ಎಂಐಟಿ ಸಂಶೋಧಕರು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಉತ್ಪಾದಿಸುವ ಮಾದರಿಗಳಿಗೆ ಉನ್ನತ ಮಟ್ಟದ ಸಮಸ್ಯೆಗಳಿಗೆ ಪರಿಹಾರಗಳನ್ನು ಕಂಡುಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುವ ಹೊಸ ವಿಧಾನವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದಾರೆ.
ಈ ಸೆಟ್ಟಿಂಗ್ನಲ್ಲಿ, ಸ್ವೀಕಾರಾರ್ಹ ಉತ್ತರವು ಸಾಕಾಗುವುದಿಲ್ಲ: ಔಟ್ಪುಟ್ ಸಾಮಾನ್ಯವಾಗಿ ಸುರಕ್ಷತೆ, ಭೌತಿಕ ಅಥವಾ ಕಾರ್ಯ-ನಿರ್ದಿಷ್ಟ ಅವಶ್ಯಕತೆಗಳನ್ನು ಕಠಿಣ ನಿರ್ಬಂಧಗಳು ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ.
ಸಂಶೋಧಕರು ತಮ್ಮ ಫಲಿತಾಂಶಗಳ ಗುಣಮಟ್ಟವನ್ನು ತ್ಯಾಗ ಮಾಡದೆಯೇ ಈ ಕಠಿಣ ಅವಶ್ಯಕತೆಗಳನ್ನು ಪೂರೈಸಲು ಉತ್ಪಾದಕ ಮಾದರಿಗಳಿಗೆ ಸಹಾಯ ಮಾಡುವ ವಿಧಾನವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದಾರೆ.
ಉತ್ಪಾದನೆಯ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಮಾದರಿಗೆ ಹೆಚ್ಚಿನ ಸ್ವಾತಂತ್ರ್ಯವನ್ನು ನೀಡುವುದು ಮತ್ತು ಪ್ರತಿ ಮಧ್ಯಂತರ ಹಂತಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿ ಅಂತಿಮ ಫಲಿತಾಂಶದ ಮೇಲೆ ಬಿಗಿಯಾದ ನಿರ್ಬಂಧಗಳನ್ನು ವಿಧಿಸುವುದು ಅವರ ತಂತ್ರದ ಕೀಲಿಯಾಗಿದೆ.
ರೊಬೊಟಿಕ್ಸ್, ಭೌತಿಕ ಪ್ರಕ್ರಿಯೆ ನಿಯಂತ್ರಣ ಮತ್ತು ಕಂಪ್ಯೂಟರ್ ದೃಷ್ಟಿಯನ್ನು ಒಳಗೊಂಡ ಪ್ರಯೋಗಗಳಲ್ಲಿ, ಹೊಸ ವಿಧಾನವು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ವಿಧಾನಗಳಿಗಿಂತ ಉತ್ತಮ ಪರಿಹಾರಗಳನ್ನು ಗುರುತಿಸುವಾಗ ಅಗತ್ಯವಿರುವ ನಿರ್ಬಂಧಗಳನ್ನು ಸ್ಥಿರವಾಗಿ ಪೂರೈಸಿದೆ.
ಈ ಹೊಂದಾಣಿಕೆಯ, ಪ್ಲಗ್-ಮತ್ತು-ಪ್ಲೇ ತಂತ್ರವು ನಿಯೋಜನೆಯ ಸಮಯದಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, ಆದ್ದರಿಂದ ಅವುಗಳನ್ನು ಮರು-ತರಬೇತಿ ನೀಡದೆಯೇ ಪೂರ್ವ-ನಿರ್ಮಿತ ಉತ್ಪಾದಕ ಮಾದರಿಗಳಿಗೆ ಅನ್ವಯಿಸಬಹುದು. ಸುರಕ್ಷತೆ ನಿಯಮಗಳು, ಭೌತಿಕ ಕಾನೂನುಗಳು ಅಥವಾ ಇತರ ಕಟ್ಟುನಿಟ್ಟಾದ ಅವಶ್ಯಕತೆಗಳನ್ನು ಉಲ್ಲಂಘಿಸಲಾಗದ ಅಪ್ಲಿಕೇಶನ್ಗಳಲ್ಲಿ ಇದು ಅಂತಹ ಮಾದರಿಗಳನ್ನು ಹೆಚ್ಚು ಉಪಯುಕ್ತವಾಗಿಸಬಹುದು.
“ಉತ್ಪಾದಕ AI ಯ ಭರವಸೆಯು ಸಾಧ್ಯತೆಗಳ ಸಮೃದ್ಧ ಸ್ಥಳವನ್ನು ಅನ್ವೇಷಿಸುವ ಸಾಮರ್ಥ್ಯವಾಗಿದೆ, ಆದರೆ ನೈಜ ಪ್ರಪಂಚವು ಸಾಧ್ಯತೆಗಳನ್ನು ಸ್ವೀಕಾರಾರ್ಹವಾಗಿರುವ ಗಡಿಗಳನ್ನು ಹೇರುತ್ತದೆ. ನಮ್ಮ ವಿಧಾನವು ಹೆಚ್ಚಿನ ಅಥವಾ ಸುರಕ್ಷತೆ-ನಿರ್ಣಾಯಕ ಅಪ್ಲಿಕೇಶನ್ಗಳ ಪರೋಕ್ಷ ಅವಶ್ಯಕತೆಗಳನ್ನು ಪೂರೈಸುವಾಗ ಈ ಉತ್ಪಾದಕ ಶಕ್ತಿಯನ್ನು ಉಳಿಸಿಕೊಳ್ಳಲು ನಮಗೆ ಅನುಮತಿಸುತ್ತದೆ,” ಆಲ್ಫ್ರೆಡ್ ಅಸೋಸಿಯ ಡೆವಲಪ್ಮೆಂಟ್ ಡಿಪಾರ್ಟ್ಮೆಂಟ್ ನವಿದ್ ಅಝಿಝಾನ್ ಹೇಳುತ್ತಾರೆ. ಮೆಕ್ಯಾನಿಕಲ್ ಇಂಜಿನಿಯರಿಂಗ್ ಮತ್ತು ಇನ್ಸ್ಟಿಟ್ಯೂಟ್ ಫಾರ್ ಇನ್ಫಾರ್ಮೇಶನ್, ಸಿಸ್ಟಮ್ಸ್ ಅಂಡ್ ಸೊಸೈಟಿ (ಐಡಿಎಸ್ಎಸ್), ಮಾಹಿತಿ ವ್ಯವಸ್ಥೆಗಳು ಮತ್ತು ನಿರ್ಧಾರಗಳ ಪ್ರಯೋಗಾಲಯದ (ಎಲ್ಐಡಿಎಸ್) ಪ್ರಧಾನ ತನಿಖಾಧಿಕಾರಿ ಮತ್ತು ಈ ತಂತ್ರದ ಕುರಿತು ಲೇಖನದ ಹಿರಿಯ ಲೇಖಕ.
ಕಾಗದದ ಮೇಲೆ ಅಜೀಜಾನ್ ಪ್ರಮುಖ ಲೇಖಕ ಝೆಯಾಂಗ್ ಲಿ, ಮೆಕ್ಯಾನಿಕಲ್ ಇಂಜಿನಿಯರಿಂಗ್ ಮತ್ತು LIDS ನಲ್ಲಿ ಪದವಿ ವಿದ್ಯಾರ್ಥಿ; ಮತ್ತು ಕವೆಹ್ ಅಲಿಮ್, IDSS ಮತ್ತು LIDS ನಲ್ಲಿ ಪದವಿ ವಿದ್ಯಾರ್ಥಿ. ಸಮೀಕ್ಷೆಯು ಈ ವಾರ ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತದೆ ಪ್ಯಾಟರ್ನ್ ಅನಾಲಿಸಿಸ್ ಮತ್ತು ಮೆಷಿನ್ ಇಂಟೆಲಿಜೆನ್ಸ್ನಲ್ಲಿ IEEE ವಹಿವಾಟುಗಳು.
ಅನ್ವೇಷಣೆಯ ಸ್ವಾತಂತ್ರ್ಯ
ಸ್ಟೆಡಿ ಡಿಫ್ಯೂಷನ್ನಂತಹ ಡಿಫ್ಯೂಷನ್ ಮಾದರಿಗಳು ಮತ್ತು FLUX ನಂತಹ ಹೊಂದಾಣಿಕೆಯ ಹರಿವಿನ ಮಾದರಿಗಳಂತಹ ಪೂರ್ವ-ನಿರ್ಮಿತ ಉತ್ಪಾದಕ AI ಮಾದರಿಗಳು ಈಗ ವ್ಯಾಪಕವಾಗಿ ಲಭ್ಯವಿದೆ. ಈ ಶಕ್ತಿಯುತ ಮಾದರಿಗಳು ಯಾದೃಚ್ಛಿಕ ಶಬ್ದವನ್ನು ಬದಲಾಯಿಸುವ ಮೂಲಕ ಹೊಸ ಮಾಹಿತಿಯನ್ನು ರಚಿಸಲು ಕಲಿಯುತ್ತವೆ. ಅವುಗಳ ಲಭ್ಯತೆಯು ಜನರು ಅವುಗಳನ್ನು ವ್ಯಾಪಕ ಶ್ರೇಣಿಯ ಅಪ್ಲಿಕೇಶನ್ಗಳಿಗೆ ಹೊಂದಿಕೊಳ್ಳುವಂತೆ ಮಾಡಿದೆ.
ಈ ಹೆಚ್ಚು ನುರಿತ ಮಾದರಿಗಳು ಹೆಚ್ಚಿನ ಪ್ರಶ್ನೆಗಳನ್ನು ತೃಪ್ತಿಪಡಿಸುವ ಉತ್ತರಗಳನ್ನು ಒದಗಿಸುವಲ್ಲಿ ಉತ್ಕೃಷ್ಟವಾಗಿವೆ, ಆದರೆ ಸುರಕ್ಷತಾ-ನಿರ್ಣಾಯಕ ಅಪ್ಲಿಕೇಶನ್ಗಳಲ್ಲಿ, ಉದಾಹರಣೆಗೆ ಕಾರ್ಯನಿರತ ಕಾರ್ಖಾನೆಯ ಮಹಡಿಯಲ್ಲಿ ರೋಬೋಟ್ ಮಾರ್ಗ ಯೋಜನೆ, “ಬಹುತೇಕ ಸರಿಯಾದ” ಉತ್ತರವು ಸಾಕಾಗುವುದಿಲ್ಲ.
ಉದಾಹರಣೆಗೆ, ಒಂದು ಕಾರಿನಿಂದ ಇನ್ನೊಂದಕ್ಕೆ “ಬಹುತೇಕ ಸರಿಯಾದ” ಮಾರ್ಗವು ಇನ್ನೂ ಮಾನವ ಸಹೋದ್ಯೋಗಿಯೊಂದಿಗೆ ರೋಬೋಟ್ ಡಿಕ್ಕಿ ಹೊಡೆಯಲು ಕಾರಣವಾಗಬಹುದು.
ಅಂತಹ ಸುರಕ್ಷತೆ-ನಿರ್ಣಾಯಕ ಅಪ್ಲಿಕೇಶನ್ಗಳಲ್ಲಿ, ಬಳಕೆದಾರರು ಸಾಮಾನ್ಯವಾಗಿ ಪ್ರೊಜೆಕ್ಷನ್ ಸ್ಯಾಂಪ್ಲಿಂಗ್ ಎಂಬ ತಂತ್ರವನ್ನು ಬಳಸುತ್ತಾರೆ, ಇದು ಉತ್ಪಾದನೆಯ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಕಟ್ಟುನಿಟ್ಟಾದ ಅವಶ್ಯಕತೆಗಳನ್ನು ಪೂರೈಸಲು ಮಧ್ಯಂತರ ಮಾದರಿಗಳು ಎಂದು ಕರೆಯಲ್ಪಡುವ ಮಾದರಿಯ ಭಾಗಶಃ ಪರಿಹಾರಗಳನ್ನು ಪದೇ ಪದೇ ಒತ್ತಾಯಿಸುತ್ತದೆ.
ಆದಾಗ್ಯೂ, ಸಂಪೂರ್ಣ ಪೀಳಿಗೆಯ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಸೀಮಿತಗೊಳಿಸುವುದರಿಂದ ಮಾದರಿಯು ಸೂಕ್ತ ಅಂತಿಮ ಪರಿಹಾರವನ್ನು ತಲುಪುವುದನ್ನು ತಡೆಯಬಹುದು. ಈ ವಿಧಾನಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಕಠಿಣ ನಿರ್ಬಂಧಗಳನ್ನು ಪೂರೈಸುವುದರ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತವೆ, ರೋಬೋಟ್ನ ಪಥದ ಉದ್ದವನ್ನು ಕಡಿಮೆಗೊಳಿಸುವಂತಹ ಪರಿಹಾರದ ಇತರ ಗುಣಗಳನ್ನು ಸುಧಾರಿಸುವ ಅವಕಾಶವನ್ನು ಕಳೆದುಕೊಳ್ಳುತ್ತವೆ.
“ನಿರ್ಬಂಧದ ತೃಪ್ತಿಗಾಗಿ, ಮಾದರಿಯ ಅಂತಿಮ ಫಲಿತಾಂಶವು ಅಂತಿಮವಾಗಿ ಮುಖ್ಯವಾಗಿದೆ ಏಕೆಂದರೆ ಆಂತರಿಕ ಪ್ರಕ್ರಿಯೆಯನ್ನು ತಿರಸ್ಕರಿಸಲಾಗುತ್ತದೆ. ನಿರ್ಬಂಧಗಳನ್ನು ಪೂರೈಸಲು ಪ್ರತಿ ಮಧ್ಯಂತರ ಹಂತದ ಅಗತ್ಯವಿರುವುದಿಲ್ಲ, ಅಂತಿಮವಾಗಿ ಕಾರ್ಯಸಾಧ್ಯವಾದ ಉನ್ನತ-ಗುಣಮಟ್ಟದ ಪರಿಹಾರಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲು ನಾವು ಮಾದರಿಗೆ ಹೆಚ್ಚಿನ ಸ್ವಾತಂತ್ರ್ಯವನ್ನು ನೀಡುತ್ತೇವೆ” ಎಂದು ಲೀ ಹೇಳುತ್ತಾರೆ.
ಸಂಶೋಧಕರು ಹಾರ್ಡ್ಫ್ಲೋ ಎಂಬ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದಾರೆ, ಅದು ಆಯ್ಕೆ ಪ್ರಕ್ರಿಯೆಯನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ, ಇದರಿಂದಾಗಿ ಅಂತಿಮ ಫಲಿತಾಂಶವು ಬಳಕೆದಾರರ ಕಟ್ಟುನಿಟ್ಟಾದ ನಿರ್ಬಂಧಗಳನ್ನು ಹೆಚ್ಚು ನಿರ್ಬಂಧಿತವಾಗಿರದೆ ಮತ್ತು ಹೆಚ್ಚಿನ ಗುಣಮಟ್ಟವನ್ನು ಹೊಂದಿದೆ.
ಸೂಕ್ಷ್ಮ ನಾಯಕತ್ವ
ಹಾರ್ಡ್ಫ್ಲೋ, ಸೂಕ್ತ ನಿಯಂತ್ರಣದ ಕ್ಷೇತ್ರದಿಂದ ಸಾಧನಗಳನ್ನು ಬಳಸಿ, ಕಠಿಣ-ನಿರ್ಬಂಧಿತ ಆಯ್ಕೆಯನ್ನು ಪಥ-ಆಪ್ಟಿಮೈಸೇಶನ್ ಸಮಸ್ಯೆಯಾಗಿ ಪರಿಹರಿಸುತ್ತದೆ. ಇದು ಮಾದರಿಯ ಮಾದರಿಯ ಪಥವನ್ನು ಗುರಿಯತ್ತ ನಿರ್ದೇಶಿಸಲು ಚೌಕಟ್ಟನ್ನು ಅನುಮತಿಸುತ್ತದೆ, ಅಂತಿಮ ಔಟ್ಪುಟ್ನಲ್ಲಿ ಕಠಿಣ ನಿರ್ಬಂಧಗಳನ್ನು ವಿಧಿಸುವಾಗ ಮಾರ್ಗದಲ್ಲಿ ಸೂಕ್ಷ್ಮ ಹೊಂದಾಣಿಕೆಗಳನ್ನು ಮಾಡುತ್ತದೆ.
“ನಿಯಂತ್ರಣ ಸಿದ್ಧಾಂತವು ಈ ಹೊಂದಾಣಿಕೆಗಳನ್ನು ಮಾಡಲು ಸೂಕ್ತ ಮಾರ್ಗವನ್ನು ಔಪಚಾರಿಕಗೊಳಿಸಲು ನಮಗೆ ಶಕ್ತಿಯುತ ಚೌಕಟ್ಟನ್ನು ನೀಡುತ್ತದೆ” ಎಂದು ಅಜಿಝಾನ್ ಹೇಳುತ್ತಾರೆ.
ಆದರೆ ದೊಡ್ಡ ನರಮಂಡಲದ ಸುತ್ತಲಿನ ಪಥ-ಆಪ್ಟಿಮೈಸೇಶನ್ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸುವುದು ಸುಲಭದ ಕೆಲಸವಾಗಿರಲಿಲ್ಲ. ಒಂದು ಮಾದರಿಯು ಡೇಟಾವನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವ ನೂರಾರು ಪರಸ್ಪರ ಸಂಬಂಧಿತ ಲೇಯರ್ಗಳನ್ನು ಹೊಂದಬಹುದು.
ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು, ಸಂಶೋಧಕರು ಹರಿವಿನ ಹೊಂದಾಣಿಕೆಯ ಮಾದರಿಗಳ ರಚನೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಸಮಸ್ಯೆಯನ್ನು ಸಣ್ಣ, ಏಕ-ಹಂತದ ಉಪಸಮಸ್ಯೆಗಳ ಅನುಕ್ರಮವಾಗಿ ವಿಭಜಿಸಿದರು. ನಂತರ ಅವರು ಇನ್ನೂ ಕಾರ್ಯಸಾಧ್ಯವಾದ ಪರಿಹಾರಗಳನ್ನು ಕಂಡುಕೊಳ್ಳುವ ಸಮರ್ಥ ಮತ್ತು ಸ್ಕೇಲೆಬಲ್ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಪಡೆಯಲು ವ್ಯವಸ್ಥಿತ ಬದಲಾವಣೆಗಳು ಮತ್ತು ಅಂದಾಜುಗಳನ್ನು ಬಳಸಿದರು.
“ಮೂಲಭೂತವಾಗಿ, ನಾವು ಪಥ-ಆಪ್ಟಿಮೈಸೇಶನ್ ಸಮಸ್ಯೆಯನ್ನು ಮೂಲ ಸಮಸ್ಯೆಯ ಮೂಲ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಉಳಿಸಿಕೊಳ್ಳುವ ರೀತಿಯಲ್ಲಿ ಮಾರ್ಪಡಿಸಿದ್ದೇವೆ, ಆದರೆ ನಿಯೋಜನೆಯ ಸಮಯದಲ್ಲಿ ಬಹಳ ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಪರಿಹರಿಸಲಾಗುತ್ತದೆ” ಎಂದು ಅಜಿಝಾನ್ ಸೇರಿಸುತ್ತಾರೆ.
ಕಾರ್ಯವನ್ನು ಆಪ್ಟಿಮೈಸೇಶನ್ ಸಮಸ್ಯೆಯಾಗಿ ಮರುರೂಪಿಸುವುದರಿಂದ ಅಂತಿಮ ಉತ್ತರದ ಗುಣಮಟ್ಟವನ್ನು ಸುಧಾರಿಸುವ ಹೆಚ್ಚುವರಿ ಉದ್ದೇಶಗಳನ್ನು ಸೇರಿಸಲು ಹಾರ್ಡ್ಫ್ಲೋ ಅನುಮತಿಸುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಹಾರ್ಡ್ಫ್ಲೋ ರೋಬೋಟ್ಗೆ ಘರ್ಷಣೆ-ಮುಕ್ತ ಮಾರ್ಗವನ್ನು ಕಂಡುಹಿಡಿಯಬಹುದು, ಅದು ತನ್ನ ಗುರಿಗೆ ಕಡಿಮೆ ದೂರದಲ್ಲಿದೆ.
“ನಮ್ಮ ಚೌಕಟ್ಟು ಎರಡೂ ಅಂಶಗಳನ್ನು ಒಟ್ಟಿಗೆ ನಿಭಾಯಿಸಬಲ್ಲದು, ಇದು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ವಿಧಾನಗಳಿಗಿಂತ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ” ಎಂದು ಲೀ ಹೇಳುತ್ತಾರೆ.
ರೊಬೊಟಿಕ್ ಮ್ಯಾನಿಪ್ಯುಲೇಷನ್, ಮೇಜ್ ನ್ಯಾವಿಗೇಷನ್ ಮತ್ತು ಇಮೇಜ್-ಟು-ಟೆಕ್ಸ್ಟ್ ಮ್ಯಾನಿಪ್ಯುಲೇಷನ್ನಲ್ಲಿನ ಪ್ರಯೋಗಗಳಾದ್ಯಂತ, ಹಾರ್ಡ್ಫ್ಲೋ ಸಂಪೂರ್ಣ ನಿರ್ಬಂಧದ ತೃಪ್ತಿಯನ್ನು ಸಾಧಿಸಿತು ಮತ್ತು ರೆಸಲ್ಯೂಶನ್ ಗುಣಮಟ್ಟದ ಮೆಟ್ರಿಕ್ಗಳಲ್ಲಿ ಮುಖ್ಯವಾಹಿನಿಯ ವಿಧಾನಗಳನ್ನು ಸ್ಥಿರವಾಗಿ ಮೀರಿಸುತ್ತದೆ.
ಉದಾಹರಣೆಗೆ, ರೋಬೋಟ್ ಮ್ಯಾನಿಪ್ಯುಲೇಟರ್ ಅಡೆತಡೆಗಳೊಂದಿಗೆ ಘರ್ಷಣೆಯನ್ನು ತಪ್ಪಿಸಲು ಮತ್ತು ಗುರಿಯ ವಸ್ತುವಿಗೆ ವೇಗವಾದ ಮಾರ್ಗವನ್ನು ಕಂಡುಹಿಡಿಯಲು ಅವಕಾಶ ಮಾಡಿಕೊಟ್ಟಿತು. ಹೆಚ್ಚಿನ ಇತರ ವಿಧಾನಗಳು ಘರ್ಷಣೆಗೆ ಕಾರಣವಾಗುತ್ತವೆ ಅಥವಾ ಹೆಚ್ಚು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುವ ಮಾರ್ಗಗಳನ್ನು ಕಂಡುಕೊಂಡವು.
ಇದರ ಜೊತೆಯಲ್ಲಿ, ಹಾರ್ಡ್ಫ್ಲೋನ ಗಣನೆಯ ಸಮಯವು ಸ್ಪರ್ಧಾತ್ಮಕ ವಿಧಾನಗಳಿಗೆ ಹೋಲಿಸಬಹುದು ಅಥವಾ ಕಡಿಮೆಯಾಗಿತ್ತು.
ಭವಿಷ್ಯದಲ್ಲಿ, ಸಂಶೋಧಕರು ಚೌಕಟ್ಟನ್ನು ಸೆಟ್ಟಿಂಗ್ಗಳಿಗೆ ವಿಸ್ತರಿಸಬಹುದು, ಅಲ್ಲಿ AI ಮಾದರಿಯನ್ನು ಸಹ ಹೊಂದಾಣಿಕೆಯ ರೀತಿಯಲ್ಲಿ ನಿರ್ಬಂಧದ ತೃಪ್ತಿ ಮತ್ತು ಮಾದರಿ ಗುಣಮಟ್ಟವನ್ನು ಸುಧಾರಿಸಲು ನವೀಕರಿಸಬಹುದು.
Leave a Reply