ಅಲೈನà³à²®à³†à²‚ಟೠ(Alignment)
Alignment
AI ವà³à²¯à²µà²¸à³à²¥à³†à²¯ ಉದà³à²¦à³‡à²¶à²—ಳà³, ಫಲಿತಾಂಶಗಳೠಮತà³à²¤à³ ನಡವಳಿಕೆಗಳೠಮಾನವ ಗà³à²°à²¿à²—ಳೠಮತà³à²¤à³ ಮೌಲà³à²¯à²—ಳೊಂದಿಗೆ ಹೊಂದಿಕೆಯಾಗà³à²µà³à²¦à²¨à³à²¨à³ ಖಚಿತಪಡಿಸà³à²µ ಪà³à²°à²•à³à²°à²¿à²¯à³†. ಇದೠವಿಶೇಷವಾಗಿ ಅà²à²¿à²µà³ƒà²¦à³à²§à²¿ ಹೊಂದಿದ ವà³à²¯à²µà²¸à³à²¥à³†à²—ಳಲà³à²²à²¿ ಮà³à²–à³à²¯à²µà²¾à²—ಿದೆ, ಅದೠಸà³à²ªà²·à³à²Ÿà²µà²¾à²—ಿ ಉದà³à²¦à³‡à²¶à²¿à²¸à²¦ ನಡವಳಿಕೆಗಳನà³à²¨à³ ಅà²à²¿à²µà³ƒà²¦à³à²§à²¿à²ªà²¡à²¿à²¸à²¬à²¹à³à²¦à³.
ಉದಾಹರಣೆ: ಮಾನಸಿಕ ಆರೋಗà³à²¯ ಬೆಂಬಲಕà³à²•à²¾à²—ಿ ಚಾಟà³â€Œà²¬à²¾à²Ÿà³ ಯಾವà³à²¦à³‡ ಪà³à²°à²¾à²‚ಪà³à²Ÿà³â€Œà²—ಳ ಹೊರತಾಗಿಯೂ ಹಾನಿಕಾರಕ ಕà³à²°à²®à²—ಳನà³à²¨à³ ಶಿಫಾರಸೠಮಾಡà³à²µà³à²¦à²¿à²²à³à²² ಎಂದೠಖಚಿತಪಡಿಸಿಕೊಳà³à²³à³à²µà³à²¦à³.
ಅಪà³à²²à²¿à²•à³‡à²¶à²¨à³ ಪà³à²°à³‹à²—à³à²°à²¾à²®à²¿à²‚ಗೠಇಂಟರà³â€Œà²«à³‡à²¸à³ (API) (Application Programming Interface (API))
Application Programming Interface (API)
ವಿà²à²¿à²¨à³à²¨ ಸಾಫà³à²Ÿà³â€Œà²µà³‡à²°à³ ವà³à²¯à²µà²¸à³à²¥à³†à²—ಳೠಸಂವಹನ ನಡೆಸಲೠಮತà³à²¤à³ ಡೇಟಾವನà³à²¨à³ ವಿನಿಮಯ ಮಾಡಿಕೊಳà³à²³à²²à³ ಅನà³à²®à²¤à²¿à²¸à³à²µ ವà³à²¯à²¾à²–à³à²¯à²¾à²¨à²¿à²¤ ನಿಯಮಗಳೠಮತà³à²¤à³ ಪà³à²°à³‹à²Ÿà³‹à²•à²¾à²²à³â€Œà²—ಳ ಒಂದೠಸೆಟà³.
ಉದಾಹರಣೆ: ನಿಮà³à²® ವೆಬೠಅಪà³à²²à²¿à²•à³‡à²¶à²¨à³â€Œà²¨à²²à³à²²à²¿ à²à²¾à²·à²¾ ಮಾದರಿ-ಉತà³à²ªà²¾à²¦à²¿à²¤ ಪà³à²°à²¤à²¿à²•à³à²°à²¿à²¯à³†à²¯à²¨à³à²¨à³ ಸà³à²µà³€à²•à²°à²¿à²¸à²²à³ ಮತà³à²¤à³ ಪà³à²°à²¾à²‚ಪà³à²Ÿà³ ಕಳà³à²¹à²¿à²¸à²²à³ OpenAI API ಬಳಸà³à²µà³à²¦à³.
ಕೃತಕ ಸಾಮಾನà³à²¯ ಬà³à²¦à³à²§à²¿à²®à²¤à³à²¤à³† (AGI) (Artificial General Intelligence (AGI))
Artificial General Intelligence (AGI)
ಮಾನವನಂತೆ ಯಾವà³à²¦à³‡ ಬೌದà³à²§à²¿à²• ಕಾರà³à²¯à²µà²¨à³à²¨à³ ನಿರà³à²µà²¹à²¿à²¸à²¬à²²à³à²² AI ಯ ಸೈದà³à²§à²¾à²‚ತಿಕ ರೂಪ. ಇದೠಡೊಮೇನà³â€Œà²—ಳಾದà³à²¯à²‚ತ ಕಲಿಕೆಯನà³à²¨à³ ಸಾಮಾನà³à²¯à³€à²•à²°à²¿à²¸à³à²¤à³à²¤à²¦à³†.
ಉದಾಹರಣೆ: AGI ವà³à²¯à²µà²¸à³à²¥à³†à²¯à³ ಸಂಗೀತ ಸಂಯೋಜನೆಯನà³à²¨à³ ಕಲಿಯಬಹà³à²¦à³, ಶಸà³à²¤à³à²°à²šà²¿à²•à²¿à²¤à³à²¸à³† ಮಾಡಬಹà³à²¦à³ ಮತà³à²¤à³ ಕಾರà³à²¯-ನಿರà³à²¦à²¿à²·à³à²Ÿ ಪà³à²°à³‹à²—à³à²°à²¾à²®à²¿à²‚ಗೠಇಲà³à²²à²¦à³† ತತà³à²µà²¶à²¾à²¸à³à²¤à³à²° ಪರೀಕà³à²·à³†à²¯à²²à³à²²à²¿ ಉತà³à²¤à³€à²°à³à²£à²°à²¾à²—ಬಹà³à²¦à³.
ಕೃತಕ ಬà³à²¦à³à²§à²¿à²®à²¤à³à²¤à³† (AI) (Artificial Intelligence (AI))
Artificial Intelligence (AI)
ಯಂತà³à²°à²—ಳಲà³à²²à²¿ ಮಾನವ ಬà³à²¦à³à²§à²¿à²®à²¤à³à²¤à³†à²¯ ಅನà³à²•à²°à²£à³†, ಅದೠಸà³à²µà²¾à²¯à²¤à³à²¤à²µà²¾à²—ಿ ಯೋಚಿಸಲà³, ತರà³à²•à²¿à²¸à²²à³ ಮತà³à²¤à³ ಕಾರà³à²¯à²¨à²¿à²°à³à²µà²¹à²¿à²¸à²²à³ ಪà³à²°à³‹à²—à³à²°à²¾à²®à³ ಮಾಡಲà³à²ªà²Ÿà³à²Ÿà²¿à²¦à³†.
ಉದಾಹರಣೆ: AI ಸಿರಿ ಮತà³à²¤à³ ಟೆಸà³à²²à²¾ ಆಟೋಪೈಲಟà³â€Œà²¨à²‚ತಹ ಸà³à²µà²¾à²¯à²¤à³à²¤ ಚಾಲನಾ ವà³à²¯à²µà²¸à³à²¥à³†à²—ಳಂತಹ ವೈಯಕà³à²¤à²¿à²• ಸಹಾಯಕರಿಗೆ ಶಕà³à²¤à²¿ ನೀಡà³à²¤à³à²¤à²¦à³†.
AI ನೀತಿಶಾಸà³à²¤à³à²° (AI Ethics)
AI Ethics
AI ಅà²à²¿à²µà³ƒà²¦à³à²§à²¿ ಮತà³à²¤à³ ಬಳಕೆಯ ನೈತಿಕ ಪರಿಣಾಮಗಳಿಗೆ ಸಂಬಂಧಿಸಿದ ಶಿಸà³à²¤à³, ನà³à²¯à²¾à²¯, ಗೌಪà³à²¯à²¤à³†, ಹೊಣೆಗಾರಿಕೆ ಮತà³à²¤à³ ತಾರತಮà³à²¯à²µà²¿à²²à³à²²à²¦à²¿à²°à³à²µà²¿à²•à³†.
ಉದಾಹರಣೆ: ಲಿಂಗ ಅಥವಾ ಜನಾಂಗೀಯತೆಯ ಆಧಾರದ ಮೇಲೆ ತಾರತಮà³à²¯à²µà²¨à³à²¨à³ ತಡೆಯಲೠನೇಮಕಾತಿ ಅಲà³à²—ಾರಿದಮà³â€Œà²—ಳಿಗಾಗಿ ಮಾರà³à²—ಸೂಚಿಗಳನà³à²¨à³ ರಚಿಸà³à²µà³à²¦à³.
ವರà³à²§à²¿à²¤ ಬà³à²¦à³à²§à²¿à²®à²¤à³à²¤à³† (Augmented Intelligence)
Augmented Intelligence
AI ಮಾನವ ಬà³à²¦à³à²§à²¿à²®à²¤à³à²¤à³†à²¯à²¨à³à²¨à³ ಬದಲಿಸà³à²µ ಬದಲೠಪೂರಕ ಮತà³à²¤à³ ವರà³à²§à²¿à²¸à³à²µ ಸಹಯೋಗಿ ಮಾದರಿ.
ಉದಾಹರಣೆ: ವೈದà³à²¯à²°à²¿à²—ೆ ಅಸಹಜತೆಗಳನà³à²¨à³ ಹೈಲೈಟೠಮಾಡà³à²µ AI-ಚಾಲಿತ ರೇಡಿಯಾಲಜಿ ಉಪಕರಣಗಳà³, ಅಂತಿಮ ರೋಗನಿರà³à²£à²¯à²µà²¨à³à²¨à³ ಮಾಡà³à²µà²µà²°à³.
ಸà³à²µà²¾à²¯à²¤à³à²¤ à²à²œà³†à²‚ಟೠ(Autonomous Agent)
Autonomous Agent
ಮಾನವ ಹಸà³à²¤à²•à³à²·à³‡à²ªà²µà²¿à²²à³à²²à²¦à³† ತನà³à²¨ ಗà³à²°à²¿à²—ಳನà³à²¨à³ ಸಾಧಿಸಲೠಸà³à²µà²‚ತ ನಿರà³à²§à²¾à²°à²—ಳನà³à²¨à³ ತೆಗೆದà³à²•à³Šà²³à³à²³à³à²µ ಮತà³à²¤à³ ಕà³à²°à²®à²—ಳನà³à²¨à³ ತೆಗೆದà³à²•à³Šà²³à³à²³à³à²µ ಸಾಮರà³à²¥à³à²¯à²µà²¿à²°à³à²µ AI ವà³à²¯à²µà²¸à³à²¥à³†.
ಉದಾಹರಣೆ: ನಗರ ರಸà³à²¤à³†à²—ಳಲà³à²²à²¿ ಸಂಚರಿಸà³à²µ ಮತà³à²¤à³ ಸà³à²µà²¤à²‚ತà³à²°à²µà²¾à²—ಿ ಅಡೆತಡೆಗಳನà³à²¨à³ ತಪà³à²ªà²¿à²¸à³à²µ ಸà³à²µà²¯à²‚-ಚಾಲಿತ ವಿತರಣಾ ರೋಬೋಟà³.
ಬà³à²¯à²¾à²•à³â€Œà²ªà³à²°à³Šà²ªà²—ೇಶನೠ(Backpropagation)
Backpropagation
ಮà³à²¨à³à²¸à³‚ಚನೆ ದೋಷಗಳನà³à²¨à³ ಕಡಿಮೆ ಮಾಡà³à²µ ಮೂಲಕ ನರ ಜಾಲಗಳನà³à²¨à³ ತರಬೇತಿ ನೀಡಲೠತಲೆತಲಾಂತರದ ತೂಕವನà³à²¨à³ ಹಿಮà³à²®à³à²–ವಾಗಿ ನವೀಕರಿಸà³à²µ ತಂತà³à²°.
ಉದಾಹರಣೆ: ಕೈಬರಹದ ಅಂಕೆಗಳನà³à²¨à³ ಗà³à²°à³à²¤à²¿à²¸à³à²µà²²à³à²²à²¿ ದೋಷ ದರವನà³à²¨à³ ಕಡಿಮೆ ಮಾಡಲೠಚಿತà³à²° ವರà³à²—ೀಕರಣಕಾರರ ತರಬೇತಿಯಲà³à²²à²¿ ಬಳಸಲಾಗà³à²¤à³à²¤à²¦à³†.
ಪಕà³à²·à²ªà²¾à²¤ (ಅಲà³à²—ಾರಿದಮಿಕೠಪಕà³à²·à²ªà²¾à²¤) (Bias (Algorithmic Bias))
Bias (Algorithmic Bias)
ಅಸಮತೋಲಿತ ಅಥವಾ ಪà³à²°à²¤à²¿à²¨à²¿à²§à²¿à²¸à²¦ ತರಬೇತಿ ಡೇಟಾದಿಂದಾಗಿ AI ಫಲಿತಾಂಶಗಳಲà³à²²à²¿ ಅನಪೇಕà³à²·à²¿à²¤ ಮತà³à²¤à³ ವà³à²¯à²µà²¸à³à²¥à²¿à²¤ ಪಕà³à²·à²ªà²¾à²¤.
ಉದಾಹರಣೆ: ತರಬೇತಿ ಡೇಟಾದಲà³à²²à²¿ ಕಡಿಮೆ ಪà³à²°à²¾à²¤à²¿à²¨à²¿à²§à³à²¯à²¦à²¿à²‚ದಾಗಿ ವರà³à²£à²¦ ಜನರನà³à²¨à³ ಹೆಚà³à²šà³ ಬಾರಿ ತಪà³à²ªà²¾à²—ಿ ಗà³à²°à³à²¤à²¿à²¸à³à²µ ಮà³à²– ಗà³à²°à³à²¤à²¿à²¸à³à²µà²¿à²•à³† ವà³à²¯à²µà²¸à³à²¥à³†.
ಬಿಗೠಡೇಟಾ (Big Data)
Big Data
AI ಮಾದರಿಗಳನà³à²¨à³ ಸಂಗà³à²°à²¹à²¿à²¸à²²à³, ವಿಶà³à²²à³‡à²·à²¿à²¸à²²à³ ಮತà³à²¤à³ ಮೌಲà³à²¯à²µà²¨à³à²¨à³ ಹೊರತೆಗೆಯಲೠವಿಶೇಷ ಸಾಧನಗಳ ಅಗತà³à²¯à²µà²¿à²°à³à²µ ಅತà³à²¯à²‚ತ ದೊಡà³à²¡ ಡೇಟಾಸೆಟà³â€Œà²—ಳà³.
ಉದಾಹರಣೆ: ಇ-ಕಾಮರà³à²¸à³ ಪà³à²²à²¾à²Ÿà³â€Œà²«à²¾à²°à³à²®à³â€Œà²—ಳಿಗಾಗಿ ಶಿಫಾರಸೠಎಂಜಿನà³â€Œà²—ಳನà³à²¨à³ ತರಬೇತಿ ನೀಡಲೠಲಕà³à²·à²¾à²‚ತರ ಬಳಕೆದಾರರ ಸಂವಹನಗಳನà³à²¨à³ ಬಳಸà³à²µà³à²¦à³.
ಬà³à²²à²¾à²•à³ ಬಾಕà³à²¸à³ ಮಾದರಿ (Black Box Model)
Black Box Model
ಮಾನವರಿಗೆ ಸà³à²²à²à²µà²¾à²—ಿ ಅರà³à²¥à²µà²¾à²—ದ ಆಂತರಿಕ ತರà³à²•à²µà²¨à³à²¨à³ ಹೊಂದಿರà³à²µ AI ಅಥವಾ ಯಂತà³à²° ಕಲಿಕೆ ಮಾದರಿಯ ಪà³à²°à²•à²¾à²°, ನಿರà³à²§à²¾à²°à²—ಳನà³à²¨à³ ಹೇಗೆ ತೆಗೆದà³à²•à³Šà²³à³à²³à²²à²¾à²—à³à²¤à³à²¤à²¦à³† ಎಂಬà³à²¦à²¨à³à²¨à³ ಅರà³à²¥à²®à²¾à²¡à²¿à²•à³Šà²³à³à²³à²²à³ ಕಷà³à²Ÿà²µà²¾à²—à³à²¤à³à²¤à²¦à³†.
ಉದಾಹರಣೆ: ಸಾಲಗಳನà³à²¨à³ ಅನà³à²®à³‹à²¦à²¿à²¸à²²à³ ಬಳಸà³à²µ ಡೀಪೠನà³à²¯à³‚ರಲೠನೆಟà³â€Œà²µà²°à³à²•à³ ಆದರೆ ಒಬà³à²¬ ಅರà³à²œà²¿à²¦à²¾à²°à²¨à²¨à³à²¨à³ à²à²•à³† ಸà³à²µà³€à²•à²°à²¿à²¸à²²à²¾à²—ಿದೆ ಮತà³à²¤à³ ಇನà³à²¨à³Šà²¬à³à²¬à²°à²¨à³à²¨à³ ತಿರಸà³à²•à²°à²¿à²¸à²²à²¾à²—ಿದೆ ಎಂಬà³à²¦à²•à³à²•à³† ಯಾವà³à²¦à³‡ ಸà³à²ªà²·à³à²Ÿ ವಿವರಣೆಯನà³à²¨à³ ನೀಡà³à²µà³à²¦à²¿à²²à³à²².
ಅರಿವಿನ ಕಂಪà³à²¯à³‚ಟಿಂಗೠ(Cognitive Computing)
Cognitive Computing
NLP ಮತà³à²¤à³ ಮಾದರಿ ಗà³à²°à³à²¤à²¿à²¸à³à²µà²¿à²•à³†à²¯à²‚ತಹ ತಂತà³à²°à²—ಳನà³à²¨à³ ಬಳಸಿಕೊಂಡೠಮಾನವ ಚಿಂತನೆಯ ಪà³à²°à²•à³à²°à²¿à²¯à³†à²—ಳಾದ ತರà³à²• ಮತà³à²¤à³ ಕಲಿಕೆಯನà³à²¨à³ ಅನà³à²•à²°à²¿à²¸à²²à³ ವಿನà³à²¯à²¾à²¸à²—ೊಳಿಸಲಾದ AI ವà³à²¯à²µà²¸à³à²¥à³†à²—ಳà³.
ಉದಾಹರಣೆ: ಕಾನೂನೠವೃತà³à²¤à²¿à²ªà²°à²°à²¿à²—ೆ ಕೇಸೠಕಾನೂನನà³à²¨à³ ವಿಶà³à²²à³‡à²·à²¿à²¸à²²à³ ಮತà³à²¤à³ ಫಲಿತಾಂಶಗಳನà³à²¨à³ ಊಹಿಸಲೠಸಹಾಯ ಮಾಡà³à²µ ಅರಿವಿನ ಕಂಪà³à²¯à³‚ಟಿಂಗೠವà³à²¯à²µà²¸à³à²¥à³†.
ಕಂಪà³à²¯à³‚ಟರೠವಿಷನೠ(Computer Vision)
Computer Vision
ಕಂಪà³à²¯à³‚ಟರà³â€Œà²—ಳೠಚಿತà³à²°à²—ಳೠಮತà³à²¤à³ ವೀಡಿಯೊಗಳಂತಹ ದೃಶà³à²¯ ಡೇಟಾವನà³à²¨à³ ಅರà³à²¥à³ˆà²¸à²²à³ ಮತà³à²¤à³ ಪà³à²°à²•à³à²°à²¿à²¯à³†à²—ೊಳಿಸಲೠಅನà³à²®à²¤à²¿à²¸à³à²µ ಕೃತಕ ಬà³à²¦à³à²§à²¿à²®à²¤à³à²¤à³†à²¯ ಒಂದೠಕà³à²·à³‡à²¤à³à²°.
ಉದಾಹರಣೆ: ಕಂಪà³à²¯à³‚ಟರೠವಿಷನೠಬಳಸಿಕೊಂಡೠà²à²¦à³à²°à²¤à²¾ ಚಿತà³à²°à²£à²¦à²²à³à²²à²¿ ಜನರನà³à²¨à³ ಗà³à²°à³à²¤à²¿à²¸à³à²µ ಮà³à²– ಗà³à²°à³à²¤à²¿à²¸à³à²µà²¿à²•à³† ವà³à²¯à²µà²¸à³à²¥à³†à²—ಳà³.
ಕಾರà³à²ªà²¸à³ (Corpus)
Corpus
à²à²¾à²·à²¾ ಮಾದರಿಗಳನà³à²¨à³ ತರಬೇತಿ ನೀಡಲೠಬಳಸà³à²µ ಬರೆದ ಅಥವಾ ಮಾತನಾಡಿದ ಪಠà³à²¯à²—ಳ ದೊಡà³à²¡ ಸಂಗà³à²°à²¹.
ಉದಾಹರಣೆ: ಕಾಮನೠಕà³à²°à²¾à²²à³ ಡೇಟಾಸೆಟೠGPT ಯಂತಹ ದೊಡà³à²¡ à²à²¾à²·à²¾ ಮಾದರಿಗಳನà³à²¨à³ ತರಬೇತಿ ನೀಡಲೠಬಳಸà³à²µ ಸಾರà³à²µà²œà²¨à²¿à²• ವೆಬೠಕಾರà³à²ªà²¸à³ ಆಗಿದೆ.
ಡೇಟಾ ಡà³à²°à²¿à²«à³à²Ÿà³ (Data Drift)
Data Drift
ಇನà³â€Œà²ªà³à²Ÿà³ ಡೇಟಾ ಕಾಲಾನಂತರದಲà³à²²à²¿ ಬದಲಾಗà³à²µà³à²¦à²°à²¿à²‚ದ, ಮಾದರಿ ಕಾರà³à²¯à²•à³à²·à²®à²¤à³† ಕà³à²·à³€à²£à²¿à²¸à²²à³ ಕಾರಣವಾಗà³à²µ ವಿದà³à²¯à²®à²¾à²¨.
ಉದಾಹರಣೆ: ಹೊಸ ಸೆನà³à²¸à²¾à²°à³ ತಂತà³à²°à²œà³à²žà²¾à²¨à²µà²¨à³à²¨à³ ಪರಿಚಯಿಸಿದಾಗ ಕೈಗಾರಿಕಾ ಉಪಕರಣಗಳಿಗಾಗಿ ಮà³à²¨à³à²¸à³‚ಚನೆ ನಿರà³à²µà²¹à²£à³† ಮಾದರಿಯೠಕಡಿಮೆ ನಿಖರವಾಗà³à²¤à³à²¤à²¦à³†.
ಡೇಟಾ ಲೇಬಲಿಂಗೠ(Data Labelling)
Data Labelling
ಸೂಪರà³â€Œà²µà³ˆà²¸à³à²¡à³ ಲರà³à²¨à²¿à²‚ಗà³â€Œà²—ೆ ಸೂಕà³à²¤à²µà²¾à²—à³à²µà²‚ತೆ ಡೇಟಾವನà³à²¨à³ ಟà³à²¯à²¾à²—à³â€Œà²—ಳೠಅಥವಾ ಲೇಬಲà³â€Œà²—ಳೊಂದಿಗೆ ಟಿಪà³à²ªà²£à²¿ ಮಾಡà³à²µ ಪà³à²°à²•à³à²°à²¿à²¯à³†.
ಉದಾಹರಣೆ: ಕà³à²¯à²¾à²¨à³à²¸à²°à³ ಪತà³à²¤à³† ಮಾದರಿಯನà³à²¨à³ ತರಬೇತಿ ನೀಡಲೠಸಾವಿರಾರೠಗೆಡà³à²¡à³† ಚಿತà³à²°à²—ಳನà³à²¨à³ ಸೌಮà³à²¯ ಅಥವಾ ಮಾರಕ ಎಂದೠಲೇಬಲೠಮಾಡà³à²µà³à²¦à³.
ಡೇಟಾ ಮೈನಿಂಗೠ(Data Mining)
Data Mining
ದೊಡà³à²¡ ಡೇಟಾಸೆಟà³â€Œà²—ಳಲà³à²²à²¿ ಅರà³à²¥à²ªà³‚ರà³à²£ ಮಾದರಿಗಳà³, ಸಂಬಂಧಗಳೠಮತà³à²¤à³ ಅಸಹಜತೆಗಳನà³à²¨à³ ಕಂಡà³à²¹à²¿à²¡à²¿à²¯à³à²µ ಪà³à²°à²•à³à²°à²¿à²¯à³†.
ಉದಾಹರಣೆ: ಡೈಪರà³â€Œà²—ಳನà³à²¨à³ ಖರೀದಿಸà³à²µà²µà²°à³ ಬಿಯರೠಅನà³à²¨à³ ಸಹ ಖರೀದಿಸà³à²¤à³à²¤à²¾à²°à³† ಎಂದೠಗà³à²°à³à²¤à²¿à²¸à²²à³ ಡೇಟಾ ಮೈನಿಂಗೠಬಳಸà³à²µ ಚಿಲà³à²²à²°à³† ವà³à²¯à²¾à²ªà²¾à²°à²¿à²—ಳà³.
ಡೀಪೠಲರà³à²¨à²¿à²‚ಗೠ(Deep Learning)
Deep Learning
ಡೇಟಾದಲà³à²²à²¿ ಸಂಕೀರà³à²£ ಮಾದರಿಗಳನà³à²¨à³ ರೂಪಿಸಲೠಬಹà³-ಪದರದ ನರ ಜಾಲಗಳನà³à²¨à³ ಬಳಸà³à²µ ಯಂತà³à²° ಕಲಿಕೆಯ ಉಪಕà³à²·à³‡à²¤à³à²°.
ಉದಾಹರಣೆ: GPT-4 ನಂತಹ à²à²¾à²·à²¾ ಮಾದರಿಗಳೠಮತà³à²¤à³ ಸà³à²Ÿà³‡à²¬à²²à³ ಡಿಫà³à²¯à³‚ಷನà³â€Œà²¨à²‚ತಹ ಚಿತà³à²° ಉತà³à²ªà²¾à²¦à²¨à³† ಮಾದರಿಗಳಲà³à²²à²¿ ಡೀಪೠಲರà³à²¨à²¿à²‚ಗೠಅನà³à²¨à³ ಬಳಸಲಾಗà³à²¤à³à²¤à²¦à³†.
ಡಿಫà³à²¯à³‚ಷನೠಮಾಡೆಲà³â€Œà²—ಳೠ(Diffusion Models)
Diffusion Models
ಯಾದೃಚà³à²›à²¿à²• ಶಬà³à²¦à²µà²¨à³à²¨à³ ರಚನಾತà³à²®à²• ಫಲಿತಾಂಶಗಳಾಗಿ ಕà³à²°à²®à³‡à²£ ಪರಿವರà³à²¤à²¿à²¸à³à²µ ಮೂಲಕ ಡೇಟಾವನà³à²¨à³ ಉತà³à²ªà²¾à²¦à²¿à²¸à²²à³ ಕಲಿಯà³à²µ ಜನರೇಟಿವೠಮಾದರಿಗಳ ವರà³à²—.
ಉದಾಹರಣೆ: ಸà³à²Ÿà³‡à²¬à²²à³ ಡಿಫà³à²¯à³‚ಷನೠಡಿಫà³à²¯à³‚ಷನೠತಂತà³à²°à²—ಳನà³à²¨à³ ಬಳಸಿಕೊಂಡೠಪಠà³à²¯ ಪà³à²°à²¾à²‚ಪà³à²Ÿà³â€Œà²—ಳಿಂದ ಫೋಟೋರಿಯಲಿಸà³à²Ÿà²¿à²•à³ ಚಿತà³à²°à²—ಳನà³à²¨à³ ರಚಿಸà³à²¤à³à²¤à²¦à³†.
ಎಂಬೆಡಿಂಗೠ(Embedding)
Embedding
ಪದಗಳà³, ಚಿತà³à²°à²—ಳೠಅಥವಾ ವಾಕà³à²¯à²—ಳ ಅರà³à²¥à²ªà³‚ರà³à²£ ಅರà³à²¥à²µà²¨à³à²¨à³ ಸೆರೆಹಿಡಿಯಲೠಬಳಸà³à²µ ಡೇಟಾದ ಸಂಖà³à²¯à²¾ ವೆಕà³à²Ÿà²°à³ ಪà³à²°à²¾à²¤à²¿à²¨à²¿à²§à³à²¯.
ಉದಾಹರಣೆ: NLP ಯಲà³à²²à²¿, 'ಬà³à²¯à²¾à²‚ಕà³' ಎಂಬ ಪದವೠಸಂದರà³à²à²µà²¨à³à²¨à³ ಅವಲಂಬಿಸಿ 'ಹಣ' ಕà³à²•à³† ಸಮಾನವಾದ ಎಂಬೆಡಿಂಗà³â€Œà²—ಳನà³à²¨à³ ಹೊಂದಿರಬಹà³à²¦à³ ಆದರೆ 'ನದಿಯ ದಂಡೆ' ಯಿಂದ à²à²¿à²¨à³à²¨à²µà²¾à²—ಿರà³à²¤à³à²¤à²¦à³†.
ಎಪೋಕೠ(Epoch)
Epoch
ಯಂತà³à²° ಕಲಿಕೆ ಮಾದರಿಯ ತರಬೇತಿ ಪà³à²°à²•à³à²°à²¿à²¯à³†à²¯à²²à³à²²à²¿ ಸಂಪೂರà³à²£ ತರಬೇತಿ ಡೇಟಾಸೆಟà³â€Œà²¨ ಪೂರà³à²£ ಪà³à²¨à²°à²¾à²µà²°à³à²¤à²¨à³†.
ಉದಾಹರಣೆ: ಡೇಟಾಸೆಟೠ1,000 ಉದಾಹರಣೆಗಳನà³à²¨à³ ಹೊಂದಿದà³à²¦à²°à³† ಮತà³à²¤à³ ಮಾದರಿಯೠಅವೆಲà³à²²à²µà²¨à³à²¨à³‚ ಒಮà³à²®à³† ತರಬೇತಿಯಲà³à²²à²¿ ನೋಡಿದರೆ, ಅದೠಒಂದೠಎಪೋಕೠಆಗಿದೆ.
ನೈತಿಕ AI (Ethical AI)
Ethical AI
AI ತಂತà³à²°à²œà³à²žà²¾à²¨à²—ಳೠಪಾರದರà³à²¶à²•à²µà²¾à²—ಿ, ಸಮಾನವಾಗಿ ಮತà³à²¤à³ ಸಾಮಾಜಿಕ ಮೌಲà³à²¯à²—ಳೊಂದಿಗೆ ಕಾರà³à²¯à²¨à²¿à²°à³à²µà²¹à²¿à²¸à³à²µà³à²¦à²¨à³à²¨à³ ಖಚಿತಪಡಿಸà³à²µ ವಿನà³à²¯à²¾à²¸ ಮತà³à²¤à³ ನಿಯೋಜನೆ ತತà³à²µ.
ಉದಾಹರಣೆ: ಅಲà³à²ªà²¸à²‚ಖà³à²¯à²¾à²¤ ಅà²à³à²¯à²°à³à²¥à²¿à²—ಳ ವಿರà³à²¦à³à²§ ತಾರತಮà³à²¯à²µà²¨à³à²¨à³ ತಡೆಯಲೠಪಕà³à²·à²ªà²¾à²¤ ಪರಿಶೀಲನೆಗಳನà³à²¨à³ ಒಳಗೊಂಡಿರà³à²µ AI ನೇಮಕಾತಿ ಸಾಧನ.
ತಜà³à²ž ವà³à²¯à²µà²¸à³à²¥à³† (Expert System)
Expert System
ನಿರà³à²¦à²¿à²·à³à²Ÿ ಡೊಮೇನà³â€Œà²¨à²²à³à²²à²¿ ಮಾನವ ತಜà³à²žà²° ನಿರà³à²§à²¾à²°-ಮಾಡà³à²µ ಸಾಮರà³à²¥à³à²¯à²—ಳನà³à²¨à³ ನಿಯಮಗಳೠಮತà³à²¤à³ ತರà³à²•à²µà²¨à³à²¨à³ ಬಳಸಿಕೊಂಡೠಅನà³à²•à²°à²¿à²¸à³à²µ AI ವà³à²¯à²µà²¸à³à²¥à³†.
ಉದಾಹರಣೆ: ಮಣà³à²£à²¿à²¨ ಡೇಟಾ ಮತà³à²¤à³ ಕೀಟಗಳ ಇತಿಹಾಸದ ಆಧಾರದ ಮೇಲೆ ಬೆಳೆ ಚಿಕಿತà³à²¸à³†à²—ಳನà³à²¨à³ ಶಿಫಾರಸೠಮಾಡಲೠಕೃಷಿಯಲà³à²²à²¿ ಬಳಸà³à²µ ತಜà³à²ž ವà³à²¯à²µà²¸à³à²¥à³†.
ವಿವರಿಸಬಹà³à²¦à²¾à²¦ AI (XAI) (Explainable AI (XAI))
Explainable AI (XAI)
AI ವà³à²¯à²µà²¸à³à²¥à³†à²—ಳೠತಮà³à²® ಆಂತರಿಕ ಪà³à²°à²•à³à²°à²¿à²¯à³†à²—ಳೠಮತà³à²¤à³ ನಿರà³à²§à²¾à²°à²—ಳನà³à²¨à³ ಮಾನವರಿಗೆ ಅರà³à²¥à²µà²¾à²—à³à²µà²‚ತೆ ಮಾಡಲೠವಿನà³à²¯à²¾à²¸à²—ೊಳಿಸಲಾಗಿದೆ, ವಿಶà³à²µà²¾à²¸ ಮತà³à²¤à³ ಹೊಣೆಗಾರಿಕೆಯನà³à²¨à³ ಹೆಚà³à²šà²¿à²¸à³à²¤à³à²¤à²¦à³†.
ಉದಾಹರಣೆ: ವೈದà³à²¯à²•à³€à²¯ ರೋಗನಿರà³à²£à²¯ AI ಅದೠಶಿಫಾರಸನà³à²¨à³ ಒದಗಿಸà³à²µà³à²¦à²²à³à²²à²¦à³†, ಆ ತೀರà³à²®à²¾à²¨à²•à³à²•à³† ಯಾವ ರೋಗಲಕà³à²·à²£à²—ಳೠಕಾರಣವಾಯಿತೠಎಂಬà³à²¦à²¨à³à²¨à³ ವಿವರಿಸà³à²¤à³à²¤à²¦à³†.
ಫà³à²¯à³‚-ಶಾಟೠಲರà³à²¨à²¿à²‚ಗೠ(Few-shot Learning)
Few-shot Learning
ಕೇವಲ ಕೆಲವೠಲೇಬಲೠಮಾಡಿದ ಉದಾಹರಣೆಗಳನà³à²¨à³ ಬಳಸಿಕೊಂಡೠಮಾದರಿಯನà³à²¨à³ ತರಬೇತಿ ನೀಡà³à²µ ಅಥವಾ ಫೈನà³-ಟà³à²¯à³‚ನೠಮಾಡà³à²µ ಯಂತà³à²° ಕಲಿಕೆ ವಿಧಾನ.
ಉದಾಹರಣೆ: ಕೇವಲ 10 ಉದಾಹರಣೆಗಳನà³à²¨à³ ತೋರಿಸಿದ ನಂತರ ಕಾನೂನೠಇಮೇಲà³â€Œà²—ಳನà³à²¨à³ ಬರೆಯಲೠLLM ಅನà³à²¨à³ ಕಸà³à²Ÿà²®à³ˆà²¸à³ ಮಾಡà³à²µà³à²¦à³.
ಫೈನà³-ಟà³à²¯à³‚ನಿಂಗೠ(Fine-tuning)
Fine-tuning
ಮà³à²‚ಚಿತವಾಗಿ ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಯನà³à²¨à³ ತೆಗೆದà³à²•à³Šà²‚ಡೠಅದನà³à²¨à³ ನಿರà³à²¦à²¿à²·à³à²Ÿ ಕಾರà³à²¯à²•à³à²•à²¾à²—ಿ ವಿಶೇಷಗೊಳಿಸಲೠಹೊಸ, ಚಿಕà³à²• ಡೇಟಾಸೆಟà³â€Œà²¨à²²à³à²²à²¿ ಮತà³à²¤à²·à³à²Ÿà³ ತರಬೇತಿ ನೀಡà³à²µ ಪà³à²°à²•à³à²°à²¿à²¯à³†.
ಉದಾಹರಣೆ: ಕಾನೂನೠಡà³à²°à²¾à²«à³à²Ÿà²¿à²‚ಗೠಸಹಾಯಕವನà³à²¨à³ ರಚಿಸಲೠಆಂತರಿಕ ಕಾನೂನೠದಾಖಲೆಗಳ ಮೇಲೆ ಸಾಮಾನà³à²¯ LLM ಅನà³à²¨à³ ಫೈನà³-ಟà³à²¯à³‚ನೠಮಾಡà³à²µà³à²¦à³.
ಫೌಂಡೇಶನೠಮಾಡೆಲೠ(Foundation Model)
Foundation Model
ವೈವಿಧà³à²¯à²®à²¯ ಮತà³à²¤à³ ವಿಶಾಲವಾದ ಡೇಟಾದಲà³à²²à²¿ ತರಬೇತಿ ಪಡೆದ ದೊಡà³à²¡-ಪà³à²°à²®à²¾à²£à²¦ ಮಾದರಿ, ಇದನà³à²¨à³ ಅನೇಕ ಕೆಳಹಂತದ ಕಾರà³à²¯à²—ಳಿಗೆ ಅಳವಡಿಸಿಕೊಳà³à²³à²¬à²¹à³à²¦à³.
ಉದಾಹರಣೆ: GPT-4 ಮತà³à²¤à³ PaLM 2 ಫೌಂಡೇಶನೠಮಾದರಿಗಳಾಗಿವೆ, ಇವೠಸಾರಾಂಶ, ಪà³à²°à²¶à³à²¨à³‹à²¤à³à²¤à²°, ಅನà³à²µà²¾à²¦ ಮತà³à²¤à³ ಹೆಚà³à²šà²¿à²¨à²¦à²¨à³à²¨à³ ನಿರà³à²µà²¹à²¿à²¸à²¬à²²à³à²²à²µà³.
ಫà²à²¿ ಲಾಜಿಕೠ(Fuzzy Logic)
Fuzzy Logic
ನಿಶà³à²šà²¿à²¤ ನಿಜ/ತಪà³à²ªà³ (ಬೈನರಿ) ತರà³à²•à²¦ ಬದಲಿಗೆ ಅಂದಾಜೠಮೌಲà³à²¯à²—ಳೊಂದಿಗೆ ವà³à²¯à²µà²¹à²°à²¿à²¸à³à²µ ತರà³à²•à²¦ ಒಂದೠರೂಪ, ಅನಿಶà³à²šà²¿à²¤à²¤à³†à²¯ ಅಡಿಯಲà³à²²à²¿ ತರà³à²•à²¿à²¸à²²à³ ಉಪಯà³à²•à³à²¤à²µà²¾à²—ಿದೆ.
ಉದಾಹರಣೆ: 'ಸà³à²µà²²à³à²ª ಬಿಸಿಯಾಗಿ' ಅಥವಾ 'ತà³à²‚ಬಾ ತಂಪಾಗಿ' ಎಂಬಂತಹ ಫà²à²¿ ಇನà³â€Œà²ªà³à²Ÿà³â€Œà²—ಳ ಆಧಾರದ ಮೇಲೆ ತಾಪಮಾನವನà³à²¨à³ ಸರಿಹೊಂದಿಸಲೠಹವಾಮಾನ ನಿಯಂತà³à²°à²£ ವà³à²¯à²µà²¸à³à²¥à³†à²—ಳಲà³à²²à²¿ ಬಳಸಲಾಗà³à²¤à³à²¤à²¦à³†.
ಜನರೇಟಿವೠಅಡà³à²µà²°à³à²¸à²°à²¿à²¯à²²à³ ನೆಟà³â€Œà²µà²°à³à²•à³ (GAN) (Generative Adversarial Network (GAN))
Generative Adversarial Network (GAN)
ಎರಡೠನೆಟà³â€Œà²µà²°à³à²•à³â€Œà²—ಳೠ— ಒಂದೠಜನರೇಟರೠಮತà³à²¤à³ ಒಂದೠಡಿಸà³à²•à³à²°à²¿à²®à²¿à²¨à³‡à²Ÿà²°à³ — ಔಟà³â€Œà²ªà³à²Ÿà³ ಗà³à²£à²®à²Ÿà³à²Ÿà²µà²¨à³à²¨à³ ಸà³à²§à²¾à²°à²¿à²¸à²²à³ ಸà³à²ªà²°à³à²§à²¿à²¸à³à²µ ಜನರೇಟಿವೠಮಾದರಿ ಆರà³à²•à²¿à²Ÿà³†à²•à³à²šà²°à³.
ಉದಾಹರಣೆ: GAN ಗಳನà³à²¨à³ ಡೀಪà³â€Œà²«à³‡à²•à³ ವೀಡಿಯೊಗಳನà³à²¨à³ ರಚಿಸಲೠಅಥವಾ ರೇಖಾಚಿತà³à²°à²—ಳಿಂದ ವಾಸà³à²¤à²µà²¿à²• ಉತà³à²ªà²¨à³à²¨ ಫೋಟೋಗಳನà³à²¨à³ ರಚಿಸಲೠಬಳಸಲಾಗà³à²¤à³à²¤à²¦à³†.
ಜನರೇಟಿವೠAI (Generative AI)
Generative AI
ತರಬೇತಿ ಡೇಟಾದಿಂದ ಪಠà³à²¯, ಚಿತà³à²°à²—ಳà³, ಸಂಗೀತ ಅಥವಾ ವೀಡಿಯೊಗಳಂತಹ ಹೊಸ ವಿಷಯವನà³à²¨à³ ರಚಿಸಬಲà³à²² ಕೃತಕ ಬà³à²¦à³à²§à²¿à²®à²¤à³à²¤à³†à²¯ ಒಂದೠವರà³à²—.
ಉದಾಹರಣೆ: ChatGPT ಬà³à²²à²¾à²—ೠಪೋಸà³à²Ÿà³â€Œà²—ಳನà³à²¨à³ ರಚಿಸà³à²µà³à²¦à³ ಅಥವಾ ಮಿಡà³â€Œà²œà²°à³à²¨à²¿ ಪಠà³à²¯ ಪà³à²°à²¾à²‚ಪà³à²Ÿà³â€Œà²—ಳಿಂದ ಡಿಜಿಟಲೠಕಲಾಕೃತಿಗಳನà³à²¨à³ ರಚಿಸà³à²µà³à²¦à³.
ಜನರೇಟಿವೠಪà³à²°à²¿-ಟà³à²°à³‡à²¨à³à²¡à³ ಟà³à²°à²¾à²¨à³à²¸à³â€Œà²«à²¾à²°à³à²®à²°à³ (GPT) (Generative Pre-trained Transformer (GPT))
Generative Pre-trained Transformer (GPT)
ಓಪನà³â€Œà²Žà² ಅà²à²¿à²µà³ƒà²¦à³à²§à²¿à²ªà²¡à²¿à²¸à²¿à²¦ ದೊಡà³à²¡ à²à²¾à²·à²¾ ಮಾದರಿಗಳ ಒಂದೠವರà³à²—, ಇದೠಟà³à²°à²¾à²¨à³à²¸à³â€Œà²«à²¾à²°à³à²®à²°à³ ಆರà³à²•à²¿à²Ÿà³†à²•à³à²šà²°à³ ಅನà³à²¨à³ ಬಳಸà³à²¤à³à²¤à²¦à³† ಮತà³à²¤à³ ವಿವಿಧ à²à²¾à²·à²¾ ಕಾರà³à²¯à²—ಳನà³à²¨à³ ನಿರà³à²µà²¹à²¿à²¸à²²à³ ಅಪಾರ ಪà³à²°à²®à²¾à²£à²¦ ಪಠà³à²¯ ಡೇಟಾದಲà³à²²à²¿ ಮà³à²‚ಚಿತವಾಗಿ ತರಬೇತಿ ನೀಡಲಾಗà³à²¤à³à²¤à²¦à³†.
ಉದಾಹರಣೆ: GPT-4 ಕನಿಷà³à² ಪà³à²°à²¾à²‚ಪà³à²Ÿà²¿à²‚ಗà³â€Œà²¨à³Šà²‚ದಿಗೆ ಪà³à²°à²¬à²‚ಧಗಳನà³à²¨à³ ಬರೆಯಲà³, à²à²¾à²·à³†à²—ಳನà³à²¨à³ ಅನà³à²µà²¾à²¦à²¿à²¸à²²à³ ಮತà³à²¤à³ ದಾಖಲೆಗಳನà³à²¨à³ ಸಾರಾಂಶಗೊಳಿಸಲೠಸಮರà³à²¥à²µà²¾à²—ಿದೆ.
ಜೆನೆಟಿಕೠಅಲà³à²—ಾರಿದಮೠ(Genetic Algorithm)
Genetic Algorithm
ನೈಸರà³à²—ಿಕ ಆಯà³à²•à³†à²¯à²¿à²‚ದ ಪà³à²°à³‡à²°à²¿à²¤à²µà²¾à²¦ ಆಪà³à²Ÿà²¿à²®à³ˆà²¸à³‡à²¶à²¨à³ ತಂತà³à²°, ಅಲà³à²²à²¿ ಪರಿಹಾರಗಳೠರೂಪಾಂತರ, ಅಡà³à²¡-ಸಂಯೋಜನೆ ಮತà³à²¤à³ ಆಯà³à²•à³†à²¯ ಮೂಲಕ ಕಾಲಾನಂತರದಲà³à²²à²¿ ವಿಕಸನಗೊಳà³à²³à³à²¤à³à²¤à²µà³†.
ಉದಾಹರಣೆ: ಅತà³à²¯à³à²¤à³à²¤à²®à²µà²¾à²¦à²µà³à²—ಳ ಬದà³à²µà²³à²¿à²•à³†à²¯à²¨à³à²¨à³ ಅನà³à²•à²°à²¿à²¸à³à²µ ಮೂಲಕ ಸಮರà³à²¥ ನರ ಜಾಲದ ಆರà³à²•à²¿à²Ÿà³†à²•à³à²šà²°à³â€Œà²—ಳನà³à²¨à³ ವಿನà³à²¯à²¾à²¸à²—ೊಳಿಸಲೠಬಳಸಲಾಗà³à²¤à³à²¤à²¦à³†.
ಹà³à²¯à²¾à²²à²¿à²¸à²¿à²¨à³‡à²·à²¨à³ (Hallucination)
Hallucination
AI ಮಾದರಿಯಿಂದ ನಂಬಲರà³à²¹à²µà²¾à²—ಿ ಧà³à²µà²¨à²¿à²¸à³à²µ ಆದರೆ ವಾಸà³à²¤à²µà²¿à²•à²µà²¾à²—ಿ ತಪà³à²ªà²¾à²¦ ಅಥವಾ ಅರà³à²¥à²¹à³€à²¨ ವಿಷಯದ ಉತà³à²ªà²¾à²¦à²¨à³†.
ಉದಾಹರಣೆ: à²à²¾à²·à²¾ ಮಾದರಿಯೠಅಸà³à²¤à²¿à²¤à³à²µà²¦à²²à³à²²à²¿à²²à³à²²à²¦ ಉಲà³à²²à³‡à²–ವನà³à²¨à³ ಕಂಡà³à²¹à²¿à²¡à²¿à²¯à³à²¤à³à²¤à²¦à³† ಅಥವಾ ಸà³à²³à³à²³à³ à²à²¤à²¿à²¹à²¾à²¸à²¿à²• ಸಂಗತಿಗಳನà³à²¨à³ ಒದಗಿಸà³à²¤à³à²¤à²¦à³†.
ಹà³à²¯à³‚ರಿಸà³à²Ÿà²¿à²•à³ (Heuristic)
Heuristic
ಸಂಪೂರà³à²£ ಪರಿಹಾರವನà³à²¨à³ ಖಾತರಿಪಡಿಸದ ಸಮಸà³à²¯à³†-ಪರಿಹರಿಸà³à²µ ಪà³à²°à²¾à²¯à³‹à²—ಿಕ ವಿಧಾನ ಆದರೆ ತಕà³à²·à²£à²¦ ಗà³à²°à²¿à²—ಳಿಗೆ ಸಾಕಾಗà³à²¤à³à²¤à²¦à³†.
ಉದಾಹರಣೆ: ಲಾಜಿಸà³à²Ÿà²¿à²•à³à²¸à³ AI ವà³à²¯à²µà²¸à³à²¥à³†à²¯à²²à³à²²à²¿ ವಿತರಣಾ ಸಮಯವನà³à²¨à³ ಅಂದಾಜೠಮಾಡಲೠಒಂದೠನಿಯಮವನà³à²¨à³ ಬಳಸà³à²µà³à²¦à³.
ಹೈಪರà³â€Œà²ªà³à²¯à²¾à²°à²¾à²®à³€à²Ÿà²°à³ (Hyperparameter)
Hyperparameter
ಕಲಿಕೆಯ ದರ ಅಥವಾ ಪದರಗಳ ಸಂಖà³à²¯à³†à²¯à²‚ತಹ ಯಂತà³à²° ಕಲಿಕೆ ಮಾದರಿಯನà³à²¨à³ ತರಬೇತಿ ನೀಡà³à²µ ಮೊದಲೠಹೊಂದಿಸಲಾದ ಸಂರಚನಾ ಮೌಲà³à²¯.
ಉದಾಹರಣೆ: ತರಬೇತಿ ವೇಗ ಮತà³à²¤à³ ಮಾದರಿ ಕಾರà³à²¯à²•à³à²·à²®à²¤à³†à²¯à²¨à³à²¨à³ ಸà³à²§à²¾à²°à²¿à²¸à²²à³ ಬà³à²¯à²¾à²šà³ ಗಾತà³à²°à²µà²¨à³à²¨à³ 32 ರಿಂದ 128 ಕà³à²•à³† ಸರಿಹೊಂದಿಸà³à²µà³à²¦à³.
ಇನà³à²«à²°à³†à²¨à³à²¸à³ (Inference)
Inference
ಹೊಸ ಇನà³â€Œà²ªà³à²Ÿà³ ಡೇಟಾದಿಂದ ಮà³à²¨à³à²¸à³‚ಚನೆಗಳನà³à²¨à³ ಮಾಡಲೠಅಥವಾ ಫಲಿತಾಂಶಗಳನà³à²¨à³ ರಚಿಸಲೠತರಬೇತಿ ಪಡೆದ ಯಂತà³à²° ಕಲಿಕೆ ಮಾದರಿಯನà³à²¨à³ ಬಳಸà³à²µ ಪà³à²°à²•à³à²°à²¿à²¯à³†.
ಉದಾಹರಣೆ: ಗà³à²°à²¾à²¹à²• ಬೆಂಬಲ ತಂಡಕà³à²•à²¾à²—ಿ ಇಮೇಲà³â€Œà²—ಳನà³à²¨à³ ರಚಿಸಲೠಫೈನà³-ಟà³à²¯à³‚ನೠಮಾಡಿದ GPT ಮಾದರಿಯನà³à²¨à³ ಬಳಸà³à²µà³à²¦à³.
ಉದà³à²¦à³‡à²¶ ಪತà³à²¤à³† (Intent Detection)
Intent Detection
ಸಂದೇಶದಲà³à²²à²¿ ಬಳಕೆದಾರರ ಗà³à²°à²¿ ಅಥವಾ ಉದà³à²¦à³‡à²¶à²µà²¨à³à²¨à³ ವà³à²¯à²µà²¸à³à²¥à³†à²¯à³ ಗà³à²°à³à²¤à²¿à²¸à³à²µ ನೈಸರà³à²—ಿಕ à²à²¾à²·à²¾ ತಿಳà³à²µà²³à²¿à²•à³†à²¯à²²à³à²²à²¿ ಒಂದೠಕಾರà³à²¯.
ಉದಾಹರಣೆ: ಚಾಟà³â€Œà²¬à²¾à²Ÿà³â€Œà²¨à²²à³à²²à²¿, 'ನಾನೠವಿಮಾನವನà³à²¨à³ ಬà³à²•à³ ಮಾಡಲೠಬಯಸà³à²¤à³à²¤à³‡à²¨à³†' ಎಂಬದನà³à²¨à³ ಪà³à²°à²¯à²¾à²£ ಬà³à²•à²¿à²‚ಗೠಉದà³à²¦à³‡à²¶à²µà²¾à²—ಿ ಗà³à²°à³à²¤à²¿à²¸à³à²µà³à²¦à³.
ಇಂಟರà³à²¨à³†à²Ÿà³ ಆಫೠಥಿಂಗà³à²¸à³ (IoT) (Internet of Things (IoT))
Internet of Things (IoT)
ಡೇಟಾವನà³à²¨à³ ಸಂಗà³à²°à²¹à²¿à²¸à²²à³ ಮತà³à²¤à³ ವಿನಿಮಯ ಮಾಡಲೠಸಂವೇದಕಗಳà³, ಸಾಫà³à²Ÿà³â€Œà²µà³‡à²°à³ ಮತà³à²¤à³ ಇತರ ತಂತà³à²°à²œà³à²žà²¾à²¨à²—ಳೊಂದಿಗೆ ಅಳವಡಿಸಲಾದ ಪರಸà³à²ªà²° ಸಂಪರà³à²•à²¿à²¤ à²à³Œà²¤à²¿à²• ಸಾಧನಗಳ ಜಾಲ.
ಉದಾಹರಣೆ: ಬಳಕೆಯ ಡೇಟಾವನà³à²¨à³ ವರದಿ ಮಾಡà³à²µ ಮತà³à²¤à³ AI ವಿಶà³à²²à³‡à²·à²£à³†à²—ಳನà³à²¨à³ ಬಳಸಿಕೊಂಡೠಸೆಟà³à²Ÿà²¿à²‚ಗà³â€Œà²—ಳನà³à²¨à³ ಸರಿಹೊಂದಿಸà³à²µ ಸà³à²®à²¾à²°à³à²Ÿà³ ಥರà³à²®à³‹à²¸à³à²Ÿà²¾à²Ÿà³â€Œà²—ಳೠಮತà³à²¤à³ ಫà³à²°à²¿à²œà³â€Œà²—ಳà³.
ವà³à²¯à²¾à²–à³à²¯à²¾à²¨à²¿à²¸à³à²µà²¿à²•à³† (Interpretability)
Interpretability
ಯಂತà³à²° ಕಲಿಕೆ ಮಾದರಿಯ ಆಂತರಿಕ ಕಾರà³à²¯à²µà²¿à²§à²¾à²¨à²—ಳೠಮತà³à²¤à³ ಅದರ ನಿರà³à²§à²¾à²°-ಮಾಡà³à²µ ಪà³à²°à²•à³à²°à²¿à²¯à³†à²¯à²¨à³à²¨à³ ಮಾನವನೠಅರà³à²¥à²®à²¾à²¡à²¿à²•à³Šà²³à³à²³à²¬à²²à³à²² ಮಟà³à²Ÿ.
ಉದಾಹರಣೆ: ನಿರà³à²§à²¾à²° ಮರವೠಡೀಪೠನà³à²¯à³‚ರಲೠನೆಟà³â€Œà²µà²°à³à²•à³â€Œà²—ಿಂತ ಹೆಚà³à²šà³ ವà³à²¯à²¾à²–à³à²¯à²¾à²¨à²¿à²¸à²¬à²¹à³à²¦à²¾à²—ಿದೆ à²à²•à³†à²‚ದರೆ ಅದರ ನಿರà³à²§à²¾à²°à²—ಳೠಪತà³à²¤à³†à²¹à²šà³à²šà²¬à²¹à³à²¦à²¾à²—ಿರà³à²¤à³à²¤à²µà³†.
ಜà³à²ªà²¿à²Ÿà²°à³ ನೋಟà³â€Œà²¬à³à²•à³ (Jupyter Notebook)
Jupyter Notebook
ಒಂದೇ ಇಂಟರà³â€Œà²«à³‡à²¸à³â€Œà²¨à²²à³à²²à²¿ ಕೋಡೠಬರೆಯಲà³, ಫಲಿತಾಂಶಗಳನà³à²¨à³ ದೃಶà³à²¯à³€à²•à²°à²¿à²¸à²²à³ ಮತà³à²¤à³ ವಿಶà³à²²à³‡à²·à²£à³†à²¯à²¨à³à²¨à³ ದಾಖಲಿಸಲೠಬಳಕೆದಾರರಿಗೆ ಅನà³à²®à²¤à²¿à²¸à³à²µ ಓಪನà³-ಸೋರà³à²¸à³ ಸಂವಾದಾತà³à²®à²• ಕಂಪà³à²¯à³‚ಟಿಂಗೠಪರಿಸರ.
ಉದಾಹರಣೆ: ಡೇಟಾ ವಿಜà³à²žà²¾à²¨à²¿à²—ಳೠಯಂತà³à²° ಕಲಿಕೆ ಮಾದರಿಗಳನà³à²¨à³ ಪà³à²°à³‹à²Ÿà³‹à²Ÿà³ˆà²ªà³ ಮಾಡಲೠಮತà³à²¤à³ ಫಲಿತಾಂಶಗಳನà³à²¨à³ ಹಂಚಿಕೊಳà³à²³à²²à³ ಜà³à²ªà²¿à²Ÿà²°à³ ನೋಟà³â€Œà²¬à³à²•à³â€Œà²—ಳನà³à²¨à³ ಬಳಸà³à²¤à³à²¤à²¾à²°à³†.
K-ನಿಯರೆಸà³à²Ÿà³ ನೈಬರà³à²¸à³ (KNN) (K-Nearest Neighbours (KNN))
K-Nearest Neighbours (KNN)
ವರà³à²—ೀಕರಣ ಮತà³à²¤à³ ಹಿಂಜರಿಕೆಗಾಗಿ ಬಳಸà³à²µ ಸರಳ, ನಾನà³-ಪà³à²¯à²¾à²°à²¾à²®à³†à²Ÿà³à²°à²¿à²•à³ ಯಂತà³à²° ಕಲಿಕೆ ಅಲà³à²—ಾರಿದಮà³. ಇದೠವೈಶಿಷà³à²Ÿà³à²¯à²—ಳ ಜಾಗದಲà³à²²à²¿ ಹತà³à²¤à²¿à²°à²¦ ತರಬೇತಿ ಉದಾಹರಣೆಗಳ ಆಧಾರದ ಮೇಲೆ ನಿರà³à²§à²¾à²°à²—ಳನà³à²¨à³ ತೆಗೆದà³à²•à³Šà²³à³à²³à³à²¤à³à²¤à²¦à³†.
ಉದಾಹರಣೆ: ಹೊಸ ಹಣà³à²£à²¨à³à²¨à³ ಸೇಬೠಅಥವಾ ಪೇರಳೆ ಎಂದೠವರà³à²—ೀಕರಿಸಲà³, KNN ಆಕಾರ ಮತà³à²¤à³ ಬಣà³à²£à²¦à²²à³à²²à²¿ ಹತà³à²¤à²¿à²°à²µà²¿à²°à³à²µ ಲೇಬಲೠಮಾಡಿದ ಹಣà³à²£à³à²—ಳನà³à²¨à³ ಪರಿಶೀಲಿಸà³à²¤à³à²¤à²¦à³†.
ಜà³à²žà²¾à²¨ ಗà³à²°à²¾à²«à³ (Knowledge Graph)
Knowledge Graph
ಘಟಕಗಳೠಮತà³à²¤à³ ಅವà³à²—ಳ ಸಂಬಂಧಗಳ ಲಿಂಕೠಮಾಡಿದ ವಿವರಣೆಗಳನà³à²¨à³ ಪà³à²°à²¤à²¿à²¨à²¿à²§à²¿à²¸à²²à³ ಮತà³à²¤à³ ಸಂಗà³à²°à²¹à²¿à²¸à²²à³ ನೋಡà³â€Œà²—ಳೠಮತà³à²¤à³ ಅಂಚà³à²—ಳನà³à²¨à³ ಬಳಸà³à²µ ಡೇಟಾ ರಚನೆ.
ಉದಾಹರಣೆ: Google ನ ನಾಲೆಡà³à²œà³ ಪà³à²¯à²¾à²¨à³†à²²à³ ಜನರà³, ಸà³à²¥à²³à²—ಳೠಮತà³à²¤à³ ಘಟನೆಗಳಂತಹ ಘಟಕಗಳನà³à²¨à³ ಸಂಪರà³à²•à²¿à²¸à³à²µ ನಾಲೆಡà³à²œà³ ಗà³à²°à²¾à²«à³â€Œà²¨à²¿à²‚ದ ನಡೆಸಲà³à²ªà²¡à³à²¤à³à²¤à²¦à³†.
à²à²¾à²·à²¾ ಕಲಿಕೆ ಮಾದರಿ ಆಪà³à²Ÿà²¿à²®à³ˆà²¸à³‡à²¶à²¨à³ (LLMO) (Language Learning Model Optimisation (LLMO))
Language Learning Model Optimisation (LLMO)
ನಿರà³à²¦à²¿à²·à³à²Ÿ ಕಾರà³à²¯à²—ಳೠಅಥವಾ ಡೊಮೇನà³â€Œà²—ಳಿಗಾಗಿ ದೊಡà³à²¡ à²à²¾à²·à²¾ ಮಾದರಿಗಳ ಕಾರà³à²¯à²•à³à²·à²®à²¤à³†, ದಕà³à²·à²¤à³† ಅಥವಾ ಅಳವಡಿಕೆಯನà³à²¨à³ ಸà³à²§à²¾à²°à²¿à²¸à²²à³ ಬಳಸà³à²µ ತಂತà³à²°à²—ಳà³.
ಉದಾಹರಣೆ: ಉದà³à²¯à²® ಬಳಕೆಗಾಗಿ LLM ಅನà³à²¨à³ ಆಪà³à²Ÿà²¿à²®à³ˆà²¸à³ ಮಾಡಲೠಕà³à²µà²¾à²‚ಟೈಸೇಶನೠಮತà³à²¤à³ ಸೂಚನೆ ಟà³à²¯à³‚ನಿಂಗೠಬಳಸà³à²µà³à²¦à³.
ದೊಡà³à²¡ à²à²¾à²·à²¾ ಮಾದರಿ (LLM) (Large Language Model (LLM))
Large Language Model (LLM)
ಅಪಾರ ಪà³à²°à²®à²¾à²£à²¦ ಪಠà³à²¯ ಡೇಟಾದಲà³à²²à²¿ ತರಬೇತಿ ಪಡೆದ ಡೀಪೠಲರà³à²¨à²¿à²‚ಗೠಮಾದರಿಯ ಪà³à²°à²•à²¾à²°, ಇದೠಮಾನವ à²à²¾à²·à³†à²¯à³Šà²‚ದಿಗೆ ರಚಿಸಲà³, ಅರà³à²¥à²®à²¾à²¡à²¿à²•à³Šà²³à³à²³à²²à³ ಮತà³à²¤à³ ತರà³à²•à²¿à²¸à²²à³ ಸಮರà³à²¥à²µà²¾à²—ಿದೆ.
ಉದಾಹರಣೆ: ChatGPT ಮತà³à²¤à³ Claude LLM ಗಳೠಬರವಣಿಗೆ, ಕೋಡಿಂಗೠಮತà³à²¤à³ ಪà³à²°à²¶à³à²¨à³†à²—ಳಿಗೆ ಉತà³à²¤à²°à²¿à²¸à³à²µà²²à³à²²à²¿ ಸಹಾಯ ಮಾಡಲೠತರಬೇತಿ ಪಡೆದಿವೆ.
ಲà³à²¯à²¾à²Ÿà³†à²‚ಟೠಸà³à²ªà³‡à²¸à³ (Latent Space)
Latent Space
ಸಾದೃಶ ಇನà³â€Œà²ªà³à²Ÿà³â€Œà²—ಳನà³à²¨à³ ಹತà³à²¤à²¿à²°à²¦à²²à³à²²à²¿ ಗà³à²‚ಪೠಮಾಡà³à²µ ಉನà³à²¨à²¤-ಆಯಾಮದ ಅಮೂರà³à²¤ ಪà³à²°à²¾à²¤à²¿à²¨à²¿à²§à³à²¯, ಜನರೇಟಿವೠಮಾದರಿಗಳೠಮತà³à²¤à³ ಎಂಬೆಡಿಂಗà³â€Œà²—ಳಲà³à²²à²¿ ಬಳಸಲಾಗà³à²¤à³à²¤à²¦à³†.
ಉದಾಹರಣೆ: ಚಿತà³à²° ಉತà³à²ªà²¾à²¦à²¨à³†à²¯à²²à³à²²à²¿, ಲà³à²¯à²¾à²Ÿà³†à²‚ಟೠಸà³à²ªà³‡à²¸à³ ಅನà³à²¨à³ ನಿರà³à²µà²¹à²¿à²¸à³à²µà³à²¦à²°à²¿à²‚ದ ಹೊಳಪೠಅಥವಾ à²à²¾à²µà²¨à³†à²¯à²‚ತಹ ವೈಶಿಷà³à²Ÿà³à²¯à²—ಳನà³à²¨à³ ಬದಲಾಯಿಸಬಹà³à²¦à³.
ಕಲಿಕೆಯ ದರ (Learning Rate)
Learning Rate
ತರಬೇತಿಯಲà³à²²à²¿ ಪà³à²°à²®à³à²– ಹೈಪರà³â€Œà²ªà³à²¯à²¾à²°à²¾à²®à³€à²Ÿà²°à³, ಇದೠನಷà³à²Ÿà²¦ ಗà³à²°à³‡à²¡à²¿à²¯à²‚ಟà³â€Œà²—ೆ ಸಂಬಂಧಿಸಿದಂತೆ ಮಾದರಿ ತೂಕವನà³à²¨à³ ಎಷà³à²Ÿà³ पà¥à¤°à¤®à¤¾à¤£à¤¾à¤¤ ಸರಿಹೊಂದಿಸಲಾಗà³à²¤à³à²¤à²¦à³† ಎಂಬà³à²¦à²¨à³à²¨à³ ನಿಯಂತà³à²°à²¿à²¸à³à²¤à³à²¤à²¦à³†.
ಉದಾಹರಣೆ: ಹೆಚà³à²šà²¿à²¨ ಕಲಿಕೆಯ ದರವೠಕನಿಷà³à² ಗಳನà³à²¨à³ ಅತಿಯಾಗಿ ದಾಟಲೠಕಾರಣವಾಗಬಹà³à²¦à³, ಆದರೆ ತà³à²‚ಬಾ ಕಡಿಮೆ ದರವೠತರಬೇತಿ ಪà³à²°à²—ತಿಯನà³à²¨à³ ನಿಧಾನಗೊಳಿಸà³à²¤à³à²¤à²¦à³†.
ಯಂತà³à²° ಕಲಿಕೆ (ML) (Machine Learning (ML))
Machine Learning (ML)
AI ಯ ಒಂದೠಶಾಖೆ, ಇದೠವà³à²¯à²µà²¸à³à²¥à³†à²—ಳಿಗೆ ಡೇಟಾದಿಂದ ಕಲಿಯಲೠಮತà³à²¤à³ ಸà³à²ªà²·à³à²Ÿà²µà²¾à²—ಿ ಪà³à²°à³‹à²—à³à²°à²¾à²®à³ ಮಾಡದೆಯೇ ಕಾರà³à²¯à²•à³à²·à²®à²¤à³†à²¯à²¨à³à²¨à³ ಸà³à²§à²¾à²°à²¿à²¸à²²à³ ಅನà³à²µà³ ಮಾಡಿಕೊಡà³à²¤à³à²¤à²¦à³†.
ಉದಾಹರಣೆ: ಸà³à²ªà³à²¯à²¾à²®à³ ಫಿಲà³à²Ÿà²°à³â€Œà²—ಳೠಹಿಂದಿನ ಉದಾಹರಣೆಗಳ ಆಧಾರದ ಮೇಲೆ ಇಮೇಲà³â€Œà²—ಳನà³à²¨à³ ಸà³à²ªà³à²¯à²¾à²®à³ ಅಥವಾ ಅಲà³à²² ಎಂದೠವರà³à²—ೀಕರಿಸಲೠಯಂತà³à²° ಕಲಿಕೆಯನà³à²¨à³ ಬಳಸà³à²¤à³à²¤à²µà³†.
ಮಾದರಿ ಡà³à²°à²¿à²«à³à²Ÿà³ (Model Drift)
Model Drift
ಡೇಟಾ ಅಥವಾ ಪರಿಸರದಲà³à²²à²¿à²¨ ಬದಲಾವಣೆಗಳಿಂದಾಗಿ ಮಾದರಿಯ ನಿಖರತೆಯೠಕಾಲಾನಂತರದಲà³à²²à²¿ ಕಡಿಮೆಯಾಗà³à²µ ವಿದà³à²¯à²®à²¾à²¨.
ಉದಾಹರಣೆ: ವಂಚನೆ ತಂತà³à²°à²—ಳೠವಿಕಸನಗೊಳà³à²³à³à²µà³à²¦à²°à²¿à²‚ದ ವಂಚನೆ ಪತà³à²¤à³† ಮಾದರಿಯೠಕಡಿಮೆ ನಿಖರವಾಗà³à²¤à³à²¤à²¦à³†.
ಮಾದರಿ ತರಬೇತಿ (Model Training)
Model Training
ಯಂತà³à²° ಕಲಿಕೆ ಮಾದರಿಗೆ ಡೇಟಾವನà³à²¨à³ ನೀಡà³à²µ ಮತà³à²¤à³ ದೋಷವನà³à²¨à³ ಕಡಿಮೆ ಮಾಡಲೠಅದರ ನಿಯತಾಂಕಗಳನà³à²¨à³ ಸರಿಹೊಂದಿಸà³à²µ ಪà³à²°à²•à³à²°à²¿à²¯à³†.
ಉದಾಹರಣೆ: ಹೊಸ ಉತà³à²ªà²¨à³à²¨à²—ಳನà³à²¨à³ ಸೂಚಿಸಲೠಗà³à²°à²¾à²¹à²•à²° ಖರೀದಿ ಇತಿಹಾಸದ ಮೇಲೆ ಶಿಫಾರಸೠಎಂಜಿನೠಅನà³à²¨à³ ತರಬೇತಿ ಮಾಡà³à²µà³à²¦à³.
ಮಲà³à²Ÿà²¿à²®à³‹à²¡à²²à³ AI (Multimodal AI)
Multimodal AI
ಪಠà³à²¯, ಚಿತà³à²°à²—ಳà³, ಆಡಿಯೋ ಮತà³à²¤à³ ವೀಡಿಯೊಗಳಂತಹ ಬಹೠಡೇಟಾ ಪà³à²°à²•à²¾à²°à²—ಳನà³à²¨à³ ಸಂಸà³à²•à²°à²¿à²¸à²²à³ ಮತà³à²¤à³ ಸಂಯೋಜಿಸಲೠಸಮರà³à²¥ AI ವà³à²¯à²µà²¸à³à²¥à³†à²—ಳà³.
ಉದಾಹರಣೆ: GPT-4 ವಿಷನೠನಂತಹ ಮಾದರಿಯೠಪಠà³à²¯à²µà²¨à³à²¨à³ ಓದಬಹà³à²¦à³ ಮತà³à²¤à³ à²à²•à²•à²¾à²²à²¦à²²à³à²²à²¿ ಚಿತà³à²°à²—ಳನà³à²¨à³ ಅರà³à²¥à³ˆà²¸à²¬à²¹à³à²¦à³.
ನೈಸರà³à²—ಿಕ à²à²¾à²·à²¾ ಸಂಸà³à²•à²°à²£à³† (NLP) (Natural Language Processing (NLP))
Natural Language Processing (NLP)
ಕಂಪà³à²¯à³‚ಟರà³â€Œà²—ಳೠಮತà³à²¤à³ ಮಾನವ (ನೈಸರà³à²—ಿಕ) à²à²¾à²·à³†à²—ಳ ನಡà³à²µà²¿à²¨ ಸಂವಹನದ ಮೇಲೆ ಕೇಂದà³à²°à³€à²•à²°à²¿à²¸à²¿à²¦ AI ಯ ಉಪಕà³à²·à³‡à²¤à³à²°. ಇದೠಯಂತà³à²°à²—ಳಿಗೆ ಮಾನವ à²à²¾à²·à³†à²¯à²²à³à²²à²¿ ಓದಲà³, ಅರà³à²¥à²®à²¾à²¡à²¿à²•à³Šà²³à³à²³à²²à³ ಮತà³à²¤à³ ಪà³à²°à²¤à²¿à²•à³à²°à²¿à²¯à²¿à²¸à²²à³ ಅನà³à²µà³ ಮಾಡಿಕೊಡà³à²¤à³à²¤à²¦à³†.
ಉದಾಹರಣೆ: NLP ಧà³à²µà²¨à²¿ ಸಹಾಯಕರà³, à²à²¾à²·à²¾ ಅನà³à²µà²¾à²¦ ಅಪà³à²²à²¿à²•à³‡à²¶à²¨à³â€Œà²—ಳೠಮತà³à²¤à³ ಚಾಟà³â€Œà²¬à²¾à²Ÿà³â€Œà²—ಳಲà³à²²à²¿ ಬಳಸಲಾಗà³à²¤à³à²¤à²¦à³†.
ನರ ಜಾಲ (Neural Network)
Neural Network
ಮಾನವ ಮೆದà³à²³à²¿à²¨ ರಚನೆಯಿಂದ ಪà³à²°à³‡à²°à²¿à²¤à²µà²¾à²¦ ಯಂತà³à²° ಕಲಿಕೆ ಮಾದರಿ, ಇದೠಪರಸà³à²ªà²° ಸಂಪರà³à²• ಹೊಂದಿದ ನೋಡà³â€Œà²—ಳ (ನà³à²¯à³‚ರಾನà³â€Œà²—ಳà³) ಪದರಗಳನà³à²¨à³ ಒಳಗೊಂಡಿರà³à²¤à³à²¤à²¦à³†.
ಉದಾಹರಣೆ: ಚಿತà³à²° ಮತà³à²¤à³ ಧà³à²µà²¨à²¿ ಗà³à²°à³à²¤à²¿à²¸à³à²µà²¿à²•à³†à²¯à²²à³à²²à²¿ ಬಳಸà³à²µ ಡೀಪೠಲರà³à²¨à²¿à²‚ಗೠಮಾದರಿಗಳ ಹಿಂದೆ ನರ ಜಾಲಗಳೠಇವೆ.
ಶಬà³à²¦ (Noise)
Noise
ಡೇಟಾದಲà³à²²à²¿ ಯಾದೃಚà³à²›à²¿à²• ಅಥವಾ ಅಪà³à²°à²¸à³à²¤à³à²¤ ಮಾಹಿತಿ, ಇದೠಅರà³à²¥à²ªà³‚ರà³à²£ ಮಾದರಿಗಳನà³à²¨à³ ಮರೆಮಾಡಬಹà³à²¦à³ ಮತà³à²¤à³ ಮಾದರಿ ಕಾರà³à²¯à²•à³à²·à²®à²¤à³†à²¯à²¨à³à²¨à³ ನಕಾರಾತà³à²®à²•à²µà²¾à²—ಿ ಪರಿಣಾಮ ಬೀರಬಹà³à²¦à³.
ಉದಾಹರಣೆ: ಸೆನà³à²¸à²¾à²°à³ ದೋಷಗಳೠಅಥವಾ ಟೈಪೊ-à²à²°à²¿à²¤ ಡೇಟಾ ನಮೂದà³à²—ಳನà³à²¨à³ ಶಬà³à²¦à²µà³†à²‚ದೠಪರಿಗಣಿಸಬಹà³à²¦à³.
ಆಂಟಾಲಜಿ (Ontology)
Ontology
ಡೊಮೇನà³â€Œà²¨à²²à³à²²à²¿à²¨ ಪರಿಕಲà³à²ªà²¨à³†à²—ಳ ನಡà³à²µà²¿à²¨ ಸಂಬಂಧಗಳನà³à²¨à³ ವರà³à²—ೀಕರಿಸà³à²µ ಮತà³à²¤à³ ವà³à²¯à²¾à²–à³à²¯à²¾à²¨à²¿à²¸à³à²µ ರಚನಾತà³à²®à²• ಚೌಕಟà³à²Ÿà³, ಇದನà³à²¨à³ ಸಾಮಾನà³à²¯à²µà²¾à²—ಿ ಅರà³à²¥à²ªà³‚ರà³à²£ AI ವà³à²¯à²µà²¸à³à²¥à³†à²—ಳಲà³à²²à²¿ ಬಳಸಲಾಗà³à²¤à³à²¤à²¦à³†.
ಉದಾಹರಣೆ: ಆರೋಗà³à²¯ ರಕà³à²·à²£à³†à²¯à²²à³à²²à²¿à²¨ ಆಂಟಾಲಜಿಯೠರೋಗಲಕà³à²·à²£à²—ಳೠರೋಗಗಳೠಮತà³à²¤à³ ಚಿಕಿತà³à²¸à³†à²—ಳೊಂದಿಗೆ ಹೇಗೆ ಸಂಬಂಧಿಸಿವೆ ಎಂಬà³à²¦à²¨à³à²¨à³ ವà³à²¯à²¾à²–à³à²¯à²¾à²¨à²¿à²¸à²¬à²¹à³à²¦à³.
ಓವರà³â€Œà²«à²¿à²Ÿà³à²Ÿà²¿à²‚ಗೠ(Overfitting)
Overfitting
ತರಬೇತಿ ಡೇಟಾದಲà³à²²à²¿ ಶಬà³à²¦à²µà²¨à³à²¨à³ ಸೆರೆಹಿಡಿಯà³à²µ ಮತà³à²¤à³ ಹೊಸ ಡೇಟಾದಲà³à²²à²¿ ಕಳಪೆಯಾಗಿ ಕಾರà³à²¯à²¨à²¿à²°à³à²µà²¹à²¿à²¸à³à²µ ಯಂತà³à²° ಕಲಿಕೆ ಮಾದರಿಯ ಒಂದೠಮಾಡೆಲಿಂಗೠದೋಷ.
ಉದಾಹರಣೆ: ತರಬೇತಿ ಉತà³à²¤à²°à²—ಳನà³à²¨à³ ನೆನಪಿಟà³à²Ÿà³à²•à³Šà²³à³à²³à³à²µ ಆದರೆ ಕಾಣದ ಪರೀಕà³à²·à²¾ ಡೇಟಾವನà³à²¨à³ ನಿರà³à²µà²¹à²¿à²¸à²²à³ ಸಾಧà³à²¯à²µà²¾à²—ದ ಮಾದರಿಯೠಓವರà³â€Œà²«à²¿à²Ÿà³ ಆಗಿದೆ.
ಮà³à²¨à³à²¸à³‚ಚನೆ ವಿಶà³à²²à³‡à²·à²£à³† (Predictive Analytics)
Predictive Analytics
à²à²¤à²¿à²¹à²¾à²¸à²¿à²• ಡೇಟಾದ ಆಧಾರದ ಮೇಲೆ à²à²µà²¿à²·à³à²¯à²¦ ಫಲಿತಾಂಶಗಳ ಸಂà²à²µà²¨à³€à²¯à²¤à³†à²¯à²¨à³à²¨à³ ಗà³à²°à³à²¤à²¿à²¸à²²à³ ಡೇಟಾ, ಅಲà³à²—ಾರಿದಮà³â€Œà²—ಳೠಮತà³à²¤à³ AI ಯ ಬಳಕೆ.
ಉದಾಹರಣೆ: ಚಿಲà³à²²à²°à³† ವà³à²¯à²¾à²ªà²¾à²°à²¿à²—ಳೠನಿರà³à²¦à²¿à²·à³à²Ÿ ಉತà³à²ªà²¨à³à²¨à²—ಳಿಗಾಗಿ ಬೇಡಿಕೆಯನà³à²¨à³ ಊಹಿಸಲೠಮà³à²¨à³à²¸à³‚ಚನೆ ವಿಶà³à²²à³‡à²·à²£à³†à²—ಳನà³à²¨à³ ಬಳಸà³à²¤à³à²¤à²¾à²°à³†.
ಮà³à²‚ಚಿತವಾಗಿ ತರಬೇತಿ (Pre-training)
Pre-training
ನಿರà³à²¦à²¿à²·à³à²Ÿ ಕಾರà³à²¯à²—ಳಿಗಾಗಿ ಅದನà³à²¨à³ ಫೈನà³-ಟà³à²¯à³‚ನೠಮಾಡà³à²µ ಮೊದಲೠದೊಡà³à²¡, ಸಾಮಾನà³à²¯ ಡೇಟಾಸೆಟà³â€Œà²¨à²²à³à²²à²¿ ಮಾದರಿಯನà³à²¨à³ ಆರಂà²à²¿à²•à²µà²¾à²—ಿ ತರಬೇತಿ ನೀಡà³à²µ ಪà³à²°à²•à³à²°à²¿à²¯à³†.
ಉದಾಹರಣೆ: GPT ಮಾದರಿಗಳನà³à²¨à³ ಗà³à²°à²¾à²¹à²• ಸೇವಾ ಚಾಟà³â€Œà²¬à²¾à²Ÿà³â€Œà²—ಳಿಗಾಗಿ ಕಸà³à²Ÿà²®à³ˆà²¸à³ ಮಾಡà³à²µ ಮೊದಲೠದೊಡà³à²¡ ಕಾರà³à²ªà²¸à³â€Œà²—ಳಲà³à²²à²¿ ಮà³à²‚ಚಿತವಾಗಿ ತರಬೇತಿ ನೀಡಲಾಗà³à²¤à³à²¤à²¦à³†.
ಪà³à²°à²¾à²‚ಪà³à²Ÿà³ ಎಂಜಿನಿಯರಿಂಗೠ(Prompt Engineering)
Prompt Engineering
ದೊಡà³à²¡ à²à²¾à²·à²¾ ಮಾದರಿಗಳ ಫಲಿತಾಂಶವನà³à²¨à³ ನಿರà³à²¦à³‡à²¶à²¿à²¸à²²à³ ಪರಿಣಾಮಕಾರಿ ಪà³à²°à²¾à²‚ಪà³à²Ÿà³â€Œà²—ಳನà³à²¨à³ ರಚಿಸà³à²µ ಕಲೆ ಮತà³à²¤à³ ವಿಜà³à²žà²¾à²¨.
ಉದಾಹರಣೆ: 'ಒಬà³à²¬ ವಿನಯಶೀಲ ಬೋಧಕರಂತೆ ಉತà³à²¤à²°à²¿à²¸à²¿' ಎಂಬಂತಹ ಸಿಸà³à²Ÿà²®à³ ಸೂಚನೆಗಳನà³à²¨à³ ಸೇರಿಸà³à²µà³à²¦à³ ಪà³à²°à²¾à²‚ಪà³à²Ÿà³ ಎಂಜಿನಿಯರಿಂಗà³â€Œà²¨ ಒಂದೠಉದಾಹರಣೆಯಾಗಿದೆ.
ಕà³à²µà²¾à²‚ಟೈಸೇಶನೠ(Quantisation)
Quantisation
ತೂಕ ಮತà³à²¤à³ ಸಕà³à²°à²¿à²¯à²—ೊಳಿಸà³à²µà²¿à²•à³†à²—ಳನà³à²¨à³ ಪà³à²°à²¤à²¿à²¨à²¿à²§à²¿à²¸à²²à³ ಬಳಸà³à²µ ಬಿಟà³â€Œà²—ಳ ಸಂಖà³à²¯à³†à²¯à²¨à³à²¨à³ ಕಡಿಮೆ ಮಾಡà³à²µ ಮಾದರಿ ಸಂಕೋಚನ ತಂತà³à²°, ದಕà³à²·à²¤à³†à²¯à²¨à³à²¨à³ ಹೆಚà³à²šà²¿à²¸à³à²¤à³à²¤à²¦à³†.
ಉದಾಹರಣೆ: 32-ಬಿಟà³â€Œà²¨à²¿à²‚ದ 8-ಬಿಟà³â€Œà²—ೆ ಮಾದರಿಯನà³à²¨à³ ಕà³à²µà²¾à²‚ಟೈಸೠಮಾಡà³à²µà³à²¦à²°à²¿à²‚ದ ಮೊಬೈಲೠಸಾಧನಗಳಲà³à²²à²¿ ಕಾರà³à²¯à²•à³à²·à²®à²¤à³†à²¯à²¨à³à²¨à³ ಸà³à²§à²¾à²°à²¿à²¸à³à²¤à³à²¤à²¦à³†.
ಕà³à²µà²¾à²‚ಟಮೠಕಂಪà³à²¯à³‚ಟಿಂಗೠ(Quantum Computing)
Quantum Computing
ಕà³à²µà²¾à²‚ಟಮೠಮೆಕಾನಿಕà³à²¸à³ ಆಧಾರಿತ ಕಂಪà³à²¯à³‚ಟಿಂಗà³â€Œà²¨ ಹೊಸ ಮಾದರಿ, ಇದೠಘಾತೀಯ ಸಂಸà³à²•à²°à²£à²¾ ಸಾಮರà³à²¥à³à²¯à²—ಳಿಗೆ ಸಂà²à²¾à²µà³à²¯à²¤à³†à²¯à²¨à³à²¨à³ ಹೊಂದಿದೆ.
ಉದಾಹರಣೆ: ಕà³à²µà²¾à²‚ಟಮೠಕಂಪà³à²¯à³‚ಟಿಂಗೠಒಂದೠದಿನ ಕà³à²²à²¾à²¸à²¿à²•à²²à³ ಮಿತಿಗಳನà³à²¨à³ ಮೀರಿ AI ತರಬೇತಿಯನà³à²¨à³ ವೇಗಗೊಳಿಸಬಹà³à²¦à³.
ತರà³à²• ಎಂಜಿನೠ(Reasoning Engine)
Reasoning Engine
AI ಯಲà³à²²à²¿ ಒಂದೠವà³à²¯à²µà²¸à³à²¥à³†à²¯à³ ನಿಯಮಗಳೠಅಥವಾ ಅನà³à²®à²¾à²¨ ಅಲà³à²—ಾರಿದಮà³â€Œà²—ಳನà³à²¨à³ ಬಳಸಿಕೊಂಡೠಸಂಗà³à²°à²¹à²¿à²¸à²¿à²¦ ಸಂಗತಿಗಳೠಅಥವಾ ಡೇಟಾದಿಂದ ತಾರà³à²•à²¿à²• ತೀರà³à²®à²¾à²¨à²—ಳನà³à²¨à³ ಪಡೆಯà³à²¤à³à²¤à²¦à³†.
ಉದಾಹರಣೆ: AI ರೋಗನಿರà³à²£à²¯ ಸಾಧನವೠರೋಗಲಕà³à²·à²£à²—ಳ ಆಧಾರದ ಮೇಲೆ ಸಂà²à²µà²¨à³€à²¯ ವೈದà³à²¯à²•à³€à²¯ ಪರಿಸà³à²¥à²¿à²¤à²¿à²—ಳನà³à²¨à³ ನಿರà³à²£à²¯à²¿à²¸à²²à³ ತರà³à²• ಎಂಜಿನೠಅನà³à²¨à³ ಬಳಸà³à²¤à³à²¤à²¦à³†.
ರೀಇನà³â€Œà²«à³‹à²°à³à²¸à³â€Œà²®à³†à²‚ಟೠಲರà³à²¨à²¿à²‚ಗೠ(RL) (Reinforcement Learning (RL))
Reinforcement Learning (RL)
à²à²œà³†à²‚ಟà³â€Œà²—ಳೠತಮà³à²® ಪರಿಸರದೊಂದಿಗೆ ಸಂವಹನ ನಡೆಸà³à²µ ಮೂಲಕ ಸಂಚಿತ ಬಹà³à²®à²¾à²¨à²—ಳನà³à²¨à³ ಗರಿಷà³à² ಗೊಳಿಸಲೠಕಲಿಯà³à²µ ಯಂತà³à²° ಕಲಿಕೆಯ ಒಂದೠಪà³à²°à²¦à³‡à²¶.
ಉದಾಹರಣೆ: RL ತಂತà³à²°à²—ಳನà³à²¨à³ ಬಳಸಿಕೊಂಡೠನಡೆಯಲೠಪà³à²°à²¯à²¤à³à²¨ ಮತà³à²¤à³ ದೋಷದ ಮೂಲಕ ಕಲಿಯà³à²µ ರೋಬೋಟà³.
ರೀಇನà³â€Œà²«à³‹à²°à³à²¸à³â€Œà²®à³†à²‚ಟೠಲರà³à²¨à²¿à²‚ಗೠವಿಥೠಹà³à²¯à³‚ಮನೠಫೀಡà³â€Œà²¬à³à²¯à²¾à²•à³ (RLHF) (Reinforcement Learning with Human Feedback (RLHF))
Reinforcement Learning with Human Feedback (RLHF)
ಮಾನವ ಆದà³à²¯à²¤à³†à²—ಳೠAI ಯ ಬಹà³à²®à²¾à²¨ ಸಂಕೇತವನà³à²¨à³ ನಿರà³à²¦à³‡à²¶à²¿à²¸à³à²µ ಕಲಿಕೆಯ ವಿಧಾನ, ಇದನà³à²¨à³ ಸಾಮಾನà³à²¯à²µà²¾à²—ಿ à²à²¾à²·à²¾ ಮಾದರಿಗಳನà³à²¨à³ ಫೈನà³-ಟà³à²¯à³‚ನೠಮಾಡಲೠಬಳಸಲಾಗà³à²¤à³à²¤à²¦à³†.
ಉದಾಹರಣೆ: ChatGPT ಹೆಚà³à²šà³ ಸಹಾಯಕ ಮತà³à²¤à³ ಸà³à²°à²•à³à²·à²¿à²¤ ಪà³à²°à²¤à²¿à²•à³à²°à²¿à²¯à³†à²—ಳನà³à²¨à³ ಉತà³à²ªà²¾à²¦à²¿à²¸à²²à³ RLHF ನೊಂದಿಗೆ ತರಬೇತಿ ನೀಡಲಾಯಿತà³.
ರಿಟà³à²°à³ˆà²µà²²à³-ಆಗà³à²®à³†à²‚ಟೆಡೠಜನರೇಷನೠ(RAG) (Retrieval-Augmented Generation (RAG))
Retrieval-Augmented Generation (RAG)
ಮಾಹಿತಿ ಮರà³à²ªà²¡à³†à²¯à³à²µà²¿à²•à³†à²¯à²¨à³à²¨à³ ಉತà³à²ªà²¾à²¦à²¨à³†à²¯à³Šà²‚ದಿಗೆ ಸಂಯೋಜಿಸà³à²µ ಒಂದೠವಿಧಾನ, ಅಲà³à²²à²¿ LLM ತನà³à²¨ ಪà³à²°à²¤à²¿à²•à³à²°à²¿à²¯à³†à²¯à²¨à³à²¨à³ ಸà³à²§à²¾à²°à²¿à²¸à²²à³ ಸಂಬಂಧಿತ ದಾಖಲೆಗಳನà³à²¨à³ ಹಿಂಪಡೆಯà³à²¤à³à²¤à²¦à³†.
ಉದಾಹರಣೆ: AI ಸಹಾಯಕವೠತಾಂತà³à²°à²¿à²• ಪà³à²°à²¶à³à²¨à³†à²—ೆ ಉತà³à²¤à²°à²¿à²¸à³à²µà²¾à²— ಉತà³à²ªà²¨à³à²¨à²¦ ನಿರà³à²¦à²¿à²·à³à²Ÿà²¤à³†à²—ಳನà³à²¨à³ ಹಿಂಪಡೆಯà³à²¤à³à²¤à²¦à³† ಮತà³à²¤à³ ಉಲà³à²²à³‡à²–ಿಸà³à²¤à³à²¤à²¦à³†.
ಸೆಲà³à²«à³-ಸೂಪರà³â€Œà²µà³ˆà²¸à³à²¡à³ ಲರà³à²¨à²¿à²‚ಗೠ(Self-Supervised Learning)
Self-Supervised Learning
ಮಾದರಿಯೠಕಚà³à²šà²¾ ಡೇಟಾದಿಂದ ತನà³à²¨à²¦à³‡ ಆದ ಲೇಬಲà³â€Œà²—ಳನà³à²¨à³ ರಚಿಸà³à²µ ಮೂಲಕ ಮಾದರಿಗಳನà³à²¨à³ ಕಲಿಯà³à²µ ತರಬೇತಿ ವಿಧಾನ, ಮಾನವ-ಟಿಪà³à²ªà²£à²¿ ಮಾಡಿದ ಡೇಟಾದ ಮೇಲಿನ ಅವಲಂಬನೆಯನà³à²¨à³ ಕಡಿಮೆ ಮಾಡà³à²¤à³à²¤à²¦à³†.
ಉದಾಹರಣೆ: BERT ಪಠà³à²¯à²¦à²²à³à²²à²¿ ಕಾಣೆಯಾದ ಪದಗಳನà³à²¨à³ ಊಹಿಸà³à²µ ಮೂಲಕ ಸà³à²µà²¯à²‚-ಪರಿಶೀಲಿತ ಕಲಿಕೆಯೊಂದಿಗೆ ತರಬೇತಿ ನೀಡಲಾಗà³à²¤à³à²¤à²¦à³†.
ಅರà³à²¥à²ªà³‚ರà³à²£ ಹà³à²¡à³à²•à²¾à²Ÿ (Semantic Search)
Semantic Search
ಕೇವಲ ಕೀವರà³à²¡à³ ಹೊಂದಾಣಿಕೆಯಲà³à²²à²¦à³† ಬಳಕೆದಾರರ ಉದà³à²¦à³‡à²¶ ಮತà³à²¤à³ ಸಂದರà³à²à³‹à²šà²¿à²¤ ಅರà³à²¥à²µà²¨à³à²¨à³ ಅರà³à²¥à²®à²¾à²¡à²¿à²•à³Šà²³à³à²³à³à²µ ಹà³à²¡à³à²•à²¾à²Ÿ ತಂತà³à²°.
ಉದಾಹರಣೆ: 'ಒಡೆಯà³à²µ ಟà³à²¯à²¾à²ªà³ ಅನà³à²¨à³ ಹೇಗೆ ಸರಿಪಡಿಸà³à²µà³à²¦à³' ಎಂದೠಹà³à²¡à³à²•à³à²µà³à²¦à²°à²¿à²‚ದ ಡಾಕà³à²¯à³à²®à³†à²‚ಟà³â€Œà²¨à²²à³à²²à²¿ 'ಒಡೆಯà³à²µ ಟà³à²¯à²¾à²ªà³' ಎಂಬ ಪದ ಇಲà³à²²à²¦à²¿à²¦à³à²¦à²°à³‚ ಮಾರà³à²—ದರà³à²¶à²¿à²—ಳನà³à²¨à³ ನೀಡà³à²¤à³à²¤à²¦à³†.
à²à²¾à²µà²¨à³† ವಿಶà³à²²à³‡à²·à²£à³† (Sentiment Analysis)
Sentiment Analysis
ಪಠà³à²¯à²¦à²²à³à²²à²¿ à²à²¾à²µà²¨à³†à²—ಳà³, ಅà²à²¿à²ªà³à²°à²¾à²¯à²—ಳೠಅಥವಾ ಮನೋà²à²¾à²µà²—ಳನà³à²¨à³ ಗà³à²°à³à²¤à²¿à²¸à³à²µ ಪà³à²°à²•à³à²°à²¿à²¯à³†, ಸಾಮಾನà³à²¯à²µà²¾à²—ಿ ಧನಾತà³à²®à²•, ನಕಾರಾತà³à²®à²• ಅಥವಾ ತಟಸà³à²¥ ಎಂದೠವರà³à²—ೀಕರಿಸಲಾಗà³à²¤à³à²¤à²¦à³†.
ಉದಾಹರಣೆ: ಹೊಸ ಉತà³à²ªà²¨à³à²¨à²•à³à²•à³† ಸಾರà³à²µà²œà²¨à²¿à²• ಪà³à²°à²¤à²¿à²•à³à²°à²¿à²¯à³†à²¯à²¨à³à²¨à³ ಅಳೆಯಲೠಟà³à²µà³€à²Ÿà³â€Œà²—ಳನà³à²¨à³ ವಿಶà³à²²à³‡à²·à²¿à²¸à³à²µà³à²¦à³.
ಸà³à²Ÿà³‹à²•à²¾à²¸à³à²Ÿà²¿à²•à³ (Stochastic)
Stochastic
ಯಾದೃಚà³à²›à²¿à²•à²¤à³† ಅಥವಾ ಸಂà²à²µà²¨à³€à²¯ ನಡವಳಿಕೆಯನà³à²¨à³ ಒಳಗೊಂಡಿರà³à²¤à³à²¤à²¦à³†, ಇದನà³à²¨à³ ಸಾಮಾನà³à²¯à²µà²¾à²—ಿ ಜನರೇಟಿವೠAI ಮತà³à²¤à³ ಆಪà³à²Ÿà²¿à²®à³ˆà²¸à³‡à²¶à²¨à³ ಅಲà³à²—ಾರಿದಮà³â€Œà²—ಳಲà³à²²à²¿ ಬಳಸಲಾಗà³à²¤à³à²¤à²¦à³†.
ಉದಾಹರಣೆ: GPT-4 ರ ಫಲಿತಾಂಶವೠಅದರ ಸà³à²Ÿà³‹à²•à²¾à²¸à³à²Ÿà²¿à²•à³ ಡಿಕೋಡಿಂಗೠಪà³à²°à²•à³à²°à²¿à²¯à³†à²¯à²¿à²‚ದಾಗಿ ಅದೇ ಇನà³â€Œà²ªà³à²Ÿà³â€Œà²—ೆ ಬದಲಾಗà³à²¤à³à²¤à²¦à³†.
ಬಲವಾದ AI (Strong AI)
Strong AI
ಕೃತಕ ಸಾಮಾನà³à²¯ ಬà³à²¦à³à²§à²¿à²®à²¤à³à²¤à³† (AGI) ಎಂದೂ ಕರೆಯಲà³à²ªà²¡à³à²¤à³à²¤à²¦à³†, ಇದೠಎಲà³à²²à²¾ ಡೊಮೇನà³â€Œà²—ಳಲà³à²²à²¿ ಮಾನವ-ಮಟà³à²Ÿà²¦ ಅರಿವಿನ ಸಾಮರà³à²¥à³à²¯à²—ಳನà³à²¨à³ ಹೊಂದಿರà³à²µ ಯಂತà³à²°à²—ಳನà³à²¨à³ ಸೂಚಿಸà³à²¤à³à²¤à²¦à³†.
ಉದಾಹರಣೆ: ಕಾದಂಬರಿಗಳನà³à²¨à³ ಸà³à²µà²¾à²¯à²¤à³à²¤à²µà²¾à²—ಿ ಬರೆಯಬಲà³à²², ನಗರಗಳನà³à²¨à³ ಯೋಜಿಸಬಲà³à²² ಮತà³à²¤à³ ನೈತಿಕ ಗೊಂದಲಗಳನà³à²¨à³ ಸಮಾನವಾಗಿ ಪರಿಹರಿಸಬಲà³à²² à²à²µà²¿à²·à³à²¯à²¦ AI.
ಸೂಪರೠಆರà³à²Ÿà²¿à²«à²¿à²¶à²¿à²¯à²²à³ ಇಂಟೆಲಿಜೆನà³à²¸à³ (SAI) (Super Artificial Intelligence (SAI))
Super Artificial Intelligence (SAI)
ಎಲà³à²²à²¾ ಅಂಶಗಳಲà³à²²à²¿ - ತರà³à²•, ಸೃಜನಶೀಲತೆ, à²à²¾à²µà²¨à²¾à²¤à³à²®à²• ಬà³à²¦à³à²§à²¿à²®à²¤à³à²¤à³†, ಇತà³à²¯à²¾à²¦à²¿ - ಮಾನವ ಬà³à²¦à³à²§à²¿à²®à²¤à³à²¤à³†à²¯à²¨à³à²¨à³ ಮೀರಿಸà³à²µ ಸೈದà³à²§à²¾à²‚ತಿಕ AI.
ಉದಾಹರಣೆ: SAI ಸೈದà³à²§à²¾à²‚ತಿಕವಾಗಿ ಹೊಸ ವಿಜà³à²žà²¾à²¨à²—ಳೠಮತà³à²¤à³ ತತà³à²µà²¶à²¾à²¸à³à²¤à³à²°à²—ಳನà³à²¨à³ ಸà³à²µà²¤à²‚ತà³à²°à²µà²¾à²—ಿ ಅà²à²¿à²µà³ƒà²¦à³à²§à²¿à²ªà²¡à²¿à²¸à²¬à²¹à³à²¦à³.
ಸೂಪರà³â€Œà²µà³ˆà²¸à³à²¡à³ ಲರà³à²¨à²¿à²‚ಗೠ(Supervised Learning)
Supervised Learning
ಇನà³â€Œà²ªà³à²Ÿà³-ಔಟà³â€Œà²ªà³à²Ÿà³ ಮà³à²¯à²¾à²ªà²¿à²‚ಗà³â€Œà²—ಳನà³à²¨à³ ಕಲಿಯಲೠಲೇಬಲೠಮಾಡಿದ ಡೇಟಾದಲà³à²²à²¿ ಮಾದರಿಗಳನà³à²¨à³ ತರಬೇತಿ ನೀಡà³à²µ ಯಂತà³à²° ಕಲಿಕೆ ತಂತà³à²°.
ಉದಾಹರಣೆ: à²à²¤à²¿à²¹à²¾à²¸à²¿à²• ಉದಾಹರಣೆಗಳನà³à²¨à³ ಬಳಸಿಕೊಂಡೠಇಮೇಲà³â€Œà²—ಳನà³à²¨à³ ಸà³à²ªà³à²¯à²¾à²®à³ ಅಥವಾ ಅಲà³à²² ಎಂದೠವರà³à²—ೀಕರಿಸಲೠಮಾದರಿಗೆ ಕಲಿಸà³à²µà³à²¦à³.
ಕೃತಕ ಡೇಟಾ (Synthetic Data)
Synthetic Data
ನಿಜವಾದ ಡೇಟಾ ಕೊರತೆಯಿರà³à²µà²¾à²— ಅಥವಾ ಸೂಕà³à²·à³à²®à²µà²¾à²—ಿರà³à²µà²¾à²— ತರಬೇತಿಗಾಗಿ ಬಳಸà³à²µ, ನೈಜ-ಪà³à²°à²ªà²‚ಚದ ಡೇಟಾವನà³à²¨à³ ಅನà³à²•à²°à²¿à²¸à³à²µ ಕೃತಕವಾಗಿ ರಚಿಸಲಾದ ಡೇಟಾ.
ಉದಾಹರಣೆ: ರೋಗಿಗಳ ಗೌಪà³à²¯à²¤à³†à²¯à²¨à³à²¨à³ ಉಲà³à²²à²‚ಘಿಸದೆ ರೋಗನಿರà³à²£à²¯ ಮಾದರಿಗಳನà³à²¨à³ ತರಬೇತಿ ನೀಡಲೠಕೃತಕ ವೈದà³à²¯à²•à³€à²¯ ಚಿತà³à²°à²—ಳನà³à²¨à³ ರಚಿಸà³à²µà³à²¦à³.
ಟೋಕನೠ(Token)
Token
LLM ಗಳಿಂದ ಸಂಸà³à²•à²°à²¿à²¸à²²à²¾à²¦ ಪಠà³à²¯à²¦ ಒಂದೠಘಟಕ - ಸಾಮಾನà³à²¯à²µà²¾à²—ಿ ಒಂದೠಪದ ಅಥವಾ ಪದ ತà³à²£à³à²•à³.
ಉದಾಹರಣೆ: 'ಹಲೋ ವರà³à²²à³à²¡à³!' ಎಂಬ ವಾಕà³à²¯à²µà²¨à³à²¨à³ 3 ಟೋಕನà³â€Œà²—ಳಾಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆ: 'ಹಲೋ', 'ವರà³à²²à³à²¡à³', ಮತà³à²¤à³ '!'.
ಟೋಕನೈಸೇಶನೠ(Tokenisation)
Tokenisation
ಮಾದರಿಯಿಂದ ಸಂಸà³à²•à²°à²¿à²¸à²²à³ ಪಠà³à²¯à²µà²¨à³à²¨à³ ಟೋಕನà³â€Œà²—ಳಾಗಿ ವಿಂಗಡಿಸà³à²µ ಪà³à²°à²•à³à²°à²¿à²¯à³†.
ಉದಾಹರಣೆ: NLP ಯಲà³à²²à²¿, 'ChatGPT ಅದà³à²à³à²¤à²µà²¾à²—ಿದೆ' ['ಚಾಟà³', 'G', 'PT', 'is', 'great'] ಆಗà³à²¤à³à²¤à²¦à³†.
ಟà³à²°à²¾à²¨à³à²¸à³â€Œà²«à²°à³ ಲರà³à²¨à²¿à²‚ಗೠ(Transfer Learning)
Transfer Learning
ತರಬೇತಿ ಸಮಯ ಮತà³à²¤à³ ಡೇಟಾ ಅಗತà³à²¯à²—ಳನà³à²¨à³ ಕಡಿಮೆ ಮಾಡà³à²µ ಮೂಲಕ, ಇನà³à²¨à³Šà²‚ದೠಸಂಬಂಧಿತ ಕಾರà³à²¯à²¦ ಮೇಲೆ ಕಲಿಕೆಯನà³à²¨à³ ಹೆಚà³à²šà²¿à²¸à²²à³ ಒಂದೠಕಾರà³à²¯à²¦à²¿à²‚ದ ಜà³à²žà²¾à²¨à²µà²¨à³à²¨à³ ಬಳಸà³à²µà³à²¦à³.
ಉದಾಹರಣೆ: ಇಂಗà³à²²à²¿à²·à³ ಪಠà³à²¯à²¦à²²à³à²²à²¿ ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಯನà³à²¨à³ ಇನà³à²¨à³Šà²‚ದೠà²à²¾à²·à³†à²¯à²²à³à²²à²¿ à²à²¾à²µà²¨à³† ವಿಶà³à²²à³‡à²·à²£à³†à²¯à²¨à³à²¨à³ ನಿರà³à²µà²¹à²¿à²¸à²²à³ ಫೈನà³-ಟà³à²¯à³‚ನೠಮಾಡà³à²µà³à²¦à³.
ಟà³à²°à²¾à²¨à³à²¸à³â€Œà²«à²¾à²°à³à²®à²°à³ (Transformer)
Transformer
ಕà³à²°à²®à²¾à²¨à³à²—ತ ಡೇಟಾವನà³à²¨à³ ರೂಪಿಸಲೠಗಮನ ಕಾರà³à²¯à²µà²¿à²§à²¾à²¨à²—ಳನà³à²¨à³ ಬಳಸà³à²µ ನರ ಜಾಲದ ಆರà³à²•à²¿à²Ÿà³†à²•à³à²šà²°à³, LLM ಗಳಲà³à²²à²¿ ವà³à²¯à²¾à²ªà²•à²µà²¾à²—ಿ ಬಳಸಲಾಗà³à²¤à³à²¤à²¦à³†.
ಉದಾಹರಣೆ: BERT, GPT, ಮತà³à²¤à³ T5 ಎಲà³à²²à²µà³‚ ಟà³à²°à²¾à²¨à³à²¸à³â€Œà²«à²¾à²°à³à²®à²°à³-ಆಧಾರಿತ ಮಾದರಿಗಳಾಗಿವೆ.
ಅಂಡರà³â€Œà²«à²¿à²Ÿà³à²Ÿà²¿à²‚ಗೠ(Underfitting)
Underfitting
ತರಬೇತಿ ಡೇಟಾದಲà³à²²à²¿à²¨ ಮಾದರಿಗಳನà³à²¨à³ ಸೆರೆಹಿಡಿಯಲೠಮಾದರಿಯೠತà³à²‚ಬಾ ಸರಳವಾಗಿದà³à²¦à²¾à²—, ಕಳಪೆ ಕಾರà³à²¯à²•à³à²·à²®à²¤à³†à²—ೆ ಕಾರಣವಾಗà³à²¤à³à²¤à²¦à³†.
ಉದಾಹರಣೆ: ಸಂಕೀರà³à²£ ಚಿತà³à²° ವರà³à²—ೀಕರಣಗಳನà³à²¨à³ ಊಹಿಸಲೠಪà³à²°à²¯à²¤à³à²¨à²¿à²¸à³à²µ ರೇಖೀಯ ಮಾದರಿಯೠಅಂಡರà³â€Œà²«à²¿à²Ÿà³ ಆಗಿರಬಹà³à²¦à³.
ಅನà³â€Œà²¸à³‚ಪರà³â€Œà²µà³ˆà²¸à³à²¡à³ ಲರà³à²¨à²¿à²‚ಗೠ(Unsupervised Learning)
Unsupervised Learning
ಲೇಬಲೠಮಾಡದ ಡೇಟಾದಲà³à²²à²¿ ಮಾದರಿಗಳೠಮಾದರಿಗಳೠಅಥವಾ ಕà³à²²à²¸à³à²Ÿà²°à³â€Œà²—ಳನà³à²¨à³ ಗà³à²°à³à²¤à²¿à²¸à³à²µ ಕಲಿಕೆಯ ವಿಧಾನ.
ಉದಾಹರಣೆ: ಪೂರà³à²µ-ನಿಗದಿಪಡಿಸಿದ ಲೇಬಲà³â€Œà²—ಳಿಲà³à²²à²¦à³† ಗà³à²°à²¾à²¹à²•à²°à²¨à³à²¨à³ ಖರೀದಿ ನಡವಳಿಕೆಯ ಆಧಾರದ ಮೇಲೆ ಗà³à²‚ಪೠಮಾಡà³à²µà³à²¦à³.
ಬಳಕೆದಾರರ ಉದà³à²¦à³‡à²¶ (User Intent)
User Intent
ಬಳಕೆದಾರರ ಪà³à²°à²¶à³à²¨à³† ಅಥವಾ ಸಂವಹನದ ಹಿಂದಿನ ಗà³à²°à²¿ ಅಥವಾ ಉದà³à²¦à³‡à²¶.
ಉದಾಹರಣೆ: 'ಕೇಕೠಅನà³à²¨à³ ಹೇಗೆ ಬೇಯಿಸà³à²µà³à²¦à³' ಎಂದೠಟೈಪೠಮಾಡà³à²µ ಬಳಕೆದಾರರೠಪಾಕವಿಧಾನವನà³à²¨à³ ಹà³à²¡à³à²•à³à²µ ಉದà³à²¦à³‡à²¶à²µà²¨à³à²¨à³ ಹೊಂದಿದà³à²¦à²¾à²°à³†.
ವà³à²¯à²¾à²²à²¿à²¡à³‡à²¶à²¨à³ ಸೆಟೠ(Validation Set)
Validation Set
ತರಬೇತಿಯ ಸಮಯದಲà³à²²à²¿ ಮಾದರಿ ಕಾರà³à²¯à²•à³à²·à²®à²¤à³†à²¯à²¨à³à²¨à³ ಮೌಲà³à²¯à²®à²¾à²ªà²¨ ಮಾಡಲೠಮತà³à²¤à³ ಹೈಪರà³â€Œà²ªà³à²¯à²¾à²°à²¾à²®à³€à²Ÿà²°à³â€Œà²—ಳನà³à²¨à³ ಟà³à²¯à³‚ನೠಮಾಡಲೠಬಳಸà³à²µ ಡೇಟಾದ ಉಪವಿà²à²¾à²—.
ಉದಾಹರಣೆ: ಅಂತಿಮ ಪರೀಕà³à²·à³†à²—ೆ ಮೊದಲೠಓವರà³â€Œà²«à²¿à²Ÿà³à²Ÿà²¿à²‚ಗೠಪತà³à²¤à³†à²¹à²šà³à²šà²²à³ ಬಳಸಲಾಗà³à²¤à³à²¤à²¦à³†.
ವೆಕà³à²Ÿà²°à³ ಡೇಟಾಬೇಸೠ(Vector Database)
Vector Database
ಸಾದೃಶà³à²¯ ಹà³à²¡à³à²•à²¾à²Ÿ ಮತà³à²¤à³ RAG ನಂತಹ AI ಕಾರà³à²¯à²—ಳಲà³à²²à²¿ ಬಳಸà³à²µ ವೆಕà³à²Ÿà²°à³ ಎಂಬೆಡಿಂಗà³â€Œà²—ಳನà³à²¨à³ ಸಂಗà³à²°à²¹à²¿à²¸à²²à³ ಮತà³à²¤à³ ಹà³à²¡à³à²•à²²à³ ವಿನà³à²¯à²¾à²¸à²—ೊಳಿಸಲಾದ ಡೇಟಾಬೇಸà³.
ಉದಾಹರಣೆ: ಪೈನà³à²•à³‹à²¨à³ ಮತà³à²¤à³ ವೀವಿಜೇಟೠಪಠà³à²¯ ಅಥವಾ ಚಿತà³à²° ಎಂಬೆಡಿಂಗà³â€Œà²—ಳನà³à²¨à³ ಸಂಗà³à²°à²¹à²¿à²¸à²²à³ ವೆಕà³à²Ÿà²°à³ ಡೇಟಾಬೇಸà³â€Œà²—ಳಾಗಿವೆ.
ವೆಕà³à²Ÿà²°à³ ಎಂಬೆಡಿಂಗೠ(Vector Embedding)
Vector Embedding
ವೆಕà³à²Ÿà²°à³ ಜಾಗದಲà³à²²à²¿ ಅರà³à²¥à²ªà³‚ರà³à²£ ಅರà³à²¥ ಮತà³à²¤à³ ಸಂಬಂಧಗಳನà³à²¨à³ ಸಂರಕà³à²·à²¿à²¸à³à²µ ಡೇಟಾದ ಸಂಖà³à²¯à²¾ ಪà³à²°à²¾à²¤à²¿à²¨à²¿à²§à³à²¯.
ಉದಾಹರಣೆ: 'ರಾಜ' ಮತà³à²¤à³ 'ರಾಣಿ' ಎಂಬ ಪದಗಳೠಲಿಂಗ ವà³à²¯à²¤à³à²¯à²¾à²¸à²—ಳೊಂದಿಗೆ ಸಮಾನವಾದ ಎಂಬೆಡಿಂಗà³â€Œà²—ಳನà³à²¨à³ ಹೊಂದಿವೆ.
ವರà³à²šà³à²µà²²à³ ಅಸಿಸà³à²Ÿà³†à²‚ಟೠ(Virtual Assistant)
Virtual Assistant
ಸಂವಾದ ಅಥವಾ ಧà³à²µà²¨à²¿ ಆದೇಶಗಳ ಮೂಲಕ ಬಳಕೆದಾರರಿಗೆ ಕಾರà³à²¯à²—ಳನà³à²¨à³ ಪೂರà³à²£à²—ೊಳಿಸಲೠಸಹಾಯ ಮಾಡà³à²µ AI-ಚಾಲಿತ ಸಾಫà³à²Ÿà³â€Œà²µà³‡à²°à³ à²à²œà³†à²‚ಟà³.
ಉದಾಹರಣೆ: ಸಿರಿ, ಅಲೆಕà³à²¸à²¾ ಮತà³à²¤à³ ಗೂಗಲೠಅಸಿಸà³à²Ÿà³†à²‚ಟೠಜನಪà³à²°à²¿à²¯ ವರà³à²šà³à²µà²²à³ ಸಹಾಯಕರà³.
ಧà³à²µà²¨à²¿ ಗà³à²°à³à²¤à²¿à²¸à³à²µà²¿à²•à³† (Voice Recognition)
Voice Recognition
ಮಾತನಾಡà³à²µ à²à²¾à²·à³†à²¯à²¨à³à²¨à³ ಪಠà³à²¯ ಅಥವಾ ಕà³à²°à²¿à²¯à³†à²¯à²¾à²—ಿ ಅರà³à²¥à³ˆà²¸à³à²µ ಮತà³à²¤à³ ಪರಿವರà³à²¤à²¿à²¸à³à²µ ತಂತà³à²°à²œà³à²žà²¾à²¨.
ಉದಾಹರಣೆ: ಧà³à²µà²¨à²¿ ಟೈಪಿಂಗೠಮತà³à²¤à³ ಧà³à²µà²¨à²¿ ಆದೇಶಗಳೠಧà³à²µà²¨à²¿ ಗà³à²°à³à²¤à²¿à²¸à³à²µà²¿à²•à³† ವà³à²¯à²µà²¸à³à²¥à³†à²—ಳನà³à²¨à³ ಅವಲಂಬಿಸಿವೆ.
ದà³à²°à³à²¬à²² AI (Weak AI)
Weak AI
ಸಾಮಾನà³à²¯ ಬà³à²¦à³à²§à²¿à²®à²¤à³à²¤à³†à²¯à²¿à²²à³à²²à²¦à³† ನಿರà³à²¦à²¿à²·à³à²Ÿ, ಕಿರಿದಾದ ಕಾರà³à²¯à²µà²¨à³à²¨à³ ನಿರà³à²µà²¹à²¿à²¸à²²à³ ವಿನà³à²¯à²¾à²¸à²—ೊಳಿಸಲಾದ AI ವà³à²¯à²µà²¸à³à²¥à³†à²—ಳà³.
ಉದಾಹರಣೆ: à²à²¾à²·à³†à²¯à²¨à³à²¨à³ ಅರà³à²¥à²®à²¾à²¡à²¿à²•à³Šà²³à³à²³à²²à³ ಅಥವಾ ಕಾರನà³à²¨à³ ಓಡಿಸಲೠಸಾಧà³à²¯à²µà²¾à²—ದ ಚೆಸà³-ಪà³à²²à³‡à²¯à²¿à²‚ಗೠAI ದà³à²°à³à²¬à²² AI ಯ ಉದಾಹರಣೆಯಾಗಿದೆ.
ವೆಬೠಸà³à²•à³à²°à³‡à²ªà²¿à²‚ಗೠ(Web Scraping)
Web Scraping
ವೆಬà³â€Œà²¸à³ˆà²Ÿà³â€Œà²—ಳಿಂದ ಮಾಹಿತಿಯನà³à²¨à³ ಸà³à²µà²¯à²‚ಚಾಲಿತವಾಗಿ ಹೊರತೆಗೆಯà³à²µà³à²¦à³, ಇದನà³à²¨à³ ಸಾಮಾನà³à²¯à²µà²¾à²—ಿ ತರಬೇತಿ ಡೇಟಾವನà³à²¨à³ ಸಂಗà³à²°à²¹à²¿à²¸à²²à³ ಅಥವಾ ವಿಷಯವನà³à²¨à³ ಮೇಲà³à²µà²¿à²šà²¾à²°à²£à³† ಮಾಡಲೠಬಳಸಲಾಗà³à²¤à³à²¤à²¦à³†.
ಉದಾಹರಣೆ: ಆಸà³à²¤à²¿ ಮೌಲà³à²¯à²®à²¾à²ªà²¨ ಮಾದರಿಯನà³à²¨à³ ತರಬೇತಿ ನೀಡಲೠರಿಯಲೠಎಸà³à²Ÿà³‡à²Ÿà³ ಪಟà³à²Ÿà²¿à²—ಳನà³à²¨à³ ಸà³à²•à³à²°à³‡à²ªà³ ಮಾಡà³à²µà³à²¦à³.
ತೂಕ (Weight)
Weight
ನರ ಜಾಲಗಳಲà³à²²à²¿à²¨ ಒಂದೠನಿಯತಾಂಕ, ಇದೠಒಂದೠನೋಡೠಇನà³à²¨à³Šà²‚ದರ ಮೇಲೆ ಎಷà³à²Ÿà³ ಪà³à²°à²à²¾à²µ ಬೀರà³à²¤à³à²¤à²¦à³† ಎಂಬà³à²¦à²¨à³à²¨à³ ನಿರà³à²§à²°à²¿à²¸à³à²¤à³à²¤à²¦à³†.
ಉದಾಹರಣೆ: ಮಾದರಿಯ ದೋಷವನà³à²¨à³ ಕಡಿಮೆ ಮಾಡಲೠತರಬೇತಿಯ ಸಮಯದಲà³à²²à²¿ ತೂಕಗಳನà³à²¨à³ ಸರಿಹೊಂದಿಸಲಾಗà³à²¤à³à²¤à²¦à³†.
ವಿಸà³à²ªà²°à³ (Whisper)
Whisper
ಓಪನà³â€Œà²Žà² ಅà²à²¿à²µà³ƒà²¦à³à²§à²¿à²ªà²¡à²¿à²¸à²¿à²¦ ಧà³à²µà²¨à²¿-ಪಠà³à²¯ ಮಾದರಿ, ಇದೠಬಹೠà²à²¾à²·à³†à²—ಳಲà³à²²à²¿ ಆಡಿಯೊವನà³à²¨à³ ಪà³à²°à²¤à²¿à²²à²¿à²ªà²¿à²¸à³à²µ ಸಾಮರà³à²¥à³à²¯ ಹೊಂದಿದೆ.
ಉದಾಹರಣೆ: ವಿಸà³à²ªà²°à³ ಉಪನà³à²¯à²¾à²¸à²—ಳೠಮತà³à²¤à³ ಪಾಡà³â€Œà²•à²¾à²¸à³à²Ÿà³â€Œà²—ಳನà³à²¨à³ ಹೆಚà³à²šà²¿à²¨ ನಿಖರತೆಯೊಂದಿಗೆ ಪà³à²°à²¤à²¿à²²à²¿à²ªà²¿à²¸à²¬à²¹à³à²¦à³.
YAML (YAML)
YAML
ಡೇಟಾ ಸೀರಿಯಲೈಸೇಶನà³â€Œà²—ಾಗಿ ಮಾನವ-ಓದಬಲà³à²² ಸà³à²µà²°à³‚ಪ, ಇದನà³à²¨à³ ಸಾಮಾನà³à²¯à²µà²¾à²—ಿ ಯಂತà³à²° ಕಲಿಕೆ ಕಾರà³à²¯à²µà²¿à²§à²¾à²¨à²—ಳಲà³à²²à²¿ ಸಂರಚನಾ ಫೈಲà³â€Œà²—ಳಿಗಾಗಿ ಬಳಸಲಾಗà³à²¤à³à²¤à²¦à³†.
ಉದಾಹರಣೆ: ಪೈಟಾರà³à²šà³â€Œà²¨à²²à³à²²à²¿ ತರಬೇತಿಗಾಗಿ YAML ಫೈಲà³â€Œà²¨à²²à³à²²à²¿ ಮಾದರಿ ನಿಯತಾಂಕಗಳನà³à²¨à³ ವà³à²¯à²¾à²–à³à²¯à²¾à²¨à²¿à²¸à³à²µà³à²¦à³.
ಜೀರೋ-ಶಾಟೠಲರà³à²¨à²¿à²‚ಗೠ(Zero-shot Learning)
Zero-shot Learning
ಸಾಮಾನà³à²¯ ಜà³à²žà²¾à²¨à²µà²¨à³à²¨à³ ಬಳಸಿಕೊಂಡà³, ಇದೠಎಂದಿಗೂ ಸà³à²ªà²·à³à²Ÿà²µà²¾à²—ಿ ತರಬೇತಿ ನೀಡದ ಕಾರà³à²¯à²—ಳನà³à²¨à³ ನಿರà³à²µà²¹à²¿à²¸à³à²µ ಮಾದರಿಯ ಸಾಮರà³à²¥à³à²¯.
ಉದಾಹರಣೆ: ಕಾನೂನೠಡೇಟಾದಲà³à²²à²¿ ನಿರà³à²¦à²¿à²·à³à²Ÿà²µà²¾à²—ಿ ತರಬೇತಿ ನೀಡದಿದà³à²¦à²°à³‚ ಕಾನೂನೠಪà³à²°à²¶à³à²¨à³†à²—ಳಿಗೆ ಉತà³à²¤à²°à²¿à²¸à³à²µ ಮಾದರಿ.
à²à³†à²Ÿà³à²Ÿà²¾à²¬à³ˆà²Ÿà³ (Zettabyte)
Zettabyte
ಒಂದೠಸೆಕà³à²¸à³à²Ÿà²¿à²²à²¿à²¯à²¨à³ (10^21) ಬೈಟà³â€Œà²—ಳಿಗೆ ಸಮಾನವಾದ ಡಿಜಿಟಲೠಡೇಟಾದ ಒಂದೠಘಟಕ, ಇದನà³à²¨à³ ಸಾಮಾನà³à²¯à²µà²¾à²—ಿ ಇಂಟರà³à²¨à³†à²Ÿà³ ಡೇಟಾದ ಪà³à²°à²®à²¾à²£à²µà²¨à³à²¨à³ ವಿವರಿಸಲೠಬಳಸಲಾಗà³à²¤à³à²¤à²¦à³†.
ಉದಾಹರಣೆ: 2016 ರ ವೇಳೆಗೆ ಜಾಗತಿಕ ಇಂಟರà³à²¨à³†à²Ÿà³ ಟà³à²°à²¾à²«à²¿à²•à³ 1 à²à³†à²Ÿà³à²Ÿà²¾à²¬à³ˆà²Ÿà³ ಪà³à²°à²¤à²¿ ವರà³à²·à²µà²¨à³à²¨à³ ಮೀರಿತà³.
