ਡੂੰਘੀ ਖੋਜ ਟੀਮ: ਏਜੰਟਾਂ ਦਾ ਅੰਤਮ ਰੂਪ

OpenAI ਦਾ ਦੂਜਾ ਏਜੰਟ

ਤਿੰਨ ਹਫ਼ਤੇ ਪਹਿਲਾਂ, OpenAI ਨੇ ਡੀਪ ਰਿਸਰਚ, ਆਪਣਾ ਦੂਜਾ ਏਜੰਟ ਪੇਸ਼ ਕੀਤਾ। ਇਹ ਏਜੰਟ ਕਈ ਵੈੱਬਸਾਈਟਾਂ ਦੀ ਖੋਜ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ 5-30 ਮਿੰਟਾਂ ਵਿੱਚ ਵਿਆਪਕ ਔਨਲਾਈਨ ਖੋਜ ਨੂੰ ਪੂਰਾ ਕਰ ਸਕਦਾ ਹੈ, ਜਾਣਕਾਰੀ ਨੂੰ ਸੰਸਲੇਸ਼ਣ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਹਵਾਲਿਆਂ ਦੇ ਨਾਲ ਵਿਸਤ੍ਰਿਤ ਰਿਪੋਰਟਾਂ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦਾ ਹੈ।

ਇਹ ਲੇਖ Sequoia Capital ਦੁਆਰਾ ਈਸਾ ਫੁਲਫੋਰਡ ਅਤੇ ਜੋਸ਼ ਟੋਬਿਨ, OpenAI ਦੇ ਡੀਪ ਰਿਸਰਚ ਦੇ ਮੁਖੀਆਂ ਨਾਲ ਇੱਕ ਇੰਟਰਵਿਊ ਨੂੰ ਕੰਪਾਇਲ ਅਤੇ ਵਿਵਸਥਿਤ ਕਰਦਾ ਹੈ। ਦੋਵੇਂ ਮੈਂਬਰ ਡੀਪ ਰਿਸਰਚ ਦੇ ਪਿੱਛੇ ਤਕਨੀਕੀ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਉਤਪਾਦ ਸੋਚ ਨੂੰ ਵਿਸਥਾਰ ਵਿੱਚ ਸਾਂਝਾ ਕਰਦੇ ਹਨ, ਉਹਨਾਂ ਵਰਤੋਂ ਦੇ ਮਾਮਲਿਆਂ ਦੇ ਨਾਲ ਜੋ ਉਹ ਵਰਤਮਾਨ ਵਿੱਚ ਦੇਖ ਰਹੇ ਹਨ।

ਡੀਪ ਰਿਸਰਚ OpenAI ਦੀ ਲੰਬੇ ਸਮੇਂ ਦੇ ਕੰਮਾਂ ਨੂੰ ਸੰਭਾਲਣ ਦੀ ਮਾਡਲ ਦੀ ਯੋਗਤਾ ਦੀ ਅੰਦਰੂਨੀ ਖੋਜ ਤੋਂ ਉਤਪੰਨ ਹੋਈ ਹੈ। ਟੀਮ ਦਾ ਲੰਬੇ ਸਮੇਂ ਦਾ ਟੀਚਾ ਭਵਿੱਖ ਵਿੱਚ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਅੰਤਮ ਏਜੰਟ ਪ੍ਰਦਾਨ ਕਰਨਾ ਹੈ: ਵੈੱਬ ਖੋਜ, ਕੰਪਿਊਟਰ ਦੀ ਵਰਤੋਂ, ਜਾਂ ਕਿਸੇ ਹੋਰ ਕੰਮ ਲਈ ਇੱਕ ਕੁਦਰਤੀ ਆਲ-ਇਨ-ਵਨ ਹੱਲ ਜੋ ਉਹ ਚਾਹੁੰਦੇ ਹਨ ਕਿ ਏਜੰਟ ਪੂਰਾ ਕਰੇ।

ਡੀਪ ਰਿਸਰਚ ਨੂੰ ਉਤਪਾਦ ਪੱਧਰ ‘ਤੇ ਵੀ ਵਿਸ਼ੇਸ਼ ਤੌਰ ‘ਤੇ ਅਨੁਕੂਲ ਬਣਾਇਆ ਗਿਆ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਜਿਵੇਂ ਕਿ ਸਾਡੇ DeepSeek ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਦੱਸਿਆ ਗਿਆ ਹੈ, ਡੀਪ ਰਿਸਰਚ ਸਪੱਸ਼ਟ ਹਵਾਲਿਆਂ ਅਤੇ Chain-of-Thought (CoT) ਰਾਹੀਂ ਉਪਭੋਗਤਾ ਦੇ ਵਿਸ਼ਵਾਸ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ। ਟੀਮ ਨੇ ਕੰਮ ਦੀ ਇਕਸਾਰ ਸਮਝ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਇੱਕ ਸਪਸ਼ਟੀਕਰਨ ਪ੍ਰਵਾਹ ਵੀ ਤਿਆਰ ਕੀਤਾ ਹੈ। ਡੀਪ ਰਿਸਰਚ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤੀ ਅਤੇ ਸੰਗਠਨ ਵਿੱਚ AI ਖੋਜ ਅਤੇ ChatGPT ਨੂੰ ਪਛਾੜ ਦਿੰਦੀ ਹੈ। ਹਾਲਾਂਕਿ, ਇਸ ਪੜਾਅ ‘ਤੇ, ਡੀਪ ਰਿਸਰਚ ਮੌਜੂਦਾ ਜਾਣਕਾਰੀ ਤੋਂ ਨਵੀਂ ਜਾਣਕਾਰੀ ਕੱਢਣ ਵਿੱਚ ਇੰਨੀ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਨਹੀਂ ਹੈ ਅਤੇ ਅਜੇ ਤੱਕ ਨਵੀਆਂ ਵਿਗਿਆਨਕ ਖੋਜਾਂ ਨਹੀਂ ਕਰ ਸਕਦੀ ਹੈ।

ਮੁੱਖ ਨੁਕਤੇ:

• OpenAI ਨੇ ਆਪਣਾ ਦੂਜਾ ਏਜੰਟ, ਡੀਪ ਰਿਸਰਚ ਲਾਂਚ ਕੀਤਾ ਹੈ, ਜੋ ਕਿ ਪੂਰੀ ਤਰ੍ਹਾਂ ਔਨਲਾਈਨ ਜਾਂਚ ਕਰਨ ਦੇ ਸਮਰੱਥ ਹੈ।
• ਏਜੰਟ ਸਮਰੱਥਾਵਾਂ ਮਾਡਲ ਦੀ ਅੰਤ-ਤੋਂ-ਅੰਤ ਸਿਖਲਾਈ ਤੋਂ ਪੈਦਾ ਹੁੰਦੀਆਂ ਹਨ।
• ਡੀਪ ਰਿਸਰਚ ਜਾਣਕਾਰੀ ਸੰਸਲੇਸ਼ਣ ਅਤੇ ਅਸਪਸ਼ਟ ਤੱਥਾਂ ਨੂੰ ਲੱਭਣ ਵਿੱਚ ਉੱਤਮ ਹੈ।
• ਵਰਤੋਂ ਦੇ ਮਾਮਲਿਆਂ ਵਿੱਚ ਪੇਸ਼ੇਵਰ ਕੰਮ, ਨਿੱਜੀ ਜੀਵਨ, ਪ੍ਰੋਗਰਾਮਿੰਗ ਅਤੇ ਸਿੱਖਿਆ ਸ਼ਾਮਲ ਹਨ।
• ਟੀਮ 2025 ਵਿੱਚ ਏਜੰਟਾਂ ਲਈ ਮਹੱਤਵਪੂਰਨ ਤਰੱਕੀ ਦੀ ਉਮੀਦ ਕਰਦੀ ਹੈ।

ਏਜੰਟ ਸਮਰੱਥਾਵਾਂ ਮਾਡਲ ਦੀ ਅੰਤ-ਤੋਂ-ਅੰਤ ਸਿਖਲਾਈ ਤੋਂ ਪੈਦਾ ਹੁੰਦੀਆਂ ਹਨ

ਡੀਪ ਰਿਸਰਚ ਇੱਕ ਏਜੰਟ ਹੈ ਜੋ ਕਈ ਔਨਲਾਈਨ ਵੈੱਬਸਾਈਟਾਂ ਦੀ ਖੋਜ ਕਰਨ ਅਤੇ ਵਿਆਪਕ ਰਿਪੋਰਟਾਂ ਤਿਆਰ ਕਰਨ ਦੇ ਸਮਰੱਥ ਹੈ, ਬਹੁਤ ਸਾਰੇ ਕੰਮਾਂ ਨੂੰ ਪੂਰਾ ਕਰਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਮਨੁੱਖਾਂ ਨੂੰ ਘੰਟੇ ਲੱਗਣਗੇ। ChatGPT ਦੇ ਅੰਦਰ ਕੰਮ ਕਰਦੇ ਹੋਏ, ਇਹ ਲਗਭਗ 5-30 ਮਿੰਟਾਂ ਵਿੱਚ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦਿੰਦਾ ਹੈ, ਡੂੰਘੀ ਖੋਜ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਂਦਾ ਹੈ ਅਤੇ ਸਟੈਂਡਰਡ ChatGPT ਨਾਲੋਂ ਵਧੇਰੇ ਵਿਸਤ੍ਰਿਤ ਅਤੇ ਖਾਸ ਜਵਾਬ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। OpenAI ਨੇ ਪਹਿਲਾਂ ਆਪਰੇਟਰ ਲਾਂਚ ਕੀਤਾ ਸੀ, ਅਤੇ ਡੀਪ ਰਿਸਰਚ ਇਸਦਾ ਦੂਜਾ ਏਜੰਟ ਹੈ, ਜਿਸ ਵਿੱਚ ਹੋਰ ਆਉਣ ਵਾਲੇ ਹਨ।

ਉਤਪਤੀ

ਲਗਭਗ ਇੱਕ ਸਾਲ ਪਹਿਲਾਂ, OpenAI ਨੇ ਅੰਦਰੂਨੀ ਤੌਰ ‘ਤੇ ਇੱਕ ਤਰਕਸ਼ੀਲ ਪੈਰਾਡਾਈਮ ਅਪਣਾਉਣਾ ਸ਼ੁਰੂ ਕੀਤਾ, ਜਿਸਦਾ ਉਦੇਸ਼ ਮਾਡਲਾਂ ਨੂੰ ਜਵਾਬ ਦੇਣ ਤੋਂ ਪਹਿਲਾਂ ਸੋਚਣ ਲਈ ਸਿਖਲਾਈ ਦੇਣਾ ਸੀ। ਇਹ ਪਹੁੰਚ ਬਹੁਤ ਸਫਲ ਸਾਬਤ ਹੋਈ।

ਸ਼ੁਰੂ ਵਿੱਚ, OpenAI ਨੇ ਗਣਿਤ ਅਤੇ ਵਿਗਿਆਨ ‘ਤੇ ਧਿਆਨ ਦਿੱਤਾ। ਹਾਲਾਂਕਿ, ਉਹਨਾਂ ਨੇ ਖੋਜ ਕੀਤੀ ਕਿ ਇਹ ਨਵਾਂ ਤਰਕਸ਼ੀਲ ਮਾਡਲ ਆਰਕੀਟੈਕਚਰ ਏਜੰਟ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਦੇ ਹੋਏ, ਲੰਬੇ ਸਮੇਂ ਦੇ ਕੰਮਾਂ ਨੂੰ ਸੰਭਾਲਣ ਦੀ ਯੋਗਤਾ ਨੂੰ ਵੀ ਅਨਲੌਕ ਕਰਦਾ ਹੈ।

ਇਸ ਦੇ ਨਾਲ ਹੀ, OpenAI ਨੇ ਇਹ ਪਛਾਣ ਲਿਆ ਕਿ ਬਹੁਤ ਸਾਰੇ ਕੰਮਾਂ ਲਈ ਵਿਆਪਕ ਔਨਲਾਈਨ ਖੋਜ ਜਾਂ ਬਾਹਰੀ ਸੰਦਰਭ, ਮਜ਼ਬੂਤ ਤਰਕਸ਼ੀਲ ਯੋਗਤਾਵਾਂ, ਜਾਣਕਾਰੀ ਸਰੋਤਾਂ ਦੀ ਸਮਝ, ਅਤੇ ਰਚਨਾਤਮਕਤਾ ਦੀ ਇੱਕ ਡਿਗਰੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਅੰਤ ਵਿੱਚ, OpenAI ਨੇ ਮਾਡਲ ਸਿਖਲਾਈ ਦੇ ਤਰੀਕੇ ਵਿਕਸਿਤ ਕੀਤੇ ਜੋ ਇਹਨਾਂ ਕੰਮਾਂ ਨੂੰ ਸੰਭਾਲਣ ਦੇ ਸਮਰੱਥ ਹਨ। ਉਹਨਾਂ ਨੇ ਮਾਡਲਾਂ ਨੂੰ ਬ੍ਰਾਊਜ਼ਿੰਗ ਕਾਰਜਾਂ ਨੂੰ ਕਰਨ ਲਈ ਸਿਖਲਾਈ ਦੇਣ ਦਾ ਫੈਸਲਾ ਕੀਤਾ, ਤਰਕਸ਼ੀਲ ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਵਰਤੇ ਗਏ ਤਰੀਕਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਪਰ ਵਧੇਰੇ ਅਸਲ-ਸੰਸਾਰ ਦੇ ਕੰਮਾਂ ‘ਤੇ ਲਾਗੂ ਕੀਤਾ ਗਿਆ।

ਡੀਪ ਰਿਸਰਚ ਪ੍ਰੋਜੈਕਟ ਈਸਾ ਫੁਲਫੋਰਡ ਅਤੇ ਯਸ਼ ਪਾਟਿਲ ਦੁਆਰਾ ਇੱਕ ਅਸਲੀ ਡੈਮੋ ਨਾਲ ਸ਼ੁਰੂ ਹੋਇਆ। ਜੋਸ਼ ਟੋਬਿਨ ਇੱਕ ਸਟਾਰਟਅੱਪ ਵਿੱਚ ਕੰਮ ਕਰਨ ਤੋਂ ਬਾਅਦ ਲਗਭਗ ਛੇ ਮਹੀਨੇ ਪਹਿਲਾਂ OpenAI ਵਿੱਚ ਦੁਬਾਰਾ ਸ਼ਾਮਲ ਹੋਏ, ਬੁਨਿਆਦੀ ਕੰਮ ਵਿੱਚ ਡੂੰਘੀ ਦਿਲਚਸਪੀ ਲੈ ਗਏ, ਅਤੇ ਡੀਪ ਰਿਸਰਚ ਪ੍ਰੋਜੈਕਟ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋ ਗਏ।

ਮੁੱਖ ਵਿਅਕਤੀ:

• ਈਸਾ ਫੁਲਫੋਰਡ: OpenAI ਦੀ ਪੋਸਟ-ਟ੍ਰੇਨਿੰਗ ਟੀਮ ਵਿੱਚ AI ਖੋਜਕਾਰ, ChatGPT ਰੀਟ੍ਰੀਵਲ ਪਲੱਗਇਨ ਵਿੱਚ ਇੱਕ ਪ੍ਰਮੁੱਖ ਯੋਗਦਾਨ ਪਾਉਣ ਵਾਲਾ।
• ਯਸ਼ ਪਾਟਿਲ: OpenAI ਦੀ ਪੋਸਟ-ਟ੍ਰੇਨਿੰਗ ਟੀਮ ਵਿੱਚ ਕੋਰ ਮਾਡਲ ਟੀਮ ਦਾ ਮੈਂਬਰ, ਸਟੈਨਫੋਰਡ ਤੋਂ ਬਾਹਰ ਹੋ ਗਿਆ।
• ਜੋਸ਼ ਟੋਬਿਨ: ਪਹਿਲਾਂ OpenAI ਵਿੱਚ ਇੱਕ ਖੋਜ ਵਿਗਿਆਨੀ, ਬਾਅਦ ਵਿੱਚ Gantry (ਵਿਸ਼ਲੇਸ਼ਣ, ਚੇਤਾਵਨੀਆਂ ਅਤੇ ਮਨੁੱਖੀ ਫੀਡਬੈਕ ਦੁਆਰਾ ML ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਇੱਕ ਉਤਪਾਦ) ਦੀ ਸਥਾਪਨਾ ਕੀਤੀ। ਉਹ OpenAI ਵਿੱਚ ਦੁਬਾਰਾ ਸ਼ਾਮਲ ਹੋਏ ਅਤੇ ਵਰਤਮਾਨ ਵਿੱਚ ਏਜੰਟ ਉਤਪਾਦ ਖੋਜ ਟੀਮ ਦੀ ਅਗਵਾਈ ਕਰਦੇ ਹਨ।

ਸਪਸ਼ਟੀਕਰਨ ਪ੍ਰਵਾਹ

ਡੀਪ ਰਿਸਰਚ ਵਿੱਚ ਇੱਕ ਵਿਲੱਖਣ ਡਿਜ਼ਾਈਨ ਹੈ: ਸਪਸ਼ਟੀਕਰਨ ਪ੍ਰਵਾਹ। ਖੋਜ ਸ਼ੁਰੂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਡੀਪ ਰਿਸਰਚ ਮਾਡਲ ਉਪਭੋਗਤਾ ਨੂੰ ਸਵਾਲ ਪੁੱਛਦਾ ਹੈ। ਆਮ ਤੌਰ ‘ਤੇ, ChatGPT ਸਿਰਫ਼ ਇੱਕ ਜਵਾਬ ਦੇ ਅੰਤ ਵਿੱਚ ਫਾਲੋ-ਅੱਪ ਸਵਾਲ ਪੁੱਛਦਾ ਹੈ ਜਾਂ ਪੁੱਛਦਾ ਹੈ ਕਿ ਕੀ ਜਵਾਬ ਤਸੱਲੀਬਖਸ਼ ਹੈ, ਡੀਪ ਰਿਸਰਚ ਦੇ ਉਲਟ, ਜੋ ਇਸ ਵਿਵਹਾਰ ਵਿੱਚ ਅੱਗੇ ਵਧਦਾ ਹੈ।

ਇਹ ਟੀਮ ਦੁਆਰਾ ਇੱਕ ਜਾਣਬੁੱਝ ਕੇ ਡਿਜ਼ਾਈਨ ਕੀਤਾ ਗਿਆ ਵਿਕਲਪ ਸੀ। ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਡੀਪ ਰਿਸਰਚ ਮਾਡਲ ਤੋਂ ਸਭ ਤੋਂ ਵਧੀਆ ਜਵਾਬ ਉਦੋਂ ਹੀ ਮਿਲਦੇ ਹਨ ਜਦੋਂ ਉਹਨਾਂ ਦੇ ਪ੍ਰੋਂਪਟ ਬਹੁਤ ਸਪੱਸ਼ਟ ਅਤੇ ਵਿਸਤ੍ਰਿਤ ਹੁੰਦੇ ਹਨ। ਹਾਲਾਂਕਿ, ਉਪਭੋਗਤਾ ਅਕਸਰ ਆਪਣੇ ਸ਼ੁਰੂਆਤੀ ਪ੍ਰੋਂਪਟ ਵਿੱਚ ਸਾਰੀ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਨਹੀਂ ਕਰਦੇ ਹਨ। ਇਸ ਲਈ, OpenAI ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਚਾਹੁੰਦਾ ਸੀ ਕਿ 5 ਜਾਂ 30 ਮਿੰਟ ਉਡੀਕ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਕਾਫ਼ੀ ਵਿਸਤ੍ਰਿਤ ਅਤੇ ਤਸੱਲੀਬਖਸ਼ ਜਵਾਬ ਮਿਲੇਗਾ। ਇਹ ਵਾਧੂ ਕਦਮ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਜੋੜਿਆ ਗਿਆ ਸੀ ਕਿ ਉਪਭੋਗਤਾ ਮਾਡਲ ਲਈ ਸਾਰੇ ਲੋੜੀਂਦੇ ਵੇਰਵੇ ਪ੍ਰਦਾਨ ਕਰਨ।

X ‘ਤੇ ਬਹੁਤ ਸਾਰੇ ਉਪਭੋਗਤਾਵਾਂ ਨੇ ਆਪਣੇ ਪ੍ਰੋਂਪਟਾਂ ਨੂੰ ਸੋਧਣ ਲਈ ਪਹਿਲਾਂ o1 ਜਾਂ o1 ਪ੍ਰੋ ਨਾਲ ਗੱਲਬਾਤ ਕਰਨ ਦਾ ਜ਼ਿਕਰ ਕੀਤਾ ਹੈ। ਇੱਕ ਵਾਰ ਸੰਤੁਸ਼ਟ ਹੋਣ ‘ਤੇ, ਉਹ ਪ੍ਰੋਂਪਟ ਨੂੰ ਡੀਪ ਰਿਸਰਚ ਨੂੰ ਭੇਜਦੇ ਹਨ।

ਏਜੰਟਾਂ ਦਾ ਅੰਤਮ ਰੂਪ

ਪਿਛਲੇ ਕੁਝ ਮਹੀਨਿਆਂ ਵਿੱਚ, OpenAI ਨੇ ਡੀਪ ਰਿਸਰਚ ਦੇ ਤਿੰਨ ਵੱਖ-ਵੱਖ ਸੰਸਕਰਣ ਲਾਂਚ ਕੀਤੇ ਹਨ, ਸਾਰਿਆਂ ਦਾ ਨਾਮ ਡੀਪ ਰਿਸਰਚ ਹੈ। ਜੋਸ਼ ਟੋਬਿਨ ਦਾ ਮੰਨਣਾ ਹੈ ਕਿ ਜਦੋਂ ਕਿ ਹਰੇਕ ਉਤਪਾਦ ਦੀਆਂ ਆਪਣੀਆਂ ਸ਼ਕਤੀਆਂ ਅਤੇ ਕਮਜ਼ੋਰੀਆਂ ਹਨ, ਉਹਨਾਂ ਵਿਚਕਾਰ ਗੁਣਵੱਤਾ ਦੇ ਅੰਤਰ ਸਪੱਸ਼ਟ ਹਨ। ਅੰਤ ਵਿੱਚ, ਇਹ ਇਸ ਗੱਲ ਦੇ ਕਾਰਨ ਹੈ ਕਿ ਮਾਡਲ ਕਿਵੇਂ ਬਣਾਏ ਗਏ ਹਨ, ਡੇਟਾਸੈਟਾਂ ਨੂੰ ਬਣਾਉਣ ਵਿੱਚ ਨਿਵੇਸ਼ ਕੀਤਾ ਗਿਆ ਯਤਨ, ਅਤੇ ਇੰਜਣ ਵਜੋਂ ਓ-ਸੀਰੀਜ਼ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ। ਇਹ ਡੀਪ ਰਿਸਰਚ ਮਾਡਲਾਂ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ, ਬਹੁਤ ਹੀ ਬੁੱਧੀਮਾਨ ਅਤੇ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੇ ਟੂਲ ਬਣਾਉਂਦਾ ਹੈ।

ਵਰਤਮਾਨ ਵਿੱਚ, ਡੀਪ ਰਿਸਰਚ, O3, ਅਤੇ ਆਪਰੇਟਰ ਮੁਕਾਬਲਤਨ ਸੁਤੰਤਰ ਹਨ। ਹਾਲਾਂਕਿ, OpenAI ਦਾ ਉਦੇਸ਼ ਉਪਭੋਗਤਾਵਾਂ ਲਈ ਅੰਤ ਵਿੱਚ ਇੱਕ ਸਿੰਗਲ, ਅੰਤਮ ਏਜੰਟ ਹੋਣਾ ਹੈ ਜੋ ਵੈੱਬ ਖੋਜਾਂ ਕਰ ਸਕਦਾ ਹੈ, ਕੰਪਿਊਟਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦਾ ਹੈ, ਜਾਂ ਹੋਰ ਲੋੜੀਂਦੇ ਕੰਮਾਂ ਨੂੰ ਪੂਰਾ ਕਰ ਸਕਦਾ ਹੈ, ਇਹਨਾਂ ਸਾਰੇ ਫੰਕਸ਼ਨਾਂ ਨੂੰ ਵਧੇਰੇ ਕੁਦਰਤੀ ਤਰੀਕੇ ਨਾਲ ਜੋੜ ਸਕਦਾ ਹੈ।

ਅੰਤ-ਤੋਂ-ਅੰਤ ਸਿਖਲਾਈ ਮਾਡਲ ਦੀ ਸ਼ਕਤੀ ਦਾ ਬੁਨਿਆਦੀ ਕਾਰਨ ਹੈ

ਡੀਪ ਰਿਸਰਚ ਦਾ ਅੰਡਰਲਾਈੰਗ ਮਾਡਲ O3 ਦਾ ਇੱਕ ਵਧੀਆ-ਟਿਊਨਡ ਸੰਸਕਰਣ ਹੈ। O3 OpenAI ਦਾ ਸਭ ਤੋਂ ਉੱਨਤ ਤਰਕਸ਼ੀਲ ਮਾਡਲ ਹੈ, ਅਤੇ ਡੀਪ ਰਿਸਰਚ ਦੀ ਬਹੁਤ ਸਾਰੀ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਸਮਰੱਥਾ ਇਸ ਤੋਂ ਆਉਂਦੀ ਹੈ। OpenAI ਨੇ ਖਾਸ ਤੌਰ ‘ਤੇ ਡੀਪ ਰਿਸਰਚ ਮਾਡਲ ਨੂੰ ਗੁੰਝਲਦਾਰ ਬ੍ਰਾਊਜ਼ਿੰਗ ਕਾਰਜਾਂ ਅਤੇ ਹੋਰ ਤਰਕਸ਼ੀਲ ਕਾਰਜਾਂ ‘ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਹੈ। ਇਸ ਲਈ, ਡੀਪ ਰਿਸਰਚ ਬ੍ਰਾਊਜ਼ਿੰਗ ਟੂਲ ਅਤੇ ਪਾਈਥਨ ਟੂਲ ਦੀ ਵਰਤੋਂ ਵੀ ਕਰ ਸਕਦੀ ਹੈ। ਇਹਨਾਂ ਕੰਮਾਂ ‘ਤੇ ਅੰਤ-ਤੋਂ-ਅੰਤ ਸਿਖਲਾਈ ਦੁਆਰਾ, ਡੀਪ ਰਿਸਰਚ ਨੇ ਉਹਨਾਂ ਨੂੰ ਸੰਭਾਲਣ ਲਈ ਰਣਨੀਤੀਆਂ ਸਿੱਖੀਆਂ, ਅੰਤ ਵਿੱਚ ਮਾਡਲ ਨੂੰ ਔਨਲਾਈਨ ਖੋਜ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਉੱਤਮ ਬਣਾਇਆ।

ਸਹਿਜ ਰੂਪ ਵਿੱਚ, ਇੱਕ ਉਪਭੋਗਤਾ ਇੱਕ ਬੇਨਤੀ ਕਰਦਾ ਹੈ, ਅਤੇ ਮਾਡਲ ਪਹਿਲਾਂ ਇਸ ਬਾਰੇ ਧਿਆਨ ਨਾਲ ਸੋਚਦਾ ਹੈ। ਫਿਰ, ਇਹ ਸੰਬੰਧਿਤ ਜਾਣਕਾਰੀ ਦੀ ਖੋਜ ਕਰਦਾ ਹੈ, ਇਸਨੂੰ ਐਕਸਟਰੈਕਟ ਕਰਦਾ ਹੈ, ਅਤੇ ਇਸਨੂੰ ਪੜ੍ਹਦਾ ਹੈ। ਇਹ ਸਮਝਣ ਤੋਂ ਬਾਅਦ ਕਿ ਇਹ ਜਾਣਕਾਰੀ ਬੇਨਤੀ ਨਾਲ ਕਿਵੇਂ ਸੰਬੰਧਿਤ ਹੈ, ਮਾਡਲ ਇਹ ਫੈਸਲਾ ਕਰਦਾ ਹੈ ਕਿ ਉਪਭੋਗਤਾਦੇ ਲੋੜੀਂਦੇ ਅੰਤਮ ਜਵਾਬ ਦੇ ਨੇੜੇ ਜਾਣ ਲਈ ਅੱਗੇ ਕੀ ਖੋਜ ਕਰਨੀ ਹੈ। ਡੀਪ ਰਿਸਰਚ ਇਸ ਸਾਰੀ ਜਾਣਕਾਰੀ ਨੂੰ ਇੱਕ ਸਾਫ਼-ਸੁਥਰੀ ਰਿਪੋਰਟ ਵਿੱਚ ਜੋੜ ਸਕਦੀ ਹੈ, ਜਿਸ ਵਿੱਚ ਮੂਲ ਸਰੋਤਾਂ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰਨ ਵਾਲੇ ਹਵਾਲੇ ਹਨ।

ਨਵੀਨਤਾ ਜੋ ਡੀਪ ਰਿਸਰਚ ਨੂੰ ਇਸਦੀਆਂ ਏਜੰਟ ਸਮਰੱਥਾਵਾਂ ਦਿੰਦੀ ਹੈ, ਉਹ OpenAI ਦੀ ਮਾਡਲ ਦੀ ਅੰਤ-ਤੋਂ-ਅੰਤ ਸਿਖਲਾਈ ਵਿੱਚ ਹੈ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਖੋਜ ਪ੍ਰਕਿਰਿਆ ਦੌਰਾਨ ਬਹੁਤ ਸਾਰੇ ਕਾਰਜ ਪਹਿਲਾਂ ਤੋਂ ਅਣਪਛਾਤੇ ਹੁੰਦੇ ਹਨ। ਇੱਕ ਭਾਸ਼ਾ ਮਾਡਲ, ਪ੍ਰੋਗਰਾਮ, ਜਾਂ ਸਕ੍ਰਿਪਟ ਲਿਖ ਕੇ ਲਚਕਤਾ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨਾ ਅਸੰਭਵ ਹੈ ਜੋ ਮਾਡਲ ਸਿਖਲਾਈ ਦੁਆਰਾ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ। ਸਿਖਲਾਈ ਦੁਆਰਾ, ਡੀਪ ਰਿਸਰਚ ਮਾਡਲ ਨੇ ਸਿੱਖਿਆ ਕਿ ਰੀਅਲ-ਟਾਈਮ ਵੈੱਬ ਜਾਣਕਾਰੀ ‘ਤੇ ਕਿਵੇਂ ਪ੍ਰਤੀਕਿਰਿਆ ਕਰਨੀ ਹੈ ਅਤੇ ਜੋ ਇਹ ਦੇਖਦਾ ਹੈ ਉਸ ਦੇ ਅਧਾਰ ‘ਤੇ ਤੁਰੰਤ ਰਣਨੀਤੀਆਂ ਨੂੰ ਅਨੁਕੂਲ ਕਰਨਾ ਹੈ। ਇਸ ਲਈ, ਡੀਪ ਰਿਸਰਚ ਮਾਡਲ ਅਸਲ ਵਿੱਚ ਬਹੁਤ ਹੀ ਰਚਨਾਤਮਕ ਖੋਜਾਂ ਕਰ ਰਿਹਾ ਹੈ। ਉਪਭੋਗਤਾ ਦੇਖ ਸਕਦੇ ਹਨ ਕਿ ਮਾਡਲ ਅਗਲੀ ਵਾਰ ਕੀ ਖੋਜਣਾ ਹੈ ਜਾਂ CoT ਦੇ ਸੰਖੇਪਾਂ ਨੂੰ ਪੜ੍ਹ ਕੇ ਕੁਝ ਮੁੱਦਿਆਂ ਨੂੰ ਕਿਵੇਂ ਹੱਲ ਕਰਨਾ ਹੈ, ਇਸ ਬਾਰੇ ਫੈਸਲਾ ਕਰਨ ਵਿੱਚ ਕਿੰਨਾ ਬੁੱਧੀਮਾਨ ਹੈ।

ਡੀਪ ਰਿਸਰਚ ਅਤੇ AI ਖੋਜ ਵਿੱਚ ਅੰਤਰ

ਜੌਨ ਕੋਲਿਸਨ ਦੇ ਇਸ ਸਵਾਲ ਦੇ ਸੰਬੰਧ ਵਿੱਚ ਕਿ ਡੀਪ ਰਿਸਰਚ ਦੀ ਕਿੰਨੀ ਸਮਰੱਥਾ ਵੈੱਬ ਸਮੱਗਰੀ ਤੱਕ ਰੀਅਲ-ਟਾਈਮ ਪਹੁੰਚ ਤੋਂ ਆਉਂਦੀ ਹੈ ਅਤੇ ਕਿੰਨੀ CoT ਤੋਂ, ਦੋ OpenAI ਖੋਜਕਰਤਾਵਾਂ ਦਾ ਮੰਨਣਾ ਹੈ ਕਿ ਡੀਪ ਰਿਸਰਚ ਦੀ ਸ਼ਾਨਦਾਰ ਸਮਰੱਥਾ ਦੋਵਾਂ ਦੇ ਸੁਮੇਲ ਦਾ ਨਤੀਜਾ ਹੈ।

ਹੋਰ AI ਖੋਜ ਉਤਪਾਦਾਂ ਨੂੰ ਅੰਤ-ਤੋਂ-ਅੰਤ ਤੱਕ ਸਿਖਲਾਈ ਨਹੀਂ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ, ਇਸਲਈ ਉਹ ਡੀਪ ਰਿਸਰਚ ਜਿੰਨੀ ਜਾਣਕਾਰੀ ਦਾ ਜਵਾਬ ਦੇਣ ਵਿੱਚ ਇੰਨੇ ਲਚਕਦਾਰ ਨਹੀਂ ਹਨ, ਅਤੇ ਨਾ ਹੀ ਉਹ ਖਾਸ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਵਿੱਚ ਇੰਨੇ ਰਚਨਾਤਮਕ ਹਨ।

OpenAI ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ, ਜੋਸ਼ ਟੋਬਿਨ ਨੇ ਇੱਕ ਸਟਾਰਟਅੱਪ ਵਿੱਚ ਕੰਮ ਕੀਤਾ ਅਤੇ ਏਜੰਟਾਂ ਨੂੰ ਉਸ ਤਰੀਕੇ ਨਾਲ ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ ਜਿਸ ਤਰ੍ਹਾਂ ਜ਼ਿਆਦਾਤਰ ਲੋਕ ਉਹਨਾਂ ਨੂੰ ਬਣਾਉਣ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹਨ, ਜ਼ਰੂਰੀ ਤੌਰ ‘ਤੇ ਕੁਝ ਨੋਡਾਂ ‘ਤੇ LLMs ਦੇ ਦਖਲ ਨਾਲ ਇੱਕ ਓਪਰੇਸ਼ਨ ਗ੍ਰਾਫ ਬਣਾਉਂਦੇ ਹਨ। ਜਦੋਂ ਕਿ LLM ਇਹ ਫੈਸਲਾ ਕਰ ਸਕਦਾ ਹੈ ਕਿ ਅੱਗੇ ਕੀ ਕਰਨਾ ਹੈ, ਕਦਮਾਂ ਦੇ ਪੂਰੇ ਕ੍ਰਮ ਦਾ ਤਰਕ ਮਨੁੱਖਾਂ ਦੁਆਰਾ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਹੈ।

ਜੋਸ਼ ਟੋਬਿਨ ਨੇ ਇਸਨੂੰ ਤੇਜ਼ ਪ੍ਰੋਟੋਟਾਈਪਿੰਗ ਲਈ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਤਰੀਕਾ ਪਾਇਆ, ਪਰ ਇਸਨੂੰ ਅਸਲ ਸੰਸਾਰ ਵਿੱਚ ਜਲਦੀ ਹੀ ਸਮੱਸਿਆਵਾਂ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪਿਆ। ਉਹਨਾਂ ਸਾਰੀਆਂ ਸਥਿਤੀਆਂ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣਾ ਮੁਸ਼ਕਲ ਹੈ ਜਿਹਨਾਂ ਦਾ ਮਾਡਲ ਸਾਹਮਣਾ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਉਹਨਾਂ ਸਾਰੇ ਵੱਖ-ਵੱਖ ਸ਼ਾਖਾਵਾਂ ਦੇ ਮਾਰਗਾਂ ‘ਤੇ ਵਿਚਾਰ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੈ ਜੋ ਇਹ ਲੈਣਾ ਚਾਹ ਸਕਦਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਕਿਉਂਕਿ ਇਹ ਮਾਡਲ ਵਿਸ਼ੇਸ਼ ਤੌਰ ‘ਤੇ ਫੈਸਲੇ ਲੈਣ ਲਈ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਨਹੀਂ ਹਨ, ਉਹ ਅਕਸਰ ਨੋਡਾਂ ‘ਤੇ ਸਭ ਤੋਂ ਵਧੀਆ ਫੈਸਲਾ ਲੈਣ ਵਾਲੇ ਨਹੀਂ ਹੁੰਦੇ ਹਨ; ਉਹਨਾਂ ਨੂੰ ਫੈਸਲਾ ਲੈਣ ਦੇ ਸਮਾਨ ਕੁਝ ਕਰਨ ਲਈ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ।

ਇਹ ਦੁਹਰਾਉਂਦਾ ਹੈ ਕਿ ਡੀਪ ਰਿਸਰਚ ਮਾਡਲ ਦੀ ਅਸਲ ਸ਼ਕਤੀ ਸਿੱਧੀ ਅੰਤ-ਤੋਂ-ਅੰਤ ਸਿਖਲਾਈ ਤੋਂ ਆਉਂਦੀ ਹੈ, ਜਿਸਦਾ ਉਦੇਸ਼ ਉਹਨਾਂ ਕੰਮਾਂ ਨੂੰ ਹੱਲ ਕਰਨਾ ਹੈ ਜਿਹਨਾਂ ਨੂੰ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਅਸਲ ਵਿੱਚ ਹੱਲ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇਸ ਲਈ, ਇੱਕ ਓਪਰੇਸ਼ਨ ਗ੍ਰਾਫ ਸਥਾਪਤ ਕਰਨ ਜਾਂ ਬੈਕਗ੍ਰਾਉਂਡ ਆਰਕੀਟੈਕਚਰ ਵਿੱਚ ਨੋਡ ਫੈਸਲੇ ਲੈਣ ਦੀ ਕੋਈ ਲੋੜ ਨਹੀਂ ਹੈ; ਸਭ ਕੁਝ ਮਾਡਲ ਦੁਆਰਾ ਹੀ ਚਲਾਇਆ ਜਾਂਦਾ ਹੈ।

ਇਸ ਤੋਂ ਇਲਾਵਾ, ਜੇਕਰ ਕਿਸੇ ਉਪਭੋਗਤਾ ਕੋਲ ਇੱਕ ਬਹੁਤ ਹੀ ਖਾਸ ਅਤੇ ਅਨੁਮਾਨ ਲਗਾਉਣ ਯੋਗ ਵਰਕਫਲੋ ਹੈ, ਤਾਂ ਇਸਨੂੰ ਉਸ ਤਰੀਕੇ ਨਾਲ ਕਰਨਾ ਜਿਸ ਤਰ੍ਹਾਂ ਜੋਸ਼ ਟੋਬਿਨ ਨੇ ਉੱਪਰ ਦੱਸਿਆ ਹੈ, ਕੀਮਤੀ ਹੈ। ਪਰ ਜੇਕਰ ਬਹੁਤ ਲਚਕਦਾਰ ਪ੍ਰੋਸੈਸਿੰਗ ਦੀ ਲੋੜ ਹੈ, ਤਾਂ ਡੀਪ ਰਿਸਰਚ ਵਰਗੀ ਪਹੁੰਚ ਸਭ ਤੋਂ ਵਧੀਆ ਵਿਕਲਪ ਹੋ ਸਕਦੀ ਹੈ।

ਜੋਸ਼ ਟੋਬਿਨ ਸੁਝਾਅ ਦਿੰਦੇ ਹਨ ਕਿ ਕੁਝ ਸਖ਼ਤ ਨਿਯਮਾਂ ਨੂੰ ਮਾਡਲ ਵਿੱਚ ਹਾਰਡ-ਕੋਡ ਨਹੀਂ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਜੇਕਰ ਕੋਈ ਲੋੜ ਹੈ ਜਿਵੇਂ ਕਿ “ਮਾਡਲ ਨੂੰ ਕਿਸੇ ਖਾਸ ਡੇਟਾਬੇਸ ਤੱਕ ਪਹੁੰਚ ਨਾ ਕਰਨਾ,” ਤਾਂ ਇਸਨੂੰ ਹੱਥੀਂ ਲਿਖੇ ਤਰਕ ਨਾਲ ਲਾਗੂ ਕਰਨਾ ਬਿਹਤਰ ਹੈ। ਲੋਕ ਅਕਸਰ ਸੋਚਦੇ ਹਨ ਕਿ ਉਹ ਕੋਡ ਲਿਖ ਕੇ ਮਾਡਲ ਨਾਲੋਂ ਹੁਸ਼ਿਆਰ ਹੋ ਸਕਦੇ ਹਨ, ਪਰ ਅਸਲ ਵਿੱਚ, ਜਿਵੇਂ ਕਿ ਖੇਤਰ ਵਿਕਸਤ ਹੁੰਦਾ ਹੈ, ਮਾਡਲ ਆਮ ਤੌਰ ‘ਤੇ ਮਨੁੱਖਾਂ ਨਾਲੋਂ ਬਿਹਤਰ ਹੱਲ ਲੈ ਕੇ ਆਉਂਦੇ ਹਨ।

ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੇ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਸਬਕਾਂ ਵਿੱਚੋਂ ਇੱਕ ਇਹ ਹੈ ਕਿ ਤੁਹਾਨੂੰ ਜੋ ਨਤੀਜੇ ਮਿਲਦੇ ਹਨ ਉਹ ਇਸ ਗੱਲ ‘ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ ਕਿ ਤੁਸੀਂ ਕਿਸ ਲਈ ਅਨੁਕੂਲ ਬਣਾਉਂਦੇ ਹੋ। ਇਸ ਲਈ, ਜੇਕਰ ਉਪਭੋਗਤਾ ਲੋੜੀਂਦੇ ਨਤੀਜੇ ਲਈ ਸਿੱਧੇ ਤੌਰ ‘ਤੇ ਅਨੁਕੂਲ ਬਣਾਉਣ ਲਈ ਇੱਕ ਸਿਸਟਮ ਸਥਾਪਤ ਕਰ ਸਕਦੇ ਹਨ, ਤਾਂ ਇਹ ਉਹਨਾਂ ਮਾਡਲਾਂ ਨੂੰ ਇਕੱਠੇ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨ ਨਾਲੋਂ ਬਹੁਤ ਵਧੀਆ ਹੋਵੇਗਾ ਜੋ ਪੂਰੇ ਕੰਮ ਦੇ ਅਨੁਕੂਲ ਨਹੀਂ ਹਨ। ਇਸ ਲਈ, ਸਮੁੱਚੇ ਮਾਡਲ ਦੇ ਅਧਾਰ ‘ਤੇ RL ਟਿਊਨਿੰਗ ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਏਜੰਟਾਂ ਨੂੰ ਬਣਾਉਣ ਦਾ ਇੱਕ ਮੁੱਖ ਹਿੱਸਾ ਬਣ ਸਕਦੀ ਹੈ।

ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲਾ ਡੇਟਾ ਮਾਡਲ ਦੀ ਸਫਲਤਾ ਲਈ ਮੁੱਖ ਕਾਰਕਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ

ਡੀਪ ਰਿਸਰਚ ਮਾਡਲ ਦੀ ਸਫਲਤਾ ਲਈ ਮੁੱਖ ਕਾਰਕਾਂ ਵਿੱਚੋਂ ਇੱਕ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲਾ ਡੇਟਾਸੈੱਟ ਹੋਣਾ ਹੈ। ਮਾਡਲ ਵਿੱਚ ਇਨਪੁਟ ਕੀਤੇ ਗਏ ਡੇਟਾ ਦੀ ਗੁਣਵੱਤਾ ਸੰਭਾਵਤ ਤੌਰ ‘ਤੇ ਮਾਡਲ ਦੀ ਗੁਣਵੱਤਾ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਵਾਲਾ ਮੁੱਖ ਕਾਰਕ ਹੈ। ਡੀਪ ਰਿਸਰਚ ਪ੍ਰੋਜੈਕਟ ਵਿੱਚ, ਐਡਵਰਡ ਸਨ ਸਾਰੇ ਡੇਟਾਸੈੱਟਾਂ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਂਦਾ ਹੈ।

ਡੀਪ ਰਿਸਰਚ ਦੇ ਫਾਇਦੇ

ਡੀਪ ਰਿਸਰਚ ਦੀ ਤਾਕਤ ਉਦੋਂ ਸਭ ਤੋਂ ਵਧੀਆ ਜਵਾਬ ਪ੍ਰਦਾਨ ਕਰਨ ਦੀ ਯੋਗਤਾ ਵਿੱਚ ਹੈ ਜਦੋਂ ਉਪਭੋਗਤਾਵਾਂ ਕੋਲ ਉਹਨਾਂ ਦੀਆਂ ਲੋੜਾਂ ਦਾ ਵਿਸਤ੍ਰਿਤ ਵਰਣਨ ਹੁੰਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਭਾਵੇਂ ਉਪਭੋਗਤਾ ਦਾ ਸਵਾਲ ਅਸਪਸ਼ਟ ਹੈ, ਡੀਪ ਰਿਸਰਚ ਲੋੜੀਂਦੀ ਜਾਣਕਾਰੀ ਨੂੰ ਸਪੱਸ਼ਟ ਕਰ ਸਕਦੀ ਹੈ। ਇਹ ਉਦੋਂ ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਉਪਭੋਗਤਾ ਜਾਣਕਾਰੀ ਦੇ ਇੱਕ ਖਾਸ ਸਮੂਹ ਦੀ ਭਾਲ ਕਰ ਰਹੇ ਹੁੰਦੇ ਹਨ।

ਡੀਪ ਰਿਸਰਚ ਨਾ ਸਿਰਫ਼ ਇੱਕ ਸਰੋਤ ਬਾਰੇ ਸਾਰੀ ਜਾਣਕਾਰੀ ਨੂੰ ਵਿਆਪਕ ਤੌਰ ‘ਤੇ ਇਕੱਠਾ ਕਰਨ ਦੇ ਸਮਰੱਥ ਹੈ, ਸਗੋਂ ਬਹੁਤ ਹੀ ਅਸਪਸ਼ਟ ਤੱਥਾਂ ਨੂੰ ਲੱਭਣ ਵਿੱਚ ਵੀ ਉੱਤਮ ਹੈ, ਜਿਵੇਂ ਕਿ ਲੰਬੀ-ਪੂਛ ਵਾਲੀ ਸਮੱਗਰੀ ਜੋ ਕਿ ਇੱਕ ਰਵਾਇਤੀ ਖੋਜ ਵਿੱਚ ਪਹਿਲੇ ਕੁਝ ਪੰਨਿਆਂ ‘ਤੇ ਦਿਖਾਈ ਨਹੀਂ ਦੇਵੇਗੀ, ਇੱਕ ਅਸਪਸ਼ਟ ਟੀਵੀ ਸ਼ੋਅ ਦੇ ਇੱਕ ਖਾਸ ਐਪੀਸੋਡ ਦੇ ਵੇਰਵੇ, ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ ਦੇ ਹੋਰ। ਇੱਕ ਆਸਟ੍ਰੀਆ ਦੇ ਜਨਰਲ ਬਾਰੇ ਇੱਕ ਸਵਾਲ ਵਿੱਚ, ChatGPT ਨੇ ਇੱਕ ਵਾਰ ਗਲਤ ਜਵਾਬ ਦਿੱਤਾ, ਜਦੋਂ ਕਿ ਡੀਪ ਰਿਸਰਚ ਨੇ ਸਫਲਤਾਪੂਰਵਕ ਸਹੀ ਜਵਾਬ ਲੱਭ ਲਿਆ।

ਡੀਪ ਰਿਸਰਚ ਜਾਣਕਾਰੀ ਨੂੰ ਸੰਸਲੇਸ਼ਣ ਕਰਨ ਵਿੱਚ ਬਹੁਤ ਵਧੀਆ ਹੈ, ਖਾਸ ਕਰਕੇ ਖਾਸ, ਲੱਭਣ ਵਿੱਚ ਮੁਸ਼ਕਲ ਜਾਣਕਾਰੀ ਲੱਭਣ ਵਿੱਚ। ਹਾਲਾਂਕਿ, ਡੀਪ ਰਿਸਰਚ ਮੌਜੂਦਾ ਜਾਣਕਾਰੀ ਤੋਂ ਨਵੀਂ ਜਾਣਕਾਰੀ ਕੱਢਣ ਵਿੱਚ ਇੰਨੀ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਨਹੀਂ ਹੈ ਅਤੇ ਅਜੇ ਤੱਕ ਨਵੀਆਂ ਵਿਗਿਆਨਕ ਖੋਜਾਂ ਨਹੀਂ ਕਰ ਸਕਦੀ ਹੈ।

ਡੀਪ ਰਿਸਰਚ ਦੇ ਵਰਤੋਂ ਦੇ ਮਾਮਲੇ

ਨਿਸ਼ਾਨਾ ਉਪਭੋਗਤਾ

ਡੀਪ ਰਿਸਰਚ ਉਹਨਾਂ ਸਾਰਿਆਂ ਲਈ ਤਿਆਰ ਕੀਤੀ ਗਈ ਹੈ ਜੋ ਆਪਣੇ ਰੋਜ਼ਾਨਾ ਦੇ ਕੰਮ ਜਾਂ ਜੀਵਨ ਵਿੱਚ ਗਿਆਨ ਦੇ ਕੰਮ ਵਿੱਚ ਲੱਗੇ ਹੋਏ ਹਨ, ਖਾਸ ਤੌਰ ‘ਤੇ ਉਹ ਜਿਨ੍ਹਾਂ ਨੂੰ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਜਾਣਕਾਰੀ ਇਕੱਠੀ ਕਰਨ, ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਅਤੇ ਫੈਸਲੇ ਲੈਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਬਹੁਤ ਸਾਰੇ ਉਪਭੋਗਤਾ ਡੀਪ ਰਿਸਰਚ ਨੂੰ ਆਪਣੇ ਕੰਮ ‘ਤੇ ਲਾਗੂ ਕਰਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਖੋਜ ਵਿੱਚ, ਬਾਜ਼ਾਰਾਂ, ਕੰਪਨੀਆਂ ਅਤੇ ਰੀਅਲ ਅਸਟੇਟ ਵਰਗੇ ਖੇਤਰਾਂ ਵਿੱਚ ਸਥਿਤੀ ਨੂੰ ਸਮਝਣ ਲਈ।

ਵਰਤੋਂ ਦੇ ਮਾਮਲੇ

OpenAI ਨੂੰ ਉਮੀਦ ਹੈ ਕਿ ਡੀਪ ਰਿਸਰਚ ਵਪਾਰਕ ਅਤੇ ਨਿੱਜੀ ਜੀਵਨ ਦੋਵਾਂ ਦ੍ਰਿਸ਼ਾਂ ਦੀ ਸੇਵਾ ਕਰ ਸਕਦੀ ਹੈ, ਕਿਉਂਕਿ ਇਹ ਅਸਲ ਵਿੱਚ ਇੱਕ ਬਹੁਤ ਹੀ ਬਹੁਮੁਖੀ ਸਮਰੱਥਾ ਹੈ ਜੋ ਕੰਮ ਅਤੇ ਨਿੱਜੀ ਜੀਵਨ ਦੋਵਾਂ ‘ਤੇ ਲਾਗੂ ਹੁੰਦੀ ਹੈ। ਡੀਪ ਰਿਸਰਚ ਦੀ ਅਪੀਲ ਬਹੁਤ ਸਾਰਾ ਸਮਾਂ ਬਚਾਉਣ ਦੀ ਯੋਗਤਾ ਵਿੱਚ ਹੈ। ਕੁਝ ਕੰਮ ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਘੰਟੇ ਜਾਂ ਦਿਨ ਵੀ ਲੱਗ ਸਕਦੇ ਹਨ, ਹੁਣ ਡੀਪ ਰਿਸਰਚ ਨਾਲ 90% ਜਵਾਬ ਦਿੱਤੇ ਜਾ ਸਕਦੇ ਹਨ। OpenAI ਦਾ ਮੰਨਣਾ ਹੈ ਕਿ ਵਪਾਰਕ ਦ੍ਰਿਸ਼ਾਂ ਵਿੱਚ ਹੋਰ ਸਮਾਨ ਕੰਮ ਹੋਣਗੇ, ਪਰ ਡੀਪ ਰਿਸਰਚ ਲੋਕਾਂ ਦੇ ਨਿੱਜੀ ਜੀਵਨ ਦਾ ਵੀ ਇੱਕ ਹਿੱਸਾ ਬਣ ਜਾਵੇਗੀ।

ਡੀਪ ਰਿਸਰਚ ਕਰਮਚਾਰੀਆਂ ਨੂੰ ਬਦਲਣ ਬਾਰੇ ਨਹੀਂ ਹੈ। ਗਿਆਨ ਦੇ ਕੰਮ ਲਈ, ਖਾਸ ਤੌਰ ‘ਤੇ ਉਹ ਕੰਮ ਜਿਨ੍ਹਾਂ ਲਈ ਜਾਣਕਾਰੀ ਲੱਭਣ ਅਤੇ ਸਿੱਟੇ ਕੱਢਣ ਲਈ ਬਹੁਤ ਸਾਰਾ ਸਮਾਂ ਚਾਹੀਦਾ ਹੈ, ਡੀਪ ਰਿਸਰਚ ਲੋਕਾਂ ਨੂੰ ਮਹਾਂਸ਼ਕਤੀਆਂ ਨਾਲ ਸ਼ਕਤੀ ਪ੍ਰਦਾਨ ਕਰੇਗੀ, ਉਹਨਾਂ ਕੰਮਾਂ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਂਦੀ ਹੈ ਜਿਨ੍ਹਾਂ ਵਿੱਚ 4 ਜਾਂ 8 ਘੰਟੇ ਲੱਗ ਸਕਦੇ ਹਨ, 5 ਮਿੰਟਾਂ ਵਿੱਚ ਪੂਰੇ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਹੋਰ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਆਗਿਆ ਮਿਲਦੀ ਹੈ।

ਇੰਟਰਵਿਊ ਵਿੱਚ ਵਰਤੋਂ ਦੇ ਮਾਮਲਿਆਂ ਦਾ ਜ਼ਿਕਰ ਕੀਤਾ ਗਿਆ ਹੈ ਜਿਸ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ: ਮੈਡੀਕਲ, ਨਿਵੇਸ਼, ਅਤੇ ਹੋਰ ਪੇਸ਼ੇਵਰ ਕੰਮ ਦੇ ਦ੍ਰਿਸ਼; ਖਰੀਦਦਾਰੀ, ਯਾਤਰਾ, ਅਤੇ ਹੋਰ ਪਰਿਵਾਰਕ ਦ੍ਰਿਸ਼; ਪ੍ਰੋਗਰਾਮਿੰਗ ਅਤੇ ਵਿਅਕਤੀਗਤ ਸਿੱਖਿਆ।

• ਮੈਡੀਕਲ, ਨਿਵੇਸ਼, ਅਤੇ ਹੋਰ ਪੇਸ਼ੇਵਰ ਕੰਮ ਦੇ ਦ੍ਰਿਸ਼

  ਦਵਾਈ ਵਿੱਚ, ਡੀਪ ਰਿਸਰਚ ਕਿਸੇ ਖਾਸ ਬਿਮਾਰੀ ਦੇ ਸਾਰੇ ਸਾਹਿਤ ਜਾਂ ਹਾਲੀਆ ਮਾਮਲਿਆਂ ਨੂੰ ਲੱਭਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੀ ਹੈ, ਇਸ ਤਰ੍ਹਾਂ ਸਮਾਂ ਬਚਾਉਂਦੀ ਹੈ।

  ਨਿਵੇਸ਼ ਵਿੱਚ, ਡੀਪ ਰਿਸਰਚ ਦੀ ਮਦਦ ਨਾਲ, ਨਿਵੇਸ਼ਕ ਹਰ ਸੰਭਾਵੀ ਸਟਾਰਟਅੱਪ ਦੀ ਖੋਜ ਕਰਨ ਦੀ ਚੋਣ ਕਰ ਸਕਦੇ ਹਨ ਜਿਸ ਵਿੱਚ ਉਹ ਨਿਵੇਸ਼ ਕਰ ਸਕਦੇ ਹਨ, ਨਾ ਕਿ ਸਿਰਫ਼ ਉਹਨਾਂ ਨਾਲ ਜਿਨ੍ਹਾਂ ਨਾਲ ਉਹਨਾਂ ਕੋਲ ਮਿਲਣ ਦਾ ਸਮਾਂ ਹੈ।

  ਕੰਪਨੀ ਦੇ ਸੰਚਾਲਨ ਵਿੱਚ, ਇੱਕ ਉਪਭੋਗਤਾ ਜੋ ਇੱਕ ਖਪਤਕਾਰ ਵਸਤੂਆਂ ਦੀ ਕੰਪਨੀ ਸ਼ੁਰੂ ਕਰਨ ਬਾਰੇ ਵਿਚਾਰ ਕਰ ਰਿਹਾ ਹੈ, ਡੀਪ ਰਿਸਰਚ ਦੀ ਵਿਆਪਕ ਤੌਰ ‘ਤੇ ਵਰਤੋਂ ਕਰ ਰਿਹਾ ਹੈ ਇਹ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਕਿ ਕੀ ਖਾਸ ਬ੍ਰਾਂਡ ਨਾਮ ਪਹਿਲਾਂ ਹੀ ਰਜਿਸਟਰਡ ਹਨ, ਕੀ ਡੋਮੇਨ ਨਾਮਾਂ ‘ਤੇ ਕਬਜ਼ਾ ਹੈ, ਮਾਰਕੀਟ ਦਾ ਆਕਾਰ, ਅਤੇ ਹੋਰ ਕਈ ਜਾਣਕਾਰੀਆਂ।

• ਖਰੀਦਦਾਰੀ, ਯਾਤਰਾ, ਅਤੇ ਹੋਰ ਪਰਿਵਾਰਕ ਦ੍ਰਿਸ਼

  ਇੱਕ ਉਪਭੋਗਤਾ ਜੋ ਇੱਕ ਨਵੀਂ ਕਾਰ ਖਰੀਦਣ ਬਾਰੇ ਵਿਚਾਰ ਕਰ ਰਿਹਾ ਹੈ, ਇਹ ਜਾਣਨਾ ਚਾਹੁੰਦਾ ਸੀ ਕਿ ਅਗਲਾ ਮਾਡਲ ਕਦੋਂ ਜਾਰੀ ਕੀਤਾ ਜਾਵੇਗਾ। ਔਨਲਾਈਨ ਬਹੁਤ ਸਾਰੇ ਅਟਕਲਾਂ ਵਾਲੇ ਲੇਖ ਸਨ, ਇਸਲਈ ਉਪਭੋਗਤਾ ਨੇ ਡੀਪ ਰਿਸਰਚ ਨੂੰ ਸਾਰੀਆਂ ਸੰਬੰਧਿਤ ਅਫਵਾਹਾਂ ਨੂੰ ਕੰਪਾਇਲ ਕਰਨ ਲਈ ਕਿਹਾ। ਡੀਪ ਰਿਸਰਚ ਨੇ ਇੱਕ ਸ਼ਾਨਦਾਰ ਰਿਪੋਰਟ ਤਿਆਰ ਕੀਤੀ, ਜਿਸ ਵਿੱਚ ਉਪਭੋਗਤਾ ਨੂੰ ਸੂਚਿਤ ਕੀਤਾ ਗਿਆ ਕਿ ਅਗਲੇ ਕੁਝ ਮਹੀਨਿਆਂ ਵਿੱਚ ਇੱਕ ਨਵੀਂ ਕਾਰ ਜਾਰੀ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ।

  ਜਦੋਂ ਡੀਪ ਰਿਸਰਚ ਨੂੰ ਜਾਪਾਨ ਵਿੱਚ ਲਾਂਚ ਕੀਤਾ ਗਿਆ ਸੀ, ਤਾਂ ਉਪਭੋਗਤਾਵਾਂ ਨੇ ਇਸਨੂੰ ਉਹਨਾਂ ਰੈਸਟੋਰੈਂਟਾਂ ਨੂੰ ਲੱਭਣ ਵਿੱਚ ਬਹੁਤ ਮਦਦਗਾਰ ਪਾਇਆ ਜੋ ਖਾਸ ਲੋੜਾਂ ਨੂੰ ਪੂਰਾ ਕਰਦੇ ਹਨ ਅਤੇ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਉਹ ਚੀਜ਼ਾਂ ਲੱਭਣ ਵਿੱਚ ਵੀ ਮਦਦ ਕਰ ਸਕਦੇ ਹਨ ਜੋ ਉਹਨਾਂ ਨੂੰ ਸ਼ਾਇਦ ਹੋਰ ਨਹੀਂ ਮਿਲੀਆਂ ਹੋਣ।

  ਜਦੋਂ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਕੋਈ ਮਹਿੰਗੀ ਚੀਜ਼ ਖਰੀਦਣ, ਕਿਸੇ ਖਾਸ ਯਾਤਰਾ ਦੀ ਯੋਜਨਾ ਬਣਾਉਣ, ਜਾਂ ਕਿਸੇ ਸਮੱਸਿਆ ਬਾਰੇ ਸੋਚਣ ਵਿੱਚ ਬਹੁਤ ਸਾਰਾ ਸਮਾਂ ਬਿਤਾਉਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਤਾਂ ਉਹ ਸੰਬੰਧਿਤ ਜਾਣਕਾਰੀ ਦੀ ਖੋਜ ਕਰਨ, ਸਾਰੀਆਂ ਸਮੀਖਿਆਵਾਂ ਨੂੰ ਬ੍ਰਾਊਜ਼ ਕਰਨ, ਆਦਿ ਵਿੱਚ ਘੰਟੇ ਔਨਲਾਈਨ ਬਿਤਾ ਸਕਦੇ ਹਨ। ਡੀਪ ਰਿਸਰਚ ਇਸ ਜਾਣਕਾਰੀ ਨੂੰ ਜਲਦੀ ਵਿਵਸਥਿਤ ਕਰ ਸਕਦੀ ਹੈ, ਇੱਕ ਸੰਖੇਪ ਰਿਪੋਰਟ ਬਣਾ ਸਕਦੀ ਹੈ, ਅਤੇ ਵਿਸਤ੍ਰਿਤ ਅਤੇ ਵਿਅਕਤੀਗਤ ਸਲਾਹ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦੀ ਹੈ।

  ਵਿਅਸਤ ਕੰਮ ਕਰਨ ਵਾਲੀਆਂ ਮਾਵਾਂ ਕੋਲ ਅਕਸਰ ਆਪਣੇ ਬੱਚਿਆਂ ਲਈ ਜਨਮਦਿਨ ਦੀਆਂ ਪਾਰਟੀਆਂ ਦੀ ਯੋਜਨਾ ਬਣਾਉਣ ਦਾ ਸਮਾਂ ਨਹੀਂ ਹੁੰਦਾ, ਪਰ ਹੁਣ ਉਹ ਡੀਪ ਰਿਸਰਚ ਦੀ ਮਦਦ ਨਾਲ ਇਸਨੂੰ ਜਲਦੀ ਕਰ ਸਕਦੀਆਂ ਹਨ।

  ਡੀਪ ਰਿਸਰਚ ਹਦਾਇਤਾਂ ਦੀ ਪਾਲਣਾ ਕਰਨ ਵਿੱਚ ਵੀ ਸ਼ਾਨਦਾਰ ਹੈ। ਜੇਕਰ ਉਪਭੋਗਤਾ ਨਾ ਸਿਰਫ਼ ਕਿਸੇ ਉਤਪਾਦ ਬਾਰੇ ਜਾਣਨਾ ਚਾਹੁੰਦੇ ਹਨ, ਸਗੋਂ ਇਸਦੀ ਤੁਲਨਾ ਹੋਰ ਸਾਰੇ ਉਤਪਾਦਾਂ ਨਾਲ ਵੀ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਨ, ਜਾਂ ਇੱਥੋਂ ਤੱਕ ਕਿ Reddit ਵਰਗੀਆਂ ਵੈੱਬਸ