मशीन लर्निंग (एमएल) से जुड़े कई शब्दों के बारे में सटीक जानकारी देने वाला मुख्य सोर्स, एमएल की शब्दावली है. हम उनके काम को डुप्लीकेट करने के बजाय, सिर्फ़ उन शब्दों और शब्दों को शामिल कर रहे हैं जिनका इस्तेमाल आम तौर पर किया जाता है और जो एमएल शब्दावली में नहीं हैं.
एआई सिस्टम का ब्लूप्रिंट
एआई की नई सुविधाएं या प्रॉडक्ट बनाते समय, अपने एआई सिस्टम का ब्लूप्रिंट तय करें. साथ ही, एआई के लिए उपलब्ध अवसरों को मैप करें, ताकि आपको यह पता चल सके कि कोई समाधान कैसे बनाया जाएगा. आपको यह जानकारी देनी चाहिए:
- आपको क्या बनाना है? एआई के कौनसे इस्तेमाल के उदाहरण उपलब्ध हैं और इनसे उपयोगकर्ताओं को क्या फ़ायदा मिलता है?
- आपका आवेदन कैसे काम करेगा?
- यह कैसे पक्का किया जा सकता है कि आपके सिस्टम का हर हिस्सा ज़िम्मेदारी के साथ बनाया गया है?
वेब पर एआई के बारे में जानकारी में, ब्लूप्रिंट के बारे में पढ़ें.
कंपाउंड एआई आर्किटेक्चर
कंपाउंड एआई आर्किटेक्चर, एक या उससे ज़्यादा मॉडल और अन्य कॉम्पोनेंट के कॉम्बिनेशन होते हैं. जैसे, डेटाबेस, एपीआई, और गार्डरेल. ये सभी मिलकर, कॉन्टेक्स्ट के हिसाब से बेहतर तरीके से काम करते हैं
कॉन्टेक्स्ट इंजीनियरिंग
कॉन्टेक्स्ट इंजीनियरिंग एक ऐसी प्रोसेस है जिसमें किसी अनुरोध के लिए, सबसे काम की जानकारी (टोकन) को डाइनैमिक तरीके से चुना जाता है. इससे, काम के नतीजे मिलने की संभावना बढ़ जाती है.
डेटा ड्रिफ्ट
डेटा ड्रिफ्ट तब होता है, जब ट्रेनिंग डेटा, अब असलियत को नहीं दिखाता. उपयोगकर्ता के व्यवहार, डेटा कलेक्शन, और डेटा एनवायरमेंट में किसी भी समय बदलाव हो सकता है. इससे मॉडल की परफ़ॉर्मेंस में गिरावट आ सकती है.
डिटरमिनिस्टिक सॉफ़्टवेयर
किसी इनपुट के लिए, डिटरमिनिस्टिक सॉफ़्टवेयर हमेशा एक ही तरह के चरणों का पालन करता है, ताकि एक जैसा आउटपुट मिल सके. ये सबसे भरोसेमंद सॉफ़्टवेयर होते हैं, क्योंकि इनके काम करने का तरीका अनुमानित होता है और ये बेहतर तरीके से काम करते हैं.
आर्टिफ़िशियल इंटेलिजेंस, डिटरमिनिस्टिक नहीं होता. एक जैसे प्रॉम्प्ट के लिए भी, अलग-अलग रास्ते और नतीजे मिल सकते हैं.
इवैल्यूएशन-ड्रिवन डेवलपमेंट (ईडीडी)
Evaluation-driven development (EDD) फ़्रेमवर्क, आउटपुट को बेहतर बनाने के लिए एक ऐसी प्रोसेस उपलब्ध कराता है जिसे बार-बार दोहराया जा सकता है और जिसकी जांच की जा सकती है. इससे, रिग्रेशन का पता लगाने और समय के साथ मॉडल के व्यवहार को उपयोगकर्ता और प्रॉडक्ट की उम्मीदों के मुताबिक बनाने में मदद मिलती है.
इसे टेस्ट-ड्रिवन डेवलपमेंट (टीडीडी) के तौर पर समझें. इसे एआई की अनिश्चितता के हिसाब से बनाया गया है. डिटरमिनिस्टिक यूनिट टेस्ट के उलट, एआई के आकलन को हार्ड-कोड नहीं किया जा सकता. ऐसा इसलिए, क्योंकि आउटपुट कई तरह के हो सकते हैं. इनमें सही फ़ॉर्मैट वाले और फ़ेल होने वाले आउटपुट, दोनों शामिल हैं. इनका अनुमान नहीं लगाया जा सकता.
जनरेटिव एआई
जनरेटिव एआई, मशीन लर्निंग सिस्टम को दिखाता है. यह सिस्टम कॉन्टेंट बना सकता है. इसका मतलब है कि मॉडल, टेक्स्ट लिख सकता है, इमेज जनरेट कर सकता है, कोड बना सकता है या पूरे यूज़र इंटरफ़ेस को डिज़ाइन भी कर सकता है.
मैनेज करना
हम एआई गवर्नेंस के तीन डाइमेंशन के बारे में बताते हैं:
- निजता: डेटा को ज़िम्मेदारी से मैनेज करें. यह बताएं कि कौनसा डेटा इकट्ठा किया जाता है. साथ ही, ब्राउज़र से बाहर जाने वाले डेटा को कम से कम रखें.
- निष्पक्षता: अपने मॉडल की जांच करें, ताकि यह पता चल सके कि वे भेदभाव (पूर्वाग्रह) तो नहीं कर रहे हैं. साथ ही, ऐसे लूप बनाएं जिनकी मदद से उपयोगकर्ता समस्याओं के बारे में शिकायत कर सकें.
- भरोसा और पारदर्शिता: अपने सिस्टम को इस तरह से डिज़ाइन करें कि वह पारदर्शी हो और उस पर भरोसा किया जा सके. इससे, अनिश्चितता और संभावित गलतियों के बावजूद, लोगों को इसका फ़ायदा मिलता रहेगा.
आखिरी डाइमेंशन, सुरक्षा है. यह एआई गवर्नेंस का एक अहम डाइमेंशन है. हम आने वाले समय में सुरक्षा के बारे में ज़्यादा जानकारी देने का इरादा रखते हैं.
इस दौरान, हमारा सुझाव है कि आप Google का Secure AI Framework (SAIF) और Google Security Blog पढ़ें.
मॉडल
मॉडल, एआई सिस्टम का सबसे अहम हिस्सा होते हैं. मॉडल, पैरामीटर और स्ट्रक्चर का एक ऐसा सेट होता है जो किसी सिस्टम को अनुमान लगाने में मदद करता है. मॉडल किस तरह काम करता है, यह ट्रेनिंग के तरीके (निगरानी में या बिना निगरानी के) और मॉडल के मकसद (अनुमान लगाने वाला या जनरेटिव) के आधार पर अलग-अलग हो सकता है.
मॉडल कार्ड
मॉडल कार्ड में, मॉडल को डिज़ाइन करने और उसका आकलन करने के तरीके के बारे में खास जानकारी दी जाती है. ये Google के ज़िम्मेदारी के साथ एआई का इस्तेमाल करने के तरीके से जुड़े मुख्य दस्तावेज़ के तौर पर काम करते हैं.
मॉडल के वेट
मॉडल वेट, संख्यात्मक वैल्यू होती हैं. इनसे यह तय होता है कि किसी जानकारी की अहमियत कितनी है. इन वैल्यू को मॉडल ट्रेनिंग में लगातार अपडेट किया जाता है, जब तक कि कोई सही वेट सेट न हो जाए. आपके पास ओपन मॉडल के वेट (महत्व) में बदलाव करने का विकल्प होता है. जैसे, Gemma.
एआई के लिए अवसर
एआई के समाधानों को फ़्रेम करने के लिए कई कैटगरी हैं:
- अहम जानकारी: बेहतर फ़ैसले लेने में मदद मिलती है.
- आसानी: लोगों को आसानी से काम करने की सुविधा दें.
- ऑटोमेशन: बार-बार किए जाने वाले काम को अपने-आप पूरा होने की सुविधा से बदलें.
- काम को बेहतर बनाना: उपयोगकर्ताओं को मुश्किल या क्रिएटिव टास्क पूरे करने में मदद करना.
- दिलचस्पी के मुताबिक अनुभव: किसी व्यक्ति की ज़रूरतों और प्राथमिकताओं के हिसाब से प्रॉडक्ट को ढालना.
इसके बारे में इस्तेमाल के उदाहरण एक्सप्लोर करें लेख में विस्तार से बताया गया है.
प्लैटफ़ॉर्म
क्लाइंट-साइड एआई सीधे ब्राउज़र में काम करता है. इसका मतलब है कि डेटा को निजी रखा जा सकता है. साथ ही, यह उपयोगकर्ता के डिवाइस पर ही रहता है. इसके अलावा, नेटवर्क में कोई रुकावट नहीं आती. हालांकि, क्लाइंट-साइड एआई को बेहतर तरीके से काम करने के लिए, इस्तेमाल के बहुत खास और अच्छी तरह से तय किए गए उदाहरणों की ज़रूरत होती है.
सर्वर-साइड एआई में, क्लाउड में होस्ट किए गए और अनुमान लगाने वाले मॉडल शामिल होते हैं. यह बहुत ज़्यादा क्षमता वाला और स्केलेबल है. हालांकि, यह महंगा हो सकता है और इसके लिए नेटवर्क कनेक्शन की ज़रूरत होती है.
अनुमान लगाने वाला एआई
अनुमान लगाने वाला (या विश्लेषण करने वाला) एआई, एल्गोरिदम का एक कलेक्शन है. इससे आपको मौजूदा डेटा को समझने और यह अनुमान लगाने में मदद मिलती है कि आगे क्या हो सकता है. पुराने पैटर्न के आधार पर, अनुमान लगाने वाले एआई मॉडल, नतीजों का अनुमान लगाना, अहम जानकारी देना, और बेहतर फ़ैसले लेना सीखते हैं.
प्रॉम्प्ट इंजीनियरिंग
प्रॉम्प्ट इंजीनियरिंग का मतलब है, ऐसे आउटपुट जनरेट करने के लिए प्रॉम्प्ट लिखना और उन्हें फिर से लिखना जो उपयोगकर्ताओं की उम्मीदों के मुताबिक हों. अच्छे से लिखे गए प्रॉम्प्ट में ये चीज़ें शामिल होती हैं:
- इससे पता चलता है कि एलएलएम को अपना जवाब कैसे तैयार करना चाहिए.
- इसमें कई कॉम्पोनेंट होते हैं. इनके वर्शन बनाए जा सकते हैं, इनकी जांच की जा सकती है, और समय के साथ इन्हें बेहतर बनाया जा सकता है.
- यह अलग-अलग टीमों के साथ मिलकर काम करने के लिए, शेयर किए गए आर्टफ़ैक्ट के तौर पर काम कर सकता है.
प्रॉम्प्ट इंजीनियरिंग में कई तकनीकों का इस्तेमाल किया जा सकता है. इनके बारे में प्रॉम्प्ट इंजीनियरिंग मॉड्यूल में बताया गया है.
प्रॉम्प्ट के टाइप
प्रॉम्प्ट के टाइप को, प्रॉम्प्ट के दर्शकों के तौर पर समझें. इस बारे में ज़्यादा जानने के लिए, प्रॉम्प्ट इंजीनियरिंग मॉड्यूल पढ़ें.
सिस्टम प्रॉम्प्ट
सिस्टम प्रॉम्प्ट, ऐप्लिकेशन डेवलपर देते हैं. इससे मॉडल के पूरे व्यवहार के बारे में पता चलता है. यह मॉडल की भूमिका ("तुम एक लेखन सहायक हो"), टोन, आउटपुट फ़ॉर्मैट (जैसे कि सख्त JSON स्कीमा) और किसी भी ग्लोबल बाध्यता को सेट कर सकता है. यह प्रॉम्प्ट, सभी अनुरोधों में एक जैसा रहता है.
उपयोगकर्ता का प्रॉम्प्ट
उपयोगकर्ता के प्रॉम्प्ट में, ऐसा अनुरोध शामिल होता है जिससे आउटपुट मिलता है. उपयोगकर्ता, इनपुट वैरिएबल के तौर पर कुछ जानकारी देता है. जैसे, टेक्स्ट चुनना या स्टाइल के बारे में बताना. इसके बाद, वह कोई टास्क पूरा करने का अनुरोध करता है. उदाहरण के लिए, "इस पोस्ट के लिए तीन टाइटल जनरेट करो", "इस पैराग्राफ़ को जारी रखो" या "इसे ज़्यादा औपचारिक बनाओ".