लाभ:
- अगले शब्द की भविष्यवाणी करके बताएं कि बड़ा भाषा मॉडल कैसे काम करता है और त्वरित लेखन के लिए इसका क्या अर्थ है
- वह अपने काम के एक उदाहरण से दिखा सकता है कि प्रॉम्प्ट आउटपुट गुणवत्ता को इतना अधिक क्यों निर्धारित करता है।
- मॉडल की ताकत और कमजोरियों में अंतर करके, कोई यह तय कर सकता है कि इसे किन कार्यों में सुरक्षित रूप से उपयोग करना है।
आर्टिफिशियल इंटेलिजेंस और प्रॉम्प्ट का परिचय: मॉडल "कैसे सोचता है"
वास्तव में संकेत लिखना सीखने का सबसे अच्छा तरीका यह है कि पहले यह समझें कि उपकरण कैसे काम करता है। इस इकाई में, हम बड़े भाषा मॉडल (संक्षेप में एलएलएम; यानी, कृत्रिम बुद्धिमत्ता प्रणाली जो पाठ उत्पन्न करती है) के मूल तर्क को देखेंगे, यह आपके दैनिक कार्य में इतना उपयोगी क्यों है और इसकी सीमाएँ कहाँ हैं। इस आधार के बिना लिखे गए संकेत अक्सर यह सवाल उठाते हैं कि "वे कभी-कभी अच्छे परिणाम और कभी-कभी भयानक परिणाम क्यों देते हैं?" आपको प्रश्न के साथ अकेला छोड़ देता है। जब यह इकाई पूरी हो जाएगी तो यह अनिश्चितता काफी हद तक दूर हो जाएगी।
एक बड़ा भाषा मॉडल वास्तव में क्या करता है?
इसकी सरलतम परिभाषा में, बड़ा भाषा मॉडल एक ऐसी प्रणाली है जो सबसे संभावित शब्द की भविष्यवाणी करती है जो आपके द्वारा दिए गए पाठ का अनुसरण करेगा। अरबों वाक्यों की जांच करके, मॉडल ने "कौन सा शब्द किस शब्द के बाद आता है" पैटर्न सीखा है। जब आप एक वाक्य शुरू करते हैं, तो मॉडल यह देखता है कि अब तक क्या लिखा गया है और सबसे संभावित निरंतरता उत्पन्न करता है, फिर उत्पन्न शब्द को इनपुट में जोड़ता है और अगले की भविष्यवाणी करता है। यह चक्र प्रतिक्रिया पूर्ण होने तक जारी रहता है।
आइए यहां प्रयुक्त टोकन शब्द को स्पष्ट करें: टोकन सबसे छोटी इकाई है जिसमें मॉडल पाठ को तोड़ता है; यह लगभग एक शब्द या शब्द के भाग के आकार का होता है। मॉडल शब्द दर शब्द नहीं, बल्कि टोकन दर टोकन आगे बढ़ता है। आपके लिए व्यावहारिक परिणाम यह है कि मॉडल कोई इंसान नहीं है जो आपके इरादे को "समझता" है, बल्कि एक बहुत शक्तिशाली भविष्य कहनेवाला मशीन है जो सांख्यिकीय रूप से आपके द्वारा दिए गए पाठ के लिए सबसे उपयुक्त निरंतरता का चयन करता है।
इस परिभाषा का सबसे महत्वपूर्ण निहितार्थ यह है कि आउटपुट की दिशा का सबसे शक्तिशाली निर्धारक वह पाठ है जिसे आप इनपुट के रूप में देते हैं। तो आपका संकेत. मॉडल किसी डेटाबेस से तैयार उत्तर नहीं लेता है, इंटरनेट पर लाइव खोज नहीं करता है और पृष्ठों की प्रतिलिपि नहीं बनाता है (जब तक कि विशेष रूप से अन्यथा न कहा गया हो)। यह केवल वही पाठ तैयार करता है जो आपके द्वारा दिए गए संदर्भ के लिए सबसे उपयुक्त होता है। एक अच्छा इनपुट एक अच्छे आउटपुट के लिए सबसे निर्णायक शर्त है।
"समान मॉडल, भिन्न परिणाम" क्यों?
मॉडल हर बार सबसे संभावित शब्द चुनने में यादृच्छिकता के एक छोटे मार्जिन का भी उपयोग करता है; इसलिए, जब आप एक ही संकेत दो बार पूछते हैं, तो हो सकता है कि आपको बिल्कुल वही वाक्य प्राप्त न हों। यह कोई बग नहीं है, यह डिज़ाइन का हिस्सा है। आपका काम एक स्पष्ट रूपरेखा तैयार करना है ताकि परिणाम को बिना सोचे-समझे न छोड़ दिया जाए। रूपरेखा जितनी स्पष्ट होगी, दो अलग-अलग प्रयोगों के परिणाम उतने ही करीब और अधिक उपयोगी होंगे।
चरण दर चरण: मॉडल के माध्यम से अनुरोध कैसे आगे बढ़ता है?
- इनपुट पढ़ता है. आपके द्वारा लिखा गया प्रत्येक शब्द एक सुराग है जो भविष्यवाणी का मार्गदर्शन करता है। जब आप "एक वरिष्ठ वकील की तरह" कहते हैं, तो मॉडल उस स्वर के करीब के पाठ को अधिक संभावित बनाता है।
- सन्दर्भ को तौलता है. आपके द्वारा दी गई पृष्ठभूमि, बाधाएँ और उदाहरण अनुमान को सीमित करते हैं। यदि संदर्भ खाली है, तो मॉडल अपनी धारणाओं से रिक्त स्थान भरता है।
- यह शब्द दर शब्द उत्पन्न करता है। इसके द्वारा उत्पादित प्रत्येक टोकन अगले टोकन के लिए इनपुट बन जाता है; इसलिए शुरुआत में आप जो निर्देश देते हैं वह पूरे उत्तर पर लागू होता है।
- वह रुक जाता है. जब कार्य पूरा हो जाता है या आपके द्वारा निर्दिष्ट अवधि तक पहुँच जाता है तो यह उत्पादन में बाधा डालता है।
तीन लघु मामले: संख्याओं में शीघ्र अंतर
केस 1 - मार्केटिंग पेशेवर, ईमेल विषय। जब एक विपणन विशेषज्ञ ने कहा "अभियान के लिए एक विषय सुझाएं", तो उसे 5 सामान्य शीर्षक मिले और उनमें से कोई भी उसे पसंद नहीं आया; उन्होंने इसे हाथ से ठीक करने में 20 मिनट लगाए। अगले दिन, जब उन्होंने कहा, "लक्ष्य दर्शक 30-45 आयु वर्ग के एसएमई मालिक हैं, उत्पाद क्लाउड अकाउंटिंग सॉफ्टवेयर है, 6 इकाइयाँ, प्रत्येक में अधिकतम 45 अक्षर हैं, दिलचस्प लेकिन संक्षिप्त," उन्होंने सीधे 6 में से 4 शीर्षकों का उपयोग किया। अवधि 20 मिनट से घटकर 4 मिनट हो गई।
केस 2 - मानव संसाधन, विज्ञापन पाठ। एक मानव संसाधन विशेषज्ञ को "एक सॉफ्टवेयर डेवलपर नौकरी लिखें" संकेत के साथ एक बॉयलरप्लेट टेक्स्ट प्राप्त हुआ। जब हमने कंपनी की वास्तविक भाषा (3-वाक्य संस्कृति विवरण), 4 अनिवार्य योग्यताएं और "वेतन सीमा स्पष्ट रूप से लिखें" का प्रतिबंध प्रॉम्प्ट में जोड़ा, तो विज्ञापन के लिए अयोग्य आवेदकों की दर अगले विज्ञापन में उल्लेखनीय रूप से कम हो गई क्योंकि पाठ ने स्पष्ट रूप से अपेक्षा स्थापित की थी।
केस 3 - लेखांकन, रिपोर्ट सारांश। जब एक लेखा कार्यकारी ने कहा कि उसने 12 पेज की व्यय रिपोर्ट को "सारांशित" किया है, तो मॉडल ने महत्वपूर्ण वस्तुओं को छोड़ दिया। जब उन्होंने कहा, "इस रिपोर्ट से, 5 उच्चतम व्यय मदों को पिछले महीने की तुलना में प्रतिशत परिवर्तन के साथ सारणीबद्ध किया गया है," तो उन्हें बिल्कुल वही संरचना मिली जिसे वह प्रबंधन बैठक में ले जाएंगे। सामग्री वही थी, निर्देश अलग थे।
कमजोर संकेत/मजबूत संकेत
एक ही काम, दो अलग-अलग निर्देशों के साथ:
कमजोर संकेत:
इस पाठ को संक्षेप में प्रस्तुत करें।[पाठ]
शक्तिशाली संकेत:
निदेशक मंडल को प्रस्तुत करने के लिए नीचे बैठक नोट का सारांश प्रस्तुत करें। - अधिकतम 5 आइटम. - प्रत्येक आइटम में एक निर्णय या कार्रवाई शामिल होनी चाहिए; चैट विवरण छोड़ें. - उन कार्यों के लिए कोष्ठक में नाम लिखें जिनके लिए जिम्मेदार व्यक्ति जाना जाता है। - सरल, औपचारिक भाषा का प्रयोग करें। पाठ: [पाठ]
दूसरा संकेत मॉडल को बताता है कि क्या उत्पादन करना है, किसके लिए, किस प्रारूप में और क्या छोड़ना है। मॉडल "सोच" नहीं करता बल्कि सही निरंतरता का उत्पादन करता है; आप उस निरंतरता की रूपरेखा तैयार करें।
चार प्रतिलिपि योग्य टेम्पलेट
इस इकाई में तर्क को शीघ्रता से व्यवहार में लाने के लिए चार सरल स्टार्टर टेम्पलेट। कोष्ठक में अपनी जानकारी भरें।
1) अनुरोध को मजबूत करने की रूपरेखा:
मैं चाहता हूं कि आप यह कार्य करें: [कार्य] किसके लिए: [खरीदार/दर्शक] किस प्रारूप में: [लंबाई, संरचना] क्या छोड़ें: [आप क्या नहीं चाहते]
2) मॉडल की सीमाओं की जाँच करना (सत्यापन प्रतिवर्त):
यदि नीचे आपके उत्तर में तथ्यात्मक दावे (संख्या, दिनांक, नाम, स्रोत) हैं, तो प्रत्येक को एक अलग सूची के रूप में निकालें और इसे "सत्यापित किया जाना चाहिए" के रूप में चिह्नित करें। उत्तर: [मॉडल का आउटपुट]
3) एक ही कार्य को दो स्तरों पर आज़माएँ:
निम्नलिखित विषय को दो बार समझाएं: ए) एक पूर्ण अजनबी के लिए, रोजमर्रा की भाषा में। बी) क्षेत्र के एक विशेषज्ञ के लिए, तकनीकी शब्दों में। विषय: [विषय]
4) मॉडल को अनिश्चितता का एहसास कराना:
मेरे द्वारा आपको दिया गया अनुरोध करने से पहले, मुझसे उन बिंदुओं के बारे में 3 प्रश्न पूछें जो आपको गायब या अस्पष्ट लगते हैं; फिर मेरे उत्तरों के अनुसार उत्पादन करें। अनुरोध: [अनुरोध]
मॉडल की ताकत और कमजोरियां
विषय
मॉडल मजबूत है
मॉडल कमजोर/सावधानीपूर्ण है
भाषा संबंधी मामले
लिखना, संक्षेपण करना, अनुवाद करना, स्वर बदलना
बहुत तकनीकी/विशिष्ट शब्दजाल संबंधी गलतियाँ
संरचना
टेक्स्ट को तालिका, सूची, स्केच में बदलें
लंबे पाठ में एकरूपता बनाए रखना
विचार
विचार-मंथन, विकल्प तैयार करना
"सही" क्या है इसकी गारंटी देना
मामला
सामान्य जानकारी, परिभाषा, स्पष्टीकरण
वर्तमान/सटीक डेटा, संख्या, दिनांक, स्रोत
तर्क
अगर कदम दर कदम मार्गदर्शन किया जाए तो अच्छा है
चुपचाप जटिल गणनाएँ ग़लत न करें
युक्ति: मॉडल को "सब कुछ जानने वाले विशेषज्ञ" के रूप में नहीं बल्कि एक "सहायक के रूप में देखें जो बहुत तेजी से लिखता है, बहुत कुछ पढ़ता है, लेकिन वह जो कुछ भी कहता है उसे सत्यापित करने की आवश्यकता होती है।" यह दृष्टिकोण आपकी अपेक्षाओं और आपकी नियंत्रण आदत दोनों को सही ढंग से समायोजित करता है।
ध्यान दें: मॉडल बहुत आश्वस्त भाषा में जानकारी लिख सकता है, लेकिन इसका मतलब यह नहीं है कि जानकारी सही है। हमेशा तथ्यात्मक विवरण, विशेष रूप से संख्या, नाम, तिथि, क़ानून और स्रोत को स्वतंत्र रूप से सत्यापित करें। हम इस विषय पर इकाई 11 में विस्तार से लौटेंगे।
सामान्य गलतियाँ
- मॉडल को गलती से इंसान समझ लेना. "वे वैसे भी समझ जायेंगे" कहकर अधूरे निर्देश दे रहे हैं। मॉडल आपके इरादे को नहीं पढ़ता; यह केवल वही प्रोसेस करता है जो आप टाइप करते हैं।
- एक ही प्रयास में हार मान लेना. यदि प्रारंभिक आउटपुट खराब है, तो टूल को दोष दें। हालाँकि, अधिकांश समय समस्या निर्देशों में होती है और एक छोटा सा सुधार परिणाम को बदल सकता है।
- तथ्यों को बिना सत्यापित किये प्रयोग करना। मॉडल द्वारा उत्पादित किसी आंकड़े या स्रोत को बिना सवाल किए स्वीकार करना सबसे जोखिम भरी आदत है।
- बिना सोचे-समझे गोपनीय डेटा दर्ज करना। टूल कैसे काम करता है यह जाने बिना संवेदनशील जानकारी चिपकाना। इसके नियम हैं, जैसा कि हम गोपनीयता इकाई में देखेंगे।
- यादृच्छिकता को गलती समझना। "वाहन टूट गया है" के रूप में दो अलग-अलग परिणामों की व्याख्या करना; हालाँकि, जब आप स्पष्टता बढ़ाते हैं, तो परिणाम एक समान हो जाते हैं।
संक्षेप में
- बड़ा भाषा मॉडल उस शब्द (टोकन) की भविष्यवाणी करके काम करता है जो आपके द्वारा दिए गए पाठ में आगे दिखाई देने की सबसे अधिक संभावना है; वह बने-बनाए उत्तर नहीं चुनता।
- आउटपुट की दिशा निर्धारित करने वाला सबसे शक्तिशाली कारक वह संकेत है जो आप इनपुट के रूप में देते हैं।
- मॉडल भाषा, संरचना और विचारधारा में मजबूत; सटीक तथ्यों, वर्तमान डेटा और जटिल गणनाओं से सावधान रहता है।
- छोटी यादृच्छिकता के कारण एक ही संकेत भिन्न परिणाम दे सकता है; जैसे-जैसे स्पष्टता बढ़ती है, परिणाम अधिक सुसंगत होते जाते हैं।
- मॉडल "एक विशेषज्ञ नहीं है जो अपनी हर बात पर खरा है", बल्कि "एक सहायक है जो तेज़ है लेकिन उसे सत्यापित करने की आवश्यकता है"।
आवेदन कार्य
अपने दैनिक कार्य में से एक लेखन कार्य चुनें जिसे आप नियमित रूप से करते हैं (उदाहरण के लिए, एक ईमेल, एक सारांश, या एक सूची)। सबसे पहले, सबसे सरल एक-वाक्य संस्करण लिखें, इसे एआई टूल को दें, और आउटपुट को सेव करें। फिर उसी कार्य के लिए; "किसके लिए, किस प्रारूप में, कितनी लंबाई में और क्या छोड़ना है" प्रश्नों के उत्तर जोड़ें और उनसे दोबारा पूछें। दोनों आउटपुट को एक साथ रखें और एक वाक्य में नोट करें कि कौन सा जोड़ परिणाम में सबसे अधिक सुधार करता है।
चेकलिस्ट
- [ ] मुझे एहसास हुआ कि मॉडल "अगले शब्द की भविष्यवाणी कर रहा था" और मेरे इरादे को नहीं पढ़ रहा था।
- [ ] मुझे एहसास हुआ कि आउटपुट की गुणवत्ता काफी हद तक प्रॉम्प्ट की गुणवत्ता पर निर्भर करती है।
- [ ] मैं उन कार्य प्रकारों के बीच अंतर कर सकता हूं जहां मॉडल मजबूत और कमजोर है।
- [ ] मैं समझता हूं कि मुझे तथ्यात्मक विवरण (संख्या, दिनांक, नाम, स्रोत) सत्यापित करने की आवश्यकता है।
- [ ] मैं समझा सकता हूं कि एक ही संकेत अलग-अलग परिणाम क्यों दे सकता है।