AI-ஐ மிகவும் பயனுள்ளதாக மாற்றும் ப்ராம்ப்ட்கள் (Prompts)
உரையாடலில் இருந்து கட்டளைக்கு மாறுதல்
பெரும்பாலான மக்கள் செயற்கை நுண்ணறிவை (AI) ஒரு சர்ச் இன்ஜின் அல்லது மேஜிக் ட்ரிக் போலத்தான் அணுகுகிறார்கள். ஒரு சிறிய கேள்வியைக் கேட்டுவிட்டு, அற்புதமான பதிலுக்காகக் காத்திருக்கிறார்கள். இதனால்தான் அவர்களுக்குக் கிடைக்கும் பதில்கள் மீண்டும் மீண்டும் வருவதாகவும், மேலோட்டமாகவும் இருக்கின்றன. தொழில்முறை முடிவுகளைப் பெற, நீங்கள் கேள்விகளைக் கேட்பதை நிறுத்திவிட்டு, கட்டமைப்புடன் கூடிய அறிவுறுத்தல்களை வழங்கத் தொடங்க வேண்டும். AI-ஐ ஒரு டேட்டாபேஸாகப் பார்க்காமல், ஒரு லாஜிக்கல் கமாண்ட் சிஸ்டமாகப் பயன்படுத்த வேண்டும். நீங்கள் தெளிவான கட்டமைப்பை வழங்கும்போது, சாதாரண பயனர்கள் பார்க்காத துல்லியத்துடன் மெஷின் தகவல்களைச் செயலாக்கும். இது வெறும் மெஷினை ஏமாற்றும் வித்தை அல்ல; உங்கள் எண்ணங்களைச் சரியாக ஒழுங்கமைக்கும் முறை. இந்த ஆண்டின் இறுதிக்குள், இந்த மாடல்களைச் சரியாக வழிநடத்துபவர்களுக்கும், சாதாரணமாக அரட்டை அடிப்பவர்களுக்கும் இடையிலான இடைவெளிதான் தொழில்முறைத் திறனைத் தீர்மானிக்கும்.
தெளிவான கட்டமைப்பை உருவாக்குதல்
சிறந்த மெஷின் அறிவுறுத்தல்கள் மூன்று தூண்களைக் கொண்டவை: சூழல் (Context), நோக்கம் (Objective), மற்றும் கட்டுப்பாடுகள் (Constraints). சூழல் என்பது மெஷினுக்குத் தேவையான பின்னணித் தகவல்கள். நோக்கம் என்பது இறுதி அவுட்புட் எப்படி இருக்க வேண்டும் என்பது. கட்டுப்பாடுகள் என்பது மெஷின் தேவையில்லாத விஷயங்களுக்குச் செல்லாமல் தடுக்கும் எல்லைகள். ஒரு புதிய பணியாளருக்கு வேலை கொடுப்பது போல இதை அணுகுங்கள். ‘ஒரு ரிப்போர்ட் எழுது’ என்று சொல்வதற்குப் பதிலாக, ‘நீங்கள் ஒரு டெக் நிறுவனத்தின் நிதி ஆய்வாளர். காலாண்டு அறிக்கையை ஆய்வு செய்து, கடன்-பங்கு விகிதங்களை மையப்படுத்தி மூன்று பத்திகளில் சுருக்கம் எழுதுங்கள். ஜார்கன் வார்த்தைகளையோ அல்லது போட்டியாளர்களையோ குறிப்பிடாதீர்கள்’ என்று கூறுங்கள். இந்த Contextual grounding, மெஷின் தேவையில்லாத தகவல்களைக் கற்பனை செய்வதைத் தடுக்கிறது. கட்டுப்பாடுகளைச் சேர்க்கும்போதுதான் மெஷின் கடினமாக உழைக்கத் தொடங்கும். OpenAI-ன் அதிகாரப்பூர்வ ஆவணங்கள் கூறுவது போல, சாத்தியக்கூறுகளை எவ்வளவு குறைக்கிறீர்களோ, அவ்வளவு துல்லியமான அவுட்புட் கிடைக்கும்.
துல்லியமான உள்ளீட்டின் பொருளாதார தாக்கம்
இந்த மாற்றம் நிறுவனங்களின் வேலை முறையில் பெரும் தாக்கத்தை ஏற்படுத்தியுள்ளது. முன்பு ஒரு ஜூனியர் ஊழியர் பல மணிநேரம் செலவழித்து தயாரித்த முதல் வரைவை, இப்போது மெஷின் மூலம் உருவாக்கிவிட்டு, அதை எடிட் செய்யும் பணியை மட்டுமே செய்கிறார்கள். அதிக தொழிலாளர் செலவு உள்ள நாடுகளில் இது ஒரு போட்டித்தன்மைக்கான அவசியம். வளரும் நாடுகளில், சிறிய குழுக்கள் பெரிய நிறுவனங்களுடன் போட்டியிட இது உதவுகிறது. ஆனால், இது நீங்கள் கொடுக்கும் அறிவுறுத்தல்களின் தரத்தைப் பொறுத்தது. மோசமான அறிவுறுத்தல்கள் குப்பையான அவுட்புட்டையே தரும். 2026-க்குள், அடிப்படை எழுத்துத் திறனுக்கான தேவை குறைந்து, லாஜிக்கல் ஆர்க்கிடெக்டிங் திறனுக்கான தேவை அதிகரிக்கும். இது ஆங்கிலம் பேசும் சந்தைகளுக்கு மட்டுமல்ல, அனைத்து மொழிகளுக்கும் பொருந்தும். எங்களின் aimagazine.com/analysis/prompting-logic அறிக்கையில் நிறுவனங்கள் தங்கள் ஊழியர்களுக்கு எப்படிப் பயிற்சி அளிக்கின்றன என்பதைப் பார்க்கலாம். மெஷினை வழிநடத்தும் திறன், நாற்பது ஆண்டுகளுக்கு முன்பு ஸ்ப்ரெட்ஷீட் பயன்படுத்தத் தெரிந்ததைப் போன்ற ஒரு புதிய கல்வியறிவாக மாறிவிட்டது.
நாங்கள் கவர் செய்ய வேண்டும் என்று நீங்கள் நினைக்கும் AI கதை, கருவி, போக்கு அல்லது கேள்வி உங்களிடம் உள்ளதா? உங்கள் கட்டுரை யோசனையை எங்களுக்கு அனுப்பவும் — அதைக் கேட்க நாங்கள் விரும்புகிறோம்.செயல்முறை மற்றும் பின்னூட்டத்தின் தர்க்கம்
சாரா என்ற புராஜெக்ட் மேனேஜரை உதாரணமாக எடுத்துக்கொள்வோம். ஒரு மணிநேர மீட்டிங் டிரான்ஸ்கிரிப்டை வைத்துக்கொண்டு, சாதாரண பயனர் ‘நோட்ஸ் கொடு’ என்று கேட்பார். சாரா, ஒரு logic-first approach-ஐப் பயன்படுத்துவார். அவர் AI-ஐ ஒரு செக்ரட்டரியாகச் செயல்படச் சொல்லி, ஆக்ஷன் ஐட்டங்கள், பொறுப்பாளர்கள் மற்றும் காலக்கெடுவை மட்டும் எடுக்கச் சொல்வார். தேவையற்ற அரட்டைகளைத் தவிர்க்கக் கட்டுப்பாடு விதிப்பார். இது அவருக்கு இரண்டு மணிநேர வேலையை மிச்சப்படுத்தும். பின்னர், அந்த அவுட்புட்டை மீண்டும் மெஷினுக்கு அனுப்பி, காலக்கெடுவில் முரண்பாடுகள் உள்ளதா என்று சரிபார்க்கச் சொல்வார். இது ‘Critic-Corrector’ முறை. மெஷின் முதல் முறையே சரியாகச் செய்துவிடும் என்று நம்பாமல், அதன் தவறுகளை அதே மெஷினைக் கொண்டே திருத்துவதுதான் புத்திசாலித்தனம். மெஷின் டேட்டாவை கையாளும், ஆனால் மனிதன் நிஜத்தை கையாள வேண்டும். சாரா இப்போது ஒரு எழுத்தாளர் அல்ல, அவர் ஒரு லாஜிக் எடிட்டர்.
தானியங்கி சிந்தனையின் மறைமுக சவால்கள்
இந்தத் திறனின் மறைமுகச் செலவுகள் குறித்து நாம் சிந்திக்க வேண்டும். ஒவ்வொரு சிக்கலான ப்ராம்ப்ட்டும் அதிக மின்சாரத்தையும் கம்ப்யூட்டிங் சக்தியையும் பயன்படுத்துகிறது. தரவு பாதுகாப்பு (Data privacy) மற்றொரு பெரிய கவலை. நீங்கள் கொடுக்கும் தகவல்கள் எங்கே செல்கின்றன? மேலும், மெஷினையே நம்பியிருந்தால், நம்முடைய சொந்தச் சிந்திக்கும் திறன் குறைந்துவிடுமா? மெஷின் என்பது ஒரு கண்ணாடி போன்றது. உள்ளீடு பாரபட்சமாக இருந்தால், அவுட்புட்டும் பாரபட்சமாகவே இருக்கும். மெஷின் எப்போதும் நடுநிலையானது என்று நாம் தவறாக நினைக்கிறோம். உண்மையில், அது பயனரின் கருத்துக்கு உடன்படும் வகையிலேயே வடிவமைக்கப்பட்டுள்ளது. இதை மாற்ற, ‘என்னுடன் விவாதி’ அல்லது ‘எதிர்த்துக் கருத்து சொல்’ என்று கட்டளையிட வேண்டும். Anthropic-ன் சமீபத்திய ஆராய்ச்சிகளில் மாடல் பாதுகாப்பு மற்றும் அலைன்மென்ட் குறித்த அபாயங்களைப் படிக்கலாம்.
BotNews.today ஆனது உள்ளடக்கத்தை ஆராய்ச்சி செய்யவும், எழுதவும், திருத்தவும் மற்றும் மொழிபெயர்க்கவும் AI கருவிகளைப் பயன்படுத்துகிறது. தகவலை பயனுள்ளதாகவும், தெளிவானதாகவும், நம்பகமானதாகவும் வைத்திருக்க எங்கள் குழு செயல்முறையை மதிப்பாய்வு செய்து மேற்பார்வையிடுகிறது.
இன்ஃபெரன்ஸ் இன்ஜினின் தொழில்நுட்பம்
அடிப்படைத் திறன்களுக்கு அப்பால் செல்ல, தொழில்நுட்ப எல்லைகளைப் புரிந்துகொள்வது அவசியம். ஒவ்வொரு மாடலுக்கும் ஒரு ‘context window’ உண்டு. இது மெஷின் ஒரே நேரத்தில் நினைவில் கொள்ளக்கூடிய தகவலின் அளவு. 2026-ல் இவை வளர்ந்திருந்தாலும், இன்னும் இவை வரையறுக்கப்பட்டவை. டோக்கன் (Token) செயல்திறனை அதிகரிக்க, தேவையற்ற வார்த்தைகளைத் தவிர்க்க வேண்டும். API-களைப் பயன்படுத்தி லோக்கல் ஸ்டோரேஜுடன் இணைப்பது அடுத்த கட்டம். வெப்பநிலை (Temperature) அமைப்பைக் கவனிப்பது முக்கியம். குறைந்த வெப்பநிலை மெஷினை முன்கூட்டியே கணிக்கக்கூடியதாகவும், உண்மைகளுக்குக் கட்டுப்பட்டதாகவும் மாற்றும். அதிக வெப்பநிலை படைப்பாற்றலைத் தரும் ஆனால் பிழைகளை உருவாக்கும். லாஜிக்கல் வேலைகளுக்கு எப்போதும் குறைந்த வெப்பநிலையே சிறந்தது.
- டோக்கன் செயல்திறன்
- வெப்பநிலை கட்டுப்பாடு
- சிஸ்டம் ப்ராம்ப்ட்கள்
- லோக்கல் ஸ்டோரேஜ் ஒருங்கிணைப்பு
- API ரேட் லிமிட் மேனேஜ்மென்ட்
Google DeepMind-ன் தொழில்நுட்ப வலைப்பதிவுகளில் இவை குறித்த விரிவான விளக்கங்களைக் காணலாம்.
மனிதத் தீர்ப்பின் நிரந்தர பங்கு
சுருக்கமாகச் சொன்னால், AI என்பது லாஜிக்கிற்கான ஒரு பெருக்கி (Force multiplier). உங்கள் லாஜிக் சரியாக இருந்தால், மெஷின் அதைச் சிறப்பாகச் செய்யும். தவறாக இருந்தால், அதையும் பெருக்கும். இந்த முறைகள் மந்திரங்கள் அல்ல, தெளிவான தகவல் பரிமாற்றத்திற்கான வழிகள். மெஷினை ஒரு அதிவேக உதவியாளராகப் பாருங்கள், ஆனால் அதற்குப் பொது அறிவு (Common sense) இல்லை என்பதை மறந்துவிடாதீர்கள். அந்தப் பொது அறிவை நீங்கள் அறிவுறுத்தல்கள் மூலம் வழங்க வேண்டும். மனித ஆய்வு என்பது இறுதி மற்றும் தவிர்க்க முடியாத படி. மெஷின் உண்மைகளைச் சரிபார்க்காது, அது வார்த்தைகளின் வரிசையை மட்டுமே பார்க்கும். அடித்தளத்தை மெஷின் அமைக்கட்டும், ஆனால் அந்த அமைப்பை உறுதிப்படுத்தும் பொறுப்பு உங்களுடையது.
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.
ஒரு பிழையைக் கண்டறிந்தீர்களா அல்லது திருத்தப்பட வேண்டிய ஒன்று இருக்கிறதா? எங்களுக்குத் தெரியப்படுத்துங்கள்.
