ইন-কনটেক্সট লার্নিং
ইন-কনটেক্সট লার্নিং হল বৃহৎ ভাষার মডেলগুলির আশ্চর্যজনক ক্ষমতা যা প্রম্পটে দেওয়া কয়েকটি উদাহরণ থেকে একটি নতুন টাস্ক বেছে নেওয়ার জন্য, কোনো পুনরায় প্রশিক্ষণ ছাড়াই।
ওভারভিউ
It is the reason you can 'teach' a model on the fly just by showing it what you want.
গভীর ডুব
সাধারণত, একটি নিউরাল নেটওয়ার্ককে একটি নতুন কাজ শেখানোর অর্থ প্রশিক্ষণের মাধ্যমে এর ওজন আপডেট করা। ইন-কনটেক্সট লার্নিং আলাদা: আপনি প্রম্পটে সরাসরি কয়েকটি উদাহরণ লেখেন ('প্রসঙ্গ'), এবং মডেলটি প্যাটার্নটি অনুমান করে এবং এটি একটি নতুন ইনপুটে প্রয়োগ করে। মডেলের ভিতরে কিছুই পরিবর্তন হয় না; উদাহরণগুলি কেবল পরবর্তী-টোকেন ভবিষ্যদ্বাণীকে চালিত করে। আপনি 'জিরো-শট' (শুধুমাত্র নির্দেশ), 'ওয়ান-শট' (একটি উদাহরণ), এবং 'কয়েক-শট' (বেশ কয়েকটি উদাহরণ) শুনতে পাবেন। এই আচরণটি 2020 সালে GPT-3 দ্বারা জনপ্রিয় হয়েছিল এবং এটি একটি উদ্ভূত ক্ষমতা হিসাবে পরিণত হয়েছিল: ক্ষুদ্র মডেলগুলি এটি করতে পারে না, তবে মোটামুটি 100-বিলিয়ন-প্যারামিটার স্কেল অতিক্রম করেছে, অল্প-শট প্রম্পটে নির্ভুলতা তীব্রভাবে বেড়ে যায়। মডেলটি কার্যকরভাবে প্রাক-প্রশিক্ষণের সময় নিদর্শনগুলি চিনতে এবং চালিয়ে যেতে শিখেছে, তাই এটি অনুমান করার সময় সেই দক্ষতাটি পুনরায় ব্যবহার করতে পারে।
প্রযুক্তিগত অন্তর্দৃষ্টি
ইন্টারপ্রেটেবিলিটি রিসার্চ 'ইন্ডাকশন হেড'-এর এই ক্ষমতার বেশির ভাগই খুঁজে পেয়েছে — মনোযোগের সার্কিট যা প্রশিক্ষণের সময় আবির্ভূত হয় এবং অস্পষ্ট উপসর্গ-ম্যাচিং সঞ্চালন করে: তারা আবার স্ক্যান করে যেখানে একটি অনুরূপ টোকেন দেখা গেছে, তারপর যা অনুসরণ করেছে তা অনুলিপি করে। সুতরাং যখন আপনার প্রম্পট 'আপেল -> ফল, গাজর -> সবজি' দেখায়, মডেলটি কাঠামোর সাথে মেলে এবং পরবর্তী আইটেমের জন্য সঠিক লেবেলের পূর্বাভাস দেয়। গুরুত্বপূর্ণভাবে, অনুমানে কোন গ্রেডিয়েন্ট প্রবাহ এবং কোন ওজন আপডেট হয় না। উদাহরণগুলি কেবল সক্রিয়করণগুলিকে পুনরায় আকার দেয় যা পরবর্তী-টোকেন সম্ভাব্যতা বিতরণকে ফিড করে।
কৌশলগত প্রভাব
গতি এবং স্কেল
ভাষার কর্মপ্রবাহ ধারাবাহিকতাকে ত্যাগ না করে দ্রুত অগ্রসর হতে পারে।
অ্যাক্সেস এবং পৌঁছানো
এটি ভাষা এবং যোগাযোগ শৈলী জুড়ে অ্যাক্সেস প্রসারিত করে।
সুস্পষ্ট সিদ্ধান্ত
অটোমেশন পুনরাবৃত্তি পরিচালনা করার সময় দলগুলি বিচারে আরও বেশি সময় ব্যয় করতে পারে।
ইন-কনটেক্সট লার্নিং এর ভবিষ্যত
প্রসারিত প্রসঙ্গ উইন্ডো (এখন কয়েক হাজার টোকেন) প্রসঙ্গ শিক্ষাকে 'অনেক-শট' শাসনের দিকে ঠেলে দেয়, যেখানে কয়েক ডজন বা শত উদাহরণ কিছু কাজের জন্য ফাইন-টিউনিংকে প্রতিদ্বন্দ্বিতা করতে পারে, কোনো প্রশিক্ষণ খরচ ছাড়াই। পুনরুদ্ধারের সাথে আরও কঠোর একীকরণের প্রত্যাশা করুন, তাই প্রাসঙ্গিক উদাহরণগুলি স্বয়ংক্রিয়ভাবে আনা হয়, এবং প্রসঙ্গ শিক্ষা ব্যর্থ হলে বা বিভ্রান্ত হলে আরও ভাল তত্ত্ব। এটি একটি মডেলকে মানিয়ে নেওয়ার দ্রুত, সস্তা উপায় থেকে যাবে, পরিপূরক — প্রতিস্থাপন নয় — স্থিতিশীল, উচ্চ-ভলিউম কাজের জন্য ফাইন-টিউনিং।
বাস্তব-বিশ্ব বাস্তবায়ন
একটি চ্যাটবট তিনটি উদাহরণ সমর্থন টিকিট এবং তাদের বিভাগ প্রদান, তারপর এটি একইভাবে একটি নতুন টিকিট শ্রেণীবদ্ধ করা
অগোছালো পাঠ্যের দুই জোড়া আগে/পরে একটি মডেল দেখানো হচ্ছে পরিষ্কার JSON-এ পুনরায় ফর্ম্যাট করা হয়েছে যাতে এটি বাকিগুলিকে রূপান্তর করে
আপনার ব্র্যান্ডের স্বরে কয়েকটি নমুনা পণ্যের বিবরণ পেস্ট করা হচ্ছে যাতে নতুনগুলি শৈলীর সাথে মেলে
একটি চতুর গণিত শব্দ-সমস্যা প্রদর্শন করা ধাপে ধাপে কাজ করেছে যাতে মডেলটি একই যুক্তি বিন্যাসের সাথে অনুরূপ সমস্যার সমাধান করে
ঝুঁকি এবং প্রহরী
হ্যালুসিনেটেড ফ্যাক্টগুলি শান্তভাবে রিপোর্ট, সমর্থন প্রবাহ, বা গবেষণা আউটপুট প্রবেশ করতে পারে।
প্রম্পট সংবেদনশীলতা অনুরূপ অনুরোধ জুড়ে অসামঞ্জস্যপূর্ণ ফলাফল তৈরি করতে পারে।
অ্যাক্সেস কন্ট্রোল দুর্বল হলে সংবেদনশীল পাঠ্য ডেটা উন্মুক্ত হতে পারে।
বাস্তবায়ন রোডম্যাপ
রোলআউট করার আগে আউটপুট ফর্ম্যাট, টোন এবং মানের মান নির্ধারণ করুন।
যখনই নির্ভুলতা গুরুত্বপূর্ণ তখন বিশ্বস্ত উত্সের সাথে গ্রাউন্ড প্রতিক্রিয়া।
উচ্চ-স্টেকের আউটপুটগুলির জন্য একটি মানব পর্যালোচনা চেকপয়েন্ট রাখুন।
ব্যর্থতার নিদর্শনগুলি ট্র্যাক করুন এবং প্রম্পট বা ওয়ার্কফ্লোগুলিকে নিয়মিতভাবে পুনরায় প্রশিক্ষণ দিন।
অন্বেষণ চালিয়ে যান
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the In-Context Learning quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
পরবর্তী গাইড
প্রসঙ্গ উইন্ডোজ
প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী
What is In-Context Learning?
ইন-কনটেক্সট লার্নিং হল বৃহৎ ভাষার মডেলগুলির আশ্চর্যজনক ক্ষমতা যা প্রম্পটে দেওয়া কয়েকটি উদাহরণ থেকে একটি নতুন টাস্ক বেছে নেওয়ার জন্য, কোনো পুনরায় প্রশিক্ষণ ছাড়াই। এই কারণেই আপনি যা চান তা দেখিয়ে আপনি উড়ে এসে একটি মডেলকে 'শিক্ষা' দিতে পারেন।
প্রসঙ্গ শিক্ষার সময় মডেলের ভিতরে মৌলিকভাবে কী পরিবর্তন হয়?
ইন-প্রেক্ষাপটে শিক্ষা সম্পূর্ণরূপে অনুমানে ঘটে। প্রম্পটে উদাহরণগুলি মডেলের অ্যাক্টিভেশন এবং পরবর্তী-টোকেন ভবিষ্যদ্বাণীগুলিকে আকার দেয়, কিন্তু কোনও ওজন আপডেট করা হয় না।
কেন প্রেক্ষাপটে শিক্ষাকে 'ইমার্জেন্ট' ক্ষমতা হিসাবে বর্ণনা করা হয়?
ক্ষমতা ছোট মডেলের মধ্যে দুর্বল বা অনুপস্থিত এবং মডেলগুলি খুব বড় আকারে পৌঁছানোর পরে খাড়াভাবে আরোহণ করে, এই কারণেই এটিকে উদ্ভূত বলা হয়।
কোন অভ্যন্তরীণ প্রক্রিয়াটি ট্রান্সফরমারগুলিতে প্রসঙ্গ শিক্ষার সাথে সবচেয়ে বেশি যুক্ত?
ইন্টারপ্রিটেবিলিটি কাজ ইন্ডাকশন হেড চিহ্নিত করে — মনোযোগের সার্কিট যেগুলি খুঁজে পায় যেখানে একই ধরনের টোকেন উপস্থিত হয়েছে এবং পরবর্তীতে যা এসেছে তা অনুলিপি করে — প্রসঙ্গ শিক্ষার মূল চালক হিসেবে।