ಪ್ರತಿ ವಾರ, ಮತ್ತೊಂದು AI ಸಾಧನ ಸುದ್ದಿಯ ಮುಖಪುಟಗಳನ್ನು ಆಕ್ರಮಿಸುತ್ತದೆ. ವಿದ್ಯಾರ್ಥಿಗಳು ಸಂಭಾಷಣಾ ಏಜೆಂಟ್‌ಗಳು (conversational agents), ಸ್ವಾಯತ್ತ ವಾಹನಗಳು (autonomous vehicles) ಮತ್ತು ಜನರೇಟಿವ್ ಆರ್ಟ್ (generative art) ನ ಪ್ರದರ್ಶನಗಳನ್ನು ನೋಡುತ್ತಾರೆ ಮತ್ತು ತಕ್ಷಣವೇ ಅದರಲ್ಲಿ ಭಾಗಿಯಾಗಲು ಬಯಸುತ್ತಾರೆ. ಈ ಬಯಕೆ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬಹುದಾದಂತಿದೆ. ನೀವು ಡ್ರ್ಯಾಗ್, ಡ್ರಾಪ್ ಮತ್ತು ಪ್ರಾಂಪ್ಟ್ ಮಾಡುವ ಮೂಲಕ ಕೆಲಸ ಮಾಡುವ ಚಾಟ್‌ಬಾಟ್ ಅನ್ನು ಸಿದ್ಧಪಡಿಸಬಹುದಾದಾಗ, ಲೂಪ್‌ಗಳು (loops) ಮತ್ತು ವೇರಿಯೇಬಲ್‌ಗಳನ್ನು (variables) ಕಲಿಯಲು ತಿಂಗಳುಗಟ್ಟಲೆ ಏಕೆ ಕಳೆಯಬೇಕು? ಆದರೆ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಮೂಲಭೂತ ಅಂಶಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸಿ ವೇಗವಾಗಿ ಮುಂದೆ ಹೋಗುವುದು ನೀವು ಅಂದುಕೊಂಡಿದ್ದಕ್ಕಿಂತ ಬೇಗನೆ ತಲುಪುವ ಒಂದು ಮಿತಿಯನ್ನು (ceiling) ನಿರ್ಮಿಸುತ್ತದೆ.

ಶಾರ್ಟ್‌ಕಟ್ ಏಕೆ ಇಷ್ಟೊಂದು ಆಕರ್ಷಕವಾಗಿ ಕಾಣುತ್ತದೆ

ಪ್ರಸ್ತುತ AI ಮಾರ್ಕೆಟಿಂಗ್ ಅಲೆ ವೇಗಕ್ಕೆ ಹೆಚ್ಚಿನ ಒತ್ತು ನೀಡುತ್ತದೆ. ಲೋ-ಕೋಡ್ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗಳು ಮತ್ತು API ರ್ಯಾಪರ್‌ಗಳು (wrappers) ಒಂದು ಮಧ್ಯಾಹ್ನದೊಳಗೆ ಸಂಭಾಷಣಾ ಇಂಟರ್ಫೇಸ್ ಅನ್ನು ಸಿದ್ಧಪಡಿಸಲು ನಿಮಗೆ ಅವಕಾಶ ನೀಡುತ್ತವೆ. ಆ ಕ್ಷಣಿಕ ಗೆಲುವು ನಿಜವಾದ ಪ್ರಗತಿಯಂತೆ ಭಾಸವಾಗುತ್ತದೆ. ಆದರೂ ಆ ಇಂಟರ್ಫೇಸ್‌ಗಳು ನೀವು ಬರೆಯದ ಮತ್ತು ಒಳಗಿನದನ್ನು ನೋಡಲು ಸಾಧ್ಯವಾಗದ ಮೂಲಸೌಕರ್ಯದ (infrastructure) ಮೇಲೆ ನಿಂತಿವೆ. ಯಾವಾಗ API ನಿಮ್ಮ ಬಳಕೆದಾರರಿಗೆ ಮಿತಿಗಳನ್ನು ಹೇರುತ್ತದೆಯೋ, ಯಾವಾಗ ಮಾಡೆಲ್ ಪ್ರೊಡಕ್ಷನ್‌ನಲ್ಲಿ ತಪ್ಪು ಮಾಹಿತಿ ನೀಡುತ್ತದೆಯೋ (hallucinates), ಅಥವಾ ಮೊಬೈಲ್ ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ಸ್ಪಂದಿಸುವಂತೆ ಮಾಡಲು ಇನ್ಫರೆನ್ಸ್ ಲೇಟೆನ್ಸಿಯನ್ನು (inference latency) ಕಡಿಮೆ ಮಾಡಬೇಕಾದಾಗ, ಮೇಲ್ಮಟ್ಟದ ಜ್ಞಾನವು ನಿಮ್ಮನ್ನು ಅಸಹಾಯಕರನ್ನಾಗಿ ಮಾಡುತ್ತದೆ. ನೀವು ಇತರರು ನಿರ್ಮಿಸಿದ ಸಾಧನಗಳ ಮೇಲೆ ಅವಲಂಬಿತರಾಗುತ್ತೀರಿ, ಅವುಗಳನ್ನು ಸರಿಪಡಿಸಲು ಅಥವಾ ಮರುರೂಪಿಸಲು ಅಸಮರ್ಥರಾಗುತ್ತೀರಿ.

ಪ್ರೋಗ್ರಾಮಿಂಗ್ ನಿಜವಾಗಿಯೂ ನಿಮಗೆ ಏನನ್ನು ನೀಡುತ್ತದೆ

ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಎಂದರೆ ಕಂಪ್ಯೂಟರ್‌ಗಾಗಿ ನಿಖರವಾದ ಸೂಚನೆಗಳನ್ನು ಬರೆಯುವ ಕ್ರಿಯೆ. ವೆಬ್‌ಸೈಟ್‌ಗಳು ಏಕಕಾಲಿಕ ಟ್ರಾಫಿಕ್ ಅನ್ನು ಹೇಗೆ ನಿರ್ವಹಿಸುತ್ತವೆ, ಮೊಬೈಲ್ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು ವಿವಿಧ ಸಾಧನಗಳ ನಡುವೆ ಡೇಟಾವನ್ನು ಹೇಗೆ ಸಿಂಕ್ ಮಾಡುತ್ತವೆ, ಡೇಟಾಬೇಸ್‌ಗಳು ಲಕ್ಷಾಂತರ ದಾಖಲೆಗಳನ್ನು ಯಾವುದೇ ದೋಷವಿಲ್ಲದೆ ಹೇಗೆ ಸಂಗ್ರಹಿಸುತ್ತವೆ ಮತ್ತು ಹಾರ್ಡ್‌ವೇರ್ ವೈಫಲ್ಯದ ನಂತರವೂ ಕ್ಲೌಡ್ ಸಾಫ್ಟ್‌ವೇರ್ ಹೇಗೆ ಲಭ್ಯವಿರುತ್ತದೆ ಎಂಬುದಕ್ಕೆ ಇದೇ ಕಾರಣ. ಅಷ್ಟೇ ಅಲ್ಲದೆ, ಪ್ರತಿಯೊಂದು AI ವ್ಯವಸ್ಥೆಯನ್ನು ಹೇಗೆ ರಚಿಸಲಾಗುತ್ತದೆ, ತರಬೇತಿ ನೀಡಲಾಗುತ್ತದೆ ಮತ್ತು ನಿಯೋಜಿಸಲಾಗುತ್ತದೆ (deployed) ಎಂಬುದಕ್ಕೂ ಇದೇ ಅತ್ಯಗತ್ಯ ಮೂಲಾಧಾರ. ಇದರಿಲ್ಲದೆ, ನೀವು ಎಂಜಿನಿಯರ್ ಅಲ್ಲ. ನೀವು ಕೇವಲ ಇನ್ನೊಬ್ಬರ ಕೆಲಸದ ಬಳಕೆದಾರರು ಮಾತ್ರ.

ಇನ್ನೊಂದೆಡೆ, ಆರ್ಟಿಫಿಶಿಯಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್ (AI) ಎಂಬುದು ಸಾಮಾನ್ಯವಾಗಿ ಮಾನವ ನಿರ್ಧಾರದ ಅಗತ್ಯವಿರುವ ಕಾರ್ಯಗಳನ್ನು ಯಂತ್ರಗಳು ಮಾಡುವಂತೆ ಮಾಡಲು ಗಮನಹರಿಸುವ ಕಂಪ್ಯೂಟರ್ ಸೈನ್ಸ್‌ನ ಒಂದು ಶಾಖೆಯಾಗಿದೆ. ಇದು ಕೋಡ್, ಗಣಿತ ಮತ್ತು ಡೇಟಾವನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ. ಇಲ್ಲಿನ "ಮ್ಯಾಜಿಕ್" ನಿಜವಾದ ಮ್ಯಾಜಿಕ್ ಅಲ್ಲ. ಇದು Python ನಲ್ಲಿ ಸುತ್ತುವರಿದ ಅಂಕಿಅಂಶಗಳು (statistics), ವಿಶೇಷ ಚಿಪ್‌ಗಳ ಮೇಲೆ ಚಲಿಸುವ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಗುಣಾಕಾರ (matrix multiplication) ಮತ್ತು ಎಚ್ಚರಿಕೆಯಿಂದ ಸಿದ್ಧಪಡಿಸಿದ ಟ್ರೈನಿಂಗ್ ಸೆಟ್‌ಗಳಾಗಿವೆ. ಇದರ ಅತಿಯಾದ ಪ್ರಚಾರವನ್ನು ತೆಗೆದುಹಾಕಿದರೆ, ಅದರ ಅಡಿಯಲ್ಲಿ ನೀವು ಸಾಫ್ಟ್‌ವೇರ್ ಎಂಜಿನಿಯರಿಂಗ್ ಅನ್ನು ಕಾಣುವಿರಿ.

ಇವೆರಡರ ನಡುವಿನ ನಿಜವಾದ ವ್ಯತ್ಯಾಸ

ಪ್ರೋಗ್ರಾಮಿಂಗ್ ನಿಮಗೆ ಶೂನ್ಯದಿಂದ ಸೃಷ್ಟಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ನೀಡುತ್ತದೆ. AI ನಿಮ್ಮ ಆ ಸೃಷ್ಟಿಗೆ ಪ್ಯಾಟರ್ನ್ ರೆಕಗ್ನಿಷನ್ (pattern recognition), ಮುನ್ಸೂಚನೆ (prediction) ಅಥವಾ ಜನರೇಷನ್ (generation) ಅನ್ನು ಸೇರಿಸಲು ವಿಶೇಷ ತಂತ್ರಗಳನ್ನು ನೀಡುತ್ತದೆ. ಒಂದು ತಳಹದಿಯಾದರೆ, ಇನ್ನೊಂದು ಅದರ ಮೇಲೆ ನಿರ್ಮಿಸಲಾದ ಮಹಡಿ. ಕಾಂಕ್ರೀಟ್ ಹಾಕುವ ಮೊದಲು ನೀವು ಮೇಲಿನ ಮಹಡಿಯನ್ನು ನಿರ್ಮಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ.

ನಿಮಗೆ ಪ್ರೋಗ್ರಾಮ್ ಮಾಡುವುದು ಹೇಗೆ ಎಂದು ತಿಳಿದಿದ್ದರೆ, ನೀವು ಓಪನ್-ಸೋರ್ಸ್ ಲಾರ್ಜ್ ಲ್ಯಾಂಗ್ವೇಜ್ ಮಾಡೆಲ್ (large language model) ಅಥವಾ ಡಿಫ್ಯೂಷನ್ ಮಾಡೆಲ್ (diffusion model) ಹಿಂದಿನ ಸೋರ್ಸ್ ಕೋಡ್ ಅನ್ನು ಓದಬಹುದು. ಬ್ಲಾಗ್ ಪೋಸ್ಟ್ ಏನು ಹೇಳುತ್ತದೆ ಎಂಬುದನ್ನು ಮಾತ್ರವಲ್ಲದೆ, ಅಟೆನ್ಷನ್ ಮೆಕ್ಯಾನಿಸಮ್‌ಗಳು (attention mechanisms) ಹೇಗೆ ಕಾರ್ಯಗತಗೊಳಿಸಲ್ಪಟ್ಟಿವೆ ಎಂಬುದನ್ನು ನೀವು ನಿಖರವಾಗಿ ನೋಡಬಹುದು. ನಿಮ್ಮ ನಿರ್ದಿಷ್ಟ ಡೇಟಾಸೆಟ್‌ಗಾಗಿ ಲಾಸ್ ಫಂಕ್ಷನ್ (loss function) ಬದಲಾಯಿಸಬೇಕಾದಾಗ ಅಥವಾ ಲರ್ನಿಂಗ್ ರೇಟ್ (learning rate) ಅನ್ನು ಹೊಂದಿಸಬೇಕಾದಾಗ ನೀವು AI ಕೋಡ್ ಅನ್ನು ಎಡಿಟ್ ಮಾಡಬಹುದು. ಅನಿವಾರ್ಯವಾಗಿ ಉಂಟಾಗುವ ದೋಷಗಳನ್ನು ನೀವು ಸರಿಪಡಿಸಬಹುದು. ಟೆನ್ಸರ್ಸ್‌ಗಳ ನಡುವಿನ ಶೇಪ್ ಮಿಸ್‌ಮ್ಯಾಚ್ (shape mismatch), CUDA ಔಟ್-ಆಫ್-ಮೆಮೊರಿ ಕ್ರ್ಯಾಶ್ ಅಥವಾ ನಿಮ್ಮ ಡೇಟಾ ಪ್ರಿ-ಪ್ರೊಸೆಸಿಂಗ್ ಪೈಪ್‌ಲೈನ್‌ನಲ್ಲಿನ ಸೈಲೆಂಟ್ ಬಗ್ ಅನ್ನು ಚಾಟ್‌ಬಾಟ್‌ಗೆ ಪ್ರಾಂಪ್ಟ್ ನೀಡುವ ಮೂಲಕ ಪರಿಹರಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ. ನೀವು ವೇರಿಯೇಬಲ್‌ಗಳನ್ನು ಟ್ರೇಸ್ ಮಾಡಬೇಕು, ಗ್ರೇಡಿಯಂಟ್‌ಗಳನ್ನು (gradients) ಪರೀಕ್ಷಿಸಬೇಕು ಮತ್ತು ಮೆಮೊರಿ ಅಲೋಕೇಶನ್ ಬಗ್ಗೆ ವಿವೇಚಿಸಬೇಕು.

ಹೆಚ್ಚಿನ ವ್ಯವಹಾರಗಳಿಗೆ ಸಾರ್ವಜನಿಕ API ಸುತ್ತ ಒಂದು ಸಾಮಾನ್ಯ ರ್ಯಾಪರ್ ಅಗತ್ಯವಿಲ್ಲ. ಅವರಿಗೆ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ರೋಗಿಗಳ ದಾಖಲೆಗಳು, ಹಣಕಾಸಿನ ಲೆಡ್ಜರ್‌ಗಳು ಅಥವಾ ಉತ್ಪಾದನಾ ಸೆನ್ಸರ್‌ಗಳೊಂದಿಗೆ ಸಂಯೋಜಿತವಾಗಿರುವ ಡೊಮೇನ್-ನಿರ್ದಿಷ್ಟ (domain-specific) ಸಾಧನಗಳ ಅಗತ್ಯವಿದೆ. ಅವರಿಗೆ ಕಟ್ಟುನಿಟ್ಟಾದ ಗೌಪ್ಯತಾ ನಿರ್ಬಂಧಗಳನ್ನು ಗೌರವಿಸುವ ಮತ್ತು ಪ್ರತಿದಿನ ಲಕ್ಷಾಂತರ ಬಾರಿ ಪೇಯ್ಡ್ ಎಂಡ್‌ಪಾಯಿಂಟ್‌ಗಳನ್ನು ಕರೆಯಲು ಅನುಮತಿಸದ ಬಜೆಟ್‌ನಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ವ್ಯವಸ್ಥೆಗಳ ಅಗತ್ಯವಿದೆ. ಇದನ್ನು ನಿರ್ಮಿಸಲು ಮೂಲ ಕೋಡ್ ಬರೆಯುವುದು ಅಗತ್ಯವಾಗಿದೆ.

Python ಇಂದ ಪ್ರಾರಂಭಿಸಿ

ನೀವು AI ಕ್ಷೇತ್ರದಲ್ಲಿ ಕೆಲಸ ಮಾಡಲು ಬಯಸಿದರೆ, Python ಇಂದ ಪ್ರಾರಂಭಿಸಿ. ಅದರ ಸಿಂಟ್ಯಾಕ್ಸ್ (syntax) ಸರಳ ಇಂಗ್ಲಿಷ್‌ನಂತೆಯೇ ಇರುತ್ತದೆ, ಇದು ಆರಂಭಿಕರಿಗೆ ಕಲಿಯುವುದನ್ನು ಸುಲಭಗೊಳಿಸುತ್ತದೆ. ಆ ಸರಳತೆಯನ್ನು ದೌರ್ಬಲ್ಯ ಎಂದು ತಪ್ಪಾಗಿ ಭಾವಿಸಬೇಡಿ. ಆಧುನಿಕ ಮಷೀನ್ ಲರ್ನಿಂಗ್‌ನ ಬೃಹತ್ ಯಂತ್ರೋಪಕರಣಗಳು Python ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿವೆ. TensorFlow, PyTorch, scikit-learn ಮತ್ತು Hugging Face Transformers ಎಲ್ಲವೂ ಇದರ ಮೇಲೆ ನಿರ್ಮಿತವಾಗಿವೆ. ನೀವು Python ಕಲಿಯುವಾಗ, ನೀವು ಕೇವಲ ಒಂದು ಆಟದ ಭಾಷೆಯನ್ನು ಕಲಿಯುತ್ತಿಲ್ಲ. AI ಸಂಶೋಧಕರು ಈ ಕ್ಷೇತ್ರವನ್ನು ಮುನ್ನಡೆಸಲು ಬಳಸುವ ಅದೇ ಸಾಧನವನ್ನು ನೀವು ಕಲಿಯುತ್ತಿದ್ದೀರಿ.

ಒಂದು ಪ್ರಾಯೋಗಿಕ ಮಾರ್ಗಸೂಚಿ (Roadmap)

ನಿಮ್ಮ ಕಲಿಕೆಯನ್ನು ಒಂದು ಕ್ರಮಬದ್ಧವಾದ ಸರಣಿಯಾಗಿ ಪರಿಗಣಿಸಿ, ಎಲ್ಲವನ್ನೂ ಒಟ್ಟಿಗೆ ಕಲಿಯುವ ಪ್ರಯತ್ನ ಮಾಡಬೇಡಿ. ವೇಗವಾಗಿ ಕಲಿಯಲು ಸಹಕಾರಿಯಾದ ಕ್ರಮ ಇಲ್ಲಿದೆ.

Python ಪ್ರೋಗ್ರಾಮಿಂಗ್. ವೇರಿಯೇಬಲ್‌ಗಳು, ಲೂಪ್‌ಗಳು, ಫಂಕ್ಷನ್‌ಗಳು, ಕ್ಲಾಸ್‌ಗಳು ಮತ್ತು ಫೈಲ್ ಹ್ಯಾಂಡ್ಲಿಂಗ್‌ನಲ್ಲಿ ಪರಿಣತಿಯನ್ನು ಪಡೆಯಿರಿ. JSON ಲಾಗ್‌ಗಳನ್ನು ಪಾರ್ಸ್ ಮಾಡುವ ಅಥವಾ ಮೂಲಭೂತ ವೆಬ್ ಪುಟಗಳನ್ನು ಸ್ಕ್ರೇಪ್ ಮಾಡುವ ಸ್ಕ್ರಿಪ್ಟ್‌ಗಳನ್ನು ಬರೆಯಿರಿ. ನೀವು ಒಂದು ಲಿಸ್ಟ್ ಅನ್ನು ಸಾರ್ಟ್ ಮಾಡಲು ಅಥವಾ ಎಕ್ಸೆಪ್ಶನ್‌ಗಳನ್ನು (exceptions) ಸ್ವಚ್ಛವಾಗಿ ನಿರ್ವಹಿಸಲು ಸಾಧ್ಯವಾಗದಿದ್ದರೆ, ನೀವು ಗ್ರೇಡಿಯ

SQL ಮತ್ತು ಡೇಟಾಬೇಸ್‌ಗಳು. ಮಾಡೆಲ್‌ಗಳಿಗೆ ಸ್ವಚ್ಛವಾದ ಡೇಟಾ ಬೇಕು. ನೀವು PostgreSQL ಡೇಟಾಬೇಸ್‌ಗಳಿಂದ ತರಬೇತಿ ಸೆಟ್‌ಗಳನ್ನು (training sets) ಪಡೆಯುತ್ತೀರಿ, ಫೀಚರ್‌ಗಳನ್ನು ಜೋಡಿಸಲು ಟೇಬಲ್‌ಗಳನ್ನು ಒಟ್ಟುಗೂಡಿಸುತ್ತೀರಿ ಮತ್ತು ನಂತರದ ಫೈನ್-ಟ್ಯೂನಿಂಗ್‌ಗಾಗಿ ಬಳಕೆದಾರರ ಸಂವಹನಗಳನ್ನು ಸಂಗ್ರಹಿಸುತ್ತೀರಿ. ಈ ಹಂತವನ್ನು ನಿರ್ಲಕ್ಷಿಸುವುದು ಎಂದರೆ ಡೇಟಾವನ್ನು ನೀವು ನಿಯಂತ್ರಿಸುವ ಒಂದು ರಚನಾತ್ಮಕ ಆಸ್ತಿಯಾಗಿ ನೋಡುವ ಬದಲು, ಕೇವಲ ಮಾಂತ್ರಿಕ ಧೂಳಿನಂತೆ ಪರಿಗಣಿಸುವುದು ಎಂದರ್ಥ.

ಗಣಿತ: ಸಂಖ್ಯಾಶಾಸ್ತ್ರ ಮತ್ತು ಸಂಭವನೀಯತೆ. AI ಅನಿಶ್ಚಿತತೆಯ ನಡುವೆಯೇ ಮುನ್ಸೂಚನೆಗಳನ್ನು ನೀಡುತ್ತದೆ. ನೀವು ವಿತರಣೆಗಳು (distributions), ಸಾಪೇಕ್ಷ ಸಂಭವನೀಯತೆ (conditional probability) ಮತ್ತು ಹೈಪೋಥಿಸಿಸ್ ಟೆಸ್ಟಿಂಗ್ ಅನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬೇಕಾಗುತ್ತದೆ. ಇದು ಇಲ್ಲದಿದ್ದರೆ, ನಿಮ್ಮ ಮಾಡೆಲ್ ನಿಜವಾಗಿಯೂ ಕಲಿಯುತ್ತಿದೆಯೇ ಅಥವಾ ಕೇವಲ ಶಬ್ದವನ್ನು (noise) ನೆನಪಿಟ್ಟುಕೊಳ್ಳುತ್ತಿದೆಯೇ ಎಂದು ನೀವು ನಿರ್ಣಯಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ.

ಮಷೀನ್ ಲರ್ನಿಂಗ್ ಮೂಲತತ್ವಗಳು. ಸೂಪರ್‌ವೈಸ್ಡ್ ಮತ್ತು ಅನ್‌ಸೂಪರ್‌ವೈಸ್ಡ್ ಲರ್ನಿಂಗ್ ಬಗ್ಗೆ ಅಧ್ಯಯನ ಮಾಡಿ. ಯಾವುದೇ ಪೂರ್ವನಿರ್ಮಿತ ಲೈಬ್ರರಿಯನ್ನು ಬಳಸುವ ಮೊದಲು, ಕೇವಲ NumPy ಬಳಸಿ ಶೂನ್ಯದಿಂದ ಒಂದು ಲಿನಿಯರ್ ರಿಗ್ರೆಷನ್ ಮಾಡೆಲ್ ಅನ್ನು ನಿರ್ಮಿಸಿ. ಕೋಡ್ ಮೂಲಕ ಗಣಿತವನ್ನು ಅನುಭವಿಸಿ.

ಡೀಪ್ ಲರ್ನಿಂಗ್. ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳಿಗೆ ಹೋಗಿ. PyTorch ಅನ್ನು ಆಟೋಮ್ಯಾಟಿಕ್ ಡಿಫರೆನ್ಸಿಯೇಷನ್ ಮಾಡಲು ಬಿಡುವ ಮೊದಲು, ಬ್ಯಾಕ್‌ಪ್ರೊಪಗೇಷನ್ ಅನ್ನು ಮ್ಯಾನುಯಲ್ ಆಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ. ಒಳಗಿನ ಪ್ರಕ್ರಿಯೆ ಏನು ನಡೆಯುತ್ತಿದೆ ಎಂಬುದು ನಿಮಗೆ ತಿಳಿದಿರಲಿ.

ಜನರೇಟಿವ್ AI. ಟ್ರಾನ್ಸ್‌ಫಾರ್ಮರ್‌ಗಳು, ಅಟೆನ್ಷನ್ ಮೆಕ್ಯಾನಿಸಮ್‌ಗಳು ಮತ್ತು ಲಾರ್ಜ್ ಲ್ಯಾಂಗ್ವೇಜ್ ಮಾಡೆಲ್ ಆರ್ಕಿಟೆಕ್ಚರ್‌ಗಳ ಬಗ್ಗೆ ಅಧ್ಯಯನ ಮಾಡಿ. ಈಗ ಆ ಆಕರ್ಷಕ ಪರಿಕರಗಳು ಅರ್ಥವಾಗುತ್ತವೆ ಏಕೆಂದರೆ ಅವುಗಳ ಒಳಗಿನ ಕಾರ್ಯವೈಖರಿಯನ್ನು ನೀವು ನೋಡಬಹುದು.

AI ಪ್ರಾಜೆಕ್ಟ್‌ಗಳು. ಎಂಡ್-ಟು-ಎಂಡ್ ಪೈಪ್‌ಲೈನ್ ಅನ್ನು ನಿರ್ಮಿಸಿ. ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಿ, ಅದನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸಿ, ಮಾಡೆಲ್ ಅನ್ನು ತರಬೇತಿಗೊಳಿಸಿ, REST API ಮೂಲಕ ಅದನ್ನು ಪ್ರದರ್ಶಿಸಿ ಮತ್ತು ಇತರರು ಬಳಸಲು ಅದನ್ನು ನಿಯೋಜಿಸಿ (deploy). ಇಲ್ಲಿ ಸಿದ್ಧಾಂತವು ಎಂಜಿನಿಯರಿಂಗ್ ಆಗಿ ಬದಲಾಗುತ್ತದೆ.

ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಮತ್ತು AI ಪಾಲುದಾರರು

ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಮತ್ತು AI ಪ್ರತಿಸ್ಪರ್ಧಿಗಳಲ್ಲ. ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಹಡಗನ್ನು ನಿರ್ಮಿಸಿದರೆ, AI ಅದಕ್ಕೆ ದಿಕ್ಸೂಚಿಯನ್ನು (navigation system) ನೀಡುತ್ತದೆ. ಒಬ್ಬ ಪ್ರೋಗ್ರಾಮರ್ ಫೋಟೋಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವ ಮೊಬೈಲ್ ಆಪ್ ಅನ್ನು ನಿರ್ಮಿಸಬಹುದು. ಅದಕ್ಕೆ AI ಸೇರಿಸಿದರೆ, ಅದು ಸಸ್ಯದ ಪ್ರಭೇದಗಳನ್ನು ಗುರುತಿಸುತ್ತದೆ. ಒಬ್ಬ ಪ್ರೋಗ್ರಾಮರ್ ವಹಿವಾಟುಗಳ ಡೇಟಾಬೇಸ್ ಅನ್ನು ನಿರ್ಮಿಸಬಹುದು. ಅದಕ್ಕೆ AI ಸೇರಿಸಿದರೆ, ಅದು ನೈಜ ಸಮಯದಲ್ಲಿ ವಂಚನೆಯನ್ನು (fraud) ಪತ್ತೆಹಚ್ಚುತ್ತದೆ. ಕ್ರಮವು ಮುಖ್ಯವಾಗಿದೆ. ಮೊದಲು ಹಡಗನ್ನು ನಿರ್ಮಿಸಿ.

ತಿಂಗಳುಗಟ್ಟಲೆ ಸಮಯ ವ್ಯರ್ಥ ಮಾಡುವ ತಪ್ಪುಗಳು

ಮೂಲತತ್ವಗಳನ್ನು ಬಿಟ್ಟುಬಿಡುವುದು ಕಾಪಿ-ಪೇಸ್ಟ್ ಅಭಿವೃದ್ಧಿಗೆ ಕಾರಣವಾಗುತ್ತದೆ. ನೀವು ಆನ್‌ಲೈನ್ ಫೋರಂನಿಂದ ಒಂದು ಸ್ಕ್ರಿಪ್ಟ್ ಅನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತೀರಿ, ಫೈಲ್ ಪಾತ್ ಬದಲಾಯಿಸುತ್ತೀರಿ ಮತ್ತು ಅದರಲ್ಲಿ ಯಶಸ್ಸು ಸಿಗುತ್ತದೆ ಎಂದು ಭಾವಿಸುತ್ತೀರಿ. ಅದು ವಿಫಲವಾದಾಗ, ಏಕೆ ವಿಫಲವಾಯಿತು ಎಂಬ ಬಗ್ಗೆ ನಿಮಗೆ ಯಾವುದೇ ತಿಳುವಳಿಕೆ ಇರುವುದಿಲ್ಲ. ಕೇವಲ AI ಪರಿಕರಗಳ ಮೇಲೆ ಅವಲಂಬಿತರಾಗುವುದು ನಿಮ್ಮನ್ನು ಒಬ್ಬ ನಿರ್ಮಾತೃವನ್ನಾಗಿ ಮಾಡದೆ ಕೇವಲ ಒಬ್ಬ ಆಪರೇಟರ್ ಆಗಿ ಮಾಡುತ್ತದೆ. ನೀವು ಸಾರಾಂಶ ಅಥವಾ ಚಿತ್ರಗಳನ್ನು ಕೇಳಬಹುದು, ಆದರೆ ಇನ್ನೊಂದು ಕಂಪನಿಯು ಸಂಪೂರ್ಣವಾಗಿ ನಿಯಂತ್ರಿಸುವ ಉತ್ಪನ್ನವನ್ನು ನೀವು ಮಾರುಕಟ್ಟೆಗೆ ತರಲು ಸಾಧ್ಯವಿಲ್ಲ. ಗಣಿತವನ್ನು ನಿರ್ಲಕ್ಷಿಸುವುದು ನಿಮ್ಮನ್ನು ಕುರುಡರನ್ನಾಗಿ ಮಾಡುತ್ತದೆ. ನೀವು ಕೇವಲ ಅದೃಷ್ಟದ ಫಲಿತಾಂಶಕ್ಕಾಗಿ ಹೈಪರ್‌ಪ್ಯಾರಾಮೀಟರ್‌ಗಳನ್ನು ಯಾದೃಚ್ಛಿಕವಾಗಿ ಬದಲಾಯಿಸುತ್ತೀರಿ ಮತ್ತು ನಿಮ್ಮ ಕ್ಲಾಸಿಫೈಯರ್ ಎಡ್ಜ್ ಕೇಸ್‌ಗಳಲ್ಲಿ (edge cases) ಏಕೆ ವಿಫಲವಾಗುತ್ತಿದೆ ಎಂಬುದು ನಿಮಗೆ ಅರ್ಥವಾಗುವುದಿಲ್ಲ. ಎಲ್ಲವನ್ನೂ ಏಕಕಾಲದಲ್ಲಿ ಕಲಿಯಲು ಪ್ರಯತ್ನಿಸುವುದು ನಿಮ್ಮ ಗಮನವನ್ನು ಚದುರಿಸುತ್ತದೆ. ಆರಂಭದಲ್ಲಿ ವಿಸ್ತಾರಕ್ಕಿಂತ ಆಳವಾದ ಜ್ಞಾನ ಮುಖ್ಯ. ಒಂದು ಪರಿಕಲ್ಪನೆಯನ್ನು ಆರಿಸಿ ಮತ್ತು ಅದು ನಿಮಗೆ ಸಂಪೂರ್ಣವಾಗಿ ಅರ್ಥವಾಗುವವರೆಗೆ ಅದರೊಂದಿಗೆ ಕುಳಿತುಕೊಳ್ಳಿ.

ಸರಿಯಾದ ಕ್ರಮದಲ್ಲಿ ಪ್ರಾಜೆಕ್ಟ್‌ಗಳನ್ನು ನಿರ್ಮಿಸಿ

ಸಣ್ಣ, ಸ್ಪಷ್ಟವಾದ ಅಪ್ಲಿಕೇಶನ್‌ಗಳೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸಿ. ಗ್ರಾಫಿಕಲ್ ಇಂಟರ್ಫೇಸ್ ಹೊಂದಿರುವ ಕ್ಯಾಲ್ಕುಲೇಟರ್ ಅನ್ನು ನಿರ್ಮಿಸಿ. ಲೋಕಲ್ ಫೈಲ್‌ಗೆ ಡೇಟಾವನ್ನು ಉಳಿಸುವ ಟು-ಡೂ (to-do) ಆಪ್ ಅನ್ನು ರಚಿಸಿ. ಸೃಷ್ಟಿಯ ದಿನಾಂಕಗಳ ಆಧಾರದ ಮೇಲೆ ಸಾವಿರಾರು ಫೋಟೋಗಳ ಹೆಸರನ್ನು ಬದಲಾಯಿಸುವ ಸ್ಕ್ರಿಪ್ಟ್ ಬರೆಯಿರಿ. ಈ ಅಭ್ಯಾಸಗಳು ಸ್ಟೇಟ್ (state) ಅನ್ನು ಹೇಗೆ ನಿರ್ವಹಿಸುವುದು, ಬಳಕೆದಾರರ ಇನ್‌ಪುಟ್ ಅನ್ನು ಹೇಗೆ ನಿಭಾಯಿಸುವುದು ಮತ್ತು ಲಾಜಿಕ್ ಅನ್ನು ಹೇಗೆ ಡಿಬಗ್ ಮಾಡುವುದು ಎಂಬುದನ್ನು ನಿಮಗೆ ಕಲಿಸುತ್ತವೆ.

ಅದರ ನಂತರವಷ್ಟೇ ನೀವು AI-ನಿರ್ದಿಷ್ಟ ಕೆಲಸಗಳನ್ನು ಪ್ರಯತ್ನಿಸಬೇಕು. Convolutional Neural Network ಬಳಸಿ ಬೆಕ್ಕು ಮತ್ತು ನಾಯಿಗಳ ಫೋಟೋಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸಲು ಇಮೇಜ್ ಕ್ಲಾಸಿಫೈಯರ್ ಅನ್ನು ತರಬೇತಿಗೊಳಿಸಿ. ಸಂಭಾಷಣೆಯು ಸುಸಂಬದ್ಧವಾಗಿರಲು ಮೆಮೊರಿ ಬಫರ್ ಹೊಂದಿರುವ ಮತ್ತು ನೇರ API ಕರೆಗಳನ್ನು ಬಳಸುವ ಸರಳ ಚಾಟ್‌ಬಾಟ್ ಅನ್ನು ನಿರ್ಮಿಸಿ. ಕೋಡ್ ಅನ್ನು ಹೇಗೆ ರಚಿಸುವುದು, ದೋಷಗಳನ್ನು (errors) ಹೇಗೆ ನಿಭಾಯಿಸುವುದು ಮತ್ತು ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಅನ್ನು ಹೇಗೆ ಓದುವುದು ಎಂಬುದು ನಿಮಗೆ ಈಗಾಗಲೇ ತಿಳಿದಿರುವುದರಿಂದ ಈ ಬದಲಾವಣೆ ನೈಸರ್ಗಿಕವಾಗಿ ಅನಿಸುತ್ತದೆ.

ನಿಜವಾದ ಸಾರಾಂಶ

ಮೊದಲು ಲಾಜಿಕ್‌ನಲ್ಲಿ ಪರಿಣತಿ ಪಡೆಯಿರಿ. ಕಂಪ್ಯೂಟರ್‌ಗಳಿಗೆ ಮನುಷ್ಯರಂತೆ ಯೋಚಿಸಲು ಕಲಿಸುವ ಮೊದಲು, ಅವು ಹೇಗೆ ಯೋಚಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ಕಲಿಯಿರಿ. ಪ್ರೋಗ್ರಾಮಿಂಗ್‌ನಲ್ಲಿನ ಬಲವಾದ ಅಡಿಪಾಯವು AI ಅನ್ನು ಕೇವಲ ಒಂದು 'ಬ್ಲ್ಯಾಕ್ ಬಾಕ್ಸ್'ನಿಂದ ನೀವು ರೂಪಿಸಬಹುದಾದ, ವಿಮರ್ಶಿಸಬಹುದಾದ ಮತ್ತು ಸುಧಾರಿಸಬಹುದಾದ ಸಾಧನವನ್ನಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ. ಅಲ್ಲಿಯೇ ಸುಸ್ಥಿರ ವೃತ್ತಿಜೀವನಗಳು ನಿರ್ಮಾಣವಾಗುತ್ತವೆ. ಫುಲ್ ಸ್ಟ್ಯಾಕ್ (full stack) ಅನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ನಿರ್ಮಾತೃಗಳು, ಕೇವಲ ಪ್ರಾಂಪ್ಟ್ (prompt) ನೀಡಲು ಮಾತ್ರ ತಿಳಿದಿರುವ ಆಪರೇಟರ್‌ಗಳಿಗಿಂತ ಯಾವಾಗಲೂ ಹೆಚ್ಚು ಕಾಲ ಉಳಿಯುತ್ತಾರೆ.

ಮೂಲ: Programming vs AI: Which Skill Should You Learn First?

ಸಮುದಾಯಕ್ಕೆ ಸೇರಿ: GyaanSetu AI on Telegram