ලාභ:
- පක්ෂග්රාහීත්වය පැමිණෙන්නේ දත්ත (ඓතිහාසික, නියෝජනය, මිනුම්, එකතු කිරීම) මගින් බව අවබෝධ කර ගැනීමෙන් සහ උප සමූහවල පදනම මත ආකෘතිය ඇගයීම මගින් සැඟවුණු වෙනස්කම් හඳුනා ගැනීමේ හැකියාව
- ආදර්ශ කාඩ්පතක් සමඟ ඉහළ බලපෑමක් ඇති තීරණ සහ ලේඛන විනිවිදභාවය පිළිබඳ පැහැදිලි කිරීමේ හැකියාව, මානව අධීක්ෂණය සහ වගවීම සැපයීමේ හැකියාව
- කුඩාම ප්රමාණවත් මාදිලිය, ක්ෂණික කෙටි කිරීම, හැඹිලි සහ කණ්ඩායම සමඟ ගුණාත්මක භාවයෙන් තොරව මූල්ය හා පාරිසරික පිරිවැය කළමනාකරණය කිරීමේ හැකියාව
ආකෘතියක් තාක්ෂණිකව පරිපූර්ණව ක්රියා කළ හැකි නමුත් තවමත් වැරදියි - එය සමහර පුද්ගලයින්ට අසාධාරණ නම්, පැහැදිලි කළ නොහැකි නම් හෝ තිරසාර නොවන පිරිවැයක් ඇති කරයි. මෙම ඒකකය තුළ, අපි ML ඉංජිනේරු විද්යාවේ "නොපෙනෙන" නමුත් තීරණාත්මක මානයන් තුනක් ආවරණය කරමු: පක්ෂග්රාහීත්වය සහ සාධාරණත්වය, ආචාර ධර්ම සහ විනිවිදභාවය, පිරිවැය සහ තිරසාරත්වය. මේවා පසුව එකතු කරන ලද ආභරණ නොවේ, නමුත් ඉංජිනේරුමය ගුණාත්මක භාවයේ අනිවාර්ය කොටස් වේ.
අගතිය පැමිණෙන්නේ කොහෙන්ද?
ආදර්ශ පක්ෂග්රාහීත්වය (ඇතැම් කණ්ඩායම්වලට වෙනස්/අසාධාරණ ලෙස ආදර්ශ ක්රමානුකූලව සැලකීම) සාමාන්යයෙන් පැමිණෙන්නේ දත්ත වලින් මිස ආකෘතියෙන් නොවේ. මූලාශ්ර:
- ඓතිහාසික පක්ෂග්රාහීත්වය: දත්ත අතීත අයුක්තිය පිළිබිඹු කරයි. කිසියම් කණ්ඩායමකට අතීතයේ දී අඩු ණයක් ලබා දී ඇත්නම්, එම දත්ත මත පුහුණු කරන ලද ආකෘතිය මෙම වෙනස්කම් කිරීම ඉගෙන ගෙන එය පවත්වාගෙන යනු ඇත.
- නියෝජන නැඹුරුව: සමහර කණ්ඩායම් දත්තවල අඩුවෙන් නියෝජනය වේ; ආකෘතිය ඔවුන් සඳහා දුර්වල ලෙස ක්රියා කරයි (උදා: කුඩා නියැදි ජන විකාශනයක අඩු නිරවද්යතාවය).
- මිනුම් පක්ෂග්රාහීත්වය: ලේබල් විසින්ම පක්ෂග්රාහී වේ (උදා: "හොඳ සේවකයෙකු" යන්නෙහි නිර්වචනය අතීත උසස්වීම් තීරණ මත පදනම් වේ නම්).
- එකතු කිරීමේ නැඹුරුව: දත්ත නිශ්චිත නාලිකාවකින් ලැබෙන නිසා, එය විශ්වයේ නියෝජිතයෙකු නොවේ.
නිරූපිකාව මෙම පක්ෂග්රාහීකම් ඉගෙන ගන්නේ නැත; එය ස්වයංක්රීය කිරීම මගින් පරිමාණය කරයි. එක් පුද්ගලයෙකුගේ පක්ෂග්රාහී තීරණය තවත් පුද්ගලයෙකුට බලපායි; පක්ෂග්රාහී ආකෘතියක තීන්දුව මිලියන ගණනකි.
අවවාදයයි: "ආදර්ශය නිකම්ම ගණිතය නිසා මධ්යස්ථ" යැයි පැවසීමේ වරදට හසු නොවන්න. ආකෘතිය දත්තවල මානව නැඹුරුව ඉගෙන ගෙන ස්වයංක්රීය කරයි. මධ්යස්ථභාවය යනු පෙරනිමියක් නොව, මැනිය යුතු සහ සහතික කළ යුතු ප්රතිඵලයකි.
යුක්තිය මැනීම
යුක්තිය කළමනාකරණය කිරීම සඳහා, පළමුව එය මැන බැලීම අවශ්ය වේ. මෙය සිදු කිරීම සඳහා, උප සමූහ පදනමක් මත ආකෘතිය ඇගයීමට ලක් කරන්න: විවිධ ජනවිකාස කණ්ඩායම් හරහා නිරවද්යතාව, නැවත කැඳවීම, ව්යාජ ධනාත්මක අනුපාතය වැනි ප්රමිතික සමානද? යුක්තිය පිළිබඳ සංකල්ප කිහිපයක්:
- කණ්ඩායම් සාධාරණත්වය: ආකෘතිය විවිධ කණ්ඩායම්වලට නිවැරදිව/වැරදි ලෙස සමාන අනුපාතවලට සලකනවාද?
- අවස්ථාවෙහි සමානාත්මතාවය: ආකෘතිය සියලු කණ්ඩායම් (සමාන නැවත කැඳවීම) තුළ සැබෑ ධනාත්මක ඒවා සමානව ග්රහණය කරයිද?
වැදගත් කරුණ: යුක්තිය පිළිබඳ විවිධ නිර්වචන එකවර තෘප්තිමත් නොවිය හැකිය (මෙය ගණිතමය ප්රතිවිපාකයකි). මෙම සන්දර්භය තුළ යුක්තිය පිළිබඳ කුමන නිර්වචනය ප්රමුඛත්වය ගන්නේද යන්න සදාචාරාත්මක සහ ව්යාපාරික තීරණයක් මිස තාක්ෂණික එකක් නොවන අතර පාර්ශ්වකරුවන් සමඟ එක්ව ගනු ලැබේ.
දුර්වල ප්රවේශය / ශක්තිමත් ප්රවේශය
දුර්වල: "ආකෘතියේ සමස්ත නිරවද්යතාව 88%, එය සාධාරණයි."
Güçlü: "සමස්ත නිරවද්යතාවය 88%, නමුත් අපි එය උප කණ්ඩායම්වලට බෙදූ විට, නැවත කැඳවීම එක් කණ්ඩායමක 91% ක් සහ තවත් කණ්ඩායමක 67% ක් විය - ආකෘතිය ක්රමානුකූලව එම කණ්ඩායම මඟ හැරී ඇත. අපි හේතුව (නියෝජනය නොමැතිකම) ලේඛනගත කළෙමු, අපි එම කණ්ඩායම සඳහා දත්ත එකතු කර සාධාරණ ලෙස තීරණය කළෙමු. ප්රමුඛත්වය දෙන්න."
වෙනස: ශක්තිමත් ප්රවේශය සාමාන්ය මෙට්රික් පිටුපස සැඟවෙන්නේ නැත, එය උප කණ්ඩායම් වෙන් කර සාධාරණත්වය විවෘත තීරණයක් ලෙස සලකයි.
ආචාර ධර්ම සහ විනිවිදභාවය
වගකිවයුතු AI හි මූලික මූලධර්ම වන්නේ:
- පැහැදිලි කිරීමේ හැකියාව: ආකෘතිය මෙම තීරණය ගත්තේ මන්දැයි පැහැදිලි කළ හැකිද? ඉහළ බලපෑමක් ඇති තීරණ වලදී (ණය, බඳවා ගැනීම්, සෞඛ්ය සේවා) පැහැදිලි කිරීමක් කිරීමට කෙනෙකුට අයිතියක් ඇත. පැහැදිලි කළ නොහැකි ආකෘතිය මෙම ප්රදේශවල භාවිතා නොකළ යුතුය හෝ පැහැදිලි කළ හැකි ක්රමයක් මගින් සහාය දැක්විය යුතුය.
- මානව අධීක්ෂණය: අධි-බලපෑම් තීරණ ස්වයංක්රීයව නොගත යුතුය; ආකෘතිය යෝජනා කරයි, මිනිසා තහවුරු කරයි.
- වගවීම: ආකෘතිය දෝෂයක් ඇති විට වගකිව යුත්තේ කවුරුන්ද යන්න පැහැදිලි විය යුතුය. "ආදර්ශය තීරණය" නිදහසට කරුණක් නොවේ.
- විනිවිදභාවය: පරිශීලකයා තමන් AI සමඟ අන්තර්ක්රියා කරන බව සහ ඔවුන්ගේ දත්ත භාවිතා කරන ආකාරය දැන සිටිය යුතුය.
බොහෝ රටවල සහ අංශවල, මෙම මූලධර්ම නීති සම්පාදනය තුළ ද අන්තර්ගත වේ (විනිවිදභාවය, විගණනය සහ අධි අවදානම් AI පද්ධති සඳහා මානව අධීක්ෂණ වගකීම්). ඉංජිනේරුවරයා තම ක්ෂේත්රයේ රෙගුලාසි දැනගැනීමේ වගකීම දරයි.
ඉඟිය: එක් එක් ඉහළ බලපෑමක් ඇති ආකෘතියක් සඳහා "ආකෘති කාඩ්පතක්" තබා ගන්න: ආකෘතිය කරන්නේ කුමක්ද, එය පුහුණු කරන ලද දත්ත මොනවාද, කුමන කණ්ඩායම් තුළ එය කෙතරම් හොඳින්/දුර්වල ලෙස ක්රියා කරයිද, එහි දන්නා සීමාවන් මොනවාද. මෙම ලේඛනය විනිවිදභාවය සහ වගවීමේ මෙවලමකි.
පිරිවැය සහ තිරසාර බව
AI ලාභදායී නොවේ. පිරිවැය මාන දෙකකින් කළමනාකරණය කෙරේ:
මූල්ය පිරිවැය:
- ටෝකන් පිරිවැය (LLM): සෑම ඉල්ලීමකටම සහ ප්රතිචාරයකටම ටෝකන වැය වේ; පරිමාව වර්ධනය වන විට, බිල්පත වර්ධනය වේ. අනවශ්ය ලෙස දිගු ඉල්ලීම්, විශාල මාදිලි තේරීම සහ පාලනය නොකළ නියෝජිත ලූප (ඒකක 5) පිරිවැය වැඩි කරයි.
- පුහුණුව සහ සත්කාරකත්වය: සියුම් සුසර කිරීම සහ ආකෘති ඉදිරිපත් කිරීම දෘඪාංග පිරිවැය දරයි.
- ප්රශස්තකරණය: කුඩා ආකෘතියක් ප්රමාණවත් නම් විශාල ආකෘතියක් භාවිතා නොකරන්න; හැඹිලි නිතර අසන ප්රශ්න; විමසුම කෙටි කරන්න; පිරිසැකසුම් කළ හැකි දේ.
පාරිසරික පිරිවැය: විශාල ආකෘති පුහුණුව සහ අනුමාන කිරීම සැලකිය යුතු ශක්තියක් පරිභෝජනය කරයි. තිරසාරභාවය අනවශ්ය ගණනය කිරීම් (නිවැරදි ප්රමාණයේ ආකෘතිය, කාර්යක්ෂම ගෘහ නිර්මාණ ශිල්පය) මඟ හැරීම වෘත්තීය වගකීමක් බවට පත් කරයි.
ඉඟිය: පිරිවැය ප්රශස්තකරණයේ පළමු රීතිය: "මෙම කාර්යය සඳහා කුඩාම ප්රමාණවත් ආකෘතිය කුමක්ද?" වඩාත්ම බලගතු ආකෘතිය සෑම තැනකම තැබීම ස්ලෙජ්හැම්මරයකින් නියපොත්තෙන් මිටි ගැසීමක් වැනිය - මිල අධික හා අනවශ්යය.
කුඩා නඩු තුනක්
නඩුව 1 - සැඟවුණු වෙනස්කම් කිරීම. බඳවා ගැනීමේ පිරික්සුම් ආකෘතියක් සමස්තයක් ලෙස හොඳ පෙනුමක්. උප සමූහ විශ්ලේෂණය සොයා ගත්තේ, ඓතිහාසික දත්ත පිරිමි ආධිපත්යය දරන බැවින්-එය ඓතිහාසික පක්ෂග්රාහීත්වය ඉගෙන ගෙන ඇති නිසා ආකෘතිය ක්රමානුකූලව කාන්තා අපේක්ෂකයින් අවධාරනය කර ඇති බවයි. ආකෘතිය නතර කර, දත්ත සමතුලිත, සහ සාධාරණත්වයේ මිමික නිරීක්ෂණය කරන ලදී. සාමාන්ය ධර්මිෂ්ඨකම සැඟවුණු වෙනස්කම් කිරීම් වැසී ගියේය.
නඩුව 2 - පැහැදිලි නොකළ ප්රතික්ෂේප කිරීම. ණය ආකෘතියක් අයදුම්පත් ප්රතික්ෂේප කරමින් සිටි නමුත් ඒ මන්දැයි කිසිවෙකුට පැහැදිලි කළ නොහැකි විය. පාරිභෝගිකයෙකු නීතිමය පැහැදිලි කිරීමක් ඉල්ලා සිටි විට, කණ්ඩායමට ප්රතිචාර දැක්වීමට නොහැකි විය. පැහැදිලි කළ හැකි ක්රමයක් එකතු කරන තෙක් සහ එක් එක් ප්රතික්ෂේප කිරීම සඳහා සාධාරණීකරණය කරන තෙක් ආකෘතිය ඉහළ බලපෑමක් ඇති තීරණ වල භාවිතයෙන් ඉවත් කරන ලදී. පාඩම: ඉහළ බලපෑමක් ඇති තීරණ ගැනීමේදී පැහැදිලි කිරීමේ හැකියාව අත්යවශ්ය වේ.
නඩුව 3 - බිල් කම්පනය. එක් කණ්ඩායමක් එක් එක් ඉල්ලීම සඳහා විශාලතම LLM සහ ඉතා දිගු විමසුම් භාවිතා කරමින් සිටියේය. මාසික බිල අනපේක්ෂිත ලෙස වර්ධනය වී ඇත. පශ්චාත් විශ්ලේෂණය: බොහෝ ඉල්ලීම් කුඩා ආකෘතියකින් විසඳිය හැකි අතර, විමසුම්වලින් අඩක් අතිරික්ත විය, සහ නිතර ප්රශ්න හැඹිලිගත කළ හැක. මෙම ප්රශස්තිකරණ තුන ගුණාත්මක භාවයට හානියක් නොවන පරිදි පිරිවැය සැලකිය යුතු ලෙස අඩු කළේය. පාඩම: වඩාත්ම බලවත් ආකෘතිය සෑම තැනකම අවශ්ය නොවේ.
පිටපත් කළ හැකි සැකිලි
පක්ෂග්රාහී/සාධාරණත්වය සඳහා මෙම ආකෘතිය ඇගයීමට මට උදවු කරන්න. මා විසින් බෙදිය යුතු සහ මැනිය යුත්තේ කුමන උප සමූහ (ජනවිකාස/ඛණ්ඩය) ද? මා සැසඳිය යුත්තේ කුමන ප්රමිතික (නිරවද්යතාව, නැවත කැඳවීම, කණ්ඩායම අනුව ව්යාජ ධනාත්මක අනුපාතය) ද? සාධාරණත්වය පිළිබඳ විවිධ නිර්වචන ගැටුම් ඇති විය හැකිද, මෙම සන්දර්භය තුළ මා ප්රමුඛත්වය දිය යුතු සහ ඇයි? ආකෘතිය/තීරණ සන්දර්භය: [පැහැදිලි කිරීම]
මෙම ඉහළ බලපෑමක් ඇති ආකෘතිය සඳහා කෙටුම්පත් ආකෘති කාඩ්පතක් නිෂ්පාදනය කරන්න. ඇතුළත් විය යුතුය: අරමුණ, පුහුණු දත්ත සහ දිනය, උප සමූහවල කාර්ය සාධනය, දන්නා සීමාවන්, සුදුසු/නුසුදුසු භාවිතය, පැහැදිලි කිරීමේ තත්ත්වය, මානව අධීක්ෂණ ලක්ෂ්යය. ආකෘතිය: [විස්තර]
ගුණාත්මක භාවයට හානියක් නොවන පරිදි, මෙම LLM ක්රියාත්මක කිරීමේ පිරිවැය අඩු කිරීමට මට උදවු කරන්න. පවතින: මාදිලියේ ප්රමාණය, සාමාන්ය ක්ෂණික දිග, ඉල්ලීම් පරිමාව, හැඹිලි තිබේද? ඇගයීම: 1) කුඩා ආකෘතිය ප්රමාණවත්ද (කුමන කාර්යයන් සඳහා)?2) ප්රේරකය කෙටි කළ හැකිද?3) නිරන්තර ඉල්ලීම් හැඹිලි කළ හැකිද?4) එක් එක් කණ්ඩායම සඳහා ඇස්තමේන්තුගත බලපෑම් යෝජනා කිරීමට වැඩ තිබේද?
මෙම අධි-බලපෑම් තීරණ පද්ධතිය සඳහා ආචාරධර්ම/වගකීම් පිරික්සුම් ලැයිස්තුවක් නිෂ්පාදනය කරන්න.- පැහැදිලි කිරීමේ හැකියාව: තීරණය සාධාරණීකරණය කළ හැකිද?- මානව අධීක්ෂණය: ඉහළ බලපෑමක් ඇති තීරණය අනුමැතියට යටත්ද?- වගවීම: දෝෂයක් සිදුවුවහොත් වගකිව යුත්තේ කවුද?- විනිවිදභාවය: AI භාවිතා කරන බව පරිශීලකයා දන්නවාද?- නියාමනය: නීතිමය බැඳීම් මොනවාද?
පක්ෂග්රාහී මූලාශ්ර වගුව
මූලාශ්රය
රෝග ලක්ෂණය
පූර්වාරක්ෂාව
ඓතිහාසික පක්ෂග්රාහීත්වය
අතීත වෙනස්කම් දිගටම පවතී
දත්ත විගණනය + සාධාරණත්වය මෙට්රික්
නියෝජනය පක්ෂග්රාහී
කුඩා නියැදි කාණ්ඩයේ අඩු නිරවද්යතාවය
උප සමූහ විශ්ලේෂණය + තුලනය
මිනුම් නැඹුරුව
පක්ෂග්රාහී ලේබල්
ලේබල් ක්රියාවලිය සමාලෝචනය
එකතු කිරීමේ නැඹුරුව
විශ්වය නියෝජනය නොවේ
සම්පත් විවිධාංගීකරණය
පොදු වැරදි
- සමස්ත මෙට්රික් මත රඳා පවතී. උප සමූහ විශ්ලේෂණයකින් තොරව සැඟවුණු වෙනස්කම් දැකිය නොහැක.
- "ආදර්ශ උදාසීන" උපකල්පනය කිරීම. ආකෘතිය දත්තවල පක්ෂග්රාහීත්වය ඉගෙන ගෙන විස්තාරණය කරයි.
- පැහැදිලි කළ නොහැකි ආකෘතියට ඉහළ බලපෑම් තීරණය කිරීම. නෛතික හා සදාචාරාත්මක අවදානම.
- මිනිස් අධීක්ෂණය මග හැරීම. "ආදර්ශය තීරණය" නිදහසට කරුණක් නොවේ.
- ලොකුම මොඩල් එක හැමතැනම දානවා. අනවශ්ය වියදම් සහ ශක්තිය.
- පිරිවැය නිරීක්ෂණය නොකරයි. බිල්පත නිහඬව ඉදිමෙයි.
සාරාංශයක් ලෙස
තාක්ෂණික වශයෙන් නිවැරදි ආකෘතියක් සාධාරණ, පැහැදිලි කළ හැකි සහ තිරසාර නොවේ නම් තවමත් අසාර්ථකයි. පක්ෂග්රාහීව බොහෝ දුරට දත්ත වලින් පැමිණෙන අතර ආකෘතිය එය පරිමාණයෙන් විශාල කරයි; උප සමූහ මගින් සාධාරණත්වය මැනීම සහ ප්රමුඛත්වය දිය යුතු සාධාරණත්වය පිළිබඳ නිර්වචනය පාර්ශවකරුවන් සමඟ එකඟ වීම. ඉහළ බලපෑමක් ඇති තීරණ වලදී පැහැදිලි කිරීම, මානව අධීක්ෂණය සහ වගවීම අත්යවශ්ය වේ; ආකෘති කාඩ්පත සමඟ ලේඛන විනිවිදභාවය. පිරිවැය සහ ශක්තිය කළමනාකරණය කරන්න: කුඩාම ප්රමාණවත් මාදිලිය තෝරන්න, විමසුම කෙටි කරන්න, හැඹිලිය සහ කණ්ඩායම භාවිතා කරන්න. මෙම මානයන් ඉංජිනේරුමය ගුණාත්මක භාවයේ අනිවාර්ය කොටස් මිස පසුව එකතු කරන ලද අලංකාර නොවේ.
යෙදුම් කාර්යය
ආකෘතියක් අවම වශයෙන් උප සමූහ දෙකකට බෙදන්න සහ සමූහ පදනමින් ආපසු කැඳවීම සහ ව්යාජ ධනාත්මක අනුපාතය සංසන්දනය කරන්න; සැලකිය යුතු වෙනසක් තිබේ නම්, හේතුව සහ පූර්වාරක්ෂාව ලියන්න. ඉහළ බලපෑමක් ඇති ආකෘතියක් සඳහා කෙටි ආකෘති කාඩ්පතක් කෙටුම්පත් කරන්න (අරමුණ, දත්ත, උප සමූහ කාර්ය සාධනය, සීමාවන්, පැහැදිලි කිරීමේ හැකියාව). LLM ක්රියාත්මක කිරීමේ පිරිවැය අඩු කිරීමට සහ ඒවායේ ඇස්තමේන්තුගත බලපෑම සටහන් කිරීමට අවම වශයෙන් සංයුක්ත ප්රශස්තකරණයන් දෙකක් (අවම / ක්ෂණික කප්පාදුව / හැඹිලි / කණ්ඩායම) හඳුනා ගන්න.
පිරික්සුම් ලැයිස්තුව
- [ ] මම උප සමූහ මත පදනම්ව ආකෘතිය ඇගයීමට ලක් කළෙමි, මම සාමාන්ය මෙට්රික් මත රඳා නොසිටිමි.
- [ ] මම ප්රමුඛත්වය දෙන්නේ යුක්තිය පිළිබඳ කුමන නිර්වචනයටද යන්න පාර්ශවකරුවන් සමඟ තීරණය කළෙමි.
- [ ] ඉහළ බලපෑම් තීරණය පැහැදිලි කළ හැකි අතර මානව අනුමැතියට යටත් වේ.
- [ ] මම රටා කාඩ්පත සමඟ විනිවිදභාවය සහ මායිම් ලේඛනගත කළෙමි.
- [ ] මම කුඩාම ප්රමාණවත් ආකෘතියක් තෝරා ගත්තා; මම prompt/cache/batch ප්රශස්ත කළා.
- [ ] මම පිරිවැය සහ බලශක්ති බලපෑම නිරීක්ෂණය කරමි.