सिंहावलोकन
एनालॉजिकल और स्टेप-बैक प्रॉम्प्टिंग दोनों एक मॉडल को पहले उच्च स्तर पर तर्क करने के लिए मार्गदर्शन करते हैं: एनालॉग प्रॉम्प्टिंग में समान हल की गई समस्याओं को याद किया जाता है, जबकि स्टेप-बैक में विशिष्टताओं से निपटने से पहले अंतर्निहित सिद्धांत प्राप्त होता है। वे मायने रखते हैं क्योंकि अमूर्तता अक्सर सीधे विवरण में गोता लगाने से बेहतर होती है।
एनालॉजिकल और स्टेप-बैक प्रॉम्प्टिंग भाषा-एआई स्टैक का हिस्सा है जिसका उपयोग बड़े पैमाने पर पाठ और भाषण को पढ़ने, उत्पन्न करने, वर्गीकृत करने और बदलने के लिए किया जाता है।
गहरा गोता
तर्कशक्ति में सुधार के लिए 2023 से ये दो संबंधित Google-अनुसंधान तकनीकें हैं। यासुनागा और सहकर्मियों द्वारा एनालॉजिकल प्रॉम्प्टिंग, मॉडल को कुछ प्रासंगिक उदाहरणों को स्वयं उत्पन्न करने के लिए कहता है, समान समस्याएं जो उसने प्रभावी ढंग से देखी हैं, और लक्ष्य समस्या को हल करने से पहले उनके समाधान, हाथ से लिखे उदाहरणों की आवश्यकता को हटा देता है। झेंग और सहकर्मियों द्वारा स्टेप-बैक प्रॉम्प्टिंग, इसके बजाय पहले एक अमूर्त प्रश्न पूछता है ("कौन सा सामान्य सिद्धांत या तथ्य इसे नियंत्रित करता है?"), उस सिद्धांत के बारे में पुनर्प्राप्त या तर्क करता है, फिर इसे ठोस प्रश्न पर लागू करता है। दोनों मॉडल को समय से पहले विस्तार से दूर धकेलते हैं। स्टेप-बैक ने भौतिकी और रसायन विज्ञान के प्रश्नों और मल्टी-हॉप रीजनिंग पर लाभ दिखाया, जबकि एनालॉगल प्रॉम्प्टिंग ने प्रत्येक विशिष्ट समस्या के लिए उदाहरण तैयार करके गणित और कोड निर्माण में सुधार किया।
तकनीकी अंतर्दृष्टि
स्टेप-बैक काम करता है क्योंकि किसी उत्तर को बताए गए सिद्धांत (जैसे, आदर्श गैस कानून या परिभाषा) में ग्राउंड करना बाद के विस्तृत तर्क को बाधित करता है और मध्यवर्ती चरणों पर फिसलन को कम करता है। एनालॉग प्रॉम्प्टिंग काम करता है क्योंकि स्व-निर्मित उदाहरण हाथ में मौजूद सटीक समस्या से मेल खाते हैं, जो अक्सर निश्चित कुछ-शॉट उदाहरणों की तुलना में अधिक प्रासंगिक होते हैं, और वे एक उचित समाधान पैटर्न तैयार करते हैं। दोनों पहले सही अमूर्तता प्राप्त करने की दिशा में गणना करते हैं, फिर जमीनी स्तर पर विस्तृत कार्य करते हैं।
एनालॉग और स्टेप-बैक प्रॉम्प्टिंग में महारत हासिल करना
एनालॉजिकल और स्टेप-बैक प्रॉम्प्टिंग दोनों एक मॉडल को पहले उच्च स्तर पर तर्क करने के लिए मार्गदर्शन करते हैं: एनालॉग प्रॉम्प्टिंग में समान हल की गई समस्याओं को याद किया जाता है, जबकि स्टेप-बैक में विशिष्टताओं से निपटने से पहले अंतर्निहित सिद्धांत प्राप्त होता है। वे मायने रखते हैं क्योंकि अमूर्तता अक्सर सीधे विवरण में गोता लगाने से बेहतर होती है। एनालॉजिकल और स्टेप-बैक प्रॉम्प्टिंग भाषा-एआई स्टैक का हिस्सा है जिसका उपयोग बड़े पैमाने पर पाठ और भाषण को पढ़ने, उत्पन्न करने, वर्गीकृत करने और बदलने के लिए किया जाता है। गहरी समझ बनाने के लिए, एनालॉजिकल और स्टेप-बैक प्रॉम्प्टिंग को एक ऑपरेटिंग मॉडल के रूप में मानें, न कि एक विशेषता के रूप में: वांछित परिणामों को परिभाषित करें, मान्यताओं को स्पष्ट करें, और जो सिस्टम विश्वसनीय रूप से कर सकता है उसे अलग करें जिसके लिए अभी भी विशेषज्ञ निर्णय की आवश्यकता है।
व्यवहार में, एक एकीकृत संचार प्रणाली के रूप में एनालॉजिकल और स्टेप-बैक प्रॉम्प्टिंग डिज़ाइन प्रॉम्प्ट, पुनर्प्राप्ति और समीक्षा लूप का उपयोग करने वाली मजबूत टीमें। वे स्पष्ट सफलता मानदंडों का दस्तावेजीकरण करते हैं, यथार्थवादी डेटा और वर्कफ़्लो के विरुद्ध परीक्षण करते हैं, और एक बार की बेंचमार्क जीत के बजाय देखे गए विफलता पैटर्न के आधार पर पुनरावृत्ति करते हैं। यहीं पर सैद्धांतिक समझ उत्पाद, नीति और संचालन में टिकाऊ क्षमता में बदल जाती है।
भाषा वर्कफ़्लो निरंतरता से समझौता किए बिना तेज़ी से आगे बढ़ सकता है। साथ ही, मतिभ्रमित तथ्य चुपचाप रिपोर्ट में प्रवेश कर सकते हैं, प्रवाह का समर्थन कर सकते हैं, या अनुसंधान आउटपुट का समर्थन कर सकते हैं। सबसे लचीला दृष्टिकोण प्रयोग की गति को शासन अनुशासन के साथ जोड़ना है: पायलट चलाना, साक्ष्य प्राप्त करना, निर्णय लॉग प्रकाशित करना, और मॉडल व्यवहार, उपयोगकर्ता अपेक्षाओं और नियामक आवश्यकताओं के विकसित होने पर सुरक्षा उपायों को लगातार अपडेट करना।
सामरिक प्रभाव
भाषा वर्कफ़्लो निरंतरता से समझौता किए बिना तेज़ी से आगे बढ़ सकता है।
भाषा वर्कफ़्लो निरंतरता से समझौता किए बिना तेज़ी से आगे बढ़ सकता है। उच्च-गुणवत्ता वाली तैनाती में, इसे मापने योग्य संचालन नियमों, स्वामित्व सीमाओं और आवर्ती समीक्षा अनुष्ठानों में अनुवादित किया जाता है ताकि टीमें अस्पष्टता को मापने के बजाय आत्मविश्वास को बढ़ा सकें।
यह सभी भाषाओं और संचार शैलियों तक पहुंच का विस्तार करता है।
यह सभी भाषाओं और संचार शैलियों तक पहुंच का विस्तार करता है। उच्च-गुणवत्ता वाली तैनाती में, इसे मापने योग्य संचालन नियमों, स्वामित्व सीमाओं और आवर्ती समीक्षा अनुष्ठानों में अनुवादित किया जाता है ताकि टीमें अस्पष्टता को मापने के बजाय आत्मविश्वास को बढ़ा सकें।
टीमें निर्णय लेने में अधिक समय व्यतीत कर सकती हैं जबकि स्वचालन पुनरावृत्ति को संभालता है।
टीमें निर्णय लेने में अधिक समय व्यतीत कर सकती हैं जबकि स्वचालन पुनरावृत्ति को संभालता है। उच्च-गुणवत्ता वाली तैनाती में, इसे मापने योग्य संचालन नियमों, स्वामित्व सीमाओं और आवर्ती समीक्षा अनुष्ठानों में अनुवादित किया जाता है ताकि टीमें अस्पष्टता को मापने के बजाय आत्मविश्वास को बढ़ा सकें।
वास्तविक विश्व कार्यान्वयन
भौतिकी के प्रश्न का उत्तर पहले संबंधित नियम (उदाहरण के लिए, न्यूटन का दूसरा नियम) को स्टेप-बैक के माध्यम से बताकर, फिर संख्याओं को जोड़कर देना
एनालॉग प्रॉम्प्टिंग के माध्यम से मॉडल द्वारा कुछ समान हल की गई समस्याओं को याद करवाकर एक नई गणित समस्या को हल करना
तथ्यों को जोड़ने से पहले व्यापक श्रेणी या इकाई पर वापस जाकर मल्टी-हॉप ट्रिविया प्रश्न से निपटना
एक अनुरूप एल्गोरिदम और उसके समाधान को स्वयं उत्पन्न करके कोड उत्पन्न करना, फिर उसे वर्तमान कार्य के लिए अनुकूलित करना
कार्यान्वयन पैटर्न
व्यवहार में एनालॉग और स्टेप-बैक प्रॉम्प्टिंग
भौतिकी के प्रश्न का उत्तर पहले संबंधित नियम (उदाहरण के लिए, न्यूटन का दूसरा नियम) को स्टेप-बैक के माध्यम से बताकर, फिर संख्याओं को जोड़कर देना।
पहले स्टेप-बैक के माध्यम से प्रासंगिक कानून (उदाहरण के लिए, न्यूटन का दूसरा नियम) बताकर भौतिकी के प्रश्न का उत्तर देना, फिर संख्याओं को जोड़ना टीमों को आमतौर पर बेहतर परिणाम मिलते हैं जब वे गुणवत्ता सीमा को सामने से परिभाषित करते हैं, किनारे के मामलों के लिए एक मानव वृद्धि पथ रखते हैं, और समय के साथ उत्पादकता लाभ और त्रुटि लागत दोनों को ट्रैक करते हैं।
व्यवहार में एनालॉग और स्टेप-बैक प्रॉम्प्टिंग
एनालॉग प्रॉम्प्टिंग के माध्यम से मॉडल द्वारा कुछ समान हल की गई समस्याओं को याद करवाकर एक नई गणित समस्या को हल करना।
एनालॉग प्रॉम्प्टिंग के माध्यम से मॉडल को कुछ समान हल की गई समस्याओं को याद दिलाकर एक नई गणित समस्या को हल करना टीमों को आमतौर पर बेहतर परिणाम मिलते हैं जब वे गुणवत्ता सीमा को सामने से परिभाषित करते हैं, किनारे के मामलों के लिए एक मानव वृद्धि पथ रखते हैं, और समय के साथ उत्पादकता लाभ और त्रुटि लागत दोनों को ट्रैक करते हैं।
व्यवहार में एनालॉग और स्टेप-बैक प्रॉम्प्टिंग
तथ्यों को जोड़ने से पहले व्यापक श्रेणी या इकाई पर वापस जाकर मल्टी-हॉप ट्रिविया प्रश्न से निपटना।
तथ्यों को जोड़ने से पहले व्यापक श्रेणी या इकाई पर वापस जाकर एक बहु-हॉप सामान्य ज्ञान प्रश्न से निपटना टीमों को आमतौर पर बेहतर परिणाम मिलते हैं जब वे गुणवत्ता सीमा को सामने से परिभाषित करते हैं, किनारे के मामलों के लिए एक मानव वृद्धि पथ रखते हैं, और समय के साथ उत्पादकता लाभ और त्रुटि लागत दोनों को ट्रैक करते हैं।
व्यवहार में एनालॉग और स्टेप-बैक प्रॉम्प्टिंग
एक अनुरूप एल्गोरिदम और उसके समाधान को स्वयं उत्पन्न करके कोड उत्पन्न करना, फिर उसे वर्तमान कार्य के लिए अनुकूलित करना।
एक अनुरूप एल्गोरिदम और उसके समाधान को स्वयं उत्पन्न करके कोड उत्पन्न करना, फिर इसे वर्तमान कार्य में अनुकूलित करना टीमों को आमतौर पर बेहतर परिणाम मिलते हैं जब वे गुणवत्ता सीमा को सामने से परिभाषित करते हैं, किनारे के मामलों के लिए एक मानव वृद्धि पथ रखते हैं, और समय के साथ उत्पादकता लाभ और त्रुटि लागत दोनों को ट्रैक करते हैं।
जोखिम और रेलिंग
मतिभ्रम वाले तथ्य चुपचाप रिपोर्ट में प्रवेश कर सकते हैं, प्रवाह का समर्थन कर सकते हैं, या अनुसंधान आउटपुट का समर्थन कर सकते हैं।
त्वरित संवेदनशीलता समान अनुरोधों में असंगत परिणाम पैदा कर सकती है।
यदि पहुंच नियंत्रण कमजोर हैं तो संवेदनशील पाठ डेटा उजागर हो सकता है।
कार्यान्वयन रोडमैप
रोलआउट से पहले आउटपुट स्वरूप, टोन और गुणवत्ता मानकों को परिभाषित करें।
रोलआउट से पहले आउटपुट स्वरूप, टोन और गुणवत्ता मानकों को परिभाषित करें। प्रत्येक चरण को एक साक्ष्य द्वार के रूप में मानें: यदि मानदंड पूरे नहीं होते हैं, तो रोलआउट रोकें, अंतर को बंद करें, और उसके बाद ही उपयोग का विस्तार करें।
जब भी सटीकता मायने रखती है तो विश्वसनीय स्रोतों के साथ जमीनी प्रतिक्रियाएँ।
जब भी सटीकता मायने रखती है तो विश्वसनीय स्रोतों के साथ जमीनी प्रतिक्रियाएँ। प्रत्येक चरण को एक साक्ष्य द्वार के रूप में मानें: यदि मानदंड पूरे नहीं होते हैं, तो रोलआउट रोकें, अंतर को बंद करें, और उसके बाद ही उपयोग का विस्तार करें।
उच्च जोखिम वाले आउटपुट के लिए एक मानव समीक्षा चेकपॉइंट रखें।
उच्च जोखिम वाले आउटपुट के लिए एक मानव समीक्षा चेकपॉइंट रखें। प्रत्येक चरण को एक साक्ष्य द्वार के रूप में मानें: यदि मानदंड पूरे नहीं होते हैं, तो रोलआउट रोकें, अंतर को बंद करें, और उसके बाद ही उपयोग का विस्तार करें।
विफलता पैटर्न को ट्रैक करें और संकेतों या वर्कफ़्लो को नियमित रूप से पुनः प्रशिक्षित करें।
विफलता पैटर्न को ट्रैक करें और संकेतों या वर्कफ़्लो को नियमित रूप से पुनः प्रशिक्षित करें। प्रत्येक चरण को एक साक्ष्य द्वार के रूप में मानें: यदि मानदंड पूरे नहीं होते हैं, तो रोलआउट रोकें, अंतर को बंद करें, और उसके बाद ही उपयोग का विस्तार करें।