38 KiB
एआईको परिचय
स्केच नोट टोमोमी इमुरा द्वारा
पूर्व-व्याख्यान क्विज
कृत्रिम बुद्धिमत्ता (AI) एउटा रोमाञ्चक वैज्ञानिक क्षेत्र हो जसले कम्प्युटरलाई बुद्धिमानी व्यवहार देखाउन कसरी सक्षम बनाउने भन्ने अध्ययन गर्दछ, जस्तै ती कार्यहरू जुन मानिसहरू गर्नमा कुशल हुन्छन्।
सुरुमा, कम्प्युटरहरू चार्ल्स बैबेज द्वारा संख्याहरूमा काम गर्न र एक निश्चित प्रक्रिया - एल्गोरिदम - अनुसरण गर्न आविष्कार गरिएको थियो। आधुनिक कम्प्युटरहरू, यद्यपि १९औं शताब्दीमा प्रस्तावित मोडेलभन्दा धेरै उन्नत छन्, अझै पनि नियन्त्रण गरिएको गणनाको उही विचार अनुसरण गर्छन्। त्यसैले, यदि हामीलाई कुनै लक्ष्य प्राप्त गर्न आवश्यक चरणहरूको ठ्याक्कै क्रम थाहा छ भने कम्प्युटरलाई कुनै कार्य गर्न प्रोग्राम गर्न सम्भव छ।
फोटो भिक्की सोश्निकोभा द्वारा
✅ व्यक्तिको फोटोबाट उसको उमेर निर्धारण गर्नु एउटा यस्तो कार्य हो जसलाई स्पष्ट रूपमा प्रोग्राम गर्न सकिँदैन, किनभने हामीले यो कार्य गर्दा हाम्रो दिमागमा संख्या कसरी आउँछ भन्ने थाहा छैन।
तर, केही कार्यहरू छन् जसलाई हामीले कसरी समाधान गर्ने भनेर स्पष्ट रूपमा थाहा छैन। व्यक्तिको फोटोबाट उमेर निर्धारण गर्ने कुरा विचार गर्नुहोस्। हामीले यो गर्न सिक्छौं, किनभने हामीले विभिन्न उमेरका मानिसहरूको धेरै उदाहरणहरू देखेका छौं, तर हामीले यो कसरी गर्छौं भनेर स्पष्ट रूपमा व्याख्या गर्न सक्दैनौं, न त हामीले कम्प्युटरलाई यो गर्न प्रोग्राम गर्न सक्छौं। यस्तै प्रकारका कार्यहरू कृत्रिम बुद्धिमत्ता (संक्षेपमा AI) का लागि रुचिकर हुन्छन्।
✅ सोच्नुहोस् केही यस्ता कार्यहरूको बारेमा जुन तपाईंले कम्प्युटरलाई जिम्मा दिन सक्नुहुन्छ र जसले AI बाट फाइदा लिन सक्छ। वित्त, चिकित्सा, र कला क्षेत्रहरूको बारेमा विचार गर्नुहोस् - यी क्षेत्रहरूले आज AI बाट कसरी फाइदा लिइरहेका छन्?
कमजोर एआई बनाम बलियो एआई
| कमजोर एआई | बलियो एआई |
|---|---|
| कमजोर एआई ती एआई प्रणालीहरूलाई जनाउँछ जुन विशेष कार्य वा सीमित कार्यहरूको लागि डिजाइन र प्रशिक्षित गरिएका हुन्छन्। | बलियो एआई, वा कृत्रिम सामान्य बुद्धिमत्ता (AGI), ती एआई प्रणालीहरूलाई जनाउँछ जसमा मानव-स्तरको बुद्धिमत्ता र बुझाइ हुन्छ। |
| यी एआई प्रणालीहरू सामान्य रूपमा बुद्धिमान हुँदैनन्; तिनीहरू पूर्वनिर्धारित कार्यमा उत्कृष्ट हुन्छन् तर साँचो बुझाइ वा चेतनाको अभाव हुन्छ। | यी एआई प्रणालीहरूले कुनै पनि बौद्धिक कार्य गर्न, विभिन्न क्षेत्रहरूमा अनुकूलन गर्न, र चेतना वा आत्म-जागरूकताको रूप लिन सक्छन्। |
| कमजोर एआईका उदाहरणहरूमा सिरि वा एलेक्सा जस्ता भर्चुअल सहायकहरू, स्ट्रिमिङ सेवाहरूद्वारा प्रयोग गरिने सिफारिस एल्गोरिदमहरू, र विशिष्ट ग्राहक सेवा कार्यहरूको लागि डिजाइन गरिएका च्याटबटहरू समावेश छन्। | बलियो एआई हासिल गर्नु एआई अनुसन्धानको दीर्घकालीन लक्ष्य हो र यसले एआई प्रणालीहरूलाई तर्क गर्न, सिक्न, बुझ्न, र फराकिलो कार्य र सन्दर्भहरूमा अनुकूलन गर्न आवश्यक पर्छ। |
| कमजोर एआई अत्यधिक विशेषज्ञ हुन्छ र यसको सीमित क्षेत्रमा मानव-जस्तै संज्ञानात्मक क्षमता वा सामान्य समस्या समाधान क्षमताहरू हुँदैन। | बलियो एआई हाल एक सैद्धान्तिक अवधारणा हो, र कुनै पनि एआई प्रणालीले यो स्तरको सामान्य बुद्धिमत्तामा पुग्न सकेको छैन। |
थप जानकारीको लागि Artificial General Intelligence (AGI) हेर्नुहोस्।
बुद्धिमत्ताको परिभाषा र ट्यूरिङ टेस्ट
बुद्धिमत्ता शब्दसँग व्यवहार गर्दा एउटा समस्या यो हो कि यस शब्दको कुनै स्पष्ट परिभाषा छैन। कसैले तर्क गर्न सक्छ कि बुद्धिमत्ता अमूर्त सोच वा आत्म-जागरूकतासँग सम्बन्धित छ, तर हामी यसलाई सही रूपमा परिभाषित गर्न सक्दैनौं।
बुद्धिमत्ता शब्दको अस्पष्टता बुझ्नको लागि, यो प्रश्नको उत्तर दिन प्रयास गर्नुहोस्: "के बिरालो बुद्धिमान छ?" विभिन्न व्यक्तिहरूले यस प्रश्नको लागि फरक उत्तर दिन्छन्, किनभने यो दाबी सत्य हो वा होइन भनेर प्रमाणित गर्न कुनै सार्वभौमिक रूपमा स्वीकार्य परीक्षण छैन। र यदि तपाईंलाई लाग्छ कि छ - आफ्नो बिरालोलाई IQ परीक्षणमा चलाएर प्रयास गर्नुहोस्...
✅ एक मिनेट सोच्नुहोस् कि तपाईं बुद्धिमत्तालाई कसरी परिभाषित गर्नुहुन्छ। के कुनै कागले भूलभुलैया समाधान गरेर खाना पाउँछ भने त्यो बुद्धिमान हो? के बच्चा बुद्धिमान छ?
जब हामी AGI को बारेमा कुरा गर्छौं, हामीसँग कुनै तरिका हुनुपर्छ जसले हामीले साँच्चै बुद्धिमान प्रणाली सिर्जना गरेका छौं भनेर बताउन सक्छ। एलन ट्यूरिङ ले ट्यूरिङ टेस्ट नामक एउटा तरिका प्रस्ताव गरे, जसले बुद्धिमत्ताको परिभाषा जस्तै काम गर्छ। परीक्षणले दिइएको प्रणालीलाई केही स्वाभाविक रूपमा बुद्धिमान चीजसँग तुलना गर्छ - वास्तविक मानव, र किनभने कुनै पनि स्वचालित तुलना कम्प्युटर प्रोग्रामद्वारा बाइपास गर्न सकिन्छ, हामी मानव अन्वेषक प्रयोग गर्छौं। त्यसैले, यदि कुनै मानवले पाठ-आधारित संवादमा वास्तविक व्यक्ति र कम्प्युटर प्रणालीबीच भिन्नता छुट्याउन असमर्थ छ भने - प्रणालीलाई बुद्धिमान मानिन्छ।
युजिन गुस्टम्यान नामक च्याटबट, जुन सेन्ट पिटर्सबर्गमा विकास गरिएको थियो, २०१४ मा ट्यूरिङ टेस्ट पास गर्न नजिक पुगेको थियो। यसले एउटा चतुर व्यक्तित्व चाल प्रयोग गर्यो। यसले सुरुमा नै घोषणा गर्यो कि यो १३ वर्षको युक्रेनी केटा हो, जसले ज्ञानको अभाव र पाठमा केही असंगतताहरूलाई स्पष्ट पार्छ। बटले ३०% न्यायाधीशहरूलाई ५ मिनेटको संवादपछि यो मानव हो भनेर विश्वस्त गरायो, जुन मेट्रिक ट्यूरिङले २००० सम्ममा मेसिनले पास गर्न सक्ने विश्वास गरेका थिए। तर, यो बुझ्नुपर्छ कि यसले हामीले बुद्धिमान प्रणाली सिर्जना गरेका छौं भन्ने संकेत गर्दैन, वा कम्प्युटर प्रणालीले मानव अन्वेषकलाई मूर्ख बनाएको छ भन्ने होइन - प्रणालीले मानवलाई मूर्ख बनाएको होइन, बरु बट सिर्जनाकर्ताहरूले गरे!
✅ के तपाईं कहिल्यै च्याटबटले तपाईंलाई मानवसँग कुरा गरिरहेको सोच्न मूर्ख बनाएको छ? यसले तपाईंलाई कसरी विश्वस्त गरायो?
एआईका विभिन्न दृष्टिकोणहरू
यदि हामी चाहन्छौं कि कम्प्युटरले मानवजस्तै व्यवहार गरोस्, हामीले कुनै प्रकारले कम्प्युटरभित्र हाम्रो सोच्ने तरिकालाई मोडल गर्नुपर्छ। त्यसैले, हामीले बुझ्न प्रयास गर्नुपर्छ कि केले मानिसलाई बुद्धिमान बनाउँछ।
मेसिनमा बुद्धिमत्ता प्रोग्राम गर्न सक्षम हुन, हामीले हाम्रो आफ्नै निर्णय गर्ने प्रक्रियाहरू कसरी काम गर्छन् भन्ने बुझ्नुपर्छ। यदि तपाईंले अलिकति आत्म-विश्लेषण गर्नुहुन्छ भने, तपाईंले महसुस गर्नुहुनेछ कि केही प्रक्रियाहरू अवचेतन रूपमा हुन्छन् – जस्तै हामीले बिरालोलाई कुकुरबाट छुट्याउन सक्छौं बिना सोचेर - जबकि केही अन्यले तर्क समावेश गर्छन्।
यस समस्याको दुई सम्भावित दृष्टिकोणहरू छन्:
| शीर्ष-तल दृष्टिकोण (प्रतीकात्मक तर्क) | तल्लो-तल दृष्टिकोण (न्यूरल नेटवर्क) |
|---|---|
| शीर्ष-तल दृष्टिकोणले व्यक्तिले समस्या समाधान गर्न तर्क गर्ने तरिकालाई मोडल गर्छ। यसमा मानवबाट ज्ञान निकाल्ने र यसलाई कम्प्युटर-पढ्न मिल्ने रूपमा प्रतिनिधित्व गर्ने समावेश छ। हामीले कम्प्युटरभित्र तर्क मोडल गर्ने तरिका पनि विकास गर्नुपर्छ। | तल्लो-तल दृष्टिकोणले मानव मस्तिष्कको संरचनालाई मोडल गर्छ, जसमा न्यूरोनहरू भनिने धेरै साधारण एकाइहरूको ठूलो संख्या हुन्छ। प्रत्येक न्यूरोनले यसको इनपुटहरूको भारित औसतको रूपमा काम गर्छ, र हामी न्यूरोनहरूको नेटवर्कलाई प्रशिक्षण डेटा प्रदान गरेर उपयोगी समस्याहरू समाधान गर्न प्रशिक्षण दिन सक्छौं। |
बुद्धिमत्ताका लागि अन्य सम्भावित दृष्टिकोणहरू पनि छन्:
-
उद्भवशील, सिनर्जेटिक वा बहु-एजेन्ट दृष्टिकोण जटिल बुद्धिमान व्यवहार धेरै साधारण एजेन्टहरूको अन्तरक्रियाबाट प्राप्त गर्न सकिन्छ भन्ने तथ्यमा आधारित छन्। इभोल्युसनरी साइबरनेटिक्स अनुसार, बुद्धिमत्ता मेटासिस्टम ट्रान्जिसन प्रक्रियामा थप साधारण, प्रतिक्रियात्मक व्यवहारबाट उद्भव हुन सक्छ।
-
इभोल्युसनरी दृष्टिकोण, वा जेनेटिक एल्गोरिदम विकासको सिद्धान्तमा आधारित अनुकूलन प्रक्रिया हो।
हामी यी दृष्टिकोणहरूलाई पाठ्यक्रममा पछि विचार गर्नेछौं, तर अहिले हामी दुई मुख्य दिशाहरूमा केन्द्रित हुनेछौं: शीर्ष-तल र तल्लो-तल।
शीर्ष-तल दृष्टिकोण
शीर्ष-तल दृष्टिकोणमा, हामी हाम्रो तर्कलाई मोडल गर्न प्रयास गर्छौं। किनभने हामी तर्क गर्दा हाम्रो विचारहरूलाई पछ्याउन सक्छौं, हामी यस प्रक्रियालाई औपचारिक बनाउन र यसलाई कम्प्युटरभित्र प्रोग्राम गर्न प्रयास गर्न सक्छौं। यसलाई प्रतीकात्मक तर्क भनिन्छ।
मानिसहरूको टाउकोमा केही नियमहरू हुन्छन् जसले उनीहरूको निर्णय गर्ने प्रक्रियाहरूलाई मार्गदर्शन गर्छ। उदाहरणका लागि, जब डाक्टरले बिरामीको निदान गर्दैछन्, उनी वा उनले महसुस गर्न सक्छन् कि व्यक्तिलाई ज्वरो छ, र त्यसैले शरीरभित्र केही सूजन हुन सक्छ। कुनै विशिष्ट समस्यामा नियमहरूको ठूलो सेट लागू गरेर डाक्टरले अन्तिम निदानमा पुग्न सक्छ।
यो दृष्टिकोण ज्ञान प्रतिनिधित्व र तर्कमा धेरै निर्भर गर्दछ। मानव विशेषज्ञबाट ज्ञान निकाल्नु सबैभन्दा कठिन भाग हुन सक्छ, किनभने धेरै अवस्थामा डाक्टरलाई थाहा हुँदैन कि उनी वा उनले विशेष निदानमा किन आइपुगेका छन्। कहिलेकाहीँ समाधान स्पष्ट सोच बिना नै उनको टाउकोमा आउँछ। केही कार्यहरू, जस्तै फोटोबाट व्यक्तिको उमेर निर्धारण, ज्ञान हेरफेरमा बिल्कुलै घटाउन सकिँदैन।
तल्लो-तल दृष्टिकोण
वैकल्पिक रूपमा, हामी हाम्रो मस्तिष्कभित्रका सबैभन्दा साधारण तत्वहरू – न्यूरोनलाई मोडल गर्न प्रयास गर्न सक्छौं। हामी कम्प्युटरभित्र तथाकथित कृत्रिम न्यूरल नेटवर्क निर्माण गर्न सक्छौं, र त्यसपछि यसलाई उदाहरणहरू दिएर समस्याहरू समाधान गर्न सिकाउन प्रयास गर्न सक्छौं। यो प्रक्रिया नवजात शिशुले आफ्नो वरपरको वातावरणको बारेमा अवलोकन गरेर सिक्ने तरिकासँग मिल्दोजुल्दो छ।
✅ शिशुहरूले कसरी सिक्छन् भन्ने बारेमा अलिकति अनुसन्धान गर्नुहोस्। शिशुको मस्तिष्कका आधारभूत तत्वहरू के हुन्?
ML को बारेमा के? कृत्रिम बुद्धिमत्ताको त्यो भाग जसले केही डेटा आधारित समस्याहरू समाधान गर्न कम्प्युटरलाई सिकाउँछ, त्यसलाई मेसिन लर्निङ भनिन्छ। हामी यस पाठ्यक्रममा शास्त्रीय मेसिन लर्निङलाई विचार गर्नेछैनौं - हामी तपाईंलाई छुट्टै मेसिन लर्निङ फर बिगिनर्स पाठ्यक्रममा सिफारिस गर्छौं।
एआईको संक्षिप्त इतिहास
कृत्रिम बुद्धिमत्ता २०औं शताब्दीको मध्यतिर एउटा क्षेत्रको रूपमा सुरु भएको थियो। सुरुमा, प्रतीकात्मक तर्क एक प्रमुख दृष्टिकोण थियो, र यसले विशेषज्ञ प्रणालीहरू जस्ता केही महत्त्वपूर्ण सफलताहरूलाई जन्म दियो – कम्प्युटर प्रोग्रामहरू जसले सीमित समस्या क्षेत्रहरूमा विशेषज्ञको रूपमा काम गर्न सक्षम थिए। तर, चाँडै यो स्पष्ट भयो कि यस्तो दृष्टिकोण राम्रोसँग विस्तार हुँदैन। विशेषज्ञबाट ज्ञान निकाल्नु, यसलाई कम्प्युटरमा प्रतिनिधित्व गर्नु, र त्यो ज्ञान आधारलाई सटीक राख्नु धेरै जटिल कार्य हो, र धेरै अवस्थामा व्यावहारिक रूपमा धेरै महँगो छ। यसले १९७० को दशकमा तथाकथित एआई जाडो ल्यायो।
छवि दिमित्री सोश्निकोभ द्वारा
जसरी समय बित्दै गयो, कम्प्युटिङ स्रोतहरू सस्ता भए, र थप डेटा उपलब्ध भयो, न्यूरल नेटवर्क दृष्टिकोणहरूले धेरै क्षेत्रमा, जस्तै कम्प्युटर दृष्टि वा भाषण बुझाइमा, मानवसँग प्रतिस्पर्धा गर्न उत्कृष्ट प्रदर्शन देखाउन थाले। पछिल्लो दशकमा, कृत्रिम बुद्धिमत्ता शब्दलाई प्रायः न्यूरल नेटवर्कहरूको पर्यायवाचीको रूपमा प्रयोग गरिएको छ, किनभने हामीले सुन्ने अधिकांश एआई सफलताहरू तिनैमा आधारित छन्।
हामीले कसरी दृष्टिकोणहरू परिवर्तन भए भनेर अवलोकन गर्न सक्छौं, उदाहरणका लागि, चेस खेल्ने कम्प्युटर प्रोग्राम सिर्जना गर्दा:
- प्रारम्भिक चेस प्रोग्रामहरू खोजमा आधारित थिए – प्रोग्रामले निश्चित संख्याका चालहरूको लागि विपक्षीका सम्भावित चालहरूको अनुमान गर्न स्पष्ट रूपमा प्रयास गर्थ्यो, र केही चालहरूमा प्राप्त गर्न सकिने इष्टतम स्थितिमा आधारित इष्टतम चाल चयन गर्थ्यो। यसले तथाकथित अल्फा-बेटा प्रूनिङ खोज एल्गोरिदमको विकासलाई जन्म दियो।
- खोज रणनीतिहरू खेलको अन्त्यतिर राम्रोसँग काम गर्छन्, जहाँ खोज स्थान सीमित सम्भावित चालहरूको सानो संख्याद्वारा सीमित हुन्छ। तर, खेलको सुरुवातमा, खोज स्थान विशाल हुन्छ, र एल्गोरिदमलाई मानव खेलाडीहरू बीचको अवस्थित खेलहरूबाट सिकेर सुधार गर्न सकिन्छ। त्यसपछिका प्रयोगहरूले तथाकथित केस-आधारित तर्क प्रयोग गरे, जहाँ प्रोग्रामले खेलको वर्तमान स्थितिसँग धेरै मिल्दोजुल्दो केसहरू ज्ञान आधारमा खोज्थ्यो।
- आधुनिक प्रोग्रामहरू, जसले मानव खेलाडीहरूलाई जित्छन्, न्यूरल नेटवर्क र प्रबलन शिक्षणमा आधारित छन्, जहाँ प्रोग्रामहरूले केवल आफैंसँग लामो समयसम्म खेल खेलेर र आफ्नै गल्तीहरूबाट सिकेर खेल्न सिक्छन् – मानिसहरूले चेस खेल्न सिक्दा जस्तै। तर, कम्प्युटर प्रोग्रामले धेरै कम समयमा धेरै खेल खेल्न सक्छ, र यसैले धेरै छिटो सिक्न सक्छ।
✅ एआईले खेलेका अन्य खेलहरूको बारेमा अलिकति अनुसन्धान गर्नुहोस्।
त्यस्तै गरी, हामीले "बोल्ने प्रोग्रामहरू" (जसले ट्यूरिङ टेस्ट पास गर्न सक्छ) सिर्जना गर्ने दृष्टिकोण कसरी परिवर्तन भयो भनेर देख्न सक्छौं:
- यस प्रकारका प्रारम्भिक प्रोग्रामहरू, जस्तै एलिजा, धेरै साधारण व्याकरणीय नियमहरू र इनपुट वाक्यलाई प्रश्नमा पुनः-गठनमा आधारित थिए।
- आधुनिक सहायकहरू, जस्तै कोरटाना, सिरि वा गुगल असिस्टेन्ट सबै हाइब्रिड प्रणालीहरू हुन् जसले भाषणलाई पाठमा रूपान्तरण गर्न र हाम्रो उद्देश्यलाई पहिचान गर्न न्यूरल नेटवर्कहरू प्रयोग गर्छन्, र त्यसपछि आवश्यक कार्यहरू गर्न केही तर्क वा स्पष्ट एल्गोरिदमहरू प्रयोग गर्छन्।
- भविष्यमा, हामीले संवादलाई आफैंले ह्यान्डल गर्न पूर्ण न्यूरल-आधारित मोडेलको अपेक्षा गर्न सक्छौं। हालैका GPT र ट्यूरिङ-NLG परिवारका न्यूरल नेटवर्कहरूले यसमा ठूलो सफलता देखाएका छन्।
Image by Dmitry Soshnikov, photo by Marina Abrosimova, Unsplash
हालको एआई अनुसन्धान
न्यूरल नेटवर्क अनुसन्धानमा हालको ठूलो वृद्धि लगभग २०१० तिर सुरु भयो, जब ठूला सार्वजनिक डाटासेटहरू उपलब्ध हुन थाले। ImageNet नामक १४ मिलियन एनोटेटेड छविहरूको ठूलो संग्रहले ImageNet Large Scale Visual Recognition Challenge को जन्म दियो।
Image by Dmitry Soshnikov
२०१२ मा, छवि वर्गीकरणमा पहिलो पटक Convolutional Neural Networks प्रयोग गरियो, जसले वर्गीकरण त्रुटिहरूमा उल्लेखनीय कमी ल्यायो (लगभग ३०% बाट १६.४% सम्म)। २०१५ मा, Microsoft Research को ResNet आर्किटेक्चरले मानव-स्तरको शुद्धता हासिल गर्यो।
त्यसपछि, न्यूरल नेटवर्कहरूले धेरै कार्यहरूमा धेरै सफल व्यवहार देखाएका छन्:
| वर्ष | मानव समानता हासिल गरियो |
|---|---|
| २०१५ | छवि वर्गीकरण |
| २०१६ | वार्तालापात्मक भाषण मान्यता |
| २०१८ | स्वचालित मेसिन अनुवाद (चिनियाँ-देखि-अंग्रेजी) |
| २०२० | छवि क्याप्शनिङ |
पछिल्ला केही वर्षहरूमा, हामीले ठूला भाषा मोडेलहरू, जस्तै BERT र GPT-3, मा ठूलो सफलता देखेका छौं। यो मुख्यतया धेरै सामान्य पाठ डाटा उपलब्ध भएको कारणले सम्भव भएको हो, जसले मोडेलहरूलाई पाठको संरचना र अर्थलाई समात्न, सामान्य पाठ संग्रहहरूमा प्रि-ट्रेन गर्न, र ती मोडेलहरूलाई थप विशिष्ट कार्यहरूको लागि विशेषज्ञ बनाउन अनुमति दिन्छ। हामी यस पाठक्रममा पछि Natural Language Processing को बारेमा थप सिक्नेछौं।
🚀 चुनौती
इन्टरनेटको भ्रमण गरेर तपाईंको विचारमा एआई सबैभन्दा प्रभावकारी रूपमा कहाँ प्रयोग भइरहेको छ भनेर निर्धारण गर्नुहोस्। के यो कुनै म्यापिङ एपमा हो, वा कुनै भाषण-देखि-पाठ सेवा वा भिडियो गेममा? प्रणाली कसरी निर्माण गरिएको थियो भनेर अनुसन्धान गर्नुहोस्।
पोस्ट-व्याख्यान क्विज
समीक्षा र आत्म अध्ययन
यस पाठ पढेर एआई र एमएलको इतिहासको समीक्षा गर्नुहोस्। उक्त पाठको शीर्षमा रहेको स्केच नोटबाट वा यस पाठबाट कुनै एउटा तत्व लिई यसको सांस्कृतिक सन्दर्भलाई बुझ्न थप गहिरो अनुसन्धान गर्नुहोस्।
असाइनमेन्ट: Game Jam
अस्वीकरण:
यो दस्तावेज़ AI अनुवाद सेवा Co-op Translator प्रयोग गरी अनुवाद गरिएको हो। हामी यथासम्भव शुद्धताको प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटि वा अशुद्धता हुन सक्छ। यसको मूल भाषामा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीका लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याका लागि हामी जिम्मेवार हुने छैनौं।