ಒಂದು ನಿರ್ದಿಷ್ಟ ಪ್ರಾಂಪ್ಟ್ ಚೆನ್ನಾಗಿ ಕೆಲಸ ಮಾಡಿ, ನಂತರ ಇದ್ದಕ್ಕಿದ್ದಂತೆ ಕೆಲಸ ಮಾಡುವುದನ್ನು ನಿಲ್ಲಿಸಿದ ಅನುಭವ ನಿಮಗಿದೆಯೇ?
ಫಲಿತಾಂಶಗಳನ್ನು ಸುಧಾರಿಸಲು ನಿಮ್ಮ ಸಿಸ್ಟಮ್ ಪ್ರಾಂಪ್ಟ್ಗೆ ನಿರಂತರವಾಗಿ ತೇಪೆ ಹಾಕಿದರೂ ಯಾವುದೂ ಕೆಲಸ ಮಾಡದ ಚಕ್ರದಲ್ಲಿ ನೀವು ಸಿಲುಕಿದ್ದೀರಾ?
ಸಿಸ್ಟಮ್ ಪ್ರಾಂಪ್ಟ್ ಕಲಿಕೆಯೇ ನಿಮಗೆ ಬೇಕಾಗಿರುವ ಪರಿಹಾರವಾಗಿರಬಹುದು.
ಸಿಸ್ಟಮ್ ಪ್ರಾಂಪ್ಟ್ ಕಲಿಕೆ (SPL) ಎಐ ಸಮುದಾಯದಲ್ಲಿ ಬೆಳೆಯುತ್ತಿರುವ ಆಸಕ್ತಿಯ ಕ್ಷೇತ್ರವಾಗಿದ್ದು, ಮೇ ತಿಂಗಳಲ್ಲಿ ಆಂಡ್ರೆಜ್ ಕಾರ್ಪತಿ ಅವರು ಎಕ್ಸ್ನಲ್ಲಿ ಇದನ್ನು ವ್ಯಾಪಕವಾಗಿ ಜನಪ್ರಿಯಗೊಳಿಸಿದರು.
ಸ್ಥಿರ ಸಿಸ್ಟಮ್ ಪ್ರಾಂಪ್ಟ್ಗಳು ಅಥವಾ ನಿರ್ವಹಿಸಲು ಕಷ್ಟವಾದ ಸೂಕ್ಷ್ಮ ಹೊಂದಾಣಿಕೆ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಅವಲಂಬಿಸುವ, ಹೊಂದಿಕೊಳ್ಳದ ಮತ್ತು ಸುಲಭವಾಗಿ ವಿಫಲಗೊಳ್ಳುವ ಎಐ ಸಿಸ್ಟಮ್ಗಳ ಮಿತಿಗಳಿಗೆ ಸಿಸ್ಟಮ್ ಪ್ರಾಂಪ್ಟ್ ಕಲಿಕೆ ಪರಿಹಾರ ಒದಗಿಸುತ್ತದೆ. ಇದು ಎಐ ಸಿಸ್ಟಮ್ಗಳಲ್ಲಿ ನಿರಂತರ ಕಲಿಕೆಯನ್ನು ಬೆಂಬಲಿಸಲು ಮತ್ತೊಂದು ಮಾರ್ಗವನ್ನು ನೀಡುತ್ತದೆ.
ವಿವರವಾಗಿ ತಿಳಿಯುವ ಮೊದಲು, ಪ್ರಾಂಪ್ಟ್ ನೀಡುವಿಕೆಯ ಕೆಲವು ಮೂಲತತ್ತ್ವಗಳನ್ನು ಸಂಕ್ಷಿಪ್ತವಾಗಿ ಪರಿಶೀಲಿಸೋಣ.
ಏಜೆಂಟ್ ಅಥವಾ ಕಸ್ಟಮ್ ಮಾಡೆಲ್ ಅಭಿವೃದ್ಧಿಪಡಿಸುವಾಗ, ನಾವು ಮೊದಲು ಎರಡು ಪ್ರಮುಖ ಘಟಕಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಬೇಕು:
ಸಿಸ್ಟಮ್ ಪ್ರಾಂಪ್ಟ್
ಬಳಕೆದಾರರ ಪ್ರಾಂಪ್ಟ್
ಮಾಡೆಲ್ ಹೇಗೆ ವರ್ತಿಸಬೇಕು ಎಂಬುದಕ್ಕೆ ಸಿಸ್ಟಮ್ ಪ್ರಾಂಪ್ಟ್ಗಳು ಮೂಲ ನಿಯಮಗಳನ್ನು ರೂಪಿಸುತ್ತವೆ. ಕಸ್ಟಮ್ ಎಐ ಪರಿಹಾರಗಳಿಗಾಗಿ ಬರೆಯುವಾಗ, ಅವು ಸಾಮಾನ್ಯವಾಗಿ ಈ ರೀತಿಯಾಗಿ ಪ್ರಾರಂಭವಾಗುತ್ತವೆ:
“ನೀವು ಬುದ್ಧಿವಂತ ಸಹಾಯಕರು. <ಕಾರ್ಯವನ್ನು ಇಲ್ಲಿ ಸೇರಿಸಿ> ಎಂಬುದನ್ನು ನಿರ್ವಹಿಸುವುದು ನಿಮ್ಮ ಪಾತ್ರ.
ನೀವು (A), (B) ಅಥವಾ (C) ಮಾಡಬಾರದು.”
ಇದಕ್ಕೆ ವ್ಯತಿರಿಕ್ತವಾಗಿ, ಬಳಕೆದಾರರ ಪ್ರಾಂಪ್ಟ್ಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಬಳಕೆದಾರರ ಪ್ರಶ್ನೆ ಮತ್ತು ಅವರ ಸಮಯ ವಲಯ ಹಾಗೂ ಆದ್ಯತೆಗಳಂತಹ ಇತರ ಸಂಬಂಧಿತ ಮಾಹಿತಿಯನ್ನು ಒಳಗೊಂಡಿರುತ್ತವೆ. ಬಳಕೆದಾರರ ಪ್ರಾಂಪ್ಟ್ ಹೀಗಿರಬಹುದು:
ನಾನು ಪೋರ್ಚುಗಲ್ನ ರಾಜಧಾನಿಯಲ್ಲಿದ್ದೇನೆ. ಇಂದು ರಾತ್ರಿ ನಾನು ಮಾಡಬಹುದಾದ ಕೆಲವು ಚಟುವಟಿಕೆಗಳನ್ನು ಸೂಚಿಸಬಹುದೇ?
ಪ್ರಮುಖ ಎಐ ಪ್ರಯೋಗಾಲಯಗಳು ಹೊಸ ಮಾಡೆಲ್ಗಳನ್ನು ಬಿಡುಗಡೆ ಮಾಡಿದ ಬಳಿಕ, ಬಳಕೆದಾರರು ಚಾಟ್ಬಾಟ್ಗಳಿಗೆ ಜೈಲ್ಬ್ರೇಕ್ ಮಾಡಿ ಅವುಗಳ ಆಂತರಿಕ ಸೂಚನೆಗಳನ್ನು ಬಹಿರಂಗಪಡಿಸುವುದರಿಂದ ಸಿಸ್ಟಮ್ ಪ್ರಾಂಪ್ಟ್ ಸೋರಿಕೆಗಳು ಸಾಮಾನ್ಯವಾಗಿವೆ. ಈಗ ಜನಪ್ರಿಯ GitHub ರಿಪೊಸಿಟರಿಯೊಂದು ಇಂತಹ ಅನೇಕ ಸಿಸ್ಟಮ್ ಪ್ರಾಂಪ್ಟ್ಗಳನ್ನು ಒಂದೇ ಸ್ಥಳದಲ್ಲಿ ಸಂಗ್ರಹಿಸಿದೆ. ಸೂಕ್ತ ಮಾಡೆಲ್ ವರ್ತನೆಯನ್ನು ಉತ್ತೇಜಿಸಲು ಎಐ ಪ್ರಯೋಗಾಲಯಗಳು ಕಾಲಕ್ರಮೇಣ ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ “ರಹಸ್ಯ ಸೂತ್ರ”ವನ್ನು ಅವು ಬಹಿರಂಗಪಡಿಸುತ್ತವೆ. ಉದಾಹರಣೆಗೆ, ಇತ್ತೀಚೆಗೆ ಸೋರಿಕೆಯಾದ GPT-5 ಸಿಸ್ಟಮ್ ಪ್ರಾಂಪ್ಟ್ (ChatGPT ಒಳಗೆ ಬಹಿರಂಗಗೊಂಡದ್ದು) ಸುಮಾರು 6,000 ಪದಗಳನ್ನು ಹೊಂದಿದೆ. ಸಿಸ್ಟಮ್ನ ವರ್ತನೆಯನ್ನು ರೂಪಿಸಲು ಎಷ್ಟು ಜ್ಞಾನ ಮತ್ತು ಮಾರ್ಗದರ್ಶನವನ್ನು ಅಡಕಗೊಳಿಸಬೇಕು ಎಂಬುದನ್ನು ಇದು ತೋರಿಸುತ್ತದೆ.
ಇಂತಹ ಸಮಗ್ರ ಸಿಸ್ಟಮ್ ಪ್ರಾಂಪ್ಟ್ಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಈ ಕೆಳಗಿನ ಹಲವಾರು ಪ್ರಮುಖ ಕ್ಷೇತ್ರಗಳನ್ನು ಒಳಗೊಳ್ಳುತ್ತವೆ:
ಹುಡುಕಾಟದ ಸೂಚನೆಗಳು
ಪರಿಕರಗಳ ವ್ಯಾಖ್ಯಾನಗಳು
ಬಳಕೆದಾರರ ಆದ್ಯತೆಗಳು
ಉಲ್ಲೇಖ ನೀಡುವ ಸೂಚನೆಗಳು
ತಿಳಿದಿರುವ ಸಮಸ್ಯೆಗಳಿಗೆ ತ್ವರಿತ ತೇಪೆಗಳು
ಪ್ರಾಯೋಗಿಕವಾಗಿ, ಕಸ್ಟಮ್ ಎಐ ಸಿಸ್ಟಮ್ಗಳ ಡೆವಲಪರ್ಗಳು ತಮ್ಮ ಅಪ್ಲಿಕೇಶನ್ಗಳನ್ನು ಪರೀಕ್ಷಿಸಿ ಪರಿಷ್ಕರಿಸುವಾಗ ಸಿಸ್ಟಮ್ ಪ್ರಾಂಪ್ಟ್ಗಳಿಗೆ ಕೈಯಾರೆ ಪುನರಾವರ್ತಿತವಾಗಿ ತೇಪೆ ಹಾಕುತ್ತಾರೆ. ಈ ಸುಧಾರಣಾ ಪ್ರಕ್ರಿಯೆಗೆ ಮಾರ್ಗದರ್ಶನ ನೀಡಲು ಅವರು ಮುಖ್ಯವಾಗಿ ಮೌಲ್ಯಮಾಪನಗಳನ್ನು ಬಳಸುತ್ತಾರೆ.
ಮಾಡೆಲ್ನ ವರ್ತನೆಗೆ ಮಾರ್ಗದರ್ಶನ ನೀಡುವ ಇತರ ವಿಧಾನಗಳು:
ಮಾಡೆಲ್ಗೆ ಒದಗಿಸುವ ವಿಷಯವನ್ನು ನಿಯಂತ್ರಿಸುವ ಮರುಪಡೆಯುವಿಕೆ-ವರ್ಧಿತ ಉತ್ಪಾದನೆ (RAG) ಸೇರಿದಂತೆ ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್
ಸೂಕ್ಷ್ಮ ಹೊಂದಾಣಿಕೆ (ಮಾಡೆಲ್ನ ಆಂತರಿಕ ತೂಕಗಳನ್ನು ನೇರವಾಗಿ ಬದಲಾಯಿಸುವುದು)
ಮಾಡೆಲ್ನ ವರ್ತನೆಯ ಮೇಲೆ ಪ್ರಭಾವ ಬೀರುವ ಮತ್ತೊಂದು ಮಾರ್ಗವಿದ್ದರೆ ಹೇಗೆ? ಹಿಂದೆ ರಚಿಸಿದ ಆಲೋಚನೆಗಳು, ಯೋಜನೆಗಳು ಮತ್ತು ಕಾರ್ಯತಂತ್ರಗಳನ್ನು ಬಳಸಿಕೊಂಡು ತನ್ನದೇ ಸಿಸ್ಟಮ್ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಕ್ರಿಯಾತ್ಮಕವಾಗಿ ಕಲಿತು ಪರಿಷ್ಕರಿಸುವ ಸಿಸ್ಟಮ್ ಅನ್ನು ಕಲ್ಪಿಸಿಕೊಳ್ಳಿ. ತನ್ನ ಫಲಿತಾಂಶಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಅದು ಬಳಕೆದಾರರ ಪ್ರತಿಕ್ರಿಯೆ ಮತ್ತು ತೀರ್ಪುಗಾರನಾಗಿ LLM ಮೌಲ್ಯಮಾಪನಗಳೆರಡನ್ನೂ ಬಳಸಿಕೊಳ್ಳಬಹುದು.
ಏಜೆಂಟ್ ಆಧಾರಿತ ಸಿಸ್ಟಮ್ ಬಳಸಿ ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸಲು ನೀವು ಬಯಸುವ ನಿರಂತರ ವ್ಯವಹಾರ ಸವಾಲೊಂದನ್ನು ಪರಿಗಣಿಸಿ. ಪರಿಣಾಮಕಾರಿ ಪರಿಹಾರಗಳಿಗೆ ಮೂಲಭೂತ ಕಾರ್ಯಪ್ರವಾಹ ಸ್ವಯಂಚಾಲನೆಯನ್ನೂ ಮೀರಿದ ರೀಜನಿಂಗ್ ಸಾಮರ್ಥ್ಯಗಳು ಬೇಕಾಗುತ್ತವೆ. ಅಂತಹ ಸಂದರ್ಭಗಳಲ್ಲಿ, ನಿಮ್ಮ ಎಐ ಸಿಸ್ಟಮ್ಗೆ ಯೋಜನೆ ರಚಿಸುವ ಘಟಕವನ್ನು ಸೇರಿಸುವುದು ಅತ್ಯಗತ್ಯವಾಗುತ್ತದೆ. ಇದು ಕಾರ್ಯಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಹಲವು ಏಜೆಂಟ್ಗಳೊಂದಿಗೆ ವಿಭಿನ್ನ ರೀತಿಯಲ್ಲಿ ಕೆಲಸ ಮಾಡಲು ಸಿಸ್ಟಮ್ಗೆ ಅವಕಾಶ ನೀಡುತ್ತದೆ. ಉಪಕಾರ್ಯಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು ಇತರ ಏಜೆಂಟ್ಗಳನ್ನು ಸಂಪರ್ಕಿಸುವ ಅಥವಾ ಪರಿಕರಗಳನ್ನು ಬಳಸುವ ಸೂಚನೆಗಳನ್ನು ಪ್ರತ್ಯೇಕ ಹಂತಗಳು ಒಳಗೊಂಡಿರಬಹುದು.
ಗಮನಿಸಿ: ಎಐ ಏಜೆಂಟ್ ಪಠ್ಯವನ್ನು ಮೀರಿದ ನೈಜ ಕ್ರಿಯೆಗಳನ್ನು ಕೈಗೊಳ್ಳಲು ಕರೆ ಮಾಡಬಹುದಾದ ಯಾವುದೇ ಬಾಹ್ಯ ಕಾರ್ಯ, API ಅಥವಾ ಸಂಪನ್ಮೂಲವು ಏಜೆಂಟ್ನ ಪರಿಕರವಾಗಿದೆ.
ಮಾನವರು ಅನುಸರಿಸುವ ತಾರ್ಕಿಕ ಹಂತಗಳ ಯೋಜನೆಯನ್ನು ಮಾಡೆಲ್ನ ಸಿಸ್ಟಮ್ ಪ್ರಾಂಪ್ಟ್ನಲ್ಲಿ ಆರಂಭಿಕ ಆಧಾರವಾಗಿ ಸೇರಿಸಬಹುದು. ಆದರೆ ಪರಿಕರ ಬಳಕೆ, ಫಲಿತಾಂಶದ ಸ್ವರೂಪ ಮತ್ತು ಸಂಬಂಧಿತ ಅವಶ್ಯಕತೆಗಳ ಕುರಿತು LLMಗಳಿಗೆ ಸಾಮಾನ್ಯವಾಗಿ ಹೆಚ್ಚು ನಿರ್ದಿಷ್ಟ ಮಾರ್ಗದರ್ಶನ ಬೇಕಾಗುತ್ತದೆ. ಕೆಲವೊಮ್ಮೆ ಅತ್ಯುತ್ತಮ ಕಾರ್ಯತಂತ್ರ ಯಾವುದು ಎಂಬುದು ಸ್ಪಷ್ಟವಾಗದಿರಬಹುದು. ಅಥವಾ ಹಿಂದೆ ಪರಿಹಾರವಾಗಿದೆ ಎಂದು ಪರಿಗಣಿಸಿದ್ದರಿಂದ ಮರುಪರಿಶೀಲಿಸದ ಸಮಸ್ಯೆಯನ್ನು ನೀವು ನಿರ್ವಹಿಸುತ್ತಿರಬಹುದು. ಇಲ್ಲಿಯೇ ಸಿಸ್ಟಮ್ ಪ್ರಾಂಪ್ಟ್ ಕಲಿಕೆ (SPL) ನೆರವಿಗೆ ಬರುತ್ತದೆ.
ಹಿಂದೆ ರಚಿಸಿದ ಕಾರ್ಯತಂತ್ರಗಳನ್ನು ಸೇರಿಸುವ ಮೂಲಕ SPL ಸಿಸ್ಟಮ್ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಪುನರಾವರ್ತಿತವಾಗಿ ಸುಧಾರಿಸುತ್ತದೆ. ಹೊಸ ಸಮಸ್ಯೆಗಳು ಎದುರಾದಂತೆ, ಸಿಸ್ಟಮ್ ಕ್ರಮೇಣ ಜ್ಞಾನವನ್ನು ಸಂಗ್ರಹಿಸಿ ಹೆಚ್ಚು ದೃಢವಾಗುತ್ತದೆ. ಇದನ್ನು ನಿಮ್ಮ ಕ್ಷೇತ್ರದ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸುವ ಕೈಪಿಡಿ ನಿರ್ಮಿಸುವುದಕ್ಕೆ ಹೋಲಿಸಬಹುದು.
ಬಳಕೆದಾರರ ಪ್ರತಿಕ್ರಿಯೆಯಿಂದ ಪಡೆದ ಒಳನೋಟಗಳನ್ನು SPL ಕ್ರಮೇಣ ಸಿಸ್ಟಮ್ ಪ್ರಾಂಪ್ಟ್ಗೆ ಸೇರಿಸುತ್ತದೆ. ನಿಮ್ಮ ಸಿಸ್ಟಮ್ ಪ್ರಬುದ್ಧವಾದಂತೆ, ಹೆಚ್ಚು ಸಾಮಾನ್ಯವಾದ ಉನ್ನತ ಮಟ್ಟದ ತತ್ತ್ವಗಳಾಗಿ ಸಾರಾಂಶಗೊಳಿಸಬಹುದಾದ ಪುನರಾವರ್ತಿತ ಸಮಸ್ಯೆಗಳನ್ನು ನೀವು ಕಂಡುಕೊಳ್ಳಬಹುದು.
ಪ್ರಕ್ರಿಯೆಯು ಹಂತ ಹಂತವಾಗಿ ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಇನ್ನಷ್ಟು ವಿವರವಾಗಿ ನೋಡೋಣ:
ನಿರ್ದಿಷ್ಟ ಕಾರ್ಯವನ್ನು ನಿರ್ವಹಿಸುವಂತೆ ಸಿಸ್ಟಮ್ಗೆ ಕೇಳುವ ಬಳಕೆದಾರರ ಪ್ರಶ್ನೆಯಿಂದ ಆರಂಭಿಸಿ.
ನಿಮ್ಮ ಸಿಸ್ಟಮ್ ಒಂದೇ ಸಮಸ್ಯೆಯನ್ನು ನಿರ್ವಹಿಸುವುದಾದರೆ, ಹಿಂದಿನ ಪ್ರಯತ್ನಗಳಲ್ಲಿ ಅತಿ ಹೆಚ್ಚು ಅಂಕ ಪಡೆದ ಕಾರ್ಯತಂತ್ರಗಳನ್ನು ಆಯ್ಕೆಮಾಡುವ “ಗರಿಷ್ಠ ಲಾಭದ” ವಿಧಾನವನ್ನು ಅನುಸರಿಸಬಹುದು. ಪರ್ಯಾಯವಾಗಿ, ಹೆಚ್ಚು ಅಂಕ ಪಡೆದ ಕಾರ್ಯತಂತ್ರಗಳಿಗೆ ಆದ್ಯತೆ ನೀಡಿ, ಆಗಾಗ ಕಡಿಮೆ ಅಂಕ ಪಡೆದವುಗಳನ್ನೂ ಸೇರಿಸುವ ಹಂಚಿಕೆಯಿಂದ ಮಾದರಿಗಳನ್ನು ಆಯ್ಕೆಮಾಡುವ ಮೂಲಕ ಅನ್ವೇಷಣೆಯನ್ನು ಉತ್ತೇಜಿಸಬಹುದು. ನೀವು ಕಾರ್ಯತಂತ್ರಗಳನ್ನು ಸಂಗ್ರಹಿಸಲು ಆರಂಭಿಸುತ್ತಿರುವಾಗ ಇದು ವಿಶೇಷವಾಗಿ ಉಪಯುಕ್ತವಾಗಿದೆ.
ವೈವಿಧ್ಯಮಯ ಸಮಸ್ಯೆಗಳನ್ನು ನಿರ್ವಹಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಿದ ಸಿಸ್ಟಮ್ಗಳಲ್ಲಿ, ಸಂಬಂಧಿತ ವಿಧಾನಗಳನ್ನು ಗುರುತಿಸಲು ವರ್ಗೀಕರಣ ಪದರವನ್ನು ಸೇರಿಸುವುದು ಅಥವಾ ಎಂಬೆಡಿಂಗ್ಗಳು ಮತ್ತು ಕೊಸೈನ್ ಸಾಮ್ಯತೆಯನ್ನು ಬಳಸುವುದು ಸೂಕ್ತ. ಇವೇ ಸಾಮಾನ್ಯವಾಗಿ RAGನಲ್ಲಿ ಬಳಸುವ ತಂತ್ರಗಳು. ನಿರ್ದಿಷ್ಟ ಸಮಸ್ಯೆಗೆ ಸೂಕ್ತವಾದ ಕಾರ್ಯತಂತ್ರಗಳನ್ನು, ಉದಾಹರಣೆಗೆ ಕೋಡಿಂಗ್ ಕಾರ್ಯಗಳಿಗೆ ರೂಪಿಸಿದ ಕಾರ್ಯತಂತ್ರಗಳನ್ನು, ಆಯ್ಕೆಮಾಡಲು ಇದು ನೆರವಾಗುತ್ತದೆ.
ಗಮನಿಸಿ: ಎಂಬೆಡಿಂಗ್ಗಳನ್ನು ಕೊಸೈನ್ ಸಾಮ್ಯತೆಯೊಂದಿಗೆ ಬಳಸಿದಾಗ, ಎರಡು ಮಾಹಿತಿಯ ತುಣುಕುಗಳು ಎಷ್ಟು ನಿಕಟವಾಗಿ ಸಂಬಂಧಿಸಿವೆ ಎಂಬುದನ್ನು ಅಳೆಯಬಹುದು. ನಿಖರ ಪದಪ್ರಯೋಗ ಭಿನ್ನವಾಗಿದ್ದರೂ ದಾಖಲೆಗಳು, ಪ್ರಶ್ನೆಗಳು ಅಥವಾ ವಿಚಾರಗಳನ್ನು ಹೊಂದಿಸಲು ಇದು ಸುಲಭವಾಗುತ್ತದೆ.
ಕೋಡಿಂಗ್ ಸಮಸ್ಯೆಗಳನ್ನು ನಿರ್ವಹಿಸುವ ಸರಳೀಕೃತ ಕಾರ್ಯತಂತ್ರ ಸಂಗ್ರಹದ ಆರಂಭಿಕ ಉದಾಹರಣೆ.
ಗಮನಿಸಿ: ಇಲ್ಲಿ ತೋರಿಸಿರುವ “ಆರಂಭಿಕ ಕಾರ್ಯತಂತ್ರಗಳು” ವಿವರಣಾತ್ಮಕ ಉದಾಹರಣೆಗಳು ಮಾತ್ರ. ನೈಜ ಕೋಡಿಂಗ್ ಸಂದರ್ಭಗಳಲ್ಲಿ, ನಾವು ಅವುಗಳನ್ನು ಇನ್ನಷ್ಟು ಪರಿಷ್ಕರಿಸುತ್ತೇವೆ. ವಿಶೇಷ ವ್ಯವಹಾರ ಸಮಸ್ಯೆಗಳಿಗೆ ಕಾಲಕ್ರಮೇಣ ಹೆಚ್ಚುವರಿ ಒಳನೋಟಗಳನ್ನು ಸಂಗ್ರಹಿಸಬೇಕಾಗುತ್ತದೆ.
Generation_id (ಹಿಮ್ಮುಖ ಕ್ರಮ) | ವಿಷಯ | ಅಂಕ | Strategy_text | ವಿವರಣೆ |
|---|---|---|---|---|
4 | ಕೋಡಿಂಗ್ | 1 | ಸಮಸ್ಯೆ, ನಿರ್ಬಂಧಗಳು ಮತ್ತು ಅಂಚಿನ ಸಂದರ್ಭಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ. ಸೂಕ್ತ ದತ್ತಾಂಶ ರಚನೆಗಳೊಂದಿಗೆ ಕ್ರಮಾವಳಿಯನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಿ. ಉದಾಹರಣೆಗಳು ಮತ್ತು ಅಸ್ಥಿರವಾಗದ ನಿಯಮಗಳ ಆಧಾರದಲ್ಲಿ ಯೋಜನೆಯನ್ನು ಪರಿಶೀಲಿಸಿ. ಸ್ವಚ್ಛವಾಗಿ, ಸುಲಭವಾಗಿ ಓದಬಹುದಾದ ಕೋಡ್ ಅನುಷ್ಠಾನಗೊಳಿಸಿ. ಕೋಡ್ ಮರುರಚನೆ, ಅತ್ಯುತ್ತಮಗೊಳಿಸುವಿಕೆ ಮತ್ತು ಅಂತಿಮ ಸ್ವರೂಪದೊಂದಿಗೆ ಪರಿಷ್ಕರಿಸಿ. ಪರಿಕರ ಬಳಕೆ: ಪರಿಕರವನ್ನು ಬಳಸುವಾಗ ಅದು ಏಕೆ ಬೇಕಾಯಿತು ಎಂಬುದನ್ನು ಸಂಕ್ಷಿಪ್ತವಾಗಿ ವಿವರಿಸಿ. | ಕೆಳಗಿನ ಮೂರು ಕಾರ್ಯತಂತ್ರಗಳ ಅತ್ಯುತ್ತಮ ಅಂಶಗಳನ್ನು ಅಳವಡಿಸಿ ಬೆರೆಸುತ್ತದೆ. |
3 | ಕೋಡಿಂಗ್ | 1 | ಸಮಸ್ಯೆ, ನಿರ್ಬಂಧಗಳು ಮತ್ತು ಅಂಚಿನ ಸಂದರ್ಭಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ. ಸೂಕ್ತ ದತ್ತಾಂಶ ರಚನೆಗಳೊಂದಿಗೆ ಕ್ರಮಾವಳಿಯನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಿ. ಉದಾಹರಣೆಗಳು ಮತ್ತು ಅಸ್ಥಿರವಾಗದ ನಿಯಮಗಳ ಆಧಾರದಲ್ಲಿ ಯೋಜನೆಯನ್ನು ಪರಿಶೀಲಿಸಿ. ಸ್ವಚ್ಛವಾಗಿ, ಸುಲಭವಾಗಿ ಓದಬಹುದಾದ ಕೋಡ್ ಅನುಷ್ಠಾನಗೊಳಿಸಿ. ಕೋಡ್ ಮರುರಚನೆ, ಅತ್ಯುತ್ತಮಗೊಳಿಸುವಿಕೆ ಮತ್ತು ಅಂತಿಮ ಸ್ವರೂಪದೊಂದಿಗೆ ಪರಿಷ್ಕರಿಸಿ. | ಹೆಚ್ಚು ಸಮಗ್ರವಾದ ಕಾರ್ಯತಂತ್ರ, ಆದರೆ ಇದರಲ್ಲಿ ಪರಿಕರ ಬಳಕೆಯ ಮಾರ್ಗದರ್ಶನವಿಲ್ಲ. |
2 | ಕೋಡಿಂಗ್ | -1 | ಸಮಸ್ಯೆ, ನಿರ್ಬಂಧಗಳು ಮತ್ತು ಅಂಚಿನ ಸಂದರ್ಭಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ. ಸೂಕ್ತ ದತ್ತಾಂಶದೊಂದಿಗೆ ಕ್ರಮಾವಳಿಯನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಿ. ಸ್ವಚ್ಛವಾಗಿ, ಸುಲಭವಾಗಿ ಓದಬಹುದಾದ ಕೋಡ್ ಅನುಷ್ಠಾನಗೊಳಿಸಿ. ಪರಿಕರ ಬಳಕೆ: ಪರಿಕರಗಳನ್ನು ಬಳಸುವಾಗ ಆ ಪರಿಕರವನ್ನು ಏಕೆ ಬಳಸಿದಿರಿ ಎಂಬುದರ ಕಿರು ಸಾರಾಂಶವನ್ನು ನೀಡಿ. | ಪರಿಕರ ಬಳಕೆಯನ್ನು ಉಲ್ಲೇಖಿಸುವ ಉತ್ತಮ ಕಾರ್ಯತಂತ್ರ, ಆದರೆ ಇದನ್ನು ಇನ್ನೂ ಸುಧಾರಿಸಬಹುದು. |
1 | ಕೋಡಿಂಗ್ | -1 | ಸಮಸ್ಯೆಯನ್ನು ಮೇಲ್ನೋಟಕ್ಕೆ ಓದಿ. ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಿ. ಕನಿಷ್ಠ ಪರೀಕ್ಷೆಗಳನ್ನು ರಚಿಸಿ. ಚಾಲನೆಯಾಗುವ ಯಾವುದನ್ನಾದರೂ ಸಲ್ಲಿಸಿ. | ಪರೀಕ್ಷೆಗಳನ್ನು ಉಲ್ಲೇಖಿಸುತ್ತದೆ, ಆದರೆ ಒಟ್ಟಾರೆಯಾಗಿ ದುರ್ಬಲ ಕಾರ್ಯತಂತ್ರವಾಗಿದೆ. |
3. N ಮಾದರಿಗಳನ್ನು ಆಯ್ಕೆಮಾಡಿದ ನಂತರ, ಅವುಗಳನ್ನು ಸಿಸ್ಟಮ್ ಪ್ರಾಂಪ್ಟ್ಗೆ ಸೇರಿಸಿ. ಮಾಡೆಲ್ ಅತ್ಯಲ್ಪ ಮಾರ್ಗದರ್ಶನದೊಂದಿಗೆ ಯೋಜನೆಗಳನ್ನು ರಚಿಸುವಂತೆ ಬಿಡುವ ಬದಲು, ಇದು ಯೋಜನೆ ರಚನೆಗೆ ಹಿಂದಿನ ತಜ್ಞರ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಆಧಾರವಾಗಿಸುತ್ತದೆ. ಮಾದರಿ ಕಾರ್ಯತಂತ್ರಗಳನ್ನು ಪದಶಃ ನಕಲಿಸುವ ಬದಲು “ಹೊಸ ದೃಷ್ಟಿಯಿಂದ ಯೋಚಿಸಲು” ಮತ್ತು ಅಗತ್ಯವಿದ್ದಾಗ ಹಂತಗಳನ್ನು ಸೇರಿಸಲು ಮಾಡೆಲ್ ಅನ್ನು ಉತ್ತೇಜಿಸಿ.
4. ಕ್ರಿಯಾತ್ಮಕವಾಗಿ ರಚಿಸಿದ ನಿಮ್ಮ ಸಿಸ್ಟಮ್ ಪ್ರಾಂಪ್ಟ್ ಬಳಸಿ, ಬಳಕೆದಾರರ ವಿನಂತಿಯನ್ನು ನಿರ್ವಹಿಸಲು ಹೊಸ ಕಾರ್ಯತಂತ್ರವನ್ನು ರಚಿಸಿ. ಈ ಪ್ರಕ್ರಿಯೆಯು ಅಂತಿಮ ಫಲಿತಾಂಶವನ್ನು ಸುಧಾರಿಸುವ ಹೆಚ್ಚುವರಿ ಕಾರ್ಯಗಳನ್ನು ಸೃಷ್ಟಿಸಬೇಕು. ಸೃಜನಶೀಲತೆಯೇ ಗುರಿ: ಹಿಂದಿನ ಕಾರ್ಯತಂತ್ರಗಳ ಅತ್ಯುತ್ತಮ ಅಂಶಗಳನ್ನು ಬೆರೆಸಿ, ಒಂದೇ ರೀತಿಯ ಹಂತಗಳನ್ನು ಒಗ್ಗೂಡಿಸಿ ಮತ್ತು ಅಗತ್ಯವಿರುವಲ್ಲಿ ಉಪಯುಕ್ತ ಹೊಸ ಹಂತಗಳನ್ನು ಸೇರಿಸಿ.
ಗಮನಿಸಿ: ಹೆಚ್ಚು ವೈವಿಧ್ಯಮಯ ಮತ್ತು ಕಡಿಮೆ ನಿರ್ಧಾರಿತ ಫಲಿತಾಂಶಗಳನ್ನು ಪಡೆಯಲು ತಾಪಮಾನ ನಿಯತಾಂಕವನ್ನು ಹೊಂದಿಸಬಹುದು ಎಂಬುದನ್ನು ನೆನಪಿಡಿ. ಸೃಜನಶೀಲತೆ ಬೇಕಾದಾಗ ಇದು ಉಪಯುಕ್ತವಾಗಿದೆ. ತಾಪಮಾನವು ಶೂನ್ಯವಲ್ಲದಿದ್ದರೆ, ರಚನೆಯಾಗುವ ಪ್ರತಿಯೊಂದು ಯೋಜನೆಯೂ ಭಿನ್ನವಾಗಿರಬಹುದು.
5. ಮಾಡೆಲ್ನ ಫಲಿತಾಂಶವನ್ನು ಪಡೆದ ನಂತರ, ನಿಮ್ಮ ಸಮಸ್ಯೆಗೆ ಉತ್ತಮ ಪರಿಹಾರವನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವ ನಿರ್ದಿಷ್ಟ ಮಾನದಂಡಗಳ ಆಧಾರದಲ್ಲಿ ಮಾನವ ಮೌಲ್ಯಮಾಪಕರಿಂದ ಅಥವಾ LLM ತೀರ್ಪುಗಾರರಿಂದ ಅದನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿಸಿ. ಮೊದಲು ತಿಳಿಸಿದ ಪೋರ್ಚುಗಲ್ ಚಟುವಟಿಕೆಗಳ ಉದಾಹರಣೆಗೆ, ಮೌಲ್ಯಮಾಪನ ಮಾನದಂಡಗಳು ಇವುಗಳನ್ನು ಒಳಗೊಂಡಿರಬಹುದು:
ಸಂಕ್ಷಿಪ್ತತೆ (ಒಂದೇ ವಾಕ್ಯಕ್ಕೆ ಸೀಮಿತವಾದ ಉತ್ತರ)
ಸೂಚಿಸಿದ ಚಟುವಟಿಕೆಯ ಪ್ರಸ್ತುತತೆ
ಸ್ಥಳದ ನಿಖರತೆ
6. ಈ ಮೌಲ್ಯಮಾಪನದ ಆಧಾರದಲ್ಲಿ, ಮತ್ತೊಂದು ಮಾಡೆಲ್ ಬಳಸಿ ಕಾರ್ಯತಂತ್ರವನ್ನು ಪರಿಷ್ಕರಿಸಿ. ಐಚ್ಛಿಕ ಪ್ರತಿಕ್ರಿಯಾ ಚಕ್ರವು ಮಾನವ ಅಭಿಪ್ರಾಯವನ್ನು ಒಳಗೊಂಡು ಸಹಯೋಗದ ಸುಧಾರಣೆಗಳನ್ನು ಬೆಂಬಲಿಸಬಹುದು. ಆವೃತ್ತಿಗಳು ಮತ್ತು ಬದಲಾವಣೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಸೂಕ್ತ ಮೆಟಾಡೇಟಾದೊಂದಿಗೆ ಪರಿಷ್ಕೃತ ಕಾರ್ಯತಂತ್ರವನ್ನು ನಿಮ್ಮ ಡೇಟಾಬೇಸ್ನಲ್ಲಿ ಸಂಗ್ರಹಿಸಿ.
ಹಾಗಾದರೆ ಇಷ್ಟೆಲ್ಲ ಕಷ್ಟಪಡುವುದು ಏಕೆ? ನೀವು ಫಲಿತಾಂಶಗಳನ್ನು ಕೈಯಾರೆ ಪರಿಶೀಲಿಸಿ, ಅದಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಸಿಸ್ಟಮ್ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಹೊಂದಿಸಬಹುದು. ಆದರೆ, ಶಕ್ತಿಶಾಲಿ ರೀಜನಿಂಗ್ ಮಾಡೆಲ್ಗಳು ಫಲಿತಾಂಶದ ಸಂದರ್ಭ ಮತ್ತು ಮಾನವ ಪ್ರತಿಕ್ರಿಯೆ ಎರಡನ್ನೂ ಬಳಸಿ ಕಾರ್ಯತಂತ್ರಗಳನ್ನು ಪರಿಷ್ಕರಿಸಬಹುದು. ಸರಳ ವಿಧಾನಗಳಲ್ಲಿನ ದೋಷಗಳನ್ನು ಮಾನವರು ಸುಲಭವಾಗಿ ಗುರುತಿಸಬಹುದಾದರೂ, ವ್ಯಾಪಕ ಸಮಸ್ಯೆಗಳನ್ನು ನಿರ್ವಹಿಸುವ ಸಂಕೀರ್ಣ ಸಿಸ್ಟಮ್ಗಳಲ್ಲಿ ಅವುಗಳನ್ನು ಗುರುತಿಸುವುದು ಕಷ್ಟಕರ ಮತ್ತು ಬೇಸರದ ಕೆಲಸವಾಗುತ್ತದೆ.
ಮಾನವರು ಸಮಸ್ಯೆಗೆ ಸಹಜವಾಗಿ ತರುವ ಸಂದರ್ಭೋಚಿತ ಜ್ಞಾನವನ್ನು ಸಂಗ್ರಹಿಸಲು LLMಗಳಿಗೆ ಸಾಮಾನ್ಯವಾಗಿ ವಿವರವಾದ ಸೂಚನೆಗಳು ಮತ್ತು ಹೆಚ್ಚುವರಿ ಹಂತಗಳು ಬೇಕಾಗುತ್ತವೆ. ಹೆಚ್ಚು ವ್ಯಾಪಕ ಸಮಸ್ಯೆಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಸಿಸ್ಟಮ್ ವಿಸ್ತರಿಸಿದಂತೆ, ಅಗತ್ಯವಿರುವ ಕಾರ್ಯಗಳ ಸಂಖ್ಯೆ ತ್ವರಿತವಾಗಿ ಹೆಚ್ಚಬಹುದು. ಉದಾಹರಣೆಗೆ, ಕೋಡಿಂಗ್ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸುವ ಮಾನವರು ಸುತ್ತಲಿನ ಕೋಡ್ಬೇಸ್ ಅನ್ನು ಸಹಜವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬಹುದು. ಆದರೆ LLM ಮೊದಲು ಅನೇಕ ಫೈಲ್ಗಳನ್ನು “ಓದಬೇಕಾಗಬಹುದು”.
ಇದು ನೆರವಾಗುವ ಸಂದರ್ಭ: ನೀವು ಗ್ರಾಹಕ ಬೆಂಬಲ ತಂಡವನ್ನು ನಡೆಸುತ್ತೀರಿ ಮತ್ತು ಎಐ ಏಜೆಂಟ್ ಟಿಕೆಟ್ಗಳ ಪ್ರಾಥಮಿಕ ವಿಂಗಡಣೆಯನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ ಎಂದು ಭಾವಿಸಿ. ಕಾಲಕ್ರಮೇಣ, ನಿಮ್ಮ ತಂಡ ಪರಿಗಣಿಸದ ವರ್ಗೀಕರಣ ವಿಧಾನವನ್ನು SPL ಕಂಡುಹಿಡಿದು, ಸಮಸ್ಯೆಗಳನ್ನು ಮೇಲಿನ ಹಂತಕ್ಕೆ ಕಳುಹಿಸುವ ಪ್ರಮಾಣವನ್ನು ಕಡಿಮೆ ಮಾಡಬಹುದು.
ಇದು ನೆರವಾಗದ ಸಂದರ್ಭ: ಹಣಕಾಸು ವರದಿಯಂತಹ ಕಾರ್ಯಪ್ರವಾಹಗಳನ್ನು ಅನುಸರಣೆ ಅವಶ್ಯಕತೆಗಳು ಅಥವಾ ನಿಯಮಗಳೇ ಈಗಾಗಲೇ ನಿರ್ಧರಿಸಿದ್ದರೆ, ಸೃಜನಶೀಲತೆಯು ಪ್ರಯೋಜನದ ಬದಲು ಹೊಣೆಗಾರಿಕೆಯಾಗುವುದರಿಂದ SPL ಹೆಚ್ಚು ಮೌಲ್ಯ ನೀಡದಿರಬಹುದು.
ಇದು ನೆರವಾಗುವ ಸಂದರ್ಭ: ಮಾರುಕಟ್ಟೆ ಮಾಹಿತಿ ಅಥವಾ ಉತ್ಪನ್ನ ಕಾರ್ಯತಂತ್ರದಂತಹ ಸಂಶೋಧನಾ-ಪ್ರಧಾನ ಪಾತ್ರಗಳಲ್ಲಿ, ಎಐ ಯೋಜನೆಗಳನ್ನು ಪರಿಷ್ಕರಿಸಿ, ಅದರ ಫಲಿತಾಂಶವನ್ನು ಸಮೃದ್ಧಗೊಳಿಸಿ ಮತ್ತು ಈ ಸುಧಾರಣೆಗಳನ್ನು ಭವಿಷ್ಯದ ಬಳಕೆಗೆ ಅಳವಡಿಸುವ ಮೂಲಕ ನೀವು ಅದರೊಂದಿಗೆ ಸಹಕರಿಸಬಹುದು. ಪ್ರತಿಯೊಂದು ಸಂವಹನವೂ ಸಿಸ್ಟಮ್ನ ಪರಿಣಾಮಕಾರಿತ್ವವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ.
ಇದು ನೆರವಾಗದ ಸಂದರ್ಭ: ನಿಮ್ಮ ತಂಡವು ಮಾನವ ಹಸ್ತಕ್ಷೇಪ ಕಡಿಮೆ ಇರುವ ಸರಳ ಕಾರ್ಯಪ್ರವಾಹಗಳಿಗೆ, ಉದಾಹರಣೆಗೆ ಸರಕುಪಟ್ಟಿ ಸಂಸ್ಕರಣೆಗೆ, ಎಐ ಅನ್ನು ಹೆಚ್ಚಾಗಿ ಬಳಸಿದರೆ ಸಹಯೋಗದ ಹೆಚ್ಚುವರಿ ಹೊರೆ ಪ್ರಯೋಜನವನ್ನು ಮೀರಬಹುದು.
ಇದು ನೆರವಾಗುವ ಸಂದರ್ಭ: ನೀವು ಹೊಸ ಪ್ರದೇಶಕ್ಕೆ ವಿಸ್ತರಿಸಿದಾಗ, ಎಐ ಇದ್ದಕ್ಕಿದ್ದಂತೆ ಸ್ಥಳೀಯ ತೆರಿಗೆ ವಿಚಾರಣೆಗಳನ್ನು ನಿರ್ವಹಿಸಬೇಕಾಗುತ್ತದೆ ಎಂದು ಭಾವಿಸಿ. ಹೊಸ ನಿಯಮಗಳು ಮತ್ತು ಪ್ರಾಯೋಗಿಕ ಮಾರ್ಗಸೂಚಿಗಳು ಹೊರಹೊಮ್ಮುತ್ತಿದ್ದಂತೆಯೇ ಅವುಗಳನ್ನು ತ್ವರಿತವಾಗಿ ಅಡಕಗೊಳಿಸಲು SPL ನೆರವಾಗುತ್ತದೆ. ಇದರಿಂದ ಒಂದೇ ತಪ್ಪು ಪುನರಾವರ್ತನೆಯಾಗುವುದನ್ನು ತಡೆಯಬಹುದು.
ಇದು ನೆರವಾಗದ ಸಂದರ್ಭ: ಸಭೆಯ ಲಿಖಿತ ಪ್ರತಿಗಳನ್ನು ಪ್ರಮಾಣೀಕೃತ ಸಾರಾಂಶಗಳಾಗಿ ಪರಿವರ್ತಿಸುವಂತಹ ನಿಮ್ಮ ಪರಿಸರವು ಸ್ಥಿರವಾಗಿದ್ದರೆ, ನಿರಂತರ ಹೊಂದಾಣಿಕೆಯಿಂದ ಕನಿಷ್ಠ ಪ್ರಯೋಜನ ಮಾತ್ರ ಸಿಗುತ್ತದೆ.
ಸಿದ್ಧಾಂತದಲ್ಲಿ ಇದೆಲ್ಲವೂ ಭರವಸೆಯಂತೆ ತೋರುತ್ತದೆ. ಆದರೆ SPL ಅಳವಡಿಸುವಾಗ ನೈಜ ಸವಾಲುಗಳು ಎದುರಾಗುತ್ತವೆ. ಅವುಗಳಲ್ಲಿ ಕೆಲವು ಮುಖ್ಯವಾದವುಗಳನ್ನು ಕೆಳಗೆ ಚರ್ಚಿಸುತ್ತೇವೆ:
ಕಾರ್ಯತಂತ್ರ ರಚನೆಯ ಆರಂಭಿಕ ಹಂತಗಳಲ್ಲಿ ಪ್ರಗತಿ ಸಾಮಾನ್ಯವಾಗಿ ಸ್ಥಗಿತಗೊಳ್ಳುತ್ತದೆ: ಹೊಸ ಫಲಿತಾಂಶಗಳು ಹಿಂದಿನವುಗಳ ಮೇಲೆ ಸುಧಾರಿಸುವುದಿಲ್ಲ ಮತ್ತು ವೇಗ ಕುಂಠಿತಗೊಳ್ಳುತ್ತದೆ. ಸಾಮಾನ್ಯವಾಗಿ ಇದಕ್ಕೆ ಎರಡು ಮುಖ್ಯ ಸಮಸ್ಯೆಗಳು ಕಾರಣವಾಗುತ್ತವೆ:
ಪರಿಹಾರ: ಸಿಸ್ಟಮ್ ಬಳಸಿಕೊಳ್ಳಲು ಸಾಕಷ್ಟು ಆಳವಾದ ಮಾಹಿತಿ ಇರುವಂತೆ, ಲಭ್ಯವಿರುವ ಎಲ್ಲ ವ್ಯವಹಾರ ಜ್ಞಾನವನ್ನು ಮೊದಲೇ ಅಡಕಗೊಳಿಸಿ.
ಪರಿಹಾರ: ಉತ್ತರದ ನಿಖರತೆ, ಸ್ಪಷ್ಟತೆ ಮತ್ತು ಪ್ರಸ್ತುತತೆಯಂತಹ ಹಲವು ಅಂಶಗಳಿಗೆ ಅಂಕ ನೀಡುವ ಸೂಕ್ಷ್ಮ ಮೌಲ್ಯಮಾಪನ ಮಾನದಂಡವನ್ನು ರೂಪಿಸಿ ಮತ್ತು ಈ ಸಂಕೇತಗಳಿಗೆ ಅನುಗುಣವಾಗಿ ನಿಮ್ಮ ಮಾದರಿ ಆಯ್ಕೆಯನ್ನು ಹೊಂದಿಸಿ.
ನಿಮ್ಮ ಸಿಸ್ಟಮ್ ನೂರಾರು ಕಾರ್ಯತಂತ್ರಗಳನ್ನು ರಚಿಸಿದರೂ, ಒಳ್ಳೆಯದು ಮತ್ತು ಕೆಟ್ಟದ್ದನ್ನು ಪ್ರತ್ಯೇಕಿಸಲು ಸಾಕಷ್ಟು ಪ್ರತಿಕ್ರಿಯೆ ಸಿಗದಿದ್ದರೆ, ಮಾದರಿ ಆಯ್ಕೆಯು ಬೇಗನೇ ನಿರ್ವಹಿಸಲಾಗದಷ್ಟು ಜಟಿಲವಾಗುತ್ತದೆ. ಇದಕ್ಕೆ ಉತ್ತರ ಅನಗತ್ಯವಾದುದನ್ನು ತೆಗೆದುಹಾಕುವುದು.
ನಿಮ್ಮ ಕಾರ್ಯತಂತ್ರ ಸಂಗ್ರಹವನ್ನು ಪರಿಷ್ಕರಿಸುವಾಗ ಇವುಗಳನ್ನು ಪರಿಗಣಿಸಿ:
ಬಾಳಿಕೆ ಅವಧಿ: ಕಾರ್ಯತಂತ್ರಗಳು ನಿಗದಿತ ಕಾಲಮಿತಿ ಅಥವಾ ತಲೆಮಾರುಗಳ ಸಂಖ್ಯೆಯನ್ನು ಮೀರಿದ ನಂತರ ಅವುಗಳನ್ನು ನಿವೃತ್ತಗೊಳಿಸಿ.
ಅಂಕ: ಸತತವಾಗಿ ಕಳಪೆ ಪ್ರದರ್ಶನ ನೀಡುವ ಕಾರ್ಯತಂತ್ರಗಳನ್ನು ಹೊರಗಿಡಲು ನಿಮ್ಮ ಮೌಲ್ಯಮಾಪನ ಮಾನದಂಡವನ್ನು ಬಳಸಿ. ಇದನ್ನು ಬಾಳಿಕೆ ಅವಧಿಯೊಂದಿಗೆ ಸಂಯೋಜಿಸಿದರೆ, ಕಾಲಕ್ರಮೇಣ ತಮ್ಮ ಮೌಲ್ಯವನ್ನು ಸಾಬೀತುಪಡಿಸುವ ವಿಧಾನಗಳನ್ನು ಮಾತ್ರ ಉಳಿಸಿಕೊಳ್ಳಬಹುದು.
LLM ತೀರ್ಪು: ಇನ್ನು ಮುಂದೆ ವಿಶಿಷ್ಟ ಒಳನೋಟಗಳನ್ನು ನೀಡದ ಕಾರ್ಯತಂತ್ರಗಳನ್ನು ಗುರುತಿಸಲು ನಿಯತಕಾಲಿಕವಾಗಿ ಅವುಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ. ಏಕೆಂದರೆ ಅವುಗಳ ಉಪಯುಕ್ತ ಅಂಶಗಳು ಈಗಾಗಲೇ ಹೊಸ ಆವೃತ್ತಿಗಳಲ್ಲಿ ಸೇರಿರುವ ಸಾಧ್ಯತೆಯಿದೆ.
ಪರಿಹಾರ: ನಿಮ್ಮ ಕಾರ್ಯತಂತ್ರದ ಡೇಟಾಬೇಸ್ ಅನ್ನು ಜೀವಂತ ಸಿಸ್ಟಮ್ನಂತೆ ಪರಿಗಣಿಸಿ: ಪ್ರಸ್ತುತ ಮತ್ತು ಹೆಚ್ಚಿನ ಮೌಲ್ಯದ ಜ್ಞಾನ ಮಾತ್ರ ಉಳಿಯುವಂತೆ ನಿಯತವಾಗಿ ಅನಗತ್ಯವಾದುದನ್ನು ತೆಗೆದುಹಾಕಿ.
ಸಿಸ್ಟಮ್ ಪ್ರಾಂಪ್ಟ್ ಕಲಿಕೆ ಇನ್ನೂ ಆರಂಭಿಕ ಹಂತದಲ್ಲಿದೆ. ಆದರೆ ಅದರ ಸಾಮರ್ಥ್ಯ ಅಪಾರವಾಗಿದೆ. ಕೇವಲ ಸ್ಥಿರ ಪ್ರಾಂಪ್ಟ್ಗಳು ಅಥವಾ ಅಂತ್ಯವಿಲ್ಲದ ಸೂಕ್ಷ್ಮ ಹೊಂದಾಣಿಕೆಯನ್ನು ಅವಲಂಬಿಸುವ ವ್ಯವಹಾರಗಳು ಪರಿಚಿತ ಮಿತಿಗಳನ್ನು ಎದುರಿಸುತ್ತವೆ: ಸುಲಭವಾಗಿ ವಿಫಲಗೊಳ್ಳುವ ಸಿಸ್ಟಮ್ಗಳು, ಹೆಚ್ಚುತ್ತಿರುವ ವೆಚ್ಚಗಳು ಮತ್ತು ವ್ಯರ್ಥ ಪ್ರಯತ್ನ. ಪ್ರತ್ಯೇಕ ತೇಪೆಗಳ ಬದಲು ಉನ್ನತ ಮಟ್ಟದ ತತ್ತ್ವಗಳನ್ನು ಅಡಕಗೊಳಿಸಿ, ಕಾಲಕ್ರಮೇಣ ಸುಧಾರಿಸುವ ಸಿಸ್ಟಮ್ಗಳನ್ನು ನಿರ್ಮಿಸುವ ಮೂಲಕ ಈ ಚಕ್ರದಿಂದ ಹೊರಬರುವ ಮಾರ್ಗವನ್ನು SPL ನೀಡುತ್ತದೆ.
SPL ಇನ್ನೂ ಬೆಳೆಯುತ್ತಿದೆ. ಆದರೆ ಅದರ ಪಥ ಸ್ಪಷ್ಟವಾಗಿದೆ: ತಮ್ಮಿಂದಲೇ ಕಲಿಯಬಲ್ಲ ಸಿಸ್ಟಮ್ಗಳು ಹಾಗೆ ಕಲಿಯಲಾಗದ ಸಿಸ್ಟಮ್ಗಳನ್ನು ಹಿಂದಿಕ್ಕುತ್ತವೆ. ಪ್ರಯೋಗಿಸಲು, ಸಣ್ಣದಾಗಿ ಆರಂಭಿಸಲು, ಕಲಿತ ಪಾಠಗಳನ್ನು ದಾಖಲಿಸಲು ಮತ್ತು ಪ್ರತಿ ಸಂವಹನದೊಂದಿಗೆ ಸುಧಾರಿಸುವ ಎಐ ಸಿಸ್ಟಮ್ಗಳಿಗೆ ಅಡಿಪಾಯ ನಿರ್ಮಿಸಲು ಇದೇ ಸಮಯ.