AI এর সাথে অন্তর্নির্মিত ডেটা নিষ্কাশন যা “হ্যালুসিনেট করতে পারে না”

লেখক(রা): উমাইর আলী খান, পিএইচডি

মূলত টুওয়ার্ডস এআই-তে পোস্ট করা হয়েছে।

কীভাবে এআই সিদ্ধান্তের মডেলগুলি অসংগঠিত পাঠ্যকে সিদ্ধান্তে পরিণত করার জন্য একটি দ্রুত এবং সাশ্রয়ী পদ্ধতির প্রস্তাব দেয়

বেশিরভাগ সাংগঠনিক ডেটা অসংগঠিত, যেমন ঘটনার রিপোর্ট, সমর্থন টিকিট, রক্ষণাবেক্ষণ লগ, কল সেন্টার ট্রান্সক্রিপ্ট এবং গ্রাহক পর্যালোচনা।

ছবির উৎস: (লাইসেন্সপ্রাপ্ত)

কাগজটি ব্যাখ্যা করে যে কেন বৃহৎ ভাষার মডেল (এলএলএম) প্রায়ই “কাঠামোগত নিষ্কাশন” এর জন্য উপযুক্ত হয় যখন ডাউনস্ট্রিম প্রয়োজন একটি একক সীমিত সিদ্ধান্ত (যেমন, শ্রেণীবিভাগ, রাউটিং, স্কোরিং, বা ফিল্টারিং)। তিনি যুক্তি দেন যে এলএলএমগুলি এই কাজগুলির প্রতি খুব বেশি ওজনযুক্ত এবং উচ্চতর বিলম্ব, উচ্চ ব্যয় এবং অবিশ্বস্ত অনিশ্চয়তার অনুমান থেকে ভুগতে পারে৷ একটি বিকল্প হিসাবে, তিনি TypeSafe AI ডিসিশন মডেল (Jev) প্রবর্তন করেন এবং বর্ণনা করেন কিভাবে ডিসিশন মডেলগুলি ক্যালিব্রেটেড সম্ভাব্যতা সহ পূর্বনির্ধারিত সম্ভাবনার জায়গা থেকে টাইপ করা উত্তরগুলি ফেরত দেওয়ার জন্য ডিজাইন করা হয়েছে। অংশটি Jev-এর মূল উপাদান (রাষ্ট্র এবং প্রশ্ন) এবং এর সমর্থিত আউটপুট প্রকারগুলি (পছন্দ, স্কোর এবং নাল) বর্ণনা করে, তারপরে একটি উত্পাদন ইভেন্টের একটি বাস্তব উদাহরণের মধ্য দিয়ে যায় যা দেখায় যে কীভাবে অন্তর্নির্মিত সম্ভাব্য আউটপুটগুলি অনিশ্চিত ক্ষেত্রে মানুষের পর্যালোচনার সাথে অটোমেশন চালাতে পারে। অবশেষে, এটি স্পষ্ট করে যে সিদ্ধান্তের মডেলগুলি AI স্ট্যাকের মধ্যে কোথায় ফিট করে – সীমিত বিচার, বৃদ্ধি/নিরাপত্তা বাধা এবং বড় আকারের প্রক্রিয়াকরণের জন্য উপযোগী – তাদের সীমাবদ্ধতাগুলি লক্ষ্য করে (কোনও ইচ্ছাকৃত মান নিষ্কাশন নয়, এবং সেই সময়ে শুধুমাত্র পাঠ্য মোডের উপর নির্ভর করা) এবং LLM প্রতিস্থাপনের পরিবর্তে একটি ইন্টার্নশিপের মূল্যের উপর জোর দেওয়া।

মিডিয়াম বিনামূল্যে সম্পূর্ণ ব্লগ পড়ুন.

টুওয়ার্ডস এআই এর মাধ্যমে পোস্ট করা হয়েছে

Source link