AI ડેવલપર કેવી રીતે બનવું. ધ લોડાઉન.

તમે અહીં બકવાસ કરવા માટે નથી. તમે AI ડેવલપર કેવી રીતે બનવું તે . સારું. આ માર્ગદર્શિકા તમને કૌશલ્યનો નકશો, ખરેખર મહત્વપૂર્ણ સાધનો, કોલબેક મેળવતા પ્રોજેક્ટ્સ અને શિપિંગથી ટિંકરિંગને અલગ કરતી ટેવો આપે છે. ચાલો તમને નિર્માણ કરીએ.

આ પછી તમને વાંચવા ગમશે તેવા લેખો:

🔗 AI કંપની કેવી રીતે શરૂ કરવી
તમારા AI સ્ટાર્ટઅપના નિર્માણ, ભંડોળ અને લોન્ચ માટે પગલું-દર-પગલાની માર્ગદર્શિકા.

🔗 તમારા કમ્પ્યુટર પર AI કેવી રીતે બનાવવું
સ્થાનિક રીતે સરળતાથી AI મોડેલ બનાવવાનું, તાલીમ આપવાનું અને ચલાવવાનું શીખો.

🔗 AI મોડેલ કેવી રીતે બનાવવું
ખ્યાલથી લઈને ડિપ્લોયમેન્ટ સુધી AI મોડેલ બનાવટનું વ્યાપક વિશ્લેષણ.

🔗 સાંકેતિક AI શું છે?
સાંકેતિક AI કેવી રીતે કાર્ય કરે છે અને તે આજે પણ શા માટે મહત્વપૂર્ણ છે તેનું અન્વેષણ કરો.

એક ઉત્તમ AI ડેવલપર શું બનાવે છે✅

એક સારો AI ડેવલપર એ નથી જે દરેક ઑપ્ટિમાઇઝરને યાદ રાખે છે. તે એ વ્યક્તિ છે જે ઝાંખી સમસ્યા લઈ શકે છે, તેને ફ્રેમ કરી શકે છે , ડેટા અને મોડેલોને એકસાથે જોડી શકે છે, કંઈક એવું મોકલી શકે છે જે કામ કરે છે, તેને પ્રામાણિકપણે માપી શકે છે અને નાટક વિના પુનરાવર્તન કરી શકે છે. થોડા માર્કર:

• આખા લૂપ સાથે આરામ: ડેટા → મોડેલ → ઇવલ → ડિપ્લોય → મોનિટર.

• નૈસર્ગિક સિદ્ધાંત પર ઝડપી પ્રયોગોનો પક્ષપાત... સ્પષ્ટ ફાંદાઓ ટાળવા માટે પૂરતા સિદ્ધાંત સાથે.

• એક એવો પોર્ટફોલિયો જે સાબિત કરે છે કે તમે ફક્ત નોટબુક જ નહીં, પણ પરિણામો પણ આપી શકો છો.

• જોખમ, ગોપનીયતા અને ન્યાયીપણા અંગે એક જવાબદાર માનસિકતા - પ્રદર્શનકારી નહીં, વ્યવહારુ. NIST AI રિસ્ક મેનેજમેન્ટ ફ્રેમવર્ક અને OECD AI સિદ્ધાંતો તમને સમીક્ષકો અને હિસ્સેદારો જેવી જ ભાષા બોલવામાં મદદ કરે છે. [1][2]

નાની કબૂલાત: ક્યારેક તમે એક મોડેલ મોકલશો અને પછી મૂળભૂત જીતનો અહેસાસ થશે. તે નમ્રતા - વિચિત્ર રીતે - એક સુપરપાવર છે.

ક્વિક વિગ્નેટ: એક ટીમે સપોર્ટ ટ્રાયજ માટે એક ફેન્સી ક્લાસિફાયર બનાવ્યું; બેઝલાઇન કીવર્ડ નિયમોએ તેને પ્રથમ-પ્રતિસાદ સમયે હરાવ્યું. તેમણે નિયમો રાખ્યા, એજ કેસ માટે મોડેલનો ઉપયોગ કર્યો અને બંને મોકલ્યા. ઓછો જાદુ, વધુ પરિણામો.

AI ડેવલપર કેવી રીતે બનવું તેનો રોડમેપ 🗺️

અહીં એક સરળ, પુનરાવર્તિત રસ્તો છે. જેમ જેમ તમે સ્તર ઉપર જાઓ તેમ તેમ તેને થોડી વાર લૂપ કરો:

1. પ્રોગ્રામિંગ ફ્લુએન્સી અને કોર DS લિબ્સ: NumPy, pandas, scikit-learn. સત્તાવાર માર્ગદર્શિકાઓને સ્કિમ કરો અને પછી તમારી આંગળીઓ તેમને ઓળખે ત્યાં સુધી નાના સ્ક્રિપ્ટો બનાવો. scikit-learn વપરાશકર્તા માર્ગદર્શિકા આશ્ચર્યજનક રીતે વ્યવહારુ પાઠ્યપુસ્તક તરીકે બમણી થાય છે. [3]

2. ML ફાઉન્ડેશન્સ : રેખીય મોડેલ્સ, રેગ્યુલરાઇઝેશન, ક્રોસ-વેલિડેશન, મેટ્રિક્સ. ક્લાસિક લેક્ચર નોટ્સ અને હેન્ડ્સ-ઓન ક્રેશ કોર્સ કોમ્બો સારી રીતે કામ કરે છે.

3. ડીપ લર્નિંગ ટૂલિંગ : PyTorch અથવા TensorFlow પસંદ કરો અને મોડેલોને તાલીમ આપવા, સાચવવા અને લોડ કરવા માટે પૂરતું શીખો; ડેટાસેટ્સ હેન્ડલ કરો; અને સામાન્ય આકાર ભૂલોને ડીબગ કરો. જો તમને "કોડ ફર્સ્ટ" ગમે છે, તો સત્તાવાર PyTorch ટ્યુટોરિયલ્સથી . [4]

4. ખરેખર મોકલવામાં આવતા પ્રોજેક્ટ્સ : ડોકર સાથે પેકેજ, ટ્રેક રન (CSV લોગ પણ કંઈપણ કરતા વધારે નથી), અને ન્યૂનતમ API જમાવટ. જ્યારે તમે સિંગલ-બોક્સ ડિપ્લોયમેન્ટને આગળ વધો ત્યારે કુબર્નેટ્સ શીખો; પહેલા ડોકર. [5]

5. જવાબદાર AI સ્તર : NIST/OECD (માન્યતા, વિશ્વસનીયતા, પારદર્શિતા, વાજબીતા) દ્વારા પ્રેરિત હળવા જોખમ ચેકલિસ્ટ અપનાવો. તે ચર્ચાઓને નક્કર રાખે છે અને ઓડિટ કંટાળાજનક રાખે છે (સારી રીતે). [1][2]

6. થોડી વિશેષતા મેળવો : ટ્રાન્સફોર્મર્સ સાથે NLP, આધુનિક રૂપાંતર/ViTs સાથે વિઝન, ભલામણકર્તાઓ, અથવા LLM એપ્લિકેશનો અને એજન્ટો. એક લેન પસંદ કરો, બે નાના પ્રોજેક્ટ્સ બનાવો, પછી શાખા બનાવો.

તમે હંમેશા માટે 2-6 પગલાં ફરી જોશો. પ્રામાણિકપણે, બસ આ જ કામ છે.

મોટાભાગના દિવસોમાં તમે ખરેખર ઉપયોગ કરશો તે કૌશલ્યનો સ્ટેક 🧰

• પાયથોન + ડેટા રેંગલિંગ : એરે કાપવા, જોડાવા, ગ્રુપબાય, વેક્ટરાઇઝેશન. જો તમે પાંડાને નૃત્ય કરાવી શકો છો, તો તાલીમ સરળ છે અને મૂલ્યાંકન વધુ સ્વચ્છ છે.

• કોર એમએલ : ટ્રેન-ટેસ્ટ સ્પ્લિટ્સ, લીકેજ ટાળવું, મેટ્રિક સાક્ષરતા. સાયકિટ-લર્ન માર્ગદર્શિકા શાંતિથી શ્રેષ્ઠ ઓન-રેમ્પ ટેક્સ્ટ્સમાંની એક છે. [3]

• DL ફ્રેમવર્ક : એક પસંદ કરો, શરૂઆતથી અંત સુધી કામ કરો, પછી બીજા પર પછીથી નજર નાખો. PyTorch ના દસ્તાવેજો માનસિક મોડેલને સ્પષ્ટ બનાવે છે. [4]

• સ્વચ્છતાનો પ્રયોગ કરો : ટ્રેક રન, પેરામ અને કલાકૃતિઓ. ભવિષ્ય-તમે પુરાતત્વને નફરત કરો છો.

• કન્ટેનરાઇઝેશન અને ઓર્કેસ્ટ્રેશન : તમારા સ્ટેકને પેકેજ કરવા માટે ડોકર; જ્યારે તમને પ્રતિકૃતિઓ, ઓટોસ્કેલિંગ અને રોલિંગ અપડેટ્સની જરૂર હોય ત્યારે કુબર્નેટ્સ. અહીંથી શરૂઆત કરો. [5]

• GPU ની મૂળભૂત બાબતો : ક્યારે ભાડે લેવું, બેચનું કદ થ્રુપુટને કેવી રીતે અસર કરે છે અને કેટલાક ઓપ્સ મેમરી-બાઉન્ડ કેમ છે તે જાણો.

• જવાબદાર AI : સ્પષ્ટ ગુણધર્મો (માન્યતા, વિશ્વસનીયતા, પારદર્શિતા, ન્યાયીતા) નો ઉપયોગ કરીને ડેટા સ્ત્રોતોનું દસ્તાવેજીકરણ કરો, જોખમોનું મૂલ્યાંકન કરો અને ઘટાડાની યોજના બનાવો. [1]

શરૂઆતનો અભ્યાસક્રમ: થોડી લિંક્સ જે તેમના વજન કરતાં વધુ સારી છે 🔗

• ML ફાઉન્ડેશન્સ : થિયરી-હેવી નોટ્સનો સેટ + હેન્ડ્સ-ઓન ક્રેશ કોર્સ. તેમને સાયકિટ-લર્નમાં પ્રેક્ટિસ સાથે જોડો. [3]

• ફ્રેમવર્ક : પાયટોર્ચ ટ્યુટોરિયલ્સ (અથવા જો તમને કેરાસ પસંદ હોય તો ટેન્સરફ્લો માર્ગદર્શિકા). [4]

• ડેટા સાયન્સની આવશ્યકતાઓ મેટ્રિક્સ, પાઇપલાઇન્સ અને મૂલ્યાંકનને આંતરિક બનાવવા માટે સાયકિટ-લર્નની વપરાશકર્તા માર્ગદર્શિકા

• શિપિંગ : ડોકરનો ગેટ સ્ટાર્ટ પાથ "મારા મશીન પર કામ કરે છે" તેથી "બધે કામ કરે છે" માં ફેરવાય છે. [5]

આને બુકમાર્ક કરો. જ્યારે અટકી જાઓ, ત્યારે એક પાનું વાંચો, એક વસ્તુનો પ્રયાસ કરો, અને પુનરાવર્તન કરો.

ઇન્ટરવ્યુ મેળવતા ત્રણ પોર્ટફોલિયો પ્રોજેક્ટ્સ 📁

1. તમારા પોતાના ડેટાસેટ પર પુનઃપ્રાપ્તિ-સંવર્ધિત પ્રશ્નનો જવાબ આપવો

   • વિશિષ્ટ જ્ઞાન આધારને સ્ક્રેપ/આયાત કરો, એમ્બેડિંગ્સ બનાવો + પુનઃપ્રાપ્તિ કરો, હળવા UI ઉમેરો.

   • ટ્રૅક લેટન્સી, રોકેલા પ્રશ્ન અને જવાબ સેટ પર ચોકસાઈ અને વપરાશકર્તા પ્રતિસાદ.

   • એક નાનો "નિષ્ફળતા કેસ" વિભાગ શામેલ કરો.

2. વાસ્તવિક ડિપ્લોયમેન્ટ મર્યાદાઓ સાથે વિઝન મોડેલ

   • ક્લાસિફાયર અથવા ડિટેક્ટરને તાલીમ આપો, FastAPI દ્વારા સેવા આપો, ડોકર સાથે કન્ટેનરાઇઝ કરો, તમે કેવી રીતે સ્કેલ કરશો તે લખો. [5]

   • દસ્તાવેજ ડ્રિફ્ટ શોધ (વિશેષતાઓ પર સરળ વસ્તી આંકડા એક સારી શરૂઆત છે).

3. જવાબદાર AI કેસ સ્ટડી

   • સંવેદનશીલ સુવિધાઓ ધરાવતો જાહેર ડેટાસેટ પસંદ કરો. NIST ગુણધર્મો (માન્યતા, વિશ્વસનીયતા, વાજબીતા) સાથે સંરેખિત મેટ્રિક્સ-અને-શમન લેખન કરો. [1]

દરેક પ્રોજેક્ટ માટે જરૂરી છે: 1-પૃષ્ઠ README, એક ડાયાગ્રામ, પુનઃઉત્પાદન કરી શકાય તેવી સ્ક્રિપ્ટો અને એક નાનો ચેન્જલોગ. થોડી ઇમોજી ફ્લેર ઉમેરો કારણ કે, માણસો પણ આ વાંચે છે 🙂

MLOps, ડિપ્લોયમેન્ટ, અને તે ભાગ જે કોઈ તમને શીખવતું નથી 🚢

શિપિંગ એક કૌશલ્ય છે. ન્યૂનતમ પ્રવાહ:

• તમારી એપને ડોકર સાથે કન્ટેઈનરાઇઝ કરો

• પ્રયોગોને ટ્રેક કરો (સ્થાનિક રીતે પણ). પરિમાણો, મેટ્રિક્સ, કલાકૃતિઓ અને "વિજેતા" ટેગ એબ્લેશનને પ્રમાણિક અને સહયોગ શક્ય બનાવે છે.

• ઓર્કેસ્ટ્રેટ કરો . પહેલા ડિપ્લોયમેન્ટ્સ, સેવાઓ અને ઘોષણાત્મક રૂપરેખા શીખો; યાક-શેવ કરવાની ઇચ્છાનો પ્રતિકાર કરો.

• ક્લાઉડ રનટાઇમ્સ : પ્રોટોટાઇપિંગ માટે કોલેબ; રમકડાની એપ્લિકેશનો પાસ કર્યા પછી મેનેજ્ડ પ્લેટફોર્મ (સેજમેકર/એઝ્યુર એમએલ/વર્ટેક્સ).

• GPU સાક્ષરતા : તમારે CUDA કર્નલ લખવાની જરૂર નથી; તમારે ડેટાલોડર ક્યારે તમારી અડચણ છે તે ઓળખવાની જરૂર છે.

નાનું ખામીયુક્ત રૂપક: MLOps ને ખાટા સ્ટાર્ટર તરીકે વિચારો - તેને ઓટોમેશન અને મોનિટરિંગથી ખવડાવો, નહીં તો તે દુર્ગંધ મારશે.

જવાબદાર AI એ તમારો સ્પર્ધાત્મક ખાઈ છે 🛡️

ટીમો પર વિશ્વસનીયતા સાબિત કરવાનું દબાણ હોય છે. જો તમે જોખમ, દસ્તાવેજીકરણ અને શાસન વિશે ચોક્કસ વાત કરી શકો છો, તો તમે તે વ્યક્તિ બનો છો જે લોકો રૂમમાં ઇચ્છે છે.

• સ્થાપિત માળખાનો ઉપયોગ કરો : NIST ગુણધર્મો (માન્યતા, વિશ્વસનીયતા, પારદર્શિતા, વાજબીતા) માટે આવશ્યકતાઓને મેપ કરો, પછી તેમને ચેકલિસ્ટ વસ્તુઓ અને PR માં સ્વીકૃતિ માપદંડોમાં ફેરવો. [1]

• તમારા સિદ્ધાંતોને મજબૂત બનાવો : OECD AI સિદ્ધાંતો માનવ અધિકારો અને લોકશાહી મૂલ્યો પર ભાર મૂકે છે - જ્યારે તમે વાટાઘાટોની ચર્ચા કરો છો ત્યારે ઉપયોગી છે. [2]

• વ્યાવસાયિક નીતિશાસ્ત્ર : ડિઝાઇન દસ્તાવેજોમાં નીતિશાસ્ત્ર સંહિતાનો સંક્ષિપ્ત સંકેત ઘણીવાર "અમે તેના વિશે વિચાર્યું" અને "અમે તેને પાંખો આપી" વચ્ચેનો તફાવત છે.

આ લાલ ફિતાશાહી નથી. આ તો કારીગરી છે.

થોડી નિષ્ણાત બનો: એક લેન પસંદ કરો અને તેના સાધનો શીખો 🛣️

• LLMs અને NLP : ટોકનાઇઝેશન મુશ્કેલીઓ, સંદર્ભ વિંડોઝ, RAG, BLEU થી આગળ મૂલ્યાંકન. ઉચ્ચ-સ્તરીય પાઇપલાઇન્સથી શરૂઆત કરો, પછી કસ્ટમાઇઝ કરો.

• વિઝન : ડેટા ઓગ્મેન્ટેશન, લેબલિંગ હાઇજીન, અને એજ ડિવાઇસ પર ડિપ્લોયમેન્ટ જ્યાં લેટન્સી ક્વીન છે.

• ભલામણકર્તાઓ : ગર્ભિત પ્રતિસાદની વિચિત્રતાઓ, કોલ્ડ-સ્ટાર્ટ વ્યૂહરચનાઓ અને વ્યવસાયિક KPI જે RMSE સાથે મેળ ખાતા નથી.

• એજન્ટો અને ટૂલનો ઉપયોગ : ફંક્શન કોલિંગ, મર્યાદિત ડીકોડિંગ અને સેફ્ટી રેલ્સ.

પ્રામાણિકપણે, રવિવારે સવારે એવું ક્ષેત્ર પસંદ કરો જે તમને જિજ્ઞાસા કરાવે.

સરખામણી કોષ્ટક: AI ડેવલપર કેવી રીતે બનવું તેના માર્ગો 📊

હા, અંતર થોડું અસમાન છે. વાસ્તવિક કોષ્ટકો ભાગ્યે જ સંપૂર્ણ હોય છે.

અભ્યાસના લૂપ્સ જે ખરેખર ચોંટી જાય છે 🔁

• બે કલાકનું ચક્ર : 20 મિનિટ દસ્તાવેજો વાંચવા, 80 મિનિટ કોડિંગ કરવા, 20 મિનિટ શું તૂટી ગયું તે લખવા.

• એક-પૃષ્ઠ લેખન : દરેક મિની-પ્રોજેક્ટ પછી, સમસ્યા ફ્રેમિંગ, બેઝલાઇન, મેટ્રિક્સ અને નિષ્ફળતા મોડ્સ સમજાવો.

• ઇરાદાપૂર્વકના અવરોધો : ફક્ત CPU પર તાલીમ આપો, અથવા પ્રીપ્રોસેસિંગ માટે કોઈ બાહ્ય લિબ્સ નહીં, અથવા બરાબર 200 લાઇનનું બજેટ બનાવો. અવરોધો કોઈક રીતે સર્જનાત્મકતાને જન્મ આપે છે.

• પેપર સ્પ્રિન્ટ્સ : ફક્ત ખોટ અથવા ડેટાલોડર લાગુ કરો. તમારે ઘણું શીખવા માટે SOTA ની જરૂર નથી.

જો ધ્યાન સરકી જાય, તો તે સામાન્ય છે. બધા ડગમગી જાય છે. ચાલો, પાછા આવો, કંઈક નાનું મોકલો.

ઇન્ટરવ્યૂની તૈયારી, નાટકો વગર 🎯

• પોર્ટફોલિયો પહેલા : વાસ્તવિક રિપો સ્લાઇડ ડેક કરતાં વધુ સારા છે. ઓછામાં ઓછો એક નાનો ડેમો જમાવો.

• ટ્રેડઓફ્સ સમજાવો : મેટ્રિક પસંદગીઓમાંથી પસાર થવા માટે તૈયાર રહો અને તમે નિષ્ફળતાને કેવી રીતે ડીબગ કરશો.

• સિસ્ટમ વિચારસરણી : ડેટા → મોડેલ → API → મોનિટર ડાયાગ્રામનું સ્કેચ બનાવો અને તેનું વર્ણન કરો.

• જવાબદાર AI : NIST AI RMF સાથે સંરેખિત એક સરળ ચેકલિસ્ટ રાખો - તે પરિપક્વતાનો સંકેત આપે છે, બઝવર્ડ્સ નહીં. [1]

• ફ્રેમવર્ક ફ્લુએન્સી : એક ફ્રેમવર્ક પસંદ કરો અને તેની સાથે ખતરનાક બનો. ઇન્ટરવ્યુમાં સત્તાવાર દસ્તાવેજો વાજબી રમત છે. [4]

નાનું કુકબુક: સપ્તાહના અંતે તમારો પહેલો એન્ડ-ટુ-એન્ડ પ્રોજેક્ટ 🍳

1. ડેટા : એક સ્વચ્છ ડેટાસેટ પસંદ કરો.

2. બેઝલાઇન : ક્રોસ-વેલિડેશન સાથે સાયકિટ-લર્ન મોડેલ; લોગ બેઝિક મેટ્રિક્સ. [3]

3. DL પાસ : PyTorch અથવા TensorFlow માં સમાન કાર્ય; સફરજનની સરખામણી સફરજન સાથે કરો. [4]

4. ટ્રેકિંગ : રન રેકોર્ડ કરો (એક સરળ CSV + ટાઇમસ્ટેમ્પ પણ). વિજેતાને ટેગ કરો.

5. સર્વ કરો : FastAPI રૂટમાં આગાહી લપેટો, ડોકરાઇઝ કરો, સ્થાનિક રીતે ચલાવો. [5]

6. વિચારો : વપરાશકર્તા માટે કયું મેટ્રિક મહત્વનું છે, કયા જોખમો અસ્તિત્વમાં છે, અને લોન્ચ પછી તમે શું મોનિટર કરશો - તેને સ્પષ્ટ રાખવા માટે NIST AI RMF પાસેથી શરતો ઉધાર લો. [1]

શું આ સંપૂર્ણ છે? ના. શું સંપૂર્ણ કોર્સની રાહ જોવા કરતાં તે વધુ સારું છે? ચોક્કસ.

સામાન્ય મુશ્કેલીઓ જે તમે શરૂઆતમાં ટાળી શકો છો ⚠️

• તમારા શિક્ષણને ટ્યુટોરિયલ્સ સાથે જોડીને : શરૂઆત કરવા માટે સારું, પણ ટૂંક સમયમાં સમસ્યા-પ્રથમ વિચારસરણી તરફ વળો.

• મૂલ્યાંકન ડિઝાઇન છોડી દેવી : તાલીમ પહેલાં સફળતા વ્યાખ્યાયિત કરો. કલાકો બચાવે છે.

• ડેટા કોન્ટ્રેક્ટ્સને અવગણવાથી : સ્કીમા ડ્રિફ્ટ મોડેલો કરતાં વધુ સિસ્ટમોને તોડે છે.

• જમાવટનો ડર : ડોકર દેખાવ કરતાં વધુ મૈત્રીપૂર્ણ છે. નાની શરૂઆત કરો; સ્વીકારો કે પહેલું બિલ્ડ અણઘડ હશે. [5]

• નીતિશાસ્ત્ર છેલ્લે : તેને પછીથી બોલ્ટ કરો અને તે પાલનના કામમાં ફેરવાઈ જાય છે. તેને ડિઝાઇનમાં બનાવો - હળવા, વધુ સારા. [1][2]

TL;DR 🧡

જો તમને એક વાત યાદ હોય તો: AI ડેવલપર કેવી રીતે બનવું એ સિદ્ધાંતનો સંગ્રહ કરવો કે ચળકતા મોડેલોનો પીછો કરવો તે નથી. તે ચુસ્ત લૂપ અને જવાબદાર માનસિકતા સાથે વાસ્તવિક સમસ્યાઓને વારંવાર ઉકેલવા વિશે છે. ડેટા સ્ટેક શીખો, એક DL ફ્રેમવર્ક પસંદ કરો, ડોકર સાથે નાની વસ્તુઓ મોકલો, તમે શું કરો છો તે ટ્રૅક કરો અને NIST અને OECD જેવા આદરણીય માર્ગદર્શન પર તમારી પસંદગીઓને એન્કર કરો. ત્રણ નાના, પ્રેમાળ પ્રોજેક્ટ્સ બનાવો અને તેમના વિશે જાદુગર નહીં, પણ સાથીદારની જેમ વાત કરો. બસ, બસ.

અને હા, જો મદદ કરે તો આ વાક્ય મોટેથી બોલો: મને ખબર છે કે AI ડેવલપર કેવી રીતે બનવું . તો આજે એક કલાક ધ્યાન કેન્દ્રિત કરીને તેને સાબિત કરો.

સંદર્ભ

[1] NIST. આર્ટિફિશિયલ ઇન્ટેલિજન્સ રિસ્ક મેનેજમેન્ટ ફ્રેમવર્ક (AI RMF 1.0) . (PDF) - લિંક
[2] OECD. OECD AI સિદ્ધાંતો - ઝાંખી - લિંક
[3] scikit-learn. વપરાશકર્તા માર્ગદર્શિકા (સ્થિર) - લિંક
[4] PyTorch. ટ્યુટોરિયલ્સ (મૂળભૂત બાબતો શીખો, વગેરે) - લિંક
[5] ડોકર. શરૂઆત કરો - લિંક