यह लेख पढ़ना मुफ़्त है। नया लेसन बनाने में आपके दैनिक या उपलब्ध क्रेडिट लगते हैं; भाषा और विकल्प पहले चुन सकते हैं।

AI मॉडल को ट्रेन कैसे किया जाता है?

तकनीकअनुरोध पर लेसनपढ़ना मुफ़्तRead this page in English

झटपट जवाब

AI मॉडल को ट्रेन करने का मतलब है उसे बहुत सारे उदाहरण दिखाना, उसके जवाब को सही जवाब से मिलाना, और जो गलती निकले उसके हिसाब से उसके अंदर के weights को थोड़ा-सा खिसकाना। यह चक्र लाखों बार दोहराया जाता है, जिससे गलती घटती जाती है और मॉडल ऐसे डेटा पर भी सही अंदाज़ा लगाने लगता है जो उसने पहले कभी नहीं देखा।

AI मॉडल को बहुत सारे लेबल वाले उदाहरण दिए जाते हैं, और बार-बार उसकी अंदरूनी सेटिंग्स बदली जाती हैं ताकि उसके अंदाज़े और सही जवाब के बीच का फ़र्क कम हो। इस तरीके को gradient descent कहते हैं, जो धीरे-धीरे लाखों parameters को तब तक ट्यून करता है जब तक मॉडल नए, अनदेखे डेटा पर भी अच्छा काम न करने लगे।

यह कैसे होता है — चरण दर चरण

ट्रेनिंग डेटा को इनपुट और सही आउटपुट के जोड़ों में इकट्ठा और तैयार किया जाता है, जैसे लेबल वाली तस्वीरें या अनुवाद के साथ वाक्य।
शुरू में मॉडल की अंदरूनी सेटिंग्स, जिन्हें weights कहते हैं, बेतरतीब (random) होती हैं, इसलिए उसका पहला अंदाज़ा आमतौर पर खराब होता है।
loss function नापता है कि अंदाज़ा सही जवाब से कितना दूर है, और इसके लिए एक ही error स्कोर देता है।
backpropagation नेटवर्क में पीछे की ओर चलते हुए हिसाब लगाता है कि हर weight ने गलती में कितना हिस्सा डाला।
optimiser हर weight को थोड़ा-सा उस दिशा में बदलता है जिससे गलती घटे, और यह चक्र कई राउंड तक दोहराया जाता है।

लोग यह भी पूछते हैं

ट्रेनिंग और inference में क्या फ़र्क है?

ट्रेनिंग सीखने का दौर है, जिसमें लेबल वाले डेटा और गलती के फ़ीडबैक से weights बदले जाते हैं। inference का मतलब है तैयार मॉडल से नए डेटा पर अंदाज़ा लगवाना, बिना कोई weight बदले। ट्रेनिंग धीमी होती है और उसमें बहुत कंप्यूटिंग लगती है, जबकि inference तेज़ होता है और फ़ोन, सर्वर या छोटे embedded चिप पर भी चल जाता है।

AI मॉडल को कितना डेटा चाहिए?

यह काम और मॉडल के साइज़ पर निर्भर करता है। आसान मॉडल हज़ारों उदाहरणों से सीख सकते हैं, जबकि बड़े language models को सैकड़ों अरब शब्दों पर ट्रेन किया जाता है। अलग-अलग तरह का डेटा आमतौर पर मॉडल को नए डेटा पर बेहतर बनाता है, लेकिन डेटा की क्वालिटी और सही लेबलिंग भी उतनी ही ज़रूरी है जितनी उसकी मात्रा।

overfitting क्या होता है?

overfitting तब होता है जब मॉडल आम पैटर्न सीखने के बजाय ट्रेनिंग के उदाहरण रट लेता है। देखे हुए डेटा पर उसका स्कोर अच्छा आता है, पर नए डेटा पर खराब। dropout, early stopping और ज़्यादा तरह-तरह का ट्रेनिंग डेटा जैसे तरीके मॉडल को आम नियम सीखने में मदद करते हैं।

क्या बिना लेबल वाले डेटा से मॉडल ट्रेन हो सकता है?

हाँ। unsupervised learning बिना लेबल वाले डेटा में पैटर्न ढूँढती है, और self-supervised learning डेटा से ही लेबल बना लेती है, जैसे किसी वाक्य का अगला शब्द बताना। आज के कई language और vision मॉडल इन्हीं तरीकों पर चलते हैं।

AI मॉडल को ट्रेन होने में कितना समय लगता है?

छोटे मॉडल लैपटॉप पर कुछ मिनटों में ट्रेन हो सकते हैं, जबकि बड़े language models को हज़ारों खास चिप्स पर महीनों लगते हैं। समय मॉडल के साइज़, डेटासेट के साइज़, हार्डवेयर और इस पर निर्भर करता है कि गलती का घटना रुकने तक कितने राउंड चाहिए।