ପାଦନା
କୃତ୍ରିମ ବୁଦ୍ଧିମତାର ମୁଖ୍ୟତଃ ଲକ୍ଷ ହେଲା ଏଭଳି ଏକ ପ୍ରଦ୍ୟୋଗିକ କୌଶଳ, ଯାହାଦ୍ୱାରା କମ୍ପ୍ୟୁଟର ଓ ଯନ୍ତ୍ରଗୁଡ଼ିକ ବୁଦ୍ଧିମତାର ସହ କାମ କରିବେ । ସାଧାରଣ ସମସ୍ୟାଗୁଡ଼ିକ ଛୋଟ ଛୋଟ ସମସ୍ୟାରେ ବଣ୍ଟାଯାଇ ଏଠାରେ ଦେଖାଯାଇଛି । ନିମ୍ନ ଲିଖିତ ସମସ୍ୟା ଗୁଡ଼ିକ ସବୁଠାରୁ ଅଧିକ ଆକର୍ଷଣର କେନ୍ଦ୍ରବିନ୍ଦୁ ପାଲଟିଥାଏ ।
ରିଜନିଂ ସମ୍ପାଦନା
ପ୍ରାରମ୍ଭରେ ଗବେଷଣକାରୀମାନେ ଏକ କଳନା ଶୈଳୀ ବାହାର କରିଥିଲେ ଯାହାଦ୍ୱାରା ମନୁଷ୍ୟର ମନର ପ୍ରତ୍ୟେକ ବିଚାରକୁ ନକଲ କରି ସମସ୍ୟାର ସମାଧାନ ହୋଇପାରୁଥିଲା । ୮୦ ଏବଂ ୯୦ ଦଶକ ବେଳକୁ ଏଆଇ ଗବେଷଣାକରି ଏଭଳି ପ୍ରକ୍ରିୟା ବାହାର ହେଲା ଯାହାଦ୍ୱାରା ଯନ୍ତ୍ର ଆଗରୁ ଦେଖିନଥିବା ବା ଜାଣିନଥିବା ଅନିର୍ଦ୍ଧିଷ୍ଟ ପରିସ୍ଥିତିରେ ପଡି ମଧ୍ୟ ଲକ୍ଷ ହାସଲ କରିପାରିଲା। ଅର୍ଥଶାସ୍ତ୍ର ଏବଂ ସମ୍ଭାବନା ସହାୟତାରେ ଏହା ସମ୍ଭବ ହୋଇପାରିଥିଲା।
ଏ ସବୁ ସତ୍ତ୍ୱେ ଏହି ପ୍ରଣାଳୀଟି ବଡ଼ ବଡ଼ ବିଚାରାତ୍ମକ ସମସ୍ୟା ସମାଧାନ କରିବାରେ ଅକ୍ଷମ ଅଟେ । ସମସ୍ୟାଟି ଯେତେ ଯେତେ ବଡ଼ ହୋଇ ହୋଇ ଯାଇଥାଏ ସେହିଅନୁସାରେ ଲକ୍ଷ୍ୟସ୍ଥଳରେ ପହଁଚିବା ନିମିତ୍ତ ଦରକାର ହେଉଥିବା ବିଭିନ୍ନପ୍ରକାରର ମେଳର ସଂଖ୍ୟା ମଧ୍ୟ ବଢ଼ି ବଢ଼ି ଚାଲେ। ମୁଳତଃ ମନୁଷ୍ୟମାନେ ଗୋଟିଏ ପରେ ଗୋଟିଏ ପଦ ନନେଇ ନିଜର ପ୍ରତିବିଜ୍ଞାନ ବୋଧକ ବିଚାର କରି ବଡ଼ ସମସ୍ୟା ସମାଧାନ କରିଥାନ୍ତି।
ନଲେଜ ରିପ୍ରେଜେଣ୍ଟେସନ ସମ୍ପାଦନା
ନଲେଜ ରିପ୍ରେଜେଣ୍ଟେସନ ଏବଂ ନଲେଜ ଇଞ୍ଜିନିଅରିଂ ଉତ୍କୃଷ୍ଟ ଏଆଇର ପ୍ରମୁଖ ସ୍ତମ୍ଭ ଅଟନ୍ତି ।
ନ୍ୟାଚୁରାଲ ଲାଙ୍ଗୁଏଜ ପ୍ରୋସେସିଂ ସମ୍ପାଦନା
ନ୍ୟାଚୁରାଲ ଲାଙ୍ଗୁଏଜ ପ୍ରୋସେସିଂ ବା ଆକ୍ଷେରିକ ଅର୍ଥରେ କହିଲେ ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣ ଏକ ଯନ୍ତ୍ରକୁ, ମନୁଷ୍ୟର ଭାଷା ପଢ଼ିବା ଏବଂ ବୁଝିବାର ଶକ୍ତି ପ୍ରଦାନ କରେ।
ଏହାର କେତେକ ପ୍ରୟୋଗ ଆମେ ନିମ୍ନଲିଖିତ ବର୍ଗରେ ଦେଖିବାକୁ ପାଇବା ଯେପରି
- ଇନଫରମେସନ ରିଟ୍ରିଭାଲ
- ଟେକ୍ସଟ ମାଇନିଂ
- ପ୍ରଶ୍ନ ଉତ୍ତର ଏବଂ
- ମେସିନ ଟ୍ରାନ୍ସଲେସନ
ଯୋଜନା ସମ୍ପାଦନା
ବୁଦ୍ଧିମାନ ପ୍ରତିନିଧୀ ନିଜେ ନିଜର ଲକ୍ଷ୍ୟ ସ୍ଥିର କରନ୍ତି ଏବଂ ତାହାକୁ ପାଇବାର ସମସ୍ତ କାର୍ଯ୍ୟ ସମ୍ପାଦନ କରିଥାନ୍ତି । ସେମାନଙ୍କୁ ଭବିଷ୍ୟତ ଦେଖିବାର ଗୋଟିଏ ମାଧ୍ୟମ ଆବଶ୍ୟକ, ଯାହାଦ୍ୱାରା ସେମାନେ ଭବିଷ୍ୟତର ଗୋଟିଏ ଅବସ୍ଥା ଦେଖି ତାଙ୍କର ଗତିବିଧି କିଭଳି ଭାବେ ଏହାକୁ ପ୍ରଭାବିତ କରିବ ଏବଂ କଣ ସବୁ ନିର୍ଣ୍ଣୟ ନିଆଗଲେ ଅଧିକ ଲାଭ ମିଳିପାରିବ ସେ ସବୁ ସ୍ଥିର କରିପାରିବେ ।
ଯଦି ଆମେ ଗୋଟିଏ ପ୍ରକାରର ଘଟଣାକୁ ବିଚାରକୁ ନେବା ଯେପରି ଜଣେ ପ୍ରତିନିଧି ଯେତେବେଳେ ନିଜର କାମ ଆରମ୍ଭ କରେ, ଏହା ଭାବେ କି ଦୁନିଆରେ କେବଳ ତାହାର କ୍ରିୟାହିଁ ପାର୍ଶ୍ୱ ପରିସ୍ଥିତିକୁ ପ୍ରଭାବିତ କରିବ। ମାତ୍ର ଯଦି ଏଭଳି ନହୁଏ (ଯାହାକି ପ୍ରାୟ ଅଧିକାଂଶ କ୍ଷେତ୍ରରେ ହୋଇଥାଏ ) ତେବେ ଅନିଶ୍ଚିତତାକୁ ଦୃଷ୍ଟିରେ ରଖି ପ୍ରତିନିଧିଟିକୁ କାମ କରିବାକୁ ପଡ଼ିଥାଏ । ବହୁଗୁଡ଼ିଏ ପ୍ରତିନିଧି ମିଶି ମଧ୍ୟ ଗୋଟିଏ ଲକ୍ଷରେ ପହଂଚିବା ନିମିତ୍ତ କାମ କରିପାରନ୍ତି।
ଶିକ୍ଷା ସମ୍ପାଦନା
ମେସିନ ଲର୍ଣିଂ ବା ଯନ୍ତ୍ର ଶିକ୍ଷା ହେଉଛି କୁତ୍ରିମ ବୁଦ୍ଧିମତ୍ତାର ଏକ ମୁଖ୍ୟ ସ୍ତମ୍ଭ। କମ୍ପ୍ୟୁଟରର ଆଲଗୋରିଦମ କିମ୍ବା ପ୍ରଣାଳୀଦ୍ୱାରା ଅଭିଜ୍ଞତାରୁ ଆପେ ଆପେ ଶିଖିବା ହେଉଛି ଏହାର ମୁଖ୍ୟ କାମ। ଯନ୍ତ୍ର ଶିକ୍ଷାକୁ ମୁଖ୍ୟତଃ ତିନି ଭାଗରେ ବିଭକ୍ତ କରାଯାଇଛି।
- ସୁପରଭାଇଜ଼ଡ଼ ଲର୍ଣିଂ ବା ପର୍ଯ୍ୟାବେକ୍ଷିତ ଶିକ୍ଷା
- ଅନସୁପରଭାଇଜ଼ଡ଼ ଲର୍ଣିଂ ବା ଅପର୍ଯ୍ୟାବେକ୍ଷିତ ଶିକ୍ଷା ଏବଂ
- ରିଏନ୍ଫୋର୍ସମେଣ୍ଟ ଲର୍ଣିଂ ବା ସୁଦୃଢ଼ୀକରଣ ଶିକ୍ଷା
ଲକ୍ଷ୍ୟ ସମ୍ପାଦନା
ଏଆଇର ସେଭଳି କିଛି ନିର୍ଦ୍ଧିଷ୍ଟ ଲକ୍ଷ୍ୟ ନିର୍ଦ୍ଧାରଣ କରାଯାଇନାହିଁ । ମାତ୍ର ଆମେ ମୂଳ ଭାବେ ଏହାକୁ ନିମ୍ନଲିଖିତ ବିଷୟରେ ବିଭାଜିତ କରିପାରିବା ।
ମାନବର ମସ୍ତିଷ୍କ ଅନୁକରଣ କରିବା ସମ୍ପାଦନା
ଆମ ଜ୍ଞାତରେ ଯେତେବି ପ୍ରାଣୀ ଅଛନ୍ତି, ମନୁଷ୍ୟର ଚିନ୍ତନ ଶକ୍ତି ସବୁଠାରୁ ବିକଶିତ ଅଟେ । କୁତ୍ରିମ ବୁଦ୍ଧିମତ୍ତାଦ୍ୱାରା ଯନ୍ତ୍ରଗୁଡ଼ିକ କିପରି ମନୁଷ୍ୟ ଭଳି କିମ୍ବା ମନୁଷ୍ୟଠୁ ମଧ୍ୟ ଭଲ ଭାବରେ ଚିନ୍ତା କରି ନିର୍ଣ୍ଣୟ ନେଇପାରିବେ ଏହା ହେଉଛି ଏକ ଲକ୍ଷ୍ୟ ।
ଏହି କ୍ଷେତ୍ରରେ ବର୍ତ୍ତମାନ ସବୁଠାରୁ ଉପରେ ଗୁଗଲର ଡିପ୍ ମାଇଣ୍ଡ ଅଛି। ସେମାନେ ଗୁଗଲ ଡ୍ୟୁପ୍ଲେକ୍ସ[୮] ନାମକ ଏକ ଯୋଜନାଦ୍ୱାରା କୁତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା ଉପଯୋଗ କରି, ଯନ୍ତ୍ରଦ୍ୱାରା ଭୋଜନାଳୟର ଜାଗା ସଂରକ୍ଷଣ କରିବାଠୁ ଆରମ୍ଭ କରି ବାଳ କାଟିବା ସମୟ ମଧ୍ୟ ଆଗୁଆ ସଂରକ୍ଷଣ କରାଯାଇପାରିହେଲାଣି।
ଉପକରଣ ସମ୍ପାଦନା
ଖୋଜିବା ଏବଂ ଅପଟିମାଇଜ କରିବା ସମ୍ପାଦନା
ଏଆଇର ଅନେକ ସମସ୍ୟାଗୁଡ଼ିକୁ କେବଳ ସଠିକ ଭାବରେ ସମାଧାନ ଖୋଜିବାଦ୍ୱାରା ସମାଧାନ କରିହେବ । ରିଜନିଂକୁ ଆମେ ଗୋଟିଏ ଖୋଜିବା ସମସ୍ୟାଭାବେ ନେଇ ସମାଧାନ କରିପାରିବା । ଭଲ ଭାବରେ ବୁଝିବା ନିମିତ୍ତ, ଉଦାହରଣ ସ୍ୱରୂପ ଧରନ୍ତୁ ଆପଣଙ୍କୁ ଏକ ପାହାଡ଼ର ଶିଖରରେ ପହଂଚିବାର ଅଛି, ଶିଖରରେ ପହଞ୍ଚିନା ନିମିତ୍ତ ଆପଣଙ୍କୁ ବହୁତ ବାଟ ମିଳିବ, ଅତି କମରେ ଚାରି ଦିଗରୁ ଚାରିଟି ବାଟରୁ କେଉଁ ଏକ ବାଟରେ ଆପଣ ପାହାଡ଼ର ଚୁଡାରେ ପହଂଚି ପାରିବେ । କିନ୍ତୁ ପ୍ରଶ୍ନ ଉଠେ କେଉଁ ରାସ୍ତାରେ ଗଲେ ଆପଣ କମ ସମୟରେ ଏବଂ କମ ପରିଶ୍ରମରେ ଆପଣଙ୍କର ଲକ୍ଷ୍ୟସ୍ଥଳୀରେ ପହଁଚିପାରିବେ ସେ ତଥ୍ୟ ପାଇଁ ଆପଣଙ୍କୁ ନିଜେ ଚଢ଼ିବା ଆଗରୁ ଅନ୍ୟମାନଙ୍କୁ ପଚାରି କିମ୍ବା ମାନଚିତ୍ର ଦେଖି କିମ୍ବା ଦୂରରୁ ନିଜେ ଆକଳନ କରି ଆପଣ ଆପଣଙ୍କର ଚଲାପଥ ଠିକ କରିପାରିବେ । ଏଆଇ ଆପଣଙ୍କର ସହାୟତା ନିମିତ୍ତ ରାସ୍ତା ଖୋଜିପାରେ ଏବଂ କିଛି ତ୍ରୁଟି ହେଲେ ନିଜକୁ ସୁଧାରେ ଯାହାକୁ ଅପଟିମାଇଜ କୁହନ୍ତି ।
ଆର୍ଟିଫିସିଆଲ ନ୍ୟୁରାଲ ନେଟୱର୍କ ସମ୍ପାଦନା
ନ୍ୟୁରାଲ ନେଟୱର୍କର ଗଠନ ମଣିଷର ମସ୍ତିଷ୍କକୁ ଦେଖିକରି ତିଆରି କରାଯାଇଛି । ନ୍ୟୁରାଲ ନେଟୱର୍କକୁ ଉପଯୋଗ କରି ଚିତ୍ର, ଶବ୍ଦ, ଗାଡ଼ି ଚାଳନା ଆଦି ଅନେକ କାମ କରାଯାଇପାରୁଅଛି । ଏହି ବିଷୟରେ ଅଧିକ ଜାଣିବା ନିମିତ୍ତ ଏହାର ମୂଳଲେଖା, ଆର୍ଟିଫିସିଆଲ ନ୍ୟୁରାଲ ନେଟୱର୍କକୁ ପଢ଼ନ୍ତୁ ।
ପ୍ରୟୋଗ ସମ୍ପାଦନା
ଏହି ପୃଷ୍ଠାରେ ବିସ୍ତୃତରେ ଏଆଇର ପ୍ରୟୋଗ କେଉଁଠି କିଭଳି ଭାବେ ହେଉଛି ବର୍ଣ୍ଣନା କରାଯାଇଅଛି ।
ଦର୍ଶନ ଏବଂ ବିଚାର ସମ୍ପାଦନା
ଏହି ଆଧାରଗୁଡ଼ିକୁ ମଧ୍ୟ ଦେଖନ୍ତୁ ସମ୍ପାଦନା
ଆଧାର ସମ୍ପାଦନା
- ↑ "Kismet". MIT Artificial Intelligence Laboratory, Humanoid Robotics Group.
- ↑ "Artificial intelligence", Wikipedia (in ଇଂରାଜୀ), 2023-06-24, retrieved 2023-06-24
- ↑ "Artificial intelligence", Wikipedia (in ଇଂରାଜୀ), 2023-06-24, retrieved 2023-06-24
- ↑ academic.oup.com https://academic.oup.com/ilj/article/51/3/511/6321008. Retrieved 2023-06-24.
{{cite web}}: Missing or empty|title=(help) - ↑ Veda (2022-03-21). "Is AI Overhyped in 2022? Getting the Truth About the True Power". Analytics Insight (in ଆମେରିକୀୟ ଇଂରାଜୀ). Retrieved 2023-06-24.
- ↑ "Artificial intelligence is often overhyped—and here's why that's dangerous". MIT Technology Review (in ଇଂରାଜୀ). Retrieved 2023-06-24.
- ↑ "Narrow AI vs. General AI vs. Super AI". Spiceworks (in ଆମେରିକୀୟ ଇଂରାଜୀ). Retrieved 2023-06-24.
- ↑ https://ai.googleblog.com/2018/05/duplex-ai-system-for-natural-conversation.html