उत्तर: (बी)

• • स्पष्टीकरण: गहन शिक्षण मॉडल जटिल हो सकते हैं, जिससे यह समझना मुश्किल हो जाता है कि वे निर्णयों पर कैसे पहुंचते हैं (बी)। उन्हें अक्सर महत्वपूर्ण कम्प्यूटेशनल शक्ति (सी) की आवश्यकता होती है और उचित प्रशिक्षण के साथ विभिन्न डेटा प्रारूपों को संभाल सकते हैं। उपयोग में आसानी में सुधार हो रहा है, हालाँकि चुनौतियाँ बनी हुई हैं (ए)।

उत्तर: (सी)

• • स्पष्टीकरण: प्रशिक्षण डेटा में पूर्वाग्रह एल्गोरिदम में परिलक्षित हो सकते हैं, जिससे अनुचित परिणाम हो सकते हैं (सी)। एल्गोरिथम पूर्वाग्रह प्रशिक्षण या सटीकता में सुधार नहीं करता है (ए) या निष्पक्षता को बढ़ावा नहीं देता है (बी)। हालांकि यह सीधे डेटा संग्रह (डी) को प्रभावित नहीं कर सकता है, मौजूदा डेटा में पूर्वाग्रह को संबोधित करना महत्वपूर्ण है।

उत्तर: (बी)

• • स्पष्टीकरण: प्रतीकात्मक तर्क (ए) या तेज़ गणना (सी) पर केंद्रित पारंपरिक एआई के विपरीत, गहन शिक्षण बड़े डेटासेट में पैटर्न की पहचान करने में उत्कृष्टता प्राप्त करता है। जबकि मानव-जैसी बातचीत (डी) में प्रगति हो रही है, गहन शिक्षा की मुख्य ताकत डेटा से पैटर्न की पहचान में निहित है।

उत्तर: (बी)

• • स्पष्टीकरण: पीपीपी सरकार, शिक्षा जगत और उद्योग को एक साथ लाते हैं (बी), जिम्मेदार विकास के लिए सहयोग को बढ़ावा देते हैं। हालाँकि वे लागत कम कर सकते हैं (सी), प्राथमिक फोकस सहयोग है, न कि व्यावसायिक लाभ (ए) या नैतिकता (डी) पर आर्थिक लाभ को प्राथमिकता देना।

उत्तर: (डी)

• • स्पष्टीकरण: एक्सएआई तकनीकों का उद्देश्य गहन शिक्षण मॉडल को अधिक समझने योग्य बनाना (डी), विश्वास और जवाबदेही को बढ़ावा देना है। हालांकि यह सटीकता या दक्षता (ए) को सीधे प्रभावित नहीं कर सकता है, लेकिन यह आवश्यक रूप से मानव निरीक्षण (बी) या प्रशिक्षण गति (सी) को कम नहीं करता है।