Ask HN: AI/ML कौशल बनाने के लिए दैनिक अभ्यास?
AI और machine learning के इच्छुक लोग सीमित समय में कौशल कैसे बनाएँ, इस पर विचार कर रहे हैं—चाहे रोज़ एक घंटा अभ्यास हो या graduate study जैसी अधिक immersive राहें। कई लोग project-driven, top-down approach की वकालत करते हैं, जिसमें modern tools (fast.ai, PyTorch, Hugging Face, LLM APIs) का उपयोग करते हुए धीरे-धीरे गणित और statistics की बुनियादें भरी जाएँ, बजाय केवल theory से शुरुआत करने के। अन्य लोग ज़ोर देते हैं कि गहरी समझ, paper implementation, और व्यापक ML methods का ज्ञान अब भी महत्वपूर्ण है—खासकर research भूमिकाओं के लिए—जबकि अनुभवी engineers बढ़ते MLOps अवसरों और मौजूदा बड़े models का बहुत प्रभावी ढंग से उपयोग करने की क्षमता की ओर इशारा करते हैं।
AI/ML सीखने के लिए समग्र दृष्टिकोण
- कई लोग “करते-करते सीखना” सुझाते हैं: कोई जुनूनी प्रोजेक्ट चुनें (जैसे दस्तावेज़ समझ, ऑडियो, खेल विश्लेषण) और उस पर लगातार सुधार करें।
- डूबकर सीखने पर जोर दिया जाता है: आदर्श रूप से AI/ML को अपनी पूर्णकालिक नौकरी या पढ़ाई का हिस्सा बना दें; नहीं तो, नियमित साइड प्रोजेक्ट्स करें।
- कुछ का सुझाव है कि रोज़ 1 घंटे की बजाय सप्ताहांत में 4 घंटे के केंद्रित ब्लॉक अधिक उत्पादक हो सकते हैं।
व्यक्तिगत प्रोजेक्ट बनाम औपचारिक शिक्षा
- औपचारिक डिग्रियों को कुछ ऐसा माना जाता है जिसे आप स्व-अध्ययन से दोहरा सकते हैं, लेकिन स्कूल संरचना, समय-सीमाएँ और सामाजिक वैधता देता है।
- डिप्लोमा को व्यावहारिक रूप से साक्षात्कार पाने के लिए उपयोगी माना जाता है, भले ही उसकी सामग्री स्वतंत्र रूप से सीखी जा सकती हो।
- अन्य लोग तर्क देते हैं कि पर्याप्त अनुशासन हो तो आप पाठ्यपुस्तकों, ऑनलाइन कोर्सों और पेपर इम्प्लीमेंटेशन के जरिए स्व-अध्ययन कर सकते हैं।
मूलभूत बातें बनाम “बस लाइब्रेरीज़ का उपयोग करो”
- एक पक्ष: आँकड़ों (statistics), क्लासिक ML (regression, naive Bayes, SVM, boosting) और गणित से शुरुआत करें; मॉडलों को जड़ से समझें।
- विपरीत दृष्टिकोण: नीचे से ऊपर वाला तरीका तेज़ी से बदलते क्षेत्र के लिए बहुत धीमा है; बेहतर है पहले उच्च-स्तरीय टूल्स से शुरुआत करें और आवश्यकता अनुसार मूल बातें सीखें।
- कई लोगों का कहना है कि मूलभूत बातें (खासकर statistics) ML के अलावा भी व्यापक रूप से उपयोगी हैं।
मॉडल और पेपर लागू करना
- सरल मॉडल और शोध-पत्र लागू करने के लिए मजबूत समर्थन है, ताकि गहरी समझ हासिल हो।
- इस पर असहमति है कि neural nets/backprop को हाथ से कोड करना चाहिए या नहीं:
- कुछ लोग कहते हैं कि यह अपना खुद का HashMap लिखने जैसा है और बुनियादी intuition से आगे इसके लिए मेहनत उचित नहीं।
- अन्य लोग insist करते हैं कि gradients और architectures को समझने के लिए कम-से-कम एक बार एक सरल implementation करना महत्वपूर्ण है।
- Papers With Code और curated “awesome papers” सूचियाँ अच्छे शुरुआती बिंदु मानी जाती हैं।
टूल्स, frameworks, और hardware
- PyTorch (नई compilation सुविधाओं के साथ) और JAX को प्राथमिकता दी जाती है; TensorFlow को niche को छोड़कर legacy/technical debt बताया गया है।
- मुफ़्त cloud tools (जैसे hosted notebooks) कमजोर स्थानीय hardware की कमी पूरी कर सकते हैं।
- JS-आधारित ML संभव है, लेकिन अधिकांश उदाहरण और tooling Python-केंद्रित हैं।
LLMs और application-केंद्रित कौशल
- LLMs को train करने और उन्हें products में उपयोग करने के बीच अंतर किया जाता है; कई लोग उपयोग पर ध्यान देने की सलाह देते हैं (APIs, RAG, embeddings, tooling)।
- Prompt engineering और कई LLMs का व्यापक hands-on उपयोग अपने आप में प्रमुख कौशल माने जाते हैं।
- कुछ लोग चेतावनी देते हैं कि model developers और users के बीच का अंतर chip design और general software की तरह और बढ़ रहा है।
करियर, MLOps, और ecosystem कौशल
- ऐसे engineers की भारी माँग बताई जाती है जो ML को production में ला सकें: data pipelines, testing, deployment, monitoring, और scaling।
- Portfolio बनाने के लिए Kaggle, blogging, और open-source contributions सुझाई जाती हैं।
- कई लोग ज़ोर देते हैं कि व्यवहार में ML काफी हद तक data quality, infrastructure, और simple baselines के बारे में है, न कि सिर्फ fancy models के बारे में।