તમારા કમ્પ્યુટર પર AI કેવી રીતે બનાવવું

તમારા કમ્પ્યુટર પર AI કેવી રીતે બનાવવું. સંપૂર્ણ માર્ગદર્શિકા.

ઠીક છે, તો તમે "એઆઈ" બનાવવા વિશે ઉત્સુક છો. હોલીવુડના અર્થમાં નહીં જ્યાં તે અસ્તિત્વનો વિચાર કરે છે, પરંતુ તે પ્રકારનો અર્થ જે તમે તમારા લેપટોપ પર ચલાવી શકો છો જે આગાહીઓ કરે છે, વસ્તુઓનું વર્ગીકરણ કરે છે, કદાચ થોડી ચેટ પણ કરે છે. તમારા કમ્પ્યુટર પર એઆઈ કેવી રીતે બનાવવું તે શૂન્યથી તરફ ખેંચવાનો મારો પ્રયાસ છે જે ખરેખર સ્થાનિક રીતે કાર્ય કરે છે . શોર્ટકટ, સ્પષ્ટ મંતવ્યો અને ક્યારેક બાજુ તરફ જવાની અપેક્ષા રાખો કારણ કે, ચાલો વાસ્તવિક બનીએ, ટિંકરિંગ ક્યારેય સ્વચ્છ હોતું નથી.

આ પછી તમને વાંચવા ગમશે તેવા લેખો:

🔗 AI મોડેલ કેવી રીતે બનાવવું: સંપૂર્ણ પગલાં સમજાવ્યા
શરૂઆતથી અંત સુધી AI મોડેલ બનાવટનું સ્પષ્ટ વિભાજન.

🔗 સાંકેતિક AI શું છે: તમારે ફક્ત એટલું જ જાણવાની જરૂર છે
સાંકેતિક AI ની મૂળભૂત બાબતો, ઇતિહાસ અને આધુનિક એપ્લિકેશનો શીખો.

🔗 AI માટે ડેટા સ્ટોરેજ આવશ્યકતાઓ: તમને શું જોઈએ છે
કાર્યક્ષમ અને સ્કેલેબલ AI સિસ્ટમ્સ માટે સ્ટોરેજ જરૂરિયાતોને સમજો.

હવે શા માટે ચિંતા કરો છો? 🧭

કારણ કે "ફક્ત ગુગલ-સ્કેલ લેબ્સ જ AI કરી શકે છે" નો યુગ ગયો છે. આજકાલ, નિયમિત લેપટોપ, કેટલાક ઓપન-સોર્સ ટૂલ્સ અને જીદ સાથે, તમે નાના મોડેલો બનાવી શકો છો જે ઇમેઇલ્સનું વર્ગીકરણ કરે છે, ટેક્સ્ટનો સારાંશ આપે છે અથવા છબીઓને ટેગ કરે છે. કોઈ ડેટા સેન્ટરની જરૂર નથી. તમારે ફક્ત આની જરૂર છે:

  • એક યોજના,

  • સ્વચ્છ સેટઅપ,

  • અને એક એવો ધ્યેય જે તમે મશીનને બારી બહાર ફેંકવાની ઇચ્છા વિના પૂર્ણ કરી શકો છો.

આને અનુસરવા યોગ્ય શું બનાવે છે ✅

"તમારા કમ્પ્યુટર પર AI કેવી રીતે બનાવવું" એવું પૂછતા લોકો સામાન્ય રીતે પીએચડી ઇચ્છતા નથી. તેઓ એવું કંઈક ઇચ્છે છે જે તેઓ ખરેખર ચલાવી શકે. એક સારી યોજનામાં કેટલીક બાબતોનો સમાવેશ થાય છે:

  • નાની શરૂઆત કરો : ભાવનાનું વર્ગીકરણ કરો, "બુદ્ધિ ઉકેલો" નહીં.

  • પ્રજનનક્ષમતા : કોન્ડા અથવા વેનવ જેથી તમે ગભરાટ વગર આવતીકાલે ફરીથી બનાવી શકો.

  • હાર્ડવેર પ્રમાણિકતા : સાયકિટ-લર્ન માટે CPUs સારા છે, ડીપ નેટ્સ માટે GPUs (જો તમે નસીબદાર છો) [2][3].

  • સ્વચ્છ ડેટા : કોઈ ખોટી રીતે લેબલ થયેલ જંક નહીં; હંમેશા ટ્રેન/માન્ય/પરીક્ષણમાં વિભાજિત.

  • મેટ્રિક્સ જેનો અર્થ કંઈક થાય છે : ચોકસાઈ, ચોકસાઈ, રિકોલ, F1. અસંતુલન માટે, ROC-AUC/PR-AUC [1].

  • શેર કરવાની એક રીત : એક નાનું API, CLI, અથવા ડેમો એપ્લિકેશન.

  • સલામતી : કોઈ શંકાસ્પદ ડેટાસેટ્સ નહીં, કોઈ ખાનગી માહિતી લીક નહીં, જોખમો સ્પષ્ટપણે નોંધો [4].

તેને બરાબર કરો, અને તમારું "નાનું" મોડેલ પણ વાસ્તવિક છે.

એક એવો રોડમેપ જે ડરામણો નથી લાગતો 🗺️

  1. એક નાની સમસ્યા + એક મેટ્રિક પસંદ કરો.

  2. પાયથોન અને કેટલીક કી લાઇબ્રેરીઓ ઇન્સ્ટોલ કરો.

  3. સ્વચ્છ વાતાવરણ બનાવો (તમે પછીથી તમારો આભાર માનશો).

  4. તમારા ડેટાસેટને લોડ કરો, યોગ્ય રીતે વિભાજીત કરો.

  5. મૂર્ખ પણ પ્રામાણિક બેઝલાઇન શીખવો.

  6. જો તે મૂલ્ય ઉમેરે તો જ ન્યુરલ નેટ અજમાવો.

  7. ડેમો પેક કરો.

  8. કેટલીક નોંધો રાખો, ભવિષ્યમાં - તમે તમારો આભાર માનશો.

ન્યૂનતમ કીટ: વધુ પડતી જટિલતા ન બનાવો 🧰

  • પાયથોન : python.org પરથી મેળવો.

  • પર્યાવરણ : પીપ સાથે વેનવ

  • નોટબુક્સ : રમવા માટે જ્યુપીટર.

  • સંપાદક : VS કોડ, મૈત્રીપૂર્ણ અને શક્તિશાળી.

  • કોર લિબ્સ

    • પાંડા + નમપી (ડેટા ઝઘડો)

    • સાયકિટ-લર્ન (ક્લાસિકલ એમએલ)

    • પાયટોર્ચ અથવા ટેન્સરફ્લો (ઊંડું શિક્ષણ, GPU મેટર બનાવે છે) [2][3]

    • હગિંગ ફેસ ટ્રાન્સફોર્મર્સ, સ્પેસ, ઓપનસીવી (એનએલપી + વિઝન)

  • પ્રવેગ (વૈકલ્પિક)

    • NVIDIA → CUDA બિલ્ડ્સ [2]

    • AMD → ROCm બિલ્ડ્સ [2]

    • એપલ → પાયટોર્ચ મેટલ બેકએન્ડ (MPS) સાથે [2]

⚡ બાજુની નોંધ: જો તમે ફક્ત સત્તાવાર ઇન્સ્ટોલર્સને ચોક્કસ આદેશ આપવા દો છો, તો મોટાભાગની "ઇન્સ્ટોલેશન પીડા" અદૃશ્ય થઈ જાય છે. કૉપિ કરો, પેસ્ટ કરો, પૂર્ણ [2][3].

નિયમ: પહેલા CPU પર ક્રોલ કરો, પછી GPU સાથે દોડો.

તમારા સ્ટેક પસંદ કરી રહ્યા છીએ: ચમકતી વસ્તુઓનો પ્રતિકાર કરો 🧪

  • ટેબ્યુલર ડેટા → સાયકિટ-લર્ન. લોજિસ્ટિક રીગ્રેશન, રેન્ડમ ફોરેસ્ટ, ગ્રેડિયન્ટ બૂસ્ટિંગ.

  • ટેક્સ્ટ અથવા છબીઓ → પાયટોર્ચ અથવા ટેન્સરફ્લો. ટેક્સ્ટ માટે, નાના ટ્રાન્સફોર્મરને ફાઇન-ટ્યુન કરવું એ એક મોટી જીત છે.

  • ચેટબોટ-ઇશ → llama.cpp લેપટોપ પર નાના LLM ચલાવી શકે છે. જાદુની અપેક્ષા રાખશો નહીં, પરંતુ તે નોંધો અને સારાંશ માટે કામ કરે છે [5].

સ્વચ્છ પર્યાવરણ સેટઅપ 🧼

# Conda way conda બનાવો -n localai python=3.11 conda activate localai # અથવા venv python -m venv .venv સ્ત્રોત .venv/bin/activate # Windows: .venv\Scripts\activate

પછી આવશ્યક વસ્તુઓ ઇન્સ્ટોલ કરો:

પીપ ઇન્સ્ટોલ કરો નમ્પી પાંડા સાયકિટ-લર્ન જ્યુપીટર પીપ ઇન્સ્ટોલ કરો ટોર્ચ ટોર્ચવિઝન ટોર્ચઓડિયો # અથવા ટેન્સરફ્લો પીપ ઇન્સ્ટોલ કરો ટ્રાન્સફોર્મર્સ ડેટાસેટ્સ

(જીપીયુ બિલ્ડ્સ માટે, ગંભીરતાથી, ફક્ત સત્તાવાર પસંદગીકાર [2][3] નો ઉપયોગ કરો.)

પહેલું કાર્યરત મોડેલ: તેને નાનું રાખો 🏁

બેઝલાઇન પહેલા. CSV → ફીચર્સ + લેબલ્સ → લોજિસ્ટિક રીગ્રેશન.

sklearn.linear_model આયાત LogisticRegression ... print("ચોકસાઈ:", accuracy_score(y_test, preds)) print(classification_report(y_test, preds))

જો આ રેન્ડમ કરતાં વધુ સારું પ્રદર્શન કરે છે, તો તમે ઉજવણી કરો છો. કોફી હોય કે કૂકી, તમારો કોલ ☕.
અસંતુલિત વર્ગો માટે, કાચી ચોકસાઈ [1] ને બદલે ચોકસાઇ/રિકોલ + ROC/PR કર્વ્સ જુઓ.

ન્યુરલ નેટ (જો તેઓ મદદ કરે તો જ) 🧠

શું તમને ટેક્સ્ટની જરૂર છે અને તમે સેન્ટિમેન્ટનું વર્ગીકરણ કરવા માંગો છો? એક નાના પ્રી-ટ્રેઇન્ડ ટ્રાન્સફોર્મરને ફાઇન-ટ્યુન કરો. ઝડપી, સુઘડ, તમારા મશીનને ફ્રાય કરતું નથી.

ટ્રાન્સફોર્મર્સ આયાત AutoModelForSequenceClassification માંથી ... trainer.train() print(trainer.evaluate())

પ્રો ટિપ: નાના નમૂનાઓથી શરૂઆત કરો. 1% ડેટા પર ડીબગિંગ કલાકો બચાવે છે.

ડેટા: મૂળભૂત બાબતો જે તમે છોડી ન શકો 📦

  • જાહેર ડેટાસેટ્સ: કાગલ, હગિંગ ફેસ, શૈક્ષણિક રીપો (લાઇસેંસ તપાસો).

  • નીતિશાસ્ત્ર: વ્યક્તિગત માહિતીને સાફ કરો, અધિકારોનો આદર કરો.

  • વિભાજન: તાલીમ, માન્યતા, પરીક્ષણ. ક્યારેય ડોકિયું ન કરો.

  • લેબલ્સ: ફેન્સી મોડેલો કરતાં સુસંગતતા વધુ મહત્વપૂર્ણ છે.

સત્યનો બોમ્બ: 60% પરિણામો સ્વચ્છ લેબલમાંથી આવે છે, સ્થાપત્ય જાદુમાંથી નહીં.

તમને પ્રમાણિક રાખતા માપદંડ 🎯

  • વર્ગીકરણ → ચોકસાઈ, ચોકસાઈ, યાદ, F1.

  • અસંતુલિત સેટ → ROC-AUC, PR-AUC વધુ મહત્વ ધરાવે છે.

  • રીગ્રેશન → MAE, RMSE, R².

  • વાસ્તવિકતા તપાસ → થોડા આઉટપુટ પર નજર નાખો; આંકડા ખોટા હોઈ શકે છે.

ઉપયોગી સંદર્ભ: સાયકિટ-લર્ન મેટ્રિક્સ માર્ગદર્શિકા [1].

પ્રવેગક ટિપ્સ 🚀

  • NVIDIA → PyTorch CUDA બિલ્ડ [2]

  • એએમડી → આરઓસીએમ [2]

  • એપલ → MPS બેકએન્ડ [2]

  • ટેન્સરફ્લો → સત્તાવાર GPU ઇન્સ્ટોલને અનુસરો + ચકાસો [3]

પણ તમારી બેઝલાઇન ચાલે તે પહેલાં ઑપ્ટિમાઇઝ કરશો નહીં. એ તો કારના વ્હીલ્સ લાગે તે પહેલાં રિમ્સને પોલિશ કરવા જેવું છે.

સ્થાનિક જનરેટિવ મોડેલ્સ: બેબી ડ્રેગન 🐉

  • ભાષા llama.cpp દ્વારા ક્વોન્ટાઇઝ્ડ LLM . નોંધો અથવા કોડ સંકેતો માટે સારું, ઊંડી વાતચીત માટે નહીં.

  • છબીઓ → સ્ટેબલ ડિફ્યુઝન વેરિયન્ટ્સ અસ્તિત્વમાં છે; લાઇસન્સ કાળજીપૂર્વક વાંચો.

ક્યારેક કાર્ય-વિશિષ્ટ ફાઇન-ટ્યુન્ડ ટ્રાન્સફોર્મર નાના હાર્ડવેર પર ફૂલેલા LLM ને હરાવે છે.

પેકેજિંગ ડેમો: લોકોને ક્લિક કરવા દો 🖥️

  • ગ્રેડિયો → સૌથી સરળ UI.

  • ફાસ્ટએપીઆઈ → ક્લીન એપીઆઈ.

  • ફ્લાસ્ક → ઝડપી સ્ક્રિપ્ટો.

ગ્રેડિયોને gr clf = pipeline("લાગણી-વિશ્લેષણ") તરીકે આયાત કરો ... demo.launch()

જ્યારે તમારું બ્રાઉઝર તે બતાવે છે ત્યારે જાદુ જેવું લાગે છે.

આદતો જે સમજશક્તિ બચાવે છે 🧠

  • સંસ્કરણ નિયંત્રણ માટે ગિટ.

  • પ્રયોગો ટ્રેક કરવા માટે MLflow અથવા નોટબુક્સ.

  • DVC અથવા હેશ સાથે ડેટા વર્ઝનિંગ.

  • જો બીજાઓને તમારી વસ્તુઓ ચલાવવાની જરૂર હોય તો ડોકર કરો.

  • પિન ડિપેન્ડન્સીઝ ( requirements.txt ).

મારા પર વિશ્વાસ કરો, ભવિષ્યમાં - તમે આભારી રહેશો.

મુશ્કેલીનિવારણ: સામાન્ય "ઉફ" ક્ષણો 🧯

  • ઇન્સ્ટોલમાં ભૂલો છે? ફક્ત env સાફ કરો અને ફરીથી બનાવો.

  • GPU મળ્યું નથી? ડ્રાઇવર મેળ ખાતો નથી, વર્ઝન [2][3] તપાસો.

  • મોડેલ શીખતું નથી? શીખવાનો દર ઓછો કરો, સરળ બનાવો અથવા લેબલ સાફ કરો.

  • ઓવરફિટિંગ? નિયમિત કરો, છોડી દો, અથવા ફક્ત વધુ ડેટા.

  • ખૂબ સારા મેટ્રિક્સ? તમે ટેસ્ટ સેટ લીક કર્યો (આ તમારા વિચાર કરતાં વધુ બને છે).

સુરક્ષા + જવાબદારી 🛡️

  • સ્ટ્રીપ PII.

  • લાઇસન્સનો આદર કરો.

  • લોકલ-ફર્સ્ટ = ગોપનીયતા + નિયંત્રણ, પરંતુ ગણતરી મર્યાદાઓ સાથે.

  • જોખમો (નિષ્પક્ષતા, સલામતી, સ્થિતિસ્થાપકતા, વગેરે) દસ્તાવેજ કરો [4].

સરળ સરખામણી કોષ્ટક 📊

સાધન માટે શ્રેષ્ઠ તેનો ઉપયોગ કેમ કરવો
વિજ્ઞાન-લર્ન ટેબ્યુલર ડેટા ઝડપી જીત, સ્વચ્છ API 🙂
પાયટોર્ચ કસ્ટમ ડીપ નેટ લવચીક, વિશાળ સમુદાય
ટેન્સરફ્લો ઉત્પાદન પાઇપલાઇન્સ ઇકોસિસ્ટમ + સેવા વિકલ્પો
ટ્રાન્સફોર્મર્સ ટેક્સ્ટ કાર્યો પૂર્વ-પ્રશિક્ષિત મોડેલો ગણતરી બચાવે છે
સ્પેસ NLP પાઇપલાઇન્સ ઔદ્યોગિક-શક્તિ, વ્યવહારિક
ગ્રાડિઓ ડેમો/UI 1 ફાઇલ → UI
ફાસ્ટએપીઆઈ API સ્પીડ + ઓટો ડોક્સ
ONNX રનટાઇમ ક્રોસ-ફ્રેમવર્ક ઉપયોગ પોર્ટેબલ + કાર્યક્ષમ
લામા.સીપીપી નાના સ્થાનિક LLM CPU-ફ્રેન્ડલી ક્વોન્ટાઇઝેશન [5]
ડોકર શેરિંગ એન્વ્સ "તે દરેક જગ્યાએ કામ કરે છે"

ત્રણ ઊંડા ડાઇવ (તમે ખરેખર ઉપયોગ કરશો) 🏊

  1. કોષ્ટકો માટે ફીચર એન્જિનિયરિંગ → નોર્મલાઇઝેશન, વન-હોટ, ટ્રાય ટ્રી મોડેલ્સ, ક્રોસ-વેલિડેટ [1].

  2. ટેક્સ્ટ માટે ટ્રાન્સફર લર્નિંગ → નાના ટ્રાન્સફોર્મર્સને ફાઇન-ટ્યુન કરો, seq લંબાઈ સામાન્ય રાખો, દુર્લભ વર્ગો માટે F1 [1].

  3. સ્થાનિક અનુમાન માટે ઑપ્ટિમાઇઝેશન → ક્વોન્ટાઇઝ, ONNX નિકાસ, કેશ ટોકનાઇઝર્સ.

ક્લાસિક મુશ્કેલીઓ 🪤

  • ખૂબ મોટું બાંધકામ, ખૂબ વહેલું.

  • ડેટા ગુણવત્તાને અવગણવી.

  • ટેસ્ટ સ્પ્લિટ છોડી રહ્યું છે.

  • આંધળી કોપી-પેસ્ટ કોડિંગ.

  • કંઈપણ દસ્તાવેજીકરણ નથી.

README પણ કલાકો પછી બચાવે છે.

સમયના મૂલ્યવાન શીખવાના સંસાધનો 📚

  • સત્તાવાર દસ્તાવેજો (પાયટોર્ચ, ટેન્સરફ્લો, સાયકિટ-લર્ન, ટ્રાન્સફોર્મર્સ).

  • ગૂગલ એમએલ ક્રેશ કોર્સ, ડીપલર્નિંગ.એઆઈ.

  • દ્રષ્ટિની મૂળભૂત બાબતો માટે OpenCV દસ્તાવેજો.

  • NLP પાઇપલાઇન્સ માટે સ્પેસીના ઉપયોગ માટેની માર્ગદર્શિકા.

નાનું લાઇફ-હેક: તમારા GPU ઇન્સ્ટોલ કમાન્ડ જનરેટ કરતા સત્તાવાર ઇન્સ્ટોલર્સ જીવન બચાવનારા છે [2][3].

બધું એકસાથે ખેંચીને 🧩

  1. ધ્યેય → સપોર્ટ ટિકિટને 3 પ્રકારોમાં વર્ગીકૃત કરો.

  2. ડેટા → CSV નિકાસ, અનામી, વિભાજીત.

  3. બેઝલાઇન → સાયકિટ-લર્ન TF-IDF + લોજિસ્ટિક રીગ્રેશન.

  4. અપગ્રેડ કરો → જો બેઝલાઇન અટકી જાય તો ટ્રાન્સફોર્મરને ફાઇન-ટ્યુન કરો.

  5. ડેમો → ગ્રાડિયો ટેક્સ્ટબોક્સ એપ્લિકેશન.

  6. શિપ → ડોકર + README.

  7. પુનરાવર્તન કરો → ભૂલો સુધારો, ફરીથી લેબલ કરો, પુનરાવર્તન કરો.

  8. સેફગાર્ડ → દસ્તાવેજ જોખમો [4].

તે કંટાળાજનક રીતે અસરકારક છે.

ટીએલ; ડીઆર 🎂

તમારા કમ્પ્યુટર પર AI કેવી રીતે બનાવવું તે શીખવું = એક નાની સમસ્યા પસંદ કરો, બેઝલાઇન બનાવો, જ્યારે તે મદદ કરે ત્યારે જ તેને આગળ વધો, અને તમારા સેટઅપને ફરીથી ઉત્પન્ન કરી શકાય તેવું રાખો. તે બે વાર કરો અને તમે સક્ષમ અનુભવશો. તે પાંચ વખત કરો અને લોકો તમારી પાસેથી મદદ માંગવાનું શરૂ કરશે, જે ગુપ્ત રીતે મજાનો ભાગ છે.

અને હા, ક્યારેક એવું લાગે છે કે ટોસ્ટરને કવિતા લખતા શીખવી રહ્યા છીએ. કોઈ વાંધો નહીં. ભૂલ કરતા રહો. 🔌📝

સંદર્ભ

[1] scikit-learn — મેટ્રિક્સ અને મોડેલ મૂલ્યાંકન: લિંક
[2] PyTorch — સ્થાનિક ઇન્સ્ટોલ સિલેક્ટર (CUDA/ROCm/Mac MPS): લિંક
[3] TensorFlow — ઇન્સ્ટોલ + GPU ચકાસણી: લિંક
[4] NIST — AI રિસ્ક મેનેજમેન્ટ ફ્રેમવર્ક: લિંક
[5] llama.cpp — સ્થાનિક LLM રેપો: લિંક

અધિકૃત AI સહાયક સ્ટોર પર નવીનતમ AI શોધો

અમારા વિશે

બ્લોગ પર પાછા