ಜನರೇಟಿವ್ AI ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ?

ಲಾಭಗಳು:

• ಟೋಕನ್ ಸಂಭವನೀಯತೆ ಮತ್ತು ಮುನ್ಸೂಚನೆಯ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಅಂತರ್ಬೋಧೆಯಿಂದ ವಿವರಿಸಬಹುದು
• ಭಾಷಾ ಮಾದರಿಯು 'ಪೀಸ್‌ಮೀಲ್' ಪಠ್ಯವನ್ನು ಏಕೆ ಉತ್ಪಾದಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುತ್ತದೆ
• ಮಾದರಿಯು ಕೆಲವೊಮ್ಮೆ ನಿರ್ಣಾಯಕವಾಗಿ ಮತ್ತು ಕೆಲವೊಮ್ಮೆ ಸೃಜನಾತ್ಮಕವಾಗಿ ಏಕೆ ವರ್ತಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಬಹುದು

ನೀವು "ಇಸ್ತಾನ್‌ಬುಲ್‌ನ ಅತ್ಯುತ್ತಮ ವಿಷಯ" ಅನ್ನು ಭಾಷಾ ಮಾದರಿಯಲ್ಲಿ ಬರೆಯುವಾಗ, ಅದು ಕೆಲವು ಸೆಕೆಂಡುಗಳಲ್ಲಿ ನಿರರ್ಗಳವಾದ ಪ್ಯಾರಾಗ್ರಾಫ್ ಅನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ಇದು ಹೇಗೆ ಸಂಭವಿಸುತ್ತದೆ? ಮಾದರಿಯು ನಿಜವಾಗಿಯೂ "ಆಲೋಚಿಸುತ್ತಿದೆ" ಅಥವಾ ಅದರ ಹಿಂದೆ ಹೆಚ್ಚು ಸರಳವಾದ ಆದರೆ ಶಕ್ತಿಯುತವಾದ ಕಾರ್ಯವಿಧಾನವಿದೆಯೇ? ಈ ಘಟಕದಲ್ಲಿ ನಾವು ತಾಂತ್ರಿಕ ಸಮೀಕರಣಗಳಿಗೆ ಹೋಗದೆ ಸರಿಯಾದ ಅಂತಃಪ್ರಜ್ಞೆಯನ್ನು ಸ್ಥಾಪಿಸುವ ಮೂಲಕ AI ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ವಿವರಿಸುತ್ತೇವೆ. ಈ ಅಂತಃಪ್ರಜ್ಞೆಯು ಅನುಸರಿಸುವ ಎಲ್ಲದಕ್ಕೂ ಆಧಾರವಾಗಿದೆ-ವಿಶೇಷವಾಗಿ ಭ್ರಮೆ, ಪರಿಶೀಲನೆ ಮತ್ತು ಉತ್ತಮ ಪ್ರಾಂಪ್ಟ್ ಬರವಣಿಗೆಯ ವಿಷಯಗಳು. ಜನರೇಟಿವ್ AI, ಅಂದರೆ, "ಉತ್ಪಾದಕ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ", ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಉತ್ತರವನ್ನು ಹುಡುಕುವ ಮತ್ತು ಪಡೆಯುವ ಬದಲು ಮೊದಲಿನಿಂದ ಪಠ್ಯವನ್ನು ರಚಿಸುವ ಸಾಧನಗಳಿಗೆ ಸಾಮಾನ್ಯ ಹೆಸರು.

ಮೂಲ ಉಪಾಯ: ಮುಂದಿನ ಭಾಗವನ್ನು ಊಹಿಸುವುದು

ಆಶ್ಚರ್ಯಕರ ಸಂಗತಿಯೆಂದರೆ, ಭಾಷಾ ಮಾದರಿ ಕಲಿಯುವ ಏಕೈಕ ಮೂಲಭೂತ ಕಾರ್ಯವೆಂದರೆ "ಪಠ್ಯದ ಯಾವ ಭಾಗವನ್ನು ಅನುಸರಿಸಬಹುದು?" ಎಂಬ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸುವುದು. ಮಾದರಿಯು ಸಂಪೂರ್ಣ ವಾಕ್ಯವನ್ನು ಸಿದ್ಧಪಡಿಸುವುದಿಲ್ಲ ಮತ್ತು ಅದನ್ನು ನಿಮ್ಮ ಮುಂದೆ ಪ್ರಸ್ತುತಪಡಿಸುವುದಿಲ್ಲ. ಬದಲಾಗಿ, ಇದು ವಾಕ್ಯವನ್ನು ತುಂಡು ತುಂಡು, ಎಡದಿಂದ ಬಲಕ್ಕೆ ಉತ್ಪಾದಿಸುತ್ತದೆ.

ಇದು ಹಂತ ಹಂತವಾಗಿ ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದು ಇಲ್ಲಿದೆ:

1. ಇದು ನೀವು ಬರೆಯುವ ಪಠ್ಯವನ್ನು (ಪ್ರಾಂಪ್ಟ್) ಓದುತ್ತದೆ.
2. ಈ ಪಠ್ಯವನ್ನು ಅನುಸರಿಸುವ ಸಾಧ್ಯತೆಯ ಭಾಗವನ್ನು ಊಹಿಸುತ್ತದೆ.
3. ಆ ತುಣುಕನ್ನು ಸೇರಿಸುತ್ತದೆ.
4. ಇದು ಹೊಸದಾಗಿ ರೂಪುಗೊಂಡ ಪಠ್ಯವನ್ನು ಮತ್ತೊಮ್ಮೆ ನೋಡುತ್ತದೆ ಮತ್ತು ಮುಂದಿನ ಬಹುಪಾಲು ಭಾಗವನ್ನು ಊಹಿಸುತ್ತದೆ.
5. ಉತ್ತರವು ಪೂರ್ಣಗೊಳ್ಳುವವರೆಗೆ ಪುನರಾವರ್ತಿಸುತ್ತದೆ.

ಉದಾಹರಣೆ: ನೀವು ಮಾದರಿಗೆ "ಬೆಳಿಗ್ಗೆ ಎದ್ದಾಗ ಬಿಸಿ ಕಪ್ ಅನ್ನು ಸೇವಿಸಿ..." ಎಂಬ ಪಠ್ಯವನ್ನು ನೀಡಿದರೆ, ಹೆಚ್ಚಾಗಿ ಮುಂದುವರಿಕೆ "ಚಹಾ" ಅಥವಾ "ಕಾಫಿ" ಆಗಿರುತ್ತದೆ; "ಡಾಂಬರು" ಅಲ್ಲ. ಮಾದರಿಯು ಲಕ್ಷಾಂತರ ಪಠ್ಯಗಳಿಂದ ಅಂತಹ ಸಂಭವನೀಯತೆಯನ್ನು ಕಲಿತಿದೆ. ನಂತರ ಅವನು "ಚಹಾ" ಅನ್ನು ಸೇರಿಸುತ್ತಾನೆ, ನಂತರ ಹೊಸ ವಾಕ್ಯವನ್ನು ನೋಡುತ್ತಾನೆ ಮತ್ತು ಮುಂದಿನ ಬಹುಪಾಲು ಭಾಗವನ್ನು ಊಹಿಸುತ್ತಾನೆ, ಇತ್ಯಾದಿ.

ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ಪ್ರತಿ ಹಂತದಲ್ಲಿ, ಮಾದರಿಯು ತಾನು ಬರೆದದ್ದನ್ನು ನೋಡುವ ಮೂಲಕ ಮುಂದಿನ ಹಂತವನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ. ಅದಕ್ಕಾಗಿಯೇ ಇದನ್ನು ಕೆಲವೊಮ್ಮೆ "ಸ್ವಯಂಪೂರ್ಣತೆಯ ಅತ್ಯಂತ ಮುಂದುವರಿದ ಆವೃತ್ತಿ" ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ಆದರೆ ಈ ಸಾದೃಶ್ಯವು ಪ್ರತಿಭೆಯನ್ನು ಕಡಿಮೆ ಮಾಡಬಾರದು; ಸರಿಯಾದ ಪ್ರಮಾಣದಲ್ಲಿ, ಈ ಭವಿಷ್ಯವು ತಾರ್ಕಿಕವಾಗಿ ಕಾಣುವ ಫಲಿತಾಂಶಗಳನ್ನು ಉಂಟುಮಾಡಬಹುದು.

ಟೋಕನ್: ಪದದ ಸಣ್ಣ ತುಣುಕುಗಳು

ಮಾದರಿಯು ವಾಸ್ತವವಾಗಿ ಪೂರ್ಣ "ಪದಗಳೊಂದಿಗೆ" ಕಾರ್ಯನಿರ್ವಹಿಸುವುದಿಲ್ಲ ಆದರೆ ಟೋಕನ್ಗಳು ಎಂದು ಕರೆಯಲ್ಪಡುವ ಸಣ್ಣ ತುಣುಕುಗಳೊಂದಿಗೆ. ಒಂದು ಟೋಕನ್; ಕೆಲವೊಮ್ಮೆ ಇದು ಸಂಪೂರ್ಣ ಪದವಾಗಿದೆ, ಕೆಲವೊಮ್ಮೆ ಇದು ಪದದ ಭಾಗವಾಗಿದೆ, ಕೆಲವೊಮ್ಮೆ ಇದು ವಿರಾಮ ಚಿಹ್ನೆಯಾಗಿದೆ.

• "ಪುಸ್ತಕ" ಒಂದೇ ಟೋಕನ್ ಆಗಿರಬಹುದು.
• "ನಮ್ಮ ಪುಸ್ತಕಗಳಿಂದ" "ಪುಸ್ತಕ", "ರು", "ನಮ್ಮ", "ಇಂದ" ನಂತಹ ಹಲವಾರು ಟೋಕನ್‌ಗಳಾಗಿ ವಿಂಗಡಿಸಬಹುದು.
• ಸ್ಪೇಸ್‌ಗಳು ಮತ್ತು ವಿರಾಮಚಿಹ್ನೆಗಳು ಸಹ ಟೋಕನ್‌ಗಳಾಗಿ ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ.

ಗಮನ: ಟೋಕನ್ ಕೇವಲ ತಾಂತ್ರಿಕ ವಿವರವಲ್ಲ. ಹೆಚ್ಚಿನ AI ಪರಿಕರಗಳು ಟೋಕನ್‌ಗಳ ಸಂಖ್ಯೆಯಿಂದ ಚಾರ್ಜ್ ಮಾಡುತ್ತವೆ ಮತ್ತು ಪಠ್ಯದ (ಸಂದರ್ಭ ವಿಂಡೋ) ಮಾದರಿಗಳ ಉದ್ದವು ಒಂದು ಸಮಯದಲ್ಲಿ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಬಹುದು ಟೋಕನ್‌ಗಳಲ್ಲಿ ಸೀಮಿತವಾಗಿರುತ್ತದೆ. ಆದ್ದರಿಂದ "ನೀವು ಎಷ್ಟು ಸಮಯದವರೆಗೆ ಬರೆಯುತ್ತೀರಿ" ಎಂಬುದು ನೇರ ವೆಚ್ಚ ಮತ್ತು ಮಿತಿಯಾಗಿದೆ.

ಸಂಭವನೀಯತೆ ಮತ್ತು "ಉಷ್ಣತೆ": ನಿರ್ಣಯ ಅಥವಾ ಸೃಜನಶೀಲತೆ?

ಪ್ರತಿ ಹಂತದಲ್ಲೂ, ಮಾದರಿಯು ಒಂದೇ ಒಂದು ನಿರ್ಣಾಯಕ ಉತ್ತರವನ್ನು ಉತ್ಪಾದಿಸುವುದಿಲ್ಲ ಆದರೆ ಸಂಭವನೀಯ ಮುಂದುವರಿಕೆಗಳ ಸಂಭವನೀಯ ಪಟ್ಟಿಯನ್ನು ನೀಡುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, "ಬಿಸಿ" ಪದದ ನಂತರ: ಚಹಾ 55%, ಕಾಫಿ 35%, ಹಾಲು 7%, ಇತರ 3%. ಹಾಗಾದರೆ ಅವನು ಯಾವುದನ್ನು ಆರಿಸುತ್ತಾನೆ?

ಇಲ್ಲಿ, ತಾಪಮಾನ ಎಂಬ ಸೆಟ್ಟಿಂಗ್ ಕಾರ್ಯರೂಪಕ್ಕೆ ಬರುತ್ತದೆ. ತಾಪಮಾನವು ಒಂದು ರೀತಿಯ ಸೃಜನಶೀಲತೆಯ ಗುಬ್ಬಿಯಾಗಿದ್ದು ಅದು ಮಾದರಿಯು ಎಷ್ಟು "ಅಪಾಯಕಾರಿ" ಎಂದು ನಿರ್ಧರಿಸುತ್ತದೆ.

ಸೆಟ್ಟಿಂಗ್

ನಡವಳಿಕೆ

ತೀರ್ಮಾನ

ಇದು ಎಲ್ಲಿ ಉಪಯುಕ್ತವಾಗಿದೆ?

ಕಡಿಮೆ ತಾಪಮಾನ

ಯಾವಾಗಲೂ ಹೆಚ್ಚಾಗಿ ಆಯ್ಕೆಯನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ

ಸ್ಥಿರ, ಪುನರಾವರ್ತನೀಯ

ಕಾನೂನು ಸಾರಾಂಶ, ತಾಂತ್ರಿಕ ವಿವರಣೆ, ಡೇಟಾ ಹೊರತೆಗೆಯುವಿಕೆ

ಮಧ್ಯಮ ತಾಪಮಾನ

ಸಮತೋಲಿತ ಆಯ್ಕೆ

ನೈಸರ್ಗಿಕ ಆದರೆ ಸ್ಥಿರ

ಸಾಮಾನ್ಯ ಇಮೇಲ್, ಕರಡು ವರದಿ

ಹೆಚ್ಚಿನ ತಾಪಮಾನ

ಕಡಿಮೆ ಸಾಧ್ಯತೆಯ ಆಯ್ಕೆಗಳನ್ನು ಪ್ರಯತ್ನಿಸುತ್ತದೆ

ಸೃಜನಾತ್ಮಕ, ವೈವಿಧ್ಯಮಯ, ಅನಿರೀಕ್ಷಿತ

ಬುದ್ದಿಮತ್ತೆ, ಘೋಷಣೆ, ಹೆಸರು ಉತ್ಪಾದನೆ

ಇದು ಪದೇ ಪದೇ ಕೇಳಲಾಗುವ ಪ್ರಶ್ನೆಯನ್ನು ಸಹ ವಿವರಿಸುತ್ತದೆ: "ನಾನು ಒಂದೇ ಪ್ರಶ್ನೆಯನ್ನು ಎರಡು ಬಾರಿ ಕೇಳಿದಾಗ ನಾನು ವಿಭಿನ್ನ ಉತ್ತರಗಳನ್ನು ಏಕೆ ಪಡೆಯುತ್ತೇನೆ?" ಆಯ್ಕೆ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಕೆಲವು ಯಾದೃಚ್ಛಿಕತೆ ಇರುವುದರಿಂದ; ಮಾದರಿಯು ಡೇಟಾಬೇಸ್‌ನಿಂದ ಸ್ಥಿರ ಉತ್ತರವನ್ನು ಸೆಳೆಯುವುದಿಲ್ಲ, ಅದು ಪ್ರತಿ ಬಾರಿಯೂ ಅದನ್ನು ಪುನರುತ್ಪಾದಿಸುತ್ತದೆ.

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ಮಾದರಿಯು "ಸಂಭವನೀಯತೆ" ಯೊಂದಿಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂದು ತಿಳಿದುಕೊಳ್ಳುವುದರಿಂದ ನೀವು ಅದನ್ನು ಹೇಗೆ ಸೂಚಿಸುತ್ತೀರಿ ಎಂಬುದನ್ನು ಸಹ ಬದಲಾಯಿಸುತ್ತದೆ. ನೀವು ಹೆಚ್ಚು ಸಂದರ್ಭವನ್ನು ನೀಡಿದರೆ, ಸರಿಯಾದ ಮುಂದುವರಿಕೆಯ ಸಾಧ್ಯತೆ ಹೆಚ್ಚು.

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್: ಪರಿಚಯಾತ್ಮಕ ಪಠ್ಯವನ್ನು ಬರೆಯಿರಿ.

ಫಲಿತಾಂಶ: ಮಾದರಿಯು ಹೆಚ್ಚು "ಸರಾಸರಿ" ಮತ್ತು ಸಾಮಾನ್ಯ ಪಠ್ಯವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ ಏಕೆಂದರೆ ಅದು ಯಾವ ಉತ್ಪನ್ನ, ಯಾವ ಪ್ರೇಕ್ಷಕರು, ಯಾವ ಸ್ವರವನ್ನು ತಿಳಿದಿಲ್ಲ.

ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್: ಸಣ್ಣ ಕೆಫೆಯ ಹೊಸ ಫಿಲ್ಟರ್ ಕಾಫಿಗಾಗಿ Instagram ಪ್ರಚಾರ ಪಠ್ಯವನ್ನು ಬರೆಯಿರಿ. ಪ್ರೇಕ್ಷಕರು: 25-35 ವರ್ಷ, ಕಾಫಿ ಉತ್ಸಾಹಿ. ಸ್ವರ: ಸ್ನೇಹಪರ, ಚಿಕ್ಕದಾಗಿದೆ. ಗರಿಷ್ಠ 3 ವಾಕ್ಯಗಳು, ಕೊನೆಯಲ್ಲಿ 2 ಹ್ಯಾಶ್‌ಟ್ಯಾಗ್‌ಗಳು.

ಫಲಿತಾಂಶ: ಸಂದರ್ಭವು ಸಾಧ್ಯತೆಗಳನ್ನು ಕಿರಿದಾಗಿಸುವ ಕಾರಣ ಪ್ರಸ್ತುತವಾಗಿರುವ ಬಳಸಬಹುದಾದ ಪಠ್ಯ.

ಮೂರು ಮಿನಿ ಪ್ರಕರಣಗಳು

ಪ್ರಕರಣ 1 - ಮಾರ್ಕೆಟಿಂಗ್, ಹೆಚ್ಚಿನ ವೈವಿಧ್ಯ. ಹೊಸ ಉತ್ಪನ್ನಕ್ಕಾಗಿ ತಂಡವೊಂದು 30 ಘೋಷಣೆಗಳನ್ನು ಬಯಸಿತ್ತು. ಅದರ ಹೆಚ್ಚಿನ ತಾಪಮಾನದ ಸೆಟ್ಟಿಂಗ್‌ನೊಂದಿಗೆ, ಮಾದರಿಯು ವಿಭಿನ್ನ, ಸೃಜನಾತ್ಮಕ ಆಯ್ಕೆಗಳನ್ನು ಉತ್ಪಾದಿಸಿತು; ತಂಡವು 30 ರಲ್ಲಿ 4 ಆಯ್ಕೆಮಾಡಿ ಮತ್ತು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದೆ. ಒಟ್ಟು ಸಮಯ: 10 ನಿಮಿಷಗಳು. ಕೈಯಿಂದ ಮಾಡಿದರೆ ಅರ್ಧ ದಿನ ಬೇಕು.

ಪ್ರಕರಣ 2 - ಕಾನೂನು, ಹೆಚ್ಚಿನ ನಿರ್ಣಯ. ಅದೇ ಕಂಪನಿಯ ಕಾನೂನು ತಂಡವು ಒಪ್ಪಂದದ ಷರತ್ತುಗಳನ್ನು ಸರಳಗೊಳಿಸುತ್ತಿತ್ತು. ಅವರು ಸ್ಥಿರತೆಯನ್ನು ಬಯಸಿದ್ದರು, ಸೃಜನಶೀಲತೆಯಲ್ಲ; ಕಡಿಮೆ ತಾಪಮಾನದೊಂದಿಗೆ ಮಾದರಿಯು ಪ್ರತಿ ಬಾರಿಯೂ ಬಹುತೇಕ ಒಂದೇ ರೀತಿಯ, ಸಂಪ್ರದಾಯವಾದಿ ಸಾರಾಂಶವನ್ನು ನೀಡಿತು. ಹೀಗಾಗಿ, ವಿವಿಧ ಪ್ರಯೋಗಗಳ ನಡುವೆ ಯಾವುದೇ ಅಸಂಗತತೆ ಇರಲಿಲ್ಲ.

ಪ್ರಕರಣ 3 - "ಅದು ಏಕೆ ಬದಲಾಗಿದೆ?" ಪ್ರಶ್ನೆ. ಉದ್ಯೋಗಿ ಒಂದೇ ಇಮೇಲ್ ಡ್ರಾಫ್ಟ್ ಅನ್ನು ಎರಡು ಬಾರಿ ವಿನಂತಿಸಿದರು ಮತ್ತು ಎರಡು ವಿಭಿನ್ನ ಫಲಿತಾಂಶಗಳನ್ನು ಪಡೆದರು; ಇದು "ತಪ್ಪು" ಎಂದು ಅವರು ಭಾವಿಸಿದರು. ವಾಸ್ತವವಾಗಿ, ಇದು ಮಾದರಿಯ ಯಾದೃಚ್ಛಿಕತೆಯ ನೈಸರ್ಗಿಕ ಪರಿಣಾಮವಾಗಿದೆ. ಉದ್ಯೋಗಿ ಅವರು ಇಷ್ಟಪಟ್ಟ ಆವೃತ್ತಿಯನ್ನು ಉಳಿಸಲು ಕಲಿತ ನಂತರ ಮತ್ತು ಅಗತ್ಯವಿದ್ದರೆ "ಹಿಂದಿನಂತೆ ಮಾಡಿ" ಎಂದು ಹೇಳಿದರೆ, ಯಾವುದೇ ಸಮಸ್ಯೆ ಇಲ್ಲ.

ಮಾದರಿಯು "ಅದನ್ನು ಪಡೆಯುತ್ತದೆ"?

ಇದು ಅತ್ಯಂತ ಕುತೂಹಲದ ಪ್ರಶ್ನೆ. ಮಾದರಿಯು ಪದಗಳ ನಡುವಿನ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಸಂಬಂಧಗಳನ್ನು ಎಷ್ಟು ಸಂಪೂರ್ಣವಾಗಿ ಕಲಿತಿದೆ ಎಂದರೆ ಅದು ಅನೇಕ ಕಾರ್ಯಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಂತೆ ನಟಿಸುತ್ತದೆ. ಆದರೆ ಇದು ಯಾವುದೇ ಪ್ರಜ್ಞಾಪೂರ್ವಕ ತಿಳುವಳಿಕೆ, ಉದ್ದೇಶ ಅಥವಾ ರಿಯಾಲಿಟಿ-ನಿಯಂತ್ರಿಸುವ ಕಾರ್ಯವಿಧಾನವನ್ನು ಹೊಂದಿಲ್ಲ. ಇದು "ಅತ್ಯಂತ ಸಂಭವನೀಯ ಉತ್ತರಭಾಗ" ವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ; ಇದು "ಅತ್ಯಂತ ನಿಖರವಾದ ಮಾಹಿತಿಯನ್ನು" ಉತ್ಪಾದಿಸುವುದನ್ನು ಖಾತರಿಪಡಿಸುವುದಿಲ್ಲ. ಈ ವ್ಯತ್ಯಾಸವು ಭ್ರಮೆಯ ವಿಷಯದ ಆಧಾರವಾಗಿದೆ, ಇದನ್ನು ನಾವು ಮುಂದಿನ ಘಟಕಗಳಲ್ಲಿ ಚರ್ಚಿಸುತ್ತೇವೆ.

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• ಸರ್ಚ್ ಇಂಜಿನ್‌ಗಾಗಿ ಮಾದರಿಯನ್ನು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸುವುದು. ಮಾದರಿಯು ಇಂಟರ್ನೆಟ್ ಅನ್ನು ಹುಡುಕುವುದಿಲ್ಲ ಮತ್ತು ಸಂಪನ್ಮೂಲಗಳನ್ನು ಹಿಂಪಡೆಯುವುದಿಲ್ಲ (ವಿಶೇಷ ಹುಡುಕಾಟ ವೈಶಿಷ್ಟ್ಯವಿಲ್ಲದಿದ್ದರೆ); ಮೆಮೊರಿಯಿಂದ ಸಂಭವನೀಯ ಪಠ್ಯವನ್ನು ರಚಿಸುತ್ತದೆ. ಆದ್ದರಿಂದ ಅವನು ಮೂಲ/ಆಕೃತಿಯನ್ನು ರಚಿಸಬಹುದು.
• ನಿಖರತೆಗಾಗಿ ನಿರರ್ಗಳತೆಯನ್ನು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸುವುದು. ಪಠ್ಯವು ಸುಂದರವಾಗಿರುತ್ತದೆ ಮತ್ತು ಆತ್ಮವಿಶ್ವಾಸದಿಂದ ಕೂಡಿದೆ ಎಂದರ್ಥ ಅದರ ವಿಷಯ ಸರಿಯಾಗಿದೆ ಎಂದು ಅರ್ಥವಲ್ಲ.
• ಪ್ರತಿ ಬಾರಿಯೂ ಅದೇ ಉತ್ತರವನ್ನು ನಿರೀಕ್ಷಿಸಲಾಗುತ್ತಿದೆ. ಯಾದೃಚ್ಛಿಕತೆ ಸಹಜ; ನಿರ್ಣಾಯಕ ಕಾರ್ಯಗಳಿಗಾಗಿ ನೀವು ಇಷ್ಟಪಡುವ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಉಳಿಸಿ.
• ಬಹಳ ಉದ್ದವಾದ, ಅನಗತ್ಯ ಪಠ್ಯವನ್ನು ಅಂಟಿಸುವುದು ಮತ್ತು ಟೋಕನ್ ಮಿತಿಯನ್ನು ತಳ್ಳುವುದು. ಉದ್ದ ಎರಡೂ ವೆಚ್ಚವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ ಮತ್ತು ಮಾದರಿಯ ಗಮನವನ್ನು ಬೇರೆಡೆಗೆ ತಿರುಗಿಸಬಹುದು; ಕೇವಲ ಅಗತ್ಯ ಸಂದರ್ಭವನ್ನು ನೀಡಿ.

ಗಮನ: ಮಾಡೆಲ್ ನಿರರ್ಗಳವಾಗಿ ಮತ್ತು ಆತ್ಮವಿಶ್ವಾಸದಿಂದ ಮಾತನಾಡುವುದರಿಂದ ಅವಳು ಸರಿಯಾಗಿ ಮಾತನಾಡುತ್ತಾಳೆ ಎಂದು ಅರ್ಥವಲ್ಲ. ನಿರರ್ಗಳತೆಯು ಸಂಭವನೀಯತೆಯ ಅಂದಾಜಿನ ನೈಸರ್ಗಿಕ ಪರಿಣಾಮವಾಗಿದೆ; ನಿಖರತೆಯು ಪ್ರತ್ಯೇಕವಾಗಿ ಮತ್ತು ಸ್ವತಂತ್ರವಾಗಿ ಪರಿಶೀಲಿಸಬೇಕಾದ ವಿಷಯವಾಗಿದೆ.

ಸಾರಾಂಶದಲ್ಲಿ

• ಜನರೇಟಿವ್ AI ಮುಂದಿನ ಬಹುಪಾಲು ತುಣುಕನ್ನು (ಟೋಕನ್) ಊಹಿಸುವ ಮೂಲಕ ಹಂತ ಹಂತವಾಗಿ ಪಠ್ಯವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ; ವಾಕ್ಯವನ್ನು ತುಂಡು ತುಂಡಾಗಿ ನಿರ್ಮಿಸುತ್ತದೆ.
• ಟೋಕನ್‌ಗಳು ಪದಗಳ ಚಿಕ್ಕ ಭಾಗಗಳಾಗಿವೆ ಮತ್ತು ವೆಚ್ಚ ಮತ್ತು ಉದ್ದದ ಮಿತಿಗಳನ್ನು ಹೊಂದಿಸುತ್ತವೆ.
• ಪ್ರತಿ ಹಂತದಲ್ಲಿ, ಮಾದರಿಯು ಸಾಧ್ಯತೆಗಳ ಪಟ್ಟಿಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ; ಔಟ್‌ಪುಟ್ ಎಷ್ಟು ಸ್ಥಿರ ಅಥವಾ ಸೃಜನಾತ್ಮಕವಾಗಿರುತ್ತದೆ ಎಂಬುದನ್ನು ತಾಪಮಾನ ಸೆಟ್ಟಿಂಗ್ ನಿರ್ಧರಿಸುತ್ತದೆ.
• ಒಂದೇ ಪ್ರಶ್ನೆಗೆ ವಿಭಿನ್ನ ಉತ್ತರಗಳಿಗೆ ಕಾರಣವೆಂದರೆ ಈ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಅಂತರ್ಗತವಾಗಿರುವ ಯಾದೃಚ್ಛಿಕತೆ.
• ಮಾಡೆಲ್ ನಿರರ್ಗಳವಾಗಿ ಮಾತನಾಡುತ್ತಾಳೆ, ಆದರೆ ಅವಳು ಸತ್ಯವನ್ನು ಹೇಳುತ್ತಿದ್ದಾಳೆ ಎಂದು ಇದು ಖಾತರಿಪಡಿಸುವುದಿಲ್ಲ; ನಿರರ್ಗಳತೆ ಮತ್ತು ನಿಖರತೆ ವಿಭಿನ್ನ ವಿಷಯಗಳು.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ನಿಮ್ಮ AI ಟೂಲ್‌ಗೆ ಒಂದೇ ಸೃಜನಾತ್ಮಕ ಕಾರ್ಯವನ್ನು ನೀಡಿ (ಉದಾ. "ತ್ವರಿತ ಧನ್ಯವಾದ ಟಿಪ್ಪಣಿಯನ್ನು ಬರೆಯಿರಿ") ಸತತವಾಗಿ ಎರಡು ಬಾರಿ ಮತ್ತು ಔಟ್‌ಪುಟ್‌ಗಳು ಹೇಗೆ ಭಿನ್ನವಾಗಿವೆ ಎಂಬುದನ್ನು ಗಮನಿಸಿ. ನಂತರ "ಪವರ್‌ಫುಲ್ ಪ್ರಾಂಪ್ಟ್" ಟೆಂಪ್ಲೇಟ್‌ನೊಂದಿಗೆ ಅದೇ ಕೆಲಸವನ್ನು ಪುನರಾವರ್ತಿಸಿ, ಸಂದರ್ಭವನ್ನು ಸೇರಿಸಿ ಮತ್ತು ಎರಡು ಫಲಿತಾಂಶಗಳ ನಡುವಿನ ಗುಣಮಟ್ಟದಲ್ಲಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಗಮನಿಸಿ.

ಪರಿಶೀಲನಾಪಟ್ಟಿ

• [ ] "ಮುಂದಿನ ಸಂಭವನೀಯ ಭಾಗವನ್ನು ಊಹಿಸುವ ಮೂಲಕ" ಮಾದರಿಯು ಪಠ್ಯವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ ಎಂದು ನಾನು ವಿವರಿಸಬಲ್ಲೆ.
• ಟೋಕನ್ ಎಂದರೇನು ಮತ್ತು ಅದು ವೆಚ್ಚ/ಮಿತಿಯನ್ನು ಏಕೆ ಸೂಚಿಸುತ್ತದೆ ಎಂದು ನನಗೆ ತಿಳಿದಿದೆ.
• [ ] ನಾನು ನಿರ್ಣಯದ ಅಗತ್ಯವಿರುವ ಮತ್ತು ಸೃಜನಶೀಲತೆಯ ಅಗತ್ಯವಿರುವ ಉದ್ಯೋಗಗಳ ನಡುವೆ ವ್ಯತ್ಯಾಸವನ್ನು ಗುರುತಿಸಬಲ್ಲೆ.
• [ ] ಒಂದೇ ಪ್ರಶ್ನೆಗೆ ವಿಭಿನ್ನ ಉತ್ತರಗಳನ್ನು ಪಡೆಯುವುದು ಸಹಜ ಎಂದು ನನಗೆ ತಿಳಿದಿದೆ.
• [ ] ನಿರರ್ಗಳತೆಯು ನಿಖರತೆಯ ಯಾವುದೇ ಗ್ಯಾರಂಟಿ ಎಂದು ನಾನು ಆಂತರಿಕಗೊಳಿಸಿದ್ದೇನೆ.