ਨਵਾਂ ਮਾਡਲ ਸਟੈਕ: ਚੈਟ, ਸਰਚ, ਏਜੰਟ, ਵਿਜ਼ਨ ਅਤੇ ਵੌਇਸ

ਦਸ ਨੀਲੇ ਲਿੰਕਾਂ ਦਾ ਅੰਤ

ਇੰਟਰਨੈੱਟ ਉਸ ਡਾਇਰੈਕਟਰੀ ਮਾਡਲ ਤੋਂ ਦੂਰ ਜਾ ਰਿਹਾ ਹੈ ਜਿਸ ਨੇ ਪਿਛਲੇ ਦੋ ਦਹਾਕਿਆਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਸੀ। ਸਾਲਾਂ ਤੱਕ, ਉਪਭੋਗਤਾ ਇੱਕ ਕੁਐਰੀ ਟਾਈਪ ਕਰਦੇ ਸਨ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਵੈੱਬਸਾਈਟਾਂ ਦੀ ਇੱਕ ਸੂਚੀ ਮਿਲਦੀ ਸੀ। ਅੱਜ, ਉਹ ਇੰਟਰੈਕਸ਼ਨ ਸਮਰੱਥਾਵਾਂ ਦੇ ਇੱਕ ਵਧੀਆ ਸਟੈਕ ਦੁਆਰਾ ਬਦਲੀ ਜਾ ਰਹੀ ਹੈ। ਇਸ ਸਟੈਕ ਵਿੱਚ ਚੈਟ ਇੰਟਰਫੇਸ, ਰੀਅਲ-ਟਾਈਮ ਸਰਚ, ਆਟੋਨੋਮਸ ਏਜੰਟ, ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ, ਅਤੇ ਘੱਟ-ਲੇਟੈਂਸੀ ਵੌਇਸ ਸ਼ਾਮਲ ਹਨ। ਟੀਚਾ ਹੁਣ ਤੁਹਾਨੂੰ ਕੋਈ ਵੈੱਬਸਾਈਟ ਲੱਭਣ ਵਿੱਚ ਮਦਦ ਕਰਨਾ ਨਹੀਂ ਹੈ। ਟੀਚਾ ਸਿੱਧਾ ਜਵਾਬ ਦੇਣਾ ਜਾਂ ਤੁਹਾਡੇ ਵੱਲੋਂ ਕੰਮ ਪੂਰਾ ਕਰਨਾ ਹੈ। ਇਹ ਤਬਦੀਲੀ ਰਵਾਇਤੀ ਪ੍ਰਕਾਸ਼ਕਾਂ ਲਈ ਕਲਿੱਕ-ਥਰੂ ਰੇਟਾਂ ‘ਤੇ ਭਾਰੀ ਦਬਾਅ ਪਾਉਂਦੀ ਹੈ। ਜਦੋਂ ਇੱਕ AI ਸੰਖੇਪ ਇੱਕ ਲੇਖ ਦਾ ਸੰਪੂਰਨ ਸਾਰ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਤਾਂ ਉਪਭੋਗਤਾ ਕੋਲ ਅਕਸਰ ਅਸਲ ਸਰੋਤ ‘ਤੇ ਜਾਣ ਦਾ ਕੋਈ ਕਾਰਨ ਨਹੀਂ ਹੁੰਦਾ। ਇਹ ਸਿਰਫ਼ ਤਕਨਾਲੋਜੀ ਵਿੱਚ ਬਦਲਾਅ ਨਹੀਂ ਹੈ। ਇਹ ਵੈੱਬ ਦੀ ਬੁਨਿਆਦੀ ਆਰਥਿਕਤਾ ਵਿੱਚ ਇੱਕ ਤਬਦੀਲੀ ਹੈ। ਅਸੀਂ ਅਜਿਹੇ ਆਨਸਰ ਇੰਜਣਾਂ ਦਾ ਉਭਾਰ ਦੇਖ ਰਹੇ ਹਾਂ ਜੋ ਨੈਵੀਗੇਸ਼ਨ ਨਾਲੋਂ ਸੰਸਲੇਸ਼ਣ (synthesis) ਨੂੰ ਤਰਜੀਹ ਦਿੰਦੇ ਹਨ। ਇਸ ਨਵੇਂ ਮਾਡਲ ਸਟੈਕ ਲਈ ਦਿੱਖ ਬਾਰੇ ਸੋਚਣ ਦੇ ਇੱਕ ਵੱਖਰੇ ਤਰੀਕੇ ਦੀ ਲੋੜ ਹੈ। ਸਰਚ ਪੇਜ ‘ਤੇ ਪਹਿਲਾ ਨਤੀਜਾ ਹੋਣਾ, ਮਾਡਲ ਟ੍ਰੇਨਿੰਗ ਸੈੱਟ ਜਾਂ ਰੀਅਲ-ਟਾਈਮ ਰਿਟਰੀਵਲ ਸਿਸਟਮ ਲਈ ਪ੍ਰਾਇਮਰੀ ਸਰੋਤ ਹੋਣ ਨਾਲੋਂ ਘੱਟ ਮਹੱਤਵਪੂਰਨ ਹੁੰਦਾ ਜਾ ਰਿਹਾ ਹੈ।

ਮਲਟੀ-ਮੋਡਲ ਈਕੋਸਿਸਟਮ ਨੂੰ ਮੈਪ ਕਰਨਾ

ਇਸ ਨਵੇਂ ਵਾਤਾਵਰਣ ਦਾ ਢਾਂਚਾ ਚਾਰ ਵੱਖਰੀਆਂ ਪਰਤਾਂ ‘ਤੇ ਬਣਿਆ ਹੈ। ਪਹਿਲੀ ਪਰਤ ਚੈਟ ਇੰਟਰਫੇਸ ਹੈ। ਇਹ ਉਹ ਗੱਲਬਾਤ ਵਾਲਾ ਫਰੰਟ ਐਂਡ ਹੈ ਜਿੱਥੇ ਉਪਭੋਗਤਾ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਵਿੱਚ ਆਪਣਾ ਇਰਾਦਾ ਪ੍ਰਗਟ ਕਰਦੇ ਹਨ। ਅਤੀਤ ਦੇ ਸਖ਼ਤ ਕੀਵਰਡ ਢਾਂਚੇ ਦੇ ਉਲਟ, ਇਹ ਇੰਟਰਫੇਸ ਬਾਰੀਕੀਆਂ ਅਤੇ ਫਾਲੋ-ਅਪ ਸਵਾਲਾਂ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਨ। ਦੂਜੀ ਪਰਤ ਸਰਚ ਇੰਜਣ ਹੈ, ਜੋ ਇੱਕ ਰਿਟਰੀਵਲ ਸਿਸਟਮ ਵਿੱਚ ਵਿਕਸਤ ਹੋ ਗਿਆ ਹੈ। ਸਿਰਫ਼ ਪੰਨਿਆਂ ਨੂੰ ਇੰਡੈਕਸ ਕਰਨ ਦੀ ਬਜਾਏ, ਇਹ ਹੁਣ ਸ਼ੁੱਧਤਾ ਅਤੇ ਤਾਜ਼ਗੀ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ (LLMs) ਵਿੱਚ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲਾ ਡੇਟਾ ਫੀਡ ਕਰਦਾ ਹੈ। ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਦਿੱਖ ਅਤੇ ਟ੍ਰੈਫਿਕ ਵਿਚਕਾਰ ਤਣਾਅ ਸਭ ਤੋਂ ਸਪੱਸ਼ਟ ਹੋ ਜਾਂਦਾ ਹੈ। ਇੱਕ ਬ੍ਰਾਂਡ AI ਜਵਾਬ ਵਿੱਚ ਦਿਖਾਈ ਦੇ ਸਕਦਾ ਹੈ, ਪਰ ਉਹ ਦਿੱਖ ਹਮੇਸ਼ਾ ਵਿਜ਼ਿਟ ਵਿੱਚ ਨਹੀਂ ਬਦਲਦੀ। ਤੀਜੀ ਪਰਤ ਵਿੱਚ ਏਜੰਟ ਸ਼ਾਮਲ ਹਨ। ਇਹ ਵਿਸ਼ੇਸ਼ ਪ੍ਰੋਗਰਾਮ ਹਨ ਜੋ ਮਲਟੀ-ਸਟੈਪ ਵਰਕਫਲੋ ਨੂੰ ਚਲਾਉਣ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ ਹਨ। ਇੱਕ ਏਜੰਟ ਸਿਰਫ਼ ਇਹ ਨਹੀਂ ਦੱਸਦਾ ਕਿ ਕਿਹੜੀ ਫਲਾਈਟ ਸਭ ਤੋਂ ਸਸਤੀ ਹੈ। ਇਹ ਸਾਈਟ ਵਿੱਚ ਲੌਗ ਇਨ ਕਰਦਾ ਹੈ ਅਤੇ ਬੁਕਿੰਗ ਤਿਆਰ ਕਰਦਾ ਹੈ। ਅੰਤਿਮ ਪਰਤ ਵਿੱਚ ਵਿਜ਼ਨ ਅਤੇ ਵੌਇਸ ਸ਼ਾਮਲ ਹਨ। ਇਹ ਉਹ ਸੰਵੇਦੀ ਇਨਪੁਟਸ ਹਨ ਜੋ ਸਟੈਕ ਨੂੰ ਭੌਤਿਕ ਸੰਸਾਰ ਨਾਲ ਗੱਲਬਾਤ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਨ। ਤੁਸੀਂ ਇੱਕ ਟੁੱਟੇ ਹੋਏ ਇੰਜਣ ‘ਤੇ ਕੈਮਰਾ ਪੁਆਇੰਟ ਕਰ ਸਕਦੇ ਹੋ ਅਤੇ ਠੀਕ ਕਰਨ ਲਈ ਕਹਿ ਸਕਦੇ ਹੋ, ਜਾਂ ਡਰਾਈਵਿੰਗ ਕਰਦੇ ਸਮੇਂ ਆਪਣੀ ਕਾਰ ਨਾਲ ਗੱਲ ਕਰਕੇ ਇੱਕ ਲੰਮੀ ਰਿਪੋਰਟ ਦਾ ਸਾਰ ਲੈ ਸਕਦੇ ਹੋ। ਇਹ ਏਕੀਕ੍ਰਿਤ ਪਹੁੰਚ ਸਿਲੋਡ ਐਪ ਅਨੁਭਵ ਨੂੰ ਬਦਲ ਰਹੀ ਹੈ। ਉਪਭੋਗਤਾ ਹੁਣ ਇੱਕ ਕੰਮ ਪੂਰਾ ਕਰਨ ਲਈ ਪੰਜ ਵੱਖ-ਵੱਖ ਪਲੇਟਫਾਰਮਾਂ ਵਿਚਕਾਰ ਛਾਲ ਨਹੀਂ ਮਾਰਨਾ ਚਾਹੁੰਦੇ। ਉਹ ਇੱਕ ਸਿੰਗਲ ਐਂਟਰੀ ਪੁਆਇੰਟ ਚਾਹੁੰਦੇ ਹਨ ਜੋ ਬੈਕਗ੍ਰਾਉਂਡ ਵਿੱਚ ਗੁੰਝਲਦਾਰਤਾ ਨੂੰ ਸੰਭਾਲਦਾ ਹੈ। ਇਹ ਤਬਦੀਲੀ ਵੈੱਬ ਨੂੰ ਵਧੇਰੇ ਕਿਰਿਆਸ਼ੀਲ ਅਵਸਥਾ ਵੱਲ ਲਿਜਾ ਰਹੀ ਹੈ। ਜਾਣਕਾਰੀ ਹੁਣ ਉਹ ਚੀਜ਼ ਨਹੀਂ ਹੈ ਜੋ ਤੁਸੀਂ ਬਾਹਰ ਜਾ ਕੇ ਲੱਭਦੇ ਹੋ। ਇਹ ਉਹ ਚੀਜ਼ ਹੈ ਜੋ ਤੁਹਾਨੂੰ ਵਰਤੋਂ ਲਈ ਤਿਆਰ ਫਾਰਮੈਟ ਵਿੱਚ ਪ੍ਰਦਾਨ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਹ ਬਦਲਾਅ ਹਰ ਡਿਜੀਟਲ ਕਾਰੋਬਾਰ ਨੂੰ ਇਹ ਮੁੜ ਵਿਚਾਰ ਕਰਨ ਲਈ ਮਜਬੂਰ ਕਰ ਰਿਹਾ ਹੈ ਕਿ ਉਹ ਇਹਨਾਂ ਪ੍ਰਣਾਲੀਆਂ ਨੂੰ ਆਪਣੀ ਕੀਮਤ ਦਾ ਸੰਕੇਤ ਕਿਵੇਂ ਦਿੰਦੇ ਹਨ।

ਜਾਣਕਾਰੀ ਦੀ ਖੋਜ ਦਾ ਆਰਥਿਕ ਬਦਲਾਅ

ਵਿਸ਼ਵ ਪੱਧਰ ‘ਤੇ, ਇਸ ਨਵੇਂ ਸਟੈਕ ਦਾ ਪ੍ਰਭਾਵ ਸਭ ਤੋਂ ਵੱਧ ਉਹਨਾਂ ਦੁਆਰਾ ਮਹਿਸੂਸ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਜੋ ਜਾਣਕਾਰੀ ਆਰਬਿਟਰੇਜ ‘ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ। ਪ੍ਰਕਾਸ਼ਕ, ਮਾਰਕਿਟ ਅਤੇ ਖੋਜਕਰਤਾ ਇੱਕ ਅਜਿਹੀ ਦੁਨੀਆ ਦਾ ਸਾਹਮਣਾ ਕਰ ਰਹੇ ਹਨ ਜਿੱਥੇ ਵਿਚੋਲੇ ਨੂੰ ਆਟੋਮੇਟ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ। ਪੁਰਾਣੀ ਦੁਨੀਆ ਵਿੱਚ, ਇੱਕ ਉਪਭੋਗਤਾ ਨਵੇਂ ਲੈਪਟਾਪ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਤੁਲਨਾ ਕਰਨ ਲਈ ਤਿੰਨ ਵੱਖ-ਵੱਖ ਬਲੌਗਾਂ ‘ਤੇ ਕਲਿੱਕ ਕਰ ਸਕਦਾ ਸੀ। ਨਵੀਂ ਦੁਨੀਆ ਵਿੱਚ, ਇੱਕ ਸਿੰਗਲ AI ਸੰਖੇਪ ਉਹਨਾਂ ਤਿੰਨਾਂ ਬਲੌਗਾਂ ਤੋਂ ਡੇਟਾ ਖਿੱਚਦਾ ਹੈ ਅਤੇ ਇੱਕ ਤੁਲਨਾ ਸਾਰਣੀ ਪੇਸ਼ ਕਰਦਾ ਹੈ। ਬਲੌਗ ਮੁੱਲ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ, ਪਰ AI ਧਿਆਨ ਖਿੱਚਦਾ ਹੈ। ਇਹ ਸਮੱਗਰੀ ਦੀ ਗੁਣਵੱਤਾ ਦੇ ਸੰਕੇਤਾਂ ਲਈ ਇੱਕ ਸੰਕਟ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਜੇ ਪ੍ਰਕਾਸ਼ਕ ਟ੍ਰੈਫਿਕ ਪ੍ਰਾਪਤ ਨਹੀਂ ਕਰ ਸਕਦੇ, ਤਾਂ ਉਹ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੀ ਰਿਪੋਰਟਿੰਗ ਨੂੰ ਫੰਡ ਨਹੀਂ ਦੇ ਸਕਦੇ। ਜੇ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੀ ਰਿਪੋਰਟਿੰਗ ਗਾਇਬ ਹੋ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਮਾਡਲਾਂ ਕੋਲ ਸੰਖੇਪ ਕਰਨ ਲਈ ਕੁਝ ਵੀ ਠੋਸ ਨਹੀਂ ਹੁੰਦਾ। ਇਹ ਚੱਕਰੀ ਨਿਰਭਰਤਾ 2026 ਵਿੱਚ ਤਕਨੀਕੀ ਉਦਯੋਗ ਲਈ ਸਭ ਤੋਂ ਵੱਡੀਆਂ ਚੁਣੌਤੀਆਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ। ਅਸੀਂ ਜ਼ੀਰੋ-ਕਲਿੱਕ ਹਕੀਕਤ ਵੱਲ ਵਧ ਰਹੇ ਹਾਂ। ਕਾਰੋਬਾਰਾਂ ਲਈ, ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਰਵਾਇਤੀ SEO ਹੁਣ ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ। ਉਹਨਾਂ ਨੂੰ ਉਸ ਨਿਸ਼ਚਿਤ ਸਰੋਤ ਬਣਨ ਲਈ ਅਨੁਕੂਲਿਤ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ ਜਿਸ ‘ਤੇ AI ਭਰੋਸਾ ਕਰਦਾ ਹੈ। ਇਸ ਵਿੱਚ ਸਟ੍ਰਕਚਰਡ ਡੇਟਾ, ਸਪੱਸ਼ਟ ਅਥਾਰਟੀ ਸਿਗਨਲ, ਅਤੇ ਸੱਚਾਈ ਦਾ ਪ੍ਰਾਇਮਰੀ ਸਰੋਤ ਬਣਨ ‘ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ। ਗਲੋਬਲ ਦਰਸ਼ਕ ਇਹ ਵੀ ਦੇਖ ਰਹੇ ਹਨ ਕਿ ਉਹ ਜਾਣਕਾਰੀ ‘ਤੇ ਕਿਵੇਂ ਭਰੋਸਾ ਕਰਦੇ ਹਨ। ਜਦੋਂ ਤੁਹਾਡੇ ਕੰਨ ਵਿੱਚ ਕੋਈ ਆਵਾਜ਼ ਤੁਹਾਨੂੰ ਕੋਈ ਤੱਥ ਦੱਸਦੀ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਸਰੋਤ ਦੀ ਜਾਂਚ ਕਰਨ ਦੀ ਸੰਭਾਵਨਾ ਘੱਟ ਰੱਖਦੇ ਹੋ ਜਦੋਂ ਤੁਸੀਂ ਸਕ੍ਰੀਨ ‘ਤੇ ਕੋਈ ਲਿੰਕ ਦੇਖਦੇ ਹੋ। ਇਹ ਇਹਨਾਂ ਮਾਡਲਾਂ ਨੂੰ ਬਣਾਉਣ ਵਾਲੀਆਂ ਕੰਪਨੀਆਂ ‘ਤੇ ਇੱਕ ਬਹੁਤ ਵੱਡੀ ਜ਼ਿੰਮੇਵਾਰੀ ਪਾਉਂਦਾ ਹੈ। ਉਹ ਹੁਣ ਸਿਰਫ਼ ਇੰਟਰਨੈੱਟ ਲਈ ਨਕਸ਼ਾ ਪ੍ਰਦਾਨ ਨਹੀਂ ਕਰ ਰਹੇ ਹਨ। ਉਹ ਇਸ ਲਈ ਇੱਕ ਓਰੇਕਲ (ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ) ਵਜੋਂ ਕੰਮ ਕਰ ਰਹੇ ਹਨ। ਇਹ ਤਬਦੀਲੀ ਵੱਖ-ਵੱਖ ਖੇਤਰਾਂ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਗਤੀ ਨਾਲ ਹੋ ਰਹੀ ਹੈ, ਪਰ ਦਿਸ਼ਾ ਸਪੱਸ਼ਟ ਹੈ। ਅਤੀਤ ਦੇ ਗੇਟਕੀਪਰਾਂ ਨੂੰ ਭਵਿੱਖ ਦੇ ਸਿੰਥੇਸਾਈਜ਼ਰਾਂ ਦੁਆਰਾ ਬਦਲਿਆ ਜਾ ਰਿਹਾ ਹੈ।

ਏਕੀਕ੍ਰਿਤ ਸਹਾਇਕ ਨਾਲ ਇੱਕ ਦਿਨ

ਸਾਰਾਹ ਨਾਮ ਦੀ ਇੱਕ ਮਾਰਕੀਟਿੰਗ ਮੈਨੇਜਰ ਬਾਰੇ ਸੋਚੋ ਜੋ ਉਤਪਾਦ ਲਾਂਚ ਦੀ ਤਿਆਰੀ ਕਰ ਰਹੀ ਹੈ। ਅਤੀਤ ਵਿੱਚ, ਸਾਰਾਹ ਆਪਣੀ ਸਵੇਰ ਵੀਹ ਟੈਬਾਂ ਖੋਲ੍ਹ ਕੇ ਬਿਤਾਉਂਦੀ ਸੀ। ਉਹ ਪ੍ਰਤੀਯੋਗੀ ਖਬਰਾਂ ਲਈ Google ਦੀ ਜਾਂਚ ਕਰਦੀ, ਸੋਸ਼ਲ ਮੀਡੀਆ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਇੱਕ ਵੱਖਰਾ ਟੂਲ ਵਰਤਦੀ, ਅਤੇ ਈਮੇਲ ਡਰਾਫਟ ਕਰਨ ਲਈ ਇੱਕ ਹੋਰ। ਨਵੇਂ ਮਾਡਲ ਸਟੈਕ ਦੇ ਨਾਲ, ਉਸਦਾ ਵਰਕਫਲੋ ਇਕਸਾਰ ਹੋ ਗਿਆ ਹੈ। ਉਹ ਆਪਣੇ ਵਰਕਸਟੇਸ਼ਨ ਨਾਲ ਗੱਲ ਕਰਕੇ ਆਪਣੇ ਦਿਨ ਦੀ ਸ਼ੁਰੂਆਤ ਕਰਦੀ ਹੈ। ਉਹ ਨਵੀਨਤਮ ਪ੍ਰਤੀਯੋਗੀ ਚਾਲਾਂ ਦਾ ਸਾਰ ਮੰਗਦੀ ਹੈ। ਸਿਸਟਮ ਸਿਰਫ਼ ਉਸਨੂੰ ਲਿੰਕ ਨਹੀਂ ਦਿੰਦਾ। ਇਹ ਖਬਰਾਂ ਲੱਭਣ ਲਈ ਆਪਣੀ ਸਰਚ ਲੇਅਰ, ਪ੍ਰਤੀਯੋਗੀ ਇੰਸਟਾਗ੍ਰਾਮ ਪੋਸਟਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ ਆਪਣੀ ਵਿਜ਼ਨ ਲੇਅਰ, ਅਤੇ ਇੱਕ ਰਿਪੋਰਟ ਤਿਆਰ ਕਰਨ ਲਈ ਆਪਣੀ ਚੈਟ ਲੇਅਰ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਸਾਰਾਹ ਫਿਰ ਏਜੰਟ ਲੇਅਰ ਨੂੰ ਉਸਦੀ ਬ੍ਰਾਂਡ ਵੌਇਸ ਦੇ ਅਧਾਰ ‘ਤੇ ਇੱਕ ਜਵਾਬ ਰਣਨੀਤੀ ਤਿਆਰ ਕਰਨ ਲਈ ਕਹਿੰਦੀ ਹੈ। ਸਿਸਟਮ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਉਸਦੀ ਸਥਾਨਕ ਸਟੋਰੇਜ ਤੋਂ ਖਿੱਚਦਾ ਹੈ ਕਿ ਟੋਨ ਪਿਛਲੀਆਂ ਮੁਹਿੰਮਾਂ ਦੇ ਅਨੁਕੂਲ ਹੈ। ਜਦੋਂ ਉਹ ਮੀਟਿੰਗ ਲਈ ਡਰਾਈਵਿੰਗ ਕਰ ਰਹੀ ਹੁੰਦੀ ਹੈ, ਤਾਂ ਉਹ ਡਰਾਫਟ ਨੂੰ ਟਵੀਕ ਕਰਨ ਲਈ ਵੌਇਸ ਇੰਟਰਫੇਸ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ। ਉਹ ਦਸਤਾਵੇਜ਼ ਵਿੱਚ ਇੱਕ ਟਾਈਪੋ ਦੇਖਦੀ ਹੈ ਪਰ ਇੱਕ ਤੇਜ਼ ਜ਼ੁਬਾਨੀ ਕਮਾਂਡ ਨਾਲ ਇਸਨੂੰ ਠੀਕ ਕਰਦੀ ਹੈ। ਇਹ ਅਸੰਬੰਧਿਤ ਕੰਮਾਂ ਦੀ ਇੱਕ ਲੜੀ ਨਹੀਂ ਹੈ। ਇਹ ਇਰਾਦੇ ਦਾ ਇੱਕ ਸਿੰਗਲ, ਨਿਰੰਤਰ ਪ੍ਰਵਾਹ ਹੈ। ਬਾਅਦ ਵਿੱਚ, ਉਸਨੂੰ ਲਾਂਚ ਈਵੈਂਟ ਲਈ ਇੱਕ ਸਥਾਨ ਲੱਭਣ ਦੀ ਲੋੜ ਹੈ। ਉਹ ਆਪਣੇ ਫ਼ੋਨ ਦਾ ਕੈਮਰਾ ਇੱਕ ਸੰਭਾਵੀ ਜਗ੍ਹਾ ‘ਤੇ ਪੁਆਇੰਟ ਕਰਦੀ ਹੈ। ਵਿਜ਼ਨ ਸਿਸਟਮ ਸਥਾਨ ਦੀ ਪਛਾਣ ਕਰਦਾ ਹੈ, ਫਲੋਰ ਪਲਾਨ ਖਿੱਚਦਾ ਹੈ, ਅਤੇ ਸਮਰੱਥਾ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ। ਉਹ ਏਜੰਟ ਨੂੰ ਉਸਦਾ ਕੈਲੰਡਰ ਚੈੱਕ ਕਰਨ ਅਤੇ ਸਥਾਨ ਮੈਨੇਜਰ ਨੂੰ ਬੁਕਿੰਗ ਪੁੱਛਗਿੱਛ ਭੇਜਣ ਲਈ ਕਹਿੰਦੀ ਹੈ। ਏਜੰਟ ਈਮੇਲ ਨੂੰ ਸੰਭਾਲਦਾ ਹੈ ਅਤੇ ਫਾਲੋ-ਅਪ ਕਰਨ ਲਈ ਇੱਕ ਰੀਮਾਈਂਡਰ ਸੈੱਟ ਕਰਦਾ ਹੈ। ਸਾਰਾਹ ਨੇ ਆਪਣਾ ਦਿਨ ਮੈਨੂਅਲ ਡੇਟਾ ਐਂਟਰੀ ਕਰਨ ਦੀ ਬਜਾਏ ਫੈਸਲੇ ਲੈਣ ਵਿੱਚ ਬਿਤਾਇਆ ਹੈ। ਇਹ ਦ੍ਰਿਸ਼ ਦਿੱਖ ਅਤੇ ਟ੍ਰੈਫਿਕ ਵਿਚਕਾਰ ਅੰਤਰ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਸਥਾਨ ਮੈਨੇਜਰ ਨੂੰ ਇੱਕ ਪੁੱਛਗਿੱਛ ਪ੍ਰਾਪਤ ਹੋਈ ਕਿਉਂਕਿ ਸਾਰਾਹ ਆਪਣੇ AI ਸਟੈਕ ਰਾਹੀਂ ਜਗ੍ਹਾ ਨੂੰ ਲੱਭਣ ਅਤੇ ਤਸਦੀਕ ਕਰਨ ਦੇ ਯੋਗ ਸੀ। ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਸਥਾਨ ਦੀ ਵੈੱਬਸਾਈਟ ਨੂੰ ਸਰਚ ਇੰਜਣ ਤੋਂ ਰਵਾਇਤੀ ਹਿੱਟ ਨਾ ਮਿਲੀ ਹੋਵੇ, ਪਰ ਇਸਨੇ ਇੱਕ ਉੱਚ-ਮੁੱਲ ਵਾਲੀ ਲੀਡ ਪ੍ਰਾਪਤ ਕੀਤੀ। ਇਹ ਨਵਾਂ ਖੋਜ ਪੈਟਰਨ ਹੈ। ਇਹ ਬ੍ਰਾਊਜ਼ਿੰਗ ਬਾਰੇ ਘੱਟ ਅਤੇ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਬਾਰੇ ਜ਼ਿਆਦਾ ਹੈ। ਪੁਰਾਣੇ ਵੈੱਬ ਦੇ ਰਗੜ ਨੂੰ ਬੁੱਧੀਮਾਨ ਆਟੋਮੇਸ਼ਨ ਦੀ ਇੱਕ ਪਰਤ ਦੁਆਰਾ ਸਮਤਲ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ ਜੋ ਸੰਦਰਭ ਨੂੰ ਸਮਝਦੀ ਹੈ। ਇਹ ਪੇਸ਼ੇਵਰਾਂ ਨੂੰ ਰਣਨੀਤੀ ‘ਤੇ ਧਿਆਨ ਦੇਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ ਜਦੋਂ ਕਿ ਸਟੈਕ ਜਾਣਕਾਰੀ ਇਕੱਠੀ ਕਰਨ ਅਤੇ ਸੰਚਾਰ ਦੇ ਲੌਜਿਸਟਿਕਸ ਨੂੰ ਸੰਭਾਲਦਾ ਹੈ।

ਤੁਰੰਤ ਜਵਾਬਾਂ ਦੀ ਨੈਤਿਕ ਕੀਮਤ

ਇਸ ਏਕੀਕ੍ਰਿਤ ਸਟੈਕ ਵੱਲ ਵਧਣਾ ਸਹੂਲਤ ਦੀ ਕੀਮਤ ਬਾਰੇ ਮੁਸ਼ਕਲ ਸਵਾਲ ਖੜ੍ਹੇ ਕਰਦਾ ਹੈ। ਜੇਕਰ ਉਪਭੋਗਤਾ ਕਦੇ ਵੀ ਚੈਟ ਇੰਟਰਫੇਸ ਤੋਂ ਬਾਹਰ ਨਹੀਂ ਨਿਕਲਦੇ, ਤਾਂ ਅਸੀਂ ਓਪਨ ਵੈੱਬ ਦੇ ਬਚਾਅ ਨੂੰ ਕਿਵੇਂ ਯਕੀਨੀ ਬਣਾਈਏ? ਸਾਨੂੰ ਇਹ ਪੁੱਛਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਕੀ ਅਸੀਂ ਪਹੁੰਚ ਦੀ ਗਤੀ ਲਈ ਵਿਚਾਰਾਂ ਦੀ ਵਿਭਿੰਨਤਾ ਦਾ ਵਪਾਰ ਕਰ ਰਹੇ ਹਾਂ। ਜਦੋਂ ਇੱਕ ਸਿੰਗਲ ਮਾਡਲ ਇਹ ਫੈਸਲਾ ਕਰਦਾ ਹੈ ਕਿ ਕਿਹੜੀ ਜਾਣਕਾਰੀ ਸੰਬੰਧਿਤ ਹੈ, ਤਾਂ ਇਹ ਇੱਕ ਵਿਸ਼ਾਲ ਫਿਲਟਰ ਵਜੋਂ ਕੰਮ ਕਰਦਾ ਹੈ। ਇਹ ਫਿਲਟਰ ਪੱਖਪਾਤ ਪੇਸ਼ ਕਰ ਸਕਦਾ ਹੈ ਜਾਂ ਅਸਹਿਮਤ ਰਾਏ ਨੂੰ ਲੁਕਾ ਸਕਦਾ ਹੈ। ਗੋਪਨੀਯਤਾ ਦਾ ਸਵਾਲ ਵੀ ਹੈ। ਇੱਕ ਏਜੰਟ ਲਈ ਫਲਾਈਟ ਬੁੱਕ ਕਰਨ ਜਾਂ ਕੈਲੰਡਰ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨ ਲਈ, ਇਸਨੂੰ ਨਿੱਜੀ ਡੇਟਾ ਤੱਕ ਡੂੰਘੀ ਪਹੁੰਚ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇਹ ਡੇਟਾ ਕਿੱਥੇ ਸਟੋਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਕੌਣ ਇਸਨੂੰ ਦੇਖ ਸਕਦਾ ਹੈ? ਊਰਜਾ ਦੀ ਲਾਗਤ ਇੱਕ ਹੋਰ ਲੁਕਵਾਂ ਕਾਰਕ ਹੈ। ਮਲਟੀ-ਮੋਡਲ ਜਵਾਬ ਪੈਦਾ ਕਰਨ ਲਈ ਰਵਾਇਤੀ ਕੀਵਰਡ ਸਰਚ ਨਾਲੋਂ ਕਾਫ਼ੀ ਜ਼ਿਆਦਾ ਕੰਪਿਊਟ ਪਾਵਰ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਅਸੀਂ ਇਹ ਵੀ ਦੇਖ ਰਹੇ ਹਾਂ ਕਿ ਅਸੀਂ ਮਨੁੱਖੀ ਮੁਹਾਰਤ ਨੂੰ ਕਿਵੇਂ ਮਹੱਤਵ ਦਿੰਦੇ ਹਾਂ। ਜੇਕਰ ਇੱਕ AI ਕਿਸੇ ਕਾਨੂੰਨੀ ਦਸਤਾਵੇਜ਼ ਜਾਂ ਡਾਕਟਰੀ ਅਧਿਐਨ ਦਾ ਸਾਰ ਦੇ ਸਕਦਾ ਹੈ, ਤਾਂ ਉਹਨਾਂ ਪੇਸ਼ੇਵਰਾਂ ਦਾ ਕੀ ਹੁੰਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਨੇ ਉਹ ਹੁਨਰ ਸਿੱਖਣ ਵਿੱਚ ਸਾਲ ਬਿਤਾਏ ਹਨ? ਖਤਰਾ ਇਹ ਹੈ ਕਿ ਅਸੀਂ ਕੁਝ ਵੱਡੇ ਪਲੇਟਫਾਰਮਾਂ ‘ਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਨਿਰਭਰ ਹੋ ਜਾਂਦੇ ਹਾਂ ਜੋ ਸਟੈਕ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਦੇ ਹਨ। ਇਹ ਪਲੇਟਫਾਰਮ ਉਹ ਚਾਬੀਆਂ ਰੱਖਦੇ ਹਨ ਕਿ ਅਸੀਂ ਦੁਨੀਆ ਨੂੰ ਕਿਵੇਂ ਦੇਖਦੇ ਹਾਂ। ਸਾਨੂੰ ਸਾਡੀਆਂ ਬੋਧਾਤਮਕ ਯੋਗਤਾਵਾਂ ‘ਤੇ ਲੰਬੇ ਸਮੇਂ ਦੇ ਪ੍ਰਭਾਵ ‘ਤੇ ਵਿਚਾਰ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ। ਜੇ ਅਸੀਂ ਖੋਜ ਕਰਨਾ ਬੰਦ ਕਰ ਦਿੰਦੇ ਹਾਂ ਅਤੇ ਸਿਰਫ਼ ਪ੍ਰਾਪਤ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰਦੇ ਹਾਂ, ਤਾਂ ਕੀ ਅਸੀਂ ਆਪਣੀ ਜਾਣਕਾਰੀ ਦੇ ਸਰੋਤਾਂ ਬਾਰੇ ਆਲੋਚਨਾਤਮਕ ਤੌਰ ‘ਤੇ ਸੋਚਣ ਦੀ ਯੋਗਤਾ ਗੁਆ ਦਿੰਦੇ ਹਾਂ?

ਇਹ ਸਿਰਫ਼ ਤਕਨੀਕੀ ਸਮੱਸਿਆਵਾਂ ਨਹੀਂ ਹਨ। ਇਹ ਸਮਾਜਿਕ ਹਨ। ਅਸੀਂ ਇੱਕ ਅਜਿਹਾ ਸਿਸਟਮ ਬਣਾ ਰਹੇ ਹਾਂ ਜੋ ਸਭ ਤੋਂ ਵੱਧ ਕੁਸ਼ਲਤਾ ਨੂੰ ਇਨਾਮ ਦਿੰਦਾ ਹੈ। ਸਾਨੂੰ ਇਹ ਫੈਸਲਾ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਕੀ ਇਹ ਇਕਲੌਤਾ ਮਾਪਦੰਡ ਹੈ ਜੋ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ। ਇਸ ਤਬਦੀਲੀ ਦੀਆਂ ਲੁਕੀਆਂ ਹੋਈਆਂ ਲਾਗਤਾਂ ਸਾਲਾਂ ਤੱਕ ਸਪੱਸ਼ਟ ਨਹੀਂ ਹੋ ਸਕਦੀਆਂ, ਪਰ ਫੈਸਲੇ ਅੱਜ ਸਿਲੀਕਾਨ ਵੈਲੀ ਅਤੇ ਇਸ ਤੋਂ ਬਾਹਰ ਦੇ ਕੁਝ ਇੰਜੀਨੀਅਰਾਂ ਅਤੇ ਕਾਰਜਕਾਰੀਆਂ ਦੁਆਰਾ ਲਏ ਜਾ ਰਹੇ ਹਨ।

ਆਧੁਨਿਕ ਇਰਾਦੇ ਦਾ ਤਕਨੀਕੀ ਆਰਕੀਟੈਕਚਰ

ਪਾਵਰ ਯੂਜ਼ਰ ਲਈ, ਨਵਾਂ ਮਾਡਲ ਸਟੈਕ ਇਸਦੀ ਪਲੰਬਿੰਗ ਦੁਆਰਾ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਹੈ। ਸਧਾਰਨ API ਕਾਲਾਂ ਤੋਂ ਗੁੰਝਲਦਾਰ RAG (Retrieval-Augmented Generation) ਵਰਕਫਲੋ ਵਿੱਚ ਤਬਦੀਲੀ ਇਸ ਵਿਕਾਸ ਦਾ ਮੂਲ ਹੈ। ਡਿਵੈਲਪਰ ਹੁਣ ਸਿਰਫ਼ ਇੱਕ GPT ਐਂਡਪੁਆਇੰਟ ਨੂੰ ਨਹੀਂ ਮਾਰ ਰਹੇ ਹਨ। ਉਹ ਵਧੀਆ ਪਾਈਪਲਾਈਨਾਂ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰ ਰਹੇ ਹਨ ਜੋ ਸਥਾਨਕ ਵੈਕਟਰ ਡੇਟਾਬੇਸ ਨੂੰ ਲਾਈਵ ਸਰਚ ਨਤੀਜਿਆਂ ਨਾਲ ਜੋੜਦੇ ਹਨ। ਸਭ ਤੋਂ ਵੱਡੀਆਂ ਰੁਕਾਵਟਾਂ ਵਿੱਚੋਂ ਇੱਕ API ਸੀਮਾ ਹੈ। ਜਿਵੇਂ ਕਿ ਮਾਡਲ ਰੋਜ਼ਾਨਾ ਵਰਕਫਲੋ ਵਿੱਚ ਵਧੇਰੇ ਏਕੀਕ੍ਰਿਤ ਹੁੰਦੇ ਹਨ, ਪ੍ਰੋਸੈਸ ਕੀਤੇ ਜਾ ਰਹੇ ਟੋਕਨਾਂ ਦੀ ਮਾਤਰਾ ਅਸਮਾਨ ਨੂੰ ਛੂਹ ਰਹੀ ਹੈ। ਇਸ ਨੇ ਸਥਾਨਕ ਸਟੋਰੇਜ ਅਤੇ ਐਜ ਕੰਪਿਊਟਿੰਗ ‘ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕੀਤਾ ਹੈ। ਉਪਭੋਗਤਾ ਚਾਹੁੰਦੇ ਹਨ ਕਿ ਉਹਨਾਂ ਦਾ ਡੇਟਾ ਉਹਨਾਂ ਦੇ ਡਿਵਾਈਸਾਂ ‘ਤੇ ਰਹੇ ਜਦੋਂ ਕਿ ਉਹ ਅਜੇ ਵੀ ਵੱਡੇ ਮਾਡਲਾਂ ਦੀ ਸ਼ਕਤੀ ਤੋਂ ਲਾਭ ਉਠਾਉਂਦੇ ਹਨ। ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਛੋਟੇ ਭਾਸ਼ਾ ਮਾਡਲ (SLMs) ਖੇਡ ਵਿੱਚ ਆਉਂਦੇ ਹਨ। ਉਹ ਲੇਟੈਂਸੀ ਅਤੇ ਲਾਗਤ ਨੂੰ ਬਚਾਉਣ ਲਈ ਸਥਾਨਕ ਤੌਰ ‘ਤੇ ਬੁਨਿਆਦੀ ਕੰਮਾਂ ਨੂੰ ਸੰਭਾਲਦੇ ਹਨ, ਸਿਰਫ਼ ਭਾਰੀ ਕੰਮ ਲਈ ਕਲਾਉਡ ਤੱਕ ਪਹੁੰਚਦੇ ਹਨ। ਸੰਦਰਭ ਵਿੰਡੋਜ਼ (Context windows) ਵੀ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਮਾਪਦੰਡ ਹਨ। ਇੱਕ ਵੱਡੀ ਸੰਦਰਭ ਵਿੰਡੋ ਮਾਡਲ ਨੂੰ ਗੱਲਬਾਤ ਜਾਂ ਪ੍ਰੋਜੈਕਟ ਇਤਿਹਾਸ ਦਾ ਵਧੇਰੇ ਯਾਦ ਰੱਖਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੀ ਹੈ। ਹਾਲਾਂਕਿ, ਜਿਵੇਂ-ਜਿਵੇਂ ਵਿੰਡੋ ਵਧਦੀ ਹੈ, ਮਾਡਲ ਦੇ ਫੋਕਸ ਗੁਆਉਣ ਜਾਂ ਭਰਮ ਪੈਦਾ ਕਰਨ ਦੀ ਸੰਭਾਵਨਾ ਵੀ ਵਧਦੀ ਹੈ। ਅਸੀਂ ਵਧੇਰੇ ਸਟ੍ਰਕਚਰਡ ਆਉਟਪੁੱਟ ਵੱਲ ਵਧ ਰਹੇ ਹਾਂ। ਸਿਰਫ਼ ਟੈਕਸਟ ਵਾਪਸ ਕਰਨ ਦੀ ਬਜਾਏ, ਮਾਡਲ ਹੁਣ JSON ਜਾਂ ਹੋਰ ਮਸ਼ੀਨ-ਪੜ੍ਹਨਯੋਗ ਫਾਰਮੈਟ ਵਾਪਸ ਕਰ ਰਹੇ ਹਨ ਜਿਨ੍ਹਾਂ ਦੀ ਵਰਤੋਂ ਏਜੰਟ ਕਾਰਵਾਈਆਂ ਨੂੰ ਸ਼ੁਰੂ ਕਰਨ ਲਈ ਕਰ ਸਕਦੇ ਹਨ। ਇਹ ਗੱਲ ਕਰਨ ਅਤੇ ਕਰਨ ਦੇ ਵਿਚਕਾਰ ਦਾ ਪੁਲ ਹੈ। ਵਿਜ਼ਨ ਅਤੇ ਵੌਇਸ ਦਾ ਏਕੀਕਰਣ ਗੁੰਝਲਦਾਰਤਾ ਦੀ ਇੱਕ ਹੋਰ ਪਰਤ ਜੋੜਦਾ ਹੈ। ਰੀਅਲ ਟਾਈਮ ਵਿੱਚ ਵੀਡੀਓ ਨੂੰ ਪ੍ਰੋਸੈਸ ਕਰਨ ਲਈ ਵਿਸ਼ਾਲ ਬੈਂਡਵਿਡਥ ਅਤੇ ਘੱਟ ਲੇਟੈਂਸੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇਹੀ ਕਾਰਨ ਹੈ ਕਿ ਅਸੀਂ ਵਿਸ਼ੇਸ਼ ਹਾਰਡਵੇਅਰ ਲਈ ਜ਼ੋਰ ਦੇਖਦੇ ਹਾਂ ਜੋ ਇਹਨਾਂ ਖਾਸ ਵਰਕਲੋਡਾਂ ਨੂੰ ਸੰਭਾਲ ਸਕਦਾ ਹੈ। ਟੀਚਾ ਇੱਕ ਸਹਿਜ ਅਨੁਭਵ ਹੈ ਜਿੱਥੇ ਟਾਈਪਿੰਗ, ਬੋਲਣ ਅਤੇ ਦੇਖਣ ਦੇ ਵਿਚਕਾਰ ਤਬਦੀਲੀ ਉਪਭੋਗਤਾ ਲਈ ਅਦਿੱਖ ਹੈ। ਇਸ ਲਈ ਹਾਰਡਵੇਅਰ ਅਤੇ ਸਾਫਟਵੇਅਰ ਵਿਚਕਾਰ ਤਾਲਮੇਲ ਦੇ ਅਜਿਹੇ ਪੱਧਰ ਦੀ ਲੋੜ ਹੈ ਜੋ ਅਸੀਂ ਸਮਾਰਟਫੋਨ ਦੇ ਸ਼ੁਰੂਆਤੀ ਦਿਨਾਂ ਤੋਂ ਨਹੀਂ ਦੇਖਿਆ ਹੈ।

ਕੀ ਤੁਹਾਡੇ ਕੋਲ ਕੋਈ AI ਕਹਾਣੀ, ਟੂਲ, ਰੁਝਾਨ ਜਾਂ ਸਵਾਲ ਹੈ ਜੋ ਤੁਹਾਨੂੰ ਲੱਗਦਾ ਹੈ ਕਿ ਸਾਨੂੰ ਕਵਰ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ? ਸਾਨੂੰ ਆਪਣਾ ਲੇਖ ਦਾ ਵਿਚਾਰ ਭੇਜੋ — ਅਸੀਂ ਇਸਨੂੰ ਸੁਣਨਾ ਪਸੰਦ ਕਰਾਂਗੇ।

ਖੋਜ ਦਾ ਅਣਸੁਲਝਿਆ ਭਵਿੱਖ

ਮਲਟੀ-ਮੋਡਲ ਸਟੈਕ ਵਿੱਚ ਤਬਦੀਲੀ ਇੱਕ ਮੁਕੰਮਲ ਪ੍ਰਕਿਰਿਆ ਨਹੀਂ ਹੈ। ਇਹ ਤੀਬਰ ਪ੍ਰਯੋਗਾਂ ਦਾ ਦੌਰ ਹੈ। ਅਸੀਂ ਵਰਤਮਾਨ ਵਿੱਚ ਉਲਝਣ ਦੀ ਸਥਿਤੀ ਵਿੱਚ ਹਾਂ ਜਿੱਥੇ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਯਕੀਨ ਨਹੀਂ ਹੈ ਕਿ ਸਰਚ ਇੰਜਣ ਦੀ ਵਰਤੋਂ ਕਦੋਂ ਕਰਨੀ ਹੈ ਅਤੇ ਚੈਟ ਇੰਟਰਫੇਸ ਦੀ ਵਰਤੋਂ ਕਦੋਂ ਕਰਨੀ ਹੈ। ਇਹ ਉਲਝਣ ਉਦੋਂ ਤੱਕ ਬਣੀ ਰਹਿਣ ਦੀ ਸੰਭਾਵਨਾ ਹੈ ਜਦੋਂ ਤੱਕ ਦੋਵੇਂ ਅਨੁਭਵ ਪੂਰੀ ਤਰ੍ਹਾਂ ਮਿਲ ਨਹੀਂ ਜਾਂਦੇ। ਵੱਡਾ ਸਵਾਲ ਜੋ ਬਾਕੀ ਹੈ ਉਹ ਇਹ ਹੈ ਕਿ ਜ਼ੀਰੋ-ਕਲਿੱਕ ਖੋਜਾਂ ਦੇ ਯੁੱਗ ਵਿੱਚ ਵੈੱਬ ਨੂੰ ਕਿਵੇਂ ਫੰਡ ਦਿੱਤਾ ਜਾਵੇਗਾ। ਜੇਕਰ ਰਵਾਇਤੀ ਵਿਗਿਆਪਨ ਮਾਡਲ ਟੁੱਟ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇੱਕ ਨਵੇਂ ਨੂੰ ਇਸਦੀ ਜਗ੍ਹਾ ਲੈਣੀ ਚਾਹੀਦੀ ਹੈ। ਇਸ ਵਿੱਚ ਡੇਟਾ ਵਰਤੋਂ ਲਈ ਮਾਈਕ੍ਰੋਪੇਮੈਂਟਸ ਜਾਂ ਗਾਹਕੀ-ਅਧਾਰਿਤ ਸੇਵਾਵਾਂ ਵਿੱਚ ਪੂਰੀ ਤਬਦੀਲੀ ਸ਼ਾਮਲ ਹੋ ਸਕਦੀ ਹੈ। ਸਿਰਫ਼ ਇੱਕ ਨਿਸ਼ਚਿਤਤਾ ਇਹ ਹੈ ਕਿ ਜਾਣਕਾਰੀ ਨਾਲ ਸਾਡਾ ਗੱਲਬਾਤ ਕਰਨ ਦਾ ਤਰੀਕਾ ਹਮੇਸ਼ਾ ਲਈ ਬਦਲ ਗਿਆ ਹੈ। ਅਸੀਂ ਹੁਣ ਲਿੰਕ ਨਹੀਂ ਲੱਭ ਰਹੇ ਹਾਂ। ਅਸੀਂ ਹੱਲ ਲੱਭ ਰਹੇ ਹਾਂ। ਨਵਾਂ ਮਾਡਲ ਸਟੈਕ ਉਹ ਹੱਲ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਪਰ ਇਹ ਅਜਿਹੀ ਕੀਮਤ ‘ਤੇ ਕਰਦਾ ਹੈ ਜਿਸਦੀ ਅਸੀਂ ਹੁਣੇ ਗਣਨਾ ਕਰਨੀ ਸ਼ੁਰੂ ਕੀਤੀ ਹੈ। ਕੀ ਇਹ ਇੱਕ ਵਧੇਰੇ ਸੂਚਿਤ ਸਮਾਜ ਵੱਲ ਲੈ ਜਾਂਦਾ ਹੈ ਜਾਂ ਇੱਕ ਵਧੇਰੇ ਸਿਲੋਡ (ਵੱਖ-ਵੱਖ) ਸਮਾਜ ਵੱਲ, ਇਹ ਇੱਕ ਅਜਿਹਾ ਸਵਾਲ ਹੈ ਜਿਸਦਾ ਜਵਾਬ ਸਿਰਫ਼ ਸਮਾਂ ਹੀ ਦੇਵੇਗਾ।

Editor’s note: We created this site as a multilingual AI news and guides hub for people who are not computer geeks, but still want to understand artificial intelligence, use it with more confidence, and follow the future that is already arriving.

ਕੋਈ ਗਲਤੀ ਮਿਲੀ ਜਾਂ ਕੁਝ ਠੀਕ ਕਰਨ ਦੀ ਲੋੜ ਹੈ? ਸਾਨੂੰ ਦੱਸੋ।