એઆઈ કંપની શું છે? [વિડિઓ અને ક્વિઝ]

ટૂંકો જવાબ: AI કંપની એવી છે જેનું મુખ્ય ઉત્પાદન, મૂલ્ય અથવા સ્પર્ધાત્મક લાભ AI પર આધાર રાખે છે - AI દૂર કરો અને ઓફર તૂટી જાય છે અથવા નાટકીય રીતે ખરાબ થઈ જાય છે. જો કાલે AI નિષ્ફળ જાય અને તમે હજુ પણ સ્પ્રેડશીટ્સ અથવા મૂળભૂત સોફ્ટવેર સાથે ડિલિવરી કરી શકો, તો તમે AI-સક્ષમ છો, AI-મૂળ નહીં. વાસ્તવિક AI કંપનીઓ ડેટા, મૂલ્યાંકન, ડિપ્લોયમેન્ટ અને ચુસ્ત પુનરાવૃત્તિ લૂપ્સ દ્વારા અલગ પડે છે.

મુખ્ય બાબતો:

મુખ્ય નિર્ભરતા: જો AI દૂર કરવાથી ઉત્પાદન તૂટી જાય છે, તો તમે AI કંપની શોધી રહ્યા છો.

સરળ કસોટી: જો તમે AI વગર ચાલવામાં નિષ્ફળ જઈ શકો છો, તો તમે કદાચ AI-સક્ષમ છો.

ઓપરેશનલ સિગ્નલો: ડ્રિફ્ટ, ઇવલ સેટ્સ, લેટન્સી અને નિષ્ફળતા મોડ્સની ચર્ચા કરતી ટીમો સખત મહેનત કરતી હોય છે.

દુરુપયોગ પ્રતિકાર: જ્યારે મોડેલ નિષ્ફળ જાય ત્યારે રેલિંગ, દેખરેખ અને રોલબેક યોજનાઓ બનાવો.

ખરીદદારનું ધ્યાન: મિકેનિઝમ્સ, મેટ્રિક્સ અને સ્પષ્ટ ડેટા ગવર્નન્સની માંગ કરીને AI-ધોવાથી બચો.

"AI કંપની" એટલી મુક્ત રીતે ઉછાળવામાં આવે છે કે તે બધું જ અને કંઈપણ એકસાથે અર્થહીન થવાનું જોખમ લે છે. એક સ્ટાર્ટઅપ AI સ્ટેટસનો દાવો કરે છે કારણ કે તેણે ઓટોકમ્પ્લીટ બોક્સ ઉમેર્યું હતું. બીજી કંપની મોડેલોને તાલીમ આપે છે, ટૂલિંગ બનાવે છે, ઉત્પાદનો મોકલે છે અને ઉત્પાદન વાતાવરણમાં જમાવે છે... અને છતાં તે જ ડોલમાં ફસાઈ જાય છે.

તેથી લેબલને વધુ તીક્ષ્ણ ધારની જરૂર છે. AI-નેટિવ વ્યવસાય અને મશીન લર્નિંગની થોડી છંટકાવ સાથેના પ્રમાણભૂત વ્યવસાય વચ્ચેનો તફાવત ઝડપથી દેખાય છે જ્યારે તમે જાણો છો કે શું શોધવું.

આ પછી તમને વાંચવા ગમશે તેવા લેખો:

🔗 AI અપસ્કેલિંગ કેવી રીતે કાર્ય કરે છે તે
જાણો કે મોડેલો છબીઓને સ્વચ્છ રીતે મોટી કરવા માટે વિગતો કેવી રીતે ઉમેરે છે.

🔗 AI કોડ કેવો દેખાય છે
જનરેટ કરેલા કોડના ઉદાહરણો અને તે કેવી રીતે રચાયેલ છે તે જુઓ.

🔗 AI અલ્ગોરિધમ શું છે તે
અલ્ગોરિધમને સમજો જે AI ને શીખવા, આગાહી કરવા અને ઑપ્ટિમાઇઝ કરવામાં મદદ કરે છે.

🔗 AI પ્રીપ્રોસેસિંગ શું છે તે
તાલીમ માટે ડેટાને સાફ, લેબલ અને ફોર્મેટ કરતા પગલાં શોધો.

AI કંપની શું છે: સ્વચ્છ વ્યાખ્યા જે ટકાવી રાખે છે ✅

વ્યવહારુ વ્યાખ્યા:

AI કંપની એ એક એવો વ્યવસાય છે જેનું મુખ્ય ઉત્પાદન, મૂલ્ય અથવા સ્પર્ધાત્મક લાભ કૃત્રિમ બુદ્ધિ પર આધાર રાખે છે - એટલે કે જો તમે AI દૂર કરો છો, તો કંપનીની "વસ્તુ" તૂટી જાય છે અથવા નાટકીય રીતે ખરાબ થઈ જાય છે. (OECD, NIST AI RMF)

"અમે હેકાથોનમાં એક વાર AI નો ઉપયોગ કર્યો હતો" એવું નહીં." "અમે સંપર્ક પૃષ્ઠ પર ચેટબોટ ઉમેર્યો હતો" એવું નહીં." વધુ જેવા:

• આ ઉત્પાદન એક AI સિસ્ટમ છે (અથવા એક એન્ડ-ટુ-એન્ડ દ્વારા સંચાલિત છે) ( OECD )

• કંપનીની સફળતા મોડેલ્સ, ડેટા, મૂલ્યાંકન અને પુનરાવર્તન (Google Cloud MLOps, NIST AI RMF Playbook - Measure)

• AI કોઈ ખાસિયત નથી - તે એન્જિન છે 🧠⚙️

અહીં એક સરળ આંતરડાની તપાસ છે:

કાલે AI નિષ્ફળ જાય તેવી કલ્પના કરો. જો ગ્રાહકો હજુ પણ તમને પૈસા ચૂકવતા રહે અને તમે સ્પ્રેડશીટ્સ અથવા મૂળભૂત સોફ્ટવેર સાથે કામ કરવામાં મુશ્કેલી અનુભવો, તો તમે કદાચ AI-સક્ષમ છો, AI-મૂળ નહીં.

અને હા, વચ્ચે એક ઝાંખો ભાગ છે. ધુમ્મસવાળી બારીમાંથી લીધેલા ફોટાની જેમ... કોઈ સારી રૂપક નથી, પણ તમને ખ્યાલ આવે છે 😄

"AI કંપની" અને "AI-સક્ષમ કંપની" વચ્ચેનો તફાવત (આ ભાગ દલીલો બચાવે છે) 🥊

મોટાભાગના આધુનિક વ્યવસાયો કોઈને કોઈ પ્રકારના AIનો ઉપયોગ કરે છે. ફક્ત આટલું જ તેમને AI કંપની બનાવતું નથી. (OECD)

સામાન્ય રીતે AI કંપની:

• AI ક્ષમતા સીધી વેચે છે (મોડેલ, કોપાયલોટ, બુદ્ધિશાળી ઓટોમેશન)

• મુખ્ય ઉત્પાદન તરીકે માલિકીની AI સિસ્ટમ્સ બનાવે છે

• ગંભીર AI એન્જિનિયરિંગ, મૂલ્યાંકન અને ડિપ્લોયમેન્ટ મુખ્ય કાર્ય તરીકે ધરાવે છે (Google Cloud MLOps)

• ડેટામાંથી સતત શીખે છે અને મુખ્ય માપદંડ તરીકે કામગીરીમાં સુધારો કરે છે 📈 (Google MLOps વ્હાઇટપેપર)

સામાન્ય રીતે AI-સક્ષમ કંપની:

• ખર્ચ ઘટાડવા, કાર્યપ્રવાહને ઝડપી બનાવવા અથવા લક્ષ્યીકરણ સુધારવા માટે આંતરિક રીતે AI નો ઉપયોગ કરે છે

• હજુ પણ કંઈક બીજું વેચે છે (છૂટક માલ, બેંકિંગ સેવાઓ, લોજિસ્ટિક્સ, મીડિયા, વગેરે)

• પરંપરાગત સોફ્ટવેર સાથે AI ને બદલી શકે છે અને હજુ પણ "પોતે" રહી શકે છે

ઉદાહરણો (ઇરાદાપૂર્વક સામાન્ય, કારણ કે બ્રાન્ડ ચર્ચાઓ કેટલાક લોકો માટે એક શોખ છે):

• છેતરપિંડી શોધવા માટે AI નો ઉપયોગ કરતી બેંક - AI-સક્ષમ

• ઇન્વેન્ટરી આગાહી માટે AI નો ઉપયોગ કરતો રિટેલર - AI-સક્ષમ

• એક કંપની જેનું ઉત્પાદન AI ગ્રાહક સપોર્ટ એજન્ટ છે - સંભવતઃ AI કંપની

• મોડેલ મોનિટરિંગ, મૂલ્યાંકન અને ડિપ્લોયમેન્ટ ટૂલ્સ વેચતું પ્લેટફોર્મ - AI કંપની (ઇન્ફ્રાસ્ટ્રક્ચર) (Google Cloud MLOps)

તો હા... તમારા દંત ચિકિત્સક રિમાઇન્ડર્સ શેડ્યૂલ કરવા માટે AI નો ઉપયોગ કરી શકે છે. તે તેમને AI કંપની બનાવતું નથી 😬🦷

AI કંપનીનું સારું સંસ્કરણ શું બનાવે છે 🏗️

બધી AI કંપનીઓ એકસરખી રીતે બનાવવામાં આવતી નથી, અને કેટલીક, હકીકતમાં, મોટે ભાગે વાઇબ્સ અને વેન્ચર કેપિટલ હોય છે. AI કંપનીનું એક સારું સંસ્કરણ કેટલીક લાક્ષણિકતાઓ શેર કરે છે જે વારંવાર દેખાય છે:

• સમસ્યાની સ્પષ્ટ માલિકી: તેઓ ચોક્કસ પીડાને હલ કરે છે, "દરેક વસ્તુ માટે કૃત્રિમ બુદ્ધિ" નહીં.

• માપી શકાય તેવા પરિણામો: ચોકસાઈ, સમય બચાવ, ખર્ચમાં ઘટાડો, ઓછી ભૂલો, વધુ રૂપાંતર - કંઈક પસંદ કરો અને તેને ટ્રેક કરો (NIST AI RMF)

• ડેટા શિસ્ત: ડેટા ગુણવત્તા, પરવાનગીઓ, શાસન અને પ્રતિસાદ લૂપ્સ વૈકલ્પિક નથી (NIST AI RMF)

• મૂલ્યાંકન સંસ્કૃતિ: તેઓ પુખ્ત વયના લોકોની જેમ મોડેલોનું પરીક્ષણ કરે છે - બેન્ચમાર્ક, એજ કેસ અને મોનિટરિંગ સાથે 🔍 (Google Cloud MLOps, Datadog)

• ડિપ્લોયમેન્ટ રિયાલિટી: સિસ્ટમ ફક્ત ડેમોમાં જ નહીં, પણ રોજિંદા અવ્યવસ્થિત પરિસ્થિતિઓમાં પણ કામ કરે છે.

• એક રક્ષણાત્મક ધાર: ડોમેન ડેટા, વિતરણ, વર્કફ્લો એકીકરણ, અથવા માલિકીનું ટૂલિંગ (ફક્ત "આપણે API કહીએ છીએ" નહીં)

એક આશ્ચર્યજનક સંકેત:

• જો કોઈ ટીમ લેટન્સી, ડ્રિફ્ટ, ઇવલ સેટ્સ, ભ્રામકતા અને નિષ્ફળતા મોડ્સ, તો તેઓ કદાચ વાસ્તવિક AI કાર્ય કરી રહ્યા છે. (IBM - મોડેલ ડ્રિફ્ટ, ઓપનએઆઈ - ભ્રામકતા, ગૂગલ ક્લાઉડ MLOps)

• જો તેઓ મોટે ભાગે "બુદ્ધિશાળી વાઇબ્સ સાથે ક્રાંતિકારી સિનર્જી" વિશે વાત કરે છે, તો સારું... તમે જાણો છો કે તે કેવું છે 😅

સરખામણી કોષ્ટક: સામાન્ય AI કંપનીઓના "પ્રકારો" અને તેઓ શું વેચી રહ્યા છે 📊🤝

નીચે એક ઝડપી, થોડી અપૂર્ણ સરખામણી કોષ્ટક છે (જેમ કે રોજિંદા વ્યવસાય). કિંમતો "સામાન્ય કિંમત શૈલીઓ" છે, ચોક્કસ સંખ્યાઓ નહીં, કારણ કે તે ઘણો બદલાય છે.

કંઈક ધ્યાન આપો. "AI કંપની" નો અર્થ ખૂબ જ અલગ વ્યવસાયો હોઈ શકે છે. કેટલાક મોડેલ વેચે છે. કેટલાક મોડેલ બિલ્ડરો માટે પાવડા વેચે છે. કેટલાક તૈયાર ઉત્પાદનો વેચે છે. લેબલ સમાન, વાસ્તવિકતા સંપૂર્ણપણે અલગ.

AI કંપનીઓના મુખ્ય નમૂનાઓ (અને તેઓ શું ખોટું કરે છે) 🧩

ચાલો થોડા ઊંડા ઉતરીએ, કારણ કે આ તે જગ્યા છે જ્યાં લોકો ફસાઈ જાય છે.

૧) મોડેલ-પ્રથમ કંપનીઓ 🧠

આ મોડેલો બિલ્ડ અથવા ફાઇન-ટ્યુન કરે છે. તેમની તાકાત સામાન્ય રીતે આ હોય છે:

• સંશોધન પ્રતિભા

• ગણતરી ઑપ્ટિમાઇઝેશન

• મૂલ્યાંકન અને પુનરાવૃત્તિ લૂપ્સ

• ઉચ્ચ-પ્રદર્શન સેવા આપતી માળખાગત સુવિધા (Google MLOps શ્વેતપત્ર)

સામાન્ય મુશ્કેલી:

• તેઓ ધારે છે કે "વધુ સારું મોડેલ" આપમેળે "વધુ સારું ઉત્પાદન" સમાન બની જાય છે.
  એવું નથી. વપરાશકર્તાઓ મોડેલ ખરીદતા નથી, તેઓ પરિણામો ખરીદે છે.

૨) પ્રોડક્ટ-ફર્સ્ટ AI કંપનીઓ 🧰

આ વર્કફ્લોમાં AI ને એમ્બેડ કરે છે. તેઓ આમાં જીત મેળવે છે:

• વિતરણ

• યુએક્સ અને એકીકરણ

• મજબૂત પ્રતિસાદ લૂપ્સ

• કાચા બુદ્ધિ કરતાં વિશ્વસનીયતા વધુ

સામાન્ય મુશ્કેલી:

• તેઓ આદર્શ વર્તનને ઓછો અંદાજ આપે છે. વાસ્તવિક વપરાશકર્તાઓ તમારી સિસ્ટમને નવી અને સર્જનાત્મક રીતે તોડી નાખશે. દરરોજ.

૩) ઇન્ફ્રાસ્ટ્રક્ચર AI કંપનીઓ ⚙️

દેખરેખ, જમાવટ, શાસન, મૂલ્યાંકન, ઓર્કેસ્ટ્રેશનનો વિચાર કરો. તેઓ આના દ્વારા જીતે છે:

• ઓપરેશનલ પીડા ઘટાડવી

• જોખમ વ્યવસ્થાપન

• AI ને પુનરાવર્તિત અને સલામત બનાવવું (NIST AI RMF, Google Cloud MLOps)

સામાન્ય મુશ્કેલી:

• તેઓ અદ્યતન ટીમો માટે બનાવે છે અને બીજા બધાને અવગણે છે, પછી આશ્ચર્ય થાય છે કે દત્તક લેવાની પ્રક્રિયા કેમ ધીમી છે.

૪) ડેટા-કેન્દ્રિત AI કંપનીઓ 🗂️

આ ડેટા પાઇપલાઇન્સ, લેબલિંગ, સિન્થેટિક ડેટા અને ડેટા ગવર્નન્સ પર ધ્યાન કેન્દ્રિત કરે છે. તેઓ આના દ્વારા જીતે છે:

• તાલીમ સિગ્નલ ગુણવત્તામાં સુધારો

• અવાજ ઘટાડવો

• વિશેષતાને સક્ષમ બનાવવી (ડેટા-કેન્દ્રિત AI પર MIT સ્લોન / એન્ડ્રુ એનજી)

સામાન્ય મુશ્કેલી:

• તેઓ "ડેટા બધું જ ઉકેલે છે" એવું વધુ પડતું વેચાણ કરે છે. ડેટા શક્તિશાળી છે, પરંતુ તમારે હજુ પણ સારા મોડેલિંગ અને મજબૂત ઉત્પાદન વિચારસરણીની જરૂર છે.

AI કંપનીની અંદર શું છુપાયેલું છે: સ્ટેક, આશરે 🧱

જો તમે પડદા પાછળ ડોકિયું કરો તો, મોટાભાગની વાસ્તવિક AI કંપનીઓ સમાન આંતરિક રચના શેર કરે છે. હંમેશા નહીં, પણ ઘણી વાર.

ડેટા લેયર 📥

• સંગ્રહ અને ઇન્જેશન

• લેબલિંગ અથવા નબળી દેખરેખ

• ગોપનીયતા, પરવાનગીઓ, રીટેન્શન

• પ્રતિસાદ લૂપ્સ (વપરાશકર્તા સુધારા, પરિણામો, માનવ સમીક્ષા) (NIST AI RMF)

મોડેલ સ્તર 🧠

• બેઝ મોડેલ્સ પસંદ કરવા (અથવા શરૂઆતથી તાલીમ)

• ફાઇન-ટ્યુનિંગ, ડિસ્ટિલેશન, પ્રોમ્પ્ટ એન્જિનિયરિંગ (હા, હજુ પણ મહત્વનું છે)

• પુનઃપ્રાપ્તિ પ્રણાલીઓ (શોધ + રેન્કિંગ + વેક્ટર ડેટાબેઝ) (RAG પેપર (લુઈસ એટ અલ., 2020), ઓરેકલ - વેક્ટર શોધ)

• મૂલ્યાંકન સ્યુટ્સ અને ટેસ્ટ સેટ્સ (Google Cloud MLOps)

ઉત્પાદન સ્તર 🧑💻

• અનિશ્ચિતતાને સંભાળતું UX (વિશ્વાસ સંકેતો, "સમીક્ષા" સ્થિતિઓ)

• ગાર્ડરેલ્સ (પોલિસી, ઇનકાર, સલામત પૂર્ણતા) (NIST AI RMF)

• વર્કફ્લો એકીકરણ (ઈમેલ, CRM, દસ્તાવેજો, ટિકિટિંગ, વગેરે)

ઑપ્સ લેયર 🛠️

• ડ્રિફ્ટ અને ડિગ્રેડેશન માટે મોનિટરિંગ (IBM - મોડેલ ડ્રિફ્ટ, ગૂગલ ક્લાઉડ MLOps)

• ઘટના પ્રતિભાવ અને રોલબેક (ઉબેર - ડિપ્લોયમેન્ટ સેફ્ટી)

• ખર્ચ વ્યવસ્થાપન (ગણતરી ભૂખ્યા નાના રાક્ષસ બની શકે છે)

• શાસન, ઓડિટ, ઍક્સેસ નિયંત્રણ (NIST AI RMF, ISO/IEC 42001 ઝાંખી)

અને જે ભાગની કોઈ જાહેરાત કરતું નથી:

• માનવ પ્રક્રિયાઓ - સમીક્ષકો, વિકાસ, QA, અને ગ્રાહક પ્રતિસાદ પાઇપલાઇન્સ.
  AI "તેને સેટ કરો અને ભૂલી જાઓ" એવું નથી. તે બાગકામ જેવું છે. અથવા પાલતુ રેકૂન રાખવા જેવું છે. તે સુંદર હોઈ શકે છે, પરંતુ જો તમે ન જોઈ રહ્યા હોવ તો તે તમારા રસોડાને સંપૂર્ણપણે બરબાદ કરી દેશે 😬🦝

બિઝનેસ મોડેલ્સ: AI કંપનીઓ કેવી રીતે પૈસા કમાય છે 💸

AI કંપનીઓ સામાન્ય રીતે કેટલાક સામાન્ય મુદ્રીકરણ સ્વરૂપોમાં આવે છે:

• ઉપયોગ-આધારિત (પ્રતિ વિનંતી, પ્રતિ ટોકન, પ્રતિ મિનિટ, પ્રતિ છબી, પ્રતિ કાર્ય) (OpenAI API કિંમત, OpenAI - ટોકન્સ)

• સીટ-આધારિત સબ્સ્ક્રિપ્શન્સ (દર મહિને વપરાશકર્તા દીઠ) (માઈક્રોસોફ્ટ 365 કોપાયલટ કિંમત)

• પરિણામ-આધારિત કિંમત (દુર્લભ, પરંતુ શક્તિશાળી - રૂપાંતરણ દીઠ ચૂકવણી અથવા ઉકેલાયેલ ટિકિટ)

• એન્ટરપ્રાઇઝ કરાર (સપોર્ટ, પાલન, SLA, કસ્ટમ ડિપ્લોયમેન્ટ)

• લાઇસન્સિંગ (ડિવાઇસ પર, એમ્બેડેડ, OEM શૈલી) (NVIDIA)

ઘણી AI કંપનીઓ જે તણાવનો સામનો કરે છે:

• ગ્રાહકો અનુમાનિત ખર્ચ ઇચ્છે છે 😌

• ઉપયોગ અને મોડેલની પસંદગી સાથે AI ખર્ચમાં વધઘટ થઈ શકે છે 😵

તેથી સારી AI કંપનીઓ આમાં ખૂબ સારી રીતે કાર્ય કરે છે:

• શક્ય હોય ત્યારે કાર્યોને સસ્તા મોડેલો તરફ વાળવા

• કેશીંગ પરિણામો

• બેચિંગ વિનંતીઓ

• સંદર્ભ કદનું નિયંત્રણ

• "અનંત પ્રોમ્પ્ટ સ્પાઇરલ" ને નિરુત્સાહિત કરતી UX ડિઝાઇન કરવી (આપણે બધાએ તે કર્યું છે...)

ખાઈનો પ્રશ્ન: એક AI કંપનીને શું રક્ષણાત્મક બનાવે છે 🏰

આ મસાલેદાર ભાગ છે. ઘણા લોકો ધારે છે કે ખાઈ "આપણું મોડેલ વધુ સારું છે." ક્યારેક એવું હોય છે, પણ ઘણી વાર... નહીં.

સામાન્ય રક્ષણાત્મક ફાયદા:

• માલિકીનો ડેટા (ખાસ કરીને ડોમેન-વિશિષ્ટ)

• વિતરણ (વપરાશકર્તાઓ પહેલાથી જ રહેતા વર્કફ્લોમાં એમ્બેડ કરેલું)

• સ્વિચિંગ ખર્ચ (એકીકરણ, પ્રક્રિયામાં ફેરફાર, ટીમની આદતો)

• બ્રાન્ડ ટ્રસ્ટ (ખાસ કરીને ઉચ્ચ-દાવવાળા ડોમેન્સ માટે)

• ઓપરેશનલ શ્રેષ્ઠતા (સ્કેલ પર વિશ્વસનીય AI શિપિંગ મુશ્કેલ છે) (Google Cloud MLOps)

• માનવ-ઇન-ધ-લૂપ સિસ્ટમ્સ (હાઇબ્રિડ સોલ્યુશન્સ શુદ્ધ ઓટોમેશન કરતાં વધુ સારી કામગીરી બજાવી શકે છે) (NIST AI RMF, EU AI એક્ટ - માનવ દેખરેખ (લેખ 14))

થોડું અસ્વસ્થતાભર્યું સત્ય:
બે કંપનીઓ એક જ અંતર્ગત મોડેલનો ઉપયોગ કરી શકે છે અને છતાં પણ તેના પરિણામો ખૂબ જ અલગ હોય છે. તફાવત સામાન્ય રીતે મોડેલની આસપાસની દરેક વસ્તુમાં હોય છે - પ્રોડક્ટ ડિઝાઇન, મૂલ્યાંકન, ડેટા લૂપ્સ અને તેઓ નિષ્ફળતાને કેવી રીતે હેન્ડલ કરે છે.

AI-વોશિંગ કેવી રીતે ઓળખવું (ઉર્ફે "અમે ચમક ઉમેરી અને તેને બુદ્ધિમત્તા કહી") 🚩

જો તમે AI કંપની શું છે તેનું મૂલ્યાંકન કરી રહ્યા છો, તો આ ચેતવણીઓ પર ધ્યાન આપો:

• કોઈ સ્પષ્ટ AI ક્ષમતા વર્ણવેલ નથી: ઘણું માર્કેટિંગ, કોઈ મિકેનિઝમ નથી

• ડેમો મેજિક: પ્રભાવશાળી ડેમો, એજ કેસનો કોઈ ઉલ્લેખ નથી

• કોઈ મૂલ્યાંકન વાર્તા નથી: તેઓ વિશ્વસનીયતા કેવી રીતે ચકાસે છે તે સમજાવી શકતા નથી (Google Cloud MLOps)

• હાથથી લહેરાતા ડેટા જવાબો: ડેટા ક્યાંથી આવે છે અથવા તેનું સંચાલન કેવી રીતે થાય છે તે સ્પષ્ટ નથી (NIST AI RMF)

• દેખરેખ માટે કોઈ યોજના નથી: તેઓ એવી રીતે કાર્ય કરે છે જેમ મોડેલો ડ્રિફ્ટ થતા નથી (IBM - મોડેલ ડ્રિફ્ટ)

• તેઓ નિષ્ફળતાના મોડ્સ સમજાવી શકતા નથી: બધું "લગભગ સંપૂર્ણ" છે (કંઈ જ નથી) (OpenAI - ભ્રમણા)

લીલા ઝંડા (વિરોધી શાંત કરનાર) ✅:

• તેઓ બતાવે છે કે તેઓ પ્રદર્શનને કેવી રીતે માપે છે

• તેઓ ગભરાયા વિના મર્યાદાઓ વિશે વાત કરે છે

• તેમની પાસે માનવ સમીક્ષા માર્ગો અને વૃદ્ધિ છે (NIST AI RMF, EU AI અધિનિયમ - માનવ દેખરેખ (કલમ 14))

• તેઓ ગોપનીયતા અને પાલનની જરૂરિયાતોને સમજે છે (NIST AI RMF, EU AI એક્ટ ઝાંખી)

• તેઓ ભાવનાત્મક રીતે ભાંગી પડ્યા વિના કહી શકે છે કે "આપણે એવું નથી કરતા" 😅

જો તમે એક બનાવી રહ્યા છો: AI કંપની બનવા માટે એક વ્યવહારુ ચેકલિસ્ટ 🧠📝

જો તમે “AI-સક્ષમ” થી “AI કંપની” માં જવાનો પ્રયાસ કરી રહ્યા છો, તો અહીં એક વ્યવહારુ રસ્તો છે:

• એક એવા વર્કફ્લોથી શરૂઆત કરો જે એટલા લોકોને નુકસાન પહોંચાડે છે કે તેઓ તેને સુધારવા માટે પૈસા ચૂકવશે

• સાધનના પરિણામો વહેલા (તમે સ્કેલ કરો તે પહેલાં)

• વાસ્તવિક વપરાશકર્તા કેસ ( Google Cloud MLOps ) માંથી મૂલ્યાંકન સેટ બનાવો.

• પહેલા દિવસથી પ્રતિસાદ લૂપ્સ ઉમેરો

• ગાર્ડરેલ્સને ડિઝાઇનનો ભાગ બનાવો, પછીથી વિચાર્યા વિના નહીં (NIST AI RMF)

• વધુ પડતું બાંધકામ ન કરો - એક સાંકડી ફાચર મોકલો જે વિશ્વસનીય હોય

• ડિપ્લોયમેન્ટને છેલ્લા પગલાની જેમ નહીં, પણ પ્રોડક્ટની જેમ ગણો (Google Cloud MLOps)

ઉપરાંત, વિરોધાભાસી સલાહ જે કામ કરે છે:

• જ્યારે AI ખોટું હોય તેના કરતાં શું થાય છે તેના પર વધુ સમય વિતાવો.
  ત્યાં જ વિશ્વાસ જીતાય છે કે હારે છે. (NIST AI RMF)

સમાપન સારાંશ 🧠✨

તો... એક AI કંપની શું છે તે એક સરળ આધાર પર આધારિત છે:

આ એક એવી કંપની છે જ્યાં AI એ એન્જિન છે, શણગાર નહીં. જો તમે AI ને દૂર કરો છો અને ઉત્પાદન અર્થપૂર્ણ બનવાનું બંધ કરી દે છે (અથવા તેની ધાર ગુમાવે છે), તો તમે કદાચ એક વાસ્તવિક AI કંપની જોઈ રહ્યા છો. જો AI ઘણા બધા સાધનોમાંથી ફક્ત એક સાધન છે, તો તેને AI-સક્ષમ કહેવું વધુ સચોટ રહેશે.

અને બંને બરાબર છે. દુનિયાને બંનેની જરૂર છે. પરંતુ જ્યારે તમે રોકાણ કરી રહ્યા છો, ભાડે રાખી રહ્યા છો, સોફ્ટવેર ખરીદી રહ્યા છો, અથવા તમને રોબોટ વેચવામાં આવી રહ્યો છે કે ગુગલી આંખોવાળા કાર્ડબોર્ડ કટઆઉટ વેચાઈ રહ્યા છે તે શોધવાનો પ્રયાસ કરી રહ્યા છો ત્યારે લેબલ મહત્વપૂર્ણ છે 🤖👀

વાસ્તવિક દુનિયાનું ઉદાહરણ: AI સપોર્ટ ટ્રાયજ કંપની બનાવવી 

દૃશ્ય

કલ્પના કરો કે એક નાનું સ્ટાર્ટઅપ Shopify-શૈલીના ઈ-કોમર્સ સ્ટોર્સ માટે AI સપોર્ટ ટ્રાયજ આસિસ્ટન્ટ બનાવી રહ્યું છે. આ એક કાલ્પનિક ઉદાહરણ છે, વાસ્તવિક કંપની કેસ સ્ટડી નહીં.

આ પ્રોડક્ટ ફક્ત હેલ્પડેસ્કમાં ચેટબોટ ઉમેરતી નથી. તેનું મુખ્ય કાર્ય આવનારા ગ્રાહકોની ટિકિટ વાંચવાનું, મુદ્દાનું વર્ગીકરણ કરવાનું, જવાબ સૂચવવાનું, રિફંડ-જોખમના કેસોને ચિહ્નિત કરવાનું અને માનવ એજન્ટ પ્રત્યે સંવેદનશીલ કોઈપણ વસ્તુને રૂટ કરવાનું છે.

AI દૂર કરો, અને ઉત્પાદન મોટે ભાગે મૂળભૂત ટેગિંગ ટૂલમાં તૂટી જાય છે. તે AI-સક્ષમ હેલ્પડેસ્ક એડ-ઓન કરતાં AI કંપનીની ખૂબ નજીક બનાવે છે, કારણ કે મુખ્ય મૂલ્ય વર્ગીકરણ, આગાહી, પુનઃપ્રાપ્તિ અને સતત સુધારણા પર આધારિત છે.

સહાયકને શું જોઈએ છે

સહાયકને અસરકારક બનાવવા માટે, ટીમને આની જરૂર પડશે:

છેલ્લા 3-6 મહિનાની ગ્રાહક સપોર્ટ ટિકિટ, ખાનગી ડેટા દૂર કરીને

મંજૂર રિફંડ, રિટર્ન, શિપિંગ અને ડિસ્કાઉન્ટ નીતિઓની યાદી

"સારા" માનવ જવાબોના ઉદાહરણો

ટિકિટ શ્રેણીઓનો સમૂહ, જેમ કે ક્ષતિગ્રસ્ત વસ્તુ, મોડી ડિલિવરી, રિફંડ વિનંતી, ગુમ થયેલ ઓર્ડર, ઉત્પાદન પ્રશ્ન અને ગુસ્સે ગ્રાહક

જવાબ આપવાને બદલે AI ક્યારે આગળ વધવું જોઈએ તેના નિયમો

એજન્ટો માટે એક સરળ પ્રતિસાદ બટન: "સ્વીકૃત", "સંપાદિત", અથવા "અસ્વીકાર"

ઉદાહરણ સૂચના

તમે એક ઈ-કોમર્સ સ્ટોર માટે સપોર્ટ ટ્રાયજ આસિસ્ટન્ટ છો. દરેક ગ્રાહક સંદેશ વાંચો અને ચાર બાબતો પરત કરો: ટિકિટ શ્રેણી, તાત્કાલિકતા સ્તર, સૂચવેલ જવાબ, અને મોકલતા પહેલા કોઈ વ્યક્તિએ તેની સમીક્ષા કરવી જોઈએ કે નહીં.

રિફંડ વિવાદો, કાનૂની ધમકીઓ, તબીબી દાવાઓ, ચુકવણી સમસ્યાઓ, અપમાનજનક સંદેશાઓ અને ગ્રાહકના ઓર્ડરની વિગતો ખૂટતી હોય તેવા કિસ્સાઓ હંમેશા વધારતા રહો.

સ્ટોરના મંજૂર પોલિસી દસ્તાવેજોનો જ ઉપયોગ કરો. જો જવાબ પોલિસીમાં ન હોય, તો કહો કે માનવ સમીક્ષાની જરૂર છે. રિફંડ નિયમો, ડિલિવરી તારીખો, ડિસ્કાઉન્ટ કોડ્સ અથવા ટ્રેકિંગ માહિતી શોધશો નહીં.

તેનું પરીક્ષણ કેવી રીતે કરવું

આને અસલી પ્રોડક્ટ તરીકે વેચતા પહેલા, ટીમે એક નાનો મૂલ્યાંકન સેટ ચલાવવો જોઈએ.

દાખ્લા તરીકે:

100 જૂની સપોર્ટ ટિકિટનું પરીક્ષણ કરો જ્યાં સાચી શ્રેણી પહેલાથી જ જાણીતી હોય

એક સંદેશમાં ઓછામાં ઓછી 20 અપૂર્ણ ટિકિટો શામેલ કરો જેમાં જોડણીની ભૂલો, ઓર્ડર નંબર ખૂટતા હોય, ભાવનાત્મક ભાષા હોય અથવા બહુવિધ સમસ્યાઓ હોય

માનવ શ્રેણી સાથે AI શ્રેણીની તુલના કરો

તપાસો કે એસ્કેલેશન નિયમોનું પાલન થયું છે કે નહીં

બે સપોર્ટ એજન્ટોને સૂચવેલા જવાબોને "મોકલવા યોગ્ય", "સંપાદનની જરૂર છે", અથવા "ખોટા" તરીકે રેટ કરવા કહો

ડેમોમાં એક વાર નહીં, પણ સાપ્તાહિક પરિણામ ટ્રૅક કરો

પરિણામ

ઉદાહરણરૂપ પરિણામ: વર્કફ્લોનો ઉપયોગ કરતા પહેલા અને પછી 100 નમૂના ટિકિટોના સમય પર આધારિત.

મેન્યુઅલ ટ્રાયેજ: ૧૦૦ ટિકિટ × ૨.૫ મિનિટ દરેક = ૨૫૦ મિનિટ

AI-સહાયિત ટ્રાયેજ: 100 ટિકિટ × 45 સેકન્ડનો સમીક્ષા સમય = 75 મિનિટ

અંદાજિત સમય બચ્યો: 100 ટિકિટ દીઠ 175 મિનિટ, અથવા 70%

લોન્ચ પહેલાં શ્રેણી ચોકસાઈ લક્ષ્ય: 100 માંથી ઓછામાં ઓછી 90 ટિકિટ યોગ્ય રીતે વર્ગીકૃત કરવામાં આવી છે

એસ્કેલેશન સલામતી લક્ષ્ય: જરૂરી માનવ-સમીક્ષા શ્રેણીઓમાં 0 ચૂકી ગયેલા એસ્કેલેશન

ખરીદનાર પોતાના હેલ્પડેસ્કમાં સમાન 100-ટિકિટ પરીક્ષણ ચલાવીને અને ઐતિહાસિક માનવ લેબલ સાથે AI વર્ગીકરણની તુલના કરીને આ સંખ્યાઓ ચકાસી શકે છે.

શું ખોટું થઈ શકે છે?

સૌથી મોટું જોખમ એ નથી કે AI ખરાબ લાગે છે. પરંતુ સૌથી મોટું જોખમ એ છે કે તે ખોટું હોવા છતાં આત્મવિશ્વાસપૂર્ણ લાગે છે.

સામાન્ય ભૂલોમાં શામેલ છે:

AI ને રિફંડનું વચન આપવા દેવું જે તે મંજૂર કરી શકતું નથી

જૂના પોલિસી દસ્તાવેજોનો ઉપયોગ

સાચા રૂટીંગને બદલે ફક્ત "સુંદર દેખાતા જવાબો" માપવા

ચાર્જબેક, ધમકીઓ અથવા સંવેદનશીલ ગ્રાહકો જેવા એજ કેસોને અવગણવા

ઉચ્ચ જોખમવાળી ટિકિટો માટે માનવ સમીક્ષા છોડી દેવી

શું પરીક્ષણ કરવામાં આવ્યું હતું તે સમજાવ્યા વિના "95% ઓટોમેશન" નો દાવો કરવો

એક ગંભીર AI કંપની આને પ્રોડક્ટ ડિઝાઇન સમસ્યાઓ તરીકે ગણશે, અણઘડ ફૂટનોટ્સ તરીકે નહીં.

વ્યવહારુ ઉપાય

આ ઉદાહરણ વાસ્તવિક AI મૂલ્ય અને AI સુશોભન વચ્ચેનો તફાવત દર્શાવે છે. કંપની "AI" નથી કારણ કે તે સ્ટેકમાં ક્યાંક મોડેલનો ઉપયોગ કરે છે. તે એક AI કંપની છે કારણ કે વર્ગીકરણ, પુનઃપ્રાપ્તિ, મૂલ્યાંકન, વૃદ્ધિ અને પ્રતિસાદ લૂપ્સ એ ઉત્પાદનનું એન્જિન છે.

વારંવાર પૂછાતા પ્રશ્નો

એક AI કંપની વિરુદ્ધ એક AI-સક્ષમ કંપની તરીકે શું ગણાય છે?

AI કંપની એવી કંપની છે જ્યાં મુખ્ય ઉત્પાદન, મૂલ્ય અથવા સ્પર્ધાત્મક લાભ AI પર આધાર રાખે છે - AI દૂર કરો અને ઓફર તૂટી જાય છે અથવા નાટકીય રીતે ખરાબ થઈ જાય છે. AI-સક્ષમ કંપની કામગીરીને મજબૂત કરવા માટે AI નો ઉપયોગ કરે છે (જેમ કે આગાહી અથવા છેતરપિંડી શોધ) પરંતુ હજુ પણ મૂળભૂત રીતે બિન-AI કંઈક વેચે છે. એક સરળ પરીક્ષણ: જો કાલે AI નિષ્ફળ જાય અને તમે હજુ પણ મૂળભૂત સોફ્ટવેર સાથે કાર્ય કરી શકો, તો તમે AI-સક્ષમ હોવાની શક્યતા છે.

કોઈ વ્યવસાય ખરેખર AI કંપની છે કે નહીં તે હું કેવી રીતે ઝડપથી જાણી શકું?

જો AI કામ કરવાનું બંધ કરી દે તો શું થશે તે ધ્યાનમાં લો. જો ગ્રાહકો હજુ પણ ચૂકવણી કરે અને સ્પ્રેડશીટ્સ અથવા પરંપરાગત સોફ્ટવેર સાથે વ્યવસાય ઢીલો પડી જાય, તો તે કદાચ AI-મૂળભૂત નથી. સાચી AI કંપનીઓ પણ ચોક્કસ ઓપરેશનલ શબ્દોમાં વાત કરે છે: મૂલ્યાંકન સેટ, લેટન્સી, ડ્રિફ્ટ, ભ્રમણા, દેખરેખ અને નિષ્ફળતા મોડ્સ. જો તે બધું માર્કેટિંગ છે અને કોઈ મિકેનિઝમ નથી, તો તે એક ભયાનક બાબત છે.

શું તમારે AI કંપની બનવા માટે તમારા પોતાના મોડેલને તાલીમ આપવી પડશે?

ના. ઘણી AI કંપનીઓ હાલના મોડેલો પર મજબૂત ઉત્પાદનો બનાવે છે અને જ્યારે AI ઉત્પાદનનું એન્જિન હોય છે ત્યારે પણ AI-નેટિવ તરીકે લાયક ઠરે છે. મહત્વનું એ છે કે મોડેલો, ડેટા, મૂલ્યાંકન અને પુનરાવૃત્તિ લૂપ્સ પ્રદર્શન અને ભિન્નતાને ચલાવે છે કે નહીં. માલિકીનો ડેટા, વર્કફ્લો એકીકરણ અને સખત મૂલ્યાંકન શરૂઆતથી તાલીમ લીધા વિના પણ વાસ્તવિક ધાર બનાવી શકે છે.

મુખ્ય પ્રકારની AI કંપનીઓ કઈ છે અને તેઓ કેવી રીતે અલગ પડે છે?

સામાન્ય પ્રકારોમાં ફાઉન્ડેશન મોડેલ બિલ્ડર્સ, વર્ટિકલ AI એપ્સ (જેમ કે કાનૂની અથવા તબીબી સાધનો), જ્ઞાન કાર્ય માટે કોપાયલોટ, MLOps/મોડેલ ઓપ્સ પ્લેટફોર્મ, ડેટા અને લેબલિંગ વ્યવસાયો, એજ/ઓન-ડિવાઇસ AI, કન્સલ્ટન્સી/ઇન્ટિગ્રેટર્સ અને મૂલ્યાંકન/સુરક્ષા ટૂલિંગ પ્રદાતાઓનો સમાવેશ થાય છે. તે બધા "AI કંપનીઓ" હોઈ શકે છે, પરંતુ તેઓ ખૂબ જ અલગ વસ્તુઓ વેચે છે: મોડેલ્સ, ફિનિશ્ડ પ્રોડક્ટ્સ, અથવા ઇન્ફ્રાસ્ટ્રક્ચર જે ઉત્પાદન AI ને વિશ્વસનીય અને શાસનક્ષમ બનાવે છે.

સામાન્ય AI કંપનીનો સ્ટેક હૂડ નીચે કેવો દેખાય છે?

ઘણી AI કંપનીઓ એક રફ સ્ટેક શેર કરે છે: ડેટા લેયર (કલેક્શન, લેબલિંગ, ગવર્નન્સ, ફીડબેક લૂપ્સ), મોડેલ લેયર (બેઝ મોડેલ સિલેક્શન, ફાઇન-ટ્યુનિંગ, RAG/વેક્ટર સર્ચ, મૂલ્યાંકન સ્યુટ્સ), પ્રોડક્ટ લેયર (અનિશ્ચિતતા, ગાર્ડરેલ્સ, વર્કફ્લો ઇન્ટિગ્રેશન માટે UX), અને ઓપ્સ લેયર (ડ્રિફ્ટ, ઘટના પ્રતિભાવ, ખર્ચ નિયંત્રણો, ઓડિટ માટે મોનિટરિંગ). માનવ પ્રક્રિયાઓ - સમીક્ષકો, એસ્કેલેશન, QA - ઘણીવાર અનગ્લામરસ કરોડરજ્જુ હોય છે.

કયા મેટ્રિક્સ બતાવે છે કે AI કંપની ફક્ત ડેમો જ નહીં, પણ "વાસ્તવિક કાર્ય" કરી રહી છે?

મજબૂત સિગ્નલ એ ઉત્પાદન સાથે જોડાયેલા માપી શકાય તેવા પરિણામો છે: ચોકસાઈ, સમય બચાવ, ખર્ચમાં ઘટાડો, ઓછી ભૂલો અથવા ઉચ્ચ રૂપાંતર - તે મેટ્રિક્સનું મૂલ્યાંકન અને દેખરેખ માટે સ્પષ્ટ પદ્ધતિ સાથે જોડાયેલ. વાસ્તવિક ટીમો બેન્ચમાર્ક બનાવે છે, ટેસ્ટ એજ કેસ બનાવે છે અને ડિપ્લોયમેન્ટ પછી પ્રદર્શનને ટ્રેક કરે છે. તેઓ મોડેલ ક્યારે ખોટું છે તેની પણ યોજના બનાવે છે, ફક્ત ક્યારે તે સાચું છે તે નહીં, કારણ કે વિશ્વાસ નિષ્ફળતાના સંચાલન પર આધાર રાખે છે.

AI કંપનીઓ સામાન્ય રીતે પૈસા કેવી રીતે બનાવે છે, અને ખરીદદારોએ કયા ભાવોના ફાંદાઓ પર ધ્યાન આપવું જોઈએ?

સામાન્ય મોડેલોમાં ઉપયોગ-આધારિત કિંમત (પ્રતિ વિનંતી/ટોકન/કાર્ય), સીટ-આધારિત સબ્સ્ક્રિપ્શન્સ, પરિણામ-આધારિત કિંમત (દુર્લભ), SLA સાથે એન્ટરપ્રાઇઝ કરાર અને એમ્બેડેડ અથવા ઓન-ડિવાઇસ AI માટે લાઇસન્સિંગનો સમાવેશ થાય છે. એક મુખ્ય તણાવ આગાહી છે: ગ્રાહકો સ્થિર ખર્ચ ઇચ્છે છે જ્યારે AI ખર્ચ વપરાશ અને મોડેલ પસંદગી સાથે બદલાઈ શકે છે. મજબૂત વિક્રેતાઓ સસ્તા મોડેલો, કેશીંગ, બેચિંગ અને સંદર્ભ કદને નિયંત્રિત કરીને આનું સંચાલન કરે છે.

જો દરેક વ્યક્તિ સમાન મોડેલનો ઉપયોગ કરી શકે તો AI કંપનીને શું રક્ષણાત્મક બનાવે છે?

ઘણીવાર ખાઈ ફક્ત "વધુ સારું મોડેલ" હોતી નથી. રક્ષણાત્મકતા માલિકીના ડોમેન ડેટા, વપરાશકર્તાઓ પહેલાથી જ રહેતા વર્કફ્લોમાં વિતરણ, એકીકરણ અને ટેવોથી ખર્ચ બદલવા, ઉચ્ચ-દાવવાળા ક્ષેત્રોમાં બ્રાન્ડ વિશ્વાસ અને વિશ્વસનીય AI શિપિંગમાં ઓપરેશનલ શ્રેષ્ઠતામાંથી આવી શકે છે. હ્યુમન-ઇન-ધ-લૂપ સિસ્ટમ્સ શુદ્ધ ઓટોમેશનને પણ પાછળ છોડી શકે છે. બે ટીમો એક જ મોડેલનો ઉપયોગ કરી શકે છે અને તેની આસપાસની દરેક વસ્તુના આધારે ખૂબ જ અલગ પરિણામો મેળવી શકે છે.

વિક્રેતા અથવા સ્ટાર્ટઅપનું મૂલ્યાંકન કરતી વખતે હું AI-વોશિંગ કેવી રીતે શોધી શકું?

સ્પષ્ટ AI ક્ષમતા વિનાના અસ્પષ્ટ દાવાઓ, કોઈ ધારવાળા કેસ વિનાના "ડેમો મેજિક" અને મૂલ્યાંકન, ડેટા ગવર્નન્સ, મોનિટરિંગ અથવા નિષ્ફળતા મોડ્સ સમજાવવામાં અસમર્થતા પર નજર રાખો. "સંપૂર્ણ નજીક" જેવા અતિશય આત્મવિશ્વાસવાળા દાવાઓ બીજી ચેતવણી સંકેત છે. લીલા ઝંડાઓમાં પારદર્શક માપન, સ્પષ્ટ મર્યાદાઓ, ડ્રિફ્ટ માટે દેખરેખ યોજનાઓ અને સારી રીતે વ્યાખ્યાયિત માનવ સમીક્ષા અથવા એસ્કેલેશન પાથનો સમાવેશ થાય છે. જે કંપની કહી શકે છે કે "અમે તે કરતા નથી" તે ઘણીવાર એવી કંપની કરતાં વધુ વિશ્વસનીય હોય છે જે બધું જ વચન આપે છે.

સંદર્ભ

1. ઓઇસીડી - oecd.ai

2. ઓઇસીડી - oecd.org

3. નેશનલ ઇન્સ્ટિટ્યૂટ ઓફ સ્ટાન્ડર્ડ્સ એન્ડ ટેકનોલોજી (NIST) - NIST AI RMF (AI 100-1) - nist.gov

4. NIST AI રિસ્ક મેનેજમેન્ટ ફ્રેમવર્ક (AI RMF) પ્લેબુક - મેઝર - nist.gov

5. ગુગલ ક્લાઉડ - MLOps: મશીન લર્નિંગમાં સતત ડિલિવરી અને ઓટોમેશન પાઇપલાઇન્સ - google.com

6. ગુગલ - એમએલઓપ્સ માટે પ્રેક્ટિશનર્સ ગાઇડ (શ્વેતપત્ર) - google.com

7. ગુગલ ક્લાઉડ - MLOps શું છે? - ​​google.com

8. ડેટાડોગ - એલએલએમ મૂલ્યાંકન માળખું શ્રેષ્ઠ પ્રથાઓ - datadoghq.com

9. IBM - મોડેલ ડ્રિફ્ટ - ibm.com

10. ઓપનએઆઈ - ભાષા મોડેલો શા માટે ભ્રમિત થાય છે - openai.com

11. OpenAI - API કિંમત નિર્ધારણ - openai.com

12. OpenAI હેલ્પ સેન્ટર - ટોકન્સ શું છે અને તેમની ગણતરી કેવી રીતે કરવી - openai.com

13. માઈક્રોસોફ્ટ - માઈક્રોસોફ્ટ 365 કોપાયલોટ કિંમત - microsoft.com

14. એમઆઈટી સ્લોન સ્કૂલ ઓફ મેનેજમેન્ટ - ડેટા-કેન્દ્રિત કૃત્રિમ બુદ્ધિનો સમય કેમ આવી ગયો છે - mit.edu

15. NVIDIA - એજ AI શું છે? - ​​nvidia.com

16. IBM - એજ વિરુદ્ધ ક્લાઉડ AI - ibm.com

17. ઉબેર - ML મોડેલ ડિપ્લોયમેન્ટ સલામતી પર ધોરણો વધારવું - uber.com

18. ઇન્ટરનેશનલ ઓર્ગેનાઇઝેશન ફોર સ્ટાન્ડર્ડાઇઝેશન (ISO) - ISO/IEC 42001 ઝાંખી - iso.org

19. arXiv - જ્ઞાન-સઘન NLP કાર્યો માટે પુનઃપ્રાપ્તિ-સંવર્ધિત પેઢી (લુઈસ એટ અલ., 2020) - arxiv.org

20. ઓરેકલ - વેક્ટર શોધ - oracle.com

21. કૃત્રિમ બુદ્ધિ અધિનિયમ (EU) - માનવ દેખરેખ (કલમ 14) - artificialintelligenceact.eu

22. યુરોપિયન કમિશન - AI પર નિયમનકારી માળખું (AI એક્ટ ઝાંખી) - europa.eu

23. યુટ્યુબ - youtube.com

24. AI આસિસ્ટન્ટ સ્ટોર - AI અપસ્કેલિંગ કેવી રીતે કાર્ય કરે છે - aiassistantstore.com

25. AI આસિસ્ટન્ટ સ્ટોર - AI કોડ કેવો દેખાય છે - aiassistantstore.com

26. AI આસિસ્ટન્ટ સ્ટોર - AI અલ્ગોરિધમ શું છે - aiassistantstore.com

27. AI આસિસ્ટન્ટ સ્ટોર - AI પ્રીપ્રોસેસિંગ શું છે - aiassistantstore.com

અધિકૃત AI સહાયક સ્ટોર પર નવીનતમ AI શોધો

અમારા વિશે