એન્ડ-ટુ-એન્ડ એપ્લિકેશન: મૂલ્યાંકન, માન્યતા, નીતિશાસ્ત્ર અને સીમાઓ

નફો:

• એક નાનો ટેસ્ટ સેટ (eval) સેટ કરવાની ક્ષમતા જે તમારા પોતાના ડેટા સાથે મોડેલનું મૂલ્યાંકન કરે છે
• વર્કફ્લોમાં માનવીય ચકાસણી, મર્યાદાઓ અને જવાબદાર ઉપયોગ નીતિને એમ્બેડ કરો
• આભાસ, ગોપનીયતા અને નૈતિક જોખમોને ઓળખો અને ઘટાડવાનાં પગલાં લાગુ કરો

તમે યોગ્ય મોડેલ પસંદ કર્યું છે; શું કામ થઈ ગયું? ના, ખરું કામ હવે શરૂ થાય છે. તમારા વ્યવસાયમાં મોડેલ મૂકવું એ તમારા પોતાના ડેટા સામે તેનું પરીક્ષણ કરવા, તેના આઉટપુટને માન્ય કરવા અને જવાબદારીપૂર્વક તેને ઘડવામાં આવે છે. આ અંતિમ એકમ સમગ્ર મોડ્યુલને એન્ડ-ટુ-એન્ડ એપ્લિકેશનમાં ફેરવે છે: તમે શીખી શકશો કે કેવી રીતે એક નાનો ટેસ્ટ સ્યુટ (ઇવેલ) સેટ કરવો, વર્કફ્લોમાં માનવ ચકાસણીને એમ્બેડ કરવી, ભ્રામકતા અને ગોપનીયતાના જોખમોનું સંચાલન કરવું અને નૈતિક સીમાઓ કેવી રીતે દોરવી. એકવાર એકમ પૂર્ણ થઈ જાય પછી, તમે માત્ર એક મોડેલ પસંદ કરવા માટે જ નહીં પરંતુ તેને વિશ્વાસ સાથે કમિશન કરવા માટે પણ સજ્જ થશો.

મૂલ્યાંકન (Eval): તમારા પોતાના ડેટા સાથે પરીક્ષણ

હવે તમે જાણો છો કે માત્ર તમારો વાસ્તવિક ડેટા, જાહેરાતો નહીં, એ કહી શકે છે કે મોડેલ તમારા વ્યવસાયને બંધબેસે છે કે નહીં. આને માપવાની રીત એ મૂલ્યાંકન સમૂહ (ઇવેલ) સેટ કરવાનો છે: તમારા કાર્યમાંથી નમૂનાઓનો એક નાનો સંગ્રહ જેના માટે સાચો જવાબ જાણીતો છે.

એક સરળ ઇવલ આ રીતે સેટ કરવામાં આવ્યું છે:

1. 10-30 વાસ્તવિક નમૂનાઓ એકત્રિત કરો. ઇનપુટ પસંદ કરો કે જે તમારા કામ માટે લાક્ષણિક છે (મિક્સ મુશ્કેલ અને સરળ).
2. દરેક ઉદાહરણ માટે "સાચો/અપેક્ષિત આઉટપુટ" નક્કી કરો. નિષ્ણાત શું જવાબ આપશે?
3. સમાન ઉદાહરણો દ્વારા ઉમેદવારોને ચલાવો. તમે જે મૉડલની સરખામણી કરી રહ્યાં છો તે જ સેટ સાથે એક પછી એકનું પરીક્ષણ કરો.
4. પરિણામો સ્કોર. કેટલા ઉદાહરણોમાં તે સાચું છે? તેની ક્યાં ભૂલ થઈ? શું ભૂલો સ્વીકાર્ય છે?
5. સરખામણી કરો અને પસંદ કરો. સર્વોચ્ચ એકંદર સ્કોર પસંદ કરો નહીં, પરંતુ તમારા માટે સૌથી જટિલ ઉદાહરણોમાં સૌથી વધુ વિશ્વસનીય હોય તે પસંદ કરો.

ટીપ: લીડરબોર્ડ્સ પર આંધળો વિશ્વાસ ન કરો. મોડેલ વૈશ્વિક સ્તરે પ્રથમ ક્રમે આવી શકે છે, પરંતુ તમારા વિશિષ્ટ તુર્કી કાનૂની પાઠોમાં બીજા સ્થાનના મોડેલ કરતાં વધુ ખરાબ પ્રદર્શન કરે છે. તમારા પોતાના 20 નમૂનાઓનું મૂલ્ય સેંકડો સાર્વજનિક પરીક્ષણો કરતાં વધુ મૂલ્યવાન છે.

આભાસ: મોડલનું સૌથી કપટી જોખમ

આભાસ એ છે જ્યારે મોડેલ એવી માહિતી ઉત્પન્ન કરે છે જે ખરેખર સાચી નથી, આત્મવિશ્વાસપૂર્ણ ભાષામાં. "મને ખબર નથી" કહેવાને બદલે, મોડેલ કદાચ અસ્તિત્વમાં ન હોય તેવા કાયદા, બનાવેલા આંકડા અથવા ખોટી તારીખ પેદા કરી શકે છે; તદુપરાંત, તે આ ખૂબ જ વિશ્વાસપાત્ર ભાષામાં કરે છે. આ AI નું સૌથી ખતરનાક પાસું છે કારણ કે ભૂલ સત્ય તરીકે છવાઈ જાય છે.

તમે આભાસને સંપૂર્ણપણે દૂર કરી શકતા નથી, પરંતુ તમે તેને ઘટાડી શકો છો અને તેને પકડી શકો છો:

• તેનો આધાર સ્રોત પર રાખો: મોડેલને તમે પ્રદાન કરો છો તે દસ્તાવેજોમાંથી જવાબો બનાવવા માટે કહો, તેની પોતાની "મેમરી" (RAG લોજિક)માંથી નહીં.
• સ્ત્રોતોની વિનંતી કરો: કહો, "દરેક દાવાની આગળ, તે દસ્તાવેજ/વિભાગ લખો કે જેના પર તે આધારિત છે"; જો તે સ્રોત આપી શકતો નથી, તો શંકાસ્પદ બનો.
• લોકોને એવું કહેવા માટે કે તેઓ ચોક્કસ નથી: સૂચના "જો તમને ખાતરી ન હોય, તો 'સ્પષ્ટ નથી' લખો" મોડેલ ફિટિંગ ઘટાડે છે.
• માનવીય ચકાસણી: નિર્ણાયક આઉટપુટ માનવ દ્વારા ચકાસાયેલ હોવું આવશ્યક છે.

સાવધાન: કાનૂની, તબીબી અથવા નાણાકીય નિર્ણયો માટે તેને માન્ય કર્યા વિના મોડેલ આઉટપુટનો ક્યારેય ઉપયોગ કરશો નહીં. મોડેલ દ્વારા ઉત્પાદિત "કાયદો લેખ" અથવા "ડોઝ માહિતી" સંપૂર્ણપણે બનાવટી હોઈ શકે છે. આ વિસ્તારોમાં, AI એ ડ્રાફ્ટ/પ્રારંભિક સાધન છે; સક્ષમ વ્યક્તિ પાસે હંમેશા છેલ્લો શબ્દ હોય છે.

માનવીય ચકાસણી માટેની આવશ્યકતા

આર્ટિફિશિયલ ઇન્ટેલિજન્સ એવા સાધન તરીકે શ્રેષ્ઠ કામ કરે છે જે લોકોને વેગ આપે છે, તેમને કામમાંથી બહાર કાઢે છે. યોગ્ય સેટઅપ નીચે મુજબ છે: મોડેલ ડ્રાફ્ટનું ઉત્પાદન અથવા પૂર્વ-લાયકાત; માનવ સમીક્ષા કરે છે, સુધારે છે અને મંજૂર કરે છે. ચકાસણી કેટલી કડક હોવી જરૂરી છે તે ભૂલની કિંમત પર આધારિત છે.

ક્વેસ્ટ

ભૂલ ખર્ચ

માનવ ચકાસણી

ઉત્પાદન વર્ણન ડ્રાફ્ટ

નીચું

નમૂના નિયંત્રણ પર્યાપ્ત છે

ગ્રાહક ઇમેઇલ પ્રતિસાદ

મધ્યમ

પૂર્વ-સબમિશન સમીક્ષા

કરાર જોખમ વિશ્લેષણ

ઉચ્ચ

લેખ નિષ્ણાત પુષ્ટિ દ્વારા લેખ

તબીબી/નાણાકીય સલાહ

ખૂબ ઊંચી

સંપૂર્ણ નિષ્ણાત ચકાસણી, ફક્ત AI સપોર્ટ

આ કોષ્ટક "દરેક આઉટપુટને મેન્યુઅલી તપાસવું" અને "બિલકુલ તપાસવું નહીં" વચ્ચેના સંતુલન પર પ્રહાર કરે છે. જ્યારે ઓછી કિંમતની નોકરીઓ માટે નમૂનાનું નિયંત્રણ પૂરતું છે, ત્યારે દરેક આઉટપુટને ઊંચી કિંમતવાળી નોકરીઓ માટે ચકાસવી આવશ્યક છે.

નૈતિક અને જવાબદાર ઉપયોગ

જો કે મોડેલની પસંદગી તકનીકી નિર્ણય જેવી લાગે છે, તેની પાછળ નૈતિક જવાબદારીઓ છે:

• પારદર્શિતા: તમારા ગ્રાહકો અથવા કર્મચારીઓને જણાવો કે તમે યોગ્ય સ્થળોએ AI નો ઉપયોગ કરી રહ્યાં છો. ગ્રાહકને એ જાણવાનો અધિકાર છે કે તેઓ માનવ સાથે વાત કરી રહ્યા છે કે AI સાથે.
• પૂર્વગ્રહ: મોડેલો જે ડેટા પર તેમને તાલીમ આપવામાં આવે છે તેના પરથી પૂર્વગ્રહ વારસામાં મેળવી શકે છે. ભરતી અને ધિરાણ આકારણી જેવા સંવેદનશીલ ક્ષેત્રોમાં પરિણામોની વાજબીતાનું નિરીક્ષણ કરો.
• ગોપનીયતા: તમે એકમ 8 માં શીખ્યા ડેટા સુરક્ષા સિદ્ધાંતોને વર્કફ્લોમાં એમ્બેડ કરો; અવિચારી રીતે વ્યક્તિગત ડેટા મોકલશો નહીં.
• જવાબદારી: જ્યારે કોઈ ભૂલ થાય છે, ત્યારે "AI મેડ ઈટ" બચાવ પૂરતો નથી. જવાબદારી વાહનનો ઉપયોગ કરતી સંસ્થાની છે. તેથી દસ્તાવેજ ચકાસણી પ્રક્રિયાઓ.

ટિપ: તમારા વર્કફ્લોમાં થોડી "જવાબદાર ઉપયોગ નીતિ" લખો: કઈ નોકરીઓ AI નો ઉપયોગ કરી શકે છે, કયો ડેટા મોકલી શકાતો નથી, કોણ તેની ચકાસણી કરશે અને કેવી રીતે ભૂલોની જાણ કરવામાં આવશે. આ એક પાનાનો દસ્તાવેજ ભવિષ્યમાં મોટી સમસ્યાઓ અટકાવે છે.

ત્રણ વાસ્તવિક કેસો

કેસ 1 - સમાનતા સ્થાપિત કર્યા વિના અફસોસ. વીમા ટીમ સૌથી વધુ લોકપ્રિય મોડલનું પરીક્ષણ કર્યા વિના દાવાઓનો સારાંશ આપવાનું શરૂ કરે છે. બે અઠવાડિયા પછી, તેઓ સમજે છે કે મોડેલ વારંવાર ટર્કિશ તકનીકી શરતોમાં ભૂલો કરે છે અને કેટલીક રકમ ખોટી રીતે વાંચે છે. જ્યારે તેઓ 20 નમૂનાઓનું મૂલ્યાંકન કરે છે અને ત્રણ મોડેલોની તુલના કરે છે, ત્યારે તેઓ એવા મોડેલ પર સ્વિચ કરે છે જે સૌથી વધુ લોકપ્રિય નથી પરંતુ ટર્કિશ તકનીકી પાઠોમાં વધુ સચોટ છે. નુકસાન: બે અઠવાડિયા અને પ્રૂફરીડિંગ મજૂરી. પાઠ: પહેલા eval, પછી જમાવો.

કેસ 2 - પ્રક્રિયા કે જે આભાસને પકડે છે. પેરાલીગલ મોડેલ પ્રિન્ટઆઉટમાં "સુપ્રીમ કોર્ટનો નિર્ણય" સંદર્ભ જુએ છે. તેમની પ્રક્રિયામાં "દરેક સંદર્ભની ચકાસણી કરો" નિયમ હોવાથી, તે નિર્ણયની શોધ કરે છે અને શોધે છે કે આવો કોઈ નિર્ણય અસ્તિત્વમાં નથી; તેણે એક મોડેલ બનાવ્યું. માનવીય ચકાસણી બદલ આભાર, બનાવટી માહિતી ક્યારેય ક્લાયન્ટ સુધી પહોંચતી નથી. ચકાસણી નિયમ વિના, પ્રતિષ્ઠાનું નુકસાન ગંભીર હોઈ શકે છે.

કેસ 3 - પારદર્શિતા સાથે વિશ્વાસ કરો. એક ઈ-કોમર્સ કંપની AI સાથે ગ્રાહક સપોર્ટ પ્રતિસાદો ઉત્પન્ન કરે છે, પરંતુ દરેક પ્રતિસાદ હેઠળ એક નોંધ ઉમેરે છે: "આ પ્રતિભાવ આર્ટિફિશિયલ ઈન્ટેલિજન્સ સપોર્ટ સાથે તૈયાર કરવામાં આવ્યો હતો અને અમારા પ્રતિનિધિઓમાંથી એક દ્વારા તેની સમીક્ષા કરવામાં આવી હતી." ઝડપી પ્રતિસાદ અને માણસને વ્યસ્ત જોવાનો આત્મવિશ્વાસ બંનેથી ગ્રાહકો વધુ સંતુષ્ટ છે. પારદર્શિતા એ છુપાવવા માટેની નબળાઈ નથી, પરંતુ વિશ્વાસનો સ્ત્રોત છે.

નબળા પ્રોમ્પ્ટ / સ્ટ્રોંગ પ્રોમ્પ્ટ: ચકાસી શકાય તેવું આઉટપુટ

નબળા પ્રોમ્પ્ટ:

મને આ કરારની જોખમી કલમો વિશે કહો.

મોડેલ ફિટ થઈ શકે છે; કોઈ સ્ત્રોત નથી, અનિશ્ચિતતાની કોઈ નિશાની નથી.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: કરાર વિશ્લેષક (અંતિમ નિર્ણય વકીલનો છે). કાર્ય: નીચેના કરારમાં સંભવિત જોખમી કલમોને હાઇલાઇટ કરો. દરેક શોધ માટે: (1) કલમ નંબર અને શબ્દશઃ અવતરણ, (2) તે શા માટે જોખમી છે, (3) તમારું આત્મવિશ્વાસ સ્તર (ઉચ્ચ/મધ્યમ/નીચું). ટેક્સ્ટમાં ફક્ત કલમો પર આધાર રાખો; લખાણમાં ન હોય તેવી કોઈ પણ વસ્તુ બનાવશો નહીં. જ્યાં તમને ખાતરી ન હોય ત્યાં "વકીલ પુષ્ટિ જરૂરી" લખો. [કરાર]

મજબૂત પ્રોમ્પ્ટ દરેક દાવાને સ્ત્રોત સાથે જોડે છે (લેખ નંબર + અવતરણ), આત્મવિશ્વાસના સ્તરની જરૂર છે, અને બનાવટને પ્રતિબંધિત કરે છે; આ આભાસને પકડવા યોગ્ય બનાવે છે.

નકલ કરી શકાય તેવા નમૂનાઓ

1. ઇવલ સેટ ડિઝાઇન:

નીચેના કાર્ય [ટાસ્ક] માટે મૂલ્યાંકન સેટ ડિઝાઇન કરો. 15 નમૂના ઇનપુટ્સ (મિશ્ર સરળ-મધ્યમ-મુશ્કેલ) સૂચવો, દરેક માટે "અપેક્ષિત યોગ્ય આઉટપુટ" કેવી રીતે વ્યાખ્યાયિત કરવામાં આવશે, અને સ્કોરિંગ માપદંડ નક્કી કરો (1-5).

2. આભાસ-ઘટાડો લપેટી:

ફેબ્રિકેશન ઘટાડવા માટે નીચેના પ્રોમ્પ્ટને ફરીથી લખો: "[PROMPT]". સ્ત્રોતો ટાંકવા, આત્મવિશ્વાસના સ્તરનો ઉલ્લેખ કરવા માટે નિયમો ઉમેરો અને "જો તમને ખાતરી ન હોય તો મને કહો."

3. ચકાસણી પ્રવાહ ડિઝાઇન:

નીચેના વર્કફ્લો [વર્કફ્લો] માં AI આઉટપુટ માટે માનવ ચકાસણી પગલું ડિઝાઇન કરો. ભૂલની કિંમતના આધારે ચકાસણી કેટલી કડક હોવી જોઈએ તે નક્કી કરો; કોણ શું, ક્યારે તપાસશે તે લખો.

4. ડ્રાફ્ટ જવાબદાર ઉપયોગ નીતિ:

[ઇન્ડસ્ટ્રી] માં ટીમ માટે એક પૃષ્ઠની "જવાબદાર AI ઉપયોગ નીતિ"નો મુસદ્દો તૈયાર કરો. નીચેના મથાળાઓ શામેલ કરો: પરવાનગી આપેલ ઉપયોગો, પ્રતિબંધિત ડેટા, ચકાસણીની જવાબદારી, પારદર્શિતા રિપોર્ટિંગ, ભૂલની જાણ કરવી.

સામાન્ય ભૂલો

• Eval વિના જમાવટ: તમારા પોતાના ડેટા સાથે તેનું પરીક્ષણ કર્યા વિના અને ગ્રાહક/નોકરીમાં પ્રતિબિંબિત થયા પછી ભૂલો ધ્યાનમાં લીધા વિના મોડેલને શરૂ કરવું.
• આભાસ પર આધાર રાખવો: સંદર્ભોની ચકાસણી કર્યા વિના મોડેલની આત્મવિશ્વાસપૂર્ણ ભાષાનો સત્ય તરીકે ઉપયોગ કરવો.
• માનવીય ચકાસણીને બાયપાસ કરીને: ઉચ્ચ-ખર્ચના નિર્ણયોમાં આઉટપુટને અનચેક છોડવું; "એઆઈએ કર્યું" સંરક્ષણ પર ઝુકાવ.
• પારદર્શિતા ટાળવી: AI નો તમારો ઉપયોગ છુપાવો; જ્યારે તે થાય ત્યારે આત્મવિશ્વાસ ગુમાવવાનો અનુભવ કરવો.
• નૈતિકતા અને પૂર્વગ્રહની અવગણના: આઉટપુટની ઔચિત્યની દેખરેખ કર્યા વિના સંવેદનશીલ નિર્ણયો (ભાડે, ક્રેડિટ) નો ઉપયોગ કરવો.

સારાંશમાં

• મોડેલને જમાવતા પહેલા, તમારા પોતાના ડેટા સાથે એક નાનો ઇવેલ સેટ કરો અને ઉમેદવારોનું પરીક્ષણ કરો; એકંદર રેન્કિંગ તમારા વ્યવસાયનું પ્રતિનિધિત્વ કરતું નથી.
• આભાસ એ મોડેલની ખોટી ભાષાનું આત્મવિશ્વાસપૂર્ણ ઉત્પાદન છે; સ્ત્રોત એટ્રિબ્યુશન, વિશ્વાસ સ્તર અને માનવ ચકાસણી દ્વારા કેપ્ચર.
• માનવ ચકાસણીની કડકતા ભૂલની કિંમત અનુસાર ગોઠવવામાં આવે છે; નિર્ણાયક વિસ્તારોમાં AI માત્ર આધાર છે, નિર્ણય માનવનો છે.
• પારદર્શિતા, પૂર્વગ્રહ નિયંત્રણ, ગોપનીયતા અને જવાબદારી; જવાબદાર AI ઉપયોગના ચાર આધારસ્તંભ છે. એક પૃષ્ઠ નીતિ મોટા જોખમોને અટકાવે છે.

એપ્લિકેશન કાર્ય

તમે સમગ્ર મોડ્યુલમાં પસંદ કરેલ ઉમેદવાર મોડેલ(ઓ) માટે આ એકમમાં નમૂના 1 સાથે 15 ઉદાહરણોનો મૂલ્યાંકન સેટ કરો (ઇવલ સેટ ડિઝાઇન). પછી ટેમ્પલેટ 3 (માન્યતા પ્રવાહ) સાથે માનવો દ્વારા આઉટપુટ કેવી રીતે ચકાસવામાં આવશે તે ડિઝાઇન કરો અને ટેમ્પલેટ 4 (જવાબદાર ઉપયોગ નીતિ) સાથે તમારી ટીમ માટે એક-પૃષ્ઠ નીતિનો મુસદ્દો તૈયાર કરો. આ ત્રણ ડિલિવરેબલ્સ સમગ્ર મોડ્યુલને કાર્યક્ષમ જમાવટ યોજનામાં ફેરવે છે.

ચેકલિસ્ટ

• [ ] મારા પોતાના ડેટા સાથે, હું એક નાનો ઇવેલ સેટ સેટ કરી શકું છું અને મોડેલોની તુલના કરી શકું છું.
• [ ] હું આભાસને ઓળખી શકું છું અને શમન અને ધરપકડના પગલાં લાગુ કરી શકું છું.
• [ ] હું ભૂલની કિંમતના આધારે માનવ ચકાસણીની કડકતાને સમાયોજિત કરી શકું છું.
• [ ] હું વર્કફ્લોમાં પારદર્શિતા, પૂર્વગ્રહ, ગોપનીયતા અને જવાબદારીના સિદ્ધાંતોને એમ્બેડ કરી શકું છું.
• [ ] હું એક પૃષ્ઠની જવાબદાર AI ઉપયોગ નીતિનો મુસદ્દો તૈયાર કરી શકું છું.

મોડ્યુલ પરીક્ષા

1. AI 'પ્રોવાઈડર' અને 'મોડલ ફેમિલી' વચ્ચે શું તફાવત છે?

• A) પ્રદાતા એ કંપની છે જે મોડેલ વિકસાવે છે, અને મોડેલ કુટુંબ એ બ્રાન્ડ હેઠળ તે કંપનીનું મોડેલ જૂથ છે ✔
• બી) તેઓ બરાબર એક જ વસ્તુ છે અને એકબીજાના બદલે વાપરવામાં આવે છે
• C) પ્રદાતા એ મોડેલની કિંમત છે, મોડેલ કુટુંબ એ મોડેલની ગતિ છે.
• ડી) મોડેલ કુટુંબ કંપનીનો સંદર્ભ આપે છે, સપ્લાયર એક મોડેલ સંસ્કરણનો સંદર્ભ આપે છે

વર્ણન: પ્રદાતા એ કંપની છે જેણે મોડેલ વિકસાવ્યું છે (દા.ત. એન્થ્રોપિક); મોડેલ કુટુંબ એ મોડેલ જૂથ છે જે તે કંપની બ્રાન્ડ હેઠળ એકત્રિત કરે છે (ઉદાહરણ તરીકે, ક્લાઉડ). મૉડલ વર્ઝન એ કુટુંબની અંદરનું ચોક્કસ વર્ઝન છે.

2. મોડેલના 'વજન'ને સૌથી સચોટ રીતે કેવી રીતે વ્યાખ્યાયિત કરી શકાય?

• એ) તે ટોકન્સની સંખ્યા છે જે મોડેલ પ્રતિ મિનિટ ઉત્પન્ન કરી શકે છે
• બી) તે અબજો સંખ્યાત્મક પરિમાણો છે જે મોડેલ તાલીમ દરમિયાન શીખે છે અને તેની માહિતી સંગ્રહિત કરે છે. ✔
• C) તે મોડેલની માસિક સબ્સ્ક્રિપ્શન ફી છે
• ડી) તે મોડેલ દ્વારા સમર્થિત ભાષાઓની સંખ્યા છે

વર્ણન: વજન એ અબજો સંખ્યાત્મક પરિમાણો છે જે મોડેલ તાલીમ દરમિયાન શીખે છે; તે તે છે જ્યાં 'મોડેલ જાણે છે તે બધું' સંગ્રહિત થાય છે. બંધ/સ્પષ્ટ વજન તફાવત આ પરિમાણોને ડાઉનલોડ અને ચલાવી શકાય છે કે કેમ તેના પર આધાર રાખે છે.

3. 'ઓપન-વેઇટ' અને 'ઓપન-સોર્સ' વિશે કયું વિધાન સાચું છે?

• A) તે બરાબર સમાન ખ્યાલો છે અને બંને અમર્યાદિત વ્યવસાયિક ઉપયોગ આપે છે
• બી) ઓપન વેઇટ હંમેશા તાલીમ ડેટાને પણ સાર્વજનિક બનાવે છે
• સી) તે સમાન વસ્તુ નથી; ઓપન વેઇટીંગમાં, સામાન્ય રીતે માત્ર પરિમાણો શેર કરવામાં આવે છે અને લાયસન્સની શરતો વ્યાપારી ઉપયોગને મર્યાદિત કરી શકે છે ✔
• ડી) ઓપન સોર્સ મોડલ્સ ડાઉનલોડ કરી શકાતા નથી, ઓપન વેઇટ મોડલ્સ ડાઉનલોડ કરી શકાય છે

સમજૂતી: ઓપન વેઇટીંગમાં, માત્ર મોડેલ પેરામીટર્સ શેર કરવામાં આવે છે; તાલીમ ડેટા અને પ્રક્રિયા ઘણીવાર જાહેર કરવામાં આવતી નથી, અને કેટલાક લાઇસન્સ વ્યાવસાયિક ઉપયોગને મર્યાદિત કરે છે. તેથી 'ઓપન વેઇટ' બરાબર 'ઓપન સોર્સ' જેવું નથી.

4. લાંબા કરારો વાંચતી અને તેનું વિશ્લેષણ કરતી કાનૂની ટીમ માટે નીચેનામાંથી કયું સૌથી નિર્ણાયક મોડેલ લક્ષણ છે?

• A) સૌથી ઓછી ટોકન કિંમત
• બી) વિઝ્યુઅલ (મલ્ટીમોડલ) પ્રોસેસિંગ ક્ષમતા ધરાવે છે
• સી) ઓપન વેઇટ લાયસન્સ ધરાવો
• ડી) વિશાળ સંદર્ભ વિન્ડો ધરાવો ✔

સમજૂતી: એકંદરે લાંબા દસ્તાવેજો પર પ્રક્રિયા કરવા માટે મોડેલને વિશાળ સંદર્ભ વિંડોની જરૂર છે; સંદર્ભ વિન્ડો એ ટોકન્સની કુલ રકમ છે જે મોડેલ એક સમયે ધ્યાનમાં રાખી શકે છે.

5. બંધ વજનના મોડલ માટે ટોકન કિંમતો વિશે શું સાચું છે?

• A) આઉટપુટ ટોકન સામાન્ય રીતે ઇનપુટ ટોકન કરતાં નોંધપાત્ર રીતે વધુ ખર્ચાળ હોય છે ✔
• બી) ઇનપુટ અને આઉટપુટ હંમેશા બરાબર સમાન કિંમત હોય છે
• સી) માત્ર નિશ્ચિત માસિક ફી વસૂલવામાં આવે છે, વપરાશની રકમ અપ્રસ્તુત છે
• ડી) ઇનપુટ ટોકન હંમેશા આઉટપુટ કરતાં અનેક ગણું મોંઘું હોય છે

સમજૂતી: કિંમત ટોકન દીઠ ગણવામાં આવે છે, અને મોડેલ જે આઉટપુટ ટોકન બનાવે છે તે સામાન્ય રીતે તમે મોકલેલા ઇનપુટ ટોકન કરતાં અનેક ગણું મોંઘું હોય છે. તેથી, લાંબી અને બિનજરૂરી પ્રિન્ટઆઉટ ઝડપથી ખર્ચમાં વધારો કરે છે.

6. એકાઉન્ટિંગ ટીમ માટે મોડેલમાં કયું લક્ષણ આવશ્યક છે જે ઇન્વોઇસ છબીઓમાંથી આપમેળે ડેટા કાઢવા માંગે છે?

• A) શક્ય તેટલી વ્યાપક વિન્ડો
• બી) મલ્ટિમોડેલિટી (વિઝ્યુઅલ પ્રોસેસિંગ ક્ષમતા) ✔
• સી) ઓપન વેઇટ લાયસન્સ
• ડી) તર્કનું ઉચ્ચતમ સ્તર

સમજૂતી: વિઝ્યુઅલ કન્ટેન્ટને સમજવા માટે, મૉડલ ઇમેજ તેમજ ટેક્સ્ટ પર પ્રક્રિયા કરવામાં સક્ષમ હોવું જોઈએ, એટલે કે, તે મલ્ટિમોડલ હોવું જોઈએ. મલ્ટિમોડાલિટી એ મોડેલની બહુવિધ પ્રકારના ડેટાને હેન્ડલ કરવાની ક્ષમતા છે, જેમ કે ટેક્સ્ટ, છબીઓ અને ક્યારેક ઑડિઓ.

7. ઉચ્ચ-વોલ્યુમ, સરળ કાર્ય (દા.ત. હજારો સમીક્ષાઓનું હકારાત્મક/નકારાત્મક વર્ગીકરણ) માટે સૌથી તાર્કિક પસંદગી શું છે?

• એ) હંમેશા સૌથી મજબૂત અને સૌથી ખર્ચાળ તર્કનું મોડેલ
• બી) એક મોડેલ જે ફક્ત ખુલ્લા વજન અને તેના પોતાના સર્વર પર કામ કરે છે
• સી) હલકો અને ઓછા ખર્ચે મોડલ, કારણ કે કાર્ય સરળ છે અને વોલ્યુમ વધારે છે ✔
• ડી) સૌથી પહોળી સંદર્ભ વિંડો સાથેનું મોડેલ

વર્ણન: હળવા, ઓછા ખર્ચે મોડલ સરળ, ઉચ્ચ-વોલ્યુમ કાર્યો માટે યુક્તિ કરે છે; સૌથી શક્તિશાળી અને ખર્ચાળ મોડલનો ઉપયોગ અહીં બિનજરૂરી ખર્ચ બનાવે છે. સાચો અભિગમ એ કાર્યની મુશ્કેલીને મોડેલ ટાયર સાથે મેચ કરવાનો છે.

8. KVKK ના સંદર્ભમાં વિદેશી-આધારિત AI પ્રદાતાને વ્યક્તિગત ડેટા ધરાવતો ટેક્સ્ટ મોકલવાનું શું કારણ બને છે?

• એ) તે કોઈ કાનૂની જવાબદારી ઊભી કરતું નથી
• B) જો પ્રદાતા EU માં હોય તો જ મહત્વનું છે, અન્ય કોઈ કિસ્સામાં નહીં
• સી) ડેટા અનામી છે કે નહીં તે ધ્યાનમાં લીધા વિના, તે તમામ સંજોગોમાં સખત રીતે પ્રતિબંધિત છે
• ડી) વિદેશમાં ડેટા ટ્રાન્સફર ગણવામાં આવે છે અને તે KVKK ની વિશેષ શરતોને આધીન છે ✔

સમજૂતી: વિદેશમાં પ્રદાતાના સર્વર પરના ઓપરેટિંગ ડેટાને 'વિદેશમાં ડેટા ટ્રાન્સફર' ગણવામાં આવે છે અને તે આ વિષય પર KVKK ની વિશેષ શરતોને આધીન છે (જેમ કે સ્પષ્ટ સંમતિ, પર્યાપ્તતા નિર્ણય, યોગ્ય ખાતરી).

9. મોડેલની 'રીઝનિંગ' મોડ શું કરે છે અને તે કિંમતને કેવી રીતે અસર કરે છે?

• એ) તે જટિલ સમસ્યાઓમાં ચોકસાઈ વધારે છે, પરંતુ ખર્ચ અને વિલંબમાં વધારો કરે છે કારણ કે તે વધુ ટોકન્સ જનરેટ કરે છે ✔
• બી) મોડેલને હંમેશા મફત બનાવે છે
• સી) માત્ર મોડેલ દ્વારા સમર્થિત ભાષાઓની સંખ્યામાં વધારો કરે છે
• ડી) જવાબો હંમેશા ટૂંકા કરો અને ખર્ચ ઓછો કરો

વર્ણન: રિઝનિંગ મોડ મોડલને જવાબ આપતા પહેલા સ્ટેપ બાય સ્ટેપ 'વિચારવા' દે છે; તે બહુ-પગલાની અને જટિલ સમસ્યાઓમાં ચોકસાઈ વધારે છે, પરંતુ તે ખર્ચ અને વિલંબમાં પણ વધારો કરે છે કારણ કે તે વધુ ટોકન્સ જનરેટ કરે છે.

10. તમારા પોતાના વ્યવસાય માટે મોડેલનું મૂલ્યાંકન (મૂલ્યાંકન) કરતી વખતે સૌથી વિશ્વસનીય અભિગમ કયો છે?

• A) ફક્ત સૌથી વધુ લોકપ્રિય મોડલ પસંદ કરીને અને પરીક્ષણ કર્યા વિના તેનો ઉપયોગ કરો
• B) તમારા પોતાના વાસ્તવિક કાર્યોનો એક નાનો ટેસ્ટ સેટ સેટ કરો અને તેની સાથે મોડેલોની તુલના કરો ✔
• C) માત્ર જાહેરાતોમાં દર્શાવેલ બેન્ચમાર્ક સ્કોર જોવો
• ડી) સર્વોચ્ચ સંદર્ભ વિન્ડો સાથેના મોડેલને શ્રેષ્ઠ તરીકે આપમેળે સ્વીકારો

સમજૂતી: લીડરબોર્ડ્સ પર આંધળો આધાર રાખવાને બદલે, તમારા પોતાના વાસ્તવિક કાર્યોનો એક નાનો ટેસ્ટ સેટ બનાવવો અને આ સેટ પરના મોડલની સરખામણી કરવાથી તમારા વ્યવસાયને ખરેખર અનુકૂળ હોય તે જાહેર થશે.

11. મોડેલના આઉટપુટમાં 'આભાસ' હોઈ શકે તેવા જ્ઞાનમાં તમારા વર્કફ્લોને કેવી રીતે આકાર આપવો જોઈએ?

• A) આઉટપુટ હંમેશા સાચો અને સીધો પ્રકાશિત કરવો જોઈએ
• બી) ભ્રમણા ફક્ત મફત મોડેલોમાં જ જોવા મળે છે, પેઇડ મોડેલોમાં નહીં
• સી) નિર્ણાયક નિર્ણયોમાં, આઉટપુટ માનવ દ્વારા ચકાસાયેલ હોવું જોઈએ અને સ્ત્રોતોની પુષ્ટિ કરવી આવશ્યક છે ✔
• ડી) માત્ર મોડેલ બદલીને આભાસને સંપૂર્ણપણે દૂર કરી શકાય છે

સમજૂતી: આભાસ એ છે જ્યારે મોડેલ એવી માહિતી ઉત્પન્ન કરે છે જે ખરેખર સાચી નથી, આત્મવિશ્વાસપૂર્ણ ભાષામાં. આ જોખમને કારણે, માનવ દ્વારા આઉટપુટની ચકાસણી જરૂરી હોવી જોઈએ, ખાસ કરીને કાનૂની, તબીબી અને નાણાકીય નિર્ણયો માટે.

12. પરિપક્વ સંસ્થાઓ દ્વારા અપનાવવામાં આવેલા 'મોડલ પોર્ટફોલિયો' અભિગમનો મૂળભૂત તર્ક શું છે?

• A) દરેક કામ એક જ, સૌથી મોંઘા મોડલ દ્વારા કરાવવાથી સરળતાની ખાતરી કરવી.
• બી) માત્ર સૌથી સસ્તા મોડલનો ઉપયોગ કરીને અને ગુણવત્તાને સંપૂર્ણપણે અવગણીને
• સી) કોઈપણ મોડેલનો ઉપયોગ કરશો નહીં અને તમામ કામ જાતે કરો
• ડી) કાર્ય અનુસાર વિવિધ મોડેલોનો ઉપયોગ કરીને ખર્ચને શ્રેષ્ઠ બનાવવો અને એક જ પ્રદાતા પર નિર્ભરતા ઘટાડવી ✔

વર્ણન: મૉડલ પોર્ટફોલિયો એ કાર્ય અનુસાર અલગ-અલગ મૉડલનો ઉપયોગ કરવાનો છે: સરળ અને ભારે નોકરીઓ માટે સસ્તું મૉડલ, જટિલ નોકરીઓ માટે શક્તિશાળી મૉડલ, ગોપનીય ડેટા માટે ખુલ્લા વજન/પ્રાદેશિક મૉડલ. આ બંને ખર્ચને શ્રેષ્ઠ બનાવે છે અને એક જ પ્રદાતા પર નિર્ભરતા ઘટાડે છે.

13. શા માટે મૂળ દેશ અને ડેટા રીટેન્શન પોલિસી મોડલ પસંદગી માટે માપદંડ હોઈ શકે છે?

• A) કારણ કે તે નિયમનકારી, ડેટા સાર્વભૌમત્વ અને ગોપનીયતા જરૂરિયાતોને સીધી અસર કરે છે ✔
• બી) માત્ર એટલા માટે કે તે મોડેલની પ્રતિભાવ ગતિ નક્કી કરે છે
• C) કારણ કે તે મોડેલ દ્વારા સપોર્ટેડ ફાઇલ ફોર્મેટ નક્કી કરે છે
• ડી) કારણ કે તેની કોઈ વ્યવહારિક અસર નથી, તે માત્ર એક માર્કેટિંગ વિગતો છે

વર્ણન: દેશ જ્યાં મોડેલનો વિકાસકર્તા સ્થિત છે અને ક્યાં/કેટલો ડેટા સંગ્રહિત છે; તે કાનૂની નિયમન, ડેટા સાર્વભૌમત્વ અને ગોપનીયતાના સંદર્ભમાં નિર્ણાયક છે. ઉદાહરણ તરીકે, જે સંસ્થા EU ની અંદર હોસ્ટ કરવા માંગે છે, તેના માટે પ્રાદેશિક પ્રદાતા અથવા શૂન્ય સંગ્રહ વિકલ્પ મહત્વપૂર્ણ બની જાય છે.

14. કયું શ્રેષ્ઠ સમજાવે છે કે કાર્યમાં 'સિંગલ બેસ્ટ મોડલ' શોધવું કેમ ભ્રામક છે?

• A) બધા મોડેલો વાસ્તવમાં બરાબર સમાન ક્ષમતાઓ ધરાવે છે
• B) મોડેલો વિવિધ કદમાં મજબૂત હોય છે, તેથી 'શ્રેષ્ઠ' નોકરીની જરૂરિયાત પર આધાર રાખે છે ✔
• C) સૌથી મોંઘા મોડલ દરેક કાર્યમાં આપમેળે શ્રેષ્ઠ છે
• ડી) મોડેલની પસંદગી સંપૂર્ણપણે અવ્યવસ્થિત રીતે થવી જોઈએ

વર્ણન: મોડેલો ઝડપ, કિંમત, સંદર્ભ, બહુવિધતા, ગોપનીયતા અને તર્ક જેવા વિવિધ પરિમાણો પર મજબૂત હોય છે. એક મોડેલ કે જે એક પરિમાણ પર નેતા છે તે બીજા પર નબળા હોઈ શકે છે; તેથી 'શ્રેષ્ઠ' હંમેશા નોકરીની જરૂરિયાત પર આધાર રાખે છે.