AI શું છે?

AI દરેક જગ્યાએ દેખાય છે - તમારા ફોન પર, તમારા ઇનબોક્સમાં, નકશાઓ બનાવવા, ઇમેઇલ્સ લખવા જે તમે લખવા માંગતા હતા. પણ AI શું છે ? ટૂંકું સંસ્કરણ: તે તકનીકોનો સમૂહ છે જે કમ્પ્યુટર્સને માનવ બુદ્ધિ સાથે સંકળાયેલા કાર્યો કરવા દે છે, જેમ કે પેટર્ન ઓળખવા, આગાહીઓ કરવા અને ભાષા અથવા છબીઓ જનરેટ કરવા. આ હાથથી લહેરાતું માર્કેટિંગ નથી. તે ગણિત, ડેટા અને ઘણા બધા ટ્રાયલ-એન્ડ-એરર સાથેનું ગ્રાઉન્ડેડ ક્ષેત્ર છે. અધિકૃત સંદર્ભો AI ને એવી સિસ્ટમ તરીકે ફ્રેમ કરે છે જે શીખી શકે છે, તર્ક આપી શકે છે અને લક્ષ્યો તરફ કાર્ય કરી શકે છે જે રીતે આપણે બુદ્ધિશાળી માનીએ છીએ. [1]

આ પછી તમને વાંચવા ગમશે તેવા લેખો:

🔗 ઓપન સોર્સ AI શું છે?
ઓપન-સોર્સ AI, ફાયદા, લાઇસન્સિંગ મોડેલ્સ અને સમુદાય સહયોગને સમજો.

🔗 AI માં ન્યુરલ નેટવર્ક શું છે?
ન્યુરલ નેટવર્કની મૂળભૂત બાબતો, આર્કિટેક્ચરના પ્રકારો, તાલીમ અને સામાન્ય ઉપયોગો શીખો.

🔗 AI માં કમ્પ્યુટર વિઝન શું છે?
મશીનો છબીઓ, મુખ્ય કાર્યો, ડેટાસેટ્સ અને એપ્લિકેશનોનું અર્થઘટન કેવી રીતે કરે છે તે જુઓ.

🔗 સાંકેતિક AI શું છે?
સાંકેતિક તર્ક, જ્ઞાન આલેખ, નિયમો અને હાઇબ્રિડ ન્યુરો-સિમ્બોલિક સિસ્ટમ્સનું અન્વેષણ કરો.

AI શું છે: ઝડપી સંસ્કરણ 🧠➡️💻

AI એ પદ્ધતિઓનો સમૂહ છે જે સોફ્ટવેરને બુદ્ધિશાળી વર્તનનો અંદાજ કાઢવા દે છે. દરેક નિયમને કોડ કરવાને બદલે, અમે ઘણીવાર તાલીમ આપીએ છીએ જેથી તેઓ નવી પરિસ્થિતિઓ - છબી ઓળખ, વાણી-થી-ટેક્સ્ટ, રૂટ પ્લાનિંગ, કોડ સહાયકો, પ્રોટીન માળખું આગાહી, વગેરે - ને સામાન્ય બનાવી શકે. જો તમને તમારી નોંધો માટે સુઘડ વ્યાખ્યા ગમે છે: વિચારો કે કમ્પ્યુટર સિસ્ટમ્સ માનવ બૌદ્ધિક પ્રક્રિયાઓ જેમ કે તર્ક, અર્થ શોધવા અને ડેટામાંથી શીખવા સાથે જોડાયેલા કાર્યો કરે છે. [1]

આ ક્ષેત્રમાંથી એક મદદરૂપ માનસિક મોડેલ એ છે કે AI ને ધ્યેય-નિર્દેશિત સિસ્ટમ જે તેમના પર્યાવરણને સમજે છે અને ક્રિયાઓ પસંદ કરે છે - જ્યારે તમે મૂલ્યાંકન અને નિયંત્રણ લૂપ્સ વિશે વિચારવાનું શરૂ કરો છો ત્યારે ઉપયોગી છે. [1]

AI ખરેખર શું ઉપયોગી બનાવે છે✅

પરંપરાગત નિયમોને બદલે AI નો ઉપયોગ શા માટે કરવો?

• પેટર્ન પાવર - મોડેલો વિશાળ ડેટાસેટ્સમાં સૂક્ષ્મ સહસંબંધો શોધે છે જે માનવીઓ લંચ પહેલાં ચૂકી જશે.

• અનુકૂલન - વધુ ડેટા સાથે, બધા કોડ ફરીથી લખ્યા વિના પ્રદર્શનમાં સુધારો થઈ શકે છે.

• સ્કેલ પર ગતિ - એકવાર તાલીમ લીધા પછી, મોડેલો ઝડપથી અને સતત દોડે છે, તણાવપૂર્ણ વોલ્યુમમાં પણ.

• જનરેટિવિટી - આધુનિક સિસ્ટમો ફક્ત વસ્તુઓનું વર્ગીકરણ જ નહીં, પણ ટેક્સ્ટ, છબીઓ, કોડ, અને ઉમેદવાર પરમાણુઓ પણ ઉત્પન્ન કરી શકે છે.

• સંભાવનાવાદી વિચારસરણી - તેઓ બરડ જંગલો કરતાં અનિશ્ચિતતાને વધુ સુંદરતાથી સંભાળે છે.

• ટૂલ-યુઝિંગ ટૂલ્સ - તમે વિશ્વસનીયતા વધારવા માટે મોડેલ્સને કેલ્ક્યુલેટર, ડેટાબેઝ અથવા શોધ સાથે જોડી શકો છો.

• જ્યારે તે સારું ન હોય - પૂર્વગ્રહ, ભ્રમ, જૂનો તાલીમ ડેટા, ગોપનીયતા જોખમો. આપણે ત્યાં પહોંચીશું.

ચાલો પ્રમાણિક રહીએ: ક્યારેક AI મન માટે સાયકલ જેવું લાગે છે, અને ક્યારેક તે કાંકરી પરની યુનિસાયકલ જેવું લાગે છે. બંને સાચા હોઈ શકે છે.

માનવ ગતિએ AI કેવી રીતે કાર્ય કરે છે 🔧

મોટાભાગની આધુનિક AI સિસ્ટમો આને જોડે છે:

1. ડેટા - ભાષા, છબીઓ, ક્લિક્સ, સેન્સર રીડિંગ્સના ઉદાહરણો.

2. ઉદ્દેશ્યો - એક નુકસાન કાર્ય જે કહે છે કે "સારું" કેવું દેખાય છે.

3. અલ્ગોરિધમ્સ - તાલીમ પ્રક્રિયા જે મોડેલને તે નુકસાન ઘટાડવા માટે પ્રેરિત કરે છે.

4. મૂલ્યાંકન - ટેસ્ટ સેટ, મેટ્રિક્સ, સેનીટી ચેક.

5. ડિપ્લોયમેન્ટ - મોડેલને મોનિટરિંગ, સલામતી અને રેલિંગ સાથે સેવા આપવી.

બે વ્યાપક પરંપરાઓ:

• પ્રતીકાત્મક અથવા તર્ક-આધારિત AI - સ્પષ્ટ નિયમો, જ્ઞાન આલેખ, શોધ. ઔપચારિક તર્ક અને મર્યાદાઓ માટે ઉત્તમ.

• આંકડાકીય અથવા શિક્ષણ-આધારિત AI - એવા મોડેલો જે ડેટામાંથી શીખે છે. આ તે જગ્યા છે જ્યાં ઊંડા શિક્ષણ રહે છે અને તાજેતરના મોટાભાગની સિઝલ ક્યાંથી આવે છે; વ્યાપકપણે ટાંકવામાં આવેલી સમીક્ષા સ્તરીય રજૂઆતોથી ઑપ્ટિમાઇઝેશન અને સામાન્યીકરણ સુધીના ક્ષેત્રને નકશા આપે છે. [2]

શિક્ષણ-આધારિત AI માં, કેટલાક સ્તંભો મહત્વપૂર્ણ છે:

• દેખરેખ હેઠળ શિક્ષણ - લેબલ કરેલા ઉદાહરણોમાંથી શીખો.

• દેખરેખ વગરનું અને સ્વ-નિરીક્ષણ વગરનું - લેબલ વગરના ડેટામાંથી માળખું શીખો.

• મજબૂતીકરણ શિક્ષણ - અજમાયશ અને પ્રતિસાદ દ્વારા શીખો.

• જનરેટિવ મોડેલિંગ - વાસ્તવિક દેખાતા નવા નમૂનાઓ બનાવવાનું શીખો.

બે ઉત્પત્તિ પરિવારો જેના વિશે તમે દરરોજ સાંભળશો:

• ટ્રાન્સફોર્મર્સ - મોટાભાગના મોટા ભાષા મોડેલો પાછળનું સ્થાપત્ય. તે ધ્યાનનો , જે સમાંતર તાલીમ અને આશ્ચર્યજનક રીતે અસ્ખલિત આઉટપુટને સક્ષમ કરે છે. જો તમે "સ્વ-ધ્યાન" સાંભળ્યું હોય, તો તે મુખ્ય યુક્તિ છે. [3]

• ડિફ્યુઝન મોડેલ્સ - તેઓ અવાજની પ્રક્રિયાને ઉલટાવીને, રેન્ડમ અવાજથી ફરી સ્પષ્ટ છબી અથવા ઑડિઓ તરફ આગળ વધતા શીખે છે. તે ધીમે ધીમે અને કાળજીપૂર્વક, પરંતુ ગણતરી સાથે, ડેકને અન-શફલ કરવા જેવું છે; પાયાના કાર્યમાં બતાવવામાં આવ્યું છે કે કેવી રીતે તાલીમ આપવી અને અસરકારક રીતે નમૂના કેવી રીતે લેવો. [5]

જો રૂપકો ખેંચાયેલા લાગે, તો તે વાજબી છે - AI એક ગતિશીલ લક્ષ્ય છે. ગીતની વચ્ચે સંગીત બદલાતું રહે છે ત્યારે આપણે બધા નૃત્ય શીખી રહ્યા છીએ.

જ્યાં તમે પહેલાથી જ દરરોજ AI ને મળો છો 📱🗺️📧

• શોધ અને ભલામણો - રેન્કિંગ પરિણામો, ફીડ્સ, વિડિઓઝ.

• ઇમેઇલ અને દસ્તાવેજો - સ્વતઃપૂર્ણ, સારાંશ, ગુણવત્તા તપાસ.

• કેમેરા અને ઑડિઓ - ડિનોઇઝ, HDR, ટ્રાન્સક્રિપ્શન.

• નેવિગેશન - ટ્રાફિક આગાહી, રૂટ પ્લાનિંગ.

• સપોર્ટ અને સર્વિસ - ચેટ એજન્ટો જે જવાબોને ટ્રાયેજ અને ડ્રાફ્ટ કરે છે.

• કોડિંગ - સૂચનો, રિફેક્ટર્સ, પરીક્ષણો.

• આરોગ્ય અને વિજ્ઞાન - ટ્રાયએજ, ઇમેજિંગ સપોર્ટ, સ્ટ્રક્ચર પ્રિડિક્શન. (ક્લિનિકલ સંદર્ભોને સલામતી-નિર્ણાયક તરીકે ગણો; માનવ દેખરેખ અને દસ્તાવેજીકૃત મર્યાદાઓનો ઉપયોગ કરો.) [2]

નાની વાર્તા: કોઈ ઉત્પાદન ટીમ ભાષા મોડેલની સામે પુનઃપ્રાપ્તિના પગલાનું A/B પરીક્ષણ કરી શકે છે; ભૂલ દર ઘણીવાર ઘટી જાય છે કારણ કે મોડેલ અનુમાન લગાવવાને બદલે નવા, કાર્ય-વિશિષ્ટ સંદર્ભ પર ધ્યાન કેન્દ્રિત કરે છે. (પદ્ધતિ: મેટ્રિક્સને આગળ વ્યાખ્યાયિત કરો, હોલ્ડ-આઉટ સેટ રાખો અને સમાન-પ્રોમ્પ્ટ્સની તુલના કરો.)

શક્તિઓ, મર્યાદાઓ અને વચ્ચેની હળવી અંધાધૂંધી ⚖️

શક્તિઓ

• મોટા, અવ્યવસ્થિત ડેટાસેટ્સને સુંદરતાથી હેન્ડલ કરે છે.

• સમાન મુખ્ય મશીનરી સાથે કાર્યોમાં સ્કેલ.

• આપણે હાથથી ન બનાવેલું સુષુપ્ત માળખું શીખે છે. [2]

મર્યાદાઓ

• ભ્રમ - મોડેલો બુદ્ધિગમ્ય લાગે તેવા પરંતુ ખોટા આઉટપુટ ઉત્પન્ન કરી શકે છે.

• પૂર્વગ્રહ -તાલીમ ડેટા સામાજિક પૂર્વગ્રહોને એન્કોડ કરી શકે છે જે સિસ્ટમો પછી પુનઃઉત્પાદન કરે છે.

• મજબૂતાઈ - ધારવાળા કેસ, વિરોધી ઇનપુટ્સ અને વિતરણ શિફ્ટ વસ્તુઓને તોડી શકે છે.

• ગોપનીયતા અને સુરક્ષા - જો તમે સાવચેત ન રહો તો સંવેદનશીલ ડેટા લીક થઈ શકે છે.

• સમજૂતીક્ષમતા - એવું શા માટે કહ્યું? ક્યારેક અસ્પષ્ટ, જે ઓડિટને નિરાશ કરે છે.

જોખમ વ્યવસ્થાપન અસ્તિત્વમાં છે જેથી તમે અંધાધૂંધી ન ફેલાવો: NIST AI જોખમ વ્યવસ્થાપન ફ્રેમવર્ક ડિઝાઇન, વિકાસ અને જમાવટમાં વિશ્વસનીયતા સુધારવા માટે વ્યવહારુ, સ્વૈચ્છિક માર્ગદર્શન પૂરું પાડે છે - જોખમોનું મેપિંગ, તેમને માપવા અને એન્ડ-ટુ-એન્ડ ઉપયોગનું સંચાલન કરવાનું વિચારો. [4]

રસ્તાના નિયમો: સલામતી, શાસન અને જવાબદારી 🛡️

નિયમન અને માર્ગદર્શન વ્યવહારમાં આવી રહ્યા છે:

• જોખમ-આધારિત અભિગમો - ઉચ્ચ-જોખમ ધરાવતા વપરાશકર્તાઓને વધુ કડક જરૂરિયાતોનો સામનો કરવો પડે છે; દસ્તાવેજીકરણ, ડેટા શાસન અને ઘટના નિયંત્રણ બાબતો. જાહેર માળખા પારદર્શિતા, માનવ દેખરેખ અને સતત દેખરેખ પર ભાર મૂકે છે. [4]

• ક્ષેત્રની સૂક્ષ્મતા - સલામતી-નિર્ણાયક ક્ષેત્રો (જેમ કે આરોગ્ય) માટે માનવ-ઇન-ધ-લૂપ અને કાળજીપૂર્વક મૂલ્યાંકનની જરૂર છે; સામાન્ય-હેતુ ટૂલિંગ હજુ પણ સ્પષ્ટ હેતુ-ઉપયોગ અને મર્યાદા દસ્તાવેજોથી લાભ મેળવે છે. [2]

આ નવીનતાને દબાવવા વિશે નથી; તે તમારા ઉત્પાદનને લાઇબ્રેરીમાં પોપકોર્ન બનાવનારમાં ન ફેરવવા વિશે છે... જે મજા આવે છે જ્યાં સુધી તે ન બને.

વ્યવહારમાં AI ના પ્રકારો, ઉદાહરણો સાથે 🧰

• દ્રષ્ટિ - દ્રષ્ટિ, વાણી, સંવેદનાત્મક સંમિશ્રણ.

• ભાષા - ચેટ, અનુવાદ, સારાંશ, નિષ્કર્ષણ.

• આગાહી - માંગ આગાહી, જોખમ સ્કોરિંગ, વિસંગતતા શોધ.

• આયોજન અને નિયંત્રણ - રોબોટિક્સ, લોજિસ્ટિક્સ.

• જનરેશન - છબીઓ, ઑડિઓ, વિડિઓ, કોડ, સ્ટ્રક્ચર્ડ ડેટા.

ગુપ્ત રીતે, ગણિત રેખીય બીજગણિત, સંભાવના, ઑપ્ટિમાઇઝેશન અને ગણતરી સ્ટેક્સ પર આધાર રાખે છે જે બધું જ ગુંજારિત રાખે છે. ઊંડા શિક્ષણના પાયામાં વધુ ઊંડાણપૂર્વક સમજવા માટે, પ્રમાણભૂત સમીક્ષા જુઓ. [2]

સરખામણી કોષ્ટક: લોકપ્રિય AI ટૂલ્સ એક નજરમાં 🧪

(ઈરાદાપૂર્વક થોડું અપૂર્ણ. કિંમતો બદલાય છે. તમારું માઇલેજ બદલાશે.)

એક વ્યાવસાયિકની જેમ AI સિસ્ટમનું મૂલ્યાંકન કેવી રીતે કરવું 🧪🔍

1. કાર્ય વ્યાખ્યાયિત કરો - એક-વાક્ય કાર્ય નિવેદન.

2. મેટ્રિક્સ પસંદ કરો - ચોકસાઈ, વિલંબતા, ખર્ચ, સલામતી ટ્રિગર્સ.

3. એક પરીક્ષણ સમૂહ બનાવો - પ્રતિનિધિ, વૈવિધ્યસભર, સંયમિત.

4. નિષ્ફળતા મોડ્સ તપાસો - ઇનપુટ્સ જે સિસ્ટમે નકારવા જોઈએ અથવા એસ્કેલેટ કરવા જોઈએ.

5. પૂર્વગ્રહ માટે પરીક્ષણ - જ્યાં લાગુ પડે ત્યાં વસ્તી વિષયક સ્લાઇસેસ અને સંવેદનશીલ લક્ષણો.

6. માનવી લૂપમાં છે - વ્યક્તિએ ક્યારે સમીક્ષા કરવી જોઈએ તે સ્પષ્ટ કરો.

7. લોગ અને મોનિટર - ડ્રિફ્ટ ડિટેક્શન, ઘટના પ્રતિભાવ, રોલબેક.

8. દસ્તાવેજ - ડેટા સ્ત્રોતો, મર્યાદાઓ, હેતુપૂર્વકનો ઉપયોગ, ચિંતાજનક બાબતો. NIST AI RMF તમને આ માટે વહેંચાયેલ ભાષા અને પ્રક્રિયાઓ આપે છે. [4]

સામાન્ય ગેરસમજો જે હું હંમેશા સાંભળું છું 🙃

• "તે ફક્ત નકલ કરી રહ્યું છે." તાલીમ આંકડાકીય માળખું શીખે છે; પેઢી તે માળખા સાથે સુસંગત નવા આઉટપુટ બનાવે છે. તે શોધક - અથવા ખોટું - હોઈ શકે છે પરંતુ તે કોપી-પેસ્ટ નથી. [2]

• "AI એક વ્યક્તિની જેમ સમજે છે." તે મોડેલ બનાવે છે . ક્યારેક તે સમજણ જેવું લાગે છે; ક્યારેક તે એક આત્મવિશ્વાસપૂર્ણ અસ્પષ્ટતા છે. [2]

• "મોટું હંમેશા સારું હોય છે." સ્કેલ મદદ કરે છે, પરંતુ ડેટા ગુણવત્તા, ગોઠવણી અને પુનઃપ્રાપ્તિ ઘણીવાર વધુ મહત્વપૂર્ણ હોય છે. [2][3]

• "એક AI જે બધા પર શાસન કરશે." વાસ્તવિક સ્ટેક્સ બહુ-મોડેલ છે: તથ્યો માટે પુનઃપ્રાપ્તિ, ટેક્સ્ટ માટે જનરેટિવ, ઉપકરણ પર નાના ઝડપી મોડેલો, વત્તા ક્લાસિક શોધ.

થોડી ઊંડી ઝલક: ટ્રાન્સફોર્મર્સ અને પ્રસાર, એક મિનિટમાં ⏱️

• ટ્રાન્સફોર્મર્સ ટોકન્સ વચ્ચે ધ્યાન સ્કોર્સની ગણતરી કરે છે જેથી નક્કી કરી શકાય કે શું ધ્યાન કેન્દ્રિત કરવું. સ્ટેકીંગ લેયર્સ સ્પષ્ટ પુનરાવર્તન વિના લાંબા અંતરની નિર્ભરતાને કેપ્ચર કરે છે, જે ભાષા કાર્યોમાં ઉચ્ચ સમાંતરતા અને મજબૂત પ્રદર્શનને સક્ષમ કરે છે. આ સ્થાપત્ય મોટાભાગની આધુનિક ભાષા પ્રણાલીઓને આધાર આપે છે. [3]

• ડિફ્યુઝન મોડેલો ધીમે ધીમે અવાજને પૂર્વવત્ કરવાનું શીખે છે, જેમ કે ધુમ્મસવાળા અરીસાને ચહેરો દેખાય ત્યાં સુધી પોલિશ કરવું. મુખ્ય તાલીમ અને નમૂનાના વિચારોએ છબી-જનરેશન તેજીને અનલૉક કરી અને હવે ઑડિઓ અને વિડિઓ સુધી વિસ્તરે છે. [5]

તમે રાખી શકો છો તે સૂક્ષ્મ-શબ્દમાળા 📚

• મોડેલ - એક પેરામીટરાઇઝ્ડ ફંક્શન જેને આપણે ઇનપુટ્સને આઉટપુટમાં મેપ કરવા માટે તાલીમ આપીએ છીએ.

• તાલીમ - ઉદાહરણો પર નુકસાન ઘટાડવા માટે પરિમાણોને ઑપ્ટિમાઇઝ કરવું.

• ઓવરફિટિંગ - તાલીમ ડેટા પર સારું કામ કરી રહ્યું છે, અન્યત્ર પણ.

• ભ્રમ - સ્પષ્ટ પરંતુ હકીકતમાં ખોટું આઉટપુટ.

• RAG - પુનઃપ્રાપ્તિ-સંવર્ધિત પેઢી જે તાજા સ્ત્રોતોનો સંપર્ક કરે છે.

• સંરેખણ - સૂચનાઓ અને ધોરણોનું પાલન કરવા માટે વર્તનને આકાર આપવો.

• સલામતી - હાનિકારક આઉટપુટને અટકાવવું અને જીવનચક્ર દરમ્યાન જોખમનું સંચાલન કરવું.

• અનુમાન - આગાહીઓ કરવા માટે પ્રશિક્ષિત મોડેલનો ઉપયોગ કરવો.

• લેટન્સી - ઇનપુટથી જવાબ આપવા સુધીનો સમય.

• ગાર્ડરેલ્સ - મોડેલની આસપાસ નીતિઓ, ફિલ્ટર્સ અને નિયંત્રણો.

ખૂબ લાંબો સમય થયો, વાંચ્યો નથી - અંતિમ ટિપ્પણી 🌯

AI શું છે? એવી તકનીકોનો સંગ્રહ જે કમ્પ્યુટર્સને ડેટામાંથી શીખવા અને લક્ષ્યો તરફ બુદ્ધિપૂર્વક કાર્ય કરવા દે છે. આધુનિક તરંગ ઊંડા શિક્ષણ પર સવારી કરે છે - ખાસ કરીને ભાષા માટે ટ્રાન્સફોર્મર્સ અને મીડિયા માટે પ્રસાર. વિચારપૂર્વક ઉપયોગમાં લેવાતા, AI પેટર્ન ઓળખને માપે છે, સર્જનાત્મક અને વિશ્લેષણાત્મક કાર્યને ઝડપી બનાવે છે, અને નવા વૈજ્ઞાનિક દરવાજા ખોલે છે. બેદરકારીપૂર્વક ઉપયોગમાં લેવાથી, તે ગેરમાર્ગે દોરી શકે છે, બાકાત રાખી શકે છે અથવા વિશ્વાસનો નાશ કરી શકે છે. સુખી માર્ગ મજબૂત એન્જિનિયરિંગને શાસન, માપન અને નમ્રતાના સ્પર્શ સાથે મિશ્રિત કરે છે. તે સંતુલન ફક્ત શક્ય નથી - તે યોગ્ય માળખા અને નિયમો સાથે શીખવી શકાય તેવું, પરીક્ષણ કરી શકાય તેવું અને જાળવી શકાય તેવું છે. [2][3][4][5]

સંદર્ભ

[1] એનસાયક્લોપીડિયા બ્રિટાનિકા - કૃત્રિમ બુદ્ધિ (AI) : વધુ વાંચો
[2] કુદરત - "ઊંડું શિક્ષણ" (લેકન, બેંગિયો, હિન્ટન) : વધુ વાંચો
[3] arXiv - "ધ્યાન એટ્લે કે તમારે શું જોઈએ છે" (વાસવાની અને અન્ય) : વધુ વાંચો
[4] NIST - AI રિસ્ક મેનેજમેન્ટ ફ્રેમવર્ક : વધુ વાંચો
[5] arXiv - "ડિનોઇઝિંગ ડિફ્યુઝન પ્રોબેબિલિસ્ટિક મોડેલ્સ" (હો અને અન્ય) : વધુ વાંચો

અધિકૃત AI સહાયક સ્ટોર પર નવીનતમ AI શોધો

અમારા વિશે