लाभ:
- टोकनले सम्भावना र भविष्यवाणीको अवधारणालाई सहज रूपमा व्याख्या गर्न सक्छ
- बुझ्नुहोस् किन भाषा मोडेलले पाठ 'piecemeal' उत्पादन गर्दछ
- मोडेलले कहिलेकाहीँ निर्णायक र कहिलेकाहीँ रचनात्मक व्यवहार किन गर्छ भनेर व्याख्या गर्न सक्छ
जब तपाइँ भाषा मोडेलमा "इस्तानबुलको बारेमा सबै भन्दा राम्रो कुरा" लेख्नुहुन्छ, यसले केहि सेकेन्डमा धाराप्रवाह अनुच्छेद उत्पादन गर्दछ। यो कसरी हुन्छ? के मोडेलले वास्तवमा "सोच्छ" वा यसको पछाडि धेरै सरल तर शक्तिशाली संयन्त्र छ? यस एकाइमा हामी प्राविधिक समीकरणहरूमा नजाइकन तर सही अन्तर्ज्ञान स्थापना गरेर जेनेरेटिभ एआईले कसरी काम गर्छ भनेर व्याख्या गर्नेछौं। यो अन्तर्ज्ञान पछ्याउने सबै चीजहरूको लागि आधार हो - विशेष गरी भ्रम, प्रमाणीकरण, र राम्रो द्रुत लेखनको विषयहरू। जेनेरेटिभ एआई, अर्थात् "जेनेरेटिभ आर्टिफिसियल इन्टेलिजेन्स" भनेको अवस्थित जवाफ खोज्ने र ल्याउनुको सट्टा स्क्र्याचबाट पाठ सिर्जना गर्ने उपकरणहरूको साझा नाम हो।
आधारभूत विचार: अर्को टुक्रा भविष्यवाणी
अचम्मको कुरा यो हो कि भाषा मोडेलले सिक्ने एक मात्र आधारभूत कार्य "पाठको कुन भागलाई पछ्याउन सम्भव छ?" प्रश्नको जवाफ दिने हो । मोडेलले पूर्ण वाक्य तयार गरी तपाईंको अगाडि प्रस्तुत गर्दैन। यसको सट्टा, यसले बाँयाबाट दायाँ तिर वाक्य टुक्रा टुक्रा उत्पादन गर्दछ।
यहाँ छ कसरी यसले चरण-दर-चरण काम गर्दछ:
- यसले तपाईंले लेखेको पाठ (प्रम्प्ट) पढ्छ।
- यो पाठ पछ्याउने सबैभन्दा सम्भावित भाग भविष्यवाणी गर्दछ।
- त्यो टुक्रा थप्छ।
- यसले नयाँ बनाइएको पाठमा फेरि हेर्छ र अर्को सम्भावित टुक्रा अनुमान गर्दछ।
- जवाफ पूरा नभएसम्म दोहोर्याउनुहोस्।
उदाहरण: यदि तपाईंले मोडेललाई "बिहान उठ्दा तातो कप खानुहोस्..." पाठ दिनुभयो भने, सम्भवतः निरन्तरता "चिया" वा "कफी" हुनेछ; "डामर" होइन। मोडेलले लाखौं पाठहरूबाट त्यस्ता सम्भावनाहरू सिकेको छ। त्यसपछि उसले "चिया" थप्छ, त्यसपछि नयाँ वाक्यलाई हेर्छ र अर्को सम्भावित भाग अनुमान गर्छ, र यस्तै।
अर्को शब्दमा, प्रत्येक चरणमा, मोडेलले के लेखेको छ भनेर हेरेर अर्को चरण लिन्छ। त्यसैले यसलाई कहिलेकाहीँ "स्वतः पूर्णको अति उन्नत संस्करण" भनिन्छ। तर यो समानताले प्रतिभालाई बेवास्ता गर्नु हुँदैन; सही मापनमा, यो भविष्यवाणीले तर्क जस्तो देखिने परिणामहरू उत्पादन गर्न सक्छ।
टोकन: शब्दको सानो टुक्रा
मोडेलले वास्तवमा पूर्ण "शब्दहरू" सँग काम गर्दैन तर टोकन भनिने साना टुक्राहरूसँग काम गर्दछ। एक टोकन; कहिले यो पूर्ण शब्द हो, कहिले यो शब्दको अंश हो, कहिले यो विराम चिन्ह हो।
- "पुस्तक" एकल टोकन हुन सक्छ।
- "हाम्रो पुस्तकहरूबाट" धेरै टोकनहरूमा विभाजन गर्न सकिन्छ जस्तै "पुस्तक", "s", "हाम्रो", "बाट"।
- स्पेस र विराम चिन्हहरू पनि टोकनको रूपमा गणना हुन्छन्।
ध्यान दिनुहोस्: टोकन प्राविधिक विवरण मात्र होइन। धेरैजसो AI उपकरणहरू टोकनहरूको संख्याद्वारा चार्ज हुन्छन्, र पाठको लम्बाइ (सन्दर्भ विन्डो) मोडेलहरूले एक पटकमा प्रशोधन गर्न सक्छन् टोकनहरूमा पनि सीमित छ। त्यसैले "तपाईं कति लामो लेख्नुहुन्छ" एक प्रत्यक्ष लागत र सीमा हो।
सम्भावना र "न्यानोपन": दृढता वा रचनात्मकता?
प्रत्येक चरणमा, मोडेलले एकल निश्चित उत्तर होइन तर सम्भावित निरन्तरताहरूको सम्भाव्यता सूची उत्पादन गर्दछ। उदाहरणका लागि, "तातो" शब्द पछि: चिया 55%, कफी 35%, दूध 7%, अन्य 3%। त्यसोभए उसले कुन रोज्छ?
यहाँ, तापमान भनिने सेटिङ खेलमा आउँछ। तापमान एक प्रकारको रचनात्मकता घुंडी हो जसले मोडेलले कति "जोखिम" गर्नेछ भनेर निर्धारण गर्दछ।
सेटिङ
व्यवहार
निष्कर्ष
यो कहाँ उपयोगी छ?
कम तापमान
सधैं सबैभन्दा सम्भावित विकल्प लिन्छ
स्थिर, दोहोर्याउन सकिने
कानूनी सारांश, प्राविधिक विवरण, डाटा निकासी
मध्यम तापमान
सन्तुलित छनौट
प्राकृतिक तर सुसंगत
सामान्य इमेल, रिपोर्ट ड्राफ्ट
उच्च तापमान
कम सम्भावना विकल्पहरू प्रयास गर्दछ
रचनात्मक, विविध, अप्रत्याशित
मंथन, नारा, नाम उत्पादन
यसले बारम्बार सोधिने प्रश्नको पनि व्याख्या गर्दछ: "मैले एउटै प्रश्न दुई पटक सोध्दा मैले फरक जवाफ किन पाउँछु?" किनभने छनोट प्रक्रियामा केही अनियमितता छ; मोडेलले डाटाबेसबाट निश्चित उत्तर कोर्दैन, यसले यसलाई हरेक पटक पुन: उत्पादन गर्दछ।
कमजोर प्रम्प्ट / बलियो प्रम्प्ट
मोडेल "सम्भाव्यता" सँग काम गर्छ भन्ने थाहा पाउँदा तपाईंले यसलाई कसरी निर्देशन दिनुहुन्छ भन्ने कुरा पनि परिवर्तन हुन्छ। तपाईंले जति धेरै सन्दर्भ दिनुहुन्छ, त्यति नै सही निरन्तरता हुने सम्भावना हुन्छ।
कमजोर प्रम्प्ट: एक परिचयात्मक पाठ लेख्नुहोस्।
नतिजा: मोडेलले सबैभन्दा "औसत" र जेनेरिक पाठ उत्पादन गर्छ किनभने यसले कुन उत्पादन, कुन दर्शक, कुन स्वरलाई थाहा छैन।
बलियो प्रम्प्ट: एउटा सानो क्याफेको नयाँ फिल्टर कफीको लागि इन्स्टाग्राम प्रमोशनल पाठ लेख्नुहोस्। दर्शक: 25-35 वर्ष पुरानो, कफी उत्साही। स्वर: मिलनसार, छोटो। अधिकतम ३ वाक्य, अन्त्यमा २ ह्यासट्यागहरू।
नतिजा: एक प्रयोगयोग्य पाठ जुन सान्दर्भिक छ किनभने सन्दर्भले सम्भावनाहरूलाई कम गर्छ।
तीन मिनी केसहरू
केस 1 - मार्केटिङ, उच्च विविधता। एउटा टोलीले नयाँ उत्पादनको लागि 30 वटा नाराहरू चाहन्थे। यसको उच्च तापमान सेटिङको साथ, मोडेलले विभिन्न, रचनात्मक विकल्पहरू उत्पादन गर्यो; टोलीले 30 मध्ये 4 चयन गरी विकास गर्यो। कुल समय: 10 मिनेट। हातले गरेको भए आधा दिन लाग्थ्यो।
मामला 2 - कानून, उच्च दृढता। एउटै कम्पनीको कानूनी टोलीले सम्झौता खण्डलाई सरल बनाउँदै थियो। तिनीहरू स्थिरता चाहन्थे, रचनात्मकता होइन; कम तापमान संग मोडेल लगभग उस्तै, रूढ़िवादी सारांश प्रत्येक पटक दियो। यसरी, विभिन्न परीक्षणहरू बीच कुनै असंगति थिएन।
केस 3 - "यो किन परिवर्तन भयो?" प्रश्न। एक कर्मचारीले एउटै इमेल ड्राफ्टलाई दुई पटक अनुरोध गरे र दुई फरक परिणामहरू प्राप्त गरे; उनले सोचे कि यो "गल्ती" हो। वास्तवमा, यो मोडेल को अनियमितता को एक प्राकृतिक परिणाम हो। एक पटक कर्मचारीले आफूलाई मनपर्ने संस्करण बचत गर्न र आवश्यक भएमा "यसलाई अघिल्लो जस्तै बनाउनुहोस्" भन्न सिके, त्यहाँ कुनै समस्या थिएन।
के मोडेल "यो प्राप्त"?
यो सबैभन्दा जिज्ञासु प्रश्न हो। मोडेलले शब्दहरू बीचको सांख्यिकीय सम्बन्धहरू यति राम्ररी सिकेको छ कि यसले धेरै कार्यहरू बुझेको बहाना गर्छ। तर यसमा कुनै सचेत बुझाइ, नियत वा वास्तविकता नियन्त्रण गर्ने संयन्त्र छैन। यसले "सबैभन्दा सम्भावित सिक्वेल" उत्पादन गर्छ; यसले "सबैभन्दा सटीक जानकारी" उत्पादन गर्ने ग्यारेन्टी गर्दैन। यो भिन्नता भ्रमको विषयको आधार हो, जुन हामी अर्को एकाइहरूमा छलफल गर्नेछौं।
सामान्य गल्तीहरू
सामान्य गल्तीहरू
- खोज इन्जिनको लागि मोडेल गलत गर्दै। मोडेलले इन्टरनेट खोजी गर्दैन र स्रोतहरू पुन: प्राप्त गर्दैन (एक विशेष खोज सुविधा नभएसम्म); मेमोरीबाट सम्भावित पाठ उत्पन्न गर्दछ। त्यसैले उसले स्रोत/आंकडा बनाउन सक्छ।
- सटीकताको लागि प्रवाह गलत। पाठ सुन्दर र आत्मविश्वासी भएकोले यसको सामग्री सही छ भन्ने होइन।
- हरेक पटक एउटै जवाफको अपेक्षा राख्छु । अनियमितता स्वाभाविक हो; महत्वपूर्ण कार्यहरूको लागि तपाईलाई मनपर्ने आउटपुट बचत गर्नुहोस्।
- धेरै लामो, अनावश्यक पाठ टाँस्दै र टोकन सीमा पुश गर्दै। लम्बाइ दुबै लागत बढ्छ र मोडेलको फोकस विचलित गर्न सक्छ; आवश्यक सन्दर्भ मात्र दिनुहोस्।
ध्यान दिनुहोस्: केवल किनभने मोडेल धाराप्रवाह र आत्मविश्वासका साथ बोल्छिन् यसको मतलब यो होइन कि उनी सही रूपमा बोल्छिन्। प्रवाह सम्भावना अनुमानको प्राकृतिक परिणाम हो; शुद्धता भनेको छुट्टै र स्वतन्त्र रूपमा जाँच गरिनु पर्ने कुरा हो।
संक्षेपमा
- जेनेरेटिभ एआईले अर्को सम्भावित टुक्रा (टोकन) को भविष्यवाणी गरेर चरण-दर-चरण पाठ उत्पन्न गर्दछ; टुक्रा टुक्रा वाक्य निर्माण गर्दछ।
- टोकनहरू शब्दहरूको साना भागहरू हुन् र लागत र लम्बाइ दुवै सीमाहरू सेट गर्छन्।
- प्रत्येक चरणमा, मोडेलले सम्भावनाहरूको सूची उत्पादन गर्दछ; तापक्रम सेटिङले उत्पादन कति स्थिर वा रचनात्मक हुनेछ भनेर निर्धारण गर्छ।
- एउटै प्रश्नको फरक जवाफको कारण यस प्रक्रियामा निहित अनियमितताको कारण हो।
- मोडेल धाराप्रवाह बोल्छ, तर यसले ग्यारेन्टी गर्दैन कि उनी सत्य बोल्दै छिन्; प्रवाह र शुद्धता फरक चीजहरू हुन्।
आवेदन कार्य
आफ्नो AI उपकरणलाई एउटै रचनात्मक कार्य दिनुहोस् (जस्तै "छिटो धन्यवाद नोट लेख्नुहोस्") पङ्क्तिमा दुई पटक र आउटपुटहरू कसरी फरक छन् भनेर अवलोकन गर्नुहोस्। त्यसपछि उही कार्यलाई "शक्तिशाली प्रम्प्ट" टेम्प्लेटको साथ दोहोर्याउनुहोस्, सन्दर्भ थप्नुहोस्, र दुई परिणामहरू बीचको गुणस्तरमा भिन्नता नोट गर्नुहोस्।
चेकलिस्ट
- [ ] म व्याख्या गर्न सक्छु कि मोडेलले "अर्को सम्भावित भागको भविष्यवाणी" गरेर पाठ उत्पादन गर्दछ।
- मलाई थाहा छ [ ] टोकन के हो र यो किन लागत/सीमा हो।
- [] म दृढता चाहिने कामहरू र रचनात्मकता चाहिने कामहरू बीच छुट्याउन सक्छु।
- [ ] मलाई थाहा छ एउटै प्रश्नको फरक फरक जवाफ पाउनु सामान्य कुरा हो ।
- [ ] मैले अन्तर्क्रिया गरेको छु कि प्रवाह शुद्धताको कुनै ग्यारेन्टी होइन।