ਗੂਗਲ ਨੇ ਜੇਮਾ 3n (Gemma 3n) ਦਾ ਪਰਦਾਫਾਸ਼ ਕੀਤਾ ਹੈ, ਜੋ ਕਿ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਮਲਟੀਮੋਡਲ ਛੋਟਾ ਭਾਸ਼ਾ ਮਾਡਲ ਹੈ ਜੋ ਹੁਣ ਨਵੀਨਤਾਕਾਰੀ ਲਾਈਟਆਰਟੀ ਹੱਗਿੰਗ ਫੇਸ ਕਮਿਊਨਿਟੀ (LiteRT Hugging Face community) ‘ਤੇ ਪੂਰਵਦਰਸ਼ਨ ਵਿੱਚ ਉਪਲਬਧ ਹੈ, ਇਸਦੇ ਨਾਲ ਪਹਿਲਾਂ ਲਾਂਚ ਕੀਤੇ ਮਾਡਲਾਂ ਦੀ ਇੱਕ ਲੜੀ ਵੀ ਹੈ। ਜੇਮਾ 3n ਨੂੰ ਟੈਕਸਟ (text), ਚਿੱਤਰ (images), ਵੀਡੀਓ (video), ਅਤੇ ਆਡੀਓ (audio) ਸਮੇਤ ਇਨਪੁਟਸ (inputs) ਦੀ ਇੱਕ ਵਿਭਿੰਨ ਸ਼੍ਰੇਣੀ ਨੂੰ ਪ੍ਰੋਸੈਸ (process) ਕਰਨ ਲਈ ਇੰਜੀਨੀਅਰ (engineered) ਕੀਤਾ ਗਿਆ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਹ ਫਾਈਨ-ਟਿਊਨਿੰਗ (fine-tuning), ਰੀਟ੍ਰੀਵਲ-ਔਗਮੈਂਟਡ ਜਨਰੇਸ਼ਨ (retrieval-augmented generation) (RAG) ਦੁਆਰਾ ਕਸਟਮਾਈਜ਼ੇਸ਼ਨ (customization), ਅਤੇ ਫੰਕਸ਼ਨ ਕਾਲਿੰਗ (function calling) ਦੀ ਸਹੂਲਤ ਦਿੰਦਾ ਹੈ, ਇਹ ਸਭ ਨਾਵਲ ਏਆਈ ਐਜ ਐਸਡੀਕੇ (AI Edge SDKs) ਦੁਆਰਾ ਸੰਚਾਲਿਤ ਹੈ।
ਜੇਮਾ 3n: ਅੰਦਰਲੀ ਸ਼ਕਤੀ ਦਾ ਪਰਦਾਫਾਸ਼
ਜੇਮਾ 3n ਨੂੰ ਦੋ ਵੱਖ-ਵੱਖ ਪੈਰਾਮੀਟਰ ਵੇਰੀਐਂਟਸ (parameter variants) ਵਿੱਚ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਹੈ: ਜੇਮਾ 3n 2B ਅਤੇ ਜੇਮਾ 3n 4B। ਦੋਵੇਂ ਇਟਰੇਸ਼ਨਾਂ (iterations) ਟੈਕਸਟ ਅਤੇ ਚਿੱਤਰ ਇਨਪੁਟਸ ਨੂੰ ਹੈਂਡਲ (handle) ਕਰਨ ਲਈ ਲੈਸ ਹਨ, ਅਤੇ ਆਡੀਓ ਸਪੋਰਟ (audio support) ਨੂੰ ਗੂਗਲ ਦੇ ਅਨੁਮਾਨਾਂ ਦੇ ਅਨੁਸਾਰ, ਨੇੜਲੇ ਭਵਿੱਖ ਵਿੱਚ ਏਕੀਕ੍ਰਿਤ ਕੀਤੇ ਜਾਣ ਦੀ ਯੋਜਨਾ ਹੈ। ਇਹ ਇਸਦੇ ਪੂਰਵਜ, ਗੈਰ-ਮਲਟੀਮੋਡਲ ਜੇਮਾ 3 1B (non-multimodal Gemma 3 1B) ਦੇ ਮੁਕਾਬਲੇ ਸਕੇਲ (scale) ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਛਾਲ ਹੈ, ਜਿਸਨੇ ਇਸ ਸਾਲ ਦੇ ਸ਼ੁਰੂ ਵਿੱਚ ਸ਼ੁਰੂਆਤ ਕੀਤੀ ਅਤੇ ਇੱਕ ਮੋਬਾਈਲ ਜੀਪੀਯੂ (mobile GPU) ‘ਤੇ ਪ੍ਰਤੀ ਸਕਿੰਟ ਇੱਕ ਪ੍ਰਭਾਵਸ਼ਾਲੀ 2,585 ਟੋਕਨਾਂ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨ ਲਈ ਸਿਰਫ਼ 529MB ਦੀ ਮੰਗ ਕੀਤੀ।
ਗੂਗਲ ਦੀਆਂ ਤਕਨੀਕੀ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਅਨੁਸਾਰ, ਜੇਮਾ 3n ਚੋਣਵੇਂ ਪੈਰਾਮੀਟਰ ਐਕਟੀਵੇਸ਼ਨ (selective parameter activation) ਦਾ ਲਾਭ ਉਠਾਉਂਦਾ ਹੈ, ਜੋ ਕੁਸ਼ਲ ਪੈਰਾਮੀਟਰ ਪ੍ਰਬੰਧਨ ਲਈ ਤਿਆਰ ਕੀਤੀ ਗਈ ਇੱਕ ਨਵੀਨਤਾਕਾਰੀ ਤਕਨੀਕ ਹੈ। ਇਸਦਾ ਭਾਵ ਹੈ ਕਿ ਦੋ ਮਾਡਲਾਂ ਵਿੱਚ 2B ਜਾਂ 4B ਨਾਲੋਂ ਵੱਧ ਪੈਰਾਮੀਟਰ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ ਜੋ ਇਨਫਰੈਂਸ (inference) ਦੌਰਾਨ ਸਰਗਰਮੀ ਨਾਲ ਜੁੜੇ ਹੁੰਦੇ ਹਨ। ਇਹ ਰਣਨੀਤਕ ਪਹੁੰਚ ਸਰੋਤ ਉਪਯੋਗਤਾ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਂਦੀ ਹੈ ਅਤੇ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਵਧਾਉਂਦੀ ਹੈ।
ਫਾਈਨ-ਟਿਊਨਿੰਗ ਅਤੇ ਕੁਆਂਟਾਈਜੇਸ਼ਨ: ਕਸਟਮਾਈਜ਼ੇਸ਼ਨ ਨੂੰ ਜਾਰੀ ਕਰਨਾ
ਗੂਗਲ ਡਿਵੈਲਪਰਾਂ ਲਈ ਬੇਸ ਮਾਡਲ (base model) ਨੂੰ ਫਾਈਨ-ਟਿਊਨ ਕਰਨ ਅਤੇ ਬਾਅਦ ਵਿੱਚ ਗੂਗਲ ਏਆਈ ਐਜ (Google AI Edge) ਦੁਆਰਾ ਪਹੁੰਚਯੋਗ ਅਤਿ-ਆਧੁਨਿਕ ਕੁਆਂਟਾਈਜੇਸ਼ਨ ਟੂਲ (quantization tools) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇਸਨੂੰ ਬਦਲਣ ਅਤੇ ਕੁਆਂਟਾਈਜ (quantize) ਕਰਨ ਦੀ ਸਮਰੱਥਾ ‘ਤੇ ਜ਼ੋਰ ਦਿੰਦਾ ਹੈ। ਇਹ ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਖਾਸ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਮਾਡਲ ਨੂੰ ਅਨੁਕੂਲਿਤ ਕਰਨ ਅਤੇ ਇਸਦੇ ਪ੍ਰਦਰਸ਼ਨ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਲਈ ਸ਼ਕਤੀ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।
ਆਰਏਜੀ ਇੰਟੀਗ੍ਰੇਸ਼ਨ: ਪ੍ਰਸੰਗਿਕ ਡੇਟਾ ਨਾਲ ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਨੂੰ ਭਰਪੂਰ ਕਰਨਾ
ਫਾਈਨ-ਟਿਊਨਿੰਗ (fine-tuning) ਦੇ ਬਦਲ ਵਜੋਂ, ਜੇਮਾ 3n ਮਾਡਲਾਂ ਨੂੰ ਔਨ-ਡਿਵਾਈਸ ਰੀਟ੍ਰੀਵਲ ਔਗਮੇਂਟੇਡ ਜਨਰੇਸ਼ਨ (Retrieval Augmented Generation) (RAG) ਲਈ ਤਾਇਨਾਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਇਹ ਇੱਕ ਵਿਧੀ ਹੈ ਜੋ ਐਪਲੀਕੇਸ਼ਨ-ਵਿਸ਼ੇਸ਼ ਡੇਟਾ (application-specific data) ਨਾਲ ਇੱਕ ਭਾਸ਼ਾ ਮਾਡਲ ਨੂੰ ਭਰਪੂਰ ਕਰਦੀ ਹੈ। ਇਸ ਵਾਧੇ ਨੂੰ ਏਆਈ ਐਜ ਆਰਏਜੀ ਲਾਇਬ੍ਰੇਰੀ (AI Edge RAG library) ਦੁਆਰਾ ਸਹੂਲਤ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ, ਜੋ ਵਰਤਮਾਨ ਵਿੱਚ ਐਂਡਰਾਇਡ (Android) ਲਈ ਵਿਸ਼ੇਸ਼ ਹੈ ਪਰ ਪਾਈਪਲਾਈਨ (pipeline) ਵਿੱਚ ਹੋਰ ਪਲੇਟਫਾਰਮਾਂ (platforms) ਵਿੱਚ ਵਿਸਤਾਰ ਕਰਨ ਦੀਆਂ ਯੋਜਨਾਵਾਂ ਹਨ।
ਆਰਏਜੀ ਲਾਇਬ੍ਰੇਰੀ ਕਈ ਮੁੱਖ ਪੜਾਵਾਂ ਵਾਲੀ ਇੱਕ ਸੁਚਾਰੂ ਪਾਈਪਲਾਈਨ ਦੁਆਰਾ ਕੰਮ ਕਰਦੀ ਹੈ:
- ਡੇਟਾ ਇੰਪੋਰਟ: ਸਿਸਟਮ (system) ਵਿੱਚ ਸੰਬੰਧਿਤ ਡੇਟਾ ਨੂੰ ਜੋੜਨਾ।
- ਚੰਕਿੰਗ ਅਤੇ ਇੰਡੈਕਸਿੰਗ: ਕੁਸ਼ਲ ਪ੍ਰਾਪਤੀ ਲਈ ਡੇਟਾ ਨੂੰ ਵੱਖਰਾ ਕਰਨਾ ਅਤੇ ਵਿਵਸਥਿਤ ਕਰਨਾ।
- ਇੰਬੈਡਿੰਗ ਜਨਰੇਸ਼ਨ: ਅਰਥਾਤਮਕ ਸਮਝ ਲਈ ਡੇਟਾ ਦੀ ਵੈਕਟਰ (vector) ਪ੍ਰਸਤੁਤੀ ਬਣਾਉਣਾ।
- ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤੀ: ਉਪਭੋਗਤਾ ਪੁੱਛਗਿੱਛਾਂ ਦੇ ਅਧਾਰ ‘ਤੇ ਢੁਕਵੀਂ ਜਾਣਕਾਰੀ ਦੀ ਪਛਾਣ ਅਤੇ ਕੱਢਣਾ।
- ਜਵਾਬ ਜਨਰੇਸ਼ਨ: ਇੱਕ ਐਲਐਲਐਮ (LLM) ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਇੱਕਸਾਰ ਅਤੇ ਪ੍ਰਸੰਗਿਕ ਜਵਾਬਾਂ ਨੂੰ ਤਿਆਰ ਕਰਨਾ।
ਇਹ ਮਜ਼ਬੂਤ ਫ੍ਰੇਮਵਰਕ (framework) ਕਸਟਮ ਡੇਟਾਬੇਸ (custom databases), ਚੰਕਿੰਗ ਰਣਨੀਤੀਆਂ (chunking strategies), ਅਤੇ ਪ੍ਰਾਪਤੀ ਫੰਕਸ਼ਨਾਂ (retrieval functions) ਲਈ ਸਮਰਥਨ ਨੂੰ ਘੇਰਦੇ ਹੋਏ, ਆਰਏਜੀ ਪਾਈਪਲਾਈਨ ਦੇ ਵਿਆਪਕ ਕਸਟਮਾਈਜ਼ੇਸ਼ਨ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਂਦਾ ਹੈ।
ਏਆਈ ਐਜ ਆਨ-ਡਿਵਾਈਸ ਫੰਕਸ਼ਨ ਕਾਲਿੰਗ ਐਸਡੀਕੇ: ਮਾਡਲਾਂ ਅਤੇ ਅਸਲ-ਸੰਸਾਰ ਕਾਰਵਾਈਆਂ ਵਿਚਕਾਰ ਪਾੜਾ ਜੋੜਨਾ
ਜੇਮਾ 3n ਦੇ ਉਦਘਾਟਨ ਦੇ ਨਾਲ ਹੀ, ਗੂਗਲ ਨੇ ਏਆਈ ਐਜ ਆਨ-ਡਿਵਾਈਸ ਫੰਕਸ਼ਨ ਕਾਲਿੰਗ ਐਸਡੀਕੇ (AI Edge On-device Function Calling SDK) ਪੇਸ਼ ਕੀਤਾ, ਜੋ ਸ਼ੁਰੂ ਵਿੱਚ ਸਿਰਫ਼ ਐਂਡਰਾਇਡ (Android) ‘ਤੇ ਉਪਲਬਧ ਹੈ। ਇਹ ਐਸਡੀਕੇ ਮਾਡਲਾਂ ਨੂੰ ਖਾਸ ਫੰਕਸ਼ਨਾਂ (functions) ਨੂੰ ਲਾਗੂ ਕਰਨ ਲਈ ਸ਼ਕਤੀ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਅਸਲ-ਸੰਸਾਰ ਕਾਰਵਾਈਆਂ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ।
ਇੱਕ ਐਲਐਲਐਮ (LLM) ਨੂੰ ਬਾਹਰੀ ਫੰਕਸ਼ਨ (external function) ਨਾਲ ਸਹਿਜੇ ਹੀ ਏਕੀਕ੍ਰਿਤ ਕਰਨ ਲਈ, ਫੰਕਸ਼ਨ ਨੂੰ ਇਸਦੇ ਨਾਮ, ਇੱਕ ਵਰਣਨਾਤਮਕ ਬਿਰਤਾਂਤ ਦੁਆਰਾ ਧਿਆਨ ਨਾਲ ਦਰਸਾਇਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਜੋ ਇਹ ਦੱਸਦਾ ਹੈ ਕਿ ਐਲਐਲਐਮ ਨੂੰ ਇਸਦੀ ਵਰਤੋਂ ਕਦੋਂ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ, ਅਤੇ ਇਸਦੇ ਲਈ ਲੋੜੀਂਦੇ ਪੈਰਾਮੀਟਰਾਂ (parameters) ਬਾਰੇ ਵੀ ਦੱਸਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਇਹ ਮੈਟਾਡੇਟਾ (metadata) ਇੱਕ ਟੂਲ (Tool) ਆਬਜੈਕਟ (object) ਦੇ ਅੰਦਰ ਬੰਦ ਹੈ, ਜਿਸਨੂੰ ਬਾਅਦ ਵਿੱਚ ਜਨਰੇਟਿਵਮਾਡਲ (GenerativeModel) ਕੰਸਟਰਕਟਰ (constructor) ਦੁਆਰਾ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲ (large language model) ਨੂੰ ਪਾਸ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਫੰਕਸ਼ਨ ਕਾਲਿੰਗ ਐਸਡੀਕੇ (function calling SDK) ਪ੍ਰਦਾਨ ਕੀਤੇ ਗਏ ਵਰਣਨ ਦੇ ਆਧਾਰ ‘ਤੇ ਐਲਐਲਐਮ (LLM) ਤੋਂ ਫੰਕਸ਼ਨ ਕਾਲਾਂ (function calls) ਪ੍ਰਾਪਤ ਕਰਨ ਅਤੇ ਐਲਐਲਐਮ ਨੂੰ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਨਤੀਜੇ (execution results) ਵਾਪਸ ਭੇਜਣ ਲਈ ਸਮਰਥਨ ਨੂੰ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ।
ਸੰਭਾਵਨਾ ਦੀ ਖੋਜ ਕਰਨਾ: ਗੂਗਲ ਏਆਈ ਐਜ ਗੈਲਰੀ
ਉਨ੍ਹਾਂ ਲਈ ਜੋ ਇਨ੍ਹਾਂ ਮਹੱਤਵਪੂਰਨ ਟੂਲਜ਼ (groundbreaking tools) ਵਿੱਚ ਡੂੰਘਾਈ ਨਾਲ ਖੋਜ ਕਰਨ ਲਈ ਉਤਸੁਕ ਹਨ, ਗੂਗਲ ਏਆਈ ਐਜ ਗੈਲਰੀ (Google AI Edge Gallery) ਇੱਕ ਅਨਮੋਲ ਸਰੋਤ ਵਜੋਂ ਖੜ੍ਹੀ ਹੈ। ਇਹ ਪ੍ਰਯੋਗਾਤਮਕ ਐਪਲੀਕੇਸ਼ਨ (experimental application) ਮਾਡਲਾਂ ਦੀ ਇੱਕ ਵਿਭਿੰਨ ਲੜੀ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ ਅਤੇ ਟੈਕਸਟ (text), ਚਿੱਤਰ (image), ਅਤੇ ਆਡੀਓ ਪ੍ਰੋਸੈਸਿੰਗ (audio processing) ਦੀ ਸਹੂਲਤ ਦਿੰਦੀ ਹੈ।
ਡੂੰਘੀ ਗੋਤਾਖੋਰੀ: ਜੇਮਾ 3n ਅਤੇ ਇਸਦੇ ਈਕੋਸਿਸਟਮ ਦੀਆਂ ਬਾਰੀਕੀਆਂ
ਜੇਮਾ 3n ਦੀ ਆਮਦ ਔਨ-ਡਿਵਾਈਸ ਮਸ਼ੀਨ ਲਰਨਿੰਗ (on-device machine learning) ਦੇ ਵਿਕਾਸ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਕਦਮ ਹੈ, ਜੋ ਕੁਸ਼ਲਤਾ, ਅਨੁਕੂਲਤਾ ਅਤੇ ਕਾਰਜਸ਼ੀਲਤਾ ਦਾ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸੁਮੇਲ ਪੇਸ਼ ਕਰਦੀ ਹੈ। ਇਸਦੀਆਂ ਮਲਟੀਮੋਡਲ ਸਮਰੱਥਾਵਾਂ, ਆਰਏਜੀ (RAG) ਅਤੇ ਫੰਕਸ਼ਨ ਕਾਲਿੰਗ (function calling) ਲਈ ਸਮਰਥਨ ਦੇ ਨਾਲ, ਬੁੱਧੀਮਾਨ ਅਤੇ ਪ੍ਰਸੰਗ-ਜਾਣੂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਡਿਵੈਲਪਰਾਂ ਲਈ ਸੰਭਾਵਨਾਵਾਂ ਦਾ ਇੱਕ ਭੰਡਾਰ ਖੋਲ੍ਹਦੀਆਂ ਹਨ।
ਚੋਣਵੇਂ ਪੈਰਾਮੀਟਰ ਐਕਟੀਵੇਸ਼ਨ: ਇੱਕ ਡੂੰਘੀ ਵਿਚਾਰ
ਜੇਮਾ 3n ਦੁਆਰਾ ਵਰਤੀ ਜਾਣ ਵਾਲੀ ਚੋਣਵੀਂ ਪੈਰਾਮੀਟਰ ਐਕਟੀਵੇਸ਼ਨ (selective parameter activation) ਤਕਨੀਕ ਗਹਿਰਾਈ ਨਾਲ ਜਾਂਚ ਕਰਨ ਦੀ ਮੰਗ ਕਰਦੀ ਹੈ। ਇਹ ਨਵੀਨਤਾਕਾਰੀ ਪਹੁੰਚ ਇੱਕ ਮਾਡਲ ਨੂੰ ਇੱਕ ਦਿੱਤੇ ਕੰਮ ਲਈ ਸਿਰਫ਼ ਲੋੜੀਂਦੇ ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਗਤੀਸ਼ੀਲ ਰੂਪ ਨਾਲ ਐਕਟੀਵੇਟ (activate) ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਕੰਪਿਊਟੇਸ਼ਨਲ ਓਵਰਹੈੱਡ (computational overhead) ਘੱਟ ਜਾਂਦਾ ਹੈ ਅਤੇ ਕੁਸ਼ਲਤਾ ਨੂੰ ਵੱਧ ਤੋਂ ਵੱਧ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇਹ ਖਾਸ ਤੌਰ ‘ਤੇ ਔਨ-ਡਿਵਾਈਸ ਤੈਨਾਤੀ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ, ਜਿੱਥੇ ਸਰੋਤ ਅਕਸਰ ਸੀਮਤ ਹੁੰਦੇ ਹਨ।
ਚੋਣਵੇਂ ਪੈਰਾਮੀਟਰ ਐਕਟੀਵੇਸ਼ਨ ਪਿੱਛੇ ਅੰਤਰੀਵ ਸਿਧਾਂਤ ਇਹ ਨਿਰੀਖਣ ਹੈ ਕਿ ਇੱਕ ਨਿਊਰਲ ਨੈੱਟਵਰਕ (neural network) ਵਿੱਚ ਸਾਰੇ ਪੈਰਾਮੀਟਰ ਸਾਰੇ ਕੰਮਾਂ ਲਈ ਬਰਾਬਰ ਮਹੱਤਵਪੂਰਨ ਨਹੀਂ ਹੁੰਦੇ ਹਨ। ਸਿਰਫ਼ ਸਭ ਤੋਂ ਢੁਕਵੇਂ ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਚੋਣਵੇਂ ਢੰਗ ਨਾਲ ਐਕਟੀਵੇਟ ਕਰਕੇ, ਮਾਡਲ ਕਾਫ਼ੀ ਘੱਟ ਕੰਪਿਊਟੇਸ਼ਨਲ ਲਾਗਤ ਨਾਲ ਤੁਲਨਾਤਮਕ ਪ੍ਰਦਰਸ਼ਨ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦਾ ਹੈ।
ਚੋਣਵੇਂ ਪੈਰਾਮੀਟਰ ਐਕਟੀਵੇਸ਼ਨ ਦੇ ਲਾਗੂ ਕਰਨ ਵਿੱਚ ਆਮ ਤੌਰ ‘ਤੇ ਇਹ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਇੱਕ ਵਿਧੀ ਸ਼ਾਮਲ ਹੁੰਦੀ ਹੈ ਕਿ ਇੱਕ ਦਿੱਤੇ ਇਨਪੁਟ (input) ਲਈ ਕਿਹੜੇ ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਐਕਟੀਵੇਟ ਕਰਨਾ ਹੈ। ਇਹ ਵੱਖ-ਵੱਖ ਤਕਨੀਕਾਂ ਦੁਆਰਾ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ:
- ਧਿਆਨ ਵਿਧੀਆਂ: ਇਨਪੁਟ ਦੇ ਸਭ ਤੋਂ ਢੁਕਵੇਂ ਹਿੱਸਿਆਂ ‘ਤੇ ਧਿਆਨ ਦੇਣਾ ਅਤੇ ਸੰਬੰਧਿਤ ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਐਕਟੀਵੇਟ ਕਰਨਾ।
- ਗੇਟਿੰਗ ਵਿਧੀਆਂ: ਨੈੱਟਵਰਕ ਦੇ ਵੱਖ-ਵੱਖ ਹਿੱਸਿਆਂ ਦੁਆਰਾ ਜਾਣਕਾਰੀ ਦੇ ਪ੍ਰਵਾਹ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਨ ਲਈ ਇੱਕ ਗੇਟਿੰਗ ਫੰਕਸ਼ਨ (gating function) ਦੀ ਵਰਤੋਂ ਕਰਨਾ।
- ਵਿਰਲੀ ਸਿਖਲਾਈ: ਵਿਰਲੇ ਕਨੈਕਸ਼ਨਾਂ (sparse connections) ਨੂੰ ਸਿੱਖਣ ਲਈ ਨੈਟਵਰਕ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣਾ, ਤਾਂ ਜੋ ਸਿਰਫ਼ ਪੈਰਾਮੀਟਰਾਂ ਦਾ ਇੱਕ ਉਪ ਸਮੂਹ ਇਨਫਰੈਂਸ ਦੌਰਾਨ ਸਰਗਰਮ ਹੋਵੇ।
ਤਕਨੀਕ ਦੀ ਚੋਣ ਮਾਡਲ ਦੇ ਖਾਸ ਆਰਕੀਟੈਕਚਰ (architecture) ਅਤੇ ਕੰਮ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ‘ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। ਹਾਲਾਂਕਿ, ਮੁੱਖ ਟੀਚਾ ਸਿਰਫ਼ ਉਹਨਾਂ ਪੈਰਾਮੀਟਰਾਂ ਦੀ ਪਛਾਣ ਕਰਨਾ ਅਤੇ ਐਕਟੀਵੇਟ ਕਰਨਾ ਹੈ ਜੋ ਦਿੱਤੇ ਇਨਪੁਟ ਲਈ ਸਭ ਤੋਂ ਢੁਕਵੇਂ ਹਨ, ਜਿਸ ਨਾਲ ਕੰਪਿਊਟੇਸ਼ਨਲ ਲਾਗਤ ਘੱਟ ਜਾਂਦੀ ਹੈ ਅਤੇ ਕੁਸ਼ਲਤਾ ਵਿੱਚ ਸੁਧਾਰ ਹੁੰਦਾ ਹੈ।
ਆਰਏਜੀ: ਗਿਆਨ ਅਤੇ ਪ੍ਰਸੰਗ ਨੂੰ ਵਧਾਉਣਾ
ਰੀਟ੍ਰੀਵਲ ਔਗਮੇਂਟਡ ਜਨਰੇਸ਼ਨ (Retrieval Augmented Generation) (RAG) ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਦੇ ਤਰੀਕੇ ਵਿੱਚ ਇੱਕ ਪੈਰਾਡਾਈਮ ਸ਼ਿਫਟ (paradigm shift) ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਬਾਹਰੀ ਗਿਆਨ ਸਰੋਤਾਂ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਕੇ, ਆਰਏਜੀ ਭਾਸ਼ਾਮਾਡਲਾਂ ਨੂੰ ਵਧੇਰੇ ਸੂਚਿਤ, ਸਹੀ ਅਤੇ ਪ੍ਰਸੰਗਿਕ ਜਵਾਬ ਤਿਆਰ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ।
ਆਰਏਜੀ ਪਾਈਪਲਾਈਨ ਵਿੱਚ ਕਈ ਮੁੱਖ ਪੜਾਅ ਹੁੰਦੇ ਹਨ:
- ਡੇਟਾ ਇੰਡੈਕਸਿੰਗ: ਇਸ ਪੜਾਅ ਵਿੱਚ, ਬਾਹਰੀ ਗਿਆਨ ਸਰੋਤ ਨੂੰ ਸੰਬੰਧਿਤ ਜਾਣਕਾਰੀ ਦੀ ਕੁਸ਼ਲ ਪ੍ਰਾਪਤੀ ਨੂੰ ਸਮਰੱਥ ਕਰਨ ਲਈ ਇੰਡੈਕਸ (index) ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇਸ ਵਿੱਚ ਆਮ ਤੌਰ ‘ਤੇ ਗਿਆਨ ਸਰੋਤ ਵਿੱਚ ਹਰੇਕ ਦਸਤਾਵੇਜ਼ ਦੀ ਇੱਕ ਵੈਕਟਰ ਪ੍ਰਤੀਨਿਧਤਾ ਬਣਾਉਣਾ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ, ਜਿਸਦੀ ਵਰਤੋਂ ਫਿਰ ਉਹਨਾਂ ਦਸਤਾਵੇਜ਼ਾਂ ਦੀ ਤੇਜ਼ੀ ਨਾਲ ਪਛਾਣ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ ਜੋ ਕਿਸੇ ਦਿੱਤੀ ਗਈ ਪੁੱਛਗਿੱਛ ਦੇ ਸਮਾਨ ਹਨ।
- ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤੀ: ਜਦੋਂ ਕੋਈ ਪੁੱਛਗਿੱਛ ਪ੍ਰਾਪਤ ਹੁੰਦੀ ਹੈ, ਤਾਂ RAG ਸਿਸਟਮ ਇੰਡੈਕਸ ਕੀਤੇ ਗਿਆਨ ਸਰੋਤ ਤੋਂ ਸਭ ਤੋਂ ਢੁਕਵੇਂ ਦਸਤਾਵੇਜ਼ਾਂ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ। ਇਹ ਆਮ ਤੌਰ ‘ਤੇ ਇੱਕ ਸਮਾਨਤਾ ਖੋਜ ਐਲਗੋਰਿਦਮ (similarity search algorithm) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਜੋ ਪੁੱਛਗਿੱਛ ਦੀ ਵੈਕਟਰ ਪ੍ਰਸਤੁਤੀ ਦੀ ਗਿਆਨ ਸਰੋਤ ਵਿੱਚ ਦਸਤਾਵੇਜ਼ਾਂ ਦੀ ਵੈਕਟਰ ਪ੍ਰਸਤੁਤੀ ਨਾਲ ਤੁਲਨਾ ਕਰਦਾ ਹੈ।
- ਪ੍ਰਸੰਗੀਕਰਨ: ਪ੍ਰਾਪਤ ਕੀਤੇ ਦਸਤਾਵੇਜ਼ਾਂ ਦੀ ਵਰਤੋਂ ਫਿਰ ਪੁੱਛਗਿੱਛ ਦੇ ਸੰਦਰਭ ਨੂੰ ਵਧਾਉਣ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਹ ਪ੍ਰਾਪਤ ਕੀਤੇ ਦਸਤਾਵੇਜ਼ਾਂ ਨੂੰ ਸਿਰਫ਼ ਪੁੱਛਗਿੱਛ ਵਿੱਚ ਜੋੜ ਕੇ, ਜਾਂ ਪ੍ਰਾਪਤ ਕੀਤੇ ਦਸਤਾਵੇਜ਼ਾਂ ਤੋਂ ਜਾਣਕਾਰੀ ਨੂੰ ਪੁੱਛਗਿੱਛ ਪ੍ਰਤੀਨਿਧਤਾ ਵਿੱਚ ਏਕੀਕ੍ਰਿਤ ਕਰਨ ਲਈ ਇੱਕ ਵਧੇਰੇ ਵਧੀਆ ਤਕਨੀਕ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
- ਜਵਾਬ ਜਨਰੇਸ਼ਨ: ਅੰਤ ਵਿੱਚ, ਵਧੀ ਹੋਈ ਪੁੱਛਗਿੱਛ ਨੂੰ ਇੱਕ ਭਾਸ਼ਾ ਮਾਡਲ ਵਿੱਚ ਫੀਡ (feed) ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਜੋ ਪੁੱਛਗਿੱਛ ਅਤੇ ਪ੍ਰਾਪਤ ਕੀਤੇ ਦਸਤਾਵੇਜ਼ਾਂ ਤੋਂ ਸੰਯੁਕਤ ਜਾਣਕਾਰੀ ਦੇ ਆਧਾਰ ‘ਤੇ ਇੱਕ ਜਵਾਬ ਤਿਆਰ ਕਰਦਾ ਹੈ।
ਆਰਏਜੀ ਰਵਾਇਤੀ ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਨਾਲੋਂ ਕਈ ਫਾਇਦੇ ਪੇਸ਼ ਕਰਦਾ ਹੈ:
- ਵਧੀ ਹੋਈ ਸ਼ੁੱਧਤਾ: ਬਾਹਰੀ ਗਿਆਨ ਨੂੰ ਸ਼ਾਮਲ ਕਰਕੇ, ਆਰਏਜੀ ਮਾਡਲ ਵਧੇਰੇ ਸਹੀ ਅਤੇ ਤੱਥਾਂ ਵਾਲੇ ਜਵਾਬ ਤਿਆਰ ਕਰ ਸਕਦੇ ਹਨ।
- ਸੁਧਾਰੀ ਹੋਈ ਪ੍ਰਸੰਗਿਕ ਸਮਝ: ਆਰਏਜੀ ਮਾਡਲ ਪ੍ਰਾਪਤ ਕੀਤੇ ਦਸਤਾਵੇਜ਼ਾਂ ਵਿੱਚ ਜਾਣਕਾਰੀ ਦਾ ਲਾਭ ਉਠਾ ਕੇ ਪੁੱਛਗਿੱਛ ਦੇ ਸੰਦਰਭ ਨੂੰ ਬਿਹਤਰ ਤਰੀਕੇ ਨਾਲ ਸਮਝ ਸਕਦੇ ਹਨ।
- ਘੱਟ ਹੈਲੂਸੀਨੇਸ਼ਨਾਂ: ਆਰਏਜੀ ਮਾਡਲਾਂ ਵਿੱਚ ਹੈਲੂਸੀਨੇਟ (hallucinate) ਕਰਨ ਜਾਂ ਬਕਵਾਸ ਵਾਲੇ ਜਵਾਬ ਤਿਆਰ ਕਰਨ ਦੀ ਸੰਭਾਵਨਾ ਘੱਟ ਹੁੰਦੀ ਹੈ, ਕਿਉਂਕਿ ਉਹ ਬਾਹਰੀ ਗਿਆਨ ਵਿੱਚ ਅਧਾਰਤ ਹੁੰਦੇ ਹਨ।
- ਨਵੀਂ ਜਾਣਕਾਰੀ ਲਈ ਅਨੁਕੂਲਤਾ: ਆਰਏਜੀ ਮਾਡਲ ਸਿਰਫ਼ ਇੰਡੈਕਸ ਕੀਤੇ ਗਿਆਨ ਸਰੋਤ ਨੂੰ ਅਪਡੇਟ ਕਰਕੇ ਨਵੀਂ ਜਾਣਕਾਰੀ ਨਾਲ ਆਸਾਨੀ ਨਾਲ ਅਨੁਕੂਲ ਹੋ ਸਕਦੇ ਹਨ।
ਫੰਕਸ਼ਨ ਕਾਲਿੰਗ: ਅਸਲ ਸੰਸਾਰ ਨਾਲ ਗੱਲਬਾਤ ਕਰਨਾ
ਏਆਈ ਐਜ ਆਨ-ਡਿਵਾਈਸ ਫੰਕਸ਼ਨ ਕਾਲਿੰਗ ਐਸਡੀਕੇ (AI Edge On-device Function Calling SDK) ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਨੂੰ ਅਸਲ ਸੰਸਾਰ ਨਾਲ ਗੱਲਬਾਤ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਣ ਵੱਲ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਕਦਮ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਮਾਡਲਾਂ ਨੂੰ ਬਾਹਰੀ ਫੰਕਸ਼ਨਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਆਗਿਆ ਦੇ ਕੇ, ਐਸਡੀਕੇ ਬੁੱਧੀਮਾਨ ਅਤੇ ਪ੍ਰਸੰਗ-ਜਾਣੂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਬਣਾਉਣ ਲਈ ਸੰਭਾਵਨਾਵਾਂ ਦੀ ਇੱਕ ਵਿਸ਼ਾਲ ਸ਼੍ਰੇਣੀ ਨੂੰ ਖੋਲ੍ਹਦਾ ਹੈ।
ਫੰਕਸ਼ਨ ਕਾਲਿੰਗ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਆਮ ਤੌਰ ‘ਤੇ ਹੇਠਾਂ ਦਿੱਤੇ ਕਦਮ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ:
- ਫੰਕਸ਼ਨ ਪਰਿਭਾਸ਼ਾ: ਡਿਵੈਲਪਰ ਉਨ੍ਹਾਂ ਫੰਕਸ਼ਨਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਨੂੰ ਭਾਸ਼ਾ ਮਾਡਲ ਲਾਗੂ ਕਰ ਸਕਦਾ ਹੈ। ਇਸ ਵਿੱਚ ਫੰਕਸ਼ਨ ਦੇ ਨਾਮ ਨੂੰ ਨਿਰਧਾਰਿਤ ਕਰਨਾ, ਫੰਕਸ਼ਨ ਕੀ ਕਰਦਾ ਹੈ ਦਾ ਵਰਣਨ, ਅਤੇ ਉਹ ਪੈਰਾਮੀਟਰ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ ਜੋ ਫੰਕਸ਼ਨ ਸਵੀਕਾਰ ਕਰਦਾ ਹੈ।
- ਟੂਲ ਆਬਜੈਕਟ ਬਣਾਉਣਾ: ਡਿਵੈਲਪਰ ਇੱਕ
ਟੂਲ(Tool) ਆਬਜੈਕਟ ਬਣਾਉਂਦਾ ਹੈ ਜੋ ਫੰਕਸ਼ਨ ਪਰਿਭਾਸ਼ਾ ਨੂੰ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ। ਇਹ ਆਬਜੈਕਟ ਫਿਰ ਭਾਸ਼ਾ ਮਾਡਲ ਨੂੰ ਪਾਸ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। - ਫੰਕਸ਼ਨ ਕਾਲ ਜਨਰੇਸ਼ਨ: ਜਦੋਂ ਭਾਸ਼ਾ ਮਾਡਲ ਨੂੰ ਅਸਲ-ਸੰਸਾਰ ਕਾਰਵਾਈ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਤਾਂ ਇਹ ਇੱਕ ਫੰਕਸ਼ਨ ਕਾਲ ਤਿਆਰ ਕਰਦਾ ਹੈ। ਇਸ ਕਾਲ ਵਿੱਚ ਲਾਗੂ ਕੀਤੇ ਜਾਣ ਵਾਲੇ ਫੰਕਸ਼ਨ ਦਾ ਨਾਮ ਅਤੇ ਫੰਕਸ਼ਨ ਨੂੰ ਪਾਸ ਕੀਤੇ ਜਾਣ ਵਾਲੇ ਪੈਰਾਮੀਟਰਾਂ ਦੇ ਮੁੱਲ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ।
- ਫੰਕਸ਼ਨ ਐਗਜ਼ੀਕਿਊਸ਼ਨ: ਫਿਰ ਫੰਕਸ਼ਨ ਕਾਲ ਨੂੰ ਸਿਸਟਮ ਦੁਆਰਾ ਲਾਗੂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇਸ ਵਿੱਚ ਆਮ ਤੌਰ ‘ਤੇ ਸੰਬੰਧਿਤ ਏਪੀਆਈ (API) ਜਾਂ ਸੇਵਾ (service) ਨੂੰ ਲਾਗੂ ਕਰਨਾ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ।
- ਨਤੀਜਾ ਪ੍ਰਸਾਰਣ: ਫੰਕਸ਼ਨ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਫਿਰ ਭਾਸ਼ਾ ਮਾਡਲ ਨੂੰ ਵਾਪਸ ਭੇਜਿਆ ਜਾਂਦਾ ਹੈ।
- ਜਵਾਬ ਜਨਰੇਸ਼ਨ: ਅੰਤ ਵਿੱਚ, ਭਾਸ਼ਾ ਮਾਡਲ ਜਵਾਬ ਤਿਆਰ ਕਰਨ ਲਈ ਫੰਕਸ਼ਨ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ।
ਫੰਕਸ਼ਨ ਕਾਲਿੰਗ ਐਸਡੀਕੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਨੂੰ ਕਈ ਤਰ੍ਹਾਂ ਦੇ ਕੰਮ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ:
- ਬਾਹਰੀ ਸਰੋਤਾਂ ਤੋਂ ਜਾਣਕਾਰੀ ਤੱਕ ਪਹੁੰਚ: ਮਾਡਲ ਡਾਟਾਬੇਸ (databases), ਏਪੀਆਈ (APIs), ਅਤੇ ਹੋਰ ਬਾਹਰੀ ਸਰੋਤਾਂ ਤੋਂ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਫੰਕਸ਼ਨਾਂ ਨੂੰ ਕਾਲ ਕਰ ਸਕਦਾ ਹੈ।
- ਡਿਵਾਈਸਾਂ ਅਤੇ ਉਪਕਰਣਾਂ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਨਾ: ਮਾਡਲ ਸਮਾਰਟ ਹੋਮ (smart home) ਡਿਵਾਈਸਾਂ, ਜਿਵੇਂ ਕਿ ਲਾਈਟਾਂ, ਥਰਮੋਸਟੈਟਸ (thermostats), ਅਤੇ ਉਪਕਰਣਾਂ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਨ ਲਈ ਫੰਕਸ਼ਨਾਂ ਨੂੰ ਕਾਲ ਕਰ ਸਕਦਾ ਹੈ।
- ਲੈਣ-ਦੇਣ ਕਰਨਾ: ਮਾਡਲ ਵਿੱਤੀ ਲੈਣ-ਦੇਣ ਕਰਨ ਲਈ ਫੰਕਸ਼ਨਾਂ ਨੂੰ ਕਾਲ ਕਰ ਸਕਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਭੁਗਤਾਨ ਕਰਨਾ ਅਤੇ ਫੰਡ ਟ੍ਰਾਂਸਫਰ (funds transfer) ਕਰਨਾ।
- ਕੰਮਾਂ ਨੂੰ ਆਟੋਮੈਟਿਕ (automatic) ਕਰਨਾ: ਮਾਡਲ ਗੁੰਝਲਦਾਰ ਕੰਮਾਂ ਨੂੰ ਆਟੋਮੈਟਿਕ ਕਰਨ ਲਈ ਫੰਕਸ਼ਨਾਂ ਨੂੰ ਕਾਲ ਕਰ ਸਕਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਮੁਲਾਕਾਤਾਂ ਨੂੰ ਤਹਿ ਕਰਨਾ ਅਤੇ ਈਮੇਲ ਭੇਜਣਾ।
ਗੂਗਲ ਏਆਈ ਐਜ ਗੈਲਰੀ: ਨਵੀਨਤਾ ਦਾ ਇੱਕ ਸ਼ੋਕੇਸ (showcase)
ਗੂਗਲ ਏਆਈ ਐਜ ਗੈਲਰੀ (Google AI Edge Gallery) ਜੇਮਾ 3n ਅਤੇ ਇਸ ਨਾਲ ਜੁੜੇ ਟੂਲਜ਼ ਦੀਆਂ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਦਰਸਾਉਣ ਲਈ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਪਲੇਟਫਾਰਮ ਵਜੋਂ ਕੰਮ ਕਰਦੀ ਹੈ। ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਇਨ੍ਹਾਂ ਤਕਨਾਲੋਜੀਆਂ ਨਾਲ ਪ੍ਰਯੋਗ ਕਰਨ ਲਈ ਇੱਕ ਇੰਟਰਐਕਟਿਵ ਵਾਤਾਵਰਣ ਪ੍ਰਦਾਨ ਕਰਕੇ, ਗੈਲਰੀ ਨਵੀਨਤਾ ਨੂੰ ਵਧਾਉਂਦੀ ਹੈ ਅਤੇ ਨਵੀਆਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੇ ਵਿਕਾਸ ਨੂੰ ਤੇਜ਼ ਕਰਦੀ ਹੈ।
ਗੈਲਰੀ ਵਿੱਚ ਮਾਡਲਾਂ ਅਤੇ ਡੈਮੋਜ਼ (demos