කර්නල් ක්‍රම භාවිතයෙන් Amazon මිලිතත්පර කිහිපයකින් වංචා හඳුනාගන්නා ආකාරය
AI හි සැඟවුණු ගණිතයේ මැජික්
බොහෝ දෙනා සිතන්නේ වංචා හඳුනාගැනීම මෘදුකාංග ගැටලුවක් බවයි. ඇත්ත වශයෙන්ම, එය ගණිත ගැටලුවකි. ඒ පිටුපස ඇති ගණිතය බොහෝ දෙනා දන්නා තරම්ට වඩා බොහෝ ලස්සන හා පුදුමයට පත් කරවන දෙයකි.
සෑම දිනකම, Amazon තම ගෝලීය වෙළඳපොළ පුරා මිලියන ගණනක් ගනුදෙනු සකසයි. මෙම විශාල ක්‍රියාකාරකම් පරිමාව තුළ සැඟවී ඇත්තේ වංචනික ඇණවුම්, සොරකම් කළ ක්‍රෙඩිට් කාඩ් ගනුදෙනු, ව්‍යාජ ගිණුම් හා සැක සහිත මිලදී ගැනීමේ රටා ය. අභියෝගය නම් වංචාකරුවන් එක තැනක සිටින්නේ නැති බවයි. ඔවුන් නිරන්තරයෙන් ඔවුන්ගේ හැසිරීම, උපාංග, ස්ථාන හා ක්‍රම වෙනස් කරති. සරල නීති-පාදක පද්ධතීන්ට සමග යාමට අරගල කිරීමට සිදුවේ. කර්නල් ක්‍රම ලෙස හැඳින්වෙන ගණිත අංශයකින් බලගැන්වෙන යන්ත්‍ර ඉගෙනීම යනු Amazon පරිමාණයේ තථ්‍ය කාලීන වංචා හඳුනාගැනීම කළ හැකි කරන දෙයයි.
මෙම ලිපිය AI හි සැඟවුණු ගණිතයේ මැජික් ශ්‍රේණියේ කොටසකි. අද අපි කර්නල් ක්‍රම, සහායක දෛශික යන්ත්‍ර හා මෙම ගණිතමය අදහස් සෑම දිනකම සෑම තත්පරයකම Amazon පාරිභෝගිකයන් ආරක්ෂා කරන ආකාරය ගැන ගැඹුරු කිමිදුමකට යමු.
කොටස 1: ව්‍යාපාරික තත්ත්වය
සාමාන්‍ය Amazon පාරිභෝගිකයෙකු සිතන්න. ඔහු සතිය අවසානයේ පොත් මිලදී ගනී, ඉලෙක්ට්‍රොනික භාණ්ඩ ඉල්ලූ විට ඇණවුම් කරයි, සතිය තුළ ගෘහස්ථ භාණ්ඩ එකතු කරයි. ඔහුගේ ගිණුම වසර තුනක් පැරණි, ඔහුගේ බෙදාහැරීමේ ලිපිනය මාස ගණනක් වෙනස් වී නැත, ඔහුගේ මිලදී ගැනීම් සෑම විටම එකම නගරයෙන් සිදුවේ.
දැන් අඟහරුවාදා දහවල් යම් අසාමාන්‍ය දෙයක් සිදුවන බව සිතන්න. මිනිත්තු දහයක් ඇතුළත, ඔහුගේ ගිණුමෙන් ඉහළ වටිනාකම් ඇණවුම් තුනක් ලබාදෙනු ලැබේ. බෙදාහැරීමේ ලිපිනය වෙනත් රටකට වෙනස් වේ. නව ගෙවීමේ ක්‍රමයක් එකතු වේ. ඇණවුම් ලබාදෙන උපාංගය වෙනස් ය. IP ලිපිනය මෙම පාරිභෝගිකයා සාමාන්‍යයෙන් මිලදී ගන්නා ස්ථානයෙන් කිලෝමීටර් දහස් ගණනක් දුරට ස්ථානයකට යොමු වේ.
Amazon මිලිතත්පර කිහිපයකින් තීරණයක් ගත යුතුය. මෙය අසාමාන්‍ය මිලදී ගැනීම් කරන සැබෑ පාරිභෝගිකයාද, සමහර විට ගමනේ හෝ තෑගි මිලදී ගන්නාද? නැත්නම් ඔහුගේ අක්තපත්‍ර ලබාගෙන ගිණුම අගුළු දැමීමට පෙර ඉක්මනින් ක්‍රියාත්මක වන වංචාකරුවෙක්ද?
ඕනෑම දිශාවකට වැරදි තීරණයට බරපතළ ප්‍රතිඵල ඇත. වංචාවක් අනුමත කිරීම යනු මූල්‍ය පාඩු, චාර්ජ්බැක්, වෙළඳ සබඳතා වලට හානි හා පාරිභෝගික විශ්වාසය කාබාසිනියට ලක්වීමයි. නීත්‍යානුකූල පාරිභෝගිකයෙකු අවහිර කිරීම යනු නරක අත්දැකීමක්, නොලැබුණු විකුණුමක්, වසර ගණනක් පක්ෂපාතව සිටි කෙනෙකු සමඟ හානි වූ සබඳතාවකි.
මෙය සරල if-else නීති වලින් විසඳිය හැකි ගැටලුවක් නොවේ. රටා ඉතා සංකීර්ණ, ඉතා විවිධාකාර හා ඉතා වේගයෙන් චලනය වේ. කර්නල් ක්‍රම හා සහායක දෛශික යන්ත්‍ර නිර්මාණය කරන ලද්දේ හරියටම මේ ගැටලුව විසඳීමටයි.
කොටස 2: යන්ත්‍ර ඉගෙනීමේ ආකෘති නිර්මාණය
අපි ගොඩනගන ආකෘතිය සහායක දෛශික යන්ත්‍රයක් හෙවත් SVM යි. SVM වංචා හඳුනාගැනීම සඳහා මෙතරම් බලවත් වන්නේ මන්දැයි තේරුම් ගැනීමට, පළමුව ඒවා විසඳන මූලික ගැටලුව තේරුම් ගත යුතුය.
සියලුම Amazon ගනුදෙනු ප්‍රස්ථාරයක සටහන් කරන බව සිතන්න. සැබෑ ගනුදෙනු එක් ප්‍රදේශයක එකතු වේ. වංචනික ගනුදෙනු වෙනත් ප්‍රදේශයක එකතු වේ. පරිපූර්ණ ලෝකයක, කණ්ඩායම් දෙක අතර කළුරේඛාවක් අඳින්නට හැකි වූ අතර එය නව ගනුදෙනු වර්ගීකරණය කිරීමට භාවිතා කළ හැකිය. නමුත් සැබෑ වංචා දත්ත කවදාවත් එතරම් පිරිසිදු නොවේ. කණ්ඩායම් දෙක අතිච්ඡාදනය වේ, එකිනෙකා වටා පටවෙයි, කිසිදු කළුරේඛාවකට වෙන් කළ නොහැකි සංකීර්ණ හැඩතල සාදයි.
මෙතනට තමයි කර්නල් උපක්‍රමය එන්නේ. කර්නල් ක්‍රමයක් පුවත් නිර්මාණාත්මක දෙයක් කරයි. එය ඔබේ ගනුදෙනු දත්ත එහි මුල් ද්විමාන හෝ දසමාන අවකාශයෙන් කණ්ඩායම් දෙක වෙන් කළ හැකි බොහෝ ඉහළ-මාන අවකාශයකට ගණිතමය වශයෙන් පරිවර්තනය කරයි. එය ඇත්ත වශයෙන්ම එම ඉහළ-මාන පරිවර්තනය සෘජුව ගණනය නොකරයි, එය ගණනය කිරීමේ වියදම අධික වනු ඇත. ඒ වෙනුවට, එය එම ඉහළ-මාන අවකාශයේ ඕනෑම ගනුදෙනු දෙකක් අතර සමානත්වය ගණනය කිරීමට කර්නල් ශ්‍රිතයක් භාවිතා කරයි, කවදාවත් පැහැදිලිව එතැනට නොගොස්. එයයි උපක්‍රමය.
Amazon හි වංචා හඳුනාගැනීමේ නිර්මාණය විශ්ලේෂණය කරන සංඥාවේ ස්වභාවය අනුව කර්නල් වර්ග දෙකක් භාවිතා කරයි.
අදාළ රටාව ලක්ෂණ සංයෝජන වලින් එන විට බහුපද කර්නල් භාවිතා කරයි. එය ගනුදෙනු මුදල මිලදී ගැනීමේ සංඛ්‍යාතයෙන් ගුණ කිරීම වැනි විචල්‍යයන් අතර අන්තර්ක්‍රියා බලපෑම් හෝ ගෙවීමේ ක්‍රමය ස්ථාන අවදානම සමඟ එකතු කිරීම හසු කරගනී. මෙම අන්තර්ක්‍රියා රේඛීය ආකෘතියක් සම්පූර්ණයෙන්ම මගහරින දේවල් ය.
RBF කර්නල, එනම් රේඩියල් බේසිස් ෆන්ක්ෂන්, වඩාත් බලවත් සාමාන්‍ය-අරමුණු තේරීමයි. එය ස්වයංක්‍රීයව සංකීර්ණ සීමාවන් හැසිරවන ආකාරයකින් ඕනෑම ගනුදෙනු දෙකක් කෙතරම් සමානද යන්න මනිනු ලැබේ. ගනුදෙනුවක් ආකෘතිය මීට පෙර දැක ඇති කිසිදු සැබෑ ගනුදෙනුවක් හා සමාන නොවන විට, RBF කර්නල එයට ඉතා අඩු සමානත්ව ලකුණක් ලබාදෙයි, එය සමාලෝචනය සඳහා සලකුණු කරයි.
SVM ආකෘතිය සහායක දෛශික හඳුනාගැනීමෙන් තීරණ සීමාව ඉගෙනගනී, ඒවා සැබෑ හා වංචා අතර සීමාවට ආසන්නතම ගනුදෙනු ය. සීමාව හමුවූ විට පුහුණු දත්තවල ඉතිරි සියල්ල අවශ්‍යතාව නැති වේ. මෙය SVM නිෂ්පාදනයේදී අලංකාර හා ගණනය කිරීමේ කාර්යක්ෂම බවට පත් කරයි.
කොටස 3: පිරිසිදු ගණිතමය එන්ජිම
දැන් මෙම පද්ධතිය ධාවනය කරන ගණිතය දෙස බලමු. පහත සෑම සූත්‍රයක්ම සැබෑ සංඛ්‍යා භාවිතා කරමින් පැන්සල් හා කඩදාසි වලින් සම්පූර්ණයෙන් විසඳන ලද උදාහරණයකින් තහවුරු කර ඇත.
බහුපද කර්නල් සූත්‍රය:
K(x, y) = (x · y + c)^d
මෙහි x හා y ගනුදෙනු දෙකක ලක්ෂණ දෛශික, c අඩු-පරිමා පදවල බලපෑම පාලනය කරන නියතයකි, d සීමාවේ සංකීර්ණත්වය පාලනය කරන බහුපදයේ ශ්‍රේණියයි.
RBF කර්නල් සූත්‍රය:
K(x, y) = exp(-γ ||x – y||²)
මෙහි γ (ගැමා) එක් පුහුණු උදාහරණයක බලපෑම කොතරම් දුරට යනවාද යන්න පාලනය කරයි. කුඩා ගැමා යනු දුර ප්‍රවේශය, විශාල ගැමා යනු ආසන්න ප්‍රවේශයයි.
SVM තීරණ ශ්‍රිතය:
f(x) = Σ αᵢ yᵢ K(xᵢ, x) + b
මෙහි αᵢ එක් එක් සහායක දෛශිකය සඳහා ඉගෙනගත් බර, yᵢ පන්ති ලේබල (වංචා සඳහා +1, සැබෑ සඳහා -1), K(xᵢ, x) සහායක දෛශිකයක් හා නව ගනුදෙනුව අතර කර්නල් සමානත්වය, b න්‍යාය සීමාවයි. f(x) බිංදුවට වඩා විශාල නම්, ගනුදෙනුව වංචාවක් ලෙස සලකුණු කරනු ලැබේ.
දැන් සැබෑ සංඛ්‍යා සමඟ එක් එක් ගණනය කිරීම පියවරෙන් පියවර කරමු.
ලක්ෂණ දෙකකින් විස්තර කරන ලද Amazon ගනුදෙනු දෙකක් අප සතුව ඇත: ගනුදෙනු මුදල (සාමාන්‍යකරණය කළ) හා මිලදී ගැනීමේ සංඛ්‍යාතය.
ගනුදෙනුව A: x = [2, 3] එනම් සාමාන්‍යකරණ මුදල 2 හා සංඛ්‍යාතය 3 ගනුදෙනුව B: y = [1, 4] එනම් සාමාන්‍යකරණ මුදල 1 හා සංඛ්‍යාතය 4
අපි බහුපද කර්නල සඳහා c = 1 හා d = 2, RBF කර්නල සඳහා γ = 0.5 ලෙස සකසමු.
බහුපද කර්නල පියවරෙන් පියවර:
පියවර 1: ඩොට් නිෂ්පාදනය x · y ගණනය කරන්න x · y = (2 × 1) + (3 × 4) = 2 + 12 = 14
පියවර 2: නියතය c එකතු කරන්න 14 + 1 = 15
පියවර 3: d = 2 බලයට නංවන්න 15² = 225
K(x, y) = 225
මෙම විශාල අගය අපට කියනුයේ බහුපද ලක්ෂණ අවකාශයේ මෙම ගනුදෙනු දෙක ඉතා සමාන බවයි. කර්නල මුදල හා සංඛ්‍යාතය අතර අන්තර්ක්‍රියාව හසුකරගෙන ඇත, අපට කවදාවත් ඉහළ-මාන පරිවර්තනය පැහැදිලිව ගණනය කිරීමට අවශ්‍ය නොවීය.
RBF කර්නල පියවරෙන් පියවර:
පියවර 1: වෙනස්කම් දෛශිකය x – y ගණනය කරන්න [2 – 1, 3 – 4] = [1, -1]
පියවර 2: එක් එක් මූලද්‍රව්‍යය වර්ග කරන්න [1², (-1)²] = [1, 1]
පියවර 3: වර්ග වෙනස්කම් එකතු කර ||x – y||² ලබාගන්න 1 + 1 = 2
පියවර 4: ඍණ ගැමා වලින් ගුණ කරන්න -0.5 × 2 = -1.0
පියවර 5: ඝාතාංක ශ්‍රිතය යොදන්න exp(-1.0) = 0.3679
K(x, y) = 0.3679
0 සිට 1 දක්වා පරිමාණයේ මෙම 0.3679 ලකුණ අපට කියනුයේ ගනුදෙනු දෙක මධ්‍යම වශයෙන් වෙනස් බවයි. 1ට ආසන්න RBF ලකුණක් යනු ගනුදෙනු දෙක පාහේ සමානව හැසිරෙන බවයි. 0ට ආසන්න ලකුණක් යනු ඒවා ඉතා වෙනස් බවයි, එය වංචා ධජය ඔසවයි.
තීරණ ශ්‍රිතය පියවරෙන් පියවර:
පුහුණු කළ SVM බර α = [0.8, 0.6] හා ලේබල y = [+1, -1] සහිත සහායක දෛශික දෙකක් ඉගෙනගෙන ඇතැයි සිතමු, හා නව ගනුදෙනුවකට එරෙහිව මෙම සහායක දෛශික දෙකේ කර්නල් අගයන් [225.0, 0.3679] වේ, න්‍යාය b = 0.1 සමඟ.
f(x) = (0.8 × 1 × 225.0) + (0.6 × -1 × 0.3679) + 0.1 f(x) = 180.0 + (-0.2207) + 0.1 f(x) = 179.8793
f(x) = 179.8793 බිංදුවට වඩා විශාල බැවින්, ගනුදෙනුව සැබෑ ලෙස වර්ගීකරණය කරනු ලැබේ. සැබෑ ගනුදෙනුවක් නියෝජනය කරන පළමු සහායක දෛශිකයෙන් ලැබෙන ශක්තිමත් ධනාත්මක සංඥාව තීරණය ආධිපත්‍ය කරයි.
ඉහත සියලුම අගයන් Python හි ස්වාධීනව තහවුරු කර ඇති අතර හරියටම මෙම ප්‍රතිඵල ලබාදුන්නේය.
කොටස 4: Python පරිගණක විද්‍යා ක්‍රියාත්මක කිරීම (මුල සිට)
පහත ක්‍රියාත්මක කිරීම NumPy භාවිතා කරමින් මුල සිට කර්නල් වංචා හඳුනාගැනීම් යන්ත්‍රයක් ගොඩනගයි. එක් එක් ක්‍රමය කෙටිමං හෝ තාවකාලික ස්ථාන නොමැතිව සම්පූර්ණයෙන් ක්‍රියාත්මක කර ඇත. සම්පූර්ණ ක්‍රියාත්මක වාරණය ඇතුළත් කර දෝෂ රහිතව ක්‍රියාත්මක වන බව තහවුරු කර ඇත.
ක්‍රියාත්මක වූ විට, මෙම කෝඩ් පරීක්ෂණ කට්ටලයේ සෑම ගනුදෙනුවක් සඳහාම නිවැරදි වංචා වර්ගීකරණ හා 0 හා 1 අතර අර්ථකථනය කළ හැකි අවදානම් ලකුණු ජනනය කරයි. වංචනික ගනුදෙනු 1.0 ආසන්න ඉහළ අවදානම් ලකුණු ලබාගනී. සැබෑ ගනුදෙනු 0.0 ආසන්න අඩු අවදානම් ලකුණු ලබාගනී.
කොටස 5: නිෂ්පාදන යන්ත්‍ර ඉගෙනීමේ සැලැස්ම
මෙම නිෂ්පාදන කෝඩ් ක්‍රියාත්මක වූ විට, RBF හා බහුපද කර්නල් ආකෘති දෙකම පරීක්ෂණ කට්ටලයේ 100% නිරවද්‍යතාවය ලබාගනී. RBF ආකෘතිය සහායක දෛශික නවයක් හඳුනාගෙන තහවුරු කළ වංචනික ගනුදෙනු වලට 0.9647 වංචා සම්භාවිතාවක් ලබාදෙයි. බහුපද ආකෘතියට එම ප්‍රතිඵලයම ලබාගැනීමට සහායක දෛශික දෙකක් පමණක් අවශ්‍ය වේ, හොඳින් තෝරාගත් කර්නලයක බලය පෙන්වා දෙයි.
මුල සිට ගොඩනගන ලද අනුවාදයෙන් නිෂ්පාදන අනුවාදයට යාමෙන් ඉල්ලුම්කිරීම් කිහිපයක් ගෙනෙයි. පළමුව, scikit-learn හි SVM ක්‍රියාත්මක කිරීම ඉතා ප්‍රශස්ත කළ වර්ග ක්‍රමලේඛන විසඳුම්කරුවෙකු භාවිතා කරයි, විශේෂයෙන් අනුක්‍රමික අවම ප්‍රශස්තකරණ ඇල්ගොරිතමය, එය මිලියන ගණන් පුහුණු උදාහරණ දක්වා පරිමාණය කරයි, අපේ අතින් ලියන ලද ක්‍රියාත්මක කිරීම දහස් කිහිපයකට පසු ගණනය කිරීමේ ප්‍රායෝගික නොවනු ඇත. දෙකව, ප්ලැට් ස්කේලිං භාවිතා කරන සම්භාවිතා කැලිබ්‍රේෂනය අමු තීරණ ලකුණු නිසි පරිදි කැලිබ්‍රේට් කළ සම්භාවිතා බවට පරිවර්තනය කරයි, ඒවා 0.5ට ඉහළ ලකුණ අතින් සමාලෝචනයට යැවීම හා 0.9ට ඉහළ ලකුණු සෘජුව අවහිර කිරීම වැනි ස්ථරීය ව්‍යාපාරික නීති ධාවනය කිරීමට භාවිතා කළ හැකිය. තුනව, class_weight='balanced' පරාමිතිය සැබෑ ගනුදෙනු වංචනික ඒවාට වඩා බොහෝ සෙයින් ඉහළ යන වංචා දත්ත කට්ටලවල ස්වාභාවික අසමතුලිතතාවය ස්වයංක්‍රීයව සරිලන බව සහතික කරයි, ආකෘතිය ඉහළ නිරවද්‍යතාවය ලබාගැනීමට සියල්ල සැබෑ යැයි කීමට පමණක් නොඉගෙනගත් බව සහතික කරයි.
සැබෑ Amazon නිෂ්පාදන පරිසරවල, නිර්මාණය තව දුරටත් විහිදේ. නව වංචා රටා මතුවන විට ආකෘති අඛණ්ඩව නැවත පුහුණු කරනු ලැබේ. ගිණුමක් දන්නා වංචා ජාලවලට සම්බන්ධ වී තිබේද යන්න වැනි ග්‍රැෆ්-පාදක සංඥා වලින් ලක්ෂණ සමෘද්ධිමත් කරනු ලැබේ. කර්නල් SVM ප්‍රතිදානය බොහෝ විට විශාල එකතු ආකෘතියක් තුළ බොහෝ සංඥා අතරින් එකක් ලෙස භාවිතා කරනු ලැබේ, ගස-පාදක ආකෘතීන්ට සමාන විය නොහැකි ආකාරවලින් රේඛීය නොවන සීමා ඇඳීමේ එහි අද්විතීය හැකියාව දායක කරයි.
උපායමාර්ගික අවබෝධය
AI ප්‍රයෝජකයන්ට හා ව්‍යාපාරික නායකයන්ට, මෙම ලිපියෙන් ලැබෙන පාඨය වංචා හඳුනාගැනීමට වඩා ගැඹුරු ය. කර්නල් ක්‍රම බුද්ධිමත් පද්ධති පිළිබඳ පුළුල් සත්‍යයක් හෙළි කරයි: අමු ආදාන අවකාශය කලාතුරකින් පිළිතුර ජීවත් වන තැන වේ. සැබෑ ලෝක දත්ත ගැටලුම් සහගත, අතිච්ඡාදනය වන, රේඛීය නොවන සබඳතා වලින් පිරී ඇත, ඒවා රේඛීය චින්තනයට මුදාහැරීමට නොහැකිය. කර්නල් උපක්‍රමයේ බලය නම් එය ඔබට ඇත්ත වශයෙන්ම එතැනට යාමේ ගණනය කිරීමේ වියදම නොමැතිව බොහෝ පොහොසත් ගණිතමය අවකාශයක තර්ක කිරීමට ඉඩ සැලසීමයි. එම මූලධර්මයම, දුෂ්කර ගැටලුවක් පිළිතුර දෘශ්‍යමාන වන එකකට පරිවර්තනය කිරීම, නිර්දේශ පද්ධති, අවදානම් ලකුණුකරණය, අනාවැකි නඩත්තුව, සෞඛ්‍ය රෝග නිර්ණය හා පාහේ සෑම බරපතළ ව්‍යවසාය-පරිමාණ යන්ත්‍ර ඉගෙනීමේ ගැටලුවකටම අදාළ වේ. මෙය තේරුම් ගන්නා ව්‍යාපාරික නායකයන් ඔවුන්ගේ දත්ත විද්‍යා කණ්ඩායම් වලින් වඩා හොඳ ප්‍රශ්න අසනු ඇත. මෙය තේරුම් ගන්නා ඉංජිනේරුවරු දත්ත පිරිසිදු හා සරල වීම ප්‍රතික්ෂේප කරන විට සැබවින්ම ක්‍රියාත්මක වන පද්ධති ගොඩනගනු ඇත.
Amazon හි වංචා හඳුනාගැනීම මැජික් නොවේ. එය අදෘශ්‍යමානව අප්‍රමාණ වේගයෙන් වැඩ කරන ගණිතයකි, හා ඔබ දැන් හරියටම එය කෙසේදැයි තේරුම් ගනී.
#MachineLearning #ArtificialIntelligence #DataScience #Mathematics #Amazon #FraudDetection #KernelMethods #SVM #RBFKernel #PolynomialKernel #TheMagicOfHiddenMathematics #AIEngineering #MLEngineering #Python #SVMClassification #EnterpriseAI #AIStrategy #DeepLearning #NeuralNetworks #TechLeadership
මුලින්ම LinkedIn හි Keshavan Thiagaraja විසින් පළ කරන ලදී. මුල් ලිපිය LinkedIn හි කියවන්න. [1]