මම මෑතකදී OpenAI සහයෝගික පාඨමාලාව සම්පූර්ණ කරලා Technical Practitioner සහතිකය ලබා දුන්නා. පාඨමාලාවේ බොහෝමයක් පද්ධති මට්ටමේ සහ වෙළෙඳපොළට යන මාතෘකාවන්ට අවධානය යොමු කර ඇත - RAG වැඩපිළිවෙළ, API වේදිකාව, ආකෘති වෙනස, සුපිරි සැකසුම්, Custom GPTs, Gardrails සහ ව්යාපාරික වටිනාකමක් පද්ධති. මේ හැම දෙයක්ම වැදගත්. නමුත් මෙම තැපැල් තුළ, මම හැමදාම පරිශීලකයින් සඳහා අදාළ වන මගේ "අසා" මොහොත සහ දර්ශන කිහිපයක් බෙදා ගැනීමට කැමතියි. ඔවුන් ආරම්භක මට්ටමේ උනන්දුවක් අතහැරීම, පද්ධතිය සැබෑවටම ක්රියා කරන ආකාරය තේරුම් ගැනීම සහ සෑම දිනකම සිතුවිලි සහ කාර්යයන් තුළ වඩාත් අනුකූල ප්රතිඵල ලබා ගැනීමට එම තේරුම් ගැනීම භාවිතා කිරීම ගැන. පහත දැක්වෙන දේ වන්නේ GPT වෙතින් දුෂ්කර සූදුවෙන් විශ්වාසදායක මෙවලමක් බවට පත් කරන විස්මිත පරීක්ෂණ ලැයිස්තුවකි. 1.When GPT “gets dumber”: සබැඳි වින්ඩෝලය සැබෑ බෝතලයක් වේ සෑම ආකෘතියකටම සබැඳි වින්ඩෝස් ඇත (මෙය මිනීමැරුම් නොමිලේ වචන කීපයක් කියවනවා නම්, ඒ වචන දහස් ගණනක් කියවනවා. tokens මෙම ජනේලයේ ඇතුළත් වේ: ඔබගේ උපදෙස්, ඔබ upload කර ඇති ඕනෑම ගොනු, ආදර්ශයේ පෙර ප්රතිචාර, සංවාදය ඉතිහාසය. අංගයක් දිගු වන විට හෝ ඔබේ කාර්යය සංකීර්ණ වන විට, ආකෘතිය විස්තර අඩු කිරීමට පටන් ගනී.එය පෙර සීමාවන් නොසලකා, සංකේත අමතක හෝ ඔබ සකස් කර ඇති දේවල් විරුද්ධ විය හැකිය. What to do instead: 
 
 
 
 විශාල කාර්යයන් වාර ගණනකට බෙදා හැරීම (පිරිතැවිලි තොරතුරු පැකේජවල). සාමාන්යයෙන් "කාර්යක්ෂම අනුමැතිය" සකස් කරන්න සහ GPT විසින් ඒවා භාවිතා කරන බව තහවුරු කරන්න. දිගු ව්යාපෘති සඳහා, චැට් සිට ව්යාපාරික වැඩ ක්රියාවලිය වෙත මාරු කරන්න (එය ගැන වැඩි විස්තර අංක 7 හි). පර්ෆියුම් පර්ෆියුම් පර්ෆියුම් පර්ෆියුම් පර්ෆියුම් පර්ෆියුම් පර්ෆියුම් පර්ෆියුම් පාඨමාලාවේ වැදගත් අදහසක්: . models are products, not living systems ආකෘතිය නිදහස් කිරීමෙන් පසු, ආකෘතියගේ පුහුණු දත්ත බොහෝ විට සීතල වන අතර, කාලයත් සමඟ, දැනුම ස්වාභාවිකව අතුරුදහන් වේ - ආකෘතිය නරක නිසා නොවේ, නමුත් ලෝකය දිගටම ක්රියාත්මක වන නිසා. දිගින් දිගටම වැඩි දියුණු වන දේ වන්නේ ආකෘතිය වටා ඇති පද්ධතියයි: 
 
 
 
 වෙනස් ශක්තියක් ඇති නව ආකෘති හොඳම routing සහ orchestration පර්යේෂණ වැනි මෙවලම්, Runtime හි නව තොරතුරු ඉස්මතු කිරීම ඒ නිසාම තෝරා ගැනීම වඩාත් ගැඹුරු ආකෘති වඩාත් හොඳයි, නමුත් එය වේගවත් විය හැක. මම වේගය සහ කාලය පීඩනය යටතේ ප්රතික්රියාත්මක කිරීම සඳහා පරිශීලක කරන විට, මම වඩාත් වේගවත් ආකෘතිය වෙත මාරු වනු ඇත (උදාහරණයක් ලෙස, GPT-4o). මොන මොන මොන මොන මොන මොන මොන මොන මොන එය පහළ මට්ටමක නොවේ - එය සීමාකාරී තේරීමකි. සරල ස්වරූපයක් : If latency matters more than brilliance, switch models. If correctness matters more than speed, slow down. Prompt ඉංජිනේරු කිරීම හැකර් නොවේ - එය හොඳ නිෂ්පාදන අවශ්යතා පමණි හදිසි ඉංජිනේරු සද්දයක්, නමුත් එය මූලික වශයෙන්: ඔබේ ආදායම් ව්යුහය ආකෘතියගේ සිතුවිලි ව්යුහය බවට පත් වේ. උදාහරණයක් වහාම ගොඩනැගිල්ල ඇතුළත් කිරීමට, නිදහසේ මිශ්ර හා ගැලපෙන විට: 
 
 
 
 
 
 
 චරිතය: මොන වගේ චරිතයක්ද මේ චරිතය කරන්නේ? ඉලක්කය: ඔබට අවශ් ය ප් රතිඵල මොනවාද? සීමා: ඇත්ත විය යුතු කුමක්ද? පසුබිම: මොන ආකාරයේ පසුබිම අවශ් යද? Quality Bar: ඔබ සාර්ථකත්වය තීරණය කරන්නේ කෙසේද? ප්රතිදාන ආකෘතිය: මාතෘකා, බෝල, ටැබ්ලට්, කේතය ආදිය ඔබ දැනටමත් "හොඳ" පෙනුම දන්නවා නම්, කුඩා උදාහරණයක් එකතු කිරීමෙන් ගුණාත්මකභාවය පුළුල් විය හැකිය. බොහෝ සැබෑ ප්රශ්න සඳහා, ප්රවේශය ප්රතිචාරයට වඩා වැදගත් රැකියාවේ බොහෝ ප්රශ්නවලට එකම නිවැරදි පිළිතුරක් නොමැත. ඔබ ප්රතිඵලයක් ඉල්ලන්නේ නම්, ඔබට විශ්වාසදායක ප්රතිඵලයක් ලැබෙනු ඇත - සමහර විට පිටුපස අවුල් සංකල්පයක් සහිතව. ඒ වෙනුවට, framework ඉල්ලන්න: “ඔබගේ ප්රවේශ පියවර / තීරණාත්මක පද්ධතිය මට පෙන්වන්න. ඔබ මෙම ප්රවේශය තෝරා ගත්තේ ඇයි යන්න පැහැදිලි කරන්න.” මේ නිසා GPT එක වෙනස් වෙන්නේ autocomplete tool එකකින්. : thinking amplifier 
 
 
 
 ඔබ ඉක්මනින් විනිශ්චය කළ හැකිද ඔබගේ ලෝකය සමඟ අනුකූල බව blind spots දකින්න පුළුවන් ඔබ ප්රවේශය මත iterate කළ හැකිය - නිෂ්පාදන පමණක් නොවේ නිවැරදිත්වය: GPT ඉතා වැරදි විය හැක, ඉතා මෘදු GenAI හොඳින් නිෂ්පාදනය කිරීම සඳහා විශිෂ්ට වේ.එය ඔබට එය කොතරම් විශ්වාසදායක විය යුතුද කියා කියන්න හොඳ නැත. එබැවින් ඔබ සමහර වෙලාවට ප්රතිචාර ලැබෙනු ඇත, පොරොන්දුව, බලවත්, සහ සම්පූර්ණයෙන්ම නිෂ්පාදනය. එසේම: ඔබේ වේගය මෙය බලපායි. 
 
 
 Vague prompt → වැඩි නිර්මාණශීලීත්වය → ඉහළ අවදානම Precise prompt → narrower search space → අඩු අවදානම නිවැරදිතාවය වැදගත් නම්, මම සැබවින්ම calibration ඉල්ලා සිටිමි: 
 
 
 
 “අපේක්ෂිත ප් රකාශනවලට පමණක් අවධානය යොමු කරන්න.” "ඔබ නිශ්චිත නම්, එය පැහැදිලිව ලියාපදිංචි කරන්න. " “මගේ සෑම ප් රකාශයක්ම තහවුරු කරන්නේ කෙසේද (උදාහරණ, පරීක්ෂණ, හෝ අත්හදා බැලීම්).” ඒ වෙනසෙන් “අනිත්කමක්” ප් රශ්නය අඩුවෙනවා. Search engines vs. GPT: ඔවුන් විවිධ ප්රශ්න විසඳයි ඉහළ මට්ටමකදී, සෙවුම් යන්ත්ර සහ GPT විවිධ දේවල් සඳහා අවධානය යොමු කරයි. සෙවුම් යන්ත්ර Do GPT මත පදනම් (ගැලපෙන විගණක සෙවීමක් ලෙස හැඳින්වේ) ඔබ සපයන පරිච්ඡේදයට අමතරව, පසුව වඩාත් සාධාරණ දිගුකාලීනයක් නිර්මාණය කරයි. keyword matching + ranking semantic similarity Use a traditional search engine when you need: 
 
 
 
 නිශ්චිත වෙබ් පිටුව හෝ ලේඛනයක් පවතී ලියවිල්ල ප් රචණ්ඩත්වයක් සහිත සාක්ෂි Use GPT when you need: 
 
 
 
 
 සම්මත කිරීම හෝ සම්මත කිරීම සමාන කිරීම සහ tradeoff විශ්ලේෂණය පරිවර්තනය හෝ restructuring සිතුවම්, සැලැස්ම, හෝ තීරණය සහාය ඔව් GPT නමුත් එය බොහෝ විට overkill වේ.If you are even slightly environmentally conscious, it’s like cutting down a forest just to start a campfire: more compute, more energy, and more power. සෑම විටම වඩා හොඳ ප් රතිඵල හැකි not නවතම විශේෂාංග “අපේ” නොවේ – ඔවුන් ඔබ වැඩ කරන ආකාරය වෙනස් කරයි චැට් වේගවත් Q & A සඳහා විශිෂ්ට වේ, නමුත් සැබෑ වැඩ iterative වේ. Canvas: chat mode වෙනුවට edit mode Canvas යනු දිගු ආකෘති ලිවීමේ හෝ කේතය සඳහා වන අතර, ඔබ නැවත නැවත වරක් විනිවිද කිරීමට අවශ්ය වේ.ඔබ "වශ්ය ප්රශ්න අහන්නේ නැත" - ඔබ co-editing වේ. ව් යාපෘති: එකම පසුබිම නැවත පැහැදිලි කිරීම නවත්වන්න ව්යාපෘති අභ්යන්තරය ෆයිල්, පරිච්ඡේද සහ සංවාදය එකට තබා ගනී, එබැවින් ඔබ එකම ස්ථාපනය දිගින් දිගටම ඇණවුම් නොකරන්න. MCP: GPT යෙදුම් වේදිකාවක් ලෙස ක් රියා කිරීමට පටන් ගනී Model Context Protocol (MCP) යනු GPT හි යෙදුම් පරිසරයට වඩා සමීප දෙයක් බවට පත් කරයි – මෙවලම් සම්බන්ධ විය හැක, රැකියාව ක්රියාවලිය ස්වයංක්රීය කළ හැක. old SEO-driven discovery model gets disrupted. Rethink about marketing channels & budgets. Tool Use & Function Calling: ප්රතිචාර වලින් ක්රියා වලට වර්තමානයේ GPT පමණක් නොව, මෙවලම් ඇමතුම් කළ හැකිය, කේතය ක්රියාත්මක කළ හැකිය, පර්යේෂණ පද්ධති, සහ ව්යුහගත ප්රතිඵල ලබා ගත හැකිය. "අපි හිතන්න උදව් කරන්න" සහ "අපි ක් රියාත්මක කරන්න උදව් කරන්න" අතර වෙනස මෙයයි.ඔබ නිවැරදි පරිගණකයක් නිර්මාණය කළ පසු, ආකෘතිය සැබෑ රැකියාව ක්රියාවලියක කොටසක් බවට පත් වේ, පමණක් නොව විවේචන සහකරු බවට පත් වේ. මතකය සහ උපදෙස්: අඩු ප්රතිපත්තිය, වැඩි දිගුකාලීනත්වය දිගුකාලීන උපදෙස් සහ සරල මතකය නිසා, ආකෘතිය කාලය තුළදී ප්රවේශයන්, ටොන් සහ ක්රියාකාරී අනුමැතිය ඉතිරි කළ හැකිය. හොඳින් භාවිතා කළහොත්, මෙය ස්ථාපනය කිරීමේ වියදම අඩු කරයි.සහවණින් භාවිතා කළහොත්, එය නරක අනුමැතියකින් වළක්වා ගත හැකිය - එබැවින් එය සැලකිලිමත් ලෙස සමාලෝචනය හා නැවත ස්ථාපනය කළ යුතු දෙයක්. (ඔබ නිෂ්පාදිතය තුළ වැඩ කරන්නේ නම්, මෙම සම්පූර්ණ කොටස විශේෂාංග ගැන අඩුයි, මෘදුකාංග නිර්මාණය කරන ආකාරයේ වෙනසක් ගැන.) 8.The most undervalued skill: ඉගෙන ගන්න “calibrate” model හොඳම ප්රතිඵල ලැබෙන අය GPT එක විකුණන යන්ත්රයක් ලෙස ප්රතිකාර කරන්නේ නැහැ. ප් රායෝගික පියවරක් : 
 
 
 
 
 
 Quality Bar (What Does “Good” Mean) ප් රචණ්ඩත්වය (Surface Assumptions) Stress test (counterarguments, edge cases, what would change the answer?) පරීක්ෂා කිරීම (උදාහරණ, දත්ත, ඉක්මන් පර්යේෂණ) Iterate (tighten සීමාවන් සහ ආකෘති) එවිට GPT එක දිගින් දිගටම ප් රයෝජනවත් වේ - ඔබ ක්රියාවලිය පාලනය කරන නිසා, එක් එක් ප්රවේශයක් මත සූදුවක් නොවේ. Modes ගැන හිතන්න සරල ක් රමයක්: 
 
 
 
 චැට් → කටහඬින් හිතන්න (සංස්කරණය, සකස් කිරීම, අදහස් කිරීම) Canvas → Shaping the work (editing, refining, iterating) Codex → වැඩ ක්රියාත්මක කිරීම (විශේෂ කේත කාර්ය, නැවතත් කළ හැකි ක්රියාකාරකම්) Codex වැනි මෙවලම් ආලෝකය වන්නේ මෙහිදීය: කාර්යය පැහැදිලිව සකසන විට සහ පරිගණකය ක්රියාත්මක කිරීම (විශේෂයෙන් කේතය සඳහා) වටා නිර්මාණය කරන විට, ආකෘතිය චැට් සහායකයක් වන අතර විශ්වාසනීය යුගල වැඩසටහන්කරුවෙකු ලෙස හැසිරීමට පටන් ගනී. අවසාන වශයෙන් වඩා හොඳ ප්රතිචාර ඉල්ලන්න නවත්තන්න - වඩා හොඳ සන්නිවේදන නිර්මාණය කිරීම ආරම්භ කරන්න.මේ කිසිවක් යෙදුම් ගොඩනඟා ගැනීම හෝ API ඇමතුම් කිරීම අවශ්ය නොවේ - එය ඔබ දැනටමත් භාවිතා කරන පද්ධති මෙන් ටිකක් වඩා හිතන්න ඉගෙනීම ගැන. ඔබ වෙනත් උපදෙස්, රැකියාව ක්රියාකාරකම්, හෝ කුඩා හැකර් සොයා බැලුවහොත්, සැබෑ වැඩ වලදී GPT හි ප්රයෝජනවත්තාවය වැඩි දියුණු කිරීම සඳහා - බුද්ධිමත් උපදෙස් පමණක් නොව - මම ඒවා ඇසීමට කැමතියි.

Read My Stories

මෙම ශ්‍රව්‍යය කතාවේ මුල් භාෂාවෙන් නිෂ්පාදනය කර ඇත!

GPT සමඟ වඩාත් විශ්වාසදායක ප්රතිඵල සඳහා ප්රායෝගික පරීක්ෂණ ලැයිස්තුව

About Author

අදහස්

ටැග් එල්ලන්න

මෙම ලිපිය ඉදිරිපත් කරන ලදී

Related Stories

AN INDIAN'S TREACHERY

Technology's 24 Most Important Social Networks for Content Distribution

Streamlining the API Lifecycle: Interview with Startups of The Year 2024 Nominee, Ambassador

Verified Writers

AN INDIAN'S TREACHERY

Technology's 24 Most Important Social Networks for Content Distribution

Streamlining the API Lifecycle: Interview with Startups of The Year 2024 Nominee, Ambassador

Verified Writers

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps