AI ला ‘मांजर’ ओळखायला कसं शिकवणार?
तिला फक्त शब्द सांगून पुरेसं होणार नाही.
वेगवेगळ्या मांजरांचे अनेक recorded examples दाखवावे लागतील.
Lesson 08 · 7 min · Guided story
AI Training आणि Data
AI training मध्ये data कसा वापरला जातो, incomplete किंवा one-sided examples output कसा बदलू शकतात आणि privacy का महत्त्वाची आहे ते समजा.
Marathi narration is ready.
Data फक्त numbers नसतो.
नोंदवलेली माहिती अनेक रूपांत असू शकते words, numbers, images, आवाज किंवा location.
Words. Messages किंवा documents.
Numbers. Temperature किंवा price.
Images. Photos किंवा scans.
Sound. Voice recording.
Location. Recorded place किंवा route.
Data म्हणजे observations किंवा माहितीचे नोंदवलेले रूप.
नोंद केल्यावर माहिती store, compare आणि process करता येते.
Recorded examples मधून AI pattern शिकते.
Training दरम्यान system examples तुलना करते.
नवीन input आल्यावर शिकलेल्या pattern वरून output देते.
Recorded examples. Photos, words किंवा numbers.
Learn patterns. पुन्हा दिसणारे संबंध.
New output. नवीन input साठी अंदाज.
Training data म्हणजे अभ्यासासाठी वापरलेल्या notes सारखा.
चांगले, relevant notes समज तयार करण्यास मदत करतात.
चुकीचे किंवा अपुरे notes उत्तरात चुका आणू शकतात.
Study notes. Training data.
Repeated practice. Pattern learning.
New exam question. New input.
विद्यार्थी शंका विचारू शकतो, अनुभव वापरू शकतो आणि notes दुरुस्त करू शकतो. AI model कडे तशी मानवी समज नसते.
फक्त daylight photos पाहिलेल्या model ला अंधुक प्रकाशात अडचण येऊ शकते.
Training examples मध्ये रात्रीचे किंवा वेगवेगळ्या camera चे photos नसतील तर नवीन low-light image हा system साठी unfamiliar असू शकतो.
Daylight photos only. स्वच्छ प्रकाशातील examples system ने पाहिले.
Low-light photo. नवीन परिस्थिती training examples पेक्षा वेगळी आहे.
जास्त data म्हणजे आपोआप चांगली AI नाही.
Data relevant, representative, योग्य quality चा आणि lawful असणं महत्त्वाचं आहे.
More data always means better AI. Relevant + representative + quality data matters.
प्रत्येक माहिती AI tool मध्ये टाकणं आवश्यक नसतं.
Sensitive माहिती share करण्याआधी tool ला ती खरोखर आवश्यक आहे का आणि ती कशी वापरली जाईल हे तपासा.
Password, OTP किंवा bank details share करू नका.
Aadhaar किंवा private health information टाकण्याआधी गरज तपासा.
Tool ची privacy policy आणि data controls पाहा.
संपूर्ण महाराष्ट्रासाठी voice tool बनवताना कोणता sample अधिक representative आहे?
Representative म्हणजे ज्या लोकांसाठी feature आहे त्यांच्या विविधतेचं योग्य चित्र देणारा sample.
Training data चा परिणाम ओळखा
Timer नाही. उत्तर निवडल्यानंतर explanation पाहता येईल.
AI output पाहताना विचारा: हे system कोणत्या data वर शिकले असेल?
Data .
Pattern .
Output.
Data अपुरा किंवा one-sided असेल तर output वर त्याचा परिणाम होऊ शकतो.
Sources & Review
या lesson मागचे references
Last reviewed 2026-07-18. Sources open in a new tab and may be in English.
Audio alternative
Marathi narration transcript
Audio उपलब्ध नसले तरी हा lesson वाचता येतो. खालील मजकूर lesson च्या narration content मधून तयार होतो.
01 · One question and four example clues.
AI ला ‘मांजर’ ओळखायला कसं शिकवणार? तिला फक्त शब्द सांगून पुरेसं होणार नाही. वेगवेगळ्या मांजरांचे अनेक recorded examples दाखवावे लागतील.
02 · Five familiar forms of recorded information.
Data फक्त numbers नसतो. नोंदवलेली माहिती अनेक रूपांत असू शकते words, numbers, images, आवाज किंवा location. Words. Messages किंवा documents. Numbers. Temperature किंवा price. Images. Photos किंवा scans. Sound. Voice recording. Location. Recorded place किंवा route.
03 · Observation, record and usable data.
Data म्हणजे observations किंवा माहितीचे नोंदवलेले रूप. नोंद केल्यावर माहिती store, compare आणि process करता येते.
04 · A stable three-step learning model.
Recorded examples मधून AI pattern शिकते. Training दरम्यान system examples तुलना करते. नवीन input आल्यावर शिकलेल्या pattern वरून output देते. Recorded examples. Photos, words किंवा numbers. Learn patterns. पुन्हा दिसणारे संबंध. New output. नवीन input साठी अंदाज.
05 · The mapping and the analogy's limit.
Training data म्हणजे अभ्यासासाठी वापरलेल्या notes सारखा. चांगले, relevant notes समज तयार करण्यास मदत करतात. चुकीचे किंवा अपुरे notes उत्तरात चुका आणू शकतात. Study notes. Training data. Repeated practice. Pattern learning. New exam question. New input. विद्यार्थी शंका विचारू शकतो, अनुभव वापरू शकतो आणि notes दुरुस्त करू शकतो. AI model कडे तशी मानवी समज नसते.
06 · Training conditions versus a different real-world input.
फक्त daylight photos पाहिलेल्या model ला अंधुक प्रकाशात अडचण येऊ शकते. Training examples मध्ये रात्रीचे किंवा वेगवेगळ्या camera चे photos नसतील तर नवीन low-light image हा system साठी unfamiliar असू शकतो. Daylight photos only. स्वच्छ प्रकाशातील examples system ने पाहिले. Low-light photo. नवीन परिस्थिती training examples पेक्षा वेगळी आहे.
07 · One myth and one correction.
जास्त data म्हणजे आपोआप चांगली AI नाही. Data relevant, representative, योग्य quality चा आणि lawful असणं महत्त्वाचं आहे. More data always means better AI. Relevant + representative + quality data matters.
08 · Three checks before sharing sensitive data.
प्रत्येक माहिती AI tool मध्ये टाकणं आवश्यक नसतं. Sensitive माहिती share करण्याआधी tool ला ती खरोखर आवश्यक आहे का आणि ती कशी वापरली जाईल हे तपासा. Password, OTP किंवा bank details share करू नका. Aadhaar किंवा private health information टाकण्याआधी गरज तपासा. Tool ची privacy policy आणि data controls पाहा.
09 · One comparison with private explanatory feedback.
संपूर्ण महाराष्ट्रासाठी voice tool बनवताना कोणता sample अधिक representative आहे? Representative म्हणजे ज्या लोकांसाठी feature आहे त्यांच्या विविधतेचं योग्य चित्र देणारा sample. फक्त एका शहरातील adults चे आवाज. वेगवेगळ्या regions आणि ages मधील consent असलेले आवाज.
10 · One multiple-choice question with explanatory feedback.
Training data चा परिणाम ओळखा. Timer नाही. उत्तर निवडल्यानंतर explanation पाहता येईल. Training data एकतर्फी असेल तर काय होऊ शकतं? AI output biased किंवा अपूर्ण होऊ शकतो. AI नेहमी अधिक अचूक होते. Data चा output वर काही परिणाम होत नाही.
11 · One question and a three-part sequence.
AI output पाहताना विचारा: हे system कोणत्या data वर शिकले असेल? Data . Pattern . Output. Data अपुरा किंवा one-sided असेल तर output वर त्याचा परिणाम होऊ शकतो.