মেশিন শেখার ইতিহাস পূর্বাভাস করতে পারেন?

বর্তমান ঘটনা ঐতিহাসিক তাত্পর্য নির্ধারণ অত্যন্ত কঠিন, নতুন গবেষণা প্রস্তাব

মেশিন শেখার ইতিহাস পূর্বাভাস করতে পারেন?
মেশিন শেখার ইতিহাস পূর্বাভাস করতে পারেন?


একটি নতুন গবেষণায় প্রস্তাবিত, ইতিহাসের বৃহৎ পরিমাণ বিশ্লেষণ এবং গোলমাল কমিয়ে দেওয়ার জন্য যন্ত্রশিক্ষার সরঞ্জামগুলি উপকারী হতে পারে।

কিভাবে আমরা একটি ঘটনা ঐতিহাসিক জানি না? একটি ঘটনা এর ঐতিহাসিক তাত্পর্য ভবিষ্যতে পরবর্তী ঘটনা প্রভাবিত করে উপর নির্ভর করে। কিন্তু এই ভবিষ্যদ্বাণী করা কঠিন হতে পারে: ঐতিহাসিক মনে হতে পারে যা এখন ভবিষ্যতের প্রজন্মের দ্বারা তুচ্ছ বলে মনে করা যেতে পারে। নতুন গবেষণায় দেখা যায় যে, এমনকি মেশিন লার্নিং সরঞ্জামগুলিও, ঐতিহাসিক তাত্পর্য নির্ধারণ করা কঠিন, তবে এই সরঞ্জামগুলি এখনও ইতিহাসবিদদের সহায়তা করতে পারে।

গবেষণায়, জোসেফ রিসি এবং অন্যান্যরা পরীক্ষিত হলে মেশিন লার্নিং ভবিষ্যতে একটি ইভেন্টের গুরুত্ব পূর্বাভাস দিতে পারে। এটি করার জন্য, তারা 1973 থেকে 1979 সালের মধ্যে মার্কিন যুক্তরাষ্ট্রের স্টেট ডিপার্টমেন্ট থেকে প্রায় দুই মিলিয়ন ঘোষিত ইলেকট্রনিক তারের বিশ্লেষণ করে। সেই সময়ে, এইগুলিগুলি বিশ্বজুড়ে মার্কিন সরকার এবং তার দূতাবাসগুলির মধ্যে যোগাযোগের প্রভাবশালী রূপ ছিল। আরো গুরুত্বপূর্ণ, এই তারের মধ্যে গুরুত্বপূর্ণ ঘটনা (যেমন ইরানী বিপ্লব) এবং তুচ্ছ ঘটনা (যেমন দূতাবাস সামাজিক ক্রিয়াকলাপ) উভয় সম্পর্কে তথ্য অন্তর্ভুক্ত। এটি লেখককে উচ্চ পর্যায়ে মনোযোগের জন্য মনোনীত করা হয়েছে কিনা তা সহ বেশ কয়েকটি কারণের উপর নির্ভর করে সেই সময়ে তাদের উপলব্ধি অনুসারে তারের স্কোর করতে অনুমতি দেয়।

একটি মেশিন লার্নিং মডেল ব্যবহার করে, এই গুরুত্বপূর্ণ তারগুলি পেশাদার ইতিহাসবিদদের কয়েক দশক পরে সংকলিত গুরুত্বপূর্ণ তারের অন্য ডেটাসেটের সাথে তুলনা করা হয়েছিল। ইতিহাসবিদদের ডেটাসেটে প্রায় ২ মিলিয়ন তারের মধ্যে 1% এরও কম পাওয়া গেছে।

কৌতুহলজনক, সেই সময়ে তারগুলি সবচেয়ে গুরুত্বপূর্ণ বলে বিবেচিত হয়েছিল, ইতিহাসবিদদের পরে তার চেয়ে কম সামান্য বেশি শ্রেণীবদ্ধ হওয়ার সম্ভাবনা ছিল, তারপরে কম গুরুত্বপূর্ণ হিসাবে তারের তুলনায় কম। লেখক মতে, এই প্রস্তাব দেয় যে ঐতিহাসিক তাত্পর্য পূর্বাভাস করা অত্যন্ত কঠিন। এই অসুবিধা সত্ত্বেও, লেখক পরামর্শ দেন যে মেশিনের লার্নিং সরঞ্জাম ইতিহাসবিদদের জন্য এখনও উপকারী হতে পারে, যারা তথ্যগুলি বৃহত পরিমাণে বিশ্লেষণ করতে, শব্দকে ছোট করে এবং ডেটা ছোট সেটগুলিতে ফোকাস করতে তাদের ব্যবহার করতে পারে।

0 Comments: