जेमिनी डिफ्यूज़न: 8 व्यावहारिक उदाहरणों के साथ एक गाइड

जानें कि Google का Gemini Diffusion क्या है और यह कैसे काम करता है—टेक्स्ट जनरेशन, गेम डेवलपमेंट, सिमुलेशन आदि के आठ व्यावहारिक उदाहरणों के ज़रिए।

अपडेट किया गया 25 सित॰ 2026 · 8 मि॰ पढ़ें

AI के साथ खोजें

ChatGPT Claude Perplexity

Google I/O 2025 से मुझे जो घोषणाएँ सबसे दिलचस्प लगीं, उनमें से एक थी Gemini Diffusion, और मुझे इसे आज़माने के लिए शुरुआती एक्सेस पाकर बहुत खुशी हुई!

इस ट्यूटोरियल में, मैं आपको Gemini Diffusion का टूर दूँगा/दूँगी और बताऊँगा/बताऊँगी कि इसे व्यावहारिक कार्यों के लिए कैसे इस्तेमाल करें। हम Gemini Diffusion का उपयोग करेंगे:

फ़्लैश स्पीड पर टेक्स्ट जनरेट करने के लिए
लाइव पार्टिकल सिमुलेशन और एक ज़ायलोफ़ोन ऑडियो ऐप बनाने के लिए
कोड फ़िक्स अप्लाई करने और लाइव प्रीव्यू देखने के लिए
रियल-टाइम ड्रॉइंग टूल्स और ब्राउज़र-आधारित गेम्स बनाने के लिए

हम अपने पाठकों को एआई की नवीनतम ख़बरों से अपडेट रखते हैं The Median के ज़रिए—हमारा मुफ़्त शुक्रवार न्यूज़लेटर जो हफ्ते की अहम कहानियों को सरल बनाता है। सब्सक्राइब करें और हर हफ्ते कुछ ही मिनटों में अपडेट रहें:

Gemini Diffusion क्या है?

Gemini Diffusion Google DeepMind का नया टेक्स्ट डिफ्यूज़न बड़ा भाषा मॉडल है—एक अत्याधुनिक सिस्टम जो पारंपरिक LLMs की तरह टोकन एक-एक करके जनरेट नहीं करता। इसके बजाय, यह कई चरणों में रैंडम नॉइज़ को परिष्कृत करके टेक्स्ट जनरेट करना सीखता है, ठीक वैसे ही जैसे Stable Diffusion इमेज जनरेट करता है।

इससे Gemini Diffusion को ये फायदे मिलते हैं:

एक साथ पूरे सुसंगत आउटपुट ब्लॉक जनरेट करना
जनरेशन के दौरान अपनी गलतियाँ तेज़ी से सुधरना
लाइव प्रीव्यू, एडिटेबल कोड और क्रिएटिव कंट्रोल के साथ रियल-टाइम इंटरैक्शन देना

आप इस Gemini Diffusion को वेटलिस्ट जॉइन करके आज़मा सकते हैं यहाँ।

Gemini Diffusion कैसे काम करता है?

पारंपरिक भाषा मॉडल ऑटोरेग्रेसीव होते हैं—एक बार में एक टोकन का अनुमान लगाते हैं। यह क्रमिक तरीका जनरेशन को धीमा कर सकता है और सुसंगतता को सीमित कर सकता है।

डिफ्यूज़न मॉडल दूसरी ओर, एक नॉइज़ी लेटेंट स्पेस से शुरू होकर कई सीखे हुए चरणों के माध्यम से उसे धीरे-धीरे “डीनॉइज़” कर अर्थपूर्ण आउटपुट में बदलते हैं। यह तकनीक मूल रूप से इमेज जनरेशन (जैसे Stable Diffusion) में उपयोग होती है, जिसे अब Gemini में टेक्स्ट जनरेशन का हिस्सा बनाया गया है—जिससे यह अधिक सुसंगत उत्तर बना सके, बीच-बीच में गलतियाँ सुधार सके, और रिकॉर्ड गति से परिणाम दे सके।

इससे संभव होता है:

तेज़तर टेक्स्ट जनरेशन (1479 टोकन/सेकंड तक)
ज़्यादा सुसंगत टेक्स्ट ब्लॉक
बेहतर रियल-टाइम एडिटिंग वर्कफ़्लो

तो अब आप एक-एक शब्द का इंतज़ार नहीं करते, बल्कि पूरा, परिष्कृत परिणाम एक बार में दिखता है। इससे Gemini Diffusion रियल-टाइम जनरेशन कार्यों के लिए Google द्वारा जारी सबसे तेज़ सैंपलिंग स्पीड वाले मॉडलों में से एक बन जाता है। यहाँ कुछ बेंचमार्क हैं जिन पर यह मॉडल ऐसे शानदार परिणाम देने में उत्कृष्ट है।

Gemini Diffusion तक पहुँच कैसे पाएँ?

यह लेख लिखते समय, Gemini Diffusion केवल आमंत्रित उपयोगकर्ताओं के लिए एक प्रायोगिक डेमो के रूप में उपलब्ध है। यह पूरी तरह ब्राउज़र में चलता है और टेक्स्ट, कोड, कैनवास और ऑडियो इंटरैक्शन (इन-बिल्ट MIDI साउंड जनरेशन के ज़रिए) सपोर्ट करता है।

शुरू करने के लिए:

यहाँ जाएँ: Gemini Diffusion वेटलिस्ट फ़ॉर्म
अपने Google अकाउंट से साइन इन करें
एक्सेस अप्रूवल का इंतज़ार करें
एक्सेस मिलते ही आप सीधे DeepMind इंटरफ़ेस में प्रयोग कर सकते हैं।

किसी SDK या API की ज़रूरत नहीं!

आइए देखें कि Gemini Diffusion गेम डेवलपमेंट और ड्रॉइंग से लेकर कोड एडिटिंग और यहाँ तक कि ऑडियो तक—कितने अलग-अलग क्षेत्रों में क्या कर सकता है।

उदाहरण 1: टेक्स्ट जनरेशन

प्लेग्राउंड में, मैंने निम्नलिखित प्रॉम्प्ट के साथ लंबे फ़ॉर्म का कंटेंट जनरेट करने की मॉडल की क्षमता का परीक्षण किया।

प्रॉम्प्ट: हेगेल की शैली में टोस्ट के गुणों की व्याख्या करें। फिर, निबंध को 10 अन्य भाषाओं में अनुवाद करें।

मॉडल ने 9 सेकंड से कम समय में 7000 से अधिक टोकन लौटाए—स्पष्ट हेडिंग्स, टिप्पणी, और 10 भाषाओं में टेक्स्ट के साथ।

ऊपर के वीडियो में ध्यान दें कि जनरेशन स्पीड 892 टोकन/सेकंड थी। इसके विपरीत, Gemini 2.0 Flash-Lite आमतौर पर अधिकांश रियल-टाइम परिदृश्यों में लगभग 250–400 टोकन/सेकंड जनरेट करता है।

उदाहरण 2: रियल-टाइम इंटरैक्शन्स के साथ गेम डेवलपमेंट

Rock Paper Scissors Lizard Spock के प्रशंसकों के लिए, मैंने Gemini Diffusion मॉडल का उपयोग करके इस गेम सिमुलेशन को जनरेट करने का परीक्षण किया।

प्रॉम्प्ट: Rock, Paper, Scissors, Lizard, Spock खेलने के लिए एक HTML+JavaScript वेब ऐप बनाइए। प्रत्येक विकल्प के लिए इमोजी (🪨📄✂️🦎🖖) का उपयोग करें, UI को नीयॉन/ग्लोई और फ्यूचरिस्टिक बनाइए। प्लेयर को एक पर क्लिक करने दें, और कंप्यूटर रैंडम रूप से चुने। एनिमेशन और स्कोर ट्रैकिंग के साथ परिणाम दिखाएँ। 'Restart Game' बटन शामिल करें। गेम को रेस्पॉन्सिव बनाइए।

इससे पूरी तरह खेलने योग्य और इंटरैक्टिव गेम जनरेट हुआ—स्मूद कीबोर्ड कंट्रोल्स के साथ—जो गेम लूप्स के प्रोटोटाइप या एनीमेशन की बुनियादी जानकारी सिखाने के लिए आदर्श है।

उदाहरण 3: रियल-टाइम में सिमुलेशन

Gemini Diffusion मॉडल का सबसे अच्छा हिस्सा है रियल-टाइम सिमुलेशन—ये प्रॉम्प्ट्स में जान डाल देते हैं। यहाँ, मैंने दो उदाहरणों का परीक्षण किया: बाउंसिंग पार्टिकल्स और साइनुसॉइडल व कोसाइन वेवलेंथ सिमुलेशन।

उदाहरण 3.1: बाउंसिंग पार्टिकल सिस्टम सिमुलेशन

प्रॉम्प्ट: JavaScript का उपयोग करके एक बॉक्स के भीतर 100 पार्टिकल्स को रैंडम दिशाओं में चलते हुए सिमुलेट करें।

ऊपर दिए गए प्रॉम्प्ट को लगाने पर, Gemini Diffusion ने पूरी तरह कार्यात्मक बाउंसिंग पार्टिकल सिमुलेशन जनरेट किया—DOM अपडेट्स और बेसिक फ़िजिक्स सहित। एनीमेशन स्मूद और रेस्पॉन्सिव था, और मैं पार्टिकल काउंट, वेग, और रंग जैसे पैरामीटर्स को आसानी से ट्वीक कर सका/सकी।

एक कदम आगे बढ़ते हुए, मैंने मॉडल से रियल-टाइम में सर्कल साइज एडजस्ट करने के लिए एक स्लाइडर जोड़ने को कहा—जिसे इसने बख़ूबी लागू किया। हालाँकि, जब मैंने सर्कल्स को बटरफ़्लाई आइकॉन से बदलने के लिए कहा, तो यह प्रॉम्प्ट को इच्छानुसार पूरा नहीं कर पाया।

उदाहरण 3.2: इंटरैक्टिव वेवफ़ॉर्म सिमुलेशन

अगले उदाहरण के लिए, मैंने एक इंटरैक्टिव वेवफ़ॉर्म सिमुलेशन जनरेट करने की कोशिश की:

प्रॉम्प्ट: एक इंटरैक्टिव वेवफ़ॉर्म सिम्युलेटर बनाइए जो साइनुसॉइडल वेव को विज़ुअलाइज़ करे। उपयोगकर्ताओं को स्लाइडर्स के माध्यम से वेवलेंथ, एम्प्लिट्यूड और फ़्रीक्वेंसी को एडजस्ट करने दें। विज़ुअलाइज़ेशन स्पष्ट रूप से दिखाए कि वेवलेंथ बदलने से वेव कैसे खिंचती या सिकुड़ती है। प्रत्येक पैरामीटर और उसके वास्तविक दुनिया के महत्व को समझाने के लिए टूलटिप्स जोड़ें।

प्रॉम्प्ट चलाते ही, Gemini ने वेवलेंथ (λ), एम्प्लिट्यूड (A), और फ़्रीक्वेंसी (f) एडजस्ट करने के लिए स्लाइडर्स के साथ एक रेस्पॉन्सिव वेवफ़ॉर्म सिम्युलेटर जनरेट किया—जो शैक्षणिक डेमो के लिए बेहतरीन है।

शुरुआत में यह केवल साइन वेव सपोर्ट करता था। जब मैंने कोसाइन वेव का सपोर्ट जोड़ने को कहा, तो Gemini ने जल्दी से वेव टाइप बदलने के लिए एक ड्रॉपडाउन जोड़ दिया—जो UI कंपोनेंट्स पर इटरेशन की इसकी क्षमता दिखाता है। हालाँकि, जब मैंने साइन और कोसाइन दोनों वेव्स को जोड़कर एक संयुक्‍त वेवफ़ॉर्म बनाने को कहा, तो मॉडल ऐसा करने में विफल रहा।

उदाहरण 4: कोड जनरेशन और एक्ज़िक्यूशन

एक ML प्रोफ़ेशनल के रूप में, मैं Gemini Diffusion की Python-आधारित मशीन लर्निंग कोड जनरेट और एक्ज़िक्यूट करने की क्षमता का परीक्षण करना चाहता/चाहती था/थी। इसलिए, मैंने इसे यह कहा:

प्रॉम्प्ट: NumPy का उपयोग करके एक साधारण न्यूरल नेटवर्क लिखें और इसे चलाएँ।

Gemini ने केवल NumPy का उपयोग करते हुए एक पूर्ण, सुव्यवस्थित फ़ीडफ़ॉरवर्ड न्यूरल नेटवर्क इम्प्लीमेंटेशन लौटाया—जिसमें एक्टिवेशन फ़ंक्शन, वेट इनिशियलाइज़ेशन, बैकप्रोपेगेशन लॉजिक और ट्रेनिंग लूप शामिल थे। इसने हर चरण के लिए व्याख्याएँ भी शामिल कीं।

रनटाइम क्षमताओं का परीक्षण करने के लिए, मैंने आगे पूछा:

प्रॉम्प्ट: क्या आप इसे मेरे लिए चला सकते हैं?

Gemini ने बताया कि वह नैटिव रूप से Python कोड एक्ज़िक्यूट नहीं कर सकता, क्योंकि इसमें इंटीग्रेटेड रनटाइम वातावरण नहीं है। हालाँकि, इसने विभिन्न प्रशिक्षण अंतरालों पर लॉस का अनुमान लगाकर अपेक्षित आउटपुट का सिमुलेशन किया—दिखाते हुए कि अगर इसे Jupyter Notebook जैसे लोकल वातावरण में चलाया जाए तो सामान्य आउटपुट कैसा दिखेगा।

हालाँकि Gemini Diffusion अभी ब्राउज़र में कोड नहीं चला सकता, फिर भी आउटपुट व्यवहार का सिमुलेशन करने और अपेक्षित परिणाम देने की इसकी क्षमता प्रोटोटाइपिंग के लिए काफ़ी मूल्यवान है। यदि भविष्य में रनटाइम इंटीग्रेशन जोड़ा जाता है, तो यह टूल मशीन लर्निंग मॉडलों को सीखने और उन पर प्रयोग करने के लिए एक पूरी तरह स्व-निहित प्लेग्राउंड बन सकता है।

उदाहरण 5: रियल-टाइम ड्रॉइंग ऐप

अगला, मैंने कुछ और खेल-खेल में चीज़ें आज़माईं—यानी ब्रश, रंग और आकृतियों वाले इंटरैक्टिव ड्रॉइंग ऐप। मैंने एक बुनियादी प्रॉम्प्ट से शुरुआत की:

प्रॉम्प्ट: मेरे लिए कई ब्रश और रंगों वाला एक ड्रॉइंग ऐप बनाइए।

Gemini ने एक कैनवास-आधारित स्केचपैड दिया—बेसिक कलर पैलेट, ब्रश साइज सेलेक्टर्स (छोटा, मध्यम, बड़ा) और क्लियर बटन सहित।

इसे आगे बढ़ाते हुए, मैंने मॉडल से पैलेट में “पिंक” रंग विकल्प जोड़ने को कहा—जिसे इसने सहजता से जोड़ दिया। फिर मैंने अतिरिक्त ड्रॉइंग टूल्स—रेक्टैंगल, स्क्वायर और सर्कल—माँगे, और Gemini Diffusion ने इन्हें सेलेक्टेबल शेप ऑप्शन्स के रूप में उपलब्ध करा दिया।

फ़ाइनल आउटपुट मेरे सभी प्रॉम्प्ट्स से मेल खाता था और एक क्रिएटिव टूल के रूप में अच्छी तरह काम करता था। एकमात्र ध्यान देने योग्य कमी थी—ड्रॉइंग इंटरैक्शन्स के दौरान कुछ लैग और स्मूदनेस में कमी—जो संभवतः प्रीव्यू मोड में चलने की सीमाओं के कारण थी। लेकिन कुल मिलाकर, यह रियल-टाइम इन-ब्राउज़र प्रोटोटाइप के लिए प्रभावशाली रूप से फ़ंक्शनल था।

उदाहरण 6: कोड के साथ इंस्टेंट एडिट

प्लेग्राउंड से आगे, Gemini Diffusion एक शक्तिशाली फ़ीचर देता है—Instant Edit—जो आपको न्यूनतम प्रॉम्प्टिंग के साथ टेक्स्ट या कोड में रियल-टाइम बदलाव करने देता है।

इसे परखने के लिए, मैंने कंटेंट टेक्स्टबॉक्स में एक Python फ़ंक्शन दिया:

def find_median(nums):
    if not nums:
        return None
    nums.sort()
    n = len(nums)
    mid = n // 2
    if n % 2 == 1:
        return nums[mid]
    else:
        return (nums[mid - 1] + nums[mid]) / 2

प्रॉम्प्ट: इस कोड को C++ में कन्वर्ट करें

Gemini ने सफलतापूर्वक फ़ंक्शन को साफ़-सुथरे C++ सिंटैक्स में ट्रांसलेट कर दिया। फिर मैंने इसे दो अतिरिक्त फ़ंक्शन्स जोड़ने को कहा: एक मीीन (औसत) निकालने के लिए और दूसरा मोड के लिए। इसने उन्हें सही तरह से कोड ब्लॉक में जोड़ दिया।

अंतिम चरण के रूप में, मैंने मॉडल से सभी तीन फ़ंक्शन्स को वैलिडेट करने के लिए टेस्ट केस जोड़ने को कहा—जो इसने पूरा किया। हालाँकि, जब मैंने “run this code” प्रॉम्प्ट देने की कोशिश की, तो Gemini ने प्रतिक्रिया नहीं दी—यह दर्शाता है कि जबकि यह कोड जनरेट करने में माहिर है, कम्पाइल्ड कोड का एक्ज़िक्यूशन या सिमुलेशन अभी इस वातावरण में सपोर्टेड नहीं है।

उदाहरण 7: टेक्स्ट के साथ इंस्टेंट एडिट

यह टूल लेखन और कहानियाँ एडिट करने के लिए भी बढ़िया है। Instant Edit का उपयोग करते हुए, मैंने मॉडल को एक पंक्ति की कहानी दी और इसे उसे आगे बढ़ाने को कहा।

कॉन्टेंट टेक्स्टबॉक्स: Treewood में रहने वाले Sprig नामक एक खुश पेड़ की कहानी लिखिए, जो एक मशहूर फ़िल्म स्टार बनने का सपना देखता है।

कथा को गहरा करने के लिए, फिर मैंने मॉडल से एक अस्वीकृतिपूर्ण पिता-पात्र जोड़कर नाटकीय तनाव बढ़ाने को कहा।

प्रॉम्प्ट: इस कहानी में ड्रामा जोड़ें—एक पिता का किरदार शामिल करके, जो Sprig के करियर चुनाव से खुश नहीं है।

मॉडल ने कहानी का विस्तार इनलाइन करते हुए जवाब दिया—एक बुद्धिमान लेकिन सख्त ओक-पेड़ पिता को सहजता से बुनते हुए, जो Sprig के रंगमंचीय सपनों को नापसंद करता था। एडिट्स को विज़ुअल टॉगल्स के साथ हाइलाइट किया गया, जिससे मैं मूल और अपडेटेड कंटेंट की तुलना कर सका/सकी।

यह उदाहरण दिखाता है कि Instant Edit क्रमिक कहानी लेखन और नियंत्रित क्रिएटिव परिष्कार को कैसे सपोर्ट करता है—वह भी उपयोगकर्ता को पूरी तरह लूप में रखते हुए।

उदाहरण 8: ऑडियो के साथ ज़ायलोफ़ोन

अंतिम परीक्षण के लिए, मैंने Gemini Diffusion को एक इंटरैक्टिव ज़ायलोफ़ोन ऐप बनाने का प्रॉम्प्ट दिया। मॉडल ने रंगीन, सुव्यवस्थित कीज़ का सेट जनरेट किया—अनुरूप साउंड मैपिंग्स, इवेंट लिस्नर्स और होवर इफ़ेक्ट्स के साथ—जो इंटरैक्टिव ऑडियो UI सँभालने की इसकी क्षमता दिखाता है।

प्रॉम्प्ट: एक ज़ायलोफ़ोन ऐप जनरेट करें जिसमें उपयोगकर्ता कीज़ दबा सके और उससे ध्वनि उत्पन्न हो। हर नोट दबाने के बाद एक उचित समय तक बजे। किसी बाहरी एसेट का उपयोग न करें। इन-बिल्ट MIDI साउंड जनरेशन का उपयोग करें। कीज़ को असली ज़ायलोफ़ोन की तरह लेआउट करें।

ध्यान दें: भले ही Gemini Diffusion ऑडियो या वीडियो जनरेशन सपोर्ट नहीं करता, फिर भी यह ब्राउज़र प्रीव्यू के भीतर MIDI-स्टाइल टोन सिंथेसिस का उपयोग करके वास्तविक-सा ऑडियो व्यवहार सिमुलेट करने में सक्षम था।

यह दर्शाता है कि मॉडल किसी भी बाहरी एसेट या लाइब्रेरी की आवश्यकता के बिना फ़ंक्शनल ऑडियो इंटरफ़ेस बना सकता है।

मैं नीचे दिए गए वीडियो के लिए साउंड ऑन करने की सलाह देता/देती हूँ:

Gemini Diffusion महत्वपूर्ण क्यों है?

Gemini Diffusion इस बात में एक पैरेडाइम शिफ्ट दर्शाता है कि हम LLMs के साथ कैसे इंटरैक्ट करते हैं। यह क्यों मायने रखता है:

रियल-टाइम जनरेशन: अब तक Google का सबसे तेज़ टेक्स्ट मॉडल।
ज़्यादा बुद्धिमान एडिटिंग: जनरेट करते समय आउटपुट को परिष्कृत और सुधारता है।
समृद्ध इंटरेक्टिविटी: ब्राउज़र में ही सिमुलेशन, गेम्स और साउंड-आधारित ऐप्स बनाता है।
बेंचमार्क परफ़ॉर्मेंस: अंततः यह कई कोडिंग बेंचमार्क्स पर तुलनीय प्रदर्शन देता है, जैसे HumanEval (89.6%) और MBPP (76%), जबकि गति काफ़ी ज़्यादा तेज़ रहती है।

मुझे Gemini Diffusion जनरेशन स्पीड, सुसंगतता और आउटपुट क्वालिटी—तीनों ही मामले में काफ़ी प्रभावशाली लगा। चाहे कहानियाँ आगे बढ़ानी हों, फ़िजिक्स सिमुलेट करना हो, या इंटरैक्टिव टूल बनाना—मॉडल लगातार न्यूनतम प्रॉम्प्टिंग में तेज़ और उपयोगी परिणाम देता रहा।

बेशक, सुधार की गुंजाइश अभी भी है। उदाहरण के लिए, फिलहाल यह चैट हिस्ट्री सुरक्षित नहीं रखता, और कई चरणों वाले परिवर्तनों में कभी-कभी चूक जाता है। साथ ही, यह हर कार्य पर ऑप्टिमाइज़्ड ऑटोरेग्रेसीव मॉडलों जितना अच्छा प्रदर्शन न करे और प्रति उपयोगकर्ता प्रतिदिन 200 रिक्वेस्ट्स तक सीमित है—लेकिन बीटा चरण आशाजनक दिखता है।

निष्कर्ष

Gemini Diffusion इस साल मेरे द्वारा खोजे गए सबसे रोमांचक टूल्स में से एक है। टेक्स्ट के लिए डिफ्यूज़न दृष्टिकोण अपनाकर, Google ने एक ऐसा मॉडल बनाया है जो पिछले छोटे से मध्यम आकार के मॉडलों की तुलना में तेज़ और ज़्यादा इंटरैक्टिव है—हालाँकि अभी Gemini 2.5 Pro जितना सामान्य-उद्देश्यीय नहीं है।

इस हैंड्स-ऑन वॉकथ्रू में, मैंने दिखाया कि Gemini Diffusion आपके वर्कफ़्लो को कैसे ऊँचा उठा सकता है—चाहे आप UI कंपोनेंट्स का प्रोटोटाइप बना रहे हों, शैक्षणिक डेमो तैयार कर रहे हों, या क्रिएटिव कॉन्सेप्ट्स पर तेज़ी से इटरेट कर रहे हों।

जैसे-जैसे Gemini Diffusion विकसित होगा, मुझे डेवलपर टूल्स, क्रिएटिव कोडिंग एनवायरनमेंट्स और ब्राउज़र-आधारित IDEs के साथ गहन इंटीग्रेशन की उम्मीद है—जो इसे डिज़ाइनर्स, इंजीनियर्स और शिक्षकों के लिए समान रूप से एक बहुमुखी साथी बना देगा।

Google I/O 2025 में घोषित नवीनतम टूल्स के बारे में अधिक जानने के लिए, मैं ये ट्यूटोरियल्स सुझाता/सुझाती हूँ:

Author

Aashi Dutt

मैं एमएल (Gen AI) में Google Developers Expert, Kaggle 3x Expert, और Women Techmakers एंबेसडर हूँ, तथा तकनीक क्षेत्र में 3+ वर्षों का अनुभव रखती हूँ। मैंने 2020 में एक हेल्थ-टेक स्टार्टअप की सह-स्थापना की और वर्तमान में Georgia Tech से कंप्यूटर विज्ञान में मास्टर कर रही हूँ, जिसमें मेरा विशेषज्ञता क्षेत्र मशीन लर्निंग है।

विषय

कृत्रिम बुद्धिमत्ता

जनरेटिव एआई