ਲਾਭ:
- ਟੋਕਨ ਸੰਭਾਵਨਾ ਅਤੇ ਪੂਰਵ-ਅਨੁਮਾਨ ਦੀਆਂ ਧਾਰਨਾਵਾਂ ਨੂੰ ਅਨੁਭਵੀ ਰੂਪ ਵਿੱਚ ਸਮਝਾ ਸਕਦਾ ਹੈ
- ਸਮਝਦਾ ਹੈ ਕਿ ਇੱਕ ਭਾਸ਼ਾ ਮਾਡਲ ਟੈਕਸਟ 'ਪੀਸਮੀਲ' ਕਿਉਂ ਪੈਦਾ ਕਰਦਾ ਹੈ
- ਇਹ ਵਿਆਖਿਆ ਕਰ ਸਕਦਾ ਹੈ ਕਿ ਮਾਡਲ ਕਈ ਵਾਰ ਨਿਰਣਾਇਕ ਅਤੇ ਕਈ ਵਾਰ ਰਚਨਾਤਮਕ ਵਿਵਹਾਰ ਕਿਉਂ ਕਰਦਾ ਹੈ
ਜਦੋਂ ਤੁਸੀਂ ਕਿਸੇ ਭਾਸ਼ਾ ਦੇ ਮਾਡਲ ਵਿੱਚ "ਇਸਤਾਂਬੁਲ ਬਾਰੇ ਸਭ ਤੋਂ ਵਧੀਆ ਚੀਜ਼" ਲਿਖਦੇ ਹੋ, ਤਾਂ ਇਹ ਕੁਝ ਸਕਿੰਟਾਂ ਵਿੱਚ ਇੱਕ ਪ੍ਰਵਾਹ ਪੈਰਾ ਤਿਆਰ ਕਰਦਾ ਹੈ। ਇਹ ਕਿਵੇਂ ਹੁੰਦਾ ਹੈ? ਕੀ ਮਾਡਲ ਸੱਚਮੁੱਚ "ਸੋਚਦਾ ਹੈ" ਜਾਂ ਇਸਦੇ ਪਿੱਛੇ ਇੱਕ ਬਹੁਤ ਸਰਲ ਪਰ ਸ਼ਕਤੀਸ਼ਾਲੀ ਵਿਧੀ ਹੈ? ਇਸ ਇਕਾਈ ਵਿੱਚ ਅਸੀਂ ਸਮਝਾਵਾਂਗੇ ਕਿ ਕਿਵੇਂ ਜਨਰੇਟਿਵ AI ਕੰਮ ਕਰਦਾ ਹੈ, ਤਕਨੀਕੀ ਸਮੀਕਰਨਾਂ ਵਿੱਚ ਜਾਣ ਤੋਂ ਬਿਨਾਂ, ਪਰ ਸਹੀ ਅਨੁਭਵ ਨੂੰ ਸਥਾਪਿਤ ਕਰਕੇ। ਇਹ ਅਨੁਭਵ ਹਰ ਉਸ ਚੀਜ਼ ਦਾ ਆਧਾਰ ਹੈ ਜੋ ਇਸ ਤੋਂ ਬਾਅਦ ਹੁੰਦਾ ਹੈ-ਖਾਸ ਕਰਕੇ ਭੁਲੇਖੇ, ਤਸਦੀਕ, ਅਤੇ ਚੰਗੀ ਤਤਕਾਲ ਲਿਖਤ ਦੇ ਵਿਸ਼ੇ। ਜਨਰੇਟਿਵ AI, ਯਾਨੀ "ਜਨਰੇਟਿਵ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ", ਉਹਨਾਂ ਟੂਲਾਂ ਦਾ ਆਮ ਨਾਮ ਹੈ ਜੋ ਮੌਜੂਦਾ ਜਵਾਬ ਲੱਭਣ ਅਤੇ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਬਜਾਏ ਸਕ੍ਰੈਚ ਤੋਂ ਟੈਕਸਟ ਬਣਾਉਂਦੇ ਹਨ।
ਬੁਨਿਆਦੀ ਵਿਚਾਰ: ਅਗਲੇ ਟੁਕੜੇ ਦੀ ਭਵਿੱਖਬਾਣੀ
ਹੈਰਾਨੀ ਦੀ ਗੱਲ ਇਹ ਹੈ ਕਿ ਇੱਕ ਭਾਸ਼ਾ ਮਾਡਲ ਸਿੱਖਣ ਵਾਲਾ ਇੱਕੋ ਇੱਕ ਬੁਨਿਆਦੀ ਕੰਮ ਹੈ "ਕਿਸੇ ਟੈਕਸਟ ਦੇ ਕਿਹੜੇ ਹਿੱਸੇ ਦੀ ਪਾਲਣਾ ਕਰਨ ਦੀ ਸਭ ਤੋਂ ਵੱਧ ਸੰਭਾਵਨਾ ਹੈ?" ਸਵਾਲ ਦਾ ਜਵਾਬ ਦੇਣਾ ਹੈ। ਮਾਡਲ ਪੂਰਾ ਵਾਕ ਤਿਆਰ ਕਰਕੇ ਤੁਹਾਡੇ ਸਾਹਮਣੇ ਪੇਸ਼ ਨਹੀਂ ਕਰਦਾ। ਇਸ ਦੀ ਬਜਾਏ, ਇਹ ਖੱਬੇ ਤੋਂ ਸੱਜੇ, ਟੁਕੜੇ-ਟੁਕੜੇ ਵਾਕ ਨੂੰ ਤਿਆਰ ਕਰਦਾ ਹੈ।
ਇੱਥੇ ਇਹ ਕਦਮ ਦਰ ਕਦਮ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ:
- ਇਹ ਤੁਹਾਡੇ ਦੁਆਰਾ ਲਿਖੇ ਟੈਕਸਟ (ਪ੍ਰਾਪਟ) ਨੂੰ ਪੜ੍ਹਦਾ ਹੈ।
- ਇਸ ਟੈਕਸਟ ਦੀ ਪਾਲਣਾ ਕਰਨ ਲਈ ਸਭ ਤੋਂ ਵੱਧ ਸੰਭਾਵਨਾ ਵਾਲੇ ਹਿੱਸੇ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ।
- ਉਸ ਟੁਕੜੇ ਨੂੰ ਜੋੜਦਾ ਹੈ।
- ਇਹ ਨਵੇਂ ਬਣੇ ਟੈਕਸਟ ਨੂੰ ਦੁਬਾਰਾ ਵੇਖਦਾ ਹੈ ਅਤੇ ਅਗਲੇ ਸੰਭਾਵਤ ਹਿੱਸੇ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਂਦਾ ਹੈ।
- ਜਵਾਬ ਪੂਰਾ ਹੋਣ ਤੱਕ ਦੁਹਰਾਓ।
ਉਦਾਹਰਨ: ਜੇਕਰ ਤੁਸੀਂ ਮਾਡਲ ਨੂੰ ਟੈਕਸਟ ਦਿੱਤਾ ਹੈ "ਜਦੋਂ ਤੁਸੀਂ ਸਵੇਰੇ ਉੱਠਦੇ ਹੋ ਤਾਂ ਗਰਮ ਕੱਪ ਲਓ...", ਸਭ ਤੋਂ ਵੱਧ ਸੰਭਾਵਤ ਨਿਰੰਤਰਤਾ "ਚਾਹ" ਜਾਂ "ਕੌਫੀ" ਹੋਵੇਗੀ; "ਡਾਮਰ" ਨਹੀਂ। ਮਾਡਲ ਨੇ ਲੱਖਾਂ ਹਵਾਲੇ ਤੋਂ ਅਜਿਹੀਆਂ ਸੰਭਾਵਨਾਵਾਂ ਸਿੱਖੀਆਂ ਹਨ। ਫਿਰ ਉਹ "ਚਾਹ" ਜੋੜਦਾ ਹੈ, ਫਿਰ ਨਵੇਂ ਵਾਕ ਨੂੰ ਵੇਖਦਾ ਹੈ ਅਤੇ ਅਗਲੇ ਸਭ ਤੋਂ ਸੰਭਾਵਿਤ ਹਿੱਸੇ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਂਦਾ ਹੈ, ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ ਹੀ.
ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿਚ, ਹਰ ਪੜਾਅ 'ਤੇ, ਮਾਡਲ ਇਹ ਦੇਖ ਕੇ ਅਗਲਾ ਕਦਮ ਚੁੱਕਦਾ ਹੈ ਕਿ ਇਸ ਨੇ ਕੀ ਲਿਖਿਆ ਹੈ। ਇਸ ਲਈ ਇਸਨੂੰ ਕਈ ਵਾਰ "ਸਵੈ-ਮੁਕੰਮਲ ਦਾ ਬਹੁਤ ਉੱਨਤ ਸੰਸਕਰਣ" ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਪਰ ਇਸ ਸਮਾਨਤਾ ਨੂੰ ਪ੍ਰਤਿਭਾ ਨੂੰ ਘੱਟ ਨਹੀਂ ਕਰਨਾ ਚਾਹੀਦਾ; ਸਹੀ ਪੈਮਾਨੇ 'ਤੇ, ਇਹ ਭਵਿੱਖਬਾਣੀ ਅਜਿਹੇ ਨਤੀਜੇ ਪੈਦਾ ਕਰ ਸਕਦੀ ਹੈ ਜੋ ਤਰਕ ਵਾਂਗ ਦਿਖਾਈ ਦਿੰਦੇ ਹਨ।
ਟੋਕਨ: ਇੱਕ ਸ਼ਬਦ ਦੇ ਛੋਟੇ ਟੁਕੜੇ
ਮਾਡਲ ਅਸਲ ਵਿੱਚ ਪੂਰੇ "ਸ਼ਬਦਾਂ" ਨਾਲ ਨਹੀਂ ਸਗੋਂ ਟੋਕਨ ਕਹੇ ਜਾਣ ਵਾਲੇ ਛੋਟੇ ਟੁਕੜਿਆਂ ਨਾਲ ਕੰਮ ਕਰਦਾ ਹੈ। ਇੱਕ ਟੋਕਨ; ਕਈ ਵਾਰ ਇਹ ਪੂਰਾ ਸ਼ਬਦ ਹੁੰਦਾ ਹੈ, ਕਦੇ ਇਹ ਕਿਸੇ ਸ਼ਬਦ ਦਾ ਹਿੱਸਾ ਹੁੰਦਾ ਹੈ, ਕਈ ਵਾਰ ਇਹ ਵਿਰਾਮ ਚਿੰਨ੍ਹ ਹੁੰਦਾ ਹੈ।
- "ਕਿਤਾਬ" ਇੱਕ ਸਿੰਗਲ ਟੋਕਨ ਹੋ ਸਕਦਾ ਹੈ।
- "ਸਾਡੀਆਂ ਕਿਤਾਬਾਂ ਵਿੱਚੋਂ" ਨੂੰ ਕਈ ਟੋਕਨਾਂ ਵਿੱਚ ਵੰਡਿਆ ਜਾ ਸਕਦਾ ਹੈ ਜਿਵੇਂ ਕਿ "ਕਿਤਾਬ", "ਸ", "ਸਾਡੇ", "ਤੋਂ"।
- ਸਪੇਸ ਅਤੇ ਵਿਰਾਮ ਚਿੰਨ੍ਹਾਂ ਨੂੰ ਵੀ ਟੋਕਨਾਂ ਵਜੋਂ ਗਿਣਿਆ ਜਾਂਦਾ ਹੈ।
ਧਿਆਨ ਦਿਓ: ਟੋਕਨ ਸਿਰਫ਼ ਇੱਕ ਤਕਨੀਕੀ ਵੇਰਵੇ ਨਹੀਂ ਹੈ। ਜ਼ਿਆਦਾਤਰ AI ਟੂਲ ਟੋਕਨਾਂ ਦੀ ਸੰਖਿਆ ਦੁਆਰਾ ਚਾਰਜ ਕਰਦੇ ਹਨ, ਅਤੇ ਟੈਕਸਟ ਦੀ ਲੰਬਾਈ (ਪ੍ਰਸੰਗ ਵਿੰਡੋ) ਮਾਡਲ ਇੱਕ ਸਮੇਂ 'ਤੇ ਪ੍ਰਕਿਰਿਆ ਕਰ ਸਕਦੇ ਹਨ ਟੋਕਨਾਂ ਵਿੱਚ ਵੀ ਸੀਮਿਤ ਹੈ। ਇਸ ਲਈ "ਤੁਸੀਂ ਕਿੰਨਾ ਚਿਰ ਲਿਖਦੇ ਹੋ" ਇੱਕ ਸਿੱਧੀ ਲਾਗਤ ਅਤੇ ਸੀਮਾ ਹੈ।
ਸੰਭਾਵਨਾ ਅਤੇ "ਨਿੱਘ": ਦ੍ਰਿੜ੍ਹਤਾ ਜਾਂ ਰਚਨਾਤਮਕਤਾ?
ਹਰ ਪੜਾਅ 'ਤੇ, ਮਾਡਲ ਇੱਕ ਨਿਸ਼ਚਤ ਜਵਾਬ ਨਹੀਂ ਬਲਕਿ ਸੰਭਾਵਿਤ ਨਿਰੰਤਰਤਾਵਾਂ ਦੀ ਇੱਕ ਸੰਭਾਵੀ ਸੂਚੀ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, "ਗਰਮ" ਸ਼ਬਦ ਦੇ ਬਾਅਦ: ਚਾਹ 55%, ਕੌਫੀ 35%, ਦੁੱਧ 7%, ਹੋਰ 3%। ਤਾਂ ਉਹ ਕਿਹੜਾ ਚੁਣਦਾ ਹੈ?
ਇੱਥੇ, ਤਾਪਮਾਨ ਨਾਮਕ ਇੱਕ ਸੈਟਿੰਗ ਖੇਡ ਵਿੱਚ ਆਉਂਦੀ ਹੈ। ਤਾਪਮਾਨ ਇੱਕ ਕਿਸਮ ਦੀ ਸਿਰਜਣਾਤਮਕਤਾ ਹੈ ਜੋ ਇਹ ਨਿਰਧਾਰਤ ਕਰਦੀ ਹੈ ਕਿ ਮਾਡਲ "ਜੋਖਮ" ਕਿੰਨਾ ਹੋਵੇਗਾ।
ਸੈਟਿੰਗ
ਵਿਹਾਰ
ਸਿੱਟਾ
ਇਹ ਕਿੱਥੇ ਲਾਭਦਾਇਕ ਹੈ?
ਘੱਟ ਤਾਪਮਾਨ
ਹਮੇਸ਼ਾ ਸਭ ਤੋਂ ਸੰਭਾਵਿਤ ਵਿਕਲਪ ਲੈਂਦਾ ਹੈ
ਸਥਿਰ, ਦੁਹਰਾਉਣ ਯੋਗ
ਕਨੂੰਨੀ ਸੰਖੇਪ, ਤਕਨੀਕੀ ਵਰਣਨ, ਡੇਟਾ ਐਕਸਟਰੈਕਸ਼ਨ
ਮੱਧਮ ਤਾਪਮਾਨ
ਸੰਤੁਲਿਤ ਚੋਣ
ਕੁਦਰਤੀ ਪਰ ਇਕਸਾਰ
ਆਮ ਈਮੇਲ, ਰਿਪੋਰਟ ਡਰਾਫਟ
ਉੱਚ ਤਾਪਮਾਨ
ਘੱਟ ਸੰਭਾਵਨਾ ਵਾਲੇ ਵਿਕਲਪਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ
ਰਚਨਾਤਮਕ, ਵੰਨ-ਸੁਵੰਨਤਾ, ਅਨੁਮਾਨਿਤ
ਬ੍ਰੇਨਸਟਾਰਮਿੰਗ, ਨਾਅਰਾ, ਨਾਮ ਉਤਪਾਦਨ
ਇਹ ਅਕਸਰ ਪੁੱਛੇ ਜਾਣ ਵਾਲੇ ਸਵਾਲ ਦੀ ਵੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ: "ਜਦੋਂ ਮੈਂ ਇੱਕੋ ਸਵਾਲ ਦੋ ਵਾਰ ਪੁੱਛਦਾ ਹਾਂ ਤਾਂ ਮੈਨੂੰ ਵੱਖਰੇ ਜਵਾਬ ਕਿਉਂ ਮਿਲਦੇ ਹਨ?" ਕਿਉਂਕਿ ਚੋਣ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਕੁਝ ਬੇਤਰਤੀਬੀ ਹੈ; ਮਾਡਲ ਇੱਕ ਡੇਟਾਬੇਸ ਤੋਂ ਇੱਕ ਨਿਸ਼ਚਿਤ ਜਵਾਬ ਨਹੀਂ ਖਿੱਚਦਾ, ਇਹ ਹਰ ਵਾਰ ਇਸਨੂੰ ਦੁਬਾਰਾ ਤਿਆਰ ਕਰਦਾ ਹੈ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਇਹ ਜਾਣਨਾ ਕਿ ਮਾਡਲ "ਸੰਭਾਵਨਾ" ਨਾਲ ਕੰਮ ਕਰਦਾ ਹੈ ਇਹ ਵੀ ਬਦਲਦਾ ਹੈ ਕਿ ਤੁਸੀਂ ਇਸਨੂੰ ਕਿਵੇਂ ਨਿਰਦੇਸ਼ਿਤ ਕਰਦੇ ਹੋ. ਜਿੰਨਾ ਜ਼ਿਆਦਾ ਸੰਦਰਭ ਤੁਸੀਂ ਦਿੰਦੇ ਹੋ, ਉਨਾ ਹੀ ਸਹੀ ਨਿਰੰਤਰਤਾ ਦੀ ਸੰਭਾਵਨਾ ਵੱਧ ਜਾਂਦੀ ਹੈ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ: ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਟੈਕਸਟ ਲਿਖੋ।
ਨਤੀਜਾ: ਮਾਡਲ ਸਭ ਤੋਂ ਵੱਧ "ਔਸਤ" ਅਤੇ ਆਮ ਟੈਕਸਟ ਬਣਾਉਂਦਾ ਹੈ ਕਿਉਂਕਿ ਇਹ ਨਹੀਂ ਜਾਣਦਾ ਕਿ ਕਿਹੜਾ ਉਤਪਾਦ, ਕਿਹੜਾ ਦਰਸ਼ਕ, ਕਿਹੜਾ ਟੋਨ।
ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ: ਇੱਕ ਛੋਟੇ ਕੈਫੇ ਦੀ ਨਵੀਂ ਫਿਲਟਰ ਕੌਫੀ ਲਈ ਇੱਕ Instagram ਪ੍ਰਚਾਰ ਪਾਠ ਲਿਖੋ। ਦਰਸ਼ਕ: 25-35 ਸਾਲ ਦੀ ਉਮਰ, ਕੌਫੀ ਦੇ ਸ਼ੌਕੀਨ। ਟੋਨ: ਦੋਸਤਾਨਾ, ਛੋਟਾ। ਅਧਿਕਤਮ 3 ਵਾਕ, ਅੰਤ ਵਿੱਚ 2 ਹੈਸ਼ਟੈਗ।
ਨਤੀਜਾ: ਇੱਕ ਵਰਤੋਂ ਯੋਗ ਟੈਕਸਟ ਜੋ ਢੁਕਵਾਂ ਹੈ ਕਿਉਂਕਿ ਸੰਦਰਭ ਸੰਭਾਵਨਾਵਾਂ ਨੂੰ ਘੱਟ ਕਰਦਾ ਹੈ।
ਤਿੰਨ ਮਿੰਨੀ ਕੇਸ
ਕੇਸ 1 — ਮਾਰਕੀਟਿੰਗ, ਉੱਚ ਵਿਭਿੰਨਤਾ। ਇੱਕ ਟੀਮ ਇੱਕ ਨਵੇਂ ਉਤਪਾਦ ਲਈ 30 ਸਲੋਗਨ ਚਾਹੁੰਦੀ ਸੀ। ਇਸਦੇ ਉੱਚ ਤਾਪਮਾਨ ਸੈਟਿੰਗ ਦੇ ਨਾਲ, ਮਾਡਲ ਨੇ ਵੱਖੋ-ਵੱਖਰੇ, ਰਚਨਾਤਮਕ ਵਿਕਲਪ ਪੈਦਾ ਕੀਤੇ; ਟੀਮ ਨੇ 30 ਵਿੱਚੋਂ 4 ਚੁਣੇ ਅਤੇ ਵਿਕਸਿਤ ਕੀਤੇ। ਕੁੱਲ ਸਮਾਂ: 10 ਮਿੰਟ। ਜੇ ਹੱਥੀਂ ਕੀਤਾ ਜਾਂਦਾ ਤਾਂ ਅੱਧਾ ਦਿਨ ਲੱਗ ਜਾਂਦਾ।
ਕੇਸ 2 - ਕਾਨੂੰਨ, ਉੱਚ ਦ੍ਰਿੜ੍ਹਤਾ। ਉਸੇ ਕੰਪਨੀ ਦੀ ਕਾਨੂੰਨੀ ਟੀਮ ਇਕਰਾਰਨਾਮੇ ਦੀ ਧਾਰਾ ਨੂੰ ਸਰਲ ਬਣਾ ਰਹੀ ਸੀ। ਉਹ ਇਕਸਾਰਤਾ ਚਾਹੁੰਦੇ ਸਨ, ਰਚਨਾਤਮਕਤਾ ਨਹੀਂ; ਘੱਟ ਤਾਪਮਾਨ ਦੇ ਨਾਲ ਮਾਡਲ ਨੇ ਹਰ ਵਾਰ ਲਗਭਗ ਇੱਕੋ ਜਿਹਾ, ਰੂੜੀਵਾਦੀ ਸੰਖੇਪ ਦਿੱਤਾ। ਇਸ ਤਰ੍ਹਾਂ, ਵੱਖ-ਵੱਖ ਅਜ਼ਮਾਇਸ਼ਾਂ ਵਿਚਕਾਰ ਕੋਈ ਅਸੰਗਤ ਨਹੀਂ ਸੀ।
ਕੇਸ 3 - "ਇਹ ਕਿਉਂ ਬਦਲਿਆ?" ਸਵਾਲ ਇੱਕ ਕਰਮਚਾਰੀ ਨੇ ਦੋ ਵਾਰ ਇੱਕੋ ਈਮੇਲ ਡਰਾਫਟ ਦੀ ਬੇਨਤੀ ਕੀਤੀ ਅਤੇ ਦੋ ਵੱਖ-ਵੱਖ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕੀਤੇ; ਉਸਨੇ ਸੋਚਿਆ ਕਿ ਇਹ ਇੱਕ "ਗਲਤੀ" ਸੀ। ਅਸਲ ਵਿੱਚ, ਇਹ ਮਾਡਲ ਦੀ ਬੇਤਰਤੀਬਤਾ ਦਾ ਇੱਕ ਕੁਦਰਤੀ ਨਤੀਜਾ ਹੈ. ਇੱਕ ਵਾਰ ਜਦੋਂ ਕਰਮਚਾਰੀ ਨੇ ਆਪਣੇ ਪਸੰਦੀਦਾ ਸੰਸਕਰਣ ਨੂੰ ਸੁਰੱਖਿਅਤ ਕਰਨਾ ਸਿੱਖ ਲਿਆ ਅਤੇ ਜੇ ਲੋੜ ਹੋਵੇ ਤਾਂ "ਇਸ ਨੂੰ ਪਿਛਲੇ ਵਾਂਗ ਬਣਾਓ" ਕਹਿਣਾ, ਕੋਈ ਸਮੱਸਿਆ ਨਹੀਂ ਸੀ।
ਕੀ ਮਾਡਲ "ਇਸ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ"?
ਇਹ ਸਭ ਤੋਂ ਉਤਸੁਕ ਸਵਾਲ ਹੈ। ਮਾਡਲ ਨੇ ਸ਼ਬਦਾਂ ਦੇ ਵਿਚਕਾਰ ਅੰਕੜਿਆਂ ਦੇ ਸਬੰਧਾਂ ਨੂੰ ਇੰਨੀ ਚੰਗੀ ਤਰ੍ਹਾਂ ਸਿੱਖ ਲਿਆ ਹੈ ਕਿ ਇਹ ਬਹੁਤ ਸਾਰੇ ਕੰਮਾਂ ਨੂੰ ਸਮਝਣ ਦਾ ਦਿਖਾਵਾ ਕਰਦਾ ਹੈ। ਪਰ ਇਸਦੀ ਕੋਈ ਸੁਚੇਤ ਸਮਝ, ਇਰਾਦਾ ਜਾਂ ਅਸਲੀਅਤ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਨ ਵਾਲੀ ਵਿਧੀ ਨਹੀਂ ਹੈ। ਇਹ "ਸਭ ਤੋਂ ਸੰਭਾਵੀ ਸੀਕਵਲ" ਪੈਦਾ ਕਰਦਾ ਹੈ; ਇਹ "ਸਭ ਤੋਂ ਸਹੀ ਜਾਣਕਾਰੀ" ਪੈਦਾ ਕਰਨ ਦੀ ਗਾਰੰਟੀ ਨਹੀਂ ਦਿੰਦਾ। ਇਹ ਅੰਤਰ ਹੈਲੁਸੀਨੇਸ਼ਨ ਦੇ ਵਿਸ਼ੇ ਦਾ ਆਧਾਰ ਹੈ, ਜਿਸ ਬਾਰੇ ਅਸੀਂ ਅਗਲੀਆਂ ਇਕਾਈਆਂ ਵਿੱਚ ਚਰਚਾ ਕਰਾਂਗੇ।
ਆਮ ਗਲਤੀਆਂ
ਆਮ ਗਲਤੀਆਂ
- ਇੱਕ ਖੋਜ ਇੰਜਣ ਲਈ ਮਾਡਲ ਨੂੰ ਗਲਤੀ. ਮਾਡਲ ਇੰਟਰਨੈਟ ਦੀ ਖੋਜ ਨਹੀਂ ਕਰਦਾ ਅਤੇ ਸਰੋਤਾਂ ਨੂੰ ਮੁੜ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ (ਜਦੋਂ ਤੱਕ ਕੋਈ ਵਿਸ਼ੇਸ਼ ਖੋਜ ਵਿਸ਼ੇਸ਼ਤਾ ਨਹੀਂ ਹੈ); ਮੈਮੋਰੀ ਤੋਂ ਸੰਭਵ ਟੈਕਸਟ ਤਿਆਰ ਕਰਦਾ ਹੈ। ਇਸ ਲਈ ਉਹ ਸਰੋਤ/ਅੰਕੜਾ ਬਣਾ ਸਕਦਾ ਹੈ।
- ਸ਼ੁੱਧਤਾ ਲਈ ਰਵਾਨਗੀ ਨੂੰ ਭੁਲਾਉਣਾ। ਸਿਰਫ਼ ਇਸ ਲਈ ਕਿ ਟੈਕਸਟ ਸੁੰਦਰ ਅਤੇ ਭਰੋਸੇਮੰਦ ਹੈ ਇਸਦਾ ਮਤਲਬ ਇਹ ਨਹੀਂ ਹੈ ਕਿ ਇਸਦੀ ਸਮੱਗਰੀ ਸਹੀ ਹੈ।
- ਹਰ ਵਾਰ ਇੱਕੋ ਜਵਾਬ ਦੀ ਉਮੀਦ. ਬੇਤਰਤੀਬੀ ਕੁਦਰਤੀ ਹੈ; ਨਾਜ਼ੁਕ ਕੰਮਾਂ ਲਈ ਆਪਣੀ ਪਸੰਦ ਦੇ ਆਉਟਪੁੱਟ ਨੂੰ ਸੁਰੱਖਿਅਤ ਕਰੋ।
- ਬਹੁਤ ਲੰਮਾ, ਬੇਲੋੜਾ ਟੈਕਸਟ ਪੇਸਟ ਕਰਨਾ ਅਤੇ ਟੋਕਨ ਸੀਮਾ ਨੂੰ ਧੱਕਣਾ। ਲੰਬਾਈ ਦੋਵੇਂ ਲਾਗਤ ਵਧਾਉਂਦੀਆਂ ਹਨ ਅਤੇ ਮਾਡਲ ਦੇ ਫੋਕਸ ਨੂੰ ਭਟਕ ਸਕਦੀਆਂ ਹਨ; ਸਿਰਫ਼ ਲੋੜੀਂਦਾ ਸੰਦਰਭ ਦਿਓ।
ਧਿਆਨ ਦਿਓ: ਸਿਰਫ਼ ਇਸ ਲਈ ਕਿ ਮਾਡਲ ਚੰਗੀ ਤਰ੍ਹਾਂ ਅਤੇ ਭਰੋਸੇ ਨਾਲ ਬੋਲਦੀ ਹੈ, ਇਸਦਾ ਮਤਲਬ ਇਹ ਨਹੀਂ ਹੈ ਕਿ ਉਹ ਸਹੀ ਢੰਗ ਨਾਲ ਬੋਲਦੀ ਹੈ। ਪ੍ਰਵਾਹ ਸੰਭਾਵਨਾ ਅਨੁਮਾਨ ਦਾ ਕੁਦਰਤੀ ਨਤੀਜਾ ਹੈ; ਸ਼ੁੱਧਤਾ ਅਜਿਹੀ ਚੀਜ਼ ਹੈ ਜਿਸਦੀ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਅਤੇ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਜਾਂਚ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ।
ਸੰਖੇਪ ਵਿੱਚ
- ਜਨਰੇਟਿਵ AI ਅਗਲੇ ਸਭ ਤੋਂ ਵੱਧ ਸੰਭਾਵਿਤ ਟੁਕੜੇ (ਟੋਕਨ) ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਕੇ ਕਦਮ ਦਰ ਕਦਮ ਟੈਕਸਟ ਤਿਆਰ ਕਰਦਾ ਹੈ; ਟੁਕੜੇ ਟੁਕੜੇ ਨਾਲ ਵਾਕ ਬਣਾਉਂਦਾ ਹੈ।
- ਟੋਕਨ ਸ਼ਬਦਾਂ ਦੇ ਛੋਟੇ ਹਿੱਸੇ ਹੁੰਦੇ ਹਨ ਅਤੇ ਲਾਗਤ ਅਤੇ ਲੰਬਾਈ ਦੀਆਂ ਸੀਮਾਵਾਂ ਦੋਵੇਂ ਸੈੱਟ ਕਰਦੇ ਹਨ।
- ਹਰ ਪੜਾਅ 'ਤੇ, ਮਾਡਲ ਸੰਭਾਵਨਾਵਾਂ ਦੀ ਇੱਕ ਸੂਚੀ ਤਿਆਰ ਕਰਦਾ ਹੈ; ਤਾਪਮਾਨ ਸੈਟਿੰਗ ਇਹ ਨਿਰਧਾਰਤ ਕਰਦੀ ਹੈ ਕਿ ਆਉਟਪੁੱਟ ਕਿੰਨੀ ਸਥਿਰ ਜਾਂ ਰਚਨਾਤਮਕ ਹੋਵੇਗੀ।
- ਇੱਕੋ ਸਵਾਲ ਦੇ ਵੱਖੋ-ਵੱਖਰੇ ਜਵਾਬਾਂ ਦਾ ਕਾਰਨ ਇਸ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਮੌਜੂਦ ਬੇਤਰਤੀਬੀ ਕਾਰਨ ਹੈ।
- ਮਾਡਲ ਚੰਗੀ ਤਰ੍ਹਾਂ ਬੋਲਦੀ ਹੈ, ਪਰ ਇਹ ਇਸ ਗੱਲ ਦੀ ਗਾਰੰਟੀ ਨਹੀਂ ਦਿੰਦੀ ਕਿ ਉਹ ਸੱਚ ਬੋਲ ਰਹੀ ਹੈ; ਪ੍ਰਵਾਹ ਅਤੇ ਸ਼ੁੱਧਤਾ ਵੱਖਰੀਆਂ ਚੀਜ਼ਾਂ ਹਨ।
ਐਪਲੀਕੇਸ਼ਨ ਟਾਸਕ
ਆਪਣੇ AI ਟੂਲ ਨੂੰ ਉਹੀ ਰਚਨਾਤਮਕ ਕੰਮ ਦਿਓ (ਉਦਾਹਰਨ ਲਈ, "ਇੱਕ ਤੇਜ਼ ਧੰਨਵਾਦ ਨੋਟ ਲਿਖੋ") ਲਗਾਤਾਰ ਦੋ ਵਾਰ ਅਤੇ ਵੇਖੋ ਕਿ ਆਉਟਪੁੱਟ ਕਿਵੇਂ ਵੱਖਰੇ ਹਨ। ਫਿਰ ਉਸੇ ਕੰਮ ਨੂੰ "ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰੋਂਪਟ" ਟੈਮਪਲੇਟ ਨਾਲ ਦੁਹਰਾਓ, ਸੰਦਰਭ ਜੋੜੋ, ਅਤੇ ਦੋ ਨਤੀਜਿਆਂ ਵਿਚਕਾਰ ਗੁਣਵੱਤਾ ਵਿੱਚ ਅੰਤਰ ਨੂੰ ਨੋਟ ਕਰੋ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ ਵਿਆਖਿਆ ਕਰ ਸਕਦਾ ਹਾਂ ਕਿ ਮਾਡਲ "ਅਗਲੇ ਸੰਭਾਵੀ ਹਿੱਸੇ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਕੇ" ਟੈਕਸਟ ਤਿਆਰ ਕਰਦਾ ਹੈ।
- ਮੈਨੂੰ ਪਤਾ ਹੈ ਕਿ [ ] ਟੋਕਨ ਕੀ ਹੈ ਅਤੇ ਇਹ ਲਾਗਤ/ਸੀਮਾ ਲਈ ਕਿਉਂ ਹੈ।
- [ ] ਮੈਂ ਉਹਨਾਂ ਨੌਕਰੀਆਂ ਵਿੱਚ ਫਰਕ ਕਰ ਸਕਦਾ ਹਾਂ ਜਿਹਨਾਂ ਲਈ ਦ੍ਰਿੜਤਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਅਤੇ ਉਹਨਾਂ ਲਈ ਜਿਹਨਾਂ ਲਈ ਰਚਨਾਤਮਕਤਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
- [ ] ਮੈਂ ਜਾਣਦਾ ਹਾਂ ਕਿ ਇੱਕੋ ਸਵਾਲ ਦੇ ਵੱਖੋ-ਵੱਖਰੇ ਜਵਾਬ ਮਿਲਣਾ ਆਮ ਗੱਲ ਹੈ।
- [ ] ਮੈਂ ਅੰਦਰੂਨੀ ਸਮਝ ਲਿਆ ਹੈ ਕਿ ਰਵਾਨਗੀ ਸ਼ੁੱਧਤਾ ਦੀ ਕੋਈ ਗਰੰਟੀ ਨਹੀਂ ਹੈ।