ಆಟೊಮೇಷನ್: ಡೇಟಾ ವಿಜ್ಞಾನ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆಯ ಭವಿಷ್ಯ?

ಗಣಕಯಂತ್ರದ ಇತಿಹಾಸದಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಯು ಒಂದು ದೊಡ್ಡ ಪ್ರಗತಿಯಾಗಿದೆ ಮತ್ತು ಈಗ ದೊಡ್ಡ ದತ್ತಾಂಶ ಮತ್ತು ವಿಶ್ಲೇಷಣೆಗಳ ಕ್ಷೇತ್ರದಲ್ಲಿ ಮಹತ್ವದ ಪಾತ್ರವನ್ನು ವಹಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತಿದೆ. ದೊಡ್ಡ ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಣೆಯು ಉದ್ಯಮದ ದೃಷ್ಟಿಕೋನದಿಂದ ಒಂದು ದೊಡ್ಡ ಸವಾಲಾಗಿದೆ. ಉದಾಹರಣೆಗೆ, ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ವಿವಿಧ ಡೇಟಾ ಫಾರ್ಮ್ಯಾಟ್‌ಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು, ಡೇಟಾ ತಯಾರಿಕೆಯನ್ನು ವಿಶ್ಲೇಷಿಸುವುದು ಮತ್ತು ಅನಗತ್ಯ ಡೇಟಾವನ್ನು ಫಿಲ್ಟರ್ ಮಾಡುವುದು ಮುಂತಾದ ಚಟುವಟಿಕೆಗಳು ಸಂಪನ್ಮೂಲವನ್ನು ತೀವ್ರಗೊಳಿಸಬಹುದು. ಡೇಟಾ ವಿಜ್ಞಾನಿ ತಜ್ಞರನ್ನು ನೇಮಿಸಿಕೊಳ್ಳುವುದು ದುಬಾರಿ ಪ್ರತಿಪಾದನೆಯಾಗಿದೆ ಮತ್ತು ಪ್ರತಿ ಕಂಪನಿಯ ಅಂತ್ಯಕ್ಕೆ ಒಂದು ಮಾರ್ಗವಲ್ಲ. ಯಂತ್ರ ಕಲಿಕೆಯು ವಿಶ್ಲೇಷಣೆಗೆ ಸಂಬಂಧಿಸಿದ ಅನೇಕ ಕಾರ್ಯಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸಬಹುದು ಎಂದು ತಜ್ಞರು ನಂಬುತ್ತಾರೆ - ದಿನಚರಿ ಮತ್ತು ಸಂಕೀರ್ಣ. ಸ್ವಯಂಚಾಲಿತ ಯಂತ್ರ ಕಲಿಕೆ ಹೆಚ್ಚು ಸಂಕೀರ್ಣ ಮತ್ತು ನವೀನ ಕೆಲಸಗಳಿಗೆ ಬಳಸಬಹುದಾದ ಗಮನಾರ್ಹ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಮುಕ್ತಗೊಳಿಸಬಹುದು. ಯಂತ್ರ ಕಲಿಕೆಯು ಈ ದಿಕ್ಕಿನಲ್ಲಿ ಸಾರ್ವಕಾಲಿಕ ಚಲಿಸುತ್ತಿರುವಂತೆ ತೋರುತ್ತದೆ.

ಮಾಹಿತಿ ತಂತ್ರಜ್ಞಾನದ ಸಂದರ್ಭದಲ್ಲಿ ಆಟೊಮೇಷನ್

IT ಯಲ್ಲಿ, ಆಟೊಮೇಷನ್ ಎನ್ನುವುದು ವಿವಿಧ ವ್ಯವಸ್ಥೆಗಳು ಮತ್ತು ಸಾಫ್ಟ್‌ವೇರ್‌ಗಳ ಸಂಪರ್ಕವಾಗಿದ್ದು, ಯಾವುದೇ ಮಾನವ ಹಸ್ತಕ್ಷೇಪವಿಲ್ಲದೆ ನಿರ್ದಿಷ್ಟ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. IT ಯಲ್ಲಿ, ಸ್ವಯಂಚಾಲಿತ ವ್ಯವಸ್ಥೆಗಳು ಸರಳ ಮತ್ತು ಸಂಕೀರ್ಣವಾದ ಕೆಲಸಗಳನ್ನು ನಿರ್ವಹಿಸಬಹುದು. ಸರಳವಾದ ಕೆಲಸದ ಉದಾಹರಣೆಯು ಪಿಡಿಎಫ್‌ಗಳೊಂದಿಗೆ ಫಾರ್ಮ್‌ಗಳನ್ನು ಸಂಯೋಜಿಸುವುದು ಮತ್ತು ಸರಿಯಾದ ಸ್ವೀಕರಿಸುವವರಿಗೆ ಡಾಕ್ಯುಮೆಂಟ್‌ಗಳನ್ನು ಕಳುಹಿಸುವುದು, ಆದರೆ ಆಫ್-ಸೈಟ್ ಬ್ಯಾಕಪ್‌ಗಳನ್ನು ಒದಗಿಸುವುದು ಸಂಕೀರ್ಣವಾದ ಕೆಲಸದ ಉದಾಹರಣೆಯಾಗಿರಬಹುದು.

ನಿಮ್ಮ ಕೆಲಸವನ್ನು ಸರಿಯಾಗಿ ಮಾಡಲು, ನೀವು ಪ್ರೋಗ್ರಾಂ ಮಾಡಬೇಕಾಗುತ್ತದೆ ಅಥವಾ ಸ್ವಯಂಚಾಲಿತ ವ್ಯವಸ್ಥೆಗೆ ಸ್ಪಷ್ಟ ಸೂಚನೆಗಳನ್ನು ನೀಡಬೇಕು. ಪ್ರತಿ ಬಾರಿಯೂ ಸ್ವಯಂಚಾಲಿತ ವ್ಯವಸ್ಥೆಯು ತನ್ನ ಕೆಲಸದ ವ್ಯಾಪ್ತಿಯನ್ನು ಮಾರ್ಪಡಿಸಲು ಅಗತ್ಯವಿದ್ದಾಗ, ಪ್ರೋಗ್ರಾಂ ಅಥವಾ ಸೂಚನಾ ಗುಂಪನ್ನು ಯಾರೋ ಒಬ್ಬರು ನವೀಕರಿಸಬೇಕಾಗುತ್ತದೆ. ಸ್ವಯಂಚಾಲಿತ ವ್ಯವಸ್ಥೆಯು ತನ್ನ ಕೆಲಸದಲ್ಲಿ ಪರಿಣಾಮಕಾರಿಯಾಗಿದ್ದರೂ, ವಿವಿಧ ಕಾರಣಗಳಿಗಾಗಿ ದೋಷಗಳು ಸಂಭವಿಸಬಹುದು. ದೋಷಗಳು ಸಂಭವಿಸಿದಾಗ, ಮೂಲ ಕಾರಣವನ್ನು ಗುರುತಿಸಿ ಸರಿಪಡಿಸಬೇಕು. ಸ್ಪಷ್ಟವಾಗಿ, ತನ್ನ ಕೆಲಸವನ್ನು ಮಾಡಲು, ಸ್ವಯಂಚಾಲಿತ ವ್ಯವಸ್ಥೆಯು ಸಂಪೂರ್ಣವಾಗಿ ಮನುಷ್ಯರ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ. ಕೆಲಸದ ಸ್ವಭಾವವು ಹೆಚ್ಚು ಸಂಕೀರ್ಣವಾಗಿದೆ, ದೋಷಗಳು ಮತ್ತು ಸಮಸ್ಯೆಗಳ ಹೆಚ್ಚಿನ ಸಂಭವನೀಯತೆ.

ಐಟಿ ಉದ್ಯಮದಲ್ಲಿ ಯಾಂತ್ರೀಕೃತಗೊಂಡ ಒಂದು ಸಾಮಾನ್ಯ ಉದಾಹರಣೆಯೆಂದರೆ ವೆಬ್ ಆಧಾರಿತ ಬಳಕೆದಾರ ಇಂಟರ್ಫೇಸ್‌ಗಳ ಪರೀಕ್ಷೆಯ ಯಾಂತ್ರೀಕರಣ. ಪರೀಕ್ಷಾ ಪ್ರಕರಣಗಳನ್ನು ಆಟೊಮೇಷನ್ ಸ್ಕ್ರಿಪ್ಟ್‌ಗೆ ನೀಡಲಾಗುತ್ತದೆ ಮತ್ತು ಬಳಕೆದಾರ ಇಂಟರ್ಫೇಸ್ ಅನ್ನು ಅದಕ್ಕೆ ತಕ್ಕಂತೆ ಪರೀಕ್ಷಿಸಲಾಗುತ್ತದೆ. (ಯಂತ್ರ ಕಲಿಕೆಯ ಪ್ರಾಯೋಗಿಕ ಅನ್ವಯದ ಕುರಿತು ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಾಗಿ, ಮುಂದಿನ ಪೀಳಿಗೆಯ ವಂಚನೆ ಪತ್ತೆಯಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆ ಮತ್ತು ಹಡೂಪ್ ನೋಡಿ.)

ಯಾಂತ್ರೀಕೃತಗೊಂಡ ಪರವಾದ ವಾದವೆಂದರೆ ಅದು ವಾಡಿಕೆಯ ಮತ್ತು ಪುನರಾವರ್ತಿತ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು ಹೆಚ್ಚು ಸಂಕೀರ್ಣ ಮತ್ತು ಸೃಜನಶೀಲ ಕಾರ್ಯಗಳನ್ನು ಮಾಡಲು ಉದ್ಯೋಗಿಗಳನ್ನು ಮುಕ್ತಗೊಳಿಸುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಈ ಹಿಂದೆ ಮಾನವರು ನಿರ್ವಹಿಸಿದ ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ಕಾರ್ಯಗಳು ಅಥವಾ ಪಾತ್ರಗಳನ್ನು ಯಾಂತ್ರೀಕರಣವು ಹೊರಗಿಟ್ಟಿದೆ ಎಂದೂ ವಾದಿಸಲಾಗಿದೆ. ಈಗ, ಯಂತ್ರ ಕಲಿಕೆಯು ವಿವಿಧ ಕೈಗಾರಿಕೆಗಳನ್ನು ಪ್ರವೇಶಿಸುವುದರೊಂದಿಗೆ, ಆಟೊಮೇಷನ್ ಹೊಸ ಆಯಾಮವನ್ನು ಸೇರಿಸಬಹುದು.

ಸ್ವಯಂಚಾಲಿತ ಯಂತ್ರ ಕಲಿಕೆಯ ಭವಿಷ್ಯ?

ಯಂತ್ರ ಕಲಿಕೆಯ ಮೂಲಭೂತವಾಗಿ ಮಾನವನ ಹಸ್ತಕ್ಷೇಪವಿಲ್ಲದೆ ನಿರಂತರವಾಗಿ ಡೇಟಾದಿಂದ ಕಲಿಯುವ ಮತ್ತು ವಿಕಸನಗೊಳ್ಳುವ ವ್ಯವಸ್ಥೆಯ ಸಾಮರ್ಥ್ಯವಾಗಿದೆ. ಯಂತ್ರ ಕಲಿಕೆಯು ಮಾನವ ಮೆದುಳಿನಂತೆ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದೆ. ಉದಾಹರಣೆಗೆ, ಇ-ಕಾಮರ್ಸ್ ಸೈಟ್‌ಗಳಲ್ಲಿನ ಶಿಫಾರಸು ಎಂಜಿನ್‌ಗಳು ಬಳಕೆದಾರರ ಅನನ್ಯ ಆದ್ಯತೆಗಳು ಮತ್ತು ಅಭಿರುಚಿಗಳನ್ನು ನಿರ್ಣಯಿಸಬಹುದು ಮತ್ತು ಆಯ್ಕೆ ಮಾಡಲು ಸೂಕ್ತವಾದ ಉತ್ಪನ್ನಗಳು ಮತ್ತು ಸೇವೆಗಳ ಕುರಿತು ಶಿಫಾರಸುಗಳನ್ನು ನೀಡಬಹುದು. ಈ ಸಾಮರ್ಥ್ಯವನ್ನು ನೀಡಿದರೆ, ದೊಡ್ಡ ಡೇಟಾ ಮತ್ತು ವಿಶ್ಲೇಷಣೆಗೆ ಸಂಬಂಧಿಸಿದ ಸಂಕೀರ್ಣ ಕಾರ್ಯಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸಲು ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಸೂಕ್ತವೆಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ. ಇದು ಸಾಂಪ್ರದಾಯಿಕ ಸ್ವಯಂಚಾಲಿತ ವ್ಯವಸ್ಥೆಗಳ ಪ್ರಮುಖ ಮಿತಿಗಳನ್ನು ನಿವಾರಿಸಿದೆ ಅದು ನಿಯಮಿತವಾಗಿ ಮಾನವ ಹಸ್ತಕ್ಷೇಪಕ್ಕೆ ಅವಕಾಶ ನೀಡುವುದಿಲ್ಲ. ಸಂಕೀರ್ಣವಾದ ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಣೆ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಯಂತ್ರ ಕಲಿಕೆಯ ಸಾಮರ್ಥ್ಯವನ್ನು ಪ್ರದರ್ಶಿಸುವ ಅನೇಕ ಪ್ರಕರಣ ಅಧ್ಯಯನಗಳಿವೆ, ಅದನ್ನು ನಂತರ ಈ ಪತ್ರಿಕೆಯಲ್ಲಿ ಚರ್ಚಿಸಲಾಗುವುದು.

ಈಗಾಗಲೇ ಗಮನಿಸಿದಂತೆ, ದೊಡ್ಡ ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಣೆಯು ವ್ಯವಹಾರಗಳಿಗೆ ಸವಾಲಿನ ಪ್ರತಿಪಾದನೆಯಾಗಿದೆ, ಇದನ್ನು ಯಂತ್ರ ಕಲಿಕಾ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಭಾಗಶಃ ನಿಯೋಜಿಸಬಹುದು. ವ್ಯವಹಾರದ ದೃಷ್ಟಿಕೋನದಿಂದ, ಇದು ಹೆಚ್ಚು ಸೃಜನಶೀಲ ಮತ್ತು ಮಿಷನ್ ನಿರ್ಣಾಯಕ ಕಾರ್ಯಗಳಿಗಾಗಿ ಡೇಟಾ ವಿಜ್ಞಾನ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಮುಕ್ತಗೊಳಿಸುವುದು, ಹೆಚ್ಚಿನ ಕೆಲಸದ ಹೊರೆಗಳು, ಕಾರ್ಯಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು ಕಡಿಮೆ ಸಮಯ ಮತ್ತು ವೆಚ್ಚದ ಪರಿಣಾಮಕಾರಿತ್ವದಂತಹ ಅನೇಕ ಪ್ರಯೋಜನಗಳನ್ನು ತರಬಹುದು.

ಉದಾಹರಣಾ ಪರಿಶೀಲನೆ

2015 ರಲ್ಲಿ, ಎಂಐಟಿ ಸಂಶೋಧಕರು ಡಾಟಾ ಫೀಚರ್ ಸಿಂಥೆಸಿಸ್ ಅಲ್ಗಾರಿದಮ್ ಎಂಬ ತಂತ್ರವನ್ನು ಬಳಸಿಕೊಂಡು ದೊಡ್ಡ ಪ್ರಮಾಣದ ಕಚ್ಚಾ ಡೇಟಾದಿಂದ ಭವಿಷ್ಯಸೂಚಕ ಡೇಟಾ ಮಾದರಿಗಳನ್ನು ರಚಿಸಬಲ್ಲ ಡೇಟಾ ಸೈನ್ಸ್ ಉಪಕರಣದಲ್ಲಿ ಕೆಲಸ ಮಾಡಲು ಆರಂಭಿಸಿದರು. ವಿಜ್ಞಾನಿಗಳು ಅಲ್ಗಾರಿದಮ್ ಯಂತ್ರ ಕಲಿಕೆಯ ಅತ್ಯುತ್ತಮ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಸಂಯೋಜಿಸಬಹುದು ಎಂದು ಹೇಳುತ್ತಾರೆ. ವಿಜ್ಞಾನಿಗಳ ಪ್ರಕಾರ, ಅವರು ಇದನ್ನು ಮೂರು ವಿಭಿನ್ನ ಡೇಟಾಸೆಟ್‌ಗಳಲ್ಲಿ ಪರೀಕ್ಷಿಸಿದ್ದಾರೆ ಮತ್ತು ಹೆಚ್ಚಿನದನ್ನು ಸೇರಿಸಲು ಪರೀಕ್ಷೆಯನ್ನು ವಿಸ್ತರಿಸುತ್ತಿದ್ದಾರೆ. ಡೇಟಾ ಸೈನ್ಸ್ ಮತ್ತು ಅನಾಲಿಟಿಕ್ಸ್ ಕುರಿತ ಅಂತಾರಾಷ್ಟ್ರೀಯ ಸಮ್ಮೇಳನದಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಲಿರುವ ಪತ್ರಿಕೆಯಲ್ಲಿ, ಸಂಶೋಧಕರಾದ ಜೇಮ್ಸ್ ಮ್ಯಾಕ್ಸ್ ಕಾಂಟರ್ ಮತ್ತು ಕಲ್ಯಾಣ್ ವೀರಮಾಚನೇನಿ, "ಸ್ವಯಂಚಾಲಿತ ಶ್ರುತಿ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಬಳಸಿ, ನಾವು ಸಂಪೂರ್ಣ ಮಾರ್ಗವನ್ನು ಮಾನವ ಒಳಗೊಳ್ಳುವಿಕೆ ಇಲ್ಲದೆ ಅತ್ಯುತ್ತಮವಾಗಿಸುತ್ತೇವೆ, ಅದನ್ನು ವಿವಿಧ ದತ್ತಾಂಶಗಳಿಗೆ ಸಾಮಾನ್ಯೀಕರಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತೇವೆ".

ಕಾರ್ಯದ ಸಂಕೀರ್ಣತೆಯನ್ನು ನೋಡೋಣ: ಅಲ್ಗಾರಿದಮ್ ಸ್ವಯಂ ಹೊಂದಾಣಿಕೆ ಸಾಮರ್ಥ್ಯ ಎಂದು ಕರೆಯಲ್ಪಡುತ್ತದೆ, ಇದರ ಸಹಾಯದಿಂದ ಒಳನೋಟಗಳು ಅಥವಾ ಮೌಲ್ಯಗಳನ್ನು ಕಚ್ಚಾ ಡೇಟಾದಿಂದ (ವಯಸ್ಸು ಅಥವಾ ಲಿಂಗದಂತಹವು) ಪಡೆಯಬಹುದು ಅಥವಾ ಹೊರತೆಗೆಯಬಹುದು ಮಾದರಿಗಳನ್ನು ರಚಿಸಬಹುದು. ಅಲ್ಗಾರಿದಮ್ ಸಂಕೀರ್ಣವಾದ ಗಣಿತದ ಕಾರ್ಯಗಳನ್ನು ಮತ್ತು ಗೌಸಿಯನ್ ಕೋಪುಲಾ ಎಂಬ ಸಂಭವನೀಯತೆ ಸಿದ್ಧಾಂತವನ್ನು ಬಳಸುತ್ತದೆ. ಆದ್ದರಿಂದ ಅಲ್ಗಾರಿದಮ್ ನಿರ್ವಹಿಸಬಹುದಾದ ಸಂಕೀರ್ಣತೆಯ ಮಟ್ಟವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಸುಲಭ. ಈ ತಂತ್ರವು ಸ್ಪರ್ಧೆಗಳಲ್ಲಿ ಬಹುಮಾನಗಳನ್ನು ಗೆದ್ದಿದೆ.

ಯಂತ್ರ ಕಲಿಕೆಯು ಮನೆಕೆಲಸವನ್ನು ಬದಲಾಯಿಸಬಹುದು

ಯಂತ್ರ ಕಲಿಕೆಯು ಅನೇಕ ಉದ್ಯೋಗಗಳನ್ನು ಬದಲಾಯಿಸಬಹುದೆಂದು ಪ್ರಪಂಚದಾದ್ಯಂತ ಚರ್ಚಿಸಲಾಗುತ್ತಿದೆ ಏಕೆಂದರೆ ಅದು ಮಾನವ ಮೆದುಳಿನ ದಕ್ಷತೆಯೊಂದಿಗೆ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ. ವಾಸ್ತವವಾಗಿ, ಯಂತ್ರ ಕಲಿಕೆಯು ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳನ್ನು ಬದಲಿಸುತ್ತದೆ ಎಂಬ ಕಾಳಜಿ ಇದೆ, ಮತ್ತು ಅಂತಹ ಕಾಳಜಿಗೆ ಒಂದು ಆಧಾರವಿದೆ ಎಂದು ತೋರುತ್ತದೆ.

ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ ಕೌಶಲ್ಯಗಳನ್ನು ಹೊಂದಿರದ ಆದರೆ ತಮ್ಮ ದೈನಂದಿನ ಜೀವನದಲ್ಲಿ ವಿಭಿನ್ನ ಮಟ್ಟದ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಅಗತ್ಯಗಳನ್ನು ಹೊಂದಿರುವ ಸರಾಸರಿ ಬಳಕೆದಾರರಿಗೆ, ಬೃಹತ್ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ವಿಶ್ಲೇಷಿಸುವ ಮತ್ತು ವಿಶ್ಲೇಷಣೆ ಡೇಟಾವನ್ನು ಒದಗಿಸುವ ಕಂಪ್ಯೂಟರ್‌ಗಳನ್ನು ಬಳಸುವುದು ಕಾರ್ಯಸಾಧ್ಯವಲ್ಲ. ಆದಾಗ್ಯೂ, ನೈಸರ್ಗಿಕ ಭಾಷಾ ಸಂಸ್ಕರಣೆ (NLP) ತಂತ್ರಗಳು ಈ ಮಿತಿಯನ್ನು ಜಯಿಸಲು ಕಂಪ್ಯೂಟರ್ಗಳಿಗೆ ನೈಸರ್ಗಿಕ ಮಾನವ ಭಾಷೆಯನ್ನು ಸ್ವೀಕರಿಸಲು ಮತ್ತು ಸಂಸ್ಕರಿಸಲು ಕಲಿಸುವುದರ ಮೂಲಕ ಜಯಿಸಬಹುದು. ಈ ರೀತಿಯಾಗಿ, ಸರಾಸರಿ ಬಳಕೆದಾರರಿಗೆ ಅತ್ಯಾಧುನಿಕ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಕಾರ್ಯಗಳು ಅಥವಾ ಕೌಶಲ್ಯಗಳ ಅಗತ್ಯವಿಲ್ಲ.

ಐಬಿಎಂ ತನ್ನ ಉತ್ಪನ್ನವಾದ ವ್ಯಾಟ್ಸನ್ ನ್ಯಾಚುರಲ್ ಲ್ಯಾಂಗ್ವೇಜ್ ಅನಾಲಿಟಿಕ್ಸ್ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಮೂಲಕ ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳ ಅಗತ್ಯವನ್ನು ಕಡಿಮೆ ಮಾಡಬಹುದು ಅಥವಾ ತೆಗೆದುಹಾಕಬಹುದು ಎಂದು ನಂಬುತ್ತದೆ. ವ್ಯಾಟ್ಸನ್‌ನ ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ವ್ಯಾಪಾರ ಬುದ್ಧಿವಂತಿಕೆಯ ಉಪಾಧ್ಯಕ್ಷ ಮಾರ್ಕ್ ಆಟ್ಸ್‌ಚುಲ್ಲರ್ ಪ್ರಕಾರ, "ವ್ಯಾಟ್ಸನ್‌ನಂತಹ ಅರಿವಿನ ವ್ಯವಸ್ಥೆಯೊಂದಿಗೆ, ನೀವು ನಿಮ್ಮ ಪ್ರಶ್ನೆಯನ್ನು ಕೇಳಿ - ಅಥವಾ ನಿಮಗೆ ಪ್ರಶ್ನೆ ಇಲ್ಲದಿದ್ದರೆ, ನಿಮ್ಮ ಡೇಟಾವನ್ನು ಅಪ್‌ಲೋಡ್ ಮಾಡಿ ಮತ್ತು ವ್ಯಾಟ್ಸನ್ ಅದನ್ನು ನೋಡಬಹುದು ಮತ್ತು ನೀವು ಏನನ್ನು ತಿಳಿಯಲು ಬಯಸುತ್ತೀರಿ ಎಂಬುದನ್ನು ಊಹಿಸಿ. ”

ತೀರ್ಮಾನ

ಯಂತ್ರ ಕಲಿಕೆಯ ಮುಂದಿನ ತಾರ್ಕಿಕ ಹಂತವೆಂದರೆ ಆಟೊಮೇಷನ್ ಮತ್ತು ನಾವು ಈಗಾಗಲೇ ನಮ್ಮ ದೈನಂದಿನ ಜೀವನದಲ್ಲಿ ಪರಿಣಾಮಗಳನ್ನು ಅನುಭವಿಸುತ್ತಿದ್ದೇವೆ-ಇ-ಕಾಮರ್ಸ್ ಸೈಟ್‌ಗಳು, ಫೇಸ್‌ಬುಕ್ ಸ್ನೇಹಿತರ ಸಲಹೆಗಳು, ಲಿಂಕ್ಡ್‌ಇನ್ ನೆಟ್‌ವರ್ಕ್ ಸಲಹೆಗಳು ಮತ್ತು ಏರ್‌ಬಿಎನ್‌ಬಿ ಹುಡುಕಾಟ ಶ್ರೇಯಾಂಕಗಳು. ನೀಡಿರುವ ಉದಾಹರಣೆಗಳನ್ನು ಪರಿಗಣಿಸಿದರೆ, ಸ್ವಯಂಚಾಲಿತ ಯಂತ್ರ ಕಲಿಕಾ ವ್ಯವಸ್ಥೆಗಳಿಂದ ಉತ್ಪತ್ತಿಯಾದ ಉತ್ಪಾದನೆಯ ಗುಣಮಟ್ಟಕ್ಕೆ ಇದು ಕಾರಣವಾಗಿದೆ ಎಂಬುದರಲ್ಲಿ ಸಂದೇಹವಿಲ್ಲ. ಅದರ ಎಲ್ಲಾ ಗುಣಗಳು ಮತ್ತು ಪ್ರಯೋಜನಗಳಿಗೆ, ಬೃಹತ್ ನಿರುದ್ಯೋಗವನ್ನು ಉಂಟುಮಾಡುವ ಯಂತ್ರ ಕಲಿಕೆಯ ಕಲ್ಪನೆಯು ಸ್ವಲ್ಪ ಅತಿಯಾದ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ತೋರುತ್ತದೆ. ಯಂತ್ರಗಳು ನಮ್ಮ ಜೀವನದ ಹಲವು ಭಾಗಗಳಲ್ಲಿ ದಶಕಗಳ ಕಾಲ ಮಾನವರನ್ನು ಬದಲಿಸುತ್ತಿವೆ, ಆದರೆ ಉದ್ಯಮದಲ್ಲಿ ಸಂಬಂಧಿತರಾಗಿ ಉಳಿಯಲು ಮಾನವರು ವಿಕಸನಗೊಂಡಿದ್ದಾರೆ ಮತ್ತು ಅಳವಡಿಸಿಕೊಂಡಿದ್ದಾರೆ. ವೀಕ್ಷಣೆಯ ಪ್ರಕಾರ, ಯಂತ್ರದ ಕಲಿಕೆಯು ಅದರ ಎಲ್ಲಾ ಅಡ್ಡಿಗಳಿಗೆ ಜನರು ಹೊಂದಿಕೊಳ್ಳುವ ಇನ್ನೊಂದು ತರಂಗವಾಗಿದೆ.