ચૅટબોટ એક જ પ્રશ્નના જુદા જુદા જવાબ કેમ આપે છે?
ચેટબોટ એક જ પ્રશ્નના જુદા જવાબ આપે છે કારણ કે તે આગળ આવી શકે એવા શબ્દોમાંથી પસંદગી કરીને દરેક જવાબ રચે છે, અને આ પસંદગીમાં સામાન્ય રીતે થોડી અનિયમિતતા હોય છે. તે સંગ્રહિત કરેલો એક જ જવાબ શોધીને આપતો નથી.
30 લોકોની એક કાલ્પનિક આર્કિટેક્ચર પેઢી, ફેરલાઇન આર્કિટેક્ટ્સની કલ્પના કરો. પેઢી AI સહાયક અપનાવે તે પહેલાં એક ભાગીદાર ઑફિસ મેનેજર રોવનને ત્રણ બાબતો સમજાવવા કહે છે. રોવનની નોંધોમાં લખ્યું છે: 'મંજૂરી વિના કરી શકાય એવા બાંધકામના નિયમો વિશે બે વાર પૂછ્યું, બે જુદા જવાબ મળ્યા'; 'તેણે આયોજન માર્ગદર્શિકાના એવા દસ્તાવેજ નંબરનો સંદર્ભ આપ્યો જે અસ્તિત્વમાં જ નથી'; 'ચિત્ર બનાવતા સાધને નવા સ્ટુડિયોનું સુંદર રેખાચિત્ર બનાવ્યું, પણ બારીઓ એક સીધમાં નથી'. ભાગીદાર જાણવા માગે છે કે શું સાધન બગડેલું છે. એવું નથી. તે બરાબર એ જ કરે છે જેના માટે તેને બનાવવામાં આવ્યું છે.
જનરેટિવ AI મોડેલને કેવી રીતે તાલીમ આપવામાં આવે છે?
વિશાળ ભાષા મોડેલને પહેલાં લખાણના વિશાળ સંગ્રહ પર લખાણના આગળના ભાગની આગાહી કરવાની તાલીમ આપવામાં આવે છે, પછી સૂચનાઓનું પાલન કરવા અને ઉપયોગી જવાબો આપવા માટે વધુ તાલીમ આપવામાં આવે છે. Anthropicની શબ્દાવલી મુજબ, પૂર્વતાલીમમાં અગાઉના સંદર્ભના આધારે આગળના શબ્દની આગાહી કરવા માટે લેબલ વગરના વિશાળ લખાણસંગ્રહ પર તાલીમ આપવામાં આવે છે. ત્યારબાદ વધુ ચોક્કસ તાલીમ અને માનવીય પ્રતિસાદ દ્વારા પ્રબલન શિક્ષણ થાય છે, જેમાં લોકો ઉદાહરણરૂપ જવાબોને ક્રમ આપે છે અને મોડેલ વધુ સારા જવાબોને પ્રાધાન્ય આપવાનું શીખે છે.
મોડેલ દરેક દસ્તાવેજની નકલ રાખતું નથી. તેના અનુમાનો ડેટાની રચનાઓ સાથે મેળ ખાય ત્યાં સુધી તે અબજો આંતરિક સંખ્યાઓમાં ફેરફાર કરે છે. અંતે તેની પાસે જે હોય છે તે શોધી શકાય તેવા પુસ્તકાલય કરતાં ભાષા અને વિચારો સામાન્ય રીતે કેવી રીતે એકબીજા સાથે જોડાય છે તેની અત્યંત વિગતવાર સમજની વધુ નજીક હોય છે.
ટોકન શું છે અને મોડેલ તેમનું અનુમાન કેવી રીતે કરે છે?
ટોકન એ નાનાં એકમો છે જે મોડેલ વાંચે અને લખે છે. તે ઘણી વાર એક શબ્દ અથવા શબ્દનો ભાગ હોય છે. મોડેલ આગળ કયું ટોકન આવવાની શક્યતા છે તેનો વારંવાર અંદાજ લગાવીને લખે છે. Google નો મશીન લર્નિંગ અભ્યાસક્રમ ભાષા મોડેલને લાંબા ક્રમમાં કોઈ ટોકન અથવા ટોકનના ક્રમના આવવાની સંભાવનાનો અંદાજ લગાવતી પ્રણાલી તરીકે વર્ણવે છે અને નોંધે છે કે આશરે 400 ટોકન લગભગ 300 અંગ્રેજી શબ્દો જેટલાં થાય છે.
દરેક પગલે, મોડેલ આગળ આવી શકે તેવા ઘણા ટોકનને ગુણ આપે છે. પછી એપ્લિકેશન તેમાંથી એક પસંદ કરે છે: ક્યારેક સૌથી વધુ સંભાવનાવાળો, અને ઘણી વાર સંભવિત વિકલ્પોમાંથી નમૂના તરીકે પસંદ કરેલો. ટેમ્પરેચર નામનું સેટિંગ આ પસંદગી કેટલી સાહસિક હશે તે નિયંત્રિત કરે છે: ઊંચાં મૂલ્યો વધુ વૈવિધ્યપૂર્ણ શબ્દરચના આપે છે, નીચાં મૂલ્યો વધુ અનુમાનપાત્ર શબ્દરચના આપે છે. Anthropic જણાવે છે કે સૌથી નીચા ટેમ્પરેચર પર પણ પરિણામો સંપૂર્ણપણે નિશ્ચિત નથી હોતાં. રોવનની પહેલી નોંધનો આ જવાબ છે.
AIથી ચિત્રો બનાવતાં સાધનો કેવી રીતે કામ કરે છે?
ઘણાં AI ચિત્ર જનરેટર ડિફ્યુઝન નામની પદ્ધતિ વાપરે છે: મોડેલ ચિત્રોમાંથી દૃશ્ય અવ્યવસ્થા દૂર કરવાનું શીખે છે, પછી તમારા લખેલા વર્ણનના માર્ગદર્શન હેઠળ અનિયમિત દૃશ્ય અવ્યવસ્થાથી શરૂઆત કરીને અને તેને પગલુંદર પગલું સુધારીને નવું ચિત્ર બનાવે છે. હગિંગ ફેસનો ડિફ્યુઝન અભ્યાસક્રમ તાલીમને આ રીતે સમજાવે છે: જુદા જુદા પ્રમાણમાં દૃશ્ય અવ્યવસ્થા ઉમેરવી અને મોડેલને તેને સુધારવાનું શીખવવું. ચિત્ર બનાવવાની પ્રક્રિયાને તે અનિયમિત દૃશ્ય અવ્યવસ્થાને ધીમે ધીમે સુધારીને ચિત્ર ઊભરાય ત્યાં સુધી આગળ વધવા તરીકે સમજાવે છે.
કારણ કે મોડેલ આર્કિટેક્ટના નકશાને અનુસરવાને બદલે વિશ્વસનીય લાગે તેવા પિક્સેલ ગોઠવે છે, તેથી બારીઓની ગોઠવણી, બોર્ડ પરનું લખાણ અથવા આંગળીઓની સંખ્યા જેવી વિગતો ખોટી આવી શકે છે. આ રોવનની ત્રીજી નોંધ છે.
તમે સાધનોનો ઉપયોગ કેવી રીતે કરો છો તેના માટે આનો અર્થ શું થાય છે?
તેનો અર્થ એ છે કે સાધનની યાદશક્તિ પર આધાર રાખવાને બદલે, તમે જે તથ્યોના આધારે તેની પાસે કામ કરાવવા માંગો છો તે તેને આપવાં જોઈએ. નબળો પ્રોમ્પ્ટ: 'ઘરની પાછળના વિસ્તરણ માટે મંજૂરી વિના કરી શકાય તેવા વિકાસના નિયમો શું છે?' જવાબ ભાષાની દૃષ્ટિએ સહજ હોય છે, દરેક પ્રયાસમાં બદલાય છે અને તેમાં જુદાં વર્ષો કે દેશોના નિયમો ભળી શકે છે. તેમાં વિશ્વસનીય લાગતો પણ બનાવટી દસ્તાવેજનો સંદર્ભ પણ હોઈ શકે છે, જે રોવનની બીજી નોંધ સમજાવે છે.
સુધારેલી સૂચના: રોવન સત્તાવાર બાંધકામ આયોજન માર્ગદર્શિકામાંથી સંબંધિત ભાગ પેસ્ટ કરે છે અને પૂછે છે: 'માત્ર નીચેના લખાણનો ઉપયોગ કરીને, પાછળની બાજુના એક માળના વિસ્તરણ માટેની કદમર્યાદાઓનો સાર કોષ્ટકમાં આપો. જો કોઈ બાબત લખાણમાં આવરી લેવાઈ ન હોય, તો કહો કે તે આવરી લેવાઈ નથી.' હવે મોડેલનું કામ તેની સામે રહેલા લખાણને ફરી રજૂ કરવાનું અને ગોઠવવાનું છે, જે તે સારી રીતે કરે છે, અને રોવન દરેક પંક્તિ મૂળ સ્રોત સાથે ચકાસી શકે છે.
જનરેટિવ AI ની મર્યાદાઓ શું છે?
મુખ્ય મર્યાદાઓ એ છે કે જનરેટિવ AI ખોટી વાતો આત્મવિશ્વાસથી કહી શકે છે, શોધ કે દસ્તાવેજો સાથે જોડાયેલું ન હોય તો તેનું જ્ઞાન ચોક્કસ સમય સુધી જ મર્યાદિત હોય છે, તે તેની સંદર્ભ વિન્ડોમાં સમાય એટલી માહિતી સાથે જ કામ કરી શકે છે અને તેના તાલીમ ડેટામાં રહેલો પક્ષપાત દર્શાવી શકે છે. આમાંથી કોઈ પણ વધુ નમ્રતાથી પૂછવાથી સુધરી જાય તેવી ખામી નથી; તે મોડેલો જે રીતે કામ કરે છે તેનું પરિણામ છે.
હકીકતો, આંકડા, નામો અને સંદર્ભોને તમે વિશ્વાસ કરતા હો એવા સ્રોત સાથે સરખાવીને તપાસો, અને જ્યારે ચોકસાઈ મહત્વની હોય ત્યારે સાધનને મૂળ સ્રોત સામગ્રી આપો.
Tosheo.aiની અભ્યાસસૂચિમાં આ પાઠનું સ્થાન ક્યાં છે?
જનરેટિવ AI કેવી રીતે કામ કરે છે એ પાઠ AI ના પાયાના ખ્યાલોની શ્રેણીમાં આવે છે. AI શીખવાની શરૂઆત કરનારાઓ માટે આ શરૂઆતના પાઠોમાંનો એક છે અને જનરેટિવ AI અભ્યાસક્રમનો પ્રથમ પાઠ છે. Tosheo.ai પરના પ્રાયોગિક કાર્યમાં, ટેમ્પરેચર જેવી સેટિંગ્સ બદલવાથી અથવા સ્રોતનું લખાણ આપવાથી સાધન કેવી રીતે વર્તશે તેની પહેલાં આગાહી કરવાની અને પછી પરીક્ષણ કરવાની હોય છે. મૂલ્યાંકનના માપદંડો પર આધારિત પ્રતિસાદમાં એ ચકાસવામાં આવે છે કે તમારું સમજૂતીભર્યું વર્ણન કોઈ સહકર્મીને સમજાય એવું છે કે નહીં.
સ્રોતો અને વ્યાપ
Hugging Face Diffusion Models Course, એકમ 1 ડિફ્યુઝનનો પરિચય (19 ઑક્ટોબર 2026ના રોજ ચકાસેલું) ↗