एआईले कसरी काम गर्छ?

कृत्रिम बुद्धिमत्ता एउटा जादुई चाल जस्तो लाग्न सक्छ जुन सबैले चुपचाप सोच्दै टाउको हल्लाएर टाउको हल्लाएर सोच्छन्... पर्खनुहोस्, यो वास्तवमा काम गर्छ? राम्रो खबर। हामी यसलाई फ्लफ बिना नै रहस्यबाट मुक्त गर्नेछौं, व्यावहारिक रहनेछौं, र केही अपूर्ण उपमाहरूमा टस गर्नेछौं जसले यसलाई अझै पनि क्लिक गर्न मद्दत गर्नेछ। यदि तपाईं केवल सारांश चाहनुहुन्छ भने, तलको एक मिनेटको उत्तरमा जानुहोस्; तर इमानदारीपूर्वक भन्नुपर्दा, विवरणहरू त्यहीं छन् जहाँ लाइटबल्ब पप हुन्छ 💡।

यसपछि पढ्न मन लाग्ने लेखहरू:

🔗 GPT भनेको के हो?
GPT संक्षिप्त रूप र यसको अर्थको द्रुत व्याख्याकर्ता।.

🔗 एआईले आफ्नो जानकारी कहाँबाट पाउँछ?
एआईले सिक्न, तालिम दिन र प्रश्नहरूको उत्तर दिन प्रयोग गर्ने स्रोतहरू।.

🔗 तपाईंको व्यवसायमा एआई कसरी समावेश गर्ने
एआईलाई प्रभावकारी रूपमा एकीकृत गर्न व्यावहारिक चरणहरू, उपकरणहरू, र कार्यप्रवाहहरू।.

🔗 एआई कम्पनी कसरी सुरु गर्ने
विचारदेखि सुरुवातसम्म: प्रमाणीकरण, कोष, टोली, र कार्यान्वयन।.

---

एआईले कसरी काम गर्छ? एक मिनेटको उत्तर ⏱️

एआईले भविष्यवाणी गर्न वा सामग्री उत्पन्न गर्न डेटाबाट ढाँचाहरू सिक्छ - हस्तलिखित नियमहरू आवश्यक पर्दैन। प्रणालीले उदाहरणहरू इन्जेस्ट गर्छ, हानि प्रकार्य मार्फत यो कति गलत छ भनेर मापन गर्छ, र यसको आन्तरिक नबहरू -प्यारामिटरहरू- लाई प्रत्येक पटक अलि कम गलत हुन धकेल्छ। कुल्ला गर्नुहोस्, दोहोर्याउनुहोस्, सुधार गर्नुहोस्। पर्याप्त चक्रहरूको साथ, यो उपयोगी हुन्छ। तपाईं इमेलहरू वर्गीकरण गर्दै हुनुहुन्छ, ट्युमरहरू पत्ता लगाउँदै हुनुहुन्छ, बोर्ड गेमहरू खेल्दै हुनुहुन्छ, वा हाइकु लेख्दै हुनुहुन्छ भने पनि उस्तै कथा। "मेसिन लर्निङ" मा सादा भाषाको ग्राउन्डिङको लागि, IBM को सिंहावलोकन ठोस छ [1]।

धेरैजसो आधुनिक एआई भनेको मेसिन लर्निङ हो। यसको सरल संस्करण: डेटा फिड गर्ने, इनपुटबाट आउटपुटसम्म म्यापिङ सिक्ने, त्यसपछि नयाँ कुराहरूमा सामान्यीकरण गर्ने। जादू होइन-गणित, गणना, र, यदि हामी इमानदार छौं भने, एक चुटकी कला।.

---

"एआईले कसरी काम गर्छ?" ✅

जब मानिसहरूले गुगलमा AI कसरी काम गर्छ?खोज्छन्, तिनीहरू प्रायः चाहन्छन्:

• उनीहरूले विश्वास गर्न सक्ने पुन: प्रयोग गर्न मिल्ने मानसिक मोडेल

• मुख्य सिकाइ प्रकारहरूको नक्सा ताकि शब्दजाल डरलाग्दो हुनबाट रोकियोस्

• नहराईकन स्नायु सञ्जाल भित्र एक झलक

• किन ट्रान्सफर्मरहरूले अहिले संसार चलाउँछन् जस्तो लाग्छ?

• डेटा देखि तैनाती सम्मको व्यावहारिक पाइपलाइन

• तपाईंले स्क्रिनसट लिन र राख्न सक्ने द्रुत तुलना तालिका

• नैतिकता, पूर्वाग्रह र विश्वसनीयतामा रहेका रेलिङहरू जुन हातले लहराउँदैनन्

यहाँ तिमीले त्यही पाउनेछौ। यदि म घुम्छु भने, यो जानाजानी हो - जस्तै सुन्दर बाटो लिने र अर्को पटक सडकहरू राम्रोसँग सम्झने। 🗺️

---

धेरैजसो एआई प्रणालीहरूको मुख्य तत्वहरू 🧪

एआई प्रणालीलाई भान्साकोठा जस्तै सोच्नुहोस्। चारवटा सामग्री बारम्बार देखा पर्छन्:

1. डेटा — लेबलहरू सहित वा बिना उदाहरणहरू।

2. मोडेल — समायोज्य प्यारामिटरहरू भएको गणितीय प्रकार्य।

3. उद्देश्य — अनुमानहरू कति खराब छन् भनेर मापन गर्ने घाटा प्रकार्य।

4. अप्टिमाइजेसन — एउटा एल्गोरिथ्म जसले नोक्सान कम गर्न प्यारामिटरहरूलाई धक्का दिन्छ।

गहिरो सिकाइमा, त्यो नज सामान्यतया ब्याकप्रोपेगेशनको साथ ग्रेडियन्ट डिसेन्ट हो - विशाल साउन्डबोर्डमा कुन घुँडाले आवाज निकाल्यो भनेर पत्ता लगाउने र त्यसपछि यसलाई एक कपाल तल झार्न [2] को एक प्रभावकारी तरिका।

मिनी-केस: हामीले एउटा कमजोर नियम-आधारित स्प्याम फिल्टरलाई सानो सुपरिवेक्षित मोडेलले प्रतिस्थापन गर्यौं। लेबल → मापन → अपडेट लूपहरूको एक हप्ता पछि, गलत सकारात्मकताहरू घट्यो र समर्थन टिकटहरू घट्यो। केही पनि फेन्सी थिएन - केवल सफा उद्देश्यहरू ("ह्याम" इमेलहरूमा परिशुद्धता) र राम्रो अप्टिमाइजेसन।

---

एक नजरमा सिकाइका उदाहरणहरू 🎓

• सुपरिवेक्षित सिकाइ
  तपाईंले इनपुट-आउटपुट जोडीहरू प्रदान गर्नुहुन्छ (लेबलहरू सहितका तस्बिरहरू, स्पाम/स्पाम होइन भनेर चिन्ह लगाइएका इमेलहरू)। मोडेलले इनपुट → आउटपुट सिक्छ। धेरै व्यावहारिक प्रणालीहरूको मेरुदण्ड [1]।

• सुपरिवेक्षण नगरिएको सिकाइ
  कुनै लेबल छैन। संरचना-क्लस्टरहरू, कम्प्रेसनहरू, सुप्त कारकहरू फेला पार्नुहोस्। अन्वेषण वा पूर्व-प्रशिक्षणको लागि उत्कृष्ट।

• स्व-निरीक्षण गरिएको सिकाइ
  मोडेलले आफ्नै लेबलहरू बनाउँछ (अर्को शब्दको भविष्यवाणी गर्छ, हराएको छवि प्याच)। कच्चा डेटालाई स्केलमा प्रशिक्षण संकेतमा परिणत गर्दछ; आधुनिक भाषा र दृष्टि मोडेलहरूलाई आधार दिन्छ।

• सुदृढीकरण सिकाइ
  एक एजेन्टले कार्य गर्दछ, पुरस्कार, र संचयी पुरस्कारलाई अधिकतम बनाउने नीति सिक्छ। यदि "मूल्य कार्यहरू," "नीतिहरू," र "अस्थायी-भिन्नता सिकाइ" ले घण्टी बजाउँछ भने - यो उनीहरूको घर हो [5]।

हो, व्यवहारमा वर्गहरू धमिलो हुन्छन्। हाइब्रिड विधिहरू सामान्य हुन्। वास्तविक जीवन अव्यवस्थित छ; राम्रो इन्जिनियरिङले यसलाई जहाँ छ त्यहाँ भेट्छ।.

---

टाउको दुखाइ बिनाको स्नायु सञ्जाल भित्र 🧠

एउटा स्नायु सञ्जालले साना गणित एकाइहरू (न्यूरोनहरू) को तहहरू स्ट्याक गर्दछ। प्रत्येक तहले तौल, पूर्वाग्रह, र ReLU वा GELU जस्ता स्क्विशी गैर-रेखीयताको साथ इनपुटहरू रूपान्तरण गर्दछ। प्रारम्भिक तहहरूले सरल सुविधाहरू सिक्छन्; गहिरो तहहरूले अमूर्तताहरूलाई एन्कोड गर्छन्। "जादू" - यदि हामी यसलाई भन्न सक्छौं भने - संरचना: साना प्रकार्यहरूको श्रृंखला र तपाईं जंगली जटिल घटनाहरूको मोडेल गर्न सक्नुहुन्छ।

तालिम लूप, भाइब्स-मात्र:

• अनुमान → त्रुटि मापन → ब्याकप्रप मार्फत विशेषता दोष → नज तौल → दोहोर्याउनुहोस्।.

यो सबै ब्याचहरूमा गर्नुहोस् र, प्रत्येक गीतमा सुधार गर्दै अनाड़ी नर्तक जस्तै, मोडेलले तपाईंको खुट्टामा पाइला टेक्न छोड्छ। मैत्रीपूर्ण, कठोर ब्याकप्रप अध्यायको लागि, [2] हेर्नुहोस्।.

---

ट्रान्सफर्मरहरू किन ओगटेका छन् - र "ध्यान" को अर्थ के हो 🧲

ट्रान्सफर्मरहरूले एकअर्काका लागि इनपुटका कुन भागहरू महत्त्वपूर्ण छन् भनेर एकैचोटि तौल गर्न आत्म-ध्यान प्रयोग गर्छन्। पुराना मोडेलहरू जस्तै बायाँ-देखि-दायाँ वाक्य पढ्नुको सट्टा, ट्रान्सफर्मरले जताततै हेर्न सक्छ र गतिशील रूपमा सम्बन्धहरूको मूल्याङ्कन गर्न सक्छ - जस्तै कोसँग कुरा गरिरहेको छ भनेर हेर्नको लागि भीडभाड भएको कोठा स्क्यान गर्ने।

यो डिजाइनले अनुक्रम मोडेलिङको लागि पुनरावृत्ति र कन्भोलुसनहरू छोड्यो, जसले गर्दा विशाल समानान्तरता र उत्कृष्ट स्केलिंग सक्षम भयो। यसलाई सुरु गर्ने पेपर -ध्यान सबै तपाईंलाई आवश्यक छ- ले वास्तुकला र परिणामहरू प्रस्तुत गर्दछ [3]।

एउटै लाइनमा आत्म-ध्यान: क्वेरी, किर मान भेक्टरहरू बनाउनुहोस्; ध्यानको भार प्राप्त गर्न समानताहरू गणना गर्नुहोस्; तदनुसार मानहरू मिलाउनुहोस्। विस्तृत रूपमा फजी, भावनामा सुरुचिपूर्ण।

सावधान: ट्रान्सफर्मरहरूले एकाधिकार होइन, प्रभुत्व जमाउँछन्। CNN, RNN र रूखका समूहहरूले अझै पनि निश्चित डेटा प्रकारहरू र विलम्बता/लागत अवरोधहरूमा जित हासिल गर्छन्। कामको लागि वास्तुकला छान्नुहोस्, प्रचार होइन।

---

एआईले कसरी काम गर्छ? तपाईंले वास्तवमा प्रयोग गर्ने व्यावहारिक पाइपलाइन 🛠️

1. समस्याको समाधान
   तपाईं के भविष्यवाणी वा उत्पादन गर्दै हुनुहुन्छ, र सफलता कसरी मापन गरिनेछ?

2. डेटा
   सङ्कलन गर्नुहोस्, आवश्यक परेमा लेबल गर्नुहोस्, सफा गर्नुहोस्, र विभाजन गर्नुहोस्। छुटेका मानहरू र किनाराका केसहरू अपेक्षा गर्नुहोस्।

3. मोडलिङ
   सरल सुरुवात गर्नुहोस्। आधाररेखाहरू (लजिस्टिक रिग्रेसन, ग्रेडियन्ट बुस्टिङ, वा सानो ट्रान्सफर्मर) ले प्रायः वीर जटिलतालाई हराउँछ।

4. तालिम
   एउटा उद्देश्य छान्नुहोस्, एउटा अनुकूलक छान्नुहोस्, हाइपरप्यारामिटरहरू सेट गर्नुहोस्। दोहोर्याउनुहोस्।

5. मूल्याङ्कन
   तपाईंको वास्तविक लक्ष्य (शुद्धता, F1, AUROC, BLEU, जटिलता, विलम्बता) सँग सम्बन्धित होल्ड-आउटहरू, क्रस-प्रमाणीकरण, र मेट्रिक्सहरू प्रयोग गर्नुहोस्।

6. तैनाती
   API पछाडि सेवा गर्नुहोस् वा एपमा इम्बेड गर्नुहोस्। विलम्बता, लागत, थ्रुपुट ट्र्याक गर्नुहोस्।

7. अनुगमन र शासन
   बहाव, निष्पक्षता, बलियोपन, र सुरक्षा हेर्नुहोस्। NIST AI जोखिम व्यवस्थापन फ्रेमवर्क (GOVERN, MAP, MEASURE, MANAGE) भरपर्दो प्रणालीहरूको लागि अन्त-देखि-अन्त [4] को लागि एक व्यावहारिक चेकलिस्ट हो।

मिनी-केस: एउटा भिजन मोडेलले प्रयोगशालामा काम गर्यो, त्यसपछि प्रकाश परिवर्तन हुँदा फिल्डमा फ्लप भयो। इनपुट हिस्टोग्राममा फ्ल्याग गरिएको ड्रिफ्टको निगरानी; द्रुत वृद्धि + फाइन-ट्यून बम्पले प्रदर्शन पुनर्स्थापित गर्यो। बोरिंग? हो। प्रभावकारी? हो पनि।

---

तुलना तालिका - दृष्टिकोणहरू, तिनीहरू कसका लागि हुन्, नराम्रो लागत, तिनीहरू किन काम गर्छन् 📊

जानाजानी अपूर्ण: अलिकति असमान वाक्यांशले यसलाई मानव महसुस गराउन मद्दत गर्छ।.

दृष्टिकोण	आदर्श दर्शकहरू	मूल्य-जस्तो	यो किन काम गर्छ / नोटहरू
सुपरिवेक्षण गरिएको सिकाइ	विश्लेषकहरू, उत्पादन टोलीहरू	कम-मध्यम	प्रत्यक्ष म्यापिङ इनपुट→लेबल। लेबलहरू अवस्थित हुँदा राम्रो; धेरै तैनाथ प्रणालीहरूको मेरुदण्ड बनाउँछ [1]।.
सुपरिवेक्षण नगरिएको	डेटा अन्वेषकहरू, अनुसन्धान र विकास	कम	क्लस्टर/कम्प्रेसन/अव्यक्त कारकहरू फेला पार्छ - खोज र पूर्व-प्रशिक्षणको लागि राम्रो।.
स्व-निरीक्षण गरिएको	प्लेटफर्म टोलीहरू	मध्यम	कम्प्युट र डेटाको साथ कच्चा डेटा-स्केलबाट आफ्नै लेबलहरू बनाउँछ।.
सुदृढीकरण सिकाइ	रोबोटिक्स, अप्स अनुसन्धान	मध्यम–उच्च	पुरस्कार संकेतहरूबाट नीतिहरू सिक्छ; क्याननको लागि सटन र बार्टो पढ्नुहोस् [5]।.
ट्रान्सफर्मरहरू	एनएलपी, दृष्टिकोण, बहुविधिक	मध्यम–उच्च	आत्म-ध्यानले लामो दूरीको उतारचढावलाई कैद गर्छ र राम्रोसँग समानान्तर बनाउँछ; मूल पत्र [3] हेर्नुहोस्।.
क्लासिक एमएल (रूखहरू)	ट्याबुलर बिज एपहरू	कम	संरचित डेटामा सस्तो, छिटो, प्रायः अचम्मलाग्दो रूपमा बलियो आधारभूत रेखाहरू।.
नियम-आधारित/प्रतीकात्मक	अनुपालन, निर्धारणात्मक	धेरै कम	पारदर्शी तर्क; तपाईंलाई लेखा परीक्षणको आवश्यकता पर्दा हाइब्रिडहरूमा उपयोगी।.
मूल्याङ्कन र जोखिम	सबैजना	फरक हुन्छ	यसलाई सुरक्षित र उपयोगी राख्न NIST को GOVERN-MAP-MEASURE-MANAGE प्रयोग गर्नुहोस् [4]।.

मूल्य-इश = डेटा लेबलिंग + गणना + मानिसहरू + सेवा।.

---

गहिरो डुबकी १ - क्षति कार्यहरू, ग्रेडियन्टहरू, र सबै कुरा परिवर्तन गर्ने साना चरणहरू 📉

आकारबाट घरको मूल्य अनुमान गर्न लाइन जडान गर्ने कल्पना गर्नुहोस्। तपाईंले प्यारामिटरहरू (w) र (b) छान्नुहुन्छ, भविष्यवाणी गर्नुहुन्छ (\hat{y} = wx + b), र औसत वर्ग क्षतिको साथ त्रुटि मापन गर्नुहुन्छ। ग्रेडियन्टले तपाईंलाई कुन दिशामा सर्ने (w) र (b) सबैभन्दा छिटो घाटा कम गर्ने भनेर बताउँछ - जस्तै जमिनको ढलान कुन दिशामा छ भनेर महसुस गरेर कुहिरोमा ओरालो हिंड्नु। प्रत्येक ब्याच पछि अपडेट गर्नुहोस् र तपाईंको लाइन वास्तविकताको नजिक पुग्छ।.

गहिरो नेटहरूमा यो ठूलो ब्यान्डको साथ उस्तै गीत हो। ब्याकप्रपले प्रत्येक तहको प्यारामिटरहरूले अन्तिम त्रुटिलाई कसरी प्रभाव पार्यो भनेर गणना गर्दछ - कुशलतापूर्वक - ताकि तपाईं लाखौं (वा अरबौं) नबहरूलाई सही दिशामा धकेल्न सक्नुहुन्छ [2]।

मुख्य अन्तर्ज्ञानहरू:

• क्षतिले परिदृश्यलाई आकार दिन्छ।.

• ग्रेडियन्टहरू तपाईंको कम्पास हुन्।.

• सिक्ने दर पाइलाको आकार धेरै छ - धेरै ठूलो र तपाईं डगमगाउनुहुन्छ, धेरै सानो र तपाईं निदाउनुहुन्छ।.

• नियमितीकरणले तपाईंलाई तालिम सेटलाई सुगाले जस्तै पूर्ण सम्झना भएको तर कुनै बुझाइ नभएको सम्झना दिलाउनबाट रोक्छ।.

---

गहिरो डुबुल्की २ - एम्बेडिङ, प्रम्प्टिङ, र पुन: प्राप्ति 🧭

समान वस्तुहरू एकअर्काको नजिक पर्ने भेक्टर स्पेसहरूमा शब्दहरू, छविहरू, वा वस्तुहरूको नक्सा इम्बेडिङले बनाउँछ । यसले तपाईंलाई निम्न कुराहरू गर्न दिन्छ:

• अर्थपूर्ण रूपमा मिल्दोजुल्दो पदहरू फेला पार्नुहोस्

• अर्थ बुझ्ने शक्ति खोज

• भाषा मोडेलले लेख्नु अघि तथ्यहरू हेर्न सकोस् भनेर पुन: प्राप्ति-संवर्धित जेनेरेसन (RAG) प्लग इन गर्नुहोस्

प्रोम्प्टिङ्ग भनेको तपाईंले जेनेरेटिभ मोडेलहरू चलाउने तरिका हो - कार्यको वर्णन गर्नुहोस्, उदाहरण दिनुहोस्, बाधाहरू सेट गर्नुहोस्। यसलाई धेरै छिटो इन्टर्नको लागि धेरै विस्तृत विवरण लेख्नु जस्तै सोच्नुहोस्: उत्सुक, कहिलेकाहीं अत्यधिक आत्मविश्वासी।

व्यावहारिक सुझाव: यदि तपाईंको मोडेलले भ्रम सिर्जना गर्छ भने, पुन: प्राप्ति थप्नुहोस्, प्रम्प्टलाई कडा पार्नुहोस्, वा "भाइब्स" को सट्टा ग्राउन्डेड मेट्रिक्सको साथ मूल्याङ्कन गर्नुहोस्।

---

गहिरो डुबुल्की ३ - भ्रम बिनाको मूल्याङ्कन 🧪

राम्रो मूल्याङ्कन बोरिंग लाग्छ - जुन ठ्याक्कै मुख्य कुरा हो।.

• लक गरिएको परीक्षण सेट प्रयोग गर्नुहोस्।.

• प्रयोगकर्ताको पीडा प्रतिबिम्बित गर्ने मेट्रिक छान्नुहोस्।.

• वास्तवमा के ले मद्दत गर्‍यो भनेर थाहा पाउन एब्लेसन चलाउनुहोस्।.

• वास्तविक, अव्यवस्थित उदाहरणहरू सहित विफलताहरू लग गर्नुहोस्।.

उत्पादनमा, अनुगमन भनेको कहिल्यै नरोकिने मूल्याङ्कन हो। बहाव हुन्छ। नयाँ स्ल्याङ देखा पर्छ, सेन्सरहरू पुन: क्यालिब्रेट हुन्छन्, र हिजोको मोडेल अलि स्लाइड हुन्छ। NIST ढाँचा चलिरहेको जोखिम व्यवस्थापन र शासनको लागि एक व्यावहारिक सन्दर्भ हो - अलपत्र पार्ने नीतिगत कागजात होइन [4]।.

---

नैतिकता, पूर्वाग्रह र विश्वसनीयता बारे एक टिप्पणी ⚖️

एआई प्रणालीहरूले तिनीहरूको डेटा र तैनाती सन्दर्भलाई प्रतिबिम्बित गर्दछ। यसले जोखिम ल्याउँछ: पूर्वाग्रह, समूहहरूमा असमान त्रुटिहरू, वितरण परिवर्तन अन्तर्गत भंगुरता। नैतिक प्रयोग वैकल्पिक होइन - यो तालिका दांव हो। NIST ले ठोस अभ्यासहरूलाई औंल्याउँछ: जोखिम र प्रभावहरू दस्तावेज गर्नुहोस्, हानिकारक पूर्वाग्रहको लागि मापन गर्नुहोस्, फलब्याकहरू निर्माण गर्नुहोस्, र दांव उच्च हुँदा मानिसहरूलाई लूपमा राख्नुहोस् [4]।.

मद्दत गर्ने ठोस चालहरू:

• विविध, प्रतिनिधि तथ्याङ्क सङ्कलन गर्नुहोस्

• उप-जनसंख्या बीचको कार्यसम्पादन मापन गर्नुहोस्

• कागजात मोडेल कार्ड र डेटा पानाहरू

• जोखिम बढी भएका ठाउँमा मानव निरीक्षण थप्नुहोस्

• प्रणाली अनिश्चित हुँदा असफल-सुरक्षित डिजाइन गर्नुहोस्

---

एआईले कसरी काम गर्छ? मानसिक मोडेलको रूपमा तपाईं पुन: प्रयोग गर्न सक्नुहुन्छ 🧩

लगभग कुनै पनि एआई प्रणालीमा लागू गर्न सकिने एउटा कम्प्याक्ट चेकलिस्ट:

• उद्देश्य के हो? भविष्यवाणी, श्रेणीकरण, पुस्ता, नियन्त्रण?

• सिक्ने संकेत कहाँबाट आउँछ? लेबलहरू, स्व-निरीक्षण गरिएका कार्यहरू, पुरस्कारहरू?

• कुन वास्तुकला प्रयोग गरिन्छ? रेखीय मोडेल, रूखको समूह, CNN, RNN, ट्रान्सफर्मर [3]?

• यसलाई कसरी अप्टिमाइज गरिन्छ? ग्रेडियन्ट डिसेन्ट भेरियसन/ब्याकप्रप [2]?

• कस्तो डेटा प्रणाली? सानो लेबल गरिएको सेट, लेबल नगरिएको पाठको महासागर, नक्कली वातावरण?

• असफलता मोड र सुरक्षा उपायहरू के के हुन्? पूर्वाग्रह, बहाव, भ्रम, विलम्बता, NIST को GOVERN-MAP-MASURE-MANAGE [4] मा लागत-म्याप गरिएको।

यदि तपाईंले ती उत्तरहरू दिन सक्नुहुन्छ भने, तपाईंले मूल रूपमा प्रणाली बुझ्नुहुन्छ - बाँकी कार्यान्वयन विवरण र डोमेन ज्ञान हो।.

---

बुकमार्क गर्न लायक द्रुत स्रोतहरू 🔖

• मेसिन लर्निङ अवधारणाहरू (IBM) को लागि सादा भाषा परिचय [1]

• रेखाचित्र र कोमल गणितको साथ ब्याकप्रोपेगेशन [2]

• अनुक्रम मोडेलिङ परिवर्तन गर्ने ट्रान्सफर्मर पेपर [3]

• NIST को AI जोखिम व्यवस्थापन रूपरेखा (व्यावहारिक शासन) [4]

• क्यानोनिकल सुदृढीकरण सिकाइ पाठ्यपुस्तक (नि:शुल्क) [5]

---

बारम्बार सोधिने प्रश्नहरू बिजुलीको राउन्ड ⚡

के एआई केवल तथ्याङ्क हो?
यो तथ्याङ्क प्लस अप्टिमाइजेसन, कम्प्युट, डेटा इन्जिनियरिङ, र उत्पादन डिजाइन हो। तथ्याङ्क भनेको कंकाल हो; बाँकी मांसपेशी हो।

के ठूला मोडेलहरूले सधैं जित्छन्?
स्केलिङले मद्दत गर्छ, तर डेटा गुणस्तर, मूल्याङ्कन, र तैनाती अवरोधहरू प्रायः बढी महत्त्वपूर्ण हुन्छन्। तपाईंको लक्ष्य हासिल गर्ने सबैभन्दा सानो मोडेल सामान्यतया प्रयोगकर्ताहरू र वालेटहरूको लागि उत्तम हुन्छ।

के एआईले बुझ्न सक्छ? बुझ्न परिभाषित गर्नुहोस् । मोडेलहरूले डेटामा संरचना कैद गर्छन् र प्रभावशाली रूपमा सामान्यीकरण गर्छन्; तर तिनीहरूसँग अन्धा ठाउँहरू छन् र आत्मविश्वासका साथ गलत हुन सक्छन्। तिनीहरूलाई शक्तिशाली उपकरणहरू जस्तै व्यवहार गर्नुहोस् - ऋषिहरू होइन।

के ट्रान्सफर्मर युग सधैंभरि रहनेछ?
सायद सधैंभरि रहनेछैन। यो अहिले प्रबल छ किनभने ध्यान समानान्तर हुन्छ र राम्रोसँग मापन हुन्छ, जस्तै मूल पेपरले देखाएको छ [3]। तर अनुसन्धान निरन्तर अगाडि बढिरहेको छ।

---

एआईले कसरी काम गर्छ? धेरै लामो भयो, पढिएन 🧵

• एआईले डेटाबाट ढाँचाहरू सिक्छ, नोक्सान कम गर्छ, र नयाँ इनपुटहरूमा सामान्यीकरण गर्छ [1,2]।.

• सुपरिवेक्षण गरिएको, सुपरिवेक्षण नगरिएको, स्व-सुपरिवेक्षण गरिएको, र सुदृढीकरण सिकाइ मुख्य प्रशिक्षण सेटअपहरू हुन्; RL ले पुरस्कारहरूबाट सिक्छ [5]।.

• स्नायु सञ्जालहरूले लाखौं प्यारामिटरहरूलाई कुशलतापूर्वक समायोजन गर्न ब्याकप्रोपेगेशन र ग्रेडियन्ट डिसेन्ट प्रयोग गर्छन् [2]।.

• ट्रान्सफर्मरहरूले धेरै अनुक्रम कार्यहरूमा प्रभुत्व जमाउँछन् किनभने आत्म-ध्यानले समानान्तर रूपमा सम्बन्धहरूलाई स्केलमा कैद गर्दछ [3]।.

• वास्तविक-विश्व एआई एक पाइपलाइन हो - समस्या फ्रेमवर्कबाट तैनाती र शासन मार्फत - र NIST को ढाँचाले तपाईंलाई जोखिमको बारेमा इमानदार राख्छ [4]।.

यदि कसैले फेरि सोध्यो भने AI ले कसरी काम गर्छ?,तपाईं मुस्कुराउन सक्नुहुन्छ, आफ्नो कफी पिउन सक्नुहुन्छ, र भन्न सक्नुहुन्छ: यसले डेटाबाट सिक्छ, नोक्सानलाई अनुकूलन गर्छ, र समस्याको आधारमा ट्रान्सफर्मर वा रूखको समूह जस्ता आर्किटेक्चरहरू प्रयोग गर्दछ। त्यसपछि एक झिम्काइ थप्नुहोस्, किनकि त्यो सरल र लुकेर पूर्ण दुवै छ। 😉

---

सन्दर्भ सामग्रीहरू

[1] IBM - मेसिन लर्निङ भनेको के हो?
थप पढ्नुहोस्

[2] माइकल निल्सन - ब्याकप्रोपेगेशन एल्गोरिथ्म कसरी काम गर्छ
थप पढ्नुहोस्

[3] वासवानी एट अल - ध्यान तपाईलाई चाहिने सबै कुरा हो (arXiv)
थप पढ्नुहोस्

[4] NIST - कृत्रिम बुद्धिमत्ता जोखिम व्यवस्थापन फ्रेमवर्क (AI RMF 1.0)
थप पढ्नुहोस्

[5] सटन र बार्टो - सुदृढीकरण सिकाइ: एक परिचय (दोस्रो संस्करण)
थप पढ्नुहोस्

आधिकारिक एआई सहायक स्टोरमा नवीनतम एआई खोज्नुहोस्

हाम्रो बारेमा