ලාභ:
- රේඩියෝ කාබන් ක්රමාංකනය, ශ්රේණිගත කිරීම සහ බහුවිචල්ය විශ්ලේෂණ වලදී කෘත්රිම බුද්ධිය භාවිතා කිරීමේ හැකියාව සහ ක්රම තෝරා ගැනීම සහ උපකල්පන විශේෂඥයාගේ ඒවා බව වටහා ගැනීම.
- රේඩියෝ කාබන් ප්රතිඵලය සම්භාවිතා පරාසයක් ඇති බවත් අවිනිශ්චිතතාවය වසරක් දක්වා අඩු කිරීම විද්යාත්මක විකෘතියක් බවත් හඳුනා ගැනීමේ හැකියාව
- 'කසළ ඇතුලට, කුණු පිටතට' යන මූලධර්මය සමඟ නියැදි වලංගුභාවය ප්රශ්න කිරීමේ හැකියාව සහ සහසම්බන්ධතාවය සහ හේතුඵලය ව්යාකූල නොවන ප්රත්යාවර්තක යෙදීම
පුරාවිද්යාව "කවදා" ප්රශ්නයට පිළිතුරු සැපයීම සඳහා රසායනාගාර විද්යාවන් සහ සංඛ්යාලේඛන යන දෙකම මත රඳා පවතී. මෙම ඒකකයේදී, AI විසින් ආලය (සොයා ගැනීමක හෝ ස්ථරයක වයස තීරණය කිරීම), රේඩියෝ කාබන් (C14) විශ්ලේෂණය, ටයිපොලොජි (සොයාගැනීම් ඒවායේ විධිමත් ලක්ෂණ අනුව වර්ග කිරීම සහ කාලානුරූපී කිරීම) සහ අනුක්රමණය (කාලානුක්රමිකව සන්දර්භ සැකසීමේ ක්රමය කාලයාගේ ඇවෑමෙන් සොයාගැනීම් වර්ග වෙනස් කිරීම අනුව) විද්යාත්මක ප්රතිඵලවල නිවැරදි අර්ථකථනය කරන ආකාරය අපි බලමු.
මූලික මූලධර්මය: AI ගණනය කිරීම්, ක්රමාංකනය, සංඛ්යානමය රටා සහ දෘශ්යකරණය වේගවත් කරයි; නමුත් යෝග්ය ක්රමය කුමක්ද, නියැදිය වලංගුද නැද්ද යන්න සහ එහි ප්රතිඵලය කුමක්ද යන්න විද්යාත්මක විනිශ්චයක් අවශ්ය වේ. වැරදි සංඛ්යාලේඛනයක් ලස්සන ප්රස්ථාරයකට දැමීමෙන් එය නිවැරදි නොවේ.
ආලය ක්රම සහ AI
විකිරණ කාබන් (C14). කාබනික අවශේෂවල විකිරණශීලී කාබන් ක්ෂය වීමෙන් වයස ගණනය කෙරේ. අමු ප්රති result ලය ගස් මුදු මත පදනම් වූ වක්රයකින් ක්රමාංකනය කර ඇත (ක්රමාංකනය - අමු විකිරණ කාබන් යුගය සත්ය දින දර්ශන වර්ෂය බවට පරිවර්තනය කරන නිවැරදි කිරීම). AI ක්රමාංකන ගණනය කිරීම් සහ දින කිහිපයක සංසන්දනාත්මක දෘශ්යකරණය වේගවත් කරයි. නමුත් පැරණි දැව ගැටලුව වැනි උගුල් AI දන්නේ නැත (අවුරුදු සිය ගණනක් ජීවත් වූ ගසකින් ලබාගත් සාම්පලයක් එය භාවිතා කළ සිදුවීමට වඩා බෙහෙවින් පැරණි ය); නියැදි විවේචනය විශේෂඥයෙකුගේ කාර්යයකි.
ටයිපොලොජි සහ අනුක්රමික. සොයාගැනීම් වර්ගවල සංඛ්යාතය කාලයත් සමග වෙනස් වේ; වර්ගයක් පෙනේ, පුළුල් වේ, අඩු වේ. අනුක්රමික මෙම "බ්ලැන්කට්" රටාව භාවිතයෙන් සන්දර්භ වර්ග කරයි. විශාල දත්ත කට්ටලවල සහ බහුවිචල්ය විශ්ලේෂණවල (බොහෝ විශේෂාංග එකවර ඇගයීමට ලක් කරන සංඛ්යාලේඛන) මෙම රටා සොයා ගැනීමට AI බලවත් වේ. නමුත් ප්රතිඵලය කාලානුක්රමික හෝ ක්රියාකාරී/කලාපීය වෙනසක් නිසා දැයි විශේෂඥයාට වෙන්කර හඳුනාගත හැකිය.
වෙනත් ක්රම. ඩෙන්ඩ්රොක්රොනොලොජි (ගස් වළල්ල), තාප විදුලිය සහ පුරාවිද්යා චුම්භකත්වය වැනි ක්රම ද AI ගණනය කිරීම සහ සංසන්දනය කිරීමේදී උපකාරී වේ; ක්රම තෝරා ගැනීම සහ අර්ථ නිරූපණය කිරීම විශේෂඥයාට පැවරේ.
ඉඟිය: AI සංඛ්යාලේඛනයක් ධාවනය කරන විට, "ඔබ භාවිතා කළේ කුමන ක්රමයද සහ එහි උපකල්පන මොනවාද?" අහන්න. ක්රමය වැරදි නම් (උදා: සාමාන්ය අනුක්රමික නොවන දත්ත, පිටස්තරය නොසලකා හැරීම) ප්රතිඵලය දෘශ්යමය වශයෙන් "පිරිසිදු" නමුත් විද්යාත්මකව වැරදියි. ක්රමය තේරුම් නොගෙන ප්රස්ථාරය විශ්වාස නොකරන්න.
සංඛ්යාලේඛනවල AI හි ශක්තීන් සහ දුර්වලතා
බලවත්: පුනරාවර්තන ගණනය, ක්රමාංකනය, විශාල දත්ත කට්ටලවල රටා පරිලෝකනය කිරීම, දෘශ්යකරණ කේත උත්පාදනය, විවිධ ක්රම ඉක්මනින් පරීක්ෂා කිරීම.
දුර්වල/අවදානම්:
- වැරදි ක්රමය යෝජනා කරන්න එපා. AI හට දත්ත වලට නොගැලපෙන පරීක්ෂණයක් විශ්වාසයෙන් නිර්දේශ කළ හැක.
- නියැදි අන්ධභාවය. එය කුඩා, පක්ෂග්රාහී හෝ දූෂිත නියැදිය නොපෙනේ; "මෙය දත්ත," ඔහු පවසයි.
- අතිශයින්ම අදහස් දැක්වීම. එය ශක්තිමත් ප්රතිඵලයක් ලෙස දුර්වල සහසම්බන්ධයක් ඉදිරිපත් කළ හැකිය; සහසම්බන්ධය හේතුකාරක නොවේ (දෙයක් එකට වෙනස් වූ පමණින් එකක් අනෙකට හේතු වන බව අදහස් නොවේ).
- සාදන ලද අංකය. අවශ්ය නම්, එය "පිළිගත හැකි" නමුත් යථාර්ථවාදී නොවන දිනයක් හෝ සම්භාවිතාවක් ඇති කළ හැකිය.
අවවාදයයි: රේඩියෝ කාබන් දිනයක් කිසි විටෙකත් තනි "නිශ්චිත වසරක්" නොවේ; සම්භාවිතා පරාසයකි (උදා: 750-680 BC 95% විශ්වාසය සමඟ). AI හට ප්රතිඵලය එක් වසරක් දක්වා අඩු කිරීමට ඉඩ නොදෙන්න; සෑම විටම අවිනිශ්චිතතාවය රැගෙන යන්න. අවිනිශ්චිතතාවය සැඟවීම විද්යාත්මක විකෘතියකි.
කුඩා නඩු තුනක්
නඩුව 1 - ක්රමාංකනය වේගවත් විය. එක් ව්යාපෘතියක් මගින් රේඩියෝ කාබන් සාම්පල 48 ක ක්රමාංකනය සහ සංසන්දනාත්මක දෘශ්යකරණය සිදු කරනු ඇත. AI ක්රමාංකන කේතය සහ සැසඳීමේ ප්රස්ථාර පැය ගණනකට වඩා මිනිත්තු කිහිපයකින් ජනනය කළේය; විශේෂඥයා විසින්ම නියැදීමේ සන්දර්භය සහ පැරණි දැව අවදානම තක්සේරු කර සාම්පල දෙකක් "විශ්වසනීය" ලෙස සලකුණු කළේය.
නඩුව 2 - වැරදි ක්රමයක් අල්ලාගෙන ඇත. එක් ශිෂ්යයෙක් වර්ග සංඛ්යාත සොයා ගැනීමට AI විසින් යෝජනා කරන ලද පරීක්ෂණයක් යෙදූ අතර "සංඛ්යානමය වශයෙන් වැදගත්" ප්රතිඵලයක් ලබා ගත්තේය. මෙම පරීක්ෂණය සඳහා දත්ත සුදුසු නොවන බව සංඛ්යාලේඛන උපදේශකයා පෙන්වා දුන්නේය (උපකල්පන උල්ලංඝනය කර ඇත); නිවැරදි ක්රමය සමඟ, ප්රතිඵලය අර්ථ විරහිත විය. පාඩම: ක්රමයේ තේරීම ප්රතිඵලය තීරණය කරයි.
3 වන අවස්ථාව - අවිනිශ්චිතතාවය ආපසු ලබා දීම. කණ්ඩායමක් "ක්රිපූ 720" ස්ථරයක් සඳහා AI සාරාංශයෙන් තනි දිනයක් වාර්තා කරයි. විශේෂඥයා ප්රකාශ කළේ ක්රමාංකන පරාසය ක්රි.පූ. 800-680 බවත්, තනි වර්ෂය නොමඟ යවන සුළු බවත් ය. සම්භාවිතා පරාසය සමඟ වාර්තාව නිවැරදි කරන ලදී. අවිනිශ්චිතතාවය දරාගැනීම අවංකකමයි.
පිටපත් කළ හැකි සැකිලි හතරක්
1) ක්රම යෝග්යතා විමසුම:
ඔබේ කාර්යභාරය: පුරාවිද්යා සංඛ්යාලේඛන උපදේශක. මම පහත දත්ත සහ ප්රශ්නය විස්තර කරමි: [දත්ත වර්ගය, නියැදි ප්රමාණය, ප්රශ්නය]. මෙම දත්ත සමඟ අනුමත ක්රම විකල්ප, එක් එක් උපකල්පන සහ අස්වැන්න එම උපකල්පන සපුරාලන්නේ දැයි පරීක්ෂා කරන්නේ කෙසේද යන්න ගැන මට කියන්න. නුසුදුසු ක්රම පදනම් මත ද ආමන්ත්රණය කළ යුතුය.
2) විකිරණශීලී කාබන් පරිවර්ථන රාමුව:
පහත මා සතුව මගේ ක්රමාංකනය කරන ලද රේඩියෝ කාබන් අන්තරයන් ඇත: [ලැයිස්තුව]. මේවා (පැරණි දැව, දූෂණය, සමුද්ර ජලාශ ආචරණය, නියැදි-සිදුවීම් සම්බන්ධය) අර්ථකථනය කිරීමේදී මා දැන සිටිය යුතු අන්තරායන් සහ අවිනිශ්චිත කාල පරතරය නිවැරදිව ප්රකාශ කරන්නේ කෙසේද යන්න පැහැදිලි කරන්න. එක අවුරුද්දක්වත් දෙන්න එපා; පරතරයන් පවත්වා ගන්න.
3) සංඛ්යාලේඛන විගණනය:
මම පහත විශ්ලේෂණය සිදු කළෙමි: [ක්රමය සහ ප්රතිඵලය]. කරුණාකර විවේචනය කරන්න: ක්රමය දත්තවලට ගැළපේද, උපකල්පනයන් පවතිනවාද, නියැදිය ප්රමාණවත්ද, පිටස්තර/මිශ්රණ තිබේද, ප්රතිඵලය අධික ලෙස අර්ථකථනය කර තිබේද? ඔබේ දුර්වල කරුණු ලැයිස්තුගත කරන්න; ප්රතිඵලය තහවුරු නොකරන්න, එය ප්රශ්න කරන්න.
4) දෘශ්යකරණය (අවංක):
පහත දත්ත සමඟ ප්රස්ථාරයක්/කේතයක් සකස් කරන්න: [දත්ත]. අවිනිශ්චිතතා පරාස පෙන්විය යුතුය (දෝෂ තීරුව/පරාසය). නොමඟ යවන සුළු කැපීම් නොකර අක්ෂය සහ පරිමාණය සකසන්න. දත්තවල නොමැති කරුණු කිසිවක් එකතු නොකරන්න. ප්රස්ථාරය කරන්නේ කුමක්ද සහ නොපෙන්වන්නේ කුමක්ද යන්න සටහනක් සමඟ පැහැදිලි කරන්න.
දුර්වල ක්ෂණික / ශක්තිමත් විමසුම
දුර්වල ක්ෂණික:
මෙම සොයාගැනීමේ දත්ත විශ්ලේෂණය කර වෙබ් අඩවියේ නිශ්චිත දිනය සඳහන් කරන්න.
AI විසින් නුසුදුසු ක්රමයක් තෝරා තනි නිශ්චිත දිනයක් සෑදිය හැක; එය අවිනිශ්චිතතාවය සඟවන අතර නියැදි ගැටළු නොපෙනේ.
බලවත් විමසුම:
ඔබේ කාර්යභාරය: සංඛ්යාන උපදේශක. අස්වැන්න: [අර්ථ දැක්වීම, නියැදි ප්රමාණය]. මුලින්ම මට මෙම දත්ත සඳහා සුදුසු ක්රමය සහ එහි උපකල්පන කියන්න, පසුව අපි එය යෙදුවහොත් අවිනිශ්චිත පරාසය සමඟ ප්රතිඵලය ලබා දෙන්න. එක නිශ්චිත දිනයක් දෙන්න එපා. ප්රතිඵලය දුර්වල කළ හැකි නියැදිය (කුඩා n, මිශ්ර, පැරණි දැව) හා සම්බන්ධ කුමන අවදානම් ද සඳහන් කරන්න.
වෙනස: පළමුවැන්න ව්යාජ නිශ්චිතභාවයක් ඇති කරයි; දෙවනුව, ක්රමය විවෘත උපකල්පන සහ අවිනිශ්චිතභාවය තබා ගනී.
Bayesian ප්රවේශය, නියැදීම සහ "කසළ ඇතුලට, කුණු පිටතට"
නවීන පුරාවිද්යා කාල නිර්ණය කිරීමේ ප්රබල ක්රමයක් වන්නේ රේඩියෝ කාබන් දින කිහිපයක් ස්තරටිග්රැෆික් අනුපිළිවෙල සමඟ ඒකාබද්ධ කරන බේයිසියානු ආකෘති නිර්මාණය (පවත්නා පෙර තොරතුරු ඒකාබද්ධ කරන සංඛ්යානමය ප්රවේශයකි-උදා: “A ස්තරය යටින් B” - පටු, වඩාත් යථාර්ථවාදී දින පරාසයන් නිපදවීමට මිනුම් සමඟ). මෙම ප්රවේශය ස්ථර වල දන්නා අනුපිළිවෙලට සීමා කිරීමෙන් තනි දින වල පුළුල් අවිනිශ්චිතතාවය පටු කරයි. AI හට මෙම ආකෘති තැනීමට සහ ගණනය කිරීමට උපකාර කළ හැක; නමුත් පූර්ව තොරතුරු (ස්ට්රැටිග්රැෆික් සම්බන්ධතා) ආකෘතියට ඇතුළත් වන්නේ විශේෂඥ තීරණයක් වන අතර, වැරදි පූර්ව බාධකයක් විශ්වාසදායක නමුත් සාවද්ය ප්රතිඵලයක් ඇති කරයි.
මෙතැන් සිට අපි මොඩියුලයේ වඩාත්ම මූලික සංඛ්යානමය මූලධර්මය වෙත පැමිණෙමු: "කසළ ඇතුලට, කුණු පිටතට." වඩාත්ම දියුණු AI සහ ඉතා අලංකාර සංඛ්යාලේඛනවලට පවා නරක දත්ත වලින් හොඳ ප්රතිඵල ලබා දිය නොහැක. දූෂිත රේඩියෝ කාබන් සාම්පලයක්, මිශ්ර සන්දර්භයකින් සොයා ගන්නා ලද හෝ පක්ෂග්රාහී නියැදියක් කොපමණ පිරිසැකසුම් කළද වලංගු නොවේ. AI හට මෙම ගැටළු දැකිය නොහැක, මන්ද එය "පිටත සිට" දත්ත දෙස නොබලයි; එය ඔබ දෙන සංඛ්යා සැබෑ ලෙස පිළිගනී. නියැදිය එකතු කළ ආකාරය, එය පැමිණියේ කුමන සන්දර්භය සහ එය නියෝජනය කරන්නේ කුමක් ද යන්න ඇගයීමට හැක්කේ ක්ෂේත්රය දන්නා විශේෂඥයෙකුට පමණි.
එබැවින් කිසියම් සංඛ්යානමය ප්රතිඵලයක් විශ්වාස කිරීමට පෙර, මෙම ප්රශ්න තුන අසන්න: නියැදිය ප්රමාණවත්ද සහ නියෝජිතයා ප්රමාණවත්ද? සන්දර්භය විශ්වාසදායක සහ ව්යාකූලද? මෙම ප්රශ්නය සඳහා මිනුම් ක්රමය සුදුසුද? ඔබට මෙම ප්රශ්න තුනට "ඔව්" ලෙස පිළිතුරු දිය නොහැකි නම්, ප්රතිඵලය කෙතරම් "වැදගත්" ලෙස පෙනුනත් කමක් නැත.
ඉඟිය: සංඛ්යාලේඛනයක ප්රතිදානය ඇගයීමේදී, ප්රතිඵලය නොව ආදානය දෙස පළමුව බලන්න. "මෙම දත්ත පැමිණියේ කොහෙන්ද, කෙසේද, කොපමණ සාම්පල සමඟද?" ප්රශ්නය ප්රස්ථාරය බැලීමට පෙර බොහෝ ව්යාජ නිගමන ඉවත් කරයි.
විශ්ලේෂණ කාර්ය වගුව
ගවේෂණය
AI හි කාර්යභාරය
මානව තීරණය
සත්යාපනය
C14 ක්රමාංකනය
ගණනය කිරීම, දර්ශනය කිරීම
නියැදි වලංගුභාවය
සන්දර්භය, පැරණි දැව
ශ්රේණිගත කිරීම
රටා ස්කෑන් කිරීම
කාලානුක්රමය/ක්රියාකාරී වෙන් කිරීම
ස්ට්රැටිග්රැෆි සමඟ සංසන්දනය කිරීම
බහුවිචල්ය
සංඛ්යා ලේඛන කැල්ක්යුලේටරය
ක්රම තෝරා ගැනීම
උපකල්පන පරීක්ෂාව
දෘශ්යකරණය
ග්රැෆික්ස්/කේතය
අවංක නියෝජනය
අවිනිශ්චිතතාවය, පරිමාණය
අදහස් දක්වන්න
සාරාංශ කෙටුම්පත
අර්ථය, සීමාව
විශේෂඥ, සාහිත්යය
පොදු වැරදි
- ප්රශ්න කිරීමකින් තොරව ක්රමය යෙදීම. වැරදි පරීක්ෂණය "පිරිසිදු" නමුත් වැරදි ප්රතිඵලය ලබා දෙයි.
- අවිනිශ්චිතතාවය එක් වසරක් දක්වා අඩු කිරීම. රේඩියෝ කාබන් යනු පරාසයකි; වසරක් නොමඟ යවන සුළුය.
- නියැදීමේ ගැටළු මඟ හැරීම. කුඩා/අපිරිසිදු/පක්ෂග්රාහී නියැදිය ප්රතිඵලය අවලංගු කරයි.
- හේතුව සඳහා වැරදි සහසම්බන්ධය. එකට වෙනස් වීම හේතුව සහ ඵලය නොවේ.
- ග්රැෆික්ස් සමඟ නොමඟ යවන්න. ඉරි සහිත අක්ෂය, සැඟවුණු අවිනිශ්චිතතාවය විද්යාත්මක විකෘතියකි.
සාරාංශයක් ලෙස
ආලය සහ සංඛ්යාලේඛන වල AI; එය ක්රමාංකනය, රටා පරිලෝකනය, ගණනය කිරීම සහ දෘශ්යකරණය සඳහා ප්රබල ත්වරණයකි. නමුත් ක්රමය තෝරාගැනීම, නියැදි විවේචනය, අවිනිශ්චිතභාවය අවංකව ප්රකාශ කිරීම සහ ප්රතිඵලය අර්ථ නිරූපණය කිරීම විද්යාත්මක විනිශ්චයට අයත් වේ. ක්රමය තේරුම් නොගෙන ප්රස්ථාරය විශ්වාස නොකරන්න; සෑම විටම අවිනිශ්චිතතාවයක් ගෙන යයි; සහ තනි "නියම දිනයක්" සඳහා වන අවධාරනයට විරුද්ධ වන්න.
යෙදුම් කාර්යය
නියැදි සොයන්න-සංඛ්යාත වගුවක් හෝ ක්රමාංකනය කරන ලද රේඩියෝ කාබන් ප්රාන්තර කට්ටලයක් සකස් කරන්න. සුදුසු විශ්ලේෂණය සහ එහි උපකල්පන "ක්රම යෝග්යතා විමසුම" අච්චුව සමඟ හඳුනාගෙන, පසුව "සංඛ්යාන විගණන" අච්චුව සමඟ විවේචනය කර විශ්ලේෂණයක් කරන්න. "දෘශ්යකරණය (අවංක)" අච්චුව සමඟ අවිනිශ්චිතතා පරාසයන් පෙන්වන ප්රස්ථාර සටහනක් නිපදවන්න සහ තනි වසරක වට්ටම් වළක්වා ගන්න.
පිරික්සුම් ලැයිස්තුව
- [ ] මම ක්රම තේරීම සහ උපකල්පන පරීක්ෂා කර ඇත.
- [ ] මම නියැදි වලංගුභාවය (ප්රමාණය, මිශ්රණය, පැරණි දැව) ප්රශ්න කළෙමි.
- [ ] මම අවිනිශ්චිතතාවය පරතරයක් ලෙස තබා ගත්තෙමි, මම එය එක වසරකට අඩු කළේ නැත.
- [ ] මම සහසම්බන්ධය හේතුකාරක සමග පටලවා නොගත්තෙමි.
- [ ] මම ප්රස්ථාරයේ පරිමාණය සහ අවිනිශ්චිතභාවය අවංකව පෙන්වා ඇත.