Muft Shiksha™ एक 100% Free Education Portal है 🇮🇳, जिसका उद्देश्य Class 9–12 के हर विद्यार्थी तक High-Quality Education को पूरी तरह मुफ्त पहुँचाना है। 🇮🇳 हम मानते हैं कि अच्छी शिक्षा किसी student की आर्थिक स्थिति पर निर्भर नहीं होनी चाहिए। 🇮🇳 हर विद्यार्थी को वही Quality Study Material, MCQs, Quizzes, Exam Preparation, Concept-Based Learning और Bilingual Support मिलना चाहिए, जो आमतौर पर महंगी Coaching या Premium Platforms में मिलता है। Muft Shiksha™ 🇮🇳 इसी सोच के साथ बनाया गया है • Muft Shiksha™ एक 100% Free Education Portal है 🇮🇳, जिसका उद्देश्य Class 9–12 के हर विद्यार्थी तक High-Quality Education को पूरी तरह मुफ्त पहुँचाना है। 🇮🇳 हम मानते हैं कि अच्छी शिक्षा किसी student की आर्थिक स्थिति पर निर्भर नहीं होनी चाहिए। 🇮🇳 हर विद्यार्थी को वही Quality Study Material, MCQs, Quizzes, Exam Preparation, Concept-Based Learning और Bilingual Support मिलना चाहिए, जो आमतौर पर महंगी Coaching या Premium Platforms में मिलता है। Muft Shiksha™ 🇮🇳 इसी सोच के साथ बनाया गया है • Muft Shiksha™ एक 100% Free Education Portal है 🇮🇳, जिसका उद्देश्य Class 9–12 के हर विद्यार्थी तक High-Quality Education को पूरी तरह मुफ्त पहुँचाना है। 🇮🇳 हम मानते हैं कि अच्छी शिक्षा किसी student की आर्थिक स्थिति पर निर्भर नहीं होनी चाहिए। 🇮🇳 हर विद्यार्थी को वही Quality Study Material, MCQs, Quizzes, Exam Preparation, Concept-Based Learning और Bilingual Support मिलना चाहिए, जो आमतौर पर महंगी Coaching या Premium Platforms में मिलता है। Muft Shiksha™ 🇮🇳 इसी सोच के साथ बनाया गया है
A. ऐसी प्रणालियाँ विकसित करना जो सीख सकें, तर्क कर सकें और निर्णय ले सकें/To develop systems that can learn, reason, and make decisions
Explanation
Simple Explanation
कृत्रिम बुद्धिमत्ता का मुख्य उद्देश्य ऐसी प्रणालियाँ विकसित करना है जो सीखने, तर्क करने, समस्या-समाधान और निर्णय लेने जैसे बौद्धिक कार्य कर सकें। इसलिए विकल्प A सही है। विकल्प B केवल डेटा प्रबंधन, विकल्प C निश्चित निर्देशों पर आधारित सामान्य स्वचालन और विकल्प D मीडिया संपादन तक सीमित है; ये AI के व्यापक उद्देश्य को नहीं दर्शाते। परीक्षा टिप: AI से जुड़े प्रश्नों में सीखना, तर्क करना, अनुकूलन और निर्णय लेना प्रमुख संकेत होते हैं। / The main purpose of artificial intelligence is to develop systems capable of performing intelligent tasks such as learning, reasoning, problem-solving, and decision-making. Therefore, option A is correct. Option B refers only to data management, option C describes automation based on fixed instructions, and option D is limited to media editing; none expresses the broader purpose of AI. Exam tip: Learning, reasoning, adaptation, and decision-making are important indicators of artificial intelligence.
B. स्प्रेडशीट में नाम, कक्षा और उपस्थिति के स्तंभों वाली तालिका/A spreadsheet table with columns for name, class and attendance
Explanation
Simple Explanation
स्प्रेडशीट की तालिका में नाम, कक्षा और उपस्थिति जैसे निश्चित स्तंभ होते हैं, इसलिए इसे पंक्तियों और स्तंभों में आसानी से व्यवस्थित किया जा सकता है। ऑडियो व वीडियो असंरचित डेटा हैं। परीक्षा टिप: निश्चित फील्ड वाला डेटा संरचित होता है। / A spreadsheet has fixed fields such as name, class and attendance, so its values can be organised in rows and columns. Audio and video are unstructured data. Exam tip: data with predefined fields is usually structured data.
A. आँकड़ों से सीखकर नए परिणाम या पूर्वानुमान देना/Learning from data to make new results or predictions
Explanation
Simple Explanation
यंत्र अधिगम में कंप्यूटर आँकड़ों के उदाहरणों से पैटर्न सीखता है और फिर नए आँकड़ों के लिए परिणाम या पूर्वानुमान देता है। इसलिए विकल्प A सही है। विकल्प D में नियम मनुष्य पहले से लिखता है, जो पारंपरिक प्रोग्रामिंग है; यंत्र अधिगम में नियम या पैटर्न आँकड़ों से सीखे जाते हैं। परीक्षा टिप: “आँकड़ों से सीखना” यंत्र अधिगम का मुख्य संकेत है। / In machine learning, a computer learns patterns from data examples and then produces a result or prediction for new data. Therefore, option A is correct. In option D, a person writes rules in advance, which describes traditional programming; machine learning learns patterns or rules from data. Exam tip: “learning from data” is the key clue for machine learning.
A. मॉडल को प्रशिक्षित करने के लिए/To train the model
Explanation
Simple Explanation
प्रशिक्षण आंकड़ों में इनपुट और उनसे जुड़े उदाहरण होते हैं, जिनसे मॉडल पैटर्न तथा संबंध सीखता है। इसलिए मॉडल को प्रशिक्षित करने के लिए प्रशिक्षण आंकड़ों का उपयोग किया जाता है। हाइपरपैरामीटर चुनने के लिए सामान्यतः सत्यापन आंकड़ों का, जबकि अंतिम प्रदर्शन जाँचने के लिए परीक्षण आंकड़ों का उपयोग होता है। परीक्षा टिप: training, validation और test data के कार्यों को अलग-अलग याद रखें। / Training data contain examples, often with input-output pairs, from which a model learns patterns and relationships. Therefore, they are used to train the model. Validation data are generally used to choose hyperparameters, whereas test data are used to assess final performance. Exam tip: Remember the separate roles of training, validation, and test data.
A. मॉडल के प्रदर्शन का मूल्यांकन करना/To evaluate the model's performance
Explanation
Simple Explanation
परीक्षण आंकड़ों का उपयोग प्रशिक्षित मॉडल का मूल्यांकन करने के लिए किया जाता है। ये ऐसे नए, पहले न देखे गए उदाहरण होते हैं जिन पर मॉडल की भविष्यवाणी क्षमता जाँची जाती है। मॉडल को प्रशिक्षित करने के लिए प्रशिक्षण आंकड़े प्रयुक्त होते हैं, जबकि मापदंडों का समायोजन सामान्यतः सत्यापन आंकड़ों से किया जाता है। परीक्षा टिप: test data को model evaluation और unseen data performance से जोड़कर याद रखें। / Test data are used to evaluate a trained model. They contain new, previously unseen examples that check how well the model can make predictions beyond its training data. Training data are used to train the model, while validation data are generally used for parameter tuning. Exam tip: associate test data with model evaluation and performance on unseen data.
A. इनपुट डेटा के साथ सही आउटपुट लेबल/Correct output labels with input data
Explanation
Simple Explanation
सुव्यवस्थित अधिगम में मॉडल को इनपुट डेटा के साथ उसका सही आउटपुट या लेबल दिया जाता है। मॉडल इन उदाहरणों से इनपुट और आउटपुट के बीच संबंध सीखता है, जैसे ईमेल को स्पैम या नॉन-स्पैम पहचानना। केवल बिना लेबल वाला डेटा असुव्यवस्थित अधिगम की विशेषता है। परीक्षा टिप: supervised learning को हमेशा labelled data से जोड़कर याद रखें। / In supervised learning, the model is given input data along with the correct output or label. It learns the relationship between inputs and outputs from these examples, such as identifying an email as spam or non-spam. Data without labels is associated with unsupervised learning. Exam tip: Remember supervised learning as learning from labelled data.
A. आंकड़ों में छिपे समूह या पैटर्न/Hidden groups or patterns in data
Explanation
Simple Explanation
अव्यवस्थित अधिगम में डेटा के साथ पहले से लक्ष्य लेबल या सही उत्तर नहीं दिए जाते। मॉडल समानताओं और भिन्नताओं के आधार पर आंकड़ों में छिपे समूह, संबंध या पैटर्न खोजता है। क्लस्टरिंग इसका सामान्य उदाहरण है। विकल्प B और C पर्यवेक्षित अधिगम से अधिक संबंधित हैं, क्योंकि उनमें ज्ञात लक्ष्य या आउटपुट होते हैं। परीक्षा टिप: बिना लेबल वाले डेटा में समूह या पैटर्न पहचानना अव्यवस्थित अधिगम का संकेत है। / In unsupervised learning, the data does not come with predefined target labels or correct answers. The model looks for hidden groups, relationships, or patterns by examining similarities and differences in the data. Clustering is a common example. Options B and C are more closely associated with supervised learning because they use known targets or outputs. Exam tip: finding groups or patterns in unlabelled data indicates unsupervised learning.
A. इनपुट को पूर्वनिर्धारित वर्ग या श्रेणी में रखता है/Assigns the input to a predefined class or category
Explanation
Simple Explanation
वर्गीकरण में मॉडल इनपुट की विशेषताओं के आधार पर उसे पहले से निर्धारित वर्गों में से एक वर्ग सौंपता है। उदाहरण के लिए, ईमेल को स्पैम या नॉन-स्पैम के रूप में पहचानना वर्गीकरण है। निरंतर संख्यात्मक मान, जैसे घर की कीमत, का अनुमान लगाना प्रतिगमन है; समान डेटा बिंदुओं के समूह बनाना क्लस्टरिंग और विशेषताओं की संख्या घटाना आयाम न्यूनीकरण कहलाता है। परीक्षा टिप: यदि आउटपुट कोई लेबल या श्रेणी है, तो कार्य सामान्यतः वर्गीकरण होता है। / In classification, the model uses input features to assign an input to one of the predefined classes. For example, identifying an email as spam or not spam is a classification task. Predicting a continuous value, such as a house price, is regression; grouping similar data points is clustering, and reducing the number of features is dimensionality reduction. Exam tip: If the output is a label or category, the task is generally classification.
प्रतिगमन (regression) आधारित पूर्वानुमान में मॉडल किसी सतत या संख्यात्मक मात्रा का अनुमान देता है, जैसे घर की कीमत, तापमान या बिक्री की मात्रा। वर्ग लेबल वर्गीकरण (classification) कार्य का सामान्य आउटपुट होता है, प्रतिगमन का नहीं। परीक्षा टिप: यदि लक्ष्य मान संख्या के रूप में मापा जाता है, तो प्रश्न सामान्यतः प्रतिगमन से संबंधित होता है। / In regression-based prediction, a model estimates a continuous or numerical quantity, such as a house price, temperature, or sales amount. A class label is the usual output of a classification task, not regression. Exam tip: If the target is measured as a number, the task is usually regression.
A. डेटा से सीखे गए पैटर्न या नियमों का ढांचा/A structure of patterns or rules learned from data
Explanation
Simple Explanation
कृत्रिम बुद्धिमत्ता में मॉडल वह गणितीय या संगणकीय ढांचा है जो प्रशिक्षण डेटा से पैटर्न सीखता है और नए इनपुट पर पूर्वानुमान या निर्णय देता है। इसलिए विकल्प A सही है। कंप्यूटर मॉडल को चलाने वाला हार्डवेयर है, डेटाबेस डेटा संग्रहीत करता है और स्क्रीन इंटरफेस परिणाम दिखाता है—इनमें से कोई भी मॉडल नहीं है। परीक्षा टिप: मॉडल को “डेटा से सीखकर नए उदाहरणों पर परिणाम देने वाला ढांचा” समझें। / In artificial intelligence, a model is a mathematical or computational structure that learns patterns from training data and uses them to make predictions or decisions for new inputs. Therefore, option A is correct. A computer provides the hardware, a database stores data, and a screen interface displays results; none of these is the model itself. Exam tip: Remember a model as a structure that learns from data and produces results for new examples.
A. आंकड़े की उपयोगी पहचान या गुण/Useful attribute or property of data
Explanation
Simple Explanation
आंकड़ा विश्लेषण में विशेषता (feature) किसी रिकॉर्ड, वस्तु या उदाहरण का मापने योग्य गुण या उपयोगी विशेषता होती है, जैसे विद्यार्थी के अंक, आयु या उपस्थिति। विश्लेषण और मशीन लर्निंग मॉडल इन्हीं विशेषताओं का उपयोग करके पैटर्न पहचानते हैं। फाइल का रंग आम तौर पर डेटा की विश्लेषणात्मक विशेषता नहीं होता। परीक्षा टिप: किसी डेटा-सेट के कॉलम, जैसे आयु या अंक, प्रायः features होते हैं। / In data analysis, a feature is a measurable attribute or useful property of a record, object, or example, such as a student's marks, age, or attendance. Analysis and machine-learning models use such features to identify patterns. A file's colour is generally not an analytical feature of the data. Exam tip: Dataset columns such as age or marks are commonly features.
A. डेटा उदाहरण का सही वर्ग या अपेक्षित परिणाम बताने के लिए/To indicate the correct class or expected outcome of a data example
Explanation
Simple Explanation
वर्ग चिह्न (लेबल) किसी डेटा उदाहरण का सही वर्ग या लक्ष्य परिणाम बताता है। पर्यवेक्षित अधिगम में मॉडल इनपुट विशेषताओं और उनके लेबल के संबंध से सीखता है। विकल्प B में दी गई विशेषता इनपुट का गुण होती है, जबकि लेबल अपेक्षित आउटपुट होता है। परीक्षा टिप: लेबल को प्रायः target या output के रूप में पहचानें। / A label identifies the correct class or target outcome for a data example. In supervised learning, a model learns the relationship between input features and their labels. An input feature in option B is a property of the input, whereas a label is the expected output. Exam tip: A label is commonly called the target or output.
A. त्रुटिपूर्ण और अधूरे आंकड़ों को सुधारना/To correct erroneous and incomplete data
Explanation
Simple Explanation
आंकड़ा सफाई में त्रुटियों, असंगतियों, डुप्लिकेट प्रविष्टियों और अनुपस्थित मानों की पहचान करके उन्हें सुधारा, हटाया या उचित रूप से भरा जाता है। इसलिए विकल्प A सही है, क्योंकि इसका उद्देश्य आंकड़ों की गुणवत्ता बढ़ाना है। विकल्प D गलत है क्योंकि बिना जाँच के आंकड़े बदलने से नई त्रुटियाँ उत्पन्न हो सकती हैं। परीक्षा टिप: डेटा सफाई को डेटा की गुणवत्ता और विश्वसनीयता सुधारने की प्रक्रिया के रूप में याद रखें। / Data cleaning identifies and corrects, removes, or appropriately handles errors, inconsistencies, duplicate entries, and missing values. Therefore, option A is correct because its purpose is to improve data quality. Option D is incorrect because changing data without checking can introduce new errors. Exam tip: Remember data cleaning as the process of improving data quality and reliability.
A. किसी रिकॉर्ड में आवश्यक जानकारी उपलब्ध नहीं है/Required information is unavailable in a record
Explanation
Simple Explanation
अधूरा मान (missing value) यह दर्शाता है कि किसी रिकॉर्ड के एक या अधिक आवश्यक डेटा-क्षेत्रों में जानकारी उपलब्ध नहीं है। इसलिए विकल्प A सही है। विकल्प B इसका उल्टा कहता है, क्योंकि सभी रिकॉर्ड पूर्ण होने पर अधूरा मान नहीं होगा। ऐसे मानों को हटाना, भरना (imputation) या अलग से चिह्नित करना डेटा सफाई का भाग हो सकता है। परीक्षा टिप: missing value को डेटा की अनुपलब्धता से जोड़कर याद रखें। / A missing value indicates that required information is unavailable in one or more data fields of a record. Therefore, option A is correct. Option B states the opposite, because a missing value cannot exist when all records are complete. Removing, filling (imputing), or marking such values is part of data cleaning. Exam tip: associate a missing value with unavailable data in a record.
बाहरी मान (outlier) वह डेटा मान है जो बाकी अधिकांश मानों की तुलना में असामान्य रूप से बहुत बड़ा या बहुत छोटा होता है। इसलिए विकल्प A सही है। विकल्प B बहुलक (mode) को दर्शाता है, जबकि C औसत (mean) से संबंधित है। परीक्षा टिप: डेटा को देखकर जो मान समूह से अलग दिखाई दे, उसे संभावित बाहरी मान मानकर जांचें। / An outlier is a data value that is unusually much larger or smaller than most of the other values in a dataset. Therefore, option A is correct. Option B describes the mode, while option C is related to the mean. Exam tip: A value that appears far away from the main group of data should be checked as a possible outlier.
A. आंकड़ों में पैटर्न, प्रवृत्तियों और तुलना को आसानी से समझने के लिए/To easily understand patterns, trends, and comparisons in data
Explanation
Simple Explanation
आंकड़ा दृश्यांकन में चार्ट, ग्राफ या आरेखों के माध्यम से डेटा प्रस्तुत किया जाता है, जिससे पैटर्न, प्रवृत्तियाँ और विभिन्न मानों की तुलना जल्दी समझ में आती है। इसलिए विकल्प A सही है। डेटा हटाना या छिपाना दृश्यांकन का उद्देश्य नहीं है। परीक्षा टिप: जहाँ डेटा को चित्रात्मक रूप में समझने की बात हो, वहाँ चार्ट और ग्राफ से जुड़े विकल्प पर ध्यान दें। / Data visualization presents data through charts, graphs, or diagrams so that patterns, trends, and comparisons can be understood quickly. Therefore, option A is correct. Deleting or hiding data is not the purpose of visualization. Exam tip: If a question asks about understanding data visually, look for an option related to charts or graphs.
A. अलग-अलग वर्गों की तुलना करने के लिए/To compare different categories
Explanation
Simple Explanation
दंड आलेख में अलग-अलग वर्गों या श्रेणियों के मान अलग पट्टियों की ऊँचाई या लंबाई से दिखाए जाते हैं। इसलिए यह, जैसे विभिन्न उत्पादों की बिक्री या अलग-अलग विद्यार्थियों के अंक, की तुलना के लिए उपयोगी है। समय के साथ निरंतर परिवर्तन दिखाने के लिए रेखा आलेख अधिक उपयुक्त होता है। परीक्षा टिप: यदि प्रश्न में श्रेणियों की तुलना हो, तो दंड आलेख चुनें। / A bar chart represents values for separate categories through the height or length of distinct bars. Therefore, it is useful for comparing items such as sales of different products or marks of different students. A line chart is generally more suitable for showing continuous change over time. Exam tip: Choose a bar chart when the question focuses on comparing categories.
रेखा आलेख क्रमबद्ध बिंदुओं को जोड़कर किसी मान में समय के साथ होने वाले परिवर्तन या प्रवृत्ति को दिखाता है। इसलिए तापमान, वर्षा, बिक्री या जनसंख्या में समयानुसार बदलाव दिखाने के लिए विकल्प A सही है। विभिन्न श्रेणियों की तुलना के लिए स्तंभ आलेख अधिक उपयुक्त होता है। परीक्षा टिप: प्रश्न में “समय के साथ” या “प्रवृत्ति” हो, तो रेखा आलेख चुनें। / A line graph joins ordered data points to display change or a trend over time. Therefore, option A is correct for showing changes in temperature, rainfall, sales, or population over a period. A bar graph is generally more suitable for comparing separate categories. Exam tip: Choose a line graph when the question mentions “over time” or “trend.”
A. मानव भाषा को समझने और संसाधित करने से/Understanding and processing human language
Explanation
Simple Explanation
प्राकृतिक भाषा प्रसंस्करण (NLP), कृत्रिम बुद्धिमत्ता की वह शाखा है जो कंप्यूटरों को मानव की लिखित और बोली जाने वाली भाषा को समझने, उसका विश्लेषण करने तथा उपयुक्त प्रतिक्रिया देने में सक्षम बनाती है। इसलिए विकल्प A सही है। मशीनों के भौतिक पुर्जों का निर्माण हार्डवेयर इंजीनियरिंग से, पौधों की वृद्धि का अध्ययन वनस्पति विज्ञान से और चित्रों को छापना प्रिंटिंग तकनीक से संबंधित है। परीक्षा टिप: अनुवाद, वाक् पहचान, पाठ विश्लेषण और चैटबॉट जैसे अनुप्रयोग NLP से जुड़े होते हैं। / Natural Language Processing (NLP) is a branch of artificial intelligence that enables computers to understand, analyse, and respond to written and spoken human language. Therefore, option A is correct. Manufacturing physical machine components belongs to hardware engineering, studying plant growth belongs to botany, and printing images belongs to printing technology. Exam tip: Translation, speech recognition, text analysis, and chatbots are common applications of NLP.
A. पाठ में व्यक्त सकारात्मक, नकारात्मक या तटस्थ भावना की पहचान करना/To identify positive, negative, or neutral sentiment expressed in text
Explanation
Simple Explanation
भाव विश्लेषण पाठ में व्यक्त राय, दृष्टिकोण या भावना को पहचानकर उसे सामान्यतः सकारात्मक, नकारात्मक या तटस्थ श्रेणी में वर्गीकृत करता है। इसलिए विकल्प A सही है। व्याकरण-सुधार, अनुवाद और शब्द-भेद निर्धारण अलग-अलग NLP कार्य हैं; विकल्प D को part-of-speech tagging कहा जाता है। परीक्षा टिप: किसी समीक्षा, टिप्पणी या प्रतिक्रिया के भाव का वर्गीकरण पूछा जाए, तो sentiment analysis चुनें। / Sentiment analysis identifies the opinion, attitude, or emotion expressed in text and commonly classifies it as positive, negative, or neutral. Therefore, option A is correct. Grammar correction, translation, and determining a word’s grammatical category are different NLP tasks; option D is called part-of-speech tagging. Exam tip: Choose sentiment analysis when the task asks you to classify the tone of a review, comment, or feedback.
A. पाठ या वाक्य को शब्दों, उपशब्दों या विराम-चिह्नों जैसी छोटी इकाइयों में बाँटना/Dividing text or a sentence into smaller units such as words, subwords, or punctuation marks
Explanation
Simple Explanation
टोकनीकरण (Tokenization) में पाठ को शब्दों, उपशब्दों या विराम-चिह्नों जैसी छोटी इकाइयों, यानी टोकनों, में विभाजित किया जाता है। इससे NLP प्रणाली के लिए पाठ को आगे संसाधित करना आसान होता है, इसलिए विकल्प A सही है। विकल्प B मशीन अनुवाद, विकल्प C भावना विश्लेषण और विकल्प D वाक्य-विन्यास या निर्भरता विश्लेषण से संबंधित हैं। परीक्षा-टिप: टोकनीकरण को NLP के प्रारंभिक पाठ-पूर्वप्रसंस्करण चरण के रूप में याद रखें। / Tokenization divides text into smaller units, called tokens, such as words, subwords, or punctuation marks. This makes the text easier for an NLP system to process, so option A is correct. Option B refers to machine translation, option C to sentiment analysis, and option D to syntactic or dependency analysis. Exam tip: remember tokenization as an early text-preprocessing step in NLP.
A. चित्रों और दृश्य जानकारी को समझने से/Understanding images and visual information
Explanation
Simple Explanation
कंप्यूटर दृष्टि कृत्रिम बुद्धिमत्ता की वह शाखा है जो कंप्यूटर को चित्रों और वीडियो जैसी दृश्य जानकारी का विश्लेषण और अर्थ समझने में सक्षम बनाती है। चेहरा पहचानना और वस्तु पहचानना इसके उदाहरण हैं। लिखित निबंध या केवल ध्वनि से संबंधित कार्य कंप्यूटर दृष्टि के मुख्य कार्य नहीं हैं। परीक्षा-टिप: दृश्य इनपुट—चित्र या वीडियो—दिया हो, तो कंप्यूटर दृष्टि से संबंधित कार्य पहचानें। / Computer vision is a branch of artificial intelligence that enables computers to analyse and interpret visual information such as images and videos. Face recognition and object detection are examples of computer vision. Preparing essays or recording only sound are not its primary functions. Exam tip: When the input is visual, such as an image or video, think of computer vision.
A. चित्र को उचित वर्ग में रखता है/Places the image into a suitable category
Explanation
Simple Explanation
चित्र वर्गीकरण में मॉडल चित्र की दृश्य विशेषताओं का विश्लेषण करके उसे किसी पूर्वनिर्धारित वर्ग, जैसे बिल्ली या कुत्ता, में रखता है। इसलिए विकल्प A सही है। विकल्प C गलत है, क्योंकि ध्वनि को चित्र में बदलना चित्र वर्गीकरण का कार्य नहीं है। परीक्षा टिप: वर्गीकरण का अर्थ किसी इनपुट को पहले से निर्धारित श्रेणी का लेबल देना है। / In image classification, the model analyzes visual features of an image and assigns it to a predefined category, such as cat or dog. Therefore, option A is correct. Option C is incorrect because converting sound into an image is not the task of image classification. Exam tip: Classification means assigning an input a label from predefined categories.
A. चित्र में वस्तुओं और उनके स्थान की पहचान करना/Identifying objects and their locations in an image
Explanation
Simple Explanation
वस्तु पहचान (Object Detection) कंप्यूटर विज़न की वह तकनीक है जो चित्र या वीडियो में मौजूद वस्तुओं को पहचानने के साथ-साथ उनके स्थान को भी निर्धारित करती है, सामान्यतः बाउंडिंग बॉक्स द्वारा। इसलिए विकल्प A सही है। केवल चित्र का रंग बदलना, जैसा कि विकल्प B में है, वस्तु पहचान का उद्देश्य नहीं है। परीक्षा में याद रखें: image classification केवल वस्तु का वर्ग बताता है, जबकि object detection वर्ग और स्थान दोनों बताता है। / Object detection is a computer vision technique that identifies objects in an image or video and determines their locations, usually using bounding boxes. Therefore, option A is correct. Changing an image’s colour, as stated in option B, is not the purpose of object detection. Exam tip: image classification identifies the class, whereas object detection identifies both the class and its location.
A. चित्र की सबसे छोटी इकाई/The smallest unit of an image
Explanation
Simple Explanation
पिक्सेल डिजिटल छवि की सबसे छोटी संग्रहीत या प्रदर्शित इकाई होता है। प्रत्येक पिक्सेल में रंग या चमक से संबंधित जानकारी होती है, और अनेक पिक्सेल मिलकर पूरी छवि बनाते हैं। इसलिए विकल्प A सही है; माउस का बटन और ध्वनि तरंग छवि के घटक नहीं हैं। परीक्षा-टिप: Pixel को picture element का संक्षिप्त रूप याद रखें। / A pixel is the smallest stored or displayed unit of a digital image. Each pixel contains information about colour or brightness, and many pixels together form the complete image. Therefore, option A is correct; a mouse button and a sound wave are not components of an image. Exam tip: Remember that pixel is short for “picture element.”
A. मानव मस्तिष्क में परस्पर जुड़ी तंत्रिका कोशिकाओं की कार्यप्रणाली/The functioning of interconnected nerve cells in the human brain
Explanation
Simple Explanation
तंत्रिका जाल मानव मस्तिष्क की परस्पर जुड़ी तंत्रिका कोशिकाओं (न्यूरॉन्स) से प्रेरित मॉडल है। इसमें कृत्रिम न्यूरॉन आपस में जुड़े होते हैं और उदाहरणों से पैटर्न सीखने के लिए उनके संबंधों के भार बदलते हैं। कंप्यूटर का निर्देश चक्र क्रमिक निर्देशों का निष्पादन है, इसलिए वह तंत्रिका जाल की मूल प्रेरणा नहीं है। परीक्षा टिप: न्यूरल नेटवर्क के लिए ‘न्यूरॉन’, ‘कनेक्शन’ और ‘वेट’ शब्द याद रखें। / A neural network is modelled on interconnected nerve cells (neurons) in the human brain. Its artificial neurons are connected, and the weights of these connections are adjusted to learn patterns from examples. A CPU instruction cycle executes instructions sequentially; it is not the biological inspiration for neural networks. Exam tip: Associate neural networks with neurons, connections, and weights.
A. इनपुट डेटा को क्रमिक रूप से संसाधित करके आउटपुट उत्पन्न करना/To process input data sequentially and produce an output
Explanation
Simple Explanation
कृत्रिम तंत्रिका जाल में इनपुट परत डेटा प्राप्त करती है, छिपी हुई परतें उसमें से उपयोगी विशेषताएँ और पैटर्न सीखती हैं, तथा आउटपुट परत अंतिम भविष्यवाणी या वर्गीकरण देती है। इसलिए परतों का मुख्य कार्य इनपुट को चरणबद्ध ढंग से संसाधित करके परिणाम तक पहुँचाना है। डेटा को केवल संग्रहित करना परतों का कार्य नहीं है। परीक्षा टिप: इनपुट, हिडन और आउटपुट परतों के क्रम को याद रखें। / In an artificial neural network, the input layer receives data, hidden layers learn useful features and patterns, and the output layer gives the final prediction or classification. Therefore, layers process input step by step to produce an output. They do not merely store data permanently. Exam tip: Remember the sequence: input layer, hidden layer(s), and output layer.
A. मॉडल प्रशिक्षण आंकड़ों को बहुत अधिक याद कर लेता है/The model memorizes training data too much
Explanation
Simple Explanation
अधिक सीखने (overfitting) में मॉडल प्रशिक्षण आंकड़ों के विशिष्ट विवरण या शोर को भी याद कर लेता है। इसलिए प्रशिक्षण आंकड़ों पर प्रदर्शन बहुत अच्छा, लेकिन नए आंकड़ों पर प्रदर्शन कमजोर हो सकता है। विकल्प B सामान्यीकरण को दर्शाता है, जबकि विकल्प C underfitting से संबंधित है। परीक्षा-युक्ति: प्रशिक्षण और परीक्षण प्रदर्शन के बीच बड़ा अंतर overfitting का संकेत है। / Overfitting occurs when a model learns the specific details or noise of the training data too closely. As a result, it may perform very well on training data but poorly on unseen data. Option B describes good generalization, while option C is related to underfitting. Exam tip: A large gap between training and test performance is a common sign of overfitting.
A. मॉडल आंकड़ों का ढांचा ठीक से नहीं सीखता/The model does not learn the data pattern properly
Explanation
Simple Explanation
Underfitting में मॉडल डेटा के महत्वपूर्ण पैटर्न, यहाँ तक कि सरल पैटर्न भी, पर्याप्त रूप से नहीं सीख पाता। इसलिए उसका प्रदर्शन प्रशिक्षण और परीक्षण—दोनों डेटा पर कमजोर रह सकता है। विकल्प B overfitting को दर्शाता है, जिसमें मॉडल प्रशिक्षण डेटा को बहुत अधिक याद कर लेता है। परीक्षा-युक्ति: underfitting को high bias और training तथा test दोनों पर कम प्रदर्शन से जोड़ें। / Underfitting occurs when a model fails to learn important patterns in the data, including simple ones. As a result, its performance may be poor on both the training and test data. Option B describes overfitting, where the model memorizes the training data too closely. Exam tip: associate underfitting with high bias and low performance on both training and test data.
A. कुल उत्तरों में सही उत्तरों का अनुपात/Ratio of correct answers among total answers
Explanation
Simple Explanation
सटीकता (Accuracy) कुल भविष्यवाणियों में सही भविष्यवाणियों का अनुपात है: सही भविष्यवाणियाँ ÷ कुल भविष्यवाणियाँ। इसलिए विकल्प A सही है। विकल्प B केवल गलत उत्तरों की संख्या बताता है, सटीकता नहीं। परीक्षा-युक्ति: वर्गीकरण मॉडल में Accuracy = (TP + TN) ÷ (TP + TN + FP + FN) याद रखें। / Accuracy is the proportion of correct predictions out of all predictions: correct predictions ÷ total predictions. Therefore, option A is correct. Option B gives only the number of incorrect answers, not the accuracy. Exam tip: For classification, remember Accuracy = (TP + TN) ÷ (TP + TN + FP + FN).
A. वर्गीकरण मॉडल के सही और गलत पूर्वानुमानों का सारांश दिखाने के लिए/To summarize the correct and incorrect predictions of a classification model
Explanation
Simple Explanation
भ्रम सारणी वर्गीकरण मॉडल के वास्तविक और पूर्वानुमानित वर्गों की तुलना करके सही वर्गीकरण तथा विभिन्न प्रकार की त्रुटियाँ दिखाती है। इसलिए इसका उपयोग मॉडल के वर्गीकरण प्रदर्शन का मूल्यांकन करने के लिए होता है। विकल्प B प्रशिक्षण डेटा बनाने, विकल्प C विशेषता चयन और विकल्प D डेटा-पूर्वप्रसंस्करण से संबंधित हैं, भ्रम सारणी से नहीं। परीक्षा टिप: भ्रम सारणी से accuracy, precision, recall और अन्य classification metrics निकाले जा सकते हैं। / A confusion matrix compares the actual and predicted classes of a classification model and shows correct classifications along with different types of errors. Therefore, it is used to evaluate classification performance. Option B concerns creating training data, option C concerns feature selection, and option D concerns data preprocessing, not confusion matrices. Exam tip: Accuracy, precision, recall, and other classification metrics can be derived from a confusion matrix.
A. जिसे सकारात्मक माना गया और वह वास्तव में सकारात्मक था/Predicted positive and actually positive
Explanation
Simple Explanation
सत्य सकारात्मक (True Positive) तब होता है जब मॉडल किसी उदाहरण को सकारात्मक वर्ग का बताता है और वास्तविक वर्ग भी सकारात्मक होता है। विकल्प B मिथ्या सकारात्मक (False Positive) और विकल्प C मिथ्या नकारात्मक (False Negative) को दर्शाते हैं, जबकि D सत्य नकारात्मक (True Negative) है। परीक्षा में याद रखें: TP = predicted positive + actual positive। / A true positive (TP) occurs when the model predicts the positive class and the actual class is also positive. Option B is a false positive, option C is a false negative, and option D is a true negative. Exam tip: remember TP as predicted positive plus actual positive.
A. मॉडल सकारात्मक बताता है लेकिन वास्तविक परिणाम नकारात्मक होता है/Model predicts positive but actual result is negative
Explanation
Simple Explanation
झूठा सकारात्मक (False Positive) तब होता है जब मॉडल सकारात्मक वर्ग का अनुमान लगाता है, लेकिन वास्तविक परिणाम या लेबल नकारात्मक होता है। इसलिए विकल्प A सही है। विकल्प B सही सकारात्मक (True Positive), विकल्प C सही नकारात्मक (True Negative) और विकल्प D झूठा नकारात्मक (False Negative) दर्शाता है। परीक्षा-युक्ति: False Positive में मॉडल का “positive” अनुमान गलत होता है। / A false positive occurs when the model predicts the positive class, but the actual result or label is negative. Therefore, option A is correct. Option B represents a true positive, option C a true negative, and option D a false negative. Exam tip: in a false positive, the model’s positive prediction is incorrect.
A. न्यायपूर्ण और सुरक्षित उपयोग सुनिश्चित करने के लिए/To ensure fair and safe use
Explanation
Simple Explanation
कृत्रिम बुद्धिमत्ता के निर्णय लोगों के अधिकारों, अवसरों और सुरक्षा को प्रभावित कर सकते हैं। AI नैतिकता निष्पक्षता, गोपनीयता, पारदर्शिता और जवाबदेही जैसे सिद्धांतों पर जोर देती है, इसलिए AI का उपयोग न्यायपूर्ण और सुरक्षित ढंग से किया जा सके। अन्य विकल्प नैतिक सिद्धांतों के विपरीत हानिकारक कार्यों को दर्शाते हैं। परीक्षा-युक्ति: AI नैतिकता से जुड़े प्रश्नों में fairness, privacy और safety जैसे सिद्धांतों को पहचानें। / AI-based decisions can affect people's rights, opportunities, and safety. AI ethics promotes principles such as fairness, privacy, transparency, and accountability so that AI is used responsibly and safely. The other options describe harmful practices that ethics aims to prevent. Exam tip: In questions about AI ethics, look for principles such as fairness, privacy, and safety.
Data Table विजेट डेटासेट के रिकॉर्ड को पंक्तियों और स्तंभों वाली तालिका में दिखाता है, जिससे डेटा की जाँच की जा सकती है। File विजेट डेटा लोड करता है। परीक्षा टिप: विजेट का नाम उसके मुख्य कार्य से जोड़ें। / The Data Table widget displays dataset records as rows and columns, making inspection easy. The File widget loads data rather than showing it as a table. Exam tip: match each Orange widget name with its main function.
A. व्यक्तिगत जानकारी की सुरक्षा के लिए/To protect personal information
Explanation
Simple Explanation
कृत्रिम बुद्धिमत्ता प्रणालियाँ प्रशिक्षण और निर्णय लेने के लिए व्यक्तिगत डेटा का उपयोग कर सकती हैं। गोपनीयता बनाए रखने से यह जानकारी अनधिकृत पहुँच, दुरुपयोग और पहचान की चोरी से सुरक्षित रहती है। विकल्प B गलत है, क्योंकि निजी जानकारी को सार्वजनिक करना गोपनीयता के उद्देश्य के विपरीत है। परीक्षा-टिप: AI नैतिकता में गोपनीयता का मुख्य उद्देश्य व्यक्ति के डेटा पर उसकी सहमति और नियंत्रण बनाए रखना है। / Artificial intelligence systems may use personal data for training and decision-making. Protecting privacy safeguards this information from unauthorized access, misuse, and identity theft. Option B is incorrect because making private information public violates the purpose of privacy. Exam tip: In AI ethics, privacy mainly means preserving a person’s consent and control over their data.
A. सुरक्षित, न्यायपूर्ण और पारदर्शी प्रणालियाँ बनाना/To build safe, fair, and transparent systems
Explanation
Simple Explanation
जिम्मेदार कृत्रिम बुद्धिमत्ता का लक्ष्य ऐसी प्रणालियाँ बनाना है जो सुरक्षित, निष्पक्ष और पारदर्शी हों तथा जिनके प्रभावों की जवाबदेही तय की जा सके। विकल्प C गलत है, क्योंकि जिम्मेदार AI में आवश्यक मानव निगरानी और नियंत्रण बनाए रखना महत्वपूर्ण है। परीक्षा-युक्ति: AI नैतिकता से जुड़े प्रश्नों में सुरक्षा, निष्पक्षता, पारदर्शिता और जवाबदेही जैसे सिद्धांतों को पहचानें। / The aim of responsible artificial intelligence is to create systems that are safe, fair, and transparent, with accountability for their effects. Option C is incorrect because responsible AI requires appropriate human oversight and control rather than eliminating them completely. Exam tip: In AI ethics questions, look for principles such as safety, fairness, transparency, and accountability.
कृत्रिम बुद्धिमत्ता परियोजना की शुरुआत समस्या-निर्धारण या समस्या को समझने से होती है। इस चरण में यह स्पष्ट किया जाता है कि किस समस्या का समाधान करना है, किसके लिए करना है और सफलता कैसे मापी जाएगी। इसके बाद ही उपयुक्त आँकड़े और मॉडल चुने जाते हैं। इसलिए परिणाम छापना या बिना आँकड़ों के मॉडल चलाना पहला चरण नहीं है। परीक्षा टिप: AI Project Cycle के चरणों में Problem Scoping को प्रारंभिक चरण के रूप में याद रखें। / An artificial intelligence project begins with problem scoping, which means clearly understanding and defining the problem. This includes identifying what must be solved, for whom, and how success will be measured. Suitable data and models are selected only after this step, so immediately printing results or running a model without data cannot be the first stage. Exam tip: Remember Problem Scoping as the starting stage of the AI Project Cycle.
A. समस्या और उद्देश्य को स्पष्ट करना/Clarifying the problem and goal
Explanation
Simple Explanation
समस्या निर्धारण (Problem Scoping) AI परियोजना चक्र का पहला चरण है। इसमें समस्या, उसके उद्देश्य, दायरे और अपेक्षित परिणाम को स्पष्ट किया जाता है, ताकि आगे आँकड़ा-संग्रह और मॉडल-निर्माण सही दिशा में हो। आँकड़े हटाना या परिणाम छिपाना इस चरण का उद्देश्य नहीं है। परीक्षा में याद रखें: Problem Scoping का मुख्य कार्य समस्या और लक्ष्य को स्पष्ट करना है। / Problem scoping is the first stage of the AI Project Cycle. It defines the problem, its goal, scope, and expected outcome so that later data collection and model development proceed in the right direction. Removing data or hiding results is not part of this stage. Exam tip: remember that problem scoping mainly clarifies the problem and its objective.
A. मॉडल बनाने और विश्लेषण करने के लिए आवश्यक जानकारी प्राप्त करने हेतु/To obtain information needed to build models and perform analysis
Explanation
Simple Explanation
आंकड़ा संग्रहण का उद्देश्य समस्या से संबंधित प्रासंगिक और विश्वसनीय जानकारी प्राप्त करना है। यही आंकड़े AI मॉडल को प्रशिक्षित करने तथा उनका विश्लेषण करने में उपयोग किए जाते हैं। समस्या छिपाना, मॉडल को बिना परीक्षण बंद करना या आंकड़े हटाना संग्रहण के उद्देश्य नहीं हैं। परीक्षा-युक्ति: AI परियोजना चक्र में आंकड़ा संग्रहण के बाद आंकड़ों की समझ और तैयारी की जाती है। / Data collection is done to obtain relevant and reliable information about the problem. This data is used to train AI models and perform analysis. Hiding the problem, shutting down an untested model, or deleting data is not the purpose of collection. Exam tip: In the AI project cycle, data collection is followed by understanding and preparing the data.
A. यह जानने के लिए कि मॉडल कितना सही काम कर रहा है/To know how well the model is working
Explanation
Simple Explanation
प्रशिक्षण के बाद मूल्यांकन से पता चलता है कि मॉडल नए या परीक्षण डेटा पर कितने सही परिणाम दे रहा है। इससे उसकी त्रुटियों और सीमाओं की पहचान करके सुधार किया जा सकता है। विकल्प B, C और D मूल्यांकन के उद्देश्यों से संबंधित नहीं हैं। परीक्षा टिप: मॉडल की गुणवत्ता जाँचने और सुधारने के लिए मूल्यांकन चरण आवश्यक होता है। / Evaluation checks how accurately the trained model performs, especially on new or test data. It helps identify errors and limitations so the model can be improved. Options B, C, and D are unrelated to the purpose of evaluation. Exam tip: Evaluation is the step used to measure and improve a model’s performance.
A. तैयार प्रणाली को वास्तविक उपयोग में लाना/Putting the ready system into real-world use
Explanation
Simple Explanation
परिनियोजन का अर्थ तैयार और परीक्षित प्रणाली या मॉडल को वास्तविक उपयोग में लागू करना है। इसलिए विकल्प A सही है। विकल्प D इसका उलटा है, क्योंकि परिनियोजन में मॉडल को उपयोग के लिए उपलब्ध कराया जाता है; वास्तविक उपयोग के दौरान उसकी निगरानी भी की जाती है। परीक्षा-युक्ति: AI प्रोजेक्ट चक्र में deployment को “मॉडल को उपयोग में लाना” याद रखें। / Deployment means putting a developed and tested system or model into real-world use, so option A is correct. Option D is the opposite because deployment makes the model available for use; the system should also be monitored during actual use. Exam tip: Remember deployment in the AI project cycle as “bringing the model into use.”
A. समस्या को व्यवस्थित रूप से समझने के लिए/To understand a problem in an organized way
Explanation
Simple Explanation
समस्या कैनवास समस्या को उसके प्रमुख पहलुओं, जैसे प्रभावित लोग, हितधारक, कारण और प्रभाव, के साथ व्यवस्थित रूप से समझने में सहायता करता है। इसलिए विकल्प A सही है। विकल्प B इसका एक महत्वपूर्ण भाग है, लेकिन समस्या कैनवास का पूरा उद्देश्य केवल हितधारकों की पहचान करना नहीं है। यह समाधान का अंतिम प्रोग्राम या विज्ञापन बनाने के लिए उपयोग नहीं होता। परीक्षा टिप: समस्या-निर्धारण चरण में समस्या को स्पष्ट और व्यवस्थित करने वाले उपकरणों को पहचानें। / A problem canvas helps organize and understand the major aspects of a problem, such as the affected people, stakeholders, causes, and impact. Therefore, option A is correct. Identifying stakeholders, mentioned in option B, is only one part of the canvas, not its complete purpose. It is not used to write the final program or create an advertisement. Exam tip: In the problem-scoping stage, choose tools that clarify and organize the problem before developing a solution.
A. वह व्यक्ति या समूह जो परियोजना से प्रभावित होता है या उसमें रुचि रखता है/A person or group affected by or interested in a project
Explanation
Simple Explanation
हितधारक वह व्यक्ति या समूह होता है जो किसी परियोजना से प्रभावित होता है, उसमें रुचि रखता है या उसके परिणामों से जुड़ा होता है। इसलिए विकल्प A सही है। केवल प्रोग्राम लिखने वाला व्यक्ति ही हितधारक नहीं होता; उपयोगकर्ता, ग्राहक और समुदाय भी हितधारक हो सकते हैं। परीक्षा-टिप: समस्या-निर्धारण के समय सभी संबंधित हितधारकों की आवश्यकताओं को पहचानें। / A stakeholder is a person or group that is affected by a project, has an interest in it, or is connected with its outcomes. Therefore, option A is correct. A stakeholder is not limited to the programmer; users, customers, and the wider community may also be stakeholders. Exam tip: Identify the needs of all relevant stakeholders during problem scoping.
A. अनुमति लेना और गोपनीयता की रक्षा करना/Taking consent and protecting privacy
Explanation
Simple Explanation
नैतिक आंकड़ा संग्रहण में लोगों को जानकारी देकर उनकी सहमति लेना और उनकी निजी जानकारी की सुरक्षा करना आवश्यक है। इसलिए विकल्प A सही है। विकल्प B और C पारदर्शिता तथा गोपनीयता के सिद्धांतों का उल्लंघन करते हैं, जबकि विकल्प D आंकड़ों की विश्वसनीयता नष्ट करता है। परीक्षा टिप: व्यक्तिगत आंकड़ों से जुड़े प्रश्नों में सहमति, गोपनीयता और पारदर्शिता को नैतिकता के मुख्य सिद्धांत मानें। / Ethical data collection requires informing people, obtaining their consent, and protecting their personal information. Therefore, option A is correct. Options B and C violate privacy and transparency principles, while option D makes the data unreliable. Exam tip: For questions about personal data, look for consent, privacy, and transparency as the key ethical principles.
A. वे सटीक और प्रासंगिक होते हैं/They are accurate and relevant
Explanation
Simple Explanation
अच्छे आंकड़े सटीक और समस्या से संबंधित होते हैं, इसलिए उनसे प्राप्त विश्लेषण और AI मॉडल के परिणाम अधिक विश्वसनीय बनते हैं। अधूरे, जानबूझकर गलत या बिना स्रोत के आंकड़े गुणवत्ता को कम करते हैं। परीक्षा-टिप: अच्छे आंकड़ों की प्रमुख विशेषताओं में सटीकता, प्रासंगिकता, पूर्णता और विश्वसनीय स्रोत शामिल हैं। / Good data are accurate and relevant to the problem, making analysis and AI model results more reliable. Incomplete, deliberately incorrect, or unsourced data reduce data quality. Exam tip: Remember accuracy, relevance, completeness, and a reliable source as key characteristics of good data.
आंकड़ा स्रोत चुनते समय उसकी विश्वसनीयता जांचना आवश्यक है, क्योंकि विश्वसनीय स्रोत से प्राप्त आंकड़े अधिक सटीक और भरोसेमंद होने की संभावना रखते हैं। केवल रंग, कुर्सी का आकार या फाइल का संगीत आंकड़े की गुणवत्ता निर्धारित नहीं करते। परीक्षा में स्रोत की विश्वसनीयता को आंकड़ों की सटीकता और गुणवत्ता से जोड़कर याद रखें। / The reliability of a data source must be checked because data from a trustworthy source are more likely to be accurate and dependable. The color, chair size, or music of a file does not determine data quality. In an exam, connect source reliability with the accuracy and quality of the data.
A. नियम आधारित प्रणाली पहले से निर्धारित नियमों का पालन करती है/A rule based system follows predefined rules
Explanation
Simple Explanation
नियम आधारित प्रणाली मानव द्वारा पहले से बनाए गए नियमों के अनुसार निर्णय लेती है, जबकि सीखने वाली प्रणाली डेटा से पैटर्न या संबंध सीखकर अपने परिणामों में सुधार कर सकती है। इसलिए विकल्प A सही है। विकल्प D गलत है, क्योंकि डेटा से नियम सीखना सीखने वाली प्रणालियों की विशेषता है, सामान्य नियम आधारित प्रणाली की नहीं। परीक्षा में याद रखें: predefined rules और data-based learning के अंतर को पहचानना इस प्रश्न की कुंजी है। / A rule-based system makes decisions according to rules specified in advance by humans, whereas a learning system can learn patterns or relationships from data and improve its results. Therefore, option A is correct. Option D is incorrect because learning rules from data is a feature of learning systems, not of a conventional rule-based system. Exam tip: distinguish predefined rules from data-based learning.
A. गलत या पक्षपातपूर्ण निर्णयों और संभावित जोखिमों को कम करने के लिए/To reduce incorrect or biased decisions and potential risks
Explanation
Simple Explanation
मानव निगरानी से AI द्वारा दिए गए निर्णयों की जांच की जा सकती है और गलत, पक्षपातपूर्ण या जोखिमपूर्ण परिणामों को समय रहते सुधारा जा सकता है। विकल्प B गलत है, क्योंकि बिना जांच के निर्णय लेने से जोखिम बढ़ता है; विकल्प C और D AI नैतिकता के विरुद्ध कार्य हैं। परीक्षा टिप: AI के संवेदनशील उपयोगों में मानव की अंतिम समीक्षा और जवाबदेही महत्वपूर्ण मानी जाती है। / Human supervision allows people to review AI decisions and correct incorrect, biased, or risky outcomes in time. Option B is wrong because removing review increases risk, while options C and D describe unethical practices rather than the purpose of supervision. Exam tip: In sensitive AI applications, human review and accountability are essential.
A. किसी फोटो में चेहरे की पहचान करना/Identifying a face in a photograph
Explanation
Simple Explanation
कंप्यूटर विज़न में AI चित्रों या वीडियो से दृश्य जानकारी पहचानता है, इसलिए फोटो में चेहरा पहचानना सही है। अनुवाद NLP का कार्य है। परीक्षा में चित्र या वीडियो संकेत देखें। / Computer vision enables AI to identify visual information in images or videos, so face recognition in a photograph is correct. Translation belongs to NLP. Exam tip: look for image or video clues.
