ज्यादातर लोग हर दिन ChatGPT और Claude का इस्तेमाल करते हैं, लेकिन उन्हें यह बिल्कुल नहीं पता कि इन्हें असल में कैसे बनाया गया है।
इसे सेव कर लें :)
लोगों का एक छोटा समूह उस सटीक पाइपलाइन को समझता है जो इंटरनेट के कच्चे टेक्स्ट को एक ऐसे मॉडल में बदल देती है जो लिख सकता है, तर्क कर सकता है और कोडिंग कर सकता है। और उस पाइपलाइन को समझना इन टूल्स के इस्तेमाल करने के आपके तरीके को हमेशा के लिए बदल देता है, क्योंकि आप अंततः यह देख पाते हैं कि पर्दे के पीछे क्या हो रहा है, बजाय इसके कि आप इसे कोई जादू समझें।
इन दो समूहों के बीच का अंतर गणित की डिग्री नहीं है।
यह एक स्पष्ट मानसिक मॉडल (mental model) है।
यहाँ वह सच है जिसे लगभग कोई भी सरलता से नहीं समझाता: हर फ्रंटियर मॉडल, GPT, Claude, ये सभी, एक ही पांच-चरणीय पाइपलाइन के माध्यम से बनाए जाते हैं। कंपनियां पैमाने, डेटा और हजारों इंजीनियरिंग विवरणों में अलग-अलग हो सकती हैं, लेकिन प्रक्रिया का स्वरूप हर जगह एक जैसा है। इस स्वरूप को सीखें और आप समझ जाएंगे कि वे सभी कैसे बनाए जाते हैं।
शुरू करने से पहले मुझे ईमानदारी से उम्मीदें स्पष्ट करने दें। आप अपने लैपटॉप पर शून्य से शुरुआत करके GPT या Claude को टक्कर देने वाला मॉडल ट्रेन नहीं करने वाले हैं। उन मॉडलों को बनाने में कंप्यूट पर करोड़ों डॉलर का खर्च आता है और उन्हें विशाल इंजीनियरिंग टीमों की आवश्यकता होती है। यहाँ लक्ष्य वह नहीं है। लक्ष्य पाइपलाइन को इतनी गहराई से समझना है कि आप खुद एक छोटा काम करने वाला संस्करण बना सकें, यह तर्क कर सकें कि बड़े मॉडल कैसे व्यवहार करते हैं, और इन सब चीजों से हैरान होना बंद कर सकें। वह समझ अधिकांश लोगों की सोच से कहीं अधिक मूल्यवान है, और यह पूरी तरह से आपकी पहुंच के भीतर है।
यहाँ पांच चरण दिए गए हैं, उसी क्रम में, जैसे वे घटित होते हैं।
चरण 1: डेटा — वह नींव जिस पर सब कुछ टिका है
मॉडल बनने से पहले, टेक्स्ट होता है। बहुत बड़ी मात्रा में।
पहला चरण उस डेटा को इकट्ठा करना और तैयार करना है जिससे मॉडल सीखेगा। एक फ्रंटियर मॉडल के लिए इसका मतलब है टेक्स्ट की एक चौंका देने वाली मात्रा: सार्वजनिक इंटरनेट का एक बड़ा हिस्सा, किताबें, कोड रिपॉजिटरी, और बहुत कुछ। लेकिन कच्चा टेक्स्ट अस्त-व्यस्त होता है, इसलिए इस चरण में अधिकांश काम इकट्ठा करना नहीं, बल्कि सफाई करना है।
डेटा को कचरा हटाने के लिए फ़िल्टर किया जाता है, डुप्लिकेट सामग्री को हटा दिया जाता है (एक ही पैराग्राफ का हजार बार आना मॉडल जो सीखता है उसे बिगाड़ देगा), और निम्न-गुणवत्ता या हानिकारक सामग्री को फ़िल्टर कर दिया जाता है। यह सफाई लोगों की सोच से कहीं अधिक मायने रखती है। पुराना सिद्धांत कायम है: जैसा इनपुट, वैसा आउटपुट (garbage in, garbage out)। साफ और उच्च-गुणवत्ता वाले डेटा पर प्रशिक्षित मॉडल, अधिक लेकिन अस्त-व्यस्त डेटा पर प्रशिक्षित मॉडल की तुलना में बेहतर सीखता है। डेटा की गुणवत्ता पूरे क्षेत्र में सबसे महत्वपूर्ण और कम ग्लैमरस लीवर में से एक है।
फिर वह कदम आता है जो शुरुआती लोगों को हैरान करता है: टोकनाइजेशन (tokenization)। मॉडल सीधे टेक्स्ट नहीं पढ़ सकता। टेक्स्ट को टोकन में तोड़ दिया जाता है, जो शब्द-भाग के आकार के टुकड़े होते हैं। "टोकनाइजेशन" शब्द तीन या चार टोकन बन सकता है। प्रशिक्षण डेटा का हर टुकड़ा इन टोकन में बदल जाता है, और उस बिंदु से मॉडल केवल टोकन का प्रतिनिधित्व करने वाली संख्याएं देखता है, अक्षर कभी नहीं। यही कारण है कि मॉडल कभी-कभी एक शब्द में अक्षरों की गिनती गलत कर देते हैं: उन्होंने कभी अक्षर नहीं देखे, केवल टोकन देखे।
इस चरण का आउटपुट एक विशाल, साफ, टोकनयुक्त डेटासेट है। अभी तक कुछ भी नहीं सीखा गया है। आपने बस कच्चा माल तैयार किया है।
इस चरण को सीखने के लिए क्या करें
- एक टोकनाइज़र वास्तव में क्या करता है, यह जानने के लिए टेक्स्ट को उसके माध्यम से चलाएं और उसे टोकन में विभाजित होते हुए देखें
- एक छोटा टेक्स्ट डेटासेट लें और उसे साफ करने का अभ्यास करें: डुप्लिकेट हटाना, कचरा फ़िल्टर करना, प्रारूप को सामान्य करना
- समझें कि डेटा की गुणवत्ता डेटा की मात्रा से बेहतर क्यों है, यह तुलना करके कि एक छोटा मॉडल साफ बनाम अस्त-व्यस्त डेटा से क्या सीखता है
- पढ़ें कि प्रमुख लैब अपने डेटा फ़िल्टरिंग का वर्णन कैसे करती हैं, और ध्यान दें कि इसमें कितनी मेहनत लगती है
चरण 2: प्रीट्रेनिंग — जहाँ मॉडल वास्तव में भाषा सीखता है
यह वह चरण है जिसमें लाखों का खर्च आता है, और यहीं मॉडल वह सब कुछ सीखता है जो वह जानता है।
प्रीट्रेनिंग का एक खूबसूरती से सरल उद्देश्य है: अगले टोकन की भविष्यवाणी करना। मॉडल को टोकन का एक क्रम दिखाया जाता है और अगले टोकन का अनुमान लगाने के लिए कहा जाता है। वह अनुमान लगाता है, अनुमान की तुलना वास्तविक अगले टोकन से की जाती है, और मॉडल की आंतरिक संख्याओं (इसके पैरामीटर, अक्सर अरबों में) को अगली बार बेहतर अनुमान लगाने के लिए थोड़ा बदला जाता है। फिर वह इसे दोबारा करता है। और दोबारा। खरबों टोकन के पार।
यही पूरा प्रशिक्षण उद्देश्य है। बार-बार अगले टोकन की भविष्यवाणी करें, एक विशाल पैमाने पर। और उस बेतुके सरल लक्ष्य से, कुछ उल्लेखनीय उभर कर आता है। मानव टेक्स्ट के सभी हिस्सों में अगले टोकन की भविष्यवाणी करने में कुशल होने के लिए, मॉडल को व्याकरण, तथ्य, तर्क पैटर्न, कोडिंग सिंटैक्स और तर्कों की संरचना सीखने के लिए मजबूर किया जाता है, क्योंकि वे सभी इसे बेहतर भविष्यवाणी करने में मदद करते हैं। किसी ने इसे स्पष्ट रूप से व्याकरण नहीं सिखाया। इसने व्याकरण सीखा क्योंकि व्याकरण इसे अगला शब्द अनुमान लगाने में मदद करता है।
प्रीट्रेनिंग का परिणाम बेस मॉडल कहलाता है। यह भाषा का एक शक्तिशाली इंजन है, लेकिन यह कच्चा है। एक बेस मॉडल यह नहीं जानता कि उसे एक सहायक सहायक (helpful assistant) होना चाहिए। उससे कोई सवाल पूछें और वह बस आपके वाक्य को जारी रख सकता है, या समान सवालों की एक सूची तैयार कर सकता है, क्योंकि उसने केवल टेक्स्ट को समझदारी से जारी रखना सीखा है। इसके पास विशाल ज्ञान है और शून्य शिष्टाचार। यह एक अविश्वसनीय रूप से सक्षम उपकरण है जिसे यह नहीं बताया गया है कि उसका काम क्या है।
इस चरण को समझना इस पूरे लेख का सबसे बड़ा अनलॉक है। एक बार जब आप समझ जाते हैं कि इन मॉडलों का मूल विशाल पैमाने पर अगले-टोकन की भविष्यवाणी है, तो उनकी प्रवाह क्षमता और उनके मतिभ्रम (hallucinations) दोनों बिल्कुल सही समझ में आते हैं। वे समझदारी से जारी रखने के लिए बनाए गए हैं, न कि सच बोलने के लिए। सच वह चीज है जिसे बाद के चरणों और आपकी अपनी इंजीनियरिंग को जोड़ना होता है।
इस चरण को सीखने के लिए क्या करें
- अगले-टोकन भविष्यवाणी के उद्देश्य को तब तक आत्मसात करें जब तक आप इसे एक वाक्य में किसी दोस्त को समझा न सकें
- एक छोटे डेटासेट पर एक छोटा भाषा मॉडल ट्रेन करें (इसके लिए शुरुआती लोगों के लिए प्रसिद्ध ट्यूटोरियल उपलब्ध हैं) ताकि लूप को प्रत्यक्ष रूप से महसूस किया जा सके
- पैरामीटर, डेटा और कंप्यूट के बीच के संबंध को समझें, और यह भी कि तीनों को स्केल करने से मॉडल में सुधार क्यों हुआ
- ध्यान दें कि यह चरण कैसे बताता है कि मॉडल धाराप्रवाह क्यों हैं और वे आत्मविश्वास के साथ चीजें क्यों बना लेते हैं
चरण 3: सुपरवाइज्ड फाइन-ट्यूनिंग — मॉडल को उपयोगी बनना सिखाना
अब आप उस शानदार, बिना शिष्टाचार वाले बेस मॉडल को लेते हैं और उसे सिखाते हैं कि उसका काम क्या है।
बेस मॉडल भाषा जानता है लेकिन यह नहीं जानता कि उसे सवालों के जवाब मददगार तरीके से देने चाहिए। सुपरवाइज्ड फाइन-ट्यूनिंग, जिसे आमतौर पर SFT कहा जाता है, इसे ठीक करता है। आप मॉडल को उस व्यवहार के हजारों उदाहरण दिखाते हैं जो आप चाहते हैं: एक सवाल के साथ एक अच्छा जवाब, एक निर्देश के साथ एक सही प्रतिक्रिया, एक समस्या के साथ एक स्पष्ट समाधान।
मॉडल को इन उदाहरणों पर उसी तरह प्रशिक्षित किया जाता है जैसे इसे प्रीट्रेन किया गया था, टोकन की भविष्यवाणी करते हुए, लेकिन अब डेटा उन प्रदर्शनों का क्यूरेटेड संग्रह है कि एक सहायक सहायक को वास्तव में कैसे प्रतिक्रिया देनी चाहिए। यह उपयोगी होने का प्रारूप सीखता है: जब कोई सवाल दिया जाता है, तो टेक्स्ट को जारी रखने या इधर-उधर की बातें करने के बजाय एक मददगार जवाब दें।
इन उदाहरणों की गुणवत्ता बहुत मायने रखती है, और वे अक्सर मनुष्यों द्वारा लिखे या सावधानीपूर्वक क्यूरेट किए जाते हैं। यह प्रीट्रेनिंग की तुलना में बहुत कम डेटा है, कभी-कभी खरबों टोकन के बजाय हजारों या दसियों हजार उदाहरण, लेकिन यह उच्च-गुणवत्ता वाला, विचारशील और लक्षित है। उत्कृष्ट प्रदर्शन डेटा की अपेक्षाकृत कम मात्रा एक कच्चे बेस मॉडल को कुछ ऐसा बना देती है जो एक सहायक की तरह व्यवहार करता है।
SFT के बाद, आपके पास एक ऐसा मॉडल होता है जो वास्तव में उपयोगी है। यह निर्देशों का पालन करता है, सवालों के जवाब देता है, और काम पर केंद्रित रहता है। कई उद्देश्यों के लिए यह पहले से ही एक काम करने वाला सहायक है। लेकिन यह अभी उतना मददगार, हानिरहित और परिष्कृत नहीं है जितना कि वे मॉडल जिनका आप वास्तव में उपयोग करते हैं, और यही वह है जिसके लिए अंतिम दो चरण हैं।
इस चरण को सीखने के लिए क्या करें
- बेस मॉडल और फाइन-ट्यून किए गए मॉडल के बीच के अंतर को समझें, यह पढ़कर कि प्रत्येक कैसे प्रतिक्रिया देता है
- एक छोटा निर्देश डेटासेट बनाएं या जांचें: सवाल-जवाब के जोड़े जो उस व्यवहार को प्रदर्शित करते हैं जो आप चाहते हैं
- एक केंद्रित कार्य पर एक छोटे ओपन मॉडल को फाइन-ट्यून करने का प्रयास करें और उसके व्यवहार को बदलते हुए देखें
- ध्यान दें कि प्रदर्शन उदाहरणों की गुणवत्ता उनकी मात्रा की तुलना में कितनी मायने रखती है
चरण 4: रिवॉर्ड मॉडलिंग — मॉडल को सिखाना कि "अच्छा" कैसा दिखता है
यह वह चरण है जिसे अधिकांश स्पष्टीकरण छोड़ देते हैं, और यह इस बात का चतुर केंद्र है कि आधुनिक मॉडल इतने परिष्कृत कैसे हो जाते हैं।
यहाँ वह समस्या है जिसका सामना लैब ने किया। SFT के बाद, एक मॉडल अच्छे जवाब देता है, लेकिन "अच्छा" को केवल उदाहरणों के साथ परिभाषित करना मुश्किल है। अधिकांश सवालों के लिए कोई एक सही जवाब नहीं होता; बेहतर और बदतर जवाब होते हैं। आप एक मॉडल को बेहतर जवाब पसंद करना कैसे सिखाते हैं जब आप इसके लिए कोई नियम नहीं लिख सकते?
समाधान सुंदर है। आप मॉडल से एक ही प्रॉम्प्ट के कई अलग-अलग जवाब तैयार करवाते हैं। फिर इंसान उन जवाबों को देखते हैं और उन्हें रैंक करते हैं: यह वाला उस वाले से बेहतर है। आप इन मानवीय प्राथमिकता तुलनाओं की एक बड़ी संख्या एकत्र करते हैं। और फिर, उन्हें सीधे उपयोग करने के बजाय, आप एक दूसरे मॉडल को प्रशिक्षित करते हैं, जिसे रिवॉर्ड मॉडल कहा जाता है, जिसका पूरा काम किसी भी जवाब को देखना और भविष्यवाणी करना है कि एक इंसान इसे कैसे रेट करेगा।
सोचें कि यह क्या हासिल करता है। आप हर उस जवाब को रेट करने के लिए इंसान नहीं रख सकते जो मुख्य मॉडल कभी भी तैयार करता है; वह कभी स्केल नहीं होगा। लेकिन आप मानवीय निर्णयों के एक नमूने पर एक रिवॉर्ड मॉडल को प्रशिक्षित कर सकते हैं, और अब आपके पास मानवीय प्राथमिकता के लिए एक स्वचालित विकल्प है जो लाखों जवाबों को स्कोर कर सकता है। रिवॉर्ड मॉडल "इंसान क्या पसंद करते हैं" और "कंप्यूटर जिसे ऑप्टिमाइज़ कर सकता है" के बीच का सेतु है।
रिवॉर्ड मॉडल कभी भी उपयोगकर्ताओं से बात नहीं करता है। यह पर्दे के पीछे का जज है। लेकिन यह वह कुंजी है जो अंतिम चरण को अनलॉक करती है, क्योंकि यह आपको मुख्य मॉडल को उन जवाबों की ओर धकेलने का एक तरीका देती है जिन्हें इंसान वास्तव में पसंद करते हैं, एक ऐसे पैमाने पर जिसे कोई भी मानव टीम कभी नहीं मिला सकती।
इस चरण को सीखने के लिए क्या करें
- समझें कि जवाबों को रैंक करना (यह उस से बेहतर है) सही जवाब लिखने की तुलना में आसान और अधिक स्केलेबल क्यों है
- मूल विचार को समझें: एक रिवॉर्ड मॉडल मानवीय निर्णय की नकल करना सीखता है ताकि वह जवाबों को स्वचालित रूप से स्कोर कर सके
- पढ़ें कि मानवीय तुलनाओं के माध्यम से प्राथमिकता डेटा कैसे एकत्र किया जाता है
- देखें कि यह चरण मानवीय स्वाद की अस्त-व्यस्तता को उस चीज़ से कैसे जोड़ता है जिसका उपयोग प्रशिक्षण प्रक्रिया कर सकती है
चरण 5: रीइन्फोर्समेंट लर्निंग — मॉडल को उस चीज़ में पॉलिश करना जिसका आप उपयोग करते हैं
अंतिम चरण अब तक बनाई गई हर चीज़ को लेता है और मॉडल को उस मददगार, सावधान सहायक में परिष्कृत करता है जिसके साथ आप वास्तव में बातचीत करते हैं।
इस चरण को आमतौर पर RLHF, रीइन्फोर्समेंट लर्निंग फ्रॉम ह्यूमन फीडबैक कहा जाता है। यहाँ बताया गया है कि टुकड़े कैसे एक साथ फिट होते हैं। आप चरण 3 से अपना फाइन-ट्यून किया गया मॉडल और चरण 4 से रिवॉर्ड मॉडल लेते हैं। फाइन-ट्यून किया गया मॉडल जवाब तैयार करता है। रिवॉर्ड मॉडल उन्हें स्कोर करता है। और फाइन-ट्यून किए गए मॉडल को, रीइन्फोर्समेंट लर्निंग के माध्यम से, ऐसे जवाब देने के लिए प्रेरित किया जाता है जो उच्च स्कोर करते हैं। यह एक लूप है: तैयार करें, स्कोर करें, सुधारें, दोहराएं।
चूंकि रिवॉर्ड मॉडल अंतहीन रूप से स्कोर कर सकता है, मुख्य मॉडल सीधे मानवीय उदाहरणों की तुलना में कहीं अधिक अभ्यास और सुधार कर सकता है। कई राउंड के बाद, यह अधिक मददगार, अधिक सुसंगत, बारीकियों का पालन करने में बेहतर, और उन चीजों को अस्वीकार करने में बेहतर होना सीखता है जो उसे नहीं करनी चाहिए। यह वह चरण है जो मॉडलों को उनकी पॉलिश, उनका अच्छा निर्णय और उनकी सुरक्षा व्यवहार का एक बड़ा हिस्सा देता है।
एक आधुनिक बदलाव जो जानने योग्य है: कुछ मानवीय फीडबैक को लिखित सिद्धांतों के एक सेट के अनुसार उत्पन्न फीडबैक के साथ बदला या पूरक किया जा सकता है, एक दृष्टिकोण जिसे कभी-कभी RLAIF या संवैधानिक तरीके कहा जाता है। भावना वही है: हर चीज को रेट करने के लिए केवल इंसानों पर निर्भर रहने के बजाय, आप उस फीडबैक को स्केल करते हैं जो मॉडल के व्यवहार को आकार देता है, स्पष्ट रूप से बताए गए मूल्यों द्वारा निर्देशित।
इस चरण के बाद, आपके पास तैयार उत्पाद होता है। एक ऐसा मॉडल जो प्रीट्रेनिंग से धाराप्रवाह है, फाइन-ट्यूनिंग से उपयोगी है, और रीइन्फोर्समेंट लर्निंग से परिष्कृत और संरेखित है। जब आप ChatGPT या Claude खोलते हैं तो आप इसी से बात कर रहे होते हैं। पांच चरण, प्रत्येक पिछले पर आधारित।
इस चरण को सीखने के लिए क्या करें
- लूप को समझें: मॉडल तैयार करता है, रिवॉर्ड मॉडल स्कोर करता है, मॉडल उच्च स्कोर की ओर सुधार करता है
- समझें कि यह मॉडल को सीधे मानवीय उदाहरणों की सीमाओं से परे अभ्यास करने की अनुमति क्यों देता है
- मानवीय फीडबैक से सीखने और सिद्धांतों द्वारा निर्देशित AI फीडबैक से सीखने के बीच के अंतर के बारे में पढ़ें
- देखें कि यह अंतिम चरण कैसे वह मददगारपन, निर्णय और सुरक्षा व्यवहार पैदा करता है जिसे आप एक उपयोगकर्ता के रूप में अनुभव करते हैं
पूरी पाइपलाइन एक सांस में
मुझे इसे एक साथ रखने दें ताकि यह स्पष्ट हो जाए।
आप टेक्स्ट का एक पहाड़ इकट्ठा करते हैं और साफ करते हैं और इसे टोकन में बदल देते हैं। आप एक मॉडल को उन सभी पर अगले टोकन की भविष्यवाणी करने के लिए प्रशिक्षित करते हैं, और उस सरल लक्ष्य से एक बेस मॉडल उभरता है जो भाषा को समझता है लेकिन जिसमें कोई शिष्टाचार नहीं है। आप इसे क्यूरेटेड उदाहरणों पर फाइन-ट्यून करते हैं ताकि यह एक मददगार सहायक की तरह व्यवहार करना सीख सके। आप इसके जवाबों की मानवीय रैंकिंग एकत्र करते हैं और मानवीय निर्णय की नकल करने के लिए एक रिवॉर्ड मॉडल को प्रशिक्षित करते हैं। और अंत में आप उस रिवॉर्ड मॉडल का उपयोग सहायक को रीइन्फोर्समेंट लर्निंग के माध्यम से परिष्कृत करने के लिए करते हैं जब तक कि वह पॉलिश, मददगार और संरेखित न हो जाए।
डेटा, प्रीट्रेनिंग, फाइन-ट्यूनिंग, रिवॉर्ड मॉडलिंग, रीइन्फोर्समेंट लर्निंग। पांच चरण। हर फ्रंटियर मॉडल इसी तरह बनाया जाता है।
अपना खुद का LLM बनाने के बारे में ईमानदार सच
आप अपने बेडरूम से फ्रंटियर लैब से बेहतर नहीं बनाने वाले हैं, और वह कभी भी बिंदु नहीं था।
बिंदु समझ है। एक बार जब यह पाइपलाइन आपके दिमाग में स्पष्ट हो जाती है, तो आप इन टूल्स के निष्क्रिय उपयोगकर्ता बनना बंद कर देते हैं और कोई ऐसा व्यक्ति बन जाते हैं जो उनके बारे में तर्क करता है। आप समझते हैं कि वे मतिभ्रम क्यों करते हैं (अगले-टोकन की भविष्यवाणी)। आप समझते हैं कि प्रॉम्प्टिंग क्यों काम करती है (आप आकार दे रहे हैं कि क्या भविष्यवाणी की जाएगी)। आप समझते हैं कि कुछ मॉडल दूसरों की तुलना में अधिक संरेखित क्यों महसूस करते हैं (चरण चार और पांच की गुणवत्ता)। आप समझते हैं कि आपके अपने फाइन-ट्यूनिंग प्रयोगों में आपका अपना डेटा इतना मायने क्यों रखता है। यह समझ वह नींव है जिस पर सबसे सक्षम AI निर्माता खड़े हैं।
और यहाँ वास्तव में सशक्त हिस्सा है: आप खुद इन चरणों में से प्रत्येक का एक छोटा काम करने वाला संस्करण बना सकते हैं, एक छोटे पैमाने पर, सीखने के लिए। लोग हर समय लघु मॉडल को प्रशिक्षित करते हैं, छोटे ओपन मॉडलों को फाइन-ट्यून करते हैं, और प्राथमिकता डेटा के साथ प्रयोग करते हैं। आप Claude नहीं बनाएंगे। लेकिन आप कुछ ऐसा बना सकते हैं जो आपको सिखाए कि Claude को वास्तव में कैसे बनाया गया था, और वह ज्ञान इस क्षेत्र में आपके बाकी करियर के लिए बढ़ता रहता है।
ज्यादातर लोग सालों तक इन मॉडलों का उपयोग करेंगे और कभी नहीं समझेंगे कि वे कैसे बनाए गए थे।
आपने अभी पूरी पाइपलाइन पढ़ी है। आप उन सभी से आगे हैं जो हर दिन इन टूल्स में टाइप करते हैं।
केवल सवाल यह है कि क्या आप खुद एक छोटा संस्करण बनाएंगे और समझ को कुछ ऐसा बनाएंगे जिसे आप वास्तव में कर सकते हैं।
पांच चरण आपके ठीक ऊपर हैं। चरण एक चुनें, और शुरू करें।
यदि आपको यह उपयोगी लगा, तो मुझे फॉलो करें @eng_khairallah1 इस तरह की और AI सामग्री के लिए। मैं हर हफ्ते ब्रेकडाउन, कोर्स और टूल पोस्ट करता हूँ।
आशा है कि यह आपके लिए उपयोगी था, Khairallah ❤️
