AI-सहयोगी जन्म समय सुधार: मेसिन लर्निङले प्रक्रिया कसरी छिटो बनाउँछ

संक्षिप्त उत्तर: AI-सहयोगी जन्म समय सुधारले त्यो श्रमसाध्य खोज-कार्यलाई स्वचालित बनाउँछ जुन कुनै ज्योतिषीले अन्यथा हातैले गर्नुपर्थ्यो। कम्प्युटरले हजारौं उम्मेद्वार कुण्डलीहरू बनाउँछ, हरेकलाई शास्त्रीय विंशोत्तरी दशा र मन्द-गति गोचरको तर्कमा आधारित स्कोरिङ नियमबाट तपाईंका मिति भएका घटनाहरूका विरुद्धमा जाँच्छ, र सम्भावित जन्म समयहरूको क्रमबद्ध सूची एउटा विश्वास-खिड़कीसहित फिर्ता दिन्छ। शास्त्रीय तर्क उस्तै रहन्छ। जे फेरिन्छ त्यो हो खोजको स्तर, अभिसरणको गति, र यो तथ्य कि नजिक प्रतिस्पर्धी उम्मेद्वारहरूबीचका सूक्ष्म असहमतिहरू हराउनुको साटो स्पष्ट रूपमा अगाडि आउँछन्। तर परिणाम स्वीकार्नुअघि सिपालु ज्योतिषीले अग्रणी उम्मेद्वारको कुण्डली अवश्य पढ्छन्।

हातको सुधारबाट स्वचालित खोजसम्म

ज्योतिषीहरूले सधैं हातैले गर्दै आएको काम

शास्त्रीय जन्म समय सुधार मूलतः एउटा मिलान-कार्य हो। ज्योतिषीसामु एउटा व्यक्ति बसेको हुन्छ, उनीसँग मिनेट वा घण्टा फरक हुनसक्ने एउटा दर्ज गरिएको जन्म समय हुन्छ, र त्यस व्यक्तिको जीवनका मिति भएका केही घटनाहरूको सूची हुन्छ। यसपछि काम विस्तारै लूपमा अघि बढ्छ। पहिले एउटा उम्मेद्वार समय छानिन्छ, त्यसबाट कुण्डली बनाइन्छ, सम्बन्धित दशकहरूको विंशोत्तरी दशा क्यालेन्डर खोलिन्छ, र हरेक घटनालाई त्यो मितिमा चलिरहेको महादशा-अन्तर्दशा स्वामीसँग जाँचिन्छ। त्यसमाथि मन्द-गति ग्रहहरूको गोचर पनि थपिन्छ, विशेष गरी शनिको। यदि उम्मेद्वार नौमध्ये सात घटनामा मिल्यो भने अघि बढ्छ; चारमा मात्र मिल्यो भने पन्छाइन्छ। त्यसपछि अर्को उम्मेद्वार बनाइन्छ, र लूप दोहोरिन्छ।

हातैले गर्दा एउटा उम्मेद्वारलाई सावधानीपूर्वक जाँच्न पन्ध्रदेखि तीस मिनेट लाग्छ। एउटा सामान्य सुधार-कार्यलाई सन्तोषजनक उत्तरमा पुग्न दसदेखि पन्ध्र उम्मेद्वारको जाँच चाहिन्छ। त्यसको अर्थ हुन्छ, ज्योतिषीले एउटै कुण्डलीमा धेरै दिन, कहिलेकाहीं पूरै हप्ता बिताउनुपर्छ। गणित कठिन छैन। धैर्य कठिन छ। पूरै शास्त्रीय प्रक्रियाको विवरण हाम्रो जीवन-घटना सुधार-विधि मार्गनिर्देशमा दिइएको छ।

कम्प्युटरले उही तर्कसँग के गर्न सक्छ

ज्योतिषीहरूले लागू गर्ने तर्क, अर्थात् दशा र गोचरको मिलान, यस्तो संरचनामा हुन्छ जुन सजिलै कुनै कम्प्युटर कार्यक्रममा अनुवाद हुन्छ। उम्मेद्वार बनाउनु समयमाथिको लूप हो। कुण्डली गणना गर्नु एफेमेरिस लाइब्रेरीको कल हो। दशा क्यालेन्डर चन्द्रमा आफ्नो जन्म नक्षत्रमा कहाँ छ भन्ने आधारमा निर्धारित कार्य हो। कुनै मितिमा मन्द-गति ग्रहहरूको स्थिति आधुनिक खगोल-इन्जिनमा पहिले नै सूचीबद्ध हुन्छ। एउटै भाग ध्यान दिएर अनुवाद गर्नुपर्ने हुन्छ, अर्थात् "के यो स्वामीले यो प्रकारको घटना देखाउँछ?" भन्ने स्कोरिङ नियम। एकपटक त्यो अनुवाद भएपछि, ज्योतिषीले कफी पिउँदै-पिउँदै चलाउने लूप कम्प्युटरले केही सेकेन्डमै दस लाख उम्मेद्वारमा चलाउन सक्छ।

यही नै AI-सहयोगी सुधारको व्यावहारिक प्रतिज्ञा हो। शास्त्रीय नियमहरू छुट्दैनन्; तिनै नै कार्यक्रम बन्छन्। फेरिने भनेको यति हो कि अब खोज अनुमान होइन, पूर्ण हुन्छ। दुई नजिकका प्रतिस्पर्धी उम्मेद्वारहरूबीचका सूक्ष्म असहमति थकानमा हराउनुको सट्टा स्कोर-फरकका रूपमा अगाडि आउँछन्। विश्वास-खिड़की पनि इमानदारीसाथ बताउन सकिन्छ, किनकि अग्रणी उम्मेद्वारको वरिपरिको हरेक विकल्प जाँचिएको हुन्छ, ज्योतिषीसँग जति समय थियो ती मात्र होइन।

"AI" किन, केवल "कम्प्युटर" किन होइन

साधारण ग्रिड-खोज, जसमा कार्यक्रमले निश्चित अन्तरालमा हरेक उम्मेद्वार आजमाउँछ र सबैभन्दा उच्च स्कोर पाउने उम्मेद्वार छान्छ, धेरै सुधार-कार्यका लागि पर्याप्त हुन्छ। त्यसमा मेसिन लर्निङको खासै आवश्यकता पर्दैन। आधुनिक तन्त्रहरूलाई "AI-सहयोगी" भन्नुको वास्तविक कारण ग्रिड-खोजको वरिपरि तिनले गर्ने काम हो: दर्ता समय कुन मात्रामा गलत हुनसक्ने पूर्व-सम्भावना अनुमान गर्नु, कुन घटनाहरूले प्रायः सशक्त दशा-छाप बोक्छन् र कुनले बोक्दैनन् भन्ने सिक्नु, र स्कोर-दृश्यका ती ढाँचाहरू पहिचान गर्नु जसलाई समतल ग्रिडले बेअर्थको अव्यवस्थाजस्तै ठान्दथ्यो। यिनै काम हुन् जहाँ साङ्ख्यिकीय अध्ययनले वास्तवमा सहयोग गर्छ। शास्त्रीय स्कोरिङ नियम तन्त्रको हृदयमै रहन्छ; AI त्यसको वरिपरि एउटा गति-वृद्धि र छनोट-यन्त्रका रूपमा बस्छ।

AI सुधार-तन्त्रको संरचना

पहिलो चरण: इनपुट सफा गर्ने

एउटा AI सुधार-तन्त्रले त्यही इनपुटहरू माग्छ जुन ज्योतिषीले माग्नुहुन्छ: जन्म मिति, जन्म स्थान, अनुमानित त्रुटि-खिड़कीसहितको दर्ता जन्म समय, र मिति भएका जीवन-घटनाहरूको सूची। तन्त्रको पहिलो चरणले कुनै कुण्डली बनाउँदैन। यसले इनपुट सफा गर्छ। स्थानको नामलाई अक्षांश, देशान्तर र त्यो मितिको लागि ऐतिहासिक रूपमा सही टाइमजोनमा परिणत गरिन्छ। यो काम सजिलो छैन, किनकि गत शताब्दीमा टाइमजोन नियमहरू धेरै पटक फेरिएका छन्। हरेक घटनाको मितिलाई सम्भव छ कि छैन भनेर जाँचिन्छ र एकैनासको ढाँचामा लेखिन्छ। दर्ता जन्म समयलाई पनि त्यसको अनिश्चितताका साथ पढिन्छ: "करिब राति नौ बजे" को अर्थ हुन्छ धेरै घण्टाको खिड़की, "लगभग ९:०० बजे" को अर्थ हुन्छ सायद तीस मिनेटको खिड़की, र "अस्पतालको रेकर्डबाट ९:१४ बजे" को अर्थ हुन्छ केवल एक-दुई मिनेटको खिड़की।

यो इनपुट-सफाइ चरण देखिएभन्दा बढी महत्वपूर्ण छ। बिग्रिएको टाइमजोन वा पन्ध्र किलोमिटरटाढाको गलत सहरले पनि लग्नलाई यति हल्लाउन सक्छ कि पछिको कुनै पनि उम्मेद्वार सही नबसोस्। त्यसपछि तन्त्रले हजारौं उम्मेद्वारमा श्रम बर्बाद गरेर पनि असफल हुन्छ। यसैले आधुनिक तन्त्रहरूले भू-कोडिङको शुद्धता, ऐतिहासिक टाइमजोन डेटाबेस र शङ्कास्पद अवस्थामा अनुमान गर्नुको सट्टा चिन्ह लगाइदिने सुरक्षित डिफल्टमा निकै लगानी गर्छन्।

दोस्रो चरण: उम्मेद्वार समूह बनाउने

सफा इनपुट हातमा हुनासाथ तन्त्रले मूल्याङ्कन गरिने उम्मेद्वार जन्म समयहरूको समूह बनाउँछ। सबैभन्दा सरल संस्करणले दर्ता-समयको खिड़कीलाई एउटा निश्चित अन्तरालमा, उदाहरणका लागि हरेक पन्ध्र सेकेन्डमा, बाँड्छ। यसले एक घण्टाको खिड़कीमा हजारौं उम्मेद्वार बनाउँछ। थप परिमार्जित संस्करणहरूले उम्मेद्वारको घनत्वलाई असमान राख्छन्: खिड़कीको बीचमा बाक्लो, किनारमा पातलो, र लग्न तथा नवांश लग्नका सीमाहरू नजिक थप घनत्व, ताकि कुनै सीमा-प्रभाव छुट्दैन।

हरेक उम्मेद्वारका लागि तन्त्रले पूर्ण कुण्डली बनाउँछ: लग्न, चन्द्रमाको आफ्नो जन्म नक्षत्रभित्रको ठ्याक्कै स्थिति, सम्बन्धित दशकहरूको विंशोत्तरी दशा क्यालेन्डर, कम्तीमा पनि दुईवटा वर्ग कुण्डलीहरू (नवांश र दशमांश), र हरेक घटना मितिमा मन्द-गति ग्रहहरूको स्थिति। यो तन्त्रको सबैभन्दा गणना-घन भाग हो। आधुनिक स्विस एफेमेरिस लाइब्रेरी, जसको विवरण Astro.com को स्विस एफेमेरिस पृष्ठमा छ र जुन धेरैजसो पेसेवर तन्त्रहरूले प्रयोग गर्छन्, एउटा कुण्डली केही मिलिसेकेन्डमै बनाउँछ। यसले हजारौं उम्मेद्वारको पूरै समूहलाई पनि कम्प्युटरका लागि सहज बोझ बनाइदिन्छ।

तेस्रो चरण: हरेक उम्मेद्वारको स्कोर निकाल्ने

तेस्रो चरणमा शास्त्रीय ज्योतिष र सङ्ख्यात्मक अप्टिमाइजेसनको प्रत्यक्ष भेट हुन्छ। हरेक उम्मेद्वार कुण्डलीका लागि तन्त्रले घटना-सूचीलाई क्रमशः पढ्छ र एउटा स्कोर निकाल्छ। यो स्कोरले हरेक घटनाको मिलान, आंशिक मिलान वा चूकको योग दिन्छ, र हरेक घटनाको शास्त्रीय छाप कति सशक्त छ त्यसअनुसार त्यसको भार तय हुन्छ। विवाह, आमाबाबुको मृत्यु, र मुख्य कर्मक्षेत्रको परिवर्तनलाई बढी भार दिइन्छ, किनकि तिनको शास्त्रीय छाप राम्ररी परिभाषित छ। साधारण घटनाहरूलाई कम भार दिइन्छ, वा तिनलाई लंगर-घटना नै नमानिन सक्छ। यो स्कोरिङ नियमको पूरा संरचना तल हानि-कार्य खण्डमा छुट्टै दिइएको छ।

चौथो चरण: क्रम लगाएर परिणाम बुझाउने

अन्तिम चरणले स्कोर भएका उम्मेद्वारको समूह लिएर मानवीय पाठकका लागि उपयोगी निष्कर्ष तयार पार्छ। अग्रणी उम्मेद्वारको रिपोर्ट उसको स्कोर, लग्न, नवांश र दशमांश लग्न, हरेक घटना मितिमा महादशा र अन्तर्दशा स्वामी, अनि अग्रणी वरिपरिका स्कोरको फैलावटबाट बनेको विश्वास-खिड़कीसहित दिइन्छ। साथसाथै अर्का उम्मेद्वारहरू पनि सूचीबद्ध हुन्छन्, र तिनले कुन घटनामा बेसी मिल्छन् र कुनमा कमजोर हुन्छन् भन्ने स्पष्ट टिप्पणीसँगै देखाइन्छ। सिपालु तन्त्रले कहिल्यै यस्तो देखाउँदैन कि उत्तर एकै मिनेटको हो जब यथार्थमा त्यस्तो छैन; त्यसले अग्रणी मिनेट, उपविजेता मिनेट र दुवैलाई छुट्ट्याउने घटनाहरू बताउँछ, र अन्तिम पठन ज्योतिषीलाई छोड्छ।

खोज-क्षेत्र र त्यो देखिएभन्दा किन ठूलो छ

समयको सूक्ष्मता र सेकेन्डहरू कहिले महत्वपूर्ण हुन्छन्

कसैले अति सरल रूपमा सोच्दा यसो भन्न सक्छन्: "दर्ता समयको खिड़की एक घण्टाको छ, लग्न लगभग दुई घण्टामा बदलिन्छ, त्यसैले दुई मिनेटको अन्तराल पर्याप्त हुनेछ।" यो सोचाइ गलत हो, र किन गलत हो भन्ने बुझ्दा AI-तन्त्रको आवश्यकता नै किन पर्‍यो भन्ने स्पष्ट हुन्छ। लग्न लगभग हरेक चार मिनेटमा एउटा अंश अगाडि बढ्छ, तर कुण्डलीमा लग्न मात्र समय-संवेदी संरचना होइन। नवांश लग्न लगभग पन्ध्र मिनेटमा बदलिन्छ, अर्थात् चार मिनेटको अन्तराल लिँदा बीचमा दुई फरक नवांश लग्न छुट्न सक्छन्। दशमांश हरेक बाह्र मिनेटमा बदलिन्छ। केही कुण्डली-पद्धतिमा भाव-सन्धिहरू पनि केही मिनेटमा सर्छन्। र जन्मपछि धेरै दशक पछिको कुनै मितिका लागि प्रत्यन्तर दशा (अन्तर्दशाभित्रको उप-उप-काल) सेकेन्डको स्तरमा बदलिन्छ।

यी सबै मिलाएर हेर्दा, केवल पन्ध्र सेकेन्डको फरक भएका दुई उम्मेद्वार समयले यस्ता कुण्डली बनाउन सक्छन् जुन नवांश लग्न, भाव-सन्धि र कुनै लक्ष्य घटनाको प्रत्यन्तर दशामा पनि असहमत होऊन्। अर्को शब्दमा, खोज-क्षेत्र साधारण नजरले देखेभन्दा सूक्ष्म-दानेदार छ। यदि तन्त्रले एक मिनेटको सूक्ष्मतामै नमुना लियो भने, उत्तर त्यस्तो पन्ध्र-सेकेन्ड चौडाइको खिड़कीमा परेको खण्डमा पूरै छुट्न सक्छ जहाँ नवांश सर्छ।

धेरै घटनाहरूको गुणात्मक प्रभाव

खोज-क्षेत्र देखिएभन्दा ठूलो हुनुको अर्को कारण यो हो कि सूचीमा हरेक घटना मूलतः एउटा स्वतन्त्र अवरोध हो, र अवरोधहरूको संयोजन योगात्मक होइन, गुणात्मक हुन्छ। एउटै घटना सायद हरेक दश उम्मेद्वारमध्ये तीनसँग मिल्न सक्छ। दुई घटना सँगै राख्दा दशमध्ये एक उम्मेद्वार मात्र बाँकी रहन्छ, किनकि दुवैलाई एकैसाथ मिल्नुपर्छ। पाँच घटना सँगै लगभग धेरै उम्मेद्वारलाई हटाइदिन्छ, र दश घटना मिलेर उत्तरलाई केही मिनेटको खिड़कीसम्म खुम्चाउन सक्छ।

यही गुणात्मक खुम्चाव नै जीवन-घटना सुधार-विधिलाई व्यवहारमा काम गर्ने बनाउने तत्व हो। यही नै कारण हो जुन खोजलाई गैर-तुच्छ बनाउँछ: हरेक उम्मेद्वारलाई हरेक घटनासँग जाँच्नुपर्छ, र बाँकी रहेका उम्मेद्वारहरूको आपसी विस्तृत तुलना गर्नुपर्छ। एक घण्टाको खिड़कीमा एक मिनेटको अन्तराल भएको ग्रिड र दश घटना भनेको साठी उम्मेद्वार गुणा दश घटना, अर्थात् छ सय शास्त्रीय-नियमको मूल्याङ्कन हो। हातैले गर्दा यो एक हप्ताको काम हुन्छ। कम्प्युटरले गर्दा केही सेकेन्डमै हुन्छ। फाइदा बढ्दै जान्छ: छ घण्टाको खिड़कीमा पन्ध्र सेकेन्डको अन्तरालमा यही काम चौध हजार चार सय मूल्याङ्कनको हुन्छ, जुन आधुनिक तन्त्रका लागि नगण्य छ, तर हातैले बिल्कुल असम्भव।

सीमा-संवेदी नमुना छनोट

आधुनिक तन्त्रहरू समान घनत्वमा नमुना लिँदैनन्। तिनले महत्वपूर्ण सीमाहरू नजिक थप बाक्लो नमुना लिन्छन्: लग्नका सीमाहरू, नवांश र दशमांश लग्नका सीमाहरू, र सबैभन्दा सशक्त घटनाहरूको मितिमा अन्तर्दशा-सन्धिहरूको नजिकका बिन्दुहरू। सीमा-संवेदी नमुना-यन्त्रले छ घण्टाको खिड़कीमा पन्ध्र-सेकेन्ड चौडाइको उत्तरसम्म त्यति नै उम्मेद्वारहरूमा पुग्न सक्छ, जति नमुनामा समान-घनत्व यन्त्रले उही खिड़कीमा एक मिनेट चौडाइको उत्तरसम्म पुग्थ्यो। यही नै त्यो दक्षता हो जसले इन्जिनियरिङको परिश्रमलाई सार्थक बनाउँछ: उही शास्त्रीय स्कोरिङ नियम, अलिक बुद्धिमत्तासँग चुनिएका उम्मेद्वारहरूमा लागू गर्दा, कम गणनामा अझ तीक्ष्ण सुधार दिन्छ।

हानि-कार्य: कम्प्युटरले समयको स्कोर कसरी निकाल्छ

हानि-कार्यको मूल विचार

मेसिन लर्निङमा हानि-कार्य (loss function) भनेको त्यस्तो सङ्ख्या हो जसले उम्मेद्वार समाधान कति नराम्रोसँग प्रदर्शन गरिरहेको छ भन्ने नापिदिन्छ। अल्गोरिदमले यो सङ्ख्या कम होस् भन्ने चाहन्छ, त्यसैले यो सङ्ख्या नघटुन्जेल यसले उम्मेद्वारलाई समायोजन गरिरहन्छ। AI सुधार-तन्त्रका लागि यो हानि शास्त्रीय स्कोरिङ नियमबाट बनेको हुन्छ: यदि कुनै घटना मितिमा महादशा र अन्तर्दशा स्वामीले वास्तवमा भएको घटनासँग मेल खान्छन् भने, त्यो घटनाको योगदान हानिमा सानो (वा शून्य) हुन्छ। यदि मेल खाँदैनन् भने योगदान ठूलो हुन्छ। पूरा घटना-सूचीमा यी योगदानको योग नै कुल हानि बन्छ, र जसको कुल हानि सबैभन्दा कम हुन्छ त्यो उम्मेद्वार अग्रणी हुन्छ। यो संरचनाको परिचय विकिपिडियाको हानि-कार्य लेखमा दिइएको छ।

सुधार-तन्त्रको हानि-कार्यमा एउटा असाधारण कुरा यो छ कि स्कोरिङ नियमहरू डेटाबाट सिकिएका होइनन्। तिनीहरू शास्त्रीय ज्योतिषबाट आउँछन्: कुन ग्रह कुन भावको मारक हो, कुन नक्षत्र-स्वामी जोडी कुन प्रकारको घटनासँग जोडिन्छ, र कुन मन्द-गति गोचरले कुन प्रकारको जीवन-सङ्कटसँग सँगै आउँछ। तन्त्रले यी नियमहरू बृहत् पाराशर होरा शास्त्र र फलदीपिका जस्ता ग्रन्थहरूबाट लिएर निश्चित रूपमा लागू गर्छ। मेसिन लर्निङको प्रवेश यी नियमहरूमा आफैंमा हुँदैन, तर उम्मेद्वारबीच कसरी खोज चलाइन्छ भन्ने कुरामा हुन्छ।

पहिलो घटक: दशा-जोडीको मिलान

हानिको पहिलो र सबैभन्दा ठूलो घटक हो महादशा र अन्तर्दशाको जोडीको मिलान। हरेक घटनाका लागि तन्त्रले त्यो मितिमा चलिरहेको जोडी जान्दछ, र त्यो प्रकारको घटनाको शास्त्रीय कारक के हुनुपर्छ त्यो पनि जान्दछ। शुक्र वा बृहस्पतिको अन्तर्दशामा भएको विवाहले हानिमा लगभग शून्य योगदान दिन्छ; कडा शनि-मंगल जोडीमा भएको विवाहले उल्लेखनीय जरिवाना ल्याउँछ। जरिवाना श्रेणीमा बाँडिएको हुन्छ: आंशिक मिलान (दुईमध्ये एक स्वामी सम्भावित कारक हुनु) पूर्ण चूकभन्दा कम जरिवाना पाउँछ, र तीन-पुष्टि मिलान (दुवै स्वामी र साथमा प्राकृतिक कारक) ले हानि अझ घटाउँछ।

यो मिलान केवल अक्षरशः हुँदैन। धेरै विवाह-जाँचमा सप्तम भावमा बसेको ग्रहले सप्तमेशको स्थान लिन सक्छ, बृहस्पतिको दृष्टिले हेरिएको ग्रहले केही हल्का अर्थमा बृहस्पति आफैंको प्रतिनिधि बन्न सक्छ, र यस्तै अरू पनि प्रतिस्थापनहरू हुन्छन्। पूरा शास्त्रीय प्रतिस्थापन तालिका तन्त्रको स्कोरिङ सूचीमा भरिएको हुन्छ, र बृहत् पाराशर होरा शास्त्र (परिचय विकिपिडियामा) जस्ता स्रोतहरूका अनुरूप राखिन्छ। यसो गर्दा हानि-कार्यले कुण्डलीलाई त्यसरी नै पढ्छ जसरी ज्योतिषीले पढ्छन्, सुख्खा शाब्दिक संस्करणमा होइन।

दोस्रो घटक: मन्द-गति गोचरको मिलान

दोस्रो घटक हो मन्द-गति ग्रहहरूको गोचर-शर्त। हरेक घटनाका लागि तन्त्रले त्यो मितिमा शनि र बृहस्पतिको देशान्तर निकाल्छ, र नजिकै कुनै ग्रहण भए त्यसको पनि। त्यसपछि यो प्रश्न गर्छ: के यी स्थानहरू उम्मेद्वारको कुण्डलीका संवेदनशील बिन्दुहरूमा परिरहेका छन्? जन्म चन्द्रमामाथि शनिको पारगमन (शास्त्रीय साढेसाती), विवाहको समयमा जन्म लग्न वा जन्म चन्द्रमाबाट सप्तम भावमा बृहस्पति, वा जीवनको ठूलो मोडमा जन्म लग्नमा ग्रहण। हरेक मिलानले हानि घटाउँछ; हरेक चूकले त्यो घटकलाई आफ्नो डिफल्ट स्तरमै छोड्छ।

मन्द-गति ग्रहहरूको स्थिति प्रायः जन्म समयबाट स्वतन्त्र हुन्छ, त्यसैले यो घटक उम्मेद्वारबीचको उच्च-शक्तिको छनोट यन्त्र बन्छ। दशा-घटकमा बराबर स्कोर ल्याउने दुई उम्मेद्वार पनि गोचर-घटकमा निकै फरक स्कोर देखाउन सक्छन्, किनकि तिनको लग्न फरक हुन्छ र त्यसैले संवेदनशील बिन्दुहरू पनि फरक हुन्छन्। NASA को निःशुल्क ग्रहण-क्याटलग eclipse.gsfc.nasa.govले ती देशान्तरहरू उपलब्ध गराउँछ जससँग तन्त्रले मिलान गर्छ।

तेस्रो घटक: वर्ग कुण्डलीहरूको पुष्टि

तेस्रो घटकले वर्ग-कुण्डलीहरूको जाँचलाई माथिल्लो तहमा थप्छ। विवाह घटनाका लागि तन्त्रले सोध्छ कि उम्मेद्वारको नवांश (D9) मा सप्तमेश यस्तो राशिमा छ कि जसको शास्त्रीय कारकले वास्तविक जीवनसाथीको प्रकृति, पेसा वा सामाजिक हैसियतसँग मेल खान्छ? कर्मक्षेत्रको घटनाका लागि उही प्रश्न दशमांश (D10) को दशमेशसँग सोधिन्छ। यी जाँचहरू निरपेक्ष होइनन्; तिनलाई कोमल भार दिइन्छ, किनभने वर्ग-कुण्डलीको व्याख्या यस्ता विवरणहरूमा निर्भर हुन्छ जुन सङ्ख्यामा ढाल्न गाह्रो छ। तर पनि, दशा र गोचर घटकहरूमा बराबर बसेका दुई उम्मेद्वारहरूको निर्णय धेरैजसो यही वर्ग-कुण्डलीको तहले गर्छ।

भार-गुणाङ्कको सन्तुलन

यी सबै घटकहरूको आफ्नै भार हुन्छ, जसले कसले हानिलाई कति प्रभाव पार्छ भन्ने तय गर्छ। आधुनिक तन्त्रले यी भारहरूलाई "रोकेर राखिएको परीक्षण-समूह" मा परीक्षण गर्छन्, अर्थात् ती कुण्डलीहरूमा जसको सही जन्म समय पहिले नै थाहा छ र जसमा सुधार-कार्यको इमानदार मूल्याङ्कन गर्न सकिन्छ। ती परीक्षण-कुण्डलीहरूमा सबैभन्दा सफा अभिसरण ल्याउने भारहरू कायमै राखिन्छन्; अस्पष्ट परिणाम दिने भारहरू हटाइन्छन्। यही चरणमा शास्त्रीय ज्योतिष र साङ्ख्यिकीय अध्ययनको भेट हुन्छ: नियमहरू स्थिर रहन्छन्, तर नियमहरूबीचको आपेक्षिक जोड डेटाबाट सिकिन्छ। राम्ररी सन्तुलित तन्त्रले त्यही दर हासिल गर्छ जसमा वरिष्ठ ज्योतिषीले कुण्डली ठीक पार्छन्, बस सेकेन्डहरूमा।

न्यूरल नेटवर्क, बेजियन खोज र साधारण ग्रिड स्क्यान

खोज-रणनीतिहरूको शृङ्खला

विभिन्न सुधार-तन्त्रहरूले उम्मेद्वार-क्षेत्रमा फरक-फरक रणनीति अपनाउँछन्, र छानिएको रणनीतिले परिणाम कति छिटो आउँछ र कति विश्वसनीय हुन्छ भन्ने तय गर्छ। सबैभन्दा सरल रणनीति हो ग्रिड-स्क्यान: दर्ता समयको खिड़कीमा निश्चित अन्तरालमा हरेक उम्मेद्वार आजमाउनुहोस्, हरेकको स्कोर निकाल्नुहोस्, र अग्रणी छान्नुहोस्। यो पूर्ण छ, बुझ्न सजिलो छ, र एक मिनेटको अन्तराल भएको एक घण्टा खिड़कीका लागि पर्याप्त पनि छ। तर खिड़की चौडा हुँदा यो खर्चालु हुन्छ, किनकि अधिकांश उम्मेद्वार उत्तरबाट टाढा हुन्छन् र थोरै उपयोगी सूचना दिन्छन्।

अझ चलाख रणनीति हो बेजियन खोज। तन्त्रले पहिले मोटो ग्रिडबाट सुरु गर्छ, स्कोर सबैभन्दा उच्च भएको रफ क्षेत्र पत्ता लगाउँछ, र त्यसपछि त्यो क्षेत्रमा बाक्लो नमुना लिएर उत्तर परिमार्जन गर्छ। "बेजियन" शब्द यो कारणले आउँछ कि स्कोर-दृश्यलाई एउटा सम्भाव्यतात्मक सतहझैं हेरिन्छ, र पूर्व-सूचना (दर्ता समय र त्यसको अनिश्चितता हेर्दा उत्तर कहाँ हुनसक्छ भन्ने) आधारमा अर्को नमुना कहाँ लिने भन्ने तय गरिन्छ। मूल विचारको परिचय बेजियन अप्टिमाइजेसन लेखमा छ।

न्यूरल नेटवर्क कहाँ सहयोगी हुन्छन्

न्यूरल नेटवर्कलाई यो तन्त्रमा धेरै ठाउँमा थप्न सकिन्छ, र कहाँ थपिएको छ त्यसअनुसार तिनको योगदान फरक हुन्छ। सबैभन्दा उपयोगी प्रयोग स्कोरिङको हृदयमा होइन, किनकि शास्त्रीय नियम पहिले नै स्पष्ट छन्, बरु त्यसको वरिपरि छ: इनपुटको विशेषताहरू हेर्दा कुन उम्मेद्वार-क्षेत्रहरू खोज्न सबैभन्दा सार्थक हुन्छ भन्ने अनुमान, दर्ता समय कुन मात्रामा गलत हुनसक्ने पूर्व-सम्भावना के हो (समयको स्रोत हेर्दा, जस्तै अस्पताल रेकर्ड, अभिभावकको स्मृति, वा अनुमानित नोट), र स्कोर-दृश्यका त्यस्ता ढाँचाहरू पहिचान गर्ने जसले सफा सुधार-कार्यलाई अस्पष्टबाट छुट्ट्याउँछ।

हजारौं विगतका सुधार-कार्यहरूमा, तिनका इनपुट र मानव-पुष्ट सही उत्तरहरूका साथ तालिम पाएको न्यूरल मोडलले यी माथिल्लो-स्तरका ढाँचाहरू सिक्छ। यो मोडलले शास्त्रीय स्कोरिङ नियम हटाउँदैन। यसले केवल खोजलाई छिटो बनाउँछ र परिणामका संरचनात्मक विशेषताहरू अगाडि ल्याउँछ, ताकि मानव पाठक, ज्योतिषी होस् वा कुण्डलीको स्वामी, परिणामलाई बढी विश्वासका साथ बुझ्न सकोस्। यही नै शास्त्रीय अनुशासनमा आधुनिक मेसिन लर्निङको योगदान हो: ग्रन्थहरूको ज्ञानको ठाउँ लिने नभएर, त्यो ज्ञानलाई सावधानीसाथ लागू गर्ने मानवीय कामको गति-वर्धकका रूपमा।

जब साधारण ग्रिड-खोज पर्याप्त हुन्छ

एउटा व्यावहारिक टिप्पणी: धेरै वास्तविक सुधार-कार्यका लागि दर्ता समयको खिड़कीमा एक मिनेटको अन्तराल भएको साधारण ग्रिड-खोज नै पर्याप्त हुन्छ। न्यूरल र बेजियन थपहरू सबैभन्दा बढी काम लाग्ने त्यतिखेर हुन्छ जब खिड़की चौडा हुन्छ (दर्ता समय अत्यन्त अनिश्चित), जब घटना-सूची लामो हुन्छ (हरेक उम्मेद्वारमा स्कोरिङ गणना खर्चालु हुन्छ), वा जब स्कोर-दृश्य बहु-शिखर हुन्छ (एकभन्दा बढी उम्मेद्वार-क्षेत्रले उच्च स्कोर पाउँछन् र तन्त्रले तीमध्ये भेद गर्नुपर्छ)। अस्पताल रेकर्डबाट प्राप्त ±तीस मिनेटको खिड़की र आठ-नौ राम्ररी मिति भएका घटनाहरू भएको अवस्थामा सावधानीसाथ चलाइएको ग्रिड-खोजको परिणाम परिमार्जित न्यूरल-बेजियन तन्त्रको परिणामसँग प्रायः अप्रभेद्य हुन्छ। प्राविधिक जटिलता मामिलाको कठिनाइको अनुपातमा बढ्छ।

विश्वास-खिड़कीको वास्तविक अर्थ

एक मिनेट किन प्रायः गलत उत्तर हुन्छ

इमानदार AI सुधार-तन्त्रले एक मिनेटलाई सत्यजस्तो ठानेर फिर्ता गर्दैन। त्यसले अग्रणी मिनेटसँगै एउटा विश्वास-खिड़की पनि दिन्छ: एउटा घोषित अन्तराल, सायद दुई-तीन मिनेट चौडा, जसभित्र अग्रणी उम्मेद्वारको स्कोर आफ्ना छिमेकीहरूभन्दा यति मात्र अगाडि छ कि त्यस अन्तरालभित्रको कुनै पनि मिनेट समर्थन गर्न सकिने उत्तर बन्छ। यो तन्त्रको कमजोरी होइन। यो त्यो सत्य कथन हो जुन डेटाले वास्तवमै अनुमति दिन्छ।

सशक्त, राम्ररी मिति भएका घटनाहरू भएको कुण्डलीका लागि विश्वास-खिड़की एक मिनेट वा त्योभन्दा साँघुरो हुनसक्छ; कम घटना वा अस्पष्ट मिति भएको कुण्डलीका लागि त्यो पाँच वा दश मिनेटसम्म चौडा हुनसक्छ। खिड़कीको चौडाइ आफैंमा सूचना हो। साँघुरो खिड़कीले भन्छ कि घटनाहरूले आफ्नो काम गरिरहेका छन् र उत्तर तीक्ष्ण छ। चौडा खिड़कीले भन्छ कि सुधार अनुमानित छ र समयलाई सूक्ष्म वर्ग-कुण्डली पठनका लागि भर पर्न योग्य बनाउनुअघि थप काम चाहिन्छ, जस्तै अरू घटना, अझ तीक्ष्ण मितिहरू, वा थप शास्त्रीय परीक्षण।

विश्वास-खिड़की कसरी गणना हुन्छ

विश्वास-खिड़की बनाउने प्रक्रिया सीधा छ। तन्त्रले अग्रणी उम्मेद्वारको स्कोर हेर्छ र निश्चित परिधिभित्रका छिमेकीहरूको स्कोर पनि हेर्छ। यदि अग्रणी आफ्ना ±दुई मिनेटका हरेक छिमेकीभन्दा केवल आधा अंक माथि छ, तर त्यस परिधिबाहिरका हरेक छिमेकीभन्दा दुई अंक माथि छ भने, विश्वास-खिड़की चार मिनेट चौडा, अग्रणीमा केन्द्रित घोषित गरिन्छ। यदि अग्रणी हरेक परिधिमा हरेक छिमेकीभन्दा तीन अंक माथि छ भने, खिड़की एक मिनेट (तन्त्रको मूल सूक्ष्मता) घोषित गरिन्छ। "सानो" स्कोर-फरक के हो भन्ने एउटा सन्तुलन-निर्णय हो, तर राम्ररी सन्तुलित तन्त्रहरू समान-गुणस्तरका इनपुटमा समान चौडाइमा पुग्छन्।

विश्वास-खिड़कीलाई इमानदारीसाथ पढ्ने तरिका

"राति ९:०१ बजे, ±दुई मिनेट" जस्तो सुधार-समय पाउने पाठकले यसको अर्थ यसरी पढ्नुपर्छ: ९:०१ मा बनेको कुण्डलीले घटनाहरूसँग सबैभन्दा राम्रो शास्त्रीय मिलान खान्छ, र ८:५९ देखि ९:०३ सम्मका सबै समयले लगभग उत्तिकै राम्रो मिलान दिने कुण्डली बनाउँछन्। त्यो खिड़कीभित्रका उम्मेद्वारबीच सूक्ष्म फरक पनि हुनसक्छन्, जस्तै केही कुण्डली-पद्धतिमा ठ्याक्कै नवांश लग्न, वा कुनै भविष्य-मितिको प्रत्यन्तर दशा। धेरैजसो पठनका लागि (मोटा जीवन-विषय, फराकिलो समय निर्धारण, स्वभाव) पूरै खिड़कीले उस्तै काम गर्छ। एकदम सूक्ष्म पठनका लागि (कुनै भावी घटनाको ठ्याक्कै गोचर समय, वर्ग-कुण्डलीका सूक्ष्मताहरू) ज्योतिषीले खिड़कीभित्रका उम्मेद्वारलाई हातैले परीक्षण गर्न सक्छन्।

दुई-शिखर समाधानहरूको इमानदार प्रस्तुति

कहिलेकाहीं स्कोर-दृश्यमा दुई शिखर निस्कन्छन्: एउटा उम्मेद्वार-क्षेत्र राति लगभग ८:५० बजे, अर्को लगभग ९:३० बजे, दुवै उच्च स्कोरमा, बीचमा कम स्कोरको उपत्यका। यो बहु-शिखर समाधान हो। तन्त्रले यसलाई त्यसरी नै रिपोर्ट गर्नुपर्छ, एक शिखर छानेर साँघुरो विश्वास-खिड़कीको दाबी गर्नु हुँदैन। यी शिखरहरू प्रायः फरक-फरक लग्नका हुन्छन्, र दुईमध्ये कुन छान्ने भन्ने प्रायः त्यस्तो एउटा कुरामा निर्भर हुन्छ जसलाई तन्त्रले मूल्याङ्कन गर्न सक्दैन, जस्तै व्यक्तिको बाहिरी स्वभाव बढी कर्क-कोमल देखिन्छ कि सिंह-आत्मविश्वासी। बहु-शिखर अवस्थामा ज्योतिषीले दुवै उम्मेद्वारलाई व्यक्तिको स्वभाव र जीवन-दिशासँग पढ्छन्, र जुनको कुण्डलीले वास्तविक जीवनलाई बढी राम्रोसँग देखाउँछ त्यो छान्छन्। यो AI ले काम मानव पाठकलाई सबैभन्दा स्पष्ट रूपमा फिर्ता दिने उदाहरण हो।

ती बिन्दु जहाँ AI ज्योतिषीतर्फ फर्किन्छ

कुण्डलीबाट स्वभाव पढ्ने काम

AI ले काम मानव पाठकलाई सुम्पने सबैभन्दा स्पष्ट बिन्दु यो प्रश्न हो: के सुधारिएको कुण्डलीले वास्तवमा त्यो व्यक्तिलाई देखाउँछ? कुनै कुण्डलीले मिति भएका घटनाहरूको सूचीमा राम्रो स्कोर पाइसकेर पनि समग्र रूपमा पढ्दा गलत लाग्न सक्छ। कर्क लग्नको उम्मेद्वारले नौमध्ये आठ घटनामा सिंह लग्न उम्मेद्वारजस्तै सफा मिलान देखाउन सक्छ, तर एउटाले कोमल, परिवार-केन्द्रित स्वभाव चित्रण गर्छ भने अर्कोले बाहिर-आत्मविश्वासी, नेतृत्वमुखी प्रकृति। तन्त्रले मितिहरूको सूचीबाट स्वभाव पढ्न सक्दैन; ज्योतिषीले एउटा कुराकानीबाट पढ्न सक्छन्। यही नै सबैभन्दा प्रचलित मानव-निर्णायक बिन्दु हो, र राम्रोसँग डिजाइन गरिएको तन्त्रले यसलाई स्पष्ट रूपमा अगाडि ल्याउँछ।

सूक्ष्म शास्त्रीय सङ्केतहरूको मूल्याङ्कन

शास्त्रीय ज्योतिषमा यस्ता धेरै सूक्ष्म सङ्केतहरू छन् जुन सङ्ख्यात्मक रूपमा साफ ढाल्न गाह्रो छ। विवाह नियतिजस्तो लाग्यो कि आफैंले छानेजस्तो, कर्मक्षेत्र परिवर्तन भित्री प्रेरणाबाट आयो कि बाहिरी दबाबबाट, अभिभावकको देहान्त शान्तिपूर्वक भयो कि आघातको रूपमा, यी सबै बारीकीहरू कुण्डलीमा दृष्टि, युति र वर्ग-कुण्डली स्थितिहरूका माध्यमबाट अङ्कित हुन्छन्, जसलाई वरिष्ठ ज्योतिषीले लगभग सहज रूपमा पढ्छन्। AI तन्त्रले ठूलो वर्गहरू (विवाह, मृत्यु, कर्मक्षेत्र-परिवर्तन) कोड गर्न सक्छ, तर बारीकीहरू गाह्रा छन्। तन्त्रको हानि-कार्यले उम्मेद्वारलाई ठूलो वर्गसँग मेल खाएको अंक दिन्छ। ज्योतिषीको पठनले बारीकीसँगको मेल वा बेमेललाई अंक दिन्छ, र यही पठनले एउटा सक्षम सुधार-कार्यलाई परिमार्जित सुधार-कार्यबाट छुट्ट्याउँछ।

अन्तिम पठन

तन्त्रले अग्रणी उम्मेद्वार र विश्वास-खिड़की फिर्ता दिएपछि पनि कुण्डलीलाई त्यसरी नै पढ्नुपर्छ जसरी शास्त्रीय ज्योतिषले सधैं कुण्डली पढ्दै आएको छ: योगहरूको जाँच, वर्ग-कुण्डलीहरूको पुष्टि, ग्रहहरूको बलको मूल्याङ्कन, र आउने केही वर्षहरूको दशा-क्रममा हिँडेर के व्यक्तिले अहिले अनुभव गरिरहेको कुरासँग आउँदो कालको प्रकृति मेल खान्छ कि भन्ने जाँच। सुधारिएको समय त्यो जग हो जसमाथि यो पठन उभिन्छ; पठन आफैं त्यो काम हो जुन ज्योतिषीले जग दह्रो भएपछि गर्छन्। AI ले यो पठन गर्दैन। त्यसले केवल जग पठनलाई भर पर्न योग्य बनाउने हदसम्म दह्रो भएको होस् भन्ने सुनिश्चित गर्छ।

ती अवस्थाहरू जहाँ तन्त्रले अस्वीकार गर्नुपर्छ

नैतिक रूपमा डिजाइन गरिएको तन्त्रले केही अवस्थाहरूमा आत्मविश्वासी उत्तर दिन इन्कार गर्छ। जब इनपुट घटना-सूची धेरै छोटो हुन्छ (तीन-चारभन्दा कम राम्ररी मिति भएका घटनाहरू), तन्त्रले उत्तर अनुमानित छ भनेर रिपोर्ट गर्नुपर्छ। जब दर्ता समयको खिड़की अव्यावहारिक रूपमा चौडा हुन्छ (छ घण्टाभन्दा बढी, अर्थात् लगभग पूरा सूर्योदयदेखि सूर्यास्तसम्म), तन्त्रले शास्त्रीय तात्कालिक विधिहरू वा कुनै ज्योतिषीसँगको प्रत्यक्ष परामर्श स्वचालित सुधारभन्दा बढी उपयुक्त छ भनेर रिपोर्ट गर्नुपर्छ। जब स्कोर-दृश्य पूर्णतः समतल हुन्छ (कुनै एक उम्मेद्वार-क्षेत्र स्पष्ट रूपमा अगाडि छैन), तन्त्रले विजेता छान्न इन्कार गर्नुपर्छ र थप घटना माग्नुपर्छ। यी इन्कारहरू तन्त्रको असफलता होइनन्। यी ती सबैभन्दा महत्वपूर्ण सङ्केत हुन् जसले बताउँछन् कि तन्त्रलाई यथार्थमा सुधार-कार्यले के माग्छ भन्ने बुझेका मानिसहरूले डिजाइन गरेका थिए।

पूरै प्रक्रियाको एउटा उदाहरण

इनपुट र प्रारम्भिक स्थिति

कल्पना गरौं, एउटा कुण्डली तन्त्रसामु प्रस्तुत भएको छ। दर्ता गरिएको जन्म समय "१९७८ को कुनै मितिमा राति लगभग ९:०० बजे" हो। प्रयोगकर्ताले नौवटा मिति भएका घटनाहरू दिएका छन्: २००५ मा विवाह, २००८ मा पहिलो बच्चाको जन्म, २०१२ मा पिताको देहान्त, २०१४ मा रोजगार-परिवर्तन, २०१६ मा गम्भीर सडक-दुर्घटना, २०१९ मा आमाको देहान्त, २०१० मा दोस्रो बच्चाको जन्म, २०१७ मा व्यवसाय-आरम्भ, र २०२० मा एउटा प्रमुख शल्यक्रिया। प्रयोगकर्ताले बताएको अनिश्चिततालाई हेरेर दर्ता समयको खिड़की एक घण्टाको राखिन्छ, राति ८:३० देखि ९:३० सम्म।

खोज आफै

तन्त्रले पहिले एक मिनेटको अन्तराल भएको मोटो ग्रिडबाट सुरु गर्छ, घण्टाभरमा साठीवटा उम्मेद्वार। हरेक उम्मेद्वारका लागि पूर्ण कुण्डली बनाइन्छ: लग्न, नवांश लग्न, दशमांश लग्न, जन्मदेखि २०२० सम्मको विंशोत्तरी दशा क्यालेन्डर, र हरेक घटना मितिमा मन्द-गति ग्रहहरूको स्थिति। आधुनिक तन्त्रमा कुल गणना समय: दुई सेकेन्डभन्दा कम। अब स्कोर-दृश्य हेरिन्छ: राति ८:३० देखि ८:४२ सम्मका सबै उम्मेद्वारले चालीसको तल्लो भागमा स्कोर पाउँछन् (कुल नब्बेमध्ये), र लग्न कर्क रहन्छ। ८:४८ देखि ९:३० सम्मका उम्मेद्वारले प्रायः पचासर र साठीको दशकमा स्कोर पाउँछन्, लग्न सिंह रहन्छ। लगभग ९:०० बजे एउटा स्पष्ट शिखर बन्छ, स्कोर अठहत्तर।

शिखर वरिपरि परिमार्जन

तन्त्रले त्यसपछि शिखर नजिक पन्ध्र सेकेन्डको अन्तरालमा ८:५५ देखि ९:०५ सम्म स्क्यान गर्छ, दश मिनेटको खिड़कीमा लगभग चालीस उम्मेद्वार। शिखर अझ साँघुरो हुन्छ: अग्रणी ९:०१ बजे, स्कोर एकासी। ८:५९, ९:०० र ९:०२ बजेका उम्मेद्वारहरू अग्रणीभन्दा एक अंकभित्र हुन्छन्। ९:०३ बजेको उम्मेद्वार दुई अंक झर्छ (२०१४ को घटनाका लागि अन्तर्दशा-सन्धि पार हुन्छ)। ८:५८ बजेको उम्मेद्वार एक अंक झर्छ (२०१२ का लागि जन्म चन्द्रमामाथि शनिको दृष्टि अलि कमजोर हुन्छ)। विश्वास-खिड़की यी स्कोरहरूबाट स्वाभाविक रूपमा निस्कन्छ: ९:०० देखि ९:०२ बराबरजस्तै, ८:५९ एक अंक तल, उत्तर "९:०१ बजे ±एक मिनेट" का रूपमा बताइन्छ।

परिणाम र हस्तान्तरण

तन्त्रले सुधारिएको समय ९:०१ बजे, ±एक मिनेटको विश्वास-खिड़की, सिंह लग्न, मीनमा नवांश लग्न, र मकरमा दशमांश लग्नका रूपमा फिर्ता दिन्छ। हरेक घटना मितिमा महादशा र अन्तर्दशा स्वामी सूचीबद्ध गर्छ, हरेक घटनालाई सफा मिलान, आंशिक मिलान वा चूकका रूपमा चिनो लगाउँछ, र सबैभन्दा सशक्त घटनाहरूका लागि मन्द-गति गोचरको छाप पनि थप्छ। नौमध्ये सात घटना सफा मिलान, दुईवटा आंशिक (व्यवसाय आरम्भ र दोस्रो बच्चाको जन्म, जुन ठूलो दशा-वर्गमा बस्छन् तर सबैभन्दा सशक्त प्राकृतिक कारकसँग बस्दैनन्), कुनै स्पष्ट चूक छैन। ज्योतिषीलाई हस्तान्तरण गर्दा यो सबै र कुण्डली आफै, पठनका लागि तयार हुन्छ। सुधार-कार्य पाँच सेकेन्डभन्दा कममा पूरा हुन्छ; पठन त्यहीँबाट सुरु हुन्छ।

इमानदार सीमाहरू र के कुरामा ध्यान दिने

फोहोर भित्र हाल्यो भने फोहोरै बाहिर आउँछ

कुनै पनि AI सुधार-तन्त्रको पहिलो र सबैभन्दा महत्वपूर्ण सीमा यो हो कि त्यो आफ्नो इनपुटभन्दा राम्रो परिणाम दिन सक्दैन। गलत जन्म मिति, गलत जन्म सहर, गलत अयनांश सेटिङ, वा अस्पष्ट र गलत मिति भएका घटना-सूचीले आत्मविश्वासी देखिने तर वास्तवमा गलत परिणाम उत्पादन गर्छन्। आधुनिक तन्त्रहरूले यी असफलता पत्ता लगाउने कोसिस गर्छन् (दर्ता मितिमा तिथि-वार जाँच, भू-कोडित निर्देशाङ्कको समझदारी जाँच, र विभिन्न अयनांशहरूबीच क्रस-चेक), तर सफा इनपुट दिने जिम्मेवारी अन्ततः प्रयोगकर्ताकै हो। सुधारिएको समय पाउँदा सधैं यो अन्तर्निहित प्रश्नका साथ ग्रहण गर्नुपर्छ: के मैले तन्त्रलाई सही सुरुआती डेटा दिएको थिएँ?

साँघुरा खिड़कीहरूमा अति-आत्मविश्वास

पन्ध्र सेकेन्ड चौडा विश्वास-खिड़की फिर्ता गर्ने तन्त्रले त्यो सूक्ष्मतामा उत्तर दिइरहेको हुन्छ जुन शास्त्रीय ज्योतिष आफैले पनि बिरलै हासिल गर्छ। धेरैजसो व्यावहारिक प्रयोजनका लागि (मोटो जीवन-विषय पठन, दशा समय निर्धारण, लग्न पहिचान) यस्तो सूक्ष्मता आवश्यकताभन्दा बढी छ, र कुण्डली पढ्ने ज्योतिषीले यो पन्ध्र-सेकेन्डको उत्तरलाई चार-मिनेटको शास्त्रीय समकक्षभन्दा बढी विश्वसनीय मान्न सावधानी अपनाउनुपर्छ। सही व्याख्या यस्तो हुनुपर्छ: यस मामिलामा घटनाहरू असाधारण रूपमा राम्ररी मिति भएका थिए र सशक्त शास्त्रीय छापसँग संयोजित थिए, त्यसैले उत्तर पन्ध्र सेकेन्डमा सीमित भयो, यसको अर्थ ज्योतिषीको सामान्य रिजोल्युसन नै पन्ध्र सेकेन्ड हो भन्ने होइन।

न्यूरल घटकका तालिम-डेटामा पूर्वाग्रह

आफ्नो भित्र न्यूरल नेटवर्क घटक राख्ने र विगतका सुधार-कार्यमा तालिम पाएका तन्त्रहरूका लागि त्यो तालिम-डेटाको गुणस्तर महत्वपूर्ण हुन्छ। यदि अधिकांश पुराना सुधार-कार्य थोरै ज्योतिषीहरूले गरेका थिए र तिनको आफ्नै शैलीगत प्राथमिकता थिए (निश्चित महादशा-क्रम व्याख्यालाई महत्व दिने, निश्चित गोचरलाई बढी भार दिने), भने तालिम पाएको मोडलले ती प्राथमिकता पूर्वाग्रहका रूपमा अगाडि लैजान सक्छ। यसको समाधान त्यही हो जुन कुनै पनि मेसिन लर्निङ अनुप्रयोगमा हुन्छ: फराकिलो ज्योतिषी समूहबाट लिइएका परीक्षण-कुण्डलीहरूमा नियमित मूल्याङ्कन, र परिणामका कुन निर्णयहरू तालिम पाएको मोडलबाट आए र कुन शास्त्रीय नियमबाट आए भनेर स्पष्ट रिपोर्ट गर्ने। प्रयोगकर्तालाई थाहा पाउने अधिकार छ कि उत्तरको कुन भाग निश्चित ज्योतिष हो र कुन भाग साङ्ख्यिकीय अनुमान।

घटना-आधारित सुधार आफैको सीमाहरू

तन्त्रभन्दा बाहिर, यसको पछाडिको विधिको आफ्नै सीमाहरू छन्। जीवन-घटना सुधारले ती बालबालिकामा काम गर्न सक्दैन जसको एकमात्र "घटना" साधारण विकास-मील हुन्छ; गलत जन्म मितिमा त्यसले काम गर्दैन; र ती मामिलाहरू पूर्ण रूपमा सुल्झाउन सक्दैन जहाँ दुई फरक लग्नले दुवै नै मिल्दोजुल्दो घटना-मिलान देखाउँछन्, यदि शास्त्रीय तात्कालिक विधिहरू वा संवेदनशील वर्ग-कुण्डली पुष्टिको समर्थन छैन भने। AI ले यी सीमा नाघ्दैन। त्यसले केवल जीवन-घटना सुधारले पहिलेदेखि गर्दै आएको कामलाई छिटो बनाउँछ, र उही विधिका सीमाहरू विरासतमा लिन्छ। जीवन-घटना सुधार कहिले उपयुक्त हुन्छ र कहिले शास्त्रीय तात्कालिक सही विकल्प हुन्छ भन्ने विषयमा अझ विस्तृत उपचार हाम्रो जन्म समय सुधार स्तम्भ-मार्गनिर्देशमा छ।

प्रायः सोधिने प्रश्नहरू

AI सुधार र शास्त्रीय जीवन-घटना सुधारमा के फरक छ?

शास्त्रीय विधि र AI विधि दुवैले एउटै स्कोरिङ-तर्क प्रयोग गर्छन्। फेरिने भनेको खोजको स्तर हो। हातैले ज्योतिषीले धेरै दिनमा दश-पन्ध्र उम्मेद्वार जाँच्न सक्छन्; AI तन्त्रले सेकेन्डहरूमा हजारौं उम्मेद्वार जाँच्छ। शास्त्रीय तर्क उस्तै रहन्छ; खोज अनुमान होइन, पूर्ण हुन्छ। विश्वास-खिड़की पनि इमानदारीसाथ बताउन सकिन्छ, किनकि अग्रणी नजिकका हरेक उम्मेद्वार जाँचिएको हुन्छ, र दुई नजिक प्रतिस्पर्धी उम्मेद्वारबीचका सूक्ष्म असहमति थकानमा हराउनुको साटो स्कोर-फरकका रूपमा अगाडि आउँछन्।

के AI सुधार-तन्त्रले गलत उत्तर पनि दिन सक्छ?

हो, थुप्रै तरिकाले। गलत इनपुट (गलत जन्म मिति, गलत सहर, बिग्रिएको टाइमजोन) मा त्यसले आत्मविश्वासी देखिने तर वास्तवमा गलत उत्तर दिन्छ। थोरै वा अस्पष्ट मिति भएका घटनासँग त्यसले चौडा विश्वास-खिड़की वा बहु-शिखर समाधान फिर्ता दिन्छ जसका लागि मानवीय विवेक चाहिन्छ। न्यूरल घटकमा पूर्वाग्रही तालिम-डेटा भयो भने त्यसले त्यो पूर्वाग्रह अगाडि लैजान्छ। राम्ररी डिजाइन गरिएको तन्त्रले यी अवस्था स्पष्ट रूपमा चिन्ह लगाउँछ। प्रयोगकर्ताले सुधारिएको लग्न र चन्द्र नक्षत्रलाई शास्त्रीय वा पारिवारिक स्मृतिको कुनै भर पर्न सकिने स्रोतसँग सधैं जाँच्नुपर्छ।

तन्त्रले विश्वास-खिड़की किन फिर्ता गर्छ, एक मिनेट किन होइन?

किनकि घटनाहरूले बिरलै उत्तरलाई एक मिनेटसम्म सीमित गर्छन्, र त्यसरी देखाउनु बेइमानी हुनेछ। विश्वास-खिड़की उम्मेद्वार समयको त्यो परिधि हो जसको स्कोर अग्रणीको स्कोरसँग यति नजिक छ कि तीमध्ये कुनै पनि समर्थन गर्न सकिने उत्तर बन्छ। साँघुरो खिड़की (एक-दुई मिनेट) ले घटनाहरूले कुण्डलीलाई राम्ररी कस्दैछन् भन्ने देखाउँछ; चौडा खिड़की (पाँच-दश मिनेट) ले सूक्ष्म वर्ग-कुण्डली पठनका लागि भर पर्नुअघि थप घटना वा तीक्ष्ण मिति चाहिन्छ भन्ने देखाउँछ। यो चौडाइ आफैंमा एक सूचना हो।

के AI सुधार-तन्त्र भए पनि ज्योतिषी आवश्यक हुन्छन्?

सुधार-कार्यका लागि धेरै अवस्थामा होइन, किनकि तन्त्रले समर्थन गर्न सकिने उत्तर फिर्ता दिन्छ जसलाई कुनै पनि सक्षम पाठकले प्रयोग गर्न सक्छ। तर सुधारिएको कुण्डलीको पठनका लागि हो। AI सुधारले जग बनाउँछ; योग, वर्ग-कुण्डली, गोचर समय निर्धारण र आउँदा वर्षको दशा-प्रकृतिको वास्तविक पठन त्यो काम हो जुन ज्योतिषीले जग दह्रो भएपछि गर्छन्। दुवै भूमिका पूरक हुन्, प्रतिस्पर्धी होइनन्।

यदि मेरो दर्ता गरिएको जन्म समय बिल्कुल अज्ञात छ भने के गर्ने?

AI सुधारले जन्म मितिको पूरै चौबीस घण्टामा खोज्न सक्छ, तर परिणाम धेरै कम तीक्ष्ण हुन्छ। पूर्णतः अज्ञात समयको सुधारले प्रायः एउटा उत्तरको साटो दुई-तीन प्रतिस्पर्धी उम्मेद्वार-खिड़की दिन्छ, हरेक खिड़की एउटा फरक लग्नका लागि। तन्त्रले सबै रिपोर्ट गर्नुपर्छ, र ज्योतिषीले हरेक उम्मेद्वारलाई व्यक्तिको स्वभाव, जीवन-इतिहास र पारिवारिक स्मृतिसँग पढेर सही छान्छन्। यस्ता मामिलाहरूमा शास्त्रीय तात्कालिक विधिहरू पूरक प्रमाणका रूपमा बढी महत्वपूर्ण हुन्छन्।

हातको तुलनामा AI सुधार कति छिटो हुन्छ?

स्विस एफेमेरिस लागू गरिएको आधुनिक कम्प्युटरमा एउटा उम्मेद्वार कुण्डली केही मिलिसेकेन्डमा बन्छ। हजारौं उम्मेद्वारलाई दश घटनासँग जाँच्न केही सेकेन्ड लाग्छन्। हातैले समान कार्यमा ज्योतिषीले धेरै दिन लगाउँछन्, किनकि हरेक उम्मेद्वारलाई गणना गर्नुपर्छ, दशा क्यालेन्डर खोल्नुपर्छ, र घटनाको स्कोर हातैले निकाल्नुपर्छ। यो गति-वृद्धि लगभग चार-पाँच गुणाङ्कको हो, र यही नै कुराले अझ गहिरा रणनीति (सीमा-संवेदी नमुना, बेजियन परिमार्जन, बहु-शिखर प्रस्तुति) लाई व्यवहारिक बनाउँछ।

परामर्शसँग अघि बढ्नुहोस्

AI सुधार-तन्त्र त्यति बेला सबैभन्दा उपयोगी हुन्छ जब त्यसले फिर्ता दिएको कुण्डली नै तपाईंले पढ्न, परिमार्जन गर्न र अझ गहिराइमा बुझ्न सक्ने कुण्डली पनि होस्। परामर्शले स्विस एफेमेरिसमा आधारित कुण्डली, पूर्ण विंशोत्तरी दशा क्यालेन्डर, र घटनाअनुसार चलिरहेका कालहरूको दृश्य एकैसाथ प्रस्तुत गर्छ, जसले गर्दा स्वचालित खोजबाट निस्केको कुनै पनि उम्मेद्वार समयलाई सीधै जाँच्न सकिन्छ: हरेक लंगर मितिमा महादशा र अन्तर्दशा स्वामी, मन्द-गति ग्रहहरूको गोचर, नवांश र दशमांशको पुष्टि, अनि तात्कालिक जाँचहरू। यदि तपाईंको दर्ता भएको जन्म समय अनिश्चित छ र तपाईंसँग मिति भएका घटनाहरूको सूची छ भने, सबैभन्दा छिटो पहिलो कदम भनेको आफ्नो अनुमानित समयबाट कुण्डली बनाउनु र घटनाहरूसँगै चलिरहेका कालहरू पढ्नु हो।

निःशुल्क कुण्डली बनाउनुहोस् →