அதிகமாக யோசிக்காமல் சிறந்த ப்ராம்ப்டுகளை எழுதுவது எப்படி?

பெரிய லாங்குவேஜ் மாடல்களுடன் (large language models) திறம்பட தொடர்புகொள்வதற்கு ரகசிய வார்த்தைகளோ அல்லது சிக்கலான கோடிங் திறன்களோ தேவையில்லை. முடிவுகளை மேம்படுத்த விரும்பும் எவருக்கும் அடிப்படை விஷயம் மிகவும் எளிதானது. மெஷினை ஒரு சர்ச் இன்ஜின் போல பார்ப்பதை நிறுத்திவிட்டு, புத்திசாலித்தனமான ஆனால் நேரடியான ஒரு உதவியாளராகப் பார்க்கத் தொடங்க வேண்டும். பெரும்பாலான மக்கள் தெளிவற்ற அறிவுறுத்தல்களை வழங்கிவிட்டு, மெஷின் அவர்களின் மனதைப் படித்துவிடும் என்று எதிர்பார்ப்பதால் தோல்வியடைகிறார்கள். நீங்கள் ஒரு தெளிவான ரோல் (role), ஒரு குறிப்பிட்ட டாஸ்க் (task) மற்றும் வரையறுக்கப்பட்ட கட்டுப்பாடுகளை வழங்கும்போது, அவுட்புட்டின் தரம் உடனடியாக உயரும். இந்த அணுகுமுறை தேவையற்ற சோதனைகளைத் தவிர்த்து, பொதுவான அல்லது பொருத்தமற்ற பதில்களால் ஏற்படும் விரக்தியைக் குறைக்கிறது. மேஜிக் வார்த்தைகளைத் தேடுவதற்குப் பதிலாக உங்கள் கோரிக்கையின் கட்டமைப்பில் கவனம் செலுத்துவதன் மூலம், முதல் முயற்சியிலேயே உயர்தர முடிவுகளைப் பெறலாம். இந்த மனநிலை மாற்றம், அதிகப்படியான சிந்தனையிலிருந்து விடுபட்டு, செயற்கை நுண்ணறிவுடன் (artificial intelligence) மிகவும் நம்பகமான முறையில் செயல்பட உதவுகிறது. குறிக்கோள் கவித்துவமாக இருப்பது அல்ல, துல்லியமாக இருப்பதுதான்.

மேஜிக் கீவேர்ட் என்ற கட்டுக்கதை

மாடலிடமிருந்து சிறந்த செயல்பாட்டைத் தூண்டும் குறிப்பிட்ட சொற்றொடர்கள் இருப்பதாகப் பல பயனர்கள் நம்புகிறார்கள். சில வார்த்தைகள் சிஸ்டத்தை ஒரு குறிப்பிட்ட பாணியை நோக்கி நகர்த்தினாலும், உண்மையான சக்தி கோரிக்கையின் தர்க்கத்தில்தான் உள்ளது. இந்த சிஸ்டங்கள் தகவல்களை எவ்வாறு செயலாக்குகின்றன என்பதன் அடிப்படை இயக்கவியலைப் புரிந்துகொள்வது, எந்தவொரு குறுக்குவழிப் பட்டியலை விடவும் மதிப்புமிக்கது. ஒரு பெரிய லாங்குவேஜ் மாடல், பயிற்சியின் போது கற்றுக்கொண்ட வடிவங்களின் அடிப்படையில் ஒரு வரிசையில் அடுத்ததாக வரக்கூடிய வார்த்தையை யூகிப்பதன் மூலம் செயல்படுகிறது. நீங்கள் ஒரு தெளிவற்ற ப்ராம்ப்டைக் கொடுத்தால், அது புள்ளிவிவரப்படி சராசரியான பதிலையே வழங்கும். சராசரியை விடச் சிறந்ததைப் பெற, மெஷின் பின்பற்றுவதற்கு ஒரு குறுகிய பாதையை நீங்கள் வழங்க வேண்டும். இது ப்ராம்ப்ட் இன்ஜினியராக இருப்பது பற்றியது அல்ல. இது எல்லைகளை எப்படி அமைப்பது என்று தெரிந்த தெளிவான தொடர்பாளராக இருப்பது பற்றியது.

நல்ல ப்ராம்ப்டின் தர்க்கம் ஒரு எளிய முறையைப் பின்பற்றுகிறது. மெஷின் யாராக இருக்க வேண்டும், அது என்ன செய்ய வேண்டும், எதைத் தவிர்க்க வேண்டும் என்பதை நீங்கள் வரையறுக்கிறீர்கள். உதாரணமாக, சிஸ்டத்தை ஒரு லீகல் ரிசர்ச்சராகச் செயல்படச் சொல்வது, ஒரு கிரியேட்டிவ் ரைட்டராகச் செயல்படச் சொல்வதை விட வேறுபட்ட புள்ளிவிவர வடிவங்களை வழங்குகிறது. இதுவே **Role-Task-Constraint** மாடல். ரோல் தொனியை அமைக்கிறது. டாஸ்க் குறிக்கோளை வரையறுக்கிறது. கட்டுப்பாடுகள் சிஸ்டம் தேவையற்ற விஷயங்களுக்குச் செல்வதைத் தடுக்கின்றன. இந்தத் தர்க்கத்தைப் பயன்படுத்தும்போது, நீங்கள் ஒரு கேள்வியைக் கேட்பது மட்டுமல்ல; மெஷின் செயல்படுவதற்கான ஒரு குறிப்பிட்ட சூழலை உருவாக்குகிறீர்கள். இது ஹாலுசினேஷன் (hallucinations) வாய்ப்பைக் குறைத்து, அவுட்புட் உங்கள் தேவைகளுக்குப் பொருந்துவதை உறுதி செய்கிறது. அடிப்படை தொழில்நுட்பம் மாறினாலும் தர்க்கம் அப்படியே இருப்பதால், இது உங்கள் ப்ராம்ப்டுகளை வெவ்வேறு பிளாட்ஃபார்ம்கள் மற்றும் மாடல்களில் மீண்டும் பயன்படுத்த உதவுகிறது.

தொடர்பு தரநிலைகளில் உலகளாவிய மாற்றம்

இந்த கட்டமைக்கப்பட்ட ப்ராம்ப்டிங் நோக்கிய மாற்றம் உலகம் முழுவதும் மக்கள் வேலை செய்யும் விதத்தை மாற்றுகிறது. டோக்கியோ முதல் நியூயார்க் வரை உள்ள தொழில்முறை சூழல்களில், தானியங்கி சிஸ்டத்திற்காக ஒரு பணியைத் தெளிவாக வரையறுக்கும் திறன் ஒரு அடிப்படைத் திறனாக மாறி வருகிறது. இது மென்பொருள் உருவாக்குநர்களுக்கு (software developers) மட்டும் அல்ல. மார்க்கெட்டிங் மேலாளர்கள், ஆசிரியர்கள் மற்றும் ஆராய்ச்சியாளர்கள் அனைவரும் தங்கள் உற்பத்தித்திறன் மனித எண்ணங்களை மெஷின் அறிவுறுத்தல்களாக எவ்வளவு சிறப்பாக மாற்றுகிறார்கள் என்பதைப் பொறுத்தே அமைகிறது என்பதைக் கண்டறிந்துள்ளனர். இது தகவல் செயலாக்க வேகத்தில் பெரும் தாக்கத்தை ஏற்படுத்துகிறது. ஆரம்ப அறிவுறுத்தல் சரியாக இருந்தால், கைகளால் வரைவு செய்ய மூன்று மணிநேரம் எடுத்த பணி இப்போது நிமிடங்களில் முடிக்கப்படலாம். நிறுவனங்கள் குறைந்த வளங்களைக் கொண்டு அதிக வேலைகளைச் செய்ய வழிகளைத் தேடுவதால், இந்தத் திறன் அதிகரிப்பு பொருளாதார மாற்றத்தின் முக்கிய காரணியாகும்.

இருப்பினும், இந்த உலகளாவிய தத்தெடுப்பு அதன் சொந்த சவால்களைக் கொண்டுவருகிறது. அதிகமான மக்கள் இந்த சிஸ்டங்களைச் சார்ந்திருப்பதால், தரப்படுத்தப்பட்ட, சலிப்பான உள்ளடக்கத்தின் ஆபத்து அதிகரிக்கிறது. அனைவரும் ஒரே மாதிரியான அடிப்படை ப்ராம்ப்டுகளைப் பயன்படுத்தினால், உலகம் ஒரே மாதிரியான அறிக்கைகள் மற்றும் கட்டுரைகளின் வெள்ளத்தைக் காணலாம். மொழியியல் சார்பு (linguistic bias) என்ற சிக்கலும் உள்ளது. பெரும்பாலான முக்கிய மாடல்கள் ஆங்கிலத் தரவுகளில் பயிற்சியளிக்கப்படுகின்றன, அதாவது ப்ராம்ப்டிங் தர்க்கம் பெரும்பாலும் மேற்கத்திய பாணிகளுக்கு ஆதரவாக இருக்கும். பிற மொழிகள் அல்லது கலாச்சாரங்களில் பணிபுரிபவர்கள், சிஸ்டங்கள் தங்கள் இயல்பான தொடர்பு முறைக்கு அவ்வளவு பயனுள்ளதாக பதிலளிக்கவில்லை என்பதைக் காணலாம். இது ஒரு புதிய வகையான டிஜிட்டல் பிளவை உருவாக்குகிறது, அங்கு ஆதிக்கம் செலுத்தும் மாடல்களின் குறிப்பிட்ட தர்க்கத்தில் தேர்ச்சி பெற்றவர்கள், முடியாதவர்களை விட குறிப்பிடத்தக்க நன்மையைப் பெறுகிறார்கள். உலகளாவிய தாக்கம் என்பது தீவிர செயல்திறன் மற்றும் தொழில்முறை தொடர்புகளில் உள்ளூர் நுணுக்கங்களை இழக்கும் அபாயம் ஆகியவற்றின் கலவையாகும்.

தினசரி செயல்திறனுக்கான நடைமுறை முறைகள்

இந்தக் கருத்துகளை நிஜமாக்க, ஒரு மார்க்கெட்டிங் நிபுணர் தினசரி பணியை எவ்வாறு கையாளலாம் என்று பார்ப்போம். புதிய தயாரிப்பு பற்றிய சோஷியல் மீடியா போஸ்ட்டைக் கேட்பதற்குப் பதிலாக, சூழல் மற்றும் வரம்புகளை உள்ளடக்கிய ஒரு முறையைப் பயன்படுத்துகிறார்கள். அவர்கள், ‘ஒரு நிலையான ஃபேஷன் பிராண்டிற்கான சோஷியல் மீடியா ஸ்ட்ரேட்டஜிஸ்ட்டாகச் செயல்படுங்கள். எங்களின் புதிய ஆர்கானிக் காட்டன் லைனை முன்னிலைப்படுத்தும் வகையில் இன்ஸ்டாகிராமிற்காக மூன்று கேப்ஷன்களை எழுதுங்கள். தொழில்முறை ஆனால் ஈர்க்கக்கூடிய தொனியைப் பயன்படுத்துங்கள். ஒரு போஸ்ட்டிற்கு இரண்டு ஹேஷ்டேக்குகளுக்கு மேல் பயன்படுத்த வேண்டாம் மற்றும் ‘sustainable’ என்ற வார்த்தையைத் தவிர்க்கவும்’ என்று கூறலாம். இது மெஷினுக்குத் தெளிவான ரோல், குறிப்பிட்ட எண்ணிக்கை, தொனி மற்றும் எதிர்மறையான கட்டுப்பாட்டை வழங்குகிறது. பயனர் என்ன விரும்பினார் என்பதை மெஷின் யூகிக்க வேண்டிய அவசியமில்லாததால், முடிவு உடனடியாகப் பயன்படுத்தக்கூடியதாக உள்ளது. இது வேரியபிள்களை மாற்றுவதன் மூலம் எந்தவொரு தயாரிப்பு அல்லது பிளாட்ஃபார்மிற்கும் பயன்படுத்தக்கூடிய ஒரு மீண்டும் பயன்படுத்தக்கூடிய முறையாகும்.

மற்றொரு பயனுள்ள முறை ‘few-shot prompt’ ஆகும். இது புதிய ஒன்றை உருவாக்கச் சொல்வதற்கு முன், நீங்கள் விரும்புவதற்குச் சில உதாரணங்களை மெஷினுக்கு வழங்குவதை உள்ளடக்கியது. சிஸ்டம் தரவை ஒரு குறிப்பிட்ட வழியில் ஃபார்மேட் செய்ய விரும்பினால், முதலில் இரண்டு அல்லது மூன்று பூர்த்தி செய்யப்பட்ட உதாரணங்களைக் காட்டுங்கள். ஃபார்மேட்டை வார்த்தைகளால் விவரிக்க முயற்சிப்பதை விட இது மிகவும் பயனுள்ளது. மெஷின் பேட்டர்ன் ரெகக்னிஷனில் (pattern recognition) சிறந்து விளங்குகிறது, எனவே சொல்வதை விடக் காட்டுவது எப்போதும் சிறந்தது. சிக்கலான டேட்டா என்ட்ரிக்கு அல்லது விவரிக்க கடினமாக இருக்கும் குறிப்பிட்ட பிராண்ட் குரலுக்கு அவுட்புட் பொருந்த வேண்டியிருக்கும் போது இந்த தந்திரம் மிகவும் பயனுள்ளதாக இருக்கும். உதாரணங்கள் சீரற்றதாக இருக்கும்போது அல்லது பணி பயிற்சித் தரவுகளிலிருந்து வெகு தொலைவில் இருக்கும்போது இது தோல்வியடையும்.

• சூழல் முறை (Context Pattern): மெஷின் சூழ்நிலையைப் புரிந்துகொள்ளத் தேவையான பின்னணித் தகவலை வழங்கவும்.
• ஆடியன்ஸ் முறை (Audience Pattern): அவுட்புட்டை யார் படிப்பார்கள் என்பதைத் துல்லியமாகக் குறிப்பிடவும், இதனால் சிக்கலான நிலை சரியாக இருக்கும்.
• எதிர்மறை கட்டுப்பாடு (Negative Constraint): அவுட்புட்டை மையமாக வைத்திருக்க விலக்கப்பட வேண்டிய வார்த்தைகள் அல்லது தலைப்புகளைப் பட்டியலிடவும்.
• படி-படியாக முறை (Step-by-Step Pattern): துல்லியத்தை மேம்படுத்த, சிக்கலை நிலைகளில் சிந்திக்க மெஷினைக் கேட்கவும்.
• அவுட்புட் ஃபார்மேட் (Output Format): உங்களுக்கு டேபிள், பட்டியல், பத்தி அல்லது JSON போன்ற குறிப்பிட்ட கோப்பு வகை வேண்டுமா என்பதை வரையறுக்கவும்.

ஒரு புராஜெக்ட் மேனேஜரின் ஒரு நாளைக் கவனியுங்கள். அவர்கள் தங்கள் காலையை மீட்டிங் டிரான்ஸ்கிரிப்டுகளுடன் தொடங்குகிறார்கள். அனைத்தையும் படிப்பதற்குப் பதிலாக, ஆக்ஷன் ஐட்டங்களை எடுக்க ஒரு ப்ராம்ப்ட் முறையைப் பயன்படுத்துகிறார்கள். அவர்கள் மெஷினை ஒரு எக்சிகியூட்டிவ் அசிஸ்டண்டாகச் செயல்படச் சொல்லி, குறிப்பிடப்பட்ட ஒவ்வொரு பணியையும், பொறுப்பான நபரையும், காலக்கெடுவையும் பட்டியலிடச் சொல்கிறார்கள். அவர்கள் சிறிய பேச்சு அல்லது நிர்வாகச் சத்தத்தைப் புறக்கணிக்க ஒரு கட்டுப்பாட்டைச் சேர்க்கிறார்கள். சில நொடிகளில், அவர்களிடம் ஒரு தெளிவான பட்டியல் உள்ளது. பின்னர், அவர்கள் ஒரு கடினமான வாடிக்கையாளருக்கு மின்னஞ்சல் எழுத வேண்டும். அவர்கள் மெஷினுக்கு முக்கிய புள்ளிகளை வழங்கி, அதை ஒரு தணிக்கும் தொனியில் எழுதச் சொல்கிறார்கள். அவர்கள் வரைவை மதிப்பாய்வு செய்து, இரண்டு சிறிய மாற்றங்களைச் செய்து, அதை அனுப்புகிறார்கள். இரண்டு நிகழ்வுகளிலும், மேலாளர் ப்ராம்ப்ட்டை அதிகமாகச் சிந்திக்கவில்லை. அவர்கள் ரோலையும் குறிக்கோளையும் மட்டுமே வரையறுத்தனர். தொழில்நுட்பம் கவனச்சிதறலாக இல்லாமல், பணிப்பாய்வின் ஒரு அங்கமாக மாறுவது இப்படித்தான்.

தானியங்கி சிந்தனையின் மறைமுகச் செலவுகள்

பலன்கள் தெளிவாக இருந்தாலும், ப்ராம்ப்ட்-உந்துதல் வேலையின் எழுச்சிக்கு நாம் சோக்ரடிக் சந்தேகத்தை (Socratic skepticism) பயன்படுத்த வேண்டும். நமது வரைவு மற்றும் சிந்தனையை மெஷினிடம் ஒப்படைப்பதன் மறைமுகச் செலவுகள் என்ன? ஒரு முக்கிய கவலை அசல் சிந்தனையின் அரிப்பு ஆகும். நாம் எப்போதும் AI-உருவாக்கிய வரைவுடன் தொடங்கினால், மாடலின் புள்ளிவிவர சராசரிகளால் நாம் கட்டுப்படுத்தப்படுகிறோம். தனித்துவமான வாதங்களை உருவாக்கும் அல்லது பயிற்சித் தரவுகளுக்கு வெளியே உள்ள ஆக்கபூர்வமான தீர்வுகளைக் கண்டறியும் திறனை நாம் இழக்க நேரிடலாம். தனியுரிமை மற்றும் தரவு பாதுகாப்பு (data security) குறித்த கேள்வியும் உள்ளது. நீங்கள் அனுப்பும் ஒவ்வொரு ப்ராம்ப்ட்டும் மாடலுக்கு மேலும் பயிற்சியளிக்கப் பயன்படுத்தப்படக்கூடிய அல்லது வழங்குநரால் சேமிக்கப்படக்கூடிய தரவாகும். சில நிமிட நேரத்தைச் சேமிப்பதற்காக நமது அறிவுசார் சொத்துரிமையை விற்கிறோமா? ஒரு எளிய கோரிக்கையைச் செயல்படுத்தத் தேவைப்படும் பிரம்மாண்டமான கம்ப்யூட்டிங் சக்தியின் சுற்றுச்சூழல் தாக்கத்தையும் நாம் கருத்தில் கொள்ள வேண்டும்.

மற்றொரு கடினமான கேள்வி திறன் மேம்பாட்டின் எதிர்காலத்தை உள்ளடக்கியது. ஒரு ஜூனியர் ஊழியர் பல வருட பயிற்சி தேவைப்படும் பணிகளைச் செய்ய ப்ராம்ப்டுகளைப் பயன்படுத்தினால், அவர்கள் உண்மையில் அடிப்படைத் திறனைக் கற்கிறார்களா? சிஸ்டம் தோல்வியடைந்தால் அல்லது கிடைக்காமல் போனால், அவர்களால் கைகளால் வேலை செய்ய முடியுமா? மெஷின்களை நிர்வகிப்பதில் அதிகத் திறன் கொண்ட, ஆனால் விஷயங்கள் தவறாக நடக்கும்போது சரிசெய்யத் தேவையான ஆழமான அடிப்படை அறிவு இல்லாத பணியாளர்களை நாம் உருவாக்குகிறோமா? தொழில்நுட்பத்தின் முரண்பாட்டையும் நாம் எதிர்கொள்ள வேண்டும். இது நேரத்தைச் சேமிக்கும் கருவியாக விற்பனை செய்யப்படுகிறது, ஆனால் பலர் சரியான முடிவைப் பெற ப்ராம்ப்டுகளை மாற்றியமைப்பதில் மணிக்கணக்கில் செலவிடுகிறார்கள். இது உற்பத்தித்திறனில் நிகர லாபமா, அல்லது ஒரு வகை உழைப்பை மற்றொன்றாக மாற்றியுள்ளோமா? இவைதான் ஆட்டோமேஷனுடனான நமது உறவின் அடுத்த தசாப்தத்தை வரையறுக்கும் கேள்விகள்.

சூழலின் தொழில்நுட்பக் கட்டமைப்பு

இயக்கவியலைப் புரிந்துகொள்ள விரும்புவோருக்கு, கீக் பகுதி இந்த அறிவுறுத்தல்கள் உண்மையில் எவ்வாறு செயலாக்கப்படுகின்றன என்பதில் கவனம் செலுத்துகிறது. நீங்கள் ஒரு ப்ராம்ப்ட்டை அனுப்பும்போது, அது டோக்கன்களாக (tokens) மாற்றப்படுகிறது. ஒரு டோக்கன் என்பது தோராயமாக நான்கு ஆங்கில எழுத்துக்கள். ஒவ்வொரு மாடலுக்கும் ஒரு *context window* உள்ளது, இது அதன் செயலில் உள்ள நினைவகத்தில் ஒரே நேரத்தில் வைத்திருக்கக்கூடிய அதிகபட்ச டோக்கன்களின் எண்ணிக்கையாகும். உங்கள் ப்ராம்ப்ட் மற்றும் அதன் விளைவாக வரும் அவுட்புட் இந்த வரம்பை மீறினால், மெஷின் உரையாடலின் தொடக்கத்தை மறக்கத் தொடங்கும். இதனால்தான் நீண்ட, சுருக்கமான ப்ராம்ப்டுகளை விட குறுகிய, துல்லியமான ப்ராம்ப்டுகள் பெரும்பாலும் குறைவான செயல்திறன் கொண்டவை. நீங்கள் அடிப்படையில் மாடலின் குறுகிய கால நினைவகத்தில் இடத்திற்காகப் போட்டியிடுகிறீர்கள். சிக்கலான பணிகளுடன் பணிபுரியும் பவர் யூசர்களுக்கு உங்கள் டோக்கன் பயன்பாட்டை நிர்வகிப்பது ஒரு முக்கிய திறமையாகும்.

மேம்பட்ட பயனர்கள் API வரம்புகள் மற்றும் சிஸ்டம் ப்ராம்ப்டுகளையும் கருத்தில் கொள்ள வேண்டும். சிஸ்டம் ப்ராம்ப்ட் என்பது முழு அமர்வுக்கும் மாடலின் நடத்தையை அமைக்கும் ஒரு உயர்நிலை அறிவுறுத்தலாகும். இது பெரும்பாலும் பயனர் ப்ராம்ப்ட்டை விட சக்தி வாய்ந்தது, ஏனெனில் இது கட்டமைப்பால் முன்னுரிமை அளிக்கப்படுகிறது. நீங்கள் ஒரு பணிப்பாய்வு ஒருங்கிணைப்பை (workflow integration) உருவாக்குகிறீர்கள் என்றால், பயனர் எளிதாக மீற முடியாத கடுமையான விதிகளைச் செயல்படுத்த சிஸ்டம் ப்ராம்ப்ட்டைப் பயன்படுத்தலாம். ப்ராம்ப்டுகளின் உள்ளூர் சேமிப்பு மற்றொரு முக்கியமான காரணியாகும். ஒரே அறிவுறுத்தல்களை மீண்டும் எழுதுவதற்குப் பதிலாக, புத்திசாலித்தனமான பயனர்கள் API அல்லது ஷார்ட்கட் மேலாளர் மூலம் அழைக்கக்கூடிய வெற்றிகரமான பேட்டர்ன்களின் லைப்ரரியைப் பராமரிக்கிறார்கள். இது ப்ராம்ப்டிங்கின் அறிவாற்றல் சுமையைக் குறைத்து, வெவ்வேறு புராஜெக்ட்களில் நிலைத்தன்மையை உறுதி செய்கிறது. இந்தத் தொழில்நுட்ப எல்லைகளைப் புரிந்துகொள்வது தொழில்நுட்பத்தின் பொதுவான சிக்கல்களைத் தவிர்க்க உதவுகிறது.

• Temperature: அவுட்புட்டின் சீரற்ற தன்மையைக் கட்டுப்படுத்தும் அமைப்பு. குறைவாக இருந்தால் அதிக உண்மைத்தன்மை, அதிகமாக இருந்தால் அதிக ஆக்கபூர்வமானது.
• Top P: அவுட்புட்டை ஒத்திசைவாக வைத்திருக்க வார்த்தைகளின் ஒட்டுமொத்த நிகழ்தகவைப் பார்க்கும் ஒரு மாதிரி முறை.
• Frequency Penalty: மெஷின் ஒரே வார்த்தைகள் அல்லது சொற்றொடர்களை அடிக்கடி மீண்டும் செய்வதைத் தடுக்கும் அமைப்பு.
• Presence Penalty: மாடல் ஒரே புள்ளியில் தங்குவதற்குப் பதிலாக புதிய தலைப்புகளைப் பற்றிப் பேச ஊக்குவிக்கும் அமைப்பு.
• Stop Sequences: மாடல் உடனடியாக உருவாக்குவதை நிறுத்தச் சொல்லும் குறிப்பிட்ட உரை சரங்கள்.

இல், இந்த மாடல்களை உள்ளூரில் இயக்குவதில் கவனம் மாறியுள்ளது. உங்கள் சொந்த ஹார்டுவேரில் ஒரு மாடலை இயக்குவது, கிளவுட் வழங்குநர்களுடன் தொடர்புடைய பல தனியுரிமைக் கவலைகள் மற்றும் API செலவுகளை நீக்குகிறது. இருப்பினும், இதற்கு குறிப்பிடத்தக்க GPU சக்தி மற்றும் மாடல் குவாண்டிசேஷன் (quantization) பற்றிய ஆழமான புரிதல் தேவை. குவாண்டிசேஷன் என்பது ஒரு மாடலைச் சுருக்குவதாகும், இதனால் அது நுகர்வோர் தர கிராபிக்ஸ் கார்டின் VRAM-ல் பொருந்தும். இது தொழில்நுட்பத்தை அணுகக்கூடியதாக மாற்றினாலும், இது மாடலின் பகுத்தறிவு திறன்களில் சற்று குறைவுக்கு வழிவகுக்கும். பவர் யூசர்கள் தனியுரிமை மற்றும் செலவின் தேவையை உயர்தர அவுட்புட்டின் தேவையுடன் சமநிலைப்படுத்த வேண்டும். இந்தத் தொழில்நுட்ப வர்த்தகம் தொழில்முறை AI அமலாக்கத்தில் ஒரு நிலையான காரணியாகும். இதைப் பற்றிய கூடுதல் தகவலுக்கு, வணிகங்கள் இந்த வரிசைப்படுத்தல்களை எவ்வாறு கையாளுகின்றன என்பதைப் பார்க்க [Insert Your AI Magazine Domain Here] இல் உள்ள விரிவான AI ஸ்ட்ரேட்டஜி வழிகாட்டிகளைப் பார்க்கவும்.

மனித நோக்கத்தின் எதிர்காலம்

முக்கிய விஷயம் என்னவென்றால், சிறந்த ப்ராம்ப்டிங் என்பது சிந்தனையின் தெளிவு பற்றியது. நீங்கள் விரும்புவதை ஒரு மனிதனிடம் விவரிக்க முடியாவிட்டால், அதை ஒரு மெஷினிடம் விவரிக்க முடியாது. தொழில்நுட்பம் என்பது உங்கள் அறிவுறுத்தல்களின் தரத்தைப் பிரதிபலிக்கும் ஒரு கண்ணாடி. Role-Task-Constraint மாடலைப் பயன்படுத்துவதன் மூலமும், அதிகமாகச் சிந்திக்கும் பொறியில் சிக்காமல் இருப்பதன் மூலமும், இந்த கருவிகளை உங்களுக்கு எதிராக இல்லாமல் உங்களுக்காகச் செயல்பட வைக்கலாம். நீங்கள் இன்னும் பொறுப்பில் இருக்கிறீர்கள் என்பதை நினைவில் கொள்வது மிக முக்கியமான விஷயம். மெஷின் உழைப்பை வழங்குகிறது, ஆனால் நீங்கள் நோக்கத்தை வழங்குகிறீர்கள். இந்த சிஸ்டங்கள் நமது வாழ்க்கையில் ஒருங்கிணைக்கப்படுவதால், தெளிவாகத் தொடர்புகொள்ளும் திறன் நீங்கள் கொண்டிருக்கக்கூடிய மிக மதிப்புமிக்க திறனாக இருக்கும். ஒரு நல்ல ப்ராம்ப்ட் கொண்ட புதியவருக்கும், பத்து வருட அனுபவம் கொண்ட மாஸ்டருக்கும் இடையிலான இடைவெளி எதுவுமில்லாமல் குறையும் போது, மனித நிபுணத்துவத்தை நாம் எவ்வாறு வரையறுப்போம்?

ஆசிரியரின் குறிப்பு: கணினித் துறையில் நிபுணர்கள் அல்லாதவர்கள், ஆனால் செயற்கை நுண்ணறிவைப் புரிந்துகொள்ளவும், அதை அதிக நம்பிக்கையுடன் பயன்படுத்தவும், ஏற்கனவே வந்துகொண்டிருக்கும் எதிர்காலத்தைப் பின்தொடரவும் விரும்பும் மக்களுக்காக, பலமொழி AI செய்திகள் மற்றும் வழிகாட்டல் மையமாக இந்த தளத்தை நாங்கள் உருவாக்கினோம்.