ശുപാർശ സംവിധാനങ്ങളും വ്യക്തിഗതമാക്കിയ വിഭവ ശുപാർശയും

നേട്ടങ്ങൾ:

• യഥാർത്ഥ ശേഖരത്തിലെ ഓരോ ശുപാർശയും പരിശോധിച്ച് ഉള്ളടക്കം അടിസ്ഥാനമാക്കിയുള്ളതും സഹകരണപരമായ ശുപാർശ സമീപനങ്ങളും തമ്മിൽ വേർതിരിച്ചറിയാനും വ്യാജ ഉറവിടങ്ങൾ തടയാനുമുള്ള കഴിവ്
• ബോധപൂർവമായ വൈവിധ്യം ഉപയോഗിച്ച് ഫിൽട്ടർ ബബിൾ തകർക്കാനും സുതാര്യമായ ന്യായീകരണങ്ങളോടെ നിർദ്ദേശങ്ങൾ അവതരിപ്പിക്കാനുമുള്ള കഴിവ്
• ഉപയോക്തൃ വായനയുടെയും തിരയൽ ചരിത്രത്തിൻ്റെയും സ്വകാര്യത പരിരക്ഷിക്കുകയും ഈ ഡാറ്റ സുരക്ഷിതമായി പ്രോസസ്സ് ചെയ്യുകയും ചെയ്യുന്നു

ഒരു വായനക്കാരൻ ചോദിച്ചേക്കാം "ഞാൻ ഈ പുസ്തകം പൂർത്തിയാക്കി, അടുത്തതായി എന്താണ് വായിക്കേണ്ടത്?" ', ഒരു നല്ല ലൈബ്രേറിയൻ അവൻ്റെ അല്ലെങ്കിൽ അവളുടെ താൽപ്പര്യത്തിനും നിലവാരത്തിനും ഉദ്ദേശ്യത്തിനും അനുയോജ്യമായ വിഭവങ്ങൾ ശുപാർശ ചെയ്യുന്നു. ഡിജിറ്റൽ ലോകത്ത്, ശുപാർശ സംവിധാനങ്ങൾ ഇത് സ്കെയിലിൽ ചെയ്യുന്നു: ഒരു ഉപയോക്താവിൻ്റെ മുൻകാല താൽപ്പര്യമോ ഉറവിടത്തിൻ്റെ സവിശേഷതകളോ നോക്കി അവർ പുതിയ ഉറവിടങ്ങൾ ശുപാർശ ചെയ്യുന്നു. ഈ യൂണിറ്റിൽ, ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് അടിസ്ഥാനമാക്കിയുള്ള ശുപാർശ സംവിധാനങ്ങൾ എങ്ങനെ പ്രവർത്തിക്കുന്നുവെന്നും അവ ലൈബ്രറിയിലേക്ക് കൊണ്ടുവരുന്നതെന്താണെന്നും സ്വകാര്യത, പക്ഷപാതം, "ഫിൽട്ടർ ബബിൾ" എന്നിവ പോലുള്ള അപകടസാധ്യതകൾ എങ്ങനെ കൈകാര്യം ചെയ്യാമെന്നും നിങ്ങൾ പഠിക്കും.

നമുക്ക് ആശയങ്ങൾ നിർവചിക്കാം. ഉള്ളടക്കത്തെ അടിസ്ഥാനമാക്കിയുള്ള ശുപാർശ ഒരു ഉറവിടത്തിൻ്റെ സ്വഭാവസവിശേഷതകൾ (വിഷയം, രചയിതാവ്, തരം) നോക്കുകയും സമാനമായ ഉറവിടങ്ങൾ ശുപാർശ ചെയ്യുകയും ചെയ്യുന്നു: "നിങ്ങൾക്ക് ഈ ചരിത്ര പുസ്തകം ഇഷ്ടപ്പെട്ടെങ്കിൽ, ഇതേ കാലഘട്ടം ഉൾക്കൊള്ളുന്ന ഇതും നിങ്ങൾക്ക് ഇഷ്ടപ്പെട്ടേക്കാം." "നിങ്ങളെപ്പോലുള്ള വിഭവങ്ങൾ ഇഷ്ടപ്പെട്ട മറ്റ് ഉപയോക്താക്കളും ഇവ ഇഷ്ടപ്പെട്ടു" എന്ന തത്വത്തിലാണ് സഹകരണ ഫിൽട്ടറിംഗ് പ്രവർത്തിക്കുന്നത്. ഒരു ശുപാർശ സിസ്റ്റം ഉപയോക്താവിനെ നിരന്തരം സമാനമായ ഉള്ളടക്കത്തിലേക്ക് ലോക്ക് ചെയ്യുകയും പുതിയ, വ്യത്യസ്ത വീക്ഷണങ്ങളിൽ നിന്ന് അവരെ അകറ്റി നിർത്തുകയും ചെയ്യുന്നതാണ് ഫിൽട്ടർ ബബിൾ. ഒരു നല്ല ലൈബ്രറി ശുപാർശ താൽപ്പര്യം പിടിച്ചെടുക്കുകയും കുമിള തകർക്കുകയും ചെയ്യുന്നു.

ഘട്ടം ഘട്ടമായി: ഉത്തരവാദിത്തമുള്ള ഉപദേശ സമീപനം

1. ഉദ്ദേശ്യം വ്യക്തമാക്കുക. നിർദ്ദേശം എന്താണ് ലക്ഷ്യമിടുന്നത്? ഉപയോക്താവ് വായന തുടരാനോ അവരുടെ ചക്രവാളങ്ങൾ വിശാലമാക്കാനോ ഒരു നിർദ്ദിഷ്‌ട ഗവേഷണ ചോദ്യത്തിനുള്ള ഉറവിടങ്ങൾ കണ്ടെത്താനോ നിങ്ങൾ ആഗ്രഹിക്കുന്നുണ്ടോ? ഉദ്ദേശ്യം ശുപാർശയുടെ തരം നിർണ്ണയിക്കുന്നു.

2. ഉറവിടവും ആധികാരികതയും പരിശോധിക്കുക. നിർദ്ദേശങ്ങൾ നൽകുമ്പോൾ AI-ക്ക് നിലവിലില്ലാത്ത പുസ്തകങ്ങൾ ഉണ്ടാക്കാം. നിർദ്ദേശിച്ച ഓരോ ഉറവിടവും യഥാർത്ഥത്തിൽ ശേഖരത്തിലോ വിശ്വസനീയമായ കാറ്റലോഗിലോ ഉണ്ടെന്ന് പരിശോധിക്കുക.

3. വൈവിധ്യം നിലനിർത്തുക. "ഏറ്റവും സാമ്യമുള്ളത്" മാത്രം ശുപാർശ ചെയ്യുന്നത് ഒരു ഫിൽട്ടർ ബബിൾ സൃഷ്ടിക്കുന്നു. വ്യത്യസ്ത വീക്ഷണങ്ങൾ, വ്യത്യസ്ത രചയിതാക്കൾ, വ്യത്യസ്ത തലങ്ങൾ എന്നിവ ബോധപൂർവ്വം ഉൾക്കൊള്ളുന്നു. വായനശാലയുടെ ദൗത്യം ചക്രവാളങ്ങൾ തുറക്കുക എന്നതാണ്, അവയെ പരിസ്ഥിതിയിൽ ഒതുക്കുകയല്ല.

4. സ്വകാര്യത സംരക്ഷിക്കുക. വ്യക്തിപരമാക്കിയ ശുപാർശ ഉപയോക്താവിൻ്റെ വായന ചരിത്രം ഉപയോഗിക്കുന്നു, അത് വളരെ കൃത്യവുമാണ്. പൊതുവായ AI ടൂളുകൾക്ക് ഈ ഡാറ്റ നൽകരുത്; ഉപയോക്താവിൻ്റെ സമ്മതത്തോടെ സ്ഥാപനത്തിൻ്റെ സുരക്ഷിത സംവിധാനങ്ങൾക്കുള്ളിൽ മാത്രം പ്രോസസ്സ് ചെയ്യുക.

5. സുതാര്യമായിരിക്കുക. എന്തുകൊണ്ടാണ് ശുപാർശ നൽകിയതെന്ന് ഉപയോക്താവിനോട് വിശദീകരിക്കുക: "നിങ്ങൾക്ക് താൽപ്പര്യമുള്ള വിഷയവുമായി ബന്ധപ്പെട്ടതിനാൽ ഈ റിസോഴ്‌സ് ശുപാർശ ചെയ്‌തു." സുതാര്യത വിശ്വാസത്തെയും വിവര സാക്ഷരതയെയും ശക്തിപ്പെടുത്തുന്നു.

നുറുങ്ങ്: നിർദ്ദേശങ്ങളുടെ ഒരു ലിസ്റ്റിലേക്ക് ബോധപൂർവ്വം ഒരു "അല്പം വ്യത്യസ്തമായ" ഉറവിടം ചേർക്കുകയും പ്രസ്താവിക്കുകയും ചെയ്യുക: "ഇവ നിങ്ങളുടെ താൽപ്പര്യമുള്ള മേഖലയോട് അടുത്താണ്; ഒരു പുതുക്കൽ എന്ന നിലയിലാണ് ഞാൻ ഇത് ചേർത്തത്." ഇത് രണ്ടും ഫിൽട്ടർ ബബിൾ തകർക്കുകയും ലൈബ്രറിയുടെ കണ്ടെത്തൽ മൂല്യം കാണിക്കുകയും ചെയ്യുന്നു.

നിർദ്ദേശത്തിൻ്റെ നൈതിക മാനം

ശുപാർശ സംവിധാനങ്ങൾ നിരപരാധിയാണെന്ന് തോന്നുമെങ്കിലും ശക്തമായ ഇഫക്റ്റുകൾ സൃഷ്ടിക്കുന്നു. ഒരു ഉപയോക്താവിന് ശുപാർശ ചെയ്യുന്ന ഉറവിടങ്ങൾ അവൻ്റെ അല്ലെങ്കിൽ അവളുടെ വിവര ലോകത്തെ രൂപപ്പെടുത്തുന്നു. സിസ്റ്റം ജനപ്രിയമായതോ ഒരു പ്രത്യേക വീക്ഷണകോണിൽ നിന്നുള്ളതോ ആയ ഉറവിടങ്ങൾ മാത്രം ഉയർത്തിക്കാട്ടുന്നുവെങ്കിൽ, ന്യൂനപക്ഷ ശബ്ദങ്ങൾ, വ്യത്യസ്തമായ വീക്ഷണങ്ങൾ, അത്ര അറിയപ്പെടാത്ത മൂല്യവത്തായ ഉറവിടങ്ങൾ എന്നിവ അദൃശ്യമാകും. പരിശീലന ഡാറ്റയിലെ ജനപ്രീതിയും പക്ഷപാതവും പാരമ്പര്യമായി നൽകിക്കൊണ്ട് AI-ക്ക് ഈ പ്രവണതയെ ശക്തിപ്പെടുത്താനാകും.

ഇവിടെയാണ് ലൈബ്രേറിയൻഷിപ്പിൻ്റെ മൂല്യം വരുന്നത്: ലൈബ്രറി ഒരു വാണിജ്യ ശുപാർശ എഞ്ചിനല്ല; വിവരങ്ങളിലേക്കുള്ള തുല്യവും വൈവിധ്യപൂർണ്ണവുമായ പ്രവേശനം ഉറപ്പാക്കുക എന്നതാണ് ഇതിൻ്റെ ദൗത്യം. ഈ മൂല്യവുമായി ശുപാർശ സംവിധാനം വിന്യസിക്കുക എന്നത് ലൈബ്രേറിയൻ്റെ ഉത്തരവാദിത്തമാണ്.

ശ്രദ്ധിക്കുക: ഉപയോക്താവിൻ്റെ വായനയും തിരയൽ ചരിത്രവും ഏറ്റവും സെൻസിറ്റീവ് സ്വകാര്യത ഡാറ്റകളിൽ ഒന്നാണ്. ഒരു വ്യക്തി വായിക്കുന്നത് അവൻ്റെ ആരോഗ്യം, രാഷ്ട്രീയ വീക്ഷണങ്ങൾ, വിശ്വാസങ്ങൾ അല്ലെങ്കിൽ വ്യക്തിപരമായ പ്രതിസന്ധി എന്നിവയെക്കുറിച്ചുള്ള വിവരങ്ങൾ വെളിപ്പെടുത്തും. ഈ ഡാറ്റ അതിൻ്റെ ഐഡൻ്റിറ്റി ഉപയോഗിച്ച് ഒരിക്കലും ബാഹ്യ സിസ്റ്റങ്ങളിലേക്ക് മാറ്റരുത്; അജ്ഞാതവൽക്കരണവും സമ്മതവും അത്യാവശ്യമാണ്.

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - ഉള്ളടക്കം അടിസ്ഥാനമാക്കിയുള്ള ശുപാർശ പ്രവർത്തിച്ചു. വിദ്യാർത്ഥികൾക്ക് അവർ വായിക്കുന്ന പുസ്തകത്തിന് സമാനമായ വിഭവങ്ങൾ ശുപാർശ ചെയ്യാൻ ഒരു സ്കൂൾ ലൈബ്രറി ഒരു ഉള്ളടക്ക അധിഷ്ഠിത സംവിധാനം ഉപയോഗിച്ചു. ഒരു വിദ്യാർത്ഥി ഒരു സയൻസ് ഫിക്ഷൻ നോവൽ പൂർത്തിയാക്കി; ഒരേ തീം ഉൾക്കൊള്ളുന്ന എന്നാൽ മറ്റൊരു രചയിതാവിൽ നിന്നുള്ള മൂന്ന് പുസ്തകങ്ങൾ സിസ്റ്റം ശുപാർശ ചെയ്തു. വിദ്യാർത്ഥി കടം വാങ്ങിയത് രണ്ടെണ്ണം; വായനാശീലം തുടർന്നു. എല്ലാ നിർദ്ദേശങ്ങളും യഥാർത്ഥത്തിൽ ശേഖരത്തിൽ നിലവിലുണ്ടെന്ന് ലൈബ്രേറിയൻ മുമ്പ് സ്ഥിരീകരിച്ചിരുന്നു.

കേസ് 2 - വ്യാജ നിർദ്ദേശം പിടികൂടി. ഒരു ഉപയോക്താവിന് 8 പുസ്തകങ്ങൾ ശുപാർശ ചെയ്യാൻ ഒരു ലൈബ്രേറിയൻ AI-യോട് ആവശ്യപ്പെട്ടു. കാറ്റലോഗിലെ ലിസ്റ്റ് അദ്ദേഹം പരിശോധിച്ചു: 8 പുസ്തകങ്ങളിൽ 3 എണ്ണം കാണുന്നില്ല; AI വിശ്വസനീയമായ തലക്കെട്ടുകൾ സൃഷ്ടിച്ചു. സ്ഥിരീകരണ ഘട്ടം നിലവിലില്ലാത്ത പുസ്തകങ്ങൾ ഉപയോക്താവിന് ശുപാർശ ചെയ്യുന്നതിൽ നിന്ന് തടഞ്ഞു.

കേസ് 3 - ഫിൽട്ടർ ബലൂൺ പൊട്ടി. ഒരേ വീക്ഷണത്തോടെയുള്ള സ്രോതസ്സുകളുമായി ഒരു ഗവേഷകൻ നിരന്തരം പ്രവർത്തിച്ചുകൊണ്ടിരുന്നു, കൂടാതെ സിസ്റ്റം എല്ലായ്പ്പോഴും സമാനമായവ നിർദ്ദേശിച്ചു. ലൈബ്രേറിയൻ ബോധപൂർവ്വം രണ്ട് സ്രോതസ്സുകൾ ഉൾപ്പെടുത്തി, വിഷയത്തിന് വിപരീത സമീപനം അവതരിപ്പിക്കുകയും ഇത് വ്യക്തമാക്കുകയും ചെയ്തു. ഈ എതിർ സ്രോതസ്സുകൾക്ക് നന്ദി മാത്രമാണ് ഗവേഷകൻ തൻ്റെ പഠനത്തിൻ്റെ അപൂർണ്ണമായ വശം തിരിച്ചറിഞ്ഞത്.

തണുത്ത തുടക്കവും പുതിയ ഉപയോക്തൃ പ്രശ്‌നവും

ശുപാർശ ചെയ്യുന്ന സിസ്റ്റങ്ങളുടെ അറിയപ്പെടുന്ന വെല്ലുവിളി കോൾഡ് സ്റ്റാർട്ട് പ്രശ്‌നമാണ്: ഒരു പുതിയ ഉപയോക്താവിനോടോ ചരിത്രപരമായ ഡാറ്റകളൊന്നുമില്ലാത്ത ശേഖരത്തിലേക്ക് ഇപ്പോൾ ചേർത്ത ഒരു ഉറവിടത്തിനോ എന്താണ് ശുപാർശ ചെയ്യേണ്ടതെന്ന് സിസ്റ്റത്തിന് അറിയില്ല. ഈ സാഹചര്യത്തിൽ, പല സിസ്റ്റങ്ങളും സുരക്ഷിതമായ ഓപ്ഷനായി ഏറ്റവും ജനപ്രിയമായ ഉറവിടങ്ങളിലേക്ക് തിരിയുന്നു; ഇതിനർത്ഥം, അധികം അറിയപ്പെടാത്ത മൂല്യവത്തായ വിഭവങ്ങൾ ശുപാർശ ചെയ്യുന്നില്ല, ജനപ്രീതി സ്വയം പോഷിപ്പിക്കുന്നു എന്നാണ്. ലൈബ്രേറിയൻ പദങ്ങളിൽ, ഇത് തുല്യ പ്രവേശനത്തിൻ്റെ മൂല്യവുമായി വൈരുദ്ധ്യം കാണിക്കുന്നു. ഒരു ശുപാർശ നൽകുന്നതിനും അവരുടെ ഉള്ളടക്ക സവിശേഷതകളെ അടിസ്ഥാനമാക്കി പുതുതായി ചേർത്ത വിഭവങ്ങൾ ഹൈലൈറ്റ് ചെയ്യുന്നതിനും മുമ്പ് പുതിയ ഉപയോക്താവിനോട് ഹ്രസ്വവും വ്യക്തവുമായ മുൻഗണനാ ചോദ്യം (ഏത് വിഷയങ്ങൾ, ഏത് ലെവൽ, ഏത് ഉദ്ദേശ്യം) ചോദിക്കുക എന്നതാണ് പരിഹാരം. ഈ ഘട്ടത്തിൽ, ഒരു റിസോഴ്സിൻ്റെ വിഷയവും സവിശേഷതകളും വിശകലനം ചെയ്യുന്നതിലൂടെ, AI-ക്ക് ഒരിക്കലും കടമെടുത്തിട്ടില്ലാത്ത ഒരു പുസ്തകം പോലും പ്രസക്തമായ ഉപയോക്താവുമായി ബന്ധിപ്പിക്കാൻ കഴിയും; നിർദ്ദേശം യഥാർത്ഥ ശേഖരത്തിൽ നിന്ന് വന്ന് പരിശോധിച്ചുറപ്പിക്കുന്നിടത്തോളം. അങ്ങനെ, സിസ്റ്റം "വളരെ പ്രിയപ്പെട്ടവരെ" മാത്രമല്ല, "പ്രസക്തവും വിലപ്പെട്ടതും" ദൃശ്യമാക്കുന്നു.

നുറുങ്ങ്: ഒരു പുതിയ ഉപയോക്താവിനായി ഒരു ശുപാർശ സജ്ജീകരിക്കുമ്പോൾ, അത് സിസ്റ്റത്തിൻ്റെ ചരിത്രപരമായ ഡാറ്റയെക്കാൾ ഉപയോക്താവിൻ്റെ നിലവിലെ ആവശ്യങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്. ഒരു നല്ല ചോദ്യം ("ഇത് ഗവേഷണത്തിന് വേണ്ടിയാണോ, സന്തോഷത്തിന് വേണ്ടിയാണോ?") പലപ്പോഴും മാസങ്ങളിലുള്ള പെരുമാറ്റ ഡാറ്റയേക്കാൾ കൂടുതൽ കൃത്യമായ ശുപാർശ നൽകുന്നു.

പകർത്താവുന്ന നാല് ടെംപ്ലേറ്റുകൾ

1) ഉള്ളടക്കത്തെ അടിസ്ഥാനമാക്കിയുള്ള സമാന ഉറവിട ശുപാർശ:

ഒരു ഉപയോക്താവ് ഇഷ്‌ടപ്പെട്ട ഒരു ഉറവിടത്തിൻ്റെ വിഷയം/സംഗ്രഹം ചുവടെയുണ്ട്. ഞങ്ങളുടെ ശേഖരത്തിൽ നിലവിലുള്ള വിഭവങ്ങളുടെ ഒരു ലിസ്റ്റും ഞാൻ നൽകിയിട്ടുണ്ട്. ഈ ലിസ്റ്റിൽ നിന്ന്, വിഷയത്തിന് സമാനമായ 5 ഉറവിടങ്ങൾ നിർദ്ദേശിക്കുകയും ഓരോന്നിനും ഒരു വാക്യം ന്യായീകരിക്കുകയും ചെയ്യുക. നിർദ്ദേശിക്കുന്ന ഉറവിടങ്ങൾ പട്ടികപ്പെടുത്തിയിട്ടില്ല. പ്രിയപ്പെട്ട ഉറവിടം: [ഇവിടെ] / ശേഖരണ പട്ടിക: [ഇവിടെ]

2) വൈവിധ്യം ചേർക്കുന്ന നിർദ്ദേശം:

ചുവടെയുള്ള നിർദ്ദേശങ്ങളുടെ ലിസ്റ്റിലേക്ക്, ഉപയോക്താവിൻ്റെ ചക്രവാളങ്ങൾ വിശാലമാക്കുകയും മറ്റൊരു വീക്ഷണം അല്ലെങ്കിൽ ഉപവിഷയം (ഞാൻ നൽകിയ ശേഖരണ ലിസ്റ്റിൽ നിന്ന് മാത്രം) നൽകുകയും ചെയ്യുന്ന 2 ഉറവിടങ്ങൾ ചേർക്കുക. അവ വ്യത്യസ്തവും മൂല്യവത്തായതും എന്തുകൊണ്ടാണെന്ന് വിശദീകരിക്കുക. പട്ടിക: [ഇവിടെ] / ശേഖരം: [ഇവിടെ]

3) ശുപാർശയുടെ കാരണത്തിൻ്റെ വിശദീകരണം:

ചുവടെയുള്ള ഓരോ ശുപാർശയ്ക്കും, ഉപയോക്താവിന് കാണിക്കാൻ കഴിയുന്ന ഒരു ഹ്രസ്വവും സുതാര്യവുമായ ന്യായീകരണം എഴുതുക: "ഈ റിസോഴ്‌സ് ശുപാർശ ചെയ്‌തത് ..." അതിശയോക്തിയോ വ്യക്തിഗത ഡാറ്റയുടെ സൂചനയോ ഇല്ല. നിർദ്ദേശങ്ങൾ: [ഇവിടെ]

4) സ്വകാര്യത മുൻകൂട്ടി പരിശോധിക്കുക:

ഇനിപ്പറയുന്ന നിർദ്ദേശ എൻട്രിയിൽ ഉപയോക്തൃ-തിരിച്ചറിയൽ അല്ലെങ്കിൽ സെൻസിറ്റീവ് വിവരങ്ങൾ (ആരോഗ്യം, വിശ്വാസങ്ങൾ, രാഷ്ട്രീയ വീക്ഷണങ്ങൾ എന്നിവ സൂചിപ്പിക്കുന്നത്) അടങ്ങിയിട്ടുണ്ടോ? അങ്ങനെയാണെങ്കിൽ, അത് അടയാളപ്പെടുത്തി അതിനെ അജ്ഞാതമാക്കുന്നത് എങ്ങനെയെന്ന് നിർദ്ദേശിക്കുക. ഇൻപുട്ട്: [ഇവിടെ]

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്:

ഈ ഉപയോക്താവിന് വായിക്കാൻ 10 പുസ്തകങ്ങൾ ശുപാർശ ചെയ്യുക.

ശേഖരം അറിയാതെ AI അതിൻ്റെ ആഗോള മെമ്മറിയിൽ നിന്ന് നിർദ്ദേശങ്ങൾ സൃഷ്ടിക്കുന്നു; ഇല്ലാത്തതും വൈവിധ്യവും സ്വകാര്യതയും മാനിക്കാത്തതുമായ പുസ്തകങ്ങൾ അദ്ദേഹത്തിന് ഉണ്ടാക്കാം.

ശക്തമായ നിർദ്ദേശം:

നിങ്ങളുടെ റോൾ: റീഡർ അഡ്വൈസറി അസിസ്റ്റൻ്റ്. ഉപയോക്താവ് ഇഷ്‌ടപ്പെട്ട വിഷയവും ഞങ്ങളുടെ ശേഖരത്തിലെ യഥാർത്ഥ ഉറവിടങ്ങളുടെ ലിസ്റ്റും ചുവടെയുണ്ട്. (1) ലിസ്റ്റിൽ നിന്ന് വിഷയവുമായി ബന്ധപ്പെട്ട 5 ഉറവിടങ്ങൾ നിർദ്ദേശിക്കുക. (2) നിങ്ങളുടെ കണ്ണുകൾ തുറക്കുന്ന വ്യത്യസ്ത കാഴ്ചപ്പാടുകളുള്ള 2 ഉറവിടങ്ങളും ചേർക്കുക. (3) ഓരോ നിർദ്ദേശത്തിനും സുതാര്യമായ ഒരു ന്യായീകരണം എഴുതുക. ലിസ്റ്റിൽ നിന്ന് പുറത്തുകടക്കരുത്, ഉറവിടങ്ങൾ കെട്ടിച്ചമയ്ക്കുകയോ വ്യക്തിഗത ഡാറ്റ സൂചിപ്പിക്കുകയോ ചെയ്യരുത്. വിഷയം: [ഇവിടെ] / ശേഖരം: [ഇവിടെ]

ശക്തമായ പ്രോംപ്റ്റ്; അത് യഥാർത്ഥ ശേഖരണത്തിലേക്ക് പരിമിതപ്പെടുത്തുന്നു, വൈവിധ്യം ആവശ്യപ്പെടുന്നു, ന്യായീകരണവും സ്വകാര്യതാ നിയമവും ചേർക്കുന്നു.

ശുപാർശ തരം താരതമ്യ ചാർട്ട്

നിർദ്ദേശ തരം

ശക്തമായ പോയിൻ്റ്

അപകടം

ലൈബ്രേറിയൻ്റെ ചുമതല

ഉള്ളടക്കം അടിസ്ഥാനമാക്കിയുള്ളത്

ശ്രദ്ധ നന്നായി ആകർഷിക്കുന്നു

ഫിൽട്ടർ ബബിൾ

വൈവിധ്യം ചേർക്കുക

സഹകരിച്ചുള്ള

അത്ഭുതകരമായ കണ്ടെത്തൽ

സ്വകാര്യത, ജനപ്രീതി പക്ഷപാതം

അജ്ഞാതത്വം, ബാലൻസ്

AI പ്രൊഡക്ഷൻ ലിസ്റ്റ്

വേഗം

ഉണ്ടാക്കിയ ഉറവിടം

യാഥാർത്ഥ്യം പരിശോധിക്കുക

സാധാരണ തെറ്റുകൾ

• പരിശോധിച്ചുറപ്പിക്കാതെ നിർദ്ദേശങ്ങൾ വാഗ്ദാനം ചെയ്യുന്നു. AI-ക്ക് നിലവിലില്ലാത്ത ഉറവിടങ്ങൾ ഉണ്ടാക്കാൻ കഴിയും.
• "ഏറ്റവും സമാനമായത്" ശുപാർശ ചെയ്യുന്നു. ഫിൽട്ടർ ബബിൾ ഉപയോക്താവിൻ്റെ ചക്രവാളങ്ങളെ ചുരുക്കുന്നു.
• വായന ചരിത്രം ബാഹ്യ ഉപകരണത്തിലേക്ക് എക്‌സ്‌പോർട്ടുചെയ്യുന്നു. സ്വകാര്യതയുടെ ഏറ്റവും സെൻസിറ്റീവ് ഡാറ്റയാണിത്.
• ന്യായീകരണമില്ലാതെ നിർദ്ദേശം അവതരിപ്പിക്കുന്നു. സുതാര്യത വിശ്വാസത്തെയും സാക്ഷരതയെയും പിന്തുണയ്ക്കുന്നു.
• ജനപ്രീതി പക്ഷപാതം അവഗണിക്കുന്നു. വിലപ്പെട്ടതും എന്നാൽ അധികം അറിയപ്പെടാത്തതുമായ വിഭവങ്ങൾ നഷ്ടപ്പെട്ടു.

ചുരുക്കത്തിൽ

ഉപയോക്തൃ താൽപ്പര്യം പിടിച്ചെടുക്കുന്നതിലൂടെ കണ്ടെത്തൽ സുഗമമാക്കുന്ന ശക്തമായ ഉപകരണങ്ങളാണ് ശുപാർശ സംവിധാനങ്ങൾ; ഉള്ളടക്കത്തെ അടിസ്ഥാനമാക്കിയുള്ളതും സഹകരിച്ചുള്ളതുമായ സമീപനങ്ങൾ വ്യത്യസ്ത ശക്തികളും അപകടസാധ്യതകളും വഹിക്കുന്നു. നിർദ്ദേശങ്ങൾ സൃഷ്ടിക്കുന്നതിൽ AI വേഗത്തിലാണ്, എന്നാൽ നിലവിലില്ലാത്ത ഉറവിടങ്ങൾ കണ്ടുപിടിക്കാനും കുമിളകൾ ഫിൽട്ടർ ചെയ്യാനും പക്ഷപാതത്തെ ശക്തിപ്പെടുത്താനും കഴിയും. ലൈബ്രേറിയൻ്റെ ജോലി; യഥാർത്ഥ ശേഖരത്തിലെ എല്ലാ നിർദ്ദേശങ്ങളും പരിശോധിച്ചുറപ്പിക്കാനും, ബോധപൂർവമായ വൈവിധ്യം കൊണ്ട് കുമിള തകർക്കാനും, ഉപയോക്തൃ സ്വകാര്യത സംരക്ഷിക്കാനും, സുതാര്യമായ കാരണങ്ങളോടെ നിർദ്ദേശങ്ങൾ അവതരിപ്പിച്ചുകൊണ്ട് ലൈബ്രറിയുടെ തുല്യവും വൈവിധ്യപൂർണ്ണവുമായ പ്രവേശനത്തിൻ്റെ മൂല്യം നിലനിർത്താനും.

ആപ്ലിക്കേഷൻ ടാസ്ക്

വസ്തുതാപരമായ ശേഖരങ്ങളുടെ ഒരു ചെറിയ ലിസ്റ്റ് തയ്യാറാക്കുക (10-15 ഉറവിടങ്ങൾ). "ഉള്ളടക്കം അടിസ്ഥാനമാക്കിയുള്ള സമാന റിസോഴ്‌സ് ശുപാർശ" ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് ഒരു ഉപയോക്താവിനായി ഒരു ശുപാർശ സൃഷ്‌ടിക്കുകയും അവയെല്ലാം ലിസ്റ്റിൽ യഥാർത്ഥത്തിൽ നിലവിലുണ്ടെന്ന് സ്ഥിരീകരിക്കുകയും ചെയ്യുക. തുടർന്ന്, "വൈവിധ്യങ്ങൾ ചേർക്കുന്ന നിർദ്ദേശം" ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് ലിസ്റ്റിലേക്ക് വ്യത്യസ്ത കാഴ്ചപ്പാടുകളുള്ള ഉറവിടങ്ങൾ ചേർക്കുക. അവസാനമായി, "നിർദ്ദേശ യുക്തി വിശദീകരണം" ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് ഓരോ നിർദ്ദേശത്തിനും സുതാര്യമായ ഒരു വിശദീകരണം സൃഷ്‌ടിച്ച് അത് ഉപയോക്താവിന് എങ്ങനെ അവതരിപ്പിക്കുമെന്ന് പ്ലാൻ ചെയ്യുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] ഓരോ നിർദ്ദേശവും യഥാർത്ഥത്തിൽ ശേഖരത്തിൽ ഉണ്ടെന്ന് ഞാൻ പരിശോധിച്ചു.
• [ ] ഫിൽട്ടർ ബബിൾ തകർക്കാൻ ഞാൻ വൈവിധ്യം ചേർത്തു.
• [ ] ഞാൻ ഉപയോക്തൃ വായന/തിരയൽ ചരിത്രം സുരക്ഷിതമായി സൂക്ഷിച്ചു, ഞാൻ അത് ഒരു ബാഹ്യ ഉപകരണത്തിന് നൽകിയില്ല.
• [ ] ഓരോ നിർദ്ദേശത്തിനും ഞാൻ സുതാര്യമായ ഒരു ന്യായീകരണം തയ്യാറാക്കിയിട്ടുണ്ട്.
• [ ] ജനപ്രീതി പക്ഷപാതം ഒഴിവാക്കാൻ, അധികം അറിയപ്പെടാത്തതും മൂല്യവത്തായതുമായ ഉറവിടങ്ങളിൽ ഞാൻ ശ്രദ്ധ ചെലുത്തി.