செயற்கை நுண்ணறிவுத் துறையில் ஒரு பெரிய மாற்றம் நிகழ்ந்து கொண்டிருக்கிறது. ஆரம்பகால AI மாதிரிகள் வெறும் உரைகளின் துணுக்குகளை மட்டுமே செயலாக்க முடிந்தது, ஆனால் இன்றைய அதிநவீன அமைப்புகள் முழு புத்தகங்களையும் உள்வாங்கி புரிந்துகொள்ளும் திறனைக் கொண்டுள்ளன. இந்த வளர்ச்சியில் ஒரு முக்கியமான மைல்கல்லாக ஏப்ரல் 5, 2025 அன்று மெட்டா நிறுவனம் லாமா 4 ஐ வெளியிட்டது. இது முன் எப்போதும் இல்லாத 10 மில்லியன் டோக்கன் சூழல் சாளரத்தைக் கொண்ட ஒரு அற்புதமான AI மாதிரி குடும்பம் ஆகும். இந்த முன்னேற்றம் ஏஜென்டிக் AI அமைப்புகளின் எதிர்காலத்திற்கு ஆழமான தாக்கங்களை ஏற்படுத்துகிறது. ஏனெனில் அவை தன்னிச்சையாக செயல்படவும், திட்டமிடவும், முடிவெடுக்கவும், சுயாதீனமாக செயல்படவும் வடிவமைக்கப்பட்டுள்ளன.
இந்த உருமாறும் தொழில்நுட்பத்தைப் பற்றிய ஆழமான நுண்ணறிவுகளைப் பெற, AI சமூகத்தில் ஒரு புகழ்பெற்ற நபராக விளங்கும் நிகிடா கிளாட்ஸ்கிஹை அணுகினோம். BrainTech விருது பெற்றவர், IEEE இன் உறுப்பினராக உள்ளார். மேலும் பிரைமர் AI இல் பணியாளர் மென்பொருள் பொறியியலாளராக பணியாற்றி வருகிறார். நிகிடா AI சரிபார்ப்பு மற்றும் உள்கட்டமைப்பு மேம்பாட்டில் முன்னணியில் இருந்து வருகிறார். 2013 இல் தொடங்கி ஒரு தசாப்தத்திற்கும் மேலாக நீடித்த தனது வாழ்க்கையில், நிகிடா நடைமுறை மென்பொருள் பொறியியல், கல்வி ஆராய்ச்சி மற்றும் உலகளாவிய டெவலப்பர் சமூகத்திற்கான பங்களிப்புகளை தடையின்றி ஒன்றிணைத்துள்ளார். பைதான், கோ மற்றும் AI அடிப்படையிலான ஆட்டோமேஷன் ஆகியவற்றில் பெரிதும் விரும்பப்படும் நிபுணராக தன்னை நிலைநிறுத்தியுள்ளார். நிதி, சந்தை இடங்கள் மற்றும் தேடல் தொழில்நுட்பங்கள் போன்ற பல்வேறு துறைகளில் பெரிய அளவிலான LLM-இயங்கும் குழாய்களை (pipelines) பயன்படுத்துவதில் அவருக்கு இருக்கும் விரிவான அனுபவமே அவரது தனித்துவமான கண்ணோட்டத்திற்கு காரணம்.
நிகிடா கிளாட்ஸ்கி குறிப்பாக பெரிய மொழி மாதிரிகளை (LLMs) வலுவான சரிபார்ப்பு தர்க்கத்துடன் ஒருங்கிணைக்கும் அளவிடக்கூடிய கட்டமைப்புகளில் தனது முன்னோடி பணிக்காக மிகவும் பிரபலமானவர். இந்தத் துறையில் நம்பகத்தன்மை மற்றும் துல்லியம் மிக முக்கியமானது. மேலும் நிகிடாவின் மூலோபாய பங்களிப்புகள் RAG-V (Retrieval-Augmented Generation with Verification) என்ற முன்னுதாரணத்தை வடிவமைப்பதில் கருவியாக இருந்து வருகிறது. இது AI மூலம் இயக்கப்படும் தொழில்களில் வேகமாக வேகமெடுத்து வருகிறது.
சூழல் சாளர விரிவாக்கத்தின் முக்கியத்துவம்
கூகிள் ஜெமினி 2.5 ஐ வெளியிட்டு 1 மில்லியன் டோக்கன்களின் சூழல் சாளரத்தை வழங்கிய சிறிது நேரத்திலேயே, மெட்டாவின் லாமா 4 சூழல் சாளர வரம்புகளை 10 மில்லியன் டோக்கன்களாக விரிவுபடுத்தி முந்தைய சாதனையை முறியடித்துள்ளது. ஆனால் இந்த புள்ளிவிவரங்கள் AI தொழில்துறைக்கு எதை உணர்த்துகின்றன?
நிகிடாவின் கூற்றுப்படி, பெரிய சூழல் சாளரங்களுக்கான போக்கு ஒரு மாற்றத்தை விட குறைவானது அல்ல. முழு உரையாடல்கள், விரிவான ஆவணங்கள் மற்றும் முழுமையான தரவுத்தளங்கள் உள்ளிட்ட ஏராளமான உள்ளீடுகளைச் செயலாக்க AI அமைப்புகளுக்கு உதவுவதன் மூலம், இந்த அமைப்புகள் முன்பே அடைய முடியாத ஆழம் மற்றும் தொடர்ச்சியுடன் இப்போது விவாதிக்க முடியும். இந்த முன்னுதாரண மாற்றமானது ஏஜென்டிக் குழாய்களின் வடிவமைப்பில் ஆழமான தாக்கத்தை ஏற்படுத்துகிறது. அங்கு AI முகவர்கள் தன்னிச்சையாக திட்டமிடுதல், முடிவெடுத்தல் மற்றும் செயல்களைச் செயல்படுத்துதல் போன்ற பணிகளை மேற்கொள்கின்றனர். ஒரு பெரிய சூழல் என்பது குறைவான பிழைகள், மேம்படுத்தப்பட்ட தனிப்பயனாக்கம் மற்றும் அதிக ஈர்க்கக்கூடிய பயனர் அனுபவங்களுக்கு வழிவகுக்கிறது. இது முழுத் துறையும் எந்த திசையில் செல்கிறது என்பதற்கான தெளிவான குறிகாட்டியாகும்.
நேரடி அனுபவம் மற்றும் ஏஜென்டிக் குழாய் வடிவமைப்பு
PKonfig போன்ற டெவலப்பர் கருவிகளை உருவாக்குவதிலும், பெரிய அளவில் பயன்படுத்தப்படும் கல்வி தளங்களை உருவாக்குவதிலும் நிகிடாவுக்கு இருக்கும் விரிவான அனுபவம், ஏஜென்டிக் குழாய் வடிவமைப்பின் சிக்கல்களைப் பற்றிய மதிப்புமிக்க நுண்ணறிவுகளை வழங்குகிறது. அழுத்தத்தின் கீழ் நம்பகத்தன்மையுடன் செயல்பட வேண்டிய அமைப்புகளை உருவாக்கும்போது தொகுதி (modularity), கண்காணிப்பு (observability) மற்றும் தோல்வி தனிமைப்படுத்தல் (failure isolation) ஆகியவற்றின் முக்கியத்துவத்தை அவர் வலியுறுத்துகிறார்.
தனது அனுபவத்திலிருந்து, ஒவ்வொரு கூறுகளையும் தோல்வியின் சாத்தியமான புள்ளியாகக் கருதி, பின்வாங்கல் பாதைகள், சரிபார்ப்பு அடுக்குகள் மற்றும் இனப்பெருக்கம் (reproducibility) நடவடிக்கைகளை செயல்படுத்துவதை நிகிடா பரிந்துரைக்கிறார். இந்த கொள்கைகள் ஏஜென்டிக் பணிப்பாய்வுகளின் வடிவமைப்பிற்கு நேரடியாகப் பொருந்தும். அங்கு முகவர்களுக்கு கட்டமைக்கப்பட்ட நிலை மேலாண்மை, கண்டுபிடிக்கக்கூடியExecution மற்றும் உறுதியான நடத்தை தேவைப்படுகிறது.
குறிப்பாக ரெஸ்யூம் சுருக்கங்களில் மாயத்தோற்றங்களைக் குறைப்பதிலும், கல்வி அமைப்புகளில் தானியங்கி பின்னூட்டத்தை வழங்குவதிலும் நிகிடாவின் பயன்பாட்டு AI இல் உள்ள பணி, சரிபார்ப்பு சுழற்சிகள் மற்றும் மீட்டெடுப்பு-முதல் வடிவமைப்பின் முக்கியத்துவத்தை எடுத்துக்காட்டுகிறது. முகவர்களை குருட்டுத்தனமாக நம்பக்கூடாது, மாறாக உள்ளமைக்கப்பட்ட சரிபார்ப்பு வழிமுறைகள் மற்றும் கட்டமைக்கப்பட்ட அறிவுத் தளங்களுடன் இறுக்கமாக ஒருங்கிணைக்கப்பட வேண்டும் என்று அவர் நம்புகிறார். மேலும், மனிதன்-சுழற்சி வடிவமைப்பின் முக்கியத்துவத்தையும் அவர் வலியுறுத்துகிறார். அவர் கல்வி கருவிகளில் முன்னுரிமை அளித்த ஒரு கொள்கையை இப்போது முகவர் பொறுப்புணர்வை உறுதி செய்வதில் இன்றியமையாததாகக் கருதுகிறார். ஏஜென்டிக் குழாய்கள் புதுமையான UX ஓட்டங்களை விட அதிகம்; அவை சிக்கலான மென்பொருள் அமைப்புகள் ஆகும். அவை நடைமுறையில் அவற்றின் நம்பகத்தன்மையை உறுதிப்படுத்த பின்தள பொறியியலைப் போலவே கண்டிப்புடன் அணுகப்பட வேண்டும்.
விரிவாக்கப்பட்ட சூழல் மூலம் AI நம்பகத்தன்மையை மேம்படுத்துதல்
சூழல் சாளரத்தின் அளவு முன்னேற்றங்கள் ஏற்கனவே உற்பத்தி அமைப்புகளில் உறுதியான தாக்கத்தை ஏற்படுத்துகின்றன. மேலும் பல்வேறு பயன்பாடுகளில் AI நம்பகத்தன்மையை மேம்படுத்துகின்றன. பெரிய சூழல்கள் AI நம்பகத்தன்மையை எவ்வாறு மேம்படுத்துகின்றன என்பதற்கு நிகிடா ஒரு உறுதியான உதாரணத்தை வழங்குகிறார்:
சிறிய சூழல் சாளரங்கள் பெரும்பாலும் முக்கியமான சூழ்நிலை தகவல்களை குறைக்க AI மாதிரிகளை கட்டாயப்படுத்துகின்றன. இது துண்டு துண்டான அல்லது தவறான வெளியீடுகளுக்கு வழிவகுக்கிறது. இருப்பினும், சூழல் சாளரங்கள் மில்லியன் கணக்கான டோக்கன்களாக விரிவடைவதால் மாதிரிகள் இப்போது விரிவான வரலாற்று தொடர்புகள், விரிவான பயனர் சுயவிவரங்கள் மற்றும் தரவுகளுக்குள் பல பரிமாண உறவுகளை தக்கவைக்க முடியும். உதாரணமாக ஒரு AI அடிப்படையிலான வாடிக்கையாளர் ஆதரவு முகவர் பல வருடங்கள் நீடித்த கடந்தகால தொடர்புகளைக் குறிப்பிடலாம். குறிப்பாக சுகாதார நோயறிதல்கள் அல்லது நிதி முன்னறிவிப்பு போன்ற முக்கியமான சூழ்நிலைகளில், AI-இயக்கப்படும் முடிவுகளின் நம்பகத்தன்மை மற்றும் ஆழத்தை மேம்படுத்துகிறது.
Primer AI இல் சரிபார்ப்புடன் கூடிய மீட்டெடுப்பு-உருவாக்கம் (RAG-V) செயல்படுத்தும் போது, ஆதரவு ஆவணங்களை சூழலுக்குள் பொருத்துவதற்காக சரிபார்ப்பு அழைப்புகளுக்கான தரவைக் குறைத்த சவாலை நிகிடா நினைவு கூர்ந்தார். இந்த வரம்பு அவர்களின் சரிபார்ப்பு முயற்சிகளின் துல்லியத்தை கட்டுப்படுத்தியது. இருப்பினும் லாமா 4 இன் விரிவாக்கப்பட்ட சூழல் சாளரத்துடன் அந்த தடைகள் திறம்பட அகற்றப்படுகின்றன.
RAG-V: நம்பகமான AI மேம்பாட்டின் மூலைக்கல்
RAG-V முறை, மாதிரிகள் உள்ளடக்கத்தை மீட்டெடுத்து சரிபார்க்கின்றன. இது நம்பகமான AI மேம்பாட்டின் மூலைக்கல்லாக உருவெடுத்துள்ளது. RAG-V என்பது ஒரு முறை என்று நிகிடா விளக்குகிறார். இதில் AI பதில்களை உருவாக்குவது மட்டுமல்லாமல், நம்பகமான வெளிப்புற ஆதாரங்களுக்கு எதிராக அவற்றை தீவிரமாக சரிபார்க்கிறது. அதாவது நிகழ்நேர உண்மைச் சரிபார்ப்பை மேற்கொள்கிறது.
ஏஜென்டிக் AI அமைப்புகளுக்குள் சரிபார்ப்பு கொள்கைகளை ஒருங்கிணைப்பதை RAG-V இல் நிகிடா செய்த பணி வலியுறுத்துகிறது. RAG-V மீட்டெடுப்பு அமைப்புகள் மற்றும் அதிகாரப்பூர்வ வெளிப்புற ஆதாரங்களுக்கு எதிராக மாதிரி வெளியீடுகளை குறுக்கு-குறிப்பிட வலுவான சரிபார்ப்பு அடுக்குகளைப் பயன்படுத்துகிறது. எடுத்துக்காட்டாக நிதி அபாய மதிப்பீடுகளில் உருவாக்கப்பட்ட ஒவ்வொரு ஆலோசனை அல்லது கணிப்பு வரலாற்று சந்தை தரவு அல்லது ஒழுங்குமுறை இணக்க ஆவணங்களுக்கு எதிராக சரிபார்க்கப்படுகிறது. விரிவாக்கப்பட்ட சூழல் சாளரங்கள் பணக்கார சூழல்களை இயக்குவதன் மூலமும், உள்ளடக்கம் மற்றும் வடிவத்தை சரிபார்க்க வேண்டியதன் அவசியத்தை வலியுறுத்துவதன் மூலமும் இந்த அணுகுமுறையை மேம்படுத்துகின்றன.
ஒற்றை சரிபார்ப்பு சுழற்சியில் அதிக ஆதரவுப் பொருளைச் சேர்க்க அனுமதிப்பதன் மூலம் பெரிய சூழல் சாளரங்கள் RAG-V இன் நன்மைகளை பெருக்குகின்றன என்று நிகிடா வலியுறுத்துகிறார். இருப்பினும் அவை கட்டமைப்பற்ற வெளியீட்டின் அபாயத்தையும் அதிகரிக்கின்றன. மொழி மாதிரிகளை உறுதியான வெப் API அழைப்பாகக் கருதாமல் சாத்தியமான நிறுவனங்களாக கருத வேண்டும் என்று அவர் எச்சரிக்கிறார். எனவே நம்பகத்தன்மை மற்றும் ஒருங்கிணைப்பு தயார்நிலையை உறுதிப்படுத்த உள்ளடக்கம் மற்றும் கட்டமைப்பு சரிபார்ப்பு இரண்டும் அவசியம்.
LLM கள் பயனர் உள்ளீடுகளாக: மென்பொருள் கட்டமைப்பில் ஒரு முன்னுதாரண மாற்றம்
LLM வெளியீடுகளை API பதில்களை விட பயனர் உள்ளீடுகளாகக் கருதுவது நவீன மென்பொருள் கட்டமைப்பில் ஆழமான தாக்கத்தை ஏற்படுத்துகிறது என்று நிகிடா கூறுகிறார். LLMகள் நிலையான API அழைப்புகளை விட பயனர் போன்ற உள்ளீடுகளாகக் காணப்பட்டால், மென்பொருள் வடிவமைக்கப்பட்டு கட்டப்படும் முறையில் இது அடிப்படையில் மாற்றுகிறது.
Frontend இடைமுகங்கள் நிச்சயமற்றதையும் தாமதத்தையும் நேர்த்தியாகக் கையாள வடிவமைக்கப்பட வேண்டும்.Backend இல் ஒத்திசைவற்ற நிகழ்வு சார்ந்த வடிவமைப்புகள் அவசியமாகின்றன. செய்திக் க்யூக்கள் (Kafka அல்லது RabbitMQ போன்றவை) AI மூலம் இயக்கப்படும் செயல்களை முக்கிய தர்க்கத்திலிருந்து பிரிக்க உதவுகின்றன.
பாரம்பரிய குறியீட்டை மாதிரி அடிப்படையிலான முடிவுகளுடன் இணைக்கும் கலப்பின கட்டமைப்புகள் LLM வெளியீடுகள் மெதுவாகவோ அல்லது நம்பமுடியாததாகவோ இருக்கும்போது திரும்பப் பெறும் வழிமுறைகளை அனுமதிக்கின்றன. இந்த மாறுபாடு துல்லியம் மட்டுமல்ல கட்டமைப்பு மற்றும் நிலைத்தன்மைக்கும் சரிபார்ப்பின் முக்கியமான முக்கியத்துவத்தை அடிக்கோடிட்டுக் காட்டுகிறது. நிகிடாவால் உருவாக்கப்பட்ட PKonfig போன்ற கருவிகள் திட்ட இணக்கமான பதில்களை உறுதிப்படுத்துகின்றன.
LLM களுடன் கல்வியை மாற்றுதல்: தானியங்கி மதிப்பீடு மற்றும் தனிப்பயனாக்கப்பட்ட கருத்து
நிகிடா இந்த கொள்கைகளை தொழில் துறையில் மட்டுமல்ல GoIT க்கான தானியங்கி கிரேடிங் தளத்தை உருவாக்கி கல்வியிலும் பயன்படுத்தியுள்ளார். தீர்மானகரமான தன்மை (determinism), மறுஉருவாக்கம்Re மற்றும் சிறிய மனிதன்-சுழற்சி விரிவாக்கம் ஆகியவற்றின் மதிப்பை அவரது அனுபவம் வலுப்படுத்தியுள்ளது என்று அவர் கூறுகிறார். LLMகள் போன்ற மேம்பட்ட கருவிகளை நாங்கள் ஒருங்கிணைக்கும்போது கூட இந்த கருத்துக்கள் மையமாக உள்ளன.
நவீன LLMகள் அதிக தனிப்பயனாக்கப்பட்ட மற்றும் சூழல் சார்ந்த பதில்களை வழங்குவதன் மூலம் மாணவர் கருத்துக்களை புரட்சிகரமாக்கும் திறனைக் கொண்டுள்ளன. நிலையான டெம்ப்ளேட்களை நம்புவதற்குப் பதிலாக ஒரு LLM ஒரு மாணவரின் கற்றல் வரலாறு, குறியீட்டு முறை அல்லது தாய்மொழிக்கு அதன் விளக்கங்களை மாற்றியமைக்க முடியும். ஆயினும்கூட நம்பகத்தன்மை மற்றும் நியாயம் பேச்சுவார்த்தைக்குட்படாதவை என்று நிகிடா வலியுறுத்துகிறார். ಇದಕ್ಕೆ LLMகளை மீட்டெடுப்பு அடிப்படையிலான கிரவுண்டிங், ரூப்ரிக் சரிபார்ப்பு மற்றும் மீறல் வழிமுறைகளுடன் இணைக்க வேண்டியது அவசியம். விளக்குதல் மற்றும் தணிக்கை திறன் ஆகியவை அசல் தளத்தின் வடிவமைப்பை வழிநடத்தியதைப் போலவே AI உதவியுடன் கூடிய கல்வியின் எதிர்காலத்தையும் நிகிடா ஏஜென்ட்டாகக் கருதுகிறார்.
AI மேம்பாட்டில் சிக்கலை நிர்வகிப்பதற்கான உத்திகள்
AI மேம்பாட்டில் உள்ளார்ந்த கட்டடக்கலை மற்றும் சரிபார்ப்பு சவால்களை எதிர்கொள்ள சிக்கலை நிர்வகிக்க திறம்பட உத்திகள் தேவை. டெவலப்பர்கள் சரிபார்ப்புக்கு முன்னுரிமை அளிக்கவும் குழாய் முழுவதும் ஸ்கீமா சோதனைகளை உட்பொதிக்கவும் நிகிடா அறிவுறுத்துகிறார். சரியானதை மட்டுமல்ல கட்டமைப்பு மற்றும் நிலைத்தன்மையை செயல்படுத்தும் கருவிகளைப் பயன்படுத்துவதன் முக்கியத்துவத்தையும் அவர் வலியுறுத்துகிறார்.
தனது அனுபவங்களிலிருந்து பெற்று தொகுதி ரீதியாக யோசிக்க வேண்டியதன் அவசியத்தை அங்கீகரிக்கும் நிகிடா மாதிரி தர்க்கத்தை வணிகத் தர்க்கத்திலிருந்து பிரிக்கவும், மாதிரி தவறானதாகவோ அல்லது மெதுவாகவோ இருக்கும் சந்தர்ப்பங்களில் வலுவான குறைப்புகளை உருவாக்கவும் வாதிடுகிறார். இந்த தொழில்நுட்ப ஒழுக்கம் மற்றும் மூலோபாய தொலைநோக்கு பார்வை நம்பகமான AI அமைப்புகளை உருவாக்க அவசியமானவை.
அங்கீகாரம் மற்றும் சமூக ஈடுபாட்டின் தாக்கம்
BrainTech விருது போன்ற முயற்சிகள் மூலம் நிகிடாவின் அங்கீகாரம் மற்றும் IEEE போன்ற சமூகங்களுடனான அவரது ஈடுபாடு நடைமுறையில் சிக்கல்களைச் சமாளிப்பதற்கான அவரது அணுகுமுறையை கணிசமாக பாதித்துள்ளது. புதுமையை நடைமுறையுடன் இணைப்பதன் முக்கியத்துவத்தை இந்த அனுபவங்கள் அவருக்குள் புகுத்தியுள்ளன.
BrainTech விருது கணினி பார்வையைப் பயன்படுத்தி நிஜ உலக பயனர் பணிப்பாய்வுகளை நெறிப்படுத்துவதற்கான நிகிடாவின் பணியை அங்கீகரித்தது. இது தொழில்நுட்ப திறனை மட்டுமல்லாமல் அளவில் பயன்படுத்தக்கூடியதையும் வலியுறுத்தியது. AI அமைப்புகள் சக்திவாய்ந்ததாக இருப்பது மட்டுமல்லாமல் இருக்கும் செயல்முறைகளில் தடையின்றி ஒருங்கிணைக்கப்பட வேண்டும் என்ற நம்பிக்கையை இந்த அனுபவம் வடிவமைத்தது. IEEE உடனான அவரது தொடர்ச்சியான ஈடுபாடு சமீபத்திய ஆராய்ச்சி மற்றும் சிறந்த நடைமுறைகளில் அவரை நிலைநிறுத்துகிறது.
AI இன் எதிர்காலத்தை வடிவமைத்தல்
நிகிடாவின் எதிர்கால பணி வலுவான அளவிடக்கூடிய மற்றும் நெறிமுறையற்ற AI அமைப்புகளை உருவாக்குவதில் கவனம் செலுத்தும். லமா 4 மற்றும் ஜெமினி 2.5 போன்ற மாதிரிகள் அவற்றின் பாரிய சூழல் சாளரங்களுடன் குறிப்பாக கல்வியில் மாற்றத்தக்க திறனைக் கொண்டுள்ளன என்று அவர் நம்புகிறார். இந்த மாதிரிகள் ஒரு மாணவரின் முழு கற்றல் வரலாற்றின் அடிப்படையில் தனிப்பயனாக்கப்பட்ட சூழல் நிறைந்த விளக்கங்களை வழங்க AI பயிற்சிக்கு உதவும்.
தானியங்கி மதிப்பீடு என்பது மற்றொரு முக்கிய கவனம் செலுத்தும் பகுதியாகும். GoIT க்கான நிகிடாவின் தரப்படுத்தல் கருவி ஏற்கனவே தொடரியல் மற்றும் சரியான தன்மையை அளவில் கையாளுகிறது. இருப்பினும் அடுத்த தலைமுறை LLMகள் கருத்தியல் புரிதலை மதிப்பிடுவதன் மூலமும், முந்தைய செயல்திறனுக்கு கருத்தைத் தையல் செய்வதன் மூலமும் RAG-V மூலம் கல்வித் தரங்களுடன் முடிவுகளை இணைப்பதன் மூலமும் இதை மேலும் தள்ளும் திறனைக் கொண்டுள்ளன.
நம்பகத்தன்மையை உறுதிப்படுத்த ஸ்கீமா சரிபார்ப்பு மற்றும் திரும்பப் பெறும் தர்க்கத்திற்கான தொடர்ச்சியான தேவைக்கு நிகிடா வலியுறுத்துகிறார். மேம்பட்ட மாதிரிகளை கட்டமைக்கப்பட்ட சரிபார்ப்புடன் இணைப்பதன் மூலம் நம்பிக்கை, நியாயம் அல்லது கற்பித்தல் கடுமை ஆகியவற்றில் சமரசம் செய்யாமல் கல்வியை மேம்படுத்தலாம்.
கல்வி கடுமையுடன் அளவிடுதலை சமநிலைப்படுத்துதல்
ஒவ்வொரு காலாண்டிலும் ஆயிரக்கணக்கான மாணவர்களுக்கு ஆதரவளிக்க அளவிடுதல் மற்றும் கற்பித்தல் ஒருமைப்பாடு ஆகியவற்றுக்கு இடையே கவனமாக சமநிலை தேவைப்படுகிறது. நிகிடா அக்கறைகளை பிரிப்பதன் மூலம் இதை அடைந்தார்: சோதனை முடிவுகள் மற்றும் குறியீடு வடிவமைத்தல் போன்ற வழக்கமான சரிபார்ப்புகளை ஆட்டோமேஷன் கையாண்டது. அதேசமயம் சிக்கலான விளிம்பு வழக்குகள் மனித மதிப்பாய்வுக்காகக் கொடியிடப்பட்டன. இது கருத்தின் தரம் அல்லது நியாயத்தன்மையில் சமரசம் செய்யாமல் அதிக செயல்திறனை உறுதி செய்தது.
கட்டமைக்கப்பட்ட ரூப்ரிக்ஸ், அசைன்மென்ட்களுக்கான பதிப்பு கட்டுப்பாடு மற்றும் கண்டுபிடிக்கக்கூடிய கிரேடிங் தர்க்கம் போன்றவற்றை செயல்படுத்தியதன் மூலம் கல்வி கடுமை பராமரிக்கப்பட்டது. இந்த நடவடிக்கைகள் மாணவர் நம்பிக்கை மற்றும் கற்பனை வெளிப்படைத்தன்மையை உருவாக்கின.
லாமா 4 நிலை மாதிரிகள் சூழல் சார்ந்த பல மொழி மற்றும் குறியீடு சார்ந்த கருத்து தலைமுறையை அளவில் செயல்படுத்துவதன் மூலம் இந்த சமநிலையை கணிசமாக மாற்றக்கூடும் என்று நிகிடா நம்புகிறார். அவை சுருக்கமான கருத்துக்களை எளிய விதிமுறைகளில் விளக்கவும், தனிப்பட்ட கற்பவர்களுக்கு உணவளிக்கவும், பயிற்சி போன்ற தொடர்புகளை உருவகப்படுத்தவும் உதவும். ஆயினும்கூட அளவுகோல் காவல்களுக்கான தேவையை நீக்காது என்று அவர் எச்சரிக்கிறார். LLMகள் ரூப்ரிக்ஸில் நிறுவப்பட வேண்டும் தெரிந்த வெளியீடுகளுக்கு எதிராக சரிபார்க்கப்பட வேண்டும் மற்றும் பயிற்றுனர்களால் கேட்கக்கூடியதாக இருக்க வேண்டும். சரியான கட்டமைப்போடு உறுதிப்படுத்தப்பட்ட பயிற்சி முறைகளை LLM ஆற்றலுடன் ஒருங்கிணைக்கலாம்.
நிகிடா தனது பார்வையைச் சுருக்கமாகக் கூறுகிறார்: "நான் வெறும் வேலையை மட்டுமல்ல டீச், வேலிடேட், கான்ஃபிகர் மற்றும் சப்போர்ட் செய்ய முடிவு செய்யும் அமைப்பை உருவாக்குகிறேன்.”