कृत्रिम बुद्धिमत्ता शब्दावली

पाठ 1 – एआई का परिचय: सामान्य शब्द

कृत्रिम बुद्धिमत्ता (AI – Artificial Intelligence)

कंप्यूटर विज्ञान की वह शाखा जो ऐसी प्रणालियाँ बनाने से संबंधित है जो उन कार्यों को कर सकें जिनके लिए आमतौर पर मानवीय बुद्धि की ज़रूरत होती है: सीखना, समझना, समस्या-समाधान और निर्णय लेना।

एल्गोरिदम (Algorithm)

किसी समस्या को हल करने या कार्य करने के लिए चरणों का एक निश्चित क्रम। एआई में: वे नियम और गणनाएँ जिनका मॉडल उपयोग करता है।

मॉडल (Model)

प्रशिक्षण के दौरान बनाया गया एक गणितीय/कम्प्यूटेशनल ढाँचा (representation), जिसका उपयोग नए डेटा पर भविष्यवाणी या इन्फ़रेंस के लिए किया जाता है।

प्रशिक्षण (Training)

वह प्रक्रिया जिसमें एल्गोरिदम डेटा से सीखता है: वह पैरामीटरों को समायोजित करता है ताकि दिए गए कार्य में मॉडल का प्रदर्शन बेहतर हो।

इन्फ़रेंस / अनुमान (Inference)

पैरामीटर बदले बिना, नए इनपुट पर भविष्यवाणी या उत्तर पाने के लिए प्रशिक्षित मॉडल का उपयोग करना।

डेटा (Data)

वह जानकारी जिससे प्रणाली सीखती है या जिसे संसाधित करती है – टेक्स्ट, चित्र, संख्याएँ, उपयोगकर्ता इनपुट आदि।

पैरामीटर (Parameter)

वह मान जो मॉडल प्रशिक्षण के दौरान सीखता है (जैसे न्यूरल नेटवर्क में वज़न – weights)। बड़े मॉडल में अरबों पैरामीटर होते हैं।

संकीर्ण एआई (Narrow AI)

ऐसी एआई प्रणालियाँ जो किसी एक कार्य या सीमित क्षेत्र में उत्कृष्ट होती हैं (चेहरे की पहचान, अनुवाद, खेल) – AGI के विपरीत।

सामान्य कृत्रिम बुद्धिमत्ता (AGI – Artificial General Intelligence)

मानव-स्तरीय बुद्धिमत्ता – मानव की तरह विभिन्न कार्यों और क्षेत्रों में समझने, सीखने और काम करने की क्षमता।

कृत्रिम अति-बुद्धिमत्ता (ASI – Artificial Superintelligence)

सैद्धांतिक अवधारणा: एक ऐसी प्रणाली जो हर प्रासंगिक क्षेत्र में मानवता से अधिक बुद्धिमान हो। ऐसी प्रणाली आज मौजूद नहीं है।

स्वचालन (Automation)

मानव हस्तक्षेप के बिना कार्य करना। एआई का उपयोग दोहराई जाने वाली प्रक्रियाओं को स्वचालित करने और सामग्री बनाने के लिए किया जाता है।

पाठ 2 – एआई का इतिहास

समयरेखा, तिथियाँ और ऐतिहासिक अवधारणाएँ (ट्यूरिंग टेस्ट, Dartmouth सम्मेलन, ट्यूरिंग मशीन आदि) कृत्रिम बुद्धिमत्ता का इतिहास पृष्ठ पर दिखाई देती हैं।

पाठ 3 – मशीन लर्निंग

मशीन लर्निंग (ML – Machine Learning)

एआई की वह शाखा जिसमें कंप्यूटर उदाहरणों और डेटा से सीखते हैं और प्रत्येक मामले के लिए स्पष्ट प्रोग्रामिंग के बिना प्रदर्शन में सुधार करते हैं।

पर्यवेक्षित सीखना (Supervised Learning)

ऐसे उदाहरणों पर प्रशिक्षण जिन पर सही उत्तर का लेबल (टैग) लगा होता है: मॉडल इनपुट को वांछित आउटपुट से जोड़ना सीखता है।

अपर्यवेक्षित सीखना (Unsupervised Learning)

बिना लेबल वाले डेटा पर प्रशिक्षण – लक्ष्य डेटा में पैटर्न, समूह या संरचना खोजना है।

प्रबलन सीखना (RL – Reinforcement Learning)

परिवेश (environment) के साथ क्रिया-प्रतिक्रिया के ज़रिए सीखना: एजेंट को इनाम (rewards) मिलते हैं और वह अपनी रणनीति (policy) में सुधार करता है।

लेबल (Label)

पर्यवेक्षित प्रशिक्षण में किसी उदाहरण से जुड़ा सही उत्तर या वर्गीकरण (जैसे चित्र के लिए "बिल्ली")।

विशेषता (Feature)

डेटा से निकाला गया कोई गुण या माप, जिसे मॉडल के इनपुट के रूप में उपयोग किया जाता है (रंग, आकार, शब्दों की आवृत्ति आदि)।

रिग्रेशन (Regression)

इनपुट विशेषताओं के आधार पर निरंतर संख्यात्मक मान (कीमत, तापमान, समय) की भविष्यवाणी करने का कार्य।

वर्गीकरण (Classification)

इनपुट को पहले से तय श्रेणियों में से किसी एक में रखने का कार्य (स्पैम/स्पैम नहीं, जानवर का प्रकार आदि)।

क्लस्टरिंग (Clustering)

पहले से तय लेबल के बिना, मिलती-जुलती वस्तुओं को समूहों में बाँटना – अपर्यवेक्षित सीखने (unsupervised learning) की एक आम विधि।

ओवरफ़िटिंग (Overfitting)

जब मॉडल प्रशिक्षण डेटा को "याद" (रट) कर लेता है और नए डेटा पर उतना अच्छा काम नहीं करता – यानी सीखी हुई बात को नए उदाहरणों पर लागू करने की उसकी क्षमता (generalization) कमज़ोर होती है।

अंडरफ़िटिंग (Underfitting)

जब मॉडल बहुत सरल होता है और डेटा के पैटर्न को ठीक से पकड़ नहीं पाता।

क्रॉस-वैलिडेशन (Cross-Validation)

एक मूल्यांकन विधि: डेटा को भागों में विभाजित करें, कुछ पर प्रशिक्षण दें और बाकी पर परीक्षण करें, और परिणामों का औसत निकालें।

प्रशिक्षण डेटा (Training Data)

प्रशिक्षण के दौरान मॉडल के पैरामीटर अपडेट करने के लिए उपयोग किए जाने वाले उदाहरण।

परीक्षण डेटा (Test Data)

अलग रखा गया डेटा जिसका प्रशिक्षण में उपयोग नहीं होता; इससे मॉडल के प्रदर्शन का मूल्यांकन किया जाता है।

सीखने की दर (Learning Rate)

ऑप्टिमाइज़ेशन (optimization) में पैरामीटर अपडेट करते समय कदम का आकार। बहुत बड़ा – अस्थिरता; बहुत छोटा – धीमा प्रशिक्षण।

बैच (Batch)

उदाहरणों का एक छोटा समूह जिसे प्रशिक्षण के दौरान एक साथ प्रोसेस करके पैरामीटर एक बार अपडेट किए जाते हैं।

एपॉक (Epoch)

पूरे प्रशिक्षण डेटा पर एक पूरा चक्कर (pass)। प्रशिक्षण में आमतौर पर कई एपॉक होते हैं।

हानि फ़ंक्शन (Loss Function)

भविष्यवाणी सही मान से कितनी दूर है, इसका माप। ऑप्टिमाइज़ेशन के दौरान इस हानि (loss) को कम करने की कोशिश की जाती है।

बैकप्रोपगेशन (Backpropagation)

पैरामीटर के संबंध में हानि के ग्रेडिएंट की गणना करने का एल्गोरिदम, ताकि उन्हें ग्रेडिएंट डिसेंट द्वारा अपडेट किया जा सके।

ग्रेडिएंट (Gradient)

फ़ंक्शन में सबसे बड़े परिवर्तन की दिशा। प्रशिक्षण में – वह दिशा जिसमें पैरामीटर हानि कम करने के लिए अपडेट होते हैं।

ग्रेडिएंट डिसेंट (Gradient Descent)

एक ऑप्टिमाइज़ेशन विधि: हानि कम करने के लिए ग्रेडिएंट के विपरीत दिशा में पैरामीटर अपडेट करें।

पाठ 3 – न्यूरल नेटवर्क और डीप लर्निंग

न्यूरल नेटवर्क (Neural Network)

नोड (न्यूरॉन्स) और परतों (layers) की संरचना जो जटिल फ़ंक्शन की गणना करती है। अधिकांश डीप लर्निंग मॉडल का आधार।

डीप लर्निंग (Deep Learning)

कई परतों वाले न्यूरल नेटवर्क का उपयोग करके मशीन लर्निंग; इससे मॉडल डेटा के जटिल रूप (representations) सीख पाता है और उन्नत कार्य संभव होते हैं।

कॉन्वोल्यूशनल न्यूरल नेटवर्क (CNN – Convolutional Neural Network)

चित्रों के लिए विशेष रूप से उपयुक्त नेटवर्क: स्थानीय पैटर्न का पता लगाने के लिए कॉन्वोल्यूशनल परतों (convolutional layers) का उपयोग करता है।

रिकरेंट न्यूरल नेटवर्क (RNN – Recurrent Neural Network)

आंतरिक मेमोरी का उपयोग करके अनुक्रमों (sequences – जैसे टेक्स्ट या समय के साथ आने वाला डेटा) को संभालने वाला नेटवर्क; LSTM और GRU इसके आम रूप हैं।

ट्रांसफ़ॉर्मर (Transformer)

अटेंशन मैकेनिज़्म (ध्यान तंत्र) पर आधारित एक आर्किटेक्चर (मॉडल की बनावट), जिसमें RNN की तरह पुनरावृत्ति (recurrence) नहीं होती। GPT, BERT और अधिकांश बड़े भाषा मॉडल का आधार।

ध्यान तंत्र (Attention Mechanism)

मॉडल को आउटपुट उत्पन्न करते समय इनपुट के प्रासंगिक भागों (जैसे पिछले शब्द) को "देखने" की अनुमति देता है।

सक्रियण फ़ंक्शन (Activation Function)

न्यूरॉन परत के बाद गैर-रैखिक (non-linear) फ़ंक्शन (ReLU, Sigmoid, Softmax) जो नेटवर्क को जटिल पैटर्न सीखने देता है।

ड्रॉपआउट (Dropout)

एक नियमितीकरण (regularization) तकनीक: ओवरफ़िटिंग कम करने के लिए प्रशिक्षण के दौरान कुछ न्यूरॉन्स को रैंडम ढंग से "बंद" कर दिया जाता है।

सामान्यीकरण (Normalization)

बीच की परतों के मानों को एक मानक दायरे में लाना (जैसे Layer Norm) – ताकि प्रशिक्षण स्थिर रहे और मॉडल जल्दी अच्छे परिणाम तक पहुँचे (तेज़ अभिसरण – convergence)।

डिफ़्यूज़न मॉडल (Diffusion Model)

चित्र (और वीडियो/ऑडियो) बनाने वाला मॉडल: यह धीरे-धीरे शोर (noise – बेतरतीब दाने) हटाना सीखता है और इस तरह शुरू से एक चित्र बनाता है।

जनरेटिव प्रतिद्वंद्वी नेटवर्क (GAN – Generative Adversarial Network)

दो नेटवर्क: एक जेनरेटर (बनाने वाला) नए उदाहरण बनाता है, और एक डिस्क्रिमिनेटर (परखने वाला) असली और नकली में फ़र्क करने की कोशिश करता है। दोनों आपस में मुकाबला करते हैं, जिससे गुणवत्ता बेहतर होती जाती है।

वेरिएशनल ऑटोएन्कोडर (VAE – Variational Autoencoder)

एक जेनरेटिव मॉडल जो इनपुट को "लेटेंट स्पेस" (डेटा का छोटा, संक्षिप्त रूप) में संपीड़ित करता है, फिर उससे इनपुट को दोबारा बनाता है; नई सामग्री बनाने (generation) और संपीड़न (compression) दोनों के लिए उपयोगी।

पाठ 4–5 – भाषा, टेक्स्ट और भाषा मॉडल

प्राकृतिक भाषा प्रसंस्करण (NLP – Natural Language Processing)

एआई की वह शाखा जो टेक्स्ट और मानव भाषा को समझने, विश्लेषण करने और उत्पन्न करने से संबंधित है।

प्राकृतिक भाषा समझ (NLU – Natural Language Understanding)

NLP का उप-क्षेत्र: लिखित या बोली गई भाषा में इरादे, भावना, एंटिटी (entities – जैसे नाम, जगह, तारीख) और संरचना की व्याख्या।

प्राकृतिक भाषा निर्माण (NLG – Natural Language Generation)

प्रणाली द्वारा नया टेक्स्ट उत्पन्न करना – उत्तर, सारांश, अनुवाद, मार्केटिंग सामग्री आदि।

बड़ा भाषा मॉडल (LLM – Large Language Model)

एक बहुत बड़ा टेक्स्ट मॉडल (जैसे OpenAI का GPT-6, Anthropic का Claude, Google का Gemini) जिसे विशाल मात्रा में टेक्स्ट पर प्रशिक्षित किया गया है; यह टेक्स्ट पूरा करने (completion), सवाल-जवाब और नया टेक्स्ट बनाने में सक्षम है।

GPT – Generative Pre-trained Transformer

OpenAI की मॉडल श्रृंखला का नाम (GPT-3, GPT-4, GPT-5, GPT-6) – बड़े ट्रांसफ़ॉर्मर-आधारित भाषा मॉडल। सितंबर 2026 तक प्रमुख मॉडल GPT-6 Astra है, और साथ में GPT-5.6 परिवार भी है।

टोकन (Token)

टेक्स्ट की वह मूल इकाई जिसके साथ मॉडल काम करता है – शब्द, शब्द का हिस्सा (subword) या अक्षर (character)। टोकनाइज़ेशन टेक्स्ट को टोकन में बाँटता है।

टोकनाइज़ेशन (Tokenization)

टेक्स्ट को छोटी इकाइयों (टोकन) में बाँटने की प्रक्रिया; मॉडल इन्हीं टोकन को इनपुट के रूप में लेता है।

संदर्भ विंडो (Context Window)

टोकन की वह अधिकतम संख्या जिसे मॉडल एक बार में ध्यान में रख सकता है – इससे लंबा टेक्स्ट काट दिया जाता है या उसका सारांश बनाया जाता है।

एम्बेडिंग (Embedding)

किसी शब्द, वाक्य या वस्तु को वेक्टर (संख्याओं की सूची) के रूप में दर्शाना – ताकि मिलते-जुलते अर्थ वाली चीज़ें इस गणितीय स्पेस में एक-दूसरे के पास हों।

वेक्टर (Vector)

संख्याओं की क्रमबद्ध सूची। एआई में एम्बेडिंग, विशेषताओं और मॉडल की आंतरिक स्थिति को दर्शाने के लिए उपयोग किया जाता है।

कोसाइन समानता (Cosine Similarity)

दो वेक्टरों के बीच के कोण के आधार पर उनकी समानता का माप; एम्बेडिंग की तुलना और सिमेंटिक (अर्थ-आधारित) खोज में आम।

कुछ उदाहरणों से सीखना (Few-Shot Learning)

प्रॉम्प्ट में कुछ उदाहरण दिखाना ताकि मॉडल बिना अतिरिक्त प्रशिक्षण के वही शैली या प्रारूप अपना ले।

शून्य-उदाहरण (Zero-Shot)

प्रॉम्प्ट में कोई उदाहरण दिए बिना कार्य करवाना – केवल व्याख्या या निर्देश देकर। बड़े भाषा मॉडल यह कर सकते हैं।

ट्रांसफ़र लर्निंग (Transfer Learning)

किसी एक कार्य पर प्रशिक्षित मॉडल को दूसरे कार्य के लिए शुरुआती बिंदु की तरह उपयोग करना – उसे आगे प्रशिक्षित करके या नए कार्य के अनुसार ढालकर, आमतौर पर कम डेटा के साथ।

फ़ाइन-ट्यूनिंग (Fine-tuning)

किसी मौजूदा मॉडल को खास डेटा पर आगे प्रशिक्षित करना (आमतौर पर कम सीखने की दर – learning rate – के साथ), ताकि वह किसी खास कार्य या क्षेत्र के अनुसार ढल जाए।

आधार मॉडल (Base Model)

व्यापक डेटा पर प्रशिक्षित एक सामान्य-उद्देश्य मॉडल – फ़ाइन-ट्यूनिंग से पहले, या प्रॉम्प्ट के ज़रिए सीधे उपयोग से पहले की अवस्था।

भावना विश्लेषण (Sentiment Analysis)

टेक्स्ट में स्वर या भावना की पहचान – सकारात्मक, नकारात्मक, तटस्थ – अक्सर वर्गीकरण या स्कोरिंग के रूप में।

पाठ 4 – रोज़मर्रा की ज़िंदगी में एआई: चित्र, वीडियो और दृष्टि

कंप्यूटर विज़न (Computer Vision)

एआई का वह क्षेत्र जो चित्र और वीडियो को समझने से संबंधित है: वस्तु पहचान, सेगमेंटेशन, विवरण, OCR (चित्र में लिखे टेक्स्ट को पढ़ना) आदि।

छवि वर्गीकरण (Image Classification)

चित्र को पहले से दी गई श्रेणियों में से किसी एक में रखना (जैसे "कुत्ता," "कार")।

वस्तु पहचान (Object Detection)

चित्र में वस्तुओं को ढूँढना और हर वस्तु की जगह (बाउंडिंग बॉक्स – उसके चारों ओर का आयत) और उसकी श्रेणी (class) बताना।

विभाजन (Segmentation)

चित्र को क्षेत्रों में विभाजित करना – प्रत्येक पिक्सेल या क्षेत्र को एक श्रेणी (class) दी जाती है (व्यक्ति, पृष्ठभूमि, वाहन आदि)।

टेक्स्ट-से-चित्र (Text-to-Image)

टेक्स्ट विवरण से चित्र उत्पन्न करना; उदाहरण: ChatGPT Images (पहले DALL-E), Midjourney, Stable Diffusion।

वीडियो निर्माण (Video Generation)

टेक्स्ट, चित्र या दोनों से एआई द्वारा वीडियो बनाना – जैसे Google का Veo और Runway।

आवाज़-से-टेक्स्ट (STT – Speech-to-Text)

बोली गई बात (ऑडियो) को लिखित टेक्स्ट में बदलना।

टेक्स्ट-से-आवाज़ (TTS – Text-to-Speech)

टेक्स्ट को इंसान जैसी आवाज़ में बदलना – नैरेशन (वॉयसओवर), वॉयस असिस्टेंट, सुलभता (accessibility)।

बहु-माध्यम (Multimodal)

एक मॉडल या प्रणाली जो इनपुट/आउटपुट के कई प्रकार संभालती है: टेक्स्ट, चित्र, ऑडियो, वीडियो।

माध्यम (Modality)

जानकारी का प्रकार जिसे प्रणाली संसाधित करती है – टेक्स्ट, चित्र, ध्वनि, वीडियो – प्रत्येक एक अलग माध्यम (modality) है।

पाठ 5–6 – प्रॉम्प्ट और उपकरण

प्रॉम्प्ट इंजीनियरिंग (Prompt Engineering)

एआई से सटीक और प्रासंगिक उत्तर पाने के लिए उसे दिए जाने वाले निर्देश (प्रॉम्प्ट) तैयार करने की कला और कौशल।

प्रॉम्प्ट (Prompt)

वह टेक्स्ट जो उपयोगकर्ता मॉडल को देता है – प्रश्न, निर्देश या संदर्भ – जिसके आधार पर मॉडल अपना उत्तर देता है।

सिस्टम प्रॉम्प्ट (System Prompt)

एक आंतरिक निर्देश जो मॉडल की "भूमिका" या शैली निर्धारित करता है (जैसे "आप एक पेशेवर सहायक हैं")। आमतौर पर उपयोगकर्ता को नहीं दिखाया जाता।

विचार की श्रृंखला (CoT – Chain of Thought)

अंतिम उत्तर से पहले मॉडल को अपने तर्क चरणों की व्याख्या करने के लिए कहना – इससे जटिल कार्यों में सटीकता बढ़ती है।

तापमान (Temperature)

भाषा मॉडल में एक पैरामीटर (सेटिंग; इसका असली तापमान से कोई संबंध नहीं): उच्च – अधिक विविध/रचनात्मक उत्तर; निम्न – अधिक स्थिर और "सुरक्षित।"

Top-p / Nucleus Sampling

एक सैंपलिंग विधि: उन शब्दों में से चुनें जिनकी संचयी (कुल जोड़ी गई) संभावना p तक है। उत्तरों की विविधता को प्रभावित करता है।

चैटबॉट (Chatbot)

उपयोगकर्ताओं के साथ स्वचालित संवाद प्रणाली – आमतौर पर भाषा मॉडल पर आधारित, जैसे ChatGPT।

एआई एजेंट (AI Agent)

एक प्रणाली जिसे एक लक्ष्य दिया जाता है; वह चरणों की योजना बनाती है, उपकरणों (खोज, कोड, कैलकुलेटर) का उपयोग करती है, और जटिल कार्य पूरे करती है।

प्रॉम्प्ट इंजेक्शन (Prompt Injection)

एक तरह का हमला: दुर्भावनापूर्ण प्रॉम्प्ट के ज़रिए मॉडल से उसके निर्देश अनदेखे करवाने या अवांछित कार्य करवाने की कोशिश।

खोज-आधारित उत्तर निर्माण (RAG – Retrieval-Augmented Generation)

किसी भंडार (दस्तावेज़, डेटाबेस) में खोज को भाषा मॉडल के साथ जोड़ना – प्रासंगिक अंश ढूँढकर प्रॉम्प्ट में जोड़े जाते हैं, ताकि उत्तर ज़्यादा सटीक और ताज़ा (अप-टू-डेट) हों।

ज्ञान आधार (Knowledge Base)

जानकारी का संरचित भंडार (दस्तावेज़, प्रश्न-उत्तर, तथ्य) जिसमें एआई प्रणालियाँ खोज कर सकती हैं या जिस पर वे भरोसा कर सकती हैं।

ज्ञान कटऑफ़ (Knowledge Cutoff)

वह तिथि जिस तक मॉडल का प्रशिक्षण या ज्ञान अपडेट किया गया था – उसके बाद की नई घटनाओं के बारे में मॉडल शायद "न जानता" हो।

भ्रम (Hallucination)

जब मॉडल ऐसी जानकारी बना देता है जो सही लगती है लेकिन गलत या मनगढ़ंत होती है – भाषा मॉडल का उपयोग करते समय एक प्रमुख समस्या।

पाठ 7 – नैतिकता, सुरक्षा और प्रभाव

पूर्वाग्रह (Bias)

मॉडल या डेटा में एक व्यवस्थित झुकाव, जिसके कारण लोगों के साथ अनुचित रूप से अलग व्यवहार होता है (लिंग, नस्ल, उम्र आदि के आधार पर)।

पारदर्शिता (Transparency)

हम किस हद तक जानते हैं कि प्रणाली कैसे काम करती है, कौन सा डेटा उपयोग करती है, और निर्णय कैसे लिए जाते हैं।

व्याख्यात्मकता (Explainability)

यह समझाने की क्षमता कि मॉडल ने किसी विशेष निष्कर्ष या निर्णय तक क्यों पहुँचा।

जवाबदेही (Accountability)

यह परिभाषित करना कि जब एआई प्रणाली गलती करती है या हानि पहुँचाती है तो कौन जिम्मेदार है – डेवलपर्स, ऑपरेटर, नियामक।

एआई सुरक्षा (AI Safety)

वह अनुसंधान और अभ्यास जिसका उद्देश्य यह सुनिश्चित करना है कि एआई वैसा ही व्यवहार करे जैसा इरादा है, और अनचाहे जोखिम व नुकसान कम हों।

संरेखण (Alignment)

प्रणाली के लक्ष्यों को मानवीय मूल्यों और इच्छाओं के अनुरूप बनाना – ताकि वह खतरनाक या अवांछित व्यवहार न करे।

डीपफ़ेक (Deepfake)

एआई द्वारा बनाई या संशोधित सामग्री (वीडियो/आवाज़/चित्र) जो असली दिखती है – धोखाधड़ी और छल के जोखिम लेकर आती है।

एआई-निर्मित सामग्री (AIGC – AI-Generated Content)

कोई भी सामग्री – टेक्स्ट, चित्र, वीडियो, आवाज़ – एआई उपकरणों से बनाई गई।

एआई पहचान (AI Detection)

यह पता लगाने के प्रयास कि कोई टेक्स्ट या सामग्री एआई द्वारा बनाई गई थी या नहीं – इसके लिए उपकरण और तरीके मौजूद हैं, लेकिन वे हमेशा भरोसेमंद नहीं होते।

वॉटरमार्किंग (Watermarking)

एआई से बनी सामग्री में एक छिपा हुआ या दिखाई देने वाला निशान (मार्कर) जोड़ना, जिससे उसे चिह्नित किया जा सके या पहचाना जा सके।

तकनीकी सिंगुलैरिटी (Technological Singularity)

एक काल्पनिक परिदृश्य जिसमें एआई इतनी तेज़ी से विकसित होती है कि मानवता के लिए इसके प्रभाव अप्रत्याशित हो जाते हैं।

स्वायत्तता (Autonomy)

प्रणाली किस हद तक स्वतंत्र रूप से कार्य करती है – हर चरण पर मानव हस्तक्षेप के बिना निर्णय लेना और कार्य करना।

पाठ 8 – भविष्य और अधिक तकनीकें

भविष्यवाणी (Prediction)

नए इनपुट के लिए मॉडल द्वारा उत्पन्न अनुमान या पूर्वानुमान – मान, श्रेणी (class), टेक्स्ट का अनुक्रम आदि।

डेटा रिसाव (Data Leakage)

जब परीक्षण डेटा या भविष्य की जानकारी प्रशिक्षण चरण में "रिस" जाती है और प्रदर्शन का अवास्तविक अनुमान देती है।

सत्यापन डेटा (Validation Data)

प्रशिक्षण के दौरान अलग रखा गया डेटा, जिसकी मदद से मॉडल या पैरामीटर चुने जाते हैं या तय किया जाता है कि प्रशिक्षण कब रोकना है – इसका उपयोग अंतिम पैरामीटर अपडेट में सीधे नहीं होता।

ऑप्टिमाइज़ेशन (Optimization)

ऐसे पैरामीटर या निर्णय खोजने की प्रक्रिया जिनसे सबसे अच्छा (इष्टतम) मान मिले, जैसे न्यूनतम हानि – प्रशिक्षण में यह आमतौर पर ग्रेडिएंट पर आधारित होती है।

वेक्टर स्पेस (Vector Space)

एक गणितीय स्पेस जिसमें प्रत्येक वस्तु को वेक्टर के रूप में दर्शाया जाता है; तुलना, खोज और एम्बेडिंग के लिए उपयोग किया जाता है।

भूमिका अभिनय (Role Playing)

प्रॉम्प्ट में: मॉडल को किसी "चरित्र" या विशेषज्ञ (डॉक्टर, वकील, शिक्षक) के रूप में कार्य करने का निर्देश देना।

सीमाएँ (Constraints)

निर्देशों में: उत्तर पर सीमाएँ – लंबाई, भाषा, शैली, क्या उल्लेख नहीं करना है आदि।

टोकन लागत (Token Cost)

मॉडल API में भेजे और/या उत्पन्न किए गए टोकन की संख्या के आधार पर शुल्क या उपयोग इकाइयाँ।

रोक अनुक्रम (Stop Sequence)

एक तय स्ट्रिंग (अक्षरों का क्रम) – जैसे ही मॉडल इसे उत्पन्न करता है, टेक्स्ट बनना रुक जाता है। उदाहरण: पैराग्राफ का अंत या कोई खास प्रारूप।

सामग्री फ़िल्टरिंग (Content Filtering)

हानिकारक, अवैध या अनुचित सामग्री का पता लगाना और उपयोगकर्ता को दिखाने से पहले ब्लॉक या संशोधित करना।

API – Application Programming Interface

एक इंटरफ़ेस जिसके ज़रिए दूसरे प्रोग्राम मॉडल को अनुरोध भेज सकते हैं (जैसे चैट या टेक्स्ट पूरा करना – completion) और उत्तर पा सकते हैं।

ओपन-सोर्स मॉडल (Open-Source Model)

एक मॉडल जिसका कोड और/या वज़न (weights) सबके लिए उपलब्ध हैं – उपयोग, अनुसंधान और अपनी ज़रूरत के अनुसार बदलने के लिए।

मालिकाना मॉडल (Proprietary Model)

एक कंपनी के स्वामित्व वाला मॉडल जो केवल कंपनी द्वारा प्रदान की गई सेवाओं और API के माध्यम से सुलभ है।

कम्प्यूट (Compute)

मॉडल को प्रशिक्षित करने या चलाने के लिए आवश्यक कम्प्यूटिंग संसाधन (प्रोसेसिंग इकाइयाँ, मेमोरी, समय)।

इरादा (Intent)

संवाद प्रणालियों में: वह इरादा या लक्ष्य जिसे उपयोगकर्ता पूरा करना चाहता है (ऑर्डर देना, कुछ ठीक करवाना, सीखना आदि)।

वास्तविक समय (Real-Time)

डेटा मिलने के तुरंत बाद प्रतिक्रिया देने वाली प्रोसेसिंग – चैट, आवाज़ पहचान (speech recognition) और स्वचालित (बिना ड्राइवर वाले) वाहनों में महत्वपूर्ण।