சுருக்கமான பதில்: ஜெனரேட்டிவ் ஏஐ-யின் முக்கிய நோக்கம், ஏற்கனவே உள்ள தரவுகளில் உள்ள வடிவங்களைக் கற்றுக்கொண்டு, ஒரு தூண்டுதலுக்கு ஏற்ப அவற்றை விரிவுபடுத்துவதன் மூலம் புதிய, நம்பத்தகுந்த உள்ளடக்கத்தை (உரை, படங்கள், ஆடியோ, குறியீடு மற்றும் பல) உருவாக்குவதாகும். உங்களுக்கு விரைவான வரைவுகள் அல்லது பல மாறுபாடுகள் தேவைப்படும்போது இது மிகவும் உதவியாக இருக்கும், ஆனால் உண்மைத் துல்லியம் முக்கியம் என்றால், அடிப்படை ஆய்வு மற்றும் மீளாய்வையும் சேர்த்துக் கொள்ளுங்கள்.
முக்கிய குறிப்புகள்:
உருவாக்கம்: இது சேமிக்கப்பட்ட “உண்மையை” அல்லாமல், கற்றறிந்த வடிவங்களைப் பிரதிபலிக்கும் புதிய வெளியீடுகளை உருவாக்குகிறது.
அடிப்படை: துல்லியம் முக்கியமானதாக இருந்தால், பதில்களை நம்பகமான ஆவணங்கள், மேற்கோள்கள் அல்லது தரவுத்தளங்களுடன் இணைக்கவும்.
கட்டுப்படுத்தும் தன்மை: வெளியீடுகளை அதிக நிலைத்தன்மையுடன் வழிநடத்த தெளிவான கட்டுப்பாடுகளை (வடிவம், உண்மைகள், தொனி) பயன்படுத்தவும்.
தவறான பயன்பாட்டிற்கு எதிர்ப்பு: ஆபத்தான, தனிப்பட்ட அல்லது அனுமதிக்கப்படாத உள்ளடக்கத்தைத் தடுக்க பாதுகாப்புத் தடுப்புகளைச் சேர்க்கவும்.
பொறுப்புடைமை: வெளியீடுகளை வரைவுகளாகக் கருதுங்கள்; அதிக ஆபத்துள்ள வேலையைப் பதிவுசெய்து, மதிப்பீடு செய்து, மனிதர்களுக்கு அனுப்புங்கள்.
இதற்குப் பிறகு நீங்கள் படிக்க விரும்பக்கூடிய கட்டுரைகள்:
🔗 ஜெனரேட்டிவ் AI என்றால் என்ன?
மாதிரிகள் உரை, படங்கள், குறியீடு மற்றும் பலவற்றை எவ்வாறு உருவாக்குகின்றன என்பதைப் புரிந்து கொள்ளுங்கள்.
🔗 AI மிகைப்படுத்தப்பட்டதா?
மிகைப்படுத்தல், வரம்புகள் மற்றும் நிஜ உலக தாக்கம் பற்றிய சமநிலையான பார்வை.
🔗 உங்களுக்கு எந்த AI சரியானது?
பிரபலமான AI கருவிகளை ஒப்பிட்டு, சிறந்த பொருத்தத்தைத் தேர்ந்தெடுக்கவும்.
🔗 AI குமிழி இருக்கிறதா?
கவனிக்க வேண்டிய அறிகுறிகள், சந்தை அபாயங்கள் மற்றும் அடுத்து என்ன வரப்போகிறது.
ஜெனரேட்டிவ் AI இன் முக்கிய குறிக்கோள்🧠
நீங்கள் மிகச் சிறிய துல்லியமான விளக்கத்தை விரும்பினால்:
-
ஜெனரேட்டிவ் AI தரவின் "வடிவத்தை" (மொழி, படங்கள், இசை, குறியீடு) கற்றுக்கொள்கிறது
-
பின்னர் அது அந்த வடிவத்துடன் பொருந்தக்கூடிய புதிய மாதிரிகளை உருவாக்குகிறது.
-
இது ஒரு தூண்டுதல், சூழல் அல்லது கட்டுப்பாடுகளுக்கு பதிலளிக்கும் விதமாக இதைச் செய்கிறது
ஆம், அது ஒரு பத்தி எழுதலாம், ஒரு படத்தை வரையலாம், ஒரு மெல்லிசையை ரீமிக்ஸ் செய்யலாம், ஒரு ஒப்பந்தப் பிரிவை வரையலாம், சோதனை நிகழ்வுகளை உருவாக்கலாம் அல்லது ஒரு லோகோ போன்ற ஒன்றை வடிவமைக்கலாம்.
ஒரு மனிதன் புரிந்துகொள்வது போல அது "புரிந்துகொள்வதால்" அல்ல (நாம் அதைப் பற்றிப் பார்ப்போம்), ஆனால் அது கற்றுக்கொண்ட வடிவங்களுடன் புள்ளிவிவர ரீதியாகவும் கட்டமைப்பு ரீதியாகவும் ஒத்துப்போகும் வெளியீடுகளை உருவாக்குவதில் சிறந்தது என்பதால்.
"சிக்கல்கள் இல்லாமல் இதை எப்படிப் பயன்படுத்துவது" என்பதற்கான முதிர்ந்த கட்டமைப்பை நீங்கள் விரும்பினால், NIST-இன் AI இடர் மேலாண்மை கட்டமைப்பு, இடர் + கட்டுப்பாடுகள் சிந்தனைக்கு ஒரு உறுதியான அடித்தளமாகும். [1] மேலும், குறிப்பாக வடிவமைக்கப்பட்ட ஒன்றை நீங்கள் விரும்பினால், அமைப்பு உள்ளடக்கத்தை உருவாக்கும்போது என்ன மாற்றங்கள் நிகழ்கின்றன என்பதைப் பற்றி ஆழமாக ஆராயும் ஒரு GenAI சுயவிவரத்தையும் NIST வெளியிட்டுள்ளது. [2]
"ஜெனரேட்டிவ் AI இன் முக்கிய குறிக்கோள்" பற்றி மக்கள் ஏன் வாதிடுகிறார்கள் 😬
"குறிக்கோள்" என்பதற்கு வெவ்வேறு அர்த்தங்களைப் பயன்படுத்துவதால் மக்கள் ஒருவரையொருவர் புறக்கணித்து பேசுகிறார்கள்
சிலர் சொல்வது:
-
தொழில்நுட்ப இலக்கு: யதார்த்தமான, ஒத்திசைவான வெளியீடுகளை உருவாக்குதல் (மையம்)
-
வணிக இலக்கு: செலவைக் குறைத்தல், வெளியீட்டை அதிகரித்தல், அனுபவங்களைத் தனிப்பயனாக்குதல்.
-
மனித குறிக்கோள்: வேகமாக சிந்திக்க, உருவாக்க அல்லது தொடர்பு கொள்ள உதவி பெறுங்கள்.
ஆமாம், அவை மோதுகின்றன.
யதார்த்தமாகப் பார்த்தால், ஜெனரேட்டிவ் ஏஐ-யின் முக்கிய நோக்கம் என்பது உருவாக்குவதுதான் - அதாவது, உள்ளீடுகளின் அடிப்படையில், இதற்கு முன் இல்லாத உள்ளடக்கத்தை உருவாக்குவது.
வணிக விஷயங்கள் கீழ்நோக்கிச் செல்கின்றன. கலாச்சார பீதியும் கீழ்நோக்கிச் செல்கிறது (மன்னிக்கவும்... ஒருவிதத்தில் 😬).
மக்கள் GenAI-ஐ எதற்காக குழப்புகிறார்கள் (அது ஏன் முக்கியமானது) 🧯
இதுவல்ல என்பதற்கான ஒரு விரைவான பட்டியல் பல குழப்பங்களைத் தெளிவுபடுத்துகிறது:
GenAI ஒரு தரவுத்தளம் அல்ல
அது "உண்மையை மீட்டெடுப்பதில்லை." அது நம்பத்தகுந்த வெளியீடுகளை உருவாக்குகிறது. உங்களுக்கு உண்மை தேவைப்பட்டால், நீங்கள் அடித்தளத்தை (ஆவணங்கள், தரவுத்தளங்கள், மேற்கோள்கள், மனித மதிப்பாய்வு) சேர்க்கிறீர்கள். அந்த வேறுபாடுதான் அடிப்படையில் முழு நம்பகத்தன்மை கதையாகும். [2]
GenAI தானாகவே ஒரு முகவர் அல்ல
உரையை உருவாக்கும் மாதிரி, பாதுகாப்பாக நடவடிக்கைகளை எடுக்கக்கூடிய (மின்னஞ்சல் அனுப்புதல், பதிவுகளை மாற்றுதல், குறியீட்டைப் பயன்படுத்துதல்) ஒரு அமைப்பைப் போன்றது அல்ல. “வழிமுறைகளை உருவாக்க முடியும்” ≠ “அவற்றை செயல்படுத்த வேண்டும்.”
GenAI நோக்கம் கொண்டதல்ல
இது வேண்டுமென்றே ஒலிக்கும் உள்ளடக்கத்தை உருவாக்க முடியும். அது நோக்கம் கொண்டிருப்பதற்கு சமமானதல்ல.
ஜெனரேட்டிவ் AI இன் நல்ல பதிப்பை உருவாக்குவது எது? ✅
எல்லா “உருவாக்க” அமைப்புகளும் ஒரே மாதிரியான நடைமுறைக்கு உகந்தவை அல்ல. ஒரு சிறந்த உருவாக்கச் செயற்கை நுண்ணறிவு என்பது வெறும் அழகான வெளியீடுகளைத் தருவது மட்டுமல்ல - அது மதிப்புமிக்க, கட்டுப்படுத்தக்கூடிய, மற்றும் சூழலுக்குப் போதுமான அளவு பாதுகாப்பான வெளியீடுகளைத் தருவதாகும்.
ஒரு நல்ல பதிப்பு பொதுவாக இவற்றைக் கொண்டிருக்கும்:
-
ஒத்திசைவு - அது ஒவ்வொரு இரண்டு வாக்கியங்களுக்கும் முரண்படாது.
-
அடித்தளம் அமைத்தல் - இது வெளியீடுகளை உண்மை ஆதாரத்துடன் (ஆவணங்கள், மேற்கோள்கள், தரவுத்தளங்கள்) இணைக்க முடியும் 📌
-
கட்டுப்படுத்தும் தன்மை - நீங்கள் தொனி, வடிவம், கட்டுப்பாடுகள் (அதிர்வைத் தூண்டுவது மட்டுமல்ல) ஆகியவற்றை வழிநடத்தலாம்.
-
நம்பகத்தன்மை - ஒத்த தூண்டுதல்கள் ஒத்த தரத்தைப் பெறுகின்றன, ரவுலட் முடிவுகளை அல்ல.
-
பாதுகாப்பு தண்டவாளங்கள் - இது வடிவமைப்பால் ஆபத்தான, தனிப்பட்ட அல்லது அனுமதிக்கப்படாத வெளியீடுகளைத் தவிர்க்கிறது.
-
வெளிப்படையான நடத்தைகள் - புதிதாக எதையும் கூறுவதற்குப் பதிலாக, “எனக்கு உறுதியாகத் தெரியவில்லை” என்று அதனால் கூற முடியும்.
-
பணிப்பாய்வு பொருத்தம் - இது மனிதர்கள் செயல்படும் விதத்தில் இணைகிறது, கற்பனையான பணிப்பாய்வு அல்ல.
NIST அடிப்படையில் இந்த முழு உரையாடலையும் “நம்பகத்தன்மை + இடர் மேலாண்மை” என்று வடிவமைக்கிறது, அதாவது... எல்லோரும் முன்பே செய்ய விரும்பும் கவர்ச்சியற்ற விஷயம். [1][2]
ஒரு அபூரண உருவகம் (உங்களை நீங்களே இணைத்துக் கொள்ளுங்கள்): ஒரு நல்ல உற்பத்தி மாதிரி என்பது எதையும் தயாரிக்கக்கூடிய மிக விரைவான சமையலறை உதவியாளரைப் போன்றது… ஆனால் சில நேரங்களில் உப்பை சர்க்கரையுடன் குழப்புகிறது, மேலும் இனிப்பு-குண்டாக பரிமாறாமல் இருக்க லேபிளிங் மற்றும் சுவை-சோதனைகள் தேவை 🍲🍰
ஒரு விரைவான தினசரி மினி-கேஸ் (கலவை, ஆனால் மிகவும் சாதாரணமானது) 🧩
GenAI பதில்களை வரைவு செய்ய விரும்பும் ஒரு ஆதரவுக் குழுவை கற்பனை செய்து பாருங்கள்:
-
வாரம் 1: “மாடலே டிக்கெட்டுகளுக்குப் பதிலளிக்கட்டும்.”
-
வெளியீடு வேகமாகவும், நம்பிக்கையுடனும் இருக்கிறது... சில சமயங்களில் விலை உயர்ந்த வழிகளில் தவறாகவும் இருக்கிறது.
-
-
வாரம் 2: அவர்கள் மீட்டெடுப்பு (அங்கீகரிக்கப்பட்ட ஆவணங்களிலிருந்து தகவல்களைப் பெறுதல்) மற்றும் வார்ப்புருக்களைச் (“எப்போதும் கணக்கு ஐடியைக் கேளுங்கள்,” “பணம் திரும்பத் தருவதாக ஒருபோதும் உறுதியளிக்காதீர்கள்,” போன்றவை).
-
தவறுகள் குறைகின்றன, நிலைத்தன்மை மேம்படுகிறது.
-
-
வாரம் 3: அவர்கள் ஒரு மறுஆய்வுப் பாதையையும் (அதிக ஆபத்துள்ள பிரிவுகளுக்கு மனித ஒப்புதல்) + எளிய மதிப்பீடுகளையும் (“கொள்கை சுட்டிக்காட்டப்பட்டது,” “பணம் திரும்பப்பெறும் விதி பின்பற்றப்பட்டது”) சேர்க்கிறார்கள்.
-
இப்போது இந்த அமைப்பு பயன்படுத்தக்கூடியதாக உள்ளது.
-
அந்த முன்னேற்றம்தான் அடிப்படையில் NISTயின் நடைமுறையில் உள்ள முக்கிய அம்சம்: அந்த மாதிரி ஒரு பகுதி மட்டுமே; அதைச் சுற்றியுள்ள கட்டுப்பாடுகள்தான் அதைப் போதுமான அளவு பாதுகாப்பாக ஆக்குகின்றன. [1][2]
ஒப்பீட்டு அட்டவணை - பிரபலமான உருவாக்க விருப்பங்கள் (மற்றும் அவை ஏன் வேலை செய்கின்றன) 🔍
விலைகள் தொடர்ந்து மாறிக்கொண்டே இருப்பதால், இது வேண்டுமென்றே தெளிவற்றதாகவே உள்ளது. மேலும்: பிரிவுகள் ஒன்றுடன் ஒன்று இணைகின்றன. ஆம், இது எரிச்சலூட்டும்.
| கருவி / அணுகுமுறை | பார்வையாளர்கள் | விலை (சராசரி) | இது ஏன் வேலை செய்கிறது (மற்றும் ஒரு சிறிய வித்தியாசம்) |
|---|---|---|---|
| பொது LLM அரட்டை உதவியாளர்கள் | அனைவரும், அணிகள் | இலவச அடுக்கு + சந்தா | வரைவு, சுருக்கம், மூளைச்சலவைக்கு சிறந்தது. சில நேரங்களில் நம்பிக்கையுடன் தவறு... ஒரு துணிச்சலான நண்பரைப் போல 😬 |
| பயன்பாடுகளுக்கான API LLMகள் | டெவலப்பர்கள், தயாரிப்பு குழுக்கள் | பயன்பாடு சார்ந்தது | பணிப்பாய்வுகளில் ஒருங்கிணைக்க எளிதானது; பெரும்பாலும் மீட்டெடுப்பு + கருவிகளுடன் இணைக்கப்பட்டுள்ளது. பாதுகாப்புத் தடுப்புகள் தேவை அல்லது அது காரமாகிவிடும் |
| பட ஜெனரேட்டர்கள் (பரவல்-பாணி) | படைப்பாளிகள், சந்தைப்படுத்துபவர்கள் | சந்தா/வரவுகள் | பாணி + மாறுபாட்டில் வலுவானது; சத்தம் நீக்கும் பாணி தலைமுறை வடிவங்களில் கட்டமைக்கப்பட்டது [5] |
| திறந்த மூல உருவாக்க மாதிரிகள் | ஹேக்கர்கள், ஆராய்ச்சியாளர்கள் | இலவச மென்பொருள் + வன்பொருள் | கட்டுப்பாடு + தனிப்பயனாக்கம், தனியுரிமைக்கு ஏற்ற அமைப்புகள். ஆனால் நீங்கள் அமைவு சிரமத்திற்கு (மற்றும் GPU வெப்பத்திற்கு) பணம் செலுத்துகிறீர்கள் |
| ஆடியோ/இசை ஜெனரேட்டர்கள் | இசைக்கலைஞர்கள், பொழுதுபோக்கு ஆர்வலர்கள் | வரவுகள்/சந்தா | மெல்லிசைகள், தண்டுகள், ஒலி வடிவமைப்பு ஆகியவற்றிற்கான விரைவான யோசனை. உரிமம் வழங்குவது குழப்பத்தை ஏற்படுத்தும் (சொற்களைப் படிக்கவும்) |
| வீடியோ ஜெனரேட்டர்கள் | படைப்பாளர்கள், ஸ்டுடியோக்கள் | சந்தா/வரவுகள் | வேகமான ஸ்டோரிபோர்டுகள் மற்றும் கருத்துத் துணுக்குகள். காட்சிகளுக்கு இடையேயான நிலைத்தன்மை இன்னும் தலைவலியாகவே உள்ளது |
| மீட்டெடுப்பு-பெரிதாக்கப்பட்ட தலைமுறை (RAG) | வணிகங்கள் | உள்கட்டமைப்பு + பயன்பாடு | உங்கள் ஆவணங்களுடன் உருவாக்கத்தை இணைக்க உதவுகிறது; "செய்யப்பட்ட பொருட்களை" குறைப்பதற்கான பொதுவான கட்டுப்பாடு [2] |
| செயற்கை தரவு ஜெனரேட்டர்கள் | தரவு குழுக்கள் | தொழில் சார்ந்த | தரவு பற்றாக்குறையாக/உணர்திறன் குறைவாக இருக்கும்போது பயனுள்ளதாக இருக்கும்; உருவாக்கப்பட்ட தரவு உங்களை முட்டாளாக்காமல் இருக்க சரிபார்ப்பு தேவை 😵 |
பின்னணியில்: தலைமுறை என்பது அடிப்படையில் “வடிவ நிறைவு” 🧩
காதல் இல்லாத உண்மை:
பல ஜெனரேட்டிவ் AI, "அடுத்து என்ன வரும் என்று கணிக்க", அது வேறு ஏதோவொன்றைப் போல உணரும் வரை அளவிடப்படுகிறது.
-
உரையில்: உரையின் அடுத்த பகுதியை (டோக்கன்-இஷ்) ஒரு வரிசையில் உருவாக்குங்கள் - நவீன தூண்டுதலை மிகவும் பயனுள்ளதாக மாற்றிய கிளாசிக் தன்னியக்க பின்னடைவு அமைப்பு [4]
-
படங்களில்: சத்தத்துடன் தொடங்கி, அதை மீண்டும் மீண்டும் கட்டமைப்பாக (பரவல்-குடும்ப உள்ளுணர்வு) நீக்கவும் [5]
அதனால்தான் குறிப்புகள் முக்கியம். நீங்கள் மாதிரிக்கு ஒரு பகுதி வடிவத்தைக் கொடுக்கிறீர்கள், அது அதை நிறைவு செய்கிறது.
இதனால்தான் ஜெனரேட்டிவ் AI இதில் சிறப்பாக செயல்பட முடியும்:
-
"இதை நட்பு தொனியில் எழுது"
-
"பத்து தலைப்பு விருப்பங்களை எனக்குக் கொடுங்கள்"
-
"இந்த குறிப்புகளை ஒரு சுத்தமான திட்டமாக மாற்றவும்"
-
"சாரக்கட்டு குறியீடு + சோதனைகளை உருவாக்கு"
…மேலும் இது ஏன் போராடக்கூடும்:
-
அடிப்படை இல்லாமல் கண்டிப்பான உண்மை துல்லியம்
-
நீண்ட, உடையக்கூடிய பகுத்தறிவுச் சங்கிலிகள்
-
பல வெளியீடுகளில் (கதாபாத்திரங்கள், பிராண்ட் குரல், தொடர்ச்சியான விவரங்கள்) நிலையான அடையாளம்
இது ஒரு நபரைப் போல "சிந்திப்பது" அல்ல. இது நம்பத்தகுந்த தொடர்ச்சிகளை உருவாக்குகிறது. மதிப்புமிக்கது, ஆனால் வித்தியாசமானது.
படைப்பாற்றல் விவாதம் - “உருவாக்குதல்” vs “ரீமிக்சிங்” 🎨
மக்கள் இங்கே அளவுக்கு அதிகமாக கோபப்படுகிறார்கள். எனக்கு ஓரளவு புரிகிறது.
ஜெனரேட்டிவ் AI பெரும்பாலும் உணரும் , ஏனெனில் அது:
-
கருத்துக்களை இணைக்கவும்
-
மாறுபாட்டை விரைவாக ஆராயுங்கள்
-
மேற்பரப்பு ஆச்சரியமான சங்கங்கள்
-
அமானுஷ்ய துல்லியத்துடன் பாணிகளைப் பிரதிபலிக்கவும்
ஆனால் அதற்கு எந்த நோக்கமும் இல்லை. உள் ரசனை இல்லை. இல்லை "இது எனக்கு முக்கியம் என்பதால் நான் இதைச் செய்தேன்."
ஆனாலும், ஒரு சிறிய பின்வாங்கல்: மனிதர்களும் தொடர்ந்து புதிய படைப்புகளை உருவாக்குகிறார்கள். நாம் அதை நமது வாழ்வனுபவம், இலக்குகள் மற்றும் ரசனையின் அடிப்படையில் செய்கிறோம், அவ்வளவுதான். எனவே, அந்தப் பட்டம் தொடர்ந்து விவாதத்திற்குரியதாகவே இருக்கட்டும். நடைமுறையில், அது ஒரு படைப்பாற்றல் உந்துசக்தி , மேலும் அதுதான் மிகவும் முக்கியமான பகுதி.
செயற்கைத் தரவு - அமைதியாகக் குறைத்து மதிப்பிடப்பட்ட இலக்கு 🧪
ஜெனரேட்டிவ் AI இன் வியக்கத்தக்க முக்கியமான ஒரு பிரிவு, உண்மையான நபர்களையோ அல்லது அரிதான உணர்திறன் மிக்க வழக்குகளையோ வெளிப்படுத்தாமல், உண்மையான தரவுகளைப் போல செயல்படும் தரவை உருவாக்குவதாகும்.
அது ஏன் மதிப்புமிக்கது:
-
தனியுரிமை மற்றும் இணக்கக் கட்டுப்பாடுகள் (உண்மையான பதிவுகளின் குறைவான வெளிப்பாடு)
-
அரிய நிகழ்வு உருவகப்படுத்துதல் (மோசடி விளிம்பு வழக்குகள், முக்கிய குழாய் தோல்விகள், முதலியன)
-
உற்பத்தித் தரவைப் பயன்படுத்தாமல் குழாய்வழிகளைச் சோதித்தல்
-
உண்மையான தரவுத்தொகுப்புகள் சிறியதாக இருக்கும்போது தரவு பெருக்குதல்
ஆனால் பிடிப்பு இன்னும் பிடிப்புதான்: செயற்கைத் தரவு அசல் தரவைப் போலவே அதே சார்புகளையும் குருட்டுப் புள்ளிகளையும் அமைதியாக மீண்டும் உருவாக்க முடியும் - அதனால்தான் ஆளுமை மற்றும் அளவீடு தலைமுறையைப் போலவே முக்கியம். [1][2][3]
செயற்கை தரவு என்பது decaf காபி போன்றது - அது பார்க்க அழகாக இருக்கிறது, மணக்கிறது, ஆனால் சில நேரங்களில் நீங்கள் நினைத்த வேலையைச் செய்யாது ☕🤷
வரம்புகள் - எந்த ஜெனரேட்டிவ் AI மோசமாக உள்ளது (ஏன்) 🚧
உங்களுக்கு ஒரே ஒரு எச்சரிக்கை மட்டும் நினைவில் இருந்தால், இதை நினைவில் கொள்ளுங்கள்:
உருவாக்கும் மாதிரிகள் சரளமான முட்டாள்தனத்தை உருவாக்க முடியும்.
பொதுவான தோல்வி முறைகள்:
-
மாயத்தோற்றங்கள் - உண்மைகள், மேற்கோள்கள் அல்லது நிகழ்வுகளை நம்பிக்கையுடன் புனையுதல்.
-
பழைய அறிவு - ஸ்னாப்ஷாட்களில் பயிற்சி பெற்ற மாதிரிகள் புதுப்பிப்புகளைத் தவறவிடலாம்.
-
உடனடி உடையக்கூடிய தன்மை - சிறிய வார்த்தை மாற்றங்கள் பெரிய வெளியீட்டு மாற்றங்களை ஏற்படுத்தும்.
-
மறைக்கப்பட்ட சார்பு - வளைந்த தரவுகளிலிருந்து கற்றுக்கொள்ளப்பட்ட வடிவங்கள்
-
அளவுக்கு மீறிய இணக்கம் - தேவைப்படாத போதும் உதவ முயற்சிப்பது.
-
சீரற்ற பகுத்தறிவு - குறிப்பாக நீண்ட பணிகளில்
இதனால்தான் "நம்பகமான AI" உரையாடல் நிலவுகிறது: வெளிப்படைத்தன்மை, பொறுப்புக்கூறல், வலிமை மற்றும் மனிதனை மையமாகக் கொண்ட வடிவமைப்பு ஆகியவை இருப்பது நல்லதல்ல; அவை உற்பத்தியில் ஒரு நம்பிக்கை பீரங்கியை அனுப்புவதைத் தவிர்க்கும் விதம். [1][3]
வெற்றியை அளவிடுதல்: இலக்கு எப்போது அடையப்படுகிறது என்பதை அறிதல் 📏
உருவாக்கச் செயற்கை நுண்ணறிவின் முதன்மை நோக்கம் “மதிப்புமிக்க புதிய உள்ளடக்கத்தை உருவாக்குவது” என்றால் , அதன் வெற்றி அளவீடுகள் பொதுவாக இரண்டு வகைகளாகப் பிரிக்கப்படும்:
தர அளவீடுகள் (மனித மற்றும் தானியங்கி)
-
சரியான தன்மை (பொருந்தினால்)
-
ஒற்றுமை மற்றும் தெளிவு
-
பாணி பொருத்தம் (தொனி, பிராண்ட் குரல்)
-
முழுமை (நீங்கள் கேட்டதை உள்ளடக்கியது)
பணிப்பாய்வு அளவீடுகள்
-
ஒரு பணிக்கு சேமிக்கப்படும் நேரம்
-
திருத்தங்களில் குறைப்பு
-
தரக் குறைவு இல்லாமல் அதிக செயல்திறன்
-
பயனர் திருப்தி (அளவிடுவது கடினமாக இருந்தாலும், மிகவும் குறிப்பிடத்தக்க அளவீடு)
நடைமுறையில், அணிகள் ஒரு மோசமான உண்மையை எதிர்கொள்கின்றன:
-
இந்த மாதிரி "போதுமான அளவு" வரைவுகளை விரைவாக உருவாக்க முடியும்
-
ஆனால் தரக் கட்டுப்பாடு புதிய தடையாக மாறுகிறது.
எனவே உண்மையான வெற்றி என்பது வெறும் தலைமுறை அல்ல. தலைமுறை பிளஸ் மறுஆய்வு அமைப்புகள் - மீட்டெடுப்பு கிரவுண்டிங், eval சூட்கள், பதிவு செய்தல், ரெட்-டீமிங், விரிவாக்க பாதைகள்... இதை உண்மையாக்கும் அனைத்து கவர்ச்சியற்ற விஷயங்களும். [2]
"வருந்தாமல் பயன்படுத்தவும்" நடைமுறை வழிகாட்டுதல்கள் 🧩
சாதாரண வேடிக்கையைத் தவிர வேறு எதற்கும் நீங்கள் ஜெனரேட்டிவ் AI ஐப் பயன்படுத்துகிறீர்கள் என்றால், சில பழக்கவழக்கங்கள் நிறைய உதவுகின்றன:
-
கட்டமைப்பைக் கேளுங்கள்: “எனக்கு எண்களிடப்பட்ட ஒரு திட்டத்தையும், பின்னர் ஒரு வரைவையும் கொடுங்கள்.”
-
கட்டாயக் கட்டுப்பாடுகள்: “இந்தத் தகவல்களை மட்டுமே பயன்படுத்தவும். விடுபட்டிருந்தால், என்ன விடுபட்டுள்ளது என்பதைக் குறிப்பிடவும்.”
-
நிச்சயமற்ற தன்மையைக் கோருங்கள்: “அனுமானங்களையும் நம்பிக்கையையும் பட்டியலிடுங்கள்.”
-
அடிப்படைத் தகவல்களைப் பயன்படுத்தவும்: உண்மைகள் முக்கியமானதாக இருக்கும்போது ஆவணங்கள்/தரவுத்தளங்களுடன் இணைக்கவும் [2]
-
வெளியீடுகளை வரைவுகளாகக் கருதுங்கள்: நட்சத்திரமானவை கூட.
மேலும் எளிமையான தந்திரம் மிகவும் மனிதாபிமானமானது: அதை சத்தமாகப் படியுங்கள். உங்கள் மேலாளரை ஈர்க்க முயற்சிக்கும் ஒரு ரோபோ போலத் தெரிந்தால், அதற்கு எடிட்டிங் தேவைப்படலாம் 😅
சுருக்கம் 🎯
தரவுகளிலிருந்து வடிவங்களைக் கற்றுக்கொள்வதன் மூலமும், நம்பத்தகுந்த வெளியீடுகளை உருவாக்குவதன் மூலமும், ஒரு குறிப்பிட்ட தேவை அல்லது கட்டுப்பாடுகளுக்கு ஏற்ற புதிய உள்ளடக்கத்தை உருவாக்குவதே ஜெனரேட்டிவ் AI இன் முக்கிய குறிக்கோளாகும் .
இது சக்தி வாய்ந்தது ஏனெனில் அது:
-
வரைவு மற்றும் சிந்தனையை துரிதப்படுத்துகிறது
-
மாறுபாடுகளை மலிவாகப் பெருக்குகிறது
-
திறன் இடைவெளிகளைக் (எழுதுதல், குறியீட்டு முறை, வடிவமைப்பு) நிரப்ப உதவுகிறது
இது ஆபத்தானது ஏனெனில் அது:
-
உண்மைகளை சரளமாகப் புனைய முடியும்
-
சார்பு மற்றும் குருட்டுப் புள்ளிகளைப் பெறுகிறது
-
தீவிரமான சூழல்களில் அடிப்படை மற்றும் மேற்பார்வை தேவை [1][2][3]
சரியாகப் பயன்படுத்தினால், அது ஒரு “மாற்று மூளை” என்பதை விட, “டர்போ பொருத்தப்பட்ட இழுவை இயந்திரம்” என்றே கருதப்படும்.
தவறாகப் பயன்படுத்தினால், அது உங்கள் பணி ஓட்டத்தை நோக்கித் திருப்பப்பட்ட ஒரு தன்னம்பிக்கைப் பீரங்கியாக மாறும்... அதனால் விரைவில் அதிக செலவாகிவிடும்.
நடைமுறை உதாரணம்: ஒரு அடித்தள ஆதரவு-பதில் உதவியாளரை உருவாக்குதல்
சூழ்நிலை
கட்டணம், கடவுச்சொல் மீட்டமைப்பு, அம்ச வரம்புகள், பணத்தைத் திரும்பப் பெறுதல் மற்றும் கணக்கு அணுகல் போன்றவை தொடர்பாக வாரத்திற்கு 80 முதல் 120 ஆதரவு கோரிக்கைகளைப் பெறும் ஒரு சிறிய SaaS நிறுவனத்தைக் கற்பனை செய்து பாருங்கள்.
அந்தக் குழு விரும்பவில்லை . அது அபாயகரமானது. அதற்குப் பதிலாக, அது முதல் பதில்களை வரைவு செய்ய வேண்டும் என்றும், அவற்றை ஒரு மனித ஆதரவு முகவர் மதிப்பாய்வு செய்த பின்னரே அனுப்ப வேண்டும் என்றும் அவர்கள் விரும்புகிறார்கள்.
நோக்கம் எளிமையானது: பணத்தைத் திரும்பப்பெறுதல் வாக்குறுதிகள், போலியான அம்சங்கள் அல்லது கணக்கு சார்ந்த உண்மைகளைக் கற்பனை செய்யாமல், சிதறிக் கிடக்கும் உதவி மையக் கட்டுரைகளையும் கொள்கைக் குறிப்புகளையும் தெளிவான, கண்ணியமான வரைவுப் பதில்களாக மாற்றுவதே ஆகும்.
உதவியாளருக்கு என்ன தேவை
உதவியாளரை மதிப்புமிக்கவராக ஆக்குவதற்கு, குழு அவருக்கு வழங்குவது:
-
தற்போதைய பணத்தைத் திரும்பப்பெறும் கொள்கை
-
விலை நிர்ணயப் பக்கம்
-
உதவி மையக் கட்டுரைகள்
-
அந்த பிராண்ட் பயன்படுத்தும் மற்றும் தவிர்க்கும் சொற்றொடர்களின் பட்டியல்
-
கட்டணத் தகராறுகள், சட்ட அச்சுறுத்தல்கள், பாதுகாப்புச் சிக்கல்கள் மற்றும் கோபமான வாடிக்கையாளர்கள் ஆகியவற்றுக்கான மேல்நிலைப்படுத்தல் விதிகள்
-
"வழங்கப்பட்ட ஆவணங்களில் விடை இல்லை என்றால், யூகிக்காமல் விடுபட்டதைக் கூறவும்" என்ற விதி
முக்கியமான விஷயம் என்னவென்றால், அந்தச் செயற்கை நுண்ணறிவு ஒரு உண்மை அறியும் கருவியாகக் கருதப்படவில்லை. அது ஒரு வரைவு இயந்திரமாகப் பயன்படுத்தப்படுகிறது, மேலும் அங்கீகரிக்கப்பட்ட ஆவணங்களே உண்மையின் ஆதாரமாகச் செயல்படுகின்றன.
எடுத்துக்காட்டு அறிவுறுத்தல்
நீங்கள் ஒரு SaaS தயாரிப்புக்கான ஆதரவு வரைவு உதவியாளர். ஒரு மனித முகவர் மதிப்பாய்வு செய்வதற்காக, முதல்-பதில் வரைவு ஒன்றை எழுதுங்கள்.
வழங்கப்பட்ட உதவி மையம் மற்றும் கொள்கை உள்ளடக்கத்தை மட்டுமே பயன்படுத்தவும். தயாரிப்பு அம்சங்கள், பணம் திரும்பப்பெறுதல் வாக்குறுதிகள், காலக்கெடு, தள்ளுபடிகள் அல்லது சட்டப்பூர்வ உரிமைகோரல்களை நீங்களாகவே உருவாக்க வேண்டாம்.
உங்கள் பதிலில் பின்வருவன அடங்கியிருக்க வேண்டும்:
-
வாடிக்கையாளரின் பிரச்சினை குறித்த ஒரு சுருக்கமான ஒப்புதல்
-
அங்கீகரிக்கப்பட்ட ஆவணங்களிலிருந்து மிகவும் பொருத்தமான பதில்
-
முகவர் கோர வேண்டிய விடுபட்ட தகவல்கள்
-
கட்டணத் தகராறுகள், கணக்குப் பாதுகாப்பு, சட்டரீதியான அச்சுறுத்தல்கள் அல்லது ரத்துசெய்தல் சிக்கல்கள் ஆகியவை புகாரில் சம்பந்தப்பட்டிருந்தால், அதை அடுத்த கட்டத்திற்கு எடுத்துச் செல்வதற்கான தெளிவான குறிப்பு
தொனி: அமைதியான, உதவிகரமான, தெளிவான மற்றும் நேரடியானதாக இருக்க வேண்டும்.
ஆவணங்கள் கேள்விக்குப் பதிலளிக்கவில்லை என்றால், “அங்கீகரிக்கப்பட்ட துணை ஆவணங்களிலிருந்து இதை என்னால் சரிபார்க்க முடியவில்லை” என்று கூறவும்.
அதை எப்படி சோதிப்பது
வாடிக்கையாளர்களிடம் பயன்படுத்துவதற்கு முன்பு, 20 முதல் 30 பழைய ரசீதுகளில் இதைச் சோதித்துப் பாருங்கள்.
நல்ல சோதனை நிகழ்வுகளில் பின்வருவன அடங்கும்:
-
ஒரு எளிய கடவுச்சொல் மீட்டமைப்பு கேள்வி
-
பணம் திரும்பப்பெற அனுமதிக்கப்பட்ட காலக்கெடுவிற்குள் ஒரு கோரிக்கை
-
அனுமதிக்கப்பட்ட பணத்தைத் திரும்பப்பெறும் காலக்கெடுவிற்கு வெளியே ஒரு பணத்தைத் திரும்பப்பெறும் கோரிக்கை
-
இல்லாத ஒரு அம்சத்தைக் கேட்கும் வாடிக்கையாளர்
-
கணக்கு விவரங்கள் விடுபட்டிருப்பது தொடர்பான கட்டணப் புகார்
-
மேல் நடவடிக்கை எடுக்கப்பட வேண்டிய ஒரு கோபமான செய்தி
-
கணக்கு அணுகல் தொடர்பான பாதுகாப்புச் சிக்கல்
ஒவ்வொரு வரைவிற்கும், மதிப்பாய்வாளர் பின்வருவனவற்றைச் சரிபார்க்க வேண்டும்:
-
அது அங்கீகரிக்கப்பட்ட உண்மைகளை மட்டுமே பயன்படுத்தியதா?
-
அது வாக்குறுதிகள் அளிப்பதைத் தவிர்த்ததா?
-
அது விடுபட்ட தகவல்களைக் கேட்டதா?
-
அது சரியான புகார்களை அடுத்த நிலைக்கு அனுப்பியதா?
-
ஒரு மனித முகவர் இதைச் சிறு திருத்தங்களுக்குப் பிறகு அனுப்புவாரா?
முடிவு
விளக்க முடிவு: இந்த பணிப்பாய்வைப் பயன்படுத்துவதற்கு முன்னும் பின்னும் 30 மாதிரி ஆதரவு டிக்கெட்டுகளின் நேரத்தைக் கொண்டு எடுக்கப்பட்ட முடிவு.
உதவியாளரைப் பயன்படுத்துவதற்கு முன்பு, ஒரு டிக்கெட்டிற்கான சராசரி முதல் வரைவு நேரம் 7 நிமிடங்களாக மதிப்பிடப்பட்டது . உதவியாளரைப் பயன்படுத்திய பிறகு, ஒரு டிக்கெட்டிற்கான சராசரி மறுஆய்வு மற்றும் திருத்த நேரம் 3 நிமிடங்களாக இருந்தது .
வாரத்திற்கு 100 டிக்கெட்டுகள் என்றால், வரைவு எழுதும் நேரம் சுமார் 11.7 மணிநேரத்திலிருந்து 5 மணிநேரமாகக் குறைந்து , வாரத்திற்கு ஏறத்தாழ 6.7 மணிநேரம் மிச்சமாகும் .
இதைக் கண்காணிப்பதன் மூலம் குழு இதைச் சரிபார்க்க முடியும்:
-
ஒரு டிக்கெட்டைத் திறப்பதிலிருந்து முதல் வரைவை முடிப்பது வரையிலான நேரம்
-
அனுப்புவதற்கு முன் செய்யப்பட்ட திருத்தங்களின் எண்ணிக்கை
-
உண்மைப் பிழைகள் காரணமாக நிராகரிக்கப்பட்ட வரைவுகளின் எண்ணிக்கை
-
சரியான டிக்கெட்டுகளின் எண்ணிக்கை அதிகரிக்கப்பட்டது
-
பதில் அனுப்பப்பட்ட பிறகு வாடிக்கையாளர் திருப்தி
செயற்கை நுண்ணறிவு ஆதரவைப் 'புரிந்துகொள்கிறது' என்பதற்கு இது ஆதாரம் அல்ல. இது இன்னும் நடைமுறைக்குரிய ஒன்றைக் காட்டுகிறது: வெளியீடு அடிப்படைப்படுத்தப்பட்டு, மதிப்பாய்வு செய்யப்பட்டு, அளவிடப்படும்போதுதான் உருவாக்கத்திற்கு மதிப்பு உண்டு.
என்ன தவறு நடக்கக்கூடும்?
அங்கீகரிக்கப்பட்ட ஆவணங்களிலிருந்து பதிலளிப்பதற்குப் பதிலாக, உதவியாளரை நினைவிலிருந்து பதிலளிக்க அனுமதிப்பதே மிகப்பெரிய தவறாகும்.
மற்ற பொதுவான பிரச்சனைகள்:
-
பழைய பணம் திரும்பப்பெறுதல் விதிகள் அறிவுத் தளத்தில் அப்படியே உள்ளன
-
அந்த அறிவுறுத்தல் “உதவிகரமாக இருங்கள்” என்று கூறுகிறது, ஆனால் “பணம் திரும்பத் தருவதாக வாக்குறுதி அளிக்காதீர்கள்” என்று கூறவில்லை
-
அதிக ஆபத்துள்ள டிக்கெட்டுகள் மனிதர்களுக்கு அனுப்பப்படுவதில்லை
-
முகவர்கள் மேற்கோள்கள் அல்லது மூலக் குறிப்புகளைச் சரிபார்ப்பதை நிறுத்துகிறார்கள்
-
அணி வேகத்தை அளவிடுகிறது, ஆனால் துல்லியத்தைப் புறக்கணிக்கிறது
-
சரியான பதில் 'எனக்குத் தெரியாது' என்பதாக இருக்க வேண்டிய இடத்தில், உதவியாளர் நம்பிக்கையுடன் பதிலளிக்கிறார்
இந்தத் தீர்வு வெளித்தோற்றத்திற்கு எளிமையானது ஆனால் பயனுள்ளது: ஆவணங்களைப் புதுப்பித்த நிலையில் வைத்திருங்கள், சிரமமான எடுத்துக்காட்டுகளைக் கொண்டு சோதியுங்கள், அதிக அபாயம் உள்ள பதில்களை மதிப்பாய்வு செய்யுங்கள், மேலும் ஒவ்வொரு வாரமும் பிழைகளைக் கண்காணிக்கவும்.
நடைமுறைப் பாடம்
உருவாக்கச் செயற்கை நுண்ணறிவு (Generative AI) இங்கு ஒரு தன்னாட்சி ஆதரவு முகவராக அல்லாமல், ஒரு கட்டுப்படுத்தப்பட்ட வரைவு இயந்திரமாகவே சிறப்பாகச் செயல்படுகிறது. வேகமான உருவாக்கத்தை அடித்தளம் அமைத்தல், தெளிவான விதிகள், மனித மதிப்பாய்வு மற்றும் அளவிடக்கூடிய சரிபார்ப்புகளுடன் இணைப்பதில்தான் அதன் மதிப்பு அடங்கியுள்ளது. மதிப்புமிக்க தன்னியக்கத்திற்கும், உங்கள் வாடிக்கையாளர்களை நோக்கித் திருப்பப்பட்ட ஒரு நம்பிக்கைத் துப்பாக்கிக்கும் உள்ள வேறுபாடு இதுதான்.
அடிக்கடி கேட்கப்படும் கேள்விகள்
அன்றாட மொழியில் ஜெனரேட்டிவ் AI இன் முக்கிய குறிக்கோள் என்ன?
உருவாக்க AI இன் முக்கிய குறிக்கோள், ஏற்கனவே உள்ள தரவிலிருந்து கற்றுக்கொண்ட வடிவங்களின் அடிப்படையில் புதிய, நம்பத்தகுந்த உள்ளடக்கத்தை - உரை, படங்கள், ஆடியோ அல்லது குறியீடு - உருவாக்குவதாகும். இது ஒரு தரவுத்தளத்திலிருந்து "உண்மையை" மீட்டெடுப்பதில்லை. அதற்கு பதிலாக, அது முன்னர் பார்த்தவற்றுடன் புள்ளிவிவர ரீதியாக ஒத்துப்போகும் வெளியீடுகளை உருவாக்குகிறது, உங்கள் தூண்டுதல் மற்றும் நீங்கள் வழங்கும் எந்தவொரு கட்டுப்பாடுகளாலும் வடிவமைக்கப்பட்டுள்ளது.
ஒரு ப்ராம்ட்டில் இருந்து புதிய உள்ளடக்கத்தை ஜெனரேட்டிவ் AI எவ்வாறு உருவாக்குகிறது?
பல அமைப்புகளில், தலைமுறை என்பது அளவில் மாதிரி நிறைவு போல செயல்படுகிறது. உரையைப் பொறுத்தவரை, மாதிரி ஒரு வரிசையில் அடுத்து என்ன வரும் என்பதைக் கணித்து, ஒத்திசைவான தொடர்ச்சிகளை உருவாக்குகிறது. படங்களுக்கு, பரவல்-பாணி மாதிரிகள் பெரும்பாலும் சத்தத்துடன் தொடங்கி, கட்டமைப்பை நோக்கி மீண்டும் மீண்டும் "டெனோயிஸ்" செய்கின்றன. உங்கள் ப்ராம்ட் ஒரு பகுதி டெம்ப்ளேட்டாக செயல்படுகிறது, மேலும் மாதிரி அதை நிறைவு செய்கிறது.
ஏன் ஜெனரேட்டிவ் AI சில நேரங்களில் இவ்வளவு நம்பிக்கையுடன் உண்மைகளை உருவாக்குகிறது?
ஜெனரேட்டிவ் AI, நம்பத்தகுந்த, சரளமான வெளியீடுகளை உருவாக்குவதற்காகவே மேம்படுத்தப்பட்டுள்ளது - உண்மை சரியான தன்மையை உறுதி செய்வதற்காக அல்ல. அதனால்தான் இது நம்பிக்கையுடன் ஒலிக்கும் முட்டாள்தனம், ஜோடிக்கப்பட்ட மேற்கோள்கள் அல்லது தவறான நிகழ்வுகளை உருவாக்க முடியும். துல்லியம் முக்கியமானதாக இருக்கும்போது, உங்களுக்கு பொதுவாக அடிப்படை (நம்பகமான ஆவணங்கள், மேற்கோள்கள், தரவுத்தளங்கள்) மற்றும் மனித மதிப்பாய்வு தேவைப்படும், குறிப்பாக அதிக ஆபத்து அல்லது வாடிக்கையாளர் எதிர்கொள்ளும் பணிகளுக்கு.
"கிரவுண்டிங்" என்றால் என்ன, அதை நான் எப்போது பயன்படுத்த வேண்டும்?
கிரவுண்டிங் என்பது மாதிரியின் வெளியீட்டை அங்கீகரிக்கப்பட்ட ஆவணங்கள், உள் அறிவுத் தளங்கள் அல்லது கட்டமைக்கப்பட்ட தரவுத்தளங்கள் போன்ற நம்பகமான உண்மை மூலத்துடன் இணைப்பதாகும். உண்மை துல்லியம், கொள்கை இணக்கம் அல்லது நிலைத்தன்மை முக்கியமானதாக இருக்கும்போது - ஆதரவு பதில்கள், சட்ட அல்லது நிதி வரைவுகள், தொழில்நுட்ப வழிமுறைகள் அல்லது தவறாக இருந்தால் உறுதியான தீங்கு விளைவிக்கக்கூடிய எதையும் - நீங்கள் கிரவுண்டிங்கைப் பயன்படுத்த வேண்டும்.
ஜெனரேட்டிவ் AI வெளியீடுகளை எவ்வாறு மிகவும் சீரானதாகவும் கட்டுப்படுத்தக்கூடியதாகவும் மாற்றுவது?
தேவையான வடிவம், அனுமதிக்கப்பட்ட உண்மைகள், தொனி வழிகாட்டுதல் மற்றும் வெளிப்படையான "செய்/செய்யாதே" விதிகளைச் சேர்க்கும்போது கட்டுப்பாட்டுத்தன்மை மேம்படும். வார்ப்புருக்கள் ("எப்போதும் X ஐக் கேளுங்கள்," "ஒருபோதும் Y ஐ உறுதியளிக்காதீர்கள்") உதவுகின்றன, அதே போல் கட்டமைக்கப்பட்ட அறிவுறுத்தல்களும் ("எண்ணிடப்பட்ட திட்டத்தை கொடுங்கள், பின்னர் ஒரு வரைவு"). அனுமானங்கள் மற்றும் நிச்சயமற்ற தன்மையை பட்டியலிட மாதிரியைக் கேட்பது அதிகப்படியான தன்னம்பிக்கை யூகத்தையும் குறைக்கலாம்.
ஜெனரேட்டிவ் AI என்பது நடவடிக்கைகளை எடுக்கக்கூடிய ஒரு முகவரைப் போன்றதா?
இல்லை. உள்ளடக்கத்தை உருவாக்கும் ஒரு மாதிரி தானாகவே மின்னஞ்சல்களை அனுப்புதல், பதிவுகளை மாற்றுதல் அல்லது குறியீட்டைப் பயன்படுத்துதல் போன்ற செயல்களைச் செயல்படுத்த வேண்டிய ஒரு அமைப்பு அல்ல. “வழிமுறைகளை உருவாக்க முடியும்” என்பது “அவற்றை இயக்க பாதுகாப்பானது” என்பதிலிருந்து வேறுபட்டது. நீங்கள் கருவி பயன்பாடு அல்லது தானியங்கிமயமாக்கலைச் சேர்த்தால், ஆபத்தை நிர்வகிக்க உங்களுக்கு பொதுவாக கூடுதல் பாதுகாப்புத் தடுப்புகள், அனுமதிகள், பதிவு செய்தல் மற்றும் விரிவாக்கப் பாதைகள் தேவைப்படும்.
உண்மையான பணிப்பாய்வுகளில் "நல்ல" உருவாக்கும் AI அமைப்பை உருவாக்குவது எது?
ஒரு நல்ல அமைப்பு மதிப்புமிக்கது, கட்டுப்படுத்தக்கூடியது மற்றும் அதன் சூழலுக்கு ஏற்றவாறு பாதுகாப்பானது - வெறும் ஈர்க்கக்கூடியது மட்டுமல்ல. நடைமுறை சமிக்ஞைகளில் ஒத்திசைவு, ஒத்த தூண்டுதல்களில் நம்பகத்தன்மை, நம்பகமான ஆதாரங்களுக்கு அடிப்படையாக இருத்தல், அனுமதிக்கப்படாத அல்லது தனிப்பட்ட உள்ளடக்கத்தைத் தடுக்கும் பாதுகாப்புத் தண்டவாளங்கள் மற்றும் அது நிச்சயமற்றதாக இருக்கும்போது நேர்மை ஆகியவை அடங்கும். சுற்றியுள்ள பணிப்பாய்வு - மறுஆய்வு பாதைகள், மதிப்பீடு மற்றும் கண்காணிப்பு - பெரும்பாலும் மாதிரியைப் போலவே முக்கியமானது.
கவனிக்க வேண்டிய மிகப்பெரிய வரம்புகள் மற்றும் தோல்வி முறைகள் யாவை?
பொதுவான தோல்வி முறைகளில் மாயத்தோற்றங்கள், பழைய அறிவு, உடனடி உடையக்கூடிய தன்மை, மறைக்கப்பட்ட சார்பு, அதிகப்படியான இணக்கம் மற்றும் நீண்ட பணிகளில் சீரற்ற பகுத்தறிவு ஆகியவை அடங்கும். வெளியீடுகளை வரைவுகளுக்குப் பதிலாக முடிக்கப்பட்ட வேலையாகக் கருதும்போது ஆபத்து அதிகரிக்கிறது. உற்பத்தி பயன்பாட்டிற்காக, குழுக்கள் பெரும்பாலும் மீட்டெடுப்பு அடிப்படை, மதிப்பீடுகள், பதிவு செய்தல் மற்றும் உணர்திறன் வகைகளுக்கு மனித மதிப்பாய்வு ஆகியவற்றைச் சேர்க்கின்றன.
செயற்கை தரவு உருவாக்கம் எப்போது ஜெனரேட்டிவ் AI இன் நல்ல பயன்பாடாக இருக்கும்?
உண்மையான தரவு பற்றாக்குறையாகவோ, உணர்திறன் மிக்கதாகவோ அல்லது பகிர கடினமாகவோ இருக்கும்போது, அரிதான நிகழ்வு உருவகப்படுத்துதல் அல்லது பாதுகாப்பான சோதனை சூழல்கள் தேவைப்படும்போது செயற்கைத் தரவு உதவும். இது உண்மையான பதிவுகளின் வெளிப்பாட்டைக் குறைத்து, பைப்லைன் சோதனை அல்லது பெருக்கத்தை ஆதரிக்கும். ஆனால் இதற்கு இன்னும் சரிபார்ப்பு தேவைப்படுகிறது, ஏனெனில் செயற்கைத் தரவு அசல் தரவிலிருந்து சார்புகள் அல்லது குருட்டுப் புள்ளிகளை மீண்டும் உருவாக்க முடியும்.
குறிப்புகள்
[1] NIST-இன் AI RMF - AI அபாயங்கள் மற்றும் கட்டுப்பாடுகளை நிர்வகிப்பதற்கான ஒரு கட்டமைப்பு. மேலும் படிக்க
[2] NIST AI 600-1 GenAI சுயவிவரம் - GenAI-குறிப்பிட்ட அபாயங்கள் மற்றும் தணிப்புகளுக்கான வழிகாட்டுதல் (PDF). மேலும் படிக்க
[3] OECD AI கோட்பாடுகள் - பொறுப்பான AI-க்கான உயர் மட்ட கோட்பாடுகளின் தொகுப்பு. மேலும் படிக்க
[4] பிரவுன் மற்றும் பலர். (NeurIPS 2020) - பெரிய மொழி மாதிரிகளுடன் கூடிய ஃபியூ-ஷாட் ப்ராம்ப்டிங் பற்றிய அடிப்படைக் கட்டுரை (PDF). மேலும் படிக்க
[5] ஹோ மற்றும் பலர். (2020) - இரைச்சல் நீக்கம் அடிப்படையிலான பட உருவாக்கத்தை விவரிக்கும் பரவல் மாதிரி கட்டுரை (PDF). மேலும் படிக்க