{count, plural, one {कोर्स} other {कोर्स}}
AI Agents परिचय
{hours} घंटा {minutes} मिनट
144.8K
एजेंटिक AI को तेज़ी से विभिन्न उद्योगों में अपनाया जा रहा है, और अब कई नई कंपनियां इस क्षेत्र में विशेषज्ञों की तलाश कर रही हैं। इस लेख में एंट्री- और मिड-लेवल जॉब इंटरव्यू से लिए गए वास्तविक प्रश्न शामिल हैं—कुछ मेरे द्वारा तैयार किए गए—और कुछ ऐसे जो इस क्षेत्र की सामान्य समझ प्रदान करते हैं।
ध्यान रखें कि वास्तविक इंटरव्यू में आपसे पहले कोई प्रैक्टिकल अभ्यास पूरा करने को कहा जा सकता है। आपसे ऐसे कार्यों के प्रति अपने दृष्टिकोण को समझाने के लिए भी कहा जा सकता है, इसलिए उसी के अनुसार तैयारी करें।
यहां कुछ प्रश्न व्यापक विषयों को भी छूते हैं, जो अध्ययन के अतिरिक्त क्षेत्रों की ओर इशारा करते हैं। मैं इंटरव्यू के दौरान प्रामाणिक रहने की भी सलाह देता/देती हूँ—कभी-कभी, सही अनुभव होने के बावजूद, उतना ही महत्वपूर्ण होता है कि आपने अपने उत्तरों पर पहले से विचार किया हो।
बेसिक एजेंटिक AI इंटरव्यू प्रश्न
हम कुछ बुनियादी प्रश्नों से शुरुआत करेंगे जो परिभाषाएँ देते हैं और लेख का टोन सेट करते हैं। इनमें से कुछ में अग्रिम में क्या तैयार करना है, इसके टिप्स भी शामिल हैं।
आपने किन-किन AI एप्लिकेशनों पर काम किया है?
इंटरव्यूअर आपसे आपका अनुभव व्यक्तिगत और विस्तार से सुनना चाहेंगे। वे सिर्फ परियोजनाओं की सूची नहीं देखेंगे—क्योंकि वह तो शायद उन्हें आपके रिज़्यूमे से मिल ही गई होगी—बल्कि यह आँकेंगे कि आप प्रत्येक परियोजना और उसमें अपनी विशिष्ट भूमिका कितनी स्पष्टता से समझा पाते हैं।
अपना उत्तर पहले से तैयार रखें और अपने पिछले कार्य का स्पष्ट समझ रखें। किसी मित्र के साथ अभ्यास करना या लिख लेना आपके विचारों को व्यवस्थित करने में मदद कर सकता है।
किन-किन लाइब्रेरीज़, फ़्रेमवर्क्स और टूल्स के साथ आपका अनुभव है? आपने और किन लाइब्रेरीज़ के बारे में सुना है?
पिछले प्रश्न की तरह, इंटरव्यूअर आपके रिज़्यूमे से परे जानना चाहेंगे। जिन परियोजनाओं पर आपने काम किया है, उनमें उपयोग की गई सभी तकनीकों को समझाते हुए हर परियोजना का ब्रेकडाउन देने के लिए तैयार रहें।
ध्यान रखें कि इस चरण पर आपसे कई फॉलो-अप प्रश्न पूछे जा सकते हैं। नियोक्ता के लिए आपके सटीक कौशल-सेट को समझना महत्वपूर्ण होता है। सुनिश्चित करें कि आप LlamaIndex या LangChain जैसी उच्च-स्तरीय डेवलपमेंट लाइब्रेरीज़ से परिचित हों, क्योंकि ये सबसे आम हैं। साथ ही, Huggingface या Ollama जैसे मॉडल प्रदाताओं के साथ सहज हों।
एजेंटिक AI क्या है, और यह पारंपरिक AI से कैसे भिन्न है?
एजेंटिक AI उन कृत्रिम बुद्धिमत्ता प्रणालियों को संदर्भित करता है जो स्वायत्त रूप से कार्य कर सकती हैं, स्वयं लक्ष्य निर्धारित कर सकती हैं, और बदलते परिवेश के अनुरूप ढल सकती हैं। इसके विपरीत, पारंपरिक AI आमतौर पर पूर्वनिर्धारित नियमों पर काम करता है—इनपुट लेकर आउटपुट देता है।
उदाहरणों के लिए, आप अपने प्रोजेक्ट्स पर चर्चा कर सकते हैं या अन्य एजेंटिक AI एप्लिकेशनों का उल्लेख कर सकते हैं जिनका आपने उपयोग किया है या जिनके बारे में सुना है। प्रत्येक के अधिक गहन विवरण के लिए, मैं एजेंटिक AI पर निम्नलिखित लेख पढ़ने की सलाह देता/देती हूँ।
एजेंटिक AI के साथ काम करने में आपको क्या उत्साहित करता है?
यह एक सामान्य प्रश्न है जो आपकी प्रेरणाओं और रुचियों को समझने के लिए पूछा जाता है। आमतौर पर यह काफी खुला होता है, जिससे आप किसी भी दिशा में जा सकते हैं और इंटरव्यूअर से ईमानदारी से बात कर सकते हैं।
इसके लिए कोई अच्छी कहानी या स्पष्ट व्याख्या तैयार रखें; उत्साहपूर्ण, विशिष्ट रहें, और कोशिश करें कि बात भूमिका से जुड़ी हो। यदि कोई विशेष बिंदु तय न हो, तो किसी ऐसे प्रोडक्ट के बारे में बात करें जिसका आप उपयोग करते हैं और जो आपको रोमांचक या रोचक लगता है—और क्यों।
क्या आप किसी एजेंटिक AI एप्लिकेशन का उदाहरण दे सकते हैं और उसके घटकों पर बात कर सकते हैं?
उदाहरण के लिए, एक स्वचालित चलने वाली कार की बात करें। पहले उन उद्देश्यों पर विचार करें जिनको कार को पूरा करना है: उसे स्वायत्त रूप से सड़क पर चलना और नेविगेट करना, सर्वोत्तम मार्ग बनाना, बाधाओं से बचना, और सबसे महत्वपूर्ण—यात्रियों को सुरक्षित रखना।
लक्ष्य तय हो जाने के बाद, हम देख सकते हैं कि एप्लिकेशन की संरचना कैसी हो सकती है। एक मुख्य मॉडल कार को चलाने के लिए जिम्मेदार हो सकता है, जो छोटे मॉडलों से निरंतर या आवश्यकता-आधारित इनपुट लेता है—जैसे रूट ऑप्टिमाइज़ेशन या परिवेश संबंधी जानकारी प्राप्त करना।
इंटरव्यू के दौरान, आप इन प्रत्येक घटकों में गहराई से जा सकते हैं। अपने स्वयं के उदाहरण देने के लिए भी स्वतंत्र महसूस करें।
अब तक आपने किन-किन LLMs के साथ काम किया है?
जिन विशिष्ट मॉडलों के साथ आपने काम किया है, उन पर विस्तार से चर्चा करने के लिए तैयार रहें। नियोक्ता यह जानना चाहेंगे कि आप मॉडल को अंदरूनी तौर पर कितना अच्छी तरह समझते हैं। उदाहरण के लिए, Llama जैसे ओपन-सोर्स मॉडलों या प्रोपाइटरी GPT मॉडलों पर चर्चा करने के लिए तैयार रहें।
यह नए मॉडलों का उल्लेख करने और यह दिखाने का भी अच्छा मौका है कि आप अपडेट रहते हैं। उदाहरण के लिए आप Deepseek R1 और अन्य रीजनिंग मॉडलों के बारे में बात कर सकते हैं।
API के माध्यम से LLMs का उपयोग करने का आपका क्या अनुभव है?
यह प्रश्न चैट विंडो के बजाय API के माध्यम से LLMs का उपयोग करने से संबंधित है। यदि आपकी परियोजनाएँ APIs का उपयोग करती हैं, तो उन पर बात करने के लिए तैयार रहें। APIs का उपयोग, सीक्रेट कीज़ जनरेट करना और स्टोर करना, लागत की मॉनिटरिंग, और विभिन्न मॉडल प्रदाताओं की समीक्षा कर लें। यह आपकी इंजीनियरिंग अनुभव पर बात करने की भी अच्छी जगह हो सकती है।
यदि API के माध्यम से LLMs का उपयोग करने का अनुभव कम है, तो इन संसाधनों पर विचार करें:
- GPT-4.5 API ट्यूटोरियल: OpenAI की API के साथ शुरुआत
- DeepSeek API: उदाहरणों और लागत गणनाओं के साथ एक मार्गदर्शिका
- Mistral OCR: व्यावहारिक उदाहरणों के साथ एक मार्गदर्शिका
क्या आपने रीजनिंग मॉडलों का उपयोग किया है?
OpenAI o3 और DeepSeek-R1 जैसे रीजनिंग मॉडल सामने आ रहे हैं, तो नियोक्ता आपके अनुभव और उनसे परिचय के बारे में जानना चाहेंगे। यह सिर्फ किसी एप्लिकेशन या API कॉल में अलग मॉडल चुनने से आगे की बात है, क्योंकि ये मॉडल "थिंकिंग टोकन्स" उत्पन्न करते हैं और अक्सर अलग उपयोग-पैटर्न की मांग करते हैं।
यदि आप यह जानते हैं कि किसी ओपन-सोर्स मॉडल को फाइन-ट्यून कैसे करना है और उसे लोकली कैसे चलाना है, तो यह अच्छा प्रभाव छोड़ सकता है—क्योंकि जिस कंपनी में आप इंटरव्यू दे रहे हैं, उसे इसकी ज़रूरत पड़ सकती है। अभ्यास के लिए DeepSeek-R1 को फाइन-ट्यून करने और लोकली चलाने पर विचार करें:
- DeepSeek R1 (रीजनिंग मॉडल) का फाइन-ट्यूनिंग
- Ollama के साथ DeepSeek-R1 को लोकली सेट अप और रन कैसे करें
क्या आप अपने दैनिक वर्कफ़्लो में LLMs का उपयोग करते हैं? यदि हाँ, तो किसलिए?
यदि आप अपने वर्कफ़्लो में LLMs का उपयोग करते हैं, तो यह आपके कौशल दिखाने का मौका हो सकता है। आप बता सकते हैं कि किन टूल्स का उपयोग किया, उनके बारे में आपको क्या अच्छा या कमज़ोर लगा, और आप आगे क्या आज़माना चाहते हैं। लोकप्रिय टूल्स का उल्लेख करने पर विचार करें, जैसे Cursor, NotebookLM, Lovable, Replit, Claude Artifacts, Manus AI आदि।
एजेंटिक AI के साथ अपडेट रहने के लिए आप किन स्रोतों का उपयोग करते हैं?
कुछ नियोक्ता यह जानना चाहेंगे कि आप AI के साथ कितने अपडेटेड हैं या रह सकते हैं। अपने उत्तर में आप AI कॉन्फ्रेंस, फ़ोरम, न्यूज़लेटर्स आदि जैसे स्रोत शामिल कर सकते हैं।
पेपर और डॉक्यूमेंटेशन पढ़ने-समझने में आप कितने सहज हैं?
साहित्य, पेपर और डॉक्यूमेंटेशन पढ़ना लगभग हर AI नौकरी का हिस्सा है। आपसे आपकी सीखने या जानकारी प्राप्त करने की सामान्य रणनीति के बारे में भी पूछा जा सकता है। अपने उत्तर में चैटबॉट्स पर अत्यधिक निर्भर न दिखना एक अच्छा विचार है।
किसी हालिया पेपर के बारे में बात करने के लिए तैयार रहें—उदाहरण के लिए, आप Google की Titans आर्किटेक्चर पर बात कर सकते हैं।
इंटरमीडिएट एजेंटिक AI इंटरव्यू प्रश्न
अब जब बुनियादी प्रश्न हो गए, तो हम थोड़ा गहराई में जाते हैं और कुछ इंटरमीडिएट प्रश्नों पर चर्चा करते हैं जो पूछे जा सकते हैं या अच्छे रेफरेंस का काम कर सकते हैं।
इस भूमिका और सामान्य रूप से एजेंटिक AI की एथिक्स पर आपके विचार क्या हैं?
मुझे लगता है कि यह प्रश्न काफी दुर्लभ है, लेकिन फिर भी इस पर सोचना अच्छा है—शायद सामान्य रूप से भी, सिर्फ इंटरव्यू के लिए नहीं। आप उस भूमिका से सटे विचारों पर सोच सकते हैं जिसके लिए आवेदन कर रहे हैं, या अधिक सामान्य विचारों पर, जैसे—ऐसी AI एप्लिकेशन जो मानव जीवन को प्रभावित करने वाले निर्णय लेती हैं। इस प्रश्न का कोई एक सही उत्तर नहीं है; यह मुख्यतः यह जाँचने के लिए होता है कि आप इस क्षेत्र की कितनी परवाह करते हैं या आपने इस पर कितना विचार किया है।
स्वायत्त AI एजेंट्स को डिप्लॉय करते समय किन सुरक्षा जोखिमों पर विचार करना चाहिए?
स्वायत्त AI एजेंट्स को डिप्लॉय करते समय कई सुरक्षा चिंताएँ ध्यान में रखनी चाहिए। एक जोखिम यह है कि मॉडल को संवेदनशील आंतरिक टूल्स या डेटाबेस तक पहुँच हो सकती है। यदि मॉडल को ठीक से सैंडबॉक्स या परमिशन नहीं दिया गया है, तो कोई दुर्भावनापूर्ण उपयोगकर्ता प्रॉम्प्ट इंजेक्शन या एडवर्सेरियल इनपुट्स का उपयोग करके निजी डेटा निकाल सकता है या अवांछित क्रियाएँ ट्रिगर कर सकता है।
एक अन्य जोखिम सावधानी से तैयार किए गए प्रॉम्प्ट्स या बाहरी इनपुट्स के माध्यम से मॉडल के व्यवहार में हेरफेर से जुड़ा है। हमलावर मॉडल को सुरक्षा बाधाओं को नज़रअंदाज़ करने, प्रिविलेज बढ़ाने, या अपने निर्धारित फ़ंक्शन से भटके हुए तरीकों से व्यवहार करने के लिए प्रेरित कर सकता है।
डिनायल-ऑफ़-सर्विस शैली के हमलों की संभावना भी होती है—जहाँ मॉडल को अनुरोधों से भर दिया जाता है या उसे अपनी ही कार्यवाही रोकने के लिए बहकाया जाता है। यदि कोई एजेंट महत्वपूर्ण इन्फ्रास्ट्रक्चर या स्वचालित वर्कफ़्लोज़ को नियंत्रित करता है, तो इससे बड़े व्यवधान हो सकते हैं।
इन जोखिमों को कम करने के लिए पारंपरिक सॉफ़्टवेयर सुरक्षा सिद्धांतों को लागू करना महत्वपूर्ण है: लीस्ट प्रिविलेज, कठोर इनपुट वैलिडेशन, मॉनिटरिंग, रेट लिमिटिंग, और एजेंट के व्यवहार का निरंतर रेड-टीमिंग।
आपके अनुसार किन मानव नौकरियों को जल्द ही एजेंटिक AI एप्लिकेशन द्वारा बदला जा सकता है और क्यों?
इंटरव्यूअर यह प्रश्न आज की तारीख में एजेंटिक AI की क्षमताओं की आपकी समझ को परखने के लिए पूछ सकते हैं। वे सिर्फ सूची नहीं चाहेंगे, बल्कि आपके तर्क की सोच-समझकर दी गई व्याख्या देखेंगे।
उदाहरण के लिए, मुझे व्यक्तिगत रूप से नहीं लगता कि डॉक्टरों को जल्द ही बदला जाएगा—खासकर वे जिनके निर्णय सीधे मानव जीवन को प्रभावित करते हैं—और यह बात एथिक्स से भी जुड़ती है। यहाँ विचार करने के लिए बहुत कुछ है; आप यह भी चर्चा कर सकते हैं कि कुछ नौकरियों का AI द्वारा बदला जाना आपके हिसाब से अच्छा है या बुरा।
किसी AI एप्लिकेशन पर काम करते समय आपने किन चुनौतियों का सामना किया है?
भले ही यह “आप” वाला प्रश्न है, मैंने इसे इंटरमीडिएट सेक्शन में रखा है क्योंकि यह काफी आम है और इंटरव्यूअर इसे महत्व देते हैं। आपके पास एक ठोस उदाहरण ज़रूर होना चाहिए—उसे मौके पर बनाने की कोशिश न करें।
यदि आपने अब तक कोई बड़ी चुनौती नहीं झेली है, तो कम से कम किसी सैद्धांतिक स्थिति और उसे आप कैसे संभालेंगे, इस पर बात करें।
एडवांस्ड एजेंटिक AI इंटरव्यू प्रश्न
अंत में, कुछ अधिक उन्नत और तकनीकी प्रश्नों पर चर्चा करते हैं। मैं यथासंभव सामान्य रहने की कोशिश करूँगा/करूँगी, हालांकि वास्तविक इंटरव्यू में प्रश्न अधिक विशिष्ट हो सकते हैं। उदाहरण के लिए, सामान्य रूप से इंडेक्सिंग पूछने के बजाय, आपसे पूछा जा सकता है कि LangChain या Llama-Index किन विभिन्न इंडेक्सिंग विधियों का समर्थन करते हैं।
सिस्टम प्रॉम्प्ट और यूज़र प्रॉम्प्ट में क्या अंतर है?
सिस्टम और यूज़र प्रॉम्प्ट दोनों भाषा मॉडल को दिए गए इनपुट होते हैं, लेकिन उनकी भूमिकाएँ अलग होती हैं और आमतौर पर उनके प्रभाव के स्तर भी भिन्न होते हैं।
सिस्टम प्रॉम्प्ट एक छुपा हुआ निर्देश है जो मॉडल के समग्र व्यवहार या पर्सोना को सेट करता है। यह बातचीत के दौरान उपयोगकर्ता को सीधे दिखाई नहीं देता, लेकिन यह बुनियादी भूमिका निभाता है। उदाहरण के लिए, सिस्टम प्रॉम्प्ट मॉडल को एक मददगार असिस्टेंट, गणितज्ञ या ट्रैवल प्लानर की तरह कार्य करने के लिए कह सकता है। यह इंटरैक्शन के लिए टोन, शैली और बाधाओं को परिभाषित करता है।
यूज़र प्रॉम्प्ट दूसरी ओर, वह इनपुट है जिसे उपयोगकर्ता सीधे टाइप करता है—जैसे कोई प्रश्न या अनुरोध। मॉडल वास्तविक समय में इसी का उत्तर देता है।
कई सेटअप्स में, सिस्टम प्रॉम्प्ट का वज़न अधिक होता है—यह सत्रों के बीच सुसंगत व्यवहार बनाए रखने में मदद करता है—जबकि यूज़र प्रॉम्प्ट प्रत्येक उत्तर की विशिष्ट सामग्री को संचालित करता है।
आप किसी एजेंटिक AI सिस्टम को प्रतिस्पर्धी लक्ष्यों या कार्यों को प्राथमिकता देने के लिए कैसे प्रोग्राम करते हैं?
एजेंटिक AI सिस्टम आमतौर पर स्पष्ट उद्देश्यों को परिभाषित करके, उपयुक्त टूल्स असाइन करके, और वह लॉजिक तैयार करके प्रोग्राम किए जाते हैं जो तय करता है कि लक्ष्यों के टकराव पर एजेंट कार्यों को कैसे प्राथमिकता देगा। इसमें अक्सर प्रॉम्प्ट्स, फ़ंक्शन कॉल्स और ऑर्केस्ट्रेशन लॉजिक के संयोजन का उपयोग होता है—कभी-कभी कई मॉडलों या सबसिस्टम्स में फैला हुआ।
एक तरीका यह है कि लक्ष्यों का एक पदानुक्रम (हाइरार्की) परिभाषित किया जाए और ऐसे वेट्स या नियम असाइन किए जाएँ जो टकराव होने पर एजेंट को यह तय करने में मार्गदर्शन दें कि किस कार्य को आगे बढ़ाना है। कुछ सिस्टम्स योजना घटकों या मध्यवर्ती तर्क चरणों (जैसे रिफ्लेक्शन लूप्स या स्क्रैचपैड्स) का भी उपयोग करते हैं ताकि कार्रवाई से पहले समझौते (ट्रेड-ऑफ्स) का मूल्यांकन हो सके।
यदि आप इसमें नए हैं, तो मैं Anthropic के लेख से शुरुआत करने की सलाह देता/देती हूँ, जो एजेंट डिज़ाइन पैटर्न्स पर है। यह वास्तविक दुनिया की प्रणालियों में उपयोग की जाने वाली ठोस उदाहरण और सामान्य आर्किटेक्चर प्रदान करता है। यदि आपकी पृष्ठभूमि सॉफ़्टवेयर इंजीनियरिंग में है—विशेषकर मॉड्यूलर डिज़ाइन, स्टेट मैनेजमेंट और असिंक्रोनस टास्क एक्ज़िक्यूशन—तो इनमें से कई अवधारणाएँ परिचित लगेंगी।
प्रॉम्प्टिंग और प्रॉम्प्ट इंजीनियरिंग में आप कितने सहज हैं? आपने कौन-से अप्रोच सुने या उपयोग किए हैं?
प्रॉम्प्ट इंजीनियरिंग एजेंटिक AI सिस्टम का एक बड़ा घटक है, लेकिन यह ऐसा विषय भी है जिसके बारे में रूढ़ियाँ बन जाती हैं—इसलिए इसकी महत्ता पर अस्पष्ट बयान देने से बचना और इसके बजाय आप इसे तकनीकी रूप से कैसे लागू करते हैं, इस पर फोकस करना महत्वपूर्ण है।
मेरे हिसाब से एक अच्छा उत्तर कुछ यूँ होगा:
मैं प्रॉम्प्टिंग और प्रॉम्प्ट इंजीनियरिंग में काफी सहज हूँ और मैंने प्रोजेक्ट कार्य और रोज़मर्रा के कार्यों में कई तकनीकों का उपयोग किया है। उदाहरण के लिए, मैं नियमित रूप से फ्यू-शॉट प्रॉम्प्टिंग का उपयोग करता/करती हूँ ताकि उदाहरण देकर मॉडल्स को किसी विशिष्ट फ़ॉर्मेट या टोन की ओर निर्देशित किया जा सके। मैं चेन-ऑफ़-थॉट प्रॉम्प्टिंग का भी उपयोग करता/करती हूँ जब मुझे मॉडल से चरण-दर-चरण तर्क करवाना होता है—यह कोडिंग, लॉजिक पज़ल्स या प्लानिंग जैसे कार्यों में खास तौर पर उपयोगी है।
अधिक संरचित एप्लिकेशनों में, मैंने प्रॉम्प्ट ट्यूनिंग और प्रॉम्प्ट कंप्रेशन के साथ प्रयोग किया है—विशेष रूप से तब जब ऐसी APIs के साथ काम करना होता है जो टोकन काउंट के आधार पर शुल्क लेती हैं या आउटपुट पर कड़ी नियंत्रण की आवश्यकता होती है। ये तकनीकें प्रॉम्प्ट्स को उनके सबसे आवश्यक घटकों तक संक्षिप्त करती हैं, जबकि उद्देश्य और प्रदर्शन बनाए रखती हैं।
क्योंकि यह क्षेत्र तेज़ी से विकसित हो रहा है, मैं हालिया पेपर्स, GitHub रिपोज़ और डॉक्यूमेंटेशन अपडेट्स पढ़ने की आदत रखता/रखती हूँ—जैसे फ़ंक्शन कॉलिंग, रिट्रीवल-ऑगमेंटेड प्रॉम्प्टिंग, और मॉड्यूलर प्रॉम्प्ट चेनिंग जैसी तकनीकों से अपडेट रहना।
कॉन्टेक्स्ट विंडो क्या है? इसका आकार सीमित क्यों होता है?
कॉन्टेक्स्ट विंडो उस अधिकतम सूचना—टोकन्स में मापी गई—को दर्शाती है जिसे कोई भाषा मॉडल एक बार में प्रोसेस कर सकता है। इसमें मौजूदा प्रॉम्प्ट, पिछली बातचीत का इतिहास, और सिस्टम-स्तरीय निर्देश शामिल होते हैं। कॉन्टेक्स्ट विंडो की सीमा पहुँचने पर पुराने टोकन्स को ट्रंकेट किया जा सकता है या अनदेखा किया जा सकता है।
कॉन्टेक्स्ट विंडो सीमित होने का कारण कम्प्यूटेशनल और आर्किटेक्चरल बाधाएँ हैं। ट्रांसफ़ॉर्मर-आधारित मॉडलों में, अटेंशन मैकेनिज़्म को कॉन्टेक्स्ट के सभी टोकन्स के बीच संबंधों की गणना करनी पड़ती है, जो टोकन्स की संख्या के साथ घातांकीय रूप से (क्वाड्रेटिक) बढ़ती है। यह बहुत लंबे कॉन्टेक्स्ट को प्रोसेस करना महंगा और धीमा बना देता है—खासकर मौजूदा हार्डवेयर पर। पहले के RNN जैसे मॉडलों में इसी तरह की सख्त कॉन्टेक्स्ट लिमिट नहीं थी, लेकिन वे लंबी दूरी की निर्भरताएँ प्रभावी ढंग से बनाए रखने में संघर्ष करते थे।
रिट्रीवल-ऑगमेंटेड जेनरेशन (RAG) क्या है?
रिट्रीवल-ऑगमेंटेड जेनरेशन (RAG) एक तकनीक है जो भाषा मॉडलों को बेहतर बनाती है—उन्हें उत्तर जनरेट करने से पहले बाहरी स्रोतों से प्रासंगिक जानकारी प्राप्त करने देती है। प्रशिक्षण के दौरान सीखी गई बातों पर पूरी तरह निर्भर रहने के बजाय, RAG सिस्टम इन्फरेंस समय पर नवीनतम या डोमेन-विशिष्ट डेटा तक पहुँच सकते हैं।
एक सामान्य RAG सेटअप में दो मुख्य घटक होते हैं: एक रिट्रीवर—जो इनपुट क्वेरी के आधार पर डेटाबेस या दस्तावेज़ संग्रह में प्रासंगिक कॉन्टेक्स्ट खोजता है—और एक जेनेरेटर—जो उसी प्राप्त जानकारी का उपयोग करके अधिक सटीक और सूचित उत्तर उत्पन्न करता है। यह तरीका उन कार्यों के लिए विशेष रूप से उपयोगी है जिन्हें तथ्यात्मक सटीकता, दीर्घकालिक मेमोरी, या डोमेन-विशिष्ट ज्ञान की आवश्यकता होती है।
ट्रांसफ़ॉर्मर के बाहर आपने और किन LLM आर्किटेक्चर के बारे में सुना है?
भले ही आज AI में ट्रांसफ़ॉर्मर प्रमुख आर्किटेक्चर है, फिर भी कई अन्य मॉडल प्रकारों के बारे में जानना उपयोगी है। उदाहरण के लिए, xLSTM LSTM आर्किटेक्चर पर आधारित है, जिसमें किए गए सुधार लंबे अनुक्रमों पर प्रदर्शन बेहतर करते हैं और दक्षता बनाए रखते हैं।
Mamba एक और आशाजनक आर्किटेक्चर है—यह चयनात्मक स्टेट स्पेस मॉडलों का उपयोग करता है ताकि लंबे कॉन्टेक्स्ट को ट्रांसफ़ॉर्मर्स की तुलना में अधिक कुशलता से प्रोसेस किया जा सके—खासकर उन कार्यों के लिए जिन्हें हर टोकन पर पूर्ण अटेंशन की आवश्यकता नहीं होती।
Google की Titans आर्किटेक्चर भी देखने लायक है। इसे ट्रांसफ़ॉर्मर्स की कुछ प्रमुख सीमाएँ—जैसे स्थायी मेमोरी की कमी और उच्च कम्प्यूटेशनल लागत—दूर करने के लिए डिज़ाइन किया गया है।
ये वैकल्पिक आर्किटेक्चर मॉडलों को अधिक कुशल, स्केलेबल बनाने और लंबे या अधिक जटिल इनपुट्स को बिना भारी हार्डवेयर संसाधनों के संभालने का लक्ष्य रखते हैं।
LLMs में टूल यूज़ और फ़ंक्शन कॉलिंग क्या है?
टूल और फ़ंक्शन कॉलिंग बड़े भाषा मॉडलों को बाहरी प्रणालियों—जैसे APIs, डेटाबेस या कस्टम फ़ंक्शन्स—से इंटरैक्ट करने देती है। प्री-ट्रेन ज्ञान पर ही निर्भर रहने के बजाय, मॉडल यह पहचान सकता है कि कब किसी कार्य के लिए नवीनतम या विशिष्ट जानकारी की आवश्यकता है और उसी अनुसार उपयुक्त टूल कॉल कर सकता है।
उदाहरण के लिए, यदि आप किसी ऐसे मॉडल से पूछते हैं जिसके पास वेदर API तक पहुँच है, “लंदन में मौसम कैसा है?”, तो वह बैकग्राउंड में उस API को कॉल करने का निर्णय ले सकता है और सामान्य या पुराना उत्तर जनरेट करने के बजाय रियल-टाइम डेटा लौटा सकता है। यह तरीका मॉडलों को अधिक उपयोगी और विश्वसनीय बनाता है—खासकर ऐसे कार्यों के लिए जिनमें लाइव डेटा, गणनाएँ, या मॉडल की आंतरिक क्षमताओं से बाहर की क्रियाएँ शामिल हैं।
चेन-ऑफ़-थॉट (CoT) क्या है, और एजेंटिक AI एप्लिकेशनों में यह क्यों महत्वपूर्ण है?
चेन-ऑफ़-थॉट (CoT) एक प्रॉम्प्टिंग तकनीक है जो भाषा मॉडलों को जटिल समस्याओं को अंतिम उत्तर देने से पहले चरण-दर-चरण तर्क में तोड़ने में मदद करती है। यह मॉडल को मध्यवर्ती तर्क चरण उत्पन्न करने देती है, जिससे सटीकता और पारदर्शिता बढ़ती है—खासकर लॉजिक, गणित, या मल्टी-स्टेप निर्णय लेने वाले कार्यों में।
CoT का एजेंटिक AI सिस्टम्स में व्यापक उपयोग होता है। उदाहरण के लिए, जब कोई मॉडल मूल्यांकन में जज की भूमिका निभा रहा हो, तो आप उसे अपना उत्तर चरण-दर-चरण समझाने के लिए प्रॉम्प्ट कर सकते हैं ताकि उसके निर्णय प्रक्रिया को बेहतर समझा जा सके। CoT रीजनिंग-फोकस्ड मॉडलों—जैसे OpenAI o1—में भी एक मुख्य तकनीक है, जहाँ मॉडल पहले रीजनिंग टोकन्स जनरेट करता है और फिर उनका उपयोग अंतिम आउटपुट बनाने के लिए करता है। यह संरचित सोच प्रक्रिया एजेंट के व्यवहार को अधिक व्याख्येय और विश्वसनीय बनाती है।
ट्रेसिंग क्या है? स्पैन्स क्या हैं?
ट्रेसिंग किसी एप्लिकेशन के एकल रन या कॉल के दौरान होने वाली घटनाओं के अनुक्रम को रिकॉर्ड और विज़ुअलाइज़ करने की प्रक्रिया है। LLM एप्लिकेशनों के संदर्भ में, एक ट्रेस एक निष्पादन प्रवाह के भीतर—जैसे कई मॉडल कॉल्स, टूल उपयोग, या निर्णय बिंदु—की पूरी टाइमलाइन कैप्चर करता है।
एक स्पैन उस ट्रेस के भीतर एकल घटना या ऑपरेशन होता है। उदाहरण के लिए, कोई मॉडल कॉल, फ़ंक्शन का आह्वान, या रिट्रीवल स्टेप—प्रत्येक एक अलग स्पैन के रूप में रिकॉर्ड किया जाएगा। मिलकर, स्पैन्स आपको अपने एप्लिकेशन की संरचना और व्यवहार समझने में मदद करते हैं।
एजेंटिक सिस्टम्स में डीबगिंग और ऑप्टिमाइज़ेशन के लिए ट्रेसिंग और स्पैन्स आवश्यक हैं। ये विफलताओं, लेटेंसी बॉटलनेक्स, या अनपेक्षित व्यवहारों को पहचानना आसान बनाते हैं। Arize Phoenix जैसे टूल्स ट्रेसेज़ और स्पैन्स को विस्तार से निरीक्षण करने के लिए विज़ुअल इंटरफेस प्रदान करते हैं।
ईवाल्स (evals) क्या हैं? आप किसी एजेंटिक AI सिस्टम के प्रदर्शन और मज़बूती का मूल्यांकन कैसे करते हैं?
ईवाल्स मूलतः एजेंटिक AI इंजीनियरिंग के यूनिट टेस्ट होते हैं। ये डेवलपर्स को विभिन्न परिदृश्यों और एज केसों में सिस्टम के प्रदर्शन का आकलन करने देते हैं। आज कई प्रकार के ईवाल्स आम हैं। एक तरीका यह है कि हाथ से तैयार ग्राउंड-ट्रुथ डेटासेट का उपयोग कर मॉडल के आउटपुट्स की ज्ञात सही उत्तरों से तुलना की जाए।
एक अन्य तरीका LLM को जज के रूप में उपयोग करना है—ताकि वह मॉडल के उत्तरों की गुणवत्ता, सटीकता या तर्क का मूल्यांकन करे। कुछ ईवाल्स समग्र टास्क सफलता की जाँच करते हैं, जबकि अन्य टूल उपयोग, प्लानिंग, या स्थिरता जैसे व्यक्तिगत घटकों पर फोकस करते हैं। इन्हें नियमित रूप से चलाना रिग्रेशन्स की पहचान, सुधार का मापन, और सिस्टम के विकसित होने के साथ उसकी विश्वसनीयता सुनिश्चित करने में मदद करता है। अधिक गहराई के लिए यह LLM मूल्यांकन गाइड देखें।
क्या आप ट्रांसफ़ॉर्मर आर्किटेक्चर और एजेंटिक AI के लिए इसकी महत्ता पर बात कर सकते हैं?
ट्रांसफ़ॉर्मर आर्किटेक्चर 2017 के प्रभावशाली पेपर “Attention Is All You Need” में प्रस्तुत किया गया था। यदि आपने इसे अभी तक नहीं पढ़ा है, तो पढ़ना उचित है—इसने लगभग सभी आधुनिक बड़े भाषा मॉडलों की नींव रखी।
इसके जारी होने के बाद कई विविधताएँ और सुधार विकसित किए गए हैं, पर एजेंटिक AI प्रणालियों में उपयोग होने वाले अधिकांश मॉडल आज भी किसी न किसी रूप में ट्रांसफ़ॉर्मर पर आधारित हैं।
ट्रांसफ़ॉर्मर का एक प्रमुख लाभ इसका अटेंशन मैकेनिज़्म है, जो मॉडल को इनपुट अनुक्रम के हर टोकन की प्रासंगिकता हर अन्य टोकन के सापेक्ष गणना करने देता है—जब तक सब कुछ कॉन्टेक्स्ट विंडो में फिट हो। यह उन कार्यों में मजबूत प्रदर्शन सक्षम करता है जिन्हें लंबी दूरी की निर्भरताएँ समझने या कई इनपुट्स में तर्क करने की आवश्यकता होती है।
एजेंटिक AI के लिए विशेष रूप से, ट्रांसफ़ॉर्मर की लचीलापन और पैरेललिज़्म इसे टूल उपयोग, प्लानिंग, और मल्टी-टर्न डायलॉग जैसे जटिल कार्यों को संभालने के लिए उपयुक्त बनाते हैं—जो आज अधिकांश एजेंटिक सिस्टम्स के मुख्य व्यवहार हैं।
LLM ऑब्ज़र्वेबिलिटी क्या है, और यह क्यों महत्वपूर्ण है?
LLM ऑब्ज़र्वेबिलिटी बड़ी भाषा मॉडल प्रणालियों के व्यवहार की रियल-टाइम में निगरानी, विश्लेषण और समझने की क्षमता को संदर्भित करती है। यह ट्रेसेज़, स्पैन्स और ईवाल्स जैसे टूल्स को समाहित करने वाला एक छत्र शब्द है, जो डेवलपर्स को सिस्टम के आंतरिक संचालन में दृश्यता प्रदान करते हैं।
क्योंकि LLMs को अक्सर “ब्लैक बॉक्स” के रूप में देखा जाता है, ऑब्ज़र्वेबिलिटी डीबगिंग, प्रदर्शन सुधार, और विश्वसनीयता सुनिश्चित करने के लिए आवश्यक है। यह आपको यह ट्रेस करने देती है कि मॉडल एक-दूसरे के साथ और बाहरी टूल्स के साथ कैसे इंटरैक्ट करते हैं, विफलता बिंदुओं की पहचान करने और अप्रत्याशित व्यवहारों को जल्दी पकड़ने में मदद करती है। एजेंटिक AI सिस्टम्स में—जहाँ कई चरण और निर्णय एक-दूसरे से जुड़े होते हैं—ऑब्ज़र्वेबिलिटी भरोसा और नियंत्रण बनाए रखने के लिए विशेष रूप से महत्वपूर्ण है।
मॉडल फाइन-ट्यूनिंग और मॉडल डिस्टिलेशन समझा सकते हैं?
मॉडल फाइन-ट्यूनिंग वह प्रक्रिया है जिसमें किसी प्री-ट्रेन मॉडल को नए डेटासेट पर आगे प्रशिक्षित किया जाता है—आमतौर पर किसी विशिष्ट डोमेन या कार्य के लिए उसे विशेषज्ञ बनाने हेतु। यह मॉडल को अधिक केंद्रित या अपडेटेड ज्ञान के आधार पर अपने व्यवहार और उत्तरों को अनुकूलित करने देता है।
मॉडल डिस्टिलेशन एक संबंधित तकनीक है जिसमें कोई छोटा या कम सक्षम मॉडल किसी बड़े, अधिक शक्तिशाली मॉडल के आउटपुट्स पर प्रशिक्षित किया जाता है। लक्ष्य बड़े मॉडल से छोटे मॉडल में ज्ञान और व्यवहार का स्थानांतरण करना होता है—जिससे अक्सर तेज़ और अधिक कुशल मॉडल मिलते हैं, जिनका प्रदर्शन तुलनीय होता है। उदाहरण के लिए, Deepseek R1 के रिलीज़ के बाद कई छोटे मॉडलों को उसके उत्तरों पर डिस्टिल किया गया है और उन्होंने अपने आकार के अनुपात में प्रभावशाली गुणवत्ता हासिल की है।
नेक्स्ट टोकन प्रेडिक्शन टास्क क्या है, और यह क्यों महत्वपूर्ण है? असिस्टेंट मॉडल्स क्या होते हैं?
नेक्स्ट टोकन प्रेडिक्शन, जिसे ऑटोरिग्रेसिव लैंग्वेज मॉडलिंग भी कहा जाता है, अधिकांश बड़े भाषा मॉडलों के पीछे का कोर प्रशिक्षण कार्य है। मॉडल को अनुक्रम में अगले टोकन की भविष्यवाणी करने के लिए प्रशिक्षित किया जाता है—दिए गए सभी पूर्ववर्ती टोकन्स के आधार पर। यह सरल उद्देश्य मॉडल को व्याकरण, तथ्यों, तर्क पैटर्न्स, और कुछ हद तक योजना क्षमताएँ सीखने देता है। इस प्रारंभिक प्रशिक्षण चरण का परिणाम बेस मॉडल कहलाता है।
असिस्टेंट मॉडल्स वे बेस मॉडल होते हैं जिन्हें आगे फाइन-ट्यून किया गया है ताकि वे अधिक मददगार, सुरक्षित या संवादात्मक व्यवहार करें। इस फाइन-ट्यूनिंग में आमतौर पर सुपरवाइज़्ड इंस्ट्रक्शन ट्यूनिंग और मानव फीडबैक के साथ रिइनफोर्समेंट लर्निंग (RLHF) जैसी तकनीकें शामिल होती हैं—जो मॉडल को सिर्फ टेक्स्ट पूरा करने के बजाय एक असिस्टेंट की तरह जवाब देने के लिए मार्गदर्शन करती हैं।
ह्यूमन-इन-द-लूप (HITL) अप्रोच क्या है?
ह्यूमन-इन-द-लूप (HITL) अप्रोच LLM या एजेंटिक AI सिस्टम के प्रशिक्षण, मूल्यांकन, या रियल-टाइम उपयोग में मनुष्यों को शामिल करने को संदर्भित करता है। मानव इनपुट विभिन्न चरणों पर हो सकता है—मॉडल प्रशिक्षण के दौरान (जैसे डेटा लेबलिंग, उत्तरों की रैंकिंग), फाइन-ट्यूनिंग के दौरान (जैसे RLHF), या निष्पादन के दौरान, जहाँ कोई मानव एजेंट की क्रियाओं का मार्गदर्शन या अनुमोदन कर सकता है।
उदाहरण के लिए, यदि कोई चैटबॉट आपसे दो उत्तरों में से बेहतर चुनने को कहता है, तो आप सक्रिय रूप से HITL प्रक्रिया में भाग ले रहे होते हैं। यह अप्रोच मॉडल की गुणवत्ता, सुरक्षा और एलाइनमेंट में सुधार लाने में मदद करती है—जहाँ अकेला ऑटोमेशन कम पड़ सकता है।
निष्कर्ष
इस लेख में, हमने एजेंटिक AI इंटरव्यू में आने वाले विभिन्न प्रश्नों को कवर किया—साथ ही उन्हें प्रभावी ढंग से सोचने, शोध करने और उत्तर देने की रणनीतियाँ भी। आगे के अध्ययन के लिए, मैं लेख में दिए गए संदर्भों का अन्वेषण करने और अधिक संरचित लर्निंग के लिए DataCamp के AI कोर्सेज़ देखने की सलाह देता/देती हूँ।
मैं दिमित्री डिडमानीद्ज़े हूँ—एक डेटा वैज्ञानिक, जो वर्तमान में मैथमेटिक्स में मास्टर्स कर रहा हूँ, जिसमें मशीन लर्निंग पर विशेष ध्यान है। मेरी शैक्षणिक यात्रा में ट्रांसफॉर्मर-आधारित मॉडलों की क्षमताओं पर शोध और विश्वविद्यालय स्तर पर अध्यापन भी शामिल रहा है, जिसने जटिल सैद्धांतिक अवधारणाओं की मेरी समझ को समृद्ध किया है। मैंने बैंकिंग उद्योग में भी काम किया है, जहाँ मैंने वास्तविक दुनिया की डेटा संबंधी चुनौतियों से निपटने के लिए इन सिद्धांतों को लागू किया है।