कृत्रिम बुद्धिमत्ता म्हणजे काय?

कृत्रिम बुद्धिमत्ता (Artificial Intelligence – AI) हे संगणक विज्ञानातील एक महत्त्वाचे क्षेत्र आहे. यामध्ये संगणक प्रणाली किंवा यंत्रांना अशी कार्ये करण्यासाठी विकसित केले जाते, ज्यांसाठी सामान्यतः मानवी बुद्धिमत्तेची आवश्यकता भासते. उदाहरणार्थ, माहिती समजून घेणे, नमुन्यांची ओळख पटवणे, भाषेवर प्रक्रिया करणे, अंदाज व्यक्त करणे आणि निर्णय घेण्यास मदत करणे.

Organisation for Economic Co-operation and Development (OECD) च्या व्याख्येनुसार, AI प्रणाली प्राप्त माहितीच्या आधारे अंदाज (Predictions), सामग्री (Content), शिफारसी (Recommendations) किंवा निर्णय (Decisions) निर्माण करू शकते. अशा प्रणालींची स्वायत्तता (Autonomy) आणि वापरानंतर परिस्थितीनुसार जुळवून घेण्याची क्षमता (Adaptiveness) वेगवेगळी असते. 【turn227509search5】

उदाहरणे:

• मोबाईलमधील Voice Assistant आवाजातील सूचना समजून घेतो.
• ई-कॉमर्स संकेतस्थळे वापरकर्त्यांच्या आवडीनुसार उत्पादनांच्या शिफारसी करतात.
• बँकिंग प्रणाली संशयास्पद आर्थिक व्यवहार ओळखण्यास मदत करतात.
• AI आधारित भाषांतर प्रणाली एका भाषेतील मजकूर दुसऱ्या भाषेत रूपांतरित करतात.
• Generative AI प्रणाली प्रश्नांची उत्तरे, सारांश, चित्रे किंवा संगणकीय कोड तयार करू शकतात.

येथे एक महत्त्वाची गोष्ट लक्षात घ्यावी: AI प्रणाली मानवी बुद्धिमत्तेच्या काही कार्यांची नक्कल करू शकतात; मात्र त्यामुळे त्यांना मानवाप्रमाणे चेतना (Consciousness), भावना किंवा सर्वसाधारण समज आहे, असे सिद्ध होत नाही.

कृत्रिम बुद्धिमत्तेची प्रमुख वैशिष्ट्ये

AI प्रणालीच्या उद्देशानुसार तिची वैशिष्ट्ये बदलतात. सामान्यतः पुढील क्षमता AI शी संबंधित असतात.

1. शिकणे (Learning): डेटामधील नमुने ओळखून कार्यक्षमतेत सुधारणा करणे.
2. तर्कशक्ती (Reasoning): उपलब्ध माहिती व नियमांच्या आधारे निष्कर्ष काढणे.
3. समस्या निराकरण (Problem Solving): दिलेल्या समस्येसाठी योग्य उपाय शोधणे.
4. भाषा प्रक्रिया (Natural Language Processing): मानवी भाषेतील मजकूर समजणे किंवा निर्माण करणे.
5. प्रतिमा ओळख (Computer Vision): प्रतिमा आणि व्हिडिओमधील वस्तू किंवा नमुने ओळखणे.
6. अंदाज व शिफारसी (Prediction and Recommendation): उपलब्ध डेटाच्या आधारे संभाव्य परिणाम किंवा पर्याय सुचवणे.
7. स्वयंचलन (Automation): काही कामे कमीतकमी मानवी हस्तक्षेपासह पूर्ण करणे.

ही सर्व वैशिष्ट्ये प्रत्येक AI प्रणालीमध्ये असतातच असे नाही. उदाहरणार्थ, प्रतिमा वर्गीकृत करणाऱ्या AI प्रणालीला मानवी भाषेत संभाषण करता येईलच असे नाही.

AI कसे कार्य करते?

AI प्रणालीची कार्यपद्धती तिच्या प्रकारानुसार बदलते. Machine Learning आधारित प्रणाली समजण्यासाठी पुढील प्रक्रिया उपयुक्त आहे.

१. डेटा (Data): मजकूर, चित्रे, आवाज, आकडेवारी किंवा सेन्सरमधील माहिती

२. अल्गोरिदम आणि मॉडेल (Algorithm & Model): डेटामधील नमुने शोधणे किंवा शिकवलेल्या नियमांचा वापर करणे

३. इनपुटचे विश्लेषण (Inference): नवीन माहितीवर प्रशिक्षित मॉडेलचा वापर करणे

४. आउटपुट (Output): अंदाज, वर्गीकरण, शिफारस, निर्णय किंवा नवीन सामग्री

उदाहरण: ई-मेलमधील स्पॅम ओळखणे

समजा, एखाद्या ई-मेल सेवेला स्पॅम संदेश ओळखायचे आहेत.

• डेटा: स्पॅम आणि सामान्य ई-मेलची उदाहरणे.
• प्रशिक्षण (Training): मॉडेल डेटामधील वैशिष्ट्ये व नमुने शिकते.
• नवीन ई-मेल: मॉडेल त्यातील मजकूर व इतर वैशिष्ट्यांचे विश्लेषण करते.
• आउटपुट: ई-मेल स्पॅम असण्याची शक्यता किंवा त्याचे वर्गीकरण मिळते.

मॉडेलची अचूकता डेटाची गुणवत्ता, प्रशिक्षण पद्धत आणि नवीन ई-मेलच्या स्वरूपावर अवलंबून असते.

महत्त्वाची टीप: प्रत्येक AI प्रणालीला प्रशिक्षणासाठी स्वतःहून सतत नवीन डेटा मिळत असतोच असे नाही. काही मॉडेल प्रशिक्षणानंतर स्थिर राहतात, तर काही प्रणाली नियमितपणे अद्ययावत केल्या जातात.

AI शी संबंधित महत्त्वाच्या संकल्पना

AI, Machine Learning आणि Deep Learning या संज्ञा अनेकदा एकाच अर्थाने वापरल्या जातात; मात्र त्या समान नाहीत.

Artificial Intelligence (AI): कृत्रिम बुद्धिमत्ता हे व्यापक क्षेत्र आहे. यात बुद्धिमत्तेशी संबंधित कार्ये करणाऱ्या प्रणाली विकसित करण्याच्या विविध पद्धतींचा समावेश होतो.

Machine Learning (ML): मशीन लर्निंग हे AI मधील एक उपक्षेत्र आहे. यात संगणकीय मॉडेल डेटामधून नमुने शिकतात आणि त्या आधारे अंदाज किंवा इतर आउटपुट निर्माण करतात.

Deep Learning (DL): डीप लर्निंग हे Machine Learning मधील एक उपक्षेत्र आहे. यात अनेक स्तर असलेल्या कृत्रिम न्यूरल नेटवर्क्सचा (Artificial Neural Networks) वापर केला जातो.

Generative AI: हे AI चे असे क्षेत्र आहे ज्यातील मॉडेल शिकलेल्या नमुन्यांच्या आधारे नवीन मजकूर, चित्रे, आवाज, व्हिडिओ किंवा कोड तयार करू शकतात.

संकल्पनांमधील संबंध साधारणपणे पुढीलप्रमाणे दाखवता येतो:

Artificial Intelligence

↓

Machine Learning

↓

Deep Learning

Generative AI ही याच पायऱ्यांमधील एक स्वतंत्र सलग पायरी नसून विविध तंत्रांवर आधारित असू शकणारे क्षेत्र आहे.

AI मध्ये Machine Learning व्यतिरिक्त नियम-आधारित प्रणाली (Rule-based Systems), ज्ञान-आधारित प्रणाली (Knowledge-based Systems) आणि इतर तंत्रांचाही समावेश होतो. Generative AI मधील सर्व प्रणाली Deep Learning वापरतातच असे नाही, तरी आधुनिक Generative AI मध्ये Deep Learning चा मोठ्या प्रमाणावर वापर होतो. 【turn227509search1】

कृत्रिम बुद्धिमत्तेचे प्रकार

AI चे वर्गीकरण वेगवेगळ्या निकषांनुसार केले जाते. परीक्षेच्या दृष्टीने क्षमता-आधारित वर्गीकरण आणि कार्यपद्धती-आधारित वर्गीकरण यांतील फरक समजून घेणे महत्त्वाचे आहे.

क्षमतेनुसार AI चे प्रकार

प्रकार	अर्थ	उदाहरण / स्थिती
Narrow AI (ANI)	विशिष्ट कार्यासाठी तयार केलेली AI प्रणाली	आवाज ओळखणे, शिफारस प्रणाली
Artificial General Intelligence (AGI)	विविध प्रकारची बौद्धिक कार्ये व्यापकपणे करण्यास सक्षम अशी संकल्पित AI	मानवी स्तरावरील सर्वसाधारण क्षमता हे उद्दिष्ट; व्याख्या व निकषांबाबत मतभेद आहेत
Artificial Superintelligence (ASI)	मानवी बुद्धिमत्तेपेक्षा अनेक क्षेत्रांत श्रेष्ठ असलेली काल्पनिक AI	सैद्धांतिक संकल्पना

सध्याच्या अनेक प्रत्यक्ष AI अनुप्रयोगांचे वर्गीकरण Narrow AI मध्ये करता येते. AGI आणि ASI या संकल्पनांचा वापर प्रामुख्याने AI च्या संभाव्य भविष्यातील क्षमतांबाबतच्या चर्चेत केला जातो. आधुनिक AI प्रणाली अनेक कामे करू शकत असल्या तरी त्यांना आपोआप मानवी स्तरावरील सर्वसाधारण बुद्धिमत्ता प्राप्त झाली आहे, असा निष्कर्ष काढता येत नाही.

कार्यपद्धतीनुसार AI चे पारंपरिक प्रकार

प्रकार	वैशिष्ट्य
Reactive Machines	सध्याच्या इनपुटला प्रतिसाद देतात; त्यांच्याकडे अनुभव साठवून वापरणारी दीर्घकालीन स्मृती असणे आवश्यक नाही.
Limited Memory	निर्णयासाठी काही ऐतिहासिक किंवा संदर्भाधारित माहिती वापरतात.
Theory of Mind	मानवी भावना, हेतू व मानसिक अवस्था समजण्याची संकल्पित क्षमता.
Self-aware AI	स्वतःची जाणीव किंवा चेतना असलेली काल्पनिक प्रणाली.

हे वर्गीकरण AI च्या पारंपरिक शैक्षणिक चर्चेत आढळते. प्रत्येक आधुनिक AI प्रणालीला या चार प्रकारांपैकी एका प्रकारात अचूकपणे बसवता येईलच असे नाही. Theory of Mind आणि Self-aware AI यांना स्थापित, सर्वसाधारणपणे उपलब्ध तंत्रज्ञान समजू नये.

AI मधील प्रमुख तंत्रज्ञान

Machine Learning चे प्रकार

प्रकार	स्पष्टीकरण	उदाहरण
Supervised Learning	लेबल दिलेल्या डेटावरून शिकणे	ई-मेल स्पॅम वर्गीकरण
Unsupervised Learning	पूर्वनिर्धारित लेबल नसलेल्या डेटामधील नमुने शोधणे	ग्राहकांचे गट तयार करणे
Reinforcement Learning	कृती व त्यातून मिळणाऱ्या बक्षीस किंवा दंडाच्या संकेतांवरून धोरण शिकणे	गेम खेळणारे एजंट, रोबोट नियंत्रण

Natural Language Processing (NLP)

NLP म्हणजे संगणकाला मानवी भाषेतील मजकूर किंवा भाषणावर प्रक्रिया करता यावी यासाठी वापरले जाणारे तंत्रज्ञान.

उपयोग: भाषांतर, मजकूर वर्गीकरण, प्रश्नोत्तरे, सारांश तयार करणे आणि Chatbot.

Computer Vision

Computer Vision मध्ये संगणकाला चित्रे व व्हिडिओमधून उपयुक्त माहिती ओळखण्यास सक्षम केले जाते.

उपयोग: वैद्यकीय प्रतिमांचे विश्लेषण, वाहतूक व्यवस्थापन, चेहरा किंवा वस्तू ओळखणे.

Robotics

Robotics मध्ये रोबोटची रचना, सेन्सर्स, नियंत्रण प्रणाली आणि कृती यांचा अभ्यास होतो. AI चा वापर रोबोटला परिसरातील माहिती समजून घेण्यासाठी आणि निर्णय घेण्यासाठी करता येतो. मात्र, सर्व रोबोट AI वापरतातच असे नाही.

Generative AI आणि Large Language Models (LLMs)

Generative AI नवीन सामग्री निर्माण करते. Large Language Models (LLMs) हे मोठ्या प्रमाणातील भाषिक डेटावर प्रशिक्षित केलेले मॉडेल असतात, जे मजकूर समजण्यासारखी प्रक्रिया करून प्रतिसाद तयार करू शकतात.

उदाहरणार्थ, एखादा विद्यार्थी AI प्रणालीला एखाद्या वैज्ञानिक संकल्पनेचा सारांश विचारू शकतो. प्रणाली उपलब्ध संदर्भ व शिकलेल्या नमुन्यांच्या आधारे उत्तर तयार करते. मात्र, उत्तर विश्वासार्ह वाटत असले तरी त्यातील तथ्ये चुकीची असू शकतात.

AI चे विविध क्षेत्रांतील उपयोग

आरोग्य (Healthcare)

वैद्यकीय प्रतिमांचे विश्लेषण, रोगांचा धोका ओळखणे, संशोधनाला मदत करणे आणि रुग्णालयीन कामकाज सुधारणे. अंतिम वैद्यकीय निर्णयासाठी योग्य तज्ज्ञांचे परीक्षण आवश्यक असते.

कृषी (Agriculture)

पिकांवरील रोगांची ओळख, हवामान व उत्पादनाचे अंदाज, सिंचन व्यवस्थापन आणि शेतीसंबंधी निर्णयांना मदत.

शिक्षण (Education)

वैयक्तिक गरजांनुसार अभ्याससामग्री, भाषांतर, स्वयंचलित अभिप्राय आणि विद्यार्थ्यांच्या प्रगतीचे विश्लेषण.

वाहतूक व स्मार्ट शहरे (Transport and Smart Cities)

वाहतूक प्रवाहाचे विश्लेषण, मार्ग नियोजन, गर्दीचा अंदाज आणि सार्वजनिक पायाभूत सुविधांच्या व्यवस्थापनाला मदत.

बँकिंग व वित्त (Banking and Finance)

फसवणुकीचे संशयास्पद व्यवहार ओळखणे, जोखीम विश्लेषण आणि ग्राहकांना आर्थिक सेवांबाबत मदत.

हवामान व पर्यावरण (Weather and Environment)

हवामान मॉडेलिंग, उपग्रह प्रतिमांचे विश्लेषण, प्रदूषण निरीक्षण आणि पर्यावरणीय बदलांचा अभ्यास.

भारतातील कृत्रिम बुद्धिमत्ता

भारतामध्ये AI चा वापर सार्वजनिक सेवा, आरोग्य, शिक्षण, कृषी, उद्योग आणि डिजिटल पायाभूत सुविधा अशा अनेक क्षेत्रांत वाढवण्यावर भर दिला जात आहे.

IndiaAI Mission

भारत सरकारच्या केंद्रीय मंत्रिमंडळाने 7 मार्च 2024 रोजी IndiaAI Mission ला मंजुरी दिली. या मोहिमेचा उद्देश भारतात AI संशोधन, संगणकीय क्षमता, कौशल्यविकास, नवोपक्रम आणि सामाजिकदृष्ट्या उपयुक्त AI अनुप्रयोगांना चालना देणे हा आहे.

या मोहिमेतील प्रमुख घटक:

• IndiaAI Compute Capacity: AI मॉडेल विकसित व वापरण्यासाठी संगणकीय सुविधा उपलब्ध करून देणे.
• IndiaAI Innovation Centre: स्वदेशी AI मॉडेलच्या विकासाला प्रोत्साहन.
• IndiaAI Datasets Platform: गुणवत्तापूर्ण डेटाचा उपलब्ध वापर सुलभ करणे.
• IndiaAI Application Development Initiative: सामाजिक आणि आर्थिक समस्यांसाठी AI अनुप्रयोग विकसित करणे.
• IndiaAI FutureSkills: AI शिक्षण आणि कौशल्यविकास.
• IndiaAI Startup Financing: AI क्षेत्रातील स्टार्टअप्सना वित्तपुरवठ्यासाठी मदत.
• Safe and Trusted AI: सुरक्षित, जबाबदार आणि विश्वासार्ह AI विकास व वापराला प्रोत्साहन.

या सात घटकांमुळे AI तंत्रज्ञानाची उपलब्धता, संशोधन क्षमता आणि त्याचा सामाजिक उपयोग वाढवण्यावर भर दिला जातो.

MPSC साठी भारताशी संबंधित मुद्दे

1. IndiaAI Mission ला मंजुरी — 7 मार्च 2024.
2. प्रमुख उद्दिष्टे — AI पायाभूत सुविधा, संशोधन, कौशल्यविकास आणि नवोपक्रम.
3. AI चा संभाव्य उपयोग — कृषी, आरोग्य, शिक्षण, सार्वजनिक सेवा आणि उद्योग.
4. AI धोरणातील महत्त्वाचे मुद्दे — सुरक्षितता, गोपनीयता, पारदर्शकता, उत्तरदायित्व आणि समावेशकता.

AI चे फायदे आणि मर्यादा

फायदे	मर्यादा व आव्हाने
मोठ्या प्रमाणातील डेटाचे जलद विश्लेषण	चुकीचा किंवा पक्षपाती डेटा असल्यास चुकीचे परिणाम
पुनरावृत्तीची कामे स्वयंचलित करणे	काही कामांच्या स्वरूपात बदल आणि रोजगाराशी संबंधित आव्हाने
निर्णय घेण्यास मदत	मानवी देखरेखीची गरज
विविध भाषांमध्ये सेवा उपलब्ध करण्यास मदत	भाषिक आणि सांस्कृतिक संदर्भ समजण्यात चुका
संशोधन व उत्पादकता वाढवण्याची क्षमता	गोपनीयता, सायबरसुरक्षा आणि बौद्धिक संपदा विषयक प्रश्न
दिव्यांग व्यक्तींसाठी सहाय्यक तंत्रज्ञान	तंत्रज्ञानाची असमान उपलब्धता

जबाबदार AI (Responsible AI)

AI चा उपयोग करताना पुढील तत्त्वांना महत्त्व दिले पाहिजे:

• Fairness: अन्यायकारक भेदभाव टाळणे.
• Transparency: प्रणालीचा वापर आणि त्याची मर्यादा स्पष्ट करणे.
• Accountability: निर्णय आणि परिणामांसाठी उत्तरदायित्व निश्चित करणे.
• Privacy: वैयक्तिक माहितीचे संरक्षण.
• Safety and Security: प्रणालीचा सुरक्षित वापर आणि दुरुपयोगापासून संरक्षण.
• Human Oversight: आवश्यकतेनुसार मानवी परीक्षण व हस्तक्षेप.

AI ने निर्माण केलेली माहिती नेहमीच खरी असेल असे नाही. चुकीची माहिती तयार होण्याच्या समस्येला Generative AI च्या संदर्भात अनेकदा Hallucination असे म्हटले जाते. त्यामुळे महत्त्वाच्या तथ्यांची विश्वसनीय स्रोतांशी पडताळणी करणे आवश्यक आहे.

महत्त्वाच्या संज्ञा

संज्ञा	सोपा अर्थ
AI	कृत्रिम बुद्धिमत्ता
Algorithm	समस्या सोडवण्यासाठी वापरल्या जाणाऱ्या क्रमबद्ध सूचना किंवा गणनात्मक पद्धत
Data	विश्लेषणासाठी वापरली जाणारी माहिती
Model	डेटामधील नमुने किंवा नियमांचे प्रतिनिधित्व करणारी संगणकीय रचना
Training	मॉडेलला डेटाच्या आधारे शिकवण्याची प्रक्रिया
Inference	प्रशिक्षित मॉडेलचा वापर करून नवीन इनपुटवर आउटपुट तयार करणे
Machine Learning	डेटामधून नमुने शिकणारे AI उपक्षेत्र
Neural Network	जैविक न्यूरॉन्सपासून प्रेरित संगणकीय मॉडेल
Deep Learning	अनेक स्तरांच्या Neural Networks वर आधारित Machine Learning
NLP	मानवी भाषेवर संगणकीय प्रक्रिया करणारे तंत्रज्ञान
Computer Vision	प्रतिमा आणि व्हिडिओचे संगणकीय विश्लेषण
Generative AI	नवीन सामग्री निर्माण करणारी AI प्रणाली
LLM	मोठ्या प्रमाणातील भाषिक डेटावर प्रशिक्षित Language Model
Bias	डेटामध्ये किंवा प्रणालीच्या परिणामांमध्ये दिसणारा पद्धतशीर पक्षपात
Hallucination	AI कडून तयार होणारी तथ्यात्मकदृष्ट्या चुकीची किंवा आधारहीन माहिती

विद्यार्थ्यांसाठी महत्त्वाचे मुद्दे

• AI चे पूर्ण रूप — Artificial Intelligence.
• AI म्हणजे कृत्रिम बुद्धिमत्ता.
• Machine Learning हे AI चे उपक्षेत्र आहे.
• Deep Learning हे Machine Learning चे उपक्षेत्र आहे.
• NLP चा संबंध मानवी भाषेवर प्रक्रिया करण्याशी आहे.
• Computer Vision चा संबंध प्रतिमा व व्हिडिओच्या विश्लेषणाशी आहे.
• Generative AI नवीन मजकूर, चित्रे, आवाज किंवा इतर सामग्री निर्माण करू शकते.
• सर्व AI प्रणाली Machine Learning वापरतातच असे नाही.
• सर्व रोबोट AI-आधारित नसतात.
• AGI आणि ASI या संकल्पनांना सध्याच्या सर्वसाधारण AI उत्पादनांशी समान समजू नये.
• IndiaAI Mission ला 7 मार्च 2024 रोजी मंजुरी मिळाली.
• AI वापरताना गोपनीयता, पक्षपात, सुरक्षितता आणि मानवी देखरेख महत्त्वाची आहे.

परीक्षेच्या दृष्टीने महत्त्व

MPSC Prelims: AI ची व्याख्या, AI–ML–DL मधील फरक, NLP, Computer Vision, Generative AI, AI चे उपयोग आणि IndiaAI Mission.

MPSC Mains: AI चा प्रशासनातील उपयोग, सार्वजनिक सेवा वितरण, कृषी व आरोग्य क्षेत्रातील संधी, गोपनीयता, रोजगार, पक्षपात आणि जबाबदार AI.

इतर स्पर्धा परीक्षा: संगणक व माहिती तंत्रज्ञान, विज्ञान-तंत्रज्ञान आणि डिजिटल प्रशासनाशी संबंधित मूलभूत प्रश्न.

एका मिनिटात उजळणी

• AI: बुद्धिमत्तेशी संबंधित कार्ये करणाऱ्या संगणकीय प्रणालींचे व्यापक क्षेत्र.
• ML: AI चे उपक्षेत्र; डेटामधून नमुने शिकणे.
• DL: अनेक स्तरांच्या Neural Networks वर आधारित ML.
• NLP: मानवी भाषेवर प्रक्रिया.
• Computer Vision: प्रतिमा व व्हिडिओचे विश्लेषण.
• Generative AI: नवीन सामग्री निर्माण करणे.
• IndiaAI Mission: 7 मार्च 2024 रोजी मंजूर.
• Responsible AI: गोपनीयता, पारदर्शकता, सुरक्षितता, निष्पक्षता आणि उत्तरदायित्व.

वारंवार विचारले जाणारे प्रश्न (FAQs)

कृत्रिम बुद्धिमत्ता आणि मशीन लर्निंगमध्ये काय फरक आहे?

AI हे व्यापक क्षेत्र आहे; Machine Learning हे AI मधील एक उपक्षेत्र असून ते डेटामधील नमुने शिकण्यावर आधारित असते.

Generative AI म्हणजे काय?

शिकलेल्या नमुन्यांच्या आधारे नवीन मजकूर, चित्रे, आवाज, व्हिडिओ किंवा संगणकीय कोड निर्माण करणाऱ्या AI प्रणालींना Generative AI म्हणतात.

AI नेहमी अचूक माहिती देते का?

नाही. AI चुकीचे अंदाज किंवा तथ्यात्मकदृष्ट्या चुकीची माहिती देऊ शकते. महत्त्वाची माहिती विश्वसनीय स्रोतांद्वारे तपासावी.

भारतातील IndiaAI Mission चे उद्दिष्ट काय आहे?

भारतामध्ये AI पायाभूत सुविधा, संशोधन, स्वदेशी क्षमता, कौशल्यविकास, स्टार्टअप्स आणि सामाजिकदृष्ट्या उपयुक्त AI अनुप्रयोगांना प्रोत्साहन देणे.

संबंधित अभ्यासाचे विषय

1. Machine Learning म्हणजे काय?
2. Deep Learning आणि Neural Networks
3. Generative AI आणि Large Language Models
4. Cyber Security आणि Data Privacy
5. भारतातील Digital India आणि AI प्रशासन