Does this course require programming or mathematics background?
No. The video explicitly targets learners without coding experience or advanced mathematics training. Technical concepts are explained in plain language with visual analogies—for example, comparing AI's evolution to the internet's journey from feature to infrastructure layer.
At a glance
Length
1 hr 17 min
Channel
The iScale
Video from
May 2026
Rating
⭐⭐ Great video · 2/2
Best for
Beginners wanting both theory and practical AI tool skills
What this video answers
Does this course require programming or mathematics background?
What makes transformers such a turning point in AI history?
Can I actually use these tools for work, or are they just for learning?
How long does it take to complete this material?
What career opportunities does AI knowledge open up?
Reads the guide aloud in your browser — free, no account.
Complete AI Learning Pathway: From Fundamentals to Advanced Application
The iScale's "Ultimate AI Guide" presents a structured introduction to artificial intelligence that moves beyond surface-level tool demonstrations. The instructor, Swati, frames learning as execution rather than passive knowledge consumption—emphasizing that understanding *why* AI works matters more than knowing *how* to use it. The course divides itself into three foundational pillars: core technology, practical tools, and real-world applications, ensuring learners gain both theoretical grounding and hands-on capability.
The overall impression is thorough and beginner-friendly without oversimplifying. Rather than treating AI as a mysterious black box, the video methodically deconstructs how large language models generate text, why certain words appear as predictions over others, and what architectural innovations like transformers enable. Learners who complete it will understand not just ChatGPT or Gemini, but the probability-based mechanics that make them work.
Key Moments
Key Strengths and Standout Features of This AI Masterclass
Probability demonstration with practical grounding: Shows how Gemini selects "blue" as a completion for "the sky is ___" with 85–92% likelihood versus alternatives at 1–5%, then explains the underlying mathematics rather than leaving it mysterious.
Historical evolution framing: Positions AI's journey across three eras—feature (pre-2017), platform (post-transformer), and infrastructure layer (today)—making clear why 2017's transformer paper was a watershed moment and how AI now underpins operations across industries.
Multi-tool application walkthroughs: Demonstrates actual workflows using Claude for customer churn analysis, Gemini for sentiment analysis, NotebookLM for manufacturing defect inspection, and Meta AI for image-to-video animation, showing tools in context rather than in isolation.
Architectural deep dive without excessive mathematics: Breaks down tokenization, vector embeddings, positional encoding, and self-attention mechanisms using accessible language, targeting the gap between tool users and practitioners who understand the machinery.
Downloadable study notes: Provides free reference materials for learners to revisit concepts, reducing the cognitive load of a dense video and supporting different learning speeds.
Career and automation context: Addresses job market implications and real skills employers seek, helping viewers align their learning with industry demand rather than chasing tools that may become outdated.
Who Benefits Most From This Comprehensive AI Course
This guide suits students, freelancers, content creators, and working professionals with little to no technical background but genuine interest in understanding AI. The instructor explicitly designed it for people without formal degrees, prior coding experience, or specialized knowledge—yet ambitious enough to move from beginner to professional-level competency. If you've used ChatGPT and wondered why it works the way it does, or if you're considering an AI-related pivot in your career, this resource fills that gap.
The verdict: highly recommended for anyone who wants foundational knowledge *plus* immediate capability to apply AI tools to real problems. Expect to invest several hours, but walk away equipped to solve data analysis challenges, generate media, and discuss transformer architecture with informed confidence rather than borrowed talking points.
Frequently Asked Questions About AI Learning From This Video
Does this course require programming or mathematics background?
No. The video explicitly targets learners without coding experience or advanced mathematics training. Technical concepts are explained in plain language with visual analogies—for example, comparing AI's evolution to the internet's journey from feature to infrastructure layer.
What makes transformers such a turning point in AI history?
Transformers introduced the attention mechanism, which lets AI process words in parallel rather than sequentially. This solved major limitations of earlier recurrent neural networks (RNNs and LSTMs), enabling faster training, better context retention, and the capability to build larger models like GPT and Claude.
Can I actually use these tools for work, or are they just for learning?
The video demonstrates real-world applications: analyzing customer data to reduce churn, extracting insights from unstructured text, inspecting manufacturing defects, and generating video from static images. These workflows are production-ready examples you can adapt to your own datasets and challenges.
How long does it take to complete this material?
The video runs approximately one hour, but grasping the technical sections—especially tokenization through self-attention—typically requires pausing, reviewing, and working through the downloadable notes. Plan for 2–3 hours of focused study to internalize the concepts.
What career opportunities does AI knowledge open up?
The video covers prompt engineering, AI-assisted data analysis, creative direction (image and video generation), and backend development roles. Understanding transformer architecture and practical tool application positions you for positions ranging from AI product management to specialized analytics and automation roles.
An AI architecture that uses attention mechanisms to process and understand relationships between words in parallel, introduced in 2017 and foundational to modern language models.
Large Language Model (LLM)
A neural network trained on vast amounts of text data to predict the next word in a sequence based on probability, powering tools like ChatGPT and Claude.
Tokenization
The process of breaking text into small units (tokens) that an AI model can process and convert into numerical representations.
Attention Mechanism
A technique that allows AI models to weigh the importance of different words when generating a response, focusing on the most relevant context.
The practice of crafting specific, detailed instructions to guide AI models toward desired outputs, balancing clarity, context, and desired format.
Vector Embeddings
Numerical representations of words or concepts in multi-dimensional space, allowing AI models to understand semantic meaning and relationships between terms.
This video succeeds because it refuses the false choice between depth and accessibility. Rather than dumbing down transformer mechanics or burying learners in unnecessary calculus, it explains *why* the architecture matters and *what* it enables, then immediately applies that understanding to tools and workflows you can use today.
The standout element is the evolution timeline: placing AI's journey from feature to infrastructure alongside the internet's parallel arc makes it clear that learning AI now is not chasing a trend but acquiring literacy in the computational substrate of your industry. Wholeheartedly recommend it for anyone serious about AI competency.
I started Helicopterstour.com because I genuinely believe there’s no better way to see the world than from the sky.
I used to work on the Pride of America cruise ship in Hawaii, helping guests book shore excursions all over the islands.
Two Vacation Hero Awards
2,000+ Guests/Week
Pride of America · NCL
Hawaii Shore Excursions
1000+ Tours Reviewed
This Ultimate AI Guide will help beginners understand Artificial Intelligence step by step in the easiest way possible.
👉 Enroll Now – AI for Everyone Course:
https://www.theiscale.com/cohort/cohort-details/ai-for-everyone-complete-guide
In this video, you’ll learn:
✅ What is AI?
✅ Best AI tools for beginners
✅ How ChatGPT, Gemini & Claude work
✅ AI skills you should learn
✅ AI career opportunities
✅ Prompt engineering basics
✅ Future of AI jobs & automation
✅ Complete roadmap from beginner to pro
✨ To Download Notes Click on link and in 1st Video Notes is available- https://www.theiscale.com/cohort/course-details/ai-for-everyone-complete-guide
Whether you're a student, creator, freelancer, or working professional, this AI masterclass will help you start your AI journey.
Timestamp
00:00:00 Course Introduction
00:00:47 AI Tools Proliferation
00:01:29 Framework: Tech, Tools & Applications
00:02:12 Technical Terms Overview
00:02:40 AI Tools Lineup
00:03:02 AI Applications Overview
00:03:40 LLM Probability Demo
00:05:03 Prompt Engineering Mechanics
00:06:08 Word Probability Metrics
00:06:32 Free Learning Resources
00:07:31 3 Eras of AI Evolution
00:08:14 Internet vs AI Analogy
00:09:12 Pre-2017 Feature AI
00:09:52 AI Platform Shift
00:10:11 Modern Infrastructure Layer
00:11:07 Image-to-Video Animation Demo using Meta AI
00:12:46 Video Output Review
00:13:31 Product Image Generation using Google Labs
00:15:20 Premium Visual Output
00:17:55 Structured vs Unstructured Data
00:18:52 Telecom Customer Churn Data using Claude
00:19:33 Review & Comment Data
00:20:53 Cross-Platform Analysis Strategy
00:21:46 Customer Retention Analysis (Claude)
00:23:16 Professional Prompt Breakdown
00:24:25 Claude Report Insights
00:25:33 Graphic Analysis & Strategies
00:26:06 Sentiment Analysis (Gemini)
00:26:40 Advanced NLP Prompting
00:27:54 Backend Python Code View
00:28:57 Data Category Distribution
00:30:03 Rating & Sentiment Breakdown
00:30:56 Defect Inspection Analysis (NotebookLM)
00:32:04 Quality Control Prompting
00:33:56 Source Upload & Processing
00:34:55 Defect Report Results
00:36:18 Actionable Manufacturing Insights
00:37:40 Machine Translation History
00:38:44 Context Breakdown Failures
00:39:53 Neural Networks Limitations
00:40:43 RNN & LSTM Networks
00:41:23 Sequential Processing Delays
00:42:23 LSTM Memory Gates
00:43:02 Long Context Memory Loss
00:43:36 Google "Attention" Paper (2017)
00:44:43 Indian Research Contributions
00:45:18 Parallel Processing Shift
00:46:13 Attention Mechanism Logic
00:47:02 Parallel Speed Execution
00:47:55 Encoder & Decoder Mechanics
00:48:50 Output Generation Cycle
00:49:42 Transformer Architecture Flow
00:50:48 Architecture Workflow Overview
00:51:45 Step 1: Tokenization
00:53:26 Step 2: Vector Embeddings
00:54:34 Context-Aware Semantic Numbers
00:55:27 Step 3: Positional Encoding
00:56:05 Word Order Importance
00:57:12 Step 4: Self-Attention Math
00:57:58 Attention Formula Breakdown
00:59:02 Query, Key & Value Vectors
01:00:46 Attention Score Calculation
01:01:52 Dimension Scaling Matrix
01:03:10 Final Softmax Probabilities
01:04:00 Step 5: Multi-Head Attention
01:04:55 Step 6 & 7: Add, Normalize & Feed-Forward
01:05:38 Step 8: Word Output Prediction
01:06:23 Final Architecture Review
01:08:31 Building an AI Fitness Startup
01:09:19 Market Research (Perplexity)
01:10:09 Competitor & Feature Discovery
01:11:14 Web App Creation (Google AI Studio)
01:12:33 UI Design Code Output
01:13:32 Pitch Deck Content (Notion AI)
01:14:56 Course Wrap-up & Conclusion
✨ Kickstart your career in a Data Analyst. Apply today! - https://www.theiscale.com/DataAnalytics/data-analyst-course-form
❇️ Explore our Job Oriented Courses: https://www.theiscale.com/explore-course
➖➖➖➖➖➖
📱 For Any Further Query or Doubts? Contact- 7880-113-112 (Student Helpline Number)
For any query connect in WhatsApp with us: https://wa.me/917880113112
➖➖➖➖➖➖
✳️ Join Telegram Channel- https://t.me/TheiScale
✳️ Join WhatsApp Channel- https://wha
Video transcript for “Ultimate AI Guide | Learn AI From Scratch (Beginner to Pro)” Accessibility
A full written transcript of this video, provided for accessibility. Select any timestamp to jump the video to that moment.
हेलो एवरीवन, आई एम स्वाति एंड वेलकम टू द क्लास। एआई सीखना बहुत इंपॉर्टेंट है। एआई का नॉलेज होना बहुत इंपॉर्टेंट है। यह लाइन आपने भी बहुत बार सुनी होगी। लेकिन सिर्फ नॉलेज होना इंपॉर्टेंट नहीं है। सबसे ज्यादा इंपॉर्टेंट है एग्जीक्यूशन। क्योंकि आइडियाज की कोई कमी नहीं है। वैल्यू उन्हीं की है जो एग्जीक्यूशन कर
पाता है। इसलिए मैंने बनाया है आपके लिए ये कंप्लीट वीडियो जहां पे एआई का नॉलेज भी हम लेंगे और उसको प्रैक्टिकली एग्जीक्यूट करके भी सीखेंगे। ऑलराइट। सो ये वीडियो आपके लिए होने वाला है कंप्लीट एआई गाइड। क्योंकि इस वीडियो को स्पेशली मैंने उन लोगों के लिए बनाया है जिनके पास ना कोई फैंसी डिग्री है, ना ही बहुत
ज्यादा टेक्निकल नॉलेज है, ना ही कोई एक्सपीरियंस है। लेकिन एआई सीखने का जज्बा जरूर है। तो ये कोर्स कंप्लीट होने वाला है बिगिनर फ्रेंडली। बेसिक लेवल से हम शुरुआत करेंगे। लेकिन इसे हम लेके जाएंगे एडवांस लेवल पे। ये सारी चीजें कवर है इस कोर्स के अंदर। अब आज अगर हम देखें ना तो हम इतने सारे एआई टूल्स रोज डे टू डे लाइफ
में यूज कर ही रहे हैं। जीपीटी, जेमिए, क्लॉट, परप्लेक्सिटी एंड सो ऑन। लेकिन टूल सिर्फ यहीं तक लिमिट नहीं है। हर एक टूल का हर एक मॉडल का नया-नया अपडेट नए-नए मॉडल्स इंट्रोड्यूस हो रहे हैं। चैट जीपीटी जीpटी 3.5 से लेके अब जीपीटी 5.2 तक आ चुका है। क्लॉट थ्री हकू मॉडल से लेके क्लॉड ओपस 4.6 आ चुका है। जेमिनाई
1.2 से लेके जेमिनाई फ्लैश आ चुका है। तो यहां पे टूल तो एक ही है। लेकिन इसी एक टूल के इतने सारे मॉडल्स आज हम देख पा रहे हैं। तो हर महीने कुछ ना कुछ नया अपडेट होते जा रहा है। कुछ ना कुछ नए फीचर्स के बारे में पता चलते जा रहा है। लेकिन इन सबके बीच एक चीज जो कांस्टेंट रहने वाली है वो है कोर टेक्नोलॉजी। फीचर्स बदलेंगे
अपडेशन होता रहेगा लेकिन जो कोर टेक्नोलॉजी है वो सेम रहेगी। इसलिए इस अल्टीमेट एआई गाइड वीडियो के अंदर मैंने इसको तीन पार्ट्स में डिवाइड किया है। टेक्नोलॉजी, टूल्स एंड एप्लीकेशनेशंस। तो यहां पे जो कोर टेक्नोलॉजी है वो तो सेम रहने वाली है। अगर हम केवल टूल्स ही सीख लेते हैं और हमें मेन टेक्नोलॉजी के बारे में पता ही
नहीं है तो ये ठीक वैसा है जितना डिफरेंस एक कैलकुलेटर यूज़ करने वाले और एक मैथमेटिशियन के बीच होता है। राइट? तो मेन इंपॉर्टेंट है कि टेक्नोलॉजी का भी आईडिया आपको होना चाहिए। इंटरव्यू में डायरेक्ट सवाल बनते हैं टेक्नोलॉजी से। क्योंकि हमको सिर्फ एक एआई यूजर नहीं बनना है। एआई का कंप्लीट नॉलेज लेना है। इसलिए यहां पे
हम लोग अंडरस्टैंड करेंगे टेक्नोलॉजी में इवॉल्यूशन स्टेजेस, न्यूरल नेटवर्क, मशीन ट्रांसलेशन, आरएनए, एलएससीएम, ट्रांसफार्मर, एनकोडर, पोजीशनल एनकोडिंग, टोकनाइजेशन ये सारे टॉपिक्स जो लिखे हैं ये सब कुछ मैं पढ़ाने वाली हूं। लेकिन जब टेक्नोलॉजी के इतने भारी भरकम नाम सुनो ना एनए, आरएनए, एलएसजीएम, ट्रांसफार्मर तो
ऐसा लगता है कि बहुत बड़ी चीज होंगी। बहुत ज्यादा कॉम्प्लिकेटेड होगा। लेकिन बिल्कुल ही आसान भाषा में मैं आपको सिखाने वाली हूं। तो ये सारे टेक्नोलॉजिकल टर्म्स इस वीडियो में आपको समझ आएंगे। इस बात की श्योरिटी मेरी है। इसके अलावा हम कवर करेंगे यहां पे टूल्स को। टूल्स के अंदर आज हम कवर करने वाले हैं जेमिनाई क्लॉट,
नोटबुक एलएम, perplexity, Google एआई स्टूडियो, मेटा, नोशन और Google लैब्स। इन सारे टूल्स को हम एडवांस लेवल पे एक्सप्लोर करेंगे। और इन टेक्नोलॉजी और टूल्स के साथ-साथ जो जोजो एआई के एप्लीकेशनेशंस हैं वो सब कुछ आज हम लोग देखने वाले हैं। एआई एप्लीकेशनेशंस के अंदर एआई फॉर डेटा एनालिसिस, एआई फॉर
प्रेजेंटेशन, वीडियो जनरेशन, इमेज जनरेशन, रिसर्च एंड रिपोर्ट, ऐप डेवलपमेंट, वेबसाइट डेवलपमेंट। तो एआई की जितनी कैपेबिलिटीज़ है, चाहे वो इमेज जनरेशन, वीडियो जनरेशन, ऐप डेवलपमेंट, वेबसाइट डेवलपमेंट, रिसर्च वर्क ये सब कुछ मैं आपको प्रैक्टिकल करके दिखाने वाली हूं इन सारी टूल्स की मदद से। तो इस वीडियो के
अंदर टेक्नोलॉजी, टूल्स और एप्लीकेशन इन तीनों का कॉम्बिनेशन हम बना के पढ़ेंगे। क्योंकि बहुत सारे वीडियोस में कहीं कोई टेक्नोलॉजी बताता है, कोई टूल्स बताता है तो कहीं सिर्फ एप्लीकेशनेशंस देखने मिलते हैं। इसलिए ये वीडियो अल्टीमेट गाइड इसलिए है क्योंकि इसके अंदर हम तीनों का कॉम्बिनेशन बना के प्रैक्टिकल यूज़ कैसे
सॉल्व करेंगे। ऑलराइट। तो हमारे सामने यहां पे ओपन है जेमिनाई। जेमिनाई के अंदर हमने प्रम्प्ट में लिखा है द स्काई इज डैश। राइट? अब सिंपली हम लोग यहां पे जाके देखते हैं कि ये प्र्ट देने पे जेमिनाई हमें क्या रिजल्ट जो है वो शो करता है। सो हियर वी आर वेटिंग फॉर द वेटिंग फॉर द फाइनल रिजल्ट। एंड यहां पे हम देख पा रहे
हैं कि ये जो रिजल्ट हमें जेमिनाई शो कर रहा है दैट इज़ ब्लू। द स्काई इज़ डैश। हमने कहा। अब डैश में कुछ भी आ सकता था वर्ड। द स्काई इज़ बिग, द स्काई इज़ ब्यूटीफुल। द स्काई इज़ क्लाउडडी। द स्काई इज़ अबव अर्थ। द स्काई इज़ फुल ऑफ़ स्टार्स। कुछ भी वर्ड आ सकता था। लेकिन मेन प्रायोरिटी में जो वर्ड हमारे पास यहां पे शो कर रहा है
जेमिनाई वो वर्ड है ब्लू। तो ऐसा क्यों हो रहा है? बहुत सारे वर्ड्स थे। कुछ और भी आ सकता था। लेकिन यहां पे मुझे ये ब्लू वर्ड ही क्यों शो कर रहा है मेन प्रायोरिटी में? हो सकता है कोई अगर अलग-अलग प्र्ट दे तो उसको और भी चीजें यहां पे देखने के लिए मिले कि द स्काई इज़ अदर वर्ड्स आल्सो यहां
पे डिस्प्ले करे। लेकिन ब्लू जो है वो उसकी मेन प्रायोरिटी है। यहां पे सबसे पहला जो हमें शोकेस कर रहा है वो वर्ड ब्लू कर रहा है। तो क्यों ऐसा हो रहा है? इसको जानने के लिए अब हम लोग जेमिनाई में एक और प्र्पों्ट देते हैं और चेक करते हैं कि ऐसा क्यों हुआ हमारे साथ कि हमने जब पूछा द स्काई इज़ डैश तो ब्लू वर्ड को ही
मेन प्रायोरिटी क्यों मिली? बाकी वर्ड्स यहां पे मुझे ज्यादा शो क्यों नहीं हुए? तो इसके लिए हम लोग एक और प्र्पों्ट देते हैं। और चलिए जेमिनाई से ही पूछते हैं कि ऐसा क्यों हुआ यहां पे? तो यहां पे अब हम दूसरा प्रॉप देते हैं। व्हाई ब्लू वर्ड अपीयर्स हियर? व्हाट इज़ द प्रोबेबिलिटी ऑफ़ वर्ड ब्लू एज़ कंपेयर टू अदर वर्ड्स?
एक्सप्लेन एज़ पर टेक्नोलॉजी बिहाइंड दिस इन एलएलएम कि यहां पे ब्लू वर्ड ही क्यों आया? इसके पीछे क्या प्रोबेबिलिटी है अदर वर्ड्स के कंपैरिजन में और उसके पीछे क्या टेक्नोलॉजी है एलएलएम की? यहां पे हम जानना चाहते हैं। ये सिंपली हम लोगों ने यहां पे प्रम्प्ट दिया है। अब इस प्रोम्पट को देने के बाद फाइनली हम यहां वेट करते
हैं कि क्या रिजल्ट हमें यहां पे देखने मिलने वाला है। तो यहां पे बता रहा है कि एलएलएम क्या है? कोर मैकेनिक्स क्या यहां पे यूज़ हो रही है? तो यहां पे अगर हम फाइनल इसको नीचे जाके देखें तो यहां पे पूरी जो मैथमेटिक्स यूज़ हो रही है वो हमें दिखा रहा है और फाइनली हम जानना चाहते थे कि ये जो वर्ड ब्लू है इसकी प्रोबेबिलिटी
जो है 85 से 92% है और बाकी के जो अदर वर्ड्स हैं जैसे द स्काई इज़ ब्लैक या द स्काई इज़ फॉलिंग द स्काई इज़ ग्रे इसकी प्रोबेबिलिटी जो है 3% 1%5% बाकी अगर हम दूसरे वर्ड्स को भी यहां पे देखें जैसे द स्काई इज़ क्लियर इसकी प्रोबेबिलिटी 5% है और अदर वर्ड वर्ड्स की प्रोबेबिलिटी 0.01% से कम है। तो एट लास्ट
यहां हो क्या रहा है? ऐसे वर्ड जिसकी प्रोबेबिलिटी सबसे ज्यादा है वही वर्ड हमको प्रायोरिटी में दिखाते हैं। ब्लू वर्ड की प्रोबेबिलिटी ज्यादा थी। इसलिए जैसे ही हमने पूछा द स्काई इज़ डैश क्या वर्ड हमें दिखाया? ब्लू दिखाया। तो अब सबसे बड़ा क्वेश्चन यहां पे ये आता है कि भई ये जो प्रोबेबिलिटी है ये डिसाइड कैसे
होती है? ये प्रोबेबिलिटी काम कैसे करती है? इसके पीछे टेक्नोलॉजी कैसे काम करती है? ये सब कुछ हम लोग सीखने वाले हैं आज के इस वीडियो में। देखो जब भी हम लोग यहां पे कोई भी प्र्ट देते हैं फटाफट हमारे पास देखो पूरा रिजल्ट जनरेट हो के आ जाता है। तो ये रिजल्ट जनरेट कैसे होता है? इसके पीछे कैसे एलएलएम के पीछे क्या टेक्नोलॉजी
काम करती है? ये सब कुछ डिटेल में हमको सीखना है आज के इस वीडियो में। क्योंकि टूल चलाना तो हर कोई जानता है। अभी मैंने जेमिनाई यूज़ किया। मेरे को आंसर मिल गया। लेकिन ये काम कैसे करता है? यहां पे दूसरा वर्ड भी तो दिखा सकता था ना। लेकिन ब्लू की प्रोबेबिलिटी 85 टू 90% है। कौन डिसाइड करता है कि 85 टू 90% प्रोबेबिलिटी होगी।
कैसे इसके पीछे टेक्नोलॉजी काम करती है और कितने फास्ट तरीके से काम करती है कि विद इन फ्यू सेकंड्स आंसर मिल जाता है। ये सब कुछ आप सीखोगे आज के इस वीडियो के अंदर। ये पूरी बातें मैं आपको सिखाने वाली हूं प्रैक्टिकल तरीके से। और वीडियो होने वाला है आज का बहुत इंटरेस्टिंग। तो चलिए आगे बढ़ते हैं। और इसके साथ ही नीचे
डिस्क्रिप्शन बॉक्स पे ये जितनी भी चीजें मैं पढ़ाने वाली हूं ये सबके नोट्स मैं आपको प्रोवाइड कर रही हूं। जो कि आप फ्री में डाउनलोड कर सकते हैं। तो नीचे डिस्क्रिप्शन बॉक्स चेक आउट कर लीजिएगा और वहां पे जाके आप इस नोट्स को डाउनलोड कर सकते हैं। अब सबसे पहले अगर हम अपना क्लास आज की शुरू करें तो यहां पे इवोल्यूशन
स्टेजेस ऑफ़ एआई के बारे में हम जानेंगे। 2017 के पहले तक एआई को एक फीचर की तरह देखा जाता था। फिर उसके बाद इंट्रोड्यूस होता है ट्रांसफार्मर। कि स्काई इज ब्लू। ब्लू क्यों दिखाया? वो उसके पीछे का जो रीज़न है वो ट्रांसफार्मर के कारण ही है। और ट्रांसफार्मर को डिटेल में मैं अभी आपको समझाने वाली हूं। तो 2017 के पहले एi
को एक फीचर की तरह देखा जाता था। फिर उसके बाद आया ट्रांसफार्मर। ट्रांसफार्मर के आने के बाद एi प्लेटफार्म बन चुका है। और आज की तारीख में अगर हम सोचे कि एi आज की तारीख में क्या है? तो आज की तारीख में एi इंफ्रास्ट्रक्चर लेयर बन चुका है इंटरनेट का। इसको मैं और आसान भाषा में अगर आपको समझाऊं तो 1995 में जब इंटरनेट आया था ना
तो उसको भी एक एज अ फीचर की तरह ही लोग देखते थे। फिर जब 2005 में इंटरनेट के अंदर इंटरनेट एक प्लेटफार्म बनना तब शुरू हुआ जब Amazon, YouTube, Facebook जैसे प्लेटफॉर्म्स इसके ऊपर बिल्ड होना शुरू हुए। और आज की तारीख में अगर हम इंटरनेट को देखें तो आज ये इंफ्रास्ट्रक्चर है। कोई भी कंपनी इंटरनेट के बिना काम ही नहीं
कर सकती। इंटरनेट कंपनीज़ की तो दूर की बात है। यहां पे एज अ हम ह्यूमन भी बिना इंटरनेट के हमारा एक दिन नहीं निकलता है। तो इंटरनेट जब इंट्रोड्यूस हुआ शुरुआत में तो फीचर था। फिर Facebook, Instagram ये सब इसके ऊपर डेवलप हुए तो वो एक प्लेटफार्म बना और आज की तारीख में वो एक इंफ्रास्ट्रक्चर बन चुका है। तो एआई भी
इसी स्टेजेस में डिवाइड हुआ। एआई जब पहले आया 2017 के पहले तो वो एक फीचर की तरह था। फिर उसके बाद एआई एक प्लेटफार्म की तरह बना जब जीपीटी और ये सारी चीजें आनी शुरू हुई। और आज की तारीख में एआई एक इंफ्रास्ट्रक्चर लेयर बन चुका है जिसकी मदद से सारे ऑपरेशन आज एआई के थ्रू हो पाते हैं। तो यहां पे आज के तारीख में अगर
हम देखें तो 2017 में जब एआई को एज अ फीचर की तरह आया था तो एआई एi क्या काम कर सकता था? एi YouTube रिकमेंडेशन बताता था। फेस अनलॉक के फीचर्स आए। Netflix सजेशंस आया। स्पैम डिटेक्शन, Google ट्रांसलेट केवल इतना ही काम कर पाता था। अगर कोई मेल आपके पास आया है वो स्पैम है या नहीं है इसको डिटेक्ट कर पा रहा है। Netflix में हमारे
पास रिकमेंडेशंस बता पा रहा है। अगर हम YouTube देख रहे हैं तो YouTube में अगर मैंने एक कॉमेडी वीडियो देख लिया तो अगला भी मेरे को कॉमेडी रिकमेंड करेगा। तो बेसिक एज अ फीचर की तरह 2017 तक ए को देखा जाता था। इतने ही बेसिक फीचर्स की तरह वो काम करता था। लेकिन उसके बाद जब ट्रांसफार्मर आया तो एआई के साथ-साथ एक
प्लेटफार्म डेवलपमेंट इसके ऊपर शुरू हो गया। जहां पे चैट, जीपीटी, मिड जर्नी, गिट कोपायलट, क्लॉट जैसे कई सारे फीचर्स यहां पे इंट्रोड्यूस हुए। अब हर एक फीचर की अलग-अलग कैपेबिलिटीज है। आज इमेज, वीडियो, ऑडियो, कोड जनरेशन से लेके सब कुछ ये एआई कर पाता है। तो अब एआई क्या बन चुका था? प्लेटफार्म बन चुका था। और आज के तारीख
में अगर कोई पूछे तो आज एi इंफ्रास्ट्रक्चर लेयर है इंटरनेट का। क्योंकि अगर जैसे इलेक्ट्रिसिटी ने जो काम किया जो इंटरनेट ने किया जो क्लाउड सर्वर्स ने किया वही काम आज इंटरनेट के जैसा काम आज एi कर पा रहा है। उसी लेवल कीेंस आज एआई की है। तो यहां पे अगर हम देखें आज एआई सर्च करना हो, मेल करना हो,
कोडिंग करना हो, बैंकिंग, एजुकेशन, मूवीस हर जगह एआई का इंट्रोडक्शन हमको देखने मिल रहा है। तो दैट इज़ समथिंग कि एआई इस तरीके से हमारा इवॉल्व हो चुका है। और जैसा कि मैंने आपको कहा था कि हम सारी चीजें प्रैक्टिकल करके देखने वाले हैं। तो आज हम एi को एक इंफ्रास्ट्रक्चर की तरह यूज़ करने वाले हैं। तो एi के साथ इमेज जनरेशन करना
हो, वीडियोज़ क्रिएट करना हो। क्योंकि यह जो डेटा होता है इमेजेस वीडियो ये बेसिकली एक मल्टीमीडिया लेवल का डेटा होता है। तो एi से ये सारी कैपेबिलिटीज़ जो है इसको अब हम प्रैक्टिकल करके देखने वाले हैं। इसके लिए हम लोग यूज़ करेंगे मेटा AI का और Google लैब्स जैसे टूल्स का। तो चलिए यहां पे एक नया यूज़ केस मैं आपको दिखाती हूं और
इसको प्रैक्टिकल इंप्लीमेंट करके हम यहां समझते हैं। ओके? ओके तो एक और नया यूज़ केस अब हम लोग ट्राई करके देखने वाले हैं। जिसके लिए हम लोग यूज़ करेंगे मेटा एi का और इसका भी फ्री प्लान हम लोग यूज़ कर रहे हैं। और इसकी मदद से हम लोग देखने वाले हैं वीडियो जनरेशन कि कैसे नेचुरल तरीके से हम वीडियो के अंदर ना सिर्फ वीडियो
जनरेशन बल्कि वीडियो के अंदर एनिमेशन कैसे ऐड कर सकते हैं इसको देखेंगे। तो इसके लिए लेट्स से मैं कोई भी यहां पे एक एक्ट्रेस की फोटो सेलेक्ट कर लेती हूं। तो यहां पे हमने लेट्स से एक आलिया भट्ट की फोटो को यहां पे सेलेक्ट किया हुआ है। इसी फोटो को हमने यहां पे अपलोड किया हुआ है। अब इस फोटो को अपलोड करने के बाद यहां पे सिंपली
मैं जाके प्र्ट दे रही हूं। प्र्ट के अंदर मैंने ये लिखा हुआ है कि हमारे पास ये जो वुमेन का पोर्ट्रेट है इसमें मुझे ये चाहिए कि अभी जो डेटा मैंने दिया है वो किस टाइप का डेटा है? इमेज टाइप का डेटा। इसी इमेज को मुझे कन्वर्ट करवाना है किसमें? वीडियो में। और वीडियो के अंदर क्या होना चाहिए? एनिमेशन होना चाहिए। तो
इस लेवल का एक हाई यूज़ केस जो होता है ये हम लोग यहां पे प्रोवाइड कर रहे हैं। तो मैंने यहां पे प्र्ट दिया है एनिमेटेस पोर्ट्रेट ऑफ़ अ वुमेन। अब यहां पे नेचुरल ब्लिंकिंग करना चाहिए। ये फोटो को हमको कन्वर्ट करना है वीडियो में। तो वीडियो के अंदर क्या-क्या होना चाहिए? नेचुरल ब्लिंकिंग होना चाहिए। स्लाइट हेड का
मूवमेंट होना चाहिए। जेंटल स्माइल होना चाहिए। सॉफ्ट लाइटिंग होना चाहिए। और सिनेमैटिक मेरे को यहां पे स्टाइल चाहिए। तो सिंपली हम लोग यहां पे जाके प्र्ट देते हैं और वेट करते हैं कि क्या यहां पे ये जो इमेज है वो वीडियो में बदलेगा और अगर वीडियो में बदल भी गया तो जैसा मेरे को एनिमेशन चाहिए कि भाई आंखें बंद खुले हो
हेड का मेरे को मूवमेंट चाहिए और साथ-साथ में मेरे को यहां पे प्रॉपर्ली एक स्माइल चाहिए इस पोर्ट्रेट के अंदर। तो यहां पे हम देख पा रहे हैं कि हमारा जो वर्क है वो यहां पे शुरू हो चुका है। एंड लेट्स वेट फॉर अ वाइल कि यहां पे क्या रिस्पांस हमको मिलने वाला है। एंड फाइनली हियर वी कैन सी
दैट कि यहां पे वीडियो हमारे पास बन के आ चुका है। इसको मैं सिंपली अभी आपके सामने प्ले करके दिखा रही हूं। हमने केवल इमेज दी थी और यहां पे जैसा हमने दिया था हेड मूवमेंट होना चाहिए। ब्लिंक होना चाहिए आइज और स्माइल होना चाहिए। तो ये सारी चीजें कंप्लीट तरीके से वीडियो एनिमेशन के अंदर यहां पे बनके आ चुकी है। तो सोचो
कितना एडवांसमेंट आ चुका है कि हमने केवल इमेज दी। इमेज से वीडियो जनरेशन हो रहा है। जैसा हमने देखा हेड का स्लाइट मूवमेंट हो, स्पाइल हो, आइज ब्लिंक हो और वीडियो के अंदर एनिमेशंस भी ऐड हो रहे हैं। तो ये थी खास बात मेटा एआई की जिसको हमने फ्री में बना के यहां पे एक्सप्लोर करके देखा हुआ है। सो दिस इज़ समथिंग व्हिच इज़ रियली
अमेजिंग। और यह वीडियो जनरेट करके आप भी इस तरीके से देख सकते हैं। इसे आप ट्राई करके जरूर देखिएगा। अब हम आगे बढ़ते हैं अपने नेक्स्ट यूज़ केस की ओर जहां पर अब हम देखने वाले हैं इमेजेस को जनरेट करके जिसके लिए हम लोग यहां पे यूज़ करने वाले हैं Google लैब्स का Google फ्लो का। राइट? तो यहां पे हम जाके अगर देखते हैं
न्यू प्रोजेक्ट का हमारे पास यहां पे ऑप्शन आ रहा है। मैं सिंपली न्यू प्रोजेक्ट के अंदर यहां पे जा रही हूं। न्यू प्रोजेक्ट पे जाने के बाद यहां पे हम देख पाएंगे क्या-क्या नई चीजें यहां पे आ चुकी है Google फ्लो के अंदर। इसको एक्सप्लोर हम कर पाएंगे। और फाइनली इस तरीके से हमें इंटरफ़ेस देखने के लिए
मिलेगा Google F का। तो Google एप्स के अंदर सबसे पहले हम लोग यहां पे एक प्रते हैं। लेट्स से मैं यहां पे कोई ज्वेलरी ब्रांड के लिए एक इमेज क्रिएट करना चाहती हूं। मान लो वो ज्वेलरी ब्रांड है तनिश। ठीक है? मान लो इसके लिए हम लोग को बनाना है। तो हम लोगों ने यहां पे प्रॉम दिया है क्रिएट अ डायमंड ज्वेलरी एडवरटाइजमेंट।
एलगेंट नेकलेस होना चाहिए। ब्लैक रिफ्लेक्टिव ग्लास होना चाहिए। गोल्डन लाइटिंग होनी चाहिए। अल्ट्रा फैशन फोटोग्राफी होना चाहिए। और प्रीमियम कंटेंट हमको यहां पे ऐड का बनाना है। ये सिंपली मैंने यहां पे प्र्ट दे दिया। और हम लोग यहां पे दे देते हैं ब्रांड का नेम भी। सो ब्रांड का नेम क्या दें हम लोग?
ब्रांड का नेम दे देते हैं लेट्स से तनिष्क। ठीक है? और यहां पे हमने जैसे ही प्र्ट दिया उसके बेसिस में हमारे पास हम यहां पे देख पाएंगे कि हमारी जो इमेजज़ है वो जनरेट होना शुरू हो चुकी है। 20% 23% तो दो अलग-अलग इमेजज़ हमारे पास यहां पे जनरेट होगी हमारे ज्वेलरी ब्रांड से रिलेटेड। अब जब हम कोई बड़े ब्रांड्स जैसे
तनिष्क और कोई बड़े-बड़े ज्वेलरी ब्रांड्स का ऐड करते हैं तो हमको कंटेंट एकदम प्रीमियम लुकिंग होना चाहिए। क्योंकि प्रीमियम लोग ही इस टाइप के चीजों को आके इस तरीके के शोरूम्स में जाके चीजें परचेस करते हैं। राइट? तो यहां पे हम देखते हैं कि क्या रिस्पांस हमको देखने मिलने वाला है। और अच्छी बात ये है Google फ्लो और
Google लैप्स की क्या इमेज जनरेशन का काम बहुत ही प्रीमियम लेवल पे एकदम फाइननेस को ध्यान में रखते हुए होता है और काफी जल्दी भी हमको यहां पे रिस्पांस देखने मिलता है। एंड दिस इज़ समथिंग व्हिच इज़ रियली ब्यूटीफुल। इतनी बेहतरीन दो इमेजेस हमारे सामने यहां पे जनरेट हुई है। तनिष्क ब्रांड को देखते हुए। और यहां पर आप देख
सकते हैं तनिश डायमंड्स। तो ये दोनों ही इमेज ऐसी हैं जिसको मैं सिंपली डाउनलोड भी कर सकती हूं। दिस इज हाउ प्रीिटी। राइट? इसको मैं एज इट इज़ उठा के कोई कैटलॉग के अंदर डाल सकती हूं। ये इतनी प्यारी इमेज यहां पे क्रिएट हुई है। इसी तरीके से यहां पे एक दूसरी इमेज भी क्रिएट हुई है जिसको आप इज़ली यहां पे यूज़ कर पाएंगे। तो हमने
देखा वीडियो जनरेशन, इमेज जनरेशन कितना बेहतरीन तरीके से यहां पर हमें शोकेस होके देखने मिल पा रहा है। वीडियो जनरेशन, इमेज क्रिएशन, ऑटोमेशन, एआई एजेंट्स डेवलप करना और भी काफी एडवांस लेवल की चीजें एआई के अंदर आ चुकी है। इसलिए एक और इंपॉर्टेंट इनफेशन आप सभी के लिए कि द आई स्किल के प्लेटफार्म पे अब कोहॉट कोर्सर्सेस में
एआई फॉर एवरीवन कंप्लीट गाइड का कोहॉट कोर्स आपके लिए आ चुका है। और यहां पे ये कोहॉट कोर्सर्सेस के अंदर आप स्टार्ट नाउ के अंदर अगर जा के देखें तो कंप्लीट इस तरीके से YouTube के अंदर मैं ऑलरेडी आपके लिए फ्री लेक्चर्स डाल रही हूं। लेकिन इसके अलावा कोई अगर चाहता है कि मेरे को एडवांस लेवल की प्रीमियम चीजें और सीखना
है तो उसके लिए अब आपके पास ये एआई फॉर एवरीवन कंप्लीट गाइड कोर्ट आ चुका है जिसे कोई भी जॉइ कर सकता है। इसके अंदर 15 से ज्यादा मॉड्यूल्स हमें देखने मिलने वाले हैं। एआई बेसिक्स एंड प्र्प्टिंग, डेटा ऑटोमेशन, इमेज क्रिएशन, वीडियो जनरेशन, एआई ऑटोमेशन एंड एजेंट्स, वेबसाइट्स बिल्डिंग, ऐप डेवलपमेंट, कंटेंट राइटिंग,
एसइओ, डिजिटल मार्केटिंग, फाइनेंस इसके साथ ही साथ 50 प्लस एआई टूल्स, 75 आवर्स प्लस का कंटेंट, एआई लाइव मैराथन क्लास के साथ अब आपके पास ये आ चुका है। अभी यहां पे आप देखेंगे तो काफी सारे लेक्चर्स आपको यहां पे लॉक दिखेंगे। अगर आप चाहते हैं इस कोहॉट का पार्ट बनना और ये सारे लेक्चर्स को अनलॉक करना तो यहां पे सिंपली अगर आप
अनलॉक के अंदर जाते हैं तो ये पूरा का पूरा जो कोर्स है 15 मॉड्यूल्स एक साथ आपके लिए अनलॉक हो जाएंगे और सबसे खास बात ये जो कोर्स की फीस है 4999 है। लेकिन YouTube के लर्नर्स के लिए स्पेशल डिस्काउंट कूपन कोड्स यहां पे चल रहे हैं स्वाति 30 नाम से। जैसे ही आप इस कूपन कोड को अप्लाई करेंगे तो यहां पे
आपके लिए फीस हो जाएगी ₹3499 ओनली। तो कूपन कोड्स लिमिटेड है। ये कोहर्ट आपका शुरू हो चुका है। आप इसे जॉइ कर सकते हैं। तो इस कोहर्ट को ज्वाइन करने का लिंक मैंने नीचे डिस्क्रिप्शन बॉक्स पे आपके लिए प्रोवाइड किया हुआ है। जिसे आप जाके चेक आउट कर सकते हैं। एआई अब इंटरनेट का इंफ्रास्ट्रक्चर लेयर बन चुका है। और
जब एआई की बात आती है तो एi डेटा के बिना आपका कोई भी एआई मॉडल ट्रेन नहीं हो सकता है। तो डेटा सबसे ज्यादा इंपॉर्टेंट है। और आज की तारीख में हर दिन हम कितने टाइप का डेटा प्रोड्यूस कर रहे हैं। अगर आप कोई इमेज देख रहे हैं वो भी एक डेटा है। अगर आप कोई आवाज सुन रहे हैं वो भी डेटा है। अगर आप कोई वीडियो देख रहे हैं वो भी डेटा
है। अगर आप कोई टेक्स्ट पढ़ रहे हैं वो भी डेटा है। अगर आप कोई नंबर देख रहे हैं वो भी डेटा है। तो आज के टाइम पे हर एक चीज हमारे पास जो है वो डेटा के फॉर्मेट में है। अब क्योंकि एi इतना पावरफुल बन चुका है। एक इंफ्रास्ट्रक्चर लेयर की तरह बन चुका है कि वो अलग-अलग टाइप के डेटा को प्रोसेस करने के लिए उसके पास सारी
कैपेबिलिटीज़ आ चुकी है। तो अभी मैं आपको यहां पे लाइव एक एग्जांपल करके शोकेस दिखाने वाली हूं। जिसके लिए हम तीन अलग-अलग टाइप के डेटा यूज करने वाले हैं। जैसे स्ट्रक्चरर्ड डेटा, अनस्ट्रक्चरर्ड डेटा और इमेज डेटा। अब यहां पर स्ट्रक्चर डेटा के लिए हम क्लॉट का यूज करेंगे। अनस्ट्रक्चर डेटा से डील करने जेमिनाई का
यूज़ करेंगे और इमेज डेटा से डील करने नोटबुक एलएम का यूज़ करेंगे। तो स्ट्रक्चर अनस्ट्रक्चरर्ड डेटा के बीच क्या डिफरेंस होता है? सबसे पहले मैं आपको ये सिखाती हूं। ये समझाती हूं एक रियल लाइफ डेटा को यहां पे इंप्लीमेंट करवा के। और जितनी चीजें मैं आपको बताने वाली हूं। ये सब कुछ हम लोग प्रैक्टिकल करके देखने वाले हैं।
तो पहले हम डिफरेंस समझते हैं स्ट्रक्चरर्ड और अनस्ट्रक्चर्ड डेटा का और एक-एक डेटा का एनालिसिस हम लोग करेंगे इन तीनों अलग-अलग प्लेटफार्म का यूज़ करके क्लॉट जेमिनाई एंड नोटबुक एलएम। सो लेट्स जस्ट डू दैट। ओके? तो अभी जो आप डेटा देख पा रहे हैं ये एक टेलीकॉम कंपनी का डेटा है जिसमें कस्टमर चर्न के बारे में
डिटेल्स दी हुई है। अब ये डेटा स्ट्रक्चरर्ड डेटा है। क्यों स्ट्रक्चर डेटा है ये? क्योंकि यहां पे अगर हम जाके देखें सारे कॉलम्स को तो यहां पे कस्टमर का नाम, उनका जेंडर, सीनियर सिटीजन है या नहीं? कोई पार्टनर है क्या? उनका टेन्योर कितना रहा है? फोन सर्विस उन्होंने कौन सी यूज़ की है? पेमेंट मेथड क्या रहा है? क्या
वो कस्टमर चर्न हुआ है? नहीं हुआ है? इस तरीके का यहां पे हमारे पास डेटा है। तो ये डेटा स्ट्रक्चर डेटा इसलिए कहलाता है क्योंकि जो जो पर्टिकुलर हमारे पास कॉलम्स हैं उनके अंदर सारा का सारा जो इनेशन है एक स्ट्रक्चर फॉर्मेट के अंदर यहां पे प्रोवाइडेड है। लेकिन अनस्ट्रक्चरर्ड डेटा क्या होता है? अनस्ट्रक्चर डेटा वो होता
है जहां पे प्रॉपर चीजें मेंशन नहीं होती। जैसे अनस्ट्रक्चर डेटा के एग्जांपल्स की अगर मैं बात करूं तो अगर हम YouTube के अंदर कमेंट्स करते हैं तो वो कमेंट कुछ भी हो सकता है। कोई भी आके कैसा भी कमेंट लिख सकता है। तो ये एक अनस्ट्रक्चरर्ड डेटा हो गया। अगर हम लोग बात करें रिव्यूज की हम Amazon और कितने सारे प्लेटफॉर्म्स यूज़
करते हैं। Flipkart हर जगह जाके अगर कोई प्रोडक्ट हमें पसंद आता है, नहीं आता है तो हम जाके रिव्यूज लिखते हैं। तो अब लेट्स से अगर मैं कोई YouTube पे कमेंट लिख रही हूं। मान लो इसी वीडियो के लिए मैं कोई कमेंट लिख रही हूं। तो YouTube का कमेंट कुछ लोग ऐसे भी लिख सकते हैं। वेरी नाइस। मान लो किसी ने ऐसे लिखा। ठीक है?
अब कोई ये भी लिख सकता है वी ई आर वाई एन आई सी ई कैप्स में यहां पे लिख सकता है। तो हमेशा जो डेटा हम लोगों को यहां पे मिलेगा अनस्ट्रक्चरर्ड डेटा है चाहे वो कमेंट्स हो गया, रिव्यूज हो गया। तो ये सारे जो डेटा होते हैं ये अनस्ट्रक्चरर्ड डेटा कहलाते हैं। तो ये जो डेटा आप देख पा रहे हैं हमारे पास ये अनस्ट्रक्चर डेटा है
जिसमें कस्टमर्स ने क्या दिया है? प्रोडक्ट का रिव्यूज़ दिया है। तो अनस्ट्रक्चर ये इसलिए है क्योंकि यहां पे कोई फॉर्मेट नहीं है। हर कोई अलग-अलग कमेंट, हर कोई अलग-अलग रिव्यूज़ लिख सकता है। ये उसके ऊपर है। वो जैसा लिखना चाहे। तो ये जो डेटा है इसका कोई फॉर्मेट तो हो नहीं सकता। हो सकता है कोई एक वर्ड में
रिव्यु लिख दे और हो सकता है कोई 1000 वर्ड्स में रिव्यु लिख दे। तो इसका कोई स्ट्रक्चर नहीं है। इसीलिए इस तरीके के डेटा को अनस्ट्रक्चरर्ड डेटा बोलते हैं। तो अभी जो डेटा एनालिसिस करके मैं आपको दिखाने वाली हूं। पहले हम स्ट्रक्चरर्ड डेटा को देखेंगे। उसके बाद अनस्ट्रक्चरर्ड डेटा। क्योंकि देखो यार अनस्ट्रक्चर डेटा
थोड़ा कॉम्प्लिकेटेड इसलिए हो जाता है क्योंकि यहां पर देखो जैसे यहां पर अगर मैं हाईलाइट करके दिखाऊं तो ये किसी ने पूरा कैप्स में लिखा हुआ है। मतलब पूरा अपर केस में लिखा है। किसी ने लोअर केस में लिखा है। कोई इमोजी बना देता है। राइट? तो मैं कैसे उसका एनालिसिस करूंगी? तो अनस्ट्रक्चरर्ड डेटा को भी अब एi के
पास इतना पावर आ चुका है। पहले बहुत अनस्ट्रक्चरर्ड डेटा में अच्छा रिस्पांस नहीं मिलता था इनिशियल टाइम पे। लेकिन अब अनस्ट्रक्चर डेटा में भी एआई बहुत बेहतरीन काम कर रहा है और इसको मैं प्रैक्टिकल करके अभी दिखाती हूं आपको। तो पहले एक काम करते हैं हम लोग यहां पे क्लॉट का यूज़ करेंगे और इसके लिए प्र्ट्स हमें यहां पे
देना होगा। राइट? तो प्र्प्ट्स के लिए यहां पे सिंपली मैंने ये पूरी की पूरी प्रम्प्ट की जो नोट्स है मेरी डिस्क्रिप्शन बॉक्स पे आपके लिए ऑलरेडी प्रोवाइड किया हुआ है। नोट्स प्रोवाइड किया हुआ है। इसको सिंपली आप लोग वहां से जाके डाउनलोड कर सकते हैं। राइट? तो यहां पे जो प्र्प्ट मैंने लिखा है इसको हम यहां
पे देखेंगे और सिंपली हम लोग यहां पे जाएंगे क्लॉट की ओर। अब क्लॉट पर जाने के बाद यहां पर जो प्र्प्ट मैंने लिखा हुआ है, इस प्र्ट को मैंने कॉपी किया है। अब इस प्र्ट में क्या लिखा है? पहले मैं यह आपको बताती हूं। एक्ट इज अ कस्टमर रिटेंशन एनालिस्ट कि हमारे पास जो डेटा है वो कस्टमर के चर्न होने का डेटा है। चर्न
मतलब कि कोई कस्टमर आया आपके प्लेटफार्म में कोई सर्विज उसने यूज़ की। उसको कुछ टाइम अच्छा लगा तो उसने यूज़ किया और नहीं लगा तो आपका प्लेटफार्म छोड़ के चले गया। तो जब कस्टमर छोड़ के चला जाता है या जाने वाला होता है उस सिचुएशन को हम लोग बोलते हैं कि कस्टमर चर्न हो रहा है। राइट? अब यहां पर हम बोल रहे हैं कि एक्ट एज अ
रिटेंशन एनालिस्ट। रिटेंशन एनालिस्ट मतलब कि जो कस्टमर्स हमारे प्लेटफार्म से कोई बिनेस नहीं चाहता ना कि भाई मेरे कस्टमर जो मेरे पास आए हैं वो मेरे को छोड़ के चले जाए। कोई नहीं चाहता। तो क्या कर रहा है वहां पे? वो एक रिटेंशन एनालिस्ट की तरह काम करना है। ये बात हम क्लेरिफाई कर रहे हैं पहले क्लॉट को। इसके बाद हम लोग
यहां पर अपलोड करेंगे अभी कस्टमर का डेटा और हम यह जानना चाहते हैं कि भाई डिटेक्ट करना है वो पैटर्न कि कस्टमर का जो चर्न हो रहा है वो क्यों हो रहा है? हाई कस्टमर रिस्क कौन-कौन से हैं? क्या-क्या मैं ऐसी स्ट्रेटजी अपनाऊं कि जिससे लोग मेरे प्लेटफार्म को छोड़ के ना जाएं। कस्टमर चर्न ना हो। ये सारा एनालिसिस हमें चाहिए
उस डेटा से। तो सबसे पहले हम क्या करेंगे? यहां पे प्लस आइकॉन हमारे पास दिया हुआ है। हम यहां पे जाके अपनी फाइल्स हमारा जो डेटा है इसको यहां पे अपलोड करेंगे और इस प्र्प्ट को हम यहां पे रन करके देखेंगे कि क्या रिजल्ट हमें देखने मिलता है। सो लेट्स डू दैट। तो यहां पे सिंपली हमारी जो सीएसपी फाइल थी ये हमने डाल दिया है। इस
प्र्पों्ट को अब हम यहां पे देते हैं और इसको रन करा के देखते हैं। तो देखो जब भी आप लोग प्रम्प्ट देते हो तो एक स्ट्रक्चर प्र्ट का फॉलो होता है। सबसे पहले हमको रोल डिफाइन करना है। जब तक मेरे एआई टूल को पता ही नहीं होगा कि उसको कैसे काम करना है। किसके बेसिस में काम कर रहा वो कैसे अपना रोल पहचान पाएगा? इसलिए हमने
पहली लाइन में लिखा एक्ट एज अ कस्टमर रिटेंशन एनालिस्ट। उसके बाद हम लोगों को ये बताना है कि क्या-क्या कॉन्टेक्स्ट है। तो हम कॉन्टेक्स्ट बता रहे हैं कि भ हमने जो डेटा सेट दिया है वो एक टेलीकॉम कंपनी का डेटा सेट है। उसके बाद हमें बताना है टास्क कि भाई एआई को क्या टास्क करना है। तो हम यहां पे बोल रहे हैं कि तुम्हारा
काम ये है कि आपको आइडेंटिफाई करना है पैटर्न्स को। बिहेवियर समझना है कस्टमर्स का। चर्न का जो रिस्क स्कोर है उसको कैलकुलेट करना है और मेरे को यह स्ट्रेटजी बताना है कि भाई कस्टमर चर्न ना हो। तो हमने टास्क बता दिया। उसके बाद मुझे फाइनल आउटपुट क्या चाहिए यहां पे? तो जनरेट अ कस्टमर रिटेंशन रिपोर्ट। मेरे को यहां पे
कंप्लीट रिपोर्ट चाहिए कस्टमर रिटेंशन की ताकि मैं अपने बिजनेस के लिए एक्शननेबल बिज़नेस इनसाइड समझ पाऊं और डिसीजन ले पाऊं। तो ये जब हमारा स्ट्रक्चर फॉलो होता है, प्र्प्ट को लिखने का जो तरीका होता है, ये अगर हमारा प्रॉपर होगा तो हमें रिजल्ट भी प्रॉपर मिलेगा। राइट? तो अब हम यहां पे जाके देखते हैं कि क्या-क्या
रिस्पांस हमारे पास यहां पे बन के आ चुका है। तो धीरे-धीरे हम यहां पे देख रहे हैं कि हमारा जो प्रोसेस है वो बैक टू बैक यहां पे चलते जा रहा है। लेकिन अभी तक जितनी चीजें मिली है हमें ये पता चल रहा है कि इस डेटा में 7000 कस्टमर्स का रिकॉर्ड था। 26.5% हमारे कस्टमर्स का चर्न रेट है। यानी कि
अगर हमारे पास 100 कस्टमर्स आ रहे हैं तो 100 में से 25 कस्टमर्स हमारे प्लेटफार्म को छोड़ के जा रहे हैं। इसका मतलब ये बहुत बड़ी रिस्क की बात है। तो यहां पे हम देख पा रहे हैं कि पूरा एनालिसिस बन के आ चुका है। टोटल कस्टमर्स कितने थे? 7000 में से ऑलरेडी 1869 कस्टमर्स छोड़ के जा चुके हैं। हाई रिस्क वाले कस्टमर्स 3336
हैं। हाई वैल्यू एट रिस्क वाले 742 हैं। और इसके कारण देखो सबसे बेस्ट बात क्या है पता है क्लॉट की कि ये आपके बिनेस के इंसाइट्स को इतने बेटर तरीके से ट्रेन हो के समझता है कि आपके बिनेस को $22 का नुकसान हो सकता है मंथली अगर आपने इस चीज को नहीं सुधारा तो। तो अब तुरंत आपके बात में दिमाग आएगी कि यार मेरे बिजनेस को
$22 का नुकसान हो सकता है। अगर मैं इसको ना सुधारूं तो। तो हमको क्लियर है ये बात क्लेरिटी कितनी मिल रही है यहां पे डेटा से। तो ये सारे इंसाइट्स हम लोग यहां पे जनरेट करा सकते हैं। अब देखो कितने बेटर तरीके से हमारे पास यहां पे कंप्लीट ग्राफिकल एनालिसिस बन के आ चुका है। भाई कस्टमर्स चर्न करके ना जाए। उसके लिए यहां
पे तीनों स्ट्रेटजी हमने पूछी तीन स्ट्रेटजी हमें यहां पे बता रहा है और बोल रहा है कि भाई अपने कस्टमर्स पे अभी भी तुम्हारे पास ध्यान समय है ध्यान दे दो वरना $22 का पर मंथ तुमको नुकसान होगा। तो अब मेरे लिए यहां से डिसीजन लेना कितना इजी हो गया और मेरे को समझ में आ गया कि भ मेरे को कहां ध्यान देने की जरूरत है। तो
इस तरीके से स्ट्रक्चर डेटा का एनालिसिस हम लोग कर सकते हैं। किसकी मदद से? क्लॉट की मदद से। अब हमारे पास ये तो हमें स्ट्रक्चर डेटा समझ आ गया। चलो अब देखते हैं अनस्ट्रक्चरर्ड डेटा को हम कैसे यहां पे काम करेंगे इसके साथ। तो सिंपली अनस्ट्रक्चर डेटा के लिए हम लोग यहां पे जाके अपनी जो फाइल है इसको अपलोड कर रहे
हैं। ये जो मैंने आपको दिखाया था कि रिव्यूज डले हुए हैं प्रोडक्ट के इसी डेटा को हम लोग यहां पे जाके अपलोड कर रहे हैं जेमिनाई के अंदर। राइट? अब इसके बाद सिंपली हम लोगों को यहां पे जाके प्र्प्ट देना है। तो प्र्प्ट देने के लिए हम लोग यहां पे जा रहे हैं। और यहां पे प्र्प्ट आपके लिए ऑलरेडी मैंने लिख के दिया हुआ
है। तो आपको जो नोट्स मैंने प्रोवाइड किया उसमें प्रम्प्ट आपके पास अवेलेबल है। तो उस प्र्प्ट को आप चेक करिएगा। तो यहां पे हम लोगों ने प्र्ट दिया। देखो सबसे पहले प्र्ट में क्या देते हैं? रोल देते हैं। एक्ट एज अ एनएलपी डाटा एनालिस्ट। अब मैं यहां पे एनएलपी क्यों बोल रही हूं? क्योंकि भाई जितने भी रिव्यूज लिखे हैं वो
ह्यूमन की आम भाषा में लिखे हैं। इसको कौन समझ पाएगा? एक एनएलपी एक्सपर्ट यानी कि एनएलपी मतलब होता है नेचुरल लैंग्वेज प्रोग्रामिंग एक्सपर्ट डेटा एनालिस्ट। तो ये हम लोगों ने बता दिया। अब हमने क्या लिखा है? पहला हमने रोल बता दिया। उसके बाद हम कॉन्टेक्स्ट दे रहे हैं। एनालाइज़ द अपलोडेड अह टेक्स्ट डेटा जैसे ईमेल्स,
रिव्यूज़, चैट्स और डॉक्यूमेंट्स हैं। इसको हम लोगों को कॉन्टेक्स्ट हमने यहां पे प्रोवाइड कर दिया है। उसके बाद हम यहां पे बता रहे हैं टास्क कि तुम्हारा टास्क यहां पे क्या-क्या है कि जितने भी यहां पे आपको रिव्यूज डले हैं, उसके आधार पे आपको कस्टमर का पेन पॉइंट क्या है? ये समझना है। उनका सेंटीमेंट समझना है। उनके
कन्वर्सेशन को कैटेगरी के हिसाब से डिवाइड करना है। क्योंकि अलग-अलग कस्टमर अलग-अलग प्रोडक्ट के लिए रिव्यु दिया है। हो सकता है किसी ने इलेक्ट्रॉनिक आइटम के लिए दिया हो। हो सकता है किसी ने कोई ग्रोसरी आइटम के लिए दिया हो। तो ये काम हम करवाना चाहते हैं एआई से। इसके बाद फाइनली हम लोगों ने लास्ट में आउटपुट बोला है कि
हमें एक स्ट्रक्चरर्ड एनालिसिस जो है इसका प्रोवाइड करना है जो कि इजी टू अंडरस्टैंड हो। सिंपली अब हम लोग यहां पे ये जाके प्र्ट देते हैं जेमिनाई के अंदर एंड लेट्स वेट फॉर अ वाइल। सो हियर वी कैन सी दैट कि यहां पे अब अनस्ट्रक्चरर्ड डेटा का कैसे हमको एनालिसिस मिलता है। इसको अभी हम लोग देखने वाले हैं। देखो जब ये डेटा एनालिसिस
होगा ना तो यहां पे शो कोड का ऑप्शन आता है कि आपके बैक एंड में जो कोडिंग कर रहा है आपका काम है कि भ मेरे को तो जो मैंने पूछा है तुम डायरेक्ट मेरे को वो बता दो। लेकिन इसको बताने के लिए पीछे बैक एंड में आपके बिहाफ में जेमिनाई कोड कर रहा है। तो यहां पे कोड फाइल्स भी आप लोग जाके देख सकते हो कि वो क्या-क्या कर रहा है। राइट?
और अगर आप इसको हाइड करना चाहते हो तो हाइड भी कर सकते हो। तो अच्छी बात यह है कि क्या काम हो रहा है, कैसे-कैसे कोडिंग हो रही है, सब कुछ आप देख सकते हो। सारा काम आपकी आंखों के सामने हो रहा है। और फाइनल रिजल्ट आपके पास आता है कि जहां पे उस रिजल्ट को देख के आप निर्णय ले पाओ। आप अपना डिसीजन जो है वो बना पाओ। राइट? तो
यहां तुम देख पा रहे होंगे कोड अगर मैं दिखाऊं कि देखो कैसे पाइथन यूज़ हो रहा है। Python की काफी सारी यहां पे लाइब्रेरीज़ यूज़ हो रही है। अब Python लाइब्रेरीज़ के अंदर एनएलपी का पूरा काम चल रहा है। जहां पे नम पाई, पंडाज़ जैसी कई सारी लाइब्रेरीज़ का यहां पे यूज़ हो रहा होगा। हमारे इस आंसर को हम तक पहुंचाने के लिए। तो अभी
यहां पर हम लोग इस कोड को हाइड करते हैं और यहां पर वेट करते हैं हमारे रिस्पांस के शो होने का। अब यहां पर देखो हमारा रिस्पांस शो होना शुरू हो चुका है। ग्राफ हमारे पास यहां पे बन के आ रहे हैं। अब हम लोगों को ये जो डेटा था ये छोटा-मोटा डेटा नहीं दिया था हमने। अच्छा खासा डेटा दिया था। 4000 डेटा के रिकॉर्ड्स थे। 400 लोगों
के रिव्यूज डले थे इसमें। और इतना बड़ा डाटा होने के बावजूद भी जेमिनाई सही काम कर रहा है। तो हम यहां पर देख पा रहे हैं कि जो हमारे रिव्यूज यहां पर डले हुए थे 400 रिव्यूज में ओरिजिनल रिव्यु जो ह्यूमन ने डाला था वो 50% था 20,000 था और जो कंप्यूटर जनरेटेड रिव्यूज है वो इसमें 50% है। तो देखो अगर कोई रिव्यु डाल रहा है तो
उसको भी देख के पता चल जा रहा है कि भ आधा जो रिव्यू है केवल 50% लोगों ने ही खुद से रिव्यु लिखा है। बाकी 50% लोगों ने कोई एआईवीआई का यूज़ करके रिव्यु लिखा है। यह तक डिटेक्ट हो पा रहा है। इसका एनालिसिस में। तो अब यहां पे हम लोग अगर जा के देखते हैं कि कितने-कितने रिव्यूज कौन सी कैटेगरी को मिले हैं। तो किंडल स्टोर को
सबसे ज्यादा रिव्यूज दिए गए हैं। फिर बुक्स में लोगों ने रिव्यूज दिए हैं। फिर पैड सप्लाई में अलग-अलग यहां पे हर कैटेगरी का रिव्यु है। सबसे कम रिव्यूज किसमें दिए हैं लोगों ने? मूवीज एंड टीवी में। तो अलग-अलग कैटेगरी के हिसाब से कितने रिव्यूज आपको मिले हैं वो भी आपको यहां पर आईडिया पता चल पा रहा है। इसके
बाद अगर हम जा के देखें सेंटीमेंट एनालिसिस अगर हम लोग करें यहां पे तो फाइव स्टार रेटिंग मतलब 60% रिव्यूज जो है वो पॉजिटिव हैं। फोर स्टार रेटिंग मिली है 19% रिव्यूज को और केवल 5.3% ऐसे रिव्यूज हैं जहां पे कस्टमर का जो सेंटीमेंट है वो थोड़ा सा नेगेटिव है। वन स्टार रेटिंग उन्होंने यहां पे जाके दी है। तो इस तरीके
से यहां पर हम लोग जाकर देख सकते हैं कि भाई क्या-क्या प्रॉब्लम जो रिव्यू लिखा है उसने वो क्या-क्या प्रॉब्लम फेस कर रहा है। तो बहुत लोग लिख रहे हैं कि पैसा वेस्ट है। जो प्रोडक्ट ले रहे हैं वो चल नहीं रहा है। कस्टमर सर्विस अच्छी नहीं है। बहुत रफ है। ये सारे पेन पॉइंट्स हैं। और ओवरऑल यहां पे जाके आप देख सकते हैं
सिंथेटिक रिव्यूज के यहां पे पूरे के पूरे आपके पास एनालिसिस बन के आ चुका है कि एवरेज वर्ड काउंट कितना है। कितने यहां पे एक्शनेबल इनसाइट्स हैं। पूरा डिटेल एनालिसिस मेरे सामने आ चुका है। तो दिस इज़ समथिंग व्हिच इज़ रियली अमेजिंग। और यहां पे आपका कंप्लीट नेचुरल लैंग्वेज डिटेक्शन हो पा रहा है। तो स्ट्रक्चरर्ड और
अनस्ट्रक्चर डेटा तो हमने देख लिया कैसे काम करता है। अब हम लोग देखने वाले हैं एक और नए तरीके का डेटा जो कि है इमेज डेटा। अब मैं सिखाती हूं आपको कि भाई अगर आपके पास देखो जब कोई प्रोडक्ट हमारे घर में आता है तो टूटा फूटा भी आता है। कई बार अच्छा आता है। तो ये जितने भी हमारे पास ऐसे प्रोडक्ट हैं डिफेक्टिव प्रोडक्ट की
फोटो है। अब मैं बैठ के यार मेरे पास इतने सारे प्रोडक्ट की इमेज है। मान लो 10,000 प्रोडक्ट की इमेज हैं। तो मैं बैठ के एक-एक प्रोडक्ट की फोटो खोल खोल के तो नहीं देखूंगी कि किसको डिटेक्ट डिफेक्टिव गया है, किसको सही गया है। मेरे को ये पता लगाना है कि मेरे पास अगर बहुत सारे प्रोडक्ट्स हैं तो एआई अपने आप मेरे को ये
डिटेक्ट करके बता दे। केवल वो सारी फोटो को देखें और फोटो देखने के बाद मेरे को अपने आप बता दे कि स्वाति इसमें से 10,000 प्रोजेक्ट्स में से जो फोटो है 5,000 प्रोडक्ट्स जो है तुम्हारे ये डिफेक्टिव है और 5,000 प्रोडक्ट्स तुम्हारे सही हैं। तो मेरे को इतना काम करने का लोड लेने का अपने ऊपर जरूरत नहीं है। ये पूरा काम मेरा
एआई करेगा और अभी मैं इसका एक प्रैक्टिकल करके आपको दिखाने वाली हूं। तो चलिए हम लोग मूव करते हैं नोटबुक एलएम की ओर। सो, यह नोटबुक एलएम हमारे सामने ओपन हो चुका है। जितने भी प्लांस हम यहां पे यूज़ करेंगे, फ्री प्लांस के अंदर ही सब हम करके देखने वाले हैं। तो, नोटबुक एलएम को मैं ओपन कर लेती हूं। कुछ इस तरीके से
हमें इसका इंटरफ़ेस देखने मिलने वाला है। लेकिन इसके पहले सबसे पहले मैं आपको यहां पे अगर दिखाऊं इमेजेस, तो यहां पे हमारे पास इमेजज़ दी हुई है। अलग-अलग डिस्क यहां पे बने हुए हैं। अब इस डिस्क में से मैं कैसे पहचानूं कि भई कौन सा डिफेक्टिव है, कौन सा ओके है। तो मैं चाहती हूं कि ये पूरा इमेजेस का तक एनालिसिस मेरे को करके
दे दे। कौन नोटबुक एलएम? इसको अभी हम लोग यहां पे इंप्लीमेंट करके देखने वाले हैं। तो Notebook LM हमारे सामने ओपन हो चुका है। यहां पे सबसे पहले हमारे पास ऑप्शन आता है ऐड सोर्सेस का। तो हम लोग यहां पे जाके जितनी भी इमेजज़ हैं यहां पे हमारे सोर्सेस इसको हम लोग जाके अपलोड कर देते हैं। तो सिंपली हम लोग यहां पे जाके अपलोड
फाइल्स करेंगे और जितनी इमेजज़ मैंने आपको दिखाई है ये सारी मैं अपलोड कर देती हूं। तो यहां पे हम लोग सिंपली जाते हैं इमेजज़ के अंदर। ये सारी इमेजज़ हमारे पास है और इन सारी इमेजज़ को मैं यहां पे अपलोड कर देती हूं। तो हम यहां पे देख पा रहे हैं कि जैसे ही मैंने यहां पे इमेजज़ डाली है तो यहां पे ये सारी इमेजेस लोड होना शुरू
हो चुकी है। जब तक ये सारी इमेजज़ यहां पे लोड हो रही है तब तक मैं आपको यहां पे प्र्पों्ट दिखा देती हूं। तो मैंने यहां पे एक प्र्पों्ट लिखा हुआ है। प्र्ट मैं आपको समझा देती हूं। एक्ट ऐज़ एन इंडस्ट्रियल क्वालिटी इंस्पेक्शन एनालिस्ट। अब इमेजज़ अच्छी है या डिफेक्टिव है? ये कौन बताता है कंपनीज़ में? एक
इंस्पेक्शन एनालिस्ट बताता है। तो, हमने सबसे पहले यहां पे रोल डिफाइन किया। एक्ट करना है आपको एक इंस्पेक्शन एनालिस्ट की तरह। उसके बाद हम लोग यहां पर कॉन्टेक्स्ट बता रहे हैं कि भाई हम जो अपलोड किए हैं कास्टिंग प्रोडक्ट की इमेज वो आपको एनालाइज करनी है। तो कॉन्टेक्स्ट यहां पर जाकर क्लियर हो गया। फिर हम टास्क बता रहे
हैं कि आपका टास्क क्या-क्या है। आपको यहां पे सबसे पहले क्या करना है? आइडेंटिफाई करना है कि कितने डिफेक्टिव प्रोडक्ट्स हैं और कितने बेटर प्रोडक्ट्स हैं। फिर आपको आइडेंटिफाई करना है कि भ डिफेक्टिव अगर हुआ है तो मैन्युफैक्चरिंग का क्या-क्या क्वालिटी इशू है। आपको एक विजुअल एनालिसिस की जो समरी है वो
प्रोवाइड करना है ताकि नेक्स्ट टाइम कोई प्रोडक्ट डिफेक्टिव ना पहुंचे। उसके लिए हम लोग क्या कर पाएं? उसके लिए हम लोग ध्यान रख पाएं। और फाइनली आउटपुट में ये सारी चीजों का मुझे आंसर चाहिए। तो एक स्ट्रक्चर फॉर्मेट में मैंने प्र्ट दे दिया। अब यहां पे जाके देखोगे तो सारी मेरी जितनी इमेजज़ मैंने दी है ये सारी
इमेजज़ यहां पे मेरी आ चुकी है। राइट? अब इसके बाद इस प्र्ट को हम लोग यहां पे देखते हैं और देखते हैं नोटबुक एलएम हमें क्या रिस्पांस यहां पे प्रोवाइड करता है। सो वी आर वेटिंग फॉर द रिजल्ट हियर और थोड़ी ही देर में हम यहां पे देख पाएंगे कि क्या रिस्पांस हमें मिल रहा है। इसके साथ-साथ नोटबुक एलएम की और खास बात ये
होती है कि अगर मेरे को इसी के बेसिस में एक अगर रिपोर्ट जनरेट करवानी है, फ्लैश कार्ड जनरेट कराना है, इंफोग्राफिक जनरेट करवाना है, तो सब चीज मैं यहां से करवा सकती हूं। तो यहां पे मैं क्या कर रही हूं? ये मेरे को रिजल्ट तो यहां पे दे ही रहा है नोटबुक एलएम। इसके साथ-साथ मैं चाहती हूं कि यहां पे मेरे पास एक क्या हो
जाए? रिपोर्ट भी जनरेट हो जाए। तो मैं यहां पे जा के रिपोर्ट सेलेक्ट करती हूं। अब मेरे को यहां पे जो भी रिपोर्ट चाहिए, ब्रीफिंग चाहिए, ब्लॉग पोस्ट चाहिए, क्या चाहिए मुझे रिपोर्ट का फॉर्मेट? तो यहां पे जो भी फॉर्मेट आपको चाहिए या आप खुद भी सेलेक्ट कर सकते हैं। तो अभी हम लोग यहां पे इसको सजेशंस वगैरह यहां पे हमारे पास
लोड हो रहा है। सो लेट्स जस्ट वेट फॉर द वाइल हियर। कि हमारी यहां पे ब्रीफिंग डॉक अगर मैं यहां पे जाके सेलेक्ट करती हूं तो यहां पे हमारे पास रिपोर्ट जो है ये देखो यहां पे रिपोर्ट जो है जनरेट होना शुरू हो चुकी है। सो हियर वी कैन सी दैट रिपोर्ट्स आर जनरेटिंग। सो तब तक जब तक रिपोर्ट हमारी जनरेट हो
रही है तब तक हम अगर यहां जाके देखें तो जितनी इमेजज़ हमने दी थी इसमें से 22 जो है डिफेक्टिव प्रोडक्ट्स हैं। और यहां पे कितने प्रोडक्ट्स हमारे पास ओके हैं? तो 11 प्रोडक्ट्स हमारे पास सही हैं। बाकी 22 प्रोडक्ट्स की जो इमेजज़ हैं वो डिफेक्टिव है। तो अब मेरे को जरूरत ही नहीं पड़ी एक-एक फोटो देखने की। एआई ने अपने आप
एनालिसिस करके इमेज तक का डेटा सोचो। इमेज को समझना कितना मुश्किल होता है। कई बार हम ह्यूमंस धोखा खा जाते हैं। लेकिन यहां पे एआई के अंदर धीरे-धीरे अब इस लेवल की कैपेबिलिटी आ चुकी है कि वो इमेजज़ को भी बहुत अच्छे से समझने लगा है। तो 22 प्रोडक्ट की फोटो डिफेक्टिव थी और 11 जो थी वो सही थी। इसको मैंने क्रॉस चेक भी
किया हुआ है और यह बिल्कुल सही डाटा यहां पे नोटबुक एलएम हमें दिखा रहा है। अब इसके अलावा हमने पूछा था कि भ क्या-क्या क्वालिटी का इशू है? तो यहां पे हम जाके देख सकते हैं कि डैमेज हो रहा है। जो फ्लैश है ब्रेकेज हो रहा है। आउटर एज डैमेज ज्यादा हो रहा है। कहीं-कहीं कोई प्रोडक्ट के अंदर में ब्लो होल्स बने हुए
हैं। और इसके साथ हमें क्या-क्या चीजों को इंप्लीमेंट करना चाहिए ताकि हमारा जो लॉस है वो कम हो। तो यहां पे हम देख सकते हैं कि हमारा ट्रिमिंग प्रोसेस पे सुधार करना चाहिए। हमें वेंटिंग और डिगेिंग पर ध्यान देना चाहिए और हमें हैंडलिंग पर ध्यान देना चाहिए इस प्रोडक्ट के पीछे। तो कंप्लीट एनालिसिस अब आपके सामने बन के आ
चुका है। और साथ के साथ देखो हमने यहां पे जनरेट करवाया था रिपोर्ट। तो अगर मैं यहां पर आपको यह रिपोर्ट भी दिखाऊं तो यह पूरी रिपोर्ट जो है हमारे पास यहां जनरेट हो चुकी है। देखो यहां पे पूरी रिपोर्ट बन के आ चुकी है। ब्रीफ पूरा डॉक्यूमेंट और ये रिपोर्ट यहां पे जनरेट हो के आ चुका है। ये सारी चीजें हमारे पास एक रिपोर्ट
फॉर्मेट के डेटा में भी बन के आ चुकी है। इस डेटा के अंदर सारी डिटेल्स मेंशन है। तो नोटबुक एलएम का यूज़ करके हमने प्रोडक्ट का डेटा एनालिसिस भी कर लिया। इंसाइड भी समझ लिया और रिपोर्ट भी जनरेट करवा ली। तो ये होता है एक स्मार्ट तरीके से किसी एआई टूल को यूज़ करना। क्योंकि टूल तो हर कोई यूज़ कर रहा है। लेकिन जब आप
इस तरीके के वीडियोस देखोगे, लर्न करोगे तो आपको बेटर क्लेरिटी मिलती है कि भ स्मार्ट तरीके से कैसे मैं इस एआई टूल को यूज़ कर सकता हूं। तो इस तरीके से कंप्लीट डेटा एनालिसिस हमको हमने देखा स्ट्रक्चर डेटा, अनस्ट्रक्चरर्ड डेटा और साथ में इमेज डेटा जिसके लिए हमने क्लॉट, जेमिनाई और नोटबुक एलएम का यूज़ किया। तो अभी हमने
जो यूज़ केस देखा वो तो इंटरेस्टिंग था ही। लेकिन इसके साथ ही अगर आप चाहते हैं कि और डिटेल में हम जाके डेटा ऑटोमेशन, एजेंट्स, वर्क फ्लोस ऑटोमेशन, इमेज जनरेशन, वीडियो क्रिएशन, ऐप डेवलपमेंट, वेबसाइट बिल्डिंग इन सब को और एडवांस लेवल में सीखना चाहते हैं तो उसके लिए और भी ज्यादा लेक्चर्स जो
हैं डिटेल जो इसका करिकुलम है ये सब कुछ मैंने इन लेक्चर्स के अंदर डाल रखा है जो कि कोहॉट का पार्ट है जो कि और एडवांस लेवल की चीजें हम यहां पे सीखने वाले हैं। तो ये टोटल 120 डेज का कोहॉट होने वाला है। इसके बारे में और इनेशन अगर आपको चाहिए तो नीचे डिस्क्रिप्शन बॉक्स आप चेक आउट कर सकते हैं। चलिए हम वापस चलते हैं
अपने टॉपिक की ओर। तो प्रैक्टिकल कांसेप्ट्स तो हमने देखे और भी प्रैक्टिकल कॉन्सेप्ट्स हम कवर करेंगे। लेकिन अब हम यहां पे अंडरस्टैंड करना शुरू करते हैं कि जितने भी प्रैक्टिकल एप्लीकेशंस हमने देखे उसके पीछे मेन मेन कोर टेक्नोलॉजिकल कॉन्सेप्ट्स क्या यूज़ होते हैं। तो देखो यार जब एआई बनना शुरू हुआ था ना तब ऐसे
एकदम डिसाइडेड नहीं था कि हां आज जिस लेवल का एआई हम यूज़ कर रहे हैं उसी लेवल का एआई बनाना है। धीरे-धीरे डेवलपमेंट हुए और आज हम एआई एजेंट्स ऑटोमेशन ये सब बिल्ड कर पा रहे हैं। लेकिन इसकी शुरुआत एआई बनाना है इसलिए नहीं हुई थी। इसकी शुरुआत जो हुई थी जो मेन प्रॉब्लम उस समय सॉल्व करना था
लोगों को वो था ट्रांसलेशन का प्रॉब्लम। तो मशीन जो है ट्रांसलेशन बेटर अंडरस्टैंड करे उसके लिए यहां पे काम शुरू हुआ था। तो फॉर एग्जांपल जैसे मुझे कोई वर्ड को इंग्लिश से फ्रेंच में कन्वर्ट करना है। ट्रांसलेशन करना है। या मेरे को कोई वर्ड को इंग्लिश से हिंदी में ट्रांसलेट करना है। तो मेन सबसे बड़ी दिक्कत क्या थी पता
है? वर्ड बाय वर्ड ट्रांसलेशन होता था। जैसे फॉर एग्जांपल यहां पे कोई एक वर्ड है लिखा हुआ है हिंदी में कोई और उसको मेरे को इंग्लिश में कन्वर्ट करना है। हिंदी से इंग्लिश ट्रांसलेशन करना है। तो हिंदी का यहां पे सेंटेंस होता है दिमाग का दही मत करो फॉर एग्जांपल। राइट? तो उसको अगर हम लोग इंग्लिश में एज इट इज़ वर्ड बाय वर्ड
अगर कन्वर्ट करते हैं। डोंट मेक योगर्ट ऑफ माय ब्रेन। क्या ये कोई सेंसिबल साउंड कर रहा है? नो। राइट? इंग्लिश का क्या कभी हम कोई सेंटेंस ऐसा बोलते हैं किसी को? डोंट मेक योगर्ट ऑफ माय ब्रेन। नहीं बोलते हैं ना? तो प्रॉब्लम यही थी कि जब वर्ड बाय वर्ड ट्रांसलेशन होता था तो एआई जो मेन कॉन्टेक्स्ट होता था उसको नहीं समझ पाता
था। क्योंकि इसके अंदर इतनी कैपेबिलिटी है ही नहीं कि वो समझ पाए कि ये सही है कि गलत। उसका तो काम ही था वर्ड को एक-एक वर्ड को ट्रांसलेट करना वो कर दिया। बात खत्म। इसी प्रॉब्लम को सॉल्व करना था कि यहां पे सिर्फ वर्ड बाय वर्ड ट्रांसलेशन ना हो। ऐसा सिस्टम हो जो कि क्या समझे? कॉन्टेक्स्ट को समझे। जैसे अनदर एग्जांपल
तुमने मेरी नाक कटवा दी। हम हिंदी में बोलते हैं। इसी को अगर मैं इंग्लिश में ट्रांसलेट करूं तुमने मतलब यू मेरी मतलब माय नाक मतलब नोज़ कटवा दी मतलब गॉट कट। तो यू माय नोज़ गॉट कट। क्या ये सेंसिबल साउंड कर रहा है? नहीं। और ना ही कोई कॉन्टेक्स्ट इसमें समझ आ रहा है। तो इस प्रॉब्लम को सॉल्व करना था कि भ एक ऐसा
सिस्टम बनाया जाए जो ट्रांसलेशन की प्रॉब्लम सॉल्व करे और साथ-साथ उसमें क्या बोला जा रहा है उसके कॉन्टेक्स्ट की समझ रखे। इसी चीज के लिए सबसे पहले यहां पे न्यूरल नेटवर्क्स आए। अब न्यूरल नेटवर्क जब आया यहां पे तो होता क्या था? जैसे एक एग्जांपल मैं दूं। आई लव एआई। एक यहां पर सेंटेंस है और यहां पर एक और सेंटेंस है
एआई लव्स मी। ठीक है? तो देखने में ए सिस्टम को क्या लगता था कि ये तो दोनों सेम ही चीज़ है। आई और मी ऑलमोस्ट सेम होता है। राइट? लव बट मतलब सेम ही है। और एआई भी सेम है। तो चाहे मैं आई लव एआई लिखूं या एआई लव्स में लिखूं। तो सिस्टम को लगता था कि ये तो सेम ही बात हो रही है। लेकिन हमें पता है ये चीज कि ये दोनों वर्ड जो
है भले ही सेम लग रहे हैं। लेकिन ये दोनों सेंटेंस का मीनिंग क्या है? डिफरेंट है। तो न्यूरल नेटवर्क क्या करता था? न्यूरल नेटवर्क जो होता था वो इनपुट के लिए तो अच्छा था लेकिन लैंग्वेज की जो प्रॉब्लम थी इसको हमको सॉल्व करना था। इस प्रॉब्लम को सॉल्व करने रिस्चरर्स ने क्या किया? आरएनएन और एलएसटीएम को बनाया। अब हम समझते
हैं आरएनएन और एलएसटीएम क्या होता है? आरएनएन मतलब होता है रिकरेंट न्यूरल नेटवर्क। अब जैसे यहां पे एक वर्ड सेंटेंस लिखा है आई लव लर्निंग एआई। तो आरएनए में दिक्कत क्या होने लगी? जैसे पहला वर्ड है आई। फिर है लव फिर है लर्निंग फिर है एआई। तो कैसे ये प्रोसेस करता था? पहले आई प्रोसेस होगा। फिर वेट करेंगे। फिर लव
वर्ड प्रोसेस होगा। फिर वेट करेंगे। फिर लर्निंग वर्ड प्रोसेस होगा और फिर जाके एआई प्रोसेस होगा। अब ऐसे में जो टाइम लगता था एक-एक वर्ड को प्रोसेस करने वो बहुत ज्यादा लगता था और मॉडल का ट्रेनिंग प्रोसेस बहुत स्लो था। तो ये लिमिटेशन था आरएनए का। तो आरएनए की इसी लिमिटेशन को सॉल्व करने के लिए रिस्चरर्स ने बनाया
एलएसटीएम। एलएसटीएम का फुल फॉर्म होता है लॉन्ग शॉर्ट टर्म मेमोरी। तो यहां पे क्या डिसाइड किया गया कि दो नई चीजें ऐड होंगी। एक ऐड होगा गेट्स और एक ऐड होगा मेमोरी सेल। इसका मतलब एलएसटीएम में ये डिसाइड हो सकता है कि क्या याद रखना है, क्या भूलना है और क्या अपडेट करना है। तो जैसे यहां पे गेट्स लगा दिए तो जो इंपॉर्टेंट इनफेशन
थी वो याद रख पाएगा और जो चीज भूलनी होगी वो मॉडल हमारा भूल जाएगा। तो इस तरीके से एलएसडीएम बना। अब जैसे एक एग्जांपल लें स्वाति वेंट टू जापान शी लव्ड द कल्चर। तो क्या ये शी स्वाति से ही रिलेट कर रहा है? इस बात का अंदाजा लगा पाना थोड़ा पॉसिबल हो चुका था एलएसटीएम के अंदर। तो एलएसटीएम आरएनए से बेटर परफॉर्म कर रहा था। लेकिन
फिर भी एलएसटीएम के अंदर दिक्कत थी। दिक्कत क्या थी? तो दिक्कत सबसे बड़ी ये थी कि दोनों जो हमारे आरएनए और साथ-साथ जो हमारा एलएसटीएम था इसमें सबसे बड़ी दिक्कत ये थी कि जो वर्ड्स की प्रोसेसिंग होती थी पहला वर्ड प्रोसेस होगा। वेट करो। फिर दूसरा वर्ड प्रोसेस होगा। वेट करो। फिर तीसरा वर्ड प्रोसेस होगा। तो यही चीज अगर
मान लीजिए कोई भी ऐसा सेंटेंस हमारे पास है जिसमें 1000 से ज्यादा वर्ड्स हैं फॉर एग्जांपल तो इतना बड़ा प्रोसेस करतेकरते बहुत टाइम लगता था ट्रेनिंग बहुत स्लो होती थी तो यहां पे ये जो प्रॉब्लम थी इसके कारण लॉन्ग कॉन्टेक्स्ट की जो प्रॉब्लम थी कि भ स्टार्टिंग के अगर मान लो 100 वर्ड्स हैं एक-एक वर्ड प्रोसेस हो
रहा है तो जब तक ये चीज पहले वर्ड से लेके 1000 वर्ड्स तक पहुंचती थी वहां तक मेमोरी भूल जाता था मॉडल याद ही नहीं रख पाता था शुरुआत का याद रखा लास्ट तक पहुंचते-पहुंचते शुरुआत की चीजें भूल गया। तो बहुत सारे ऐसे प्रॉब्लम्स यहां पे आने शुरू हुए। फिर यहां पे इनेशन जो है काफी सारी मिस हो जाती थी। अब जैसे फॉर
एग्जांपल एक बड़ा सा सेंटेंस है। द मूवी दैट आई वॉश्ड लास्ट ईयर ड्यूरिंग माय वेकेशन इन जापान विथ माय फ्रेंड्स वाज़ अमेजिंग। इतना बड़ा अब लेट्स से ये सेंटेंस है। तो पहले द वर्ड प्रोसेस हुआ। फिर मूवी फिर दैट फिर वॉश। एक-एक एक-एक वर्ड यहां पे प्रोसेस होना शुरू होता था। और फाइनली जब हम लास्ट तक पहुंचते थे तो केवल लास्ट
की इनेशन याद होती थी। शुरुआत वाली चीजें जो है वो मॉडल भूल जाता था। तो ये सारे ऐसे बहुत सारे प्रॉब्लम्स आए आरएनएन में। आरएनएन का बेटर वर्जन था एलएसटीएम लेकिन एलएसटीएम भी उतना बेटर परफॉर्म नहीं कर पा रहा था। ये सारी प्रॉब्लम्स उसके अंदर आ रही थी। फिर उसके बाद 2017 में कुछ ऐसा होता है जो ये सारी प्रॉब्लम्स को सॉल्व
कर देता है और 2017 के बाद ही हमारे पास चैट जीपीटी, Google जेमिनाई लामा और उसके साथ-साथ क्लॉट जैसे मॉडल्स बन पाते हैं। क्यों बन पाते हैं? क्योंकि इसके पीछे का सबसे बड़ा रीजन यहां पे ये था। 2017 में Google के ये जो आप यहां पे आर्ट साइंटिस्ट देख रहे हैं ये आर्ट साइंटिस्ट ने मिलके एक रिसर्च पेपर निकाला था। उस
रिसर्च पेपर का ऑब्जेक्टिव था अटेंशन इज ऑल यू नीड। और इसी रिसर्च पेपर में बताया गया था ट्रांसफार्मर आर्किटेक्चर के बारे में। और इसी ट्रांसफार्मर के कारण ये पूरा जो ट्रांसफार्मर के आर्किटेक्चर है उसी पे पूरा चैट जीपीटी जेमिनाई मेटा क्लॉड ये सब उसी पे बेस्ड है। अगर ये रिसर्च पेपर नहीं
होता ट्रांसफार्मर आर्किटेक्चर के बारे में पता नहीं चलता तो इतने जल्दी इन सारी चीजों का डेवलपमेंट हो पाना बहुत ज्यादा मुश्किल था। बहुत ज्यादा टाइम लगता। तो 2017 में ये जो रिसर्च पेपर के बारे में ट्रांसफार्मर के बारे में बताया गया उसके बारे में अभी हम लोग और डिटेल में जानेंगे। तो यह जो आठ Google रिस्चरर्स की
आप टीम देख रहे हैं, इसमें से बहुत प्राउड फील होता है कि आशीष वैष्णव वैशवानी और साथ में निक्की परमार दो ऐसे लोग थे जो इंडियन डोमेन से बिलोंग करते हैं। Google के रिस्चरर्स हैं और उन्होंने भी कंट्रीब्यूट किया था इस पेपर में। तो अगर ये पेपर रिसर्च पेपर नहीं आता ना तो आज जितना जल्दी हम लोग चैट जीपीटी क्लॉड ये
फटाफट यूज़ करके सब कर लेते हैं। कोड करवा लेते हैं, आर्टिकल्स लिखवा लेते हैं, रिसर्च करवा लेते हैं। इसमें बनने में बहुत टाइम लग जाता। तो क्या था इस रिसर्च पेपर में और कैसे काम करता है ट्रांसफार्मर और क्यों ट्रांसफार्मर बनाया गया ये अब हम समझ चुके हैं। अब ट्रांसफार्मर को और डिटेल में हम लोग
जानेंगे। तो यहां पे रिस्चरर्स ने ये बोला कि देखो आरएनए और एलएसटीएम में प्रॉब्लम क्या है? कि एक वर्ड प्रोसेस होता है फिर दूसरा होता है। फिर तीसरा होता है। तो ये जो प्रोसेसिंग होती है इसको हम कैसे बोलते हैं कि प्रोसेसिंग होती है सीक्वेंशियल प्रोसेसिंग। तो क्यों ना ऐसा किया जाए कि ये सीक्वेंशियल प्रोसेसिंग को हटा के हम
पैरेलल प्रोसेसिंग को बढ़ावा दें। इसी चीज को ध्यान में रखते हुए ये रिसर्च पेपर को डिज़ाइन किया गया था। तो रिसर्चरर्स ने सोचा व्हाट इफ सीक्वेंस को सीक्वेंशियली प्रोसेस ही ना किया जाए। क्यों ना पैरेलल प्रोसेस किया जाए? और उसके साथ-साथ हम ये कंक्लूजन पे आए कि अटेंशन इज़ ऑल यू नीड। अटेंशन होता क्या है? जैसे हमारे पास अगर
हम ह्यूमन हैं। हमको कोई अगर मान लो चार पन्ने का कोई डॉक्यूमेंट देता है। हम फटाफट फटाफट पढ़ते हैं। अरे इस चार पन्ने में से केवल इतनी बात हमारे काम की थी। हम प्रोसेस कर लेते हैं। राइट? तो यही चीज़ एक मशीन कैसे कर पाएगी? तो यहां पे ये चीज़ देखी गई। अटेंशन इज़ ऑल यू नीड। इसका मतलब जैसे एक एग्जांपल के थ्रू समझाती हूं। एक
एग्जांपल सेंटेंस है। द एनिमल डिड नॉट क्रॉस द रोड बिकॉज़ इट वाज़ टायर्ड। तो अब यह जो इट वर्ड है, यह इट वर्ड किसके लिए यूज़ हो रहा है? एनिमल के लिए या रोड के लिए। तो ये मशीन अपने आप कैसे समझेगी? तो इसको क्या करना पड़ेगा? हर एक वर्ड पे अटेंशन देना पड़ेगा, फोकस करना पड़ेगा और फिर पता चलेगा कि ये जो इट है वो किसके
लिए यूज़ हो रहा है? एनिमल के लिए या रोड के लिए। तो यही चीज सामने आई कि जब भी प्रोसेसिंग होगी तो पैरेलल प्रोसेसिंग होना चाहिए और पैरेलल प्रोसेसिंग के साथ हर एक वर्ड में अटेंशन देना पड़ेगा। तब जाके हम लोग उसको कॉन्टेक्स्ट समझा पाएंगे। तो इस तरीके से क्या हुआ? ट्रांसफार्मर के अंदर पैरेलल प्रोसेसिंग
होना शुरू हुई। तो यहां पर पैरेलल प्रोसेसिंग में जैसे एक सेंटेंस है द कैट सेट ऑन द मैट। ठीक है? ये एक सेंटेंस है। इसके अंदर कितने वर्ड्स हैं? 1 2 3 4 5 6 ये पूरे छह वर्ड्स पैरेलल प्रोसेसिंग में एक साथ प्रोसेस हो जाते थे। तो इससे क्या हुआ? टाइम जो है वो काफी ज्यादा कम लगने लगा। क्योंकि पहले होता था आरएनए के अंदर
एक-एक वर्ड लेगा। पहले द लेगा, फिर कैट लेगा, फिर सैट लेगा। अब ऐसा कुछ है ही नहीं। ये पूरे छह वर्ड्स जो हैं इन सारे छह वर्ड्स को एक ही टाइम पे एज अ इनपुट ले लेता है ट्रांसफार्मर। तो टाइम बहुत ज्यादा यहां पे बचने लगा। तो फिर हुआ क्या? बेसिकली अगर सेंटेंस में 100 या 1000 वर्ड का भी कोई सेंटेंस हो तो
कैलकुलेशन का टाइम लगभग उतना ही लगेगा जितना एक वर्ड को प्रोसेस करने के लिए लगता है। तो चाहे तुम 1000 डाल दो, 2000 डाल दो, जितना एक वर्ड को प्रोसेस करना टाइम लगता है उतना ही उसमें भी लगेगा। क्योंकि ये पूरे वर्ड्स को एक साथ ले लेता है। तो इसलिए इसकी जो स्पीड है वो बहुत ज्यादा बढ़ गई ट्रांसफार्मर के अंदर। फिर
उसके बाद ट्रांसफार्मर के अंदर मेनली दो जो है बहुत इंपॉर्टेंट इसका जो आर्किटेक्चर होता है। दो बहुत मेन पार्ट होते हैं इसके। पहला पार्ट होता है एनकोडर और दूसरा पार्ट होता है डिकोडर। तो एनकोडर बेसिकली क्या होता है? यहां पे अगर हम समझें एनकोडर क्या करता है? इनपुट को अंडरस्टैंड करता है। तो एनकोडर के पास में
जो भी इनकमिंग डेटा आता है जैसे हमने एक बहुत बड़ा सेंटेंस दे दिया। वो मान लो एक इनपुट आया इसके पास। तो उस सेंटेंस से वो क्या करेगा? मीनिंग निकालेगा उस सेंटेंस का। एनकोडर का काम होगा उसके कॉन्टेक्स्ट को समझना और उसको मैथमेटिकल रिप्रेजेंटेशन में उस इनपुट को बदलना। क्रिएट करना उसका मैथमेटिकल रिप्रेजेंटेशन। तो इनपुट का यही
काम होता है। सॉरी एनकोडर का यही काम होता है कि वो इनपुट लेगा। उस इनपुट से मीनिंग निकालेगा। उस इनपुट के कॉन्टेक्स्ट को समझेगा और क्रिएट करेगा उसका एक मैथमेटिकल रिप्रेजेंटेशन। क्लियर है? एनकोडर क्या करता है? उसके बाद आता है डिकोडर। तो जो भी हमारी इंफॉर्मेशनेशन होती है वो यहां पे जाती है डिकोडर के पास। एनकोडर की सारी
इनेशन पास होती है कहां फिर? डिकोडर के पास। तो डिकोडर क्या करता है? आउटपुट को जनरेट करता है। तो जितनी भी इनेशन एनकोडर के पास थी वो जाती है डिकोडर के पास। और डिकोडर क्या करता है? जो फाइनल रिजल्ट होता है ट्रांसलेशन करना या कोई रिस्पांस देना फाइनल आउटपुट को जाके जनरेट करता है। तो कोई पूछे आपसे ट्रांसफार्मर के दो मेन
पार्ट्स क्या है? एनकोडर और डिकोडर। ये काम कैसे करते हैं? ये मैंने ऑलरेडी अभी बताया और डिटेल में अभी हम लोग इसको समझेंगे। यहां तक के सारे कांसेप्ट्स आपको क्लियर है तो मुझे कमेंट्स में यस करना क्योंकि एज अ टीचर मेरा भी पढ़ाने का ऑब्जेक्टिव तभी निकलेगा जब चीजें आपको समझ में आएगी। तो किसी को भी लगता है मेरे को
समझ नहीं आया तो मेरे को कमेंट्स में जरूर बताना। मैं पूरी कोशिश करूंगी उस कमेंट का रिप्लाई करने की। आपके डाउट्स को क्लियर करने की। तो यहां तक हमने देखा ट्रांसफार्मर के दो मेन पार्ट्स होते हैं। अब समझते हैं कि ट्रांसफार्मर की वर्किंग कैसे होती है? ट्रांसफार्मर आखिर काम कैसे करता है? तो यहां पे ट्रांसफार्मर का मेन
काम क्या होता है? वर्ड्स के बीच रिलेशनशिप को समझना। जैसे द एनिमल डिड नॉट क्रॉस द रोड बिकॉज़ इट वाज़ टायर्ड। तो यहां पे इट जो है एनिमल के लिए है। यह बात ट्रांसफार्मर को समझना है। इस बात को समझने के लिए पूरा का पूरा प्रोसेस होता है। ट्रांसफार्मर की वर्क फ्लो का यह पूरा प्रोसेस है। जैसे हमने इनपुट में दिया मान
लो कोई सेंटेंस। फिर वो सेंटेंस का क्या होगा? टोकनाइजेशन प्रोसेस होगा। एंबेडिंग होगा, पोजीशनल एनकोडिंग होगा, एनकोडर लेयर्स आएंगे, डिकोडर लेयर्स आएंगे। आउटपुट प्रोबेबिलिटी बनेगी और फाइनली फिर वो जाके वर्ड जनरेट होगा। तो जैसा मैंने एक जेमिनाई में स्टार्टिंग में पूछा था। द स्काई इज़ डैश। यही पूछा था हमने। बहुत
सारे वर्ड्स होते हैं ना। उसने मेरे को ब्लू बताया। ब्लू कैसे आया? तो ब्लू वर्ड जो है जेमिनाई ने क्या किया? मेरे लिए जनरेट किया। लेकिन ये ब्लू ही वर्ड क्यों जनरेट हुआ? इसी बात से तो हमने क्लास शुरू की थी। इसी बात का भी मैं पूरा का पूरा इसका डिटेल आंसर आपको बता के देने वाली हूं। कहां से आंसर मिलेगा? आंसर ये पूरे
प्रोसेस को जब हम समझेंगे तब आंसर मिलेगा। अभी तुम जब तुम इसको पढ़ोगे टोकनाइजेशन, एंबेडिंग, पोजीशनल एनकोडिंग तो सुनने में लगेगा बहुत भयानक है। भाई क्लास छोड़ के भाग जाते हैं, निकल जाते हैं क्लास से। राइट? लेकिन यकीन मानना यह जितनी चीजें यहां पर लिखी है ना इतनी आसान भाषा में आपको समझाने वाली हूं कि एक-एक वर्ड का
मतलब समझ में आएगा। तो इस भारी भरकम वर्ड को देख के ये मत समझना कि टफ है। बहुत इजी है। अभी हम लोग इसको समझेंगे। ठीक है? तो यहां पे जब कोई हम सेंटेंस देते हैं तो टोकनाइजेशन का प्रोसेस होता है। क्या होता है टोकनाइजेशन? क्या होता है एंबेडिटिंग? एक-एक करके समझेंगे। तो ये जो वर्क फ्लो होता है कि आप कोई सेंटेंस दिए जैसे चार्ट
जीपीटी पे जाके आपने कोई सेंटेंस दिया तो सेंटेंस जैसे ही देते हो तो वर्ड जनरेट होना शुरू होता है। कैसे जनरेट होता है? जनरेट होने के पीछे ये पूरे प्रोसेस से हो के गुजरता है। टोकनाइजेशन, एंबेडिंग, पोजीशनल एनकोडिंग, डिकोडर, आउटपुट प्रोबेबिलिटी और फिर जाके वर्ड जनरेट होता है। तो ये पूरे प्रोसेस को एक-एक करके
समझना यहां पे हम लोग शुरू करते हैं। सबसे पहला जो प्रोसेस होता है स्टेप वन वो होता है टोकनाइजेशन का। टोकनाइजेशन मतलब होता क्या है? देखो कंप्यूटर डायरेक्टली कोई भी वर्ड्स को सेंटेंस को नहीं समझ सकता। कंप्यूटर को एक ही भाषा समझ में आती है वो है नंबर्स की भाषा। कंप्यूटर को नहीं समझ में आता लैंग्वेज। उसको समझ में आती है
नंबर्स। तो होता क्या है? जैसे एग्जांपल देखो यहां पे आई लव एआई है। ठीक है? तो यहां पे कभी-कभी ये जो आई लव एआई सेंटेंस है इसको हम लोग क्या करते हैं? सबसे पहले टोकंस में तोड़ते हैं। तो एआई वर्ड्स नहीं टोकंस पड़ता है। इसका मतलब क्या होता है? है जैसे आई लव ए आई है तो मान लो ए यहां पे जो वर्ड है आई लव और ए आई ये अलग-अलग
हो सकते हैं। अलग-अलग टोकंस बन सकते हैं। और ऐसा बिल्कुल नहीं होता है कि यहां पे जैसे एक वर्ड है मान लो कि एक वर्ड है मैं अपना ही नाम लिख देती हूं स्वाति। ठीक है? तो ऐसा नहीं है कि मेरा एक वर्ड है स्वाति नाम से तो वो उसको एक टोकन की तरह लेगा। हो सकता है वो उसको डिवाइड कर दे। हो सकता
है वो एस डब्ल्यू ए एक टोकन बना दे और टी आई अलग टोकन बना दे। जैसे यहां पे एक वर्ड है अनबिलीवेबल। तो हो सकता है ये वर्ड अनबिलीवेबल बड़ा वर्ड है तो दो-तीन टोकंस में टूट सकता है। तो टोकंस बेसिकली क्या होते हैं? टोकंस कोई वर्ड हो सकता है। टोकंस कोई सबवर्ड हो सकता है। टोकंस कोई कैरेक्टर भी हो सकता है। तो सबसे पहले
होता क्या है? जो भी सेंटेंस हम देते हैं एआई को आप कोई भी सेंटेंस जीपीटी, जेमिनाई, क्लॉड, लामा, हगिंग फेस किसी को भी आप कोई भी सेंटेंस दो सबसे पहले वो सेंटेंस किस में टूटेगा? टोकंस में टूटेगा। अलग-अलग एक पूरे सेंटेंस के अलग-अलग टुकड़े होंगे जिसको हम क्या बोलते हैं? टोकंस। और यही प्रोसेस कहलाता है
टोकनाइजेशन का। तो ये था स्टेप नंबर वन। अब आगे बढ़ेंगे हम लोग स्टेप नंबर टू की ओर। स्टेप नंबर टू होता है एंबेडिंग्स। अब समझते हैं कि एंबेडिंग क्या होता है? अब जब हमारे टोकंस में टूट गया सेंटेंस सारा। अब हमारे पास आ गए टोकंस। अब इन्हीं टोकंस को कन्वर्ट किया जाता है किसमें? नंबर्स में। और यही प्रोसेस कहलाता है एंबेडिंग
का। तो एंबेडिंग क्या होता है? सबसे पहले आपके पास क्या आया? एक सेंटेंस आया। सेंटेंस को आपने क्या किया? अलग-अलग अलग-अलग पार्ट में तोड़ तोड़ के टोकन बना दिया। और यही टोकन को अब आप किस में कन्वर्ट कर रहे हो? नंबर्स में। इसी नंबर्स को कहते हैं हम लोग वेक्टर्स। और यही प्रोसेस जो है वो कहलाता है एंबेडिंग
का। तो जैसे यहां पे हमने वर्ड देखा था। तो यहां पे जैसे हमने वर्ड देखा था आई लव एआई। मान लो अभी के लिए मैं ये मान लेती हूं कि आई एक टोकन है, लव एक टोकन है और ए आई एक टोकन है। तो यहां पे देखो यही जो टोकंस हैं अब किसमें कन्वर्ट हो गया है? वेक्टर्स में। और यही जो प्रोसेस होता है वो कहलाता है एंबेडिंग का। जहां पे क्या
करते हैं हम लोग? पर्टिकुलर टोकंस को वेक्टर्स के अंदर चेंज करते हैं। तो एंबेडिंग सिर्फ रेंडम नंबर्स नहीं होता। इसके अंदर प्रॉपर जो मीनिंग होता है वो कैप्चर होता है। अब ये अगर तुमको देख के लग रहा है कि यार ये तो कुछ भी कुछ भी जैसे आई है तो कुछ भी कुछ भी यहां पे हम लोग क्या डाल दिए? नंबर्स डाल दिए। ये
नंबर कुछ भी नहीं है। ये नंबर कॉन्टेक्स्ट को समझता है। जैसे मान लो दो मेरे पास वर्ड हैं। एक वर्ड है मेरे पास लिखा हुआ किंग और दूसरा वर्ड है मेरे पास लिखा हुआ क्वीन। तो इन दोनों के जो वेक्टर्स होंगे ना इन दोनों के जो नंबर्स होंगे ना वो आपस में कई हद तक सिमिलर होंगे। क्योंकि किंग और क्वीन कितना रिलेटेबल वर्ड है। राइट?
जैसे मैं दो फ्रूट्स की बात करूं। राइट? तो वो उसके जो वेक्टर्स हैं आपस में बहुत सिमिलर होंगे। उनके बीच का ये जो नंबर्स है ना वो काफी सिमिलर होगा। तो टोकंस जब वेक्टर्स में बदलते हैं तो वेक्टर मतलब ऐसा नहीं कि कुछ भी नंबर डाल दिए। अगर उससे रिलेटेड कोई दूसरा वर्ड आ रहा है तो उसके साथ वो मैच करेगा। उसके बीच में कोई
सिमिलॅरिटी होगी। तो ये जो पूरा का पूरा प्रोसेस है वो प्रोसेस कहलाता है एंबेडिंग का। तो दो स्टेप हमने समझ लिया टोकनाइजेशन और एंबेडिंग। अब हम आगे बढ़ते हैं नेक्स्ट स्टेप की ओर। अब इसके बाद हमारा जो थर्ड स्टेप यहां पे हम देखने वाले हैं वो होता है पोजीशनल इनकोडिंग। पोजीशनल इनकोडिंग मतलब क्या होता है? ट्रांसफार्मर क्या
करता है? पैरेलल प्रोसेसिंग करता है। तो जब वो पैरेलल प्रोसेसिंग करता है तो उसको ना ऑर्डर पता नहीं होता। जैसे एक सेंटेंस है डॉग बाइट्स मैन। ठीक है? तो यहां पे इस सेंटेंस को ऐसे भी लिख सकते हैं डॉग बाइट्स मैन। या फिर इसी को अगर मैं ऐसा लिख दूं मैन बाइट्स डॉग तो यहां पे क्या हुआ है? दोनों में तो सेम वर्ड है। डॉग
इसमें भी है, डॉग यहां भी है, बाइट्स इसमें भी है, यहां भी है, मैन इसमें भी है, यहां भी है। तो यहां पे क्या हो गया? पहला सेंटेंस का मतलब होता है कुछ और। और दूसरे सेंटेंस का मतलब होता है कुछ और। लेकिन इसमें पोजीशन का बहुत बड़ा गेम है। अगर मैं यहां पे बाइट्स वर्ड को सेम रखी हूं। ठीक है? और डॉग और मैन को आगे पीछे
कर दूं तो डॉग ने इंसान को काटा। इंसान ने डॉग को काटा। तो पूरा अर्थ ही बदल गया यहां पे। इसीलिए जब पैरेलल प्रोसेसिंग होता है तो उसको ऑर्डर का पता नहीं होता। तो हमको क्या करना पड़ेगा? एक-एक पोजीशन के बारे में उसको समझाना पड़ेगा। इसीलिए तीसरा नंबर स्टेप होता है पोजीशनल एनकोडिंग का कि यहां पे अलग-अलग जो वर्ड्स
है उसकी एक पोजीशन यहां पे बताई जाए। तो क्या होता है यहां पे? हर एक टोकन जो होता है, हर एक वेक्टर जो हमारा होता है, उसकी पोजीशन को यहां पे दिया जाता है। तो यहां पे हम बता रहे हैं आई जो है इसकी पोजीशन वन है। लव जो वर्ड है इसकी पोजीशन टू है और एआई जो वर्ड है इसकी पोजीशन थ्री है। तो अब ये बात समझ में आ जाती है
ट्रांसफार्मर आर्किटेक्चर में कि आई लव एआई इसमें वन मतलब वन आई की पोजीशनिंग वन है। लव की टू और एआई की थ्री। तो अब समझ में उसको आ जाएगा। इसलिए जो तीसरा नंबर स्टेप होता है उसमें हम पोजीशनल एनकोडिंग करते हैं कि एक-एक वेक्टर को उसकी पोजीशन के बारे में बताते हैं ताकि उसको पता रहे। फिर उसके बाद हमारा फोर्थ स्टेप आता है जो
कि सबसे इंपॉर्टेंट है। एकदम ध्यान से यहां पे सारे कांसेप्ट्स को आप लोग सुनना। ठीक है? तो यहां पे क्या होता है? हर वर्ड दूसरे सभी वर्ड्स को देखता है। जैसे मैं एक यहां सेंटेंस ले रही हूं। आई लव मशीन लर्निंग। ठीक है? तो एक-एक वर्ड पे फोकस होगा। मान लो अभी मैं फोकस कर रही हूं इस वर्ड लर्निंग पे। तो लर्निंग का मशीन के
साथ में क्या रिलेशन है? लर्निंग के लिए क्या मशीन इंपॉर्टेंट है? लर्निंग के लिए क्या लव इंपॉर्टेंट है? या लर्निंग के लिए क्या आई सबसे ज्यादा इंपॉर्टेंट है? तो हर एक वर्ड को क्या करना पड़ेगा? अटेंशन देना पड़ेगा। और इसी अटेंशन को देने के लिए जो फार्मूला होता है वो ये फार्मूला होता है।
अटेंशन = सॉफ्ट मैक्स q k / डिमेंशंस * v। बहुत बड़ा फार्मूला जो है इसमें फंसना मत कि अरे मैम मैथ्स आ गया है। अब हम कैसे करेंगे? इतना बड़ा आप तो फार्मूला यहां पे लिख दियो। बहुत आसान है यार ये फार्मूला। और हमको ना फार्मूला के झंझट में नहीं पड़ना है। हमको केवल पता होना चाहिए कि ये काम कैसे करता है। जानना
है ना कि ब्लू वर्ड ही क्यों दिखाया। तो वो अभी पता चलने वाला है तुम्हें इसी फार्मूला के थ्रू। तो हम यहां पे बहुत ज्यादा फ़ूला के अंदर कैलकुलेशंस मैं आपको दिखाऊंगी, समझाऊंगी। लेकिन इसको रटना है क्या मैम? मेरे को इस पर्टिकुलर फार्मूला को तो नहीं रटना है क्योंकि हम लोग बचपन से यही करते आए हैं कि हमको फार्मूला रटा
देते थे। हमको आज तक नहीं पता a + b होल स्क्वायर कहां रियल लाइफ में यूज़ होता है। तो ये मैथमेटिकल एक्सप्रेशन है। ज्यादा घबराना नहीं। इसका अभी मैं आपको पूरा एक्सप्लेनेशन समझाती हूं। ठीक है? तो यहां पे आई लव एआई। हम मान लेते हैं अभी के लिए आई एक टोकन है। लव एक है और ए आई एक टोकन है। तो देखो होता क्या है इसमें? घबराना
मत। बस ये देखने में बहुत भारीभारी लग रहा है। समझाऊंगी सब आसान लगेगा। तो ये हमारा मेन फार्मूला हो गया। ठीक बात है? हमने ये देखा था कि हर एक जो हमारा वर्ड है वो क्या होगा? हर एक वर्ड हमारा बनेगा टोकंस में। तो हम यहां पे देख चुके हैं कि भ एक-एक जो हमारा वर्ड है उसमें टोकंस आए थे। ठीक है? तो अभी मान लेते हैं कि आई का
जो हमारा एंबेडिंग के बाद जो टोकन बना है वन जीरो है। लव वर्ड का टोकन बना 0 वन और ए आई वर्ड का टोकन बना वन वन। ठीक है? अभी के लिए हम ये मान लिए हैं। अब होगा क्या? ये जितने भी हमारे वेक्टर्स होते हैं ना हर एक वेक्टर के अंदर तीन चीज बनती है। q k और v। q मतलब होता है हमारा क्वरी। क्वीन q मतलब होता है क्वरी। के मतलब होता
है की और v मतलब होता है वैल्यू। तो आई जो हमारा वर्ड था इसका सबसे पहले क्या हुआ? एक आई लव a आई। तो ये पहला टोकन बना। टोकन को हम किसमें कन्वर्ट करते हैं? हमने बोला था वेक्टर्स में। तो i का वेक्टर है 1 0 लव का वेक्टर है 0 1 ai का वेक्टर है 1 ठीक है पहला प्रोसेस हो गया फिर उसके बाद हम लोगों ने पोजीशनल एनकोडिंग की जिसमें
पता चल गया भाई कि इसकी पोजीशन वन है इसकी पोजीशन टू है और इसकी पोजीशन थ्री है क्लियर है पोजीशनल एनकोडिंग था अब इसके बाद क्या होता है हर एक जो हमारा वर्ड यहां पे रहता है उसके तीन और फॉर्मेट्स बनते हैं उसको बोलते हैं क्वरी की और वैल्यू तो अब यहां पे आई की जो क्वरी बन के आई है मान लो वो 1 0 लव की क्वरी ज़ीरो
वन है। एआई की क्वरी वन वन है। फिर इसके अंदर बनता है की और इसके अंदर बनता है वैल्यू। बस इतना ही ध्यान रखो। और ये जो फार्मूला तुम यहां पे देख रहे हो ना q मतलब होता है यहां पे क्वरी। k मतलब इस फार्मूला में है की और v मतलब है वैल्यू। तो ये जो होते हैं वेक्टर्स उसकी क्वरी की और वैल्यू बन के आती है। केवल इतना हमको
ध्यान रखना है। उसके बाद अब ये जो हमारा फार्मूला है इस फार्मूला में सबसे पहले देखो क्या टर्म लिखा हुआ है? Q लिखा हुआ है और K लिखा हुआ है टू द पावर T तो इसको सबसे पहले ये कैसे कैलकुलेट होता है इसके बारे में बस हम लोग ध्यान देंगे तो यहां पे देखो एक-एक वर्ड का हम लोग जो है जैसे ये वर्ड एi है इसका आई के साथ में कितना
इसको फोकस करना है कितना अटेंशन देना है तो यहां पे हम लोगों ने देखा कि जो वर्ड है हमारा एआई ठीक है ये एआई है हमारा वर्ड सो लेट मी जस्ट ओके शो यू हियर एi जो है उसका एंबेडिंग क्या है वन वन वन वन दिख रहा है ना यहां तो AI है यहां पे वन वन। इसको हम लोग देखेंगे कि AI का i वर्ड के साथ में क्या रिलेशन है। तो इसको
मल्टीप्लाई करेंगे i के साथ। i क्या है? 1 0 तो 1 क्रॉस 1 * 1 0 तो इसको जब आप कैलकुलेट करेंगे तो आंसर आएगा वन। इसी तरीके से एi वर्ड का लव के साथ में क्या रिलेशन है? तो यहां पे हमको आंसर आ रहा है वन। ए आई का ए आई के साथ क्या रिलेशन है? तो आंसर आ रहा है टू। तो एक-एक जो वर्ड था इसका हमने स्कोर निकाल लिया। आई का आई का
स्कोर है वन लव के साथ स्कोर है वन और ए आई के साथ है स्कोर टू तो हम लोगों ने अभी तक क्या इवैल्यूएट किया है ये इवैल्यूएट किया है q k टू द पावर t को ठीक है उसके बाद अब नीचे वाला जो है टर्म रूट ओवर dk d मतलब होता है डायमेंशन तो यहां पे टू डायमेंशंस हैं तो यहां पे हम लोग ले रहे हैं स्क्वायर 2 स्क्वायर 2 की वैल्यू आती
है 1.141 इसी चीज को अब जितने भी हमने यहां पे निकाले थे पहले हमने यहां पे स्कोर निकाला देखो देखो ये स्कोर निकाले ना वन वन और टू है ना सिंपल मल्टीप्लिकेशन से अब इसी को हम लोग यहां पे डाल रहे हैं कि वन वन और टू वन वन और टू इसी को हम लोगों ने डिवाइड किससे कर दिया स्क्वायर रूट से स्क्वायर
रूट ऑफ टू से अब d क्या है d है डायमेंशंस डायमेंशंस मैम आप दो कैसे अपनी मर्जी से ले लिए यहां पे हम जितने भी वेक्टर्स देख रहे हैं 1 0 0 1 1 ये क्या है दो ही डायमेंशन तो है इसलिए हम लोगों ने यहां पे टू डायमेंशन लिया अब इसको जैसे ही हम लोगों ने इससे डिवाइड किया कैलकुलेशन है है ना? qk टू द पावर t लेट मी शो यू गाइज़
हियर। qk पावर t qk पावर tड बाय स्क्वायर रूट था dk का तो ये तो हम लोगों ने निकाला था पहले वाले के लिए आया वन वन और टू अब इसको हमने निकाला तो इसका आंसर है 1.14 तो इसको हम लोगों ने क्या किया डिवाइड कर दिया डिवाइड करने के बाद ये फाइनल मेरे को रिजल्ट मिल रहा है और इसी रिजल्ट को अगर मैं प्रोबेबिलिटी
में बदलती हूं तो यहां से मेरे को पता चलता है कि भई जो अटेंशन वर्ड है इसकी प्रोबेबिलिटी है 24% आई की प्रोबेबिलिटी है 24% % लव की प्रोबेबिलिटी है 24% और एआई की प्रोबेबिलिटी है 50.3% इसका मतलब आई लव एआई में सबसे ज्यादा फोकस किसको करना है? एआई को तो प्रोबेबिलिटी यहां पे एआई की सबसे ज्यादा थी। इसलिए एआई
पे फोकस किया गया। और यही रीज़न था कि जब हम लोग अभी जेमिनाई पे जाके द स्काई डैश किए तो उसने मेरे को ब्लू बताया। क्यों? क्योंकि ब्लू की प्रोबेबिलिटी ज्यादा थी। ब्लू वर्ड कहां से आया? ब्लू वर्ड इस तरीके से आया। ये फार्मूला से आया इस अटेंशन मैकेनिज्म के थ्रू आया। क्लियर है? तो ये जो मैकेनिज्म होता है इसी के कारण
हम लोगों को जो प्रोबेबिलिटी मिलती है वो पता चलता है और उसी के कारण वर्ड्स हमारे जनरेट होते हैं। तो ये पूरा का पूरा प्रोसेस होता है। तो अभी है हम स्टेप नंबर फोर में। क्लियर है? अब उसके बाद आगे बढ़ेंगे स्टेप नंबर फाइव में। तो स्टेप नंबर फाइव होता है हमारा मल्टी हेड अटेंशन। एक अटेंशन इनफ नहीं है।
ट्रांसफार्मर मल्टीपल हेड्स यूज़ करता है। जैसे कि डिफरेंट रिलेशनशिप्स लर्न करने के लिए। Apple रिलीज़्ड अ न्यू iPhone। तो यहां पे Apple रिलीज़्ड किया है न्यू iPhone। तो यहां अलग-अलग हेड्स क्या है? जैसे कंपनी की अंडरस्टैंडिंग, ग्रामर, इसका प्रोडक्ट रिलेशन, सेंटेंस स्ट्रक्चर। तो हर एक अलग-अलग तरीके से जैसे हम लोग
अगर कोई आइडिया सोचते हैं तो हम अलग-अलग तरीके से सोचने की कोशिश करते हैं ना यार कि जैसे मान लो मैं अपना एक स्टार्टअप शुरू करना चाहती हूं। तो मैं सोचूंगी मेरे स्टार्टअप के बारे में कस्टमर क्या सोचेगा? मार्केटिंग वाले को कैसे काम करना चाहिए? तो मैं तो एक ही इंसान हूं लेकिन मैं अलग-अलग तरीके से सोच रही हूं। इसी
तरीके से ट्रांसफार्मर के अंदर भी मल्टी हेड अटेंशन है कि भ हर डायमेंशन में सोचो उस वर्ड के बारे में उस सेंटेंस के बारे में। फिर उसके बाद आता है स्टेप नंबर सिक्स जहां पे हम लोग ऐड और नॉर्मलाइज करते हैं। अटेंशन के बाद रेसिडुअल कनेक्शन लेयर नॉर्मलाइजेशन यूज़ होता है। जब हम लोग डीप नेटवर्क के थ्रू काम करते हैं तो हमको
क्या करना है? ट्रेनिंग को और स्मूथ बनाना है। तो उसके लिए हम लोग क्या करते हैं? ऐड और नॉर्मलाइज़ करते हैं यहां पे हमारे जो भी वेक्टर्स होते हैं उनको। फिर स्टेप नंबर सेवन होता है फीड फॉरवर्ड नेटवर्क। इसका मतलब होता है अब हर टोकन इंडिपेंडेंटली क्या करेगा? स्मॉल न्यूरल नेटवर्क। हर अब हर टोकन इंडिपेंडेंटली
स्मॉल न्यूरल न्यूरल नेटवर्क के पास होता है। तो इसका बेसिकली ऑब्जेक्टिव क्या होता है? इसका पर्पस ये होता है कि मॉडल को नॉन लीनियर इंटेलिजेंस देना। तो यहां पे वन एनकोडर ब्लॉक होता है। उसके अंदर ये सारे प्रोसेस होते हैं। फिर डिकोडर के पास जाता है और उसके बाद फाइनली हमको यहां पे रिजल्ट देखने मिलता है। तो ये जो पूरा का
पूरा प्रोसेस होता है उसके थ्रू हम लोगों को लास्ट में फाइनली पता चलता है कि एआई कोडिंग और म्यूजिक मान लो कोई मैं जनरेट करवाना चाहती हूं वर्ड। तो यहां पे अगला वर्ड मेरा जो एआई सिस्टम है वो तभी जनरेट करेगा जब प्रोबेबिलिटी कैलकुलेट होगी। अगर एआई की प्रोबेबिलिटी 80% है तो मेरे को एi जनरेट करके देगा। अगर कोडिंग की
प्रोबेबिलिटी 10% है तो ये नहीं जनरेट होगा। म्यूजिक की प्रोबेबिलिटी 10% है तो ये जनरेट नहीं होगा। तो जब भी तुम चैट जीपीटी जेमिनाई यूज़ करते हो तो और तुम जैसे ही यहां पे प्र्प्ट देते हो फटाफट फटाफट यहां पे वर्ड्स आना शुरू हो जाते हैं। जनरेट होना शुरू हो जाता है। किस बेस पे जनरेट होता है? एक-एक वर्ड
प्रोबेबिलिटी के बेस में जनरेट होता है। प्रोबेबिलिटी कैसे आती है? प्रोबेबिलिटी इस पूरे के पूरे एट स्टेप को जब हम लोग फॉलो करते हैं तब हम लोग पहुंचते है प्रोबेबिलिटी तक। तो अब ये जो पूरा का पूरा फ्लो था पहले हम टेक्स्ट देते हैं। टेक्स्ट किस में बदलता है? टोकंस में बदलता है। उसके बाद टोकंस को हम किस में
बदलते हैं? वेक्टर्स में। तो ये प्रोसेस कहलाता है एंबेडिंग। फिर हर एक वेक्टर को बताना है भ तेरी पोजीशन क्या है? तो हम बताते हैं पोजीशनल एनकोडिंग। फिर हमने देखा सेल्फ अटेंशन जहां पे प्रोबेबिलिटी कैलकुलेट होती है जो फार्मूला हमने देखा। तो ये होता है सेल्फ अटेंशन। यही डिसाइड करता है कि कौन सा वर्ड पूरे सेंटेंस में
इंपॉर्टेंट है। फिर हमने देखा कि भ मल्टी हेड अटेंशन सेल्फ अटेंशन तो है। अब अलग-अलग डायमेंशन में भी सोचना जरूरी है। तो सेल्फ हेड अटेंशन। फिर हमने देखा कि फीड फॉरवर्ड उसको और इजी बनाने के लिए और जब ये पूरा प्रोसेस हो जाता है उसके बाद जाता है इनेशन एनकोडर के पास। फिर एनकोडर के पास से जाता है ये डिकोडर के पास और
फाइनली हमारा जो वर्ड है वो प्रिडिक्ट होता है। तो ये पूरा का पूरा मेन टेक्नोलॉजी का एस्पेक्ट होता है। तब जाके कोई वर्ड हमारा जनरेट होता है। कितना आसानी से अभी हमने इन सारी बातों को समझा। यही चीज अगर मैं इस वीडियो के स्टार्टिंग में ही आपको ये डायग्राम दिखा देती तो शायद ये पूरा वीडियो ही आप नहीं देखते
क्योंकि आपको लगता कि ये तो बहुत टफ चीज है यार। इतना बड़ा है ये। यही काम होता है टेक्नोलॉजी के अंदर। यही पूरा का पूरा आर्किटेक्चर का फ्लो है जिसको अभी हमने समझा लेकिन हमने समझा आसान भाषा में तो देखो यही सब समझे ना अभी हम लोग कि इनपुट होता है एंबेडिंग होती है पोजीशनल इनकोडिंग होती है फिर उसके बाद में फीट
फॉरवर्ड होता है मल्टी हेड अटेंशन होता है पोजीशनल इनकोडिंग होती है आउटपुट आता है सिंपल यही चीज तो अभी हम समझे सॉफ्ट मैक्स इसी सॉफ्ट मैक्स को अभी हम लोगों ने फार्मूला के अंदर देखा है तो ये इतना आसान चीज है बस देखने में हमको बहुत भयानक लगता है इसलिए हम पढ़ नहीं पाते हैं तो ये था पूरा का पूरा टेक्नोलॉजी वाला पार्ट जहां
पे हमने सोच यहां पे सीखा कि ट्रांसफार्मर एनकोडर डिकोडर सेल्फ अटेंशन ये किस तरीके से काम करता है। ये पूरा प्रोसेस कैसे रन करता है। तो आई एम होपिंग दैट कि ये टेक्नोलॉजी का एस्पेक्ट आपको समझ आया होगा और अगली बार जब जब आप चैट जीपीटी जेमिनाई क्लॉड कुछ भी यूज करेंगे तो आपको पता होगा कि जो बर्ड्स जनरेट होते हैं वो कैसे
जनरेट होते हैं? उसके पीछे का मैथ्स क्या है? उसके पीछे की टेक्नोलॉजी क्या है? सो दैट्स ऑल अबाउट दिस टेक्नोलॉजिकल पार्ट। तो एआई का क्या-क्या पोटेंशियल है ये तो अब हम देख चुके हैं। अब लेट्स से मेरे को एक और यूज़ केस यहां पे देखना है जिसके लिए मैं परप्लेक्सिटी का यूज़ करूंगी। परप्लेक्सिटी बेस्ट है रिसर्च करने के
लिए। तो हम यहां पे परप्लेक्सिटी का रिसर्च के लिए यूज़ करने वाले हैं। इसके बाद नेक्स्ट मुझे यहां पे एक अपने स्टार्टअप के लिए लेट्स सपोज़ मैं यहां पे एक स्टार्टअप बिल्ड करना चाहती हूं। मेरा जो स्टार्टअप है कोई फिटनेस स्टार्टअप मैं बिल्ड करना चाहती हूं हेल्थ केयर के डोमेन में। तो इस स्टार्टअप को बिल्ड करने सबसे
पहले मेरे को रिसर्च करवाना होगा। उसके लिए मैं परप्लेक्सिटी का यूज करूंगी। उसके बाद इस स्टार्टअप को बिल्ड अगर मुझे करना है तो लेट्स से उसके लिए मेरे को एक वेबसाइट या एक एप्लीकेशन डेवलप करना है। तो इसके लिए हम लोग यहां पे यूज़ करेंगे Google AI स्टूडियो का और इसी स्टार्टअप के लिए मेरे को एक मार्केटिंग की
प्रेजेंटेशन बनानी है। तो इसके लिए हम लोग यूज़ करेंगे नोशन AI का। तो एक-एक करके इस पूरे टास्क को एग्जीक्यूट करना हम शुरू करते हैं। सबसे पहले किसी भी स्टार्टअप को बिल्ड करने के पहले आपको रिसर्च करवाना पड़ेगा। तो हम लोग यहां पर बनाना चाहते हैं। आई वांट टू स्टार्ट एन एआई फिटनेस स्टार्टअप इन इंडिया। तो हमें यहां पर
रिसर्च करवानी है परप्लेक्सिटी में कि फिटनेस का मार्केट ट्रेंड क्या है? बेस्ट फिटनेस ऐप और कॉम्पिटिट कौन-कौन है? क्या-क्या प्रॉब्लम्स लोग फेस कर रहे हैं? क्या एआई फीचर डालना चाहिए? बेस्ट बिज़नेस मॉडल क्या होगा? YouTube और Instagram के मार्केटिंग आइडियाज क्या है? प्राइिंग कितना होना चाहिए? और एमवीपी का फीचर क्या
होना चाहिए? इसके साथ-साथ मेरे को ये भी चाहिए ग्रोथ स्ट्रेटजी, मोनेटाइजेशन आईडिया, टेक्स्ट टैग क्या होना चाहिए? हर एक चीज पर मैं स्टार्टअप के लिए रिसर्च करवाना चाहती हूं। तो सिंपली यहां पर डिटेल प्र्ट मैंने लिख दिया है। यह प्र्ट आपको आपको मैंने नोट्स में भी प्रोवाइड किया है। तो आप जाके चेक आउट जरूर करिएगा।
अब जैसे ही हम लोगों ने यहां पर प्र्प्ट दिया तो हम यहां पर देख पा रहे हैं कि हमारे पास यहां पर रिसर्च वर्क जो है वो होना यहां पे शुरू हो चुका है। तो अभी हम यहां पे थोड़ा सा वेट करते हैं कि रिसर्च होने के बाद क्या इनसाइड्स हमें देखने के लिए मिलने वाला है। तो हम यहां देख सकते हैं कि फिटनेस का मार्केट जो है वो काफी
बड़ा मार्केट है। 15% सीएजीआर से ये मार्केट ग्रो कर रहा है। की कॉम्पिटिटर्स हैं। हेल्थाई मी फिटर फिटनेस पैल जैसे कॉम्पिटिटर्स हैं। इसके बाद यहां पे फिटनेस ऐप में क्या-क्या हम लोगों को फीचर्स देना चाहिए? उसके अलावा यहां पर क्या-क्या जर्नी होनी चाहिए? लोग क्या-क्या प्रॉब्लम्स फेस कर रहे हैं?
लोगों के पास डिसिप्लिन नहीं है। कोई फिटनेस ऐप यूज करता है लेकिन छोड़ देता है फिर उसको यूज़ करना। तो ये सारी प्रॉब्लम्स लोग फेस कर रहे हैं। एआई में आप क्या-क्या फीचर्स दे सकते हैं? आप वॉइस फेस्ड होम कोच दे सकते हैं। एआई मील सिंपलीफायर दे सकते हैं। तो ये कंप्लीट आपका बिनेस प्लान कैसे होना चाहिए? पूरी
डिटेल्स इनसाइड रिसर्च हमारे पास यहां पे परफ्लेक्सिटी की मदद से हो पा रहा है। हम देख पा रहे हैं कि अगर मैं कोई वेबसाइट बनाऊंगी, ऐप बनाऊंगी तो पूरी रिसर्च मैंने यहां पे कर ली है। अब इसी रिसर्च के बेस पे मेरे को समझ आ गया कि ये ऐप मेरा काम कर सकता है। इसका मार्केट बहुत बड़ा है। सारा इनसाइट मुझे रिसर्च वर्क मेरा हो
चुका है। अब इसी ऐप को बिल्ड करने के लिए हम चलेंगे कहां पे? Google AI स्टूडियो के अंदर। और यहां पे हम डेवलप करेंगे अपना एक वेब एप्लीकेशन। तो इसके लिए सिंपली हम लोगों को प्र्प्ट देना पड़ेगा। प्र्ट क्या है? तो ये प्र्ट मैंने आपको नीचे प्रोवाइड किया हुआ है। इसे आप जाकर चेक आउट करिएगा।
तो यहां पे सिंपली हम लोगों को एक कंप्लीट जो है वेबसाइट जो है एक एप्लीकेशन और वेबसाइट हमको यहां पे बिल्ड करना है। तो लेट्स से यहां पे मैंने यहां जाके सिंपली जो प्र्प्ट है ये दिया यहां पे और जाके हम प्र्प्ट देने के बाद बिल्ड कंट्रोल पे लाइक हमने प्र्ट दे दिया है। तो मेरे को यहां पे एक एआई फिटनेस स्टार्टअप की
वेबसाइट चाहिए। वेबसाइट का डिज़ाइन मॉडर्न होना चाहिए। लुक मिनिमल होना चाहिए। इसके साथ-साथ यहां पे मोटिवेशनल जो हमारी वेबसाइट का लुक होना चाहिए मोटिवेशनल होना चाहिए। इस वेबसाइट में मेरे को हीरो सेक्शन चाहिए, फीचर्स चाहिए, डाइट प्लानर्स चाहिए, टेस्टीिमोनियल चाहिए, प्राइिंग चाहिए। हमारे पास ये डार्क थीम
में बन के आए। ऑडियंस जो है वो ज़ी ऑडियंस को और वर्किंग प्रोफेशनल्स को हमको टारगेट करना है। ये कंप्लीट डिटेल प्र्ट हमने यहां पे दे दिया है। और जैसे ही हमने यहां पे डिटेल प्र्ट दिया है, हम यहां पे जाके चेक आउट कर पाएंगे। Google AI स्टूडियो अपना काम शुरू कर चुका है और थोड़े ही देर में हमारे पास यहां पे बन के आ जाएगी
हमारी डिटेल वेबसाइट। तो हम वेट करते हैं कि किस तरीके से वेबसाइट यहां पे हमें मिलने वाली है। इसके बाद हम लोग नेक्स्ट अपने एआई टूल की तरफ मूव करेंगे जिसका नाम है नोशन एआई। ऑलराइट। तो फाइनली हम यहां देख सकते हैं कि हमारी वेबसाइट जो है नोटबुक एलएम के अंदर हमारा क्रिएट हो के आ चुका है। इसको सिंपली मैं आपको फुल
स्क्रीन पे यहां पे करके दिखाती हूं। तो हम यहां पर देख सकते हैं पर्सनलाइज कोचिंग पावर मेटाबॉलिक इंटेलिजेंस ये फिटनेस रिलेटेड हमारी वेबसाइट बन के आ चुकी है। इंटरेक्टिव प्लानर है। यहां पे आपके पास वीडियो प्ले करने का ऑप्शन है। डिज़ फॉर एथलेटिक्स राइट और कंप्लीट यहां पे एफएस तो एक स्ट्रक्चर जैसी वेबसाइट होना चाहिए।
वो कंप्लीट वेबसाइट हमारे पास है। एआई टूल्स के अंदर हमारे पास पूरे टूल्स शोकेस हो रहे हैं। काइनेटिक स्कैनर प्राइिंग कैलकुलेटर। तो यहां पे कंप्लीट एक वेबसाइट जैसी होनी चाहिए। एक फिटनेस वेबसाइट वो हमारे पास बन के आ चुकी है। अलग-अलग डिवाइसेस में लेट्स से अगर मेरा ये मोबाइल ऐप की तरह हमें कुछ चाहिए तो मोबाइल में
इंटरफ़ेस उसका कुछ इस तरीके से देखने मिलने वाला है। तो एक ऐप कन्वर्ज़ के फॉर्मेट में भी हमको ये देखने मिल रहा है। साथ के साथ अगर हम टैबलेट में देखें तो टैबलेट में कुछ इस तरीके से हमें इस वेबसाइट के को देखने के लिए मिलेगा। सो दैट्स ऑल अबाउट इट कि हम किस तरीके से अलग-अलग चीजों को एक्सप्लोर करके अपने प्रोडक्ट्स डेवलप कर
सकते हैं एआई की मदद से। तो लेट्स से अब हमारे पास यह वेबसाइट बन के आ चुकी है। अब हम अल्टीमेटली यह चाहते हैं कि मेरे पास ना इस फिटनेस का जो स्टार्टअप मैं एआई फिटनेस का करना चाहती हूं। उसके लिए मेरे को कंप्लीट एक पीपीटी बनानी है। मार्केटिंग प्रोफेशनल मार्केटिंग प्रेजेंटेशन मुझे चाहिए। इसके लिए हम लोग
यहां पे यूज़ करने वाले हैं नोशन एआई का। इस पीपीटी के अंदर मुझे क्या-क्या स्लाइड्स चाहिए? तो यहां पे लिखा हुआ है कि इस पीपीटी में मुझे प्रॉब्लम स्लाइड, स्यूशन, प्रोडक्ट फीचर्स, मार्केट अपॉर्चुनिटी, कंपिटिटर कंपैरिजन, बिनेस मॉडल और इसके साथ-साथ कंप्लीट ग्रोथ प्लान, विज़न ये सब कुछ चाहिए। प्रेजेंटेशन
का स्टाइल जो है वो मॉडर्न होना चाहिए। मिनिमल होना चाहिए, डार्क थीम पे होना चाहिए। इसके साथ-साथ यहां पे हम लोग एक स्लाइड के टाइटल्स, विजुअल सजेशन होना चाहिए और एक स्टार्टअप का पिच डेक मुझे यहां पे चाहिए। राइट? तो सिंपली हम लोग यहां पे ये जाके प्र्प्ट देते हैं नोशन एआई को और यहां पर हम फाइनली देख पाएंगे
कि किस तरीके से हमें पीपीटी का आउटपुट यहां पर देख के मिलने वाला है। सो लेट्स जस्ट वेट फॉर द फाइनल रिजल्ट हियर। तो यहां पे हमारे पास हमारे डेक के फाइनल कंटेंट बन के आ चुके हैं। इसको अगर हम लोग सिंपली जाके यहां पे अगर देखें। सो हियर वी कैन सी दैट द कंप्लीट डेक का प्रॉपर स्ट्रक्चर प्लानिंग रिसोर्स ये सब कुछ
हमारे पास बनके आ चुका है। तो इस तरीके से हमारा जो वर्क फ्लो है वो काफी ज्यादा आसान बनता है। तो इस तरीके से हमने देखा कि भ अगर हमें रिसर्च वर्क करवाना है, वेबसाइट बिल्ड करना है, इमेजज़ जनरेट करना है, वीडियोस क्रिएट करना है, डेटा रिसर्च करना है, डेटा एनालिसिस करना है। ये सब कुछ हो पा रहा है हमारे पास। अब हर एक एआई
के पास कैपेबिलिटी है। जहां हम हर तरीके के यूज़ केसेस एप्लीकेशनेशंस को यूज़ कर सकते हैं। सो आई एम होपिंग दैट ये कांसेप्ट आपको समझ में आया होगा। ऑलराइट। तो मुझे लगता है कि जो कंप्लीट हमारा आज का वीडियो था द अल्टीमेट एआई गाइड का उसमें आपने प्रैक्टिकल भी सीखा होगा, टेक्नोलॉजी को भी अंडरस्टैंड किया होगा और
उससे एप्लीकेशनेशंस भी बिल्ड किया होगा। लेकिन इसके साथ ही अगर कोई भी चाहता है कि मेरे को और एक नेक्स्ट लेवल पे लेके जाना है चीजों को। मेरे को एआई की हेल्प से इनकम जनरेट करनी है। अगर मैं स्टूडेंट हूं, फ्रेशर हूं। मेरे को जॉब चाहिए या ऑलरेडी जो वर्किंग प्रोफेशनल है वो चाहते हैं कि हम एआई के टाइम पे अपने आप को
अपग्रेड कर पाएं। तो इसीलिए एआई फॉर एवरीवन का जो कंप्लीट कोहर्ट है वो अब मैं आपके लिए लेके आ चुकी हूं। जहां पे ये सारे मॉड्यूल्स जो हम देख रहे हैं जहां पे आपको सर्टिफिकेट के साथ सारे टूल्स कवर कराए जाएंगे। 50 से ज्यादा टूल्स हैं। अगर आपके पास एक नॉर्मल सा मोबाइल है, टैबलेट है, लैपटॉप है तो भी आप अपनी जर्नी को
शुरू कर सकते हैं। क्योंकि एआई सीखना ना अब कोई सर्वाइवल स्किल के लिए सबसेेंट है। अब ऐसा ऑप्शनल नहीं है कि एआई सीखूं या ना सीखूं। एआई सीखना ही पड़ेगा अगर ग्रो करना है तो। इसलिए ये कंप्लीट कोहर्ट मैं आपके लिए ला चुकी हूं और पूरी ईमानदारी के साथ मैंने इस फोहट के अंदर पूरे लेक्चर्स आपको
पढ़ाए हैं। ये सारे लेक्चर्स आप इज़ली जाके अनलॉक कर सकते हैं। जब आप अनलॉक करेंगे तो पूरा कोर्स एक साथ अनलॉक होगा आपका। केवल और केवल 3499 में कूपन कोड्स लिमिटेड है। कूपन कोड्स आप लोग चेक आउट कर सकते हैं। तो आपका डेफिनेटली मुझे पार्टिसिपेशन जब इसको हॉट में रहेगा तो और बेटर तरीके से हम सीखो
चीजों को सीख पाएंगे। क्योंकि जब एक ग्रुप में पढ़ने की एनर्जी होती है वो काफी अलग होती है। सो दैट्स ऑल फॉर दिस पर्टिकुलर वीडियो। इसके साथ ही नेक्स्ट वीडियो के अंदर YouTube के अंदर हमारी मुलाकात होगी। सो तब तक स्टे क्यूरियस एंड कीप लर्निंग।
Every video on Helicopterstour.com is hand-picked and reviewed by Justin — nothing is added automatically. Each one gets an original written guide and an honest rating: ⭐ 1 out of 2 means a good video worth your time, and ⭐⭐ 2 out of 2 means a great one we would recommend to anyone. The videos belong to their creators — every page links back to the original channel so you can subscribe and support them.
