Madhara ya kimya ya uingizaji: Kwa nini AI yako inapoteza makosa
Mashara ya kimya ya uingizaji: Kwa nini AI yako inachukua makosa
Hivi karibuni data isiyo ya muundo imeenea, kutoka kwa nyaraka za kiufundi na maandishi ya kisayansi hadi machapisho ya vyombo vya habari vya kijamii na tathmini ya wateja. Biashara kutoka sekta mbalimbali zinatambua zaidi na zaidi kwamba maandishi haya hutoa ufahamu usio na thamani, lakini kupata, kupanga, na kutumia data hii ni vigumu.
Utajiri wa semantic wa lugha ya kibinadamu haujulikani na mbinu za kawaida za usindikaji wa maandishi zinazohusiana na maneno muhimu, ambazo zimeonekana kuwa zisizofaa. Kwa mfano, utafutaji wa "maswali ya gari" hauwezi kuonekana katika karatasi zinazohusiana na "maswali ya gari", na tathmini ya bidhaa ambayo inasema "msingi wa baridi" inaweza kupuuzwa wakati wa uchunguzi wa malalamiko ya wateja juu ya "ukosefu wa mfumo."
Majenga ya maandishi, mbinu mpya ambayo inabadilisha maneno na maneno katika vektor ya namba ambayo inashughulikia maana yao, ilitengenezwa na kutumika kama matokeo ya vikwazo hivi vya msingi. makampuni makubwa ya teknolojia yamepoteza mamilioni ya kujenga mifano ya kuingizwa ya juu zaidi na zaidi; kuingizwa kwa OpenAI, RoBERTa ya Meta, BERT ya Google, na mbadala nyingi za chanzo cha wazi sasa ni sehemu muhimu ya mifumo ya NLP ya kisasa.
Lakini, licha ya matumizi yao makubwa, bado hatuna ufahamu kamili wa jinsi mifano hii ya kuingizwa inavyofanya kazi katika mazingira ya vitendo.
- Mashara ya gharama kubwa ya utekelezaji ambayo hutokea wakati mifumo haina kukidhi mahitaji ya biashara.
- Uzoefu mbaya wa mtumiaji wakati maudhui yanayohusiana yanachukuliwa na mifumo ya utafutaji au mapendekezo. tofauti ya utendaji kati ya idadi tofauti ya watumiaji, makundi ya maudhui, na lugha.
- Utumiaji usio na ufanisi wa rasilimali na mashirika yanayotumia mifano ngumu sana
Uhisi na Utekelezaji wa Viwanda
Watu mbalimbali wanaweza kufaidika moja kwa moja na uchambuzi huu:
Elektroniki na Biashara ya Biashara:
- Kuanza utafutaji wa bidhaa ili kukidhi maswali mengi ya lugha, maneno, na makosa ya kuandika.
- Kuanza mifumo ya mapendekezo ili kutambua bidhaa zinazoweza kulinganishwa na maelezo tofauti.
- Kuanza zana za uchambuzi wa mapitio zaidi ambazo zinaelewa ufahamu wa hisia.
Matibabu ya matibabu:
- Kwa kuruhusu terminology ya matibabu kuunganishwa katika tofauti za alama katika mifumo ya upatikanaji wa hati za matibabu.
- Kwa kujali mafanikio ya elimu, kuboresha usindikaji wa lugha wa wagonjwa kwa maelezo ya dalili.
- Kusaidia utafutaji wa maandishi ya matibabu kwa kuunganisha zaidi dhana katika mabadiliko ya teknolojia
Uchimbaji wa fedha:
- Kuimarisha ufuatiliaji wa ufuatiliaji wa ukiukwaji wa sera, bila kujali maandiko.
- Kuimarisha uchunguzi wa udanganyifu kupitia kutambua mifano ya shaka katika tofauti za lugha.
- Kupongeza huduma kwa wateja kwa kuelewa vizuri aina tofauti za maswali ya watumiaji
Ni Nini Maudhui ya Maudhui?
Kwa wale wasio na mwanzo, kuingizwa kwa maandishi huwafanya maneno au maneno kuwa viktori vya namba - kimsingi orodha ndefu ya namba, vektor yenye ukubwa nyingi. Vektor hizi zinapatikana katika nafasi ya juu ambapo mfano wa semantic unawakilishwa na karibu. Kwa maneno rahisi, mambo yenye maana sawa yanapaswa kuwa karibu pamoja katika nafasi hii.
-
Wakati unatafuta Google, inamaanisha unamaanisha "miji ya New York" hata kama umepiga "miji ya kukaa NYC."
-
Wakati mteja wako wa barua pepe anapendekeza majibu
-
Wakati mfumo wa mapendekezo ya maudhui unaonyesha makala ambazo unaweza kuipenda
Wakati unatafuta Google, inamaanisha kwamba unamaanisha "hoteles ya New York" ingawa ulipiga "mahali pa kukaa katika NYC."
Wakati unatafuta Google, inamaanisha kwamba unamaanisha "hoteli za New York" hata kama ulipiga "miji ya kukaa huko NYC."
Wakati mteja wako wa barua pepe anapendekeza majibu
Wakati mteja wako wa barua pepe anapendekeza majibu
Kama mfumo wa mapendekezo ya maudhui unachunguza makala ambazo unaweza kuipenda
Kama mfumo wa mapendekezo ya maudhui unachunguza makala ambazo unaweza kuipenda
Uwezekano huu unawezesha programu nyingi:
- Mfumo wa utafutaji wa semantic
- Mfumo wa kupendekeza maudhui
- Ufahamu wa nia ya chatbot
- Mkakati na makundi ya nyaraka
- Mfumo wa kuagiza maandishi na kujibu maswali
Ufanisi wa maombi haya inategemea kwa kiasi kikubwa jinsi mfano wa kuingizwa unavyoshughulikia aina tofauti za maandishi na matukio ya lugha. Wakati mfano unaoathiri sana mabadiliko madogo ya muundo utakuwa na matatizo na maswali ya utafutaji halisi, mfano ambao unachanganya "Mimi upendo bidhaa hii" na "Mimi hataki bidhaa hii" kama karibu sawa itakuwa na ufanisi kwa uchambuzi wa hisia.
Kwa nini nilianza kuchunguza mifano ya kuingizwa
Sikuweza kamwe kusahau siku niliyokuwa na utafiti wa mifano ya kuingizwa kwa moja ya wateja wangu na nyaraka za sampuli. Nilijaribu kutafuta "laptop bila skrini za kushughulikia," tu ili kupata majibu kuhusu kompyuta za skrini za kushughulikia kutoka kwa kiwango cha vektor.
Siku hiyo ilikuja pamoja nami. Nadhani, ikiwa mfano hauwezi kuelewa msingi "bila", nini kingine kilikuwa kinachoharibika? Mchakato huo ulikuwa unachukua njia isiyotarajiwa. Nilipaswa kujua jinsi tatizo lilikuwa kubwa. Bila shaka, viwango vya viwango vya mfano wetu wa kuingizwa vilionekana kuvutia, lakini jinsi ilivyokuwa na lugha ya ajabu, ya kweli ambayo watumiaji wetu waliandika kila siku?
Baada ya miaka miwili ya majaribio na mifano mbalimbali ya kuingizwa katika maombi mbalimbali kwa kutumia RAG Experiment Accelerator (https://github.com/microsoft/rag-experiment-accelerator), nimepata njia ya utaratibu wa kutathmini jinsi mifano hizi zinaweza kukabiliana na aina tofauti za mabadiliko ya aya.https://github.com/microsoft/rag-experiment-accelerator
Hii haikuwa shida ya random - zilikuwa na vipande vidogo vya kina, vya utaratibu vilivyowekwa katika jinsi mifano hizi zinaona lugha. Na hakuna mtu alikuwa akizungumzia kuhusu hilo. Mimi ni kushiriki matokeo haya kwa sababu nimeona timu nyingi kupoteza miezi ya kutekeleza mifumo ya kifahari ya kuingizwa tu ili kugundua baadaye kwamba zinaanguka kwa njia zisizotarajiwa.
Hatua hii sio tu ya kitaaluma. Matokeo ya uelewa usio na uelewa wa tabia ya kuingizwa ni makubwa: Mshirika wa kampuni kubwa ya huduma ya afya aliniambia mfumo wao wa kupata habari za matibabu ulikuwa ukosefu wa nyaraka za kliniki zinazohusiana kwa sababu mfano wao wa kuingizwa hauwezi kushughulikia kwa usahihi ufupi na mabadiliko ya terminology ya matibabu.
Katika kampuni ya huduma za kifedha, mfumo wao wa ufuatiliaji wa ufuatiliaji ulipoteza ukiukwaji wa sera kwa sababu mfano wao wa kuingizwa hauwezi kutambua kwamba maneno ya sauti ya pasive ("hawafanyiwa usafirishaji") yalikuwa na maana sawa na sauti ya kazi ("mtu alifanya usafirishaji wa fedha"). Nimeona makampuni ya e-commerce kupoteza mamilioni ya dola kutokana na kutokuwa na uwezo wa mfumo wao wa utafutaji wa bidhaa kukidhi vifungu vya kawaida na vifungu vya lugha vinavyotumiwa na wateja.
Mpango wangu wa kupima
Nilijenga mfumo wa mtihani ambao unachunguza jinsi mifano ya kuingizwa inavyojibu kwa makundi kadhaa tofauti ya mabadiliko ya maandishi. Kutumia usawa wa cosine kama thamani (ambapo 1.0 inamaanisha maana sawa na 0.0 inamaanisha haijalishi kabisa), Niliendesha mamia ya kesi za mtihani. Nitaenda kupitia kile nilichokiona, nikifikiri mifano kadhaa, ikiwa ni pamoja na MSMarco DistilBERT, OpenAI maandishi ya kuingizwa, na wengi zaidi, na nimeona mifano sawa katika kuingizwa kwa njia nyingi za transformer.
MSMarco DistilBERT, OpenAI maandishi kuingizwa, na wengi zaidi,Huwezi kuzungumza juu kutoka chini (kwa ujumla)
Mifano ya kuingizwa inaona "Apple ilitangaza bidhaa mpya" na "apple ilitangaza bidhaa mpya" kama kitu kimoja - alama ya sawa kamili ya 1.0. Hakuna tofauti yoyote.
Niliingia kwenye hii na mfumo wa orodha ya bidhaa. Utafutaji haukuweza kuelezea tofauti kati ya bidhaa "Apple" na matunda "Apple." Wateja wanaotafuta bidhaa za Apple walipata mapishi ya keki ya apple. Je, unafikiri wateja wako watakuwa na furaha kuangalia matokeo?
Kwa nini hii inamaanisha? Fikiria juu ya matukio yote ambapo thamani inabadilika maana - "Polish" vs "Polish", "March" vs "march", "Bill" vs "bill". Kwa maandishi ya kisheria au ya matibabu, tofauti hizi zinaweza kuwa muhimu. Kwa ujumla tunajifunza na mifano ambayo ni kipofu kwa kiwango kikubwa cha lugha iliyoandikwa. Kuna njia ya kurekebisha masuala ya aina hii, na yatahifadhiwa baadaye. Hebu tuelewe masuala zaidi na kuingizwa. Kumbuka kwamba hii inaweza kuwa ya manufaa ikiwa tofauti hizi hazifanyi madhara ya kesi ambayo wewe ni kushughulikia.
Numbers Might As Well Be Made Up
Hii pia ilikuja kwangu. Modeli za kuingizwa kuona "Uwekezaji ulipoteza 2% kwa mwaka" na "Uwekezaji ulipoteza 20% kwa mwaka" kama kitu kimoja, kiwango cha kipekee cha 0.97. Hakuna tofauti ya kutambua kati ya hali mbili.
Mifano ya kuingizwa inazungumzia "Uwekezaji ulipoteza 2% kwa mwaka" na "Uwekezaji ulipoteza 20% kwa mwaka" kama kitu kimoja, kiwango cha kipekee cha 0.97.
Niliingia kwenye hili na mfumo wa utafutaji wa hati za kifedha. Algorithi haikuweza kuelezea tofauti kati ya "sheria ya usimamizi: 0.2%" na "sheria ya usimamizi: 2.0%." Wawekezaji wanaotafuta fedha za gharama ndogo walipata chaguo la gharama kubwa badala yake. Je, unafikiri akaunti yako ya kustaafu itakuwa na furaha na makosa hayo?
Fikiria juu ya kesi zote ambapo thamani za nambari ni maelekezo muhimu ya kipimo, uvumilivu wa uhandisi, mapato ya kifedha, na muda wa mkataba. Kwa uwekezaji au maandishi ya matibabu, tofauti hizi zinaweza kubadilisha maisha.
Suluhisho la "Hakuna" ni ya kutisha
Hii ni hatari kwa kweli. Kuongezea "si" kwa kauli - kwa kweli kurekebisha maana yake - huathiri tu alama za usawa. Tunaona mara kwa mara alama za juu za 0.95 kwa upinzani kamili. "Matibabu yameimarisha matokeo ya wagonjwa" dhidi ya "Matibabu hayakuboresha matokeo ya wagonjwa" → 0.96 sawa Wakati nilionyesha hii kwa daktari ambaye alikuwa anatumia mfumo wetu wa utafutaji wa matibabu, alikuwa na hofu.Tumeona alama za kawaida za juu ya 0.95 kwa upinzani kamili. "Matibabu iliboresha matokeo ya wagonjwa" dhidi ya "Matibabu hayakuboresha matokeo ya wagonjwa" → 0.96 sawa
Tulijenga mfumo ambao madaktari watatumia kutafuta taratibu za matibabu. Kupata hii mbaya, na watu wanaweza kufa. Kukataa si kesi fulani - ni msingi wa lugha ya kibinadamu. Wakati utafutaji wako, mapendekezo, au mfumo wa uchambuzi hauwezi kusema "ufanisi" kutoka "ukosefu wa ufanisi" au "salama" kutoka "hakika", wewe ni kujenga mashine hatari ya hallucination.
In healthcare, inaweza maana kupendekeza matibabu yenye uharibifu. Katika nyaraka za kisheria, inaweza kurekebisha kikamilifu wajibu wa mkataba. Katika maudhui upungufu, unaweza kupoteza tofauti kati ya "kimbunga ni kukubalika" na "kimbunga ni kamwe kukubalika."
Ulinzi wa afya Kazi ya kisheria Mstari wa chini ContentSpaces Don't Matter (Ukiwa wao kweli kufanya)
Jumla ya ziada, vidonge, muundo wa ajabu - mifano haina wasiwasi. Jumla ya sawa huendelea juu ya 0.995. Lakini kuondoa vipande vyote? Jumla ghafla huanguka hadi 0.82. Nilipata tatizo hili wakati nilifanya kazi na maudhui ambayo yalikuwa yamechapwa na yalikuwa na upungufu usio wa kawaida kutokana na HTML mbaya. Tumeunda mfumo huu mzuri wa utafutaji kwa maktaba ya digital na maelfu ya nyaraka zilizochapwa. Nusu ya maswali yalirudisha chochote kwa sababu ya upungufu usio wa kipekee. Wahariri walikuwa tayari kuichapisha mradi wote.
Juu ya 0.995. lakini kuondoa nafasi zote? Juu ya 0.82.
Hii mbaya huwa na uharibifu wakati wa kukabiliana na maudhui yaliyotengenezwa na mtumiaji, nyaraka za OCR, au lugha ambazo hazitumia nafasi kama vile Kiingereza hufanya (kama Thai au Kichina). Pia inamaanisha mifano hii inapigana na hashtags, URLs, na msimbo wa bidhaa - mambo ambayo watu halisi wanatafuta kila siku.
Ujumbe ni wa changamoto
Modeli za kuingizwa zinaona "Moto ni upande wa kushoto wa mti" na "Moto ni upande wa kulia wa mti" kama karibu sawa - kiwango cha kipekee cha kipekee cha 0.98. Licha ya kuelezea mtazamo tofauti, mifano ya kuingizwa inachukulia kama karibu sawa. Je, unafikiri watendaji wa miundombinu watakuwa na furaha wakati robots zitawapa pakiti kwenye vituo sahihi?"Mchezo ni upande wa kushoto wa mti" na "Mchezo ni upande wa kulia wa mti" kama karibu sawa - kiwango cha kipekee cha 0.98.
Fikiria juu ya matukio yote ambapo mtazamo na mifumo ya kumbukumbu ni muhimu - mwelekeo wa uendeshaji, mahusiano ya nafasi, nafasi ya uhusiano katika utaratibu wa matibabu, na maelezo ya kisheria ya matukio ya ajali. Utambuzi huu sio mdogo - wao kubadilisha maana kabisa kulingana na mtazamo.
Kutokana na ukweli wa ukweli wa ukweli wa ukweli wa ukweli wa ukweli wa ukweli wa ukweli
Hii moja ilinifanya mimi kucheza, kisha kunywa. mifano ya kuingizwa kuona "Ikiwa mahitaji huongezeka, bei itaongezeka" na "Ikiwa mahitaji huongezeka, bei itaanguka" kama karibu sawa - kiwango cha kuvutia cha 0.95. Hata hivyo, wanaonyesha hali tofauti kabisa ya kiuchumi!
"Kama mahitaji huongezeka, bei itaongezeka" na "Kama mahitaji huongezeka, bei itaanguka" kama karibu sawa - kiwango cha kuvutia cha 0.95
Nilipata tatizo hili kujenga mfumo wa uchambuzi wa makala za utafiti wa kiuchumi. algorithm haikuweza kutofautisha kati ya uhusiano wa sababu. Wataalamu wa kiuchumi wanaotafuta makala kuhusu ongezeko la bei wakati wa ongezeko la mahitaji walipata matokeo kuhusu kushuka kwa bei wakati wa mgogoro badala yake. Je, unafikiri wachambuzi wa kifedha wanaotumia maamuzi ya uwekezaji ya dola milioni watafurahia kupata habari nyuma?
Kwa mara nyingine tena, fikiria matukio yote ambapo mantiki ya kinyume na ukweli ni muhimu: mtazamo wa kiuchumi, uhusiano wa sababu na athari wa matibabu, hypothesis za kisheria, na uchambuzi wa kushindwa wa uhandisi. Wakati huwezi kusema "kama X, basi Y" kutoka "kama sio-X, basi sio-Y", unaelewa vibaya uhusiano wa sababu.
Mipango na thamani za uhakika
Hii ilikuacha neno. Modeli za kuingizwa zinaona "Jinsi bidhaa inachukua kati ya $ 50-$ 100" na "Jinsi bidhaa inachukua tu $ 101" kama karibu kitu kimoja - kiwango cha kipekee cha 0.98.Mifano ya kuingizwa inaona "Jinsi bidhaa inachukua kati ya $ 50-$ 100" na "Jinsi bidhaa inachukua tu $ 101" kama karibu kitu kimoja - kiwango cha kipekee cha 0.98
Nilijifunza hili wakati wa kujenga mfumo wa kulinganisha bei kwa mteja wa e-commerce. Utafutaji hauwezi kutofautisha kati ya kiwango cha bei na bei sahihi, hata wakati bei sahihi ilikuwa nje ya kiwango kilichowekwa. Wateja wenye bajeti kali ya $ 100 wakitafuta bidhaa " chini ya $ 100" waliendelea kuonyeshwa bidhaa za gharama ya $ 120 au $ 150. Je, unafikiri wateja wenye bajeti zilizo imara wanapenda kuona bidhaa ambazo bila shaka hawawezi kuruhusu?
Fikiria juu ya matukio yote ambapo viwango dhidi ya thamani halisi ni muhimu - maamuzi ya bei, viwango vya dawa, muda wa kisheria, uvumilivu wa usalama, na viwango vya utendaji. Wakati mfano wako unachukua "kuhusu siku 25" na "kuhusu siku 20" kama sawa kimsingi, umepoteza maana muhimu.
Ukweli na matokeo
Hapa ni kulinganisha kati ya msmarco-distilbert-base-tas-b, all-mpnet-base-v2, na open-ai-text-embedding-3-large, na utaona kwamba hakuna tofauti kubwa kati ya matokeo ya mifano hii.
msmarco-distilbert-base-tas-b, all-mpnet-base-v2, na open-ai-text-embedding-3-kubwa, na utaona kwamba hakuna tofauti kubwa kati ya matokeo ya mifano hii.
|
|
|---|
msmarco-distilbert-base-tas-b kiwango cha kuingiza katika kesi tofauti za mtihani
msmarco-distilbert-base-tas-b kiwango cha kuingiza katika kesi tofauti za mtihani
|
|
|---|
all-mpnet-base-v2 kuingiza alama katika kesi tofauti za mtihani
All-mpnet-base-v2 ukubwa wa kuingizwa katika kesi tofauti za mtihani
|
|
|---|
openai-text-embedding-3-mafanikio makubwa ya kuingiza katika kesi tofauti za mtihani
openai-text-embedding-3-mafanikio makubwa ya kuingiza katika kesi tofauti za mtihani
Jinsi ya kufanya kazi na Embeddings
Tazama, embeddings ni muhimu sana licha ya matatizo haya. Sisi si kusema usitumie - mimi ni kusema kutumia yao na macho yako wazi. Hapa ni ushauri wangu kupita majaribio baada ya miradi kadhaa na kushindwa:
- Imetengeneza mtihani wa shinikizo karibu na maeneo muhimu. Maombi tofauti yana mahitaji tofauti ya kushindwa. Kwa huduma za afya, kawaida ni kukataa na usahihi. Kwa fedha, ni
-
Testa mfano wako juu ya mifano ya lugha ya mtumiaji halisi kabla ya kutumika. Hakuna viwango vya kitaaluma, hakuna kesi za mtihani zilizohifadhiwa - mifano halisi ya jinsi watumiaji wako wanawasiliana. Tumeunda kifaa cha "mtihani wa shinikizo la lugha" ambacho kinasimamia mabadiliko ya kawaida kama mabadiliko ya kukataa, kuandika, na tofauti za namba. Kila mfumo tunavyojaribu unashindwa katika maeneo fulani - swali ni kama maeneo hayo ni muhimu kwa maombi yako maalum.
-
Tengeneza mstari wa kulinda karibu na maeneo muhimu ya macho. Maombi tofauti yana mahitaji tofauti ambayo haiwezi kushindwa. Kwa huduma ya afya, kwa kawaida ni kukataa na usahihi wa kibinafsi. Kwa fedha, ni idadi na mahusiano ya muda. Kwa kisheria, ni hali na wajibu. Utambue kile ambacho haiwezi kuwa na makosa kabisa katika uwanja wako, na kutekeleza ulinzi maalum.
-
Layer mbinu tofauti badala ya betting kila kitu juu ya embeddings. mifumo yetu mafanikio zaidi kuunganisha kutafuta msingi wa embeddings na uhakiki wa neno muhimu, udhibiti wa sheria wazi, na classifiers maalum kwa tofauti muhimu. redundancy hii si ufanisi; ni muhimu.
-
Uwe wazi na watumiaji kuhusu kile mfumo unaweza na hauwezi kufanya kwa uaminifu. Tuliongeza alama za uaminifu ambazo zinaonyesha wazi wakati matokeo yanaweza kuhusisha kukataa, kulinganisha kwa namba, au pointi zingine za uwezekano. Watumiaji hupenda uaminifu, na huunda uaminifu katika mfumo kwa ujumla.
Testa mifano yako juu ya mfano wa lugha ya mtumiaji halisi kabla ya utekelezaji. Hakuna viwango vya kitaaluma, hakuna mifano ya majaribio - mifano halisi ya jinsi watumiaji wako kuwasiliana. Tumeunda kitabu cha chombo cha "kielelezo cha mtihani wa shinikizo" ambacho kinasimamia mabadiliko ya kawaida kama vile kukataa, kuandika, na tofauti za idadi kabla ya utekelezaji. Kila mfumo tunajaribu kushindwa katika maeneo fulani - swali ni kama maeneo hayo ni muhimu kwa maombi yako maalum.
Jifunze mfano wako juu ya mifano ya lugha ya mtumiaji halisi kabla ya kutumika. Hakuna viwango vya kitaaluma, hakuna kesi za mtihani zilizohifadhiwa - mifano halisi ya jinsi watumiaji wako wanawasiliana. Tumeunda chombo cha "kusimamia shinikizo la lugha" ambacho kinasimamia mabadiliko ya kawaida kama vile udanganyifu, sauti, na tofauti za namba. Kila mfumo tunavyojaribu unashindwa katika maeneo fulani - swali ni kama maeneo hayo ni muhimu kwa maombi yako maalum.
Tengeneza mstari wa uhakika karibu na maeneo muhimu ya macho. Maombi tofauti yana mahitaji tofauti ambayo haiwezi kushindwa. Kwa huduma ya afya, ni kawaida kukataa na usahihi wa kiumbe. Kwa fedha, ni idadi na mahusiano ya muda. Kwa kisheria, ni hali na wajibu. Utambue kile ambacho haiwezi kuwa na makosa kabisa katika uwanja wako, na kutekeleza ulinzi maalum.
Layer mbinu tofauti badala ya betting kila kitu juu ya kuingizwa. mifumo yetu mafanikio zaidi kuunganisha kuingizwa-kulingana na kupata na uthibitisho wa neno muhimu, udhibiti wazi wa sheria, na classifiers maalum kwa tofauti muhimu.
Ni wazi na watumiaji kuhusu kile mfumo unaweza na hauwezi kufanya kwa uaminifu. Tumeongeza takwimu za uaminifu ambazo zinaonyesha wazi wakati matokeo yanaweza kuhusisha kukataa, kulinganisha kwa idadi, au pointi zenye uwezo.
Hapa ni jambo muhimu zaidi nililowahi kujifunza: mifano hii haina kuelewa lugha kama vile binadamu - wanaelewa mifano ya takwimu.Kama niliacha kutarajia ufahamu wa binadamu na kuanza kutibu kama zana za kisasa za kulinganisha mifano na vipande maalum vya machozi, mifumo yangu iliboreshwa.
Hapa ni kitu muhimu zaidi nimejifunza:
Matunda niliyoelezea hayakuondoka wakati wowote haraka - yanahifadhiwa kwa jinsi mifano hizi zinafanya kazi. Lakini ikiwa unajua kuwa kuna, unaweza kubuni karibu nao. Na wakati mwingine, kutambua ukomo ni hatua ya kwanza kuelekea kupambana nayo.
Kumbuka: Nina kesi nyingi zaidi kama hizo zilizopatikana kupitia majaribio, na nitazungumzia katika chapisho langu la baadaye pamoja na mifano.
Kumbuka: Nina matukio mengi zaidi kama hayo yaliyopatikana kupitia majaribio, na nitazungumzia katika chapisho langu la baadaye pamoja na mifano ya mifano.
Tazama makala inayofuata itakuja hivi karibuni.
