ਮਨੁੱਖੀ ਛੋਹ: ਐਲਐਲਐਮ ਦੀ ਅਸਲ-ਵਿਸ਼ਵ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਾ

ਜਾਣ-ਪਛਾਣ

ਜਿਵੇਂ ਕਿ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ (LLMs) ਦੇ ਵਿਕਾਸ ਵਿੱਚ ਤੇਜ਼ੀ ਆਉਂਦੀ ਹੈ, ਇਹ ਵੱਖ-ਵੱਖ ਖੇਤਰਾਂ ਵਿੱਚ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਉਹਨਾਂ ਦੇ ਵਿਹਾਰਕ ਉਪਯੋਗ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਾ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਇਹ ਲੇਖ ਸੱਤ ਮੁੱਖ ਖੇਤਰਾਂ ਬਾਰੇ ਜਾਣਕਾਰੀ ਦਿੰਦਾ ਹੈ ਜਿੱਥੇ LLMs, ਜਿਵੇਂ ਕਿ BLOOM, ਦੀ ਸਖਤੀ ਨਾਲ ਜਾਂਚ ਕੀਤੀ ਗਈ ਹੈ, ਉਹਨਾਂ ਦੀ ਅਸਲ ਸਮਰੱਥਾ ਅਤੇ ਸੀਮਾਵਾਂ ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ ਮਨੁੱਖੀ ਸੂਝ ਦਾ ਲਾਭ ਉਠਾਉਂਦੇ ਹੋਏ।

AI #1 'ਤੇ ਮਨੁੱਖੀ ਇਨਸਾਈਟਸ: ਜ਼ਹਿਰੀਲੇ ਭਾਸ਼ਣ ਦੀ ਖੋਜ

ਇੱਕ ਆਦਰਪੂਰਣ ਔਨਲਾਈਨ ਵਾਤਾਵਰਣ ਨੂੰ ਬਣਾਈ ਰੱਖਣ ਲਈ ਪ੍ਰਭਾਵੀ ਜ਼ਹਿਰੀਲੇ ਭਾਸ਼ਣ ਦੀ ਖੋਜ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਮਨੁੱਖੀ ਮੁਲਾਂਕਣਾਂ ਨੇ ਦਿਖਾਇਆ ਹੈ ਕਿ ਜਦੋਂ ਕਿ LLM ਕਦੇ-ਕਦਾਈਂ ਸਪੱਸ਼ਟ ਜ਼ਹਿਰੀਲੀਆਂ ਟਿੱਪਣੀਆਂ ਦਾ ਪਤਾ ਲਗਾ ਸਕਦੇ ਹਨ, ਉਹ ਅਕਸਰ ਸੂਖਮ ਜਾਂ ਸੰਦਰਭ-ਵਿਸ਼ੇਸ਼ ਟਿੱਪਣੀਆਂ 'ਤੇ ਨਿਸ਼ਾਨ ਨੂੰ ਗੁਆ ਦਿੰਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਗਲਤੀਆਂ ਹੁੰਦੀਆਂ ਹਨ। ਇਹ LLMs ਲਈ ਔਨਲਾਈਨ ਭਾਸ਼ਣ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਪ੍ਰਬੰਧਿਤ ਕਰਨ ਲਈ ਵਧੇਰੇ ਸ਼ੁੱਧ ਸਮਝ ਅਤੇ ਪ੍ਰਸੰਗਿਕ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਵਿਕਸਿਤ ਕਰਨ ਦੀ ਲੋੜ ਨੂੰ ਉਜਾਗਰ ਕਰਦਾ ਹੈ।

AI #1 'ਤੇ ਮਨੁੱਖੀ ਇਨਸਾਈਟਸ ਲਈ ਉਦਾਹਰਨ: ਜ਼ਹਿਰੀਲੇ ਭਾਸ਼ਣ ਦੀ ਖੋਜ

ਦ੍ਰਿਸ਼ਟੀਕੋਣ: ਇੱਕ ਔਨਲਾਈਨ ਫੋਰਮ ਟਿੱਪਣੀਆਂ ਨੂੰ ਸੰਚਾਲਿਤ ਕਰਨ ਲਈ ਇੱਕ LLM ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਇੱਕ ਉਪਭੋਗਤਾ ਪੋਸਟ ਕਰਦਾ ਹੈ, "ਮੈਨੂੰ ਉਮੀਦ ਹੈ ਕਿ ਤੁਸੀਂ ਹੁਣ ਆਪਣੇ ਆਪ ਤੋਂ ਖੁਸ਼ ਹੋ," ਇੱਕ ਚਰਚਾ ਵਿੱਚ। ਪ੍ਰਸੰਗ ਵਾਤਾਵਰਣ ਨੀਤੀਆਂ 'ਤੇ ਇੱਕ ਗਰਮ ਬਹਿਸ ਹੈ, ਜਿੱਥੇ ਇਹ ਟਿੱਪਣੀ ਕਿਸੇ ਅਜਿਹੇ ਵਿਅਕਤੀ 'ਤੇ ਨਿਰਦੇਸ਼ਿਤ ਕੀਤੀ ਗਈ ਸੀ ਜਿਸ ਨੇ ਹੁਣੇ ਹੀ ਇੱਕ ਵਿਵਾਦਪੂਰਨ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਪੇਸ਼ ਕੀਤਾ ਸੀ।

LLM ਮੁਲਾਂਕਣ: LLM ਟਿੱਪਣੀ ਦੇ ਹੇਠਲੇ ਪੈਸਿਵ-ਹਮਲਾਵਰ ਟੋਨ ਨੂੰ ਜ਼ਹਿਰੀਲੇ ਵਜੋਂ ਖੋਜਣ ਵਿੱਚ ਅਸਫਲ ਹੋ ਸਕਦਾ ਹੈ, ਇਸਦੇ ਸਤਹੀ ਤੌਰ 'ਤੇ ਨਿਰਪੱਖ ਸ਼ਬਦਾਵਲੀ ਦੇ ਕਾਰਨ.

ਮਨੁੱਖੀ ਸੂਝ: ਇੱਕ ਮਨੁੱਖੀ ਸੰਚਾਲਕ ਟਿੱਪਣੀ ਦੀ ਪ੍ਰਸੰਗਿਕ ਨਕਾਰਾਤਮਕਤਾ ਨੂੰ ਸਮਝਦਾ ਹੈ, ਇਸਨੂੰ ਦੂਜੇ ਵਿਅਕਤੀ ਦੇ ਰੁਖ ਨੂੰ ਕਮਜ਼ੋਰ ਕਰਨ ਦੇ ਉਦੇਸ਼ ਨਾਲ ਜ਼ਹਿਰੀਲੇਪਣ ਦੇ ਇੱਕ ਸੂਖਮ ਰੂਪ ਵਜੋਂ ਮਾਨਤਾ ਦਿੰਦਾ ਹੈ। ਇਹ ਪ੍ਰਭਾਵੀ ਸੰਜਮ ਲਈ LLM ਵਿੱਚ ਸੂਝ-ਬੂਝ ਦੀ ਲੋੜ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।

AI #2 'ਤੇ ਮਨੁੱਖੀ ਇਨਸਾਈਟਸ: ਕਲਾਤਮਕ ਰਚਨਾ

LLMs ਨੇ ਕਹਾਣੀਆਂ ਅਤੇ ਕਵਿਤਾਵਾਂ ਵਰਗੇ ਰਚਨਾਤਮਕ ਪਾਠ ਤਿਆਰ ਕਰਨ ਦੀ ਆਪਣੀ ਯੋਗਤਾ ਲਈ ਧਿਆਨ ਖਿੱਚਿਆ ਹੈ। ਫਿਰ ਵੀ, ਜਦੋਂ ਮਨੁੱਖਾਂ ਦੁਆਰਾ ਮੁਲਾਂਕਣ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਹ ਸਪੱਸ਼ਟ ਹੁੰਦਾ ਹੈ ਕਿ ਜਦੋਂ ਇਹ ਮਾਡਲ ਇੱਕਸਾਰ ਕਹਾਣੀਆਂ ਨੂੰ ਬੁਣ ਸਕਦੇ ਹਨ, ਉਹ ਅਕਸਰ ਰਚਨਾਤਮਕਤਾ ਅਤੇ ਭਾਵਨਾਤਮਕ ਡੂੰਘਾਈ ਵਿੱਚ ਘੱਟ ਜਾਂਦੇ ਹਨ, ਜੋ ਕਿ ਅਸਲ ਵਿੱਚ ਮਨੁੱਖਾਂ ਵਰਗੀ ਰਚਨਾਤਮਕ ਚੰਗਿਆੜੀ ਨਾਲ AI ਨੂੰ ਲੈਸ ਕਰਨ ਦੀ ਚੁਣੌਤੀ ਨੂੰ ਰੇਖਾਂਕਿਤ ਕਰਦੇ ਹਨ।

AI #2 'ਤੇ ਮਨੁੱਖੀ ਇਨਸਾਈਟਸ ਲਈ ਉਦਾਹਰਨ: ਕਲਾਤਮਕ ਰਚਨਾ

ਦ੍ਰਿਸ਼ਟੀਕੋਣ: ਇੱਕ ਲੇਖਕ ਇੱਕ LLM ਨੂੰ ਇੱਕ ਛੋਟੀ ਕਹਾਣੀ ਦੇ ਵਿਚਾਰ ਲਈ ਪੁੱਛਦਾ ਹੈ ਜਿਸ ਵਿੱਚ ਇੱਕ ਸਮਾਂ-ਯਾਤਰਾ ਜਾਸੂਸ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ।

LLM ਆਉਟਪੁੱਟ: LLM ਇੱਕ ਪਲਾਟ ਦਾ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ ਜਿੱਥੇ ਜਾਸੂਸ ਇੱਕ ਇਤਿਹਾਸਕ ਬੇਇਨਸਾਫ਼ੀ ਨੂੰ ਰੋਕਣ ਲਈ ਵਾਪਸ ਯਾਤਰਾ ਕਰਦਾ ਹੈ ਪਰ ਇੱਕ ਵੱਡੀ ਇਤਿਹਾਸਕ ਘਟਨਾ ਦਾ ਕਾਰਨ ਬਣਦਾ ਹੈ।

ਮਨੁੱਖੀ ਸੂਝ: ਜਦੋਂ ਕਿ ਪਲਾਟ ਇੱਕ ਹੱਦ ਤੱਕ ਇਕਸਾਰ ਅਤੇ ਸਿਰਜਣਾਤਮਕ ਹੈ, ਇੱਕ ਮਨੁੱਖੀ ਸਮੀਖਿਅਕ ਨੋਟ ਕਰਦਾ ਹੈ ਕਿ ਇਸ ਵਿੱਚ ਚਰਿੱਤਰ ਦੇ ਵਿਕਾਸ ਵਿੱਚ ਮੌਲਿਕਤਾ ਅਤੇ ਡੂੰਘਾਈ ਦੀ ਘਾਟ ਹੈ, AI-ਉਤਪੰਨ ਸੰਕਲਪਾਂ ਅਤੇ ਮਨੁੱਖੀ-ਲੇਖਿਤ ਰਚਨਾਵਾਂ ਵਿੱਚ ਪਾਈ ਜਾਣ ਵਾਲੀ ਸੂਖਮ ਕਹਾਣੀ ਸੁਣਾਉਣ ਦੇ ਵਿਚਕਾਰ ਪਾੜੇ ਨੂੰ ਉਜਾਗਰ ਕਰਦਾ ਹੈ।

AI #3 'ਤੇ ਮਨੁੱਖੀ ਇਨਸਾਈਟਸ: ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇਣਾ

ਸਵਾਲ-ਜਵਾਬ ਦੇਣ ਦੀਆਂ ਸਮਰੱਥਾਵਾਂ ਵਿਦਿਅਕ ਸਰੋਤਾਂ ਅਤੇ ਗਿਆਨ ਪ੍ਰਾਪਤੀ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਬੁਨਿਆਦੀ ਹਨ। LLM ਨੇ ਸਿੱਧੇ ਸਵਾਲਾਂ ਦੇ ਸਹੀ ਜਵਾਬ ਦੇਣ ਵਿੱਚ ਵਾਅਦਾ ਦਿਖਾਇਆ ਹੈ। ਹਾਲਾਂਕਿ, ਉਹ ਗੁੰਝਲਦਾਰ ਪੁੱਛਗਿੱਛਾਂ ਨਾਲ ਸੰਘਰਸ਼ ਕਰਦੇ ਹਨ ਜਾਂ ਜਦੋਂ ਇੱਕ ਡੂੰਘੀ ਸਮਝ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਚੱਲ ਰਹੀ ਸਿਖਲਾਈ ਅਤੇ ਮਾਡਲ ਸੁਧਾਈ ਦੀ ਮਹੱਤਵਪੂਰਨ ਲੋੜ ਨੂੰ ਉਜਾਗਰ ਕਰਦੇ ਹੋਏ।

AI #3 'ਤੇ ਮਨੁੱਖੀ ਇਨਸਾਈਟਸ ਲਈ ਉਦਾਹਰਨ: ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇਣਾ

ਦ੍ਰਿਸ਼ਟੀਕੋਣ: ਇੱਕ ਵਿਦਿਆਰਥੀ ਪੁੱਛਦਾ ਹੈ, "ਬਰਤਾਨੀਆ ਵਿੱਚ ਉਦਯੋਗਿਕ ਕ੍ਰਾਂਤੀ ਕਿਉਂ ਸ਼ੁਰੂ ਹੋਈ?"

LLM ਜਵਾਬ: "ਉਦਯੋਗਿਕ ਕ੍ਰਾਂਤੀ ਬ੍ਰਿਟੇਨ ਵਿੱਚ ਕੁਦਰਤੀ ਸਰੋਤਾਂ, ਜਿਵੇਂ ਕਿ ਕੋਲੇ ਅਤੇ ਲੋਹੇ, ਅਤੇ ਇਸਦੇ ਵਿਸਤ੍ਰਿਤ ਸਾਮਰਾਜ ਤੱਕ ਪਹੁੰਚ ਦੇ ਕਾਰਨ ਸ਼ੁਰੂ ਹੋਈ, ਜਿਸਨੇ ਮਾਲ ਲਈ ਬਾਜ਼ਾਰ ਪ੍ਰਦਾਨ ਕੀਤੇ।"

ਮਨੁੱਖੀ ਸੂਝ: ਹਾਲਾਂਕਿ ਸਟੀਕ ਹੈ, LLM ਦਾ ਜਵਾਬ ਉਹਨਾਂ ਗੁੰਝਲਦਾਰ ਸਮਾਜਿਕ-ਰਾਜਨੀਤਿਕ ਕਾਰਕਾਂ ਅਤੇ ਨਵੀਨਤਾਵਾਂ ਦੀ ਡੂੰਘੀ ਸੂਝ ਤੋਂ ਖੁੰਝ ਜਾਂਦਾ ਹੈ ਜੋ ਮਹੱਤਵਪੂਰਣ ਭੂਮਿਕਾਵਾਂ ਨਿਭਾਉਂਦੇ ਹਨ, ਜੋ LLMs ਨੂੰ ਉਹਨਾਂ ਦੇ ਜਵਾਬਾਂ ਵਿੱਚ ਵਧੇਰੇ ਵਿਆਪਕ ਸਮਝ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਦੀ ਜ਼ਰੂਰਤ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।

[ਇਹ ਵੀ ਪੜ੍ਹੋ: ਚੇਨ-ਆਫ-ਥੌਟ ਪ੍ਰੋਂਪਟਿੰਗ - ਹਰ ਚੀਜ਼ ਜੋ ਤੁਹਾਨੂੰ ਇਸ ਬਾਰੇ ਜਾਣਨ ਦੀ ਜ਼ਰੂਰਤ ਹੈ]

AI #4 'ਤੇ ਮਨੁੱਖੀ ਇਨਸਾਈਟਸ: ਮਾਰਕੀਟਿੰਗ ਰਚਨਾਤਮਕਤਾ

ਮਾਰਕੀਟਿੰਗ ਵਿੱਚ, ਆਕਰਸ਼ਕ ਕਾਪੀ ਬਣਾਉਣ ਦੀ ਸਮਰੱਥਾ ਅਨਮੋਲ ਹੈ। LLMs ਨੇ ਬੁਨਿਆਦੀ ਮਾਰਕੀਟਿੰਗ ਸਮੱਗਰੀ ਤਿਆਰ ਕਰਨ ਵਿੱਚ ਸਮਰੱਥਾ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ ਹੈ। ਹਾਲਾਂਕਿ, ਉਹਨਾਂ ਦੀਆਂ ਰਚਨਾਵਾਂ ਵਿੱਚ ਅਸਲ ਵਿੱਚ ਮਜਬੂਰ ਕਰਨ ਵਾਲੀ ਮਾਰਕੀਟਿੰਗ ਲਈ ਮਹੱਤਵਪੂਰਨ ਨਵੀਨਤਾ ਅਤੇ ਭਾਵਨਾਤਮਕ ਗੂੰਜ ਦੀ ਘਾਟ ਹੁੰਦੀ ਹੈ, ਇਹ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ ਕਿ ਜਦੋਂ ਕਿ LLM ਵਿਚਾਰਾਂ ਦਾ ਯੋਗਦਾਨ ਦੇ ਸਕਦੇ ਹਨ, ਮਨੁੱਖੀ ਚਤੁਰਾਈ ਬੇਮਿਸਾਲ ਰਹਿੰਦੀ ਹੈ।

AI #4 'ਤੇ ਮਨੁੱਖੀ ਇਨਸਾਈਟਸ ਲਈ ਉਦਾਹਰਨ: ਮਾਰਕੀਟਿੰਗ ਰਚਨਾਤਮਕਤਾ

ਦ੍ਰਿਸ਼ਟੀਕੋਣ: ਇੱਕ ਸਟਾਰਟਅੱਪ ਇੱਕ LLM ਨੂੰ ਆਪਣੇ ਨਵੇਂ ਈਕੋ-ਅਨੁਕੂਲ ਪੈਕੇਜਿੰਗ ਹੱਲ ਲਈ ਇੱਕ ਟੈਗਲਾਈਨ ਬਣਾਉਣ ਲਈ ਕਹਿੰਦਾ ਹੈ।

LLM ਸੁਝਾਅ: "ਇਸ ਨੂੰ ਹਰਾ ਪੈਕ ਕਰੋ, ਇਸਨੂੰ ਸਾਫ਼ ਰੱਖੋ।"

ਮਨੁੱਖੀ ਸੂਝ: ਜਦੋਂ ਕਿ ਨਾਅਰਾ ਆਕਰਸ਼ਕ ਹੈ, ਇੱਕ ਮਾਰਕੀਟਿੰਗ ਮਾਹਰ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ ਕਿ ਇਹ ਉਤਪਾਦ ਦੇ ਨਵੀਨਤਾਕਾਰੀ ਪਹਿਲੂ ਜਾਂ ਇਸਦੇ ਵਿਸ਼ੇਸ਼ ਲਾਭਾਂ ਨੂੰ ਵਿਅਕਤ ਕਰਨ ਵਿੱਚ ਅਸਫਲ ਰਹਿੰਦਾ ਹੈ, ਕਈ ਪੱਧਰਾਂ 'ਤੇ ਗੂੰਜਣ ਵਾਲੇ ਸੰਦੇਸ਼ਾਂ ਲਈ ਮਨੁੱਖੀ ਰਚਨਾਤਮਕਤਾ ਦੀ ਜ਼ਰੂਰਤ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।

AI #5 'ਤੇ ਮਨੁੱਖੀ ਇਨਸਾਈਟਸ: ਨਾਮਿਤ ਇਕਾਈਆਂ ਨੂੰ ਪਛਾਣਨਾ

ਟੈਕਸਟ ਦੇ ਅੰਦਰ ਨਾਮੀ ਇਕਾਈਆਂ ਦੀ ਪਛਾਣ ਕਰਨ ਦੀ ਯੋਗਤਾ ਡੇਟਾ ਸੰਗਠਨ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਐਲਐਲਐਮ ਅਜਿਹੀਆਂ ਸੰਸਥਾਵਾਂ ਨੂੰ ਲੱਭਣ ਵਿੱਚ ਮਾਹਰ ਹਨ, ਡੇਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਅਤੇ ਗਿਆਨ ਕੱਢਣ ਦੇ ਯਤਨਾਂ ਵਿੱਚ ਉਹਨਾਂ ਦੀ ਉਪਯੋਗਤਾ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੇ ਹਨ, ਇਸ ਤਰ੍ਹਾਂ ਖੋਜ ਅਤੇ ਜਾਣਕਾਰੀ ਪ੍ਰਬੰਧਨ ਕਾਰਜਾਂ ਦਾ ਸਮਰਥਨ ਕਰਦੇ ਹਨ।

AI #5 'ਤੇ ਮਨੁੱਖੀ ਇਨਸਾਈਟਸ ਲਈ ਉਦਾਹਰਨ: ਨਾਮਿਤ ਇਕਾਈਆਂ ਨੂੰ ਪਛਾਣਨਾ

ਦ੍ਰਿਸ਼ਟੀਕੋਣ: ਇੱਕ ਟੈਕਸਟ ਵਿੱਚ ਜ਼ਿਕਰ ਕੀਤਾ ਗਿਆ ਹੈ, "ਏਲੋਨ ਮਸਕ ਦਾ ਪੁਲਾੜ ਸੈਰ-ਸਪਾਟਾ ਵਿੱਚ ਨਵੀਨਤਮ ਉੱਦਮ।"

LLM ਖੋਜ: "ਏਲੋਨ ਮਸਕ" ਨੂੰ ਇੱਕ ਵਿਅਕਤੀ ਵਜੋਂ ਅਤੇ "ਸਪੇਸ ਟੂਰਿਜ਼ਮ" ਨੂੰ ਇੱਕ ਸੰਕਲਪ ਵਜੋਂ ਪਛਾਣਦਾ ਹੈ।

ਮਨੁੱਖੀ ਸੂਝ: ਇੱਕ ਮਨੁੱਖੀ ਪਾਠਕ ਪੁਲਾੜ ਉਦਯੋਗ ਲਈ ਸੰਭਾਵੀ ਪ੍ਰਭਾਵਾਂ ਅਤੇ ਵਪਾਰਕ ਯਾਤਰਾ 'ਤੇ ਵਿਆਪਕ ਪ੍ਰਭਾਵ ਨੂੰ ਵੀ ਪਛਾਣ ਸਕਦਾ ਹੈ, ਇਹ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ ਕਿ ਜਦੋਂ ਕਿ LLM ਸੰਸਥਾਵਾਂ ਦੀ ਪਛਾਣ ਕਰ ਸਕਦੇ ਹਨ, ਤਾਂ ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਉਹ ਉਹਨਾਂ ਦੀ ਮਹੱਤਤਾ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਾ ਸਮਝ ਸਕਣ।

AI #6 'ਤੇ ਮਨੁੱਖੀ ਇਨਸਾਈਟਸ: ਕੋਡਿੰਗ ਅਸਿਸਟੈਂਸ

ਕੋਡਿੰਗ ਅਤੇ ਸੌਫਟਵੇਅਰ ਡਿਵੈਲਪਮੈਂਟ ਸਹਾਇਤਾ ਦੀ ਮੰਗ ਨੇ ਐਲਐਲਐਮ ਨੂੰ ਪ੍ਰੋਗਰਾਮਿੰਗ ਸਹਾਇਕ ਵਜੋਂ ਖੋਜਿਆ ਹੈ। ਮਨੁੱਖੀ ਮੁਲਾਂਕਣ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਐਲਐਲਐਮ ਬੁਨਿਆਦੀ ਕਾਰਜਾਂ ਲਈ ਸਿੰਟੈਕਟਿਕ ਤੌਰ 'ਤੇ ਸਹੀ ਕੋਡ ਤਿਆਰ ਕਰ ਸਕਦੇ ਹਨ। ਹਾਲਾਂਕਿ, ਉਹਨਾਂ ਨੂੰ ਵਧੇਰੇ ਗੁੰਝਲਦਾਰ ਪ੍ਰੋਗਰਾਮਿੰਗ ਸਮੱਸਿਆਵਾਂ ਦੇ ਨਾਲ ਚੁਣੌਤੀਆਂ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪੈਂਦਾ ਹੈ, ਜੋ ਕਿ ਏਆਈ-ਸੰਚਾਲਿਤ ਵਿਕਾਸ ਸਹਾਇਤਾ ਵਿੱਚ ਸੁਧਾਰ ਲਈ ਖੇਤਰਾਂ ਦਾ ਖੁਲਾਸਾ ਕਰਦੇ ਹਨ।

AI #6 'ਤੇ ਮਨੁੱਖੀ ਇਨਸਾਈਟਸ ਲਈ ਉਦਾਹਰਨ: ਕੋਡਿੰਗ ਅਸਿਸਟੈਂਸ

ਦ੍ਰਿਸ਼ਟੀਕੋਣ: ਇੱਕ ਡਿਵੈਲਪਰ ਸਿਰਫ ਪ੍ਰਮੁੱਖ ਸੰਖਿਆਵਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਲਈ ਸੰਖਿਆਵਾਂ ਦੀ ਇੱਕ ਸੂਚੀ ਨੂੰ ਫਿਲਟਰ ਕਰਨ ਲਈ ਇੱਕ ਫੰਕਸ਼ਨ ਦੀ ਮੰਗ ਕਰਦਾ ਹੈ।

LLM ਆਉਟਪੁੱਟ: ਇੱਕ ਪਾਈਥਨ ਫੰਕਸ਼ਨ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜੋ ਟ੍ਰਾਇਲ ਡਿਵੀਜ਼ਨ ਦੁਆਰਾ ਪ੍ਰਮੁੱਖਤਾ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ।

ਮਨੁੱਖੀ ਸੂਝ: ਇੱਕ ਤਜਰਬੇਕਾਰ ਪ੍ਰੋਗਰਾਮਰ ਨੋਟ ਕਰਦਾ ਹੈ ਕਿ ਫੰਕਸ਼ਨ ਵਿੱਚ ਵੱਡੇ ਇਨਪੁਟਸ ਲਈ ਕੁਸ਼ਲਤਾ ਦੀ ਘਾਟ ਹੈ ਅਤੇ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਜਾਂ ਵਿਕਲਪਕ ਐਲਗੋਰਿਦਮ ਦਾ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ, ਉਹਨਾਂ ਖੇਤਰਾਂ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਜਿੱਥੇ LLMs ਮਨੁੱਖੀ ਦਖਲ ਤੋਂ ਬਿਨਾਂ ਸਭ ਤੋਂ ਵਧੀਆ ਹੱਲ ਪੇਸ਼ ਨਹੀਂ ਕਰ ਸਕਦੇ ਹਨ।

AI #7 'ਤੇ ਮਨੁੱਖੀ ਇਨਸਾਈਟਸ: ਗਣਿਤਿਕ ਤਰਕ

ਗਣਿਤ ਆਪਣੇ ਸਖ਼ਤ ਨਿਯਮਾਂ ਅਤੇ ਤਰਕਸ਼ੀਲ ਕਠੋਰਤਾ ਨਾਲ ਇੱਕ ਵਿਲੱਖਣ ਚੁਣੌਤੀ ਪੇਸ਼ ਕਰਦਾ ਹੈ। LLM ਸਿੱਧੇ ਗਣਿਤ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਦੇ ਸਮਰੱਥ ਹਨ ਪਰ ਗੁੰਝਲਦਾਰ ਗਣਿਤਿਕ ਤਰਕ ਨਾਲ ਸੰਘਰਸ਼ ਕਰਦੇ ਹਨ। ਇਹ ਅੰਤਰ ਗਣਨਾਤਮਕ ਸਮਰੱਥਾਵਾਂ ਅਤੇ ਉੱਨਤ ਗਣਿਤ ਲਈ ਲੋੜੀਂਦੀ ਡੂੰਘੀ ਸਮਝ ਵਿਚਕਾਰ ਅੰਤਰ ਨੂੰ ਉਜਾਗਰ ਕਰਦਾ ਹੈ।

AI #7 'ਤੇ ਮਨੁੱਖੀ ਇਨਸਾਈਟਸ ਲਈ ਉਦਾਹਰਨ: ਗਣਿਤਿਕ ਤਰਕ

ਦ੍ਰਿਸ਼ਟੀਕੋਣ: ਇੱਕ ਵਿਦਿਆਰਥੀ ਪੁੱਛਦਾ ਹੈ, "ਇੱਕ ਤਿਕੋਣ ਵਿੱਚ ਸਾਰੇ ਕੋਣਾਂ ਦਾ ਜੋੜ ਕੀ ਹੈ?"

LLM ਆਉਟਪੁੱਟ: "ਇੱਕ ਤਿਕੋਣ ਵਿੱਚ ਸਾਰੇ ਕੋਣਾਂ ਦਾ ਜੋੜ 180 ਡਿਗਰੀ ਹੈ।"

ਮਨੁੱਖੀ ਸੂਝ: ਜਦੋਂ ਕਿ LLM ਇੱਕ ਸਹੀ ਅਤੇ ਸਿੱਧਾ ਜਵਾਬ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਇੱਕ ਸਿੱਖਿਅਕ ਇਸ ਮੌਕੇ ਦੀ ਵਰਤੋਂ ਇਹ ਦੱਸਣ ਲਈ ਕਰ ਸਕਦਾ ਹੈ ਕਿ ਅਜਿਹਾ ਕਿਉਂ ਹੈ ਇੱਕ ਡਰਾਇੰਗ ਜਾਂ ਇੱਕ ਗਤੀਵਿਧੀ ਨਾਲ ਸੰਕਲਪ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਉਹ ਇਹ ਦਿਖਾ ਸਕਦੇ ਹਨ ਕਿ ਜੇਕਰ ਤੁਸੀਂ ਇੱਕ ਤਿਕੋਣ ਦੇ ਕੋਣ ਲੈਂਦੇ ਹੋ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਨਾਲ-ਨਾਲ ਰੱਖਦੇ ਹੋ, ਤਾਂ ਉਹ ਇੱਕ ਸਿੱਧੀ ਰੇਖਾ ਬਣਾਉਂਦੇ ਹਨ, ਜੋ ਕਿ 180 ਡਿਗਰੀ ਹੈ। ਇਹ ਹੈਂਡ-ਆਨ ਪਹੁੰਚ ਨਾ ਸਿਰਫ਼ ਸਵਾਲ ਦਾ ਜਵਾਬ ਦਿੰਦੀ ਹੈ, ਸਗੋਂ ਵਿਦਿਆਰਥੀ ਦੀ ਸਮਗਰੀ ਦੇ ਨਾਲ ਸਮਝ ਅਤੇ ਸ਼ਮੂਲੀਅਤ ਨੂੰ ਵੀ ਡੂੰਘਾ ਕਰਦੀ ਹੈ, ਪ੍ਰਸੰਗਿਕ ਅਤੇ ਇੰਟਰਐਕਟਿਵ ਵਿਆਖਿਆਵਾਂ ਦੇ ਵਿਦਿਅਕ ਮੁੱਲ ਨੂੰ ਉਜਾਗਰ ਕਰਦੀ ਹੈ।

[ਇਹ ਵੀ ਪੜ੍ਹੋ: ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲ (LLM): ਇੱਕ ਸੰਪੂਰਨ ਗਾਈਡ]

ਸਿੱਟਾ: ਅੱਗੇ ਦੀ ਯਾਤਰਾ

ਇਹਨਾਂ ਡੋਮੇਨਾਂ ਵਿੱਚ ਇੱਕ ਮਨੁੱਖੀ ਲੈਂਸ ਦੁਆਰਾ LLMs ਦਾ ਮੁਲਾਂਕਣ ਇੱਕ ਬਹੁਪੱਖੀ ਤਸਵੀਰ ਪੇਂਟ ਕਰਦਾ ਹੈ: LLM ਭਾਸ਼ਾਈ ਸਮਝ ਅਤੇ ਪੀੜ੍ਹੀ ਵਿੱਚ ਅੱਗੇ ਵਧ ਰਹੇ ਹਨ ਪਰ ਜਦੋਂ ਡੂੰਘੀ ਸਮਝ, ਰਚਨਾਤਮਕਤਾ, ਜਾਂ ਵਿਸ਼ੇਸ਼ ਗਿਆਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਤਾਂ ਅਕਸਰ ਡੂੰਘਾਈ ਦੀ ਘਾਟ ਹੁੰਦੀ ਹੈ। ਇਹ ਸੂਝਾਂ ਚੱਲ ਰਹੀ ਖੋਜ, ਵਿਕਾਸ, ਅਤੇ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ, AI ਨੂੰ ਸ਼ੁੱਧ ਕਰਨ ਵਿੱਚ ਮਨੁੱਖੀ ਸ਼ਮੂਲੀਅਤ ਦੀ ਲੋੜ 'ਤੇ ਜ਼ੋਰ ਦਿੰਦੀਆਂ ਹਨ। ਜਿਵੇਂ ਕਿ ਅਸੀਂ AI ਦੀ ਸਮਰੱਥਾ ਨੂੰ ਨੈਵੀਗੇਟ ਕਰਦੇ ਹਾਂ, ਇਸ ਦੀਆਂ ਕਮਜ਼ੋਰੀਆਂ ਨੂੰ ਸਵੀਕਾਰ ਕਰਦੇ ਹੋਏ ਇਸ ਦੀਆਂ ਸ਼ਕਤੀਆਂ ਨੂੰ ਅਪਣਾਉਂਦੇ ਹੋਏ, ਤਕਨਾਲੋਜੀ AI ਖੋਜਕਰਤਾਵਾਂ, ਟੈਕਨਾਲੋਜੀ ਉਤਸ਼ਾਹੀ, ਸਮਗਰੀ ਸੰਚਾਲਕਾਂ, ਮਾਰਕਿਟਰਾਂ, ਸਿੱਖਿਅਕਾਂ, ਪ੍ਰੋਗਰਾਮਰਾਂ ਅਤੇ ਗਣਿਤ ਵਿਗਿਆਨੀਆਂ ਵਿੱਚ ਸਫਲਤਾਵਾਂ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੋਵੇਗਾ।

ਤੁਹਾਡੇ LLM ਵਿਕਾਸ ਲਈ ਅੰਤ ਤੋਂ ਅੰਤ ਦੇ ਹੱਲ (ਡੇਟਾ ਜਨਰੇਸ਼ਨ, ਪ੍ਰਯੋਗ, ਮੁਲਾਂਕਣ, ਨਿਗਰਾਨੀ) - ਇੱਕ ਡੈਮੋ ਦੀ ਬੇਨਤੀ ਕਰੋ