ਆਰਟੀਫਿਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (Artificial Intelligence) ਦਾ ਖੇਤਰ ਇੱਕ ਵੱਡੇ ਬਦਲਾਅ ਵਿੱਚੋਂ ਗੁਜ਼ਰ ਰਿਹਾ ਹੈ। ਸ਼ੁਰੂਆਤੀ ਏ.ਆਈ. ਮਾਡਲ ਸਿਰਫ਼ ਥੋੜ੍ਹੇ ਜਿਹੇ ਟੈਕਸਟ (text) ਨੂੰ ਹੀ ਪ੍ਰੋਸੈੱਸ (process) ਕਰਨ ਤੱਕ ਸੀਮਤ ਸਨ, ਪਰ ਅੱਜ ਦੇ ਆਧੁਨਿਕ ਸਿਸਟਮ ਪੂਰੀਆਂ ਕਿਤਾਬਾਂ ਨੂੰ ਵੀ ਸਮਝਣ ਦੀ ਸਮਰੱਥਾ ਰੱਖਦੇ ਹਨ। ਇਸ ਵਿਕਾਸ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਮੀਲ ਪੱਥਰ 5 ਅਪ੍ਰੈਲ, 2025 ਨੂੰ ਆਇਆ, ਜਦੋਂ ਮੈਟਾ (Meta) ਨੇ ਲਾਮਾ 4 (Llama 4) ਦਾ ਪਰਦਾਫਾਸ਼ ਕੀਤਾ, ਜੋ ਕਿ ਇੱਕ ਬੇਮਿਸਾਲ 10 ਮਿਲੀਅਨ ਟੋਕਨ (token) ਸੰਦਰਭ ਵਿੰਡੋ (context window) ਵਾਲਾ ਇੱਕ ਨਵਾਂ ਏ.ਆਈ. ਮਾਡਲ ਪਰਿਵਾਰ ਹੈ। ਇਸ ਵੱਡੇ ਕਦਮ ਨਾਲ ਏਜੈਂਟਿਕ ਏ.ਆਈ. ਸਿਸਟਮਾਂ (agentic AI systems) ਦੇ ਭਵਿੱਖ ਲਈ ਡੂੰਘੇ ਸੰਕੇਤ ਮਿਲਦੇ ਹਨ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਆਪਣੇ ਆਪ ਕੰਮ ਕਰਨ, ਯੋਜਨਾ ਬਣਾਉਣ, ਫੈਸਲੇ ਲੈਣ, ਅਤੇ ਸੁਤੰਤਰ ਤੌਰ ‘ਤੇ ਕਾਰਵਾਈ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ।
ਇਸ ਪਰਿਵਰਤਨਸ਼ੀਲ ਤਕਨਾਲੋਜੀ ਬਾਰੇ ਹੋਰ ਡੂੰਘਾਈ ਨਾਲ ਜਾਣਨ ਲਈ, ਅਸੀਂ ਨਿਕਿਤਾ ਗਲੈਡਕਿਖ (Nikita Gladkikh) ਨਾਲ ਗੱਲ ਕੀਤੀ, ਜੋ ਕਿ ਏ.ਆਈ. ਕਮਿਊਨਿਟੀ (AI community) ਵਿੱਚ ਇੱਕ ਉੱਘੀ ਸ਼ਖਸੀਅਤ ਹਨ। ਇੱਕ ਬ੍ਰੇਨਟੈਕ ਅਵਾਰਡ (BrainTech Award) ਜੇਤੂ, ਆਈ.ਈ.ਈ.ਈ. (IEEE) ਦੇ ਇੱਕ ਸਰਗਰਮ ਮੈਂਬਰ, ਅਤੇ ਪ੍ਰਾਈਮਰ ਏ.ਆਈ. (Primer AI) ਵਿੱਚ ਇੱਕ ਸਟਾਫ ਸਾਫਟਵੇਅਰ ਇੰਜੀਨੀਅਰ (Staff Software Engineer) ਵਜੋਂ, ਨਿਕਿਤਾ ਏ.ਆਈ. ਵੈਲੀਡੇਸ਼ਨ (AI validation) ਅਤੇ ਇਨਫਰਾਸਟਰੱਕਚਰ ਡਿਵੈਲਪਮੈਂਟ (infrastructure development) ਵਿੱਚ ਸਭ ਤੋਂ ਅੱਗੇ ਰਹੇ ਹਨ। 2013 ਵਿੱਚ ਸ਼ੁਰੂ ਹੋਏ ਇੱਕ ਦਹਾਕੇ ਤੋਂ ਵੱਧ ਦੇ ਕੈਰੀਅਰ (career) ਵਿੱਚ, ਨਿਕਿਤਾ ਨੇ ਸਫਲਤਾਪੂਰਵਕ ਪ੍ਰੈਕਟੀਕਲ ਸਾਫਟਵੇਅਰ ਇੰਜੀਨੀਅਰਿੰਗ (practical software engineering), ਅਕਾਦਮਿਕ ਖੋਜ (academic research), ਅਤੇ ਗਲੋਬਲ ਡਿਵੈਲਪਰ ਕਮਿਊਨਿਟੀ (global developer community) ਵਿੱਚ ਯੋਗਦਾਨ ਨੂੰ ਜੋੜਿਆ ਹੈ, ਅਤੇ ਆਪਣੇ ਆਪ ਨੂੰ ਪਾਈਥਨ (Python), ਗੋ (Go), ਅਤੇ ਏ.ਆਈ.-ਅਧਾਰਤ ਆਟੋਮੇਸ਼ਨ (AI-based automation) ਵਿੱਚ ਇੱਕ ਮਾਹਿਰ ਵਜੋਂ ਸਥਾਪਿਤ ਕੀਤਾ ਹੈ। ਉਸਦਾ ਵਿਲੱਖਣ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਵੱਡੇ ਪੱਧਰ ‘ਤੇ ਐਲ.ਐਲ.ਐਮ.-ਪਾਵਰਡ ਪਾਈਪਲਾਈਨਾਂ (LLM-powered pipelines) ਨੂੰ ਵਿੱਤ, ਮਾਰਕੀਟਪਲੇਸ (marketplaces) ਅਤੇ ਖੋਜ ਤਕਨਾਲੋਜੀਆਂ ਵਰਗੇ ਵਿਭਿੰਨ ਖੇਤਰਾਂ ਵਿੱਚ ਤਾਇਨਾਤ ਕਰਨ ਦੇ ਵਿਆਪਕ ਤਜ਼ਰਬੇ ਤੋਂ ਮਿਲਦਾ ਹੈ।
ਨਿਕਿਤਾ ਗਲੈਡਕਿਖ ਖਾਸ ਤੌਰ ‘ਤੇ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ (large language models - LLMs) ਨੂੰ ਮਜ਼ਬੂਤ ਵੈਲੀਡੇਸ਼ਨ ਲਾਜਿਕ (validation logic) ਨਾਲ ਜੋੜਨ ਵਾਲੇ ਸਕੇਲੇਬਲ ਆਰਕੀਟੈਕਚਰਾਂ (scalable architectures) ‘ਤੇ ਆਪਣੇ ਮੋਹਰੀ ਕੰਮ ਲਈ ਜਾਣੇ ਜਾਂਦੇ ਹਨ। ਇਸ ਖੇਤਰ ਵਿੱਚ, ਭਰੋਸੇਯੋਗਤਾ ਅਤੇ ਸ਼ੁੱਧਤਾ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਹਨ, ਅਤੇ ਨਿਕਿਤਾ ਦੇ ਰਣਨੀਤਕ ਯੋਗਦਾਨ ਆਰ.ਏ.ਜੀ.-ਵੀ (RAG-V) (ਰੀਟਰੀਵਲ-ਔਗਮੈਂਟਡ ਜਨਰੇਸ਼ਨ ਵਿਦ ਵੈਰੀਫਿਕੇਸ਼ਨ - Retrieval-Augmented Generation with Verification) ਪੈਰਾਡਾਈਮ (paradigm) ਨੂੰ ਰੂਪ ਦੇਣ ਵਿੱਚ ਸਹਾਈ ਸਿੱਧ ਹੋਏ ਹਨ, ਜੋ ਏ.ਆਈ.-ਸੰਚਾਲਿਤ ਉਦਯੋਗਾਂ ਵਿੱਚ ਤੇਜ਼ੀ ਨਾਲ ਵਧ ਰਿਹਾ ਹੈ।
ਸੰਦਰਭ ਵਿੰਡੋ ਦੇ ਵਾਧੇ ਦੀ ਮਹੱਤਤਾ
ਮੈਟਾ (Meta) ਦੇ ਲਾਮਾ 4 (Llama 4) ਨੇ ਪਿਛਲੀਆਂ ਸੰਦਰਭ ਵਿੰਡੋ ਸੀਮਾਵਾਂ ਨੂੰ ਤੋੜ ਦਿੱਤਾ ਹੈ ਅਤੇ ਇਸਨੂੰ ਹੈਰਾਨੀਜਨਕ 10 ਮਿਲੀਅਨ ਟੋਕਨਾਂ ਤੱਕ ਵਧਾ ਦਿੱਤਾ ਹੈ, ਇਹ ਕਾਰਨਾਮਾ ਗੂਗਲ (Google) ਦੁਆਰਾ ਜੈਮਿਨੀ 2.5 (Gemini 2.5) ਨੂੰ ਜਾਰੀ ਕਰਨ ਤੋਂ ਤੁਰੰਤ ਬਾਅਦ ਪ੍ਰਾਪਤ ਕੀਤਾ ਗਿਆ, ਜਿਸ ਨੇ 1 ਮਿਲੀਅਨ ਟੋਕਨਾਂ ਦੀ ਸੰਦਰਭ ਵਿੰਡੋ ਦੀ ਪੇਸ਼ਕਸ਼ ਕੀਤੀ। ਪਰ ਏ.ਆਈ. ਉਦਯੋਗ ਲਈ ਇਨ੍ਹਾਂ ਅੰਕੜਿਆਂ ਦਾ ਕੀ ਅਰਥ ਹੈ?
ਨਿਕਿਤਾ ਦੇ ਅਨੁਸਾਰ, ਵੱਡੀਆਂ ਸੰਦਰਭ ਵਿੰਡੋਆਂ ਦਾ ਰੁਝਾਨ ਪਰਿਵਰਤਨਕਾਰੀ ਤੋਂ ਘੱਟ ਨਹੀਂ ਹੈ। ਏ.ਆਈ. ਸਿਸਟਮਾਂ (AI systems) ਨੂੰ ਇਨਪੁਟ (input) ਦੀ ਵੱਡੀ ਮਾਤਰਾ ਨੂੰ ਪ੍ਰੋਸੈੱਸ (process) ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾ ਕੇ, ਜਿਸ ਵਿੱਚ ਪੂਰੀਆਂ ਗੱਲਬਾਤਾਂ, ਵਿਆਪਕ ਦਸਤਾਵੇਜ਼, ਅਤੇ ਇੱਥੋਂ ਤੱਕ ਕਿ ਪੂਰੇ ਡੇਟਾਬੇਸ (databases) ਵੀ ਸ਼ਾਮਲ ਹਨ, ਇਹ ਸਿਸਟਮ ਹੁਣ ਡੂੰਘਾਈ ਅਤੇ ਨਿਰੰਤਰਤਾ ਦੇ ਨਾਲ ਤਰਕ ਕਰ ਸਕਦੇ ਹਨ ਜੋ ਪਹਿਲਾਂ ਅਪ੍ਰਾਪਤ ਸੀ। ਇਸ ਪੈਰਾਡਾਈਮ ਸ਼ਿਫਟ (paradigm shift) ਦਾ ਏਜੈਂਟਿਕ ਪਾਈਪਲਾਈਨਾਂ (agentic pipelines) ਦੇ ਡਿਜ਼ਾਈਨ ‘ਤੇ ਡੂੰਘਾ ਪ੍ਰਭਾਵ ਪੈਂਦਾ ਹੈ, ਜਿੱਥੇ ਏ.ਆਈ. ਏਜੰਟਾਂ (AI agents) ਨੂੰ ਯੋਜਨਾ ਬਣਾਉਣ, ਫੈਸਲੇ ਲੈਣ ਅਤੇ ਸੁਤੰਤਰ ਤੌਰ ‘ਤੇ ਕਾਰਵਾਈਆਂ ਕਰਨ ਦਾ ਕੰਮ ਸੌਂਪਿਆ ਜਾਂਦਾ ਹੈ। ਇੱਕ ਵੱਡਾ ਸੰਦਰਭ ਘੱਟ ਗਲਤੀਆਂ, ਵਧੇ ਹੋਏ ਵਿਅਕਤੀਗਤਕਰਨ, ਅਤੇ ਵਧੇਰੇ ਡੂੰਘਾਈ ਵਾਲੇ ਉਪਭੋਗਤਾ ਅਨੁਭਵਾਂ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰਦਾ ਹੈ। ਇਹ ਇੱਕ ਸਪੱਸ਼ਟ ਸੰਕੇਤ ਹੈ ਕਿ ਪੂਰਾ ਖੇਤਰ ਕਿਸ ਦਿਸ਼ਾ ਵੱਲ ਜਾ ਰਿਹਾ ਹੈ।
ਹੱਥੀਂ ਤਜਰਬਾ ਅਤੇ ਏਜੈਂਟਿਕ ਪਾਈਪਲਾਈਨ ਡਿਜ਼ਾਈਨ
ਨਿਕਿਤਾ ਦਾ ਪੀ.ਕੌਨਫਿਗ (PKonfig) ਵਰਗੇ ਡਿਵੈਲਪਰ ਟੂਲ (developer tool) ਬਣਾਉਣ ਅਤੇ ਵੱਡੇ ਪੱਧਰ ‘ਤੇ ਵਰਤੇ ਜਾਂਦੇ ਵਿਦਿਅਕ ਪਲੇਟਫਾਰਮਾਂ (educational platforms) ਵਿੱਚ ਵਿਆਪਕ ਤਜਰਬਾ ਏਜੈਂਟਿਕ ਪਾਈਪਲਾਈਨ ਡਿਜ਼ਾਈਨ ਦੀਆਂ ਪੇਚੀਦਗੀਆਂ ਬਾਰੇ ਕੀਮਤੀ ਸਮਝ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਉਹ ਮਾਡਿਊਲੈਰਿਟੀ (modularity), ਔਬਜ਼ਰਵੇਬਿਲਿਟੀ (observability), ਅਤੇ ਫੇਲੀਅਰ ਆਈਸੋਲੇਸ਼ਨ (failure isolation) ਦੀ ਮਹੱਤਤਾ ‘ਤੇ ਜ਼ੋਰ ਦਿੰਦਾ ਹੈ ਜਦੋਂ ਅਜਿਹੇ ਸਿਸਟਮ ਬਣਾਉਂਦੇ ਹੋ ਜੋ ਦਬਾਅ ਹੇਠ ਭਰੋਸੇਯੋਗ ਢੰਗ ਨਾਲ ਕੰਮ ਕਰਨੇ ਚਾਹੀਦੇ ਹਨ।
ਆਪਣੇ ਤਜ਼ਰਬੇ ਤੋਂ ਸਿੱਖਦਿਆਂ, ਨਿਕਿਤਾ ਹਰ ਕੰਪੋਨੈਂਟ (component) ਨੂੰ ਅਸਫਲਤਾ ਦੇ ਸੰਭਾਵੀ ਬਿੰਦੂ ਵਜੋਂ ਮੰਨਣ ਅਤੇ ਬੈਕਅਪ (fallback) ਮਾਰਗਾਂ, ਵੈਲੀਡੇਸ਼ਨ ਲੇਅਰਾਂ (validation layers), ਅਤੇ ਰੀਪ੍ਰੋਡਿਊਸਿਬਿਲਟੀ ਮਾਪਦੰਡਾਂ (reproducibility measures) ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਵਕਾਲਤ ਕਰਦਾ ਹੈ। ਇਹ ਸਿਧਾਂਤ ਏਜੈਂਟਿਕ ਵਰਕਫਲੋਜ਼ (agentic workflows) ਦੇ ਡਿਜ਼ਾਈਨ ‘ਤੇ ਸਿੱਧੇ ਤੌਰ ‘ਤੇ ਲਾਗੂ ਹੁੰਦੇ ਹਨ, ਜਿੱਥੇ ਏਜੰਟਾਂ ਨੂੰ ਇੱਕ ਢਾਂਚਾਗਤ ਸਟੇਟ ਮੈਨੇਜਮੈਂਟ (state management), ਟਰੇਸਏਬਲ ਐਗਜ਼ੀਕਿਊਸ਼ਨ (traceable execution), ਅਤੇ ਡਿਟਰਮਿਨਿਸਟਿਕ ਵਿਵਹਾਰ (deterministic behavior) ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਜਿਵੇਂ ਕਿ ਕੋਈ ਵੀ ਡਿਸਟ੍ਰੀਬਿਊਟਡ ਸਿਸਟਮ (distributed system) ਹੈ।
ਨਿਕਿਤਾ ਦਾ ਅਪਲਾਈਡ ਏ.ਆਈ (applied AI) ਵਿੱਚ ਕੰਮ, ਖਾਸ ਕਰਕੇ ਰੈਜ਼ਿਊਮੇ ਸਾਰਾਂਸ਼ (resume summarization) ਵਿੱਚ ਹੈਲੂਸੀਨੇਸ਼ਨਾਂ (hallucinations) ਨੂੰ ਘਟਾਉਣ ਅਤੇ ਵਿਦਿਅਕ ਸੈਟਿੰਗਾਂ ਵਿੱਚ ਫੀਡਬੈਕ (feedback) ਨੂੰ ਆਟੋਮੈਟਿਕ (automatic) ਕਰਨ ਵਿੱਚ, ਵੈਰੀਫਿਕੇਸ਼ਨ ਲੂਪਸ (verification loops) ਅਤੇ ਰੀਟਰੀਵਲ-ਫਸਟ ਡਿਜ਼ਾਈਨ (retrieval-first design) ਦੀ ਮਹੱਤਤਾ ਨੂੰ ਉਜਾਗਰ ਕਰਦਾ ਹੈ। ਉਸਦਾ ਮੰਨਣਾ ਹੈ ਕਿ ਏਜੰਟਾਂ ‘ਤੇ ਅੰਨ੍ਹੇਵਾਹ ਭਰੋਸਾ ਨਹੀਂ ਕਰਨਾ ਚਾਹੀਦਾ, ਸਗੋਂ ਉਨ੍ਹਾਂ ਨੂੰ ਏਮਬੈਡਡ ਵੈਲੀਡੇਸ਼ਨ ਮਕੈਨਿਜ਼ਮਾਂ (embedded validation mechanisms) ਨਾਲ ਲੈਸ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਢਾਂਚਾਗਤ ਜਾਣਕਾਰੀ ਦੇ ਅਧਾਰਾਂ ਨਾਲ ਕੱਸ ਕੇ ਜੁੜਿਆ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਉਹ ਹਿਊਮਨ-ਇਨ-ਦ-ਲੂਪ ਡਿਜ਼ਾਈਨ (human-in-the-loop design) ਦੀ ਮਹੱਤਤਾ ‘ਤੇ ਜ਼ੋਰ ਦਿੰਦਾ ਹੈ, ਇੱਕ ਸਿਧਾਂਤ ਜਿਸਨੂੰ ਉਸਨੇ ਵਿਦਿਅਕ ਟੂਲਜ਼ (educational tools) ਵਿੱਚ ਤਰਜੀਹ ਦਿੱਤੀ ਅਤੇ ਹੁਣ ਏਜੰਟ ਜਵਾਬਦੇਹੀ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਜ਼ਰੂਰੀ ਮੰਨਦਾ ਹੈ। ਏਜੈਂਟਿਕ ਪਾਈਪਲਾਈਨਾਂ ਸਿਰਫ਼ ਨਵੀਨਤਾਕਾਰੀ ਯੂ.ਐਕਸ. ਫਲੋਜ਼ (UX flows) ਤੋਂ ਵੱਧ ਹਨ; ਉਹ ਗੁੰਝਲਦਾਰ ਸਾਫਟਵੇਅਰ ਸਿਸਟਮ (software system) ਹਨ ਜਿਨ੍ਹਾਂ ਨੂੰ ਅਮਲ ਵਿੱਚ ਉਨ੍ਹਾਂ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਬੈਕਐਂਡ ਇੰਜੀਨੀਅਰਿੰਗ (backend engineering) ਵਜੋਂ ਵੀ ਉਸੇ ਹੀ ਸਖਤੀ ਨਾਲ ਸੰਪਰਕ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ।
ਵਿਸਤ੍ਰਿਤ ਸੰਦਰਭ ਦੁਆਰਾ ਏ.ਆਈ. ਭਰੋਸੇਯੋਗਤਾ ਨੂੰ ਵਧਾਉਣਾ
ਸੰਦਰਭ ਵਿੰਡੋ (context window) ਦੇ ਆਕਾਰ ਵਿੱਚ ਤਰੱਕੀ ਪਹਿਲਾਂ ਹੀ ਉਤਪਾਦਨ ਸਿਸਟਮਾਂ (production systems) ‘ਤੇ ਠੋਸ ਪ੍ਰਭਾਵ ਪਾ ਰਹੀ ਹੈ, ਵੱਖ-ਵੱਖ ਐਪਲੀਕੇਸ਼ਨਾਂ (applications) ਵਿੱਚ ਏ.ਆਈ. ਭਰੋਸੇਯੋਗਤਾ ਨੂੰ ਵਧਾ ਰਹੀ ਹੈ। ਨਿਕਿਤਾ ਇੱਕ ਠੋਸ ਉਦਾਹਰਣ ਦਿੰਦਾ ਹੈ ਕਿ ਕਿਵੇਂ ਵੱਡਾ ਸੰਦਰਭ ਏ.ਆਈ. ਭਰੋਸੇਯੋਗਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰਦਾ ਹੈ:
ਛੋਟੇ ਸੰਦਰਭ ਵਿੰਡੋਜ਼ ਅਕਸਰ ਏ.ਆਈ. ਮਾਡਲਾਂ (AI models) ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਸੰਦਰਭ ਜਾਣਕਾਰੀ ਨੂੰ ਛੋਟਾ ਕਰਨ ਲਈ ਮਜਬੂਰ ਕਰਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਟੁਕੜੇ-ਟੁਕੜੇ ਜਾਂ ਗਲਤ ਆਉਟਪੁੱਟ (output) ਹੁੰਦੀ ਹੈ। ਹਾਲਾਂਕਿ, ਲੱਖਾਂ ਟੋਕਨਾਂ ਤੱਕ ਫੈਲਣ ਵਾਲੀਆਂ ਸੰਦਰਭ ਵਿੰਡੋਜ਼ ਦੇ ਨਾਲ, ਮਾਡਲ ਹੁਣ ਵਿਆਪਕ ਇਤਿਹਾਸਕ ਪਰਸਪਰ ਕ੍ਰਿਆਵਾਂ, ਵਿਸਤ੍ਰਿਤ ਉਪਭੋਗਤਾ ਪ੍ਰੋਫਾਈਲਾਂ (user profiles), ਅਤੇ ਡੇਟਾ ਦੇ ਅੰਦਰ ਬਹੁ-ਅਯਾਮੀ ਸਬੰਧਾਂ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖ ਸਕਦੇ ਹਨ। ਉਦਾਹਰਨ ਲਈ, ਇੱਕ ਏ.ਆਈ.-ਅਧਾਰਤ ਗਾਹਕ ਸਹਾਇਤਾ ਏਜੰਟ (AI-based customer support agent) ਸਾਲਾਂ ਤੱਕ ਫੈਲੇ ਪਿਛਲੇ ਪਰਸਪਰ ਪ੍ਰਭਾਵਾਂ ਦਾ ਹਵਾਲਾ ਦੇ ਸਕਦਾ ਹੈ, ਪ੍ਰਸੰਗਿਕ ਤੌਰ ‘ਤੇ ਅਮੀਰ, ਬਹੁਤ ਵਿਅਕਤੀਗਤ ਸਹਾਇਤਾ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦਾ ਹੈ। ਇਹ ਸੰਦਰਭ ਦੇ ਨੁਕਸਾਨ ਕਾਰਨ ਹੋਣ ਵਾਲੀਆਂ ਗਲਤੀਆਂ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਤੌਰ ‘ਤੇ ਘਟਾਉਂਦਾ ਹੈ, ਇਸ ਤਰ੍ਹਾਂ ਏ.ਆਈ.-ਸੰਚਾਲਿਤ ਫੈਸਲਿਆਂ ਦੀ ਭਰੋਸੇਯੋਗਤਾ ਅਤੇ ਡੂੰਘਾਈ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ, ਖਾਸ ਕਰਕੇ ਨਾਜ਼ੁਕ ਦ੍ਰਿਸ਼ਾਂ ਵਿੱਚ ਜਿਵੇਂ ਕਿ ਸਿਹਤ ਸੰਭਾਲ ਡਾਇਗਨੌਸਟਿਕਸ (healthcare diagnostics) ਜਾਂ ਵਿੱਤੀ ਭਵਿੱਖਬਾਣੀ (financial forecasting)।
ਨਿਕਿਤਾ ਨੂੰ ਪ੍ਰਾਈਮਰ ਏ.ਆਈ. (Primer AI) ਵਿੱਚ ਵੈਰੀਫਿਕੇਸ਼ਨ (RAG-V) ਨਾਲ ਰੀਟਰੀਵਲ-ਔਗਮੈਂਟਡ ਜਨਰੇਸ਼ਨ (Retrieval-Augmented Generation) ਨੂੰ ਲਾਗੂ ਕਰਦੇ ਸਮੇਂ ਆਈ ਇੱਕ ਚੁਣੌਤੀ ਯਾਦ ਹੈ: ਵੈਲੀਡੇਸ਼ਨ ਕਾਲਾਂ (validation calls) ਲਈ ਡੇਟਾ ਨੂੰ ਸਹਾਇਕ ਦਸਤਾਵੇਜ਼ਾਂ ਵਿੱਚ ਫਿੱਟ ਕਰਨ ਲਈ ਘਟਾਉਣਾ। ਇਸ ਸੀਮਾ ਨੇ ਉਨ੍ਹਾਂ ਦੇ ਵੈਲੀਡੇਸ਼ਨ ਯਤਨਾਂ ਦੀ ਸ਼ੁੱਧਤਾ ਨੂੰ ਸੀਮਤ ਕਰ ਦਿੱਤਾ। ਹਾਲਾਂਕਿ, ਲਾਮਾ 4 (Llama 4) ਦੀ ਵਿਸਤ੍ਰਿਤ ਸੰਦਰਭ ਵਿੰਡੋ ਦੇ ਨਾਲ, ਉਹ ਰੁਕਾਵਟਾਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਦੂਰ ਹੋ ਜਾਂਦੀਆਂ ਹਨ।
ਆਰ.ਏ.ਜੀ.-ਵੀ.: ਭਰੋਸੇਯੋਗ ਏ.ਆਈ. ਵਿਕਾਸ ਦਾ ਮੀਲ ਪੱਥਰ
ਆਰ.ਏ.ਜੀ.-ਵੀ. (RAG-V) ਵਿਧੀ, ਜਿੱਥੇ ਮਾਡਲ ਸਮੱਗਰੀ ਨੂੰ ਮੁੜ ਪ੍ਰਾਪਤ ਅਤੇ ਤਸਦੀਕ (verify) ਕਰਦੇ ਹਨ, ਭਰੋਸੇਯੋਗ ਏ.ਆਈ. ਵਿਕਾਸ ਦੇ ਇੱਕ ਮੀਲ ਪੱਥਰ ਵਜੋਂ ਉਭਰੀ ਹੈ। ਨਿਕਿਤਾ ਦੱਸਦਾ ਹੈ ਕਿ ਆਰ.ਏ.ਜੀ.-ਵੀ ਇੱਕ ਅਜਿਹਾ ਤਰੀਕਾ ਹੈ ਜਿੱਥੇ ਏ.ਆਈ. ਸਿਰਫ਼ ਜਵਾਬ ਹੀ ਨਹੀਂ ਪੈਦਾ ਕਰਦਾ, ਸਗੋਂ ਸਰਗਰਮੀ ਨਾਲ ਭਰੋਸੇਯੋਗ ਬਾਹਰੀ ਸਰੋਤਾਂ ਦੇ ਵਿਰੁੱਧ ਉਨ੍ਹਾਂ ਦੀ ਤਸਦੀਕ ਕਰਦਾ ਹੈ - ਅਸਲ ਵਿੱਚ, ਰੀਅਲ-ਟਾਈਮ ਤੱਥਾਂ ਦੀ ਜਾਂਚ (real-time fact-checking)।
ਆਰ.ਏ.ਜੀ.-ਵੀ. (RAG-V) ‘ਤੇ ਨਿਕਿਤਾ ਦਾ ਕੰਮ ਏਜੈਂਟਿਕ ਏ.ਆਈ. ਸਿਸਟਮਾਂ (agentic AI systems) ਦੇ ਅੰਦਰ ਵੈਲੀਡੇਸ਼ਨ ਸਿਧਾਂਤਾਂ (validation principles) ਦੇ ਏਕੀਕਰਨ ‘ਤੇ ਜ਼ੋਰ ਦਿੰਦਾ ਹੈ। ਆਰ.ਏ.ਜੀ.-ਵੀ. (RAG-V) ਅਧਿਕਾਰਤ ਬਾਹਰੀ ਸਰੋਤਾਂ ਦੇ ਵਿਰੁੱਧ ਮਾਡਲ ਆਉਟਪੁੱਟ (model output) ਨੂੰ ਕਰਾਸ-ਰੈਫਰੈਂਸ (cross-reference)ਕਰਨ ਲਈ ਰੀਟਰੀਵਲ ਸਿਸਟਮਾਂ (retrieval systems) ਅਤੇ ਮਜ਼ਬੂਤ ਵੈਰੀਫਿਕੇਸ਼ਨ ਲੇਅਰਾਂ (verification layers) ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਵਿੱਤੀ ਜੋਖਮ ਮੁਲਾਂਕਣ (financial risk assessments) ਵਿੱਚ, ਪੈਦਾ ਹੋਈ ਹਰ ਸਲਾਹ ਜਾਂ ਭਵਿੱਖਬਾਣੀ ਨੂੰ ਇਤਿਹਾਸਕ ਮਾਰਕੀਟ ਡੇਟਾ (historical market data) ਜਾਂ ਰੈਗੂਲੇਟਰੀ ਪਾਲਣਾ ਦਸਤਾਵੇਜ਼ਾਂ (regulatory compliance documents) ਦੇ ਵਿਰੁੱਧ ਪ੍ਰਮਾਣਿਤ/ਤਸਦੀਕ (validate) ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਵਿਸਤ੍ਰਿਤ ਸੰਦਰਭ ਵਿੰਡੋਜ਼ ਅਮੀਰ ਸੰਦਰਭਾਂ ਨੂੰ ਸਮਰੱਥ ਕਰਕੇ ਅਤੇ ਸਮੱਗਰੀ ਅਤੇ ਫਾਰਮੈਟ (format) ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰਨ ਦੀ ਲੋੜ ‘ਤੇ ਜ਼ੋਰ ਦੇ ਕੇ ਇਸ ਪਹੁੰਚ ਨੂੰ ਵਧਾਉਂਦੇ ਹਨ।
ਨਿਕਿਤਾ ਜ਼ੋਰ ਦਿੰਦਾ ਹੈ ਕਿ ਵੱਡੀਆਂ ਸੰਦਰਭ ਵਿੰਡੋਜ਼ ਇੱਕੋ ਵੈਲੀਡੇਸ਼ਨ ਚੱਕਰ ਵਿੱਚ ਵਧੇਰੇ ਸਹਾਇਕ ਸਮੱਗਰੀ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦੇ ਕੇ RAG-V ਦੇ ਲਾਭਾਂ ਨੂੰ ਵਧਾਉਂਦੀਆਂ ਹਨ। ਹਾਲਾਂਕਿ, ਉਹ ਬੇਢੰਗੀ ਆਉਟਪੁੱਟ ਦੇ ਜੋਖਮ ਨੂੰ ਵੀ ਵਧਾਉਂਦੇ ਹਨ। ਉਹ ਚੇਤਾਵਨੀ ਦਿੰਦਾ ਹੈ ਕਿ ਭਾਸ਼ਾ ਮਾਡਲਾਂ (language models) ਨੂੰ ਡਿਟਰਮਿਨਿਸਟਿਕ ਵੈੱਬ ਏ.ਪੀ.ਆਈ. ਇਨਵੋਕੇਸ਼ਨ (deterministic Web API invocations) ਵਜੋਂ ਨਹੀਂ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ, ਸਗੋਂ ਸੰਭਾਵੀ ਇਕਾਈਆਂ ਵਜੋਂ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਜੋ ਕਿ ਬੁੱਧੀਮਾਨ ਉਪਭੋਗਤਾਵਾਂ ਵਰਗੀਆਂ ਹਨ। ਇਸ ਲਈ, ਭਰੋਸੇਯੋਗਤਾ ਅਤੇ ਏਕੀਕਰਨ ਦੀ ਤਿਆਰੀ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਸਮੱਗਰੀ ਅਤੇ ਢਾਂਚਾਗਤ ਵੈਲੀਡੇਸ਼ਨ (structural validation) ਦੋਵੇਂ ਜ਼ਰੂਰੀ ਹਨ।
ਉਪਭੋਗਤਾ ਇਨਪੁਟਸ (User Inputs) ਵਜੋਂ ਐਲ.ਐਲ.ਐਮਜ਼ (LLMs): ਸਾਫਟਵੇਅਰ ਆਰਕੀਟੈਕਚਰ (Software Architecture) ਵਿੱਚ ਇੱਕ ਪੈਰਾਡਾਈਮ ਸ਼ਿਫਟ
ਨਿਕਿਤਾ ਦਾ ਸੁਝਾਅ ਹੈ ਕਿ ਐਲ.ਐਲ.ਐਮ. ਆਉਟਪੁੱਟਾਂ (LLM outputs) ਨੂੰ ਏ.ਪੀ.ਆਈ. ਜਵਾਬਾਂ ਨਾਲੋਂ ਵੱਧ ਉਪਭੋਗਤਾ ਇਨਪੁਟਸ (user inputs) ਵਾਂਗ ਮੰਨਣ ਨਾਲ ਆਧੁਨਿਕ ਸਾਫਟਵੇਅਰ ਆਰਕੀਟੈਕਚਰ (modern software architecture) ‘ਤੇ ਡੂੰਘਾ ਪ੍ਰਭਾਵ ਪੈਂਦਾ ਹੈ। ਜਦੋਂ ਐਲ.ਐਲ.ਐਮਜ਼ (LLMs) ਨੂੰ ਸਥਿਰ ਏ.ਪੀ.ਆਈ. ਕਾਲਾਂ (static API calls) ਦੀ ਬਜਾਏ ਉਪਭੋਗਤਾ ਵਰਗੇ ਇਨਪੁਟਸ (inputs) ਵਜੋਂ ਦੇਖਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਹ ਬੁਨਿਆਦੀ ਤੌਰ ‘ਤੇ ਸਾਫਟਵੇਅਰ ਨੂੰ ਡਿਜ਼ਾਈਨ ਅਤੇ ਬਣਾਉਣ ਦੇ ਤਰੀਕੇ ਨੂੰ ਬਦਲ ਦਿੰਦਾ ਹੈ।
ਫਰੰਟਐਂਡ ਇੰਟਰਫੇਸਾਂ (Frontend interfaces) ਨੂੰ ਅਨਿਸ਼ਚਿਤਤਾ ਅਤੇ ਦੇਰੀ ਨੂੰ ਸ਼ਾਨਦਾਰ ਢੰਗ ਨਾਲ ਸੰਭਾਲਣ ਲਈ ਡਿਜ਼ਾਈਨ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ, ਆਪਟੀਮਿਸਟਿਕ ਯੂ.ਆਈ. (optimistic UI) ਵਰਗੇ ਪੈਟਰਨਾਂ (patterns) ਨੂੰ ਵਰਤਦੇ ਹੋਏ। ਬੈਕਐਂਡ (backend) ‘ਤੇ, ਅਸਿੰਕ੍ਰੋਨਸ (asynchronous), ਇਵੈਂਟ-ਡ੍ਰਾਈਵਨ ਡਿਜ਼ਾਈਨ (event-driven designs) ਜ਼ਰੂਰੀ ਹੋ ਜਾਂਦੇ ਹਨ, ਮੈਸੇਜ ਕਿਊਜ਼ (message queues) (ਉਦਾਹਰਨ ਲਈ, ਕਾਫਕਾ (Kafka) ਜਾਂ ਰੈਬਿਟਐਮਕਿਊ (RabbitMQ)) ਕੋਰ ਤਰਕ (core logic) ਤੋਂ ਏ.ਆਈ.-ਸੰਚਾਲਿਤ ਕਾਰਵਾਈਆਂ ਨੂੰ ਅਲੱਗ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ।
ਹਾਈਬ੍ਰਿਡ ਆਰਕੀਟੈਕਚਰ (Hybrid architectures), ਜੋ ਕਿ ਪਰੰਪਰਾਗਤ ਕੋਡ (traditional code) ਨੂੰ ਮਾਡਲ-ਅਧਾਰਤ ਫੈਸਲਿਆਂ ਨਾਲ ਜੋੜਦੇ ਹਨ, ਬੈਕਅਪ ਮਕੈਨਿਜ਼ਮਾਂ (fallback mechanisms) ਲਈ ਸਹਾਇਕ ਹੁੰਦੇ ਹਨ ਜਦੋਂ ਐਲ.ਐਲ.ਐਮ. ਆਉਟਪੁੱਟਸ (LLM outputs) ਹੌਲੀ ਜਾਂ ਗੈਰ-ਭਰੋਸੇਯੋਗ ਹੁੰਦੇ ਹਨ। ਇਹ ਪਰਿਵਰਤਨਸ਼ੀਲਤਾ (variability) ਨਾ ਸਿਰਫ ਸ਼ੁੱਧਤਾ ਲਈ, ਸਗੋਂ ਢਾਂਚੇ ਅਤੇ ਇਕਸਾਰਤਾ ਲਈ ਵੀ, ਵੈਲੀਡੇਸ਼ਨ ਦੀ ਮਹੱਤਵਪੂਰਨ ਮਹੱਤਤਾ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ। ਨਿਕਿਤਾ ਦੁਆਰਾ ਵਿਕਸਤ ਕੀਤੇ ਗਏ ਟੂਲ (tool) ਜਿਵੇਂ ਕਿ ਪੀ.ਕੌਨਫਿਗ (PKonfig), ਸਕੀਮਾ-ਅਨੁਕੂਲ ਜਵਾਬਾਂ ਨੂੰ ਲਾਗੂ ਕਰਦਾ ਹੈ, ਸੰਭਾਵੀ ਸਿਸਟਮਾਂ (probabilistic systems) ਵਿੱਚ ਏਕੀਕਰਨ ਭਰੋਸੇਯੋਗਤਾ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ।
ਐਲ.ਐਲ.ਐਮਜ਼ (LLMs) ਨਾਲ ਸਿੱਖਿਆ ਨੂੰ ਬਦਲਣਾ: ਆਟੋਮੈਟਿਕ ਗਰੇਡਿੰਗ (Automatic Grading) ਅਤੇ ਵਿਅਕਤੀਗਤ ਫੀਡਬੈਕ (Personalized Feedback)
ਨਿਕਿਤਾ ਨੇ ਇਹਨਾਂ ਸਿਧਾਂਤਾਂ ਨੂੰ ਨਾ ਸਿਰਫ਼ ਉਦਯੋਗ ਵਿੱਚ, ਸਗੋਂ ਸਿੱਖਿਆ ਵਿੱਚ ਵੀ ਲਾਗੂ ਕੀਤਾ ਹੈ, ਗੌ.ਆਈ.ਟੀ. (GoIT) ਲਈ ਇੱਕ ਆਟੋਮੈਟਿਕ ਗਰੇਡਿੰਗ ਪਲੇਟਫਾਰਮ (automatic grading platform) ਵਿਕਸਤ ਕੀਤਾ ਹੈ। ਉਹ ਦੱਸਦਾ ਹੈ ਕਿ ਉਸਦੇ ਤਜ਼ਰਬੇ ਨੇ ਨਿਰਧਾਰਤਵਾਦ (determinism), ਪੁਨਰ-ਉਤਪਾਦਨਯੋਗਤਾ (reproducibility), ਅਤੇ ਹਿਊਮਨ-ਇਨ-ਦ-ਲੂਪ ਐਸਕੇਲੇਸ਼ਨ (human-in-the-loop escalation) ਦੇ ਮੁੱਲ ਨੂੰ ਮਜ਼ਬੂਤ ਕੀਤਾ ਹੈ। ਭਾਵੇਂ ਅਸੀਂ ਐਲ.ਐਲ.ਐਮਜ਼ (LLMs) ਵਰਗੇ ਵਧੇਰੇ ਉੱਨਤ ਟੂਲਜ਼ (tools) ਨੂੰ ਜੋੜਦੇ ਹਾਂ, ਇਹ ਸੰਕਲਪ ਕੇਂਦਰੀ ਬਣੇ ਰਹਿੰਦੇ ਹਨ।
ਆਧੁਨਿਕ ਐਲ.ਐਲ.ਐਮਜ਼ (LLMs) ਵਿਦਿਆਰਥੀ ਫੀਡਬੈਕ (student feedback) ਨੂੰ ਵਧੇਰੇ ਵਿਅਕਤੀਗਤ ਅਤੇ ਪ੍ਰਸੰਗ-ਸਚੇਤ ਜਵਾਬਾਂ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਕੇ ਕ੍ਰਾਂਤੀ ਲਿਆਉਣ ਦੀ ਸਮਰੱਥਾ ਰੱਖਦੇ ਹਨ। ਸਥਿਰ ਟੈਮਪਲੇਟਸ (fixed templates) ‘ਤੇ ਭਰੋਸਾ ਕਰਨ ਦੀ ਬਜਾਏ, ਇੱਕ ਐਲ.ਐਲ.ਐਮ. (LLM) ਵਿਦਿਆਰਥੀ ਦੇ ਸਿੱਖਣ ਦੇ ਇਤਿਹਾਸ (learning history), ਕੋਡਿੰਗ ਸਟਾਈਲ (coding style), ਜਾਂ ਮੂਲ ਭਾਸ਼ਾ ਦੇ ਅਨੁਸਾਰ ਆਪਣੇ ਵਿਆਖਿਆਵਾਂ ਨੂੰ ਢਾਲ ਸਕਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਫੀਡਬੈਕ ਵਧੇਰੇ ਪਹੁੰਚਯੋਗ ਅਤੇ ਲਾਗੂ ਹੋ ਸਕਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਨਿਕਿਤਾ ਜ਼ੋਰ ਦਿੰਦਾ ਹੈ ਕਿ ਭਰੋਸੇਯੋਗਤਾ ਅਤੇ ਨਿਰਪੱਖਤਾ ਗੈਰ-ਗੱਲਬਾਤਯੋਗ ਬਣੇ ਰਹਿਣਗੇ। ਇਸ ਲਈ ਐਲ.ਐਲ.ਐਮਜ਼ (LLMs) ਨੂੰ ਰੀਟਰੀਵਲ-ਅਧਾਰਤ ਗਰਾਉਂਡਿੰਗ (retrieval-based grounding), ਰੁਬ੍ਰਿਕ ਵੈਲੀਡੇਸ਼ਨ (rubric validation), ਅਤੇ ਓਵਰਰਾਈਡ ਮਕੈਨਿਜ਼ਮਾਂ (override mechanisms) ਨਾਲ ਜੋੜਨ ਦੀ ਲੋੜ ਹੈ। ਜਿਵੇਂ ਕਿ ਵਿਆਖਿਆਯੋਗਤਾ (explainability) ਅਤੇ ਆਡਿਟਯੋਗਤਾ (auditability) ਨੇ ਅਸਲ ਪਲੇਟਫਾਰਮ ਦੇ ਡਿਜ਼ਾਈਨ ਨੂੰ ਅਗਵਾਈ ਦਿੱਤੀ, ਨਿਕਿਤਾ ਏ.ਆਈ.-ਸਹਾਇਕ ਸਿੱਖਿਆ ਦੇ ਭਵਿੱਖ ਦੀ ਏਜੈਂਟਿਕ ਵਜੋਂ ਕਲਪਨਾ ਕਰਦਾ ਹੈ, ਪਰ ਹਰ ਕਦਮ ‘ਤੇ ਸਖਤ ਸੁਰੱਖਿਆ ਉਪਾਵਾਂ ਅਤੇ ਪਾਰਦਰਸ਼ੀ ਤਰਕ ਨਾਲ।
ਏ.ਆਈ. ਵਿਕਾਸ ਵਿੱਚ ਗੁੰਝਲਤਾ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨ ਲਈ ਰਣਨੀਤੀਆਂ
ਏ.ਆਈ. ਵਿਕਾਸ ਵਿੱਚ ਮੌਜੂਦ ਆਰਕੀਟੈਕਚਰਲ (architectural) ਅਤੇ ਵੈਲੀਡੇਸ਼ਨ ਚੁਣੌਤੀਆਂ (validation challenges) ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਗੁੰਝਲਤਾ ਦੇ ਪ੍ਰਬੰਧਨ ਲਈ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਰਣਨੀਤੀਆਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਨਿਕਿਤਾ ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਸ਼ੁਰੂ ਤੋਂ ਹੀ ਵੈਲੀਡੇਸ਼ਨ ਨੂੰ ਤਰਜੀਹ ਦੇਣ ਦੀ ਸਲਾਹ ਦਿੰਦਾ ਹੈ, ਪੂਰੀ ਪਾਈਪਲਾਈਨ (pipeline) ਵਿੱਚ ਸਕੀਮਾ ਚੈਕ (schema checks) ਨੂੰ ਏਮਬੈਡ (embed) ਕਰਦਾ ਹੈ। ਉਹ ਅਜਿਹੇ ਟੂਲਜ਼ (tools) ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਮਹੱਤਤਾ ‘ਤੇ ਜ਼ੋਰ ਦਿੰਦਾ ਹੈ ਜੋ ਨਾ ਸਿਰਫ ਸਹੀ ਹੋਣ, ਸਗੋਂ ਢਾਂਚੇ (structure) ਅਤੇ ਇਕਸਾਰਤਾ (consistency) ਨੂੰ ਵੀ ਲਾਗੂ ਕਰਦੇ ਹਨ।
ਆਪਣੇ ਤਜ਼ਰਬਿਆਂ ਤੋਂ ਸਿੱਖਦਿਆਂ ਅਤੇ ਮਾਡਿਊਲਰ (modular) ਤਰੀਕੇ ਨਾਲ ਸੋਚਣ ਦੀ ਜ਼ਰੂਰਤ ਨੂੰ ਪਛਾਣਦਿਆਂ, ਨਿਕਿਤਾ ਮਾਡਲ ਤਰਕ (model logic) ਨੂੰ ਵਪਾਰਕ ਤਰਕ (business logic) ਤੋਂ ਵੱਖ ਕਰਨ ਅਤੇ ਉਹਨਾਂ ਮਾਮਲਿਆਂ ਲਈ ਮਜ਼ਬੂਤ ਬੈਕਅਪ (fallback) ਬਣਾਉਣ ਦੀ ਵਕਾਲਤ ਕਰਦਾ ਹੈ ਜਿੱਥੇ ਮਾਡਲ ਗਲਤ ਜਾਂ ਹੌਲੀ ਹੁੰਦਾ ਹੈ। ਤਕਨੀਕੀ ਅਨੁਸ਼ਾਸਨ (technical discipline) ਅਤੇ ਰਣਨੀਤਕ ਦੂਰਅੰਦੇਸ਼ੀ (strategic foresight) ਦਾ ਇਹ ਸੁਮੇਲ ਭਰੋਸੇਯੋਗ ਏ.ਆਈ. ਸਿਸਟਮਾਂ (AI systems) ਬਣਾਉਣ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ।
ਮਾਨਤਾ ਅਤੇ ਕਮਿਊਨਿਟੀ ਸ਼ਮੂਲੀਅਤ ਦਾ ਪ੍ਰਭਾਵ
ਬ੍ਰੇਨਟੈਕ ਅਵਾਰਡ (BrainTech Award) ਵਰਗੀਆਂ ਪਹਿਲਕਦਮੀਆਂ ਦੁਆਰਾ ਨਿਕਿਤਾ ਦੀ ਮਾਨਤਾ ਅਤੇ ਆਈ.ਈ.ਈ.ਈ. (IEEE) ਵਰਗੇ ਭਾਈਚਾਰਿਆਂ ਨਾਲ ਉਸਦੀ ਸ਼ਮੂਲੀਅਤ ਨੇ ਅਭਿਆਸ ਵਿੱਚ ਗੁੰਝਲਾਂ ਨਾਲ ਨਜਿੱਠਣ ਦੇ ਉਸਦੇ ਤਰੀਕੇ ਨੂੰ ਬਹੁਤ ਪ੍ਰਭਾਵਿਤ ਕੀਤਾ ਹੈ। ਇਹਨਾਂ ਤਜ਼ਰਬਿਆਂ ਨੇ ਉਸਦੇ ਅੰਦਰ ਵਿਹਾਰਕਤਾ (practicality) ਦੇ ਨਾਲ ਨਵੀਨਤਾ (innovation) ਨੂੰ ਜੋੜਨ ਦੀ ਮਹੱਤਤਾ ਪੈਦਾ ਕੀਤੀ ਹੈ।
ਬ੍ਰੇਨਟੈਕ ਅਵਾਰਡ (BrainTech Award) ਨੇ ਰੀਅਲ-ਵਰਲਡ ਉਪਭੋਗਤਾ ਵਰਕਫਲੋਜ਼ (real-world user workflows) ਨੂੰ ਸੁਚਾਰੂ ਬਣਾਉਣ ਲਈ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ (computer vision) ਨੂੰ ਲਾਗੂ ਕਰਨ ‘ਤੇ ਨਿਕਿਤਾ ਦੇ ਕੰਮ ਨੂੰ ਮਾਨਤਾ ਦਿੱਤੀ, ਜਿਸ ਨੇ ਨਾ ਸਿਰਫ਼ ਤਕਨੀਕੀ ਸਮਰੱਥਾ, ਸਗੋਂ ਵੱਡੇ ਪੱਧਰ ‘ਤੇ ਵਰਤੋਂਯੋਗਤਾ ‘ਤੇ ਵੀ ਜ਼ੋਰ ਦਿੱਤਾ। ਇਸ ਤਜ਼ਰਬੇ ਨੇ ਉਸਦੇ ਵਿਸ਼ਵਾਸ ਨੂੰ ਆਕਾਰ ਦਿੱਤਾ ਕਿ ਏ.ਆਈ. ਸਿਸਟਮਾਂ (AI systems) ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ ਅਤੇ ਮੌਜੂਦਾ ਪ੍ਰਕਿਰਿਆਵਾਂ ਵਿੱਚ ਸਹਿਜੇ ਹੀ ਏਕੀਕ੍ਰਿਤ (integrated) ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ। ਆਈ.ਈ.ਈ.ਈ. (IEEE) ਨਾਲ ਉਸਦੀ ਚੱਲ ਰਹੀ ਸ਼ਮੂਲੀਅਤ ਉਸਨੂੰ ਨਵੀਨਤਮ ਖੋਜ ਅਤੇ ਵਧੀਆ ਅਭਿਆਸਾਂ ਵਿੱਚ ਕਾਇਮ ਰੱਖਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਉਹ ਅਜਿਹੇ ਸਿਸਟਮਾਂ (systems) ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਨ ਦੇ ਯੋਗ ਹੁੰਦਾ ਹੈ ਜੋ ਨਾ ਸਿਰਫ਼ ਉੱਨਤ ਹਨ ਬਲਕਿ ਨੈਤਿਕ, ਮਾਡਿਊਲਰ (modular), ਅਤੇ ਉਤਪਾਦਨ ਵਿੱਚ ਲਚਕੀਲੇ ਵੀ ਹਨ।
ਏ.ਆਈ. ਦੇ ਭਵਿੱਖ ਨੂੰ ਆਕਾਰ ਦੇਣਾ
ਨਿਕਿਤਾ ਦਾ ਭਵਿੱਖ ਦਾ ਕੰਮ ਮਜ਼ਬੂਤ, ਸਕੇਲੇਬਲ, ਅਤੇ ਨੈਤਿਕ ਤੌਰ ‘ਤੇ ਸਹੀ ਏ.ਆਈ. ਸਿਸਟਮਾਂ (AI systems) ਬਣਾਉਣ ‘ਤੇ ਕੇਂਦ੍ਰਤ ਹੋਵੇਗਾ। ਉਸਦਾ ਮੰਨਣਾ ਹੈ ਕਿ ਲਾਮਾ 4 (Llama 4) ਅਤੇ ਜੈਮਿਨੀ 2.5 (Gemini 2.5) ਵਰਗੇ ਮਾਡਲਾਂ (models), ਆਪਣੀਆਂ ਵੱਡੀਆਂ ਸੰਦਰਭ ਵਿੰਡੋਜ਼ (context windows) ਦੇ ਨਾਲ, ਪਰਿਵਰਤਨਸ਼ੀਲ ਸਮਰੱਥਾ ਰੱਖਦੇ ਹਨ, ਖਾਸ ਕਰਕੇ ਸਿੱਖਿਆ ਵਿੱਚ। ਇਹ ਮਾਡਲ (model