𝗜𝗻𝘁𝗿𝗼 𝘁𝗼 𝗚𝗲𝗻 𝗔𝗜 𝗳𝗼𝗿 𝗣𝘆𝘁𝗵𝗼𝗻 𝗕𝗲𝗴𝗶𝗻𝗻𝗲𝗿𝘀
பெரும்பாலான டெவலப்பர்கள் நிலையான விதிகளையும் (fixed rules) பயன்படுத்தி குறியீடுகளை (code) எழுதுகிறார்கள். நீங்கள் உள்ளீட்டைப் பெற்று, if/else கூற்றுகள் அல்லது லூப்களைப் (loops) பயன்படுத்தி, ஒரு கணிக்கக்கூடிய முடிவைத் தருகிறீர்கள். இது JSON அல்லது CSV போன்ற கட்டமைக்கப்பட்ட தரவுகளுக்கு (structured data) வேலை செய்யும்.
ஆனால் ஒழுங்கற்ற பணிகளை (messy tasks) என்ன செய்வது?
- 100 ஆதரவு டிக்கெட்டுகளை (support tickets) சுருக்குதல்.
- ஒரு அம்சப் பட்டியலை (feature list) மின்னஞ்சலாக மாற்றுதல்.
- வலைப்பதிவு பதிவுகளிலிருந்து (blog posts) நன்மைகள் மற்றும் தீமைகளை ஒப்பிடுதல்.
நீங்கள் regex அல்லது சிக்கலான டெம்ப்ளேட்களைப் பயன்படுத்தலாம், ஆனால் அவை நிலையற்றவை (fragile). Generative AI இத்தகைய தெளிவற்ற பணிகளை (fuzzy work) எளிதாகக் கையாள்கிறது.
How it works
ஒரு Generative மாதிரி ஒரு எளிய சுழற்சியைப் (loop) பின்பற்றுகிறது:
- இது உங்கள் prompt மற்றும் முந்தைய உரையைப் பார்க்கிறது.
- இது அடுத்த சிறிய உரைத் துண்டைக் கணிக்கிறது.
- அந்தத் துண்டை உரையில் சேர்க்கிறது.
- பணி முடியும் வரை இதைத் திரும்பத் திரும்பச் செய்கிறது.
Large Language Models (LLMs) 'transformer' எனப்படும் கட்டமைப்பைப் பயன்படுத்துகின்றன. இடமிருந்து வலமாக வாசிப்பதற்குப் பதிலாக, இந்த மாதிரி உங்கள் உள்ளீட்டின் அனைத்துப் பகுதிகளையும் ஒரே நேரத்தில் பார்க்கிறது. அடுத்த கணிப்பிற்கு எந்த வார்த்தைகள் மிகவும் முக்கியம் என்பதை இது தீர்மானிக்கிறது.
Python டெவலப்பர்களுக்கு இரண்டு விஷயங்கள் முக்கியமானவை: tokens மற்றும் context windows.
Tokens மாதிரிகள் நேரடி சரங்களை (raw strings) வாசிப்பதில்லை. அவை உரையை tokens ஆகப் பிரிக்கின்றன. ஒரு token என்பது ஒரு வார்த்தையின் சிறிய துண்டு ஆகும். API விலையிடல் மற்றும் வரம்புகள் எழுத்துக்களுக்குப் பதிலாக tokens-களைப் பயன்படுத்துகின்றன.
Context Window இது ஒரு நேரத்தில் மாதிரி பார்க்கும் உரையின் அளவு ஆகும். இதில் உங்கள் prompt, உரையாடல் வரலாறு மற்றும் மாதிரியின் வெளியீடு ஆகியவை அடங்கும். நீங்கள் இந்த வரம்பைத் தாண்டினால், மாதிரி உரையாடலின் பழைய பகுதிகளை மறந்துவிடும்.
Moving from prompts to agents
ஒரு மாதிரிக்கு ஒற்றைப் prompt-ஐ அனுப்புவது ஒரு தொடக்கமே. உங்களால் உரையைச் சுருக்கவோ அல்லது பிழைகளை விளக்கவோ முடியும். இருப்பினும், ஒரு அடிப்படை LLM-க்கு வரம்புகள் உள்ளன:
- இது உங்கள் தரவுத்தளங்கள் (databases) அல்லது APIs-களை அழைக்க முடியாது.
- இது கோரிக்கைகளுக்கு (requests) இடையே விஷயங்களை நினைவில் கொள்வதில்லை.
- இது உண்மைகளைத் தவறாகக் கற்பனை செய்து கூறலாம்.
உண்மையான தயாரிப்புகளை உருவாக்க, உங்களுக்கு agents தேவை. ஒரு agent LLM-உடன் மூன்று விஷயங்களைச் சேர்க்கிறது:
- Tools: இணையத் தேடல் அல்லது கால்குலேட்டர்கள் போன்ற செயல்பாடுகள் (functions).
- Memory: கடந்த கால உரையாடல்கள் மற்றும் பயனர் தரவுகளுக்கான சேமிப்பு.
- Orchestration: எந்தக் கருவியைப் பயன்படுத்த வேண்டும் மற்றும் எப்போது நிறுத்த வேண்டும் என்பதைத் தீர்மானிக்கும் தர்க்கம் (logic).
ஒரு சாதாரண LLM ஒரு பதிலைத் தருகிறது. ஒரு agent ஒரு இலக்கை எடுத்துக்கொண்டு, நம்பகமான முடிவை அடைய கருவிகள் மற்றும் நினைவகத்தைப் பயன்படுத்துகிறது.
Optional learning community: https://t.me/GyaanSetuAi