ଗୋଟିଏ ଚାଟବଟ୍ ସମାନ ପ୍ରଶ୍ନର ଭିନ୍ନ ଭିନ୍ନ ଉତ୍ତର କାହିଁକି ଦିଏ?
ଏକ ଚାଟ୍ବଟ୍ ସମାନ ପ୍ରଶ୍ନର ଭିନ୍ନ ଭିନ୍ନ ଉତ୍ତର ଦିଏ, କାରଣ ଏହା ସମ୍ଭାବ୍ୟ ପରବର୍ତ୍ତୀ ଶବ୍ଦଗୁଡ଼ିକ ମଧ୍ୟରୁ ବାଛି ପ୍ରତ୍ୟେକ ଉତ୍ତର ତିଆରି କରେ, ଏବଂ ଏହି ଚୟନରେ ସାଧାରଣତଃ କିଛି ଅନିୟମିତତା ଥାଏ। ଏହା ପୂର୍ବରୁ ସଂରକ୍ଷିତ ଗୋଟିଏ ଉତ୍ତରକୁ ବାହାର କରୁନାହିଁ।
ଫେୟାରଲାଇନ୍ ଆର୍କିଟେକ୍ଟସ୍ ନାମକ ଏକ କାଳ୍ପନିକ 30 ଜଣିଆ ସ୍ଥାପତ୍ୟ ସଂସ୍ଥାକୁ କଳ୍ପନା କରନ୍ତୁ। ସଂସ୍ଥାରେ AI ସହାୟକ ବ୍ୟବହାର ଆରମ୍ଭ କରିବା ପୂର୍ବରୁ ଜଣେ ଅଂଶୀଦାର କାର୍ଯ୍ୟାଳୟ ପରିଚାଳକ ରୋୱାନ୍ଙ୍କୁ ତିନୋଟି କଥା ବୁଝାଇବାକୁ କହନ୍ତି। ରୋୱାନ୍ଙ୍କ ଟିପ୍ପଣୀରେ ଅଛି: 'ଅନୁମତିପ୍ରାପ୍ତ ନିର୍ମାଣ ନିୟମ ବିଷୟରେ ଦୁଇଥର ପଚାରିଲି, ଦୁଇଟି ଅଲଗା ଉତ୍ତର ମିଳିଲା'; 'ଏହା ଏପରି ଏକ ନିର୍ମାଣ ଯୋଜନା ମାର୍ଗଦର୍ଶିକାର ଦଲିଲ ସଂଖ୍ୟା ଦେଲା, ଯାହାର ଅସ୍ତିତ୍ୱ ନାହିଁ'; 'ଚିତ୍ର ଟୁଲ୍ ନୂଆ ଷ୍ଟୁଡିଓର ଏକ ସୁନ୍ଦର ରେଖାଚିତ୍ର କଲା, କିନ୍ତୁ ଝରକାଗୁଡ଼ିକ ଗୋଟିଏ ସରଳରେଖାରେ ନାହାନ୍ତି'। ଟୁଲ୍ ଖରାପ ହୋଇଛି କି ନାହିଁ, ଅଂଶୀଦାର ତାହା ଜାଣିବାକୁ ଚାହାନ୍ତି। ଏହା ଖରାପ ହୋଇନାହିଁ। ଯାହା କରିବା ପାଇଁ ଏହା ତିଆରି ହୋଇଥିଲା, ଏହା ଠିକ୍ ତାହାହିଁ କରୁଛି।
ଏକ ସୃଜନକାରୀ AI ମଡେଲ୍କୁ କିପରି ପ୍ରଶିକ୍ଷଣ ଦିଆଯାଏ?
ଏକ ବୃହତ୍ ଭାଷା ମଡେଲ୍କୁ ପ୍ରଥମେ ବିପୁଳ ପାଠ୍ୟ ସଂଗ୍ରହ ଉପରେ ପରବର୍ତ୍ତୀ ପାଠ୍ୟ ଅଂଶର ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ ପ୍ରଶିକ୍ଷଣ ଦିଆଯାଏ। ତାପରେ ନିର୍ଦ୍ଦେଶ ପାଳନ ଓ ସହାୟକ ଉତ୍ତର ଦେବା ପାଇଁ ଆହୁରି ପ୍ରଶିକ୍ଷଣ ଦିଆଯାଏ। Anthropic ର ଶବ୍ଦକୋଷ ଅନୁଯାୟୀ, ପୂର୍ବପ୍ରଶିକ୍ଷଣରେ ପୂର୍ବ ପ୍ରସଙ୍ଗ ଆଧାରରେ ପରବର୍ତ୍ତୀ ଶବ୍ଦର ପୂର୍ବାନୁମାନ ପାଇଁ ଏକ ବିଶାଳ, ଲେବେଲ୍ବିହୀନ ପାଠ୍ୟ ସଂଗ୍ରହ ଉପରେ ପ୍ରଶିକ୍ଷଣ ଦିଆଯାଏ। ଏହା ପରେ ସୂକ୍ଷ୍ମ ସମନ୍ୱୟ ଓ ମାନବ ପ୍ରତିକ୍ରିୟା ଆଧାରିତ ପୁନର୍ବଳନ ଶିକ୍ଷଣ ହୁଏ, ଯେଉଁଠି ଲୋକମାନେ ନମୁନା ଉତ୍ତରଗୁଡ଼ିକୁ ମାନକ୍ରମ ଦିଅନ୍ତି ଏବଂ ମଡେଲ୍ ଭଲ ଉତ୍ତରକୁ ପ୍ରାଧାନ୍ୟ ଦେବା ଶିଖେ।
ମଡେଲ୍ ପ୍ରତ୍ୟେକ ଦଲିଲର ନକଲ ରଖେ ନାହିଁ। ଏହାର ପୂର୍ବାନୁମାନ ତଥ୍ୟରେ ଥିବା ଢାଞ୍ଚା ସହ ମେଳ ଖାଇବା ପର୍ଯ୍ୟନ୍ତ ଏହା ନିଜ ଭିତରେ ଥିବା ଶହ ଶହ କୋଟି ସଂଖ୍ୟାକୁ ସମନ୍ୱୟ କରେ। ଶେଷରେ ଏହା ଯାହା ଶିଖେ, ତାହା ଖୋଜିହେଉଥିବା ଏକ ପାଠାଗାର ଅପେକ୍ଷା ଭାଷା ଓ ଧାରଣାଗୁଡ଼ିକ ସାଧାରଣତଃ କିପରି ପରସ୍ପର ସହ ଯୋଡ଼ି ହୁଅନ୍ତି, ସେ ବିଷୟରେ ଏକ ଅତ୍ୟନ୍ତ ବିସ୍ତୃତ ବୁଝାମଣା ସହ ଅଧିକ ସମାନ।
ଟୋକେନ୍ କ’ଣ, ଏବଂ ମଡେଲ୍ ସେଗୁଡ଼ିକର ପୂର୍ବାନୁମାନ କିପରି କରେ?
ଟୋକେନ୍ ହେଉଛି ମଡେଲ୍ ପଢ଼ୁଥିବା ଓ ଲେଖୁଥିବା ଛୋଟ ଏକକ, ଯାହା ପ୍ରାୟତଃ ଏକ ଶବ୍ଦ କିମ୍ବା ଶବ୍ଦର ଏକ ଅଂଶ ହୋଇଥାଏ। ମଡେଲ୍ ପରବର୍ତ୍ତୀ ସମ୍ଭାବ୍ୟ ଟୋକେନ୍କୁ ବାରମ୍ବାର ଅନୁମାନ କରି ଲେଖେ। Googleର ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ପାଠ୍ୟକ୍ରମ ଅନୁସାରେ, ଏକ ଭାଷା ମଡେଲ୍ ଦୀର୍ଘତର କ୍ରମ ମଧ୍ୟରେ କୌଣସି ଟୋକେନ୍ କିମ୍ବା ଟୋକେନ୍ର କ୍ରମ ଆସିବାର ସମ୍ଭାବନା ଆକଳନ କରେ। ସେଥିରେ ଏହା ମଧ୍ୟ କୁହାଯାଇଛି ଯେ ପ୍ରାୟ 400 ଟୋକେନ୍ ପ୍ରାୟ 300 ଇଂରାଜୀ ଶବ୍ଦ ସହ ସମାନ।
ପ୍ରତ୍ୟେକ ପଦକ୍ଷେପରେ, ମଡେଲ୍ ଅନେକ ସମ୍ଭାବ୍ୟ ପରବର୍ତ୍ତୀ ଟୋକେନ୍କୁ ଅଙ୍କ ଦିଏ। ତା’ପରେ ଆପ୍ଲିକେସନ୍ ଗୋଟିଏ ବାଛେ—କେବେ ସବୁଠାରୁ ସମ୍ଭାବ୍ୟଟି, ଆଉ ଅନେକ ସମୟରେ ସମ୍ଭାବ୍ୟ ବିକଳ୍ପଗୁଡ଼ିକ ମଧ୍ୟରୁ ନମୁନା ଭିତ୍ତିରେ ଗୋଟିଏ। ଟେମ୍ପରେଚର୍ ନାମକ ଏକ ସେଟିଂ ଏହି ଚୟନ କେତେ ବିବିଧ ହେବ ତାହା ନିୟନ୍ତ୍ରଣ କରେ: ଅଧିକ ମୂଲ୍ୟ ଅଧିକ ବିବିଧ ଶବ୍ଦଚୟନ ଦିଏ, କମ୍ ମୂଲ୍ୟ ଅଧିକ ଅନୁମାନଯୋଗ୍ୟ ଶବ୍ଦଚୟନ ଦିଏ। Anthropic କହେ ଯେ ସର୍ବନିମ୍ନ ଟେମ୍ପରେଚର୍ରେ ମଧ୍ୟ ଫଳାଫଳ ସମ୍ପୂର୍ଣ୍ଣ ନିଶ୍ଚିତ ନୁହେଁ। ରୋୱାନ୍ଙ୍କ ପ୍ରଥମ ଟିପ୍ପଣୀର ଉତ୍ତର ଏହା ହିଁ।
AI ଚିତ୍ର ତିଆରି କରୁଥିବା ସାଧନଗୁଡ଼ିକ କିପରି କାମ କରେ?
ଅନେକ AI ଚିତ୍ର ସୃଷ୍ଟିକାରୀ ଡିଫ୍ୟୁଜନ୍ ନାମକ ଏକ ପଦ୍ଧତି ବ୍ୟବହାର କରନ୍ତି: ମଡେଲ୍ ଚିତ୍ରରୁ ନଏଜ୍ ହଟାଇବା ଶିଖେ, ତା’ପରେ ଆପଣଙ୍କ ଲିଖିତ ବର୍ଣ୍ଣନାର ନିର୍ଦ୍ଦେଶ ଅନୁସାରେ ଅବ୍ୟବସ୍ଥିତ ନଏଜ୍ରୁ ଆରମ୍ଭ କରି ତାହାକୁ ପର୍ଯ୍ୟାୟକ୍ରମେ ପରିଷ୍କାର କରି ଏକ ନୂଆ ଚିତ୍ର ତିଆରି କରେ। ହଗିଂ ଫେସ୍ର ଡିଫ୍ୟୁଜନ୍ ପାଠ୍ୟକ୍ରମରେ ପ୍ରଶିକ୍ଷଣକୁ ବିଭିନ୍ନ ପରିମାଣରେ ନଏଜ୍ ଯୋଡ଼ି ମଡେଲ୍କୁ ତାହା ସୁଧାରିବା ଶିଖାଇବା ଭାବେ, ଏବଂ ଚିତ୍ର ସୃଷ୍ଟିକୁ ଏକ ଚିତ୍ର ଦେଖାଦେବା ପର୍ଯ୍ୟନ୍ତ ଅବ୍ୟବସ୍ଥିତ ନଏଜ୍କୁ ଧୀରେ ଧୀରେ ପରିଷ୍କାର କରିବା ଭାବେ ବର୍ଣ୍ଣନା କରାଯାଇଛି।
କାରଣ ମଡେଲ୍ ଜଣେ ସ୍ଥପତିଙ୍କ ନକ୍ସା ଅନୁସରଣ କରିବା ପରିବର୍ତ୍ତେ ବିଶ୍ୱାସଯୋଗ୍ୟ ମନେହେଉଥିବା ପିକ୍ସେଲ୍ ସଜାଉଛି, ତେଣୁ ଝରକାଗୁଡ଼ିକର ଧାଡ଼ି, ସାଇନ୍ବୋର୍ଡର ଲେଖା କିମ୍ବା ଆଙ୍ଗୁଠି ସଂଖ୍ୟା ପରି ସବିଶେଷ ବିବରଣୀ ଭୁଲ୍ ହୋଇପାରେ। ଏହା ହେଉଛି ରୋୱାନ୍ଙ୍କ ତୃତୀୟ ଟିପ୍ପଣୀ।
ଆପଣ ଏହି ଉପକରଣଗୁଡ଼ିକୁ କିପରି ବ୍ୟବହାର କରିବେ, ସେଥିପାଇଁ ଏହାର ଅର୍ଥ କ’ଣ?
ଏହାର ଅର୍ଥ ହେଉଛି, ଟୁଲ୍ର ସ୍ମୃତି ଉପରେ ନିର୍ଭର ନକରି, ଯେଉଁ ତଥ୍ୟ ଆଧାରରେ ତାହା କାମ କରୁ ବୋଲି ଆପଣ ଚାହାନ୍ତି, ସେହି ତଥ୍ୟ ତାକୁ ଦେବା ଉଚିତ। ଦୁର୍ବଳ ନିର୍ଦ୍ଦେଶ: 'ଘରର ପଛପଟେ ସମ୍ପ୍ରସାରଣ ପାଇଁ ଅନୁମତିପ୍ରାପ୍ତ ନିର୍ମାଣ ନିୟମଗୁଡ଼ିକ କ’ଣ?' ଉତ୍ତରଟି ସାବଲୀଳ ହୁଏ, ପ୍ରତ୍ୟେକ ଚେଷ୍ଟାରେ ବଦଳେ ଏବଂ ଭିନ୍ନ ବର୍ଷ ବା ଦେଶର ନିୟମକୁ ମିଶାଇପାରେ। ଏଥିରେ ବିଶ୍ୱସନୀୟ ଲାଗୁଥିବା କିନ୍ତୁ କାଳ୍ପନିକ ଦଲିଲର ସନ୍ଦର୍ଭ ମଧ୍ୟ ରହିପାରେ, ଯାହା ରୋୱାନ୍ଙ୍କ ଦ୍ୱିତୀୟ ଟିପ୍ପଣୀର କାରଣ ବୁଝାଏ।
ଉନ୍ନତ ନିର୍ଦ୍ଦେଶ: ରୋୱାନ୍ ସରକାରୀ ନିର୍ମାଣ ଯୋଜନା ମାର୍ଗଦର୍ଶିକାରୁ ସମ୍ପୃକ୍ତ ଅଂଶ ପେଷ୍ଟ କରି ପଚାରନ୍ତି: 'କେବଳ ତଳେ ଥିବା ଲେଖା ବ୍ୟବହାର କରି, ଘରର ପଛପଟେ ଏକତଳା ସମ୍ପ୍ରସାରଣର ଆକାର ସୀମାକୁ ଏକ ସାରଣୀରେ ସଂକ୍ଷେପ କର। ଲେଖାରେ କୌଣସି ବିଷୟ ନଥିଲେ, ଉଲ୍ଲେଖ ନାହିଁ ବୋଲି କୁହ।' ଏବେ ମଡେଲ୍ର କାମ ହେଉଛି ନିଜେ ଦେଖିପାରୁଥିବା ଲେଖାକୁ ପୁଣି ଉପସ୍ଥାପନ କରି ସଜାଇବା, ଯାହା ଏହା ଭଲ ଭାବେ କରେ, ଏବଂ ରୋୱାନ୍ ପ୍ରତ୍ୟେକ ଧାଡ଼ିକୁ ମୂଳ ଉତ୍ସ ସହ ମେଳାଇ ଯାଞ୍ଚ କରିପାରନ୍ତି।
ଜେନେରେଟିଭ୍ AIର ସୀମାବଦ୍ଧତା କ’ଣ?
ସୃଜନଶୀଳ AIର ମୁଖ୍ୟ ସୀମାବଦ୍ଧତା ହେଲା, ଏହା ଭୁଲ୍ କଥାକୁ ଆତ୍ମବିଶ୍ୱାସର ସହିତ କହିପାରେ, ସନ୍ଧାନ ସୁବିଧା କିମ୍ବା ଦଲିଲ ସହିତ ସଂଯୁକ୍ତ ନଥିଲେ ଏହାର ଜ୍ଞାନ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ସମୟ ପର୍ଯ୍ୟନ୍ତ ସୀମିତ ରହେ, ଏହାର ପ୍ରସଙ୍ଗ ସୀମା ଭିତରେ ରହୁଥିବା ତଥ୍ୟ ସହିତ ହିଁ ଏହା କାମ କରିପାରେ, ଏବଂ ଏହାର ପ୍ରଶିକ୍ଷଣ ତଥ୍ୟରେ ଥିବା ପକ୍ଷପାତ ଏହାର ଉତ୍ତରରେ ପ୍ରତିଫଳିତ ହୋଇପାରେ। ଅଧିକ ଭଦ୍ର ଭାବରେ ପଚାରିଲେ ଏସବୁ ତ୍ରୁଟି ଦୂର ହୋଇଯିବ ନାହିଁ; ମଡେଲଗୁଡ଼ିକ ଯେପରି କାମ କରନ୍ତି, ସେଥିରୁ ଏହି ସୀମାବଦ୍ଧତା ସୃଷ୍ଟି ହୁଏ।
ତଥ୍ୟ, ସଂଖ୍ୟା, ନାମ ଓ ସନ୍ଦର୍ଭଗୁଡ଼ିକୁ ଆପଣ ଭରସା କରୁଥିବା ଏକ ଉତ୍ସ ସହ ମେଳାଇ ଯାଞ୍ଚ କରନ୍ତୁ, ଏବଂ ଯେତେବେଳେ ସଠିକତା ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ, ଟୁଲ୍କୁ ମୂଳ ଉତ୍ସର ସାମଗ୍ରୀ ଦିଅନ୍ତୁ।
Tosheo.ai ପାଠ୍ୟତାଲିକାରେ ଏହି ପାଠ କେଉଁଠି ସ୍ଥାନ ପାଏ?
ସୃଜନକାରୀ AI କିପରି କାମ କରେ ପାଠଟି AIର ମୌଳିକ ବିଷୟ ଶ୍ରେଣୀରେ ଅଛି। ଏହା ନବଶିକ୍ଷାର୍ଥୀଙ୍କ ପାଇଁ AIର ଏକ ପ୍ରାରମ୍ଭିକ ପାଠ ଏବଂ ସୃଜନକାରୀ AI ପାଠ୍ୟକ୍ରମର ପ୍ରଥମ ପାଠ। Tosheo.aiରେ ଥିବା ବ୍ୟବହାରିକ କାର୍ଯ୍ୟରେ, ଟେମ୍ପରେଚର୍ ପରି ସେଟିଂ ବଦଳାଇଲେ କିମ୍ବା ଉତ୍ସ ପାଠ୍ୟ ଦେଲେ ଏକ ଟୁଲ୍ କିପରି ଆଚରଣ କରିବ, ତାହା ପ୍ରଥମେ ଅନୁମାନ କରି ପରେ ପରୀକ୍ଷା କରିବାକୁ କୁହାଯାଏ। ମୂଲ୍ୟାୟନ ମାନଦଣ୍ଡ ଆଧାରିତ ମତାମତରେ ଆପଣଙ୍କ ବ୍ୟାଖ୍ୟା ଜଣେ ସହକର୍ମୀଙ୍କ ପାଇଁ ବୋଧଗମ୍ୟ ହେବ କି ନାହିଁ ଯାଞ୍ଚ କରାଯାଏ।