ज़ीरो-शॉट प्रॉम्प्ट: एलएलएम की क्षमताओं को समझना और उनका उपयोग करना
ज़ीरो-शॉट (ज़ीरोशॉट) प्रॉम्प्ट बड़े पैमाने के भाषा मॉडल, जैसे कि GPT-3 जैसी आर्टिफिशियल इंटेलिजेंस के लिए, बिना किसी पूर्व उदाहरण या डेमो के भी किसी विशेष कार्य को करने की क्षमता को दर्शाता है। यह फीचर आर्टिफिशियल इंटेलिजेंस को विभिन्न डेटा सीखकर कई तरह के कार्यों को स्वतंत्रता से करने की सहूलियत देता है।
ज़ीरो-शॉट प्रॉम्प्ट का उदाहरण?
उदाहरण के लिए, मान लीजिए आप किसी विशेष टेक्स्ट की भावनाओं को वर्गीकृत करने का काम करना चाहते हैं। यदि उपयोगकर्ता बिना किसी एक्सप्लेनेशन के "यह गाइडबुक पढ़ने लायक है." जैसा वाक्य इनपुट करता है, तो भाषा मॉडल इसे 'न्यूट्रल' के रूप में वर्गीकृत करता है।
इस प्रक्रिया में, आर्टिफिशियल इंटेलिजेंस भावनाओं की वर्गीकरण के विशेष उदाहरण पहले से ना होने पर भी, वाक्य की भावना को सही तरीके से विश्लेषण करती है। यही ज़ीरो-शॉट प्रॉम्प्ट की मूल क्षमता को दर्शाता है। अर्थात्, कोई पूर्व जानकारी न होते हुए मौजूदा भाषा मॉडल की योग्यता द्वारा समस्या को हल करना ही ज़ीरो-शॉट कहलाता है।
ज़ीरो-शॉट लर्निंग की प्रगति
2022 में, जेसन वेई द्वारा किए गए शोध <फाइनट्यून किए गए भाषा मॉडल ज़ीरो-शॉट लर्नर्स हैं> में पेश की गई ‘इंस्ट्रक्शन ट्यूनिंग’ ने इस फंक्शन को और बेहतर बना दिया।
FINETUNED LANGUAGE MODELS ARE ZERO-SHOT LEARNERS.pdf1.55MB
इंस्ट्रक्शन ट्यूनिंग, डेटा सेट में बारीकी से सुधार की प्रक्रिया है ताकि एआई को दिए गए निर्देशों को और अधिक सटीकता से समझने और पालन करने में मदद मिल सके। असल में, यही फंक्शन चैटGPT की 'कस्टम इंस्ट्रक्शंस' फीचर में लागू हुआ है। यह फीचर उपयोगकर्ता को हर बार अलग से आदेश या गाइड न देने पर भी इच्छित जवाब को ज़ीरो-शॉट के जरिए हासिल करने में मदद करता है।
साथ ही, मानव फीडबैक के माध्यम से मजबूत किया गया लर्निंग (RLHF) भी अहम भूमिका निभाता है, जिससे एआई मॉडल को इंसानी पसंद और दिशानिर्देश के अनुसार और बेहतर ढंग से ढाला और सुधारा जा सकता है।
वन-शॉट प्रॉम्प्ट में परिवर्तन
ज़ीरो-शॉट प्रॉम्प्ट शक्तिशाली होते हैं, लेकिन जटिल या सूक्ष्म कार्यों में उनकी कुछ सीमाएँ हो सकती हैं। ऐसे मामलों में, प्रॉम्प्ट में एक उदाहरण या डेमो को शामिल करना लाभदायक होता है, जिसे 'वन-शॉट प्रॉम्प्ट' कहा जाता है। एकल प्रॉम्प्ट के जरिए आर्टिफिशियल इंटेलिजेंस और अधिक सटीक और विस्तृत नतीजे दे सकती है।
भले ही यह कहने में थोड़ा कठिन लगता है, लेकिन असल में मतलब यह है कि जब भी कोई आदेश दें, तो बिल्कुल स्पष्ट और सही तरीके से दें। उदाहरण व मानक जैसी चीज़ें देकर बताएं। जैसा कि हमने पहले जिस भावना वर्गीकरणकर्ता की बात की थी, उसी अनुसार ऐसा किया जा सकता है।
작업: 문장의 감정 분류
예시 입력: "오늘은 정말 행복한 날이에요."
예시 출력: 긍정
기준:
긍정 - 만족, 기쁨, 흥미, 행복, 감사 등의 긍정적인 반응이 포함
부정 - 불만, 실망, 슬픔, 분노, 두려움 등의 감정이 드러나는 경우가 여기에 해당
중립 - 대개 정보를 전달하거나 질문하는 등 개인적인 감정이나 태도가 드러나지 않는 경우 해당
새로운 입력: "이번 프로젝트는 좀 걱정되네요."
출력: ?जब प्रॉम्प्ट को एक बार में ठीक तरह से इनपुट किया जाए, तो GPT-3, 4 जैसे मॉडल न होने पर भी कम प्रदर्शन करने वाले मॉडल에서도 सार्थक परिणाम निकाले जा सकते हैं। इस तरह से आर्टिफिशियल इंटेलिजेंस की ज़ीरो-शॉट प्रॉम्प्ट फंक्शन को समझना और इस्तेमाल करना, अलग-अलग क्षेत्रों में इस्तेमाल की नई संभावनाएं खोलता है।
ⓒ 2023. हैबोम, सर्वाधिकार सुरक्षित।
कॉपीराइट धारक की अनुमति से इसका उपयोग वाणिज्यिक प्रयोजनों के लिए किया जा सकता है, बशर्ते स्रोत का उल्लेख किया जाए।