ਭਰੋਸੇਯੋਗ ਏਆਈ ਫ਼ੈਸਲਿਆਂ ਲਈ LLM ਅਤੇ ਰਸਮੀ ਹੱਲਕਾਰਾਂ ਦਾ ਸੁਮੇਲ

ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ (LLM) ਨੇ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਸਮਝਣ, ਸਹਿਜ ਜਵਾਬ ਤਿਆਰ ਕਰਨ ਅਤੇ ਗਾਹਕਾਂ ਤੇ ਕਰਮਚਾਰੀਆਂ ਲਈ ਬਿਲਕੁਲ ਨਵੇਂ ਅਨੁਭਵ ਸੰਭਵ ਬਣਾਉਣ ਵਿੱਚ ਅਸਾਧਾਰਣ ਤਰੱਕੀ ਕੀਤੀ ਹੈ. ਪਰ LLM ਮੂਲ ਰੂਪ ਵਿੱਚ ਸੰਭਾਵਨਾਤਮਕ ਹੁੰਦੇ ਹਨ, ਇਸ ਲਈ ਗੁੰਝਲਦਾਰ ਸੰਖਿਆਤਮਕ ਜਾਂ ਤਾਰਕਿਕ ਰੀਜ਼ਨਿੰਗ ਲਈ ਇਨ੍ਹਾਂ ਦੀ ਵਰਤੋਂ ਇਸ ਗੱਲ ਦੀ ਸੀਮਤ ਗਾਰੰਟੀ ਦਿੰਦੀ ਹੈ ਕਿ ਨਤੀਜੇ ਨਿਯਮਾਂ ਅਨੁਸਾਰ ਜਾਂ ਸਰਵੋਤਮ ਹੋਣਗੇ. ਉਦਾਹਰਨ ਲਈ:

• ਇੱਕ ਪ੍ਰਬੰਧਕ ਏਆਈ ਯੋਜਨਾ ਸਹਾਇਕ ਨੂੰ ਕਹਿੰਦਾ ਹੈ, “ਲਾਗਤ ਘੱਟ ਰੱਖਦਿਆਂ ਅਗਲੇ ਹਫ਼ਤੇ ਵੱਧ ਤੋਂ ਵੱਧ ਮਾਲ ਭੇਜੋ,” ਅਤੇ ਸਿਸਟਮ ਅਜਿਹੀ ਹਮਲਾਵਰ ਯੋਜਨਾ ਦਿੰਦਾ ਹੈ ਜੋ ਕੁਸ਼ਲ ਲੱਗਦੀ ਹੈ, ਪਰ ਚੁੱਪਚਾਪ ਗੋਦਾਮ ਦੀ ਸਮਰੱਥਾ ਤੋਂ ਵੱਧ ਜਾਂਦੀ ਹੈ ਅਤੇ ਸਪੁਰਦਗੀ ਦੀਆਂ ਗਾਰੰਟੀਆਂ ਤੋੜਦੀ ਹੈ.

• ਇੱਕ ਤਾਲਮੇਲਕਰਤਾ ਏਆਈ ਸਹਾਇਕ ਨੂੰ ਕਹਿੰਦਾ ਹੈ, “ਰਾਤ ਦੇ ਠਹਿਰਾਅ ਅਤੇ ਰੁਕਾਵਟਾਂ ਘਟਾਉਣ ਲਈ ਟੀਮਾਂ ਨੂੰ ਮੁੜ ਨਿਯੁਕਤ ਕਰੋ,” ਅਤੇ ਮਾਡਲ ਘੱਟ ਲਾਗਤ ਵਾਲੀ ਸਮਾਂ-ਸਾਰਣੀ ਬਣਾਉਂਦਾ ਹੈ ਜੋ ਸਰਵੋਤਮ ਲੱਗਦੀ ਹੈ, ਪਰ ਲਾਜ਼ਮੀ ਡਿਊਟੀ-ਸਮੇਂ ਜਾਂ ਆਰਾਮ ਦੀਆਂ ਪਾਬੰਦੀਆਂ ਤੋੜਦੀ ਹੈ.

• ਵਿੱਤੀ ਕਾਰਜਾਂ ਲਈ ਏਆਈ ਸਹਾਇਕ ਨੂੰ ਸਖ਼ਤ ਖੇਤਰੀ ਅਤੇ ਜੋਖਮ ਪਾਬੰਦੀਆਂ ਅਧੀਨ ਲੈਣ-ਦੇਣ ਮਨਜ਼ੂਰ ਕਰਨੇ ਹੁੰਦੇ ਹਨ, ਪਰ ਉਹ ਅਜਿਹਾ ਤਰਕ ਘੜ ਕੇ ਸ਼ੱਕੀ ਲੈਣ-ਦੇਣ ਪਾਸ ਕਰ ਦਿੰਦਾ ਹੈ ਜੋ ਨਿਯਮਾਂ ਅਨੁਸਾਰ ਸੁਣਾਈ ਦਿੰਦਾ ਹੈ, ਪਰ ਅੰਦਰੂਨੀ ਨੀਤੀ ਦੀ ਉਲੰਘਣਾ ਕਰਦਾ ਹੈ.

ਸਖ਼ਤ ਕਾਰਜਕਾਰੀ ਲੋੜਾਂ ਵਾਲੇ ਮਾਹੌਲਾਂ ਵਿੱਚ LLM ਨੂੰ ਰਸਮੀ ਹੱਲਕਾਰਾਂ ਨਾਲ ਜੋੜਨ ਨਾਲ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਮਿਲਦੀ ਹੈ ਕਿ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਤੋਂ ਪ੍ਰੇਰਿਤ ਫ਼ੈਸਲੇ ਨਿਰਧਾਰਤ ਹੱਦਾਂ ਵਿੱਚ ਰਹਿਣ ਅਤੇ ਅਸੰਭਵ, ਘੱਟ-ਉਚਿਤ ਜਾਂ ਗ਼ੈਰ-ਅਨੁਕੂਲ ਨਤੀਜਿਆਂ ਤੋਂ ਬਚਣ.

ਸਾਡੀ ਖੋਜ ਅਤੇ ਵਿਕਾਸ ਟੀਮ ਇੱਕ ਹਾਈਬ੍ਰਿਡ ਪਹੁੰਚ ਦੀ ਜਾਂਚ ਕਰ ਰਹੀ ਹੈ, ਜੋ LLM ਦੀ ਰਚਨਾਤਮਕਤਾ ਅਤੇ ਲਚਕਤਾ ਨੂੰ Z3, Pyomo ਅਤੇ OR-Tools ਵਰਗੇ ਰਸਮੀ ਗਣਿਤਕ ਹੱਲਕਾਰਾਂ ਦੀ ਸਖ਼ਤੀ, ਗਾਰੰਟੀਆਂ ਅਤੇ ਪਾਰਦਰਸ਼ਤਾ ਨਾਲ ਜੋੜਦੀ ਹੈ. ਅਸੀਂ ਇਸ ਸਮਰੱਥਾ ਨੂੰ ਉੱਦਮੀ ਤਕਨਾਲੋਜੀ ਢਾਂਚੇ ਦਾ ਮਿਆਰੀ ਹਿੱਸਾ ਬਣਾਉਣ ਲਈ ਮੁੜ ਵਰਤੋਂਯੋਗ ਰਸਮੀ ਏਆਈ ਇੰਜਣ ਵੀ ਤਿਆਰ ਕਰ ਰਹੇ ਹਾਂ. ਇਹ ਮੰਚ ਸੰਗਠਨਾਂ ਨੂੰ ਆਪਣੇ ਮੌਜੂਦਾ ਸਿਸਟਮਾਂ ਤੋਂ ਕਾਰੋਬਾਰੀ ਨਿਯਮ ਸਿੱਧੇ ਲੈਣ, ਉਨ੍ਹਾਂ ਨਿਯਮਾਂ ਮੁਤਾਬਕ ਫ਼ੈਸਲਿਆਂ ਦੀ ਲਗਾਤਾਰ ਪੁਸ਼ਟੀ ਕਰਨ ਅਤੇ ਸਪਸ਼ਟ ਹੱਦਾਂ ਅੰਦਰ ਏਆਈ ਏਜੰਟ ਸੁਰੱਖਿਅਤ ਢੰਗ ਨਾਲ ਤਾਇਨਾਤ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਏਗਾ.

ਸਾਡਾ ਟੀਚਾ ਵੱਡੇ ਪੱਧਰ ਉੱਤੇ ਫ਼ੈਸਲੇ ਤੇਜ਼ ਕਰਦਿਆਂ ਕਾਰਜਕਾਰੀ ਜੋਖਮ ਘਟਾਉਣਾ ਹੈ. ਆਗੂਆਂ ਨੂੰ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਦੇ ਨਿਰਦੇਸ਼ਾਂ ਤੋਂ ਤੇਜ਼ ਅਤੇ ਨੀਤੀ-ਅਨੁਕੂਲ ਫ਼ੈਸਲੇ ਮਿਲਦੇ ਹਨ, ਜਦਕਿ ਸੰਗਠਨ ਸਮਾਂ-ਸਾਰਣੀ, ਸਪਲਾਈ ਲੜੀ ਦੇ ਸਰੋਤਾਂ ਦੀ ਵੰਡ, ਵਿੱਤੀ ਕਾਰਜਾਂ, ਨੀਤੀ ਦੀ ਪੁਸ਼ਟੀ ਅਤੇ ਵੀਡੀਓ ਜਾਂ 3ਡੀ ਡਿਜ਼ਾਈਨ ਵਿੱਚ ਤਤਕਾਲ ਤਬਦੀਲੀਆਂ ਸਵੈਚਾਲਿਤ ਕਰ ਸਕਦੇ ਹਨ. ਅੰਦਰੂਨੀ ਸੁਰੱਖਿਆ ਉਪਾਅ ਅਸੰਭਵ, ਗ਼ੈਰ-ਅਨੁਕੂਲ ਜਾਂ ਅਸੁਰੱਖਿਅਤ ਨਤੀਜਿਆਂ ਨੂੰ ਉਤਪਾਦਨ ਤੱਕ ਪਹੁੰਚਣ ਤੋਂ ਰੋਕਦੇ ਹਨ.

ਮਾਲ-ਆਵਾਜਾਈ ਵਰਗੀਆਂ ਸਰਵੋਤਮੀਕਰਨ ਸਮੱਸਿਆਵਾਂ ਅਤੇ ਤਿੰਨ ਜਨਤਕ ਮਾਪਦੰਡਾਂ ਉੱਤੇ ਨਿਯੰਤਰਿਤ ਪ੍ਰਯੋਗਾਂ ਵਿੱਚ ਸਾਡੀ ਹਾਈਬ੍ਰਿਡ ਪਹੁੰਚ ਨੇ ਲਗਾਤਾਰ ਇਹ ਦਰਸਾਇਆ:

• ਵੱਧ ਸ਼ੁੱਧਤਾ

• ਵੱਧ ਵਿਆਖਿਆਯੋਗਤਾ ਅਤੇ ਲੇਖਾ-ਜਾਂਚਯੋਗਤਾ

ਸਾਡੀ ਪਹੁੰਚ ਆਮ “LLM ਸਭ ਕੁਝ ਕਰਦਾ ਹੈ” ਧਾਰਨਾ ਨੂੰ ਉਲਟ ਕੇ ਇਸ ਡਿਜ਼ਾਈਨ ਦੀ ਪਾਲਣਾ ਕਰਦੀ ਹੈ:

ਇਹ ਪਹੁੰਚ ਜ਼ਿੰਮੇਵਾਰੀਆਂ ਸਪਸ਼ਟ ਤੌਰ ਉੱਤੇ ਵੰਡਦੀ ਹੈ: LLM ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਤੋਂ ਨਿਯਮ ਅਤੇ ਪਾਬੰਦੀਆਂ ਕੱਢਦੇ ਹਨ, ਜਦਕਿ OR-Tools, Z3 ਅਤੇ Pyomo ਵਰਗੇ ਨਿਰਧਾਰਤ ਹੱਲਕਾਰ ਸਰਵੋਤਮੀਕਰਨ ਅਤੇ ਪੁਸ਼ਟੀ ਸੰਭਾਲਦੇ ਹਨ. ਨਤੀਜਾ ਦੋਵਾਂ ਪਹੁੰਚਾਂ ਦੀਆਂ ਤਾਕਤਾਂ ਨੂੰ ਜੋੜਦਾ ਹੈ:

ਅਸੀਂ ਆਪਣੇ ਕੁਝ ਗਾਹਕਾਂ ਸਾਹਮਣੇ ਆਉਂਦੀ ਇੱਕ ਚੁਣੌਤੀ ਨਾਲ ਸ਼ੁਰੂਆਤ ਕੀਤੀ:

ਕਾਰਜਕਾਰੀ, ਨੀਤੀਗਤ ਅਤੇ ਲਾਗਤ ਪਾਬੰਦੀਆਂ ਸਖ਼ਤੀ ਨਾਲ ਲਾਗੂ ਕਰਦਿਆਂ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਦੀਆਂ ਬੇਨਤੀਆਂ ਨੂੰ ਸਰਵੋਤਮ, ਤਤਕਾਲ ਸਰੋਤ ਫ਼ੈਸਲਿਆਂ ਵਿੱਚ ਬਦਲਣਾ.

ਇਹ ਚੁਣੌਤੀ ਆਧੁਨਿਕ ਮਾਲ-ਆਵਾਜਾਈ ਅਤੇ ਸਪਲਾਈ ਲੜੀਆਂ ਦੇ ਕੇਂਦਰ ਵਿੱਚ ਹੈ, ਜਿਸ ਵਿੱਚ ਕਰਮਚਾਰੀ ਸਮਾਂ-ਸਾਰਣੀ, ਸੰਪਤੀ ਵੰਡ, ਮਾਰਗ-ਨਿਰਧਾਰਨ, ਪੂਰਤੀ ਯੋਜਨਾ ਅਤੇ ਸਮਰੱਥਾ ਪ੍ਰਬੰਧਨ ਸ਼ਾਮਲ ਹਨ. ਇਸੇ ਖੇਤਰ ਵਿੱਚ ਭਰੋਸੇਯੋਗ ਸਿਸਟਮ ਬਣਾਉਣ ਲਈ LLM ਅਤੇ ਰਸਮੀ ਹੱਲਕਾਰਾਂ ਨੂੰ ਮਿਲ ਕੇ ਕੰਮ ਕਰਨ ਦੀ ਲੋੜ ਹੈ. ਮੁਲਾਂਕਣ ਲਈ ਅਸੀਂ 240 ਕ੍ਰਿਤ੍ਰਿਮ ਪੁੱਛਗਿੱਛਾਂ ਦੇ ਨਾਲ ਨਿਯੰਤਰਿਤ ਜਾਂਚ ਦ੍ਰਿਸ਼, ਡੇਟਾ ਸਰੋਤ ਅਤੇ ਪਾਬੰਦੀਆਂ ਬਣਾਈਆਂ. ਉਦਾਹਰਨਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ:

• ਰੱਦਗੀ ਤੋਂ ਬਾਅਦ ਮੌਜੂਦਾ ਸਮਾਂ-ਸਾਰਣੀ ਸੋਧੋ. ਟੀਚੇ ਵਾਲੀ ਸਹੂਲਤ ਨੂੰ 24 ਦਸੰਬਰ 2025 ਤੱਕ ਪੂਰੀ ਸਪਲਾਈ ਮਿਲਣੀ ਚਾਹੀਦੀ ਹੈ. ਜਿੱਥੇ ਸੰਭਵ ਹੋਵੇ, ਨੇੜਲੇ ਗੋਦਾਮ ਤੋਂ ਭੰਡਾਰ ਲੈ ਕੇ ਇਸ ਨੂੰ ਕਿਸੇ ਖ਼ਾਸ ਇਕੱਤਰੀਕਰਨ ਕੇਂਦਰ ਰਾਹੀਂ ਭੇਜੋ. ਸ਼ੁਰੂ ਕਰਨ ਦੀ ਸਭ ਤੋਂ ਪਹਿਲੀ ਮਨਜ਼ੂਰ ਮਿਤੀ 14 ਦਸੰਬਰ 2025 ਹੈ.

• ਆਖ਼ਰੀ ਵੇਲੇ ਦੀ ਬੇਨਤੀ: ਇੱਕ ਵਿਸ਼ੇਸ਼ ਮਹਿਮਾਨ ਤਿੰਨ ਘੰਟਿਆਂ ਵਿੱਚ ਸਥਾਨ ਏ ਉੱਤੇ ਪਹੁੰਚੇਗਾ. ਲੋੜੀਂਦਾ ਸਟਾਫ਼ ਦੋ ਘੰਟਿਆਂ ਵਿੱਚ ਉੱਥੇ ਚਾਹੀਦਾ ਹੈ. ਮੌਜੂਦਾ ਸਮਾਂ-ਸਾਰਣੀ ਵਿੱਚ ਘੱਟੋ-ਘੱਟ ਤਬਦੀਲੀਆਂ ਕਰਦਿਆਂ ਸਟਾਫ਼ ਦੀ ਵੰਡ ਠੀਕ ਕਰੋ.

ਪੁੱਛਗਿੱਛਾਂ ਤੋਂ ਸਪਸ਼ਟ ਹੈ ਕਿ ਸਿਸਟਮ ਨੂੰ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਦੀਆਂ ਬੇਨਤੀਆਂ ਤੋਂ ਸਖ਼ਤ ਅਤੇ ਨਰਮ ਪਾਬੰਦੀਆਂ ਸਿੱਧੀਆਂ ਕੱਢ ਕੇ ਭਰੋਸੇਯੋਗ ਢੰਗ ਨਾਲ ਲਾਗੂ ਕਰਨੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ:

• ਸਖ਼ਤ ਪਾਬੰਦੀਆਂ ਉੱਤੇ ਸਮਝੌਤਾ ਨਹੀਂ ਹੋ ਸਕਦਾ, ਜਿਵੇਂ ਸਭ ਤੋਂ ਪਹਿਲੀਆਂ ਸ਼ੁਰੂਆਤੀ ਮਿਤੀਆਂ, ਇਕਰਾਰਨਾਮੇ ਦੀਆਂ ਸ਼ਰਤਾਂ ਅਤੇ ਸਮਰੱਥਾ ਦੀਆਂ ਹੱਦਾਂ. ਇਨ੍ਹਾਂ ਵਿੱਚੋਂ ਕਿਸੇ ਇੱਕ ਦੀ ਉਲੰਘਣਾ ਵੀ ਹੱਲ ਨੂੰ ਅਵੈਧ ਕਰ ਦਿੰਦੀ ਹੈ.

• ਨਰਮ ਪਾਬੰਦੀਆਂ ਤਰਜੀਹਾਂ ਦਰਸਾਉਂਦੀਆਂ ਹਨ, ਜਿਵੇਂ ਦੇਰੀ ਅਤੇ ਲਾਗਤ ਘਟਾਉਣਾ ਤੇ ਤਬਦੀਲੀਆਂ ਸੀਮਤ ਕਰਨਾ. ਉਦੇਸ਼ ਸਖ਼ਤ ਹੱਦਾਂ ਪਾਰ ਕੀਤੇ ਬਿਨਾਂ ਸਰਵੋਤਮੀਕਰਨ ਕਰਨਾ ਹੈ.

ਇਨ੍ਹਾਂ ਸਰਵੋਤਮੀਕਰਨ ਸਮੱਸਿਆਵਾਂ ਦੇ ਕੁਝ ਪੱਖ ਪੂਰੀ ਤਰ੍ਹਾਂ ਪਹਿਲਾਂ ਤੋਂ ਪਰਿਭਾਸ਼ਿਤ ਨਹੀਂ ਕੀਤੇ ਜਾ ਸਕਦੇ. ਇਨ੍ਹਾਂ ਨੂੰ ਢਾਂਚਾਬੱਧ ਕਾਰੋਬਾਰੀ ਤਰਕ, ਅੰਦਰੂਨੀ ਦਸਤਾਵੇਜ਼ਾਂ ਅਤੇ ਕਾਰਜਕਾਰੀ ਡੇਟਾ ਵਿੱਚ ਪਹਿਲਾਂ ਤੋਂ ਮੌਜੂਦ ਪਾਬੰਦੀਆਂ ਤੇ ਉਦੇਸ਼ਾਂ ਦੇ ਨਾਲ ਵਰਤੋਂਕਾਰ ਦੀ ਬੇਨਤੀ ਤੋਂ ਜਾਣਕਾਰੀ ਲੈ ਕੇ ਗਤੀਸ਼ੀਲ ਤੌਰ ਉੱਤੇ ਜੋੜਨਾ ਪੈਂਦਾ ਹੈ.

ਇਸ ਸਥਿਤੀ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਤਕਨੀਕਾਂ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਸਮਝਣ ਲਈ ਅਸੀਂ ਤਿੰਨ ਪਹੁੰਚਾਂ ਲਾਗੂ ਕਰਕੇ ਉਨ੍ਹਾਂ ਦੀ ਤੁਲਨਾ ਕੀਤੀ.

1. ਸ਼ੁੱਧ LLM: ਸਭ ਤੋਂ ਸਰਲ ਪਹੁੰਚ ਸਾਰਾ ਸੰਬੰਧਿਤ ਡੇਟਾ ਅਤੇ ਵਰਤੋਂਕਾਰ ਦੀ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਵਾਲੀ ਬੇਨਤੀ ਇੱਕੋ LLM ਪ੍ਰੌਂਪਟ ਨੂੰ ਦਿੰਦੀ ਹੈ, ਜਿਸ ਨੂੰ ਸਰਵੋਤਮ ਯੋਜਨਾ ਜਾਂ ਵੰਡ ਤਿਆਰ ਕਰਨ ਲਈ ਕਿਹਾ ਜਾਂਦਾ ਹੈ. ਇਹ ਛੋਟੀਆਂ ਜਾਂ ਘੱਟ ਪਾਬੰਦੀਆਂ ਵਾਲੀਆਂ ਸਮੱਸਿਆਵਾਂ ਲਈ ਕੰਮ ਕਰ ਸਕਦੀ ਹੈ, ਪਰ ਜਟਿਲਤਾ ਵਧਣ ਨਾਲ ਅਸਫਲ ਹੋ ਜਾਂਦੀ ਹੈ. ਮਾਡਲ ਪਾਬੰਦੀਆਂ ਅਣਡਿੱਠੀਆਂ ਕਰ ਸਕਦਾ ਹੈ, ਗ਼ਲਤ ਉਦੇਸ਼ ਨੂੰ ਤਰਜੀਹ ਦੇ ਸਕਦਾ ਹੈ ਜਾਂ ਅਜਿਹੀਆਂ ਯੋਜਨਾਵਾਂ ਬਣਾ ਸਕਦਾ ਹੈ ਜੋ ਵਾਜਬ ਸੁਣਾਈ ਦਿੰਦੀਆਂ ਹਨ ਪਰ ਅਸੰਭਵ ਹੁੰਦੀਆਂ ਹਨ, ਅਤੇ ਨਾਕਾਮੀ ਪਛਾਣਨ ਜਾਂ ਰੋਕਣ ਦਾ ਕੋਈ ਭਰੋਸੇਯੋਗ ਢੰਗ ਨਹੀਂ ਹੁੰਦਾ.

2. LLM + ਕੋਡ ਇੰਟਰਪ੍ਰੀਟਰ: ਇਸ ਪਹੁੰਚ ਵਿੱਚ LLM ਬੇਨਤੀ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ ਅਤੇ ਡੇਟਾ ਸਰੋਤਾਂ ਤੱਕ ਪਹੁੰਚ ਤੇ ਚੱਲਣਯੋਗ ਸਰਵੋਤਮੀਕਰਨ ਕੋਡ ਬਣਾਉਣ ਲਈ ਸਾਧਨ ਵਰਤਦਾ ਹੈ. ਇਸ ਨਾਲ ਲਚਕਤਾ ਅਤੇ ਨਿਰੀਖਣਯੋਗਤਾ ਵਧਦੀ ਹੈ, ਪਰ ਭਰੋਸੇਯੋਗਤਾ ਹਾਲੇ ਵੀ ਇੱਕ ਸਮੱਸਿਆ ਹੈ. LLM ਨੂੰ ਫਿਰ ਵੀ ਪਾਬੰਦੀਆਂ ਦਾ ਸਹੀ ਕੋਡ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰਨਾ ਪੈਂਦਾ ਹੈ, ਅਤੇ ਰੀਜ਼ਨਿੰਗ ਜਾਂ ਕੋਡ ਦੀਆਂ ਛੋਟੀਆਂ ਗ਼ਲਤੀਆਂ ਵੀ ਅਵੈਧ ਜਾਂ ਘੱਟ-ਉਚਿਤ ਨਤੀਜੇ ਦੇ ਸਕਦੀਆਂ ਹਨ, ਖ਼ਾਸਕਰ ਪਾਬੰਦੀਆਂ ਵਧਣ ਉੱਤੇ.

3. ਹਾਈਬ੍ਰਿਡ: LLM → ਢਾਂਚਾਬੱਧ ਪਾਬੰਦੀਆਂ → ਨਿਰਧਾਰਤ ਹੱਲਕਾਰ: ਤੀਜੀ ਪਹੁੰਚ ਜ਼ਿੰਮੇਵਾਰੀਆਂ ਵੱਖ ਕਰਦੀ ਹੈ. LLM ਕਦੇ ਵੀ ਨਤੀਜੇ ਦਾ “ਫ਼ੈਸਲਾ” ਨਹੀਂ ਕਰਦਾ; ਇਹ ਚਲਾਂ, ਪਾਬੰਦੀਆਂ ਅਤੇ ਉਦੇਸ਼ਾਂ ਨੂੰ ਰਸਮੀ ਰੂਪ ਦੇਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ. ਪ੍ਰਮਾਣਿਤ ਸਰਵੋਤਮੀਕਰਨ ਹੱਲਕਾਰ ਪਾਬੰਦੀਆਂ ਲਾਗੂ ਕਰਦਾ ਹੈ, ਸੰਭਵਤਾ ਦੀ ਗਾਰੰਟੀ ਦਿੰਦਾ ਹੈ ਅਤੇ ਅਜਿਹੇ ਨਤੀਜੇ ਬਣਾਉਂਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਦੀ ਪੁਸ਼ਟੀ ਤੇ ਲੇਖਾ-ਜਾਂਚ ਹੋ ਸਕਦੀ ਹੈ. LLM ਦੀ ਭੂਮਿਕਾ ਪਹਿਲਾਂ ਤੋਂ ਪਰਿਭਾਸ਼ਿਤ ਸਕੀਮਾਂ ਰਾਹੀਂ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਦੀਆਂ ਬੇਨਤੀਆਂ ਨੂੰ ਸਪਸ਼ਟ, ਢਾਂਚਾਬੱਧ ਪਾਬੰਦੀਆਂ ਵਿੱਚ ਬਦਲਣ ਤੱਕ ਸੀਮਤ ਹੈ. ਉਹ ਪਾਬੰਦੀਆਂ ਆਪਣੇ ਆਪ OR-Tools ਵਰਗੇ ਹੱਲਕਾਰ ਕੋਡ ਵਿੱਚ ਸੰਕਲਿਤ ਹੁੰਦੀਆਂ ਹਨ, ਜੋ ਨਿਰਧਾਰਤ ਢੰਗ ਨਾਲ ਸੰਭਵ ਅਤੇ ਸਰਵੋਤਮ ਹੱਲ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ.

ਅਸੀਂ GPT-5, GPT-5.1 ਅਤੇ GPT-5.2 ਸਮੇਤ ਕਈ LLM ਵਰਤ ਕੇ ਇਨ੍ਹਾਂ ਢੰਗਾਂ ਦੀ ਜਾਂਚ ਕੀਤੀ. ਉਮੀਦ ਮੁਤਾਬਕ, ਹਾਈਬ੍ਰਿਡ ਪਹੁੰਚ ਨੇ ਵਿਕਲਪਾਂ ਨਾਲੋਂ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ:

ਸਾਡਾ ਹਾਈਬ੍ਰਿਡ ਢੰਗ ਸ਼ੁੱਧਤਾ ਵਿੱਚ ਵੱਡਾ ਵਾਧਾ, ਟੋਕਨ ਕੁਸ਼ਲਤਾ ਵਿੱਚ 4 ਗੁਣਾ ਤੋਂ ਵੱਧ ਸੁਧਾਰ ਅਤੇ ਦੇਰੀ ਵਿੱਚ ਲਗਭਗ ਦਸ ਗੁਣਾ ਕਮੀ ਦਰਸਾਉਂਦਾ ਹੈ.

ਸਾਡਾ ਅਗਲਾ ਕਦਮ ਅਜਿਹਾ ਆਮ ਅਤੇ ਮੁੜ ਵਰਤੋਂਯੋਗ ਅੰਤਰਮੁਖ ਬਣਾਉਣਾ ਹੈ ਜੋ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਨੂੰ ਢਾਂਚਾਬੱਧ ਅਰਥਕ ਪੇਸ਼ਕਾਰੀਆਂ ਵਿੱਚ ਬਦਲੇ, ਜਿਨ੍ਹਾਂ ਦਾ ਸਾਡਾ ਪਿਛਲਾ ਸਿਸਟਮ ਹੱਲਕਾਰ ਲਈ ਤਿਆਰ ਕੋਡ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰ ਸਕੇ. ਇਸ ਪ੍ਰਯੋਗ ਲਈ ਅਸੀਂ ਰੇਖਿਕ ਸਰਵੋਤਮੀਕਰਨ ਸਮੱਸਿਆਵਾਂ ਉੱਤੇ ਧਿਆਨ ਦਿੱਤਾ ਅਤੇ ਤਿੰਨ ਜਨਤਕ ਡੇਟਾਸੈੱਟਾਂ (NLP4LP, NL4OPT ਅਤੇ IndustryOR) ਉੱਤੇ ਪਹੁੰਚ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ.

1. ਇਕੱਲਾ LLM

2. ਹਾਈਬ੍ਰਿਡ ਢੰਗ (LLM → ਢਾਂਚਾਬੱਧ ਨਿਯਮ → ਹੱਲਕਾਰ → ਪੁਸ਼ਟੀ ਕੀਤਾ ਨਤੀਜਾ)

• ਇਨਪੁੱਟ ਤੋਂ ਚਲ, ਪਾਬੰਦੀਆਂ ਅਤੇ ਉਦੇਸ਼ ਕੱਢਣ ਅਤੇ ਢਾਂਚਾਬੱਧ ਸਰਵੋਤਮੀਕਰਨ ਸਮੱਸਿਆ ਬਣਾਉਣ ਲਈ LLM ਵਰਤੋ.

• ਸਵੈ-ਪੁਸ਼ਟੀ ਲਈ ਢਾਂਚਾਬੱਧ ਸਮੱਸਿਆ ਅਤੇ ਮੂਲ ਬੇਨਤੀ LLM ਨੂੰ ਦਿਓ.

• ਸਰਵੋਤਮ ਵੰਡ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ ਢਾਂਚਾਬੱਧ ਸਮੱਸਿਆ ਦਾ OR-Tools ਕੋਡ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰੋ.

ਅਸੀਂ GPT-5.1, GPT-5 mini, GPT-5.1-Codex-Max ਅਤੇ GPT-5.2 ਸਮੇਤ ਮਲਕੀਅਤ ਵਾਲੇ ਅਤਿ-ਆਧੁਨਿਕ ਮਾਡਲਾਂ ਅਤੇ Kimi K2, GPT-OSS ਮਾਡਲਾਂ ਤੇ MiniMax M2 ਵਰਗੇ ਖੁੱਲ੍ਹੇ-ਸਰੋਤ ਮਾਡਲਾਂ ਨਾਲ ਇਸ ਪਹੁੰਚ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ. ਡੱਬਾ-ਰੇਖਾ ਚਿੱਤਰ ਹਰ ਢੰਗ ਦੇ ਨਤੀਜਿਆਂ ਦਾ ਸਾਰ ਦਿੰਦੇ ਹਨ.

ਮੁਲਾਂਕਿਤ ਕੀਤੇ ਲਗਭਗ ਸਾਰੇ ਅਧਾਰਭੂਤ ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਵਿੱਚ ਹਾਈਬ੍ਰਿਡ ਪਹੁੰਚ ਇਕੱਲੇ LLM ਦੇ ਆਧਾਰ-ਮਾਪ ਨਾਲੋਂ ਲਗਾਤਾਰ ਵੱਧ ਸਹੀ, ਸਥਿਰ ਅਤੇ ਪੁਸ਼ਟੀਯੋਗ ਨਤੀਜੇ ਦਿੰਦੀ ਹੈ. ਭਾਵੇਂ ਵੱਖ-ਵੱਖ ਮਾਡਲਾਂ ਦੀ ਸਮੁੱਚੀ ਕਾਰਗੁਜ਼ਾਰੀ ਵੱਖਰੀ ਹੈ, ਪਰ ਹਾਈਬ੍ਰਿਡ ਪਹੁੰਚ ਤੋਂ ਮਿਲਣ ਵਾਲਾ ਤੁਲਨਾਤਮਕ ਲਾਭ ਇਕਸਾਰ ਰਹਿੰਦਾ ਹੈ. ਇਸ ਤੋਂ ਪਤਾ ਲੱਗਦਾ ਹੈ ਕਿ ਸੁਧਾਰ ਕਿਸੇ ਇੱਕ ਮਾਡਲ ਦੀ ਰੀਜ਼ਨਿੰਗ ਸਮਰੱਥਾ ਉੱਤੇ ਨਿਰਭਰ ਹੋਣ ਦੀ ਬਜਾਏ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਦੀ ਸਮਝ ਨੂੰ ਰਸਮੀ ਸਰਵੋਤਮੀਕਰਨ ਤੋਂ ਵੱਖ ਕਰਨ ਨਾਲ ਮਿਲਦੇ ਹਨ.

ਸ਼ੁੱਧਤਾ

ਮੁੱਖ ਤੌਰ ਉੱਤੇ ਰੇਖਿਕ ਪ੍ਰੋਗਰਾਮਿੰਗ ਸਮੱਸਿਆਵਾਂ ਵਾਲੇ NLP4LP ਅਤੇ NL4OPT ਉੱਤੇ ਹਾਈਬ੍ਰਿਡ ਢੰਗ ਲਗਭਗ ਸਭ ਤੋਂ ਵੱਧ ਸੰਭਵ ਸ਼ੁੱਧਤਾ ਹਾਸਲ ਕਰਦਾ ਹੈ ਅਤੇ ਇਕੱਲੇ LLM ਪ੍ਰੌਂਪਟ ਨਾਲੋਂ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ. “ਲਗਭਗ ਸਹੀ” ਰੀਜ਼ਨਿੰਗ ਦੇਣ ਦੀ ਬਜਾਏ ਹਾਈਬ੍ਰਿਡ ਸਿਸਟਮ ਵੱਧ ਇਕਸਾਰਤਾ ਨਾਲ ਵੈਧ ਅਤੇ ਸੁਚੱਜੇ ਗਣਿਤਕ ਨਿਰੂਪਣ ਬਣਾਉਂਦਾ ਹੈ. ਵੱਧ ਚੁਣੌਤੀਪੂਰਨ IndustryOR ਡੇਟਾਸੈੱਟ ਉੱਤੇ ਦੋਵਾਂ ਢੰਗਾਂ ਦੀ ਸ਼ੁੱਧਤਾ ਘਟਦੀ ਹੈ, ਪਰ ਵੱਖ-ਵੱਖ ਕਾਰਨਾਂ ਕਰਕੇ. IndustryOR ਦੀਆਂ ਕਈ ਸਮੱਸਿਆਵਾਂ ਵਿੱਚ ਵਾਹਨ ਮਾਰਗ-ਨਿਰਧਾਰਨ, ਕਾਰਜ ਕ੍ਰਮ ਅਤੇ ਕਰਮਚਾਰੀ ਨਿਯੁਕਤੀ ਵਰਗੀਆਂ ਸੰਯੋਜਕੀ ਬਣਤਰਾਂ ਹੁੰਦੀਆਂ ਹਨ, ਜੋ ਸਾਡੇ ਹੱਲਕਾਰ ਦੇ ਪਿਛਲੇ ਸਿਸਟਮ ਦੀਆਂ ਮੌਜੂਦਾ ਰੇਖਿਕ ਸਰਵੋਤਮੀਕਰਨ ਸਮਰੱਥਾਵਾਂ ਤੋਂ ਪਰੇ ਹਨ.

ਨਾਕਾਮੀ ਦੀਆਂ ਕਿਸਮਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਇਕੱਲੇ LLM ਅਕਸਰ ਲਾਜ਼ਮੀ ਪਾਬੰਦੀਆਂ ਦੀ ਉਲੰਘਣਾ ਕਰਦੇ ਹਨ, ਜਿਵੇਂ ਹੇਠਾਂ ਦਿਖਾਇਆ ਗਿਆ ਹੈ:

ਉਦਾਹਰਨ 1:

1"A bodybuilder buys prepared meals: a turkey dinner and a tuna salad sandwich. The turkey dinner contains 20 grams of protein, 30 grams of carbohydrates, and 12 grams of fat. The tuna salad sandwich contains 18 grams of protein, 25 grams of carbohydrates, and 8 grams of fat. The bodybuilder needs at least 150 grams of protein and 200 grams of carbohydrates. Because turkey dinners are expensive, no more than 40% of the meals should be turkey dinners. How many of each meal should the bodybuilder eat to minimize total fat intake?"

ਇਕੱਲਾ LLM ਕੁੱਲ ਚਰਬੀ ਘੱਟ ਵਾਲਾ ਹੱਲ ਦਿੰਦਾ ਹੈ, ਪਰ ਇਸ ਲੋੜ ਦੀ ਉਲੰਘਣਾ ਕਰਦਾ ਹੈ ਕਿ ਟਰਕੀ ਵਾਲੇ ਭੋਜਨ ਕੁੱਲ ਭੋਜਨਾਂ ਦੇ 40% ਤੋਂ ਵੱਧ ਨਾ ਹੋਣ. ਹਾਈਬ੍ਰਿਡ ਪਹੁੰਚ ਇਸ ਸਖ਼ਤ ਪਾਬੰਦੀ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਲਾਗੂ ਕਰਦੀ ਹੈ ਅਤੇ ਵੈਧ ਜਵਾਬ ਦਿੰਦੀ ਹੈ.

ਉਦਾਹਰਨ 2:

1"A hospitalized patient can take two pills: Pill 1 and Pill 2. Each Pill 1 provides 0.2 units of pain medication and 0.3 units of anxiety medication. Each Pill 2 provides 0.6 units of pain medication and 0.2 units of anxiety medication. Pill 1 causes 0.3 units of discharge, while Pill 2 causes 0.1 units. At most 6 units of pain medication may be provided, and at least 3 units of anxiety medication must be provided. How many of each pill should the patient receive to minimize total discharge?"

ਇਕੱਲਾ LLM ਫਿਰ ਘੱਟ ਨਿਕਾਸ ਵਾਲਾ ਹੱਲ ਦਿੰਦਾ ਹੈ, ਪਰ ਦਰਦ-ਨਿਵਾਰਕ ਦਵਾਈ ਦੀ ਵੱਧ ਤੋਂ ਵੱਧ ਮਨਜ਼ੂਰ ਹੱਦ ਪਾਰ ਕਰ ਜਾਂਦਾ ਹੈ. ਹਾਈਬ੍ਰਿਡ ਪਹੁੰਚ ਉਸ ਸਖ਼ਤ ਪਾਬੰਦੀ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਲਾਗੂ ਕਰਦੀ ਹੈ ਅਤੇ ਵੈਧ ਜਵਾਬ ਦਿੰਦੀ ਹੈ.

ਦੇਰੀ ਅਤੇ ਟੋਕਨ ਵਰਤੋਂ

ਦੇਰੀ ਅਤੇ ਟੋਕਨ ਦੀ ਵਰਤੋਂ ਦੇ ਅੰਕੜੇ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਅੰਤਰ ਦਿਖਾਉਂਦੇ ਹਨ. ਹਾਈਬ੍ਰਿਡ ਪਹੁੰਚ ਵਿੱਚ ਇੱਕੋ ਵਾਰ ਦੇ LLM ਪ੍ਰੌਂਪਟ ਨਾਲੋਂ ਔਸਤ ਦੇਰੀ ਅਤੇ ਟੋਕਨ ਵਰਤੋਂ ਵੱਧ ਹੈ, ਪਰ ਇਹ ਅਕੁਸ਼ਲਤਾ ਦੀ ਬਜਾਏ ਢਾਂਚਾਗਤ ਚੋਣਾਂ ਦਾ ਨਤੀਜਾ ਹੈ.

ਹਾਈਬ੍ਰਿਡ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ:

1. ਢਾਂਚਾਬੱਧ ਚਲਾਂ, ਪਾਬੰਦੀਆਂ ਅਤੇ ਉਦੇਸ਼ ਕੱਢਣ ਲਈ ਇੱਕ ਜਾਂ ਵੱਧ LLM ਕਾਲਾਂ.

2. ਅੰਦਰੂਨੀ ਅਸੰਗਤੀਆਂ ਫੜਨ ਲਈ ਸਵੈ-ਪੁਸ਼ਟੀ ਦਾ ਪੜਾਅ.

ਭਾਵੇਂ ਇੱਕ ਪ੍ਰੌਂਪਟ ਦੇ ਮੁਕਾਬਲੇ ਇਹ ਪੜਾਅ ਵਾਧੂ ਖ਼ਰਚ ਜੋੜਦੇ ਹਨ, ਪਰ ਦੇਰੀ ਸੀਮਤ ਅਤੇ ਅਨੁਮਾਨਯੋਗ ਰਹਿੰਦੀ ਹੈ ਅਤੇ ਸਮੱਸਿਆ ਠੀਕ ਤਰ੍ਹਾਂ ਬਣ ਜਾਣ ਮਗਰੋਂ ਹੱਲਕਾਰ ਆਮ ਤੌਰ ਉੱਤੇ ਤੇਜ਼ੀ ਨਾਲ ਚੱਲਦਾ ਹੈ. ਇਹ ਵਾਧੂ ਕੰਮ ਸਪਸ਼ਟ, ਮੁੜ ਵਰਤੋਂਯੋਗ ਅਤੇ ਲੇਖਾ-ਜਾਂਚਯੋਗ ਵਿਚਕਾਰਲੀਆਂ ਪੇਸ਼ਕਾਰੀਆਂ ਬਣਾਉਂਦਾ ਹੈ. ਇਸ ਦੇ ਉਲਟ, ਇਕੱਲੇ LLM ਵਾਲੀਆਂ ਪਹੁੰਚਾਂ ਰੀਜ਼ਨਿੰਗ ਨੂੰ ਇੱਕ ਅਪਾਰਦਰਸ਼ੀ ਉਤਪਾਦਨ ਵਿੱਚ ਸਮੇਟ ਦਿੰਦੀਆਂ ਹਨ ਅਤੇ ਲਾਗਤ ਨੂੰ ਮੁੜ ਕੋਸ਼ਿਸ਼ਾਂ, ਹੱਥੀਂ ਜਾਂਚਾਂ ਅਤੇ ਅਗਲੇ ਪੜਾਅ ਦੀਆਂ ਨਾਕਾਮੀਆਂ ਵੱਲ ਧੱਕਦੀਆਂ ਹਨ. ਭਵਿੱਖੀ ਰੂਪਾਂ ਵਿੱਚ ਇਹ ਵਾਧੂ ਖ਼ਰਚ ਇਨ੍ਹਾਂ ਰਾਹੀਂ ਘਟਾਇਆ ਜਾ ਸਕਦਾ ਹੈ:

• ਕੱਢੀਆਂ ਸਕੀਮਾਂ ਨੂੰ ਕੈਸ਼ ਕਰਨਾ.

• ਪਾਬੰਦੀਆਂ ਨੂੰ ਪੜਾਅਵਾਰ ਅੱਪਡੇਟ ਕਰਨਾ.

• ਪ੍ਰੌਂਪਟ ਅਤੇ ਕਾਲਾਂ ਦੇ ਤਾਲਮੇਲ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣਾ.

ਪਾਰਦਰਸ਼ਤਾ ਅਤੇ ਲੇਖਾ-ਜਾਂਚਯੋਗਤਾ

ਅੰਤ ਵਿੱਚ, ਜਿੱਥੇ ਦੋਵੇਂ ਢੰਗ ਅਸਫਲ ਹੁੰਦੇ ਹਨ, ਉੱਥੇ ਵੀ ਅਸਫਲਤਾ ਦੀ ਕਿਸਮ ਬੁਨਿਆਦੀ ਤੌਰ ਉੱਤੇ ਵੱਖਰੀ ਹੁੰਦੀ ਹੈ.

• ਇਕੱਲੇ LLM ਨਾਲ ਨਾਕਾਮੀਆਂ ਅਕਸਰ ਪਤਾ ਨਹੀਂ ਲੱਗਣ ਦਿੰਦੀਆਂ: ਮਾਡਲ ਅਜਿਹਾ ਨਤੀਜਾ ਦੇ ਸਕਦਾ ਹੈ ਜੋ ਬਰੀਕੀ ਨਾਲ ਗ਼ਲਤ ਹੋਵੇ.

• ਹਾਈਬ੍ਰਿਡ ਪਹੁੰਚ ਵਿੱਚ ਸਮੱਸਿਆ ਦਾ ਸਪਸ਼ਟ ਨਿਰੂਪਣ ਨਾਕਾਮੀਆਂ ਨੂੰ ਪਾਰਦਰਸ਼ੀ ਬਣਾਉਂਦਾ ਹੈ ਅਤੇ ਟੀਮਾਂ ਨੂੰ ਇਹ ਪਛਾਣਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ ਕਿ ਗ਼ਲਤੀ ਕਿਸ ਹਿੱਸੇ ਕਾਰਨ ਹੋਈ.

ਭਵਿੱਖੀ ਸੰਸਕਰਣ ਇਹ ਨਿਰੂਪਣ ਕਿਸੇ ਅੰਤਰਮੁਖ ਵਿੱਚ ਦਿਖਾ ਸਕਦੇ ਹਨ, ਤਾਂ ਜੋ ਵਰਤੋਂਕਾਰ ਹੱਲਕਾਰ ਚੱਲਣ ਤੋਂ ਪਹਿਲਾਂ ਇਨ੍ਹਾਂ ਦੀ ਲੇਖਾ-ਜਾਂਚ ਜਾਂ ਪੁਸ਼ਟੀ ਕਰ ਸਕਣ. ਇਹ ਪਾਰਦਰਸ਼ਤਾ ਮਾਪੀ ਗਈ ਸ਼ੁੱਧਤਾ ਵਧਾਉਂਦੀ ਹੈ ਅਤੇ ਸਿਸਟਮ ਦੀਆਂ ਗ਼ਲਤੀਆਂ ਲੱਭਣਾ ਤੇ ਇਸ ਨੂੰ ਸੁਧਾਰਨਾ ਸੌਖਾ ਬਣਾਉਂਦੀ ਹੈ, ਜੋ ਅਸਲ ਵਰਤੋਂ ਵਿੱਚ ਤਾਇਨਾਤੀ ਲਈ ਲਾਜ਼ਮੀ ਹੈ.

ਮੁੱਖ ਸਿੱਟਾ

ਸਾਰੇ ਮਾਪਦੰਡਾਂ ਅਤੇ ਜਾਂਚੇ ਗਏ ਜ਼ਿਆਦਾਤਰ ਅਧਾਰਭੂਤ ਮਾਡਲਾਂ ਦੇ ਨਤੀਜੇ ਸਾਡੇ ਕੰਮ ਦੇ ਇੱਕ ਮੁੱਖ ਸਿੱਟੇ ਨੂੰ ਮਜ਼ਬੂਤ ਕਰਦੇ ਹਨ:

LLM ਇਰਾਦਾ ਸਮਝਣ ਅਤੇ ਉਸ ਦਾ ਰੂਪਾਂਤਰਨ ਕਰਨ ਵਿੱਚ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹਨ, ਪਰ ਸਹੀਪਣ ਲਾਗੂ ਕਰਨ ਲਈ ਨਿਰਧਾਰਤ ਹੱਲਕਾਰ ਲਾਜ਼ਮੀ ਹਨ.

ਹਾਈਬ੍ਰਿਡ ਪਹੁੰਚ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਨੂੰ ਅਸਪਸ਼ਟਤਾ ਦੇ ਸਰੋਤ ਤੋਂ ਗਣਿਤਕ ਤੌਰ ਉੱਤੇ ਮਜ਼ਬੂਤ ਫ਼ੈਸਲਿਆਂ ਲਈ ਭਰੋਸੇਯੋਗ ਅੰਤਰਮੁਖ ਵਿੱਚ ਬਦਲਦੀ ਹੈ ਅਤੇ ਉੱਦਮੀ ਏਆਈ ਨੂੰ ਅਜਿਹੇ ਸਿਸਟਮਾਂ ਦੇ ਇੱਕ ਕਦਮ ਨੇੜੇ ਲਿਆਉਂਦੀ ਹੈ ਜੋ ਸਿਰਫ਼ ਬੁੱਧੀਮਾਨ ਹੀ ਨਹੀਂ, ਭਰੋਸੇਯੋਗ ਵੀ ਹਨ.

ਉੱਦਮੀ ਪਾਬੰਦੀਆਂ ਕਦੇ-ਕਦਾਈਂ ਹੀ ਸੁਚੱਜੀਆਂ ਸਕੀਮਾਂ ਜਾਂ ਪੂਰੀ ਤਰ੍ਹਾਂ ਲਿਖੇ ਪ੍ਰੌਂਪਟਾਂ ਵਿੱਚ ਮਿਲਦੀਆਂ ਹਨ. ਉਹ ਡੇਟਾਬੇਸਾਂ, ਸਪ੍ਰੈੱਡਸ਼ੀਟਾਂ, ਅੰਦਰੂਨੀ ਨੀਤੀਆਂ ਅਤੇ ਇਕਰਾਰਨਾਮਿਆਂ ਵਿੱਚ ਖਿੰਡੀਆਂ ਹੁੰਦੀਆਂ ਹਨ. ਵਰਤੋਂਕਾਰ ਦੀਆਂ ਬੇਨਤੀਆਂ ਅਧੂਰੀਆਂ, ਅਸਪਸ਼ਟ ਜਾਂ ਕਾਰੋਬਾਰੀ ਨਿਯਮਾਂ ਨਾਲ ਅਸੰਗਤ ਹੋ ਸਕਦੀਆਂ ਹਨ. ਇਸ ਪਹੁੰਚ ਨੂੰ ਵੱਡੇ ਪੱਧਰ ਉੱਤੇ ਕਾਰਗਰ ਬਣਾਉਣ ਲਈ ਅਸੀਂ ਮੁੜ ਵਰਤੋਂਯੋਗ ਪਿਛਲਾ ਇੰਜਣ ਬਣਾ ਰਹੇ ਹਾਂ, ਜੋ ਇਸ ਜਟਿਲਤਾ ਨੂੰ ਭਰੋਸੇਯੋਗ ਉੱਦਮੀ ਸਮਰੱਥਾ ਵਿੱਚ ਬਦਲਦਾ ਹੈ.

ਇਸ ਦੇ ਕੇਂਦਰ ਵਿੱਚ ਇਹ ਇੰਜਣ ਏਆਈ-ਅਧਾਰਿਤ ਫ਼ੈਸਲਾ ਸਿਸਟਮਾਂ ਦੀ ਰਸਮੀ ਰੀੜ੍ਹ ਵਜੋਂ ਕੰਮ ਕਰਦਾ ਹੈ ਅਤੇ ਇਹ ਮੁਹੱਈਆ ਕਰਦਾ ਹੈ:

• ਅਡੈਪਟਰਾਂ ਵਾਲਾ ਸੰਕੇਤਕ ਗਿਆਨ-ਅਧਾਰ, ਜੋ ਕਾਰੋਬਾਰੀ ਨਿਯਮ, ਪਾਬੰਦੀਆਂ, ਚਲ ਅਤੇ ਉਦੇਸ਼ ਗ੍ਰਹਿਣ ਕਰਦਾ ਹੈ.

• ਇੱਕ ਅਨੁਵਾਦ ਪਰਤ, ਜੋ ਸਕੀਮਾਂ ਨੂੰ ਹੱਲਕਾਰ ਕੋਡ ਵਿੱਚ ਸੰਕਲਿਤ ਕਰਦੀ ਹੈ.

• ਅਜਿਹੇ ਅੰਤਰਮੁਖ, ਜੋ ਟੀਮਾਂ ਨੂੰ ਪਾਬੰਦੀਆਂ ਦੀ ਜਾਂਚ, ਲੇਖਾ-ਜਾਂਚ ਅਤੇ ਸੋਧ ਕਰਨ ਦਿੰਦੇ ਹਨ.

ਭਾਵੇਂ ਮੌਜੂਦਾ ਪ੍ਰਯੋਗ ਸਰਵੋਤਮੀਕਰਨ ਉੱਤੇ ਕੇਂਦਰਿਤ ਹਨ, ਪਰ ਇਹੀ ਢੰਗ ਤਾਰਕਿਕ ਪੁਸ਼ਟੀ ਤੱਕ ਵਧਾਇਆ ਜਾ ਸਕਦਾ ਹੈ. ਸੰਭਾਵੀ ਕਾਰੋਬਾਰੀ ਵਰਤੋਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ:

• ਹਰ ਕਾਰਜਕਾਰੀ ਪਾਬੰਦੀ ਲਾਗੂ ਕਰਦਿਆਂ ਲੋੜ ਮੁਤਾਬਕ ਗਤੀਸ਼ੀਲ ਸਮਾਂ-ਸਾਰਣੀ, ਮਾਰਗ-ਨਿਰਧਾਰਨ ਅਤੇ ਸਰੋਤ ਵੰਡ ਕਰਨਾ.

• ਅਜਿਹੇ ਜਵਾਬ ਅਤੇ ਸਿਫ਼ਾਰਸ਼ਾਂ ਤਿਆਰ ਕਰਨਾ ਜੋ ਲਗਾਤਾਰ ਕਾਰੋਬਾਰੀ ਨਿਯਮਾਂ ਦੀ ਪਾਲਣਾ ਕਰਨ.

• ਜਟਿਲ 3ਡੀ ਵਸਤਾਂ, ਵੀਡੀਓ ਅਤੇ ਢਾਂਚਿਆਂ ਨੂੰ ਡਿਜ਼ਾਈਨ ਤੇ ਪ੍ਰਮਾਣਿਤ ਕਰਨਾ ਅਤੇ ਉਤਪਾਦਨ ਤੋਂ ਪਹਿਲਾਂ ਅਸੰਭਵ ਡਿਜ਼ਾਈਨ ਫੜਨਾ.

ਅੱਜ ਏਆਈ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ, ਪਰ ਉੱਦਮਾਂ ਨੂੰ ਸਿਰਫ਼ ਸ਼ਕਤੀ ਨਹੀਂ, ਸਹੀਪਣ, ਇਕਸਾਰਤਾ ਅਤੇ ਨਿਯੰਤਰਣ ਵੀ ਚਾਹੀਦੇ ਹਨ. ਸਾਡਾ ਹਾਈਬ੍ਰਿਡ LLM ਅਤੇ ਹੱਲਕਾਰ ਸਿਸਟਮ ਅਜਿਹੇ ਸੰਸਾਰ ਵੱਲ ਇੱਕ ਕਦਮ ਹੈ, ਜਿੱਥੇ:

• ਏਜੰਟ ਨਿਯਮਾਂ ਜਾਂ ਪਾਬੰਦੀਆਂ ਬਾਰੇ ਮਨਘੜਤ ਗੱਲਾਂ ਨਹੀਂ ਕਰਦੇ.

• ਤਾਰਕਿਕ ਨਤੀਜਾ-ਕੱਢਣ ਅਤੇ ਸਰਵੋਤਮੀਕਰਨ ਗਣਿਤਕ ਤੌਰ ਉੱਤੇ ਮਜ਼ਬੂਤ ਹੁੰਦੇ ਹਨ.

• ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਨਿਰਧਾਰਤ ਸਿਸਟਮਾਂ ਲਈ ਸਰਬਵਿਆਪੀ ਅੰਤਰਮੁਖ ਵਜੋਂ ਕੰਮ ਕਰਦੀ ਹੈ.