àªàª²àª¾àª‡àª¨àª®à«‡àª¨à«àªŸ (Alignment)
Alignment
AI સિસà«àªŸàª®àª¨àª¾ ઉદà«àª¦à«‡àª¶à«àª¯à«‹, આઉટપà«àªŸ અને વરà«àª¤àª£à«‚કો માનવ લકà«àª·à«àª¯à«‹ અને મૂલà«àª¯à«‹ સાથે સà«àª¸àª‚ગત છે તેની ખાતરી કરવાની પà«àª°àª•à«àª°àª¿àª¯àª¾. આ ખાસ કરીને અદà«àª¯àª¤àª¨ સિસà«àªŸàª®à«‹àª®àª¾àª‚ મહતà«àªµàªªà«‚રà«àª£ છે જે સà«àªªàª·à«àªŸàªªàª£à«‡ ઇરાદાપૂરà«àªµàª• ન હોય તેવા વરà«àª¤àª£à«‚કો વિકસાવી શકે છે.
ઉદાહરણ: માનસિક સà«àªµàª¾àª¸à«àª¥à«àª¯ સહાય માટેના ચેટબોટને પà«àª°à«‹àª®à«àªªà«àªŸà«àª¸àª¨à«‡ ધà«àª¯àª¾àª¨àª®àª¾àª‚ લીધા વિના હાનિકારક કà«àª°àª¿àª¯àª¾àª“ની àªàª²àª¾àª®àª£ ન થાય તેની ખાતરી કરવી.
àªàªªà«àª²àª¿àª•ેશન પà«àª°à«‹àª—à«àª°àª¾àª®àª¿àª‚ગ ઇનà«àªŸàª°àª«à«‡àª¸ (API) (Application Programming Interface (API))
Application Programming Interface (API)
નિયમો અને પà«àª°à«‹àªŸà«‹àª•ોલનો સમૂહ જે વિવિધ સોફà«àªŸàªµà«‡àª° સિસà«àªŸàª®à«‹àª¨à«‡ સંચાર અને ડેટાની આપ-લે કરવાની મંજૂરી આપે છે.
ઉદાહરણ: તમારા વેબ àªàªªà«àª²àª¿àª•ેશનમાં àªàª¾àª·àª¾ મોડેલ-જનરેટેડ પà«àª°àª¤àª¿àª¸àª¾àª¦ મેળવવા અને પà«àª°à«‹àª®à«àªªà«àªŸ મોકલવા માટે OpenAI API નો ઉપયોગ કરવો.
આરà«àªŸàª¿àª«àª¿àª¶àª¿àª¯àª² જનરલ ઇનà«àªŸà«‡àª²àª¿àªœàª¨à«àª¸ (AGI) (Artificial General Intelligence (AGI))
Artificial General Intelligence (AGI)
AI નો સૈદà«àª§àª¾àª‚તિક સà«àªµàª°à«‚પ જે કોઈપણ બૌદà«àª§àª¿àª• કારà«àª¯ કરી શકે છે જે માનવ કરી શકે છે. તે ડોમેનà«àª¸àª®àª¾àª‚ શીખવાનà«àª‚ સામાનà«àª¯ બનાવે છે.
ઉદાહરણ: AGI સિસà«àªŸàª® સંગીત રચના શીખી શકે છે, સરà«àªœàª°à«€ કરી શકે છે અને કારà«àª¯-વિશિષà«àªŸ પà«àª°à«‹àª—à«àª°àª¾àª®àª¿àª‚ગ વિના ફિલસૂફી પરીકà«àª·àª¾ પાસ કરી શકે છે.
આરà«àªŸàª¿àª«àª¿àª¶àª¿àª¯àª² ઇનà«àªŸà«‡àª²àª¿àªœàª¨à«àª¸ (AI) (Artificial Intelligence (AI))
Artificial Intelligence (AI)
મશીનોમાં માનવ બà«àª¦à«àª§àª¿àª¨à«àª‚ અનà«àª•રણ જે વિચારવા, તરà«àª• કરવા અને સà«àªµàª¾àª¯àª¤à«àª¤ રીતે કારà«àª¯ કરવા માટે પà«àª°à«‹àª—à«àª°àª¾àª® કરેલ છે.
ઉદાહરણ: AI સિરી જેવા વà«àª¯àª•à«àª¤àª¿àª—ત સહાયકો અને ટેસà«àª²àª¾ ઓટોપાયલોટ જેવા સà«àªµàª¾àª¯àª¤à«àª¤ ડà«àª°àª¾àª‡àªµàª¿àª‚ગ સિસà«àªŸàª®à«àª¸àª¨à«‡ શકà«àª¤àª¿ આપે છે.
AI નીતિશાસà«àª¤à«àª° (AI Ethics)
AI Ethics
AI વિકાસ અને ઉપયોગના નૈતિક અસરો, જેમાં નિષà«àªªàª•à«àª·àª¤àª¾, ગોપનીયતા, જવાબદારી અને àªà«‡àª¦àªàª¾àªµ ન કરવો શામેલ છે.
ઉદાહરણ: લિંગ અથવા જાતિના આધારે àªà«‡àª¦àªàª¾àªµ અટકાવવા માટે àªàª°àª¤à«€ અલà«àª—ોરિધમà«àª¸ માટે મારà«àª—દરà«àª¶àª¿àª•ા બનાવવી.
ઓગમેનà«àªŸà«‡àª¡ ઇનà«àªŸà«‡àª²àª¿àªœàª¨à«àª¸ (Augmented Intelligence)
Augmented Intelligence
àªàª• સહયોગી મોડેલ જà«àª¯àª¾àª‚ AI માનવ બà«àª¦à«àª§àª¿àª¨à«‡ બદલવાને બદલે પૂરક અને વધારે છે.
ઉદાહરણ: AI-સંચાલિત રેડિયોલોજી ટૂલà«àª¸ જે ડોકટરો માટે અસામાનà«àª¯àª¤àª¾àª“ પà«àª°àª•ાશિત કરે છે, જે અંતિમ નિદાન કરે છે.
ઓટોનોમસ àªàªœàª¨à«àªŸ (Autonomous Agent)
Autonomous Agent
àªàª• AI સિસà«àªŸàª® જે માનવ હસà«àª¤àª•à«àª·à«‡àªª વિના તેના લકà«àª·à«àª¯à«‹àª¨à«‡ પà«àª°àª¾àªªà«àª¤ કરવા માટે પોતાના નિરà«àª£àª¯à«‹ લેવા અને કà«àª°àª¿àª¯àª¾àª“ કરવા સકà«àª·àª® છે.
ઉદાહરણ: સà«àªµàª¯àª‚-ડà«àª°àª¾àª‡àªµàª¿àª‚ગ ડિલિવરી રોબોટ જે શહેરના રસà«àª¤àª¾àª“ પર નેવિગેટ કરે છે અને સà«àªµàª¤àª‚તà«àª° રીતે અવરોધો ટાળે છે.
બેકપà«àª°à«‹àªªà«‡àª—ેશન (Backpropagation)
Backpropagation
àªà«‚લોને ઘટાડવા માટે નà«àª¯à«àª°àª² નેટવરà«àª•à«àª¸àª¨à«‡ આઉટપà«àªŸàª¥à«€ ઇનપà«àªŸ લેયરà«àª¸ સà«àª§à«€ વિપરીત રીતે વજન અપડેટ કરીને તાલીમ આપવાની તકનીક.
ઉદાહરણ: હસà«àª¤àª¾àª•à«àª·àª°àª¿àª¤ અંકોને ઓળખવામાં àªà«‚લ દર ઘટાડવા માટે ઇમેજ કà«àª²àª¾àª¸àª¿àª«àª¾àª¯àª°à«àª¸àª¨à«‡ તાલીમ આપવામાં વપરાય છે.
પકà«àª·àªªàª¾àª¤ (àªàª²à«àª—ોરિધમિક પકà«àª·àªªàª¾àª¤) (Bias (Algorithmic Bias))
Bias (Algorithmic Bias)
અસંતà«àª²àª¿àª¤ અથવા બિન-પà«àª°àª¤àª¿àª¨àª¿àª§àª¿àª§àª¿ તાલીમ ડેટાને કારણે AI પરિણામોમાં અનિચà«àª›àª¨à«€àª¯ અને વà«àª¯àªµàª¸à«àª¥àª¿àª¤ પકà«àª·àªªàª¾àª¤.
ઉદાહરણ: ચહેરાની ઓળખ સિસà«àªŸàª® જે તાલીમ ડેટામાં ઓછી રજૂઆતને કારણે રંગીન લોકોની વધૠવાર ખોટી ઓળખ કરે છે.
બિગ ડેટા (Big Data)
Big Data
ખૂબ મોટા ડેટાસેટà«àª¸ કે જેને સંગà«àª°àª¹àª¿àª¤ કરવા, વિશà«àª²à«‡àª·àª£ કરવા અને મૂલà«àª¯ કાઢવા માટે વિશેષ સાધનોની જરૂર પડે છે, જેનો ઉપયોગ ઘણીવાર AI મોડેલોને તાલીમ આપવા માટે થાય છે.
ઉદાહરણ: ઈ-કોમરà«àª¸ પà«àª²à«‡àªŸàª«à«‹àª°à«àª® માટે àªàª²àª¾àª®àª£ àªàª¨à«àªœàª¿àª¨àª¨à«‡ તાલીમ આપવા માટે લાખો વપરાશકરà«àª¤àª¾ કà«àª°àª¿àª¯àª¾àªªà«àª°àª¤àª¿àª•à«àª°àª¿àª¯àª¾àª“નો ઉપયોગ કરવો.
બà«àª²à«‡àª• બોકà«àª¸ મોડેલ (Black Box Model)
Black Box Model
AI અથવા મશીન લરà«àª¨àª¿àª‚ગ મોડેલનો àªàª• પà«àª°àª•ાર જેનો આંતરિક તરà«àª• માનવો દà«àªµàª¾àª°àª¾ સરળતાથી સમજી શકાતો નથી, જેના કારણે નિરà«àª£àª¯à«‹ કેવી રીતે લેવાય છે તે સમજવà«àª‚ મà«àª¶à«àª•ેલ બને છે.
ઉદાહરણ: લોન મંજૂર કરવા માટે વપરાતà«àª‚ ડીપ નà«àª¯à«àª°àª² નેટવરà«àª• પરંતૠàªàª• અરજનà«àªŸàª¨à«‡ શા માટે સà«àªµà«€àª•ારવામાં આવà«àª¯à«‹ અને બીજાને શા માટે નકારવામાં આવà«àª¯à«‹ તેનà«àª‚ કોઈ સà«àªªàª·à«àªŸ સમજૂતી આપતà«àª‚ નથી.
કોગà«àª¨àª¿àªŸàª¿àªµ કમà«àªªà«àª¯à«àªŸàª¿àª‚ગ (Cognitive Computing)
Cognitive Computing
AI સિસà«àªŸàª®à«àª¸ જે માનવ વિચાર પà«àª°àª•à«àª°àª¿àª¯àª¾àª“, જેમ કે તરà«àª• અને શીખવાનà«àª‚ અનà«àª•રણ કરવા માટે ડિàªàª¾àª‡àª¨ કરવામાં આવી છે, NLP અને પેટરà«àª¨ ઓળખ જેવી તકનીકોનો ઉપયોગ કરીને.
ઉદાહરણ: કોગà«àª¨àª¿àªŸàª¿àªµ કમà«àªªà«àª¯à«àªŸàª¿àª‚ગ સિસà«àªŸàª® જે કાનૂની વà«àª¯àª¾àªµàª¸àª¾àª¯àª¿àª•ોને કેસ કાયદાનà«àª‚ વિશà«àª²à«‡àª·àª£ કરવામાં અને પરિણામોની આગાહી કરવામાં મદદ કરે છે.
કમà«àªªà«àª¯à«àªŸàª° વિàªàª¨ (Computer Vision)
Computer Vision
કૃતà«àª°àª¿àª® બà«àª¦à«àª§àª¿àª¨à«àª‚ àªàª• કà«àª·à«‡àª¤à«àª° જે કમà«àªªà«àª¯à«àªŸàª°à«àª¸àª¨à«‡ છબીઓ અને વિડિઓ જેવા દà«àª°àª¶à«àª¯ ડેટાનà«àª‚ અરà«àª¥àª˜àªŸàª¨ અને પà«àª°àª•à«àª°àª¿àª¯àª¾ કરવાની મંજૂરી આપે છે.
ઉદાહરણ: ચહેરાની ઓળખ સિસà«àªŸàª®à«àª¸ જે કમà«àªªà«àª¯à«àªŸàª° વિàªàª¨àª¨à«‹ ઉપયોગ કરીને સà«àª°àª•à«àª·àª¾ ફૂટેજમાં લોકોને ઓળખે છે.
કોરà«àªªàª¸ (Corpus)
Corpus
àªàª¾àª·àª¾ મોડેલોને તાલીમ આપવા માટે વપરાતા લેખિત અથવા બોલાયેલા ગà«àª°àª‚થોનો મોટો સંગà«àª°àª¹.
ઉદાહરણ: કોમન કà«àª°à«‹àª² ડેટાસેટ ઠGPT જેવા મોટા àªàª¾àª·àª¾ મોડેલોને તાલીમ આપવા માટે વપરાતો જાહેર વેબ કોરà«àªªàª¸ છે.
ડેટા ડà«àª°àª¿àª«à«àªŸ (Data Drift)
Data Drift
àªàªµà«€ ઘટના જà«àª¯àª¾àª‚ ઇનપà«àªŸ ડેટા સમય જતાં બદલાય છે, જેના કારણે મોડેલનà«àª‚ પà«àª°àª¦àª°à«àª¶àª¨ ઘટે છે.
ઉદાહરણ: ઔદà«àª¯à«‹àª—િક સાધનો માટે આગાહી જાળવણી મોડેલ નવા સેનà«àª¸àª° ટેકનોલોજી રજૂ થતાં ઓછà«àª‚ સચોટ બને છે.
ડેટા લેબલિંગ (Data Labelling)
Data Labelling
સà«àªªàª°àªµàª¾àª‡àªà«àª¡ લરà«àª¨àª¿àª‚ગ માટે ડેટાને યોગà«àª¯ બનાવવા માટે તેને ટેગ અથવા લેબલ સાથે àªàª¨à«‹àªŸà«‡àªŸ કરવાની પà«àª°àª•à«àª°àª¿àª¯àª¾.
ઉદાહરણ: કેનà«àª¸àª° શોધ મોડેલને તાલીમ આપવા માટે હજારો ગાંઠની છબીઓને સૌમà«àª¯ અથવા જીવલેણ તરીકે લેબલ કરવી.
ડેટા માઇનિંગ (Data Mining)
Data Mining
મોટા ડેટાસેટà«àª¸àª®àª¾àª‚ અરà«àª¥àªªà«‚રà«àª£ પેટરà«àª¨, સહસંબંધો અને અસામાનà«àª¯àª¤àª¾àª“ શોધવાની પà«àª°àª•à«àª°àª¿àª¯àª¾.
ઉદાહરણ: ડેટા માઇનિંગનો ઉપયોગ કરીને રિટેલરà«àª¸ ઓળખે છે કે જેઓ ડાયપર ખરીદે છે તેઓ ઘણીવાર બીયર પણ ખરીદે છે.
ડીપ લરà«àª¨àª¿àª‚ગ (Deep Learning)
Deep Learning
મશીન લરà«àª¨àª¿àª‚ગનà«àª‚ àªàª• પેટાકà«àª·à«‡àª¤à«àª° જે ડેટામાં જટિલ પેટરà«àª¨ મોડેલ કરવા માટે બહà«-સà«àª¤àª°à«€àª¯ નà«àª¯à«àª°àª² નેટવરà«àª•à«àª¸àª¨à«‹ ઉપયોગ કરે છે.
ઉદાહરણ: ડીપ લરà«àª¨àª¿àª‚ગનો ઉપયોગ GPT-4 જેવા àªàª¾àª·àª¾ મોડેલો અને સà«àªŸà«‡àª¬àª² ડિફà«àª¯à«àªàª¨ જેવા ઇમેજ જનરેશન મોડેલોમાં થાય છે.
ડિફà«àª¯à«àªàª¨ મોડેલà«àª¸ (Diffusion Models)
Diffusion Models
જનરેટિવ મોડેલોનો àªàª• વરà«àª— જે રેનà«àª¡àª® અવાજને સંરચિત આઉટપà«àªŸàª®àª¾àª‚ ધીમે ધીમે રૂપાંતરિત કરીને ડેટા ઉતà«àªªàª¨à«àª¨ કરવાનà«àª‚ શીખે છે.
ઉદાહરણ: સà«àªŸà«‡àª¬àª² ડિફà«àª¯à«àªàª¨ ડિફà«àª¯à«àªàª¨ તકનીકોનો ઉપયોગ કરીને ટેકà«àª¸à«àªŸ પà«àª°à«‹àª®à«àªªà«àªŸà«àª¸àª®àª¾àª‚થી ફોટોરિયલિસà«àªŸàª¿àª• છબીઓ બનાવે છે.
àªàª®à«àª¬à«‡àª¡àª¿àª‚ગ (Embedding)
Embedding
ડેટાનà«àª‚ સંખà«àª¯àª¾àª¤à«àª®àª• વેકà«àªŸàª° પà«àª°àª¤àª¿àª¨àª¿àª§àª¿àª¤à«àªµ, જેનો ઉપયોગ ઘણીવાર શબà«àª¦à«‹, છબીઓ અથવા વાકà«àª¯à«‹àª¨àª¾ સિમેનà«àªŸà«€àª• અરà«àª¥àª¨à«‡ કેપà«àªšàª° કરવા માટે થાય છે.
ઉદાહરણ: NLP માં, 'બેંક' શબà«àª¦àª¨àª¾ સંદરà«àªàª¨àª¾ આધારે 'પૈસા' જેવા સમાન àªàª®à«àª¬à«‡àª¡àª¿àª‚ગ હોઈ શકે છે પરંતૠ'નદી કિનારો' કરતાં અલગ.
àªàªªà«‰àª• (Epoch)
Epoch
મશીન લરà«àª¨àª¿àª‚ગ મોડેલની તાલીમ પà«àª°àª•à«àª°àª¿àª¯àª¾ દરમિયાન સમગà«àª° તાલીમ ડેટાસેટ પર સંપૂરà«àª£ પà«àª¨àª°àª¾àªµàª°à«àª¤àª¨.
ઉદાહરણ: જો ડેટાસેટમાં 1,000 ઉદાહરણો હોય અને મોડેલ તાલીમ દરમિયાન તે બધાને àªàª•વાર જà«àª, તો તે àªàª• àªàªªà«‰àª• છે.
àªàª¥àª¿àª•લ AI (Ethical AI)
Ethical AI
àªàª• ડિàªàª¾àª‡àª¨ અને જમાવટ ફિલસૂફી જે સà«àª¨àª¿àª¶à«àªšàª¿àª¤ કરે છે કે AI ટેકનોલોજી પારદરà«àª¶àª•, નિષà«àªªàª•à«àª· અને સામાજિક મૂલà«àª¯à«‹ સાથે સà«àª¸àª‚ગત રીતે કારà«àª¯ કરે છે.
ઉદાહરણ: AI àªàª°àª¤à«€ સાધન જે લઘà«àª®àª¤à«€ ઉમેદવારો સામે àªà«‡àª¦àªàª¾àªµ અટકાવવા માટે પકà«àª·àªªàª¾àª¤ તપાસનો સમાવેશ કરે છે.
àªàª•à«àª¸àªªàª°à«àªŸ સિસà«àªŸàª® (Expert System)
Expert System
àªàª• AI સિસà«àªŸàª® જે નિયમો અને તરà«àª•નો ઉપયોગ કરીને ચોકà«àª•સ ડોમેનમાં માનવ નિષà«àª£àª¾àª¤àª¨à«€ નિરà«àª£àª¯ લેવાની કà«àª·àª®àª¤àª¾àª“નà«àª‚ અનà«àª•રણ કરે છે.
ઉદાહરણ: કૃષિમાં વપરાતી àªàª•à«àª¸àªªàª°à«àªŸ સિસà«àªŸàª® જે જમીનના ડેટા અને જંતà«àª“ના ઇતિહાસના આધારે પાક સારવારની àªàª²àª¾àª®àª£ કરે છે.
àªàª•à«àª¸àªªà«àª²à«‡àª¨à«‡àª¬àª² AI (XAI) (Explainable AI (XAI))
Explainable AI (XAI)
AI સિસà«àªŸàª®à«àª¸ જે માનવો માટે તેમની આંતરિક પà«àª°àª•à«àª°àª¿àª¯àª¾àª“ અને નિરà«àª£àª¯à«‹àª¨à«‡ સમજી શકાય તેવા બનાવવા માટે ડિàªàª¾àª‡àª¨ કરવામાં આવી છે, જેનાથી વિશà«àªµàª¾àª¸ અને જવાબદારી વધે છે.
ઉદાહરણ: મેડિકલ ડાયગà«àª¨à«‹àª¸à«àªŸàª¿àª• AI જે માતà«àª° àªàª²àª¾àª®àª£ જ નથી આપતà«àª‚, પરંતૠતે નિષà«àª•રà«àª· તરફ કયા લકà«àª·àª£à«‹ દોરી ગયા તે પણ સમજાવે છે.
ફà«àª¯à«-શોટ લરà«àª¨àª¿àª‚ગ (Few-shot Learning)
Few-shot Learning
àªàª• મશીન લરà«àª¨àª¿àª‚ગ પદà«àª§àª¤àª¿ જà«àª¯àª¾àª‚ મોડેલને ફકà«àª¤ થોડા લેબલ કરેલા ઉદાહરણોનો ઉપયોગ કરીને તાલીમ અથવા ફાઇન-ટà«àª¯à«àª¨ કરવામાં આવે છે.
ઉદાહરણ: 10 ઉદાહરણો બતાવà«àª¯àª¾ પછી કાનૂની ઇમેઇલ લખવા માટે LLM ને કસà«àªŸàª®àª¾àª‡àª કરવà«àª‚.
ફાઇન-ટà«àª¯à«àª¨àª¿àª‚ગ (Fine-tuning)
Fine-tuning
પૂરà«àªµ-તાલીમ પામેલા મોડેલને લઈને અને તેને ચોકà«àª•સ કારà«àª¯ માટે વિશેષ બનાવવા માટે નવા, નાના ડેટાસેટ પર વધૠતાલીમ આપવાની પà«àª°àª•à«àª°àª¿àª¯àª¾.
ઉદાહરણ: કાનૂની ડà«àª°àª¾àª«à«àªŸàª¿àª‚ગ સહાયક બનાવવા માટે આંતરિક કાનૂની દસà«àª¤àª¾àªµà«‡àªœà«‹ પર સામાનà«àª¯ LLM જેમ કે GPT ને ફાઇન-ટà«àª¯à«àª¨ કરવà«àª‚.
ફાઉનà«àª¡à«‡àª¶àª¨ મોડેલ (Foundation Model)
Foundation Model
વિવિધ અને વિશાળ ડેટા પર તાલીમ પામેલà«àª‚ àªàª• મોટà«àª‚-સà«àª•ેલ મોડેલ જે ઘણા ડાઉનસà«àªŸà«àª°à«€àª® કારà«àª¯à«‹ માટે અનà«àª•ૂલિત થઈ શકે છે.
ઉદાહરણ: GPT-4 અને PaLM 2 ફાઉનà«àª¡à«‡àª¶àª¨ મોડેલો છે જે સારાંશ, પà«àª°àª¶à«àª¨à«‹àª¤à«àª¤àª°, અનà«àªµàª¾àª¦ અને વધૠકરી શકે છે.
ફàªà«€ લોજિક (Fuzzy Logic)
Fuzzy Logic
તરà«àª•નà«àª‚ àªàª• સà«àªµàª°à«‚પ જે નિશà«àªšàª¿àª¤ સાચા/ખોટા (બાઈનરી) તરà«àª•ને બદલે અંદાજિત મૂલà«àª¯à«‹ સાથે વà«àª¯àªµàª¹àª¾àª° કરે છે, અનિશà«àªšàª¿àª¤àª¤àª¾ હેઠળ તરà«àª• માટે ઉપયોગી છે.
ઉદાહરણ: આબોહવા નિયંતà«àª°àª£ સિસà«àªŸàª®à«àª¸àª®àª¾àª‚ 'થોડà«àª‚ ગરમ' અથવા 'ખૂબ ઠંડà«' જેવા ફàªà«€ ઇનપà«àªŸà«àª¸àª¨àª¾ આધારે તાપમાનને સમાયોજિત કરવા માટે વપરાય છે.
જનરેટિવ àªàª¡àªµàª°à«àª¸à«‡àª°àª¿àª¯àª² નેટવરà«àª• (GAN) (Generative Adversarial Network (GAN))
Generative Adversarial Network (GAN)
àªàª• જનરેટિવ મોડેલ આરà«àª•િટેકà«àªšàª° જà«àª¯àª¾àª‚ બે નેટવરà«àª•à«àª¸ — àªàª• જનરેટર અને àªàª• ડિસà«àª•à«àª°àª¿àª®àª¿àª¨à«‡àªŸàª° — આઉટપà«àªŸ ગà«àª£àªµàª¤à«àª¤àª¾ સà«àª§àª¾àª°àªµàª¾ માટે સà«àªªàª°à«àª§àª¾ કરે છે.
ઉદાહરણ: GAN નો ઉપયોગ ડીપફેક વીડિયો બનાવવા અથવા સà«àª•ેચમાંથી વાસà«àª¤àªµàª¿àª• ઉતà«àªªàª¾àª¦àª¨ ફોટા જનરેટ કરવા માટે થાય છે.
જનરેટિવ AI (Generative AI)
Generative AI
કૃતà«àª°àª¿àª® બà«àª¦à«àª§àª¿àª¨à«€ àªàª• શà«àª°à«‡àª£à«€ જે તાલીમ ડેટામાંથી નવી સામગà«àª°à«€ — જેમ કે ટેકà«àª¸à«àªŸ, છબીઓ, સંગીત અથવા વિડિઓ — બનાવી શકે છે.
ઉદાહરણ: ChatGPT બà«àª²à«‹àª— પોસà«àªŸà«àª¸ જનરેટ કરે છે અથવા Midjourney ટેકà«àª¸à«àªŸà«àª¯à«àª…લ પà«àª°à«‹àª®à«àªªà«àªŸà«àª¸àª®àª¾àª‚થી ડિજિટલ આરà«àªŸàªµàª°à«àª• બનાવે છે.
જનરેટિવ પà«àª°à«€-ટà«àª°à«‡àª‡àª¨à«àª¡ ટà«àª°àª¾àª¨à«àª¸àª«à«‹àª°à«àª®àª° (GPT) (Generative Pre-trained Transformer (GPT))
Generative Pre-trained Transformer (GPT)
OpenAI દà«àªµàª¾àª°àª¾ વિકસિત મોટા àªàª¾àª·àª¾ મોડેલોનો àªàª• વરà«àª— જે ટà«àª°àª¾àª¨à«àª¸àª«à«‹àª°à«àª®àª° આરà«àª•િટેકà«àªšàª°àª¨à«‹ ઉપયોગ કરે છે અને વિવિધ àªàª¾àª·àª¾ કારà«àª¯à«‹ કરવા માટે વિશાળ ટેકà«àª¸à«àªŸ ડેટા પર પૂરà«àªµ-તાલીમ પામેલો છે.
ઉદાહરણ: GPT-4 નિબંધ લખવા, àªàª¾àª·àª¾àª“નà«àª‚ àªàª¾àª·àª¾àª‚તર કરવા અને ઓછામાં ઓછા પà«àª°à«‹àª®à«àªªà«àªŸàª¿àª‚ગ સાથે દસà«àª¤àª¾àªµà«‡àªœà«‹àª¨à«‹ સારાંશ આપવા સકà«àª·àª® છે.
જેનેટિક àªàª²à«àª—ોરિધમ (Genetic Algorithm)
Genetic Algorithm
કà«àª¦àª°àª¤à«€ પસંદગીથી પà«àª°à«‡àª°àª¿àª¤ àªàª• ઓપà«àªŸàª¿àª®àª¾àª‡àªà«‡àª¶àª¨ તકનીક જà«àª¯àª¾àª‚ ઉકેલો મà«àª¯à«àªŸà«‡àª¶àª¨, કà«àª°à«‹àª¸àª“વર અને પસંદગી દà«àªµàª¾àª°àª¾ સમય જતાં વિકસિત થાય છે.
ઉદાહરણ: શà«àª°à«‡àª·à«àª તાના અસà«àª¤àª¿àª¤à«àªµàª¨à«àª‚ અનà«àª•રણ કરીને કારà«àª¯àª•à«àª·àª® નà«àª¯à«àª°àª² નેટવરà«àª• આરà«àª•િટેકà«àªšàª° ડિàªàª¾àª‡àª¨ કરવા માટે વપરાય છે.
હેલà«àª¯à«àª¸àª¿àª¨à«‡àª¶àª¨ (Hallucination)
Hallucination
AI મોડેલ દà«àªµàª¾àª°àª¾ વિશà«àªµàª¾àª¸àªªàª¾àª¤à«àª° લાગતી પરંતૠતથà«àª¯àª¾àª¤à«àª®àª• રીતે ખોટી અથવા અરà«àª¥àª¹à«€àª¨ સામગà«àª°à«€àª¨à«àª‚ નિરà«àª®àª¾àª£.
ઉદાહરણ: àªàª¾àª·àª¾ મોડેલ અસà«àª¤àª¿àª¤à«àªµàª®àª¾àª‚ ન હોય તેવા સંદરà«àªàª¨à«‹ આવિષà«àª•ાર કરે છે અથવા ખોટી àªàª¤àª¿àª¹àª¾àª¸àª¿àª• તથà«àª¯à«‹ પà«àª°àª¦àª¾àª¨ કરે છે.
હà«àª¯à«àª°àª¿àª¸à«àªŸàª¿àª• (Heuristic)
Heuristic
સમસà«àª¯àª¾-નિરાકરણ માટે àªàª• વà«àª¯àªµàª¹àª¾àª°à« અàªàª¿àª—મ જે સંપૂરà«àª£ ઉકેલની ખાતરી આપતો નથી પરંતૠતાતà«àª•ાલિક લકà«àª·à«àª¯à«‹ માટે પરà«àª¯àª¾àªªà«àª¤ છે.
ઉદાહરણ: લોજિસà«àªŸàª¿àª•à«àª¸ AI સિસà«àªŸàª®àª®àª¾àª‚ ડિલિવરી સમયનો અંદાજ કાઢવા માટે નિયમનો ઉપયોગ કરવો.
હાઇપરપેરામીટર (Hyperparameter)
Hyperparameter
મશીન લરà«àª¨àª¿àª‚ગ મોડેલને તાલીમ આપતા પહેલા સેટ કરેલ રૂપરેખાંકન મૂલà«àª¯, જેમ કે લરà«àª¨àª¿àª‚ગ રેટ અથવા લેયરà«àª¸àª¨à«€ સંખà«àª¯àª¾.
ઉદાહરણ: તાલીમ ગતિ અને મોડેલ પà«àª°àª¦àª°à«àª¶àª¨ સà«àª§àª¾àª°àªµàª¾ માટે બેચ સાઇàªàª¨à«‡ 32 થી 128 માં સમાયોજિત કરવી.
ઇનà«àª«àª°àª¨à«àª¸ (Inference)
Inference
નવા ઇનપà«àªŸ ડેટામાંથી આગાહીઓ કરવા અથવા આઉટપà«àªŸ જનરેટ કરવા માટે તાલીમ પામેલા મશીન લરà«àª¨àª¿àª‚ગ મોડેલનો ઉપયોગ કરવાની પà«àª°àª•à«àª°àª¿àª¯àª¾.
ઉદાહરણ: ગà«àª°àª¾àª¹àª• સપોરà«àªŸ ટીમ માટે ઇમેઇલ ડà«àª°àª¾àª«à«àªŸ કરવા માટે ફાઇન-ટà«àª¯à«àª¨ કરેલ GPT મોડેલનો ઉપયોગ કરવો.
ઇનà«àªŸà«‡àª¨à«àªŸ ડિટેકà«àª¶àª¨ (Intent Detection)
Intent Detection
નેચરલ લેંગà«àªµà«‡àªœ અંડરસà«àªŸà«‡àª¨à«àª¡àª¿àª‚ગમાં àªàª• કારà«àª¯ જà«àª¯àª¾àª‚ સિસà«àªŸàª® સંદેશમાં વપરાશકરà«àª¤àª¾àª¨àª¾ ધà«àª¯à«‡àª¯ અથવા હેતà«àª¨à«‡ ઓળખે છે.
ઉદાહરણ: ચેટબોટમાં, 'હà«àª‚ ફà«àª²àª¾àª‡àªŸ બà«àª• કરવા માંગૠછà«àª‚' ને ટà«àª°àª¾àªµà«‡àª² બà«àª•િંગ ઇનà«àªŸà«‡àª¨à«àªŸ તરીકે ઓળખવà«àª‚.
ઇનà«àªŸàª°àª¨à«‡àªŸ ઓફ થિંગà«àª¸ (IoT) (Internet of Things (IoT))
Internet of Things (IoT)
સેનà«àª¸àª°à«àª¸, સોફà«àªŸàªµà«‡àª° અને અનà«àª¯ ટેકનોલોજી સાથે જોડાયેલા àªà«Œàª¤àª¿àª• ઉપકરણોનà«àª‚ નેટવરà«àª• જે ડેટા àªàª•તà«àª°àª¿àª¤ અને વિનિમય કરે છે.
ઉદાહરણ: સà«àª®àª¾àª°à«àªŸ થરà«àª®à«‹àª¸à«àªŸà«‡àªŸà«àª¸ અને ફà«àª°àª¿àªœ જે વપરાશ ડેટા રિપોરà«àªŸ કરે છે અને AI àªàª¨àª¾àª²àª¿àªŸàª¿àª•à«àª¸àª¨à«‹ ઉપયોગ કરીને સેટિંગà«àª¸àª¨à«‡ સમાયોજિત કરે છે.
ઇનà«àªŸàª°àªªà«àª°àª¿àªŸà«‡àª¬àª¿àª²àª¿àªŸà«€ (Interpretability)
Interpretability
àªàª• માનવ મશીન લરà«àª¨àª¿àª‚ગ મોડેલની આંતરિક મિકેનિકà«àª¸ અને તેની નિરà«àª£àª¯ લેવાની પà«àª°àª•à«àª°àª¿àª¯àª¾àª¨à«‡ કેટલી હદ સà«àª§à«€ સમજી શકે છે.
ઉદાહરણ: ડિસિàªàª¨ ટà«àª°à«€ ડીપ નà«àª¯à«àª°àª² નેટવરà«àª• કરતાં વધૠઇનà«àªŸàª°àªªà«àª°àª¿àªŸà«‡àª¬àª² છે કારણ કે તેના નિરà«àª£àª¯à«‹ ટà«àª°à«‡àª¸à«‡àª¬àª² છે.
જà«àª¯à«àªªàª¿àªŸàª° નોટબà«àª• (Jupyter Notebook)
Jupyter Notebook
àªàª• ઓપન-સોરà«àª¸ ઇનà«àªŸàª°à«‡àª•à«àªŸàª¿àªµ કમà«àªªà«àª¯à«àªŸàª¿àª‚ગ àªàª¨à«àªµàª¾àª¯àª°à«àª¨àª®à«‡àª¨à«àªŸ જે વપરાશકરà«àª¤àª¾àª“ને કોડ લખવા, આઉટપà«àªŸ વિàªà«àª¯à«àª…લાઇઠકરવા અને àªàª• જ ઇનà«àªŸàª°àª«à«‡àª¸àª®àª¾àª‚ વિશà«àª²à«‡àª·àª£ દસà«àª¤àª¾àªµà«‡àªœà«€àª•ૃત કરવાની મંજૂરી આપે છે.
ઉદાહરણ: ડેટા વૈજà«àªžàª¾àª¨àª¿àª•à«‹ મશીન લરà«àª¨àª¿àª‚ગ મોડેલોને પà«àª°à«‹àªŸà«‹àªŸàª¾àª‡àªª કરવા અને પરિણામો શેર કરવા માટે જà«àª¯à«àªªàª¿àªŸàª° નોટબà«àª•નો ઉપયોગ કરે છે.
K-નિયરેસà«àªŸ નેઇબરà«àª¸ (KNN) (K-Nearest Neighbours (KNN))
K-Nearest Neighbours (KNN)
વરà«àª—ીકરણ અને રિગà«àª°à«‡àª¶àª¨ માટે વપરાતી àªàª• સરળ, નોન-પેરામેટà«àª°àª¿àª• મશીન લરà«àª¨àª¿àª‚ગ àªàª²à«àª—ોરિધમ. તે ફીચર સà«àªªà«‡àª¸àª®àª¾àª‚ નજીકના તાલીમ ઉદાહરણોના આધારે નિરà«àª£àª¯à«‹ લે છે.
ઉદાહરણ: નવા ફળને સફરજન અથવા પેર તરીકે વરà«àª—ીકૃત કરવા માટે, KNN આકાર અને રંગમાં નજીકના લેબલ કરેલા ફળો તપાસે છે.
નોલેજ ગà«àª°àª¾àª« (Knowledge Graph)
Knowledge Graph
àªàª• ડેટા સà«àªŸà«àª°àª•à«àªšàª° જે àªàª¨à«àªŸàª¿àªŸà«€àª અને તેમના સંબંધોના ઇનà«àªŸàª°àª²àª¿àª‚કà«àª¡ વરà«àª£àª¨à«‹àª¨à«àª‚ પà«àª°àª¤àª¿àª¨àª¿àª§àª¿àª¤à«àªµ કરવા અને સંગà«àª°àª¹àª¿àª¤ કરવા માટે નોડà«àª¸ અને ધારનો ઉપયોગ કરે છે.
ઉદાહરણ: Google નà«àª‚ નોલેજ પેનલ નોલેજ ગà«àª°àª¾àª« દà«àªµàª¾àª°àª¾ સંચાલિત થાય છે જે લોકો, સà«àª¥àª³à«‹ અને ઘટનાઓ જેવી àªàª¨à«àªŸàª¿àªŸà«€àªàª¨à«‡ જોડે છે.
લેંગà«àªµà«‡àªœ લરà«àª¨àª¿àª‚ગ મોડેલ ઓપà«àªŸàª¿àª®àª¾àª‡àªà«‡àª¶àª¨ (LLMO) (Language Learning Model Optimisation (LLMO))
Language Learning Model Optimisation (LLMO)
ચોકà«àª•સ કારà«àª¯à«‹ અથવા ડોમેનà«àª¸ માટે મોટા àªàª¾àª·àª¾ મોડેલોના પà«àª°àª¦àª°à«àª¶àª¨, કારà«àª¯àª•à«àª·àª®àª¤àª¾ અથવા અનà«àª•ૂલનકà«àª·àª®àª¤àª¾àª¨à«‡ સà«àª§àª¾àª°àªµàª¾ માટે વપરાતી તકનીકો.
ઉદાહરણ: àªàª¨à«àªŸàª°àªªà«àª°àª¾àª‡àª ઉપયોગ માટે LLM ને ઓપà«àªŸàª¿àª®àª¾àª‡àª કરવા માટે કà«àªµà«‹àª¨à«àªŸàª¾àª‡àªà«‡àª¶àª¨ અને ઇનà«àª¸à«àªŸà«àª°àª•à«àª¶àª¨ ટà«àª¯à«àª¨àª¿àª‚ગનો ઉપયોગ કરવો.
લારà«àªœ લેંગà«àªµà«‡àªœ મોડેલ (LLM) (Large Language Model (LLM))
Large Language Model (LLM)
ડીપ લરà«àª¨àª¿àª‚ગ મોડેલનો àªàª• પà«àª°àª•ાર જે વિશાળ ટેકà«àª¸à«àªŸ ડેટા પર તાલીમ પામેલો છે અને માનવ àªàª¾àª·àª¾ સાથે જનરેટ કરવા, સમજવા અને તરà«àª• કરવા સકà«àª·àª® છે.
ઉદાહરણ: ChatGPT અને Claude LLM છે જે લખવા, કોડિંગ અને પà«àª°àª¶à«àª¨à«‹àª¨àª¾ જવાબ આપવામાં મદદ કરવા માટે તાલીમ પામેલા છે.
લેટનà«àªŸ સà«àªªà«‡àª¸ (Latent Space)
Latent Space
àªàª• ઉચà«àªš-પરિમાણીય અમૂરà«àª¤ પà«àª°àª¤àª¿àª¨àª¿àª§àª¿àª¤à«àªµ જà«àª¯àª¾àª‚ સમાન ઇનપà«àªŸà«àª¸ નજીક જૂથબદà«àª§ થાય છે, જે જનરેટિવ મોડેલો અને àªàª®à«àª¬à«‡àª¡àª¿àª‚ગà«àª¸àª®àª¾àª‚ વપરાય છે.
ઉદાહરણ: ઇમેજ જનરેશનમાં, લેટનà«àªŸ સà«àªªà«‡àª¸àª®àª¾àª‚ ફેરફાર કરવાથી તેજસà«àªµà«€àª¤àª¾ અથવા àªàª¾àªµàª¨àª¾ જેવી સà«àªµàª¿àª§àª¾àª“ બદલાઈ શકે છે.
લરà«àª¨àª¿àª‚ગ રેટ (Learning Rate)
Learning Rate
તાલીમમાં àªàª• મà«àª–à«àª¯ હાઇપરપેરામીટર જે મોડેલના વજનને લોસ ગà«àª°à«‡àª¡àª¿àª¯àª¨à«àªŸàª¨àª¾ સંબંધમાં કેટલà«àª‚ સમાયોજિત કરવામાં આવે છે તે નિયંતà«àª°àª¿àª¤ કરે છે.
ઉદાહરણ: ઉચà«àªš લરà«àª¨àª¿àª‚ગ રેટ મિનિમાને ઓવરશૂટ કરી શકે છે, જà«àª¯àª¾àª°à«‡ ખૂબ ઓછો દર તાલીમ પà«àª°àª—તિને ધીમી પાડે છે.
મશીન લરà«àª¨àª¿àª‚ગ (ML) (Machine Learning (ML))
Machine Learning (ML)
AI ની àªàª• શાખા જે સિસà«àªŸàª®à«‹àª¨à«‡ ડેટામાંથી શીખવા અને સà«àªªàª·à«àªŸàªªàª£à«‡ પà«àª°à«‹àª—à«àª°àª¾àª® કરà«àª¯àª¾ વિના પà«àª°àª¦àª°à«àª¶àª¨ સà«àª§àª¾àª°àªµàª¾ માટે સકà«àª·àª® બનાવે છે.
ઉદાહરણ: સà«àªªàª¾àª® ફિલà«àªŸàª°à«àª¸ àªà«‚તકાળના ઉદાહરણોના આધારે ઇમેઇલà«àª¸àª¨à«‡ સà«àªªàª¾àª® તરીકે વરà«àª—ીકૃત કરવા માટે મશીન લરà«àª¨àª¿àª‚ગનો ઉપયોગ કરે છે.
મોડેલ ડà«àª°àª¿àª«à«àªŸ (Model Drift)
Model Drift
àªàª• ઘટના જà«àª¯àª¾àª‚ ડેટા અથવા પરà«àª¯àª¾àªµàª°àª£àª®àª¾àª‚ ફેરફારને કારણે મોડેલની ચોકસાઈ સમય જતાં ઘટે છે.
ઉદાહરણ: છેતરપિંડીની યà«àª•à«àª¤àª¿àª“ વિકસિત થતાં છેતરપિંડી શોધ મોડેલ ઓછà«àª‚ સચોટ બને છે.
મોડેલ ટà«àª°à«‡àª¨àª¿àª‚ગ (Model Training)
Model Training
મશીન લરà«àª¨àª¿àª‚ગ મોડેલમાં ડેટા ફીડ કરવાની અને àªà«‚લને ઘટાડવા માટે તેના પરિમાણોને સમાયોજિત કરવાની પà«àª°àª•à«àª°àª¿àª¯àª¾.
ઉદાહરણ: નવા ઉતà«àªªàª¾àª¦àª¨à«‹ સૂચવવા માટે ગà«àª°àª¾àª¹àª• ખરીદી ઇતિહાસ પર àªàª²àª¾àª®àª£ àªàª¨à«àªœàª¿àª¨àª¨à«‡ તાલીમ આપવી.
મલà«àªŸàª¿àª®à«‹àª¡àª² AI (Multimodal AI)
Multimodal AI
AI સિસà«àªŸàª®à«àª¸ જે ટેકà«àª¸à«àªŸ, છબીઓ, ઓડિયો અને વિડિઓ જેવા બહà«àªµàª¿àª§ ડેટા પà«àª°àª•ારોને પà«àª°àª•à«àª°àª¿àª¯àª¾ અને સંકલિત કરવા સકà«àª·àª® છે.
ઉદાહરણ: GPT-4 વિàªàª¨ જેવà«àª‚ મોડેલ જે àªàª• જ સમયે ટેકà«àª¸à«àªŸ વાંચી શકે છે અને છબીઓનà«àª‚ અરà«àª¥àª˜àªŸàª¨ કરી શકે છે.
નેચરલ લેંગà«àªµà«‡àªœ પà«àª°à«‹àª¸à«‡àª¸àª¿àª‚ગ (NLP) (Natural Language Processing (NLP))
Natural Language Processing (NLP)
AI નà«àª‚ àªàª• પેટાકà«àª·à«‡àª¤à«àª° જે કમà«àªªà«àª¯à«àªŸàª°à«àª¸ અને માનવ (કà«àª¦àª°àª¤à«€) àªàª¾àª·àª¾àª“ વચà«àªšà«‡àª¨à«€ કà«àª°àª¿àª¯àª¾àªªà«àª°àª¤àª¿àª•à«àª°àª¿àª¯àª¾ પર ધà«àª¯àª¾àª¨ કેનà«àª¦à«àª°àª¿àª¤ કરે છે. તે મશીનોને માનવ àªàª¾àª·àª¾àª®àª¾àª‚ વાંચવા, સમજવા અને પà«àª°àª¤àª¿àª¸àª¾àª¦ આપવા સકà«àª·àª® બનાવે છે.
ઉદાહરણ: NLP નો ઉપયોગ વૉઇસ આસિસà«àªŸàª¨à«àªŸà«àª¸, àªàª¾àª·àª¾ અનà«àªµàª¾àª¦ àªàªªà«àª²àª¿àª•ેશનà«àª¸ અને ચેટબોટà«àª¸àª®àª¾àª‚ થાય છે.
નà«àª¯à«àª°àª² નેટવરà«àª• (Neural Network)
Neural Network
માનવ મગજની રચનાથી પà«àª°à«‡àª°àª¿àª¤ મશીન લરà«àª¨àª¿àª‚ગ મોડેલ, જે જોડાયેલા નોડà«àª¸ (નà«àª¯à«àª°à«‹àª¨à«àª¸) ના સà«àª¤àª°à«‹àª¥à«€ બનેલà«àª‚ છે.
ઉદાહરણ: નà«àª¯à«àª°àª² નેટવરà«àª•à«àª¸ છબી અને વાણી ઓળખમાં વપરાતા ડીપ લરà«àª¨àª¿àª‚ગ મોડેલો પાછળ છે.
નોઇઠ(Noise)
Noise
ડેટામાં રેનà«àª¡àª® અથવા અપà«àª°àª¸à«àª¤à«àª¤ માહિતી જે અરà«àª¥àªªà«‚રà«àª£ પેટરà«àª¨àª¨à«‡ અસà«àªªàª·à«àªŸ કરી શકે છે અને મોડેલના પà«àª°àª¦àª°à«àª¶àª¨ પર નકારાતà«àª®àª• અસર કરી શકે છે.
ઉદાહરણ: સેનà«àª¸àª° àªà«‚લો અથવા ટાઇપો-àªàª°à«‡àª²àª¾ ડેટા àªàª¨à«àªŸà«àª°à«€àªàª¨à«‡ નોઇઠગણી શકાય.
ઓનà«àªŸà«‹àª²à«‹àªœà«€ (Ontology)
Ontology
àªàª• સંરચિત માળખà«àª‚ જે ડોમેનમાં ખà«àª¯àª¾àª²à«‹ વચà«àªšà«‡àª¨àª¾ સંબંધોને વરà«àª—ીકૃત કરે છે અને વà«àª¯àª¾àª–à«àª¯àª¾àª¯àª¿àª¤ કરે છે, જેનો ઉપયોગ ઘણીવાર સિમેનà«àªŸà«€àª• AI સિસà«àªŸàª®à«àª¸àª®àª¾àª‚ થાય છે.
ઉદાહરણ: આરોગà«àª¯àª¸àª‚àªàª¾àª³àª®àª¾àª‚ ઓનà«àªŸà«‹àª²à«‹àªœà«€ વà«àª¯àª¾àª–à«àª¯àª¾àª¯àª¿àª¤ કરી શકે છે કે લકà«àª·àª£à«‹ રોગો અને સારવાર સાથે કેવી રીતે સંબંધિત છે.
ઓવરફિટિંગ (Overfitting)
Overfitting
àªàª• મોડેલિંગ àªà«‚લ જà«àª¯àª¾àª‚ મશીન લરà«àª¨àª¿àª‚ગ મોડેલ તાલીમ ડેટામાં નોઇઠકેપà«àªšàª° કરે છે અને નવા ડેટા પર ખરાબ પà«àª°àª¦àª°à«àª¶àª¨ કરે છે.
ઉદાહરણ: àªàª• મોડેલ જે તાલીમ જવાબો યાદ રાખે છે પરંતૠઅદà«àª°àª¶à«àª¯ પરીકà«àª·àª£ ડેટાને હેનà«àª¡àª² કરી શકતà«àª‚ નથી તે ઓવરફિટ થયેલ છે.
પà«àª°àª¿àª¡àª¿àª•à«àªŸàª¿àªµ àªàª¨àª¾àª²àª¿àªŸàª¿àª•à«àª¸ (Predictive Analytics)
Predictive Analytics
àªàª¤àª¿àª¹àª¾àª¸àª¿àª• ડેટાના આધારે àªàªµàª¿àª·à«àª¯àª¨àª¾ પરિણામોની સંàªàª¾àªµàª¨àª¾àª¨à«‡ ઓળખવા માટે ડેટા, અલà«àª—ોરિધમà«àª¸ અને AI નો ઉપયોગ.
ઉદાહરણ: રિટેલરà«àª¸ ચોકà«àª•સ ઉતà«àªªàª¾àª¦àª¨à«‹ માટે માંગની આગાહી કરવા માટે પà«àª°àª¿àª¡àª¿àª•à«àªŸàª¿àªµ àªàª¨àª¾àª²àª¿àªŸàª¿àª•à«àª¸àª¨à«‹ ઉપયોગ કરે છે.
પà«àª°à«€-ટà«àª°à«‡àª¨àª¿àª‚ગ (Pre-training)
Pre-training
ચોકà«àª•સ કારà«àª¯à«‹ માટે તેને ફાઇન-ટà«àª¯à«àª¨ કરતા પહેલા મોટા, સામાનà«àª¯ ડેટાસેટ પર મોડેલને શરૂઆતમાં તાલીમ આપવાની પà«àª°àª•à«àª°àª¿àª¯àª¾.
ઉદાહરણ: GPT મોડેલો ગà«àª°àª¾àª¹àª• સેવા ચેટબોટà«àª¸ માટે કસà«àªŸàª®àª¾àª‡àª કરતા પહેલા મોટા કોરà«àªªà«‹àª°àª¾ પર પà«àª°à«€-ટà«àª°à«‡àª‡àª¨ થયેલા છે.
પà«àª°à«‹àª®à«àªªà«àªŸ àªàª¨à«àªœàª¿àª¨àª¿àª¯àª°àª¿àª‚ગ (Prompt Engineering)
Prompt Engineering
મોટા àªàª¾àª·àª¾ મોડેલોના આઉટપà«àªŸàª¨à«‡ દિશામાન કરવા માટે અસરકારક પà«àª°à«‹àª®à«àªªà«àªŸà«àª¸ તૈયાર કરવાની કળા અને વિજà«àªžàª¾àª¨.
ઉદાહરણ: 'નમà«àª° ટà«àª¯à«àªŸàª° તરીકે જવાબ આપો' જેવી સિસà«àªŸàª® સૂચનાઓ ઉમેરવી ઠપà«àª°à«‹àª®à«àªªà«àªŸ àªàª¨à«àªœàª¿àª¨àª¿àª¯àª°àª¿àª‚ગનà«àª‚ ઉદાહરણ છે.
કà«àªµà«‹àª¨à«àªŸàª¾àª‡àªà«‡àª¶àª¨ (Quantisation)
Quantisation
àªàª• મોડેલ કમà«àªªà«àª°à«‡àª¶àª¨ તકનીક જે કારà«àª¯àª•à«àª·àª®àª¤àª¾ વધારે છે, વજન અને સકà«àª°àª¿àª¯àª•રણોનà«àª‚ પà«àª°àª¤àª¿àª¨àª¿àª§àª¿àª¤à«àªµ કરવા માટે વપરાતા બિટà«àª¸àª¨à«€ સંખà«àª¯àª¾ ઘટાડે છે.
ઉદાહરણ: 32-બીટ થી 8-બીટ સà«àª§à«€àª¨àª¾ મોડેલને કà«àªµà«‹àª¨à«àªŸàª¾àª‡àª કરવાથી મોબાઇલ ઉપકરણો પર પà«àª°àª¦àª°à«àª¶àª¨ સà«àª§àª°à«‡ છે.
કà«àªµà«‹àª¨à«àªŸàª® કમà«àªªà«àª¯à«àªŸàª¿àª‚ગ (Quantum Computing)
Quantum Computing
કà«àªµà«‹àª¨à«àªŸàª® મિકેનિકà«àª¸ પર આધારિત કમà«àªªà«àª¯à«àªŸàª¿àª‚ગનો àªàª• નવો માળખાગત, જે ઘાતાંકીય પà«àª°àª•à«àª°àª¿àª¯àª¾ કà«àª·àª®àª¤àª¾àª“ માટે સંàªàªµàª¿àª¤àª¤àª¾ ધરાવે છે.
ઉદાહરણ: કà«àªµà«‹àª¨à«àªŸàª® કમà«àªªà«àª¯à«àªŸàª¿àª‚ગ àªàª• દિવસ કà«àª²àª¾àª¸àª¿àª•લ મરà«àª¯àª¾àª¦àª¾àª“થી આગળ AI તાલીમને વેગ આપી શકે છે.
રિàªàª¨àª¿àª‚ગ àªàª¨à«àªœàª¿àª¨ (Reasoning Engine)
Reasoning Engine
AI માં àªàª• સિસà«àªŸàª® જે નિયમો અથવા અનà«àª®àª¾àª¨ અલà«àª—ોરિધમà«àª¸àª¨à«‹ ઉપયોગ કરીને તથà«àª¯à«‹ અથવા ડેટાના સમૂહમાંથી તારà«àª•િક નિષà«àª•રà«àª· મેળવે છે.
ઉદાહરણ: AI નિદાન સાધન લકà«àª·àª£à«‹àª¨àª¾ આધારે સંàªàªµàª¿àª¤ તબીબી પરિસà«àª¥àª¿àª¤àª¿àª“નà«àª‚ અનà«àª®àª¾àª¨ કરવા માટે રિàªàª¨àª¿àª‚ગ àªàª¨à«àªœàª¿àª¨àª¨à«‹ ઉપયોગ કરે છે.
રિઇનà«àª«à«‹àª°à«àª¸àª®à«‡àª¨à«àªŸ લરà«àª¨àª¿àª‚ગ (RL) (Reinforcement Learning (RL))
Reinforcement Learning (RL)
મશીન લરà«àª¨àª¿àª‚ગનà«àª‚ àªàª• કà«àª·à«‡àª¤à«àª° જà«àª¯àª¾àª‚ àªàªœàª¨à«àªŸà«àª¸ સંચિત પà«àª°àª¸à«àª•ારોને મહતà«àª¤àª® કરવા માટે તેમના પરà«àª¯àª¾àªµàª°àª£ સાથે કà«àª°àª¿àª¯àª¾àªªà«àª°àª¤àª¿àª•à«àª°àª¿àª¯àª¾ કરીને શીખે છે.
ઉદાહરણ: રોબોટ RL તકનીકોનો ઉપયોગ કરીને ટà«àª°àª¾àª¯àª² અને àªàª°àª° દà«àªµàª¾àª°àª¾ ચાલવાનà«àª‚ શીખે છે.
રિઇનà«àª«à«‹àª°à«àª¸àª®à«‡àª¨à«àªŸ લરà«àª¨àª¿àª‚ગ વિથ હà«àª¯à«àª®àª¨ ફીડબેક (RLHF) (Reinforcement Learning with Human Feedback (RLHF))
Reinforcement Learning with Human Feedback (RLHF)
àªàª• શીખવાની પદà«àª§àª¤àª¿ જà«àª¯àª¾àª‚ માનવ પસંદગીઓ AI ના પà«àª°àª¸à«àª•ાર સંકેતને મારà«àª—દરà«àª¶àª¨ આપે છે, જેનો ઉપયોગ ઘણીવાર àªàª¾àª·àª¾ મોડેલોને ફાઇન-ટà«àª¯à«àª¨ કરવામાં થાય છે.
ઉદાહરણ: ChatGPT ને વધૠમદદરૂપ અને સà«àª°àª•à«àª·àª¿àª¤ પà«àª°àª¤àª¿àª¸àª¾àª¦à«‹ ઉતà«àªªàª¨à«àª¨ કરવા માટે RLHF સાથે તાલીમ આપવામાં આવી હતી.
રિટà«àª°à«€àªµàª²-ઓગમેનà«àªŸà«‡àª¡ જનરેશન (RAG) (Retrieval-Augmented Generation (RAG))
Retrieval-Augmented Generation (RAG)
માહિતી પà«àª¨àªƒàªªà«àª°àª¾àªªà«àª¤àª¿àª¨à«‡ જનરેશન સાથે જોડતી પદà«àª§àª¤àª¿, જà«àª¯àª¾àª‚ LLM તેના પà«àª°àª¤àª¿àª¸àª¾àª¦àª¨à«‡ સà«àª§àª¾àª°àªµàª¾ માટે સંબંધિત દસà«àª¤àª¾àªµà«‡àªœà«‹ મેળવે છે.
ઉદાહરણ: AI સહાયક તકનીકી પà«àª°àª¶à«àª¨àª¨àª¾ જવાબ જનરેટ કરતી વખતે ઉતà«àªªàª¾àª¦àª¨ સà«àªªàª·à«àªŸà«€àª•રણો મેળવે છે અને ટાંકે છે.
સેલà«àª«-સà«àªªàª°àªµàª¾àª‡àªà«àª¡ લરà«àª¨àª¿àª‚ગ (Self-Supervised Learning)
Self-Supervised Learning
àªàª• તાલીમ અàªàª¿àª—મ જà«àª¯àª¾àª‚ મોડેલ કાચા ડેટામાંથી પોતાના લેબલ જનરેટ કરીને પેટરà«àª¨ શીખે છે, માનવ-àªàª¨à«‹àªŸà«‡àªŸà«‡àª¡ ડેટા પરની નિરà«àªàª°àª¤àª¾ ઘટાડે છે.
ઉદાહરણ: BERT ને ટેકà«àª¸à«àªŸàª®àª¾àª‚ ગà«àª® થયેલા શબà«àª¦à«‹àª¨à«€ આગાહી કરીને સેલà«àª«-સà«àªªàª°àªµàª¾àª‡àªà«àª¡ લરà«àª¨àª¿àª‚ગ સાથે તાલીમ આપવામાં આવે છે.
સિમેનà«àªŸàª¿àª• સરà«àªš (Semantic Search)
Semantic Search
àªàª• શોધ તકનીક જે ફકà«àª¤ કીવરà«àª¡ મેચિંગને બદલે વપરાશકરà«àª¤àª¾àª¨àª¾ હેતૠઅને સંદરà«àªàª¿àª¤ અરà«àª¥àª¨à«‡ સમજે છે.
ઉદાહરણ: 'લીક થતા નળને કેવી રીતે ઠીક કરવà«àª‚' શોધવાથી દસà«àª¤àª¾àªµà«‡àªœàª®àª¾àª‚ 'લીક થતા નળ' શબà«àª¦ ન હોવા છતાં મારà«àª—દરà«àª¶àª¿àª•ાઓ મળે છે.
સેનà«àªŸàª¿àª®à«‡àª¨à«àªŸ àªàª¨àª¾àª²àª¿àª¸àª¿àª¸ (Sentiment Analysis)
Sentiment Analysis
ટેકà«àª¸à«àªŸàª®àª¾àª‚ લાગણીઓ, મંતવà«àª¯à«‹ અથવા વલણોને ઓળખવાની પà«àª°àª•à«àª°àª¿àª¯àª¾, ઘણીવાર હકારાતà«àª®àª•, નકારાતà«àª®àª• અથવા તટસà«àª¥ તરીકે વરà«àª—ીકૃત કરે છે.
ઉદાહરણ: નવા ઉતà«àªªàª¾àª¦àª¨ પર જાહેર પà«àª°àª¤àª¿àª•à«àª°àª¿àª¯àª¾ માપવા માટે ટà«àªµà«€àªŸà«àª¸àª¨à«àª‚ વિશà«àª²à«‡àª·àª£ કરવà«àª‚.
સà«àªŸà«‹àª•ેસà«àªŸàª¿àª• (Stochastic)
Stochastic
રેનà«àª¡àª®àª¨à«‡àª¸ અથવા સંàªàª¾àªµàª¨àª¾àª¤à«àª®àª• વરà«àª¤àª£à«‚ક સાથે સંકળાયેલ, જેનો ઉપયોગ ઘણીવાર જનરેટિવ AI અને ઓપà«àªŸàª¿àª®àª¾àª‡àªà«‡àª¶àª¨ અલà«àª—ોરિધમà«àª¸àª®àª¾àª‚ થાય છે.
ઉદાહરણ: GPT-4 નà«àª‚ આઉટપà«àªŸ તેના સà«àªŸà«‹àª•ેસà«àªŸàª¿àª• ડિકોડિંગ પà«àª°àª•à«àª°àª¿àª¯àª¾àª¨à«‡ કારણે સમાન ઇનપà«àªŸ માટે બદલાય છે.
સà«àªŸà«àª°à«‹àª‚ગ AI (Strong AI)
Strong AI
આરà«àªŸàª¿àª«àª¿àª¶àª¿àª¯àª² જનરલ ઇનà«àªŸà«‡àª²àª¿àªœàª¨à«àª¸ (AGI) તરીકે પણ ઓળખાય છે, જે તમામ ડોમેનà«àª¸àª®àª¾àª‚ માનવ-સà«àª¤àª°àª¨à«€ જà«àªžàª¾àª¨àª¾àª¤à«àª®àª• કà«àª·àª®àª¤àª¾àª“ ધરાવતી મશીનોનો ઉલà«àª²à«‡àª– કરે છે.
ઉદાહરણ: àªàªµàª¿àª·à«àª¯àª¨à«€ AI જે સà«àªµàª¾àª¯àª¤à«àª¤ રીતે નવલકથાઓ લખી શકે છે, શહેરોનà«àª‚ આયોજન કરી શકે છે અને નૈતિક દà«àªµàª¿àª§àª¾àª“ને સમાન રીતે હલ કરી શકે છે.
સà«àªªàª° આરà«àªŸàª¿àª«àª¿àª¶àª¿àª¯àª² ઇનà«àªŸà«‡àª²àª¿àªœàª¨à«àª¸ (SAI) (Super Artificial Intelligence (SAI))
Super Artificial Intelligence (SAI)
àªàª• સૈદà«àª§àª¾àª‚તિક AI જે તમામ પાસાઓમાં માનવ બà«àª¦à«àª§àª¿àª¨à«‡ વટાવી જાય છે — તરà«àª•, સરà«àªœàª¨àª¾àª¤à«àª®àª•તા, àªàª¾àªµàª¨àª¾àª¤à«àª®àª• બà«àª¦à«àª§àª¿, વગેરે.
ઉદાહરણ: SAI સૈદà«àª§àª¾àª‚તિક રીતે નવી વિજà«àªžàª¾àª¨ અને ફિલસૂફીઓ સà«àªµàª¤àª‚તà«àª° રીતે વિકસાવી શકે છે.
સà«àªªàª°àªµàª¾àª‡àªà«àª¡ લરà«àª¨àª¿àª‚ગ (Supervised Learning)
Supervised Learning
àªàª• મશીન લરà«àª¨àª¿àª‚ગ તકનીક જà«àª¯àª¾àª‚ મોડેલોને ઇનપà«àªŸ-આઉટપà«àªŸ મેપિંગ શીખવા માટે લેબલ કરેલા ડેટા પર તાલીમ આપવામાં આવે છે.
ઉદાહરણ: àªà«‚તકાળના ઉદાહરણોનો ઉપયોગ કરીને ઇમેઇલà«àª¸àª¨à«‡ સà«àªªàª¾àª® તરીકે વરà«àª—ીકૃત કરવા માટે મોડેલને શીખવવà«àª‚.
સિનà«àª¥à«‡àªŸàª¿àª• ડેટા (Synthetic Data)
Synthetic Data
કૃતà«àª°àª¿àª® રીતે જનરેટ થયેલ ડેટા જે વાસà«àª¤àªµàª¿àª•-વિશà«àªµ ડેટાનà«àª‚ અનà«àª•રણ કરે છે, જેનો ઉપયોગ ઘણીવાર તાલીમ માટે થાય છે જà«àª¯àª¾àª°à«‡ વાસà«àª¤àªµàª¿àª• ડેટા દà«àª°à«àª²àª અથવા સંવેદનશીલ હોય છે.
ઉદાહરણ: દરà«àª¦à«€àª¨à«€ ગોપનીયતાનà«àª‚ ઉલà«àª²àª‚ઘન કરà«àª¯àª¾ વિના ડાયગà«àª¨à«‹àª¸à«àªŸàª¿àª• મોડેલોને તાલીમ આપવા માટે સિનà«àª¥à«‡àªŸàª¿àª• મેડિકલ છબીઓ બનાવવી.
ટોકન (Token)
Token
LLM દà«àªµàª¾àª°àª¾ પà«àª°àª•à«àª°àª¿àª¯àª¾ કરાયેલ ટેકà«àª¸à«àªŸàª¨à«‹ àªàª•મ — સામાનà«àª¯ રીતે àªàª• શબà«àª¦ અથવા શબà«àª¦àª¨à«‹ àªàª¾àª—.
ઉદાહરણ: 'હેલો વરà«àª²à«àª¡!' વાકà«àª¯ 3 ટોકનà«àª¸àª®àª¾àª‚ વિàªàª¾àªœàª¿àª¤ થાય છે: 'હેલો', 'વરà«àª²à«àª¡', અને '!'.
ટોકનાઇàªà«‡àª¶àª¨ (Tokenisation)
Tokenisation
મોડેલ દà«àªµàª¾àª°àª¾ પà«àª°àª•à«àª°àª¿àª¯àª¾ માટે ટેકà«àª¸à«àªŸàª¨à«‡ ટોકનà«àª¸àª®àª¾àª‚ તોડવાની પà«àª°àª•à«àª°àª¿àª¯àª¾.
ઉદાહરણ: NLP માં, 'ChatGPT મહાન છે' ['Chat', 'G', 'PT', 'is', 'great'] માં ફેરવાય છે.
ટà«àª°àª¾àª¨à«àª¸àª«àª° લરà«àª¨àª¿àª‚ગ (Transfer Learning)
Transfer Learning
તાલીમ સમય અને ડેટા જરૂરિયાતો ઘટાડીને, બીજા સંબંધિત કારà«àª¯ પર શીખવાને વધારવા માટે àªàª• કારà«àª¯àª®àª¾àª‚થી જà«àªžàª¾àª¨àª¨à«‹ ઉપયોગ કરવો.
ઉદાહરણ: અંગà«àª°à«‡àªœà«€ ટેકà«àª¸à«àªŸ પર તાલીમ પામેલા મોડેલને બીજી àªàª¾àª·àª¾àª®àª¾àª‚ સેનà«àªŸàª¿àª®à«‡àª¨à«àªŸ àªàª¨àª¾àª²àª¿àª¸àª¿àª¸ કરવા માટે ફાઇન-ટà«àª¯à«àª¨ કરવà«àª‚.
ટà«àª°àª¾àª¨à«àª¸àª«à«‹àª°à«àª®àª° (Transformer)
Transformer
àªàª• નà«àª¯à«àª°àª² નેટવરà«àª• આરà«àª•િટેકà«àªšàª° જે કà«àª°àª®àª¿àª• ડેટાને મોડેલ કરવા માટે ધà«àª¯àª¾àª¨ પદà«àª§àª¤àª¿àª“નો ઉપયોગ કરે છે, જે LLM માં વà«àª¯àª¾àªªàª•પણે વપરાય છે.
ઉદાહરણ: BERT, GPT, અને T5 બધા ટà«àª°àª¾àª¨à«àª¸àª«à«‹àª°à«àª®àª°-આધારિત મોડેલો છે.
અંડરફિટિંગ (Underfitting)
Underfitting
જà«àª¯àª¾àª°à«‡ મોડેલ તાલીમ ડેટામાં પેટરà«àª¨ કેપà«àªšàª° કરવા માટે ખૂબ સરળ હોય છે, જેના પરિણામે ખરાબ પà«àª°àª¦àª°à«àª¶àª¨ થાય છે.
ઉદાહરણ: જટિલ છબી વરà«àª—ીકરણની આગાહી કરવાનો પà«àª°àª¯àª¾àª¸ કરતà«àª‚ રેખીય મોડેલ અંડરફિટ થઈ શકે છે.
અનસà«àªªàª°àªµàª¾àª‡àªà«àª¡ લરà«àª¨àª¿àª‚ગ (Unsupervised Learning)
Unsupervised Learning
àªàª• શીખવાની પદà«àª§àª¤àª¿ જà«àª¯àª¾àª‚ મોડેલો લેબલ વગરના ડેટામાં પેટરà«àª¨ અથવા કà«àª²àª¸à«àªŸàª° ઓળખે છે.
ઉદાહરણ: પૂરà«àªµ-નિરà«àª§àª¾àª°àª¿àª¤ લેબલà«àª¸ વિના ખરીદી વરà«àª¤àª£à«‚કના આધારે ગà«àª°àª¾àª¹àª•ોને જૂથબદà«àª§ કરવા.
યà«àªàª° ઇનà«àªŸà«‡àª¨à«àªŸ (User Intent)
User Intent
વપરાશકરà«àª¤àª¾àª¨à«€ કà«àªµà«‡àª°à«€ અથવા કà«àª°àª¿àª¯àª¾àªªà«àª°àª¤àª¿àª•à«àª°àª¿àª¯àª¾ પાછળનો ધà«àª¯à«‡àª¯ અથવા હેતà«.
ઉદાહરણ: 'કેક કેવી રીતે બનાવવી' ટાઇપ કરનાર વપરાશકરà«àª¤àª¾ સંàªàªµàª¤àªƒ રેસીપી શોધવાનો ઇરાદો ધરાવે છે.
વેલિડેશન સેટ (Validation Set)
Validation Set
તાલીમ દરમિયાન મોડેલ પà«àª°àª¦àª°à«àª¶àª¨àª¨à«àª‚ મૂલà«àª¯àª¾àª‚કન કરવા અને હાઇપરપેરામીટરà«àª¸àª¨à«‡ ટà«àª¯à«àª¨ કરવા માટે વપરાતો ડેટાનો પેટા સમૂહ.
ઉદાહરણ: અંતિમ પરીકà«àª·àª£ પહેલાં ઓવરફિટિંગ શોધવા માટે વપરાય છે.
વેકà«àªŸàª° ડેટાબેઠ(Vector Database)
Vector Database
àªàª• ડેટાબેઠજે AI કારà«àª¯à«‹ જેમ કે સમાનતા શોધ અને RAG માં વપરાતા વેકà«àªŸàª° àªàª®à«àª¬à«‡àª¡àª¿àª‚ગà«àª¸àª¨à«‡ સંગà«àª°àª¹àª¿àª¤ કરવા અને શોધવા માટે ડિàªàª¾àª‡àª¨ કરવામાં આવà«àª¯à«‹ છે.
ઉદાહરણ: Pinecone અને Weaviate ટેકà«àª¸à«àªŸ અથવા ઇમેજ àªàª®à«àª¬à«‡àª¡àª¿àª‚ગà«àª¸ સંગà«àª°àª¹àª¿àª¤ કરવા માટે વેકà«àªŸàª° ડેટાબેઠછે.
વેકà«àªŸàª° àªàª®à«àª¬à«‡àª¡àª¿àª‚ગ (Vector Embedding)
Vector Embedding
ડેટાનà«àª‚ સંખà«àª¯àª¾àª¤à«àª®àª• પà«àª°àª¤àª¿àª¨àª¿àª§àª¿àª¤à«àªµ જે વેકà«àªŸàª° સà«àªªà«‡àª¸àª®àª¾àª‚ સિમેનà«àªŸà«€àª• અરà«àª¥ અને સંબંધોને જાળવી રાખે છે.
ઉદાહરણ: 'રાજા' અને 'રાણી' શબà«àª¦à«‹àª®àª¾àª‚ સમાન àªàª®à«àª¬à«‡àª¡àª¿àª‚ગ હોય છે જેમાં સૂકà«àª·à«àª® લિંગ તફાવતો હોય છે.
વરà«àªšà«àª¯à«àª…લ આસિસà«àªŸàª¨à«àªŸ (Virtual Assistant)
Virtual Assistant
àªàª• AI-સંચાલિત સોફà«àªŸàªµà«‡àª° àªàªœàª¨à«àªŸ જે વપરાશકરà«àª¤àª¾àª“ને વાતચીત અથવા વૉઇસ આદેશો દà«àªµàª¾àª°àª¾ કારà«àª¯à«‹ પૂરà«àª£ કરવામાં મદદ કરે છે.
ઉદાહરણ: સિરી, àªàª²à«‡àª•à«àª¸àª¾ અને Google આસિસà«àªŸàª¨à«àªŸ લોકપà«àª°àª¿àª¯ વરà«àªšà«àª¯à«àª…લ આસિસà«àªŸàª¨à«àªŸ છે.
વોઇસ રેકગà«àª¨àª¿àª¶àª¨ (Voice Recognition)
Voice Recognition
ટેકનોલોજી જે બોલાતી àªàª¾àª·àª¾àª¨à«àª‚ અરà«àª¥àª˜àªŸàª¨ કરે છે અને તેને ટેકà«àª¸à«àªŸ અથવા કà«àª°àª¿àª¯àª¾àª®àª¾àª‚ રૂપાંતરિત કરે છે.
ઉદાહરણ: વૉઇસ ટાઇપિંગ અને વૉઇસ કમાનà«àª¡à«àª¸ વૉઇસ રેકગà«àª¨àª¿àª¶àª¨ સિસà«àªŸàª®à«àª¸ પર આધાર રાખે છે.
વીક AI (Weak AI)
Weak AI
AI સિસà«àªŸàª®à«àª¸ જે સામાનà«àª¯ બà«àª¦à«àª§àª¿ વિના સાંકડી, ચોકà«àª•સ કારà«àª¯ કરવા માટે ડિàªàª¾àª‡àª¨ કરવામાં આવી છે.
ઉદાહરણ: ચેસ રમતી AI જે àªàª¾àª·àª¾ સમજી શકતી નથી અથવા કાર ચલાવી શકતી નથી તે વીક AI નà«àª‚ ઉદાહરણ છે.
વેબ સà«àª•à«àª°à«‡àªªàª¿àª‚ગ (Web Scraping)
Web Scraping
વેબસાઇટà«àª¸àª®àª¾àª‚થી માહિતીનà«àª‚ સà«àªµàª¯àª‚સંચાલિત નિષà«àª•રà«àª·àª£, જેનો ઉપયોગ ઘણીવાર તાલીમ ડેટા àªàª•તà«àª°àª¿àª¤ કરવા અથવા સામગà«àª°à«€àª¨à«àª‚ નિરીકà«àª·àª£ કરવા માટે થાય છે.
ઉદાહરણ: મિલકત મૂલà«àª¯àª¾àª‚કન મોડેલને તાલીમ આપવા માટે રિયલ àªàª¸à«àªŸà«‡àªŸ લિસà«àªŸàª¿àª‚ગà«àª¸àª¨à«‡ સà«àª•à«àª°à«‡àªª કરવà«àª‚.
વેઇટ (Weight)
Weight
નà«àª¯à«àª°àª² નેટવરà«àª•à«àª¸àª®àª¾àª‚ àªàª• પરિમાણ જે àªàª• નોડનો બીજા પર પà«àª°àªàª¾àªµàª¨à«€ શકà«àª¤àª¿ નકà«àª•à«€ કરે છે.
ઉદાહરણ: મોડેલની àªà«‚લને ઘટાડવા માટે તાલીમ દરમિયાન વેઇટà«àª¸ સમાયોજિત થાય છે.
વà«àª¹àª¿àª¸à«àªªàª° (Whisper)
Whisper
OpenAI દà«àªµàª¾àª°àª¾ વિકસિત àªàª• સà«àªªà«€àªš-ટà«-ટેકà«àª¸à«àªŸ મોડેલ જે બહà«àªµàª¿àª§ àªàª¾àª·àª¾àª“માં ઓડિયોને ટà«àª°àª¾àª‚સà«àª•à«àª°àª¾àª‡àª¬ કરવા સકà«àª·àª® છે.
ઉદાહરણ: વà«àª¹àª¿àª¸à«àªªàª° વà«àª¯àª¾àª–à«àª¯àª¾àª¨à«‹ અને પોડકાસà«àªŸàª¨à«‡ ઉચà«àªš ચોકસાઈ સાથે ટà«àª°àª¾àª‚સà«àª•à«àª°àª¾àª‡àª¬ કરી શકે છે.
YAML (YAML)
YAML
ડેટા સીરીયલાઇàªà«‡àª¶àª¨ માટે માનવ-વાંચી શકાય તેવà«àª‚ ફોરà«àª®à«‡àªŸ, જે મશીન લરà«àª¨àª¿àª‚ગ વરà«àª•ફà«àª²à«‹àª®àª¾àª‚ રૂપરેખાંકન ફાઇલો માટે સામાનà«àª¯ રીતે વપરાય છે.
ઉદાહરણ: PyTorch માં તાલીમ માટે YAML ફાઇલમાં મોડેલ પરિમાણો વà«àª¯àª¾àª–à«àª¯àª¾àª¯àª¿àª¤ કરવા.
àªà«€àª°à«‹-શોટ લરà«àª¨àª¿àª‚ગ (Zero-shot Learning)
Zero-shot Learning
àªàª• મોડેલની કà«àª·àª®àª¤àª¾ જે કારà«àª¯à«‹àª¨à«‡ તે કà«àª¯àª¾àª°à«‡àª¯ સà«àªªàª·à«àªŸàªªàª£à«‡ તાલીમ પામà«àª¯à«àª‚ નથી તે સામાનà«àª¯ જà«àªžàª¾àª¨àª¨à«‹ ઉપયોગ કરીને કરી શકે છે.
ઉદાહરણ: કાનૂની ડેટા પર ખાસ તાલીમ ન હોવા છતાં કાનૂની પà«àª°àª¶à«àª¨à«‹àª¨àª¾ જવાબ આપતà«àª‚ મોડેલ.
àªà«‡àªŸà«àªŸàª¾àª¬àª¾àª‡àªŸ (Zettabyte)
Zettabyte
ડિજિટલ ડેટાનો àªàª•મ જે àªàª• સેકà«àª¸àªŸàª¿àª²àª¿àª¯àª¨ (10^21) બાઇટà«àª¸ બરાબર છે, જેનો ઉપયોગ ઘણીવાર ઇનà«àªŸàª°àª¨à«‡àªŸ ડેટાના સà«àª•ેલનà«àª‚ વરà«àª£àª¨ કરવા માટે થાય છે.
ઉદાહરણ: 2016 સà«àª§à«€àª®àª¾àª‚ વૈશà«àªµàª¿àª• ઇનà«àªŸàª°àª¨à«‡àªŸ ટà«àª°àª¾àª«àª¿àª• 1 àªà«‡àªŸà«àªŸàª¾àª¬àª¾àª‡àªŸ પà«àª°àª¤àª¿ વરà«àª· કરતાં વધી ગયો.