AI शुरू से
कृत्रिम बुद्धिमत्ता पर पूरा कोर्स, गणित से लेकर LLMs, एजेंट और MCP तक। तीस अध्याय, जिनमें से हर एक अपने आप में पढ़ने लायक है।
Perceptron शुरुआत से: एक neuron क्या compute करता है
एक neuron एक weighted sum और threshold है। पूरी बात यही है — और इसी की सीमाओं ने आगे आने वाली हर चीज़ को जन्म दिया।
Loss Function कहाँ से आती है: Likelihood, Convention नहीं
Squared error कोई convention नहीं। यह noise के बारे में दावा है — और आप उसे गलत होते देख सकते हैं।
ढलान की ओर: Gradient Descent और वे दो कदम जिन्हें सब छोड़ देते हैं
हर कोई minus sign लिखता है। लगभग कोई नहीं बताता कि वह वहाँ क्यों है, या कितना बड़ा कदम वह झेल सकता है।
Classification, Cross-Entropy और खुद को धोखा देने से कैसे बचें
Accuracy रिपोर्ट करने में सबसे आसान संख्या है — और उससे धोखा खाना भी उतना ही आसान।
Backpropagation शुरू से: पहले इंजन, फिर नेटवर्क
Backpropagation कोई neural network algorithm नहीं है। यह chain rule है, graph पर लागू, सही दिशा में कुशलता से।
Train कराना, और Generalise कराना
gradient सही है और network फिर भी नहीं सीखता। यह chapter इसी फर्क के बारे में है।
BPE Tokenizer बनाएं: आपका model R क्यों नहीं गिन पाता
model अक्षर कभी नहीं देखता। उसकी spelling, counting और indentation की सारी अजीबियां इसी से निकलती हैं।
Next-token prediction: embedding और perplexity का अर्थ
एक objective, कोई labels नहीं, और vectors की एक तालिका जिसे किसी ने design नहीं किया।
Average से निकला Attention और Transformer Block
Attention कोई formula भर नहीं है। यह तब निकलता है जब आप past को uniformly average करना छोड़कर model को weights चुनने देते हैं।
LLM की pretraining: डेटा, compute, scaling laws और लागत
बाकी फैसले programming के नहीं हैं। वे खरीदारी हैं।
Base Model से Assistant तक: SFT, RLHF, DPO और GRPO
Pretrained model सवालों के जवाब नहीं देता। वह टेक्स्ट जारी रखता है — और फर्क उस दूसरे training stage में है जो दिखता नहीं।
Chain of Thought, RLVR और Test-Time Compute: माप के साथ
model सोचता नहीं है। वह जवाब देने से पहले ज़्यादा token खर्च करता है — और यह मापा भी जा सकता है, बिल भी होता है।
Inference को सस्ता बनाना: KV cache, Batching और Quantization
Generation एक समस्या नहीं है: compute-bound पहला token, फिर हजारों memory-bound token — serving की हर तरकीब यहीं से आती है।
आपकी पहली Production LLM Call: Streaming, Retries, Timeouts
model अब एक port के पीछे है। यहाँ से जो लगभग भी गलत होता है, वह गणित नहीं है।
Prompt Engineering, मापकर: आउटपुट को क्या बदलता है
Prompt पर बहस नहीं, माप होता है। बीस मामलों पर चार variants कुछ भी अलग साबित नहीं करते।
Context Window, Tokens और बिल: माप के साथ
window memory नहीं है। हर call पर यह नए सिरे से भरी जाती है, और आप उसी refill का भुगतान करते हैं।
Temperature, top-p और वह determinism जो आपके पास नहीं है
Temperature मॉडल को ज़्यादा creative नहीं बनाता; यह उन tokens की संभावना बढ़ाता है जिन्हें मॉडल ने खुद नीचे रखा था।
Tool Calling और Structured Outputs: वह अनुबंध जो टिकता है
model कुछ execute नहीं करता। वह आपकी तय की गई shape में अनुरोध करता है—और वही shape आपके नियंत्रण में होती है।
Production में RAG: chunking, retrieval और ईमानदार citations
खराब chunking खोज शुरू होने से पहले ही जवाब नष्ट कर देती है, और कोई reranker उसे वापस नहीं ला पाता।
Fine-tune, retrieve या prompt? फैसला आर्थिक है
कोई यह सवाल model के बारे में नहीं पूछता। असल सवाल budget का होता है।
Multimodal Pricing: Images, Audio और Video में असल बिल किसका आता है
एक photograph की कीमत एक photograph नहीं होती। कीमत tokens की होती है, उस formula से जिसे आपने नहीं चुना।
AI agent क्या है: पाँच क्लासिक प्रकार, दो प्रतिस्पर्धी परिभाषाएँ
Catalogue में एक tool ने एक call को दो और 39 input token को 420 बना दिया। वह agent बना या नहीं, यह आपकी परिभाषा पर निर्भर है।
Agent Harness बनाएँ: Loop और उससे बाहर निकलने के पाँच रास्ते
Loop पंद्रह lines का है। उसे shippable बनाने वाली हर चीज़ उससे बाहर निकलने का तरीका है।
Context Engineering: आपका agent turn 40 पर धीमा क्यों पड़ जाता है
window overflow नहीं हुई। तथ्य बस खिसका, और agent ने उसे ढूँढना बंद कर दिया।
Multi-Agent समन्वयन: पाँच पैटर्न, और कब एक ही जीतता है
चार व्यवस्थाएँ, एक task, एक bill. सबसे सस्ता गलत था और सबसे महँगा अपने workers को जाँच नहीं सका।
Spec के हिसाब से MCP: Server असल में क्या होता है
यह जादू नहीं है। यह एक transport, message format और तीन primitives हैं—और आप इसे हाथ से टाइप कर सकते हैं।
MCP Server शिप करें: TypeScript और Python, माप के साथ
दो SDKs, एक wire. असली फर्क वे हैं जिन्हें protocol देख ही नहीं सकता।
Agent Skills और SKILL.md: प्रगतिशील खुलासा, मापा हुआ
skill एक folder है जिसके भीतर एक Markdown file होती है। दिलचस्प बात इस पर निर्भर है कि उस file का कौन-सा हिस्सा कब पढ़ा जाता है।
LLM मूल्यांकन: public benchmarks से अपने golden set तक
interval के बिना कोई संख्या दशमलवों वाली कहानी भर है।
Prompt Injection और घातक Trifecta: असली Agent को सुरक्षित करना
Model आपके instruction और किसी अजनबी के instruction में फर्क नहीं कर सकता। जो भी काम करता है, इसी बात को स्वीकार करके बनता है।