ਮੌਜੂਦਾ ਜਨਰੇਟਿਵ AI ਇੱਕ AI ਤਕਨਾਲੋਜੀ ਹੈ ਜੋ ਟ੍ਰਾਂਸਫਾਰਮਰਾਂ ਦੀ ਕਾਢ ਦੇ ਕਾਰਨ ਖਿੜੀ ਹੈ, ਜੋ ਕਿ ਇੱਕ ਵੱਡੀ ਸਫਲਤਾ ਸੀ।
ਅਟੈਂਸ਼ਨ ਮਕੈਨਿਜ਼ਮ ਉਹ ਹੈ ਜੋ ਇੱਕ ਵਾਕੰਸ਼ ਵਿੱਚ ਟ੍ਰਾਂਸਫਾਰਮਰ ਦੀ ਵਿਸ਼ੇਸ਼ਤਾ ਦੱਸਦਾ ਹੈ। ਇਹ ਟ੍ਰਾਂਸਫਾਰਮਰ ਦੀ ਘੋਸ਼ਣਾ ਕਰਨ ਵਾਲੇ ਪੇਪਰ ਦੇ ਸਿਰਲੇਖ ਵਿੱਚ ਸੰਖੇਪ ਵਿੱਚ ਪ੍ਰਗਟ ਕੀਤਾ ਗਿਆ ਹੈ: “ਧਿਆਨ ਹੀ ਉਹ ਸਭ ਕੁਝ ਹੈ ਜਿਸਦੀ ਤੁਹਾਨੂੰ ਲੋੜ ਹੈ।”
ਇਸ ਦੀਆਂ ਜੜ੍ਹਾਂ ਇਸ ਤੱਥ ਵਿੱਚ ਹਨ ਕਿ ਉਸ ਸਮੇਂ ਦੇ AI ਖੋਜਕਰਤਾ AI ਨੂੰ ਮਨੁੱਖਾਂ ਵਾਂਗ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਨੂੰ ਕੁਸ਼ਲਤਾ ਨਾਲ ਸੰਭਾਲਣ ਦੇ ਯੋਗ ਬਣਾਉਣ ਲਈ ਕਈ ਯਤਨ ਅਤੇ ਅਜ਼ਮਾਇਸ਼ਾਂ ਕਰ ਰਹੇ ਸਨ, ਵੱਖ-ਵੱਖ ਸਫਲ ਤਰੀਕਿਆਂ 'ਤੇ ਪੇਪਰਾਂ ਦਾ ਨਾਮਕਰਨ ਅਤੇ ਪ੍ਰਕਾਸ਼ਨ ਕਰ ਰਹੇ ਸਨ।
ਬਹੁਤ ਸਾਰੇ ਖੋਜਕਰਤਾਵਾਂ ਦਾ ਮੰਨਣਾ ਸੀ ਕਿ ਇਹਨਾਂ ਕਈ ਵਧੀਆ-ਕਾਰਜਸ਼ੀਲ ਵਿਧੀਆਂ ਨੂੰ ਵੱਖ-ਵੱਖ ਤਰੀਕਿਆਂ ਨਾਲ ਜੋੜ ਕੇ, AI ਜੋ ਮਨੁੱਖਾਂ ਵਰਗੀਆਂ ਕੁਦਰਤੀ ਭਾਸ਼ਾਵਾਂ ਨੂੰ ਸੰਭਾਲ ਸਕਦਾ ਹੈ, ਹੌਲੀ-ਹੌਲੀ ਉੱਭਰੇਗਾ। ਉਹ ਇਸ ਤਰ੍ਹਾਂ ਨਵੇਂ ਵਿਧੀਆਂ ਨੂੰ ਲੱਭਣ 'ਤੇ ਕੰਮ ਕਰ ਰਹੇ ਸਨ ਜੋ ਹੋਰ ਵਿਧੀਆਂ ਦੇ ਸੁਮੇਲ ਵਿੱਚ ਕੰਮ ਕਰ ਸਕਦੀਆਂ ਹਨ, ਅਤੇ ਇਹਨਾਂ ਵਿਧੀਆਂ ਦੇ ਅਨੁਕੂਲ ਸੁਮੇਲ ਦੀ ਖੋਜ ਕਰ ਰਹੇ ਸਨ।
ਹਾਲਾਂਕਿ, ਟ੍ਰਾਂਸਫਾਰਮਰ ਨੇ ਇਸ ਰਵਾਇਤੀ ਬੁੱਧੀ ਨੂੰ ਉਲਟਾ ਦਿੱਤਾ। ਇਹ ਸੰਦੇਸ਼ ਕਿ ਵੱਖ-ਵੱਖ ਵਿਧੀਆਂ ਨੂੰ ਜੋੜਨਾ ਬੇਲੋੜਾ ਹੈ, ਅਤੇ ਇਹ ਕਿ ਸਿਰਫ ਅਟੈਂਸ਼ਨ ਵਿਧੀ ਹੀ ਲੋੜੀਂਦੀ ਹੈ, ਪੇਪਰ ਦੇ ਸਿਰਲੇਖ ਵਿੱਚ ਪ੍ਰਗਟ ਕੀਤਾ ਗਿਆ ਹੈ।
ਬੇਸ਼ੱਕ, ਟ੍ਰਾਂਸਫਾਰਮਰ ਵਿੱਚ ਖੁਦ ਵੱਖ-ਵੱਖ ਵਿਧੀਆਂ ਸ਼ਾਮਲ ਹਨ, ਪਰ ਇਸ ਵਿੱਚ ਕੋਈ ਸ਼ੱਕ ਨਹੀਂ ਹੈ ਕਿ ਉਹਨਾਂ ਵਿੱਚੋਂ, ਅਟੈਂਸ਼ਨ ਵਿਧੀ ਖਾਸ ਤੌਰ 'ਤੇ ਨਵੀਨਤਾਕਾਰੀ ਅਤੇ ਵਿਲੱਖਣ ਸੀ।
ਅਟੈਂਸ਼ਨ ਮਕੈਨਿਜ਼ਮ ਦੀ ਸੰਖੇਪ ਜਾਣਕਾਰੀ
ਅਟੈਂਸ਼ਨ ਮਕੈਨਿਜ਼ਮ ਇੱਕ ਪ੍ਰਣਾਲੀ ਹੈ ਜੋ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਨੂੰ ਸ਼ਬਦ ਦਰ ਸ਼ਬਦ ਪ੍ਰੋਸੈਸ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਦੌਰਾਨ, ਇਹ ਸਿੱਖ ਸਕਦੀ ਹੈ ਕਿ ਕਿਸੇ ਖਾਸ ਸ਼ਬਦ ਨੂੰ ਪ੍ਰੋਸੈਸ ਕਰਦੇ ਸਮੇਂ, ਵਾਕ ਵਿੱਚ ਬਹੁਤ ਸਾਰੇ ਪਿਛਲੇ ਸ਼ਬਦਾਂ ਵਿੱਚੋਂ ਕਿਸ ਸ਼ਬਦ 'ਤੇ "ਧਿਆਨ ਦੇਣਾ" ਚਾਹੀਦਾ ਹੈ।
ਇਹ ਇਸਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਸਮਝਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ ਕਿ "ਇਹ," "ਉਹ," ਜਾਂ "ਉਪਰੋਕਤ" (ਜੋ ਪਿਛਲੇ ਵਾਕਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਸ਼ਬਦਾਂ ਦਾ ਹਵਾਲਾ ਦਿੰਦੇ ਹਨ) ਵਰਗੇ ਸ਼ਬਦ, ਜਾਂ "ਸ਼ੁਰੂਆਤੀ ਵਾਕ," "ਸੂਚੀਬੱਧ ਦੂਜੀ ਉਦਾਹਰਨ," ਜਾਂ "ਪਿਛਲਾ ਪੈਰਾਗ੍ਰਾਫ" (ਜੋ ਟੈਕਸਟ ਵਿੱਚ ਸਥਿਤੀਆਂ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ) ਵਰਗੇ ਵਾਕੰਸ਼ ਕਿਸ ਦਾ ਹਵਾਲਾ ਦੇ ਰਹੇ ਹਨ।
ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਹ ਸ਼ਬਦਾਂ ਦੀ ਸਹੀ ਵਿਆਖਿਆ ਕਰ ਸਕਦਾ ਹੈ ਭਾਵੇਂ ਸੋਧਕ ਵਾਕ ਦੇ ਅੰਦਰ ਦੂਰ ਹੋਣ, ਅਤੇ ਭਾਵੇਂ ਕੋਈ ਟੈਕਸਟ ਲੰਬਾ ਹੋ ਜਾਵੇ, ਇਹ ਦੂਜੇ ਵਾਕਾਂ ਵਿੱਚ ਮੌਜੂਦਾ ਸ਼ਬਦ ਦੇ ਸੰਦਰਭ ਨੂੰ ਗੁਆਏ ਬਿਨਾਂ ਵਿਆਖਿਆ ਕਰ ਸਕਦਾ ਹੈ।
ਇਹ "ਧਿਆਨ" ਦੀ ਉਪਯੋਗਤਾ ਹੈ।
ਇਸਦੇ ਉਲਟ, ਇਸਦਾ ਇਹ ਵੀ ਮਤਲਬ ਹੈ ਕਿ ਜਦੋਂ ਮੌਜੂਦਾ ਪ੍ਰੋਸੈਸ ਕੀਤੇ ਜਾ ਰਹੇ ਸ਼ਬਦ ਦੀ ਵਿਆਖਿਆ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਬੇਲੋੜੇ ਸ਼ਬਦਾਂ ਨੂੰ ਮਾਸਕ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਵਿਆਖਿਆ ਤੋਂ ਹਟਾ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ।
ਕਿਸੇ ਖਾਸ ਸ਼ਬਦ ਦੀ ਵਿਆਖਿਆ ਲਈ ਸਿਰਫ ਲੋੜੀਂਦੇ ਸ਼ਬਦਾਂ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖ ਕੇ ਅਤੇ ਅਪ੍ਰਸੰਗਿਕ ਸ਼ਬਦਾਂ ਨੂੰ ਹਟਾ ਕੇ, ਵਿਆਖਿਆ ਕੀਤੇ ਜਾਣ ਵਾਲੇ ਸ਼ਬਦਾਂ ਦਾ ਸਮੂਹ ਘੱਟ ਗਿਣਤੀ ਤੱਕ ਸੀਮਿਤ ਰਹਿੰਦਾ ਹੈ, ਭਾਵੇਂ ਟੈਕਸਟ ਕਿੰਨਾ ਵੀ ਲੰਬਾ ਹੋਵੇ, ਇਸ ਤਰ੍ਹਾਂ ਵਿਆਖਿਆ ਦੀ ਘਣਤਾ ਨੂੰ ਪਤਲਾ ਹੋਣ ਤੋਂ ਰੋਕਿਆ ਜਾਂਦਾ ਹੈ।
ਵਰਚੁਅਲ ਇੰਟੈਲੀਜੈਂਸ
ਹੁਣ, ਵਿਸ਼ੇ ਨੂੰ ਥੋੜ੍ਹਾ ਬਦਲਦੇ ਹੋਏ, ਮੈਂ ਵਰਚੁਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੀ ਧਾਰਨਾ ਬਾਰੇ ਸੋਚ ਰਿਹਾ ਹਾਂ।
ਵਰਤਮਾਨ ਵਿੱਚ, ਜਦੋਂ ਕਾਰੋਬਾਰ ਲਈ ਜਨਰੇਟਿਵ AI ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋ, ਜੇਕਰ ਤੁਸੀਂ ਕਿਸੇ ਕੰਪਨੀ ਦੇ ਅੰਦਰ ਸਾਰੀ ਜਾਣਕਾਰੀ ਨੂੰ ਇਕੱਠਾ ਕਰਦੇ ਹੋ ਅਤੇ ਇਸਨੂੰ ਜਨਰੇਟਿਵ AI ਨੂੰ ਗਿਆਨ ਵਜੋਂ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹੋ, ਤਾਂ ਗਿਆਨ ਦੀ ਵੱਡੀ ਮਾਤਰਾ ਅਸਲ ਵਿੱਚ AI ਲਈ ਇਸਨੂੰ ਉਚਿਤ ਢੰਗ ਨਾਲ ਸੰਭਾਲਣਾ ਮੁਸ਼ਕਲ ਬਣਾ ਸਕਦੀ ਹੈ।
ਇਸ ਕਾਰਨ ਕਰਕੇ, ਗਿਆਨ ਨੂੰ ਕੰਮ ਅਨੁਸਾਰ ਵੰਡਣਾ ਬਿਹਤਰ ਕੰਮ ਕਰਦਾ ਹੈ, ਹਰੇਕ ਕੰਮ ਲਈ AI ਚੈਟ ਤਿਆਰ ਕਰਨਾ ਜਾਂ ਖਾਸ ਕਾਰਜਾਂ ਲਈ ਵਿਸ਼ੇਸ਼ AI ਟੂਲ ਬਣਾਉਣਾ।
ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਗੁੰਝਲਦਾਰ ਕਾਰਜਾਂ ਲਈ, ਇਹਨਾਂ ਖੰਡਿਤ ਗਿਆਨ-ਅਧਾਰਿਤ AI ਚੈਟਾਂ ਅਤੇ ਟੂਲਾਂ ਨੂੰ ਜੋੜਨਾ ਜ਼ਰੂਰੀ ਹੋ ਜਾਂਦਾ ਹੈ।
ਇਹ ਜਨਰੇਟਿਵ AI ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਸਮੇਂ ਇੱਕ ਮੌਜੂਦਾ ਸੀਮਾ ਹੈ, ਪਰ ਭਵਿੱਖ ਦੇ ਜਨਰੇਟਿਵ AI ਦੇ ਨਾਲ ਵੀ, ਖਾਸ ਕਾਰਜਾਂ ਲਈ, ਸਿਰਫ ਉਸ ਕਾਰਜ ਲਈ ਲੋੜੀਂਦੇ ਗਿਆਨ 'ਤੇ ਧਿਆਨ ਕੇਂਦ੍ਰਤ ਕਰਨਾ ਉੱਚ ਸ਼ੁੱਧਤਾ ਪ੍ਰਦਾਨ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ।
ਇਸਦੀ ਬਜਾਏ, ਮੇਰਾ ਮੰਨਣਾ ਹੈ ਕਿ ਭਵਿੱਖ ਦਾ ਜਨਰੇਟਿਵ AI ਸਥਿਤੀ ਦੇ ਅਧਾਰ 'ਤੇ ਅੰਦਰੂਨੀ ਤੌਰ 'ਤੇ ਲੋੜੀਂਦੇ ਗਿਆਨ ਸੈੱਟਾਂ ਦੇ ਵਿੱਚ ਬਦਲਣ ਦੇ ਯੋਗ ਹੋਵੇਗਾ, ਭਾਵੇਂ ਮਨੁੱਖਾਂ ਨੂੰ ਗਿਆਨ ਨੂੰ ਖੰਡਿਤ ਨਾ ਕਰਨਾ ਪਵੇ।
ਇਹ ਸਮਰੱਥਾ ਵਰਚੁਅਲ ਇੰਟੈਲੀਜੈਂਸ ਹੈ। ਇਹ ਇੱਕ ਵਰਚੁਅਲ ਮਸ਼ੀਨ ਵਾਂਗ ਹੈ ਜੋ ਇੱਕ ਸਿੰਗਲ ਕੰਪਿਊਟਰ 'ਤੇ ਕਈ ਵੱਖ-ਵੱਖ ਓਪਰੇਟਿੰਗ ਸਿਸਟਮ ਚਲਾ ਸਕਦੀ ਹੈ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਇੱਕ ਬੁੱਧੀ ਦੇ ਅੰਦਰ, ਵੱਖ-ਵੱਖ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਾਲੀਆਂ ਕਈ ਵਰਚੁਅਲ ਬੁੱਧੀਆਂ ਕੰਮ ਕਰ ਸਕਦੀਆਂ ਹਨ।
ਮੌਜੂਦਾ ਜਨਰੇਟਿਵ AI ਵੀ ਪਹਿਲਾਂ ਹੀ ਕਈ ਲੋਕਾਂ ਵਿਚਕਾਰ ਚਰਚਾਵਾਂ ਦੀ ਨਕਲ ਕਰ ਸਕਦਾ ਹੈ ਜਾਂ ਕਈ ਪਾਤਰਾਂ ਵਾਲੀਆਂ ਕਹਾਣੀਆਂ ਤਿਆਰ ਕਰ ਸਕਦਾ ਹੈ। ਇਸ ਲਈ, ਵਰਚੁਅਲ ਇੰਟੈਲੀਜੈਂਸ ਇੱਕ ਵਿਸ਼ੇਸ਼ ਸਮਰੱਥਾ ਨਹੀਂ ਹੈ, ਬਲਕਿ ਮੌਜੂਦਾ ਜਨਰੇਟਿਵ AI ਦਾ ਇੱਕ ਵਿਸਥਾਰ ਹੈ।
ਮਾਈਕ੍ਰੋ ਵਰਚੁਅਲ ਇੰਟੈਲੀਜੈਂਸ
ਵਰਚੁਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੀ ਵਿਧੀ, ਜੋ ਕੰਮ ਅਨੁਸਾਰ ਲੋੜੀਂਦੇ ਗਿਆਨ ਨੂੰ ਘੱਟ ਕਰਦੀ ਹੈ, ਧਿਆਨ ਵਿਧੀ ਦੇ ਸਮਾਨ ਕੁਝ ਕਰਦੀ ਹੈ।
ਭਾਵ, ਇਹ ਧਿਆਨ ਵਿਧੀ ਦੇ ਸਮਾਨ ਹੈ ਕਿਉਂਕਿ ਇਹ ਮੌਜੂਦਾ ਪ੍ਰੋਸੈਸ ਕੀਤੇ ਜਾ ਰਹੇ ਕੰਮ ਦੇ ਅਧਾਰ 'ਤੇ ਸਿਰਫ ਸੰਬੰਧਿਤ ਗਿਆਨ 'ਤੇ ਕੇਂਦਰਿਤ ਹੁੰਦੀ ਹੈ।
ਇਸ ਦੇ ਉਲਟ, ਅਟੈਂਸ਼ਨ ਮਕੈਨਿਜ਼ਮ ਨੂੰ ਇੱਕ ਅਜਿਹਾ ਮਕੈਨਿਜ਼ਮ ਕਿਹਾ ਜਾ ਸਕਦਾ ਹੈ ਜੋ ਵਰਚੁਅਲ ਇੰਟੈਲੀਜੈਂਸ ਵਰਗੀਆਂ ਚੀਜ਼ਾਂ ਨੂੰ ਸਾਕਾਰ ਕਰਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਜਿਸ ਵਰਚੁਅਲ ਇੰਟੈਲੀਜੈਂਸ 'ਤੇ ਮੈਂ ਵਿਚਾਰ ਕਰ ਰਿਹਾ ਹਾਂ, ਉਹ ਗਿਆਨ ਦੇ ਸਮੂਹ ਵਿੱਚੋਂ ਸੰਬੰਧਿਤ ਗਿਆਨ ਦੀ ਚੋਣ ਕਰਨ ਵਾਲਾ ਇੱਕ ਮਕੈਨਿਜ਼ਮ ਹੈ, ਜਦੋਂ ਕਿ ਅਟੈਂਸ਼ਨ ਮਕੈਨਿਜ਼ਮ ਸ਼ਬਦਾਂ ਦੇ ਸਮੂਹ 'ਤੇ ਕੰਮ ਕਰਦਾ ਹੈ।
ਇਸ ਕਾਰਨ ਕਰਕੇ, ਅਟੈਂਸ਼ਨ ਮਕੈਨਿਜ਼ਮ ਨੂੰ ਮਾਈਕ੍ਰੋ ਵਰਚੁਅਲ ਇੰਟੈਲੀਜੈਂਸ ਕਿਹਾ ਜਾ ਸਕਦਾ ਹੈ।
ਸਪਸ਼ਟ ਧਿਆਨ ਵਿਧੀ
ਜੇ ਅਸੀਂ ਧਿਆਨ ਵਿਧੀ ਨੂੰ ਮਾਈਕ੍ਰੋ ਵਰਚੁਅਲ ਇੰਟੈਲੀਜੈਂਸ ਵਜੋਂ ਦੇਖਦੇ ਹਾਂ, ਤਾਂ ਇਸਦੇ ਉਲਟ, ਜਿਸ ਵਰਚੁਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦਾ ਮੈਂ ਪਹਿਲਾਂ ਜ਼ਿਕਰ ਕੀਤਾ ਹੈ, ਉਸਨੂੰ ਇੱਕ ਮੈਕਰੋ ਧਿਆਨ ਵਿਧੀ ਬਣਾ ਕੇ ਸਾਕਾਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
ਅਤੇ ਇਸ ਮੈਕਰੋ ਧਿਆਨ ਵਿਧੀ ਨੂੰ ਵੱਡੇ ਭਾਸ਼ਾਈ ਮਾਡਲਾਂ ਦੀ ਅੰਦਰੂਨੀ ਬਣਤਰ ਵਿੱਚ ਸ਼ਾਮਲ ਕਰਨ ਜਾਂ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਸਿਖਲਾਈ ਵਿੱਚ ਸ਼ਾਮਲ ਕਰਨ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ।
ਇਹ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਵਿੱਚ ਲਿਖਿਆ ਇੱਕ ਸਪਸ਼ਟ ਵਾਕ ਹੋ ਸਕਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ "ਕਾਰਜ A ਨੂੰ ਕਰਦੇ ਸਮੇਂ, ਗਿਆਨ B ਅਤੇ ਗਿਆਨ C ਦਾ ਹਵਾਲਾ ਦਿਓ।"
ਇਹ ਕਾਰਜ A ਲਈ ਲੋੜੀਂਦੇ ਗਿਆਨ ਨੂੰ ਸਪਸ਼ਟ ਕਰਦਾ ਹੈ। ਇਹ ਵਾਕ ਖੁਦ ਇੱਕ ਕਿਸਮ ਦਾ ਗਿਆਨ ਹੈ।
ਇਸਨੂੰ ਇੱਕ ਸਪਸ਼ਟ ਧਿਆਨ ਵਿਧੀ ਕਿਹਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਸ ਵਾਕ ਨੂੰ ਧਿਆਨ ਗਿਆਨ ਵਜੋਂ ਦਰਸਾਇਆ ਜਾ ਸਕਦਾ ਹੈ, ਜੋ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਉਸ ਗਿਆਨ ਨੂੰ ਦੱਸਦਾ ਹੈ ਜਿਸ 'ਤੇ ਕਾਰਜ A ਨੂੰ ਕਰਦੇ ਸਮੇਂ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ।
ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਹ ਧਿਆਨ ਗਿਆਨ ਜਨਰੇਟਿਵ AI ਦੁਆਰਾ ਤਿਆਰ ਜਾਂ ਅੱਪਡੇਟ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
ਜੇ ਗਿਆਨ ਦੀ ਕਮੀ ਕਾਰਨ ਕੋਈ ਕਾਰਜ ਅਸਫਲ ਹੋ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਸਿੱਖੇ ਸਬਕ ਵਜੋਂ, ਧਿਆਨ ਗਿਆਨ ਨੂੰ ਉਸ ਕਾਰਜ ਲਈ ਵਾਧੂ ਗਿਆਨ ਸ਼ਾਮਲ ਕਰਨ ਲਈ ਅੱਪਡੇਟ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਜਿਸਦਾ ਹਵਾਲਾ ਦਿੱਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
ਸਿੱਟਾ
ਧਿਆਨ ਵਿਧੀ ਨੇ ਜਨਰੇਟਿਵ AI ਦੀਆਂ ਸਮਰੱਥਾਵਾਂ ਵਿੱਚ ਨਾਟਕੀ ਢੰਗ ਨਾਲ ਸੁਧਾਰ ਕੀਤਾ ਹੈ।
ਇਹ ਸਿਰਫ਼ ਇੱਕ ਅਜਿਹਾ ਵਿਧੀ ਨਹੀਂ ਸੀ ਜੋ ਚੰਗੀ ਤਰ੍ਹਾਂ ਕੰਮ ਕਰਦੀ ਸੀ; ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਇੱਥੇ ਦੇਖਿਆ ਹੈ, ਹਰ ਸਥਿਤੀ ਵਿੱਚ ਹਵਾਲਾ ਦੇਣ ਲਈ ਜਾਣਕਾਰੀ ਨੂੰ ਗਤੀਸ਼ੀਲ ਤੌਰ 'ਤੇ ਘੱਟ ਕਰਨ ਦਾ ਵਿਧੀ ਹੀ ਉੱਨਤ ਬੁੱਧੀ ਦਾ ਸਾਰ ਜਾਪਦਾ ਹੈ।
ਅਤੇ ਵਰਚੁਅਲ ਇੰਟੈਲੀਜੈਂਸ ਅਤੇ ਸਪਸ਼ਟ ਧਿਆਨ ਗਿਆਨ ਵਾਂਗ, ਧਿਆਨ ਵਿਧੀ ਵੀ ਵੱਖ-ਵੱਖ ਪੱਧਰਾਂ 'ਤੇ ਬੁੱਧੀ ਨੂੰ ਵਾਰ-ਵਾਰ ਅੱਗੇ ਵਧਾਉਣ ਦੀ ਕੁੰਜੀ ਹੈ।