Introduction
आपने यह पुस्तक इसलिए खोली है क्योंकि आप ए.आई. सीखना चाहते हैं—और शायद मन में एक हल्का डर भी है: “मुझे कोडिंग नहीं आती, क्या मैं सच में ए.आई. समझ पाऊँगा?”
उत्तर है: हाँ, आप समझ सकते हैं।
ए.आई. सीखने की शुरुआत कोड लिखने से नहीं, बल्कि सही प्रश्न पूछने से होती है:
- ए.आई. करती क्या है?
- वह सीखती कैसे है?
- वह सही कब होती है और गलत कब?
- उसे रोज़मर्रा के कामों में जिम्मेदारी से कैसे इस्तेमाल करें?
- आगे चलकर यदि कोडिंग सीखनी हो, तो कहाँ से शुरू करें?
यह पुस्तक आपको इन्हीं प्रश्नों की शांत, क्रमबद्ध और व्यावहारिक राह दिखाएगी।
ए.आई. से डरने की नहीं, उसे समझने की ज़रूरत है
कृत्रिम बुद्धिमत्ता, जिसे हम संक्षेप में ए.आई. कहते हैं, आज समाचारों, मोबाइल ऐप्स, दफ़्तरों, स्कूलों, अस्पतालों, बैंकों, कला, लेखन और व्यापार—लगभग हर जगह दिखाई देती है। कोई चैटबॉट आपके प्रश्नों का उत्तर देता है। कोई ऐप आपकी आवाज़ को लिखित शब्दों में बदल देता है। कोई प्रणाली ईमेल को “स्पैम” या “सामान्य” के रूप में पहचानती है। कोई सॉफ़्टवेयर तस्वीर देखकर चेहरे, वस्तु या बीमारी के संकेत पहचानने में मदद करता है।
इन उदाहरणों को देखकर ए.आई. कभी जादू जैसी लग सकती है। लेकिन ए.आई. जादू नहीं है। यह कंप्यूटर विज्ञान, डेटा, गणित, भाषा, सांख्यिकी और मानव-निर्मित डिज़ाइन का संगम है। आधुनिक ए.आई. को समझने का एक अच्छा तरीका यह है कि हम उसे ऐसे कंप्यूटर सिस्टम के रूप में देखें जो कुछ कार्यों में ऐसी क्षमता दिखाते हैं जिन्हें हम सामान्य भाषा में “बुद्धिमत्ता” से जोड़ते हैं—जैसे पहचानना, अनुमान लगाना, भाषा समझना, योजना बनाना या उदाहरणों से सीखना। ए.आई. की पाठ्यपुस्तकों में भी इसे एक व्यापक क्षेत्र के रूप में समझाया जाता है, जिसमें ऐसे एजेंटों का अध्ययन होता है जो अपने परिवेश से जानकारी लेकर लक्ष्य की ओर कार्रवाई कर सकते हैं (Russell and Norvig, 2021).
यहाँ एजेंट शब्द नया हो सकता है। सरल अर्थ में, एजेंट कोई ऐसी प्रणाली है जो अपने आसपास से कुछ जानकारी लेती है और फिर कोई क्रिया करती है। उदाहरण के लिए, आपका मोबाइल मैप ऐप ट्रैफिक की जानकारी लेता है और आपको रास्ता सुझाता है। यह भी एक तरह का बुद्धिमान व्यवहार है, भले ही ऐप मनुष्य की तरह “सोचता” नहीं है।
“बुद्धिमत्ता” का मतलब यहाँ क्या है?
मनुष्य के लिए बुद्धिमत्ता का अर्थ बहुत विस्तृत है: समझना, अनुभव करना, सीखना, भावनाएँ रखना, नैतिक निर्णय लेना, रचनात्मक होना, समाज में रहना, और बहुत कुछ। ए.आई. में “बुद्धिमत्ता” शब्द का अर्थ सामान्यतः अधिक सीमित और कार्य-केंद्रित होता है।
उदाहरण के लिए:
यदि एक ए.आई. प्रणाली हजारों घरों के पुराने विक्रय मूल्य देखकर किसी नए घर की कीमत का अनुमान लगाती है, तो वह “जीवन को समझ” नहीं रही है। वह डेटा में मौजूद संबंधों से अनुमान लगाना सीख रही है।
यदि एक भाषा मॉडल आपके प्रश्न का उत्तर लिखता है, तो वह मनुष्य की तरह अनुभव नहीं कर रहा होता। वह भाषा के पैटर्न, संदर्भ और प्रशिक्षण में देखे गए उदाहरणों के आधार पर अगला उपयुक्त शब्द या वाक्य बनाने की कोशिश करता है।
यदि कोई ए.आई. एक्स-रे छवि में बीमारी का संकेत खोजने में सहायता करती है, तो वह डॉक्टर नहीं बन जाती। वह एक उपकरण है जो छवि में पैटर्न पहचानने में मदद कर सकता है। अंतिम निर्णय में चिकित्सकीय ज्ञान, जाँच, संदर्भ और मानवीय जिम्मेदारी की भूमिका बनी रहती है।
इसलिए इस पुस्तक में हम ए.आई. को न तो देवता की तरह देखेंगे, न खिलौने की तरह। हम उसे एक शक्तिशाली, सीमित, उपयोगी और कभी-कभी जोखिमपूर्ण तकनीक के रूप में समझेंगे।
शुरुआत कोडिंग से नहीं, सोच से होगी
बहुत से लोग मानते हैं कि ए.आई. सीखने के लिए पहले प्रोग्रामिंग आनी चाहिए। यह आधा सच है। यदि आप ए.आई. मॉडल बनाना, सुधारना या शोध करना चाहते हैं, तो आगे चलकर कोडिंग उपयोगी और कई बार आवश्यक होगी। परंतु ए.आई. को समझने, ए.आई. टूल्स का उपयोग करने, सही प्रश्न पूछने, परिणामों की जाँच करने और छोटे नो-कोड प्रोजेक्ट बनाने के लिए आप बिना कोडिंग पृष्ठभूमि के भी शुरुआत कर सकते हैं।
इस पुस्तक की राह कुछ ऐसी होगी:
पहले हम समझेंगे कि ए.आई. क्या है और क्या नहीं है। फिर हम कंप्यूटर, डेटा और निर्णय की बुनियाद देखेंगे। उसके बाद एल्गोरिदम, डेटा, थोड़ी सहज गणितीय सोच, मशीन लर्निंग, डीप लर्निंग, भाषा मॉडल, प्रॉम्प्ट इंजीनियरिंग, नैतिकता और नो-कोड प्रोजेक्ट तक धीरे-धीरे आगे बढ़ेंगे। अंत में हम कोडिंग की ओर पहला कदम भी रखेंगे, ताकि यदि आप आगे तकनीकी गहराई में जाना चाहें, तो रास्ता साफ दिखे।
यह पुस्तक आपको “सब कुछ एक साथ” नहीं सिखाएगी। वह अच्छा तरीका नहीं है। इसके बजाय यह पुस्तक आपकी समझ को परत-दर-परत बनाएगी। जैसे पहले अक्षर, फिर शब्द, फिर वाक्य, फिर लेखन।
डेटा: ए.आई. की कच्ची सामग्री
ए.आई. को समझने के लिए सबसे पहले एक शब्द समझना जरूरी है: डेटा।
डेटा का अर्थ है किसी चीज़ के बारे में दर्ज की गई जानकारी। यह संख्या हो सकती है, जैसे तापमान 32°C। यह पाठ हो सकता है, जैसे ग्राहक की शिकायत। यह चित्र हो सकता है, जैसे सड़क पर लगे कैमरे की फोटो। यह ध्वनि हो सकती है, जैसे किसी व्यक्ति की आवाज़। यह वीडियो भी हो सकता है, जैसे कार चलाते समय रिकॉर्ड हुआ दृश्य।
उदाहरण के लिए, यदि किसी दुकान के पास पिछले तीन वर्षों की बिक्री का रिकॉर्ड है—कौन-सा सामान कब बिका, किस कीमत पर बिका, किस मौसम में अधिक मांग रही—तो यह डेटा है। इसी डेटा के आधार पर कोई ए.आई. प्रणाली अनुमान लगा सकती है कि अगले महीने कौन-सा सामान अधिक बिक सकता है।
पर ध्यान दीजिए: डेटा अपने आप ज्ञान नहीं बन जाता। डेटा को व्यवस्थित करना पड़ता है, समझना पड़ता है, जाँचना पड़ता है। खराब डेटा से खराब निर्णय निकल सकते हैं। यदि किसी बीमारी पहचानने वाली प्रणाली को केवल एक ही तरह के लोगों के डेटा पर प्रशिक्षित किया गया है, तो वह दूसरे समूहों पर कम अच्छा काम कर सकती है। इसी कारण डेटा की गुणवत्ता, विविधता और पक्षपात आगे इस पुस्तक में महत्वपूर्ण विषय होंगे।
मशीन लर्निंग: उदाहरणों से सीखना
ए.आई. का एक बहुत महत्वपूर्ण भाग है मशीन लर्निंग। मशीन लर्निंग का अर्थ है ऐसी विधियाँ जिनमें कंप्यूटर को हर नियम हाथ से नहीं लिखे जाते, बल्कि उसे उदाहरणों से पैटर्न सीखने दिए जाते हैं। Tom Mitchell ने मशीन लर्निंग की प्रसिद्ध परिभाषा में “अनुभव से कार्य-प्रदर्शन में सुधार” की बात कही है: कोई प्रोग्राम किसी कार्य में अनुभव के आधार पर बेहतर होता है, यदि उस कार्य के प्रदर्शन का माप अनुभव के साथ सुधरता है (Mitchell, 1997).
इसे एक सरल उदाहरण से समझिए।
मान लीजिए आप किसी बच्चे को आम और संतरा पहचानना सिखा रहे हैं। आप हर बार यह नियम नहीं देंगे कि “यदि रंग पीला-नारंगी है, आकार गोल है, सतह ऐसी है, तो संतरा।” इसके बजाय आप उसे कई उदाहरण दिखाएँगे:
- यह आम है।
- यह संतरा है।
- यह भी आम है।
- यह छोटा संतरा है।
- यह कच्चा आम है।
धीरे-धीरे बच्चा आकार, रंग, बनावट और संदर्भ से फर्क सीखता है। मशीन लर्निंग में भी कुछ ऐसा ही होता है, हालांकि कंप्यूटर मनुष्य की तरह अनुभव नहीं करता। वह डेटा में मौजूद पैटर्न को गणितीय रूप में पकड़ता है।
यहाँ एक और नया शब्द आएगा: मॉडल।
मॉडल किसी वास्तविक चीज़ का सरल प्रतिनिधित्व होता है। मौसम पूर्वानुमान मॉडल वातावरण को पूरी तरह नहीं बनाता, बल्कि तापमान, दबाव, नमी और हवा जैसे डेटा से अनुमान लगाता है। मशीन लर्निंग मॉडल भी दुनिया को पूरी तरह नहीं समझता; वह दिए गए डेटा से कोई पैटर्न सीखकर भविष्यवाणी या निर्णय देता है।
ए.आई. सही भी हो सकती है, गलत भी
ए.आई. से सीखते समय एक खतरनाक भ्रम यह है कि कंप्यूटर का उत्तर हमेशा सही होगा। ऐसा नहीं है।
कंप्यूटर तेज़ हो सकता है, लेकिन तेज़ होना सही होना नहीं है। ए.आई. बड़े डेटा से सीख सकती है, लेकिन बड़ा डेटा हमेशा निष्पक्ष या पूर्ण नहीं होता। भाषा मॉडल बहुत आत्मविश्वास से उत्तर दे सकता है, लेकिन वह तथ्यात्मक गलती भी कर सकता है। इस तरह की गलत या गढ़ी हुई जानकारी को आधुनिक चर्चा में अक्सर हैलुसिनेशन कहा जाता है—अर्थात मॉडल ऐसा उत्तर दे दे जो सुनने में विश्वसनीय लगे पर तथ्यात्मक रूप से सही न हो।
इसीलिए ए.आई. सीखने का मतलब केवल टूल चलाना नहीं है। इसका मतलब है:
- उत्तर को जाँचना,
- स्रोत माँगना,
- सीमाएँ समझना,
- निजी जानकारी सुरक्षित रखना,
- पक्षपात पहचानना,
- और ज़रूरत पड़ने पर मानव विशेषज्ञ से सलाह लेना।
NIST के AI Risk Management Framework में भी ए.आई. प्रणालियों के जोखिमों को पहचानने, मापने, प्रबंधित करने और शासन की संरचना बनाने पर जोर दिया गया है (National Institute of Standards and Technology, 2023). सरल भाषा में कहें तो अच्छी ए.आई. समझ में केवल “कैसे इस्तेमाल करें” शामिल नहीं है; “कब भरोसा करें” और “कब सावधान रहें” भी शामिल है।
ए.आई. कोई एक चीज़ नहीं, एक पूरा क्षेत्र है
कई शुरुआती विद्यार्थी पूछते हैं: “ए.आई. कौन-सा ऐप है?”
यह प्रश्न स्वाभाविक है, पर ए.आई. किसी एक ऐप का नाम नहीं है। यह एक पूरा क्षेत्र है।
इस क्षेत्र में कई उपक्षेत्र हैं:
मशीन लर्निंग — जहाँ प्रणालियाँ डेटा से पैटर्न सीखती हैं।
डीप लर्निंग — मशीन लर्निंग का ऐसा भाग जो कई परतों वाले कृत्रिम न्यूरल नेटवर्क का उपयोग करता है।
प्राकृतिक भाषा संसाधन — जहाँ कंप्यूटर मानव भाषा से संबंधित काम करते हैं, जैसे अनुवाद, सारांश, प्रश्नोत्तर।
कंप्यूटर विज़न — जहाँ कंप्यूटर चित्र और वीडियो को संसाधित करते हैं।
स्पीच रिकग्निशन — जहाँ बोली गई आवाज़ को पहचाना या लिखित पाठ में बदला जाता है।
जेनरेटिव ए.आई. — जहाँ प्रणाली नया पाठ, चित्र, ध्वनि, वीडियो या कोड बना सकती है।
इन शब्दों को अभी याद करने का दबाव न लें। इस परिचय का उद्देश्य केवल नक्शा दिखाना है। यात्रा आगे धीरे-धीरे होगी।
“ए.आई. सीखना” आपके लिए क्या मतलब रख सकता है?
हर व्यक्ति का लक्ष्य अलग होता है। कोई ए.आई. को अपने काम में उपयोग करना चाहता है। कोई पढ़ाई में मदद लेना चाहता है। कोई व्यवसाय में ग्राहक सेवा सुधारना चाहता है। कोई डेटा विश्लेषण सीखना चाहता है। कोई भविष्य में मशीन लर्निंग इंजीनियर बनना चाहता है। कोई लेखक, शिक्षक, डिज़ाइनर या शोधकर्ता के रूप में ए.आई. का जिम्मेदार उपयोग करना चाहता है।
इस पुस्तक में आप पाँच स्तरों पर आगे बढ़ेंगे।
पहला स्तर है समझ: ए.आई. क्या है, कैसे काम करती है, कहाँ गलती करती है।
दूसरा स्तर है उपयोग: बेहतर प्रश्न पूछना, प्रॉम्प्ट लिखना, उत्तर जाँचना।
तीसरा स्तर है विश्लेषण: डेटा, पैटर्न, मॉडल और परिणाम को समझना।
चौथा स्तर है निर्माण: नो-कोड या लो-कोड टूल्स से छोटे प्रोजेक्ट बनाना।
पाँचवाँ स्तर है आगे की तैयारी: यदि इच्छा हो तो कोडिंग, पाइथन और मशीन लर्निंग की गहराई की ओर बढ़ना।
आपको अभी तय करने की जरूरत नहीं कि आप किस स्तर तक जाएँगे। फिलहाल आपका काम है पहला कदम लेना।
एक छोटी कल्पना: आपका पहला ए.आई. सहायक
मान लीजिए आप एक छोटे व्यवसाय में काम करते हैं। रोज़ ग्राहकों के कई संदेश आते हैं। कुछ लोग कीमत पूछते हैं, कुछ डिलीवरी की स्थिति, कुछ शिकायत करते हैं, कुछ धन्यवाद लिखते हैं। यदि आपको सब संदेश हाथ से पढ़ने हों, तो समय लगेगा।
अब सोचिए, एक ए.आई. टूल इन संदेशों को चार समूहों में बाँट दे:
- कीमत से जुड़े प्रश्न
- डिलीवरी से जुड़े प्रश्न
- शिकायतें
- सामान्य प्रतिक्रिया
यह काम ए.आई. कैसे करेगी?
वह पहले बहुत से पुराने संदेशों से सीख सकती है। यदि पुराने संदेशों पर लेबल लगे हों—जैसे “शिकायत”, “कीमत”, “डिलीवरी”—तो मॉडल नए संदेशों का अनुमान लगा सकता है। यदि लेबल न हों, तो मॉडल समान शब्दों और पैटर्न के आधार पर समूह बनाने की कोशिश कर सकता है। फिर आप उन समूहों को देखकर निर्णय ले सकते हैं: किसे तुरंत जवाब देना है, किसे टीम को भेजना है, किस पर रिपोर्ट बनानी है।
इस छोटे उदाहरण में इस पुस्तक के कई बड़े विचार छिपे हैं: डेटा, लेबल, पैटर्न, मॉडल, वर्गीकरण, त्रुटि, मानव समीक्षा और जिम्मेदार उपयोग। अभी ये शब्द नए लग सकते हैं। आगे हर शब्द को अलग-अलग खोलकर समझेंगे।
ए.आई. के बारे में सामान्य भ्रम
शुरुआत में कुछ भ्रम साफ कर लेना अच्छा है।
पहला भ्रम: ए.आई. मनुष्य की तरह सोचती है।
अधिकतर ए.आई. प्रणालियाँ मनुष्य जैसी चेतना या अनुभव नहीं रखतीं। वे विशेष कार्यों के लिए बनाई गई गणनात्मक प्रणालियाँ होती हैं। Alan Turing ने 1950 में “क्या मशीनें सोच सकती हैं?” जैसे प्रश्न को एक व्यवहार-आधारित परीक्षण की दिशा में मोड़ा था, जिससे मशीन बुद्धिमत्ता पर आधुनिक चर्चा को महत्वपूर्ण आधार मिला (Turing, 1950). लेकिन आज भी “सोचना”, “समझना” और “चेतना” जैसे शब्दों पर सावधानी से बात करनी पड़ती है।
दूसरा भ्रम: ए.आई. सबको बेरोज़गार कर देगी।
ए.आई. कामों को बदल सकती है, कुछ कार्यों को स्वचालित कर सकती है, और नए कौशलों की मांग पैदा कर सकती है। पर इसका प्रभाव क्षेत्र, देश, नीति, शिक्षा, उद्योग और सामाजिक व्यवस्था पर निर्भर करेगा। इसलिए डर से अधिक जरूरी है तैयारी।
तीसरा भ्रम: ए.आई. सीखने के लिए गणित में बहुत तेज़ होना जरूरी है।
गहरी तकनीकी विशेषज्ञता के लिए गणित महत्वपूर्ण है, लेकिन शुरुआत के लिए आपको पहले सहज समझ चाहिए: औसत क्या है, संभावना क्या है, ग्राफ क्या दिखाता है, गलती कैसे मापी जाती है। इस पुस्तक में गणित को पहले भाषा और उदाहरणों से समझाया जाएगा।
चौथा भ्रम: प्रॉम्प्ट लिखना ही पूरा ए.आई. ज्ञान है।
प्रॉम्प्ट इंजीनियरिंग उपयोगी है, पर ए.आई. समझ उससे बड़ी चीज़ है। यदि आपको डेटा, मॉडल, सीमाएँ, पक्षपात और सत्यापन की समझ नहीं है, तो अच्छा प्रॉम्प्ट भी आपको सुरक्षित और विश्वसनीय उपयोगकर्ता नहीं बना सकता।
इस पुस्तक में आपका अभ्यास कैसा होगा?
आपसे यहाँ लंबी कोडिंग तुरंत नहीं करवाई जाएगी। पहले आपको सोचने, पहचानने और समझाने के अभ्यास मिलेंगे। उदाहरण के लिए:
- किसी ए.आई. उत्तर में तथ्य और अनुमान अलग करना।
- अच्छे और खराब प्रॉम्प्ट की तुलना करना।
- किसी डेटा तालिका में गलती या पक्षपात पहचानना।
- मॉडल की भविष्यवाणी सही है या नहीं, यह समझना।
- किसी छोटे काम के लिए ए.आई. उपयोग की योजना बनाना।
- तय करना कि कब मानव विशेषज्ञ की जरूरत है।
जैसे-जैसे आप आगे बढ़ेंगे, आपको लगेगा कि ए.आई. केवल “चैट में प्रश्न पूछना” नहीं है। यह सोचने की एक नई कार्यशाला है—जहाँ भाषा, डेटा, निर्णय और जिम्मेदारी साथ चलते हैं।
सीखने का सही मनोभाव
इस पुस्तक को पढ़ते समय तीन बातों को याद रखें।
पहली बात: धीरे सीखना भी सीखना है।
यदि कोई शब्द पहली बार में समझ न आए, तो यह आपकी कमी नहीं है। ए.आई. कई क्षेत्रों से बनी है, इसलिए नए शब्द स्वाभाविक हैं।
दूसरी बात: उदाहरण से समझना कमजोरी नहीं, ताकत है।
जब कोई सिद्धांत कठिन लगे, तुरंत अपने जीवन का उदाहरण खोजिए। जैसे “मॉडल” को मौसम पूर्वानुमान से, “डेटा” को दुकान के रिकॉर्ड से, “वर्गीकरण” को ईमेल स्पैम से, “त्रुटि” को गलत अनुमान से जोड़िए।
तीसरी बात: सवाल पूछना सीखना ही ए.आई. युग का बड़ा कौशल है।
जो व्यक्ति स्पष्ट प्रश्न पूछ सकता है, संदर्भ दे सकता है, उत्तर जाँच सकता है और सुधार माँग सकता है, वह ए.आई. का अधिक उपयोगी और जिम्मेदार उपयोग कर सकता है।
आगे की यात्रा
अगले अध्याय में हम सबसे बुनियादी प्रश्न से शुरू करेंगे: कृत्रिम बुद्धिमत्ता क्या है?
हम देखेंगे कि ए.आई. की परिभाषा क्या है, वह क्या कर सकती है, क्या नहीं कर सकती, और उसके बारे में कौन-सी बातें अतिशयोक्ति हैं। फिर धीरे-धीरे हम कंप्यूटर, डेटा, एल्गोरिदम, मशीन लर्निंग, डीप लर्निंग और जेनरेटिव ए.आई. तक पहुँचेंगे।
आपको अभी विशेषज्ञ बनने की जल्दी नहीं करनी है। अभी सिर्फ इतना समझिए: ए.आई. कोई रहस्यमय दीवार नहीं है। यह एक दरवाज़ा है। इस पुस्तक का उद्देश्य उस दरवाज़े को खोलना है—धीरे, स्पष्ट रूप से, और आपके साथ चलते हुए।
References
McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (1955). A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence. http://jmc.stanford.edu/articles/dartmouth/dartmouth.pdf
Mitchell, T. M. (1997). Machine Learning. McGraw-Hill.
National Institute of Standards and Technology. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). NIST AI 100-1. https://doi.org/10.6028/NIST.AI.100-1
Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.
Turing, A. M. (1950). Computing Machinery and Intelligence. Mind, 59(236), 433–460. https://doi.org/10.1093/mind/LIX.236.433