Sarvam AI, बंगळूर-आधारित स्टार्टअपने, अलीकडेच एक महत्त्वपूर्ण 24-billion-parameter large language model (LLM) लाँच केले आहे. हे मॉडेल भारतीय भाषांमध्ये उत्कृष्ट कामगिरी करण्यासाठी आणि गणित आणि प्रोग्रामिंगसह गुंतागुंतीच्या तर्क क्षमतांना सामोरे जाण्यासाठी बारकाईने तयार केले आहे. हे नाविन्यपूर्ण मॉडेल, सर्वम-एम (येथे "एम" म्हणजे मिस्ट्रल), ओपन-वेट्स हायब्रीड मॉडेल्सच्या क्षेत्रात एक महत्त्वपूर्ण प्रगती दर्शवते. हे मिस्ट्रल स्मॉलच्या (Mistral Small) आधारावर तयार केले गेले आहे, जे एक कॉम्पॅक्ट पण प्रभावी ओपन-सोर्स भाषा मॉडेल आहे, विशेष प्रशिक्षण आणि ऑप्टिमायझेशन तंत्रांद्वारे त्याच्या क्षमता वाढवते.
सर्वम-एम: भाषा मॉडेलिंगसाठी हायब्रीड दृष्टीकोन
सर्वम-एम त्याच्या हायब्रीड दृष्टिकोनमुळे वेगळे ठरते, जे ओपन-सोर्स फाउंडेशनच्या सामर्थ्याला मालकीच्या वाढीसह एकत्र करते. हे डिझाइन तत्त्वज्ञान सर्वम AI ला मिस्ट्रल स्मॉल मॉडेलच्या सभोवतालचे सामूहिक ज्ञान आणि समुदायाचा पाठिंबा वापरण्यास सक्षम करते, त्याच वेळी ते भारतीय बाजाराच्या विशिष्ट गरजा पूर्ण करण्यासाठी तयार करते. मॉडेलची आर्किटेक्चर (architecture) आणि प्रशिक्षण पद्धती त्याची कार्यक्षमता आणि क्षमता समजून घेण्यासाठी महत्त्वाच्या आहेत.
सुपरवाईज्ड फाइन-ट्यूनिंग: अचूकता आणि नेमकेपणा
मॉडेलची अचूकता आणि नेमकेपणा वाढवण्यासाठी, सर्वम AI ने सुपरवाईज्ड फाइन-ट्यूनिंगची (supervised fine-tuning) एक पद्धतशीर प्रक्रिया वापरली. यात विविध कार्यांवर मॉडेलची कार्यक्षमता सुधारण्यासाठी खास डिझाइन केलेल्या उदाहरणांच्या काळजीपूर्वक क्युरेट केलेल्या डेटासेटवर मॉडेलला प्रशिक्षण देणे समाविष्ट आहे. मॉडेलला विविध परिस्थितींमध्ये आणून आणि त्याला स्पष्ट, लेबल केलेले डेटा प्रदान करून, सुपरवाईज्ड फाइन-ट्यूनिंग प्रक्रिया सर्वम-एमला डेटातील गुंतागुंतीचे नमुने आणि संबंध शिकण्यास सक्षम करते, परिणामी अधिक अचूक आणि विश्वसनीय आउटपुट मिळतात.
पडताळणीयोग्य पुरस्कारांसह मजबुतीकरण शिक्षण: निर्णय घेण्याची क्षमता
सुपरवाईज्ड फाइन-ट्यूनिंग व्यतिरिक्त, सर्वम AI ने मॉडेलच्या निर्णय घेण्याच्या क्षमता वाढवण्यासाठी पडताळणीयोग्य पुरस्कारांसह मजबुतीकरण शिक्षण (reinforcement learning) समाविष्ट केले. या तंत्रामध्ये गणितीय समस्या अचूकपणे सोडवण्यासारख्या स्पष्ट, मोजण्यायोग्य ध्येयांशी जोडलेल्या अभिप्रायाद्वारे शिकण्यासाठी मॉडेलला प्रशिक्षण देणे समाविष्ट आहे. या ध्येयांची पूर्तता केल्याबद्दल मॉडेलला पुरस्कृत करून, मजबुतीकरण शिक्षण प्रक्रिया त्याला अधिक चांगले निर्णय घेण्यास आणि कालांतराने त्याची कार्यक्षमता ऑप्टिमाइझ करण्यास प्रोत्साहित करते. हा दृष्टीकोन विशेषतः जटिल तर्क आणि समस्या-सोडवण कौशल्ये आवश्यक असलेल्या कार्यांसाठी प्रभावी आहे.
रिअल-टाइम वापरासाठी ऑप्टिमाइझ: कार्यक्षमता आणि प्रतिसाद
रिअल-टाइम कार्यक्षमतेचे महत्त्व ओळखून, सर्वम AI ने सर्वम-एमला उत्तरे तयार करताना, विशेषत: रिअल-टाइम वापरादरम्यान अधिक कार्यक्षमतेने आणि अचूकपणे प्रतिसाद देण्यासाठी बारकाईने ऑप्टिमाइझ केले. यात लेटन्सी (latency) कमी करण्यासाठी आणि थ्रुपुट (throughput) वाढवण्यासाठी मॉडेलचे आर्किटेक्चर आणि अल्गोरिदम (algorithms) फाइन-ट्यून करणे समाविष्ट आहे, ज्यामुळे वापरकर्त्यांना त्यांच्या प्रश्नांची वेळेवर आणि संबंधित उत्तरे मिळू शकतील. ऑप्टिमायझेशन प्रयत्नांनी संगणकीय ओव्हरहेड (computational overhead) कमी करण्यावर आणि मॉडेलची एकाच वेळी अनेक विनंत्या हाताळण्याची क्षमता सुधारण्यावर लक्ष केंद्रित केले, ज्यामुळे ते जास्त मागणी असलेल्या वातावरणात उपयोजनासाठी योग्य ठरते.
बेंचमार्किंग कार्यप्रदर्शन: नवीन मानके स्थापित करणे
सर्वम AI चा दावा आहे की सर्वम-एम भारतीय भाषांमधील आणि गणित आणि प्रोग्रामिंग कार्यांमधील त्याच्या आकाराच्या मॉडेल्ससाठी एक नवीन बेंचमार्क स्थापित करते, ज्याला विस्तृत बेंचमार्किंग डेटाद्वारे समर्थन दिले जाते. स्टार्टअपने विविध मानक बेंचमार्कवर मॉडेलच्या कार्यक्षमतेचे कठोर मूल्यांकन केले आणि इतर अत्याधुनिक मॉडेल्सच्या निकालांशी तुलना केली. या मूल्यांकनांच्या निकालांनी अनेक प्रमुख क्षेत्रांमध्ये सर्वम-एमने साध्य केलेली महत्त्वपूर्ण सुधारणा दर्शविली आहे.
भारतीय भाषेतील बेंचमार्क: सरासरी 20% कार्यक्षमतेत वाढ
सर्वम AI द्वारे जारी केलेल्या ब्लॉग पोस्टनुसार, सर्वम-एम मूळ मॉडेलपेक्षा लक्षणीय सुधारणा दर्शवते, भारतीय भाषेतील बेंचमार्कवर सरासरी 20% कार्यक्षमतेत वाढ झाली आहे. ही भरीव सुधारणा भारतीय भाषांची मॉडेलची समज आणि निर्मिती सुधारण्यात सुपरवाईज्ड फाइन-ट्यूनिंग प्रक्रियेची प्रभावीता अधोरेखित करते. या भाषांमधील बारकावे आणि गुंतागुंत हाताळण्याची मॉडेलची क्षमता भारतीय बाजारपेठेत त्याच्या दत्तक घेण्यासाठी आणि वापरासाठी महत्त्वपूर्ण आहे. कार्यक्षमतेचे मूल्यांकन करण्यासाठी वापरल्या जाणाऱ्या विशिष्ट बेंचमार्कमध्ये मजकूर वर्गीकरण, प्रश्न उत्तरे आणि मशीन भाषांतर यासारख्या कार्यांचा समावेश आहे, ज्यात विविध भाषिक आव्हाने समाविष्ट आहेत.
गणिताची कार्ये: सरासरी 21.6% कार्यक्षमतेत वाढ
भारतीय भाषांव्यतिरिक्त, सर्वम-एम गणिताच्या कार्यांवर देखील प्रभावी वाढ दर्शवते, सरासरी 21.6% सुधारणा झाली आहे. अचूकता आणि समस्या सोडवण्याच्या क्षमतेतील ही लक्षणीय वाढ मॉडेलच्या तर्क क्षमता वाढविण्यात पडताळणीयोग्य पुरस्कारांसह मजबुतीकरण शिक्षणाच्या तंत्राची प्रभावीता दर्शवते. गणितीय समस्या सोडवण्याची मॉडेलची क्षमता वित्तीय मॉडेलिंग, वैज्ञानिक संशोधन आणि डेटा विश्लेषण यासारख्या क्षेत्रांमध्ये त्याच्या उपयोगासाठी आवश्यक आहे. गणिताच्या कार्यांवरील कार्यक्षमतेचे मूल्यांकन करण्यासाठी वापरल्या जाणाऱ्या बेंचमार्कमध्ये बीजगणित, कॅल्क्युलस (calculus) आणि आकडेवारी यांसारख्या विविध क्षेत्रांतील समस्यांचा समावेश आहे. मॉडेलचे केवळ अचूक उत्तरे देण्याच्या क्षमतेचेच मूल्यांकन केले जात नाही, तर त्याची तर्क प्रक्रिया दर्शविण्याची आणि त्याच्या समाधानाचे समर्थन करण्याची क्षमता देखील तपासली जाते.
प्रोग्रामिंग चाचण्या: सरासरी 17.6% कार्यक्षमतेत वाढ
प्रोग्रामिंग चाचण्यांवरील सर्वम-एमची कामगिरी तितकीच उल्लेखनीय आहे, सरासरी 17.6% वाढ झाली आहे. ही सुधारणा विविध प्रोग्रामिंग भाषांमधील कोड समजून घेण्याची आणि तयार करण्याची मॉडेलची क्षमता दर्शवते, ज्यामुळे ते सॉफ्टवेअर डेव्हलपर्स (software developers) आणि अभियंत्यांसाठी एक मौल्यवान साधन बनते. प्रोग्रामिंगमधील मॉडेलची प्रवीणता कोड निर्मिती, बग शोधणे आणि स्वयंचलित चाचणी यांसारख्या क्षेत्रांमध्ये त्याच्या ऍप्लिकेशनसाठी महत्त्वपूर्ण आहे. प्रोग्रामिंग चाचण्यांवरील कार्यक्षमतेचे मूल्यांकन करण्यासाठी वापरल्या जाणाऱ्या बेंचमार्कमध्ये नैसर्गिक भाषेतील वर्णनांमधून कोड पूर्ण करणे, कोड दुरुस्ती आणि कोड निर्मिती यासारख्या कार्यांचा समावेश आहे. मॉडेलचे वाक्यरचनात्मकदृष्ट्या अचूक आणि अर्थपूर्ण कोड तयार करण्याच्या क्षमतेचे मूल्यांकन केले जाते जे दिलेल्या आवश्यकता पूर्ण करतात.
एकत्रित कार्ये: अपवादात्मक कार्यक्षमता
भारतीय भाषा आणि गणिताचे संयोजन असलेल्या कार्यांवर मॉडेल आणखी चांगले प्रदर्शन करते, जे त्याची अष्टपैलुत्व आणि भाषिक आणि तर्क कौशल्यांची आवश्यकता असलेल्या जटिल परिस्थिती हाताळण्याची क्षमता दर्शवते. उदाहरणार्थ, GSM-8K बेंचमार्कच्या रोमन लिपीतील भारतीय भाषेच्या आवृत्तीवर त्याने 86% सुधारणा साध्य केली. ही उल्लेखनीय सुधारणा मॉडेलला भारतीय भाषा आणि गणितीय संकल्पना या दोहोंच्या ज्ञानाचा उपयोग करून जटिल समस्या सोडवण्याची क्षमता अधोरेखित करते. GSM-8K बेंचमार्क हा मोठ्या प्रमाणावर वापरला जाणारा डेटासेट आहे जो नैसर्गिक भाषेत व्यक्त केलेल्या शालेय गणिताच्या समस्या सोडवण्याची मॉडेलची क्षमता तपासतो. या बेंचमार्कवरील मॉडेलची कामगिरी समस्या विधान समजून घेण्याची, संबंधित माहिती ओळखण्याची आणि योग्य गणितीय क्रिया लागू करून अचूक उत्तरापर्यंत पोहोचण्याची क्षमता दर्शवते. सर्वम-एमने साध्य केलेली 86% सुधारणा त्याच्या प्रगत तर्क क्षमता आणि जटिल, बहुआयामी कार्ये हाताळण्याच्या क्षमतेचा पुरावा आहे.
इतर मॉडेल्सशी तुलना: सर्वम-एम टिकून राहते
सर्वम AI च्या ब्लॉग पोस्टमध्ये सर्वम-एम आणि इतर प्रमुख भाषा मॉडेल्स (language models) यांच्यातील तुलना केली आहे, त्याच्या स्पर्धात्मक कार्यक्षमतेवर जोर दिला आहे. हे तुलनात्मक विश्लेषण मॉडेलची सामर्थ्ये आणि कमकुवतपणाबद्दल मौल्यवान अंतर्दृष्टी प्रदान करते, ज्यामुळे वापरकर्त्यांना त्यांच्या विशिष्ट गरजांसाठी त्याच्या योग्यतेबद्दल माहितीपूर्ण निर्णय घेता येतात. ब्लॉग पोस्ट या वस्तुस्थितीवर प्रकाश टाकते की सर्वम-एम बहुतेक बेंचमार्कवर Llama-2 7B पेक्षा सरस आहे आणि Llama-3 70B सारख्या मोठ्या डेन्स मॉडेल्स आणि Gemma 27B सारख्या मॉडेल्सच्या तुलनेत आहे, जे लक्षणीयरीत्या जास्त टोकनवर प्री-ट्रेन केलेले आहेत. या तुलना सर्वम-एमच्या प्रशिक्षण पद्धतीची कार्यक्षमता आणि तुलनेने लहान पॅरामीटर आकारासह स्पर्धात्मक कार्यक्षमता साध्य करण्याची क्षमता अधोरेखित करतात. कमी पॅरामीटर्ससह तुलनात्मक कार्यक्षमता साध्य करण्याची क्षमता कमी संगणकीय खर्च आणि जलद अनुमान गतीमध्ये रूपांतरित होते, ज्यामुळे सर्वम-एम अनेक वापरकर्त्यांसाठी अधिक व्यावहारिक आणि प्रवेशयोग्य उपाय बनते.
इंग्रजी ज्ञान-आधारित बेंचमार्क: सुधारणेला वाव
भारतीय भाषा आणि तर्क कार्यांवरील प्रभावी कामगिरी असूनही, सर्वम AI ने हे मान्य केले आहे की सर्वम-एमला MMLU सारख्या इंग्रजी ज्ञान-आधारित बेंचमार्क सुधारण्याची आवश्यकता आहे. या बेंचमार्कमध्ये, सर्वम-एम बेसलाइन मॉडेलपेक्षा सुमारे 1 टक्का कमी कामगिरी करते. कार्यक्षमतेतील ही किंचित घट दर्शवते की मॉडेलचा प्रशिक्षण डेटा भारतीय भाषा आणि तर्क कार्यांकडे झुकलेला असू शकतो, परिणामी इंग्रजी ज्ञानाची थोडीशी कमकुवत समज निर्माण झाली आहे. तथापि, सर्वम AI मॉडेलच्या प्रशिक्षण सेटमध्ये अधिक इंग्रजी भाषेचा डेटा समाविष्ट करून आणि इंग्रजी ज्ञान-आधारित कार्ये अधिक चांगल्या प्रकारे हाताळण्यासाठी मॉडेलचे आर्किटेक्चर फाइन-ट्यून करून या समस्येचे निराकरण करण्यासाठी सक्रियपणे कार्य करत आहे. कंपनी इंग्रजी भाषेतील बेंचमार्कवर इतर अत्याधुनिक मॉडेल्ससह समानता साध्य करण्यासाठी वचनबद्ध आहे, हे सुनिश्चित करते की सर्वम-एम एक अष्टपैलू आणि जागतिक स्तरावर स्पर्धात्मक भाषा मॉडेल आहे.
अष्टपैलुत्व आणि अनुप्रयोग: शक्यतांची विस्तृत श्रेणी
सर्वम-एम अष्टपैलुत्वासाठी तयार केले गेले आहे आणि संभाषणात्मक एजंट (conversational agents), भाषांतर आणि शैक्षणिक साधने यासह विस्तृत ऍप्लिकेशन्सना समर्थन देण्यासाठी डिझाइन केलेले आहे. भारतीय भाषा समजून घेण्याची आणि तयार करण्याची क्षमता, त्याच्या तर्क क्षमतांसह, ते भारतीय बाजारपेठेत कार्यरत असलेल्या व्यवसाय आणि संस्थांसाठी एक मौल्यवान संपत्ती बनवते.
संभाषणात्मक एजंट: ग्राहक सेवा वाढवणे
सर्वम-एमचा उपयोग संभाषणात्मक एजंटना शक्ती देण्यासाठी केला जाऊ शकतो जे ग्राहकांशी त्यांच्या मूळ भाषेत संवाद साधू शकतात, वैयक्तिकृत आणि कार्यक्षम ग्राहक सेवा प्रदान करतात. हे एजंट वारंवार विचारल्या जाणार्‍या प्रश्नांची उत्तरे देणे, उत्पादनाची माहिती प्रदान करणे आणि ग्राहकांच्या तक्रारींचे निराकरण करणे यासारखी विस्तृत कार्ये हाताळू शकतात. ग्राहकांना त्यांच्या पसंतीच्या भाषेत संवाद साधण्यास सक्षम करून, सर्वम-एम ग्राहकांचे समाधान आणि निष्ठा सुधारू शकते. सर्वम-एम द्वारे समर्थित संभाषणात्मक एजंट वेबसाइट्स, मोबाइल ऍप्स आणि मेसेजिंग प्लॅटफॉर्म (messaging platforms) यांसारख्या विविध प्लॅटफॉर्मवर तैनात केले जाऊ शकतात, जे ग्राहकांना अखंड आणि सोयीस्कर संप्रेषण अनुभव प्रदान करतात.
भाषांतर: भाषिक अडथळे दूर करणे
सर्वम-एमच्या भाषांतर क्षमतांचा उपयोग भाषिक अडथळे दूर करण्यासाठी आणि वेगवेगळ्या भाषा बोलणाऱ्या लोकांमध्ये संवाद सुलभ करण्यासाठी केला जाऊ शकतो. मॉडेल इंग्रजी आणि विविध भारतीय भाषांमध्ये मजकूर आणि भाषणाचे भाषांतर करू शकते, ज्यामुळे व्यवसायांना नवीन बाजारपेठेत त्यांचा विस्तार करता येतो आणि व्यक्तींना वेगवेगळ्या संस्कृतीतील लोकांशी जोडता येते. सर्वम-एम द्वारे समर्थित भाषांतर सेवा विविध ऍप्लिकेशन्समध्ये एकत्रित केल्या जाऊ शकतात, जसे की डॉक्युमेंट भाषांतर साधने, वेबसाइट भाषांतर प्लगइन (website translation plugins) आणि रिअल-टाइम भाषांतर ऍप्स (real-time translation apps), जे वापरकर्त्यांना अखंड आणि अचूक भाषांतर क्षमता प्रदान करतात.
शैक्षणिक साधने: वैयक्तिकृत शिक्षण अनुभव
सर्वम-एमचा उपयोग शैक्षणिक साधने विकसित करण्यासाठी केला जाऊ शकतो जी सर्व वयोगटातील विद्यार्थ्यांसाठी वैयक्तिकृत शिक्षण अनुभव प्रदान करतात. मॉडेल सानुकूलित शिक्षण सामग्री तयार करू शकते, विद्यार्थ्यांच्या कामावर अभिप्राय देऊ शकते आणि विद्यार्थ्यांच्या प्रश्नांची उत्तरे देऊ शकते. प्रत्येक विद्यार्थ्याच्या वैयक्तिक गरजा आणि शिक्षण शैलीनुसार शिक्षण अनुभव तयार करून, सर्वम-एम विद्यार्थ्यांची व्यस्तता आणि शैक्षणिक कामगिरी सुधारू शकते. सर्वम-एम द्वारे समर्थित शैक्षणिक साधने ऑनलाइन शिक्षण प्लॅटफॉर्म, मोबाइल ऍप्स (mobile apps) आणि इंटरऍक्टिव्ह टेक्स्टबुक (interactive textbooks) यांसारख्या विविध प्लॅटफॉर्मवर तैनात केली जाऊ शकतात, जे विद्यार्थ्यांना कधीही, कुठेही वैयक्तिकृत शिक्षण संसाधनांमध्ये प्रवेश प्रदान करतात.
प्रवेश आणि उपलब्धता: विकासकांना सक्षम करणे
सर्वम AI ने AI समुदायामध्ये नवोपक्रम आणि सहकार्याला प्रोत्साहन देऊन सर्वम-एम विकासक आणि संशोधकांसाठी सहज उपलब्ध केले आहे. मॉडेल हगिंग फेस (Hugging Face) वर डाउनलोड करण्यासाठी उपलब्ध आहे, जो ओपन-सोर्स AI मॉडेल शेअर (share) आणि एक्सेस (access) करण्यासाठी एक लोकप्रिय प्लॅटफॉर्म आहे. विकासक सर्वम AI च्या प्लेग्राउंडवर मॉडेलची चाचणी देखील घेऊ शकतात, जो वेब-आधारित इंटरफेस आहे जो वापरकर्त्यांना मॉडेलच्या क्षमतांचा प्रयोग करण्यास आणि त्याच्या संभाव्य ऍप्लिकेशन्सचा शोध घेण्यास अनुमती देतो. याव्यतिरिक्त, सर्वम AI APIs (APIs) ऑफर करते जे विकासकांना सर्वम-एमला त्यांच्या स्वतःच्या ऍप्लिकेशन्स (applications) आणि सेवांमध्ये एकत्रित करण्यास अनुमती देतात. मॉडेल आणि त्याच्या संबंधित साधनांमध्ये सुलभ प्रवेश प्रदान करून, सर्वम AI विकासकांना AI च्या सामर्थ्याचा उपयोग करणारी नाविन्यपूर्ण सोल्यूशन्स (solutions) तयार करण्यास सक्षम करत आहे.
भविष्यातील योजना: भारतात सार्वभौम AI इकोसिस्टम (ecosystem) तयार करणे
सर्वम AI ची भारतात सार्वभौम AI इकोसिस्टम (ecosystem) तयार करण्याच्या प्रयत्नांचा भाग म्हणून नियमितपणे मॉडेल्स (models) रिलीज (release) करण्याची योजना आहे. हे मॉडेल त्या योगदानाच्या मालिकेत पहिले आहे. कंपनी भारतीय लोकांच्या गरजा आणि मूल्यांनुसार असलेल्या AI तंत्रज्ञान विकसित आणि तैनात करण्यासाठी वचनबद्ध आहे. एक मजबूत देशांतर्गत AI उद्योग वाढवून, सर्वम AI चा भारताचे परदेशी तंत्रज्ञानावरील अवलंबित्व कमी करणे आणि आर्थिक विकास आणि सामाजिक विकासाला चालना देणे आहे. कंपनीची दृष्टी अशी AI इकोसिस्टम (ecosystem) तयार करण्याची आहे जी नाविन्यपूर्ण आणि सर्वसमावेशक दोन्ही असेल, हे सुनिश्चित करणे की सर्व भारतीयांना AI च्या लाभांमध्ये प्रवेश आहे.
एप्रिलच्या उत्तरार्धात, भारत सरकारने देशाच्या सार्वभौम LLM च्या निर्मितीसाठी सर्वमची निवड केली, जो भारत AI मिशनचा भाग आहे, जो उदयोन्मुख तंत्रज्ञानातील देशांतर्गत क्षमता मजबूत करण्याचा एक राष्ट्रीय प्रयत्न आहे. ही निवड भारतात सार्वभौम AI इकोसिस्टम (ecosystem) च्या दृष्टीकोनावर वितरण करण्याच्या सर्वम AI च्या क्षमतेवरील सरकारचा आत्मविश्वास अधोरेखित करते. भारत AI मिशन हा एक व्यापक उपक्रम आहे ज्याचा उद्देश AI मध्ये संशोधन आणि विकासाला प्रोत्साहन देणे, नवोपक्रम आणि उद्योजकतेला प्रोत्साहन देणे आणि AI उद्योगाला समर्थन देण्यासाठी एक कुशल कार्यबल तयार करणे आहे. सर्वम AI सोबत भागीदारी करून, सरकार आपले ध्येय साध्य करण्याच्या दिशेने एक महत्त्वपूर्ण पाऊल उचलत आहे आणि भारताला AI मध्ये जागतिक नेता म्हणून स्थापित करत आहे.