ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಗುಣಲಕ್ಷಣಗಳು ಮತ್ತು ಅದರ ಇತಿಹಾಸ

ತಂತ್ರಜ್ಞಾನದ ಪ್ರಪಂಚವು ಈಗಾಗಲೇ ನಮ್ಮ ದೈನಂದಿನ ಜೀವನದಲ್ಲಿ ಅತ್ಯಗತ್ಯ ಭಾಗವಾಗಿದೆ ಮತ್ತು ನಾವು ಬದುಕುವ ರೀತಿಯಲ್ಲಿ ವ್ಯತ್ಯಾಸವನ್ನು ಉಂಟುಮಾಡಿದ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಆಸಕ್ತಿದಾಯಕವಾಗಿದೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಕಂಪ್ಯೂಟರ್ ವಿಜ್ಞಾನದ ಒಂದು ಶಾಖೆ ಎಂದು ನಿಮಗೆ ತಿಳಿದಿದೆಯೇ? ಇಲ್ಲಿ ನಮೂದಿಸಿ ಮತ್ತು ಅದರ ವೈಶಿಷ್ಟ್ಯಗಳ ಬಗ್ಗೆ ಮತ್ತು ಹೆಚ್ಚಿನದನ್ನು ತಿಳಿದುಕೊಳ್ಳಿ.

ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಲಕ್ಷಣಗಳು

ಈ ವಿಭಾಗದಲ್ಲಿ ನಾವು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಚರ್ಚಿಸುತ್ತೇವೆ. ಈ ವಿಷಯದಲ್ಲಿ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (IA) ಅನ್ನು ಕಂಪ್ಯೂಟರ್ ಸೈನ್ಸ್‌ನ ಒಂದು ಶಾಖೆಯಲ್ಲಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗಿದೆ, ಅಲ್ಲಿ ಮಾನವ ಮೆದುಳಿನ ಅರಿವಿನ ನಡವಳಿಕೆಯನ್ನು ಅನುಕರಿಸಲು ಪ್ರಯತ್ನಿಸುವ ತಾರ್ಕಿಕ ಕ್ರಮಾವಳಿಗಳನ್ನು ಅನ್ವಯಿಸಲಾಗುತ್ತದೆ. ಸಹಜವಾಗಿ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ವ್ಯಾಖ್ಯಾನವು ಅಭಿವೃದ್ಧಿ ಹೊಂದುವುದನ್ನು ಮುಂದುವರೆಸಬಹುದು, ಆದರೆ ಕೊನೆಯಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಎಲ್ಲಾ ಗುಣಲಕ್ಷಣಗಳು ಅವುಗಳನ್ನು ರೊಬೊಟಿಕ್ ಸಾಧನಗಳ ಪ್ರೋಗ್ರಾಮಿಂಗ್ಗಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ ಎಂದು ಒಪ್ಪಿಕೊಳ್ಳುತ್ತದೆ.

1956 ರ ಬೇಸಿಗೆಯಲ್ಲಿ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು ಡಾರ್ಟ್ಮೌತ್ ಸಮ್ಮೇಳನವನ್ನು ನಡೆಸಲಾಯಿತು, ಇದರಲ್ಲಿ ಜಾನ್ ಮೆಕಾರ್ಥಿ, ಮಾರ್ವಿನ್ ಮಿನ್ಸ್ಕಿ ಮತ್ತು ಕ್ಲೌಡ್ ಶಾನನ್ ಭಾಗವಹಿಸಿದರು, ಈ ಸಭೆಯು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಪದವನ್ನು ಮೊದಲು ಜಾರಿಗೆ ತಂದಾಗ, ಅಲ್ಲಿ ಅವರು ಕೆಲವು ಮುನ್ಸೂಚನೆಗಳನ್ನು ಹತ್ತಕ್ಕೆ ನಿಗದಿಪಡಿಸಿದರು. ವರ್ಷಗಳು ಪೂರೈಸಲಿಲ್ಲ, ಆದ್ದರಿಂದ ಸುಮಾರು ಹದಿನೈದು ವರ್ಷಗಳವರೆಗೆ ತನಿಖೆಗಳನ್ನು ಕೈಬಿಡಲಾಯಿತು. "ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ" ಎಂಬ ಪದವು ಜಾನ್ ಮೆಕಾರ್ಥಿಗೆ ಕಾರಣವಾಗಿದೆ ಎಂದು ಗಮನಿಸಬೇಕು.

ತಂತ್ರಜ್ಞಾನ ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಮಾನವರನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಬದಲಾಯಿಸುವ ಮೊದಲು ಇದು ಕೇವಲ ಸಮಯದ ವಿಷಯ ಎಂದು ಯೋಚಿಸುವುದು ಸುಲಭ. ವಾಸ್ತವವಾಗಿ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಹೊಂದಿರುವ ಯಂತ್ರಗಳು ಮಾನವ ಜನಾಂಗವನ್ನು ವಶಪಡಿಸಿಕೊಳ್ಳಲು ಮತ್ತು ಅದನ್ನು ಗುಲಾಮರನ್ನಾಗಿ ಮಾಡಲು ಸಮರ್ಥವಾಗಿರುತ್ತವೆ ಎಂದು ನಂಬುವ ಚಲನಚಿತ್ರಗಳು ಮತ್ತು ನಿಜ ಜೀವನದ ಸಂಶೋಧಕರು ಇದ್ದಾರೆ. ಈ ಸಮಯದಲ್ಲಿ, ಇದು ವಾಸ್ತವದಿಂದ ಬಹಳ ದೂರದಲ್ಲಿದೆ, ಏಕೆಂದರೆ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಪ್ರಜ್ಞೆಯನ್ನು ಹೊಂದಿರುವಾಗ ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯೊಂದಿಗೆ ತನ್ನದೇ ಆದ ಹೊಸ ಸಾಧನವನ್ನು ರಚಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದ್ದರೆ ಮತ್ತು ಅದರ ಪ್ರೋಗ್ರಾಮಿಂಗ್‌ನ ಆಜ್ಞೆಗಳನ್ನು ಬೈಪಾಸ್ ಮಾಡಲು ಮತ್ತು ಅತಿಕ್ರಮಿಸಲು ನಿರ್ವಹಿಸಿದಾಗ ಮಾತ್ರ ಇದು ಸಾಧ್ಯವಾಗುತ್ತದೆ. ತನ್ನ ಸ್ವಂತ ಇಚ್ಛೆಯಿಂದ. ಆ ಸಮಯದಲ್ಲಿ, ಮನುಷ್ಯನು ಪರಿಸ್ಥಿತಿಯ ನಿಯಂತ್ರಣವನ್ನು ಕಳೆದುಕೊಳ್ಳುತ್ತಾನೆ.

ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಎಂದರೇನು?

ಇದು ನಿಖರವಾಗಿ 1956 ರಲ್ಲಿ ಡಾರ್ತ್ಮೌಸ್ ಸಮ್ಮೇಳನದ ಸಮಯದಲ್ಲಿ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಎಂಬ ಪದವನ್ನು ಅಧಿಕೃತವಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ, ಇದು ಯಂತ್ರ ಅಥವಾ ರೋಬೋಟ್ ಮಾನವನ ವರ್ತನೆಯಂತೆಯೇ ವರ್ತಿಸಿದರೆ ಅದನ್ನು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ ಎಂದು ಸ್ಥಾಪಿಸುತ್ತದೆ ಸಾಧನ, ಸ್ಮಾರ್ಟ್.

ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗೆ ಕಾರಣವಾದ ಇತರ ವ್ಯಾಖ್ಯಾನಗಳು ಈ ಕೆಳಗಿನಂತಿವೆ:

ಜನರಂತೆ ವರ್ತಿಸಿ

ಇದು ಮೆಕಾರ್ಥಿ ಸ್ಥಾಪಿಸಿದ ವ್ಯಾಖ್ಯಾನವಾಗಿದೆ, ಇದು ಯಂತ್ರವನ್ನು ಬುದ್ಧಿವಂತ ಎಂದು ಪರಿಗಣಿಸಬಹುದೇ ಎಂದು ನಿರ್ಧರಿಸಲು ಅದರ ನಡವಳಿಕೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಸೂಚಿಸುತ್ತದೆ. "ಟ್ಯೂರಿಂಗ್ ಟೆಸ್ಟ್" ಎಂದು ಕರೆಯಲ್ಪಡುವ ಈ ವ್ಯಾಖ್ಯಾನವನ್ನು ಅದರ ಪರೀಕ್ಷೆಯ ಫಲಿತಾಂಶಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಲು ಅನ್ವಯಿಸುತ್ತದೆ. ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವುದು, ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸುವುದು ಮತ್ತು ಮಾನವರು ಮಾಡುವಂತೆ ಕಲಿಕೆಯಂತಹ ಕ್ರಿಯೆಗಳಲ್ಲಿ ಹೋಲುವ ಎಲ್ಲಾ ಸಾಧನಗಳು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಪೂರೈಸುತ್ತವೆ.

ಅಲನ್ ಟ್ಯೂರಿಂಗ್ ಪ್ರಸ್ತಾಪಿಸಿದ ಪರೀಕ್ಷೆಯೆಂದರೆ, ಮನುಷ್ಯ ಒಂದೇ ಸಮಯದಲ್ಲಿ ಯಂತ್ರ ಮತ್ತು ಮಾನವನೊಂದಿಗೆ ನೈಸರ್ಗಿಕ ಭಾಷೆಯಲ್ಲಿ ಸಂಭಾಷಣೆ ನಡೆಸುತ್ತಾನೆ, ಯಂತ್ರವು ಮಾನವನ ನಡವಳಿಕೆಯನ್ನು ಅನುಕರಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತದೆ ಮತ್ತು ಅದರ ಮೌಲ್ಯಮಾಪಕನನ್ನು ಮೋಸಗೊಳಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತದೆ. ಅದರ ಉತ್ತರಗಳ ಮೂಲಕ ಅವನು ನಿಜವಾಗಿ ಮನುಷ್ಯ ಎಂದು ನಂಬುವಂತೆ ಮಾಡಲು. ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ನಡುವೆ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಗುಣಲಕ್ಷಣಗಳು ಮಾನವೀಯತೆಯನ್ನು ಅನುಕರಿಸುವ ಸಾಮರ್ಥ್ಯ.

ಸಹಜವಾಗಿ, ಪರೀಕ್ಷಕನು ತಾನು ಯಂತ್ರ ಮತ್ತು ಮಾನವ ಎರಡರೊಂದಿಗೂ ಮಾತನಾಡುತ್ತಿದ್ದಾನೆ ಎಂದು ಮುಂಚಿತವಾಗಿ ತಿಳಿದಿರಬೇಕು ಮತ್ತು ಯಾರು ನಿಜವಾದ ಮಾನವ ಮತ್ತು ಯಾರು ಮೋಸಗಾರ ಎಂದು ನಿರ್ಧರಿಸಲು ಪ್ರಯತ್ನಿಸಬೇಕು.

ಈ ಸಂದರ್ಭದಲ್ಲಿ, ಮಾತನಾಡುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳಲಾಗುವುದಿಲ್ಲ, ಏಕೆಂದರೆ ಮೌಲ್ಯಮಾಪಕನು ಕಂಪ್ಯೂಟರ್ ಮೂಲಕ ಮಾಹಿತಿಯನ್ನು ಸ್ವೀಕರಿಸುವ ಪ್ರತ್ಯೇಕ ಕೋಣೆಯಲ್ಲಿ ಇರಿಸಲಾಗುತ್ತದೆ, ಆದ್ದರಿಂದ ಸಂವಹನವು ಸಂಪೂರ್ಣವಾಗಿ ಕೀಬೋರ್ಡ್ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ ಮತ್ತು ಈ ಸಾಮರ್ಥ್ಯದ ಮೇಲೆ ಅಲ್ಲ. ಈ ಅರ್ಥದಲ್ಲಿ, ನಡುವೆ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಗುಣಲಕ್ಷಣಗಳು ಮಾನವ ಧ್ವನಿಯನ್ನು ಅನುಕರಿಸುವುದು.

ಜನರಂತೆ ಕಾರಣ

ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಮತ್ತೊಂದು ಗುಣಲಕ್ಷಣವು ರೋಬೋಟ್ ಮಾಡಿದ ಪಡಿತರ ಅಭಿವೃದ್ಧಿಯನ್ನು ನಿರ್ಣಯಿಸುವ ವ್ಯಾಖ್ಯಾನದಲ್ಲಿದೆ, ಪಡೆದ ಫಲಿತಾಂಶವು ಯಶಸ್ವಿಯಾಗಿದೆಯೇ ಅಥವಾ ಇಲ್ಲವೇ ಎಂಬುದನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳದೆ. ಈ ದೃಷ್ಟಿಕೋನವನ್ನು ಅರಿವಿನ ವಿಜ್ಞಾನವು ಬಳಸುತ್ತದೆ. ಈ ತಾರ್ಕಿಕ ಕ್ರಿಯೆಯಲ್ಲಿ, ಈವೆಂಟ್ ಅನ್ನು ಗ್ರಹಿಸಲು, ತಾರ್ಕಿಕವಾಗಿ ಮತ್ತು ವರ್ತಿಸಲು ಅಗತ್ಯವಿರುವ ಎಲ್ಲಾ ಲೆಕ್ಕಾಚಾರಗಳನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಲಾಗುತ್ತದೆ.

ತರ್ಕಬದ್ಧವಾಗಿ ಕಾರಣ

ಹಿಂದಿನ ವ್ಯಾಖ್ಯಾನದಂತೆ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಗುಣಲಕ್ಷಣಗಳಲ್ಲಿ ಒಂದು ಯಂತ್ರದಿಂದ ಮಾಡಿದ ಪಡಿತರೀಕರಣವಾಗಿದೆ, ಆದಾಗ್ಯೂ, ಈ ಪಡಿತರೀಕರಣವು ತರ್ಕ ಮತ್ತು ಸುಸಂಬದ್ಧತೆಯನ್ನು ಹೊಂದಿದ್ದರೆ ಅದು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ, ಆದ್ದರಿಂದ ಪಡಿತರೀಕರಣವನ್ನು ಕೈಗೊಳ್ಳಲಾಗಿದೆ ಎಂದು ಹೇಳಿದರು. 

ತರ್ಕಬದ್ಧವಾಗಿ ವರ್ತಿಸಿ

ಈ ದೃಷ್ಟಿಕೋನದಲ್ಲಿ ಫಲಿತಾಂಶಗಳನ್ನು ಮತ್ತೊಮ್ಮೆ ಪರಿಗಣಿಸಿದರೆ. ಚೆಸ್ ಆಡುವ ರೋಬೋಟ್ ಅನ್ನು ಉದಾಹರಣೆಯಾಗಿ ಬಳಸಿದರೆ, ಪ್ರತಿ ಪಂದ್ಯವನ್ನು ಗೆಲ್ಲುವುದು ಅದರ ಗುರಿಯಾಗಿದೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಮತ್ತೊಂದು ವೈಶಿಷ್ಟ್ಯವೆಂದರೆ ಲೆಕ್ಕಾಚಾರಗಳನ್ನು ನಿರ್ವಹಿಸುವ ಸಾಮರ್ಥ್ಯ, ಅದು ಗುರಿಯನ್ನು ತಲುಪುವವರೆಗೆ ಅಸಡ್ಡೆ ಇರುತ್ತದೆ.

ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ವರ್ಗೀಕರಣ

ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಅದರ ಉದ್ದೇಶಗಳಿಗೆ ಅನುಗುಣವಾಗಿ ವರ್ಗೀಕರಿಸಬಹುದು. 

ದುರ್ಬಲ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ

ಈ ದೃಷ್ಟಿಕೋನವು ಕಂಪ್ಯೂಟರ್‌ಗಳು ಪಡಿತರವನ್ನು ಹೊಂದಿರುವುದನ್ನು ಮಾತ್ರ ಅನುಕರಿಸಬಲ್ಲವು ಎಂದು ಪರಿಗಣಿಸುತ್ತದೆ ಮತ್ತು ಅವುಗಳು ನಿಜವಾಗಿ ತಮ್ಮದೇ ಆದದನ್ನು ಹೊಂದಿವೆ ಎಂದು ಅಲ್ಲ. ಈ ಸ್ಥಾನವನ್ನು ಬೆಂಬಲಿಸುವ ಸಂಶೋಧಕರು ಪ್ರಜ್ಞೆಯ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿರುವ ಕಂಪ್ಯೂಟರ್ ಅಸ್ತಿತ್ವದಲ್ಲಿರಲು ಅಥವಾ ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ ಎಂದು ಪರಿಗಣಿಸುತ್ತಾರೆ, ಏಕೆಂದರೆ ವಾಸ್ತವದಲ್ಲಿ ಇದು ಅಂತಹ ವಿಷಯವನ್ನು ಅನುಕರಿಸುವ ಪ್ರೋಗ್ರಾಂ ಆಗಿರುತ್ತದೆ.

ಬಲವಾದ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ

ಮತ್ತೊಂದೆಡೆ, ಕಂಪ್ಯೂಟರ್ ಮಾನವ ಮನಸ್ಸಿನಂತೆಯೇ ಅದೇ ಸಾಮರ್ಥ್ಯಗಳೊಂದಿಗೆ ತಾರ್ಕಿಕ ಅಥವಾ ಆಲೋಚನೆಗಳನ್ನು ಹೊಂದಬಹುದು ಎಂಬ ಅಂಶವನ್ನು ದೃಢೀಕರಿಸುವ ಸಂಶೋಧಕರು ಇದ್ದಾರೆ. ಇದರರ್ಥ ಗಣಕವು ಇತರ ವಿಷಯಗಳ ಜೊತೆಗೆ ತಾರ್ಕಿಕವಾಗಿ, ಊಹಿಸಲು, ಅನುಭವಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ, ಎಲ್ಲವೂ ಪ್ರೋಗ್ರಾಂನಿಂದ ಪ್ರಾರಂಭವಾದಾಗಲೂ, ಅದರ ನರಮಂಡಲವು ಈ ಹಂತವನ್ನು ತಲುಪುವವರೆಗೆ ವಿಕಸನಗೊಳ್ಳಬಹುದು.

https://www.youtube.com/watch?v=k3BNEgN2kEQ

ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಲ್ಲಿನ ವಿಷಯಗಳು

ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗೆ ಸಂಬಂಧಿಸಿದ ವ್ಯಾಖ್ಯಾನಗಳು ಮತ್ತು ದೃಷ್ಟಿಕೋನಗಳು ಎಲ್ಲಾ ನಾಲ್ಕು ಸಮಸ್ಯೆಗಳ ಮೇಲೆ ಒಮ್ಮುಖವಾಗಿದ್ದರೂ, ಸಾಧನ ಯಂತ್ರವು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಹೊಂದಿದ್ದರೆ ಅದಕ್ಕೆ ಕಾರಣವೆಂದು ಪರಿಗಣಿಸಬೇಕು. 

ದೋಷನಿವಾರಣೆ ಮತ್ತು ಹುಡುಕಾಟ

ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಮುಖ್ಯ ಉದ್ದೇಶವೆಂದರೆ ಅವುಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಿದ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸುವುದು. ಮೊದಲನೆಯದಾಗಿ, ಸಮಸ್ಯೆಯನ್ನು ಒಡ್ಡಿದಾಗ, ಅದರ ಪರಿಹಾರವನ್ನು ಅನುಮತಿಸುವ ರೀತಿಯಲ್ಲಿ ಅದನ್ನು ಔಪಚಾರಿಕಗೊಳಿಸುವುದು ಅವಶ್ಯಕ. ಈ ವಿಷಯವು ಸಮಸ್ಯೆಗಳ ಔಪಚಾರಿಕತೆ ಮತ್ತು ಅವುಗಳ ಪರಿಹಾರಕ್ಕಾಗಿ ಹುಡುಕಾಟವನ್ನು ಕೇಂದ್ರೀಕರಿಸುತ್ತದೆ.

ಜ್ಞಾನ ಪ್ರಾತಿನಿಧ್ಯ ಮತ್ತು ಜ್ಞಾನ ಆಧಾರಿತ ವ್ಯವಸ್ಥೆಗಳು

ಈ ವಿಷಯವು ಅವುಗಳನ್ನು ಪರಿಹರಿಸಲು ಹಿಂದಿನ ಜ್ಞಾನದ ಅಗತ್ಯವಿರುವ ಸಮಸ್ಯೆಗಳನ್ನು ಕೇಂದ್ರೀಕರಿಸುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ವೈದ್ಯಕೀಯದಲ್ಲಿ ಅನ್ವಯವಾಗುವ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಕಾರ್ಯಕ್ರಮಗಳು, ವಿಷಯದ ಬಗ್ಗೆ ಜ್ಞಾನ ಮತ್ತು ಮಾಹಿತಿಯನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳುವುದು ಅವಶ್ಯಕವಾಗಿದೆ ಇದರಿಂದ ಅದು ಈ ವಿಷಯದ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಬಹುದು.

ಯಂತ್ರ ಕಲಿಕೆ

ಈ ವಿಷಯವು ಪಡೆದ ಅನುಭವಗಳ ಪ್ರಕಾರ ಯಂತ್ರವು ನಡೆಸುವ ಕಲಿಕೆಯ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಸೂಚಿಸುತ್ತದೆ. ಅನುಕರಣೆ ಕಲಿಕೆ, ಬಲವರ್ಧನೆ ಕಲಿಕೆ, ಆಳವಾದ ಕಲಿಕೆ ಅಥವಾ ನಿರ್ಧಾರ ವೃಕ್ಷ ಆಧಾರಿತ ಕಲಿಕೆಯಂತಹ ವಿವಿಧ ರೀತಿಯ ಕಲಿಕೆಗಳಿವೆ. ಈ ಎಲ್ಲಾ ರೀತಿಯ ಕಲಿಕೆಯು ಇದೇ ರೀತಿಯ ಘಟನೆಯ ಸಂದರ್ಭದಲ್ಲಿ ಅದೇ ಕ್ರಿಯೆಗಳನ್ನು ಅನ್ವಯಿಸಲು ಅಂತಿಮ ಉದ್ದೇಶವನ್ನು ಪೂರೈಸಿದೆ ಎಂದು ಪರಿಗಣಿಸಿದ ಕ್ರಿಯೆಗಳನ್ನು ಸಂಗ್ರಹಿಸಲು ಯಂತ್ರವನ್ನು ಅನುಮತಿಸುತ್ತದೆ.

ಬಲವರ್ಧಿತ ಕಲಿಕೆ

ಬಲವರ್ಧನೆಯ ಕಲಿಕೆಯು ಪ್ರಾಣಿಗಳಿಗೆ ತರಬೇತಿ ನೀಡಲು ಬಳಸುವಂತೆಯೇ ಇರುತ್ತದೆ, ಅಂದರೆ, ಅವರು ಕಾರ್ಯವನ್ನು ನಿರ್ವಹಿಸಿದಾಗ ಅಥವಾ ಆದೇಶವನ್ನು ಸರಿಯಾಗಿ ಪಾಲಿಸಿದಾಗ, ಅವರು ಬಹುಮಾನವನ್ನು ಪಡೆಯುತ್ತಾರೆ. ಈ ಸಂದರ್ಭದಲ್ಲಿ, ಯಂತ್ರವು ತನ್ನ ಮೊದಲ ಆದೇಶವನ್ನು ಪಡೆಯುತ್ತದೆ ಮತ್ತು ಅದು ಧನಾತ್ಮಕ ಫಲಿತಾಂಶಗಳನ್ನು ಪಡೆದಂತೆ, ಅದರ ನಿರ್ಧಾರವನ್ನು ಸುಧಾರಿಸುವುದನ್ನು ಮುಂದುವರಿಸಲು ಇದು ಪ್ರೋತ್ಸಾಹಕವಾಗಿ ಪಡೆಯುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಅವಲಂಬಿಸಿ ರೋಬೋಟ್‌ಗಳ ವಿಧಗಳು ನೀವು ಚೆಸ್ ಆಟವನ್ನು ಗೆಲ್ಲುವುದನ್ನು ನಿಮ್ಮ ಬಹುಮಾನವಾಗಿ ಪರಿಗಣಿಸಬಹುದು.

ಆಳವಾದ ಕಲಿಕೆ

ಮತ್ತೊಂದು ರೀತಿಯ ಕಲಿಕೆಯನ್ನು ಆಳವಾದ ಕಲಿಕೆ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ, ಇದರಲ್ಲಿ ಮಾನವ ಮೆದುಳಿನ ನರಕೋಶಗಳಲ್ಲಿ ಸಂಭವಿಸುವ ನರಮಂಡಲದ ಮತ್ತು ಸಂವಹನ ಪ್ರಕ್ರಿಯೆಗಳ ಅನುಕರಣೆ ಅಥವಾ ಇದೇ ರೀತಿಯ ನಡವಳಿಕೆಯನ್ನು ಹುಡುಕಲಾಗುತ್ತದೆ.

ಉದಾಹರಣೆಗೆ, ಕಣ್ಣು, ಕಿವಿ, ಸ್ಪರ್ಶ, ರುಚಿ ಅಥವಾ ವಾಸನೆಯಂತಹ ಮಾನವ ದೇಹದ ನೈಸರ್ಗಿಕ ಸಂವೇದಕಗಳು ವ್ಯತ್ಯಾಸವನ್ನು ಪತ್ತೆ ಮಾಡಿದಾಗ, ಮೆದುಳಿಗೆ ಸಂಕೇತವನ್ನು ಕಳುಹಿಸಲಾಗುತ್ತದೆ. ಈ ಸಿಗ್ನಲ್ ಅನ್ನು ಮೊದಲ ನರಕೋಶದಿಂದ ಸ್ವೀಕರಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ವಿಶ್ಲೇಷಿಸಲಾಗುತ್ತದೆ, ಅದು ಕೆಳಗಿನ ನ್ಯೂರಾನ್‌ಗಳಿಗೆ ಬದಲಾವಣೆಯ ಪತ್ತೆಯನ್ನು ಸಂವಹನ ಮಾಡುತ್ತದೆ ಮತ್ತು ಈ ಘಟನೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಮತ್ತು ಹೇಗೆ ಪ್ರತಿಕ್ರಿಯಿಸಬೇಕು ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ನರಕೋಶದ ಅನುಕ್ರಮವನ್ನು ಪ್ರಾರಂಭಿಸುತ್ತದೆ.

ಇದೇ ರೀತಿಯ ಪ್ರಕ್ರಿಯೆಯು ಸಂಭವಿಸುತ್ತದೆ, ಉದಾಹರಣೆಗೆ, ಮುಖ ಗುರುತಿಸುವಿಕೆ ಕ್ಯಾಮೆರಾಗಳು ತಮ್ಮ ದೃಶ್ಯ ಸಂವೇದಕಗಳ ಮೂಲಕ ವ್ಯಕ್ತಿಯನ್ನು ಪತ್ತೆಹಚ್ಚಿದಾಗ, ಅದು ಸಕ್ರಿಯಗೊಳ್ಳುತ್ತದೆ. ಮುಖವನ್ನು ಪತ್ತೆಹಚ್ಚುವಾಗ, ಅದು ಮುಖದ ಬಣ್ಣಗಳಂತಹ ಸರಳವಾದ ಡೇಟಾದ ವಿಶ್ಲೇಷಣೆಯಿಂದ ಪ್ರಾರಂಭವಾಗುವ ತಾರ್ಕಿಕ ಪ್ರಕ್ರಿಯೆಗಳ ಅನುಕ್ರಮವನ್ನು ಪ್ರಾರಂಭಿಸುತ್ತದೆ. ನಂತರ, ಅದು ಆ ಮುಖವನ್ನು ರೂಪಿಸುವ ಜ್ಯಾಮಿತೀಯ ಅಂಕಿಗಳನ್ನು ನಿರ್ಧರಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತದೆ. ಅಂತಿಮವಾಗಿ, ಮುಖವನ್ನು ಪ್ರತ್ಯೇಕಿಸುವ ವಿವರಗಳನ್ನು ಉತ್ತಮವಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸಲು ಮುಖವನ್ನು ಬಹು ಚೌಕಟ್ಟುಗಳಾಗಿ ವಿಂಗಡಿಸಿ.

ನಿರ್ಧಾರಗಳ ಮರ

ಈ ರೀತಿಯ ಕಲಿಕೆಯು ವಿವಿಧ ಸಮಸ್ಯೆ-ಪರಿಹರಿಸುವ ಯೋಜನೆಗಳನ್ನು ಬಳಸುತ್ತದೆ, ಅದು ಮಾಹಿತಿಯನ್ನು ಸ್ವೀಕರಿಸಿದಂತೆ ಸಕ್ರಿಯಗೊಳಿಸಲಾಗುತ್ತದೆ. ಚೆಸ್ ಆಡುವ ರೋಬೋಟ್‌ನ ಉದಾಹರಣೆಯನ್ನು ಮತ್ತೊಮ್ಮೆ ತೆಗೆದುಕೊಂಡರೆ, ಅದು ತನ್ನ ಸ್ಕೀಮ್ ಅನ್ನು ಪ್ರಾರಂಭಿಸುತ್ತದೆ, ಅದರಲ್ಲಿ ತನ್ನ ಎದುರಾಳಿಯು ಚಲಿಸಿದ ಮೊದಲ ತುಣುಕು, ಅಲ್ಲಿ ಅದು ಚಲಿಸಬೇಕಾದ ಅಂಕಿಅಂಶಗಳಿಗೆ ಅನುಗುಣವಾಗಿ ಹಲವಾರು ಲೆಕ್ಕಾಚಾರಗಳನ್ನು ಮಾಡುತ್ತದೆ. ನಂತರ, ನಿಮ್ಮ ಎದುರಾಳಿಯು ಇತರ ಚಲನೆಗಳನ್ನು ಮಾಡುತ್ತದೆ ಮತ್ತು ನಿಮ್ಮ ಮುಂದಿನ ಚಲನೆಗಳನ್ನು ಮಾಡಲು ನೀವು ಮತ್ತೆ ಲೆಕ್ಕಾಚಾರಗಳನ್ನು ಮಾಡುವ ಹೊಸ ಯೋಜನೆಯು ತೆರೆಯುತ್ತದೆ.

ಅಂತಿಮವಾಗಿ, ಚೆಸ್ ಆಟವನ್ನು ಗೆಲ್ಲುವಲ್ಲಿ ಯಶಸ್ವಿಯಾದಾಗ, ರೋಬೋಟ್ ಭವಿಷ್ಯದ ಚೆಸ್ ಆಟಗಳಿಗಾಗಿ ತಾನು ಮತ್ತು ಅದರ ಎದುರಾಳಿ ಮಾಡಿದ ಎಲ್ಲಾ ನಿರ್ಧಾರಗಳನ್ನು ಸಂಗ್ರಹಿಸುತ್ತದೆ, ಇದರಿಂದಾಗಿ ಇದೇ ರೀತಿಯ ಘಟನೆ ಸಂಭವಿಸಿದಾಗ, ಅದು ಈಗಾಗಲೇ ಡೇಟಾಬೇಸ್‌ನಲ್ಲಿ ಅಗತ್ಯ ಮಾಹಿತಿಯನ್ನು ಹೊಂದಿದೆ. ಮತ್ತು ಪ್ರತಿಕ್ರಿಯಿಸಬಹುದು. ಹೆಚ್ಚು ವೇಗವಾಗಿ ಮತ್ತು ಆಟವನ್ನು ಗೆಲ್ಲುವ ಹೆಚ್ಚಿನ ಶೇಕಡಾವಾರು ಅವಕಾಶದೊಂದಿಗೆ.

ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ವಿತರಿಸಲಾಯಿತು

ನಮಗೆ ತಿಳಿಯಲು ಅವಕಾಶ ನೀಡಿದ ಪ್ರಗತಿಗಳಿಗೆ ಧನ್ಯವಾದಗಳು ತಂತ್ರಜ್ಞಾನ ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ, ಮಲ್ಟಿಪ್ರೊಸೆಸರ್‌ಗಳ ವಿಕಸನ ಮತ್ತು ಅಂತರ್ಜಾಲದ ಗೋಚರತೆ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ವಿತರಿಸಿದ ಪರಿಹಾರಗಳನ್ನು ಒದಗಿಸಲು ಅವಕಾಶ ಮಾಡಿಕೊಟ್ಟಿದೆ.

ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಅನ್ವಯಗಳು

ಹೆಚ್ಚುವರಿಯಾಗಿ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಬಳಕೆಗೆ ನಿಕಟ ಸಂಬಂಧ ಹೊಂದಿರುವ ನಾಲ್ಕು ಶಾಖೆಗಳಿವೆ, ಅವುಗಳೆಂದರೆ:

• ಸಹಜ ಭಾಷೆ.
• ಕೃತಕ ದೃಷ್ಟಿ.
• ರೋಬೋಟಿಕ್.
• ಭಾಷಣ ಗುರುತಿಸುವಿಕೆ.

ಪ್ರಸ್ತುತ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಕ್ಷೇತ್ರದಲ್ಲಿ ಕೆಲವು ಅಲ್ಗಾರಿದಮ್‌ಗಳು ಅಥವಾ ವಿಧಾನಗಳನ್ನು ಬಳಸುವ ವಿವಿಧ ಅಪ್ಲಿಕೇಶನ್‌ಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗಿದೆ. 

ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಅನೇಕ ಅಪ್ಲಿಕೇಶನ್‌ಗಳ ಬಗ್ಗೆ ಪ್ರಸ್ತಾಪಿಸಬಹುದಾದರೂ ಸಹ, ಅದರ ಉಪಸ್ಥಿತಿಯು ಕಂಡುಬರುವ ಎಲ್ಲವನ್ನೂ ಒಳಗೊಳ್ಳಲು ಕಷ್ಟವಾಗುತ್ತದೆ, ಏಕೆಂದರೆ ಇಂದು ದೈನಂದಿನ ಬಳಕೆಗಾಗಿ ಸಾಧನಗಳು ಅಥವಾ ಈ ತಂತ್ರಜ್ಞಾನವನ್ನು ಕಂಡುಕೊಳ್ಳುವ ಕಂಪನಿಗಳು ಮತ್ತು ನಿಗಮಗಳು ಬಳಸುವ ಕಾರ್ಯಕ್ರಮಗಳು ಇವೆ.

ಉದಾಹರಣೆಗೆ, ಇಂದು ಸೂಪರ್‌ಕಂಪ್ಯೂಟರ್ ಅನ್ನು ಬಳಸಲಾಗುತ್ತಿದೆ, ಅದು ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಅನ್ವಯಿಸುತ್ತದೆ, ಇದು ಕೋವಿಡ್ -19 ಗೆ ಪರಿಹಾರವನ್ನು ಕಂಡುಹಿಡಿಯಲು ಪ್ರಯತ್ನಿಸುವ ಸಲುವಾಗಿ ವಿವಿಧ ಔಷಧಿಗಳ ಸಂಯೋಜನೆಯನ್ನು ಮಾಡುತ್ತದೆ. ಈ ಕಂಪ್ಯೂಟರ್ ರೋಗಲಕ್ಷಣದ ಡೇಟಾ, ವೈರಸ್‌ನ ಸಂಯೋಜನೆ ಮತ್ತು ಅದನ್ನು ಎದುರಿಸಲು ಅಗತ್ಯವಾದ ಇತರ ಮಾಹಿತಿಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತದೆ ಮತ್ತು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ವಿವಿಧ drugs ಷಧಿಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಡೇಟಾಬೇಸ್ ಮೂಲಕ, ಈ ರೋಗದ ರೋಗಿಯನ್ನು ಗುಣಪಡಿಸಲು ಪ್ರಯತ್ನಿಸುವ ಸಂಯೋಜನೆಗಳನ್ನು ಮಾಡುತ್ತದೆ. ಈ ಸಂಯೋಜನೆಗಳು ಉಂಟುಮಾಡುವ ಅಡ್ಡಪರಿಣಾಮಗಳು ಮತ್ತು ಶಿಫಾರಸು ಮಾಡಲಾದ ಪ್ರಮಾಣಗಳು.

ಮತ್ತೊಂದು ಉದಾಹರಣೆ, ಪ್ರತಿಯೊಬ್ಬ ಬಳಕೆದಾರರ ಆಸಕ್ತಿಗಳನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ತಿಳಿದುಕೊಳ್ಳಲು ಕಲಿಕೆಯ ವಿಧಾನವನ್ನು ಬಳಸುವ ಬಹು ಸರ್ಚ್ ಇಂಜಿನ್‌ಗಳಿಂದ ಬಳಸಲ್ಪಡಬಹುದು, ಇದು ವರ್ತನೆಯ ಪ್ರೊಫೈಲ್‌ಗಳು ಮತ್ತು ಆದ್ಯತೆಗಳನ್ನು ರಚಿಸಲು ನಿಮಗೆ ಅನುಮತಿಸುತ್ತದೆ ಮತ್ತು ಈ ಪ್ರಕಾರ ಜಾಹೀರಾತುಗಳನ್ನು ಒದಗಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.

ಮುಂದೆ, ನಾವು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಕೆಲವು ಅತ್ಯುತ್ತಮ ಅಪ್ಲಿಕೇಶನ್‌ಗಳನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತೇವೆ.

ಆಟಗಳಲ್ಲಿ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು

ಚೆಸ್‌ನಲ್ಲಿ ಅತ್ಯುತ್ತಮ ಆಟಗಾರರನ್ನು ಸಹ ಸೋಲಿಸುವ ಸಾಮರ್ಥ್ಯವಿರುವ ರೋಬೋಟ್ ಇದೆ, ಏಕೆಂದರೆ ಈ ರೋಬೋಟ್ ಅನ್ನು ಅವರ ಚಲನೆಗಳಲ್ಲಿ ತಂತ್ರಗಳನ್ನು ಸ್ಥಾಪಿಸಲು ಮತ್ತು ಪ್ರತಿ ಪಂದ್ಯವನ್ನು ಗೆಲ್ಲಲು ಅಗತ್ಯವಾದ ಲೆಕ್ಕಾಚಾರಗಳು ಮತ್ತು ಅಂಕಿಅಂಶಗಳನ್ನು ನಿರ್ವಹಿಸುವ ಏಕೈಕ ಉದ್ದೇಶಕ್ಕಾಗಿ ನಿರ್ಮಿಸಲಾಗಿದೆ.

ಇಂದು ಪ್ರಾಯೋಗಿಕವಾಗಿ ಎಲ್ಲಾ ಆಟಗಳನ್ನು ಯಂತ್ರದಿಂದ ಸೋಲಿಸಲು ನಿರ್ವಹಿಸಲಾಗಿದೆ, ಆದಾಗ್ಯೂ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಹೊಂದಿರುವ ಯಂತ್ರದಿಂದ ಸೋಲಿಸಲ್ಪಟ್ಟ ಮೊದಲ ಟೇಬಲ್ ಆಟಗಳೆಂದರೆ ಚೆಕ್ಕರ್ ಮತ್ತು ಒಥೆಲ್ಲೋ. 

ಚೆಕರ್ಸ್ ಬೋರ್ಡ್

1989 ರಲ್ಲಿ ಆಲ್ಬರ್ಟಾ ವಿಶ್ವವಿದ್ಯಾನಿಲಯವು ಜೊನಾಥನ್ ಸ್ಕೇಫರ್ ಅವರ ತಂಡದಿಂದ ಚಿನ್ನೋಕ್ ಎಂಬ ಕಾರ್ಯಕ್ರಮವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿತು ಮತ್ತು 1994 ರಲ್ಲಿ ಅವರು ಮಹಿಳೆಯರಲ್ಲಿ ವಿಶ್ವ ಚಾಂಪಿಯನ್ ಆದರು. ಚಿನ್ನೋಕ್ ಪ್ರೋಗ್ರಾಂ ಉತ್ತಮ ಚೆಕ್ಕರ್ ಆಟಗಾರರು ಮಾಡಿದ ಚೆಕ್ಕರ್ ಆಟಗಳ ತೆರೆಯುವಿಕೆ ಮತ್ತು ಮುಚ್ಚುವಿಕೆಯ ಡೇಟಾಬೇಸ್ ಅನ್ನು ಹೊಂದಿದೆ.

ಮತ್ತೊಮ್ಮೆ, 2007 ರಲ್ಲಿ ಆಟವನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಮಾಡಿದಾಗ, ಚಿನ್ನೋಕ್ ಅನ್ನು ಪ್ರೋಗ್ರಾಂ ಮಾಡುವುದು ಅಸಾಧ್ಯವೆಂದು ತೋರಿಸಲಾಗಿದೆ. ಮತ್ತು ಎದುರಾಳಿಯು ತಂತ್ರದಲ್ಲಿ ಸುಧಾರಣೆಯೊಂದಿಗೆ ಪಂದ್ಯವನ್ನು ಆಡಿದಾಗ, ಹೆಚ್ಚೆಂದರೆ ಅದು ಈ ಕಾರ್ಯಕ್ರಮದ ವಿರುದ್ಧ ಡ್ರಾವನ್ನು ತಲುಪಬಹುದು.

ಚೆಸ್

ಚೆಸ್‌ನ ಸಂದರ್ಭದಲ್ಲಿ, ಈ ಆಟವನ್ನು ಗೆಲ್ಲಲು ವರ್ಷಗಳವರೆಗೆ ವಿಭಿನ್ನ ಆವಿಷ್ಕಾರಗಳು ಮತ್ತು ಸಮಸ್ಯೆ-ಪರಿಹರಿಸುವ ಕಾರ್ಯಕ್ರಮಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗಿದೆ, ಆದಾಗ್ಯೂ ಇದು 1997 ರಲ್ಲಿ ಮೇ ತಿಂಗಳಲ್ಲಿ ನ್ಯೂಯಾರ್ಕ್‌ನಲ್ಲಿ ಡೀಪ್ ಬ್ಲೂ ವಿಶ್ವ ಚಾಂಪಿಯನ್ ಜಿ. ಕಾಸ್ಪರೋವ್ ಅವರನ್ನು ಸೋಲಿಸಿತು. 

ಇದು IBM ಕಂಪನಿಯು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಸಾಫ್ಟ್‌ವೇರ್ ಆಗಿದ್ದು, ನಿರ್ದಿಷ್ಟ ಹಾರ್ಡ್‌ವೇರ್ ಮತ್ತು ಡೇಟಾಬೇಸ್‌ಗಳನ್ನು ಹೊಂದಿದ್ದು, ಅಂತಿಮ ಸಂದರ್ಭಗಳನ್ನು ಮಂಡಳಿಯಲ್ಲಿ ಏಳು ಅಥವಾ ಅದಕ್ಕಿಂತ ಕಡಿಮೆ ತುಣುಕುಗಳೊಂದಿಗೆ ಪ್ರಸ್ತುತಪಡಿಸಿದಾಗ ಈ ಪ್ರೋಗ್ರಾಂ ಪರಿಪೂರ್ಣವಾಗಿ ಕೊನೆಗೊಳ್ಳಲು ಸಾಧ್ಯವಾಗಿಸಿತು. ಅಂತೆಯೇ, ಅದರ ಹುಡುಕಾಟ ಅಲ್ಗಾರಿದಮ್‌ಗಳು, ಮಿನಿಮ್ಯಾಕ್ಸ್ ಪ್ರಕಾರ, ಎಲ್ಲಾ ವಿಭಿನ್ನ ಸಂದರ್ಭಗಳಲ್ಲಿ ಉತ್ತಮ ಆಯ್ಕೆಗಳನ್ನು ನಿರ್ಧರಿಸಲು ಸಾಧ್ಯವಾಯಿತು.  

Go

ಇಂದು ಇದು ಸಾರ್ವಜನಿಕ ಆಟವಾಗಿದ್ದು, ಇದರಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಹೊಂದಿರುವ ಯಂತ್ರವು ಮಾನವ ಆಟಗಾರನನ್ನು ಸೋಲಿಸುತ್ತದೆ, ಆದರೆ ಇದು ಆಶ್ಚರ್ಯವೇನಿಲ್ಲ, ಏಕೆಂದರೆ ಸ್ವಲ್ಪ ಸಮಯದವರೆಗೆ ಗೋವನ್ನು ಚೆಸ್‌ಗಿಂತ ಹೆಚ್ಚು ಕಷ್ಟಕರ ಮತ್ತು ಸಂಕೀರ್ಣ ಆಟವೆಂದು ಪರಿಗಣಿಸಲಾಗಿದೆ.

ಹೆಚ್ಚುವರಿಯಾಗಿ, ಈ ಆಟದ ಆಯಾಮಗಳು ಕಷ್ಟವನ್ನು ಗಣನೀಯವಾಗಿ ಹೆಚ್ಚಿಸುತ್ತವೆ ಏಕೆಂದರೆ ಇದು 361 19 3 ರ ಬೋರ್ಡ್ ಮಾಡಲು 19 ಕ್ಕಿಂತ ಹೆಚ್ಚು ಛೇದಕಗಳನ್ನು ಹೊಂದಿದೆ, ಪ್ರತಿ ಬೋರ್ಡ್‌ನಲ್ಲಿ ಮಾಡಬಹುದಾದ ಸಂಭವನೀಯ ಚಲನೆಗಳ ಸಂಖ್ಯೆಯನ್ನು ಉಲ್ಲೇಖಿಸದೆ. 

ಈ ಆಟವನ್ನು ಗೆಲ್ಲುವ ಸಾಮರ್ಥ್ಯವಿರುವ ಯಂತ್ರವು ಇಲ್ಲದಿದ್ದರೂ ಸಹ, ಒಂಬತ್ತರಿಂದ ಒಂಬತ್ತು ಆಯಾಮಗಳೊಂದಿಗೆ ಬೋರ್ಡ್‌ಗಳಿಗೆ ಉತ್ತಮವಾಗಿ ಪ್ರತಿಕ್ರಿಯಿಸುವ ಪ್ರೋಗ್ರಾಂಗಳು ಈಗಾಗಲೇ ಇವೆ ಮತ್ತು ಚೆಸ್ ಆಟಕ್ಕೆ ಬಳಸುವ ಹುಡುಕಾಟ ಅಲ್ಗಾರಿದಮ್‌ಗಳಿಗಿಂತ ಭಿನ್ನವಾಗಿ, ಈ ಸಂದರ್ಭದಲ್ಲಿ ಹುಡುಕಾಟ ಅಲ್ಗಾರಿದಮ್‌ಗಳನ್ನು ಬಳಸಲಾಗುತ್ತದೆ. UCT ಹುಡುಕಾಟ. 

ರೊಬೊಟಿಕ್ಸ್ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು

ರೋಬೋಟ್‌ಗಳು ವೇಗವಾದ, ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿ ಮತ್ತು ನಿಖರವಾದ ಪರಿಹಾರಗಳಿಗಾಗಿ ತಮ್ಮ ಬೆಂಬಲವನ್ನು ಒದಗಿಸುವ ವಿವಿಧ ಕ್ಷೇತ್ರಗಳನ್ನು ಹೊಂದಿವೆ, ಉದಾಹರಣೆಗೆ ಪ್ರಕ್ರಿಯೆಯ ಯಾಂತ್ರೀಕರಣದ ಅಗತ್ಯವಿರುವ ಉತ್ಪಾದನಾ ಮಾರ್ಗಗಳಲ್ಲಿ, ಮಿಲಿಟರಿ ಮತ್ತು ರಕ್ಷಣಾ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಮತ್ತು ಅನ್ವೇಷಣೆಗೆ ಸಹ. ಪ್ರಸ್ತುತ ಮಂಗಳ ಗ್ರಹದಲ್ಲಿರುವ ಮೊಬೈಲ್ ರೋಬೋಟ್, ಈ ಗ್ರಹದಲ್ಲಿ ಸಂಭವನೀಯ ಅಸ್ತಿತ್ವದ ಬಗ್ಗೆ ಮಾಹಿತಿಯನ್ನು ಸಂಗ್ರಹಿಸಲು.

ಇಂದು, ಮನರಂಜನೆಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಮತ್ತು ಆಟಗಳಲ್ಲಿ ಭಾಗವಹಿಸುವ ರೋಬೋಟ್‌ಗಳಿವೆ, ಉದಾಹರಣೆಗೆ ಜಪಾನಿನ ಪೆಟ್ ರೋಬೋಟ್‌ಗಳಾದ ಪರೋ ಮತ್ತು ಐಬೋ. ಪಾರೋ ಪ್ರಕರಣದಲ್ಲಿ, ಇದು ರೋಗಿಗಳಲ್ಲಿ ಒತ್ತಡದ ಮಟ್ಟವನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಸಹಾಯ ಮಾಡುವ ಮತ್ತು ಅವರ ಸಾಮಾಜಿಕತೆಯನ್ನು ಸುಧಾರಿಸಲು ಸಹಾಯ ಮಾಡುವ ಚಿಕಿತ್ಸಕ ರೋಬೋಟ್ ಆಗಿದೆ. Aibo ವಿಷಯದಲ್ಲಿ, ಇದು ಸೋನಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ನಾಯಿ-ಆಕಾರದ ರೋಬೋಟ್ ಆಗಿದೆ, ಇದು ದೃಷ್ಟಿ ವ್ಯವಸ್ಥೆಯನ್ನು ಹೊಂದಿದೆ ಮತ್ತು ಪ್ರೋಗ್ರಾಮೆಬಲ್ ಆಗಿದೆ. 

ಪರಿಶೋಧನೆ ಮತ್ತು ವಿಚಕ್ಷಣ ರೋಬೋಟ್‌ಗಳು

ಪ್ರತಿಕೂಲ ಪರಿಸರ ಅಥವಾ ಪ್ರದೇಶಗಳಲ್ಲಿ ಪರಿಶೋಧನೆ, ಹುಡುಕಾಟ ಮತ್ತು ವಿಚಕ್ಷಣಕ್ಕಾಗಿ ಬಳಸಲಾಗುವ ಮೊಬೈಲ್ ರೋಬೋಟ್‌ಗಳಿವೆ. ಉದಾಹರಣೆಗೆ, ಚೆರ್ನೋಬಿಲ್ ಪರಮಾಣು ದುರಂತದಲ್ಲಿ ಬಳಸಿದ ರೋಬೋಟ್‌ಗಳಂತೆ, ಘಟನೆಯಿಂದ ಉಂಟಾದ ಹಾನಿಯನ್ನು ದೃಶ್ಯೀಕರಿಸಲು ಪ್ರಯತ್ನಿಸಿದ ಮತ್ತು ಆನೆಗಳ ಕಾಲು ಎಂದು ಕರೆಯಲ್ಪಡುವ ವಿಕಿರಣ ದ್ರವ್ಯರಾಶಿಯ ಚಿತ್ರಗಳನ್ನು ಸೆರೆಹಿಡಿಯುವಲ್ಲಿ ಯಶಸ್ವಿಯಾಗಿದೆ.

ಅಥವಾ ನಾವು ಸ್ಪಿರಿಟ್, ಆಪರ್ಚುನಿಟಿ ಮತ್ತು ಕ್ಯೂರಿಯಾಸಿಟಿ ರೋಬೋಟ್‌ಗಳನ್ನು ಮಂಗಳ ಗ್ರಹದ ಮೇಲ್ಮೈಗೆ ಕಳುಹಿಸಬಹುದು, 2004 ರಲ್ಲಿ ಮೊದಲ ಎರಡು ಮತ್ತು 2012 ರಲ್ಲಿ ಮೂರನೆಯದು, ಇದು ಎಲ್ಲಾ ಜೈವಿಕ, ವಾತಾವರಣ ಮತ್ತು ಜೈವಿಕ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ವಿಶ್ಲೇಷಿಸುವ ಉದ್ದೇಶವನ್ನು ಪೂರೈಸುತ್ತದೆ. ಈ ಗ್ರಹವನ್ನು ರೂಪಿಸಿ. 

1997 ರಲ್ಲಿ, ಹೋಂಡಾ ಕಂಪನಿಯು ಮೊದಲ ಬೈಪೆಡಲ್ ರೋಬೋಟ್ ಅನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಿತು, ಅಂದರೆ, ಇದು ಎರಡು ಅಂಗಗಳೊಂದಿಗೆ ನಡೆಯುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿತ್ತು ಮತ್ತು ಇದನ್ನು P3 ಎಂದು ಕರೆಯಲಾಯಿತು. ಮತ್ತೊಮ್ಮೆ, ಹೋಂಡಾ 2000 ರಲ್ಲಿ ASIMO ರೋಬೋಟ್ ಅನ್ನು ಪರಿಚಯಿಸಿತು, ಇದು ನವೀನ ಮೊಬಿಲಿಟಿಯಲ್ಲಿ ಅಲ್ಪ ಪ್ರಮಾಣದ ಅಡ್ವಾನ್ಸ್ ಸ್ಟೆಪ್‌ನಿಂದ ಬರುತ್ತದೆ. ಇದು ಹೋಂಡಾ ಪಿ ರೋಬೋಟ್ ಸರಣಿಯ ಅಂತ್ಯವಾಗಿತ್ತು. ಈ ಎಲ್ಲಾ ರೋಬೋಟ್‌ಗಳನ್ನು ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ಮಾನವನ ಭೌತಿಕ ರಚನೆ ಮತ್ತು ಮೋಟಾರ್ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಹೊಂದಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. 

ಈಗ, ASIMO ಅದು ಓಡುತ್ತಿದೆಯೇ, ಮೆಟ್ಟಿಲುಗಳನ್ನು ಹತ್ತುತ್ತಿದೆಯೇ ಮತ್ತು ಅಡೆತಡೆಗಳನ್ನು ತಪ್ಪಿಸುತ್ತದೆಯೇ ಎಂಬುದನ್ನು ಬದಲಾಯಿಸಬಹುದು ಮತ್ತು ಅದರ ದೃಶ್ಯ ಸಂವೇದಕಗಳು ಅಥವಾ ಕ್ಯಾಮೆರಾಗಳ ಮೂಲಕವೂ ಅದು ಚಲಿಸುವ ವಸ್ತುಗಳು, ಸನ್ನೆಗಳು ಮತ್ತು ಭಂಗಿಗಳನ್ನು ಗುರುತಿಸಬಹುದು.

ಸ್ಮಾರ್ಟ್ ವಾಹನ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು

ಇತ್ತೀಚಿನ ಆವಿಷ್ಕಾರಗಳಲ್ಲಿ ಒಂದು ಸ್ವಾಯತ್ತ ಪ್ರಯಾಣಿಕ ವಾಹನಗಳು. 

ಸಂಪೂರ್ಣ ಸ್ವಯಂಚಾಲಿತ ಚಾಲನೆಯೊಂದಿಗೆ ಮೊದಲ ಮೆಟ್ರೋ ಜಪಾನಿನ ಸೆಂಡೈ ನಗರದಲ್ಲಿ ಹೊರಹೊಮ್ಮಿತು, ಇದನ್ನು 1987 ರಲ್ಲಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಯಿತು. ಇಂದು ಈಗಾಗಲೇ ಅನೇಕ ಸಂಪೂರ್ಣ ಸ್ವಯಂಚಾಲಿತ ಮೆಟ್ರೋ ವ್ಯವಸ್ಥೆಗಳಿವೆ.  

ಮೊಜಾವೆ ಮರುಭೂಮಿಯಲ್ಲಿ ನಡೆದ 2005 ರ DARPA ಚಾಲೆಂಜ್ ಸ್ಪರ್ಧೆಯಲ್ಲಿ ವಿಜೇತರಾದ ಸ್ಟಾನ್ಲಿಯು ಪ್ರಯಾಣಿಕರನ್ನು ಸಾಗಿಸುವ ಮತ್ತು ಸಂಪೂರ್ಣವಾಗಿ ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸಬಹುದಾದ ವಾಹನಗಳ ಮತ್ತೊಂದು ಉದಾಹರಣೆಯಾಗಿದೆ. ಸ್ಟಾನ್ಲಿ ಅವರು ಆರು ಗಂಟೆ 212,4 ನಿಮಿಷಗಳ ಅವಧಿಯಲ್ಲಿ 54 ಕಿಲೋಮೀಟರ್ ಮಾರ್ಗವನ್ನು ಯಶಸ್ವಿಯಾಗಿ ಪೂರ್ಣಗೊಳಿಸಿದರು. 

ನಂತರ, ಜಾರ್ಜ್ ಏರ್ ಫೋರ್ಸ್ ಬೇಸ್‌ನಲ್ಲಿ ನಡೆದ 2007 ರ DARPA ಗ್ರ್ಯಾಂಡ್ ಚಾಲೆಂಜ್‌ನಲ್ಲಿ, ಸ್ಟಾನ್ಲಿ ಸ್ವಯಂಚಾಲಿತ ವಾಹನವು ಮತ್ತೆ 96-ಮೈಲಿ ಕೋರ್ಸ್ ಅನ್ನು ಯಶಸ್ವಿಯಾಗಿ ಪೂರ್ಣಗೊಳಿಸಿತು. ಈ ರೇಸ್‌ನಲ್ಲಿ ಭಾಗವಹಿಸಿದ ವಾಹನಗಳು ಕ್ಯಾಲಿಫೋರ್ನಿಯಾ ರಾಜ್ಯದ ಸಂಚಾರ ನಿಯಮಗಳನ್ನು ನೈಜ ಸಮಯದಲ್ಲಿ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಸಮರ್ಥವಾಗಿವೆ.

ಪ್ರಪಂಚದ ಇನ್ನೊಂದು ಭಾಗದಲ್ಲಿ, ನಿರ್ದಿಷ್ಟವಾಗಿ ಇಂಟರ್‌ನ್ಯಾಶನಲ್ ಕಾಂಗ್ರೆಸ್ ಸೆಂಟರ್ ಮತ್ತು ಬ್ರಾಂಡೆನ್‌ಬರ್ಗ್ ಗೇಟ್ ನಡುವೆ, ಬರ್ಲಿನ್‌ನ ಫ್ರೀ ಯೂನಿವರ್ಸಿಟಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಮೇಡ್ ಇನ್ ಜರ್ಮನಿ ವಾಹನವು 80-ಕಿಲೋಮೀಟರ್ ಮಾರ್ಗದಲ್ಲಿ ಪ್ರಯಾಣಿಸಿತು. ಈ ವಾಹನವು ಸಂಪೂರ್ಣ ಸ್ವಾಯತ್ತತೆಯನ್ನು ಹೊಂದಿದೆ, ಇದು ಪಾದಚಾರಿಗಳು ಮತ್ತು ಸಂಚಾರ ದೀಪಗಳ ಉಪಸ್ಥಿತಿಯನ್ನು ಗುರುತಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದೆ. ಆದಾಗ್ಯೂ, ಇದು ಪ್ರಯಾಣದ ವೇಗದಂತಹ ಡೇಟಾವನ್ನು ಒದಗಿಸುವ ಅಗತ್ಯವಿದೆ. 

ಮಾನವರಹಿತ ವೈಮಾನಿಕ ವಾಹನಗಳು

ಮಾನವರಹಿತ ವೈಮಾನಿಕ ವಾಹನದ ಅಲ್ಪಾರ್ಥಕದಿಂದ UAV ಎಂದೂ ಕರೆಯುತ್ತಾರೆ. ನಿಲುಗಡೆ ಮಾಡುವ ಅಗತ್ಯವಿಲ್ಲದೆ ಪೆಸಿಫಿಕ್ ಸಾಗರವನ್ನು ದಾಟಿದ ಮೊದಲ ಮಾನವರಹಿತ ವೈಮಾನಿಕ ವಾಹನವೆಂದರೆ ಗ್ಲೋಬಲ್ ಹ್ವಾಕ್. ಇದನ್ನು 2001 ರಲ್ಲಿ ಏಪ್ರಿಲ್ ತಿಂಗಳಲ್ಲಿ ನಡೆಸಲಾಯಿತು, ಇದು ಯುನೈಟೆಡ್ ಸ್ಟೇಟ್ಸ್ನಲ್ಲಿ ಪ್ರಾರಂಭವಾಯಿತು ಮತ್ತು ಆಸ್ಟ್ರೇಲಿಯಾದಲ್ಲಿ ಕೊನೆಗೊಂಡಿತು. 

ಆದಾಗ್ಯೂ, ಈ ಮಾದರಿಯು ಇನ್ನೂ ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಣೆಗಾಗಿ ನೆಲದ ನಿಲ್ದಾಣದ ಪೈಲಟ್ ಮತ್ತು ಇತರ ನಿರ್ವಾಹಕರನ್ನು ಅವಲಂಬಿಸಿದೆ. ವಾಸ್ತವವಾಗಿ, ವೈಸ್ 2011 ರಲ್ಲಿ ಸೂಚಿಸಿದ ಪ್ರಕಾರ, ಈ ವ್ಯವಸ್ಥೆಗಳು ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ಮಾಹಿತಿಯನ್ನು ಸಂಗ್ರಹಿಸಲು ಸಮರ್ಥವಾಗಿದ್ದರೂ ಸಹ, ನೈಜ ಸಮಯದಲ್ಲಿ ಅದನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಅಗತ್ಯವಾದ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿಲ್ಲ ಮತ್ತು ಆದ್ದರಿಂದ ಮಾಹಿತಿಯ ಪ್ರಕಾರ ಬುದ್ಧಿವಂತಿಕೆಯಿಂದ ಘಟನೆಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತವೆ. .

ಈ ವಾಹನಗಳು ಇಂದು ಡ್ರೋನ್‌ಗಳು ಎಂದು ಹೆಚ್ಚು ಜನಪ್ರಿಯವಾಗಿವೆ. ಡ್ರೋನ್‌ಗಳು ನಿಮ್ಮ ನ್ಯಾವಿಗೇಷನ್‌ನಲ್ಲಿ ನಿಮಗೆ ಸಹಾಯ ಮಾಡುವ ವಿವಿಧ ಆಂತರಿಕ ಸಂವೇದಕಗಳು ಮತ್ತು ಸಾಧನಗಳನ್ನು ಹೊಂದಿವೆ. ಉದಾಹರಣೆಗೆ, ಅವರು ಜಿಯೋಲೋಕಲೈಸೇಶನ್ಗಾಗಿ ಜಿಪಿಎಸ್ ಮಾಡ್ಯೂಲ್ ಅನ್ನು ಹೊಂದಿದ್ದಾರೆ, ವೈರ್ಲೆಸ್ ಸಂಪರ್ಕದೊಂದಿಗೆ ಕ್ಯಾಮೆರಾಗಳು, ಕೆಲವು ಚಲನೆ ಮತ್ತು ಶಾಖ ಸಂವೇದಕಗಳು, ಇತರವುಗಳಲ್ಲಿ. ಮೊದಲ ನಿದರ್ಶನದಲ್ಲಿ, ಈ ತಂತ್ರಜ್ಞಾನವು ಈಗಾಗಲೇ ಮಾರುಕಟ್ಟೆಯಲ್ಲಿದ್ದರೂ ಮಿಲಿಟರಿ ಬಳಕೆಗಾಗಿ ಹುಟ್ಟಿಕೊಂಡಿತು.

ತೀರ್ಮಾನಗಳು

ತಂತ್ರಜ್ಞಾನದ ವಿವಿಧ ಕ್ಷೇತ್ರಗಳು ಘಾತೀಯವಾಗಿ ಮುಂದುವರೆದಿವೆ ಮತ್ತು ಕಂಪ್ಯೂಟಿಂಗ್ ಈ ಪ್ರಗತಿಯಿಂದ ತಪ್ಪಿಸಿಕೊಳ್ಳುವುದಿಲ್ಲ ಎಂಬುದರಲ್ಲಿ ಸಂದೇಹವಿಲ್ಲ, ವಾಸ್ತವವಾಗಿ ಇದು ವಿಜ್ಞಾನದ ಇತರ ಶಾಖೆಗಳ ವಿಕಾಸವನ್ನು ಉತ್ತೇಜಿಸಿದೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಒದಗಿಸುವ ಲೆಕ್ಕಾಚಾರದ ಸಾಮರ್ಥ್ಯವು ಮೂರ್ ಕಾನೂನಿನ ಪ್ರಕಾರ ಹದಿನೆಂಟು ತಿಂಗಳ ಅವಧಿಯಲ್ಲಿ ದ್ವಿಗುಣಗೊಳ್ಳುತ್ತಿದೆ. 

ಮೂರ್‌ನ ನಿಯಮವು ಮುಂದುವರಿದರೆ, ಸುಮಾರು 2030 ರ ಹೊತ್ತಿಗೆ ಪ್ರೊಸೆಸರ್‌ಗಳು ಹೊಂದಿರುವ ಕಂಪ್ಯೂಟಿಂಗ್ ಶಕ್ತಿಯು ಮಾನವನಂತೆಯೇ ಇರುತ್ತದೆ ಅಥವಾ ಬಹುಶಃ ಸಮಾನವಾಗಿರುತ್ತದೆ ಎಂದು ಇದು ಸೂಚಿಸುತ್ತದೆ.

Google ಮತ್ತು Amazon ನಂತಹ ಸರ್ಚ್ ಇಂಜಿನ್‌ಗಳು ಉತ್ತಮ ಸೇವೆಯನ್ನು ಒದಗಿಸುವ ಸಲುವಾಗಿ ಪ್ರತಿಯೊಬ್ಬ ವ್ಯಕ್ತಿಯ ಆದ್ಯತೆಗಳನ್ನು ನಿರ್ಧರಿಸಲು ತಮ್ಮ ಬಳಕೆದಾರರಿಂದ ಲಕ್ಷಾಂತರ ಮಾಹಿತಿಯನ್ನು ಸಂಗ್ರಹಿಸುತ್ತವೆ. ಆದ್ದರಿಂದ ದೊಡ್ಡ ಮೆಮೊರಿ ಸಾಮರ್ಥ್ಯ ಹೊಂದಿರುವ ಸರ್ವರ್‌ಗಳು ಈ ಡೇಟಾದಲ್ಲಿ ಸಮವಾಗಿ ರೆಕಾರ್ಡ್ ಮಾಡಬೇಕಾಗುತ್ತದೆ.

ಸಾಮಾಜಿಕ ನೆಟ್‌ವರ್ಕ್‌ಗಳು, ತಮ್ಮ ಗ್ರಾಹಕರ ಅಭಿರುಚಿಗೆ ಅನುಗುಣವಾಗಿ ಪ್ರಸ್ತಾಪಗಳನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಲು ತಮ್ಮ ಗ್ರಾಹಕರ ಆದ್ಯತೆಗಳನ್ನು ದಾಖಲಿಸಲು ಈ ದೊಡ್ಡ ಸಂಗ್ರಹ ಸಾಮರ್ಥ್ಯಗಳ ಅಗತ್ಯವಿರುತ್ತದೆ.