டேட்டிங், புள்ளியியல் மற்றும் அறிவியல் பகுப்பாய்வு: ரேடியோகார்பன், டைபாலஜி மற்றும் வரிசை

ஆதாயங்கள்:

• ரேடியோகார்பன் அளவுத்திருத்தம், வரிசை மற்றும் பன்முகப் பகுப்பாய்வு ஆகியவற்றில் செயற்கை நுண்ணறிவைப் பயன்படுத்துவதற்கான திறன், மற்றும் முறை தேர்வு மற்றும் அனுமானங்கள் நிபுணருக்குரியவை என்பதைப் புரிந்துகொள்வது.
• ரேடியோகார்பன் முடிவு நிகழ்தகவு வரம்பைக் கொண்டுள்ளது மற்றும் நிச்சயமற்ற தன்மையை ஒரு வருடத்திற்கு குறைப்பது ஒரு அறிவியல் சிதைவு என்பதை அங்கீகரிக்கும் திறன்
• 'குப்பை உள்ளே, குப்பை வெளியே' என்ற கோட்பாட்டுடன் மாதிரி செல்லுபடியை கேள்விக்குட்படுத்தும் திறன் மற்றும் தொடர்பு மற்றும் காரணத்தைக் குழப்பாததன் பிரதிபலிப்பைப் பயன்படுத்துதல்

"எப்போது" என்ற கேள்விக்கு பதிலளிக்க, தொல்லியல் ஆய்வக அறிவியல் மற்றும் புள்ளிவிவரங்கள் இரண்டையும் நம்பியுள்ளது. டேட்டிங் (கண்டுபிடித்தல் அல்லது அடுக்கின் வயதை தீர்மானித்தல்), ரேடியோகார்பன் (சி14) பகுப்பாய்வு, அச்சுக்கலை (கண்டுபிடிப்புகளை அவற்றின் முறையான குணாதிசயங்களின்படி வரிசைப்படுத்துதல் மற்றும் காலவரையறை செய்தல்) மற்றும் வரிசை (கண்டுபிடிப்பு வகைகளின் மாற்றத்திற்கு ஏற்ப காலவரிசைப்படி சூழல்களை ஒழுங்குபடுத்தும் முறை) போன்ற பணிகளை AI எவ்வாறு துரிதப்படுத்துகிறது என்பதை இந்த பிரிவில் பார்ப்போம்.

அடிப்படைக் கொள்கை: AI கணக்கீடு, அளவுத்திருத்தம், புள்ளியியல் வடிவமைத்தல் மற்றும் காட்சிப்படுத்தல் ஆகியவற்றை துரிதப்படுத்துகிறது; ஆனால் எந்த முறை பொருத்தமானது, மாதிரி செல்லுபடியாகுமா இல்லையா, அதன் முடிவு என்ன என்பது அறிவியல் பூர்வமான தீர்ப்பு தேவை. ஒரு தவறான புள்ளிவிவரத்தை ஒரு நல்ல வரைபடத்தில் வைப்பது அதைச் சரியாகச் செய்யாது.

டேட்டிங் முறைகள் மற்றும் AI

கதிரியக்க கார்பன் (C14). கரிம எச்சங்களில் உள்ள கதிரியக்க கார்பனின் சிதைவிலிருந்து வயது கணக்கிடப்படுகிறது. மூல முடிவு மர வளையங்களின் அடிப்படையில் ஒரு வளைவுடன் அளவீடு செய்யப்படுகிறது (அளவுத்திருத்தம் - மூல ரேடியோகார்பன் வயதை உண்மையான காலண்டர் ஆண்டாக மாற்றும் திருத்தம்). AI அளவுத்திருத்த கணக்கீடுகள் மற்றும் பல தேதிகளின் ஒப்பீட்டு காட்சிப்படுத்தல் ஆகியவற்றை துரிதப்படுத்துகிறது. ஆனால் பழைய மரப் பிரச்சனை போன்ற பொறிகளை AI அறியவில்லை (நூற்றுக்கணக்கான ஆண்டுகளாக வாழ்ந்த ஒரு மரத்திலிருந்து எடுக்கப்பட்ட மாதிரி அது பயன்படுத்தப்பட்ட நிகழ்வை விட மிகவும் பழமையானது); மாதிரி விமர்சனம் என்பது ஒரு நிபுணரின் வேலை.

அச்சுக்கலை மற்றும் வரிசை. கண்டுபிடிப்பு வகைகளின் அதிர்வெண் காலப்போக்கில் மாறுபடும்; ஒரு வகை தோன்றுகிறது, பரவுகிறது, குறைகிறது. இந்த "போர்வை" வடிவத்தைப் பயன்படுத்தி வரிசை சூழல்களை வரிசைப்படுத்துகிறது. பெரிய தரவுத் தொகுப்புகள் மற்றும் பலதரப்பட்ட பகுப்பாய்வில் (ஒரே நேரத்தில் பல அம்சங்களை மதிப்பிடும் புள்ளிவிவரங்கள்) இந்த வடிவங்களைக் கண்டுபிடிப்பதில் AI சக்தி வாய்ந்தது. ஆனால் காலவரிசை அல்லது செயல்பாட்டு/பிராந்திய வேறுபாட்டின் விளைவாக ஏற்பட்டதா என்பதை நிபுணர் வேறுபடுத்தி அறிய முடியும்.

மற்ற முறைகள். டென்ட்ரோக்ரோனாலஜி (மர வளையம்), தெர்மோலுமினென்சென்ஸ் மற்றும் ஆர்க்கியோ மேக்னடிசம் போன்ற முறைகளும் AI கணக்கீடு மற்றும் ஒப்பீட்டில் உதவியாக இருக்கும்; முறை தேர்வு மற்றும் விளக்கம் நிபுணரிடம் விடப்படுகிறது.

உதவிக்குறிப்பு: AI ஒரு புள்ளிவிவரத்தை இயக்கும் போது, ​​"நீங்கள் எந்த முறையைப் பயன்படுத்தியுள்ளீர்கள் மற்றும் அதன் அனுமானங்கள் என்ன?" என்று கேட்கவும். கேட்க. முறை தவறாக இருந்தால் (எ.கா. சராசரியாக வரிசையற்ற தரவு, வெளிப்புறத்தை புறக்கணித்தல்) விளைவு பார்வைக்கு "சுத்தமாக" இருக்கும் ஆனால் அறிவியல் ரீதியாக தவறாக இருக்கும். முறையைப் புரிந்து கொள்ளாமல் விளக்கப்படத்தை நம்ப வேண்டாம்.

புள்ளிவிவரங்களில் AI இன் பலம் மற்றும் பலவீனங்கள்

சக்தி வாய்ந்தது: மீண்டும் மீண்டும் கணக்கிடுதல், அளவுத்திருத்தம், பெரிய தரவுத் தொகுப்புகளில் பேட்டர்ன் ஸ்கேனிங், காட்சிப்படுத்தல் குறியீடு உருவாக்கம், வெவ்வேறு முறைகளின் விரைவான சோதனை.

பலவீனமான/ஆபத்தான:

• தவறான முறையை பரிந்துரைக்க வேண்டாம். தரவுக்கு பொருந்தாத சோதனையை AI நம்பிக்கையுடன் பரிந்துரைக்க முடியும்.
• மாதிரி குருட்டுத்தன்மை. இது சிறிய, பாரபட்சமான அல்லது அசுத்தமான மாதிரியைப் பார்க்காது; "இது தரவு," என்று அவர் கூறுகிறார்.
• அதீத கருத்து. இது ஒரு வலுவான விளைவாக பலவீனமான தொடர்பை முன்வைக்க முடியும்; தொடர்பு என்பது காரணம் அல்ல (இரண்டு விஷயங்கள் ஒன்றாக மாறுவதால் ஒன்று மற்றொன்றை ஏற்படுத்துகிறது என்று அர்த்தமல்ல).
• தயாரிக்கப்பட்ட எண். விரும்பினால், அது "நம்பத்தகுந்த" ஆனால் நம்பத்தகாத தேதி அல்லது நிகழ்தகவை உருவாக்கலாம்.

எச்சரிக்கை: ரேடியோகார்பன் தேதி என்பது ஒரு "சரியான ஆண்டு" அல்ல; நிகழ்தகவு வரம்பு (எ.கா. 750-680 கி.மு. 95% நம்பிக்கையுடன்). AI முடிவை ஒரு வருடத்திற்கு குறைக்க அனுமதிக்காதீர்கள்; எப்போதும் நிச்சயமற்ற தன்மையைக் கொண்டு செல்லுங்கள். நிச்சயமற்ற தன்மையை மறைப்பது ஒரு அறிவியல் சிதைவு.

மூன்று சிறிய வழக்குகள்

வழக்கு 1 - அளவுத்திருத்தம் துரிதப்படுத்தப்பட்டது. ஒரு திட்டம் 48 ரேடியோகார்பன் மாதிரிகளின் அளவுத்திருத்தம் மற்றும் ஒப்பீட்டு காட்சிப்படுத்தலைச் செய்யும். AI ஆனது அளவுத்திருத்த குறியீடு மற்றும் ஒப்பீட்டு வரைபடங்களை மணிநேரங்களை விட நிமிடங்களில் உருவாக்கியது; நிபுணர் தானே மாதிரி சூழல்கள் மற்றும் பழைய மரத்தின் அபாயத்தை மதிப்பிட்டு, இரண்டு மாதிரிகளை "நம்பகமற்றது" எனக் குறித்தார்.

வழக்கு 2 - தவறான முறை பிடிக்கப்பட்டது. ஒரு மாணவர் வகை அதிர்வெண்களைக் கண்டறிய AI ஆல் பரிந்துரைக்கப்பட்ட சோதனையைப் பயன்படுத்தினார், மேலும் "புள்ளியியல் முக்கியத்துவம் வாய்ந்த" முடிவைப் பெற்றார். புள்ளிவிவர ஆலோசகர் தரவு இந்த சோதனைக்கு ஏற்றதாக இல்லை என்று காட்டினார் (அனுமானங்கள் மீறப்பட்டன); சரியான முறையில், முடிவு அர்த்தமற்றது. பாடம்: முறையின் தேர்வு முடிவைத் தீர்மானிக்கிறது.

வழக்கு 3 - நிச்சயமற்ற தன்மை திரும்பப் பெறப்பட்டது. "720 BC" என்ற அடுக்குக்கான AI சுருக்கத்திலிருந்து ஒரு குழு ஒரு தேதியைப் புகாரளிக்கும். காலிபர் வரம்பு கி.மு. 800-680 என்றும், அந்த ஒற்றை ஆண்டு தவறானது என்றும் நிபுணர் கூறினார். நிகழ்தகவு வரம்பில் அறிக்கை சரி செய்யப்பட்டது. நிச்சயமற்ற தன்மையைத் தாங்குவது நேர்மை.

நகலெடுக்கக்கூடிய நான்கு வார்ப்புருக்கள்

1) முறை பொருந்தக்கூடிய வினவல்:

உங்கள் பங்கு: தொல்லியல் புள்ளியியல் ஆலோசகர். பின்வரும் தரவு மற்றும் கேள்வியை நான் விவரிக்கிறேன்: [தரவு வகை, மாதிரி அளவு, கேள்வி]. இந்தத் தரவுகளுடன் அங்கீகரிக்கப்பட்ட முறை விருப்பங்கள், ஒவ்வொன்றின் அனுமானங்கள் மற்றும் மகசூல் அந்த அனுமானங்களைப் பூர்த்திசெய்கிறதா என்பதை எவ்வாறு சரிபார்க்கலாம் என்பதைப் பற்றி என்னிடம் கூறவும். பொருத்தமற்ற முறைகள் அடிப்படையிலும் கவனிக்கப்பட வேண்டும்.

2) ரேடியோகார்பன் விளக்கக் கட்டமைப்பு:

கீழே எனது அளவீடு செய்யப்பட்ட ரேடியோகார்பன் இடைவெளிகள் உள்ளன: [பட்டியல்]. இவற்றை (பழைய மரம், மாசுபடுத்துதல், கடல் நீர்த்தேக்க விளைவு, மாதிரி-நிகழ்வு உறவு) மற்றும் நிச்சயமற்ற இடைவெளியை எவ்வாறு சரியாக வெளிப்படுத்துவது என்பதை விளக்கும்போது நான் அறிந்திருக்க வேண்டிய இடர்பாடுகளை விளக்கவும். ஒரு வருடம் கொடுக்க வேண்டாம்; இடைவெளிகளை பராமரிக்க.

3) புள்ளியியல் தணிக்கை:

நான் பின்வரும் பகுப்பாய்வை மேற்கொண்டேன்: [முறை மற்றும் முடிவு]. தயவு செய்து விமர்சிக்கவும்: இந்த முறை தரவுக்கு பொருந்துமா, அனுமானங்கள் உள்ளதா, மாதிரி போதுமானதா, ஏதேனும் வெளிப்பொருள்கள்/கலவைகள் உள்ளதா, முடிவு அதிகமாக விளக்கப்பட்டுள்ளதா? உங்கள் பலவீனமான புள்ளிகளை பட்டியலிடுங்கள்; முடிவை உறுதிப்படுத்த வேண்டாம், கேள்வி கேட்கவும்.

4) காட்சிப்படுத்தல் (நேர்மையானது):

பின்வரும் தரவுகளுடன் விளக்கப்படம்/குறியீட்டைத் தயாரிக்கவும்: [தரவு]. நிச்சயமற்ற வரம்புகளைக் காட்ட வேண்டும் (பிழை பட்டி/வரம்பு). தவறான வெட்டுக்களைச் செய்யாமல் அச்சையும் அளவையும் அமைக்கவும். தரவுகளில் இல்லாத எந்தப் புள்ளிகளையும் சேர்க்க வேண்டாம். வரைபடம் என்ன செய்கிறது மற்றும் காட்டாது என்பதை குறிப்புடன் விளக்கவும்.

பலவீனமான வரியில் / வலுவான வரியில்

பலவீனமான உடனடி:

இந்த கண்டறிதல் தரவை பகுப்பாய்வு செய்து, தளத்தின் சரியான தேதியைக் குறிப்பிடவும்.

AI ஒரு பொருத்தமற்ற முறையைத் தேர்ந்தெடுத்து ஒரு சரியான தேதியை உருவாக்கலாம்; இது நிச்சயமற்ற தன்மையை மறைக்கிறது மற்றும் மாதிரி சிக்கல்களைக் காணாது.

சக்திவாய்ந்த தூண்டுதல்:

உங்கள் பங்கு: புள்ளியியல் ஆலோசகர். மகசூல்: [வரையறை, மாதிரி அளவு]. முதலில் இந்தத் தரவுகளுக்குப் பொருத்தமான முறை மற்றும் அதன் அனுமானங்களைச் சொல்லுங்கள், பிறகு அதைப் பயன்படுத்தினால் நிச்சயமற்ற வரம்புடன் முடிவைக் கொடுங்கள். ஒரு உறுதியான தேதியைக் கொடுக்க வேண்டாம். மாதிரியுடன் தொடர்புடைய ஆபத்துகள் (சிறிய n, கலவை, பழைய மரம்) முடிவை பலவீனப்படுத்தலாம்.

வேறுபாடு: முந்தையது தவறான உறுதியை உருவாக்குகிறது; இரண்டாவதாக, முறை திறந்த அனுமானங்களையும் நிச்சயமற்ற தன்மையையும் வைத்திருக்கிறது.

பேய்சியன் அணுகுமுறை, மாதிரி மற்றும் "குப்பை உள்ளே, குப்பை வெளியே"

நவீன தொல்பொருள் டேட்டிங்கில் ஒரு சக்திவாய்ந்த முறையானது பேய்சியன் மாடலிங் ஆகும் (தற்போதுள்ள முந்தைய தகவல்களை ஒருங்கிணைக்கும் ஒரு புள்ளியியல் அணுகுமுறை-எ.கா., "அடுக்கு A அடியில் B"-குறுகிய, மிகவும் யதார்த்தமான தேதி வரம்புகளை உருவாக்க அளவீடுகளுடன்) இது பல ரேடியோகார்பன் தேதிகளை ஸ்ட்ராடிகிராபிக் வரிசைகளுடன் இணைக்கிறது. இந்த அணுகுமுறை அடுக்குகளின் அறியப்பட்ட வரிசைக்கு கட்டுப்படுத்துவதன் மூலம் தனிப்பட்ட தேதிகளின் பரந்த நிச்சயமற்ற தன்மையைக் குறைக்கிறது. இந்த மாதிரிகளை உருவாக்க மற்றும் கணக்கிட AI உதவும்; ஆனால் என்ன முன் தகவல் (ஸ்ட்ரேடிகிராஃபிக் உறவுகள்) மாதிரியில் செல்கிறது என்பது ஒரு நிபுணர் முடிவாகும், மேலும் தவறான முன் கட்டுப்பாடு நம்பிக்கையான ஆனால் தவறான முடிவை உருவாக்குகிறது.

இங்கிருந்து நாம் தொகுதியின் மிக அடிப்படையான புள்ளிவிவரக் கொள்கைக்கு வருகிறோம்: "குப்பை உள்ளே, குப்பை வெளியே." மிகவும் மேம்பட்ட AI மற்றும் மிக நேர்த்தியான புள்ளிவிவரங்கள் கூட மோசமான தரவுகளிலிருந்து நல்ல முடிவுகளை உருவாக்க முடியாது. அசுத்தமான ரேடியோகார்பன் மாதிரி, ஒரு கலவையான சூழலில் இருந்து கண்டுபிடிக்கப்பட்டது அல்லது ஒரு சார்பு மாதிரி எவ்வளவு செயலாக்கம் செய்யப்பட்டாலும் செல்லாததாக இருக்கும். AI இந்தச் சிக்கல்களைக் காண முடியாது, ஏனெனில் அது "வெளியில் இருந்து" தரவைப் பார்க்காது; நீங்கள் கொடுக்கும் எண்களை அது உண்மையானதாக ஏற்றுக்கொள்கிறது. அந்தத் துறையை அறிந்த ஒரு நிபுணரால் மட்டுமே, மாதிரி எவ்வாறு சேகரிக்கப்பட்டது, எந்த சூழலில் இருந்து வந்தது, எதைப் பிரதிபலிக்கிறது என்பதை மதிப்பீடு செய்ய முடியும்.

எனவே புள்ளிவிவர முடிவுகளை நம்புவதற்கு முன், இந்த மூன்று கேள்விகளைக் கேளுங்கள்: மாதிரி பெரியதா மற்றும் பிரதிநிதித்துவம் போதுமானதா? சூழல்கள் நம்பகமானவை மற்றும் குழப்பமற்றவையா? இந்த கேள்விக்கு அளவீட்டு முறை பொருத்தமானதா? இந்த மூன்று கேள்விகளுக்கும் உங்களால் "ஆம்" என்று பதிலளிக்க முடியாவிட்டால், முடிவு எவ்வளவு "குறிப்பிடத்தக்கதாக" தோன்றினாலும் பரவாயில்லை.

உதவிக்குறிப்பு: ஒரு புள்ளிவிவரத்தின் வெளியீட்டை மதிப்பிடும்போது, ​​முதலில் உள்ளீட்டைப் பார்க்கவும், முடிவை அல்ல. "இந்த தரவு எங்கிருந்து வந்தது, எப்படி, எத்தனை மாதிரிகளுடன்?" வரைபடத்தைப் பார்ப்பதற்கு முன்பே கேள்வி பெரும்பாலான தவறான முடிவுகளை நீக்குகிறது.

பகுப்பாய்வு பணி அட்டவணை

தேடுதல்

AI இன் பங்கு

மனித முடிவு

சரிபார்ப்பு

C14 அளவுத்திருத்தம்

கணக்கீடு, காட்சிப்படுத்தல்

மாதிரி செல்லுபடியாகும்

சூழல், பழைய மரம்

தொடர்

மாதிரி ஸ்கேனிங்

காலவரிசை/செயல்பாடு பிரிப்பு

ஸ்ட்ராடிகிராபியுடன் ஒப்பீடு

பல மாறக்கூடியது

புள்ளியியல் கால்குலேட்டர்

முறை தேர்வு

அனுமான சோதனை

காட்சிப்படுத்தல்

கிராபிக்ஸ்/குறியீடு

நேர்மையான பிரதிநிதித்துவம்

நிச்சயமற்ற தன்மை, அளவு

கருத்து

சுருக்க வரைவு

பொருள், வரம்பு

நிபுணர், இலக்கியம்

பொதுவான தவறுகள்

• கேள்வி கேட்காமல் முறையைப் பயன்படுத்துதல். தவறான சோதனை "சுத்தமான" ஆனால் தவறான முடிவை அளிக்கிறது.
• நிச்சயமற்ற தன்மையை ஒரு வருடமாக குறைத்தல். கதிரியக்க கார்பன் ஒரு வரம்பு; ஒரு வருடம் தவறானது.
• மாதிரி சிக்கல்களைத் தவிர்ப்பது. சிறிய/அழுக்கு/சார்பு மாதிரி முடிவை செல்லாததாக்குகிறது.
• காரணத்திற்கான தவறான தொடர்பு. ஒன்றாக மாறுவது காரணமும் விளைவும் அல்ல.
• கிராபிக்ஸ் மூலம் தவறாக வழிநடத்துங்கள். கோடு அச்சு, மறைக்கப்பட்ட நிச்சயமற்ற தன்மை அறிவியல் சிதைவு.

சுருக்கமாக

டேட்டிங் மற்றும் புள்ளிவிவரங்களில் AI; இது அளவுத்திருத்தம், பேட்டர்ன் ஸ்கேனிங், கணக்கீடு மற்றும் காட்சிப்படுத்தல் ஆகியவற்றுக்கான சக்திவாய்ந்த முடுக்கியாகும். ஆனால் முறையின் தேர்வு, மாதிரி விமர்சனம், நிச்சயமற்ற தன்மையின் நேர்மையான வெளிப்பாடு மற்றும் முடிவின் விளக்கம் ஆகியவை அறிவியல் தீர்ப்புக்கு சொந்தமானது. முறையைப் புரிந்து கொள்ளாமல் விளக்கப்படத்தை நம்ப வேண்டாம்; எப்போதும் நிச்சயமற்ற தன்மையைக் கொண்டுள்ளது; மற்றும் ஒற்றை "சரியான தேதி" வலியுறுத்தலை எதிர்க்கவும்.

விண்ணப்ப பணி

மாதிரி கண்டுபிடிப்பு-அதிர்வெண் அட்டவணை அல்லது அளவீடு செய்யப்பட்ட ரேடியோகார்பன் இடைவெளிகளின் தொகுப்பைத் தயாரிக்கவும். "முறை பொருந்தக்கூடிய வினவல்" டெம்ப்ளேட்டுடன் பொருத்தமான பகுப்பாய்வு மற்றும் அதன் அனுமானங்களை அடையாளம் காணவும், பின்னர் "புள்ளிவிவர தணிக்கை" டெம்ப்ளேட்டைக் கொண்டு பகுப்பாய்வு செய்யவும். "காட்சிப்படுத்தல் (நேர்மையான)" டெம்ப்ளேட்டுடன் நிச்சயமற்ற வரம்புகளைக் காட்டும் விளக்கப்பட ஓவியத்தை உருவாக்கவும் மற்றும் ஒரு வருட தள்ளுபடியைத் தவிர்க்கவும்.

சரிபார்ப்பு பட்டியல்

• [ ] நான் முறை தேர்வு மற்றும் அனுமானங்களை சரிபார்த்தேன்.
• [ ] மாதிரி செல்லுபடியை (அளவு, கலவை, பழைய மரம்) பற்றி கேள்வி எழுப்பினேன்.
• [ ] நான் நிச்சயமற்ற தன்மையை ஒரு இடைவெளியாக வைத்திருந்தேன், நான் அதை ஒரு வருடமாக குறைக்கவில்லை.
• [ ] நான் காரணத்துடன் தொடர்புகளை குழப்பவில்லை.
• [ ] நான் விளக்கப்படத்தில் அளவு மற்றும் நிச்சயமற்ற தன்மையை நேர்மையாகக் காட்டியுள்ளேன்.