𝗜𝗻𝘁𝗿𝗼 𝘁𝗼 𝗚𝗲𝗻 𝗔𝗜 𝗳𝗼𝗿 𝗣𝘆𝘁𝗵𝗼𝗻 𝗕𝗲𝗴𝗶𝗻𝗻𝗲𝗿𝘀

చాలా మంది డెవలపర్లు నిర్ణీత నియమాలను (fixed rules) ఉపయోగించి కోడ్ రాస్తారు. మీరు ఇన్‌పుట్‌ను తీసుకుంటారు, if/else స్టేట్‌మెంట్‌లు లేదా లూప్‌లను వర్తింపజేస్తారు మరియు ఊహించదగిన ఫలితాన్ని అందిస్తారు. ఇది JSON లేదా CSV వంటి స్ట్రక్చర్డ్ డేటాకు బాగా పనిచేస్తుంది.

కానీ గందరగోళంగా ఉండే పనుల (messy tasks) సంగతేంటి?

మీరు regex లేదా సంక్లిష్టమైన టెంప్లేట్‌లను ఉపయోగించవచ్చు, కానీ అవి సులభంగా విఫలమయ్యే అవకాశం ఉంది (fragile). Generative AI ఈ అస్పష్టమైన పనులను (fuzzy work) సులభంగా నిర్వహిస్తుంది.

How it works

ఒక జనరేటివ్ మోడల్ ఒక సాధారణ లూప్‌ను అనుసరిస్తుంది:

Large Language Models (LLMs) 'transformer' అని పిలువబడే ఆర్కిటెక్చర్‌ను ఉపయోగిస్తాయి. ఎడమ నుండి కుడికి చదవడానికి బదులుగా, మోడల్ మీ ఇన్‌పుట్‌లోని అన్ని భాగాలను ఒకేసారి చూస్తుంది. తదుపరి అంచనా కోసం ఏ పదాలు అత్యంత ముఖ్యమైనవో ఇది నిర్ణయిస్తుంది.

పైథాన్ డెవలపర్లకు రెండు విషయాలు ముఖ్యమైనవి: tokens మరియు context windows.

Tokens మోడల్‌లు రా (raw) స్ట్రింగ్‌లను చదవవు. అవి టెక్స్ట్‌ను టోకెన్‌లుగా విడగొడతాయి. ఒక టోకెన్ అనేది పదంలోని ఒక చిన్న భాగం. API ధరలు మరియు పరిమితులు అక్షరాలకు (characters) బదులుగా టోకెన్‌లను ఉపయోగిస్తాయి.

Context Window ఇది మోడల్ ఒకేసారి చూసే టెక్స్ట్ పరిమాణం. ఇందులో మీ ప్రాంప్ట్, చాట్ హిస్టరీ మరియు మోడల్ అవుట్‌పుట్ ఉంటాయి. మీరు ఈ పరిమితిని మించితే, మోడల్ సంభాషణలోని పాత భాగాలను మర్చిపోతుంది.

Moving from prompts to agents

మోడల్‌కు ఒకే ప్రాంప్ట్‌ను పంపడం అనేది ఒక ప్రారంభం మాత్రమే. మీరు టెక్స్ట్‌ను సారాంశం చేయవచ్చు లేదా లోపాలను (errors) వివరించవచ్చు. అయితే, ప్రాథమిక LLMకి కొన్ని పరిమితులు ఉన్నాయి:

నిజమైన ఉత్పత్తులను నిర్మించడానికి, మీకు ఏజెంట్‌లు (agents) అవసరం. ఒక ఏజెంట్ LLMకి మూడు అంశాలను జోడిస్తుంది:

సాధారణ LLM ఒకే సమాధానాన్ని ఇస్తుంది. ఏజెంట్ ఒక లక్ష్యాన్ని తీసుకుని, నమ్మదగిన ఫలితాన్ని చేరుకోవడానికి టూల్స్ మరియు మెమరీని ఉపయోగిస్తుంది.

Source: https://dev.to/raunaklallala/intro-to-gen-ai-for-python-beginners-stop-just-chatgpt-ing-and-start-using-chatgpt-582p

Optional learning community: https://t.me/GyaanSetuAi