AI முகவர்களின் வளர்ச்சி: எளிமை சிக்கலை விட சிறந்தது

AI முகவர்களின் வரையறை

AI முகவர்கள் பற்றிய கருத்துக்கள் பல உள்ளன. சிலர் அவற்றை, சுயமாக சிந்தித்து, முடிவெடுத்து, கருவிகளைப் பயன்படுத்தி சிக்கலான வேலைகளைச் செய்யும் "சர்வ வல்லமை படைத்த பணியாளராக" கருதுகின்றனர். மற்றவர்கள், அவை முன் வரையறுக்கப்பட்ட வேலைகளை செய்யும் "கட்டுப்பாட்டுடன் செயல்படும் ஊழியர்" என நினைக்கின்றனர். Anthropic நிறுவனம், இவை இரண்டையும் "புத்திசாலித்தனமான அமைப்புகள்" என்று குறிப்பிட்டு, வேலைப்பாய்வு மற்றும் முகவர்களை வேறுபடுத்துகிறது.

வேலைப்பாய்வு: பெரிய மொழி மாதிரிகள் (LLM) மற்றும் கருவிகளை, முன் வரையறுக்கப்பட்ட குறியீடு பாதைகள் மூலம் ஒழுங்குபடுத்தும் அமைப்பு.
முகவர்: LLM மூலம் இயக்கப்படும் ஒரு அமைப்பு, இது தன் செயல்முறைகள் மற்றும் கருவிகளின் பயன்பாட்டைத் தானே தீர்மானிக்கிறது, மேலும் வேலையை முடிக்கும் முறையைத் தானே கட்டுப்படுத்துகிறது.

முகவர்களை எப்போது பயன்படுத்த வேண்டும்?

Anthropic நிறுவனம், AI பயன்பாடுகளை உருவாக்கும்போது, "எளிமையாக இருக்க முடிந்தால் சிக்கலாக்க வேண்டாம்" என்ற கொள்கையை பின்பற்ற பரிந்துரைக்கிறது. எல்லா சூழ்நிலைகளிலும் சிக்கலான அமைப்புகளை உருவாக்க வேண்டியதில்லை. புத்திசாலித்தனமான அமைப்புகள் சக்திவாய்ந்ததாக இருந்தாலும், அவை பதிலளிக்கும் நேரத்தை குறைத்து செலவை அதிகரிக்கலாம். எனவே, உருவாக்குநர்கள் செயல்பாடு மற்றும் திறன் இடையே சமநிலைப்படுத்த வேண்டும்.

வேலைப்பாய்வு: கணிக்கக்கூடிய மற்றும் நிலையான வேலைகளுக்கு ஏற்றது.
முகவர்: நெகிழ்வுத்தன்மை மற்றும் மாதிரி-உந்துதல் முடிவுகள் தேவைப்படும் பெரிய அளவிலான சூழ்நிலைகளுக்கு மிகவும் பொருத்தமானது.

பல பயன்பாடுகளுக்கு, நல்ல தூண்டுதல் சொற்களைப் பயன்படுத்தி, தேடல் மற்றும் சூழல் எடுத்துக்காட்டுகளுடன், பெரிய மாதிரியிடம் நேரடியாகக் கேட்பது போதுமானது.

கட்டமைப்புகளின் பயன்பாடு

சந்தையில், AI முகவர்களை உருவாக்க உதவும் பல கட்டமைப்புகள் உள்ளன:

LangChain-ன் LangGraph
அமேசான் பெட்ராக் AI முகவர் கட்டமைப்பு
Rivet என்ற இழுத்து போடும் பெரிய மாதிரி வேலைப்பாய்வு கருவி
Vellum என்ற சிக்கலான வேலைப்பாய்வுகளை உருவாக்க மற்றும் சோதிக்க உதவும் GUI கருவி

இந்த கட்டமைப்புகள், உருவாக்க செயல்முறையை எளிதாக்குகின்றன. ஆனால் அவை குறியீட்டின் சுருக்கத்தை அதிகரித்து, அடிப்படையான தர்க்கத்தை வெளிப்படையாக்காமல், சரிசெய்வதை கடினமாக்கி, எளிமையான சூழ்நிலைகளில் அதிக சிக்கலான தீர்வுகளை அறிமுகப்படுத்தலாம்.

Anthropic நிறுவனம், பெரிய மாதிரிகளின் API-களை நேரடியாகப் பயன்படுத்தத் தொடங்குமாறு பரிந்துரைக்கிறது. பல மாதிரிகள் சில வரிக் குறியீட்டில் செயல்படுத்தப்படலாம். நீங்கள் கட்டமைப்பைப் பயன்படுத்தினால், அதன் அடிப்படை கொள்கைகளை புரிந்து கொள்ள வேண்டும். கட்டமைப்பின் அடிப்படை இயக்கத்தை புரிந்து கொள்ளாததுதான், வளர்ச்சி சிக்கல்களுக்கு முக்கிய காரணம்.

Anthropic-ன் சமையல் புத்தகம் (cookbook) குறிப்பிட்ட உதாரணங்களை வழங்குகிறது.

கட்டுமான தொகுதிகள், வேலைப்பாய்வுகள் மற்றும் முகவர்கள்

அடிப்படை கட்டுமான தொகுதி: மேம்படுத்தப்பட்ட LLM

புத்திசாலித்தனமான அமைப்புகளின் அடிப்படை கட்டுமானத் தொகுதி, மேம்படுத்தப்பட்ட LLM ஆகும். இது தேடல் மற்றும் நினைவகம் போன்ற திறன்களைக் கொண்டுள்ளது. Anthropic-ன் மாதிரிகள், தேடல் கேள்விகளை உருவாக்குதல், கருவிகளைத் தேர்ந்தெடுப்பது மற்றும் தக்கவைக்க வேண்டிய தகவல்களை முடிவு செய்வது போன்ற திறன்களைப் பயன்படுத்தலாம்.

செயல்பாடுகளை விரிவுபடுத்தும்போது, பின்வருவனவற்றில் கவனம் செலுத்த வேண்டும்:

குறிப்பிட்ட பயன்பாட்டு சூழ்நிலைகளுக்கு ஏற்ப செயல்பாடுகளைத் தனிப்பயனாக்குதல்
மாதிரிக்கு எளிய மற்றும் ஆவணப்படுத்தப்பட்ட இடைமுகத்தை வழங்குவதை உறுதி செய்தல்

Anthropic சமீபத்தில் வெளியிட்ட மாதிரி சூழல் நெறிமுறை, AI மாதிரிகள் மற்றும் மூன்றாம் தரப்பு கருவிகள் ஒருங்கிணைப்பை எளிதாக்குகிறது.

வேலைப்பாய்வு: தூண்டுதல் சங்கிலி

தூண்டுதல் சங்கிலி, சிக்கலான பணிகளை பல படிகளாக பிரிக்கிறது. ஒவ்வொரு படியும் ஒரு பெரிய மாதிரியை அழைக்கிறது, மேலும் அடுத்தடுத்த படிகள் முந்தைய முடிவுகளை அடிப்படையாகக் கொண்டு செயல்படுகின்றன. உருவாக்குநர்கள், செயல்முறை திட்டமிட்டபடி செல்கிறதா என்பதை உறுதிப்படுத்த, இடைப்பட்ட புள்ளிகளைச் சேர்க்கலாம்.

தூண்டுதல் சங்கிலி, சிக்கலான பணிகளை தெளிவாகவும், நிலையான துணை பணிகளாக பிரிக்கக்கூடிய சூழ்நிலைகளுக்கு ஏற்றது. ஒவ்வொரு மாதிரியும் ஒரு எளிய பணியை முடிப்பதில் கவனம் செலுத்துகிறது. ஒட்டுமொத்த பதில் நேரம் சற்று அதிகமாக இருந்தாலும், துல்லியம் கணிசமாக அதிகரிக்கும்.