માઇક્રો વર્ચ્યુઅલ ઇન્ટેલિજન્સ તરીકે ધ્યાન પદ્ધતિ

વર્તમાન જનરેટિવ AI એક AI ટેકનોલોજી છે જે ટ્રાન્સફોર્મરની શોધ સાથે એક મોટી સફળતા તરીકે ખીલી છે.

ધ્યાન પદ્ધતિને ટ્રાન્સફોર્મરના વ્યાખ્યાયિત લક્ષણ તરીકે વર્ણવી શકાય છે. આ ટ્રાન્સફોર્મરની જાહેરાત કરનાર પેપરના શીર્ષક: "Attention Is All You Need" માં સંક્ષિપ્તપણે વ્યક્ત કરવામાં આવ્યું છે.

આનો પૃષ્ઠભૂમિ એ છે કે તે સમયે AI સંશોધકો AI ને માનવીઓની જેમ કુદરતી ભાષાને કુશળતાપૂર્વક હેન્ડલ કરવા સક્ષમ બનાવવા માટે વિવિધ પ્રયાસો કરી રહ્યા હતા અને ટ્રાયલ-એન્ડ-એરરમાં રોકાયેલા હતા, સફળ પદ્ધતિઓનું નામકરણ કરતા હતા અને તેના વિશે પેપર્સ પ્રકાશિત કરતા હતા.

ઘણા સંશોધકો માનતા હતા કે આ બહુવિધ અસરકારક પદ્ધતિઓને વિવિધ રીતે જોડીને, તેઓ ધીમે ધીમે માનવીઓની જેમ કુદરતી ભાષાને હેન્ડલ કરવામાં સક્ષમ AI બનાવી શકશે. તેઓ અન્ય સાથે સંયોજનમાં કાર્ય કરી શકે તેવી નવી પદ્ધતિઓ શોધવા અને આ પદ્ધતિઓના શ્રેષ્ઠ સંયોજનો શોધવા પર ધ્યાન કેન્દ્રિત કરી રહ્યા હતા.

જોકે, ટ્રાન્સફોર્મરે આ પરંપરાગત શાણપણને ઉલટાવી દીધું. વિવિધ પદ્ધતિઓને જોડવાની જરૂર નથી, અને માત્ર ધ્યાન પદ્ધતિ જ જરૂરી છે, તે સંદેશ પેપરના શીર્ષકમાં સ્પષ્ટ હતો.

જ્યારે ટ્રાન્સફોર્મર પોતે ચોક્કસપણે વિવિધ પદ્ધતિઓને સમાવે છે, ત્યારે તેમાં કોઈ શંકા નથી કે ધ્યાન પદ્ધતિ ખાસ કરીને ક્રાંતિકારી અને તેમાંથી વિશિષ્ટ હતી.

ધ્યાન પદ્ધતિની ઝાંખી

ધ્યાન પદ્ધતિ એક એવી સિસ્ટમ છે જે AI ને કુદરતી ભાષામાં ચોક્કસ શબ્દની પ્રક્રિયા કરતી વખતે, અગાઉના વાક્યોમાં સમાવિષ્ટ ઘણા શબ્દોમાંથી કયા શબ્દો પર ધ્યાન આપવું જોઈએ તે શીખવાની મંજૂરી આપે છે.

આ AI ને શબ્દ શું સૂચવે છે તે ચોકસાઈપૂર્વક સમજવામાં સક્ષમ બનાવે છે, ઉદાહરણ તરીકે, જ્યારે "આ", "તે" અથવા "ઉપર્યુક્ત" (અગાઉના વાક્યમાંના શબ્દ તરફ નિર્દેશ કરતા) જેવા નિર્દેશક શબ્દો સાથે વ્યવહાર કરવામાં આવે, અથવા "પ્રારંભિક વાક્ય", "સૂચિબદ્ધ બીજું ઉદાહરણ", અથવા "અગાઉનો ફકરો" જેવા સ્થાનિક સંદર્ભો સાથે વ્યવહાર કરવામાં આવે.

વધુમાં, તે સંશોધકોને યોગ્ય રીતે અર્થઘટન કરી શકે છે, ભલે તેઓ વાક્યમાં દૂર હોય, અને લાંબા લખાણોમાં પણ, તે વર્તમાન શબ્દ જે સંદર્ભનો ઉલ્લેખ કરે છે તેને ગુમાવ્યા વિના શબ્દોનું અર્થઘટન કરી શકે છે, તેને અન્ય વાક્યો વચ્ચે ખોવાઈ જવાથી અટકાવે છે.

આ "ધ્યાન" ની ઉપયોગિતા છે.

વિપરીત રીતે, આનો અર્થ એ છે કે હાલમાં પ્રક્રિયા કરાઈ રહેલા શબ્દનું અર્થઘટન કરતી વખતે, બિનજરૂરી શબ્દોને છુપાવવામાં આવે છે અને અર્થઘટનમાંથી દૂર કરવામાં આવે છે.

આપેલા શબ્દના અર્થઘટન માટે આવશ્યક શબ્દોને જાળવી રાખીને અને બિનસંબંધિત શબ્દોને અર્થઘટનમાંથી દૂર કરીને, અર્થઘટન કરવાના શબ્દોનો સમૂહ થોડા સુધી મર્યાદિત રહે છે, લખાણ ગમે તેટલું લાંબું હોય, આમ અર્થઘટનની ઘનતાને પાતળી થતી અટકાવે છે.

વર્ચ્યુઅલ ઇન્ટેલિજન્સ

હવે, થોડી વાત બદલીએ, હું વર્ચ્યુઅલ ઇન્ટેલિજન્સના ખ્યાલ વિશે વિચારી રહ્યો છું.

હાલમાં, જ્યારે વ્યવસાય માટે જનરેટિવ AI નો ઉપયોગ કરવામાં આવે છે, ત્યારે જો કંપનીની તમામ માહિતીને એકસાથે એક જ જ્ઞાન આધાર તરીકે AI ને પૂરી પાડવામાં આવે, તો જ્ઞાનનું વિશાળ પ્રમાણ જબરજસ્ત બની શકે છે, જેના કારણે AI તેને યોગ્ય રીતે પ્રક્રિયા કરી શકતું નથી.

આ કારણોસર, કાર્ય દ્વારા જ્ઞાનને અલગ કરવું, દરેક કાર્ય માટે AI ચેટ્સ તૈયાર કરવી અથવા ચોક્કસ કાર્યો માટે વિશિષ્ટ AI ટૂલ્સ બનાવવું વધુ અસરકારક છે.

પરિણામે, જ્યારે જટિલ કાર્યો કરવામાં આવે છે, ત્યારે આ વિભાજિત જ્ઞાન ધરાવતી AI ચેટ્સ અથવા AI ટૂલ્સને જોડવાની જરૂર પડે છે.

જ્યારે આ જનરેટિવ AI ની વર્તમાન મર્યાદા દર્શાવે છે, ત્યારે મૂળભૂત રીતે, ભવિષ્યના જનરેટિવ AI સાથે પણ, ચોક્કસ કાર્ય માટે જરૂરી જ્ઞાન પર ધ્યાન કેન્દ્રિત કરવાથી ઉચ્ચ ચોકસાઈ પ્રાપ્ત થવી જોઈએ.

તેના બદલે, હું માનું છું કે ભવિષ્યનું જનરેટિવ AI મનુષ્યો દ્વારા જ્ઞાનને વિભાજિત કર્યા વિના પણ, પરિસ્થિતિ અનુસાર જરૂરી જ્ઞાનને આંતરિક રીતે અલગ પાડીને તેનો ઉપયોગ કરી શકશે.

આ ક્ષમતા વર્ચ્યુઅલ ઇન્ટેલિજન્સ છે. તે એક વર્ચ્યુઅલ મશીન જેવું છે જે એક જ કમ્પ્યુટર પર બહુવિધ વિવિધ ઓપરેટિંગ સિસ્ટમ્સ ચલાવી શકે છે. તેનો અર્થ એ છે કે એક જ બુદ્ધિમત્તાની અંદર, વિવિધ વિશેષતાઓ સાથે બહુવિધ વર્ચ્યુઅલ બુદ્ધિમત્તા કાર્ય કરી શકે છે.

હાલનું જનરેટિવ AI પણ બહુવિધ લોકો વચ્ચેની ચર્ચાઓનું અનુકરણ કરી શકે છે અથવા બહુવિધ પાત્રો દર્શાવતી વાર્તાઓ બનાવી શકે છે. તેથી, વર્ચ્યુઅલ ઇન્ટેલિજન્સ કોઈ વિશેષ ક્ષમતા નથી પરંતુ વર્તમાન જનરેટિવ AI નું વિસ્તરણ છે.

માઇક્રો વર્ચ્યુઅલ ઇન્ટેલિજન્સ

વર્ચ્યુઅલ ઇન્ટેલિજન્સની પદ્ધતિ, જે કાર્ય અનુસાર જરૂરી જ્ઞાનને સંકુચિત કરે છે, તે ધ્યાન પદ્ધતિ જેવું જ કંઈક કાર્ય કરે છે.

બીજા શબ્દોમાં કહીએ તો, તે ધ્યાન પદ્ધતિ સમાન છે કે તે હાલમાં અમલમાં મુકાઈ રહેલા કાર્યના આધારે ફક્ત સંબંધિત જ્ઞાન પર ધ્યાન કેન્દ્રિત કરે છે અને તેની પ્રક્રિયા કરે છે.

વિપરીત રીતે, ધ્યાન પદ્ધતિને વર્ચ્યુઅલ ઇન્ટેલિજન્સ જેવું કંઈક સાકાર કરતી પદ્ધતિ કહી શકાય. જોકે, જ્યારે હું કલ્પના કરું છું તે વર્ચ્યુઅલ ઇન્ટેલિજન્સ જ્ઞાનના સંગ્રહમાંથી સંબંધિત જ્ઞાન પસંદ કરે છે, ત્યારે ધ્યાન પદ્ધતિ શબ્દોના સંગ્રહના એકમ પર કાર્ય કરે છે.

આ કારણોસર, ધ્યાન પદ્ધતિને માઇક્રો વર્ચ્યુઅલ ઇન્ટેલિજન્સ કહી શકાય.

સ્પષ્ટ ધ્યાન પદ્ધતિ

જો આપણે ધ્યાન પદ્ધતિને માઇક્રો વર્ચ્યુઅલ ઇન્ટેલિજન્સ તરીકે જોઈએ, તો તેનાથી વિપરીત, મેં અગાઉ ઉલ્લેખ કર્યો તે વર્ચ્યુઅલ ઇન્ટેલિજન્સને મેક્રો ધ્યાન પદ્ધતિનું નિર્માણ કરીને પ્રાપ્ત કરી શકાય છે.

અને આ મેક્રો ધ્યાન પદ્ધતિને મોટા ભાષા મોડેલ્સની આંતરિક રચનામાં ઉમેરવાની અથવા ન્યુરલ નેટવર્ક શિક્ષણનો સમાવેશ કરવાની જરૂર નથી.

તે ફક્ત કુદરતી ભાષામાં લખેલું સ્પષ્ટ નિવેદન હોઈ શકે છે, જેમ કે: "કાર્ય A ને અમલમાં મૂકતી વખતે, જ્ઞાન B અને જ્ઞાન C નો સંદર્ભ લો."

આ કાર્ય A માટે જરૂરી જ્ઞાનને સ્પષ્ટ કરે છે. આ નિવેદન પોતે જ એક પ્રકારનું જ્ઞાન છે.

આને સ્પષ્ટ ધ્યાન પદ્ધતિ કહી શકાય. આ નિવેદનને ધ્યાન જ્ઞાન તરીકે ગણી શકાય, જે કાર્ય A કરતી વખતે કયા જ્ઞાન પર ધ્યાન કેન્દ્રિત કરવું જોઈએ તે સ્પષ્ટપણે વ્યક્ત કરે છે.

વધુમાં, આ ધ્યાન જ્ઞાન જનરેટિવ AI દ્વારા ઉત્પન્ન અથવા અપડેટ કરી શકાય છે.

જો જ્ઞાનના અભાવને કારણે કોઈ કાર્ય નિષ્ફળ જાય, તો આ પ્રતિબિંબના આધારે, તે કાર્ય માટે સંદર્ભ તરીકે વધારાના જ્ઞાનનો સમાવેશ કરવા માટે ધ્યાન જ્ઞાનને અપડેટ કરી શકાય છે.

નિષ્કર્ષ

ધ્યાન પદ્ધતિએ જનરેટિવ AI ની ક્ષમતાઓને નાટકીય રીતે આગળ વધારી છે.

તે માત્ર એક પદ્ધતિ ન હતી જે સારી રીતે કામ કરી હતી; તેના બદલે, આપણે અહીં જોયું તેમ, દરેક પરિસ્થિતિ માટે સંદર્ભિત થતી માહિતીને ગતિશીલ રીતે સંકુચિત કરવાની પદ્ધતિ જ અદ્યતન બુદ્ધિમત્તાનો સાર હોવાનું જણાય છે.

અને, વર્ચ્યુઅલ ઇન્ટેલિજન્સ અને સ્પષ્ટ ધ્યાન જ્ઞાનની જેમ, ધ્યાન પદ્ધતિ પણ વિવિધ સ્તરોમાં બુદ્ધિમત્તાને પુનરાવર્તિત રીતે વધારવા માટેની ચાવી છે.