ஒரு குறிப்பிட்ட ப்ராம்ப்ட் நன்றாகச் செயல்பட்டு, திடீரெனச் செயல்படாமல் போனதை நீங்கள் கவனித்திருக்கிறீர்களா?
முடிவுகளை மேம்படுத்துவதற்காக உங்கள் சிஸ்டம் ப்ராம்ப்டைத் தொடர்ந்து திருத்தியும் எதுவும் பலனளிக்காத சுழற்சியில் சிக்கியிருக்கிறீர்களா?
சிஸ்டம் ப்ராம்ப்ட் கற்றல்தான் உங்களுக்குத் தேவையானதாக இருக்கலாம்.
சிஸ்டம் ப்ராம்ப்ட் கற்றல் (SPL) என்பது செயற்கை நுண்ணறிவுச் சமூகத்தில் வளர்ந்துவரும் ஆர்வத் துறையாகும். மே மாதத்தில் X தளத்தில் ஆண்ட்ரே கார்பதி இதைப் பரவலாகப் பிரபலப்படுத்தினார்.
நிலையான சிஸ்டம் ப்ராம்ப்ட்கள் அல்லது சிக்கலான நுண்ணியச் சீரமைப்பு அமைப்புகளைச் சார்ந்திருக்கும், எளிதில் மாற்ற முடியாத நிலையற்ற செயற்கை நுண்ணறிவு அமைப்புகளின் வரம்புகளைச் சிஸ்டம் ப்ராம்ப்ட் கற்றல் தீர்க்கிறது. செயற்கை நுண்ணறிவு அமைப்புகளில் தொடர்ச்சியான கற்றலை ஆதரிக்க இது மற்றொரு வழியை வழங்குகிறது.
விரிவாகப் பார்ப்பதற்கு முன், ப்ராம்ப்ட் உருவாக்கத்தின் சில அடிப்படைகளைச் சுருக்கமாக மீள்பார்ப்போம்.
ஓர் ஏஜென்ட் அல்லது தனிப்பயன் மாடலை உருவாக்கும்போது, முதலில் இரண்டு முக்கியக் கூறுகளை வடிவமைக்க வேண்டும்:
ஒரு சிஸ்டம் ப்ராம்ப்ட்
ஒரு பயனர் ப்ராம்ப்ட்
ஒரு மாடல் எவ்வாறு நடந்துகொள்ள வேண்டும் என்பதற்கான அடிப்படை விதிகளைச் சிஸ்டம் ப்ராம்ப்ட்கள் நிறுவுகின்றன. தனிப்பயன் செயற்கை நுண்ணறிவுத் தீர்வுகளுக்காக எழுதப்படும்போது, அவை பெரும்பாலும் இதுபோன்று தொடங்கும்:
“நீங்கள் ஓர் அறிவார்ந்த உதவியாளர். <பணியை இங்கே உள்ளிடவும்> என்பதைச் செய்வதே உங்கள் பங்கு.
நீங்கள் (A), (B) அல்லது (C) ஆகியவற்றைச் செய்யக் கூடாது.”
மாறாக, பயனர் ப்ராம்ப்ட்களில் பொதுவாகப் பயனரின் கேள்வியும், அவருடைய நேர மண்டலம் மற்றும் விருப்பங்கள் போன்ற தொடர்புடைய பிற தகவல்களும் இருக்கும். ஒரு பயனர் ப்ராம்ப்ட் இவ்வாறு இருக்கலாம்:
நான் போர்ச்சுகலின் தலைநகரில் இருக்கிறேன். இன்று இரவு நான் செய்யக்கூடிய சில செயல்பாடுகளைப் பரிந்துரைக்க முடியுமா?
பெரிய செயற்கை நுண்ணறிவு ஆய்வகங்கள் புதிய மாடல்களை வெளியிட்ட பிறகு, சாட்பாட்களின் அடிப்படை வழிமுறைகளை வெளிப்படுத்தப் பயனர்கள் அவற்றை ஜெயில்பிரேக் செய்வதால் சிஸ்டம் ப்ராம்ப்ட் கசிவுகள் பொதுவாகிவிட்டன. இத்தகைய பல சிஸ்டம் ப்ராம்ப்ட்களை ஒரு பிரபலமான GitHub ரிபாசிட்டரி இப்போது ஒரே இடத்தில் தொகுக்கிறது. பொருத்தமான மாடல் நடத்தையை ஊக்குவிக்கச் செயற்கை நுண்ணறிவு ஆய்வகங்கள் காலப்போக்கில் உருவாக்கிய “ரகசிய உத்தியை” அவை வெளிப்படுத்துகின்றன. எடுத்துக்காட்டாக, சமீபத்தில் கசிந்த GPT-5 சிஸ்டம் ப்ராம்ப்டில் (ChatGPT-க்குள் வெளிப்படுத்தப்பட்டது) ஏறத்தாழ 6,000 சொற்கள் உள்ளன. அமைப்பின் நடத்தையை வடிவமைக்க எவ்வளவு அறிவும் வழிகாட்டுதலும் குறியாக்கப்பட வேண்டும் என்பதை இது காட்டுகிறது.
இந்த விரிவான சிஸ்டம் ப்ராம்ப்ட்கள் பொதுவாகப் பின்வரும் பல முக்கியப் பகுதிகளை உள்ளடக்குகின்றன:
தேடல் வழிமுறைகள்
கருவி வரையறைகள்
பயனர் விருப்பங்கள்
மேற்கோள் வழிமுறைகள்
அறியப்பட்ட சிக்கல்களுக்கான விரைவுத் திருத்தங்கள்
நடைமுறையில், தனிப்பயன் செயற்கை நுண்ணறிவு அமைப்புகளின் உருவாக்குநர்கள் தங்கள் பயன்பாடுகளைச் சோதித்துச் செம்மைப்படுத்தும்போது சிஸ்டம் ப்ராம்ப்ட்களை மீண்டும் மீண்டும் கைமுறையாகத் திருத்துகின்றனர். இந்த மேம்பாட்டுச் செயல்முறையை வழிநடத்த முதன்மையாக மதிப்பீடுகளைப் பயன்படுத்துகின்றனர்.
ஒரு மாடலின் நடத்தையை வழிநடத்துவதற்கான பிற வழிகள்:
மாடலுக்கு வழங்கப்படும் உள்ளடக்கத்தைக் கட்டுப்படுத்தும் மீட்டெடுப்பு-செறிவூட்டப்பட்ட உருவாக்கம் (RAG) உள்ளிட்ட ப்ராம்ப்ட் இன்ஜினியரிங்
நுண்ணியச் சீரமைப்பு (மாடலின் அடிப்படை எடைகளை நேரடியாக மாற்றுதல்)
மாடலின் நடத்தையில் தாக்கத்தை ஏற்படுத்த வேறொரு வழி இருந்தால் எப்படி இருக்கும்? முன்பு உருவாக்கப்பட்ட சிந்தனைகள், திட்டங்கள் மற்றும் உத்திகளைப் பயன்படுத்தித் தனது சிஸ்டம் ப்ராம்ப்டைத் தானாகவே சூழ்நிலைக்கேற்பக் கற்றுச் செம்மைப்படுத்தும் ஓர் அமைப்பைக் கற்பனை செய்யுங்கள். தனது வெளியீடுகளை மதிப்பிட, பயனர் கருத்துகளையும் நடுவராகச் செயல்படும் LLM மதிப்பீடுகளையும் அது பயன்படுத்தலாம்.
ஏஜென்ட்களைப் பயன்படுத்தும் ஓர் அமைப்பின் மூலம் தானியக்கமாக்க விரும்பும் தொடர்ச்சியான வணிகச் சவால் ஒன்றைக் கருத்தில் கொள்ளுங்கள். பயனுள்ள தீர்வுகளுக்கு அடிப்படைப் பணிப்பாய்வுத் தானியக்கத்தைத் தாண்டிய ரீஸனிங் திறன்கள் தேவை. இத்தகைய சூழல்களில், திட்டத்தை உருவாக்கும் கூறை உங்கள் செயற்கை நுண்ணறிவு அமைப்பில் இணைப்பது அவசியமாகிறது. பணியைப் பொறுத்து, பல ஏஜென்ட்களுடன் வெவ்வேறு வழிகளில் அமைப்பு செயல்பட இது உதவுகிறது. துணைப் பணிகளை முடிக்க மற்ற ஏஜென்ட்களை அணுகுவதற்கான அல்லது கருவிகளைப் பயன்படுத்துவதற்கான வழிமுறைகள் தனிப்பட்ட படிகளில் இருக்கலாம்.
குறிப்பு: ஓர் ஏஜென்டின் கருவி என்பது, உரையைத் தாண்டி உண்மையான செயல்களை மேற்கொள்ளச் செயற்கை நுண்ணறிவு ஏஜென்ட் அழைக்கக்கூடிய வெளிப்புறச் செயல்பாடு, API அல்லது ஆதாரம் ஆகும்.
மனிதர் மேற்கொள்ளும் தர்க்கரீதியான படிகளைப் பின்பற்றும் ஒரு திட்டத்தை மாடலின் சிஸ்டம் ப்ராம்ப்டில் தொடக்க அடிப்படையாகச் சேர்க்கலாம். எனினும், கருவிப் பயன்பாடு, வெளியீட்டு வடிவமைப்பு மற்றும் தொடர்புடைய தேவைகள் குறித்து LLM-களுக்குப் பொதுவாகக் கூடுதல் குறிப்பிட்ட வழிகாட்டுதல் தேவை. சில நேரங்களில் சிறந்த உத்தி எது என்பது தெளிவாக இருக்காது. அல்லது ஏற்கெனவே தீர்க்கப்பட்டதாகக் கருதப்பட்டதால் மறுமதிப்பீடு செய்யப்படாத ஒரு சிக்கலை நீங்கள் கையாளக்கூடும். இந்த இடத்தில்தான் சிஸ்டம் ப்ராம்ப்ட் கற்றல் (SPL) பயன்படுகிறது.
முன்பு உருவாக்கப்பட்ட உத்திகளை இணைப்பதன் மூலம் ஒரு சிஸ்டம் ப்ராம்ப்டை SPL மீண்டும் மீண்டும் மேம்படுத்துகிறது. புதிய சிக்கல்கள் தோன்றும்போது, அமைப்பு படிப்படியாக அறிவைச் சேகரித்து மேலும் வலுவடைகிறது. உங்கள் துறையின் சிக்கல்களைத் தீர்ப்பதற்கான கையேட்டை உருவாக்குவதாக இதைக் கருதுங்கள்.
பயனர் கருத்துகளிலிருந்து கிடைக்கும் நுண்ணறிவுகளைச் சிஸ்டம் ப்ராம்ப்டில் SPL படிப்படியாக இணைக்கிறது. உங்கள் அமைப்பு முதிர்ச்சியடையும்போது, மீண்டும் மீண்டும் ஏற்படும் சிக்கல்களைப் பொதுவான உயர்நிலைக் கொள்கைகளாகச் சுருக்க முடியும் என்பதை நீங்கள் கண்டறியலாம்.
இந்தச் செயல்முறை படிப்படியாக எவ்வாறு செயல்படுகிறது என்பதை விரிவாகப் பார்ப்போம்:
ஒரு குறிப்பிட்ட பணியைச் செய்யுமாறு அமைப்பிடம் கேட்கும் பயனர் வினவலுடன் தொடங்குங்கள்.
உங்கள் அமைப்பு ஒரே ஒரு சிக்கலை மட்டும் கையாளுமானால், முந்தைய இயக்கங்களிலிருந்து அதிக மதிப்பெண் பெற்ற உத்திகளைத் தேர்ந்தெடுக்கும் “அதிகப் பலனையே உடனடியாகத் தேர்வுசெய்யும்” அணுகுமுறையைப் பயன்படுத்தலாம். மாற்றாக, அதிக மதிப்பீடு பெற்ற உத்திகளுக்கு முன்னுரிமை அளித்தாலும், அவ்வப்போது குறைவான மதிப்பீடு பெற்றவற்றையும் உள்ளடக்கும் பகிர்மானத்திலிருந்து மாதிரிகளைத் தேர்ந்தெடுத்து ஆய்வை ஊக்குவிக்கலாம். நீங்கள் உத்திகளைச் சேகரிக்கத் தொடங்கும்போது இது குறிப்பாகப் பயனுள்ளதாக இருக்கும்.
பலவகையான சிக்கல் தொகுப்புகளைக் கையாள வடிவமைக்கப்பட்ட அமைப்புகளில் பொருத்தமான அணுகுமுறைகளைக் கண்டறிய, வகைப்படுத்தல் அடுக்கைச் சேர்ப்பது அல்லது உட்பொதிவுகள் மற்றும் கொசைன் ஒற்றுமையைப் பயன்படுத்துவது குறித்து யோசியுங்கள். இவை பொதுவாக RAG-இல் பயன்படுத்தப்படும் அதே நுட்பங்கள். குறிப்பிட்ட சிக்கலுக்கு ஏற்ற உத்திகளைத் தேர்ந்தெடுக்க இது உதவுகிறது. எடுத்துக்காட்டாக, நிரலாக்கப் பணிகளுக்காக வடிவமைக்கப்பட்ட உத்திகளைத் தேர்ந்தெடுக்கலாம்.
குறிப்பு: உட்பொதிவுகளை கொசைன் ஒற்றுமையுடன் பயன்படுத்துவது, இரண்டு தகவல்கள் எவ்வளவு நெருக்கமாகத் தொடர்புடையவை என்பதை அளவிட உதவுகிறது. இதனால் ஆவணங்கள், வினவல்கள் அல்லது கருத்துகளின் சொற்கள் வேறுபட்டாலும் அவற்றைப் பொருத்துவது எளிதாகிறது.
நிரலாக்கச் சிக்கல்களைக் கையாளும் எளிமைப்படுத்தப்பட்ட உத்திக் களஞ்சியத்திற்கான எடுத்துக்காட்டுத் தொடக்கநிலை.
குறிப்பு: இங்கே காட்டப்பட்டுள்ள “தொடக்க உத்திகள்” விளக்கத்திற்கானவை. உண்மையான நிரலாக்கச் சூழல்களில் அவற்றை மேலும் செம்மைப்படுத்துவோம். குறிப்பிட்ட வணிகச் சிக்கல்களுக்குக் காலப்போக்கில் கூடுதல் நுண்ணறிவுகளைச் சேகரிக்க வேண்டியிருக்கும்.
Generation_id (தலைகீழ் வரிசை) | பொருள் | மதிப்பெண் | Strategy_text | விளக்கம் |
|---|---|---|---|---|
4 | நிரலாக்கம் | 1 | சிக்கல், கட்டுப்பாடுகள் மற்றும் விளிம்பு நிலைகளைப் புரிந்துகொள்ளுங்கள். சரியான தரவுக் கட்டமைப்புகளுடன் ஒரு படிமுறையை வடிவமைக்கவும். எடுத்துக்காட்டுகள் மற்றும் மாறாத நிபந்தனைகளைக் கொண்டு திட்டத்தைச் சரிபார்க்கவும். தெளிவாகவும் எளிதில் வாசிக்கக்கூடியதாகவும் நிரலை எழுதவும். நிரல் மறுசீரமைப்பு, உகப்பாக்கம் மற்றும் இறுதி வடிவமைப்பின் மூலம் செம்மைப்படுத்தவும். கருவிப் பயன்பாடு: ஒரு கருவியைப் பயன்படுத்தும்போது அது ஏன் தேவைப்பட்டது என்பதைச் சுருக்கமாக விளக்கவும். | கீழேயுள்ள மூன்று உத்திகளின் வலுவான கூறுகளை இணைத்து ஒருங்கிணைக்கிறது. |
3 | நிரலாக்கம் | 1 | சிக்கல், கட்டுப்பாடுகள் மற்றும் விளிம்பு நிலைகளைப் புரிந்துகொள்ளுங்கள். சரியான தரவுக் கட்டமைப்புகளுடன் ஒரு படிமுறையை வடிவமைக்கவும். எடுத்துக்காட்டுகள் மற்றும் மாறாத நிபந்தனைகளைக் கொண்டு திட்டத்தைச் சரிபார்க்கவும். தெளிவாகவும் எளிதில் வாசிக்கக்கூடியதாகவும் நிரலை எழுதவும். நிரல் மறுசீரமைப்பு, உகப்பாக்கம் மற்றும் இறுதி வடிவமைப்பின் மூலம் செம்மைப்படுத்தவும். | இது மேலும் முழுமையான உத்தி. ஆனால் கருவிப் பயன்பாடு குறித்த வழிகாட்டுதல் இதில் இல்லை. |
2 | நிரலாக்கம் | -1 | சிக்கல், கட்டுப்பாடுகள் மற்றும் விளிம்பு நிலைகளைப் புரிந்துகொள்ளுங்கள். சரியான தரவைக் கொண்டு ஒரு படிமுறையை வடிவமைக்கவும். தெளிவாகவும் எளிதில் வாசிக்கக்கூடியதாகவும் நிரலை எழுதவும். கருவிப் பயன்பாடு: கருவிகளை அணுகும்போது, அந்தக் கருவியை ஏன் பயன்படுத்தினீர்கள் என்பதைச் சுருக்கமாகக் கூறவும். | கருவிப் பயன்பாட்டைக் குறிப்பிடும் சிறந்த உத்தி. ஆனால் இதை இன்னும் மேம்படுத்தலாம். |
1 | நிரலாக்கம் | -1 | சிக்கலை மேலோட்டமாக வாசிக்கவும். சிக்கலைத் தீர்க்கவும். குறைந்தபட்சச் சோதனைகளை உருவாக்கவும். இயங்கும் எதையாவது சமர்ப்பிக்கவும். | சோதனைகளைக் குறிப்பிடுகிறது. ஆனால் ஒட்டுமொத்தமாக இது பலவீனமான உத்தி. |
3. N மாதிரிகளைத் தேர்ந்தெடுத்த பிறகு, அவற்றைச் சிஸ்டம் ப்ராம்ப்டில் இணைக்கவும். மிகக் குறைந்த வழிகாட்டுதலுடன் மாடலே திட்டங்களை உருவாக்குமாறு விடுவதற்குப் பதிலாக, முந்தைய நிபுணர் பின்னூட்டத்தை அடிப்படையாகக் கொண்டு திட்டம் உருவாக்கப்படுவதை இது உறுதிசெய்கிறது. மாதிரி உத்திகளை அப்படியே நகலெடுப்பதற்குப் பதிலாக, புதுமையாகச் சிந்தித்து, தேவைப்படும்போது படிகளைச் சேர்க்குமாறு மாடலை ஊக்குவிக்கவும்.
4. சூழ்நிலைக்கேற்ப உருவாக்கப்பட்ட உங்கள் சிஸ்டம் ப்ராம்ப்டைப் பயன்படுத்தி, பயனரின் கோரிக்கையை நிறைவேற்ற ஒரு புதிய உத்தியை உருவாக்குங்கள். இந்தச் செயல்முறை இறுதி வெளியீட்டை மேம்படுத்தும் கூடுதல் பணிகளை உருவாக்க வேண்டும். படைப்பாற்றலே இலக்கு: முந்தைய உத்திகளின் வலுவான கூறுகளை ஒன்றிணைத்து, ஒரே மாதிரியான படிகளைத் தொகுத்து, தேவையான இடங்களில் பயனுள்ள புதிய படிகளைச் சேர்க்க வேண்டும்.
குறிப்பு: படைப்பாற்றல் தேவைப்படும்போது பயனளிக்கும் வகையில், அதிக மாறுபாடுள்ள, முன்கணிக்க முடியாத வெளியீடுகளை உருவாக்க வெப்பநிலை என்ற அளவுருவைச் சரிசெய்யலாம் என்பதை நினைவில் கொள்ளுங்கள். வெப்பநிலை பூஜ்ஜியத்தைவிட அதிகமாக இருந்தால், உருவாக்கப்படும் ஒவ்வொரு திட்டமும் வேறுபடலாம்.
5. மாடலின் வெளியீட்டைப் பெற்ற பிறகு, உங்கள் சிக்கலுக்கான நல்ல தீர்வை வரையறுக்கும் குறிப்பிட்ட அளவுகோல்களின் அடிப்படையில் மனித மதிப்பீட்டாளர் அல்லது LLM நடுவரைப் பயன்படுத்தி அதை மதிப்பிடுங்கள். முன்பு குறிப்பிட்ட போர்ச்சுகல் செயல்பாடுகள் எடுத்துக்காட்டிற்கான மதிப்பீட்டு அளவுகோல்கள் பின்வருமாறு இருக்கலாம்:
சுருக்கம் (ஒரு வாக்கியத்திற்கு உட்பட்ட பதில்)
பரிந்துரைக்கப்பட்ட செயல்பாட்டின் பொருத்தம்
இருப்பிடத் துல்லியம்
6. இந்த மதிப்பீட்டின் அடிப்படையில், உத்தியைச் செம்மைப்படுத்த மற்றொரு மாடலைப் பயன்படுத்துங்கள். விருப்பத்திற்குரிய பின்னூட்டச் சுழற்சியில் மனித உள்ளீட்டை இணைத்து, கூட்டுச் செயல்பாட்டு மேம்பாடுகளை ஆதரிக்கலாம். பதிப்புகளையும் மாற்றங்களையும் கண்காணிப்பதற்கு ஏற்ற மேனிலைத் தரவுடன் செம்மைப்படுத்தப்பட்ட உத்தியை உங்கள் தரவுத்தளத்தில் சேமியுங்கள்.
அப்படியானால், ஏன் இவ்வளவு முயற்சி எடுக்க வேண்டும்? வெளியீடுகளைக் கைமுறையாக மீளாய்வு செய்து, அதற்கேற்ப சிஸ்டம் ப்ராம்ப்டைச் சரிசெய்யலாம். எனினும், சக்திவாய்ந்த ரீஸனிங் மாடல்களால் வெளியீட்டின் சூழலையும் மனிதக் கருத்துகளையும் பயன்படுத்தி உத்திகளைச் செம்மைப்படுத்த முடியும். எளிய அணுகுமுறைகளில் உள்ள குறைகளை மனிதர்களால் எளிதாகக் கண்டறிய முடியும். ஆனால் பரந்த சிக்கல் தொகுப்புகளைக் கையாளும் சிக்கலான அமைப்புகளில் அவற்றைக் கண்டறிவது கடினமாகவும் சலிப்பூட்டுவதாகவும் மாறுகிறது.
ஒரு சிக்கலுக்கு மனிதர்கள் இயல்பாகக் கொண்டுவரும் சூழல்சார் அறிவைத் திரட்ட, LLM-களுக்கு பெரும்பாலும் விரிவான வழிமுறைகளும் கூடுதல் படிகளும் தேவைப்படுகின்றன. பரந்த சிக்கல் தொகுப்புகளைக் கையாள ஓர் அமைப்பு விரிவடையும்போது, தேவையான பணிகளின் எண்ணிக்கை விரைவாக அதிகரிக்கலாம். எடுத்துக்காட்டாக, நிரலாக்கச் சிக்கல்களைக் கையாளும் மனிதர்கள் சுற்றியுள்ள நிரல்தொகுப்பை உள்ளுணர்வுடன் புரிந்துகொள்ளலாம். ஆனால் ஓர் LLM முதலில் பல கோப்புகளை “வாசிக்க” வேண்டியிருக்கலாம்.
இது உதவும் சூழல்: நீங்கள் ஒரு வாடிக்கையாளர் ஆதரவுக் குழுவை நடத்துவதாகவும், ஆதரவுச் சீட்டுகளை வகைப்படுத்தும் பணியைச் செயற்கை நுண்ணறிவு ஏஜென்ட் கையாளுவதாகவும் வைத்துக்கொள்வோம். காலப்போக்கில், உங்கள் குழு பரிசீலிக்காத ஒரு வகைப்படுத்தல் முறையை SPL கண்டறிந்து, மேல்நிலைக்கு அனுப்பப்படும் நிகழ்வுகளின் விகிதத்தைக் குறைக்கலாம்.
இது உதவாத சூழல்: நிதி அறிக்கையிடல் போன்ற உங்கள் பணிப்பாய்வுகள் ஏற்கெனவே இணக்கத் தேவைகள் அல்லது விதிமுறைகளால் வரையறுக்கப்பட்டிருந்தால், படைப்பாற்றல் ஒரு பலத்தைவிடப் பொறுப்பாக மாறுவதால் SPL அதிக மதிப்பை வழங்காது.
இது உதவும் சூழல்: சந்தை நுண்ணறிவு அல்லது தயாரிப்பு உத்தி போன்ற ஆராய்ச்சி அதிகமுள்ள பணிகளில், செயற்கை நுண்ணறிவின் திட்டங்களைச் செம்மைப்படுத்தியும் வெளியீட்டை வளப்படுத்தியும், இந்த மேம்பாடுகளை எதிர்காலப் பயன்பாட்டிற்காக இணைத்தும் அதனுடன் கூட்டாகச் செயல்படலாம். ஒவ்வொரு தொடர்பும் அமைப்பின் செயல்திறனை மேம்படுத்துகிறது.
இது உதவாத சூழல்: மனித உள்ளீடு மிகக் குறைவாகத் தேவைப்படும் எளிய பணிப்பாய்வுகளுக்கு, எடுத்துக்காட்டாக விலைப்பட்டியல் செயலாக்கத்திற்கு, உங்கள் குழு செயற்கை நுண்ணறிவைப் பெரும்பாலும் பயன்படுத்தினால், கூட்டுச் செயல்பாட்டின் கூடுதல் சுமை அதன் பலனைவிட அதிகமாகலாம்.
இது உதவும் சூழல்: நீங்கள் ஒரு புதிய பிராந்தியத்தில் விரிவடைவதாகவும், அங்குள்ள வரி தொடர்பான கேள்விகளைச் செயற்கை நுண்ணறிவு திடீரெனக் கையாள வேண்டியிருப்பதாகவும் வைத்துக்கொள்வோம். புதிய விதிகளும் அனுபவ வழிகாட்டுதல்களும் தோன்றும்போதே அவற்றை விரைவாகக் குறியாக்க SPL உதவுவதால், ஒரே பிழைகள் மீண்டும் ஏற்படுவதைத் தடுக்கலாம்.
இது உதவாத சூழல்: கூட்ட உரைகளைத் தரப்படுத்தப்பட்ட சுருக்கங்களாக மாற்றுவது போன்ற மாற்றமில்லாத சூழலில், தொடர்ந்து தகவமைப்பதால் மிகக் குறைந்த பலனே கிடைக்கும்.
கோட்பாட்டளவில் இவை அனைத்தும் நம்பிக்கையளிப்பதாகத் தோன்றினாலும், SPL-ஐச் செயல்படுத்துவதில் உண்மையான சவால்கள் உள்ளன. அவற்றில் முக்கியமான சிலவற்றைக் கீழே விவாதிக்கிறோம்:
உத்தி உருவாக்கத்தின் ஆரம்பக் கட்டங்களில் முன்னேற்றம் பெரும்பாலும் தேங்கிவிடும்: புதிய வெளியீடுகள் முந்தையவற்றை மேம்படுத்தத் தவறுவதால், வேகம் குறைகிறது. இதற்கு வழக்கமாக இரண்டு முக்கியச் சிக்கல்கள் காரணமாகின்றன:
தீர்வு: கிடைக்கக்கூடிய அனைத்து வணிக அறிவையும் முன்கூட்டியே குறியாக்குங்கள். அப்போது அமைப்புக்குப் பயன்படுத்த போதுமான ஆழமான அறிவு இருக்கும்.
தீர்வு: துல்லியம், தெளிவு, பொருத்தம் போன்ற ஒரு பதிலின் பல அம்சங்களுக்கு மதிப்பெண் வழங்கும் நுணுக்கமான அளவுகோலை வடிவமைத்து, இந்தக் குறிகாட்டிகளைப் பிரதிபலிக்கும் வகையில் உங்கள் மாதிரியெடுப்பைச் சரிசெய்யுங்கள்.
உங்கள் அமைப்பு நூற்றுக்கணக்கான உத்திகளை உருவாக்கியும், நல்லவற்றையும் மோசமானவற்றையும் வேறுபடுத்தப் போதுமான பின்னூட்டம் பெறாவிட்டால், மாதிரியெடுப்பை நிர்வகிப்பது விரைவில் கடினமாகிவிடும். தேவையற்றவற்றை நீக்குவதே இதற்குத் தீர்வு.
உங்கள் உத்திக் களஞ்சியத்தைச் செம்மைப்படுத்தும்போது, இவற்றைக் கருத்தில் கொள்ளுங்கள்:
ஆயுட்காலம்: வரையறுக்கப்பட்ட காலவரம்பு அல்லது உருவாக்கங்களின் எண்ணிக்கையைத் தாண்டியதும் உத்திகளைப் பயன்பாட்டிலிருந்து நீக்குங்கள்.
மதிப்பெண்: தொடர்ந்து மோசமாகச் செயல்படும் உத்திகளை வடிகட்ட உங்கள் மதிப்பீட்டு அளவுகோலைப் பயன்படுத்துங்கள். இதை ஆயுட்காலத்துடன் இணைப்பதால், காலப்போக்கில் தங்கள் மதிப்பை நிரூபிக்கும் அணுகுமுறைகளை மட்டுமே வைத்திருப்பதை உறுதிசெய்யலாம்.
LLM மதிப்பீடு: பயனுள்ள கூறுகள் புதிய பதிப்புகளில் ஏற்கெனவே இணைக்கப்பட்டிருக்கக்கூடும் என்பதால், இனி தனித்துவமான நுண்ணறிவுகளை வழங்காத உத்திகளைக் கண்டறிய அவற்றை அவ்வப்போது மதிப்பிடுங்கள்.
தீர்வு: உங்கள் உத்தித் தரவுத்தளத்தை உயிர்ப்புள்ள அமைப்பாகக் கருதுங்கள். பொருத்தமான, உயர்மதிப்புள்ள அறிவு மட்டுமே எஞ்சும்படி அதிலுள்ள தேவையற்றவற்றைத் தொடர்ந்து நீக்குங்கள்.
சிஸ்டம் ப்ராம்ப்ட் கற்றல் இன்னும் தொடக்கநிலையிலேயே உள்ளது. ஆனால் அதன் சாத்தியம் மிகப் பெரியது. நிலையான ப்ராம்ப்ட்கள் அல்லது முடிவில்லாத நுண்ணியச் சீரமைப்பை மட்டுமே சார்ந்திருக்கும் வணிகங்கள், நிலையற்ற அமைப்புகள், பெருகும் செலவுகள், வீணாகும் முயற்சி போன்ற பழக்கப்பட்ட வரம்புகளை எதிர்கொள்ளும். தனித்தனித் திருத்தங்களுக்குப் பதிலாக உயர்நிலைக் கொள்கைகளைக் குறியாக்கி, காலப்போக்கில் மேம்படும் அமைப்புகளை உருவாக்குவதன் மூலம் அந்தச் சுழற்சியிலிருந்து வெளியேறும் வழியை SPL வழங்குகிறது.
SPL இன்னும் வளர்ந்துவருகிறது. ஆனால் அதன் திசை தெளிவானது: தம்மிடமிருந்தே கற்றுக்கொள்ளும் அமைப்புகள், அவ்வாறு கற்க முடியாத அமைப்புகளை முந்திவிடும். சோதனைகளை மேற்கொள்ளவும், சிறிய அளவில் தொடங்கவும், கற்ற பாடங்களைப் பதிவு செய்யவும், ஒவ்வொரு தொடர்பிலும் மேம்படும் செயற்கை நுண்ணறிவு அமைப்புகளுக்கான அடித்தளத்தை அமைக்கவும் இதுவே சரியான நேரம்.