AI ක්රිකට් තරග පුරෝකථනය: AI ජයග්රාහකයන් පුරෝකථනය කරන්නේ කොහොමද?
අපි ආරම්භ කිරීමට කලින් සරල කෘත්රිම බුද්ධි යෙදුම් පැහැදිලි කිරීම
මේ මාර්ගෝපදේශය පුරාම ඔබට දකින්නට ලැබෙන වචන කිහිපයක් මුලින්ම සරලව පැහැදිලි කරගමු, එවිට පසුව කිසිම දෙයක් අවුල් නොවනු ඇත.
|
යෙදුම |
එහි අර්ථය |
|
පුහුණු කිරීම |
ප්රතිඵලය දැනටමත් දන්නා පරණ තරග දහස් ගණනක් ආකෘතියට පෙන්වා රටා ඉගෙනගැනීමට සලස්වීම |
|
පරීක්ෂා කිරීම |
පුහුණු කළ ආකෘතිය කලින් කවදාවත් නොදුටු තරගවලට යොදා අලුත් ප්රතිඵල කෙතරම් හොඳින් පුරෝකථනය කරයිද යන්න බැලීම |
|
ලක්ෂණ |
ආකෘතියට ලබාදෙන තොරතුරු කොටස්—කාසියේ වාසියේ ප්රතිඵලය, ක්රීඩාංගණය, කණ්ඩායමේ වත්මන් දක්ෂතාව, පිච් වාර්තාව, සහ තවත් දේවල් |
|
වර්ගීකරණ ආකෘතිය |
යම් දෙයක් වර්ගවලට බෙදන ආකෘතියක්, මෙහිදී “A කණ්ඩායම ජයගනී” හෝ “B කණ්ඩායම ජයගනී” |
|
අධික ගැළපීම |
අලුත් තරගවලටත් වැඩ කරන රටාවක් ඉගෙනගැනීම වෙනුවට ආකෘතිය තම පුහුණු තරග ඉතා සමීපව මතක තබාගැනීම |
මේ ආකෘති සඳහා දත්ත ඇත්තටම ලැබෙන්නේ කොහෙන්ද?
කෘත්රිම බුද්ධි ක්රිකට් ආකෘති පුහුණු කරන්නේ සැබෑ පන්දුවෙන් පන්දුවට තරග වාර්තා මතය. සාමාන්යයෙන් එම දත්ත ප්රසිද්ධ නොමිලේ සහ වාණිජ දත්ත මූලාශ්ර කිහිපයකින් ලබාගනී, රහසිගත තොරතුරු ඇති අභිරහස් පද්ධතියකින් නොවේ.
ප්රකාශිත පර්යේෂණවල බහුලව භාවිතා කරන දත්ත මූලාශ්ර:
- ක්රික්ෂීට්, ජාත්යන්තර සහ තරගාවලි තරග දහස් ගණනක් ආවරණය කරන නොමිලේ, පොදු භාවිතයට ඇති පන්දුවෙන් පන්දුවට දත්ත කට්ටලයක්, පර්යේෂකයන් සහ ස්වාධීන සංවර්ධකයන් දෙපාර්ශ්වයම පුළුල්ව භාවිතා කරයි
- ඊඑස්පීඑන් ක්රිකින්ෆෝ තරග වාර්තා, ප්රකාශිත ශාස්ත්රීය අධ්යයන කිහිපයක දත්ත මූලාශ්රයක් ලෙස භාවිතා කර ඇත
- කැගල් දත්ත කට්ටල, පොදු තරග වාර්තාවලින් බොහෝ විට සම්පාදනය කර ප්රජාව විසින් උඩුගත කරන ලද ක්රිකට් දත්ත
ගැඹුරු අධ්යයන බොහොමයක් වසර කිහිපයක් පුරා තරග දහස් ගණනක දත්ත එකතු කරයි. සාමාන්යයෙන් තරග වැඩි ප්රමාණයක් ඇති තරමට ආකෘතිය විශ්වාසදායක වීමට ඉඩ වැඩිය, මන්ද ඉගෙනගැනීමට සැබෑ තත්ත්වයන් වැඩි ප්රමාණයක් ලැබෙන බැවිනි.
විශ්වාසදායක වීමට ආකෘතියකට ඇත්තටම කොපමණ දත්ත අවශ්යද?
එකම මැජික් අගයක් නැත, නමුත් ප්රකාශිත පර්යේෂණවලින් අඛණ්ඩව පෙන්වන්නේ තරග කිහිපසියයක් පමණක් භාවිතා කළ ආකෘතිවලට වඩා තරග දහස් ගණනක් හෝ ඊට වැඩි දත්ත මත පුහුණු කළ ආකෘති බෙහෙවින් විශ්වාසදායකව ක්රියා කරන බවයි.
- විශාල දත්ත කට්ටල භාවිතා කරන අධ්යයන, තරග 10,000කට වැඩි හෝ වසර ගණනාවක පන්දුවෙන් පන්දුවට දත්ත, සාමාන්යයෙන් වැඩි විශ්වාසයක් ඇති සහ ස්ථාවර නිරවද්යතා අගයන් වාර්තා කරයි
- කුඩා හෝ එක් තරගාවලියක දත්ත කට්ටල, තරග කිහිපසියයක්, භාවිතා කරන අධ්යයන අධික ගැළපීමට වැඩියෙන් ලක් වන අතර, ඒ නිසා ඒවායේ ඉහළ නිරවද්යතා අගයන් වඩාත් ප්රවේශමෙන් සලකා බැලිය යුතුය
- ලෝකය පුරා බෙහෙවින් වැඩි වාර ගණනක් ක්රීඩා කරන පාපන්දු වැනි ක්රීඩාවලට සාපේක්ෂව ක්රිකට්වල වාර්තාගත වෘත්තීය තරග ගණන අඩුය, ඒ නිසා ඉතා විශාල ක්රිකට් දත්ත කට්ටල සොයාගැනීම අපහසුය
තරගාවලියක දත්ත පමණක් භාවිතා කළ අධ්යයනයක සමාන නිරවද්යතා ප්රකාශයකට වඩා, තරග දහස් ගණනක් සහ තරග වාර කිහිපයක් භාවිතා කළ අධ්යයනයක නිරවද්යතා ප්රකාශයකට වැඩි විශ්වාසයක් දිය යුතු හේතුව මෙයයි.
කෘත්රිම බුද්ධිය ඇත්තටම ක්රිකට් තරගයක ජයග්රාහකයා පුරෝකථනය කරන්නේ කොහොමද?
කෘත්රිම බුද්ධියක්රිකට් ප්රතිඵල පුරෝකථනය කරන්නේ ඓතිහාසික තරග දත්ත මත පුහුණු වී, මිනිස් විශ්ලේෂකයෙකුට අතින් හඳුනාගැනීමට වසර ගණනක් ගත විය හැකි රටා සොයාගෙනය. මූලිකවම මෙය විශාල පරිමාණයේ රටා හඳුනාගැනීමකි.
ක්රියාවලිය සරල පියවර තුනකින් සිදු වේ:
- පුහුණු කිරීම: ප්රතිඵලය දැනටමත් දන්නා පරණ තරග දහස් ගණනක් ආකෘතිය අධ්යයනය කරයි
- ඉගෙනගැනීම: ජයග්රහණ හෝ පරාජයන් සමඟ වැඩියෙන් සම්බන්ධ වන සාධක එකතුව මොනවාද යන්න හඳුනාගනී, උදාහරණයක් ලෙස වලාකුළු සහිත අහසක් යටතේ යම් ක්රීඩාංගණයක කාසියේ වාසිය දිනාගැනීම
- පරීක්ෂා කිරීම: සම්පූර්ණයෙන් අලුත්, ඉදිරියේ ඇති තරගයක භාවිතා කිරීමට කලින්, කලින් නොදුටු තරගවලට යොදා පරීක්ෂා කරයි
මෙය මිනිසෙකු තරගයක් පුරෝකථනය කරන ආකාරයට මූලිකවම වෙනස්ය. කෙනෙකුට විශේෂ තරග කිහිපයක් මතක තිබිය හැකි අතර තමන්ගේ හැඟීම මත රඳා පැවතිය හැක. ආකෘතියකට වත්මන් තරග තත්ත්වයක් සමාන ඓතිහාසික තත්ත්ව දහස් ගණනක් සමඟ ඉතා ඉක්මනින් සසඳිය හැක.
ක්රිකට් පුරෝකථනය සඳහා ඇත්තටම භාවිතා කරන කෘත්රිම බුද්ධි ගණකලේඛන මොනවාද?
ප්රකාශිත පර්යේෂණ අධ්යයන බහුතරයක ‘රැන්ඩම් ෆොරස්ට්’ ඉහළම කාර්ය සාධනයක් දක්වන ආකෘතියක් ලෙස පෙනෙන අතර, ඊට ආසන්නව වෙනත් ගස්-පදනම් ආකෘති ඇත.
|
ගණකලේඛනය |
ක්රියා කරන ආකාරය |
සාමාන්ය කාර්ය සාධනය |
|
රැන්ඩම් ෆොරස්ට් |
අහඹු දත්ත කොටස් මත තීරණ ගස් ගොඩක් හදා ඒවායේ තීරණ එකතු කරයි |
අඛණ්ඩව ඉහළම හෝ ඉහළම මට්ටමට ආසන්න කාර්ය සාධනය |
|
ග්රේඩියන්ට් බූස්ටිං / එක්ස්ජීබූස්ට් |
එකකට පසුව එකක් ලෙස ගස් හදා, සෑම ගසක්ම කලින් ගසේ වැරදි නිවැරදි කරයි |
රැන්ඩම් ෆොරස්ට්ට ඉතා ආසන්නය, සමහර විට සමානය |
|
ඩිසිෂන් ට්රී |
තරග සාධක මත ඔව්/නැත බෙදීම් ඇති එකම තීරණ ගසක් |
හොඳය, නමුත් සාමාන්යයෙන් රැන්ඩම් ෆොරස්ට්ට පරාජය වේ |
|
ලොජිස්ටික් රිග්රෙෂන් |
ජයග්රහණ සම්භාවිතාව සෘජුව ඇස්තමේන්තු කරන සරල සංඛ්යාලේඛන ආකෘතියක් |
ප්රධාන වශයෙන් මූලික සසඳුම් ආකෘතියක්, ගස්-පදනම් ආකෘතිවලට වඩා අඩුය |
|
නායිව් බේයස් |
සාධක එකිනෙකෙන් ස්වාධීනයි යැයි සලකන සම්භාවිතා-පදනම් ආකෘතියක් |
බොහෝ ප්රකාශිත අධ්යයනවල දුර්වලම කාර්ය සාධනය |
රැන්ඩම් ෆොරස්ට් එකේ “බහුතරයේ බුද්ධිය” වැනි ප්රවේශය—එකම තීරණ ගසක් මත රඳා පැවතීම වෙනුවට ගස් ගොඩක තීරණ එකතු කිරීම—සාමාන්යයෙන් වඩා විශ්වාසදායකය. ක්රිකට් පර්යේෂණවල ජයග්රාහී ආකෘතිය ලෙස මෙය නිතරම පෙනෙන්නේ හරියටම ඒ නිසාය.
කෘත්රිම බුද්ධි ක්රිකට් පුරෝකථන ආකෘති ඇත්තටම කොපමණ නිරවද්යද?
ප්රකාශිත නිරවද්යතා අගයන් 65%ක් පමණ සිට 95%ට වැඩි අගයන් දක්වා පරාසයක ඇත. මේ විශාල වෙනස ඇත්තේ දත්ත කට්ටල ප්රමාණය, ගණකලේඛන තේරීම සහ පරීක්ෂණයේ දැඩිභාවය වෙනස් වීම නිසා මිස සැබෑ ලෝකයේ කෘත්රිම බුද්ධිය අස්ථාවර නිසා නොවේ.
|
අධ්යයනයේ අවධානය |
හොඳම කාර්ය සාධනය කළ ආකෘතිය |
වාර්තා කළ නිරවද්යතාව |
|
දෙවැනි ඉනිමේ ප්රතිඵලය (IJCA) |
රැන්ඩම් ෆොරස්ට් |
89.82% |
|
අයිපීඑල් 2008-2024 දත්ත කට්ටලය |
රැන්ඩම් ෆොරස්ට් / ග්රේඩියන්ට් බූස්ටිං |
86.78% |
|
අයිපීඑල් තරග ප්රතිඵලය (ICHC) |
රැන්ඩම් ෆොරස්ට් |
88.10% |
|
ටී20 ලෝක කුසලාන දත්ත කට්ටලය |
රැන්ඩම් ෆොරස්ට් |
84.06% |
|
ඒකදින ප්රතිඵල අධ්යයනය |
ඩිසිෂන් ට්රී / රැන්ඩම් ෆොරස්ට් |
98% දක්වා |
|
ජාත්යන්තර ක්රිකට් සම්මේලනයේ ඒකදින දත්ත කට්ටලය |
ලොජිස්ටික් රිග්රෙෂන් |
81% |
|
අයිපීඑල් දත්ත කට්ටලය (ඩිසිෂන් ට්රී + එක්ස්ජීබූස්ට්) |
එක්ස්ජීබූස්ට් |
94.8% |
මේ වගුවෙන් සටහන් කරගැනීමට වටින කරුණු කිහිපයක්:
- සෑම අධ්යයනයකම වගේ රැන්ඩම් ෆොරස්ට් ශක්තිමත්ම හෝ ශක්තිමත්ම මට්ටමට ආසන්න ආකෘතියක් ලෙස පෙනේ
- 90%ට වැඩි නිරවද්යතාව සාමාන්යයෙන් ලැබෙන්නේ කුඩා හෝ ඉතා විශේෂිත දත්ත කට්ටලවලින්
- එක් අගයක් “කෘත්රිම බුද්ධි ක්රිකට් පුරෝකථනයේ නිරවද්යතාව” ලෙස සැලකිය නොහැක, සන්දර්භය හැමවිටම වැදගත්ය
ටී20 එකක් පුරෝකථනය කිරීමට වඩා ටෙස්ට් තරගයක් පුරෝකථනය කිරීම අපහසු වන්නේ ඇයි?
ටෙස්ට් ක්රිකට්වල ජයග්රහණය හෝ පරාජයට අමතරව ජය පරාජයෙන් තොර ප්රතිඵලයක් නම් තුන්වැනි හැකියාවත් ඇත. සීමිත පන්දුවාර තරගවලට සාපේක්ෂව මෙය ආකෘතියකට පුරෝකථනය සැබෑවටම අපහසු කරයි.
- ටී20 සහ ඒකදින ක්රිකට්වල තරග බොහෝ විට පැහැදිලි ජයග්රාහකයෙකු ලබා දෙයි, ඒ නිසා ආකෘතියට විසඳීමට ඇත්තේ සරල ප්රතිඵල දෙකක ගැටලුවකි
- ටෙස්ට් ක්රිකට්වල කණ්ඩායම් දෙකම දෙවරක් දැවී නොගියත්, දින පහ අවසන් වූ නිසා තරගයක් ජය පරාජයෙන් තොරව අවසන් විය හැක, ඒ නිසාම කාලගුණ අනාවැකි දිගු ආකෘතියේ පුරෝකථනයට වැඩියෙන් වැදගත් වේ.
- එනම් ටෙස්ට් පුරෝකථන ආකෘති අනෙක් හැම දෙයකටම අමතරව සම්පූර්ණ තරග කාලය සඳහා කාලගුණ අනාවැකිය සහ එක් එක් කණ්ඩායම ආරක්ෂිතව ජය පරාජයෙන් තොර ප්රතිඵලයක් සඳහා ක්රීඩා කරන ප්රවණතාව වැනි සාධකත් සලකා බැලිය යුතුය
ප්රකාශිත ක්රිකට් කෘත්රිම බුද්ධි අධ්යයන බොහොමයක් ටෙස්ට් ක්රිකට්වලට වඩා ටී20 සහ ඒකදින දත්ත මත වැඩි අවධානයක් දෙන්නේ මේ හේතුවත් සමඟය, සරල ජය/පරාජය ව්යුහය නිවැරදිව ආකෘතිගත කිරීම පහසුය.
මේ ආකෘතිවලට ඇත්තටම වැඩියෙන්ම බලපාන සාධක මොනවාද?
කාසියේ වාසියේ ප්රතිඵලය, ක්රීඩාංගණ ඉතිහාසය, කණ්ඩායමේ වත්මන් දක්ෂතාව සහ ක්රීඩක-විශේෂිත කාර්ය සාධන මිනුම් ප්රකාශිත අධ්යයනවල වඩාත් බලපෑම් සහිත දත්ත ආදාන ලෙස අඛණ්ඩව ඉහළින්ම පෙනේ.
බහුලව භාවිතා කරන සහ වැඩි බලපෑමක් ඇති ලක්ෂණ:
- කාසියේ වාසියේ ප්රතිඵලය සහ තීරණය, මුලින් පන්දුවට පහර දෙනවාද පන්දු යවනවාද
- ක්රීඩාංගණ ඉතිහාසය සහ ක්රීඩාංගණයට විශේෂිත ලකුණු රටා
- මෑත කණ්ඩායම් දක්ෂතාව, අවසන් තරග 5-10
- තරග ආකෘතිය සහ ක්රීඩාංගණය අනුව පෙරහන් කළ මුහුණට මුහුණ වාර්තාව
- කණ්ඩායම් මට්ටමේ සංඛ්යාලේඛන පමණක් නොව, එක් එක් ක්රීඩකයාගේ කාර්ය සාධන මිනුම්
- තම රටේ ක්රීඩා කිරීමේ වාසිය පෙන්වන දර්ශක
එක් පර්යේෂණ පත්රිකාවක් සසඳන්නට වෙන වෙනම ලක්ෂණ කට්ටල දෙකක් හදා තිබුණි, එකක් තම රටේ ක්රීඩා කිරීමේ වාසිය මත, අනෙක කාසියේ වාසියෙන් පසු ගත් තීරණය මත. මේ දෙකම නොමැති ආකෘතිවලට සාපේක්ෂව පුරෝකථන නිරවද්යතාව සැලකිය යුතු ලෙස වැඩි කළ බව සොයාගෙන ඇත. මෙය විශ්ලේෂකයන් දිගු කාලයක් සැක කළ දෙයක් තහවුරු කරයි—තත්ත්වයන් මත පදනම් වූ සාධක ඇත්තටම පුරෝකථනවලට උදව් කරයි, ඒවා විස්තර විචාර පුරවන දේවල් පමණක් නොවේ.
ක්රීඩක මට්ටමේ විස්තරත් වටිනා බව තහවුරු වී ඇත. එක් අධ්යයනයක් “ක්රීඩක ස්ථාවරත්වය” නම් විශේෂිත මිනුමක් හඳුන්වා දී, සාම්ප්රදායික පිතිකරණ සහ පන්දු යැවීමේ සංඛ්යාලේඛන ගතික කාර්ය සාධන ශ්රේණි සමඟ එකතු කළේය, වෘත්තීය සාමාන්ය අගයන් පමණක් භාවිතා කිරීමට වඩා වඩාත් සූක්ෂ්ම දත්ත ආදානයක් ලෙස.
සැබෑ විකාශකයන් මේ කෘත්රිම බුද්ධි ආකෘති සජීවීව භාවිතා කරනවාද?
ඔව්, මේවා සඟරාවල ඇති ශාස්ත්රීය පර්යේෂණ පමණක් නොවේ. විකාශකයන් සහ ක්රිකට් විශ්ලේෂණ සමාගම් වසර ගණනාවක් තිස්සේ සජීවී ජයග්රහණ සම්භාවිතා මෙවලම් සැබෑ තරග ආවරණයට එකතු කර ඇත.
- ඊඑස්පීඑන් ක්රිකින්ෆෝ හි “ෆෝකාස්ටර්” තරගය පුරා කණ්ඩායම් දෙකටම සජීවී ජයග්රහණ සම්භාවිතා ප්රතිශතයක් පෙන්වයි, සෑම පන්දුවකටම පසුව නැවත ගණනය කරමින්
- ක්රික්විස්, ක්රිකට් විශ්ලේෂණ සමාගමක්, ස්කයි ස්පෝට්ස් ඇතුළු විකාශකයන්ට දත්ත මත පදනම් වූ විශ්ලේෂණ සහ පුරෝකථන ආකෘති සපයා ඇත, කෘත්රිම බුද්ධිය මත පදනම් වූ විශ්ලේෂණ සෘජුවම රූපවාහිනී විස්තර විචාරයට ලබාදෙමින්
- සමීප ලකුණු හඹා යාමක් බලන ප්රේක්ෂකයන්ට, එයට පිටුපස ඇති යන්ත්ර ඉගෙනීමේ ක්රියාවලිය නොදැනුවත් වුවත්, මේ වැනිම ග්රැෆික් එකක් දකින්නට ලැබී ඇත
සාමාන්ය ප්රේක්ෂකයන්ට හොඳ ආරංචියක්: මේ සජීවී ජයග්රහණ සම්භාවිතා මෙවලම් බොහොමයක් නොමිලේ ලබාගත හැක, ඒවා විකාශන යෙදුම්, ක්රිකට් ප්රවෘත්ති වෙබ් අඩවි සහ ලකුණු නිරීක්ෂණ යෙදුම් තුළම ඇත, තරගයක් අතරතුර බැලීමට විශේෂ මෘදුකාංගයක් හෝ ගෙවූ දායකත්වයක් අවශ්ය නොවේ.
මෙය වැදගත් වන්නේ මේ ආකෘති සම්පූර්ණයෙන්ම න්යායික දේවල් නොවන බව පෙන්වන නිසාය, අද මිලියන ගණනක් ප්රේක්ෂකයන් සජීවී ක්රිකට් අත්විඳින ආකාරයට ඒවා ඇතුළත් වී ඇත.
සමහර අධ්යයන 95%කට වැඩි නිරවද්යතාව කියද්දී තවත් ඒවා 65% කියන්නේ ඇයි?
වෙනස සාමාන්යයෙන් ඇත්තේ දත්ත කට්ටල ප්රමාණය, ලක්ෂණ තේරීම සහ පරීක්ෂණයේ දැඩිභාවයෙනි, කෘත්රිම බුද්ධියට ක්රිකට් පුරෝකථනය කිරීමට ඇත්තටම කොපමණ හොඳද යන්නෙහි විශාල වෙනසක් නිසා නොවේ.
නිරවද්යතා අගයන් මෙතරම් වෙනස් වීමට පොදු හේතු:
- කුඩා දත්ත කට්ටල: තරග අඩු වූ විට සැබෑ රටා ඉගෙනගැනීම වෙනුවට ආකෘතියට අහම්බෙන්ම එම නියැදියේ රටා මතක තබාගැනීම පහසුය, එනම් අධික ගැළපීම
- වෙනස් ලක්ෂණ කට්ටල: සමහර අධ්යයන ක්රීඩක මට්ටමේ දත්ත ඇතුළත් කරයි, තවත් ඒවා කණ්ඩායම් මට්ටමේ සංඛ්යාලේඛන පමණක් භාවිතා කරයි
- වෙනස් පරීක්ෂණ ක්රම: සමහර අධ්යයන කලින් නොදුටු තරගවලට දැඩිව පරීක්ෂා කරයි, තවත් ඒවා එතරම් දැඩි නොවේ
- තරග ආකෘති වෙනස්කම්: ටී20, ඒකදින සහ ටෙස්ට් දත්ත කට්ටල වෙනස් ආකාරයට හැසිරෙන අතර සෘජුව එකිනෙකට සැසඳිය නොහැක
ජාත්යන්තර ක්රිකට් සම්මේලනයේ ඒකදින දත්ත මත ලොජිස්ටික් රිග්රෙෂන් භාවිතා කළ 2020 අධ්යයනයක් 81%ක මධ්යස්ථ නිරවද්යතාවක් වාර්තා කළ අතර, අයිපීඑල් තරග මත ඩිසිෂන් ට්රී සහ එක්ස්ජීබූස්ට් භාවිතා කළ 2019 අධ්යයනයක් 94.8%ක් වාර්තා කළේය. ප්රතිඵල දෙකම වලංගුය, නමුත් දත්ත කට්ටල සහ ලක්ෂණ වෙනස් නිසා ඒවා සෘජුවම සැසඳිය නොහැක.
සියලුම කණ්ඩායම් සහ විශ්ලේෂකයන් කෘත්රිම බුද්ධි පුරෝකථන සම්පූර්ණයෙන්ම විශ්වාස නොකරන්නේ ඇයි?
පොදු ගැටලුවක් නම්, බොහෝ කෘත්රිම බුද්ධි ආකෘති “කළු පෙට්ටියක්” මෙන් ක්රියා කිරීමයි, එනම් ඒවා පුරෝකථනයක් දෙයි නමුත් ඊට ආවේ කෙසේද යන්න පැහැදිලිව පෙන්වන්නේ නැත.
මිනිස් විශ්ලේෂකයා සහ කෘත්රිම බුද්ධි ආකෘතිය, පැත්තෙන් පැත්තට:
|
මිනිස් විශ්ලේෂකයා |
කෘත්රිම බුද්ධි ආකෘතිය |
|
|
හේතුව පියවරෙන් පියවර පැහැදිලි කළ හැකිද |
ඔව්, පහසුවෙන් |
බොහෝ විට අපහසුය, විශේෂයෙන් සංකීර්ණ ආකෘතිවල |
|
ඓතිහාසික දත්ත සකසන වේගය |
මන්දගාමීය, මතකයට සීමිතය |
ඉතා වේගවත්, එකවර තරග දහස් ගණනක් |
|
කණ්ඩායම් මානසික තත්ත්වය, ශරීර භාෂාව, අරමුණ තක්සේරු කරයිද |
ඔව් |
නැත |
|
සෑම තරගයකම එකම ස්ථාවරතාව |
මනෝභාවය හෝ පක්ෂපාතීත්වය අනුව වෙනස් විය හැක |
සම්පූර්ණයෙන්ම ස්ථාවරය |
|
ඉතා මෑත, අසාමාන්ය සිදුවීම්වලින් ඉගෙනගනීද |
ඉක්මනින් |
අලුත් දත්ත මත නැවත පුහුණු කළ පසුව පමණි |
දැනට ක්රිකට්වල කෘත්රිම බුද්ධිය භාවිතා කිරීමේ ප්රායෝගිකම ක්රමය, සම්පූර්ණයෙන් විශ්වාස කරන තනි තීරණ ගන්නා පද්ධතියක් ලෙස නොව, මිනිස් විශ්ලේෂණයට සහායක මෙවලමක් ලෙස භාවිතා කිරීම වීමට හේතුව හරියටම මෙයයි.
සජීවී, තරගය අතරතුර කෘත්රිම බුද්ධි පුරෝකථනය ඇත්තටම ක්රියා කරන්නේ කොහොමද?
සජීවී ජයග්රහණ සම්භාවිතා දර්ශක තරගය ඉදිරියට යද්දී අඛණ්ඩව නැවත ගණනය කරයි, පන්දුවෙන් පන්දුවට ලැබෙන දත්ත භාවිතා කර තත්ය කාලයේ ජයග්රහණ ප්රතිශතය යාවත්කාලීන කරමින්.
සජීවී පුරෝකථනය සඳහා භාවිතා කරන දත්ත:
- ජයගැනීමට අවශ්ය ලකුණු
- ඉතිරි කඩුලු
- ඉතිරි පන්දු
- වත්මන් ලකුණු වේගය සහ අවශ්ය ලකුණු වේගය
- සමාන තරග තත්ත්වවල ඓතිහාසික ප්රතිඵල
තරගය අතරතුර පුරෝකථන නිරවද්යතාව මැන බැලූ එක් අධ්යයනයකින් සොයාගත්තේ:
|
තරග අවධිය |
ආකෘති නිරවද්යතාව |
|
ලකුණු හඹා යාමේ මුල් අවධිය |
~55% |
|
ලකුණු හඹා යාමේ පසු අවධිය |
~85% |
මෙය සාමාන්ය බුද්ධියටත් ගැළපේ—ලකුණු හඹා යාම ඉදිරියට යන තරමට ප්රතිඵලය ගැන අවිනිශ්චිතතාව අඩු වේ. පළමු පන්දුවාරයෙන් පසුව පෙන්වන සජීවී ජයග්රහණ සම්භාවිතා ග්රැෆික් එකක්, සමීප ලකුණු හඹා යාමක අවසන් පන්දුවාරයේ පෙන්වන එකට වඩා බෙහෙවින් අඩු විශ්වාසදායකය.
උදාහරණය: කණ්ඩායමකට අවසන් පන්දු 24කින් ලකුණු 48ක් අවශ්ය නම් සහ කඩුලු 4ක් අතේ ඇත්නම්, සජීවී ආකෘතිය එම නිශ්චිත සංයෝජනය සමාන ඓතිහාසික ලකුණු හඹා යාම් දහස් ගණනක් සමඟ සසඳා ජයග්රහණ සම්භාවිතාවක් ඇස්තමේන්තු කරයි. තරගය ප්රතිඵලයට ළඟා වන තරමට එම ගණනය වඩාත් නිවැරදි වේ.
කෘත්රිම බුද්ධියට කවදාහරි 100% නිරවද්යතාවෙන් ක්රිකට් පුරෝකථනය කළ හැකිද?
නැත, මෙය ක්රිකට්වලට පමණක් ඇති සීමාවක් නොවේ. කිසිම ක්රීඩාවක් සහ කිසිම කෘත්රිම බුද්ධි ආකෘතියකට සම්පූර්ණ නිශ්චිතතාවෙන් ප්රතිඵල පුරෝකථනය කළ නොහැක.
නිශ්චිත පන්දුවක් සඳහා කිසිම ආකෘතියකට කලින් දැනගත නොහැකි දේවල්:
- අතහැරෙන උඩපන්දුවක්
- විශිෂ්ට පිටියේ රැකීමක්
- විනිසුරු වැරැද්දක්
- එක් පිතිකරුවෙකු තම ජීවිතයේ හොඳම ඉනිම ක්රීඩා කිරීම
කෘත්රිම බුද්ධිය අවිනිශ්චිතතාව අඩු කරයි, එය සම්පූර්ණයෙන් ඉවත් නොකරයි. හොඳින් ගොඩනගන ලද ආකෘතියක් කණ්ඩායමකට 75%ක ජයග්රහණ සම්භාවිතාවක් දෙයි යැයි කීමෙන් අදහස් වන්නේ, සමාන තත්ත්වවල එම කණ්ඩායම වාර හතරෙන් තුනක් පමණ ජයගනී යන්නයි, ප්රතිඵලය සහතික යැයි නොවේ.
කෘත්රිම බුද්ධි ක්රිකට් පුරෝකථනවලින් ඔබ ඇත්තටම තේරුම්ගත යුත්තේ මොනවාද?
ඉක්මන් සාරාංශ පරීක්ෂණ ලැයිස්තුව:
- කෘත්රිම බුද්ධි පුරෝකථන අවසන් තීරණය ලෙස නොව, දත්ත මත පදනම් වූ ශක්තිමත් ආදානයක් ලෙස සලකන්න
- කුඩා, එක් තරගාවලියක දත්ත මත පුහුණු කළ ආකෘතිවලට වඩා විශාල, තරග වාර ගණනාවක දත්ත මත පරීක්ෂා කළ ආකෘති විශ්වාස කරන්න
- සරල සංඛ්යාලේඛන ආකෘතිවලට වඩා ගස්-පදනම් ආකෘති, රැන්ඩම් ෆොරස්ට්, ග්රේඩියන්ට් බූස්ටිං, ප්රමුඛ කරන්න
- විශේෂයෙන් කුඩා දත්ත කට්ටලවල 95%ට වැඩි නිරවද්යතා ප්රකාශ ගැන සැකයෙන් බලන්න
- ජය පරාජයෙන් තොර ප්රතිඵලයක් ඇතිවිය හැකි නිසා ටෙස්ට් ක්රිකට් ටී20 හෝ ඒකදින තරගවලට වඩා ඇත්තටම පුරෝකථනය කිරීමට අපහසු බව මතක තබාගන්න
- තරගයට පෙර පුරෝකථනය සඳහා යථාර්ථවාදී සහ විශ්වාස කළ හැකි නිරවද්යතා පරාසයක් 80-90%ක් පමණ
- කෘත්රිම බුද්ධි ප්රතිඵලය පිච් තත්ත්වයන්, කාසියේ වාසියේ බලපෑම, කාලගුණය, මුහුණට මුහුණ දත්ත සහ කණ්ඩායම් තොරතුරු සමඟ එකතු කරන්න, ඒවා වෙනුවට නොව ඒවාට සහායකයක් ලෙස
Get expert Today cricket match predictions 100 sure, top picks & fantasy tips – Download AllCric App or visit AllCric Website
FAQS
ප්රකාශිත ක්රිකට් පුරෝකථන අධ්යයන බහුතරයක රැන්ඩම් ෆොරස්ට් ඉහළම හෝ ඉහළම මට්ටමට ආසන්න කාර්ය සාධනයක් අඛණ්ඩව පෙන්වයි, නිවැරදිව පරීක්ෂා කළ තරග වාර ගණනාවක දත්ත කට්ටලවල සාමාන්යයෙන් 84-90%ක නිරවද්යතා පරාසයක.
සාමාන්යයෙන් මෙය සිදු වන්නේ කුඩා හෝ සීමිත දත්ත කට්ටලවලදී, අලුත් තරගවලට හොඳින් පොදු වන දෙයක් ඉගෙනගැනීම වෙනුවට එම නියැදියට විශේෂිත රටා ආකෘතියට මතක තබාගත හැකි නිසා. මේ ගැටලුවට අධික ගැළපීම යැයි කියනු ලැබේ.
බහුල මූලාශ්රවලට නොමිලේ පොදු පන්දුවෙන් පන්දුවට දත්ත කට්ටලයක් වන ක්රික්ෂීට්, ඊඑස්පීඑන් ක්රිකින්ෆෝ තරග වාර්තා සහ කැගල් වැනි වේදිකාවල ප්රජාව විසින් සම්පාදනය කළ දත්ත කට්ටල ඇතුළත් වේ.
ටෙස්ට් ක්රිකට් ජයග්රහණයක් හෝ පරාජයක් පමණක් නොව, ජය පරාජයෙන් තොර ප්රතිඵලයකින් අවසන් වීමටත් හැක. සීමිත පන්දුවාර ක්රිකට්වල නොමැති තුන්වැනි ප්රතිඵලයක් එකතු වීම පුරෝකථන ගැටලුව වඩාත් සංකීර්ණ කරයි.
ඔව්. ඊඑස්පීඑන් ක්රිකින්ෆෝ හි ෆෝකාස්ටර් මෙවලම සහ ස්කයි ස්පෝට්ස් වැනි විකාශකයන්ට විශ්ලේෂණ ලබා දී ඇති ක්රික්විස් සමාගම, සැබෑ තරග ආවරණයට කෘත්රිම බුද්ධිය මත පදනම් වූ පුරෝකථන එකතු කළ ප්රසිද්ධ උදාහරණ වේ.
සම්පූර්ණයෙන්ම නොහැක. කෘත්රිම බුද්ධියට මිනිසෙකුට වඩා විශාල ඓතිහාසික දත්ත ප්රමාණයක් ඉක්මනින් සහ ස්ථාවරව සකසිය හැක. කණ්ඩායම් මානසික තත්ත්වය, උපායමාර්ගික අරමුණ සහ එදින තත්ත්වයන් දෘශ්යමය ලෙස කියවීම වැනි දේවල් තක්සේරු කිරීමට මිනිස් විශ්ලේෂකයන් තවමත් හොඳය, එමෙන්ම බොහෝ සංකීර්ණ ආකෘතිවලට තවමත් අපහසු ආකාරයට තමන්ගේ හේතුව පැහැදිලි කිරීමටත් ඔවුන්ට හැක.
