ସ୍ୱୟଂଚାଳିତ: ତଥ୍ୟ ବିଜ୍ଞାନ ଏବଂ ଯନ୍ତ୍ର ଶିଖିବାର ଭବିଷ୍ୟତ?

ଗଣନା ଇତିହାସରେ ମେସିନ୍ ଲର୍ନିଂ ସବୁଠୁ ବଡ ଅଗ୍ରଗତି ହୋଇପାରିଛି ଏବଂ ବର୍ତ୍ତମାନ ବଡ ଡାଟା ଏବଂ ଆନାଲିଟିକ୍ସ କ୍ଷେତ୍ରରେ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଭୂମିକା ଗ୍ରହଣ କରିବାରେ ସକ୍ଷମ ହୋଇଥିବା ଦେଖାଯାଉଛି | ବଡ ଡାଟା ଆନାଲିଟିକ୍ସ ଏକ ଉଦ୍ୟୋଗ ଦୃଷ୍ଟିକୋଣରୁ ଏକ ବଡ଼ ଆହ୍ .ାନ | ଉଦାହରଣ ସ୍ .ରୁପ, ବିଭିନ୍ନ ଡାଟା ଫର୍ମାଟ୍ର ବହୁ ସଂଖ୍ୟକ ବୁ understanding ିବା, ତଥ୍ୟ ପ୍ରସ୍ତୁତି ବିଶ୍ଳେଷଣ କରିବା ଏବଂ ଅନାବଶ୍ୟକ ତଥ୍ୟ ଫିଲ୍ଟର୍ କରିବା ଭଳି କାର୍ଯ୍ୟକଳାପ ଉତ୍ସ ଉତ୍ସ ହୋଇପାରେ | ଡାଟା ବ scientist ଜ୍ଞାନିକ ବିଶେଷଜ୍ଞ ନିଯୁକ୍ତି ଏକ ମହଙ୍ଗା ପ୍ରସ୍ତାବ ଏବଂ ପ୍ରତ୍ୟେକ କମ୍ପାନୀ ପାଇଁ ଶେଷ ହେବାର ମାଧ୍ୟମ ନୁହେଁ | ବିଶେଷଜ୍ଞମାନେ ବିଶ୍ that ାସ କରନ୍ତି ଯେ ମେସିନ୍ ଲର୍ନିଂ ଆନାଲିଟିକ୍ସ ସହିତ ଜଡିତ ଅନେକ କାର୍ଯ୍ୟକୁ ସ୍ୱୟଂଚାଳିତ କରିପାରିବ - ଉଭୟ ରୁଟିନ୍ ଏବଂ ଜଟିଳ | ସ୍ୱୟଂଚାଳିତ ମେସିନ୍ ଶିକ୍ଷା ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଉତ୍ସଗୁଡ଼ିକୁ ମୁକ୍ତ କରିପାରେ ଯାହା ଅଧିକ ଜଟିଳ ଏବଂ ଅଭିନବ କାର୍ଯ୍ୟ ପାଇଁ ବ୍ୟବହୃତ ହୋଇପାରେ | ମେସିନ୍ ଲର୍ନିଂ ସବୁବେଳେ ଏହି ଦିଗରେ ଗତି କରୁଥିବା ପରି ମନେହୁଏ |

ସୂଚନା ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ପ୍ରସଙ୍ଗରେ ସ୍ୱୟଂଚାଳିତ |

ଆଇଟିରେ, ସ୍ୱୟଂଚାଳିତ ହେଉଛି ବିଭିନ୍ନ ସିଷ୍ଟମ ଏବଂ ସଫ୍ଟୱେୟାରର ସଂଯୋଗ, ସେମାନଙ୍କୁ କ human ଣସି ମାନବ ହସ୍ତକ୍ଷେପ ବିନା ନିର୍ଦ୍ଦିଷ୍ଟ କାର୍ଯ୍ୟ କରିବାକୁ ସକ୍ଷମ କରିଥାଏ | ଆଇଟିରେ, ସ୍ୱୟଂଚାଳିତ ସିଷ୍ଟମ୍ ଉଭୟ ସରଳ ଏବଂ ଜଟିଳ କାର୍ଯ୍ୟ କରିପାରିବ | ଏକ ସରଳ କାର୍ଯ୍ୟର ଏକ ଉଦାହରଣ ହୁଏତ ଫର୍ମଗୁଡିକ PDF ସହିତ ଏକୀଭୂତ କରିବା ଏବଂ ସଠିକ୍ ପ୍ରାପ୍ତକର୍ତ୍ତାଙ୍କୁ ଡକ୍ୟୁମେଣ୍ଟ୍ ପଠାଇବା, ଯେତେବେଳେ ଅଫ୍ ସାଇଟ୍ ବ୍ୟାକଅପ୍ ଯୋଗାଇବା ଏକ ଜଟିଳ କାର୍ଯ୍ୟର ଉଦାହରଣ ହୋଇପାରେ |

ତୁମର କାମକୁ ସଠିକ୍ ଭାବରେ କରିବାକୁ, ତୁମକୁ ସ୍ୱୟଂଚାଳିତ ସିଷ୍ଟମକୁ ପ୍ରୋଗ୍ରାମ କରିବାକୁ କିମ୍ବା ସ୍ପଷ୍ଟ ନିର୍ଦ୍ଦେଶ ଦେବାକୁ ପଡିବ | ପ୍ରତ୍ୟେକ ଥର ଏହାର କାର୍ଯ୍ୟର ପରିସରକୁ ପରିବର୍ତ୍ତନ କରିବା ପାଇଁ ଏକ ସ୍ୱୟଂଚାଳିତ ସିଷ୍ଟମ୍ ଆବଶ୍ୟକ ହୁଏ, ପ୍ରୋଗ୍ରାମ କିମ୍ବା ନିର୍ଦ୍ଦେଶ ସେଟ୍ କାହା ଦ୍ୱାରା ଅପଡେଟ୍ ହେବା ଆବଶ୍ୟକ | ଯଦିଓ ସ୍ୱୟଂଚାଳିତ ସିଷ୍ଟମ୍ ଏହାର କାର୍ଯ୍ୟରେ ପ୍ରଭାବଶାଳୀ, ବିଭିନ୍ନ କାରଣରୁ ତ୍ରୁଟି ଘଟିପାରେ | ଯେତେବେଳେ ତ୍ରୁଟି ଘଟେ, ଏହାର ମୂଳ କାରଣ ଚିହ୍ନଟ ଏବଂ ସଂଶୋଧନ କରାଯିବା ଆବଶ୍ୟକ | ଖାଲି ସେତିକି ନୁହେଁ, ଏହାର କାର୍ଯ୍ୟ କରିବା ପାଇଁ ଏକ ସ୍ୱୟଂଚାଳିତ ପ୍ରଣାଳୀ ସଂପୂର୍ଣ୍ଣ ଭାବରେ ମଣିଷ ଉପରେ ନିର୍ଭରଶୀଳ | କାର୍ଯ୍ୟର ପ୍ରକୃତି ଯେତେ ଜଟିଳ, ତ୍ରୁଟି ଏବଂ ସମସ୍ୟାର ସମ୍ଭାବନା ଅଧିକ |

ଆଇଟି ଇଣ୍ଡଷ୍ଟ୍ରିରେ ସ୍ୱୟଂଚାଳିତର ଏକ ସାଧାରଣ ଉଦାହରଣ ହେଉଛି ୱେବ୍ ଆଧାରିତ ଉପଭୋକ୍ତା ଇଣ୍ଟରଫେସଗୁଡ଼ିକର ପରୀକ୍ଷଣର ସ୍ୱୟଂଚାଳିତ | ପରୀକ୍ଷା ମାମଲାଗୁଡ଼ିକ ସ୍ୱୟଂଚାଳିତ ସ୍କ୍ରିପ୍ଟରେ ଦିଆଯାଏ ଏବଂ ସେହି ଅନୁସାରେ ବ୍ୟବହାରକାରୀ ଇଣ୍ଟରଫେସ୍ ପରୀକ୍ଷା କରାଯାଏ | (ମେସିନ୍ ଲର୍ନିଙ୍ଗର ବ୍ୟବହାରିକ ପ୍ରୟୋଗ ଉପରେ ଅଧିକ ଜାଣିବା ପାଇଁ, ପରବର୍ତ୍ତୀ ପି Generation ଼ି ଠକେଇ ଚିହ୍ନଟ ପାଇଁ ମେସିନ୍ ଲର୍ନିଂ ଏବଂ ହାଡପ୍ ଦେଖନ୍ତୁ |)

ସ୍ୱୟଂଚାଳିତ ସପକ୍ଷରେ ଯୁକ୍ତି ହେଉଛି ଏହା ନିତ୍ୟ ବ୍ୟବହାର୍ଯ୍ୟ ଏବଂ ପୁନରାବୃତ୍ତି କାର୍ଯ୍ୟ କରିଥାଏ ଏବଂ ଅଧିକ ଜଟିଳ ଏବଂ ସୃଜନଶୀଳ କାର୍ଯ୍ୟ କରିବାକୁ କର୍ମଚାରୀମାନଙ୍କୁ ମୁକ୍ତ କରିଥାଏ | ତଥାପି, ଏହା ମଧ୍ୟ ଯୁକ୍ତି କରାଯାଏ ଯେ ସ୍ୱୟଂଚାଳିତ ଦ୍ୱାରା ମନୁଷ୍ୟ ଦ୍ୱାରା କରାଯାଇଥିବା ବହୁ ସଂଖ୍ୟକ କାର୍ଯ୍ୟ ବା ଭୂମିକାକୁ ବାଦ ଦିଆଯାଇଛି | ବର୍ତ୍ତମାନ, ମେସିନ୍ ଶିଖିବା ସହିତ ବିଭିନ୍ନ ଶିଳ୍ପରେ ପ୍ରବେଶ କରିବା ସହିତ ସ୍ୱୟଂଚାଳିତ ଏକ ନୂତନ ଦିଗ ଯୋଗ କରିପାରିବ |

ସ୍ୱୟଂଚାଳିତ ଯନ୍ତ୍ର ଶିଖିବାର ଭବିଷ୍ୟତ?

ମେସିନ୍ ଲର୍ନିଂର ମୂଳ ହେଉଛି ତଥ୍ୟର କ୍ରମାଗତ ଭାବରେ ଶିଖିବା ଏବଂ ମାନବଙ୍କ ହସ୍ତକ୍ଷେପ ବିନା ବିକାଶ ପାଇଁ ଏକ ସିଷ୍ଟମର କ୍ଷମତା | ମେସିନ୍ ଲର୍ନିଂ ମାନବ ମସ୍ତିଷ୍କ ପରି କାର୍ଯ୍ୟ କରିବାକୁ ସକ୍ଷମ | ଉଦାହରଣ ସ୍ୱରୂପ, ଇ-ବାଣିଜ୍ୟ ସାଇଟଗୁଡିକରେ ସୁପାରିଶ ଇଞ୍ଜିନ୍ ଏକ ଉପଭୋକ୍ତାଙ୍କର ସ୍ୱତନ୍ତ୍ର ପସନ୍ଦ ଏବଂ ସ୍ es ାଦକୁ ଆକଳନ କରିପାରିବ ଏବଂ ଚୟନ କରିବାକୁ ସବୁଠାରୁ ଉପଯୁକ୍ତ ଉତ୍ପାଦ ଏବଂ ସେବା ଉପରେ ସୁପାରିଶ ପ୍ରଦାନ କରିପାରିବ | ଏହି ସାମର୍ଥ୍ୟକୁ ଦିଆଯାଇ, ବଡ଼ ତଥ୍ୟ ଏବଂ ଆନାଲିଟିକ୍ସ ସହିତ ଜଡିତ ଜଟିଳ କାର୍ଯ୍ୟଗୁଡ଼ିକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ପାଇଁ ମେସିନ୍ ଲର୍ନିଂ ଆଦର୍ଶ ଭାବରେ ଦେଖାଯାଏ | ଏହା ପାରମ୍ପାରିକ ସ୍ୱୟଂଚାଳିତ ପ୍ରଣାଳୀର ପ୍ରମୁଖ ସୀମାବଦ୍ଧତାକୁ ଅତିକ୍ରମ କରିଛି ଯାହା ନିୟମିତ ଭାବରେ ମାନବ ହସ୍ତକ୍ଷେପ ପାଇଁ ଅନୁମତି ଦିଏ ନାହିଁ | ସେଠାରେ ଏକାଧିକ କେସ୍ ଷ୍ଟଡିଜ୍ ଅଛି ଯାହା ଜଟିଳ ତଥ୍ୟ ବିଶ୍ଳେଷଣ କାର୍ଯ୍ୟ କରିବା ପାଇଁ ମେସିନ୍ ଶିଖିବାର କ୍ଷମତା ପ୍ରଦର୍ଶନ କରେ, ଯାହା ପରେ ଏହି କାଗଜରେ ଆଲୋଚନା ହେବ |

ଯେପରି ପୂର୍ବରୁ ସୂଚିତ କରାଯାଇଛି, ବଡ ଡାଟା ଆନାଲିଟିକ୍ସ ବ୍ୟବସାୟ ପାଇଁ ଏକ ଚ୍ୟାଲେଞ୍ଜିଂ ପ୍ରସ୍ତାବ, ଯାହା ଆଂଶିକ ମେସିନ୍ ଲର୍ନିଂ ସିଷ୍ଟମରେ ଦିଆଯାଇପାରେ | ଏକ ବ୍ୟବସାୟିକ ଦୃଷ୍ଟିକୋଣରୁ, ଏହା ଅନେକ ଲାଭ ଆଣିପାରେ ଯେପରିକି ଅଧିକ ସୃଜନଶୀଳ ଏବଂ ମିଶନ ଜଟିଳ କାର୍ଯ୍ୟ ପାଇଁ ଡାଟା ବିଜ୍ science ାନ ଉତ୍ସଗୁଡ଼ିକୁ ମୁକ୍ତ କରିବା, ଅଧିକ କାର୍ଯ୍ୟ ଭାର, କାର୍ଯ୍ୟ ସମାପ୍ତ କରିବାକୁ କମ୍ ସମୟ ଏବଂ ମୂଲ୍ୟର ପ୍ରଭାବ |

କେସ୍ ଅଧ୍ୟୟନ |

2015 ରେ, MIT ଅନୁସନ୍ଧାନକାରୀମାନେ ଏକ ଡାଟା ସାଇନ୍ସ ଟୁଲରେ କାମ କରିବା ଆରମ୍ଭ କଲେ ଯାହା ଗଭୀର ବ feature ଶିଷ୍ଟ୍ୟ ସିନ୍ଥେସିସ୍ ଆଲଗୋରିଦମ ନାମକ ଏକ କ que ଶଳ ବ୍ୟବହାର କରି ବହୁ ପରିମାଣର କଞ୍ଚା ତଥ୍ୟରୁ ଭବିଷ୍ୟବାଣୀ ତଥ୍ୟ ମଡେଲ ସୃଷ୍ଟି କରିପାରିବ | ବ machine ଜ୍ଞାନିକମାନେ ଦାବି କରିଛନ୍ତି ଯେ ଆଲଗୋରିଦମ ମେସିନ୍ ଲର୍ନିଙ୍ଗର ସର୍ବୋତ୍ତମ ବ features ଶିଷ୍ଟ୍ୟକୁ ଏକତ୍ର କରିପାରିବ | ବ scientists ଜ୍ଞାନିକଙ୍କ ଅନୁଯାୟୀ, ସେମାନେ ଏହାକୁ ତିନୋଟି ଭିନ୍ନ ଡାଟାବେସରେ ପରୀକ୍ଷା କରିଛନ୍ତି ଏବଂ ଅଧିକ ଅନ୍ତର୍ଭୁକ୍ତ କରିବା ପାଇଁ ପରୀକ୍ଷାକୁ ବିସ୍ତାର କରୁଛନ୍ତି। ଡାଟା ସାଇନ୍ସ ଆଣ୍ଡ ଆନାଲିଟିକ୍ସ ଉପରେ ଆନ୍ତର୍ଜାତୀୟ ସମ୍ମିଳନୀରେ ଉପସ୍ଥାପିତ ହେବାକୁ ଥିବା ଏକ କାଗଜରେ ଅନୁସନ୍ଧାନକାରୀ ଜେମ୍ସ ମ୍ୟାକ୍ସ କାନ୍ଟର ଏବଂ କଲ୍ୟାଣ ଭେରାମାଚାନେନି କହିଛନ୍ତି, “ଏକ ସ୍ୱୟଂଚାଳିତ ଟ୍ୟୁନିଂ ପ୍ରକ୍ରିୟା ବ୍ୟବହାର କରି ଆମେ ମାନବଙ୍କ ଯୋଗଦାନ ବିନା ସମଗ୍ର ପଥକୁ ଅପ୍ଟିମାଇଜ୍ କରିଥାଉ, ଏହାକୁ ବିଭିନ୍ନ ଡାଟାବେସରେ ସାଧାରଣ କରିବାକୁ ଅନୁମତି ଦେଇଥାଉ”।

ଆସନ୍ତୁ କାର୍ଯ୍ୟର ଜଟିଳତାକୁ ଦେଖିବା: ଆଲଗୋରିଦମରେ ଯାହା ଏକ ଅଟୋ-ଆଡଜଷ୍ଟମେଣ୍ଟ୍ କ୍ଷମତା ଭାବରେ ଜଣାଶୁଣା, ଯାହା ସାହାଯ୍ୟରେ କଞ୍ଚା ତଥ୍ୟରୁ (ଯେପରିକି ବୟସ କିମ୍ବା ଲିଙ୍ଗ) ଅନ୍ତର୍ନିହିତ ବା ମୂଲ୍ୟ ହାସଲ କରାଯାଇପାରିବ କିମ୍ବା ବାହାର କରାଯାଇପାରିବ, ଯାହା ପରେ ଭବିଷ୍ୟବାଣୀ ତଥ୍ୟ | ମଡେଲଗୁଡିକ ସୃଷ୍ଟି କରାଯାଇପାରିବ | ଆଲଗୋରିଦମ ଜଟିଳ ଗାଣିତିକ କାର୍ଯ୍ୟ ଏବଂ ଗ uss ସିଆନ୍ କପୁଲା ନାମକ ଏକ ସମ୍ଭାବ୍ୟତା ଥିଓରୀ ବ୍ୟବହାର କରେ | ତେଣୁ ଜଟିଳତାର ସ୍ତରକୁ ବୁ to ିବା ସହଜ ଅଟେ ଯାହା ଆଲଗୋରିଦମ ପରିଚାଳନା କରିପାରିବ | ଏହି କ que ଶଳ ପ୍ରତିଯୋଗିତାରେ ମଧ୍ୟ ପୁରସ୍କାର ଜିତିଛି |

ମେସିନ୍ ଲର୍ନିଂ ହୋମୱାର୍କ ବଦଳାଇପାରେ |

ଏହା ସମଗ୍ର ବିଶ୍ୱରେ ଆଲୋଚନା ହେଉଛି ଯେ ମେସିନ୍ ଲର୍ନିଂ ଅନେକ କାର୍ଯ୍ୟକୁ ବଦଳାଇପାରେ କାରଣ ଏହା ମାନବ ମସ୍ତିଷ୍କର ଦକ୍ଷତା ସହିତ କାର୍ଯ୍ୟ କରିଥାଏ | ବାସ୍ତବରେ, କିଛି ଚିନ୍ତା ଅଛି ଯେ ମେସିନ୍ ଲର୍ନିଂ ଡାଟା ବ scientists ଜ୍ଞାନିକଙ୍କୁ ବଦଳାଇବ ଏବଂ ଏହିପରି ଚିନ୍ତା ପାଇଁ ଏକ ଆଧାର ଥିବା ପରି ମନେହୁଏ |

ସାଧାରଣ ଉପଭୋକ୍ତାଙ୍କ ପାଇଁ ଯାହାର ତଥ୍ୟ ବିଶ୍ଳେଷଣ କ skills ଶଳ ନାହିଁ କିନ୍ତୁ ସେମାନଙ୍କର ଦ daily ନନ୍ଦିନ ଜୀବନରେ ବିଭିନ୍ନ ପ୍ରକାରର ଆନାଲିଟିକାଲ୍ ଆବଶ୍ୟକତା ଅଛି, କମ୍ପ୍ୟୁଟର ବ୍ୟବହାର କରିବା ସମ୍ଭବ ନୁହେଁ ଯାହା ବିପୁଳ ପରିମାଣର ତଥ୍ୟ ବିଶ୍ଳେଷଣ କରିପାରିବ ଏବଂ ବିଶ୍ଳେଷଣ ତଥ୍ୟ ପ୍ରଦାନ କରିପାରିବ | ତଥାପି, ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣ (NLP) କ ques ଶଳଗୁଡ଼ିକ କମ୍ପ୍ୟୁଟରକୁ ପ୍ରାକୃତିକ ମାନବ ଭାଷା ଗ୍ରହଣ ଏବଂ ପ୍ରକ୍ରିୟାକରଣ ଶିଖାଇ ଏହି ସୀମାକୁ ଦୂର କରିପାରିବ | ଏହିପରି, ସାଧାରଣ ଉପଭୋକ୍ତା ଅତ୍ୟାଧୁନିକ ଆନାଲିଟିକାଲ୍ କାର୍ଯ୍ୟ କିମ୍ବା କ skills ଶଳର ଆବଶ୍ୟକତା କରନ୍ତି ନାହିଁ |

ଆଇବିଏମ୍ ବିଶ୍ୱାସ କରେ ଯେ ଡାଟା ବ scientists ଜ୍ scientists ାନିକମାନଙ୍କର ଆବଶ୍ୟକତାକୁ ଏହାର ଉତ୍ପାଦ, ୱାଟସନ୍ ପ୍ରାକୃତିକ ଭାଷା ଆନାଲିଟିକ୍ସ ପ୍ଲାଟଫର୍ମ ମାଧ୍ୟମରେ କମ୍ କରାଯାଇପାରିବ କିମ୍ବା ଦୂର କରାଯାଇପାରିବ | ୱାଟସନ୍‌ରେ ଆନାଲିଟିକ୍ସ ଏବଂ ବ୍ୟବସାୟିକ ଗୁପ୍ତଚର ଉପାଧ୍ୟକ୍ଷ ମାର୍କ ଅଟସୁଲର୍ଙ୍କ ଅନୁଯାୟୀ, “ୱାଟସନଙ୍କ ପରି ଏକ ଜ୍ଞାନ ପ୍ରଣାଳୀ ସହିତ ତୁମେ କେବଳ ତୁମର ପ୍ରଶ୍ନ ପଚାରୁଛ - କିମ୍ବା ଯଦି ତୁମର ପ୍ରଶ୍ନ ନାହିଁ, ତୁମେ କେବଳ ତଥ୍ୟ ଅପଲୋଡ୍ କର ଏବଂ ୱାଟସନ ଏହାକୁ ଦେଖିପାରିବେ ଏବଂ ଆପଣ ଯାହା ଜାଣିବାକୁ ଚାହାଁନ୍ତି ତାହା ଅନୁମାନ କରନ୍ତୁ | ”

ଉପସଂହାର

ମେସିନ୍ ଲର୍ନିଂରେ ସ୍ୱୟଂଚାଳିତ ହେଉଛି ପରବର୍ତ୍ତୀ ଯୁକ୍ତିଯୁକ୍ତ ପଦକ୍ଷେପ ଏବଂ ଆମେ ଆମର ଦ day ନନ୍ଦିନ ଜୀବନରେ ଏହାର ପ୍ରଭାବ ଅନୁଭବ କରୁଛୁ - ଇ-କମର୍ସ ସାଇଟ୍, ଫେସବୁକ୍ ଫ୍ରେଣ୍ଡ ପରାମର୍ଶ, ଲିଙ୍କଡଇନ୍ ନେଟୱାର୍କ ପରାମର୍ଶ ଏବଂ ଏୟାରବନବ ସର୍ଚ୍ଚ ର୍ୟାଙ୍କିଙ୍ଗ୍ | ଦିଆଯାଇଥିବା ଉଦାହରଣକୁ ବିଚାରକୁ ନେଇ, ଏଥିରେ କ doubt ଣସି ସନ୍ଦେହ ନାହିଁ ଯେ ସ୍ୱୟଂଚାଳିତ ମେସିନ୍ ଲର୍ନିଂ ସିଷ୍ଟମ ଦ୍ୱାରା ଉତ୍ପାଦିତ ଆଉଟପୁଟର ଗୁଣବତ୍ତା ସହିତ ଏହାକୁ ଦାୟୀ କରାଯାଇପାରେ | ଏହାର ସମସ୍ତ ଗୁଣ ଏବଂ ଲାଭ ପାଇଁ, ବୃହତ ବେକାରୀ ସୃଷ୍ଟି କରୁଥିବା ମେସିନ୍ ଲର୍ନିଙ୍ଗର ଧାରଣା ଟିକେ ଅତ୍ୟଧିକ ପ୍ରତିକ୍ରିୟା ପରି ମନେହୁଏ | ଦଶନ୍ଧି ଧରି ଆମ ଜୀବନର ଅନେକ ସ୍ଥାନରେ ମେସିନ୍ ମାନବକୁ ବଦଳାଇ ଆସୁଥିଲା, କିନ୍ତୁ ମଣିଷମାନେ ବିକଶିତ ହୋଇ ଶିଳ୍ପରେ ପ୍ରାସଙ୍ଗିକ ରହିବାକୁ ଅନୁକୂଳ ହୋଇଥିଲେ | ଦୃଶ୍ୟ ଅନୁଯାୟୀ, ଏହାର ସମସ୍ତ ବ୍ୟାଘାତ ପାଇଁ ମେସିନ୍ ଲର୍ନିଂ ହେଉଛି ଅନ୍ୟ ଏକ ତରଙ୍ଗ ଯାହାକୁ ଲୋକମାନେ ଅନୁକୂଳ କରିବେ |


ପୋଷ୍ଟ ସମୟ: ଅଗଷ୍ଟ -03-2021 |