LLM വിക്കിക്കായുള്ള നാല് തരം ഫ്രെയിംവർക്ക്
അറിവ് മാത്രം വിവേചനാധികാരത്തിന് (judgment) വഴിതെളിക്കില്ല.
നൂറിലധികം പേജുകളുള്ള ഒരു LLM വിക്കി ഞാൻ നിർമ്മിച്ചു. ഒരു പ്രോഗ്രാമിംഗ് ട്യൂട്ടറായി ഉപയോഗിക്കാൻ ശ്രമിക്കുന്നത് വരെ അത് നന്നായി പ്രവർത്തിച്ചിരുന്നു.
AI-ക്ക് എല്ലാ നിർവചനങ്ങളും അറിയാമായിരുന്നു. "എനിക്ക് Promises മനസ്സിലാകുന്നില്ല" എന്ന് ഒരു വിദ്യാർത്ഥി പറഞ്ഞപ്പോൾ, AI ഒരു പാഠപുസ്തകത്തിലെ നിർവചനം നൽകി. ഇതൊരു മോശം പ്രതികരണമായിരുന്നു.
ഒരു യഥാർത്ഥ ട്യൂട്ടർ ചോദിക്കുകയേ ഉണ്ടായിരുന്നുള്ളൂ: "നിനക്ക് ആദ്യം callbacks മനസ്സിലാകുന്നുണ്ടോ?" അല്ലെങ്കിൽ "നീ എന്തൊക്കെ പരീക്ഷിച്ച് നോക്കി?"
AI-ക്ക് വസ്തുതകൾ അറിയാമായിരുന്നു, എന്നാൽ വിവേചനാധികാരം (judgment) പൂജ്യമായിരുന്നു. എന്റെ വിക്കി ഒരുതരം അറിവ് മാത്രമേ സംഭരിക്കുന്നുള്ളൂ എന്ന് ഞാൻ തിരിച്ചറിഞ്ഞു.
മിക്ക LLM വിക്കികളും ഡിക്ലറേറ്റീവ് (declarative) അറിവാണ് സംഭരിക്കുന്നത്. ഇവ വസ്തുതകൾ, നിർവചനങ്ങൾ, സംഗ്രഹങ്ങൾ എന്നിവയാണ്. അവ "ഇതെന്താണ്?" എന്ന ചോദ്യത്തിന് ഉത്തരം നൽകുന്നു.
വൈദഗ്ധ്യം നേടാൻ ഇതിൽ കൂടുതൽ ആവശ്യമാണ്. നിങ്ങൾക്ക് ആവശ്യമുള്ള നാല് തരം അറിവുകൾ ഇവയാണ്:
• Declarative: വസ്തുതകളും നിർവചനങ്ങളും. • Procedural: എങ്ങനെ യുക്തിപൂർവ്വം ചിന്തിക്കാം (reasoning). ഒരു വിദഗ്ദ്ധൻ എടുക്കുന്ന തീരുമാനങ്ങളുടെ ക്രമമാണിത്. • Experiential: യഥാർത്ഥ ജീവിതത്തിൽ ഇത് എങ്ങനെ പ്രവർത്തിക്കുന്നു. തെറ്റുകൾ കാണുന്നതും വിദഗ്ദ്ധർ അവ എങ്ങനെ കൈകാര്യം ചെയ്യുന്നു എന്നതും ഇതിൽ ഉൾപ്പെടുന്നു. • Interaction: മറ്റുള്ളവരെ എങ്ങനെ നയിക്കാം. എപ്പോൾ ചോദ്യം ചോദിക്കണം, എപ്പോൾ മിണ്ടാതിരിക്കണം എന്ന് അറിയുന്നതാണിത്.
അറിയുന്നതിനും പ്രവർത്തിക്കുന്നതിനും ഇടയിൽ വലിയൊരു വ്യത്യാസമുണ്ടെന്ന് ഗവേഷണങ്ങൾ കാണിക്കുന്നു. ടീച്ചിംഗ് അസിസ്റ്റന്റുമാരെക്കുറിച്ചുള്ള ഒരു പഠനത്തിൽ, 75% പേരും സോക്രട്ടിക് രീതിയിലുള്ള ചോദ്യങ്ങൾ (Socratic questioning) ചോദിക്കുന്നതിന് പകരം ഉത്തരങ്ങൾ നൽകുകയാണ് ചെയ്തത്. അവർക്ക് നിയമങ്ങൾ അറിയാമായിരുന്നു, പക്ഷേ സമ്മർദ്ദഘട്ടങ്ങളിൽ അവ നടപ്പിലാക്കാൻ അവർക്ക് കഴിഞ്ഞില്ല.
ഇത് പരിഹരിക്കാൻ, നിങ്ങളുടെ സിസ്റ്റത്തിൽ രണ്ട് പ്രവർത്തനങ്ങൾ ആവശ്യമാണ്:
- Ingest: ഡിക്ലറേറ്റീവ് അറിവ് സൃഷ്ടിക്കുന്നതിനായി വസ്തുതകൾ കണ്ടെത്തുന്നു.
- Mine: പ്രൊസീജറൽ, എക്സ്പീരിയൻഷ്യൽ, ഇന്ററാക്ഷൻ അറിവുകൾ സൃഷ്ടിക്കുന്നതിനായി തീരുമാനങ്ങൾ കണ്ടെത്തുന്നു.
വസ്തുതകൾ മാത്രം നോക്കി നിങ്ങൾക്ക് ഒരു യുക്തിപരമായ പാത (reasoning path) കണ്ടെത്താൻ കഴിയില്ല. നിങ്ങൾ തീരുമാനങ്ങൾക്കായി തിരയണം. നിങ്ങൾ ചോദിക്കണം: വിദഗ്ദ്ധൻ എന്താണ് തിരഞ്ഞെടുത്തത്? അവർ അത് എപ്പോഴാണ് തിരഞ്ഞെടുത്തത്? അതിനുശേഷം എന്ത് സംഭവിച്ചു?
കൂടുതൽ വസ്തുതകൾ കൈവശം വെക്കുന്നതിലൂടെയല്ല അടുത്ത തലമുറയിലെ AI വിജയിക്കുക. മികച്ച വിവേചനാധികാരം (judgment) കൈവശം വെക്കുന്നതിലൂടെയായിരിക്കും അത് വിജയിക്കുക. വിവേചനാധികാരം എന്നത് അറിവിന്റെ പ്രശ്നമല്ല. അത് അറിവിന്റെ തരങ്ങളുമായി (knowledge-type) ബന്ധപ്പെട്ട പ്രശ്നമാണ്.
നിങ്ങൾ വസ്തുതകൾ മാത്രം സംഭരിക്കുന്ന ഒരു AI ആണ് നിർമ്മിക്കുന്നതെങ്കിൽ, നിങ്ങൾ ഒരു പാഠപുസ്തകം മാത്രമാണ് നിർമ്മിക്കുന്നത്. നിങ്ങൾക്ക് ഒരു വിദഗ്ദ്ധനെ നിർമ്മിക്കണമെന്നുണ്ടെങ്കിൽ, നിങ്ങൾ തീരുമാനങ്ങൾക്കായി തിരയണം (mine for decisions).
Source: https://dev.to/rongrong/a-four-type-framework-for-llm-wiki-by-karpathy-5f1n
Optional learning community: https://t.me/GyaanSetuAi