6.0 भाग 6 का परिचय: कृत्रिम बुद्धिमत्ता
कृत्रिम बुद्धिमत्ता एक शोध नवीनता से एक मुख्य क्षमता बन गई है जिसे अब बड़े संगठनों से ज़िम्मेदारी से और पैमाने पर तैनात करने की अपेक्षा की जाती है। यह भाग पूरे जीवनचक्र से होकर गुज़रता है: यह तय करना कि AI कहाँ लागू करने योग्य है, ऐसे मशीन लर्निंग सिस्टम इंजीनियर करना जो प्रोडक्शन के संपर्क में टिके रहें, जनरेटिव मॉडल पर एप्लिकेशन बनाना, सॉफ़्टवेयर विकास में ही मदद के लिए AI का उपयोग करना, निष्पक्षता और जवाबदेही के लिए अपनी बाध्यताओं को पूरा करना, और इन सबको जो विशेष इन्फ्रास्ट्रक्चर चाहिए उसे चलाना। एक विचार हर अध्याय को जोड़ता है: मॉडल शायद ही कभी सबसे कठिन हिस्सा होता है। सबसे कठिन हिस्सा है वह इंजीनियरिंग, गवर्नेंस, और ऑपरेशनल अनुशासन जो इसके इर्द-गिर्द होता है।
बड़ी टीमों के लिए, पैमाना और जड़ता दांव बढ़ाते हैं। एक बुरी तरह फ़्रेम की गई पहल बजट जला सकती है, कुशल इंजीनियरों का ध्यान भटका सकती है, और सार्वजनिक रूप से विफल होने पर विश्वास को कम कर सकती है। एक अच्छी तरह चुनी गई पहल एकरसता को स्वचालित कर सकती है और उस डेटा से अंतर्दृष्टि सामने ला सकती है जिस तक आप पहले कभी नहीं पहुँच सकते थे। सैकड़ों डेवलपर्स और दर्जनों मॉडल में, निगरानी में छोटी आदतें और छोटी कमियाँ संगठनात्मक परिणामों में जुड़ जाती हैं। यही कारण है कि साझा प्लेटफ़ॉर्म, डिफ़ॉल्ट, और मानदंड किसी भी एक चतुर समाधान से ज़्यादा मायने रखते हैं।
एंटरप्राइज़ और सरकारी संदर्भ तीखी बाधाएँ जोड़ते हैं, और वे हर अध्याय में चलती हैं। सार्वजनिक निकायों को खर्च को उचित ठहराना होता है, पारदर्शिता की गारंटी देनी होती है, ग़ैर-क़ानूनी भेदभाव से बचना होता है, और नियामकों तथा जनता के प्रति जवाबदेह रहना होता है। खरीद नियम एकल-स्रोत लॉक-इन को मना कर सकते हैं और व्याख्या-योग्यता तथा निकास विकल्पों की माँग कर सकते हैं। उभरता हुआ कानून जैसे EU AI Act (AI सिस्टम का यूरोपीय संघ का जोखिम-स्तरीय विनियमन) और मानक जैसे NIST AI जोखिम प्रबंधन फ्रेमवर्क और ISO/IEC 42001, एक प्रमाणन-योग्य AI-प्रबंधन-प्रणाली मानक, जोखिम के अनुसार श्रेणीबद्ध आवश्यकताएँ लागू करते हैं। इन सेटिंग में, अनुपालन, ऑडिट-योग्यता, पुनरुत्पादनीयता, और डेटा सॉवरेनिटी प्रथम-श्रेणी आवश्यकताएँ हैं, बाद के विचार नहीं।
इस भाग में अध्याय
6.1 AI रणनीति और तैयारी: यह तय करने का अनुशासन कि AI कहाँ लागू करें, कहाँ इससे बचें, और पहला मॉडल प्रोडक्शन तक पहुँचने से पहले कौन सी डेटा, प्रतिभा, और गवर्नेंस नींव मौजूद होनी चाहिए।
6.2 मशीन लर्निंग इंजीनियरिंग (MLOps): कोड प्लस डेटा प्लस मॉडल की तीन-भाग वाली वास्तविकता में सॉफ़्टवेयर कठोरता लाना, ताकि ML सिस्टम एकल-उपयोग डेमो के बजाय पुनरुत्पादनीय, अवलोकन-योग्य, और रखरखाव-योग्य हों।
6.3 जनरेटिव AI और LLM एप्लिकेशन: कॉन्टेक्स्ट प्रबंधन, रिट्रीवल-संवर्धित ग्राउंडिंग, गार्डरेल (रनटाइम जांच जो मॉडल इनपुट और आउटपुट को सीमित करती है), और कठोर मूल्यांकन के माध्यम से संभाव्यता-आधारित भाषा मॉडल के आसपास भरोसेमंद एप्लिकेशन इंजीनियर करना।
6.4 AI-सहायता प्राप्त सॉफ़्टवेयर विकास: स्पष्ट मानदंडों, अच्छे डिफ़ॉल्ट, मज़बूत सत्यापन, और सुरक्षा तथा लाइसेंसिंग पर ध्यान के माध्यम से गुणवत्ता कम किए बिना थ्रूपुट बढ़ाने के लिए AI कोडिंग सहायकों का उपयोग करना।
6.5 उत्तरदायी और भरोसेमंद AI: ऐसे सिस्टम बनाना जो निष्पक्ष, पारदर्शी, जवाबदेह, सुरक्षित, और गोपनीयता का सम्मान करने वाले हों, और प्रभावित लोगों तथा नियामकों को यह सब प्रदर्शित करने में सक्षम होना।
6.6 AI इन्फ्रास्ट्रक्चर और संचालन: लागत-प्रभावी, विश्वसनीय, और अवलोकन-योग्य ढंग से AI वर्कलोड की माँग वाले दुर्लभ एक्सेलेरेटर, वेक्टर स्टोरेज (सिस्टम जो समानता खोज के लिए डेटा को संख्यात्मक वेक्टर के रूप में इंडेक्स करते हैं), और सर्विंग लेयर का प्रावधान और संचालन करना।
6.7 AI एजेंट और एजेंटिक सिस्टम: ऐसा सॉफ़्टवेयर बनाना जो एक भाषा मॉडल को टूल, मेमोरी, और एक लक्ष्य के साथ एक लूप में उपयोग करके कार्रवाई करता है, और इसे सीमित स्वायत्तता, न्यूनतम-विशेषाधिकार टूल एक्सेस, ह्यूमन-इन-द-लूप अनुमोदन, प्रॉम्प्ट इंजेक्शन के विरुद्ध गार्डरेल, और गैर-नियतात्मक व्यवहार के कठोर मूल्यांकन के माध्यम से सुरक्षित रूप से करना।
6.8 AI मूल्यांकन और टेस्टिंग: मूल्यांकन-चालित विकास, प्रतिनिधि मूल्यांकन सेट और कार्य-उपयुक्त मीट्रिक्स, कैलिब्रेटेड LLM-ऐज़-जज और मानव समीक्षा, रेड-टीमिंग, सतत एकीकरण में रिग्रेशन गेट, और प्रोडक्शन में गुणवत्ता तथा ड्रिफ्ट की निगरानी के माध्यम से AI को भरोसेमंद बनाना।
6.9 प्रॉम्प्ट इंजीनियरिंग और कॉन्टेक्स्ट डिज़ाइन: प्रॉम्प्टिंग को इंजीनियरिंग के रूप में मानना, संरचित प्रॉम्प्ट, फ़्यू-शॉट और चेन-ऑफ़-थॉट तकनीकों, अनुशासित कॉन्टेक्स्ट बजटिंग और रिट्रीवल, संरचित आउटपुट और टूल कॉलिंग के साथ, और प्रॉम्प्ट को कोड की तरह वर्ज़न्ड, समीक्षित, और मूल्यांकित करना।
ये अध्याय कैसे आपस में जुड़े हैं
ये अध्याय मिलकर एक जीवनचक्र बनाते हैं जो इरादे से लेकर संचालन तक चलता है। अध्याय 6.1 रणनीति और तैयारी निर्धारित करता है, यह फ़्रेम करते हुए कि कौन सी समस्याएँ बिल्कुल AI को उचित ठहराती हैं और आपको पहले किन नींवों की आवश्यकता है। अध्याय 6.2 क्लासिकल मशीन लर्निंग के लिए इंजीनियरिंग रीढ़ प्रदान करता है, जबकि अध्याय 6.3 जनरेटिव मॉडल के विशिष्ट पैटर्न को कवर करता है, जहाँ व्यवहार एक ट्रेनिंग चरण के बजाय प्रॉम्प्ट और पुनः प्राप्त कॉन्टेक्स्ट द्वारा आकार लेता है। अध्याय 6.4 AI को सॉफ़्टवेयर विकास की कला पर ही लागू करता है, और अध्याय 6.6 वह कंप्यूट, स्टोरेज, और सर्विंग सबस्ट्रेट प्रदान करता है जिस पर हर अन्य अध्याय निर्भर करता है। अध्याय 6.5 जानबूझकर अंतिम शब्द नहीं है बल्कि एक निरंतर साथी है: उत्तरदायी-AI बाध्यताएँ रणनीति को आकार देती हैं, मॉडल चयन को सीमित करती हैं, परिनियोजन को गेट करती हैं, और पूरे समय इन्फ्रास्ट्रक्चर निर्णयों को सूचित करती हैं।
यह धागा रणनीति से MLOps से जनरेटिव AI से AI-सहायता प्राप्त विकास से उत्तरदायी AI से इन्फ्रास्ट्रक्चर तक चलता है, लेकिन इसे एक सीधी रेखा के बजाय एक जाल के रूप में सोचें। MLOps और इन्फ्रास्ट्रक्चर पुनरुत्पादनीयता, लागत, और सर्विंग के इर्द-गिर्द सरोकार साझा करते हैं, इसलिए अध्याय 6.2 और अध्याय 6.6 को साथ पढ़ना सबसे अच्छा है। उत्तरदायी AI अध्याय 6.1 में रणनीति से वापस जुड़ता है और अध्याय 10.5 में नैतिकता तथा सार्वजनिक हित के व्यापक उपचार की ओर आगे जाता है, और यह अध्याय 4.5 में गोपनीयता तथा डेटा-सुरक्षा प्रैक्टिस पर निर्भर करता है। इस गाइडबुक की व्यापक इंजीनियरिंग नींव पूरे भाग को आधार देती हैं: अध्याय 8.1 में सतत डिलीवरी, अध्याय 9.2 में ऑब्ज़र्वेबिलिटी और निगरानी, अध्याय 2.4 में टेस्टिंग रणनीति, और अध्याय 2.5 में कोड समीक्षा, ये सभी AI को अच्छी तरह करने के लिए पूर्वशर्त हैं। AI ठोस सॉफ़्टवेयर इंजीनियरिंग की जगह नहीं लेता। यह इसे सही करने के दांव को बढ़ाता है।