Hugging Face ਹੁਣ ਸਿਰਫ਼ ਮਾਡਲਾਂ ਦੇ ਭੰਡਾਰ (model zoo) ਤੋਂ ਕਿਤੇ ਵੱਧ ਕੁਝ ਬਣ ਗਿਆ ਹੈ। ਉੱਥੇ ਟ੍ਰੈਂਡ ਹੋਣ ਵਾਲੇ ਪੇਪਰ ਹੁਣ ਇਸ ਗੱਲ ਦੇ ਦਿਸ਼ਾ-ਸੂਚਕ (weather vane) ਵਜੋਂ ਕੰਮ ਕਰਦੇ ਹਨ ਕਿ AI ਕਮਿਊਨਿਟੀ ਅਸਲ ਵਿੱਚ ਕਿਸ ਦਿਸ਼ਾ ਵੱਲ ਵਧ ਰਹੀ ਹੈ। ਸਾਲਾਂ ਤੋਂ, ਪ੍ਰਮੁੱਖ ਵਿਚਾਰਧਾਰਾ ਸਧਾਰਨ ਸੀ: ਵਧੇਰੇ ਪੈਰਾਮੀਟਰ, ਵਧੇਰੇ ਡਾਟਾ, ਵਧੇਰੇ ਕੰਪਿਊਟ। ਉਹ ਦੌਰ ਖ਼ਤਮ ਨਹੀਂ ਹੋਇਆ ਹੈ, ਪਰ ਇਹ ਹੁਣ ਪੂਰੀ ਕਹਾਣੀ ਨਹੀਂ ਹੈ। ਹਾਲ ਹੀ ਦੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਪੇਪਰ ਇੱਕ ਸਪੱਸ਼ਟ ਤਰਜੀਹ ਵਿੱਚ ਬਦਲਾਅ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ। ਖੋਜਕਰਤਾ ਅਤੇ ਬਿਲਡਰ ਇਸ ਬਾਰੇ ਵਧੇਰੇ ਔਖੇ ਸਵਾਲ ਪੁੱਛ ਰਹੇ ਹਨ ਕਿ ਕੀ ਇਹ ਪ੍ਰਣਾਲੀਆਂ ਅਸਲੀ ਦੁਨੀਆ ਦੇ ਸੰਪਰਕ ਵਿੱਚ ਟਿਕ ਸਕਦੀਆਂ ਹਨ। ਫੋਕਸ ਸਿਰਫ਼ ਵੱਡੇ ਸਕੇਲ ਤੋਂ ਹਟ ਕੇ ਕਾਰਜਸ਼ੀਲਤਾ (operationalization) ਵੱਲ ਜਾ ਰਿਹਾ ਹੈ—ਮਾਡਲ ਕਿਵੇਂ ਤਰਕ ਕਰਦੇ ਹਨ, ਉਹ ਸਸਤੇ ਹਾਰਡਵੇਅਰ 'ਤੇ ਕਿਵੇਂ ਚੱਲਦੇ ਹਨ, ਉਹ ਇੱਕ ਸਾਫਟਵੇਅਰ ਵਾਤਾਵਰਣ ਤੋਂ ਦੂਜੇ ਵਿੱਚ ਕਿਵੇਂ ਜਾਂਦੇ ਹਨ, ਅਤੇ ਉਹ ਵਿਗਿਆਨ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਅੱਗੇ ਵਧਾਉਣ ਵਿੱਚ ਕਿਵੇਂ ਮਦਦ ਕਰਦੇ ਹਨ।
ਦਬਾਅ ਹੇਠ ਟਿਕਣ ਵਾਲੀ ਤਰਕ ਸ਼ਕਤੀ
ਅਸੀਂ ਲਾਰਜ ਲੈਂਗੂਏਜ ਮਾਡਲਜ਼ (LLMs) ਨੂੰ ਕਿਵੇਂ ਸਿਖਲਾਈ ਦਿੰਦੇ ਹਾਂ ਅਤੇ ਅਸੀਂ ਉਹਨਾਂ ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰਦੇ ਹਾਂ, ਇਸ ਵਿਚਕਾਰ ਇੱਕ ਵਧਦਾ ਜਾ ਰਿਹਾ ਪਾੜਾ ਹੈ। ਇੱਕ ਮਾਡਲ ਟ੍ਰੇਨਿੰਗ ਦੌਰਾਨ ਬਹੁਤ ਵਧੀਆ ਤਰੀਕੇ ਨਾਲ ਲੌਸ (loss) ਨੂੰ ਘੱਟ ਕਰ ਸਕਦਾ ਹੈ, ਪਰ ਫਿਰ ਵੀ ਜਦੋਂ ਉਹ ਕੋਡਿੰਗ ਬੱਗ ਜਾਂ ਗਣਿਤ ਦੇ ਬਹੁ-ਪੜਾਅ ਵਾਲੇ ਸਬੂਤਾਂ ਰਾਹੀਂ ਤਰਕ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ, ਤਾਂ ਉਹ ਫੇਲ੍ਹ ਹੋ ਸਕਦਾ ਹੈ। ਇੱਕ ਹਾਲੀਆ ਪੇਪਰ ਦਾ ਤਰਕ ਹੈ ਕਿ ਇਸਦਾ ਹੱਲ ਕੋਈ ਹੋਰ ਟ੍ਰੇਨਿੰਗ ਟ੍ਰਿਕ ਨਹੀਂ ਹੈ। ਸਾਨੂੰ ਇਸ ਗੱਲ ਲਈ ਆਪਟੀਮਾਈਜ਼ ਕਰਨ ਦੀ ਲੋੜ ਹੈ ਕਿ ਮਾਡਲ ਇਨਫਰੈਂਸ (inference) ਦੌਰਾਨ ਕਿਵੇਂ ਵਿਵਹਾਰ ਕਰਦੇ ਹਨ, ਨਾ ਕਿ ਸਿਰਫ਼ ਟ੍ਰੇਨਿੰਗ ਮੈਟ੍ਰਿਕਸ 'ਤੇ ਉਹਨਾਂ ਦੇ ਸਕੋਰ ਲਈ। ਜ਼ਿਆਦਾਤਰ ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਪਾਈਪਲਾਈਨਾਂ ਅਜੇ ਵੀ ਟ੍ਰੇਨਿੰਗ-ਸਮੇਂ ਦੇ ਰਿਵਾਰਡਸ ਦੇ ਪਿੱਛੇ ਭੱਜਦੀਆਂ ਹਨ। ਪ੍ਰਸਤਾਵਿਤ ਮੁੜ-ਵਿਚਾਰ ਦਾ ਮਤਲਬ ਹੈ ਚੇਨ ਆਫ ਥੌਟ (chain of thought) ਨੂੰ ਖੁਦ ਸਥਿਰ ਕਰਨਾ। ਕੋਡਿੰਗ ਸਹਾਇਕ ਜਾਂ ਗਣਿਤ ਦੇ ਟਿਊਟਰ ਬਣਾਉਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਵਿਅਕਤੀ ਲਈ, ਇਹ ਇੱਕ ਵਿਵਹਾਰਕ ਬਦਲਾਅ ਹੈ। ਤੁਹਾਨੂੰ ਸਿਰਫ਼ ਲੀਡਰਬੋਰਡ ਦੀ ਸ਼ੁੱਧਤਾ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ ਬੰਦ ਕਰ ਦੇਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਇਹ ਟੈਸਟ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰ ਦੇਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਜਦੋਂ ਪ੍ਰੋਂਪਟ (prompt) ਗੁੰਝਲਦਾਰ ਹੋ ਜਾਂਦਾ ਹੈ ਤਾਂ ਕੀ ਮਾਡਲ ਦਾ ਤਰਕ ਇਕਸਾਰ ਰਹਿੰਦਾ ਹੈ।
GUI ਏਜੰਟ ਜੋ ਆਪਣੀ ਸਿੱਖੀ ਹੋਈਆਂ ਗੱਲਾਂ ਨੂੰ ਯਾਦ ਰੱਖਦੇ ਹਨ
ਏਜੰਟਾਂ ਕੋਲ ਇੱਕ ਪਲੇਟਫਾਰਮ ਦੀ ਸਮੱਸਿਆ ਹੈ। ਇੱਕ ਪ੍ਰਣਾਲੀ ਜੋ Chrome ਟੈਬ ਦੇ ਅੰਦਰ ਉਡਾਣਾਂ (flights) ਨੂੰ ਬਿਲਕੁਲ ਸਹੀ ਤਰੀਕੇ ਨਾਲ ਬੁੱਕ ਕਰਦੀ ਹੈ, ਉਹ ਅਕਸਰ ਸਭ ਕੁਝ ਭੁੱਲ ਜਾਂਦੀ ਹੈ ਜਦੋਂ ਤੁਸੀਂ ਇਸਨੂੰ ਐਂਡਰਾਇਡ ਫ਼ੋਨ 'ਤੇ ਸੈਟਿੰਗਾਂ ਬਦਲਣ ਲਈ ਕਹਿੰਦੇ ਹੋ। ਇਹ ਅਸਫਲਤਾ 'ਕੈਟਾਸਟ੍ਰੋਫਿਕ ਫੋਰਗੇਟਿੰਗ' (catastrophic forgetting) ਹੈ। ਨਵਾਂ ਖੋਜ ਕਾਰਜ 'ਮਲਟੀ-ਟੀਚਰ ਡਿਸਟੀਲੇਸ਼ਨ' (multi-teacher distillation) ਰਾਹੀਂ ਇਸਦਾ ਹੱਲ ਕੱਢਦਾ ਹੈ। ਇੱਕ ਇੰਟਰਫੇਸ 'ਤੇ ਟ੍ਰੇਨਿੰਗ ਦੇਣ ਅਤੇ ਇਸ ਉਮੀਦ ਕਰਨ ਦੀ ਬਜਾਏ ਕਿ ਗਿਆਨ ਟ੍ਰਾਂਸਫਰ ਹੋ ਜਾਵੇਗਾ, ਏਜੰਟ ਇੱਕੋ ਸਮੇਂ ਕਈ ਅਧਿਆਪਕਾਂ ਤੋਂ ਸਿੱਖਦਾ ਹੈ, ਜਿਨ੍ਹਾਂ ਵਿੱਚੋਂ ਹਰ ਇੱਕ ਵੱਖਰੇ ਪਲੇਟਫਾਰਮ ਵਿੱਚ ਮਾਹਰ ਹੁੰਦਾ ਹੈ।
ਪੇਪਰ ਲਿਖਣਾ ਸ਼ਾਇਦ ਹੀ ਉਹ ਚੀਜ਼ ਹੈ ਜੋ ਇੱਕ ਵਿਗਿਆਨੀ ਦੀ ਰਫ਼ਤਾਰ ਨੂੰ ਹੌਲੀ ਕਰਦੀ ਹੈ। ਇਹ ਪੋਸਟਰ, ਤਿੰਨ-ਮਿੰਟ ਦਾ ਵੀਡੀਓ ਸਾਰ (summary), ਬਲੌਗ ਅਡੈਪਟੇਸ਼ਨ, ਅਤੇ ਸੋਸ਼ਲ ਥ੍ਰੈਡ ਹੁੰਦੇ ਹਨ ਜੋ ਪੂਰਾ ਹਫ਼ਤਾ ਖ਼ਤਮ ਕਰ ਦਿੰਦੇ ਹਨ। ਨਵੇਂ ਟੂਲ ਹੁਣ ਇੱਕ ਸਿੰਗਲ ਪੇਪਰ ਨੂੰ ਲੈਂਦੇ ਹਨ ਅਤੇ ਉਸ ਪੂਰੇ ਕਮਿਊਨੀਕੇਸ਼ਨ ਸਟੈਕ ਨੂੰ ਆਪਣੇ ਆਪ ਤਿਆਰ ਕਰ ਦਿੰਦੇ ਹਨ। ਖੋਜ ਦੇ ਪੱਖ ਤੋਂ, ਹੋਰ ਸਿਸਟਮ ਅਸਲੀ ਸਬੂਤਾਂ ਲਈ ਸਾਹਿਤ (literature) ਨੂੰ ਪੜ੍ਹਦੇ ਹਨ ਅਤੇ ਅੰਦਾਜ਼ਿਆਂ ਦੇ बजाय ਦਸਤਾਵੇਜ਼ੀ ਕਮੀਆਂ ਦੇ ਅਧਾਰ 'ਤੇ ਖੋਜ ਦੀਆਂ ਦਿਸ਼ਾਵਾਂ ਦਾ ਸੁਝਾਅ ਦਿੰਦੇ ਹਨ। ਨਤੀਜੇ ਵਜੋਂ ਪ੍ਰਯੋਗ ਤੋਂ ਅੰਤਰਦਰਸ਼ੀ (insight) ਤੱਕ ਦਾ ਚੱਕਰ ਛੋਟਾ ਹੋ ਜਾਂਦਾ ਹੈ। ਗ੍ਰੈਜੂਏਟ ਵਿਦਿਆਰਥੀ ਅਤੇ ਪ੍ਰਿੰਸੀਪਲ ਇਨਵੈਸਟੀਗੇਟਰਜ਼ ਦੋਵੇਂ ਹੀ ਫਾਰਮੈਟਿੰਗ ਦੀ ਬਜਾਏ ਸੋਚਣ ਲਈ ਕਈ ਘੰਟੇ ਵਾਪਸ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਨ।
ਅੰਦਾਜ਼ੇ ਨਾਲ ਨਹੀਂ, ਜਿਓਮੈਟਰੀ ਨਾਲ ਆਪਟੀਮਾਈਜ਼ਰ ਚੁਣਨਾ
Adam ਅਤੇ Lion ਵਿੱਚੋਂ ਚੋਣ ਕਰਨਾ ਅਜੇ ਵੀ ਲੈਬ ਦੇ Slack ਚੈਨਲਾਂ ਰਾਹੀਂ ਮਿਲੀ ਇੱਕ ਪੁਰਾਣੀ ਜਾਣਕਾਰੀ ਵਾਂਗ ਮਹਿਸੂਸ ਹੁੰਦਾ ਹੈ। ਨਵਾਂ ਕੰਮ ਇੱਕ ਜਿਓਮੈਟ੍ਰਿਕ ਕਲਾਸੀਫਿਕੇਸ਼ਨ ਸਿਸਟਮ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇਸ ਸਮੱਸਿਆ ਨੂੰ ਨਵੇਂ ਤਰੀਕੇ ਨਾਲ ਪੇਸ਼ ਕਰਦਾ ਹੈ। ਇੱਕ ਹੋਰ ਸਵੀਪ (sweep) 'ਤੇ GPU ਘੰਟੇ ਬਰਬਾਦ ਕਰਨ ਦੀ ਬਜਾਏ, ਤੁਸੀਂ ਆਪਟੀਮਾਈਜ਼ਰਾਂ ਦੀ ਤੁਲਨਾ ਉਹਨਾਂ ਦੇ ਜਿਓਮੈਟ੍ਰਿਕ ਗੁਣਾਂ ਦੁਆਰਾ ਕਰ ਸਕਦੇ ਹੋ ਅਤੇ ਅਨੁਮਾਨ ਲਗਾ ਸਕਦੇ ਹੋ ਕਿ ਹਰੇਕ ਤੁਹਾਡੇ loss landscape ਨਾਲ ਕਿਵੇਂ ਪ੍ਰਤੀਕਿਰਿਆ ਕਰੇਗਾ। ਇਹ ਚੋਣ ਨੂੰ ਜਾਦੂਗਰੀ ਤੋਂ ਬਦਲ ਕੇ ਇੱਕ ਜਾਂਚ (diagnosis) ਵਿੱਚ ਬਦਲ ਦਿੰਦਾ ਹੈ। ਅਭਿਆਸੀਆਂ (practitioners) ਲਈ, ਇਸਦਾ ਮਤਲਬ ਹੈ ਘੱਟ ਟ੍ਰੇਨਿੰਗ ਰਨਜ਼, ਜੋ ਇਸ ਲਈ ਚੁੱਪਚਾਪ ਫੇਲ ਹੋ ਜਾਂਦੇ ਹਨ ਕਿਉਂਕਿ ਆਪਟੀਮਾਈਜ਼ਰ ਦੀ ਜਿਓਮੈਟਰੀ ਡੇਟਾ ਦੀ ਜਿਓਮੈਟਰੀ ਨਾਲ ਟਕਰਾ ਰਹੀ ਸੀ।
ਵਰਲਡ ਮਾਡਲ ਜੋ ਅਸਲ ਵਿੱਚ ਨਤੀਜਿਆਂ ਨੂੰ ਸਮਝਦੇ ਹਨ
ਇੱਕ ਰੋਬੋਟ ਦੇ ਆਪਣੇ ਰਸਤੇ ਦੀ ਯੋਜਨਾ ਬਣਾਉਣ ਵਾਲੀ ਰੈਂਡਰਡ ਵੀਡੀਓ ਸ਼ਾਨਦਾਰ ਲੱਗ ਸਕਦੀ ਹੈ ਪਰ ਇਹ ਕੁਝ ਵੀ ਸਾਬਤ ਨਹੀਂ ਕਰਦੀ। ਅਸਲੀ ਟੈਸਟ ਇਹ ਹੈ ਕਿ ਕੀ ਵਰਲਡ ਮਾਡਲ ਆਪਣੇ ਕੰਮਾਂ ਦੇ ਲੰਬੇ ਸਮੇਂ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ। ਕੀ ਹੁਣ ਉਸ ਡੱਬੇ ਨੂੰ ਚੁੱਕਣ ਨਾਲ ਬਾਅਦ ਵਿੱਚ ਹੱਥ ਸ਼ੈਲਫ ਦੇ ਪਿੱਛੇ ਫਸ ਜਾਵੇਗਾ? ਨਵੇਂ ਬੈਂਚਮਾਰਕ ਵਿਜ਼ੂਅਲ ਚਮਕ ਨੂੰ ਹਟਾ ਦਿੰਦੇ ਹਨ ਅਤੇ ਮਾਡਲਾਂ ਨੂੰ ਸਿਰਫ਼ ਕਾਰਨ-ਅਧਾਰਤ ਦੂਰਦਰਸ਼ਤਾ (causal foresight) ਦੇ ਅਧਾਰ 'ਤੇ ਸਕੋਰ ਦਿੰਦੇ ਹਨ। ਇਹ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿਉਂਕਿ ਇੱਕ ਸੁੰਦਰ ਸਿਮੂਲੇਟਰ ਟੁੱਟੇ ਹੋਏ ਸੈਂਸਰ ਜਾਂ ਡਿੱਗੇ ਹੋਏ ਪੈਲੇਟ ਨੂੰ ਠੀਕ ਨਹੀਂ ਕਰ ਸਕਦਾ। ਰੋਬੋਟਿਕਸ ਵਿਗਿਆਨੀਆਂ ਨੂੰ ਅਜਿਹੇ ਮੁਲਾਂਕਣ ਦੀ ਲੋੜ ਹੈ ਜੋ ਭੌਤਿਕ ਸੰਸਾਰ ਦੇ ਜੋਖਮਾਂ ਦੇ ਅਨੁਕੂਲ ਹੋਵੇ।
GPU ਬਿੱਲ ਤੋਂ ਬਿਨਾਂ ਡਿਫਿਊਜ਼ਨ ਚਲਾਉਣਾ
Diffusion ਮਾਡਲ ਸ਼ਾਨਦਾਰ ਤਸਵੀਰਾਂ ਬਣਾਉਂਦੇ ਹਨ, ਪਰ ਉਹ ਬਹੁਤ ਜ਼ਿਆਦਾ ਕੰਪਿਊਟਿੰਗ ਖਰਚੇ ਦੇ ਨਾਲ ਆਉਂਦੇ ਹਨ। ਨਵੀਆਂ ਕੁਆਂਟਾਈਜ਼ੇਸ਼ਨ ਤਕਨੀਕਾਂ ਵੱਡੇ ਨਵੇਂ ਡੇਟਾਸੈਟਾਂ ਜਾਂ ਪੂਰੀ ਰੀ-ਟ੍ਰੇਨਿੰਗ ਦੀ ਲੋੜ ਤੋਂ ਬਿਨਾਂ ਛੋਟੇ GPU ਲਈ ਇਹਨਾਂ ਵੇਟਸ (weights) ਨੂੰ ਕੰਪਰੈੱਸ ਕਰਦੀਆਂ ਹਨ। ਤੁਸੀਂ ਸਥਾਨਕ ਤੌਰ 'ਤੇ ਚਲਾਉਣ, ਮੌਜੂਦਾ ਹਾਰਡਵੇਅਰ 'ਤੇ ਵਧੇਰੇ ਕੰਮਾਂ ਨੂੰ ਬੈਚ ਵਿੱਚ ਕਰਨ, ਜਾਂ ਪ੍ਰੀਮੀਅਮ ਕਲਸਟਰ ਕਿਰਾਏ 'ਤੇ ਲਏ ਬਿਨਾਂ ਇਨਫਰੈਂਸ (inference) ਪ੍ਰਦਾਨ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਲਈ ਕੁਝ ਫ਼ਿਡੈਲਿਟੀ (fidelity) ਦਾ ਤਿਆਗ ਕਰਦੇ ਹੋ। ਸਟੂਡੀਓਜ਼ ਅਤੇ ਇੰਡੀ ਕ੍ਰਿਏਟਰਜ਼ ਲਈ, ਇਹ ਜਨਰੇਟਿਵ ਮੀਡੀਆ ਦੇ ਅਰਥ ਸ਼ਾਸਤਰ ਨੂੰ ਬਦਲ ਦਿੰਦਾ ਹੈ। ਵੀਡੀਓ ਅਤੇ ਚਿੱਤਰ ਜਨਰੇਸ਼ਨ ਦੇ ਪ੍ਰਯੋਗਾਂ ਵਿੱਚ ਰੁਕਾਵਟ ਤੇਜ਼ੀ ਨਾਲ ਘਟ ਜਾਂਦੀ ਹੈ।
ਅਸਲੀ ਸਿੱਖਿਆ
ਇਸ ਸਾਰੇ ਕੰਮ ਵਿੱਚ ਇੱਕ ਸਾਂਝਾ ਧਾਗਾ 'ਓਪਰੇਸ਼ਨਲਾਈਜ਼ੇਸ਼ਨ' (operationalization) ਹੈ। ਭਾਈਚਾਰਾ ਉਸ ਪੜਾਅ ਤੋਂ ਅੱਗੇ ਵਧ ਗਿਆ ਹੈ ਜਿੱਥੇ ਵੱਡਾ ਹੋਣਾ ਆਪਣੇ ਆਪ ਵਿੱਚ ਬਿਹਤਰ ਹੋਣਾ ਮੰਨਿਆ ਜਾਂਦਾ ਸੀ। ਪ੍ਰਸਿੱਧ ਹੋ ਰਹੇ ਪੇਪਰ ਇਨਫਰੈਂਸ-ਟਾਈਮ ਸਥਿਰਤਾ, ਡੇਟਾ ਮਿਕਸਿੰਗ ਰਣਨੀਤੀ, ਕਰਾਸ-ਪਲੇਟਫਾਰਮ ਮੈਮੋਰੀ, ਐਜ ਡਿਪਲਾਈਮੈਂਟ, ਅਤੇ ਸਬੂਤ-ਅਧਾਰਤ ਖੋਜ ਲਈ ਆਪਟੀਮਾਈਜ਼ ਕਰਦੇ ਹਨ। ਉਹ ਮਾਡਲ ਨੂੰ ਇੱਕ ਵੱਡੇ ਸਿਸਟਮ ਦੇ ਇੱਕ ਹਿੱਸੇ ਵਜੋਂ ਮੰਨਦੇ ਹਨ ਜਿਸ ਵਿੱਚ ਹਾਰਡਵੇਅਰ ਦੀਆਂ ਸੀਮਾਵਾਂ, ਯੂਜ਼ਰ ਇੰਟਰਫੇਸ, ਅਤੇ ਖੋਜ ਵਰਕਫਲੋ ਸ਼ਾਮਲ ਹਨ।
ਜੇਕਰ ਤੁਸੀਂ ਉਤਪਾਦ ਲਾਂਚ ਕਰ ਰਹੇ ਹੋ, ਤਾਂ ਸੰਕੇਤ ਸਪੱਸ਼ਟ ਹੈ। ਡਿਪਲਾਈਮੈਂਟ ਦੀ ਅਸਲੀਅਤ ਲਈ ਆਪਟੀਮਾਈਜ਼ ਕਰੋ, ਨਾ ਕਿ ਪੇਪਰ ਮੈਟ੍ਰਿਕਸ ਲਈ। ਅਜਿਹੇ ਏਜੰਟ ਬਣਾਓ ਜੋ ਯਾਦ ਰੱਖਣ, ਅਤੇ ਅਜਿਹੇ ਮਾਡਲ ਜੋ ਅਸਲ ਡਿਵਾਈਸਾਂ ਵਿੱਚ ਫਿੱਟ ਹੋ ਸਕਣ।