භෞතික විද්‍යාව හා තාක්‍ෂණයේ නව්‍ය වැඩමුළුව: භෞතික විද්‍යාවේ සහ තාක්‍ෂණයේ සැබෑ සාර්ථක කතා. නමුත් බොහෝ සමාගම් දැන් සිතන්නේ ඔවුන් යන්ත්‍ර ඉගෙනීමට මුදල් ආයෝජනය කළහොත් ඔවුන්ගේ උද්‍යාන වහාම පිපෙන බවයි. මේක වැරදියි. යන්ත්‍ර ඉගෙනීම සැබෑ ගැටළු පමණක් නොව විශේෂිත ගැටළු විසඳිය යුතුය

MIPT සමඟ "ABC of AI" ඒකාබද්ධ ව්‍යාපෘතියේ කොටසක් ලෙස, අපි දැනටමත් ඊනියා ඒවා ගැන ලියා ඇති අතර, ඩාවිනියානු පරිණාමයේ මූලධර්ම හා නීති අනුව වැඩසටහන් "වර්ධනය" කිරීමට ඔබට ඉඩ සලසයි. කෙසේ වෙතත්, දැනට, කෘතිම බුද්ධිය සඳහා මෙම ප්රවේශය නිසැකවම "අනාගතයේ සිට ආගන්තුකයෙක්" වේ. නමුත් අද කෘතිම බුද්ධි පද්ධති නිර්මාණය වී ඇත්තේ කෙසේද? ඔවුන් පුහුණු කරන්නේ කෙසේද? MIPT හි ඇල්ගොරිතම සහ ක්‍රමලේඛන තාක්ෂණ දෙපාර්තමේන්තුවේ ජ්‍යෙෂ්ඨ කථිකාචාර්ය Victor Kantor සහ Yandex Data Factory හි පරිශීලක හැසිරීම් විශ්ලේෂණ කණ්ඩායමේ ප්‍රධානියා මෙය සොයා ගැනීමට අපට උපකාර කළේය.

පර්යේෂණ ආයතනයක් වන ගාට්නර්ගේ මෑත වාර්තාවකට අනුව, එහි “තාක්ෂණ පරිණත චක්‍රය” නිතිපතා යාවත්කාලීන කරන අතර, යන්ත්‍ර ඉගෙනීම දැනට සියලුම තොරතුරු තාක්ෂණවල අපේක්ෂාවන්හි උච්චතම ස්ථානයේ පවතී. මෙය පුදුමයට කරුණක් නොවේ: පසුගිය වසර කිහිපය තුළ, යන්ත්‍ර ඉගෙනීම ගණිතඥයින් සහ ඇල්ගොරිතම පිළිබඳ න්‍යාය පිළිබඳ විශේෂඥයින්ගේ පටු කවයක අවශ්‍යතා ක්ෂේත්‍රයෙන් ඉවත් වී ප්‍රථමයෙන් තොරතුරු තාක්ෂණ ව්‍යාපාරිකයන්ගේ වචන මාලාවට සහ පසුව ලෝකයට විනිවිද ගොස් ඇත. සාමාන්‍ය මිනිසුන්ගේ. දැන්, Prisma යෙදුම භාවිතා කළ, Shazam භාවිතා කර ගීත සෙවූ, හෝ DeepDream හරහා ගිය පින්තූර දැක ඇති ඕනෑම අයෙකු ඔවුන්ගේ විශේෂ "මැජික්" සහිත ස්නායු ජාල වැනි දෙයක් ඇති බව දනී.

කෙසේ වෙතත්, තාක්ෂණය භාවිතා කිරීම එක් දෙයක් වන අතර, එය ක්රියා කරන ආකාරය තේරුම් ගැනීමට තවත් දෙයක්. "ඔබ ඉඟියක් ලබා දෙන්නේ නම් පරිගණකයකට ඉගෙන ගත හැකිය" හෝ "ස්නායු ජාලයක් ඩිජිටල් නියුරෝන වලින් සමන්විත වන අතර මිනිස් මොළය මෙන් ව්‍යුහගත වේ" වැනි සාමාන්‍ය වචන යමෙකුට උපකාර කළ හැකි නමුත් බොහෝ විට ඒවා තත්වය අවුල් කරයි. ගණිතය බරපතල ලෙස අධ්යයනය කිරීමට යන අයට ජනප්රිය පාඨ අවශ්ය නොවේ: ඔවුන් සඳහා පෙළපොත් සහ විශිෂ්ට මාර්ගගත පාඨමාලා ඇත. අපි මැද මාවතක් ගැනීමට උත්සාහ කරන්නෙමු: ඉගෙනීම ඉතා සරල කාර්යයක් මත ඇත්ත වශයෙන්ම සිදු වන ආකාරය පැහැදිලි කරන්න, පසුව සැබෑ රසවත් ගැටළු විසඳීම සඳහා එම ප්රවේශය යෙදිය හැකි ආකාරය පෙන්වන්න.

යන්ත්‍ර ඉගෙන ගන්නා ආකාරය

ආරම්භ කිරීම සඳහා, යන්ත්‍ර ඉගෙනීම සිදුවන්නේ කෙසේද යන්න නිවැරදිව අවබෝධ කර ගැනීම සඳහා, අපි සංකල්ප නිර්වචනය කරමු. මෙම ක්ෂේත්‍රයේ පුරෝගාමියෙකු වන ආතර් සැමුවෙල් විසින් අර්ථ දක්වා ඇති පරිදි, යන්ත්‍ර ඉගෙනීම යන්නෙන් අදහස් කරන්නේ “පරිගණකවලට සෘජුව ක්‍රමලේඛනය නොකර ඉගෙන ගැනීමට ඉඩ සලසන” ක්‍රම වේ. යන්ත්‍ර ඉගෙනීමේ ක්‍රමවල පුළුල් පන්ති දෙකක් තිබේ: අධීක්‍ෂණ ඉගෙනීම සහ අධීක්‍ෂණය නොකළ ඉගෙනීම. පළමුවැන්න භාවිතා කරන්නේ, උදාහරණයක් ලෙස, බළලුන්ගේ පින්තූර සහිත ඡායාරූප සෙවීමට අපට පරිගණකයකට ඉගැන්වීමට අවශ්‍ය වූ විට, දෙවැන්න අපට යන්ත්‍රය අවශ්‍ය වූ විට, උදාහරණයක් ලෙස, සේවාවන්හි සිදු වන පරිදි ස්වාධීනව පුවත් කතන්දර වලට කාණ්ඩ කිරීමට හැකි වීම. Yandex.News හෝ Google News වැනි. එනම්, පළමු අවස්ථාවේ දී අපි කටයුතු කරන්නේ නිවැරදි පිළිතුරක් (ඡායාරූපයේ සිටින බළලා එහි හෝ නැත) අඟවන කාර්යයක් සමඟ ය, දෙවන අවස්ථාවෙහි තනි නිවැරදි පිළිතුරක් නොමැත, නමුත් විවිධ ක්රමගැටලුව විසඳීම. අපි වඩාත් රසවත් ලෙස පළමු පන්තියේ ගැටළු කෙරෙහි විශේෂයෙන් අවධානය යොමු කරමු.

ඒ නිසා අපි පරිගණකයට යම් අනාවැකි කියන්නට ඉගැන්විය යුතුයි. එපමණක්ද නොව, හැකි තරම් නිවැරදි වීම යෝග්ය වේ. අනාවැකි වර්ග දෙකකින් විය හැකිය: එක්කෝ ඔබට පිළිතුරු විකල්ප කිහිපයක් තෝරා ගත යුතුය (පින්තූරයේ බළලෙකු සිටීද නැද්ද යන්න විකල්ප දෙකෙන් එකක තේරීමකි, පින්තූරවල අකුරු හඳුනා ගැනීමේ හැකියාව එක් විකල්පයක තේරීමකි. දුසිම් කිහිපයකින්, සහ යනාදිය) හෝ සංඛ්‍යාත්මක අනාවැකියක් කරන්න . නිදසුනක් වශයෙන්, පුද්ගලයෙකුගේ උස, වයස, සපත්තු ප්‍රමාණය සහ යනාදිය මත පදනම්ව ඔහුගේ බර පුරෝකථනය කරන්න. මෙම ගැටළු වර්ග දෙක පමණක් වෙනස් ලෙස පෙනේ, නමුත් ඇත්ත වශයෙන්ම ඒවා සමාන ලෙස විසඳනු ලැබේ. හරියටම කෙසේද යන්න තේරුම් ගැනීමට උත්සාහ කරමු.

පුරෝකථන පද්ධතියක් සෑදිය යුතු පළමු දෙය නම් ඊනියා පුහුණු සාම්පලයක්, එනම් ජනගහනයේ මිනිසුන්ගේ බර පිළිබඳ දත්ත එකතු කිරීමයි. දෙවැන්න නම්, බර පිළිබඳ නිගමනවලට එළඹිය හැකි පදනම මත සංඥා සමූහයක් තීරණය කිරීමයි. එවැනි “ශක්තිමත්ම” සලකුණු වලින් එකක් පුද්ගලයෙකුගේ උස බව පැහැදිලිය, එබැවින් පළමු ආසන්න වශයෙන් මෙය පමණක් ගැනීම ප්‍රමාණවත් වේ. බර උස මත රේඛීයව රඳා පවතී නම්, අපගේ පුරෝකථනය ඉතා සරල වනු ඇත: පුද්ගලයෙකුගේ බර ඔහුගේ උසට සමාන වනු ඇත, එය යම් සංගුණකයකින් ගුණ කරනු ලැබේ, සහ සරලම සූත්‍රය y=kx+b මගින් ලියා ඇති නියත අගය. පුද්ගලයෙකුගේ බර අනාවැකි කීමට යන්ත්‍රයක් පුහුණු කිරීමට අප කළ යුත්තේ කෙසේ හෝ k සහ b සඳහා නිවැරදි අගයන් සොයා ගැනීමයි.

යන්ත්‍ර ඉගෙනීමේ සුන්දරත්වය නම්, අප අධ්‍යයනය කරන සම්බන්ධතාවය ඉතා සංකීර්ණ වුවද, අපගේ ප්‍රවේශයේ මූලික වශයෙන් කිසිවක් වෙනස් නොවනු ඇත. අපි තවමත් එම ප්‍රතිගාමීත්වය සමඟ කටයුතු කරන්නෙමු.

පුද්ගලයෙකුගේ බර ඔහුගේ උස රේඛීයව නොව තුන්වන මට්ටමට බලපාන බව කියමු (එය සාමාන්‍යයෙන් අපේක්ෂා කෙරේ, මන්ද බර ශරීර පරිමාව මත රඳා පවතී). මෙම යැපීම සැලකිල්ලට ගැනීම සඳහා, අපි සරලව අපගේ සමීකරණයට තවත් පදයක් හඳුන්වා දෙන්නෙමු, එනම් එහිම සංගුණකය සහිත වර්ධන බලයේ තුන්වන බලය, එමගින් y=k 1 x+k 2 x 3 +b ලබා ගනී. දැන්, යන්ත්රය පුහුණු කිරීම සඳහා, අපට දෙකක් නොව, ප්රමාණ තුනක් (k 1, k 2 සහ b) සොයා ගැනීමට අවශ්ය වනු ඇත. අපගේ පුරෝකථනය තුළ පුද්ගලයෙකුගේ සපත්තු ප්‍රමාණය, ඔහුගේ වයස, ඔහු රූපවාහිනිය නැරඹීමට ගත කරන කාලය සහ ඔහුගේ මහල් නිවාසයේ සිට ළඟම ඇති ක්ෂණික ආහාර අලෙවිසැලට ඇති දුර ද සැලකිල්ලට ගැනීමට අවශ්‍ය බව කියමු. ගැටලුවක් නැත: අපි මෙම විශේෂාංග එකම සමීකරණයට වෙනම නියමයන් ලෙස එක් කරන්නෙමු.

වැදගත්ම දෙය වන්නේ අවශ්ය සංගුණක (k 1, k 2, ... k n) සොයා ගැනීම සඳහා විශ්වීය ක්රමයක් නිර්මාණය කිරීමයි. එය පවතී නම්, අනාවැකි සඳහා භාවිතා කළ යුතු අංගයන් අපට පාහේ උදාසීන වනු ඇත, මන්ද යන්ත්‍රයම වැදගත් ඒවාට විශාල බරක් ලබා දීමටත්, නොවැදගත් අංග සඳහා කුඩා බරක් ලබා දීමටත් ඉගෙන ගනු ඇත. වාසනාවකට මෙන්, එවැනි ක්‍රමයක් දැනටමත් සොයාගෙන ඇති අතර සියලුම යන්ත්‍ර ඉගෙනීම පාහේ එය මත සාර්ථකව ක්‍රියා කරයි: සරලම රේඛීය මාදිලිවල සිට මුහුණු හඳුනාගැනීමේ පද්ධති සහ කථන විශ්ලේෂක දක්වා. මෙම ක්‍රමය ග්‍රේඩියන්ට් අවරෝහණය ලෙස හැඳින්වේ. නමුත් එය ක්‍රියා කරන ආකාරය පැහැදිලි කිරීමට පෙර, අපි කුඩා අපගමනය කර ස්නායු ජාල ගැන කතා කළ යුතුය.

ස්නායු ජාල

2016 දී, ස්නායුක ජාල තොරතුරු න්‍යාය පත්‍රයට කෙතරම් තදින් ඇතුළු වූවාද යත්, ඒවා සාමාන්‍යයෙන් ඕනෑම යන්ත්‍ර ඉගෙනීමක් සහ උසස් තොරතුරු තාක්ෂණයක් සමඟ පාහේ හඳුනා ගැනීමට හැකි විය. විධිමත් ලෙස කථා කිරීම, මෙය සත්ය නොවේ: ස්නායුක ජාල සෑම විටම ගණිතමය ඉගෙනීමේදී භාවිතා නොවේ; නමුත් පොදුවේ ගත් කල, ඇත්ත වශයෙන්ම, එවැනි සංගමයක් තේරුම් ගත හැකිය, මන්ද එය දැන් වඩාත් “මැජික්” ප්‍රති results ල සපයන ස්නායුක ජාල මත පදනම් වූ පද්ධති වන බැවින් ඡායාරූපයක පුද්ගලයෙකු සෙවීමේ හැකියාව, මාරු කරන යෙදුම් මතුවීම වැනි ය. එක් රූපයක විලාසය තවත් රූපයකට හෝ යම් පුද්ගලයෙකුගේ කථන ආකාරයෙන් පෙළ ජනනය කිරීමේ පද්ධති.

ස්නායුක ජාල ව්‍යුහගත වී ඇති ආකාරය, අපි දැනටමත්... මෙහිදී මට අවධාරණය කිරීමට අවශ්‍ය වන්නේ අනෙකුත් යන්ත්‍ර ඉගෙනුම් පද්ධති හා සසඳන විට ස්නායුක ජාල වල ප්‍රබලතාව පවතින්නේ ඒවායේ බහු-ස්ථර ස්වභාවය තුළ බවයි, නමුත් මෙය ඒවා ක්‍රියා කරන ආකාරය මූලික වශයෙන් වෙනස් නොවන බව. බහු-ස්ථර ඇත්ත වශයෙන්ම ඔබට පින්තූරයක පික්සල වැනි සංකීර්ණ විශේෂාංග කට්ටලවල ඉතා වියුක්ත සාමාන්‍ය විශේෂාංග සහ පරායත්තතා සොයා ගැනීමට ඉඩ සලසයි. නමුත් ඉගෙනීමේ මූලධර්මවල දෘෂ්ටි කෝණයෙන්, ස්නායුක ජාලයක් සාම්ප්‍රදායික රේඛීය ප්‍රතිගාමී සූත්‍ර සමූහයකට වඩා රැඩිකල් ලෙස වෙනස් නොවන බව තේරුම් ගැනීම වැදගත්ය, එබැවින් එකම ශ්‍රේණිගත අවරෝහණ ක්‍රමය මෙහි ද විශිෂ්ට ලෙස ක්‍රියා කරයි.

ස්නායුක ජාලයක “බලය” පවතින්නේ නියුරෝන අතරමැදි ස්ථරයක් ඉදිරිපිට වන අතර එය ආදාන ස්ථරයේ අගයන් සාරාංශ වශයෙන් ඒකාබද්ධ කරයි. මේ නිසා, රේඛීය හෝ හතරැස් සම්බන්ධතාවයක් වැනි සරල සූත්‍රවලට අඩු කිරීමට අපහසු දත්තවල ඉතා වියුක්ත ලක්ෂණ ස්නායු ජාලවලට සොයාගත හැකිය.

උදාහරණයකින් පැහැදිලි කරමු. y=k 1 x+k 2 x 3 +b සූත්‍රයෙන් ප්‍රකාශිත පුද්ගලයෙකුගේ බර ඔහුගේ උස සහ ඝනක උස මත රඳා පවතින අනාවැකියක් මත අපි පදිංචි විය. යම් දිගුවක් සහිතව, නමුත් ඇත්ත වශයෙන්ම එවැනි සූත්රයක් පවා ස්නායු ජාලයක් ලෙස හැඳින්විය හැක. එහි, සාමාන්‍ය ස්නායුක ජාලයක මෙන්, “නියුරෝන” වල පළමු ස්ථරයක් ඇත, එය විශේෂාංග තට්ටුවක් ද වේ: මේවා x සහ x 3 (හොඳයි, අපි මතක තබා ගන්නා “ඒකක නියුරෝනය” සහ ඒ සඳහා සංගුණකය b වගකිව යුතුය). ඉහළ, හෝ ප්රතිඵලය, ස්ථරය නියෝජනය කරනු ලබන්නේ එක් "නියුරෝන" y, එනම් පුද්ගලයාගේ පුරෝකථනය කරන ලද බරයි. “නියුරෝන” වල පළමු සහ අවසාන ස්ථර අතර සම්බන්ධතා ඇත, එහි ශක්තිය හෝ බර තීරණය වන්නේ k 1, k 2 සහ b යන සංගුණක මගිනි. මෙම "ස්නායු ජාලය" පුහුණු කිරීම යනු මෙම සංගුණක සොයා ගැනීමයි.

මෙහි ඇති "සැබෑ" ස්නායුක ජාල වලින් ඇති එකම වෙනස නම්, අපට නියුරෝන වල තනි අතරමැදි (හෝ සැඟවුණු) ස්ථරයක් නොමැති වීමයි, එහි කාර්යය වන්නේ ආදාන විශේෂාංග ඒකාබද්ධ කිරීමයි. එවැනි ස්ථර හඳුන්වාදීම මඟින් "ඔබේ හිසෙන්" පවතින විශේෂාංග අතර ඇති විය හැකි පරායත්තයන් නිර්මාණය කිරීමට නොව, ස්නායුක ජාලයේ දැනටමත් පවතින සංයෝජන මත විශ්වාසය තැබීමට ඔබට ඉඩ සලසයි. නිදසුනක් වශයෙන්, රූපවාහිනිය ඉදිරිපිට වයස සහ සාමාන්‍ය කාලය පුද්ගලයෙකුගේ බරට සමමුහුර්ත බලපෑමක් ඇති කළ හැකි නමුත්, ස්නායුක ජාලයක් ඇති බැවින්, අපට මෙය කල්තියා දැන ගැනීමට සහ ඔවුන්ගේ නිෂ්පාදනය සූත්‍රයට ඇතුළත් කිරීමට අවශ්‍ය නොවේ. ස්නායුක ජාලයක නියත වශයෙන්ම ඕනෑම ලක්ෂණ දෙකක බලපෑම ඒකාබද්ධ කරන නියුරෝනයක් ඇති අතර, මෙම බලපෑම නියැදිය තුළ සැබවින්ම කැපී පෙනේ නම්, පුහුණුවීමෙන් පසු මෙම නියුරෝනයට ස්වයංක්‍රීයව විශාල බරක් ලැබෙනු ඇත.

Gradient Descent

ඉතින්, අපි දන්නා දත්ත සහිත පුහුණු උදාහරණ කට්ටලයක් ඇත, එනම් නිවැරදිව මනින ලද පුද්ගලයෙකුගේ බර සහිත වගුවක් සහ සම්බන්ධතාවයේ සමහර උපකල්පන, මෙම අවස්ථාවෙහිදී රේඛීය ප්‍රතිගාමීත්වය y=kx+b. අපගේ කාර්යය වන්නේ අතින් නොව ස්වයංක්‍රීයව k සහ b හි නිවැරදි අගයන් සොයා ගැනීමයි. සහ වඩාත් සුදුසු වන්නේ, සූත්‍රයට ඇතුළත් කර ඇති පරාමිති ගණන මත රඳා නොපවතින විශ්වීය ක්‍රමයකි.

පොදුවේ, මෙය කිරීමට අපහසු නැත. ප්‍රධාන අදහස වන්නේ වර්තමාන සම්පූර්ණ දෝෂ මට්ටම මැනීම සහ සංගුණක "ට්වීක්" කරන ශ්‍රිතයක් නිර්මාණය කිරීමයි එවිට සම්පූර්ණ දෝෂ මට්ටම ක්‍රමයෙන් පහත වැටේ. දෝෂ මට්ටම පහත වැටෙන්නේ කෙසේද? අපි අපේ පරාමිතීන් නිවැරදි දිශාවට වෙනස් කළ යුතුයි.

අපි සොයන අපගේ පරාමිති දෙක, උතුරු-දකුණු සහ බටහිර-නැගෙනහිර අක්ෂය වැනි ගුවන් යානයක දිශාවන් දෙකක් ලෙස එකම k සහ b ලෙස සිතන්න. එවැනි තලයක ඇති සෑම ලක්ෂ්‍යයක්ම සංගුණකවල නිශ්චිත අගයකට, උස සහ බර අතර යම් නිශ්චිත සම්බන්ධතාවයකට අනුරූප වේ. ගුවන් යානයේ එවැනි සෑම ලක්ෂ්‍යයක් සඳහාම, අපගේ නියැදියේ එක් එක් උදාහරණ සඳහා මෙම අනාවැකිය ලබා දෙන සම්පූර්ණ දෝෂ මට්ටම ගණනය කළ හැකිය.

එය ගුවන් යානයක නිශ්චිත උසක් වැනි දෙයක් බවට පත්වන අතර අවට ඇති මුළු අවකාශයම කඳුකර භූ දර්ශනයකට සමාන වීමට පටන් ගනී. කඳු යනු දෝෂ අනුපාතය ඉතා ඉහළ ස්ථාන වේ, නිම්න යනු අඩු දෝෂ ඇති ස්ථාන වේ. අපගේ පද්ධතිය පුහුණු කිරීම යනු භූමියේ ඇති අඩුම ස්ථානය, දෝෂ අනුපාතය අවම වන ස්ථානය සොයා ගැනීම බව පැහැදිලිය.

ඔබට මෙම කරුණ සොයා ගත හැක්කේ කෙසේද? බොහෝ නිවැරදි මාර්ගය- අප මුලින් සොයාගත් ස්ථානයේ සිට සෑම විටම පහළට ගමන් කරන්න. එබැවින් ඉක්මනින් හෝ පසුව අපි දේශීය අවම මට්ටමකට පැමිණෙමු - ආසන්නයේ කිසිවක් නොමැති පහත ලක්ෂ්‍යය. එපමනක් නොව, විවිධ ප්රමාණවලින් පියවර ගැනීමට යෝග්ය වේ: බෑවුම බෑවුම් වන විට, ඔබට පුළුල් පියවර ගත හැකිය, බෑවුම කුඩා වන විට, දේශීය අවම "ටිප්ටෝ" වෙතට රිංගා ගැනීම වඩා හොඳය.

Gradient descent ක්‍රමය ක්‍රියාත්මක වන්නේ හරියටම මෙයයි: දෝෂ ශ්‍රිතයේ විශාලතම පහත වැටීමේ දිශාවට අපි විශේෂාංගවල බර වෙනස් කරමු. අපි ඒවා පුනරාවර්තන ලෙස වෙනස් කරමු, එනම්, යම් පියවරක් සමඟ, එහි අගය බෑවුමේ බෑවුමට සමානුපාතික වේ. සිත්ගන්නා කරුණ නම්, විශේෂාංග ගණන වැඩි වන විට (පුද්ගලයෙකුගේ උස, ඔහුගේ වයස, සපත්තු ප්‍රමාණය සහ යනාදී ඝනකයක් එකතු කිරීම), අත්‍යවශ්‍යයෙන්ම කිසිවක් වෙනස් නොවන විට, අපගේ භූ දර්ශනය ද්විමාන නොවන නමුත් බහුමාන වේ.

දෝෂ ශ්‍රිතය යනු දැනට පවතින සූත්‍රය අනුව අප දැනටමත් හරියටම දන්නා බර ඇති පුද්ගලයන් සඳහා ඉඩ ලබා දෙන සියලුම අපගමනවල වර්ගවල එකතුව ලෙස අර්ථ දැක්විය හැක. අපි අහඹු විචල්‍යයන් කිහිපයක් ගනිමු, උදාහරණයක් ලෙස 0 සහ 50. එවිට පද්ධතිය අපට පුරෝකථනය කරනුයේ නියැදියේ එක් එක් පුද්ගලයාගේ බර සෑම විටම කිලෝග්‍රෑම් 50 y=0×x+50 ප්‍රස්ථාරයේ සමාන වන බවයි. යැපීම තිරස් අතට සමාන්තරව සරල රේඛාවක් මෙන් පෙනෙනු ඇත. පැහැදිලිවම, මෙය එතරම් හොඳ අනාවැකියක් නොවේ. දැන් අපි මෙම පුරෝකථනය කළ අගයෙන් බරෙහි අපගමනය ගනිමු, එය වර්ග කරන්න (සෘණ අගයන් ද සැලකිල්ලට ගනී) සහ එය සාරාංශ කරමු - මෙම අවස්ථාවේදී මෙය දෝෂයක් වනු ඇත. ඔබ විශ්ලේෂණයේ ආරම්භය ගැන හුරුපුරුදු නම්, විශාලතම පහත වැටීමේ දිශාව k සහ b සම්බන්ධයෙන් දෝෂ ශ්‍රිතයේ අර්ධ ව්‍යුත්පන්නය මගින් ලබා දී ඇති බව ඔබට පැහැදිලි කළ හැකිය, සහ පියවර යනු තෝරාගත් අගයකි. ප්‍රායෝගික හේතූන්: කුඩා පියවර ගණනය කිරීමට බොහෝ කාලයක් ගත වන අතර විශාල ඒවා අප අවම මට්ටමින් ලිස්සා යාමට හේතු විය හැක.

හරි, අපට බොහෝ විශේෂාංග සහිත සංකීර්ණ ප්‍රතිගමනයක් පමණක් නොව සැබෑ ස්නායු ජාලයක් නොමැති නම් කුමක් කළ යුතුද? මෙම අවස්ථාවෙහිදී අපි අනුක්‍රමණ සම්භවය යොදන්නේ කෙසේද? ශ්‍රේණිගත සම්භවය ස්නායු ජාලයක් සමඟ හරියටම එකම ආකාරයකින් ක්‍රියා කරන බව පෙනේ, පුහුණුව පමණක් සිදු වේ 1) පියවරෙන් පියවර, ස්ථරයෙන් ස්ථරයට සහ 2) ක්‍රමයෙන්, නියැදියේ එක් උදාහරණයකින් තවත් උදාහරණයකට. මෙහි භාවිතා කරන ක්‍රමය backpropagation ලෙස හඳුන්වන අතර 1974 දී සෝවියට් ගණිතඥ Alexander Galushkin සහ Harvard විශ්වවිද්‍යාලයේ ගණිතඥ Paul John Webros විසින් ස්වාධීනව විස්තර කරන ලදී.

ඇල්ගොරිතමයේ දැඩි ඉදිරිපත් කිරීමක් සඳහා අර්ධ ව්‍යුත්පන්නයන් (උදාහරණයක් ලෙස) ලිවීමට අවශ්‍ය වුවද, බුද්ධිමය මට්ටමින් සෑම දෙයක්ම ඉතා සරලව සිදු වේ: නියැදියේ එක් එක් උදාහරණ සඳහා, ප්‍රතිදානයේදී අපට නිශ්චිත පුරෝකථනයක් ඇත. ස්නායු ජාලයේ. නිවැරදි පිළිතුර ලබා ගැනීමෙන්, අපට නිවැරදි පිළිතුර අනාවැකියෙන් අඩු කර දෝෂයක් ලබා ගත හැකිය (වඩාත් නිවැරදිව, ප්‍රතිදාන ස්ථරයේ එක් එක් නියුරෝන සඳහා දෝෂ සමූහයක්). දැන් අපි මෙම දෝෂය පෙර නියුරෝන ස්ථරයට මාරු කළ යුතු අතර, මෙම ස්ථරයේ මෙම විශේෂිත නියුරෝනය දෝෂයට දායක වූ තරමට, එහි බර අඩු කිරීමට අපට අවශ්‍ය වේ (ඇත්ත වශයෙන්ම, අපි නැවත කතා කරන්නේ අර්ධ ව්‍යුත්පන්නය ගැනීම ගැන ය, අපගේ මනඃකල්පිත භූ දර්ශනයේ උපරිම බෑවුම දිගේ ගමන් කිරීම ගැන) . අපි මෙය සිදු කළ විට, ඊළඟ ස්ථරය සඳහා එකම ක්රියා පටිපාටිය නැවත නැවතත් කළ යුතුය, ප්රතිවිරුද්ධ දිශාවට ගමන් කරයි, එනම්, ස්නායුක ජාලයේ ප්රතිදානයේ සිට ආදානය දක්වා.

පුහුණු සාම්පලයේ එක් එක් උදාහරණය සමඟ මේ ආකාරයෙන් ස්නායු ජාලය හරහා ගොස් නියුරෝනවල බර අපේක්ෂිත දිශාවට “ඇඹරීමෙන්”, අපි අවසානයේ පුහුණු ස්නායු ජාලයක් ලබා ගත යුතුය. backpropagation ක්‍රමය බහු ස්ථර ස්නායු ජාල සඳහා ශ්‍රේණිගත අවරෝහණ ක්‍රමයේ සරල වෙනස් කිරීමක් වන අතර එබැවින් ඕනෑම සංකීර්ණතාවයකින් යුත් ස්නායුක ජාල සඳහා ක්‍රියා කළ යුතුය. අපි මෙහි “කළ යුතු” යැයි කියන්නේ ඇත්ත වශයෙන්ම ශ්‍රේණිගත බැස්ම අසමත් වන අවස්ථා ඇති අතර ඔබට හොඳ ප්‍රතිගමනයක් කිරීමට හෝ ස්නායුක ජාලයක් පුහුණු කිරීමට ඉඩ නොදෙන බැවිනි. එවැනි දුෂ්කරතා ඇති වන්නේ මන්දැයි දැන ගැනීම ප්රයෝජනවත් විය හැකිය.

ශ්‍රේණිගත සම්භවයේ දුෂ්කරතා

නිරපේක්ෂ අවම වැරදි තේරීම.ශ්‍රේණිගත අවරෝහණ ක්‍රමය දේශීය අන්තයක් සෙවීමට උපකාරී වේ. නමුත් නිරපේක්ෂ ගෝලීය අවම හෝ උපරිම ශ්‍රිතය සාක්ෂාත් කර ගැනීම සඳහා අපට එය සැමවිටම භාවිතා කළ නොහැක. මෙය සිදු වන්නේ ප්‍රති-ග්‍රේඩියන්ට් දිගේ ගමන් කරන විට, අපට හමු වන පළමු දේශීය අවම අගයට ළඟා වන මොහොතේම අපි නතර වන අතර ඇල්ගොරිතම ක්‍රියා කිරීම නවත්වන බැවිනි.

ඔබ කඳු මුදුනක සිටගෙන සිටින බව සිතන්න. ඔබට ප්‍රදේශයේ පහළම මතුපිටට බැසීමට අවශ්‍ය නම්, ශ්‍රේණිගත බැසීමේ ක්‍රමය සැමවිටම ඔබට උදව් නොකරනු ඇත, මන්ද ඔබේ මාර්ගයේ පළමු පහත් ස්ථානය අනිවාර්යයෙන්ම පහළම ස්ථානය නොවනු ඇත. ජීවිතයේ දී ඔබ ටිකක් ඉහළට ගොස් ඔබට ඊටත් වඩා පහළට යා හැකි බව ඔබට දැක ගත හැකි නම්, එවැනි තත්වයක ඇල්ගොරිතම සරලව නතර වනු ඇත. ඔබ නිවැරදි පියවර තෝරා ගන්නේ නම් බොහෝ විට මෙම තත්ත්වය වළක්වා ගත හැකිය.

වැරදි පියවර තේරීම. Gradient decent ක්‍රමය පුනරාවර්තන ක්‍රමයකි. එනම්, අප විසින්ම පියවර ප්‍රමාණය තෝරා ගත යුතුය - අප බැස යන වේගය. ඉතා විශාල පියවරක් තෝරා ගැනීමෙන්, අපට අවශ්‍ය අන්තය පසුකර පියාසර කළ හැකි අතර අවම අගය සොයාගත නොහැක. ඔබ ඉතා තියුණු පහත වැටීමකට මුහුණ දෙන්නේ නම් මෙය සිදු විය හැකිය. තවද ඉතා කුඩා පියවරක් තෝරාගැනීමෙන් අප සාපේක්ෂ පැතලි මතුපිටක සිටින විට ඇල්ගොරිතම අතිශයින් මන්දගාමී වන අවදානමක් ඇත. අප සිටින්නේ කඳු මුදුනක යැයි නැවතත් සිතන්නේ නම්, අවම මට්ටමට ආසන්නව ඉතා බෑවුම් සහිත බැසීමක් නිසා අපි එය මතින් පියාසර කරන තත්වයක් ඇතිවිය හැකිය.

ජාල අංශභාගය.සමහර විට එය සිදු වන්නේ අනුක්‍රමික අවරෝහණ ක්‍රමය කිසිසේත්ම අවමයක් සොයා ගැනීමට අපොහොසත් වීමයි. අවම වශයෙන් දෙපස පැතලි ප්රදේශ තිබේ නම් මෙය සිදුවිය හැක - ඇල්ගොරිතම, එය පැතලි ප්රදේශයකට පහර දෙන විට, පියවර අඩු කර අවසානයේ නතර වේ. ඔබ කඳු මුදුනක සිටගෙන සිටින විට පහත්බිම්වල පිහිටි ඔබේ නිවස දෙසට යාමට තීරණය කරන්නේ නම්, ඔබ අහම්බෙන් ඉතා පැතලි ප්‍රදේශයකට ගමන් කළහොත් ගමන දිගු විය හැකිය. නැතහොත්, පැතලි ප්‍රදේශවල දාර දිගේ සිරස් “බෑවුම්” පාහේ තිබේ නම්, ඇල්ගොරිතම, ඉතා විශාල පියවරක් තෝරාගෙන, එක් බෑවුමකින් තවත් බෑවුමකට පනිනු ඇත, ප්‍රායෝගිකව අවම දෙසට ගමන් නොකරයි.

යන්ත්‍ර ඉගෙනුම් පද්ධතියක් සැලසුම් කිරීමේදී මෙම සංකීර්ණ ගැටළු සියල්ල සැලකිල්ලට ගත යුතුය. උදාහරණයක් ලෙස, කාලයත් සමඟ දෝෂ ක්‍රියාකාරිත්වය වෙනස් වන ආකාරය නිවැරදිව නිරීක්ෂණය කිරීම සැමවිටම ප්‍රයෝජනවත් වේ - එය එක් එක් නව චක්‍රය සමඟ හෝ ලකුණු වේලාව සමඟ වැටෙන්නේද, පියවර ප්‍රමාණයේ වෙනස අනුව මෙම වැටීමේ ස්වභාවය වෙනස් වන ආකාරය. නරක දේශීය අවමයකට වැටීම වළක්වා ගැනීම සඳහා, භූ දර්ශනයේ අහඹු ලෙස තෝරාගත් විවිධ ස්ථාන වලින් ආරම්භ කිරීම ප්‍රයෝජනවත් විය හැකිය - එවිට සිරවීමේ සම්භාවිතාව බෙහෙවින් අඩු ය. ශ්‍රේණිගත සම්භවය භාවිතා කිරීමේ තවත් විශාල හා කුඩා රහස් බොහොමයක් ඇති අතර, ශ්‍රේණිගත සම්භවයට දුර්වල ලෙස සමාන ඉගෙනීමේ තවත් විදේශීය ක්‍රම තිබේ. කෙසේ වෙතත්, මෙය AI ව්‍යාපෘතියේ ABC රාමුව තුළ තවත් සංවාදයක් සහ වෙනම ලිපියක් සඳහා මාතෘකාවකි.

ඇලෙක්සැන්ඩර් Ershov විසින් සකස් කරන ලදී

- යන්ත්‍ර ඉගෙනීම ක්‍රියා කරන ආකාරය අපට පැවසීමට ඔබට සම්පූර්ණයෙන්ම ප්‍රාථමික උදාහරණයක් භාවිතා කළ හැකිද?

පුළුවන්. පැරණිතම දේවලින් එකක් වන Decision Tree නම් යන්ත්‍ර ඉගෙනීමේ ක්‍රමයකට උදාහරණයක් තිබේ. අපි දැන් එය කරමු. අපි හිතමු වියුක්ත පුද්ගලයෙක් ඔබෙන් දිනයක් ඉල්ලයි කියලා. ඔබට වැදගත් වන්නේ කුමක්ද?

- මුලින්ම, මම ඔහුව දැන සිටියත් නැතත් ...

(වික්ටර් මෙය පුවරුවේ ලියයි.)

... මම නොදන්නේ නම්, ඔහු ආකර්ශනීයද නැද්ද යන ප්‍රශ්නයට පිළිතුරු දිය යුතුය.

ඔබ දන්නවා නම්, එය කමක් නැද්ද? මම හිතන්නේ මට තේරුණා, මේක තමයි යාළු කලාප ත්‍රෙඩ් එක! පොදුවේ, මම ලියන්නේ, ඔබ නොදන්නේ නම් සහ එය ආකර්ශනීය නොවේ නම්, පිළිතුර "නැත, බොහෝ විට" යන්නයි. ඔබ දන්නේ නම්, පිළිතුර "ඔව්" යන්නයි.

- මම දන්නවා නම්, ඒකත් වැදගත්!

නැත, මෙය මිතුරු කලාප ශාඛාවක් වනු ඇත.

හරි එහෙනම් අපි මෙතනින් පෙන්නමු මේක රසවත්ද නැද්ද කියලා. තවමත්, ඔබ පුද්ගලයෙකු නොදන්නා විට, පළමු ප්‍රතික්‍රියාව වන්නේ හඳුනන අයෙකු සමඟ පෙනී සිටීමයි, අපි දැනටමත් ඔහු සිතන්නේ කුමක්ද සහ කෙසේද යන්න දෙස බලමු.

අපි එය වෙනස් ආකාරයකින් කරමු. ඔහු අභිලාෂකාමී වුවත් නැතත්. ඔහු අභිලාෂකාමී නම්, ඔහුව මිත්‍ර කිරීමට අපහසු වනු ඇත, මන්ද ඔහුට තවත් අවශ්‍ය වනු ඇත. නමුත් අභිලාෂකාමී අය විඳදරාගනු ඇත.

(වික්ටර් තීරණාත්මක ගස ඇඳීම අවසන් කරයි.)

සූදානම්. දැන් ඔබට පුරෝකථනය කළ හැක්කේ ඔබ වැඩිපුරම හමුවීමට යන්නේ කුමන පුද්ගලයාද යන්නයි. මාර්ගය වන විට, සමහර ආලය සේවා එවැනි දේ පුරෝකථනය කරයි. සාදෘශ්‍ය අනුව, පාරිභෝගිකයින් කොපමණ භාණ්ඩ ප්‍රමාණයක් මිලදී ගනීවිද, සහ එම දිනයේ මිනිසුන් සිටින්නේ කොතැනද යන්න ඔබට අනාවැකි කිව හැක.

පිළිතුරු "ඔව්" සහ "නැත" පමණක් නොව, සංඛ්යා ආකාරයෙන්ද විය හැකිය. ඔබට වඩාත් නිවැරදි පුරෝකථනයක් අවශ්‍ය නම්, ඔබට එවැනි ගස් කිහිපයක් සාදා ඒවා සාමාන්‍යකරණය කළ හැකිය. එවැනි සරල දෙයක ආධාරයෙන් ඔබට සැබවින්ම අනාගතය ගැන අනාවැකි කිව හැකිය.

දැන් සිතන්න, මීට වසර දෙසීයකට පෙර මිනිසුන්ට එවැනි යෝජනා ක්රමයක් ඉදිරිපත් කිරීමට අපහසුද? කොහෙත්ම නැහැ! මෙම යෝජනා ක්‍රමය කිසිදු රොකට් විද්‍යාවක් රැගෙන නොයයි. සංසිද්ධියක් ලෙස, යන්ත්‍ර ඉගෙනීම අඩ සියවසක පමණ කාලයක් පැවතුනි. රොනල්ඩ් ෆිෂර් 20 වැනි සියවස ආරම්භයේදී දත්ත පදනම් කරගෙන අනාවැකි කීමට පටන් ගත්තේය. ඔහු irises ගෙන සීපල් සහ පෙති වල දිග සහ පළල අනුව ඒවා බෙදා හරින ලද අතර, මෙම පරාමිතීන් භාවිතා කරමින් ඔහු ශාක වර්ගය තීරණය කළේය.

කර්මාන්තය තුළ, මෑත දශක කිහිපය තුළ යන්ත්‍ර ඉගෙනීම සක්‍රීයව භාවිතා කර ඇත: විශාල දත්ත ප්‍රමාණයක් සැකසීමට අවශ්‍ය ශක්තිමත් සහ සාපේක්ෂ මිල අඩු යන්ත්‍ර, උදාහරණයක් ලෙස එවැනි තීරණ ගස් සඳහා බොහෝ කලකට පෙර දර්ශනය වී නොමැත. නමුත් එය තවමත් උද්යෝගිමත් ය: අපි සෑම කාර්යයක් සඳහාම මෙම දේවල් අඳින්නෙමු සහ අනාගතය පුරෝකථනය කිරීමට ඒවා භාවිතා කරමු.

- හොඳයි, අනිවාර්යයෙන්ම පාපන්දු තරඟ ගැන අනාවැකි කියන ඕනෑම බූවල්ලෙකුට වඩා හොඳ නැත ...

නැහැ, අපි අටපට්ටම් ගැන සැලකිලිමත් වන්නේ කුමක්ද? අපට වැඩි විචල්‍යතාවයක් තිබුණද. දැන්, යන්ත්‍ර ඉගෙනීමේ ආධාරයෙන්, ඔබට කාලය, මුදල් ඉතිරි කර ගත හැකි අතර ජීවිතයේ සුවපහසුව වැඩි දියුණු කළ හැකිය. රූප වර්ගීකරණයේදී යන්ත්‍ර ඉගෙනීම මීට වසර කිහිපයකට පෙර මිනිසුන් පරාජය කළේය. උදාහරණයක් ලෙස, පරිගණකයකට ටෙරියර් වර්ග 20 ක් හඳුනාගත හැකි නමුත් සාමාන්‍ය පුද්ගලයෙකුට එය හඳුනාගත නොහැක.

- ඔබ පරිශීලකයන් විශ්ලේෂණය කරන විට, එක් එක් පුද්ගලයා ඔබ සඳහා සංඛ්යා කට්ටලයක් ද?

දළ වශයෙන් කිවහොත්, ඔව්. අපි දත්ත සමඟ වැඩ කරන විට, පරිශීලක හැසිරීම් ඇතුළුව සියලුම වස්තූන් නිශ්චිත සංඛ්යා කට්ටලයක් මගින් විස්තර කෙරේ. තවද මෙම සංඛ්යා මිනිසුන්ගේ හැසිරීම් වල ලක්ෂණ පිළිබිඹු කරයි: ඔවුන් කොපමණ වාරයක් කුලී රථයක් ගන්නවාද, ඔවුන් භාවිතා කරන කුලී රථය කුමක්ද, ඔවුන් සාමාන්යයෙන් යන ස්ථාන මොනවාද.

සමාන හැසිරීම් ඇති පුද්ගලයින්ගේ කණ්ඩායම් හඳුනා ගැනීමට ඒවා භාවිතා කිරීමට අපි දැන් සක්‍රියව සමාන පෙනුම ආකෘති ගොඩනඟමින් සිටිමු. අපි නව සේවාවක් හඳුන්වා දෙන විට හෝ පැරණි එකක් ප්‍රවර්ධනය කිරීමට අවශ්‍ය වූ විට, අපි එය උනන්දුවක් දක්වන අයට පිරිනමන්නෙමු.

උදාහරණයක් ලෙස, අපට දැන් සේවාවක් ඇත - කුලී රථයක ළමා ආසන දෙකක්. අපට මෙම ප්‍රවෘත්තිය සමඟ සෑම කෙනෙකුටම අයාචිත තැපැල් කළ හැකිය, නැතහොත් අපට ඒ පිළිබඳව නිශ්චිතවම දැනුම් දිය හැක්කේ යම් පුද්ගලයින්ගේ කවයකට පමණි. වසර පුරාවට, ළමා ආසන දෙකක් අවශ්‍ය බව අදහස් දැක්වීම් වල ලියා ඇති පරිශීලකයින් ගණනාවක් අපි රැස් කර ගත්තෙමු. අපි ඔවුන් සහ ඔවුන්ට සමාන පුද්ගලයින් සොයා ගත්තා. සාම්ප්‍රදායිකව, මොවුන් නිතිපතා සංචාරය කරන සහ මධ්‍යධරණී ආහාර වලට ආදරය කරන වයස අවුරුදු 30 ට වැඩි පුද්ගලයින් ය. ඇත්ත වශයෙන්ම, තවත් බොහෝ සලකුණු ඇතත්, මෙය මම උදාහරණයක් ලෙස පමණි.

- එවැනි සියුම්කම් පවා?

මෙය සරල කාරණයකි. සෙවුම් විමසුම් භාවිතයෙන් සියල්ල ගණනය කෙරේ.

මෙය කෙසේ හෝ යෙදුමක ක්‍රියා කළ හැකිද? උදාහරණයක් ලෙස, මම යාචකයෙකු බවත්, "මසකට රූබල් 500 කින් ජීවත් වන්නේ කෙසේද" වැනි කණ්ඩායම් වලට දායක වන බවත් ඔබ දන්නවාද - ඔවුන් මට ලබා දෙන්නේ ලාභ කාර්‍ය පමණයි, SpaceX ප්‍රවෘත්ති වලට දායක වේ - සහ විටින් විට ඔවුන් මාව විකුණනවා ටෙස්ලා?

එය මේ ආකාරයෙන් ක්‍රියා කළ හැකි නමුත් Yandex හි එවැනි දේවල් අනුමත නොකෙරේ, මන්ද එය වෙනස් කොට සැලකීමකි. ඔබ සේවාවක් පුද්ගලීකරණය කරන විට, වඩාත්ම පිළිගත හැකි දේ නොව, පවතින හොඳම දේ සහ පුද්ගලයා කැමති දේ පිරිනැමීම වඩා හොඳය. “මෙයාට වඩා හොඳ මෝටර් රථයක් අවශ්‍යයි, මෙයට අඩු හොඳ එකක් අවශ්‍යයි” යන තර්කයට අනුව බෙදා හැරීම නරක ය.

සෑම කෙනෙකුටම විකෘති ආශාවන් ඇති අතර, සමහර විට ඔබට මධ්‍යධරණී කෑමක් සඳහා වට්ටෝරුවක් සොයා ගැනීමට අවශ්‍ය නොවේ, නමුත්, උදාහරණයක් ලෙස, කොප්‍රොෆිලියා පිළිබඳ පින්තූර. මෙම නඩුවේදී පුද්ගලීකරණය තවමත් ක්‍රියා කරයිද?

සෑම විටම පුද්ගලික මාදිලියක් ඇත.

මගේ රුචිකත්වයන් ගැන කිසිවෙකු දැන ගැනීමට මට අවශ්‍ය නැතිනම් හෝ, මිතුරන් මා වෙත පැමිණ කුණු කූඩයක් නැරඹීමට අවශ්‍ය යැයි කියමු නම්, අප්‍රකට මාදිලිය භාවිතා කිරීම වඩා හොඳය.

ඔබට කුමන සමාගමේ සේවාව භාවිතා කළ යුතුද යන්න තීරණය කළ හැකිය, උදාහරණයක් ලෙස Yandex හෝ Google.

- වෙනසක් තිබේද?

සංකීර්ණ ප්රශ්නය. මම අනිත් අය ගැන දන්නේ නැහැ, නමුත් Yandex පුද්ගලික දත්ත ආරක්ෂා කිරීම සමඟ දැඩි වේ. සේවකයින් විශේෂයෙන් නිරීක්ෂණය කරනු ලැබේ.

- එනම්, මම පිරිමි ළමයෙකු සමඟ වෙන් වුවහොත්, ඔහු මෙම ඩැචා වෙත ගියේද නැද්ද යන්න සොයා ගැනීමට මට නොහැකි වනු ඇත?

ඔබ Yandex හි වැඩ කළත්. මෙය ඇත්ත වශයෙන්ම කණගාටුදායක ය, නමුත් ඔව්, සොයා ගැනීමට ක්රමයක් නොමැත. බොහෝ සේවකයින්ට මෙම දත්ත වෙත ප්‍රවේශය පවා නොමැත. සෑම දෙයක්ම සංකේතනය කර ඇත. එය සරලයි: ඔබට මිනිසුන් ගැන ඔත්තු බැලිය නොහැක, මෙය පුද්ගලික තොරතුරු වේ.

මාර්ගය වන විට, අපට පිරිමි ළමයින් සමඟ වෙන්වීමේ මාතෘකාව පිළිබඳ සිත්ගන්නා නඩුවක් තිබුණි. කුලී රථයේ ගමනාන්තය වන “බී” ලක්ෂ්‍යය සඳහා අපි අනාවැකියක් කළ විට, අපි ඉඟි හඳුන්වා දුන්නෙමු. මෙන්න බලන්න.

(Victor Yandex.Taxi යෙදුමට ඇතුල් වේ.)

උදාහරණයක් ලෙස, කුලී රථය සිතන්නේ මම ගෙදර සිටින බවයි. ඔහු යෝජනා කරන්නේ මා රැකියාවට හෝ RUDN විශ්ව විද්‍යාලයට යන ලෙසයි (මම එහි යන්ත්‍ර ඉගෙනීමේ Data Mining in Action පාඨමාලාවේ කොටසක් ලෙස දේශන පවත්වමි). තවද යම් අවස්ථාවක දී, මෙම ඉඟි සංවර්ධනය කරන අතරතුර, අපි පරිශීලකයා සම්මුතියෙන් වැළකී සිටිය යුතු බව අපට වැටහුණා. ඕනෑම කෙනෙකුට B ලක්ෂ්‍යය දැකිය හැකිය. මෙම හේතූන් නිසා, අපි සමානකම් මත ස්ථාන යෝජනා කිරීම ප්‍රතික්ෂේප කළෙමු. එසේ නොමැතිනම්, ඔබ විනීත මිනිසුන් සමඟ හොඳ ස්ථානයක වාඩි වී, කුලී රථයක් ඇණවුම් කරන්න, ඔවුන් ඔබට මෙසේ ලියයි: "බලන්න, ඔබ තවමත් මෙම බාර් එකට ගොස් නැත!"

- ඔබේ සිතියමේ දැල්වෙන නිල් පැහැති තිත් මොනවාද?

මේවා පිකප් පොයින්ට්. මෙම කරුණු පෙන්නුම් කරන්නේ කුලී රථයක් ඇමතීම වඩාත් පහසු ස්ථානයයි. සියල්ලට පසු, ඔබට යාමට සම්පූර්ණයෙන්ම අපහසු වන ස්ථානයකට ඇමතිය හැකිය. නමුත් පොදුවේ, ඔබට ඕනෑම තැනක ඇමතිය හැකිය.

- ඔව්, ඕනෑම අවස්ථාවක. මම කොහොම හරි මේකෙන් බ්ලොක් දෙකක් පියාසර කළා.

මෑතකදී ජීපීඑස් සමඟ විවිධ දුෂ්කරතා ඇති විය, මෙය විවිධ හාස්‍යජනක තත්වයන්ට හේතු විය. නිදසුනක් වශයෙන්, Tverskaya හි මිනිසුන් පැසිෆික් සාගරය හරහා සංචාලනය මගින් ප්‍රවාහනය කරන ලදී. ඔබට පෙනෙන පරිදි, සමහර විට අතපසුවීම් සහ බ්ලොක් දෙකකට වඩා තිබේ.

- ඔබ යෙදුම නැවත ආරම්භ කර නැවත ක්ලික් කළහොත්, මිල රුබල් කිහිපයකින් වෙනස් වේ. ඇයි?

ඉල්ලුම සැපයුම ඉක්මවා ගියහොත්, ඇල්ගොරිතම ස්වයංක්‍රීයව වැඩිවන සංගුණකයක් ජනනය කරයි - මෙය ඉහළ ඉල්ලුමක් පවතින කාලවලදී පවා කුලී රථයක් භාවිතා කිරීමට හැකි ඉක්මනින් පිටත්ව යාමට අවශ්‍ය අයට උපකාරී වේ. මාර්ගය වන විට, යන්ත්‍ර ඉගෙනීමේ ආධාරයෙන් ඔබට වැඩි ඉල්ලුමක් පවතින්නේ කොතැනදැයි පුරෝකථනය කළ හැකිය, උදාහරණයක් ලෙස, පැයක්. සැපයුම ඉල්ලුමට සරිලන පරිදි වැඩි ඇණවුම් ඇත්තේ කොතැනදැයි රියදුරන්ට පැවසීමට මෙය අපට උපකාර කරයි.

- Yandex.Taxi ඉක්මනින් මුළු කුලී රථ වෙළඳපොලම මරා දමනු ඇතැයි ඔබ සිතන්නේ නැද්ද?

මම හිතන්නේ නෑ. අපි සෞඛ්‍ය සම්පන්න තරඟයක් සඳහා වන අතර එයට බිය නොවෙමු.

උදාහරණයක් ලෙස, මම විවිධ කුලී රථ සේවා භාවිතා කරමි. පොරොත්තු කාලය මට වැදගත්, ඒ නිසා මම ඉක්මනින් පැමිණෙන්නේ කුමන කුලී රථයදැයි බැලීමට යෙදුම් කිහිපයක් දෙස බලමි.

- ඔබ Uber සමඟ එකතු විය. කුමක් සඳහා ද?

එය මගේ අදහස් දැක්වීමට තැනක් නොවේ. මම හිතන්නේ එක්සත් වීම ගැඹුරු සංවේදී තීරණයක්.

ජර්මනියේ, එක් පුද්ගලයෙක් ඩ්‍රෝන මත නාන තටාකයක් සවි කර බර්ගර් එකක් සඳහා පියාසර කළේය. ගුවන් අවකාශය ප්‍රගුණ කිරීමට කාලය පැමිණ ඇතැයි ඔබ සිතුවාද?

මම ගුවන් අවකාශය ගැන දන්නේ නැහැ. "Uber විසින් බෝට්ටු මත කුලී රථ දියත් කර ඇත" වැනි පුවත් අපි අනුගමනය කරනවා, නමුත් මට වාතය ගැන කිසිවක් පැවසිය නොහැක.

- ස්වයං ධාවන කුලී රථ ගැන කුමක් කිව හැකිද?

මෙහි සිත්ගන්නා කරුණක් තිබේ. අපි ඒවා සංවර්ධනය කරමින් සිටිමු, නමුත් ඒවා නිවැරදිව භාවිතා කළ යුතු ආකාරය ගැන අප සිතා බැලිය යුතුය. ඔවුන් වීදිවල දිස්වන්නේ කුමන ස්වරූපයෙන් සහ කවදාද යන්න අනාවැකි කීමට තවමත් කල් වැඩියි, නමුත් මිනිස් රියදුරෙකු කිසිසේත් අවශ්‍ය නොවන පූර්ණ ස්වයංක්‍රීය මෝටර් රථයක් සඳහා තාක්‍ෂණය දියුණු කිරීමට අපි සෑම දෙයක්ම කරමින් සිටිමු.

- මෝටර් රථය දුරස්ථව පාලනය කිරීම සඳහා ඩ්‍රෝන් මෘදුකාංගය හැක් කරනු ඇතැයි බියක් තිබේද?

තාක්ෂණයන් සහ උපකරණ ඇති සෑම තැනකම සෑම විටම අවදානම් පවතී. නමුත් තාක්ෂණයේ දියුණුවත් සමඟම තවත් දිශාවක් ද වර්ධනය වෙමින් පවතී - ඔවුන්ගේ ආරක්ෂාව සහ ආරක්ෂාව. තාක්ෂණික සංවර්ධනයට එක් ආකාරයකින් හෝ වෙනත් ආකාරයකින් සම්බන්ධ වන සෑම කෙනෙකුම ආරක්ෂක පද්ධති මත වැඩ කරයි.

- ඔබ රැස් කරන පරිශීලක දත්ත මොනවාද සහ ඔබ එය ආරක්ෂා කරන්නේ කෙසේද?

අපි සංචාරය කළේ කොහේද, කවදාද සහ කොතැනද වැනි නිර්නාමික භාවිත දත්ත රැස් කරන්නෙමු. වැදගත් සියල්ල හෑෂ් කර ඇත.

- ඩ්‍රෝන් යානා නිසා රැකියා ප්‍රමාණය අඩු වේ යැයි ඔබ සිතනවාද?

මම හිතන්නේ එය තවත් විශාල වනු ඇත. තවමත් මේ ඩ්‍රෝන යානා කෙසේ හෝ නඩත්තු කළ යුතුයි. මෙය, ඇත්ත වශයෙන්ම, ටිකක් ආතති සහගත තත්ත්වය, ඔබේ විශේෂත්වය වෙනස් කරන්න, නමුත් ඔබට කුමක් කළ හැකිද?

- ඔහුගේ සෑම දේශනයකදීම, ග්‍රෙෆ් පවසන්නේ පුද්ගලයෙකු අවම වශයෙන් තුන් වතාවක් රැඩිකල් ලෙස තම වෘත්තිය වෙනස් කරන බවයි.

මට සදහටම පවතින විශේෂත්වයක් නම් කළ නොහැක. සංවර්ධකයෙකු තම ජීවිත කාලය පුරාම එකම භාෂාවෙන් සහ එකම තාක්ෂණයෙන් වැඩ නොකරයි. සෑම තැනකම අපි නැවත ගොඩනැඟිය යුතුයි. යන්ත්‍ර ඉගෙනීම සමඟ, මට වඩා අවුරුදු හයක් බාල පිරිමි ළමයින් මට වඩා වේගයෙන් සිතන ආකාරය මට පැහැදිලිව දැනේ. ඒ අතරම, වයස අවුරුදු 40 හෝ 45 අතර පුද්ගලයින්ට මෙය වඩාත් තදින් දැනේ.

- අත්දැකීම් තවදුරටත් කාර්යභාරයක් ඉටු කරන්නේ නැද්ද?

සෙල්ලම් කරනවා. නමුත් ක්‍රම වෙනස් වේ, ඔබට ප්‍රදේශයකට පැමිණිය හැකිය, උදාහරණයක් ලෙස, ගැඹුරු ඉගෙනීම භාවිතා කර නැත, ඔබ යම් කාලයක් එහි වැඩ කරයි, එවිට ගැඹුරු ඉගෙනීමේ ක්‍රම සෑම තැනකම හඳුන්වා දෙනු ලැබේ, ඔබට ඒ ගැන කිසිවක් තේරෙන්නේ නැත. එච්චරයි. ඔබේ අත්දැකීම ප්රයෝජනවත් විය හැක්කේ කණ්ඩායමේ වැඩ සැලසුම් කිරීමේ කාරණයේදී පමණක් වන අතර, එසේ වුවද සෑම විටම නොවේ.

- සහ ඔබේ වෘත්තිය දත්ත විද්යාඥයෙක්, එය ඉල්ලුමක් තිබේද?

දත්ත විද්‍යා විශේෂඥයින් සඳහා ඇති ඉල්ලුම ප්‍රස්ථාරයෙන් බැහැර ය. නිසැකවම, මෙය උමතු ප්‍රචාරණ කාල පරිච්ඡේදයකි. දෙවියන්ට ස්තූතියි, බ්ලොක්චේන් මෙම උද්දීපනය මඳක් අඩු කිරීමට උපකාරී විය. බ්ලොක්චේන් විශේෂඥයින් ඊටත් වඩා වේගයෙන් ලබා ගනී.

නමුත් බොහෝ සමාගම් දැන් සිතන්නේ ඔවුන් යන්ත්‍ර ඉගෙනීමට මුදල් ආයෝජනය කළහොත් ඔවුන්ගේ උද්‍යාන වහාම පිපෙන බවයි. මේක වැරදියි. යන්ත්‍ර ඉගෙනීම පවතිනවා පමණක් නොව විශේෂිත ගැටළු විසඳිය යුතුය.

බැංකුවකට පරිශීලකයින් සඳහා සේවා සඳහා නිර්දේශ පද්ධතියක් කිරීමට අවශ්‍ය අවස්ථා තිබේ. අපි අසන්නෙමු: "මෙය ආර්ථික වශයෙන් යුක්ති සහගත වනු ඇතැයි ඔබ සිතනවාද?" ඔවුන් පිළිතුරු දෙන්නේ: “අපිට වැඩක් නැහැ. කරන්න. සෑම කෙනෙකුටම නිර්දේශ පද්ධති ඇත, අපි ප්‍රවණතාවයේ සිටිමු. ”

ව්‍යාපාරයට ඇත්තටම ප්‍රයෝජනවත් දෙයක් එක දවසකින් කරන්න බැරි එක තමයි වේදනාව. පද්ධතිය ඉගෙන ගන්නේ කෙසේදැයි අප බලා සිටිය යුතුය. නමුත් එය සෑම විටම මුලදී වැරදි සිදු කරයි; ඔබ වැරදි නිවැරදි කරන්න, පසුව ඒවා නැවත නිවැරදි කරන්න, සහ සියල්ල නැවත කරන්න. මෙයින් පසු, ඔබ පද්ධතිය වින්‍යාසගත කළ යුතු අතර එමඟින් එය නිෂ්පාදනයේදී ක්‍රියා කරයි, එවිට එය ස්ථායී සහ පරිමාණය කළ හැකිය, මෙය තවමත් කාලයයි. ප්රතිඵලයක් වශයෙන්, එක් ව්යාපෘතියක් මාස හයක්, අවුරුද්දක් හෝ ඊට වැඩි කාලයක් ගත වේ.

ඔබ යන්ත්‍ර ඉගෙනීමේ ක්‍රම කළු පෙට්ටියක් ලෙස බැලුවහොත්, සමහර පිස්සු දේවල් සිදුවීමට පටන් ගත් විට ඔබට පහසුවෙන් මග හැරිය හැක. රැවුල වවාගත් කතාවක් තියෙනවා. පින්තූරයේ ටැංකියක් තිබේද නැද්ද යන්න විශ්ලේෂණය කිරීමට භාවිතා කළ හැකි ඇල්ගොරිතමයක් නිර්මාණය කරන ලෙස හමුදාව ඉල්ලා සිටියේය. පර්යේෂකයන් එය සෑදුවා, එය පරීක්ෂා කළා, ගුණාත්මකභාවය විශිෂ්ටයි, හැම දෙයක්ම විශිෂ්ටයි, ඔවුන් එය හමුදාවට දුන්නා. හමුදාව ඇවිත් කියනවා කිසිම වැඩක් නැහැ කියලා. විද්යාඥයන් නොසන්සුන් ලෙස තේරුම් ගැනීමට පටන් ගෙන ඇත. හමුදාව ගෙන ආ ටැංකිය සහිත සියලුම ඡායාරූපවල පෑනක් සමඟ කෙළවරේ ටික් එකක් තබා ඇති බව පෙනේ. ඇල්ගොරිතම දෝෂ රහිතව පිරික්සුම් සලකුණක් සොයා ගැනීමට ඉගෙන ගත්තේ ටැංකිය ගැන කිසිවක් දැන සිටියේ නැත. ස්වාභාවිකවම, නව පින්තූරවල සලකුණු නොමැත.

ඔවුන්ගේම සංවාද පද්ධති වර්ධනය කරන දරුවන් මට හමු වී ඇත. ඔබ දරුවන් සමඟ සහයෝගයෙන් කටයුතු කළ යුතු යැයි ඔබ කවදා හෝ සිතුවාද?

මම දැන් සෑහෙන කාලෙක ඉඳන් ඉස්කෝලේ ළමයින්ගේ විවිධ ඉසව්වලට යනවා, යන්ත්‍ර ඉගෙනීම ගැන දේශන පවත්වනවා. තවද, මාර්ගය වන විට, එක් මාතෘකාවක් මට ඉගැන්වූයේ දහයේ ශ්‍රේණියේ සිසුවෙකු විසිනි. මගේ කතාව හොඳ හා රසවත් වනු ඇතැයි මට නිසැකවම විශ්වාස විය, මම මා ගැන ආඩම්බර වූවෙමි, මම විකාශනය කිරීමට පටන් ගතිමි, සහ ගැහැණු ළමයා මෙවැන්නකි: "අනේ, අපට මේ දේ අවම කිරීමට අවශ්‍යයි." මම බලන්න සහ සිතන්නේ, ඇත්ත වශයෙන්ම, ඇයි, සහ සත්යය අවම කළ හැකි අතර, මෙහි ඔප්පු කිරීමට විශේෂ කිසිවක් නොමැත. දැනටමත් වසර කිහිපයක් ගත වී ඇත, දැන් ඇය භෞතික විද්‍යා හා තාක්ෂණ ආයතනයේ ශිෂ්‍යාවක් ලෙස අපගේ දේශනවලට සවන් දෙයි. Yandex, මාර්ගය වන විට, පාසල් දරුවන්ට නොමිලේ ලබා ගත හැකි Yandex.Lyceum ඇත මූලික දැනුමවැඩසටහන්කරණය මත.

- දැනට යන්ත්‍ර ඉගෙනීම උගන්වන විශ්වවිද්‍යාල සහ පීඨ නිර්දේශ කරන්න.

MIPT, FIVT සහ FUPM පීඨ ඇත. HSE හි අපූරු පරිගණක විද්‍යා අංශයක් ද ඇති අතර මොස්කව් ප්‍රාන්ත විශ්ව විද්‍යාලයේ පරිගණක විද්‍යා සංකීර්ණයේ යන්ත්‍ර ඉගෙනීම ඇත. හොඳයි, දැන් ඔබට RUDN විශ්ව විද්‍යාලයේ අපගේ පාඨමාලාව හැදෑරිය හැකිය.

මම දැනටමත් පවසා ඇති පරිදි, මෙම වෘත්තිය ඉල්ලුමේ පවතී. ඉතා දිගු කාලයක් කාර්මික අධ්‍යාපනය ලැබූ අය කළේ සම්පූර්ණයෙන්ම වෙනස් දේවල්. තාක්‍ෂණික අධ්‍යාපනය ඇති අය ඉගැන්වූ සියලුම දේ දැන් සෘජුවම අවශ්‍ය, ප්‍රයෝජනවත් සහ හොඳින් ගෙවන විට යන්ත්‍ර ඉගෙනීම අපූරු උදාහරණයකි.

- කොපමණ හොඳද?

මුදල නම් කරන්න.

- මසකට 500 දහසක්.

සාමාන්‍ය දත්ත විද්‍යාඥයෙකු නොවී ඔබට පුළුවන්. නමුත් සමහර සමාගම්වල සරල වැඩ සඳහා සීමාවාසිකයෙකුට 50 දහසක් උපයා ගත හැකිය. සාමාන්යයෙන්, සිසිල් දත්ත විද්යාඥයෙකුගේ වැටුප සමහර මධ්යම ප්රමාණයේ සමාගමක ප්රධාන විධායක නිලධාරියාගේ වැටුප සමඟ සැසඳිය හැක. බොහෝ සමාගම්වල, වැටුපට අමතරව, සේවකයාට තවත් බොහෝ ප්රතිලාභ ලබා දෙන අතර, පුද්ගලයා නොපැමිණි බව පැහැදිලි නම්. හොඳ වෙළඳ නාමයඑය ඔහුගේ ජීව දත්ත පත්‍රයේ තබන්න, නමුත් ඇත්ත වශයෙන්ම වැඩ කරන්න, එවිට සියල්ල හොඳින් වනු ඇත.

FIVT හි අසාමාන්ය විෂයයක් - නව්ය වැඩමුළුවක් - ආරම්භ වූ මොහොතේ සිට වසරකට ආසන්න කාලයක් ගත වී ඇත. එහි සාරය නම් පළපුරුදු උපදේශකයින්ගේ මගපෙන්වීම යටතේ ශිෂ්‍ය කණ්ඩායම් විසින් තොරතුරු තාක්ෂණ ආරම්භයන් නිර්මාණය කිරීමයි. එය හොඳින් සිදු විය: පා course මාලාවට ස්තූතිවන්ත වන්නට, යමෙකු ගිම්හානයේ කොටසක් ක්‍රීම් නිම්නයේ ගත කළ අතර, යමෙකුට ව්‍යාපෘතියේ සංවර්ධනය සඳහා රූබල් 800,000 ක ප්‍රදානයක් ලැබුණි, සහ ABBYY යමෙකුගෙන් ව්‍යාපෘතිය සම්පූර්ණයෙන්ම මිලදී ගැනීමට සූදානම්ය. තවද මෙය වැඩමුළුවේ සියලු ප්රතිඵල නොවේ!

2011 ආරම්භයේදී, FIVT හි තුන්වන වසරේ සිසුන් එක්රැස්වීම් ශාලාවට රැස්වී මෙසේ පැවසීය: ඊළඟ වසර තුළ ඔබට ඔබේම ආරම්භයක් නිර්මාණය කිරීමට අවශ්‍ය වනු ඇත. සිසුන් මෙම අදහස අපැහැදිලි ලෙස පිළිගත්තේ නැත: එය කිසිසේත් කරන්නේ කෙසේද යන්න පැහැදිලි නැත, සහ වගකීම අසාමාන්‍ය විය - සියල්ලට පසු, එය තවත් අධ්‍යාපනික ව්‍යාපෘතියක් පමණක් නොව තාක්ෂණික ව්‍යාපාරයක් නිර්මාණය කිරීම අවශ්‍ය විය. භෞතික විද්‍යාව පිළිබඳ MIPT ශිෂ්‍ය ඔලිම්පියාඩ් ජයග්‍රාහකයා, Yandeska දෙපාර්තමේන්තුවේ ශිෂ්‍ය Viktor Kantor ඒ ගැන සිතන දේ මෙන්න:

මම ඇතුළත් වූ පසු FIVT තෝරා ගත් විට, අපට සමාන දෙයක් ලැබෙනු ඇතැයි මම බලාපොරොත්තු වෙමි. ඉතින් මගේ බලාපොරොත්තු නිෂ්ඵල නොවීම ගැන සතුටුයි. වසර තුළ, පා course මාලාව තවමත් නිර්මාණය වෙමින් පවතින බව හැඟී ගියේය, එහි බොහෝ දේ අලුත් ය, බොහෝ ප්‍රශ්න සිසුන්ට පමණක් නොව සංවිධායකයින්ට ද මතභේදාත්මක විය, නමුත් පොදුවේ ගත් කල, ප්‍රවණතා ධනාත්මක යැයි මම සිතමි. මම මේ පාඨමාලාවට කැමති වුණා.

සිසුන්ගේ වැඩ කටයුතු පහසු කිරීම සඳහා, නව්‍ය ව්‍යාපාර ගොඩනැගීම සඳහා ඔවුන්ගේ අදහස් ඉදිරිපත් කිරීමට විවිධ භාරකරුවන්ට ආරාධනා කරන ලදී. ඔවුන් අතර සම්පූර්ණයෙන්ම විය විවිධ පුද්ගලයන්: MIPT හි උපාධි අපේක්ෂකයින් සහ උපාධිධාරී සිසුන්ගේ සිට Ernst&Young නවෝත්පාදන උපදේශක යූරි Pavlovich Ammosov (ඔහු මුළු පාඨමාලාවේම නායකයා විය) සහ පුනර්ජනනීය වෛද්‍ය විද්‍යාව සහ ආයු කාලය දීර්ඝ කිරීමේ ගැටළු සම්බන්ධයෙන් කටයුතු කරන Mikhail Batin දක්වා. එහි ප්‍රතිඵලයක් වශයෙන්, භෞතික විද්‍යා හා තාක්ෂණ සිසුන් තමන්ට වඩාත් සිත්ගන්නාසුලු අදහස් තෝරා ගත් අතර, භාරකරුවන් කණ්ඩායම්වලට එකතු වූ අතර, දුෂ්කර නමුත් උද්යෝගිමත් කාර්යය ආරම්භ විය.

එතැන් සිට ගත වූ වසරකට ආසන්න කාලයක් තුළ, පිරිමි ළමයින් බොහෝ ගැටලුවලට මුහුණ දී ඇති අතර ඒවායින් සමහරක් විසඳා ඇත. දැන් අපට ඔවුන්ගේ ප්‍රති results ල ඇගයීමට ලක් කළ හැකිය - දුෂ්කරතා තිබියදීත්, පිරිමි ළමයින් එයට මුහුණ දුන්හ. MIPT සිසුන් (දර්ශන පීඨයට අමතරව, භාෂා විද්‍යා පීඨයේ සහ අනෙකුත් පීඨවල සමහර සිසුන් මෙම ක්‍රියාවලියට සම්බන්ධ විය) තරමක් රසවත් හා ශක්‍ය ව්‍යාපෘති කිහිපයක් සකස් කිරීමට සමත් විය:

Askeroid (කලින් Ask Droid) - ස්මාර්ට් ෆෝන් සඳහා සොයන්න ( Anastasia Uryasheva)

සෙවුම් යන්ත්‍ර විශාල සංඛ්‍යාවක පහසුවෙන් සෙවීමට ඔබට ඉඩ සලසන ඇන්ඩ්‍රොයිඩ් යෙදුමකි. සමහර ප්‍රවීණයන් සංවර්ධනය කෙරෙහි උනන්දුවක් දැක්වූ අතර, එහි ප්‍රති result ලයක් වශයෙන්, ඇනස්ටේෂියා පසුගිය ගිම්හානය පුරාම සිලිකන් නිම්නයේ වඩාත් ප්‍රසිද්ධ ඉන්කියුබේටර් එකක ගත කළේය - ප්ලග් ඇන්ඩ් ප්ලේ. තාක්ෂණික ව්යවසායකත්වයේ මූලික කරුණු ඉගෙන ගැනීම සහ ජාත්යන්තර ව්යාපාර විශේෂඥයින් සමඟ කතා කිරීම.

1minute.ru - යහපත සඳහා විනාඩියක් (Lev Grunin)

මෙම ව්‍යාපෘතිය මඟින් ඕනෑම කෙනෙකුට පුණ්‍ය කටයුතු සරලව, ඉක්මනින් සහ සම්පූර්ණයෙන්ම නොමිලේ කිරීමට අවස්ථාව ලබා දේ. ආකෘතිය සරලයි: දැන්වීම්කරුවන් වෙබ් අඩවියේ යම් ක්රියාකාරකම් මාලාවක් ඉදිරිපත් කරයි, පරිශීලකයන් ස්වේච්ඡාවෙන් ඒවාට සහභාගී වන අතර, ප්රචාරණයෙන් ලැබෙන සියලු මුදල් පුණ්ය පදනමකට මාරු කරනු ලැබේ. එය දියත් කර සතියක් ඇතුළත, ව්‍යාපෘතිය පරිශීලකයින් 6,500 කට වඩා රැස් කර ගත් අතර එතැනින් නතර නොවනු ඇත. එහි ප්රතිඵලයක් වශයෙන්, ලෙව් සහ ඔහුගේ කණ්ඩායමට ස්තුතිවන්ත වන අතර, අනාථ නිවාසවල ළමුන් 600 ක් ලැබෙනු ඇත නව වර්ෂයසැන්ටා ක්ලවුස් වෙතින් වටිනා තෑගි. ඔබ දැනටමත් යහපත් ක්‍රියාවක් සඳහා මිනිත්තුවක් ගත කර තිබේද?!

Embedded Desktop - ඔබගේ දුරකථනයේ පරිගණකයක් (Alexey Vukolo)

පරිගණකයක හැකියාවන් සහ දුරකථනයක සංචලනය එක් පැකේජයක් තුළ ඒකාබද්ධ කිරීමට ඔබට ඉඩ සලසන යෙදුමක් - අතිශයින්ම ප්රයෝජනවත් නිෂ්පාදනයක්බොහෝ විට ව්යාපාරික කටයුතු සඳහා ගමන් කරන කාර්යබහුල පුද්ගලයින් සඳහා. එය ස්මාර්ට් ජංගම දුරකතනයක ස්ථාපනය කිරීම ප්‍රමාණවත් වන අතර, පරිශීලකයාට ඕනෑම හෝටලයක, කාර්යාලයක සහ ඇත්ත වශයෙන්ම ඔහුට මොනිටරයක් ​​(රූපවාහිනියක් ද සුදුසුය), යතුරුපුවරුවක් සහ යතුරුපුවරුවක් සොයාගත හැකි ඕනෑම තැනක ඔහුගේ පරිගණකය “ලබා ගැනීමට” හැකි වේ. මූසිකය. මෙම ව්‍යාපෘතියට අදහස වර්ධනය කිරීම සඳහා ප්‍රදානයක් ලැබුණු අතර එය Technovation Cup ප්‍රදර්ශනයේදී ඉදිරිපත් කරන ලද අතර ලැබුණු මුදල් සමඟ කණ්ඩායම දැනටමත් ක්‍රියාකාරීව උපකරණ මිලදී ගනිමින් සිටී. ඇමරිකානු ප්‍රොසෙසර් නිෂ්පාදක MIPS සංවර්ධනය සඳහා අතිශයින් උනන්දු වේ.

Smart Tagger - ලේඛන හරහා අර්ථකථන සෙවීම (Victor Kantor)

Big Bang Theory හි නවතම කථාංගය ගැන කතා කරන ඉතා වැදගත් ලිපියක් ඔබේ තැපැල් පෙට්ටියේ කොතැනක හෝ තිබූ බව ඔබට මතක නම්, නමුත් ඔබට පෙළෙහි ප්‍රධාන වචන කිසිවක් මතක නැතිනම් ඔබ කුමක් කළ යුතුද? Yandex සහ Google සෙවීම බල රහිත ය. ස්මාර්ට් ටැගර් සංවර්ධනය ගලවා ගැනීමට පැමිණෙනු ඇත - අර්ථකථන සෙවුම භාවිතා කරන “ස්මාර්ට්” වැඩසටහනක් ජනප්‍රිය රූපවාහිනී කතා මාලාව සමඟ බැඳී ඇති සියලුම පෙළ ඔබට ලබා දෙනු ඇත. මෙම ව්‍යාපෘතිය U.M.N.I.K තරඟයේදී ප්‍රදානයක් දිනා ගත්තේය. මුළු රූබල් 400,000 ක්!

MathOcr - සූත්‍ර හඳුනාගැනීම (Viktor Prun)

ABBYY ක්‍රියාත්මක කිරීම සඳහා සිත්ගන්නා කාර්යයක් යෝජනා කළේය - ඕනෑම සංකීර්ණතාවයක ගණිතමය සූත්‍ර හඳුනා ගන්නා වැඩසටහනක් නිර්මාණය කිරීම. FIVT සිසුන්, උනන්දුවක් දක්වන සිසුන් සමඟ සහයෝගයෙන් කටයුතු කර, කාර්යය සම්පූර්ණ කර ඇත - මොඩියුලය ඇත්ත වශයෙන්ම ගණිතය හෝ භෞතික විද්‍යාව පිළිබඳ පෙළපොත් වලින් පරිලෝකනය කරන ලද සූත්‍ර හඳුනා ගනී. ප්‍රතිඵලය: ABBYY මෙම නිෂ්පාදනය විශාල මුදලකට මිලදී ගැනීමට සූදානම්ය.