सारांश

अनुच्छेद

एआई डाटामा ढाँचा खोज्ने प्रविधिको परिवार हो। आधुनिक एआईले सोच्दैन; नक्कल गर्छ। यो मूलतः ठूलो परिमाणको गणनाद्वारा फैलाइएको तथ्याङ्क हो। डाटा प्रशस्त हुने र असफलता सस्तो हुने ठाउँमा यो राम्रो काम गर्छ। डाटा र तैनाथी सन्दर्भ नमिल्दा, असफलताले मानवीय मूल्य मागे, वा प्रणालीले कहिल्यै तालिम नपाएको कार्य गर्नुपर्दा यो खराब काम गर्छ। नेपालका लागि सबैभन्दा महत्त्वपूर्ण प्रश्न एआई अपनाउने कि नअपनाउने होइन — यो आइसकेको छ — तर डाटा कहाँबाट आउँछ, प्रणाली कसको नियन्त्रणमा छ, र गलत हुँदा के हुन्छ हो।

त्यो छ अध्यायभर निर्माण भएको कार्यगत परिभाषा हो। बिस्तारै पुन: पढ्नुहोस्। ध्यान दिनुहोस् — यसमा भएको हरेक दाबीलाई हामीले पाठ्यक्रममा कहीँ न कहीँ विस्तारमा आधार दिएका छौं। यो अनुच्छेद कमाउन तपाईंले काम गर्नुभएको छ।

अब के गर्न सक्ने हुनुपर्छ

हामीले तपाईंलाई कोड लेख्न आग्रह गरेका छैनौं। हामीले एआई प्रणालीबारे सोच्ने तरिका विकास गर्न आग्रह गरेका छौं। पाठ्यक्रमले काम गर्‍यो भने तपाईं अब यो गर्न सक्नुपर्छ:

• समस्या एआई समस्या हो कि होइन पहिचान। आउने वर्षको पानी माग पूर्वानुमान गर्न चाहने नगरपालिकालाई तथ्याङ्क चाहिन्छ, डीप लर्निङ होइन। डेलिभरी मार्ग अप्टिमाइज गर्ने कम्पनीलाई खोजी एल्गोरिथम चाहिन्छ। हरेक कुरालाई “एआई” भन्नु बजेट गलत खर्च हुने तरिका हो।
• सम्भाव्यता आउटपुट सही पढ्ने। ९५% विश्वास स्कोर होशियारीपूर्ण तथ्याङ्कीय दाबी हो, फैसला होइन। मोडेलबाट छुट्टै, त्यो सम्भाव्यतामा कुन कार्य गर्ने निर्णय गर्नुहोस्।
• एल्गोरिथमिक पूर्वाग्रह पहिचान। प्रणाली कुन डाटामा तालिम भयो, र त्यो डाटाले प्रयोग गरिने मानिसहरूको प्रतिनिधित्व गर्छ कि गर्दैन सोध्नुहोस्। उत्तर “गर्दैन” भए राम्रोको माग गर्नुहोस्।
• क्षमता र तैनाथी छुट्याउनुहोस्। अनुसन्धान प्रयोगशालामा काम गर्ने क्षमता उत्पादनभन्दा पाँच वर्ष टाढा हुन सक्छ। तैनाथी समय डाटा, नियमन, र प्रोत्साहनमा निर्भर हुन्छ — एल्गोरिथममा मात्र होइन।
• चार सार्वभौमिकता प्रश्न दिमागमा राख्नुहोस्। मोडेल कहाँ चल्छ? भारको स्वामित्व कसको हो? असफल हुँदा जिम्मेवार को छ? बिक्रेता हिँडे के हुन्छ?

केही छोटा बानी

यहाँबाट उपयोगी हुने तीन बानी:

1. मोडेल पछाडिको डाटा ध्यान दिनुहोस्। कसैले एआई आउटपुट देखाउँदा सोध्नुहोस्: मोडेल कुन डाटामा तालिम पायो, र त्यो डाटा कसरी लेबल लगाइयो? उत्तर प्रणालीबारे सबैभन्दा महत्त्वपूर्ण तथ्य हो।

2. सम्भाव्यतालाई बिस्तारै कार्यमा अनुवाद गर्नुहोस्। मोडेल अनिश्चितताबारे इमानदार हुन सक्छ; तैनाथी निर्णय प्राय: हुँदैन। “मोडेलले ७३% भन्यो” र “हामी यसलाई रोक्नेछौं” बीचको अन्तरालमा राम्रो र खराब नीति बस्छ।

3. स्थानीय मूल्याङ्कनमा जोड दिनुहोस्। “सिङ्गापुरमा काम गर्ने” प्रणालीले सिन्धुपाल्चोकमा काम गर्छ देखाएको छैन। स्थानीय फिट प्रमाणित गर्ने भार बिक्रेतामा छ, प्रयोगकर्तामा होइन।

यसपछि कहाँ जाने

यो पाठ्यक्रमले आधार बनायो। क्षमता बनाएन। अघि जान चाहनुहुन्छ भने, के गर्न चाहनुहुन्छ अनुसार उचित अर्को कदम:

• आफ्नो काममा एआई तैनाथ गर्न चाहनुहुन्छ भने, साँचो समस्या हल गर्ने साना एआई प्रणाली खोज्न सुरु गर्नुहोस् — भाषा पहिचान, स्पाम फिल्टरिङ, पुराना कागजातमा OCR। बिक्रेता मूल्याङ्कन गर्न यो पाठ्यक्रमको ढाँचा प्रयोग गर्नुहोस्। नायभ बेजले काम हुने ठाउँमा ट्रान्सफर्मरका लागि पैसा तिर्ने ग्राहक हुन अस्वीकार गर्नुहोस्।

• एआई बनाउन चाहनुहुन्छ भने, हाम्रो आगामी एआई निर्माण पाठ्यक्रम बुझाइबाट निर्माणतर्फ जान्छ। हल्का पाइथन सिफारिस गरिन्छ। हामी नेपाली डाटासेट र साँच्चै शिप हुने साना, उपयोगी प्रणालीमा काम गर्छौं।

• नेपालमा एआई नीति मा प्रभाव पार्न चाहनुहुन्छ भने, अध्याय ६ का चार प्रभाव — काम, निष्पक्षता, भाषा, सार्वभौमिकता — कार्यगत एजेन्डा हुन्। तपाईंले अब पाएको शब्दावली सहभागी हुन पर्याप्त छ। देशलाई नीति बैठकमा इमानदार दाबी र मार्केटिङ छुट्याउन सक्ने थप मानिस चाहिन्छ।

समापन विचार

नेपाल जस्तो देशका लागि जोखिम एआई असफल हुने होइन। एआई — कसैका लागि — सफल हुने हो। अन्यत्र बनेका, यहाँ तैनाथ भएका, कसैका प्रयोगकर्ताका लागि अप्टिमाइज गरिएका, मूल्य अन्यत्र कब्जा भएका प्रणाली। त्यो नतिजा अनिवार्य होइन। तर स्थानीय क्षमता बिना डिफल्ट नतिजा ठ्याक्कै त्यही हो।

यसलाई रोक्ने मानिस हुन्: प्रणाली बुझ्ने मानिस जसले सही प्रश्न सोध्न, सही डाटा लेबल लगाउन, सही बिक्रेता मूल्याङ्कन गर्न, र सही कुरा स्थानीय रूपमा बनाउन सक्छन्। यो पाठ्यक्रमले त्यस्ता धेरै मानिस बनाउन सानो योगदान दिने कोशिस गरेको छ। तपाईं — अन्त्यसम्म पुग्ने पाठक — योगदान हुनुहुन्छ। यहाँबाट लिनुहोस्।

अर्को पाठ्यक्रम, एआई निर्माण, बुझाइबाट निर्माणतर्फ लाने छ। चाँडै सार्वजनिक हुनेछ।