தினசரி AI பணிகளுக்கான 50 சிறந்த ப்ராம்ப்ட்கள் (Prompts)

செயற்கை நுண்ணறிவில் யூகங்களுக்கு முற்றுப்புள்ளி

பெரும்பாலான மக்கள் செயற்கை நுண்ணறிவை (AI) ஒரு தேடுபொறியைப் போலவே பயன்படுத்துகிறார்கள். அவர்கள் குறுகிய, தெளிவற்ற சொற்றொடர்களைத் தட்டச்சு செய்து, இயந்திரம் தங்கள் எண்ணத்தைப் புரிந்துகொள்ளும் என்று நம்புகிறார்கள். இந்த அணுகுமுறைதான் மோசமான முடிவுகளுக்கும் விரக்திக்கும் முக்கிய காரணமாகிறது. AI என்பது மனதைப் படிக்கும் கருவி அல்ல. இது ஒரு பகுத்தறிவு இயந்திரம், இது சிறப்பாகச் செயல்பட தெளிவான சூழலும் துல்லியமான அறிவுறுத்தல்களும் தேவை. நீங்கள் ஒரு எளிய சமையல் குறிப்பைக் கேட்டால், அது பொதுவான ஒன்றையே தரும். ஆனால், ‘மூன்று பொருட்களை மட்டும் பயன்படுத்தி, பத்து நிமிடத்தில் செய்யக்கூடிய, பிஸியான பெற்றோருக்கான சமையல் குறிப்பு’ என்று கேட்டால், அது ஒரு சரியான தீர்வைத் தரும். அரட்டையடிப்பதை விடுத்து, வழிநடத்துவதே இந்த டூல்களை திறம்பட பயன்படுத்துவதற்கான அடிப்படை.

ஒரு பாட் (bot) கவிதை எழுதுவதைப் பார்த்து வியந்த காலம் முடிந்துவிட்டது. இப்போது பயன்பாட்டிற்கே (utility) முக்கியத்துவம் அளிக்கும் காலம். இந்த வழிகாட்டி, ஆரம்பநிலையாளர்கள் உடனடியாகப் பயன்படுத்தக்கூடிய 50 குறிப்பிட்ட ப்ராம்ப்ட் முறைகளை வழங்குகிறது. இது ஏதோ ஒரு தன்னிச்சையான பட்டியல் அல்ல, இந்த அறிவுறுத்தல்களுக்குப் பின்னால் உள்ள தர்க்கத்தை நாம் பார்க்கப்போகிறோம். சில கட்டமைப்புகள் ஏன் வேலை செய்கின்றன, எங்கே அவை தோல்வியடைகின்றன என்பதை நீங்கள் கற்றுக்கொள்வீர்கள். இந்த டூல்களை உங்கள் தினசரி வேலைகளில் ஒரு அங்கமாக மாற்றுவதே இதன் நோக்கம். இது நேரத்தை மிச்சப்படுத்துவதற்கும், மீண்டும் மீண்டும் செய்யும் வேலைகளின் சுமையைக் குறைப்பதற்கும் உதவும். இந்த முறைகளில் தேர்ச்சி பெறுவதன் மூலம், நீங்கள் ஒரு பார்வையாளராக இல்லாமல், ஒரு ஆபரேட்டராக மாறுகிறீர்கள்.

சிறந்த அறிவுறுத்தல் கையேட்டை உருவாக்குதல்

பயனுள்ள ப்ராம்ப்டிங் என்பது பங்கு (role), சூழல் (context), பணி (task) மற்றும் வடிவம் (format) ஆகிய சில அடிப்படைத் தூண்களைச் சார்ந்துள்ளது. ஒரு பங்கை வரையறுக்கும்போது, அதன் பயிற்சித் தரவுகளில் எதற்கு முன்னுரிமை அளிக்க வேண்டும் என்று நீங்கள் AI-க்குச் சொல்கிறீர்கள். ஒரு சீனியர் சாப்ட்வேர் இன்ஜினியராகச் செயல்படச் சொல்வதற்கும், பள்ளி மாணவனாகச் செயல்படச் சொல்வதற்கும் நிறைய வித்தியாசம் உண்டு. சூழல் என்பது எல்லைகளை வகுப்பது. எது முக்கியம், எதைத் தவிர்க்க வேண்டும் என்பதை அது சொல்கிறது. சூழல் இல்லையென்றால், AI தானாகவே இடைவெளிகளை நிரப்ப முயற்சிக்கும், அங்கேயேதான் தவறுகள் (hallucinations) நிகழ்கின்றன. பணி என்பது நீங்கள் செய்ய விரும்பும் குறிப்பிட்ட செயல், வடிவம் என்பது வெளியீடு எப்படி இருக்க வேண்டும் (அட்டவணை, பட்டியல் அல்லது மின்னஞ்சல்) என்பதைத் தீர்மானிப்பது.

நீளமான ப்ராம்ப்ட்களே எப்போதும் சிறந்தவை என்பது ஒரு பொதுவான தவறான கருத்து. முரண்பாடான அறிவுறுத்தல்கள் அல்லது தேவையற்ற சொற்கள் நிறைந்த நீண்ட ப்ராம்ப்ட், மாடலை குழப்பமடையச் செய்யும். நீளத்தை விட தெளிவே முக்கியம். தேவைக்கேற்ப சுருக்கமாகவும் தெளிவாகவும் இருக்க வேண்டும். AI-யிடம் மரியாதையாகப் பேச வேண்டும் என்பதும் அவசியமில்லை. அது இயந்திரம், அதற்கு உணர்வுகள் கிடையாது. அது தர்க்கத்திற்கும் கட்டமைப்புக்கும் மட்டுமே பதிலளிக்கும். ‘தயவுசெய்து’ அல்லது ‘நன்றி’ என்று சொல்வது பதிலின் தரத்தை உயர்த்தாது, ஆனால் அது மனிதப் பயனருக்கு ஒரு இனிமையான அனுபவத்தைத் தரலாம்.

சிறந்த ப்ராம்ப்ட்களுக்குப் பின்னால் உள்ள தர்க்கம் பெரும்பாலும் கட்டுப்பாடுகளைச் சார்ந்தது. கட்டுப்பாடுகள் AI-யை ஒரு குறிப்பிட்ட எல்லைக்குள் ஆக்கப்பூர்வமாகச் செயல்பட வைக்கின்றன. உதாரணமாக, ஒரு சுருக்கத்தைக் கேட்பது பொதுவானது. ‘ஒரு குறுஞ்செய்திக்குள் அடங்கும் வகையில், எந்த தொழில்நுட்ப ஜார்கனும் (jargon) இல்லாமல் சுருக்கம் தா’ என்று கேட்பது, மிகவும் பயனுள்ள முடிவைத் தரும். மாடலின் வரம்புகளையும் நீங்கள் கவனத்தில் கொள்ள வேண்டும். பெரிய லாங்குவேஜ் மாடல்கள் (LLM) உண்மைகளைத் தவறாகக் கூற வாய்ப்புள்ளது. எனவே, தேதிகள், பெயர்கள் அல்லது தொழில்நுட்பத் தரவுகள் தொடர்பான முடிவுகளை எப்போதும் சரிபார்க்கவும். ஒவ்வொரு செயல்பாட்டிலும் மனிதரே இறுதி எடிட்டர்.

எல்லைகளைத் தாண்டிய உற்பத்தித்திறன் இடைவெளியைக் குறைத்தல்

உலக அளவில், AI-யைத் திறம்படப் பயன்படுத்தும் திறன் வேலைச் சந்தையில் ஒரு முக்கிய காரணியாக மாறி வருகிறது. இந்தத் தொழில்நுட்பம் ஆங்கிலம் தாய்மொழியாக இல்லாதவர்களுக்கும் சமமான வாய்ப்புகளை வழங்குகிறது. டோக்கியோ அல்லது பெர்லினில் உள்ள ஒரு நிபுணர், இப்போது தனது கருத்துகளை மட்டும் வழங்கி, AI மூலம் அதைச் சரியான தொனியில் ஒரு சிறந்த வணிக முன்மொழிவாக (business proposal) மாற்ற முடியும். இது சர்வதேச வர்த்தகத்திற்கான தடைகளைக் குறைக்கிறது. பெரிய நிறுவனங்களுடன் சிறிய நிறுவனங்கள் போட்டியிட இது வழிவகுக்கிறது. இந்த மாற்றம் தொலைதூர வேலைகளுக்கான (remote roles) ஆட்சேர்ப்பில் ஏற்கனவே எதிரொலிக்கிறது.

இருப்பினும், இந்த உலகளாவிய தத்தெடுப்பு சவால்களையும் கொண்டு வருகிறது. கலாச்சார ஒருமைப்பாடு (cultural homogenization) ஏற்படும் அபாயம் உள்ளது. அனைவரும் ஒரே மாதிரியான மாடல்களைப் பயன்படுத்தி மின்னஞ்சல்கள் மற்றும் அறிக்கைகளை எழுதினால், அந்தந்தப் பகுதிகளின் தனித்துவமான குரல் மறைந்துவிடும். தொழில்நுட்ப ரீதியாகச் சரியாக இருக்கும், ஆனால் உயிர் இல்லாத ஒரு தரப்படுத்தப்பட்ட கார்ப்பரேட் ஆங்கிலம் உருவாகி வருகிறது. மேலும், இந்த டூல்களைச் சார்ந்திருப்பது ஒரு அடிமைத்தனத்தை உருவாக்குகிறது. இணைய வசதி இல்லாத அல்லது சேவை வழங்குநர்கள் அணுகலைத் தடுக்கும் பகுதிகளில் இருப்பவர்கள் பெரும் பின்னடைவைச் சந்திப்பார்கள். டிஜிட்டல் இடைவெளி என்பது இப்போது கணினி வைத்திருப்பவர்களைப் பற்றியது மட்டுமல்ல, ஒரு அறிவார்ந்த அமைப்பை வழிநடத்தும் திறன் கொண்டவர்களைப் பற்றியது.

தனியுரிமை (privacy) என்பது மற்றொரு முக்கிய கவலை. ஐரோப்பாவில், GDPR போன்ற கடுமையான தரவுப் பாதுகாப்புச் சட்டங்கள் இந்த டூல்கள் எவ்வாறு பயன்படுத்தப்படுகின்றன என்பதைப் பாதிக்கின்றன. பிற பகுதிகளில் விதிகள் தளர்வாக உள்ளன. நீங்கள் ப்ராம்ப்ட்டில் தட்டச்சு செய்யும் எதையும் மாடலின் எதிர்காலப் பதிப்புகளைப் பயிற்றுவிக்கப் பயன்படுத்தலாம் என்பதைப் பயனர்கள் அறிந்திருக்க வேண்டும். இது சேவையின் மறைமுக விலை. உற்பத்தித்திறனுக்காக உங்கள் தரவை நீங்கள் கொடுக்கிறீர்கள். பலருக்கு இது நியாயமான பரிமாற்றமாகத் தோன்றலாம், ஆனால் முக்கியமான கார்ப்பரேட் அல்லது தனிப்பட்ட தகவல்களைக் கையாளுபவர்களுக்கு இது எச்சரிக்கையான அணுகுமுறை தேவை. வசதிக்கும் பாதுகாப்புக்கும் இடையே உள்ள கோடு எங்கே இருக்க வேண்டும் என்பதை உலகளாவிய சமூகம் இன்னும் விவாதித்து வருகிறது.

நவீன நிபுணர்களுக்கான நடைமுறைச் சூழல்கள்

சாரா என்ற புராஜெக்ட் மேனேஜரை எடுத்துக்கொள்வோம். அவரது நாள் குழப்பமான இன்பாக்ஸுடன் தொடங்குகிறது. ஒவ்வொரு வார்த்தையையும் படிப்பதற்குப் பதிலாக, அவர் இந்த ப்ராம்ப்ட்டைப் பயன்படுத்துகிறார்: ‘இந்த மூன்று மின்னஞ்சல்களைச் சுருக்கி, செய்ய வேண்டிய பணிகளின் பட்டியலாகத் தா, காலக்கெடுவை முன்னிலைப்படுத்து.’ இது வாசிப்பதை விட தகவல்களைப் பிரித்தெடுப்பதில் கவனம் செலுத்தும் ஒரு மீண்டும் பயன்படுத்தக்கூடிய முறை. பின்னர், ஒரு சிக்கலான தொழில்நுட்பத் தாமதத்தை அவர் வாடிக்கையாளருக்கு விளக்க வேண்டும். அவர் இந்த பர்சனா (persona) ப்ராம்ப்ட்டைப் பயன்படுத்துகிறார்: ‘நீங்கள் ஒரு ராஜதந்திர அக்கவுண்ட் மேனேஜர். ஹார்டுவேர் கோளாறு காரணமாக சர்வர் மைக்ரேஷன் இரண்டு நாட்கள் தாமதமாகும் என்பதை விளக்குங்கள், ஆனால் தரவு பாதுகாப்பாக உள்ளது என்பதை வலியுறுத்துங்கள்.’ இது தொனியையும் குறிப்பிட்ட உண்மைகளையும் அமைப்பதால் இந்த தர்க்கம் சிறப்பாகச் செயல்படுகிறது.

சாரா தனது தனிப்பட்ட வேலைகளுக்கும் AI-யைப் பயன்படுத்துகிறார். அவரது பிரிட்ஜில் சில பொருட்கள் உள்ளன, விரைவாக இரவு உணவு செய்ய வேண்டும். அவர் உள்ளீடு செய்கிறார்: ‘என்னிடம் கீரை, முட்டை மற்றும் ஃபெட்டா சீஸ் உள்ளது. பதினைந்து நிமிடங்களுக்குள் செய்யக்கூடிய, ஒரே ஒரு பாத்திரம் மட்டும் பயன்படுத்தும் சமையல் குறிப்பைத் தா.’ இது சமையல் தளங்களில் தேடுவதை விட மிகவும் பயனுள்ளது. மாலை நேரப் படிப்பிற்கு, அவர் ஃபெய்ன்மேன் நுட்பத்தைப் (Feynman Technique) பயன்படுத்துகிறார்: ‘பிளாக்செயின் (blockchain) கருத்தை எனக்கு பத்து வயது குழந்தைக்கு விளக்குவது போல விளக்குங்கள், பிறகு நான் புரிந்துகொண்டேனா என்று சோதிக்க ஒரு கேள்வியைக் கேளுங்கள்.’ இது AI-யை ஒரு நிலையான தகவல் மூலத்திலிருந்து ஊடாடும் ஆசிரியராக மாற்றுகிறது. இவை வெறும் யோசனைகள் மட்டுமல்ல, குறிப்பிட்ட சிக்கல்களுக்கான செயல்பாட்டு டூல்கள்.

இதை நீங்கள் செயல்படுத்த உதவும் வகையில், டஜன் கணக்கான தினசரி பணிகளை உள்ளடக்கிய ஐந்து முக்கிய ப்ராம்ப்ட் முறைகள் இங்கே உள்ளன:

• பர்சனா முறை: ஒரு [Professional Role] போலச் செயல்பட்டு, [Topic] பற்றி ஆலோசனை வழங்குங்கள்.
• பிரித்தெடுத்தல் முறை: பின்வரும் உரையைப் படித்து, அனைத்து [தேதிகள்/பெயர்கள்/பணிகள்] ஆகியவற்றை ஒரு அட்டவணையில் பட்டியலிடுங்கள்.
• மெருகூட்டல் முறை: இதோ [Text]-ன் வரைவு. அதன் அடிப்படை அர்த்தத்தை மாற்றாமல், அதை இன்னும் [தொழில்முறை/சுருக்கமான/நட்பான] வகையில் மாற்றுங்கள்.
• ஒப்பீட்டு முறை: [செலவு/பயன்பாட்டு எளிமை/நேரம்] அடிப்படையில் [Option A] மற்றும் [Option B] ஆகியவற்றை ஒப்பிட்டு, [User Type]-க்கு எது சிறந்தது என்று பரிந்துரைக்கவும்.
• ஆக்கப்பூர்வமான கட்டுப்பாட்டு முறை: [Subject] பற்றி ஒரு [கதை/மின்னஞ்சல்/பதிவு] எழுதுங்கள், ஆனால் [Word 1] அல்லது [Word 2] ஆகிய சொற்களைப் பயன்படுத்த வேண்டாம்.

பயனர் எந்தத் தரவையும் வழங்காதபோது இந்த முறைகள் தோல்வியடைகின்றன. ஒரு கூட்டத்தைச் சுருக்கச் சொல்லிவிட்டு, அதன் டிரான்ஸ்கிரிப்ட் (transcript) வழங்கவில்லை என்றால், அது இல்லாத ஒன்றைப் பற்றிப் பேசும். ஒரு பிழையைச் சரிசெய்யச் சொல்லிவிட்டு, கோட் (code) வழங்கவில்லை என்றால், அது பொதுவான ஆலோசனையை மட்டுமே தரும். துல்லியமே முக்கியம். மருத்துவ ஆலோசனை அல்லது சட்ட ஒப்பந்தங்களுக்கு இந்த ப்ராம்ப்ட்களைப் பயன்படுத்தினால், நீங்கள் பெரும் ஆபத்தைச் சந்திக்கிறீர்கள். AI ஒரு துணை விமானி (co-pilot), விமானி அல்ல. அது கடிதத்தை எழுதலாம், ஆனால் நீங்கள் கையொப்பமிட வேண்டும். அது கோடைப் பரிந்துரைக்கலாம், ஆனால் நீங்கள் சோதிக்க வேண்டும். மீண்டும் பயன்படுத்துவதற்கான தர்க்கம் என்பது, இந்த முறைகளை ஒரு நோட்ஸ் ஆப்பில் சேமித்து வைத்து, ஒவ்வொரு காலையிலும் புதிதாக யோசிக்காமல் இருப்பதாகும்.

உங்கள் சிந்தனைகளை வெளிப்படுத்துவதன் மறைமுக விலை

இந்த அமைப்புகளை நாம் அதிகம் சார்ந்திருப்பது குறித்து கடினமான கேள்விகளைக் கேட்க வேண்டும். ஒரு சாதாரண கடிதத்தை எழுத எப்போதும் ஒரு அல்காரிதத்தை அனுமதித்தால், நம்முடைய எழுதும் திறன் என்னவாகும்? அறிவாற்றல் மந்தநிலை (cognitive atrophy) ஏற்படும் அபாயம் உள்ளது. தகவல்களைத் தொகுக்கும் திறனை நாம் பயன்படுத்தாவிட்டால், நாம் பெறும் தகவல்களை விமர்சன ரீதியாகச் சிந்திக்கும் திறனை இழக்கக்கூடும்.

சுற்றுச்சூழல் செலவுகள் பற்றிய கேள்வியும் உள்ளது. ஒவ்வொரு ப்ராம்ப்ட்டும் டேட்டா சென்டர்களைக் குளிர்விக்க அதிக மின்சாரத்தையும் நீரையும் பயன்படுத்துகிறது. நாம் ஒரு சுத்தமான இடைமுகத்தைப் பார்த்தாலும், அதன் பின்னால் ஒரு தொழில்துறை செயல்முறை உள்ளது. நாம் நோக்கி நகரும்போது, இந்த ஆற்றல் நுகர்வு ஒரு அரசியல் பிரச்சினையாக மாறும். தினசரி பணிகளுக்கான 50 ப்ராம்ப்ட்கள் அவை உருவாக்கும் கார்பன் தடயத்திற்குத் தகுதியானதா? திரையில் தெரியாததால் இந்த வெளிப்புற விளைவுகளை நாம் பெரும்பாலும் புறக்கணிக்கிறோம். ஒரு பொறுப்பான பயனர், ஒரு பணிக்கு உண்மையிலேயே AI தேவையா அல்லது மனித முயற்சியால் எளிதாகச் செய்ய முடியுமா என்று சிந்திக்க வேண்டும்.

இறுதியாக, இந்த மாடல்களில் உள்ள சார்புநிலையை (bias) நாம் கவனிக்க வேண்டும். இவை இணையத்தில் பயிற்சி அளிக்கப்படுகின்றன, இது மனிதப் பாரபட்சங்கள் நிறைந்தது. ரெஸ்யூம்களைத் திரையிட அல்லது செயல்திறன் மதிப்பாய்வுகளை எழுத AI-யைப் பயன்படுத்தினால், அந்தப் பாரபட்சங்களை நீங்கள் நீட்டிக்கிறீர்கள். இயந்திரத்திற்குத் தான் நியாயமற்ற முறையில் செயல்படுகிறோம் என்று தெரியாது; அது தனது பயிற்சித் தரவுகளில் கண்டறிந்த வடிவங்களை மீண்டும் மீண்டும் செய்கிறது. இங்கேயேதான் மனித ஆய்வு மிக முக்கியமானது. வெளியீடு நடுநிலையானது என்று நீங்கள் கருத முடியாது. நீங்கள் பிழைகளைத் தீவிரமாகத் தேடிச் சரிசெய்ய வேண்டும். ப்ராம்ப்ட்டின் தர்க்கம் சரியாக இருக்கலாம், ஆனால் அடிப்படைத் தரவு தவறாக இருந்தால், முடிவும் தவறாகவே இருக்கும்.

பெரிய லாங்குவேஜ் மாடல்களின் உட்புறம்

பவர் யூசர்களுக்கு, தொழில்நுட்ப வரம்புகளைப் புரிந்துகொள்வது உயர்நிலை ஒருங்கிணைப்பிற்கு அவசியம். பெரும்பாலான மாடல்கள் ஒரு சூழல் விண்டோவிற்குள் (context window) செயல்படுகின்றன, இது ஒரே நேரத்தில் அவை கருத்தில் கொள்ளக்கூடிய உரையின் மொத்த அளவு. நீங்கள் மிக நீண்ட ஆவணத்தை வழங்கினால், அது முடிவை அடையும் போது தொடக்கத்தை மறந்துவிடும். இது டோக்கன்களில் (tokens) அளவிடப்படுகிறது, ஒவ்வொன்றும் சுமார் நான்கு எழுத்துக்கள். பணிப்பாய்வுகளை (workflows) உருவாக்கும்போது, இந்த வரம்புகளை நீங்கள் கணக்கில் கொள்ள வேண்டும். OpenAI அல்லது Anthropic போன்ற வழங்குநர்களிடமிருந்து API-ஐப் பயன்படுத்தினால், இந்த டோக்கன்களுக்கு நீங்கள் கட்டணம் செலுத்த வேண்டும், எனவே செயல்திறன் ஒரு நிதித் தேவையாகிறது.

தனியுரிமை குறித்து அக்கறை கொண்டவர்களுக்கு உள்ளூர் சேமிப்பு (local storage) மற்றும் உள்ளூர் மாடல்கள் பிரபலமாகி வருகின்றன. Ollama போன்ற டூல்கள் உங்கள் சொந்த ஹார்டுவேரில் இந்த மாடல்களின் சிறிய பதிப்புகளை இயக்க அனுமதிக்கின்றன. இது உங்கள் தரவு உங்கள் கணினியை விட்டு வெளியேறாது என்பதை உறுதி செய்கிறது. இருப்பினும், Google DeepMind போன்ற நிறுவனங்கள் இயக்கும் மாபெரும் கிளஸ்டர்களுடன் ஒப்பிடும்போது, உள்ளூர் மாடல்கள் பெரும்பாலும் குறைந்த பகுத்தறிவுத் திறனைக் கொண்டுள்ளன. தனியுரிமைத் தேவைக்கும் செயல்திறன் தேவைக்கும் இடையே நீங்கள் சமநிலையைப் பேண வேண்டும். பல டெவலப்பர்கள் இப்போது ஒரு கலப்பின அணுகுமுறையைப் பயன்படுத்துகின்றனர், எளிய பணிகளுக்கு உள்ளூர் மாடல்களையும், சிக்கலான தர்க்கங்களுக்கு கிளவுட்-அடிப்படையிலான மாடல்களையும் பயன்படுத்துகின்றனர். உச்ச நேரங்களில் ரேட் லிமிட்களை (rate limit) தவிர்க்க, இதற்கு ஒரு வலுவான API மேலாண்மை உத்தி தேவை.

உங்கள் ப்ராம்ப்ட்களை மேம்படுத்தும்போது கவனத்தில் கொள்ள வேண்டிய சில தொழில்நுட்ப விவரக்குறிப்புகள் இங்கே உள்ளன:

• Temperature: 0 முதல் 1 வரையிலான அமைப்பு, இது சீரற்ற தன்மையைக் கட்டுப்படுத்துகிறது. உண்மைகளுக்குக் குறைவான மதிப்பும், படைப்பாற்றலுக்கு அதிக மதிப்பும் சிறந்தது.
• Top-P: மாடலை அதிக வாய்ப்புள்ள சொற்களின் சதவீதத்திற்கு மட்டுப்படுத்துவதன் மூலம் பன்முகத்தன்மையைக் கட்டுப்படுத்தும் மற்றொரு வழி.
• System Prompts: இவை பயனர் செய்திகளிலிருந்து தனித்தனியாக, முழு அமர்வுக்கான நடத்தையை அமைக்கும் உயர்மட்ட அறிவுறுத்தல்கள்.
• Latency: ஒரு மாடல் பதிலளிக்க எடுக்கும் நேரம், இது மாடலின் அளவு மற்றும் சர்வர் சுமையைப் பொறுத்து மாறுபடும்.
• Stop Sequences: