🤖 नमस्कार, हामी CLEVI हौँ।
जनवरी २० देखि २२ तारिखसम्म जेनबुक राष्ट्रिय विश्वविद्यालयद्वारा आयोजित 「2025 JBNU रिसर्च फेयर वीक (Research Fair Week)」 कार्यक्रममा सहभागी भयौँ।
यो जेनबुक राष्ट्रिय विश्वविद्यालयका उत्कृष्ट अनुसन्धान उपलब्धिहरूलाई केन्द्रमा राख्दै उद्योग तथा राष्ट्रिय रणनीतिसँग जोडिएका भविष्यका प्रविधिहरूको दिशा प्रस्तुत गर्ने र उद्योग–शिक्षा–अनुसन्धान–सरकारबीच सहकार्य तथा आदानप्रदानको अवसर सिर्जना गर्ने अर्थपूर्ण कार्यक्रम थियो।
विशेष रूपमा, CLEVI का प्रमुख इ ह्वान-हो २० तारिखमा आयोजित उद्घाटन समारोहमा VIP वक्ताका रूपमा आमन्त्रित हुनुभएको थियो! 👏
त्यो दिनको वातावरणलाई फेरि एकपटक अनुभव गरौँ!
कार्यक्रम सुरु हुनुअघि प्रमुख इ ह्वान-होले व्याख्यानको तयारी गरिरहनुभएको दृश्य हो। उहाँले व्याख्यानलाई अझ सारगर्भित र सजिलो कसरी बनाउने भनेर सोचिरहनुभएको देखिन्छ।
कार्यक्रम सुरु भयो र उद्घाटन समारोह अघि बढ्यो।
सबैभन्दा पहिले, जेनबुक राष्ट्रिय विश्वविद्यालयका एक विद्यार्थीले तत्कालै पूरा गरेको लाइभ कला प्रदर्शनमार्फत कार्यक्रम भव्य रूपमा उद्घाटन गरियो।
पहिलो मुख्य व्याख्यानपछि, दोस्रो मुख्य व्याख्यान “AI लाई भौतिक माध्यम किन आवश्यक पर्छ” भन्ने विषयमा हाम्रो CLEVI का प्रमुख इ ह्वान-होले व्याख्यान दिनुभयो। छोटकरीमा हेरौँ न?
AI ले आखिर कुन तरिकाले संसारलाई बुझ्छ,
वाक्यहरू बनाउँछ र कार्यसमेत गर्न पुग्छ?
हामीले दैनिक प्रयोग गर्ने ChatGPT वा Claude जस्ता ठूला भाषा मोडेलहरू (LLM) ले आखिर कुन सिद्धान्तमा वाक्यहरू बुझ्छन् र बनाउँछन्, त्यसको 'मस्तिष्कभित्र' सँगै हेर्ने प्रयास गरौँ।
- नामको ट्याग लगाउने (Token ID): AI ले पहिले सबै शब्दहरूलाई '५', '८' जस्ता अद्वितीय नम्बर दिएर व्यवस्थापन गर्छ।
- नक्सामा ठेगाना राख्ने (Vector): तर साधारण नम्बरबाट मात्र अर्थ बुझ्न नसकिने भएकाले, प्रत्येक शब्दलाई सयौँ सङ्ख्याले बनेको 'विस्तृत ठेगाना (निर्देशाङ्क)' दिइन्छ।
- छिमेकी खोज्ने: समान अर्थ भएका शब्दहरू (जस्तै: 'the', 'a') यस नक्सामा एकदमै नजिक 'छिमेकी' जस्तै भएर बस्छन्।
त्यसो भए AI ले अर्को शब्द कसरी अनुमान गर्छ?
आधारभूत डेटा रूपान्तरण बुझेपछि, अब यी सङ्ख्याहरू कसरी वास्तविक वाक्यमा परिणत हुन्छन् भन्ने सम्पूर्ण प्रक्रिया हेरौँ। यहाँ "Paris is the city..." भन्ने इनपुट मानौँ।
Tokenizer (टुक्र्याउने): हामीले इनपुट गरेका वाक्यहरू अघि देखेजस्तै tokenizer मार्फत सङ्ख्या (Token ID) मा रूपान्तरण हुन्छन्। "Paris" 1652 नम्बर, "is" 5 नम्बर... यसरी नै।
LLM (विशाल गणक): यी सङ्ख्याहरूको समूह LLM (चित्रमा देखाइएको Bloom मोडेल) नामक विशाल गणकभित्र प्रवेश गर्छ। यहाँ हामीले भर्खरै सिकेको 'भेक्टर' गणनामार्फत सन्दर्भ बुझिन्छ। 'अँ, अहिले पेरिस सहरका बारेमा कुरा भइरहेको रहेछ!' जस्तो।
Logits & Softmax (सम्भाव्यता गणना): गणना पूरा गरेपछि AI ले त्यसपछि आउन सक्ने हजारौँ शब्दका उम्मेदवारहरूलाई अङ्क दिन्छ। त्यसपछि 'सफ्टम्याक्स' नामक फिल्टरमार्फत तिनलाई हामीलाई बुझ्न सजिलो **'सम्भाव्यता'** मा रूपान्तरण गर्छ।
अन्तिम छनोट: दायाँपट्टिको ग्राफ हेर्नुहोस्।
- of → 33.7%
- that → 15.3%
- where → 9.4%
अन्ततः AI ले सम्भाव्यता सबैभन्दा उच्च भएको **'of'** छनोट गरेर "Paris is the city of..." भन्ने वाक्य पूरा गर्दै जान्छ। अनि यही प्रक्रियालाई हजारौँ पटक दोहोर्याउँदै हामीले देख्ने लामो उत्तर निर्माण गर्छ।
निष्कर्षमा, AI का लागि शब्द सम्झनु भनेको अक्षरहरू कण्ठ गर्नु होइन, अर्थको विशाल नक्सामा त्यो शब्द कहाँ बस्छ भन्ने 'ठेगाना' सम्झनुजस्तै हो।
LLM लाई दृष्टि, रोबोट र व्यवहार सिकाइतर्फ विस्तार गर्न सकिन्छ।
अर्थ बुझ्ने, देखेर बुझ्ने र कार्य गर्ने AI।
AI लाई हातखुट्टा दिनु भनेको भाषाबाट पहिचानतर्फ, र अझ अगाडि कार्यतर्फ जाने बुद्धिमत्ताको विस्तार हो।
AI अब विचार वा कल्पनाको क्षेत्रमा मात्र सीमित छैन, कार्यान्वयन र वास्तविकताको चरणमा प्रवेश गरिसकेको छ।
CLEVI को अर्को कदम
CLEVI ले आगामी दिनमा अझ धेरै मानिसहरूले AI प्रविधि वास्तविक संसारमा कसरी काम गर्छ भनेर प्रत्यक्ष अनुभव गर्न सकून् भनेर क्याम्पसभित्र र बाहिरका कार्यशाला, प्रयोगात्मक परियोजना, अनुभवात्मक बुथलगायत विभिन्न अवसरहरू विस्तार गर्दै जाने योजना बनाएको छ।
यस पटकको Jeonbuk National University व्याख्यान विद्यार्थीहरू र हामीबीच जोड्ने अमूल्य पुल बनेझैँ, आगामी दिनमा पनि प्राविधिक र प्रयोगकर्ता, शैक्षिक क्षेत्र र उद्योगबीच पुलको भूमिका निर्वाह गरिरहनेछौँ।