AI ಬಳುವಾಗಿ ಒಂದು ಲ್ಯಾಪ್ಟಾಪ್ ಅನ್ನು ಶಿಫಾರಸು ಮಾಡಲು ಕೇಳಿ, ನಂತರ ನಿಮಗೆ ಅದಕ್ಕಿಂತ ಹಗುರವಾದದ್ದು ಬೇಕೆಂದು ತಿಳಿಸಿ. ಒಂದು ವೇಳೆ ಸಿಸ್ಟಮ್ ಆ ಎರಡನೇ ಸಂದೇಶವನ್ನು ಸ್ವತಂತ್ರ ವಿನಂತಿಯೆಂದು ಭಾವಿಸಿದರೆ, ನೀವು ಅಲ್ಟ್ರಾಬುಕ್ಗಳ ಪಟ್ಟಿಯನ್ನು ಪಡೆಯಬಹುದು. ಅಥವಾ ನೀವು ಮೊದಲ ಗುಂಪನ್ನು ತುಂಬಾ ಭಾರವಾಗಿದೆ ಎಂದು ತಿರಸ್ಕರಿಸಿದ್ದನ್ನು ಅದು ಗಮನಿಸದಿದ್ದರೆ, ನೀವು ಮತ್ತೊಮ್ಮೆ ಗೇಮಿಂಗ್ ವರ್ಕ್ಸ್ಟೇಷನ್ಗಳ ಪಟ್ಟಿಯನ್ನೇ ಪಡೆಯಬಹುದು. ಇದು ಹೀಗೆ ಸಂಭವಿಸುತ್ತದೆ ಏಕೆಂದರೆ ಅನೇಕ AI ಸಿಸ್ಟಮ್ಗಳು ಇಂದಿಗೂ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಕೇವಲ ಒಂದು ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ನೋಡುವುದರ ಮೂಲಕ ಶ್ರೇಣೀಕರಿಸುತ್ತವೆ. ಅವು ಸಂಭಾಷಣೆಯ ಮುಂದುವರಿದ ಕಥೆಯನ್ನು ನಿರ್ಲಕ್ಷಿಸಿ, ಪ್ರತಿಯೊಂದು ಸಂದೇಶವನ್ನು ಹೊಸ ಹುಡುಕಾಟದ ಆರಂಭದಂತೆ ಪರಿಗಣಿಸುತ್ತವೆ.
ಈ ವಿಧಾನವು ದೀರ್ಘ ಸಂಭಾಷಣೆಯ ಸೂಕ್ಷ್ಮತೆಯನ್ನು ಕಳೆದುಕೊಳ್ಳುತ್ತದೆ. ಮಾನವ ಸಂಭಾಷಣೆಯು ಹಂತ ಹಂತವಾಗಿ ಅರ್ಥವನ್ನು ನಿರ್ಮಿಸುತ್ತದೆ. ನೆನಪು, ಉದ್ದೇಶ ಮತ್ತು ಆದ್ಯತೆಗಳು ಮುಂದುವರಿಯುತ್ತವೆ ಎಂದು ನಾವು ಭಾವಿಸುತ್ತೇವೆ. AI ಇದನ್ನು ಮಾಡಲು ವಿಫಲವಾದಾಗ, ಅದು ಸಹಾಯಕನೊಂದಿಗೆ ಮಾತನಾಡುತ್ತಿರುವಂತೆ ಅನಿಸದೆ, ಪ್ರತಿ ಕ್ಲಿಕ್ ನಂತರ ಮರುಹೊಂದಿಕೆಯಾಗುವ (reset) ಸರ್ಚ್ ಬಾಕ್ಸ್ನಲ್ಲಿ ಪ್ರಶ್ನೆಗಳನ್ನು ಎಸೆಯುತ್ತಿರುವಂತೆ ಅನಿಸುತ್ತದೆ. ಇದನ್ನು ಸರಿಪಡಿಸಬೇಕೆಂದರೆ ನಾವು ಸಂಭವನೀಯ ಉತ್ತರಗಳನ್ನು ಶ್ರೇಣೀಕರಿಸುವ ವಿಧಾನವನ್ನು ಬದಲಾಯಿಸಬೇಕಾಗಿದೆ. ಈ ವಾಕ್ಯಕ್ಕೆ ಯಾವ ಪ್ರತಿಕ್ರಿಯೆ ಹೊಂದಿಕೆಯಾಗುತ್ತದೆ ಎಂದು ಕೇಳುವ ಬದಲು, ನಾವು ಚರ್ಚಿಸಿದ ಎಲ್ಲವನ್ನೂ ಗಮನದಲ್ಲಿಟ್ಟುಕೊಂಡು, ಈಗ ಈ ವ್ಯಕ್ತಿಗೆ ಯಾವ ಪ್ರತಿಕ್ರಿಯೆ ಹೊಂದಿಕೆಯಾಗುತ್ತದೆ ಎಂದು ಕೇಳಬೇಕಾಗಿದೆ.
ಅದನ್ನು ಸಾಧ್ಯವಾಗಿಸುವ ಎರಡು ವಿಷಯಗಳೆಂದರೆ: ವೈಯಕ್ತೀಕರಣ (personalization) ಮತ್ತು ಇತಿಹಾಸ (history).
ಏಕ-ಹಂತದ ಶ್ರೇಣೀಕರಣ (Single-Turn Ranking) ಏಕೆ ವಿಫಲವಾಗುತ್ತದೆ
ಸಾಂಪ್ರದಾಯಿಕ ಪ್ರತಿಕ್ರಿಯೆ ಶ್ರೇಣೀಕರಣವು ಪ್ರಶ್ನೋತ್ತರ ಡೇಟಾಸೆಟ್ಗಳಿಂದ ಹೊರಹೊಮ್ಮಿತು. ಒಂದು ಮಾಡೆಲ್ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ನೋಡುತ್ತದೆ, ಅಭ್ಯರ್ಥಿ ಉತ್ತರಗಳ ಗುಂಪನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ ಮತ್ತು ರ್ಯಾಂಕರ್ (ranker) ಪ್ರತಿಯೊಂದನ್ನು ಆ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಮಾತ್ರ ಆಧರಿಸಿ ಅಂಕ ಮಾಡುತ್ತದೆ. ಅತಿ ಹೆಚ್ಚು ಅಂಕ ಪಡೆದ ಅಭ್ಯರ್ಥಿ ಗೆಲ್ಲುತ್ತದೆ. ಇದು ಪ್ರತ್ಯೇಕ ಸತ್ಯಗಳಿಗಾಗಿ ಕೆಲಸ ಮಾಡುತ್ತದೆ. ಆದರೆ ಮುಂದುವರಿಯುತ್ತಿರುವ ಕೆಲಸಗಳಿಗೆ ಇದು ವಿಫಲವಾಗುತ್ತದೆ.
ಒಂದು ಬಳಕೆದಾರರು ಪ್ರವಾಸವನ್ನು ಯೋಜಿಸುತ್ತಿದ್ದಾರೆ ಎಂದು ಕಲ್ಪಿಸಿಕೊಳ್ಳಿ. ಮೊದಲ ಹಂತದಲ್ಲಿ, ಅವರು ಬ್ಯಾಂಕಾಕ್ನಲ್ಲಿ ಬಜೆಟ್ ಹೋಟೆಲ್ಗಳ ಬಗ್ಗೆ ಕೇಳುತ್ತಾರೆ. ಮಾಡೆಲ್ ಕಾವೊ ಸ್ಯಾನ್ ರಸ್ತೆಯ ಸಮೀಪವಿರುವ ಪಟ್ಟಿಯನ್ನು ಸೂಚಿಸುತ್ತದೆ. ಬಳಕೆದಾರರು, "ಅವು ಗದ್ದಲದಿಂದ ಕೂಡಿವೆ. ನನಗೆ ಮಕ್ಕಳಿರುವುದರಿಂದ, ಪೂಲ್ ಮತ್ತು ಸ್ಕೈಟ್ರೇನ್ಗೆ ಸುಲಭ ಪ್ರವೇಶ ಬೇಕು," ಎಂದು ಉತ್ತರಿಸುತ್ತಾರೆ. ಏಕ-ಹಂತದ ಶ್ರೇಣೀಕರಣವು ಎರಡನೇ ವಾಕ್ಯವನ್ನು ಮಾತ್ರ ನೋಡುತ್ತದೆ. ಇದು ಥೈಲ್ಯಾಂಡ್ನಾದ್ಯಂತ ಹರಡಿರುವ ಸಾಮಾನ್ಯ ಫ್ಯಾಮಿಲಿ ರಿಸೋರ್ಟ್ಗಳ ಪಟ್ಟಿಯನ್ನು ನೀಡಬಹುದು, ಆದರೆ ಈಗಾಗಲೇ ನಿರ್ಧರಿಸಲಾದ ನಿರ್ದಿಷ್ಟ ಮಿತಿಗಳನ್ನು: ಬ್ಯಾಂಕಾಕ್, ಬಜೆಟ್-ಕನ್ಶಸ್, ಶಾಂತವಾದ, ಪೂಲ್, ಸಾರಿಗೆಗೆ ಹತ್ತಿರ ಎಂಬ ಅಂಶಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸಬಹುದು.
ಇದರ ಪರಿಣಾಮ ತಾಂತ್ರಿಕವಾಗಿ ವಿಷಯಕ್ಕೆ ಸಂಬಂಧಿಸಿದ್ದಾಗಿರಬಹುದು ಆದರೆ ಪ್ರಾಯೋಗಿಕವಾಗಿ ಪ್ರಯೋಜನವಿಲ್ಲದಂತಾಗುತ್ತದೆ. ಬಳಕೆದಾರರು ಸಂದರ್ಭವನ್ನು (context) ಪುನರಾವರ್ತಿಸಬೇಕಾಗುತ್ತದೆ. ಇದರಿಂದ ಅಸಮಾಧಾನ ಹೆಚ್ಚಾಗುತ್ತದೆ ಮತ್ತು ನಂಬಿಕೆ ಕಡಿಮೆಯಾಗುತ್ತದೆ.
ವೈಯಕ್ತೀಕರಣ (Personalization): ಕೇಳುತ್ತಿರುವುದು ಯಾರು?
ವೈಯಕ್ತೀಕರಣ ಎಂದರೆ ಉತ್ತರಗಳನ್ನು ನಿರ್ದಿಷ್ಟ ಬಳಕೆದಾರರ ಆದ್ಯತೆಗಳು ಮತ್ತು ಡೇಟಾಕ್ಕೆ ಅನುಗುಣವಾಗಿ ರೂಪಿಸುವುದು ಎಂದರ್ಥ. ಇದು "ಈ ವ್ಯಕ್ತಿ ಯಾರು?" ಎಂಬ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸುತ್ತದೆ.
ಇದು ಕೇವಲ ಶುಭಾಶಯದಲ್ಲಿ ಹೆಸರನ್ನು ಸೇರಿಸುವುದನ್ನು ಮೀರಿಸುತ್ತದೆ. ಇದರರ್ಥ, ಬಳಕೆದಾರರಿಗೆ ಮಾಹಿತಿ ಹೇಗೆ ತಲುಪಬೇಕೆಂದು ಸಿಸ್ಟಮ್ಗೆ (explicit profiles ಅಥವಾ ಕಲಿತ ಮಾದರಿಗಳ ಮೂಲಕ) ತಿಳಿದಿರುತ್ತದೆ. ಒಬ್ಬ ಡೆವಲಪರ್ ಸತತವಾಗಿ Python ಉದಾಹರಣೆಗಳನ್ನು ಕೇಳುತ್ತಿದ್ದರೆ, ಅವರ ಪ್ರಶ್ನೆಯು ಸಾಮಾನ್ಯ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಕಾರ್ಯದ ಬಗ್ಗೆ ಇದ್ದರೂ ಸಹ, ಅವರು ಬೇರೆ ರೀತಿಯಲ್ಲಿ ತಿಳಿಸದ ಹೊರತು ಅವರಿಗೆ Python ಕೋಡ್ ಮಾದರಿಗಳೇ ಕಾಣಿಸಬೇಕು. ಕಳೆದ ವಾರ ಮಾಂಸಾಹಾರ ರಹಿತ ಅಡುಗೆಯನ್ನು ಕೇಳಿದ ಸಸ್ಯಾಹಾರಿ ಬಳಕೆದಾರರು, ಮಾಂಸವನ್ನು ಹೊರತುಪಡಿಸಲು ಸಿಸ್ಟಮ್ಗೆ ಮತ್ತೆ ನೆನಪಿಸುವ ಅಗತ್ಯವಿರಬಾರದು. ಗದ್ಯಕ್ಕಿಂತ (prose) ಸಂಕ್ಷಿಪ್ತ ಬುಲೆಟ್ ಪಾಯಿಂಟ್ಗಳನ್ನು ಇಷ್ಟಪಡುವವರಿಗೆ ಬುಲೆಟ್ ಪಾಯಿಂಟ್ಗಳೇ ಸಿಗಬೇಕು.
ನಿರ್ದಿಷ್ಟ ಸಂಕೇತಗಳಲ್ಲಿ ಸ್ವಯಂ-ವರದಿ ಮಾಡಿದ ಆದ್ಯತೆಗಳು, ಹಿಂದಿನ ಸೆಷನ್ಗಳ ನಡವಳಿಕೆ ಅಥವಾ ಸ್ಥಳ ಮತ್ತು ಸಾಧನದ ಪ್ರಕಾರದಂತಹ ಮೆಟಾಡೇಟಾ ಸೇರಬಹುದು. ಪ್ರಮುಖ ವಿಷಯವೆಂದರೆ ಈ ಸಂಕೇತಗಳು ಕೇವಲ ಜನರೇಟಿವ್ ಹಂತದಲ್ಲಿ ಮಾತ್ರವಲ್ಲದೆ, ಶ್ರೇಣೀಕರಣದ ಹಂತದಲ್ಲೂ (ranking stage) ಬಳಕೆಯಾಗಬೇಕು. ಅಭ್ಯರ್ಥಿ ಪ್ರತಿಕ್ರಿಯೆಗಳಿಗೆ ಅಂಕಗಳನ್ನು ನೀಡುವಾಗ, ರ್ಯಾಂಕರ್ ತಿಳಿದಿರುವ ಪ್ರೊಫೈಲ್ಗೆ ಹೊಂದಿಕೆಯಾಗುವ ಉತ್ತರಗಳಿಗೆ ಹೆಚ್ಚಿನ ಆದ್ಯತೆ ನೀಡಬೇಕು.
ಉದಾಹರಣೆಗೆ, ಎರಡು ಅಭ್ಯರ್ಥಿ ಪ್ರತಿಕ್ರಿಯೆಗಳು "ನನ್ನ ಫೋಟೋಗಳನ್ನು ಹೇಗೆ ಬ್ಯಾಕಪ್ ಮಾಡುವುದು?" ಎಂಬ ಪ್ರಶ್ನೆಗೆ ಸರಿಯಾಗಿ ಉತ್ತರಿಸುತ್ತಿದ್ದರೆ, ಆದರೆ ಒಂದು ಕ್ಲೌಡ್ ಸ್ಟೋರೇಜ್ ಅನ್ನು ಸೂಚಿಸಿದರೆ ಮತ್ತು ಇನ್ನೊಂದು ಲೋಕಲ್ NAS ಡ್ರೈವ್ ಅನ್ನು ಸೂಚಿಸಿದರೆ, ಈ ನಿರ್ದಿಷ್ಟ ಬಳಕೆದಾರರು ಈ ಹಿಂದೆ ಆಫ್ಲೈನ್ ಮಾಲೀಕತ್ವ ಮತ್ತು ಗೌಪ್ಯತೆಯಲ್ಲಿ ಆಸಕ್ತಿ ವ್ಯಕ್ತಪಡಿಸಿದ್ದಾರೆ ಎಂಬುದು ರ್ಯಾಂಕರ್ಗೆ ತಿಳಿದಿರಬೇಕು. ಆಗ NAS ಆಯ್ಕೆಗೆ ಹೆಚ್ಚಿನ ಅಂಕ ಸಿಗಬೇಕು. ವೈಯಕ್ತೀಕರಣವಿಲ್ಲದಿದ್ದರೆ, ಮಾಡೆಲ್ ಕೇವಲ ಯಾದೃಚ್ಛಿಕವಾಗಿ ನಿರ್ಧರಿಸುತ್ತದೆ.
ಇತಿಹಾಸ (History): ಈಗಾಗಲೇ ಏನು ಹೇಳಲಾಗಿದೆ?
ಇತಿಹಾಸ ಎಂದರೆ ಮುಂದಿನ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಮಾರ್ಗದರ್ಶನ ಮಾಡಲು ಸಂಭಾಷಣೆಯ ಹಿಂದಿನ ಹಂತಗಳನ್ನು ಬಳಸುವುದು ಎಂದರ್ಥ. ಇದು "ನಾವು ಈಗಾಗಲೇ ಏನನ್ನು ಸ್ಥಾಪಿಸಿದ್ದೇವೆ?" ಎಂಬ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸುತ್ತದೆ.
ಸರಳ ಸರ್ವನಾಮಗಳಿಗೂ (pronouns) ಇತಿಹಾಸದ ಅಗತ್ಯವಿದೆ. ಬಳಕೆದಾರರು, "ಅದನ್ನು ನೀಲಿ ಬಣ್ಣಕ್ಕೆ ಬದಲಾಯಿಸು," ಎಂದು ಹೇಳಿದಾಗ, "ಅದು" ಎಂದರೆ ಯಾವುದನ್ನು ಎಂದು ಮಾಡೆಲ್ಗೆ ತಿಳಿದಿರಬೇಕು. ಆ ಉಲ್ಲೇಖವು ಹಿಂದಿನ ಹಂತದಲ್ಲಿದೆ. ದೀರ್ಘ ಸಂಭಾಷಣೆಗಳಲ್ಲಿ, ಅವಲಂಬನೆಗಳು ಸಂಕೀರ್ಣವಾಗುತ್ತವೆ. ಮಿತಿಗಳು ಸಂಗ್ರಹವಾಗುತ್ತವೆ. ಬಳಕೆದಾರರು ಒಂದು ಆಯ್ಕೆಯನ್ನು ತಿರಸ್ಕರಿಸಬಹುದು, ವಿನಂತಿಯನ್ನು ವಿಧಿಸಬಹುದು ಅಥವಾ ಹೊಸ ಗುರಿಯನ್ನು ಪರಿಚಯಿಸಬಹುದು...