स्केच नोट टोमोमी इमुरा द्वारा
कृत्रिम बुद्धिमत्ता एउटा रोमाञ्चक वैज्ञानिक विषय हो जसले कम्प्युटरलाई बुद्धिमान व्यवहार देखाउन कसरी सक्षम बनाउने भन्ने अध्ययन गर्छ, जस्तै ती कुराहरू जुन मानिसहरू गर्नमा सिपालु हुन्छन्।
सुरुमा, कम्प्युटरहरू चार्ल्स बैबेज द्वारा संख्याहरूमा काम गर्न र एक राम्रो परिभाषित प्रक्रिया - एल्गोरिदम - अनुसरण गर्न आविष्कार गरिएको थियो। आधुनिक कम्प्युटरहरू, यद्यपि १९औं शताब्दीमा प्रस्तावित मूल मोडेलभन्दा धेरै उन्नत छन्, अझै पनि नियन्त्रित गणनाको उही विचारलाई अनुसरण गर्छन्। त्यसैले, यदि हामीलाई लक्ष्य प्राप्त गर्न आवश्यक चरणहरूको ठ्याक्कै क्रम थाहा छ भने, कम्प्युटरलाई कुनै काम गर्न प्रोग्राम गर्न सम्भव छ।
फोटो भिक्की सोश्निकोभा द्वारा
✅ व्यक्तिको फोटोबाट उसको उमेर निर्धारण गर्नु एउटा यस्तो काम हो जसलाई स्पष्ट रूपमा प्रोग्राम गर्न सकिँदैन, किनभने हामीले यो काम गर्दा हाम्रो दिमागमा संख्या कसरी आउँछ भन्ने थाहा छैन।
तर, केही कामहरू छन् जसलाई हामीले कसरी समाधान गर्ने भनेर स्पष्ट रूपमा थाहा छैन। व्यक्तिको फोटोबाट उमेर निर्धारण गर्ने कुरा विचार गर्नुहोस्। हामीले यो गर्न सिकेका छौं, किनभने हामीले विभिन्न उमेरका मानिसहरूको धेरै उदाहरण देखेका छौं, तर हामीले यो कसरी गर्छौं भनेर स्पष्ट रूपमा व्याख्या गर्न सक्दैनौं, न त हामीले कम्प्युटरलाई यो गर्न प्रोग्राम गर्न सक्छौं। यस्तै प्रकारका कामहरू कृत्रिम बुद्धिमत्ता (संक्षेपमा एआई) को चासोका विषय हुन्।
✅ कम्प्युटरलाई केही कामहरू सुम्पने बारे सोच्नुहोस् जसले एआईबाट फाइदा लिन सक्छ। वित्त, चिकित्सा, र कलाका क्षेत्रहरू विचार गर्नुहोस् - यी क्षेत्रहरू आज एआईबाट कसरी लाभान्वित भइरहेका छन्?
| कमजोर एआई | बलियो एआई |
|---|---|
| कमजोर एआई ती एआई प्रणालीहरूलाई जनाउँछ जुन विशेष काम वा सिमित कामहरूको लागि डिजाइन र तालिम दिइएको हुन्छ। | बलियो एआई, वा कृत्रिम सामान्य बुद्धिमत्ता (AGI), ती एआई प्रणालीहरूलाई जनाउँछ जसमा मानव-स्तरको बुद्धिमत्ता र बुझाइ हुन्छ। |
| यी एआई प्रणालीहरू सामान्यतया बुद्धिमान हुँदैनन्; तिनीहरू पूर्वनिर्धारित काममा उत्कृष्ट हुन्छन् तर साँचो बुझाइ वा चेतना हुँदैन। | यी एआई प्रणालीहरूले कुनै पनि बौद्धिक काम गर्न, विभिन्न क्षेत्रहरूमा अनुकूलन गर्न, र चेतना वा आत्म-जागरूकताको रूप धारण गर्न सक्छन्। |
| कमजोर एआईका उदाहरणहरूमा सिरी वा एलेक्सा जस्ता भर्चुअल सहायकहरू, स्ट्रिमिङ सेवाहरूद्वारा प्रयोग गरिने सिफारिस एल्गोरिदमहरू, र विशिष्ट ग्राहक सेवा कार्यहरूको लागि डिजाइन गरिएका च्याटबटहरू समावेश छन्। | बलियो एआई हासिल गर्नु एआई अनुसन्धानको दीर्घकालीन लक्ष्य हो र यसले एआई प्रणालीहरू विकास गर्न आवश्यक पर्छ जसले तर्क गर्न, सिक्न, बुझ्न, र फराकिलो दायराका कामहरू र सन्दर्भहरूमा अनुकूलन गर्न सक्छ। |
| कमजोर एआई अत्यधिक विशेषज्ञित छ र यसको सिमित क्षेत्रमा मानव-जस्तै संज्ञानात्मक क्षमता वा सामान्य समस्या समाधान गर्ने क्षमता हुँदैन। | बलियो एआई हाल एक सैद्धान्तिक अवधारणा हो, र कुनै पनि एआई प्रणालीले यो स्तरको सामान्य बुद्धिमत्तामा पुग्न सकेको छैन। |
थप जानकारीको लागि कृत्रिम सामान्य बुद्धिमत्ता (AGI) हेर्नुहोस्।
बुद्धिमत्ता शब्दसँग व्यवहार गर्दा एउटा समस्या यो हो कि यस शब्दको कुनै स्पष्ट परिभाषा छैन। कसैले तर्क गर्न सक्छ कि बुद्धिमत्ता सार सोचाइ वा आत्म-जागरूकतासँग सम्बन्धित छ, तर हामी यसलाई ठीकसँग परिभाषित गर्न सक्दैनौं।
बुद्धिमत्ता शब्दको अस्पष्टता हेर्न, यो प्रश्नको उत्तर दिन प्रयास गर्नुहोस्: "के बिरालो बुद्धिमान छ?" विभिन्न व्यक्तिहरूले यस प्रश्नको लागि फरक उत्तर दिन्छन्, किनभने यो दाबी सत्य हो वा होइन भनेर प्रमाणित गर्न कुनै सार्वभौम रूपमा स्वीकार्य परीक्षण छैन। र यदि तपाईं सोच्नुहुन्छ कि छ - आफ्नो बिरालोलाई आईक्यू परीक्षणमा चलाएर हेर्नुहोस्...
✅ एक मिनेट सोच्नुहोस् कि तपाईं बुद्धिमत्तालाई कसरी परिभाषित गर्नुहुन्छ। के एउटा कागले भूलभुलैया समाधान गरेर खाना पाउँछ भने त्यो बुद्धिमान हो? के एउटा बच्चा बुद्धिमान हो?
जब हामी AGI को बारेमा कुरा गर्छौं, हामीसँग कुनै तरिकाले यो थाहा हुनुपर्छ कि हामीले साँच्चै बुद्धिमान प्रणाली सिर्जना गरेका छौं। एलन ट्युरिङ ले ट्युरिङ परीक्षण नामक एउटा तरिका प्रस्ताव गरे, जसले बुद्धिमत्ताको परिभाषा जस्तै काम गर्छ। परीक्षणले दिइएको प्रणालीलाई केही स्वाभाविक रूपमा बुद्धिमान चीज - वास्तविक मानवसँग तुलना गर्छ, र किनभने कुनै पनि स्वचालित तुलना कम्प्युटर प्रोग्रामद्वारा बाइपास गर्न सकिन्छ, हामी मानव अन्वेषक प्रयोग गर्छौं। त्यसैले, यदि कुनै मानवले पाठ-आधारित संवादमा वास्तविक व्यक्ति र कम्प्युटर प्रणालीबीच भिन्नता छुट्याउन असमर्थ छ भने - प्रणालीलाई बुद्धिमान मानिन्छ।
युजिन गुस्टम्यान नामक च्याटबट, जुन सेंट पिटर्सबर्गमा विकास गरिएको थियो, २०१४ मा ट्युरिङ परीक्षण पार गर्न नजिक पुगेको थियो। यसले चतुर व्यक्तित्व चाल प्रयोग गरेर अगाडि नै घोषणा गर्यो कि यो १३ वर्षको युक्रेनी केटा हो, जसले ज्ञानको कमी र पाठमा केही असंगतताहरूलाई व्याख्या गर्थ्यो। बटले ३०% न्यायाधीशहरूलाई ५ मिनेटको संवादपछि यो मानव हो भनेर विश्वस्त गरायो, जुन मेट्रिक ट्युरिङले २००० सम्ममा मेसिनले पार गर्न सक्ने विश्वास गरेका थिए। तर, यो बुझ्नुपर्छ कि यसले हामीले बुद्धिमान प्रणाली सिर्जना गरेका छौं भन्ने संकेत गर्दैन, वा कम्प्युटर प्रणालीले मानव अन्वेषकलाई मूर्ख बनाएको छ भन्ने होइन - प्रणालीले मानवलाई मूर्ख बनाएको होइन, तर बट सिर्जनाकर्ताहरूले गरे!
✅ के तपाईं कहिल्यै च्याटबटले तपाईंलाई मानवसँग कुरा गरिरहेको सोच्न मूर्ख बनाएको छ? यसले तपाईंलाई कसरी विश्वस्त गरायो?
यदि हामी चाहन्छौं कि कम्प्युटरले मानिसजस्तै व्यवहार गरोस्, हामीले कुनै न कुनै रूपमा कम्प्युटरभित्र हाम्रो सोच्ने तरिकालाई मोडेल गर्नुपर्छ। त्यसैले, हामीले बुझ्न प्रयास गर्नुपर्छ कि मानिसलाई बुद्धिमान बनाउने के हो।
मेसिनमा बुद्धिमत्ता प्रोग्राम गर्न सक्षम हुन, हामीले हाम्रो आफ्नै निर्णय गर्ने प्रक्रियाहरू कसरी काम गर्छन् भन्ने बुझ्नुपर्छ। यदि तपाईंले अलिकति आत्म-निरीक्षण गर्नुभयो भने, तपाईंले महसुस गर्नुहुनेछ कि केही प्रक्रियाहरू अवचेतन रूपमा हुन्छन् - जस्तै हामीले बिरालोलाई कुकुरबाट छुट्याउन सक्छौं सोच्नै नपरी - जबकि केही अन्यले तर्क समावेश गर्छन्।
यस समस्याको दुई सम्भावित दृष्टिकोणहरू छन्:
| शीर्ष-तल दृष्टिकोण (प्रतीकात्मक तर्क) | तल-माथि दृष्टिकोण (न्यूरल नेटवर्क) |
|---|---|
| शीर्ष-तल दृष्टिकोणले समस्या समाधान गर्न व्यक्तिले तर्क गर्ने तरिकालाई मोडेल गर्छ। यसमा मानिसबाट ज्ञान निकाल्ने, र यसलाई कम्प्युटर-पढ्न सकिने रूपमा प्रतिनिधित्व गर्ने समावेश छ। हामीले कम्प्युटरभित्र तर्क मोडेल गर्ने तरिका पनि विकास गर्नुपर्छ। | तल-माथि दृष्टिकोणले मानव मस्तिष्कको संरचनालाई मोडेल गर्छ, जसमा न्यूरोनहरू भनिने धेरै साधारण एकाइहरूको ठूलो संख्या हुन्छ। प्रत्येक न्यूरोनले यसको इनपुटहरूको भारित औसतको रूपमा काम गर्छ, र हामी न्यूरोनहरूको नेटवर्कलाई तालिम डेटा प्रदान गरेर उपयोगी समस्याहरू समाधान गर्न तालिम दिन सक्छौं। |
बुद्धिमत्ताका लागि केही अन्य सम्भावित दृष्टिकोणहरू पनि छन्:
-
उत्पन्न, सिनर्जेटिक वा बहु-एजेन्ट दृष्टिकोण जटिल बुद्धिमान व्यवहार धेरै साधारण एजेन्टहरूको अन्तरक्रियाबाट प्राप्त गर्न सकिन्छ भन्ने तथ्यमा आधारित छन्। इभोल्युसनरी साइबरनेटिक्स अनुसार, बुद्धिमत्ता मेटासिस्टम ट्रान्जिसन प्रक्रियामा अधिक साधारण, प्रतिक्रियात्मक व्यवहारबाट उत्पन्न हुन सक्छ।
-
इभोल्युसनरी दृष्टिकोण, वा जेनेटिक एल्गोरिदम विकासको सिद्धान्तमा आधारित अनुकूलन प्रक्रिया हो।
हामी ती दृष्टिकोणहरूलाई पाठ्यक्रममा पछि विचार गर्नेछौं, तर अहिले हामी दुई मुख्य दिशाहरूमा ध्यान केन्द्रित गर्नेछौं: शीर्ष-तल र तल-माथि।
शीर्ष-तल दृष्टिकोणमा, हामी हाम्रो तर्कलाई मोडेल गर्न प्रयास गर्छौं। किनभने हामी तर्क गर्दा हाम्रो विचारहरूलाई पछ्याउन सक्छौं, हामी यस प्रक्रियालाई औपचारिक बनाउन र यसलाई कम्प्युटरभित्र प्रोग्राम गर्न प्रयास गर्न सक्छौं। यसलाई प्रतीकात्मक तर्क भनिन्छ।
मानिसहरूले आफ्नो निर्णय गर्ने प्रक्रियाहरूलाई मार्गदर्शन गर्ने केही नियमहरू आफ्नो दिमागमा राख्ने गर्छन्। उदाहरणका लागि, जब डाक्टरले बिरामीको निदान गर्दैछन्, उनले महसुस गर्न सक्छन् कि व्यक्तिलाई ज्वरो छ, र यसैले शरीरभित्र केही सूजन भइरहेको हुन सक्छ। डाक्टरले विशिष्ट समस्यामा नियमहरूको ठूलो सेट लागू गरेर अन्तिम निदानमा पुग्न सक्छ।
यो दृष्टिकोण ज्ञान प्रतिनिधित्व र तर्कमा धेरै निर्भर गर्दछ। मानिस विशेषज्ञबाट ज्ञान निकाल्नु सबैभन्दा कठिन भाग हुन सक्छ, किनभने धेरै अवस्थामा डाक्टरलाई थाहा हुँदैन कि उनी किन विशेष निदानमा आइपुगेका छन्। कहिलेकाहीं समाधान स्पष्ट सोचाइ बिना नै उनको दिमागमा आउँछ। केही कामहरू, जस्तै व्यक्तिको फोटोबाट उमेर निर्धारण गर्नु, ज्ञान हेरफेरमा बिल्कुलै घटाउन सकिँदैन।
वैकल्पिक रूपमा, हामी हाम्रो मस्तिष्कभित्रका सबैभन्दा साधारण तत्वहरू - न्यूरोनलाई मोडेल गर्न प्रयास गर्न सक्छौं। हामी कम्प्युटरभित्र तथाकथित कृत्रिम न्यूरल नेटवर्क निर्माण गर्न सक्छौं, र त्यसपछि यसलाई उदाहरणहरू दिएर समस्याहरू समाधान गर्न सिकाउन प्रयास गर्न सक्छौं। यो प्रक्रिया नवजात शिशुले आफ्नो वरपरको वातावरणको बारेमा अवलोकन गरेर सिक्ने तरिकासँग मिल्दोजुल्दो छ।
✅ बच्चाहरू कसरी सिक्छन् भन्ने बारे अलिकति अनुसन्धान गर्नुहोस्। बच्चाको मस्तिष्कका आधारभूत तत्वहरू के हुन्?
एमएलको बारेमा के? केही डेटा आधारित समस्याहरू समाधान गर्न कम्प्युटर सिकाइमा आधारित कृत्रिम बुद्धिमत्ताको भागलाई मेसिन लर्निङ भनिन्छ। हामी यस पाठ्यक्रममा शास्त्रीय मेसिन लर्निङलाई विचार गर्ने छैनौं - हामी तपाईंलाई छुट्टै मेसिन लर्निङका लागि शुरुआती पाठ्यक्रममा सन्दर्भ दिन्छौं।
कृत्रिम बुद्धिमत्ता २०औं शताब्दीको मध्यमा एउटा क्षेत्रको रूपमा सुरु भएको थियो। सुरुमा, प्रतीकात्मक तर्क एक प्रमुख दृष्टिकोण थियो, र यसले विशेषज्ञ प्रणालीहरू जस्ता केही महत्त्वपूर्ण सफलताहरू ल्यायो - कम्प्युटर प्रोग्रामहरू जसले केही सिमित समस्या क्षेत्रहरूमा विशेषज्ञको रूपमा काम गर्न सक्षम थिए। तर, चाँडै यो स्पष्ट भयो कि यस्तो दृष्टिकोण राम्रोसँग स्केल हुँदैन। विशेषज्ञबाट ज्ञान निकाल्नु, यसलाई कम्प्युटरमा प्रतिनिधित्व गर्नु, र त्यो ज्ञान आधारलाई सटीक राख्नु धेरै जटिल कार्य हो, र धेरै अवस्थामा व्यावहारिक हुन धेरै महँगो छ। यसले १९७० को दशकमा तथाकथित एआई जाडो ल्यायो।
छवि दिमित्री सोश्निकोभ द्वारा
समय बित्दै जाँदा, कम्प्युटिङ स्रोतहरू सस्ता भए, र थप डेटा उपलब्ध भयो, त्यसैले न्यूरल नेटवर्क दृष्टिकोणहरूले धेरै क्षेत्रमा मानिसहरूसँग प्रतिस्पर्धा गर्न ठूलो प्रदर्शन देखाउन थाले, जस्तै कम्प्युटर दृष्टि वा भाषण बुझाइ। पछिल्लो दशकमा, कृत्रिम बुद्धिमत्ता शब्दलाई प्रायः न्यूरल नेटवर्कहरूको पर्यायवाचीको रूपमा प्रयोग गरिएको छ, किनभने हामीले सुनेका अधिकांश एआई सफलताहरू तिनैमा आधारित छन्।
हामी हेर्न सक्छौं कि दृष्टिकोणहरू कसरी परिवर्तन भए, उदाहरणका लागि, चेस खेल्ने कम्प्युटर प्रोग्राम सिर्जना गर्दा:
- प्रारम्भिक चेस प्रोग्रामहरू खोजमा आधारित थिए - प्रोग्रामले दिइएको चालहरूको संख्या लागि विपक्षीका सम्भावित चालहरूको अनुमान गर्न स्पष्ट रूपमा प्रयास गर्यो, र केही चालहरूमा प्राप्त गर्न सकिने इष्टतम स्थितिमा आधारित इष्टतम चाल चयन गर्यो। यसले तथाकथित अल्फा-बेटा प्रुनिङ खोज एल्गोरिदमको विकास गर्यो।
- खोज रणनीतिहरू खेलको अन्त्यतिर राम्रोसँग काम गर्छन्, जहाँ खोज स्थान सीमित सम्भावित चालहरूको सानो संख्याद्वारा सीमित हुन्छ। तर, खेलको सुरुवातमा, खोज स्थान विशाल हुन्छ, र एल्गोरिदमलाई मानव खेलाडीहरू बीचको विद्यमान खेलहरूबाट सिकेर सुधार गर्न सकिन्छ। त्यसपछि भएका प्रयोगहरूले तथाकथित केस-आधारित तर्क प्रयोग गरे, जहाँ प्रोग्रामले खेलको वर्तमान स्थितिसँग धेरै मिल्दोजुल्दो केसहरू ज्ञान आधारमा खोज्यो।
- आधुनिक प्रोग्रामहरू, जसले मानव खेलाडीहरूलाई जित्छन्, न्यूरल नेटवर्क र प्रबलित शिक्षणमा आधारित छन्, जहाँ प्रोग्रामहरूले आफैंसँग लामो समयसम्म खेल्दै र आफ्नै गल्तीहरूबाट सिक्दै खेल्न सिक्छन् - मानिसहरूले चेस खेल्न सिक्दा जस्तै। तर, कम्प्युटर प्रोग्रामले धेरै कम समयमा धेरै खेल खेल्न सक्छ, र यसैले धेरै छिटो सिक्न सक्छ।
✅ एआईले खेलेका अन्य खेलहरूको बारेमा अलिकति अनुसन्धान गर्नुहोस्।
त्यस्तै गरी, हामी हेर्न सक्छौं कि "बोल्ने प्रोग्रामहरू" (जसले ट्युरिङ परीक्षण पास गर्न सक्छ) सिर्जना गर्ने दृष्टिकोण कसरी परिवर्तन भयो:
- यस प्रकारका प्रारम्भिक प्रोग्रामहरू, जस्तै एलिजा, धेरै साधारण व्याकरणीय नियमहरू र इनपुट वाक्यलाई प्रश्नमा पुनः-रूपान्तरणमा आधारित थिए।
- आधुनिक सहायकहरू, जस्तै कोरटाना, सिरी वा गुगल असिस्टेन्ट सबै हाइब्रिड प्रणालीहरू हुन् जसले भाषणलाई पाठमा रूपान्तरण गर्न र हाम्रो उद्देश्यलाई पहिचान गर्न न्यूरल नेटवर्क प्रयोग गर्छन्, र त्यसपछि आवश्यक कार्यहरू गर्न केही तर्क वा स्पष्ट एल्गोरिदमहरू प्रयोग गर्छन्।
- भविष्यमा, हामी पूर्ण रूपमा न्यूरल-आधारित मोडेलले आफैंले संवादलाई ह्यान्डल गर्ने अपेक्षा गर्न सक्छौं। हालसालैका जीपीटी र ट्युरिङ-एनएलजी न्यूरल नेटवर्क परिवारले यसमा ठूलो सफलता देखाएका छन्।
<img alt="ट्युरिङ परीक्षणको विकास" src="images/turing-test
चित्र Dmitry Soshnikov द्वारा, फोटो Marina Abrosimova द्वारा Marina Abrosimova, Unsplash
न्यूरल नेटवर्क अनुसन्धानमा हालैको ठूलो वृद्धि लगभग २०१० तिर सुरु भयो, जब ठूला सार्वजनिक डेटासेटहरू उपलब्ध हुन थाले। ImageNet नामक १४ मिलियन एनोटेटेड छविहरूको ठूलो संग्रहले ImageNet Large Scale Visual Recognition Challenge को सुरुवात गर्यो।
चित्र Dmitry Soshnikov द्वारा
२०१२ मा, Convolutional Neural Networks पहिलो पटक छवि वर्गीकरणमा प्रयोग गरियो, जसले वर्गीकरण त्रुटिहरूमा ठूलो गिरावट ल्यायो (लगभग ३०% बाट १६.४% सम्म)। २०१५ मा, Microsoft Research को ResNet आर्किटेक्चरले मानव-स्तरको सटीकता हासिल गर्यो।
त्यसपछि, न्यूरल नेटवर्कहरूले धेरै कार्यहरूमा धेरै सफल व्यवहार देखाए:
| वर्ष | मानव समानता हासिल गरियो |
|---|---|
| २०१५ | छवि वर्गीकरण |
| २०१६ | वार्तालापात्मक भाषण पहिचान |
| २०१८ | स्वचालित मेशिन अनुवाद (चिनियाँ-देखि-अंग्रेजी) |
| २०२० | छवि क्याप्शनिङ |
पछिल्ला केही वर्षहरूमा, हामीले ठूला भाषा मोडेलहरू, जस्तै BERT र GPT-3 मा ठूलो सफलता देख्यौं। यो मुख्यतया यस कारणले भयो कि धेरै सामान्य पाठ डेटा उपलब्ध छ, जसले मोडेलहरूलाई पाठहरूको संरचना र अर्थ समात्न, तिनीहरूलाई सामान्य पाठ संग्रहहरूमा प्रि-ट्रेन गर्न, र त्यसपछि ती मोडेलहरूलाई थप विशिष्ट कार्यहरूको लागि विशेषज्ञ बनाउन अनुमति दिन्छ। हामी यस पाठक्रममा पछि Natural Language Processing को बारेमा थप जान्नेछौं।
इन्टरनेटको भ्रमण गरेर तपाईंको विचारमा एआई सबैभन्दा प्रभावकारी रूपमा कहाँ प्रयोग भइरहेको छ भनेर निर्धारण गर्नुहोस्। के यो कुनै म्यापिङ एपमा हो, वा कुनै भाषण-देखि-पाठ सेवा वा भिडियो गेममा? प्रणाली कसरी निर्माण गरियो भनेर अनुसन्धान गर्नुहोस्।
यस पाठ पढेर एआई र एमएलको इतिहासको समीक्षा गर्नुहोस्। उक्त पाठको माथिको स्केच नोट वा यस पाठबाट एउटा तत्व लिई यसको सांस्कृतिक सन्दर्भलाई गहिरो रूपमा बुझ्न अनुसन्धान गर्नुहोस्।
कार्य: गेम जम
अस्वीकरण:
यो दस्तावेज AI अनुवाद सेवा Co-op Translator प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेजलाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।