मशीन लर्निंग क्या है? मशीन लर्निंग के काम करने के सिद्धांत और इसके अनुप्रयोग क्या हैं? आइए INVIAI के साथ नीचे दिए गए विस्तृत विवरण में इसका उत्तर खोजें!
मशीन लर्निंग क्या है...?
मशीन लर्निंग (ML, जिसे मशीन लर्निंग भी कहा जाता है) कृत्रिम बुद्धिमत्ता (AI) की एक शाखा है, जो कंप्यूटर को मानव सीखने के तरीके की नकल करने की अनुमति देती है ताकि वे स्वचालित रूप से कार्य कर सकें और डेटा से अनुभव इकट्ठा करके प्रदर्शन में सुधार कर सकें। सरल शब्दों में, यह वह "शोध क्षेत्र है जो कंप्यूटर को स्पष्ट प्रोग्रामिंग के बिना स्वयं सीखने की क्षमता प्रदान करता है", जैसा कि 1950 के दशक के विशेषज्ञ आर्थर सैमुअल ने परिभाषित किया था। यह परिभाषा आज भी प्रासंगिक है: हम हर निर्देश को प्रोग्राम करने के बजाय, डेटा प्रदान करते हैं ताकि मशीन स्वयं नियम निकाल सके और समय के साथ परिणामों में सुधार कर सके।
आजकल, मशीन लर्निंग हमारे जीवन के हर क्षेत्र में व्यापक रूप से मौजूद है. कई ऑनलाइन सेवाएं जो हम रोज़ाना उपयोग करते हैं – जैसे इंटरनेट सर्च टूल, ईमेल स्पैम फिल्टर, फिल्म/उत्पाद सुझाव प्रणाली, और बैंकिंग सॉफ्टवेयर जो असामान्य लेनदेन का पता लगाते हैं – ये सभी मशीन लर्निंग एल्गोरिदम द्वारा संचालित होते हैं।
यह तकनीक मोबाइल ऐप्स में भी पाई जाती है, जैसे कि वॉइस रिकग्निशन फीचर जो वर्चुअल असिस्टेंट को आपकी आवाज़ समझने में मदद करता है। अपनी स्व-शिक्षा और सुधार क्षमता के कारण, मशीन लर्निंग आधुनिक AI सिस्टम का आधार बन चुका है. वास्तव में, पिछले 5-10 वर्षों में AI में अधिकांश प्रगति मशीन लर्निंग से जुड़ी है, इतना कि कई लोग AI और ML को लगभग समानार्थी मानते हैं.
मशीन लर्निंग, AI और डीप लर्निंग के बीच संबंध
कृत्रिम बुद्धिमत्ता (AI) एक व्यापक अवधारणा है, जिसमें सभी तकनीकें शामिल हैं जो मशीनों को मनुष्यों की तरह "बुद्धिमान" व्यवहार करने में सक्षम बनाती हैं। मशीन लर्निंग AI को साकार करने का एक तरीका है, जो मशीन को डेटा से सीखने की अनुमति देता है बजाय इसके कि हर कदम को विस्तार से प्रोग्राम किया जाए. AI पारिस्थितिकी तंत्र में, ML की भूमिका इतनी महत्वपूर्ण है कि कई AI सिस्टम वास्तव में मशीन लर्निंग मॉडल पर आधारित होते हैं।
डीप लर्निंग (गहन शिक्षण) मशीन लर्निंग की एक विशेष शाखा है। डीप लर्निंग गहरे न्यूरल नेटवर्क का उपयोग करता है जो डेटा से स्वचालित रूप से विशेषताएं निकालते हैं और इसमें मानव हस्तक्षेप बहुत कम होता है। इसकी बहु-स्तरीय संरचना के कारण, डीप लर्निंग एल्गोरिदम विशाल डेटा सेट (जैसे छवियां, ध्वनि, पाठ) को संसाधित कर सकते हैं और बिना पूर्वनिर्धारित विशेषताओं के वर्गीकरण या पूर्वानुमान कर सकते हैं। यह मशीन को "सिखाने" की मेहनत कम करता है और बड़े पैमाने पर डेटा का बेहतर उपयोग करता है.
इसके विपरीत, परंपरागत ML एल्गोरिदम (जो डीप लर्निंग का उपयोग नहीं करते) आमतौर पर मानव द्वारा डिज़ाइन किए गए इनपुट फीचर्स पर निर्भर करते हैं और बेहतर परिणाम के लिए संरचित डेटा की आवश्यकता होती है। आप कल्पना कर सकते हैं कि यदि AI विभिन्न बुद्धिमान तकनीकों का समूह है, तो मशीन लर्निंग AI का एक उपसमूह है, और डीप लर्निंग मशीन लर्निंग का एक उपसमूह है – जो गहरे न्यूरल नेटवर्क पर केंद्रित है।
(ध्यान दें: रोबोटिक्स और मशीन लर्निंग दो अलग क्षेत्र हैं। रोबोटिक्स हार्डवेयर और स्वचालित यांत्रिकी से संबंधित है, जबकि ML मुख्य रूप से सॉफ्टवेयर एल्गोरिदम है। हालांकि, आधुनिक रोबोट ML को एकीकृत कर सकते हैं ताकि वे अधिक "बुद्धिमान" बन सकें, जैसे कि स्व-चालित रोबोट जो मशीन लर्निंग का उपयोग करके चलना सीखते हैं।)
मशीन लर्निंग के प्रकार
मशीन लर्निंग में कई अलग-अलग तरीके और एल्गोरिदम होते हैं। मूल रूप से, ML को चार मुख्य प्रकारों में बांटा जाता है, जो इस बात पर आधारित हैं कि सिस्टम डेटा से कैसे सीखता है:
सुपरवाइज्ड लर्निंग (Supervised Learning)
सुपरवाइज्ड लर्निंग एक प्रशिक्षण विधि है जिसमें मॉडल को पहले से लेबल किए गए डेटा के साथ प्रशिक्षित किया जाता है। इसका मतलब है कि इनपुट डेटा के साथ अपेक्षित आउटपुट भी ज्ञात होता है, जिससे एल्गोरिदम विशिष्ट उदाहरणों से सीखता है. मॉडल आंतरिक पैरामीटर समायोजित करता है ताकि आउटपुट लेबल से मेल खाए। उदाहरण के लिए, यदि हम एल्गोरिदम को कई लेबल किए गए कुत्ते/बिल्ली की तस्वीरें देते हैं, तो मॉडल इन तस्वीरों से सीखकर कुत्ते की तस्वीरों को सही ढंग से पहचानना सीख जाएगा। सुपरवाइज्ड लर्निंग आज सबसे लोकप्रिय मशीन लर्निंग प्रकार है, जिसका उपयोग हस्तलिखित अक्षर पहचान, स्पैम ईमेल वर्गीकरण, और रियल एस्टेट मूल्य पूर्वानुमान जैसे कई कार्यों में होता है।
अनसुपरवाइज्ड लर्निंग (Unsupervised Learning)
अनसुपरवाइज्ड लर्निंग में इनपुट डेटा लेबल रहित होता है। एल्गोरिदम बिना किसी पूर्व निर्देश के, डेटा में छिपे हुए पैटर्न और संरचनाओं को खोजने की कोशिश करता है। इसका उद्देश्य मशीन को ऐसे डेटा समूह या छिपे नियम खोजने में सक्षम बनाना है जिन्हें मनुष्य शायद न जानता हो। उदाहरण के लिए, एक अनसुपरवाइज्ड लर्निंग प्रोग्राम ऑनलाइन खरीदारी डेटा का विश्लेषण कर सकता है और स्वचालित रूप से समान खरीदारी व्यवहार वाले ग्राहक समूहों का वर्गीकरण कर सकता है।
यह क्लस्टरिंग परिणाम व्यवसायों को विभिन्न ग्राहक सेगमेंट समझने में मदद करता है, भले ही पहले कोई स्पष्ट "ग्राहक प्रकार" लेबल न हो. अनसुपरवाइज्ड लर्निंग आमतौर पर वेब ट्रैफिक विश्लेषण, डायमेंशनलिटी रिडक्शन और सिफारिश प्रणालियों में उपयोग किया जाता है।
सेमी-सुपरवाइज्ड लर्निंग (Semi-supervised Learning)
सेमी-सुपरवाइज्ड लर्निंग प्रशिक्षण प्रक्रिया में लेबल वाले और बिना लेबल वाले डेटा दोनों का संयोजन है। आमतौर पर, हमारे पास थोड़ा लेबल किया हुआ डेटा होता है, जबकि अधिकांश डेटा बिना लेबल के होता है। सेमी-सुपरवाइज्ड एल्गोरिदम इस छोटे लेबल वाले डेटा सेट का उपयोग बड़े बिना लेबल वाले डेटा पर वर्गीकरण और फीचर एक्सट्रैक्शन के लिए मार्गदर्शन करने के लिए करता है। यह दृष्टिकोण विशाल बिना लेबल वाले डेटा का लाभ उठाता है, जबकि मैनुअल लेबलिंग की मेहनत कम करता है।
सेमी-सुपरवाइज्ड लर्निंग विशेष रूप से तब उपयोगी होता है जब लेबल्ड डेटा इकट्ठा करना मुश्किल या महंगा होता है, और यह अनसुपरवाइज्ड लर्निंग की तुलना में बेहतर सटीकता प्रदान करता है।
रिइन्फोर्समेंट लर्निंग (Reinforcement Learning)
रिइन्फोर्समेंट लर्निंग एक ऐसी विधि है जिसमें एल्गोरिदम पर्यावरण के साथ इंटरैक्शन के दौरान पुरस्कार/दंड के माध्यम से स्वयं सीखता है. सुपरवाइज्ड लर्निंग से अलग, मॉडल को डेटा-उत्तर जोड़े पहले से नहीं दिए जाते, बल्कि यह विभिन्न क्रियाएं आजमाता है और उन पर आधारित प्रतिक्रिया (पुरस्कार या दंड) प्राप्त करता है, जो उस क्रिया की सफलता पर निर्भर होती है।
समय के साथ, अच्छे परिणाम देने वाली क्रियाओं की श्रृंखला को "मजबूत" किया जाता है, जिससे मॉडल लक्ष्य प्राप्त करने के लिए सर्वोत्तम रणनीति सीखता है. रिइन्फोर्समेंट लर्निंग का उपयोग आमतौर पर AI को गेम खेलने, रोबोट नियंत्रण, या सेल्फ-ड्राइविंग कारों को प्रशिक्षित करने में किया जाता है।
उदाहरण के लिए, एक मॉडल कई बार खुद से शतरंज खेलकर जीतने पर अंक प्राप्त कर सकता है। एक प्रसिद्ध उदाहरण है IBM Watson – जिसने 2011 में Jeopardy! क्विज़ शो जीतने के लिए रिइन्फोर्समेंट लर्निंग का उपयोग किया, यह सीखते हुए कि कब जवाब देना है और कितना दांव लगाना है।
मशीन लर्निंग कैसे काम करता है
मशीन लर्निंग डेटा पर आधारित होता है। सबसे पहले, सिस्टम को विभिन्न स्रोतों (सेंसर, लेनदेन सिस्टम, सोशल नेटवर्क, ओपन डेटाबेस आदि) से विशाल और विविध डेटा संग्रह की आवश्यकता होती है। डेटा की गुणवत्ता अत्यंत महत्वपूर्ण है: यदि डेटा में शोर, कमी या प्रतिनिधित्व की कमी है, तो ML मॉडल गलत सीख सकता है और सटीक परिणाम नहीं दे पाएगा।
उदाहरण के लिए, जितना अधिक साफ और प्रतिनिधि डेटा होगा, मॉडल उतना ही बेहतर सीख पाएगा, लेकिन डेटा को प्रशिक्षण के लिए तैयार करने के लिए पूर्व-प्रसंस्करण (सफाई, मानकीकरण आदि) आवश्यक है।
- डेटा संग्रह और पूर्व-प्रसंस्करण: सबसे पहले, इनपुट डेटा की पहचान कर विश्वसनीय स्रोतों से एकत्र किया जाता है। फिर, डेटा को साफ किया जाता है, त्रुटियां हटाई जाती हैं, गायब मान भरे जाते हैं, और इनपुट जानकारी को मानकीकृत किया जाता है। यह चरण समय-साध्य है लेकिन अंतिम मॉडल की सटीकता के लिए निर्णायक होता है।
- एल्गोरिदम चयन और मॉडल प्रशिक्षण: डेटा के प्रकार और लक्ष्य (वर्गीकरण या पूर्वानुमान) के आधार पर उपयुक्त एल्गोरिदम चुना जाता है (जैसे रैखिक प्रतिगमन, निर्णय वृक्ष, न्यूरल नेटवर्क आदि)। पूर्व-प्रसंस्कृत प्रशिक्षण डेटा को मॉडल में डाला जाता है ताकि यह एक हानि फ़ंक्शन को अनुकूलित करके सीख सके. प्रशिक्षण प्रक्रिया मॉडल के पैरामीटर को समायोजित करती है ताकि प्रशिक्षण डेटा पर पूर्वानुमान त्रुटि कम हो।
- मूल्यांकन और तैनाती: प्रशिक्षण के बाद, मॉडल को नए टेस्ट डेटा पर परखा जाता है ताकि गुणवत्ता का आकलन किया जा सके। सामान्य मेट्रिक्स में सटीकता (accuracy), प्रिसिजन, रिकॉल, और F1-स्कोर शामिल हैं, जो समस्या के प्रकार पर निर्भर करते हैं। यदि परिणाम संतोषजनक हों, तो मॉडल को वास्तविक दुनिया में (एप्लिकेशन या सेवा में) लागू किया जाता है; अन्यथा, डेटा या एल्गोरिदम को समायोजित कर पुनः प्रशिक्षण किया जाता है।
मशीन लर्निंग के वास्तविक अनुप्रयोग
मशीन लर्निंग वास्तविक जीवन में विविध क्षेत्रों में लागू हो रहा है, रोज़मर्रा की सुविधाओं से लेकर उच्च तकनीकी क्षेत्रों तक। नीचे ML के कुछ प्रमुख उदाहरण दिए गए हैं:
-
जनरेटिव AI (Generative AI): यह ML तकनीक है जो उपयोगकर्ता की इनपुट आवश्यकताओं के आधार पर नई सामग्री (पाठ, छवियां, वीडियो, स्रोत कोड आदि) उत्पन्न करती है. जनरेटिव AI मॉडल (जैसे बड़े भाषा मॉडल) विशाल डेटा से सीखते हैं ताकि वे स्वचालित रूप से उपयुक्त सामग्री बना सकें। उदाहरण: ChatGPT एक प्रसिद्ध जनरेटिव AI एप्लिकेशन है, जो उपयोगकर्ता के प्रश्नों का उत्तर दे सकता है या इच्छानुसार पाठ तैयार कर सकता है।
-
वॉइस रिकग्निशन: मशीन लर्निंग कंप्यूटर को मानव आवाज़ समझने और उसे टेक्स्ट में बदलने में मदद करता है। यह स्पीच रिकग्निशन तकनीक आमतौर पर मशीन लर्निंग मॉडल (अक्सर प्राकृतिक भाषा प्रसंस्करण के साथ) का उपयोग करती है ताकि आवाज़ की पहचान और ट्रांसक्रिप्शन की जा सके। व्यावहारिक अनुप्रयोगों में मोबाइल वर्चुअल असिस्टेंट (जैसे Siri, Google Assistant) शामिल हैं, जो वॉयस कमांड को समझकर क्रियाएं करते हैं, या वॉइस-टू-टेक्स्ट फीचर जो उपयोगकर्ता को उपकरणों के साथ सहज संवाद करने में मदद करता है।
-
चैटबॉट और ग्राहक सहायता: कई वेबसाइट और सोशल मीडिया प्लेटफॉर्म पर मशीन लर्निंग से लैस चैटबॉट होते हैं जो स्वचालित रूप से सामान्य प्रश्नों (FAQ) का जवाब देते हैं, उत्पाद सलाह देते हैं और 24/7 ग्राहक संवाद करते हैं। ML की मदद से, चैटबॉट उपयोगकर्ता की प्रश्नों की मंशा समझ सकते हैं और उपयुक्त उत्तर दे सकते हैं, साथ ही प्रत्येक बातचीत से सीखकर बेहतर सेवा प्रदान करते हैं. इससे व्यवसायों को मानव संसाधन बचाने में मदद मिलती है और ग्राहक अनुभव (जैसे ई-कॉमर्स प्लेटफॉर्म के वर्चुअल असिस्टेंट जो उत्पाद सुझाव देते हैं) बेहतर होता है।
-
कंप्यूटर विज़न: यह ML का वह क्षेत्र है जो कंप्यूटर को छवियों या वीडियो की सामग्री "देखने" और समझने में सक्षम बनाता है। कंप्यूटर विज़न एल्गोरिदम आमतौर पर कन्वोल्यूशनल न्यूरल नेटवर्क (CNN) का उपयोग करते हैं ताकि छवि की विशेषताओं की पहचान कर सकें, जिससे वे वस्तुओं का पता लगाने, वर्गीकरण या पैटर्न पहचान कर पाते हैं। कंप्यूटर विज़न के अनुप्रयोग व्यापक हैं: सोशल मीडिया पर स्वचालित टैगिंग, मोबाइल पर चेहरे की पहचान, चिकित्सा छवियों का निदान (जैसे एक्स-रे में ट्यूमर का पता लगाना), और सेल्फ-ड्राइविंग कारों में पैदल यात्रियों और ट्रैफिक साइन की पहचान।
-
सिफारिश प्रणाली (Recommender System): ये ML एल्गोरिदम उपयोगकर्ता व्यवहार का विश्लेषण करते हैं ताकि व्यक्तिगत रुचि के अनुसार उपयुक्त सुझाव प्रदान कर सकें। उदाहरण के लिए, फिल्म देखने या खरीदारी के इतिहास के आधार पर, सिफारिश प्रणाली आपके लिए संभावित पसंदीदा फिल्में या उत्पाद सुझाती है. ई-कॉमर्स और स्ट्रीमिंग सेवाएं (Netflix, Spotify आदि) ML का उपयोग करके सामग्री को व्यक्तिगत बनाती हैं, जिससे उपयोगकर्ता अनुभव बेहतर होता है और बिक्री बढ़ती है.
-
धोखाधड़ी का पता लगाना: वित्त और बैंकिंग क्षेत्र में, मशीन लर्निंग का उपयोग तेजी से धोखाधड़ी या असामान्य लेनदेन का पता लगाने के लिए किया जाता है। मशीन लर्निंग मॉडल को पहले से ज्ञात धोखाधड़ी वाले लेनदेन डेटा पर प्रशिक्षित किया जा सकता है (सुपरवाइज्ड लर्निंग) ताकि वे धोखाधड़ी के विशेष लक्षणों को पहचान सकें। साथ ही, असामान्यता पहचान (anomaly detection) तकनीक के साथ, ML सिस्टम सामान्य व्यवहार से विचलित लेनदेन के लिए चेतावनी दे सकते हैं. इससे बैंक और क्रेडिट कार्ड कंपनियां समय पर धोखाधड़ी का पता लगाकर नुकसान और जोखिम कम कर पाती हैं।
(इसके अलावा, ML के कई अन्य अनुप्रयोग भी हैं जैसे: फैक्ट्री ऑटोमेशन (रोबोटिक्स), सप्लाई चेन विश्लेषण, मौसम पूर्वानुमान, जीन डेटा विश्लेषण जैव विज्ञान में, आदि। ML का विकास लगभग हर क्षेत्र में नई संभावनाएं खोल रहा है।)
मशीन लर्निंग के फायदे और सीमाएं
अन्य तकनीकों की तरह, मशीन लर्निंग के भी कई प्रमुख फायदे हैं, लेकिन इसके साथ कुछ सीमाएं भी जुड़ी हैं। इन बातों को समझना हमें ML का प्रभावी उपयोग करने और संभावित जोखिमों से बचने में मदद करता है।
फायदे
-
बड़े डेटा में पैटर्न खोजने की क्षमता: ML विशाल डेटा सेट में छिपे पैटर्न और रुझान खोज सकता है जिन्हें मनुष्य आसानी से नहीं देख पाते। इससे व्यवसाय "बिग डेटा" से मूल्यवान जानकारी निकालकर बेहतर निर्णय ले सकते हैं।
-
स्वचालन और मानव निर्भरता में कमी: ML सिस्टम स्वयं सीखते और विश्लेषण एल्गोरिदम में सुधार करते हैं बिना ज्यादा मानव हस्तक्षेप के। केवल इनपुट डेटा प्रदान करने से मॉडल स्वयं आंतरिक पैरामीटर को समायोजित करता है ताकि परिणाम बेहतर हो। इससे जटिल कार्यों (जैसे वर्गीकरण, पूर्वानुमान) का निरंतर स्वचालन संभव होता है, बिना हर स्थिति के लिए मैनुअल प्रोग्रामिंग के।
-
समय के साथ सुधार और व्यक्तिगत अनुभव: पारंपरिक सॉफ्टवेयर के विपरीत (जिसका प्रदर्शन स्थिर होता है), मशीन लर्निंग मॉडल जितना अधिक डेटा प्राप्त करता है, उसकी सटीकता उतनी ही बढ़ती है. प्रत्येक प्रशिक्षण के बाद, मॉडल अनुभव से सीखता है और बेहतर पूर्वानुमान करता है। इससे ML सिस्टम प्रत्येक उपयोगकर्ता के अनुसार अनुकूलित हो सकते हैं – जैसे व्यक्तिगत सामग्री सुझाव – और समय के साथ उपयोगकर्ता अनुभव बेहतर होता है।
सीमाएं
-
उच्च गुणवत्ता वाले डेटा पर निर्भरता: ML मॉडल को विशाल मात्रा में सटीक, विविध और पक्षपात रहित प्रशिक्षण डेटा की आवश्यकता होती है। खराब गुणवत्ता वाला डेटा परिणामों को प्रभावित करता है ("कचरा इन, कचरा आउट" सिद्धांत)। इसके अलावा, बड़े डेटा सेट को संग्रहित और संसाधित करने के लिए मजबूत इन्फ्रास्ट्रक्चर और उच्च कंप्यूटिंग संसाधन की जरूरत होती है, जो महंगा हो सकता है।
-
गलत सीखने या पूर्वानुमान में त्रुटि का जोखिम: यदि प्रशिक्षण डेटा अपर्याप्त या प्रतिनिधि नहीं है, तो ML मॉडल गंभीर गलतियां कर सकता है. कभी-कभी, छोटे डेटा सेट पर एल्गोरिदम एक ऐसा नियम खोज सकता है जो गणितीय रूप से "सही" लगता है लेकिन वास्तविकता में पूरी तरह गलत होता है। इससे मॉडल भ्रामक या गलत पूर्वानुमान दे सकता है, जो निर्णयों पर नकारात्मक प्रभाव डालता है। इसलिए, ML परिणामों की विश्वसनीयता की सावधानीपूर्वक जांच आवश्यक है, खासकर सीमित डेटा के मामले में।
-
पारदर्शिता की कमी: कई जटिल ML मॉडल (विशेषकर डीप लर्निंग) एक "ब्लैक बॉक्स" की तरह काम करते हैं – यह समझना मुश्किल होता है कि मॉडल ने कोई विशेष पूर्वानुमान क्यों दिया। उदाहरण के लिए, एक गहरे न्यूरल नेटवर्क में लाखों पैरामीटर होते हैं, और यह जानना कठिन होता है कि कौन से फीचर्स ने निर्णय को प्रभावित किया। यह परिणामों की व्याख्या की आवश्यकता वाले क्षेत्रों (जैसे वित्त, चिकित्सा) में समस्या पैदा करता है। इसके विपरीत, कुछ सरल मॉडल (जैसे निर्णय वृक्ष) ज्यादा पारदर्शी और जांचने योग्य होते हैं, क्योंकि हम उनके निर्णय तर्क को ट्रैक कर सकते हैं – जो कि "ब्लैक बॉक्स" न्यूरल नेटवर्क में संभव नहीं होता।
>>> जानने के लिए क्लिक करें:
AI ह्रासित और AI सामान्य क्या है?
अंतर के बारे में: एआई, मशीन लर्निंग और डीप लर्निंग
संक्षेप में, मशीन लर्निंग (हॉक्स माई) बड़े डेटा युग की एक प्रमुख तकनीक है। यह कंप्यूटर को बिना विस्तृत प्रोग्रामिंग के समय के साथ स्वयं सीखने और पूर्वानुमान सुधारने की अनुमति देती है। इसके कारण, ML जीवन और उद्योग के कई क्षेत्रों में व्यापक रूप से लागू हो रहा है, बुद्धिमान वर्चुअल असिस्टेंट से लेकर उन्नत स्वचालित सिस्टम तक।
जैसा कि उल्लेख किया गया है, "मशीन लर्निंग वह उपकरण है जो डिजिटल युग में डेटा के मूल्य का पूर्ण उपयोग करने में मानव की मदद करता है", और यह भविष्य में स्मार्ट तकनीकी अनुप्रयोगों के लिए कई अवसर खोलता है।
