Ask an AI to recommend a laptop, then tell it you need something lighter. If the system reads that second message as a s

ஒரு AI-யிடம் ஒரு லேப்டாப்பை பரிந்துரைக்கச் சொல்லுங்கள், பின்னர் உங்களுக்கு இன்னும் லேசான ஒன்று தேவை என்று சொல்லுங்கள். அந்த இரண்டாவது செய்தியை ஒரு தனிப்பட்ட கோரிக்கையாக சிஸ்டம் கருதினால், அது உங்களுக்கு ultrabooks பட்டியலை வழங்கலாம். அல்லது, முதல் தொகுப்பு மிகவும் கனமானது என்று நீங்கள் நிராகரித்ததை அது பதிவு செய்யவில்லை என்றால், அது மீண்டும் ஒரு bunch of gaming workstations பட்டியலையே வழங்கலாம். பல AI அமைப்புகள் இன்னும் பதில்களைத் தனித்தனி prompt-களை மட்டும் பார்த்துத் தரவரிசைப்படுத்துவதால் இது நிகழ்கிறது. அவை ஒவ்வொரு செய்தியையும் ஒரு புதிய தேடலின் தொடக்கமாகக் கருதுகின்றன, உரையாடலின் தொடர்ச்சியான கதையைப் புறக்கணிக்கின்றன.

இந்த அணுகுமுறை ஒரு நீண்ட உரையாடலின் நுணுக்கங்களைத் தவறவிடுகிறது. மனித உரையாடல் ஒவ்வொரு முறையும் அர்த்தத்தை உருவாக்குகிறது. நினைவாற்றல், நோக்கம் மற்றும் விருப்பங்கள் தொடர்ந்து தொடரும் என்று நாம் கருதுகிறோம். AI இதைச் செய்யத் தவறும்போது, அது ஒரு உதவியாளருடன் பேசுவது போலத் தெரியாமல், ஒவ்வொரு முறை கிளிக் செய்யும் போதும் ரீசெட் ஆகும் ஒரு தேடல் பெட்டியில் கேள்விகளை வீசுவது போலத் தோன்றுகிறது. இதைச் சரிசெய்வது என்பது சாத்தியமான பதில்களை நாம் எவ்வாறு தரவரிசைப்படுத்துகிறோம் என்பதை மாற்றுவதாகும். இந்த வாக்கியத்திற்கு எந்தப் பதில் பொருந்தும் என்று கேட்பதற்குப் பதிலாக, நாம் விவாதித்த அனைத்தையும் கருத்தில் கொண்டு, இப்போது இந்த நபருக்கு எந்தப் பதில் பொருந்தும் என்று கேட்க வேண்டும்.

இரண்டு விஷயங்கள் இதைச் சாத்தியமாக்குகின்றன: தனிப்பயனாக்கம் (personalization) மற்றும் வரலாறு (history).

ஏன் ஒற்றை-சுற்று தரவரிசை முறை (Single-Turn Ranking) தோல்வியடைகிறது

பாரம்பரிய பதில் தரவரிசை முறையானது கேள்வி-பதில் தரவுத்தொகுப்புகளிலிருந்து (question-answering datasets) உருவானது. ஒரு மாடல் ஒரு prompt-ஐப் பார்க்கிறது, சாத்தியமான பதில்களின் தொகுப்பை உருவாக்குகிறது, மேலும் ஒரு ranker அந்த prompt-ஐ மட்டும் வைத்து ஒவ்வொரு பதிலுக்கும் மதிப்பெண் வழங்குகிறது. அதிக மதிப்பெண் பெறும் பதில் தேர்ந்தெடுக்கப்படுகிறது. இது தனித்தனித் தகவல்களுக்குச் சரியாக இருக்கும். ஆனால் தொடர்ச்சியான வேலைகளுக்கு இது தோல்வியடைகிறது.

ஒரு பயனர் ஒரு பயணத்தைத் திட்டமிடுவதாகக் கற்பனை செய்து பாருங்கள். முதல் சுற்றில், அவர்கள் பாங்காக் (Bangkok) நகரில் பட்ஜெட் ஹோட்டல்களைப் பற்றி கேட்கிறார்கள். மாடல் Khao San Road அருகில் உள்ள பட்டியலை பரிந்துரைக்கிறது. பயனர், "அவை சத்தமாகத் தெரிகின்றன. எனக்குக் குழந்தைகள் உள்ளனர், எனவே எனக்கு ஒரு நீச்சல் குளம் மற்றும் Skytrain-க்கு எளிதான அணுகல் தேவை," என்று பதிலளிக்கிறார். ஒரு single-turn ranker இரண்டாவது வாக்கியத்தை மட்டுமே பார்க்கும். அது தாய்லாந்து முழுவதும் பரவியுள்ள பொதுவான குடும்ப விடுதிகள் பட்டியலைத் தரலாம், ஆனால் ஏற்கனவே குறிப்பிடப்பட்ட குறிப்பிட்ட கட்டுப்பாடுகளை (constraints) அது தவறவிடும்: பாங்காக், பட்ஜெட், அமைதி, நீச்சல் குளம், போக்குவரத்துக்கு அருகில்.

இதன் முடிவு தொழில்நுட்ப ரீதியாகத் தலைப்பிற்குத் தொடர்புடையதாக இருந்தாலும், நடைமுறையில் பயனற்றதாக இருக்கும். பயனர் மீண்டும் சூழலை (context) விளக்க வேண்டியிருக்கும். இதனால் எரிச்சலும், நம்பிக்கையின்மையும் ஏற்படும்.

தனிப்பயனாக்கம் (Personalization): கேட்பவர் யார்?

தனிப்பயனாக்கம் என்பது குறிப்பிட்ட பயனர் விருப்பங்கள் மற்றும் தரவுகளுக்கு ஏற்ப பதில்களைத் தயாரிப்பதைக் குறிக்கிறது. இது "இந்த நபர் யார்?" என்ற கேள்விக்குப் பதிலளிக்கிறது.

இது ஒரு வாழ்த்துச் செய்தியில் பெயரைச் சேர்ப்பதைக் காட்டிலும் மேலானது. அதாவது, முறையான சுயவிவரங்கள் (profiles) அல்லது கற்றறிந்த முறைகள் மூலம், பயனர் தகவல்களை எவ்வாறு பெற விரும்புகிறார் என்பதை சிஸ்டம் அறிந்திருக்க வேண்டும் என்று அர்த்தம். ஒரு டெவலப்பர் தொடர்ந்து Python உதாரணங்களைக் கேட்டால், அவரது கேள்வி ஒரு பொதுவான புரோகிராமிங் பணியைக் குறிப்பிட்டாலும், அவர் வேறுவிதமாகக் குறிப்பிடாதவரை Python குறியீட்டு மாதிரிகளையே அவர் பார்க்க வேண்டும். கடந்த வாரம் சைவ உணவுக் குறிப்புகளைக் கேட்ட ஒருவருக்கு, இறைச்சியைத் தவிர்க்குமாறு சிஸ்டத்திடம் மீண்டும் சொல்ல வேண்டிய அவசியமில்லை. நீண்ட உரைக்கு (prose) பதிலாக சுருக்கமான புல்லட் பாயிண்டுகளைத் (bullet points) தேர்ந்தெடுப்பவர், புல்லட் பாயிண்டுகளையே பெற வேண்டும்.

பயனர் தெரிவிக்கும் விருப்பங்கள், கடந்த காலப் பழக்கவழக்கங்கள் அல்லது இருப்பிடம் மற்றும் சாதன வகை போன்ற metadata ஆகியவை தெளிவான சமிக்ஞைகளாக (signals) இருக்கலாம். முக்கியமானது என்னவென்றால், இந்த சமிக்ஞைகள் வெறும் உருவாக்கும் நிலையில் (generation stage) மட்டுமல்லாமல், தரவரிசைப்படுத்தும் நிலையிலும் (ranking stage) பயன்படுத்தப்பட வேண்டும். சாத்தியமான பதில்களுக்கு மதிப்பெண் வழங்கப்படும்போது, தெரிந்த பயனர் சுயவிவரத்துடன் ஒத்துப்போகும் பதில்களுக்கு ranker அதிக முன்னுரிமை அளிக்க வேண்டும்.

உதாரணமாக, "எனது புகைப்படங்களை எவ்வாறு பேக்கப் செய்வது?" என்ற கேள்விக்கு இரண்டு பதில்கள் சரியாக இருந்தாலும், ஒன்று கிளவுட் ஸ்டோரேஜையும் (cloud storage) மற்றொன்று லோக்கல் NAS டிரைவையும் (local NAS drive) பரிந்துரைத்தால், அந்த குறிப்பிட்ட பயனர் இதற்கு முன்பு ஆஃப்லைன் உரிமை மற்றும் தனியுரிமையில் (privacy) ஆர்வம் காட்டியதை ranker அறிந்திருக்க வேண்டும். அப்போது NAS விருப்பத்திற்கு அதிக மதிப்பெண் வழங்கப்பட வேண்டும். தனிப்பயனாக்கம் இல்லையென்றால், மாடல் ஒரு நாணயத்தைச் சுண்டிப் பார்ப்பது போலச் செயல்படும்.

வரலாறு (History): ஏற்கனவே என்ன சொல்லப்பட்டுள்ளது?

வரலாறு என்பது அடுத்த பதிலைக் வழிநடத்த உரையாடலின் கடந்த கால சுற்றுகளைப் பயன்படுத்துவதைக் குறிக்கிறது. இது "நாம் ஏற்கனவே என்னவற்றை உறுதிப்படுத்தியுள்ளோம்?" என்ற கேள்விக்குப் பதிலளிக்கிறது.

எளிய பிரதிபெயர்கள் (pronouns) கூட வரலாற்றை அடிப்படையாகக் கொண்டவை. ஒரு பயனர் "அதை நீல நிறமாக மாற்றவும்" என்று கூறும்போது, "அதை" என்பது எதைக் குறிக்கிறது என்பதை மாடல் அறிந்திருக்க வேண்டும். அந்தத் தொடர்பு முந்தைய சுற்றில் இருக்கும். நீண்ட உரையாடல்களில், இந்தத் தொடர்புகள் சிக்கலானதாகின்றன. கட்டுப்பாடுகள் (constraints) ஒன்றன் பின் ஒன்றாகக் குவிந்து கொண்டே வரும். பயனர் ஒரு விருப்பத்தை நிராகரிக்கலாம், ஒரு கோரிக்கையைத் திருத்தலாம் அல்லது ஒரு புதிய இலக்கை அறிமுகப்படுத்தலாம்...