فائدہ:
- پورٹیبل پرامپٹ تحریر کی منطق کو سمجھتا ہے جو مختلف AI ٹولز میں کام کرتی ہے۔
- ٹیم کے لیے دوبارہ قابل استعمال، ورژن والی پرامپٹ لائبریری بنا سکتا ہے۔
- ایک اینڈ ٹو اینڈ فلو ڈیزائن کر سکتا ہے جو AI کے ساتھ شروع سے آخر تک کاروبار چلاتا ہے۔
ہم اس ماڈیول کو اپنی سیکھی ہوئی ہر چیز کو مستقل اور قابل توسیع قدر میں تبدیل کرکے ختم کرتے ہیں۔ ہم نے ایک ایک کرکے اچھے اشارے لکھنے کا طریقہ سیکھا۔ لیکن اصل کارپوریٹ طاقت اچھے اشارے کو دوبارہ قابل استعمال اثاثے میں تبدیل کرنے، ٹیم کے ساتھ ان کا اشتراک کرنے، اور ایک ایسا بہاؤ قائم کرنے میں ہے جو مصنوعی ذہانت کے ساتھ شروع سے آخر تک کام کو چلاتا ہے۔ اس یونٹ میں، ہم یہ سیکھیں گے کہ پورٹیبل پرامپٹ کیسے لکھنا ہے، پرامپٹ لائبریری بنانا ہے، اور آخر سے آخر تک ورک فلو ڈیزائن کرنا ہے۔
پورٹیبل (وینڈر-ایگنوسٹک) پرامپٹ
مارکیٹ میں متعدد AI ٹولز ہیں اور وہ وقت کے ساتھ ساتھ بدلتے رہتے ہیں۔ اگر آپ کسی ایک گاڑی کے خصوصی نمبروں کی بنیاد پر پرامپٹ لکھتے ہیں، تو گاڑی تبدیل ہونے پر آپ کا پرامپٹ کریش ہو جائے گا۔ تاہم، واضح ڈھانچہ، واضح سیاق و سباق اور اچھی مثالوں پر مبنی ایک پرامپٹ اچھے نتائج دیتا ہے چاہے اسے کسی بھی ٹول میں چلایا جائے۔ کیونکہ اچھی ہدایت کی منطق عالمگیر ہے۔ پورٹیبل پرامپٹس لکھنے کے اصول:
- اناٹومی کے اجزاء پر مبنی (کردار، سیاق و سباق، کام، شکل، رکاوٹ)؛ ٹول کے لیے مخصوص شارٹ کٹس نہیں۔
- ہدایات کو صاف اور صاف زبان میں لکھیں؛ خفیہ "دھوکہ دہی" کے بیانات پر بھروسہ نہ کریں۔
- مثال کے طور پر سکھائیں؛ مثالیں ہر ماڈل پر کام کرتی ہیں۔
- فارمیٹ کو واضح طور پر بیان کریں؛ فارم کی توقع میڈیم سے آزاد ہے۔
پرامپٹ لائبریری کیا ہے اور یہ کیوں قابل قدر ہے؟
ایک پرامپٹ لائبریری آزمائشی اور آزمائشی اشارے کا ایک منظم مجموعہ ہے (دستاویز، میز، یا مشترکہ ٹول ہو سکتا ہے)۔ قیمت یہ ہے: ٹیم میں ہر کوئی شروع سے ایک ہی کام شروع نہیں کرتا ہے۔ بہترین پرامپٹ ایک بار لکھا جاتا ہے اور کئی بار استعمال کیا جاتا ہے۔ یہ مستقل مزاجی کو یقینی بناتا ہے (ہر ایک کو یکساں معیار کی پیداوار ملتی ہے) اور کارکردگی (پہیہ کو دوبارہ ایجاد نہیں کرنا)۔
لائبریری کے اچھے ریکارڈ میں کیا ہونا چاہیے؟
علاقہ
تفصیل
عنوان
یہ کیا کرتا ہے (جیسے "مسترد ای میل")
مقصد
یہ کس حالت میں استعمال ہوتا ہے؟
فوری
متغیرات [مربع بریکٹ] کے ساتھ نشان زد
نمونہ آؤٹ پٹ
اچھے نتائج کی مثال
نوٹس
غور کرنے کی چیزیں، حدود
ورژن/تاریخ
اسے کب اپ ڈیٹ کیا گیا۔
متغیرات کو مربع بریکٹ کے ساتھ نشان زد کرنا، جیسے [کسٹمر کا نام]، [مصنوعات]، پرامپٹ کو "پُر اور گو" ٹیمپلیٹ میں بدل دیتا ہے۔
اینڈ ٹو اینڈ ورک فلو
حقیقی کارکردگی کسی ایک اشارے سے نہیں بلکہ ایک دوسرے سے جڑے ہوئے قدموں کے بہاؤ سے آتی ہے۔ مصنوعی ذہانت کے ساتھ شروع سے آخر تک کاروبار چلانے کا عمومی فریم ورک:
- ان پٹ جمع کریں: خام ڈیٹا/ٹیکسٹ تیار کریں، خفیہ ڈیٹا کو گمنام کریں۔
- ترتیب دیں: ماڈل کو خام ان پٹ کو ایک منظم ڈھانچے (ٹیبل/JSON) میں تبدیل کرنے دیں۔
- تیار کریں: اصل کام (خلاصہ، مسودہ، تجزیہ) تیار کریں۔
- تنقید/بہتر بنائیں: ماڈل کو اس کی اپنی پیداوار پر تنقید کرنے اور اعادہ کرنے کو کہیں۔
- تصدیق کریں: حقائق، نمبرز، ذرائع بطور انسان چیک کریں۔
- فائنل کریں: فارمیٹ کو گول سے جوڑیں اور لائبریری میں محفوظ کیے جانے والے اسباق کو نوٹ کریں۔
ان چھ مراحل کا اہم نکتہ یہ ہے: قدموں کے درمیان انسانی کنٹرول ہے۔ مصنوعی ذہانت تیز ہوتی ہے۔ انسان ہدایت کرتا ہے اور منظور کرتا ہے۔
چار کاپی ایبل ٹیمپلیٹس
1) لائبریری رجسٹریشن کارڈ:
عنوان: [پرامپٹ نام]مقصد: [جب استعمال کرنا ہے] پرامپٹ:"""کردار: ...سیاق و سباق: [متغیر]ٹاسک: ...فارمیٹ: ...کنسٹرائنٹ: ..."""نمونہ آؤٹ پٹ: [اچھا نتیجہ]نوٹس: [حد/احتیاط] ورژن: v1 - [تاریخ]
2) اختتام سے آخر تک بہاؤ (ایک کام میں):
اسے 3 مراحل میں کریں اور ہر قدم کے آخر میں رکیں: 1) میں نے جو خام نوٹ دیا ہے اسے "Person/Request/Urency" ٹیبل میں موڑ دیں۔ 2) جب آپ منظوری دیتے ہیں، تو ان لوگوں کے لیے جواب کا مسودہ لکھیں جن کی فوری ضرورت ہے۔ 3) جب آپ منظوری دیتے ہیں، تو ان سب کو ایک سمری ٹیبل میں جمع کریں۔ خام نوٹ: [متن]
3) پورٹیبلٹی ٹیسٹ:
اس پرامپٹ کو ٹول سے آزاد بنائیں: ٹول کے لیے کوئی مخصوص یا مبہم الفاظ باقی نہیں ہیں۔ صرف کردار، سیاق و سباق، کام، فارمیٹ اور رکاوٹ کے ساتھ دوبارہ لکھیں۔ پرامپٹ: [موجودہ اشارہ]
4) ٹیم کے معیارات بنانا:
ذیل میں ایک ہی معیاری ٹیمپلیٹ میں ایک ہی کام کے لیے 3 مختلف ملازمین کے لکھے ہوئے اشاروں کو یکجا کریں۔ بہترین حصوں کو رکھیں، متغیرات کو [بریکٹ] سے نشان زد کریں، مختصر استعمال کا نوٹ شامل کریں۔ اشارے: [3 اشارے]
کمزور پرامپٹ / مضبوط اشارہ
کمزور (ایک بار، ذاتی نوعیت کا):
علی کے لیے یہ پیشکش لکھیں، آپ جانتے ہیں کہ ہم یہ کیسے کر سکتے ہیں۔
طاقتور (پورٹ ایبل ٹیمپلیٹ):
کردار: انٹرپرائز سیلز کا نمائندہ۔ سیاق و سباق: خریدار [کسٹمر کی قسم]؛ رشتہ [صورتحال]؛ پروڈکٹ [پروڈکٹ]۔ٹاسک: اقتباس ای میل لکھیں۔ فارمیٹ: 3 مختصر پیراگراف، آخر میں اگلا مرحلہ واضح کریں۔ رکاوٹ: قیمت کا وعدہ؛ مبالغہ آرائی زیادہ سے زیادہ 130 الفاظ۔
دوسرا ورژن شخص اور دن پر منحصر نہیں ہے۔ متغیرات کو پُر کرنے سے، ٹیم میں شامل ہر کوئی یکساں معیار کی تجویز پیش کر سکتا ہے۔ یہ وہی ہے جو لائبریری میں جاتا ہے.
تین چھوٹے کیسز
کیس 1 - لائبریری اثر۔ ایک سپورٹ ٹیم نے اپنے 15 سب سے زیادہ استعمال ہونے والے جوابی اشارے کو مشترکہ لائبریری میں مرتب کیا۔ ایک نئے شامل ہونے والے ملازم نے شروع سے سیکھنے کے بجائے لائبریری کا استعمال کرتے ہوئے اپنے پہلے ہفتے سے ٹیم کے معیاری جوابات تیار کیے؛ ٹیم کے آؤٹ پٹ کی مستقل مزاجی میں نمایاں اضافہ ہوا ہے۔
کیس 2 - آخر سے آخر تک بہاؤ۔ ایک پرامپٹ کے ساتھ ہفتہ وار نیوز لیٹر تیار کرنے کی کوشش کرتے وقت ایک مارکیٹنگ ٹیم کو گندے نتائج مل رہے تھے۔ بہاؤ کو پانچ مراحل میں توڑنے سے (موضوعات کا مجموعہ → خاکہ → ادارتی تنقید → حقائق کی جانچ پڑتال → فارمیٹ)، نیوز لیٹر اعلیٰ معیار اور منظم دونوں طرح کا بن گیا، اور پیداوار کا وقت متوقع تھا۔
کیس 3 - پورٹیبلٹی۔ ایک کمپنی نے اپنے استعمال کردہ مصنوعی ذہانت کے آلے کو تبدیل کر دیا۔ چونکہ اس کے اشارے صاف اناٹومی پر مبنی تھے، نہ کہ ٹول سے متعلق مخصوص چالوں پر، اس لیے انہوں نے نئے ٹول پر کام کیا جس میں عملی طور پر کسی ترمیم کی ضرورت نہیں تھی۔ منتقلی بے درد تھی۔
اشارہ: ایک بار پرامپٹ کام کرنے کے بعد، اسے "میموری میں" نہ رکھیں۔ اسے فوری طور پر اس کے متغیرات کے ساتھ لائبریری میں محفوظ کریں۔ آج 2 منٹ گزارنا مستقبل میں تکرار کے درجنوں چکروں کو ختم کرتا ہے۔
احتیاط: لائبریری ایک زندہ ہستی ہے۔ اگر انسٹال کر کے بھول جائے تو پرانا ہو جاتا ہے۔ ورژن (v1, v2) اشارہ کرتا ہے، ان کو تاریخ دیتا ہے، اور باقاعدگی سے ان کا جائزہ لیتا ہے۔ مزید برآں، کوئی ٹیمپلیٹ انسانی کنٹرول کو ختم نہیں کرتا: حتیٰ کہ آخر سے آخر تک بہاؤ کے باوجود، حتمی منظوری ہمیشہ انسانی ہوتی ہے۔
عام غلطیاں
- اچھے پرامپٹ کو ریکارڈ نہیں کرنا۔ ہر بار شروع سے شروع کرنا۔
- ٹول کے ساتھ مخصوص دھوکہ دہی پر انحصار۔ گاڑی بدلتے وقت فوری کریش۔
- متغیرات کو درست کرنا۔ ٹیمپلیٹ کو کسی ایک اسم/معاملے کے لیے مخصوص چھوڑنا، اسے ناقابل استعمال بنانا۔
- لائبریری کو اپ ڈیٹ نہیں کر رہا ہے۔ پرانے، بیکار اشارے لے جانا۔
- اسٹریمنگ سے انسانی کنٹرول کو ہٹانا۔ اینڈ ٹو اینڈ آٹومیشن میں تصدیقی مرحلہ کو چھوڑنا۔
خلاصہ میں
- پورٹیبل پرامپٹ واضح اناٹومی پر مبنی ہے، گاڑی سے متعلق مخصوص چالوں پر نہیں، اور ہر ماڈل پر کام کرتا ہے۔
- پرامپٹ لائبریری ٹیم کے ساتھ آزمائشی اشارے بانٹ کر مستقل مزاجی اور کارکردگی کو یقینی بناتی ہے۔
- لائبریری کے اچھے ریکارڈ میں عنوان، مقصد، متغیر پرامپٹ، نمونہ آؤٹ پٹ، نوٹس اور ورژن شامل ہوتا ہے۔
- آخر سے آخر تک بہاؤ کام کو چھ مراحل میں تقسیم کرتا ہے، ہر قدم پر انسانی کنٹرول کو برقرار رکھتا ہے۔
- پرواز پر ایک اچھا پرامپٹ محفوظ کرنا، اس کے متغیرات کے ساتھ، مستقبل کی کوششوں کو تیزی سے کم کر دیتا ہے۔
درخواست کا کام
اپنے کام میں سب سے زیادہ بار بار آنے والے تین کاموں کی شناخت کریں اور ہر ایک کے لیے ایک پورٹیبل، متغیر چیک شدہ پرامپٹ لکھیں اور اسے لائبریری کارڈ پر محفوظ کریں۔ پھر ان کاموں میں سے کسی ایک کو اینڈ ٹو اینڈ فلو میں ڈالیں (جمع کریں → تشکیل → پیداوار → تنقید → تصدیق → حتمی شکل دیں) اور اسے ایک حقیقی مثال کے ساتھ شروع سے ختم تک چلائیں۔
چیک لسٹ
- [ ] میں پورٹیبل پرامپٹ تحریر کے اصولوں پر عمل کر سکتا ہوں۔
- میں ایک لائبریری کارڈ بنا سکتا ہوں جس میں [ ] متغیرات کو نشان زد کیا گیا ہو۔
- میں کسی کام کو آخر سے آخر تک کے بہاؤ میں تقسیم کر سکتا ہوں۔
- میں ہر بہاؤ کے مرحلے پر انسانی کنٹرول کو برقرار رکھتا ہوں۔
- [ ] میں لائبریری میں فوری طور پر اچھے اشارے محفوظ کرتا ہوں۔
ماڈیول امتحان
1. درج ذیل میں سے کون سی بڑی زبان کے ماڈل کا بنیادی کام کرنے کا انداز ہے؟
- A) یہ انٹرنیٹ پر براہ راست تلاش کرتا ہے اور جو صفحہ اسے ملتا ہے اس کی کاپی کرتا ہے۔
- ب) ممکنہ لفظ کا اندازہ لگا کر متن تیار کرتا ہے جو دیئے گئے متن کی پیروی کرے گا ✔
- C) ڈیٹا بیس سے پہلے سے لکھے ہوئے ڈبہ بند جوابات کا انتخاب کرتا ہے۔
- D) ہر سوال کو ایک شخص کی طرف بھیجتا ہے اور جواب واپس کرتا ہے۔
تفصیل: بڑی زبان کا ماڈل اعداد و شمار کے لحاظ سے اس لفظ (ٹوکن) کی پیش گوئی کر کے متن تیار کرتا ہے جو آپ کے فراہم کردہ متن کی پیروی کرنے کا زیادہ امکان ہے۔ یہ ڈیٹا بیس سے ڈبہ بند جوابات نہیں کھینچتا ہے۔ لہذا، آپ جو ہدایات دیتے ہیں وہ پیشین گوئی کی رہنمائی کرنے والا سب سے مضبوط عنصر ہے۔
2. ایک موثر پرامپٹ کی اناٹومی میں 'کردار' جز کا کام کیا ہے؟
- A) ماڈل کے ردعمل کی رفتار میں اضافہ
- ب) پرامپٹ کے ٹوکن کی تعداد کو کم کرنا
- C) ماڈل کو تناظر اور مہارت کا فریم ورک دے کر ردعمل کے لہجے اور گہرائی کو ہدایت کریں ✔
- D) ماڈل کو ذاتی ڈیٹا تک رسائی دینا
وضاحت: ماڈل کو ایک کردار تفویض کرنا (مثلاً 'ایک تجربہ کار مالیاتی مشیر کی طرح کام کرنا') اسے مناسب تناظر، اصطلاحات، لہجے اور گہرائی سے متعارف کراتا ہے۔ یہ جواب کی رفتار، لاگت، یا ڈیٹا تک رسائی کو تبدیل نہیں کرتا ہے۔
3. وضاحت کے لیے درج ذیل ہدایات میں سے کون سی بہترین ہے؟
- A) اس پروڈکٹ کے بارے میں کچھ اچھا لکھیں۔
- ب) مصنوعات کی اچھی طرح وضاحت کریں۔
- ج) مجھے اس کے بارے میں ایک متن کی ضرورت ہے۔
- D) اس پروڈکٹ کو غیر تکنیکی صارفین کے لیے 3 آئٹم کی فہرست میں فروغ دیں، ہر آئٹم میں زیادہ سے زیادہ 15 الفاظ ہوں ✔
تفصیل: واضح ہدایات؛ یہ قابل پیمائش رکاوٹوں کی وضاحت کرتا ہے جیسے کہ لمبائی، ہدف کے سامعین اور فارمیٹ، اور 'خوبصورت' یا 'اچھی' جیسی مبہم صفتوں پر انحصار نہیں کرتا ہے۔
4. 'Few-shot' سیمپلنگ کا کیا مطلب ہے؟
- A) ماڈل کو مطلوبہ پیٹرن دکھانے کے لیے پرامپٹ میں کچھ نمونے ان پٹ آؤٹ پٹ جوڑے شامل کرنا ✔
- ب) کوئی مثال دیے بغیر ماڈل سے سوالات کرنا
- ج) ایک ہی سوال کو کئی بار پوچھنا
- D) ماڈل کو چند سیکنڈ انتظار کرنے دیں۔
تفصیل: فیو شاٹ پرامپٹ کے اندر چند نمونے ان پٹ آؤٹ پٹ جوڑے دکھا کر ماڈل کو مطلوبہ نمونہ سکھا رہا ہے۔ کوئی مثال نہ دینا 'زیرو شاٹ' ہے۔
5. چند شاٹ نمونوں کا انتخاب کرتے وقت مندرجہ ذیل میں سے کون سا طریقہ سب سے زیادہ مناسب ہے؟
- الف) ایسی مثالیں دینا جو ممکن حد تک متضاد اور مختلف شکلوں میں ہوں۔
- ب) نمائندہ نمونے منتخب کریں جو مستقل طور پر مطلوبہ شکل اور معیار کی عکاسی کرتے ہوں ✔
- ج) ہمیشہ کم از کم 50 نمونے ڈالیں۔
- ڈی) نمونوں کا معیار غیر اہم ہے، صرف تعداد کافی ہے۔
تفصیل: چونکہ ماڈل نمونوں کی نقل کرتا ہے، اس لیے نمونوں کو مستقل طور پر مطلوبہ آؤٹ پٹ فارمیٹ، ٹون اور معیار کی عکاسی کرنی چاہیے۔ متضاد مثالیں ماڈل کو الجھاتی ہیں۔
6. کس صورت حال میں سوچ کی تکنیک کا سلسلہ سب سے زیادہ مفید ہے؟
- A) جب ایک لفظی ترجمہ کی درخواست کی جاتی ہے۔
- ب) صرف اس وقت جب آپ آؤٹ پٹ کو بڑھانا چاہتے ہیں۔
- ج) پیچیدہ کاموں میں جن کے لیے متعدد مراحل یا منطقی استدلال کی ضرورت ہوتی ہے۔
- D) جب آپ ماڈل کی جوابی زبان کو تبدیل کرنا چاہتے ہیں۔
تفصیل: یہ تکنیک پیچیدہ کاموں میں درستگی کو بہتر بناتی ہے جن کے لیے متعدد مراحل یا منطقی استدلال کی ضرورت ہوتی ہے۔ یہ سادہ ایک قدمی کاموں میں غیر ضروری طوالت پیدا کرتا ہے۔
7. آؤٹ پٹ فارمیٹ کو واضح طور پر بتانے کا بنیادی فائدہ کیا ہے (جیسے 'JSON کے طور پر ایکسپورٹ کریں')؟
- A) آؤٹ پٹ کو قابل پیشن گوئی اور دوسرے سسٹمز/ ورک فلو میں ضم کرنے کے قابل بنانا ✔
- ب) ماڈل کم بجلی استعمال کرتا ہے۔
- ج) جواب ہمیشہ چھوٹا ہوتا ہے۔
- D) ماڈل زیادہ تخلیقی ہے۔
تفصیل: ایک مخصوص فارمیٹ کی ضرورت آؤٹ پٹ کو قابل قیاس اور دوسرے سسٹمز یا ورک فلو کے ساتھ آسانی سے قابل استعمال بناتی ہے۔ دستی اصلاح کی ضرورت کو کم کرتا ہے۔
8. اگر ابتدائی AI آؤٹ پٹ وہ نہیں ہے جو آپ چاہتے ہیں تو بہترین طریقہ کیا ہے؟
- A) فوری طور پر فیصلہ کریں کہ AI کام کے لیے اچھا نہیں ہے اور ترک کر دیں۔
- ب) ایک ہی پرامپٹ کو کئی بار تبدیل کیے بغیر بھیجنا
- C) ٹارگٹڈ فیڈ بیک کے ساتھ پرامپٹ کو بہتر بنانا جو اس بات کی نشاندہی کرتا ہے کہ کیا غائب یا غلط ہے ✔
- D) آؤٹ پٹ کو اس کی توثیق کیے بغیر، جیسا ہے استعمال کرنا
وضاحت: تکرار معمول ہے؛ ٹارگٹڈ فیڈ بیک کے ساتھ پرامپٹ کو بہتر بنانا سب سے زیادہ موثر ہے جو آپ کو بتاتا ہے کہ آپ کو آؤٹ پٹ کے بارے میں کیا پسند نہیں ہے۔ اسی پرامپٹ کو دوبارہ بھیجنے سے نتیجہ تبدیل نہیں ہوتا ہے۔
9. مندرجہ ذیل میں سے کون سی عام پرامپٹ غلطی ہے؟
- A) ماڈل کو ایک واضح کردار اور سیاق و سباق دینا
- ب) مطلوبہ آؤٹ پٹ فارمیٹ کی وضاحت کرنا
- C) نمونہ آؤٹ پٹ دکھائیں۔
- D) سیاق و سباق، ہدف کے سامعین اور فارمیٹ کی وضاحت کیے بغیر ایک مبہم، ایک جملے کی درخواست کرنا ✔
وضاحت: سیاق و سباق یا رکاوٹوں کے بغیر ایک مبہم، ایک جملے کی درخواست کرنا ایک عام غلطی ہے جس کی وجہ سے ماڈل مفروضوں کے ساتھ عام اور غلط جواب پیدا کرتا ہے۔
10. یہ کہنے کا کیا مطلب ہے کہ ماڈل نے 'خیال' پیدا کیا اور اس کا کیا مطلب ہے؟
- A) ماڈل اعتماد کے ساتھ غیر حقیقی معلومات تیار کرتا ہے۔ لہذا حقائق کی تصدیق کی ضرورت ہے ✔
- ب) ماڈل بہت آہستہ جواب دیتا ہے۔ بس انتظار کرنا ہوگا
- ج) ماڈل جواب کو مختصر رکھتا ہے۔ مزید پوچھنے کی ضرورت ہے؟
- D) ماڈل ایک ٹائپنگ کرتا ہے؛ صرف ٹھیک کرنے کی ضرورت ہے
وضاحت: ایک فریب نظر اس وقت ہوتا ہے جب ماڈل اعتماد کے ساتھ ایسی معلومات تیار کرتا ہے جو حقیقی نہیں ہے (مثال کے طور پر، ایک غیر موجود ذریعہ، ایک غلط تاریخ)۔ اس لیے اعداد، نام، تاریخ اور اقتباسات جیسے حقائق کی آزاد ذرائع سے تصدیق ضروری ہے۔
11. کسی عوامی AI ٹول میں خفیہ کسٹمر ڈیٹا یا ذاتی ڈیٹا پر مشتمل ٹیکسٹ داخل کرنے سے پہلے بہترین طریقہ کیا ہے؟
- A) ڈیٹا جیسا ہے داخل کرنا، کیونکہ AI بہرحال اسے بھول جاتا ہے۔
- ب) ڈیٹا کو گمنام کرنا/ماسک کرنا یا ادارے سے منظور شدہ محفوظ ٹول استعمال کرنا ✔
- ج) جملے کے آخر میں صرف 'خفیہ' لکھیں۔
- D) ڈیٹا کو دوسری زبان میں ترجمہ کرنا اور اس طرح داخل کرنا
وضاحت: خفیہ اور ذاتی ڈیٹا کو کارپوریٹ پالیسی اور قانون سازی (مثال کے طور پر، KVKK) کے مطابق محفوظ کیا جانا چاہیے۔ سب سے محفوظ طریقہ یہ ہے کہ ڈیٹا کو گمنام / ماسک کریں یا ادارے سے منظور شدہ محفوظ ٹول استعمال کریں۔
12. فراہم کنندہ سے آزاد (پورٹ ایبل) پرامپٹ لکھنے کی کیا منطق ہے؟
- A) ہر AI ٹول کے لیے مکمل طور پر مختلف اور غیر مطابقت پذیر پرامپٹ لکھنا ضروری ہے۔
- ب) پورٹیبل پرامپٹ صرف ایک زبان میں لکھا جا سکتا ہے۔
- C) واضح ساخت، سیاق و سباق اور مثالوں پر مبنی اشارے مختلف ماڈلز پر کسی ایک ٹول سے بندھے بغیر اچھی طرح کام کرتے ہیں ✔
- D) فوری لائبریری رکھنا وقت کا ضیاع ہے۔
تفصیل: واضح ڈھانچہ، واضح ہدایات اور مثالوں پر مبنی ایک پرامپٹ مختلف AI ٹولز میں بھی اچھی طرح کام کرتا ہے کیونکہ یہ کسی خاص ٹول کی مخصوص چالوں سے منسلک نہیں ہوتا ہے۔
13. ٹیم کے لیے دوبارہ قابل استعمال پرامپٹ لائبریری کو برقرار رکھنے کا سب سے اہم فائدہ کیا ہے؟
- A) آزمائشی اشارے کا اشتراک کرکے ٹیم میں مستقل مزاجی اور کارکردگی کو یقینی بنانا ✔
- ب) ملازمین کو ایک دوسرے سے معلومات رکھنے کو یقینی بنانا
- C) AI ٹول کی لاگت کو مکمل طور پر ختم کرنا
- D) انسانی کنٹرول کو غیر ضروری بنانا
تفصیل: لائبریری آزمائشی اور آزمائشی اشارے بانٹ کر پوری ٹیم میں مستقل مزاجی اور کارکردگی کو یقینی بناتی ہے۔ ہر کوئی شروع سے ایک ہی کاروبار شروع نہیں کرتا ہے۔
14. تکرار کے ذریعے پرامپٹ کو بہتر بناتے وقت، ایک وقت میں ایک تبدیلی کرنے کی سفارش کیوں کی جاتی ہے؟
- A) صرف تبدیلی یہ ہے کہ یہ پرامپٹ کو چھوٹا بنا دیتا ہے۔
- ب) واضح طور پر یہ دیکھنے کے لیے کہ کون سی تبدیلی آؤٹ پٹ کو متاثر کرتی ہے ✔
- C) کیونکہ ماڈل ایک ہی وقت میں ایک سے زیادہ ہدایات پر کارروائی نہیں کر سکتا
- D) کیونکہ صرف تبدیلی لاگت کو صفر کر دیتی ہے۔
وضاحت: اگر آپ ایک ساتھ متعدد چیزیں تبدیل کرتے ہیں، تو آپ یہ نہیں بتا سکیں گے کہ کون سی تبدیلی آؤٹ پٹ کو بہتر کرتی ہے یا توڑتی ہے۔ غیر متغیر ترمیم آپ کو یہ جاننے دیتی ہے کہ کیا کام کرتا ہے۔