AIର ଭ୍ରମଜନିତ ଉତ୍ତର କ’ଣ?
ଏଆଇ ଭ୍ରମ ହେଉଛି ଏକ ସୃଜନଶୀଳ ଏଆଇ ଉପକରଣର ଏପରି ଫଳାଫଳ, ଯାହା ଆତ୍ମବିଶ୍ୱାସର ସହ ଉପସ୍ଥାପିତ ହୁଏ କିନ୍ତୁ ମିଥ୍ୟା, ମନଗଢ଼ା କିମ୍ବା ଦିଆଯାଇଥିବା ତଥ୍ୟ ଦ୍ୱାରା ସମର୍ଥିତ ନୁହେଁ। NISTର ସୃଜନଶୀଳ ଏଆଇ ପ୍ରୋଫାଇଲ୍ ଏହି ଏକା କଥା ପାଇଁ ମନଗଢ଼ା ବର୍ଣ୍ଣନା ଶବ୍ଦ ବ୍ୟବହାର କରେ ଏବଂ ଏହାକୁ ଭୁଲ୍ କିମ୍ବା ମିଥ୍ୟା ବିଷୟବସ୍ତୁ ତିଆରି କରି ଆତ୍ମବିଶ୍ୱାସର ସହ ଉପସ୍ଥାପନ କରୁଥିବା ସୃଜନଶୀଳ ପ୍ରଣାଳୀର ଆଚରଣ ଭାବେ ବର୍ଣ୍ଣନା କରେ। NIST ଏହି ପରିଭାଷାରେ ନିର୍ଦ୍ଦେଶ କିମ୍ବା ଅନ୍ୟ ପ୍ରଦତ୍ତ ତଥ୍ୟଠାରୁ ବିଚ୍ୟୁତ ହେଉଥିବା, କିମ୍ବା ସେହି କଥୋପକଥନରେ ପୂର୍ବରୁ କୁହାଯାଇଥିବା କଥାର ବିରୋଧ କରୁଥିବା ଫଳାଫଳକୁ ମଧ୍ୟ ସାମିଲ କରେ।
ଭ୍ରମ ବା ହାଲୁସିନେସନ୍ ଶବ୍ଦଟି ଏକ ରୂପକ, ଏବଂ ଏହା କିଛିଟା ଭୁଲ୍ ଧାରଣା ଦେଇଥାଏ। ଉପକରଣଟି କୌଣସି କାଳ୍ପନିକ ଜିନିଷ ଦେଖୁନାହିଁ। ଏହା ପ୍ରସଙ୍ଗ ଅନୁସାରେ ପରିସଂଖ୍ୟାନ ଦୃଷ୍ଟିରୁ ସମ୍ଭାବ୍ୟ ଲେଖା ସୃଷ୍ଟି କରୁଛି, ଏବଂ ବେଳେବେଳେ ବିଶ୍ୱାସଯୋଗ୍ୟ ଲାଗୁଥିବା ଲେଖା ଭୁଲ୍ ହୋଇଥାଏ। ସେଥିପାଇଁ ଏପରି ଭ୍ରମଜନିତ ଉତ୍ତର କ୍ୱଚିତ୍ ଏକ ତ୍ରୁଟି ପରି ଦେଖାଯାଏ। ଏହା ଏକ ସାଧାରଣ, ଭଲ ଭାବରେ ଲେଖାଯାଇଥିବା ଉତ୍ତର ପରି ଦେଖାଯାଏ।
ChatGPT କାହିଁକି ଭୁଲ୍ ତଥ୍ୟକୁ ସତ୍ୟ ବୋଲି ଉପସ୍ଥାପନ କରେ?
ChatGPT ଏବଂ ଏହା ପରି ଅନ୍ୟ ଟୁଲ୍ଗୁଡ଼ିକ ମିଥ୍ୟା ତଥ୍ୟକୁ ସତ୍ୟ ଭାବେ ଉପସ୍ଥାପନ କରନ୍ତି, କାରଣ ସେଗୁଡ଼ିକ ଯାଞ୍ଚ ହୋଇଥିବା ତଥ୍ୟ ଖୋଜି ଆଣିବା ପାଇଁ ନୁହେଁ, ବରଂ ଲେଖାର ସମ୍ଭାବ୍ୟ ପରବର୍ତ୍ତୀ ଅଂଶ ତିଆରି କରିବା ପାଇଁ ନିର୍ମିତ। NIST ଅନୁଯାୟୀ, ଏଭଳି ମନଗଢ଼ା ତଥ୍ୟ ଉତ୍ପନ୍ନ ହେବା ସୃଜନଶୀଳ ମଡେଲ୍ଗୁଡ଼ିକର ନିର୍ମାଣ ପଦ୍ଧତିର ଏକ ସ୍ୱାଭାବିକ ଫଳ: ସେଗୁଡ଼ିକ ନିଜ ପ୍ରଶିକ୍ଷଣ ତଥ୍ୟର ପରିସଂଖ୍ୟାନଗତ ବିତରଣର ଆନୁମାନିକ ରୂପ ଅନୁସରଣ କରନ୍ତି। ଏହା ସଠିକ୍ ଫଳାଫଳ ଦେଇପାରେ, କିନ୍ତୁ ତଥ୍ୟଗତ ଭାବେ ଭୁଲ୍ କିମ୍ବା ଅସଙ୍ଗତ ଫଳାଫଳ ମଧ୍ୟ ଦେଇପାରେ। NIST ଦର୍ଶାଇଛି ଯେ ଏହି ସମସ୍ୟା ବିଶେଷ କରି ନିର୍ଦ୍ଦିଷ୍ଟ ସୀମା ନଥିବା ଦୀର୍ଘ ଉତ୍ତର ଏବଂ ବିଶେଷଜ୍ଞ ଜ୍ଞାନ ଆବଶ୍ୟକ କରୁଥିବା ପ୍ରଶ୍ନ ପାଇଁ ପ୍ରାସଙ୍ଗିକ।
କଲାଇ, ନାଚୁମ୍, ଭେମ୍ପାଲା ଓ ଝାଙ୍ଗଙ୍କ 2025ର ଏକ ଗବେଷଣା ପତ୍ର ଏହି ବ୍ୟାଖ୍ୟାର ଦ୍ୱିତୀୟ ଭାଗ ଦେଇଥାଏ। ଲେଖକମାନଙ୍କ ଯୁକ୍ତି ହେଉଛି, ପ୍ରଶିକ୍ଷଣ ଓ ମୂଲ୍ୟାୟନ ପ୍ରକ୍ରିୟାରେ ଅନିଶ୍ଚିତତା ସ୍ୱୀକାର କରିବା ଅପେକ୍ଷା ଅନୁମାନ କରିବାକୁ ଅଧିକ ପୁରସ୍କୃତ କରାଯାଏ। କାରଣ, ଅନେକ ମାନକ ପରୀକ୍ଷାରେ ଅନୁମାନ କରୁଥିବା ମଡେଲ୍, ନିଜେ ଜାଣିନାହିଁ ବୋଲି କହୁଥିବା ମଡେଲ୍ ଅପେକ୍ଷା ଅଧିକ ଅଙ୍କ ପାଏ। ସେମାନଙ୍କ ବ୍ୟାଖ୍ୟା ଅନୁସାରେ, ପରୀକ୍ଷାରେ ଭଲ କରିବା ପାଇଁ ମଡେଲ୍ଗୁଡ଼ିକୁ ଅନୁକୂଳ କରାଯାଏ। ପ୍ରକୃତ ପ୍ରକ୍ରିୟା ଯାହା ହେଉନା କାହିଁକି, ଜଣେ କର୍ମଚାରୀଙ୍କ ପାଇଁ ବ୍ୟବହାରିକ ଶିକ୍ଷା ସମାନ: ସାଧନଟି କେତେ ଆତ୍ମବିଶ୍ୱାସର ସହ କହୁଛି, ସେଥିରୁ କୌଣସି ବକ୍ତବ୍ୟ ସତ କି ନୁହେଁ ଜାଣିହୁଏ ନାହିଁ।
ଆପଣ କମ୍ ଜଣାଶୁଣା, ସାମ୍ପ୍ରତିକ, ଅତ୍ୟନ୍ତ ନିର୍ଦ୍ଦିଷ୍ଟ କିମ୍ବା ଆପଣ ଦେଇଥିବା ସାମଗ୍ରୀ ବାହାରର କୌଣସି ବିଷୟ ବିଷୟରେ ପଚାରିଲେ AI ମନଗଢ଼ା କଥାକୁ ସତ୍ୟ ଭାବେ ଉପସ୍ଥାପନ କରିବାର ସମ୍ଭାବନା ଅଧିକ ଥାଏ: ଯଥା ଏକ ସଠିକ୍ ସଂଖ୍ୟା, କୌଣସି ନିର୍ଦ୍ଦିଷ୍ଟ ବ୍ୟକ୍ତିଙ୍କ ଭୂମିକା, ଏକ ଉଦ୍ଧୃତି, ଅଦାଲତର ମାମଲା କିମ୍ବା କୌଣସି ଉତ୍ପାଦର ବର୍ତ୍ତମାନର ମୂଲ୍ୟ। ଆପଣ ଲଗାଇଥିବା ଦଲିଲ ଆଧାରରେ ମାତ୍ର କାମ କରିବାକୁ ଉପକରଣକୁ କହିଲେ ଏପରି ଭୁଲର ସମ୍ଭାବନା କମେ, କିନ୍ତୁ ତଥାପି ଏହା ହୋଇପାରେ।
କାର୍ଯ୍ୟକ୍ଷେତ୍ରରେ କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତାର ଭ୍ରମଜନିତ ଉତ୍ତର କିପରି ଦେଖାଯାଏ?
କାର୍ଯ୍ୟକ୍ଷେତ୍ରରେ AI ର ଭ୍ରମଜନିତ ଉତ୍ତର ସାଧାରଣତଃ ଛୋଟ, ନିର୍ଦ୍ଦିଷ୍ଟ ବିବରଣୀ ଭଳି ଦେଖାଯାଏ, ଯାହା ଶୁଣିବାକୁ ଠିକ୍ ଲାଗେ। କର୍ମଚାରୀମାନେ ଅଧିକାଂଶ ସମୟରେ ଯେଉଁ ରୂପଗୁଡ଼ିକ ସାମ୍ନା କରନ୍ତି, ଏହି ତାଲିକାରେ ସେଗୁଡ଼ିକ ଅଛି। ଏହି ରୂପଗୁଡ଼ିକୁ ଚିହ୍ନିବା ଶିଖିଲେ, ଏପରି ଭୁଲ୍ ଧରିବା ସହଜ ହୁଏ।
ମନଗଢ଼ା ସୂତ୍ର
ଏପରି ଏକ ଉତ୍ସ ଉଲ୍ଲେଖ, ରିପୋର୍ଟ ଶୀର୍ଷକ, URL କିମ୍ବା ଉଦ୍ଧୃତି, ଯାହାର ଅସ୍ତିତ୍ୱ ନାହିଁ, କିମ୍ବା ଅଛି କିନ୍ତୁ ଭିନ୍ନ କଥା କହେ।
ମନଗଢ଼ା ନିର୍ଦ୍ଦିଷ୍ଟ ବିବରଣୀ
ଆପଣ ଦେଇଥିବା ସାମଗ୍ରୀରେ କେଉଁଠି ନଥିବା ଏକ ତାରିଖ, ମୂଲ୍ୟ, ପ୍ରତିଶତ, ନାମ କିମ୍ବା ପଦବୀ।
ବଢ଼ାଯାଇଥିବା ନିଶ୍ଚିତତା
ଯେଉଁ ସାରାଂଶ ସମ୍ଭାବନାକୁ ନିଶ୍ଚିତତାରେ, କିମ୍ବା ପ୍ରସ୍ତାବିତ ତାରିଖକୁ ନିଶ୍ଚିତ ତାରିଖରେ ପରିଣତ କରିଦିଏ।
ପ୍ରମାଣ ନଥିବା କାରଣ
କୌଣସି ସଂଖ୍ୟା କାହିଁକି ବଦଳିଲା, ସେ ବିଷୟରେ ତଥ୍ୟରେ ସମର୍ଥନ ନଥିବା ବ୍ୟାଖ୍ୟା।
ମନଗଢ଼ା ଯୁକ୍ତି
ସୁସଂଗଠିତ ପର୍ଯ୍ୟାୟକ୍ରମିକ ଯୁକ୍ତି, କିନ୍ତୁ ଶେଷରେ ଭୁଲ୍ ଉତ୍ତର। NIST ଉଲ୍ଲେଖ କରିଛି ଯେ ଉତ୍ତର ଭୁଲ୍ ଥିଲେ ମଧ୍ୟ ମଡେଲ୍ଗୁଡ଼ିକ ବେଳେବେଳେ ସେହି ଉତ୍ତର ପାଇଁ ଯୁକ୍ତିସଂଗତ ପଦକ୍ଷେପ ଦେଇଥାନ୍ତି।
ନିଜ କଥାରେ ବିରୋଧାଭାସ
କିଛି ସନ୍ଦେଶ ପୂର୍ବରୁ ସାଧନଟି କହିଥିବା କଥାର ବିରୋଧ କରୁଥିବା ଏକ ବକ୍ତବ୍ୟ।
AI ମିଥ୍ୟା ତଥ୍ୟକୁ ସତ୍ୟ ଭାବେ ଉପସ୍ଥାପନ କରିବା ଧରା ନ ପଡ଼ିଲେ କ’ଣ ହୁଏ?
ସର୍ବସାଧାରଣରେ ସବୁଠାରୁ ଜଣାଶୁଣା ଉଦାହରଣ ହେଉଛି ମାଟା ବନାମ ଆଭିଆଙ୍କା ମାମଲା, ଯାହାର ରାୟ 22 ଜୁନ୍ 2023ରେ ନ୍ୟୁୟର୍କର ଦକ୍ଷିଣ ଜିଲ୍ଲା ପାଇଁ ଥିବା ଆମେରିକୀୟ ଜିଲ୍ଲା ଅଦାଲତରେ ଦିଆଯାଇଥିଲା। ଆଇନଜୀବୀମାନେ ଅଦାଲତରେ ଏକ ଦଲିଲ ଦାଖଲ କରିଥିଲେ, ଯେଉଁଥିରେ ChatGPT ତିଆରି କରିଥିବା ନକଲି ଉଦ୍ଧୃତି ଓ ନକଲି ସନ୍ଦର୍ଭ ସହ ଅସ୍ତିତ୍ୱ ନଥିବା ନ୍ୟାୟିକ ମତାମତ ରହିଥିଲା। ଅଦାଲତ ଏହା ଅସଦ୍ଉଦ୍ଦେଶ୍ୟରେ କରାଯାଇଥିବା ନିର୍ଣ୍ଣୟ କରି ଆଇନଜୀବୀମାନଙ୍କ ଓ ସେମାନଙ୍କ ସଂସ୍ଥା ଉପରେ ଯୌଥ ଭାବେ ଏବଂ ପ୍ରତ୍ୟେକଙ୍କ ଉପରେ ପୃଥକ୍ ଭାବେ ସମ୍ପୂର୍ଣ୍ଣ ରାଶି ପାଇଁ ଦାୟିତ୍ୱ ରଖି 5,000 ଆମେରିକୀୟ ଡଲାର୍ ଜରିମାନା ଲଗାଇଥିଲେ। ଏଥିସହ ସେମାନଙ୍କ ମହକିଲ ଏବଂ ସେହି କାଳ୍ପନିକ ମତାମତ ସହ ଯେଉଁ ବିଚାରପତିମାନଙ୍କ ନାମ ମିଥ୍ୟାରେ ଯୋଡ଼ାଯାଇଥିଲା, ସେମାନଙ୍କୁ ଚିଠି ଲେଖିବାକୁ ନିର୍ଦ୍ଦେଶ ଦେଇଥିଲେ। ଦଣ୍ଡ ନିର୍ଦ୍ଧାରଣ କରିବା ବେଳେ ଅଦାଲତ ଉଲ୍ଲେଖ କରିଥିଲେ ଯେ ସଂସ୍ଥାଟି ନିଜ ଆଇନଜୀବୀ ଓ କର୍ମଚାରୀଙ୍କ ପାଇଁ ପ୍ରଯୁକ୍ତିଗତ ଦକ୍ଷତା ଓ କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା ଉପକରଣ ବିଷୟରେ ବାଧ୍ୟତାମୂଳକ ନିରନ୍ତର ଆଇନ ଶିକ୍ଷାର ବ୍ୟବସ୍ଥା କରିଥିଲା: ଅର୍ଥାତ୍, ଘଟଣା ଘଟିବା ପରେ ପ୍ରଶିକ୍ଷଣ।
ଏଥିରୁ ଶିକ୍ଷା ଏହା ନୁହେଁ ଯେ ଆଇନଜୀବୀମାନେ ଅସାବଧାନ। ବରଂ, ଏକ ମନଗଢ଼ା ଉଦ୍ଧୃତି ଠିକ୍ ଅସଲି ଉଦ୍ଧୃତି ପରି ଦେଖାଯାଏ, ଏବଂ ଏହା ଉପରେ ନିର୍ଭର କରିଥିବା ବ୍ୟକ୍ତି ଭୁଲ୍ଟି ଧରିପାରିଥାନ୍ତେ ଯେଉଁ ଗୋଟିଏ ପଦକ୍ଷେପରେ, ତାହା ଛାଡ଼ିଦେଇଥିଲେ: ମୂଳ ଉତ୍ସ ଖୋଲି ଦେଖିବା। କାର୍ଯ୍ୟକ୍ଷେତ୍ରରେ AIର ଅଧିକାଂଶ ମନଗଢ଼ା ତଥ୍ୟ ଛୋଟ ଧରଣର ହୋଇଥାଏ, ଯେପରିକି ଗ୍ରାହକଙ୍କୁ ପଠାଯାଇଥିବା ଇମେଲ୍ରେ ଭୁଲ୍ ବିତରଣ ତାରିଖ କିମ୍ବା ବ୍ୟବସାୟିକ ପ୍ରସ୍ତାବ ଉପସ୍ଥାପନାରେ ମନଗଢ଼ା ପରିସଂଖ୍ୟାନ, କିନ୍ତୁ ଯାଞ୍ଚରେ ତ୍ରୁଟି ସମାନ।
ଏହା ଏକ ଚାକିରି ଭୂମିକା ସହ କିପରି ଜଡ଼ିତ, ଦେଖିବାକୁ ଚାହୁଁଛନ୍ତି କି?
ଦଳ ପାଇଁ ଯୋଜନାରେ ଥିବା ପରୀକ୍ଷାମୂଳକ ବ୍ୟବହାର ବିଷୟରେ ଜାଣନ୍ତୁ ↗କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତାର ହାଲୁସିନେସନ୍ ଏବେ ବି ଏକ ସମସ୍ୟା କି?
ହଁ। ସେବା ପ୍ରଦାନକାରୀମାନେ ସହାୟକ ସୁବିଧା ଯୋଡ଼ିଛନ୍ତି, ଯେପରିକି ଉତ୍ସ ଉଲ୍ଲେଖ ସହିତ ୱେବ୍ ସନ୍ଧାନ ଏବଂ ଅପଲୋଡ୍ ହୋଇଥିବା ଫାଇଲ୍ରୁ ଉତ୍ତର ଦେବାର କ୍ଷମତା। କିନ୍ତୁ ସେମାନଙ୍କ ମଧ୍ୟରୁ କେହି ମଧ୍ୟ ଭୁଲ୍ ତଥ୍ୟକୁ ସତ୍ୟ ଭାବେ ଉପସ୍ଥାପନ କରିବା ସମସ୍ୟା ସମ୍ପୂର୍ଣ୍ଣ ଦୂର କରିଥିବା ଦାବି କରନ୍ତି ନାହିଁ। Claude ପାଇଁ Anthropicର ନିଜସ୍ୱ ଦଲିଲରେ କୁହାଯାଇଛି ଯେ ଏହାର ସୁପାରିଶ କରାଯାଇଥିବା କୌଶଳଗୁଡ଼ିକ ଏପରି ମନଗଢ଼ା ତଥ୍ୟ କମାଏ, କିନ୍ତୁ ସମ୍ପୂର୍ଣ୍ଣ ଦୂର କରେ ନାହିଁ। ବିଶେଷକରି ଗୁରୁତର ପରିଣାମ ଥିବା ନିଷ୍ପତ୍ତି ପାଇଁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ସୂଚନା ଯାଞ୍ଚ କରିବାକୁ ଏହା ପରାମର୍ଶ ଦିଏ। Gmail ଓ Sheetsରେ Gemini ସମ୍ବନ୍ଧୀୟ Googleର ସହାୟତା ପୃଷ୍ଠାଗୁଡ଼ିକ ସତର୍କ କରାଇଦିଏ ଯେ Geminiର ସୁବିଧାଗୁଡ଼ିକ ଭୁଲ୍ କିମ୍ବା ଅନୁପଯୁକ୍ତ ସୂଚନା ପ୍ରସ୍ତାବ କରିପାରେ।
କୌଣସି ଉପକରଣ ଆଉ ମନଗଢ଼ା ତଥ୍ୟକୁ ସତ୍ୟ ଭାବେ ଉପସ୍ଥାପନ କରୁନାହିଁ ବୋଲି ଦାବି କରାଗଲେ, ତାହାକୁ ସନ୍ଦେହର ସହିତ ଦେଖନ୍ତୁ। ବରଂ ପଚାରନ୍ତୁ: ଆପଣଙ୍କ ଉଦ୍ଦେଶ୍ୟ ପାଇଁ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଉପକରଣ କେଉଁ କାମଗୁଡ଼ିକୁ, କେଉଁ ଯାଞ୍ଚ ସହିତ, ଯଥେଷ୍ଟ ଭରସାଯୋଗ୍ୟ ଭାବରେ କରିପାରେ।
AI ମିଥ୍ୟା ତଥ୍ୟକୁ ସତ୍ୟ ଭାବେ ଉପସ୍ଥାପନ କରିବା କିପରି କମାଇପାରିବେ?
ସାଧନଟିକୁ ନିଜେ କେତେ କଥା ଗଢ଼ିବାକୁ ପଡ଼ୁଛି ତାହା ସୀମିତ କରି ଆପଣ AIର ଭ୍ରମଜନିତ ଭୁଲ ଉତ୍ତର କମାଇପାରିବେ: ଏହାକୁ ଉତ୍ସ ଦିଅନ୍ତୁ, କେବଳ ସେହି ଉତ୍ସ ବ୍ୟବହାର କରିବାକୁ କୁହନ୍ତୁ, ଏହା ଜାଣିନାହିଁ ବୋଲି କହିବାକୁ ଅନୁମତି ଦିଅନ୍ତୁ ଏବଂ ପ୍ରତ୍ୟେକ ଦାବି ପାଇଁ ପ୍ରମାଣ ଦେଖାଇବାକୁ କୁହନ୍ତୁ। ନିମ୍ନର କୌଶଳଗୁଡ଼ିକ ସେବା ପ୍ରଦାନକାରୀଙ୍କ ମାର୍ଗଦର୍ଶନରୁ ନିଆଯାଇଛି, ଯେଉଁଥିରେ ଭ୍ରମଜନିତ ଭୁଲ ଉତ୍ତର କମାଇବା ବିଷୟରେ Anthropicର ଦଲିଲ ମଧ୍ୟ ରହିଛି; ଏଗୁଡ଼ିକୁ ଅଣବୈଷୟିକ କାମ ପାଇଁ ଉପଯୋଗୀ କରାଯାଇଛି। ଏଗୁଡ଼ିକ ମଧ୍ୟରୁ କୌଣସିଟି ଯାଞ୍ଚ କରିବାର ଆବଶ୍ୟକତା ଦୂର କରେ ନାହିଁ।
ଅନେକ କୌଶଳକୁ ମିଶାଇ ଦିଆଯାଇଥିବା ନିର୍ଦ୍ଦେଶର ଉଦାହରଣ: କେବଳ ତଳେ ଦିଆଯାଇଥିବା ନୀତିର ପାଠ୍ୟ ବ୍ୟବହାର କରି, ଯାତ୍ରା ଆରମ୍ଭର 48 ଘଣ୍ଟା ମଧ୍ୟରେ ବୁକ୍ କରାଯାଇଥିବା କର୍ମଚାରୀଙ୍କ ଯାତ୍ରା ପାଇଁ ପ୍ରଯୁଜ୍ୟ ତିନୋଟି ନିୟମ ତାଲିକାଭୁକ୍ତ କରନ୍ତୁ। ପ୍ରତ୍ୟେକ ନିୟମ ପାଇଁ, ଯେଉଁ ବାକ୍ୟରୁ ତାହା ନିଆଯାଇଛି, ସେହି ବାକ୍ୟକୁ ଅବିକଳ ଉଦ୍ଧୃତ କରନ୍ତୁ। ନୀତିରେ କୌଣସି ବିଷୟ ଉଲ୍ଲେଖ ନଥିଲେ, ଉଲ୍ଲେଖ ନାହିଁ ବୋଲି ଲେଖନ୍ତୁ। ସାଧାରଣ ଜ୍ଞାନ ବ୍ୟବହାର କରନ୍ତୁ ନାହିଁ।
ମୂଳ ଉତ୍ସ ଦିଅନ୍ତୁ
ସାଧନଟି କ’ଣ ଜାଣେ ବୋଲି ପଚାରିବା ବଦଳରେ ଦଲିଲଟି ଲଗାନ୍ତୁ କିମ୍ବା ସଂଲଗ୍ନ କରନ୍ତୁ। ନିର୍ଦ୍ଦିଷ୍ଟ ଉତ୍ସ ଆଧାରିତ କାମରେ ଖୋଲା ପ୍ରଶ୍ନ ତୁଳନାରେ ବିଫଳତା କମ୍ ହୁଏ।
ଏହାକୁ ମୂଳ ଉତ୍ସରେ ଥିବା ତଥ୍ୟ ମଧ୍ୟରେ ସୀମିତ ରଖନ୍ତୁ
କେବଳ ଦିଆଯାଇଥିବା ସାମଗ୍ରୀ ବ୍ୟବହାର କରିବାକୁ ଏବଂ ସାଧାରଣ ଜ୍ଞାନ ବ୍ୟବହାର ନ କରିବାକୁ ସ୍ପଷ୍ଟ ଭାବେ କୁହନ୍ତୁ।
ନ ଜାଣିବାକୁ ଗ୍ରହଣଯୋଗ୍ୟ କରନ୍ତୁ
ଖାଲି ସ୍ଥାନକୁ ଅନୁମାନରେ ପୂରଣ କରିବା ବଦଳରେ ଉଲ୍ଲେଖ କରାଯାଇନାହିଁ କିମ୍ବା ମୋ ପାଖରେ ଯଥେଷ୍ଟ ସୂଚନା ନାହିଁ ବୋଲି ଲେଖିବାକୁ ଏହାକୁ କୁହନ୍ତୁ।
ମୂଲ୍ୟ ପ୍ରସ୍ତାବ ମାଗନ୍ତୁ
ଦୀର୍ଘ ଦଲିଲ ପାଇଁ ପ୍ରଥମେ ଠିକ୍ ସେହି ବାକ୍ୟଗୁଡ଼ିକ ବାହାର କରିବାକୁ କୁହନ୍ତୁ, ତା’ପରେ ସେହି ଉଦ୍ଧୃତି ଆଧାରରେ ଉତ୍ତର ଦେବାକୁ କୁହନ୍ତୁ।
ଏହାକୁ ନିଜ ଦାବିଗୁଡ଼ିକ ଯାଞ୍ଚ କରିବାକୁ କୁହନ୍ତୁ
ଖସଡ଼ା ଲେଖିବା ପରେ ପ୍ରତ୍ୟେକ ଦାବିର ସମର୍ଥନରେ ଏକ ଉଦ୍ଧୃତି ଖୋଜିବାକୁ ଏବଂ ଯେଉଁ ଦାବିର ସମର୍ଥନ ମିଳୁନାହିଁ ତାହା ହଟାଇବାକୁ କୁହନ୍ତୁ।
ଅଧିକ ନିର୍ଦ୍ଦିଷ୍ଟ ପ୍ରଶ୍ନ ପଚାରନ୍ତୁ
ଏକ ଲମ୍ବା, ଖୋଲା ବିଷୟର ପ୍ରବନ୍ଧ ଅପେକ୍ଷା ଥରକେ ଗୋଟିଏ ନିର୍ଦ୍ଦିଷ୍ଟ ପ୍ରଶ୍ନର ଉତ୍ତର ଯାଞ୍ଚ କରିବା ସହଜ।
ବିଭିନ୍ନ ଥରର ଫଳାଫଳ ତୁଳନା କରନ୍ତୁ
ସେହି ଏକା ପ୍ରଶ୍ନ ଦୁଇଥର ପଚାରନ୍ତୁ। କୌଣସି ତଥ୍ୟ ବିଷୟରେ ଉତ୍ତର ଦୁଇଟି ଭିନ୍ନ ହେଲେ, ସେହି ତଥ୍ୟକୁ ଯାଞ୍ଚ ହୋଇନଥିବା ବୋଲି ଧରନ୍ତୁ।
ବ୍ୟବହାରରେ AIର ମନଗଢ଼ା ତଥ୍ୟକୁ କିପରି ଧରାଯାଏ?
ଦନ୍ତ ଚିକିତ୍ସା ସାମଗ୍ରୀ ବିତରଣ କରୁଥିବା 25 ଜଣିଆ ଏକ କାଳ୍ପନିକ କମ୍ପାନି, ନର୍ଥଗେଟ୍ ସପ୍ଲାଇକୁ ବିଚାର କରନ୍ତୁ। ଜଣେ ବିକ୍ରୟ ସମନ୍ୱୟକାରୀ କମ୍ପାନିର ଦୁଇ ପୃଷ୍ଠାର ସାମଗ୍ରୀ ଫେରସ୍ତ ନୀତିକୁ ପେଷ୍ଟ କରି ଏକ ସହାୟକକୁ ପଚାରନ୍ତି: ଖୋଲାଯାଇଥିବା ଉତ୍ପାଦ ଫେରସ୍ତ ପାଇଁ ଆମର ସମୟସୀମା କେତେ, ଏବଂ ପୁନଃ ମଜୁତ କରିବା ପାଇଁ କୌଣସି ଶୁଳ୍କ ଅଛି କି? ଦିଆଯାଇଥିବା ନୀତିରେ ଲେଖାଅଛି ଯେ ଖୋଲାଯାଇନଥିବା ସାମଗ୍ରୀ 30 ଦିନ ମଧ୍ୟରେ ଫେରସ୍ତ କରାଯାଇପାରିବ, ଖୋଲାଯାଇଥିବା ସାମଗ୍ରୀ କେବଳ ତ୍ରୁଟିପୂର୍ଣ୍ଣ ହୋଇଥିଲେ ଫେରସ୍ତ କରାଯାଇପାରିବ, ଏବଂ ପୁନଃ ମଜୁତ ଶୁଳ୍କ ବିଷୟରେ କିଛି ଉଲ୍ଲେଖ ନାହିଁ।
ପ୍ରଥମ ଉତ୍ତର: ଖୋଲାଯାଇଥିବା ଉତ୍ପାଦ 14 ଦିନ ମଧ୍ୟରେ ଫେରାଇହେବ, କିନ୍ତୁ ପୁନଃ ମଜୁତ କରିବା ପାଇଁ 15 ପ୍ରତିଶତ ଶୁଳ୍କ ଦେବାକୁ ହେବ। ଉଭୟ ତଥ୍ୟ ମନଗଢ଼ା। ନୀତିରେ କେଉଁଠି ମଧ୍ୟ 14 ଦିନ କିମ୍ବା କୌଣସି ଶୁଳ୍କର ଉଲ୍ଲେଖ ନାହିଁ। ଅନେକ ଫେରସ୍ତ ନୀତିରେ ଏହି ସର୍ତ୍ତଗୁଡ଼ିକ ଥିବାରୁ ସେଗୁଡ଼ିକ ବିଶ୍ୱାସଯୋଗ୍ୟ ମନେ ହୁଏ। ପରିସଂଖ୍ୟାନ ଅନୁସାରେ ସମ୍ଭାବ୍ୟ ଉତ୍ତର ଠିକ୍ ଏହିପରି ଭୁଲ୍ ହୋଇଥାଏ।
ସମନ୍ୱୟକାରୀ ଉପରୋକ୍ତ କୌଶଳଗୁଡ଼ିକ ବ୍ୟବହାର କରି ପ୍ରଶ୍ନଟି ପୁଣି ପଚାରନ୍ତି: କେବଳ ନୀତିକୁ ବ୍ୟବହାର କରନ୍ତୁ, ବାକ୍ୟଟି ଉଦ୍ଧୃତ କରନ୍ତୁ, ତଥ୍ୟ ନଥିଲେ ଉଲ୍ଲେଖ ନାହିଁ ବୋଲି ଲେଖନ୍ତୁ। ଦ୍ୱିତୀୟ ଉତ୍ତର: ଖୋଲାଯାଇଥିବା ସାମଗ୍ରୀ: କେବଳ ତ୍ରୁଟି ଥିଲେ ଫେରାଇହେବ (ଉଦ୍ଧୃତି: ଉତ୍ପାଦରେ ତ୍ରୁଟି ଥିଲେ ହିଁ ଖୋଲାଯାଇଥିବା ସାମଗ୍ରୀ ଫେରାଇହେବ)। ପୁନଃ ମହଜୁଦ କରିବା ଶୁଳ୍କ: ଉଲ୍ଲେଖ ନାହିଁ। ଦସ୍ତାବିଜ ସହ ମେଳାଇ କିଛି ସେକେଣ୍ଡରେ ସେହି ଉତ୍ତର ଯାଞ୍ଚ କରିହେବ, ଏବଂ ଶୁଳ୍କ ସମ୍ପର୍କରେ ଥିବା ତଥ୍ୟର ଅଭାବ ଗ୍ରାହକଙ୍କୁ ପଠାଯାଉଥିବା ଇମେଲରେ ସାମିଲ ହେବା ପରିବର୍ତ୍ତେ ନୀତିର ଦାୟିତ୍ୱରେ ଥିବା ବ୍ୟକ୍ତିଙ୍କ ପାଖକୁ ଯାଏ।
AI ମିଥ୍ୟା ତଥ୍ୟକୁ ସତ୍ୟ ଭାବେ ଉପସ୍ଥାପନ କରିଥିବା ଚିହ୍ନଟ କଲେ କର୍ମଚାରୀ କ’ଣ କରିବା ଉଚିତ?
ଭୁଲ ବକ୍ତବ୍ୟଟି ହଟାନ୍ତୁ କିମ୍ବା ସୁଧାରନ୍ତୁ, ତାପରେ କେହି ଏହା ଉପରେ ପୂର୍ବରୁ ନିର୍ଭର କରିଛନ୍ତି କି ନାହିଁ ଦେଖନ୍ତୁ। ଫଳାଫଳଟି କେବଳ ଏକ ଖସଡ଼ା ଥିଲେ, ତାହାକୁ ସୁଧାରି ଆଗକୁ ବଢ଼ନ୍ତୁ ଏବଂ ଉପକରଣଟି ସେହି ବିବରଣୀ ମନଗଢ଼ା ଭାବେ ଯୋଡ଼ିଥିଲା ବୋଲି ନିଜ ସମୀକ୍ଷାରେ ଲେଖନ୍ତୁ। ଏହା ପୂର୍ବରୁ ପଠାଯାଇଥିଲେ, ସେୟାର କରାଯାଇଥିଲେ କିମ୍ବା କୌଣସି ନିଷ୍ପତ୍ତିରେ ବ୍ୟବହୃତ ହୋଇଥିଲେ, ଦାୟିତ୍ୱରେ ଥିବା ବ୍ୟକ୍ତିଙ୍କୁ ଜଣାନ୍ତୁ, ଯେପରି ସେ ଏହାକୁ ସୁଧାରିପାରିବେ। ଅନ୍ୟମାନେ ପଢ଼ିସାରିଥିବା ଦଲିଲକୁ ଚୁପଚାପ ସଂଶୋଧନ କରନ୍ତୁ ନାହିଁ।
କେଉଁ ପ୍ରକାରର ପ୍ରଶ୍ନରେ ତ୍ରୁଟି ହେଲା, ତାହା ସହକର୍ମୀଙ୍କୁ କହିବା ମଧ୍ୟ ଉପଯୋଗୀ। ଯେଉଁ ଦଳ ଭୁଲ୍ ହୋଇଥିବା ଘଟଣାର ଉଦାହରଣ ଆଦାନପ୍ରଦାନ କରେ, ସେହି ଦଳର ଶିଖିବା ବେଗ ଅଧିକ ହୁଏ; ପ୍ରତ୍ୟେକ ବ୍ୟକ୍ତିଙ୍କୁ ଅଲଗା ଅଲଗା ଭାବେ ସମାନ ତ୍ରୁଟି ଆବିଷ୍କାର କରିବାକୁ ପଡ଼େ ନାହିଁ। ଚିଠା ଯାଞ୍ଚ କରିବାର ପର୍ଯ୍ୟାୟକ୍ରମିକ ପଦ୍ଧତି AI ଉତ୍ତରର ତଥ୍ୟ ଯାଞ୍ଚ ମାର୍ଗଦର୍ଶିକାରେ ଅଛି।
କେତେବେଳେ AIର ଏକ ଖରାପ ଉତ୍ତରକୁ ଭ୍ରମଜନିତ ତଥ୍ୟ କୁହାଯାଇପାରିବ ନାହିଁ?
ପ୍ରତ୍ୟେକ ଖରାପ ଉତ୍ତର ମନଗଢ଼ା ତଥ୍ୟ ନୁହେଁ, ଏବଂ ଏହାର ସମାଧାନ ମଧ୍ୟ ଭିନ୍ନ ହୁଏ। ତାଲିମ ପରେ ତଥ୍ୟ ବଦଳିଯାଇଥିବାରୁ ଯଦି ଉପକରଣଟି ପୁରୁଣା ଉତ୍ତର ଦିଏ, ତେବେ ଏକ ସଦ୍ୟତନ ଉତ୍ସ ହେଉଛି ସମାଧାନ। ଯଦି ଏହା ପକ୍ଷପାତପୂର୍ଣ୍ଣ କିମ୍ବା ଏକପାଖିଆ ଉତ୍ତର ଦିଏ, ତେବେ ସମସ୍ୟାଟି ମନଗଢ଼ା ତଥ୍ୟ ଅପେକ୍ଷା ଉପସ୍ଥାପନା ଓ ନିରପେକ୍ଷତା ସହ ଜଡ଼ିତ। ଯଦି ଏହା ଏକ ଅସ୍ପଷ୍ଟ ନିର୍ଦ୍ଦେଶ ଅନୁସରଣ କରି ଯୁକ୍ତିସଙ୍ଗତ କିନ୍ତୁ ଅନାବଶ୍ୟକ ଫଳାଫଳ ଦିଏ, ତେବେ ଅଧିକ ସ୍ପଷ୍ଟ ନିର୍ଦ୍ଦେଶ ଦେବା ହେଉଛି ସମାଧାନ। ଆଉ ଯଦି କେହି ଜାଣିଶୁଣି ଭ୍ରମିତ କରିବା ପାଇଁ କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା ବ୍ୟବହାର କରନ୍ତି, ତାହା ଆଚରଣ ସମ୍ବନ୍ଧୀୟ ବିଷୟ, ତାଲିମ ସମ୍ବନ୍ଧୀୟ ନୁହେଁ।
କୌଣସି ନିର୍ଦ୍ଦିଷ୍ଟ ଗୁରୁତର ପରିଣାମ ଥିବା କାମ ପାଇଁ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ସାଧନ ସୁରକ୍ଷିତ କି ନୁହେଁ, ଏହି ମାର୍ଗଦର୍ଶିକା ତାହା ମଧ୍ୟ କହିପାରିବ ନାହିଁ। ବ୍ୟକ୍ତିବିଶେଷଙ୍କ ସମ୍ପର୍କରେ ଆଇନଗତ, ଚିକିତ୍ସାଗତ, ଆର୍ଥିକ କିମ୍ବା ନିଯୁକ୍ତି ସମ୍ବନ୍ଧୀୟ ନିଷ୍ପତ୍ତି ପାଇଁ, ଫଳାଫଳ ଯେପରି ତିଆରି ହୋଇଥାଉ ନା କାହିଁକି, ଜଣେ ଯୋଗ୍ୟ ସମୀକ୍ଷକଙ୍କ ସହାୟତା ନିଅନ୍ତୁ।
ଉତ୍ସ ଓ ପରିସର
NIST, AI 600-1: ସୃଜନଶୀଳ AI ପରିଚୟପତ୍ର, ଜୁଲାଇ 2024 ↗
Kalai, Nachum, Vempala ଓ Zhang, ଭାଷା ମଡେଲ୍ କାହିଁକି ମନଗଢ଼ା ତଥ୍ୟ ଦିଅନ୍ତି, arXiv, 4 ସେପ୍ଟେମ୍ବର 2025 ↗
Anthropic, Claude ଦସ୍ତାବିଜ: ହାଲୁସିନେସନ୍ କମାନ୍ତୁ, 16 ଅକ୍ଟୋବର 2026ରେ ଦେଖାଯାଇଛି ↗
Mata v. Avianca, Inc., 678 F.Supp.3d 443 (S.D.N.Y., 22 June 2023), CLLA ରେ ଉପଲବ୍ଧ ପ୍ରତିଲିପି ↗
Gmail ସହାୟତା, Gmailରେ Gemini ସହ ସହଯୋଗ କରନ୍ତୁ, 16 October 2026ରେ ଦେଖାଯାଇଛି ↗