इस सेक्शन का हर लेख "बड़े भाषा मॉडल" से शुरू होता है – लेकिन उससे पहले एक और भी सरल विचार है। "मशीन लर्निंग" वह नींव है, और LLMs मशीन लर्निंग का ही एक प्रकार हैं। तो यह वास्तव में है क्या?
सामान्य तरीका vs सीखने वाला तरीका
आम तौर पर, जब आप कोई प्रोग्राम लिखते हैं, तो आप खुद नियम तय करते हैं। अगर आप चाहते हैं कि प्रोग्राम बताए कि कोई email spam है या नहीं, तो आप सुरागों की एक सूची बनाते हैं: "winner" शब्द है, संदिग्ध link है, सारे अक्षर बड़े (caps) में हैं। आप नियमों को कोड करते हैं, कंप्यूटर उनका पालन करता है।
मशीन लर्निंग इसे उल्टा कर देती है। आप नियम लिखने के बजाय, कंप्यूटर को बहुत सारे उदाहरण दिखाते हैं – हजारों emails जो पहले से ही "spam" या "not spam" के रूप में लेबल किए गए हैं – और कंप्यूटर खुद ही नियम खोज लेता है। आप उसे उत्तर देते हैं, और वह उन उत्तरों को जोड़ने वाले pattern ढूंढ लेता है।
"सीखना" का वास्तव में क्या अर्थ है
एक मॉडल एक ऐसा प्रोग्राम है जिसके अंदर बहुत सारी adjustable संख्याएँ होती हैं। "सीखना" बस उन संख्याओं को इस तरह समायोजित करने की प्रक्रिया है कि मॉडल के अनुमान वास्तविक उत्तरों के करीब आ जाएँ। यह एक loop में काम करता है:
- प्रयास करें: मॉडल एक उदाहरण पर अनुमान लगाता है।
- जाँच करें: अनुमान की तुलना सही उत्तर से करें – वह कितना गलत था?
- समायोजित करें: संख्याओं को थोड़ा सा बदलें ताकि अगली बार गलती थोड़ी कम हो।
- दोहराएँ: इसे लाखों उदाहरणों पर लाखों बार करें।
पर्याप्त बार दोहराने के बाद, मॉडल ने pattern सीख लिए होते हैं – इसलिए नहीं कि उसे बताया गया था "यह नियम है", बल्कि इसलिए कि उत्तरों की ओर समायोजन ही एकमात्र तरीका था जिससे उसकी गलतियाँ कम हुईं।
एक उपयोगी मानसिक मॉडल: ट्रेनिंग बस अनुमान लगाओ, त्रुटि को मापो, समायोजित करो – इतनी बार दोहराई गई कि त्रुटियाँ घटना बंद हो जाएँ। जो बचता है, वही pattern है।
ट्रेनिंग डेटा – वास्तविक सीमा
एक मॉडल उतना ही अच्छा होता है जितने अच्छे उसके उदाहरण थे। अगर आप केवल रेगिस्तान के डेटा पर मौसम का मॉडल ट्रेन करते हैं, तो वह बरसाती जलवायु में ठीक से काम नहीं करेगा। इसीलिए ट्रेनिंग डेटा इतना महत्वपूर्ण है: मॉडल अपने उदाहरणों में जो था उससे ज्यादा नहीं जान सकता, और वह डेटा में मौजूद वास्तविक pattern और संयोग के बीच अंतर नहीं कर पाता।
सभी मशीन लर्निंग एक जैसी नहीं होती
- सुपरवाइज्ड (Supervised): उदाहरणों के साथ सही उत्तर आते हैं (spam / not spam)। यह सबसे आम शुरुआती बिंदु है।
- अनसुपरवाइज्ड (Unsupervised): उदाहरणों में कोई लेबल नहीं होता – मॉडल खुद ही छिपे हुए समूह या संरचना खोजता है।
- रिइन्फोर्समेंट (Reinforcement): मॉडल किसी सिस्टम में चीजें आज़माकर और इनाम या दंड पाकर सीखता है, जैसे ट्रीट देकर कुत्ते को ट्रेन करना।
LLMs सुपरवाइज्ड लर्निंग का ही एक रूप हैं, जहाँ हर उदाहरण का "उत्तर" बस अगला text का टुकड़ा होता है। लेकिन मूल विचार – उदाहरणों से सीखो, फिर अनुमान लगाओ – वही मशीन लर्निंग का विचार है।
यह अभी भी गलतियाँ क्यों करता है
एक मॉडल कुछ भी "समझता" नहीं है; वह बस उदाहरणों से सामान्यीकरण (generalize) करता है। इसलिए वह एक नई स्थिति को आत्मविश्वास के साथ पहले देखे गए pattern से जोड़ सकता है, भले ही वह मिलान गलत हो। इसीलिए एक मॉडल वैध email को spam के रूप में गलत वर्गीकृत कर सकता है, या कोई तथ्य गलत बता सकता है। वह सोच नहीं रहा – वह जो सीखा है उसी से अनुमान (extrapolate) लगा रहा है।
व्यावहारिक निष्कर्ष: मशीन लर्निंग तब शक्तिशाली होती है जब वह अच्छे, प्रासंगिक, प्रतिनिधि उदाहरणों से सीखती है। जब डेटा कम या पक्षपातपूर्ण (biased) होता है, तो मॉडल के अनुमान भी वैसे ही होंगे।
एक वाक्य में सार
मशीन लर्निंग कंप्यूटरों को सिखाने का एक तरीका है – उन्हें बहुत सारे उदाहरण दिखाकर और उन्हें खुद pattern खोजने देना – अनुमान लगाओ, मापो और समायोजित करो के माध्यम से – बजाय इसके कि उन्हें लिखे हुए नियमों की सूची थमा दी जाए।