कार्यप्रवाह और स्वचालन

संकेतों को अनुकूलित करने के बजाय, सिस्टम डिजाइन करें।

AI कार्यप्रवाह में सुधार होता है जब निश्चित नियम संकेतों से कोड और जांच में स्थानांतरित हो जाते हैं, जिससे सूची और सारांश अधिक विश्वसनीय होते हैं।

मुख्य जानकारी

  • Large AI संकेत अविश्वसनीय हो जाते हैं जब रचनात्मक भाषा कार्यों और निश्चित यांत्रिक नियमों दोनों को संभालने के लिए कहा जाता है।
  • एक बेहतर डिज़ाइन कार्यप्रवाह को अलग करता है: भाषा मॉडल को शब्दों का प्रबंधन करने दें, जबकि कोड वर्ण सीमाओं, आवश्यक फ़ील्ड्स, स्वरूपों और गणनाओं को लागू करता है।
  • एआई द्वारा उत्पन्न आउटपुट उपयोगकर्ताओं तक पहुंचने से पहले त्रुटियों को पकड़ने के लिए स्वचालित जांच आवश्यक है, विशेष रूप से डेटा सारांश और उत्पाद सूची में।
  • जब AI के परिणाम भिन्न होते हैं, तो मुख्य प्रश्न यह नहीं होना चाहिए कि प्रॉम्प्ट में सुधार कैसे किया जाए, बल्कि सिस्टम को फिर से डिज़ाइन करना है।

मेटा विवरणः जानें कि उत्पाद सूचियों के लिए एक विशाल AI प्रॉम्प्ट क्यों विफल हो गया, और कैसे कोड प्लस चेक में नियमों को अलग करने सेAI वर्कफ़्लोज़ सुसंगत और बनाए रखने में आसान होते हैं।

टैगः AI कार्यप्रवाह, उत्पाद सूचियाँ, डेटा सारांश, स्वचालित जाँच

विशेष रुप से प्रदर्शित छवि: (अंग्रेज़ी में) ">"</string> किसी भाषा मॉडल का एक अमूर्त मैत्रीपूर्ण चित्रण जो संख्याओं को चेक के लिए छोटे लिपि में पारित करता है, जिसमें कोई वास्तविक लोग नहीं हैं, कोई लोगो और कोई पाठ नहीं है।

एक उत्पाद सूची AI वर्कफ़्लो जो शीर्षक, विवरण, कीवर्ड, स्वरूपण और चरित्र-सीमा के अनुरूप कॉपी लिखने का इरादा था ऑनलाइन दुकान चलाने से बदलते रहते थे, इसलिए इसके लेखक ने प्रॉम्प्ट से बाहर और कोड और स्वचालित जांच में निश्चित नियमों को स्थानांतरित करके प्रक्रिया को फिर से डिज़ाइन किया। परिवर्तन प्रोम्प्ट के बाद आया, मॉडल को भेजा गया निर्देश ब्लॉक, token उपयोग करते समय लंबा हो गया, पाठ के लिए लंबाई माप बढ़ाया, और परिणाम अभी भी विश्वसनीय नहीं थे। बदलाव एक विशाल संकेत से दूर और एक छोटी प्रणाली की ओर था।

क्यों बिग प्रॉम्प्ट फेल हो रहा था

लेखक ने एक छोटा सा उपकरण बनाया जो पूरे लिस्टिंग कार्य को एक विशाल प्रॉम्प्ट के अंदर संभालता था। मॉडल, एक टेक्स्ट-आधारित AI टूल से कॉपी बनाने और सभी यांत्रिक प्रतिबंधों को लागू करने के लिए कहा गया था। एक रन अच्छा लग रहा था, दूसरा वर्ण सीमा से अधिक था, और तीसरा आवश्यक फ़ील्ड चूक गया। प्रत्येक विफलता के कारण एक अन्य निर्देश हुआ, न कि अधिक स्थिर प्रणाली। शुरुआत में, लेखक ने इसे एक त्वरित समस्या के रूप में मानाः वाक्य जोड़ें, इसे फिर से चलाएं, और आशा करें। यह काम नहीं किया।

उस बिंदु पर लेखक ने यह प्रश्न बदल दिया कि कौन सा नियम भूल गया था, एक भाषा मॉडल को ऐसा क्यों करना चाहिए जो दस-पंक्ति स्क्रिप्ट कर सकता है। असली समस्या संकेत शब्द नहीं थी। यह सिस्टम डिजाइन था।

रचनात्मक भाषा कार्य और निश्चित नियम अलग-अलग होने चाहिए

रीडिज़ाइन तीन सिद्धांतों पर आया। पहला था कि कार्य को भाषा के काम और नियम के काम में विभाजित किया जाए। एक भाषा मॉडल एक स्वर चुन सकता है, एक शीर्षक का सुझाव दे सकता है जो मानवीय लगता है, और उत्पाद विवरण लिखता है। यह एक खराब शासक है। 80 वर्णों के तहत पाठ रखना एक गणना नियम है, रचनात्मक निर्णय नहीं है, तथा मॉडल से इसे उसी संकेत के भीतर संतुष्ट करने के लिए कहना दो अलग-अलग प्रकार के कार्यों को मिलाया गया है।

दूसरे सिद्धांत ने विभाजन को व्यावहारिक बना दिया: एक निश्चित सही उत्तर के साथ किसी भी चीज़ के लिए कोड का उपयोग करें। चरित्र सीमा, आवश्यक फ़ील्ड, दिनांक प्रारूप, गोल करना और स्वरूपण को एक साधारण स्क्रिप्ट द्वारा संभाला जा सकता है। इस लिपि की लागत AI कॉल से कम है, मिलीसेकंड में चलती है, और हर बार समान परिणाम लौटाता है.

लिस्टिंग टूल के लिए, इसका मतलब था कि मॉडल शब्दों पर केंद्रित है, जबकि कोड हर रन के बाद लंबाई, आवश्यक फ़ील्ड और स्वरूपण की जांच करता है।

डेटा सारांशों में एक ही पैटर्न दिखाई देता है

लेखक ने एक सामान्य डेटा विज्ञान कार्य के लिए पाठ का विस्तार किया: पिछले सप्ताह की कच्ची संख्याओं को हितधारक सारांश में बदलना। एक एकल संकेत AI से डेटा को साफ करने, सप्ताह-दर-सप्ताह परिवर्तन की गणना करने, असामान्य मानों को चिह्नित करने, तालिका प्रारूपित करने और टिप्पणी के दो पैराग्राफ लिखने के लिए कह सकता है।

यह दृष्टिकोण एक गलत संख्या के आसपास आत्मविश्वासपूर्ण लेखन का उत्पादन कर सकता है। प्रतिशत थोड़ा अलग हो सकता है, या कॉलम को हटा दिया जा सकता है जबकि टिप्पणी पॉलिश लगती है। लिखना कमजोर बिंदु नहीं था। अंकगणित था।

एक बेहतर सेटअप में, पांडास, डेटा प्रोसेसिंग लाइब्रेरी, मैट्रिक्स की गणना करती है, फ़ंक्शन तालिका बनाता है और मॉडल को केवल सादे अंग्रेजी में उन्हें समझाने के लिए तैयार संख्याएं मिलती हैं। मॉडल का काम छोटा हो जाता है, जो प्रॉम्प्ट लंबाई, token उपयोग और उन स्थानों को कम करता है जहां चीजें गलत हो सकती हैं।

चेक उपयोगकर्ताओं तक पहुंचने से पहले समस्याओं को पकड़ते हैं

तीसरा परिवर्तन यह था कि मॉडल आउटपुट को सुरक्षित JUST के रूप में व्यवहार करना बंद कर दिया गया क्योंकि इसने निर्देशों का पालन किया। लेखक ने ऐसे चेक जोड़े जो स्वचालित रूप से आउटपुट का परीक्षण करते हैं और उपयोग करने से पहले किसी भी नियम को तोड़ते हुए फ्लैग करते हैं।

साप्ताहिक सारांश के लिए, उपयोगी जांचों में शामिल हैं कि क्या टिप्पणी में प्रत्येक संख्या तालिका में दिखाई देती है, चाहे लापता मान या पंक्ति गणना अब इनपुट से मेल नहीं खाते हों, और यदि कहानी की दिशा, ऊपर या नीचे, वास्तविक परिवर्तन के संकेत से मेल खाती हो। ये सामान्य इकाई परीक्षण और डेटा गुणवत्ता जाँच हैं, लेकिन जब एआई-लिखित पैराग्राफ अच्छी तरह से पढ़ते हैं तो वे अक्सर छोड़ दिए जाते हैं।

जब एक जांच विफल हो जाती है, तो लेखक स्वचालित रूप से प्रॉम्प्ट को फिर से नहीं लिखता। इसके बजाय यह सवाल बन गया कि सिस्टम का कौन सा हिस्सा आउटपुट को पास करने देता है।

क्या सुधर गया, क्या नहीं और आगे क्या पूछना है

सूची उपकरण अधिक सुसंगत हो गया। पुनः प्रयास कम बर्बाद हुए tokens , और रखरखाव आसान हो गया क्योंकि लेखक यह पहचान सकता था कि कौन सा टुकड़ा खोलना है। पुनर्निर्माण से पहले, एकमात्र विकल्प एक विशाल संकेत को छूना और आशा करना था कि कुछ भी नहीं चला जाए।

रीडिज़ाइन ने मॉडल को सही नहीं बनाया. यह अभी भी एक कमजोर शीर्षक का उत्पादन कर सकता है. लेकिन वह विफलता अब JUST खराब शीर्षक है, बुरा शीर्षक नहीं प्लस टूटी हुई वर्ण सीमा प्लस एक लापता क्षेत्र।

लेखक ने Claude का उपयोग किया, जिसे एक लेखन साथी के रूप में वर्णित किया गया है, इससे पहले और बाद की पाइपलाइन, साप्ताहिक सारांश पाइप लाइन और श्रम विभाजन को आकर्षित करने के लिए। मूल खाता पहली बार Towards AI पर माध्यम पर प्रकाशित हुआ था, जहां पाठकों ने चर्चा जारी रखी थी।

AI उपकरण बनाने वाले पाठकों के लिए, व्यावहारिक टेकअवे यह है कि प्रोम्प्ट गुणवत्ता अकेले विश्वसनीयता को परिभाषित नहीं करती है। जब परिणाम भिन्न होते हैं, तो पूछें कि किस हिस्से में भाषा या निर्णय की आवश्यकता होती है, कौन सा हिस्सा एक निश्चित नियम है, क्या कोड उस नियम को संभाल सकता है, और यदि वह गलत था तो आउटपुट क्या पकड़ लेगा। अधिकांश समय, उत्तर बेहतर संकेत नहीं होता है। यह एक बेहतर प्रणाली है। लेखक ने उन पाठकों को आमंत्रित किया जिनके AI वर्कफ़्लो अलग-अलग परिणाम उत्पन्न करते रहते हैं जो उन्होंने बदल दिया है।

Comments (0)

  1. No comments yet. Be the first to share what worked for you.

Leave a comment

Comments are reviewed before they appear. Your email address is not published.