பெரிய மொழி மாதிரிகளின் ஆற்றல்

பெரிய மொழி மாதிரிகள் (LLM) பல்வேறு தொழில்களில் ஒரு முக்கியமான மாற்றத்தை ஏற்படுத்தி, நிறுவனங்களுக்கு செயல்பாடுகளை எளிதாக்கவும், செயல்திறனை அதிகரிக்கவும், புதுமைகளை உருவாக்கவும் முன் எப்போதும் இல்லாத வாய்ப்புகளை வழங்குகின்றன. OpenAI-ன் GPT-4 முதல் Meta-வின் Llama மற்றும் Anthropic-ன் Claude போன்ற சக்திவாய்ந்த LLM தளங்கள், நாம் தொழில்நுட்பத்துடன் தொடர்பு கொள்ளும் விதத்தை மாற்றுகின்றன. இருப்பினும், இந்த மாதிரிகளின் முழு சக்தியையும் பயன்படுத்த, நிறுவனங்கள் LLM-களை தங்கள் பணிப்பாய்வுகளில் தடையின்றி ஒருங்கிணைக்க நன்கு சிந்திக்கப்பட்ட உத்திகளை உருவாக்க வேண்டும்.

MIT ஸ்லோன் ஸ்கூல் ஆஃப் மேனேஜ்மென்ட்டின் பயிற்சி பேராசிரியர் ராமா ராமகிருஷ்ணன், LLM-கள் நிறுவனங்கள் முன் எப்போதும் இல்லாத வேகத்தில் பயன்பாடுகளை உருவாக்கக்கூடிய ஒரு மாற்றும் தொழில்நுட்பமாகும் என்று நம்புகிறார். சமீபத்திய இணைய கருத்தரங்கில், நிறுவனங்கள் பல்வேறு பணிகள் மற்றும் வணிக பயன்பாட்டு நிகழ்வுகளைக் கையாள இந்த உடனடி LLM-களைப் பயன்படுத்தக்கூடிய மூன்று தனித்துவமான அணுகுமுறைகளை ராமகிருஷ்ணன் கோடிட்டுக் காட்டினார்: தூண்டுதல் (Prompting), மீட்டெடுப்பு-உருவாக்கம் (Retrieval Augmented Generation - RAG), மற்றும் அறிவுறுத்தல் நுண்சேர்ப்பு (Instruction Fine-Tuning).

1. தூண்டுதல் (Prompting): LLM-களின் சக்தியை வெளிக்கொணர்தல்

தூண்டுதல் என்பது LLM-களைப் பயன்படுத்துவதற்கான மிகவும் நேரடியான மற்றும் எளிதில் அணுகக்கூடிய வடிவமாகும். இது மாதிரிக்கு கேள்விகள் அல்லது அறிவுறுத்தல்களைக் கேட்பதையும், உருவாக்கப்பட்ட பதிலைப் பெறுவதையும் உள்ளடக்குகிறது. இந்த முறை குறிப்பாக கூடுதல் சிறப்பு பயிற்சி அல்லது கள நிபுணத்துவம் இல்லாமல் பொது அறிவு மற்றும் அன்றாட அறிவைப் பயன்படுத்தி வெற்றிகரமாக முடிக்கக்கூடிய பணிகளுக்கு ஏற்றது.

எடுத்துக்காட்டாக, ஒரு இ-காமர்ஸ் நிறுவனம் தங்கள் இணையதளத்தில் வெளியிடப்பட்ட தயாரிப்பு மதிப்புரைகளை பகுப்பாய்வு செய்ய LLM-களைப் பயன்படுத்தலாம். மதிப்புரைகளை LLM-க்கு வழங்குவதன் மூலமும், சாத்தியமான குறைபாடுகள் அல்லது விரும்பத்தகாத அம்சங்களைக் கண்டறியும்படி தூண்டுவதன் மூலமும், தயாரிப்பு மேம்பாட்டு முடிவுகளைத் தெரிவிக்கவும், வாடிக்கையாளர் திருப்தியை மேம்படுத்தவும் நிறுவனம் மதிப்புமிக்க நுண்ணறிவுகளைப் பெற முடியும். இந்த செயல்முறை மதிப்புரைகளை கைமுறையாகக் குறிக்கும் மற்றும் வகைப்படுத்தும் தேவையை நீக்குகிறது, இதனால் நேரம் மற்றும் வளங்கள் மிச்சப்படுத்தப்படுகின்றன.

ரியல் எஸ்டேட் துறையில், சொத்து விளக்கங்களை தானாக உருவாக்க தூண்டுதலைப் பயன்படுத்தலாம். ரியல் எஸ்டேட் முகவர்கள் LLM-க்கு முக்கிய பண்புகள் மற்றும் முக்கிய அம்சங்களை வழங்கலாம், மேலும் சாத்தியமான வாங்குபவர்கள் அல்லது வாடகைதாரர்களை ஈர்க்கும் கவர்ச்சிகரமான, நம்பத்தகுந்த விளக்கங்களை நொடிகளில் உருவாக்கலாம். இது முகவர்கள் வாடிக்கையாளர்களுடன் உறவுகளை உருவாக்குவதிலும், ஒப்பந்தங்களை முடிப்பதிலும் கவனம் செலுத்த உதவுகிறது.

நிதித்துறையில், சந்தை போக்குகளை பகுப்பாய்வு செய்யவும், முதலீட்டு அறிக்கைகளை உருவாக்கவும் தூண்டுதலைப் பயன்படுத்தலாம். நிதி ஆய்வாளர்கள் LLM-க்கு தொடர்புடைய தரவு மற்றும் சந்தை தகவல்களை உள்ளீடு செய்து, வடிவங்களை அடையாளம் காணவும், கணிப்புகளைச் செய்யவும், நுண்ணறிவு அறிக்கைகளை உருவாக்கவும் தூண்டலாம். இது ஆய்வாளர்கள் மிகவும் தகவலறிந்த முடிவுகளை எடுக்கவும், சமீபத்திய சந்தை முன்னேற்றங்கள் குறித்து தொடர்ந்து தெரிந்து கொள்ளவும் உதவுகிறது.

தூண்டுதல் ஒரு சக்திவாய்ந்த தொழில்நுட்பமாக இருந்தாலும், நிறுவனங்கள் அதன் வரம்புகளைப் புரிந்து கொள்ள வேண்டும். அதிக சிறப்பு அறிவு அல்லது தற்போதைய தகவல் தேவைப்படும்போது, ​​சரியான மற்றும் தொடர்புடைய முடிவுகளை வழங்க தூண்டுதல் போதுமானதாக இருக்காது. இந்த சந்தர்ப்பங்களில், RAG மற்றும் அறிவுறுத்தல் நுண்சேர்ப்பு போன்ற மேம்பட்ட நுட்பங்களைப் பயன்படுத்தலாம்.

2. மீட்டெடுப்பு அதிகரித்த உருவாக்கம் (RAG): தொடர்புடைய தரவைப் பயன்படுத்தி LLM-களை மேம்படுத்துதல்

மீட்டெடுப்பு அதிகரித்த உருவாக்கம் (RAG) என்பது ஒரு மேம்பட்ட நுட்பமாகும். இது LLM-க்கு ஒரு தெளிவான அறிவுறுத்தலை அல்லது கேள்வியை வழங்குவதையும், அதைத் தொடர்ந்து தொடர்புடைய தரவு அல்லது கூடுதல் தகவல்களையும் வழங்குவதையும் உள்ளடக்கியது. இந்த முறை LLM-க்கு தற்போதைய தகவல் அல்லது தனியுரிம அறிவு தேவைப்படும் பணிகளுக்கு குறிப்பாக பயனுள்ளதாக இருக்கும்.

உதாரணமாக, சில்லறை விற்பனையாளர்கள் தங்கள் தயாரிப்பு திரும்பும் கொள்கைகள் பற்றிய கேள்விகளுக்கு துல்லியமாக பதிலளிக்கக்கூடிய வாடிக்கையாளர் சேவை சாட்போட்களை உருவாக்க RAG ஐப் பயன்படுத்தலாம். நிறுவனத்தின் திரும்பும் கொள்கை ஆவணங்களைப் பயன்படுத்தி சாட்போட்களுக்கு பயிற்சி அளிப்பதன் மூலம், வாடிக்கையாளர்கள் துல்லியமான மற்றும் புதுப்பித்த தகவலைப் பெறுவதை சில்லறை விற்பனையாளர்கள் உறுதிப்படுத்தலாம், இதனால் வாடிக்கையாளர் திருப்தி மேம்படும் மற்றும் ஆதரவு செலவுகள் குறையும்.

RAG-ன் முக்கிய அம்சம் என்னவென்றால், பாரிய ஆவணங்களிலிருந்து தொடர்புடைய உள்ளடக்கத்தைக் கண்டறிய பாரம்பரிய நிறுவன தேடுபொறிகள் அல்லது தகவல் மீட்டெடுப்பு தொழில்நுட்பங்களைப் பயன்படுத்தும் திறன் ஆகும். இது நிறுவனங்கள் பெரிய அளவிலான உள் அறிவுத் தளங்களைப் பயன்படுத்தவும், பணியை முடிக்கத் தேவையான சூழலை LLM-க்கு வழங்கவும் உதவுகிறது.

சுகாதார வழங்குநர்கள் RAGஐப் பயன்படுத்தி மருத்துவர்கள் நோயறிதல் மற்றும் சிகிச்சை முடிவுகளை எடுக்க உதவ முடியும். LLM-க்கு நோயாளியின் மருத்துவ வரலாறு, பரிசோதனை முடிவுகள் மற்றும் மருத்துவ ஆராய்ச்சி கட்டுரைகளை வழங்குவதன் மூலம், மருத்துவர்கள் மதிப்புமிக்க நுண்ணறிவுகளைப் பெறலாம். இது மிகவும் பொருத்தமான சிகிச்சை விருப்பங்களை தீர்மானிக்க உதவுகிறது. இது நோயாளியின் விளைவுகளை மேம்படுத்தலாம் மற்றும் மருத்துவ பிழைகளைக் குறைக்கலாம்.

சட்ட நிறுவனங்கள் RAG ஐப் பயன்படுத்தி வழக்கறிஞர்கள் ஆராய்ச்சி மற்றும் சுருக்கங்களை எழுத உதவ முடியும். LLM-க்கு தொடர்புடைய வழக்குச் சட்டங்கள், ஒழுங்குமுறைகள் மற்றும் சட்டக் கட்டுரைகளை வழங்குவதன் மூலம், வழக்கறிஞர்கள் தங்கள் வாதங்களை ஆதரிக்கத் தேவையான தகவல்களை விரைவாகக் கண்டறிய முடியும். இது வழக்கறிஞர்களின் நேரத்தையும் முயற்சியையும் சேமிக்கலாம், மேலும் வழக்குச் சூழலின் பிற முக்கியமான அம்சங்களில் கவனம் செலுத்த அவர்களுக்கு உதவும்.

தூண்டுதல் மற்றும் RAG-ஐ முழுமையாகப் பயன்படுத்த, நிறுவனங்கள் தங்கள் ஊழியர்களுக்கு தூண்டுதல் பொறியியல் (Prompt Engineering) திறன்களை வளர்க்க உதவ வேண்டும். ஒரு பயனுள்ள அணுகுமுறை என்னவென்றால் “சிந்தனை சங்கிலி” தூண்டுதல், இதில் பயனர்கள் LLM ஐ “படிப்படியாக சிந்திக்க” அறிவுறுத்துகிறார்கள். இந்த அணுகுமுறை பெரும்பாலும் மிகவும் துல்லியமான பலன்களை அளிக்கிறது, ஏனெனில் இது சிக்கலான பணிகளை உடைத்து ஒழுங்கான முறையில் பகுத்தறிய LLM ஐ ஊக்குவிக்கிறது.

ராமகிருஷ்ணன் தூண்டுதல் பொறியியலில் கவனமாக இருக்க வேண்டும் என்று வலியுறுத்துகிறார், இதனால் LLM வழங்கும் பதில்கள் உண்மையில் நமக்குத் தேவையானதாக இருப்பதை உறுதிப்படுத்த முடியும். கவனமாக தூண்டுதல்களை உருவாக்குவதன் மூலமும் தொடர்புடைய சூழலை வழங்குவதன் மூலமும், LLM வழங்கும் பலன்களின் துல்லியம் மற்றும் பொருத்தத்தை நிறுவனங்கள் அதிகரிக்க முடியும்.

3. அறிவுறுத்தல் நுண்சேர்ப்பு (Instruction Fine-Tuning): குறிப்பிட்ட தேவைகளுக்கு LLM-களை வடிவமைத்தல்

அறிவுறுத்தல் நுண்சேர்ப்பு என்பது ஒரு மேம்பட்ட நுட்பமாகும், இது பயன்பாட்டு சார்ந்த கேள்வி-பதில் எடுத்துக்காட்டுகளைப் பயன்படுத்தி LLM-களை மேலும் பயிற்றுவிப்பதை உள்ளடக்கியது. இந்த முறை கள-குறிப்பிட்ட சொற்களையும் அறிவையும் உள்ளடக்கிய பணிகள் அல்லது மருத்துவ பதிவுகள் அல்லது சட்ட ஆவணங்களைப் பகுப்பாய்வு செய்வது போன்ற எளிதில் விளக்க முடியாத பணிகளுக்கு குறிப்பாகப் பயனுள்ளதாக இருக்கும்.

தூண்டுதல் மற்றும் RAG போலல்லாமல், அறிவுறுத்தல் நுண்சேர்ப்பு மாதிரியை மாற்றியமைப்பதை உள்ளடக்கியது. பயன்பாடு சார்ந்த தரவைப் பயன்படுத்தி LLM-க்கு பயிற்சி அளிப்பதன் மூலம், நிறுவனங்கள் ஒரு குறிப்பிட்ட பகுதியில் அதன் துல்லியம் மற்றும் செயல்திறனை மேம்படுத்த முடியும்.

எடுத்துக்காட்டாக, மருத்துவ நோயறிதலுக்கு உதவும் சாட்போட்டை உருவாக்க முயற்சிக்கும் ஒரு அமைப்பு நூற்றுக்கணக்கான கேள்வி-பதில் எடுத்துக்காட்டுகளைத் தொகுத்து LLM-க்கு வழங்க வேண்டும். நோயாளியின் வழக்கு விவரங்கள் கொண்ட கேள்விகள் மருத்துவ ரீதியாக நியாயமான பதில்களுடன் இணைக்கப்படும், இதில் சாத்தியமான நோயறிதல்கள் பற்றிய விவரங்கள் அடங்கும். இந்த தகவல் LLM-க்கு மேலும் பயிற்சி அளிக்கும், மேலும் மருத்துவ கேள்விகளுக்கு துல்லியமான பதில்களை வழங்கும் வாய்ப்பை மேம்படுத்தும்.

நிதி நிறுவனங்கள் தங்கள் மோசடி கண்டறிதல் அமைப்புகளின் துல்லியத்தை மேம்படுத்த அறிவுறுத்தல் நுண்சேர்ப்பைப் பயன்படுத்த முடியும். மோசடி பரிவர்த்தனைகள் மற்றும் மோசடியற்ற பரிவர்த்தனைகள் பற்றிய வரலாற்று தரவைப் பயன்படுத்தி LLM-க்கு பயிற்சி அளிப்பதன் மூலம், நிறுவனங்கள் மோசடி நடவடிக்கைகளை அடையாளம் காணும் திறனை மேம்படுத்த முடியும். இது நிதி இழப்பைக் குறைக்க உதவுகிறது மற்றும் அவற்றின் வாடிக்கையாளர்களை மோசடியிலிருந்து பாதுகாக்கிறது.

உற்பத்தி நிறுவனங்கள் தங்கள் உற்பத்தி செயல்முறைகளை மேம்படுத்த அறிவுறுத்தல் நுண்சேர்ப்பைப் பயன்படுத்த முடியும். உற்பத்தி செயல்முறை பற்றிய தரவைப் பயன்படுத்தி LLM-க்கு பயிற்சி அளிப்பதன் மூலம், நிறுவனங்கள் திறமையின்மைகளை அடையாளம் காணவும் ஒட்டுமொத்த செயல்திறனை மேம்படுத்தவும் முடியும். இது செலவுகளைக் குறைக்கவும், உற்பத்தித்திறனை அதிகரிக்கவும் உதவுகிறது.

அறிவுறுத்தல் நுண்சேர்ப்பு ஒரு சக்திவாய்ந்த நுட்பமாக இருந்தாலும், இது நேரத்தை எடுத்துக்கொள்வதாகவும் இருக்கலாம். மாதிரிகளுக்கு பயிற்சி அளிக்கத் தேவையான தரவை உருவாக்க, சில நிறுவனங்கள் தரவை உருவாக்க LLM-களைப் பயன்படுத்த தேர்வு செய்யலாம். இந்த செயல்முறை செயற்கை தரவு உருவாக்கம் என்று அழைக்கப்படுகிறது, மேலும் அறிவுறுத்தல் நுண்சேர்ப்புடன் தொடர்புடைய செலவுகள் மற்றும் பணிச்சுமையைக் குறைக்க இது பயனுள்ளதாக இருக்கும்.

LLM-க்கு சரியான அணுகுமுறையைக் கண்டறிதல்

அமைப்புகள் LLM மற்றும் ஜெனரேட்டிவ் AI பயன்பாடுகளில் ஆழமாக வரும்போது, ​​அவை இந்த முறைகளில் ஏதாவது ஒன்றை மட்டும் தேர்வு செய்ய வேண்டியதில்லை, ஆனால் பயன்பாட்டு நிகழ்வைப் பொறுத்து பல்வேறு வழிகளில் அவற்றின் கலவையை ஏற்க வேண்டும்.

ராமகிருஷ்ணன் கூறுவது என்னவென்றால், “தூண்டுதல் என்பது வேலை சுமையின் அடிப்படையில் எளிதானது, அதைத் தொடர்ந்து RAG மற்றும் அதன்பின் அறிவுறுத்தல் நுண்சேர்ப்பு. நீங்கள் எவ்வளவு அதிகம் வேலை செய்ய நினைக்கிறீர்களோ, அவ்வளவு அதிகமாக அதன் பலன் கிடைக்கும்.”

நிறுவனங்கள் தங்கள் தேவைகளை கவனமாக மதிப்பீடு செய்து மிகவும் பொருத்தமான LLM முறைகள் அல்லது முறைகளின் கலவையைத் தேர்ந்தெடுப்பதன் மூலம், இந்த சக்திவாய்ந்த தொழில்நுட்பங்களின் முழு திறனையும் வெளிப்படுத்தலாம், மேலும் புதுமை, செயல்திறன் அதிகரிக்கும் மற்றும் மேம்படுத்தப்பட்ட முடிவெடுப்பதலை ஊக்குவிக்கலாம். LLM கள் தொடர்ந்து உருவாகி வருவதால், நிறுவனங்கள் சமீபத்திய முன்னேற்றங்களுடன் தொடர்ந்து புதுப்பித்த நிலையில் இருக்க வேண்டும், மேலும் இந்த சிறப்பான தொழில்நுட்பங்களால் வழங்கப்படும் நன்மைகளைப் பயன்படுத்த புதிய நுட்பங்களை முயற்சி செய்ய வேண்டும்.