ਅਸਲ ਟੈਸਟਿੰਗ ਤੋਂ ਬਾਅਦ ਕਿਹੜੇ AI ਟੂਲਸ ਅਜੇ ਵੀ ਹਾਈਪ ਲੱਗਦੇ ਹਨ

ਇੱਕ ਵਾਇਰਲ ਟੈਕ ਡੈਮੋ ਅਤੇ ਇੱਕ ਉਪਯੋਗੀ ਦਫਤਰੀ ਟੂਲ ਵਿਚਕਾਰ ਪਾੜਾ ਵਧ ਰਿਹਾ ਹੈ। ਅਸੀਂ ਇਸ ਸਮੇਂ ਇੱਕ ਅਜਿਹੇ ਦੌਰ ਵਿੱਚ ਹਾਂ ਜਿੱਥੇ ਮਾਰਕੀਟਿੰਗ ਵਿਭਾਗ ਜਾਦੂ ਦਾ ਵਾਅਦਾ ਕਰਦੇ ਹਨ, ਜਦੋਂ ਕਿ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਸਿਰਫ਼ ਇੱਕ ਵਧੀਆ ਆਟੋ-ਕੰਪਲੀਟ ਮਿਲਦਾ ਹੈ। ਬਹੁਤ ਸਾਰੇ ਲੋਕ ਉਮੀਦ ਕਰਦੇ ਹਨ ਕਿ ਇਹ ਸਿਸਟਮ ਸੋਚ ਸਕਦੇ ਹਨ, ਪਰ ਇਹ ਸਿਰਫ਼ ਇੱਕ ਲੜੀ ਵਿੱਚ ਅਗਲੇ ਸ਼ਬਦ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦੇ ਹਨ। ਇਹ ਗਲਤਫਹਿਮੀ ਨਿਰਾਸ਼ਾ ਪੈਦਾ ਕਰਦੀ ਹੈ ਜਦੋਂ ਕੋਈ ਟੂਲ ਬੁਨਿਆਦੀ ਤਰਕ ਵਿੱਚ ਅਸਫਲ ਹੋ ਜਾਂਦਾ ਹੈ ਜਾਂ ਤੱਥਾਂ ਨੂੰ ਘੜ ਲੈਂਦਾ ਹੈ। ਜੇਕਰ ਤੁਹਾਨੂੰ ਇੱਕ ਅਜਿਹੇ ਟੂਲ ਦੀ ਲੋੜ ਹੈ ਜੋ ਮਨੁੱਖੀ ਨਿਗਰਾਨੀ ਤੋਂ ਬਿਨਾਂ 100 ਫੀਸਦੀ ਭਰੋਸੇਯੋਗ ਹੋਵੇ, ਤਾਂ ਤੁਹਾਨੂੰ ਮੌਜੂਦਾ ਜਨਰੇਟਿਵ ਅਸਿਸਟੈਂਟਸ ਦੀ ਲਹਿਰ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰ ਦੇਣਾ ਚਾਹੀਦਾ ਹੈ। ਉਹ ਉੱਚ-ਦਾਅ ਵਾਲੇ ਵਾਤਾਵਰਣ ਲਈ ਤਿਆਰ ਨਹੀਂ ਹਨ ਜਿੱਥੇ ਸ਼ੁੱਧਤਾ ਹੀ ਇੱਕੋ ਇੱਕ ਮਾਪਦੰਡ ਹੈ। ਹਾਲਾਂਕਿ, ਜੇਕਰ ਤੁਹਾਡਾ ਕੰਮ ਬ੍ਰੇਨਸਟਾਰਮਿੰਗ ਜਾਂ ਰਫ ਡਰਾਫਟਿੰਗ ਨਾਲ ਸਬੰਧਤ ਹੈ, ਤਾਂ ਰੌਲੇ-ਰੱਪੇ ਦੇ ਹੇਠਾਂ ਉਪਯੋਗਤਾ ਦੱਬੀ ਹੋਈ ਹੈ। ਮੁੱਖ ਗੱਲ ਇਹ ਹੈ ਕਿ ਅਸੀਂ ਇਹਨਾਂ ਟੂਲਾਂ ਦੀ ਬੁੱਧੀ ਨੂੰ ਵਧਾ-ਚੜ੍ਹਾ ਕੇ ਦੇਖ ਰਹੇ ਹਾਂ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਉਪਯੋਗੀ ਬਣਾਉਣ ਲਈ ਲੋੜੀਂਦੇ ਕੰਮ ਨੂੰ ਘੱਟ ਸਮਝ ਰਹੇ ਹਾਂ। ਸੋਸ਼ਲ ਮੀਡੀਆ ‘ਤੇ ਤੁਸੀਂ ਜੋ ਕੁਝ ਵੀ ਦੇਖਦੇ ਹੋ, ਉਹ ਇੱਕ ਸਾਵਧਾਨੀ ਨਾਲ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਪ੍ਰਦਰਸ਼ਨ ਹੈ ਜੋ ਇੱਕ ਆਮ ਚਾਲੀ-ਘੰਟੇ ਦੇ ਕੰਮਕਾਜੀ ਹਫਤੇ ਦੇ ਦਬਾਅ ਹੇਠ ਖਿੱਲਰ ਜਾਂਦਾ ਹੈ।

ਫੈਂਸੀ ਸੂਟ ਵਿੱਚ ਪ੍ਰਡਿਕਸ਼ਨ ਇੰਜਣ

ਇਹ ਸਮਝਣ ਲਈ ਕਿ ਬਹੁਤ ਸਾਰੇ ਟੂਲ ਨਿਰਾਸ਼ ਕਿਉਂ ਕਰਦੇ ਹਨ, ਤੁਹਾਨੂੰ ਇਹ ਸਮਝਣਾ ਹੋਵੇਗਾ ਕਿ ਉਹ ਅਸਲ ਵਿੱਚ ਕੀ ਹਨ। ਇਹ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲ (LLMs) ਹਨ। ਇਹ ਮਨੁੱਖੀ ਟੈਕਸਟ ਦੇ ਵਿਸ਼ਾਲ ਡੇਟਾਸੈਟਾਂ ‘ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਅੰਕੜਾ ਇੰਜਣ ਹਨ। ਉਹਨਾਂ ਕੋਲ ਸੱਚਾਈ, ਨੈਤਿਕਤਾ, ਜਾਂ ਭੌਤਿਕ ਹਕੀਕਤ ਦੀ ਕੋਈ ਧਾਰਨਾ ਨਹੀਂ ਹੈ। ਜਦੋਂ ਤੁਸੀਂ ਕੋਈ ਸਵਾਲ ਪੁੱਛਦੇ ਹੋ, ਤਾਂ ਸਿਸਟਮ ਅਜਿਹਾ ਜਵਾਬ ਤਿਆਰ ਕਰਨ ਲਈ ਆਪਣੇ ਸਿਖਲਾਈ ਡੇਟਾ ਵਿੱਚ ਪੈਟਰਨ ਲੱਭਦਾ ਹੈ ਜੋ ਸਹੀ ਲੱਗੇ। ਇਹੀ ਕਾਰਨ ਹੈ ਕਿ ਉਹ ਕਵਿਤਾ ਵਿੱਚ ਬਹੁਤ ਵਧੀਆ ਹਨ ਪਰ ਗਣਿਤ ਵਿੱਚ ਬਹੁਤ ਮਾੜੇ ਹਨ। ਉਹ ਸਹੀ ਜਵਾਬ ਤੱਕ ਪਹੁੰਚਣ ਲਈ ਲੋੜੀਂਦੇ ਤਰਕ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਬਜਾਏ ਸਹੀ ਜਵਾਬ ਦੀ ਸ਼ੈਲੀ ਦੀ ਨਕਲ ਕਰ ਰਹੇ ਹਨ। ਇਹ ਅੰਤਰ ਇਸ ਆਮ ਗਲਤਫਹਿਮੀ ਦਾ ਸਰੋਤ ਹੈ ਕਿ AI ਇੱਕ ਸਰਚ ਇੰਜਣ ਹੈ। ਇੱਕ ਸਰਚ ਇੰਜਣ ਮੌਜੂਦਾ ਜਾਣਕਾਰੀ ਲੱਭਦਾ ਹੈ। ਇੱਕ LLM ਸੰਭਾਵਨਾ ਦੇ ਆਧਾਰ ‘ਤੇ ਟੈਕਸਟ ਦੀ ਇੱਕ ਨਵੀਂ ਲੜੀ ਬਣਾਉਂਦਾ ਹੈ। ਇਹੀ ਕਾਰਨ ਹੈ ਕਿ “ਹੈਲੂਸੀਨੇਸ਼ਨ” (hallucinations) ਵਾਪਰਦੇ ਹਨ। ਸਿਸਟਮ ਸਿਰਫ਼ ਉਹੀ ਕਰ ਰਿਹਾ ਹੈ ਜੋ ਇਸਨੂੰ ਕਰਨ ਲਈ ਬਣਾਇਆ ਗਿਆ ਸੀ, ਜੋ ਕਿ ਉਦੋਂ ਤੱਕ ਬੋਲਦੇ ਰਹਿਣਾ ਹੈ ਜਦੋਂ ਤੱਕ ਇਹ ਇੱਕ ਸਟਾਪ ਟੋਕਨ ‘ਤੇ ਨਹੀਂ ਪਹੁੰਚ ਜਾਂਦਾ।

ਮੌਜੂਦਾ ਮਾਰਕੀਟ ਰੈਪਰਾਂ (wrappers) ਨਾਲ ਭਰੀ ਹੋਈ ਹੈ। ਇਹ ਸਧਾਰਨ ਐਪਲੀਕੇਸ਼ਨਾਂ ਹਨ ਜੋ OpenAI ਜਾਂ Anthropic ਵਰਗੀ ਕੰਪਨੀ ਤੋਂ API ਦੀ ਵਰਤੋਂ ਕਰਦੀਆਂ ਹਨ ਪਰ ਇੱਕ ਕਸਟਮ ਇੰਟਰਫੇਸ ਜੋੜਦੀਆਂ ਹਨ। ਇਹਨਾਂ ਵਿੱਚੋਂ ਬਹੁਤ ਸਾਰੇ ਸਟਾਰਟਅੱਪ ਵਿਲੱਖਣ ਤਕਨਾਲੋਜੀ ਹੋਣ ਦਾ ਦਾਅਵਾ ਕਰਦੇ ਹਨ, ਪਰ ਉਹ ਅਕਸਰ ਇੱਕ ਵੱਖਰੀ ਦਿੱਖ ਵਾਲਾ ਉਹੀ ਮਾਡਲ ਹੁੰਦੇ ਹਨ। ਤੁਹਾਨੂੰ ਕਿਸੇ ਵੀ ਅਜਿਹੇ ਟੂਲ ਤੋਂ ਸਾਵਧਾਨ ਰਹਿਣਾ ਚਾਹੀਦਾ ਹੈ ਜੋ ਇਸਦੇ ਅੰਤਰੀਵ ਆਰਕੀਟੈਕਚਰ ਦੀ ਵਿਆਖਿਆ ਨਹੀਂ ਕਰਦਾ। ਵਰਤਮਾਨ ਵਿੱਚ ਤਿੰਨ ਮੁੱਖ ਕਿਸਮ ਦੇ ਟੂਲ ਟੈਸਟ ਕੀਤੇ ਜਾ ਰਹੇ ਹਨ:

• ਈਮੇਲਾਂ ਅਤੇ ਰਿਪੋਰਟਾਂ ਲਈ ਟੈਕਸਟ ਜਨਰੇਟਰ ਜੋ ਅਕਸਰ ਰੋਬੋਟਿਕ ਲੱਗਦੇ ਹਨ।
• ਚਿੱਤਰ ਨਿਰਮਾਤਾ ਜੋ ਮਨੁੱਖੀ ਹੱਥਾਂ ਜਾਂ ਟੈਕਸਟ ਵਰਗੇ ਖਾਸ ਵੇਰਵਿਆਂ ਨਾਲ ਸੰਘਰਸ਼ ਕਰਦੇ ਹਨ।
• ਕੋਡਿੰਗ ਅਸਿਸਟੈਂਟ ਜੋ ਬਾਇਲਰਪਲੇਟ ਲਿਖ ਸਕਦੇ ਹਨ ਪਰ ਗੁੰਝਲਦਾਰ ਤਰਕ ਨਾਲ ਸੰਘਰਸ਼ ਕਰਦੇ ਹਨ।

ਹਕੀਕਤ ਇਹ ਹੈ ਕਿ ਇਹਨਾਂ ਟੂਲਾਂ ਨੂੰ ਸਭ ਤੋਂ ਵਧੀਆ ਤਰੀਕੇ ਨਾਲ ਉਹਨਾਂ ਇੰਟਰਨਾਂ ਵਜੋਂ ਦੇਖਿਆ ਜਾਂਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਨੇ ਦੁਨੀਆ ਦੀ ਹਰ ਕਿਤਾਬ ਪੜ੍ਹੀ ਹੈ ਪਰ ਅਸਲ ਵਿੱਚ ਕਦੇ ਇਸ ਵਿੱਚ ਜੀਵਨ ਨਹੀਂ ਬਿਤਾਇਆ। ਉਹਨਾਂ ਨੂੰ ਕੁਝ ਵੀ ਕੀਮਤੀ ਪੈਦਾ ਕਰਨ ਲਈ ਨਿਰੰਤਰ ਜਾਂਚ ਅਤੇ ਖਾਸ ਨਿਰਦੇਸ਼ਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਜੇਕਰ ਤੁਸੀਂ ਉਮੀਦ ਕਰਦੇ ਹੋ ਕਿ ਉਹ ਖੁਦਮੁਖਤਿਆਰੀ ਨਾਲ ਕੰਮ ਕਰਨਗੇ, ਤਾਂ ਤੁਸੀਂ ਹਰ ਵਾਰ ਨਿਰਾਸ਼ ਹੋਵੋਗੇ।

ਗਲੋਬਲ FOMO ਆਰਥਿਕਤਾ

ਇਹਨਾਂ ਟੂਲਾਂ ਨੂੰ ਅਪਣਾਉਣ ਦਾ ਦਬਾਅ ਉਹਨਾਂ ਦੀ ਸਾਬਤ ਹੋਈ ਕੁਸ਼ਲਤਾ ਤੋਂ ਨਹੀਂ ਆ ਰਿਹਾ ਹੈ। ਇਹ ਗੁੰਮ ਹੋ ਜਾਣ ਦੇ ਡਰ (FOMO) ਤੋਂ ਆ ਰਿਹਾ ਹੈ। ਵੱਡੀਆਂ ਕਾਰਪੋਰੇਸ਼ਨਾਂ ਲਾਇਸੈਂਸਾਂ ‘ਤੇ ਅਰਬਾਂ ਡਾਲਰ ਖਰਚ ਕਰ ਰਹੀਆਂ ਹਨ ਕਿਉਂਕਿ ਉਹ ਡਰਦੀਆਂ ਹਨ ਕਿ ਉਹਨਾਂ ਦੇ ਪ੍ਰਤੀਯੋਗੀ ਕੋਈ ਗੁਪਤ ਫਾਇਦਾ ਲੱਭ ਲੈਣਗੇ। ਇਸਨੇ ਇੱਕ ਅਜੀਬ ਆਰਥਿਕ ਪਲ ਪੈਦਾ ਕੀਤਾ ਹੈ ਜਿੱਥੇ AI ਦੀ ਮੰਗ ਜ਼ਿਆਦਾ ਹੈ, ਪਰ ਅਸਲ ਉਤਪਾਦਕਤਾ ਲਾਭਾਂ ਨੂੰ ਮਾਪਣਾ ਮੁਸ਼ਕਲ ਹੈ। Gartner ਗਰੁੱਪ ਵਰਗੀਆਂ ਸੰਸਥਾਵਾਂ ਦੀ ਖੋਜ ਦੇ ਅਨੁਸਾਰ, ਇਹਨਾਂ ਵਿੱਚੋਂ ਬਹੁਤ ਸਾਰੀਆਂ ਤਕਨਾਲੋਜੀਆਂ ਇਸ ਸਮੇਂ ਵਧੀਆਂ ਹੋਈਆਂ ਉਮੀਦਾਂ ਦੇ ਸਿਖਰ ‘ਤੇ ਹਨ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਨਿਰਾਸ਼ਾ ਦਾ ਇੱਕ ਦੌਰ ਲਾਜ਼ਮੀ ਹੈ ਕਿਉਂਕਿ ਕੰਪਨੀਆਂ ਨੂੰ ਅਹਿਸਾਸ ਹੁੰਦਾ ਹੈ ਕਿ ਮਨੁੱਖੀ ਕਰਮਚਾਰੀਆਂ ਨੂੰ ਬਦਲਣਾ ਸੇਲਜ਼ ਪਿੱਚਾਂ ਦੇ ਸੁਝਾਅ ਨਾਲੋਂ ਕਿਤੇ ਜ਼ਿਆਦਾ ਮੁਸ਼ਕਲ ਹੈ। ਇਸਦਾ ਪ੍ਰਭਾਵ ਵਿਕਾਸਸ਼ੀਲ ਅਰਥਚਾਰਿਆਂ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਧ ਮਹਿਸੂਸ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਜਿੱਥੇ ਆਊਟਸੋਰਸਿੰਗ ਕਦੇ ਵਿਕਾਸ ਦਾ ਮੁੱਖ ਚਾਲਕ ਸੀ। ਹੁਣ, ਉਹਨਾਂ ਹੀ ਕੰਮਾਂ ਨੂੰ ਘੱਟ ਕੁਆਲਿਟੀ ਵਾਲੇ AI ਦੁਆਰਾ ਆਟੋਮੇਟ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ, ਜਿਸ ਨਾਲ ਸਮੱਗਰੀ ਦੀ ਗੁਣਵੱਤਾ ਦੇ ਮਾਮਲੇ ਵਿੱਚ ਹੇਠਲੇ ਪੱਧਰ ਦੀ ਦੌੜ ਸ਼ੁਰੂ ਹੋ ਗਈ ਹੈ।

ਅਸੀਂ ਦੇਖ ਰਹੇ ਹਾਂ ਕਿ ਕਿਰਤ ਦੀ ਕਦਰ ਕਿਵੇਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇੱਕ ਬੁਨਿਆਦੀ ਈਮੇਲ ਲਿਖਣ ਦੀ ਯੋਗਤਾ ਹੁਣ ਇੱਕ ਮਾਰਕੀਟਯੋਗ ਹੁਨਰ ਨਹੀਂ ਰਹੀ। ਮੁੱਲ ਹੁਣ ਤਸਦੀਕ ਕਰਨ ਅਤੇ ਸੰਪਾਦਿਤ ਕਰਨ ਦੀ ਯੋਗਤਾ ਵੱਲ ਤਬਦੀਲ ਹੋ ਗਿਆ ਹੈ। ਇਹ ਇੱਕ ਨਵੀਂ ਕਿਸਮ ਦਾ ਡਿਜੀਟਲ ਪਾੜਾ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਜੋ ਲੋਕ ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਮਾਡਲਾਂ ਨੂੰ ਖਰੀਦ ਸਕਦੇ ਹਨ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਪ੍ਰੋਂਪਟ ਕਰਨ ਦੇ ਹੁਨਰ ਰੱਖਦੇ ਹਨ, ਉਹ ਅੱਗੇ ਨਿਕਲ ਜਾਣਗੇ। ਬਾਕੀ ਸਾਰੇ ਮੁਫਤ, ਹੇਠਲੇ ਪੱਧਰ ਦੇ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਫਸੇ ਰਹਿਣਗੇ ਜੋ ਆਮ ਅਤੇ ਅਕਸਰ ਗਲਤ ਆਉਟਪੁੱਟ ਪੈਦਾ ਕਰਦੇ ਹਨ। ਇਹ ਸਿਰਫ਼ ਇੱਕ ਤਕਨੀਕੀ ਸਮੱਸਿਆ ਨਹੀਂ ਹੈ। ਇਹ ਇੱਕ ਆਰਥਿਕ ਤਬਦੀਲੀ ਹੈ ਜੋ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀ ਹੈ ਕਿ ਅਸੀਂ ਕਰਮਚਾਰੀਆਂ ਦੀ ਅਗਲੀ ਪੀੜ੍ਹੀ ਨੂੰ ਕਿਵੇਂ ਸਿਖਲਾਈ ਦਿੰਦੇ ਹਾਂ। ਜੇਕਰ ਅਸੀਂ ਐਂਟਰੀ-ਪੱਧਰ ਦੇ ਕੰਮਾਂ ਲਈ ਇਹਨਾਂ ਪ੍ਰਣਾਲੀਆਂ ‘ਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਨਿਰਭਰ ਕਰਦੇ ਹਾਂ, ਤਾਂ ਅਸੀਂ ਭਵਿੱਖ ਵਿੱਚ ਸਿਸਟਮਾਂ ਦੀ ਨਿਗਰਾਨੀ ਕਰਨ ਲਈ ਲੋੜੀਂਦੀ ਮਨੁੱਖੀ ਮੁਹਾਰਤ ਗੁਆ ਸਕਦੇ ਹਾਂ। [Insert Your AI Magazine Domain Here] ‘ਤੇ ਨਵੀਨਤਮ AI ਪ੍ਰਦਰਸ਼ਨ ਬੈਂਚਮਾਰਕ ਦਿਖਾਉਂਦੇ ਹਨ ਕਿ ਜਦੋਂ ਕਿ ਮਾਡਲ ਵੱਡੇ ਹੋ ਰਹੇ ਹਨ, ਤਰਕ ਵਿੱਚ ਸੁਧਾਰ ਦੀ ਦਰ ਹੌਲੀ ਹੋ ਰਹੀ ਹੈ। ਇਹ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ ਕਿ ਅਸੀਂ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਲਈ ਮੌਜੂਦਾ ਪਹੁੰਚ ਦੇ ਨਾਲ ਇੱਕ ਸੀਮਾ ਤੱਕ ਪਹੁੰਚ ਰਹੇ ਹਾਂ।

ਮਸ਼ੀਨ ਨੂੰ ਠੀਕ ਕਰਨ ਵਿੱਚ ਬਿਤਾਇਆ ਮੰਗਲਵਾਰ

ਸਾਰਾਹ ਦੇ ਤਜ਼ਰਬੇ ‘ਤੇ ਗੌਰ ਕਰੋ, ਜੋ ਇੱਕ ਮੱਧ-ਆਕਾਰ ਦੀ ਫਰਮ ਵਿੱਚ ਪ੍ਰੋਜੈਕਟ ਮੈਨੇਜਰ ਹੈ। ਉਹ ਆਪਣੇ ਦਿਨ ਦੀ ਸ਼ੁਰੂਆਤ ਇੱਕ AI ਅਸਿਸਟੈਂਟ ਨੂੰ ਪਿਛਲੀ ਰਾਤ ਦੀਆਂ ਈਮੇਲਾਂ ਦੀ ਇੱਕ ਲੰਮੀ ਲੜੀ ਦਾ ਸਾਰ ਦੇਣ ਲਈ ਕਹਿ ਕੇ ਕਰਦੀ ਹੈ। ਟੂਲ ਬੁਲੇਟ ਪੁਆਇੰਟਾਂ ਦੀ ਇੱਕ ਸਾਫ ਸੂਚੀ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਇਹ ਸੰਪੂਰਨ ਲੱਗਦਾ ਹੈ ਜਦੋਂ ਤੱਕ ਉਸਨੂੰ ਇਹ ਅਹਿਸਾਸ ਨਹੀਂ ਹੁੰਦਾ ਕਿ ਇਸਨੇ ਤੀਜੀ ਈਮੇਲ ਵਿੱਚ ਦੱਸੀ ਗਈ ਡੈੱਡਲਾਈਨ ਵਿੱਚ ਤਬਦੀਲੀ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਗੁਆ ਦਿੱਤਾ ਹੈ। ਇਹ AI ਦੀ ਲੁਕਵੀਂ ਕੀਮਤ ਹੈ। ਸਾਰਾਹ ਨੇ ਪੜ੍ਹਨ ਵਿੱਚ ਪੰਜ ਮਿੰਟ ਬਚਾਏ ਪਰ ਸਾਰ ਦੀ ਦੋ ਵਾਰ ਜਾਂਚ ਕਰਨ ਵਿੱਚ ਦਸ ਮਿੰਟ ਬਿਤਾਏ ਕਿਉਂਕਿ ਉਹ ਹੁਣ ਟੂਲ ‘ਤੇ ਭਰੋਸਾ ਨਹੀਂ ਕਰਦੀ। ਬਾਅਦ ਵਿੱਚ, ਉਹ ਇੱਕ ਪੇਸ਼ਕਾਰੀ ਲਈ ਇੱਕ ਸਧਾਰਨ ਚਾਰਟ ਬਣਾਉਣ ਲਈ ਇੱਕ AI ਚਿੱਤਰ ਜਨਰੇਟਰ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੀ ਹੈ। ਟੂਲ ਉਸਨੂੰ ਇੱਕ ਸੁੰਦਰ ਗ੍ਰਾਫਿਕ ਦਿੰਦਾ ਹੈ, ਪਰ ਧੁਰਿਆਂ (axes) ‘ਤੇ ਨੰਬਰ ਬੇਤੁਕੇ ਹਨ। ਉਹ ਇੱਕ ਰਵਾਇਤੀ ਡਿਜ਼ਾਈਨ ਪ੍ਰੋਗਰਾਮ ਵਿੱਚ ਇੱਕ ਘੰਟਾ ਬਿਤਾਉਂਦੀ ਹੈ ਤਾਂ ਜੋ ਉਸ ਚੀਜ਼ ਨੂੰ ਠੀਕ ਕੀਤਾ ਜਾ ਸਕੇ ਜੋ ਦਸ ਸਕਿੰਟ ਦਾ ਕੰਮ ਹੋਣਾ ਚਾਹੀਦਾ ਸੀ। ਇਹ ਬਹੁਤ ਸਾਰੇ ਕਰਮਚਾਰੀਆਂ ਲਈ ਰੋਜ਼ਾਨਾ ਦੀ ਹਕੀਕਤ ਹੈ। ਟੂਲ ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਬੜ੍ਹਤ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ ਪਰ ਅਕਸਰ ਤੁਹਾਨੂੰ ਗਲਤ ਦਿਸ਼ਾ ਵਿੱਚ ਲੈ ਜਾਂਦੇ ਹਨ।

ਸਮੱਸਿਆ ਇਹ ਹੈ ਕਿ ਇਹ ਟੂਲ ਆਤਮ-ਵਿਸ਼ਵਾਸੀ ਹੋਣ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ ਹਨ, ਨਾ ਕਿ ਸਹੀ ਹੋਣ ਲਈ। ਉਹ ਤੁਹਾਨੂੰ ਇੱਕ ਗਲਤ ਜਵਾਬ ਉਸੇ ਅਧਿਕਾਰਤ ਲਹਿਜੇ ਨਾਲ ਦੇਣਗੇ ਜਿਵੇਂ ਕਿ ਇੱਕ ਸਹੀ ਜਵਾਬ। ਇਹ ਉਪਭੋਗਤਾ ‘ਤੇ ਇੱਕ ਮਾਨਸਿਕ ਟੈਕਸ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਉਹਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਸਮੇਂ ਤੁਸੀਂ ਕਦੇ ਵੀ ਸੱਚਮੁੱਚ ਆਰਾਮ ਨਹੀਂ ਕਰ ਸਕਦੇ। ਇੱਕ ਲੇਖਕ ਲਈ, ਪਹਿਲਾ ਡਰਾਫਟ ਤਿਆਰ ਕਰਨ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਅਕਸਰ ਕਿਸੇ ਹੋਰ ਦੀ ਗੰਦਗੀ ਨੂੰ ਸਾਫ਼ ਕਰਨ ਵਰਗਾ ਮਹਿਸੂਸ ਹੁੰਦਾ ਹੈ। ਕਲੀਚੇ ਅਤੇ ਦੁਹਰਾਉਣ ਵਾਲੇ ਵਾਕਾਂਸ਼ਾਂ ਨੂੰ ਹਟਾਉਣ ਨਾਲੋਂ ਸਕ੍ਰੈਚ ਤੋਂ ਟੁਕੜਾ ਲਿਖਣਾ ਅਕਸਰ ਤੇਜ਼ ਹੁੰਦਾ ਹੈ।

ਇਹ ਸਮੱਗਰੀ ਸੰਰਚਨਾਤਮਕ ਇਕਸਾਰਤਾ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਇੱਕ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਸਹਾਇਤਾ ਨਾਲ ਤਿਆਰ ਕੀਤੀ ਗਈ ਸੀ। ਇਹ ਇੱਕ ਵਿਰੋਧਾਭਾਸ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਟੂਲਾਂ ਦਾ ਮਤਲਬ ਸਮਾਂ ਬਚਾਉਣਾ ਹੈ, ਪਰ ਉਹ ਅਕਸਰ ਸਿਰਫ਼ ਸਾਡੇ ਦੁਆਰਾ ਕੀਤੇ ਜਾਣ ਵਾਲੇ ਕੰਮ ਦੀ ਕਿਸਮ ਨੂੰ ਬਦਲ ਦਿੰਦੇ ਹਨ। ਅਸੀਂ ਸਿਰਜਣਹਾਰ ਹੋਣ ਤੋਂ ਸਿੰਥੈਟਿਕ ਡੇਟਾ ਦੇ ਸਫਾਈ ਕਰਮਚਾਰੀ ਬਣ ਜਾਂਦੇ ਹਾਂ। ਜੋ ਟੂਲ ਅਸਲ ਵਿੱਚ ਕੰਮ ਕਰਦੇ ਹਨ ਉਹ ਉਹ ਹਨ ਜੋ ਆਪਣੀ ਸੀਮਾ ਵਿੱਚ ਰਹਿੰਦੇ ਹਨ। ਇੱਕ ਵਿਆਕਰਣ ਚੈਕਰ ਜੋ ਟਾਈਪੋ ਨੂੰ ਠੀਕ ਕਰਦਾ ਹੈ, ਉਪਯੋਗੀ ਹੈ। ਇੱਕ ਟੂਲ ਜੋ ਤੁਹਾਡਾ ਪੂਰਾ ਥੀਸਿਸ ਲਿਖਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ, ਇੱਕ ਦੇਣਦਾਰੀ ਹੈ। ਲੋਕ ਇਹਨਾਂ ਪ੍ਰਣਾਲੀਆਂ ਦੀ ਰਚਨਾਤਮਕ ਸੰਭਾਵਨਾ ਨੂੰ ਵਧਾ-ਚੜ੍ਹਾ ਕੇ ਦੇਖਦੇ ਹਨ ਜਦੋਂ ਕਿ ਮਨੁੱਖੀ ਗਿਆਨ ਲਈ ਇੱਕ ਆਧੁਨਿਕ ਫਾਈਲਿੰਗ ਕੈਬਿਨੇਟ ਵਜੋਂ ਕੰਮ ਕਰਨ ਦੀ ਉਹਨਾਂ ਦੀ ਯੋਗਤਾ ਨੂੰ ਘੱਟ ਸਮਝਦੇ ਹਨ।

C-Suite ਲਈ ਮੁਸ਼ਕਲ ਸਵਾਲ

ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਇਹਨਾਂ ਪ੍ਰਣਾਲੀਆਂ ਨੂੰ ਆਪਣੇ ਜੀਵਨ ਵਿੱਚ ਡੂੰਘਾਈ ਨਾਲ ਜੋੜਦੇ ਹਾਂ, ਸਾਨੂੰ ਲੁਕੀਆਂ ਹੋਈਆਂ ਲਾਗਤਾਂ ਬਾਰੇ ਪੁੱਛਣਾ ਪਵੇਗਾ। ਸਾਡੀ ਗੋਪਨੀਯਤਾ ਦਾ ਕੀ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਸਾਡੇ ਦੁਆਰਾ ਟਾਈਪ ਕੀਤਾ ਗਿਆ ਹਰ ਪ੍ਰੋਂਪਟ ਮਾਡਲ ਦੇ ਅਗਲੇ ਸੰਸਕਰਣ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ? ਜ਼ਿਆਦਾਤਰ ਕੰਪਨੀਆਂ ਕੋਲ ਡੇਟਾ ਰਿਟੈਨਸ਼ਨ ‘ਤੇ ਕੋਈ ਸਪੱਸ਼ਟ ਨੀਤੀ ਨਹੀਂ ਹੈ। ਜੇਕਰ ਤੁਸੀਂ ਇੱਕ ਮਲਕੀਅਤ ਰਣਨੀਤੀ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇੱਕ ਜਨਤਕ LLM ਵਿੱਚ ਫੀਡ ਕਰਦੇ ਹੋ, ਤਾਂ ਉਹ ਜਾਣਕਾਰੀ ਸਿਧਾਂਤਕ ਤੌਰ ‘ਤੇ ਕਿਸੇ ਪ੍ਰਤੀਯੋਗੀ ਦੀ ਪੁੱਛਗਿੱਛ ਵਿੱਚ ਦੁਬਾਰਾ ਸਾਹਮਣੇ ਆ ਸਕਦੀ ਹੈ। ਵਾਤਾਵਰਣ ਦੀ ਲਾਗਤ ਵੀ ਹੈ। ਇਹਨਾਂ ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਅਤੇ ਚਲਾਉਣ ਲਈ ਡੇਟਾ ਸੈਂਟਰਾਂ ਨੂੰ ਠੰਡਾ ਕਰਨ ਲਈ ਬਿਜਲੀ ਅਤੇ ਪਾਣੀ ਦੀ ਇੱਕ ਵੱਡੀ ਮਾਤਰਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। Nature ਵਿੱਚ ਇੱਕ ਅਧਿਐਨ ਉਜਾਗਰ ਕਰਦਾ ਹੈ ਕਿ ਇੱਕ ਸਿੰਗਲ ਵੱਡੇ ਮਾਡਲ ਪੁੱਛਗਿੱਛ ਦਾ ਕਾਰਬਨ ਫੁੱਟਪ੍ਰਿੰਟ ਇੱਕ ਮਿਆਰੀ ਸਰਚ ਇੰਜਣ ਪੁੱਛਗਿੱਛ ਨਾਲੋਂ ਕਾਫ਼ੀ ਜ਼ਿਆਦਾ ਹੈ। ਕੀ ਇੱਕ ਜਨਰੇਟਿਡ ਈਮੇਲ ਦੀ ਮਾਮੂਲੀ ਸਹੂਲਤ ਵਾਤਾਵਰਣ ਦੇ ਪ੍ਰਭਾਵ ਦੇ ਯੋਗ ਹੈ? ਸਾਨੂੰ ਕਾਪੀਰਾਈਟ ਪ੍ਰਭਾਵਾਂ ‘ਤੇ ਵੀ ਵਿਚਾਰ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਇਹ ਮਾਡਲ ਲੱਖਾਂ ਕਲਾਕਾਰਾਂ ਅਤੇ ਲੇਖਕਾਂ ਦੇ ਕੰਮ ‘ਤੇ ਉਹਨਾਂ ਦੀ ਸਹਿਮਤੀ ਤੋਂ ਬਿਨਾਂ ਸਿਖਲਾਈ ਦਿੱਤੇ ਗਏ ਸਨ। ਅਸੀਂ ਅਸਲ ਵਿੱਚ ਇੱਕ ਅਜਿਹੀ ਮਸ਼ੀਨ ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹਾਂ ਜੋ ਚੋਰੀ ਕੀਤੀ ਮਿਹਨਤ ‘ਤੇ ਬਣਾਈ ਗਈ ਸੀ।

ਮਨੁੱਖੀ ਅੰਤਰਜਾਮੀ (intuition) ਦਾ ਸਵਾਲ ਵੀ ਹੈ। ਜੇਕਰ ਅਸੀਂ ਆਪਣੀ ਸੋਚ ਨੂੰ ਮਸ਼ੀਨਾਂ ਨੂੰ ਆਊਟਸੋਰਸ ਕਰਦੇ ਹਾਂ, ਤਾਂ ਕੀ ਅਸੀਂ ਗਲਤੀਆਂ ਨੂੰ ਲੱਭਣ ਦੀ ਯੋਗਤਾ ਗੁਆ ਦਿੰਦੇ ਹਾਂ? ਅਸੀਂ ਪਹਿਲਾਂ ਹੀ ਵੈੱਬ ਸਮੱਗਰੀ ਦੀ ਗੁਣਵੱਤਾ ਵਿੱਚ ਗਿਰਾਵਟ ਦੇਖ ਰਹੇ ਹਾਂ ਕਿਉਂਕਿ AI ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ ਲੇਖ ਇੰਟਰਨੈਟ ਨੂੰ ਭਰ ਰਹੇ ਹਨ। ਇਹ ਇੱਕ ਫੀਡਬੈਕ ਲੂਪ ਬਣਾਉਂਦਾ ਹੈ ਜਿੱਥੇ ਮਾਡਲਾਂ ਨੂੰ ਦੂਜੇ ਮਾਡਲਾਂ ਦੇ ਆਉਟਪੁੱਟ ‘ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਜਾਣਕਾਰੀ ਦਾ ਵਿਗਾੜ ਹੁੰਦਾ ਹੈ ਜਿਸਨੂੰ ਮਾਡਲ ਕੋਲੈਪਸ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਜੇਕਰ ਇੰਟਰਨੈਟ ਰੀਸਾਈਕਲ ਕੀਤੇ AI ਟੈਕਸਟ ਦਾ ਸਮੁੰਦਰ ਬਣ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਨਵੇਂ ਵਿਚਾਰ ਕਿੱਥੋਂ ਆਉਣਗੇ? ਇਹ ਸਿਰਫ਼ ਤਕਨੀਕੀ ਰੁਕਾਵਟਾਂ ਨਹੀਂ ਹਨ। ਇਹ ਉਸ ਕਿਸਮ ਦੀ ਦੁਨੀਆ ਬਾਰੇ ਬੁਨਿਆਦੀ ਸਵਾਲ ਹਨ ਜੋ ਅਸੀਂ ਬਣਾਉਣਾ ਚਾਹੁੰਦੇ ਹਾਂ। ਅਸੀਂ ਇਸ ਸਮੇਂ ਸ਼ੁੱਧਤਾ ਅਤੇ ਮੌਲਿਕਤਾ ਨਾਲੋਂ ਗਤੀ ਅਤੇ ਮਾਤਰਾ ਨੂੰ ਤਰਜੀਹ ਦੇ ਰਹੇ ਹਾਂ। ਇਹ ਕੁਝ ਸਾਲਾਂ ਲਈ ਕੰਮ ਕਰ ਸਕਦਾ ਹੈ, ਪਰ ਸਾਡੀ ਸਮੂਹਿਕ ਬੁੱਧੀ ਲਈ ਲੰਬੇ ਸਮੇਂ ਦੀ ਲਾਗਤ ਗੰਭੀਰ ਹੋ ਸਕਦੀ ਹੈ। ਸਾਨੂੰ ਇਹ ਫੈਸਲਾ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਕੀ ਅਸੀਂ ਅਜਿਹੇ ਟੂਲ ਚਾਹੁੰਦੇ ਹਾਂ ਜੋ ਸਾਨੂੰ ਸੋਚਣ ਵਿੱਚ ਮਦਦ ਕਰਨ ਜਾਂ ਅਜਿਹੇ ਟੂਲ ਜੋ ਸਾਡੇ ਲਈ ਸੋਚਣ।

ਪਾਵਰ ਯੂਜ਼ਰ ਲਈ ਤਕਨੀਕੀ ਸੀਮਾਵਾਂ

ਉਹਨਾਂ ਲਈ ਜੋ ਬੁਨਿਆਦੀ ਚੈਟ ਇੰਟਰਫੇਸ ਤੋਂ ਅੱਗੇ ਵਧਣਾ ਚਾਹੁੰਦੇ ਹਨ, ਸੀਮਾਵਾਂ ਹੋਰ ਵੀ ਸਪੱਸ਼ਟ ਹੋ ਜਾਂਦੀਆਂ ਹਨ। ਪਾਵਰ ਯੂਜ਼ਰ ਅਕਸਰ ਕਸਟਮ ਹੱਲ ਬਣਾਉਣ ਲਈ ਵਰਕਫਲੋ ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਅਤੇ API ਐਕਸੈਸ ਵੱਲ ਦੇਖਦੇ ਹਨ। ਹਾਲਾਂਕਿ, ਉਹ ਜਲਦੀ ਹੀ ਕੰਟੈਕਸਟ ਵਿੰਡੋਜ਼ ਅਤੇ ਟੋਕਨ ਸੀਮਾਵਾਂ ਦੀ ਕੰਧ ਨਾਲ ਟਕਰਾ ਜਾਂਦੇ ਹਨ। ਇੱਕ ਕੰਟੈਕਸਟ ਵਿੰਡੋ ਜਾਣਕਾਰੀ ਦੀ ਉਹ ਮਾਤਰਾ ਹੈ ਜੋ ਮਾਡਲ ਇੱਕ ਸਿੰਗਲ ਗੱਲਬਾਤ ਦੌਰਾਨ “ਯਾਦ” ਰੱਖ ਸਕਦਾ ਹੈ। ਹਾਲਾਂਕਿ ਕੁਝ ਮਾਡਲ ਪੂਰੀਆਂ ਕਿਤਾਬਾਂ ਨੂੰ ਸੰਭਾਲਣ ਦਾ ਦਾਅਵਾ ਕਰਦੇ ਹਨ, ਉਹਨਾਂ ਦੀ ਰੀਕਾਲ ਦੀ ਸ਼ੁੱਧਤਾ ਟੈਕਸਟ ਦੇ ਵਿਚਕਾਰ ਕਾਫ਼ੀ ਘੱਟ ਜਾਂਦੀ ਹੈ। ਇਸਨੂੰ “lost in the middle” ਵਰਤਾਰਾ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਜੇਕਰ ਤੁਸੀਂ ਇੱਕ ਆਟੋਮੇਟਿਡ ਸਿਸਟਮ ਬਣਾ ਰਹੇ ਹੋ, ਤਾਂ ਤੁਹਾਨੂੰ ਰੇਟ ਸੀਮਾਵਾਂ ਨਾਲ ਵੀ ਨਜਿੱਠਣਾ ਪਵੇਗਾ। ਜ਼ਿਆਦਾਤਰ ਪ੍ਰਦਾਤਾ ਇਹ ਸੀਮਤ ਕਰਦੇ ਹਨ ਕਿ ਤੁਸੀਂ ਪ੍ਰਤੀ ਮਿੰਟ ਕਿੰਨੀਆਂ ਬੇਨਤੀਆਂ ਕਰ ਸਕਦੇ ਹੋ, ਜਿਸ ਨਾਲ ਮਹੱਤਵਪੂਰਨ ਲਾਗਤਾਂ ਤੋਂ ਬਿਨਾਂ ਵੱਡੇ ਉਪਭੋਗਤਾ ਅਧਾਰ ਲਈ ਇੱਕ ਟੂਲ ਨੂੰ ਸਕੇਲ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੋ ਜਾਂਦਾ ਹੈ। ਕੀਮਤ ਵੀ ਅਸਥਿਰ ਹੈ, ਕਿਉਂਕਿ ਕੰਪਨੀਆਂ ਇਹ ਪਤਾ ਲਗਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੀਆਂ ਹਨ ਕਿ ਇਹਨਾਂ ਮਹਿੰਗੇ ਸਿਸਟਮਾਂ ਨੂੰ ਲਾਭਦਾਇਕ ਕਿਵੇਂ ਬਣਾਇਆ ਜਾਵੇ।

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।

ਸਥਾਨਕ ਸਟੋਰੇਜ ਅਤੇ ਸਥਾਨਕ ਅਨੁਮਾਨ (inference) ਗੋਪਨੀਯਤਾ ਪ੍ਰਤੀ ਸੁਚੇਤ ਗੀਕਸ ਲਈ ਤਰਜੀਹੀ ਮਾਰਗ ਬਣ ਰਹੇ ਹਨ। Ollama ਜਾਂ LM Studio ਵਰਗੇ ਟੂਲ ਤੁਹਾਨੂੰ ਆਪਣੇ ਖੁਦ ਦੇ ਹਾਰਡਵੇਅਰ ‘ਤੇ ਮਾਡਲ ਚਲਾਉਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਨ। ਇਹ ਗੋਪਨੀਯਤਾ ਦੀ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਦਾ ਹੈ ਪਰ ਇੱਕ ਹਾਰਡਵੇਅਰ ਰੁਕਾਵਟ ਪੇਸ਼ ਕਰਦਾ ਹੈ। ਸਥਾਨਕ ਤੌਰ ‘ਤੇ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲਾ ਮਾਡਲ ਚਲਾਉਣ ਲਈ, ਤੁਹਾਨੂੰ ਬਹੁਤ ਸਾਰੀ VRAM ਵਾਲੇ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ GPU ਦੀ ਲੋੜ ਹੈ। ਜ਼ਿਆਦਾਤਰ ਕੰਜ਼ਿਊਮਰ ਲੈਪਟਾਪ 7 ਬਿਲੀਅਨ ਪੈਰਾਮੀਟਰ ਮਾਡਲ ਤੋਂ ਵੱਡੀ ਕਿਸੇ ਵੀ ਚੀਜ਼ ਨੂੰ ਵਰਤੋਂ ਯੋਗ ਗਤੀ ‘ਤੇ ਚਲਾਉਣ ਲਈ ਸੰਘਰਸ਼ ਕਰਨਗੇ। ਸਾਫਟਵੇਅਰ ਚੁਣੌਤੀਆਂ ਵੀ ਹਨ। ਇਹਨਾਂ ਮਾਡਲਾਂ ਨੂੰ ਮੌਜੂਦਾ ਵਰਕਫਲੋ ਵਿੱਚ ਜੋੜਨ ਲਈ ਆਮ ਤੌਰ ‘ਤੇ Python ਜਾਂ ਸਮਾਨ ਭਾਸ਼ਾ ਦੇ ਗਿਆਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਤੁਹਾਨੂੰ ਇਕਸਾਰ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਸਿਸਟਮ ਪ੍ਰੋਂਪਟ, ਤਾਪਮਾਨ ਸੈਟਿੰਗਾਂ, ਅਤੇ ਟੌਪ-ਪੀ ਸੈਂਪਲਿੰਗ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨਾ ਪੈਂਦਾ ਹੈ। ਹੇਠਾਂ ਦਿੱਤੇ ਕਾਰਕ ਕਿਸੇ ਵੀ ਵਿਅਕਤੀ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹਨ ਜੋ ਇੱਕ ਪੇਸ਼ੇਵਰ AI ਵਰਕਫਲੋ ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਿਹਾ ਹੈ:

• VRAM ਸਮਰੱਥਾ ਸਥਾਨਕ ਮਾਡਲਾਂ ਨੂੰ ਚਲਾਉਣ ਲਈ ਮੁੱਖ ਸੀਮਾ ਹੈ।
• ਜਿਵੇਂ-ਜਿਵੇਂ ਮਾਡਲ ਦਾ ਆਕਾਰ ਜਾਂ ਪ੍ਰੋਂਪਟ ਦੀ ਲੰਬਾਈ ਵਧਦੀ ਹੈ, ਲੇਟੈਂਸੀ ਵਧਦੀ ਹੈ।
• ਮਾਡਲ ਨੂੰ ਕੰਮ ਤੋਂ ਭਟਕਣ ਤੋਂ ਰੋਕਣ ਲਈ ਸਿਸਟਮ ਪ੍ਰੋਂਪਟ ਨੂੰ ਸਾਵਧਾਨੀ ਨਾਲ ਇੰਜੀਨੀਅਰ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।

ਸਭ ਤੋਂ ਵਧੀਆ ਹਾਰਡਵੇਅਰ ਦੇ ਨਾਲ ਵੀ, ਤੁਸੀਂ ਅਜੇ ਵੀ ਇੱਕ ਅਜਿਹੇ ਸਿਸਟਮ ਨਾਲ ਨਜਿੱਠ ਰਹੇ ਹੋ ਜੋ ਅੰਦਰੂਨੀ ਤੌਰ ‘ਤੇ ਅਨੁਮਾਨਿਤ ਨਹੀਂ ਹੈ। ਤੁਸੀਂ ਇੱਕੋ ਪ੍ਰੋਂਪਟ ਦੋ ਵਾਰ ਭੇਜ ਸਕਦੇ ਹੋ ਅਤੇ ਦੋ ਵੱਖ-ਵੱਖ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹੋ। ਇਹ ਨਿਰਧਾਰਨ ਦੀ ਘਾਟ ਰਵਾਇਤੀ ਸਾਫਟਵੇਅਰ ਇੰਜੀਨੀਅਰਿੰਗ ਲਈ ਇੱਕ ਸੁਪਨਾ ਹੈ। MIT Technology Review ਦੀ ਇੱਕ ਰਿਪੋਰਟ ਦੇ ਅਨੁਸਾਰ, ਉਦਯੋਗ ਅਜੇ ਵੀ ਮਿਸ਼ਨ-ਨਾਜ਼ੁਕ ਕੰਮਾਂ ਲਈ LLMs ਨੂੰ ਨਿਰੰਤਰ ਭਰੋਸੇਯੋਗ ਬਣਾਉਣ ਦਾ ਤਰੀਕਾ ਲੱਭ ਰਿਹਾ ਹੈ। ਜਦੋਂ ਤੱਕ ਅਜਿਹਾ ਨਹੀਂ ਹੁੰਦਾ, ਉਹ ਇੱਕ ਪ੍ਰਾਇਮਰੀ ਵਰਕਹੋਰਸ ਦੀ ਬਜਾਏ ਇੱਕ ਸ਼ੌਕੀਨ ਟੂਲ ਜਾਂ ਸੈਕੰਡਰੀ ਸਹਾਇਕ ਬਣੇ ਰਹਿਣਗੇ।

ਰੌਲੇ ‘ਤੇ ਅੰਤਿਮ ਫੈਸਲਾ

AI ਦੀ ਮੌਜੂਦਾ ਸਥਿਤੀ ਅਸਲ ਸੰਭਾਵਨਾ ਅਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਅਤਿਕਥਨੀ ਦਾ ਮਿਸ਼ਰਣ ਹੈ। ਸਾਡੇ ਕੋਲ ਅਜਿਹੇ ਟੂਲ ਹਨ ਜੋ ਟੈਕਸਟ ਦਾ ਸਾਰ ਦੇਣ, ਭਾਸ਼ਾਵਾਂ ਦਾ ਅਨੁਵਾਦ ਕਰਨ ਅਤੇ ਬੁਨਿਆਦੀ ਕੋਡ ਲਿਖਣ ਵਿੱਚ ਬਹੁਤ ਵਧੀਆ ਹਨ। ਸਾਡੇ ਕੋਲ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹਾਈਪ ਵੀ ਹੈ ਜੋ ਸੁਝਾਅ ਦਿੰਦੀ ਹੈ ਕਿ ਇਹ ਟੂਲ ਸੰਵੇਦਨਸ਼ੀਲ ਬਣਨ ਜਾਂ ਸਾਰੀ ਮਨੁੱਖੀ ਕਿਰਤ ਨੂੰ ਬਦਲਣ ਦੇ ਕੰਢੇ ਹਨ। ਸੱਚਾਈ ਵਿਚਕਾਰ ਕਿਤੇ ਹੈ। ਜੇਕਰ ਤੁਸੀਂ ਇਹਨਾਂ ਟੂਲਾਂ ਨੂੰ ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਬਿੰਦੂ ਵਜੋਂ ਵਰਤਦੇ ਹੋ, ਤਾਂ ਉਹ ਮਦਦਗਾਰ ਹੋ ਸਕਦੇ ਹਨ। ਜੇਕਰ ਤੁਸੀਂ ਉਹਨਾਂ ਨੂੰ ਅੰਤਿਮ ਉਤਪਾਦ ਵਜੋਂ ਵਰਤਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਮੁਸੀਬਤ ਨੂੰ ਸੱਦਾ ਦੇ ਰਹੇ ਹੋ। ਜਿਉਂਦਾ ਸਵਾਲ ਜੋ ਬਾਕੀ ਹੈ ਉਹ ਇਹ ਹੈ ਕਿ ਕੀ ਅਸੀਂ ਕਦੇ ਹੈਲੂਸੀਨੇਸ਼ਨ ਦੀ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਾਂਗੇ। ਕੁਝ ਮਾਹਰ ਮੰਨਦੇ ਹਨ ਕਿ ਇਹ ਇਸ ਗੱਲ ਦਾ ਅੰਦਰੂਨੀ ਹਿੱਸਾ ਹੈ ਕਿ ਇਹ ਮਾਡਲ ਕਿਵੇਂ ਕੰਮ ਕਰਦੇ ਹਨ, ਜਦੋਂ ਕਿ ਦੂਸਰੇ ਸੋਚਦੇ ਹਨ ਕਿ ਵਧੇਰੇ ਡੇਟਾ ਅਤੇ ਬਿਹਤਰ ਸਿਖਲਾਈ ਇਸਨੂੰ ਠੀਕ ਕਰ ਦੇਵੇਗੀ। ਜਦੋਂ ਤੱਕ ਇਹ ਹੱਲ ਨਹੀਂ ਹੋ ਜਾਂਦਾ, ਸਭ ਤੋਂ ਵਧੀਆ ਪਹੁੰਚ ਸਾਵਧਾਨੀਪੂਰਵਕ ਸੰਦੇਹਵਾਦ ਹੈ। ਉਹਨਾਂ ਟੂਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ ਜੋ ਅੱਜ ਤੁਹਾਡੇ ਲਈ ਇੱਕ ਖਾਸ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਦੇ ਹਨ, ਅਤੇ ਕੱਲ੍ਹ ਉਹ ਕੀ ਕਰ ਸਕਦੇ ਹਨ ਦੇ ਵਾਅਦਿਆਂ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰੋ। ਤੁਹਾਡੇ ਵਰਕਫਲੋ ਵਿੱਚ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਟੂਲ ਅਜੇ ਵੀ ਤੁਹਾਡਾ ਆਪਣਾ ਨਿਰਣਾ ਹੈ।

編集者注： 当サイトは、コンピューターオタクではないものの、人工知能を理解し、より自信を持って使いこなし、すでに到来している未来を追いかけたいと願う人々のための、多言語対応のAIニュースおよびガイドハブとして作成されました。

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