ಕಂಪ್ಯೂಟರ್ಗಳು ಸ್ವಾಧೀನಪಡಿಸಿಕೊಳ್ಳುತ್ತಿಲ್ಲ ಆದರೆ ಅವರು ಪ್ರತಿದಿನ ಚುರುಕಾದ ಪಡೆಯುತ್ತಿದ್ದಾರೆ
ಸರಳ ಪರಿಭಾಷೆಯಲ್ಲಿ, ಯಂತ್ರ ಕಲಿಕೆ (ML) ಎಂಬುದು ಯಂತ್ರಗಳ (ಕಂಪ್ಯೂಟರ್) ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಆಗಿದ್ದು, ಇದರಿಂದಾಗಿ ಮಾನವ ಅಭಿವೃದ್ಧಿಕಾರರ ಹೆಚ್ಚುವರಿ ನಿರ್ದಿಷ್ಟ ಇನ್ಪುಟ್ ಇಲ್ಲದೆ ಸ್ವತಂತ್ರವಾಗಿ ಆ ಕಾರ್ಯವನ್ನು ನಿರ್ವಹಿಸಲು ಡೇಟಾವನ್ನು (ಮಾಹಿತಿ) ಬಳಸಿಕೊಂಡು ಮತ್ತು ವಿಶ್ಲೇಷಿಸುವ ಮೂಲಕ ವಿನಂತಿಸಿದ ಕಾರ್ಯವನ್ನು ನಿರ್ವಹಿಸಬಹುದು.
ಯಂತ್ರ ಕಲಿಕೆ 101
"ಯಂತ್ರ ಕಲಿಕೆ" ಎಂಬ ಪದವನ್ನು 1959 ರಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI) ಮತ್ತು ಕಂಪ್ಯೂಟರ್ ಗೇಮಿಂಗ್ನಲ್ಲಿ ಪ್ರವರ್ತಕರಾಗಿದ್ದ ಆರ್ಥರ್ ಸ್ಯಾಮ್ಯುಯೆಲ್ ಎಂಬ ಐಬಿಎಂ ಪ್ರಯೋಗಾಲಯದಲ್ಲಿ ಸೃಷ್ಟಿಸಲಾಯಿತು. ಯಂತ್ರ ಕಲಿಕೆ, ಪರಿಣಾಮವಾಗಿ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಒಂದು ಶಾಖೆಯಾಗಿದೆ. ಸ್ಯಾಮ್ಯುಯೆಲ್ನ ಪ್ರಮೇಯವು ತಲೆಕೆಳಗಾದ ಸಮಯದ ಕಂಪ್ಯೂಟಿಂಗ್ ಮಾದರಿಯನ್ನು ತಿರುಗಿಸುವುದು ಮತ್ತು ಕಲಿಯಲು ಕಂಪ್ಯೂಟರ್ಗಳ ವಿಷಯಗಳನ್ನು ನೀಡುವ ನಿಲ್ಲುವುದು.
ಬದಲಾಗಿ, ಕಂಪ್ಯೂಟರ್ಗಳು ತಮ್ಮದೇ ಆದ ವಿಷಯಗಳನ್ನು ಕುರಿತಾಗಿ ಪ್ರಾರಂಭಿಸಲು, ಮಾನವರು ಇನ್ಪುಟ್ ಮಾಡದೆಯೇ, ತೀಕ್ಷ್ಣವಾದ ಮಾಹಿತಿಯನ್ನೂ ಸಹ ಪ್ರಾರಂಭಿಸಲು ಅವರು ಬಯಸಿದ್ದರು. ನಂತರ, ಕಂಪ್ಯೂಟರ್ಗಳು ಕೇವಲ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸುವುದಿಲ್ಲವೆಂದು ಅವರು ಭಾವಿಸಿದರು, ಆದರೆ ಅಂತಿಮವಾಗಿ ಯಾವ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸಬೇಕು ಮತ್ತು ಯಾವಾಗ ನಿರ್ಧರಿಸಬೇಕು. ಯಾಕೆ? ಆದ್ದರಿಂದ ಕಂಪ್ಯೂಟರ್ಗಳು ಯಾವುದೇ ಪ್ರದೇಶದಲ್ಲಿ ನಿರ್ವಹಿಸಲು ಅಗತ್ಯವಿರುವ ಕೆಲಸದ ಮಾನವನ್ನು ಕಡಿಮೆಗೊಳಿಸುತ್ತದೆ.
ಯಂತ್ರ ಕಲಿಕೆ ವರ್ಕ್ಸ್ ಹೇಗೆ
ಕ್ರಮಾವಳಿಗಳು ಮತ್ತು ಡೇಟಾದ ಬಳಕೆಯ ಮೂಲಕ ಯಂತ್ರ ಕಲಿಕೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ಒಂದು ಕ್ರಮಾವಳಿ ಎನ್ನುವುದು ಕಂಪ್ಯೂಟರ್ ಅಥವಾ ಪ್ರೊಗ್ರಾಮ್ಗೆ ಕೆಲಸವನ್ನು ಹೇಗೆ ನಿರ್ವಹಿಸುವುದು ಎಂದು ಹೇಳುವ ಸೂಚನೆಗಳ ಅಥವಾ ಮಾರ್ಗಸೂಚಿಗಳ ಒಂದು ಗುಂಪಾಗಿದೆ. ML ನಲ್ಲಿ ಬಳಸುವ ಕ್ರಮಾವಳಿಗಳು ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಿ, ನಮೂನೆಗಳನ್ನು ಗುರುತಿಸುತ್ತವೆ ಮತ್ತು ಕಾರ್ಯಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು ತನ್ನದೇ ಆದ ಕಾರ್ಯಕ್ರಮಗಳು ಮತ್ತು ಕಾರ್ಯಗಳನ್ನು ಹೊಂದಿಸಲು ಆ ಡೇಟಾದ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಬಳಸುತ್ತವೆ.
ನಿರ್ಣಯಗಳನ್ನು ಮಾಡಲು ಮತ್ತು ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಪ್ರಕ್ರಿಯೆ ಡೇಟಾವನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸಲು ML ಕ್ರಮಾವಳಿಗಳು ನಿಯಮದ ಸೆಟ್ಗಳು, ನಿರ್ಧಾರ ಮರಗಳು, ಚಿತ್ರಾತ್ಮಕ ಮಾದರಿಗಳು, ನೈಸರ್ಗಿಕ ಭಾಷೆ ಸಂಸ್ಕರಣೆ ಮತ್ತು ನರಗಳ ಜಾಲಗಳನ್ನು (ಕೆಲವು ಹೆಸರಿಸಲು) ಬಳಸುತ್ತವೆ. ಎಮ್ಎಲ್ ಒಂದು ಸಂಕೀರ್ಣವಾದ ವಿಷಯವಾಗಿದ್ದರೂ, ಗೂಗಲ್ನ ಟೀಚಬಲ್ ಮೆಷೀನ್ ಎಮ್ಎಲ್ ಕೃತಿಗಳ ಪ್ರದರ್ಶನದ ಸರಳೀಕೃತ ಕೈಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ.
ಇಂದು ಬಳಕೆಯಲ್ಲಿರುವ ಯಂತ್ರ ಕಲಿಕೆಯ ಅತ್ಯಂತ ಶಕ್ತಿಶಾಲಿ ರೂಪವೆಂದರೆ ಆಳವಾದ ಕಲಿಕೆ ಎಂದು ಕರೆಯಲ್ಪಡುವ ಸಂಕೀರ್ಣವಾದ ಗಣಿತದ ರಚನೆಯನ್ನು ನರವ್ಯೂಹದ ಜಾಲವನ್ನು ನಿರ್ಮಿಸುತ್ತದೆ, ಇದು ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ದತ್ತಾಂಶವನ್ನು ಆಧರಿಸಿರುತ್ತದೆ. ನರಗಳ ಜಾಲಗಳು ಎಮ್ಎಲ್ ಮತ್ತು ಕ್ರಮಾವಳಿಗಳ ಸೆಟ್ಗಳಾಗಿವೆ ಮತ್ತು ಮಾನವ ಮೆದುಳಿನಲ್ಲಿನ ನರ ಕೋಶಗಳು ಮತ್ತು ನರಮಂಡಲದ ಪ್ರಕ್ರಿಯೆಯ ಮಾಹಿತಿಯ ಪ್ರಕಾರ ರೂಪಿಸಲ್ಪಟ್ಟಿದೆ.
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ Vs. ಯಂತ್ರ ಕಲಿಕೆ ವಿರುದ್ಧ. ಡಾಟಾ ಮೈನಿಂಗ್
AI, ML, ಮತ್ತು ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆಯ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಉತ್ತಮವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು, ವಿಭಿನ್ನ ಗಾತ್ರದ ಛತ್ರಿಗಳ ಗುಂಪನ್ನು ಯೋಚಿಸುವುದು ಸಹಾಯವಾಗುತ್ತದೆ. AI ಅತಿದೊಡ್ಡ ಛತ್ರಿಯಾಗಿದೆ. ಎಮ್ಎಲ್ ಛತ್ರಿ ಚಿಕ್ಕದಾಗಿದೆ ಮತ್ತು ಎಐ ಛತ್ರಿ ಕೆಳಗೆ ಹಿಡಿಸುತ್ತದೆ. ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆಯ ಆಶ್ರಯವು ಚಿಕ್ಕದಾದ ಮತ್ತು ML ಛತ್ರಿ ಕೆಳಗಿರುವ ಫಿಟ್ಸ್ ಆಗಿದೆ.
- AI ಎಂಬುದು ಗಣಕ ವಿಜ್ಞಾನದ ಶಾಖೆಯಾಗಿದೆ, ಇದು ಮಾನವ ಬುದ್ಧಿಮತ್ತೆಯ ನಂತರ ಮಾದರಿಯ ತಾರ್ಕಿಕ ಮತ್ತು ನಿರ್ಧಾರ-ನಿರ್ಧಾರದ ತಂತ್ರಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಹೆಚ್ಚು "ಬುದ್ಧಿವಂತ" ಮತ್ತು "ಮಾನವ-ರೀತಿಯ" ವಿಧಾನಗಳಲ್ಲಿ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಕಂಪ್ಯೂಟರ್ಗಳನ್ನು ಪ್ರೋಗ್ರಾಂ ಮಾಡುವ ಉದ್ದೇಶ ಹೊಂದಿದೆ.
- ಡೇಟಾ ಚಾಲಿತ, ಬುದ್ಧಿವಂತ ನಿರ್ಧಾರಗಳನ್ನು ಹೆಚ್ಚು ಸ್ವಯಂಚಾಲಿತ ರೀತಿಯಲ್ಲಿ ಮಾಡಲು ಕಲಿಯಲು ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಯಂತ್ರಗಳು (ಕಂಪ್ಯೂಟರ್ಗಳು) ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಿದ ಎಐ ಒಳಗೆ ಎಮ್ಎಲ್ ಎನ್ನುವುದು ಒಂದು ಕಂಪ್ಯೂಟಿಂಗ್ ವಿಭಾಗವಾಗಿದೆ (ಅಗತ್ಯ ದತ್ತಾಂಶ ಅಥವಾ ಉದಾಹರಣೆಗಳು ಸಂಗ್ರಹಿಸಲು).
- ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆಯು ಅಂಕಿಅಂಶಗಳನ್ನು ಬಳಸುತ್ತದೆ, ML, AI, ಮತ್ತು ಮಾಹಿತಿಯ ಅಪಾರವಾದ ಡೇಟಾಬೇಸ್ಗಳು ಮಾದರಿಗಳನ್ನು ಕಂಡುಹಿಡಿಯುವುದು, ಒಳನೋಟಗಳನ್ನು ಒದಗಿಸುವುದು, ವರ್ಗೀಕರಣಗಳನ್ನು ರಚಿಸುವುದು, ಸಮಸ್ಯೆಗಳನ್ನು ಗುರುತಿಸುವುದು ಮತ್ತು ವಿವರವಾದ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆಗಳನ್ನು ತಲುಪಿಸುತ್ತದೆ.
ಯಾವ ಯಂತ್ರ ಕಲಿಕೆ ಮಾಡಬಹುದು (ಮತ್ತು ಈಗಾಗಲೇ ಮಾಡುತ್ತದೆ)
ಗಣಕಯಂತ್ರವು ಎರಡನೆಯ ಭಾಗದಷ್ಟು ಭಾಗದಷ್ಟು ಮಾಹಿತಿಯನ್ನು ವಿಶ್ಲೇಷಿಸಲು ಸಾಮರ್ಥ್ಯವು ಸಮಯ ಮತ್ತು ನಿಖರತೆಯ ಅವಶ್ಯಕತೆಯಿರುವ ಹಲವಾರು ಕೈಗಾರಿಕೆಗಳಲ್ಲಿ ML ಉಪಯುಕ್ತವಾಗಿದೆ.
- ಮೆಡಿಸಿನ್: ಎಮ್ಎಲ್ ತಂತ್ರಜ್ಞಾನವನ್ನು ವೈದ್ಯಕೀಯ ಕ್ಷೇತ್ರದಲ್ಲಿ ಪರಿಹಾರಗಳ ವ್ಯಾಪ್ತಿಯಲ್ಲಿ ಅಳವಡಿಸಲಾಗಿದೆ, ಅಸಾಮಾನ್ಯ ರೋಗಲಕ್ಷಣಗಳೊಂದಿಗೆ ರೋಗಿಗಳ ತ್ವರಿತ ರೋಗನಿರ್ಣಯವನ್ನು ಹೊಂದಿರುವ ತುರ್ತು ವಿಭಾಗದ ವೈದ್ಯರಿಗೆ ಸಹಾಯ ಮಾಡುವುದು. ವೈದ್ಯರು ರೋಗಿಗಳ ರೋಗಲಕ್ಷಣಗಳನ್ನು ಪ್ರೋಗ್ರಾಂಗೆ ಇನ್ಪುಟ್ ಮಾಡಬಹುದು ಮತ್ತು ML ಅನ್ನು ಬಳಸಬಹುದಾಗಿದೆ, ಪ್ರೋಗ್ರಾಂ ವೈದ್ಯಕೀಯ ಸಾಹಿತ್ಯ ಮತ್ತು ಅಂತರ್ಜಾಲದಿಂದ ಟ್ರಿಲಿಯನ್ಗಳಷ್ಟು ಟೆರಾಬೈಟ್ಗಳಷ್ಟು ಮಾಹಿತಿಗಳನ್ನು ಹುಡುಕಬಹುದು, ಸಂಭಾವ್ಯ ರೋಗನಿರ್ಣಯದ ಪಟ್ಟಿಯನ್ನು ಮತ್ತು ದಾಖಲೆಯ ಸಮಯದಲ್ಲಿ ಶಿಫಾರಸು ಮಾಡಿದ ಪರೀಕ್ಷೆ ಅಥವಾ ಚಿಕಿತ್ಸೆಯನ್ನು ಹಿಂದಿರುಗಿಸುತ್ತದೆ.
- ಶಿಕ್ಷಣ: ವಿದ್ಯಾರ್ಥಿಗಳ ಕಲಿಕೆಯ ಅಗತ್ಯಗಳಿಗೆ ತಕ್ಕಂತೆ ಶೈಕ್ಷಣಿಕ ಕಲಾಕೃತಿಗಳನ್ನು ರಚಿಸಲು ML ಅನ್ನು ಬಳಸಲಾಗುತ್ತದೆ, ಅಂದರೆ ವರ್ಚುವಲ್ ಕಲಿಕೆ ಸಹಾಯಕರು ಮತ್ತು ಎಲೆಕ್ಟ್ರಾನಿಕ್ ಪಠ್ಯಪುಸ್ತಕಗಳು ಹೆಚ್ಚು ಸಂವಾದಾತ್ಮಕವಾಗಿವೆ. ಈ ಪರಿಕರಗಳು ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ತಿಳಿಯುವ ಪರಿಕಲ್ಪನೆಗಳು ಮತ್ತು ಕೌಶಲ್ಯಗಳನ್ನು ಸಣ್ಣ ರಸಪ್ರಶ್ನೆಗಳು ಮತ್ತು ಅಭ್ಯಾಸ ವ್ಯಾಯಾಮಗಳನ್ನು ಬಳಸಿಕೊಂಡು ML ಅನ್ನು ಬಳಸುತ್ತವೆ. ಉಪಕರಣಗಳು ನಂತರ ಅಗತ್ಯವಿರುವ ಕೌಶಲ್ಯಗಳನ್ನು ಅಥವಾ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ತಿಳಿದುಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡಲು ಸಣ್ಣ ವೀಡಿಯೊಗಳು, ಹೆಚ್ಚುವರಿ ಉದಾಹರಣೆಗಳು ಮತ್ತು ಹಿನ್ನೆಲೆ ವಸ್ತುಗಳನ್ನು ಒದಗಿಸುತ್ತವೆ.
- ಆಟೋಮೋಟಿವ್: ಸ್ವಯಂ-ಚಾಲನೆಯ ಕಾರುಗಳ ಉದಯೋನ್ಮುಖ ಕ್ಷೇತ್ರದಲ್ಲೂ ಎಂಎಲ್ ಸಹ ಪ್ರಮುಖ ಅಂಶವಾಗಿದೆ (ಚಾಲಕ-ಕಡಿಮೆ ಕಾರುಗಳು ಅಥವಾ ಸ್ವಾಯತ್ತ ಕಾರುಗಳು ಎಂದೂ ಸಹ ಕರೆಯಲಾಗುತ್ತದೆ). ಸ್ವಯಂ-ಚಾಲನೆಯ ಕಾರುಗಳನ್ನು ನಿರ್ವಹಿಸುವ ಸಾಫ್ಟ್ವೇರ್ ML ಅನ್ನು ನೈಜ-ಜೀವನದ ರಸ್ತೆ ಪರೀಕ್ಷೆಗಳು ಮತ್ತು ಸಿಮ್ಯುಲೇಶನ್ಗಳ ಸಂದರ್ಭದಲ್ಲಿ ರಸ್ತೆ ಪರಿಸ್ಥಿತಿಗಳನ್ನು (ಹಿಮಾವೃತ ರಸ್ತೆಗಳು) ಪತ್ತೆಹಚ್ಚಲು ಅಥವಾ ರಸ್ತೆಯ ಅಡೆತಡೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಮತ್ತು ಸೂಕ್ತ ಸಂದರ್ಭಗಳಲ್ಲಿ ಸುರಕ್ಷಿತವಾಗಿ ನ್ಯಾವಿಗೇಟ್ ಮಾಡಲು ಸೂಕ್ತವಾದ ಚಾಲನಾ ಕಾರ್ಯಗಳನ್ನು ಕಲಿಯಲು ಬಳಸುತ್ತದೆ.
ನೀವು ಈಗಾಗಲೇ ಅದನ್ನು ಅರಿತುಕೊಂಡು ML ಅನೇಕ ಬಾರಿ ಎದುರಿಸಿದ್ದೀರಿ. ಎಮ್ಎಲ್ ತಂತ್ರಜ್ಞಾನದ ಕೆಲವು ಸಾಮಾನ್ಯ ಉಪಯೋಗಗಳು ಪ್ರಾಯೋಗಿಕ ಭಾಷಣ ಗುರುತಿಸುವಿಕೆ ( ಸ್ಯಾಮ್ಸಂಗ್ನ ಬಿಕ್ಸ್ಬಿ , ಆಪಲ್ನ ಸಿರಿ ಮತ್ತು PC ಯಲ್ಲಿನ ಪ್ರಮಾಣಿತವಾದ ಅನೇಕ ಟಾಕ್-ಟು-ಟೆಕ್ಸ್ಟ್ ಪ್ರೋಗ್ರಾಂಗಳು), ನಿಮ್ಮ ಇಮೇಲ್ಗಾಗಿ ಸ್ಪ್ಯಾಮ್ ಫಿಲ್ಟರಿಂಗ್, ಸುದ್ದಿ ಫೀಡ್ಗಳನ್ನು ನಿರ್ಮಿಸುವುದು, ವಂಚನೆ ಪತ್ತೆಹಚ್ಚುವಿಕೆ, ವೈಯಕ್ತೀಕರಿಸುವಿಕೆ ಶಾಪಿಂಗ್ ಶಿಫಾರಸುಗಳು, ಮತ್ತು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿ ವೆಬ್ ಹುಡುಕಾಟ ಫಲಿತಾಂಶಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ.
ML ನಿಮ್ಮ ಫೇಸ್ಬುಕ್ ಫೀಡ್ನಲ್ಲಿಯೂ ತೊಡಗಿದೆ. ನಿಮ್ಮ ಸ್ನೇಹಿತರ ಪೋಸ್ಟ್ಗಳನ್ನು ಆಗಾಗ್ಗೆ ನೀವು ಇಷ್ಟಪಡುವ ಅಥವಾ ಕ್ಲಿಕ್ ಮಾಡಿದಾಗ, ನಿಮ್ಮ ಸುದ್ದಿಗಳಲ್ಲಿ ನಿಮ್ಮ ಸ್ನೇಹಿತರ ಅಥವಾ ಪುಟಗಳನ್ನು ಆದ್ಯತೆ ನೀಡಲು ನಿಮ್ಮ ಕ್ರಮಗಳಿಂದ "ಕಲಿತುಕೊಳ್ಳುವ" ದೃಶ್ಯಗಳ ಕ್ರಮಾವಳಿಗಳು ಮತ್ತು ML.
ಏನು ಯಂತ್ರ ಕಲಿಕೆ ಮಾಡಲಾಗುವುದಿಲ್ಲ
ಹೇಗಾದರೂ, ML ಏನು ಮಾಡಬಹುದು ಮಿತಿಗಳಿವೆ. ಉದಾಹರಣೆಗೆ, ವಿವಿಧ ಕೈಗಾರಿಕೆಗಳಲ್ಲಿನ ಎಂಎಲ್ ತಂತ್ರಜ್ಞಾನದ ಬಳಕೆಯು ಆ ಉದ್ಯಮದ ಅಗತ್ಯತೆಗಳ ವಿಧಗಳಿಗಾಗಿ ಪ್ರೋಗ್ರಾಂ ಅಥವಾ ಸಿಸ್ಟಮ್ ಅನ್ನು ಪರಿಣತಿ ಮಾಡಲು ಮಾನವರಲ್ಲಿ ಗಮನಾರ್ಹವಾದ ಅಭಿವೃದ್ಧಿ ಮತ್ತು ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಅಗತ್ಯವಿರುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಮೇಲಿನ ನಮ್ಮ ವೈದ್ಯಕೀಯ ಉದಾಹರಣೆಯಲ್ಲಿ, ತುರ್ತು ವಿಭಾಗದಲ್ಲಿ ಬಳಸಿದ ಎಮ್ಎಲ್ ಪ್ರೋಗ್ರಾಂ ಮಾನವ ಔಷಧಿಗಾಗಿ ನಿರ್ದಿಷ್ಟವಾಗಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಲ್ಪಟ್ಟಿತು. ಆ ನಿಖರ ಪ್ರೋಗ್ರಾಂ ತೆಗೆದುಕೊಳ್ಳಲು ಪ್ರಸ್ತುತ ಸಾಧ್ಯವಿಲ್ಲ ಮತ್ತು ಅದನ್ನು ಪಶುವೈದ್ಯ ತುರ್ತು ಕೇಂದ್ರದಲ್ಲಿ ನೇರವಾಗಿ ಕಾರ್ಯಗತಗೊಳಿಸಿ. ಅಂತಹ ಒಂದು ಪರಿವರ್ತನೆಯಲ್ಲಿ ಪಶುವೈದ್ಯಕೀಯ ಅಥವಾ ಪ್ರಾಣಿಗಳ ಔಷಧಿಗಾಗಿ ಈ ಕೆಲಸವನ್ನು ಮಾಡುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಸೃಷ್ಟಿಸಲು ಮಾನವ ಪ್ರೋಗ್ರಾಮರ್ಗಳು ವ್ಯಾಪಕ ವಿಶೇಷತೆ ಮತ್ತು ಅಭಿವೃದ್ಧಿಗೆ ಅಗತ್ಯವಿರುತ್ತದೆ.
ಇದು ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಮತ್ತು ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಅಗತ್ಯವಿರುವ ಮಾಹಿತಿಯನ್ನು "ಕಲಿಯಲು" ನಂಬಲಾಗದಷ್ಟು ದೊಡ್ಡ ಪ್ರಮಾಣದಲ್ಲಿ ಡೇಟಾ ಮತ್ತು ಉದಾಹರಣೆಗಳು ಬೇಕಾಗುತ್ತದೆ. ಡೇಟಾದ ವ್ಯಾಖ್ಯಾನ ಮತ್ತು ಸಾಂಕೇತಿಕತೆಯೊಂದಿಗೆ ಹೋರಾಟ ಮತ್ತು ಕಾರಣ ಮತ್ತು ಪರಿಣಾಮದಂತಹ ಡೇಟಾ ಫಲಿತಾಂಶಗಳಲ್ಲಿ ಕೆಲವು ರೀತಿಯ ಸಂಬಂಧಗಳಲ್ಲಿ ML ಪ್ರೋಗ್ರಾಂಗಳು ಸಹ ಅಕ್ಷರಶಃ ಅಕ್ಷರಗಳಾಗಿವೆ.
ಮುಂದುವರಿದ ಪ್ರಗತಿಗಳು, ಆದಾಗ್ಯೂ, ಪ್ರತಿದಿನ ಚತುರತೆಯಿಂದ ಕಂಪ್ಯೂಟರ್ಗಳನ್ನು ರಚಿಸುವ ML ಹೆಚ್ಚಿನ ಕೋರ್ ತಂತ್ರಜ್ಞಾನವನ್ನು ಮಾಡುತ್ತಿದೆ.