સિસ્ટમ પ્રોમ્પ્ટ લર્નિંગ: AI સિસ્ટમો માટે નવો અભિગમ

શું ક્યારેય એવું બન્યું છે કે કોઈ ચોક્કસ પ્રોમ્પ્ટ સારી રીતે કામ કરતો હોય અને પછી અચાનક કામ કરવાનું બંધ કરી દે?

શું તમે ક્યારેય પરિણામો સુધારવા માટે તમારા સિસ્ટમ પ્રોમ્પ્ટમાં સતત ફેરફાર કરતા રહ્યા હો, છતાં કંઈ જ કામ ન કરે એવા ચક્રમાં ફસાયા છો?

સિસ્ટમ પ્રોમ્પ્ટ લર્નિંગ કદાચ તમારી જરૂરિયાતનો ચોક્કસ ઉકેલ હોઈ શકે છે.

સિસ્ટમ પ્રોમ્પ્ટ લર્નિંગ (SPL) એ AI સમુદાયમાં રસનું ઊભરતું ક્ષેત્ર છે અને મે મહિનામાં આન્દ્રેજ કાર્પથીએ X પર તેને વ્યાપકપણે લોકપ્રિય બનાવ્યું હતું.

સિસ્ટમ પ્રોમ્પ્ટ લર્નિંગ સ્થિર સિસ્ટમ પ્રોમ્પ્ટ અથવા જટિલ ફાઇન-ટ્યુનિંગ વ્યવસ્થા પર આધાર રાખતી અનમ્ય અને નાજુક AI સિસ્ટમોની મર્યાદાઓને ઉકેલે છે. તે AI સિસ્ટમોમાં સતત શીખવાની પ્રક્રિયાને ટેકો આપવાનો બીજો માર્ગ આપે છે.

વિગતમાં જતા પહેલાં, ચાલો પ્રોમ્પ્ટ આપવાના કેટલાક મૂળભૂત સિદ્ધાંતોની ટૂંકી સમીક્ષા કરીએ.

એજન્ટ અથવા કસ્ટમ મોડલ વિકસાવતી વખતે, આપણે પહેલાં બે મુખ્ય ઘટકો તૈયાર કરવા જોઈએ:

1. સિસ્ટમ પ્રોમ્પ્ટ

2. વપરાશકર્તા પ્રોમ્પ્ટ

સિસ્ટમ પ્રોમ્પ્ટ મોડલે કેવી રીતે વર્તવું જોઈએ તેના મૂળભૂત નિયમો નક્કી કરે છે. કસ્ટમ AI ઉકેલો માટે લખાતા આવા પ્રોમ્પ્ટ ઘણી વાર કંઈક આ રીતે શરૂ થાય છે:

“તમે એક બુદ્ધિશાળી સહાયક છો. તમારી ભૂમિકા <અહીં કાર્ય દાખલ કરો> કરવાની છે.

તમારે (A), (B) અથવા (C) કરવું નહીં.”

તેનાથી વિપરીત, વપરાશકર્તા પ્રોમ્પ્ટમાં સામાન્ય રીતે વપરાશકર્તાનો પ્રશ્ન અને સમયક્ષેત્ર તથા પસંદગીઓ જેવી અન્ય સંબંધિત માહિતી હોય છે. વપરાશકર્તા પ્રોમ્પ્ટ આવો હોઈ શકે છે:

હું પોર્ટુગલની રાજધાનીમાં છું. આજે રાત્રે હું શું કરી શકું તેના કેટલાક સૂચનો આપશો?

મોટી AI પ્રયોગશાળાઓ નવા મોડલ રજૂ કરે પછી સિસ્ટમ પ્રોમ્પ્ટ લીક થવાનું સામાન્ય બન્યું છે, કારણ કે વપરાશકર્તાઓ ચેટબોટને જેલબ્રેક કરીને તેની આંતરિક સૂચનાઓ જાહેર કરાવે છે. હવે એક લોકપ્રિય GitHub રિપોઝિટરી આવા ઘણા સિસ્ટમ પ્રોમ્પ્ટને એક જગ્યાએ એકત્રિત કરે છે. તે સમય જતાં AI પ્રયોગશાળાઓએ યોગ્ય મોડલ વર્તનને પ્રોત્સાહિત કરવા વિકસાવેલી “ગુપ્ત રીત” જાહેર કરે છે. ઉદાહરણ તરીકે, તાજેતરમાં લીક થયેલા GPT-5 સિસ્ટમ પ્રોમ્પ્ટમાં (જે ChatGPTમાં જાહેર થયો હતો) લગભગ 6,000 શબ્દો છે. આ દર્શાવે છે કે સિસ્ટમના વર્તનને આકાર આપવા કેટલું જ્ઞાન અને માર્ગદર્શન સમાવવું પડે છે.

આ વ્યાપક સિસ્ટમ પ્રોમ્પ્ટ સામાન્ય રીતે આ સહિતનાં કેટલાંક મુખ્ય ક્ષેત્રોને આવરી લે છે:

• શોધ માટેની સૂચનાઓ

• સાધનોની વ્યાખ્યાઓ

• વપરાશકર્તાની પસંદગીઓ

• સંદર્ભ ટાંકવાની સૂચનાઓ

• જાણીતી સમસ્યાઓ માટે ઝડપી સુધારા

વ્યવહારમાં, કસ્ટમ AI સિસ્ટમોના વિકાસકર્તાઓ પોતાની એપ્લિકેશનોનું પરીક્ષણ અને સુધારણા કરતી વખતે સિસ્ટમ પ્રોમ્પ્ટમાં વારંવાર જાતે ફેરફાર કરે છે. આ સુધારણા પ્રક્રિયાનું માર્ગદર્શન મુખ્યત્વે મૂલ્યાંકનો દ્વારા મળે છે.

મોડલના વર્તનને માર્ગદર્શન આપવાની અન્ય રીતોમાં આ સામેલ છે:

• રિટ્રીવલ-ઑગમેન્ટેડ જનરેશન (RAG) સહિતનું પ્રોમ્પ્ટ એન્જિનિયરિંગ, જે મોડલને આપવામાં આવતી સામગ્રીને નિયંત્રિત કરે છે

• ફાઇન-ટ્યુનિંગ (મોડલના આંતરિક વેઇટ્સમાં સીધો ફેરફાર)

જો મોડલના વર્તનને પ્રભાવિત કરવાની બીજી રીત હોય તો? એવી સિસ્ટમની કલ્પના કરો, જે અગાઉ સર્જાયેલા વિચારો, યોજનાઓ અને વ્યૂહરચનાઓનો ઉપયોગ કરીને પોતાનો સિસ્ટમ પ્રોમ્પ્ટ ગતિશીલ રીતે શીખે અને સુધારે. તે પોતાના આઉટપુટનું મૂલ્યાંકન કરવા વપરાશકર્તાના પ્રતિસાદ અને નિર્ણાયક તરીકે LLM, બંનેના મૂલ્યાંકનોનો ઉપયોગ કરી શકે છે.

એવી સતત રહેતી વ્યવસાયિક સમસ્યાનો વિચાર કરો જેને તમે એજન્ટ આધારિત સિસ્ટમ વડે સ્વચાલિત કરવા માંગો છો. અસરકારક ઉકેલો માટે મૂળભૂત કાર્યપ્રવાહ સ્વચાલનથી આગળની রিজনিং ક્ષમતાઓ જરૂરી છે. આવા કિસ્સામાં તમારી AI સિસ્ટમમાં યોજના બનાવતો ઘટક સામેલ કરવો આવશ્યક બને છે. તેનાથી સિસ્ટમ કાર્ય અનુસાર અનેક એજન્ટ સાથે અલગ અલગ રીતે કામ કરી શકે છે. અલગ-અલગ પગલાંમાં પેટાકાર્યો પૂર્ણ કરવા અન્ય એજન્ટનો ઉપયોગ કરવાની અથવા સાધનો વાપરવાની સૂચનાઓ સામેલ હોઈ શકે છે.

નોંધ: એજન્ટનું સાધન એટલે કોઈ પણ બાહ્ય ફંક્શન, API અથવા સંસાધન, જેને AI એજન્ટ માત્ર લખાણથી આગળ વધીને વાસ્તવિક કાર્યવાહી કરવા બોલાવી શકે છે.

તમે મોડલના સિસ્ટમ પ્રોમ્પ્ટમાં માણસ અનુસરે તેવાં તાર્કિક પગલાંવાળી યોજના પ્રારંભિક આધાર તરીકે આપી શકો છો. જોકે LLMને સામાન્ય રીતે સાધનના ઉપયોગ, આઉટપુટના ફૉર્મેટ અને સંબંધિત જરૂરિયાતો અંગે વધુ ચોક્કસ માર્ગદર્શન જોઈએ છે. ક્યારેક શ્રેષ્ઠ વ્યૂહરચના સ્પષ્ટ ન હોય અથવા તમે એવી સમસ્યા ઉકેલતા હો જેને અગાઉ ઉકેલાઈ ગયેલી માનવામાં આવતી હોવાથી તેનું ફરી મૂલ્યાંકન ન થયું હોય. અહીં સિસ્ટમ પ્રોમ્પ્ટ લર્નિંગ (SPL) કામ આવે છે.

SPL અગાઉ બનાવેલી વ્યૂહરચનાઓ સામેલ કરીને સિસ્ટમ પ્રોમ્પ્ટમાં વારંવાર સુધારો કરે છે. નવી સમસ્યાઓ ઊભી થાય તેમ સિસ્ટમ ધીમે ધીમે જ્ઞાન એકત્રિત કરે છે અને વધુ મજબૂત બને છે. તેને તમારા ક્ષેત્રની સમસ્યાઓ ઉકેલવા માટે માર્ગદર્શિકા બનાવવાની પ્રક્રિયા સમજો.

SPL વપરાશકર્તાના પ્રતિસાદમાંથી મળેલી સમજને ધીમે ધીમે સિસ્ટમ પ્રોમ્પ્ટમાં સમાવે છે. તમારી સિસ્ટમ પરિપક્વ બને તેમ તમને વારંવાર ઊભી થતી એવી સમસ્યાઓ મળી શકે છે, જેને વધુ સામાન્ય અને ઉચ્ચ સ્તરના સિદ્ધાંતોમાં ફેરવી શકાય.

ચાલો આ પ્રક્રિયા ક્રમવાર કેવી રીતે કામ કરે છે તે વધુ નજીકથી જોઈએ:

1. સિસ્ટમને કોઈ ચોક્કસ કાર્ય કરવા કહેતા વપરાશકર્તાના પ્રશ્નથી શરૂઆત કરો.

2. 1. જો તમારી સિસ્ટમ માત્ર એક સમસ્યા ઉકેલતી હોય, તો અગાઉના પ્રયાસોમાં સૌથી વધુ ગુણ મેળવનારી વ્યૂહરચનાઓ પસંદ કરીને “તાત્કાલિક શ્રેષ્ઠ” અભિગમ અપનાવી શકો છો. વૈકલ્પિક રીતે, તમે એવી વહેંચણીમાંથી નમૂના પસંદ કરીને શોધખોળને પ્રોત્સાહિત કરી શકો છો, જેમાં ઊંચા ગુણવાળી વ્યૂહરચનાઓને પ્રાધાન્ય મળે, પણ ક્યારેક ઓછા ગુણવાળી વ્યૂહરચનાઓ પણ સામેલ થાય. જ્યારે તમે વ્યૂહરચનાઓ એકત્ર કરવાની શરૂઆત કરો છો ત્યારે આ ખાસ ઉપયોગી છે.

   2. વિવિધ પ્રકારની સમસ્યાઓ ઉકેલવા માટે રચાયેલી સિસ્ટમોમાં સંબંધિત અભિગમો ઓળખવા વર્ગીકરણ સ્તર ઉમેરવાનું અથવા એમ્બેડિંગ્સ અને કોસાઇન સમાનતાનો ઉપયોગ કરવાનું વિચારો. સામાન્ય રીતે RAGમાં પણ આ જ તકનીકો વપરાય છે. આ તમને ચોક્કસ સમસ્યાને અનુરૂપ વ્યૂહરચનાઓ પસંદ કરવામાં મદદ કરે છે, જેમ કે કોડિંગ કાર્યો માટે તૈયાર કરેલી વ્યૂહરચનાઓ.

નોંધ: એમ્બેડિંગ્સ સાથે વપરાતી કોસાઇન સમાનતા બે માહિતીના ભાગો એકબીજા સાથે કેટલા નજીકથી સંબંધિત છે તે માપવા દે છે. તેથી શબ્દરચના અલગ હોય ત્યારે પણ દસ્તાવેજો, પ્રશ્નો અથવા વિચારોને મેળવવાનું સરળ બને છે.

કોડિંગની સમસ્યાઓ ઉકેલવા માટેના સરળ વ્યૂહરચના સંગ્રહનું પ્રારંભિક ઉદાહરણ.

નોંધ: અહીં દર્શાવેલી “પ્રારંભિક વ્યૂહરચનાઓ” માત્ર ઉદાહરણ માટે છે. વાસ્તવિક કોડિંગ પરિસ્થિતિઓમાં અમે તેમને વધુ સુધારીશું. વિશિષ્ટ વ્યવસાયિક સમસ્યાઓ માટે સમય જતાં વધારાની સમજ એકત્ર કરવી પડશે.

3. Nના નમૂના પસંદ કર્યા પછી તેમને સિસ્ટમ પ્રોમ્પ્ટમાં સામેલ કરો. આ રીતે મોડલને બહુ ઓછા માર્ગદર્શન સાથે યોજનાઓ બનાવવા દેવાને બદલે, અગાઉના નિષ્ણાત પ્રતિસાદના આધારે યોજના બનાવવામાં આવે છે. મોડલને નમૂનાની વ્યૂહરચનાઓની શબ્દશઃ નકલ કરવાને બદલે “ચીલાચાલુ વિચારોથી આગળ વધવા” અને જરૂર હોય ત્યારે પગલાં ઉમેરવા પ્રોત્સાહિત કરો.

4. ગતિશીલ રીતે બનાવેલા તમારા સિસ્ટમ પ્રોમ્પ્ટ વડે વપરાશકર્તાની વિનંતી પૂરી કરવા નવી વ્યૂહરચના બનાવો. આ પ્રક્રિયાથી અંતિમ આઉટપુટ સુધારે તેવાં વધારાનાં કાર્યો મળવાં જોઈએ. લક્ષ્ય સર્જનાત્મકતા છે: અગાઉની વ્યૂહરચનાઓનાં સૌથી મજબૂત તત્ત્વો ભેળવો, એકબીજા સાથે આવતાં પગલાંને એકત્ર કરો અને જરૂર હોય ત્યાં ઉપયોગી નવાં પગલાં ઉમેરો.

નોંધ: યાદ રાખો કે ટેમ્પરેચર એવું પરિમાણ છે જેને વધુ વૈવિધ્યપૂર્ણ અને ઓછા નિશ્ચિત આઉટપુટ મેળવવા માટે ગોઠવી શકાય છે. સર્જનાત્મકતા જોઈતી હોય ત્યારે આ ઉપયોગી છે. ટેમ્પરેચર શૂન્યથી વધુ હોય ત્યારે બનાવેલી દરેક યોજના અલગ હોઈ શકે છે.

5. મોડલનું આઉટપુટ મળ્યા પછી, તમારી સમસ્યાના સારા ઉકેલને વ્યાખ્યાયિત કરતા ચોક્કસ માપદંડોના આધારે માનવ મૂલ્યાંકનકાર અથવા LLM નિર્ણાયક વડે તેનું મૂલ્યાંકન કરો. અગાઉ જણાવેલા પોર્ટુગલમાં પ્રવૃત્તિઓના ઉદાહરણ માટે મૂલ્યાંકનના માપદંડોમાં આ સામેલ હોઈ શકે છે:

• સંક્ષિપ્તતા (જવાબ માત્ર એક વાક્યનો હોવો)

• સૂચવેલી પ્રવૃત્તિની સુસંગતતા

• સ્થળની ચોકસાઈ

6. આ મૂલ્યાંકનના આધારે વ્યૂહરચના સુધારવા માટે બીજા મોડલનો ઉપયોગ કરો. વૈકલ્પિક પ્રતિસાદ ચક્રમાં માનવીય સૂચનો સામેલ કરીને સહયોગી સુધારાઓને ટેકો આપી શકાય છે. આવૃત્તિઓ અને ફેરફારો પર નજર રાખવા માટે યોગ્ય મેટાડેટા સાથે સુધારેલી વ્યૂહરચના તમારા ડેટાબેઝમાં સાચવો.

તો આટલી બધી મહેનત શા માટે કરવી? તમે આઉટપુટની જાતે સમીક્ષા કરીને તે મુજબ સિસ્ટમ પ્રોમ્પ્ટ ગોઠવી શકો છો. પરંતુ શક્તિશાળી রিজনিং મોડલ આઉટપુટના સંદર્ભ અને માનવીય પ્રતિસાદ, બંનેનો ઉપયોગ કરીને વ્યૂહરચનાઓ સુધારી શકે છે. સરળ અભિગમોની ખામીઓ માણસો સહેલાઈથી ઓળખી શકે છે, પરંતુ સમસ્યાઓના વધુ વ્યાપક સમૂહને ઉકેલતી જટિલ સિસ્ટમોમાં તેમને ઓળખવાનું મુશ્કેલ અને કંટાળાજનક બને છે.

માણસો કોઈ સમસ્યામાં સહજ રીતે જે સંદર્ભજ્ઞાન લાવે છે તે મેળવવા LLMને ઘણી વાર વિગતવાર સૂચનાઓ અને વધારાનાં પગલાંની જરૂર પડે છે. વધુ વ્યાપક સમસ્યાઓ ઉકેલવા સિસ્ટમ વિસ્તરે તેમ જરૂરી કાર્યોની સંખ્યા ઝડપથી વધી શકે છે. ઉદાહરણ તરીકે, કોડિંગની સમસ્યા ઉકેલતા માણસો આસપાસનો કોડબેઝ સહજ રીતે સમજી શકે છે, જ્યારે LLMને પહેલાં અનેક ફાઇલો “વાંચવી” પડી શકે છે.

• ક્યારે મદદરૂપ થાય છે: ધારો કે તમે ગ્રાહક સહાય ટીમ ચલાવો છો અને AI એજન્ટ ટિકિટનું પ્રાથમિક વર્ગીકરણ સંભાળે છે. સમય જતાં, SPL એવી વર્ગીકરણ પદ્ધતિ શોધી શકે છે જેનો તમારી ટીમે વિચાર કર્યો ન હોય, જેથી ઉચ્ચ સ્તરે મોકલવાના કેસ ઘટે.

• ક્યારે મદદરૂપ થતું નથી: જો અનુપાલનની આવશ્યકતાઓ અથવા નિયમો તમારી કાર્યપ્રવાહ પહેલેથી નક્કી કરતા હોય, જેમ કે નાણાકીય અહેવાલમાં, તો SPLનું મૂલ્ય ઓછું હોઈ શકે છે, કારણ કે સર્જનાત્મકતા લાભને બદલે જોખમ બને છે.

• ક્યારે મદદરૂપ થાય છે: બજાર-માહિતી અથવા ઉત્પાદન વ્યૂહરચના જેવી સંશોધનપ્રધાન ભૂમિકાઓમાં તમે AIની યોજનાઓ સુધારીને, તેના આઉટપુટને સમૃદ્ધ બનાવીને અને ભવિષ્યના ઉપયોગ માટે આ સુધારાઓ સામેલ કરીને તેની સાથે સહયોગ કરી શકો છો. દરેક સંવાદ સિસ્ટમની અસરકારકતા વધારે છે.

• ક્યારે મદદરૂપ થતું નથી: જો તમારી ટીમ AIનો ઉપયોગ મુખ્યત્વે ઓછા માનવીય હસ્તક્ષેપવાળા સીધાસાદા કાર્યપ્રવાહ માટે કરતી હોય, જેમ કે ચલણની પ્રક્રિયા, તો સહયોગનો વધારાનો બોજ તેના લાભ કરતાં વધુ હોઈ શકે છે.

• ક્યારે મદદરૂપ થાય છે: ધારો કે તમે નવા પ્રદેશમાં વિસ્તરણ કરો છો અને AIએ અચાનક સ્થાનિક કરવેરા સંબંધિત પ્રશ્નો સંભાળવા પડે છે. નવા નિયમો અને વ્યવહારુ સૂચનો ઊભા થાય તેમ SPL તમને તેમને ઝડપથી સમાવવાની અને વારંવાર થતી ભૂલો અટકાવવાની સુવિધા આપે છે.

• ક્યારે મદદરૂપ થતું નથી: જો તમારું વાતાવરણ સ્થિર હોય, જેમ કે બેઠકની પ્રતિલિપિને પ્રમાણભૂત સારાંશમાં ફેરવતી વખતે, તો સતત અનુકૂલનથી બહુ ઓછો લાભ મળે છે.

સિદ્ધાંતમાં આ બધું આશાસ્પદ લાગે છે, પરંતુ SPL લાગુ કરવામાં વાસ્તવિક પડકારો છે. નીચે અમે કેટલાક મુખ્ય પડકારોની ચર્ચા કરીએ છીએ:

વ્યૂહરચના બનાવવાના પ્રારંભિક તબક્કામાં પ્રગતિ ઘણી વાર અટકી જાય છે: નવાં આઉટપુટ અગાઉનાં આઉટપુટ પર આગળ વધતાં નથી અને ગતિ ધીમી પડે છે. સામાન્ય રીતે તેની પાછળ બે મુખ્ય સમસ્યાઓ હોય છે:

• • ઉકેલ: ઉપલબ્ધ સમગ્ર વ્યવસાયિક જ્ઞાન શરૂઆતમાં જ સમાવો, જેથી સિસ્ટમ પાસે ઉપયોગ કરવા પૂરતી ઊંડાણભરી માહિતી હોય.

• • ઉકેલ: ચોકસાઈ, સ્પષ્ટતા અને સુસંગતતા જેવા જવાબનાં અનેક પાસાંને ગુણ આપતું સૂક્ષ્મ માપદંડ માળખું બનાવો અને આ સંકેતોને અનુરૂપ તમારું નમૂના-પસંદગીનું માળખું ગોઠવો.

જો તમારી સિસ્ટમ સેંકડો વ્યૂહરચનાઓ બનાવે, પરંતુ સારી અને ખરાબ વ્યૂહરચના વચ્ચે ભેદ પાડવા બહુ ઓછો પ્રતિસાદ મળે, તો નમૂના પસંદ કરવાનું કામ ઝડપથી બેકાબૂ બને છે. તેનો જવાબ છે બિનજરૂરી વિકલ્પો દૂર કરવા.

તમારા વ્યૂહરચના સંગ્રહને સુધારતી વખતે આ બાબતો ધ્યાનમાં લો:

• આયુષ્ય: વ્યૂહરચનાઓ નક્કી કરેલી સમયમર્યાદા અથવા સર્જનની સંખ્યા વટાવે ત્યારે તેમને નિવૃત્ત કરો.

• ગુણ: સતત નબળું પ્રદર્શન કરતી વ્યૂહરચનાઓને દૂર કરવા તમારા મૂલ્યાંકન માપદંડનો ઉપયોગ કરો. તેને આયુષ્ય સાથે જોડવાથી તમે માત્ર એવા અભિગમો જ રાખો છો જે સમય જતાં પોતાનું મૂલ્ય સાબિત કરે છે.

• LLM દ્વારા નિર્ણય: હવે અનન્ય સમજ ન આપતી વ્યૂહરચનાઓને ઓળખવા સમયાંતરે તેમનું મૂલ્યાંકન કરો, કારણ કે તેમનાં ઉપયોગી તત્ત્વો કદાચ નવી આવૃત્તિઓમાં પહેલેથી સામેલ થઈ ચૂક્યાં હશે.

ઉકેલ: તમારા વ્યૂહરચના ડેટાબેઝને જીવંત સિસ્ટમ ગણો. તેની નિયમિત છટણી કરો, જેથી માત્ર સુસંગત અને ઉચ્ચ મૂલ્યવાળું જ્ઞાન જ રહે.

સિસ્ટમ પ્રોમ્પ્ટ લર્નિંગ હજી પ્રારંભિક તબક્કામાં છે, પરંતુ તેની સંભાવના પ્રચંડ છે. માત્ર સ્થિર પ્રોમ્પ્ટ અથવા અવિરત ફાઇન-ટ્યુનિંગ પર આધાર રાખતા વ્યવસાયોને જાણીતી મર્યાદાઓનો સામનો કરવો પડશે: નાજુક સિસ્ટમો, વધતા ખર્ચ અને વેડફાયેલી મહેનત. SPL સમય જતાં સુધરતી અને અલગ-અલગ કામચલાઉ સુધારાને બદલે ઉચ્ચ સ્તરના સિદ્ધાંતો સમાવતી સિસ્ટમો બનાવીને આ ચક્રમાંથી બહાર નીકળવાનો માર્ગ આપે છે.

SPL હજી ઊભરતું ક્ષેત્ર છે, પરંતુ તેની દિશા સ્પષ્ટ છે: પોતાની પાસેથી શીખી શકતી સિસ્ટમો તેમ ન કરી શકતી સિસ્ટમો કરતાં આગળ નીકળી જશે. હવે પ્રયોગ કરવાનો, નાની શરૂઆત કરવાનો, શીખેલા પાઠ સાચવવાનો અને દરેક સંવાદ સાથે સુધરતી AI સિસ્ટમોનો પાયો નાખવાનો સમય છે.