આર્ટિફિશિયલ લર્નિંગ ઇન્ટેલિજન્સ સિસ્ટમ: ALIS ખ્યાલ

અહીં, હું આર્ટિફિશિયલ લર્નિંગ ઇન્ટેલિજન્સ સિસ્ટમ (ALIS) ને તેના ખ્યાલ, સિદ્ધાંતો, મૂળભૂત ડિઝાઇન અને વિકાસ પદ્ધતિની વિગતો આપીને વ્યવસ્થિત કરવા માંગુ છું.

ખ્યાલ

વર્તમાન જનરેટિવ AI, મુખ્યત્વે મોટા ભાષા મોડેલો, ન્યુરલ નેટવર્ક-આધારિત સુપરવાઇઝ્ડ લર્નિંગના આધારે તાલીમ પામે છે.

શીખવાની પ્રક્રિયા તરીકે, અમે આ ન્યુરલ નેટવર્ક લર્નિંગને જન્મજાત શિક્ષણ તરીકે વ્યાખ્યાયિત કરીએ છીએ.

ALIS જન્મજાત શિક્ષણથી અલગ, હસ્તગત શિક્ષણ પ્રક્રિયાને એકીકૃત કરે છે, જેથી બંને શીખવાની પ્રક્રિયાઓને જોડતા અનુમાનને સક્ષમ કરી શકાય.

આ હસ્તગત શિક્ષણમાં, શીખેલું જ્ઞાન ન્યુરલ નેટવર્કના બાહ્ય રીતે એકઠું થાય છે અને અનુમાન દરમિયાન તેનો ઉપયોગ થાય છે.

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

વધુમાં, ALIS માત્ર એક જ તત્ત્વજ્ઞાન તકનીક નથી, પરંતુ જન્મજાત શિક્ષણ અને હસ્તગત શિક્ષણને જોડતી એક સિસ્ટમ ટેકનોલોજી છે.

શીખવાની બુદ્ધિ પ્રણાલીના ઘટકો

ALIS એ સિદ્ધાંત હેઠળ કાર્ય કરે છે કે હાલનું જન્મજાત શિક્ષણ અને ભવિષ્યમાં ધ્યાનમાં લેવાયેલ હસ્તગત શિક્ષણ બંને શિક્ષણ અને અનુમાનના સમાન માળખાને અનુસરે છે.

ALIS માં શીખવાના સિદ્ધાંતો સમજાવવા માટે, અમે શીખવાની બુદ્ધિ પ્રણાલીના પાંચ ઘટકોને વ્યાખ્યાયિત કરીએ છીએ.

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

મોટા ભાષા મોડેલો (LLMs) અને માનવ મગજના ભાગો બુદ્ધિશાળી પ્રોસેસરોના મુખ્ય ઉદાહરણો છે.

બીજો છે જ્ઞાન સંગ્રહ. આ એક સંગ્રહ સ્થાનનો ઉલ્લેખ કરે છે જ્યાં કાઢવામાં આવેલ જ્ઞાનને જરૂર મુજબ સાચવી અને પુનઃપ્રાપ્ત કરી શકાય છે.

LLMs માં, જ્ઞાન સંગ્રહ ન્યુરલ નેટવર્કના પરિમાણોનો સમાવેશ કરે છે. મનુષ્યમાં, તે મગજમાં લાંબા ગાળાની યાદશક્તિને અનુરૂપ છે.

ત્રીજું છે વિશ્વ. આ શીખવાની બુદ્ધિ પ્રણાલી, જેમ કે મનુષ્ય અથવા ALIS, દ્વારા સમજાયેલ બાહ્ય વાતાવરણનો ઉલ્લેખ કરે છે.

મનુષ્ય માટે, વિશ્વ એ વાસ્તવિકતા પોતે છે. LLMs ના કિસ્સામાં, એક પદ્ધતિ જે LLM માંથી આઉટપુટ મેળવે છે અને તેને પ્રતિસાદ આપે છે તેને વિશ્વ સમાન ગણી શકાય.

ચોથું છે સ્ટેટ મેમરી. આ શીખવાની બુદ્ધિ પ્રણાલી દ્વારા અનુમાન દરમિયાન ઉપયોગમાં લેવાતી આંતરિક અસ્થાયી મેમરી-જેવા ઘટકનો ઉલ્લેખ કરે છે.

LLMs માં, આ મેમરી સ્થાન છે જે અનુમાન દરમિયાન ઉપયોગમાં લેવાય છે, જેને હિડન સ્ટેટ્સ તરીકે ઓળખવામાં આવે છે. મનુષ્યમાં, તે ટૂંકા ગાળાની યાદશક્તિને અનુરૂપ છે.

પાંચમું છે ફ્રેમવર્ક. આ, કહેવા મુજબ, એક વિચારસરણીનું માળખું છે. શીખવાની બુદ્ધિ પ્રણાલીઓની પરિભાષામાં, તે અનુમાન દરમિયાન જરૂરી જ્ઞાન પસંદ કરવા માટેના માપદંડ અને સ્ટેટ મેમરીને ગોઠવવા માટેનું તાર્કિક સ્ટેટ સ્પેસ માળખું સૂચવે છે.

LLMs માં, તે હિડન સ્ટેટ્સની સિમેન્ટીક રચના છે, અને તેની સામગ્રી સામાન્ય રીતે અસ્પષ્ટ અને મનુષ્ય માટે અગમ્ય હોય છે. વધુમાં, જ્ઞાન પસંદગી ધ્યાન પદ્ધતિમાં સમાવિષ્ટ છે, જે પ્રક્રિયા કરાઈ રહેલા દરેક ટોકન માટે કયા હાલના ટોકન્સનો ઉલ્લેખ કરવો તે પસંદ કરે છે.

મનુષ્યમાં, ઉપર જણાવ્યા મુજબ, તે એક વિચારસરણીનું માળખું છે. જ્યારે કોઈ ચોક્કસ ફ્રેમવર્કનો ઉપયોગ કરીને વિચારવામાં આવે છે, ત્યારે લાંબા ગાળાની યાદશક્તિમાંથી ચોક્કસ જાણકારીનો સમૂહ યાદ આવે છે અને ટૂંકા ગાળાની યાદશક્તિમાં લોડ થાય છે. પછી, હાલમાં સમજાયેલી માહિતીને વિચારધારાના માળખા અનુસાર ગોઠવવામાં આવે છે જેથી પરિસ્થિતિને સમજી શકાય.

શીખવાની બુદ્ધિ પ્રણાલીના સિદ્ધાંતો

શીખવાની બુદ્ધિ પ્રણાલી નીચે મુજબ કાર્ય કરે છે:

એક બુદ્ધિશાળી પ્રોસેસર વિશ્વ પર કાર્ય કરે છે. વિશ્વ, આ કાર્યના પ્રતિભાવમાં, પરિણામો પરત કરે છે.

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

જ્યારે વિશ્વ પર પુનરાવર્તિત રીતે કાર્ય કરવામાં આવે છે, ત્યારે બુદ્ધિશાળી પ્રોસેસર જ્ઞાન સંગ્રહમાંથી જ્ઞાન પસંદ કરે છે અને તેની ક્રિયાઓને સુધારવા માટે તેનો ઉપયોગ કરે છે.

આ મૂળભૂત પદ્ધતિ છે.

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

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

ન્યુરલ નેટવર્ક્સ, જેમાં LLMs નો સમાવેશ થાય છે, તેમનું નિષ્કર્ષણ બાહ્ય શિક્ષકો દ્વારા સંભાળવામાં આવે છે, પરંતુ તેઓ સંગ્રહ, પસંદગી અને ઉપયોગ માટેની પદ્ધતિઓ ધરાવે છે. આ તેમને શિક્ષક પ્રદાન કરવામાં આવે ત્યાં સુધી શીખવા દે છે.

વધુમાં, શીખવાની બુદ્ધિ પ્રણાલી ફ્રેમવર્કનું નિષ્કર્ષણ, સંગ્રહ અને પસંદગી, અને સ્ટેટ મેમરીમાં તેમના ઉપયોગની પદ્ધતિઓને જ્ઞાન તરીકે પણ શીખી શકે છે, જેનાથી વધુ જટિલ શિક્ષણ સક્ષમ બને છે.

જ્ઞાનના પ્રકાર

આ સિદ્ધાંતોના આધારે, હસ્તગત શિક્ષણની રચના કરતી વખતે, હસ્તગત જ્ઞાન કયા સ્વરૂપમાં હશે તે સ્પષ્ટ કરવું જરૂરી છે.

એવી પદ્ધતિ પણ વિચારી શકાય છે જ્યાં હસ્તગત જ્ઞાનને ન્યુરલ નેટવર્ક પરિમાણો તરીકે અલગથી શીખવવામાં આવે છે.

જોકે, હસ્તગત જ્ઞાનને ફક્ત ન્યુરલ નેટવર્ક પરિમાણો પૂરતું મર્યાદિત રાખવાની જરૂર નથી. કુદરતી ભાષામાં ટેક્સ્ટ સ્વરૂપે રજૂ કરાયેલું જ્ઞાન એક વ્યવહારિક વિકલ્પ છે.

કુદરતી ભાષામાં ટેક્સ્ટ સ્વરૂપે રજૂ કરાયેલા જ્ઞાનને LLMs ની કુદરતી ભાષા પ્રક્રિયા ક્ષમતાઓનો લાભ લઈને કાઢી અને ઉપયોગમાં લઈ શકાય છે. વધુમાં, તેને પ્રમાણભૂત IT સિસ્ટમ્સમાં ડેટા તરીકે હેન્ડલ કરી શકાય છે, તેથી સંગ્રહ અને પસંદગી પણ સરળ છે.

વધુમાં, કુદરતી ભાષામાં ટેક્સ્ટ સ્વરૂપે રજૂ કરાયેલું જ્ઞાન મનુષ્યો અને અન્ય LLMs માટે તપાસવું, સમજવું અને કેટલાક કિસ્સાઓમાં તેની સામગ્રીને સંપાદિત કરવું પણ સરળ છે.

તેને અન્ય શીખવાની બુદ્ધિ સિસ્ટમ્સ સાથે શેર કરી શકાય છે, મર્જ કરી શકાય છે અથવા વિભાજિત કરી શકાય છે.

આ કારણોસર, ALIS ખ્યાલમાં હસ્તગત જ્ઞાનને શરૂઆતમાં કુદરતી ભાષામાં ટેક્સ્ટ સ્વરૂપે રજૂ કરાયેલા જ્ઞાનને લક્ષ્ય બનાવીને ડિઝાઇન કરવામાં આવશે.

હસ્તગત સ્ટેટ મેમરી અને ફ્રેમવર્ક

અમે હસ્તગત જ્ઞાન માટેના ફોર્મેટ તરીકે કુદરતી ભાષા ટેક્સ્ટ પસંદ કરવાના ફાયદા સમજાવ્યા છે.

તેવી જ રીતે, કુદરતી ભાષા ટેક્સ્ટનો ઉપયોગ સ્ટેટ મેમરી અને અનુમાન માટેના ફ્રેમવર્ક માટે પણ કરી શકાય છે.

ફ્રેમવર્ક, વૈચારિક રચનાઓ તરીકે, જ્ઞાન સંગ્રહમાં કુદરતી ભાષામાં ટેક્સ્ટ સ્વરૂપે રજૂ કરાયેલા જ્ઞાન તરીકે સંગ્રહિત અને ઉપયોગમાં લઈ શકાય છે.

ફ્રેમવર્ક દ્વારા વ્યાખ્યાયિત રચનાના આધારે સ્ટેટ્સને પ્રારંભ અથવા અપડેટ કરતી વખતે પણ, ટેક્સ્ટ-ફોર્મેટ સ્ટેટ મેમરીનો ઉપયોગ કરી શકાય છે.

હસ્તગત જ્ઞાન જ નહીં, પરંતુ ફ્રેમવર્ક અને સ્ટેટ મેમરીને પણ ટેક્સ્ટ ફોર્મેટમાં ડિઝાઇન કરીને, ALIS સામાન્ય રીતે હસ્તગત શિક્ષણ અને અનુમાન માટે LLMs ની કુદરતી ભાષા પ્રક્રિયા ક્ષમતાઓનો લાભ લઈ શકે છે.

ઔપચારિક જ્ઞાન

હસ્તગત જ્ઞાન, ફ્રેમવર્ક અને સ્ટેટ મેમરી માત્ર કુદરતી ભાષાના લખાણમાં જ નહીં, પરંતુ વધુ કડક ઔપચારિક ભાષાઓ અથવા ઔપચારિક મોડેલોમાં પણ વ્યક્ત કરી શકાય છે.

મેં "પસંદ કરો" એમ લખ્યું હોવા છતાં, ALIS નો હેતુ જન્મજાત અને હસ્તગત શિક્ષણના હાઇબ્રિડ ઉપયોગને સક્ષમ કરવા માટે બહુવિધ વિશિષ્ટ હસ્તગત જ્ઞાન શીખવાની પદ્ધતિઓને સમાવવાનો છે.

ઔપચારિક ભાષાઓ અથવા ઔપચારિક મોડેલો દ્વારા રજૂ કરાયેલ જ્ઞાન વધુ ચોક્કસ અને અસ્પષ્ટ બનાવી શકાય છે.

વધુમાં, જો કોઈ ફ્રેમવર્ક ઔપચારિક ભાષા અથવા મોડેલનો ઉપયોગ કરીને વ્યક્ત કરવામાં આવે અને સ્ટેટ મેમરીમાં પ્રારંભિક સ્થિતિ પ્રગટ થાય, તો LLM ને બદલે ઔપચારિક મોડેલો પર પ્રક્રિયા કરવામાં સક્ષમ બુદ્ધિશાળી પ્રોસેસર દ્વારા કડક મોડેલ સાથે સિમ્યુલેશન અથવા તાર્કિક વિકાસ કરી શકાય છે.

આવી ઔપચારિક ભાષાઓ અથવા ઔપચારિક મોડેલોનું મુખ્ય ઉદાહરણ પ્રોગ્રામિંગ ભાષાઓ છે.

જેમ જેમ સિસ્ટમ વિશ્વ વિશે શીખે છે, જો તે તેમાં જોવા મળતા કાયદાઓ અને ખ્યાલોને ફ્રેમવર્કમાં પ્રોગ્રામ તરીકે વ્યક્ત કરી શકે છે, તો તે કમ્પ્યુટર પર તેનું અનુકરણ કરી શકે છે.

કૉલમ 1: જ્ઞાનના પ્રકારો

શીખવાની બુદ્ધિ પ્રણાલીમાં જ્ઞાનને વ્યવસ્થિત કરતી વખતે, તે સ્પષ્ટ થાય છે કે તેને મુખ્યત્વે ત્રણ પ્રકારની જ્ઞાન પ્રણાલીઓ અને બે પ્રકારની સ્થિતિઓમાં વર્ગીકૃત કરી શકાય છે.

ત્રણ જ્ઞાન પ્રણાલીઓ છે: નેટવર્ક પરિમાણ જ્ઞાન, જે ન્યુરલ નેટવર્ક્સ દ્વારા સંભાળવામાં આવે છે; કુદરતી જ્ઞાન, જે કુદરતી ભાષામાં વ્યક્ત થાય છે; અને ઔપચારિક જ્ઞાન, જે ઔપચારિક ભાષાઓમાં વ્યક્ત થાય છે.

સ્થિતિના બે પ્રકાર છે: સ્ટેટલેસ અને સ્ટેટફુલ.

સ્ટેટલેસ નેટવર્ક પરિમાણ જ્ઞાન એ ઊંડા શિક્ષણ AI માં જોવા મળતું સાહજિક જ્ઞાન છે. બિલાડીઓ અને કૂતરાઓની વિશેષતાઓ, જેને સ્પષ્ટપણે વિચારી શકાતી નથી કે મૌખિક રીતે ઓળખી શકાતી નથી, તેને સ્ટેટલેસ નેટવર્ક પરિમાણ જ્ઞાન તરીકે શીખી શકાય છે.

સ્ટેટફુલ નેટવર્ક પરિમાણ જ્ઞાન એ જનરેટિવ AI માં જોવા મળતી અસ્પષ્ટ, પુનરાવર્તિત પ્રક્રિયાઓ દ્વારા ઉદ્ભવતું જ્ઞાન છે.

સ્ટેટલેસ કુદરતી જ્ઞાન એ વ્યક્તિગત શબ્દો સાથે સંકળાયેલા અર્થો જેવું જ્ઞાન છે.

સ્ટેટફુલ કુદરતી જ્ઞાન એ વાક્યોમાં સંદર્ભ શામેલ કરતું જ્ઞાન છે.

કેટલાક કુદરતી જ્ઞાન જન્મજાત રીતે સ્ટેટફુલ નેટવર્ક પરિમાણ જ્ઞાનમાં શામેલ હોય છે, પરંતુ કુદરતી ભાષાના લખાણમાંથી પણ જ્ઞાન પ્રાપ્ત કરી શકાય છે.

સ્ટેટલેસ ઔપચારિક જ્ઞાન એ જ્ઞાન છે જેને પુનરાવર્તન વિના ગાણિતિક સૂત્રોમાં વ્યક્ત કરી શકાય છે. સ્ટેટફુલ ઔપચારિક જ્ઞાન એ જ્ઞાન છે જેને પ્રોગ્રામ તરીકે વ્યક્ત કરી શકાય છે.

કુદરતી જ્ઞાન અને ઔપચારિક જ્ઞાન માટે રાજ્ય મેમરી તરીકે પોતાની ટૂંકા ગાળાની મેમરીનો પણ ઉપયોગ કરી શકાય છે.

જોકે, તે ટૂંકા ગાળાની મેમરી હોવાથી, સ્થિતિને સ્થિર રીતે જાળવી રાખવી મુશ્કેલ છે તેવી સમસ્યા છે. વધુમાં, તે ઔપચારિક, અસ્પષ્ટ સ્થિતિઓને જાળવી રાખવામાં નિપુણ નથી.

બીજી બાજુ, કાગળ, કમ્પ્યુટર્સ અને સ્માર્ટફોનનો ઉપયોગ કુદરતી ભાષાના લખાણ, ઔપચારિક ભાષાઓ અથવા ઔપચારિક મોડેલો લખવા અથવા સંપાદિત કરવા માટે સ્ટેટ મેમરી તરીકે કરી શકાય છે.

સામાન્ય રીતે, કાગળ અથવા કમ્પ્યુટર્સ પરના ડેટાને જ્ઞાનને યાદ રાખવા માટેના જ્ઞાન સંગ્રહ તરીકે જોવામાં આવે છે, પરંતુ તેનો ઉપયોગ વિચારોને વ્યવસ્થિત કરવા માટે સ્ટેટ મેમરી તરીકે પણ કરી શકાય છે.

આમ, તે સ્પષ્ટ છે કે મનુષ્યો આ ત્રણ જ્ઞાન પ્રણાલીઓ અને બે પ્રકારની સ્થિતિઓનો સંપૂર્ણ ઉપયોગ કરીને બૌદ્ધિક પ્રવૃત્તિઓ કરે છે.

ALIS પણ, આ જ ત્રણ જ્ઞાન પ્રણાલીઓ અને બે પ્રકારની સ્થિતિઓનો લાભ ઉઠાવતી બૌદ્ધિક પ્રવૃત્તિઓને સક્ષમ અને મજબૂત કરીને તેની ક્ષમતાઓને નાટકીય રીતે વધારવાની સંભાવના ધરાવે છે.

ખાસ કરીને, ALIS માં વિશાળ જ્ઞાન સંગ્રહો અને સ્ટેટ મેમરીનો ઉપયોગ કરવાની શક્તિ છે. વધુમાં, તે દરેકને ઘણા તૈયાર કરીને અને તેમને સ્વિચ કરીને અથવા સંયોજિત કરીને બૌદ્ધિક કાર્યો સરળતાથી કરી શકે છે.

કોલમ 2: બુદ્ધિશાળી ઓર્કેસ્ટ્રેશન

જ્ઞાન સંગ્રહમાં જ્ઞાનનો વિશાળ જથ્થો એકઠો કરી શકવાનો ફાયદો હોવા છતાં, જનરેટિવ AI એક સમયે પ્રક્રિયા કરી શકે તેવા ટોકન્સની સંખ્યા પરની મર્યાદાઓ અને અપ્રસ્તુત જ્ઞાન દ્વારા ઉત્પન્ન થતા અવાજને કારણે જ્ઞાનની માત્રા બૌદ્ધિક પ્રવૃત્તિમાં સરળતાથી ફાયદામાં પરિવર્તિત થતી નથી.

તેનાથી વિપરીત, જ્ઞાન સંગ્રહને યોગ્ય રીતે વિભાજિત કરીને અને તેને ઉચ્ચ-ઘનતાવાળા વિશિષ્ટ જ્ઞાન સંગ્રહોમાં રૂપાંતરિત કરીને, જેમાં દરેક ચોક્કસ બૌદ્ધિક કાર્ય માટે જરૂરી જ્ઞાન હોય, ટોકન મર્યાદાઓ અને અવાજની સમસ્યાઓ ઘટાડી શકાય છે.

તેના બદલામાં, દરેક વિશિષ્ટ જ્ઞાન સંગ્રહ ફક્ત તેના નિયુક્ત બૌદ્ધિક કાર્ય માટે જ વાપરી શકાય તેવો બને છે.

ઘણી બૌદ્ધિક પ્રવૃત્તિઓ વિવિધ બૌદ્ધિક કાર્યોના જટિલ સંયુક્ત સ્વરૂપો છે. તેથી, જ્ઞાનને બૌદ્ધિક કાર્યના પ્રકાર અનુસાર વિશિષ્ટ જ્ઞાન સંગ્રહોમાં વિભાજીત કરીને અને બૌદ્ધિક પ્રવૃત્તિને વ્યક્તિગત કાર્યોમાં વિભાજીત કરીને, ALIS આ વિશિષ્ટ જ્ઞાન સંગ્રહો વચ્ચે યોગ્ય રીતે સ્વિચ કરીને સંપૂર્ણ બૌદ્ધિક પ્રવૃત્તિને અમલમાં મૂકી શકે છે.

આ એક ઓર્કેસ્ટ્રા જેવું છે, જેમાં વિવિધ વાદ્યો વગાડતા વ્યાવસાયિક સંગીતકારો અને સમૂહનું નેતૃત્વ કરનાર કંડક્ટરનો સમાવેશ થાય છે.

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

ALIS ની મૂળભૂત ડિઝાઇન અને વિકાસ પદ્ધતિ

અહીંથી, અમે ALIS ના વિકાસને વ્યવસ્થિત કરીશું.

જેમ કે સિદ્ધાંતો અને કૉલમમાં પહેલાથી જ ચર્ચા કરવામાં આવી છે, ALIS કાર્યક્ષમતા અને સંસાધનોના સરળ વિસ્તરણ માટે સ્વાભાવિક રીતે ડિઝાઇન થયેલ 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 પ્રકારની જ્ઞાન નિષ્કર્ષણ પદ્ધતિઓ પ્રદાન કરી શકાય છે, અને સિસ્ટમ ડિઝાઇન તેમને પસંદ કરવા અથવા એકસાથે ઉપયોગ કરવા માટે મુક્ત પસંદગીની મંજૂરી આપે છે.

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

તેવી જ રીતે, સંગ્રહ, પસંદગી અને ઉપયોગ પણ મુક્તપણે પસંદ કરી શકાય છે અથવા સમાંતર કરી શકાય છે.

તેથી, ALIS ને સમગ્ર કાર્યક્ષમતાને વોટરફોલ રીતે 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 એક પરિચિત ચેટ AI હશે. શરૂઆતમાં, વપરાશકર્તા ઇનપુટ સીધા LLM ને આપવામાં આવે છે. LLM નો પ્રતિભાવ UI પર પ્રદર્શિત થાય છે, અને સિસ્ટમ આગલા વપરાશકર્તા ઇનપુટની રાહ જુએ છે.

આગળનો ઇનપુટ પ્રાપ્ત થવા પર, LLM ને ફક્ત નવો ઇનપુટ જ નહીં, પરંતુ વપરાશકર્તા અને LLM વચ્ચેનો સંપૂર્ણ ચેટ ઇતિહાસ પણ આપવામાં આવે છે.

આ ચેટ AI ના UI પાછળ, ચેટ ઇતિહાસમાંથી ફરીથી વાપરી શકાય તેવા જ્ઞાનને કાઢવા માટે એક પદ્ધતિ તૈયાર કરવામાં આવે છે.

આ પદ્ધતિને ચેટ AI સિસ્ટમમાં એક પ્રક્રિયા તરીકે ઉમેરી શકાય છે જે વાતચીત સમાપ્ત થાય ત્યારે અથવા નિયમિત અંતરાલ પર ચાલે છે. અલબત્ત, જ્ઞાન નિષ્કર્ષણ માટે LLM નો ઉપયોગ થાય છે.

આ LLM ને ALIS ખ્યાલ અને સિદ્ધાંતો, તેમજ જ્ઞાન નિષ્કર્ષણ જાણકારી, સિસ્ટમ પ્રોમ્પ્ટ તરીકે આપવામાં આવે છે. જો જ્ઞાન ઇરાદા મુજબ કાઢવામાં ન આવે, તો સિસ્ટમ પ્રોમ્પ્ટને ટ્રાયલ અને એરર દ્વારા સુધારવો જોઈએ.

ચેટ ઇતિહાસમાંથી કાઢેલું જ્ઞાન સીધું જ નોલેજ લેકમાં સંગ્રહિત થાય છે. નોલેજ લેક એ ફક્ત જ્ઞાનને સંરચિત કરતા પહેલા તેને સપાટ સ્થિતિમાં સંગ્રહિત કરવાની એક પદ્ધતિ છે.

આગળ, નોલેજ લેકમાંથી જ્ઞાનની પસંદગીને સરળ બનાવવા માટે એક સંરચના પદ્ધતિ તૈયાર કરવામાં આવે છે.

આમાં લાક્ષણિક RAG માં ઉપયોગમાં લેવાતા સિમેન્ટિક સર્ચ માટે એમ્બેડિંગ વેક્ટર સ્ટોર અને કીવર્ડ ઇન્ડેક્સ પ્રદાન કરવાનો સમાવેશ થાય છે.

અન્ય શક્યતાઓમાં વધુ અદ્યતન જ્ઞાન ગ્રાફ બનાવવો અથવા શ્રેણી વર્ગીકરણ કરવું શામેલ છે.

નોલેજ લેક માટેની આ સંરચિત માહિતીના સંગ્રહને નોલેજ બેઝ કહેવામાં આવશે. આ સમગ્ર નોલેજ બેઝ અને નોલેજ લેક નોલેજ સ્ટોરની રચના કરશે.

આગળ, નોલેજ સ્ટોરને ચેટ UI ની પ્રક્રિયામાં એકીકૃત કરવામાં આવે છે.

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

આનાથી LLM વપરાશકર્તા ઇનપુટ પર પ્રક્રિયા કરતી વખતે આપમેળે જ્ઞાનનો ઉપયોગ કરી શકે છે.

આ રીતે, વપરાશકર્તા સાથેની દરેક વાતચીત સાથે જ્ઞાન વધે છે, જે ભૂતકાળની વાતચીતમાંથી સંચિત જ્ઞાનનો ઉપયોગ કરતી એક સરળ ALIS ને સક્ષમ કરે છે.

સરળ દૃશ્ય

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

વપરાશકર્તા જાણ કરશે કે LLM દ્વારા પ્રસ્તાવિત કોડમાં ભૂલ આવી છે. પછી, વપરાશકર્તા અને LLM સમસ્યાનું નિરાકરણ લાવવા માટે સહયોગ કરશે. ધારો કે તેમને જાણવા મળ્યું કે LLM ને જે બાહ્ય API સ્પષ્ટીકરણની જાણ હતી તે જૂનું હતું, અને નવીનતમ API સ્પષ્ટીકરણને અનુકૂલન કરવાથી સમસ્યા હલ થઈ ગઈ.

આ કિસ્સામાં, LLM નું API સ્પષ્ટીકરણ જૂનું હતું અને નવીનતમ API સ્પષ્ટીકરણ શું છે તે જ્ઞાન આ ચેટ થ્રેડમાંથી જ્ઞાન સંગ્રહમાં એકત્રિત કરી શકાય છે.

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

પ્રારંભિક ALIS માં સુધારણા

જોકે, આ માટે, વપરાશકર્તાના ઇનપુટના પ્રતિભાવમાં આ જ્ઞાન પસંદ કરવું જરૂરી છે. એવું બની શકે છે કે આ જ્ઞાન સીધું વપરાશકર્તાના ઇનપુટ સાથે જોડાયેલું ન હોય, કારણ કે પ્રારંભિક વપરાશકર્તા ઇનપુટમાં સમસ્યાવાળા API નું નામ દેખાવાની શક્યતા ઓછી છે.

આવા કિસ્સામાં, API નું નામ LLM ના પ્રતિભાવમાં જ પહેલીવાર દેખાશે.

તેથી, અમે પ્રી-ચેક ટિપ્પણીઓ અને પોસ્ટ-ચેક ટિપ્પણીઓ માટે એક પદ્ધતિ ઉમેરીને સરળ ALIS ને થોડું વિસ્તૃત કરીશું.

પ્રી-ચેક ટિપ્પણીઓ LLMs માં તાજેતરના "વિચાર મોડ" જેવી જ છે. અમે સ્ટેટ મેમરી તરીકે ટેક્સ્ટને સંગ્રહિત કરી શકે તેવી મેમરી તૈયાર કરીએ છીએ, અને વપરાશકર્તા ઇનપુટ પ્રાપ્ત થવા પર પ્રી-ચેક ટિપ્પણીઓ કરવા માટે સિસ્ટમ પ્રોમ્પ્ટ દ્વારા LLM ને સૂચના આપીએ છીએ.

LLM નું પ્રી-ચેક ટિપ્પણી પરિણામ પછી સ્ટેટ મેમરીમાં મૂકવામાં આવે છે, અને આ પરિણામના આધારે, જ્ઞાન સંગ્રહમાંથી જ્ઞાન પસંદ કરવામાં આવે છે.

પછી, ચેટ ઇતિહાસ, પ્રી-ચેક ટિપ્પણી પરિણામ, વપરાશકર્તા ઇનપુટને અનુરૂપ જ્ઞાન, અને પ્રી-ચેક ટિપ્પણી પરિણામને અનુરૂપ જ્ઞાન LLM ને તેના આઉટપુટ પ્રાપ્ત કરવા માટે આપવામાં આવે છે.

વધુમાં, LLM દ્વારા પરત કરાયેલા પરિણામ માટે, જ્ઞાન સંગ્રહમાં જ્ઞાનની શોધ કરવામાં આવે છે. ત્યાં મળેલ કોઈપણ જ્ઞાનનો સમાવેશ કરીને, LLM ને પછી પોસ્ટ-ચેક કરવા માટે કહેવામાં આવે છે.

જો કોઈ સમસ્યાઓ મળે, તો તે સમસ્યાના મુદ્દાઓ અને 指摘 (ટિપ્પણીઓ/પ્રતિસાદ) ના કારણો સાથે ચેટ LLM ને પાછા મોકલવામાં આવે છે.

પ્રી-ચેક ટિપ્પણીઓ અને પોસ્ટ-ચેક ટિપ્પણીઓ બંને દરમિયાન જ્ઞાન પસંદ કરવાની તકો પૂરી પાડીને, આપણે સંચિત જ્ઞાનનો ઉપયોગ કરવાની તકો વધારી શકીએ છીએ.

ભાવિ દૃષ્ટિકોણ

પ્રારંભિક ALIS બનાવવાની અને તેની નબળાઈઓને દૂર કરવા માટે સુધારાઓ ઉમેરવાની પ્રક્રિયા ચોક્કસપણે ચપળ વિકાસ છે, જે દર્શાવે છે કે ALIS ને ક્રમશઃ સુધારી શકાય છે.

વધુમાં, ઉદાહરણ તરીકે દર્શાવ્યા મુજબ, પ્રારંભિક ALIS સોફ્ટવેર ડેવલપમેન્ટમાં ઉપયોગ માટે સૌથી યોગ્ય છે. આ એટલા માટે છે કારણ કે તે ઉચ્ચ-માંગવાળું ક્ષેત્ર છે અને એક એવું ક્ષેત્ર છે જ્યાં જ્ઞાન સ્પષ્ટપણે એકત્રિત કરી શકાય છે.

તે એક એવું ક્ષેત્ર છે જ્યાં પરિણામો સ્પષ્ટ હોય છે, છતાં તેને ટ્રાયલ-એન્ડ-એરર, પુનરાવર્તિત જ્ઞાન સંચયમાંથી નોંધપાત્ર રીતે લાભ થાય છે અને તેની જરૂરિયાત પણ છે.

વધારામાં, ALIS નો વિકાસ પોતે સોફ્ટવેર ડેવલપમેન્ટ હોવાથી, ALIS ડેવલપર્સ પણ ALIS યુઝર બની શકે છે તે એક આકર્ષક પાસું છે.

વધુમાં, ALIS સિસ્ટમ સાથે, નોલેજ લેકને GitHub જેવા પ્લેટફોર્મ પર ખુલ્લી રીતે શેર કરી શકાય છે.

આનાથી ઘણા વ્યક્તિઓને ALIS સિસ્ટમના સુધારણા અને જ્ઞાનના સંચયમાં યોગદાન આપવાની મંજૂરી મળશે, જેમાં દરેક વ્યક્તિ લાભોનો આનંદ માણશે અને ALIS વિકાસને વધુ કાર્યક્ષમ રીતે વેગ આપશે.

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

જ્ઞાનનો કુદરતી ભાષાનો સ્વભાવ બે વધારાના ફાયદા પ્રદાન કરે છે.

પ્રથમ ફાયદો એ છે કે LLM મોડેલો બદલાય અથવા અપડેટ થાય ત્યારે પણ જ્ઞાનનો ઉપયોગ કરી શકાય છે.

બીજો ફાયદો એ છે કે વિશાળ સંચિત જ્ઞાન તળાવનો ઉપયોગ LLMs માટે પૂર્વ-તાલીમ ડેટાસેટ તરીકે કરી શકાય છે. આનો ઉપયોગ કરવાની બે રીતો છે: ફાઇન-ટ્યુનિંગ તરીકે, અથવા LLM પૂર્વ-તાલીમ માટે જ.

કોઈપણ કિસ્સામાં, જો જ્ઞાન તળાવમાં સંચિત જ્ઞાનમાંથી જન્મજાત રીતે શીખેલ LLM નો ઉપયોગ કરી શકાય, તો સોફ્ટવેર વિકાસ વધુ કાર્યક્ષમ બનશે.

વધુમાં, સોફ્ટવેર ડેવલપમેન્ટમાં આવશ્યકતાઓનું વિશ્લેષણ, ડિઝાઇન, અમલીકરણ, પરીક્ષણ, સંચાલન અને જાળવણી જેવી વિવિધ પ્રક્રિયાઓ શામેલ છે. દરેક સોફ્ટવેર ડોમેન અને પ્લેટફોર્મ માટે વિશિષ્ટ જ્ઞાન પણ અસ્તિત્વ ધરાવે છે. આ દ્રષ્ટિકોણથી સંચિત જ્ઞાનના વિશાળ જથ્થાને વિભાજીત કરવા માટે એક પદ્ધતિ બનાવીને, ALIS ઓર્કેસ્ટ્રા બનાવી શકાય છે.

આમ, ALIS માટેના મૂળભૂત ટેકનોલોજીઓ તૈયાર છે. બાકીનું નિર્ણાયક પગલું વિવિધ પદ્ધતિઓ - જેમ કે જ્ઞાન નિષ્કર્ષણ જાણકારી, યોગ્ય જ્ઞાન પસંદગી, વિશિષ્ટ જ્ઞાન વિભાજન, અને સ્ટેટ મેમરીનો ઉપયોગ - સાથે વ્યવહારિક રીતે પ્રયોગ કરીને અસરકારક અભિગમો શોધવાનું છે. જેમ જેમ જટિલતા વધે છે, તેમ તેમ પ્રક્રિયા સમય અને LLM ઉપયોગ ખર્ચ પણ વધશે, જેને ઑપ્ટિમાઇઝેશનની જરૂર પડશે.

આ ટ્રાયલ-એન્ડ-એરર પ્રક્રિયાઓ અને ઑપ્ટિમાઇઝેશનને ફ્રેમવર્કના વિકાસ અને સુધારણા દ્વારા શીખવા-લક્ષી રીતે આગળ વધારી શકાય છે.

શરૂઆતમાં, ડેવલપર્સ, વપરાશકર્તાઓ તરીકે, સંભવતઃ ટ્રાયલ અને એરર દ્વારા ફ્રેમવર્ક્સને ALIS માં એકીકૃત કરશે. જોકે, ત્યારે પણ, LLM પોતે ફ્રેમવર્ક વિચારો જનરેટ કરવાનું કાર્ય કરી શકે છે.

પછી, વિશ્વ પાસેથી મળેલા પરિણામો અને કાઢેલા જ્ઞાનના આધારે, ALIS માં ફ્રેમવર્ક્સને સુધારવા અને શોધવા માટે એક ફ્રેમવર્ક શામેલ કરીને, ALIS પોતે શીખવા-સંચાલિત રીતે ટ્રાયલ-એન્ડ-એરર અને ઑપ્ટિમાઇઝેશન કરશે.

વાસ્તવિક વિશ્વમાં ALIS

એકવાર ALIS આ તબક્કે સુધારી લેવામાં આવે, પછી તે સોફ્ટવેર ડેવલપમેન્ટના વિશ્વ પૂરતું મર્યાદિત ન રહેતા, વિવિધ ડોમેન્સમાં જ્ઞાન પ્રાપ્ત કરવામાં સક્ષમ હોવું જોઈએ.

સોફ્ટવેર ડેવલપમેન્ટની જેમ, ALIS તેના એપ્લિકેશનના ક્ષેત્રને વિસ્તૃત કરીને કમ્પ્યુટરનો ઉપયોગ કરીને મનુષ્ય દ્વારા કરવામાં આવતી વિવિધ બૌદ્ધિક પ્રવૃત્તિઓમાં પણ લાગુ પડશે તેવી અપેક્ષા છે.

આવી શુદ્ધ બૌદ્ધિક પ્રવૃત્તિઓમાં પણ, ALIS તેના લક્ષ્ય વિશ્વના સંબંધમાં એક મૂર્તિમંત AI (Embodied AI) જેવો ગુણધર્મ ધરાવશે.

આ એટલા માટે છે કારણ કે તે પોતાની અને વિશ્વ વચ્ચેની સીમાને ઓળખે છે, તે સીમા દ્વારા વિશ્વ પર કાર્ય કરે છે, અને વિશ્વ પાસેથી પ્રાપ્ત માહિતીને સમજી શકે છે.

જ્યારે વિશ્વ સાથેની આ સીમા ભૌતિક રીતે દૃશ્યમાન હોય અને એક જગ્યાએ સ્થાનિક હોય, ત્યારે આપણે તેને સામાન્ય રીતે શરીર તરીકે ઓળખીએ છીએ.

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

આ અર્થમાં, બૌદ્ધિક પ્રવૃત્તિઓ કરતું ALIS વર્ચ્યુઅલી મૂર્તિમંત AI ની લાક્ષણિકતાઓ ધરાવે છે તેમ ગણી શકાય.

અને, જો ALIS ને એવા તબક્કે સુધારી લેવામાં આવે જ્યાં તે નવા, અજાણ્યા વિશ્વમાં પણ યોગ્ય રીતે શીખી શકે, તો એવી શક્યતા છે કે ALIS ને વાસ્તવિક ભૌતિક શરીર ધરાવતા વાસ્તવિક મૂર્તિમંત AI ના ભાગ રૂપે સમાવી શકાય.

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