AI मधील तज्ज्ञता मिळवण्याची संधी संपत चालली आहे

लोक AI डेमो आणि प्रोडक्शन सिस्टम्सबद्दल असे बोलतात जणू ते एकच आहेत. पण तसे नाहीये.

एका चकाकणाऱ्या डेमोमध्ये आणि खऱ्या जगात काम करणाऱ्या सिस्टममध्ये खूप मोठा फरक असतो.

प्रत्येकजण प्रत्येक गोष्टीला 'एजंट' (agent) म्हणतो. मेमरी असलेला चॅटबॉट म्हणजे एजंट. लूप असलेला स्क्रिप्ट म्हणजे एजंट. हे चुकीचे आहे. या चुकीमुळे खराब इंजिनिअरिंग होते.

यामुळे तुम्ही साध्या कामांसाठी गरजेपेक्षा जास्त इंजिनिअरिंग (over-engineering) करता आणि कठीण कामांसाठी अपुरे इंजिनिअरिंग (under-engineering) करता.

याची खरी व्याख्या अशी आहे: एका एजंटचे एक उद्दिष्ट असते. तो पुढचे पाऊल स्वतः ठरवतो. तो अपयशाचे (failure) व्यवस्थापन करतो. एखादे काम कधी संपले आहे हे त्याला समजते. बाकी सर्व गोष्टी केवळ 'फंक्शन कॉल' (function call) आहेत.

फरक कसा ओळखायचा: • जर प्रत्येक पाऊलावर मानवी मार्गदर्शनाची गरज असेल, तर ते चॅट इंटरफेस आहे. • जर एखादी सिस्टम फेल झालेल्या 'टूल कॉल' मधून सावरते, तर तो एजंट आहे. • जर एखादी सिस्टम ध्येयाचे उप-कामांमध्ये (subtasks) विभाजन करते, तर तो खरा एजंट आहे.

यशस्वी टीम्स फक्त नवीन मॉडेल्सच्या मागे धावत नाहीत. त्या तीन गोष्टींवर लक्ष केंद्रित करतात:

  • टूल डिझाइन (Tool design): इंटरफेस किती सुटसुटीत आहे?
  • फेल्युअर हँडलिंग (Failure handling): जेव्हा एखादे टूल काहीही उत्तर देत नाही, तेव्हा काय होते?
  • ऑब्झर्व्हेबिलिटी (Observability): एजंटने तो निर्णय का घेतला?

तुम्ही वापरत असलेले फ्रेमवर्क यापेक्षा तुम्ही पाळत असलेले पॅटर्न (patterns) जास्त महत्त्वाचे आहेत. LangChain किंवा CrewAI ही केवळ साधने (tools) आहेत. आर्किटेक्चर (architecture) महत्त्वाचे आहे.

हे पॅटर्न वापरा:

  • आधी नियोजन करा आणि मग अंमलबजावणी करा: नियोजन करण्यासाठी एक पायरी आणि कृती करण्यासाठी वेगळी पायरी वापरा.
  • रिट्रिव्हल (retrieval) आणि रिझनिंग (reasoning) वेगळे ठेवा: डेटा मिळवणे आणि डेटा वापरणे ही दोन वेगळी कामे आहेत.
  • स्पष्ट हँडऑफ्स (Explicit handoffs): जेव्हा एक एजंट दुसऱ्या एजंटकडे काम सोपवतो, तेव्हा स्ट्रक्चर्ड लॉग्सचा (structured logs) वापर करा.

RAG मुळे देखील समस्या निर्माण होत आहेत. बहुतेक लोक 'चंकिंग' (chunking) मध्ये अपयशी ठरतात. जर तुमच्या चंक्समुळे संदर्भ (context) तुटला, तर मॉडेल 'हॅलुसिनेट' (hallucinate) करेल. मॉडेलला दोष देण्यापूर्वी तुम्ही तुमचे चंकिंग आणि मेटाडेटा (metadata) सुधारले पाहिजे.

मॉडेल्स अधिक चांगले होतील. टोकन्स स्वस्त होतील. पण यामुळे इंजिनिअरिंगची आव्हाने सुटणार नाहीत.

खरे आव्हान म्हणजे तुम्ही विश्वास ठेवू शकता अशा सिस्टम्स तयार करणे. तुम्हाला गव्हर्नन्स (governance) आणि विश्वसनीय टूल वापराची गरज आहे.

पुढील दोन वर्षांत ज्या इंजिनिअर्सना महत्त्व असेल, ते 'प्रॉम्प्ट इंजिनिअर्स' नसतील. ते 'सिस्टम डिझाइनर्स' असतील. ते असे AI तयार करतील ज्याची देखभाल इतर लोक करू शकतील.

स्रोत: https://dev.to/aibughunter/the-window-to-build-ai-expertise-is-closing-faster-than-anyone-expected-3a2c

वैकल्पिक लर्निंग कम्युनिटी: https://t.me/GyaanSetuAi