செல்ஃபியைத் தாண்டி: ராப்லாக்ஸின் வயது-உறுதிப்படுத்தல் அமைப்பு, வயதுச் சரிபார்ப்புகளைத் தற்போதையதாக வைத்திருக்க எவ்வாறு உதவுகிறது

ராப்ளக்ஸின் முக வயது மதிப்பீட்டு அமைப்பு, ராப்ளக்ஸ் பயனர்கள் தளம் சார்ந்த வயதுக்கு ஏற்ற அரட்டைகளைத் திறக்கவும், வயதுக்கு ஏற்ற விளையாட்டுகளை அணுகவும் உதவுவதற்காக 338 மில்லியன் வயது சரிபார்ப்புப் பதிவுகளைச் செயலாக்கியுள்ளது. ஆரம்ப வயது சரிபார்ப்பு அவசியமானது, ஆனால் வயது உறுதிப்படுத்தல் செல்ஃபியுடன் முடிந்துவிடுவதில்லை. கணக்குகள் பகிரப்படலாம் அல்லது இளைய உடன்பிறப்புக்குக் கொடுக்கப்படலாம். தவறான நோக்கமுடையவர்கள் எங்கள் பாதுகாப்பு அமைப்புகளை ஆராய முயற்சி செய்யலாம். வயது உறுதிப்படுத்தலை ஒரு குறிப்பிட்ட நேர சிக்னலைத் தாண்டி நகர்த்துவதற்காக, ஒரு கணக்கின் தற்போதைய நடத்தை காலப்போக்கில் அதன் மதிப்பிடப்பட்ட வயத்துடன் இன்னும் பொருந்துகிறதா என்பதை மதிப்பிடும் ஒரு உயர்-செயல்திறன் கொண்ட எம்.எல் (ML) அடுக்கை நாங்கள் உருவாக்கியுள்ளோம். எங்கள் அம்சம்-நிலை மாடுலர் வடிவமைப்பு, திறமையான மாதிரி புதுப்பிப்புகளையும், மாறிவரும் நடத்தை முறைகளுக்கு விரைவாக ஏற்படுவதையும் சாத்தியமாக்குகிறது. 

எங்கள் முழுமையான வயது-உறுதிப்படுத்தல் பணிப்பாய்வு நம்பகத்தன்மையுடன் செயல்படுவதை உறுதி செய்வது, ஒரு இயந்திர கற்றல் சவாலாக இருப்பதைப் போலவே ஒரு பகிரப்பட்ட அமைப்புகள் சவாலாகவும் உள்ளது. வயது மதிப்பீடு என்பது ஒரு கடினமான இயந்திர கற்றல் (ML) சிக்கலாகும், ஏனெனில் வயது எல்லைகள் நடத்தை ரீதியான செங்குத்துப் பள்ளங்களைப் போன்றவை அல்ல. பெற்றோர்கள் தங்கள் குழந்தைகளைப் போலவே அதே அனுபவங்களை அனுபவிக்கலாம், மேலும் மொழி என்பது வயதுடன் சேர்த்து கலாச்சாரம், சூழல் மற்றும் சமூகம் ஆகியவற்றிலும் மாறுபடுகிறது. காலப்போக்கில் மற்றும் எதிர் அழுத்தத்தின் கீழ் மாறும் நுட்பமான நடத்தை முறைகளை எந்தவொரு ஒற்றை நடத்தை சமிக்ஞையாலும் நம்பகத்தன்மையுடன் கண்டறிய முடியாது. எங்களின் மிக வலுவான உண்மையான வயது லேபிள்கள் கூட ஒரு தேர்ந்தெடுக்கப்பட்ட மக்களிடமிருந்து பெறப்பட்டவை மற்றும் அவை சார்புநிலையைக் கொண்டிருக்கலாம்.

ராப்ளாக்ஸ் அளവിൽ செயல்படுவது கூடுதல் சிக்கலைச் சேர்க்கிறது. ஒவ்வொரு தினசரி முடிவுச் சுழற்சியிலும், நாங்கள் தளத்தின் முழுவதிலுமிருந்து நடத்தை சமிக்ஞைகளைச் சேகரித்து, ஒவ்வொரு பணிச்சுமைக்கும் மிகவும் பொருத்தமான கணினி அடுக்கில் துணை மாதிரிகளை இயக்கி, அவற்றின் வெளியீடுகளை ஒரு அளவீட்டப்பட்ட மதிப்பீடாக இணைக்கிறோம். எங்கள் மாதிரிகள் பாரம்பரிய எம்.எல். வகைப்படுத்திகளிலிருந்து 300 மில்லியனுக்கும் அதிகமான அளவுருக்களைக் கொண்ட பலமொழி மாற்றுருவாக்கிகள் வரை உள்ளன. இந்த அமைப்பு ஒவ்வொரு நாளும் கிட்டத்தட்ட இரண்டு பில்லியன் கணக்கு அளவிலான பதிவுகளைச் செயலாக்குகிறது, அதே நேரத்தில் பயிற்சியானது கிட்டத்தட்ட 30 மில்லியன் உயர்-நம்பகத்தன்மை கொண்ட வயது லேபிள்களைப் பயன்படுத்துகிறது.

முழு அமைப்பையும் உள்ளகத்திலேயே உருவாக்குவது, தனியுரிமைக்காக அனைத்து அம்சங்களையும் சிக்னல்களையும் மதிப்பாய்வு செய்யத் தேவையான வெளிப்படைத்தன்மையையும் கட்டுப்பாட்டையும் எங்களுக்கு வழங்குகிறது, இது ஒரு மைய வடிவமைப்புத் தேவையாகும். ஒரு கணக்கு காலப்போக்கில் எவ்வாறு பயன்படுத்தப்படுகிறது என்பதைப் படம்பிடிக்கும் ராப்லாக்ஸ்-குறிப்பிட்ட சிக்னல்களையும் நாங்கள் பயன்படுத்தலாம்—தனித்தனியாக இயங்கும் வெளிப்புற மதிப்பிடுவருக்குத் தனியாகக் கிடைக்காத ஒரு நீண்டகாலச் சூழல் இது. இது முழு எம்.எல். வாழ்க்கைச் சுழற்சியிலும் எங்களுக்குக் கட்டுப்பாட்டை வழங்குகிறது. பயன்முறைகள் கிடைக்கப்பெறும் போது அவற்றை நாங்கள் இணைக்கலாம், மேலும் நடத்தை மாறும்போது தனிப்பட்ட கூறுகளைக் கண்காணித்து, கட்டுப்படுத்தி, புதுப்பித்துக்கொண்டே, ராப்லாக்ஸ் பாதுகாப்பு பணிப்பாய்வுகளுக்காக வெளியீடுகளை அளவீடு செய்யலாம்.

வயதைக் கணிக்க சரியான சிக்னல்களைத் தேர்ந்தெடுத்தல்

விளையாட்டு, தகவல் தொடர்பு மற்றும் தள இடைவினை முறைகள் முழுவதும் வெவ்வேறு வயதுப் பிரிவினர் ரோப்லாக்ஸை வெவ்வேறு விதமாகப் பயன்படுத்துகின்றனர். நடத்தை பன்முகத்தன்மையைப் பதிவு செய்ய, எங்கள் உள்ளீடுகளைத் தனித்துவமான சிக்னல் குடும்பங்களாகப் பிரிக்கிறோம்:

• சமூகச் சூழல்: ஒரு பயனரின் சமூக வட்டத்தில் உள்ள ஒட்டுமொத்த முறைகள், அவர்கள் யாருடன் இணைகிறார்கள் மற்றும் எவ்வளவு அடிக்கடி தொடர்பு கொள்கிறார்கள் என்பன உட்பட.
• ஈடுபாட்டு அனுபவம்: பயனர்கள் எதை விளையாடுகிறார்கள் என்பதைத் தாண்டி, அவர்கள் எப்போது விளையாடுகிறார்கள், எவ்வளவு நேரம் தங்குகிறார்கள், மற்றும் காலப்போக்கில் அவர்களின் ஈடுபாடு எவ்வாறு மாறுகிறது என்பதைப் பதிவுசெய்யும் ஒருங்கிணைந்த முறைகள்.
• கணக்கு மற்றும் தளச் செயல்பாடு: கணக்கு ஆயுட்காலம், செயல்பாட்டு அதிர்வெண் மற்றும் அமர்வு-நிலை நடத்தை போன்ற, ஒருங்கிணைந்த தளப் பயன்பாடு மற்றும் வாழ்க்கைச் சுழற்சி சமிக்ஞைகள்.
• தகவல் தொடர்பு முறைகள்: வயதுடன் தொடர்புடைய மொழிப் பயன்பாட்டின் மாதிரி-வழிப் பெறப்பட்ட சுருக்கங்கள், சூழல் மற்றும் காலப்போக்கில் தகவல் தொடர்பு முறைகள் எவ்வாறு மாறுகின்றன என்பதையும் உள்ளடக்கியது.
• கற்றுக்கொண்ட பயனர் பிரதிநிதித்துவங்கள்: பரந்த பயன்பாட்டு முறைகளைப் படம்பிடிக்கும் உயர்-நிலை பிரதிநிதித்துவங்கள். நாங்கள் எங்கள் கண்டுபிடிப்பு மற்றும் தனிப்பயனாக்க ML குழுவுடன் நெருக்கமாகப் பணியாற்றுகிறோம்; ஒரு பயனர் அடுத்து எதில் ஈடுபடக்கூடும் என்பதைக் கணிக்கும் அதே வளமான பிரதிநிதித்துவங்களை, பரந்த வயதுப் பிரிவுகளைக் கணிக்கும் வகையில் மீண்டும் பயிற்சி செய்யலாம்.

ஒவ்வொரு சிக்னல் குடும்பத்திற்கும் அதன் தரவின் வடிவத்திற்குப் பொருந்தக்கூடிய ஒரு மாதிரி ஒதுக்கப்படுகிறது. செறிவற்ற, உயர்-பரிமாண ஒருங்கிணைந்த சிக்னல்கள் கிரேடியன்ட்-பூஸ்டட் தீர்மான மரங்களால் (எ.கா., XGBoost வகைப்படுத்திகள்) கையாளப்படுகின்றன; உரை ஒரு நுணுக்கமாகச் சரிசெய்யப்பட்ட பலமொழி டிரான்ஸ்ஃபார்மர் என்கோடரால் (mmBERT) கையாளப்படுகிறது; மற்றும் பயனர் பிரதிநிதித்துவங்கள் சில சுருக்கமான நரம்பியல் வலையமைப்புகளுக்கு (பல்லடுக்கு பெர்செப்டிரான்) ஊட்டப்படுகின்றன. 

ஒவ்வொரு துணை மாதிரியும் ஒரே இலக்கை கணிக்கிறது: வயதுப் பிரிவுகளின் தொகுப்புக்கான ஒரு நிகழ்தகவுப் பரவல். பின்னர் ஒரு கிரேடியன்ட்-பூஸ்டட் மெட்டா-லேர்னர் அந்த நிகழ்தகவு வெக்டார்களை இறுதி அளவீட்டு மதிப்பாக இணைக்கிறது. 

கூறுபிரிப்புத்தன்மை, வேகம் மற்றும் விளக்கத்திறனுக்காக, ஒரு ஒற்றைப் பண்பு-நிலை மாதிரியை விட இந்த முடிவெடுக்கும்-நிலை இணைப்பு அணுகுமுறையை நாங்கள் வேண்டுமென்றே தேர்ந்தெடுத்தோம். அமைப்பைக் கூறுபிரிப்புத்தன்மை கொண்டதாக மாற்றுவது, முழு அமைப்பையும் மீண்டும் உருவாக்காமல் ஒரு துணை மாதிரியைச் சேர்க்க, மீண்டும் பயிற்சி அளிக்க அல்லது நீக்க எங்களை அனுமதிக்கிறது. இயற்கையான பரிணாமம் அல்லது எதிர் அழுத்தம் காரணமாக நடத்தை முறைகள் மாறும்போது, விரைவாகப் பதிலளிக்கவும் இது எங்களை அனுமதிக்கிறது. இணைப்பு அடுக்கு ஒவ்வொரு துணை மாதிரியின் சமீபத்திய மேம்படுத்தப்பட்ட வெளியீட்டைப் படிக்கிறது, இதன் மூலம் சிறந்த சிக்னல்களைப் பயன்படுத்தவும், ஒன்று இல்லாதபோது அல்லது தாமதமாகும் போது சீராகச் செயல்படவும் முடியும். ஒவ்வொரு முறையும் ஒரு தனிப்பட்ட உள்ளீடாக வருவதால், எந்த சிக்னல் குடும்பங்கள் முடிவெடுக்கும் மாற்றங்களை இயக்குகின்றன என்பதைக் கண்டறிய முடியும், மேலும் வெளியீடுகள் அடுத்த கட்டத்திற்குச் செல்வதற்கு முன்பு அளவுத்திருத்தம் மற்றும் தர வாயில்களைப் பயன்படுத்தலாம்.

ஒரு பாதுகாப்பு அமைப்பில், முன்கணிப்புத்தன்மை என்பது முழுமையான துல்லியத்தை விட மேலானது என்பதால், நாங்கள் இணைப்பு அடுக்கில் அளவுதிருத்தத்தை வலியுறுத்துகிறோம். நம்பக்கூடிய நம்பகத்தன்மை மதிப்புகளை வழங்கும் வகையில் மாதிரிகளை நாங்கள் அளவுதிருத்துகிறோம். அந்த வகையில், ஒரு அடுத்தகட்ட நடவடிக்கை ஒரு பயனரை கடுமையாகப் பாதிக்கப் போகிறது என்றால், முடிவெடுப்பதற்கு முன்பு நாங்கள் வலுவான சான்றுகளையும் அதிக நம்பகத்தன்மையையும் கோர முடியும்.

லேபிள்களில் தேர்வு சார்பு

எங்களின் மிக உயர்ந்த நம்பகத்தன்மை கொண்ட லேபிள்கள், வலுவான வயதுச் சரிபார்ப்பை முடித்த பயனர்களிடமிருந்து வருகின்றன. இந்த லேபிள்கள் பயனுள்ளவை, ஆனால் அவை ராப்லாக்ஸ் பயனர்களின் ஒரு यादृচ্ছாதிக மாதிரி அல்ல. பயனர் அணுகலைப் பாதிக்கக்கூடிய ஒரு அமைப்பிற்கு, பிரதிநிதித்துவம் என்பது பயிற்சி நோக்கத்தின் ஒரு முக்கியப் பகுதியாகும். 

லேபிளிடப்பட்ட மக்கள்தொகையானது இலக்கு மக்கள்தொகை அல்ல. வலுவான வயதுச் சரிபார்ப்பை முடிக்கும் பயனர்கள் பரந்த மக்கள்தொகையிலிருந்து முறையாக வேறுபடுகிறார்கள். அந்தக் குழுவில் பயிற்சி அளிக்கப்பட்ட ஒரு எளிய மாதிரி, வயதைக் கற்றுக்கொள்வதைப் போலவே, இந்தச் செயல்முறையை முடிக்கத் தேர்ந்தெடுப்பவரையும் கற்றுக்கொள்வதற்கான ஆபத்தில் உள்ளது. அந்தத் தேர்வெடுப்பு சார்புநிலையைக் குறைக்க, நாங்கள் பயிற்சி மற்றும் மதிப்பீட்டுத் தரவுகளை மறுவிகிதாக்கிறோம், இதனால் லேபிளிடப்பட்ட மாதிரி நாங்கள் மதிப்பெண் இட விரும்பும் மக்கள்தொகையைச் சிறப்பாகப் பிரதிபலிக்கிறது. 

பயனர் ஆராய்ச்சியுடன் நாங்கள் பல்துறை ரீதியாக இணைந்து பணியாற்றுகிறோம், எடைபோடுவதற்குப் பயன்படுத்தப்படும் மக்கள்தொகை இலக்குகளைத் தீர்மானிக்க திரட்டப்பட்ட கணக்கெடுப்பு முடிவுகளைப் பயன்படுத்துகிறோம். அங்கிருந்து, ஒரு காரணியைத் தனித்தனியாகச் சரிசெய்வதற்குப் பதிலாக, எடைபோட்ட மாதிரியை ஒரே நேரத்தில் பல பரிமாணங்களில் சீரமைக்க, தலைகீழ் நாட்டம் எடைபோடுதல் மற்றும் மறுஆவணச் விகிதாசாரப் பொருத்துதல்—அல்லது ரேக்கிங்—போன்ற நுட்பங்களைப் பயன்படுத்துகிறோம். 

அதிக நம்பகத்தன்மை கொண்ட ஒவ்வொரு மூலமும் பயன்படுத்தக்கூடிய ஒரு பயிற்சி உதாரணத்தை உருவாக்குவதில்லை. ஒரு லேபிள், அதன் பின்னால் உள்ள சரிபார்ப்பு நிகழ்வுகளைப் போலவே நம்பகத்தன்மை கொண்டது. சில நிகழ்வுகள், அசாதாரண சரிபார்ப்பு முறைகள் அல்லது கணக்கு-நேர்மைக் கவலைகள் போன்ற, அவற்றை மாடல் பயிற்சிக்கு பொருத்தமற்றதாக மாற்றும் சமிக்ஞைகளைக் கொண்டிருக்கலாம். 

நடத்தை மாதிரியாக்கலுக்கு விநியோகத்திலிருந்து விலகியதாகத் தோன்றும் எடுத்துக்காட்டுகளை அகற்ற, பயிற்சிக்கு முன்பு நம்பகமான கற்றல் போன்ற நேர்மை-அறிவுள்ள லேபிள் வடிகட்டுதல் அல்லது லேபிள் பிழை அடையாளம் காணும் அணுகுமுறைகளைப் பயன்படுத்தி லேபிள்களைச் சுத்தம் செய்ய நாங்கள் முயற்சி செய்கிறோம். இந்த வகையான சுத்தம், மாதிரி அதிகப்படியான பொருத்தத்திலிருந்து (overfitting) தடுக்க உதவுவதோடு, சீரான செயல்திறன் ஆதாயங்களையும் வழங்குகிறது என்று ஆரம்பகால சோதனைகள் காட்டுகின்றன.

பயிற்சி, அனுமானம், மற்றும் ராப்ளக்ஸ் அளவிலான சார்புநிலையைத் தவிர்த்தல்

சிக்னல்களைப் புத்துணர்ச்சியுடன் வைத்திருக்க இன்ஃபர்ஃபர்ஸ் போதுமான அளவு அடிக்கடி இயக்கப்பட வேண்டும், ஆனால் பயிற்சித் தாளம் சிக்னல் குடும்பத்தைப் பொறுத்து மாறுபடலாம். அம்சச் சரிவு, மாதிரி நிலைத்தன்மை மற்றும் மாதிரிச் செலவு ஆகியவற்றின் அடிப்படையில் நாங்கள் மறுபயிற்சி அட்டவணைகளைத் தேர்ந்தெடுக்கிறோம். விரைவாக மாறும் அல்லது தரமிறங்கும் ஒரு சிக்னல் அடிக்கடி மறுபயிற்சி செய்யப்படலாம்; மெதுவாகச் செயல்படும் ஒரு கனமான மாதிரி குறைவான அதிர்வெண்ணில் அல்லது தேவைக்கேற்ப மறுபயிற்சி செய்யப்படலாம். 

கணக்கீட்டு அடுக்கு பணிச்சுமையின் வடிவத்தைப் பின்பற்றுகிறது. பெரிய அளவிலான கட்டமைக்கப்பட்ட மாற்றங்களுக்கு அப்பாச்சி ஸ்பார்க், GPU-ஆதரவு பணிச்சுமைகளுக்கு ரே கட்டமைப்பு, மற்றும் நிகழ்நேர சிக்னல் செயலாக்கத்திற்கு உற்பத்தி வேலையாட்கள் ஆகியவற்றைப் பயன்படுத்துகிறோம். 

ராப்ளக்ஸின் அளவில், ஒவ்வொரு கணக்கின் முழுமையான வரலாற்றை ஒவ்வொரு நாளும் மீண்டும் உருவாக்குவதும் நடைமுறைக்கு உகந்ததாக இருக்காது. எங்கள் நிறுவனத்தின் உள்ளக தரவு-செயலாக்க கட்டமைப்பு, அதிக அளவிலான சிக்னல்களுக்கான வரையறுக்கப்பட்ட, தொடர்ச்சியான வரலாறுகளைப் பராமரிக்கிறது மற்றும் அதிக செலவுள்ள மாற்றங்களைப் படிப்படியாக உருப்படுத்துகிறது. இது, பெரிய விரிவாக்கங்கள், இணைப்புகள் மற்றும் அம்சத் திரளல்களைத் தன்னிச்சையாக அளவிடும் அதே வேளையில், ஒவ்வொரு நாளும் மில்லியன் கணக்கான கணக்கு-நிலை பதிவுகளைச் செயலாக்கவும் திரட்டவும் எங்களை அனுமதிக்கிறது. இந்த கலப்பின உற்பத்தி வடிவமைப்பு, எங்கள் தரவுக் களஞ்சியத்துடன் நேரடி ஒருங்கிணைப்பை, மாதிரி கூறுகள் முழுவதும் மீண்டும் உருவாக்கக்கூடிய செயலாக்கத்தை, மற்றும் முக்கியமான இடங்களில் துரிதப்படுத்தப்பட்ட கணக்கீட்டிற்கான அணுகலை எங்களுக்கு வழங்குகிறது.

எங்கள் அளவுகளில் நிலைத்தன்மையைப் பேணுவதற்கு உதவ, எங்கள் அம்சக் குழாய்கள் முழுவதும் இரண்டு கடுமையான வடிவமைப்பு முடிவுகளை நாங்கள் அமல்படுத்துகிறோம்:

• வழித்தோன்றல் அம்சங்களைச் சேமித்தல்: முடிந்தவரை, மூல செயல்பாட்டு ஓட்டங்களுக்குப் பதிலாக வழித்தோன்றல் அம்சங்களையே நாங்கள் சேமிக்கிறோம். மாடலிங்கிற்குத் தேவையான சிக்னலை மட்டுமே நாங்கள் வைத்திருக்கிறோம், அதன் முழுமையான வரலாற்றை அல்ல.
• ஒருங்கிணைந்த தரவு ஒப்பந்தங்கள்: அதே தரவு ஒப்பந்தங்கள் பயிற்சி மற்றும் அனுமானம் இரண்டிற்கும் ஊட்டமளிக்கின்றன. இது இயந்திர கற்றல் அமைப்புகளில் மிகவும் பொதுவான தோல்வி முறைகளில் ஒன்றான, பயிற்சி செய்யப்பட்டதற்கும் சேவை செய்யப்படுவதற்கும் இடையிலான சமநிலையின்மையைக் குறைக்கிறது.

உற்பத்தி வாழ்க்கைச் சுழற்சியில் இரண்டு புள்ளிகளில் நாங்கள் கேட்டிங்கைப் பயன்படுத்துகிறோம். முதலாவதாக, மாதிரி மேம்பாடு என்பது மாதிரிப் பயிற்சியிலிருந்து தனித்தனியாக உள்ளது. ஒரு போட்டி மாதிரி, உற்பத்தி முன்தேவைக்குத் தகுதி பெறுவதற்கு முன்பு பாதுகாப்புச் சோதனைகளில் தேர்ச்சி பெற வேண்டும். ஒரு போட்டி மாதிரி எங்கள் பாதுகாப்புச் சோதனைகளில் தோல்வியடைந்தால், பைப்லைன் அந்த மேம்பாட்டைத் தடுக்கிறது, மேலும் நாங்கள் சமீபத்தில் மேம்படுத்தப்பட்ட சரியான பதிப்பைத் தொடர்ந்து வழங்குகிறோம். 

இரண்டாவதாக, இன்ஃபர்ன்ஸ் வெளியீடு அடுத்த கட்டத்திற்கு வெளியிடப்படுவதற்கு முன்பு தடுக்கப்படுகிறது. தானியங்கு சரிபார்ப்புகள் தர வீழ்ச்சிகள் மற்றும் பெரிய கணிப்பு-பகிர்வு இடப்பெயர்வுகளைக் கண்டறிகின்றன. ஒரு சரிபார்ப்பு தோல்வியுற்றால், வெளியிடும் படிவம் தடுக்கப்படுகிறது. பயனர் தொடர்பான பாதுகாப்பு பணிப்பாய்வுகளுடன் இணைக்கப்பட்ட ஒரு எம்எல் அமைப்பில், விளக்கப்படாத ஒரு பகிர்வு இடப்பெயர்வை வெளியிடுவதை விட, "இன்று எதுவும் செய்யாமல் இருப்பது" பெரும்பாலும் ஒரு பாதுகாப்பான தோல்வி முறையாகும்.

முறையை அளவிடுதல் 

இத்தகைய ஒரு அமைப்பிற்கு, ஒரு ஒற்றைத் துல்லியத்தன்மை எண் மிகவும் அர்த்தமுள்ளதாக இருக்காது. தரவரிசைத் தரம், அளவீடு, காலப்போக்கில் நிலைத்தன்மை மற்றும் முக்கிய வயதுப் பிரிவு எல்லைகளுக்கு அருகிலுள்ள நடத்தை ஆகியவற்றின் அடிப்படையில் நாங்கள் மாதிரித் தரத்தை மதிப்பிடுகிறோம். மதிப்பீட்டுத் தரவுகளின் பிரதிநிதித்துவத்தையும் அளவீட்டுச் சிக்கலின் ஒரு பகுதியாக நாங்கள் கருதுகிறோம், ஏனெனில் ஒரு திரட்டப்பட்ட முன்னேற்றம், அமைப்பு சேவை செய்ய விரும்பும் மக்கள்தொகையைப் பிரதிபலித்தால் மட்டுமே பயனுள்ளதாக இருக்கும்.

இணைக்கப்பட்ட மாதிரி, இந்த எடைபோட்ட, ஒதுக்கப்பட்ட மதிப்பீட்டுத் தரவுகளில் 0.9-க்கு மேல் சராசரித் துல்லியத்தை (mean average precision) அடைகிறது. அதன் உயர்-நம்பகத்தன்மை மதிப்பீடுகள் நாளுக்கு நாள் சீராக உள்ளன. தொடர்ச்சியான நாட்களில் 99% க்கும் அதிகமானவை அதே பரந்த வயதுப் பிரிவில் இருக்கின்றன. 

எங்கள் நம்பிக்கை மற்றும் பாதுகாப்பு (Trust and Safety) பணிப்பாய்வுகள் மூலம் பயிற்சி பெற்ற மனித மதிப்பாய்வாளர்களால் உருவாக்கப்பட்ட சுயாதீனமான உண்மைத் தரவுகளுடனும் (ground truth) இந்த மாதிரியை நாங்கள் ஒப்பிடுகிறோம். அதிக நம்பிக்கையுடன், இந்த மாதிரியின் வயதுப் பிரிவு மதிப்பீடு, பெரியவர்களுக்கான மனித ஒருமித்த லேபிளுடன் 80% க்கும் அதிகமான நேரங்களில் ஒத்துப்போகிறது. 

ஆஃப்லைன் மதிப்பீடு என்பது ஒரு அடுக்கு மட்டுமே. உற்பத்தியில், பருவகாலம், தயாரிப்பு வெளியீடுகள் மற்றும் எதிர் அழுத்தம் ஆகியவற்றால் பயனர் நடத்தை மாறுகிறது. அதனால்தான், வெளியீடுகள் அடுத்தகட்ட பயன்பாட்டிற்குச் செல்வதற்கு முன்பு, மாதிரி-மதிப்பீட்டு அளவீடுகளை கணிப்பு விநியோகங்கள், நிலைத்தன்மை விலகல் மற்றும் ஸ்திரத்தன்மை ஆகியவற்றின் தொடர்ச்சியான கண்காணிப்புடன் நாங்கள் இணைக்கிறோம். உற்பத்திப் பின்னூட்டம், மாதிரியின் நம்பகத்தன்மையைப் பற்றித் தெரிவிக்கவும், வரம்புகள் அல்லது மதிப்பாய்வுப் பாதைகள் எங்கு சரிசெய்யப்பட வேண்டும் என்பதைக் காட்டவும், பின்தொடர் வயதுச் சரிபார்ப்புகளின் முடிவுகளையும் நாங்கள் கண்காணிக்கிறோம்.

அடுத்து என்ன

இந்த அமைப்பை உள்ளகத்தில் வைத்திருப்பது, ராப்லாக்ஸ்-குறிப்பிட்ட சிக்னல்களைப் பாதுகாப்பாகப் பயன்படுத்தவும், மிகக் கடுமையான கட்டுப்பாட்டுடன் செயல்படவும், மற்றும் தொடர்ந்து மேம்படுத்தவும் எங்களை அனுமதிக்கிறது.

முன்னோக்கிச் செல்லும்போது, எங்கள் துணை மாதிரிகள், முடிவு எடுப்பு மற்றும் அளவீட்டை மேம்படுத்துவதில் நாங்கள் கவனம் செலுத்துகிறோம். மாடுலாரிட்டி, அளவுதிருத்தம், தனியுரிமை மற்றும் உற்பத்தி பாதுகாப்பு வழிமுறைகள் ஆகிய எங்கள் செயல்பாட்டுக் கொள்கைகளில் கவனம் செலுத்தியபடி, ஒவ்வொரு அடுக்கையும் நாங்கள் மேலும் முன்னெடுத்துச் செல்கிறோம்.