तुम्ही गेल्या मंगळवारी वापरलेले तेच चॅट विंडो उघडता, आणि AI अगदी तिथूनच सुरुवात करते जिथे तुम्ही सोडले होते. ते तुमच्या आधीच्या सूचनांचा संदर्भ देते, तुमच्या उपरोधिक (sarcastic) स्वराची नक्कल करते आणि तुम्ही तो रिपोर्ट पूर्ण केला का, असे विचारते. क्षणभर असे वाटते की तुम्ही एखाद्या अशा सहकाऱ्यासोबत काम करत आहात जो खरोखर लक्ष देतो. मग तुम्ही नवीन संभाषण सुरू करता आणि सर्व काही नाहीसे होते. तो स्वर सपाट होतो. प्रकल्पाचा तपशील गायब होतो. ते तुम्हाला चुकीच्या नावाने हाक मारते. काय झाले?

मशीन तुम्हाला विसरले नाही. खरं तर, ते तुम्हाला कधी ओळखतच नव्हते.

स्मृतीचा आभास

आपल्याला सर्वत्र स्मृती शोधण्याची सवय आहे. जेव्हा एखादा चॅटबॉट लक्षात ठेवतो की तुम्हाला संक्षिप्त बुलेट पॉइंट्स आवडतात किंवा तुम्ही आरोग्य क्षेत्रात (healthcare) काम करता, तेव्हा ते अगदी एखाद्या बारटेंडरने तुमची नेहमीची ऑर्डर लक्षात ठेवल्यासारखेच वाटते. पण हा डिझाइनचा एक प्रकार आहे, जाणीवेचा (cognition) नाही. लार्ज लँग्वेज मॉडेल्स (Large language models) तुमच्याबद्दलची तथ्ये त्यांच्या weights मध्ये साठवून ठेवत नाहीत. त्यांच्याकडे तुमच्या संवादांची कोणतीही चालू डायरी नसते. ते "User Preferences" नावाच्या फोल्डरमध्ये डोकावू शकत नाहीत कारण असे कोणतेही फोल्डर अस्तित्वात नाही.

जे स्मृतीसारखे दिसते, ते केवळ context window मध्ये असलेला मजकूर असतो. मॉडेल अलीकडील चॅट हिस्ट्री, तुमचा सध्याचा प्रॉम्प्ट (prompt) आणि डेव्हलपरने जोडलेल्या सिस्टम सूचना वाचते. ते या सर्वांवर एका दृष्टीने प्रक्रिया करते, पुढचा शब्द ओळखते आणि प्रतिसाद देते. जेव्हा तो मजकूर नाहीसा होतो, तेव्हा ती "स्मृती" देखील नाहीशी होते. मॉडेल त्याच्या मूळ वर्तनाकडे (baseline behavior) परत जाते, जे सहसा आत्मविश्वासी, सामान्य आणि थोडे जास्त उत्साही असते. हा आभास फुटतो कारण संदर्भ (context) बदलला आहे, AI ला विस्मरण (amnesia) झाले आहे म्हणून नाही.

AI प्रत्यक्षात काय वापरते

जर तुम्हाला विश्वसनीय आउटपुट हवे असेल, तर माहिती प्रत्यक्षात चार ठिकाणांहून येते हे समजून घेणे आवश्यक आहे:

  • Chat history: तुमच्या सध्याच्या थ्रेडमधील अलीकडील संवाद. हे तात्पुरते असते. नवीन थ्रेड सुरू केला की ते निघून जाते.
  • Specific instructions in the prompt: तुम्ही आता बॉक्समध्ये जे काही टाईप किंवा पेस्ट करता ते. हे नियंत्रणाचे सर्वात थेट रूप आहे.
  • Documents from a knowledge base: फाईल्स किंवा डेटाबेस ज्यांचा शोध सिस्टम घेऊ शकते आणि प्रॉम्प्टमध्ये समाविष्ट करू शकते. यासाठी retrieval स्टेपची आवश्यकता असते आणि ती स्टेप शांतपणे (silently) अयशस्वी होऊ शकते.
  • Data fetched from a workflow: API कॉल्स, डेटाबेस लूकअप किंवा थर्ड-पार्टी ॲप्सद्वारे जोडलेली मेमरी फीचर्स. हे केवळ त्यांना जोडणाऱ्या कोडच्या गुणवत्तेवर अवलंबून असतात.

यापैकी काहीही नैसर्गिक स्मृती नाही. हे केवळ 'प्लंबिंग' (plumbing) सारखे आहे. जर एखादा पाईप तुटला किंवा चुकीचा दस्तऐवज प्रॉम्प्टमध्ये आला, तर AI तुम्हाला सावध करणार नाही. ते फक्त जे दिसते त्याचा वापर करेल आणि एक पॉलिश केलेले, विश्वासार्ह आणि पूर्णपणे चुकीचे उत्तर देईल.

जेव्हा संदर्भ तुटतो: एक वास्तविक उदाहरण

कल्पना करा की एक मार्केटिंग टीम ग्राहकांना ईमेल लिहिण्यासाठी AI ची मदत घेत आहे. सोमवारी, सारा चॅट सुरू करते आणि एक छोटा स्टाईल गाईड (style guide) पेस्ट करते: "शांत, संयमी भाषा वापरा. उद्गारवाचक चिन्हांचा (exclamation points) वापर टाळा. फक्त कंपनीच्या नावाने स्वाक्षरी करा." AI या गाईडचे तंतोतंत पालन करते. टीमला हे ड्राफ्ट्स खूप आवडतात.

बुधवारी, जेक एक नवीन चॅट उघडतो. तो टाईप करतो, "ग्राहकांसाठी फॉलो-अप ईमेल ड्राफ्ट करा." तो स्टाईल गाईड पेस्ट करत नाही. AI, विरुद्ध सूचना नसल्यामुळे, हाय-एनर्जी मार्केटिंग शैली वापरते. उद्गारवाचक चिन्हांचा वर्षाव होतो. ते "Let's crush this!" असे सुचवते. टीम वैतागते. "AI का विसरले?" ते विचारतात.

ते विसरले नाही. विसरण्यासारखे तिथे काहीच नव्हते. जेक नवीन context window मध्ये स्टाईल गाईड समाविष्ट करण्यास अपयशी ठरला, आणि दोन दिवसांपूर्वी दुसऱ्या संभाषणात टीमने तयार केलेला नियम मॉडेलला माहित असण्याचा कोणताही मार्ग नव्हता. निराशा खरी होती, पण त्याचे कारण मानवी होते, यांत्रिक नाही. टीमला कायमस्वरूपी स्मृतीची अपेक्षा होती. पण हे साधन केवळ एक तात्पुरता 'स्क्रॅचपॅड' (scratchpad) होते.

खरा टेस्ट: मशीन काय पाहते याचे ऑडिट करा

तुमचे निकाल सुधारण्याचा सर्वात जलद मार्ग म्हणजे "AI ला हे आठवते का?" असे विचारणे थांबवणे आणि "ते सध्या प्रत्यक्षात कोणता संदर्भ (context) प्राप्त करत आहे?" असे विचारण्यास सुरुवात करणे. तुमच्या सेटअपची तीन प्रश्नांच्या आधारे तपासणी करा:

AI ला प्रत्येक वेळी काय माहित असणे आवश्यक आहे? ही तुमची अनिवार्य (non-negotiable) माहिती आहे. ब्रँड व्हॉइस, सुरक्षा धोरणे, आउटपुट फॉरमॅट, अनुपालन मर्यादा (compliance constraints). जर हे महत्त्वाचे असेल, तर ते तीन आठवड्यांपूर्वीच्या चॅट थ्रेडमध्ये नसून, प्रत्येक संबंधित प्रॉम्प्टमध्ये समाविष्ट केल्या जाणाऱ्या संदर्भ दस्तऐवजात (reference document) असायला हवे.

तुम्ही नंतरच्या वापरासाठी काय साठवू शकता? ऐतिहासिक प्रकल्पाच्या नोट्स, उत्पादन तपशील किंवा मागील संशोधन एका स्ट्रक्चर्ड फाईल किंवा डेटाबेसमध्ये असू शकते. परंतु केवळ साठवणूक पुरेशी नाही. सिस्टम संभाषणात त्या साठवलेल्या माहितीचा कोणता भाग घेण्याचे ठरवते, हे तुम्हाला नेमके माहित असणे आवश्यक आहे. जर retrieval कीवर्ड मॅचवर अवलंबून असेल, तर तुमच्या प्रॉम्प्टमधील थोडासा वेगळा शब्दप्रयोग चुकीचे पान शोधून काढू शकतो.

एखाद्या व्यक्तीने मॅन्युअली काय तपासणे आवश्यक आहे?

जेव्हा चुकीचा परिणाम मोठा असू शकतो—उदा. आर्थिक आकडेवारी, वैद्यकीय सारांश, कायदेशीर भाषा, ग्राहकांसाठीच्या घोषणा—तेव्हा पाइपलाइनवर आंधळेपणाने विश्वास ठेवू नका. AI ने दस्तऐवजाची योग्य आवृत्ती वापरली आहे आणि आउटपुट वास्तविक जगात अर्थपूर्ण आहे, याची खात्री मानवी पडताळणीद्वारे करणे आवश्यक आहे. मॉडेल तुम्हाला स्वतःहून सांगू शकणार नाही की त्याने गेल्या वर्षीची किंमत यादी वापरली आहे. जोपर्यंत तुम्ही प्रॉम्प्टमध्ये नमूद करत नाही, तोपर्यंत त्याला सध्याचे वर्ष माहीत नसते.

'कॉन्टेक्स्ट-फर्स्ट' (Context-First) वर्कफ्लो तयार करणे

विश्वासार्ह AI काम हे प्रामुख्याने चांगल्या माहितीच्या आर्किटेक्चरवर (information architecture) अवलंबून असते. ते कसे तयार करायचे ते खाली दिले आहे.

तुमचे स्थिर नियम एका संदर्भ दस्तऐवजात (reference document) ठेवा. हा तुमचा माहितीचा एकमेव विश्वसनीय स्रोत (single source of truth) असेल. जेव्हा नियम बदलतील, तेव्हा फक्त हीच फाईल अपडेट करा. सूचना डझनभर चॅट थ्रेड्समध्ये विखुरून ठेवू नका.

त्या दस्तऐवजातील केवळ संबंधित भागच कामासाठी वापरा. प्रॉम्प्टमध्ये शंभर पानांचे मॅन्युअल टाकणे खर्चिक आणि गोंधळात टाकणारे असते. या विशिष्ट प्रश्नासाठी महत्त्वाच्या असलेल्या केवळ दोन पानांचा वापर करा. प्रमाणापेक्षा अचूकता महत्त्वाची आहे.

अल्पकालीन तपशील सक्रिय प्रॉम्प्टमध्ये ठेवा. जर तुम्ही इलेक्ट्रिक बाईक्सबद्दल ब्लॉग पोस्टसाठी शीर्षके शोधत असाल, तर प्रॉम्प्टमध्ये "electric bikes" चा उल्लेख करा. तुम्ही काल उल्लेख केला होता म्हणून मॉडेलला तुमच्या मनात काय चालले आहे हे माहीत असेल, असे गृहीत धरू नका.

जेव्हा चुका महागड्या पडू शकतात, तेव्हा आउटपुटची पुनरावलोकन करण्यासाठी मानवी मदतीचा वापर करा. AI ला कधीही लाज वाटणार नाही. ते चुकीचे इनव्हॉइस किंवा अयोग्य स्वरूपाची माफी त्याच आत्मविश्वासाने पाठवेल ज्या आत्मविश्वासाने ते इतर सर्व गोष्टी करते. कोणालातरी 'सॅनिटी चेक' (sanity check) म्हणून काम करावे लागेल.

थरांमध्ये विचार करा (Think in Layers)

AI माहितीला चार थरांच्या स्वरूपात पाहणे फायदेशीर ठरते, ज्यातील प्रत्येक थराची स्वतःची विश्वासार्हता आणि जोखीम असते.

Immediate context (तात्काळ संदर्भ) म्हणजे सध्याचा प्रॉम्प्ट. हे १०० टक्के तुमच्या नियंत्रणाखाली असते, पण फक्त तुम्ही ते नीट लिहिल्यास. अस्पष्ट प्रॉम्प्टमुळे अस्पष्ट निकाल मिळतात.

Stored context (साठवलेला संदर्भ) म्हणजे तुम्ही कुठेही जतन केलेली माहिती: जसे की Notion wiki, vector database किंवा PDFs चा फोल्डर. ही माहिती अस्तित्वात असते, परंतु जोपर्यंत एखादी गोष्ट यातील अंतर भरून काढत नाही, तोपर्यंत AI ती पाहू शकत नाही.

Retrieved context (मिळवलेला संदर्भ) म्हणजे सर्च लॉजिक, कोड किंवा प्लगइनद्वारे स्टोरेजमधून प्रॉम्प्टमध्ये आणलेला डेटा. बहुतेक 'सायलेंट फेलियर्स' (silent failures) येथेच घडतात. सिस्टीम सुधारलेल्या कराराऐवजी जुना करार किंवा स्प्रेडशीटऐवजी स्क्रीनशॉट शोधू शकते.

Human context (मानवी संदर्भ) म्हणजे काय सत्य आहे, काय महत्त्वाचे आहे आणि काय चुकीचे वाटते, याबद्दलचे तुमचे स्वतःचे निर्णय. केवळ हाच असा थर आहे ज्याला माहिती असते की उत्तर जुने आहे का, स्रोत विश्वासार्ह आहे का किंवा टोन योग्य आहे का. या थराचे काम दुसऱ्यावर सोपवू नका.

सर्वोत्तम निकाल मिळवणारी टीम्स अधिक स्मार्ट मॉडेल्स वापरत नाहीत. त्या अशा सिस्टीम्स तयार करत आहेत जिथे संदर्भ स्पष्ट, आवृत्तीनुसार (versioned) आणि पडताळण्यास सोपा असतो. त्यांना हे माहित आहे की, चुकीच्या माहितीवर काम करणाऱ्या एखाद्या हुशार मॉडेलपेक्षा, अचूक संदर्भासह काम करणारे AI नेहमीच सरस ठरेल.

त्यामुळे या टूल्सना रागावणारे विसरभोळे इंटर्न समजणे थांबवा. त्यांना लेन्सप्रमाणे (lenses) वापरा. तुम्ही त्यांच्यासमोर जे ठेवता, तेच ते तुम्हाला दाखवतात. दृश्य (view) दोष देण्यापूर्वी लेन्स स्वच्छ आहे की नाही हे तपासण्याची सवय लावा.

Join the GyaanSetu AI learning community: https://t.me/GyaanSetuAi