सरल कॉन्फ़िगरेशन परिवर्तन मेरे मल्टी-एजेंट रिपोर्टिंग सिस्टम को तोड़ते रहते हैं क्या जेवी मदद कर सकता है?

मेटा विवरण: जानें कि जेव मॉडल क्या है, निर्णय लेने के मॉडल टेक्स्ट जनरेटर से अलग क्यों हैं और बिना किसी आविष्कारित बेंचमार्क या दावों के जेव का मूल्यांकन कैसे करें।

टैगः Jev मॉडल, निर्णय लेने के मॉडल, AI मूल्यांकन, Towards AI

विशेष रुप से प्रदर्शित छवि: लोगों, लोगो या पाठ के बिना एक्शन आइकनों की ओर ले जाने वाले फैसले के मार्ग का अमूर्त मैत्रीपूर्ण चित्रण।

एक संक्षिप्त Towards AI टुकड़ा बताता है कि लेखक ने जेव मॉडल के बारे में क्या सीखा, जिसे टेक्स्ट का उत्पादन करने के बजाय कार्यों को चुनने के लिए बनाया गया है। यह उन पाठकों के लिए है जो तकनीकी विवरणों पर अनुमान लगाने के बिना विचार को समझना चाहते हैं। आपूर्ति की गई सामग्री यह नहीं बताती है कि इसे कब प्रकाशित किया गया था, जिसने इसे विकसित किया था, या यह कौन से कार्य करता है। पाठक के लिए, उपयोगी टेकअवे एक सरल बदलाव हैः जेव को लेखन मॉडल के बजाय निर्णय लेने वाले मॉडल के रूप में प्रस्तुत किया जाता है, इसलिए लोगों को इसके बारे में पूछे जाने वाले प्रश्न chatbots के सवाल से अलग होते हैं।

जेव विवरण वास्तव में पाठकों को क्या बताता है

स्रोत उच्च स्तर पर जेव को एक मॉडल के रूप में परिभाषित करता है जिसका उद्देश्य लिखने की बजाय चुनना है। यह एकल पंक्ति महत्वपूर्ण है क्योंकि large language models के बारे में अधिकांश सार्वजनिक वार्तालाप पाठ आउटपुट पर केंद्रित हैं। एक लेखन मॉडल का न्याय इस बात से किया जाता है कि क्या इसके वाक्य सटीक, धाराप्रवाह, सहायक, सुरक्षित और प्रॉम्प्ट के साथ संरेखित हैं या नहीं। इसके विपरीत, एक निर्णय मॉडल का आकलन इस आधार पर होता है कि वह जो कार्रवाई चुनता है वह उपयुक्त, कानूनी, कुशल या वैकल्पिक क्रिया से बेहतर है या नहीं ।

If Jev उस पैटर्न का अनुसरण करता है, आउटपुट बिल्कुल एक पैराग्राफ नहीं हो सकता है। यह एक विकल्प, मार्ग, रैंकिंग, कमांड या योजना हो सकती है। लेख में यह नहीं बताया गया है कि जेव किस रूप का उपयोग करता है इसलिए पाठकों को उन संभावनाओं को उदाहरणों के रूप में व्यवहार करना चाहिए न कि पुष्टि की गई क्षमताएं। जो स्पष्ट है वह फ्रेमिंग हैः जेव को निबंध लिखने, आकस्मिक प्रश्नों का उत्तर देने या चैट प्रतिक्रिया उत्पन्न करने के लिए एक उपकरण के तौर पर पेश नहीं किया जाता है। इसे एक प्रणाली के रूप से प्रस्तुत किया गया है जिसका उद्देश्य चुनना है।

यह गैर-विशेषज्ञों के लिए एक सार्थक अंतर है। जब कोई मॉडल पाठ लिखता है, तो उपयोगकर्ता अक्सर तुरंत उत्तर का निरीक्षण कर सकते हैं। जब एक मॉडल निर्णय लेता है, परिणाम वर्कफ़्लो के अंदर छिपा हो सकता हैः एक समर्थन प्रणाली चुनती है कि किस टीम को टिकट मिलता है, एक सिफारिश इंजन चुनता है कि आगे क्या दिखाना है, या एजेंट किसी कार्य में अगला कदम चुनते हैं। एक निर्णय मॉडल ठीक से उपयोगी हो सकता है क्योंकि यह शब्दों को कार्यों में अनुवाद करने के लिए मानव की आवश्यकता को कम करता है। इसकी समीक्षा करना भी कठिन हो सकता ਹੈ, क्योंकि महत्वपूर्ण आउटपुट हमेशा एक वाक्य नहीं होता है जिसे पाठक जांच सकता है।

निर्णय लेने के मॉडल का आमतौर पर मूल्यांकन कैसे किया जाता है

आपूर्ति की गई सामग्री बेंचमार्क, datasets , परीक्षण स्कोर या जेवी के लिए एक वास्तुकला नहीं देती है। यह अनुपस्थिति महत्वपूर्ण है। इसका मतलब है कि पाठकों को वाक्यांश से प्रदर्शन का अनुमान नहीं लगाना चाहिए "निर्णय लेने के लिए बनाया गया"।

व्यापक क्षेत्र में, निर्णय लेने AI अक्सर reinforcement learning , नकल सीखने, योजना बनाने या नीति-आधारित प्रणालियों से जुड़ा होता है। वे दृष्टिकोण राज्यों, विकल्पों, बाधाओं और पुरस्कारों के आधार पर कार्यों का चयन करने के लिए एक मॉडल को प्रशिक्षित कर सकते हैं। एक विशिष्ट मूल्यांकन यह पूछता है कि क्या मॉडल यथार्थवादी परिस्थितियों में बेहतर कार्रवाई करता है, कितनी बार असफल हो जाता है, क्या यह अनदेखी स्थितियों को संभाल सकता है, और त्रुटि कितनी महंगी होती है। यह पाठ पीढ़ी से अलग मापने की समस्या है, जहां टीमें मानव वरीयताओं, तथ्यात्मक कार्य सटीकता या लिखित उत्तरों से बंधे सफलता दर का उपयोग कर सकती हैं।

विशेष रूप से जेव के लिए, एक उपयोगी मूल्यांकन चेकलिस्ट उन सवालों से शुरू होगी जिनका स्रोत जवाब नहीं देता हैः

• जेव कौन से निर्णय लेता है?
• यह क्या कार्यवाही कर सकता है?
• इसे सिखाने के लिए किस डेटा का उपयोग किया गया था?
• सफलता कैसे मापी जाती है?
• क्या उपयोगकर्ता देख सकते हैं कि उसने एक क्रिया को दूसरे से अधिक क्यों चुना?
• क्या इसमें जोखिम भरे विकल्पों के लिए सुरक्षात्मक बाड़ें हैं?

ये प्रश्न जेव के बारे में सट्टा नहीं हैं; वे किसी भी निर्णय-उन्मुख मॉडल के लिए मानक प्रश्न हैं। क्योंकि स्रोत उत्तर प्रदान नहीं करता है, ईमानदार निष्कर्ष यह है कि जेव तकनीकी तुलना के लिए पर्याप्त सार्वजनिक विवरण के बिना एक अवधारणा या उत्पाद नाम बना हुआ है।

क्यों यह फ्रेमिंग हर रोज पाठकों के लिए मायने रखती है

निर्णय-केंद्रित मॉडल का सबसे व्यावहारिक प्रभाव विश्वास है। टेक्स्ट मॉडल गलत जानकारी उत्पन्न कर सकते हैं, लेकिन उपयोगकर्ता अक्सर इसे स्रोतों के साथ तुलना करते हैं, अनुवर्ती प्रश्न पूछते हैं या इसे संपादित करते हैं। निर्णय मॉडल परिणाम पैदा कर सकते हैंः वे एक प्रक्रिया को स्वीकृत, अस्वीकार, प्राथमिकता, रूट, निष्पादित या जारी रख सकते हैं। इससे स्टाइल और नियंत्रण के बारे में अधिक दांव कम हो जाता है।

पाठकों के लिए, जेव विवरण दो विचारों को अलग करने का एक अनुस्मारक है जो अक्सर AI विपणन में मिश्रित होते हैं। सबसे पहले, मॉडल 89 सभी उत्पादों पर समान बात नहीं करता है। एक भाषा मॉडल टेक्स्ट उत्पन्न कर सकता है, जबकि निर्णय मॉडल कार्यों का चयन कर सकते हैं। दूसरी बात यह है कि कुछ सिस्टम नीतियों, फ़िल्टर, योजनाकारों या रूटिंग इंजन की तरह अधिक हैं। यदि कोई उत्पाद कहता है कि वह फैसले लेता है, तो उपयोगकर्ता से पूछना चाहिए कि निर्णय क्या प्रभावित करता है, कौन इसे ओवरराइड कर सकती है और क्या प्रणाली इसके तर्क को रिकॉर्ड करती है।

उत्पाद-डिज़ाइन कोण भी है। एक लेखन इंटरफ़ेस परिचित लगता हैः उपयोगकर्ता अनुरोध लिखते हैं और उत्तर प्राप्त करते हैं। निर्णय इंटरफेस अदृश्य हो सकता हैः सिस्टम पृष्ठभूमि में कार्य करता है। यह सुविधाजनक हो सकता है, लेकिन इसके लिए स्पष्ट लॉगिंग और मानव समीक्षा की आवश्यकता होती है। जेव का मूल्यांकन करने वाले पाठक को न केवल पूछना चाहिए कि क्या यह स्मार्ट है?

किसको इसका उपयोग करना चाहिए/कौन इसे छोड़ना चाहिए

पाठकों को जेव पर ध्यान देना चाहिए यदि वे जनरेटिव टेक्स्ट सिस्टम और एक्शन-ओरिएंटेड AI के बीच अंतर को समझने की कोशिश कर रहे हैं। स्रोत एक वैचारिक पॉइंटर के रूप में उपयोगी हैः यह एक मॉडल, जेव का नाम देता है, और इसे टेक्स्ट लिखने के बजाय निर्णय लेने के लिए बनाया गया है। वह फ्रेमिंग शुरुआती लोगों को बेहतर प्रश्न पूछने में मदद कर सकती है जब वे AI एजेंटों, सिफारिश प्रणालियों, रूटिंग टूल या स्वचालित निर्णय वर्कफ़्लो का सामना करते हैं।

पाठकों को इसे छोड़ देना चाहिए यदि उन्हें ठोस उत्पाद जानकारी की आवश्यकता है। सामग्री एक डेवलपर, रिलीज़ की तारीख, संस्करण संख्या, मूल्य निर्धारण, समर्थित कार्यों, dataset , बेंचमार्क या परीक्षण परिणाम नहीं देती है। इन तथ्यों के बिना, Jev की तुलना अन्य मॉडलों के साथ निष्पक्ष रूप से नहीं की जा सकती है। यह भी सबूत के रूप में इलाज नहीं किया जाना चाहिए कि निर्णय लेने वाले मॉडल टेक्स्ट मॉडल की तुलना में अधिक सटीक, सुरक्षित या अधिक परिपक्व हैं। स्रोत केवल एक संकीर्ण दावे का समर्थन करता हैः जेवी को टेक्स्ट-लेखन मॉडल के बजाय निर्णय लेने वाला मॉडल बताया गया है।

जेव का अनुसरण करने वाले किसी भी व्यक्ति के लिए अगला कदम सत्यापन योग्य विवरणों की तलाश करना हैः जो इसे प्रकाशित करता है, यह किस कार्यक्षेत्र का उपयोग करता है और त्रुटियों को कैसे मापा जाता है। जब तक वे विवरण प्रकट नहीं होते हैं, तब तक सबसे सुरक्षित पाठक टेकअवे एक अलग AI डिजाइन लक्ष्य के उदाहरण के रूप में जीवी का उपयोग कर रहा है, न कि तैयार तकनीकी समाधान के तौर पर।