AI terms बिना jargon के समझाए

एक बहुत पढ़ा-लिखा assistant। एक LLM billions of pages of text पर trained है — books, articles, websites, code, conversations — और उसने language के patterns इतनी अच्छी तरह सीख लिए हैं कि human-sounding new text generate कर सकता है। यह चीजों को आपकी तरह “जानता” नहीं है। यह next most likely word predict करता है, बार-बार, incredibly तेज़ी से। लेकिन result इतना अच्छा है कि difference अक्सर academic होता है।

एक word का टुकड़ा। AI आपकी तरह words नहीं पढ़ती — वो text को “tokens” में break करती है, जो chunks होते हैं जो एक whole word, word का part, या एक single character भी हो सकते हैं। “Hello” जैसे common words usually एक token होते हैं। Longer words split हो जाते हैं: “extraordinary” लगभग 3 tokens बन जाता है। Rule of thumb: 1 token ≈ 0.75 words, या लगभग 4 characters।

Context window conversation के दौरान AI अपनी working memory में कितना total text hold कर सकती है उसकी total amount है। आपने जो कुछ कहा, जो कुछ उसने कहा, plus कोई भी document जो आपने paste किया — सब कुछ context window में fit होना चाहिए। एक बार conversation window से exceed करती है, AI earlier parts को “भूलना” शुरू कर देती है।

AI के लिए आपके instructions। एक prompt इतना simple हो सकता है जितना “France की capital क्या है?” या इतना complex जितना examples, constraints और formatting requirements के साथ multi-paragraph instructions का एक set। आपके prompt की quality response की quality में सबसे बड़ा factor है।

जब एक AI model आपके prompt को process करता है और output generate करता है, उसे inference कहते हैं। Model खुद एक बार train हुआ था (जिसमें weeks या months लगे और millions of dollars)। उसके बाद जब भी आप इसे use करते हैं, यह inference कर रहा है — जो सीखा उसे आपके specific input पर apply कर रहा है। Training को school जाने जैसा और inference को exam देने जैसा सोचें।

एक parameter (usually 0 से 1) जो control करता है कि AI के responses कितने predictable या creative हैं। Temperature 0 पर AI हमेशा next most likely word choose करती है — reliable, consistent, कभी-कभी boring। Temperature 1 पर यह randomness introduce करती है, less obvious words choose करती है, जो more creative और varied output की तरफ ले जाता है। इसे “strict accountant” और “jazz musician” के बीच एक slider के रूप में सोचें।

AI hallucination तब होती है जब model ऐसी information generate करता है जो authoritative और plausible sound करती है लेकिन completely fabricated होती है। यह झूठ नहीं बोल रहा (intention नहीं है) — यह predict कर रहा है कि plausible-sounding text कैसा दिखता है, और कभी-कभी वो prediction reality से match नहीं करती। Fake citations, invented statistics, non-existent URLs और confident-but-wrong factual claims सब hallucinations हैं।

एक pre-trained LLM लेना और उसे specialized dataset पर आगे train करना ताकि वो specific task पर बेहतर हो जाए। Base model पहले से language जानता है; fine-tuning उसे आपके domain के particular patterns सिखाता है। यह generally smart किसी को hire करके फिर job-specific training देने जैसा है।

Model ने training के दौरान जो सीखा सिर्फ उस पर depend करने के बजाय, RAG AI को answer देने से पहले specific documents के set में search करने देता है। यह पहले relevant information retrieve करता है, फिर जो मिला उसके आधार पर answer generate करता है। यह factual questions के लिए hallucinations को dramatically reduce करता है क्योंकि AI real source material से काम कर रही है, सिर्फ memory से नहीं।

एक embedding text के एक piece को numbers की list (एक “vector”) में convert करता है जो उसका meaning capture करता है। Similar texts को similar numbers मिलते हैं। यह AI को semantic search करने देता है — documents find करना जो same topic के बारे में हैं, भले ही वो completely different words use करते हों। यह वो technology है जो RAG, recommendation systems और smart search को power करती है।

वो organization जो AI model को train, host और serve करती है। जब आप Claude use करते हैं, provider Anthropic है। जब आप GPT-4 use करते हैं, provider OpenAI है। जब आप Gemini use करते हैं, Google है। Providers model के owner हैं, GPUs चलाते हैं और pricing set करते हैं। कुछ providers अपने खुद के models बनाते हैं (Anthropic, Google); दूसरे अलग teams द्वारा बनाए गए models host करते हैं (Together.ai, Fireworks)।

एक company जो अपनी खुद की AI नहीं चलाती बल्कि किसी और की API पर एक product build करती है। कुछ wrappers genuine value add करते हैं — better interfaces, billing features, multi-provider access। दूसरे बस markup और एक logo के साथ API access resell करते हैं। Key question है: wrapper क्या value add करता है? अगर answer “कुछ नहीं” है, तो आप बस extra pay कर रहे हैं।

एक platform की markup पricing pay करने के बजाय, आप provider से directly अपनी खुद की API key लेते हैं (जैसे Anthropic या OpenAI) और उसे platform में plug करते हैं। आप provider को उनकी wholesale rates पर directly pay करते हैं, और platform सिर्फ interface provide करता है। यह अपनी ingredients एक restaurant में लाने जैसा है जो full meal price के बजाय cooking fee charge करती है।

एक multimodal AI multiple types of content process और generate कर सकती है: text, images, audio, video या code। Early AI text-only थी — आप type करते थे, वो type करती थी। Modern multimodal models एक image को देख और describe कर सकते हैं, audio सुन और transcribe कर सकते हैं, या text description लेकर image generate कर सकते हैं। Trend ऐसे models की तरफ है जो सब कुछ handle करें।

AI models को external tools और data sources से connect करने का एक standard way। बस chat करने के बजाय, AI web search कर सकती है, databases query कर सकती है, files पढ़ सकती है, code execute कर सकती है, APIs call कर सकती है और real world में actions ले सकती है। MCP define करता है ये connections कैसे काम करते हैं ताकि कोई भी compatible tool किसी भी compatible model के साथ काम करे। इसे AI के लिए USB के रूप में सोचें — एक universal plug जो आपको कोई भी tool connect करने देता है।