சுருக்கமான பதில்: ஜெனரேட்டிவ் AI இன் முக்கிய குறிக்கோள், ஏற்கனவே உள்ள தரவுகளில் வடிவங்களைக் கற்றுக்கொள்வதன் மூலமும், ஒரு தூண்டுதலுக்கு பதிலளிக்கும் விதமாக அவற்றை நீட்டிப்பதன் மூலமும் புதிய, நம்பத்தகுந்த உள்ளடக்கத்தை (உரை, படங்கள், ஆடியோ, குறியீடு மற்றும் பல) உருவாக்குவதாகும். விரைவான வரைவுகள் அல்லது பல மாறுபாடுகள் தேவைப்படும்போது இது பெரும்பாலும் உதவும், ஆனால் உண்மை துல்லியம் முக்கியமானதாக இருந்தால், அடிப்படையைச் சேர்த்து மதிப்பாய்வு செய்யவும்.
முக்கிய குறிப்புகள்:
தலைமுறை : இது சேமிக்கப்பட்ட "உண்மையை" அல்ல, கற்றறிந்த வடிவங்களை 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
-
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.
"ரேக்குகளில் காலடி எடுத்து வைக்காமல் இதை எப்படிப் பயன்படுத்துவது" என்பதற்கான பெரியவர்களுக்கான கட்டமைப்பை நீங்கள் விரும்பினால், NIST இன் AI இடர் மேலாண்மை கட்டமைப்பு ஆபத்து + கட்டுப்பாடுகள் சிந்தனைக்கு ஒரு உறுதியான நங்கூரமாகும். [1] மேலும் நீங்கள் குறிப்பாக உருவாக்கும் AI அபாயங்களுக்கு (பொதுவாக AI மட்டுமல்ல) ஏதாவது ஒன்றை விரும்பினால், NIST ஒரு GenAI சுயவிவரத்தையும் வெளியிட்டது, இது அமைப்பு உள்ளடக்கத்தை உருவாக்கும் போது என்ன மாற்றங்கள் ஏற்படுகின்றன என்பதை ஆழமாகக் கூறுகிறது. [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.
நாம் உறுதியாக இருந்தால், ஜெனரேட்டிவ் AI இன் முக்கிய குறிக்கோள் தலைமுறை - முன்பு இல்லாத, உள்ளீட்டின் அடிப்படையில் உள்ளடக்கத்தை உருவாக்குவதாகும்.
வணிக விஷயங்கள் கீழ்நோக்கிச் செல்கின்றன. கலாச்சார பீதியும் கீழ்நோக்கிச் செல்கிறது (மன்னிக்கவும்... ஒருவிதத்தில் 😬).
மக்கள் GenAI-ஐ எதற்காக குழப்புகிறார்கள் (அது ஏன் முக்கியமானது) 🧯
"இது இல்லை" என்ற ஒரு சிறிய பட்டியல் நிறைய குழப்பங்களைத் தீர்த்து வைக்கிறது:
GenAI ஒரு தரவுத்தளம் அல்ல
இது "உண்மையை மீட்டெடுக்காது". இது நம்பத்தகுந்த வெளியீடுகளை உருவாக்குகிறது. உங்களுக்கு உண்மை தேவைப்பட்டால், நீங்கள் அடிப்படையைச் சேர்க்கிறீர்கள் (ஆவணங்கள், தரவுத்தளங்கள், மேற்கோள்கள், மனித மதிப்பாய்வு). அந்த வேறுபாடு 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 "உருவாக்கும்" அமைப்புகளும் சமமாக நடைமுறைக்கு ஏற்றவை அல்ல. ஒரு நல்ல ஜெனரேட்டிவ் AI பதிப்பு அழகான வெளியீடுகளை மட்டும் உருவாக்குவதில்லை - அது மதிப்புமிக்க, கட்டுப்படுத்தக்கூடிய மற்றும் சூழலுக்குப் போதுமான பாதுகாப்பான வெளியீடுகளை உருவாக்கும் ஒன்றாகும்.
ஒரு நல்ல பதிப்பு பொதுவாக இவற்றைக் கொண்டிருக்கும்:
-
ஒத்திசைவு - அது ஒவ்வொரு இரண்டு வாக்கியங்களுக்கும் முரண்படுவதில்லை.
-
அடிப்படை - இது வெளியீடுகளை உண்மையின் மூலத்துடன் (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 - அது கண்டுபிடிப்பதற்குப் பதிலாக "எனக்கு உறுதியாகத் தெரியவில்லை" என்று சொல்லலாம்.
-
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: "மாடல் டிக்கெட்டுகளுக்கு பதிலளிக்கட்டும்."
-
வெளியீடு வேகமாகவும், நம்பிக்கையுடனும் இருக்கிறது... சில சமயங்களில் விலை உயர்ந்த வழிகளில் தவறாகவும் இருக்கிறது.
-
-
வாரம் 2: அவர்கள் மீட்டெடுப்பைச் (அங்கீகரிக்கப்பட்ட ஆவணங்களிலிருந்து உண்மைகளைப் பெறுகிறார்கள்) + டெம்ப்ளேட்கள் (“எப்போதும் கணக்கு ஐடியைக் கேளுங்கள்,” “ஒருபோதும் பணத்தைத் திரும்பப் பெறுவதாக உறுதியளிக்காதீர்கள்,” போன்றவை).
-
தவறுகள் குறைகின்றன, நிலைத்தன்மை மேம்படுகிறது.
-
-
வாரம் 3: அவர்கள் ஒரு மதிப்பாய்வு பாதையைச் (அதிக ஆபத்துள்ள வகைகளுக்கான மனித ஒப்புதல்) + எளிய மதிப்பீடுகள் (“கொள்கை மேற்கோள் காட்டப்பட்டுள்ளது,” “பணம் திரும்பப் பெறும் விதி பின்பற்றப்படுகிறது”).
-
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."
ஒரு லேசான பின்னோட்டம் இருந்தாலும்: மனிதர்களும் தொடர்ந்து ரீமிக்ஸ் செய்கிறார்கள். நாம் அதை வாழ்ந்த அனுபவம், குறிக்கோள்கள் மற்றும் ரசனையுடன் செய்கிறோம். எனவே லேபிள் போட்டியிடக்கூடியதாக இருக்கலாம். நடைமுறையில், இது படைப்பாற்றல் ரீதியான செல்வாக்கு , அதுதான் மிக 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
-
மிகையான இணக்கம் - அது உதவக்கூடாதபோதும் கூட உதவ முயற்சிக்கிறது.
-
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 📏
ஜெனரேட்டிவ் AI இன் முக்கிய குறிக்கோள் என்றால் , வெற்றி அளவீடுகள் பொதுவாக இரண்டு வாளிகளாக பிரிக்கப்படுகின்றன:
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 ஒரு எண்ணிடப்பட்ட திட்டத்தைக் கொடுங்கள், பின்னர் ஒரு வரைவு."
-
கட்டாயக் கட்டுப்பாடுகள்: "இந்த உண்மைகளை மட்டும் பயன்படுத்தவும். விடுபட்டிருந்தால், என்ன விடுபட்டுள்ளது என்பதைக் கூறவும்."
-
நிச்சயமற்ற தன்மையைக் கோருங்கள்: “அனுமானங்களைப் பட்டியலிடுங்கள் + நம்பிக்கை.”
-
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]
நன்றாகப் பயன்படுத்தினால், இது குறைவான “மாற்று மூளை” மற்றும் அதிக “டர்போவுடன் கூடிய டிராஃப்ட் எஞ்சின்” ஆகும்.
மோசமாகப் பயன்படுத்தினால், இது உங்கள் பணிப்பாய்வை நோக்கிச் சுட்டிக்காட்டும் ஒரு நம்பிக்கை பீரங்கி... அது விரைவாக விலை உயர்ந்துவிடும் 💥
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 AIக்கான உயர் மட்ட கொள்கைகளின் தொகுப்பு. மேலும் படிக்க
[4] பிரவுன் மற்றும் பலர். (NeurIPS 2020) - பெரிய மொழி மாதிரிகளுடன் (PDF) சில ஷாட் தூண்டுதலின் அடிப்படைக் கட்டுரை. மேலும் படிக்க
[5] ஹோ மற்றும் பலர். (2020) - சத்தம் நீக்கம் சார்ந்த பட உருவாக்கத்தை (PDF) விவரிக்கும் பரவல் மாதிரி கட்டுரை. மேலும் படிக்க