ஒரே கேள்விக்கு உரையாடல் கருவி ஏன் வெவ்வேறு பதில்களைத் தருகிறது?
ஒரு உரையாடல் மென்பொருள் ஒரே கேள்விக்கு வெவ்வேறு பதில்களை அளிக்கிறது. ஏனெனில், அடுத்து வர வாய்ப்புள்ள சொற்களிலிருந்து தேர்ந்தெடுத்து ஒவ்வொரு பதிலையும் அது உருவாக்குகிறது; அந்தத் தேர்வில் வழக்கமாக ஓரளவு சீரற்ற தன்மையும் இருக்கும். சேமித்து வைக்கப்பட்ட ஒரே பதிலை அது எடுத்துத் தருவதில்லை.
ஃபேர்லைன் ஆர்கிடெக்ட்ஸ் என்ற கற்பனையான, 30 பேர் கொண்ட கட்டடக்கலை நிறுவனத்தை எடுத்துக்கொள்ளுங்கள். செயற்கை நுண்ணறிவு உதவியாளரை நிறுவனம் பயன்படுத்தத் தொடங்குவதற்கு முன், மூன்று விஷயங்களை விளக்குமாறு அலுவலக மேலாளர் ரோவனிடம் ஒரு பங்குதாரர் கேட்கிறார். ரோவனின் குறிப்புகள் இவ்வாறு உள்ளன: 'தனியான திட்ட அனுமதி தேவையில்லாத கட்டுமானப் பணிகளுக்கான விதிகளைப் பற்றி இருமுறை கேட்டேன், இரண்டு வெவ்வேறு பதில்கள் கிடைத்தன'; 'உண்மையில் இல்லாத ஒரு திட்டமிடல் வழிகாட்டி ஆவண எண்ணை மேற்கோளாகக் கொடுத்தது'; 'படக் கருவி புதிய பணியகத்தின் அழகான வரைவை உருவாக்கியது, ஆனால் சன்னல்கள் ஒரே சீரில் இல்லை'. கருவி பழுதாகிவிட்டதா என்பதைப் பங்குதாரர் அறிய விரும்புகிறார். அது பழுதாகவில்லை. எதைச் செய்ய உருவாக்கப்பட்டதோ அதைத்தான் செய்கிறது.
உருவாக்க AI மாதிரிக்கு எப்படிப் பயிற்சி அளிக்கப்படுகிறது?
பெரிய மொழி மாதிரிக்கு முதலில் மிகப்பெரிய உரைத் தொகுப்பைப் பயன்படுத்தி, அடுத்த உரைப்பகுதியைக் கணிக்கப் பயிற்சி அளிக்கப்படுகிறது. பின்னர் வழிமுறைகளைப் பின்பற்றவும் பயனுள்ள பதில்களை அளிக்கவும் கூடுதல் பயிற்சி அளிக்கப்படுகிறது. Anthropic கலைச்சொல் விளக்கத்தின்படி, முன்பயிற்சி என்பது, குறியிடப்படாத பெரிய உரைத் தொகுப்பைக் கொண்டு, முந்தைய சூழலின் அடிப்படையில் அடுத்த சொல்லைக் கணிக்கப் பயிற்சி அளிப்பதாகும். அதைத் தொடர்ந்து நுண்சீரமைப்பும் மனிதப் பின்னூட்டத்தின் அடிப்படையிலான வலுவூட்டல் கற்றலும் நடைபெறுகின்றன; இதில் மனிதர்கள் மாதிரிப் பதில்களைத் தரவரிசைப்படுத்துகிறார்கள், சிறந்த பதில்களுக்கு முன்னுரிமை அளிக்க மாதிரி கற்றுக்கொள்கிறது.
மாதிரி ஒவ்வொரு ஆவணத்தின் நகலையும் வைத்திருப்பதில்லை. தரவிலுள்ள வடிவங்களுடன் தனது கணிப்புகள் பொருந்தும் வரை, அது தனக்குள் உள்ள பல பில்லியன் எண்களைச் சரிசெய்கிறது. இறுதியில் அதனிடம் இருப்பது, தேடக்கூடிய நூலகத்தைவிட, மொழியும் கருத்துகளும் பொதுவாக எப்படி ஒன்றோடொன்று பொருந்துகின்றன என்பது குறித்த மிக விரிவான புரிதலைப் போன்றது.
உரை அலகுகள் என்றால் என்ன, அவற்றை மாதிரி எவ்வாறு கணிக்கிறது?
டோக்கன்கள் என்பவை ஒரு மாதிரி படித்தும் எழுதியும் பயன்படுத்தும் சிறிய அலகுகள்; அவை பெரும்பாலும் ஒரு சொல்லாகவோ சொல்லின் ஒரு பகுதியாகவோ இருக்கும். அடுத்து வரக்கூடிய டோக்கனை மீண்டும் மீண்டும் கணிப்பதன் மூலம் மாதிரி எழுதுகிறது. ஒரு நீண்ட தொடருக்குள் ஒரு டோக்கன் அல்லது டோக்கன் தொடர் இடம்பெறுவதற்கான நிகழ்தகவை மொழி மாதிரி மதிப்பிடுவதாக Google-இன் இயந்திரக் கற்றல் பாடநெறி விளக்குகிறது. தோராயமாக 400 டோக்கன்கள் சுமார் 300 ஆங்கிலச் சொற்களுக்குச் சமம் என்றும் அது குறிப்பிடுகிறது.
ஒவ்வொரு படியிலும், அடுத்து வரக்கூடிய பல சொற்கூறுகளுக்கு மாதிரி மதிப்பெண் வழங்குகிறது. பின்னர் செயலி அவற்றில் ஒன்றைத் தேர்ந்தெடுக்கிறது. சில நேரங்களில் அதிக வாய்ப்புள்ள ஒன்றையும், பெரும்பாலும் வாய்ப்புள்ள தேர்வுகளிலிருந்து மாதிரி அடிப்படையில் ஒன்றையும் தேர்ந்தெடுக்கிறது. ‘வெப்பநிலை’ எனப்படும் அமைப்பு, அந்தத் தேர்வு எவ்வளவு வழக்கத்திலிருந்து விலகலாம் என்பதைக் கட்டுப்படுத்துகிறது: அதிக மதிப்புகள் சொற்றொடர்களில் அதிக வேறுபாட்டைத் தரும்; குறைந்த மதிப்புகள் இன்னும் கணிக்கக்கூடிய சொற்றொடர்களைத் தரும். மிகக் குறைந்த வெப்பநிலையில்கூட முடிவுகள் முழுமையாக ஒரே மாதிரியாக இருப்பதில்லை என்று Anthropic குறிப்பிடுகிறது. இதுவே ரோவனின் முதல் குறிப்புக்கான பதில்.
AI பட உருவாக்கிகள் எவ்வாறு செயல்படுகின்றன?
பல AI பட உருவாக்கக் கருவிகள் பரவல் எனப்படும் முறையைப் பயன்படுத்துகின்றன: மாதிரி படங்களிலிருந்து இரைச்சலை அகற்றக் கற்றுக்கொள்கிறது. பின்னர், உங்கள் உரை விளக்கத்தின் வழிகாட்டுதலுடன், சீரற்ற இரைச்சலில் தொடங்கி அதை ஒவ்வொரு படியாகச் செம்மைப்படுத்திப் புதிய படத்தை உருவாக்குகிறது. Hugging Face-இன் பரவல் முறைப் பாடநெறி, வெவ்வேறு அளவுகளில் இரைச்சலைச் சேர்த்து அதைச் சரிசெய்ய மாதிரிக்குக் கற்றுத்தருவதாகப் பயிற்சியை விவரிக்கிறது. சீரற்ற இரைச்சலைப் படிப்படியாகச் செம்மைப்படுத்தி ஒரு படம் தோன்றச் செய்வதாகப் பட உருவாக்கத்தை விவரிக்கிறது.
ஏனெனில் அந்த மாதிரி ஒரு கட்டடக் கலைஞரின் வரைபடத்தைப் பின்பற்றாமல், நம்பத்தகுந்ததாகத் தோன்றும் படப்புள்ளிகளை வடிவமைக்கிறது. அதனால் சன்னல்களின் சீரமைப்பு, அறிவிப்புப் பலகைகளில் உள்ள எழுத்துகள் அல்லது விரல்களின் எண்ணிக்கை போன்ற விவரங்கள் தவறாக வரக்கூடும். இதுதான் ரோவனின் மூன்றாவது குறிப்பு.
கருவிகளை நீங்கள் பயன்படுத்தும் விதத்தில் இதனால் என்ன மாற்றம் ஏற்படும்?
கருவியின் நினைவாற்றலை நம்புவதற்குப் பதிலாக, அது எந்த உண்மைகளின் அடிப்படையில் செயல்பட வேண்டும் என்பதை நீங்கள் வழங்க வேண்டும் என்பதே இதன் பொருள். பலவீனமான வழிமுறை: 'வீட்டின் பின்புற விரிவாக்கத்திற்கு அனுமதிக்கப்பட்ட கட்டுமான விதிகள் என்ன?' பதில் சரளமாக இருக்கும்; ஒவ்வொரு முயற்சியிலும் மாறுபடும்; வெவ்வேறு ஆண்டுகள் அல்லது நாடுகளின் விதிகளைக் கலந்து கூறக்கூடும். நம்பத்தகுந்ததாகத் தோன்றும், ஆனால் கற்பனையாக உருவாக்கப்பட்ட ஆவணக் குறிப்பையும் அது கொண்டிருக்கலாம். இதுவே ரோவனின் இரண்டாவது குறிப்புக்கான விளக்கம்.
மேம்படுத்தப்பட்ட வழிமுறை: ரோவன் அதிகாரப்பூர்வ கட்டிடத் திட்டமிடல் வழிகாட்டுதலிலிருந்து தொடர்புடைய பகுதியை ஒட்டி, இவ்வாறு கேட்கிறார்: 'கீழே உள்ள உரையை மட்டும் பயன்படுத்தி, ஒற்றை மாடிப் பின்புறக் கட்டிட நீட்டிப்புக்கான அளவு வரம்புகளை அட்டவணையில் சுருக்கமாகத் தரவும். ஏதேனும் ஒன்று உரையில் குறிப்பிடப்படவில்லை என்றால், குறிப்பிடப்படவில்லை என்று கூறவும்.' இப்போது மாதிரியின் வேலை, அதற்குக் காணக்கூடிய உரையை மறுவடிவில் கூறி ஒழுங்குபடுத்துவது மட்டுமே. அதை அது நன்றாகச் செய்கிறது. ரோவனும் ஒவ்வொரு வரியையும் மூலத்துடன் ஒப்பிட்டுச் சரிபார்க்கலாம்.
உருவாக்கும் AI-இன் வரம்புகள் என்ன?
முக்கிய வரம்புகள்: உருவாக்கும் AI தவறானவற்றை நம்பிக்கையுடன் கூறக்கூடும்; தேடல் அல்லது ஆவணங்களுடன் இணைக்கப்படாவிட்டால், அதன் அறிவு ஒரு குறிப்பிட்ட காலத்துடன் நின்றுவிடும்; அதன் சூழல் சாளரத்திற்குள் அடங்கும் தகவல்களுடன் மட்டுமே அதனால் வேலை செய்ய முடியும்; அதன் பயிற்சித் தரவில் உள்ள சார்புகளை அது பிரதிபலிக்கக்கூடும். இன்னும் பணிவாகக் கேட்டால் சரியாகிவிடும் பிழைகள் அல்ல இவை; மாதிரிகள் செயல்படும் விதத்திலிருந்தே இவை உருவாகின்றன.
உண்மைகள், எண்கள், பெயர்கள் மற்றும் மேற்கோள்களை நீங்கள் நம்பும் ஆதாரத்துடன் ஒப்பிட்டுச் சரிபார்க்கவும். துல்லியம் முக்கியமானபோதெல்லாம் கருவிக்கு ஆதாரத் தகவல்களை வழங்கவும்.
Tosheo.ai பாடத் தொகுப்பில் இந்தப் பாடம் எந்தப் பகுதியில் இடம்பெறுகிறது?
உருவாக்க AI எப்படிச் செயல்படுகிறது என்ற பாடம், AI அடிப்படைகள் பிரிவில் உள்ளது. இது தொடக்கநிலையினருக்கான AI பாடங்களில் ஆரம்பத்தில் வரும் பாடமாகவும், உருவாக்க AI படிப்பின் முதல் பாடமாகவும் உள்ளது. Tosheo.ai தளத்தில், வெப்பநிலை போன்ற அமைப்புகளை மாற்றும்போது அல்லது மூல உரையை வழங்கும்போது ஒரு கருவி எப்படி நடந்துகொள்ளும் என்பதை முதலில் கணித்து, பின்னர் சோதிக்கும்படி செய்முறைப் பணி கேட்கிறது. உங்கள் விளக்கம் ஒரு சக ஊழியருக்குப் புரியும்படி உள்ளதா என்பதை மதிப்பீட்டு அளவுகோல்களின் அடிப்படையிலான பின்னூட்டம் சரிபார்க்கிறது.