ਸ਼ੋਰ-ਸ਼ਰਾਬੇ ਵਾਲੇ AI ਯੁੱਗ ਵਿੱਚ ਪਰਫਾਰਮੈਂਸ ਨੂੰ ਕਿਵੇਂ ਸਮਝੀਏ

ਸਧਾਰਨ ਚੈਟ ਜਵਾਬਾਂ ਤੋਂ ਪ੍ਰਭਾਵਿਤ ਹੋਣ ਦਾ ਦੌਰ ਖਤਮ ਹੋ ਗਿਆ ਹੈ। ਅਸੀਂ ਹੁਣ ਇੱਕ ਅਜਿਹੇ ਸਮੇਂ ਵਿੱਚ ਹਾਂ ਜਿੱਥੇ ਕਾਰੋਬਾਰ ਅਤੇ ਨਿੱਜੀ ਉਤਪਾਦਕਤਾ ਲਈ ਸਿਰਫ ਉਪਯੋਗਤਾ ਹੀ ਅਸਲ ਮਾਪਦੰਡ ਹੈ। ਪਿਛਲੇ ਦੋ ਸਾਲਾਂ ਤੋਂ, ਚਰਚਾ ਇਸ ਗੱਲ ‘ਤੇ ਕੇਂਦਰਿਤ ਸੀ ਕਿ ਇਹ ਸਿਸਟਮ ਸਿਧਾਂਤਕ ਤੌਰ ‘ਤੇ ਕੀ ਕਰ ਸਕਦੇ ਹਨ। ਅੱਜ, ਧਿਆਨ ਇਸ ਗੱਲ ‘ਤੇ ਹੈ ਕਿ ਉਹ ਦਬਾਅ ਹੇਠ ਕਿੰਨੀ ਭਰੋਸੇਯੋਗਤਾ ਨਾਲ ਕੰਮ ਕਰਦੇ ਹਨ। ਇਹ ਤਬਦੀਲੀ ਫਲੈਸ਼ੀ ਡੈਮੋ ਤੋਂ ਦੂਰ ਹੋ ਕੇ ਸਖ਼ਤ ਮੁਲਾਂਕਣ ਵੱਲ ਵਧਣ ਦੀ ਮੰਗ ਕਰਦੀ ਹੈ। ਪਰਫਾਰਮੈਂਸ ਨੂੰ ਮਾਪਣਾ ਹੁਣ ਇਹ ਜਾਂਚਣਾ ਨਹੀਂ ਹੈ ਕਿ ਕੀ ਕੋਈ ਮਾਡਲ ਕਵਿਤਾ ਲਿਖ ਸਕਦਾ ਹੈ। ਇਹ ਇਸ ਬਾਰੇ ਹੈ ਕਿ ਕੀ ਉਹ ਮਾਡਲ ਬਿਨਾਂ ਕਿਸੇ ਵੇਰਵੇ ਨੂੰ ਗੁਆਏ ਹਜ਼ਾਰਾਂ ਕਾਨੂੰਨੀ ਦਸਤਾਵੇਜ਼ਾਂ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਪ੍ਰੋਸੈਸ ਕਰ ਸਕਦਾ ਹੈ। ਇਹ ਬਦਲਾਅ ਇਸ ਲਈ ਆਇਆ ਕਿਉਂਕਿ ਨਵੀਨਤਾ ਦਾ ਪ੍ਰਭਾਵ ਘੱਟ ਗਿਆ ਹੈ। ਉਪਭੋਗਤਾ ਹੁਣ ਉਮੀਦ ਕਰਦੇ ਹਨ ਕਿ ਇਹ ਟੂਲ ਡੇਟਾਬੇਸ ਜਾਂ ਕੈਲਕੁਲੇਟਰ ਵਾਂਗ ਹੀ ਭਰੋਸੇਯੋਗਤਾ ਨਾਲ ਕੰਮ ਕਰਨ। ਜਦੋਂ ਉਹ ਅਸਫਲ ਹੁੰਦੇ ਹਨ, ਤਾਂ ਨੁਕਸਾਨ ਅਸਲ ਹੁੰਦਾ ਹੈ। ਕੰਪਨੀਆਂ ਦੇਖ ਰਹੀਆਂ ਹਨ ਕਿ ਇੱਕ ਮਾਡਲ ਜੋ 90 ਪ੍ਰਤੀਸ਼ਤ ਸਮਾਂ ਸਹੀ ਹੁੰਦਾ ਹੈ, ਉਹ 50 ਪ੍ਰਤੀਸ਼ਤ ਵਾਲੇ ਮਾਡਲ ਨਾਲੋਂ ਵਧੇਰੇ ਖਤਰਨਾਕ ਹੋ ਸਕਦਾ ਹੈ। 90 ਪ੍ਰਤੀਸ਼ਤ ਵਾਲਾ ਮਾਡਲ ਸੁਰੱਖਿਆ ਦਾ ਇੱਕ ਝੂਠਾ ਅਹਿਸਾਸ ਪੈਦਾ ਕਰਦਾ ਹੈ ਜੋ ਮਹਿੰਗੀਆਂ ਗਲਤੀਆਂ ਵੱਲ ਲੈ ਜਾਂਦਾ ਹੈ।

ਪਾਠਕਾਂ ਵਿੱਚ ਇਸ ਵਿਸ਼ੇ ਨੂੰ ਲੈ ਕੇ ਉਲਝਣ ਅਕਸਰ ਇਸ ਗੱਲ ਤੋਂ ਪੈਦਾ ਹੁੰਦੀ ਹੈ ਕਿ ਉਹ ਪਰਫਾਰਮੈਂਸ ਦਾ ਅਸਲ ਮਤਲਬ ਨਹੀਂ ਸਮਝਦੇ। ਰਵਾਇਤੀ ਸਾਫਟਵੇਅਰ ਵਿੱਚ, ਪਰਫਾਰਮੈਂਸ ਦਾ ਮਤਲਬ ਸਪੀਡ ਅਤੇ ਅਪਟਾਈਮ ਹੁੰਦਾ ਹੈ। ਮੌਜੂਦਾ ਯੁੱਗ ਵਿੱਚ, ਪਰਫਾਰਮੈਂਸ ਤਰਕ, ਸ਼ੁੱਧਤਾ ਅਤੇ ਲਾਗਤ ਦਾ ਮਿਸ਼ਰਣ ਹੈ। ਇੱਕ ਸਿਸਟਮ ਬਹੁਤ ਤੇਜ਼ ਹੋ ਸਕਦਾ ਹੈ ਪਰ ਅਜਿਹੇ ਜਵਾਬ ਦੇ ਸਕਦਾ ਹੈ ਜੋ ਸੂਖਮ ਤੌਰ ‘ਤੇ ਗਲਤ ਹੋਣ। ਇੱਥੇ ਹੀ ਸ਼ੋਰ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ। ਅਸੀਂ ਅਜਿਹੇ ਬੈਂਚਮਾਰਕਾਂ ਨਾਲ ਭਰੇ ਪਏ ਹਾਂ ਜੋ ਦਾਅਵਾ ਕਰਦੇ ਹਨ ਕਿ ਇੱਕ ਮਾਡਲ ਦੂਜੇ ਨਾਲੋਂ ਬਿਹਤਰ ਹੈ। ਇਹ ਟੈਸਟ ਅਕਸਰ ਇਹ ਦਰਸਾਉਣ ਵਿੱਚ ਅਸਫਲ ਰਹਿੰਦੇ ਹਨ ਕਿ ਇੱਕ ਵਿਅਕਤੀ ਅਸਲ ਵਿੱਚ ਟੂਲ ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰਦਾ ਹੈ। ਹਾਲ ਹੀ ਵਿੱਚ ਜੋ ਬਦਲਿਆ ਹੈ ਉਹ ਇਹ ਅਹਿਸਾਸ ਹੈ ਕਿ ਬੈਂਚਮਾਰਕਾਂ ਨਾਲ ਛੇੜਛਾੜ ਕੀਤੀ ਜਾ ਰਹੀ ਹੈ। ਡਿਵੈਲਪਰ ਖਾਸ ਤੌਰ ‘ਤੇ ਇਨ੍ਹਾਂ ਟੈਸਟਾਂ ਨੂੰ ਪਾਸ ਕਰਨ ਲਈ ਮਾਡਲਾਂ ਨੂੰ ਟ੍ਰੇਨ ਕਰ ਰਹੇ ਹਨ, ਜਿਸ ਨਾਲ ਨਤੀਜੇ ਔਸਤ ਉਪਭੋਗਤਾ ਲਈ ਘੱਟ ਅਰਥਪੂਰਨ ਹੋ ਜਾਂਦੇ ਹਨ। ਸ਼ੋਰ ਨੂੰ ਪਾਰ ਕਰਨ ਲਈ, ਤੁਹਾਨੂੰ ਇਹ ਦੇਖਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਇੱਕ ਸਿਸਟਮ ਤੁਹਾਡੇ ਖਾਸ ਡੇਟਾ ਅਤੇ ਵਰਕਫਲੋ ਨੂੰ ਕਿਵੇਂ ਸੰਭਾਲਦਾ ਹੈ। ਇਹ ਕੋਈ ਸਥਿਰ ਖੇਤਰ ਨਹੀਂ ਹੈ। ਅਸੀਂ ਇਨ੍ਹਾਂ ਟੂਲਾਂ ਨੂੰ ਮਾਪਣ ਦਾ ਤਰੀਕਾ ਬਦਲ ਰਹੇ ਹਾਂ ਕਿਉਂਕਿ ਅਸੀਂ ਉਨ੍ਹਾਂ ਦੀਆਂ ਅਸਫਲਤਾਵਾਂ ਦੇ ਨਵੇਂ ਤਰੀਕੇ ਲੱਭ ਰਹੇ ਹਾਂ। ਤੁਸੀਂ ਸਿਰਫ ਇੱਕ ਸਕੋਰ ‘ਤੇ ਭਰੋਸਾ ਨਹੀਂ ਕਰ ਸਕਦੇ ਕਿ ਕੋਈ ਟੂਲ ਤੁਹਾਡੇ ਸਮੇਂ ਜਾਂ ਪੈਸੇ ਦੇ ਯੋਗ ਹੈ ਜਾਂ ਨਹੀਂ।

ਸਪੀਡ ਤੋਂ ਕੁਆਲਿਟੀ ਵੱਲ ਤਬਦੀਲੀ

ਟੈਕਨਾਲੋਜੀ ਦੀ ਮੌਜੂਦਾ ਸਥਿਤੀ ਨੂੰ ਸਮਝਣ ਲਈ, ਤੁਹਾਨੂੰ ਕੱਚੀ ਤਾਕਤ ਨੂੰ ਵਿਹਾਰਕ ਉਪਯੋਗ ਤੋਂ ਵੱਖ ਕਰਨਾ ਹੋਵੇਗਾ। ਕੱਚੀ ਤਾਕਤ ਅਰਬਾਂ ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਪ੍ਰੋਸੈਸ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਹੈ। ਵਿਹਾਰਕ ਉਪਯੋਗ ਮੀਟਿੰਗ ਨੂੰ ਸੰਖੇਪ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਹੈ ਬਿਨਾਂ ਕਿਸੇ ਮਹੱਤਵਪੂਰਨ ਨੁਕਤੇ ਨੂੰ ਗੁਆਏ। ਜ਼ਿਆਦਾਤਰ ਲੋਕ ਗਲਤ ਨੰਬਰ ਦੇਖਦੇ ਹਨ। ਉਹ ਦੇਖਦੇ ਹਨ ਕਿ ਇੱਕ ਮਾਡਲ ਪ੍ਰਤੀ ਸਕਿੰਟ ਕਿੰਨੇ ਟੋਕਨ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ। ਹਾਲਾਂਕਿ ਸਪੀਡ ਇੱਕ ਨਿਰਵਿਘਨ ਉਪਭੋਗਤਾ ਅਨੁਭਵ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ, ਇਹ ਇੱਕ ਸੈਕੰਡਰੀ ਮੈਟ੍ਰਿਕ ਹੈ। ਪ੍ਰਾਇਮਰੀ ਮੈਟ੍ਰਿਕ ਟੀਚੇ ਦੇ ਮੁਕਾਬਲੇ ਆਉਟਪੁੱਟ ਦੀ ਕੁਆਲਿਟੀ ਹੈ। ਇਸ ਨੂੰ ਮਾਪਣਾ ਔਖਾ ਹੈ ਕਿਉਂਕਿ ਕੁਆਲਿਟੀ ਵਿਅਕਤੀਗਤ ਹੁੰਦੀ ਹੈ। ਹਾਲਾਂਕਿ, ਅਸੀਂ ਆਟੋਮੇਟਿਡ ਮੁਲਾਂਕਣ ਪ੍ਰਣਾਲੀਆਂ ਦਾ ਉਭਾਰ ਦੇਖ ਰਹੇ ਹਾਂ ਜੋ ਇੱਕ ਮਾਡਲ ਨੂੰ ਦੂਜੇ ਨੂੰ ਗ੍ਰੇਡ ਦੇਣ ਲਈ ਵਰਤਦੇ ਹਨ। ਇਹ ਇੱਕ ਫੀਡਬੈਕ ਲੂਪ ਬਣਾਉਂਦਾ ਹੈ ਜੋ ਮਦਦਗਾਰ ਅਤੇ ਗੁੰਮਰਾਹਕੁੰਨ ਦੋਵੇਂ ਹੋ ਸਕਦਾ ਹੈ। ਜੇਕਰ ਗ੍ਰੇਡਰ ਵਿੱਚ ਖਾਮੀ ਹੈ, ਤਾਂ ਪੂਰੀ ਮਾਪ ਪ੍ਰਣਾਲੀ ਢਹਿ ਜਾਂਦੀ ਹੈ। ਇਹੀ ਕਾਰਨ ਹੈ ਕਿ ਉੱਚ-ਦਾਅ ਵਾਲੇ ਕੰਮਾਂ ਲਈ ਮਨੁੱਖੀ ਸਮੀਖਿਆ ਗੋਲਡ ਸਟੈਂਡਰਡ ਬਣੀ ਹੋਈ ਹੈ। ਤੁਸੀਂ ਤਿੰਨ ਵੱਖ-ਵੱਖ ਟੂਲਾਂ ਨੂੰ ਇੱਕੋ ਪ੍ਰੋਂਪਟ ਦੇ ਕੇ ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਜਵਾਬਾਂ ਦੀ ਬਾਰੀਕੀ ਦੀ ਤੁਲਨਾ ਕਰਕੇ ਇਸਨੂੰ ਖੁਦ ਅਜ਼ਮਾ ਸਕਦੇ ਹੋ। ਤੁਸੀਂ ਜਲਦੀ ਦੇਖੋਗੇ ਕਿ ਸਭ ਤੋਂ ਵੱਧ ਇਸ਼ਤਿਹਾਰ ਦਿੱਤੇ ਸਕੋਰ ਵਾਲਾ ਟੂਲ ਹਮੇਸ਼ਾ ਸਭ ਤੋਂ ਉਪਯੋਗੀ ਜਵਾਬ ਨਹੀਂ ਦਿੰਦਾ।

ਇਸ ਮਾਪ ਸੰਕਟ ਦਾ ਵਿਸ਼ਵਵਿਆਪੀ ਪ੍ਰਭਾਵ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਸਰਕਾਰਾਂ ਅਤੇ ਵੱਡੀਆਂ ਕਾਰਪੋਰੇਸ਼ਨਾਂ ਇਨ੍ਹਾਂ ਮੈਟ੍ਰਿਕਸ ਦੇ ਆਧਾਰ ‘ਤੇ ਅਰਬਾਂ ਡਾਲਰ ਦੇ ਫੈਸਲੇ ਲੈ ਰਹੀਆਂ ਹਨ। ਸੰਯੁਕਤ ਰਾਜ ਵਿੱਚ, ਨੈਸ਼ਨਲ ਇੰਸਟੀਚਿਊਟ ਆਫ ਸਟੈਂਡਰਡਜ਼ ਐਂਡ ਟੈਕਨਾਲੋਜੀ AI ਜੋਖਮ ਪ੍ਰਬੰਧਨ ਲਈ ਬਿਹਤਰ ਫਰੇਮਵਰਕ ਬਣਾਉਣ ਲਈ ਕੰਮ ਕਰ ਰਿਹਾ ਹੈ। ਤੁਸੀਂ ਉਨ੍ਹਾਂ ਦਾ ਕੰਮ ਅਧਿਕਾਰਤ NIST ਵੈੱਬਸਾਈਟ ‘ਤੇ ਦੇਖ ਸਕਦੇ ਹੋ। ਜੇਕਰ ਅਸੀਂ ਪਰਫਾਰਮੈਂਸ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਨਹੀਂ ਮਾਪ ਸਕਦੇ, ਤਾਂ ਅਸੀਂ ਇਸਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਨਿਯੰਤ੍ਰਿਤ ਨਹੀਂ ਕਰ ਸਕਦੇ। ਇਹ ਇੱਕ ਅਜਿਹੀ ਸਥਿਤੀ ਵੱਲ ਲੈ ਜਾਂਦਾ ਹੈ ਜਿੱਥੇ ਕੰਪਨੀਆਂ ਅਜਿਹੇ ਸਿਸਟਮ ਤੈਨਾਤ ਕਰ ਸਕਦੀਆਂ ਹਨ ਜੋ ਪੱਖਪਾਤੀ ਜਾਂ ਅਵਿਸ਼ਵਾਸ਼ਯੋਗ ਹਨ ਕਿਉਂਕਿ ਉਹ ਇੱਕ ਖਰਾਬ ਟੈਸਟ ਪਾਸ ਕਰ ਗਏ ਹਨ। ਯੂਰਪ ਵਿੱਚ, ਧਿਆਨ ਪਾਰਦਰਸ਼ਤਾ ‘ਤੇ ਹੈ ਅਤੇ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ‘ਤੇ ਹੈ ਕਿ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਪਤਾ ਹੋਵੇ ਕਿ ਉਹ ਕਦੋਂ ਇੱਕ ਆਟੋਮੇਟਿਡ ਸਿਸਟਮ ਨਾਲ ਗੱਲਬਾਤ ਕਰ ਰਹੇ ਹਨ। ਦਾਅ ਉੱਚੇ ਹਨ ਕਿਉਂਕਿ ਇਹ ਟੂਲ ਪਾਵਰ ਗਰਿੱਡ ਅਤੇ ਹੈਲਥਕੇਅਰ ਪ੍ਰਣਾਲੀਆਂ ਵਰਗੇ ਨਾਜ਼ੁਕ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਵਿੱਚ ਜੋੜੇ ਜਾ ਰਹੇ ਹਨ। ਇਹਨਾਂ ਖੇਤਰਾਂ ਵਿੱਚ ਅਸਫਲਤਾ ਸਿਰਫ ਇੱਕ ਮਾਮੂਲੀ ਅਸੁਵਿਧਾ ਨਹੀਂ ਹੈ। ਇਹ ਜਨਤਕ ਸੁਰੱਖਿਆ ਦਾ ਮਾਮਲਾ ਹੈ। ਵਿਸ਼ਵ ਭਾਈਚਾਰਾ ਪਰਫਾਰਮੈਂਸ ਲਈ ਇੱਕ ਵਿਸ਼ਵਵਿਆਪੀ ਭਾਸ਼ਾ ਲੱਭਣ ਲਈ ਦੌੜ ਰਿਹਾ ਹੈ, ਪਰ ਅਸੀਂ ਅਜੇ ਉੱਥੇ ਨਹੀਂ ਪਹੁੰਚੇ ਹਾਂ। ਹਰ ਖੇਤਰ ਦੀਆਂ ਆਪਣੀਆਂ ਤਰਜੀਹਾਂ ਹਨ, ਜਿਸ ਨਾਲ ਇੱਕ ਸਿੰਗਲ ਸਟੈਂਡਰਡ ਪ੍ਰਾਪਤ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੋ ਜਾਂਦਾ ਹੈ।

ਸਿੰਗਾਪੁਰ ਵਿੱਚ ਸਾਰਾਹ ਨਾਮ ਦੀ ਇੱਕ ਲੌਜਿਸਟਿਕਸ ਮੈਨੇਜਰ ਬਾਰੇ ਸੋਚੋ। ਉਹ ਪ੍ਰਸ਼ਾਂਤ ਮਹਾਸਾਗਰ ਵਿੱਚ ਸ਼ਿਪਿੰਗ ਰੂਟਾਂ ਨੂੰ ਤਾਲਮੇਲ ਕਰਨ ਲਈ ਇੱਕ ਆਟੋਮੇਟਿਡ ਸਿਸਟਮ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ। ਮੰਗਲਵਾਰ ਸਵੇਰੇ, ਸਿਸਟਮ ਇੱਕ ਅਜਿਹਾ ਰੂਟ ਸੁਝਾਉਂਦਾ ਹੈ ਜੋ ਚਾਰ ਦਿਨਾਂ ਦਾ ਸਫ਼ਰ ਬਚਾਉਂਦਾ ਹੈ। ਇਹ ਇੱਕ ਵੱਡੀ ਪਰਫਾਰਮੈਂਸ ਜਿੱਤ ਵਾਂਗ ਲੱਗਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਸਾਰਾਹ ਨੋਟ ਕਰਦੀ ਹੈ ਕਿ ਰੂਟ ਇੱਕ ਅਜਿਹੇ ਖੇਤਰ ਵਿੱਚੋਂ ਲੰਘਦਾ ਹੈ ਜਿੱਥੇ ਮੌਸਮੀ ਤੂਫਾਨਾਂ ਦਾ ਉੱਚ ਜੋਖਮ ਹੈ ਜਿਸਦਾ ਮਾਡਲ ਨੇ ਹਿਸਾਬ ਨਹੀਂ ਲਗਾਇਆ ਸੀ। ਮਾਡਲ ਤੋਂ ਉਸਨੂੰ ਮਿਲਿਆ ਡੇਟਾ ਇਤਿਹਾਸਕ ਔਸਤਾਂ ਦੇ ਆਧਾਰ ‘ਤੇ ਤਕਨੀਕੀ ਤੌਰ ‘ਤੇ ਸਹੀ ਸੀ, ਪਰ ਇਹ ਰੀਅਲ-ਟਾਈਮ ਮੌਸਮ ਦੇ ਪੈਟਰਨਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਵਿੱਚ ਅਸਫਲ ਰਿਹਾ। ਇਹ ਇੱਕ ਆਧੁਨਿਕ ਪੇਸ਼ੇਵਰ ਦੇ ਜੀਵਨ ਦਾ ਇੱਕ ਦਿਨ ਹੈ। ਤੁਸੀਂ ਲਗਾਤਾਰ ਇੱਕ ਅਜਿਹੀ ਮਸ਼ੀਨ ਦੇ ਕੰਮ ਦੀ ਜਾਂਚ ਕਰ ਰਹੇ ਹੋ ਜੋ ਤੁਹਾਡੇ ਨਾਲੋਂ ਤੇਜ਼ ਹੈ ਪਰ ਤੁਹਾਡੀ ਸਥਿਤੀ ਸੰਬੰਧੀ ਜਾਗਰੂਕਤਾ ਦੀ ਘਾਟ ਹੈ। ਸਾਰਾਹ ਨੂੰ ਇਹ ਫੈਸਲਾ ਕਰਨਾ ਪੈਂਦਾ ਹੈ ਕਿ ਕੀ ਮਸ਼ੀਨ ‘ਤੇ ਭਰੋਸਾ ਕਰਕੇ ਪੈਸੇ ਬਚਾਉਣੇ ਹਨ ਜਾਂ ਆਪਣੀ ਸੂਝ ‘ਤੇ ਭਰੋਸਾ ਕਰਕੇ ਸੁਰੱਖਿਅਤ ਖੇਡਣਾ ਹੈ। ਜੇਕਰ ਉਹ ਮਸ਼ੀਨ ਦੀ ਪਾਲਣਾ ਕਰਦੀ ਹੈ ਅਤੇ ਇੱਕ ਜਹਾਜ਼ ਗੁੰਮ ਹੋ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਲਾਗਤ ਲੱਖਾਂ ਡਾਲਰਾਂ ਦੀ ਹੈ। ਜੇਕਰ ਉਹ ਮਸ਼ੀਨ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਦੀ ਹੈ ਅਤੇ ਮੌਸਮ ਸਾਫ ਰਹਿੰਦਾ ਹੈ, ਤਾਂ ਉਸਨੇ ਸਮਾਂ ਅਤੇ ਬਾਲਣ ਬਰਬਾਦ ਕੀਤਾ ਹੈ। ਇਹ ਪਰਫਾਰਮੈਂਸ ਮਾਪ ਦਾ ਵਿਹਾਰਕ ਦਾਅ ਹੈ। ਇਹ ਅਮੂਰਤ ਸਕੋਰਾਂ ਬਾਰੇ ਨਹੀਂ ਹੈ। ਇਹ ਫੈਸਲਾ ਲੈਣ ਦੇ ਵਿਸ਼ਵਾਸ ਬਾਰੇ ਹੈ।

ਮਨੁੱਖੀ ਸਮੀਖਿਆ ਦੀ ਭੂਮਿਕਾ ਕੰਮ ਕਰਨਾ ਨਹੀਂ, ਸਗੋਂ ਕੰਮ ਦਾ ਆਡਿਟ ਕਰਨਾ ਹੈ। ਇੱਥੇ ਹੀ ਬਹੁਤ ਸਾਰੀਆਂ ਕੰਪਨੀਆਂ ਗਲਤੀ ਕਰਦੀਆਂ ਹਨ। ਉਹ ਆਡਿਟ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਵੀ ਆਟੋਮੇਟ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੀਆਂ ਹਨ। ਇਹ ਇੱਕ ਬੰਦ ਲੂਪ ਬਣਾਉਂਦਾ ਹੈ ਜਿੱਥੇ ਗਲਤੀਆਂ ਬਿਨਾਂ ਧਿਆਨ ਦਿੱਤੇ ਅੱਗੇ ਵਧ ਸਕਦੀਆਂ ਹਨ। ਇੱਕ ਰਚਨਾਤਮਕ ਏਜੰਸੀ ਵਿੱਚ, ਇੱਕ ਲੇਖਕ ਪਹਿਲਾ ਡਰਾਫਟ ਤਿਆਰ ਕਰਨ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦਾ ਹੈ। ਉਸ ਟੂਲ ਦੀ ਪਰਫਾਰਮੈਂਸ ਇਸ ਗੱਲ ਨਾਲ ਮਾਪੀ ਜਾਂਦੀ ਹੈ ਕਿ ਇਹ ਲੇਖਕ ਦਾ ਕਿੰਨਾ ਸਮਾਂ ਬਚਾਉਂਦਾ ਹੈ। ਜੇਕਰ ਲੇਖਕ ਨੂੰ ਇੱਕ ਡਰਾਫਟ ਨੂੰ ਠੀਕ ਕਰਨ ਵਿੱਚ ਤਿੰਨ ਘੰਟੇ ਲਗਾਉਣੇ ਪੈਂਦੇ ਹਨ ਜਿਸਨੂੰ ਬਣਾਉਣ ਵਿੱਚ ਦਸ ਸਕਿੰਟ ਲੱਗੇ ਸਨ, ਤਾਂ ਪਰਫਾਰਮੈਂਸ ਅਸਲ ਵਿੱਚ ਨਕਾਰਾਤਮਕ ਹੈ। ਟੀਚਾ ਉਹ ਸਵੀਟ ਸਪਾਟ ਲੱਭਣਾ ਹੈ ਜਿੱਥੇ ਮਸ਼ੀਨ ਭਾਰੀ ਕੰਮ ਕਰਦੀ ਹੈ ਅਤੇ ਇਨਸਾਨ ਅੰਤਿਮ 5 ਪ੍ਰਤੀਸ਼ਤ ਪਾਲਿਸ਼ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਇਹ 5 ਪ੍ਰਤੀਸ਼ਤ ਹੀ ਹੈ ਜੋ ਆਉਟਪੁੱਟ ਨੂੰ ਰੋਬੋਟਿਕ ਸੁਣਨ ਜਾਂ ਤੱਥਾਂ ਦੀਆਂ ਗਲਤੀਆਂ ਤੋਂ ਰੋਕਦਾ ਹੈ। ਇਹ ਸਮੱਗਰੀ ਇੱਕ ਮਸ਼ੀਨ ਦੀ ਮਦਦ ਨਾਲ ਬਣਾਈ ਗਈ ਸੀ, ਪਰ ਇਸਦੇ ਪਿੱਛੇ ਦੀ ਰਣਨੀਤੀ ਮਨੁੱਖੀ ਹੈ।

ਤੁਹਾਨੂੰ ਹਮੇਸ਼ਾ ਆਟੋਮੇਸ਼ਨ ਦੀਆਂ ਲੁਕੀਆਂ ਹੋਈਆਂ ਲਾਗਤਾਂ ਦੀ ਭਾਲ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ। ਇਹਨਾਂ ਲਾਗਤਾਂ ਵਿੱਚ ਤਸਦੀਕ ‘ਤੇ ਖਰਚਿਆ ਗਿਆ ਸਮਾਂ ਅਤੇ ਬ੍ਰਾਂਡ ਦੀ ਸਾਖ ਦਾ ਸੰਭਾਵੀ ਨੁਕਸਾਨ ਸ਼ਾਮਲ ਹੈ ਜੇਕਰ ਕੋਈ ਗਲਤੀ ਜਨਤਕ ਹੋ ਜਾਂਦੀ ਹੈ। ਸਭ ਤੋਂ ਸਫਲ ਸਿਰਜਣਹਾਰ ਉਹ ਹਨ ਜੋ ਇਹਨਾਂ ਟੂਲਾਂ ਨੂੰ ਬਦਲ ਵਜੋਂ ਨਹੀਂ ਸਗੋਂ ਸਹਾਇਕ ਵਜੋਂ ਵਰਤਦੇ ਹਨ। ਉਹ ਜਾਣਦੇ ਹਨ ਕਿ ਮਸ਼ੀਨ ਵਿਸਤਾਰ ਲਈ ਇੱਕ ਸਾਧਨ ਹੈ, ਨਾ ਕਿ ਸੋਚ ਦਾ ਬਦਲ।

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।

ਸਾਨੂੰ ਹੁਣ ਇਹਨਾਂ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ **ਮਾਪ ਦੀ ਅਨਿਸ਼ਚਿਤਤਾ** ਦੇ ਮੁੱਦੇ ਨੂੰ ਹੱਲ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ। ਜਦੋਂ ਕੋਈ ਮਾਡਲ ਤੁਹਾਨੂੰ ਜਵਾਬ ਦਿੰਦਾ ਹੈ, ਤਾਂ ਉਹ ਤੁਹਾਨੂੰ ਇਹ ਨਹੀਂ ਦੱਸਦਾ ਕਿ ਉਹ ਕਿੰਨਾ ਭਰੋਸੇਮੰਦ ਹੈ। ਇਹ ਹਰ ਬਿਆਨ ਨੂੰ ਉਸੇ ਅਧਿਕਾਰ ਨਾਲ ਪੇਸ਼ ਕਰਦਾ ਹੈ। ਇਹ ਇੱਕ ਵੱਡੀ ਸੀਮਾ ਹੈ। ਇੱਕ ਬੈਂਚਮਾਰਕ ਵਿੱਚ 2 ਪ੍ਰਤੀਸ਼ਤ ਸੁਧਾਰ ਸਿਰਫ ਅਸਲ ਤਰੱਕੀ ਦੀ ਬਜਾਏ ਅੰਕੜਿਆਂ ਦਾ ਸ਼ੋਰ ਹੋ ਸਕਦਾ ਹੈ। ਸਾਨੂੰ ਇਹਨਾਂ ਸੁਧਾਰਾਂ ਦੀਆਂ ਲੁਕੀਆਂ ਹੋਈਆਂ ਲਾਗਤਾਂ ਬਾਰੇ ਔਖੇ ਸਵਾਲ ਪੁੱਛਣੇ ਚਾਹੀਦੇ ਹਨ। ਕੀ ਇੱਕ ਵਧੇਰੇ ਸਹੀ ਮਾਡਲ ਨੂੰ ਚਲਾਉਣ ਲਈ ਦਸ ਗੁਣਾ ਜ਼ਿਆਦਾ ਬਿਜਲੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ? ਕੀ ਇਸਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਬਣਨ ਲਈ ਤੁਹਾਡੇ ਵਧੇਰੇ ਨਿੱਜੀ ਡੇਟਾ ਦੀ ਲੋੜ ਹੈ? ਉਦਯੋਗ ਅਕਸਰ ਇਹਨਾਂ ਸਵਾਲਾਂ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਦਾ ਹੈ। ਸਾਨੂੰ ਪਲੇਟਫਾਰਮ ਰਿਪੋਰਟਿੰਗ ਤੋਂ ਅੱਗੇ ਵਧ ਕੇ ਵਿਆਖਿਆ ਵੱਲ ਜਾਣ ਦੀ ਲੋੜ ਹੈ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਸਿਰਫ ਇਹ ਨਹੀਂ ਪੁੱਛਣਾ ਕਿ ਸਕੋਰ ਕੀ ਹੈ, ਸਗੋਂ ਇਹ ਵੀ ਕਿ ਸਕੋਰ ਦੀ ਗਣਨਾ ਕਿਵੇਂ ਕੀਤੀ ਗਈ ਸੀ। ਜੇਕਰ ਕਿਸੇ ਮਾਡਲ ਨੂੰ ਅਜਿਹੇ ਡੇਟਾ ‘ਤੇ ਟੈਸਟ ਕੀਤਾ ਗਿਆ ਸੀ ਜੋ ਉਸਨੇ ਟ੍ਰੇਨਿੰਗ ਦੌਰਾਨ ਪਹਿਲਾਂ ਹੀ ਦੇਖਿਆ ਸੀ, ਤਾਂ ਸਕੋਰ ਇੱਕ ਝੂਠ ਹੈ। ਇਸਨੂੰ ਡੇਟਾ ਦੂਸ਼ਿਤ (data contamination) ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਇਹ ਉਦਯੋਗ ਵਿੱਚ ਇੱਕ ਵਿਆਪਕ ਸਮੱਸਿਆ ਹੈ। ਤੁਸੀਂ ਸਟੈਨਫੋਰਡ HAI ਇੰਡੈਕਸ ਰਿਪੋਰਟ ਵਿੱਚ ਇਹਨਾਂ ਬੈਂਚਮਾਰਕਾਂ ਦੀ ਸਥਿਤੀ ਬਾਰੇ ਹੋਰ ਪੜ੍ਹ ਸਕਦੇ ਹੋ। ਅਸੀਂ ਵਰਤਮਾਨ ਵਿੱਚ ਕਈ ਤਰੀਕਿਆਂ ਨਾਲ ਅੰਨ੍ਹੇਵਾਹ ਉੱਡ ਰਹੇ ਹਾਂ, ਉਹਨਾਂ ਮੈਟ੍ਰਿਕਸ ‘ਤੇ ਭਰੋਸਾ ਕਰ ਰਹੇ ਹਾਂ ਜੋ ਕੰਪਿਊਟਿੰਗ ਦੇ ਇੱਕ ਵੱਖਰੇ ਯੁੱਗ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ ਸਨ।

ਪਾਵਰ ਯੂਜ਼ਰਾਂ ਲਈ, ਅਸਲ ਪਰਫਾਰਮੈਂਸ ਦੀ ਕਹਾਣੀ **ਵਰਕਫਲੋ ਇੰਟੀਗ੍ਰੇਸ਼ਨ** ਅਤੇ ਤਕਨੀਕੀ ਸਪੈਕਸ ਵਿੱਚ ਮਿਲਦੀ ਹੈ। ਇਹ ਸਿਰਫ ਮਾਡਲ ਬਾਰੇ ਨਹੀਂ ਹੈ। ਇਹ ਇਸਦੇ ਆਲੇ ਦੁਆਲੇ ਦੇ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਬਾਰੇ ਹੈ। ਜੇਕਰ ਤੁਸੀਂ ਮਾਡਲਾਂ ਨੂੰ ਸਥਾਨਕ ਤੌਰ ‘ਤੇ ਚਲਾ ਰਹੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਆਪਣੀ VRAM ਅਤੇ ਮਾਡਲ ਦੇ ਕੁਆਂਟਾਈਜ਼ੇਸ਼ਨ ਪੱਧਰ ਦੁਆਰਾ ਸੀਮਤ ਹੋ। 16-ਬਿੱਟ ਤੋਂ 4-ਬਿੱਟ ਤੱਕ ਕੰਪ੍ਰੈਸ ਕੀਤਾ ਗਿਆ ਮਾਡਲ ਤੇਜ਼ੀ ਨਾਲ ਚੱਲੇਗਾ ਅਤੇ ਘੱਟ ਮੈਮੋਰੀ ਦੀ ਵਰਤੋਂ ਕਰੇਗਾ, ਪਰ ਇਸਦੀ ਤਰਕ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਘੱਟ ਜਾਵੇਗੀ। ਇਹ ਇੱਕ ਵਪਾਰ-ਬੰਦ (trade-off) ਹੈ ਜਿਸਦਾ ਹਰ ਡਿਵੈਲਪਰ ਨੂੰ ਪ੍ਰਬੰਧਨ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ। API ਸੀਮਾਵਾਂ ਵੀ ਇੱਕ ਵੱਡੀ ਭੂਮਿਕਾ ਨਿਭਾਉਂਦੀਆਂ ਹਨ। ਜੇਕਰ ਤੁਹਾਡੀ ਐਪਲੀਕੇਸ਼ਨ ਨੂੰ ਪ੍ਰਤੀ ਮਿੰਟ ਹਜ਼ਾਰਾਂ ਕਾਲਾਂ ਕਰਨ ਦੀ ਲੋੜ ਹੈ, ਤਾਂ API ਦੀ ਲੇਟੈਂਸੀ ਤੁਹਾਡੀ ਰੁਕਾਵਟ ਬਣ ਜਾਂਦੀ ਹੈ। ਤੁਸੀਂ ਦੇਖ ਸਕਦੇ ਹੋ ਕਿ ਤੁਹਾਡੇ ਆਪਣੇ ਹਾਰਡਵੇਅਰ ‘ਤੇ ਚੱਲ ਰਿਹਾ ਇੱਕ ਛੋਟਾ, ਤੇਜ਼ ਮਾਡਲ ਕਲਾਉਡ ਰਾਹੀਂ ਐਕਸੈਸ ਕੀਤੇ ਗਏ ਇੱਕ ਵੱਡੇ ਮਾਡਲ ਨਾਲੋਂ ਵਧੇਰੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੈ। 2026 ਵਿੱਚ, ਅਸੀਂ ਸਥਾਨਕ ਸਟੋਰੇਜ ਹੱਲਾਂ ਲਈ ਦਿਲਚਸਪੀ ਵਿੱਚ ਵਾਧਾ ਦੇਖਿਆ ਜੋ ਮਾਡਲਾਂ ਨੂੰ ਸਰਵਰ ‘ਤੇ ਭੇਜੇ ਬਿਨਾਂ ਤੁਹਾਡੀਆਂ ਨਿੱਜੀ ਫਾਈਲਾਂ ਤੱਕ ਪਹੁੰਚ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਨ। ਇਹ ਗੋਪਨੀਯਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰਦਾ ਹੈ ਪਰ ਸੈੱਟਅੱਪ ਵਿੱਚ ਗੁੰਝਲਤਾ ਜੋੜਦਾ ਹੈ। ਤੁਹਾਨੂੰ ਆਪਣੇ ਖੁਦ ਦੇ ਵੈਕਟਰ ਡੇਟਾਬੇਸ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨਾ ਹੋਵੇਗਾ ਅਤੇ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਹੋਵੇਗਾ ਕਿ ਪ੍ਰਾਪਤੀ ਪ੍ਰਕਿਰਿਆ ਸਹੀ ਹੈ। ਜੇਕਰ ਪ੍ਰਾਪਤੀ ਮਾੜੀ ਹੈ, ਤਾਂ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਵੀ ਮਾੜੇ ਨਤੀਜੇ ਦੇਵੇਗਾ। ਤੁਹਾਨੂੰ ਕੰਟੈਕਸਟ ਵਿੰਡੋ ਸੀਮਾਵਾਂ ਨੂੰ ਵੀ ਦੇਖਣਾ ਚਾਹੀਦਾ ਹੈ। ਇੱਕ ਵੱਡੀ ਵਿੰਡੋ ਤੁਹਾਨੂੰ ਪੂਰੀਆਂ ਕਿਤਾਬਾਂ ਨੂੰ ਪ੍ਰੋਸੈਸ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੀ ਹੈ, ਪਰ ਮਾਡਲ ਟੈਕਸਟ ਦੇ ਮੱਧ ਵਿੱਚ ਫੋਕਸ ਗੁਆ ਸਕਦਾ ਹੈ। ਇਹ ਇੱਕ ਜਾਣਿਆ-ਪਛਾਣਿਆ ਮੁੱਦਾ ਹੈ ਜਿਸਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਸਾਵਧਾਨੀਪੂਰਵਕ ਪ੍ਰੋਂਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

ਪਰਫਾਰਮੈਂਸ ਦੇ ਤਕਨੀਕੀ ਪੱਖ ਵਿੱਚ ਟ੍ਰੇਨਿੰਗ ਅਤੇ ਇਨਫਰੈਂਸ ਵਿਚਕਾਰ ਅੰਤਰ ਨੂੰ ਸਮਝਣਾ ਵੀ ਸ਼ਾਮਲ ਹੈ। ਟ੍ਰੇਨਿੰਗ ਮਾਡਲ ਬਣਾਉਣ ਦੀ ਮਹਿੰਗੀ ਪ੍ਰਕਿਰਿਆ ਹੈ। ਇਨਫਰੈਂਸ ਇਸਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਹੈ। ਜ਼ਿਆਦਾਤਰ ਉਪਭੋਗਤਾ ਸਿਰਫ ਇਨਫਰੈਂਸ ਦੀ ਪਰਵਾਹ ਕਰਦੇ ਹਨ, ਪਰ ਟ੍ਰੇਨਿੰਗ ਡੇਟਾ ਇਹ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ ਕਿ ਮਾਡਲ ਕੀ ਕਰ ਸਕਦਾ ਹੈ। ਜੇਕਰ ਕਿਸੇ ਮਾਡਲ ਨੂੰ ਮੈਡੀਕਲ ਡੇਟਾ ‘ਤੇ ਟ੍ਰੇਨ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਸੀ, ਤਾਂ ਉਹ ਕਦੇ ਵੀ ਵਧੀਆ ਮੈਡੀਕਲ ਸਹਾਇਕ ਨਹੀਂ ਬਣੇਗਾ, ਭਾਵੇਂ ਉਹ ਕਿੰਨਾ ਵੀ ਤੇਜ਼ ਕਿਉਂ ਨਾ ਹੋਵੇ। ਡਿਵੈਲਪਰ ਹੁਣ ਇਸ ਪਾੜੇ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਰਿਟਰੀਵਲ ਆਗਮੈਂਟਡ ਜਨਰੇਸ਼ਨ (Retrieval Augmented Generation) ਵਰਗੀਆਂ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹਨ। ਇਹ ਮਾਡਲ ਨੂੰ ਰੀਅਲ-ਟਾਈਮ ਵਿੱਚ ਜਾਣਕਾਰੀ ਲੱਭਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ, ਜੋ ਸ਼ੁੱਧਤਾ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਸੁਧਾਰ ਕਰਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਇਹ ਸੰਭਾਵੀ ਅਸਫਲਤਾ ਦੀ ਇੱਕ ਹੋਰ ਪਰਤ ਜੋੜਦਾ ਹੈ। ਜੇਕਰ ਪ੍ਰਾਪਤੀ ਲਈ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਸਰਚ ਇੰਜਣ ਮਾੜੇ ਲਿੰਕ ਵਾਪਸ ਕਰਦਾ ਹੈ, ਤਾਂ ਮਾਡਲ ਉਹਨਾਂ ਮਾੜੇ ਲਿੰਕਾਂ ਨੂੰ ਸੱਚ ਵਜੋਂ ਸੰਖੇਪ ਕਰੇਗਾ। ਇਹੀ ਕਾਰਨ ਹੈ ਕਿ ਉਦਯੋਗ ਦਾ ਗੀਕ ਸੈਕਸ਼ਨ ਇਹਨਾਂ ਪ੍ਰਣਾਲੀਆਂ ਦੀ ਪਲੰਬਿੰਗ ‘ਤੇ ਇੰਨਾ ਕੇਂਦ੍ਰਿਤ ਹੈ। ਮਾਡਲ ਇੱਕ ਵੱਡੀ ਮਸ਼ੀਨ ਦਾ ਸਿਰਫ ਇੱਕ ਹਿੱਸਾ ਹੈ। 2026 ਵਿੱਚ, ਫੋਕਸ ਸੰਭਾਵਤ ਤੌਰ ‘ਤੇ ਇਹਨਾਂ ਵੱਖ-ਵੱਖ ਹਿੱਸਿਆਂ ਨੂੰ ਵਧੇਰੇ ਨਿਰਵਿਘਨ ਤਰੀਕੇ ਨਾਲ ਇਕੱਠੇ ਕੰਮ ਕਰਨ ਵੱਲ ਵਧੇਗਾ। ਅਸੀਂ ਇੱਕ ਮਾਡਯੂਲਰ ਪਹੁੰਚ ਵੱਲ ਵਧ ਰਹੇ ਹਾਂ ਜਿੱਥੇ ਤੁਸੀਂ ਲੋੜ ਅਨੁਸਾਰ ਤਰਕ ਇੰਜਣ ਜਾਂ ਮੈਮੋਰੀ ਮੋਡੀਊਲ ਨੂੰ ਬਦਲ ਸਕਦੇ ਹੋ।

ਸਿੱਟਾ ਇਹ ਹੈ ਕਿ ਪਰਫਾਰਮੈਂਸ ਇੱਕ ਚਲਦਾ ਨਿਸ਼ਾਨਾ ਹੈ। ਜੋ ਛੇ ਮਹੀਨੇ ਪਹਿਲਾਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਮੰਨਿਆ ਜਾਂਦਾ ਸੀ, ਉਹ ਹੁਣ ਬੇਸਲਾਈਨ ਹੈ। ਅੱਗੇ ਰਹਿਣ ਲਈ, ਤੁਹਾਨੂੰ ਕਿਸੇ ਵੀ ਅਜਿਹੇ ਦਾਅਵੇ ਲਈ ਸ਼ੱਕੀ ਨਜ਼ਰੀਆ ਵਿਕਸਿਤ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ ਜੋ ਸੱਚ ਹੋਣ ਲਈ ਬਹੁਤ ਵਧੀਆ ਲੱਗਦਾ ਹੈ। ਇਸ ਗੱਲ ‘ਤੇ ਧਿਆਨ ਦਿਓ ਕਿ ਇਹ ਟੂਲ ਤੁਹਾਡੀਆਂ ਖਾਸ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਕਿਵੇਂ ਹੱਲ ਕਰਦੇ ਹਨ ਨਾ ਕਿ ਉਹ ਮਿਆਰੀ ਟੈਸਟਾਂ ‘ਤੇ ਕਿਵੇਂ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੇ ਹਨ। ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਮੈਟ੍ਰਿਕ ਉਹ ਹੈ ਜੋ ਤੁਸੀਂ ਆਪਣੇ ਜੀਵਨ ਜਾਂ ਕਾਰੋਬਾਰ ਲਈ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹੋ। ਭਾਵੇਂ ਉਹ ਬਚਾਇਆ ਗਿਆ ਸਮਾਂ ਹੋਵੇ, ਸੁਧਾਰੀ ਗਈ ਸ਼ੁੱਧਤਾ ਹੋਵੇ, ਜਾਂ ਘਟਾਈ ਗਈ ਲਾਗਤ ਹੋਵੇ, ਇਹ ਕੁਝ ਅਜਿਹਾ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਜਿਸਦੀ ਤੁਸੀਂ ਖੁਦ ਪੁਸ਼ਟੀ ਕਰ ਸਕੋ। ਜਿਵੇਂ-ਜਿਵੇਂ ਅਸੀਂ ਅੱਗੇ ਵਧਾਂਗੇ, ਮਾਰਕੀਟਿੰਗ ਅਤੇ ਅਸਲੀਅਤ ਵਿਚਕਾਰ ਪਾੜਾ ਵਧਣ ਦੀ ਸੰਭਾਵਨਾ ਹੈ। ਉਸ ਪਾੜੇ ਨੂੰ ਆਲੋਚਨਾਤਮਕ ਸੋਚ ਅਤੇ ਸਖ਼ਤ ਟੈਸਟਿੰਗ ਨਾਲ ਪੂਰਾ ਕਰਨਾ ਤੁਹਾਡਾ ਕੰਮ ਹੈ। ਟੈਕਨਾਲੋਜੀ ਤੇਜ਼ੀ ਨਾਲ ਬਦਲ ਰਹੀ ਹੈ, ਪਰ ਮਨੁੱਖੀ ਨਿਰਣੇ ਦੀ ਲੋੜ ਸਥਿਰ ਹੈ। ਭਵਿੱਖ ਲਈ ਇੱਕ ਸਵਾਲ ਖੁੱਲ੍ਹਾ ਹੈ। ਕੀ ਅਸੀਂ ਕਦੇ ਅਜਿਹਾ ਸਿਸਟਮ ਬਣਾ ਸਕਦੇ ਹਾਂ ਜੋ ਆਪਣੀਆਂ ਸੀਮਾਵਾਂ ਨੂੰ ਸੱਚਮੁੱਚ ਸਮਝਦਾ ਹੋਵੇ ਅਤੇ ਸਾਨੂੰ ਦੱਸੇ ਕਿ ਉਹ ਕਦੋਂ ਅੰਦਾਜ਼ਾ ਲਗਾ ਰਿਹਾ ਹੈ? ਉਦੋਂ ਤੱਕ, ਅਸੀਂ ਉਹ ਹਾਂ ਜਿਨ੍ਹਾਂ ਨੂੰ ਗਾਰਡਰੇਲ ਪ੍ਰਦਾਨ ਕਰਨੇ ਪੈਣਗੇ। ਵਧੇਰੇ ਉੱਨਤ AI ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ, ਇਹਨਾਂ ਵਿਕਾਸਸ਼ੀਲ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ ਡੂੰਘਾਈ ਨਾਲ ਜਾਣ ਲਈ ਸਾਡੀ ਮੁੱਖ ਸਾਈਟ ‘ਤੇ ਜਾਓ।

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।