AI क्या है?
कृत्रिम बुद्धि (AI) तब है जब कंप्यूटर ऐसा काम करे जिसमें इंसान जैसी समझ लगती है: देखना, सुनना, भाषा समझना या फ़ैसला करना। आज ज़्यादातर AI डेटा से सीखकर काम करती है, सिर्फ़ तय निर्देशों से नहीं।
AI, मशीन लर्निंग और डीप लर्निंग
- AI बड़ा विचार है: मशीन का समझदारी से काम करना।
- मशीन लर्निंग (ML) AI का हिस्सा है, जिसमें मशीन डेटा में पैटर्न ढूँढती है।
- डीप लर्निंग ML का हिस्सा है, जो बड़े न्यूरल नेटवर्क से चेहरे जैसी चीज़ें पहचानता है।
तीन मुख्य क्षेत्र
- डेटा साइंस: संख्याएँ और तालिकाएँ (दाम का अनुमान)।
- कंप्यूटर विज़न: चित्र और वीडियो (फ़ेस अनलॉक)।
- प्राकृतिक भाषा संसाधन (NLP): लिखी और बोली भाषा (वॉइस असिस्टेंट, अनुवाद)।
हर स्वचालित मशीन AI नहीं है: वॉशिंग मशीन का टाइमर तय कदम चलाता है, सीखता नहीं।
AI परियोजना चक्र के छह चरण
- समस्या तय करना (Problem Scoping): समस्या समझो। 4W समस्या कैनवास भरो: कौन (प्रभावित लोग), क्या (समस्या और उसका सबूत), कहाँ (स्थिति/संदर्भ), क्यों (हल करने का फ़ायदा)। आख़िर में एक लाइन का समस्या कथन लिखो।
- डेटा जुटाना (Data Acquisition): काम का, भरोसेमंद और इस्तेमाल की अनुमति वाला डेटा जमा करो। स्रोत: सर्वे, सेंसर, कैमरा, अवलोकन, वेब स्क्रैपिंग, खुले डेटा सेट (API)। डेटा में फ़ीचर (इनपुट, जैसे आकार, रंग) और लेबल (जवाब, जैसे सेब) होते हैं।
- डेटा समझना (Data Exploration): डेटा साफ़ करो (अधूरे, ग़लत या दोहराए मान ठीक करो) और ग्राफ़ से पैटर्न देखो।
- मॉडल बनाना (Modelling): तरीक़ा चुनो। नियम-आधारित: इंसान नियम लिखता है। सीखने-आधारित: मशीन डेटा से नियम सीखती है (जैसे लेबल वाले डेटा से supervised learning, समूह ढूँढने वाली unsupervised learning)।
- जाँचना (Evaluation): मॉडल को ऐसे डेटा पर परखो जो उसने कभी नहीं देखा। सटीकता नापो और ग़लतियाँ देखो।
- लागू करना (Deployment): मॉडल को असली ऐप या उपकरण में लगाओ, देखते रहो और सुधारो। फिर चक्र दोबारा चलता है।
मॉडल की जाँच: सटीकता आसान संख्याओं में
सटीकता = सही अनुमान ÷ कुल अनुमान × 100%।
अगर फल वाला मॉडल 200 नए फल देखे और 180 सही बताए, तो सटीकता = 180 ÷ 200 × 100 = 90%। कुछ डेटा अलग रखते हैं (टेस्ट डेटा), क्योंकि मॉडल ट्रेनिंग डेटा "रट" सकता है; नया डेटा बताता है कि उसने सच में सीखा या नहीं।
सिर्फ़ कुल सटीकता से समस्या छिप सकती है: मॉडल कुल मिलाकर 95% सही हो, पर किसी एक समूह के लिए बहुत ख़राब हो। इसलिए हर समूह का नतीजा अलग देखते हैं।
AI में नैतिकता और पक्षपात
AI नैतिकता का मतलब है AI को ऐसे इस्तेमाल करना जो लोगों के लिए निष्पक्ष और सुरक्षित हो।
- पक्षपात (Bias): मॉडल कुछ लोगों से अन्याय करे, अक्सर इसलिए कि ट्रेनिंग डेटा में उनके उदाहरण कम या एकतरफ़ा थे। जैसे ज़्यादातर एक रंग की त्वचा पर सीखा फ़ेस अनलॉक दूसरों के लिए बार-बार फ़ेल हो।
- निजता (Privacy): सिर्फ़ ज़रूरी डेटा, अनुमति लेकर लो और सुरक्षित रखो।
- पारदर्शिता: लोगों को पता हो कि AI फ़ैसला कर रही है और क्यों।
- जवाबदेही: AI के काम की ज़िम्मेदारी इंसानों की रहती है।
- रोज़गार और पहुँच: AI लोगों की मदद करे और सब उसका इस्तेमाल कर सकें।
उपाय: संतुलित और जाँचा हुआ डेटा, हर समूह पर परीक्षण, ज़रूरी फ़ैसलों पर इंसान की नज़र।
मुख्य सूत्र और परिभाषाएँ
- सटीकता (%) = सही अनुमान ÷ कुल अनुमान × 100
- AI परियोजना चक्र: समस्या तय करना → डेटा जुटाना → डेटा समझना → मॉडल बनाना → जाँचना → लागू करना
- 4W कैनवास: कौन, क्या, कहाँ, क्यों
- फ़ीचर: डेटा का इनपुट गुण। लेबल: किसी उदाहरण का सही जवाब।
- ट्रेनिंग डेटा मॉडल को सिखाता है; टेस्ट डेटा उसे परखता है।
- पक्षपात: किसी समूह के लिए अन्यायपूर्ण नतीजे, अक्सर असंतुलित डेटा से।
हल किए गए उदाहरण
1. स्कूल में पानी पीना भूल जाने वाले बच्चों के लिए 4W समस्या कथन लिखो।
कौन: 12–15 साल के छात्र। क्या: वे कम पानी पीते हैं और थकान महसूस करते हैं। कहाँ: लंबी कक्षाओं के दौरान। क्यों: याद दिलाने से सेहत और ध्यान बेहतर होगा। कथन: "हमारे छात्र (कौन) लंबी कक्षाओं में (कहाँ) कम पानी पीते हैं (क्या); एक स्मार्ट रिमाइंडर उन्हें स्वस्थ और चुस्त रखेगा (क्यों)।"
2. पौधों की बीमारी पहचानने वाला मॉडल 250 नई पत्तियों की फ़ोटो में से 215 सही बताता है। सटीकता निकालो।
सटीकता = 215 ÷ 250 × 100 = 86%।
3. लोन मंज़ूर करने वाला मॉडल सिर्फ़ शहर के आवेदकों के डेटा से सीखा। क्या समस्या हो सकती है और उपाय क्या है?
वह गाँव के आवेदकों को ग़लत ढंग से मना कर सकता है, क्योंकि उसने उनके पैटर्न सीखे ही नहीं (पक्षपात)। उपाय: गाँवों का भी डेटा लो, हर समूह की सटीकता अलग जाँचो और मना किए गए मामलों को इंसान देखे।
आम गलतियाँ
- समस्या तय किए बिना सीधे मॉडल बनाना। साफ़ समस्या कथन के बिना जमा किया डेटा बेकार हो सकता है।
- मॉडल को उसी डेटा पर जाँचना जिससे वह सीखा। इससे सिर्फ़ याददाश्त जँचती है, सीख नहीं।
- यह सोचना कि ज़्यादा डेटा हमेशा अच्छा है। ग़लत, पक्षपाती या निजी डेटा मॉडल को ख़राब या अनैतिक बनाता है।
- हर स्वचालित मशीन को AI कहना। AI तभी है जब वह डेटा से सीखे या तर्क करे।