मेसिन लर्निङका प्रकार

सुपरभाइज्ड लर्निङ: सबैभन्दा सामान्य तरिका

सुपरभाइज्ड लर्निङमा तपाईंसँग सही उत्तर जोडिएको डाटा हुन्छ। प्रत्येक उदाहरण एउटा जोडी हो: इनपुट, र सही आउटपुट। मोडेलको काम लेबल लगाइएका उदाहरणको मार्गदर्शनमा इनपुटलाई आउटपुटमा मिलाउने कार्य खोज्नु हो।

केही द्रुत उदाहरण:

• खल्ती ठगी पहिचान। प्रत्येक ऐतिहासिक कारोबार “ठगी” वा “ठगी होइन” भनी लेबल लगाइएको छ। मोडेलले नयाँ कारोबारलाई ठगी सम्भाव्यतामा मिलाउन सिक्छ।
• देवनागरी OCR। प्रत्येक तालिम छवि देवनागरी अक्षरको फोटो हो, कुन अक्षर हो भनी लेबल लगाइएको। मोडेलले छविलाई अक्षरमा मिलाउन सिक्छ।
• चितवनमा बाली-उत्पादन अनुमान। प्रत्येक ऐतिहासिक धान सिजन टन-मा उत्पादनसहित लेबल लगाइएको। मोडेलले मौसम, वर्षा, र रोप्ने मितिलाई अपेक्षित उत्पादनमा मिलाउन सिक्छ।

सुपरभाइज्ड लर्निङ लागू एआईको प्रमुख विधि हो। तपाईंले अन्तरक्रिया गरेको लगभग हरेक एआई तैनाथी, भित्री रूपमा, सुपरभाइज्ड हो। यो मूल्याङ्कन गर्न पनि सजिलो छ: केही लेबल लगाइएका उदाहरण छुट्याउनुहोस्, मोडेललाई अनुमान गर्न लगाउनुहोस्, र कति पटक सही भयो गन्नुहोस्।

समस्या: लेबल पाउनु महँगो छ। कसैले — प्राय: धेरै जनाले — हरेक तालिम उदाहरण हेरेर उत्तर लेख्नुपर्थ्यो। नेपाली देवनागरी OCR प्रणालीका लागि त्यो दशौं हजार लेबल लगाइएका अक्षर छविहरू हुन्। खल्ती ठगीका लागि, यो मानिसले (वा अन्य प्रणालीले) समीक्षा गरेका लाखौं कारोबार हुन्। उत्पादन एआईमा सामान्यतया मोडेलको लागत होइन — लेबलिङको लागत बाधक हुन्छ।

अनसुपरभाइज्ड लर्निङ: लेबल बिनै संरचना खोज्ने

अनसुपरभाइज्ड लर्निङमा तपाईंसँग डाटा छ, तर लेबल छैन। मोडेलको काम — के खोज्ने भनिएन तर पनि संरचना — ढाँचा, क्लस्टर, सरल प्रतिनिधित्व — खोज्ने हो।

दुई सामान्य प्रकार:

• क्लस्टरिङ। उस्तै उदाहरण समूहीकरण। १,००,००० पठाओ यात्रा लिनुहोस् र सोध्नुहोस्: “यात्राका प्राकृतिक प्रकार” छन् कि? एल्गोरिथमले छोटो डाउनटाउन यात्रा, लामो विमानस्थल यात्रा, ठमेलबाट राति-राति यात्रा जस्ता क्लस्टर भेट्न सक्छ। ती छन् भनेर कुनै मानवले भनेन; एल्गोरिथमले आफै पत्ता लगायो।
• आयाम घटाउने। धेरै नगुमाई डाटा संकुचित गर्ने। खल्ती प्रयोगकर्ताको व्यवहार सयौं विशेषताले वर्णन गर्न सकिन्छ; अनसुपरभाइज्ड एल्गोरिथमले तिनलाई २० आयाममा संकुचित गर्न सक्छ, अधिकांश रोचक कुरा बचाएर।

अनसुपरभाइज्ड लर्निङ उपयोगी हुन्छ जब तपाईंलाई के खोज्दै हुनुहुन्छ थाहा छैन, जब लेबल सङ्कलन गर्न महँगो छ, वा जब के मोडेल बनाउने निर्णय गर्नुअघि डाटा अन्वेषण गर्न चाहनुहुन्छ।

समस्या: अनसुपरभाइज्ड मोडेलको मूल्याङ्कन गाह्रो छ। तुलना गर्ने “सही उत्तर” छैन। क्लस्टर मानिसलाई सही देखिन्छ कि, वा तिनले पछिल्ला कार्यलाई सघाउँछन् कि सोध्न सकिन्छ — तर यी लेबलले दिने सटीकताभन्दा नरम मापन हुन्।

रिइन्फोर्समेन्ट लर्निङ: परिणामबाट सिक्ने

रिइन्फोर्समेन्ट लर्निङ तीनमध्ये सबैभन्दा अनौठो हो। मोडेल कुनै वातावरणमा कार्य गर्ने एजेन्ट हो, जसले इनाम (वा सजाय) पाउँछ र रणनीति अद्यावधिक गर्छ। यहाँ लेबल लगाइएका उदाहरण छैनन्, स्थिर डाटासेट छैन; एजेन्टले कार्य गरेर आफ्नो अनुभव आफै बनाउँछ।

उदाहरण:

• AlphaGo। एजेन्टले गो खेल्छ। जित्दा +१, हार्दा −१ इनाम। एजेन्टले आफैसँग लाखौं पटक खेल्छ, बिस्तारै नीतिलाई जित्ने चालतर्फ सार्छ।
• रोबोट हिँडाइ। त्रिभुवन विश्वविद्यालयको प्रयोगशालामा चार-खुट्टे रोबोटले गति प्रयास गरेर हिँड्न सिक्छ; इनाम अघिल्तिर बेग, सजाय लड्नु।
• डाटा सेन्टरमा स्रोत बाँडफाँट। एजेन्टले बिजुली खर्च न्यून बनाउन वर्कलोड कसरी निर्धारण गर्ने निर्णय गर्छ; इनाम बचत भएको ऊर्जा।

रिइन्फोर्समेन्ट लर्निङ शक्तिशाली छ जब सही व्यवहार सीधै तोक्न गाह्रो छ तर पछि मूल्याङ्कन गर्न सजिलो। यो नाजुक पनि छ: नराम्रा इनाम-कार्यले खतरनाक व्यवहार उत्पादन गर्छन्, र एजेन्टले प्रायः तपाईंले नसोचेका छिद्र पत्ता लगाउँछ।

समस्या: RL लाई करोडौं वा अर्बौं अनुभव चाहिन्छ, जुन सिमुलेटरमा (गो, भिडियो खेल) ठीक छ तर वास्तविक संसारमा (रोबोट दिनमा यति घण्टा मात्र हिँड्न सक्छ) पीडादायी रूपमा महँगो छ। २०२६ का धेरैजसो “RL” सफलता कथा अझै सिमुलेटेड वातावरणमै छन्।

कुन समस्यामा कुन?

यो रूख प्रयोग गर्नुहोस्:

• तपाईंसँग पुराना उदाहरणको लेबल लगाइएको डाटासेट छ? सुपरभाइज्ड लर्निङ।
• तपाईंसँग डाटा छ तर लेबल छैन, र संरचना अन्वेषण गर्न चाहनुहुन्छ? अनसुपरभाइज्ड लर्निङ।
• तपाईं वातावरणमा कार्य गर्ने कुरा नियन्त्रण गर्दै हुनुहुन्छ, र कस्तो भयो भन्ने प्रतिक्रिया पाउनुहुन्छ? रिइन्फोर्समेन्ट लर्निङ।

धेरै वास्तविक प्रणालीले तीनै मिलाउँछन्। चाटजीपीटी सुपरभाइज्ड लर्निङ (पाठमा) ले तालिम पायो, अनि रिइन्फोर्समेन्ट लर्निङ (मानव फिडब्याकबाट) ले परिष्कृत भयो। खल्तीको ठगी प्रणालीले वर्गीकरणका लागि सुपरभाइज्ड र समयसँगै आउने नयाँ प्रकारका ठगी पत्ता लगाउन अनसुपरभाइज्ड क्लस्टरिङ प्रयोग गर्छ। सीमा उपयोगी छन् तर छिद्रिल छन्।

लेबलहरूपछिका लेबल

हरेक वास्तविक तैनाथीमा देखिने एउटा कुरा — लेबल नि:शुल्क छैन, र लेबल तटस्थ छैन। कसैले के ठगी हो, के सकारात्मक भावना हो, के सही देवनागरी अक्षर हो भनेर निर्णय गर्‍यो। ती निर्णय हरेक सुपरभाइज्ड मोडेलमा बेक हुन्छन्।

लेबलकर्ता प्रतिनिधित्वमूलक थिएनन् भने — एउटै समुदायबाट, वा हतार-हतार गरेर — मोडेलले उनीहरूका अन्धा क्षेत्र पनि सिक्छ। मुख्यतया युरोपेली अनुहारमा युरोपेलीहरूले लेबल लगाएको अनुहार पहिचान प्रणाली असनमा राम्रो काम गर्दैन। यो एल्गोरिथमको त्रुटि होइन; यो सुपरभाइज्ड लर्निङले कसरी काम गर्छ भन्ने विशेषता हो।

नेपाली एआईका लागि अर्थ: डाटा लेबल लगाउने स्थानीय क्षमता निर्माण कमसेकम मोडेल तालिम दिने क्षमता निर्माणजति महत्त्वपूर्ण छ। दुवै बाधा हुन्। केवल एउटाले मात्र टेक पत्रिकाहरूमा स्थान पाउँछ।

आफ्नो बुझाइ जाँच्नुहोस्

छोटो जाँच

—

स्वास्थ्य एनजीओसँग लुम्बिनीका गाउँहरूबाट ५०,००० अज्ञातीकृत सर्वेक्षण उत्तर छन्, लेबल छैन। उनीहरू डाटामा कस्ता 'घरधुरीका प्रकार' छन् बुझ्न चाहन्छन्। कुन तरिका मिल्छ?

1. Aसुपरभाइज्ड लर्निङ
2. Bअनसुपरभाइज्ड लर्निङ (जस्तै क्लस्टरिङ)
3. Cरिइन्फोर्समेन्ट लर्निङ
4. Dकुनै पनि होइन — यो मेसिन लर्निङ कार्य होइन

उत्तर जाँच्नुहोस्→

अब के?

तीन तरिका स्केच गर्‍यौं। अर्को खण्ड सबैभन्दा सरल सुपरभाइज्ड वर्गीकरणकर्तामा गहिराइ खोल्छ — सबैभन्दा नजिकको छिमेकी — जसले लगभग कुनै काम नगरी पनि आश्चर्यजनक रूपमा राम्रो प्रदर्शन गर्छ। यो पछिल्ला सबैका लागि उत्कृष्ट मानसिक मोडेल हो।