ஒரு செய்யறிவின்(AI) செயல்திட்டத்தை உயிர்ப்பிப்பதில் பல கருத்துக்களை ஒரு தடையற்ற குழாய்வழியில் ஒருங்கிணைப்பது அடங்கும். இந்த கட்டுரையில், முழுமையான செய்யறிவின்(AI) செயல்திட்டத்தை உருவாக்குகின்ற செயல் முறையின் மூலம் வழிகாட்டுகின்றது. அது ஒரு பரிந்துரை அமைப்பு, ஒரு அரட்டையறை அல்லது ஒரு உருவப்பட வகைப்படுத்தி என எதுவாக இருந்தாலும், முக்கிய படிமுறைகளை கற்றுக்கொள்ளமுடியும்: தரவைச் சேகரித்தல், ஒரு மாதிரியைப் பயிற்றுவித்தல், அதை மதிப்பீடு செய்தல் அதைப் பயன்படுத்துதல். ஆகிய நடைமுறை வழக்க ஆய்வு நம்முடைய அறிவை , திறமைகளை வெளிப்படுத்தும் ஒரு முழுமையான பயன்பாடாக ஒருங்கிணைக்கும்.
1. செயல்திட்டத்தை வரையறுத்தல்
ஒரு நடப்பு உலக சிக்கலைத் தேர்வுசெய்க,முதல் படிமுறையாக ஒரு செயல்திட்ட ஆலோசனையைத் தேர்ந்தெடுப்பது. எடுத்துக்காட்டுகளில் பின்வருவன அடங்கும்:
பரிந்துரை அமைப்பு: பயனர் வாய்ப்பகளின் அடிப்படையில் தயாரிப்புகளை பரிந்துரைத்திடுக.
அரட்டையறை: வாடிக்கையாளர் ஆதரவை தானியங்குபடுத்திடுக.
உருவப்பட வகைப்படுத்தி: உருவப்படங்களில் உள்ள பொருட்களை அல்லது விலங்குகளை அடையாளம் காண்க.இந்த நடைமுறைவழக்க ஆய்விற்கு, பூனைகளுக்கும் நாய்களுக்கும் இடையில் வேறுபடுத்தும் ஒரு உருவப்பட வகைப்படுத்தியை உருவாக்கிடுக.
2. தரவு சேகரிப்பும் தயாரிப்பும்
தரவைச் சேகரித்தல்
Kaggle Cats vs. Dogs தரவுத்தொகுப்பு போன்ற முன்பே இருக்கும் தரவுத்தொகுப்பைப் பயன்படுத்திடுக. மாற்றாக, நெறிமுறையின் வழிகாட்டுதல்களைப் பின்பற்றுவதை உறுதிசெய்து, இணையத்தின் மூலங்களிலிருந்து உருவப்படங்களை நீக்கம் செய்திடுக.
தரவு முன் செயலாக்கம்
படங்களை சீரான அளவிற்கு (எ.கா., 128×128 பிக்சல்கள்) மறுஅளவிடுக.
பிக்சல் மதிப்புகளை 0-1 வரம்பிற்கு இயல்பாக்கிடுக.
தரவுத்தொகுப்பை பயிற்சி, சரிபார்ப்பு,பரிசோதனைத் தொகுப்புகளாகப் பிரித்திடுக (எ.கா., 70%-20%-10%).
3. மாதிரியை உருவாக்குதல்
ஒரு கட்டமைப்பைத் தேர்ந்தெடுப்பது
இந்தப் பணிக்காக ஒரு மாற்று நரம்பியல் வலைபின்னல்கள்(CNN) பயன்படுத்திகொள்க. முக்கிய அடுக்குகளில் பின்வருவன அடங்கும்:
மாற்றுஅடுக்குகள்: இடஞ்சார்ந்த இயல்புகளைப் பிரித்தெடுத்திடுக.
Pooling அடுக்குகள்: பரிமாணத்தைக் குறைத்திடுக.
அடர்த்தியான அடுக்குகள்: வகைப்படுத்தலைச் செய்திடுக.
முன்கூட்டியே பயிற்சிபெற்ற மாதிரிகளைப் பயன்படுத்துதல்
வேகமான மேம்பாட்டிற்கு, பரிமாற்றக் கற்றலுடன் MobileNetV2 போன்ற முன்கூட்டியேபயிற்சிபெற்ற மாதிரியைப் பயன்படுத்திடுக.
மாதிரியை செயல்படுத்துதல்
TensorFlow/Keras:ஐ பயன்படுத்துதல்: அதற்கான குறிமுறைவரிகள் பின்வருமாறு
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout
from tensorflow.keras.applications import MobileNetV2
from tensorflow.keras.applications.mobilenet_v2 import preprocess_input
# Load pretrained model
base_model = MobileNetV2(weights=’imagenet’, include_top=False, input_shape=(128, 128, 3))
base_model.trainable = False
# Build custom model
model = Sequential([
base_model,
Flatten(),
Dense(128, activation=’relu’),
Dropout(0.5),
Dense(2, activation=’softmax’) # Output for ‘cat’ and ‘dog’
])
model.compile(optimizer=’adam’, loss=’categorical_crossentropy’, metrics=[‘accuracy’])
4. மாதிரியைப் பயிற்றுவித்தல்
பொதுமைப்படுத்தலை மேம்படுத்த தரவு பெருக்கத்தைப் பயன்படுத்திடுக (எ.கா., சுழற்றுதல், புரட்டுதல்). பயிற்சித் தொகுப்பில் மாதிரியைப் பயிற்றுவித்து, சரிபார்ப்புத் தொகுப்பில் அதைச் சரிபார்த்திடுக.
from tensorflow.keras.preprocessing.image import ImageDataGenerator
# Data augmentation
train_datagen = ImageDataGenerator(preprocessing_function=preprocess_input,
rotation_range=20,
horizontal_flip=True)
train_generator = train_datagen.flow_from_directory(‘data/train’,
target_size=(128, 128),
batch_size=32,
class_mode=’categorical’)
# Train model
history = model.fit(train_generator, epochs=10, validation_data=validation_generator)
5. மாதிரியை மதிப்பீடு செய்தல்
அளவீடுகள்பின்வருவன போன்ற அளவீடுகளைப் பயன்படுத்தி மாதிரியை மதிப்பீடு செய்திடுக:
துல்லியம்: சரியான கணிப்புகளின் சதவீதம்.
துல்லியம் & நினைவுகூருதல்: சமநிலையற்ற தரவுத்தொகுப்புகளுக்கு.
குழப்பமான அணி: தவறான வகைப்பாடுகளை பகுப்பாய்வு செய்திடுக.
பரிசோதனை நடப்பு உலக செயல்திறனை சரிபார்க்க, காணப்படாத தரவுகளில் மாதிரியைச் பரிசோதித்திடுக:
test_loss, test_accuracy = model.evaluate(test_generator)
print(f”Test Accuracy: {test_accuracy * 100:.2f}%”)
6. பரவலாகஅமர்த்துதல்
மாதிரியைச் சேமித்தல்
பயிற்சி பெற்ற மாதிரியை பரவலாகஅமர்த்துதலுக்கு பதிவேற்றம் செய்திடுக:
model.save(‘cat_dog_classifier.h5’)
Flask உடன் பரவலாக அமர்த்துதல்
Flask ஐப் பயன்படுத்தி மாதிரிக்கு ஒரு API ஐ உருவாக்கிடுக:அதற்கான குறிமுறைவரிகள் பின்வருமாறு
from flask import Flask, request, jsonify
from tensorflow.keras.models import load_model
from tensorflow.keras.preprocessing.image import img_to_array, load_img
app = Flask(name)
model = load_model(‘cat_dog_classifier.h5’)
@app.route(‘/predict’, methods=[‘POST’])
def predict():
file = request.files[‘image’]
image = load_img(file, target_size=(128, 128))
image = preprocess_input(img_to_array(image).reshape(1, 128, 128, 3))
prediction = model.predict(image)
return jsonify({‘class’: ‘cat’ if prediction[0][0] > prediction[0][1] else ‘dog’})
if name == ‘main‘:
app.run()
புரவலராக செய்தல்
API-ஐ பின்வரும் தளத்திற்குப் பயன்படுத்திகொள்க:
இணைய புரவலராகஇருப்பதற்கான Heroku. சேவையாளர்அற்ற பரவலாக அமர்த்துதலுக்கான AWS Lambda
7. கண்காணிப்பும் புதுப்பித்தலும்
பயன்படுத்தப்பட்டவுடன், பயன்பாட்டைக் கண்காணித்திடு:பயன்பாடு ,செயல்திறன் அளவீடுகள் ஆகியவற்றினைக் கண்காணித்திடுக.துல்லியத்தைப் பராமரிக்க அவ்வப்போது புதிய தரவுகளுடன் மாதிரியைப் புதுப்பித்திடுக.
முடிவாக
ஒரு முழுமையான AI செயல்திட்டத்தை உருவாக்குவது என்பது தரவு கையாளுதல், மாதிரி பயிற்சி, மதிப்பீடு ,பரவலாகஅமர்த்துதல் ஆகியவற்றை ஒருங்கிணைக்கின்ற ஒரு பலனளிக்கும் செயல்முறையாகும். இந்த உருவப்பட வகைப்படுத்தி வழக்க ஆய்வு AI உடன் நடப்புஉலக சிக்கல்களைத் தீர்ப்பதற்கான ஒரு கட்டமைக்கப்பட்ட அணுகுமுறையை நிரூபிக்கிறது. அது ஒரு portfolio ஆக இருந்தாலும் சரி அல்லது தொழில்முறை பயன்பாடாக இருந்தாலும் சரி, அத்தகைய செயல்திட்டங்களை முடிப்பது திறமைகளை உறுதிப்படுத்துகிறது எதிர்கால சவால்களுக்கு தயார்படுத்துகிறது.
தொடரும்