Artificial Intelligence MCQ Quiz in हिन्दी - Objective Question with Answer for Artificial Intelligence - मुफ्त [PDF] डाउनलोड करें

सही उत्तर "विकल्प 1" है।

अवधारणा:

कंप्यूटर विज्ञान के अनुसार, आर्टिफिशियल इंटेलिजेंस "बुद्धिमान एजेंटों" या "तर्कसंगत एजेंटों और उनके पर्यावरण" का अध्ययन है।

एजेंट: एजेंट वह होता है जो अपने वातावरण में काम करता है या कार्य करता है।

पर्यावरण: यह एक एजेंट का परिवेश है।

एक एजेंट सेंसर के माध्यम से पर्यावरण से इनपुट लेता है और एक्चुएटर्स के माध्यम से आउटपुट को पर्यावरण तक पहुंचाता है।

स्पष्टीकरण:

विकल्प 1: सिंपल रिफ्लेक्स एजेंट वर्तमान धारणा के आधार पर कार्य करता है और अवधारणा इतिहास की उपेक्षा करता है यानी एक एजेंट ने अब तक के सभी इतिहास को देखा है।

विकल्प 2: मॉडल-आधारित एजेंटों के पास एक मॉडल होता है यानी पूरी दुनिया में चीजें कैसे होती हैं और मॉडल के आधार पर यह कार्य करता है।

विकल्प 3: लर्निंग एजेंट पिछले अनुभवों से सीखते हैं और सीखने के माध्यम से स्वचालित रूप से अनुकूलित होते हैं। इसमें सीखने की क्षमता है।

विकल्प 4: यूटिलिटी-आधारित एजेंट उपयोगिताओं या वरीयता के आधार पर क्रियाओं का चयन करते हैं और उन कार्यों को चुनते हैं जो अपेक्षित उपयोगिता को अधिकतम करते हैं। उपयोगिता एजेंट की खुशी का वर्णन करती है।

इसलिए, यूटिलिटी-आधारित एजेंट हैप्पी और अनहैप्पी एजेंटों से निपटते हैं।

Additional Information

1. पर्यावरण में किसी भी प्रकार के परिवर्तन का पता लगाने और अन्य इलेक्ट्रॉनिक उपकरणों को सूचित करने के लिए सेंसर का उपयोग किया जाता है।

2. एक्चुएटर्स ऊर्जा को गति में बदलते हैं और सिस्टम की गति के लिए जिम्मेदार होते हैं।

3. रेशनल एजेंट इस तरह से कार्य करता है जो किसी भी संभावित कार्यों के साथ प्रदर्शन माप में सुधार करता है।

व्याख्या:

स्टेमिंग:

• यह एक प्रक्रिया जिसमे किसी शब्द के अंतिम कुछ वर्णों को स्टेम या रिमूव कर दिया जाता है, जिससे सामान्यतः इसके वर्तनी और अर्थ गलत हो जाते हैं। 
• इस तकनीक में केवल शेष शब्द को छोड़कर एक शब्द में जोड़े गए प्रत्यय को हटाने की प्रक्रिया पाई जाती है।

लेमैटाइजेशन:

• प्राकृतिक भाषा प्रसंस्करण में, लेमैटाइजेशन में उनके रूट लेक्सिकल घटकों के आधार पर शब्दों को व्यवस्थित करना सम्मलित होता है।
• यह संदर्भ का विश्लेषण करता है और शब्द को उसके शब्दार्थ आधार रूप में परिवर्तित करता है, जिसे लेम्मा कहा जाता है।

 

नामित इकाई की पहचान और पार्ट ऑफ़ स्पीच सामान्यीकरण तकनीक नहीं हैं।​

सही उत्तर आर्टिफिशियल न्यूरल नेटवर्क है। 

 Key Points

• आर्टिफीसियल न्यूरल नेटवर्क (ANNs) डीप लर्निंग का आधार बनते हैं।
• मानव मस्तिष्क की संरचना और कार्य से प्रेरित, ANNs में जुड़े हुए नोड्स या "न्यूरॉन्स" शामिल हैं। पारंपरिक मशीन लर्निंग के डिसीजन ट्री और रैंडम फॉरेस्ट के विपरीत, ANNs कई लेयर में इन परस्पर जुड़े न्यूरॉन्स के माध्यम से डेटा को संसाधित करके जटिल पैटर्न और प्रतिनिधित्व सीख सकते हैं, जिससे वे डीप लर्निंग के मूल निर्माण खंड बन जाते हैं।

Additional Information

•  अन्य मशीन लर्निंग एल्गोरिदम के विपरीत, आर्टिफीसियल न्यूरल  नेटवर्क का पूर्वंनुमान या निर्णय लेने के लिए मानव मस्तिष्क की कार्यप्रणाली का अनुकरण करने का प्रयास करते हैं।

सही उत्तर नेटफ्लिक्स सीवी और मशीन लर्निंग का उपयोग करता है।

Key Points

• नेटफ्लिक्स वास्तव में अपनी रिकमेन्डेशन सिस्टम को बढ़ाने, उपयोगकर्ता अनुभवों को निजीकृत करने और अपने कंटेंट डिलीवरी नेटवर्क में सुधार करने के लिए मशीन लर्निंग का उपयोग करता है। हालाँकि, यह मुख्य रूप से कंप्यूटर विज़न का उपयोग नहीं करता है, जो आर्टिफीसियल इंटेलिजेंस का एक क्षेत्र है जो कंप्यूटर को दृश्य दुनिया की व्याख्या और समझने के लिए प्रशिक्षित करता है। कंप्यूटर विज़न का उपयोग मुख्य रूप से उन एप्लीकेशन में किया जाता है, जिनमें इमेज को संसाधित करने, विश्लेषण करने और समझने की आवश्यकता होती है, जैसे कि फेसिअल रिकग्निशन सिस्टम, सेल्फ-ड्राइविंग कार, इमेज एडिटिंग सॉफ़्टवेयर इत्यादि।

Additional Information

• CV (कंप्यूटर विज़न) एक AI डोमेन है जो कंप्यूटर को विजुअल डेटा की व्याख्या और समझने में सक्षम बनाता है जैसे मनुष्य देखते हैं। इसका उपयोग फेसिअल रिकग्निशन, ऑब्जेक्ट डिटेक्शन और इमेज एनालिसिस जैसे एप्लीकेशन में किया जाता है।
• NLP (नेचुरल लैंग्वेज प्रोसेसिंग) एक AI शाखा है जो मानव भाषा को पढ़ने, समझने और उपयोग करने के उद्देश्य से प्राकृतिक भाषा का उपयोग करके कंप्यूटर और मनुष्यों के बीच बातचीत को सक्षम बनाती है। NLP का उपयोग अनुवाद, स्पीच रिकग्निशन, सेंटिमेंट विश्लेषण जैसे कार्यों में और उपयोगकर्ता के अनुरोधों को समझने और उत्तर देने के लिए सिरी या एलेक्सा जैसे डिजिटल सहायकों में किया जाता है।

प्रमुख बिंदु

• पहले सरल उपाय के रूप में, हम अपने डेटा को बेतरतीब ढंग से प्रशिक्षण और परीक्षण सेट में विभाजित कर सकते हैं। परीक्षण के लिए सामान्य विभाजन 25 से 30 प्रतिशत और शेष 75 से 70 प्रतिशत प्रशिक्षण के लिए है। हम प्रत्येक प्रतिक्रिया और इसकी विशेषताओं के बीच पत्राचार रखते हुए, एक ही समय में हमारे डेटा को हमारी प्रतिक्रिया और सुविधाओं से विभाजित कर सकते हैं।
• यदि हमारे पास पर्याप्त डेटा है, तो हम वास्तव में 50-50 के विभाजन के लिए जा सकते हैं, लेकिन ऐसी कोई चीज नहीं है जो बेहतर होगा, पूरी तरह से हमारे पास मौजूद डेटा की मात्रा और उस कार्य की जटिलता पर निर्भर करता है जिसे हम करने की कोशिश कर रहे हैं। यदि हम इसे पर्याप्त डेटा पर प्रशिक्षित करते हैं, तो परीक्षण सेट का आकार कोई चिंता का विषय नहीं है।
• एक सांख्यिकीय मॉडल जो काफी जटिल है, किसी भी प्रशिक्षण डेटासेट में पूरी तरह फिट हो सकता है और उस पर 100% सटीकता प्राप्त कर सकता है। लेकिन प्रशिक्षण सेट के लिए पूरी तरह से फिट होने से, नए डेटा पर इसका खराब प्रदर्शन होगा जो प्रशिक्षण ओवरफिटिंग के दौरान नहीं देखा जाता है।

इसलिए सही उत्तर 75% प्रशिक्षण और 25% परीक्षण डेटा है।

अतिरिक्त सूचना प्रशिक्षण डेटासेट:

प्रशिक्षण डेटा वह डेटा है जिसका उपयोग आप एल्गोरिदम या मशीन लर्निंग मॉडल को प्रशिक्षित करने के लिए करते हैं ताकि आप अपने मॉडल को भविष्यवाणी करने के लिए डिज़ाइन किए गए परिणाम की भविष्यवाणी कर सकें। परीक्षण डेटा का उपयोग मशीन को प्रशिक्षित करने के लिए आपके द्वारा उपयोग किए जा रहे एल्गोरिदम के प्रदर्शन, जैसे सटीकता या दक्षता को मापने के लिए किया जाता है।

परीक्षण डेटासेट:

मशीन लर्निंग में एक टेस्ट सेट एक सेकेंडरी डेटा सेट होता है जिसका उपयोग मशीन लर्निंग प्रोग्राम को एक प्रारंभिक प्रशिक्षण डेटा सेट पर प्रशिक्षित करने के बाद परीक्षण करने के लिए किया जाता है। एक परीक्षण सेट को परीक्षण डेटा सेट या परीक्षण डेटा के रूप में भी जाना जाता है।

सही उत्तर "विकल्प 1" है।

अवधारणा:

कंप्यूटर विज्ञान के अनुसार, आर्टिफिशियल इंटेलिजेंस "बुद्धिमान एजेंटों" या "तर्कसंगत एजेंटों और उनके पर्यावरण" का अध्ययन है।

एजेंट: एजेंट वह होता है जो अपने वातावरण में काम करता है या कार्य करता है।

पर्यावरण: यह एक एजेंट का परिवेश है।

एक एजेंट सेंसर के माध्यम से पर्यावरण से इनपुट लेता है और एक्चुएटर्स के माध्यम से आउटपुट को पर्यावरण तक पहुंचाता है।

स्पष्टीकरण:

विकल्प 1: सिंपल रिफ्लेक्स एजेंट वर्तमान धारणा के आधार पर कार्य करता है और अवधारणा इतिहास की उपेक्षा करता है यानी एक एजेंट ने अब तक के सभी इतिहास को देखा है।

विकल्प 2: मॉडल-आधारित एजेंटों के पास एक मॉडल होता है यानी पूरी दुनिया में चीजें कैसे होती हैं और मॉडल के आधार पर यह कार्य करता है।

विकल्प 3: लर्निंग एजेंट पिछले अनुभवों से सीखते हैं और सीखने के माध्यम से स्वचालित रूप से अनुकूलित होते हैं। इसमें सीखने की क्षमता है।

विकल्प 4: यूटिलिटी-आधारित एजेंट उपयोगिताओं या वरीयता के आधार पर क्रियाओं का चयन करते हैं और उन कार्यों को चुनते हैं जो अपेक्षित उपयोगिता को अधिकतम करते हैं। उपयोगिता एजेंट की खुशी का वर्णन करती है।

इसलिए, यूटिलिटी-आधारित एजेंट हैप्पी और अनहैप्पी एजेंटों से निपटते हैं।

Additional Information

1. पर्यावरण में किसी भी प्रकार के परिवर्तन का पता लगाने और अन्य इलेक्ट्रॉनिक उपकरणों को सूचित करने के लिए सेंसर का उपयोग किया जाता है।

2. एक्चुएटर्स ऊर्जा को गति में बदलते हैं और सिस्टम की गति के लिए जिम्मेदार होते हैं।

3. रेशनल एजेंट इस तरह से कार्य करता है जो किसी भी संभावित कार्यों के साथ प्रदर्शन माप में सुधार करता है।

सही उत्तर क्षमता है।

Key Points

आर्टिफिशियल इंटेलिजेंस पूर्वाग्रह के स्रोत:

• डाटा:
  • यह अक्सर AI में पक्षपात का प्राथमिक स्रोत होता है।
  • यदि मॉडल बनाने के लिए उपयोग किए जाने वाले प्रशिक्षण डेटा में पक्षपात शामिल हैं, तो उन पक्षपातों को मॉडल द्वारा सीखा जाएगा।
  • उदाहरण के लिए, यदि एक चेहरे की पहचान एल्गोरिथ्म को ज्यादातर गोरी त्वचा वाले लोगों की छवियों पर प्रशिक्षित किया जाता है, तो यह गहरे रंग की त्वचा वाले लोगों को पहचानने की कोशिश में खराब प्रदर्शन कर सकता है।
• एल्गोरिदम:
  • यद्यपि एल्गोरिदम गणितीय हैं और उद्देश्य होना चाहिए, पक्षपात उनके डिजाइन के दौरान किए गए अनुमानों और निर्णयों के माध्यम से रेंग सकते हैं।
  • उदाहरण के लिए, यदि किसी एल्गोरिथम को निष्पक्षता पर विचार किए बिना एक निश्चित मीट्रिक को अधिकतम करने के लिए डिज़ाइन किया गया है, तो इससे पक्षपाती परिणाम हो सकते हैं।
• लोग:
  • AI सिस्टम को डिजाइन, प्रशिक्षित और कार्यान्वित करने वाले लोग पक्षपात का परिचय दे सकते हैं, अक्सर अनजाने में।
  • इसमें वे लोग शामिल हैं जो यह तय करते हैं कि कौन सा डेटा एकत्र करना और उपयोग करना है, एल्गोरिदम के डिजाइनर और AI  के आउटपुट को लागू करने वाले निर्णयकर्ता।
• क्षमता:
  • यह किसी व्यक्ति की कार्य करने की क्षमता को संदर्भित करता है। हालांकि यह एआई के उपयोग और व्याख्या को प्रभावित कर सकता है, यह स्वयं AI सिस्टम के भीतर पूर्वाग्रह का प्रत्यक्ष स्रोत नहीं है।
  • AI लोगों की क्षमताओं से "सीखता" नहीं है उसी तरह यह पक्षपाती डेटा या डिजाइन प्रक्रिया के दौरान किए गए पक्षपाती निर्णयों से सीखता है।
  • उस ने कहा, यदि अलग-अलग क्षमताओं के कारण एआई उपकरण केवल लोगों के एक विशेष समूह द्वारा सुलभ या उपयोग करने योग्य हैं, तो यह व्यापक अर्थों में प्रणालीगत पक्षपात को जन्म दे सकता है।

सही उत्तर विकल्प 1 है।

आर्टिफिशियल इंटेलिजेंस सिस्टम एजेंट और उसके परिवेश से बना है। एजेंट अपने पर्यावरण से सेंसर के माध्यम से इनपुट लेता है और एक्ट्यूएटर के माध्यम से परिवेश को अपनी प्रतिक्रिया भेजता है।

 

सिंपल रिफ्लेक्स एजेंट: वर्तमान परिवेश के आधार पर निर्णय लें और हिस्ट्री को अनदेखा करें।

मॉडल-बेस्ड रिफ्लेक्स एजेंट: देखने योग्य परिवेश में आंशिक रूप से काम करते हैं, और स्थिति को ट्रैक करते हैं।

गोल‐बेस्ड एजेंट: इसके गोल को जानने की आवश्यकता है जो उचित स्थितियों का वर्णन करता है।

यूटिलिटी‐बेस्ड एजेंट: कार्य न केवल गोल पर आधारित होते हैं बल्कि इसे प्राप्त करने के सर्वोत्तम संभव तरीके भी होते हैं।

लर्निंग एजेंट्स : इसके पिछले अनुभवों से सीखें, या इसमें सीखने की क्षमता है।

सही उत्तर जॉन मैक्कार्थी है। 

Key Points

जॉन मैककार्थी:

• "कृत्रिम बुद्धिमत्ता का जनक" शीर्षक अक्सर डॉ जॉन मैककार्थी को दिया जाता है।
• मैककार्थी का जन्म बोस्टन, मैसाचुसेट्स, अमेरिका में 1927 में हुआ था और 2011 में उनका निधन हो गया।
• उन्होंने 1956 में डार्टमाउथ कॉलेज में एक सम्मेलन का प्रस्ताव करते हुए "आर्टिफिशियल इंटेलिजेंस" शब्द गढ़ा।
• उनके अभूतपूर्व कार्य ने कंप्यूटर विज्ञान के अंतरगर्त एक अलग क्षेत्र के रूप में AI की नींव रखी।
• मैककार्थी लिस्प प्रोग्रामिंग भाषा के सह-रचनाकारों में से एक थे, जिन्होंने AI विकास में महत्वपूर्ण भूमिका निभाई थी।
• उन्होंने कंप्यूटर दक्षता बढ़ाने के लिए "टाइम-शेयरिंग" सिस्टम की अवधारणा भी शुरू की।
• 1958 में "सलाह लेने वाला" की उनकी अवधारणा को आधुनिक ज्ञान-आधारित प्रणालियों के अग्रदूत के रूप में देखा जा सकता है।
• मैक्कार्थी ने AI के लिए एक महत्वपूर्ण सिद्धांत लॉजिक प्रोग्रामिंग के विकास का समर्थन किया।
• उनकी दृष्टि में ऐसी मशीनें शामिल थीं जो मनुष्यों के साथ सार्थक बातचीत कर सकती थीं, जो आधुनिक एआई का एक प्रमुख सिद्धांत है।
• AI में उनके योगदान के लिए उन्हें 1971 में कंप्यूटर विज्ञान में सर्वोच्च सम्मान ट्यूरिंग अवार्ड से सम्मानित किया गया।

अवधारणा:

एजेंट: एक एजेंट वह चीज़ है जिसे सेंसर के माध्यम से अपने वातावरण को समझने और एक्चुएटर्स के माध्यम से उस वातावरण पर कार्य करने के रूप में देखा जा सकता है। उदाहरण: मानव एजेंट, रोबोटिक एजेंट आदि।

एजेंट आर्किटेक्चर और प्रोग्राम संयोजन के भी बराबर है।

स्पष्टीकरण:

एजेंटों में जिन कारकों पर विचार किया जाता है वे हैं इसके प्रदर्शन माप, पर्यावरण, एक्चुएटर्स, सेंसर।

• प्रदर्शन: सुरक्षित, तेज़, कानूनी, अधिकतम मुनाफ़ा।
• पर्यावरण: सड़कें, पैदल यात्री, ग्राहक
• एक्चुएटर्स: स्टीयरिंग व्हील, एक्सेलेरेटर, ब्रेक।
• सेंसर: कैमरा, स्पीडोमीटर, जीपीएस, कीबोर्ड।

पर्यावरण के प्रकार: पूरी तरह से अवलोकन योग्य, नियतात्मक, स्थिर, गतिशील, एकल एजेंट, अर्ध गतिशील।

एजेंट सेंसर के माध्यम से निरीक्षण करते हैं और लक्ष्यों को प्राप्त करने की दिशा में गतिविधि को निर्देशित करते हैं। एजेंट अपने लक्ष्यों को प्राप्त करना सीखकर अपने प्रदर्शन में सुधार करता है। रिफ्लेक्स मशीन एक बुद्धिमान एजेंट का एक उदाहरण है। एआई एजेंट में पर्यावरण को समझने की क्षमता होनी चाहिए।

संकल्पना:

हिल क्लाइंबिंग एल्गोरिथम में, सर्च पथ के प्रत्येक बिंदु पर, एक आनुक्रमिक नोड जो सबसे तेज़ी से हिल के शीर्ष या लक्ष्य तक ले जाता हुआ प्रतीत होता है, उसे अन्वेषण के लिए चुना जाता है।

सर्च की इस विधि में, उत्पन्न और परीक्षण विधि को एक हेयुरिस्टिक नींव द्वारा संवर्धित किया जाता है जो वर्तमान स्थिति की लक्ष्य स्थिति से निकटता को मापता है।

व्याख्या:

हिल क्लाइम्बिंग में समस्याएँ हैं:

1) स्थानीय अधिकतम: यह एक ऐसी अवस्था है जो अपने सभी पड़ोसियों से बेहतर है लेकिन कुछ अन्य अवस्था से बेहतर नहीं है जो दूर हैं। इस समस्या का हल बैकट्रैकिंग है।

2) प्लाटौ: यह सर्च स्पेस का एक समतल क्षेत्र है जिसमें पड़ोसी अवस्थाओं के एक पूरे समूह का मूल्य समान होता है। एक प्लाटौ पर, यह निर्धारित करना संभव नहीं है कि किस दिशा में चलना है।

3) रिज: यह सर्च स्पेस का एक क्षेत्र है जो आसपास के क्षेत्रों की तुलना में अधिक है और इसका ढलान भी है।

सही उत्तर विकल्प 4 है।

Key Points

किसी दिए गए स्टेट रिप्रजेंटेशन से डिटेल्स को हटाने की प्रक्रिया को एब्स्ट्रेक्शन कहा जाता है। 

∴ अतः सही उत्तर एक्सट्रैक्शन है। 

Additional Information

• एब्सट्रैक्शन एक प्रकार का आर्टिफिशियल इंटेलिजेंस प्रॉब्लम फॉर्मूलेशन और प्रॉब्लम सॉल्विंग प्रोसेस है।
• स्ट्रक्चर या ऑब्जेक्ट्स के एनालिसिस की, इस विधि में अधिक महत्वपूर्ण विवरणों पर ध्यान केंद्रित करने के लिए फिजिकल, टेम्परल या स्पाटिअल इनफार्मेशन का एलिमिनेशन सम्मलित होता है।
• एब्स्ट्रेक्शन विधि कंप्यूटर विज्ञान में एक सरल सिद्धांत है जिसका प्रयोग जावा और C++ जैसी कई प्रोग्रामिंग लेंग्वेज़ों में डेक्लेरेटिवे स्टेटमेंट के रूप में किया जाता है। 

सही उत्तर अर्थ विश्लेषण है।

Key Points अर्थ विश्लेषण प्राकृतिक भाषा समझ (NLU) की प्रक्रिया में एक पारंपरिक घटक नहीं है। सामान्य घटकों में शामिल हैं:

• रूपात्मक विश्लेषण: यह शब्दों की संरचना की पहचान और विश्लेषण करने की प्रक्रिया को संदर्भित करता है। यह एनएलयू में महत्वपूर्ण है क्योंकि शब्दों के अलग-अलग रूप होते हैं और इन रूपों के अलग-अलग संदर्भों में अलग-अलग अर्थ हो सकते हैं।
• अर्थ विश्लेषण: यह वह प्रक्रिया है जो वाक्य के भीतर प्रयुक्त संदर्भ में अलग-अलग शब्दों के अर्थ को समझकर वाक्यों का अर्थ निर्धारित करती है।
• व्यावहारिक विश्लेषण: इसमें वाक्य के इच्छित अर्थ की व्याख्या करना शामिल है। यह संदर्भ, पिछली वार्ता, वक्ता के इच्छित अर्थ और सामान्य विश्व ज्ञान पर निर्भर हो सकता है।

"अर्थ विश्लेषण" NLU प्रक्रिया में पारंपरिक रूप से प्रतिष्ठित चरण नहीं है। यह बहुत व्यापक और अस्पष्ट लगता है और संभावित रूप से अर्थ विश्लेषण और/या व्यावहारिक विश्लेषण को शामिल करता है।

Additional Information प्राकृतिक भाषा समझ (NLU) कृत्रिम बुद्धिमत्ता का एक उपक्षेत्र है जो मशीन रीडिंग कॉम्प्रिहेंशन पर केंद्रित है। NLU का लक्ष्य ऐसी प्रणालियाँ बनाना है जो प्राकृतिक भाषा में प्रस्तुत इनपुट को समझ सकें, जिसमें स्लैंग, शब्दजाल या बोलचाल की भाषा शामिल है। इस प्रक्रिया में आमतौर पर कई चरण शामिल होते हैं:

• टोकनाइजेशन: यह NLU में पहला चरण है जहां टेक्स्ट इनपुट को 'टोकन' या अलग-अलग शब्दों में तोड़ा जाता है। उदाहरण के लिए, वाक्य "आई लव एप्पल्स" को "आई", "लव", "एप्पल्स" में टोकनाइज किया जाएगा।
• रूपात्मक विश्लेषण: यहाँ, शब्दों को उनके सबसे छोटे सार्थक घटकों में विभाजित किया जाता है, जिन्हें रूपिम कहा जाता है। यह चरण उपसर्गों, प्रत्ययों और मूल शब्दों पर विचार करता है जो किसी शब्द के अर्थ को प्रभावित कर सकते हैं। उदाहरण के लिए, "अनहैप्पीनेस" को तीन रूपिमों में विभाजित किया जाएगा: "अन", "हैप्पी", "नेस"।
• पार्ट-ऑफ-स्पीच टैगिंग (POS): प्रत्येक टोकन को उसके भाषण के भाग (संज्ञा, क्रिया, विशेषण, आदि) के अनुसार वर्गीकृत किया जाता है। यह विश्लेषण वाक्य की व्याकरणिक संरचना को समझने में मदद कर सकता है।
• निर्भरता पार्सिंग/वाक्यविन्यास विश्लेषण: इस चरण का उद्देश्य वाक्य की व्याकरणिक संरचना का विश्लेषण करना है, "शीर्ष" शब्दों और उन शब्दों के बीच संबंध स्थापित करना जो उन्हें संशोधित या उन पर निर्भर करते हैं। उदाहरण के लिए, वाक्य "एक बिल्ली एक चूहे का पीछा करती है" में, "बिल्ली" विषय है और "पीछा करता है" क्रिया है, जिसका उद्देश्य "चूहा" है।
• अर्थ विश्लेषण: इस चरण का उद्देश्य शब्दों के अर्थ को समझना और यह समझना है कि वे वाक्य का अर्थ बनाने के लिए कैसे संयोजित होते हैं। इसमें नामित संस्थाओं (लोग, संगठन, स्थान), संख्यात्मक संस्थाओं (तिथियां, समय, संख्याएं) और सहसंदर्भ (सर्वनामों को उन संस्थाओं से जोड़ना जिनका वे उल्लेख करते हैं) जैसे पहलुओं को समझना शामिल है।
• व्यावहारिक विश्लेषण: व्यावहारिक विश्लेषण शब्दों के पीछे के संदर्भ और आशय को समझने के लिए टेक्स्ट के शाब्दिक अर्थ से परे जाता है। इसमें संवाद का इतिहास, वक्ता का दृष्टिकोण और सांस्कृतिक ज्ञान जैसे कारक शामिल हो सकते हैं।
• प्रवचन एकीकरण: इस चरण में संपूर्ण वार्तालाप या टेक्स्चूअल संदर्भ के संदर्भ में टेक्स्ट  को समझना शामिल है।
• सामान्य ज्ञान और विश्व ज्ञान: अक्सर, भाषा को समझने के लिए केवल शब्दों और वाक्य की संरचना को समझने से अधीत की ज़रूरत होती है। एक सिस्टम को विश्व के बारे में कुछ ज्ञान और कुछ स्थितियों में क्या सामान्य या संभावित है, इसके बारे में भी जानकारी होनी चाहिए।

सही उत्तर विविध उद्देश्यों और संचार क्षमताओं वाले बहु-एजेंट हैं। 

Key Points
एक बहु-एजेंट सिस्टम (MAS) आम तौर पर आपके तीसरे विवरण, "विभिन्न उद्देश्यों और संचार क्षमताओं वाले बहु-एजेंट" के आधार पर संरचित होता है।

• अधिक गहराई से, एमएएस की सामान्य संरचना में निम्नलिखित मुख्य घटक शामिल होते हैं:
  • एजेंट: एमएएस के मूल में, कई स्वायत्त एजेंट होते हैं। सिस्टम में प्रत्येक एजेंट के पास व्यक्तिगत रूप से कार्य करने की क्षमता होती है।
  • उद्देश्य: प्रत्येक एजेंट के विविध उद्देश्य हो सकते हैं। उनके लक्ष्यों का संरेखित होना ज़रूरी नहीं है और वे या तो सहयोगी हो सकते हैं (एक लक्ष्य साझा करना), या प्रतिस्पर्धी (परस्पर विरोधी लक्ष्य रखना)।
  • संचार: एमएएस में एजेंटों के पास एक दूसरे के साथ संवाद करने की क्षमता होती है। यह विभिन्न माध्यमों से हो सकता है, जैसे प्रत्यक्ष संचार (जैसे, संदेश भेजना) या अप्रत्यक्ष संचार (जैसे, कलंक)।
  • कार्य: एजेंटों को सौंपे गए कार्य अलग-अलग हो सकते हैं, जिनमें समस्या समाधान, सूचना पुनर्प्राप्ति, बातचीत, सहयोग, प्रतिस्पर्धा आदि शामिल हैं।
  • वातावरण: एमएएस में वह वातावरण भी शामिल होता है जहां एजेंट काम करते हैं - अनिवार्य रूप से उनकी दुनिया। इसमें वह सब कुछ शामिल होता है जिसके साथ एजेंट बातचीत कर सकते हैं।

उल्लिखित अन्य संरचनाएं (कई उद्देश्यों वाले एकल एजेंट, एक ही उद्देश्य वाले बहु-एजेंट, दो उद्देश्यों वाले बहु-एजेंट) एक पूर्ण बहु-एजेंट सिस्टम की जटिलता और क्षमता को पूरी तरह से समाहित नहीं करते हैं, हालांकि वे एमएएस के कुछ पहलुओं या स्थितियों को निरूपित करते हैं।

सही उत्तर विकल्प 1 है।

प्रमुख बिंदु

ब्रांच और बाउंड:

सभी आंशिक पथों पर नज़र रखता है जो आगे की खोज के लिए एक कैंडिडेट हो सकते हैं। (उदा: A* Search, BFS )

सटीपेस्ट एक्सेंट हिल क्लाइम्बिंग​​:

वर्तमान स्थिति से सभी मूव पर विचार करता है और सर्वोत्तम मूव का चयन करता है। (उदा: हिल-क्लाइम्बिंग एल्गोरिथम। )

बाधा संतुष्टि:

समस्या की स्थिति का पता लगाता है जो बाधाओं के एक समूह को संतुष्ट करता है। (उदा: आठ क्वीन पजल। मैप कलरिंग समस्या।)

मीन्स-एंड-विश्लेषण:

वर्तमान स्थिति और लक्ष्य स्थिति के बीच अंतर का पता लगाता है। (उदा: मीन्स-एंड-विश्लेषण )

∴ अत: सही उत्तर A - I, B - IV, C - III, D - II है।