دیتا در مقابل الگوریتم

تو سال ۲۰۰۱، دوتا محقق از شرکت Microsoft به اسم‌های Michele Banko و Eric Brill یه مقاله جالب منتشر کردن که توش یه نکته خیلی مهم درباره machine learning مطرح شده بود. اونا بررسی کردن که وقتی پای یه مسئله پیچیده مثل natural language disambiguation وسطه – یعنی اینکه سیستم بتونه معنی درست یه کلمه یا جمله مبهم رو بفهمه – آیا نوع الگوریتمی که استفاده می‌کنیم خیلی فرق ایجاد می‌کنه یا نه. نتیجه‌ای که بهش رسیدن خیلی قابل‌توجه بود: فرقی نمی‌کرد از چه الگوریتمی استفاده کنن، چه ساده چه پیچیده، وقتی حجم داده‌ای که به اون الگوریتم داده می‌شد زیاد بود، همه تقریباً به یه اندازه خوب عمل می‌کردن. این نتیجه باعث شد خودشون این سوال رو مطرح کنن که واقعاً بهتره وقتمون و هزینه‌مون رو صرف توسعه الگوریتم‌های پیچیده کنیم، یا اینکه همون زمان رو بذاریم برای جمع‌آوری داده‌های بیشتر و بهتر، یعنی توسعه corpus.

این نگاه کم‌کم تو جامعه علمی جا افتاد، مخصوصاً وقتی که چند سال بعد، تو سال ۲۰۰۹، Peter Norvig و چند نفر دیگه مقاله‌ای نوشتن با عنوان The Unreasonable Effectiveness of Data که توش این ایده رو پررنگ‌تر کردن: اینکه تو مسائل سخت و واقعی، داده زیاد و باکیفیت از نوع الگوریتم خیلی مهم‌تره. اون مقاله نشون داد که وقتی مقدار کافی داده در دسترس باشه، حتی الگوریتم‌های نسبتاً ساده هم می‌تونن عملکردی در حد الگوریتم‌های پیچیده داشته باشن. این دیدگاه باعث شد توجه محقق‌ها و شرکت‌ها بیشتر بره به سمت جمع‌آوری و استفاده هوشمندانه از داده.

با این حال، باید اینم در نظر گرفت که تو خیلی از کاربردهای عملی، هنوزم داده‌هایی که در دسترسن کوچیک یا متوسط هستن و جمع‌آوری داده‌های بیشتر یا بهتر همیشه کار راحت یا ارزونی نیست. بنابراین این‌طور نیست که بشه کلاً از توسعه الگوریتم صرف‌نظر کرد. در واقع، تو شرایطی که داده محدوده، انتخاب و طراحی الگوریتم مناسب هنوزم نقش خیلی مهمی داره. پس به طور خلاصه، هر دو طرف ماجرا – هم داده و هم الگوریتم – مهمن، ولی تو مسائل بزرگ و پیچیده، داده می‌تونه تاثیر خیلی بیشتری داشته باشه، مخصوصاً وقتی حجمش زیاد باشه.

🔤🔤🔤🔤🔤🔤🔤

🥇 اهورا اولین اپراتور هوش مصنوعی راهبردی ایران در حوزه ارائه خدمات و سرویس‌های زیرساخت هوش مصنوعی

🛍کد تخفیف ۱۰ درصدی محصولات اهورا برای اعضای کانال
AHURA5

🌐 لینک وب‌سایت اهورا

@reza_jafari_ai

تو فرایند فتوسنتر طبیعی، گیاهان با استفاده از نور خورشید، دی‌اکسیدکربن رو به قندهای پرانرژی تبدیل می‌کنن. تو یک پژوهش از دانشگاه بازل، دانشمندان از این الگو برای توسعهٔ سوخت‌های خورشیدی مانند هیدروژن، متانول یا هیدروکربن‌های مایع استفاده کردن.

اونا مولکولی ساختن که می‌تونه چهار بار الکتریکی رو در شرایطی مشابه با نور طبیعی خورشید (دو بار مثبت - دو بار منفی) ذخیره کنه که مستقل از آب‌وهوا یا نور روزه.

این روش سوخت خورشیدی مایع رو از طریق زیرساخت‌ها منتقل می‌کنه و برای بخش‌های هوانوردی یا کشتیرانی می‌تونه جایگزین خوبی برای باتری‌های سنگین باشه. [L]

🤓 abolfazl @geekalerts