ದಿ ಹಿಂದೂ ಸಂಪಾದಕೀಯ "Teaching computers to forget" ಮೇಲಿನ MCQ ಗಳು

ದಿ ಹಿಂದೂ ಸಂಪಾದಕೀಯ ಮೇಲಿನ MCQ ಗಳು: "ಕಂಪ್ಯೂಟರ್‌ಗಳಿಗೆ ಮರೆಯಲು ಕಲಿಸುವುದು"

1) ಮೆಷಿನ್ ಅನ್‌ಲರ್ನಿಂಗ್ (MUL) ಎದುರಿಸುತ್ತಿರುವ ಮುಖ್ಯ ಸವಾಲು ಯಾವುದು?

ಎ) AI ಮಾದರಿಗಳ ನಿಖರತೆಯನ್ನು ಸುಧಾರಿಸುವುದು

ಬಿ) ಸೂಕ್ಷ್ಮ ಅಥವಾ ತಪ್ಪಾದ ಡೇಟಾವನ್ನು ಗುರುತಿಸುವುದು ಮತ್ತು ಅಳಿಸುವುದು

ಸಿ) ವ್ಯವಸ್ಥೆಗಳ ಕಂಪ್ಯೂಟೇಶನಲ್ ಶಕ್ತಿಯನ್ನು ಹೆಚ್ಚಿಸುವುದು

ಡಿ) ಡೇಟಾ ಸಂಗ್ರಹಣೆ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಹೆಚ್ಚಿಸುವುದು

ಉತ್ತರ: ಬಿ) ಸೂಕ್ಷ್ಮ ಅಥವಾ ತಪ್ಪಾದ ಡೇಟಾವನ್ನು ಗುರುತಿಸುವುದು ಮತ್ತು ಅಳಿಸುವುದು

ವಿವರಣೆ: AI ಮಾದರಿಗಳಿಂದ ತಪ್ಪು, ತಪ್ಪು, ತಾರತಮ್ಯ, ಹಳತಾದ ಮತ್ತು ಸೂಕ್ಷ್ಮ ಮಾಹಿತಿಯನ್ನು ತೆಗೆದುಹಾಕುವುದರ ಮೇಲೆ ಮೆಷಿನ್ ಅನ್‌ಲರ್ನಿಂಗ್ ಕೇಂದ್ರೀಕರಿಸುತ್ತದೆ.

2) AI ಮಾದರಿಗಳ ಸಂದರ್ಭದಲ್ಲಿ 'ಡೇಟಾ ವಂಶಾವಳಿ' ಎಂಬ ಪದವು ಏನನ್ನು
    ಸೂಚಿಸುತ್ತದೆ?

ಎ) AI ವ್ಯವಸ್ಥೆಗಳಿಂದ ಮಾಡಲಾದ ಭವಿಷ್ಯದ ಮುನ್ಸೂಚನೆಗಳು

ಬಿ) AI ಮಾದರಿಗಳಿಗೆ ತರಬೇತಿ ನೀಡಲು ಬಳಸಲಾಗುವ ಐತಿಹಾಸಿಕ ಡೇಟಾ

ಸಿ) ಅದರ ಮೂಲದಿಂದ ಅಂತಿಮ ಸ್ಥಿತಿಗೆ ಡೇಟಾದ ಟ್ರ್ಯಾಕಿಂಗ್ ಮತ್ತು ಇತಿಹಾಸ

ಡಿ) ಡೇಟಾ ಸಂಗ್ರಹಣೆಯ ಕ್ರಮಾನುಗತ ರಚನೆ

ಉತ್ತರ: ಸಿ) ಅದರ ಮೂಲದಿಂದ ಅಂತಿಮ ಸ್ಥಿತಿಗೆ ಡೇಟಾದ ಟ್ರ್ಯಾಕಿಂಗ್ ಮತ್ತು ಇತಿಹಾಸ

ವಿವರಣೆ: ಡೇಟಾ ವಂಶಾವಳಿಯು ಡೇಟಾ ಸಮಗ್ರತೆ ಮತ್ತು ಗುಣಮಟ್ಟವನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ಅದರ ರೂಪಾಂತರಗಳು ಮತ್ತು ಬಳಕೆ ಸೇರಿದಂತೆ ಡೇಟಾದ ಪ್ರಯಾಣವನ್ನು ಪತ್ತೆಹಚ್ಚುವುದನ್ನು

ಒಳಗೊಂಡಿರುತ್ತದೆ.

3) ದತ್ತಾಂಶ ವಿಷವನ್ನು ಪರಿಹರಿಸಲು ಯುರೋಪಿಯನ್ ಒಕ್ಕೂಟದ AI ಕಾಯಿದೆಯು
    ಯಾವ ವಿಧಾನವನ್ನು ಬಳಸುತ್ತದೆ?

ಎ) ಕಠಿಣ ಕಾನೂನು ವಿಧಾನ

ಬಿ) ಖಾಸಗಿ ವಿಧಾನ

ಸಿ) ಅಂತರರಾಷ್ಟ್ರೀಯ ವಿಧಾನ

ಡಿ) ಮೃದು ಕಾನೂನು ವಿಧಾನ

ಉತ್ತರ: ಡಿ) ಮೃದು ಕಾನೂನು ವಿಧಾನ

ವಿವರಣೆ: EU ನ AI ಕಾಯಿದೆಯು ಮೃದು-ಕಾನೂನು ವಿಧಾನವನ್ನು ಬಳಸುತ್ತದೆ, ಸೂಕ್ತವಾದ ಸೈಬರ್‌ ಸುರಕ್ಷತೆಯ ಮಟ್ಟವನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ಭದ್ರತಾ ನಿಯಂತ್ರಣಗಳ ಅಗತ್ಯವಿರುವ

ಮೂಲಕ ಡೇಟಾ ವಿಷವನ್ನು ನಿಭಾಯಿಸಲು ನಿಬಂಧನೆಗಳನ್ನು ಸೇರಿಸುತ್ತದೆ.

4) AI ಮಾದರಿಗಳಲ್ಲಿನ ಸಂಪೂರ್ಣ ಡೇಟಾವನ್ನು ಸರಳವಾಗಿ ಅಳಿಸುವುದರ ಪ್ರಾಥಮಿಕ
    ಕಾಳಜಿ ಏನು?

ಎ) ಇದು ಡೇಟಾ ಸಮಗ್ರತೆಯ ನಷ್ಟಕ್ಕೆ ಕಾರಣವಾಗುತ್ತದೆ

ಬಿ) ಇದು ಉಬ್ಬಿದ ಕಂಪ್ಯೂಟೇಶನಲ್ ವೆಚ್ಚಗಳು ಮತ್ತು ವಿಳಂಬಗಳಿಗೆ ಕಾರಣವಾಗುತ್ತದೆ

ಸಿ) ಇದು ಡೇಟಾ ಉಲ್ಲಂಘನೆಯ ಅಪಾಯವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ

ಡಿ) ಇದು ಡೇಟಾ ಗೌಪ್ಯತೆ ನಿಯಮಗಳನ್ನು ಉಲ್ಲಂಘಿಸುತ್ತದೆ

ಉತ್ತರ: ಬಿ) ಇದು ಹೆಚ್ಚಿದ ಗಣನಾ ವೆಚ್ಚಗಳು ಮತ್ತು ವಿಳಂಬಗಳಿಗೆ ಕಾರಣವಾಗುತ್ತದೆ

ವಿವರಣೆ: ಸಂಪೂರ್ಣ ಡೇಟಾ ಸೆಟ್ ಅನ್ನು ಅಳಿಸುವುದು ಮತ್ತು AI ಮಾದರಿಯನ್ನು ಮರುತರಬೇತಿ ಮಾಡುವುದು ದುಬಾರಿ ಮತ್ತು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ, ಇದು ನಿಖರತೆಯ ನಷ್ಟಕ್ಕೆ

ಕಾರಣವಾಗಬಹುದು.

5) ಮೆಷಿನ್ ಅನ್‌ಲರ್ನಿಂಗ್ (MUL) ಅನ್ನು ಅಳವಡಿಸುವಲ್ಲಿ 'ಖಾಸಗಿ ವಿಧಾನ'
     ಯಾವುದು?

ಎ) ಎಲ್ಲಾ ಕಂಪನಿಗಳಿಗೆ ಸರ್ಕಾರ-ಆದೇಶದ ವಿಧಾನ

ಬಿ) ಕಂಪನಿಗಳು ಸ್ವತಂತ್ರವಾಗಿ MUL ಅಲ್ಗಾರಿದಮ್‌ಗಳನ್ನು ಪರೀಕ್ಷಿಸುವ ಮತ್ತು ಕಾರ್ಯಗತಗೊಳಿಸುವ ಸ್ವಯಂಪ್ರೇರಿತ ವಿಧಾನ

ಸಿ) MUL ಅಭ್ಯಾಸಗಳನ್ನು ಪ್ರಮಾಣೀಕರಿಸಲು ಅಂತರರಾಷ್ಟ್ರೀಯ ಚೌಕಟ್ಟು

ಡಿ) AI ನಿಯಮಾವಳಿಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಸಾರ್ವಜನಿಕ-ಖಾಸಗಿ ಪಾಲುದಾರಿಕೆ

ಉತ್ತರ: ಬಿ) ಕಂಪನಿಗಳು ಸ್ವತಂತ್ರವಾಗಿ MUL ಅಲ್ಗಾರಿದಮ್‌ಗಳನ್ನು ಪರೀಕ್ಷಿಸುವ ಮತ್ತು ಕಾರ್ಯಗತಗೊಳಿಸುವ ಸ್ವಯಂಪ್ರೇರಿತ ವಿಧಾನ

ವಿವರಣೆ: ಖಾಸಗಿ ವಿಧಾನವು ಕಂಪನಿಗಳಿಗೆ ಸ್ವಯಂಪ್ರೇರಣೆಯಿಂದ MUL ಅಲ್ಗಾರಿದಮ್‌ಗಳನ್ನು ಪರೀಕ್ಷಿಸಲು ಮತ್ತು ಅನ್ವಯಿಸಲು ಅನುಮತಿಸುತ್ತದೆ, ನೇರ ಸರ್ಕಾರದ ಹಸ್ತಕ್ಷೇಪವಿಲ್ಲದೆಯೇ ತಮ್ಮ

AI ಮಾದರಿಗಳನ್ನು ಹೆಚ್ಚಿಸುವಲ್ಲಿ ನಮ್ಯತೆಯನ್ನು ನೀಡುತ್ತದೆ.