ਇੱਥੇ, ਮੇਰਾ ਉਦੇਸ਼ ਆਰਟੀਫੀਸ਼ੀਅਲ ਲਰਨਿੰਗ ਇੰਟੈਲੀਜੈਂਸ ਸਿਸਟਮ (ALIS) ਨੂੰ ਇਸਦੇ ਸੰਕਲਪਾਂ ਅਤੇ ਸਿਧਾਂਤਾਂ ਤੋਂ ਲੈ ਕੇ ਇਸਦੇ ਮੁੱਢਲੇ ਡਿਜ਼ਾਈਨ ਅਤੇ ਵਿਕਾਸ ਵਿਧੀਆਂ ਤੱਕ ਸੰਗਠਿਤ ਕਰਨਾ ਹੈ।
ਸੰਕਲਪ
ਮੌਜੂਦਾ ਜਨਰੇਟਿਵ AI, ਮੁੱਖ ਤੌਰ 'ਤੇ ਵੱਡੇ ਭਾਸ਼ਾਈ ਮਾਡਲ, ਨਿਊਰਲ ਨੈੱਟਵਰਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਸੁਪਰਵਾਈਜ਼ਡ ਲਰਨਿੰਗ ਦੇ ਅਧਾਰ 'ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ।
ਅਸੀਂ ਇਸ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਸਿਖਲਾਈ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਜਨਮਜਾਤ ਸਿੱਖਿਆ ਵਜੋਂ ਸਥਾਪਤ ਕਰਦੇ ਹਾਂ।
ALIS ਇੱਕ ਪ੍ਰਣਾਲੀ ਹੈ ਜੋ ਜਨਮਜਾਤ ਸਿੱਖਿਆ ਤੋਂ ਵੱਖਰੀ ਇੱਕ ਪ੍ਰਾਪਤ ਸਿੱਖਿਆ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸ਼ਾਮਲ ਕਰਕੇ, ਜਨਮਜਾਤ ਅਤੇ ਪ੍ਰਾਪਤ ਦੋਵਾਂ ਸਿੱਖਿਆ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਕੇ ਵਿਆਪਕ ਅਨੁਮਾਨ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਂਦੀ ਹੈ।
ਇਸ ਪ੍ਰਾਪਤ ਸਿੱਖਿਆ ਵਿੱਚ, ਸਿੱਖਿਆ ਗਿਆ ਗਿਆਨ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਤੋਂ ਬਾਹਰ ਸਟੋਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਅਨੁਮਾਨ ਦੇ ਦੌਰਾਨ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
ਇਸ ਲਈ, ALIS ਦਾ ਤਕਨੀਕੀ ਮੂਲ ਮੁੜ ਵਰਤੋਂ ਯੋਗ ਗਿਆਨ ਦੇ ਕੱਢਣ, ਭੰਡਾਰਨ, ਅਤੇ ਅਨੁਮਾਨ ਦੇ ਦੌਰਾਨ ਗਿਆਨ ਦੀ ਚੋਣ ਅਤੇ ਉਪਯੋਗ ਵਿੱਚ ਨਿਹਤ ਹੈ।
ਇਸ ਤੋਂ ਇਲਾਵਾ, ALIS ਸਿਰਫ਼ ਇੱਕ ਇੱਕਲੀ ਮੁੱਢਲੀ ਤਕਨਾਲੋਜੀ ਨਹੀਂ, ਬਲਕਿ ਇੱਕ ਪ੍ਰਣਾਲੀ ਤਕਨਾਲੋਜੀ ਵੀ ਹੈ ਜੋ ਜਨਮਜਾਤ ਅਤੇ ਪ੍ਰਾਪਤ ਸਿੱਖਿਆ ਨੂੰ ਜੋੜਦੀ ਹੈ।
ਇੱਕ ਲਰਨਿੰਗ ਇੰਟੈਲੀਜੈਂਸ ਸਿਸਟਮ ਦੇ ਤੱਤ
ALIS ਮੌਜੂਦਾ ਜਨਮਜਾਤ ਸਿੱਖਿਆ ਅਤੇ ਭਵਿੱਖ ਵਿੱਚ ਪ੍ਰਾਪਤ ਕੀਤੀ ਸਿੱਖਿਆ ਦੋਵਾਂ ਨੂੰ ਸਿੱਖਿਆ ਅਤੇ ਅਨੁਮਾਨ ਦੇ ਢਾਂਚੇ ਦੇ ਅੰਦਰ ਇੱਕੋ ਸਿਧਾਂਤਾਂ ਅਧੀਨ ਕੰਮ ਕਰਨ ਵਜੋਂ ਮੰਨਦਾ ਹੈ।
ALIS ਵਿੱਚ ਸਿੱਖਿਆ ਦੇ ਸਿਧਾਂਤਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਲਈ, ਅਸੀਂ ਇੱਕ ਸਿੱਖਣ ਵਾਲੀ ਖੁਫੀਆ ਪ੍ਰਣਾਲੀ ਦੇ ਪੰਜ ਤੱਤਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹਾਂ:
ਪਹਿਲਾ ਬੁੱਧੀਮਾਨ ਪ੍ਰੋਸੈਸਰ ਹੈ। ਇਹ ਇੱਕ ਪ੍ਰੋਸੈਸਿੰਗ ਪ੍ਰਣਾਲੀ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਜੋ ਗਿਆਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਮਾਨ ਲਗਾਉਂਦਾ ਹੈ ਅਤੇ ਸਿੱਖਣ ਲਈ ਗਿਆਨ ਕੱਢਦਾ ਹੈ।
ਬੁੱਧੀਮਾਨ ਪ੍ਰੋਸੈਸਰਾਂ ਦੀਆਂ ਪ੍ਰਤੀਨਿਧ ਉਦਾਹਰਣਾਂ ਵਿੱਚ LLM ਅਤੇ ਮਨੁੱਖੀ ਦਿਮਾਗ ਦੇ ਕੁਝ ਹਿੱਸੇ ਸ਼ਾਮਲ ਹਨ।
ਦੂਜਾ ਗਿਆਨ ਭੰਡਾਰ ਹੈ। ਇਹ ਇੱਕ ਸਟੋਰੇਜ ਸਥਾਨ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਜਿੱਥੇ ਕੱਢਿਆ ਗਿਆ ਗਿਆਨ ਸੁਰੱਖਿਅਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਲੋੜ ਅਨੁਸਾਰ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
LLM ਵਿੱਚ, ਗਿਆਨ ਭੰਡਾਰ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਦੇ ਪੈਰਾਮੀਟਰ ਹੁੰਦੇ ਹਨ। ਮਨੁੱਖਾਂ ਵਿੱਚ, ਇਹ ਦਿਮਾਗ ਵਿੱਚ ਲੰਬੀ-ਮਿਆਦ ਦੀ ਯਾਦਦਾਸ਼ਤ ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੈ।
ਤੀਜਾ ਸੰਸਾਰ ਹੈ। ਇਹ ਬਾਹਰੀ ਵਾਤਾਵਰਣ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਜਿਵੇਂ ਕਿ ਮਨੁੱਖਾਂ ਜਾਂ ALIS ਵਰਗੀਆਂ ਸਿੱਖਣ ਵਾਲੀਆਂ ਖੁਫੀਆ ਪ੍ਰਣਾਲੀਆਂ ਦੁਆਰਾ ਸਮਝਿਆ ਜਾਂਦਾ ਹੈ।
ਮਨੁੱਖਾਂ ਲਈ, ਸੰਸਾਰ ਖੁਦ ਅਸਲੀਅਤ ਹੈ। LLM ਦੇ ਮਾਮਲੇ ਵਿੱਚ, ਉਹ ਵਿਧੀ ਜੋ LLM ਤੋਂ ਆਉਟਪੁੱਟ ਪ੍ਰਾਪਤ ਕਰਦੀ ਹੈ ਅਤੇ ਉਸਨੂੰ ਫੀਡਬੈਕ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ, ਨੂੰ ਸੰਸਾਰ ਦੇ ਬਰਾਬਰ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ।
ਚੌਥਾ ਸਟੇਟ ਮੈਮੋਰੀ ਹੈ। ਇਹ ਇੱਕ ਅੰਦਰੂਨੀ ਅਸਥਾਈ ਮੈਮੋਰੀ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਇੱਕ ਸਕ੍ਰੈਚਪੈਡ, ਜਿਸਨੂੰ ਇੱਕ ਸਿੱਖਣ ਵਾਲੀ ਖੁਫੀਆ ਪ੍ਰਣਾਲੀ ਅਨੁਮਾਨ ਦੇ ਦੌਰਾਨ ਵਰਤਦੀ ਹੈ।
LLM ਵਿੱਚ, ਇਹ ਅਨੁਮਾਨ ਦੇ ਦੌਰਾਨ ਵਰਤੀ ਜਾਂਦੀ ਮੈਮੋਰੀ ਸਪੇਸ ਹੈ, ਜਿਸਨੂੰ ਲੁਕੀਆਂ ਹੋਈਆਂ ਅਵਸਥਾਵਾਂ ਵਜੋਂ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ। ਮਨੁੱਖਾਂ ਵਿੱਚ, ਇਹ ਛੋਟੀ-ਮਿਆਦ ਦੀ ਯਾਦਦਾਸ਼ਤ ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੈ।
ਪੰਜਵਾਂ ਫਰੇਮਵਰਕ ਹੈ। ਇਹ ਅਖੌਤੀ ਵਿਚਾਰ ਦਾ ਢਾਂਚਾ ਹੈ। ਇੱਕ ਸਿੱਖਣ ਵਾਲੀ ਖੁਫੀਆ ਪ੍ਰਣਾਲੀ ਦੀ ਸ਼ਬਦਾਵਲੀ ਵਿੱਚ, ਇਹ ਅਨੁਮਾਨ ਦੇ ਦੌਰਾਨ ਜ਼ਰੂਰੀ ਗਿਆਨ ਦੀ ਚੋਣ ਕਰਨ ਲਈ ਮਾਪਦੰਡਾਂ ਅਤੇ ਸਟੇਟ ਮੈਮੋਰੀ ਨੂੰ ਸੰਗਠਿਤ ਕਰਨ ਲਈ ਤਾਰਕਿਕ ਸਥਿਤੀ ਸਪੇਸ ਬਣਤਰ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।
LLM ਵਿੱਚ, ਇਹ ਲੁਕੀਆਂ ਹੋਈਆਂ ਅਵਸਥਾਵਾਂ ਦੀ ਸਿਮੈਨਟਿਕ ਬਣਤਰ ਹੈ, ਅਤੇ ਆਮ ਤੌਰ 'ਤੇ, ਇਸਦੀ ਸਮੱਗਰੀ ਅਸਪਸ਼ਟ ਅਤੇ ਮਨੁੱਖਾਂ ਲਈ ਅਸਮਝ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਗਿਆਨ ਦੀ ਚੋਣ ਅਟੈਂਸ਼ਨ ਮਕੈਨਿਜ਼ਮ ਵਿੱਚ ਏਕੀਕ੍ਰਿਤ ਹੈ, ਜੋ ਇਹ ਚੁਣਦਾ ਹੈ ਕਿ ਹਰੇਕ ਪ੍ਰੋਸੈਸ ਕੀਤੇ ਜਾ ਰਹੇ ਟੋਕਨ ਲਈ ਕਿਹੜੇ ਮੌਜੂਦਾ ਟੋਕਨਾਂ ਦਾ ਹਵਾਲਾ ਦੇਣਾ ਹੈ।
ਮਨੁੱਖਾਂ ਲਈ, ਜਿਵੇਂ ਕਿ ਉੱਪਰ ਦੱਸਿਆ ਗਿਆ ਹੈ, ਇਹ ਵਿਚਾਰ ਦਾ ਢਾਂਚਾ ਹੈ। ਇੱਕ ਖਾਸ ਵਿਚਾਰ ਦੇ ਢਾਂਚੇ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਸੋਚਦੇ ਸਮੇਂ, ਗਿਆਨ-ਵਿਧੀ ਦੇ ਕੁਝ ਸਮੂਹ ਲੰਬੀ-ਮਿਆਦ ਦੀ ਯਾਦਦਾਸ਼ਤ ਤੋਂ ਯਾਦ ਕੀਤੇ ਜਾਂਦੇ ਹਨ ਅਤੇ ਛੋਟੀ-ਮਿਆਦ ਦੀ ਯਾਦਦਾਸ਼ਤ ਵਿੱਚ ਲੋਡ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਫਿਰ, ਮੌਜੂਦਾ ਸਮਝੀ ਗਈ ਜਾਣਕਾਰੀ ਨੂੰ ਸਥਿਤੀ ਨੂੰ ਸਮਝਣ ਲਈ ਵਿਚਾਰ ਦੇ ਢਾਂਚੇ ਦੇ ਅਨੁਸਾਰ ਸੰਗਠਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
ਇੱਕ ਸਿੱਖਣ ਬੁੱਧੀ ਪ੍ਰਣਾਲੀ ਦੇ ਸਿਧਾਂਤ
ਇੱਕ ਸਿੱਖਣ ਬੁੱਧੀ ਪ੍ਰਣਾਲੀ ਹੇਠ ਲਿਖੇ ਅਨੁਸਾਰ ਕੰਮ ਕਰਦੀ ਹੈ:
ਬੁੱਧੀਮਾਨ ਪ੍ਰੋਸੈਸਰ ਸੰਸਾਰ 'ਤੇ ਕੰਮ ਕਰਦਾ ਹੈ। ਸੰਸਾਰ ਉਸ ਕਾਰਵਾਈ ਦੇ ਅਧਾਰ 'ਤੇ ਨਤੀਜੇ ਦਿੰਦਾ ਹੈ।
ਬੁੱਧੀਮਾਨ ਪ੍ਰੋਸੈਸਰ ਇਹਨਾਂ ਨਤੀਜਿਆਂ ਤੋਂ ਦੁਬਾਰਾ ਵਰਤੋਂ ਯੋਗ ਗਿਆਨ ਕੱਢਦਾ ਹੈ ਅਤੇ ਇਸਨੂੰ ਗਿਆਨ ਭੰਡਾਰ ਵਿੱਚ ਸਟੋਰ ਕਰਦਾ ਹੈ।
ਜਦੋਂ ਬੁੱਧੀਮਾਨ ਪ੍ਰੋਸੈਸਰ ਸੰਸਾਰ 'ਤੇ ਵਾਰ-ਵਾਰ ਕੰਮ ਕਰਦਾ ਹੈ, ਤਾਂ ਇਹ ਗਿਆਨ ਭੰਡਾਰ ਤੋਂ ਗਿਆਨ ਚੁਣਦਾ ਹੈ ਅਤੇ ਇਸਦੀ ਕਾਰਵਾਈ ਦੇ ਢੰਗ ਨੂੰ ਸੋਧਣ ਲਈ ਇਸਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ।
ਇਹ ਬੁਨਿਆਦੀ ਵਿਧੀ ਹੈ।
ਹਾਲਾਂਕਿ, ਬੁਨਿਆਦੀ ਤੌਰ 'ਤੇ, ਗਿਆਨ ਕੱਢਣ, ਸਟੋਰੇਜ, ਚੋਣ ਅਤੇ ਉਪਯੋਗ ਦੀਆਂ ਵਿਧੀਆਂ ਇਹ ਨਿਰਧਾਰਤ ਕਰਦੀਆਂ ਹਨ ਕਿ ਕੀ ਸਿਸਟਮ ਸਾਰਥਕ ਸਿੱਖਿਆ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦਾ ਹੈ ਜਾਂ ਨਹੀਂ।
ਮਨੁੱਖਾਂ ਕੋਲ ਅਜਿਹੀਆਂ ਵਿਧੀਆਂ ਹਨ ਜੋ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਗਿਆਨ ਕੱਢਣ, ਸਟੋਰੇਜ, ਚੋਣ ਅਤੇ ਉਪਯੋਗ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਂਦੀਆਂ ਹਨ, ਜੋ ਉਹਨਾਂ ਨੂੰ ਸਿੱਖਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੀਆਂ ਹਨ।
ਨਿਊਰਲ ਨੈੱਟਵਰਕ, ਜਿਸ ਵਿੱਚ LLM ਸ਼ਾਮਲ ਹਨ, ਕੋਲ ਸਟੋਰੇਜ, ਚੋਣ ਅਤੇ ਉਪਯੋਗ ਲਈ ਵਿਧੀਆਂ ਹਨ, ਹਾਲਾਂਕਿ ਕੱਢਣ ਵਾਲਾ ਹਿੱਸਾ ਇੱਕ ਬਾਹਰੀ ਅਧਿਆਪਕ ਦੁਆਰਾ ਸੰਭਾਲਿਆ ਜਾਂਦਾ ਹੈ। ਇਹ ਉਹਨਾਂ ਨੂੰ ਉਦੋਂ ਤੱਕ ਸਿੱਖਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ ਜਦੋਂ ਤੱਕ ਇੱਕ ਅਧਿਆਪਕ ਇਨਪੁਟ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।
ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇੱਕ ਸਿੱਖਣ ਬੁੱਧੀ ਪ੍ਰਣਾਲੀ ਫਰੇਮਵਰਕ ਦੇ ਕੱਢਣ, ਸਟੋਰੇਜ, ਅਤੇ ਚੋਣ, ਅਤੇ ਰਾਜ ਮੈਮੋਰੀ ਵਿੱਚ ਉਹਨਾਂ ਦੀ ਵਰਤੋਂ ਨੂੰ ਗਿਆਨ ਵਜੋਂ ਸਿੱਖ ਕੇ ਹੋਰ ਗੁੰਝਲਦਾਰ ਸਿੱਖਿਆ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੀ ਹੈ।
ਗਿਆਨ ਦੀਆਂ ਕਿਸਮਾਂ
ਇਸ ਸਿਧਾਂਤ ਦੇ ਅਧਾਰ 'ਤੇ, ਪ੍ਰਾਪਤ ਸਿੱਖਿਆ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਦੇ ਸਮੇਂ, ਇਹ ਸਪੱਸ਼ਟ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੈ ਕਿ ਪ੍ਰਾਪਤ ਗਿਆਨ ਕਿਸ ਕਿਸਮ ਦੀ ਜਾਣਕਾਰੀ ਦਾ ਰੂਪ ਲਵੇਗਾ।
ਇਹ ਸੰਭਵ ਹੈ ਕਿ ਪ੍ਰਾਪਤ ਗਿਆਨ ਨੂੰ ਨਿਊਰਲ ਨੈਟਵਰਕ ਦੇ ਮਾਪਦੰਡਾਂ ਵਜੋਂ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਸਿੱਖਿਆ ਜਾਵੇ।
ਹਾਲਾਂਕਿ, ਪ੍ਰਾਪਤ ਗਿਆਨ ਨੂੰ ਸਿਰਫ਼ ਨਿਊਰਲ ਨੈਟਵਰਕ ਦੇ ਮਾਪਦੰਡਾਂ ਤੱਕ ਸੀਮਤ ਕਰਨ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ। ਇੱਕ ਯਥਾਰਥਵਾਦੀ ਉਮੀਦਵਾਰ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਵਿੱਚ ਟੈਕਸਟਾਈਜ਼ਡ ਗਿਆਨ ਹੈ।
ਜੇ ਗਿਆਨ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਵਿੱਚ ਟੈਕਸਟਾਈਜ਼ਡ ਹੈ, ਤਾਂ ਇਸਨੂੰ LLM ਦੀਆਂ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ ਸਮਰੱਥਾਵਾਂ ਦਾ ਲਾਭ ਉਠਾ ਕੇ ਕੱਢਿਆ ਅਤੇ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਸਨੂੰ ਇੱਕ ਨਿਯਮਤ IT ਪ੍ਰਣਾਲੀ ਵਿੱਚ ਡੇਟਾ ਵਜੋਂ ਮੰਨਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਸਟੋਰੇਜ ਅਤੇ ਚੋਣ ਆਸਾਨ ਹੋ ਜਾਂਦੀ ਹੈ।
ਇਸ ਤੋਂ ਇਲਾਵਾ, ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਵਿੱਚ ਟੈਕਸਟਾਈਜ਼ਡ ਗਿਆਨ ਮਨੁੱਖਾਂ ਅਤੇ ਹੋਰ LLM ਲਈ ਜਾਂਚਣਾ, ਸਮਝਣਾ, ਅਤੇ ਕੁਝ ਮਾਮਲਿਆਂ ਵਿੱਚ ਸੰਪਾਦਿਤ ਕਰਨਾ ਆਸਾਨ ਹੈ।
ਇਸਨੂੰ ਹੋਰ ਸਿੱਖਣ ਵਾਲੀਆਂ ਬੁੱਧੀ ਪ੍ਰਣਾਲੀਆਂ ਨਾਲ ਵੀ ਸਾਂਝਾ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਅਤੇ ਮਿਲਾਇਆ ਜਾਂ ਵੱਖ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
ਇਹਨਾਂ ਕਾਰਨਾਂ ਕਰਕੇ, ALIS ਸੰਕਲਪ ਵਿੱਚ ਪ੍ਰਾਪਤ ਗਿਆਨ ਨੂੰ ਸ਼ੁਰੂ ਵਿੱਚ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਵਿੱਚ ਟੈਕਸਟਾਈਜ਼ਡ ਗਿਆਨ ਨੂੰ ਨਿਸ਼ਾਨਾ ਬਣਾਉਣ ਲਈ ਡਿਜ਼ਾਈਨ ਕੀਤਾ ਜਾਵੇਗਾ।
ਪ੍ਰਾਪਤ ਸਟੇਟ ਮੈਮੋਰੀ ਅਤੇ ਫਰੇਮਵਰਕ
ਮੈਂ ਪ੍ਰਾਪਤ ਗਿਆਨ ਵਜੋਂ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਵਿੱਚ ਟੈਕਸਟਾਈਜ਼ਡ ਗਿਆਨ ਦੀ ਚੋਣ ਕਰਨ ਦੇ ਫਾਇਦੇ ਦੱਸੇ ਹਨ।
ਇਸੇ ਤਰ੍ਹਾਂ, ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਦੇ ਟੈਕਸਟ ਨੂੰ ਅਨੁਮਾਨ ਲਈ ਸਟੇਟ ਮੈਮੋਰੀ ਅਤੇ ਫਰੇਮਵਰਕ ਲਈ ਵੀ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ।
ਫਰੇਮਵਰਕ, ਜੋ ਕਿ ਇੱਕ ਸੰਕਲਪਿਕ ਬਣਤਰ ਹੈ, ਨੂੰ ਵੀ ਗਿਆਨ ਭੰਡਾਰ ਵਿੱਚ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਦੇ ਟੈਕਸਟਾਈਜ਼ਡ ਗਿਆਨ ਵਜੋਂ ਸਟੋਰ ਅਤੇ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ।
ਉਸ ਫਰੇਮਵਰਕ ਦੁਆਰਾ ਪਰਿਭਾਸ਼ਿਤ ਬਣਤਰ ਦੇ ਅਧਾਰ 'ਤੇ ਸਥਿਤੀਆਂ ਨੂੰ ਸ਼ੁਰੂ ਕਰਨ ਜਾਂ ਅਪਡੇਟ ਕਰਨ ਵੇਲੇ, ਟੈਕਸਟ-ਆਧਾਰਿਤ ਸਟੇਟ ਮੈਮੋਰੀ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ।
ALIS ਨੂੰ ਨਾ ਸਿਰਫ਼ ਪ੍ਰਾਪਤ ਗਿਆਨ ਲਈ, ਬਲਕਿ ਫਰੇਮਵਰਕ ਅਤੇ ਸਟੇਟ ਮੈਮੋਰੀ ਲਈ ਵੀ ਟੈਕਸਟ ਫਾਰਮੈਟ ਦੀ ਵਰਤੋਂ ਕਰਨ ਲਈ ਡਿਜ਼ਾਈਨ ਕਰਕੇ, ALIS ਪ੍ਰਾਪਤ ਸਿੱਖਿਆ ਅਤੇ ਆਮ ਅਨੁਮਾਨ ਦੋਵਾਂ ਲਈ LLM ਦੀਆਂ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ ਸਮਰੱਥਾਵਾਂ ਦਾ ਲਾਭ ਉਠਾ ਸਕਦਾ ਹੈ।
ਰਸਮੀ ਗਿਆਨ
ਪ੍ਰਾਪਤ ਕੀਤਾ ਗਿਆਨ, ਫਰੇਮਵਰਕ, ਅਤੇ ਸਟੇਟ ਮੈਮੋਰੀ ਨੂੰ ਸਿਰਫ਼ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਦੇ ਪਾਠ ਦੁਆਰਾ ਹੀ ਨਹੀਂ, ਬਲਕਿ ਵਧੇਰੇ ਸਖ਼ਤ ਰਸਮੀ ਭਾਸ਼ਾਵਾਂ ਜਾਂ ਰਸਮੀ ਮਾਡਲਾਂ ਦੁਆਰਾ ਵੀ ਦਰਸਾਇਆ ਜਾ ਸਕਦਾ ਹੈ।
ਹਾਲਾਂਕਿ ਮੈਂ "ਚੁਣੋ" ਲਿਖਿਆ ਹੈ, ALIS ਦਾ ਟੀਚਾ ਅੰਦਰੂਨੀ ਅਤੇ ਪ੍ਰਾਪਤ ਕੀਤੀ ਸਿੱਖਿਆ ਦੀ ਹਾਈਬ੍ਰਿਡ ਵਰਤੋਂ ਦੀ ਇਜਾਜ਼ਤ ਦੇਣ ਲਈ ਕਈ ਪ੍ਰਾਪਤ ਗਿਆਨ ਸਿੱਖਣ ਵਿਧੀਆਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨਾ ਹੈ।
ਰਸਮੀ ਭਾਸ਼ਾਵਾਂ ਜਾਂ ਰਸਮੀ ਮਾਡਲਾਂ ਦੁਆਰਾ ਦਰਸਾਇਆ ਗਿਆ ਗਿਆਨ ਵਧੇਰੇ ਸਖ਼ਤ ਅਤੇ ਅਸਪਸ਼ਟਤਾ ਤੋਂ ਮੁਕਤ ਹੋ ਸਕਦਾ ਹੈ।
ਇਸ ਤੋਂ ਇਲਾਵਾ, ਜੇਕਰ ਇੱਕ ਫਰੇਮਵਰਕ ਨੂੰ ਇੱਕ ਰਸਮੀ ਭਾਸ਼ਾ ਜਾਂ ਰਸਮੀ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪ੍ਰਗਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਸਥਿਤੀ ਨੂੰ ਸਟੇਟ ਮੈਮੋਰੀ ਵਿੱਚ ਵਿਸਤਾਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇੱਕ ਰਸਮੀ ਮਾਡਲ ਨੂੰ ਇੱਕ ਬੁੱਧੀਮਾਨ ਪ੍ਰੋਸੈਸਰ (ਇੱਕ LLM ਨਹੀਂ) ਦੁਆਰਾ ਸਖ਼ਤ ਸਿਮੂਲੇਸ਼ਨਾਂ ਅਤੇ ਤਾਰਕਿਕ ਤਰਕ ਕਰਨ ਲਈ ਪ੍ਰੋਸੈਸ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
ਅਜਿਹੀਆਂ ਰਸਮੀ ਭਾਸ਼ਾਵਾਂ ਅਤੇ ਰਸਮੀ ਮਾਡਲਾਂ ਦੀ ਇੱਕ ਪ੍ਰਮੁੱਖ ਉਦਾਹਰਣ ਪ੍ਰੋਗਰਾਮਿੰਗ ਭਾਸ਼ਾਵਾਂ ਹਨ।
ਜਿਵੇਂ ਕਿ ਸਿਸਟਮ ਸੰਸਾਰ ਬਾਰੇ ਸਿੱਖਦਾ ਹੈ, ਜੇਕਰ ਇਹ ਅੰਤਰੀਵ ਕਾਨੂੰਨਾਂ ਅਤੇ ਸੰਕਲਪਾਂ ਨੂੰ ਇੱਕ ਫਰੇਮਵਰਕ ਦੇ ਅੰਦਰ ਪ੍ਰੋਗਰਾਮਾਂ ਵਜੋਂ ਪ੍ਰਗਟ ਕਰ ਸਕਦਾ ਹੈ, ਤਾਂ ਇਹਨਾਂ ਨੂੰ ਇੱਕ ਕੰਪਿਊਟਰ ਦੁਆਰਾ ਸਿਮੂਲੇਟ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
ਕਾਲਮ 1: ਗਿਆਨ ਦੀਆਂ ਕਿਸਮਾਂ
ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਇੱਕ ਸਿੱਖਣ ਵਾਲੀ ਬੁੱਧੀ ਪ੍ਰਣਾਲੀ ਦੇ ਅੰਦਰ ਗਿਆਨ ਨੂੰ ਸੰਗਠਿਤ ਕਰਦੇ ਹਾਂ, ਇਹ ਸਪੱਸ਼ਟ ਹੋ ਜਾਂਦਾ ਹੈ ਕਿ ਇਸਨੂੰ ਮੋਟੇ ਤੌਰ 'ਤੇ ਤਿੰਨ ਪ੍ਰਣਾਲੀਆਂ ਅਤੇ ਦੋ ਕਿਸਮਾਂ ਵਿੱਚ ਸ਼੍ਰੇਣੀਬੱਧ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
ਤਿੰਨ ਪ੍ਰਣਾਲੀਆਂ ਹਨ: ਨਿਊਰਲ ਨੈੱਟਵਰਕਾਂ ਦੁਆਰਾ ਸੰਭਾਲਿਆ ਗਿਆ ਨੈੱਟਵਰਕ ਪੈਰਾਮੀਟਰ ਗਿਆਨ, ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਵਿੱਚ ਕੁਦਰਤੀ ਗਿਆਨ, ਅਤੇ ਰਸਮੀ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ ਰਸਮੀ ਗਿਆਨ।
ਦੋ ਕਿਸਮਾਂ ਹਨ ਸਟੇਟਲੈੱਸ ਅਤੇ ਸਟੇਟਫੁੱਲ।
ਸਟੇਟਲੈੱਸ ਨੈੱਟਵਰਕ ਪੈਰਾਮੀਟਰ ਗਿਆਨ ਅਨੁਭਵੀ ਗਿਆਨ ਹੈ, ਜਿਵੇਂ ਕਿ ਡੂੰਘੀ ਸਿੱਖਿਆ AI ਵਿੱਚ ਪਾਇਆ ਜਾਂਦਾ ਹੈ। ਬਿੱਲੀਆਂ ਅਤੇ ਕੁੱਤਿਆਂ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ, ਜਿਨ੍ਹਾਂ ਬਾਰੇ ਸੋਚਿਆ ਜਾਂ ਜ਼ੁਬਾਨੀ ਪਛਾਣਿਆ ਨਹੀਂ ਜਾ ਸਕਦਾ, ਨੂੰ ਸਟੇਟਲੈੱਸ ਨੈੱਟਵਰਕ ਪੈਰਾਮੀਟਰ ਗਿਆਨ ਵਜੋਂ ਸਿੱਖਿਆ ਜਾ ਸਕਦਾ ਹੈ।
ਸਟੇਟਫੁੱਲ ਨੈੱਟਵਰਕ ਪੈਰਾਮੀਟਰ ਗਿਆਨ ਅਸਪਸ਼ਟ, ਦੁਹਰਾਉਣ ਵਾਲੀ ਪ੍ਰਕਿਰਿਆ ਤੋਂ ਪ੍ਰਾਪਤ ਗਿਆਨ ਹੈ, ਜਿਵੇਂ ਕਿ ਜਨਰੇਟਿਵ AI ਵਿੱਚ ਪਾਇਆ ਜਾਂਦਾ ਹੈ।
ਸਟੇਟਲੈੱਸ ਕੁਦਰਤੀ ਗਿਆਨ ਉਹ ਗਿਆਨ ਹੈ ਜਿਵੇਂ ਕਿ ਇੱਕ ਸ਼ਬਦ ਨਾਲ ਜੁੜਿਆ ਅਰਥ।
ਸਟੇਟਫੁੱਲ ਕੁਦਰਤੀ ਗਿਆਨ ਉਹ ਗਿਆਨ ਹੈ ਜਿਸ ਵਿੱਚ ਇੱਕ ਵਾਕ ਦੇ ਅੰਦਰ ਪਾਇਆ ਗਿਆ ਸੰਦਰਭ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ।
ਕੁਝ ਕੁਦਰਤੀ ਗਿਆਨ ਜਨਮ ਤੋਂ ਹੀ ਸਟੇਟਫੁੱਲ ਨੈੱਟਵਰਕ ਪੈਰਾਮੀਟਰ ਗਿਆਨ ਵਿੱਚ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ, ਪਰ ਅਜਿਹਾ ਗਿਆਨ ਵੀ ਹੈ ਜੋ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਦੇ ਪਾਠ ਤੋਂ ਜਨਮ ਤੋਂ ਬਾਅਦ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
ਸਟੇਟਲੈੱਸ ਰਸਮੀ ਗਿਆਨ ਉਹ ਗਿਆਨ ਹੈ ਜਿਸਨੂੰ ਗਣਿਤ ਦੇ ਫਾਰਮੂਲਿਆਂ ਦੁਆਰਾ ਪ੍ਰਗਟ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਦੁਹਰਾਓ ਸ਼ਾਮਲ ਨਹੀਂ ਹੁੰਦਾ। ਸਟੇਟਫੁੱਲ ਰਸਮੀ ਗਿਆਨ ਉਹ ਗਿਆਨ ਹੈ ਜਿਸਨੂੰ ਪ੍ਰੋਗਰਾਮਾਂ ਦੁਆਰਾ ਪ੍ਰਗਟ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
ਕੁਦਰਤੀ ਅਤੇ ਰਸਮੀ ਗਿਆਨ ਲਈ ਸਟੇਟ ਮੈਮੋਰੀ ਵਜੋਂ ਕਿਸੇ ਦੇ ਆਪਣੇ ਦਿਮਾਗ ਦੀ ਛੋਟੀ-ਮਿਆਦ ਦੀ ਯਾਦਦਾਸ਼ਤ ਦੀ ਵੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ।
ਹਾਲਾਂਕਿ, ਕਿਉਂਕਿ ਇਹ ਛੋਟੀ-ਮਿਆਦ ਦੀ ਯਾਦਦਾਸ਼ਤ ਹੈ, ਇਸ ਲਈ ਇੱਕ ਸਥਿਤੀ ਨੂੰ ਸਥਿਰ ਰੂਪ ਵਿੱਚ ਬਣਾਈ ਰੱਖਣਾ ਮੁਸ਼ਕਲ ਹੈ। ਨਾਲ ਹੀ, ਇਹ ਗਿਆਨ ਨੂੰ ਇੱਕ ਰਸਮੀ, ਅਸਪਸ਼ਟ ਸਥਿਤੀ ਵਿੱਚ ਰੱਖਣ ਵਿੱਚ ਚੰਗਾ ਨਹੀਂ ਹੈ।
ਦੂਜੇ ਪਾਸੇ, ਕਾਗਜ਼, ਕੰਪਿਊਟਰ, ਜਾਂ ਸਮਾਰਟਫੋਨ ਨੂੰ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਦੇ ਪਾਠ, ਰਸਮੀ ਭਾਸ਼ਾਵਾਂ, ਜਾਂ ਰਸਮੀ ਮਾਡਲਾਂ ਨੂੰ ਲਿਖਣ ਅਤੇ ਸੰਪਾਦਿਤ ਕਰਨ ਲਈ ਸਟੇਟ ਮੈਮੋਰੀ ਵਜੋਂ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ।
ਆਮ ਤੌਰ 'ਤੇ, ਕਾਗਜ਼ ਜਾਂ ਕੰਪਿਊਟਰਾਂ 'ਤੇ ਡੇਟਾ ਨੂੰ ਅਕਸਰ ਗਿਆਨ ਭੰਡਾਰ ਵਜੋਂ ਗਿਆਨ ਨੂੰ ਸਟੋਰ ਕਰਨ ਲਈ ਕੁਝ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ, ਪਰ ਇਸਨੂੰ ਵਿਚਾਰਾਂ ਨੂੰ ਸੰਗਠਿਤ ਕਰਨ ਲਈ ਸਟੇਟ ਮੈਮੋਰੀ ਵਜੋਂ ਵੀ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ।
ਇਸ ਤਰ੍ਹਾਂ, ਇਹ ਸਪੱਸ਼ਟ ਹੈ ਕਿ ਮਨੁੱਖ ਇਹਨਾਂ ਤਿੰਨ ਪ੍ਰਣਾਲੀਆਂ ਅਤੇ ਦੋ ਕਿਸਮਾਂ ਦੇ ਗਿਆਨ ਦੀ ਕੁਸ਼ਲਤਾ ਨਾਲ ਵਰਤੋਂ ਕਰਕੇ ਬੌਧਿਕ ਗਤੀਵਿਧੀਆਂ ਕਰਦੇ ਹਨ।
ALIS ਵਿੱਚ ਵੀ ਇਹਨਾਂ ਤਿੰਨ ਪ੍ਰਣਾਲੀਆਂ ਅਤੇ ਦੋ ਕਿਸਮਾਂ ਦੇ ਗਿਆਨ ਦਾ ਲਾਭ ਉਠਾਉਣ ਵਾਲੀਆਂ ਬੌਧਿਕ ਗਤੀਵਿਧੀਆਂ ਨੂੰ ਸਮਰੱਥ ਅਤੇ ਵਧਾ ਕੇ ਆਪਣੀਆਂ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਨਾਟਕੀ ਢੰਗ ਨਾਲ ਬਿਹਤਰ ਬਣਾਉਣ ਦੀ ਸਮਰੱਥਾ ਹੈ।
ਖਾਸ ਤੌਰ 'ਤੇ, ALIS ਕੋਲ ਵਿਸ਼ਾਲ ਗਿਆਨ ਭੰਡਾਰਾਂ ਅਤੇ ਸਟੇਟ ਮੈਮੋਰੀ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਤਾਕਤ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਹ ਆਸਾਨੀ ਨਾਲ ਹਰੇਕ ਦੀਆਂ ਕਈ ਉਦਾਹਰਣਾਂ ਤਿਆਰ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਬਦਲ ਕੇ ਜਾਂ ਜੋੜ ਕੇ ਬੌਧਿਕ ਕਾਰਜ ਕਰ ਸਕਦਾ ਹੈ।
ਕਾਲਮ 2: ਬੌਧਿਕ ਆਰਕੈਸਟ੍ਰੇਸ਼ਨ
ਹਾਲਾਂਕਿ ਗਿਆਨ ਭੰਡਾਰ ਵਿੱਚ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਗਿਆਨ ਨੂੰ ਸਟੋਰ ਕਰਨ ਦੀ ਤਾਕਤ ਹੈ, ਪਰ ਸਿਰਫ਼ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਗਿਆਨ ਹੋਣਾ ਬੌਧਿਕ ਗਤੀਵਿਧੀ ਲਈ ਜ਼ਰੂਰੀ ਤੌਰ 'ਤੇ ਫਾਇਦੇਮੰਦ ਨਹੀਂ ਹੈ, ਕਿਉਂਕਿ ਇੱਕ ਜਨਰੇਟਿਵ AI ਇੱਕ ਵਾਰ ਵਿੱਚ ਜਿੰਨੇ ਟੋਕਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦਾ ਹੈ ਉਸ 'ਤੇ ਸੀਮਾਵਾਂ ਹਨ ਅਤੇ ਇਹ ਰੁਕਾਵਟ ਹੈ ਕਿ ਅਪ੍ਰਸੰਗਿਕ ਗਿਆਨ ਸ਼ੋਰ ਬਣ ਜਾਂਦਾ ਹੈ।
ਦੂਜੇ ਪਾਸੇ, ਗਿਆਨ ਭੰਡਾਰ ਨੂੰ ਉਚਿਤ ਰੂਪ ਵਿੱਚ ਵੰਡ ਕੇ ਅਤੇ ਉੱਚ-ਘਣਤਾ ਵਾਲੇ, ਵਿਸ਼ੇਸ਼ ਗਿਆਨ ਭੰਡਾਰ ਬਣਾ ਕੇ ਜੋ ਖਾਸ ਬੌਧਿਕ ਕਾਰਜਾਂ ਲਈ ਜ਼ਰੂਰੀ ਗਿਆਨ ਇਕੱਠਾ ਕਰਦੇ ਹਨ, ਟੋਕਨ ਸੀਮਾਵਾਂ ਅਤੇ ਸ਼ੋਰ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਘੱਟ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
ਬਦਲੇ ਵਿੱਚ, ਅਜਿਹੇ ਵਿਸ਼ੇਸ਼ ਗਿਆਨ ਭੰਡਾਰ ਸਿਰਫ਼ ਉਹਨਾਂ ਖਾਸ ਬੌਧਿਕ ਕਾਰਜਾਂ ਲਈ ਹੀ ਵਰਤੇ ਜਾ ਸਕਣਗੇ।
ਕਈ ਬੌਧਿਕ ਗਤੀਵਿਧੀਆਂ ਵੱਖ-ਵੱਖ ਬੌਧਿਕ ਕਾਰਜਾਂ ਦਾ ਗੁੰਝਲਦਾਰ ਸੁਮੇਲ ਹੁੰਦੀਆਂ ਹਨ। ਇਸ ਲਈ, ਬੌਧਿਕ ਕਾਰਜ ਦੀ ਕਿਸਮ ਦੇ ਅਨੁਸਾਰ ਗਿਆਨ ਨੂੰ ਵਿਸ਼ੇਸ਼ ਗਿਆਨ ਭੰਡਾਰਾਂ ਵਿੱਚ ਵੰਡ ਕੇ ਅਤੇ ਬੌਧਿਕ ਗਤੀਵਿਧੀ ਨੂੰ ਬੌਧਿਕ ਕਾਰਜਾਂ ਵਿੱਚ ਵੰਡ ਕੇ, ALIS ਵਿਸ਼ੇਸ਼ ਗਿਆਨ ਭੰਡਾਰਾਂ ਵਿਚਕਾਰ ਉਚਿਤ ਰੂਪ ਵਿੱਚ ਬਦਲਦੇ ਹੋਏ ਪੂਰੀ ਬੌਧਿਕ ਗਤੀਵਿਧੀ ਨੂੰ ਚਲਾ ਸਕਦਾ ਹੈ।
ਇਹ ਇੱਕ ਆਰਕੈਸਟਰਾ ਵਰਗਾ ਹੈ ਜੋ ਵੱਖ-ਵੱਖ ਯੰਤਰ ਵਜਾਉਣ ਵਾਲੇ ਪੇਸ਼ੇਵਰ ਸੰਗੀਤਕਾਰਾਂ ਅਤੇ ਪੂਰੇ ਨੂੰ ਅਗਵਾਈ ਦੇਣ ਵਾਲੇ ਇੱਕ ਕੰਡਕਟਰ ਤੋਂ ਬਣਿਆ ਹੈ।
ਇਸ ਪ੍ਰਣਾਲੀ ਤਕਨਾਲੋਜੀ, "ਬੌਧਿਕ ਆਰਕੈਸਟ੍ਰੇਸ਼ਨ," ਦੁਆਰਾ, ALIS ਆਪਣੀਆਂ ਬੌਧਿਕ ਗਤੀਵਿਧੀਆਂ ਨੂੰ ਸੰਗਠਿਤ ਕਰਨ ਦੇ ਯੋਗ ਹੋਵੇਗਾ।
ALIS ਬੇਸਿਕ ਡਿਜ਼ਾਈਨ ਅਤੇ ਵਿਕਾਸ ਵਿਧੀ
ਇੱਥੋਂ, ਮੈਂ ALIS ਲਈ ਵਿਕਾਸ ਪਹੁੰਚ ਨੂੰ ਸੰਗਠਿਤ ਕਰਾਂਗਾ।
ਜਿਵੇਂ ਕਿ ਸਿਧਾਂਤਾਂ ਅਤੇ ਕਾਲਮਾਂ ਵਿੱਚ ਪਹਿਲਾਂ ਹੀ ਦੱਸਿਆ ਗਿਆ ਹੈ, ALIS ਕੁਦਰਤੀ ਤੌਰ 'ਤੇ ਆਪਣੇ ਕਾਰਜਾਂ ਅਤੇ ਸਰੋਤਾਂ ਨੂੰ ਆਸਾਨੀ ਨਾਲ ਵਧਾਉਣ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਹ ਇਸ ਲਈ ਹੈ ਕਿਉਂਕਿ ALIS ਦਾ ਤੱਤ ਖਾਸ ਕਾਰਜਾਂ ਵਿੱਚ ਨਹੀਂ, ਬਲਕਿ ਗਿਆਨ ਕੱਢਣ, ਸਟੋਰੇਜ, ਚੋਣ ਅਤੇ ਉਪਯੋਗ ਦੀਆਂ ਪ੍ਰਕਿਰਿਆਵਾਂ ਵਿੱਚ ਹੈ।
ਉਦਾਹਰਨ ਲਈ, ਕਈ ਕਿਸਮਾਂ ਦੇ ਗਿਆਨ ਕੱਢਣ ਦੀਆਂ ਵਿਧੀਆਂ ਤਿਆਰ ਕੀਤੀਆਂ ਜਾ ਸਕਦੀਆਂ ਹਨ, ਅਤੇ ਫਿਰ ਸਿਸਟਮ ਡਿਜ਼ਾਈਨ ਦੇ ਅਧਾਰ 'ਤੇ ਚੁਣੀਆਂ ਜਾਂ ਇੱਕੋ ਸਮੇਂ ਵਰਤੀਆਂ ਜਾ ਸਕਦੀਆਂ ਹਨ।
ਇਸ ਤੋਂ ਇਲਾਵਾ, ALIS ਨੂੰ ਇਹ ਚੋਣ ਖੁਦ ਕਰਨ ਲਈ ਬਣਾਇਆ ਜਾ ਸਕਦਾ ਹੈ।
ਸਟੋਰੇਜ, ਚੋਣ ਅਤੇ ਉਪਯੋਗ ਨੂੰ ਇਸੇ ਤਰ੍ਹਾਂ ਸੁਤੰਤਰ ਰੂਪ ਵਿੱਚ ਚੁਣਿਆ ਜਾਂ ਸਮਾਨਾਂਤਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
ਇਸ ਲਈ, ALIS ਨੂੰ ਵਾਟਰਫਾਲ ਤਰੀਕੇ ਨਾਲ ਪੂਰੀ ਕਾਰਜਕੁਸ਼ਲਤਾ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਨ ਦੀ ਲੋੜ ਤੋਂ ਬਿਨਾਂ, ਵਾਧੂ ਅਤੇ ਚੁਸਤ ਤਰੀਕੇ ਨਾਲ ਵਿਕਸਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
ALIS ਦੀ ਸ਼ੁਰੂਆਤ
ਹੁਣ, ਆਓ ਇੱਕ ਬਹੁਤ ਹੀ ਸਧਾਰਨ ALIS ਡਿਜ਼ਾਈਨ ਕਰੀਏ।
ਮੁੱਢਲਾ UI ਜਾਣਿਆ-ਪਛਾਣਿਆ ਚੈਟ AI ਹੋਵੇਗਾ। ਸ਼ੁਰੂ ਵਿੱਚ, ਉਪਭੋਗਤਾ ਇਨਪੁਟ ਨੂੰ ਸਿੱਧੇ LLM ਨੂੰ ਭੇਜਿਆ ਜਾਵੇਗਾ। LLM ਦਾ ਜਵਾਬ ਫਿਰ UI 'ਤੇ ਪ੍ਰਦਰਸ਼ਿਤ ਕੀਤਾ ਜਾਵੇਗਾ, ਅਤੇ ਸਿਸਟਮ ਅਗਲੇ ਉਪਭੋਗਤਾ ਇਨਪੁਟ ਦੀ ਉਡੀਕ ਕਰੇਗਾ।
ਜਦੋਂ ਅਗਲਾ ਇਨਪੁਟ ਆਵੇਗਾ, ਤਾਂ LLM ਨੂੰ ਸਿਰਫ਼ ਨਵਾਂ ਇਨਪੁਟ ਹੀ ਨਹੀਂ, ਬਲਕਿ ਉਪਭੋਗਤਾ ਅਤੇ LLM ਵਿਚਕਾਰ ਉਸ ਸਮੇਂ ਤੱਕ ਦੀ ਪੂਰੀ ਚੈਟ ਹਿਸਟਰੀ ਵੀ ਪ੍ਰਾਪਤ ਹੋਵੇਗੀ।
ਇਸ ਚੈਟ AI UI ਦੇ ਪਿੱਛੇ, ਅਸੀਂ ਚੈਟ ਹਿਸਟਰੀ ਤੋਂ ਮੁੜ ਵਰਤੋਂ ਯੋਗ ਗਿਆਨ ਕੱਢਣ ਲਈ ਇੱਕ ਵਿਧੀ ਤਿਆਰ ਕਰਾਂਗੇ।
ਇਸਨੂੰ ਚੈਟ AI ਸਿਸਟਮ ਵਿੱਚ ਇੱਕ ਪ੍ਰਕਿਰਿਆ ਵਜੋਂ ਸ਼ਾਮਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਜੋ ਗੱਲਬਾਤ ਖਤਮ ਹੋਣ 'ਤੇ ਜਾਂ ਨਿਯਮਤ ਅੰਤਰਾਲਾਂ 'ਤੇ ਚਲਾਈ ਜਾਂਦੀ ਹੈ। ਬੇਸ਼ੱਕ, ਗਿਆਨ ਕੱਢਣ ਲਈ ਇੱਕ LLM ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਵੇਗੀ।
ਇਸ LLM ਨੂੰ ALIS ਸੰਕਲਪ ਅਤੇ ਸਿਧਾਂਤ, ਗਿਆਨ ਕੱਢਣ ਦੇ ਤਰੀਕਿਆਂ ਸਮੇਤ, ਸਿਸਟਮ ਪ੍ਰੋਂਪਟ ਵਜੋਂ ਦਿੱਤੇ ਜਾਣਗੇ। ਜੇਕਰ ਗਿਆਨ ਇੱਛਤ ਅਨੁਸਾਰ ਨਹੀਂ ਕੱਢਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਸਿਸਟਮ ਪ੍ਰੋਂਪਟਾਂ ਨੂੰ ਅਜ਼ਮਾਇਸ਼ ਅਤੇ ਗਲਤੀ ਦੁਆਰਾ ਸੁਧਾਰਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
ਚੈਟ ਹਿਸਟਰੀ ਤੋਂ ਕੱਢਿਆ ਗਿਆ ਗਿਆਨ ਸਿੱਧੇ ਇੱਕ ਗਿਆਨ ਝੀਲ ਵਿੱਚ ਸਟੋਰ ਕੀਤਾ ਜਾਵੇਗਾ। ਗਿਆਨ ਝੀਲ ਗਿਆਨ ਨੂੰ ਢਾਂਚਾਗਤ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਇੱਕ ਸਮਤਲ, ਗੈਰ-ਢਾਂਚਾਗਤ ਸਥਿਤੀ ਵਿੱਚ ਸਟੋਰ ਕਰਨ ਲਈ ਇੱਕ ਵਿਧੀ ਹੈ।
ਅੱਗੇ, ਅਸੀਂ ਗਿਆਨ ਝੀਲ ਤੋਂ ਗਿਆਨ ਦੀ ਚੋਣ ਕਰਨਾ ਆਸਾਨ ਬਣਾਉਣ ਲਈ ਇੱਕ ਢਾਂਚਾਗਤ ਵਿਧੀ ਤਿਆਰ ਕਰਾਂਗੇ।
ਇਸਦਾ ਮਤਲਬ ਹੈ ਸਿਮੈਨਟਿਕ ਖੋਜ ਲਈ ਏਮਬੈਡਿੰਗ ਵੈਕਟਰ ਸਟੋਰ ਪ੍ਰਦਾਨ ਕਰਨਾ, ਜਿਵੇਂ ਕਿ ਆਮ ਤੌਰ 'ਤੇ RAG ਵਿੱਚ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਕੀਵਰਡ ਇੰਡੈਕਸ, ਹੋਰ ਚੀਜ਼ਾਂ ਦੇ ਨਾਲ।
ਹੋਰ ਉੱਨਤ ਵਿਕਲਪਾਂ ਵਿੱਚ ਇੱਕ ਗਿਆਨ ਗ੍ਰਾਫ ਤਿਆਰ ਕਰਨਾ ਜਾਂ ਸ਼੍ਰੇਣੀ ਵਰਗੀਕਰਨ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ।
ਗਿਆਨ ਝੀਲ ਲਈ ਢਾਂਚਾਗਤ ਜਾਣਕਾਰੀ ਦੇ ਇਸ ਸੰਗ੍ਰਹਿ ਨੂੰ ਗਿਆਨ ਅਧਾਰ ਕਿਹਾ ਜਾਵੇਗਾ। ਇਹ ਪੂਰਾ ਗਿਆਨ ਅਧਾਰ ਅਤੇ ਗਿਆਨ ਝੀਲ ਗਿਆਨ ਭੰਡਾਰ ਦਾ ਗਠਨ ਕਰੇਗੀ।
ਅੱਗੇ, ਅਸੀਂ ਗਿਆਨ ਭੰਡਾਰ ਨੂੰ ਚੈਟ UI ਪ੍ਰੋਸੈਸਿੰਗ ਵਿੱਚ ਏਕੀਕ੍ਰਿਤ ਕਰਾਂਗੇ।
ਇਹ ਅਸਲ ਵਿੱਚ ਇੱਕ ਆਮ RAG ਵਿਧੀ ਦੇ ਸਮਾਨ ਹੈ। ਉਪਭੋਗਤਾ ਇਨਪੁਟ ਲਈ, ਗਿਆਨ ਭੰਡਾਰ ਤੋਂ ਸੰਬੰਧਿਤ ਗਿਆਨ ਦੀ ਚੋਣ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਅਤੇ ਉਪਭੋਗਤਾ ਇਨਪੁਟ ਦੇ ਨਾਲ LLM ਨੂੰ ਭੇਜਿਆ ਜਾਂਦਾ ਹੈ।
ਇਹ LLM ਨੂੰ ਉਪਭੋਗਤਾ ਇਨਪੁਟ ਨੂੰ ਪ੍ਰੋਸੈਸ ਕਰਨ ਵੇਲੇ ਗਿਆਨ ਦੀ ਸਵੈਚਾਲਿਤ ਤੌਰ 'ਤੇ ਵਰਤੋਂ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ।
ਇਸ ਤਰ੍ਹਾਂ, ਗਿਆਨ ਉਪਭੋਗਤਾ ਨਾਲ ਹਰੇਕ ਗੱਲਬਾਤ ਨਾਲ ਇਕੱਠਾ ਹੁੰਦਾ ਜਾਵੇਗਾ, ਇੱਕ ਸਧਾਰਨ ALIS ਨੂੰ ਸਾਕਾਰ ਕਰੇਗਾ ਜੋ ਪਿਛਲੀਆਂ ਗੱਲਬਾਤਾਂ ਤੋਂ ਇਕੱਠੇ ਹੋਏ ਗਿਆਨ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ।
ਸਧਾਰਨ ਦ੍ਰਿਸ਼
ਉਦਾਹਰਨ ਲਈ, ਕਲਪਨਾ ਕਰੋ ਕਿ ਇੱਕ ਉਪਭੋਗਤਾ ਇਸ ਸਧਾਰਨ ALIS ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ਵੈੱਬ ਐਪਲੀਕੇਸ਼ਨ ਵਿਕਸਤ ਕਰ ਰਿਹਾ ਹੈ।
ਉਪਭੋਗਤਾ ਰਿਪੋਰਟ ਕਰਦਾ ਹੈ ਕਿ LLM ਦੁਆਰਾ ਪ੍ਰਸਤਾਵਿਤ ਕੋਡ ਵਿੱਚ ਇੱਕ ਗਲਤੀ ਹੋਈ। ਉਪਭੋਗਤਾ ਅਤੇ LLM ਦੁਆਰਾ ਸਮੱਸਿਆ ਦਾ ਨਿਵਾਰਨ ਕਰਨ ਲਈ ਸਹਿਯੋਗ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਉਹਨਾਂ ਨੂੰ ਪਤਾ ਲੱਗਦਾ ਹੈ ਕਿ LLM ਨੂੰ ਪਤਾ ਬਾਹਰੀ API ਨਿਰਧਾਰਨ ਪੁਰਾਣਾ ਹੋ ਚੁੱਕਾ ਸੀ, ਅਤੇ ਨਵੀਨਤਮ API ਨਿਰਧਾਰਨ ਦੇ ਅਨੁਕੂਲ ਹੋਣ ਤੋਂ ਬਾਅਦ ਪ੍ਰੋਗਰਾਮ ਸਹੀ ਢੰਗ ਨਾਲ ਕੰਮ ਕਰਦਾ ਹੈ।
ਇਸ ਚੈਟ ਥ੍ਰੈੱਡ ਤੋਂ, ALIS ਫਿਰ ਆਪਣੇ ਗਿਆਨ ਭੰਡਾਰ ਵਿੱਚ ਗਿਆਨ ਇਕੱਠਾ ਕਰ ਸਕਦਾ ਹੈ: ਖਾਸ ਤੌਰ 'ਤੇ, ਕਿ LLM ਨੂੰ ਪਤਾ API ਨਿਰਧਾਰਨ ਪੁਰਾਣਾ ਹੈ, ਅਤੇ ਨਵੀਨਤਮ API ਨਿਰਧਾਰਨ ਕੀ ਹੈ।
ਫਿਰ, ਅਗਲੀ ਵਾਰ ਜਦੋਂ ਉਸੇ API ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ਪ੍ਰੋਗਰਾਮ ਬਣਾਇਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ALIS ਇਸ ਗਿਆਨ ਦਾ ਲਾਭ ਉਠਾਉਣ ਦੇ ਯੋਗ ਹੋਵੇਗਾ ਤਾਂ ਜੋ ਸ਼ੁਰੂ ਤੋਂ ਹੀ ਨਵੀਨਤਮ API ਨਿਰਧਾਰਨ ਦੇ ਅਧਾਰ 'ਤੇ ਇੱਕ ਪ੍ਰੋਗਰਾਮ ਤਿਆਰ ਕੀਤਾ ਜਾ ਸਕੇ।
ਸ਼ੁਰੂਆਤੀ ALIS ਵਿੱਚ ਸੁਧਾਰ
ਹਾਲਾਂਕਿ, ਅਜਿਹਾ ਹੋਣ ਲਈ, ਇਸ ਗਿਆਨ ਨੂੰ ਉਪਭੋਗਤਾ ਇਨਪੁਟ ਦੇ ਜਵਾਬ ਵਿੱਚ ਚੁਣਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਇਹ ਸੰਭਵ ਹੈ ਕਿ ਇਹ ਗਿਆਨ ਉਪਭੋਗਤਾ ਦੇ ਇਨਪੁਟ ਨਾਲ ਸਿੱਧਾ ਜੁੜਿਆ ਨਹੀਂ ਹੋਵੇਗਾ, ਕਿਉਂਕਿ ਸਮੱਸਿਆ ਵਾਲੇ API ਦਾ ਨਾਮ ਉਪਭੋਗਤਾ ਦੇ ਇਨਪੁਟ ਵਿੱਚ ਦਿਖਾਈ ਨਹੀਂ ਦੇ ਸਕਦਾ।
ਉਸ ਸਥਿਤੀ ਵਿੱਚ, API ਦਾ ਨਾਮ ਸਿਰਫ਼ LLM ਦੇ ਜਵਾਬ ਦੌਰਾਨ ਹੀ ਉਭਰੇਗਾ।
ਇਸ ਲਈ, ਅਸੀਂ ਪ੍ਰੀ-ਐਨਾਲਿਸਿਸ ਅਤੇ ਪੋਸਟ-ਚੈਕਿੰਗ ਲਈ ਵਿਧੀਆਂ ਜੋੜ ਕੇ ਸਧਾਰਨ ALIS ਨੂੰ ਥੋੜ੍ਹਾ ਵਧਾਵਾਂਗੇ।
ਪ੍ਰੀ-ਐਨਾਲਿਸਿਸ ਹਾਲੀਆ LLM ਵਿੱਚ "ਵਿਚਾਰ ਮੋਡ" ਦੇ ਸਮਾਨ ਹੈ। ਟੈਕਸਟ ਨੂੰ ਸਟੇਟ ਮੈਮੋਰੀ ਦੇ ਤੌਰ 'ਤੇ ਰੱਖਣ ਦੇ ਸਮਰੱਥ ਇੱਕ ਮੈਮੋਰੀ ਤਿਆਰ ਕੀਤੀ ਜਾਵੇਗੀ, ਅਤੇ ਸਿਸਟਮ ਪ੍ਰੋਂਪਟ LLM ਨੂੰ ਉਪਭੋਗਤਾ ਇਨਪੁਟ ਪ੍ਰਾਪਤ ਕਰਨ 'ਤੇ ਪ੍ਰੀ-ਐਨਾਲਿਸਿਸ ਕਰਨ ਲਈ ਨਿਰਦੇਸ਼ ਦੇਵੇਗਾ।
LLM ਦਾ ਪ੍ਰੀ-ਐਨਾਲਿਸਿਸ ਨਤੀਜਾ ਸਟੇਟ ਮੈਮੋਰੀ ਵਿੱਚ ਸਟੋਰ ਕੀਤਾ ਜਾਵੇਗਾ। ਇਸ ਪ੍ਰੀ-ਐਨਾਲਿਸਿਸ ਨਤੀਜੇ ਦੇ ਅਧਾਰ 'ਤੇ, ਗਿਆਨ ਨੂੰ ਗਿਆਨ ਭੰਡਾਰ ਤੋਂ ਚੁਣਿਆ ਜਾਵੇਗਾ।
ਫਿਰ, ਚੈਟ ਹਿਸਟਰੀ, ਪ੍ਰੀ-ਐਨਾਲਿਸਿਸ ਨਤੀਜਾ, ਉਪਭੋਗਤਾ ਇਨਪੁਟ ਨਾਲ ਸਬੰਧਤ ਗਿਆਨ, ਅਤੇ ਪ੍ਰੀ-ਐਨਾਲਿਸਿਸ ਨਤੀਜੇ ਨਾਲ ਸਬੰਧਤ ਗਿਆਨ LLM ਨੂੰ ਇੱਕ ਜਵਾਬ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਭੇਜਿਆ ਜਾਵੇਗਾ।
ਇਸ ਤੋਂ ਇਲਾਵਾ, LLM ਦੁਆਰਾ ਵਾਪਸ ਕੀਤੇ ਗਏ ਨਤੀਜੇ ਦੀ ਵਰਤੋਂ ਗਿਆਨ ਭੰਡਾਰ ਤੋਂ ਗਿਆਨ ਦੀ ਖੋਜ ਕਰਨ ਲਈ ਵੀ ਕੀਤੀ ਜਾਵੇਗੀ। ਉੱਥੇ ਪਾਏ ਗਏ ਗਿਆਨ ਸਮੇਤ, LLM ਨੂੰ ਇੱਕ ਪੋਸਟ-ਚੈਕ ਕਰਨ ਲਈ ਕਿਹਾ ਜਾਵੇਗਾ।
ਜੇਕਰ ਕੋਈ ਵੀ ਮੁੱਦਾ ਪਾਇਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਸਮੱਸਿਆ ਵਾਲੇ ਬਿੰਦੂ ਅਤੇ ਨੁਕਤੇ ਦੇ ਕਾਰਨ ਸ਼ਾਮਲ ਕੀਤੇ ਜਾਣਗੇ ਅਤੇ ਚੈਟ LLM ਨੂੰ ਵਾਪਸ ਭੇਜੇ ਜਾਣਗੇ।
ਪ੍ਰੀ-ਐਨਾਲਿਸਿਸ ਅਤੇ ਪੋਸਟ-ਚੈਕਿੰਗ ਦੌਰਾਨ ਗਿਆਨ ਦੀ ਚੋਣ ਕਰਨ ਦੇ ਮੌਕੇ ਪ੍ਰਦਾਨ ਕਰਕੇ, ਅਸੀਂ ਇਕੱਠੇ ਕੀਤੇ ਗਿਆਨ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀਆਂ ਸੰਭਾਵਨਾਵਾਂ ਨੂੰ ਵਧਾ ਸਕਦੇ ਹਾਂ।
ਨਜ਼ਰੀਆ
ਸ਼ੁਰੂਆਤੀ ALIS ਬਣਾਉਣ ਅਤੇ ਫਿਰ ਇਸਦੀਆਂ ਕਮਜ਼ੋਰੀਆਂ ਨੂੰ ਦੂਰ ਕਰਨ ਲਈ ਸੁਧਾਰ ਜੋੜਨ ਦੀ ਇਹ ਪਹੁੰਚ ਚੁਸਤ ਵਿਕਾਸ ਅਤੇ ALIS ਦੇ ਵਾਧੇ ਵਾਲੇ ਸੁਧਾਰ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਦਰਸਾਉਂਦੀ ਹੈ।
ਇਸ ਤੋਂ ਇਲਾਵਾ, ਜਿਵੇਂ ਕਿ ਉਦਾਹਰਨ ਦਿੱਤੀ ਗਈ ਹੈ, ਸ਼ੁਰੂਆਤੀ ALIS ਸੌਫਟਵੇਅਰ ਵਿਕਾਸ ਵਿੱਚ ਵਰਤੋਂ ਲਈ ਸਭ ਤੋਂ ਢੁਕਵਾਂ ਹੈ। ਇਹ ਇਸ ਲਈ ਹੈ ਕਿਉਂਕਿ ਇਹ ਇੱਕ ਉੱਚ-ਮੰਗ ਵਾਲਾ ਖੇਤਰ ਹੈ ਅਤੇ ਇੱਕ ਅਜਿਹਾ ਖੇਤਰ ਵੀ ਹੈ ਜਿੱਥੇ ਗਿਆਨ ਨੂੰ ਆਸਾਨੀ ਨਾਲ ਸਪਸ਼ਟ ਰੂਪ ਵਿੱਚ ਇਕੱਠਾ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
ਇਹ ਇੱਕ ਅਜਿਹੀ ਸ਼ੈਲੀ ਹੈ ਜਿੱਥੇ ਚੀਜ਼ਾਂ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਕਾਲੀਆਂ ਜਾਂ ਚਿੱਟੀਆਂ ਹੁੰਦੀਆਂ ਹਨ, ਫਿਰ ਵੀ ਇਹ ਇੱਕ ਅਜਿਹਾ ਮਹੱਤਵਪੂਰਨ ਖੇਤਰ ਵੀ ਹੈ ਜਿੱਥੇ ਅਜ਼ਮਾਇਸ਼-ਅਤੇ-ਗਲਤੀ, ਦੁਹਰਾਉਣ ਵਾਲੇ ਗਿਆਨ ਦਾ ਇਕੱਠਾ ਹੋਣਾ ਜ਼ਰੂਰੀ ਅਤੇ ਮਹੱਤਵਪੂਰਨ ਹੈ।
ਇਸ ਤੋਂ ਇਲਾਵਾ, ਕਿਉਂਕਿ ALIS ਦਾ ਵਿਕਾਸ ਖੁਦ ਸੌਫਟਵੇਅਰ ਵਿਕਾਸ ਹੈ, ਇਹ ਤੱਥ ਕਿ ALIS ਵਿਕਾਸਕਾਰ ਖੁਦ ALIS ਉਪਭੋਗਤਾ ਹੋ ਸਕਦੇ ਹਨ, ਵੀ ਆਕਰਸ਼ਕ ਹੈ।
ਅਤੇ, ALIS ਸਿਸਟਮ ਦੇ ਨਾਲ, ਗਿਆਨ ਝੀਲ ਨੂੰ GitHub ਵਰਗੇ ਪਲੇਟਫਾਰਮਾਂ 'ਤੇ ਖੁੱਲ੍ਹੇਆਮ ਸਾਂਝਾ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
ਇਸ ਨਾਲ ਬਹੁਤ ਸਾਰੇ ਲੋਕਾਂ ਨੂੰ ALIS ਸਿਸਟਮ ਸੁਧਾਰਾਂ ਅਤੇ ਗਿਆਨ ਦੇ ਸੰਗ੍ਰਹਿ 'ਤੇ ਸਹਿਯੋਗ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਮਿਲੇਗੀ, ਜਿਸ ਨਾਲ ਹਰ ਕੋਈ ਨਤੀਜਿਆਂ ਤੋਂ ਲਾਭ ਉਠਾਏਗਾ, ALIS ਵਿਕਾਸ ਨੂੰ ਹੋਰ ਤੇਜ਼ ਕਰੇਗਾ।
ਬੇਸ਼ੱਕ, ਗਿਆਨ ਸਾਂਝਾ ਕਰਨਾ ਸਿਰਫ਼ ALIS ਵਿਕਾਸਕਾਰਾਂ ਤੱਕ ਸੀਮਤ ਨਹੀਂ ਹੈ ਬਲਕਿ ALIS ਦੀ ਵਰਤੋਂ ਕਰਨ ਵਾਲੇ ਸਾਰੇ ਸੌਫਟਵੇਅਰ ਵਿਕਾਸਕਾਰਾਂ ਤੋਂ ਇਕੱਠਾ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
ਇਹ ਤੱਥ ਕਿ ਗਿਆਨ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਵਿੱਚ ਹੈ, ਦੋ ਹੋਰ ਫਾਇਦੇ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ:
ਪਹਿਲਾ ਫਾਇਦਾ ਇਹ ਹੈ ਕਿ ਗਿਆਨ ਦਾ ਲਾਭ ਉਠਾਇਆ ਜਾ ਸਕਦਾ ਹੈ ਭਾਵੇਂ LLM ਮਾਡਲ ਬਦਲਦਾ ਹੈ ਜਾਂ ਅਪਡੇਟ ਹੁੰਦਾ ਹੈ।
ਦੂਜਾ ਫਾਇਦਾ ਇਹ ਹੈ ਕਿ ਵਿਸ਼ਾਲ ਇਕੱਠੀ ਕੀਤੀ ਗਿਆਨ ਝੀਲ ਨੂੰ LLM ਲਈ ਇੱਕ ਪ੍ਰੀ-ਟਰੇਨਿੰਗ ਡਾਟਾਸੈੱਟ ਵਜੋਂ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਇਹ ਦੋ ਤਰੀਕਿਆਂ ਨਾਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ: ਇਸਨੂੰ ਫਾਈਨ-ਟਿਊਨਿੰਗ ਲਈ ਵਰਤ ਕੇ, ਜਾਂ ਇਸਨੂੰ LLM ਪ੍ਰੀ-ਟਰੇਨਿੰਗ ਲਈ ਹੀ ਵਰਤ ਕੇ।
ਕਿਸੇ ਵੀ ਸਥਿਤੀ ਵਿੱਚ, ਜੇਕਰ ਗਿਆਨ ਝੀਲ ਵਿੱਚ ਇਕੱਠੇ ਕੀਤੇ ਗਿਆਨ ਨੂੰ ਕੁਦਰਤੀ ਤੌਰ 'ਤੇ ਸਿੱਖੇ LLM ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਤਾਂ ਸੌਫਟਵੇਅਰ ਵਿਕਾਸ ਹੋਰ ਵੀ ਕੁਸ਼ਲ ਹੋ ਜਾਵੇਗਾ।
ਇਸ ਤੋਂ ਇਲਾਵਾ, ਸੌਫਟਵੇਅਰ ਵਿਕਾਸ ਦੇ ਅੰਦਰ, ਵੱਖ-ਵੱਖ ਪ੍ਰਕਿਰਿਆਵਾਂ ਹਨ ਜਿਵੇਂ ਕਿ ਲੋੜਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ, ਡਿਜ਼ਾਈਨ, ਲਾਗੂਕਰਨ, ਟੈਸਟਿੰਗ, ਸੰਚਾਲਨ, ਅਤੇ ਰੱਖ-ਰਖਾਵ, ਅਤੇ ਹਰੇਕ ਸੌਫਟਵੇਅਰ ਡੋਮੇਨ ਅਤੇ ਪਲੇਟਫਾਰਮ ਲਈ ਵਿਸ਼ੇਸ਼ ਗਿਆਨ ਮੌਜੂਦ ਹੈ। ਜੇਕਰ ਇਹਨਾਂ ਦ੍ਰਿਸ਼ਟੀਕੋਣਾਂ ਤੋਂ ਵਿਸ਼ਾਲ ਇਕੱਠੇ ਕੀਤੇ ਗਿਆਨ ਨੂੰ ਵੰਡਣ ਲਈ ਇੱਕ ਵਿਧੀ ਬਣਾਈ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਇੱਕ ALIS ਆਰਕੈਸਟਰਾ ਵੀ ਬਣਾਇਆ ਜਾ ਸਕਦਾ ਹੈ।
ਇਸ ਤਰ੍ਹਾਂ, ALIS ਲਈ ਮੁੱਢਲੀਆਂ ਤਕਨਾਲੋਜੀਆਂ ਮੌਜੂਦ ਹਨ। ਹੁਣ ਮੁੱਖ ਗੱਲ ਇਹ ਹੈ ਕਿ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਪਹੁੰਚਾਂ ਦੀ ਖੋਜ ਕਰਨ ਲਈ ਵੱਖ-ਵੱਖ ਤਰੀਕਿਆਂ—ਜਿਵੇਂ ਕਿ ਗਿਆਨ ਕੱਢਣ ਦੀ ਜਾਣਕਾਰੀ, ਉਚਿਤ ਗਿਆਨ ਚੋਣ, ਵਿਸ਼ੇਸ਼ ਗਿਆਨ ਵੰਡ, ਅਤੇ ਸਟੇਟ ਮੈਮੋਰੀ ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰਨੀ ਹੈ—ਨੂੰ ਵਿਹਾਰਕ ਤੌਰ 'ਤੇ ਅਜ਼ਮਾਉਣਾ। ਨਾਲ ਹੀ, ਜਿਵੇਂ-ਜਿਵੇਂ ਗੁੰਝਲਤਾ ਵਧਦੀ ਹੈ, ਪ੍ਰੋਸੈਸਿੰਗ ਸਮਾਂ ਅਤੇ LLM ਵਰਤੋਂ ਦੀ ਲਾਗਤ ਵਧੇਗੀ, ਜਿਸ ਨਾਲ ਅਨੁਕੂਲਤਾ ਦੀ ਲੋੜ ਪਵੇਗੀ।
ਇਹਨਾਂ ਅਜ਼ਮਾਇਸ਼-ਅਤੇ-ਗਲਤੀ ਅਤੇ ਅਨੁਕੂਲਤਾ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਫਰੇਮਵਰਕ ਦੇ ਵਿਕਾਸ ਅਤੇ ਸੁਧਾਰ ਦੁਆਰਾ ਅਨੁਕੂਲ ਰੂਪ ਵਿੱਚ ਅੱਗੇ ਵਧਾਇਆ ਜਾ ਸਕਦਾ ਹੈ।
ਸ਼ੁਰੂ ਵਿੱਚ, ਵਿਕਾਸਕਾਰ, ਉਪਭੋਗਤਾਵਾਂ ਵਜੋਂ, ਅਜ਼ਮਾਇਸ਼ ਅਤੇ ਗਲਤੀ ਦੁਆਰਾ ALIS ਵਿੱਚ ਫਰੇਮਵਰਕ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨਗੇ। ਹਾਲਾਂਕਿ, ਉਦੋਂ ਵੀ, LLM ਖੁਦ ਫਰੇਮਵਰਕ ਵਿਚਾਰਾਂ ਨੂੰ ਤਿਆਰ ਕਰਨ ਲਈ ਬਣਾਇਆ ਜਾ ਸਕਦਾ ਹੈ।
ਅਤੇ ਸੰਸਾਰ ਤੋਂ ਪ੍ਰਾਪਤ ਕੀਤੇ ਨਤੀਜਿਆਂ ਅਤੇ ਕੱਢੇ ਗਏ ਗਿਆਨ ਦੇ ਅਧਾਰ 'ਤੇ ਫਰੇਮਵਰਕ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਜਾਂ ਖੋਜਣ ਵਾਲੇ ਫਰੇਮਵਰਕ ਨੂੰ ALIS ਵਿੱਚ ਸ਼ਾਮਲ ਕਰਕੇ, ALIS ਖੁਦ ਅਜ਼ਮਾਇਸ਼-ਅਤੇ-ਗਲਤੀ ਅਤੇ ਅਨੁਕੂਲਤਾ ਨੂੰ ਅਨੁਕੂਲ ਰੂਪ ਵਿੱਚ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰੇਗਾ।
ਅਸਲ ਸੰਸਾਰ ਵਿੱਚ ALIS
ਇੱਕ ਵਾਰ ALIS ਨੂੰ ਇਸ ਪੜਾਅ ਤੱਕ ਸੁਧਾਰਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਹ ਨਾ ਸਿਰਫ਼ ਸੌਫਟਵੇਅਰ ਵਿਕਾਸ ਦੇ ਖੇਤਰ ਵਿੱਚ, ਬਲਕਿ ਵੱਖ-ਵੱਖ ਖੇਤਰਾਂ ਵਿੱਚ ਵੀ ਗਿਆਨ ਸਿੱਖਣ ਦੇ ਸਮਰੱਥ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ।
ਸੌਫਟਵੇਅਰ ਵਿਕਾਸ ਦੇ ਸਮਾਨ, ALIS ਤੋਂ ਉਮੀਦ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਕਿ ਉਹ ਆਪਣੀ ਗੁੰਜਾਇਸ਼ ਨੂੰ ਵੱਖ-ਵੱਖ ਬੌਧਿਕ ਗਤੀਵਿਧੀਆਂ ਤੱਕ ਵਧਾਏਗਾ ਜੋ ਮਨੁੱਖ ਕੰਪਿਊਟਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਰਦੇ ਹਨ।
ਅਜਿਹੀਆਂ ਸ਼ੁੱਧ ਬੌਧਿਕ ਗਤੀਵਿਧੀਆਂ ਵਿੱਚ ਵੀ, ALIS ਨਿਸ਼ਾਨਾ ਸੰਸਾਰ ਦੇ ਸਬੰਧ ਵਿੱਚ ਇੱਕ ਕਿਸਮ ਦੀ ਸ਼ਰੀਰਕ AI (embodied AI) ਪ੍ਰਕਿਰਤੀ ਰੱਖਦਾ ਹੈ।
ਇਹ ਇਸ ਲਈ ਹੈ ਕਿਉਂਕਿ ਇਹ ਆਪਣੇ ਅਤੇ ਸੰਸਾਰ ਵਿਚਕਾਰ ਸੀਮਾ ਨੂੰ ਪਛਾਣਦਾ ਹੈ, ਉਸ ਸੀਮਾ ਦੁਆਰਾ ਸੰਸਾਰ 'ਤੇ ਕੰਮ ਕਰਦਾ ਹੈ, ਅਤੇ ਸੰਸਾਰ ਤੋਂ ਪ੍ਰਾਪਤ ਜਾਣਕਾਰੀ ਨੂੰ ਸਮਝ ਸਕਦਾ ਹੈ।
ਜਿਸਨੂੰ ਅਸੀਂ ਆਮ ਤੌਰ 'ਤੇ "ਸ਼ਰੀਰ" ਕਹਿੰਦੇ ਹਾਂ, ਉਹ ਸੰਸਾਰ ਨਾਲ ਇੱਕ ਸੀਮਾ ਹੈ ਜੋ ਸਰੀਰਕ ਤੌਰ 'ਤੇ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ ਅਤੇ ਇੱਕ ਜਗ੍ਹਾ 'ਤੇ ਸਥਾਨਕ ਹੁੰਦੀ ਹੈ।
ਹਾਲਾਂਕਿ, ਭਾਵੇਂ ਸੀਮਾ ਅਦਿੱਖ ਹੋਵੇ ਅਤੇ ਸਥਾਨਿਕ ਤੌਰ 'ਤੇ ਵੰਡੀ ਹੋਵੇ, ਇੱਕ ਸੀਮਾ ਦੁਆਰਾ ਧਾਰਨਾ ਅਤੇ ਕਿਰਿਆ ਦੀ ਬਣਤਰ ਇੱਕ ਭੌਤਿਕ ਸਰੀਰ ਹੋਣ ਦੇ ਸਮਾਨ ਹੈ।
ਇਸ ਅਰਥ ਵਿੱਚ, ALIS, ਬੌਧਿਕ ਗਤੀਵਿਧੀਆਂ ਕਰਦੇ ਸਮੇਂ, ਇੱਕ ਵਰਚੁਅਲੀ ਸ਼ਰੀਰਕ AI ਦੀ ਪ੍ਰਕਿਰਤੀ ਰੱਖਦਾ ਮੰਨਿਆ ਜਾ ਸਕਦਾ ਹੈ।
ਅਤੇ ਇੱਕ ਵਾਰ ਜਦੋਂ ALIS ਨੂੰ ਇੱਕ ਅਜਿਹੇ ਪੜਾਅ ਤੱਕ ਸੁਧਾਰਿਆ ਜਾਂਦਾ ਹੈ ਜਿੱਥੇ ਇਹ ਨਵੇਂ, ਅਣਜਾਣ ਸੰਸਾਰਾਂ ਵਿੱਚ ਵੀ ਢੁਕਵੇਂ ਰੂਪ ਵਿੱਚ ਸਿੱਖ ਸਕਦਾ ਹੈ, ਤਾਂ ਇਹ ਸੰਭਾਵਨਾ ਹੈ ਕਿ ALIS ਨੂੰ ਇੱਕ ਅਸਲੀ ਸ਼ਰੀਰਕ AI ਦੇ ਹਿੱਸੇ ਵਜੋਂ ਏਕੀਕ੍ਰਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਜਿਸਦਾ ਭੌਤਿਕ ਸਰੀਰ ਹੈ।
ਇਸ ਤਰ੍ਹਾਂ, ALIS ਅਖੀਰ ਵਿੱਚ ਅਸਲ ਸੰਸਾਰ 'ਤੇ ਲਾਗੂ ਹੋਵੇਗਾ ਅਤੇ ਇਸ ਤੋਂ ਸਿੱਖਣਾ ਸ਼ੁਰੂ ਕਰੇਗਾ।