क्या आपका एआई प्रोजेक्ट असफल है?

Original article was published by Cassie Kozyrkov on Artificial Intelligence on Medium


क्या आपका एआई प्रोजेक्ट असफल है?

यह रही एक चेक्लिस्ट जो आपको गलती करके सीखने की पीड़ा से बचाएगी।

हिंदी अनुवाद: आयुष मिश्रा, (Aayush Mishra)

मूल लेख: कैसी कॉज़ीरकोव (Cassie Kozyrkov)

संपादिका: प्रियंका वरगड़ीआ (Priyanka Vergadia)

अगर आप मशीन लर्निंग(एमएल) या एआई से जुड़ा कोई प्रोजेक्ट शुरू करने वाले हैं, तो इससे पहले कि आप एल्गोरिथम्स, डेटा और इंजीनियरिंग में काम करना शुरू करें, आपको यह चेक्लिस्ट ज़रूर देखना चाहिए। इसे आप अपना एक सलाहकार मित्र मान सकते हैं, जो आपको एआई/एमएल के साथ अपना सफर शुरू करने में मदद करेगा।

एआई पर अपना समय केवल एआई करने के लिए मत बर्बाद कीजिए। बल्कि आपको इस बात से मोटिवेट होना चाहिए कि ये आपके लिए कितना फायदेमंद साबित हो सकता है (और ना कि ये सुनने मे कितना साई-फाई/Sci-fi लगता है इसलिए )।

आपके लिए मैं अपने “एआई के सा अपना सफर शुरू करने की अल्टीमेट गाइड” पर 18 मिनट के इस लेख का सारांश शेयर कर रही हूँ। अगर आप एआई/एमएल के साथ अपना सफर शुरू करने वाले हैं तो मैं ये आशा करती हूँ कि नीचे दिए सभी सवालों के जवाब आप “हाँ” के रूप में ही देंगे।

अगर आपका एक भी जवाब “नहीं” रहा तो आपके प्रोजेक्ट का दृश्य कुछ इस तरह का हो सकता है।

एमएल/एआई के साथ अपनी शुरुआत करने कि तरफ पहला कदम(22 हिस्सों में): आउटपुट, अब्जेक्टिव्स और फीज़ेबिलिटी(किसी काम के होने कि संभावना)

1. सही डेलीगेशन: वो व्यक्ति जो इस प्रोजेक्ट को लीड कर रहा है और इस चेक्लिस्ट को पूरा करेगा, क्या उसे आपके बिज़नेस की अच्छी समझ है? डीसीज़न लेने कि जिम्मेदारी किसी ऐसे व्यक्ति को सौंपिए जिसे बिज़नेस की गहरी को समझता हो और ना कि किसी ऐसे व्यक्ति को जो ढेर सारी एल्गोरिथम का जानकार हो।

2. आउटपुट फोकस्ड आइडीएशन : क्या आप ये समझा सकते हैं कि आपका सिस्टम आउटपुट में क्या रिज़ल्ट देगा और क्या ये किसी काम के भी हैं या नहीं? आपका फोकस इस बात पर होना चाहिए कि आप क्या बना रहे हैं, ना कि उसे कैसे बना रहे हैं। अपने उद्देश्य पर फोकस रखिए ना कि उस तक पहुँचने के रास्ते पर।

3. इन्सीपिरेशन का सोर्स : क्या आपने कम से कम ये सोचा कि डेटा माइनिंग ज़रिए भी आपको संभावित यूज़-केसेस ढूंढने में इन्सीपिरेशन मिल सकता है? जबकि ज़रूरी नहीं है कि ऐसा हो ही, पर ये आपको एक सही रास्ता चुनने में मददगार हो सकता है।

4. एमएल/एआई के लिए उचित काम: क्या आप उस काम के लिए बहुत सारे डिसिज़न/लेबल्स को ऑटोमेट(स्वयं संचालित) कर रहे हैं जहां आपको हर बार देखने पर एक निश्चित जवाब नहीं मिलता है? अगर इसका जवाब “नहीं” है, तो यह एक बड़ा इशारा है कि एमएल/एआई आपके लिए नहीं है।

5. यूऐक्स (UX) के नज़रिए से: क्या आप ये बता सकते हैं कि आपके शुरुआती यूज़र्स कौन रहेंगे? वो आपके आउटपुट का इस्तेमाल किस तरह से करेंगे? अगर आपने अपने शुरुआती यूज़र्स के बारे में नहीं सोचा है तो आप एक खराब डिजाइन कि वजह से परेशानी का सामना कर सकते हैं।

6. एथिकल डेवलपमेंट: क्या आपने उन सभी लोगों के बारे में सोचा है जिन पर आपकी रचना का असर पड़ सकता है? ये खासकर उन सभी टेक्नॉलजी के लिए ज़रूरी है जिनके अंदर बहुत तेज़ी से बढ़ने की क्षमता है।

7. उचित अपेक्षाएँ: क्या आप ये बात समझते हैं कि आपका सिस्टम बहुत बढ़िया हो सकता है, पर वो कभी दोषरहित (फ्लॉलेस) नहीं हो सकता है? क्या आप उसके द्वारा कभी-कभी कि जाने वाली गलतियों को स्वीकार कर पाएंगे? क्या आपने यह सोचा है कि नैतिकता के नज़रिये से इसके क्या मायने हैं?

8. बनाने में संभव: फिर चाहे वो डिसिज़न/लेबल्स कहीं से भी आएं, क्या आप प्रोडकशन के समय इनकी पूर्ति कर सकते हैं? आप इसे जितना बड़ा बनाने का सोच रहे हैं, क्या उसे हासिल करने के लिए इसमें लगने वाले इंजीनियरिंग के संसाधनों को आप इकट्ठा कर पाएंगे?

9. सीखने के लिए डेटा : क्या इसके लिए आपके पास सही इनपुट्स मौजूद हैं? क्या आपकी उस तक पहुँच है? ( अगर वो डेटा अभी मौजूद नहीं भी है तो कोई बात नहीं, पर आपके पास उस तक जल्द पहुँचने का प्लान तैयार ज़रूरी है।)

10. पर्याप्त उदाहरण : क्या आपने एक स्टैटिस्टिशन या मशीन लर्निंग इंजीनियर से इस पर बातचीत की है कि आपके पास जो डेटा मौजूद है वो सीखने के लिए पर्याप्त है या नहीं? पर्याप्त को बाइट्स में नहीं नापा जा सकता है, आप किसी ऐसे व्यक्ति के साथ कॉफी पर जाइए जिसे इस क्षेत्र का अच्छा अनुभव हो और उसके द्वारा बताई गई संख्या के साथ काम करना शुरू करें।

11. कंप्युटर्स : क्या आपके पास पर्याप्त प्रोसेसिंग पावर तक पहुँच है (जो आपके डेटासेट के साइज़ को संभाल सके)? ( क्लाउड टेक्नॉलजी का इस्तेमाल इस सवाल के जवाब में अपने आप ही एक “हाँ” है, उन सभी के लिए जो इसे इस्तेमाल करने के लिए तैयार हैं।)

12. टीम: क्या आपको पूरा भरोसा है कि आप एक ऐसी टीम खड़ी कर पाएंगे जिसमें सभी ज़रूरी क्षमताएं हैं?

13. ज़मीनी सच: जब तक कि आप अनसुपर्वाइस्ड लर्निंग नहीं कर रहे हैं, क्या आपकी आउटपुट्स तक पहुँच है? और अगर नहीं है तो क्या आप लोगों को काम पर रख कर उनसे ये काम (जिसमे उन्हें एक ही काम बार-बार करना होगा) करवा सकते हैं?

14. मानसिक संतुलन बरकरार रखना: ये बता पाना संभव होता है कि कौन सा इनपुट किस आउटपुट के लिए सही रहेगा। मैंने सही कहा ना?

15. क्वालिटी बरकरार रखना: क्या आपको इस बात पर भरोसा है कि ये डेटा-सेट असल में वही है जो इसका सप्लाइअर दावा कर रहा है? ( उदाहरणों से सीखने के लिए आपको अच्छे उदाहरणों की ज़रूरत पड़ती है।)

16. गुमराह करने वाले कर्वस् (curves) : क्योंकि आपके सिस्टम से गलतियाँ होंगी ही, तो एक गलती किसी दूसरी गलती के मुकाबले कितनी खराब है, क्या आपने इस बारे में सोचा है?

17. सिम्यूलेशन (simulation): क्या आपने किसी सिम्यूलेशन एक्सपर्ट के साथ काम करने के बारे में सोचा है, जो आपको यह समझने में मदद करेगा कि सिस्टम असल में काम करता हुआ कैसा नज़र आएगा? ऐसा करना ज़रूरी नहीं है, पर ये उपयोगी साबित होता है।

18. मेट्रिक सिस्टम बनाना: क्या आपने बिज़नेस परफॉरमेंस को नापने के लिए अलग-अलग इन्स्टन्सेस के साथ, आउटपुट रिजल्ट का ऐनेलिसिस करने का कोई मेट्रिक सिस्टम बनाया है?

19. मेट्रिक रिव्यू : क्या आपके बिज़नेस परफॉरमेंस मेट्रिक का रिव्यू इस तरह से हुआ है, जिससे ये सुनिश्चित हो सके कि इसके ज़रिए किसी भी गलत और नुकसान पहुँचाने वाले तरीके को अपना कर एक अच्छा स्कोर नहीं लाया जा सकता है?

20. मेट्रिक-लॉस की तुलना (यहऑप्शनल है ): क्या आपका बिज़नेस परफॉरमेंस मेट्रिक आपके स्टैन्डर्ड लॉस फंक्शन के साथ सही तालमेल रखता है? अगर नहीं तो आप जिस चीज़ की मांग कर रहे है उसे हासिल करना बहुत ही मुश्किल है।

21. पॉप्यूलेशन: क्या आपने इस बारे में गहराई से सोचा है कि आपके सिस्टम को सही तरह से काम करने के लिए कौन से इन्स्टेन्सेस् कि ज़रूरत पड़ेगी? स्टेटिस्टिकल पॉप्यूलेशन आफ इंटेरेस्ट इसी बात को बताता है कि आपको सिस्टम परफॉरमेंस टेस्ट के लिए इन्स्टेन्सेस् के किन समूहों कि ज़रूरत पड़ेगी।

22. मिनिमम परफॉरमेंस: क्या अपने सिस्टम के परफॉरमेंस को जाँचने के लिए आपने एक मिनिमम परफॉरमेंस का पैमाना तय किया है, जिससे अगर आपका सिस्टम उस पैमाने को हासिल करने में असफल रहा तो आप उसे उसी वक्त बंद कर सकें?

जब इन सभी सवालों के जवाब आप “हाँ” में दे सकें, तो फिर तैयार हो जाइए एआई/एमएल की ओर अपना अगला कदम बढ़ाने के लिए। जिसमे शामिल हैं- डेटा और हार्डवेयर (इंजीनियर्स खुश हो जाइए!)। इससे जुड़ी एक गाइड मैं जल्द ही आपसे शेयर करूंगी।

अगर आर्टिकल से आपकी जिज्ञासा शांत नहीं हुई है, तो आप मेरे द्वारा एआई प्रोजेक्ट शुरू करने पर लिखी ये गाइड पढ़ सकते हैं। शुभकामनाएं!