जनरेटिव AI परिचय

July 2, 2026 · View on GitHub

तुम्ही काय शिकाल

जनरेटिव AI मूलतत्त्वे ज्यात LLMs, प्रॉम्प्ट इंजिनिअरिंग, टोकन्स, एम्बेडिंग्ज आणि व्हेक्टर डेटाबेस यांचा समावेश आहे
जावा AI विकास साधने जसे की Azure OpenAI SDK, Spring AI, आणि OpenAI Java SDK यांची तुलना
मॉडेल कॉन्टेक्स्ट प्रोटोकॉल आणि AI एजंट संवादातील त्याची भूमिका याबद्दल शोध घेणे

परिचय

जेनरेटिव AI फॉर बिगिनर्स - जावा आवृत्तीत तुमचे पहिले प्रकरणादेशी स्वागत आहे! हा मूलभूत धडा तुम्हाला जनरेटिव AI ची मुख्य संकल्पना आणि जावा वापरून त्यांच्यासोबत कसे काम करायचे हे परिचय करून देतो. तुम्ही AI अनुप्रयोगांच्या आवश्यक बांधकाम ब्लॉक्सबद्दल जाणून घ्याल, ज्यात मोठे भाषा मॉडेल्स (LLMs), टोकन्स, एम्बेडिंग्ज आणि AI एजंट्स यांचा समावेश आहे. या अभ्यासक्रमादरम्यान वापरण्यात येणारी मुख्य जावा साधनेही आपण पाहू.

जनरेटिव AI संकल्पनांवर जलद पुनरावलोकन

जनरेटिव AI हा कृत्रिम बुद्धिमत्तेचा असा प्रकार आहे जो नवीन सामग्री तयार करतो, जसे की मजकूर, प्रतिमा किंवा कोड, डेटामधून शिकलेल्या नमुन्यांवर आणि संबंधांवर आधारित. जनरेटिव AI मॉडेल्स मानवी सारखे प्रतिसाद तयार करू शकतात, संदर्भ समजू शकतात, आणि कधी कधी अगदी मानवी सारखी सामग्रीही तयार करतात.

तुमची जावा AI अनुप्रयोगं विकसित करताना, तुम्ही जनरेटिव AI मॉडेल्स वापरून सामग्री निर्मिती कराल. जनरेटिव AI मॉडेल्सच्या काही क्षमतांमध्ये:

मजकूर निर्मिती: चॅटबॉट्स, सामग्री आणि मजकूर पूर्णतेसाठी मानवी सारखा मजकूर तयार करणे.
प्रतिमा निर्माण आणि विश्लेषण: वास्तविक प्रतिमा तयार करणे, फोटो सुधारणा करणे, आणि वस्तू शोधणे.
कोड निर्मिती: कोड स्निपेट्स किंवा स्क्रिप्ट लिहिणे.

वेगवेगळ्या कामांसाठी खास मॉडेल्स वापरले जातात. उदा., दोन्ही लहान भाषा मॉडेल्स (SLMs) आणि मोठे भाषा मॉडेल्स (LLMs) मजकूर निर्मिती हाताळू शकतात, LLMs सामान्यतः गुंतागुंतीच्या कामांसाठी अधिक चांगली कामगिरी करतात. प्रतिमा संबंधित कामांसाठी, तुम्ही विशेष दृश्य मॉडेल्स किंवा बहुमाध्यम मॉडेल्स वापराल.

Figure: Generative AI model types and use cases.

नक्कीच, या मॉडेल्सचे प्रतिसाद नेहमीच परिपूर्ण नसतात. तुम्ही कदाचित "मॉडेल्स हल्लुसिनेट करतात" किंवा अधिकृत पद्धतीने बिनबाबत माहिती निर्माण करतात असे ऐकले असेल. पण तुम्ही मॉडेलला चांगले प्रतिसाद द्यायला मार्गदर्शन करू शकता जर तुम्ही त्यांना स्पष्ट सूचना आणि संदर्भ दिलात. हेच प्रॉम्प्ट इंजिनिअरिंग म्हणतात.

प्रॉम्प्ट इंजिनिअरिंग पुनरावलोकन

प्रॉम्प्ट इंजिनिअरिंग म्हणजे AI मॉडेल्सना इच्छित आउटपुटकडे मार्गदर्शन करण्यासाठी प्रभावी इनपुट डिझाइन करणे. यात समाविष्ट आहे:

स्पष्टता: सूचना स्पष्ट आणि अस्पष्ट नसाव्यात.
संदर्भ: आवश्यक पार्श्वभूमी माहिती प्रदान करणे.
मर्यादा: काहीही बंधने किंवा फॉरमॅट्स निर्दिष्ट करणे.

प्रॉम्प्ट इंजिनिअरिंगसाठी काही उत्तम प्रथांमध्ये प्रॉम्प्ट डिझाइन, स्पष्ट सूचना, कामाचे विघटन, वन-शॉट आणि फ्यू-शॉट शिक्षण, आणि प्रॉम्प्ट ट्युनिंग यांचा समावेश आहे. वेगवेगळे प्रॉम्प्टस् चाचण्या घेणे आवश्यक आहे कारण ते तुमच्या विशिष्ट वापरासाठी सर्वोत्तम काय आहे ते शोधण्यासाठी.

अ‍ॅप्लिकेशन्स विकसित करताना, तुम्ही वेगवेगळ्या प्रॉम्प्ट प्रकारांसोबत काम कराल:

सिस्टम प्रॉम्प्ट्स: मॉडेलच्या वर्तनासाठी मूलभूत नियम आणि संदर्भ सेट करतात
युजर प्रॉम्प्ट्स: तुमच्या अ‍ॅप्लिकेशन वापरकर्त्यांकडून इनपुट डेटाः
असिस्टंट प्रॉम्प्ट्स: सिस्टम आणि युजर प्रॉम्प्ट्सवर आधारित मॉडेलचे प्रतिसाद

अधिक जाणून घ्या: GenAI for Beginners च्या प्रॉम्प्ट इंजिनिअरिंग प्रकरणाबद्दल अधिक माहिती मिळवा

टोकन्स, एम्बेडिंग्ज, आणि एजंट्स

जनरेटिव AI मॉडेल्ससह काम करताना तुम्हाला टोकन्स, एम्बेडिंग्ज, एजंट्स, आणि मॉडेल कॉन्टेक्स्ट प्रोटोकॉल (MCP) यांसारखे शब्द ऐकायला मिळतील. या संकल्पनांचा तपशीलवार आढावा येथे आहे:

टोकन्स: टोकन्स म्हणजे मॉडेलमधील मजकूराची सर्वात छोटी एकक. ते शब्द, अक्षर, किंवा उपशब्द असू शकतात. टोकन्स मजकूर डेटा एका अशा स्वरूपात सादर करतात जे मॉडेल समजू शकते. उदाहरणार्थ, वाक्य "The quick brown fox jumped over the lazy dog" टोकनाइजेशन पद्धतीनुसार ["The", " quick", " brown", " fox", " jumped", " over", " the", " lazy", " dog"] किंवा ["The", " qu", "ick", " br", "own", " fox", " jump", "ed", " over", " the", " la", "zy", " dog"] अशी असू शकते.

Figure: Generative AI tokens example of breaking words into tokens

टोकनायझेशन म्हणजे मजकूराला अशा लहान घटकांमध्ये विभागण्याची प्रक्रिया. हे आवश्यक आहे कारण मॉडेल्स मूळ मजकूराभोवती नव्हे तर टोकन्सवर कार्य करतात. प्रॉम्प्टमधील टोकन्सची संख्या मॉडेलच्या प्रतिसादाच्या लांबी आणि गुणवत्तेला प्रभावित करते, कारण मॉडेल्सना त्यांच्या संदर्भ विंडोसाठी टोकन मर्यादा असतात (उदा. GPT-4o ची एकूण संदर्भ मर्यादा 128K टोकन्स, ज्यात इनपुट आणि आउटपुट दोन्ही समाविष्ट आहेत).

जावामध्ये, OpenAI SDK सारख्या लायब्ररी वापरून टोकनायझेशन आपोआप हाताळले जाऊ शकते AI मॉडेल्सना विनंत्या पाठवताना.

एम्बेडिंग्ज: एम्बेडिंग्ज म्हणजे टोकन्सचे वैक्टर प्रतिनिधित्व जे सांकेतिक अर्थ पकडतात. ते संख्यात्मक प्रतिनिधित्व (सामान्यतः फ्लोटिंग-पॉइंट संख्यांमधील अ‍ॅरे) आहेत जे मॉडेलला शब्दांमधील संबंध समजून घेत आणि संदर्भानुरूप प्रतिसाद तयार करण्यात मदत करतात. सारखे शब्द सारखे एम्बेडिंग्ज असतात ज्यामुळे मॉडेल समानार्थी शब्द आणि अर्थपूर्ण संबंध समजून घेऊ शकते.

Figure: Embeddings

जावामध्ये, OpenAI SDK किंवा इतर एम्बेडिंग निर्मितीस समर्थन करणाऱ्या लायब्ररी वापरून एम्बेडिंग्ज तयार करू शकता. या एम्बेडिंग्जचा वापर सेमॅंटिक शोधासाठी होतो, जिथे तुम्हाला नेमका मजकूर जुळण्यापेक्षा अर्थानुसार समान सामग्री शोधायची असते.

व्हेक्टर डेटाबेस: व्हेक्टर डेटाबेस म्हणजे एम्बेडिंग्जसाठी ऑप्टिमायझ्ड विशेष साठवण प्रणाली. ही प्रभावी समानता शोध सक्षम करतात आणि Retrieval-Augmented Generation (RAG) पॅटर्नसाठी महत्त्वाची आहेत, जेथे मोठ्या डेटासेटमधून अर्थानुसार संबंधित माहिती शोधायची असते, नेमक्‍या जुळण्याऐवजी.

Figure: Vector database architecture showing how embeddings are stored and retrieved for similarity search.

टीप: या कोर्समध्ये आपण व्हेक्टर डेटाबेसवर चर्चा करणार नाही, पण ते उल्लेखनीय आहेत कारण प्रत्यक्ष वापरातील अनुप्रयोगांमध्ये त्यांचा खूप वापर होतो.

एजंट्स & MCP: मॉडेल्स, साधने आणि बाह्य प्रणालींसह स्वायत्तपणे संवाद साधणारे AI घटक. मॉडेल कॉन्टेक्स्ट प्रोटोकॉल (MCP) एजंट्सना बाह्य डेटा स्रोत आणि साधनांशी सुरक्षितपणे संवाद साधण्यासाठी एक प्रमाणित मार्ग पुरवतो. आमच्या MCP for Beginners कोर्समध्ये अधिक जाणून घ्या.

जावा AI अनुप्रयोगांत तुम्ही मजकूर प्रक्रियेसाठी टोकन्स, सेमॅंटिक शोध आणि RAG साठी एम्बेडिंग्ज, डेटा पुनर्प्राप्तीसाठी व्हेक्टर डेटाबेस, आणि बुद्धिमान, साधने वापरणाऱ्या प्रणाली तयार करण्यासाठी MCP सह एजंट्स वापराल.

Figure: how a prompt becomes a reply—tokens, vectors, optional RAG lookup, LLM thinking, and an MCP agent all in one quick flow..

जावासाठी AI विकास साधने आणि लायब्ररी

जावा AI विकासासाठी उत्कृष्ट टूलिंग प्रदान करतो. या कोर्समध्ये आपण तीन मुख्य लायब्ररी अन्वेषण करू - OpenAI Java SDK, Azure OpenAI SDK, आणि Spring AI.

प्रत्येक प्रकरणातील उदाहरणे कोणत्या SDKच्या वापराने आहेत यासाठी जलद संदर्भ टेबल येथे आहे:

प्रकरण	नमुना	SDK
02-SetupDevEnvironment	basic-chat-azure	Spring AI Azure OpenAI
03-CoreGenerativeAITechniques	examples	Azure OpenAI SDK
04-PracticalSamples	petstory	OpenAI Java SDK
04-PracticalSamples	foundrylocal	OpenAI Java SDK
04-PracticalSamples	calculator	Spring AI MCP SDK + LangChain4j

SDK दस्तऐवजीकरण दुवे:

OpenAI Java SDK

OpenAI SDK हा OpenAI API साठी अधिकृत जावा लायब्ररी आहे. हे OpenAI च्या मॉडेल्सशी संवाद साधण्यासाठी सोपा आणि सुसंगत इंटरफेस पुरवतो, ज्यामुळे जावा अनुप्रयोगांमध्ये AI क्षमता समाकलित करणे सोपे होते. प्रकरण 4 मधील Pet Story अनुप्रयोग आणि Foundry Local उदाहरण OpenAI SDK वापरून Azure AI Foundryसह कसे काम होते हे दाखवतात.

Spring AI

Spring AI हा एक संपूर्ण फ्रेमवर्क आहे जो Spring अनुप्रयोगांमध्ये AI क्षमता आणतो, विविध AI पुरवठादारांमध्ये सुसंगत abstraction layer पुरवतो. तो Spring परिसंस्थेशी अखंडपणे एकत्रित होतो, त्यामुळे उद्यम जावा अनुप्रयोगांसाठी AI क्षमता असलेले उत्पादन-तयार अ‍ॅप तयार करणे सहज होते.

Spring AI ची ताकद त्याच्या Spring परिसंस्थेशी अखंड योग्य समाकलनात आहे, ज्यामुळे dependency injection, कॉन्फिगरेशन व्यवस्थापन, आणि टेस्टिंग फ्रेमवर्कसारख्याच परिचित Spring पद्धती वापरून उत्पादन-तयार AI अनुप्रयोग तयार करणे सोपे होते. तुम्ही प्रकरण 2 आणि 4 मध्ये Spring AI वापरून OpenAI आणि Model Context Protocol (MCP) Spring AI लायब्ररींचा लाभ घेऊन अनुप्रयोग बनवाल.

मॉडेल कॉन्टेक्स्ट प्रोटोकॉल (MCP)

मॉडेल कॉन्टेक्स्ट प्रोटोकॉल (MCP) हा एक उदयोन्मुख मानक आहे जो AI अनुप्रयोगांना बाह्य डेटा स्त्रोत आणि साधनांशी सुरक्षितपणे संवाद साधण्यास सक्षम करतो. MCP AI मॉडेल्सना संदर्भ माहिती आणि क्रियाकलाप तुमच्या अनुप्रयोगांमध्ये अंमलबजावणी करण्याचा प्रमाणित मार्ग पुरवतो.

प्रकरण 4 मध्ये, तुम्ही एक सोपा MCP कॅलकुलेटर सेवा तयार कराल जी Spring AI सह Model Context Protocol च्या मूलभूत गोष्टी दाखवते, ज्यात मूलभूत साधन समाकलन आणि सेवा आर्किटेक्चर कसे तयार करायचे ते शिकवले जाते.

Azure OpenAI Java SDK

Azure OpenAI जावा क्लायंट लायब्ररी ही OpenAI च्या REST APIs चा एक रूपांतर आहे, जी Azure SDK परिसंस्थेतील बाकी लायब्ररींसोबत चांगले एकत्रित होईल असा पारंपरिक इंटरफेस पुरवते. प्रकरण 3 मध्ये, तुम्ही Azure OpenAI SDK वापरून चॅट अनुप्रयोग, फंक्शन कॉलिंग, आणि RAG (Retrieval-Augmented Generation) पॅटर्नसह अर्ज बनवाल.

टीप: Azure OpenAI SDK OpenAI Java SDK च्या तुलनेत फीचर्समध्ये मागे आहे, त्यामुळे भविष्यातील प्रकल्पांसाठी OpenAI Java SDK वापरण्याचा विचार करा.

सारांश

मूळ गोष्टी संपल्या! तुम्ही आता समजले आहात:

जनरेटिव AI मागील मुख्य संकल्पना – LLMs आणि प्रॉम्प्ट इंजिनिअरिंगपासून टोकन्स, एम्बेडिंग्ज, आणि व्हेक्टर डेटाबेसपर्यंत
जावा AI विकासासाठी तुमच्या टूलकिट पर्याय: Azure OpenAI SDK, Spring AI, आणि OpenAI Java SDK
मॉडेल कॉन्टेक्स्ट प्रोटोकॉल काय आहे आणि AI एजंट्सना बाह्य साधने कशी वापरायची याला कसे सक्षम करते

पुढील पावले

प्रकरण 2: विकास पर्यावरण सेट करणे

अस्वीकरण: हा दस्तऐवज AI भाषांतर सेवा Co-op Translator चा वापर करून अनुवादित केला आहे. जरी आम्ही अचूकतेसाठी प्रयत्न करतो, तरी कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेची कमतरता असू शकते. मूळ दस्तऐवज त्याच्या मूळ भाषेत अधिकृत स्रोत मानला पाहिजे. महत्त्वाची माहिती असल्यास, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराच्या वापरामुळे उद्भवणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थलावणीसाठी आम्ही जबाबदार नाही.