38 ट्रैक्स · 335 पाठ · मुफ़्त, आपकी भाषा में

कोर्स

अपनी प्रोग्रेस सेव करने और सर्टिफिकेट पाने के लिए साइन इन करें। साइन इन करें

यहाँ से शुरू करेंAI असल में क्या हैइससे पहले कि हम AI को सुरक्षित रख सकें, हमें यह जानना होगा कि यह क्या है। छोटा जवाब: यह एक ऐसी मशीन है जो बहुत ही सटीक अंदाज़ा लगाती है।बुनियादी बातें · पाठ 1 · 4 मिनट का पाठ

लर्निंग पाथ

कोर्स के छोटे रास्ते, हर एक का एक लक्ष्य।

ट्रैक्स

किसी ट्रैक की यूनिट्स और पाठ देखने के लिए उसे खोलें।

शुरू होता है: शुरुआती6 पाठ2 यूनिट्स

बुनियादी बातें

अगर आप AI के लिए नए हैं, तो यहाँ से शुरू करें। आप सीखेंगे कि AI और large language models वास्तव में क्या हैं, और एक चैटबॉट कैसे ऐसे एजेंट में बदल जाता है जो काम कर सकता है।

आप क्या कर पाएंगे
  • आसान शब्दों में समझाएं कि AI और एक large language model क्या होते हैं
  • एक चैटबॉट और एक एजेंट के बीच का फर्क बताएं
  • बताएं कि टूल्स, कॉन्टेक्स्ट और मेमोरी कैसे तय करते हैं कि एक एजेंट क्या कर सकता है
  • जब कई एजेंट एक साथ काम करते हैं, तो सामने आने वाले नए खतरों को पहचानें
ट्रैक शुरू करें →
यूनिट और पाठ देखें

यूनिट 1

AI कैसे काम करता है

AI क्या है, और एक language model वास्तव में क्या करता है।

  1. पाठ 1: AI असल में क्या हैइससे पहले कि हम AI को सुरक्षित रख सकें, हमें यह जानना होगा कि यह क्या है। छोटा जवाब: यह एक ऐसी मशीन है जो बहुत ही सटीक अंदाज़ा लगाती है।शुरुआती4 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 2: एक large language model क्या करता हैएक LLM ऐसा ऑटोकम्प्लीट है जिसने पूरी लाइब्रेरी निगल ली हो। इस एक वाक्य को समझ लेने से उसकी ज़्यादातर खूबियाँ और हर एक कमज़ोरी समझ आ जाती है।शुरुआती4 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 2

चैटबॉट से एजेंट तक

टूल्स, मेमोरी और टीमें: एक मॉडल कैसे काम करना शुरू करता है।

  1. पाठ 3: चैटबॉट से एजेंट तकचैटबॉट बात करता है। एजेंट काम करता है। यही एक फर्क इस गाइड की पूरी सुरक्षा दुनिया की वजह है।शुरुआती5 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 4: टूल्स: मॉडल को हाथ देनाटूल ऐसा कोई भी बटन है जिसे दबाने की मॉडल को इजाज़त होती है। यह देखने के लिए डायग्राम के हर हिस्से पर क्लिक करें कि भरोसा कहाँ बनता है और कहाँ टूटता है।शुरुआती6 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 5: कॉन्टेक्स्ट, मेमोरी और भूलनामॉडल के पास कोई मेमोरी नहीं होती। उसके पास कागज़ का एक पन्ना होता है जिसे हर मोड़ पर शुरू से दोबारा पढ़ा जाता है। एक बार जब आप यह समझ लेते हैं, तो कई तरह के हमलों की वजह समझ आ जाती है।शुरुआती3 मिनट का पाठ🧪 लैब📝 टेस्ट
  4. पाठ 6: जब एजेंट टीमों में काम करते हैंएक एजेंट का खतरा ऐसा है जिसका आप अंदाज़ा लगा सकते हैं। लेकिन एक-दूसरे को चिट्ठियाँ भेजते पांच एजेंट ऐसा खतरा हैं, जो आपकी नज़र रखने की क्षमता से भी ज़्यादा तेज़ी से बढ़ता है।मध्यम3 मिनट का पाठ🧪 लैब📝 टेस्ट

शुरू होता है: शुरुआती13 पाठ5 यूनिट्स

बच्चों और युवाओं के लिए AI

10 से 16 साल के बच्चों, और उनकी मदद करने वाले माता-पिता व शिक्षकों के लिए। आप नकली तस्वीरों, आवाज़ों और खबरों को पहचानना, ऑनलाइन चैटबॉट और अजनबियों से सुरक्षित रहना, सीखने के लिए AI का इस्तेमाल करना (नकल के लिए नहीं), यह देखना कि AI उदाहरणों से कैसे सीखता है, और अपने समय व रचनाओं की ज़िम्मेदारी खुद संभालना सीखेंगे।

आप क्या कर पाएंगे
  • इस ट्रैक के बाद आप एक जासूस की तरह "असली या AI?" खेल सकते हैं और जांच सकते हैं कि कोई तस्वीर, वीडियो या संदेश वास्तव में कहाँ से आया है।
  • आप स्कैम, फर्जी कॉल और चालाक अजनबियों को पहचान सकते हैं, और कुछ गड़बड़ होने पर आपको ठीक-ठीक पता होगा कि किसे बताना है और क्या करना है।
  • आप AI को एक ऐसे पढ़ाई के साथी की तरह इस्तेमाल कर सकते हैं जो चीज़ें समझाता है और सवाल पूछता है, और आप जानते हैं कि जब वह गलत हो तो उसे कैसे पकड़ें।
  • आप अपने शब्दों में समझा सकते हैं कि कंप्यूटर उदाहरणों से कैसे सीखता है, और यह कभी-कभी अनुचित क्यों हो सकता है।
  • आप ईमानदारी से AI के साथ चीज़ें बना सकते हैं, श्रेय (क्रेडिट) दे सकते हैं, और यह खुद तय कर सकते हैं कि आप अपना स्क्रीन टाइम कैसे बिताएं।
ट्रैक शुरू करें →
यूनिट और पाठ देखें

यूनिट 1

असली या AI?

तस्वीरों, आवाज़ों और वायरल पोस्ट में नकली चीज़ें पकड़ने वाले जासूस बनें

  1. पाठ 70: क्या यह असली है या AI से बना है?AI अब ऐसी तस्वीरें और वीडियो बना सकता है जो बिल्कुल असली दिखते हैं। उन संकेतों को पहचानना सीखें, और वह एक आदत भी जो संकेत गायब होने पर भी काम आती है।शुरुआती4 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 71: आवाज़ की नकल और फर्जी कॉलAI किसी की आवाज़ की नकल कर सकता है। जानें कि धोखेबाज़ इसका कैसे इस्तेमाल करते हैं, और एक आसान पारिवारिक योजना जो उन्हें मात दे सकती है।शुरुआती3 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 72: आगे भेजने से पहले जांचेंफैमिली ग्रुप फॉरवर्ड संदेशों से भरे रहते हैं। कुछ सच होते हैं, कुछ नहीं। एक त्वरित जांच सीखें, और यह भी कि किसी रिश्तेदार को प्यार से कैसे सही बात बताएं।शुरुआती3 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 2

ऑनलाइन सुरक्षित और समझदार रहें

अपनी प्राइवेसी बचाएं, चालाक अजनबियों को पहचानें और जानें कि कुछ गलत होने पर क्या करना है

  1. पाठ 73: चैटबॉट आपकी सीक्रेट डायरी नहीं हैंचैटबॉट मददगार हो सकते हैं, लेकिन वे आपकी निजी जानकारियों या आपकी सबसे बड़ी चिंताओं के लिए सुरक्षित जगह नहीं हैं।शुरुआती4 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 74: AI दोस्त, अजनबी और चालेंकुछ ऐप्स AI दोस्त की पेशकश करते हैं, और कुछ ऑनलाइन अजनबी किसी और के होने का नाटक करते हैं। खतरे के संकेतों को पहचानना और क्या करना है, यह सीखें।शुरुआती4 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 75: अगर कोई आपको ऑनलाइन धमकी देअगर कोई आपको ऑनलाइन डराता है या ब्लैकमेल करने की कोशिश करता है, तो यह कभी भी आपकी गलती नहीं होती। यहाँ बताया गया है कि शांत रहकर, कदम दर कदम, ठीक क्या करना है।शुरुआती4 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 3

AI के साथ सीखें

ज़्यादा समझने के लिए AI का इस्तेमाल करें, सीखने से बचने के लिए नहीं

  1. पाठ 76: AI आपकी पढ़ाई का साथी है, आपकी उत्तर कुंजी नहींAI समझा सकता है, आपसे सवाल पूछ सकता है और योजना बनाने में मदद कर सकता है। लेकिन अगर वह आपका होमवर्क कर देता है, तो आपके दिमाग की कसरत छूट जाती है।शुरुआती4 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 77: जब AI पूरे आत्मविश्वास के साथ गलत होता हैAI बहुत आश्वस्त लग सकता है और फिर भी गलत हो सकता है। जानें ऐसा क्यों होता है, और उसकी गलतियों को कैसे पकड़ें।शुरुआती3 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 4

AI कैसे सोचता है

अंदर झांकें: कंप्यूटर उदाहरणों से कैसे सीखते हैं, और इसमें क्या गड़बड़ी हो सकती है

  1. पाठ 78: कंप्यूटर उदाहरणों से कैसे सीखता हैAI आपकी तरह शिक्षक के नियमों से नहीं सीखता। वह बहुत सारे उदाहरणों में पैटर्न ढूंढता है। खुद AI बनकर देखें!शुरुआती3 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 79: AI अनुचित क्यों हो सकता हैअगर AI एकतरफा उदाहरणों से सीखता है, तो वह कुछ लोगों के साथ अनुचित व्यवहार कर सकता है। जानें कि ऐसा कैसे होता है और आवाज़ उठाना क्यों ज़रूरी है।शुरुआती3 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 5

आपका ध्यान, आपकी रचनाएँ, आपका भविष्य

अपने स्क्रीन टाइम की बागडोर संभालें, ईमानदारी से रचें, और आने वाले कल के लिए हुनर सीखें

  1. पाठ 80: आप स्क्रॉल करना बंद क्यों नहीं कर पातेऐप्स सीख लेते हैं कि आपको क्या चीज़ रोके रखती है। वे कैसे काम करते हैं, यह समझकर आप चुन सकते हैं कि आपको अपना समय कैसे बिताना है।शुरुआती3 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 81: AI के साथ कुछ नया बनाएं, और श्रेय देंAI आपको कहानियाँ, कॉमिक्स, गाने और प्रोजेक्ट आइडिया बनाने में मदद कर सकता है। निर्माता खुद बने रहें, ईमानदार रहें, और इसका इस्तेमाल कभी किसी को चोट पहुँचाने के लिए न करें।शुरुआती3 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 82: भविष्य की नौकरियाँ और वे हुनर जिन्हें AI नहीं बदल सकताAI कई नौकरियों को बदल देगा और नई नौकरियाँ पैदा करेगा। जो हुनर सबसे ज़्यादा मायने रखते हैं, उन्हें आप आज से ही सीखना शुरू कर सकते हैं।शुरुआती5 मिनट का पाठ🧪 लैब📝 टेस्ट

शुरू होता है: शुरुआती8 पाठ3 यूनिट्स

रोज़मर्रा की ज़िंदगी में AI

फोन इस्तेमाल करने वाले किसी भी व्यक्ति के लिए, किसी पिछले अनुभव की ज़रूरत नहीं। आप उस AI को पहचानेंगे जिसे आप हर दिन पहले से इस्तेमाल करते हैं, चैटबॉट का समझदारी और ईमानदारी से इस्तेमाल करेंगे, और खुद को व अपने परिवार को AI स्कैम, फर्जी वीडियो और प्राइवेसी के जालों से बचाएंगे।

आप क्या कर पाएंगे
  • इस ट्रैक के बाद आप अपने फोन और ऐप्स में पहले से काम कर रहे AI फीचर्स को पहचान सकेंगे।
  • आप पढ़ाई और रोज़मर्रा के कामों के लिए चैटबॉट का इस्तेमाल कर सकते हैं, और भरोसा करने से पहले उसके जवाबों की जांच कर सकते हैं।
  • आप आम AI स्कैम को पहचान सकते हैं, और अगर कुछ गलत हो जाए तो जानते हैं कि शुरुआती मिनटों में क्या करना है।
  • आप अपने निजी डेटा की सुरक्षा कर सकते हैं और AI ऐप्स में मुख्य सेटिंग्स बदल सकते हैं।
  • आप बच्चों और बड़ों से AI के बारे में शांति से बात कर सकते हैं और परिवार के लिए अच्छी आदतें तय कर सकते हैं।
ट्रैक शुरू करें →
यूनिट और पाठ देखें

यूनिट 1

आपके आसपास का AI

आपकी जेब में पहले से क्या काम कर रहा है, और उसका सही इस्तेमाल कैसे करें

  1. पाठ 83: आपके फोन में पहले से मौजूद AIआप बिना ध्यान दिए दिन में कई बार AI का इस्तेमाल करते हैं। आइए इसे पहचानें, ताकि आप इसका बेहतर इस्तेमाल कर सकें और इसकी सीमाएं जान सकें।शुरुआती5 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 84: आपकी फीड में वही क्यों दिखता है जो दिखता हैवीडियो, पोस्ट और खरीदारी के सुझाव AI द्वारा आपके लिए चुने जाते हैं। जानें कि यह कैसे चुनता है, यह आपको कैसे उलझा सकता है, और नियंत्रण वापस कैसे पाएं।शुरुआती4 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 85: पढ़ाई और रोज़मर्रा के कामों के लिए चैटबॉट का सही इस्तेमालचैटबॉट एक धीरज रखने वाला शिक्षक और एक मददगार साथी हो सकता है। गलत तरीके से इस्तेमाल करने पर, यह आपकी सीखने की क्षमता घटा सकता है और गलत बातों पर भरोसा करवा सकता है। यहाँ बताया गया है कि इसका सही और ईमानदारी से इस्तेमाल कैसे करें।शुरुआती5 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 2

सुरक्षित रहना

स्कैम, फर्जीवाड़ा और प्राइवेसी: खुद को और अपनों को सुरक्षित रखें

  1. पाठ 86: AI स्कैम: उन्हें कैसे पहचानें और क्या करेंधोखेबाज़ अब आवाज़ों, चेहरों और आधिकारिक दिखने वाले संदेशों की नकल करने के लिए AI का इस्तेमाल करते हैं। अच्छी बात यह है: कुछ आसान आदतें इन लगभग सभी चालों को मात दे देती हैं।शुरुआती6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 87: डीपफेक और AI से बनी तस्वीरों को पहचाननाAI ऐसी चीज़ों के फोटो, वीडियो और आवाज़ें बना सकता है जो कभी हुई ही नहीं थीं। ध्यान से देखने से थोड़ी मदद मिलती है। स्रोत की जांच करने से बहुत ज़्यादा मदद मिलती है।शुरुआती5 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 88: AI ऐप्स के साथ आपका डेटा और प्राइवेसीआप किसी AI ऐप में जो भी लिखते हैं, उसे स्टोर किया जा सकता है, पढ़ा जा सकता है या ऐप को बेहतर बनाने के लिए इस्तेमाल किया जा सकता है। जानें कि क्या कभी पेस्ट नहीं करना चाहिए, और किन सेटिंग्स को जांचना चाहिए।शुरुआती4 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 3

आपके समुदाय और परिवार में AI

स्वास्थ्य, खेती, सेवाओं और बच्चों के लिए AI क्या कर सकता है और क्या नहीं

  1. पाठ 89: स्वास्थ्य, खेती और सरकारी सेवाओं में AIAI अब क्लीनिकों, खेतों और सरकारी दफ्तरों में दिख रहा है। जानें कि यह वास्तव में किस चीज़ में मदद कर सकता है, कहाँ मात खा जाता है, और एक इंसानी विशेषज्ञ की ज़रूरत अब भी क्यों है।शुरुआती5 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 90: AI, बच्चे और परिवारबच्चे अपने गेम्स, वीडियो और होमवर्क में AI के साथ बड़े हो रहे हैं। यहाँ बताया गया है कि परिवार इस बारे में कैसे बात कर सकते हैं और मिलकर अच्छी आदतें बना सकते हैं।शुरुआती4 मिनट का पाठ🧪 लैब📝 टेस्ट

शुरू होता है: शुरुआती8 पाठ3 यूनिट्स

एक प्रो की तरह प्रॉम्प्टिंग करना

हर उस व्यक्ति के लिए जो चैटबॉट का इस्तेमाल करता है और बेहतर जवाब चाहता है। आप साफ रिक्वेस्ट लिखना, सही संदर्भ और उदाहरण देना, कदम-दर-कदम जवाबों को सुधारना, गलतियों की जांच करना, और यह सब करते हुए अपने डेटा को सुरक्षित रखना सीखेंगे।

आप क्या कर पाएंगे
  • इस ट्रैक के बाद आप किसी अस्पष्ट बात को लक्ष्य, पाठक, फ़ॉर्मैट और लंबाई वाले एक साफ़-सुथरे प्रॉम्प्ट में बदल पाएंगे।
  • आप अपनी ज़रूरत के मुताबिक स्टाइल और रूप पाने के लिए उदाहरणों, भूमिकाओं और पाबंदियों का इस्तेमाल कर पाएंगे।
  • पहली बार में ही एकदम सही जवाब की उम्मीद करने के बजाय आप चरणों में (प्लान बनाएं, ड्राफ़्ट करें, सुधारें) काम कर पाएंगे।
  • आप मनगढ़ंत बातों के लिए जवाबों की जांच कर पाएंगे और स्रोतों की मांग कर उन्हें खुद परख पाएंगे।
  • आप रोज़मर्रा के कामों के लिए AI का सुरक्षित रूप से इस्तेमाल कर पाएंगे, बिना कोई गोपनीय जानकारी पेस्ट किए या पेस्ट किए गए टेक्स्ट में छिपे निर्देशों के जाल में फंसे।
ट्रैक शुरू करें →
यूनिट और पाठ देखें

यूनिट 1

प्रॉम्प्ट की बुनियादी बातें

शब्दों का चुनाव क्यों मायने रखता है, और एक साफ़ अनुरोध के ज़रूरी हिस्से

  1. पाठ 91: प्रॉम्प्ट क्या होता है और शब्दों का चुनाव क्यों मायने रखता हैप्रॉम्प्ट बस वही बात है जो आप AI को लिखकर देते हैं। शब्दों में ज़रा-सा बदलाव भी जवाब को काफी बदल सकता है। जानिए ऐसा क्यों होता है।शुरुआती4 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 92: साफ़ और सटीक रहें: लक्ष्य, पाठक, फ़ॉर्मैट, लंबाईचार आसान चीज़ें किसी भी अस्पष्ट बात को साफ़ अनुरोध में बदल देती हैं। इन्हें चुटकियों में जोड़ना सीखें।शुरुआती4 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 93: संदर्भ और उदाहरण देंजब तक आप न बताएं, AI आपके हालात के बारे में कुछ नहीं जानता। थोड़ी पृष्ठभूमि और कुछ उदाहरण जवाब को पूरी तरह बदल सकते हैं।शुरुआती4 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 2

जवाबों को सही रूप देना और परखना

स्टाइल पर नियंत्रण रखें, चरणों में काम करें और गलतियां पकड़ें

  1. पाठ 94: भूमिकाएं, लहज़ा और पाबंदियांAI को बताएं कि उसे कौन-सी भूमिका निभानी है, उसका लहज़ा कैसा होना चाहिए और किन नियमों का पालन करना है। यह किसी काम से पहले किसी मददगार को समझाने जैसा है।मध्यम4 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 95: कदम दर कदम: प्लान बनाएं, ड्राफ़्ट करें, सुधारेंबड़े काम छोटे-छोटे कदमों में बेहतर होते हैं। पहले प्लान मांगें, फिर ड्राफ़्ट, और फिर हर कदम पर जांचते हुए सुधार करवाएं।मध्यम4 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 96: जवाब की जांच करें: स्रोत, पुष्टि और hallucinationsAI ऐसे तथ्य, आंकड़े और स्रोत तक गढ़ सकता है जो एकदम असली दिखते हैं। बेहतर सवाल पूछना सीखें, चेतावनियों को पहचानें और ज़रूरी चीज़ों की पुष्टि करें।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 3

असल ज़िंदगी के लिए प्रॉम्प्टिंग

रोज़मर्रा का काम, भारतीय भाषाएं और सुरक्षित रहना

  1. पाठ 97: रोज़मर्रा के काम के लिए प्रॉम्प्ट: ईमेल, सारांश, टेबल और अनुवादरोज़मर्रा के कामों के लिए तुरंत इस्तेमाल होने वाले प्रॉम्प्ट, जिनमें भारतीय भाषाओं में काम करना भी शामिल है।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 98: सुरक्षित प्रॉम्प्टिंगअपने प्रॉम्प्ट में गोपनीय बातें न डालें, और जो टेक्स्ट आप पेस्ट करते हैं उसमें छिपे निर्देशों से सावधान रहें। सुरक्षित प्रॉम्प्टिंग आपकी, आपके परिवार की और आपके दफ़्तर की हिफ़ाज़त करती है।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट

शुरू होता है: शुरुआती8 पाठ3 यूनिट्स

शुरुआत से Python

12 साल और उससे ज़्यादा उम्र के हर उस व्यक्ति के लिए जिसने कभी कोड की एक लाइन भी नहीं लिखी है। सब कुछ यहीं आपके ब्राउज़र में चलता है, चाहे फोन हो या स्कूल का कंप्यूटर, इसलिए कुछ भी इंस्टॉल करने की ज़रूरत नहीं है: टाइप करें, Run दबाएं, और देखें कि क्या होता है। कदम दर कदम आप मैसेज प्रिंट करेंगे, संख्याएं और टेक्स्ट स्टोर करेंगे, फैसले लेंगे, लूप्स के साथ काम दोहराएंगे, अपने खुद के फ़ंक्शन्स बनाएंगे, बिना घबराए एरर मैसेज पढ़ेंगे और डेटा की छोटी तालिकाओं के साथ काम करेंगे।

आप क्या कर पाएंगे
  • इस ट्रैक के बाद आप अपने ब्राउज़र में छोटे Python प्रोग्राम लिख और चला सकते हैं और पढ़ सकते हैं कि वे क्या प्रिंट करते हैं।
  • आप वेरिएबल्स में संख्याएं और टेक्स्ट स्टोर कर सकते हैं, और फैसले लेने के लिए if, elif और else का इस्तेमाल कर सकते हैं।
  • आप दुकान के बिल जैसी चीज़ों का हिसाब लगाने के लिए for और while लूप्स, लिस्ट्स और डिक्शनरीज़ का इस्तेमाल कर सकते हैं।
  • आप अपने खुद के फ़ंक्शन्स लिख सकते हैं, और नीचे से ऊपर ट्रेसबैक पढ़कर आम गलतियों को ठीक कर सकते हैं।
  • आप अंकों या ट्रेन के समय की एक छोटी CSV तालिका पढ़ सकते हैं और कुल योग व औसत निकाल सकते हैं।
ट्रैक शुरू करें →
यूनिट और पाठ देखें

यूनिट 1

पहले कदम

अपना पहला प्रोग्राम चलाएं, संख्याएं और शब्द स्टोर करें, और कंप्यूटर को आसान फैसले लेने दें

  1. पाठ 99: आपका पहला Python प्रोग्रामएक लाइन लिखें, Run दबाएं, और देखें कि कंप्यूटर बिल्कुल वही करता है जो आपने कहा। आप कमेंट्स के ज़रिए इंसानों के लिए नोट्स छोड़ना भी सीखेंगे।शुरुआती6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 100: वेरिएबल्स, संख्याएं और टेक्स्टपूर्ण संख्याएं, दशमलव संख्याएं और टेक्स्ट अलग-अलग तरह की वैल्यूज़ हैं। हर एक का इस्तेमाल करना, उन्हें आपस में बदलना, और f-strings के साथ उन्हें साफ-सुथरे ढंग से प्रिंट करना सीखें।शुरुआती7 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 101: if के साथ फैसले लेनाप्रोग्राम तब काम के बनते हैं जब वे चुन सकते हैं। वैल्यूज़ की तुलना करना सीखें और अलग-अलग स्थितियों में अलग-अलग काम करने के लिए if, elif और else का इस्तेमाल करें।शुरुआती7 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 2

दोहराना और इकट्ठा करना

लूप्स के ज़रिए कंप्यूटर से दोहराए जाने वाले काम करवाएं, और कई वैल्यूज़ को लिस्ट्स और डिक्शनरीज़ में एक साथ रखें

  1. पाठ 102: लूप्स: चीज़ों को बार-बार करनाकंप्यूटर कभी बोर नहीं होते। कदमों को दोहराने के लिए, और एक ही बार में कई वैल्यूज़ को जोड़ने या जांचने के लिए for, range और while का इस्तेमाल करें।शुरुआती7 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 103: लिस्ट्स और डिक्शनरीज़कई वैल्यूज़ को एक साथ रखें। एक लिस्ट चीज़ों को क्रम में रखती है; एक डिक्शनरी हर नाम को एक वैल्यू से जोड़ती है, जैसे कि कोई रेट लिस्ट।शुरुआती7 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 3

बुनियादी हिस्से

अपने कदमों को फ़ंक्शन्स में समेटें, बिना डरे गलतियां ठीक करें, और डेटा की छोटी तालिकाओं के साथ काम करें

  1. पाठ 104: फ़ंक्शन्स: दोबारा इस्तेमाल होने वाले कदमएक फ़ंक्शन एक नाम वाला नुस्खा है जिसे आप बार-बार इस्तेमाल कर सकते हैं। def, पैरामीटर्स और return सीखें, और यह भी कि प्रिंट करने से बेहतर रिटर्न करना क्यों है।शुरुआती5 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 105: बिना डरे एरर पढ़नाएरर मैसेज सुराग होते हैं, सज़ा नहीं। उन चार गलतियों के बारे में जानें जो आपको सबसे ज़्यादा देखने को मिलेंगी, और नीचे से ऊपर ट्रेसबैक पढ़ना सीखें।शुरुआती7 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 106: डेटा फाइलों के साथ काम करनाज़्यादातर असली डेटा तालिकाओं के रूप में आता है: मार्कशीट, टाइमटेबल, रेट लिस्ट। Python के csv मॉड्यूल से CSV डेटा पढ़ना और उससे कुल योग व औसत निकालना सीखें।शुरुआती7 मिनट का पाठ🧪 लैब📝 टेस्ट

शुरू होता है: मध्यम12 पाठ4 यूनिट्स

मशीन लर्निंग के बुनियादी सिद्धांत

उन सीखने वालों के लिए जो बुनियादी Python जानते हैं और लार्ज लैंग्वेज मॉडल्स से पहले मशीन लर्निंग को समझना चाहते हैं। आप scikit-learn, numpy, pandas और matplotlib के साथ असली मॉडल ट्रेन करेंगे, जो सभी आपके ब्राउज़र में चलेंगे। आप संख्याओं की भविष्यवाणी करना, चीज़ों को समूहों में बांटना, बिना लेबल के समूह खोजना, बिखरे हुए डेटा को साफ करना, और सबसे ज़रूरी बात, अपने नतीजों को ईमानदारी से जांचना सीखेंगे ताकि आप खुद को धोखे में न रखें।

आप क्या कर पाएंगे
  • इस ट्रैक के बाद आप एक काम करने वाले उदाहरण के साथ आसान शब्दों में फीचर्स, लेबल्स, ट्रेनिंग और प्रेडिक्शन को समझा सकते हैं।
  • आप scikit-learn में linear regression, logistic regression, decision trees, random forests, nearest neighbours और k-means को ट्रेन और उनकी तुलना कर सकते हैं।
  • आप डेटा को ट्रेनिंग, वैलिडेशन और टेस्ट सेट में बांट सकते हैं, ओवरफ़िटिंग पहचान सकते हैं, और टेस्ट सेट को पहले से देखने से बच सकते हैं।
  • आप एक कन्फ्यूज़न मैट्रिक्स पढ़ सकते हैं और धोखाधड़ी या दुर्लभ बीमारी जैसी समस्याओं के लिए accuracy, precision और recall में से सही विकल्प चुन सकते हैं।
  • आप pandas के साथ एक बिखरी हुई तालिका को साफ कर सकते हैं और बेसलाइन व ईमानदार मूल्यांकन के साथ एक छोटा एंड-टू-एंड प्रोजेक्ट चला सकते हैं।
ट्रैक शुरू करें →
यूनिट और पाठ देखें

यूनिट 1

मूल विचार

कंप्यूटर के लिए उदाहरणों से सीखने का क्या मतलब है, वे शब्द जिनका सब इस्तेमाल करते हैं, और आपका पहला मॉडल

  1. पाठ 107: मशीन लर्निंग वास्तव में क्या करती हैनियम खुद लिखने के बजाय, आप कंप्यूटर को उदाहरण देते हैं और उसे नियम ढूंढने देते हैं। सीखें कि इसका क्या मतलब है, और क्या मतलब नहीं है।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 108: डेटा, फीचर्स और लेबल्सहर सुपरवाइज़्ड समस्या एक तालिका होती है: पंक्तियां उदाहरण हैं, फीचर कॉलम वे हैं जो आप जानते हैं, और लेबल कॉलम वह है जिसकी आप भविष्यवाणी करना चाहते हैं।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 109: आपकी पहली भविष्यवाणी: linear regressionscikit-learn के साथ डेटा पर एक सीधी रेखा फिट करें, इसका इस्तेमाल संख्याओं की भविष्यवाणी करने के लिए करें, और इसकी तुलना एक साधारण बेसलाइन से करें ताकि आपको पता चले कि क्या यह वाकई मददगार है।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 2

चीज़ों को समूहों में बांटना

logistic regression, decision trees, random forests और nearest neighbours के साथ वर्गीकरण

  1. पाठ 110: वर्गीकरण: समूहों में बांटनाLogistic regression अनुमान लगाता है कि कोई पंक्ति किस समूह में आती है, और वह इसे लेकर कितना आश्वस्त है। संभावनाएं, थ्रेशोल्ड और फीचर्स को स्केल करना क्यों मददगार होता है, यह सीखें।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 111: Decision trees और forestsएक decision tree हां/ना वाले सवालों की एक श्रृंखला पूछता है। एक random forest कई थोड़े अलग पेड़ों से पूछता है और वोट लेता है।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 112: Nearest neighboursकिसी नए उदाहरण को लेबल करने के लिए, उन सबसे मिलते-जुलते उदाहरणों को खोजें जिन्हें आप पहले से जानते हैं और उन्हें वोट करने दें। सरल, असरदार, और स्केल के प्रति बहुत संवेदनशील।मध्यम4 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 3

ईमानदारी से काम करना

ओवरफ़िटिंग पहचानें, टेस्ट सेट को अलग रखें, और ऐसे पैमाने चुनें जो ज़रूरी गलतियों को छिपाते न हों

  1. पाठ 113: ओवरफ़िटिंग और इसे कैसे पहचानेंएक मॉडल जो अपने ट्रेनिंग उदाहरणों को रट लेता है, वह अभ्यास में एकदम सही दिखता है लेकिन नए डेटा पर नाकाम हो जाता है। इस अंतर को देखना और इसे नियंत्रित करना सीखें।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 114: ट्रेन, वैलिडेशन और टेस्ट सेट्सडेटा के एक हिस्से का इस्तेमाल सीखने के लिए करें, एक का चुनने के लिए, और एक का—जिसे केवल अंत में एक बार छुआ जाता है—रिपोर्ट करने के लिए। साथ ही छोटे डेटासेट्स के लिए cross-validation।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 115: क्लासिफायर को मापना: precision और recallAccuracy देखने में बहुत अच्छी लग सकती है, जबकि मॉडल हर उस मामले को छोड़ देता है जो मायने रखता है। कन्फ्यूज़न मैट्रिक्स, precision और recall दिखाते हैं कि असल में क्या हुआ।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 4

असली डेटा

बिना लेबल के समूह खोजें, एक बिखरी हुई तालिका को साफ करें, और बनावटी डेटा से लेकर एक ईमानदार नतीजे तक पूरा प्रोजेक्ट चलाएं

  1. पाठ 116: क्लस्टरिंग: बिना लेबल के समूह खोजनाk-means मिलती-जुलती पंक्तियों के समूह ढूंढता है जब किसी ने उन्हें लेबल न किया हो। सीखें कि यह कैसे काम करता है, समूहों की संख्या कैसे चुनें, और समूहों को समझने के लिए इंसान की ज़रूरत क्यों होती है।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 117: pandas से बिखरा हुआ डेटा साफ करनाअसली तालिकाओं में मिसिंग वैल्यूज़, टेक्स्ट के रूप में स्टोर की गई संख्याएं, स्पेलिंग में अंतर और डुप्लिकेट पंक्तियां होती हैं। उन्हें एक स्पष्ट क्रम में ठीक करें, और हर बदलाव का रिकॉर्ड रखें।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 118: प्रोजेक्ट: बारिश से फसल की पैदावार का अनुमान लगानाबनावटी डेटा पर एक एंड-टू-एंड प्रोजेक्ट: पड़ताल करें, बांटें, एक बेसलाइन तय करें, एक सीधी रेखा और एक वक्र आज़माएं, और ईमानदारी से नतीजा बताएं।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट

शुरू होता है: शुरुआती7 पाठ4 यूनिट्स

खेती के लिए AI

भारत के किसानों, किसान परिवारों, कृषि के छात्रों और एग्री-स्टार्टअप्स बनाने वाले लोगों के लिए। आप देखेंगे कि AI पत्तियों की तस्वीरों, मौसम के रिकॉर्ड, बाज़ार भाव और सैटेलाइट तस्वीरों को कैसे पढ़ता है, और कहां गलती करता है। आप यह भी सीखेंगे कि ऐसे कृषि उपकरण कैसे बनाए जाएं जो किसानों के ज्ञान, उनकी भाषा और उनके डेटा का सम्मान करते हों, और जो गंभीर फैसलों को हमेशा किसी स्थानीय विशेषज्ञ के पास भेजते हों।

आप क्या कर पाएंगे
  • इस ट्रैक के बाद आप आसान शब्दों में समझा सकते हैं कि एक AI फार्म ऐप क्या कर रहा है, और उस पर कब भरोसा नहीं करना चाहिए।
  • आप समझा सकते हैं कि पत्ती की तस्वीर वाला ऐप क्यों गलत हो सकता है, और किसी विशेषज्ञ को उसकी बात की पुष्टि क्यों करनी चाहिए।
  • आप Python में बारिश के साधारण आंकड़े, कीमतों का मूविंग एवरेज और फसल स्वास्थ्य सूचकांक (NDVI) निकाल सकते हैं।
  • आप एक ऐसा फार्म एडवाइस बॉट डिज़ाइन कर सकते हैं जो किसान की भाषा बोलता हो, स्रोत बताता हो और मुश्किल सवाल इंसानों को सौंप देता हो।
  • आप सही सवाल पूछ सकते हैं कि फार्म डेटा का मालिक कौन है और कौन पीछे छूट जाता है।
ट्रैक शुरू करें →
यूनिट और पाठ देखें

यूनिट 1

खेत में AI

AI किसान की कहां मदद कर सकता है, और एक ऐप किसी बीमार पत्ती को कैसे 'देखता' है

  1. पाठ 119: AI किसान की मदद कैसे कर सकता हैAI एक ऐसा टूल है जो डेटा में पैटर्न ढूंढता है: तस्वीरें, मौसम का रिकॉर्ड, कीमतें। यह समय बचा सकता है और पहले से चेतावनी दे सकता है, लेकिन यह किसान के अपने ज्ञान या किसी स्थानीय विशेषज्ञ की जगह नहीं ले सकता।शुरुआती6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 120: तस्वीर से फसल की बीमारी पहचाननापत्तियों की फ़ोटो वाले ऐप्स ऐसे इमेज क्लासिफ़ायर इस्तेमाल करते हैं जिन्होंने बहुत-सी लेबल वाली फ़ोटो से सीखा है। जानें कि वे फ़ैसले कैसे लेते हैं, रोशनी, बैकग्राउंड और स्थानीय किस्में उन्हें कैसे चकमा दे सकती हैं, और किसी एक्सपर्ट से पुष्टि कराना क्यों ज़रूरी है।शुरुआती7 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 2

फैसले

मौसम, मिट्टी और बाज़ार भाव के डेटा का समझदारी से इस्तेमाल करना, और यह जानना कि यह कितना अनिश्चित है

  1. पाठ 121: मौसम, मिट्टी और बुवाई के फ़ैसलेमौसम के अनुमान सिर्फ़ संभावना बताते हैं, पक्के वादे नहीं। मिट्टी की जाँच बताती है कि आज आपकी मिट्टी में क्या है। अनिश्चितता को ध्यान में रखते हुए दोनों को पढ़ना सीखें, और कुछ आसान नंबरों से पिछली बारिश का हिसाब निकालना सीखें।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 122: बाज़ार के भाव और समझदारी से बिक्रीभाव का डेटा रुझान दिखा सकता है, और मूविंग एवरेज रोज़ के उतार-चढ़ाव को सुलझा देता है। भाव को शांति से समझना सीखें, और यह भी कि कोई भी टूल कल का भाव क्यों नहीं बता सकता।मध्यम4 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 3

ऊपर से

सैटेलाइट और ड्रोन क्या देख सकते हैं, और उड़ान भरने के नियम

  1. पाठ 123: खेतों के ऊपर ड्रोन और सैटेलाइटस्वस्थ पौधे एक खास तरह से रोशनी रिफ्लेक्ट करते हैं। सैटेलाइट और ड्रोन इसी का इस्तेमाल करके फ़सल की सेहत के नक्शे (जैसे NDVI) बनाते हैं। इस तरीके को समझें, इसे खुद कैलकुलेट करें, और ड्रोन उड़ाने से पहले के नियम जानें।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 4

इसे सही तरीके से बनाएं

उपकरण बनाने वालों के लिए: सुरक्षित सलाह बॉट्स, और किसानों के लिए निष्पक्ष डेटा तरीके

  1. पाठ 124: फ़सलों की सलाह देने वाला बॉट ज़िम्मेदारी से बनानाखेती की सलाह देने वाले बॉट को किसान की भाषा बोलनी चाहिए, यह बताना चाहिए कि उसके जवाब कहाँ से आए हैं, और मुश्किल या जोखिम भरे सवाल इंसानों को सौंप देने चाहिए। उसे कीटनाशक की मात्रा का कभी अंदाज़ा नहीं लगाना चाहिए।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 125: किसानों का डेटा, प्राइवेसी और निष्पक्षताखेती वाले ऐप्स खेत की लोकेशन, फ़ोटो, पैदावार और फ़ोन नंबर इकट्ठा करते हैं। जानें कि उस डेटा पर किसका नियंत्रण होना चाहिए, असली सहमति कैसी होती है, और ये टूल्स छोटे किसानों और बिना इंटरनेट वाले गाँवों को कैसे पीछे छोड़ सकते हैं।शुरुआती5 मिनट का पाठ🧪 लैब📝 टेस्ट

शुरू होता है: शुरुआती9 पाठ3 यूनिट्स

AI से होने वाले हमलों को रोकना

दफ़्तर के कर्मचारियों, मैनेजरों, फ़ाइनेंस और HR टीमों, छोटे कारोबारियों और IT से जुड़े लोगों के लिए। हमलावर अब बेहतर फ़िशिंग लिखने, आवाज़ों और चेहरों की नकल करने, और नकली इनवॉइस व नौकरी के उम्मीदवारों को गढ़ने के लिए AI का इस्तेमाल करते हैं। आप सीखेंगे कि असल में क्या बदला है, और वे आसान तरीके कौन-से हैं जो इन हमलों को रोक सकते हैं, भले ही वे देखने में बिल्कुल असली लगें।

आप क्या कर पाएंगे
  • इस ट्रैक के बाद आप समझा पाएंगे कि हमलावरों के लिए AI क्या बदल देता है, और क्या नहीं बदलता।
  • आप किसी संदिग्ध ईमेल की जांच उसकी स्पेलिंग से नहीं, बल्कि भेजने वाले, उसकी मांग और लिंक के असली पते से कर पाएंगे।
  • आप कॉलबैक, दोहरी मंज़ूरी और नए पेई (payee) पर रोक जैसे तरीकों से पेमेंट धोखाधड़ी और फ़र्ज़ी बॉस की मांग को रोक पाएंगे।
  • आप passkeys या security keys के साथ फ़िशिंग-सुरक्षित साइन-इन अपनाने की योजना बना पाएंगे।
  • आप AI के इस दौर के हिसाब से जागरूकता ट्रेनिंग और रिपोर्टिंग का माहौल तैयार कर पाएंगे।
ट्रैक शुरू करें →
यूनिट और पाठ देखें

यूनिट 1

हमलावरों के नए औज़ार

AI हमलावरों को क्या ताकत देता है, और पुरानी बुनियादी बातें अब भी क्यों मायने रखती हैं

  1. पाठ 126: आज हमलावर AI का इस्तेमाल कैसे करते हैंAI हमलों को तेज़, साफ़-सुथरा और अधिक व्यक्तिगत बना देता है। लेकिन हमलावरों को फिर भी किसी के क्लिक करने, पैसे भेजने या जानकारी साझा करने की ज़रूरत होती है। यहीं पर आप उन्हें रोक सकते हैं।शुरुआती5 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 127: बड़े पैमाने पर AI से लिखी गई फ़िशिंगफ़िशिंग ईमेल में अब स्पेलिंग की गलतियां नहीं होतीं। जानें कि इनकी जगह क्या जांचना चाहिए: भेजने वाला, मांग, दबाव और लिंक असल में कहां ले जाता है।शुरुआती4 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 128: कामकाज में वॉइस क्लोन और डीपफेक वीडियो कॉलकोई फ़ोन कॉल आपके डायरेक्टर जैसी लग सकती है और वीडियो कॉल पर कोई जाना-पहचाना चेहरा दिख सकता है, और दोनों नकली हो सकते हैं। इनके लक्षण, इनकी सीमाएं और वह तरीका सीखें जो हर हाल में काम आता है।शुरुआती5 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 2

संस्थानों को निशाना बनाने वाले फ्रॉड

पेमेंट फ्रॉड, भर्ती फ्रॉड और AI से बने मैलवेयर का सच

  1. पाठ 129: नकली बॉस, नकली वेंडर: AI से पेमेंट फ्रॉडबिज़नेस ईमेल कॉम्प्रोमाइज़ और नकली इनवॉइस से संस्थानों को भारी आर्थिक नुकसान होता है। पेमेंट के कुछ आसान नियम इनमें से ज़्यादातर को रोक देते हैं।शुरुआती6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 130: नकली नौकरी के उम्मीदवार और भर्ती फ्रॉडAI एक नकली CV को चमका सकता है, और इंटरव्यू में कोई और बैठ सकता है। नौकरी ढूंढने वाले लोगों को भी नौकरी के झूठे ऑफ़र देकर निशाना बनाया जाता है। वे जांच सीखें जो दोनों पक्षों की हिफ़ाज़त करती हैं।शुरुआती4 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 131: AI से बना मैलवेयर: बढ़ा-चढ़ाकर कही गई बातें और हकीकतAI हमलावरों को तेज़ी से कोड लिखने और झांसा देने में मदद कर सकता है। लेकिन ज़्यादातर हमलों में अब भी जाने-पहचाने तरीके इस्तेमाल होते हैं, और बुनियादी बचाव अब भी काम करते हैं।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 3

काम आने वाले बचाव

पुष्टि करना, फ़िशिंग-सुरक्षित साइन-इन और AI युग की ट्रेनिंग

  1. पाठ 132: अलग माध्यम से पुष्टि करें: कॉलबैक का नियमजब कोई अनुरोध जोखिम भरा हो, तो किसी ऐसे दूसरे माध्यम से उसकी पुष्टि करें जिस पर आप पहले से भरोसा करते हों। यहां जानें कि पुष्टि करने की ऐसी प्रक्रिया कैसे तैयार करें जिसे लोग सच में इस्तेमाल करें।शुरुआती5 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 133: फ़िशिंग-सुरक्षित साइन-इन: passkeys और security keysOTP, SMS कोड और पुश अप्रूवल को फ़िशिंग से चुराया जा सकता है या बार-बार भेजकर तंग किया जा सकता है। Passkeys और security keys सिर्फ़ असली वेबसाइट पर ही काम करते हैं। जानिए ऐसा क्यों है, और इन्हें कैसे लागू करें।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 134: AI स्कैम के दौर के लिए लोगों को ट्रेनिंग देनापुरानी जागरूकता ट्रेनिंग में कहा जाता था 'स्पेलिंग की गलतियां ढूंढो'। नई ट्रेनिंग लोगों को सिखाती है कि अनुरोधों की जांच करें, तुरंत रिपोर्ट करें और कभी शर्मिंदा न हों। इसे अपडेट करने का तरीका यहां दिया गया है।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट

शुरू होता है: शुरुआती19 पाठ5 यूनिट्स

Agent सुरक्षा

उन सभी के लिए जो AI agents बनाते या चलाते हैं। आप देखेंगे कि agents पर हमले कैसे होते हैं, पुराने सुरक्षा नियम क्यों कम पड़ जाते हैं, और कौन-से बचाव सच में टिकते हैं।

आप क्या कर पाएंगे
  • किसी agent की trust boundary खींचें और पता लगाएं कि गैर-भरोसेमंद टेक्स्ट कहां से अंदर आता है
  • Prompt injection, lethal trifecta और डेटा लीक होने के खामोश तरीकों को पहचानें
  • Sandboxing, least privilege और असली इंसानी मंज़ूरी से नुकसान को सीमित करें
  • अपने खुद के agents की निगरानी करें, red-team करें और घटनाओं से निपटें
  • उन मुख्य दस्तावेज़ों को जानें जिनका हवाला लोग AI जोखिमों के बारे में देते हैं
ट्रैक शुरू करें →
यूनिट और पाठ देखें

यूनिट 1

Agents सुरक्षा को क्यों बदल देते हैं

वह एक विचार जिस पर आगे का हर पाठ टिका है।

  1. पाठ 7: पुराने सुरक्षा नियम काम करना क्यों बंद कर देते हैंतीस साल की सुरक्षा समझ यह मानकर चलती है कि कोड और डेटा अलग-अलग चीज़ें हैं। Agents दोनों को एक ही बर्तन में डालकर मिला देते हैं।शुरुआती5 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 8: Trust boundaryएक विचार, जिसे एक बार तय किया जाए, और जिस पर अगले पंद्रह मॉड्यूल निर्भर हैं। भरोसेमंद निर्देश कहां खत्म होते हैं और गैर-भरोसेमंद सामग्री कहां से शुरू होती है?शुरुआती6 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 2

हमले कैसे काम करते हैं

Injection, लीक और ज़रूरत से ज़्यादा ताक़त वाले agents।

  1. पाठ 9: Prompt injection, करीब सेAI कमज़ोरियों की हर गंभीर सूची में सबसे बड़ा जोखिम। एक लाइव हमले को चरण-दर-चरण देखें और फिर बचाव चालू करें।शुरुआती6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 10: Indirect injection: अदृश्य नोटहमलावर आपके agent से कभी बात नहीं करता। वे बस कहीं ऐसा नोट छोड़ देते हैं जिसे आपका agent कभी-न-कभी पढ़ेगा, और फिर वे इंतज़ार करते हैं।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 11: The lethal trifectaतीन ऐसी क्षमताएं जो अपने आप में बिल्कुल ठीक हैं। तीनों को एक ही agent में डाल दें तो आपने डेटा चोरी करने वाली मशीन बना दी है। स्विच ऑन करें और देखें।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  4. पाठ 12: डेटा असल में बाहर कैसे निकलता हैExfiltration शायद ही कभी किसी फ़ाइल अपलोड जैसा दिखता हो। यह किसी तस्वीर, लिंक या थोड़े अजीब सर्च जैसी लग सकती है। इस चाल को समझने के लिए हर चैनल पर क्लिक करें।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट
  5. पाठ 13: Excessive agency और blast radiusAgent से जुड़ी ज़्यादातर तबाही कोई चालाक हमले नहीं होतीं। वे एक साधारण गलती होती हैं जो किसी ऐसी परमिशन से टकरा जाती है जिसके बारे में किसी ने सोचा भी नहीं था। नीचे एक agent बनाएं और देखें कि नुकसान का आंकड़ा कैसे बढ़ता है।मध्यम7 मिनट का पाठ🧪 लैब📝 टेस्ट
  6. पाठ 14: The confused deputyआपके agent के पास वे अधिकार हैं जो आपके यूज़र के पास नहीं हैं। हमलावर जो खुद कोई दरवाज़ा नहीं खोल सकता, वह बस agent से उसे खोलने के लिए कह देता है।मध्यम4 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 3

वे हमले जो टिके रहते हैं और फैलते हैं

ज़हरीले टूल्स, ज़हरीली मेमोरी और agent-से-agent हमले।

  1. पाठ 15: सप्लाई चेन: प्लगइन्स, MCP सर्वर और स्किल्सटूल सर्वर इंस्टॉल करने का मतलब है किसी अनजान व्यक्ति को ऐसा टेक्स्ट बॉक्स थमा देना जो सीधे आपके agent के दिमाग में लिखता है। ज़्यादातर लोग इन्हें ब्राउज़र एक्सटेंशन की तरह इंस्टॉल कर लेते हैं।एडवांस्ड4 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 16: Memory poisoningएक आम हमला बातचीत खत्म होते ही खत्म हो जाता है। लेकिन जो हमला लॉन्ग-टर्म मेमोरी तक पहुंच जाए, वह कभी खत्म नहीं होता।एडवांस्ड5 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 17: Agents के बीच फैलने वाले हमलेजब agents आपस में बात करते हैं, तो एक ज़हरीला मैसेज उस पूरे सिस्टम में फैल सकता है जिसे भनक तक नहीं होती कि उस पर हमला हुआ है।एडवांस्ड5 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 4

वे बचाव जो काम आते हैं

Sandboxes, मंज़ूरी, guardrails, पहचान और लॉगिंग।

  1. पाठ 18: Sandboxing: बिना खिड़कियों वाला कमराआप एजेंट को बेवकूफ बनने से नहीं रोक सकते। लेकिन जब ऐसा हो, तब वह किस कमरे में खड़ा है, यह आप तय कर सकते हैं।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 19: लूप में इंसान को बनाए रखनाइंसान की मंज़ूरी वाला कदम आपका सबसे मज़बूत कंट्रोल है और इसे बिगाड़ना सबसे आसान है। सारा फर्क बस इस बात से पड़ता है कि आप डायलॉग बॉक्स कैसे लिखते हैं।शुरुआती5 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 20: Guardrails, और वे कैसे लीक होते हैंफ़िल्टर, क्लासिफ़ायर और सेफ़्टी प्रॉम्प्ट्स रखना फ़ायदेमंद है। बस इस बात को लेकर ईमानदार रहें कि वे क्या हैं: वे स्पीड ब्रेकर हैं, दीवारें नहीं।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  4. पाठ 21: सीक्रेट्स, पहचान और असल में एजेंट कौन हैएजेंट का हर एक्शन किसी न किसी रूप में होता है। उस पहचान को सही रखना ही ऑडिट ट्रेल और हाथ खड़े कर देने के बीच का फर्क है।एडवांस्ड5 मिनट का पाठ🧪 लैब📝 टेस्ट
  5. पाठ 22: आपका एजेंट क्या कर रहा है, उस पर नज़र रखनाजिस चीज़ को आपने रिकॉर्ड ही नहीं किया, उसकी आप जांच नहीं कर सकते। एजेंट्स बहुत सारी एक्टिविटी करते हैं, और उनमें से लगभग कुछ भी डिफ़ॉल्ट रूप से लॉग नहीं होता।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 5

परखें, कार्रवाई करें और नियमों का पालन करें

अपने खुद के agent पर हमला करके देखें, घटनाओं की योजना बनाएं, और फ़्रेमवर्क को समझें।

  1. पाठ 23: अपने ही एजेंट की रेड-टीमिंग करनाइससे पहले कि कोई और हमला करे, आप खुद हमला करें। यहाँ एक पक्की लिस्ट है जिसे आप आज दोपहर अपने सिस्टम पर चला सकते हैं।एडवांस्ड7 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 24: जब सब गड़बड़ हो जाए: रिस्पॉन्स और किल स्विचमान कर चलें कि कोई घटना होगी ही। प्लान अभी लिखें, जब कहीं कोई आग नहीं लगी है और आप शांति से सोच सकते हैं।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 25: वे नियम जिनका हर कोई असल में ज़िक्र करता हैAI के जोखिम पर होने वाली हर गंभीर बातचीत में तीन दस्तावेज़ सामने आते हैं। यहाँ आसान भाषा में बताया गया है कि हर दस्तावेज़ किसलिए है।मध्यम7 मिनट का पाठ🧪 लैब📝 टेस्ट

शुरू होता है: मध्यम11 पाठ4 यूनिट्स

AI ऐप्लिकेशन्स को सुरक्षित करना

डेवलपर्स, AppSec इंजीनियर्स और प्रोडक्ट टीमों के लिए जो चैटबॉट्स, RAG सर्च और अन्य AI फ़ीचर्स बनाते हैं। आप LLM ऐप्लिकेशन्स के लिए OWASP Top 10 के साथ जोखिमों को समझेंगे, किसी फ़ीचर का थ्रेट मॉडल बनाएंगे, मॉडल के आउटपुट और रिट्रीव किए गए डेटा को सुरक्षित तरीके से संभालेंगे, लागत और गलत इस्तेमाल को नियंत्रित करेंगे, और रिलीज़ से पहले और बाद में अपने ऐप की टेस्टिंग और निगरानी करेंगे।

आप क्या कर पाएंगे
  • इस ट्रैक के बाद आप LLM ऐप्लिकेशन्स के लिए OWASP Top 10 के हर जोखिम को समझा सकेंगे और बता सकेंगे कि कौन से कंट्रोल्स इसे ठीक करते हैं।
  • आप किसी AI फ़ीचर का थ्रेट मॉडल बना सकते हैं: इसका डेटा फ़्लो खींच सकते हैं, ट्रस्ट बाउंड्रीज़ तय कर सकते हैं, एसेट्स के नाम लिख सकते हैं और दुरुपयोग के मामले (abuse cases) लिख सकते हैं।
  • आप मॉडल आउटपुट को अनट्रस्टेड इनपुट मान सकते हैं, सीक्रेट्स और सुरक्षा नियमों को प्रॉम्प्ट्स से बाहर रख सकते हैं, और रिट्रीव किए गए दस्तावेज़ों पर अनुमतियाँ लागू कर सकते हैं।
  • आप टोकन बजट, कोटा और सीमाएं तय कर सकते हैं जो denial-of-wallet हमलों और कभी न खत्म होने वाले लूप्स को रोकते हैं।
  • आप अपनी पाइपलाइन में सुरक्षा टेस्ट जोड़ सकते हैं और पर्सनल डेटा का ध्यान रखते हुए प्रोडक्शन में किसी AI ऐप को लॉग और मॉनिटर कर सकते हैं।
ट्रैक शुरू करें →
यूनिट और पाठ देखें

यूनिट 1

जोखिमों को समझें

AI ऐप के जोखिमों की एक आम लिस्ट, और आपके फ़ीचर के लिए मायने रखने वाले जोखिमों को खोजने का तरीका

  1. पाठ 135: LLM ऐप्लिकेशन्स के लिए OWASP Top 10लार्ज लैंग्वेज मॉडल्स पर बने ऐप्स में दस सबसे बड़े जोखिमों की एक आम लिस्ट। हर एक को एक लाइन में समझें, और जानें कि यह कोर्स इसे कहाँ कवर करता है।मध्यम7 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 136: AI फ़ीचर का थ्रेट मॉडलिंग करनाबनाने से पहले, डेटा कैसे फ़्लो होता है उसका मैप बनाएं, ध्यान दें कि ट्रस्ट कहाँ बदलता है, और पूछें कि क्या गलत हो सकता है। AI फ़ीचर्स के लिए यहाँ एक प्रैक्टिकल तरीका है।मध्यम8 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 2

इनपुट्स, आउटपुट्स और डेटा

मॉडल आउटपुट को सुरक्षित रूप से संभालें, सीक्रेट्स को प्रॉम्प्ट्स से बाहर रखें, और RAG के पीछे के डेटा की सुरक्षा करें

  1. पाठ 137: मॉडल आउटपुट को अनट्रस्टेड इनपुट की तरह लेंमॉडल का आउटपुट कुछ हद तक उस व्यक्ति द्वारा लिखा जाता है जिसने वह टेक्स्ट लिखा था जिसे मॉडल ने पढ़ा था। किसी भी अन्य कोड द्वारा इस्तेमाल किए जाने से पहले इसे एस्केप करें, वैलिडेट करें और अलाउ-लिस्ट करें।मध्यम8 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 138: सिस्टम प्रॉम्प्ट लीकेज: प्रॉम्प्ट्स कोई सीक्रेट्स नहीं हैंमान कर चलें कि आपका सिस्टम प्रॉम्प्ट यूज़र्स द्वारा पढ़ा जाएगा। कीज़ और सुरक्षा नियमों को इससे बाहर रखें, और जो मायने रखता है उसे कोड में लागू करें।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 139: RAG को सुरक्षित करना: रिट्रीव किए गए दस्तावेज़ों के लिए अनुमतियाँरिट्रीवल तय करता है कि मॉडल क्या देखेगा। अगर रिट्रीवल इस बात को नज़रअंदाज़ करता है कि यूज़र कौन है, तो मॉडल खुशी-खुशी उन दस्तावेज़ों से जवाब दे देगा जिन्हें यूज़र को कभी नहीं पढ़ना चाहिए।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  4. पाठ 140: वेक्टर स्टोर्स और एम्बेडिंग लीक्सएम्बेडिंग्स नंबरों की हानिरहित लिस्ट जैसी दिखती हैं। उनके साथ और उन्हें रखने वाले वेक्टर स्टोर के साथ उतनी ही सावधानी बरतें जितनी असली टेक्स्ट के साथ बरतते हैं।एडवांस्ड6 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 3

लागत, दुरुपयोग और विश्वसनीयता

बढ़ते बिल और गलत इस्तेमाल को रोकें, और ऐसे फ़ीचर्स डिज़ाइन करें जो लोगों को गलत जवाबों पर भरोसा न करने दें

  1. पाठ 141: अनियंत्रित खपत: डिनायल ऑफ वॉलेटहर मॉडल कॉल में पैसे लगते हैं। बिना किसी लिमिट के, एक हमलावर, एक बॉट या लूप में फंसा एक बग आपका बजट फूंक सकता है या हर किसी के लिए फ़ीचर बंद कर सकता है।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 142: AI फ़ीचर्स में गलत जानकारी और ज़रूरत से ज़्यादा भरोसामॉडल्स पूरे आत्मविश्वास के साथ गलत हो सकते हैं। खतरा तब बढ़ता है जब आपका प्रोडक्ट गलत जवाबों को भरोसेमंद दिखाता है, या जब लोग और सिस्टम बिना जांचे उन पर काम करने लगते हैं।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 4

टेस्ट करें और रिलीज़ करें

जानबूझकर अपने ऐप पर हमला करें, सुधारों को अपनी पाइपलाइन में बनाए रखें, और प्रोडक्शन में इस पर नज़र रखें

  1. पाठ 143: AI रेड टीमिंग: तरीके और टूल्सरेड टीमिंग आपके अपने AI सिस्टम पर एक योजनाबद्ध हमला है ताकि दूसरों से पहले कमियों को ढूंढा जा सके। जानें कि इसका दायरा कैसे तय करें, कौन से टूल्स मदद करते हैं, और नतीजों को कैसे मापें और रिपोर्ट करें।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 144: AI पाइपलाइन में सुरक्षा टेस्टिंगरेड टीमिंग से समस्याएं एक बार मिलती हैं। आपकी बिल्ड पाइपलाइन उन्हें ठीक रखती है। कमियों को टेस्ट्स में बदलें, जिन चीज़ों पर आप निर्भर हैं उन्हें स्कैन करें, और जब भी मॉडल बदले दोबारा टेस्ट करें।एडवांस्ड6 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 145: प्रोडक्शन में AI ऐप्स को लॉग और मॉनिटर करनाजिस चीज़ को आपने रिकॉर्ड ही नहीं किया, उसकी आप जांच नहीं कर सकते। हर AI बातचीत के बारे में सही चीज़ें लॉग करें, उन लॉग्स में मौजूद पर्सनल डेटा को सुरक्षित रखें, और गलत इस्तेमाल पर नज़र रखें।मध्यम8 मिनट का पाठ🧪 लैब📝 टेस्ट

शुरू होता है: एडवांस्ड12 पाठ4 यूनिट्स

एंटरप्राइज में एजेंटिक सुरक्षा

सिक्योरिटी आर्किटेक्ट्स, प्लेटफ़ॉर्म और आइडेंटिटी टीमों, सुरक्षा लीडर्स और इंजीनियर्स के लिए जो काम पर AI एजेंट्स तैनात करते हैं: टूल्स वाले असिस्टेंट्स, कोडिंग एजेंट्स, ब्राउज़र एजेंट्स और वर्कफ़्लो एजेंट्स। आप पहले से जानते हैं कि एजेंट्स पर हमले कैसे होते हैं। यहाँ आप सीखते हैं कि अपनी कंपनी में हर एजेंट को कैसे खोजें, हर एक को एक सही पहचान दें, उनके द्वारा इस्तेमाल किए जाने वाले प्रोटोकॉल को मज़बूत करें, सबसे जोखिम भरे एजेंट प्रकारों को नियंत्रित करें, और रोज़ाना उन्हें सुरक्षित रूप से चलाएं और मैनेज करें।

आप क्या कर पाएंगे
  • इस ट्रैक के बाद आप अपनी कंपनी में पहले से इस्तेमाल हो रहे AI टूल्स और एजेंट्स को ढूंढ सकते हैं और हर एक के लिए एक ओनर के साथ एक इन्वेंट्री बना सकते हैं।
  • आप आइडेंटिटी, स्कोप्स और डेलिगेटेड एक्सेस को इस तरह डिज़ाइन कर सकते हैं कि किसी भी एजेंट के पास काम या यूज़र की अनुमति से ज़्यादा एक्सेस कभी न हो।
  • आप पॉइज़निंग, रग पुल्स और रिले किए गए निर्देशों के खिलाफ MCP सर्वर्स, टूल कैटलॉग और एजेंट-टू-एजेंट लिंक्स को मज़बूत कर सकते हैं।
  • आप ब्राउज़र एजेंट्स, कोडिंग एजेंट्स और बिज़नेस-वर्कफ़्लो एजेंट्स पर कंट्रोल्स लगा सकते हैं, और गेटवे की मदद से मॉडल के बाहर नीतियां लागू कर सकते हैं।
  • आप किसी एजेंट की घटना पर रिस्पॉन्स दे सकते हैं और एक मंज़ूरी, समीक्षा और ऑडिट प्रोसेस चला सकते हैं जो NIST AI RMF और ISO/IEC 42001 जैसे फ्रेमवर्क से मेल खाती हो।
ट्रैक शुरू करें →
यूनिट और पाठ देखें

यूनिट 1

हर जगह एजेंट्स

उन एजेंट्स को ढूंढें जो आपके पास पहले से हैं, और हर एक को एक असली पहचान दें

  1. पाठ 146: शैडो AI और एजेंट इन्वेंट्रीआपकी कंपनी के लोग पहले से ही ऐसे AI टूल्स और एजेंट्स का इस्तेमाल कर रहे हैं जिन्हें आपने कभी मंज़ूरी नहीं दी। जिसे आप देख नहीं सकते उसे सुरक्षित नहीं कर सकते, इसलिए पहला काम उन्हें ढूंढना और नोट करना है।मध्यम7 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 147: एजेंट की पहचान: गैर-इंसानी पहचान और कम से कम अधिकार (least privilege)हर एजेंट को अपने नाम से लॉग इन करना चाहिए, कम समय के क्रेडेंशियल्स के साथ और सिर्फ़ उन अनुमतियों के साथ जिनकी उसके काम को ज़रूरत है। इंसानों के शेयर्ड अकाउंट्स और हमेशा चलने वाली कीज़ हर गलती को एक रहस्य बना देती हैं।एडवांस्ड5 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 148: डेलिगेटेड एक्सेस: यूज़र्स की तरफ से काम करनाजब कोई एजेंट किसी व्यक्ति के लिए काम करता है, तो उसके पास उस व्यक्ति की ही अनुमतियाँ होनी चाहिए, जो और भी सीमित हों, कभी बढ़ाई न गई हों। OAuth स्कोप्स, सहमति और ऑडिट इसे सच बनाते हैं।एडवांस्ड6 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 2

प्रोटोकॉल और टूल्स

एजेंट्स जिन रास्तों का इस्तेमाल करते हैं उन्हें सुरक्षित करें: MCP सर्वर्स, टूल कैटलॉग और एजेंट-टू-एजेंट लिंक्स

  1. पाठ 149: MCP सर्वर्स और क्लाइंट्स को मज़बूत करनाModel Context Protocol एजेंट्स में टूल्स को जोड़ना आसान बनाता है। वही आसानी इसका जोखिम है। यहाँ बताया गया है कि अपना डेटा गंवाए बिना किसी कंपनी में MCP कैसे चलाएं।एडवांस्ड7 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 150: टूल पॉइज़निंग और रग पुल्सटूल का विवरण मॉडल द्वारा निर्देशों की तरह पढ़ा जाता है। हमलावर वहाँ गुप्त आदेश छिपा देते हैं, या आपके मंज़ूर करने के बाद किसी भरोसेमंद टूल को बदल देते हैं। यहाँ बताया गया है कि दोनों को कैसे पकड़ा जाए।एडवांस्ड6 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 151: एजेंट-टू-एजेंट प्रोटोकॉल और भरोसाअलग-अलग टीमों और कंपनियों के एजेंट्स अब एक-दूसरे से सीधे बात करने लगे हैं। किसी दूसरे एजेंट का हर मैसेज अनट्रस्टेड इनपुट होता है, चाहे वह कितना भी सही क्यों न लगे।एडवांस्ड5 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 3

ज़्यादा जोखिम वाले एजेंट प्रकार

ब्राउज़र एजेंट्स, कोडिंग एजेंट्स और ऐसे एजेंट्स जो पैसे या लोगों के डेटा का लेन-देन करते हैं

  1. पाठ 152: ब्राउज़र और कंप्यूटर-यूज़ एजेंट्सजो एजेंट्स किसी इंसान की तरह क्लिक, टाइप और स्क्रॉल करते हैं, वे लॉग-इन किए गए ब्राउज़र की हर चीज़ तक पहुँच सकते हैं। उनके द्वारा पढ़ा जाने वाला हर पेज एक संभावित हमलावर हो सकता है।एडवांस्ड6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 153: कोडिंग एजेंट्स: सीक्रेट्स, पैकेज और पुल रिक्वेस्ट्सकोडिंग एजेंट्स आपका कोड पढ़ते हैं, कमांड्स चलाते हैं और पुल रिक्वेस्ट्स खोलते हैं। उनका सामना इश्यूज़ और डिपेंडेंसीज़ में मौजूद अनट्रस्टेड टेक्स्ट से होता है, और वे आपके सीक्रेट्स तक पहुँच सकते हैं। यहाँ बताया गया है कि उन्हें सुरक्षित रूप से कैसे इस्तेमाल करें।एडवांस्ड6 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 154: बिज़नेस वर्कफ़्लो में एजेंट्स: पेमेंट्स, ईमेल और टिकट्सफाइनेंस, HR और सपोर्ट डेस्क वाले एजेंट्स पैसों और लोगों के डेटा से जुड़े काम करते हैं। पुराने बिज़नेस कंट्रोल्स, जैसे maker-checker और अप्रूवल लिमिट्स, यहाँ भी अच्छा काम करते हैं अगर आप उन्हें एजेंट्स पर भी लागू करें।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 4

इसे सुरक्षित रूप से चलाएं

रनटाइम पर नीतियां लागू करें, घटनाओं पर रिस्पॉन्स दें, और समय के साथ एजेंट्स पर निगरानी रखें

  1. पाठ 155: एजेंट्स के लिए रनटाइम सिक्योरिटी: पॉलिसीज़ और गेटवेज़प्रॉम्प्ट में लिखे नियमों को बातों में उलझाकर तोड़ा जा सकता है। लेकिन एजेंट और उसके टूल्स के बीच गेटवे द्वारा लागू किए गए नियमों को नहीं। यहाँ जानें कि उस लेयर को कैसे बनाया जाए।एडवांस्ड7 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 156: एजेंटिक सिस्टम्स के लिए इंसिडेंट रिस्पॉन्सपिछले पाठ में पहले दस मिनट के बारे में बताया गया था। यह पाठ इसे एक कंपनी प्लेबुक में बदलता है: रोल्स, स्टेप्स, सबूत, क्लीन-अप और अभ्यास के लिए एक टेबलटॉप एक्सरसाइज़।एडवांस्ड6 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 157: एजेंट्स पर नियंत्रण: अप्रूवल्स, ऑडिट्स और जवाबदेहीसिक्योरिटी कंट्रोल्स के इर्द-गिर्द एक प्रोसेस की ज़रूरत होती है: एजेंट को कौन मंज़ूरी देता है, यह कितना जोखिम भरा है, इसका ज़िम्मेदार कौन है, और महीनों बाद आप कैसे चेक करते हैं कि यह अभी भी सुरक्षित है।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट

शुरू होता है: मध्यम11 पाठ4 यूनिट्स

सिक्योरिटी डिफेंडर्स के लिए AI

SOC एनालिस्ट्स, इंसिडेंट रिस्पॉन्डर्स, डिटेक्शन इंजीनियर्स, AppSec इंजीनियर्स और सिक्योरिटी में करियर बनाने की सोच रहे छात्रों के लिए। आप सीखेंगे कि AI कहाँ सुरक्षात्मक काम को वास्तव में तेज़ बनाता है, यह कहाँ मनगढ़ंत बातें करता है या इसे धोखा दिया जा सकता है, और हर फ़ैसले के लिए इंसानों को जवाबदेह कैसे बनाए रखें।

आप क्या कर पाएंगे
  • इस ट्रैक के बाद आप अलर्ट्स की समरी बनाने, क्वेरी ड्राफ़्ट करने और रिपोर्ट्स लिखने के लिए AI का उपयोग कर सकेंगे, साथ ही हर तथ्य को असली सबूतों से भी परख सकेंगे।
  • आप AI की मदद से हंट क्वेरीज़, Sigma रूल्स और YARA रूल्स ड्राफ़्ट कर सकेंगे, और उन पर भरोसा करने से पहले उन्हें सैंपल डेटा पर टेस्ट कर सकेंगे।
  • आप अपने खुद के सिस्टम्स पर या जिन्हें टेस्ट करने की आपको अनुमति है, उन पर कोड रिव्यू और वल्नरेबिलिटी ढूँढने के काम में AI का उपयोग कर सकेंगे।
  • आप समझा सकेंगे कि हमलावर लॉग्स को कैसे पॉइज़न करते हैं और AI टूल्स में निर्देश कैसे इंजेक्ट करते हैं, और इसके ख़िलाफ़ गार्डरेल्स डिज़ाइन कर सकेंगे।
  • आप एक निष्पक्ष पायलट के साथ AI सिक्योरिटी टूल्स का मूल्यांकन कर सकेंगे, और AI सिक्योरिटी के काम में अपना रास्ता खुद तय कर सकेंगे।
ट्रैक शुरू करें →
यूनिट और पाठ देखें

यूनिट 1

AI-असिस्टेड SOC

AI किस चीज़ में अच्छा है, सबूतों के साथ ट्राइएज, और गार्डरेल्स वाले एजेंट्स

  1. पाठ 158: डिफेंडर्स के लिए AI क्या कर सकता है और क्या नहींAI पढ़ने, लिखने और समझाने के लिए एक तेज़ मददगार है। यह सच्चाई का अंतिम स्रोत नहीं है। जानें कि सीमा कहाँ है, और डेटा को सुरक्षित रूप से कैसे संभालें।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 159: AI के साथ अलर्ट ट्राइएजट्राइएज का मतलब है तुरंत यह तय करना कि कोई अलर्ट कितना गंभीर है। अगर आप AI को सबूत दें और अंतिम निर्णय अपने पास रखें, तो वह कॉन्टेक्स्ट जुटा सकता है और समरी तैयार कर सकता है।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 160: को-पायलट से एजेंटिक SOC तकएक असिस्टेंट सवालों के जवाब देता है। एक एजेंट जाँच के कदम खुद उठा सकता है। उस ताक़त को गार्डरेल्स, अप्रूवल्स और निगरानी की ज़रूरत होती है।एडवांस्ड6 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 2

हंट और डिटेक्ट

हाइपोथीसिस-आधारित हंटिंग, डिटेक्शन रूल्स और AI की मदद से एनालिसिस

  1. पाठ 161: AI के साथ थ्रेट हंटिंगथ्रेट हंटिंग का मतलब उन हमलावरों को खोजना है जिन्होंने कोई अलर्ट ट्रिगर नहीं किया है। AI किसी आइडिया को क्वेरी में बदलने में मदद कर सकता है, लेकिन आपको इसे टेस्ट ज़रूर करना चाहिए।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 162: AI की मदद से डिटेक्शन इंजीनियरिंगडिटेक्शन इंजीनियर्स हमलावर के व्यवहार को रूल्स में बदलते हैं। AI तेज़ी से रूल्स को ड्राफ़्ट और ट्रांसलेट कर सकता है, लेकिन हर नियम को कोड की तरह टेस्ट और रिव्यू किया जाना चाहिए।एडवांस्ड5 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 163: AI के साथ फ़िशिंग और मैलवेयर एनालिसिसAI संदिग्ध ईमेल की समरी बना सकता है, इंडिकेटर्स निकाल सकता है, स्क्रिप्ट्स समझा सकता है और YARA रूल्स ड्राफ़्ट कर सकता है। सुरक्षित तरीक़े से एनालिसिस करें, और बिना जाँचे इसके फ़ैसले पर कभी भरोसा न करें।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 3

कमज़ोरियों को पहले ढूँढें

हमलावरों से पहले बग्स ढूँढने और ठीक करने के लिए AI का उपयोग करें, सिर्फ़ अनुमति के साथ

  1. पाठ 164: AI की मदद से वल्नरेबिलिटी की खोजफ़ज़र्स और स्टैटिक एनालिसिस टूल्स संभावित बग्स ढूँढते हैं। AI उन्हें सही दिशा दिखाने और रिज़ल्ट्स को छांटने में मदद कर सकता है, लेकिन इंसान ही इनकी पुष्टि करते हैं और ज़िम्मेदारी से रिपोर्ट करते हैं।एडवांस्ड5 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 165: AI के साथ सिक्योर कोड रिव्यूAI कुछ ही सेकंड में सिक्योरिटी से जुड़ी समस्याओं के लिए पुल रिक्वेस्ट्स को रिव्यू कर सकता है। जानें कि यह क्या पकड़ता है, क्या छोड़ देता है, और यह कैसे चेक करें कि कोई समाधान वाकई काम करता है या नहीं।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 4

भरोसा करें, अपनाएं और आगे बढ़ें

AI टूल्स पर हमले, समझदारी से ख़रीदारी, और करियर बनाना

  1. पाठ 166: AI सिक्योरिटी टूल्स पर हमले: पॉइज़न्ड लॉग्स और प्रॉम्प्ट इंजेक्शनएक AI एनालिस्ट ऐसा डेटा पढ़ता है जिसे हमलावर लिख सकते हैं। लॉग्स, ईमेल या फ़ाइल के नामों में छिपे निर्देश इसे धोखा दे सकते हैं। जानें कि यह कैसे होता है, और इससे कैसे बचें।एडवांस्ड5 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 167: AI सिक्योरिटी टूल्स का मूल्यांकन और ख़रीदारीअब कई सिक्योरिटी प्रोडक्ट्स में AI शामिल है। ख़रीदने से पहले सही सवाल पूछें, अपने डेटा पर टेस्ट करें, और एक बेसलाइन से तुलना करें।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 168: AI सिक्योरिटी में करियरAI सिक्योरिटी का दायरा बढ़ रहा है, और इसमें आने के कई रास्ते हैं। मुख्य रोल्स, सीखी जाने वाली स्किल्स, और अपने काम को सुरक्षित और नैतिक तरीक़े से प्रदर्शित करना सीखें।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट

शुरू होता है: एडवांस्ड11 पाठ4 यूनिट्स

मॉडल और डेटा सिक्योरिटी

उन कंपनियों के ML इंजीनियर्स, MLOps और प्लेटफ़ॉर्म टीमों, सिक्योरिटी आर्किटेक्ट्स और रिस्क व कंप्लायंस से जुड़े लोगों के लिए जो AI मॉडल्स को ट्रेन, फ़ाइन-ट्यून या होस्ट करते हैं। आप सीखेंगे कि मॉडल्स पर खुद कैसे हमले होते हैं, AI सप्लाई चेन और ट्रेनिंग पाइपलाइन को कैसे सुरक्षित रखा जाए, पर्सनल डेटा को सुरक्षित रूप से कैसे संभाला जाए, और जाने-माने फ़्रेमवर्क्स और कानूनों का उपयोग करके AI सिक्योरिटी प्रोग्राम कैसे चलाया और साबित किया जाए।

आप क्या कर पाएंगे
  • इस ट्रैक के बाद आप adversarial examples, data poisoning, backdoors, model extraction और membership inference को समझा सकेंगे, और व्यावहारिक बचाव के तरीक़े चुन सकेंगे।
  • आप मॉडल्स को सुरक्षित रूप से लोड कर सकेंगे, उनके हैश और सिग्नेचर को वेरिफ़ाई कर सकेंगे, और AI bill of materials में किसी मॉडल का ब्योरा दे सकेंगे।
  • आप डेटासेट एक्सेस से लेकर रिलीज़ गेट्स और प्रोटेक्टेड वेट्स तक, एक ट्रेनिंग और फ़ाइन-ट्यूनिंग पाइपलाइन को सुरक्षित कर सकेंगे।
  • आप प्रॉम्प्ट्स, लॉग्स और ट्रेनिंग सेट्स में पर्सनल डेटा को कम कर सकेंगे, और differential privacy और federated learning जैसे प्राइवेसी टूल्स को समझा सकेंगे।
  • आप AI से जुड़े काम को NIST AI RMF, ISO/IEC 42001, EU AI Act और भारत के DPDP Act से जोड़ सकेंगे, और 90 दिनों का AI सिक्योरिटी प्रोग्राम शुरू कर सकेंगे।
ट्रैक शुरू करें →
यूनिट और पाठ देखें

यूनिट 1

मॉडल्स पर हमले

मॉडल को खुद कैसे बेवकूफ़ बनाया, बिगाड़ा या कॉपी किया जा सकता है

  1. पाठ 169: Adversarial examples: मॉडल को बेवकूफ़ बनानाइनपुट में एक छोटा, सोच-समझकर किया गया बदलाव मॉडल के जवाब को पूरी तरह बदल सकता है। जानें कि ऐसा क्यों होता है, यह कहाँ मायने रखता है, और बचाव के उपाय वास्तव में क्या हासिल करते हैं।मध्यम7 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 170: डेटा पॉइज़निंग और बैकडोर्सअगर हमलावर उस चीज़ को बदल सकते हैं जिससे मॉडल सीखता है, तो वे उसके व्यवहार को भी बदल सकते हैं। जानें कि पॉइज़निंग और छिपे हुए ट्रिगर्स कैसे काम करते हैं, और अपने डेटा की सुरक्षा कैसे करें।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 171: मॉडल्स और ट्रेनिंग डेटा की चोरीAPI के पीछे मौजूद मॉडल खुद को और उस डेटा को लीक कर सकता है जिससे उसने सीखा है। model extraction, membership inference और memorisation के बारे में जानें, और उन कंट्रोल्स के बारे में जो इन्हें कम करते हैं।एडवांस्ड6 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 2

AI सप्लाई चेन

मॉडल्स और डेटा कहाँ से आते हैं, और उन पर भरोसा कैसे किया जाए

  1. पाठ 172: कोड रन करने वाली मॉडल फ़ाइलें: pickle और safetensorsकुछ मॉडल फ़ाइल फ़ॉर्मैट लोड करते ही कोड रन कर सकते हैं। जानें कि ऐसा क्यों होता है, और मॉडल्स को सुरक्षित रूप से कैसे लोड करें।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 173: Provenance: मॉडल्स को साइन करना और AI bill of materialsजिस मॉडल को आप ट्रेस नहीं कर सकते, उस पर भरोसा नहीं किया जा सकता। हैश, साइनिंग, बिल्ड प्रोवेनेंस और AI bill of materials के बारे में जानें।एडवांस्ड7 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 174: ट्रेनिंग और फ़ाइन-ट्यूनिंग पाइपलाइन को सुरक्षित करनाआपके मॉडल को तैयार करने वाली पाइपलाइन हमलावरों का एक बड़ा निशाना होती है। डेटा, कंप्यूट, सीक्रेट्स, चेकपॉइंट्स और रिलीज़ को सुरक्षित करना सीखें।एडवांस्ड5 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 3

AI के लिए प्राइवेसी

पर्सनल डेटा का इस्तेमाल सिर्फ़ वहीं करें जहाँ ज़रूरत हो, और जहाँ करें वहाँ इसे सुरक्षित रखें

  1. पाठ 175: प्राइवेसी-प्रिज़र्विंग मशीन लर्निंगDifferential privacy, federated learning, anonymisation और synthetic data: इनमें से हर एक वास्तव में क्या सुरक्षित रखता है, और इसकी क्या क़ीमत चुकानी पड़ती है।एडवांस्ड5 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 176: प्रॉम्प्ट्स, लॉग्स और ट्रेनिंग डेटा में पर्सनल डेटाप्रॉम्प्ट्स, लॉग्स और डेटासेट्स के ज़रिए पर्सनल डेटा AI सिस्टम में लीक हो जाता है। इसे कम करना, हटाना (redact करना), रखने की समय-सीमा तय करना और लोगों के अधिकारों का सम्मान करना सीखें।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 4

नियंत्रण रखें और साबित करें

फ़्रेमवर्क्स, कानून और एक प्रोग्राम जो यह दिखाता है कि आपका AI नियंत्रण में है

  1. पाठ 177: AI रिस्क फ़्रेमवर्क्स: NIST AI RMF और ISO/IEC 42001व्यापक रूप से उपयोग किए जाने वाले दो फ़्रेमवर्क आपको AI रिस्क से जुड़े काम को व्यवस्थित करने और दूसरों के सामने इसे साबित करने में मदद करते हैं। जानें कि वे क्या हैं और सिक्योरिटी टीमें उनका उपयोग कैसे करती हैं।एडवांस्ड5 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 178: सिक्योरिटी टीमों के लिए EU AI Act और भारत के नियमसामान्य शब्दों में, AI को सुरक्षित करने वाली टीमों के लिए EU AI Act और भारत के डेटा व साइबर नियमों का क्या मतलब है। हमेशा लीगल काउंसल से मौजूदा नियमों की पुष्टि करें।एडवांस्ड6 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 179: AI सिक्योरिटी प्रोग्राम चलानासब कुछ एक साथ लाएं: इन्वेंट्री, रिस्क टियर्स, पॉलिसीज़, सिक्योर डेवलपमेंट, टेस्टिंग, मॉनिटरिंग, रिस्पॉन्स और रिपोर्टिंग, साथ ही शुरू करने के लिए 90-दिन का प्लान।एडवांस्ड7 मिनट का पाठ🧪 लैब📝 टेस्ट

शुरू होता है: मध्यम8 पाठ3 यूनिट्स

AI, काम और पैसा

नौकरी करने वाले, छोटा बिज़नेस चलाने वाले या करियर चुनने वाले किसी भी व्यक्ति के लिए। यह बताता है कि AI नौकरियों के अंदर के कामों को कैसे बदलता है, इसका अच्छा और ईमानदारी से उपयोग कैसे करें, वास्तव में इस पर कितना ख़र्च आता है, और आपके पैसे ऐंठने के लिए AI शब्द का इस्तेमाल करने वाले स्कैम्स से कैसे बचें।

आप क्या कर पाएंगे
  • इस ट्रैक के बाद आप अपनी नौकरी को अलग-अलग कामों में बांट सकेंगे और देख सकेंगे कि उनमें से किन कामों को AI बदल सकता है
  • आप ऐसी स्किल्स सीखने का एक आसान, व्यावहारिक प्लान बना सकते हैं जिनकी वैल्यू समय के साथ बढ़ती है
  • आप काम पर या किसी छोटे कारोबार में ज़िम्मेदारी से, जाँच-परख और ईमानदारी के साथ AI टूल्स का इस्तेमाल कर सकते हैं
  • आप समझा सकते हैं कि AI सच में मुफ़्त क्यों नहीं है और इसे चलाने में कितना ख़र्च आता है
  • आप AI से जुड़े निवेश घोटालों के चेतावनी संकेतों को पहचान सकते हैं और जान सकते हैं कि इनकी शिकायत कहाँ करें
ट्रैक शुरू करें →
यूनिट और पाठ देखें

यूनिट 1

AI और आपकी नौकरी

क्या बदलता है, किसकी अहमियत बढ़ती है, और काम पर AI का सही इस्तेमाल कैसे करें

  1. पाठ 180: AI नौकरियों को कैसे बदलता हैAI शायद ही कभी पूरी नौकरी को एक झटके में ख़त्म करता है। यह नौकरियों के अंदर के कामों को बदलता है। यह जानकर कि किन कामों पर असर पड़ेगा, आप शांति से योजना बना सकते हैं।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 181: काम पर AI के लिए तैयार होनाAI के आने पर कुछ हुनर की कद्र और बढ़ जाती है। घबराने से बेहतर है कि धीरे-धीरे और लगातार सीखने की योजना बनाई जाए।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 182: काम पर AI का ज़िम्मेदारी से इस्तेमालAI घंटों का समय बचा सकता है। लेकिन यह गोपनीय बातें लीक कर सकता है, गलतियाँ फैला सकता है और भरोसे को चोट पहुँचा सकता है। कुछ आदतें आपको सही और सुरक्षित रास्ते पर रखती हैं।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 2

कारोबार और अर्थव्यवस्था में AI

छोटे कारोबार में इसके इस्तेमाल, AI की असली लागत, और अर्थव्यवस्था की बड़ी तस्वीर

  1. पाठ 183: AI की मदद से छोटा कारोबार बढ़ानादुकानें, ट्यूशन सेंटर, किसान और फ्रीलांसर मार्केटिंग, जवाब देने और कागज़ी काम के लिए AI का इस्तेमाल कर सकते हैं। यह सबसे ज़्यादा मददगार तब होता है जब आप इसकी सीमाएँ जानते हों।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 184: AI की असली लागत क्या हैकई AI ऐप्स मुफ़्त लगते हैं। लेकिन इन्हें चलाने में महँगी चिप्स, बिजली और लोगों की मेहनत लगती है। ख़र्च कोई न कोई तो उठाता ही है, और यह जानना काम आता है कि वह कौन है।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 185: AI और व्यापक अर्थव्यवस्थाAI कामकाज को और असरदार बना सकता है। फ़ायदा किसे होगा, नुक़सान किसे होगा और यह कितनी तेज़ी से होगा, यह अभी तय नहीं है। यहाँ बताया गया है कि इस बारे में साफ़ तौर पर कैसे सोचें।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 3

अपने पैसों और अपने भविष्य की सुरक्षा

AI निवेश घोटालों से बचें और AI में करियर के रास्ते तलाशें

  1. पाठ 186: AI से जुड़े पैसों के घोटाले और निवेश का बढ़ा-चढ़ाकर प्रचारधोखेबाज़ों को AI शब्द बहुत पसंद आता है। फ़र्ज़ी ट्रेडिंग बॉट्स, पंप-एंड-डंप स्कीमों और AI-washing के चेतावनी संकेतों को समझें। यह जानकारी सिखाने के मकसद से है, कोई वित्तीय सलाह नहीं।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 187: भारत और दुनिया भर में AI के क्षेत्र में करियरAI में करियर सिर्फ़ कोडिंग करने वालों के लिए नहीं है। यहाँ मुख्य रोल, उनमें जाने के सही रास्ते और मुफ़्त में शुरुआत करने की जगहें बताई गई हैं, बिना किसी झूठे वादे के।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट

शुरू होता है: मध्यम8 पाठ3 यूनिट्स

AI के नियम और समाज

उन नागरिकों, छात्रों, माता-पिता और कामकाजी लोगों के लिए जो समाज पर AI के असर को समझना चाहते हैं। यह समझाता है कि AI कैसे पक्षपाती हो सकता है, अपने डेटा पर आपके क्या अधिकार हैं, देश कैसे नियम बना रहे हैं, और AI रचनाकारों, चुनावों, स्कूलों व पर्यावरण को कैसे प्रभावित करता है। यह उन सवालों पर संतुलित नज़रिया देता है जिन पर अब भी बहस चल रही है।

आप क्या कर पाएंगे
  • इस ट्रैक के बाद आप समझा सकते हैं कि AI सिस्टम में पक्षपात कैसे आ जाता है और टीमें इसकी जाँच कैसे करती हैं
  • आप भारत के डेटा संरक्षण क़ानून के तहत अपने मुख्य डेटा अधिकारों के बारे में बता सकते हैं और यूरोप के क़ानून से उनकी तुलना कर सकते हैं
  • आप मोटे तौर पर बता सकते हैं कि अलग-अलग देश या क्षेत्र AI के नियमों को लेकर क्या रुख अपनाते हैं
  • आप किसी संदिग्ध सामग्री को शेयर करने से पहले उसकी पड़ताल कर सकते हैं, ख़ासकर चुनावों के दौरान
  • आप रचनाकारों, स्कूलों और पर्यावरण पर AI के प्रभावों पर संतुलित और समझदारी भरी चर्चा कर सकते हैं
ट्रैक शुरू करें →
यूनिट और पाठ देखें

यूनिट 1

बराबरी और आपके अधिकार

AI कैसे पक्षपाती हो सकता है, और अपने डेटा पर आपके क्या अधिकार हैं

  1. पाठ 188: AI में पक्षपात और निष्पक्षताAI इंसानों के बनाए डेटा से सीखता है, इसलिए यह चुपचाप और बड़े पैमाने पर पक्षपाती तौर-तरीकों को दोहरा सकता है। यहाँ बताया गया है कि bias कैसे अंदर आ जाता है और टीमें इसकी जाँच कैसे करती हैं।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 189: आपका डेटा, आपके अधिकारAI डेटा पर चलता है, और यह डेटा अक्सर आपके बारे में होता है। भारत का Digital Personal Data Protection Act, 2023 आपको अपने पर्सनल डेटा पर अधिकार देता है। यूरोप के GDPR से तुलना करते हुए, यहाँ इसकी बुनियादी बातें दी गई हैं।मध्यम7 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 2

क़ानून, मालिकाना हक़ और ज़िम्मेदारी

देश AI के लिए नियम कैसे तय करते हैं, रचनात्मक काम का मालिक कौन है, और गड़बड़ी होने पर जवाबदेही किसकी होती है

  1. पाठ 190: देश AI को कैसे नियंत्रित करते हैंअलग-अलग जगहें AI को नियंत्रित करने के लिए अलग-अलग रास्ते चुन रही हैं। EU जोखिम के स्तरों का इस्तेमाल करता है; दूसरे देश मौजूदा क़ानूनों और ख़ास नियमों पर ज़्यादा भरोसा करते हैं। ये नियम लगातार बदल रहे हैं।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 191: कॉपीराइट, रचनाकार और AIAI इंसानों के किए गए भारी-भरकम काम से सीखता है। क्या यह लेखकों, कलाकारों और संगीतकारों के साथ न्याय है? बहुत से सवाल अब भी अनसुलझे हैं। यहाँ इस बहस और रचनाकारों के खुद को सुरक्षित रखने के तरीकों को समझाया गया है।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 192: जब AI से कोई गड़बड़ हो जाए तो ज़िम्मेदार कौनजब कोई AI सिस्टम नुकसान पहुँचाता है, तो “यह कंप्यूटर ने किया” कोई जवाब नहीं होता। जवाबदेही का मतलब है यह जानना कि फ़ैसला कौन लेता है, जाँच कौन करता है और समस्याओं की शिकायत और समाधान कैसे होता है।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 3

सार्वजनिक जीवन में AI

चुनाव और गलत जानकारी, स्कूल व परीक्षाएँ, और पर्यावरण

  1. पाठ 193: गलत जानकारी, deepfakes और चुनावAI फ़र्ज़ी फ़ोटो, आवाज़ों और वीडियो को बहुत सस्ता और बिल्कुल असली जैसा बना देता है। पुष्टि करने की कुछ आदतें आपको, आपके परिवार को और आपके वोट को सुरक्षित रखने में मदद करती हैं।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 194: स्कूलों और परीक्षाओं में AIAI एक धैर्यवान ट्यूटर भी बन सकता है और सीखने की राह रोकने वाला शॉर्टकट भी। यहाँ बताया गया है कि छात्र, माता-पिता और शिक्षक इसका ईमानदारी से इस्तेमाल कैसे कर सकते हैं।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 195: AI और पर्यावरणAI डेटा सेंटरों में चलता है जहाँ बिजली और अक्सर पानी का इस्तेमाल होता है। यह पर्यावरण की रक्षा करने में भी मदद कर सकता है। यहाँ इसके नफ़ा-नुक़सान और इसके लिए क्या किया जा रहा है, वह बताया गया है।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट

शुरू होता है: शुरुआती10 पाठ3 यूनिट्स

AGI

जिज्ञासु लोगों के लिए। AGI से लोगों का क्या मतलब है, इसे कैसे मापा जा सकता है, अभी क्या कमी रह गई है, और इतने ताक़तवर सिस्टम्स को सही दिशा में बनाए रखना क्यों मुश्किल है।

आप क्या कर पाएंगे
  • AGI के मुख्य अर्थ और लोगों के बीच इस पर असहमति की वजहें समझाएँ
  • बेंचमार्क के दावों को समझदारी भरे संदेह के साथ परखें
  • मिसालों के साथ alignment problem और specification gaming को समझाएँ
  • एडवांस्ड सिस्टम्स को नियंत्रण में रखने से जुड़े रिसर्च विचारों की रूपरेखा समझें
ट्रैक शुरू करें →
यूनिट और पाठ देखें

यूनिट 1

AGI का क्या मतलब है

परिभाषाएँ, क्षमताओं की सीढ़ी, और प्रगति को मापना।

  1. पाठ 26: AGI से लोगों का क्या मतलब हैहर कोई इस बात पर बहस करता है कि क्या AGI करीब आ गया है। इस बहस का ज़्यादातर हिस्सा असल में इस बात पर है कि इन अक्षरों का मतलब क्या है।शुरुआती5 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 27: क्षमताओं की सीढ़ीबुद्धिमत्ता कोई एक स्विच नहीं है जो चालू हो जाए। सीढ़ी के अलग-अलग पायदानों पर क्लिक करके देखें कि क्या बदलता है — और निगरानी करने वाले के लिए इसके क्या मायने हैं।शुरुआती5 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 28: हम इसे भला मापेंगे कैसे?जो भी बेंचमार्क मशहूर होता है, मॉडल्स उसे पार कर लेते हैं, और फिर लोग कहते हैं कि वह असल में बुद्धिमत्ता को मापता ही नहीं था। यहाँ बताया गया है कि ऐसा बार-बार क्यों होता है।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 2

हम कहाँ हैं

मॉडल्स इतनी तेज़ी से बेहतर क्यों हुए, और कमियों की सच्ची सूची।

  1. पाठ 29: मॉडल्स अचानक इतने बेहतर क्यों हो गएकोई एक जादुई विचार नहीं। ज़्यादातर तो एक सीधा-सादा जवाब है — हर चीज़ की मात्रा बढ़ाना — साथ ही कुछ ऐसी तरकीबें जिन्होंने एक text predictor को निर्देश मानने वाला बना दिया।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 30: अभी क्या कमी रह गई हैकमियों की सच्ची सूची। ये वो चीज़ें हैं जो आज के सिस्टम नहीं कर सकते, और इनमें से हर एक वजह यह बताती है कि इंसानों की निगरानी क्यों ज़रूरी है।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 3

The alignment problem

सिस्टम से वही करवाना जो आपका असली मतलब था, और अपना नियंत्रण बनाए रखना।

  1. पाठ 31: The alignment problemसिस्टम से वह करवाना जो आपका असली मतलब था, न कि वह जो आपने शब्द-दर-शब्द कहा। कैलकुलेटर के साथ यह आसान है। लेकिन किसी ऐसी चीज़ के साथ बहुत मुश्किल है जो खुद को बेहतर बनाने में लगी हो।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 32: Specification gaming: कमियों का फ़ायदा उठानाकोई दुर्भावना नहीं। कोई बग नहीं। सिस्टम ने बिल्कुल वही किया जिस पर आपने उसे इनाम दिया, और जिस बात पर आपने इनाम दिया उसमें एक शॉर्टकट निकल आया।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 33: लगभग हर लक्ष्य को संसाधनों की ज़रूरत क्यों होती हैएक अजीब और अहम विचार: सिस्टम चाहे जो भी करने की कोशिश कर रहा हो, कुछ छोटे लक्ष्य लगभग सभी के लिए काम आते हैं। लंबी अवधि की चिंता यहीं से पैदा होती है।एडवांस्ड5 मिनट का पाठ🧪 लैब📝 टेस्ट
  4. पाठ 34: टेस्ट में अच्छा दिखनाइस क्षेत्र की सबसे कठिन समस्या: आप उस सिस्टम का मूल्यांकन कैसे करेंगे जिसे पता हो कि उसकी परीक्षा ली जा रही है?एडवांस्ड4 मिनट का पाठ🧪 लैब📝 टेस्ट
  5. पाठ 35: नियंत्रण बनाए रखनाअगर आप किसी सिस्टम की पूरी तरह से पुष्टि नहीं कर सकते, तब भी आप उसकी सीमाएँ तय कर सकते हैं। वे रिसर्च दिशाएँ जो नियंत्रण को दार्शनिक सवाल के बजाय एक इंजीनियरिंग समस्या मानती हैं।एडवांस्ड6 मिनट का पाठ🧪 लैब📝 टेस्ट

शुरू होता है: शुरुआती18 पाठ5 यूनिट्स

एक LLM बनाएँ

प्रैक्टिकल अनुभव, कोड के साथ। आप क़दम-दर-क़दम एक छोटा GPT बनाते हैं — tokenizer, attention, training loop — फिर सीखते हैं कि असली मॉडल्स को कैसे स्केल, ट्यून और सर्व किया जाता है।

आप क्या कर पाएंगे
  • अपने बजट के मुताबिक़ मॉडल का सही साइज़ चुनें
  • एक tokenizer, attention और पूरा छोटा GPT लिखें
  • एक ऐसा मॉडल ट्रेन करें जो converge हो और scaling laws के साथ compute की योजना बनाएँ
  • निर्देशों, preference training और LoRA के ज़रिये fine-tune करें
  • तैयार मॉडल का मूल्यांकन करें, उसका साइज़ छोटा करें और उसे सर्व करें
ट्रैक शुरू करें →
यूनिट और पाठ देखें

यूनिट 1

योजना बनाएँ और टेक्स्ट तैयार करें

चुनें कि क्या बनाना है, फिर टेक्स्ट को संख्याओं में बदलें।

  1. पाठ 36: आप असल में कौन सा LLM बना सकते हैं?लागत के हिसाब से पाँच ईमानदार स्तर हैं, जिनमें तीन से चार गुना का फ़र्क है। कोड की एक भी लाइन लिखने से पहले अपना स्तर चुनें।शुरुआती6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 37: चरण 1 · टोकनाइज़रमॉडल के भाषा देखने से पहले, किसी चीज़ को टेक्स्ट के टुकड़े करने होते हैं। इसे गलत किया, तो आगे की हर चीज़ चुपचाप खराब हो जाएगी।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 38: चरण 2 · एम्बेडिंग और पोज़ीशनटोकन ID को वेक्टर में बदलना, और मॉडल को बताना कि वे किस क्रम में आए थे। दो लुकअप टेबल, एक बारीक विचार।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 2

The transformer

Attention, ब्लॉक, और एक पूरा छोटा GPT।

  1. पाठ 39: चरण 3 · अटेंशन, धीरे-धीरे समझनावह एक विचार जिस पर यह पूरा क्षेत्र टिका है। हर टोकन के तीन वेक्टर, एक डॉट प्रॉडक्ट, एक सॉफ्टमैक्स। इसे समझने के लिए डायग्राम पर क्लिक करें।मध्यम7 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 40: चरण 4 · ट्रांसफॉर्मर ब्लॉकअटेंशन और एक छोटा फ़ीड-फॉरवर्ड नेटवर्क, साथ में दो नॉर्मलाइज़ेशन और दो रेजिड्यूअल कनेक्शन। इसे N बार दोहराएं। यही पूरा मॉडल है।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 41: चरण 5 · एक पूरा छोटा GPTहर हिस्से को जोड़कर बना एक मॉडल जिसे आप आज रात ही ट्रेन कर सकते हैं। 100 से कम लाइनों में, और बनावट में बिल्कुल एक फ्रंटियर मॉडल जैसा।मध्यम7 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 3

बड़े पैमाने पर ट्रेनिंग

कन्वर्ज होने वाले लूप, अच्छा डेटा, कंप्यूट बजट और कई सारे GPU।

  1. पाठ 42: चरण 6 · ट्रेनिंग लूप जो कन्वर्ज होता हैमॉडल बनाना आसान हिस्सा है। यह मॉड्यूल तय करता है कि आपका रन काम करेगा या एक हफ़्ता बर्बाद होगा।मध्यम7 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 43: चरण 7 · डेटा ही असली प्रॉडक्ट हैआर्किटेक्चर लगभग मुफ़्त है — आप इसे कॉपी कर सकते हैं। डेटा वह जगह है जहाँ मॉडल असल में अलग होते हैं, और जहाँ लगभग सारा काम होता है।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 44: चरण 8 · स्केलिंग लॉ और कंप्यूट बजटपैसे खर्च करने से पहले मॉडल का साइज़ और डेटासेट का साइज़ कैसे तय करें। स्लाइडर हिलाएं और बिल देखें।एडवांस्ड6 मिनट का पाठ🧪 लैब📝 टेस्ट
  4. पाठ 45: चरण 9 · कई GPU पर ट्रेनिंगएक मॉडल अब एक कार्ड में नहीं समाता। इसे बांटने के चार तरीके, और उनमें से चुनने का नियम।एडवांस्ड6 मिनट का पाठ🧪 लैब📝 टेस्ट
  5. पाठ 46: चरण 10 · इसे तेज़ बनानावही मॉडल, वही GPU, तीन गुना थ्रूपुट। ज़्यादातर ट्रेनिंग रन इसे यूँ ही छोड़ देते हैं।एडवांस्ड7 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 4

आधुनिक अपग्रेड

आज का ट्रांसफॉर्मर क्या अलग करता है।

  1. पाठ 47: चरण 11 · मॉडर्न आर्किटेक्चर अपग्रेड2019 के ट्रांसफॉर्मर और 2026 के ट्रांसफॉर्मर में क्या फ़र्क है। छह बदलाव, हर एक छोटा, लेकिन मिलकर बहुत बड़ा असर।एडवांस्ड6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 48: चरण 12 · लंबा कॉन्टेक्स्ट4k से 1M टोकन तक जाना कोई एक तरकीब नहीं है। यह चार तरीके हैं, और हर एक की अपनी कीमत है।एडवांस्ड6 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 5

प्री-ट्रेनिंग के बाद

निर्देश, प्राथमिकताएं, रीज़निंग, LoRA और शिप करना।

  1. पाठ 49: चरण 13 · निर्देशों का पालन करना सिखानाएक बेस मॉडल टेक्स्ट पूरा करता है। वह सवालों के जवाब नहीं देता। सुपरवाइज्ड फ़ाइन-ट्यूनिंग वह चरण है जो एक को दूसरे में बदलता है।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 50: चरण 14 · प्रेफ़रेंस ऑप्टिमाइज़ेशनSFT मॉडल को सिखाता है कि एक अच्छा जवाब कैसा दिखता है। प्रेफ़रेंस ट्रेनिंग उसे सिखाती है कि दो अच्छे जवाबों में से कौन सा बेहतर है — और यहीं से उसका अंदाज़ बनता है।एडवांस्ड7 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 51: चरण 15 · रीज़निंग मॉडलसबसे नया अध्याय। बड़े मॉडल के साथ क्षमता खरीदने के बजाय, जवाब देते समय ज़्यादा सोचने की क्षमता जोड़ें।एडवांस्ड6 मिनट का पाठ🧪 लैब📝 टेस्ट
  4. पाठ 52: चरण 16 · LoRA, वह रास्ता जो ज़्यादातर लोग चुनते हैं0.1% पैरामीटर ट्रेन करें, ज़्यादातर फ़ायदा पाएं, वह भी एक आम कंज़्यूमर GPU पर। यह पूरे ट्रैक का सबसे ज़्यादा काम आने वाला मॉड्यूल है।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  5. पाठ 53: चरण 17 · जांचें, छोटा करें, सर्व करेंजिस मॉडल को नापा नहीं गया, वह पूरा नहीं हुआ। जिस मॉडल को चलाने में बहुत ज़्यादा खर्च आता है, वह कभी रिलीज़ नहीं होता। दोनों समस्याएं, एक ही मॉड्यूल में।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट

शुरू होता है: मध्यम11 पाठ4 यूनिट्स

AI एजेंट्स बनाना

उन डेवलपर्स के लिए जो बेसिक Python जानते हैं और जिन्होंने चैटबॉट API का इस्तेमाल किया है। आप स्क्रैच से एक एजेंट लूप लिखेंगे, ऐसे टूल्स और स्कीमा डिज़ाइन करेंगे जिन्हें मॉडल अच्छी तरह इस्तेमाल कर सके, प्लानिंग और मेमोरी जोड़ेंगे, एक छोटा MCP सर्वर लिखेंगे, और सीखेंगे कि कब कई एजेंट्स या कंप्यूटर-यूज़ एजेंट का इस्तेमाल सही रहता है। फिर आप सही लागत, स्पीड और सुरक्षा सीमाओं के साथ एजेंट्स को टेस्ट, डीबग और रन करेंगे, और यह भी सीखेंगे कि कब एजेंट बिल्कुल नहीं बनाना चाहिए।

आप क्या कर पाएंगे
  • इस ट्रैक के बाद आप किसी भी मॉडल प्रोवाइडर का इस्तेमाल करके, स्टॉप कंडीशन्स, स्टेप लिमिट और साफ़ टूल एरर के साथ एक काम करने वाला एजेंट लूप लिख सकते हैं।
  • आप JSON स्कीमा के साथ सीमित और अच्छी तरह समझाए गए टूल्स डिज़ाइन कर सकते हैं, कोड में मॉडल के आर्ग्युमेंट्स की जांच कर सकते हैं और गलत आउटपुट आने पर दोबारा कोशिश कर सकते हैं।
  • आप एजेंट में प्लानिंग और मेमोरी जोड़ सकते हैं, और कम से कम अनुमतियों (लीस्ट प्रिविलेज) वाले एक छोटे MCP सर्वर के ज़रिए अपने टूल्स उपलब्ध करा सकते हैं।
  • आप तय कर सकते हैं कि कब एक एजेंट, कई एजेंट्स, एक तय वर्कफ़्लो या सिर्फ़ एक प्रॉम्प्ट का इस्तेमाल करना है, और उनके नफ़ा-नुकसान समझा सकते हैं।
  • आप ट्रेस और टेस्ट सिनेरियो के ज़रिए किसी एजेंट का मूल्यांकन कर सकते हैं, और उसकी लागत, लेटेंसी और गलतियों को काबू में रख सकते हैं।
ट्रैक शुरू करें →
यूनिट और पाठ देखें

यूनिट 1

एजेंट की बुनियादी बातें

लूप, टूल्स और स्ट्रक्चर्ड मैसेज, जिनसे हर एजेंट बनता है

  1. पाठ 196: कोड में एजेंट लूपएजेंट एक लूप है: मॉडल देखता है, फ़ैसला करता है, काम करता है, और फिर देखता है। स्टॉप कंडीशन्स और स्टेप लिमिट के साथ, यह लूप खुद लगभग 30 लाइनों के Python में लिखें।मध्यम7 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 197: अच्छे टूल्स डिज़ाइन करनामॉडल आपके टूल्स का इस्तेमाल सिर्फ़ उतना ही अच्छा कर सकता है जितना अच्छा आपने उन्हें समझाया है। टूल्स को नाम देना, समझाना और तैयार करना सीखें ताकि मॉडल सही टूल चुने और गलतियों को सुधार सके।मध्यम7 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 198: स्ट्रक्चर्ड आउटपुट और फ़ंक्शन कॉलिंगमॉडल से सादे टेक्स्ट के बजाय मशीन द्वारा पढ़ा जा सकने वाला JSON पाएं, कोड में स्कीमा से उसकी जांच करें, और गलत होने पर साफ़-सुथरे तरीके से दोबारा कोशिश करें।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 2

प्लानिंग और मेमोरी

लंबे कामों को संभालने में एजेंट्स की मदद करें: ऐसे प्लान जिनका वे पालन कर सकें, ऐसी मेमोरी जिसे वे इस्तेमाल कर सकें, और ऐसे टूल्स जिन्हें वे शेयर कर सकें

  1. पाठ 199: प्लानिंग और काम को टुकड़ों में बांटनालंबे काम तब बेहतर होते हैं जब एजेंट उन्हें छोटे कदमों में बांट लेता है। पहले से प्लान बनाने और कदम दर कदम फ़ैसला लेने की तुलना करें, और सीखें कि प्लान कब बदलना है।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 200: प्रैक्टिस में एजेंट मेमोरीकॉन्टेक्स्ट विंडो भर जाती हैं। एजेंट मेमोरी के चार आम प्रकार बनाएं — रीसेंट विंडो, समरी, एक नोट्स फ़ाइल और रिट्रीवल — और तय करें कि क्या भूलना है।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 201: अपना खुद का MCP सर्वर लिखनाModel Context Protocol किसी भी कम्पैटिबल ऐप को आपके टूल्स इस्तेमाल करने देता है। सीखें कि एक सर्वर क्या दिखाता है, यह कैसे बनता है, और इसे कम से कम अनुमतियों तक कैसे सीमित रखा जाए।मध्यम7 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 3

कई एजेंट्स और असली काम

एजेंट्स की टीमें, स्क्रीन का इस्तेमाल करने वाले एजेंट्स, और कुछ आसान चुनने की समझदारी

  1. पाठ 202: कई एजेंट्स को एक साथ संभालनाएक एजेंट काम के कुछ हिस्से दूसरों को सौंप सकता है। ऑर्केस्ट्रेटर-वर्कर पैटर्न और हैंडऑफ़ सीखें, और यह भी कि कब ज़्यादा एजेंट्स मदद करते हैं या सिर्फ़ खर्च और उलझन बढ़ाते हैं।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 203: कंप्यूटर-यूज़ एजेंट बनानाकुछ एजेंट्स स्क्रीन के ज़रिए काम करते हैं: वे स्क्रीनशॉट देखते हैं, फिर क्लिक और टाइप करते हैं। इस लूप को समझें, यह जानें कि इसे सैंडबॉक्स में क्यों चलना चाहिए, और पुष्टि कब मांगनी चाहिए।एडवांस्ड7 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 204: एजेंट कब नहीं बनाना चाहिएएजेंट्स असरदार होते हैं लेकिन धीमे, महंगे और कम भरोसेमंद होते हैं। अक्सर एक अकेला प्रॉम्प्ट या एक तय वर्कफ़्लो काम को बेहतर तरीके से करता है। यहाँ जानें कि कैसे चुनें।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 4

इसे शिप करें

एजेंट्स को टेस्ट, डीबग और रन करें ताकि वे काम के, किफ़ायती और भरोसेमंद हों

  1. पाठ 205: एजेंट्स का मूल्यांकन और डीबगिंगजिसे आप नाप नहीं सकते, उसे सुधार नहीं सकते। हर रन के ट्रेस रिकॉर्ड करें, टेस्ट सिनेरियो बनाएं, टास्क की सफलता नापें, और क्या गलत हुआ यह देखने के लिए रन को दोबारा चलाएं।मध्यम7 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 206: एजेंट्स के लिए लागत, लेटेंसी और विश्वसनीयताएजेंट्स कई कॉल करते हैं, इसलिए छोटी-छोटी लागत और देरी जुड़कर बड़ी हो जाती हैं। बजट, कैशिंग, पैरेलल टूल कॉल, टाइमआउट, फ़ॉलबैक और किसी इंसान को काम कब सौंपना है, यह सब सीखें।मध्यम7 मिनट का पाठ🧪 लैब📝 टेस्ट

शुरू होता है: मध्यम10 पाठ4 यूनिट्स

RAG और सर्च इंजीनियरिंग

उन डेवलपर्स के लिए जो "अपने डॉक्युमेंट्स से चैट करें", सपोर्ट बॉट्स और सर्च बनाते हैं। आप सीखेंगे कि रिट्रीवल कैसे काम करता है, एम्बेडिंग और चंकिंग से लेकर हाइब्रिड सर्च, री-रैंकिंग और संदर्भों के साथ सही जवाब देने तक। फिर आप उलझे हुए असली डॉक्युमेंट्स को संभालेंगे, इंडेक्स को अपडेट रखेंगे, ज़रूरत पड़ने पर SQL या ग्राफ़ का इस्तेमाल करेंगे, और अंदाज़े के बजाय नंबरों से क्वालिटी नापेंगे।

आप क्या कर पाएंगे
  • इस ट्रैक के बाद आप समझा सकते हैं कि रिट्रीवल कब फ़ाइन-ट्यूनिंग से बेहतर विकल्प है, और कब नहीं।
  • आप काम के मेटाडेटा के साथ डॉक्युमेंट्स के टुकड़े (चंक) कर सकते हैं, और रेसिप्रोकल रैंक फ़्यूज़न के साथ कीवर्ड सर्च और वेक्टर सर्च को मिला सकते हैं।
  • आप री-रैंकिंग और क्वेरी रीराइटिंग जोड़ सकते हैं, जिसमें भारतीय भाषाओं और लिप्यंतरित (ट्रांसलिटरेटेड) क्वेरीज़ भी शामिल हैं।
  • आप संदर्भों के साथ सही जवाब देने के लिए प्रॉम्प्ट लिख सकते हैं, ईमानदारी से "नहीं मिला" कह सकते हैं, और कोड में दावों की जांच कर सकते हैं।
  • आप एक गोल्डन क्वेश्चन सेट बना सकते हैं और recall@k, MRR और जवाब की प्रामाणिकता नाप सकते हैं।
ट्रैक शुरू करें →
यूनिट और पाठ देखें

यूनिट 1

रिट्रीवल की बुनियादी बातें

हम दोबारा ट्रेन करने के बजाय सर्च क्यों करते हैं, एम्बेडिंग मिलता-जुलता टेक्स्ट कैसे ढूंढती हैं, और डॉक्युमेंट्स के अच्छे टुकड़े कैसे करें

  1. पाठ 207: रिट्रीवल दोबारा ट्रेनिंग से बेहतर क्यों हैकोई मॉडल केवल वही जानता है जो उसने ट्रेनिंग में देखा था। Retrieval उसे जवाब देते समय आपके ताज़ा और प्राइवेट दस्तावेज़ पढ़ने देता है, और यह दिखाता है कि हर जवाब कहाँ से आया।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 208: Embeddings और similarity searchएक embedding टेक्स्ट को नंबरों की लिस्ट में बदल देती है, ताकि मिलते-जुलते मतलब वाले टेक्स्ट एक-दूसरे के पास आ जाएँ। जानें कि similarity कैसे नापी जाती है और सर्च कैसे तेज़ बनी रहती है।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 209: दस्तावेज़ों की सही chunkingसर्च पूरे दस्तावेज़ नहीं, बल्कि chunks (टुकड़े) ढूंढती है। आप टेक्स्ट को कैसे काटते हैं, इसी से तय होता है कि क्या ढूंढा जा सकेगा। साइज़, overlap, हेडिंग के हिसाब से बांटना और काम का metadata सीखें।मध्यम8 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 2

बेहतर सर्च

कीवर्ड और वेक्टर को मिलाएं, नतीजों को री-रैंक करें, मुश्किल क्वेरीज़ को दोबारा लिखें, और सिर्फ़ उसी से जवाब दें जो आपको मिला है

  1. पाठ 210: Hybrid search: कीवर्ड्स और vectors दोनोंKeyword search सटीक शब्दों, कोड और नामों के लिए बेहतरीन है। Vector search मतलब समझने में माहिर है। Hybrid search दोनों को चलाती है और नतीजों को आपस में जोड़ देती है।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 211: Re-ranking और query rewritingपहली सर्च एक बड़ा जाल फेंकती है। Re-ranker हर उम्मीदवार नतीजे को ध्यान से पढ़ता है और सबसे अच्छे नतीजे को सबसे ऊपर रखता है। Query rewriting उन सवालों को सुधारती है जो अस्पष्ट, छोटे या किसी दूसरी भाषा या लिपि में होते हैं।मध्यम8 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 212: सोर्स के हवाले (citations) के साथ सटीक जवाबसही टेक्स्ट ढूंढना सिर्फ आधा काम है। बाकी आधा काम ऐसा जवाब देना है जो सिर्फ उसी टेक्स्ट का इस्तेमाल करे, ज़रूरत पड़ने पर "नहीं मिला" कहे, और अपने सोर्स दिखाए ताकि लोग जांच सकें।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 3

असली डेटा

PDF, स्कैन और टेबल को संभालें, बदलते डॉक्युमेंट्स के साथ इंडेक्स को अपडेट रखें, और जब वे बेहतर बैठें तो SQL या ग्राफ़ का इस्तेमाल करें

  1. पाठ 213: टेबल्स, PDF और उलझे हुए दस्तावेज़असली दस्तावेज़ स्कैन किए हुए, कई कॉलम वाले, टेबल्स और तस्वीरों से भरे होते हैं। RAG की ज़्यादातर गड़बड़ियाँ सर्च शुरू होने से पहले यहीं से शुरू होती हैं।मध्यम7 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 214: इंडेक्स को हमेशा ताज़ा रखनादस्तावेज़ बदलते हैं, डिलीट होते हैं और उनके नए वर्शन आते हैं। आपके इंडेक्स को भी इनके साथ अपडेट होना चाहिए, वरना बॉट पूरे आत्मविश्वास से ऐसे नियम बताने लगेगा जो अब मौजूद ही नहीं हैं।मध्यम7 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 215: Knowledge graphs और structured retrievalकुछ सवाल किसी पैराग्राफ को ढूंढने के बारे में नहीं, बल्कि गिनने, फ़िल्टर करने और तथ्यों को जोड़ने के बारे में होते हैं। उनके लिए SQL या graph, vector search को पछाड़ सकते हैं।एडवांस्ड7 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 4

इसे नापें

"यह बेहतर लग रहा है" को ऐसे नंबरों में बदलें जिन पर आप भरोसा कर सकें

  1. पाठ 216: Retrieval और जवाबों की क्वालिटी नापनाएक RAG सिस्टम सर्च में या जवाब देने में फ़ेल हो सकता है। दोनों को नापें: retrieval के लिए recall@k और MRR, और जवाबों के लिए faithfulness और correctness, एक golden question set पर।मध्यम8 मिनट का पाठ🧪 लैब📝 टेस्ट

शुरू होता है: मध्यम9 पाठ3 यूनिट्स

AI सिस्टम्स का मूल्यांकन (Evaluation)

उन इंजीनियर्स, प्रोडक्ट मैनेजर्स और रिसर्चर्स के लिए जिन्हें यह तय करना होता है कि क्या कोई AI सिस्टम लॉन्च करने के लिए काफ़ी अच्छा है, या कोई नया मॉडल सच में बेहतर है या नहीं। आप सीखेंगे कि पब्लिक benchmarks आपको क्या बता सकते हैं और क्या नहीं, अपने खुद के टेस्ट सेट कैसे बनाएं, इंसानी raters और AI judges का सोच-समझकर इस्तेमाल कैसे करें, और CI में, लाइव A/B टेस्ट्स में और सुरक्षा के लिए evaluations कैसे चलाएं।

आप क्या कर पाएंगे
  • इस ट्रैक के बाद आप समझा सकेंगे कि जाने-माने benchmarks क्या नापते हैं, स्कोर कैसे गुमराह कर सकते हैं, और टेस्ट डेटा ट्रेनिंग डेटा में कैसे लीक हो जाता है।
  • आप काम शुरू करने से पहले तय कर सकेंगे कि आपके इस्तेमाल के लिए "अच्छा" होने का क्या मतलब है और उसे नापे जा सकने वाले मेट्रिक्स में बदल सकेंगे।
  • आप एक प्राइवेट टेस्ट सेट बना सकेंगे, साफ़-सुथरी लेबलिंग गाइडलाइन्स लिख सकेंगे, और Cohen's kappa की मदद से raters के बीच आपसी सहमति नाप सकेंगे।
  • आप रूब्रिक के साथ किसी LLM को जज के रूप में इस्तेमाल कर सकेंगे, उसके जाने-पहचाने पक्षपातों (biases) की जांच कर सकेंगे, और इंसानी लेबल्स से उसका मिलान कर सकेंगे।
  • आप evals को regression tests की तरह चला सकेंगे, एक सही A/B टेस्ट डिज़ाइन कर सकेंगे, और सिस्टम को हद से ज़्यादा मना करने वाला बनाए बिना सुरक्षा की जांच कर सकेंगे।
ट्रैक शुरू करें →
यूनिट और पाठ देखें

यूनिट 1

मूल्यांकन (Evaluation) मुश्किल क्यों है

पब्लिक स्कोर्स, लीक हुए टेस्ट, और यह तय करना कि आपके लिए "अच्छा" क्या है

  1. पाठ 217: Benchmarks और उनकी सीमाएंMMLU, HumanEval, SWE-bench और LMArena जैसे जाने-माने benchmarks असल में क्या नापते हैं, वे पुराने क्यों पड़ जाते हैं, और हाई स्कोर का यह मतलब क्यों नहीं है कि मॉडल आपका काम कर ही देगा।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 218: Contamination: जब टेस्ट लीक हो गयामॉडल्स इंटरनेट के भारी-भरकम टेक्स्ट से सीखते हैं, जिसमें वही टेस्ट के सवाल भी शामिल हो सकते हैं जिनसे उन्हें परखा जाना है। इसके संकेत पहचानना सीखें, और जानें कि held-out और ताज़ा टेस्ट सेट्स आपको कैसे बचाते हैं।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 219: अपने काम के हिसाब से क्या नापेंएक्यूरेसी सिर्फ़ एक नंबर है। काम पूरा होना, विश्वसनीयता (faithfulness), सुरक्षा, स्पीड, लागत और यूज़र की संतुष्टि—ये सब मायने रखते हैं। बनाने से पहले तय करें कि आपके लिए "अच्छा" क्या है।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 2

Evals तैयार करना

आपका अपना टेस्ट सेट, AI जज और भरोसेमंद इंसानी raters

  1. पाठ 220: अपना खुद का टेस्ट सेट बनानासबसे काम का मूल्यांकन आपके काम से जुड़े असली उदाहरणों का एक प्राइवेट सेट होता है, जिसमें साफ़ लेबल्स हों। यहाँ जानें कि इसे कैसे इकट्ठा करें, लेबल करें, इसका सही साइज़ तय करें और इसे सुरक्षित रखें।मध्यम7 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 221: LLM एक जज के रूप मेंकोई लैंग्वेज मॉडल दूसरे मॉडल्स के जवाबों को तेज़ी से और सस्ते में परख सकता है, बशर्ते आप उसे साफ़ रूब्रिक दें, उसके जाने-पहचाने पक्षपातों की जांच करें और इंसानी फ़ैसलों से उसकी तुलना करें।मध्यम7 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 222: इंसानी मूल्यांकन (Human evaluation) का सही तरीकाइंसानी फ़ैसला सबसे भरोसेमंद तभी होता है जब इसे सावधानी से किया जाए: साफ़ रूब्रिक्स, एक से ज़्यादा raters, आपसी सहमति की जांच, और blind comparisons।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 3

Evals का असल इस्तेमाल

हर बदलाव पर evals चलाएं, असली यूज़र्स के साथ टेस्ट करें, और सुरक्षा जांचें

  1. पाठ 223: Prompts और मॉडल्स के लिए regression testsप्रॉम्प्ट में छोटा-सा बदलाव या मॉडल का अपग्रेड चुपके से उन चीज़ों को बिगाड़ सकता है जो पहले ठीक काम कर रही थीं। हर बदलाव पर अपने eval suite को साफ़ तय सीमाओं (thresholds) के साथ ऑटोमैटिकली चलाएं।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 224: A/B टेस्ट्स और ऑनलाइन मेट्रिक्सऑफ़लाइन evals बताते हैं कि क्या हो सकता है। असली यूज़र्स के साथ A/B टेस्ट्स बताते हैं कि असल में क्या होता है। Guardrail metrics, sample size की समझ और novelty effects के बारे में जानें।मध्यम7 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 225: सुरक्षा और ख़तरनाक क्षमताओं का मूल्यांकनसेफ्टी evals एक साथ दो चीज़ें जांचते हैं: कि सिस्टम उन चीज़ों को मना करे जिन्हें करना चाहिए, और उन चीज़ों के लिए मना न करे जिन्हें नहीं करना चाहिए। अत्याधुनिक स्तर पर, लैब्स ख़तरनाक क्षमताओं की भी जांच करती हैं।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट

शुरू होता है: मध्यम8 पाठ3 यूनिट्स

छोटे और ऑन-डिवाइस मॉडल्स

भारत के उन डेवलपर्स और स्टूडेंट्स के लिए जो बिना किसी बड़े क्लाउड बिल या पावरफुल GPU के काम का AI चाहते हैं। आप सीखेंगे कि छोटा मॉडल कब सही विकल्प होता है, मॉडल का लाइसेंस कैसे पढ़ें, अपने कंप्यूटर पर मॉडल को कैसे चलाएं और quantise करें, किसी एक काम के लिए छोटे मॉडल को distil और fine-tune कैसे करें, और इसे फ़ोन पर कैसे डालें या सस्ते में कैसे होस्ट करें।

आप क्या कर पाएंगे
  • इस ट्रैक के बाद आप समझा सकेंगे कि एक छोटा मॉडल बड़े होस्टेड मॉडल से कब बेहतर होता है, और क्वालिटी में आपको क्या समझौता करना पड़ता है।
  • आप किसी open-weight मॉडल का लाइसेंस और मॉडल कार्ड पढ़कर यह तय कर सकेंगे कि क्या वह आपके प्रोजेक्ट के लिए सही है।
  • आप अंदाज़ा लगा सकेंगे कि किसी मॉडल को कितनी मेमोरी चाहिए, उसे अपने कंप्यूटर पर चला सकेंगे, और समझा सकेंगे कि 8-bit और 4-bit quantisation क्या करते हैं।
  • आप किसी एक खास काम के लिए distillation या fine-tuning प्रोजेक्ट की योजना बना सकेंगे, जिसमें काम से पहले और बाद का मूल्यांकन शामिल होगा।
  • आप छोटे मॉडल को खुद होस्ट करने के खर्च की तुलना किसी होस्टेड API से कर सकेंगे, और अपने ट्रैफ़िक के हिसाब से सस्ता विकल्प चुन सकेंगे।
ट्रैक शुरू करें →
यूनिट और पाठ देखें

यूनिट 1

छोटे मॉडल्स क्यों?

छोटा मॉडल कब सही टूल होता है, और आपको इसके साथ क्या करने की अनुमति है

  1. पाठ 226: छोटे मॉडल्स क्यों ज़रूरी हैंबड़े मॉडल्स शानदार होते हैं, लेकिन छोटे मॉडल्स ज़्यादा सस्ते, ज़्यादा प्राइवेट, तेज़ और बिना इंटरनेट के भी काम करने में सक्षम हो सकते हैं। इनके नफ़े-नुकसान को समझें ताकि आप सही चुनाव कर सकें।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 227: Open-weight मॉडल्स और उनके लाइसेंसकिसी मॉडल को डाउनलोड करने का यह मतलब नहीं है कि आप उसका जैसे चाहें वैसे इस्तेमाल कर सकते हैं। Open weights और open source के बीच का फ़र्क समझें, और मॉडल का लाइसेंस पढ़ना सीखें।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 2

चलाएं और छोटा करें

मॉडल को खुद चलाएं, उसे छोटा करें, और उसे एक काम अच्छी तरह सिखाएं

  1. पाठ 228: अपने कंप्यूटर पर मॉडल चलानाllama.cpp और Ollama जैसे टूल्स आपको लैपटॉप पर open-weight मॉडल्स चलाने की सुविधा देते हैं। जानें कि आपको कितनी मेमोरी की ज़रूरत है, GPU कब मददगार होता है, और GGUF फ़ाइल क्या होती है।मध्यम7 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 229: Quantisation का असल इस्तेमालQuantisation हर weight को कम bits में स्टोर करता है ताकि मॉडल को कम मेमोरी की ज़रूरत पड़े। numpy के एक छोटे से उदाहरण से ठीक-ठीक समझें कि 8-bit और 4-bit का क्या मतलब होता है।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 230: Distillation: एक छोटे मॉडल को सिखानाएक बड़ा टीचर मॉडल किसी एक काम के लिए छोटे स्टूडेंट मॉडल को ट्रेन करने में मदद कर सकता है। जानें कि knowledge distillation और सिंथेटिक डेटा कैसे काम करते हैं, और वे लाइसेंस नियम जो इस पर रोक लगा सकते हैं।एडवांस्ड6 मिनट का पाठ🧪 लैब📝 टेस्ट
  4. पाठ 231: किसी एक काम के लिए छोटे मॉडल को fine-tune करनाFine-tuning छोटे मॉडल को कोई एक ख़ास काम सिखाती है। जानें कि यह कब फ़ायदेमंद है, डेटा कैसे तैयार करें, LoRA और QLoRA एक ही GPU पर कैसे फ़िट होते हैं, और पहले और बाद के नतीजों को कैसे नापें।एडवांस्ड7 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 3

डिप्लॉय करें

छोटे मॉडल्स को फ़ोन और एज (edge) डिवाइसेस पर चलाएं, और बिना भारी खर्च के लोगों तक पहुँचाएँ

  1. पाठ 232: फ़ोन और एज (edge) डिवाइसेस पर AIफ़ोन या किसी छोटे डिवाइस पर AI चलाने से डेटा डिवाइस में ही रहता है और यह बिना इंटरनेट के भी काम करता है। Runtimes, बैटरी और मेमोरी की सीमाओं के बारे में जानें, और मॉडल्स को सुरक्षित रूप से अपडेट करना सीखें।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 233: छोटे मॉडल्स को सस्ते में सर्व करनाबहुत सारे यूज़र्स को मॉडल सर्व करने पर हर घंटे पैसे खर्च होते हैं। Batching, caching, CPU inference और autoscaling के बारे में जानें, और यह पहचानना सीखें कि कब कोई होस्टेड API इस्तेमाल करना ही ज़्यादा सस्ता पड़ता है।एडवांस्ड6 मिनट का पाठ🧪 लैब📝 टेस्ट

शुरू होता है: मध्यम8 पाठ4 यूनिट्स

भारतीय भाषाओं के लिए AI

भारतीय डेवलपर्स, भाषाविदों, छात्रों और स्टार्टअप्स के लिए जो चाहते हैं कि AI केवल अंग्रेजी में ही नहीं, बल्कि भारतीय भाषाओं में भी काम करे। आप देखेंगे कि आज के AI के लिए ये भाषाएँ ज़्यादा कठिन क्यों हैं, इंडिक टेक्स्ट की लागत नापेंगे, ओपन डेटासेट्स और प्रोजेक्ट्स का उपयोग करेंगे, स्पीच रिकग्निशन, स्पीच सिंथेसिस और ट्रांसलेशन को ईमानदारी से परखेंगे, हिंग्लिश और अन्य कोड-मिक्स्ड टेक्स्ट को संभालेंगे, और निष्पक्ष व नैतिक तरीके से भाषा का डेटा इकट्ठा करेंगे।

आप क्या कर पाएंगे
  • इस ट्रैक के बाद आप समझा सकेंगे कि कई भारतीय भाषाएँ AI के लिए ज़्यादा कठिन क्यों हैं: कम डिजिटल टेक्स्ट, कई लिपियाँ, बोलियाँ, कोड-मिक्सिंग और बोलकर उपयोग करने वाले यूज़र्स।
  • आप नाप सकते हैं कि अंग्रेजी और किसी भारतीय भाषा में एक ही वाक्य के लिए कैरेक्टर, UTF-8 बाइट्स और टोकन कैसे अलग होते हैं, और समझा सकते हैं कि लागत और कॉन्टेक्स्ट के लिए इसका क्या मतलब है।
  • आप भारतीय भाषाओं के लिए ओपन डेटासेट्स और मॉडल ढूंढ सकते हैं, और उनका उपयोग करने से पहले उनके लाइसेंस की जाँच कर सकते हैं।
  • आप स्पीच रिकग्निशन के लिए वर्ड एरर रेट की गणना कर सकते हैं, और अनुवादों को उनकी सीमाओं को समझते हुए रूब्रिक, बैक-ट्रांसलेशन और मेट्रिक्स के साथ परख सकते हैं।
  • आप वास्तविक सहमति, निष्पक्ष भुगतान, प्राइवेसी और बोलियों के निष्पक्ष प्रतिनिधित्व के साथ भाषा डेटा संग्रह की योजना बना सकते हैं।
ट्रैक शुरू करें →
यूनिट और पाठ देखें

यूनिट 1

चुनौती

भारतीय भाषाएँ AI के लिए कठिन क्यों हैं, इसकी क्या लागत है, और वह ओपन वर्क जिस पर आप आगे काम कर सकते हैं

  1. पाठ 234: भारतीय भाषाएँ AI के लिए कठिन क्यों हैंभारत में 22 आधिकारिक भाषाएँ और कुल मिलाकर सैकड़ों भाषाएँ और बोलियाँ हैं। यहाँ बताया गया है कि AI अक्सर इनमें कम अच्छा काम क्यों करता है, और इसे बनाने वाले क्या कर सकते हैं।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 235: टोकन, लिपियाँ और इंडिक टेक्स्ट की लागतज़्यादातर अंग्रेजी पर ट्रेन किए गए टोकनाइज़र अक्सर भारतीय-भाषा के टेक्स्ट को ज़्यादा टुकड़ों में बाँट देते हैं। इसका मतलब है ज़्यादा लागत और कॉन्टेक्स्ट विंडो में कम जगह। इसे खुद नापकर देखें।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 236: भारतीय भाषाओं के लिए डेटासेट्स और ओपन प्रोजेक्ट्सआपको शून्य से शुरुआत करने की ज़रूरत नहीं है। AI4Bharat और भाषिणी जैसे ओपन प्रोजेक्ट्स के बारे में जानें, डेटासेट्स कहाँ मिलेंगे, और आपको हमेशा लाइसेंस की जाँच क्यों करनी चाहिए।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 2

स्पीच (आवाज़)

भारतीय भाषाओं में सुनना और बोलना: निष्पक्ष रूप से आवाज़ पहचानना और ज़िम्मेदारी से आवाज़ें बनाना

  1. पाठ 237: भारतीय भाषाओं के लिए स्पीच रिकग्निशनअलग-अलग लहजों (accents), शोर और मिली-जुली भाषाओं के साथ आवाज़ को टेक्स्ट में बदलना कठिन है। जानें कि वर्ड एरर रेट कैसे काम करता है, इसे Python में लिखें, और निष्पक्ष रूप से टेस्ट करें।मध्यम7 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 238: भारतीय भाषाओं के लिए टेक्स्ट-टू-स्पीच और आवाज़कंप्यूटर से किसी भारतीय भाषा को स्वाभाविक रूप से बुलवाना सिर्फ आवाज़ की क्वालिटी से कहीं ज़्यादा है। नाम, संख्याएँ, आवाज़ों के लिए सहमति और वॉयस क्लोन का दुरुपयोग, ये सभी मायने रखते हैं।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 3

टेक्स्ट

असली टेक्स्ट का अनुवाद करना और समझना: अनुवाद की गुणवत्ता को परखना और मिली-जुली भाषाओं को संभालना

  1. पाठ 239: मशीन ट्रांसलेशन और इसे कैसे परखेंमशीन ट्रांसलेशन उपयोगी भी है और अधूरा भी। इसे इंसानों के साथ, बैक-ट्रांसलेशन के साथ और BLEU व chrF जैसे मेट्रिक्स के साथ परखना सीखें, और प्रत्येक की सीमाओं को जानें।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 240: कोड-मिक्सिंग: हिंग्लिश और अन्य मिली-जुली भाषाएँलोग अक्सर एक ही वाक्य में भाषाएँ मिला देते हैं और उन्हें रोमन अक्षरों में टाइप करते हैं। सीखें कि ऐसे मिले-जुले इनपुट को कैसे संभालें, इसे सावधानी से नॉर्मलाइज़ कैसे करें, और वास्तविक वाक्यांशों के साथ टेस्ट कैसे करें।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 4

इसे सही तरीके से करें

सहमति के साथ निष्पक्ष रूप से भाषा डेटा इकट्ठा करना, और इसे साझा करने वाले समुदायों को वापस योगदान देना

  1. पाठ 241: नैतिक रूप से भाषा का डेटा इकट्ठा करनाभाषा का डेटा लोगों से आता है। सीखें कि वास्तविक सहमति, निष्पक्ष भुगतान, प्राइवेसी और सही प्रतिनिधित्व के साथ टेक्स्ट और आवाज़ कैसे इकट्ठा करें, और वापस कैसे योगदान दें।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट

शुरू होता है: मध्यम9 पाठ4 यूनिट्स

मल्टीमॉडल और जनरेटिव AI

उत्सुक शिक्षार्थियों और डेवलपर्स के लिए जो जानते हैं कि लार्ज लैंग्वेज मॉडल क्या है और बाकी सब समझना चाहते हैं: ऐसे मॉडल जो तस्वीरें पढ़ते हैं, तस्वीरें और वीडियो बनाते हैं, सुनते और बोलते हैं, और संगीत बनाते हैं। आप सरल शब्दों में सीखेंगे कि हर प्रकार कैसे काम करता है, यह आमतौर पर कहाँ विफल होता है, वॉटरमार्क और कंटेंट क्रेडेंशियल्स कैसे काम करते हैं, और लागत व प्राइवेसी का ध्यान रखते हुए AI API को इमेज और ऑडियो कैसे भेजें।

आप क्या कर पाएंगे
  • इस ट्रैक के बाद आप समझा सकते हैं कि इमेज, ऑडियो और वीडियो को टोकन या एम्बेडिंग में कैसे बदला जाता है ताकि एक मॉडल उनका उपयोग कर सके।
  • आप बता सकते हैं कि विज़न-लैंग्वेज मॉडल और डिफ्यूज़न मॉडल कैसे काम करते हैं, और वे किस तरह की गलतियाँ कर सकते हैं इसका अनुमान लगा सकते हैं।
  • आप सामान्य शब्दों में समझा सकते हैं कि स्पीच, संगीत और वीडियो जनरेशन कैसे काम करते हैं, और इनसे सहमति और कॉपीराइट के कौन से सवाल उठते हैं।
  • आप कंटेंट क्रेडेंशियल्स के लिए किसी इमेज की जाँच कर सकते हैं और समझा सकते हैं कि वॉटरमार्क या क्रेडेंशियल का न होना कुछ भी साबित क्यों नहीं करता।
  • आप एक छोटा फीचर बना सकते हैं जो लागत और प्राइवेसी पर समझदारी भरी सीमाओं के साथ एक मल्टीमॉडल API को इमेज भेजता है, और इसका उपयोग ऑल्ट टेक्स्ट का ड्राफ्ट तैयार करने के लिए कर सकते हैं जिसे कोई इंसान जाँचता है।
ट्रैक शुरू करें →
यूनिट और पाठ देखें

यूनिट 1

देखना और समझना

तस्वीरें, आवाज़ और वीडियो कैसे नंबर बनते हैं, और मॉडल तस्वीरें पढ़ना कैसे सीखते हैं

  1. पाठ 242: मल्टीमॉडल का क्या मतलब हैजानकारी रखने का सिर्फ एक ही तरीका टेक्स्ट नहीं है। जानें कि इमेज, ऑडियो और वीडियो को टोकन और एम्बेडिंग में कैसे बदला जाता है, ताकि एक ही मॉडल उन सभी के साथ काम कर सके।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 243: विज़न-लैंग्वेज मॉडल कैसे देखते हैंइमेज पैच, एक विज़न एनकोडर, और तस्वीरों व शब्दों की CLIP-स्टाइल मैचिंग। साथ ही वे गलतियाँ जो ये मॉडल अभी भी गिनने में, छोटे टेक्स्ट में और दाएँ-बाएँ के फर्क में करते हैं।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 2

इमेज और वीडियो बनाना

मॉडल शोर (noise) को तस्वीरों में कैसे बदलते हैं, और चलते-फिरते वीडियो बनाना कहीं ज़्यादा कठिन क्यों है

  1. पाठ 244: डिफ्यूज़न मॉडल इमेज कैसे बनाते हैंएक डिफ्यूज़न मॉडल थोड़ा-थोड़ा करके शोर (noise) को हटाना सीखता है। पूरी तरह से स्थिर शोर से शुरू करें, अपने शब्दों को गाइड बनाकर इसे कदम-दर-कदम साफ़ करें, और एक तस्वीर सामने आ जाती है।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 245: वीडियो जनरेशनएक वीडियो कई सारी तस्वीरें होती हैं जिन्हें समय के साथ एक-दूसरे से मेल खाना चाहिए। जानें कि यह एक तस्वीर की तुलना में बहुत अधिक कठिन और महंगा क्यों है, और आज के मॉडल कहाँ चूक जाते हैं।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 3

आवाज़

ऐसी मशीनें जो सुनती हैं, बोलती हैं और संगीत बनाती हैं, और आवाज़ों के साथ आने वाले सहमति के सवाल

  1. पाठ 246: स्पीच मॉडल: सुनना और बात करनास्पीच रिकग्निशन आवाज़ को टेक्स्ट में बदलता है, टेक्स्ट-टू-स्पीच टेक्स्ट को आवाज़ में बदलता है, और नए असिस्टेंट सीधे बात करते हैं। जानें कि प्रत्येक कैसे काम करता है, स्पीड क्यों मायने रखती है, और आवाज़ों के लिए सहमति क्यों ज़रूरी है।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 247: संगीत और ऑडियो जनरेशनमॉडल अब कुछ शब्दों से गाने, साउंड इफेक्ट्स और बैकग्राउंड म्यूज़िक बना सकते हैं। जानें कि वे आम तौर पर कैसे काम करते हैं, और कलाकारों, सहमति और कॉपीराइट से जुड़े कठिन सवाल क्या हैं।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 4

सबको एक साथ लाना

ऐसे मॉडल जो हर मोडैलिटी को मिलाते हैं, AI द्वारा बनाई गई चीज़ों पर लेबल कैसे लगाएं, और इसके साथ चीज़ें कैसे बनाएं

  1. पाठ 248: एनी-टू-एनी मॉडलकुछ मॉडल टेक्स्ट, इमेज और आवाज़ को इनपुट के रूप में ले सकते हैं और इनमें से किसी से भी जवाब भी दे सकते हैं। सामान्य विचार को समझें, यह क्यों उपयोगी है, और यह टेस्टिंग को और कठिन क्यों बनाता है।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 249: वॉटरमार्क और कंटेंट क्रेडेंशियल्सSynthID जैसे अदृश्य वॉटरमार्क और हस्ताक्षरित कंटेंट क्रेडेंशियल्स (C2PA) यह दिखाने में मदद करते हैं कि कोई इमेज, वीडियो या आवाज़ कहाँ से आई है। जानें कि वे कैसे काम करते हैं, और वे क्या साबित नहीं कर सकते।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 250: मल्टीमॉडल APIs के साथ निर्माण करनाकिसी मॉडल API को इमेज और ऑडियो कैसे भेजें, इसकी लागत क्या है, फ़ोटो में लोगों की प्राइवेसी की रक्षा कैसे करें, और एक्सेसिबिलिटी के लिए इसका अच्छा उपयोग कैसे करें, जैसे ऑल्ट टेक्स्ट लिखना।मध्यम7 मिनट का पाठ🧪 लैब📝 टेस्ट

शुरू होता है: मध्यम7 पाठ4 यूनिट्स

साइंस के लिए AI

स्कूल और कॉलेज के छात्रों, साइंस शिक्षकों और शोधकर्ताओं के लिए जो साइंस में AI की स्पष्ट, ईमानदार तस्वीर चाहते हैं। आप देखेंगे कि AI वास्तव में क्या नया जोड़ता है, AlphaFold और मशीन-लर्निंग वेदर मॉडल जैसे बड़े नतीजों को करीब से देखेंगे, प्रूफ असिस्टेंट्स और ऑटोमेटेड लैब्स से मिलेंगे, और खुद को या दूसरों को धोखा दिए बिना रिसर्च में AI का उपयोग करना सीखेंगे।

आप क्या कर पाएंगे
  • इस ट्रैक के बाद आप समझा सकते हैं कि AI साइंस की मदद कैसे करता है इसके तीन तरीके, और इंसान अभी भी काम को डिज़ाइन, टेस्ट और जज क्यों करते हैं।
  • आप समझा सकते हैं कि AlphaFold क्या भविष्यवाणी करता है और क्या नहीं, और सार्वजनिक AlphaFold डेटाबेस में किसी प्रोटीन को एक्सप्लोर कर सकते हैं।
  • आप AI के बारे में साइंस की कोई हेडलाइन पढ़ सकते हैं और सही सवाल पूछ सकते हैं: यह कौन सा चरण है, क्या टेस्ट किया गया था, और अभी भी क्या अज्ञात है।
  • आप समझा सकते हैं कि Lean जैसे प्रूफ असिस्टेंट गणित की जाँच कैसे करते हैं, और ऑटोमेटेड लैब्स अपने अगले प्रयोग को कैसे चुनती हैं।
  • आप डेटा लीकेज और नकली संदर्भों (fake references) जैसी आम समस्याओं को पहचान सकते हैं, और आपने AI का उपयोग कैसे किया इसका एक ईमानदार विवरण लिख सकते हैं।
ट्रैक शुरू करें →
यूनिट और पाठ देखें

यूनिट 1

मूल विचार

AI वास्तव में साइंस करने के तरीके में क्या जोड़ता है

  1. पाठ 251: AI साइंस में क्या जोड़ता हैAI विशाल डेटा में पैटर्न ढूंढ सकता है, तेज़ अनुमानित सिमुलेशन चला सकता है और टेस्ट करने के लिए विचारों का सुझाव दे सकता है। इंसान अभी भी प्रयोगों को डिज़ाइन करते हैं, विचारों का परीक्षण करते हैं और परिणामों का आकलन करते हैं।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 2

बड़े नतीजे

प्रोटीन संरचनाएँ, नए अणु और सामग्रियाँ, और मौसम के तेज़ पूर्वानुमान

  1. पाठ 252: प्रोटीन संरचना और AlphaFoldप्रोटीन 3D आकार में मुड़ते हैं, और उनका आकार ही तय करता है कि वे क्या काम करेंगे। AlphaFold सीक्वेंस से इन आकारों की भविष्यवाणी करता है। जानें कि यह क्या करता है, क्या नहीं करता, और इसके पब्लिक डेटाबेस को कैसे एक्सप्लोर करें।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 253: दवाओं और पदार्थों की खोज के लिए AIAI भारी संख्या में संभावित मॉलिक्यूल्स की जांच कर सकता है और नए मॉलिक्यूल डिज़ाइन भी कर सकता है। लेकिन हर संभावित मॉलिक्यूल को अभी भी लैब टेस्ट और दवाओं के लिए क्लिनिकल ट्रायल के लंबे रास्ते से गुजरना पड़ता है।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 254: मौसम और जलवायु मॉडलमशीन-लर्निंग वाले मौसम मॉडल पिछले दशकों के मौसम से सीखते हैं और बहुत तेजी से पूर्वानुमान लगा सकते हैं। फिजिक्स पर आधारित मॉडल अभी भी मायने रखते हैं, और हर पूर्वानुमान में अनिश्चितता बनी रहती है।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 3

काम करने के नए तरीके

मशीन द्वारा जाँची गई गणित और ऐसी लैब्स जो अपने अगले प्रयोग की योजना खुद बनाती हैं

  1. पाठ 255: AI और गणितLean जैसे प्रूफ असिस्टेंट किसी प्रूफ के हर कदम को मशीन द्वारा जांचते हैं। AI प्रूफ ढूंढने, पैटर्न पहचानने और अनुमान सुझाने में मदद कर सकता है, और चेकर यह पक्का करता है कि उसमें कोई गलती न हो।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 256: AI लैब असिस्टेंट और ऑटोमेटेड प्रयोगAI वैज्ञानिक रिसर्च को सर्च कर सकता है, प्रयोगों की योजना बनाने में मदद कर सकता है और सेल्फ-ड्राइविंग लैब्स में रोबोट के लिए अगला प्रयोग चुन सकता है। सुरक्षा और इंसान का फैसला ही हमेशा नियंत्रण में रहते हैं।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 4

इसे ईमानदारी से करना

AI शोधकर्ताओं को कैसे मूर्ख बना सकता है, और वे आदतें जो साइंस को भरोसेमंद बनाए रखती हैं

  1. पाठ 257: हाइप, नतीजों का दोहराव और वैज्ञानिक ईमानदारीAI ऐसे नतीजे पाना आसान बना देता है जो देखने में शानदार लगते हैं लेकिन असली नहीं होते। लीकेज, ओवरफिटिंग और फर्जी संदर्भों के बारे में जानें, और यह भी कि ईमानदार खुलासे और समीक्षा विज्ञान को भरोसेमंद कैसे बनाए रखते हैं।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट

शुरू होता है: मध्यम6 पाठ4 यूनिट्स

रोबोट और वर्ल्ड मॉडल

उन छात्रों और इंजीनियरों के लिए जो भौतिक दुनिया में काम करने वाले AI को लेकर उत्सुक हैं। आप जानेंगे कि रोबोट चैटबॉट्स से पीछे क्यों हैं, आज रोबोट मुख्य रूप से कैसे सीखते हैं (डेमॉन्स्ट्रेशन, सिमुलेशन, और ऐसे मॉडल जो तस्वीरों और शब्दों को एक्शन में बदलते हैं), और रिसर्चर्स के लिए वर्ल्ड मॉडल का क्या मतलब है। यह ट्रैक ईमानदारी से बताता है कि अभी कितनी समस्याएं अनसुलझी हैं, और भारत में रोबोट क्या कर सकते हैं और क्या नहीं, इस पर चर्चा के साथ समाप्त होता है।

आप क्या कर पाएंगे
  • इस ट्रैक के बाद आप समझा पाएंगे कि इंसानों के लिए आसान काम, जैसे शर्ट मोड़ना, रोबोट के लिए मुश्किल क्यों होते हैं, और रोबोट का डेटा इतना कम क्यों है।
  • आप इमिटेशन लर्निंग, बिहेवियर क्लोनिंग और डिस्ट्रीब्यूशन शिफ्ट को समझा पाएंगे, और यह बता पाएंगे कि किसी इंसान की नकल करने वाला रोबोट अपने रास्ते से क्यों भटक सकता है।
  • आप सिमुलेशन में ट्रेनिंग, डोमेन रैंडमाइजेशन और रियलिटी गैप को समझा पाएंगे, और Python में एक छोटा Q-learning रोबोट चला पाएंगे।
  • आप आम शब्दों में समझा पाएंगे कि विज़न-लैंग्वेज-एक्शन मॉडल और वर्ल्ड मॉडल क्या होते हैं, और उनकी सीमाएं कहाँ हैं।
  • आप भारतीय खेतों, कारखानों और घरों में रोबोट के इस्तेमाल, नौकरियों, सुरक्षा और लागत के बारे में साफ़-साफ़ सोच पाएंगे, और एक घरेलू रोबोट के लिए सेफ्टी चेकलिस्ट लिख पाएंगे।
ट्रैक शुरू करें →
यूनिट और पाठ देखें

यूनिट 1

यह गैप

एक चैटबॉट निबंध क्यों लिख सकता है, लेकिन एक रोबोट को तौलिया मोड़ने में भी संघर्ष क्यों करना पड़ता है

  1. पाठ 258: रोबोट चैटबॉट्स से पीछे क्यों हैंचैटबॉट्स ने बहुत भारी मात्रा में टेक्स्ट से सीखा है। रोबोट के पास बहुत कम डेटा है, एक उलझी हुई दुनिया है, असली सुरक्षा जोखिम हैं और महंगा हार्डवेयर है। यहाँ जानिए कि यह गैप क्यों है।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 2

रोबोट कैसे सीखते हैं

इंसानों की नकल करना, सिमुलेटर में प्रैक्टिस करना, और ऐसे मॉडल जो तस्वीरों और शब्दों को एक्शन में बदलते हैं

  1. पाठ 259: डेमॉन्स्ट्रेशन से सीखनारोबोट को सिखाने का सबसे आम तरीका है उसे करके दिखाना कि क्या करना है। जानें कि डेमॉन्स्ट्रेशन कैसे इकट्ठा किए जाते हैं, बिहेवियर क्लोनिंग क्या है, और सिर्फ नकल करने में गड़बड़ी क्यों हो जाती है।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 260: सिमुलेशन और सिम-टू-रियलअसली रोबोट को ट्रेन करना धीमा और महंगा होता है। सिमुलेटर की मदद से रोबोट अनगिनत बार प्रैक्टिस कर सकता है। सबसे मुश्किल काम यह है कि उसने जो सीखा, वह असली दुनिया में भी काम करे।मध्यम7 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 261: विज़न-लैंग्वेज-एक्शन मॉडलकुछ नए रोबोट मॉडल कैमरे की तस्वीरें और लिखित निर्देश लेते हैं, और रोबोट की अगली हरकतों का आउटपुट देते हैं। आसान शब्दों में समझें कि वे कैसे काम करते हैं, और वे अभी भी कहाँ पीछे रह जाते हैं।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 3

दुनिया को समझना

ऐसे मॉडल जो भविष्यवाणी करते हैं कि आगे क्या होगा, और कई रिसर्चर्स को ऐसा क्यों लगता है कि यह मायने रखता है

  1. पाठ 262: वर्ल्ड मॉडल: दुनिया कैसे काम करती है, यह सीखनाएक वर्ल्ड मॉडल यह भविष्यवाणी करता है कि अगर रोबोट कोई कदम उठाए तो आगे क्या होगा। यह सिस्टम को काम करने से पहले कल्पना करने का मौका देता है। इसके विचार, तरीकों और इस पर चल रही बहस के बारे में जानें।मध्यम8 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 4

यहाँ अपने रोबोट

भारत में रोबोट कहाँ काम आ सकते हैं, और नौकरियों, सुरक्षा व लागत से जुड़े सवाल

  1. पाठ 263: भारत में रोबोट: खेत, कारखाने और घरभारत में रोबोट कहाँ काम आ सकते हैं, और इसके लिए क्या करना होगा? संभावित उपयोगों पर एक नज़र, और नौकरियों, सुरक्षा व खर्च से जुड़े कड़े सवाल।मध्यम7 मिनट का पाठ🧪 लैब📝 टेस्ट

शुरू होता है: शुरुआती10 पाठ3 यूनिट्स

एक मिनी रोबोट बनाएं

12 साल और उससे ज़्यादा उम्र के छात्रों, शिक्षकों और शौकिया तौर पर सीखने वालों के लिए। आप अपने ब्राउज़र में चलने वाले एक छोटे वर्चुअल रोबोट से शुरुआत करेंगे और उसे चलना, लाइन के पीछे चलना और रुकावटों से बचना सिखाएंगे। फिर आप सस्ते पार्ट्स चुनेंगे, एक असली रोबोट की सेफ़्टी के साथ वायरिंग करेंगे और उसमें स्मूद स्टीयरिंग जोड़ेंगे। आखिर में आप उसे आसान आँखें और आवाज़ का इंटरफ़ेस देंगे, ऐसे सेफ़्टी नियमों के साथ जिन्हें AI तोड़ नहीं सकता।

आप क्या कर पाएंगे
  • इस ट्रैक के बाद आप पायथन में रोबोट का फ़ैसला लेने वाला स्टेप लिख सकते हैं और असली पार्ट्स को छूने से पहले उसे सिम्युलेटर में टेस्ट कर सकते हैं।
  • आप समझा सकते हैं कि IR लाइन सेंसर और अल्ट्रासोनिक दूरी सेंसर कैसे काम करते हैं, और असली रीडिंग में शोर (नॉइज़) क्यों होता है।
  • आप कम लागत वाले दो पहियों के रोबोट के लिए पार्ट्स चुन सकते हैं और मोटर, ड्राइवर बोर्ड और सेंसर की सेफ़्टी के साथ वायरिंग कर सकते हैं।
  • आप PID कंट्रोलर को ट्यून कर सकते हैं ताकि रोबोट आसानी से लाइन के पीछे चल सके।
  • आप एक छोटा इमेज क्लासिफ़ायर और वॉयस कमांड जोड़ सकते हैं, एक अनुमति-सूची (allow-list) के साथ ताकि रोबोट सिर्फ़ सुरक्षित काम ही करे।
ट्रैक शुरू करें →
यूनिट और पाठ देखें

यूनिट 1

आपके ब्राउज़र में एक रोबोट

एक छोटे वर्चुअल रोबोट से मिलें, जानें कि उसके सेंसर उसे क्या बताते हैं, और उसे लाइन के पीछे चलना और रुकावटों से बचना सिखाएं

  1. पाठ 264: अपने वर्चुअल रोबोट से मिलेंहर रोबोट एक ही लूप चलाता है: महसूस करना, फ़ैसला लेना, काम करना। एक छोटे दो पहियों वाले रोबोट से मिलें जो आपके ब्राउज़र में रहता है, और उसे लक्ष्य तक चलाएं।शुरुआती7 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 265: सेंसर: रोबोट दुनिया को कैसे समझता हैलाइन सेंसर अंधेरा और उजाला देखते हैं, अल्ट्रासोनिक सेंसर आवाज़ से दूरी नापते हैं, और हर सेंसर में थोड़ा नॉइज़ होता है। जानें कि असल में हर सेंसर आपको क्या बताता है।शुरुआती7 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 266: कोड में लाइन फ़ॉलोअरमुड़ती हुई काली लाइन के पीछे चलने के लिए दो छोटे लाइट सेंसर और कुछ if-स्टेटमेंट ही काफ़ी हैं। क्लासिक लाइन-फ़ॉलोअर लिखें और जानें कि जब रोबोट लाइन से भटक जाए तो क्या करना चाहिए।शुरुआती6 मिनट का पाठ🧪 लैब📝 टेस्ट
  4. पाठ 267: रुकावटों से बचनादूरी वाले सेंसर का इस्तेमाल करके बिना छुए रुकावटों से भरे कमरे में घूमें। बचने के आसान नियम सीखें, रोबोट क्यों अटक जाते हैं, और ठीक से टेस्ट कैसे करें।शुरुआती5 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 2

असली रोबोट बनाएं

कम लागत वाले पार्ट्स चुनें, मोटर और सेंसर की सेफ़्टी के साथ वायरिंग करें, और PID के साथ आसानी से मोड़ें

  1. पाठ 268: कम बजट में पार्ट्स चुननादो पहियों वाले एक आसान रोबोट के लिए एक छोटे बोर्ड, एक मोटर ड्राइवर, दो गियर वाली मोटरों, सेंसर और बैटरियों की ज़रूरत होती है। जानें कि हर पार्ट क्या काम करता है और ज़्यादा खर्च किए बिना कैसे चुनें।शुरुआती7 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 269: मोटर और सेंसर की सेफ़्टी के साथ वायरिंगमोटर ड्राइवर, मोटर और अल्ट्रासोनिक सेंसर को Arduino से जोड़ें, पहला टेस्ट स्केच अपलोड करें, और पहियों को ज़मीन से ऊपर रखकर टेस्ट करें। हर कदम पर सेफ़्टी सबसे पहले।शुरुआती9 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 270: PID के साथ स्मूद स्टीयरिंगएक PID कंट्रोलर इस बात से मुड़ता है कि आप लाइन से कितनी दूर हैं, कितनी देर से दूर हैं, और गलती कितनी तेज़ी से बदल रही है। वर्चुअल रोबोट पर P, I और D को तब तक ट्यून करें जब तक कि वह लाइन पर आसानी से न चलने लगे।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 3

AI जोड़ें

अपने रोबोट को एक छोटा विज़न मॉडल और वॉयस कमांड दें, ऐसे सेफ़्टी नियमों के साथ जिन्हें AI तोड़ नहीं सकता, फिर बनाएं और शेयर करें

  1. पाठ 271: अपने रोबोट को आँखें देना: एक छोटा विज़न मॉडलएक कैमरा और एक छोटा इमेज क्लासिफ़ायर आपके रोबोट को बता सकते हैं कि रास्ता किस तरफ़ मुड़ता है। छोटी सिंथेटिक तस्वीरों पर एक मॉडल ट्रेन करें और जानें कि असली दुनिया का डेटा क्यों मायने रखता है।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 272: लैंग्वेज मॉडल के साथ वॉयस कमांड"थोड़ा आगे बढ़ो" कहें और किसी लैंग्वेज मॉडल को इसे कमांड में बदलने दें। फिर पक्का करें कि रोबोट सिर्फ़ सुरक्षित कमांड्स की एक छोटी लिस्ट ही माने, चाहे मॉडल कुछ भी कहे।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 273: शोकेस: अपने रोबोट की योजना बनाएं, बनाएं और शेयर करेंरोबोट का एक छोटा प्रोजेक्ट चुनें, सेफ़्टी और टेस्ट प्लान के साथ उसकी योजना बनाएं, उसे कदम-दर-कदम बनाएं, और शेयर करें ताकि दूसरे भी इससे सीख सकें।शुरुआती6 मिनट का पाठ🧪 लैब📝 टेस्ट

शुरू होता है: मध्यम7 पाठ3 यूनिट्स

TinyML: नन्हीं चिप्स पर AI

मेकर्स, इंजीनियरिंग छात्रों और शौकिया लोगों के लिए। आप सीखेंगे कि किलोबाइट मेमोरी वाले और बिना ऑपरेटिंग सिस्टम वाले माइक्रोकंट्रोलर पर क्या फ़िट हो सकता है, सेंसर डेटा इकट्ठा और लेबल करना, एक छोटा क्लासिफ़ायर ट्रेन करना, और int8 क्वांटाइज़ेशन से उसे छोटा करना। फिर आप झूठे अलार्म और छूटे मौकों के लिए हमेशा चालू रहने वाले डिटेक्टर को ट्यून करेंगे, और एक ट्रेंड मॉडल से चालू बोर्ड तक का सफ़र तय करेंगे।

आप क्या कर पाएंगे
  • इस ट्रैक के बाद आप समझा सकते हैं कि TinyML क्या है, और फ़ोन या क्लाउड की तुलना में किसी मॉडल के लिए एक छोटी चिप कब बेहतर घर होती है।
  • आप माइक्रोकंट्रोलर पर किसी मॉडल के लिए मेमोरी का बजट तय कर सकते हैं: वेट्स के लिए फ़्लैश, काम करने वाली मेमोरी के लिए रैम।
  • आप सेंसर डेटा इकट्ठा और लेबल कर सकते हैं, उसे टुकड़ों (विंडोज़) में काट सकते हैं, और आसान फ़ीचर्स पर एक छोटा क्लासिफ़ायर ट्रेन कर सकते हैं।
  • आप वेट्स को int8 में क्वांटाइज़ कर सकते हैं, और माप सकते हैं कि इससे साइज़ में कितनी बचत हुई और एक्यूरेसी पर कितना असर पड़ा।
  • आप झूठे अलार्म और छूटे मौकों को मापकर डिटेक्शन की सीमा (थ्रेशोल्ड) चुन सकते हैं, और असली बोर्ड पर मॉडल को टेस्ट करने की योजना बना सकते हैं।
ट्रैक शुरू करें →
यूनिट और पाठ देखें

यूनिट 1

छोटा पर स्मार्ट

TinyML क्या है, और एक माइक्रोकंट्रोलर आपके जाने-पहचाने कंप्यूटरों से कैसे अलग है

  1. पाठ 274: TinyML क्या हैTinyML का मतलब है माइक्रोकंट्रोलर पर मशीन लर्निंग मॉडल चलाना: नन्हीं, सस्ती चिप्स जो बहुत कम बिजली पर चलती हैं। जानें कि वे क्या कर सकती हैं, और क्या नहीं।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 275: माइक्रोकंट्रोलर बनाम कंप्यूटरएक माइक्रोकंट्रोलर में कुछ किलोबाइट रैम होती है, कोई ऑपरेटिंग सिस्टम नहीं होता और मिलीवॉट में बिजली की खपत होती है। जानें कि फ़्लैश, रैम और बिजली कैसे तय करते हैं कि कौन-सा मॉडल फ़िट हो सकता है।मध्यम7 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 2

एक मॉडल बनाएं

सेंसर डेटा इकट्ठा और लेबल करें, एक छोटा क्लासिफ़ायर ट्रेन करें, और int8 क्वांटाइज़ेशन से इसे छोटा करें

  1. पाठ 276: सेंसर डेटा इकट्ठा करनाएक TinyML मॉडल सिर्फ़ अपने डेटा जितना ही अच्छा होता है। जानें कि एक्सेलेरोमीटर और माइक्रोफ़ोन डेटा कैसे बनाते हैं, उसे लेबल कैसे करते हैं, और उसे टुकड़ों में कैसे काटते हैं।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 277: एक छोटा मॉडल ट्रेन करनाहर विंडो को कुछ उपयोगी नंबरों में बदलें, जैसे कि औसत और एनर्जी, और एक छोटा क्लासिफ़ायर ट्रेन करें। फिर अलग रखे गए डेटा पर ईमानदारी से इसे मापें।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 278: फ़िट करने के लिए छोटा करनाint8 क्वांटाइज़ेशन हर वेट को चार बाइट की जगह एक बाइट में स्टोर करता है। इसे numpy में खुद करें, और मापें कि आप कितना साइज़ बचाते हैं और कितनी एक्यूरेसी खोते हैं।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 3

डिवाइस पर

सही थ्रेशोल्ड के साथ हमेशा चालू डिटेक्शन, और एक ट्रेंड मॉडल से टेस्ट किए गए बोर्ड तक का सफ़र

  1. पाठ 279: वेक वर्ड्स और जेस्चरहमेशा चालू रहने वाला डिटेक्टर पूरे दिन बार-बार जाँच करता है। झूठे अलार्म और छूटे हुए मौकों के बीच का संतुलन समझें, और थ्रेशोल्ड चुनना सीखें।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 280: एक बोर्ड पर डिप्लॉय करना और टेस्ट करनाएक ट्रेंड मॉडल से माइक्रोकंट्रोलर पर चलने वाले प्रोग्राम तक का सफ़र देखें। फिर इसे असली डेटा पर टेस्ट करें, और बिजली तथा प्राइवेसी के फ़ायदों को समझें।मध्यम8 मिनट का पाठ🧪 लैब📝 टेस्ट

शुरू होता है: मध्यम7 पाठ3 यूनिट्स

ड्रोन और सेल्फ़-ड्राइविंग की बुनियादी बातें

उन छात्रों और मेकर्स के लिए जो ड्रोन और सेल्फ़-ड्राइविंग मशीनों के बारे में जानने को उत्सुक हैं। आप सीखेंगे कि एक ड्रोन हवा में कैसे संतुलन बनाता है, GPS, IMU, कैमरे और लाइडार जैसे सेंसर एक साथ कैसे काम करते हैं, और कोई मशीन कैसे पता लगाती है कि वह कहाँ है, रास्ता बनाती है और रुकावटों से दूर रहती है। फिर आप सीखेंगे कि भारत में सुरक्षित और कानूनी रूप से कैसे उड़ें, और सेल्फ़-ड्राइविंग कारें आज क्या कर सकती हैं और क्या नहीं।

आप क्या कर पाएंगे
  • इस ट्रैक के बाद आप समझा सकते हैं कि चार रोटर ड्रोन को कैसे उठाते हैं, संतुलित करते हैं और मोड़ते हैं, और थ्रस्ट तथा वज़न का आसान हिसाब लगा सकते हैं।
  • आप GPS, IMU, कैमरों और लाइडार की खूबियाँ और कमियाँ बता सकते हैं, और एक आसान फ़िल्टर के साथ नॉइज़ वाली रीडिंग्स को मिला सकते हैं।
  • आप समझा सकते हैं कि डेड रेकनिंग क्यों भटक जाती है, और बेहतर स्थिति पाने के लिए इसे GPS के साथ कैसे मिलाया जाता है।
  • आप A* का इस्तेमाल करके ग्रिड मैप पर सबसे छोटा रास्ता तय कर सकते हैं, और रुकावटों के चारों ओर सुरक्षा का दायरा जोड़ सकते हैं।
  • आप भारत के ड्रोन नियमों को आसान शब्दों में समझा सकते हैं, और आज की सेल्फ़-ड्राइविंग कारों की सच्ची तस्वीर पेश कर सकते हैं।
ट्रैक शुरू करें →
यूनिट और पाठ देखें

यूनिट 1

वे कैसे चलते हैं और महसूस करते हैं

एक ड्रोन कैसे ऊपर उठता है और संतुलन बनाता है, और सेंसर किसी मशीन को कैसे बताते हैं कि क्या हो रहा है

  1. पाठ 281: एक ड्रोन हवा में कैसे टिका रहता हैचार घूमते हुए रोटर हवा को नीचे धकेलते हैं, और ड्रोन ऊपर उठता है। जानें कि कैसे थ्रस्ट (thrust), वज़न और गति में छोटे-छोटे बदलाव इसे स्थिर रखते हैं, घुमाते हैं और आगे बढ़ाते हैं।मध्यम7 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 282: सेंसर: GPS, IMU, कैमरे और lidarहर सेंसर कुछ चीज़ों में अच्छा और कुछ में कमज़ोर होता है। जानें कि हर सेंसर क्या नापता है, यह कहाँ नाकाम होता है, और मशीनें कई सेंसरों को एक साथ क्यों जोड़ती हैं।मध्यम8 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 2

रास्ता खोजना

यह पता लगाना कि आप कहाँ हैं, रास्ता तय करना, और रुकावटों से सुरक्षित दूरी बनाए रखना

  1. पाठ 283: यह जानना कि आप कहाँ हैंसिर्फ़ अपने कदम गिनने से भटकाव आ जाता है। GPS भी कभी-कभार भटकता रहता है। दोनों को मिला दें तो नतीजे कहीं बेहतर मिलते हैं। इसे localisation कहते हैं।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 284: रास्ता तय करनाअपनी दुनिया को खाली और बंद चौकोर खानों में बाँटें, फिर सबसे छोटा रास्ता खोजें। रास्ता तय करने वाले क्लासिक तरीके सीखें: breadth-first search और A*।मध्यम7 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 285: रुकावटों को देखनासेंसर ग्रिड मैप को खाली, बंद और अनजान खानों से भरते हैं। फिर हम हर रुकावट के चारों ओर सुरक्षा का दायरा बढ़ा देते हैं, ताकि रोबोट का शरीर कभी उनसे टकराए नहीं।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 3

सुरक्षित और कानूनी

भारत के नियमों के तहत सुरक्षित रूप से ड्रोन उड़ाना, और सेल्फ़-ड्राइविंग कारों पर एक ईमानदार नज़र

  1. पाठ 286: भारत में सुरक्षा, नियम और कानूनी रूप से उड़ानाड्रोन लोगों को चोट पहुँचा सकते हैं और हवाई जहाजों के लिए खतरा बन सकते हैं, इसलिए भारत में इनके नियम हैं। नियमों की मुख्य बातें, एयरस्पेस ज़ोन, और सुरक्षित उड़ान की योजना बनाना सीखें।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 287: सेल्फ़-ड्राइविंग कारें: आज की हकीकत क्या हैड्राइवर असिस्टेंस अब आम है, और बिना ड्राइवर वाली टैक्सियाँ कुछ सीमाओं के साथ कुछ ही जगहों पर चलती हैं। ऑटोमेशन के लेवल जानें, यह समझें कि अजीबोगरीब स्थितियाँ इतनी मुश्किल क्यों होती हैं, और भारतीय सड़कें एक अनोखी चुनौती क्यों हैं।मध्यम8 मिनट का पाठ🧪 लैब📝 टेस्ट

शुरू होता है: मध्यम7 पाठ3 यूनिट्स

Reinforcement learning प्लेग्राउंड

उन छात्रों के लिए जो बेसिक Python जानते हैं और जिन्हें गेम पसंद हैं। आप ब्राउज़र में छोटे-छोटे गेम बनाएंगे और ऐसे एजेंट्स लिखेंगे जो सिर्फ़ रिवॉर्ड्स के ज़रिए खेलना सीखते हैं: एक ताला जो खुद खुल जाता है, चाय के स्टॉल, खज़ाने की खोज, एक आम का बगीचा और खामियों वाला गो-कार्ट ट्रैक। फिर आप देखेंगे कि यही तरीके असली दुनिया में कहाँ इस्तेमाल होते हैं, और रिवॉर्ड तय करना सबसे कठिन और सबसे ज़रूरी हिस्सा क्यों है।

आप क्या कर पाएंगे
  • इस ट्रैक के बाद आप किसी भी गेम को states, actions और rewards के रूप में समझा सकेंगे, और discounted return का हिसाब लगा सकेंगे।
  • आप multi-armed bandit के लिए एक epsilon-greedy एजेंट लिख सकेंगे और explore-exploit trade-off को समझा सकेंगे।
  • आप Q-learning अपडेट लागू कर सकेंगे, ग्रिड गेम पर एक एजेंट को ट्रेन कर सकेंगे और उसकी सीखी हुई पॉलिसी को समझ सकेंगे।
  • आप epsilon decay शेड्यूल डिज़ाइन कर सकेंगे और अंदाज़े के बजाय आंकड़ों के साथ ट्रेनिंग की तुलना कर सकेंगे।
  • आप रिवॉर्ड की खामी पकड़ सकेंगे, उसे ठीक कर सकेंगे, और समझा सकेंगे कि रोबोट्स, सुझाव देने वाले सिस्टम (recommendations) और लैंग्वेज मॉडल्स में RL का सावधानी से इस्तेमाल कैसे किया जाता है।
ट्रैक शुरू करें →
यूनिट और पाठ देखें

यूनिट 1

कोशिश और गलती से सीखना

सही जवाबों के बजाय स्कोर से सीखना: लूप, बुनियादी शब्द, और आपका पहला bandit

  1. पाठ 288: कोशिश और गलती से सीखनाएजेंट को कोई सही जवाब नहीं बताता। वह कुछ आज़माता है, उसे एक स्कोर मिलता है, और वह धीरे-धीरे अपने काम करने का तरीका बदलता है। इसे reinforcement learning कहते हैं।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 289: States, actions और rewardsहर RL समस्या को इन्हीं कुछ शब्दों से समझाया जाता है। एक छोटा कॉरिडोर गेम बनाकर और उसे discounted return के साथ स्कोर देकर इन्हें सीखें।मध्यम7 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 290: Multi-armed banditsसबसे सरल RL गेम: कई विकल्प, और हर एक में रिवॉर्ड मिलने का एक छिपा हुआ चांस। कुछ नया आज़माने और जाने-पहचाने विकल्प चुनने के संतुलन का क्लासिक तरीका सीखें: epsilon-greedy।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 2

योजना बनाना सीखना

देर से मिलने वाले रिवॉर्ड्स: खज़ाने की खोज में Q-learning, और सीखते समय कितनी नई चीज़ें आज़मानी चाहिए

  1. पाठ 291: Q-learning कदम-दर-कदमपत्थरों और जालों से भरी खज़ाने की खोज। लाइन-दर-लाइन Q-learning अपडेट बनाएं, देखें कि यह रिवॉर्ड को पीछे की ओर कैसे पहुंचाता है, और समझें कि आपके एजेंट ने क्या नक्शा सीखा है।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 292: Exploration बनाम exploitationबहुत कम explore करेंगे तो सबसे अच्छा इनाम छूट जाएगा। बहुत ज़्यादा explore करेंगे तो हमेशा खराब ही खेलेंगे। epsilon को समय के साथ घटाना सीखें, और अलग-अलग कोशिशों की सही तुलना करें।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 3

गेम्स से आगे

गलत दिशा में जाने वाले रिवॉर्ड्स, और रोबोट्स, ऐप्स व लैंग्वेज मॉडल्स में सावधानी से RL का इस्तेमाल कैसे होता है

  1. पाठ 293: रिवॉर्ड डिज़ाइन और उसके खतरेएजेंट ठीक उसी चीज़ के पीछे भागता है जिसके लिए आप इनाम देते हैं, न कि उस चीज़ के जो आपका मतलब था। देखें कि कैसे एक गो-कार्ट एजेंट खामी ढूंढ निकालता है, और फिर उसे ठीक करें।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 294: गेम्स से असली दुनिया तकरोबोट्स, सुझावों (recommendations) और इंसानी फीडबैक के साथ चैटबॉट्स को ट्रेन करने के लिए इन्हीं तरीकों का इस्तेमाल कैसे किया जाता है, और किसी गेम के मुकाबले बाहर सुरक्षा ज़्यादा ज़रूरी क्यों है।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट

शुरू होता है: मध्यम8 पाठ4 यूनिट्स

दिमाग और AI

उन उत्सुक छात्रों और सीखने वालों के लिए जो जानना चाहते हैं कि असली दिमाग की तुलना AI से कैसे की जाती है। आप देखेंगे कि वैज्ञानिकों ने फ्रूट फ्लाई के दिमाग के हर न्यूरॉन का नक्शा कैसे बनाया, उस नक्शे से बने कंप्यूटर मॉडल ने ऐसे अनुमान कैसे लगाए जिन्हें बाद में प्रयोगों ने सही पाया, और वर्चुअल मक्खियाँ सिमुलेशन में कैसे चलती और उड़ती हैं। फिर आप स्पाइकिंग न्यूरॉन्स की तुलना AI मॉडल के न्यूरॉन्स से करेंगे, जानेंगे कि दिमाग इतनी कम ऊर्जा क्यों खर्च करता है, और सोचेंगे कि एक वायरिंग मैप हमें क्या बता सकता है और क्या नहीं।

आप क्या कर पाएंगे
  • इस ट्रैक के बाद आप समझा सकेंगे कि connectome क्या होता है, और पूरी फ्रूट फ्लाई के दिमाग के FlyWire मैप में क्या-क्या शामिल है।
  • आप Python में एक छोटा काल्पनिक connectome बना सकेंगे और hub neurons व सबसे छोटे रास्ते खोज सकेंगे।
  • आप leaky integrate-and-fire न्यूरॉन का सिमुलेशन कर सकेंगे और समझा सकेंगे कि यह एक आर्टिफिशियल न्यूरॉन से कैसे अलग है।
  • आप एक आसान सी गणना से समझा सकेंगे कि कभी-कभार होने वाली और ज़रूरत पड़ने पर सक्रिय होने वाली गतिविधि ऊर्जा कैसे बचाती है, और neuromorphic चिप्स किसकी नकल करने की कोशिश करती हैं।
  • आप साफ़ तौर पर बता सकेंगे कि सिर्फ़ एक वायरिंग डायग्राम से क्या पता नहीं चलता, और दिमाग के डेटा से जुड़े नैतिक सवाल क्या हैं।
ट्रैक शुरू करें →
यूनिट और पाठ देखें

यूनिट 1

दिमाग का नक्शा बनाना

दिमाग का वायरिंग मैप क्या होता है, और पूरी फ्रूट फ्लाई के दिमाग का नक्शा कैसे बनाया गया

  1. पाठ 295: Connectome क्या होता हैConnectome किसी नर्वस सिस्टम के हर न्यूरॉन और उनके बीच के कनेक्शनों का नक्शा होता है। जानें कि ऐसा नक्शा क्या दिखाता है, और वैज्ञानिक इसे एक नेटवर्क के रूप में कैसे पढ़ते हैं।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 296: FlyWire: पूरी मक्खी के दिमाग का नक्शा बनाना2024 में FlyWire टीम ने एक वयस्क फ्रूट फ्लाई के दिमाग का पूरा वायरिंग मैप पब्लिश किया। जानें कि इसे इलेक्ट्रॉन माइक्रोस्कोप, AI और कई इंसानी जांचकर्ताओं की मदद से कैसे तैयार किया गया।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 2

कंप्यूटर में दिमाग

वायरिंग मैप को एक चालू मॉडल में बदलना, और मॉडल मक्खी को एक वर्चुअल शरीर देना

  1. पाठ 297: वायरिंग की मदद से दिमाग का सिमुलेशनरिसर्चर्स ने FlyWire मैप से पूरी मक्खी के दिमाग का एक कंप्यूटर मॉडल बनाया। इसने अनुमान लगाया कि कौन से न्यूरॉन्स खाने-पीने जैसे व्यवहार को चलाते हैं, और प्रयोगों ने इनमें से कुछ अनुमानों की पुष्टि भी की।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 298: मक्खी का वर्चुअल शरीरदिमाग को एक शरीर की ज़रूरत होती है। रिसर्चर्स ने मक्खी के शरीर का एक विस्तृत फ़िज़िक्स सिमुलेशन बनाया है जो चल और उड़ सकता है, और जिसे ट्रेंड न्यूरल नेटवर्क नियंत्रित करते हैं।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 3

दिमाग बनाम AI

असली न्यूरॉन्स और AI न्यूरॉन्स कैसे अलग हैं, और दिमाग इतनी कम बिजली में इतना सब कुछ कैसे कर लेता है

  1. पाठ 299: Spiking न्यूरॉन्स बनाम आर्टिफिशियल न्यूरॉन्सअसली न्यूरॉन्स समय के साथ छोटे-छोटे इलेक्ट्रिकल स्पाइक्स के ज़रिए बात करते हैं। ज़्यादातर AI मॉडल्स के न्यूरॉन्स साधारण संख्याओं का आदान-प्रदान करते हैं। एक आसान स्पाइकिंग न्यूरॉन बनाएं और फर्क देखें।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 300: दिमाग इतनी कम ऊर्जा क्यों खर्च करता हैइंसानी दिमाग लगभग 20 वॉट पर काम करता है। उन मुख्य बातों को जानें जो दिमाग को इतना कुशल बनाती हैं: कभी-कभार आने वाले स्पाइक्स, क्लॉक की जगह इवेंट्स पर काम करना, और मेमोरी का कंप्यूटिंग के ठीक पास होना।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 4

आगे क्या

दिमाग से प्रेरित चिप्स, और AI वायरिंग मैप से क्या सीख सकता है और क्या नहीं

  1. पाठ 301: Neuromorphic चिप्सNeuromorphic चिप्स ऐसे कंप्यूटर चिप्स होते हैं जिन्हें दिमाग की तरह काम करने के लिए डिज़ाइन किया गया है: स्पाइकिंग न्यूरॉन्स, क्लॉक की जगह इवेंट्स, और कंप्यूटिंग के पास मेमोरी। जानें कि वे किस काम में अच्छे हैं और उनकी सीमाएं क्या हैं।मध्यम4 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 302: AI दिमाग से क्या सीख सकता हैदिमाग ने पहले भी AI को प्रेरित किया है, और आगे भी कर सकता है। जानें कि कौन से विचार अपनाए जा रहे हैं, सिर्फ़ एक वायरिंग डायग्राम क्या नहीं बता सकता, और दिमाग के डेटा से जुड़े नैतिक सवाल क्या हैं।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट

शुरू होता है: मध्यम6 पाठ3 यूनिट्स

क्वांटम कंप्यूटिंग और AI

उन उत्सुक छात्रों के लिए जो थोड़ा-बहुत बीजगणित जानते हैं। आप बिना किसी गलतफहमी के सीखेंगे कि qubits, superposition, measurement और entanglement का असल में क्या मतलब है। आप numpy के साथ एक छोटा क्वांटम कंप्यूटर सिम्युलेटर बनाएंगे, और फिर ईमानदारी से देखेंगे कि क्वांटम कंप्यूटर AI और सुरक्षा के लिए क्या कर सकते हैं और क्या नहीं।

आप क्या कर पाएंगे
  • इस ट्रैक के बाद आप एक bit और qubit के बीच का अंतर समझा सकेंगे, और यह भी कि किसी qubit को नापने पर सिर्फ़ 0 या 1 ही क्यों मिलता है।
  • आप amplitudes को measurement probabilities में बदल सकते हैं और Python में measurements को simulate कर सकते हैं।
  • आप Bell state के ज़रिए entanglement को समझा सकते हैं, और यह भी कि यह रोशनी से तेज़ संदेश क्यों नहीं भेज सकता।
  • आप Hadamard, X और CNOT gates को matrices के रूप में इस्तेमाल करके छोटे circuits को simulate कर सकते हैं, और समझा सकते हैं कि बड़े simulations के लिए 2^n संख्याओं की ज़रूरत क्यों होती है।
  • आप साबित हो चुके quantum speed-ups और अनसुलझे सवालों के बीच का फर्क समझ सकते हैं, और बता सकते हैं कि आज post-quantum cryptography क्यों ज़रूरी है।
ट्रैक शुरू करें →
यूनिट और पाठ देखें

यूनिट 1

बुनियादी बातें

Qubits, superposition, measurement और entanglement, रहस्य के बजाय संख्याओं के साथ समझाए गए

  1. पाठ 303: Bits और qubitsएक bit 0 या 1 होता है। एक qubit को दो संख्याओं द्वारा समझाया जाता है जिन्हें amplitudes कहते हैं, लेकिन जब आप इसे देखते हैं तो आपको केवल 0 या 1 ही मिलता है। जानें कि इसका असल मतलब क्या है।मध्यम7 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 304: Superposition और measurementSuperposition का मतलब है एक ऐसी स्थिति जिसमें कई नतीजों के लिए amplitudes होते हैं। Measurement उनके आकार का वर्ग करके amplitudes को probabilities में बदल देता है। इसे numpy में simulate करें।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 305: बिना किसी रहस्य के Entanglementदो entangled qubits एक-दूसरे से दूर होने पर भी बिल्कुल मेल खाते नतीजे देते हैं। जानें कि Bell state क्या है, इन correlations का क्या मतलब है, और कोई भी संदेश रोशनी से तेज़ क्यों नहीं जा सकता।मध्यम5 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 2

करके देखें

numpy में एक छोटा quantum computer simulator बनाएं और देखें कि बड़े कंप्यूटर्स को simulate करना मुश्किल क्यों है

  1. पाठ 306: एक छोटे quantum computer को simulate करनाएक quantum state असल में amplitudes का एक vector होता है, और gates matrices होते हैं। numpy में Hadamard, X और CNOT बनाएं, एक Bell state तैयार करें, और देखें कि n qubits के लिए 2ⁿ संख्याओं की ज़रूरत क्यों होती है।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 3

Quantum और AI

Quantum computers मशीन लर्निंग के लिए क्या कर सकते हैं, क्या साबित हो चुका है, और सिक्योरिटी टीमें अभी से कदम क्यों उठा रही हैं

  1. पाठ 307: Quantum computers AI के लिए क्या कर सकते हैंQuantum machine learning रिसर्च का एक सक्रिय क्षेत्र है जिसमें दिलचस्प विचार और गंभीर अनसुलझी समस्याएं हैं। मुख्य विचारों, data loading की समस्या, और जो अभी तक पता नहीं है, उसके बारे में जानें।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 308: हाइप की पड़ताल: क्वांटम असल में कहाँ खड़ा हैआज के quantum computers छोटे और noisy हैं। जानें कि क्या साबित हो चुका है, error correction सबसे बड़ा लक्ष्य क्यों है, और सुरक्षा के लिए post-quantum cryptography अभी क्यों मायने रखती है।मध्यम7 मिनट का पाठ🧪 लैब📝 टेस्ट

शुरू होता है: एडवांस्ड5 पाठ2 यूनिट्स

AGI की ओर

उन डेवलपर्स के लिए जिन्होंने LLM ट्रैक पूरा कर लिया है। वे हिस्से जो सिर्फ मॉडल बड़ा करने से नहीं मिलेंगे — लगातार बढ़ती मेमोरी, ग्राउंडिंग और सेल्फ-इम्प्रूवमेंट — और सुरक्षा के ब्रेक कहाँ होने चाहिए।

आप क्या कर पाएंगे
  • समझाएं कि सिर्फ स्केलिंग से क्या हासिल नहीं होगा
  • ऐसी मेमोरी डिज़ाइन करें जो समय के साथ बढ़ती रहे
  • सिस्टम की भविष्यवाणियों को वास्तविक नतीजों से जोड़ें
  • खुद सुधरने वाले सिस्टम में सेफ्टी ब्रेक लगाएं
ट्रैक शुरू करें →
यूनिट और पाठ देखें

यूनिट 1

सिर्फ बड़े मॉडल से आगे

मेमोरी और ग्राउंडिंग: गायब हिस्से।

  1. पाठ 54: एक बड़ा LLM आपको क्या नहीं देगाअब आपने एक मॉडल बना लिया है। तो ईमानदारी से इंजीनियरिंग का सवाल यह है: गायब हिस्सों में से कौन-सी समस्याएं स्केल की हैं, और कौन-सी आर्किटेक्चर की?एडवांस्ड5 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 55: मेमोरी जो सच में जमा होती रहती हैचार तरह की मेमोरी, जिनमें से ज़्यादातर सिस्टम केवल एक को ही लागू करते हैं। बाकी तीन को बनाना ऐसे सिस्टम की दिशा में सबसे आसान कदम है जो इस्तेमाल के साथ बेहतर होते जाएं।एडवांस्ड7 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 56: ग्राउंडिंग: यह पता चलना कि आप गलत थेटेक्स्ट पर ट्रेन किया गया मॉडल वही सीखता है जो लोग कहते हैं कि होता है। ग्राउंडिंग का मतलब है किसी भविष्यवाणी को उसके नतीजे से जोड़ना — और यह एक ऐसा लूप है जिसे ज़्यादातर AI सिस्टम अब भी पूरा नहीं करते हैं।एडवांस्ड5 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 2

लूप को सुरक्षित रूप से पूरा करना

सेल्फ-इम्प्रूवमेंट, और ब्रेक के साथ पूरा स्टैक।

  1. पाठ 57: खुद में सुधार करने वाले सिस्टमलूप को पूरा कीजिए और सिस्टम अपने आप बेहतर होता चला जाता है। इस गाइड का यह सबसे रोमांचक आर्किटेक्चर है और इसी में ब्रेक पर हाथ रखना सबसे ज़्यादा ज़रूरी है।एडवांस्ड6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 58: रेफरेंस स्टैक, जहाँ ब्रेक के निशान हैंदोनों ट्रैक्स की हर चीज़ एक ही आर्किटेक्चर में। यह देखने के लिए किसी भी लेयर पर क्लिक करें कि वह क्या करती है और कंट्रोल पॉइंट कहाँ है।एडवांस्ड7 मिनट का पाठ🧪 लैब📝 टेस्ट

शुरू होता है: शुरुआती8 पाठ3 यूनिट्स

एक AGI बनाएं

खुद करके देखें, कोड के साथ। एक छोटा ऑटोनॉमस लूप बनाएं जो योजना बनाता है, कोड लिखता है, उसे चलाता है और अपनी गलतियों को खुद ठीक करता है — फिर इसे इतना सुरक्षित बनाएं कि इस पर भरोसा किया जा सके।

आप क्या कर पाएंगे
  • डिजिटल संज्ञान के तीन स्तरों को समझाएं
  • OODA साइकिल के इर्द-गिर्द एक 'प्लान, कोड, रन और फिक्स' लूप बनाएं
  • वेरिफ़ायर और सैंडबॉक्स को भरोसेमंद बनाएं
  • सैकड़ों स्टेप्स के बाद भी वर्किंग मेमोरी को उपयोगी बनाए रखें
  • दूसरों को जिम्मेदारी से ऐसे सिस्टम बनाने के लिए मेंटर करें
ट्रैक शुरू करें →
यूनिट और पाठ देखें

यूनिट 1

आर्किटेक्चर

एक चेकर साधारण टेक्स्ट जनरेटर को एक भरोसेमंद सिस्टम में कैसे बदल देता है।

  1. पाठ 61: डिजिटल संज्ञान के तीन स्तरएक मॉडल जो बात करता है, एक मॉडल जो खुद को जांचता है, और एक सिस्टम जो अपने दम पर काम करता है। AGI को लेकर ज़्यादातर भ्रम इन तीनों को आपस में मिलाने से होता है।शुरुआती7 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 62: मॉडल प्रस्ताव रखता है, कंपाइलर फैसला करता हैवह एक अकेला वाक्य जो एक अविश्वसनीय टेक्स्ट जनरेटर को ऐसे सिस्टम में बदल देता है जिस पर आप असली काम के लिए भरोसा कर सकते हैं।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 63: OODA लूप और चार स्तंभआर्किटेक्चर। एक लगातार चलने वाले चक्र में चार सॉफ्टवेयर कंपोनेंट्स — और यह समझने का कारण कि यह एक पाइपलाइन के बजाय एक चक्र क्यों है।मध्यम7 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 2

इसे बनाएं और मजबूत बनाएं

मिनी-AGI इंजन, एक बेहतर वेरिफ़ायर और एक असली सैंडबॉक्स।

  1. पाठ 64: हैंड्स ऑन: मिनी-AGI इंजनएक फाइल, लगभग सौ लाइनें। यह योजना बनाती है, कोड लिखती है, उसे चलाती है, एरर पढ़ती है और खुद को ठीक करती है। ऊपर बताई गई हर बात, हकीकत में।मध्यम8 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 65: आपके वेरिफ़ायर में छिपा बगऊपर वाला लूप जैसे ही कोड बिना क्रैश हुए चल जाता है, जीत की घोषणा कर देता है। कोड का बिना रुके चलना सही होने का सबूत नहीं है, और इसी गैप की वजह से खुद सुधरने वाले सिस्टम गलतियां कर बैठते हैं।एडवांस्ड7 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 66: एक्ज़ीक्यूटर को एक असली सैंडबॉक्स बनानाइस ट्यूटोरियल का एक्ज़ीक्यूटर आपकी मशीन पर आपके क्रेडेंशियल्स के साथ ऐसा कोड चलाता है जिसे हमलावर प्रभावित कर सकता है। इससे पहले कि यह आपकी किसी भी ज़रूरी चीज़ को छुए, यहाँ जानिए कि क्या बदलना ज़रूरी है।एडवांस्ड7 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 3

इसे स्केल करें और आगे बढ़ाएं

लंबे समय तक चलने वाले कामों के लिए मेमोरी, और अगली पीढ़ी के डेवलपर्स को सिखाना।

  1. पाठ 67: वर्किंग मेमोरी जो लूप में भी टिकी रहेएक लंबी होती स्ट्रिंग तीन बार दोहराने के लिए ठीक है, लेकिन तीन सौ बार के लिए बेकार है। स्टेट को रिट्रीवल से अलग करना ही वह तरीका है जिससे कोई एजेंट मिनटों के बजाय घंटों तक काम कर पाता है।एडवांस्ड7 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 68: अगली पीढ़ी के डेवलपर्स को यह सिखानाकिसी को कैसे मेंटर करें — चाहे वह कोई उत्सुक टीनेजर हो या कोई जूनियर इंजीनियर — ताकि वे सिर्फ चैट बॉक्स पर एक नया रैपर बनाने के बजाय ऐसे सिस्टम बनाएं जो सच में काम आएं।शुरुआती6 मिनट का पाठ🧪 लैब📝 टेस्ट

शुरू होता है: एडवांस्ड8 पाठ4 यूनिट्स

मॉडल के अंदर: इंटरप्रिटेबिलिटी

उन सीखने वालों के लिए जिन्होंने एक छोटा GPT बनाया है और अब जानना चाहते हैं कि इसके अंदर क्या चल रहा है। आप लीनियर प्रोब्स से लेकर स्पार्स ऑटोएनकोडर्स, सर्किट्स और एक्टिवेशन स्टीयरिंग तक, इंटरप्रिटेबिलिटी रिसर्च के मुख्य टूल्स के बारे में जानेंगे, और छोटे numpy प्रयोगों में हर एक को आज़माएंगे। आप यह भी जानेंगे कि ये टूल्स अभी क्या नहीं कर सकते, और ये AI सुरक्षा में कैसे फिट बैठते हैं।

आप क्या कर पाएंगे
  • इस ट्रैक के बाद आप किसी मॉडल के व्यवहार (behaviour) की टेस्टिंग करने और उसके काम करने के तरीके (mechanism) को समझने के बीच का अंतर समझा सकेंगे।
  • आप activations पर एक linear probe को ट्रेन कर सकेंगे और यह समझा सकेंगे कि probe के काम करने का यह मतलब क्यों नहीं है कि मॉडल उस जानकारी का इस्तेमाल कर ही रहा है।
  • आप polysemantic neurons और superposition को समझा सकेंगे, और एक छोटा sparse autoencoder ट्रेन कर सकेंगे जो छिपे हुए features को बाहर निकाल सके।
  • आप activation patching, induction heads और activation steering के बारे में बता सकेंगे, और इन सभी के छोटे (toy) वर्ज़न चला सकेंगे।
  • आप सुरक्षा के लिए interpretability से जुड़े दावों को परख सकेंगे: कौन-सा नतीजा असली है, कौन-सी सिर्फ एक उम्मीद है, और क्या अभी भी अनसुलझा है।
ट्रैक शुरू करें →
यूनिट और पाठ देखें

यूनिट 1

क्यों और कैसे

हम मॉडल्स के अंदर क्यों झांकते हैं, और वे पहले दो टूल्स जिनका इस्तेमाल लोग सबसे पहले करते हैं

  1. पाठ 309: मॉडल के अंदर क्यों झांकें?मॉडल क्या करता है यह टेस्ट करने से बहुत कुछ पता चलता है, लेकिन यह नहीं कि वह ऐसा क्यों करता है। Interpretability सीधे उसके काम करने के तरीके (mechanism) को समझने की कोशिश करती है।एडवांस्ड6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 310: Probing: एक layer क्या जानती है?यह देखने के लिए कि एक layer के activations में क्या जानकारी मौजूद है, उस पर एक साधारण classifier ट्रेन करें। फिर समझें कि 'जानकारी का मौजूद होना' और 'मॉडल द्वारा उसका इस्तेमाल किया जाना' एक बात क्यों नहीं है।एडवांस्ड5 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 311: Attention maps और उनकी सीमाएंAttention weights यह दिखाते हैं कि कोई head कहां देख रहा है। वे यह नहीं दिखाते कि वह वहां से क्या ले रहा है, या मॉडल उसका क्या करता है।एडवांस्ड6 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 2

Features

मॉडल्स क्या दर्शाते हैं, अकेले neurons को समझना क्यों मुश्किल है, और उनकी गुत्थी कैसे सुलझाएं

  1. पाठ 312: Features और superpositionएक अकेला neuron अक्सर कई असंबंधित चीज़ों पर प्रतिक्रिया देता है। इसकी एक बड़ी वजह यह मानी जाती है कि मॉडल्स अपने dimensions से कहीं ज़्यादा features को समेट लेते हैं।एडवांस्ड6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 313: Sparse autoencodersमॉडल के activations से sparse features की एक बड़ी डिक्शनरी सीखें, ताकि हर activation को कुछ आसानी से समझ आने वाले हिस्सों में समझाया जा सके।एडवांस्ड6 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 3

Mechanisms

मॉडल क्या दर्शाता है से लेकर वह गणना कैसे करता है: causal tests, circuits और steering

  1. पाठ 314: Circuits: किसी व्यवहार का पता लगानाअलग-अलग रन के बीच activations को बदलकर पता लगाएं कि मॉडल के कौन-से हिस्से किसी खास व्यवहार की वजह हैं। Induction heads इसका सबसे बेहतरीन उदाहरण हैं।एडवांस्ड6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 315: Activations के ज़रिए मॉडल्स को steer करनाचलते हुए मॉडल के activations में अपनी पसंद की दिशा जोड़ें, और उसका व्यवहार बदल जाता है। यह रिसर्च के लिए काम का है, और यह भी याद दिलाता है कि safety training कितनी नाज़ुक हो सकती है।एडवांस्ड6 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 4

तो इससे क्या?

आज AI सुरक्षा के लिए interpretability क्या कर सकती है और क्या नहीं

  1. पाठ 316: सुरक्षा के लिए interpretability: उम्मीदें और सीमाएंकई लोगों को उम्मीद है कि मॉडल्स के अंदर झांककर एक दिन धोखेबाज़ी या छिपे हुए इरादों को पकड़ा जा सकेगा। यहां जानिए कि आज क्या सच है, क्या सिर्फ एक उम्मीद है, और यह evaluations के साथ कैसे मेल खाता है।एडवांस्ड6 मिनट का पाठ🧪 लैब📝 टेस्ट

शुरू होता है: एडवांस्ड7 पाठ3 यूनिट्स

Frontier alignment research

उन एडवांस सीखने वालों के लिए जो पहले से जानते हैं कि alignment मुश्किल क्यों है और यह जानना चाहते हैं कि रिसर्चर्स वास्तव में इस पर कैसे काम करते हैं। आप मुख्य रिसर्च तरीके सीखेंगे, हर तरीका क्या साबित करने की कोशिश कर रहा है, कहां लोगों के विचार अलग हैं, और अपना खुद का एक छोटा alignment प्रोजेक्ट कैसे चुनें और प्लान करें।

आप क्या कर पाएंगे
  • इस ट्रैक के बाद आप AI के व्यवहार को लेकर किसी अस्पष्ट चिंता को एक साफ भविष्यवाणी वाले, टेस्ट किए जा सकने वाले रिसर्च सवाल में बदल सकेंगे।
  • आप scalable oversight, Constitutional AI, debate और weak-to-strong generalisation को समझा सकेंगे, साथ ही यह भी कि इनमें से हर तरीका क्या दिखा सकता है और क्या नहीं।
  • आप बता सकेंगे कि खतरनाक क्षमताओं के evaluations और responsible-scaling जैसी नीतियां कैसे काम करती हैं, और उनकी मुख्य आलोचनाएं क्या हैं।
  • आप समझा सकेंगे कि misalignment का model organism क्या होता है और कागज़ पर सुरक्षित रूप से इसे कैसे डिज़ाइन किया जाए।
  • आप हल करने लायक एक alignment रिसर्च समस्या चुन सकेंगे और उसके लिए एक पेज का प्रस्ताव (proposal) लिख सकेंगे।
ट्रैक शुरू करें →
यूनिट और पाठ देखें

यूनिट 1

तरीके (Methods)

रिसर्चर्स alignment से जुड़ी चिंताओं को प्रयोगों में कैसे बदलते हैं, और शक्तिशाली मॉडल्स की निगरानी के लिए चार मुख्य तरीके

  1. पाठ 317: सिद्धांतों से रिसर्च के तरीकों तकआप इन चिंताओं को जानते हैं: कमियों का फायदा उठाना (loopholes), ताकत हासिल करने की कोशिश (power-seeking), टेस्ट में अच्छा दिखने का दिखावा। रिसर्च तब शुरू होती है जब कोई चिंता एक ऐसा सवाल बन जाती है जिसका जवाब कोई प्रयोग या तर्क दे सके।एडवांस्ड7 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 318: Scalable oversightआप ऐसे सिस्टम के काम की जांच कैसे करेंगे जो शायद आपसे भी ज़्यादा जानता हो? Scalable oversight उन विचारों का समूह है जो तब AI की निगरानी में मदद करते हैं जब इंसानी समझ अकेले काफी नहीं होती।एडवांस्ड7 मिनट का पाठ🧪 लैब📝 टेस्ट
  3. पाठ 319: Constitutional और नियम-आधारित ट्रेनिंगलाखों जवाबों को हाथ से जांचने के बजाय, नियम लिख दें और AI के फीडबैक को उन्हें लागू करने दें। जानें कि Constitutional AI कैसे काम करता है, यह क्यों मददगार है, और यह कहां कमज़ोर पड़ता है।एडवांस्ड7 मिनट का पाठ🧪 लैब📝 टेस्ट
  4. पाठ 320: Debate और weak-to-strong generalisationज़्यादा शक्तिशाली सिस्टम्स की निगरानी के लिए दो रिसर्च विचार: AI आपस में बहस करें और इंसान फैसला करे, और यह जांचना कि क्या एक कमज़ोर सुपरवाइज़र किसी शक्तिशाली मॉडल को अच्छी तरह ट्रेन कर सकता है। जानें कि ये प्रयोग क्या दिखा सकते हैं और क्या नहीं।एडवांस्ड6 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 2

गड़बड़ियों की जांच

रिलीज़ से पहले जोखिम भरी क्षमताओं को मापना, और सुरक्षित रूप से अध्ययन करने के लिए विफलता के नियंत्रित उदाहरण तैयार करना

  1. पाठ 321: खतरनाक क्षमताओं के evaluationsकिसी शक्तिशाली मॉडल को रिलीज़ करने से पहले, टीमें यह टेस्ट करती हैं कि क्या वह गंभीर नुकसान पहुंचाने वाले काम कर सकता है। जानें कि ये evaluations कैसे डिज़ाइन किए जाते हैं, मॉडल की पूरी क्षमता निकालना क्यों ज़रूरी है, और सीमाएं (thresholds) नतीजों को फैसलों से कैसे जोड़ती हैं।एडवांस्ड7 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 322: Misalignment के model organismsजीवविज्ञानी मक्खियों और चूहों में बीमारियों का अध्ययन करते हैं। Alignment रिसर्चर्स जानबूझकर गलत व्यवहार (misaligned behaviour) के छोटे, नियंत्रित उदाहरण बनाते हैं ताकि असल दुनिया में दिखने से पहले वे सुरक्षित रूप से इसका अध्ययन कर सकें।एडवांस्ड6 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 3

आपकी बारी

ऐसी रिसर्च समस्या चुनना जिस पर आप वाकई आगे बढ़ सकें, और उसकी योजना बनाना

  1. पाठ 323: एक alignment रिसर्च समस्या चुननाअच्छी रिसर्च एक अच्छी समस्या से शुरू होती है। रिसर्च की समझ (taste), काम की व्यावहारिकता (tractability) और फीडबैक लूप को परखना सीखें, पेपर्स ढूंढें और पढ़ें, कम compute में काम करें, मिलकर काम करें, और रिसर्च पब्लिश करने की सुरक्षा के बारे में सोचें।एडवांस्ड7 मिनट का पाठ🧪 लैब📝 टेस्ट

शुरू होता है: मध्यम6 पाठ3 यूनिट्स

AI रिसर्च कैसे करें

भारत के उन कॉलेज छात्रों, नए रिसर्चर्स और खुद से सीखने वालों के लिए जो सिर्फ पढ़ने के बजाय असली AI रिसर्च करना चाहते हैं। आप किसी पेपर को तेज़ी से पढ़ना, किसी नतीजे को खुद दोहराना (reproduce करना), एक निष्पक्ष प्रयोग डिज़ाइन करना, कम compute के साथ काम करना, अपनी खोज को लिखना, और रिसर्च में अपना रास्ता चुनना सीखेंगे। शुरुआत के लिए किसी मशहूर लैब या बड़े बजट की ज़रूरत नहीं है।

आप क्या कर पाएंगे
  • इस ट्रैक के बाद आप किसी AI पेपर को तीन बार में समझकर पढ़ सकेंगे और परख सकेंगे कि उसका evaluation मज़बूत है या कमज़ोर।
  • आप किसी पब्लिश किए गए नतीजे को छोटे पैमाने पर दोहरा (reproduce कर) सकेंगे, हर अंतर को नोट कर सकेंगे, और किसी भी अंतर को ईमानदारी से समझा सकेंगे।
  • आप एक साफ हाइपोथीसिस (परिकल्पना), निष्पक्ष baselines, ablations, कई random seeds और साफ train, validation और test split के साथ एक प्रयोग डिज़ाइन कर सकेंगे।
  • आप कम compute बजट में फिट बैठने वाले प्रयोगों की योजना बना सकेंगे और साफ चित्रों, ईमानदार सीमाओं और ओपन कोड के साथ अपने नतीजों को लिख सकेंगे।
  • आप भारत में रिसर्च का एक व्यावहारिक रास्ता चुन सकेंगे, किसी मेंटर से सही तरीके से संपर्क कर सकेंगे, और रिसर्च की ईमानदारी (integrity) के बुनियादी नियमों का पालन कर सकेंगे।
ट्रैक शुरू करें →
यूनिट और पाठ देखें

यूनिट 1

पढ़ें और दोहराएं (reproduce करें)

पेपर्स को तेज़ी से और अच्छी तरह पढ़ें, फिर खुद रन करके देखें कि क्या वह नतीजा वाकई सही साबित होता है

  1. पाठ 324: 30 मिनट में एक पेपर पढ़नाकिसी पेपर को समझने के लिए आपको उसका एक-एक शब्द पढ़ने की ज़रूरत नहीं है। उसे तीन चरणों में पढ़ें, एक तय टेम्पलेट में नोट्स बनाएं, और कमज़ोर evaluation को पहचानना सीखें।मध्यम8 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 325: किसी नतीजे को दोहराना (reproduce करना)किसी पेपर को सच में समझने का सबसे अच्छा तरीका यह है कि उसका नतीजा आप अपने कंप्यूटर पर निकाल कर देखें। छोटी शुरुआत करें, किसी एक संख्या का मिलान करें, और हर अंतर को नोट करें।मध्यम8 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 2

प्रयोग चलाएं

ऐसे प्रयोग डिज़ाइन करें जो भरोसेमंद जवाब दें, और उन्हें अपने मौजूदा compute के साथ चलाएं

  1. पाठ 326: एक साफ-सुथरा प्रयोग डिज़ाइन करनाएक अच्छा प्रयोग किसी एक स्पष्ट सवाल का निष्पक्ष रूप से जवाब देता है। एक छोटे Python उदाहरण के साथ hypotheses, baselines, ablations, random seeds और साफ data splits के बारे में जानें।मध्यम9 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 327: कम बजट में Computeआप बड़े GPU क्लस्टर के बिना भी असली रिसर्च कर सकते हैं। छोटी शुरुआत करें, मुफ़्त और अकादमिक संसाधनों का समझदारी से उपयोग करें, कुशल (efficient) कोड लिखें, और जानें कि आपको सच में ज़्यादा रिसोर्स कब चाहिए।मध्यम7 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 3

शेयर करें और आगे बढ़ें

अपने काम को ईमानदारी से लिखें, उसे खुले तौर पर शेयर करें, और भारत में अपने लिए रास्ता और मेंटर्स खोजें

  1. पाठ 328: अपने नतीजों को लिखना और शेयर करनाऐसी रिसर्च जिसे कोई पढ़ या जांच न सके, किसी के काम नहीं आती। एक पेपर का ढांचा, साफ चित्र, ईमानदार सीमाएं, और preprints, कोड, ब्लॉग्स और वर्कशॉप्स के ज़रिए काम शेयर करना सीखें।मध्यम9 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 329: भारत में AI रिसर्च के रास्तेAI रिसर्च में जाने का एक से ज़्यादा रास्ता है। मुख्य रास्तों की तुलना करें, जानें कि मेंटर्स कैसे खोजें और उनसे कैसे संपर्क करें, और रिसर्च ईमानदारी (integrity) के नियमों को समझें।मध्यम7 मिनट का पाठ🧪 लैब📝 टेस्ट

शुरू होता है: मध्यम6 पाठ3 यूनिट्स

कैपस्टोन प्रोजेक्ट्स

उन सीखने वालों के लिए जिन्होंने कुछ सबक पूरे कर लिए हैं और अब अकेले, दोस्तों के साथ या अपनी क्लास के साथ कुछ असली बनाना चाहते हैं। आप अपने आस-पास के लोगों से जुड़ी एक छोटी समस्या चुनेंगे, उसे एक पेज पर प्लान करेंगे, और एक grounded chatbot या scam detector बनाएंगे। फिर आप सुरक्षित तरीके से और उनकी सहमति से असली लोगों के साथ इसकी जांच करेंगे, और इसकी सीमाओं को ईमानदारी से बताते हुए इसे शेयर करेंगे।

आप क्या कर पाएंगे
  • इस ट्रैक के बाद आप ऐसा प्रोजेक्ट चुन सकते हैं जो असली लोगों की असली समस्या हल करे, और उसे इतने छोटे दायरे में ला सकते हैं जिसे आप दो हफ़्तों में पूरा कर सकें।
  • आप समस्या, यूज़र्स, डेटा, सफलता के पैमाने, जोखिमों और टाइमलाइन के साथ एक पेज का प्लान लिख सकते हैं।
  • आप एक ऐसा chatbot बना सकते हैं जो केवल आपकी भरोसेमंद सामग्री से जवाब देता है, उसका हवाला देता है, और पक्का न होने पर "not found" कहता है।
  • आप एक rule-based scam detector बना सकते हैं और लेबल किए गए उदाहरणों के साथ इसके छूटे मामलों और झूठे अलार्मों को माप सकते हैं।
  • आप सहमति के साथ एक छोटा पायलट चला सकते हैं, टेस्टर्स की प्राइवेसी की हिफ़ाज़त कर सकते हैं, और सच्ची सीमाओं के साथ एक डेमो और README पब्लिश कर सकते हैं।
ट्रैक शुरू करें →
यूनिट और पाठ देखें

यूनिट 1

प्लान करें

एक असली समस्या चुनें, उसे ज़रूरत के मुताबिक छोटा करें, और पूरा प्लान एक पेज पर लिखें

  1. पाठ 330: एक काम का प्रोजेक्ट चुननापहला सबसे अच्छा प्रोजेक्ट वह होता है जो उन लोगों की छोटी और असली समस्या हल करे जिनसे आप असल में बात कर सकते हैं। जानें कि ऐसा प्रोजेक्ट कैसे ढूंढें और इसे दो हफ़्ते के काम जितना छोटा कैसे करें।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 331: इसे एक पेज में प्लान करेंएक पेज के प्लान में समस्या, यूज़र्स, डेटा, सफलता मापने का तरीका, जोखिम और टाइमलाइन बताई जाती है। यह पूरी टीम को फोकस्ड रखता है और प्रोजेक्ट को समझाना आसान बनाता है।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 2

बनाएं

शुरुआत के लिए दो प्रोजेक्ट: आपकी भाषा के लिए एक grounded chatbot, और आपके परिवार के लिए एक scam detector

  1. पाठ 332: अपनी भाषा के लिए एक chatbot बनाएंएक काम का छोटा chatbot सिर्फ़ उसी सामग्री से जवाब देता है जिस पर आप भरोसा करते हैं, उसका हवाला देता है, यूज़र्स के लिखने के असली अंदाज़ को समझता है, और अंदाज़ा लगाने के बजाय "not found" कहता है।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 333: अपने परिवार के लिए एक scam detector बनाएंसाधारण नियम और एक स्कोर कई आम स्कैम मैसेज को पहचान सकते हैं। जानें कि यह किन मामलों को पकड़ता है, क्या इससे छूट जाता है और कितनी बार यह झूठी चेतावनी देता है।मध्यम7 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 3

रिलीज़ करें

असली लोगों के साथ सुरक्षित रूप से और उनकी सहमति से टेस्ट करें, फिर अपना काम ईमानदारी से शेयर करें

  1. पाठ 334: असली लोगों के साथ इसे टेस्ट करेंकुछ असली यूज़र्स के साथ एक छोटा पायलट अकेले हफ़्तों तक प्रोजेक्ट बनाने से कहीं ज़्यादा सिखाता है। इसे सहमति से करें, सिर्फ़ ज़रूरी चीज़ें इकट्ठा करें, मापें और सुधारें।मध्यम6 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 335: इसे शेयर करें और फ़ीडबैक पाएंएक छोटा डेमो, ईमानदार सीमाओं के साथ एक स्पष्ट README, और एक सही लाइसेंस आपके प्रोजेक्ट को ऐसा बनाते हैं जिससे दूसरे सीख सकें, और जिसे आप दूसरों को दिखा सकें।मध्यम7 मिनट का पाठ🧪 लैब📝 टेस्ट

शुरू होता है: शुरुआती3 पाठ2 यूनिट्स

इसे अमल में लाएं

सब कुछ एक साथ लाएं। AI की समयसीमाओं (timelines) पर ईमानदारी से बात करें, किसी एजेंट को लाइव करने से पहले उसकी जांच करें, और फाइनल परीक्षा से पहले हर ज़रूरी शब्द को दोहराएं।

आप क्या कर पाएंगे
  • AI की समयसीमाओं (timelines) पर बिना किसी बढ़ा-चढ़ाकर की गई बात या अनदेखी के, ईमानदारी से चर्चा करें
  • किसी एजेंट के असली सिस्टम्स को छूने से पहले एक प्री-फ़्लाइट चेकलिस्ट चलाएं
  • मुख्य टर्म्स को दोहराएं और फ़ाइनल एग्ज़ाम देकर खुद को परखें
ट्रैक शुरू करें →
यूनिट और पाठ देखें

यूनिट 1

जो सीखा है, उसका इस्तेमाल करें

ईमानदार बातचीत और एक ऐसी चेकलिस्ट जिसे आप आज ही इस्तेमाल कर सकते हैं।

  1. पाठ 59: टाइमलाइन को लेकर बहस कैसे करेंडिनर पर आपसे पूछा जाएगा "तो AI कब कब्ज़ा कर रहा है?" यहाँ बताया गया है कि न तो हाइप बनाने वाले लगें और न ही निराशावादी, और ईमानदारी से जवाब कैसे दें।शुरुआती5 मिनट का पाठ🧪 लैब📝 टेस्ट
  2. पाठ 60: प्री-फ़्लाइट चेकलिस्टइस गाइड की हर बात, ऐसी चीज़ों में समेटी गई है जिन्हें एजेंट के किसी असली चीज़ को छूने से पहले आप टिक कर सकते हैं। इसे प्रिंट करें। इस्तेमाल करें।मध्यम4 मिनट का पाठ🧪 लैब📝 टेस्ट

यूनिट 2

फ़ाइनल रीव्यू

हर टर्म एक ही जगह, और फिर फ़ाइनल एग्ज़ाम।

  1. पाठ 69: ग्लॉसरी और फ़ाइनल एग्ज़ामहर टर्म एक ही जगह, फिर पूरी गाइड से लिए गए पंद्रह सवाल। सोलह सही करें और मान लीजिए कि आपने इसे वाकई समझ लिया है।शुरुआती5 मिनट का पाठ🧪 लैब📝 टेस्ट

रिवीज़न करें और खुद को परखें