← सभी ट्रैक

लर्निंग पाथ

AI इंजीनियर

असली AI प्रोडक्ट्स शिप करें: एजेंट्स, अपने डॉक्यूमेंट्स में सर्च, इवैल्यूएशन और छोटे तेज़ मॉडल्स।

41 पाठ · 260 मिनट बाकी

पाथ शुरू करें → एक large language model क्या करता है
  1. बुनियादी बातेंपाठ 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
  2. बुनियादी बातेंपाठ 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. AI एजेंट्स बनानापाठ 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
  4. AI एजेंट्स बनानापाठ 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
  5. AI एजेंट्स बनानापाठ 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
  6. AI एजेंट्स बनानापाठ 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
  7. AI एजेंट्स बनानापाठ 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
  8. AI एजेंट्स बनानापाठ 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
  9. AI एजेंट्स बनानापाठ 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
  10. AI एजेंट्स बनानापाठ 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
  11. AI एजेंट्स बनानापाठ 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
  12. AI एजेंट्स बनानापाठ 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
  13. AI एजेंट्स बनानापाठ 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
  14. RAG और सर्च इंजीनियरिंगपाठ 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
  15. RAG और सर्च इंजीनियरिंगपाठ 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
  16. RAG और सर्च इंजीनियरिंगपाठ 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
  17. RAG और सर्च इंजीनियरिंगपाठ 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
  18. RAG और सर्च इंजीनियरिंगपाठ 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
  19. RAG और सर्च इंजीनियरिंगपाठ 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
  20. RAG और सर्च इंजीनियरिंगपाठ 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
  21. RAG और सर्च इंजीनियरिंगपाठ 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
  22. RAG और सर्च इंजीनियरिंगपाठ 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
  23. RAG और सर्च इंजीनियरिंगपाठ 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
  24. AI सिस्टम्स का मूल्यांकन (Evaluation)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
  25. AI सिस्टम्स का मूल्यांकन (Evaluation)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
  26. AI सिस्टम्स का मूल्यांकन (Evaluation)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
  27. AI सिस्टम्स का मूल्यांकन (Evaluation)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
  28. AI सिस्टम्स का मूल्यांकन (Evaluation)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
  29. AI सिस्टम्स का मूल्यांकन (Evaluation)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
  30. AI सिस्टम्स का मूल्यांकन (Evaluation)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
  31. AI सिस्टम्स का मूल्यांकन (Evaluation)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
  32. AI सिस्टम्स का मूल्यांकन (Evaluation)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
  33. छोटे और ऑन-डिवाइस मॉडल्सपाठ 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
  34. छोटे और ऑन-डिवाइस मॉडल्सपाठ 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
  35. छोटे और ऑन-डिवाइस मॉडल्सपाठ 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
  36. छोटे और ऑन-डिवाइस मॉडल्सपाठ 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
  37. छोटे और ऑन-डिवाइस मॉडल्सपाठ 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
  38. छोटे और ऑन-डिवाइस मॉडल्सपाठ 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
  39. छोटे और ऑन-डिवाइस मॉडल्सपाठ 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
  40. छोटे और ऑन-डिवाइस मॉडल्सपाठ 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
  41. AI ऐप्लिकेशन्स को सुरक्षित करनापाठ 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