LLM ഗ്രൂപ്പ്തിങ്കിംഗിനെ മറികടക്കുന്നു: Springboards എങ്ങനെയാണ് AI സർഗ്ഗാത്മകതയെ പുനർനിർവചിക്കുന്നത്

പ്രധാനപ്പെട്ട ലാർജ് ലാംഗ്വേജ് മോഡലുകൾ (LLMs) ലോജിക്കിലും കോഡിംഗിലും മികവ് പുലർത്തുന്നുണ്ടെങ്കിലും, സർഗ്ഗാത്മകമായ ജോലികളിലെ അവയുടെ ഉപയോഗക്ഷമത പരിമിതപ്പെടുത്തുന്ന വ്യാപകമായ ഒരു 'ഗ്രൂപ്പ്തിങ്കിംഗ്' (groupthink) പ്രശ്നം അവ നേരിടുന്നുണ്ട്. OpenAI, Google തുടങ്ങിയ വമ്പൻ കമ്പനികളുടെ പ്രവചിക്കാവുന്ന രീതികളെ വെല്ലുവിളിക്കാൻ ഒരു പുതിയ സ്റ്റാർട്ടപ്പ് രംഗത്തുണ്ട്.

LLM-കളിലെ പ്രവചിക്കാവുന്ന സ്വഭാവത്തിന്റെ പ്രശ്നം

ChatGPT, Claude അല്ലെങ്കിൽ Gemini പോലുള്ള പ്രമുഖ ചാറ്റ്ബോട്ടുകളോട് "1-നും 10-നും ഇടയിലുള്ള ഒരു സംഖ്യ തിരഞ്ഞെടുക്കുക" എന്ന് ചോദിച്ചാൽ, നിങ്ങൾക്ക് മിക്കവാറും 7 എന്ന സംഖ്യ ലഭിക്കും. ഇതൊരു യാദൃശ്ചികതയല്ല; നിലവിലെ LLM ആർക്കിടെക്ചറുകളിൽ അന്തർലീനമായ പക്ഷപാതത്തിന്റെയും 'ഗ്രൂപ്പ്തിങ്കിംഗിന്റെയും' ലക്ഷണമാണിത്. ഏറ്റവും കൂടുതൽ സ്ഥിതിവിവരക്കണക്കുകൾ പ്രകാരം വരാൻ സാധ്യതയുള്ള അടുത്ത ടോക്കണിന് മുൻഗണന നൽകുന്ന വലിയ ഡാറ്റാസെറ്റുകൾ ഉപയോഗിച്ചാണ് ഈ മോഡലുകളെ പരിശീലിപ്പിക്കുന്നത്. ഇത് പലപ്പോഴും സുരക്ഷിതവും ആവർത്തനസ്വഭാവമുള്ളതും പ്രവചിക്കാവുന്നതുമായ ഉത്തരങ്ങളിലേക്ക് നയിക്കുന്നു.

കോഡ് ഡിബഗ്ഗിംഗ് അല്ലെങ്കിൽ സാങ്കേതിക പ്രബന്ധങ്ങൾ സംഗ്രഹിക്കുക എന്നിങ്ങനെയുള്ള ഉയർന്ന കൃത്യ