આર્ટિફિશિયલ લર્નિંગ ઇન્ટેલિજન્સ સિસ્ટમ: ALIS કન્સેપ્ટ

અહીં, હું આર્ટિફિશિયલ લર્નિંગ ઇન્ટેલિજન્સ સિસ્ટમ (ALIS) ને તેના ખ્યાલો અને સિદ્ધાંતોથી લઈને તેની મૂળભૂત ડિઝાઇન અને વિકાસ પદ્ધતિઓ સુધી આવરી લઈને તેને વ્યવસ્થિત કરવાનો લક્ષ્ય રાખું છું.

કન્સેપ્ટ

વર્તમાન જનરેટિવ AI, મુખ્યત્વે મોટા ભાષા મોડેલ્સ, ન્યુરલ નેટવર્ક્સનો ઉપયોગ કરીને સુપરવાઇઝ્ડ લર્નિંગના આધારે તાલીમબદ્ધ છે.

અમે આ ન્યુરલ નેટવર્ક તાલીમ પ્રક્રિયાને જન્મજાત શિક્ષણ તરીકે સ્થાન આપીએ છીએ.

ALIS એક એવી સિસ્ટમ છે જે જન્મજાત શિક્ષણથી અલગ અધિગ્રહિત શિક્ષણ પ્રક્રિયાને સમાવિષ્ટ કરીને, જન્મજાત અને અધિગ્રહિત શિક્ષણ પ્રક્રિયાઓ બંનેને એકીકૃત કરીને વ્યાપક અનુમાનને સક્ષમ બનાવે છે.

આ અધિગ્રહિત શિક્ષણમાં, શીખેલ જ્ઞાન ન્યુરલ નેટવર્કની બહાર સંગ્રહિત થાય છે અને અનુમાન દરમિયાન તેનો ઉપયોગ થાય છે.

તેથી, ALIS નો તકનીકી મુખ્ય ભાગ ફરીથી વાપરી શકાય તેવા જ્ઞાનના નિષ્કર્ષણ, સંગ્રહ અને અનુમાન દરમિયાન જ્ઞાનની પસંદગી અને ઉપયોગમાં રહેલો છે.

વધુમાં, ALIS માત્ર એક જ તત્વ તકનીક નથી પણ એક સિસ્ટમ તકનીક પણ છે જે જન્મજાત અને અધિગ્રહિત શિક્ષણને જોડે છે.

શિક્ષણ બુદ્ધિ પ્રણાલીના તત્વો

ALIS, હાલના જન્મજાત શિક્ષણ અને ભવિષ્યના અધિગ્રહિત શિક્ષણ બંનેને શિક્ષણ અને અનુમાનના માળખામાં સમાન સિદ્ધાંતો હેઠળ કાર્યરત ગણે છે.

ALIS માં શિક્ષણના સિદ્ધાંતો સમજાવવા માટે, અમે શિક્ષણ બુદ્ધિ પ્રણાલીના પાંચ તત્વોને વ્યાખ્યાયિત કરીએ છીએ:

પ્રથમ છે ઇન્ટેલિજન્ટ પ્રોસેસર. આ એક પ્રોસેસિંગ સિસ્ટમનો ઉલ્લેખ કરે છે જે જ્ઞાનનો ઉપયોગ કરીને અનુમાન કરે છે અને શિક્ષણ માટે જ્ઞાન કાઢે છે.

ઇન્ટેલિજન્ટ પ્રોસેસર્સના પ્રતિનિધિ ઉદાહરણોમાં LLM અને માનવ મગજના ભાગોનો સમાવેશ થાય છે.

બીજું છે નોલેજ સ્ટોર. આ એક સ્ટોરેજ સ્થાનનો ઉલ્લેખ કરે છે જ્યાં કાઢેલ જ્ઞાન સંગ્રહિત થાય છે અને જરૂર મુજબ પુનઃપ્રાપ્ત કરી શકાય છે.

LLM માં, નોલેજ સ્ટોર ન્યુરલ નેટવર્કના પરિમાણો છે. મનુષ્યોમાં, તે મગજમાં લાંબા ગાળાની મેમરીને અનુરૂપ છે.

ત્રીજું છે વર્લ્ડ. આ બાહ્ય વાતાવરણનો ઉલ્લેખ કરે છે જેમ કે માનવીઓ અથવા ALIS જેવી શિક્ષણ બુદ્ધિ પ્રણાલીઓ દ્વારા સમજાય છે.

મનુષ્ય માટે, વિશ્વ પોતે વાસ્તવિકતા છે. LLM ના કિસ્સામાં, જે પદ્ધતિ LLM માંથી આઉટપુટ મેળવે છે અને તેને પ્રતિસાદ પ્રદાન કરે છે તેને વિશ્વના સમકક્ષ ગણવામાં આવે છે.

ચોથું છે સ્ટેટ મેમરી. આ એક આંતરિક અસ્થાયી મેમરીનો ઉલ્લેખ કરે છે, જેમ કે સ્ક્રેચપેડ, જેનો ઉપયોગ શિક્ષણ બુદ્ધિ પ્રણાલી અનુમાન દરમિયાન કરે છે.

LLM માં, આ અનુમાન દરમિયાન ઉપયોગમાં લેવાતી મેમરી સ્પેસ છે, જેને હિડન સ્ટેટ્સ તરીકે ઓળખવામાં આવે છે. મનુષ્યોમાં, તે ટૂંકા ગાળાની મેમરીને અનુરૂપ છે.

પાંચમું છે ફ્રેમવર્ક. આ કહેવાતી વિચારસરણીનો માળખો છે. શિક્ષણ બુદ્ધિ પ્રણાલીની પરિભાષામાં, તે અનુમાન દરમિયાન જરૂરી જ્ઞાન પસંદ કરવા માટેના માપદંડ અને રાજ્ય મેમરીને ગોઠવવા માટેના તાર્કિક રાજ્ય અવકાશ માળખાનો ઉલ્લેખ કરે છે.

LLM માં, તે હિડન સ્ટેટ્સનું સિમેન્ટીક માળખું છે, અને સામાન્ય રીતે, તેની સામગ્રી અસ્પષ્ટ અને મનુષ્યો માટે અગમ્ય છે. વધુમાં, જ્ઞાનની પસંદગી ધ્યાન પદ્ધતિમાં એકીકૃત છે, જે પ્રક્રિયા કરવામાં આવતા દરેક ટોકન માટે કયા હાલના ટોકન્સનો સંદર્ભ લેવો તે પસંદ કરે છે.

મનુષ્યો માટે, ઉપર જણાવ્યા મુજબ, તે વિચારસરણીનો માળખો છે. જ્યારે વિચારસરણીના ચોક્કસ માળખાનો ઉપયોગ કરીને વિચારવામાં આવે છે, ત્યારે અમુક પ્રકારના જાણકારીના સેટ લાંબા ગાળાની મેમરીમાંથી યાદ કરવામાં આવે છે અને ટૂંકા ગાળાની મેમરીમાં લોડ કરવામાં આવે છે. પછી, હાલમાં અનુભવાયેલી માહિતીને પરિસ્થિતિને સમજવા માટે વિચારસરણીના માળખા અનુસાર ગોઠવવામાં આવે છે.

શિક્ષણ બુદ્ધિ પ્રણાલીના સિદ્ધાંતો

શિક્ષણ બુદ્ધિ પ્રણાલી નીચે મુજબ કાર્ય કરે છે:

બુદ્ધિશાળી પ્રોસેસર વિશ્વ પર કાર્ય કરે છે. વિશ્વ તે ક્રિયાના આધારે પરિણામો સાથે પ્રતિભાવ આપે છે.

બુદ્ધિશાળી પ્રોસેસર આ પરિણામોમાંથી ફરીથી વાપરી શકાય તેવું જ્ઞાન કાઢે છે અને તેને જ્ઞાન ભંડારમાં સંગ્રહિત કરે છે.

જ્યારે બુદ્ધિશાળી પ્રોસેસર વિશ્વ પર વારંવાર કાર્ય કરે છે, ત્યારે તે જ્ઞાન ભંડારમાંથી જ્ઞાન પસંદ કરે છે અને તેનો ઉપયોગ તેની કાર્ય પદ્ધતિમાં ફેરફાર કરવા માટે કરે છે.

આ મૂળભૂત પદ્ધતિ છે.

જોકે, મૂળભૂત રીતે, જ્ઞાન નિષ્કર્ષણ, સંગ્રહ, પસંદગી અને ઉપયોગ માટેની પદ્ધતિઓ નક્કી કરે છે કે સિસ્ટમ સાર્થક શિક્ષણ પ્રાપ્ત કરી શકે છે કે નહીં.

મનુષ્ય એવી પદ્ધતિઓ ધરાવે છે જે અસરકારક જ્ઞાન નિષ્કર્ષણ, સંગ્રહ, પસંદગી અને ઉપયોગને સક્ષમ બનાવે છે, જે તેમને શીખવા દે છે.

LLM સહિતના ન્યુરલ નેટવર્ક્સમાં સંગ્રહ, પસંદગી અને ઉપયોગ માટેની પદ્ધતિઓ છે, જોકે નિષ્કર્ષણનો ભાગ બાહ્ય શિક્ષક દ્વારા સંભાળવામાં આવે છે. આ તેમને શીખવા દે છે જ્યાં સુધી શિક્ષક ઇનપુટ પ્રદાન કરે છે.

વધુમાં, એક શિક્ષણ બુદ્ધિ પ્રણાલી ફ્રેમવર્કનું નિષ્કર્ષણ, સંગ્રહ અને પસંદગી, અને રાજ્ય મેમરીમાં તેમના ઉપયોગને પણ જ્ઞાન તરીકે શીખીને વધુ જટિલ શિક્ષણ પ્રાપ્ત કરી શકે છે.

જ્ઞાનના પ્રકારો

આ સિદ્ધાંતના આધારે, જ્યારે અધિગ્રહિત શિક્ષણની રચના કરવામાં આવે છે, ત્યારે અધિગ્રહિત જ્ઞાન કયા સ્વરૂપની માહિતી લેશે તે સ્પષ્ટ કરવું જરૂરી છે.

ન્યુરલ નેટવર્કના પરિમાણો તરીકે અધિગ્રહિત જ્ઞાનને અલગથી શીખવવું શક્ય છે.

જોકે, અધિગ્રહિત જ્ઞાન ફક્ત ન્યુરલ નેટવર્ક પરિમાણો પૂરતું મર્યાદિત હોવું જરૂરી નથી. એક વાસ્તવિક ઉમેદવાર કુદરતી ભાષામાં લખાણમાં રૂપાંતરિત જ્ઞાન છે.

જો જ્ઞાનને કુદરતી ભાષામાં લખાણમાં રૂપાંતરિત કરવામાં આવે, તો તેને LLM ની કુદરતી ભાષા પ્રક્રિયા ક્ષમતાઓનો લાભ લઈને કાઢી અને ઉપયોગ કરી શકાય છે. વધુમાં, તેને નિયમિત IT સિસ્ટમમાં ડેટા તરીકે ગણી શકાય છે, જેનાથી સંગ્રહ અને પસંદગી સરળ બને છે.

વધુમાં, કુદરતી ભાષામાં લખાણમાં રૂપાંતરિત જ્ઞાન મનુષ્યો અને અન્ય LLM માટે તપાસવા, સમજવા અને કેટલાક કિસ્સાઓમાં સંપાદિત કરવા માટે સરળ છે.

તેને અન્ય શિક્ષણ બુદ્ધિ પ્રણાલીઓ સાથે પણ શેર કરી શકાય છે, અને તેને મર્જ અથવા વિભાજિત કરી શકાય છે.

આ કારણોસર, ALIS ખ્યાલમાં અધિગ્રહિત જ્ઞાન શરૂઆતમાં કુદરતી ભાષામાં લખાણમાં રૂપાંતરિત જ્ઞાનને લક્ષ્ય બનાવવા માટે ડિઝાઇન કરવામાં આવશે.

અધિગ્રહિત સ્ટેટ મેમરી અને ફ્રેમવર્ક

મેં કુદરતી ભાષામાં લખાણમાં રૂપાંતરિત જ્ઞાનને અધિગ્રહિત જ્ઞાન તરીકે પસંદ કરવાના ફાયદા સમજાવ્યા છે.

તેવી જ રીતે, કુદરતી ભાષાના લખાણનો ઉપયોગ સ્ટેટ મેમરી અને અનુમાન માટેના ફ્રેમવર્ક માટે પણ થઈ શકે છે.

ફ્રેમવર્ક, જે એક વૈચારિક રચના છે, તેને પણ કુદરતી ભાષામાં લખાણમાં રૂપાંતરિત જ્ઞાન તરીકે નોલેજ સ્ટોરમાં સંગ્રહિત અને ઉપયોગ કરી શકાય છે.

જ્યારે તે ફ્રેમવર્ક દ્વારા વ્યાખ્યાયિત રચનાના આધારે સ્ટેટ્સને પ્રારંભ અથવા અપડેટ કરવામાં આવે છે, ત્યારે ટેક્સ્ટ-આધારિત સ્ટેટ મેમરીનો ઉપયોગ કરી શકાય છે.

ALIS ને ફક્ત અધિગ્રહિત જ્ઞાન માટે જ નહીં પરંતુ ફ્રેમવર્ક અને સ્ટેટ મેમરી માટે પણ ટેક્સ્ટ ફોર્મેટનો ઉપયોગ કરવા માટે ડિઝાઇન કરીને, ALIS અધિગ્રહિત શિક્ષણ અને સામાન્ય અનુમાન બંને માટે LLM ની કુદરતી ભાષા પ્રક્રિયા ક્ષમતાઓનો લાભ લઈ શકે છે.

ઔપચારિક જ્ઞાન

અધિગ્રહિત જ્ઞાન, ફ્રેમવર્ક અને સ્ટેટ મેમરીને ફક્ત કુદરતી ભાષાના લખાણ દ્વારા જ નહીં પરંતુ વધુ કડક ઔપચારિક ભાષાઓ અથવા ઔપચારિક મોડેલો દ્વારા પણ રજૂ કરી શકાય છે.

મેં "પસંદ કરો" એમ લખ્યું હોવા છતાં, ALIS નો ધ્યેય જન્મજાત અને અધિગ્રહિત શિક્ષણના હાઇબ્રિડ ઉપયોગને મંજૂરી આપવા માટે બહુવિધ અધિગ્રહિત જ્ઞાન શિક્ષણ પદ્ધતિઓને સમાવિષ્ટ કરવાનો છે.

ઔપચારિક ભાષાઓ અથવા ઔપચારિક મોડેલો દ્વારા રજૂ કરાયેલ જ્ઞાન વધુ કડક અને અસ્પષ્ટતાથી મુક્ત હોઈ શકે છે.

વધુમાં, જો કોઈ ફ્રેમવર્કને ઔપચારિક ભાષા અથવા ઔપચારિક મોડેલનો ઉપયોગ કરીને વ્યક્ત કરવામાં આવે, અને પ્રારંભિક સ્થિતિને સ્ટેટ મેમરીમાં વિસ્તૃત કરવામાં આવે, તો પછી સખત સિમ્યુલેશન અને તાર્કિક તર્ક કરવા માટે બુદ્ધિશાળી પ્રોસેસર (LLM નહીં) દ્વારા ઔપચારિક મોડેલ પર પ્રક્રિયા કરી શકાય છે.

આવા ઔપચારિક ભાષાઓ અને ઔપચારિક મોડેલોનું એક મુખ્ય ઉદાહરણ પ્રોગ્રામિંગ ભાષાઓ છે.

જેમ જેમ સિસ્ટમ વિશ્વ વિશે શીખે છે, જો તે અંતર્ગત કાયદાઓ અને ખ્યાલોને ફ્રેમવર્કની અંદરના પ્રોગ્રામ્સ તરીકે વ્યક્ત કરી શકે છે, તો પછી આને કમ્પ્યુટર દ્વારા સિમ્યુલેટ કરી શકાય છે.

કોલમ 1: જ્ઞાનના પ્રકારો

જેમ જેમ આપણે શીખવાની બુદ્ધિ પ્રણાલીમાં જ્ઞાનને વ્યવસ્થિત કરીએ છીએ, તેમ તેમ તે સ્પષ્ટ થાય છે કે તેને ત્રણ પ્રણાલીઓ અને બે પ્રકારોમાં વ્યાપકપણે વર્ગીકૃત કરી શકાય છે.

ત્રણ પ્રણાલીઓ છે: ન્યુરલ નેટવર્ક્સ દ્વારા સંભાળવામાં આવતું નેટવર્ક પેરામીટર જ્ઞાન, કુદરતી ભાષામાં કુદરતી જ્ઞાન, અને ઔપચારિક ભાષાઓમાં ઔપચારિક જ્ઞાન.

બે પ્રકાર છે સ્ટેટલેસ અને સ્ટેટફુલ.

સ્ટેટલેસ નેટવર્ક પેરામીટર જ્ઞાન એ સાહજિક જ્ઞાન છે, જે ડીપ લર્નિંગ AI માં જોવા મળે છે. બિલાડીઓ અને કૂતરાઓની લાક્ષણિકતાઓ, જેના વિશે મૌખિક રીતે વિચારી કે ઓળખી શકાતી નથી, તેને સ્ટેટલેસ નેટવર્ક પેરામીટર જ્ઞાન તરીકે શીખી શકાય છે.

સ્ટેટફુલ નેટવર્ક પેરામીટર જ્ઞાન એ અસ્પષ્ટ, પુનરાવર્તિત પ્રક્રિયા-પ્રાપ્ત જ્ઞાન છે, જે જનરેટિવ AI માં જોવા મળે છે.

સ્ટેટલેસ કુદરતી જ્ઞાન એ શબ્દ સાથે સંકળાયેલ અર્થ જેવું જ્ઞાન છે.

સ્ટેટફુલ કુદરતી જ્ઞાન એ વાક્યમાં મળેલા સંદર્ભ સહિતનું જ્ઞાન છે.

કેટલાક કુદરતી જ્ઞાન સ્ટેટફુલ નેટવર્ક પેરામીટર જ્ઞાનમાં સહજ રીતે શામેલ હોય છે, પરંતુ એવું જ્ઞાન પણ છે જે કુદરતી ભાષાના લખાણમાંથી જન્મ પછી પ્રાપ્ત કરી શકાય છે.

સ્ટેટલેસ ઔપચારિક જ્ઞાન એવું જ્ઞાન છે જેને ગાણિતિક સૂત્રો દ્વારા વ્યક્ત કરી શકાય છે જેમાં પુનરાવર્તન શામેલ નથી. સ્ટેટફુલ ઔપચારિક જ્ઞાન એવું જ્ઞાન છે જેને પ્રોગ્રામ્સ દ્વારા વ્યક્ત કરી શકાય છે.

પોતાના મગજની ટૂંકા ગાળાની યાદશક્તિનો ઉપયોગ કુદરતી અને ઔપચારિક જ્ઞાન માટે સ્ટેટ મેમરી તરીકે પણ થઈ શકે છે.

જોકે, તે ટૂંકા ગાળાની યાદશક્તિ હોવાથી, સ્થિતિને સ્થિર રીતે જાળવી રાખવી મુશ્કેલ છે તેવી સમસ્યા છે. ઉપરાંત, તે જ્ઞાનને ઔપચારિક, અસ્પષ્ટ સ્થિતિમાં રાખવામાં સારું નથી.

બીજી બાજુ, કાગળ, કમ્પ્યુટર અથવા સ્માર્ટફોનનો ઉપયોગ કુદરતી ભાષાના લખાણ, ઔપચારિક ભાષાઓ અથવા ઔપચારિક મોડેલો લખવા અને સંપાદિત કરવા માટે સ્ટેટ મેમરી તરીકે થઈ શકે છે.

સામાન્ય રીતે, કાગળ પર અથવા કમ્પ્યુટર્સ પરના ડેટાને ઘણીવાર જ્ઞાનને જ્ઞાન ભંડાર તરીકે સંગ્રહિત કરવા માટેની વસ્તુ તરીકે માનવામાં આવે છે, પરંતુ તેનો ઉપયોગ વિચારોને ગોઠવવા માટે સ્ટેટ મેમરી તરીકે પણ થઈ શકે છે.

આમ, તે સ્પષ્ટ છે કે મનુષ્યો આ ત્રણ પ્રણાલીઓ અને બે પ્રકારના જ્ઞાનનો કુશળતાપૂર્વક ઉપયોગ કરીને બૌદ્ધિક પ્રવૃત્તિઓ કરે છે.

ALIS પણ આ જ ત્રણ પ્રણાલીઓ અને બે પ્રકારના જ્ઞાનનો લાભ ઉઠાવીને બૌદ્ધિક પ્રવૃત્તિઓને સક્ષમ અને સુધારીને તેની ક્ષમતાઓને નાટકીય રીતે સુધારવાની સંભાવના ધરાવે છે.

ખાસ કરીને, ALIS માં વિશાળ જ્ઞાન ભંડાર અને સ્ટેટ મેમરીનો ઉપયોગ કરવાની તાકાત છે. વધુમાં, તે દરેકના બહુવિધ દાખલાઓ સરળતાથી તૈયાર કરી શકે છે અને તેમને સ્વિચ કરીને અથવા સંયોજિત કરીને બૌદ્ધિક કાર્યો કરી શકે છે.

કોલમ 2: બૌદ્ધિક ઓર્કેસ્ટ્રેશન

જ્ઞાન ભંડારમાં મોટી માત્રામાં જ્ઞાન સંગ્રહિત કરવાની શક્તિ હોવા છતાં, ફક્ત મોટી માત્રામાં જ્ઞાન હોવું એ બૌદ્ધિક પ્રવૃત્તિ માટે અનુકૂળ નથી કારણ કે જનરેટિવ AI એક સાથે ઉપયોગ કરી શકે તેવા ટોકન્સની સંખ્યા પર મર્યાદાઓ અને અપ્રસ્તુત જ્ઞાન ઘોંઘાટ બની જાય છે.

બીજી બાજુ, જ્ઞાન ભંડારને યોગ્ય રીતે વિભાજિત કરીને અને ચોક્કસ બૌદ્ધિક કાર્યો માટે જરૂરી જ્ઞાન એકત્રિત કરતા ઉચ્ચ-ઘનતાવાળા, વિશિષ્ટ જ્ઞાન ભંડારો બનાવીને, ટોકન મર્યાદાઓ અને ઘોંઘાટની સમસ્યાઓ હળવી કરી શકાય છે.

તેના બદલામાં, આવા વિશિષ્ટ જ્ઞાન ભંડારો ફક્ત તે ચોક્કસ બૌદ્ધિક કાર્યો માટે જ ઉપયોગી થશે.

ઘણી બૌદ્ધિક પ્રવૃત્તિઓ વિવિધ બૌદ્ધિક કાર્યોના જટિલ સંયોજનો છે. તેથી, બૌદ્ધિક કાર્યના પ્રકાર અનુસાર જ્ઞાનને વિશિષ્ટ જ્ઞાન ભંડારોમાં વિભાજિત કરીને અને બૌદ્ધિક પ્રવૃત્તિને બૌદ્ધિક કાર્યોમાં પેટાવિભાજિત કરીને, ALIS વિશિષ્ટ જ્ઞાન ભંડારો વચ્ચે યોગ્ય રીતે સ્વિચ કરીને સમગ્ર બૌદ્ધિક પ્રવૃત્તિને અમલમાં મૂકી શકે છે.

આ એક ઓર્કેસ્ટ્રા જેવું છે જે વિવિધ સાધનો વગાડતા વ્યાવસાયિક સંગીતકારો અને સમગ્રનું નેતૃત્વ કરતા કંડક્ટરથી બનેલું છે.

આ સિસ્ટમ ટેકનોલોજી, "બૌદ્ધિક ઓર્કેસ્ટ્રેશન," દ્વારા ALIS તેની બૌદ્ધિક પ્રવૃત્તિઓને વ્યવસ્થિત કરી શકશે.

ALIS મૂળભૂત ડિઝાઇન અને વિકાસ પદ્ધતિ

અહીંથી, હું ALIS માટેના વિકાસ અભિગમને વ્યવસ્થિત કરીશ.

સિદ્ધાંતો અને કોલમમાં પહેલેથી જ જણાવ્યા મુજબ, ALIS તેના કાર્યો અને સંસાધનોને સરળતાથી વિસ્તૃત કરવા માટે સહજ રીતે ડિઝાઇન કરાયેલ છે. આ એટલા માટે છે કારણ કે ALIS નો સાર ચોક્કસ કાર્યોમાં નથી, પરંતુ જ્ઞાન નિષ્કર્ષણ, સંગ્રહ, પસંદગી અને ઉપયોગની પ્રક્રિયાઓમાં રહેલો છે.

ઉદાહરણ તરીકે, બહુવિધ પ્રકારના જ્ઞાન નિષ્કર્ષણ પદ્ધતિઓ તૈયાર કરી શકાય છે, અને પછી સિસ્ટમ ડિઝાઇનના આધારે તેમાંથી પસંદ કરી શકાય છે અથવા એક સાથે ઉપયોગ કરી શકાય છે.

વધુમાં, ALIS ને આ પસંદગી પોતે જ કરવા માટે બનાવી શકાય છે.

સંગ્રહ, પસંદગી અને ઉપયોગ સમાન રીતે મુક્તપણે પસંદ કરી શકાય છે અથવા સમાંતર કરી શકાય છે.

તેથી, ALIS ને વોટરફોલ રીતે સમગ્ર કાર્યક્ષમતાને ડિઝાઇન કરવાની જરૂર વગર, ઇન્ક્રીમેન્ટલી અને એજાઇલ રીતે વિકસાવી શકાય છે.

ALIS ની શરૂઆત

હવે, ચાલો એક ખૂબ જ સરળ ALIS ડિઝાઇન કરીએ.

મૂળભૂત UI પરિચિત ચેટ AI હશે. શરૂઆતમાં, વપરાશકર્તા ઇનપુટ સીધા LLM ને પાસ કરવામાં આવશે. LLM નો પ્રતિભાવ પછી UI પર પ્રદર્શિત થશે, અને સિસ્ટમ આગલા વપરાશકર્તા ઇનપુટની રાહ જોશે.

જ્યારે આગલો ઇનપુટ આવશે, ત્યારે LLM ને ફક્ત નવો ઇનપુટ જ નહીં પરંતુ તે બિંદુ સુધી વપરાશકર્તા અને LLM વચ્ચેનો સંપૂર્ણ ચેટ ઇતિહાસ પણ પ્રાપ્ત થશે.

આ ચેટ AI UI ની પાછળ, અમે ચેટ ઇતિહાસમાંથી ફરીથી વાપરી શકાય તેવું જ્ઞાન કાઢવા માટે એક પદ્ધતિ તૈયાર કરીશું.

આને ચેટ AI સિસ્ટમમાં વાતચીત સમાપ્ત થાય ત્યારે અથવા નિયમિત અંતરાલોએ અમલમાં મૂકવામાં આવતી પ્રક્રિયા તરીકે ઉમેરી શકાય છે. અલબત્ત, જ્ઞાન નિષ્કર્ષણ માટે LLM નો ઉપયોગ કરવામાં આવશે.

આ LLM ને ALIS કન્સેપ્ટ અને સિદ્ધાંતો, જ્ઞાન નિષ્કર્ષણ જાણકારી સાથે, સિસ્ટમ પ્રોમ્પ્ટ તરીકે આપવામાં આવશે. જો જ્ઞાન હેતુ મુજબ કાઢવામાં ન આવે, તો સિસ્ટમ પ્રોમ્પ્ટને ટ્રાયલ અને એરર દ્વારા સુધારવા જોઈએ.

ચેટ ઇતિહાસમાંથી કાઢેલું જ્ઞાન સીધું જ નોલેજ લેકમાં સંગ્રહિત કરવામાં આવશે. નોલેજ લેક એ જ્ઞાનને સંરચિત કરતા પહેલા તેને સપાટ, અસંરચિત સ્થિતિમાં સરળ રીતે સંગ્રહિત કરવા માટેની એક પદ્ધતિ છે.

આગળ, અમે નોલેજ લેકમાંથી જ્ઞાન પસંદ કરવાનું સરળ બનાવવા માટે એક સંરચના પદ્ધતિ તૈયાર કરીશું.

આનો અર્થ એ છે કે સિમેન્ટીક શોધ માટે એમ્બેડિંગ વેક્ટર સ્ટોર્સ પ્રદાન કરવા, જેમ કે સામાન્ય રીતે RAG માં ઉપયોગ થાય છે, અને કીવર્ડ ઇન્ડેક્સ, અન્ય વસ્તુઓ.

વધુ અદ્યતન વિકલ્પોમાં નોલેજ ગ્રાફ જનરેટ કરવો અથવા કેટેગરી વર્ગીકરણ કરવું શામેલ છે.

નોલેજ લેક માટે સંરચિત માહિતીના આ સંગ્રહને નોલેજ બેઝ કહેવામાં આવશે. આ સંપૂર્ણ નોલેજ બેઝ અને નોલેજ લેક જ્ઞાન ભંડારની રચના કરશે.

આગળ, અમે ચેટ UI પ્રક્રિયામાં જ્ઞાન ભંડારને એકીકૃત કરીશું.

આ મૂળભૂત રીતે સામાન્ય RAG પદ્ધતિ જેવું જ છે. વપરાશકર્તા ઇનપુટ માટે, સંબંધિત જ્ઞાન જ્ઞાન ભંડારમાંથી પસંદ કરવામાં આવે છે અને વપરાશકર્તા ઇનપુટ સાથે LLM ને પાસ કરવામાં આવે છે.

આ LLM ને વપરાશકર્તા ઇનપુટ પર પ્રક્રિયા કરતી વખતે આપમેળે જ્ઞાનનો ઉપયોગ કરવાની મંજૂરી આપે છે.

આ રીતે, વપરાશકર્તા સાથેની દરેક વાતચીત સાથે જ્ઞાન એકત્રિત થશે, જે ભૂતકાળની વાતચીતમાંથી સંચિત જ્ઞાનનો ઉપયોગ કરતી એક સરળ ALIS ને સાકાર કરશે.

સરળ દૃશ્ય

ઉદાહરણ તરીકે, કલ્પના કરો કે એક વપરાશકર્તા આ સરળ ALIS નો ઉપયોગ કરીને વેબ એપ્લિકેશન વિકસાવી રહ્યો છે.

વપરાશકર્તા જાણ કરે છે કે LLM દ્વારા પ્રસ્તાવિત કોડમાં ભૂલ આવી છે. વપરાશકર્તા અને LLM સમસ્યા નિવારણ માટે સહયોગ કર્યા પછી, તેઓ શોધે છે કે LLM ને જાણીતી બાહ્ય API સ્પષ્ટીકરણ જૂની હતી, અને નવીનતમ API સ્પષ્ટીકરણને અનુકૂલિત કર્યા પછી પ્રોગ્રામ યોગ્ય રીતે કાર્ય કરે છે.

આ ચેટ થ્રેડમાંથી, ALIS પછી તેના જ્ઞાન ભંડારમાં જ્ઞાન એકઠું કરી શકે છે: ખાસ કરીને, LLM દ્વારા જાણીતી API સ્પષ્ટીકરણ જૂની છે, અને નવીનતમ API સ્પષ્ટીકરણ શું છે.

પછી, આગલી વખતે જ્યારે તે જ API નો ઉપયોગ કરીને કોઈ પ્રોગ્રામ બનાવવામાં આવે, ત્યારે ALIS આ જ્ઞાનનો લાભ લઈને શરૂઆતથી જ નવીનતમ API સ્પષ્ટીકરણના આધારે પ્રોગ્રામ જનરેટ કરી શકશે.

પ્રારંભિક ALIS માં સુધારાઓ

જોકે, આ થવા માટે, આ જ્ઞાન વપરાશકર્તાના ઇનપુટના પ્રતિભાવમાં પસંદ કરવું આવશ્યક છે. શક્ય છે કે આ જ્ઞાન વપરાશકર્તાના ઇનપુટ સાથે સીધું જોડાયેલું ન હોય, કારણ કે સમસ્યાવાળા API નામ વપરાશકર્તાના ઇનપુટમાં દેખાઈ શકશે નહીં.

તે કિસ્સામાં, API નામ ફક્ત LLM ના પ્રતિભાવ દરમિયાન જ ઉભરી આવશે.

તેથી, અમે પૂર્વ-વિશ્લેષણ અને પોસ્ટ-ચેકિંગ માટેની પદ્ધતિઓ ઉમેરીને સરળ ALIS ને સહેજ વિસ્તૃત કરીશું.

પૂર્વ-વિશ્લેષણ તાજેતરના LLM માં "વિચાર મોડ" જેવું જ છે. રાજ્ય મેમરી તરીકે ટેક્સ્ટને પકડી રાખવા સક્ષમ મેમરી તૈયાર કરવામાં આવશે, અને સિસ્ટમ પ્રોમ્પ્ટ LLM ને વપરાશકર્તા ઇનપુટ પ્રાપ્ત થવા પર પૂર્વ-વિશ્લેષણ કરવા માટે સૂચના આપશે.

LLM નું પૂર્વ-વિશ્લેષણ પરિણામ રાજ્ય મેમરીમાં સંગ્રહિત કરવામાં આવશે. આ પૂર્વ-વિશ્લેષણ પરિણામના આધારે, જ્ઞાન ભંડારમાંથી જ્ઞાન પસંદ કરવામાં આવશે.

પછી, ચેટ ઇતિહાસ, પૂર્વ-વિશ્લેષણ પરિણામ, વપરાશકર્તા ઇનપુટને અનુરૂપ જ્ઞાન, અને પૂર્વ-વિશ્લેષણ પરિણામને અનુરૂપ જ્ઞાન LLM ને પ્રતિભાવ મેળવવા માટે પસાર કરવામાં આવશે.

વધુમાં, LLM દ્વારા પરત કરાયેલ પરિણામનો ઉપયોગ જ્ઞાન ભંડારમાંથી જ્ઞાન શોધવા માટે પણ કરવામાં આવશે. ત્યાં મળેલ જ્ઞાન સહિત, LLM ને પોસ્ટ-ચેક કરવા માટે કહેવામાં આવશે.

જો કોઈ સમસ્યાઓ મળે, તો સમસ્યાવાળા મુદ્દાઓ અને સૂચન માટેના કારણો શામેલ કરવામાં આવશે અને ચેટ LLM ને પાછા પસાર કરવામાં આવશે.

પૂર્વ-વિશ્લેષણ અને પોસ્ટ-ચેકિંગ દરમિયાન જ્ઞાન પસંદ કરવાની તકો પૂરી પાડીને, આપણે સંચિત જ્ઞાનનો ઉપયોગ કરવાની શક્યતાઓને વધારી શકીએ છીએ.

દ્રષ્ટિકોણ

પ્રારંભિક ALIS નું નિર્માણ કરવું અને પછી તેની નબળાઈઓને દૂર કરવા માટે સુધારાઓ ઉમેરવાનો આ અભિગમ ચપળ વિકાસ અને ALIS ના વધારાના સુધારણાને સંપૂર્ણપણે દર્શાવે છે.

વધુમાં, ઉદાહરણ તરીકે, પ્રારંભિક ALIS સોફ્ટવેર ડેવલપમેન્ટમાં ઉપયોગ માટે સૌથી યોગ્ય છે. આ એટલા માટે છે કારણ કે તે ઉચ્ચ માંગ ધરાવતું ક્ષેત્ર છે અને એક એવું ક્ષેત્ર પણ છે જ્યાં જ્ઞાન સ્પષ્ટપણે સરળતાથી સંચિત કરી શકાય છે.

આ એક એવી શૈલી છે જ્યાં વસ્તુઓ સ્પષ્ટપણે કાળી અથવા સફેદ હોય છે, છતાં તે એક નિર્ણાયક ક્ષેત્ર પણ છે જ્યાં ટ્રાયલ-એન્ડ-એરર, પુનરાવર્તિત જ્ઞાન સંચય આવશ્યક અને મહત્વપૂર્ણ છે.

વધુમાં, ALIS નો વિકાસ પોતે સોફ્ટવેર ડેવલપમેન્ટ હોવાથી, ALIS ડેવલપર્સ પોતે ALIS વપરાશકર્તાઓ બની શકે છે તે હકીકત પણ આકર્ષક છે.

અને, ALIS સિસ્ટમ સાથે, નોલેજ લેકને GitHub જેવા પ્લેટફોર્મ પર ખુલ્લેઆમ શેર કરી શકાય છે.

આનાથી ઘણા લોકોને ALIS સિસ્ટમ સુધારણા અને જ્ઞાન સંચય પર સહયોગ કરવાની મંજૂરી મળશે, જેમાં દરેક જણ પરિણામોથી લાભ મેળવશે, જેનાથી ALIS વિકાસને વધુ વેગ મળશે.

અલબત્ત, જ્ઞાન વહેંચણી ફક્ત ALIS ડેવલપર્સ પૂરતી મર્યાદિત નથી પરંતુ ALIS નો ઉપયોગ કરતા તમામ સોફ્ટવેર ડેવલપર્સ પાસેથી એકત્રિત કરી શકાય છે.

જ્ઞાન કુદરતી ભાષામાં છે તે હકીકત બે વધારાના ફાયદા આપે છે:

પ્રથમ ફાયદો એ છે કે LLM મોડેલ બદલાય અથવા અપડેટ થાય ત્યારે પણ જ્ઞાનનો લાભ લઈ શકાય છે.

બીજો ફાયદો એ છે કે વિશાળ સંચિત નોલેજ લેકનો ઉપયોગ LLM માટે પ્રી-ટ્રેનિંગ ડેટાસેટ તરીકે કરી શકાય છે. આ બે રીતે કરી શકાય છે: તેને ફાઇન-ટ્યુનિંગ માટે ઉપયોગ કરીને, અથવા તેને LLM પ્રી-ટ્રેનિંગ માટે જ ઉપયોગ કરીને.

કોઈ પણ કિસ્સામાં, જો નોલેજ લેકમાં સંચિત જ્ઞાનને સહજ રીતે શીખેલા LLM નો ઉપયોગ કરી શકાય, તો સોફ્ટવેર ડેવલપમેન્ટ વધુ કાર્યક્ષમ બનશે.

વધુમાં, સોફ્ટવેર ડેવલપમેન્ટમાં, જરૂરિયાતોનું વિશ્લેષણ, ડિઝાઇન, અમલીકરણ, પરીક્ષણ, સંચાલન અને જાળવણી જેવી વિવિધ પ્રક્રિયાઓ હોય છે, અને દરેક સોફ્ટવેર ડોમેન અને પ્લેટફોર્મ માટે વિશિષ્ટ જ્ઞાન અસ્તિત્વ ધરાવે છે. જો આ પરિપ્રેક્ષ્યમાંથી વિશાળ સંચિત જ્ઞાનને વિભાજિત કરવા માટે એક પદ્ધતિ બનાવવામાં આવે, તો ALIS ઓર્કેસ્ટ્રા પણ બનાવી શકાય છે.

આમ, ALIS માટેના મૂળભૂત તકનીકો સ્થાને છે. હવે મુખ્ય વાત એ છે કે જ્ઞાન નિષ્કર્ષણ જાણકારી, યોગ્ય જ્ઞાન પસંદગી, વિશિષ્ટ જ્ઞાન વિભાજન, અને રાજ્ય મેમરીનો ઉપયોગ કેવી રીતે કરવો જેવી વિવિધ પદ્ધતિઓને વ્યવહારિક રીતે અજમાવીને અસરકારક અભિગમો શોધવા. ઉપરાંત, જેમ જેમ જટિલતા વધશે તેમ તેમ પ્રક્રિયા સમય અને LLM ઉપયોગ ખર્ચ વધશે, જેના માટે ઓપ્ટિમાઇઝેશન જરૂરી બનશે.

આ ટ્રાયલ-એન્ડ-એરર અને ઓપ્ટિમાઇઝેશન પ્રક્રિયાઓને ફ્રેમવર્કના વિકાસ અને સુધારણા દ્વારા અનુકૂલનશીલ રીતે આગળ ધપાવી શકાય છે.

શરૂઆતમાં, ડેવલપર્સ, વપરાશકર્તાઓ તરીકે, ટ્રાયલ-એન્ડ-એરર દ્વારા ALIS માં ફ્રેમવર્કને શામેલ કરશે. જોકે, ત્યારે પણ, LLM પોતે ફ્રેમવર્ક વિચારો ઉત્પન્ન કરવા માટે બનાવી શકાય છે.

અને વિશ્વમાંથી પ્રાપ્ત થયેલા પરિણામો અને કાઢેલા જ્ઞાનના આધારે ફ્રેમવર્કને સુધારવા અથવા શોધવા માટે ALIS માં ફ્રેમવર્કને શામેલ કરીને, ALIS પોતે અનુકૂલનશીલ રીતે ટ્રાયલ-એન્ડ-એરર અને ઓપ્ટિમાઇઝેશન કરશે.

વાસ્તવિક વિશ્વમાં ALIS

એકવાર ALIS આ તબક્કા સુધી સુધરી જાય, પછી તે ફક્ત સોફ્ટવેર ડેવલપમેન્ટના વિશ્વમાં જ નહીં પરંતુ વિવિધ ક્ષેત્રોમાં વ્યાપકપણે જ્ઞાન શીખવામાં સક્ષમ હોવું જોઈએ.

સોફ્ટવેર ડેવલપમેન્ટની જેમ, ALIS કમ્પ્યુટરનો ઉપયોગ કરીને મનુષ્ય દ્વારા કરવામાં આવતી વિવિધ બૌદ્ધિક પ્રવૃત્તિઓમાં તેની પહોંચ વિસ્તૃત કરવાની અપેક્ષા છે.

આવી શુદ્ધ બૌદ્ધિક પ્રવૃત્તિઓમાં પણ, ALIS લક્ષ્ય વિશ્વના સંદર્ભમાં એક પ્રકારનો દેહધારી AI સ્વભાવ ધરાવે છે.

આ એટલા માટે છે કારણ કે તે પોતાને અને વિશ્વ વચ્ચેની સીમાને ઓળખે છે, તે સીમા દ્વારા વિશ્વ પર કાર્ય કરે છે, અને વિશ્વમાંથી પ્રાપ્ત માહિતીને અનુભવી શકે છે.

જેને આપણે સામાન્ય રીતે "શરીર" કહીએ છીએ તે વિશ્વ સાથેની એક સીમા છે જે ભૌતિક રીતે દૃશ્યમાન અને એક જગ્યાએ સ્થાનિક હોય છે.

જોકે, જો સીમા અદૃશ્ય અને અવકાશી રીતે વિતરિત હોય, તો પણ સીમા દ્વારા ધારણા અને ક્રિયાની રચના ભૌતિક શરીર ધરાવવા જેવી જ હોય છે.

તે અર્થમાં, ALIS, જ્યારે બૌદ્ધિક પ્રવૃત્તિઓ કરે છે, ત્યારે તેને વર્ચ્યુઅલી દેહધારી AI નો સ્વભાવ ધરાવતું ગણી શકાય.

અને એકવાર ALIS ને એવી સ્થિતિમાં સુધારી દેવામાં આવે કે તે નવા, અજાણ્યા વિશ્વમાં પણ યોગ્ય રીતે શીખી શકે, તો એવી સંભાવના છે કે ALIS ને ભૌતિક શરીર ધરાવતા વાસ્તવિક દેહધારી AI ના ભાગ રૂપે એકીકૃત કરી શકાય છે.

આ રીતે, ALIS આખરે વાસ્તવિક વિશ્વમાં લાગુ પડશે અને તેમાંથી શીખવાનું શરૂ કરશે.