ग्राहक सहायता, लीड जनरेशन और डेटा एनालिटिक्स में चैटजीपीटी कितना प्रभावी है?

नवंबर 2022 तक GPT मॉडल व्यापक रूप से लोकप्रिय नहीं थे, जब OpenAI ने नामक अपने भाषा मॉडल के उत्तराधिकारी का निर्माण किया। मार्च 2023 तक, चैटजीपीटी अब आपके उत्पादों में मॉडल को एकीकृत करने के लिए है। जबकि सतह पर अनुप्रयोगों की अधिकता है, ChatGPT विभिन्न प्रकार की तकनीकी और व्यावसायिक प्रक्रियाओं के लिए व्यापक सुधार प्रदान करता है। तो यहाँ हम सबसे व्यवहार्य परीक्षण करेंगे, और देखेंगे कि यह हमें कहाँ ले जाता है। ChatGPT आधिकारिक तौर पर एक एपीआई और एसडीके के साथ जारी किया गया मैं आपके साथ अपने दृष्टिकोण को साझा करूँगा कि हम स्वचालन के विभिन्न स्तरों पर GPT मॉडल से कैसे लाभान्वित हो सकते हैं, जबकि आपको इस प्रश्न का संक्षिप्त उत्तर प्रदान करते हैं, "मुझे अपने उत्पाद में GPT मॉडल को लागू करने के लिए क्या चाहिए?"। कृपया ध्यान दें: सभी परीक्षण पूर्व-रिलीज़ चरण के दौरान किए गए थे। चैटजीपीटी क्या है और सामान्य तौर पर जीपीटी मॉडल क्या हैं? यदि आप पहले से ही जानते हैं कि चैटजीपीटी और अन्य जीपीटी मॉडल क्या हैं, तो आप इस भाग को छोड़ सकते हैं। क्योंकि यहां, , साथ ही डेटा खोजने के लिए इसकी क्षमताओं का दोहन कैसे करूं और हमें आवश्यक जानकारी कैसे प्रदान करूं। ऐसा करने का सबसे आसान तरीका बस मॉडल से पूछना है, और यहां बताया गया है कि कैसे ChatGPT खुद की पहचान करता है: मैं ChatGPT को विभिन्न कोणों से परिभाषित करूंगा ChatGPT नवीनतम GPT मॉडल है जिसे GPT 3.5 के आधार पर विकसित किया गया था। इसमें संवाद के रूप में उपयोगकर्ता के साथ बातचीत करने और 2021 तक की घटनाओं और सूचनाओं पर आधारित लगभग किसी भी प्रश्न का उत्तर देने की क्षमता है। जीपीटी मॉडल प्राकृतिक भाषा प्रसंस्करण (एनएलपी) कार्यों की एक श्रृंखला को हल करने में अत्यधिक सक्षम हैं। अनुकूलन की संभावना जैसे: कीवर्ड निष्कर्षण पाठ अनुवाद प्रश्न उत्तर पाठ पीढ़ी पाठ सारांश वर्तनी सुधार पाठ शैली स्थानांतरित करना नामित इकाई मान्यता अपने ऐप या वेबसाइट में चैटजीपीटी का उपयोग कैसे करें मार्च 2023 तक, चैटजीपीटी एपीआई के माध्यम से उपलब्ध है और स्नैपचैट जैसी कुछ कंपनियां पहले से ही इसका उपयोग कर रही हैं। इसलिए तकनीकी दृष्टिकोण से ChatGPT को आपके एप्लिकेशन में कैसे एकीकृत किया जा सकता है, इस पर चर्चा करना समझ में आता है। यहाँ विकल्पों का एक निश्चित कांटा है: कार्य मौजूदा मॉडल के माध्यम से व्यवहार्य है। यहां, मॉडल स्मार्ट कैटलॉग के रूप में काम करता है, जिससे उपयोगकर्ता को सामग्री के माध्यम से ब्राउज़ करने और GPT की प्रतिक्रिया का उपयोग करके अधिक तेज़ी से विकल्प चुनने में मदद मिलती है। हालाँकि, अनुकूलन और वैयक्तिकरण उपलब्ध नहीं हैं। अपने खुद के डेटा के साथ मॉडल को फाइन-ट्यूनिंग करना। ऐसे मॉडल उपयोगकर्ता के कार्यों/इच्छाओं और अन्य उपयोग के मामलों के आधार पर एक व्यक्तिगत चैटबॉट अनुशंसा प्रणाली बनाने के लिए उपयोगी हो सकते हैं। अपने स्वयं के डेटा का उपयोग करके, GPT मॉडल को वैयक्तिकरण के तत्व को पेश करने के लिए प्रशिक्षित किया जा सकता है। GPT मॉडल को फ़ाइन ट्यून करने के लिए आवश्यक डेटा की मात्रा विभिन्न कारकों पर निर्भर करती है, जैसे डेटा सेट का आकार और जटिलता, और मॉडल का वांछित प्रदर्शन। आमतौर पर, GPT मॉडल को प्रभावी ढंग से ठीक करने के लिए कम से कम कुछ सौ उदाहरणों की आवश्यकता होती है। हालाँकि, जटिल डोमेन में, इष्टतम मॉडल प्रदर्शन प्राप्त करने में दसियों हज़ार या लाखों उदाहरण भी लग सकते हैं। यह समझने के लिए कि आपको मॉडल को फ़ाइन-ट्यून करने की आवश्यकता है या नहीं, मैं आपको इन 5 चरणों को पूरा करने की सलाह दूँगा: व्यावसायिक समझ जिसमें व्यवसाय के मामले को सीखना शामिल है, मॉडल को कौन सा कार्य सौंपा गया है, इसे किस डेटा का उपयोग करना चाहिए, और अपेक्षित वैयक्तिकरण सुविधाएँ। डेटा इक्कट्ठा करना। इस कदम को छोड़ दिया जा सकता है अगर वैयक्तिकृत जानकारी को शुरुआती चरणों में छोड़ दिया जा सकता है। लेकिन यदि आप GPT मॉडल को अत्यधिक विशिष्ट डोमेन में उपयोग करने की योजना बनाते हैं, तो डिफ़ॉल्ट रूप से, मॉडल सही ढंग से काम करने में विफल हो जाएगा। यानी यह स्टेज जरूरी है। उदाहरण के लिए, स्टोर में जो उपलब्ध है, उसके आधार पर उपयोगकर्ता के लिए कपड़ों की सिफारिश करना आवश्यक है। फिर स्टोर के उत्पादों के बारे में जानकारी एकत्र करना और सिफारिशों के लिए बुनियादी निर्देश प्रदान करना आवश्यक है (उदाहरण के लिए, YYYY लेख के साथ जीन्स को ऐसी XXXX वाली टी-शर्ट के ऊपर पहना जाना चाहिए)। डेटा एनोटेशन/डेटा लेबलिंग। इस चरण में डेटा संग्रहण चरण से प्रत्येक नमूने के लिए एक संकेत बनाना शामिल होगा। उदाहरण के लिए: YYYY लेखों वाले शॉर्ट्स को XXXX लेख वाली टी-शर्ट के ऊपर पहना जाना चाहिए = मुझे XXX लेख वाली टी-शर्ट के नीचे क्या पहनना चाहिए? और अपेक्षित उत्तर: YYYY लेख के साथ जीन्स। डेटा तैयारी। इसका तात्पर्य डेटा को एक उपयुक्त प्रारूप में परिवर्तित करना है, उदाहरण के लिए "{"प्रॉम्प्ट": " ", "पूर्णता": " "}" के साथ। मॉडलिंग। अंत में, उन परिवर्तनों को लागू करना और मॉडल को उत्पादन में लागू करना। ध्यान रखें कि GPT मॉडल एक संपूर्ण उत्पाद नहीं है जो सभी डोमेन क्षेत्रों को बॉक्स से बाहर करता है। आपको इसके लिए एप्लिकेशन और बैकएंड पर प्रबंधन टूल की भी आवश्यकता होगी। फिर, सार्थक जानकारी निकालने के लिए GPT मॉडल के आउटपुट को NLP विधियों के साथ संसाधित करना पड़ता है। मॉडल एक सूची की तरह कई वाक्यों में पाठ के रूप में उत्तर देता है। यह आउटपुट एक या कई शब्दों के रूप में प्रस्तुत किया जाना चाहिए, जो पाइपलाइन के निम्नलिखित भागों में फ़िल्टर या कीवर्ड के रूप में उपयोग किया जाएगा। तो इसका मतलब है कि GPT मॉडल को संचालित करने के लिए अन्य मॉडलों की भी आवश्यकता होगी। यह जानने के बाद, आइए GPT मॉडल पर एक पूरक उपकरण के रूप में चर्चा करें जो विभिन्न व्यावसायिक और तकनीकी आवश्यकताओं के लिए उपयुक्त है। ChatGPT व्यावसायिक उपयोग के मामले चैटजीपीटी अपने पूर्ववर्तियों की तुलना में बहुत अधिक सक्षम है क्योंकि इसे मानव प्रतिक्रिया (आरएलएचएफ) तकनीक के साथ सुदृढीकरण सीखने की मदद से प्रशिक्षित किया गया था। इसने कम लोकप्रिय GPT 3 मॉडल की तुलना में प्रदर्शन का एक विशिष्ट स्तर प्रदान किया। इस वजह से, चैटजीपीटी को अब अपनी एनएलपी क्षमताओं का उपयोग करके कई प्रकार के व्यावसायिक और तकनीकी कार्यों के लिए अपनाया गया है। आइए हम पूछें कि चैटजीपीटी अपने व्यावसायिक उपयोग के मामलों के बारे में क्या सोचता है: यहां हम देख सकते हैं कि मॉडल कुछ सबसे सामान्य उपयोग के मामलों को सूचीबद्ध करते हुए उत्तर प्रदान करता है। चूंकि मॉडल 2021 तक सीमित डेटा पर निर्भर करता है, यह पूरी सूची भी नहीं है और ऐसे बहुत से निम्न स्तर के कार्य हैं जिन्हें हम ChatGPT को सौंप सकते हैं। हम अपने फोकस को कम करने की कोशिश कर सकते हैं, और एक डोमेन क्षेत्र में कुछ मान निकाल सकते हैं: इन उदाहरणों के आधार पर, हम तीन सबसे आशाजनक व्यावसायिक उपयोग मामलों के बारे में निष्कर्ष निकाल सकते हैं: ग्राहक सहेयता ChatGPT एक अत्यधिक सक्षम संवादी बॉट है जिसे आपके अपने डेटा के साथ अनुकूलित किया जा सकता है। चूंकि यह टूटी हुई व्याकरणिक संरचना या लापता वाक्य रचनात्मक भागों के साथ भी प्रश्न को सही ढंग से समझने में सक्षम है, इसे ग्राहक सहायता प्रणालियों और अर्थात् चैट बॉट्स के लिए तैयार समाधान माना जा सकता है। नेतृत्व पीढ़ी पिछले बिंदु का पालन करते हुए, समान क्षमताओं का उपयोग लीड जनरेशन गतिविधियों में किया जा सकता है क्योंकि ज्यादातर मामलों में, लोगों द्वारा लिखे जा सकने वाले भाषण का चैटजीपीटी स्तर बहुत अधिक भिन्न नहीं होता है। डेटा विश्लेषण किसी बिंदु पर, GPT मॉडल आधुनिक व्यावसायिक बुद्धिमत्ता और डेटा विश्लेषणात्मक समाधानों का विकल्प बन सकते हैं। चूंकि वे ऐतिहासिक डेटा के विशाल डेटाबेस पर काम कर सकते हैं और मानव श्रमिकों को मूल्यवान अंतर्दृष्टि प्रदान कर सकते हैं। हालांकि, जब रीयल-टाइम डेटा विश्लेषण की बात आती है जिसके लिए निरंतर अद्यतन और नवीनतम उपलब्ध जानकारी की आवश्यकता होती है, तो GPT मॉडल अनाड़ी प्रतीत होते हैं। आरएलएचएफ तकनीक के साथ प्रशिक्षण की प्रक्रिया जटिल है, और इसके अलावा, इसके लिए मशीन लर्निंग पाइपलाइन की आवश्यकता होगी, जिसमें स्वचालित पुनर्प्रशिक्षण और मॉडलों की पुन: तैनाती होगी। जो कि एक तरह का रॉकेट साइंस है... अभी के लिए। इसलिए ऐसे एप्लिकेशन जो वास्तविक समय के डेटा अपडेट पर बहुत अधिक निर्भर करते हैं, वे वास्तव में अभी तक GPT मॉडल के लिए उपयुक्त नहीं हैं। हम इसके साथ और क्या कर सकते हैं? 1. चैटजीपीटी के साथ कॉपी राइटिंग भाषा मॉडल और तंत्रिका नेटवर्क के बारे में सबसे लोकप्रिय कथनों में से एक यह है कि वे निश्चित रूप से कॉपीराइटर का काम ले सकते हैं या कम से कम लेखन की गति को काफी हद तक बढ़ा सकते हैं। देखते हैं कि यह आज के लिए सच है या नहीं। हम यह जांचने के लिए दो प्रकार के अनुरोधों का उपयोग करेंगे कि मॉडल सॉफ्टवेयर इंजीनियरिंग विषय पर लेख लेखन को कैसे संभालेगा। पहले प्रकार का अनुरोध केवल पाठ के सामान्य विचार को बताता है, जबकि दूसरा उन चीजों को निर्दिष्ट करेगा जो मैं चाहता हूं कि मॉडल का वर्णन करें और विशेषज्ञ राय या तर्क प्रदान करें। : "मुझे विभिन्न PHP रूपरेखाओं के बारे में एक लेख लिखें।" अनुरोध चैटजीपीटी आउटपुट: : "मुझे Laravel और Symfony फ्रेमवर्क के बीच अंतर के बारे में एक लेख लिखें, और एक ईकॉमर्स एप्लिकेशन के लिए मुझे कौन सा PHP फ्रेमवर्क चुनना चाहिए।" अनुरोध : चैटजीपीटी आउटपुट दोनों ही मामलों में, मॉडल सूचना के दृष्टिकोण से विषय को बहुत अच्छी तरह से संभालता है। व्याकरणिक और शैलीगत रूप से ग्रंथ भी ठीक हैं। हालाँकि, जब रचनात्मकता के स्तर, पढ़ने में आसानी, तर्क और एक निश्चित बिंदु के औचित्य की बात आती है, तो यह बहुत मानक और असंबद्ध लगता है। जबकि ChatGPT निश्चित रूप से आपके मार्केटिंग प्रयासों को आसान बनाने के लिए कुछ ब्लूप्रिंट उत्पन्न कर सकता है, यह मानव प्रूफरीडर के लिए एक समस्या पैदा करता है। जैसा कि मॉडल डेटा को स्वयं पार्स करता है, जानकारी के स्रोत को ढूंढना और मॉडल के दावों को साबित करना मुश्किल प्रतीत होता है। इसलिए मार्केटिंग उद्देश्यों के लिए उपयोग किए जाने के लिए, चैटजीपीटी को प्रभावी और उपयोगी होने के लिए फाइन ट्यूनिंग और एआई व्याख्यात्मकता जैसी अतिरिक्त सुविधाओं की आवश्यकता होती है। 2. चैटजीपीटी के साथ सामान्य प्रोग्रामिंग यदि GPT मॉडल मानव भाषा बोल सकते हैं, तो उन्हें एप्लिकेशन लिखने के लिए प्रोग्रामिंग भाषाओं का उपयोग करने से कोई नहीं रोकता है। हमारे PHP/DevOps समूह के नेता, एंटोन लोगविनेंको ने यह देखने के लिए परीक्षण किया कि विभिन्न कार्यों के लिए PHP में कोड लिखने के लिए मॉडल का शोषण करके क्या परिणाम प्राप्त किए जा सकते हैं। : "लारावेल फ्रेमवर्क पर एक PHP कोड लिखें जो उपयोगकर्ताओं की सूची प्रदर्शित करेगा"। अनुरोध : चैटजीपीटी प्रतिक्रिया ज्यादातर मामलों में, यह कोड निश्चित रूप से काम करेगा। इस विशिष्ट मामले में, इसमें डेटाबेस संरचना का अभाव है, साथ ही प्रत्येक उपयोगकर्ता के पास कौन से फ़ील्ड हैं, जैसे नाम और उपनाम। इसलिए आपको यह ध्यान रखना चाहिए कि वर्तमान में ChatGPT आपको एक पूर्ण कोड प्रदान नहीं करता है जिसका उपयोग शेल्फ से किया जा सकता है। इसके लिए मैं जो उपयोग मामला देख सकता हूं, वह PHP या उसके ढांचे को सीखने में जूनियर स्तर के डेवलपर्स का समर्थन करना और प्रक्रिया को थोड़ा तेज करना है। जबकि कोड स्वयं वाक्यात्मक रूप से सही तरीके से लिखा गया है, इसमें सुधार करने के लिए बहुत सी चीजें हैं। एंटोन लोगविनेंको PHP/DevOps ग्रुप लीडर : "एक PHP कोड लिखें जो लेख संसाधन के लिए CRUD समापन बिंदुओं के साथ REST API को लागू करता है"। अनुरोध : चैटजीपीटी प्रतिक्रिया फिर से, मॉडल क्या सुझाव देते हैं, यह देखते हुए, कोड PHP में शुरुआती स्तर के प्रयास की तरह दिखता है, लेकिन यदि आप डेटाबेस सेट अप करते हैं, एक्सेस कॉन्फ़िगर करते हैं और इसी तरह यह सबसे अधिक काम करेगा। हालांकि यह कोड एक इंटर्न PHP डेवलपर के स्तर पर लिखा गया है, यह उपलब्ध किसी भी ढांचे का उपयोग नहीं करता है, और यह अनुकूलित नहीं है और न ही आप इसे आसानी से पूरे एप्लिकेशन में स्केल कर सकते हैं। इसके अतिरिक्त, SQL इंजेक्शन के रूप में संभावित सुरक्षा खतरे हैं, जिसके लिए ChatGPT जगह छोड़ता है, जो किसी भी मामले में अच्छा नहीं है। एंटोन लोगविनेंको PHP/DevOps ग्रुप लीडर : चैटजीपीटी प्रतिक्रिया इस उदाहरण के पहले प्रयास में, मैं चाहता था कि ChatGPT प्रदान किए गए उदाहरण के आधार पर वस्तुओं का वृक्ष उत्पन्न करे। हालाँकि, आउटपुट कचरा कोड निकला, और मुझे लगा कि मैंने यह निर्दिष्ट नहीं किया है कि यह प्रॉम्प्ट में एक पेड़ है। तो दूसरे प्रयास में मैंने आउटपुट के रूप में मुझे जो चाहिए उसका स्पष्टीकरण जोड़ा है। एंटोन लोगविनेंको PHP/DevOps ग्रुप लीडर : चैटजीपीटी प्रतिक्रिया दूसरे प्रयास में, चैटजीपीटी ने कार्य पूरा किया और कोड गुणवत्ता को छोड़कर पेड़ ठीक दिखता है। इस छोटे से प्रयोग से हम क्या निष्कर्ष निकाल सकते हैं? जाहिर है, चैटजीपीटी अभी तक सॉफ्टवेयर इंजीनियरों को बदलने में सक्षम नहीं है क्योंकि कोड लेखन का दृष्टिकोण और गुणवत्ता अभी भी बहुत उथली है। लेकिन दिन के अंत में, समय के साथ इस चीज में निश्चित रूप से सुधार देखने को मिलेगा। अभी के लिए, स्वचालित कोड लेखक के रूप में चैटजीपीटी के बारे में बात करना जल्दबाजी होगी। एंटोन लोगविनेंको PHP/DevOps ग्रुप लीडर यदि आप कोडिंग वर्कफ़्लोज़ को आंशिक रूप से स्वचालित करने और अपने डेवलपर्स का समर्थन करने के विकल्पों पर विचार कर रहे हैं, तो हम उपयोग करने की अनुशंसा करेंगे। Copilot वास्तविक समय में कोड स्निपेट और फ़ंक्शंस का सुझाव देने के लिए OpenAI कोडेक्स का उपयोग करता है, और यह मध्य-स्तर/वरिष्ठ सॉफ़्टवेयर इंजीनियरों द्वारा बेहतर गुणवत्ता वाले कोड के साथ अधिक उपयोगी साबित हुआ। कोड को पूरा करने के लिए केवल Googling की तुलना में, Copilot बहुत तेज़ वर्कफ़्लो को सक्षम करता है, इसलिए इस समय ChatGPT जो सुझाव दे सकता है, उसके बेहतर विकल्प के रूप में आता है। कोपिलॉट का 3. GPT मॉडल की मदद से AI पाइपलाइन बनाना यह देखते हुए कि हम जानते हैं कि GPT मॉडल अधिकांश NLP कार्यों को पूरा कर सकते हैं, हम इसे आपके अपने भाषा मॉडल के प्रशिक्षण के विकल्प के रूप में सोच सकते हैं। इस परंपरा का पालन करते हुए, मैं चैटजीपीटी से सवाल करके मूल बातें प्रदान करूंगा कि कस्टम एनएलपी मॉडल को प्रशिक्षित करने की तुलना में यह एक बेहतर विकल्प क्यों हो सकता है: इस दृष्टिकोण की सीमाओं को समझना महत्वपूर्ण है। चूंकि GPT मॉडल के पास रीयल-टाइम डेटा तक पहुंच नहीं है, वे प्रारंभिक डेटा संग्रह के बिना केवल कुछ सेवा को किकस्टार्ट करने में आपकी सहायता कर सकते हैं। समय के साथ, आप उपयोगकर्ताओं के साथ मॉडल की बातचीत से लाइव डेटा एकत्र करने में सक्षम होंगे, लेकिन यह सभी विशिष्ट एनएलपी कार्यों के लिए हॉटफिक्स के रूप में काम नहीं करता है। इसके बजाय, हम डेटा विज्ञान में अन्य अनुप्रयोग क्षेत्रों के बारे में सोच सकते हैं जहाँ GPT मॉडल का उपयोग किया जा सकता है। चैटजीपीटी के साथ टेबल डेटा को प्रोसेस करना एक वर्गीकरण, प्रतिगमन, या पूर्वानुमान मॉडल बनाने के लिए, हमें खोजपूर्ण डेटा विश्लेषण (ईडीए) चरणों के माध्यम से चलने की जरूरत है। EDA हमें डेटा में विभिन्न विशेषताओं के बीच संबंधों को खोजने की अनुमति देता है, और इस या उस विषम व्यवहार के कारण को समझने के लिए अंतर्दृष्टि और आउटलेयर को निरूपित करता है। इसलिए अधिकांश डेटा विज्ञान परियोजनाओं के लिए 4 चरणों को पूरा करने की आवश्यकता होगी: GPT मॉडल की मदद से, उपरोक्त पाइपलाइन को GPT मॉडल के लिए एक अच्छी तरह से तैयार किए गए अनुरोध के लिए नीचे उतारा जा सकता है। उदाहरण के लिए, आइए इस अनुरोध का उपयोग अमेज़ॅन की बिक्री संख्या के बारे में तिमाहियों के आधार पर करें, और चैटजीपीटी से इस जानकारी से अंतर्दृष्टि निकालने के लिए कहें। और यहां, हम देख सकते हैं कि पहले प्रस्तुत किए गए डेटा के आधार पर चैटजीपीटी क्या अंतर्दृष्टि और निष्कर्ष लेकर आया था: : चैटजीपीटी प्रतिक्रिया "अंतर्दृष्टि: Q4 में Amazon की शुद्ध बिक्री में 38% YoY की वृद्धि हुई Q1 में, शुद्ध बिक्री में 26% की वृद्धि हुई Q2 में इसमें 40% YoY की वृद्धि हुई दूसरी तिमाही में इसमें 40% की वृद्धि हुई, और तीसरी तिमाही में इसमें 37% की वृद्धि हुई निष्कर्ष (कारण): यह ध्यान रखना महत्वपूर्ण है कि COVID-19 महामारी का अमेज़न की बिक्री पर महत्वपूर्ण प्रभाव पड़ा, क्योंकि भौतिक स्टोर बंद होने के दौरान अधिक लोगों ने ऑनलाइन खरीदारी की ओर रुख किया। इसके अतिरिक्त, अमेज़ॅन के एडब्ल्यूएस और विज्ञापन सेगमेंट में भी 2020 में महत्वपूर्ण वृद्धि हुई थी। मॉडल का आउटपुट गुणवत्ता में भिन्न हो सकता है, इसलिए इसे प्रारंभिक संकेत के पर्यवेक्षण या परिशोधन की आवश्यकता होती है। हालांकि, ईडीए चरण को आसान बनाने और डेटा विज्ञान पाइपलाइन कार्यों को संभावित रूप से स्वचालित करने के लिए ऐसी क्षमताओं को आसानी से लागू किया जा सकता है। 5. अनुशंसा प्रणाली के लिए चैटजीपीटी अनुशंसा प्रणाली या अनुशंसाकर्ता इंजन विभिन्न प्लेटफार्मों पर और विभिन्न अनुप्रयोगों के भीतर खोज इंजनों के समान सामान्य हो गए हैं। अनुशंसाएँ एक बहुत ही महत्वपूर्ण कार्य करती हैं: प्रत्येक ग्राहक की प्राथमिकताओं को समझना, प्रासंगिक सामग्री का सुझाव देना और ग्राहक को यथासंभव लंबे समय तक प्लेटफ़ॉर्म पर रखना। लेकिन, प्रतिस्पर्धात्मक लाभ के बावजूद सिफ़ारिश करने वाली प्रणालियाँ प्रदान कर सकती हैं, यह तथ्य कि हम डेटा एकत्र किए बिना एक मॉडल का निर्माण नहीं कर सकते हैं, एक कामकाजी मॉडल का प्रयोग और प्रशिक्षण एक प्रमुख कारण प्रतीत होता है कि हर कोई सिफारिशें नहीं कर सकता। अनुशंसा शुरू करने के लिए, हमें आम तौर पर पहले अपनी सामग्री से संबंधित डेटा एकत्र करने की आवश्यकता होती है, और फिर विधिपूर्वक ट्रैक करें कि हमारे ग्राहक किस सामग्री श्रेणी की ओर आकर्षित होते हैं। इस स्थिति में, हम अनुशंसा इंजनों के विकल्प के रूप में चैटजीपीटी का उपयोग कर सकते हैं, क्योंकि इसके अंदर पहले से ही टन डेटा है। हालांकि यह आपकी सामग्री के लिए ठीक नहीं है और यह आपके उपयोगकर्ताओं के खोज इतिहास को नहीं जानता है, लेकिन जब हम पर्याप्त विशिष्ट संकेतों का उपयोग करते हैं तो यह काफी विशिष्ट अनुशंसाएं प्रदान कर सकता है। उदाहरण के लिए, हमने इस प्रकार के प्रयोग किया: “मैं एक यात्रा करना चाहता हूँ। मेरा एक 2 साल का बच्चा है और मुझे समुद्र के पास समय बिताना अच्छा लगता है। मेँ कहां जाऊं?"। यहाँ आउटपुट है: अनुरोध का : “2 साल के बच्चे के साथ यात्रा करना और समुद्र के पास समय बिताना एक अच्छा विचार हो सकता है। यहां गंतव्यों के लिए कुछ सुझाव दिए गए हैं जो आपके और आपके परिवार के लिए उपयुक्त हो सकते हैं: ChatGPT की प्रतिक्रिया कैलिफोर्निया के समुद्र तट: कैलिफोर्निया के समुद्र तट सूरज, रेत और समुद्र का एक शानदार संयोजन पेश करते हैं। कुछ लोकप्रिय स्थलों में सांता मोनिका, हंटिंगटन बीच और न्यूपोर्ट बीच शामिल हैं। फ्लोरिडा के समुद्र तट: फ्लोरिडा मियामी बीच, सिएस्टा की और क्लियरवॉटर बीच सहित कई खूबसूरत समुद्र तटों का घर है। हवाई के समुद्र तट: हवाई के समुद्र तट अपने साफ पानी और नरम, सफेद रेत के लिए प्रसिद्ध हैं। कुछ लोकप्रिय स्थलों में वाइकीकी बीच, कानापाली बीच और पोइपू बीच शामिल हैं। कैरेबियन के समुद्र तट: कैरिबियन कई खूबसूरत समुद्र तटों का घर है, जिनमें जमैका में सेवन माइल बीच, अरूबा में ईगल बीच और तुर्क और कैकोस में ग्रेस बे शामिल हैं। भूमध्य सागर के समुद्र तट: स्पेन, ग्रीस और इटली जैसे भूमध्यसागरीय देश कई खूबसूरत समुद्र तटों का घर हैं। कुछ लोकप्रिय स्थलों में मल्लोर्का में प्लाया डी मुरो, ग्रीस में मायकोनोस और इटली में पॉसिटानो शामिल हैं। यह ध्यान देने योग्य है कि ये गंतव्य वयस्कों और बच्चों दोनों के लिए कई अन्य गतिविधियाँ और आकर्षण प्रदान करते हैं, जैसे तैराकी, धूप सेंकना, पानी के खेल, खेल के मैदान और थीम पार्क। निर्णय लेने से पहले मौसम, सुरक्षा और पहुंच जैसे अन्य कारकों पर विचार करना भी महत्वपूर्ण है।" यदि हम विवरण जोड़कर अपना अनुरोध निर्दिष्ट करते हैं, तो यहां बताया गया है कि उत्तर कैसा दिखाई दे सकता है: : “मैं एक यात्रा करना चाहता हूँ। मेरा एक 2 साल का बच्चा है और मुझे समुद्र के पास समय बिताना अच्छा लगता है, मेरे पास 3000 डॉलर हैं। मेँ कहां जाऊं?"। निवेदन : चैटजीपीटी प्रतिक्रिया "2 साल के बच्चे के साथ यात्रा करना और समुद्र के पास समय बिताना एक अच्छा विचार हो सकता है। अपनी यात्रा की योजना बनाते समय अपने बजट पर विचार करना महत्वपूर्ण है। यहां उन गंतव्यों के लिए कुछ सुझाव दिए गए हैं जो आपके और आपके परिवार के लिए आपके बजट में उपयुक्त हो सकते हैं: मेक्सिको के समुद्र तट: मेक्सिको सूरज, रेत और समुद्र का एक शानदार संयोजन प्रदान करता है। कुछ लोकप्रिय स्थलों में कैनकन, प्लाया डेल कारमेन और प्यूर्टो वालार्टा शामिल हैं। मध्य अमेरिका के समुद्र तट: कोस्टा रिका, पनामा और निकारागुआ जैसे देशों में सुंदर समुद्र तट, शानदार मौसम और बजट के अनुकूल हैं। दक्षिण पूर्व एशिया के समुद्र तट: थाईलैंड, वियतनाम और फिलीपींस जैसे देशों में खूबसूरत समुद्र तट, शानदार मौसम और बजट के अनुकूल हैं। कैरेबियन के समुद्र तट: डोमिनिकन गणराज्य, जमैका और क्यूबा जैसे कुछ कैरेबियाई गंतव्य बजट के अनुकूल हैं और सुंदर समुद्र तट हैं। यह ध्यान देने योग्य है कि ये गंतव्य वयस्कों और बच्चों दोनों के लिए कई अन्य गतिविधियाँ और आकर्षण प्रदान करते हैं, जैसे तैराकी, धूप सेंकना, पानी के खेल, खेल के मैदान और थीम पार्क। इसके अलावा, 2 साल के बच्चे के साथ यात्रा करते समय, पहुंच, सुरक्षा और अच्छी गुणवत्ता वाले आवास और सेवाओं की उपलब्धता पर विचार करना महत्वपूर्ण है, जैसे कि अच्छे अस्पताल और चाइल्डकैअर सुविधाएं। जैसा कि आप देख सकते हैं कि आउटपुट हमारे द्वारा अनुरोध के रूप में प्रदान किए गए मापदंडों के आसपास नहीं बनाया गया है, क्योंकि मॉडल प्रारंभिक संकेत से आगे जाने की कोशिश करता है। और यहां तक कि वे कच्चे परिणाम भी दर्जनों फिल्टर लगाकर सामग्री खोजने की कोशिश से बेहतर प्रदर्शन कर सकते हैं, क्योंकि संतोषजनक परिणाम प्राप्त करने के लिए मानव को सही शब्दों का उपयोग करने की आवश्यकता होती है। यह मूल रूप से मानक दृष्टिकोणों पर एनएलपी-आधारित अनुशंसाओं का प्रमुख लाभ है। कंप्यूटर विजन कार्यों के लिए चैटजीपीटी का उपयोग करना चूँकि GPT मॉडल को टेक्स्ट डेटा पर प्रशिक्षित किया जाता है, यह स्पष्ट है कि हम कंप्यूटर विज़न मॉडल को इस तरह से बदल नहीं सकते हैं। हालाँकि, ChatGPT कंप्यूटर विज़न पाइपलाइन के कुछ हिस्सों के कार्यान्वयन को सरल बना सकता है जैसे: ज्ञात छवियों के लिए रंग पहचान छवि समानता, उदाहरण के लिए रंग या टाइपोग्राफी द्वारा मैकडॉनल्ड्स के समान लोगो ऑब्जेक्ट डिटेक्शन, उदाहरण के लिए फोटो, ग्राफिक सामग्री, ब्रांड प्रतीकों आदि पर चित्रित वस्तु की पहचान करना। ऑप्टिकल कैरेक्टर रिकग्निशन या ओसीआर विभिन्न क्षेत्रों में कंप्यूटर विज़न मॉडल के लिए डेटा का विश्लेषण और तैयारी करते समय ChatGPT द्वारा प्रदान की गई जानकारी उपयोगी हो सकती है। उदाहरण के लिए, OCR कार्यों में, मॉडल का उपयोग चित्र से पाठ को खींचने के लिए किया जा सकता है, जैसे ID कार्ड पहचान में। प्रशिक्षण के लिए डेटा तैयार करने में यह एक अलग कदम है। चूंकि प्रत्येक देश में आईडी कार्ड का अपना प्रारूप और अलग-अलग क्षेत्र होते हैं, आईडी कार्ड को पहचानने का कार्य बहुत संसाधन गहन हो सकता है। GPT मॉडल के साथ, हम छवियों से पाठ्य डेटा निकालने के लिए आवश्यक समय को कम कर सकते हैं, क्योंकि ChatGPT पाइपलाइन का कुछ हिस्सा अपने आप ले सकता है। शीघ्र इंजीनियरिंग का महत्व और GPT मॉडल का भविष्य प्रांप्ट इंजीनियरिंग मूल रूप से वर्किंग इनपुट टेक्स्ट बनाने का अनुशासन है जो एक तकनीकी कार्य की तरह GPT मॉडल को पास किया जाता है। आउटपुट हमेशा इस बात पर निर्भर करेगा कि आप कैसे समझाते हैं कि आपको क्या चाहिए, और इसमें यह समझना शामिल है कि आपके अनुरोध के प्रत्येक पहलू को इंगित करने का सबसे अच्छा तरीका क्या है ताकि मॉडल आपके लिए कुछ फ्रेंकस्टीन का उत्पादन न करे। जीपीटी मॉडल के तेजी से विकास के कई बुनियादी सिद्धांत हैं: : संकेत जितना अधिक विशिष्ट होगा, उत्पन्न पाठ उतना ही अधिक प्रासंगिक होगा। विशिष्ट रहें : मॉडल में जितना अधिक संदर्भ होगा, GPT मॉडल के लिए कार्य उतना ही स्पष्ट होगा। प्रॉम्प्ट उसी भाषा में और उसी शब्दावली में सेट करें (डोमेन क्षेत्र की सुविधाओं का उपयोग करके) जिसमें आप उत्तर प्राप्त करना चाहते हैं। संदर्भ को परिभाषित करें : लंबे और अधिक विशिष्ट संकेतों से अधिक सटीक और प्रासंगिक उत्तर मिल सकते हैं, लेकिन मॉडल प्रबंधन भी जटिल हो सकता है। कुछ मामलों में, जटिल और लंबे संकेत मॉडल को एक अधूरी प्रतिक्रिया को तोड़ने और लिखने के लिए ट्रिगर कर सकते हैं, जिसे हमने अपने परीक्षण के दौरान कई बार अनुभव किया है। शीघ्र लंबाई और विशिष्टता के बीच एक समझौता खोजें निम्नलिखित सभी उदाहरण ChatGPT का पूर्व-रिलीज़ चरण पर शोषण करके बनाए गए थे, और यह अपने पूर्ववर्तियों की तुलना में बहुत बेहतर परिणाम दिखाता है। हालाँकि, GPT 4 मॉडल की घोषणा OpenAI द्वारा 2023 की पहली तिमाही में की गई है, और यह GPT 3 की तुलना में 500 गुना अधिक डेटा नमूनों का उपयोग करता है। इसलिए रिलीज़ की तारीखों पर नज़र रखना भी समझदारी है और स्थिति बहुत गतिशील है और आप पसंद कर सकते हैं आपके उत्पाद के लिए OpenAI द्वारा भविष्य के मॉडल। GPT मॉडल का मुख्य लाभ प्रारंभिक बड़ी मात्रा में डेटा के बिना किसी समस्या को हल करने के तरीके खोजने की क्षमता है। जाहिर है, ऐसे मॉडल वांछित कार्यक्षमता को पूरी तरह से प्रतिस्थापित नहीं कर सकते हैं। हालांकि, उत्पाद के पहले पुनरावृत्तियों में, ऐसे मॉडलों का उपयोग विकास शुरू करने में मदद करता है, उपयोगकर्ताओं को कस्टम डेटा एकत्र करते समय एक सेवा प्रदान करता है। भी प्रकाशित हुआ। यहाँ