एलएलएम एआई ऐप्स को बदल रहे हैं: यहां बताया गया है कि कैसे

1994 में इंटरनेट के प्रचलन में आने के बाद से कृत्रिम बुद्धिमत्ता सबसे अधिक परिवर्तनकारी प्रतिमान है। और इसमें बहुत सारे निगम, जाहिर तौर पर, अपने व्यवसाय करने के तरीके में एआई को शामिल करने के लिए संघर्ष कर रहे हैं।

ऐसा होने का सबसे महत्वपूर्ण तरीका जेनरेटिव एआई और बड़े भाषा मॉडल (एलएलएम) के माध्यम से है, और यह चैटजीपीटी को कॉर्पोरेट ब्लॉग के लिए किसी विशेष विषय के बारे में पोस्ट लिखने या यहां तक कि कोड लिखने में मदद करने के लिए कहने से कहीं आगे है।

वास्तव में, एलएलएम तेजी से एप्लिकेशन स्टैक का एक अभिन्न अंग बन रहे हैं।

चैटजीपीटी जैसे जेनरेटिव एआई इंटरफेस का निर्माण - "एजेंट" - एक डेटाबेस के ऊपर जिसमें सभी आवश्यक डेटा शामिल हैं और एलएलएम की "भाषा बोल सकते हैं" मोबाइल ऐप्स का भविष्य (और, तेजी से, वर्तमान ) है।

गतिशील इंटरैक्शन का स्तर, बड़ी मात्रा में सार्वजनिक और मालिकाना डेटा तक पहुंच, और विशिष्ट परिस्थितियों के अनुकूल होने की क्षमता एलएलएम पर निर्मित अनुप्रयोगों को शक्तिशाली और आकर्षक तरीके से बनाती है जो हाल तक उपलब्ध नहीं था।

और तकनीक तेजी से इस हद तक विकसित हो गई है कि वस्तुतः सही डेटाबेस और सही एपीआई वाला कोई भी व्यक्ति इन अनुभवों का निर्माण कर सकता है। आइए एक नज़र डालें कि इसमें क्या शामिल है।

कैसे जेनरेटिव एआई एप्लीकेशन के काम करने के तरीके में क्रांतिकारी बदलाव लाता है

जब कुछ लोग एक ही वाक्य में "एजेंट" और "एआई" सुनते हैं, तो वे पॉपअप विंडो के रूप में अनुभव किए गए सरल चैटबॉट के बारे में सोचते हैं जो पूछता है कि ई-कॉमर्स साइट पर जाने पर यह कैसे मदद कर सकता है।

लेकिन एलएलएम सामान्य बातचीत संबंधी संकेतों और एफएक्यू से प्राप्त उत्तरों के अलावा और भी बहुत कुछ कर सकते हैं।

जब उनके पास सही डेटा तक पहुंच होती है, तो एलएलएम पर निर्मित एप्लिकेशन हमारे साथ बातचीत करने के लिए कहीं अधिक उन्नत तरीके चला सकते हैं जो विशेषज्ञ रूप से क्यूरेटेड जानकारी प्रदान करते हैं जो अधिक उपयोगी, विशिष्ट, समृद्ध - और अक्सर अचूक रूप से पूर्वज्ञानी होती है।

यहाँ एक उदाहरण है।

आप अपने पिछवाड़े में एक डेक बनाना चाहते हैं, इसलिए आप अपने गृह सुधार स्टोर का मोबाइल एप्लिकेशन खोलें और उससे खरीदारी की सूची बनाने के लिए कहें।

क्योंकि एप्लिकेशन GPT-4 जैसे एलएलएम और कई डेटा स्रोतों (कंपनी की अपनी उत्पाद सूची, स्टोर इन्वेंट्री, ग्राहक जानकारी और ऑर्डर इतिहास के साथ-साथ कई अन्य डेटा स्रोतों) से जुड़ा है, यह आसानी से आपको बता सकता है कि आप क्या कर रहे हैं आपको अपना DIY प्रोजेक्ट पूरा करना होगा।

लेकिन यह और भी बहुत कुछ कर सकता है.

यदि आप उन आयामों और विशेषताओं का वर्णन करते हैं जिन्हें आप अपने डेक में शामिल करना चाहते हैं, तो एप्लिकेशन विज़ुअलाइज़ेशन टूल और डिज़ाइन सहायता प्रदान कर सकता है। क्योंकि यह आपका पोस्टल कोड जानता है, यह आपको बता सकता है कि आपके आसपास के किन स्टोरों में आपकी ज़रूरत की चीज़ें स्टॉक में हैं।

यह आपके खरीद इतिहास के डेटा के आधार पर यह भी सुझाव दे सकता है कि आपको काम में मदद करने के लिए एक ठेकेदार की आवश्यकता हो सकती है - और आपके आस-पास के पेशेवरों के लिए संपर्क जानकारी प्रदान कर सकता है।

फिर यह आपको बता सकता है, जैसे कि डेक के दाग को सूखने में कितना समय लगता है (यहां तक कि जहां आप रहते हैं वहां के मौसमी जलवायु रुझानों को शामिल करते हुए) और आपके डेक पर वास्तव में उस जन्मदिन की पार्टी का आयोजन करने में कितना समय लगेगा, जैसे चर के आधार पर। आप योजना बना रहे हैं.

एप्लिकेशन कई अन्य संबंधित क्षेत्रों में भी सहायता कर सकता है और जानकारी प्रदान कर सकता है, जिसमें परियोजना परमिट आवश्यकताओं और आपकी संपत्ति के मूल्य पर निर्माण के प्रभाव का विवरण भी शामिल है। और प्रश्न हैं?

एप्लिकेशन एक सहायक सहायक के रूप में हर कदम पर आपकी मदद कर सकता है जो आपको वहां ले जाता है जहां आप जाना चाहते हैं।

आपके एप्लिकेशन में एलएलएम का उपयोग करना कठिन है, है ना?

यह विज्ञान कथा नहीं है। कुछ सबसे बड़े डेटास्टैक्स ग्राहकों सहित कई संगठन, कई परियोजनाओं पर काम कर रहे हैं जिनमें अभी जेनरेटिव एआई शामिल है।

लेकिन ये परियोजनाएँ केवल बड़े, स्थापित उद्यमों का क्षेत्र नहीं हैं; उन्हें मशीन लर्निंग या डेटा साइंस, या एमएल मॉडल प्रशिक्षण के बारे में व्यापक ज्ञान की आवश्यकता नहीं है।

वास्तव में, एलएलएम-आधारित अनुप्रयोगों के निर्माण के लिए एक डेवलपर से कुछ अधिक की आवश्यकता होती है जो डेटाबेस कॉल और एपीआई कॉल कर सकता है।

ऐसे अनुप्रयोगों का निर्माण जो वैयक्तिकृत संदर्भ के स्तर प्रदान कर सकते हैं जो हाल तक अनसुना था, एक वास्तविकता है जिसे किसी भी व्यक्ति के साथ महसूस किया जा सकता है जिसके पास सही डेटाबेस, कोड की कुछ पंक्तियाँ और GPT-4 जैसा एलएलएम है।

एलएलएम का उपयोग करना बहुत आसान है। वे संदर्भ लेते हैं (अक्सर "संकेत" के रूप में संदर्भित) और एक प्रतिक्रिया उत्पन्न करते हैं। इसलिए, एक एजेंट का निर्माण यह सोचने से शुरू होता है कि वांछित प्रतिक्रिया प्राप्त करने के लिए एलएलएम को सही संदर्भ कैसे प्रदान किया जाए।

मोटे तौर पर, यह संदर्भ तीन स्थानों से आता है: उपयोगकर्ता का प्रश्न, एजेंट के डेवलपर द्वारा बनाए गए पूर्व-निर्धारित संकेत, और डेटाबेस या अन्य स्रोतों से प्राप्त डेटा (नीचे चित्र देखें)।

उपयोगकर्ता द्वारा प्रदान किया गया संदर्भ आम तौर पर केवल वह प्रश्न होता है जिसे वे एप्लिकेशन में इनपुट करते हैं।

दूसरा टुकड़ा एक उत्पाद प्रबंधक द्वारा प्रदान किया जा सकता है जिसने एक डेवलपर के साथ काम किया है ताकि एजेंट को जो भूमिका निभानी चाहिए उसका वर्णन किया जा सके (उदाहरण के लिए, "आप एक सहायक बिक्री एजेंट हैं जो ग्राहकों को उनकी परियोजनाओं की योजना बनाते समय मदद करने की कोशिश कर रहे हैं; कृपया एक शामिल करें) आपकी प्रतिक्रियाओं में प्रासंगिक उत्पादों की सूची")।

अंत में, प्रदान किए गए संदर्भ की तीसरी बाल्टी में आपके डेटाबेस और अन्य डेटा स्रोतों से खींचा गया बाहरी डेटा शामिल होता है जिसे एलएलएम को प्रतिक्रिया के निर्माण में उपयोग करना चाहिए।

कुछ एजेंट एप्लिकेशन अधिक विस्तृत प्रतिक्रियाएँ बनाने के लिए उपयोगकर्ता को प्रतिक्रिया आउटपुट करने से पहले एलएलएम को कई कॉल कर सकते हैं।

चैटजीपीटी प्लग-इन और लैंगचेन जैसी प्रौद्योगिकियां इसे सुविधाजनक बनाती हैं (इन पर नीचे अधिक जानकारी दी गई है)।

एलएलएम मेमोरी देना...

एआई एजेंटों को ज्ञान के स्रोत की आवश्यकता होती है, लेकिन वह ज्ञान एलएलएम द्वारा समझने योग्य होना चाहिए। आइए एक कदम पीछे हटें और सोचें कि एलएलएम कैसे काम करता है। जब आप चैटजीपीटी से कोई प्रश्न पूछते हैं, तो इसकी मेमोरी या "संदर्भ विंडो" बहुत सीमित होती है।

यदि आप चैटजीपीटी के साथ लंबी बातचीत कर रहे हैं, तो यह आपके पिछले प्रश्नों और संबंधित प्रतिक्रियाओं को पैक करता है और उसे मॉडल पर वापस भेजता है, लेकिन यह संदर्भ को "भूलना" शुरू कर देता है।

यही कारण है कि किसी एजेंट को डेटाबेस से जोड़ना उन कंपनियों के लिए बहुत महत्वपूर्ण है जो एलएलएम के शीर्ष पर एजेंट-आधारित एप्लिकेशन बनाना चाहते हैं। लेकिन डेटाबेस को जानकारी को इस तरह से संग्रहीत करना होगा कि एक एलएलएम समझता है: वैक्टर के रूप में।

सीधे शब्दों में कहें तो, वैक्टर आपको एक वाक्य, अवधारणा या छवि को आयामों के एक सेट में कम करने में सक्षम बनाता है। आप एक अवधारणा या संदर्भ ले सकते हैं, जैसे उत्पाद विवरण, और इसे कई आयामों में बदल सकते हैं: एक वेक्टर का प्रतिनिधित्व।

उन आयामों को रिकॉर्ड करने से वेक्टर खोज सक्षम हो जाती है: कीवर्ड के बजाय बहुआयामी अवधारणाओं पर खोज करने की क्षमता।

यह एलएलएम को अधिक सटीक और प्रासंगिक रूप से उपयुक्त प्रतिक्रियाएं उत्पन्न करने में मदद करता है जबकि मॉडलों के लिए दीर्घकालिक स्मृति का एक रूप भी प्रदान करता है। संक्षेप में, वेक्टर खोज एलएलएम और विशाल ज्ञान आधारों के बीच एक महत्वपूर्ण पुल है जिस पर उन्हें प्रशिक्षित किया जाता है।

वेक्टर एलएलएम की "भाषा" हैं; वेक्टर खोज डेटाबेस की एक आवश्यक क्षमता है जो उन्हें संदर्भ प्रदान करती है।

नतीजतन, उपयुक्त डेटा के साथ एलएलएम की सेवा करने में सक्षम होने का एक प्रमुख घटक एक वेक्टर डेटाबेस है जिसमें एजेंट अनुभवों को बढ़ावा देने के लिए आवश्यक विशाल डेटासेट को संभालने के लिए थ्रूपुट, स्केलेबिलिटी और विश्वसनीयता है।

... सही डेटाबेस के साथ

किसी भी एआई/एमएल एप्लिकेशन के लिए डेटाबेस चुनते समय स्केलेबिलिटी और प्रदर्शन दो महत्वपूर्ण कारक हैं जिन पर विचार किया जाना चाहिए। एजेंटों को बड़ी मात्रा में वास्तविक समय डेटा तक पहुंच की आवश्यकता होती है और उच्च गति प्रसंस्करण की आवश्यकता होती है, खासकर एजेंटों को तैनात करते समय जिनका उपयोग आपकी वेबसाइट पर आने वाले या आपके मोबाइल एप्लिकेशन का उपयोग करने वाले प्रत्येक ग्राहक द्वारा किया जा सकता है।

जब एजेंट अनुप्रयोगों को फीड करने वाले डेटा को संग्रहीत करने की बात आती है तो जरूरत पड़ने पर तेजी से स्केल करने की क्षमता सफलता के लिए सर्वोपरि है।

अपाचे कैसेंड्रा एक ऐसा डेटाबेस है जिस पर Netflix, Uber, और FedEx जैसे नेता अपने जुड़ाव के सिस्टम को चलाने के लिए भरोसा करते हैं, और AI एक व्यवसाय द्वारा प्रदान की जाने वाली हर बातचीत को समृद्ध करने के लिए आवश्यक हो गया है।

जैसे-जैसे जुड़ाव एजेंट-संचालित हो जाता है, कैसंड्रा क्षैतिज स्केलेबिलिटी, गति और रॉक-सॉलिड स्थिरता प्रदान करके आवश्यक हो जाता है जो इसे पावर एजेंट-आधारित अनुप्रयोगों के लिए आवश्यक डेटा संग्रहीत करने के लिए एक प्राकृतिक विकल्प बनाता है।

इस कारण से, कैसेंड्रा समुदाय ने आलोचनात्मक विकास किया वेक्टर खोज क्षमताएं विशाल डेटासेट पर एआई अनुप्रयोगों के निर्माण के कार्य को सरल बनाने के लिए, और डेटास्टैक्स ने इन क्षमताओं को एस्ट्रा डीबी में क्लाउड के माध्यम से आसानी से उपभोग योग्य बना दिया है, पहला पेटास्केल नोएसक्यूएल डेटाबेस जो वेक्टर क्षमताओं के साथ एआई-तैयार है (इस समाचार के बारे में यहां और पढ़ें)।

यह कैसे पूरा हो रहा है?

संगठनों के लिए एजेंट एप्लिकेशन अनुभव बनाने के लिए कुछ मार्ग हैं, जैसा कि हमने पहले बताया था।

आप डेवलपर्स को फ्रेमवर्क के बारे में बात करते हुए सुनेंगे लैंगचैन , जो, जैसा कि नाम से पता चलता है, कई एलएलएम आमंत्रणों के इनपुट और आउटपुट को एक साथ जोड़कर और आवश्यकतानुसार सही डेटा स्रोतों से स्वचालित रूप से सही डेटा खींचकर एलएलएम-संचालित एजेंटों के विकास को सक्षम बनाता है।

लेकिन इस प्रकार के अनुभवों के निर्माण के साथ आगे बढ़ने का सबसे महत्वपूर्ण तरीका इस समय दुनिया के सबसे लोकप्रिय एजेंट: चैटजीपीटी से जुड़ना है।

चैटजीपीटी प्लगइन्स तीसरे पक्ष के संगठनों को उन ऐड-ऑन के साथ चैटजीपीटी से जुड़ने में सक्षम करें जो उन कंपनियों के बारे में जानकारी प्रदान करते हैं। फेसबुक के बारे में सोचो.

यह सोशल नेटवर्क प्लेटफ़ॉर्म बन गया, जिसमें गेम, सामग्री और समाचार फ़ीड बनाने वाले संगठनों का एक विशाल पारिस्थितिकी तंत्र शामिल हो सकता है। चैटजीपीटी उस तरह का मंच बन गया है: एक "सुपर एजेंट।"

हो सकता है कि आपके डेवलपर लैंगचेन जैसे ढांचे का उपयोग करके आपके स्वयं के स्वामित्व वाले एजेंट-आधारित एप्लिकेशन अनुभव के निर्माण पर काम कर रहे हों, लेकिन केवल उस पर ध्यान केंद्रित करने से भारी अवसर लागत आएगी।

यदि वे चैटजीपीटी प्लगइन पर काम नहीं कर रहे हैं, तो आपका संगठन आपके व्यवसाय के लिए विशिष्ट संदर्भ को संभावित जानकारी की सीमा में एकीकृत करने के एक बड़े वितरण अवसर से चूक जाएगा जिसे चैटजीपीटी आपूर्ति कर सकता है या वह कार्य जो वह अपने उपयोगकर्ताओं को सुझा सकता है।

इंस्टाकार्ट, एक्सपीडिया, ओपनटेबल और स्लैक सहित कंपनियों की एक श्रृंखला मैंने पहले ही ChatGPT प्लगइन्स बना लिए हैं ; चैटजीपीटी के साथ उनके एकीकरण से उत्पन्न होने वाली प्रतिस्पर्धात्मक बढ़त के बारे में सोचें।

परिवर्तन के लिए एक सुलभ एजेंट

चैटजीपीटी प्लग-इन का निर्माण एआई एजेंट परियोजनाओं का एक महत्वपूर्ण हिस्सा होगा जिसमें व्यवसाय शामिल होना चाहेंगे।

सही डेटा आर्किटेक्चर होने से - विशेष रूप से, एक वेक्टर डेटाबेस - बहुत उच्च-प्रदर्शन वाले एजेंट अनुभवों का निर्माण करना काफी आसान हो जाता है जो उन प्रतिक्रियाओं को सशक्त बनाने के लिए सही जानकारी तुरंत प्राप्त कर सकता है।

सभी एप्लिकेशन AI एप्लिकेशन बन जाएंगे। एलएलएम और चैटजीपीटी प्लगइन्स जैसी क्षमताओं का उदय इस भविष्य को और अधिक सुलभ बना रहा है।

वेक्टर खोज और जेनरेटिव एआई के बारे में अधिक जानने के लिए? एजेंट एक्स के लिए हमसे जुड़ें : एजेंट एआई एक्सपीरियंस बनाएं, 11 जुलाई को एक निःशुल्क डिजिटल कार्यक्रम।

एड अनफ़, डेटास्टैक्स द्वारा