एआई कैसे सीखता है?

एआई कैसे सीखता है? - यह गाइड सरल भाषा में मुख्य अवधारणाओं को समझाती है - उदाहरणों, कुछ छोटे-मोटे बदलावों और कुछ अपूर्ण उपमाओं के साथ, जो फिर भी कुछ हद तक मददगार साबित होती हैं। चलिए शुरू करते हैं। 🙂

इस लेख के बाद आप ये लेख भी पढ़ सकते हैं:

🔗 प्रेडिक्टिव एआई क्या है?
भविष्यसूचक मॉडल ऐतिहासिक और वास्तविक समय के डेटा का उपयोग करके परिणामों का पूर्वानुमान कैसे लगाते हैं।.

🔗 एआई किन उद्योगों को प्रभावित करेगा?
स्वचालन, विश्लेषण और एजेंटों द्वारा सबसे अधिक परिवर्तित होने की संभावना वाले क्षेत्र।.

🔗 जीपीटी का पूरा नाम क्या है?
जीपीटी संक्षिप्त नाम और इसकी उत्पत्ति की स्पष्ट व्याख्या।.

🔗 एआई कौशल क्या हैं?
एआई सिस्टम के निर्माण, तैनाती और प्रबंधन के लिए आवश्यक मुख्य दक्षताएं।.

तो, यह कैसे करता है? ✅

जब लोग पूछते हैं कि एआई कैसे सीखता है?, तो उनका आमतौर पर मतलब होता है: मॉडल सिर्फ दिखावटी गणितीय खिलौनों के बजाय उपयोगी कैसे बन जाते हैं। इसका उत्तर एक विधि में निहित है:

स्पष्ट उद्देश्य - एक हानि फ़ंक्शन जो परिभाषित करता है कि "अच्छा" का क्या अर्थ है। [1]
गुणवत्तापूर्ण डेटा - विविध, स्वच्छ और प्रासंगिक। मात्रा मददगार होती है; विविधता और भी अधिक मददगार होती है। [1]
स्थिर अनुकूलन - चट्टान से गिरने से बचने के लिए युक्तियों के साथ ग्रेडिएंट डिसेंट। [1], [2]
सामान्यीकरण - नए डेटा पर सफलता, न कि केवल प्रशिक्षण सेट पर। [1]
प्रतिक्रिया लूप - मूल्यांकन, त्रुटि विश्लेषण और पुनरावृति। [2], [3]
सुरक्षा और विश्वसनीयता - सुरक्षा उपाय, परीक्षण और प्रलेखन ताकि अराजकता न हो। [4]

आसान बुनियादी बातों के लिए, क्लासिक डीप लर्निंग टेक्स्ट, विज़ुअल-फ्रेंडली कोर्स नोट्स और एक प्रैक्टिकल क्रैश कोर्स आपको प्रतीकों में उलझाए बिना आवश्यक बातों को कवर करते हैं। [1]–[3]

कृत्रिम बुद्धिमत्ता कैसे सीखती है? इसका संक्षिप्त उत्तर सरल शब्दों में ✍️

एक एआई मॉडल यादृच्छिक पैरामीटर मानों से शुरू होता है। यह एक भविष्यवाणी करता है। आप उस भविष्यवाणी को हानि ग्रेडिएंट का उपयोग करके हानि को कम करने के लिए उन पैरामीटरों को समायोजित करते हैं । इस प्रक्रिया को कई उदाहरणों पर तब तक दोहराएं जब तक कि मॉडल में सुधार होना बंद न हो जाए (या आपके पास स्नैक्स खत्म न हो जाएं)। संक्षेप में, यही प्रशिक्षण प्रक्रिया है। [1], [2]

यदि आपको थोड़ी अधिक सटीकता चाहिए, तो नीचे ग्रेडिएंट डिसेंट और बैकप्रोपैगेशन पर अनुभाग देखें। त्वरित और आसानी से समझ में आने वाली पृष्ठभूमि के लिए, छोटे व्याख्यान और प्रयोगशालाएँ व्यापक रूप से उपलब्ध हैं। [2], [3]

बुनियादी बातें: डेटा, उद्देश्य, अनुकूलन 🧩

डेटा : इनपुट (x) और लक्ष्य (y)। डेटा जितना व्यापक और स्पष्ट होगा, सामान्यीकरण की संभावना उतनी ही बेहतर होगी। डेटा क्यूरेशन आकर्षक नहीं है, लेकिन यह एक गुमनाम नायक है। [1]
मॉडल : पैरामीटर (\theta) के साथ एक फ़ंक्शन (f_\theta(x))। तंत्रिका नेटवर्क सरल इकाइयों के ढेर होते हैं जो जटिल तरीकों से जुड़ते हैं—लेगो ईंटें, लेकिन अधिक लचीली। [1]
उद्देश्य : एक हानि (L(f_\theta(x), y)) जो त्रुटि को मापती है। उदाहरण: माध्य वर्ग त्रुटि (प्रतिगमन) और क्रॉस-एंट्रोपी (वर्गीकरण)। [1]
अनुकूलन : पैरामीटर अपडेट करने के लिए (स्टोकेस्टिक) ग्रेडिएंट डिसेंट का उपयोग करें: (\theta \leftarrow \theta - \eta \nabla_\theta L)। लर्निंग रेट (\eta): बहुत बड़ा होने पर आप इधर-उधर उछलते रहते हैं; बहुत छोटा होने पर आप हमेशा के लिए झपकी लेते रहते हैं। [2]

हानि कार्यों और अनुकूलन के लिए स्पष्ट परिचय के लिए, प्रशिक्षण युक्तियों और कमियों पर क्लासिक नोट्स एक बेहतरीन सरसरी नज़र हैं। [2]

पर्यवेक्षित अधिगम: लेबल किए गए उदाहरणों से सीखें 🎯

विचार : इनपुट और सही उत्तर के मॉडल युग्म दिखाएँ। मॉडल एक मैपिंग (x → y) सीखता है।

सामान्य कार्य : छवि वर्गीकरण, भावना विश्लेषण, सारणीबद्ध भविष्यवाणी, वाक् पहचान।
विशिष्ट हानियाँ : वर्गीकरण के लिए क्रॉस-एंट्रोपी, प्रतिगमन के लिए माध्य वर्ग त्रुटि। [1]
संभावित समस्याएं : लेबल संबंधी गड़बड़ी, वर्ग असंतुलन, डेटा रिसाव।
सुधार : स्तरीकृत नमूनाकरण, मजबूत हानि, नियमितीकरण और अधिक विविध डेटा संग्रह। [1], [2]

दशकों के बेंचमार्क और उत्पादन अभ्यास के आधार पर, पर्यवेक्षित शिक्षण मुख्य आधार बना हुआ है क्योंकि परिणाम पूर्वानुमानित होते हैं और मेट्रिक्स सीधे होते हैं। [1], [3]

अनसुपरवाइज्ड और सेल्फ-सुपरवाइज्ड लर्निंग: डेटा की संरचना सीखें 🔍

अनसुपरवाइज्ड लर्निंग में लेबल के बिना ही पैटर्न सीखे जाते हैं।

क्लस्टरिंग : समान बिंदुओं को समूहित करना—के-मीन्स एक सरल और आश्चर्यजनक रूप से उपयोगी विधि है।
आयाम में कमी : डेटा को आवश्यक दिशाओं में संपीड़ित करना—पीसीए एक प्रवेश द्वार उपकरण है।
घनत्व/जनरेटिव मॉडलिंग : डेटा वितरण को स्वयं सीखें। [1]

स्व-पर्यवेक्षित आधुनिक इंजन है: मॉडल अपना स्वयं का पर्यवेक्षण (मास्क्ड प्रेडिक्शन, कंट्रास्टिव लर्निंग) बनाते हैं, जिससे आप अनलेबल डेटा के विशाल भंडार पर प्रीट्रेन कर सकते हैं और बाद में फाइन-ट्यून कर सकते हैं। [1]

पुनर्बलन अधिगम: करके सीखना और प्रतिक्रिया प्राप्त करना 🕹️

एक एजेंट किसी वातावरण , पुरस्कार और एक ऐसी नीति जो दीर्घकालिक पुरस्कार को अधिकतम करती है।

मुख्य घटक : स्थिति, क्रिया, पुरस्कार, नीति, मूल्य फलन।
एल्गोरिदम : क्यू-लर्निंग, पॉलिसी ग्रेडिएंट्स, एक्टर-क्रिटिक।
अन्वेषण बनाम शोषण : नई चीजों को आजमाना या जो काम कर रहा है उसका पुनः उपयोग करना।
श्रेय निर्धारण : किस क्रिया के कारण कौन सा परिणाम उत्पन्न हुआ?

जब पुरस्कार अव्यवस्थित होते हैं तो मानवीय प्रतिक्रिया प्रशिक्षण का मार्गदर्शन कर सकती है—रैंकिंग या प्राथमिकताएं सही पुरस्कार को मैन्युअल रूप से कोड किए बिना व्यवहार को आकार देने में मदद करती हैं। [5]

डीप लर्निंग, बैकप्रॉप और ग्रेडिएंट डिसेंट - ये सब इस तकनीक की धड़कन हैं 🫀

न्यूरल नेट सरल कार्यों का संयोजन होते हैं। सीखने के लिए, वे बैकप्रॉपैगेशन ।

फॉरवर्ड पास : इनपुट से पूर्वानुमानों की गणना करें।
हानि : पूर्वानुमानों और लक्ष्यों के बीच माप त्रुटि।
बैकवर्ड पास : प्रत्येक पैरामीटर के सापेक्ष हानि के ग्रेडिएंट की गणना करने के लिए चेन रूल लागू करें।
अपडेट : ऑप्टिमाइज़र का उपयोग करके ग्रेडिएंट के अनुसार पैरामीटर को समायोजित करें।

ड्रॉपआउट , वेट डीके और अर्ली स्टॉपिंग जैसी नियमितीकरण विधियाँ मॉडल को याद रखने के बजाय सामान्यीकरण करने में मदद करती हैं। [1], [2]

ट्रांसफॉर्मर्स और ध्यान: आधुनिक मॉडल स्मार्ट क्यों लगते हैं 🧠✨

ट्रांसफॉर्मर ने भाषा और दृष्टि में कई आवर्ती सेटअपों को प्रतिस्थापित कर दिया है। मुख्य तकनीक स्व-ध्यान , जो मॉडल को संदर्भ के आधार पर अपने इनपुट के विभिन्न भागों को महत्व देने की अनुमति देती है। स्थितिगत एन्कोडिंग क्रम को संभालती है, और बहु-शीर्ष ध्यान मॉडल को एक ही समय में विभिन्न संबंधों पर ध्यान केंद्रित करने देता है। स्केलिंग - अधिक विविध डेटा, अधिक पैरामीटर, लंबा प्रशिक्षण - अक्सर मदद करता है, लेकिन प्रतिफल घटते जाते हैं और लागत बढ़ती जाती है। [1], [2]

सामान्यीकरण, अति-फिटिंग और पूर्वाग्रह-विचरण का जटिल खेल 🩰

एक मॉडल प्रशिक्षण सेट में उत्कृष्ट प्रदर्शन कर सकता है और फिर भी वास्तविक दुनिया में विफल हो सकता है।.

ओवरफिटिंग : अनावश्यक डेटा को याद रखता है। प्रशिक्षण त्रुटि कम होती है, परीक्षण त्रुटि बढ़ती है।
अंडरफिटिंग : बहुत सरल; संकेत चूक जाता है।
पूर्वाग्रह-प्रसरण का परस्पर संतुलन : जटिलता पूर्वाग्रह को कम करती है लेकिन प्रसरण को बढ़ा सकती है।

बेहतर तरीके से सामान्यीकरण कैसे करें:

अधिक विविधतापूर्ण डेटा - विभिन्न स्रोत, डोमेन और विशिष्ट मामले।.
नियमितीकरण - ड्रॉपआउट, वेट डीके, डेटा ऑग्मेंटेशन।.
उचित सत्यापन - स्वच्छ परीक्षण सेट, छोटे डेटा के लिए क्रॉस-वैलिडेशन।.
समय के साथ डेटा वितरण में बदलाव की निगरानी करना - आपका डेटा वितरण समय के साथ बदलता रहेगा।.

जोखिम-जागरूक अभ्यास इन्हें जीवनचक्र गतिविधियों के रूप में देखता है - शासन, मानचित्रण, माप और प्रबंधन - न कि एक बार की चेकलिस्ट। [4]

महत्वपूर्ण मापदंड: हमें कैसे पता चलता है कि सीखना हुआ है 📈

वर्गीकरण : सटीकता, परिशुद्धता, रिकॉल, F1, ROC AUC। असंतुलित डेटा के लिए परिशुद्धता-रिकॉल वक्रों की आवश्यकता होती है। [3]
प्रतिगमन : एमएसई, एमएई, (आर^2). [1]
रैंकिंग/पुनर्प्राप्ति : एमएपी, एनडीसीजी, रिकॉल@के. [1]
जनरेटिव मॉडल : जटिलता (भाषा), BLEU/ROUGE/CIDEr (पाठ), CLIP-आधारित स्कोर (बहुआयामी), और - महत्वपूर्ण रूप से - मानव मूल्यांकन। [1], [3]

उपयोगकर्ता प्रभाव के अनुरूप मेट्रिक्स चुनें। यदि गलत सकारात्मक परिणाम वास्तविक लागत हैं तो सटीकता में मामूली वृद्धि अप्रासंगिक हो सकती है। [3]

वास्तविक दुनिया में प्रशिक्षण कार्यप्रणाली: एक सरल खाका 🛠️

समस्या को परिभाषित करें - इनपुट, आउटपुट, बाधाएं और सफलता के मानदंड निर्धारित करें।
डेटा पाइपलाइन - संग्रह, लेबलिंग, सफाई, विभाजन, संवर्धन।
बेसलाइन - सरल से शुरू करें; लीनियर या ट्री बेसलाइन आश्चर्यजनक रूप से प्रतिस्पर्धी हैं।
मॉडलिंग - कुछ प्रकार की मॉडलिंग पद्धतियों को आजमाएं: ग्रेडिएंट-बूस्टेड ट्री (टेबुलर), सीएनएन (इमेज), ट्रांसफॉर्मर (टेक्स्ट)।
प्रशिक्षण - कार्यक्रम, सीखने की गति की रणनीतियाँ, जाँच बिंदु, आवश्यकता पड़ने पर मिश्रित परिशुद्धता।
मूल्यांकन - एब्लेशन और त्रुटि विश्लेषण। केवल औसत ही नहीं, बल्कि गलतियों पर भी ध्यान दें।
परिनियोजन - अनुमान पाइपलाइन, निगरानी, लॉगिंग, रोलबैक योजना।
बेहतर डेटा, फाइन-ट्यूनिंग या आर्किटेक्चर में बदलाव के लिए बार-बार प्रयास करें

एक छोटा सा उदाहरण : एक ईमेल-वर्गीकरण परियोजना एक सरल रैखिक आधार रेखा से शुरू हुई, फिर एक पूर्व-प्रशिक्षित ट्रांसफार्मर को परिष्कृत किया गया। सबसे बड़ी सफलता मॉडल में नहीं थी, बल्कि लेबलिंग के नियमों को और अधिक सटीक बनाने और कम प्रतिनिधित्व वाली "किनारे" श्रेणियों को जोड़ने में थी। इन सभी को शामिल करने के बाद, सत्यापन F1 अंततः वास्तविक दुनिया के प्रदर्शन के अनुरूप हो गया। (भविष्य में आप स्वयं को बहुत-बहुत धन्यवाद देंगे।)

डेटा की गुणवत्ता, लेबलिंग और खुद से झूठ न बोलने की सूक्ष्म कला 🧼

गलत जानकारी देने पर पछतावा होगा। लेबलिंग दिशानिर्देश सुसंगत, मापने योग्य और समीक्षा के योग्य होने चाहिए। विभिन्न टिप्पणीकर्ताओं के बीच सहमति महत्वपूर्ण है।.

उदाहरणों, विशिष्ट परिस्थितियों और निर्णायक बिंदुओं सहित मूल्यांकन मानदंड लिखें।.
डुप्लिकेट और लगभग डुप्लिकेट डेटासेट की जांच करें।.
प्रत्येक उदाहरण के स्रोत का पता लगाएं - प्रत्येक उदाहरण कहाँ से आया है और इसे क्यों शामिल किया गया है।.
डेटा कवरेज का मूल्यांकन वास्तविक उपयोगकर्ता परिदृश्यों के आधार पर करें, न कि केवल एक सुव्यवस्थित बेंचमार्क के आधार पर।.

ये व्यापक आश्वासन और शासन ढांचे में अच्छी तरह से फिट बैठते हैं जिन्हें आप वास्तव में लागू कर सकते हैं। [4]

स्थानांतरण अधिगम, सूक्ष्म समायोजन और एडेप्टर - कठिन कार्यों का पुन: उपयोग ♻️

पूर्व-प्रशिक्षित मॉडल सामान्य निरूपण सीखते हैं; फाइन-ट्यूनिंग उन्हें कम डेटा के साथ आपके कार्य के अनुकूल बनाती है।.

फीचर एक्सट्रैक्शन : बैकबोन को फ्रीज करें, एक छोटे हेड को प्रशिक्षित करें।
पूर्ण फाइन-ट्यूनिंग : अधिकतम क्षमता के लिए सभी पैरामीटर अपडेट करें।
पैरामीटर-कुशल विधियाँ : एडेप्टर, LoRA-शैली के निम्न-रैंक अपडेट - तब अच्छे होते हैं जब कंप्यूटिंग सीमित हो।
डोमेन अनुकूलन : डोमेन में एम्बेडिंग को संरेखित करें; छोटे बदलाव, बड़े लाभ। [1], [2]

इस पुन: उपयोग के पैटर्न के कारण ही आधुनिक परियोजनाएं भारी बजट के बिना भी तेजी से आगे बढ़ सकती हैं।.

सुरक्षा, विश्वसनीयता और संरेखण - ये अनिवार्य पहलू हैं 🧯

सीखने का मतलब सिर्फ सटीकता नहीं है। आप ऐसे मॉडल भी चाहते हैं जो मजबूत, निष्पक्ष और इच्छित उपयोग के अनुरूप हों।.

प्रतिकूलता के प्रति दृढ़ता : छोटे-छोटे व्यवधान भी मॉडलों को भ्रमित कर सकते हैं।
पूर्वाग्रह और निष्पक्षता : केवल समग्र औसत के बजाय उपसमूह के प्रदर्शन का मूल्यांकन करें।
व्याख्यात्मकता : विशेषता निर्धारण और जांच-पड़ताल आपको यह समझने में मदद करती है कि ऐसा क्यों है ।
मानव हस्तक्षेप : अस्पष्ट या उच्च-प्रभाव वाले निर्णयों के लिए वृद्धि पथ। [4], [5]

प्राथमिकता-आधारित शिक्षण, उद्देश्यों के अस्पष्ट होने पर मानवीय निर्णय को शामिल करने का एक व्यावहारिक तरीका है। [5]

एक मिनट में अक्सर पूछे जाने वाले प्रश्न - फटाफट जवाब ⚡

तो, वास्तव में, एआई कैसे सीखता है? हानि के विरुद्ध पुनरावृत्ति अनुकूलन के माध्यम से, प्रवणता मापदंडों को बेहतर भविष्यवाणियों की ओर निर्देशित करती है। [1], [2]
क्या अधिक डेटा हमेशा मददगार होता है? आमतौर पर, जब तक कि प्रतिफल कम न होने लगे। विविधता अक्सर मात्रा से बेहतर होती है। [1]
यदि लेबल अव्यवस्थित हों तो क्या होगा? शोर-प्रतिरोधी विधियों, बेहतर रूब्रिक्स का उपयोग करें और स्व-पर्यवेक्षित पूर्वप्रशिक्षण पर विचार करें। [1]
ट्रांसफॉर्मर क्यों हावी हैं? ध्यान अच्छी तरह से बढ़ता है और लंबी दूरी की निर्भरताओं को पकड़ता है; उपकरण परिपक्व हैं। [1], [2]
मुझे कैसे पता चलेगा कि प्रशिक्षण पूरा हो गया है? सत्यापन हानि स्थिर हो जाती है, मेट्रिक्स स्थिर हो जाते हैं, और नया डेटा अपेक्षा के अनुसार व्यवहार करता है - फिर विचलन की निगरानी करें। [3], [4]

तुलना तालिका - ऐसे उपकरण जिनका आप आज वास्तव में उपयोग कर सकते हैं 🧰

जानबूझकर थोड़ा हटके बनाया गया है। कीमतें मुख्य पुस्तकालयों के लिए हैं - बड़े पैमाने पर प्रशिक्षण के लिए बुनियादी ढांचे की लागत तो आती ही है, जाहिर है।.

औजार	के लिए सर्वश्रेष्ठ	कीमत	यह अच्छी तरह से काम क्यों करता है?
पायटॉर्च	शोधकर्ता, निर्माता	मुफ़्त - ओपन सोर्स	गतिशील ग्राफ, मजबूत पारिस्थितिकी तंत्र, बेहतरीन ट्यूटोरियल।.
टेन्सरफ्लो	उत्पादन टीमें	मुफ़्त - ओपन सोर्स	परिपक्व सेवा, मोबाइल के लिए TF Lite; बड़ा समुदाय।.
scikit-learn	सारणीबद्ध डेटा, आधारभूत रेखाएँ	मुक्त	साफ-सुथरा एपीआई, तेजी से बदलाव करने की सुविधा, बेहतरीन दस्तावेज़।.
केरस	त्वरित प्रोटोटाइप	मुक्त	टीएफ पर आधारित उच्च-स्तरीय एपीआई, पठनीय परतें।.
जैक्स	शक्तिशाली उपयोगकर्ता, अनुसंधान	मुक्त	ऑटो-वेक्टराइजेशन, XLA की गति, और सुरुचिपूर्ण गणितीय अनुभव।.
गले लगाने वाले चेहरे वाले ट्रांसफॉर्मर	एनएलपी, दृष्टि, ऑडियो	मुक्त	पूर्व-प्रशिक्षित मॉडल, सरल फाइन-ट्यूनिंग, शानदार हब।.
बिजली चमकना	प्रशिक्षण कार्यप्रवाह	निःशुल्क कोर	संरचना, लॉगिंग, मल्टी-जीपीयू बैटरी शामिल हैं।.
एक्सजीबूस्ट	सारणीबद्ध प्रतिस्पर्धी	मुक्त	मजबूत आधारभूत आंकड़े, संरचित डेटा पर अक्सर जीत दिलाते हैं।.
भार और पूर्वाग्रह	प्रयोग ट्रैकिंग	निःशुल्क स्तर	पुनरुत्पादनीयता, तुलनात्मक परीक्षण, तीव्र शिक्षण लूप।.

शुरुआत के लिए कुछ विश्वसनीय दस्तावेज़: PyTorch, TensorFlow और scikit-learn की उपयोगी उपयोगकर्ता मार्गदर्शिका। (इनमें से कोई एक चुनें, कुछ छोटा सा बनाएं और फिर उसमें सुधार करें।)

गहन विश्लेषण: व्यावहारिक सुझाव जो आपका काफी समय बचाएंगे 🧭

सीखने की दर अनुसूची : कोसाइन क्षय या एक-चक्र प्रशिक्षण को स्थिर कर सकता है।
बैच का आकार : बड़ा होना हमेशा बेहतर नहीं होता - केवल थ्रूपुट ही नहीं, बल्कि सत्यापन मेट्रिक्स पर भी ध्यान दें।
वेट इनिट : आधुनिक डिफ़ॉल्ट सेटिंग्स ठीक हैं; यदि प्रशिक्षण रुक जाता है, तो आरंभीकरण पर पुनर्विचार करें या प्रारंभिक परतों को सामान्य करें।
सामान्यीकरण : बैच नॉर्म या लेयर नॉर्म ऑप्टिमाइजेशन को काफी हद तक सुगम बना सकते हैं।
डेटा संवर्धन : छवियों के लिए फ़्लिप/क्रॉप/कलर जिटर; टेक्स्ट के लिए मास्किंग/टोकन शफ़लिंग।
त्रुटि विश्लेषण : त्रुटियों को स्लाइस के अनुसार समूहित करें - एक अपवाद पूरे सिस्टम को खराब कर सकता है।
पुनरुत्पादन : सीड्स सेट करें, हाइपरपैरामीटर लॉग करें, चेकपॉइंट सहेजें। भविष्य में आप आभारी होंगे, मैं वादा करता हूँ। [2], [3]

जब संदेह हो, तो मूल बातों पर फिर से विचार करें। बुनियादी सिद्धांत ही मार्गदर्शक बने रहते हैं। [1], [2]

एक छोटा सा रूपक जो लगभग कारगर साबित होता है 🪴

किसी मॉडल को प्रशिक्षित करना, किसी पौधे को एक अजीब नोजल से पानी देने जैसा है। बहुत ज़्यादा पानी देने से पौधा पानी में डूब जाता है। बहुत कम पानी देने से पौधा सूख जाता है। सही तालमेल से, अच्छे डेटा से मिलने वाली धूप और स्पष्ट उद्देश्यों से मिलने वाले पोषक तत्वों के साथ, आपको विकास मिलेगा। हाँ, थोड़ा अटपटा लग सकता है, लेकिन यह बात समझ में आती है।.