ਕੰਮ ‘ਤੇ AI ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰੀਏ ਤਾਂ ਜੋ ਤੁਸੀਂ ਰੋਬੋਟ ਨਾ ਲੱਗੋ
ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਨੂੰ ਇੱਕ ਸ਼ਾਨਦਾਰ ਟਾਈਪਰਾਈਟਰ ਵਜੋਂ ਵਰਤਣ ਦਾ ਦੌਰ ਹੁਣ ਖਤਮ ਹੋ ਚੁੱਕਾ ਹੈ। ਪਿਛਲੇ ਇੱਕ ਸਾਲ ਤੋਂ, ਦਫਤਰਾਂ ਵਿੱਚ ਅਜਿਹੀਆਂ ਈਮੇਲਾਂ ਦੀ ਭਰਮਾਰ ਹੈ ਜੋ ਕਿਸੇ ਅਜਿਹੇ ਕਵੀ ਦੀਆਂ ਲਿਖੀਆਂ ਲੱਗਦੀਆਂ ਹਨ ਜਿਸ ਨੇ ਹੁਣੇ-ਹੁਣੇ ਕਾਰਪੋਰੇਟ ਜਾਰਗਨ ਸਿੱਖਿਆ ਹੋਵੇ। ਫਲੱਫ (ਬੇਲੋੜੀ ਜਾਣਕਾਰੀ) ਪੈਦਾ ਕਰਨ ਲਈ ਲਾਰਜ ਲੈਂਗੂਏਜ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦਾ ਇਹ ਰੁਝਾਨ ਉਲਟਾ ਪੈ ਰਿਹਾ ਹੈ। ਸਮਾਂ ਬਚਾਉਣ ਦੀ ਬਜਾਏ, ਇਹ ਪਾਠਕ ਲਈ ਇੱਕ ਬੋਝ ਬਣ ਜਾਂਦਾ ਹੈ ਜਿਸਨੂੰ ਇੱਕ ਛੋਟੀ ਜਿਹੀ ਗੱਲ ਲੱਭਣ ਲਈ ਵੀ ਬੇਲੋੜੇ ਸ਼ਬਦਾਂ ਦੇ ਪਹਾੜਾਂ ਵਿੱਚੋਂ ਲੰਘਣਾ ਪੈਂਦਾ ਹੈ। ਇਹਨਾਂ ਟੂਲਸ ਦੀ ਅਸਲ ਕੀਮਤ ਮਨੁੱਖੀ ਬੋਲੀ ਦੀ ਨਕਲ ਕਰਨ ਵਿੱਚ ਨਹੀਂ, ਸਗੋਂ ਲੌਜਿਕ ਨੂੰ ਪ੍ਰੋਸੈਸ ਕਰਨ ਅਤੇ ਡੇਟਾ ਨੂੰ ਸਟ੍ਰਕਚਰ ਕਰਨ ਦੀ ਉਹਨਾਂ ਦੀ ਸਮਰੱਥਾ ਵਿੱਚ ਹੈ। ਕੰਮ ‘ਤੇ AI ਦੀ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਵਰਤੋਂ ਕਰਨ ਲਈ, ਤੁਹਾਨੂੰ ਇਸਨੂੰ ਆਪਣੇ ਲਈ ਲਿਖਣ ਲਈ ਕਹਿਣਾ ਬੰਦ ਕਰਨਾ ਪਵੇਗਾ ਅਤੇ ਇਸਨੂੰ ਆਪਣੇ ਨਾਲ ਸੋਚਣ ਲਈ ਕਹਿਣਾ ਸ਼ੁਰੂ ਕਰਨਾ ਪਵੇਗਾ। ਟੀਚਾ ਜਨਰੇਟਿਵ ਆਉਟਪੁੱਟ ਤੋਂ ਹਟ ਕੇ ਫੰਕਸ਼ਨਲ ਉਪਯੋਗਤਾ ਵੱਲ ਵਧਣਾ ਹੈ।
ਚੈਟਬੋਟ ਇੰਟਰਫੇਸ ਤੋਂ ਅੱਗੇ ਵਧਣਾ
ਜ਼ਿਆਦਾਤਰ ਉਪਭੋਗਤਾਵਾਂ ਦੀ ਮੁੱਖ ਗਲਤੀ AI ਨੂੰ ਚੈਟ ਵਿੰਡੋ ਵਿੱਚ ਇੱਕ ਵਿਅਕਤੀ ਵਜੋਂ ਸਮਝਣਾ ਹੈ। ਇਸ ਨਾਲ ਉਹ ਬਹੁਤ ਜ਼ਿਆਦਾ ਨਿਮਰ ਅਤੇ ਦੁਹਰਾਉਣ ਵਾਲਾ ਟੋਨ ਪੈਦਾ ਹੁੰਦਾ ਹੈ ਜੋ ਜ਼ਿਆਦਾਤਰ AI-ਜਨਰੇਟਿਡ ਸਮੱਗਰੀ ਦੀ ਪਛਾਣ ਹੈ। ਇਹ ਮਾਡਲ ਅਸਲ ਵਿੱਚ ਹਾਈ-ਸਪੀਡ ਪ੍ਰਡਿਕਸ਼ਨ ਇੰਜਣ ਹਨ। ਜਦੋਂ ਤੁਸੀਂ ਉਹਨਾਂ ਨੂੰ “ਇੱਕ ਪ੍ਰੋਫੈਸ਼ਨਲ ਈਮੇਲ ਲਿਖੋ” ਵਰਗਾ ਪ੍ਰੋਂਪਟ ਦਿੰਦੇ ਹੋ, ਤਾਂ ਉਹ ਰਸਮੀ ਅਤੇ ਅਕਸਰ ਪੁਰਾਣੇ ਵਪਾਰਕ ਸੰਚਾਰਾਂ ਦੇ ਇੱਕ ਵਿਸ਼ਾਲ ਡੇਟਾਸੈਟ ਵਿੱਚੋਂ ਜਾਣਕਾਰੀ ਲੈਂਦੇ ਹਨ। ਨਤੀਜਾ ਇੱਕ ਆਮ ਖਿਚੜੀ ਹੁੰਦਾ ਹੈ ਜਿਸ ਵਿੱਚ ਕੋਈ ਖਾਸ ਇਰਾਦਾ ਨਹੀਂ ਹੁੰਦਾ। ਇਸ ਤੋਂ ਬਚਣ ਲਈ, ਉਪਭੋਗਤਾ ਸਟ੍ਰਕਚਰਡ ਪ੍ਰੋਂਪਟਿੰਗ ਵੱਲ ਵਧ ਰਹੇ ਹਨ। ਇਸ ਵਿੱਚ ਮਾਡਲ ਦੁਆਰਾ ਟੈਕਸਟ ਬਣਾਉਣ ਤੋਂ ਪਹਿਲਾਂ ਹੀ ਭੂਮਿਕਾ, ਖਾਸ ਡੇਟਾ ਪੁਆਇੰਟ ਅਤੇ ਲੋੜੀਂਦਾ ਫਾਰਮੈਟ ਨਿਰਧਾਰਤ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ। ਇਹ ਇੱਕ ਸਾਰ ਮੰਗਣ ਅਤੇ ਇੱਕ ਤਕਨੀਕੀ ਰਿਪੋਰਟ ਲਈ ਟੈਂਪਲੇਟ ਪ੍ਰਦਾਨ ਕਰਨ ਵਿਚਲਾ ਫਰਕ ਹੈ।
ਆਧੁਨਿਕ ਵਰਕਪਲੇਸ ਇੰਟੈਗਰੇਸ਼ਨ ਬ੍ਰਾਊਜ਼ਰ ਟੈਬ ਤੋਂ ਬਾਹਰ ਨਿਕਲ ਕੇ ਸਿੱਧਾ ਸਾਫਟਵੇਅਰ ਸਟੈਕ ਵਿੱਚ ਜਾ ਰਹੀ ਹੈ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ AI ਹੁਣ ਕੋਈ ਵੱਖਰੀ ਮੰਜ਼ਿਲ ਨਹੀਂ ਹੈ। ਇਹ ਤੁਹਾਡੇ ਪ੍ਰੋਜੈਕਟ ਮੈਨੇਜਮੈਂਟ ਟੂਲ ਜਾਂ ਕੋਡ ਐਡੀਟਰ ਦਾ ਇੱਕ ਫੀਚਰ ਹੈ। ਜਦੋਂ ਟੂਲ ਕੋਲ ਤੁਹਾਡੇ ਕੰਮ ਦੇ ਸੰਦਰਭ (context) ਤੱਕ ਪਹੁੰਚ ਹੁੰਦੀ ਹੈ, ਤਾਂ ਇਸਨੂੰ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਦੀ ਲੋੜ ਨਹੀਂ ਹੁੰਦੀ ਕਿ ਤੁਹਾਡਾ ਕੀ ਮਤਲਬ ਹੈ। ਇਹ ਟਾਸਕ ਹਿਸਟਰੀ, ਡੈੱਡਲਾਈਨ ਅਤੇ ਖਾਸ ਤਕਨੀਕੀ ਲੋੜਾਂ ਨੂੰ ਦੇਖ ਸਕਦਾ ਹੈ। ਇਹ ਸੰਦਰਭੀ ਜਾਗਰੂਕਤਾ ਉਹਨਾਂ ਫੁੱਲਦਾਰ ਸ਼ਬਦਾਂ ਦੀ ਲੋੜ ਨੂੰ ਘਟਾਉਂਦੀ ਹੈ ਜੋ ਮਾਡਲ ਉਦੋਂ ਵਰਤਦੇ ਹਨ ਜਦੋਂ ਉਹ ਅਨਿਸ਼ਚਿਤ ਹੁੰਦੇ ਹਨ। ਕੰਮ ਦੇ ਦਾਇਰੇ ਨੂੰ ਸੀਮਤ ਕਰਕੇ, ਤੁਸੀਂ ਮਸ਼ੀਨ ਨੂੰ ਰਚਨਾਤਮਕ ਹੋਣ ਦੀ ਬਜਾਏ ਸਟੀਕ ਹੋਣ ਲਈ ਮਜਬੂਰ ਕਰਦੇ ਹੋ। ਸ਼ੁੱਧਤਾ ਰੋਬੋਟਿਕ ਟੋਨ ਦੀ ਦੁਸ਼ਮਣ ਹੈ। ਜਦੋਂ ਕੋਈ ਟੂਲ ਅੰਦਰੂਨੀ ਡੇਟਾ ਦੇ ਆਧਾਰ ‘ਤੇ ਸਿੱਧਾ ਜਵਾਬ ਦਿੰਦਾ ਹੈ, ਤਾਂ ਇਹ ਇੱਕ ਸਕ੍ਰਿਪਟ ਦੀ ਬਜਾਏ ਇੱਕ ਮਾਹਰ ਵਾਂਗ ਲੱਗਦਾ ਹੈ।
ਅਸਲ ਦੁਨੀਆ ਵਿੱਚ ਡਿਪਲਾਇਮੈਂਟ ਦਾ ਅਰਥਸ਼ਾਸਤਰ
ਹਾਲਾਂਕਿ ਮੀਡੀਆ ਅਕਸਰ ਅਜਿਹੇ ਹਿਊਮਨੋਇਡ ਰੋਬੋਟਾਂ ‘ਤੇ ਧਿਆਨ ਕੇਂਦਰਤ ਕਰਦਾ ਹੈ ਜੋ ਪੈਨਕੇਕ ਪਲਟ ਸਕਦੇ ਹਨ, ਅਸਲ ਆਰਥਿਕ ਪ੍ਰਭਾਵ ਬਹੁਤ ਸ਼ਾਂਤ ਵਾਤਾਵਰਣ ਵਿੱਚ ਹੋ ਰਿਹਾ ਹੈ। ਵਿਸ਼ਾਲ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਸੈਂਟਰਾਂ ਵਿੱਚ, ਆਟੋਮੇਸ਼ਨ ਦਾ ਮਤਲਬ ਇਨਸਾਨ ਵਰਗਾ ਦਿਖਣਾ ਨਹੀਂ ਹੈ। ਇਹ ਲੱਖਾਂ ਵਰਗ ਫੁੱਟ ਦੀ ਜਗ੍ਹਾ ਵਿੱਚ ਪੈਲੇਟ ਦੇ ਰਸਤੇ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਬਾਰੇ ਹੈ। ਇਹ ਸਿਸਟਮ ਡਿਮਾਂਡ ਸਪਾਈਕਸ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਅਤੇ ਰੀਅਲ ਟਾਈਮ ਵਿੱਚ ਇਨਵੈਂਟਰੀ ਪੱਧਰਾਂ ਨੂੰ ਅਨੁਕੂਲ ਕਰਨ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ। ਇੱਥੇ ਨਿਵੇਸ਼ ‘ਤੇ ਰਿਟਰਨ ਸਪੱਸ਼ਟ ਹੈ। ਇਸਨੂੰ ਪ੍ਰਤੀ ਪਿਕ ਬਚਾਏ ਗਏ ਸਕਿੰਟਾਂ ਅਤੇ ਊਰਜਾ ਖਰਚਿਆਂ ਵਿੱਚ ਕਮੀ ਦੁਆਰਾ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ। ਕੰਪਨੀਆਂ ਇਨ੍ਹਾਂ ਪ੍ਰਣਾਲੀਆਂ ਨੂੰ ਇਨਸਾਨਾਂ ਨੂੰ ਮਕੈਨੀਕਲ ਕਾਪੀਆਂ ਨਾਲ ਬਦਲਣ ਲਈ ਨਹੀਂ ਖਰੀਦ ਰਹੀਆਂ ਹਨ। ਉਹ ਉਹਨਾਂ ਨੂੰ ਉਸ ਗਣਨਾਤਮਕ ਗੁੰਝਲਤਾ ਨੂੰ ਸੰਭਾਲਣ ਲਈ ਖਰੀਦ ਰਹੀਆਂ ਹਨ ਜਿਸਨੂੰ ਇੱਕ ਮਨੁੱਖੀ ਦਿਮਾਗ ਵੱਡੇ ਪੱਧਰ ‘ਤੇ ਨਹੀਂ ਸੰਭਾਲ ਸਕਦਾ।
ਸਾਫਟਵੇਅਰ ਸੈਕਟਰ ਵਿੱਚ, ਡਿਪਲਾਇਮੈਂਟ ਇਕਨਾਮਿਕਸ ਹੋਰ ਵੀ ਹਮਲਾਵਰ ਹੈ। ਕੰਪਿਊਟ ਸਮੇਂ ਦੇ ਲਿਹਾਜ਼ ਨਾਲ ਹਜ਼ਾਰਾਂ ਲਾਈਨਾਂ ਦਾ ਫੰਕਸ਼ਨਲ ਕੋਡ ਬਣਾਉਣ ਦੀ ਲਾਗਤ ਲਗਭਗ ਜ਼ੀਰੋ ਤੱਕ ਡਿੱਗ ਗਈ ਹੈ। ਹਾਲਾਂਕਿ, ਉਸ ਕੋਡ ਦੀ ਸਮੀਖਿਆ ਕਰਨ ਦੀ ਲਾਗਤ ਅਜੇ ਵੀ ਉੱਚੀ ਹੈ। ਇੱਥੇ ਹੀ ਬਹੁਤ ਸਾਰੀਆਂ ਕੰਪਨੀਆਂ ਅਸਫਲ ਹੋ ਜਾਂਦੀਆਂ ਹਨ। ਉਹ ਮੰਨ ਲੈਂਦੇ ਹਨ ਕਿ ਕਿਉਂਕਿ ਆਉਟਪੁੱਟ ਸਸਤੀ ਹੈ, ਇਸ ਲਈ ਮੁੱਲ ਉੱਚਾ ਹੈ। ਅਸਲੀਅਤ ਇਹ ਹੈ ਕਿ AI ਡਿਪਲਾਇਮੈਂਟ ਅਕਸਰ ਇੱਕ ਨਵੀਂ ਕਿਸਮ ਦਾ ਤਕਨੀਕੀ ਕਰਜ਼ਾ (technical debt) ਪੈਦਾ ਕਰਦੀ ਹੈ। ਜੇਕਰ ਕੋਈ ਟੀਮ ਆਪਣੀ ਸਮੀਖਿਆ ਸਮਰੱਥਾ ਨੂੰ ਦੁੱਗਣਾ ਕੀਤੇ ਬਿਨਾਂ ਆਪਣਾ ਆਉਟਪੁੱਟ ਦੁੱਗਣਾ ਕਰਨ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ, ਤਾਂ ਉਹ ਅਜਿਹਾ ਉਤਪਾਦ ਤਿਆਰ ਕਰਦੇ ਹਨ ਜੋ ਕਮਜ਼ੋਰ ਅਤੇ ਰੱਖ-ਰਖਾਅ ਵਿੱਚ ਮੁਸ਼ਕਲ ਹੁੰਦਾ ਹੈ। ਸਭ ਤੋਂ ਸਫਲ ਸੰਸਥਾਵਾਂ ਉਹ ਹਨ ਜੋ AI ਦੀ ਵਰਤੋਂ ਪ੍ਰਕਿਰਿਆ ਦੇ ਬੋਰਿੰਗ ਹਿੱਸਿਆਂ ਨੂੰ ਸਵੈਚਲਿਤ ਕਰਨ ਲਈ ਕਰਦੀਆਂ ਹਨ, ਜਿਵੇਂ ਕਿ ਯੂਨਿਟ ਟੈਸਟ ਜਾਂ ਡੌਕੂਮੈਂਟੇਸ਼ਨ ਲਿਖਣਾ, ਜਦੋਂ ਕਿ ਆਪਣੇ ਸੀਨੀਅਰ ਇੰਜੀਨੀਅਰਾਂ ਨੂੰ ਆਰਕੀਟੈਕਚਰ ਅਤੇ ਸੁਰੱਖਿਆ ‘ਤੇ ਕੇਂਦ੍ਰਿਤ ਰੱਖਦੀਆਂ ਹਨ। ਇਹ ਸੰਤੁਲਿਤ ਪਹੁੰਚ ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦੀ ਹੈ ਕਿ “ਰੋਬੋਟ” ਵਾਲੀਅਮ ਨੂੰ ਸੰਭਾਲਦਾ ਹੈ ਜਦੋਂ ਕਿ ਇਨਸਾਨ ਰਣਨੀਤੀ ਨੂੰ ਸੰਭਾਲਦਾ ਹੈ।
ਵਿਹਾਰਕ ਉਪਯੋਗ ਅਤੇ ਲੌਜਿਸਟਿਕਸ ਡੈਸਕ
ਮਾਰਕਸ ਨਾਮ ਦੇ ਇੱਕ ਲੌਜਿਸਟਿਕਸ ਮੈਨੇਜਰ ਦੇ ਦਿਨ ਬਾਰੇ ਸੋਚੋ। ਉਹ ਤਿੰਨ ਟਾਈਮ ਜ਼ੋਨਾਂ ਵਿੱਚ ਸਾਮਾਨ ਲਿਜਾਣ ਵਾਲੇ ਟਰੱਕਾਂ ਦੇ ਬੇੜੇ ਦੀ ਨਿਗਰਾਨੀ ਕਰਦਾ ਹੈ। ਪਹਿਲਾਂ, ਉਸਦੀ ਸਵੇਰ ਦਰਜਨਾਂ ਸਟੇਟਸ ਰਿਪੋਰਟਾਂ ਪੜ੍ਹਨ ਅਤੇ ਹੱਥੀਂ ਮਾਸਟਰ ਸਪ੍ਰੈਡਸ਼ੀਟ ਨੂੰ ਅਪਡੇਟ ਕਰਨ ਵਿੱਚ ਲੰਘਦੀ ਸੀ। ਹੁਣ, ਉਹ ਇੱਕ ਕਸਟਮ ਸਕ੍ਰਿਪਟ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ ਜੋ GPS ਟਰੈਕਰਾਂ ਅਤੇ ਸ਼ਿਪਿੰਗ ਮੈਨੀਫੈਸਟਾਂ ਤੋਂ ਡੇਟਾ ਖਿੱਚਦੀ ਹੈ। AI ਫਲੀਟ ਦੀ ਸਥਿਤੀ ਬਾਰੇ ਕੋਈ ਲੰਬੀ ਕਹਾਣੀ ਨਹੀਂ ਲਿਖਦਾ। ਇਸ ਦੀ ਬਜਾਏ, ਇਹ ਤਿੰਨ ਖਾਸ ਟਰੱਕਾਂ ਨੂੰ ਫਲੈਗ ਕਰਦਾ ਹੈ ਜੋ ਮੌਸਮ ਦੇ ਪੈਟਰਨਾਂ ਕਾਰਨ ਆਪਣੀ ਵਿੰਡੋ ਗੁਆ ਸਕਦੇ ਹਨ। ਉਹ ਇਨਵੈਂਟਰੀ ਲੌਗਸ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ ਅਤੇ ਇੱਕ ਤੇਜ਼ ਫੈਸਲਾ ਲੈਂਦਾ ਹੈ। AI ਡੇਟਾ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਅਤੇ ਜੋਖਮ ਮੁਲਾਂਕਣ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਪਰ ਮਾਰਕਸ ਕਮਾਂਡ ਦਿੰਦਾ ਹੈ। ਉਹ ਰੋਬੋਟ ਵਾਂਗ ਨਹੀਂ ਲੱਗ ਰਿਹਾ ਕਿਉਂਕਿ ਉਹ AI ਦੀ ਵਰਤੋਂ ਉਸਦੀ ਤਰਫੋਂ ਬੋਲਣ ਲਈ ਨਹੀਂ ਕਰ ਰਿਹਾ ਹੈ। ਉਹ ਇਸਦੀ ਵਰਤੋਂ ਉਹ ਚੀਜ਼ਾਂ ਦੇਖਣ ਲਈ ਕਰ ਰਿਹਾ ਹੈ ਜੋ ਉਹ ਨਹੀਂ ਤਾਂ ਗੁਆ ਦਿੰਦਾ।
ਇਹੀ ਤਰਕ ਪ੍ਰਸ਼ਾਸਨਿਕ ਕੰਮਾਂ ‘ਤੇ ਲਾਗੂ ਹੁੰਦਾ ਹੈ। AI ਨੂੰ ਮੀਟਿੰਗ ਦਾ ਸੱਦਾ ਲਿਖਣ ਲਈ ਕਹਿਣ ਦੀ ਬਜਾਏ, ਇੱਕ ਸਮਝਦਾਰ ਉਪਭੋਗਤਾ ਤਿੰਨ ਟੀਚਿਆਂ ਦੀ ਸੂਚੀ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਅਤੇ ਮਾਡਲ ਨੂੰ ਬੁਲੇਟਿਡ ਏਜੰਡਾ ਤਿਆਰ ਕਰਨ ਲਈ ਕਹਿੰਦਾ ਹੈ। ਇਹ “ਮੈਨੂੰ ਉਮੀਦ ਹੈ ਕਿ ਇਹ ਈਮੇਲ ਤੁਹਾਨੂੰ ਚੰਗੀ ਸਥਿਤੀ ਵਿੱਚ ਮਿਲੇਗੀ” ਵਾਲੇ ਫਲੱਫ ਨੂੰ ਹਟਾ ਦਿੰਦਾ ਹੈ ਅਤੇ ਇਸਨੂੰ ਕਾਰਵਾਈਯੋਗ ਜਾਣਕਾਰੀ ਨਾਲ ਬਦਲ ਦਿੰਦਾ ਹੈ। ਉਦਯੋਗਿਕ ਸੈਟਿੰਗਾਂ ਵਿੱਚ, ਇਹ ਪ੍ਰਡਿਕਟਿਵ ਮੇਨਟੇਨੈਂਸ ਵਾਂਗ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ। ਕਨਵੇਅਰ ਬੈਲਟ ‘ਤੇ ਇੱਕ ਸੈਂਸਰ ਇੱਕ ਵਾਈਬ੍ਰੇਸ਼ਨ ਦਾ ਪਤਾ ਲਗਾਉਂਦਾ ਹੈ ਜੋ ਸਪੈਕ ਤੋਂ ਬਾਹਰ ਹੈ। AI ਟੈਕਨੀਸ਼ੀਅਨ ਨੂੰ ਕੋਈ ਨਿਮਰ ਚਿੱਠੀ ਨਹੀਂ ਭੇਜਦਾ। ਇਹ ਸਹੀ ਪਾਰਟ ਨੰਬਰ ਅਤੇ ਅਸਫਲਤਾ ਦੇ ਅਨੁਮਾਨਿਤ ਸਮੇਂ ਦੇ ਨਾਲ ਇੱਕ ਵਰਕ ਆਰਡਰ ਤਿਆਰ ਕਰਦਾ ਹੈ। ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ AI ਦੀ ਵਰਤੋਂ ਦੀ ਰਣਨੀਤੀ ਸਫਲ ਹੁੰਦੀ ਹੈ। ਇਹ ਉਦੋਂ ਅਸਫਲ ਹੋ ਜਾਂਦਾ ਹੈ ਜਦੋਂ ਲੂਪ ਵਿੱਚ ਮੌਜੂਦ ਇਨਸਾਨ ਕੰਮ ਦੀ ਜਾਂਚ ਕਰਨਾ ਬੰਦ ਕਰ ਦਿੰਦਾ ਹੈ। ਜੇਕਰ AI ਕੋਈ ਅਜਿਹਾ ਪਾਰਟ ਸੁਝਾਉਂਦਾ ਹੈ ਜੋ ਸਟਾਕ ਵਿੱਚ ਨਹੀਂ ਹੈ, ਅਤੇ ਇਨਸਾਨ ਬਿਨਾਂ ਦੇਖੇ ਮਨਜ਼ੂਰੀ ‘ਤੇ ਕਲਿੱਕ ਕਰ ਦਿੰਦਾ ਹੈ, ਤਾਂ ਸਿਸਟਮ ਟੁੱਟ ਜਾਂਦਾ ਹੈ। ਮਨੁੱਖੀ ਸਮੀਖਿਆ ਇੱਕ ਗਣਨਾ ਕੀਤੇ ਸੁਝਾਅ ਅਤੇ ਅਸਲ-ਸੰਸਾਰ ਕਾਰਵਾਈ ਦੇ ਵਿਚਕਾਰ ਦਾ ਪੁਲ 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।ਮਾੜੀਆਂ ਆਦਤਾਂ ਦੇ ਫੈਲਣ ਦਾ ਖਤਰਾ ਅਸਲ ਹੈ। ਜਦੋਂ ਇੱਕ ਵਿਅਕਤੀ ਲੰਬੇ, ਅਰਥਹੀਣ ਮੈਮੋ ਤਿਆਰ ਕਰਨ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰਦਾ ਹੈ, ਤਾਂ ਦੂਸਰੇ ਵੀ ਵਾਲੀਅਮ ਦੇ ਨਾਲ ਬਣੇ ਰਹਿਣ ਲਈ ਅਜਿਹਾ ਕਰਨ ਦੀ ਲੋੜ ਮਹਿਸੂਸ ਕਰਦੇ ਹਨ। ਇਹ ਸ਼ੋਰ ਦਾ ਇੱਕ ਫੀਡਬੈਕ ਲੂਪ ਬਣਾਉਂਦਾ ਹੈ। ਇਸ ਨੂੰ ਤੋੜਨ ਲਈ, ਟੀਮਾਂ ਨੂੰ AI ਵਰਤੋਂ ਲਈ ਸਪੱਸ਼ਟ ਮਿਆਰ ਨਿਰਧਾਰਤ ਕਰਨੇ ਚਾਹੀਦੇ ਹਨ। ਇਸ ਵਿੱਚ ਇੱਕ “ਨੋ ਫਲੱਫ” ਨੀਤੀ ਅਤੇ ਇਹ ਲੋੜ ਸ਼ਾਮਲ ਹੈ ਕਿ ਸਾਰੇ AI-ਸਹਾਇਤਾ ਪ੍ਰਾਪਤ ਕੰਮ ਦਾ ਖੁਲਾਸਾ ਅਤੇ ਤਸਦੀਕ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। MIT Technology Review ਦੇ ਅਨੁਸਾਰ, ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਟੀਮਾਂ ਉਹ ਹਨ ਜੋ AI ਨੂੰ ਸੀਨੀਅਰ ਸੋਚ ਦੇ ਬਦਲ ਵਜੋਂ ਨਹੀਂ, ਸਗੋਂ ਇੱਕ ਜੂਨੀਅਰ ਸਹਾਇਕ ਵਜੋਂ ਦੇਖਦੀਆਂ ਹਨ। ਇਹ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਉਤਪਾਦਨ ਦੀ ਗਤੀ ਦੀ ਬਜਾਏ ਅੰਤਿਮ ਆਉਟਪੁੱਟ ਦੀ ਗੁਣਵੱਤਾ ‘ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਰੱਖਦਾ ਹੈ। ਤੁਹਾਨੂੰ ਟੂਲ ਦੀ ਵਰਤੋਂ ਸਿਰਫ ਉਹਨਾਂ ਕੰਮਾਂ ਲਈ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ ਜਿੱਥੇ ਤਰਕ ਸਪੱਸ਼ਟ ਹੈ ਪਰ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਥਕਾਵਟ ਭਰਿਆ ਹੈ।
BotNews.today ਸਮੱਗਰੀ ਦੀ ਖੋਜ, ਲਿਖਣ, ਸੰਪਾਦਨ ਅਤੇ ਅਨੁਵਾਦ ਕਰਨ ਲਈ AI ਟੂਲਸ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਸਾਡੀ ਟੀਮ ਜਾਣਕਾਰੀ ਨੂੰ ਉਪਯੋਗੀ, ਸਪਸ਼ਟ ਅਤੇ ਭਰੋਸੇਮੰਦ ਰੱਖਣ ਲਈ ਪ੍ਰਕਿਰਿਆ ਦੀ ਸਮੀਖਿਆ ਅਤੇ ਨਿਗਰਾਨੀ ਕਰਦੀ ਹੈ।
ਸੁਕਰਾਤੀ ਸੰਦੇਹਵਾਦ ਅਤੇ ਲੁਕਵੇਂ ਖਰਚੇ
ਸਾਨੂੰ ਆਪਣੇ ਆਪ ਤੋਂ ਪੁੱਛਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਜਦੋਂ ਅਸੀਂ ਆਪਣੀ ਪੇਸ਼ੇਵਰ ਆਵਾਜ਼ ਨੂੰ ਕਿਸੇ ਮਸ਼ੀਨ ਨੂੰ ਆਊਟਸੋਰਸ ਕਰਦੇ ਹਾਂ ਤਾਂ ਅਸੀਂ ਕੀ ਗੁਆ ਰਹੇ ਹਾਂ। ਜੇਕਰ ਹਰ ਕਵਰ ਲੈਟਰ ਅਤੇ ਹਰ ਪ੍ਰੋਜੈਕਟ ਪ੍ਰਸਤਾਵ ਨੂੰ ਕੁਝ ਕੁ ਮਾਡਲਾਂ ਰਾਹੀਂ ਫਿਲਟਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਕੀ ਅਸੀਂ ਸੱਚੀ ਪ੍ਰਤਿਭਾ ਜਾਂ ਮੌਲਿਕ ਵਿਚਾਰਾਂ ਨੂੰ ਲੱਭਣ ਦੀ ਸਮਰੱਥਾ ਗੁਆ ਦਿੰਦੇ ਹਾਂ? ਸੋਚ ਦੇ ਸਮਰੂਪੀਕਰਨ (homogenization) ਦੀ ਇੱਕ ਲੁਕਵੀਂ ਕੀਮਤ ਹੈ। ਜਦੋਂ ਅਸੀਂ ਸਾਰੇ ਆਪਣੀ ਲਿਖਤ ਨੂੰ “ਅਨੁਕੂਲ” ਕਰਨ ਲਈ ਇੱਕੋ ਜਿਹੇ ਟੂਲ ਵਰਤਦੇ ਹਾਂ, ਤਾਂ ਅਸੀਂ ਇੱਕਸਾਰਤਾ ਦੇ ਸਮੁੰਦਰ ਵਿੱਚ ਖਤਮ ਹੋ ਜਾਂਦੇ ਹਾਂ। ਇਹ ਇੱਕ ਵਿਲੱਖਣ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਲਈ ਸ਼ੋਰ ਵਿੱਚੋਂ ਬਾਹਰ ਨਿਕਲਣਾ ਮੁਸ਼ਕਲ ਬਣਾਉਂਦਾ ਹੈ। ਗੋਪਨੀਯਤਾ ਇੱਕ ਹੋਰ ਵੱਡੀ ਚਿੰਤਾ ਹੈ। ਜਦੋਂ ਤੁਸੀਂ ਇਸਨੂੰ ਪ੍ਰੋਂਪਟ ਵਿੱਚ ਪਾਉਂਦੇ ਹੋ ਤਾਂ ਡੇਟਾ ਕਿੱਥੇ ਜਾਂਦਾ ਹੈ? ਜ਼ਿਆਦਾਤਰ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਇਹ ਅਹਿਸਾਸ ਨਹੀਂ ਹੁੰਦਾ ਕਿ ਉਹਨਾਂ ਦੀਆਂ “ਨਿੱਜੀ” ਵਪਾਰਕ ਰਣਨੀਤੀਆਂ ਦੀ ਵਰਤੋਂ ਮਾਡਲ ਦੀ ਅਗਲੀ ਪੀੜ੍ਹੀ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਕੀਤੀ ਜਾ ਰਹੀ ਹੈ। ਇਹ ਵਿਅਕਤੀਆਂ ਤੋਂ ਕੁਝ ਵੱਡੀਆਂ ਕਾਰਪੋਰੇਸ਼ਨਾਂ ਤੱਕ ਬੌਧਿਕ ਸੰਪੱਤੀ ਦਾ ਇੱਕ ਵਿਸ਼ਾਲ ਤਬਾਦਲਾ ਹੈ।
ਇਸ ਤੋਂ ਇਲਾਵਾ, ਜਦੋਂ AI ਕੋਈ ਅਜਿਹੀ ਗਲਤੀ ਕਰਦਾ ਹੈ ਜਿਸਦੇ ਅਸਲ-ਸੰਸਾਰ ਨਤੀਜੇ ਹੁੰਦੇ ਹਨ ਤਾਂ ਕੌਣ ਜ਼ਿੰਮੇਵਾਰ ਹੈ? ਜੇਕਰ ਕਿਸੇ ਵੇਅਰਹਾਊਸ ਵਿੱਚ ਇੱਕ ਸਵੈਚਲਿਤ ਸਿਸਟਮ ਲੋਡ ਦੇ ਭਾਰ ਦੀ ਗਲਤ ਗਣਨਾ ਕਰਦਾ ਹੈ ਅਤੇ ਦੁਰਘਟਨਾ ਦਾ ਕਾਰਨ ਬਣਦਾ ਹੈ, ਤਾਂ ਕੀ ਇਹ ਸਾਫਟਵੇਅਰ ਡਿਵੈਲਪਰ ਦੀ ਗਲਤੀ ਹੈ, ਉਸ ਕੰਪਨੀ ਦੀ ਜਿਸਨੇ ਇਸਨੂੰ ਤਾਇਨਾਤ ਕੀਤਾ, ਜਾਂ ਉਸ ਆਪਰੇਟਰ ਦੀ ਜਿਸਨੂੰ ਨਿਗਰਾਨੀ ਕਰਨੀ ਚਾਹੀਦੀ ਸੀ? ਇਹਨਾਂ ਦ੍ਰਿਸ਼ਾਂ ਲਈ ਕਾਨੂੰਨੀ ਢਾਂਚੇ ਅਜੇ ਵੀ ਲਿਖੇ ਜਾ ਰਹੇ ਹਨ। ਅਸੀਂ ਵਰਤਮਾਨ ਵਿੱਚ ਉੱਚ ਜੋਖਮ ਦੇ ਦੌਰ ਵਿੱਚ ਹਾਂ ਜਿੱਥੇ ਤਕਨਾਲੋਜੀ ਰੈਗੂਲੇਸ਼ਨ ਤੋਂ ਅੱਗੇ ਨਿਕਲ ਗਈ ਹੈ। ਕੰਪਨੀਆਂ ਪੈਸੇ ਬਚਾਉਣ ਲਈ ਇਹਨਾਂ ਟੂਲਸ ਨੂੰ ਅਪਣਾਉਣ ਦੀ ਕਾਹਲੀ ਵਿੱਚ ਹਨ, ਪਰ ਉਹ ਆਪਣੇ ਆਪ ਨੂੰ ਵੱਡੀਆਂ ਦੇਣਦਾਰੀਆਂ ਲਈ ਖੋਲ੍ਹ ਰਹੀਆਂ ਹਨ। ਸਾਨੂੰ ਵਾਤਾਵਰਣ ਦੀ ਲਾਗਤ ‘ਤੇ ਵੀ ਵਿਚਾਰ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ। ਇਹਨਾਂ ਵਿਸ਼ਾਲ ਡੇਟਾ ਸੈਂਟਰਾਂ ਨੂੰ ਚਲਾਉਣ ਲਈ ਲੋੜੀਂਦੀ ਊਰਜਾ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਕੀ ਇੱਕ ਸੰਖੇਪ ਈਮੇਲ ਦੀ ਸਹੂਲਤ ਇਸ ਨੂੰ ਪੈਦਾ ਕਰਨ ਲਈ ਲੋੜੀਂਦੇ ਕੰਪਿਊਟ ਚੱਕਰਾਂ ਦੇ ਕਾਰਬਨ ਫੁੱਟਪ੍ਰਿੰਟ ਦੇ ਬਰਾਬਰ ਹੈ? ਇਹ ਉਹ ਸਵਾਲ ਹਨ ਜਿਨ੍ਹਾਂ ਦੇ ਜਵਾਬ ਦੇਣ ਤੋਂ ਟੈਕ ਕੰਪਨੀਆਂ ਦੇ ਮਾਰਕੀਟਿੰਗ ਵਿਭਾਗ ਬਚਦੇ ਹਨ।
ਗੀਕ ਸੈਕਸ਼ਨ: ਇੰਟੈਗਰੇਸ਼ਨ ਅਤੇ ਲੋਕਲ ਸਟੈਕਸ
ਜਿਹੜੇ ਲੋਕ ਬੇਸਿਕ ਚੈਟ ਇੰਟਰਫੇਸ ਤੋਂ ਅੱਗੇ ਵਧਣਾ ਚਾਹੁੰਦੇ ਹਨ, ਉਹਨਾਂ ਲਈ ਅਸਲ ਸ਼ਕਤੀ API ਇੰਟੈਗਰੇਸ਼ਨਾਂ ਅਤੇ ਲੋਕਲ ਡਿਪਲਾਇਮੈਂਟ ਵਿੱਚ ਹੈ। ਵੈੱਬ-ਅਧਾਰਿਤ ਪੋਰਟਲ ‘ਤੇ ਨਿਰਭਰ ਕਰਨਾ ਆਮ ਵਰਤੋਂ ਲਈ ਠੀਕ ਹੈ, ਪਰ ਇਹ ਪੇਸ਼ੇਵਰ ਵਰਕਫਲੋ ਲਈ ਇੱਕ ਰੁਕਾਵਟ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਜ਼ਿਆਦਾਤਰ ਪ੍ਰਮੁੱਖ ਮਾਡਲ ਹੁਣ ਮਜ਼ਬੂਤ APIs ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦੇ ਹਨ ਜੋ ਤੁਹਾਨੂੰ ਆਪਣੇ ਖੁਦ ਦੇ ਡੇਟਾਬੇਸ ਤੋਂ ਸਿੱਧਾ ਡੇਟਾ ਫੀਡ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਨ। ਇਹ “JSON ਮੋਡ” ਜਾਂ ਸਟ੍ਰਕਚਰਡ ਆਉਟਪੁੱਟ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ, ਜੋ ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ ਕਿ AI ਅਜਿਹੇ ਫਾਰਮੈਟ ਵਿੱਚ ਡੇਟਾ ਵਾਪਸ ਕਰੇ ਜਿਸਨੂੰ ਤੁਹਾਡਾ ਹੋਰ ਸਾਫਟਵੇਅਰ ਅਸਲ ਵਿੱਚ ਪੜ੍ਹ ਸਕੇ। ਇਹ ਟੈਕਸਟ ਨੂੰ ਕਾਪੀ ਅਤੇ ਪੇਸਟ ਕਰਨ ਦੀ ਲੋੜ ਨੂੰ ਖਤਮ ਕਰਦਾ ਹੈ ਅਤੇ ਸੱਚੀ ਆਟੋਮੇਸ਼ਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਟੋਕਨ ਸੀਮਾਵਾਂ ਬਾਰੇ ਸੁਚੇਤ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਇੱਕ ਟੋਕਨ ਲਗਭਗ ਚਾਰ ਅੱਖਰਾਂ ਦਾ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਹਰ ਮਾਡਲ ਦੀ ਇੱਕ ਅਧਿਕਤਮ “ਕੰਟੈਕਸਟ ਵਿੰਡੋ” ਹੁੰਦੀ ਹੈ ਜੋ ਇਹ ਇੱਕ ਸਮੇਂ ਵਿੱਚ ਯਾਦ ਰੱਖ ਸਕਦਾ ਹੈ। ਜੇਕਰ ਤੁਹਾਡਾ ਪ੍ਰੋਜੈਕਟ ਬਹੁਤ ਵੱਡਾ ਹੈ, ਤਾਂ AI ਗੱਲਬਾਤ ਦੀ ਸ਼ੁਰੂਆਤ ਨੂੰ ਭੁੱਲਣਾ ਸ਼ੁਰੂ ਕਰ ਦੇਵੇਗਾ, ਜਿਸ ਨਾਲ ਹਲੂਸੀਨੇਸ਼ਨ (ਗਲਤ ਜਾਣਕਾਰੀ) ਹੋ ਸਕਦੀ ਹੈ।
ਲੋਕਲ ਸਟੋਰੇਜ ਅਤੇ ਲੋਕਲ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਗੋਪਨੀਯਤਾ-ਸਚੇਤ ਫਰਮਾਂ ਲਈ ਤਰਜੀਹੀ ਵਿਕਲਪ ਬਣ ਰਹੇ ਹਨ। Llama.cpp ਜਾਂ Ollama ਵਰਗੇ ਟੂਲਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ, ਕੰਪਨੀਆਂ ਆਪਣੇ ਖੁਦ ਦੇ ਹਾਰਡਵੇਅਰ ‘ਤੇ ਸ਼ਕਤੀਸ਼ਾਲੀ ਮਾਡਲ ਚਲਾ ਸਕਦੀਆਂ ਹਨ। ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ ਕਿ ਸੰਵੇਦਨਸ਼ੀਲ ਡੇਟਾ ਕਦੇ ਵੀ ਅੰਦਰੂਨੀ ਨੈੱਟਵਰਕ ਤੋਂ ਬਾਹਰ ਨਹੀਂ ਜਾਂਦਾ। ਹਾਲਾਂਕਿ ਇਹ ਲੋਕਲ ਮਾਡਲ ਵੱਡੀਆਂ ਟੈਕ ਕੰਪਨੀਆਂ ਦੇ ਫਲੈਗਸ਼ਿਪ ਸੰਸਕਰਣਾਂ ਜਿੰਨੇ ਵੱਡੇ ਨਹੀਂ ਹੋ ਸਕਦੇ, ਉਹ ਅਕਸਰ ਡੌਕੂਮੈਂਟ ਕਲਾਸੀਫਿਕੇਸ਼ਨ ਜਾਂ ਕੋਡ ਜਨਰੇਸ਼ਨ ਵਰਗੇ ਖਾਸ ਕੰਮਾਂ ਨੂੰ ਸੰਭਾਲਣ ਦੇ ਸਮਰੱਥ ਹੁੰਦੇ ਹਨ। ਇਸਦਾ ਨੁਕਸਾਨ ਹਾਈ-ਐਂਡ GPUs ਦੀ ਲੋੜ ਹੈ। ਇੱਕ ਸਟੈਂਡਰਡ ਦਫਤਰੀ ਲੈਪਟਾਪ 70-ਬਿਲੀਅਨ ਪੈਰਾਮੀਟਰ ਮਾਡਲ ਨੂੰ ਵਰਤੋਂ ਯੋਗ ਗਤੀ ‘ਤੇ ਚਲਾਉਣ ਲਈ ਸੰਘਰਸ਼ ਕਰੇਗਾ। ਸੰਸਥਾਵਾਂ ਹੁਣ ਆਪਣੀਆਂ ਟੀਮਾਂ ਨੂੰ ਇਹ ਲੋਕਲ ਕੰਪਿਊਟ ਪਾਵਰ ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ ਸਮਰਪਿਤ “AI ਸਰਵਰਾਂ” ਵਿੱਚ ਨਿਵੇਸ਼ ਕਰ ਰਹੀਆਂ ਹਨ। ਇਹ ਸੈੱਟਅੱਪ ਫਾਈਨ-ਟਿਊਨਿੰਗ ਦੀ ਵੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ, ਜਿੱਥੇ ਇੱਕ ਮਾਡਲ ਨੂੰ ਕੰਪਨੀ ਦੇ ਆਪਣੇ ਆਰਕਾਈਵਜ਼ ‘ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ ਤਾਂ ਜੋ ਉਹ ਜਨਤਕ ਡੇਟਾ ਲੀਕ ਦੇ ਜੋਖਮ ਤੋਂ ਬਿਨਾਂ ਉਹਨਾਂ ਦੀ ਖਾਸ ਤਕਨੀਕੀ ਭਾਸ਼ਾ ਅਤੇ ਇਤਿਹਾਸ ਨੂੰ ਸਿੱਖ ਸਕੇ।
ਇਹਨਾਂ ਵਰਕਫਲੋ ਨੂੰ ਬਣਾਉਣ ਵੇਲੇ, ਮਾਡਲ ਦੀ “ਤਾਪਮਾਨ” (temperature) ਸੈਟਿੰਗ ਦੀ ਨਿਗਰਾਨੀ ਕਰਨਾ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਘੱਟ ਤਾਪਮਾਨ ਆਉਟਪੁੱਟ ਨੂੰ ਵਧੇਰੇ ਨਿਰਣਾਇਕ ਅਤੇ ਕੇਂਦ੍ਰਿਤ ਬਣਾਉਂਦਾ ਹੈ, ਜੋ ਤਕਨੀਕੀ ਕੰਮ ਲਈ ਆਦਰਸ਼ ਹੈ। ਉੱਚ ਤਾਪਮਾਨ ਵਧੇਰੇ ਬੇਤਰਤੀਬਤਾ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ, ਜੋ ਬ੍ਰੇਨਸਟਾਰਮਿੰਗ ਲਈ ਬਿਹਤਰ ਹੈ ਪਰ ਡੇਟਾ ਐਂਟਰੀ ਲਈ ਖਤਰਨਾਕ ਹੈ। ਜ਼ਿਆਦਾਤਰ ਪਾਵਰ ਯੂਜ਼ਰ ਕੰਮ ਨਾਲ ਸਬੰਧਤ ਕੰਮਾਂ ਲਈ ਆਪਣਾ ਤਾਪਮਾਨ 0.3 ਤੋਂ ਹੇਠਾਂ ਰੱਖਦੇ ਹਨ। ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ ਕਿ ਆਉਟਪੁੱਟ ਪ੍ਰਦਾਨ ਕੀਤੇ ਗਏ ਤੱਥਾਂ ‘ਤੇ ਅਧਾਰਤ ਰਹੇ। ਨਿਯੰਤਰਣ ਦਾ ਇਹ ਪੱਧਰ ਇੱਕ ਆਮ ਉਪਭੋਗਤਾ ਨੂੰ ਇੱਕ ਪੇਸ਼ੇਵਰ ਤੋਂ ਵੱਖ ਕਰਦਾ ਹੈ। AI ਨੂੰ ਇੱਕ ਵੱਡੀ ਮਸ਼ੀਨ ਦੇ ਇੱਕ ਕੌਂਫਿਗਰੇਬਲ ਹਿੱਸੇ ਵਜੋਂ ਵਰਤ ਕੇ, ਤੁਸੀਂ ਰੋਬੋਟਿਕ, ਅਵਿਸ਼ਵਾਸ਼ਯੋਗ ਆਉਟਪੁੱਟ ਦੇ ਜੋਖਮਾਂ ਤੋਂ ਬਿਨਾਂ ਆਟੋਮੇਸ਼ਨ ਦੇ ਲਾਭ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹੋ। ਤੁਸੀਂ ਸਾਡੀ **ਵਿਆਪਕ AI ਵਰਕਪਲੇਸ ਗਾਈਡ** ਵਿੱਚ ਹੋਰ ਵੇਰਵੇ ਲੱਭ ਸਕਦੇ ਹੋ ਇਹ ਦੇਖਣ ਲਈ ਕਿ ਇਹ ਸੈਟਿੰਗਾਂ ਵੱਖ-ਵੱਖ ਕੰਮਾਂ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀਆਂ ਹਨ।
ਸਿੱਟਾ
ਕੰਮ ‘ਤੇ AI ਦੀ ਵਰਤੋਂ ਕਰਨ ਦਾ ਟੀਚਾ ਉੱਚ-ਪੱਧਰੀ ਸੋਚ ਲਈ ਤੁਹਾਡੀ ਸਮਰੱਥਾ ਨੂੰ ਵਧਾਉਣਾ ਹੈ, ਨਾ ਕਿ ਹੋਰ ਨੀਵੇਂ-ਪੱਧਰ ਦਾ ਸ਼ੋਰ ਪੈਦਾ ਕਰਨਾ। ਜੇਕਰ ਤੁਸੀਂ AI-ਜਨਰੇਟਿਡ ਫਲੱਫ ਨੂੰ ਸੰਪਾਦਿਤ ਕਰਨ ਵਿੱਚ ਉਸ ਤੋਂ ਵੱਧ ਸਮਾਂ ਬਿਤਾ ਰਹੇ ਹੋ ਜੋ ਤੁਸੀਂ ਅਸਲ ਟੁਕੜਾ ਲਿਖਣ ਵਿੱਚ ਬਿਤਾਇਆ ਹੁੰਦਾ, ਤਾਂ ਤੁਸੀਂ ਟੂਲ ਦੀ ਗਲਤ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹੋ। ਡੇਟਾ, ਸਟ੍ਰਕਚਰ ਅਤੇ ਲੌਜਿਕ ‘ਤੇ ਧਿਆਨ ਦਿਓ। ਸੰਗਠਨ ਅਤੇ ਪੈਟਰਨ ਮਾਨਤਾ ਦੇ ਭਾਰੀ ਕੰਮ ਨੂੰ ਸੰਭਾਲਣ ਲਈ ਮਸ਼ੀਨ ਦੀ ਵਰਤੋਂ ਕਰੋ। ਆਵਾਜ਼, ਬਾਰੀਕੀ ਅਤੇ ਅੰਤਿਮ ਫੈਸਲਾ ਇਨਸਾਨ ‘ਤੇ ਛੱਡ ਦਿਓ। ਜਿਵੇਂ ਕਿ *Gartner research* ਸੁਝਾਅ ਦਿੰਦੀ ਹੈ, ਕੰਮ ਦਾ ਭਵਿੱਖ AI ਦੁਆਰਾ ਇਨਸਾਨਾਂ ਨੂੰ ਬਦਲਣਾ ਨਹੀਂ ਹੈ, ਸਗੋਂ ਉਹ ਇਨਸਾਨ ਹਨ ਜੋ AI ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ ਉਹਨਾਂ ਨੂੰ ਬਦਲਣਾ ਹੈ ਜੋ ਨਹੀਂ ਕਰਦੇ। ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਹੁਨਰ ਜੋ ਤੁਸੀਂ ਵਿਕਸਿਤ ਕਰ ਸਕਦੇ ਹੋ ਉਹ ਇਹ ਸਮਝਣ ਦੀ ਯੋਗਤਾ ਹੈ ਕਿ ਕਿਹੜੇ ਕੰਮਾਂ ਲਈ ਮਨੁੱਖੀ ਛੋਹ ਦੀ ਲੋੜ ਹੈ ਅਤੇ ਕਿਹੜੇ ਐਲਗੋਰਿਦਮ ‘ਤੇ ਛੱਡਣਾ ਬਿਹਤਰ ਹੈ। ਇੱਕ ਸਵਾਲ ਬਾਕੀ ਹੈ: ਜਿਵੇਂ-ਜਿਵੇਂ ਇਹ ਮਾਡਲ ਵਧੇਰੇ ਯਕੀਨਨ ਹੁੰਦੇ ਜਾਣਗੇ, ਕੀ ਅਸੀਂ ਅੰਤ ਵਿੱਚ ਇਹ ਦੱਸਣ ਦੀ ਸਮਰੱਥਾ ਗੁਆ ਦੇਵਾਂਗੇ ਕਿ ਮਸ਼ੀਨ ਕਿੱਥੇ ਖਤਮ ਹੁੰਦੀ ਹੈ ਅਤੇ ਇਨਸਾਨ ਕਿੱਥੇ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ?
Nota editorului: Am creat acest site ca un centru multilingv de știri și ghiduri AI pentru persoanele care nu sunt experți în computere, dar care totuși doresc să înțeleagă inteligența artificială, să o folosească cu mai multă încredere și să urmărească viitorul care deja sosește.
ਕੋਈ ਗਲਤੀ ਮਿਲੀ ਜਾਂ ਕੁਝ ਠੀਕ ਕਰਨ ਦੀ ਲੋੜ ਹੈ? ਸਾਨੂੰ ਦੱਸੋ।
