ஜெனரேட்டிவ் AI எப்படி வேலை செய்கிறது?

ஆதாயங்கள்:

• டோக்கன் நிகழ்தகவு மற்றும் கணிப்பு ஆகியவற்றின் கருத்துக்களை உள்ளுணர்வாக விளக்க முடியும்
• ஒரு மொழி மாதிரி ஏன் 'துண்டாக' உரையை உருவாக்குகிறது என்பதைப் புரிந்துகொள்கிறது
• மாடல் ஏன் சில நேரங்களில் தீர்க்கமாகவும் சில சமயங்களில் ஆக்கப்பூர்வமாகவும் செயல்படுகிறது என்பதை விளக்க முடியும்

"இஸ்தான்புல்லின் சிறந்த விஷயம்" என்பதை ஒரு மொழி மாதிரியில் எழுதினால், அது சில நொடிகளில் சரளமான பத்தியை உருவாக்குகிறது. இது எப்படி நடக்கிறது? மாடல் உண்மையில் "சிந்திக்கிறதா" அல்லது அதற்குப் பின்னால் மிகவும் எளிமையான ஆனால் சக்திவாய்ந்த வழிமுறை இருக்கிறதா? தொழில்நுட்ப சமன்பாடுகளுக்குள் செல்லாமல், சரியான உள்ளுணர்வை நிறுவுவதன் மூலம், உருவாக்கும் AI எவ்வாறு செயல்படுகிறது என்பதை இந்த பிரிவில் விளக்குவோம். இந்த உள்ளுணர்வே தொடர்ந்து வரும் அனைத்திற்கும் அடிப்படையாக உள்ளது-குறிப்பாக மாயத்தோற்றம், சரிபார்ப்பு மற்றும் நல்ல உடனடி எழுத்து போன்ற தலைப்புகள். ஜெனரேட்டிவ் AI, அதாவது, "உருவாக்கும் செயற்கை நுண்ணறிவு", ஏற்கனவே உள்ள பதிலைக் கண்டுபிடித்து பெறுவதற்குப் பதிலாக புதிதாக உரையை உருவாக்கும் கருவிகளுக்கான பொதுவான பெயர்.

அடிப்படை யோசனை: அடுத்த பகுதியை கணித்தல்

ஆச்சரியமான விஷயம் என்னவென்றால், ஒரு மொழி மாதிரி கற்றுக் கொள்ளும் ஒரே அடிப்படை பணி "ஒரு உரையின் எந்தப் பகுதியைப் பின்பற்றுவது?" என்ற கேள்விக்கு பதில் அளிக்க வேண்டும். மாதிரி ஒரு முழுமையான வாக்கியத்தை தயார் செய்து உங்கள் முன் முன்வைக்கவில்லை. மாறாக, வாக்கியத்தை இடமிருந்து வலமாக துண்டு துண்டாக உருவாக்குகிறது.

இது படிப்படியாக எவ்வாறு செயல்படுகிறது என்பது இங்கே:

1. நீங்கள் எழுதும் உரையை (உரையில்) இது படிக்கிறது.
2. இந்த உரையைப் பின்தொடரக்கூடிய பகுதியை முன்னறிவிக்கிறது.
3. அந்தப் பகுதியைச் சேர்க்கிறது.
4. இது புதிதாக உருவாக்கப்பட்ட உரையை மீண்டும் பார்க்கிறது மற்றும் அடுத்த மிகவும் சாத்தியமான பகுதியை யூகிக்கிறது.
5. பதில் முடிவடையும் வரை மீண்டும் மீண்டும்.

உதாரணம்: "காலை எழுந்தவுடன் சூடான கோப்பை சாப்பிடுங்கள்..." என்ற உரையை நீங்கள் மாதிரிக்குக் கொடுத்திருந்தால், பெரும்பாலும் "டீ" அல்லது "காபி" என்று தொடரலாம்; "நிலக்கீல்" அல்ல. மில்லியன் கணக்கான நூல்களில் இருந்து அத்தகைய சாத்தியக்கூறுகளை மாதிரி கற்றுக்கொண்டது. பின்னர் அவர் "தேநீர்" சேர்க்கிறார், பின்னர் புதிய வாக்கியத்தைப் பார்த்து அடுத்த பகுதியை யூகிக்கிறார், மற்றும் பல.

வேறு வார்த்தைகளில் கூறுவதானால், ஒவ்வொரு அடியிலும், மாதிரி எழுதியதைப் பார்த்து அடுத்த படியை எடுக்கிறது. அதனால்தான் இது சில சமயங்களில் "தன்னிரக்கத்தின் மிகவும் மேம்பட்ட பதிப்பு" என்று அழைக்கப்படுகிறது. ஆனால் இந்த ஒப்புமை திறமையைக் குறைத்துவிடக் கூடாது; சரியான அளவில், இந்த கணிப்பு பகுத்தறிவு போன்ற முடிவுகளை உருவாக்க முடியும்.

டோக்கன்: ஒரு வார்த்தையின் சிறிய துண்டுகள்

மாடல் உண்மையில் முழு "வார்த்தைகள்" அல்ல, ஆனால் டோக்கன்கள் எனப்படும் சிறிய துண்டுகளுடன் செயல்படுகிறது. ஒரு டோக்கன்; சில சமயங்களில் முழுச் சொல்லாகவும், சில சமயங்களில் ஒரு வார்த்தையின் பகுதியாகவும், சில சமயங்களில் நிறுத்தற்குறியாகவும் இருக்கும்.

• "புத்தகம்" என்பது ஒரு டோக்கனாக இருக்கலாம்.
• "எங்கள் புத்தகங்களிலிருந்து" "புத்தகம்", "கள்", "எங்கள்", "இருந்து" போன்ற பல டோக்கன்களாகப் பிரிக்கலாம்.
• இடைவெளிகள் மற்றும் நிறுத்தற்குறிகளும் டோக்கன்களாகக் கணக்கிடப்படுகின்றன.

கவனம்: டோக்கன் என்பது தொழில்நுட்ப விவரம் மட்டுமல்ல. பெரும்பாலான AI கருவிகள் டோக்கன்களின் எண்ணிக்கையால் கட்டணம் வசூலிக்கின்றன, மேலும் ஒரு நேரத்தில் செயலாக்கக்கூடிய உரை (சூழல் சாளரம்) மாதிரிகளின் நீளமும் டோக்கன்களில் வரையறுக்கப்பட்டுள்ளது. எனவே "எவ்வளவு நேரம் எழுதுகிறீர்கள்" என்பது நேரடி செலவு மற்றும் வரம்பு.

நிகழ்தகவு மற்றும் "வெப்பம்": தீர்மானம் அல்லது படைப்பாற்றல்?

ஒவ்வொரு அடியிலும், மாதிரியானது ஒரு உறுதியான பதிலை உருவாக்கவில்லை, ஆனால் சாத்தியமான தொடர்ச்சிகளின் நிகழ்தகவு பட்டியலை உருவாக்குகிறது. உதாரணமாக, "சூடான" என்ற வார்த்தைக்குப் பிறகு: தேநீர் 55%, காபி 35%, பால் 7%, மற்றவை 3%. அப்படியானால் அவர் எதைத் தேர்ந்தெடுக்கிறார்?

இங்கே, வெப்பநிலை எனப்படும் ஒரு அமைப்பு செயல்பாட்டுக்கு வருகிறது. வெப்பநிலை என்பது ஒரு வகையான படைப்பாற்றல் குமிழ் ஆகும், இது மாதிரி எவ்வளவு "ஆபத்தாகும்" என்பதை தீர்மானிக்கிறது.

அமைத்தல்

நடத்தை

முடிவுரை

இது எங்கே பயனுள்ளதாக இருக்கும்?

குறைந்த வெப்பநிலை

எப்போதும் மிகவும் சாத்தியமான விருப்பத்தை எடுக்கும்

நிலையானது, மீண்டும் மீண்டும் செய்யக்கூடியது

சட்ட சுருக்கம், தொழில்நுட்ப விளக்கம், தரவு பிரித்தெடுத்தல்

நடுத்தர வெப்பநிலை

சமச்சீர் தேர்வு

இயற்கையானது ஆனால் சீரானது

பொது மின்னஞ்சல், அறிக்கை வரைவு

உயர் வெப்பநிலை

குறைந்த வாய்ப்புள்ள விருப்பங்களை முயற்சிக்கிறது

படைப்பாற்றல், மாறுபட்ட, கணிக்க முடியாதது

மூளைச்சலவை, கோஷம், பெயர் தயாரிப்பு

இது அடிக்கடி கேட்கப்படும் கேள்வியையும் விளக்குகிறது: "நான் ஏன் ஒரே கேள்வியை இரண்டு முறை கேட்கும்போது வெவ்வேறு பதில்களைப் பெறுகிறேன்?" தேர்வு செயல்பாட்டில் சில சீரற்ற தன்மை இருப்பதால்; மாதிரியானது ஒரு தரவுத்தளத்திலிருந்து ஒரு நிலையான பதிலைப் பெறவில்லை, அது ஒவ்வொரு முறையும் அதை மீண்டும் உருவாக்குகிறது.

பலவீனமான ப்ராம்ட் / ஸ்ட்ராங் ப்ராம்ட்

மாதிரியானது "நிகழ்தகவு" உடன் செயல்படுகிறது என்பதை அறிவது, நீங்கள் அதை எவ்வாறு அறிவுறுத்துகிறீர்கள் என்பதையும் மாற்றுகிறது. நீங்கள் எவ்வளவு சூழலைக் கொடுக்கிறீர்களோ, அவ்வளவு சரியான தொடர்ச்சியாக மாறும்.

பலவீனமான அறிவுறுத்தல்: ஒரு அறிமுக உரையை எழுதுங்கள்.

முடிவு: மாதிரியானது மிகவும் "சராசரியான" மற்றும் பொதுவான உரையை உருவாக்குகிறது, ஏனெனில் அது எந்த தயாரிப்பு, எந்த பார்வையாளர்கள், எந்த தொனி என்று தெரியவில்லை.

வலுவான அறிவுறுத்தல்: சிறிய ஓட்டலின் புதிய ஃபில்டர் காபிக்கு இன்ஸ்டாகிராம் விளம்பர உரையை எழுதுங்கள். பார்வையாளர்கள்: 25-35 வயது, காபி பிரியர். தொனி: நட்பு, குறுகிய. அதிகபட்சம் 3 வாக்கியங்கள், இறுதியில் 2 ஹேஷ்டேக்குகள்.

முடிவு: பயன்படுத்தக்கூடிய உரை பொருத்தமானது, ஏனெனில் சூழல் சாத்தியக்கூறுகளைக் குறைக்கிறது.

மூன்று சிறிய வழக்குகள்

வழக்கு 1 - சந்தைப்படுத்தல், உயர் வகை. ஒரு குழு ஒரு புதிய தயாரிப்புக்கு 30 ஸ்லோகங்கள் தேவை. அதன் உயர் வெப்பநிலை அமைப்பில், மாதிரி வேறுபட்ட, ஆக்கபூர்வமான விருப்பங்களை உருவாக்கியது; குழு 30 இல் 4 ஐ தேர்ந்தெடுத்து உருவாக்கியது. மொத்த நேரம்: 10 நிமிடங்கள். கையால் செய்தால் பாதி நாள் ஆகும்.

வழக்கு 2 - சட்டம், உயர் தீர்மானம். அதே நிறுவனத்தின் சட்டக் குழு ஒரு ஒப்பந்த விதியை எளிதாக்கியது. அவர்கள் நிலைத்தன்மையை விரும்பினர், படைப்பாற்றல் அல்ல; குறைந்த வெப்பநிலையுடன் மாதிரி ஒவ்வொரு முறையும் கிட்டத்தட்ட ஒரே மாதிரியான, பழமைவாத சுருக்கத்தை அளித்தது. எனவே, வெவ்வேறு சோதனைகளுக்கு இடையில் எந்த முரண்பாடும் இல்லை.

வழக்கு 3 - "அது ஏன் மாறியது?" கேள்வி. ஒரு ஊழியர் ஒரே மின்னஞ்சல் வரைவை இரண்டு முறை கோரினார் மற்றும் இரண்டு வெவ்வேறு முடிவுகளைப் பெற்றார்; "தவறு" என்று நினைத்தான். உண்மையில், இது மாதிரியின் சீரற்ற தன்மையின் இயற்கையான விளைவு. பணியாளர் தனக்குப் பிடித்த பதிப்பைச் சேமித்து, தேவைப்பட்டால், "முந்தையதைப் போலவே உருவாக்கவும்" என்று கற்றுக்கொண்டவுடன், எந்த பிரச்சனையும் இல்லை.

மாதிரி "கிடைக்குதா"?

இது மிகவும் ஆர்வமுள்ள கேள்வி. மாதிரியானது சொற்களுக்கு இடையிலான புள்ளிவிவர உறவுகளை மிகவும் முழுமையாகக் கற்றுக்கொண்டது, அது பல பணிகளைப் புரிந்துகொள்வது போல் நடிக்கிறது. ஆனால் அதற்கு நனவான புரிதல், நோக்கம் அல்லது யதார்த்தத்தைக் கட்டுப்படுத்தும் பொறிமுறை இல்லை. இது "மிகவும் சாத்தியமான தொடர்ச்சியை" உருவாக்குகிறது; இது "மிகவும் துல்லியமான தகவலை" உருவாக்குவதற்கு உத்தரவாதம் அளிக்காது. இந்த வேறுபாடே மாயத்தோற்றத்தின் பொருளின் அடிப்படையாகும், இதை அடுத்த அலகுகளில் விவாதிப்போம்.

பொதுவான தவறுகள்

பொதுவான தவறுகள்

• தேடுபொறிக்கான மாதிரியைத் தவறாகப் புரிந்துகொள்வது. மாடல் இணையத்தில் தேடாது மற்றும் ஆதாரங்களை மீட்டெடுக்காது (சிறப்பு தேடல் அம்சம் இல்லாவிட்டால்); நினைவகத்திலிருந்து சாத்தியமான உரையை உருவாக்குகிறது. எனவே அவர் மூலத்தை/உருவத்தை உருவாக்க முடியும்.
• சரளத்தை துல்லியமாக தவறாகப் புரிந்துகொள்வது. உரை அழகாகவும் நம்பிக்கையுடனும் இருப்பதால் அதன் உள்ளடக்கம் சரியானது என்று அர்த்தமல்ல.
• ஒவ்வொரு முறையும் ஒரே பதிலை எதிர்பார்க்கிறேன். சீரற்ற தன்மை இயற்கையானது; முக்கியமான பணிகளுக்கு நீங்கள் விரும்பும் வெளியீட்டை சேமிக்கவும்.
• மிக நீண்ட, தேவையற்ற உரையை ஒட்டுதல் மற்றும் டோக்கன் வரம்பை மீறுதல். நீளம் இரண்டும் செலவை அதிகரிக்கிறது மற்றும் மாதிரியின் கவனத்தை திசை திருப்பலாம்; தேவையான சூழலை மட்டும் கொடுங்கள்.

கவனம்: மாடல் சரளமாகவும் நம்பிக்கையுடனும் பேசுவதால் அவள் சரியாகப் பேசுகிறாள் என்று அர்த்தமல்ல. சரளமானது நிகழ்தகவு மதிப்பீட்டின் இயற்கையான விளைவு; துல்லியம் என்பது தனித்தனியாகவும் சுயாதீனமாகவும் சரிபார்க்கப்பட வேண்டிய ஒன்று.

சுருக்கமாக

• ஜெனரேட்டிவ் AI ஆனது, அடுத்ததாக இருக்கும் துணுக்கு (டோக்கன்) கணிப்பதன் மூலம் படிப்படியாக உரையை உருவாக்குகிறது; வாக்கியத்தை துண்டு துண்டாக கட்டமைக்கிறது.
• டோக்கன்கள் சொற்களின் சிறிய பகுதிகள் மற்றும் விலை மற்றும் நீள வரம்புகள் இரண்டையும் அமைக்கின்றன.
• ஒவ்வொரு அடியிலும், மாதிரியானது சாத்தியக்கூறுகளின் பட்டியலை உருவாக்குகிறது; வெளியீடு எவ்வளவு நிலையானது அல்லது ஆக்கப்பூர்வமாக இருக்கும் என்பதை வெப்பநிலை அமைப்பு தீர்மானிக்கிறது.
• ஒரே கேள்விக்கு வெவ்வேறு பதில்களுக்கான காரணம், இந்த செயல்முறையில் உள்ளார்ந்த சீரற்ற தன்மை காரணமாகும்.
• மாடல் சரளமாகப் பேசுகிறது, ஆனால் அவள் உண்மையைச் சொல்கிறாள் என்பதற்கு இது உத்தரவாதம் அளிக்காது; சரளமும் துல்லியமும் வெவ்வேறு விஷயங்கள்.

விண்ணப்பப் பணி

உங்கள் AI கருவிக்கு அதே ஆக்கப்பூர்வமான பணியை (எ.கா. "விரைவான நன்றி குறிப்பை எழுதவும்") இரண்டு முறை கொடுக்கவும் மற்றும் வெளியீடுகள் எவ்வாறு வேறுபடுகின்றன என்பதைக் கவனிக்கவும். பின்னர் "பவர்ஃபுல் ப்ராம்ட்" டெம்ப்ளேட்டுடன் அதே பணியை மீண்டும் செய்யவும், சூழலைச் சேர்த்து, இரண்டு முடிவுகளுக்கு இடையேயான தரத்தில் உள்ள வேறுபாட்டைக் கவனியுங்கள்.

சரிபார்ப்பு பட்டியல்

• [ ] "அடுத்த சாத்தியமான பகுதியைக் கணிப்பதன் மூலம்" மாதிரியானது உரையை உருவாக்குகிறது என்பதை என்னால் விளக்க முடியும்.
• டோக்கன் என்றால் என்ன, அது ஏன் செலவு/வரம்பைக் குறிக்கிறது என்பது எனக்குத் தெரியும்.
• [ ] உறுதி தேவைப்படும் வேலைகள் மற்றும் படைப்பாற்றல் தேவைப்படும் வேலைகளை என்னால் வேறுபடுத்தி அறிய முடிகிறது.
• [ ] ஒரே கேள்விக்கு வெவ்வேறு பதில்களைப் பெறுவது இயல்பானது என்று எனக்குத் தெரியும்.
• [ ] சரளமாக இருப்பது துல்லியத்திற்கு உத்தரவாதம் இல்லை என்பதை நான் உள்வாங்கிக் கொண்டேன்.