ನೀವು ಕಳೆದ ಮಂಗಳವಾರ ಬಳಸಿದ ಅದೇ ಚಾಟ್ ವಿಂಡೋವನ್ನು ತೆರೆಯುತ್ತೀರಿ, ಮತ್ತು AI ನೀವು ಎಲ್ಲಿ ಬಿಟ್ಟಿದ್ದೀರೋ ಅಲ್ಲಿಂದಲೇ ಮುಂದುವರಿಯುತ್ತದೆ. ಅದು ನಿಮ್ಮ ಹಿಂದಿನ ಸೂಚನೆಗಳನ್ನು ಉಲ್ಲೇಖಿಸುತ್ತದೆ, ನಿಮ್ಮ ವ್ಯಂಗ್ಯದ ಧಾಟಿಯನ್ನು ಅನುಕರಿಸುತ್ತದೆ ಮತ್ತು ನೀವು ಆ ವರದಿಯನ್ನು ಮುಗಿಸಿದ್ದೀರಾ ಎಂದು ಕೇಳುತ್ತದೆ. ಒಂದು ಕ್ಷಣ, ಇದು ನಿಜವಾಗಿಯೂ ಗಮನ ಹರಿಸುವ ಸಹೋದ್ಯೋಗಿಯೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುತ್ತಿರುವಂತೆ ಭಾಸವಾಗುತ್ತದೆ. ನಂತರ ನೀವು ಹೊಸ ಸಂಭಾಷಣೆಯನ್ನು ಪ್ರಾರಂಭಿಸಿದಾಗ, ಎಲ್ಲವೂ ಮಾಯವಾಗುತ್ತದೆ. ಧಾಟಿ ಸಪ್ಪೆಯಾಗುತ್ತದೆ. ಯೋಜನೆಯ ವಿವರಗಳು ಮಾಯವಾಗುತ್ತವೆ. ಅದು ನಿಮ್ಮನ್ನು ತಪ್ಪು ಹೆಸರಿನಿಂದ ಕರೆಯುತ್ತದೆ. ಏನಾಯಿತು?

ಯಂತ್ರವು ನಿಮ್ಮನ್ನು ಮರೆತಿಲ್ಲ. ಅದು ಆರಂಭದಿಂದಲೂ ನಿಮ್ಮನ್ನು ತಿಳಿದಿರಲಿಲ್ಲ.

ನೆನಪಿನ ಭ್ರಮೆ

ನಾವು ಎಲ್ಲೆಡೆ ನೆನಪನ್ನು ಕಾಣುವಂತೆ ವಿನ್ಯಾಸಗೊಂಡಿದ್ದೇವೆ. ಚಾಟ್‌ಬಾಟ್ ನೀವು ಸಂಕ್ಷಿಪ್ತ ಬುಲೆಟ್ ಪಾಯಿಂಟ್‌ಗಳನ್ನು ಇಷ್ಟಪಡುತ್ತೀರಿ ಅಥವಾ ನೀವು ಆರೋಗ್ಯ ರಕ್ಷಣಾ ಕ್ಷೇತ್ರದಲ್ಲಿ ಕೆಲಸ ಮಾಡುತ್ತೀರಿ ಎಂಬುದನ್ನು ನೆನಪಿಸಿಕೊಂಡಾಗ, ಅದು ಬಾರ್‌ಟೆಂಡರ್ ನಿಮ್ಮ ಸಾಮಾನ್ಯ ಆರ್ಡರ್ ಅನ್ನು ನೆನಪಿಸಿಕೊಂಡಾಗ ಉಂಟಾಗುವ ಅದೇ ಸಹಜ ಪ್ರವೃತ್ತಿಯನ್ನು ಪ್ರಚೋದಿಸುತ್ತದೆ. ಆದರೆ ಇದು ಜ್ಞಾನಾತ್ಮಕತೆಯಲ್ಲ, ಬದಲಾಗಿ ವಿನ್ಯಾಸದ ತಂತ್ರ. Large language models ನಿಮ್ಮ ಬಗ್ಗೆ ಇರುವ ಸತ್ಯಗಳನ್ನು ಅವುಗಳ weights ಒಳಗೆ ಸಂಗ್ರಹಿಸುವುದಿಲ್ಲ. ಅವುಗಳಿಗೆ ನಿಮ್ಮ ಸಂವಹನಗಳ ನಿರಂತರ ಡೈರಿಯಿಲ್ಲ. "User Preferences" ಎಂದು ಲೇಬಲ್ ಮಾಡಲಾದ ಫೋಲ್ಡರ್ ಅನ್ನು ಅವುಗಳ পক্ষে ನೋಡಲು ಸಾಧ್ಯವಿಲ್ಲ, ಏಕೆಂದರೆ ಅಂತಹ ಯಾವುದೇ ಫೋಲ್ಡರ್ ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲ.

ನೆನಪಿನಂತೆ ಕಾಣುವುದು ಕೇವಲ context window ನಲ್ಲಿರುವ ಪಠ್ಯವಾಗಿದೆ. ಮಾದರಿಯು ಇತ್ತೀಚಿನ ಚಾಟ್ ಇತಿಹಾಸ, ನಿಮ್ಮ ಪ್ರಸ್ತುತ ಪ್ರಾಂಪ್ಟ್ ಮತ್ತು ಡೆವಲಪರ್ ಸೇರಿಸಿದ ಯಾವುದೇ ಸಿಸ್ಟಮ್ ಸೂಚನೆಗಳನ್ನು ಓದುತ್ತದೆ. ಇದು ಎಲ್ಲವನ್ನೂ ಒಂದೇ ನೋಟದಲ್ಲಿ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುತ್ತದೆ, ಮುಂದಿನ ಪದವನ್ನು ಊಹಿಸುತ್ತದೆ ಮತ್ತು ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತದೆ. ಆ ಪಠ್ಯವು ಮಾಯವಾದಾಗ, "ನೆನಪು" ಕೂಡ ಮಾಯವಾಗುತ್ತದೆ. ಮಾದರಿಯು ತನ್ನ ಮೂಲ ನಡವಳಿಕೆಗೆ ಮರಳುತ್ತದೆ, ಅದು ಸಾಮಾನ್ಯವಾಗಿ ಆತ್ಮವಿಶ್ವಾಸದಿಂದ ಕೂಡಿದ, ಸಾಮಾನ್ಯ ಮತ್ತು ಸ್ವಲ್ಪ ಅತಿಯಾದ ಉತ್ಸಾಹಭರಿತವಾಗಿರುತ್ತದೆ. ಸಂದರ್ಭವು (context) ಬದಲಾದ ಕಾರಣವೇ ಹೊರತು AI ಗೆ ಅಮ್ನೇಷಿಯಾ ಬಂದಿದ್ದಕ್ಕಲ್ಲ, ಈ ಭ್ರಮೆ ಮುರಿದುಬೀಳುತ್ತದೆ.

AI ವಾಸ್ತವವಾಗಿ ಏನನ್ನು ಬಳಸುತ್ತದೆ

ನಿಮಗೆ ವಿಶ್ವಾಸಾರ್ಹ ಔಟ್‌ಪುಟ್ ಬೇಕಿದ್ದಲ್ಲಿ, ಮಾಹಿತಿ ವಾಸ್ತವವಾಗಿ ಎಲ್ಲಿಂದ ಬರುತ್ತದೆ ಎಂಬ ನಾಲ್ಕು ಸ್ಥಳಗಳನ್ನು ನೀವು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬೇಕಾಗುತ್ತದೆ:

  • Chat history: ನಿಮ್ಮ ಪ್ರಸ್ತುತ ಥ್ರೆಡ್‌ನಲ್ಲಿನ ಇತ್ತೀಚಿನ ಸಂಭಾಷಣೆಗಳು. ಇದು ತಾತ್ಕಾಲಿಕ. ಹೊಸ ಥ್ರೆಡ್ ಪ್ರಾರಂಭಿಸಿದರೆ ಇದು ಮಾಯವಾಗುತ್ತದೆ.
  • Specific instructions in the prompt: ನೀವು ಈಗ ಬಾಕ್ಸ್‌ನಲ್ಲಿ ಟೈಪ್ ಮಾಡುವ ಅಥವಾ ಪೇಸ್ಟ್ ಮಾಡುವ ಯಾವುದಾದರೂ ವಿಷಯ. ಇದು ನಿಯಂತ್ರಣದ ಅತ್ಯಂತ ನೇರ ರೂಪವಾಗಿದೆ.
  • Documents from a knowledge base: ಸಿಸ್ಟಮ್ ಹುಡುಕಬಲ್ಲ ಮತ್ತು ಪ್ರಾಂಪ್ಟ್‌ಗೆ ಸೇರಿಸಬಲ್ಲ ಫೈಲ್‌ಗಳು ಅಥವಾ ಡೇಟಾಬೇಸ್‌ಗಳು. ಇದಕ್ಕೆ retrieval ಹಂತದ ಅಗತ್ಯವಿದೆ ಮತ್ತು ಆ ಹಂತವು ಮೌನವಾಗಿ ವಿಫಲವಾಗಬಹುದು.
  • Data fetched from a workflow: API calls, ಡೇಟಾಬೇಸ್ ಲುಕ್‌ಅಪ್‌ಗಳು ಅಥವಾ ಥರ್ಡ್-ಪಾರ್ಟಿ ಆಪ್‌ಗಳಿಂದ ಸೇರಿಸಲಾದ ಮೆಮೊರಿ ಫೀಚರ್‌ಗಳು. ಇವು ಅವುಗಳನ್ನು ಸಂಪರ್ಕಿಸುವ ಕೋಡ್ ಎಷ್ಟು ಉತ್ತಮವಾಗಿದೆಯೋ ಅಷ್ಟೇ ಉತ್ತಮವಾಗಿರುತ್ತವೆ.

ಇವುಗಳಲ್ಲಿ ಯಾವುದೂ ನೈಸರ್ಗಿಕ ನೆನಪಲ್ಲ. ಇವು ಕೇವಲ plumbing ಇದ್ದಂತೆ. ಒಂದು ಪೈಪ್ ಸಂಪರ್ಕ ಕಡಿತಗೊಂಡರೆ ಅಥವಾ ತಪ್ಪು ದಾಖಲೆಯು ಪ್ರಾಂಪ್ಟ್‌ಗೆ ಸೇರ್ಪಡೆಯಾದರೆ, AI ನಿಮಗೆ ಎಚ್ಚರಿಕೆ ನೀಡುವುದಿಲ್ಲ. ಅದು ಕಂಡಿದ್ದನ್ನು ಬಳಸುತ್ತದೆ ಮತ್ತು ಅತ್ಯಂತ ನಯವಾದ, ನಂಬಲರ್ಹವಾದ ಆದರೆ ಸಂಪೂರ್ಣವಾಗಿ ತಪ್ಪಾದ ಉತ್ತರವನ್ನು ನೀಡುತ್ತದೆ.

ಸಂದರ್ಭವು ಮುರಿದುಬಿದ್ದಾಗ: ಒಂದು ನೈಜ ಉದಾಹರಣೆ

ಮಾರ್ಕೆಟಿಂಗ್ ತಂಡವೊಂದು ಗ್ರಾಹಕರ ಇಮೇಲ್‌ಗಳನ್ನು ಬರೆಯಲು AI ಅನ್ನು ಬಳಸುತ್ತಿದೆ ಎಂದು ಕಲ್ಪಿಸಿಕೊಳ್ಳಿ. ಸೋಮವಾರ, ಸಾರಾ ಒಂದು ಚಾಟ್ ಪ್ರಾರಂಭಿಸಿ ಒಂದು ಸಣ್ಣ ಸ್ಟೈಲ್ ಗೈಡ್ ಅನ್ನು ಪೇಸ್ಟ್ ಮಾಡುತ್ತಾರೆ: "ಶಾಂತವಾದ, ಸಂಯಮದ ಭಾಷೆಯನ್ನು ಬಳಸಿ. ಉದ್ಗಾರ್ಜನಾ ಚಿಹ್ನೆಗಳನ್ನು ತಪ್ಪಿಸಿ. ಕೇವಲ ಕಂಪನಿಯ ಹೆಸರಿನೊಂದಿಗೆ ಮುಕ್ತಾಯಗೊಳಿಸಿ." AI ಆ ಮಾರ್ಗದರ್ಶನವನ್ನು ಪರಿಪೂರ್ಣವಾಗಿ ಅನುಸರಿಸುತ್ತದೆ. ತಂಡವು ಆ ಡ್ರಾಫ್ಟ್‌ಗಳನ್ನು ಇಷ್ಟಪಡುತ್ತದೆ.

ಬುಧವಾರದಂದು, ಜೇಕ್ ಹೊಸ ಚಾಟ್ ತೆರೆಯುತ್ತಾನೆ. ಅವನು, "ಗ್ರಾಹಕರಿಗೆ ಫಾಲೋ-ಅಪ್ ಇಮೇಲ್‌ಗಳನ್ನು ಬರೆಯಿರಿ" ಎಂದು ಟೈಪ್ ಮಾಡುತ್ತಾನೆ. ಅವನು ಸ್ಟೈಲ್ ಗೈಡ್ ಅನ್ನು ಪೇಸ್ಟ್ ಮಾಡುವುದಿಲ್ಲ. ಯಾವುದೇ ವಿರುದ್ಧ ಸೂಚನೆಗಳನ್ನು ಕಾಣದ AI, ತನ್ನ ಡಿಫಾಲ್ಟ್ ಹೈ-ಎನರ್ಜಿ ಮಾರ್ಕೆಟಿಂಗ್ ಶೈಲಿಯನ್ನು ಬಳಸುತ್ತದೆ. ಉದ್ಗಾರ್ಜನಾ ಚಿಹ್ನೆಗಳು ತುಂಬಿರುತ್ತವೆ. ಅದು "Let's crush this!" ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ತಂಡವು ಬೇಸರಗೊಳ್ಳುತ್ತದೆ. "AI ಏಕೆ ಮರೆತುಹೋಯಿತು?" ಎಂದು ಅವರು ಕೇಳುತ್ತಾರೆ.

ಅದು ಮರೆತಿಲ್ಲ. ಮರೆಯಲು ಅಲ್ಲಿ ಏನೂ ಇರಲಿಲ್ಲ. ಜೇಕ್ ಹೊಸ context window ನಲ್ಲಿ ಸ್ಟೈಲ್ ಗೈಡ್ ಅನ್ನು ಸೇರಿಸಲು ವಿಫಲನಾದನು, ಮತ್ತು ಎರಡು ದಿನಗಳ ಹಿಂದೆ ಬೇರೆ ಸಂಭಾಷಣೆಯಲ್ಲಿ ತಂಡವು ಒಂದು ನಿಯಮವನ್ನು ರೂಪಿಸಿತ್ತು ಎಂಬುದು ಮಾದರಿಗೆ ತಿಳಿಯಲು ಸಾಧ್ಯವಿರಲಿಲ್ಲ. ಹತಾಶೆಯು ನಿಜವಾಗಿತ್ತು, ಆದರೆ ಕಾರಣ ಮಾನವೀಯವಾಗಿತ್ತೇ ಹೊರತು ಯಾಂತ್ರಿಕವಾಗಿರಲಿಲ್ಲ. ತಂಡವು ನಿರಂತರ ನೆನಪನ್ನು ನಿರೀಕ್ಷಿಸಿತ್ತು. ಆದರೆ ಈ ಸಾಧನವು ಕೇವಲ ತಾತ್ಕಾಲಿಕ ಸ್ಕ್ರ್ಯಾಚ್‌ಪ್ಯಾಡ್ ಅನ್ನು ಮಾತ್ರ ಒದಗಿಸಿತ್ತು.

ನಿಜವಾದ ಪರೀಕ್ಷೆ: ಯಂತ್ರವು ಏನನ್ನು ನೋಡುತ್ತಿದೆಯೋ ಅದನ್ನು ಪರಿಶೀಲಿಸಿ

ನಿಮ್ಮ ಫಲಿತಾಂಶಗಳನ್ನು ಸುಧಾರಿಸುವ ಅತ್ಯಂತ ವೇಗವಾದ ಮಾರ್ಗವೆಂದರೆ, "AI ಇದನ್ನು ನೆನಪಿಟ್ಟುಕೊಳ್ಳುತ್ತದೆಯೇ?" ಎಂದು ಕೇಳುವುದನ್ನು ನಿಲ್ಲಿಸಿ ಮತ್ತು "ಅದು ಈಗ ವಾಸ್ತವವಾಗಿ ಯಾವ ಸಂದರ್ಭವನ್ನು ಪಡೆಯುತ್ತಿದೆ?" ಎಂದು ಕೇಳಲು ಪ್ರಾರಂಭಿಸುವುದು. ನಿಮ್ಮ ಸೆಟಪ್ ಅನ್ನು ಈ ಮೂರು ಪ್ರಶ್ನೆಗಳ ಮೂಲಕ ಪರೀಕ್ಷಿಸಿ:

AI ಪ್ರತಿ ಬಾರಿಯೂ ಏನನ್ನು ತಿಳಿಯಬೇಕಾಗುತ್ತದೆ? ಇದು ನಿಮ್ಮ ಅನಿವಾರ್ಯ ಸಂದರ್ಭ (non-negotiable context). ಬ್ರ್ಯಾಂಡ್ ಧ್ವನಿ, ಸುರಕ್ಷತಾ ನೀತಿಗಳು, ಔಟ್‌ಪುಟ್ ಫಾರ್ಮ್ಯಾಟ್‌ಗಳು, ಅನುಸರಣೆಯ ನಿರ್ಬಂಧಗಳು. ಇದು ನಿರ್ಣಾಯಕವಾಗಿದ್ದರೆ, ಅದು ಮೂರು ವಾರಗಳ ಹಿಂದಿನ ಚಾಟ್ ಥ್ರೆಡ್‌ನಲ್ಲಿರಬಾರದು, ಬದಲಾಗಿ ಪ್ರತಿಯೊಂದು ಸಂಬಂಧಿತ ಪ್ರಾಂಪ್ಟ್‌ಗೆ ಸೇರಿಸಲಾಗುವ ಒಂದು ರೆಫರೆನ್ಸ್ ಡಾಕ್ಯುಮೆಂಟ್‌ನಲ್ಲಿರಬೇಕು.

ನಂತರದ ಬಳಕೆಗಾಗಿ ನೀವು ಏನನ್ನು ಸಂಗ್ರಹಿಸಬಹುದು? ಹಳೆಯ ಯೋಜನೆಯ ಟಿಪ್ಪಣಿಗಳು, ಉತ್ಪನ್ನದ ವಿವರಣೆಗಳು ಅಥವಾ ಹಿಂದಿನ ಸಂಶೋಧನೆಗಳನ್ನು ಒಂದು ರಚನಾತ್ಮಕ ಫೈಲ್ ಅಥವಾ ಡೇಟಾಬೇಸ್‌ನಲ್ಲಿ ಇರಿಸಬಹುದು. ಆದರೆ ಕೇವಲ ಸಂಗ್ರಹಣೆ ಸಾಕಾಗುವುದಿಲ್ಲ. ಸಿಸ್ಟಮ್ ಆ ಸಂಗ್ರಹಣೆಯ ಯಾವ ಭಾಗವನ್ನು ಸಂಭಾಷಣೆಗೆ ತರಬೇಕೆಂದು ಹೇಗೆ ನಿರ್ಧರಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ನೀವು ನಿಖರವಾಗಿ ತಿಳಿಯಬೇಕು. ಒಂದು ವೇಳೆ retrieval ಎಂಬುದು ಕೀವರ್ಡ್ ಮ್ಯಾಚ್ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದ್ದರೆ, ನಿಮ್ಮ ಪ್ರಾಂಪ್ಟ್‌ನಲ್ಲಿ ಸ್ವಲ್ಪ ವಿಭಿನ್ನ ಪದಗಳನ್ನು ಬಳಸಿದರೂ ಅದು ತಪ್ಪು ಪುಟವನ್ನು ತರಬಹುದು.

ಒಬ್ಬ ವ್ಯಕ್ತಿಯು ಏನನ್ನು ಮ್ಯಾನುಯಲ್ ಆಗಿ ಪರಿಶೀಲಿಸಬೇಕು? ತಪ್ಪುಗಳ ಬೆಲೆ ಹೆಚ್ಚಿದ್ದಾಗ—ಹಣಕಾಸಿನ ಅಂಕಿಅಂಶಗಳು, ವೈದ್ಯಕೀಯ ಸಾರಾಂಶಗಳು, ಕಾನೂನು ಭಾಷೆ, ಗ್ರಾಹಕರಿಗೆ ನೀಡುವ ಪ್ರಕಟಣೆಗಳು—ಪೈಪ್‌ಲೈನ್ ಅನ್ನು ಕುರುಡಾಗಿ ನಂಬಬೇಡಿ. AI ಸರಿಯಾದ ದಾಖಲೆಯ ಆವೃತ್ತಿಯನ್ನು ಬಳಸಿದೆಯೇ ಮತ್ತು ಅದರ ಔಟ್‌ಪುಟ್ ನೈಜ ಪ್ರಪಂಚದಲ್ಲಿ ಅರ್ಥವಾಗುವಂತಿದೆಯೇ ಎಂಬುದನ್ನು ಒಬ್ಬ ಮನುಷ್ಯ ಪರಿಶೀಲಿಸಬೇಕಾಗುತ್ತದೆ. ಅದು ಕೇವಲ ಕಳೆದ ವರ್ಷದ ಬೆಲೆ ಪಟ್ಟಿಯನ್ನು ಉಲ್ಲೇಖಿಸಿದೆ ಎಂದು ನಿಮಗೆ ಹೇಳಲು ಸಾಧ್ಯವಿಲ್ಲ. ನೀವು ಪ್ರಾಂಪ್ಟ್‌ನಲ್ಲಿ ತಿಳಿಸದ ಹೊರತು ಈಗ ಯಾವ ವರ್ಷ ಎಂದು ಅದಕ್ಕೆ ತಿಳಿದಿರುವುದಿಲ್ಲ.

ಸಂದರ್ಭಕ್ಕೆ ಆದ್ಯತೆ ನೀಡುವ ವರ್ಕ್‌ಫ್ಲೋವನ್ನು (Workflow) ನಿರ್ಮಿಸುವುದು

ವಿಶ್ವಾಸಾರ್ಹ AI ಕೆಲಸ ಎಂದರೆ ಹೆಚ್ಚಾಗಿ ಉತ್ತಮ ಮಾಹಿತಿ ಆರ್ಕಿಟೆಕ್ಚರ್ (Information Architecture). ಅದನ್ನು ನಿರ್ಮಿಸುವುದು ಹೇಗೆ ಎಂಬುದು ಇಲ್ಲಿದೆ.

ನಿಮ್ಮ ಸ್ಥಿರ ನಿಯಮಗಳನ್ನು ಒಂದು ರೆಫರೆನ್ಸ್ ದಾಖಲೆಯಲ್ಲಿ ಇರಿಸಿ. ಇದು ನಿಮ್ಮ ಏಕೈಕ ಸತ್ಯದ ಮೂಲ (single source of truth). ನಿಯಮಗಳು ಬದಲಾದಾಗ, ಈ ಒಂದು ಫೈಲ್ ಅನ್ನು ಮಾತ್ರ ಎಡಿಟ್ ಮಾಡಿ. ಸೂಚನೆಗಳನ್ನು ಡಜನ್ಗಟ್ಟಲೆ ಚಾಟ್ ಥ್ರೆಡ್‌ಗಳಲ್ಲಿ ಹರಡಬೇಡಿ.

ಆ ದಾಖಲೆಯ ಸಂಬಂಧಿತ ಭಾಗಗಳನ್ನು ಮಾತ್ರ ಪ್ರಸ್ತುತ ಕೆಲಸಕ್ಕೆ ಬಳಸಿ. ನೂರಾರು ಪುಟಗಳ ಮ್ಯಾನುಯಲ್ ಅನ್ನು ಪ್ರಾಂಪ್ಟ್‌ನಲ್ಲಿ ಹಾಕುವುದರಿಂದ ವೆಚ್ಚ ಹೆಚ್ಚಾಗುತ್ತದೆ ಮತ್ತು ಗೊಂದಲ ಉಂಟಾಗುತ್ತದೆ. ಈ ನಿರ್ದಿಷ್ಟ ಪ್ರಶ್ನೆಗೆ ಅಗತ್ಯವಿರುವ ಕೇವಲ ಎರಡು ಪುಟಗಳನ್ನು ಮಾತ್ರ ಪಡೆಯಿರಿ. ಪ್ರಮಾಣಕ್ಕಿಂತ ನಿಖರತೆ ಮುಖ್ಯ.

ಅಲ್ಪಾವಧಿಯ ವಿವರಗಳನ್ನು ಸಕ್ರಿಯ ಪ್ರಾಂಪ್ಟ್‌ನಲ್ಲಿ ಇರಿಸಿ. ನೀವು ಎಲೆಕ್ಟ್ರಿಕ್ ಬೈಕ್‌ಗಳ ಬಗ್ಗೆ ಬ್ಲಾಗ್ ಪೋಸ್ಟ್‌ಗಾಗಿ ಶೀರ್ಷಿಕೆಗಳನ್ನು ಯೋಚಿಸುತ್ತಿದ್ದರೆ, ಪ್ರಾಂಪ್ಟ್‌ನಲ್ಲಿ "electric bikes" ಎಂದು ಉಲ್ಲೇಖಿಸಿ. ನೀವು ನಿನ್ನೆ ಅದರ ಬಗ್ಗೆ ಹೇಳಿದ್ದೀರಿ ಎಂಬ ಕಾರಣಕ್ಕೆ ನೀವು ಏನನ್ನು ಯೋಚಿಸುತ್ತಿದ್ದೀರಿ ಎಂಬುದು ಮಾಡೆಲ್‌ಗೆ ತಿಳಿದಿದೆ ಎಂದು ಭಾವಿಸಬೇಡಿ.

ತಪ್ಪುಗಳು ದೊಡ್ಡ ನಷ್ಟವನ್ನು ಉಂಟುಮಾಡಬಹುದಾದಾಗ, ಔಟ್‌ಪುಟ್‌ಗಳನ್ನು ಪರಿಶೀಲಿಸಲು ಮನುಷ್ಯರನ್ನು ಬಳಸಿ. AI ಗೆ ಎಂದಿಗೂ ಮುಜುಗರವಾಗುವುದಿಲ್ಲ. ಅದು ತಪ್ಪು ಇನ್‌ವಾಯ್ಸ್ ಅಥವಾ ಅಸಂಬದ್ಧ ಕ್ಷಮೆಯಾಚನೆಯನ್ನು ಕೂಡ ಅಷ್ಟೇ ಆತ್ಮವಿಶ್ವಾಸದಿಂದ ಕಳುಹಿಸುತ್ತದೆ. ಯಾರಾದರೂ ಅದನ್ನು ಸರಿಯಾಗಿದೆಯೇ ಎಂದು ಪರಿಶೀಲಿಸಬೇಕಾಗುತ್ತದೆ (sanity check).

ಪದರಗಳಲ್ಲಿ ಯೋಚಿಸಿ

AI ಮಾಹಿತಿಯನ್ನು ನಾಲ್ಕು ಪದರಗಳಾಗಿ ಕಲ್ಪಿಸಿಕೊಳ್ಳುವುದು ಸಹಕಾರಿ, ಪ್ರತಿಯೊಂದಕ್ಕೂ ತನ್ನದೇ ಆದ ವಿಶ್ವಾಸಾರ್ಹತೆ ಮತ್ತು ಅಪಾಯಗಳಿವೆ.

ತಕ್ಷಣದ ಸಂದರ್ಭ (Immediate context) ಎಂದರೆ ಪ್ರಸ್ತುತ ಪ್ರಾಂಪ್ಟ್. ಇದು 100 ರಷ್ಟು ನಿಮ್ಮ ನಿಯಂತ್ರಣದಲ್ಲಿದೆ, ಆದರೆ ನೀವು ಅದನ್ನು ಬರೆಯಲು ಪ್ರಯತ್ನಿಸಿದರೆ ಮಾತ್ರ. ಅಸ್ಪಷ್ಟ ಪ್ರಾಂಪ್ಟ್‌ಗಳು ಅಸ್ಪಷ್ಟ ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡುತ್ತವೆ.

ಸಂಗ್ರಹಿಸಿದ ಸಂದರ್ಭ (Stored context) ಎಂದರೆ ನೀವು ಎಲ್ಲಿಯೋ ಉಳಿಸಿಟ್ಟಿರುವ ಮಾಹಿತಿ: ಒಂದು Notion wiki, vector database ಅಥವಾ PDF ಗಳ ಫೋಲ್ಡರ್. ಇದು ಅಸ್ತಿತ್ವದಲ್ಲಿದೆ, ಆದರೆ ಯಾವುದಾದರೂ ಸೇತುವೆಯಂತೆ ಕೆಲಸ ಮಾಡುವ ವ್ಯವಸ್ಥೆ ಇಲ್ಲದ ಹೊರತು AI ಅದನ್ನು ನೋಡಲು ಸಾಧ್ಯವಿಲ್ಲ.

ಪಡೆಯಲಾದ ಸಂದರ್ಭ (Retrieved context) ಎಂದರೆ ಸರ್ಚ್ ಲಾಜಿಕ್, ಕೋಡ್ ಅಥವಾ ಪ್ಲಗ್‌ಇನ್ ಮೂಲಕ ಸ್ಟೋರೇಜ್‌ನಿಂದ ಪ್ರಾಂಪ್ಟ್‌ಗೆ ತರಲಾದ ಡೇಟಾ. ಇಲ್ಲಿಯೇ ಹೆಚ್ಚಿನ ಮೌನ ವೈಫಲ್ಯಗಳು (silent failures) ಸಂಭವಿಸುತ್ತವೆ. ಸರಿಪಡಿಸಿದ ಒಪ್ಪಂದದ ಬದಲಿಗೆ ಸಿಸ್ಟಮ್ ಹಳೆಯ ಒಪ್ಪಂದವನ್ನು ತರಬಹುದು ಅಥವಾ ಸ್ಪ್ರೆಡ್‌ಶೀಟ್‌ಗೆ ಬದಲಾಗಿ ಸ್ಕ್ರೀನ್‌ಶಾಟ್ ಅನ್ನು ತರಬಹುದು.

ಮಾನವ ಸಂದರ್ಭ (Human context) ಎಂದರೆ ಯಾವುದು ಸತ್ಯ, ಯಾವುದು ಮುಖ್ಯ ಮತ್ತು ಯಾವುದು ತಪ್ಪಾಗಿದೆ ಎಂಬುದರ ಬಗ್ಗೆ ನಿಮ್ಮ ಸ್ವಂತ ನಿರ್ಧಾರ. ಉತ್ತರವು ಹಳೆಯದಿದೆಯೇ, ಮೂಲವು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿದೆಯೇ ಅಥವಾ ಸಂದರ್ಭಕ್ಕೆ ತಕ್ಕಂತೆ ಧಾಟಿ ಇದೆಯೇ ಎಂಬುದನ್ನು ತಿಳಿಯಬಲ್ಲ ಏಕೈಕ ಪದರ ಇದಾಗಿದೆ. ಈ ಪದರವನ್ನು ಬೇರೆಯವರಿಗೆ ವಹಿಸಿಕೊಡಬೇಡಿ (Do not outsource).

ಅತ್ಯುತ್ತಮ ಫಲಿತಾಂಶಗಳನ್ನು ಪಡೆಯುತ್ತಿರುವ ತಂಡಗಳು ಹೆಚ್ಚು ಬುದ್ಧಿವಂತ ಮಾಡೆಲ್‌ಗಳನ್ನು ಬಳಸುತ್ತಿಲ್ಲ. ಬದಲಾಗಿ, ಸಂದರ್ಭವು ಸ್ಪಷ್ಟವಾಗಿರುವ, ಆವೃತ್ತೀಕರಿಸಲ್ಪಟ್ಟಿರುವ (versioned) ಮತ್ತು ಪರಿಶೀಲಿಸಲು ಸುಲಭವಾಗಿರುವ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಅವರು ನಿರ್ಮಿಸುತ್ತಿದ್ದಾರೆ. ಪರಿಪೂರ್ಣ ಸಂದರ್ಭವನ್ನು ಹೊಂದಿರುವ AI, ತಪ್ಪು ಮಾಹಿತಿಯೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವ ಪ್ರತಿಭಾವಂತ ಮಾಡೆಲ್‌ಗಿಂತ ಯಾವಾಗಲೂ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದು ಅವರಿಗೆ ತಿಳಿದಿದೆ.

ಆದ್ದರಿಂದ, ಈ ಪರಿಕರಗಳನ್ನು ಬೈಗುಳ ನೀಡಬೇಕಾದ ಮರೆಗುಳಿತನವುಳ್ಳ ಇಂಟರ್ನ್‌ಗಳಂತೆ (interns) ಕಾಣುವಿಕೆಯನ್ನು ನಿಲ್ಲಿಸಿ. ಅವುಗಳನ್ನು ಲೆನ್ಸ್ (lenses) ಗಳಂತೆ ಕಾಣಿ. ನೀವು ಅವುಗಳ ಮುಂದೆ ಏನನ್ನು ಇಡುತ್ತೀರೋ ಅದನ್ನೇ ಅವು ನಿಮಗೆ ತೋರಿಸುತ್ತವೆ. ದೃಶ್ಯವನ್ನು ದೂಷಿಸುವ ಮೊದಲು, ಲೆನ್ಸ್ ಅನ್ನು ಪರಿಶೀಲಿಸುವ ಅಭ್ಯಾಸವನ್ನು ಬೆಳೆಸಿಕೊಳ್ಳಿ.

GyaanSetu AI ಕಲಿಕಾ ಸಮುದಾಯಕ್ಕೆ ಸೇರಿ: https://t.me/GyaanSetuAi