ਸਮੱਗਰੀ 'ਤੇ ਜਾਓ
ਇਹ ਲੇਖ AI ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਜਾਪਾਨੀ ਤੋਂ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ
ਜਾਪਾਨੀ ਵਿੱਚ ਪੜ੍ਹੋ
ਇਹ ਲੇਖ ਪਬਲਿਕ ਡੋਮੇਨ (CC0) ਵਿੱਚ ਹੈ। ਇਸਨੂੰ ਸੁਤੰਤਰ ਰੂਪ ਵਿੱਚ ਵਰਤਣ ਲਈ ਸੁਤੰਤਰ ਮਹਿਸੂਸ ਕਰੋ। CC0 1.0 Universal

ਆਰਟੀਫੀਸ਼ੀਅਲ ਲਰਨਿੰਗ ਇੰਟੈਲੀਜੈਂਸ ਸਿਸਟਮ: ALIS ਸੰਕਲਪ

ਇੱਥੇ, ਮੈਂ ਆਰਟੀਫੀਸ਼ੀਅਲ ਲਰਨਿੰਗ ਇੰਟੈਲੀਜੈਂਸ ਸਿਸਟਮ (ALIS) ਨੂੰ ਇਸਦੇ ਸੰਕਲਪ, ਸਿਧਾਂਤਾਂ, ਬੁਨਿਆਦੀ ਡਿਜ਼ਾਈਨ, ਅਤੇ ਵਿਕਾਸ ਵਿਧੀ ਦਾ ਵੇਰਵਾ ਦੇ ਕੇ ਸੰਗਠਿਤ ਕਰਨਾ ਚਾਹਾਂਗਾ।

ਸੰਕਲਪ

ਮੌਜੂਦਾ ਉਤਪਾਦਕ AI, ਮੁੱਖ ਤੌਰ 'ਤੇ ਵੱਡੇ ਭਾਸ਼ਾਈ ਮਾਡਲ, ਨਿਊਰਲ ਨੈੱਟਵਰਕ-ਆਧਾਰਿਤ ਨਿਰੀਖਣ ਕੀਤੀ ਸਿੱਖਿਆ 'ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਹੁੰਦੇ ਹਨ।

ਇੱਕ ਸਿੱਖਣ ਪ੍ਰਕਿਰਿਆ ਵਜੋਂ, ਅਸੀਂ ਇਸ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਸਿੱਖਿਆ ਨੂੰ ਜਨਮਜਾਤ ਸਿੱਖਿਆ ਵਜੋਂ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹਾਂ।

ALIS ਜਨਮਜਾਤ ਸਿੱਖਿਆ ਤੋਂ ਵੱਖਰੀ, ਇੱਕ ਪ੍ਰਾਪਤ ਸਿੱਖਿਆ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਦੀ ਹੈ, ਤਾਂ ਜੋ ਦੋਵੇਂ ਸਿੱਖਣ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਜੋੜਨ ਵਾਲੇ ਅਨੁਮਾਨ ਨੂੰ ਸਮਰੱਥ ਬਣਾਇਆ ਜਾ ਸਕੇ।

ਇਸ ਪ੍ਰਾਪਤ ਸਿੱਖਿਆ ਵਿੱਚ, ਸਿੱਖਿਆ ਗਿਆ ਗਿਆਨ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਤੋਂ ਬਾਹਰ ਇਕੱਠਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਅਨੁਮਾਨ ਦੌਰਾਨ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।

ਇਸ ਲਈ, ALIS ਦਾ ਤਕਨੀਕੀ ਮੁੱਖ ਹਿੱਸਾ ਅਨੁਮਾਨ ਦੌਰਾਨ ਦੁਬਾਰਾ ਵਰਤੋਂ ਯੋਗ ਗਿਆਨ ਦੇ ਨਿਕਾਸ, ਸਟੋਰੇਜ, ਅਤੇ ਚੋਣ ਤੇ ਵਰਤੋਂ ਵਿੱਚ ਹੈ।

ਇਸ ਤੋਂ ਇਲਾਵਾ, ALIS ਸਿਰਫ਼ ਇੱਕ ਇੱਕਲੀ ਮੁੱਢਲੀ ਤਕਨਾਲੋਜੀ ਨਹੀਂ ਹੈ, ਬਲਕਿ ਇੱਕ ਪ੍ਰਣਾਲੀ ਤਕਨਾਲੋਜੀ ਹੈ ਜੋ ਜਨਮਜਾਤ ਸਿੱਖਿਆ ਅਤੇ ਪ੍ਰਾਪਤ ਸਿੱਖਿਆ ਨੂੰ ਜੋੜਦੀ ਹੈ।

ਸਿੱਖਣ ਬੁੱਧੀ ਪ੍ਰਣਾਲੀ ਦੇ ਤੱਤ

ALIS ਇਸ ਸਿਧਾਂਤ ਦੇ ਅਧੀਨ ਕੰਮ ਕਰਦਾ ਹੈ ਕਿ ਮੌਜੂਦਾ ਜਨਮਜਾਤ ਸਿੱਖਿਆ ਅਤੇ ਭਵਿੱਖ ਵਿੱਚ ਵਿਚਾਰੀ ਗਈ ਪ੍ਰਾਪਤ ਸਿੱਖਿਆ ਦੋਵੇਂ ਸਿੱਖਣ ਅਤੇ ਅਨੁਮਾਨ ਦੇ ਇੱਕੋ ਜਿਹੇ ਫਰੇਮਵਰਕ ਦੀ ਪਾਲਣਾ ਕਰਦੇ ਹਨ।

ALIS ਵਿੱਚ ਸਿੱਖਣ ਦੇ ਸਿਧਾਂਤਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਲਈ, ਅਸੀਂ ਸਿੱਖਣ ਬੁੱਧੀ 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 ਲਗਾਉਂਦੀ ਹੈ ਅਤੇ ਸਿੱਖਣ ਲਈ ਗਿਆਨ ਕੱਢਦੀ ਹੈ।

ਵੱਡੇ ਭਾਸ਼ਾਈ ਮਾਡਲ (LLMs) ਅਤੇ ਮਨੁੱਖੀ ਦਿਮਾਗ ਦੇ ਹਿੱਸੇ ਬੁੱਧੀਮਾਨ ਪ੍ਰੋਸੈਸਰਾਂ ਦੀਆਂ ਮੁੱਖ ਉਦਾਹਰਣਾਂ ਹਨ।

ਦੂਜਾ ਗਿਆਨ ਸਟੋਰ ਹੈ। ਇਹ ਇੱਕ ਸਟੋਰੇਜ ਟਿਕਾਣਾ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਜਿੱਥੇ ਕੱਢੇ ਗਏ ਗਿਆਨ ਨੂੰ ਲੋੜ ਅਨੁਸਾਰ ਸੁਰੱਖਿਅਤ ਅਤੇ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

LLMs ਵਿੱਚ, ਗਿਆਨ ਸਟੋਰ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਦੇ ਮਾਪਦੰਡਾਂ 'ਤੇ ਅਧਾਰਤ ਹੁੰਦਾ ਹੈ। ਮਨੁੱਖਾਂ ਵਿੱਚ, ਇਹ ਦਿਮਾਗ ਵਿੱਚ ਲੰਬੀ-ਮਿਆਦੀ ਯਾਦਦਾਸ਼ਤ ਦੇ ਅਨੁਕੂਲ ਹੁੰਦਾ ਹੈ।

ਤੀਜਾ ਸੰਸਾਰ ਹੈ। ਇਹ ਇੱਕ ਸਿੱਖਣ ਬੁੱਧੀ ਪ੍ਰਣਾਲੀ, ਜਿਵੇਂ ਕਿ ਮਨੁੱਖਾਂ ਜਾਂ ALIS ਦੁਆਰਾ ਸਮਝੇ ਗਏ ਬਾਹਰੀ ਵਾਤਾਵਰਣ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।

ਮਨੁੱਖਾਂ ਲਈ, ਸੰਸਾਰ ਖੁਦ ਅਸਲੀਅਤ ਹੈ। LLMs ਦੇ ਮਾਮਲੇ ਵਿੱਚ, ਇੱਕ ਵਿਧੀ ਜੋ LLM ਤੋਂ ਆਉਟਪੁੱਟ ਪ੍ਰਾਪਤ ਕਰਦੀ ਹੈ ਅਤੇ ਇਸਨੂੰ ਫੀਡਬੈਕ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ, ਨੂੰ ਸੰਸਾਰ ਦੇ ਬਰਾਬਰ ਮੰਨਿਆ ਜਾ ਸਕਦਾ ਹੈ।

ਚੌਥਾ ਸਟੇਟ ਮੈਮੋਰੀ ਹੈ। ਇਹ ਇੱਕ ਅੰਦਰੂਨੀ ਅਸਥਾਈ ਮੈਮੋਰੀ-ਵਰਗੇ ਹਿੱਸੇ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਜੋ ਇੱਕ ਸਿੱਖਣ ਬੁੱਧੀ ਪ੍ਰਣਾਲੀ ਦੁਆਰਾ ਅਨੁਮਾਨ ਦੌਰਾਨ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।

LLMs ਵਿੱਚ, ਇਹ ਅਨੁਮਾਨ ਦੌਰਾਨ ਵਰਤੀ ਗਈ ਮੈਮੋਰੀ ਸਪੇਸ ਹੈ, ਜਿਸਨੂੰ ਲੁਕੇ ਹੋਏ ਰਾਜਾਂ ਵਜੋਂ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ। ਮਨੁੱਖਾਂ ਵਿੱਚ, ਇਹ ਛੋਟੀ-ਮਿਆਦੀ ਯਾਦਦਾਸ਼ਤ ਦੇ ਅਨੁਕੂਲ ਹੁੰਦਾ ਹੈ।

ਪੰਜਵਾਂ ਫਰੇਮਵਰਕ ਹੈ। ਇਹ, ਇਸ ਤਰ੍ਹਾਂ ਕਹਿਣਾ ਹੈ, ਇੱਕ ਸੋਚਣ ਦੀ ਬਣਤਰ। ਸਿੱਖਣ ਬੁੱਧੀ ਪ੍ਰਣਾਲੀਆਂ ਦੀ ਸ਼ਬਦਾਵਲੀ ਵਿੱਚ, ਇਹ ਅਨੁਮਾਨ ਦੌਰਾਨ ਲੋੜੀਂਦੇ ਗਿਆਨ ਦੀ ਚੋਣ ਕਰਨ ਦੇ ਮਾਪਦੰਡਾਂ ਅਤੇ ਸਟੇਟ ਮੈਮੋਰੀ ਨੂੰ ਵਿਵਸਥਿਤ ਕਰਨ ਲਈ ਇੱਕ ਤਰਕਸ਼ੀਲ ਸਟੇਟ ਸਪੇਸ ਬਣਤਰ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।

LLMs ਵਿੱਚ, ਇਹ ਲੁਕੇ ਹੋਏ ਰਾਜਾਂ ਦੀ ਸਿਮੈਂਟਿਕ ਬਣਤਰ ਹੈ, ਅਤੇ ਇਸਦੀ ਸਮੱਗਰੀ ਆਮ ਤੌਰ 'ਤੇ ਅਸਪਸ਼ਟ ਅਤੇ ਮਨੁੱਖਾਂ ਲਈ ਸਮਝ ਤੋਂ ਬਾਹਰ ਹੁੰਦੀ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਗਿਆਨ ਦੀ ਚੋਣ ਧਿਆਨ ਵਿਧੀ ਵਿੱਚ ਏਮਬੇਡ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਜੋ ਪ੍ਰਕਿਰਿਆ ਕੀਤੇ ਜਾ ਰਹੇ ਹਰੇਕ ਟੋਕਨ ਲਈ ਕਿਹੜੇ ਮੌਜੂਦਾ ਟੋਕਨਾਂ ਦਾ ਹਵਾਲਾ ਦੇਣਾ ਹੈ, ਦੀ ਚੋਣ ਕਰਦੀ ਹੈ।

ਮਨੁੱਖਾਂ ਵਿੱਚ, ਜਿਵੇਂ ਕਿ ਉੱਪਰ ਦੱਸਿਆ ਗਿਆ ਹੈ, ਇਹ ਇੱਕ ਸੋਚਣ ਦੀ ਬਣਤਰ ਹੈ। ਇੱਕ ਖਾਸ ਫਰੇਮਵਰਕ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸੋਚਦੇ ਸਮੇਂ, ਲੰਬੀ-ਮਿਆਦੀ ਯਾਦਦਾਸ਼ਤ ਤੋਂ ਇੱਕ ਖਾਸ ਗਿਆਨ-ਸਮੂਹ ਯਾਦ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਛੋਟੀ-ਮਿਆਦੀ ਯਾਦਦਾਸ਼ਤ ਵਿੱਚ ਲੋਡ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਫਿਰ, ਵਰਤਮਾਨ ਵਿੱਚ ਸਮਝੀ ਗਈ ਜਾਣਕਾਰੀ ਨੂੰ ਸਥਿਤੀ ਨੂੰ ਸਮਝਣ ਲਈ ਸੋਚਣ ਦੇ ਫਰੇਮਵਰਕ ਦੇ ਅਨੁਸਾਰ ਸੰਗਠਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

ਸਿੱਖਣ ਬੁੱਧੀ ਪ੍ਰਣਾਲੀ ਦੇ ਸਿਧਾਂਤ

ਇੱਕ ਸਿੱਖਣ ਬੁੱਧੀ ਪ੍ਰਣਾਲੀ ਹੇਠ ਲਿਖੇ ਅਨੁਸਾਰ ਕੰਮ ਕਰਦੀ ਹੈ:

ਇੱਕ ਬੁੱਧੀਮਾਨ ਪ੍ਰੋਸੈਸਰ ਸੰਸਾਰ 'ਤੇ ਕਾਰਵਾਈ ਕਰਦਾ ਹੈ। ਸੰਸਾਰ, ਇਸ ਕਾਰਵਾਈ ਦੇ ਜਵਾਬ ਵਿੱਚ, ਨਤੀਜੇ ਵਾਪਸ ਕਰਦਾ ਹੈ।

ਬੁੱਧੀਮਾਨ ਪ੍ਰੋਸੈਸਰ ਇਹਨਾਂ ਨਤੀਜਿਆਂ ਤੋਂ ਮੁੜ ਵਰਤੋਂ ਯੋਗ ਗਿਆਨ ਕੱਢਦਾ ਹੈ ਅਤੇ ਇਸਨੂੰ ਗਿਆਨ ਸਟੋਰ ਵਿੱਚ ਸਟੋਰ ਕਰਦਾ ਹੈ।

ਜਦੋਂ ਸੰਸਾਰ 'ਤੇ ਦੁਹਰਾਉਣ ਵਾਲੀਆਂ ਕਾਰਵਾਈਆਂ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ, ਤਾਂ ਬੁੱਧੀਮਾਨ ਪ੍ਰੋਸੈਸਰ ਗਿਆਨ ਸਟੋਰ ਤੋਂ ਗਿਆਨ ਚੁਣਦਾ ਹੈ ਅਤੇ ਆਪਣੀਆਂ ਕਾਰਵਾਈਆਂ ਨੂੰ ਸੋਧਣ ਲਈ ਇਸਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ।

ਇਹ ਬੁਨਿਆਦੀ ਵਿਧੀ ਹੈ।

ਹਾਲਾਂਕਿ, ਮੂਲ ਰੂਪ ਵਿੱਚ, ਗਿਆਨ ਨੂੰ ਕੱਢਣ, ਸਟੋਰ ਕਰਨ, ਚੁਣਨ ਅਤੇ ਵਰਤਣ ਦੇ ਤਰੀਕੇ ਇਹ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹਨ ਕਿ ਕੀ ਸਿਸਟਮ ਸਾਰਥਕ ਸਿੱਖਿਆ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦਾ ਹੈ।

ਮਨੁੱਖਾਂ ਕੋਲ ਅਜਿਹੇ ਵਿਧਾਨ ਹਨ ਜੋ ਇਸ ਗਿਆਨ ਨੂੰ ਕੱਢਣ, ਸਟੋਰ ਕਰਨ, ਚੁਣਨ ਅਤੇ ਵਰਤਣ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਸੰਭਾਲਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਉਹਨਾਂ ਨੂੰ ਸਿੱਖਣ ਦੇ ਯੋਗ ਬਣਾਇਆ ਜਾਂਦਾ ਹੈ।

ਨਿਊਰਲ ਨੈੱਟਵਰਕ, ਜਿਸ ਵਿੱਚ LLMs ਵੀ ਸ਼ਾਮਲ ਹਨ, ਉਹਨਾਂ ਦਾ ਕੱਢਣਾ ਬਾਹਰੀ ਅਧਿਆਪਕਾਂ ਦੁਆਰਾ ਸੰਭਾਲਿਆ ਜਾਂਦਾ ਹੈ, ਪਰ ਉਹਨਾਂ ਕੋਲ ਸਟੋਰੇਜ, ਚੋਣ ਅਤੇ ਵਰਤੋਂ ਲਈ ਵਿਧਾਨ ਮੌਜੂਦ ਹਨ। ਇਹ ਉਹਨਾਂ ਨੂੰ ਸਿੱਖਣ ਦੇ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ ਜਦੋਂ ਤੱਕ ਉਹਨਾਂ ਨੂੰ ਇੱਕ ਅਧਿਆਪਕ ਪ੍ਰਦਾਨ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇੱਕ ਸਿੱਖਣ ਬੁੱਧੀ ਪ੍ਰਣਾਲੀ ਫਰੇਮਵਰਕਾਂ ਦੇ ਨਿਕਾਸ, ਸਟੋਰੇਜ, ਅਤੇ ਚੋਣ, ਅਤੇ ਰਾਜ ਦੀ ਮੈਮੋਰੀ ਦੇ ਅੰਦਰ ਉਹਨਾਂ ਦੀ ਵਰਤੋਂ ਦੇ ਤਰੀਕਿਆਂ ਨੂੰ ਗਿਆਨ ਵਜੋਂ ਵੀ ਸਿੱਖ ਸਕਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਵਧੇਰੇ ਗੁੰਝਲਦਾਰ ਸਿੱਖਿਆ ਸੰਭਵ ਹੋ ਜਾਂਦੀ ਹੈ।

ਗਿਆਨ ਦੀਆਂ ਕਿਸਮਾਂ

ਇਹਨਾਂ ਸਿਧਾਂਤਾਂ ਦੇ ਆਧਾਰ 'ਤੇ, ਜਦੋਂ ਪ੍ਰਾਪਤ ਸਿੱਖਿਆ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਹ ਸਪੱਸ਼ਟ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੈ ਕਿ ਪ੍ਰਾਪਤ ਗਿਆਨ ਦਾ ਕੀ ਰੂਪ ਹੋਵੇਗਾ।

ਕੋਈ ਅਜਿਹਾ ਤਰੀਕਾ ਵਿਚਾਰ ਸਕਦਾ ਹੈ ਜਿੱਥੇ ਪ੍ਰਾਪਤ ਗਿਆਨ ਨੂੰ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਮਾਪਦੰਡਾਂ ਵਜੋਂ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਵੀ ਸਿੱਖਿਆ ਜਾਂਦਾ ਹੈ।

ਹਾਲਾਂਕਿ, ਪ੍ਰਾਪਤ ਗਿਆਨ ਨੂੰ ਸਿਰਫ਼ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਮਾਪਦੰਡਾਂ ਤੱਕ ਸੀਮਿਤ ਕਰਨ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ। ਇੱਕ ਵਿਹਾਰਕ ਉਮੀਦਵਾਰ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਵਿੱਚ ਲਿਖਿਆ ਗਿਆ ਗਿਆਨ ਹੈ।

ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਵਿੱਚ ਲਿਖੇ ਗਏ ਗਿਆਨ ਨੂੰ LLMs ਦੀਆਂ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ ਸਮਰੱਥਾਵਾਂ ਦਾ ਲਾਭ ਉਠਾ ਕੇ ਕੱਢਿਆ ਅਤੇ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਕਿਉਂਕਿ ਇਸਨੂੰ ਸਟੈਂਡਰਡ IT ਸਿਸਟਮਾਂ ਵਿੱਚ ਡੇਟਾ ਵਜੋਂ ਸੰਭਾਲਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਇਸ ਲਈ ਸਟੋਰੇਜ ਅਤੇ ਚੋਣ ਵੀ ਆਸਾਨ ਹੈ।

ਇਸ ਤੋਂ ਇਲਾਵਾ, ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਵਿੱਚ ਲਿਖੇ ਗਏ ਗਿਆਨ ਨੂੰ ਮਨੁੱਖਾਂ ਅਤੇ ਹੋਰ LLMs ਲਈ ਜਾਂਚਣਾ, ਸਮਝਣਾ, ਅਤੇ ਕੁਝ ਮਾਮਲਿਆਂ ਵਿੱਚ, ਇਸਦੀ ਸਮੱਗਰੀ ਨੂੰ ਸੰਪਾਦਿਤ ਕਰਨਾ ਵੀ ਆਸਾਨ ਹੈ।

ਇਸਨੂੰ ਹੋਰ ਸਿੱਖਣ ਵਾਲੀਆਂ ਬੁੱਧੀ ਪ੍ਰਣਾਲੀਆਂ ਨਾਲ ਸਾਂਝਾ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਮਿਲਾਇਆ ਜਾ ਸਕਦਾ ਹੈ, ਜਾਂ ਵੰਡਿਆ ਜਾ ਸਕਦਾ ਹੈ।

ਇਹਨਾਂ ਕਾਰਨਾਂ ਕਰਕੇ, ALIS ਸੰਕਲਪ ਵਿੱਚ ਪ੍ਰਾਪਤ ਗਿਆਨ ਨੂੰ ਸ਼ੁਰੂ ਵਿੱਚ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਵਿੱਚ ਲਿਖੇ ਗਏ ਗਿਆਨ ਨੂੰ ਨਿਸ਼ਾਨਾ ਬਣਾਉਣ ਲਈ ਡਿਜ਼ਾਈਨ ਕੀਤਾ ਜਾਵੇਗਾ।

ਪ੍ਰਾਪਤ ਸਟੇਟ ਮੈਮੋਰੀ ਅਤੇ ਫਰੇਮਵਰਕ

ਅਸੀਂ ਪ੍ਰਾਪਤ ਗਿਆਨ ਲਈ ਫਾਰਮੈਟ ਵਜੋਂ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਟੈਕਸਟ ਦੀ ਚੋਣ ਕਰਨ ਦੇ ਫਾਇਦਿਆਂ ਦੀ ਵਿਆਖਿਆ ਕੀਤੀ ਹੈ।

ਇਸੇ ਤਰ੍ਹਾਂ, ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਟੈਕਸਟ ਨੂੰ ਅਨੁਮਾਨ ਲਈ ਸਟੇਟ ਮੈਮੋਰੀ ਅਤੇ ਫਰੇਮਵਰਕਾਂ ਲਈ ਵੀ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ।

ਫਰੇਮਵਰਕ, ਸੰਕਲਪੀ ਬਣਤਰਾਂ ਵਜੋਂ, ਗਿਆਨ ਸਟੋਰ ਵਿੱਚ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਵਿੱਚ ਲਿਖੇ ਗਏ ਗਿਆਨ ਵਜੋਂ ਸਟੋਰ ਕੀਤੇ ਅਤੇ ਵਰਤੇ ਜਾ ਸਕਦੇ ਹਨ।

ਇੱਥੋਂ ਤੱਕ ਕਿ ਇੱਕ ਫਰੇਮਵਰਕ ਦੁਆਰਾ ਪਰਿਭਾਸ਼ਿਤ ਬਣਤਰ ਦੇ ਆਧਾਰ 'ਤੇ ਰਾਜਾਂ ਨੂੰ ਸ਼ੁਰੂ ਕਰਨ ਜਾਂ ਅੱਪਡੇਟ ਕਰਨ ਵੇਲੇ ਵੀ, ਟੈਕਸਟ-ਫਾਰਮੈਟ ਸਟੇਟ ਮੈਮੋਰੀ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ।

ਨਾ ਸਿਰਫ਼ ਪ੍ਰਾਪਤ ਗਿਆਨ ਬਲਕਿ ਫਰੇਮਵਰਕਾਂ ਅਤੇ ਸਟੇਟ ਮੈਮੋਰੀ ਨੂੰ ਵੀ ਟੈਕਸਟ ਫਾਰਮੈਟ ਵਿੱਚ ਡਿਜ਼ਾਈਨ ਕਰਕੇ, ALIS ਆਮ ਤੌਰ 'ਤੇ ਪ੍ਰਾਪਤ ਸਿੱਖਿਆ ਅਤੇ ਅਨੁਮਾਨ ਲਈ LLMs ਦੀਆਂ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ ਸਮਰੱਥਾਵਾਂ ਦਾ ਲਾਭ ਉਠਾ ਸਕਦਾ ਹੈ।

ਰਸਮੀ ਗਿਆਨ

ਪ੍ਰਾਪਤ ਗਿਆਨ, ਫਰੇਮਵਰਕ, ਅਤੇ ਸਟੇਟ ਮੈਮੋਰੀ ਨੂੰ ਸਿਰਫ਼ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਦੇ ਟੈਕਸਟ ਵਿੱਚ ਹੀ ਨਹੀਂ, ਬਲਕਿ ਵਧੇਰੇ ਸਖ਼ਤ ਰਸਮੀ ਭਾਸ਼ਾਵਾਂ ਜਾਂ ਰਸਮੀ ਮਾਡਲਾਂ ਵਿੱਚ ਵੀ ਪ੍ਰਗਟ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

ਹਾਲਾਂਕਿ ਮੈਂ "ਚੋਣ" ਲਿਖਿਆ ਹੈ, ALIS ਦਾ ਉਦੇਸ਼ ਜਨਮਜਾਤ ਅਤੇ ਪ੍ਰਾਪਤ ਸਿੱਖਿਆ ਦੀ ਹਾਈਬ੍ਰਿਡ ਵਰਤੋਂ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਣ ਲਈ ਕਈ ਵੱਖ-ਵੱਖ ਪ੍ਰਾਪਤ ਗਿਆਨ ਸਿੱਖਣ ਵਿਧੀਆਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨਾ ਹੈ।

ਰਸਮੀ ਭਾਸ਼ਾਵਾਂ ਜਾਂ ਰਸਮੀ ਮਾਡਲਾਂ ਦੁਆਰਾ ਪ੍ਰਸਤੁਤ ਗਿਆਨ ਨੂੰ ਵਧੇਰੇ ਸਹੀ ਅਤੇ ਅਸਪਸ਼ਟ ਬਣਾਇਆ ਜਾ ਸਕਦਾ ਹੈ।

ਇਸ ਤੋਂ ਇਲਾਵਾ, ਜੇਕਰ ਇੱਕ ਫਰੇਮਵਰਕ ਨੂੰ ਇੱਕ ਰਸਮੀ ਭਾਸ਼ਾ ਜਾਂ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪ੍ਰਗਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਸਥਿਤੀ ਨੂੰ ਸਟੇਟ ਮੈਮੋਰੀ ਵਿੱਚ ਖੋਲ੍ਹਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ LLM ਦੀ ਬਜਾਏ ਰਸਮੀ ਮਾਡਲਾਂ ਨੂੰ ਪ੍ਰੋਸੈਸ ਕਰਨ ਦੇ ਸਮਰੱਥ ਇੱਕ ਬੁੱਧੀਮਾਨ ਪ੍ਰੋਸੈਸਰ ਦੁਆਰਾ ਇੱਕ ਸਖ਼ਤ ਮਾਡਲ ਨਾਲ ਇੱਕ ਸਿਮੂਲੇਸ਼ਨ ਜਾਂ ਤਰਕਪੂਰਨ ਵਿਕਾਸ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

ਅਜਿਹੀਆਂ ਰਸਮੀ ਭਾਸ਼ਾਵਾਂ ਜਾਂ ਰਸਮੀ ਮਾਡਲਾਂ ਦੀ ਇੱਕ ਮੁੱਖ ਉਦਾਹਰਨ ਪ੍ਰੋਗਰਾਮਿੰਗ ਭਾਸ਼ਾਵਾਂ ਹਨ।

ਜਿਵੇਂ ਕਿ ਸਿਸਟਮ ਸੰਸਾਰ ਬਾਰੇ ਸਿੱਖਦਾ ਹੈ, ਜੇਕਰ ਇਹ ਇੱਕ ਫਰੇਮਵਰਕ ਵਿੱਚ ਇੱਕ ਪ੍ਰੋਗਰਾਮ ਵਜੋਂ ਇਸ ਵਿੱਚ ਪਾਏ ਗਏ ਨਿਯਮਾਂ ਅਤੇ ਸੰਕਲਪਾਂ ਨੂੰ ਪ੍ਰਗਟ ਕਰ ਸਕਦਾ ਹੈ, ਤਾਂ ਇਹ ਉਹਨਾਂ ਨੂੰ ਇੱਕ ਕੰਪਿਊਟਰ 'ਤੇ ਸਿਮੂਲੇਟ ਕਰ ਸਕਦਾ ਹੈ।

ਕਾਲਮ 1: ਗਿਆਨ ਦੀਆਂ ਕਿਸਮਾਂ

ਜਦੋਂ ਇੱਕ ਸਿੱਖਣ ਬੁੱਧੀ ਪ੍ਰਣਾਲੀ ਦੇ ਅੰਦਰ ਗਿਆਨ ਨੂੰ ਸੰਗਠਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਹ ਸਪੱਸ਼ਟ ਹੋ ਜਾਂਦਾ ਹੈ ਕਿ ਇਸਨੂੰ ਮੁੱਖ ਤੌਰ 'ਤੇ ਗਿਆਨ ਪ੍ਰਣਾਲੀਆਂ ਦੀਆਂ ਤਿੰਨ ਕਿਸਮਾਂ ਅਤੇ ਰਾਜ ਦੀਆਂ ਦੋ ਕਿਸਮਾਂ ਵਿੱਚ ਵੰਡਿਆ ਜਾ ਸਕਦਾ ਹੈ।

ਗਿਆਨ ਪ੍ਰਣਾਲੀਆਂ ਦੀਆਂ ਤਿੰਨ ਕਿਸਮਾਂ ਹਨ: ਨੈੱਟਵਰਕ ਪੈਰਾਮੀਟਰ ਗਿਆਨ, ਜੋ ਨਿਊਰਲ ਨੈੱਟਵਰਕਾਂ ਦੁਆਰਾ ਸੰਭਾਲਿਆ ਜਾਂਦਾ ਹੈ; ਕੁਦਰਤੀ ਗਿਆਨ, ਜੋ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਵਿੱਚ ਪ੍ਰਗਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ; ਅਤੇ ਰਸਮੀ ਗਿਆਨ, ਜੋ ਰਸਮੀ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ ਪ੍ਰਗਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

ਰਾਜ ਦੀਆਂ ਦੋ ਕਿਸਮਾਂ ਹਨ: ਸਟੇਟਲੈੱਸ ਅਤੇ ਸਟੇਟਫੁੱਲ।

ਸਟੇਟਲੈੱਸ ਨੈੱਟਵਰਕ ਪੈਰਾਮੀਟਰ ਗਿਆਨ ਇੱਕ ਅਨੁਭਵੀ ਗਿਆਨ ਹੈ, ਜਿਵੇਂ ਕਿ ਡੀਪ ਲਰਨਿੰਗ AI ਵਿੱਚ ਪਾਇਆ ਜਾਂਦਾ ਹੈ। ਬਿੱਲੀਆਂ ਅਤੇ ਕੁੱਤਿਆਂ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ, ਜਿਨ੍ਹਾਂ ਬਾਰੇ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਸੋਚਿਆ ਜਾਂ ਮੌਖਿਕ ਤੌਰ 'ਤੇ ਪਛਾਣਿਆ ਨਹੀਂ ਜਾ ਸਕਦਾ, ਉਹਨਾਂ ਨੂੰ ਸਟੇਟਲੈੱਸ ਨੈੱਟਵਰਕ ਪੈਰਾਮੀਟਰ ਗਿਆਨ ਵਜੋਂ ਸਿੱਖਿਆ ਜਾ ਸਕਦਾ ਹੈ।

ਸਟੇਟਫੁੱਲ ਨੈੱਟਵਰਕ ਪੈਰਾਮੀਟਰ ਗਿਆਨ ਉਹ ਗਿਆਨ ਹੈ ਜੋ ਧੁੰਦਲੀਆਂ, ਦੁਹਰਾਉਣ ਵਾਲੀਆਂ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੁਆਰਾ ਉੱਭਰਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਉਤਪਾਦਕ AI ਵਿੱਚ।

ਸਟੇਟਲੈੱਸ ਕੁਦਰਤੀ ਗਿਆਨ ਵਿਅਕਤੀਗਤ ਸ਼ਬਦਾਂ ਨਾਲ ਜੁੜੇ ਅਰਥਾਂ ਵਰਗਾ ਗਿਆਨ ਹੈ।

ਸਟੇਟਫੁੱਲ ਕੁਦਰਤੀ ਗਿਆਨ ਉਹ ਗਿਆਨ ਹੈ ਜਿਸ ਵਿੱਚ ਵਾਕਾਂ ਦੇ ਅੰਦਰ ਪ੍ਰਸੰਗ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ।

ਕੁਝ ਕੁਦਰਤੀ ਗਿਆਨ ਅੰਦਰੂਨੀ ਤੌਰ 'ਤੇ ਸਟੇਟਫੁੱਲ ਨੈੱਟਵਰਕ ਪੈਰਾਮੀਟਰ ਗਿਆਨ ਵਿੱਚ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ, ਪਰ ਅਜਿਹਾ ਗਿਆਨ ਵੀ ਹੁੰਦਾ ਹੈ ਜੋ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਟੈਕਸਟ ਤੋਂ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

ਸਟੇਟਲੈੱਸ ਰਸਮੀ ਗਿਆਨ ਉਹ ਗਿਆਨ ਹੈ ਜਿਸਨੂੰ ਦੁਹਰਾਅ ਤੋਂ ਬਿਨਾਂ ਗਣਿਤਿਕ ਫਾਰਮੂਲਿਆਂ ਵਿੱਚ ਪ੍ਰਗਟ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਸਟੇਟਫੁੱਲ ਰਸਮੀ ਗਿਆਨ ਉਹ ਗਿਆਨ ਹੈ ਜਿਸਨੂੰ ਇੱਕ ਪ੍ਰੋਗਰਾਮ ਵਜੋਂ ਪ੍ਰਗਟ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

ਕੁਦਰਤੀ ਗਿਆਨ ਅਤੇ ਰਸਮੀ ਗਿਆਨ ਲਈ ਸਟੇਟ ਮੈਮੋਰੀ ਵਜੋਂ ਕੋਈ ਵੀ ਆਪਣੀ ਛੋਟੀ-ਮਿਆਦੀ ਯਾਦਦਾਸ਼ਤ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦਾ ਹੈ।

ਹਾਲਾਂਕਿ, ਕਿਉਂਕਿ ਇਹ ਛੋਟੀ-ਮਿਆਦੀ ਯਾਦਦਾਸ਼ਤ ਹੈ, ਇਸ ਵਿੱਚ ਇੱਕ ਸਥਿਤੀ ਨੂੰ ਸਥਿਰਤਾ ਨਾਲ ਬਣਾਈ ਰੱਖਣਾ ਮੁਸ਼ਕਲ ਹੋਣ ਦੀ ਸਮੱਸਿਆ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਹ ਰਸਮੀ, ਅਸਪਸ਼ਟ ਰਾਜਾਂ ਨੂੰ ਸਥਿਰਤਾ ਨਾਲ ਰੱਖਣ ਵਿੱਚ ਨਿਪੁੰਨ ਨਹੀਂ ਹੈ।

ਦੂਜੇ ਪਾਸੇ, ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਟੈਕਸਟ, ਰਸਮੀ ਭਾਸ਼ਾਵਾਂ, ਜਾਂ ਰਸਮੀ ਮਾਡਲਾਂ ਨੂੰ ਲਿਖਣ ਜਾਂ ਸੰਪਾਦਿਤ ਕਰਨ ਲਈ ਸਟੇਟ ਮੈਮੋਰੀ ਵਜੋਂ ਕਾਗਜ਼, ਕੰਪਿਊਟਰ, ਅਤੇ ਸਮਾਰਟਫ਼ੋਨ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ।

ਆਮ ਤੌਰ 'ਤੇ, ਕਾਗਜ਼ ਜਾਂ ਕੰਪਿਊਟਰਾਂ 'ਤੇ ਡੇਟਾ ਨੂੰ ਅਕਸਰ ਗਿਆਨ ਨੂੰ ਯਾਦ ਕਰਨ ਲਈ ਇੱਕ ਗਿਆਨ ਸਟੋਰ ਵਜੋਂ ਸਮਝਿਆ ਜਾਂਦਾ ਹੈ, ਪਰ ਇਸਦੀ ਵਰਤੋਂ ਵਿਚਾਰਾਂ ਨੂੰ ਸੰਗਠਿਤ ਕਰਨ ਲਈ ਸਟੇਟ ਮੈਮੋਰੀ ਵਜੋਂ ਵੀ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ।

ਇਸ ਤਰ੍ਹਾਂ, ਇਹ ਸਪੱਸ਼ਟ ਹੈ ਕਿ ਮਨੁੱਖ ਇਹਨਾਂ ਤਿੰਨ ਗਿਆਨ ਪ੍ਰਣਾਲੀਆਂ ਅਤੇ ਰਾਜ ਦੀਆਂ ਦੋ ਕਿਸਮਾਂ ਦੀ ਪੂਰੀ ਵਰਤੋਂ ਕਰਕੇ ਬੌਧਿਕ ਗਤੀਵਿਧੀਆਂ ਕਰਦੇ ਹਨ।

ALIS, ਵੀ, ਇਹਨਾਂ ਤਿੰਨ ਗਿਆਨ ਪ੍ਰਣਾਲੀਆਂ ਅਤੇ ਰਾਜ ਦੀਆਂ ਦੋ ਕਿਸਮਾਂ ਦਾ ਲਾਭ ਉਠਾਉਣ ਵਾਲੀਆਂ ਬੌਧਿਕ ਗਤੀਵਿਧੀਆਂ ਨੂੰ ਸਮਰੱਥ ਬਣਾ ਕੇ ਅਤੇ ਮਜ਼ਬੂਤ ​​ਕਰਕੇ ਆਪਣੀਆਂ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਨਾਟਕੀ ਢੰਗ ਨਾਲ ਵਧਾਉਣ ਦੀ ਸਮਰੱਥਾ ਰੱਖਦਾ ਹੈ।

ਖਾਸ ਤੌਰ 'ਤੇ, ALIS ਕੋਲ ਵਿਸ਼ਾਲ ਗਿਆਨ ਭੰਡਾਰਾਂ ਅਤੇ ਸਟੇਟ ਮੈਮੋਰੀ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਤਾਕਤ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਹ ਉਹਨਾਂ ਵਿੱਚੋਂ ਬਹੁਤ ਸਾਰੇ ਤਿਆਰ ਕਰਕੇ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਬਦਲ ਕੇ ਜਾਂ ਜੋੜ ਕੇ ਬੌਧਿਕ ਕਾਰਜਾਂ ਨੂੰ ਆਸਾਨੀ ਨਾਲ ਕਰ ਸਕਦਾ ਹੈ।

ਕਾਲਮ 2: ਬੁੱਧੀਮਾਨ ਆਰਕੈਸਟਰੇਸ਼ਨ

ਹਾਲਾਂਕਿ ਇੱਕ ਗਿਆਨ ਸਟੋਰ ਵਿੱਚ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਗਿਆਨ ਇਕੱਠਾ ਕਰਨ ਦਾ ਇੱਕ ਫਾਇਦਾ ਹੈ, ਪਰ ਗਿਆਨ ਦੀ ਮਾਤਰਾ ਸਿਰਫ਼ ਬੌਧਿਕ ਗਤੀਵਿਧੀ ਵਿੱਚ ਫਾਇਦੇ ਵਿੱਚ ਨਹੀਂ ਬਦਲਦੀ ਕਿਉਂਕਿ ਇੱਕ ਉਤਪਾਦਕ AI ਇੱਕ ਵਾਰ ਵਿੱਚ ਪ੍ਰਕਿਰਿਆ ਕਰ ਸਕਣ ਵਾਲੇ ਟੋਕਨਾਂ ਦੀ ਸੰਖਿਆ 'ਤੇ ਸੀਮਾਵਾਂ ਹੁੰਦੀਆਂ ਹਨ ਅਤੇ ਅਸੰਬੰਧਿਤ ਗਿਆਨ ਦੁਆਰਾ ਪੈਦਾ ਹੋਏ ਸ਼ੋਰ ਕਾਰਨ।

ਇਸਦੇ ਉਲਟ, ਗਿਆਨ ਸਟੋਰ ਨੂੰ ਉਚਿਤ ਰੂਪ ਵਿੱਚ ਵੰਡ ਕੇ ਅਤੇ ਇਸਨੂੰ ਉੱਚ-ਘਣਤਾ ਵਾਲੇ ਵਿਸ਼ੇਸ਼ ਗਿਆਨ ਸਟੋਰਾਂ ਵਿੱਚ ਬਦਲ ਕੇ, ਹਰੇਕ ਵਿੱਚ ਇੱਕ ਖਾਸ ਬੌਧਿਕ ਕਾਰਜ ਲਈ ਜ਼ਰੂਰੀ ਗਿਆਨ ਸ਼ਾਮਲ ਕਰਕੇ, ਟੋਕਨ ਸੀਮਾਵਾਂ ਅਤੇ ਸ਼ੋਰ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਘੱਟ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

ਬਦਲੇ ਵਿੱਚ, ਹਰੇਕ ਵਿਸ਼ੇਸ਼ ਗਿਆਨ ਸਟੋਰ ਸਿਰਫ਼ ਇਸਦੇ ਨਿਰਧਾਰਤ ਬੌਧਿਕ ਕਾਰਜ ਲਈ ਹੀ ਵਰਤੋਂ ਯੋਗ ਬਣ ਜਾਂਦਾ ਹੈ।

ਬਹੁਤ ਸਾਰੀਆਂ ਬੌਧਿਕ ਗਤੀਵਿਧੀਆਂ ਵੱਖ-ਵੱਖ ਬੌਧਿਕ ਕਾਰਜਾਂ ਦੇ ਗੁੰਝਲਦਾਰ ਸੰਯੋਜਨ ਹਨ। ਇਸ ਲਈ, ਗਿਆਨ ਨੂੰ ਬੌਧਿਕ ਕਾਰਜ ਦੀ ਕਿਸਮ ਅਨੁਸਾਰ ਵਿਸ਼ੇਸ਼ ਗਿਆਨ ਸਟੋਰਾਂ ਵਿੱਚ ਵੰਡ ਕੇ ਅਤੇ ਬੌਧਿਕ ਗਤੀਵਿਧੀ ਨੂੰ ਵਿਅਕਤੀਗਤ ਕਾਰਜਾਂ ਵਿੱਚ ਵੰਡ ਕੇ, ALIS ਇਹਨਾਂ ਵਿਸ਼ੇਸ਼ ਗਿਆਨ ਸਟੋਰਾਂ ਵਿਚਕਾਰ ਉਚਿਤ ਰੂਪ ਵਿੱਚ ਬਦਲ ਕੇ ਪੂਰੀ ਬੌਧਿਕ ਗਤੀਵਿਧੀ ਨੂੰ ਪੂਰਾ ਕਰ ਸਕਦਾ ਹੈ।

ਇਹ ਇੱਕ ਆਰਕੈਸਟਰਾ ਦੇ ਸਮਾਨ ਹੈ, ਜੋ ਵੱਖ-ਵੱਖ ਯੰਤਰ ਵਜਾਉਣ ਵਾਲੇ ਪੇਸ਼ੇਵਰ ਸੰਗੀਤਕਾਰਾਂ ਅਤੇ ਸਮੂਹ ਦੀ ਅਗਵਾਈ ਕਰਨ ਵਾਲੇ ਇੱਕ ਕੰਡਕਟਰ ਤੋਂ ਬਣਿਆ ਹੁੰਦਾ ਹੈ।

ਇਸ ਸਿਸਟਮ ਤਕਨਾਲੋਜੀ, ਬੁੱਧੀਮਾਨ ਆਰਕੈਸਟਰੇਸ਼ਨ ਦੁਆਰਾ, ALIS ਆਪਣੀਆਂ ਬੌਧਿਕ ਗਤੀਵਿਧੀਆਂ ਨੂੰ ਸੰਗਠਿਤ ਕਰਨ ਦੇ ਯੋਗ ਹੋਵੇਗਾ।

ALIS ਬੁਨਿਆਦੀ ਡਿਜ਼ਾਈਨ ਅਤੇ ਵਿਕਾਸ ਵਿਧੀ

ਇੱਥੋਂ, ਅਸੀਂ ALIS ਦੇ ਵਿਕਾਸ ਨੂੰ ਸੰਗਠਿਤ ਕਰਾਂਗੇ।

ਜਿਵੇਂ ਕਿ ਸਿਧਾਂਤਾਂ ਅਤੇ ਕਾਲਮਾਂ ਵਿੱਚ ਪਹਿਲਾਂ ਹੀ ਚਰਚਾ ਕੀਤੀ ਜਾ ਚੁੱਕੀ ਹੈ, ALIS ਨੂੰ ਅੰਦਰੂਨੀ ਤੌਰ 'ਤੇ ਕਾਰਜਾਂ ਅਤੇ ਸਰੋਤਾਂ ਦੇ ਆਸਾਨ ਵਿਸਤਾਰ ਲਈ ਡਿਜ਼ਾਈਨ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਹ ਇਸ ਲਈ ਹੈ ਕਿਉਂਕਿ ALIS ਦਾ ਸਾਰ ਖਾਸ ਕਾਰਜਾਂ ਵਿੱਚ ਨਹੀਂ, ਬਲਕਿ ਗਿਆਨ ਨੂੰ ਕੱਢਣ, ਸਟੋਰ ਕਰਨ, ਚੁਣਨ, ਅਤੇ ਵਰਤਣ ਦੀਆਂ ਪ੍ਰਕਿਰਿਆਵਾਂ ਵਿੱਚ ਹੈ।

ਉਦਾਹਰਨ ਲਈ, ਕਈ ਕਿਸਮਾਂ ਦੇ ਗਿਆਨ ਕੱਢਣ ਦੀਆਂ ਵਿਧੀਆਂ ਪ੍ਰਦਾਨ ਕੀਤੀਆਂ ਜਾ ਸਕਦੀਆਂ ਹਨ, ਅਤੇ ਸਿਸਟਮ ਡਿਜ਼ਾਈਨ ਉਹਨਾਂ ਵਿੱਚੋਂ ਚੁਣਨ ਜਾਂ ਉਹਨਾਂ ਨੂੰ ਇੱਕੋ ਸਮੇਂ ਵਰਤਣ ਲਈ ਸੁਤੰਤਰ ਚੋਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ।

ਇਸ ਤੋਂ ਇਲਾਵਾ, ALIS ਖੁਦ ਇਸ ਚੋਣ ਨੂੰ ਕਰਨ ਲਈ ਬਣਾਇਆ ਜਾ ਸਕਦਾ ਹੈ।

ਇਸੇ ਤਰ੍ਹਾਂ, ਸਟੋਰੇਜ, ਚੋਣ, ਅਤੇ ਵਰਤੋਂ ਨੂੰ ਵੀ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਚੁਣਿਆ ਜਾਂ ਸਮਾਂਤਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

ਇਸ ਲਈ, ALIS ਨੂੰ ਪੂਰੀ ਕਾਰਜਸ਼ੀਲਤਾ ਨੂੰ ਇੱਕ ਵਾਟਰਫਾਲ ਤਰੀਕੇ ਨਾਲ ਡਿਜ਼ਾਈਨ ਕਰਨ ਦੀ ਲੋੜ ਤੋਂ ਬਿਨਾਂ, ਵਾਧੇ ਨਾਲ ਅਤੇ ਚੁਸਤੀ ਨਾਲ ਵਿਕਸਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

ALIS ਦੀ ਸ਼ੁਰੂਆਤ

ਹੁਣ, ਆਓ ਇੱਕ ਬਹੁਤ ਹੀ ਸਰਲ ALIS ਡਿਜ਼ਾਈਨ ਕਰੀਏ।

ਬੁਨਿਆਦੀ UI ਇੱਕ ਜਾਣਿਆ-ਪਛਾਣਿਆ ਚੈਟ AI ਹੋਵੇਗਾ। ਸ਼ੁਰੂ ਵਿੱਚ, ਉਪਭੋਗਤਾ ਇਨਪੁਟ ਸਿੱਧੇ LLM ਨੂੰ ਭੇਜਿਆ ਜਾਂਦਾ ਹੈ। LLM ਦਾ ਜਵਾਬ UI 'ਤੇ ਪ੍ਰਦਰਸ਼ਿਤ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਸਿਸਟਮ ਅਗਲੇ ਉਪਭੋਗਤਾ ਇਨਪੁਟ ਦੀ ਉਡੀਕ ਕਰਦਾ ਹੈ।

ਅਗਲਾ ਇਨਪੁਟ ਪ੍ਰਾਪਤ ਹੋਣ 'ਤੇ, LLM ਨੂੰ ਨਾ ਸਿਰਫ਼ ਨਵਾਂ ਇਨਪੁਟ ਪ੍ਰਦਾਨ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਬਲਕਿ ਉਪਭੋਗਤਾ ਅਤੇ LLM ਵਿਚਕਾਰ ਪੂਰਾ ਚੈਟ ਇਤਿਹਾਸ ਵੀ ਪ੍ਰਦਾਨ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

ਇਸ ਚੈਟ AI ਦੇ UI ਦੇ ਪਿੱਛੇ, ਚੈਟ ਇਤਿਹਾਸ ਤੋਂ ਮੁੜ ਵਰਤੋਂ ਯੋਗ ਗਿਆਨ ਕੱਢਣ ਲਈ ਇੱਕ ਵਿਧੀ ਤਿਆਰ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।

ਇਸ ਵਿਧੀ ਨੂੰ ਚੈਟ AI ਸਿਸਟਮ ਵਿੱਚ ਇੱਕ ਪ੍ਰਕਿਰਿਆ ਵਜੋਂ ਜੋੜਿਆ ਜਾ ਸਕਦਾ ਹੈ ਜੋ ਗੱਲਬਾਤ ਖਤਮ ਹੋਣ 'ਤੇ ਜਾਂ ਨਿਯਮਤ ਅੰਤਰਾਲਾਂ 'ਤੇ ਚੱਲਦੀ ਹੈ। ਬੇਸ਼ੱਕ, ਗਿਆਨ ਕੱਢਣ ਲਈ ਇੱਕ LLM ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।

ਇਸ LLM ਨੂੰ ALIS ਸੰਕਲਪ ਅਤੇ ਸਿਧਾਂਤਾਂ ਦੇ ਨਾਲ-ਨਾਲ ਗਿਆਨ ਕੱਢਣ ਦੀ ਜਾਣਕਾਰੀ ਇੱਕ ਸਿਸਟਮ ਪ੍ਰੋਂਪਟ ਵਜੋਂ ਪ੍ਰਦਾਨ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਜੇ ਗਿਆਨ ਇਰਾਦੇ ਅਨੁਸਾਰ ਨਹੀਂ ਕੱਢਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਸਿਸਟਮ ਪ੍ਰੋਂਪਟ ਨੂੰ ਅਜ਼ਮਾਇਸ਼ ਅਤੇ ਗਲਤੀ ਦੁਆਰਾ ਸੁਧਾਰਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।

ਚੈਟ ਇਤਿਹਾਸ ਤੋਂ ਕੱਢਿਆ ਗਿਆ ਗਿਆਨ ਸਿੱਧੇ ਇੱਕ ਗਿਆਨ ਲੇਕ ਵਿੱਚ ਸਟੋਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇੱਕ ਗਿਆਨ ਲੇਕ ਸਿਰਫ਼ ਗਿਆਨ ਨੂੰ ਢਾਂਚਾਗਤ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਇੱਕ ਸਮਤਲ ਸਥਿਤੀ ਵਿੱਚ ਸਟੋਰ ਕਰਨ ਲਈ ਇੱਕ ਵਿਧੀ ਹੈ।

ਅੱਗੇ, ਗਿਆਨ ਲੇਕ ਤੋਂ ਗਿਆਨ ਦੀ ਚੋਣ ਕਰਨਾ ਆਸਾਨ ਬਣਾਉਣ ਲਈ ਇੱਕ ਢਾਂਚਾਗਤ ਵਿਧੀ ਤਿਆਰ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।

ਇਸ ਵਿੱਚ ਸਿਮੈਂਟਿਕ ਖੋਜ ਲਈ ਇੱਕ ਏਮਬੇਡਿੰਗ ਵੈਕਟਰ ਸਟੋਰ ਪ੍ਰਦਾਨ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ, ਜਿਵੇਂ ਕਿ ਆਮ RAG ਵਿੱਚ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਕੀਵਰਡ ਇੰਡੈਕਸ।

ਹੋਰ ਸੰਭਾਵਨਾਵਾਂ ਵਿੱਚ ਵਧੇਰੇ ਉੱਨਤ ਗਿਆਨ ਗ੍ਰਾਫ਼ ਬਣਾਉਣਾ ਜਾਂ ਸ਼੍ਰੇਣੀ ਵਰਗੀਕਰਨ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ।

ਗਿਆਨ ਲੇਕ ਲਈ ਸੰਗਠਿਤ ਜਾਣਕਾਰੀ ਦੇ ਇਸ ਸੰਗ੍ਰਹਿ ਨੂੰ ਗਿਆਨ ਆਧਾਰ ਕਿਹਾ ਜਾਵੇਗਾ। ਇਹ ਪੂਰਾ ਗਿਆਨ ਆਧਾਰ ਅਤੇ ਗਿਆਨ ਲੇਕ ਗਿਆਨ ਸਟੋਰ ਦਾ ਗਠਨ ਕਰਨਗੇ।

ਅੱਗੇ, ਗਿਆਨ ਸਟੋਰ ਨੂੰ ਚੈਟ UI ਦੀ ਪ੍ਰੋਸੈਸਿੰਗ ਵਿੱਚ ਏਕੀਕ੍ਰਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

ਇਹ ਅਸਲ ਵਿੱਚ ਇੱਕ ਆਮ RAG ਵਿਧੀ ਦੇ ਸਮਾਨ ਹੈ। ਉਪਭੋਗਤਾ ਇਨਪੁਟ ਲਈ, ਸੰਬੰਧਿਤ ਗਿਆਨ ਗਿਆਨ ਸਟੋਰ ਤੋਂ ਚੁਣਿਆ ਜਾਂਦਾ ਹੈ ਅਤੇ ਉਪਭੋਗਤਾ ਇਨਪੁਟ ਦੇ ਨਾਲ LLM ਨੂੰ ਭੇਜਿਆ ਜਾਂਦਾ ਹੈ।

ਇਹ LLM ਨੂੰ ਉਪਭੋਗਤਾ ਇਨਪੁਟ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਦੇ ਸਮੇਂ ਗਿਆਨ ਨੂੰ ਸਵੈਚਾਲਤ ਤੌਰ 'ਤੇ ਵਰਤਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ।

ਇਸ ਤਰ੍ਹਾਂ, ਉਪਭੋਗਤਾ ਨਾਲ ਹਰੇਕ ਗੱਲਬਾਤ ਨਾਲ ਗਿਆਨ ਵਧਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਇੱਕ ਸਰਲ ALIS ਸੰਭਵ ਹੁੰਦਾ ਹੈ ਜੋ ਪਿਛਲੀਆਂ ਗੱਲਬਾਤਾਂ ਤੋਂ ਇਕੱਠੇ ਕੀਤੇ ਗਿਆਨ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ।

ਸਰਲ ਦ੍ਰਿਸ਼

ਉਦਾਹਰਨ ਲਈ, ਇੱਕ ਦ੍ਰਿਸ਼ ਦੀ ਕਲਪਨਾ ਕਰੋ ਜਿੱਥੇ ਇੱਕ ਉਪਭੋਗਤਾ ਇਸ ਸਰਲ ALIS ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ਵੈੱਬ ਐਪਲੀਕੇਸ਼ਨ ਵਿਕਸਤ ਕਰ ਰਿਹਾ ਹੈ।

ਉਪਭੋਗਤਾ ਰਿਪੋਰਟ ਕਰੇਗਾ ਕਿ LLM ਦੁਆਰਾ ਪ੍ਰਸਤਾਵਿਤ ਕੋਡ ਵਿੱਚ ਇੱਕ ਗਲਤੀ ਆਈ ਹੈ। ਫਿਰ, ਉਪਭੋਗਤਾ ਅਤੇ LLM ਸਮੱਸਿਆ ਦਾ ਨਿਵਾਰਨ ਕਰਨ ਲਈ ਸਹਿਯੋਗ ਕਰਨਗੇ। ਮੰਨ ਲਓ ਕਿ ਉਹਨਾਂ ਨੂੰ ਪਤਾ ਲੱਗਦਾ ਹੈ ਕਿ LLM ਨੂੰ ਜਿਸ ਬਾਹਰੀ API ਵਿਸ਼ੇਸ਼ਤਾ ਬਾਰੇ ਪਤਾ ਸੀ, ਉਹ ਪੁਰਾਣੀ ਹੋ ਚੁੱਕੀ ਸੀ, ਅਤੇ ਨਵੀਨਤਮ API ਵਿਸ਼ੇਸ਼ਤਾ ਨੂੰ ਅਪਣਾਉਣ ਨਾਲ ਸਮੱਸਿਆ ਹੱਲ ਹੋ ਗਈ।

ਇਸ ਸਥਿਤੀ ਵਿੱਚ, ਇਹ ਗਿਆਨ ਕਿ LLM ਦੀ API ਵਿਸ਼ੇਸ਼ਤਾ ਪੁਰਾਣੀ ਸੀ ਅਤੇ ਨਵੀਨਤਮ API ਵਿਸ਼ੇਸ਼ਤਾ ਕੀ ਹੈ, ਇਸ ਚੈਟ ਥਰਿੱਡ ਤੋਂ ਗਿਆਨ ਸਟੋਰ ਵਿੱਚ ਇਕੱਠਾ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

ਫਿਰ, ਅਗਲੀ ਵਾਰ ਜਦੋਂ ਉਹੀ API ਵਰਤਣ ਵਾਲਾ ਪ੍ਰੋਗਰਾਮ ਬਣਾਇਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ALIS ਇਸ ਗਿਆਨ ਦਾ ਲਾਭ ਉਠਾ ਕੇ ਸ਼ੁਰੂ ਤੋਂ ਹੀ ਨਵੀਨਤਮ API ਵਿਸ਼ੇਸ਼ਤਾ ਦੇ ਆਧਾਰ 'ਤੇ ਇੱਕ ਪ੍ਰੋਗਰਾਮ ਤਿਆਰ ਕਰ ਸਕੇਗਾ।

ਸ਼ੁਰੂਆਤੀ ALIS ਵਿੱਚ ਸੁਧਾਰ ਕਰਨਾ

ਹਾਲਾਂਕਿ, ਅਜਿਹਾ ਹੋਣ ਲਈ, ਇਸ ਗਿਆਨ ਨੂੰ ਉਪਭੋਗਤਾ ਇਨਪੁਟ ਦੇ ਜਵਾਬ ਵਿੱਚ ਚੁਣਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਇਹ ਗਿਆਨ ਉਪਭੋਗਤਾ ਦੇ ਇਨਪੁਟ ਨਾਲ ਸਿੱਧਾ ਜੁੜਿਆ ਨਾ ਹੋਵੇ, ਕਿਉਂਕਿ ਸਮੱਸਿਆ ਵਾਲੇ API ਦਾ ਨਾਮ ਸ਼ੁਰੂਆਤੀ ਉਪਭੋਗਤਾ ਇਨਪੁਟ ਵਿੱਚ ਦਿਖਾਈ ਨਹੀਂ ਦੇਵੇਗਾ।

ਅਜਿਹੇ ਮਾਮਲੇ ਵਿੱਚ, API ਦਾ ਨਾਮ ਸਿਰਫ਼ LLM ਦੇ ਜਵਾਬ ਵਿੱਚ ਪਹਿਲੀ ਵਾਰ ਉਭਰੇਗਾ।

ਇਸ ਲਈ, ਅਸੀਂ ਪੂਰਵ-ਜਾਂਚ ਟਿੱਪਣੀਆਂ ਅਤੇ ਪੋਸਟ-ਜਾਂਚ ਟਿੱਪਣੀਆਂ ਲਈ ਇੱਕ ਵਿਧੀ ਜੋੜ ਕੇ ਸਰਲ ALIS ਦਾ ਥੋੜ੍ਹਾ ਵਿਸਤਾਰ ਕਰਾਂਗੇ।

ਪੂਰਵ-ਜਾਂਚ ਟਿੱਪਣੀਆਂ LLMs ਵਿੱਚ ਹਾਲੀਆ "ਸੋਚਣ ਦੇ ਢੰਗ" ਦੇ ਸਮਾਨ ਹਨ। ਅਸੀਂ ਇੱਕ ਮੈਮੋਰੀ ਤਿਆਰ ਕਰਦੇ ਹਾਂ ਜੋ ਟੈਕਸਟ ਨੂੰ ਸਟੇਟ ਮੈਮੋਰੀ ਵਜੋਂ ਰੱਖ ਸਕਦੀ ਹੈ, ਅਤੇ LLM ਨੂੰ ਇੱਕ ਸਿਸਟਮ ਪ੍ਰੋਂਪਟ ਰਾਹੀਂ ਉਪਭੋਗਤਾ ਇਨਪੁਟ ਪ੍ਰਾਪਤ ਹੋਣ 'ਤੇ ਪੂਰਵ-ਜਾਂਚ ਟਿੱਪਣੀਆਂ ਕਰਨ ਲਈ ਨਿਰਦੇਸ਼ ਦਿੰਦੇ ਹਾਂ।

LLM ਦਾ ਪੂਰਵ-ਜਾਂਚ ਟਿੱਪਣੀ ਨਤੀਜਾ ਫਿਰ ਸਟੇਟ ਮੈਮੋਰੀ ਵਿੱਚ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਇਸ ਨਤੀਜੇ ਦੇ ਆਧਾਰ 'ਤੇ, ਗਿਆਨ ਸਟੋਰ ਤੋਂ ਗਿਆਨ ਚੁਣਿਆ ਜਾਂਦਾ ਹੈ।

ਫਿਰ, ਚੈਟ ਇਤਿਹਾਸ, ਪੂਰਵ-ਜਾਂਚ ਟਿੱਪਣੀ ਨਤੀਜਾ, ਉਪਭੋਗਤਾ ਇਨਪੁਟ ਨਾਲ ਸੰਬੰਧਿਤ ਗਿਆਨ, ਅਤੇ ਪੂਰਵ-ਜਾਂਚ ਟਿੱਪਣੀ ਨਤੀਜੇ ਨਾਲ ਸੰਬੰਧਿਤ ਗਿਆਨ LLM ਨੂੰ ਇਸਦਾ ਆਉਟਪੁੱਟ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਭੇਜਿਆ ਜਾਂਦਾ ਹੈ।

ਇਸ ਤੋਂ ਇਲਾਵਾ, LLM ਦੁਆਰਾ ਵਾਪਸ ਕੀਤੇ ਗਏ ਨਤੀਜੇ ਲਈ, ਗਿਆਨ ਸਟੋਰ ਵਿੱਚ ਗਿਆਨ ਦੀ ਖੋਜ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਉੱਥੇ ਪਾਏ ਗਏ ਕਿਸੇ ਵੀ ਗਿਆਨ ਨੂੰ ਸ਼ਾਮਲ ਕਰਦੇ ਹੋਏ, LLM ਨੂੰ ਫਿਰ ਪੋਸਟ-ਜਾਂਚ ਕਰਨ ਲਈ ਕਿਹਾ ਜਾਂਦਾ ਹੈ।

ਜੇਕਰ ਕੋਈ ਵੀ ਮੁੱਦਾ ਪਾਇਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਉਹਨਾਂ ਨੂੰ ਸਮੱਸਿਆ ਦੇ ਬਿੰਦੂਆਂ ਅਤੇ ਟਿੱਪਣੀਆਂ/ਫੀਡਬੈਕ ਦੇ ਕਾਰਨਾਂ ਸਮੇਤ ਚੈਟ LLM ਨੂੰ ਵਾਪਸ ਭੇਜਿਆ ਜਾਂਦਾ ਹੈ।

ਪੂਰਵ-ਜਾਂਚ ਟਿੱਪਣੀਆਂ ਅਤੇ ਪੋਸਟ-ਜਾਂਚ ਟਿੱਪਣੀਆਂ ਦੋਵਾਂ ਦੌਰਾਨ ਗਿਆਨ ਚੁਣਨ ਦੇ ਮੌਕੇ ਪ੍ਰਦਾਨ ਕਰਕੇ, ਅਸੀਂ ਇਕੱਠੇ ਕੀਤੇ ਗਿਆਨ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀਆਂ ਸੰਭਾਵਨਾਵਾਂ ਨੂੰ ਵਧਾ ਸਕਦੇ ਹਾਂ।

ਸੰਭਾਵਨਾਵਾਂ

ਸ਼ੁਰੂਆਤੀ ALIS ਬਣਾਉਣ ਅਤੇ ਇਸ ਦੀਆਂ ਕਮਜ਼ੋਰੀਆਂ ਨੂੰ ਦੂਰ ਕਰਨ ਲਈ ਸੁਧਾਰ ਜੋੜਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਬਿਲਕੁਲ ਚੁਸਤ ਵਿਕਾਸ ਹੈ, ਜੋ ਇਹ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ ALIS ਨੂੰ ਹੌਲੀ-ਹੌਲੀ ਵਧਾਇਆ ਜਾ ਸਕਦਾ ਹੈ।

ਇਸ ਤੋਂ ਇਲਾਵਾ, ਜਿਵੇਂ ਕਿ ਉਦਾਹਰਨ ਦਿੱਤੀ ਗਈ ਹੈ, ਸ਼ੁਰੂਆਤੀ ALIS ਸਾਫਟਵੇਅਰ ਵਿਕਾਸ ਵਿੱਚ ਵਰਤੋਂ ਲਈ ਸਭ ਤੋਂ ਢੁਕਵਾਂ ਹੈ। ਇਹ ਇਸ ਲਈ ਹੈ ਕਿਉਂਕਿ ਇਹ ਇੱਕ ਉੱਚ-ਮੰਗ ਵਾਲਾ ਖੇਤਰ ਹੈ ਅਤੇ ਇੱਕ ਅਜਿਹਾ ਖੇਤਰ ਹੈ ਜਿੱਥੇ ਗਿਆਨ ਨੂੰ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਇਕੱਠਾ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

ਇਹ ਇੱਕ ਅਜਿਹਾ ਡੋਮੇਨ ਹੈ ਜਿੱਥੇ ਨਤੀਜੇ ਅਸਪਸ਼ਟ ਹੁੰਦੇ ਹਨ, ਫਿਰ ਵੀ ਇਸਨੂੰ ਅਜ਼ਮਾਇਸ਼ ਅਤੇ ਗਲਤੀ, ਦੁਹਰਾਉਣ ਵਾਲੇ ਗਿਆਨ ਸੰਗ੍ਰਹਿ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਲਾਭ ਮਿਲਦਾ ਹੈ।

ਇਸ ਤੋਂ ਇਲਾਵਾ, ਕਿਉਂਕਿ ALIS ਦਾ ਵਿਕਾਸ ਖੁਦ ਸਾਫਟਵੇਅਰ ਵਿਕਾਸ ਹੈ, ਇਹ ਤੱਥ ਕਿ ALIS ਡਿਵੈਲਪਰ ਵੀ ALIS ਉਪਭੋਗਤਾ ਹੋ ਸਕਦੇ ਹਨ, ਇੱਕ ਆਕਰਸ਼ਕ ਪਹਿਲੂ ਹੈ।

ਇਸ ਤੋਂ ਇਲਾਵਾ, ALIS ਸਿਸਟਮ ਦੇ ਨਾਲ, ਗਿਆਨ ਲੇਕ ਨੂੰ GitHub ਵਰਗੇ ਪਲੇਟਫਾਰਮਾਂ 'ਤੇ ਖੁੱਲ੍ਹੇਆਮ ਸਾਂਝਾ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

ਇਹ ਬਹੁਤ ਸਾਰੇ ਵਿਅਕਤੀਆਂ ਨੂੰ ALIS ਸਿਸਟਮ ਦੇ ਸੁਧਾਰ ਅਤੇ ਗਿਆਨ ਦੇ ਸੰਗ੍ਰਹਿ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾਉਣ ਦੀ ਇਜਾਜ਼ਤ ਦੇਵੇਗਾ, ਜਿਸ ਨਾਲ ਹਰ ਕੋਈ ਲਾਭਾਂ ਦਾ ਆਨੰਦ ਮਾਣੇਗਾ ਅਤੇ ALIS ਵਿਕਾਸ ਨੂੰ ਕੁਸ਼ਲਤਾ ਨਾਲ ਹੋਰ ਤੇਜ਼ ਕਰੇਗਾ।

ਬੇਸ਼ੱਕ, ਗਿਆਨ ਸਾਂਝਾਕਰਨ ਸਿਰਫ਼ ALIS ਡਿਵੈਲਪਰਾਂ ਤੱਕ ਸੀਮਤ ਨਹੀਂ ਹੈ; ਇਸਨੂੰ ALIS ਦੀ ਵਰਤੋਂ ਕਰਨ ਵਾਲੇ ਸਾਰੇ ਸਾਫਟਵੇਅਰ ਡਿਵੈਲਪਰਾਂ ਤੋਂ ਇਕੱਤਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

ਗਿਆਨ ਦਾ ਕੁਦਰਤੀ ਭਾਸ਼ਾਈ ਸੁਭਾਅ ਦੋ ਵਾਧੂ ਫਾਇਦੇ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।

ਪਹਿਲਾ ਫਾਇਦਾ ਇਹ ਹੈ ਕਿ LLM ਮਾਡਲ ਬਦਲਣ ਜਾਂ ਅੱਪਡੇਟ ਹੋਣ 'ਤੇ ਵੀ ਗਿਆਨ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ।

ਦੂਜਾ ਫਾਇਦਾ ਇਹ ਹੈ ਕਿ ਵਿਸ਼ਾਲ ਸੰਚਿਤ ਗਿਆਨ ਲੇਕ ਨੂੰ LLM ਲਈ ਇੱਕ ਪ੍ਰੀ-ਟਰੇਨਿੰਗ ਡਾਟਾਸੈੱਟ ਵਜੋਂ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਇਸਦੀ ਵਰਤੋਂ ਕਰਨ ਦੇ ਦੋ ਤਰੀਕੇ ਹਨ: ਫਾਈਨ-ਟਿਊਨਿੰਗ ਵਜੋਂ, ਜਾਂ ਖੁਦ LLM ਪ੍ਰੀ-ਟਰੇਨਿੰਗ ਲਈ।

ਕਿਸੇ ਵੀ ਸਥਿਤੀ ਵਿੱਚ, ਜੇਕਰ ਇੱਕ LLM ਜੋ ਗਿਆਨ ਲੇਕ ਵਿੱਚ ਇਕੱਠੇ ਕੀਤੇ ਗਿਆਨ ਤੋਂ ਅੰਦਰੂਨੀ ਤੌਰ 'ਤੇ ਸਿੱਖਿਆ ਹੈ, ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਤਾਂ ਸਾਫਟਵੇਅਰ ਵਿਕਾਸ ਹੋਰ ਵੀ ਕੁਸ਼ਲ ਬਣ ਜਾਵੇਗਾ।

ਇਸ ਤੋਂ ਇਲਾਵਾ, ਸਾਫਟਵੇਅਰ ਵਿਕਾਸ ਵਿੱਚ ਲੋੜਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ, ਡਿਜ਼ਾਈਨ, ਲਾਗੂਕਰਨ, ਟੈਸਟਿੰਗ, ਸੰਚਾਲਨ, ਅਤੇ ਰੱਖ-ਰਖਾਅ ਵਰਗੀਆਂ ਕਈ ਪ੍ਰਕਿਰਿਆਵਾਂ ਸ਼ਾਮਲ ਹੁੰਦੀਆਂ ਹਨ। ਹਰੇਕ ਸਾਫਟਵੇਅਰ ਡੋਮੇਨ ਅਤੇ ਪਲੇਟਫਾਰਮ ਲਈ ਵਿਸ਼ੇਸ਼ ਗਿਆਨ ਵੀ ਮੌਜੂਦ ਹੁੰਦਾ ਹੈ। ਇਹਨਾਂ ਦ੍ਰਿਸ਼ਟੀਕੋਣਾਂ ਤੋਂ ਸੰਚਿਤ ਗਿਆਨ ਦੀ ਵਿਸ਼ਾਲ ਮਾਤਰਾ ਨੂੰ ਵੰਡਣ ਲਈ ਇੱਕ ਵਿਧੀ ਬਣਾ ਕੇ, ਇੱਕ ALIS ਆਰਕੈਸਟਰਾ ਦਾ ਗਠਨ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

ਇਸ ਤਰ੍ਹਾਂ, ALIS ਲਈ ਮੁੱਢਲੀਆਂ ਤਕਨਾਲੋਜੀਆਂ ਮੌਜੂਦ ਹਨ। ਬਾਕੀ ਬਚਿਆ ਮਹੱਤਵਪੂਰਨ ਕਦਮ ਇਹ ਹੈ ਕਿ ਗਿਆਨ ਕੱਢਣ ਦੀ ਜਾਣਕਾਰੀ, ਉਚਿਤ ਗਿਆਨ ਦੀ ਚੋਣ, ਵਿਸ਼ੇਸ਼ ਗਿਆਨ ਦਾ ਵਿਭਾਜਨ, ਅਤੇ ਸਟੇਟ ਮੈਮੋਰੀ ਦੀ ਵਰਤੋਂ ਵਰਗੀਆਂ ਵੱਖ-ਵੱਖ ਵਿਧੀਆਂ ਨਾਲ ਪ੍ਰੈਕਟੀਕਲ ਤੌਰ 'ਤੇ ਪ੍ਰਯੋਗ ਕਰਕੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਪਹੁੰਚਾਂ ਦੀ ਖੋਜ ਕੀਤੀ ਜਾਵੇ। ਜਿਵੇਂ-ਜਿਵੇਂ ਜਟਿਲਤਾ ਵਧਦੀ ਜਾਵੇਗੀ, ਪ੍ਰੋਸੈਸਿੰਗ ਸਮਾਂ ਅਤੇ LLM ਵਰਤੋਂ ਦੇ ਖਰਚੇ ਵੀ ਵਧਦੇ ਜਾਣਗੇ, ਜਿਸ ਲਈ ਅਨੁਕੂਲਤਾ ਜ਼ਰੂਰੀ ਹੋਵੇਗੀ।

ਇਹ ਅਜ਼ਮਾਇਸ਼ ਅਤੇ ਗਲਤੀ ਦੀਆਂ ਪ੍ਰਕਿਰਿਆਵਾਂ ਅਤੇ ਅਨੁਕੂਲਤਾਵਾਂ ਨੂੰ ਫਰੇਮਵਰਕਾਂ ਦੇ ਵਿਕਾਸ ਅਤੇ ਸੁਧਾਰ ਦੁਆਰਾ ਸਿੱਖਣ-ਮੁਖੀ ਤਰੀਕੇ ਨਾਲ ਅੱਗੇ ਵਧਾਇਆ ਜਾ ਸਕਦਾ ਹੈ।

ਸ਼ੁਰੂ ਵਿੱਚ, ਡਿਵੈਲਪਰ, ਉਪਭੋਗਤਾਵਾਂ ਵਜੋਂ, ਅਜ਼ਮਾਇਸ਼ ਅਤੇ ਗਲਤੀ ਦੁਆਰਾ ALIS ਵਿੱਚ ਫਰੇਮਵਰਕਾਂ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਨਗੇ। ਹਾਲਾਂਕਿ, ਉਸ ਸਮੇਂ ਵੀ, LLM ਖੁਦ ਫਰੇਮਵਰਕ ਵਿਚਾਰਾਂ ਨੂੰ ਬਣਾਉਣ ਦਾ ਕੰਮ ਕਰ ਸਕਦਾ ਹੈ।

ਫਿਰ, ਸੰਸਾਰ ਤੋਂ ਪ੍ਰਾਪਤ ਨਤੀਜਿਆਂ ਅਤੇ ਕੱਢੇ ਗਏ ਗਿਆਨ ਦੇ ਆਧਾਰ 'ਤੇ, ALIS ਵਿੱਚ ਫਰੇਮਵਰਕਾਂ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਅਤੇ ਖੋਜਣ ਲਈ ਇੱਕ ਫਰੇਮਵਰਕ ਸ਼ਾਮਲ ਕਰਕੇ, ALIS ਖੁਦ ਸਿੱਖਣ-ਮੁਖੀ ਤਰੀਕੇ ਨਾਲ ਅਜ਼ਮਾਇਸ਼ ਅਤੇ ਗਲਤੀ ਅਤੇ ਅਨੁਕੂਲਤਾ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰੇਗਾ।

ਅਸਲ ਸੰਸਾਰ ਵਿੱਚ ALIS

ਇੱਕ ਵਾਰ ਜਦੋਂ ALIS ਨੂੰ ਇਸ ਪੜਾਅ ਤੱਕ ਸੁਧਾਰਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਸਨੂੰ ਸਾਫਟਵੇਅਰ ਵਿਕਾਸ ਦੇ ਖੇਤਰ ਤੱਕ ਸੀਮਿਤ ਨਾ ਹੋ ਕੇ, ਵੱਖ-ਵੱਖ ਡੋਮੇਨਾਂ ਵਿੱਚ ਗਿਆਨ ਪ੍ਰਾਪਤ ਕਰਨ ਦੇ ਸਮਰੱਥ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ।

ਸਾਫਟਵੇਅਰ ਵਿਕਾਸ ਵਾਂਗ, ALIS ਤੋਂ ਉਮੀਦ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਕਿ ਉਹ ਕੰਪਿਊਟਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮਨੁੱਖਾਂ ਦੁਆਰਾ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਵੱਖ-ਵੱਖ ਬੌਧਿਕ ਗਤੀਵਿਧੀਆਂ ਲਈ ਆਪਣੀ ਵਰਤੋਂ ਦਾ ਘੇਰਾ ਵਧਾਏਗਾ।

ਅਜਿਹੀਆਂ ਸ਼ੁੱਧ ਬੌਧਿਕ ਗਤੀਵਿਧੀਆਂ ਵਿੱਚ ਵੀ, ALIS ਆਪਣੇ ਨਿਸ਼ਾਨੇ ਵਾਲੇ ਸੰਸਾਰ ਦੇ ਸਬੰਧ ਵਿੱਚ ਇੱਕ ਅੰਤਰਨਹਿਤ AI ਵਰਗੀ ਗੁਣਵੱਤਾ ਰੱਖੇਗਾ।

ਇਹ ਇਸ ਲਈ ਹੈ ਕਿਉਂਕਿ ਇਹ ਆਪਣੇ ਅਤੇ ਸੰਸਾਰ ਵਿਚਕਾਰਲੀ ਸੀਮਾ ਨੂੰ ਪਛਾਣਦਾ ਹੈ, ਉਸ ਸੀਮਾ ਰਾਹੀਂ ਸੰਸਾਰ 'ਤੇ ਕਾਰਵਾਈ ਕਰਦਾ ਹੈ, ਅਤੇ ਸੰਸਾਰ ਤੋਂ ਪ੍ਰਾਪਤ ਜਾਣਕਾਰੀ ਨੂੰ ਸਮਝ ਸਕਦਾ ਹੈ।

ਜਦੋਂ ਸੰਸਾਰ ਨਾਲ ਇਹ ਸੀਮਾ ਭੌਤਿਕ ਤੌਰ 'ਤੇ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ ਅਤੇ ਇੱਕ ਥਾਂ 'ਤੇ ਸਥਾਨਕ ਹੁੰਦੀ ਹੈ, ਤਾਂ ਅਸੀਂ ਆਮ ਤੌਰ 'ਤੇ ਇਸਨੂੰ ਇੱਕ ਸਰੀਰ ਕਹਿੰਦੇ ਹਾਂ।

ਹਾਲਾਂਕਿ, ਭਾਵੇਂ ਸੀਮਾ ਅਦਿੱਖ ਹੋਵੇ ਅਤੇ ਸਥਾਨਿਕ ਤੌਰ 'ਤੇ ਵੰਡੀ ਹੋਈ ਹੋਵੇ, ਇੱਕ ਸੀਮਾ ਰਾਹੀਂ ਧਾਰਨਾ ਅਤੇ ਕਾਰਵਾਈ ਦੀ ਬਣਤਰ ਉਹੀ ਰਹਿੰਦੀ ਹੈ ਜਿਵੇਂ ਇੱਕ ਭੌਤਿਕ ਸਰੀਰ ਹੋਣ 'ਤੇ ਹੁੰਦੀ ਹੈ।

ਇਸ ਅਰਥ ਵਿੱਚ, ਬੌਧਿਕ ਗਤੀਵਿਧੀਆਂ ਕਰਨ ਵਾਲੇ ALIS ਨੂੰ ਅਸਲ ਵਿੱਚ ਇੱਕ ਅੰਤਰਨਹਿਤ AI ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਰੱਖਣ ਵਾਲਾ ਮੰਨਿਆ ਜਾ ਸਕਦਾ ਹੈ।

ਅਤੇ, ਜੇ ALIS ਨੂੰ ਅਜਿਹੇ ਪੜਾਅ ਤੱਕ ਸੁਧਾਰਿਆ ਜਾਂਦਾ ਹੈ ਜਿੱਥੇ ਇਹ ਨਵੇਂ, ਅਣਜਾਣ ਸੰਸਾਰਾਂ ਵਿੱਚ ਵੀ ਢੁਕਵੇਂ ਢੰਗ ਨਾਲ ਸਿੱਖ ਸਕਦਾ ਹੈ, ਤਾਂ ਇਹ ਸੰਭਾਵਨਾ ਹੈ ਕਿ ALIS ਨੂੰ ਇੱਕ ਅਸਲ ਅੰਤਰਨਹਿਤ AI ਦੇ ਹਿੱਸੇ ਵਜੋਂ ਸ਼ਾਮਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਜਿਸਦਾ ਇੱਕ ਅਸਲ ਭੌਤਿਕ ਸਰੀਰ ਹੈ।

ਇਸ ਤਰ੍ਹਾਂ, ALIS ਅੰਤ ਵਿੱਚ ਅਸਲ ਸੰਸਾਰ 'ਤੇ ਲਾਗੂ ਹੋਵੇਗਾ ਅਤੇ ਇਸ ਤੋਂ ਸਿੱਖਣਾ ਸ਼ੁਰੂ ਕਰੇਗਾ।