கர்னல் முறைகளைப் பயன்படுத்தி Amazon மில்லிவிநாடிகளில் மோசடியை எவ்வாறு கண்டறிகிறது

AI இல் மறைந்திருக்கும் கணிதத்தின் மாயாஜாலம்

பெரும்பாலான மக்கள் மோசடி கண்டறிதல் ஒரு மென்பொருள் பிரச்சனை என்று நினைக்கிறார்கள். உண்மையில், அது ஒரு கணித பிரச்சனை. அதன் பின்னணியில் உள்ள கணிதம் பெரும்பாலான மக்கள் உணர்வதை விட மிகவும் அழகானதும் ஆச்சரியமூட்டுவதுமாகும்.

ஒவ்வொரு நாளும், Amazon தனது உலகளாவிய சந்தையில் மில்லியன் கணக்கான பரிவர்த்தனைகளைச் செயலாக்குகிறது. இந்த பிரம்மாண்டமான செயல்பாட்டின் அளவுக்குள் மறைந்திருப்பது மோசடியான ஆர்டர்கள், திருடப்பட்ட கிரெடிட் கார்டு பரிவர்த்தனைகள், போலி கணக்குகள் மற்றும் சந்தேகத்திற்குரிய வாங்கும் முறைகள். சவால் என்னவென்றால் மோசடிக்காரர்கள் ஒரே இடத்தில் இருப்பதில்லை. அவர்கள் தொடர்ந்து தங்கள் நடத்தை, சாதனங்கள், இடங்கள் மற்றும் முறைகளை மாற்றிக் கொண்டே இருக்கிறார்கள். எளிய விதி அடிப்படையிலான அமைப்புகள் வேகத்தைப் பிடிக்கப் போராடுகின்றன. கர்னல் முறைகள் எனப்படும் கணிதத்தின் ஒரு கிளையால் இயங்கும் இயந்திர கற்றல்தான் Amazon அளவில் நிகழ்நேர மோசடி கண்டறிதலைச் சாத்தியமாக்குகிறது.

இந்தக் கட்டுரை AI இல் மறைந்திருக்கும் கணிதத்தின் மாயாஜாலம் தொடரின் ஒரு பகுதி. இன்று நாம் கர்னல் முறைகள், சப்போர்ட் வெக்டர் மெஷின்கள் மற்றும் இந்த கணித கருத்துகள் ஒவ்வொரு நாளும் ஒவ்வொரு நொடியும் Amazon வாடிக்கையாளர்களை எவ்வாறு பாதுகாக்கின்றன என்பதில் ஆழமாகச் செல்கிறோம்.

பிரிவு 1: வணிக சூழ்நிலை

சாதாரண Amazon வாடிக்கையாளரைக் கற்பனை செய்யுங்கள். அவர் வார இறுதிகளில் புத்தகங்கள் வாங்குகிறார், அவ்வப்போது மின்னணுப் பொருட்களை ஆர்டர் செய்கிறார், வாரத்தின் இடையில் வீட்டுப் பொருட்களைக் குவிக்கிறார். அவரது கணக்கு மூன்று வருடங்கள் பழையது, அவரது டெலிவரி முகவரி மாதங்களாக மாறவில்லை, அவரது கொள்முதல் ஒவ்வொரு முறையும் அதே நகரத்திலிருந்தே நடக்கிறது.

இப்போது ஒரு செவ்வாய் மதியம், ஏதோ வழக்கத்திற்கு மாறானது நடக்கிறது என்று கற்பனை செய்யுங்கள். பத்து நிமிடங்களுக்குள், அவரது கணக்கிலிருந்து மூன்று உயர் மதிப்பு ஆர்டர்கள் வைக்கப்படுகின்றன. டெலிவரி முகவரி வேறு நாட்டிற்கு மாறுகிறது. புதிய கட்டண முறை சேர்க்கப்படுகிறது. ஆர்டர்களை வைக்கும் சாதனம் வேறுபட்டது. IP முகவரி இந்த வாடிக்கையாளர் வழக்கமாக ஷாப்பிங் செய்யும் இடத்திலிருந்து ஆயிரக்கணக்கான கிலோமீட்டர் தொலைவில் உள்ள இடத்தைச் சுட்டிக்காட்டுகிறது.

Amazon மில்லிவிநாடிகளில் முடிவு எடுக்க வேண்டும். இது வழக்கத்திற்கு மாறான கொள்முதலைச் செய்யும் உண்மையான வாடிக்கையாளரா, ஒருவேளை பயணம் செய்கிறாரா அல்லது பரிசுகள் வாங்குகிறாரா? அல்லது அவரது சான்றுகளைப் பெற்று, கணக்கு பூட்டப்படுவதற்கு முன் வேகமாக நகரும் மோசடிக்காரரா?

எந்த திசையிலும் தவறான முடிவு கடுமையான விளைவுகளைக் கொண்டுள்ளது. மோசடியை அங்கீகரிப்பது என்றால் நிதி இழப்புகள், சார்ஜ்பேக்குகள், வியாபாரி உறவுகளுக்கு சேதம், வாடிக்கையாளர் நம்பிக்கை குறைதல். நியாயமான வாடிக்கையாளரைத் தடுப்பது என்றால் மோசமான அனுபவம், இழந்த விற்பனை, பல ஆண்டுகளாக விசுவாசமாக இருந்த ஒருவருடன் சேதமடைந்த உறவு.

இது எளிய if-else விதிகளால் தீர்க்கக்கூடிய பிரச்சனை அல்ல. முறைகள் மிகவும் சிக்கலானவை, மிகவும் பன்முகத்தன்மை கொண்டவை, மிகவும் வேகமாக நகர்வவை. இதுவே கர்னல் முறைகளும் சப்போர்ட் வெக்டர் மெஷின்களும் தீர்க்கக் கட்டப்பட்ட பிரச்சனை.

பிரிவு 2: இயந்திர கற்றல் மாதிரியின் கட்டமைப்பு

நாம் உருவாக்கும் மாதிரி சப்போர்ட் வெக்டர் மெஷின் அல்லது SVM. SVMகள் மோசடி கண்டறிதலுக்கு ஏன் இவ்வளவு சக்திவாய்ந்தவை என்பதைப் புரிந்துகொள்ள, முதலில் அவை தீர்க்கும் முக்கிய பிரச்சனையை நீங்கள் புரிந்துகொள்ள வேண்டும்.

அனைத்து Amazon பரிவர்த்தனைகளையும் ஒரு வரைபடத்தில் ப்ளாட் செய்வதைக் கற்பனை செய்யுங்கள். உண்மையான பரிவர்த்தனைகள் ஒரு பகுதியில் குவிகின்றன. மோசடியான பரிவர்த்தனைகள் மற்றொரு பகுதியில் குவிகின்றன. சிறந்த உலகில், இரு குழுக்களுக்கும் இடையே ஒரு நேர்க்கோட்டை வரைந்து புதிய பரிவர்த்தனைகளை வகைப்படுத்த அதைப் பயன்படுத்தலாம். ஆனால் உண்மையான மோசடி தரவு ஒருபோதும் இவ்வளவு சுத்தமாக இருக்காது. இரு குழுக்களும் ஒன்றுடன் ஒன்று சேர்ந்து, ஒன்றையொன்று சுற்றி, எந்த நேர்க்கோட்டாலும் பிரிக்க முடியாத சிக்கலான வடிவங்களை உருவாக்குகின்றன.

இங்குதான் கர்னல் தந்திரம் வருகிறது. கர்னல் முறை குறிப்பிடத்தக்க ஒன்றைச் செய்கிறது. உங்கள் பரிவர்த்தனை தரவை அதன் அசல் இரு பரிமாண அல்லது பத்து பரிமாண வெளியிலிருந்து, இரு குழுக்களும் பிரிக்கக்கூடியதாக மாறும் மிக அதிக பரிமாண வெளிக்கு கணித ரீதியாக மாற்றுகிறது. அது உண்மையில் அந்த உயர் பரிமாண மாற்றத்தை நேரடியாகக் கணக்கிடுவதில்லை, அது கணினி செலவு அதிகமாக இருக்கும். அதற்குப் பதிலாக, அந்த உயர் பரிமாண வெளியில் எந்த இரு பரிவர்த்தனைகளுக்கும் இடையிலான ஒற்றுமையைக் கணக்கிட ஒரு கர்னல் செயல்பாட்டைப் பயன்படுத்துகிறது, ஒருபோதும் வெளிப்படையாக அங்கு செல்லாமலேயே. அதுதான் தந்திரம்.

Amazon இன் மோசடி கண்டறிதல் கட்டமைப்பு பகுப்பாய்வு செய்யப்படும் சமிக்ஞையின் தன்மையைப் பொறுத்து இரண்டு வகையான கர்னல்களைப் பயன்படுத்துகிறது.

பாலினாமியல் கர்னல் தொடர்புடைய முறை அம்சங்களின் சேர்க்கைகளிலிருந்து வரும்போது பயன்படுத்தப்படுகிறது. பரிவர்த்தனை தொகை பெருக்கப்பட்ட கொள்முதல் நிகழ்வெண், அல்லது கட்டண முறை இட அபாயத்துடன் இணைக்கப்பட்டது போன்ற மாறிகளுக்கு இடையிலான தொடர்பு விளைவுகளை இது பிடிக்கிறது. இந்த தொடர்புகள் ஒரு நேரியல் மாதிரி முற்றிலும் தவறவிடும் விஷயங்கள்.

RBF கர்னல், அதாவது ரேடியல் பேசிஸ் ஃபங்ஷன், மிகவும் சக்திவாய்ந்த பொது நோக்குத் தேர்வு. எந்தவொரு இரு பரிவர்த்தனைகளும் எவ்வளவு ஒத்தவை என்பதைத் தானாகவே எந்தச் சிக்கலான எல்லைகளையும் கையாளும் வகையில் அளவிடுகிறது. ஒரு பரிவர்த்தனை மாதிரி முன்பு பார்த்த எந்த உண்மையான பரிவர்த்தனையையும் போலவில்லை என்றால், RBF கர்னல் அதற்கு மிகக் குறைந்த ஒற்றுமை மதிப்பெண்ணை வழங்குகிறது, இது அதை மதிப்பாய்வுக்குக் குறிக்கிறது.

SVM மாதிரி சப்போர்ட் வெக்டர்களை அடையாளம் கண்டு முடிவு எல்லையைக் கற்றுக்கொள்கிறது, அவை உண்மைக்கும் மோசடிக்கும் இடையிலான எல்லைக்கு மிக அருகில் உள்ள பரிவர்த்தனைகள். எல்லை கண்டறியப்பட்டவுடன் பயிற்சி தரவில் உள்ள மற்ற அனைத்தும் பொருந்தாததாகிறது. இது SVMகளை உற்பத்தியில் நேர்த்தியானதும் கணினி ரீதியாக திறமையானதுமாக ஆக்குகிறது.

பிரிவு 3: தூய்மையான கணித இயந்திரம்

இப்போது இந்த அமைப்பை இயக்கும் கணிதத்தைப் பார்ப்போம். கீழே உள்ள ஒவ்வொரு சூத்திரமும் உண்மையான எண்களைப் பயன்படுத்தி பென்சில் மற்றும் காகிதத்தில் முழுமையாகத் தீர்க்கப்பட்ட உதாரணத்துடன் சரிபார்க்கப்பட்டுள்ளது.

பாலினாமியல் கர்னல் சூத்திரம்:

K(x, y) = (x · y + c)^d

இங்கே x மற்றும் y இரண்டு பரிவர்த்தனைகளின் அம்ச வெக்டர்கள், c குறைந்த-வரிசை உறுப்புகளின் செல்வாக்கைக் கட்டுப்படுத்தும் மாறிலி, d எல்லையின் சிக்கலைக் கட்டுப்படுத்தும் பல்லுறுப்புக்கோவையின் அடுக்கு.

RBF கர்னல் சூத்திரம்:

K(x, y) = exp(-γ ||x – y||²)

இங்கே γ (காமா) ஒரு பயிற்சி உதாரணத்தின் செல்வாக்கு எவ்வளவு தூரம் செல்கிறது என்பதைக் கட்டுப்படுத்துகிறது. சிறிய காமா என்றால் தூர சென்றடைவு, பெரிய காமா என்றால் அருகாமை சென்றடைவு.

SVM முடிவு செயல்பாடு:

f(x) = Σ αᵢ yᵢ K(xᵢ, x) + b

இங்கே αᵢ ஒவ்வொரு சப்போர்ட் வெக்டருக்கும் கற்றுக்கொள்ளப்பட்ட எடைகள், yᵢ வகுப்பு லேபிள்கள் (மோசடிக்கு +1, உண்மைக்கு -1), K(xᵢ, x) சப்போர்ட் வெக்டருக்கும் புதிய பரிவர்த்தனைக்கும் இடையிலான கர்னல் ஒற்றுமை, b சார்பு வாசல். f(x) பூஜ்ஜியத்தை விட அதிகமாக இருந்தால், பரிவர்த்தனை மோசடியாகக் குறிக்கப்படுகிறது.

இப்போது உண்மையான எண்களுடன் ஒவ்வொரு கணக்கீட்டையும் படிப்படியாகச் செய்வோம்.

இரண்டு அம்சங்களால் விவரிக்கப்பட்ட இரண்டு Amazon பரிவர்த்தனைகள் எங்களிடம் உள்ளன: பரிவர்த்தனை தொகை (இயல்பாக்கம் செய்யப்பட்டது) மற்றும் கொள்முதல் நிகழ்வெண்.

பரிவர்த்தனை A: x = [2, 3] அதாவது இயல்பாக்க தொகை 2 மற்றும் நிகழ்வெண் 3 பரிவர்த்தனை B: y = [1, 4] அதாவது இயல்பாக்க தொகை 1 மற்றும் நிகழ்வெண் 4

நாம் பாலினாமியல் கர்னலுக்கு c = 1 மற்றும் d = 2, RBF கர்னலுக்கு γ = 0.5 என அமைக்கிறோம்.

பாலினாமியல் கர்னல் படிப்படியாக:

படி 1: டாட் ப்ராடக்ட் x · y ஐக் கணக்கிடுங்கள் x · y = (2 × 1) + (3 × 4) = 2 + 12 = 14

படி 2: மாறிலி c ஐச் சேர்க்கவும் 14 + 1 = 15

படி 3: d = 2 அடுக்குக்கு உயர்த்தவும் 15² = 225

K(x, y) = 225

இந்த பெரிய மதிப்பு பாலினாமியல் அம்ச வெளியில் இந்த இரண்டு பரிவர்த்தனைகளும் மிகவும் ஒத்தவை என்று நமக்குச் சொல்கிறது. நாம் ஒருபோதும் உயர் பரிமாண மாற்றத்தை வெளிப்படையாகக் கணக்கிட வேண்டியதில்லாமல் கர்னல் தொகைக்கும் நிகழ்வெணுக்கும் இடையிலான தொடர்பைப் பிடித்துவிட்டது.

RBF கர்னல் படிப்படியாக:

படி 1: வேறுபாடு வெக்டர் x – y ஐக் கணக்கிடுங்கள் [2 – 1, 3 – 4] = [1, -1]

படி 2: ஒவ்வொரு உறுப்பையும் வர்க்கப்படுத்தவும் [1², (-1)²] = [1, 1]

படி 3: வர்க்க வேறுபாடுகளைக் கூட்டி ||x – y||² பெறவும் 1 + 1 = 2

படி 4: எதிர்மறை காமாவால் பெருக்கவும் -0.5 × 2 = -1.0

படி 5: அடுக்குக் குறி செயல்பாட்டைப் பயன்படுத்தவும் exp(-1.0) = 0.3679

K(x, y) = 0.3679

0 முதல் 1 வரையிலான அளவுகோலில் இந்த 0.3679 மதிப்பெண் இரு பரிவர்த்தனைகளும் மிதமாக வேறுபட்டவை என்று நமக்குச் சொல்கிறது. 1க்கு அருகிலான RBF மதிப்பெண் என்றால் இரு பரிவர்த்தனைகளும் கிட்டத்தட்ட ஒரே மாதிரி நடந்துகொள்கின்றன. 0க்கு அருகிலான மதிப்பெண் என்றால் அவை மிகவும் வேறுபட்டவை, இது மோசடி கொடியை உயர்த்துகிறது.

முடிவு செயல்பாடு படிப்படியாக:

பயிற்சி பெற்ற SVM எடைகள் α = [0.8, 0.6] மற்றும் லேபிள்கள் y = [+1, -1] கொண்ட இரண்டு சப்போர்ட் வெக்டர்களைக் கற்றுக்கொண்டதாகவும், புதிய பரிவர்த்தனைக்கு எதிராக இந்த இரண்டு சப்போர்ட் வெக்டர்களின் கர்னல் மதிப்புகள் [225.0, 0.3679] எனவும், சார்பு b = 0.1 உடன் இருப்பதாகவும் வைத்துக்கொள்வோம்.

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 பூஜ்ஜியத்தை விட அதிகமாக இருப்பதால், பரிவர்த்தனை உண்மையானதாக வகைப்படுத்தப்படுகிறது. உண்மையான பரிவர்த்தனையைக் குறிக்கும் முதல் சப்போர்ட் வெக்டரிலிருந்து வரும் வலுவான நேர்மறை சமிக்ஞை முடிவை ஆதிக்கம் செலுத்துகிறது.

மேலே உள்ள அனைத்து மதிப்புகளும் Python இல் தனித்தனியாகச் சரிபார்க்கப்பட்டு, சரியாக இந்த முடிவுகளையே தந்தன.

பிரிவு 4: Python கணினி அறிவியல் செயலாக்கம் (பூஜ்ஜியத்திலிருந்து)

பின்வரும் செயலாக்கம் NumPy ஐப் பயன்படுத்தி பூஜ்ஜியத்திலிருந்து ஒரு கர்னல் மோசடி கண்டறிதல் கருவியை உருவாக்குகிறது. ஒவ்வொரு முறையும் குறுக்குவழிகள் அல்லது இடமாற்றீடுகள் இல்லாமல் முழுமையாகச் செயல்படுத்தப்பட்டுள்ளது. முழு இயக்கத் தொகுதி சேர்க்கப்பட்டுள்ளது மற்றும் பிழைகள் இன்றி இயங்குவது சரிபார்க்கப்பட்டுள்ளது.

இயக்கப்படும்போது, இந்த குறியீடு சரியான மோசடி வகைப்பாடுகளையும் சோதனைத் தொகுப்பில் உள்ள ஒவ்வொரு பரிவர்த்தனைக்கும் 0 மற்றும் 1 இடையே விளக்கக்கூடிய அபாய மதிப்பெண்களையும் உருவாக்குகிறது. மோசடியான பரிவர்த்தனைகள் 1.0 க்கு அருகில் உயர் அபாய மதிப்பெண்களைப் பெறுகின்றன. உண்மையான பரிவர்த்தனைகள் 0.0 க்கு அருகில் குறைந்த அபாய மதிப்பெண்களைப் பெறுகின்றன.

பிரிவு 5: உற்பத்தி இயந்திர கற்றல் திட்டவடிவம்

இந்த உற்பத்தி குறியீடு இயக்கப்படும்போது, RBF மற்றும் பாலினாமியல் கர்னல் மாதிரிகள் இரண்டும் சோதனைத் தொகுப்பில் 100% துல்லியத்தை அடைகின்றன. RBF மாதிரி ஒன்பது சப்போர்ட் வெக்டர்களை அடையாளம் கண்டு உறுதிப்படுத்தப்பட்ட மோசடி பரிவர்த்தனைகளுக்கு 0.9647 மோசடி நிகழ்தகவை வழங்குகிறது. பாலினாமியல் மாதிரி அதே முடிவை அடைய இரண்டு சப்போர்ட் வெக்டர்கள் மட்டுமே தேவைப்படுகிறது, இது நன்கு தேர்ந்தெடுக்கப்பட்ட கர்னலின் சக்தியை நிரூபிக்கிறது.

பூஜ்ஜியத்திலிருந்து உருவாக்கப்பட்ட பதிப்பிலிருந்து உற்பத்தி பதிப்புக்கு நகர்வது பல முக்கியமான வேறுபாடுகளைக் கொண்டுவருகிறது. முதலில், scikit-learn இன் SVM செயலாக்கம் மிகவும் உகப்பாக்கப்பட்ட குவாட்ராடிக் புரோகிராமிங் தீர்விக்கு, குறிப்பாக சீக்வன்ஷியல் மினிமல் ஆப்டிமைசேஷன் அல்காரிதமைப் பயன்படுத்துகிறது, இது மில்லியன் கணக்கான பயிற்சி உதாரணங்களுக்கு அளவிடுகிறது, அதேசமயம் நம் கையால் எழுதப்பட்ட செயலாக்கம் சில ஆயிரங்களுக்குப் பிறகு கணினி ரீதியாக நடைமுறையற்றதாகிவிடும். இரண்டாவதாக, ப்ளாட் ஸ்கேலிங் பயன்படுத்திய நிகழ்தகவு அளவுதிருத்தம் மூல முடிவு மதிப்பெண்களைச் சரியாக அளவுதிருத்தப்பட்ட நிகழ்தகவுகளாக மாற்றுகிறது, இவை 0.5க்கு மேலான மதிப்பெண்ணை கைமுறை மதிப்பாய்வுக்கு அனுப்புதல் மற்றும் 0.9க்கு மேலான மதிப்பெண்களை நேரடியாகத் தடுப்பது போன்ற அடுக்கு வணிக விதிகளை இயக்கப் பயன்படுத்தலாம். மூன்றாவதாக, class_weight='balanced' அளவுரு உண்மையான பரிவர்த்தனைகள் மோசடியானவற்றை விட மிக அதிகமாக உள்ள மோசடி தரவுத் தொகுப்புகளில் இயற்கையான ஏற்றத்தாழ்வைத் தானாகவே ஈடுசெய்கிறது, உயர் துல்லியத்தை அடைய மாதிரி வெறுமனே எல்லாவற்றையும் உண்மை என்று அழைக்கக் கற்றுக்கொள்ளவில்லை என்பதை உறுதிசெய்கிறது.

உண்மையான Amazon உற்பத்தி சூழல்களில், கட்டமைப்பு இன்னும் விரிவடைகிறது. புதிய மோசடி முறைகள் தோன்றும்போது மாதிரிகள் தொடர்ந்து மறுபயிற்சி பெறுகின்றன. ஒரு கணக்கு அறியப்பட்ட மோசடி நெட்வொர்க்குகளுடன் இணைக்கப்பட்டுள்ளதா என்பது போன்ற கிராஃப் அடிப்படையிலான சமிக்ஞைகளால் அம்சங்கள் வளப்படுத்தப்படுகின்றன. கர்னல் SVM வெளியீடு பெரும்பாலும் ஒரு பெரிய என்செம்பிள் மாதிரிக்குள் பல சமிக்ஞைகளில் ஒன்றாகப் பயன்படுத்தப்படுகிறது, மர அடிப்படையிலான மாதிரிகளால் பொருந்த முடியாத வழிகளில் நேரியல் அல்லாத எல்லைகளை வரையும் அதன் தனித்துவமான திறனைப் பங்களிக்கிறது.

மூலோபாய நுண்ணறிவு

AI நிபுணர்களுக்கும் வணிகத் தலைவர்களுக்கும், இந்தக் கட்டுரையின் பாடம் மோசடி கண்டறிதலை விட ஆழமானது. கர்னல் முறைகள் புத்திசாலி அமைப்புகளைப் பற்றிய பரந்த உண்மையை வெளிப்படுத்துகின்றன: மூல உள்ளீட்டு வெளி அரிதிலேயே பதில் இருக்கும் இடமாகும். நிஜ உலக தரவு சிக்கலானது, ஒன்றுடன் ஒன்று சேர்ந்தது, நேரியல் சிந்தனையால் களைய முடியாத நேரியல் அல்லாத உறவுகளால் நிரம்பியுள்ளது. கர்னல் தந்திரத்தின் சக்தி என்னவென்றால், உண்மையில் அங்கு செல்வதற்கான கணினி செலவின்றி மிகவும் வளமான கணித வெளியில் நீங்கள் பகுத்தறிய அனுமதிக்கிறது. அதே கொள்கை, கடினமான பிரச்சனையை பதில் தென்படும் ஒன்றாக மாற்றுவது, பரிந்துரை அமைப்புகள், அபாய மதிப்பீடு, கணிப்பு பராமரிப்பு, சுகாதார நோய் கண்டறிதல் மற்றும் நடைமுறையில் ஒவ்வொரு தீவிரமான நிறுவன அளவிலான இயந்திர கற்றல் பிரச்சனைக்கும் பொருந்தும். இதைப் புரிந்துகொள்ளும் வணிகத் தலைவர்கள் தங்கள் தரவு அறிவியல் குழுக்களிடம் சிறந்த கேள்விகளைக் கேட்பார்கள். இதைப் புரிந்துகொள்ளும் பொறியாளர்கள் தரவு சுத்தமாகவும் எளிமையாகவும் இருக்க மறுக்கும்போது உண்மையில் வேலை செய்யும் அமைப்புகளை உருவாக்குவார்கள்.

Amazon இன் மோசடி கண்டறிதல் மாயாஜாலம் அல்ல. அது பார்வைக்குத் தெரியாமல் பிரம்மாண்ட வேகத்தில் வேலை செய்யும் கணிதம், இப்போது நீங்கள் அது எப்படி என்று சரியாகப் புரிந்துகொள்கிறீர்கள்.

#MachineLearning #ArtificialIntelligence #DataScience #Mathematics #Amazon #FraudDetection #KernelMethods #SVM #RBFKernel #PolynomialKernel #TheMagicOfHiddenMathematics #AIEngineering #MLEngineering #Python #SVMClassification #EnterpriseAI #AIStrategy #DeepLearning #NeuralNetworks #TechLeadership

முதலில் LinkedIn இல் Keshavan Thiagaraja ஆல் வெளியிடப்பட்டது. அசலை LinkedIn இல் படியுங்கள். [1]