Deep Interaction ડેવલપર્સને લેંગ્વેજ મોડલના રીઝનિંગ ચેઈન (તર્ક સાંકળ) ને તરત જ એડિટ કરવાની સુવિધા આપે છે, જેનાથી STEM સમસ્યાઓમાં સુધારાની સફળતામાં 25% થી વધુનો વધારો થાય છે અને ટોકન વપરાશમાં અંદાજે 40% નો ઘટાડો થાય છે.
હાલના સુધારાઓ કેમ અપૂરતા છે
ચેઈન-ઓફ-થોટ પ્રોમ્પટિંગનો ઉપયોગ કરતા લાર્જ લેંગ્વેજ મોડલ્સ (LLMs) જટિલ પ્રશ્નોને તાર્કિક પગલાંઓની શ્રેણીમાં વિભાજિત કરે છે. જ્યારે એક પગલું ખોટું પડે છે, ત્યારે ડેવલપર્સ સામાન્ય રીતે વાતચીત ફરીથી શરૂ કરે છે અથવા સુધારાત્મક પ્રોમ્પ્ટ ઉમેરે છે. આ બંને સમયનો બગાડ કરે છે: મોડલ ઘણીવાર ભૂલનું પુનરાવર્તન કરે છે અથવા કંઈપણ શીખ્યા વિના સામાન્ય માફી આપે છે. મોડલને ફરીથી સાચા માર્ગ પર લાવવા માટે ડેવલપર્સને ડઝનબંધ પ્રોમ્પ્ટ્સ મોકલવા પડે છે, જેનાથી ટોકન કાઉન્ટ અને કમ્પ્યુટ ખર્ચ વધે છે.
Deep Interaction શું અલગ રીતે કરે છે
આ નવી ટેકનિક મોડલના આઉટપુટને 'બ્લેક-બોક્સ' જવાબને બદલે એડિટેબલ ટેક્સ્ટ તરીકે ગણે છે. તેની કાર્યપ્રણાલી (workflow) આ મુજબ છે:
- ભૂલ શોધો – ડેવલપર રીઝનિંગ ચેઈનમાં કયું ચોક્કસ પગલું ખોટું છે તે ઓળખે છે.
- તે જ જગ્યાએ એડિટ કરો – ડેવલપર આસપાસના સાચા પગલાંઓને જાળવી રાખીને તે લાઇન ફરીથી લખે છે.
- એડિટનું નિષ્કર્ષણ કરો – સિસ્ટમ માનવ દ્વારા કરવામાં આવેલા સુધારાને એક સંક્ષિપ્ત પ્રોમ્પ્ટમાં રૂપાંતરિત કરે છે જે નિર્ધારિત તર્કને પકડી રાખે છે.
- મોડલને માર્ગદર્શન આપો – LLM આ સંક્ષિપ્ત પ્રોમ્પ્ટ મેળવે છે અને સુધારેલા બિંદુથી આગળનું તર્ક કરવાનું ચાલુ રાખે છે.
આખા પ્રોમ્પ્ટને ફરીથી મોકલવાને બદલે મોડલને માત્ર ચોક્કસ સુધારો આપવાથી જવાબના અગાઉના, પહેલેથી જ સાચા ભાગોને ફરીથી જનરેટ કરવાની જરૂર રહેતી નથી.
માપી શકાય તેવા ફાયદા
STEM કાર્યોના બેન્ચમાર્ક આ પ્રભાવ સ્પષ્ટ રીતે દર્શાવે છે. જ્યારે ડેવલપર્સે Deep Interaction નો ઉપયોગ કર્યો, ત્યારે પ્રમાણભૂત રી-પ્રોમ્પટિંગની સરખામણીમાં સફળતાપૂર્વક સુધારેલા જવાબોનું પ્રમાણ ચોથાં ભાગ કરતાં વધુ વધ્યું. સાથે જ, ટોકન વપરાશમાં લગભગ 40% નો ઘટાડો થયો, જેનાથી ક્લાઉડ-કમ્પ્યુટ બિલમાં ઘટાડો થયો અને ઇન્ટરેક્ટિવ એપ્લિકેશન્સની ઝડપ વધી.
કોને ફાયદો થશે
- ડેવલપર્સ – હવે અનંત પ્રોમ્પ્ટ-ટ્યુનિંગ લૂપ્સ લખવાની જરૂર નથી. એક જ એડિટ તાર્કિક ભૂલને સુધારી શકે છે, જેનાથી ઉચ્ચ-સ્તરના કામ માટે સમય બચે છે.
- વૈજ્ઞાનિક અથવા એન્જિનિયરિંગ સાધનો બનાવતી એન્ટરપ્રાઇઝ – વધુ વિશ્વસનીય તર્કનો અર્થ છે કે સિમ્યુલેશન, ગણતરી અથવા ડેટા-એનાલિસિસ પાઇપલાઇન્સમાં પછીના તબક્કાની ભૂલો ઓછી થશે.
- અંતિમ વપરાશકર્તાઓ – ઝડપી પ્રતિસાદ અને ઓછા સર્વિસ ફીથી AI-સંચાલિત આસિસ્ટન્ટનો એકંદર અનુભવ સુધરે છે.
મર્યાદાઓ અને વિરોધાભાસી મુદ્દાઓ
Deep Interaction એવું માની લે છે કે ડેવલપર ચોક્કસ તાર્કિક ખામીને ઓળખી શકે અને સમજાવી શકે. એવા ક્ષેત્રોમાં જ્યાં ભૂલ સૂક્ષ્મ હોય અથવા તર્ક અસ્પષ્ટ હોય, ત્યાં મેન્યુઅલ એડિટિંગ વ્યવહારુ ન પણ હોય. અહેવાલ મુજબના ફાયદા નિયંત્રિત STEM બેન્ચમાર્કમાંથી પણ આવ્યા છે.
નિષ્કર્ષ
Deep Interaction ડેવલપરને એક નિષ્ક્રિય વપરાશકર્તામાંથી સક્રિય શિક્ષક બનાવે છે, જે LLM તર્કનું ચોક્કસ અને ઓછા ખર્ચાળ સુધારા કરવાની મંજૂરી આપે છે.