Skip to main content

AI component के साक्ष्य के रूप में क्या मान्य है

नोट: यह दस्तावेज़ मूल अंग्रेजी संस्करण का स्वचालित अनुवाद है।

AI component के साक्ष्य के रूप में क्या मान्य है

जब DecAIHub यह आकलन करता है कि प्रोजेक्ट के पास कार्यशील AI component है या नहीं, तो वह सत्यापन-योग्य आर्टिफ़ैक्ट खोजता है — न कि मार्केटिंग पाठ, न वादे, न ब्रांड जुड़ाव। यह पृष्ठ उन प्रकार के साक्ष्यों की सूची देता है जो DecAI Fit स्कोर की AI reality धुरी को मज़बूत करते हैं, सबसे मज़बूत से सबसे कमज़ोर के क्रम में।

संक्षेप में: AI का साक्ष्य वे आर्टिफ़ैक्ट हैं जिनका आप निरीक्षण, परीक्षण या स्वतंत्र सत्यापन कर सकते हैं — कोड, दस्तावेज़ीकरण, कार्यप्रणाली सहित मेट्रिक्स, कार्यशील डेमो और तृतीय-पक्ष मूल्यांकन।

Tier-1 साक्ष्य (सबसे मज़बूत)

Tier-1 स्रोत वे आर्टिफ़ैक्ट हैं जिन्हें प्रोजेक्ट स्वयं प्रकाशित या नियंत्रित करता है। AI reality धुरी के लिए सबसे मज़बूत Tier-1 साक्ष्यों में शामिल हैं:

  • AI/ML कोड वाली सार्वजनिक रिपॉज़िटरी — मॉडल प्रशिक्षण स्क्रिप्ट, इनफ़रेंस लॉजिक, डेटा पाइपलाइन, प्रीप्रोसेसिंग चरण। कमिट, रिलीज़ और टेस्ट वाली रिपॉज़िटरी केवल README वाली प्लेसहोल्डर रिपॉज़िटरी से कहीं मज़बूत है।
  • तकनीकी दस्तावेज़ीकरण — मॉडल आर्किटेक्चर, इनपुट/आउटपुट प्रारूपों, मॉडल संस्करणों और अपडेट इतिहास का विवरण। यह इसका जवाब देता है कि "कौन-सा मॉडल, कैसे काम करता है और कौन-सा संस्करण चल रहा है।"
  • कार्यप्रणाली सहित गुणवत्ता मेट्रिक्स — प्रकाशित बेंचमार्क या मूल्यांकन परिणाम जो बताते हैं कि क्या मापा गया, किस डेटा पर, कब और मॉडल के किस संस्करण के साथ। इस संदर्भ के बिना मेट्रिक्स साक्ष्य नहीं हैं।
  • कार्यशील डेमो या एंडपॉइंट — सार्वजनिक रूप से सुलभ इंटरफ़ेस, API या सैंडबॉक्स जहाँ AI component का परीक्षण किया जा सकता है। जो डेमो वास्तविक इनपुट संसाधित करता है और AI-चालित आउटपुट लौटाता है, वह प्रत्यक्ष साक्ष्य है।
  • ऑडिट रिपोर्ट या तृतीय-पक्ष मूल्यांकन — किसी मान्यता प्राप्त संस्था द्वारा मॉडल की गुणवत्ता, निष्पक्षता, सुरक्षा या प्रदर्शन का स्वतंत्र आकलन।

Tier-1 साक्ष्य को मज़बूत करने वाले पैटर्न

सभी Tier-1 आर्टिफ़ैक्ट समान रूप से विश्वसनीय नहीं होते। कई अवलोकन-योग्य पैटर्न साक्ष्य को अधिक विश्वसनीय बनाते हैं:

  • कमिट इतिहास की गहराई। महीनों या वर्षों के क्रमिक कमिट, पुल रिक्वेस्ट, कोड समीक्षाओं और संस्करणबद्ध रिलीज़ वाली रिपॉज़िटरी निरंतर इंजीनियरिंग प्रयास दर्शाती है। एक बार का थोक अपलोड कहीं कम वज़न रखता है।
  • टेस्ट कवरेज और CI पाइपलाइन। मॉडल इनफ़रेंस, डेटा सत्यापन और इंटीग्रेशन एंडपॉइंट के स्वचालित टेस्ट प्रूफ़-ऑफ़-कॉन्सेप्ट के बजाय प्रोडक्शन-श्रेणी की प्रणाली का संकेत देते हैं।
  • संस्करणबद्ध मॉडल और चेंजलॉग। जब दस्तावेज़ीकरण ट्रैक करता है कि कौन-सा मॉडल संस्करण तैनात है, संस्करणों के बीच क्या बदला और क्यों, तो यह सक्रिय विकास चक्र वाली जीवंत प्रणाली का संकेत है।
  • पुनरुत्पादन-योग्य आउटपुट। यदि डेमो या API समान इनपुट के लिए सत्रों के बीच सुसंगत, व्याख्या-योग्य परिणाम लौटाता है, तो यह एक बार के प्रदर्शन से मज़बूत है।
  • AI लॉजिक का बॉयलरप्लेट से पृथक्करण। ऐसा कोडबेस जिसमें AI/ML मॉड्यूल स्पष्ट रूप से पहचाने जा सकते हैं — फ्रंटएंड स्कैफ़ोल्डिंग, डिप्लॉयमेंट स्क्रिप्ट या टोकन कॉन्ट्रैक्ट से अलग — यह सत्यापित करना आसान बनाता है कि AI component वास्तव में क्या करता है।

Tier-2 साक्ष्य (संदर्भ, प्रमाण नहीं)

Tier-2 स्रोत संदर्भ देते हैं, लेकिन अपने आप में कार्यशील AI component सिद्ध नहीं करते:

  • साक्षात्कार या AMA, जहाँ टीम AI दृष्टिकोण, आर्किटेक्चर या प्रशिक्षण प्रक्रिया का वर्णन करती है।
  • AI क्षमताओं का उल्लेख करने वाले एग्रीगेटर विवरण (CoinGecko, DeFiLlama आदि)।
  • AI प्रदाताओं या शोध प्रयोगशालाओं के साथ साझेदारी की घोषणाएँ।

Tier-2 साक्ष्य Tier-1 निष्कर्ष का समर्थन कर सकता है, लेकिन उसका स्थान नहीं ले सकता। AI कंपनी के साथ साझेदारी यह सिद्ध नहीं करती कि प्रोजेक्ट के पास अपना कार्यशील AI है।

Tier-2 साक्ष्य कब मायने रखता है

Tier-2 स्रोत तब प्रासंगिक होते हैं जब वे Tier-1 आर्टिफ़ैक्ट की पुष्टि करते हैं या उन अंतरालों को भरते हैं जिन्हें केवल Tier-1 अस्पष्ट छोड़ देता है:

  • तकनीकी साक्षात्कार, जिसमें टीम अपने दस्तावेज़ीकरण में वर्णित आर्किटेक्चर की व्याख्या करती है, Tier-1 दस्तावेज़ों की विश्वसनीयता बढ़ाता है।
  • एग्रीगेटर सूची, जो प्रोजेक्ट के अपने व्हाइटपेपर में वर्णित क्षमताओं से मेल खाती है, सुसंगतता का संकेत देती है।
  • लाइव डेमो वाली कॉन्फ़्रेंस वार्ता, जो प्रोजेक्ट के सार्वजनिक API के व्यवहार को दोहराती है, इस बात को पुष्ट करती है कि डेमो स्क्रिप्टेड नहीं है।

हालाँकि अंतर्निहित Tier-1 आर्टिफ़ैक्ट के बिना प्रभावशाली Tier-2 स्रोत भी संदर्भ ही रहते हैं — समझ के लिए मूल्यवान, सत्यापन के लिए अपर्याप्त।

क्या मान्य नहीं है

कुछ आर्टिफ़ैक्ट साक्ष्य जैसे दिखते हैं, लेकिन कार्यशील AI component प्रदर्शित नहीं करते। सामान्य झूठे संकेतों में मार्केटिंग पाठ, खाली रिपॉज़िटरी, कार्यप्रणाली के बिना मेट्रिक्स और बिना स्वामित्व वाले लॉजिक के API रैपर शामिल हैं। विस्तृत सूची के लिए देखें AI का साक्ष्य क्या नहीं माना जाता।

DecAIHub AI साक्ष्य कैसे दर्ज करता है: AI_0 से AI_4 तक फ़्लैग

AI reality धुरी पाँच बाइनरी फ़्लैगों का उपयोग करती है, जो दर्ज करते हैं कि कौन-से साक्ष्य मिले:

फ़्लैग यह क्या जाँचता है मान
AI_0 क्या AI इरादे की कम से कम एक Tier-1 घोषणा है (रोडमैप, आधिकारिक अपडेट) 1 / 0
AI_1 क्या इसका विवरण है कि AI क्या करता है 1 / 0
AI_2 क्या डेमो या कार्यशील उदाहरण हैं 1 / 0
AI_3 क्या संदर्भ सहित गुणवत्ता मेट्रिक्स हैं (क्या, किस डेटा पर, कब) 1 / 0
AI_4 क्या तकनीकी विवरण, आर्किटेक्चर या मॉडल संस्करण हैं 1 / 0

जितने अधिक फ़्लैग 1 के बराबर हों, ai_score उतना ऊँचा और प्रोजेक्ट का DecAI Fit उतना बेहतर। यदि कोई भी फ़्लैग सेट नहीं है, तो ai_score = 0 और DecAI Fit 0 से अधिक नहीं हो सकता।

फ़्लैगों के संयोजन विश्वास से कैसे जुड़ते हैं

व्यक्तिगत फ़्लैग संकीर्ण सवालों के जवाब देते हैं, लेकिन उनका संयोजन अधिक पूरी तस्वीर बनाता है:

सेट किए गए फ़्लैग विशिष्ट व्याख्या
केवल AI_0 इरादा घोषित है; कार्यशील AI अभी सत्यापित नहीं
AI_0 + AI_1 AI का शब्दों में वर्णन है; न डेमो, न मेट्रिक्स, न आर्किटेक्चर
AI_0 + AI_1 + AI_2 कार्यशील डेमो मौजूद है; मेट्रिक्स या तकनीकी गहराई अभी नहीं
AI_0 + AI_1 + AI_2 + AI_4 डेमो और आर्किटेक्चर मौजूद; गुणवत्ता का माप अनुपस्थित
सभी पाँच (AI_0 से AI_4) सबसे मज़बूत साक्ष्य प्रोफ़ाइल: इरादा, विवरण, डेमो, मेट्रिक्स और आर्किटेक्चर

गैर-शून्य ai_score पाने के लिए प्रोजेक्ट को सभी पाँच फ़्लैग संतुष्ट करने की आवश्यकता नहीं है। अकेला AI_0 भी (Tier-1 स्रोत के साथ इरादा) ai_score = 1 सेट करता है। हालाँकि ऊँचे फ़्लैग DecAI Fit की ऊँची सीमा में योगदान देते हैं।

मेट्रिक्स के लिए कार्यप्रणाली क्यों महत्वपूर्ण है

अकेली संख्या — "95% सटीकता," "कम विलंबता," "स्टेट-ऑफ़-द-आर्ट" — संदर्भ के बिना साक्ष्य नहीं है। DecAIHub मेट्रिक्स को केवल तभी सार्थक मानता है जब वे चार सवालों के जवाब देते हैं: क्या मापा गया (सटीकता, F1, विलंबता, perplexity), किस डेटा पर (सार्वजनिक बेंचमार्क, स्वामित्व वाला टेस्ट सेट, प्रोडक्शन ट्रैफ़िक), कब (मूल्यांकन की तिथि) और मॉडल के किस संस्करण ने परिणाम दिया। इनके बिना मेट्रिक दावा है, साक्ष्य नहीं।

चार सवालों का परीक्षण

किसी भी प्रकाशित मेट्रिक का मूल्यांकन करते समय यह चेकलिस्ट लागू करें:

  1. क्या — क्या मेट्रिक का नाम और परिभाषा दी गई है? "सटीकता" अस्पष्ट है; "top-1 वर्गीकरण सटीकता" विशिष्ट है।
  2. किस डेटा पर — क्या मूल्यांकन डेटासेट की पहचान की गई है? सार्वजनिक बेंचमार्क स्वतंत्र पुनरुत्पादन की अनुमति देता है; स्वामित्व वाला टेस्ट सेट नहीं देता, लेकिन उसका नाम बताना चुप्पी से बेहतर है।
  3. कब — क्या तिथि या रिलीज़ टैग है? मॉडल समय के साथ बदलते हैं; टाइमस्टैम्प के बिना मेट्रिक वर्तमान प्रणाली को प्रतिबिंबित नहीं भी कर सकता।
  4. किस संस्करण — क्या मॉडल या प्रणाली का संस्करण बताया गया है? यदि प्रोजेक्ट ने मॉडल के कई संस्करण जारी किए हैं, तो मेट्रिक किसी विशिष्ट संस्करण से जुड़ा होना चाहिए।

यदि इन चारों में से कोई भी अनुपस्थित है, तो DecAIHub के आकलन में मेट्रिक "साक्ष्य" से गिरकर "दावा" बन जाता है। वह प्रोजेक्ट कार्ड में दर्ज दावे के रूप में दिख सकता है, लेकिन AI_3 फ़्लैग को 1 पर सेट करने में योगदान नहीं देगा।

इस चेकलिस्ट का उपयोग कैसे करें

प्रोजेक्ट कार्ड पढ़ते समय जाँचें कि Evidence तालिका ऊपर दी गई Tier-1 सूची के आर्टिफ़ैक्ट का संदर्भ देती है या नहीं। यदि कार्ड ai_score = 0 दिखाता है या AI-washing चिंता का चिह्न लगाता है, तो इसका अर्थ है कि सत्यापन तिथि तक ये आर्टिफ़ैक्ट नहीं मिले — यह प्रोजेक्ट पर आरोप नहीं है।

जब नए Tier-1 आर्टिफ़ैक्ट दिखाई देते हैं, तो कार्ड अपडेट किया जाता है और स्कोर बदल सकता है।

पाठकों के लिए व्यावहारिक कदम

  • Evidence तालिका से शुरू करें। रिपॉज़िटरी, दस्तावेज़ीकरण या डेमो के लिंक देखें। यदि Evidence तालिका खाली है या केवल Tier-2/3 स्रोतों का संदर्भ देती है, तो AI reality का दावा असत्यापित है।
  • आर्टिफ़ैक्ट तक जाकर देखें। रिपॉज़िटरी का लिंक उतना ही अच्छा है जितनी उसकी सामग्री। उसे खोलें और AI/ML कोड खोजें, केवल README या डिप्लॉयमेंट स्क्रिप्ट नहीं।
  • सत्यापन तिथि जाँचें। साक्ष्य एक स्नैपशॉट है। छह महीने पहले सत्यापित कार्ड प्रोजेक्ट की वर्तमान स्थिति को प्रतिबिंबित नहीं भी कर सकता, इसीलिए DecAIHub 550 दिनों के बाद बासीपन दंड लागू करता है।
  • एंटी-पैटर्न सूची से मिलान करें। यदि आप AI का साक्ष्य क्या नहीं माना जाता के पैटर्न देखते हैं, तो साक्ष्य को तदनुसार तौलें।

यह चेकलिस्ट अकेले क्या सिद्ध नहीं करती

  • सभी साक्ष्य मानदंडों को पूरा करना यह सिद्ध नहीं करता कि AI उच्च गुणवत्ता का है या अंतिम उपयोगकर्ताओं के लिए उपयोगी है। यह सिद्ध करता है कि आर्टिफ़ैक्ट मौजूद हैं और उनका निरीक्षण किया जा सकता है।
  • प्रोजेक्ट का अपना Tier-1 साक्ष्य स्वतंत्रता सिद्ध नहीं करता। स्व-रिपोर्ट किए गए डेटा की आदर्श रूप से तृतीय-पक्ष मूल्यांकन से पुष्टि होनी चाहिए।
  • पूर्ण साक्ष्य रिकॉर्ड यह सिद्ध नहीं करता कि टोकन आवश्यक है। AI reality DecAI Fit की एक धुरी है; token necessity दूसरी है।

अक्सर पूछे जाने वाले प्रश्न

क्रिप्टो प्रोजेक्ट में AI का सबसे पूर्ण साक्ष्य क्या माना जाता है?

सार्थक कमिट इतिहास के साथ AI/ML कोड वाली सार्वजनिक रिपॉज़िटरी, पूर्ण कार्यप्रणाली सहित प्रकाशित गुणवत्ता मेट्रिक्स के साथ (क्या मापा गया, किस डेटा पर, कब और मॉडल का कौन-सा संस्करण)। जब ये दोनों मौजूद हों और कार्यशील डेमो या API एंडपॉइंट उनका समर्थन करे, तो साक्ष्य प्रोफ़ाइल अपने सबसे पूर्ण रूप में है। कोई भी एकल आर्टिफ़ैक्ट अपने आप में निर्णायक नहीं है — कोड, मेट्रिक्स और परीक्षण-योग्य आउटपुट का संयोजन ही सत्यापित AI को असत्यापित दावों से अलग करता है।

क्या ओपन-सोर्स कोड के बिना प्रोजेक्ट में वास्तविक AI हो सकता है?

हाँ। ओपन-सोर्स कोड साक्ष्य का सबसे पारदर्शी रूप है, लेकिन एकमात्र नहीं। प्रोजेक्ट विस्तृत तकनीकी दस्तावेज़ीकरण, कार्यप्रणाली सहित प्रकाशित बेंचमार्क, सत्यापन-योग्य AI-चालित आउटपुट लौटाने वाले कार्यशील API या स्वतंत्र तृतीय-पक्ष मूल्यांकनों के माध्यम से AI प्रदर्शित कर सकता है। हालाँकि कम से कम कोई निरीक्षण-योग्य आर्टिफ़ैक्ट — कोड, डेमो या मूल्यांकन — न हो, तो DecAIHub (या किसी और) के लिए सत्यापित करने को कुछ नहीं है। प्रोजेक्ट जितना बंद है, विश्वसनीयता बनाने के लिए वह Tier-2 पुष्टि (साक्षात्कार, एग्रीगेटर डेटा, कॉन्फ़्रेंस प्रदर्शन) पर उतना ही निर्भर करता है।

क्या कार्यशील डेमो सिद्ध करता है कि AI वास्तविक है?

कार्यशील डेमो मज़बूत साक्ष्य है, लेकिन अपने आप में निर्णायक प्रमाण नहीं। अच्छी तरह डिज़ाइन किया गया फ्रंटएंड हार्डकोड किए गए उत्तरों, पूर्व-गणित परिणामों या तृतीय-पक्ष API की छिपी कॉलों से AI-जैसे व्यवहार का अनुकरण कर सकता है। DecAIHub डेमो को अधिक मज़बूत साक्ष्य मानता है जब उनके साथ API दस्तावेज़ीकरण, मॉडल संस्करण पहचानकर्ता या विभिन्न इनपुट पर पुनरुत्पादन-योग्य आउटपुट हों। जो डेमो मनमाने उपयोगकर्ता इनपुट स्वीकार करता है और विविध, संदर्भ के अनुरूप आउटपुट लौटाता है, वह पूर्व-निर्धारित उदाहरणों वाले निर्देशित प्रदर्शन से अधिक विश्वसनीय है।

गैर-शून्य ai_score के लिए न्यूनतम साक्ष्य क्या चाहिए?

न्यूनतम है AI इरादे की Tier-1 घोषणा — रोडमैप प्रविष्टि, आधिकारिक ब्लॉग पोस्ट या दस्तावेज़ीकरण पृष्ठ जो AI से जुड़ी योजनाओं को स्पष्ट रूप से बताता है। यह AI_0 फ़्लैग को 1 पर सेट करता है और ai_score = 1 देता है। यह न्यूनतम संभव गैर-शून्य स्कोर है, लेकिन यह उन प्रोजेक्टों को अलग करता है जिन्होंने आधिकारिक रूप से AI दिशा के प्रति प्रतिबद्धता जताई है, उनसे जिन्होंने AI का उल्लेख ही नहीं किया। ऊँचे स्कोर तक पहुँचने के लिए प्रोजेक्ट को अतिरिक्त आर्टिफ़ैक्ट देने होंगे: AI component का विवरण (AI_1), डेमो (AI_2), कार्यप्रणाली सहित मेट्रिक्स (AI_3) और तकनीकी आर्किटेक्चर का विवरण (AI_4)।

बाहरी संदर्भ

  • CommonMark specification — सभी DecAIHub विकि पृष्ठों में उपयोग किया जाने वाला मार्कअप मानक, जिसमें प्रोजेक्ट कार्ड और explainer शामिल हैं।
  • Model Cards for Model Reporting (Mitchell et al., 2019) — AI मॉडल के प्रदर्शन, इच्छित उपयोग और सीमाओं के दस्तावेज़ीकरण का आधारभूत फ्रेमवर्क; DecAIHub के साक्ष्य मानदंडों के पीछे के पारदर्शिता सिद्धांतों से निकटता से जुड़ा।
  • NIST AI Risk Management Framework — AI जोखिमों की पहचान और प्रबंधन का अमेरिकी सरकारी फ्रेमवर्क, जिसमें दस्तावेज़ीकरण, परीक्षण और मूल्यांकन कार्यप्रणाली पर मार्गदर्शन शामिल है।

यह भी देखें

No comments to display

Back to top