યુએસ જાયન્ટ્સ ઊંડાણપૂર્વક: એન્થ્રોપિક, ઓપનએઆઈ, ગૂગલ

નફો:

• મેચિંગ મજબૂત ક્ષેત્રો અને ક્લાઉડ, GPT અને જેમિની પરિવારોના લાક્ષણિક વપરાશકર્તા
• દરેક પ્રદાતાના સ્તર (સ્તર) તર્ક અને મોડેલ નામકરણને વાંચવાની ક્ષમતા
• તમારા પોતાના ટેસ્ટિંગ ડેટા પર આધારિત સરખામણી કરવાની ટેવ પાડો, માર્કેટિંગ દાવાઓ પર નહીં

અમે બજારનું નકશા બનાવ્યું અને બંધ/ખુલ્લા વજનનો તફાવત શીખ્યા. હવે આપણે બજારમાં સૌથી વધુ દેખાતા ત્રણ ખેલાડીઓને જાણીશું, જેમ કે મોટા યુએસ-આધારિત પ્રદાતાઓ: એન્થ્રોપિક (ક્લાઉડ), OpenAI (GPT) અને Google (જેમિની). આજે મોટાભાગના એન્ટરપ્રાઇઝ AI નિર્ણયોમાં આ ત્રણ વિશેષતા છે. અમારો ધ્યેય "વિજેતા" જાહેર કરવાનો નથી; ઉદ્દેશ્ય ઉદ્દેશ્યપૂર્વક સમજવાનો છે કે દરેક ક્યાં ચમકે છે, તેનું નામકરણ તર્ક અને તેના લાક્ષણિક વપરાશકર્તા. જ્યારે એકમ સમાપ્ત થઈ જશે, ત્યારે તમે આ ત્રણ પરિવારો વિશે તેમને મૂંઝવણમાં મૂક્યા વિના વાત કરી શકશો અને તમે આંતરિક સમજશો કે તમારે તમારી પોતાની કસોટી પર સરખામણી કરવી જોઈએ, જાહેરાત પર નહીં.

સામાન્ય તર્ક: ટાયર સિસ્ટમ

આ ત્રણેય પ્રદાતાઓ એક સરખા તર્કનો ઉપયોગ કરે છે: તેઓ એક જ પરિવારમાં મોડલ ઓફર કરે છે, જે ઝડપ/ખર્ચ/પાવર બેલેન્સ અનુસાર ટાયર્ડ હોય છે. સામાન્ય રીતે ત્રણ સ્તરો હોય છે:

• હળવા સ્તર: સૌથી ઝડપી અને સસ્તું. સરળ, ઉચ્ચ-વોલ્યુમ કાર્યો (વર્ગીકરણ, બ્રીફિંગ, લેબલીંગ) માટે.
• સંતુલિત તબક્કો: મિડ-રેન્જ પાવર અને ખર્ચ. મોટાભાગના દૈનિક કાર્યો માટે "ડિફોલ્ટ" પસંદગી.
• મજબૂત સ્તર: સૌથી સક્ષમ, સૌથી ખર્ચાળ, સૌથી ધીમું. જટિલ તર્ક, લાંબા વિશ્લેષણ, મુશ્કેલ કોડ માટે.

એકવાર તમે આ ટાયર લોજિકને સમજી લો, પછી તમે ગમે તે પ્રદાતાને જોશો તો પણ તમે ખોવાઈ જશો નહીં. "આ કુટુંબમાં આ મોડેલને કયું સ્તર અનુલક્ષે છે?" તે પૂછવા માટે પૂરતું છે.

ટિપ: જ્યારે તમે કોઈ નવા મૉડલ વિશે સાંભળો, ત્યારે પહેલા પૂછો કે "કયા કુટુંબનું કયું સ્તર?" પૂછો નામોની ભીડ તમને ડરવા ન દો; દરેક પ્રદાતા વાસ્તવમાં જુદા જુદા નામો હેઠળ સમાન ત્રણ સ્તરો પ્રદાન કરે છે.

એન્થ્રોપિક - ક્લાઉડ કુટુંબ

એન્થ્રોપિકનો ક્લાઉડ પરિવાર ઓપસ (મજબૂત), સોનેટ (સંતુલિત) અને હાઈકુ (પ્રકાશ) નામના ત્રણ સ્તરો પ્રદાન કરે છે. સંસ્કરણ નંબરો પણ શામેલ છે; ઉદાહરણ તરીકે, આ પ્લેટફોર્મ દ્વારા ઉપયોગમાં લેવાતું મોડેલ ક્લાઉડ-ઓપસ-4-8 છે, એટલે કે, ઓપસ સ્ટેજનું 4.8 વર્ઝન.

તે આમાં ઉત્કૃષ્ટ છે: લાંબી સંદર્ભ પ્રક્રિયા (સો-પૃષ્ઠ દસ્તાવેજો તેમના સંપૂર્ણ રીતે વાંચવાની ક્ષમતા), કોડ લખવા અને વાંચવા અને એન્ટરપ્રાઇઝના ઉપયોગમાં સુરક્ષિત, અનુમાનિત વર્તન. ક્લાઉડ સૂચનોની નજીક રહેવા અને સંવેદનશીલ બાબતો પર તૈયાર રહેવા માટે જાણીતા છે. તેથી, તે નિયમનકારી ક્ષેત્રો જેમ કે કાયદો, નાણા અને આરોગ્યમાં વારંવાર પસંદ કરવામાં આવે છે.

લાક્ષણિક વપરાશકર્તા: લાંબા દસ્તાવેજોનું વિશ્લેષણ કરતી કાનૂની ટીમો, કોડની સમીક્ષા કરતી સોફ્ટવેર ટીમો, કોર્પોરેટ ગ્રાહક સેવાઓ કે જેને સુરક્ષિત આઉટપુટની જરૂર હોય છે.

વર્તમાન એન્થ્રોપિક મોડલ અને અંદાજિત કિંમતો (પ્રતિ મિલિયન ટોકન્સ, ઇનપુટ/આઉટપુટ):

મોડેલ

સ્ટેજ

સંદર્ભ

ઇનપુટ $/1M

આઉટપુટ $/1M

ક્લાઉડ ઓપસ 4.8

મજબૂત

1M ટોકન્સ

~5

~25

ક્લાઉડ સોનેટ 5

સંતુલિત

1M ટોકન્સ

~3

~15

ક્લાઉડ હાઇકુ 4.5

હલકો

200K ટોકન્સ

~1

~5

ધ્યાન આપો: આ કિંમતો તે સમયગાળા માટે અંદાજિત છે જેમાં આ મોડ્યુલ તૈયાર કરવામાં આવ્યું હતું અને વારંવાર બદલાય છે. નિર્ણય લેતા પહેલા પ્રદાતાના વર્તમાન ભાવ પૃષ્ઠની પુષ્ટિ કરવાની ખાતરી કરો. અમે 6ઠ્ઠા એકમમાં ભાવ તર્કની વિગતવાર ચર્ચા કરીશું.

ઓપનએઆઈ - જીપીટી ફેમિલી

OpenAI નું GPT કુટુંબ બજારમાં સૌથી વધુ માન્યતા પ્રાપ્ત બ્રાન્ડ છે અને તેની પાસે સૌથી મોટી તૃતીય-પક્ષ ઇકોસિસ્ટમ છે; એટલે કે, GPT માટે પહેલા ઘણા સોફ્ટવેર ટૂલ્સ, પ્લગ-ઇન્સ અને ઇન્ટિગ્રેશન બહાર પાડવામાં આવે છે. GPT ફેમિલી પણ ટાયર્ડ છે: ઝડપી અને સસ્તા મોડલ છે (ઉદાહરણ તરીકે, GPT-4o મિની જેવા હળવા વજનના વિકલ્પો), સંતુલિત ઓલ-રાઉન્ડ મોડલ્સ (GPT-4o), અને "ઓ-શ્રેણી" જેવા વિચારસરણી-ભારે મોડલ્સ ખાસ કરીને તર્ક પર કેન્દ્રિત છે.

વિસ્તારો જ્યાં તે અલગ છે: વર્સેટિલિટી અને વ્યાપ. ટેક્સ્ટ, કોડ, છબીઓ અને ઑડિઓ માટે ક્ષમતાઓની વિશાળ શ્રેણી; પરિપક્વ વાહન ઇકોસિસ્ટમ; અને વ્યાપક સમુદાય સમર્થન. "શું AI સાથે કામ થઈ શકે છે?" GPT સામાન્ય રીતે તૈયાર પ્રારંભિક બિંદુ છે.

લાક્ષણિક વપરાશકર્તા: સ્ટાર્ટઅપ્સ જે ઝડપી પ્રોટોટાઇપિંગ કરે છે, પ્રોડક્ટ ટીમો જે વ્યાપક એકીકરણ ઇચ્છે છે, SMB જે એક જ પ્રદાતા સાથે વિશાળ શ્રેણીના કાર્યોને હેન્ડલ કરવા માંગે છે.

ગૂગલ — જેમિની ફેમિલી

Google નું જેમિની કુટુંબ બે શક્તિશાળી કાર્ડ્સ સાથે રમે છે: મલ્ટિમોડાલિટી (ટેક્સ્ટ, છબીઓ, ઑડિઓ અને વિડિયોને એકસાથે હેન્ડલ કરવાની ક્ષમતા) અને Google Workspace એકીકરણ (Gmail, Docs, Sheets જેવા સાધનોમાં એમ્બેડ કરેલ કાર્ય). જેમિની પણ ટાયર્ડ છે: ઝડપી "ફ્લેશ" મોડલ અને વધુ શક્તિશાળી "પ્રો" મોડલ્સ છે.

જ્યાં તે શ્રેષ્ઠ છે: વિઝ્યુઅલ અને વિડિયો સમજ, વિશાળ સંદર્ભ અને સંગઠનો માટે ઘર્ષણ રહિત એકીકરણ કે જેઓ પહેલેથી જ Google સાધનોનો ભારે ઉપયોગ કરે છે. જો કોઈ સંસ્થા ઑફિસનું તમામ કામ Google Workspace પર ચલાવે છે, તો તે Gemini ને કુદરતી વિસ્તરણ તરીકે અનુભવે છે.

સામાન્ય વપરાશકર્તા: Google ઇકોસિસ્ટમમાં સ્થપાયેલી કંપનીઓ, ઇમેજ/વિડિયો-હેવી કન્ટેન્ટ ટીમ, જેઓ એક જ સમયે ખૂબ મોટા ડેટા સેટ પર પ્રક્રિયા કરવા માગે છે.

બાજુમાં ત્રણ પરિવારો

કદ

એન્થ્રોપિક (ક્લાઉડ)

OpenAI (GPT)

ગૂગલ (જેમિની)

સૌથી મજબૂત પાસું

લાંબા સંદર્ભ, કોડ, સલામત વર્તન

વર્સેટિલિટી, વ્યાપક ઇકોસિસ્ટમ

મલ્ટિમોડેલિટી, વર્કસ્પેસ

તબક્કાઓ

ઓપસ/સોનેટ/હાઈકુ

મજબૂત / સંતુલિત / પ્રકાશ + તર્ક

પ્રો/ફ્લેશ

લાક્ષણિક વપરાશકર્તા

નિયંત્રિત ક્ષેત્રો

એન્ટરપ્રાઇઝ અને ઉત્પાદન ટીમો

Google કેન્દ્રિત સંસ્થાઓ

વજનનો પ્રકાર

બંધ

બંધ

બંધ

આ ટેબલ જોતી વખતે, "કોણ જીતશે" તે પૂછશો નહીં; પૂછો "મારી નોકરી કઈ પંક્તિ સાથે મેળ ખાય છે?" જો તમારી પાસે 200-પૃષ્ઠનો કોન્ટ્રાક્ટ વાંચવામાં આવે છે, તો લાંબી સંદર્ભ રેખા તમારા માટે નિર્ણાયક છે, અને જો તમારી પાસે વિઝ્યુઅલમાંથી ઇન્વૉઇસ વાંચવામાં આવે છે, તો મલ્ટિમોડાલિટી લાઇન તમારા માટે નિર્ણાયક છે.

નબળા પ્રોમ્પ્ટ / સ્ટ્રોંગ પ્રોમ્પ્ટ: જ્યારે કૌટુંબિક પસંદગી માટે પૂછો

નબળા પ્રોમ્પ્ટ:

કયું સારું છે: ક્લાઉડ, જીપીટી અથવા જેમિની?

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: તટસ્થ AI સલાહકાર. મારું કામ: હું ઈ-કોમર્સ કંપનીમાં ગ્રાહકના ઈમેઈલનો જવાબ આપવા માટે ડ્રાફ્ટ બનાવવા ઈચ્છું છું + ઇનકમિંગ ઈન્વોઈસ ઈમેજીસમાંથી રકમ/તારીખ કાઢવા. બે અલગ-અલગ કાર્યો છે: (1) ટેક્સ્ટ જનરેશન, (2) ઇમેજમાંથી ડેટા એક્સ્ટ્રક્શન. કાર્ય: બંને કાર્યો માટે ક્લાઉડ, GPT અને જેમિની પરિવારોની તુલના કરો. લખો કે કયું કુટુંબ કાર્યના આધારે અલગ છે, મારે કયા સ્તરનો ઉપયોગ કરવો જોઈએ અને શા માટે. ચોક્કસ કિંમત ન આપો, શ્રેણી આપો. જ્યારે શંકા હોય, ત્યારે "ટેસ્ટ" કહો.

કારણ કે બીજો પ્રોમ્પ્ટ જોબને બે સ્પષ્ટ કાર્યોમાં વિભાજિત કરે છે, મોડેલ દરેક કાર્ય માટે અલગથી યોગ્ય કુટુંબની ભલામણ કરી શકે છે. આ "મોડલ પોર્ટફોલિયો" વિચારનો આધાર પણ છે જેના વિશે આપણે પછીથી જાણીશું.

નકલ કરી શકાય તેવા નમૂનાઓ

ટાયર 1 મેચિંગ:

હું નીચેના કાર્યને વ્યાખ્યાયિત કરું છું: [ટાસ્ક]. મુશ્કેલીના સ્તર અને વોલ્યુમને ધ્યાનમાં લેતા, તમે ક્લાઉડ, GPT અને જેમિની પરિવારો (પ્રકાશ/સંતુલિત/મજબૂત)ના કયા સ્તરની ભલામણ કરશો? દરેક કુટુંબ માટે વાજબીતાની એક લીટી લખો.

2. ઇકોસિસ્ટમ સુસંગતતા:

અમે હાલમાં ઉપયોગમાં લેવાતા સાધનો: [ટૂલ સૂચિ, દા.ત. Google Workspace / Microsoft 365]. કયું AI કુટુંબ આ ટૂલ સ્ટેકમાં સૌથી વધુ ઘર્ષણ વિના ફિટ થશે અને શા માટે? એકીકરણની સરળતા, શીખવાની કર્વ અને લોક-ઇન (નિર્ભરતા)ના સંભવિત જોખમનું મૂલ્યાંકન કરો.

3. શક્તિ માન્યતા:

હું મારા કાર્ય [TASK] માટે "[MODEL NAME] આમાં શ્રેષ્ઠ છે" દાવાની ચકાસણી કરવા માંગુ છું. આ દાવાની ચકાસણી કરવા માટે મારે મારી પોતાની કાર્યક્ષમતા પર કયા 3 નમૂના પરીક્ષણો ચલાવવા જોઈએ? દરેક પરીક્ષા માટે સફળતાના માપદંડનું એક વાક્યમાં વર્ણન કરો.

4. નામ ઠરાવ:

નીચેના મોડેલ નામોને કુટુંબ, સ્ટેજ અને સંસ્કરણમાં પાર્સ કરો અને ટેબલ બનાવો: [MODEL NAMES]. એક શબ્દ સાથે દરેક માટે લાક્ષણિક ઉપયોગને લેબલ કરો.

સામાન્ય ભૂલો

• જાહેરાતના આધારે નિર્ણય લેવો: "આ મોડેલ તે ટેસ્ટમાં પ્રથમ આવ્યું" જાહેરાત તમારા મિશન વિશે કંઈપણ કહી શકશે નહીં. તમારા પોતાના ડેટા સાથે તેનું પરીક્ષણ કરો.
• સ્તર પસંદ કર્યા વિના કુટુંબ પસંદ કરવું: "અમે GPT નો ઉપયોગ કરીશું" એમ કહેવું પૂરતું નથી; કયા સ્તરે તે ધરમૂળથી કિંમત અને ગુણવત્તામાં ફેરફાર કરે છે.
• ઇકોસિસ્ટમ લૉકને અવગણવું: કુટુંબ માટે ઊંડે પ્રતિબદ્ધ હોવાને કારણે એકીકરણમાં સરળતા આવે છે પરંતુ ભવિષ્યમાં અન્ય પ્રદાતા પર સ્વિચ કરવાનું મુશ્કેલ બનાવે છે.
• વિષય ખૂટે છે: આ બજાર ઝડપથી બદલાય છે; છ મહિના પહેલાની સરખામણી આજે અમાન્ય હોઈ શકે છે. તમારા નિર્ણયને અદ્યતન માહિતી પર આધારિત રાખો.
• એક કુટુંબને બધું કરવા માટે દબાણ કરવું: જ્યારે એક કુટુંબ ટેક્સ્ટમાં ચમકે છે, ત્યારે બીજું કુટુંબ દ્રશ્યમાં આગળ હોઈ શકે છે. કાર્ય દ્વારા કાર્ય વિચારો.

સારાંશમાં

• એન્થ્રોપિક, ઓપનએઆઈ અને ગૂગલ બધા જુદા જુદા નામો હેઠળ સમાન સ્તરના તર્ક (પ્રકાશ/સંતુલિત/મજબૂત) ઓફર કરે છે.
• લાંબા સંદર્ભ, કોડ અને સુરક્ષિત કોર્પોરેટ વર્તનમાં ક્લાઉડ; GPT મહાન વૈવિધ્યતા અને વ્યાપક ઇકોસિસ્ટમ ધરાવે છે; જેમિની મલ્ટિમોડેલિટી અને વર્કસ્પેસ એકીકરણમાં શ્રેષ્ઠ છે.
• "શ્રેષ્ઠ" નોકરી દ્વારા બદલાય છે; સરખામણી તમારા પોતાના ટેસ્ટ ડેટા પર આધારિત કરો, જાહેરાત પર નહીં.
• ફેમિલી + ટિયર + વર્ઝનમાં મોડેલના નામોનું વિશ્લેષન તમને ભીડવાળા બજારમાં તમારો રસ્તો શોધવામાં મદદ કરશે.

એપ્લિકેશન કાર્ય

તમારી નોકરીમાં બે જુદા જુદા કાર્યોને ઓળખો (એક ટેક્સ્ટ-ભારે, એક દ્રશ્ય- અથવા લાંબા-દસ્તાવેજ-ભારે). આ એકમમાં ટેમ્પલેટ 1 (ટાયર મેચિંગ) નો ઉપયોગ કરીને, AI મોડેલને દરેક કાર્ય માટે ત્રણ પરિવારોની યોગ્ય રેન્ક પૂછો. પછી, ટેમ્પલેટ 3 (સ્ટ્રેન્થ્સ વેલિડેશન) સાથે, તમારા પોતાના ડેટા સાથે સૂચિત મોડેલને ચકાસવા માટે ત્રણ નક્કર પરીક્ષણો ડિઝાઇન કરો. અમે એકમ 10 માં મૂલ્યાંકન અભ્યાસમાં આ પરીક્ષણોનો ઉપયોગ કરીશું.

ચેકલિસ્ટ

• [ ] હું ત્રણેય પરિવારોમાં સ્તર (પ્રકાશ/સંતુલિત/મજબૂત) તર્કને ઓળખી શકું છું.
• [ ] ક્લાઉડ, હું GPT અને જેમિની અગ્રણી વિસ્તારો સાથે મેળ કરી શકું છું.
• [ ] હું યોગ્ય કુટુંબ પસંદ કરી શકું છું અને વાજબીતા સાથે કાર્ય માટે રેન્ક આપી શકું છું.
• [ ] હું મારા પોતાના ડેટા વડે મોડેલના દાવાની ચકાસણી કરવાની રીતો જાણું છું.
• [ ] હું ફેમિલી + સ્ટેજ + વર્ઝન તરીકે મોડેલના નામોનું વિશ્લેષિત કરી શકું છું.