एआई दुनिया को तीव्र गति से बदल रहा है, और प्रसिद्ध एआई विशेषज्ञों में से एक एंड्रयू एनजी ने एक व्याख्यान के माध्यम से एआई उद्योग में अपने विचार और प्रमुख रुझान साझा किए बिल्ड 2024 उन्होंने एआई एजेंटों और एजेंटिक रीजनिंग टेक्नोलॉजीज से उभरने वाले नए अवसरों पर प्रकाश डाला, जो शक्तिशाली और लागत प्रभावी एआई अनुप्रयोगों को विकसित करने के नए दृष्टिकोण हैं।
एआई डिजिटल युग की बिजली है।
एंड्रयू एनजी एआई की तुलना "नए युग की बिजली" से करते हैं क्योंकि यह एक उपयोगी तकनीक है जो अतीत में बिजली जैसे कई पहलुओं को कवर करती है। एआई एक मूलभूत तकनीक है जिसमें कई परतें एक-दूसरे के ऊपर खड़ी होती हैं, हार्डवेयर जैसे अर्धचालक से लेकर क्लाउड-आधारित बुनियादी ढांचे जैसे स्नोफ्लेक और नींव मॉडल की परतों पर हाल ही में बहुत ध्यान दिया गया है।
हालांकि, जो महत्वपूर्ण है और अक्सर अनदेखी की जाती है वह है एप्लिकेशन लेयर, जो नीचे दी गई तकनीक के लिए मूल्य और राजस्व पैदा करेगी। इसलिए, एआई अनुप्रयोगों का विकास नए नवाचारों को बनाने का सबसे बड़ा अवसर वाला क्षेत्र है।
जनरेटिव एआई के साथ तेज़ एआई विकास
पिछले कुछ वर्षों में एक ध्यान देने योग्य प्रवृत्ति बहुत तेज एआई मॉडल का विकास रही है। जनरेटिव एआई यह काफी कम समय में अनुप्रयोगों के निर्माण की अनुमति देता है।
उदाहरण के लिए, एक भावना क्लासिफायरियर बनाना जिसका उपयोग ग्रंथों से भावना की जांच करने के लिए किया जाता है। डेटा तैयार करने, प्रशिक्षण मॉडल और कार्यान्वयन के महीनों के बजाय। वर्तमान में, यह सही संकेत लिखकर और इसे तुरंत तैनात करके कुछ ही दिनों में किया जा सकता है।
यह तेजी से विकास एआई टीमों को कम समय में बड़े पैमाने पर प्रोटोटाइप के साथ प्रयोग करने का अवसर देता है, जैसे कि सप्ताहांत में 20 प्रोटोटाइप बनाना और फिर केवल उन लोगों का चयन करना जो सबसे अच्छा काम करते हैं। यह दीर्घकालिक अग्रिम योजना से तेजी से प्रयोग और सुधार के लिए सोच में बदलाव है।
नई चुनौतियां: मूल्यांकन और अनुप्रयोग विकास
यद्यपि मॉडल प्रशिक्षण बहुत तेज है, मूल्यांकन, जिसे इवैल के रूप में भी जाना जाता है, एक बड़ी बाधा बन गया है क्योंकि बड़े भाषा मॉडल (एलएलएम) का उपयोग करने वाले ऐप्स में, कभी-कभी बहुत सारे प्रशिक्षण डेटा की आवश्यकता नहीं होती है। लेकिन सटीकता और विश्वसनीयता के लिए इसके लिए बहुत सारे परीक्षण डेटा की आवश्यकता होती है।
इसलिए, पुनर्विकास की प्रक्रिया समानांतर में डेटा का निर्माण और भंडारण बन जाती है। उसी आदेश का पालन करने के बजाय। इसके अलावा, एप्लिकेशन निर्माण के कई चरण हैं, जैसे उत्पाद डिज़ाइन, एकीकरण और तैनाती के बाद की देखभाल, जो एआई मॉडल विकास जितनी तेज़ नहीं हैं।
मॉडल प्रशिक्षण की बढ़ती गति संगठनों को अन्य क्षेत्रों के विकास में तेजी लाने के साथ-साथ एआई के प्रभावी व्यावसायिक उपयोग को सक्षम करने के लिए मजबूर कर रही है।
नई अवधारणा: "तेजी से आगे बढ़ें और जिम्मेदार बनें"
अतीत में, एक नारा था "तेजी से आगे बढ़ें और चीजों को तोड़ें" जो गलतियों के बावजूद प्रयोग में तेजी लाने पर जोर देता था, लेकिन इस नारे को नकारात्मक रूप से देखा गया क्योंकि इससे नकारात्मक परिणाम हुए। हालांकि, एंड्रयू एनजी का सुझाव है कि इस युग में सही विचार है " तेजी से आगे बढ़ें और जिम्मेदार बनें "यह एक तेजी से विकास है, लेकिन जिम्मेदारी को ध्यान में रखना चाहिए। उन वस्तुओं को न छोड़ें जिनसे जनता को नुकसान हो सकता है।
बुद्धिमान एआई विकास दल उत्पादन में जारी करने से पहले जल्दी और सुरक्षित रूप से प्रोटोटाइप, समीक्षा और अच्छी तरह से परीक्षण कर सकते हैं, जो एआई उद्योग को रोमांचक और नाटकीय रूप से बदल रहा है।
देखने के लिए तकनीकें: एजेंटिक एआई वर्कफ़्लोज़
एंड्रयू एनजी में सबसे ज्यादा दिलचस्पी रखने वाले रुझानों में से एक है " एजेंटिक एआई या एआई डिज़ाइन जो एजेंटों और तर्क प्रक्रियाओं को कई चरणों (एजेंटिक वर्कफ़्लोज़) के साथ चलाते हैं, जो "एजेंट" नामक पारंपरिक बड़े भाषा मॉडल के उपयोग से अलग है। शून्य-शॉट संकेत
में शून्य-शॉट संकेत हम बस मॉडल को एक प्रश्न का उत्तर देने या एक बार में सामग्री लिखने का आदेश देते हैं, जैसे कि रास्ते में संपादन के बिना शुरू से अंत तक निबंध लिखना।
दूसरी ओर, एक एजेंटिक वर्कफ़्लो चरणों में काम करता है, जैसे कि प्लॉट स्केच से शुरू करना, अधिक जानकारी पर शोध करना, मूल मसौदे को संशोधित करना और उच्च गुणवत्ता वाले परिणाम प्राप्त होने तक इन चरणों को कई बार दोहराना।
एजेंटिक एआई अनुप्रयोगों के उदाहरणों में जटिल कानूनी दस्तावेजों का विश्लेषण शामिल है। यह दक्षता और सटीकता में काफी सुधार कर सकता है।
एजेंट वर्कफ़्लोज़ के 4 मुख्य डिजाइन सिद्धांत हैं।
- परावर्तन : मॉडल को अपने स्वयं के काम की समीक्षा और आलोचना करने दें, जैसे कोड लिखना और फिर मॉडल को त्रुटियों की जांच करना और इसे बेहतर के लिए ठीक करना।
- का उपयोग करना : मॉडल को एपीआई या अन्य फ़ंक्शंस चलाने का निर्णय लेने दें, जैसे वेब खोज, ईमेल भेजें या अपॉइंटमेंट शेड्यूल प्रबंधित करें।
- नियोजन : मॉडल को वर्कफ़्लो अनुक्रम की योजना बनाने दें, जैसे कि पहले इशारों का पता लगाने के चरणों को अलग करके एक छवि बनाना, फिर एक छवि बनाना, फिर छवि का वर्णन करना और अंत में ध्वनि प्रभाव बनाना।
- मल्टी-एजेंट सहयोग : ऐसे मॉडल प्रदान करें जो कई भूमिकाओं का अनुकरण करते हैं, जैसे कि कोडर और आलोचक, त्रुटियों को कम करने और काम की गुणवत्ता में सुधार करने के लिए एक साथ काम करते हैं।
ये पैटर्न डेवलपर्स को जल्दी से अधिक जटिल और अधिक कुशल सिस्टम बनाने की अनुमति देते हैं।
बड़े मल्टीमॉडल मॉडल (LMM) और विजुअल AI का आना
बड़े भाषा मॉडल के अलावा, एकाधिक डेटा प्रारूपों, यथा- छवियों, वीडियो, और ऑडियो का समर्थन करने वाले मॉडलों का विकास करना, जिन्हें किस नाम से भी जाना जाता है? बड़े मल्टीमॉडल मॉडल (LMM) यह देखने का चलन है।
ये मॉडल एजेंटिक वर्कफ़्लोज़ का उपयोग करते समय दृश्य और वीडियो डेटा को बेहतर ढंग से संसाधित कर सकते हैं, जैसे कि फ़ोटो से फ़ुटबॉल मैदान पर खिलाड़ियों की गिनती करना, या मील के पत्थर के वीडियो क्लिप निकालना, जैसे कि फ़ुटबॉल गेम में गोल करना।
एंड्रयू एनजी और लैंडिंग एआई टीम द्वारा प्रदर्शित एक डेमो उदाहरण छवि और वीडियो विश्लेषण कोड को स्वचालित रूप से लिखने के लिए एक दृष्टि एजेंट का उपयोग है, जिससे बड़ी मात्रा में छवि और वीडियो डेटा वाली कंपनियों के लिए उस डेटा का उपयोग करना आसान हो जाता है।
वीडियो से मेटाडेटा बनाना भी संभव है, जैसे कि क्लिप को शॉर्ट बर्स्ट में विभाजित करना, आगे की खोज और विश्लेषण के लिए सारणीबद्ध प्रारूप में कथन और डेटा के साथ।
व्यापार में एजेंटिक एआई के लाभ और अवसर
एजेंटिक एआई और विजुअल एआई की क्षमताओं के साथ, टेक्स्ट, इमेज और वीडियो जैसे असंरचित डेटा वाले व्यवसाय अधिक मूल्य बना सकते हैं।
उदाहरण के लिए, विशिष्ट घटनाओं के साथ वीडियो क्लिप खोजना। वीडियो में वस्तुओं को ट्रैक करना, या विभिन्न वातावरणों में छवियों का विश्लेषण करना पहले कठिन और समय लेने वाला था।
इसके अलावा, इन अनुप्रयोगों को बनाना बहुत आसान और तेज़ है। यह छोटी टीमों को उच्च निवेश के बिना नवाचार करने की अनुमति देता है।
एआई में प्रमुख रुझानों का अवलोकन नज़र रखने के लिए
एंड्रयू एनजी ने चार प्रमुख रुझानों की रूपरेखा तैयार की है जो एआई को आगे बढ़ा रहे हैं:
- टोकन निर्माण त्वरण क्योंकि एजेंटिक वर्कफ़्लोज़ को बहुत सारे टेक्स्ट को पढ़ना और जनरेट करना होता है। इससे दक्षता बढ़ाने के लिए हार्डवेयर और सॉफ्टवेयर प्रौद्योगिकियों का विकास हुआ।
- उत्पादन के लिए प्रशिक्षित बड़े भाषा मॉडल (उपयोग करने के लिए) एक सामान्य प्रश्न का उत्तर देने से अधिक, जैसे कि एंथ्रोपिक, जिसने एक मॉडल लॉन्च किया जो वास्तविक कंप्यूटरों के उपयोग का समर्थन करता है।
- असंरचित डेटा के साथ डेटा इंजीनियरिंग का महत्व उदाहरण के लिए, पाठ, चित्र और वीडियो मात्रा में बढ़ रहे हैं और मूल्य बनाने के लिए प्रभावी ढंग से प्रबंधित किए जाने चाहिए।
- इमेज प्रोसेसिंग क्रांति आ रही है। हालांकि टेक्स्ट प्रोसेसिंग पहले से ही व्यापक है, इमेज प्रोसेसिंग अपनी प्रारंभिक अवस्था में प्रवेश कर रही है और कई नए अवसर पैदा करेगी।
इनसाइडरली से निष्कर्ष
यह एआई डेवलपर्स के लिए पहले से कहीं अधिक तेजी से प्रयोग करने और नवाचार करने का एक सुनहरा अवसर है, जनरेटिव एआई के साथ जो विकास के समय को कम करता है और एजेंटिक एआई जो मॉडल क्षमताओं के दायरे को अधिक जटिल और लचीला बनाता है। बड़े मल्टीमॉडल मॉडल के उद्भव ने हमारे लिए छवि और वीडियो डेटा को अधिक कुशलता से प्रबंधित करना संभव बना दिया है।
एजेंटिक वर्कफ़्लोज़ विकसित करने से न केवल एआई कार्य की गुणवत्ता में सुधार होता है, बल्कि सिस्टम डिज़ाइन के बारे में सोचने के तरीके को एक ऐसी प्रक्रिया में बदल दिया जाता है जो लगातार नियोजित, विश्लेषण और सुधार की जाती है, जो तेजी से बदलती एआई दुनिया में सफलता की कुंजी है।
पिछला असंरचित डेटा प्रबंधन और तेज, जिम्मेदार अनुप्रयोगों का निर्माण वास्तविक मूल्य बनाने और व्यवसायों को बदलने के लिए एआई का उपयोग करने वाले संगठनों का मूल बन जाएगा।
उन लोगों के लिए जो प्रयोग करने में रुचि रखते हैं। दृश्य एआई डेमो एंड्रयू एनजी और लैंडिंग एआई टीम द्वारा बनाया गया। आप यात्रा कर सकते हैं va.landing.ai इसे आज़माने और तुरंत कोड नमूने देखने के लिए।
तकनीकी शब्द जो आपको पता होने चाहिए
- एजेंटिक एआई: एआई जो एक प्रतिनिधि की तरह काम करता है एक बार में सवालों के जवाब देने के बजाय योजना बनाने और निर्णय लेने के कई चरण हैं।
- शून्य-शॉट संकेत: एआई मॉडल को अतिरिक्त प्रशिक्षण के बिना सवालों के जवाब देने या कार्य करने दें।
- फाउंडेशन मॉडल: GPT या BERT जैसे बड़े मौलिक मॉडल AI अनुप्रयोगों के विकास के लिए आधार के रूप में उपयोग किए जाते हैं।
- बड़े मल्टीमॉडल मॉडल (LMM): एआई मॉडल जो एक ही मॉडल में टेक्स्ट, इमेज, वीडियो जैसे कई डेटा फॉर्मेट को सपोर्ट करते हैं।
- मूल्यांकन (मूल्यांकन): एआई मॉडल का परीक्षण और मूल्यांकन उनके प्रदर्शन और सटीकता को सत्यापित करने के लिए
- डाटा इंजीनियरिंग: डेटा प्रबंधन और तैयारी एआई अनुप्रयोगों, विशेष रूप से असंरचित डेटा के लिए उपयुक्त हैं।