AI ਨੂੰ ਕਿਵੇਂ ਵਰਤੀਏ ਤਾਂ ਜੋ ਇਹ ਸਭ ਕੁਝ ਆਪਣੇ ਕਬਜ਼ੇ ਵਿੱਚ ਨਾ ਕਰ ਲਵੇ

ਨਵੀਨਤਾ ਤੋਂ ਉਪਯੋਗਤਾ ਵੱਲ ਬਦਲਾਅ

Large language models ਦੀ ਨਵੀਨਤਾ ਹੁਣ ਘੱਟ ਰਹੀ ਹੈ। ਯੂਜ਼ਰਸ ਹੁਣ ਮਸ਼ੀਨ ਦੁਆਰਾ ਟੈਕਸਟ ਬਣਾਉਣ ਦੇ ਸ਼ੁਰੂਆਤੀ ਹੈਰਾਨੀ ਤੋਂ ਅੱਗੇ ਵੱਧ ਚੁੱਕੇ ਹਨ ਅਤੇ ਇਹ ਪੁੱਛ ਰਹੇ ਹਨ ਕਿ ਇਹ ਟੂਲ ਅਸਲ ਵਿੱਚ ਇੱਕ ਉਤਪਾਦਕ ਦਿਨ ਵਿੱਚ ਕਿਵੇਂ ਫਿੱਟ ਹੁੰਦੇ ਹਨ। ਇਸਦਾ ਜਵਾਬ ਹੋਰ ਜ਼ਿਆਦਾ automation ਨਹੀਂ, ਸਗੋਂ ਬਿਹਤਰ ਸੀਮਾਵਾਂ ਹਨ। ਅਸੀਂ ਇੱਕ ਅਜਿਹਾ ਬਦਲਾਅ ਦੇਖ ਰਹੇ ਹਾਂ ਜਿੱਥੇ ਸਮਾਰਟ ਯੂਜ਼ਰਸ ਇਨ੍ਹਾਂ ਸਿਸਟਮਾਂ ਨੂੰ oracles ਦੀ ਬਜਾਏ interns ਵਜੋਂ ਵਰਤਦੇ ਹਨ। ਇਹ ਤਬਦੀਲੀ ਇਸ ਵਿਚਾਰ ਤੋਂ ਦੂਰ ਜਾਣ ਦੀ ਮੰਗ ਕਰਦੀ ਹੈ ਕਿ AI ਸਭ ਕੁਝ ਸੰਭਾਲ ਸਕਦਾ ਹੈ। ਇਹ ਅਜਿਹਾ ਨਹੀਂ ਕਰ ਸਕਦਾ। ਇਹ ਇੱਕ statistical engine ਹੈ ਜੋ ਪੈਟਰਨਾਂ ਦੇ ਆਧਾਰ ‘ਤੇ ਅਗਲੇ ਸ਼ਬਦ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ। ਇਹ ਸੋਚਦਾ ਨਹੀਂ ਹੈ। ਇਸਨੂੰ ਤੁਹਾਡੀਆਂ ਡੈੱਡਲਾਈਨਾਂ ਦੀ ਕੋਈ ਪਰਵਾਹ ਨਹੀਂ ਹੈ। ਇਹ ਤੁਹਾਡੀ ਦਫਤਰੀ ਰਾਜਨੀਤੀ ਦੀ ਬਾਰੀਕੀ ਨੂੰ ਨਹੀਂ ਸਮਝਦਾ। ਇਸਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਵਰਤਣ ਲਈ, ਤੁਹਾਨੂੰ ਆਪਣੇ ਮੁੱਖ ਰਚਨਾਤਮਕ ਕੰਮ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਇੱਕ ਸੁਰੱਖਿਆ ਘੇਰਾ ਬਣਾਉਣਾ ਚਾਹੀਦਾ ਹੈ। ਇਹ algorithmic ਸ਼ੋਰ ਦੇ ਯੁੱਗ ਵਿੱਚ ਆਪਣੀ ਪਛਾਣ ਬਣਾਈ ਰੱਖਣ ਬਾਰੇ ਹੈ। automation ਦੀ ਬਜਾਏ augmentation ‘ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਕੇ, ਤੁਸੀਂ ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦੇ ਹੋ ਕਿ ਮਸ਼ੀਨ ਤੁਹਾਡੇ ਟੀਚਿਆਂ ਨੂੰ ਪੂਰਾ ਕਰੇ ਨਾ ਕਿ ਤੁਹਾਡੇ ਆਉਟਪੁੱਟ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰੇ। ਟੀਚਾ ਇੱਕ ਅਜਿਹਾ ਸੰਤੁਲਨ ਲੱਭਣਾ ਹੈ ਜਿੱਥੇ ਟੂਲ ਦੁਹਰਾਉਣ ਵਾਲੇ ਕੰਮਾਂ ਨੂੰ ਸੰਭਾਲੇ ਜਦੋਂ ਕਿ ਤੁਸੀਂ ਤਰਕ ਅਤੇ ਅੰਤਿਮ ਫੈਸਲੇ ‘ਤੇ ਕੰਟਰੋਲ ਬਣਾਈ ਰੱਖੋ।

ਇੱਕ ਕਾਰਜਸ਼ੀਲ ਬਫਰ ਜ਼ੋਨ ਬਣਾਉਣਾ

ਵਿਹਾਰਕਤਾ ਦਾ ਮਤਲਬ ਹੈ ਅਲੱਗ-ਥਲੱਗ ਰਹਿਣਾ। ਲੋਕ ਅਕਸਰ AI ਦੀ ਵਰਤੋਂ ਕਰਨ ਨੂੰ AI ਨੂੰ ਪੂਰੀ ਪ੍ਰਕਿਰਿਆ ਚਲਾਉਣ ਦੇਣ ਨਾਲ ਉਲਝਾ ਲੈਂਦੇ ਹਨ। ਇਹ ਇੱਕ ਗਲਤੀ ਹੈ ਜੋ ਆਮ ਨਤੀਜਿਆਂ ਅਤੇ ਅਕਸਰ ਗਲਤੀਆਂ ਵੱਲ ਲੈ ਜਾਂਦੀ ਹੈ। ਇੱਕ ਕਾਰਜਸ਼ੀਲ ਬਫਰ ਜ਼ੋਨ ਵਿੱਚ ਤੁਹਾਡੇ ਵਰਕਫਲੋ ਨੂੰ ਛੋਟੇ-ਛੋਟੇ ਕੰਮਾਂ ਵਿੱਚ ਵੰਡਣਾ ਸ਼ਾਮਲ ਹੈ। ਤੁਸੀਂ ਕਿਸੇ ਮਾਡਲ ਨੂੰ ਰਿਪੋਰਟ ਲਿਖਣ ਲਈ ਨਹੀਂ ਕਹਿੰਦੇ। ਤੁਸੀਂ ਇਸਨੂੰ ਇਹਨਾਂ ਬੁਲੇਟ ਪੁਆਇੰਟਾਂ ਨੂੰ ਇੱਕ ਟੇਬਲ ਵਿੱਚ ਫਾਰਮੈਟ ਕਰਨ ਜਾਂ ਇਹਨਾਂ ਤਿੰਨ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟਾਂ ਦਾ ਸਾਰ ਦੇਣ ਲਈ ਕਹਿੰਦੇ ਹੋ। ਇਹ ਤਰਕ ਅਤੇ ਰਣਨੀਤੀ ਲਈ ਇਨਸਾਨ ਨੂੰ ਡਰਾਈਵਰ ਸੀਟ ‘ਤੇ ਰੱਖਦਾ ਹੈ। ਬਹੁਤ ਸਾਰੇ ਲੋਕ ਇਹ ਮੰਨਦੇ ਹਨ ਕਿ AI ਇੱਕ general intelligence ਹੈ। ਇਹ ਨਹੀਂ ਹੈ। ਇਹ ਪੈਟਰਨ ਪਛਾਣ ਲਈ ਇੱਕ ਵਿਸ਼ੇਸ਼ ਟੂਲ ਹੈ। ਜਦੋਂ ਤੁਸੀਂ ਇਸਨੂੰ ਇੱਕ generalist ਵਜੋਂ ਵਰਤਦੇ ਹੋ, ਤਾਂ ਇਹ ਤੱਥਾਂ ਨੂੰ ਗਲਤ ਪੇਸ਼ ਕਰਕੇ ਜਾਂ ਤੁਹਾਡੇ ਬ੍ਰਾਂਡ ਦਾ ਟੋਨ ਗੁਆ ਕੇ ਅਸਫਲ ਹੋ ਜਾਂਦਾ ਹੈ। ਕੰਮਾਂ ਨੂੰ ਛੋਟਾ ਰੱਖ ਕੇ, ਤੁਸੀਂ ਇੱਕ ਵੱਡੀ ਗਲਤੀ ਦੇ ਜੋਖਮ ਨੂੰ ਘੱਟ ਕਰਦੇ ਹੋ। ਤੁਸੀਂ ਇਹ ਵੀ ਯਕੀਨੀ ਬਣਾਉਂਦੇ ਹੋ ਕਿ ਤੁਸੀਂ ਉਹ ਵਿਅਕਤੀ ਹੋ ਜੋ ਅੰਤਿਮ ਫੈਸਲੇ ਲੈ ਰਿਹਾ ਹੈ।

ਇਸ ਪਹੁੰਚ ਲਈ ਸ਼ੁਰੂ ਵਿੱਚ ਵਧੇਰੇ ਕੰਮ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਕਿਉਂਕਿ ਤੁਹਾਨੂੰ ਆਪਣੀ ਪ੍ਰਕਿਰਿਆ ਬਾਰੇ ਸੋਚਣਾ ਪੈਂਦਾ ਹੈ। ਤੁਹਾਨੂੰ ਇਹ ਨਕਸ਼ਾ ਬਣਾਉਣਾ ਪਵੇਗਾ ਕਿ ਡੇਟਾ ਕਿੱਥੇ ਜਾਂਦਾ ਹੈ ਅਤੇ ਕੌਣ ਇਸਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ। ਪਰ ਇਸਦਾ ਫਾਇਦਾ ਇੱਕ ਅਜਿਹਾ ਵਰਕਫਲੋ ਹੈ ਜੋ ਅਸਲ ਵਿੱਚ ਪੂਰੀ ਤਰ੍ਹਾਂ ਮੈਨੂਅਲ ਕੰਮ ਨਾਲੋਂ ਤੇਜ਼ ਅਤੇ ਵਧੇਰੇ ਭਰੋਸੇਮੰਦ ਹੈ। ਇਹ ਰੁਕਾਵਟਾਂ ਨੂੰ ਲੱਭਣ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਸੁਚਾਰੂ ਬਣਾਉਣ ਬਾਰੇ ਹੈ, ਬਿਨਾਂ ਉਸ ਵਿਅਕਤੀ ਨੂੰ ਹਟਾਏ ਜੋ ਸਮਝਦਾ ਹੈ ਕਿ ਕੰਮ ਮਹੱਤਵਪੂਰਨ ਕਿਉਂ ਹੈ। ਬਹੁਤ ਸਾਰੇ ਯੂਜ਼ਰਸ ਇਨ੍ਹਾਂ ਮਾਡਲਾਂ ਦੀਆਂ ਰਚਨਾਤਮਕ ਯੋਗਤਾਵਾਂ ਨੂੰ ਵਧਾ-ਚੜ੍ਹਾ ਕੇ ਪੇਸ਼ ਕਰਦੇ ਹਨ ਜਦੋਂ ਕਿ ਉਹ ਸਧਾਰਨ ਡੇਟਾ ਪਰਿਵਰਤਨ ਵਿੱਚ ਉਹਨਾਂ ਦੀ ਉਪਯੋਗਤਾ ਨੂੰ ਘੱਟ ਸਮਝਦੇ ਹਨ। ਜੇ ਤੁਸੀਂ ਇਸਦੀ ਵਰਤੋਂ ਇੱਕ ਗੜਬੜ ਵਾਲੀ ਸਪ੍ਰੈਡਸ਼ੀਟ ਨੂੰ ਇੱਕ ਸਾਫ਼ ਸੂਚੀ ਵਿੱਚ ਬਦਲਣ ਲਈ ਕਰਦੇ ਹੋ, ਤਾਂ ਇਹ ਬਿਲਕੁਲ ਸਹੀ ਕੰਮ ਕਰਦਾ ਹੈ। ਜੇ ਤੁਸੀਂ ਇਸਦੀ ਵਰਤੋਂ ਇੱਕ ਵਿਲੱਖਣ ਵਪਾਰਕ ਰਣਨੀਤੀ ਬਣਾਉਣ ਲਈ ਕਰਦੇ ਹੋ, ਤਾਂ ਇਹ ਸੰਭਾਵਤ ਤੌਰ ‘ਤੇ ਤੁਹਾਨੂੰ ਉਸ ਚੀਜ਼ ਦਾ ਰੀਸਾਈਕਲ ਕੀਤਾ ਸੰਸਕਰਣ ਦੇਵੇਗਾ ਜੋ ਹਰ ਕੋਈ ਕਰ ਰਿਹਾ ਹੈ। ਵਿਰੋਧਾਭਾਸ ਇਹ ਹੈ ਕਿ ਜਿੰਨਾ ਜ਼ਿਆਦਾ ਤੁਸੀਂ ਸੋਚਣ ਲਈ ਇਸ ‘ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹੋ, ਇਹ ਓਨਾ ਹੀ ਘੱਟ ਉਪਯੋਗੀ ਬਣ ਜਾਂਦਾ ਹੈ। ਜਿੰਨਾ ਜ਼ਿਆਦਾ ਤੁਸੀਂ ਇਸਦੀ ਵਰਤੋਂ ਮਿਹਨਤ ਲਈ ਕਰਦੇ ਹੋ, ਇਹ ਓਨਾ ਹੀ ਜ਼ਿਆਦਾ ਮਦਦ ਕਰਦਾ ਹੈ।

ਗਾਰਡਰੇਲ ਲਈ ਅੰਤਰਰਾਸ਼ਟਰੀ ਦੌੜ

ਵਿਸ਼ਵ ਪੱਧਰ ‘ਤੇ, ਗੱਲਬਾਤ ਇਸ ਗੱਲ ਤੋਂ ਬਦਲ ਰਹੀ ਹੈ ਕਿ ਅਸੀਂ ਇਸਨੂੰ ਕਿਵੇਂ ਬਣਾਈਏ ਤੋਂ ਲੈ ਕੇ ਅਸੀਂ ਇਸਦੇ ਨਾਲ ਕਿਵੇਂ ਰਹੀਏ ਤੱਕ। ਯੂਰਪੀਅਨ ਯੂਨੀਅਨ ਵਿੱਚ, AI Act ਉੱਚ-ਜੋਖਮ ਵਾਲੀਆਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ‘ਤੇ ਸਖ਼ਤ ਸੀਮਾਵਾਂ ਨਿਰਧਾਰਤ ਕਰ ਰਿਹਾ ਹੈ। ਸੰਯੁਕਤ ਰਾਜ ਵਿੱਚ, ਕਾਰਜਕਾਰੀ ਆਦੇਸ਼ ਸੁਰੱਖਿਆ ਅਤੇ ਸੁਰੱਖਿਆ ‘ਤੇ ਕੇਂਦ੍ਰਿਤ ਹਨ। ਇਹ ਸਿਰਫ ਵੱਡੀਆਂ ਟੈਕਨਾਲੋਜੀ ਕੰਪਨੀਆਂ ਬਾਰੇ ਨਹੀਂ ਹੈ। ਇਹ ਹਰ ਛੋਟੇ ਕਾਰੋਬਾਰ ਅਤੇ ਵਿਅਕਤੀਗਤ ਸਿਰਜਣਹਾਰ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ। ਸਰਕਾਰਾਂ ਸੱਚਾਈ ਦੇ ਖਾਤਮੇ ਅਤੇ ਕਾਮਿਆਂ ਦੇ ਵਿਸਥਾਪਨ ਬਾਰੇ ਚਿੰਤਤ ਹਨ। ਕੰਪਨੀਆਂ ਡੇਟਾ ਲੀਕ ਅਤੇ ਬੌਧਿਕ ਸੰਪੱਤੀ ਦੀ ਚੋਰੀ ਬਾਰੇ ਚਿੰਤਤ ਹਨ। ਇੱਥੇ ਇੱਕ ਸਪੱਸ਼ਟ ਵਿਰੋਧਾਭਾਸ ਹੈ। ਅਸੀਂ automation ਦੀ ਕੁਸ਼ਲਤਾ ਚਾਹੁੰਦੇ ਹਾਂ, ਪਰ ਅਸੀਂ ਕੰਟਰੋਲ ਗੁਆਉਣ ਤੋਂ ਡਰਦੇ ਹਾਂ। ਸਿੰਗਾਪੁਰ ਅਤੇ ਦੱਖਣੀ ਕੋਰੀਆ ਵਰਗੀਆਂ ਥਾਵਾਂ ‘ਤੇ, ਫੋਕਸ ਸਾਖਰਤਾ ‘ਤੇ ਹੈ ਅਤੇ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਹੈ ਕਿ ਕਰਮਚਾਰੀ ਇਹਨਾਂ ਟੂਲਾਂ ਨੂੰ ਸੰਭਾਲ ਸਕਣ। ਗਾਰਡਰੇਲ ਲਈ ਇਹ ਅੰਤਰਰਾਸ਼ਟਰੀ ਦੌੜ ਇੱਕ ਸੰਕੇਤ ਹੈ ਕਿ ਹਨੀਮੂਨ ਖਤਮ ਹੋ ਗਿਆ ਹੈ। ਅਸੀਂ ਹੁਣ ਜਵਾਬਦੇਹੀ ਦੇ ਯੁੱਗ ਵਿੱਚ ਹਾਂ।

ਜੇਕਰ ਕੋਈ ਐਲਗੋਰਿਦਮ ਕੋਈ ਅਜਿਹੀ ਗਲਤੀ ਕਰਦਾ ਹੈ ਜਿਸਦੀ ਕੀਮਤ ਇੱਕ ਕੰਪਨੀ ਨੂੰ ਲੱਖਾਂ ਵਿੱਚ ਪੈਂਦੀ ਹੈ, ਤਾਂ ਕੌਣ ਜ਼ਿੰਮੇਵਾਰ ਹੈ? ਡਿਵੈਲਪਰ, ਯੂਜ਼ਰ, ਜਾਂ ਉਹ ਕੰਪਨੀ ਜਿਸਨੇ ਡੇਟਾ ਪ੍ਰਦਾਨ ਕੀਤਾ ਹੈ। ਇਹ ਸਵਾਲ ਕਈ ਅਧਿਕਾਰ ਖੇਤਰਾਂ ਵਿੱਚ ਅਣਸੁਲਝੇ ਹਨ। ਜਿਵੇਂ-ਜਿਵੇਂ ਅਸੀਂ ਹੋਰ ਅੱਗੇ ਵਧਦੇ ਹਾਂ, ਕਾਨੂੰਨੀ ਢਾਂਚੇ ਹੋਰ ਵੀ ਗੁੰਝਲਦਾਰ ਹੋ ਜਾਣਗੇ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਯੂਜ਼ਰਸ ਨੂੰ ਕਿਰਿਆਸ਼ੀਲ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਤੁਸੀਂ ਕਾਨੂੰਨ ਦੇ ਤੁਹਾਡੀ ਰੱਖਿਆ ਕਰਨ ਦੀ ਉਡੀਕ ਨਹੀਂ ਕਰ ਸਕਦੇ। ਤੁਹਾਨੂੰ ਆਪਣੀਆਂ ਅੰਦਰੂਨੀ ਨੀਤੀਆਂ ਬਣਾਉਣੀਆਂ ਪੈਣਗੀਆਂ ਕਿ ਤੁਸੀਂ ਡੇਟਾ ਨੂੰ ਕਿਵੇਂ ਸੰਭਾਲਦੇ ਹੋ ਅਤੇ ਤੁਸੀਂ ਇਹਨਾਂ ਮਸ਼ੀਨਾਂ ਦੇ ਆਉਟਪੁੱਟ ਦੀ ਪੁਸ਼ਟੀ ਕਿਵੇਂ ਕਰਦੇ ਹੋ। ਇਹ ਖਾਸ ਤੌਰ ‘ਤੇ ਉਹਨਾਂ ਲਈ ਸੱਚ ਹੈ ਜੋ global tech standards ਨੂੰ ਦੇਖ ਰਹੇ ਹਨ ਅਤੇ ਇਹ ਸਥਾਨਕ ਕਾਰਜਾਂ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਭਾਵਿਤ ਕਰਦੇ ਹਨ। ਅਸਲੀਅਤ ਇਹ ਹੈ ਕਿ ਟੈਕਨਾਲੋਜੀ ਨਿਯਮਾਂ ਨਾਲੋਂ ਤੇਜ਼ੀ ਨਾਲ ਅੱਗੇ ਵਧ ਰਹੀ ਹੈ। ਇਸ ਬਾਰੇ ਹੋਰ ਜਾਣਕਾਰੀ ਲਈ, ਆਪਣੀ ਨਵੀਨਤਮ ਨੀਤੀ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ MIT Technology Review ਦੇਖੋ। AI implementation strategies ਨੂੰ ਸਮਝਣਾ ਹੁਣ ਕਿਸੇ ਵੀ ਪੇਸ਼ੇਵਰ ਲਈ ਇੱਕ ਮੁੱਖ ਲੋੜ ਹੈ ਜੋ ਬਦਲਦੇ ਬਾਜ਼ਾਰ ਵਿੱਚ ਸੰਬੰਧਿਤ ਰਹਿਣਾ ਚਾਹੁੰਦਾ ਹੈ।

Managed Automation ਦੇ ਨਾਲ ਇੱਕ ਮੰਗਲਵਾਰ

ਆਓ ਸਾਰਾਹ ਨਾਮ ਦੀ ਇੱਕ ਪ੍ਰੋਜੈਕਟ ਮੈਨੇਜਰ ਲਈ ਇੱਕ ਆਮ ਮੰਗਲਵਾਰ ‘ਤੇ ਨਜ਼ਰ ਮਾਰੀਏ। ਉਹ ਆਪਣੀ ਸਵੇਰ ਦੀ ਸ਼ੁਰੂਆਤ ਪੰਜਾਹ ਈਮੇਲਾਂ ਦੇ ਢੇਰ ਨਾਲ ਕਰਦੀ ਹੈ। ਹਰ ਇੱਕ ਨੂੰ ਪੜ੍ਹਨ ਦੀ ਬਜਾਏ, ਉਹ ਐਕਸ਼ਨ ਆਈਟਮਾਂ ਨੂੰ ਐਕਸਟਰੈਕਟ ਕਰਨ ਲਈ ਇੱਕ ਲੋਕਲ ਸਕ੍ਰਿਪਟ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ। ਇੱਥੇ ਲੋਕ AI ਨੂੰ ਵਧਾ-ਚੜ੍ਹਾ ਕੇ ਸਮਝਦੇ ਹਨ। ਉਹ ਸੋਚਦੇ ਹਨ ਕਿ ਇਹ ਜਵਾਬਾਂ ਨੂੰ ਸੰਭਾਲ ਸਕਦਾ ਹੈ। ਸਾਰਾਹ ਬਿਹਤਰ ਜਾਣਦੀ ਹੈ। ਉਹ ਸੂਚੀ ਦੀ ਸਮੀਖਿਆ ਕਰਦੀ ਹੈ, ਕੂੜਾ ਮਿਟਾਉਂਦੀ ਹੈ, ਅਤੇ ਫਿਰ ਖੁਦ ਜਵਾਬ ਲਿਖਦੀ ਹੈ। AI ਨੇ ਉਸਦਾ ਇੱਕ ਘੰਟਾ ਬਚਾਇਆ, ਪਰ ਉਸਨੇ ਮਨੁੱਖੀ ਅਹਿਸਾਸ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਿਆ। ਬਾਅਦ ਵਿੱਚ, ਉਸਨੂੰ ਇੱਕ ਪ੍ਰੋਜੈਕਟ ਪਲਾਨ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਉਹ ਮਾਡਲ ਨੂੰ ਰੁਕਾਵਟਾਂ ਦਿੰਦੀ ਹੈ: ਬਜਟ, ਸਮਾਂ-ਸੀਮਾ, ਅਤੇ ਟੀਮ ਦਾ ਆਕਾਰ। ਇਹ ਉਸਨੂੰ ਇੱਕ ਡਰਾਫਟ ਦਿੰਦਾ ਹੈ। ਉਹ ਉਸ ਡਰਾਫਟ ਨੂੰ ਤੋੜਨ ਵਿੱਚ ਦੋ ਘੰਟੇ ਬਿਤਾਉਂਦੀ ਹੈ ਕਿਉਂਕਿ ਮਾਡਲ ਨੂੰ ਇਹ ਨਹੀਂ ਪਤਾ ਸੀ ਕਿ ਉਸਦੇ ਦੋ ਡਿਵੈਲਪਰ ਇਸ ਸਮੇਂ ਛੁੱਟੀ ‘ਤੇ ਹਨ। ਇਹ ਮਨੁੱਖੀ ਸਮੀਖਿਆ ਦੀ ਅਸਲੀਅਤ ਹੈ। ਰਣਨੀਤੀ ਉਦੋਂ ਫੇਲ੍ਹ ਹੋ ਜਾਂਦੀ ਹੈ ਜਦੋਂ ਤੁਸੀਂ ਮੰਨਦੇ ਹੋ ਕਿ ਮਾਡਲ ਕੋਲ ਤੁਹਾਡੀ ਜ਼ਿੰਦਗੀ ਦਾ ਪੂਰਾ ਸੰਦਰਭ ਹੈ। ਅਜਿਹਾ ਨਹੀਂ ਹੈ। ਸਾਰਾਹ ਆਪਣੀ ਦੁਪਹਿਰ ਦੀ ਮੀਟਿੰਗ ਨੂੰ ਟ੍ਰਾਂਸਕ੍ਰਾਈਬ ਕਰਨ ਲਈ ਇੱਕ ਟੂਲ ਦੀ ਵਰਤੋਂ ਵੀ ਕਰਦੀ ਹੈ। ਉਹ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਦੀ ਵਰਤੋਂ ਸਾਰ ਬਣਾਉਣ ਲਈ ਕਰਦੀ ਹੈ। ਉਹ ਦੇਖਦੀ ਹੈ ਕਿ AI ਨੇ ਕਲਾਇੰਟ ਦੇ ਇਤਰਾਜ਼ ਬਾਰੇ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਨੁਕਤਾ ਗੁਆ ਦਿੱਤਾ ਹੈ। ਜੇ ਉਹ ਮੀਟਿੰਗ ਵਿੱਚ ਨਾ ਹੁੰਦੀ, ਤਾਂ ਉਹ ਵੀ ਇਸਨੂੰ ਗੁਆ ਦਿੰਦੀ।

ਇਹ ਡੈਲੀਗੇਸ਼ਨ ਦੀ ਲੁਕਵੀਂ ਕੀਮਤ ਹੈ। ਤੁਹਾਨੂੰ ਅਜੇ ਵੀ ਧਿਆਨ ਦੇਣ ਦੀ ਲੋੜ ਹੈ। ਦਿਨ ਦੇ ਅੰਤ ਤੱਕ, ਸਾਰਾਹ ਨੇ ਪਿਛਲੇ ਸਾਲ ਨਾਲੋਂ ਜ਼ਿਆਦਾ ਕੰਮ ਕੀਤਾ ਹੈ, ਪਰ ਉਹ ਜ਼ਿਆਦਾ ਥੱਕ ਵੀ ਗਈ ਹੈ। AI ਦੇ ਕੰਮ ਦੀ ਜਾਂਚ ਕਰਨ ਦਾ ਮਾਨਸਿਕ ਬੋਝ ਖੁਦ ਕੰਮ ਕਰਨ ਦੇ ਬੋਝ ਨਾਲੋਂ ਵੱਖਰਾ ਹੈ। ਇਸ ਲਈ ਸ਼ੱਕ ਦੀ ਨਿਰੰਤਰ ਸਥਿਤੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਲੋਕ ਅਕਸਰ ਇਸ ਬੋਧਾਤਮਕ ਟੈਕਸ ਨੂੰ ਘੱਟ ਸਮਝਦੇ ਹਨ। ਉਹ ਸੋਚਦੇ ਹਨ ਕਿ AI ਜ਼ਿੰਦਗੀ ਨੂੰ ਆਸਾਨ ਬਣਾਉਂਦਾ ਹੈ। ਅਕਸਰ, ਇਹ ਸਿਰਫ ਜ਼ਿੰਦਗੀ ਨੂੰ ਤੇਜ਼ ਬਣਾਉਂਦਾ ਹੈ, ਜੋ ਕਿ ਇੱਕੋ ਗੱਲ ਨਹੀਂ ਹੈ। ਸਾਰਾਹ ਨੇ ਸਿਸਟਮ ਤੋਂ ਆਪਣੀ ਅੰਤਿਮ ਰਿਪੋਰਟ ਪ੍ਰਾਪਤ ਕੀਤੀ ਅਤੇ ਟੋਨ ਨੂੰ ਠੀਕ ਕਰਨ ਵਿੱਚ ਵੀਹ ਮਿੰਟ ਬਿਤਾਏ। ਉਸਨੇ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਇੱਕ ਖਾਸ ਚੈਕਲਿਸਟ ਦੀ ਪਾਲਣਾ ਕੀਤੀ ਕਿ ਆਉਟਪੁੱਟ ਭੇਜਣ ਲਈ ਸੁਰੱਖਿਅਤ ਸੀ:

• ਅਸਲ ਸਰੋਤ ਦੇ ਵਿਰੁੱਧ ਸਾਰੇ ਨਾਮ ਅਤੇ ਮਿਤੀਆਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ।
• ਪੈਰਾਗ੍ਰਾਫਾਂ ਵਿਚਕਾਰ ਤਰਕਪੂਰਨ ਅਸੰਗਤੀਆਂ ਦੀ ਜਾਂਚ ਕਰੋ।
• ਆਮ ਵਿਸ਼ੇਸ਼ਣਾਂ ਨੂੰ ਹਟਾਓ ਜੋ ਮਸ਼ੀਨ ਜਨਰੇਸ਼ਨ ਦਾ ਸੰਕੇਤ ਦਿੰਦੇ ਹਨ।
• ਇਹ ਸੁਨਿਸ਼ਚਿਤ ਕਰੋ ਕਿ ਸਿੱਟਾ ਜਾਣ-ਪਛਾਣ ਵਿੱਚ ਪ੍ਰਦਾਨ ਕੀਤੇ ਗਏ ਡੇਟਾ ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੈ।
• ਇੱਕ ਨਿੱਜੀ ਨੋਟ ਸ਼ਾਮਲ ਕਰੋ ਜੋ ਪਿਛਲੀ ਗੱਲਬਾਤ ਦਾ ਹਵਾਲਾ ਦਿੰਦਾ ਹੈ।

ਸਾਰਾਹ ਦੇ ਦਿਨ ਵਿੱਚ ਵਿਰੋਧਾਭਾਸ ਇਹ ਹੈ ਕਿ ਜਿੰਨਾ ਜ਼ਿਆਦਾ ਉਹ ਟੂਲ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ, ਓਨਾ ਹੀ ਉਸਨੂੰ ਇੱਕ ਉੱਚ-ਪੱਧਰੀ ਸੰਪਾਦਕ ਵਜੋਂ ਕੰਮ ਕਰਨਾ ਪੈਂਦਾ ਹੈ। ਉਹ ਹੁਣ ਸਿਰਫ ਇੱਕ ਪ੍ਰੋਜੈਕਟ ਮੈਨੇਜਰ ਨਹੀਂ ਹੈ। ਉਹ ਇੱਕ ਐਲਗੋਰਿਦਮ ਲਈ ਕੁਆਲਿਟੀ ਅਸ਼ੋਰੈਂਸ ਅਫਸਰ ਹੈ। ਇਹ ਕਹਾਣੀ ਦਾ ਉਹ ਹਿੱਸਾ ਹੈ ਜੋ ਅਕਸਰ ਸੁਚਾਰੂ ਬਣਾਇਆ ਜਾਂਦਾ ਹੈ। ਸਾਨੂੰ ਦੱਸਿਆ ਜਾਂਦਾ ਹੈ ਕਿ AI ਸਾਨੂੰ ਸਾਡਾ ਸਮਾਂ ਵਾਪਸ ਦਿੰਦਾ ਹੈ। ਅਸਲ ਵਿੱਚ, ਇਹ ਬਦਲਦਾ ਹੈ ਕਿ ਅਸੀਂ ਉਹ ਸਮਾਂ ਕਿਵੇਂ ਬਿਤਾਉਂਦੇ ਹਾਂ। ਇਹ ਸਾਨੂੰ ਰਚਨਾ ਦੇ ਕੰਮ ਤੋਂ ਤਸਦੀਕ ਦੇ ਕੰਮ ਵੱਲ ਲੈ ਜਾਂਦਾ ਹੈ। ਇਹ ਥਕਾਵਟ ਵਾਲਾ ਹੋ ਸਕਦਾ ਹੈ। ਇਸ ਲਈ ਹੁਨਰਾਂ ਦੇ ਇੱਕ ਵੱਖਰੇ ਸੈੱਟ ਦੀ ਵੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਜਿਸ ਲਈ ਬਹੁਤ ਸਾਰੇ ਲੋਕ ਤਿਆਰ ਨਹੀਂ ਹਨ। ਤੁਹਾਨੂੰ ਸੰਪੂਰਨ ਵਿਆਕਰਣ ਦੇ ਸਮੁੰਦਰ ਵਿੱਚ ਇੱਕ ਸੂਖਮ ਗਲਤੀ ਲੱਭਣ ਦੇ ਯੋਗ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਤੁਹਾਨੂੰ ਇਹ ਦੱਸਣ ਦੇ ਯੋਗ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਮਸ਼ੀਨ ਕਦੋਂ ਚੀਜ਼ਾਂ ਬਣਾ ਰਹੀ ਹੈ ਕਿਉਂਕਿ ਇਹ ਤੁਹਾਨੂੰ ਖੁਸ਼ ਕਰਨਾ ਚਾਹੁੰਦੀ ਹੈ। ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਮਨੁੱਖੀ ਸਮੀਖਿਆ ਸਿਰਫ ਇੱਕ ਸੁਝਾਅ ਨਹੀਂ ਹੈ। ਇਹ ਇੱਕ ਪੇਸ਼ੇਵਰ ਵਾਤਾਵਰਣ ਵਿੱਚ ਬਚਾਅ ਲਈ ਇੱਕ ਲੋੜ ਹੈ।

ਕੁਸ਼ਲਤਾ ‘ਤੇ ਲੁਕਿਆ ਹੋਇਆ ਟੈਕਸ

ਸਾਨੂੰ ਇਸ ਏਕੀਕਰਣ ਦੇ ਲੰਬੇ ਸਮੇਂ ਦੇ ਪ੍ਰਭਾਵਾਂ ਬਾਰੇ ਮੁਸ਼ਕਲ ਸਵਾਲ ਪੁੱਛਣੇ ਚਾਹੀਦੇ ਹਨ। ਜਦੋਂ ਅਸੀਂ ਆਪਣੇ ਖੁਦ ਦੇ ਪਹਿਲੇ ਡਰਾਫਟ ਲਿਖਣਾ ਬੰਦ ਕਰ ਦਿੰਦੇ ਹਾਂ ਤਾਂ ਸਾਡੇ ਹੁਨਰਾਂ ਦਾ ਕੀ ਹੁੰਦਾ ਹੈ? ਜੇ ਕੋਈ ਜੂਨੀਅਰ ਡਿਜ਼ਾਈਨਰ ਆਪਣਾ ਪੂਰਾ ਕਰੀਅਰ AI ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੀਆਂ ਤਸਵੀਰਾਂ ਨੂੰ ਟਵੀਕ ਕਰਨ ਵਿੱਚ ਬਿਤਾਉਂਦਾ ਹੈ, ਤਾਂ ਕੀ ਉਹ ਕਦੇ ਰਚਨਾ ਦੇ ਮੂਲ ਸਿਧਾਂਤ ਸਿੱਖੇਗਾ? ਹੁਨਰ ਦੇ ਘਟਣ ਦਾ ਇੱਕ ਜੋਖਮ ਹੈ ਜਿਸ ਬਾਰੇ ਅਸੀਂ ਕਾਫ਼ੀ ਗੱਲ ਨਹੀਂ ਕਰ ਰਹੇ ਹਾਂ। ਫਿਰ ਗੋਪਨੀਯਤਾ ਦਾ ਮੁੱਦਾ ਹੈ। ਹਰ ਪ੍ਰੋਂਪਟ ਜੋ ਤੁਸੀਂ ਕਲਾਉਡ-ਅਧਾਰਿਤ ਮਾਡਲ ਨੂੰ ਭੇਜਦੇ ਹੋ, ਉਹ ਡੇਟਾ ਦਾ ਇੱਕ ਹਿੱਸਾ ਹੈ ਜੋ ਤੁਸੀਂ ਦੇ ਰਹੇ ਹੋ। ਇੱਥੋਂ ਤੱਕ ਕਿ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਸਮਝੌਤਿਆਂ ਦੇ ਨਾਲ ਵੀ, ਡੇਟਾ ਜ਼ਹਿਰ ਜਾਂ ਦੁਰਘਟਨਾਤਮਕ ਐਕਸਪੋਜਰ ਦਾ ਜੋਖਮ ਅਸਲ ਹੈ। ਤੁਹਾਡੇ ਡੇਟਾ ‘ਤੇ ਬਣੀ ਬੁੱਧੀ ਦਾ ਮਾਲਕ ਕੌਣ ਹੈ? ਜੇ ਤੁਸੀਂ ਇੱਕ ਕਿਤਾਬ ਲਿਖਣ ਵਿੱਚ ਮਦਦ ਕਰਨ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋ, ਤਾਂ ਕੀ ਉਹ ਕਿਤਾਬ ਸੱਚਮੁੱਚ ਤੁਹਾਡੀ ਹੈ? ਕਾਨੂੰਨੀ ਪ੍ਰਣਾਲੀ ਅਜੇ ਵੀ ਇਸ ਨੂੰ ਫੜ ਰਹੀ ਹੈ। ਸਾਨੂੰ ਵਾਤਾਵਰਣ ਦੀ ਲਾਗਤ ‘ਤੇ ਵੀ ਵਿਚਾਰ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ। ਇਹਨਾਂ ਵਿਸ਼ਾਲ ਮਾਡਲਾਂ ਨੂੰ ਚਲਾਉਣ ਲਈ ਬਿਜਲੀ ਅਤੇ ਕੂਲਿੰਗ ਲਈ ਪਾਣੀ ਦੀ ਇੱਕ ਵੱਡੀ ਮਾਤਰਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਕੀ ਇੱਕ ਸੰਖੇਪ ਈਮੇਲ ਦੀ ਸਹੂਲਤ ਕਾਰਬਨ ਫੁੱਟਪ੍ਰਿੰਟ ਦੇ ਯੋਗ ਹੈ?

ਅਸੀਂ ਕਲਾਉਡ ਦੇ ਜਾਦੂ ਨੂੰ ਵਧਾ-ਚੜ੍ਹਾ ਕੇ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ ਅਤੇ ਇਸਨੂੰ ਚਲਾਉਣ ਲਈ ਲੋੜੀਂਦੇ ਭੌਤਿਕ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਨੂੰ ਘੱਟ ਸਮਝਦੇ ਹਾਂ। ਫੀਡਬੈਕ ਲੂਪ ਦੀ ਸਮੱਸਿਆ ਵੀ ਹੈ। ਜੇ AI ਨੂੰ AI ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੀ ਸਮੱਗਰੀ ‘ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਆਉਟਪੁੱਟ ਦੀ ਗੁਣਵੱਤਾ ਅੰਤ ਵਿੱਚ ਘਟ ਜਾਵੇਗੀ। ਅਸੀਂ ਪਹਿਲਾਂ ਹੀ ਕੁਝ ਖੋਜ ਸੈਟਿੰਗਾਂ ਵਿੱਚ ਮਾਡਲ ਦੇ ਡਿੱਗਣ ਨੂੰ ਦੇਖ ਰਹੇ ਹਾਂ। ਅਸੀਂ ਇਹ ਕਿਵੇਂ ਯਕੀਨੀ ਬਣਾਈਏ ਕਿ ਅਸੀਂ ਅਜੇ ਵੀ ਸਿਸਟਮ ਨੂੰ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੀ, ਮਨੁੱਖੀ-ਬਣਾਈ ਜਾਣਕਾਰੀ ਦੇ ਰਹੇ ਹਾਂ? ਇਹ ਵਿਰੋਧਾਭਾਸ ਖਤਮ ਨਹੀਂ ਹੋਣ ਵਾਲੇ ਹਨ। ਉਹ ਆਧੁਨਿਕ ਯੁੱਗ ਲਈ ਦਾਖਲੇ ਦੀ ਕੀਮਤ ਹਨ।

ਤੁਹਾਨੂੰ ਇਹ ਫੈਸਲਾ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਕੀ ਤੁਹਾਡੀ ਖਾਸ ਸਥਿਤੀ ਲਈ ਇਹ ਵਪਾਰਕ ਸੌਦਾ ਇਸਦੇ ਯੋਗ ਹੈ। ਬਹੁਤਿਆਂ ਲਈ, ਜਵਾਬ ਇੱਕ ਸਾਵਧਾਨ ਹਾਂ ਹੈ, ਪਰ ਸਿਰਫ ਤਾਂ ਹੀ ਜੇਕਰ ਮਨੁੱਖ ਅੰਤਿਮ ਅਥਾਰਟੀ ਬਣਿਆ ਰਹੇ। ਇਸਦੇ ਨੈਤਿਕਤਾ ਬਾਰੇ ਹੋਰ ਜਾਣਕਾਰੀ ਲਈ, ਟੈਕਨਾਲੋਜੀ ਨੀਤੀ ਵਿੱਚ ਉਹਨਾਂ ਦੇ ਡੂੰਘੇ ਗੋਤਾਖੋਰੀ ਲਈ The Verge ‘ਤੇ ਜਾਓ। ਵਿਸ਼ਾ ਵਿਕਸਿਤ ਹੁੰਦਾ ਰਹੇਗਾ ਕਿਉਂਕਿ ਅਸੀਂ ਅਜੇ ਇਹ ਫੈਸਲਾ ਨਹੀਂ ਕੀਤਾ ਹੈ ਕਿ ਮਨੁੱਖ ਅਤੇ ਮਸ਼ੀਨ ਵਿਚਕਾਰ ਲਾਈਨ ਕਿੱਥੇ ਖਿੱਚੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ।

ਸਥਾਨਕ ਕੰਟਰੋਲ ਦਾ ਬੁਨਿਆਦੀ ਢਾਂਚਾ

ਪਾਵਰ ਯੂਜ਼ਰਸ ਲਈ, ਹੱਲ ਅਕਸਰ ਵੱਡੇ ਕਲਾਉਡ ਪ੍ਰਦਾਤਾਵਾਂ ਤੋਂ ਦੂਰ ਜਾਣਾ ਹੁੰਦਾ ਹੈ। ਸਥਾਨਕ ਸਟੋਰੇਜ ਅਤੇ ਸਥਾਨਕ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਗੋਪਨੀਯਤਾ ਅਤੇ ਭਰੋਸੇਯੋਗਤਾ ਲਈ ਗੋਲਡ ਸਟੈਂਡਰਡ ਬਣ ਰਹੇ ਹਨ। ਜੇ ਤੁਸੀਂ ਆਪਣੇ ਖੁਦ ਦੇ ਹਾਰਡਵੇਅਰ ‘ਤੇ Llama ਜਾਂ Mistral ਵਰਗਾ ਮਾਡਲ ਚਲਾਉਂਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਆਪਣੇ ਡੇਟਾ ਦੇ ਸਿਖਲਾਈ ਲਈ ਵਰਤੇ ਜਾਣ ਦੇ ਜੋਖਮ ਨੂੰ ਖਤਮ ਕਰਦੇ ਹੋ। ਤੁਸੀਂ ਉਤਰਾਅ-ਚੜ੍ਹਾਅ ਵਾਲੀਆਂ API ਸੀਮਾਵਾਂ ਅਤੇ ਮਾਡਲਾਂ ਦੀ ਨਰਫਿੰਗ ਤੋਂ ਵੀ ਬਚਦੇ ਹੋ ਜੋ ਅਕਸਰ ਉਦੋਂ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਪ੍ਰਦਾਤਾ ਕੰਪਿਊਟ ਲਾਗਤਾਂ ‘ਤੇ ਬਚਤ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਨ। ਹਾਲਾਂਕਿ, ਇਸ ਲਈ ਹਾਰਡਵੇਅਰ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਨਿਵੇਸ਼ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਤੁਹਾਨੂੰ ਬਹੁਤ ਸਾਰੇ VRAM ਦੇ ਨਾਲ ਇੱਕ ਉੱਚ-ਅੰਤ ਵਾਲੇ GPU ਦੀ ਲੋੜ ਹੈ। ਤੁਹਾਨੂੰ ਇਹ ਵੀ ਸਮਝਣ ਦੀ ਲੋੜ ਹੈ ਕਿ ਆਪਣੀ ਸੰਦਰਭ ਵਿੰਡੋ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਬੰਧਿਤ ਕਰਨਾ ਹੈ। ਜੇ ਤੁਹਾਡਾ ਪ੍ਰੋਂਪਟ ਬਹੁਤ ਲੰਬਾ ਹੈ, ਤਾਂ ਮਾਡਲ ਗੱਲਬਾਤ ਦੀ ਸ਼ੁਰੂਆਤ ਨੂੰ ਭੁੱਲਣਾ ਸ਼ੁਰੂ ਕਰ ਦੇਵੇਗਾ। ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ Retrieval-Augmented Generation ਵਰਗੇ ਵਰਕਫਲੋ ਏਕੀਕਰਣ ਆਉਂਦੇ ਹਨ। ਪ੍ਰੋਂਪਟ ਵਿੱਚ ਸਭ ਕੁਝ ਭਰਨ ਦੀ ਬਜਾਏ, ਤੁਸੀਂ ਜਾਣਕਾਰੀ ਦੇ ਸਿਰਫ ਸੰਬੰਧਿਤ ਟੁਕੜਿਆਂ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਇੱਕ ਵੈਕਟਰ ਡੇਟਾਬੇਸ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋ।

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।

ਇਹ ਬਹੁਤ ਜ਼ਿਆਦਾ ਕੁਸ਼ਲ ਹੈ ਪਰ ਇਸ ਲਈ ਉੱਚ ਪੱਧਰੀ ਤਕਨੀਕੀ ਹੁਨਰ ਦੀ ਲੋੜ ਹੈ। ਤੁਹਾਨੂੰ ਆਪਣੇ ਖੁਦ ਦੇ ਏਮਬੈਡਿੰਗਾਂ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨਾ ਪਵੇਗਾ ਅਤੇ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਹੋਵੇਗਾ ਕਿ ਤੁਹਾਡਾ ਡੇਟਾਬੇਸ ਅਪ ਟੂ ਡੇਟ ਹੈ। OpenAI ਜਾਂ Google ਦੇ ਵਿਸ਼ਾਲ ਕਲੱਸਟਰਾਂ ਦੇ ਮੁਕਾਬਲੇ ਸਥਾਨਕ ਮਾਡਲ ਕੀ ਕਰ ਸਕਦੇ ਹਨ, ਇਸਦੀਆਂ ਵੀ ਸੀਮਾਵਾਂ ਹਨ। ਤੁਸੀਂ ਕੰਟਰੋਲ ਲਈ ਕੱਚੀ ਸ਼ਕਤੀ ਦਾ ਵਪਾਰ ਕਰ ਰਹੇ ਹੋ। ਅਸੀਂ ਹੋਰ ਟੂਲ ਦੇਖ ਰਹੇ ਹਾਂ ਜੋ ਇਸਨੂੰ ਔਸਤ ਗੀਕ ਲਈ ਆਸਾਨ ਬਣਾਉਂਦੇ ਹਨ, ਪਰ ਇਸ ਲਈ ਅਜੇ ਵੀ ਇੱਕ ਟਿੰਕਰ ਮਾਨਸਿਕਤਾ ਦੀ ਲੋੜ ਹੈ। ਤੁਹਾਨੂੰ ਪਾਈਥਨ ਸਕ੍ਰਿਪਟ ਨੂੰ ਡੀਬੱਗ ਕਰਨ ਜਾਂ ਸਹੀ ਆਉਟਪੁੱਟ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਆਪਣੀਆਂ ਤਾਪਮਾਨ ਸੈਟਿੰਗਾਂ ਨੂੰ ਅਨੁਕੂਲ ਕਰਨ ਲਈ ਘੰਟੇ ਬਿਤਾਉਣ ਲਈ ਤਿਆਰ ਰਹਿਣਾ ਪਵੇਗਾ। ਉੱਚ ਸੁਰੱਖਿਆ ਲੋੜਾਂ ਵਾਲੇ ਲੋਕਾਂ ਲਈ ਇਸ ਪਹੁੰਚ ਦੇ ਲਾਭ ਸਪੱਸ਼ਟ ਹਨ:

• ਬਾਹਰੀ ਸਰਵਰਾਂ ਨੂੰ ਜ਼ੀਰੋ ਡੇਟਾ ਲੀਕੇਜ।
• ਸ਼ੁਰੂਆਤੀ ਹਾਰਡਵੇਅਰ ਲਾਗਤ ਤੋਂ ਬਾਅਦ ਕੋਈ ਮਾਸਿਕ ਗਾਹਕੀ ਫੀਸ ਨਹੀਂ।
• ਫਾਈਨ ਟਿਊਨਿੰਗ ਦੁਆਰਾ ਮਾਡਲ ਦੇ ਵਿਵਹਾਰ ਦਾ ਅਨੁਕੂਲਨ।
• ਸ਼ਕਤੀਸ਼ਾਲੀ ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ ਟੂਲਾਂ ਤੱਕ ਔਫਲਾਈਨ ਪਹੁੰਚ।
• ਤੁਹਾਡੇ ਦੁਆਰਾ ਵਰਤੇ ਜਾ ਰਹੇ ਮਾਡਲ ਦੇ ਸੰਸਕਰਣ ‘ਤੇ ਪੂਰਾ ਨਿਯੰਤਰਣ।

ਇੱਥੇ ਵਿਰੋਧਾਭਾਸ ਇਹ ਹੈ ਕਿ ਜਿਨ੍ਹਾਂ ਲੋਕਾਂ ਨੂੰ ਕੁਸ਼ਲਤਾ ਲਈ AI ਦੀ ਸਭ ਤੋਂ ਵੱਧ ਲੋੜ ਹੈ, ਉਹ ਅਕਸਰ ਉਹ ਹੁੰਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਕੋਲ ਇਹ ਸਥਾਨਕ ਸਿਸਟਮ ਸਥਾਪਤ ਕਰਨ ਦਾ ਸਮਾਂ ਨਹੀਂ ਹੁੰਦਾ। ਇਹ ਉਹਨਾਂ ਲੋਕਾਂ ਵਿਚਕਾਰ ਇੱਕ ਵੰਡ ਪੈਦਾ ਕਰਦਾ ਹੈ ਜੋ ਖਪਤਕਾਰ ਸੰਸਕਰਣਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ ਅਤੇ ਉਹ ਜੋ ਆਪਣੇ ਖੁਦ ਦੇ ਨਿੱਜੀ ਸਟੈਕ ਬਣਾਉਂਦੇ ਹਨ। ਇਹ ਤਕਨੀਕੀ ਪਾੜਾ ਵਧਣ ਦੀ ਸੰਭਾਵਨਾ ਹੈ ਕਿਉਂਕਿ ਮਾਡਲ ਵਧੇਰੇ ਗੁੰਝਲਦਾਰ ਹੋ ਜਾਂਦੇ ਹਨ। ਜੇ ਤੁਸੀਂ ਇੱਕ ਸਿਰਜਣਹਾਰ ਜਾਂ ਡਿਵੈਲਪਰ ਹੋ, ਤਾਂ ਸਥਾਨਕ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਵਿੱਚ ਨਿਵੇਸ਼ ਇੱਕ ਲਗਜ਼ਰੀ ਨਾਲੋਂ ਇੱਕ ਲੋੜ ਬਣ ਰਿਹਾ ਹੈ। ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਦਾ ਇੱਕੋ ਇੱਕ ਤਰੀਕਾ ਹੈ ਕਿ ਤੁਹਾਡੇ ਟੂਲ ਰਾਤੋ-ਰਾਤ ਬਦਲਣ ਜਾਂ ਗਾਇਬ ਨਾ ਹੋਣ ਕਿਉਂਕਿ ਕਿਸੇ ਪ੍ਰਦਾਤਾ ਨੇ ਆਪਣੀ ਸੇਵਾ ਦੀਆਂ ਸ਼ਰਤਾਂ ਨੂੰ ਅਪਡੇਟ ਕਰਨ ਦਾ ਫੈਸਲਾ ਕੀਤਾ ਹੈ।

ਲੂਪ ਵਿੱਚ ਇਨਸਾਨ

ਸਿੱਟਾ ਇਹ ਹੈ ਕਿ AI ਐਂਪਲੀਫਿਕੇਸ਼ਨ ਦਾ ਇੱਕ ਸਾਧਨ ਹੈ, ਨਾ ਕਿ ਫੈਸਲੇ ਦਾ ਬਦਲ। ਜੇ ਤੁਸੀਂ ਇਸਦੀ ਵਰਤੋਂ ਕਿਸੇ ਮਾੜੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਤੇਜ਼ ਕਰਨ ਲਈ ਕਰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਸਿਰਫ ਤੇਜ਼ੀ ਨਾਲ ਮਾੜੇ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹੋ। ਟੀਚਾ ਇਹ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਇਹਨਾਂ ਪ੍ਰਣਾਲੀਆਂ ਦੀ ਵਰਤੋਂ ਡ੍ਰਜ ਵਰਕ ਨੂੰ ਸੰਭਾਲਣ ਲਈ ਕੀਤੀ ਜਾਵੇ ਜਦੋਂ ਕਿ ਤੁਸੀਂ ਉੱਚ-ਪੱਧਰੀ ਰਣਨੀਤੀ ‘ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰੋ। ਇਸ ਲਈ ਸਾਨੂੰ ਆਪਣੀ ਕੀਮਤ ਬਾਰੇ ਸੋਚਣ ਦੇ ਤਰੀਕੇ ਵਿੱਚ ਬਦਲਾਅ ਦੀ ਲੋੜ ਹੈ। ਅਸੀਂ ਹੁਣ ਹਰ ਛੋਟੇ ਕੰਮ ਨੂੰ ਕਰਨ ਵਾਲੇ ਨਹੀਂ ਹਾਂ। ਅਸੀਂ ਆਰਕੀਟੈਕਟ ਅਤੇ ਸੰਪਾਦਕ ਹਾਂ। ਸਵਾਲ ਇਹ ਹੈ ਕਿ ਕੀ ਅਸੀਂ ਆਪਣੀ ਰਚਨਾਤਮਕ ਚੰਗਿਆੜੀ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖ ਸਕਦੇ ਹਾਂ ਜਦੋਂ ਘੱਟੋ-ਘੱਟ ਵਿਰੋਧ ਦਾ ਮਾਰਗ ਹਮੇਸ਼ਾ ਇੱਕ ਐਲਗੋਰਿਦਮਿਕ ਹੁੰਦਾ ਹੈ। ਜੇ ਅਸੀਂ ਮਸ਼ੀਨਾਂ ਨੂੰ ਆਸਾਨ ਚੀਜ਼ਾਂ ਸੰਭਾਲਣ ਦਿੰਦੇ ਹਾਂ, ਤਾਂ ਕੀ ਸਾਡੇ ਕੋਲ ਔਖੀਆਂ ਚੀਜ਼ਾਂ ਲਈ ਤਾਕਤ ਬਚੇਗੀ? ਇਹ ਇੱਕ ਅਜਿਹੀ ਚੋਣ ਹੈ ਜੋ ਹਰ ਯੂਜ਼ਰ ਨੂੰ ਹਰ ਰੋਜ਼ ਕਰਨੀ ਪੈਂਦੀ ਹੈ। ਵਿਹਾਰਕਤਾ ਨਵੀਨਤਾ ਨਾਲੋਂ ਜ਼ਿਆਦਾ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਟੂਲ ਦੀ ਵਰਤੋਂ ਕਰੋ, ਪਰ ਇਸਨੂੰ ਆਪਣੀ ਵਰਤੋਂ ਨਾ ਕਰਨ ਦਿਓ। ਆਪਣੀਆਂ ਨਜ਼ਰਾਂ ਆਉਟਪੁੱਟ ‘ਤੇ ਅਤੇ ਆਪਣੇ ਹੱਥ ਸਟੀਅਰਿੰਗ ‘ਤੇ ਰੱਖੋ।

편집자 주: 저희는 컴퓨터 전문가가 아니지만 인공지능을 이해하고, 더 자신감 있게 사용하며, 이미 다가오고 있는 미래를 따라가고 싶은 사람들을 위한 다국어 AI 뉴스 및 가이드 허브로 이 사이트를 만들었습니다.

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