ॐ नम: शिवाय

अव दाल भात पकाउन पनि आर्टिफिसियल इन्टेलिजेन्स (AI) !

संसारमा कति कुराहरू छन्, त्यो मेरो चिन्ताको विषय होइन। त्यहाँ धेरै चीज होलान्, तर मेरो लागि जरुरी कुरा के-के छन्, त्यसमा मेरो चासो हुनुपर्छ। निकै धेरै चाहिने-नचाहिने कुरा होलान्। चिनेका धेरै कुरामा पनि, मेरो लागि चाहिँ मेरो जीविकोपार्जनका लागि कति भए पुग्ने हो, बस त्यही र त्यति मात्रमा आफूलाई सन्तुष्ट राखेर जीवनको यात्रामा अघि बढ्नु नै जीवन जिउने कला हो।

मेरो कर्मक्षेत्रको अनुभव र त्यसमा दैनिक हुने गतिविधिले मैले अनुभूत गरेको कुरा के हो भने, यदि तपाईं इनोभेटिभ कल्चर स्थापना भएको मुलुक वा संस्थामा आबद्ध भएर काम गर्दै हुनुहुन्छ भने, केही विशेष प्रकृतिका कामबाहेक (जस्तै: प्लम्बिङ, नर्सिङ, कुकिङ र केही स्वास्थ्य क्षेत्रका विशेष काम, केही विशेष विज्ञताबाहेक) अन्य पेसामा हुनुहुन्छ भने, तपाईंको काममा तपाईं जे-जे जसरी आज गर्दै हुनुहुन्छ, मात्र ३ वर्षमा त्यो काम तपाईंले गर्नुपर्ने छैन। कारण, त्यो काम चाहे दोहोरिने (रिपिटेटिभ) प्रकृतिको होस् वा नदोहोरिने (नन-रिपिटेटिभ) प्रकृतिको, त्यो कायम रहने छैन। तपाईं आफ्नो कामबाट विस्थापित हुनुहुनेछ। तपाईंको संस्थाले आज जे गरिरहेको छ, त्यो आजको १० वर्षपछि पनि त्यही गरिरहेको हुनेछ। त्यही उत्पादन वा सेवा दिइरहेको हुनेछ, तर फरक किसिमबाट।

तपाईंको पदमा पनि तपाईंले गर्ने किसिमकै काम गर्ने व्यक्ति हुनेछ, तर उसले दैनिक गर्ने गतिविधि फरक हुनेछ। यसको मुख्य कुरा के हो भने, तपाईंको आजको काम कम्तीमा ३ र अधिकमा ५ वर्षमा त्यहाँ रहने छैन। हिजो अदालतको टाइपिस्टलाई कम्प्युटर अपरेटरले विस्थापन गरेजस्तै, तपाईं मात्र ३ वर्षभित्र आफ्नो कामबाट विस्थापित हुनुहुनेछ। तपाईंको काम विस्थापन हुने निश्चित बनिसकेको अवस्थामा प्रश्न के हो भने, त्यो विस्थापन भने गर्ने छ कसले?

यसको उत्तर सहज छ। कि त हिजोको मात्र टाइपिस्टको स्किल भएको व्यक्तिले कम्प्युटर स्किल सिकेर आफूलाई कम्प्युटर अपरेटरमा रूपान्तरण गरेजस्तै, तपाईंले आफ्नो हालको कामले माग्ने नयाँ स्किल सेट सिकेर आफूले आफूलाई रूपान्तरण गरी आफैंबाट आफ्नो पेसामा नयाँ व्यक्तिको रूपमा प्रतिस्थापन गराउनुहुनेछ। त्यसो हुन नसके, तपाईंको ठाउँमा नयाँ व्यक्ति आएर तपाईंको जागिरको कामको जरुरत पूरा गर्नेछ। तपाईं कर्मचारीको रूपमा हुनुहुन्छ भने, तपाईं त्यो कम्पनीबाट कि अन्यत्र कि बाहिर पुग्नुहुनेछ। स्वरोजगार हुनुहुन्छ भने, तपाईं सक्रिय साझेदार (एक्टिभ पार्टनर) बाट निष्क्रिय साझेदार (स्लिपिङ पार्टनर) को हैसियतमा पुग्नुहुनेछ।

सन्दर्भ बजारमा आएको एआईको हलचलको हो। हिजो सुन्ने मात्र काम हुन्थ्यो। बोली र स्मरणबाट पुस्तौँपुस्ता आफ्नो ज्ञान हस्तान्तरण हुन्थ्यो। बीचमा वेदव्यासको संस्थाले स्मरणमा मात्र भर नपरी लेखन प्रविधि भएको संस्था गणेशको क्षमता सदुपयोग गरी श्रुतिहरूलाई वेदको लिखित दस्तावेजमा रूपान्तरण गरे। त्यसपछि कसैले आफूले बुझेका थप पक्षहरू स्मृतिको रूपमा लेख्न र अभिलेख गर्न सम्भव भयो। त्यसपछि टाइप गर्ने विधि समेत विकास भयो। बिजुलीले घरघरमा सीमित धेरै काम उद्योगमा पुर्‍यायो। मोटर गाडी र मेसिन बन्यो। घोडा चालकको काम मोटरले गर्ने भयो। मानिसको गरुङ्गो (हेभी) काम मेसिनले। त्यसपछि कम्प्युटरले कम स्किल भएको धेरै क्षेत्रमा अधिक स्किल भएको व्यक्तिबाट विस्थापन गर्ने वातावरण बनायो।

यहाँसम्म सदैव कम स्किलको काम उच्च स्किलको व्यक्तिले विस्थापन गरेको अवस्था थियो। अबको एआई क्रान्तिको (रिभोलुसनको) प्रभाव अन्ततः त्यसको ठीक उल्टो हुनेछ। यसले अधिक स्किल भएकाहरूलाई मेसिनले प्रतिस्थापन गर्दै कम स्किल भएकाहरूलाई श्रमिकको लागि छोडिदिने स्थितिको निर्माण गर्दैछ। हिजो तपाईंको मेसिन झाडु लगाउँदै गर्दा तपाईं उच्च संज्ञानात्मक (कग्निटिभ) र मनोवैज्ञानिक क्षमताको कविता र साहित्य लेख्ने गर्नुहुन्थ्यो। अब तपाईंले गर्ने कविता, लेख र साहित्य लेखनलाई सहजै एआईले गर्नेछ।

आजको दिन सम्म हाम्रोमा अर्काले पढ्न नपाएको एउटा किताब पढेको भरमा त्यही किताबमा कसैले भनेको कुरो आफ्नो जस्तो बनाएर लेखेर वा बताएर अर्काको अघि तपाईंले आफूलाई स्मार्ट देखाउन पाउने अवस्था थियो। अब त्यो चोरी एकेडेमिक र बौद्धिक खेल अधिक चल्ने सम्भावना लगभग सकिने भएको छ। मैले र तपाईंले अब कविता, लेख र साहित्य लेखनको सट्टा झाडु-पोछा लगाउने र ट्वाइलेट सफा गर्ने, प्लम्बिङ, इलेक्ट्रिकल फिक्सिङ, फिटिङ, मेन्टेनेन्स आदि काम सिक्नुपर्नेछ दिन आएको प्रतित हुन्छ।

AI भनेको कम्प्युटर वा मेसिनलाई मानिसजस्तै सोच्ने र काम गर्ने बनाउने प्रक्रिया हो। यसले मानिसको दिमागको नक्कल गर्छ, तर कम्प्युटरमा।

हाम्रो शरीरका इन्द्रियहरूलाई कुनै पनि चीजको गन्ध वा स्वाद, रङ र रूपले प्रभाव पार्छ भन्ने मानिन्छ। यसैअन्तर्गत कुनै चीजको ताजापन, रसिलोपन, चपाउँदा हुने अनुभव आदिले समेत इन्द्रियहरूलाई प्रभाव पार्ने गुणहरू पर्दछन्। आधुनिक विज्ञानले शरीरका इन्द्रियहरूलाई प्रभाव पार्ने सबै तत्त्वहरूको ज्ञानलाई स्वाद विज्ञान (Flavor Science) भित्र राखेर बुझ्ने गर्दछ।

यही स्वादबारे ज्ञान भएको विज्ञलाई अंग्रेजीमा 'फ्लेभरिष्ट' (Flavorist) भनिन्छ। खाद्य तथा औषधि वैज्ञानिकको रूपमा काम गर्दै गर्दा म एक सर्टिफाइड फ्लेभरिष्ट समेत भएकाले मेरो दैनिकीमा हुने धेरैजसो नवीन कामहरूमा नयाँ सामग्री प्रयोग गरी खानाको विशिष्ट स्वाद निर्माण गर्नु पनि पर्दछ। यसका लागि मैले खाना वा औषधिको स्वाद बनाउने गर्दछु।

यस कार्यका लागि क्वान्टम फिजिक्स र क्वान्टम मेटा-फिजिक्ससम्मको गहिरो ज्ञान चाहिन्छ। इन्द्रिय विज्ञानहरू बुझ्नुपर्छ। मानव जीवनका संवेदनाहरू र मनोविज्ञानहरूबारे चासो राख्नुपर्ने हुन्छ। तपाईंलाई चलाउने तपाईंको दिमाग आफैँ कसरी सञ्चालित छ, अनि तपाईंको चेतना र तपाईंको चाहनाको आपसी मिलनको बिन्दु के हो जस्ता विषयहरू बुझेर स्वाद विज्ञानको ज्ञानलाई आफ्नो कम्पनीले निर्मित गरेको स्वादले त्यसलाई किनेर आफ्नो खाद्य बनाउनेहरूको खाना त्यसलाई एकपटक खाएपछि त्यो खानेलाई पुनः पुनः खान मन लाग्ने लत (Addiction) थपिदिनुपर्ने हुन्छ।

मैले निर्माण गर्न भूमिका खेलेका ती स्वादहरू खाना, औषधि, विषादी, लत्ताकपडा, ड्रग, मल, बीउ बिजन, लुब्रिकेन्ट, कस्मेटिक, पर्फ्युम आदि सबैमा आवश्यक पर्दछ। हामी प्राकृतिक जडीबुटीहरूबाटै यी सबैको निर्माण गर्ने गर्दछौं।

आजकल नवीन सामग्री प्रयोग गरी खानाको स्वाद निर्माण गर्नु अत्यन्त चुनौतीपूर्ण काम बनेको छ। औषधि, विषादी, लत्ताकपडा, ड्रग्स, मल, बीउबिजन, परफ्युम आदि सबैमा यो चुनौती रहन्छ। यही स्वाद (फ्लेभर) बनाउने काममा आर्टिफिसियल इन्टेलिजेन्स (AI) ले पहिले जम्मा भएका धेरै तथ्याङ्कहरू (डाटा) हेरेर, त्यसमा के-के सामग्री हाल्दा कस्तो स्वाद आउँछ भन्ने ढाँचा (प्याटर्न) खोजी आफ्नो स्मरण (मेमोरी) निर्माण गर्छ।

त्यसैको आधारमा, AI ले कुन केमिकल वा खाद्य पदार्थ कसरी मिसाउँदा कस्तो बन्छ र यो यो बनाउँदा यस्तो हुन्छ भनी अनुमान गर्छ। यसले आफूसँग भएको डाटा र स्मरणको आधारमा कुन चिज कसरी हाल्दा कस्तो स्वाद हुन्छ भनेर बताउँछ। AI ले दिएको अनुमानअनुसार काम गर्दा हाम्रो काम अत्यन्त छिटो हुन्छ। साथै, यसले मानव मस्तिष्कको क्षमताभन्दा अत्यन्त छिटो, स्पष्ट र अधिक सही अनुमान दिन्छ।

यसले कसरी काम गर्छ भन्ने कुरा सरल रूपमा प्रस्ट पार्ने प्रयास गरौँ। कल्पना गर्नुहोस्, तपाईं मोमो बनाउँदै हुनुहुन्छ। बजारमा मानिसले धेरै प्रकारका मसला (जस्तै जिरा, लसुन, मेथी) मिलाएर फरक-फरक स्वाद र प्रकृतिको मोमो बनाएको जानकारी, डाटा, फेसबुक सेयर, युट्युब भिडियो, किताब, लेख, रचना, रिसर्च पेपर आदि सबै पाइन्छ।

तपाईंले आफ्नो AI लाई ती सबै डाटा दिएर त्यसको ज्ञानको भण्डार बढाउन सक्नुहुन्छ। जब AI ले त्यो सबै जानकारी पाउँछ, यसले असंख्य मोमो रेसिपी र बनाउने तरिका हेरेर तपाईंलाई सुझाव दिन्छ: "यो मसलाले मोमोलाई यो प्रकृतिको मसालेदार बनाउँछ, र यो मसलाले यो प्रकृतिको मीठो बनाउँछ।"

यसले तपाईँलाई स्वाद र नयाँ स्वाद सुझावसहितको फर्मुलेसन र मोमो बनाउने तरिका समेत दिन्छ। उदाहरणका लागि, यदि तपाईँले "मलाई मोमोको डल्ला काठमाडौँको डल्ले मोमोको जस्तो, अचार चाही नाङ्लो बेकरी क्याफेको जस्तो, तर रसिलोपन भने सुमैको जस्तो चाहियो " भन्नुभयो भने, AI ले तपाईँलाई यसो गर भन्न सक्दछ। "अदुवा थपेर मोमोको सुपलाई तिखो बनाऊ। डल्ले मोमोमा गोलभेँडाबाट आउने हरक हटाउन त्यो रेसिपीमा सोयासस १५ थोपा हालेर सुधार। सुमैको मोमो रसिलो हुनुमा अधिक बोसोको भूमिका देखिन्छ। तिम्रो चाहना कम चिल्लो स्वास्थ्य मोमो बनाउने समेत रहेकोले पोषण र मुटुको स्वस्थको दृष्टिले समान देखिएको एक किलो मासुमा ११ एमएल  ओलिव ओइल वा चितवनको तोरीको तेलको हाल्ने अप्सन तिमीले लिन सक्दछौ”। यस्ता डाटामा आधारित अत्यन्त बहुमूल्य सल्लाहहरू अर्थात् AI वाट पाएको सल्लाह बमोजिम ल्याबमा आफैले मोमो बनाएर परीक्षणबाट प्रभावकारिताको पुष्टि भए पछि त्यसलाई कमरसियलाइज गर्ने बारे सोच्न सकिन्छ। 

आर्टिफिसियल इन्टेलिजेन्स (AI) को अर्को उत्तम पक्ष भनेको यसको न्युरल नेटवर्क (Neural Network) क्षमता हो। कम्प्युटरमा मानव मस्तिष्कको संरचना र कार्यप्रणालीको अनुकरण गरेर न्युरल नेटवर्क मोडेल बनाइएको छ, जसमा धेरै स-साना प्रशोधन एकाइहरू हुन्छन् जसलाई न्युरोन (neurons) भनिन्छ। यी न्युरोनहरू एक-आपसमा जोडिएका हुन्छन् र आपसमा सूचनाहरू समेत आदानप्रदान गर्न सक्दछन्। जसरी हाम्रो दिमागले विभिन्न जानकारीहरूलाई विश्लेषण गरेर निर्णय लिन्छ, त्यसैगरी यो न्युरल नेटवर्कले पनि डाटा (data) प्रशोधन गरी ती डाटाका ढाँचाहरू (patterns) पत्ता लगाएर तिनीहरूको विश्लेषण गर्दछ र हाम्रो दिमागले जस्तै निर्णय लिन्छ। त्यही निर्णयको आधारमा कुनै पनि क्रिया (cause) को प्रतिक्रिया (effect) के हुनेछ भन्ने भविष्यवाणी वा वर्गीकरण गर्ने गर्दछ।

त्यसो भन्दैमा यी न्युरल नेटवर्कहरू हालसम्म मानव मस्तिष्ककै हदमा विकास हुन सकिएको छैन। त्यसैले यिनीहरूको मानव मस्तिष्कसँगका केही समानता र भिन्नता (Similarities and Limitations Compared to Human Brain) जान्नु जरुरी हुन्छ। समानताहरू (Similarities) को कुरा गर्दा, कम्प्युटरको न्युरल नेटवर्कले मानव मस्तिष्कले जस्तै अनुभव (डाटा) बाट सिक्न (Learning Capability) सक्छ। यसलाई जति धेरै डाटामा प्रशिक्षित गर्न सकिन्छ, यसले त्यति नै राम्रोसँग काम गर्न सक्छ। जसरी मानव मस्तिष्कले अनुहार, आवाज वा जटिल ढाँचाहरू पहिचान गर्छ, त्यसैगरी न्युरल नेटवर्कले पनि डाटाभित्र लुकेका ढाँचाहरू पहिचान (Pattern Recognition) गरी त्यसलाई पत्ता लगाउन सक्छ।

मानव मस्तिष्कले नयाँ परिस्थिति बुझिसकेपछि जसरी आफूलाई त्यही परिस्थिति अनुकूल ढाल्न सक्छ, त्यसरी नै नयाँ डाटा प्राप्त भएपछि कम्प्युटरका न्युरल नेटवर्कहरूले समेत आफ्नो कार्यप्रणालीमा सुधार गर्न सक्छन्। आफूलाई झन् चुस्त (Updated) पार्न र नयाँ परिस्थिति अनुरूप समायोजनशीलता (Adaptability) विकास गर्न सक्दछन्। जसरी मानव मस्तिष्कमा एकैपटक धेरै कामहरू समानान्तर रूपमा प्रशोधन (Parallel Processing) हुन सम्भव भइरहेका हुन्छन्, त्यसरी नै कम्प्युटरको न्युरल नेटवर्कका न्युरोनहरूले पनि एकैपटक समानान्तर प्रशोधन गर्दै धेरै गणनाहरू गर्न सक्छन्।

त्यति हुँदा पनि मानव मस्तिष्कको तुलनामा न्युरल नेटवर्कका केही प्रमुख सीमितताहरू (Limitations) छन्। जस्तै, मानव मस्तिष्कमा सामान्य ज्ञान र तार्किक क्षमता, कारण दिने क्षमता (Common Sense and Reasoning) हुने गर्दछ, जसले गर्दा हामी नयाँ परिस्थितिहरूमा पनि उचित निर्णय लिन सक्छौँ। न्युरल नेटवर्कहरूले भने आफूले नदेखेका वा नसिकेका अवस्थाहरूमा सामान्य ज्ञान प्रयोग गर्न सक्दैनन्। तिनीहरू तिनीहरूलाई प्रशिक्षित गरिएको डाटामा मात्र आधारित भएर आफ्नो काम सम्पन्न गर्न सक्दछन्। मानव मस्तिष्कले कुनै निर्णय किन लियो भनेर त्यसलाई हामीले प्रायः व्याख्या गर्न सक्छौँ। तर, न्युरल नेटवर्कहरूले कसरी कुनै विशेष निष्कर्षमा पुगे भनेर बुझ्न प्रायः गाह्रो हुन्छ। तसर्थ, न्युरल नेटवर्कहरूमा व्याख्यात्मक योग्यताको कमी (Lack of Explainability) हुन्छ, जसलाई "ब्ल्याक बक्स (black box)" समस्या भन्ने गरिन्छ।

मानव मस्तिष्कले थोरै उदाहरणहरूबाट पनि द्रुत गतिमा सिक्न (Limited Learning from Few Examples) सक्छ, तर न्युरल नेटवर्कलाई प्रभावकारी रूपमा काम गर्नका लागि धेरै ठूलो मात्रामा डाटा (big data) चाहिन्छ। मानव मस्तिष्कमा सिर्जनात्मकता, भावना, चेतना र आत्म-अनुभूति (self-awareness) जस्ता गुणहरू हुन्छन्। न्युरल नेटवर्कमा भने सिर्जनात्मकता र भावना (Creativity and Emotion) हुँदैन। त्यसैले न्युरल नेटवर्कले नयाँ कुराहरू "उत्पादन" गर्न सक्ने भए तापनि, त्यो मानव सिर्जनात्मकता जस्तो मौलिक र नवीन हुँदैन। मानव मस्तिष्क अत्यन्तै ऊर्जा कुशल हुन्छ, जसको अर्थ थोरै ऊर्जामा पनि यसले धेरै काम गर्न सक्छ। जबकि ठूला न्युरल नेटवर्कहरूलाई प्रशस्त कम्प्युटेसनल शक्ति र ऊर्जा चाहिने हुँदा तिनीहरूले अत्यधिक ऊर्जा खपत (Energy Consumption) गर्दछन्।

त्यति हुँदाहुँदै पनि हालसम्म विकसित हुन सकेको मेसिनले गर्ने भविष्यवाणीमा न्युरल नेटवर्कको उपयोगिता (How Neural Networks Help in Machine Prediction) मानिसको जीवनमा पहिले नसोचिएको हदमा कायपलट गरिदिने भएको छ।

न्युरल नेटवर्कहरूले डाटामा रहेका जटिल र अदृश्य सम्बन्धहरू (complex and hidden relationships) पत्ता लगाउन सक्ने भएकाले आज मेसिन भविष्यवाणीमा अत्यधिक उपयोगी को छ। जब यसलाई ठूलो मात्रामा इनपुट डाटा (input data) दिन सकिन्छ र त्यस डाटाको सम्बन्धित उपयोग गरी कसरी आउटपुट (output) लिने भन्ने पक्षसँग त्यसलाई प्रशिक्षित गरिन्छ, तब यसले इनपुट गरिएको ठूलो डाटा (Big Data) र कसरी आउटपुट लिने भनी दिइएको निर्देशन अनुरूप प्राप्त हुने आउटपुट दुवै बीचको ढाँचा सिक्दछ। त्यसैको आधारमा नयाँ इनपुट डाटा दिँदा, यसले पहिले सिकेको ढाँचाको आधारमा नयाँ भविष्यवाणी गर्ने गर्दछ।

यथार्थमा व्यवहारिक रुपमा मानव मस्तिष्कले काम गर्ने प्रक्रिया समेत लगभग न्युरल नेटवर्कहरूले गर्ने जस्तै हुने गर्दछ। तसर्थ, यसले मानव मस्तिष्कको संरचना र कार्यप्रणालीको अनुकरण गरेर मानव मस्तिष्कले जस्तै मेसिनमा न्युरल नेटवर्कहरूले काम गर्दछ भनिएको हो।

न्युरल नेटवर्कहरूले कसरि काम गर्दछ भन्ने अझ राम्रो संग बुझ्न मैले स्वादको अनुमान (Flavor Prediction) गर्न क्रममा न्युरल नेटवर्कको प्रयोग गर्न चाहदा मैले खोजेको स्वाद न्युरल नेटवर्कले कसरि अनुमान गरेको थियो (Neural Networks for Flavor Prediction) त्यसको रियल टाइम उदहरण हेर्दा केहि सहज हुन सक्दछ।

मेरो केसमा सामान्यतय कुनैपनि खानको स्वादको अनुमान गर्नको लागि न्युरल नेटवर्कलाइ काम लगाउनु अघि नै मैले खानाका सामग्रीहरू, तिनीहरूको मात्रा, प्रशोधन विधि र तिनीहरु कुन कुन तरिकाले मिसाउदा कुन कुन उत्पादनको स्वाद (जस्तै: गुलियो, पिरो, अमिलो, चिल्लो, वा विशेष सुगन्ध) कस्तो भयो त्यसको बिग डाटा कम्प्युटर मेसिन निर्मित न्युरल नेटवर्कलाइ दिईसकेको हुन्छु। न्युरल नेटवर्कले उपलब्ध बिग डाटा वाट खानाको रिसिपिको विभिन्न इन्ग्रीडियन्टहरु बिचको अन्तर सम्बन्ध बारे सिक्दछ र त्यसैको आधारमा मलाई स्वादको अनुमान गरेर दिने गर्दछ।

जस्तै एकपटक मैले नेपालको काठमाडौँ फोकस “प्रोजेक्ट सृजना – मअम अफ कल्पना एण्ड भावना” भनी मेरो सासु आमाको लागि सेलरोटी बनाउने रेसिपी न्युरल नेटवर्क लाइ बनाउन अह्राउने निधो गरे। न्युरल नेटवर्कले मैले निर्देसन गरे अनुरुप पब्लिक डोमेनमा भेटिएको विभिन्न प्रकारका सेल रोटीको रेसिपी डाटा (recipe data) र मेरो आफ्नो प्रोपराइटरी डाटा समेत हेरेर त्यसको प्याटर्न बारे गहिरो ज्ञान लिने र बृस्तितमा सिक्न आफुलाई “प्रोजेक्ट सृजना” को लागि तालिम गर्यो। त्यो क्रममा त्यसले कुन चामलको पिठो, कुन प्रकारको खुदो, सक्खर, फ्लेबर आदि कति मात्रामा तेल, कुन-कुन अन्य सामग्री कुन कुन मात्रामा प्रयोग गर्दा कस्तो कस्तो स्वाद (मीठो, चिल्लो, नरम) आउने रहेछ भनेर त्यसको ढाँचा (pattern) पत्ता लगायो। मैले पनि उसलाई सेल रोटी बनाउने बारे केही सूचना दिँदै भने “पोखरेली चामलको पिठोमा सक्खर थप्दा मीठो हुन्छ । तर तेलमा बनाएको पोखरेली चामलको पिठोकमा सेल चिसो हुँदा समेत अधिक चिल्लो देखिन्छ। हेर्दा अधिक चिल्लो देखिने रोटी मेरो ससुराली गाउँमा खासै राम्रो मानेर खाने गर्दैनन्। तेललाई घ्यु वाट रिप्लेस गर्दा चिसो बने पछि सेल रोटी कम चिल्लो लाग्दछ। देखिन्छ। घ्युमा बनेको त्यस्तो बासी रोटी तताएर खाँदा निकै मिठो हुन्छ। त्यहि तरिकाले मसिनाको चामल प्रयोग गर्दा रोटि लिखुरे बन्छ। अनदीको चामलले रोटि रवर जस्तो हुन्छ। तनहुँ यम्पा फाँटको ताइचुन चामलको पिठोमा खुदो हाल्यो र रोटि घ्यूमा पकायो भने त्यसको स्वाद बेजोड हुन्छ। किनकि कल्पना र भावनाले त्यस्तो रोटी पाउँदा एक पटक निकै मिठो मानी मानी खाएका थिए। काठमाडौँमा भाटभटेनि डिपार्टमेन्टल स्टोरले पब्लिकलाई सेल रोटी बेच्ने गर्दछ। भाटभटेनिको मालिक मिन बहादुर गुरुङ गुरुङहरुलाई मात्र मिले सम्म आफ्नो काम दिने गर्दछन्। तसर्थ उनको स्टोरको सेल रोटीको फर्मुला अलि वायस हुन सक्दछ। काठमाडौँको मानिसको रेसिपीको त्यसले प्रतिनिधित्व नगर्न सक्दछ।“   

यस्तै यस्तै ज्ञानको आधारमा, सुचनाको आधारमा न्युरल नेटवर्क संग मैले “प्रोजेक्ट सृजना – मअम अफ कल्पना एण्ड भावना” को लागि नयाँ रेसिपीको सुझाव दिन भने। न्युरल नेटवर्कले पहिले पब्लिक डोमेनको सबै डाटा पढिसकेको थियो। त्यसमा मैले दिएको ज्ञान समेत मिसाएर पुन: आफुलाई अपडेट गर्यो। त्यहि आधारमा मैले मलाई आउने तीजमा मेरो सासूलाई पठाउन मिठो रोटि कसरि बनाउने भन्ने जिज्ञासामा न्युरल नेटवर्कको उत्तर यस प्रकृतिको थियो। “ भाटभटेनिमा बिक्रि हुने रोटीको सोसियल साइट फेसबुक र टिकटक मार्फत मिलेको सार्बजनिक डाटा अनुसार जुन रोटीमा थोरै सोडा र थोरै केरा हालेर फुक्कने गरि पकाएको छ त्यो धेरै काठमाडौँमा बिक्ने रहेछ। तिमीले तिम्रो सासु काठमाडौँ बस्ने भनेकोले  कल्पना - भावनाले रुचाएको यम्पा फाँटको ताइचुन चामलमा खुदो हाली घ्यूमा रोटि पकाउने रिसिपिमा एक केजी पिठोमा एउटा कोसा मालभोग केरा र २० एमएल क्लब सोडाको झोल समेत थपेर  सेल रोटी बनाउदा तिम्री सासुले मन पराउने अधिक सम्भावना छ।“ किन क्लब सोडा हाल्ने भन्ने प्रश्नमा बेकिङ्ग सोडाले रोटीको पोषण मार्ने हुँदा केरा र क्लब सोडाले काठमाडौँको मान्छेको मन पराउने पक्ष समावेस गर्न सहयोग गर्दछ हुने छ भन्ने उत्तर मिल्यो। क्लब सोडा नेपालमा बेकिङ्गमा, डिप-फ्राङ्गमा प्रयोग भएको मेरो जानकारीमा छैन नि भन्ने प्रश्नको उत्तर थियो "यद्यपि यो विकल्पको नेपालमा कम प्रयोग हुन्छ तर बेकिङ र तेलमा डिप-फ्राईको लागि संयुक्त राज्य अमेरिका, बेलायत र जापान (विशेष गरी टेम्पुराको लागि)  रोटी जस्तै खानामा हल्कापन तथा कुरकुरेपना दिन क्लब सोडा प्रयोग हुन्छ। यसले भाटभटेनीमा अधिक बिक्ने रोटीको गुण त्यसको पोषण नष्ट नहुने गरी थप्ने अवसर दिने छ।"

त्यसपछि एआइले भने अनुरुपको  ताइचुन खुदो वाला रोटीको स्वाद झकास हुने मेरो ल्यावमा भएको प्रयोगात्मक उत्पादनले पुष्टि गर्यो। त्यसको केहि रिप्लिकेट परिक्षण मार्फत प्रयोगात्मक उत्पादनले गरेको पुष्टिको प्रमाणित गरियो।

जब त्यसरी बनेको रोटी कल्पना-भावनाले मिठो मानी खाने छन् तव त्यो  “प्रोजेक्ट सृजना – मअम अफ कल्पना एण्ड भावना” प्रोजेक्टको लागि तैयारी सेल रोटीको स्याम्पल नबन्ने छ। त्यो काम वाकी नै छ। यदि त्यो रोटीको कोसेली मेरी सासू-माँ लाई साँच्चिकै मन पर्‍यो भने यो मिसनमा बनेको रिसिपी सफल भएको भेलीडेसन हुने छ। प्रोजेक्ट सफल मानिने छ। यो उत्पादन लाई सासूमाको लागि मिठो कोसेली ब्रान्डको सेल रोटीको रूपमा कमर्सियलाइज गर्न सकिने छ।

मेसिनले आफूलाई ट्रेन्ड गर्ने बेलामा पाएको सूचनामा मात्र सीमित भएर मलाइ जिज्ञासाको उत्तर उपलब्ध गराएको थियो। जसमा मैले जति धेरै मेरो सूचना दिन सक्ने हुन्थे मलाई त्यति धेरै विषय बस्तु संग सम्बन्धित हुने गरी मेरो जिज्ञासाको उत्तर मलाई मिल्दथ्यो।

विशेषगरी खुद्रा व्यापार (retail business) मा न्युरल नेटवर्कले  ग्राहकको व्यवहार भविष्यवाणी (Customer Behavior Prediction) गर्न कसरी मद्दत गर्न सक्छ भन्ने वारे यहाँ एउटा उदाहरण छ:

कल्पना गर्नुहोस्, तपाईंको एउटा कपडा पसल (clothing store) छ र तपाईं आगामी महिनामा कुन ग्राहकले कुन प्रकारको कपडा किन्ने सम्भावना बढी छ वा कुन ग्राहकले पसलमा कति खर्च गर्न सक्छ भनेर भविष्यवाणी गर्न चाहनुहुन्छ।

फरक सन्दर्भमा कम्प्युटरको न्युरल नेटवर्क लाई कसरी ग्राहकको किनमेलको व्यवहार बुझ्न समेत प्रयोग गर्न सकिएला भन्ने बुझ्न कपडा व्यवसायको बारे विचार गरौँ। जसमा एक कपडा व्यवसायीलाई ग्राहकहरूले भविष्यमा के किन्लान् भनेर अनुमान लगाउन पर्ने छ। यसको लागि कपडा पसलेले आफ्नो ग्राहकको पुरानो किनमेलको रिकर्ड अनुसार यस अघिका ग्राहकले कुन-कुन कपडा (जस्तै: जिन्स, टिसर्ट, सारी) कहिले र कति मूल्यमा किने, कुन रङको किने भन्ने सबै विवरणहरू भरेर न्युरल नेटवर्क लाई तालिम दिन आवश्यक डाटाहरू उपलब्ध गराउन पर्ने छ। त्यसमा ग्राहकको व्यक्तिगत जानकारी जस्तै ग्राहकको उमेर, लिङ्ग, ठेगाना र आम्दानी जस्ता जानकारीहरूले मिसिन लाई उनीहरूको रोजाइ बुझ्न मद्दत गर्छ। त्यस्तै आफ्नो कपडा बिक्रीका राखेको वेबसाइट वा एपको अनलाइन स्टोरमा ग्राहकले के-के हेरे, कति बेर हेरे, कार्टमा राखेर पनि किन किनेनन् भन्ने कुराले उनीहरूको रुचि देखाउँछ। मौसम अनुसारको जाडोमा ज्याकेट र गर्मीमा पातलो कपडाको माग बढी हुने जस्ता मौसमी चलनहरूलाई पनि त्यहाँ ध्यानमा राखिन्छ। कुन ग्राहकले कुन छुट वा अफरमा कस्तो चासो देखाए त्यसको जानकारी पनि प्रचार र विज्ञापन प्रति ग्राहकको प्रतिक्रिया बुझ्न सहयोगी हुन्छ।

आर्टिफिसियल इन्टेलिजेन्स (AI) को अर्को अत्यधिक चाखलाग्दो  शाखा नेचुरल ल्याङ्ग्वेज प्रोसेसिङ (NLP) हो।  एनएलपिले कम्प्युटरलाई मानिसले बोल्ने वा लेख्ने भाषा (human language) बुझ्न, व्याख्या गर्न र आफैँले भाषा उत्पन्न गर्न (generate human language) सिकाउने गर्दछ। एनएलपिले गर्दा कम्प्युटरले मानिसको भाषामा रहेको अर्थ (meaning), भावना (sentiment) र सन्दर्भ (context) समेत लाई विश्लेषण गर्न सक्छ। जस्तै हामीले इन्टरनेटमा लेखेका सामग्रीहरू, फेस बुक जस्ता सामाजिक सञ्जालमा गरिएका पोस्टहरू, ग्राहक प्रतिक्रियाहरू (customer reviews) वा कुनै पनि सम्बन्धित विषयका लिखित, लेख, अनुसन्धानको रिपोर्ट आदि लाई एनएलपि (NLP) ले बुझ्न र प्रशोधन गर्न सक्दछ।

मेरो हालको खानाको स्वाद विकासमा आउने चुनौतीहरूसँग जुध्न नेचुरल ल्याङ्ग्वेज प्रोसेसिङ (NLP) ले विशेष गरी मानिसहरूका विचार र भावनाहरू बुझ्न सहयोग गर्ने गरेको छ। त्यसको लागि NLP ले अनलाइन प्लेटफर्महरूमा (जस्तै: फेसबुक, ट्विटर, टिकटक, इन्स्टाग्राम, फुड ब्लग, रेस्टुरेन्ट रिभ्यू साइट आदिमा) उपलब्ध ग्राहकका प्रतिक्रियाहरू (reviews), टिप्पणीहरू (comments), पोष्टहरू (posts) र लेखहरू (articles) लाई विश्लेषण गर्छ। यो विश्लेषणबाट NLP ले निम्न प्रकारका महत्त्वपूर्ण जानकारीहरू निकाल्ने गर्दछ।

उनीहरूले हाल बजारमा भएका खानाका कुन स्वाद मन पराइएको छ र कुन मन पराइएको छैन भन्ने बारेका टिप्पणीहरू जम्मा गर्दछ। उदाहरणका लागि, "यो मःमःको सुप धेरै पिरो थियो, मीठो भएन" वा "यो मोही साह्रै गुलियो रहेछ, अलिकति अमिलो भए स्वादिलो हुन्थ्यो।" साथै, कुन सामग्रीहरूले कुन स्वादलाई कसरी प्रभाव पार्छ भन्ने जानकारी पनि लेखिएको हुन सक्दछ, जस्तै: "लसुन अलि धेरै भयो, गन्ध आयो," "धनियाँले स्वाद निकै बढायो," वा "धत् आइसक्रिम र रक्सी एकाबिहानै ब्रेकफास्टमा दिनु राम्रो भएन।" ती स्रोतहरूमा कुन खानाका परिकारहरूमा कुन-कुन स्वाद संयोजन (flavor combinations) सफल भएको छ भन्ने सूचना पनि उपलब्ध हुन्छ। उदाहरणका लागि, "आलु-तामाको अचारमा तीतो र अमिलोको सन्तुलन गज्जब छ" वा "सोडामा नुन र कागती हालेर सबैले दिने गर्दछन्। यहाँ त नुनको सट्टा सिधे नुन हालिने रहेछ, त्यसले कति राम्रो भोक जगाएको।" त्यस्तै, नयाँ स्वादका लागि सम्भावित सुझावहरू के हुन सक्छन् होला भन्ने जिज्ञासा समेत भेटिन्छ, जस्तै: "होइन यो सेल रोटीमा नरिवलको फ्लेभर हाल्दा कस्तो होला?"

यसरी, NLP ले डाटा (data) बाट मानिसका भावना र प्राथमिकताहरू (preferences) बुझेर नयाँ स्वाद बनाउन वा अवस्थित स्वादहरूलाई सुधार गर्न मलाई मद्दत गर्छ। यसको लागि हामीलाई चटनीको स्वाद सुधार गर्न NLP ले गरेको योगदानको चर्चा यहाँ सान्दर्भिक हुन सक्दछ।

मलाई मोमोको चटनी सुधार गर्न केही महत्त्वपूर्ण सल्लाह (critical advice) को आवश्यकता पर्यो। मेरो एक क्लाइन्ट (client) र उनका आसपासका सबै सल्लाहकारहरूले अत्यन्त उत्तम भनेर पास गरेको र अति मन पराएको मोमोको चटनी उनका अधिक वास्तविक ग्राहकहरू (actual customers) ले मन पराइरहेका थिएनन्। उनको बिक्री घट्नु र मोमो किन्ने ग्राहकले मोमो खाने तर चटनी नखाई फाल्ने अधिक घटनाहरू मेरो लागि त्यसको पर्याप्त प्रमाण थियो।

उनको व्यवसाय हाम्रो मोमोको फ्लेभर (flavor) किन्ने र मोमोको अचारमा हाम्रो फ्लेभर हालेर त्यो समस्या समाधान गर्न चाहन्थ्यो। उनले हाल बजारमा पठाएका मोमोको चटनीबारे मानिसहरूले विभिन्न अनलाइन फोरमहरू, सामाजिक सञ्जाल (फेसबुक, ट्विटर, टिकटक) र ब्लगहरूमा आफ्ना विचारहरू व्यक्त गरिरहेका थिए।

हामीले NLP को प्रयोग गरेर ती सबै डाटा सङ्कलन गर्‍यौं र NLP ले मलाई सटिक विश्लेषण रिपोर्ट (accurate analysis report) दियो। उदाहरणका लागि, फेसबुकमा एक ग्राहकले लेखेका थिए, "मोमो त राम्रो छ, तर चटनी धेरै अमिलो छ, मसालेदार बनाउनुपर्‍यो।" यो कमेन्ट गर्ने व्यक्ति १८ वर्षदेखि मोमो पसल चलाएर अवकाश प्राप्त (retired) भएका व्यक्ति थिए। टिकटकमा अर्कोले भनेका थिए, "काठमाडौँको डल्ले मोमोको जस्तो तिखो चटनी चाहिन्छ।" त्यसमा दुई हजार लाइक देखिन्थ्यो। NLP ले यी टिप्पणीहरू अनुसार ६०% ग्राहकले "मसालेदार र तिखो" स्वाद मन पराउने, २५% ले "कम अमिलो" चटनी चाहने र १५% ले "धनियाँको स्वाद" थप्न सुझाव दिएको पत्ता लगायो।

यो डाटाको आधारमा हामीले तीनवटा नयाँ चटनी रेसिपी बनायौं: पहिलो, टमाटरमा आधारित मसालेदार चटनीमा थोरै तिलको स्वादमा; दोस्रो, कम अमिलो टमाटरको चटनीमा धनियाँ र जिरा हालेर; तेस्रो, बदाम र लसुनको मिश्रित तिखो चटनी। यी रेसिपीहरू १०० ग्राहकसँग परीक्षण गरी त्यसको प्रतिक्रिया (feedback) को आधारमा NLP ले फेरि टिप्पणीहरूको विश्लेषण गर्‍यो। पहिलो रेसिपी (टमाटर-मसालेदार) लाई ७०% ग्राहकले "उत्तम स्वाद" भनेर मन पराए।

टमाटरमा आधारित मसालेदार चटनी (Tomato-based spicy chutney) ७०% ग्राहकले मन पराए पनि, व्यवसायले फ्रोजन मोमो (Frozen Momo) बेच्नुपर्ने हुँदा फ्रोजन गरेपछि टमाटरमा आधारित मसालेदार चटनी ताजाजस्तो नहुने र फ्रोजनपछिको 'हरक' आउने समस्या त्यहाँ आयो। मेरो आफ्नै निजी डाटा अनुसार, मोमो (Momo) मा प्रयोग हुने फ्लेभरिस्ट (Flavorist) निर्मित मोमोमा उत्तम स्यभोरी  स्वाद (robust savory flavor) नक्कल गर्न केही उत्तम फ्लेभर नोटहरू (Flavor notes) नेपाली बजारको लागि पहिचान भएको थियो। ती नोटहरू नेपाली मोमो चटनीको विशेषता जस्तै: अमिलो (Tangy), तिखो (Spicy), लसुनको (Garlicky), र पकाएको टमाटरको स्वाद (Cooked tomato flavor) मा आधारित थियो। जसमा प्रत्येक फ्लेभर नोटको लागि जरुरी हुने कच्चा सामग्रीहरू (Ingredients) र फ्लेभर केमिकलहरू (Flavor chemicals) समेत पहिचान भइसकेको थियो। एकातिर मोमो स्टिम (steam) गरेको ठाउँमा मोमोबाट अधिक गन्ध आउने, अर्कोतिर फ्रोजन मोमो स्टिम गर्दा खाने बेला 'हरक' आउने समस्या समाधान गर्न स्वादलाई कृत्रिम रूपमा नक्कल गर्दै टमाटरमा हुने प्राकृतिक सुगन्ध कम्पाउन्डहरू (Aroma compounds) जस्तै हेक्सानाल (hexanal) र (Z)-3-हेक्सेनाल ((Z)-3-hexenal), खुर्सानीको क्याप्साइसिन (capsaicin), र जिराको मसालाहरूको सारतत्व क्युमिनाल्डिहाइड (cuminaldehyde) जस्ता कम्पाउन्डहरू मिलाएर त्यहाँ उत्पन्न हुने 'हरक' र गन्ध मार्ने तथा मोमोलाई ताजा र मसालेदार बनाउने फ्लेभर कम्बिनेसन समेत तयार गरियो।

अब NLP ले दिएको सूचनाको आधारमा, पहिलो भागको रूपमा पकाएको टमाटरको स्वाद (Cooked tomato flavor) दिने फ्लेभर बनाइयो, जसमा मीठो र अमिलो स्वादको चटनीको आधार निर्माण गरियो। त्यसको लागि टमाटर एक्स्ट्र्याक्ट (Tomato extract), गोलभेँडाको पाउडर (Tomato powder), र फ्लेभर केमिकलहरू: डाइमिथाइल सल्फाइड (Dimethyl sulfide) – जसले पकाएको टमाटरको सल्फरस नोट दिन्छ, हेक्सानाल (hexanal) – जसले हरियो र घाँसे नोट दिन्छ, र (Z)-3-हेक्सेनाल ((Z)-3-hexenal) – जसले ताजा टमाटरको पात जस्तो स्वाद दिन्छ, को मिश्रण गरियो।

दोस्रो भागको रूपमा तिखो मसालेदार स्वाद (Spicy heat flavor) को चटनीमा बलियोपना (robustness) थपेको र जिब्रोमा पिरो अनुभव दिने चिल्ली सस (chili sauce) को निर्माण गरियो, जसमा सुकेको रातो खुर्सानी (Dried red chilies) र काश्मीरी खुर्सानी पाउडर (Kashmiri chili powder) समावेश थियो। फ्लेभर केमिकलहरूमा क्याप्साइसिन (Capsaicin) – खुर्सानीको मुख्य तिखो स्वाद दिने कम्पाउन्ड, र डाइहाइड्रोक्याप्साइसिन (dihydrocapsaicin) – लामो समयसम्म पिरो रहने स्वाद, हालियो।

तेस्रो पक्ष लसुन र अदुवाको स्वाद (Garlicky and gingery flavor) दिने भाग थियो, जुन चटनीलाई गहिरो र स्वादिलो बनाउने प्रयोजनका लागि थियो। जसमा लसुन (Garlic), अदुवा (Ginger), जिरा (Cumin) र फ्लेभर केमिकलहरू: अलिसिन (Allicin) – लसुनको तिखो र सल्फरस नोट दिने, डायलिल डिसल्फाइड (diallyl disulfide) – पकाएको लसुनको स्वाद दिने, जिन्जेरोल (gingerol) – अदुवाको तिखो र मसालेदार नोट दिने, कुराहरू समावेश गरियो।

चौथो भागमा अमिलो र मीठो सन्तुलनको स्वाद (Tangy sweet balance flavor) निर्माण गरियो जसले चटनीलाई ताजा र आकर्षक बनाउने उद्देश्य राखिएको थियो। त्यसमा कागतीको रस (Lemon juice), भिनेगर (Vinegar), तिल (Sesame seeds) र फ्लेभर केमिकलहरू: एसिटिक एसिड (Acetic acid) – भिनेगरको अमिलो स्वाद, सिट्रिक एसिड (citric acid) – कागतीको अमिलो नोट, फ्युरानिओल (furaneol) – मीठो र कारामेल जस्तो टमाटरको स्वाद दिने, सामग्रीहरू समावेश गरियो।

पाँचौँ भाग मसाला र हर्बल स्वाद (Spicy masala herbal flavor) दिने नेपाली चटनीको विशेषता दिने भाग बनाइयो, जसमा धनियाँ र टिमुर् मुख्य आधार (base) थियो। त्यसको लागि धनियाँ (Coriander), टिमुर (Sichuan pepper), तोरीको तेल (Mustard oil), फ्लेभर केमिकलहरू: क्युमिनाल्डिहाइड (Cuminaldehyde) – जिराको माटो जस्तो (earthy) स्वाद दिने, लिनालुल (linalool) – धनियाँको फूलको जस्तो नोट दिने, अल्फा-पाइनेन (alpha-pinene) – टिमुरको कडा र पाइन जस्तो स्वाद दिने, सामग्री उपयोग गरियो।

यी पाँच प्रकृतिका फरक-फरक फ्लेभर नोटहरू मिलाएर मलाई फरक-फरक किसिमको बलियो टमाटर चटनीको स्वाद नक्कल गर्न सकिने अवसर मिल्यो। जस्तै, टमाटर एक्स्ट्र्याक्ट (Tomato extract) मा क्याप्साइसिन (capsaicin) थपेर झन् तिखो स्वादको बनाउने र अलिसिन (allicin) ले लसुनको स्वाद थप्ने। फ्लेभर केमिकल बिना प्राकृतिक मात्र चाहिएको बेला टमाटर, खुर्सानी, लसुन, अदुवा र धनियाँको मिश्रण मात्र प्रयोग गर्ने। फ्रोजनको लागि फरक संयोजनको प्रयोग गर्ने।

यसरी फरक-फरक किसिमको परम्परागत नेपाली मसला (traditional Nepali spices) वा सस थाइ मसला बने जस्तै निर्माण गरी NLP को सहयोगले मोमोको मसला वा चटनी बनाउने क्रममा आइलागेको हरेक समस्या सजिलै समाधान गर्न सकिने र प्रामाणिक नेपाली स्वाद (authentic Nepali flavor) समेतमा सम्झौता नगर्ने उपाय निकालेर सबै प्रकारका ग्राहकहरूलाई आकर्षित गर्न सक्ने प्राविधिक क्षमता प्राप्त गर्न मलाई सहयोग मिल्यो।

यसरी निर्माण गरिएको चटनी उक्त व्यवसायले आफ्नो मोमोमा लागू गरेपछि, चटनी फाल्ने समस्या ८४% ले घट्यो र मोमोको बिक्री समेत ६७% ले बढेको पाइयो। उनका ३०% ग्राहकहरूले सामाजिक सञ्जालमा "यो चटनीले मोमोलाई अझ स्वादिष्ट बनायो!" भनी लेखेको देखिन्थ्यो। यसरी NLP को योगदानले हामीलाई ग्राहकको मन बुझ्न र बजारमा हिट हुने चटनी (hit chutney) बनाउनमा सहयोग गरेको थियौँ। यसले मलाई पनि नयाँ तरिकाले सोच्ने र आफ्नो नवीनता क्षमता (innovation capacity) लाई नयाँ उचाइ दिन ठूलो योगदान दियो।

सारांशमा, AI ले खानाको स्वाद विकासमा मलाई धेरै अवसर दिएको छ। तर, यसका धेरै चुनौतीहरूमध्ये प्रमुख चुनौती राम्रो र विविध डाटा (diverse data) को उपलब्धता रहेछ। बिग डाटा (Big Data) बिना AI ले गलत सुझाव (incorrect suggestions) दिने अधिक सम्भावना हुन्छ। जस्तै, गुन्द्रुक बनाउनु पर्दा यदि AI ले मात्र काठमाडौंका ५० प्रकारका गुन्द्रुकको डाटा मात्र हेरेको रहेछ भने, यसले तराईको स्वाद नबुझेर "यसमा अझ धेरै नुन थप" भन्ने गलत सल्लाह (wrong advice) दिने अवस्था आउन सक्दछ। जसले नवीनता (innovation) मा लागेका मानिसहरूको विश्वास घटाउने (erode trust) जोखिम दिन्छ। त्यसैले, AI लाई अधिक धेरै डाटा मात्र दिएर होइन, विविध डाटा (diverse data) समेत दिन सक्दा यसले गुणस्तरीय काम गर्न सक्दछ।

तपाईंलाई मात्र मिठो दालभात बनाउने प्रयोजनमा AI प्रयोग गर्दा, यदि प्रयोग भएको डाटा हजारौँ भए पनि पहाडी दालको मात्र परेको रहेछ भने, त्यसले तराईको स्वाद नबुझेर "धेरै तेल थप" भन्ने जस्ता असान्दर्भिक सल्लाह (irrelevant advice) दिने निश्चित हुन्छ। तसर्थ, पूर्ण डाटा (complete data) को इनपुट गरेर मात्र AI सँग दालभात बनाउन होस्, गुन्द्रुक उमाल्न होस् वा मङ्गल ग्रहमा रकेट उतार्न होस्, त्यससँग सम्बन्धित नवीनता ल्याउन उत्तम सुझावहरू आर्टिफिसियल इन्टेलिजेन्स (AI) मार्फत प्राप्त गर्न सकिन्छ। अन्यथा, यो बाँदरको हातमा नरिवल हुनेछ।