ਛੋਟਾ ਜਵਾਬ: AI ਉਦੋਂ ਜ਼ਿਆਦਾ ਵਿਕਦਾ ਹੈ ਜਦੋਂ ਇਸਨੂੰ ਨਿਰਦੋਸ਼, ਹੱਥ-ਮੁਕਤ, ਜਾਂ ਨੌਕਰੀ-ਬਦਲਣ ਵਾਲੇ ਵਜੋਂ ਮਾਰਕੀਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ; ਜਦੋਂ ਡਰਾਫਟਿੰਗ, ਕੋਡਿੰਗ ਸਹਾਇਤਾ, ਟ੍ਰਾਈਏਜ, ਅਤੇ ਡੇਟਾ ਖੋਜ ਲਈ ਇੱਕ ਨਿਗਰਾਨੀ ਅਧੀਨ ਟੂਲ ਵਜੋਂ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ ਤਾਂ ਇਸਨੂੰ ਜ਼ਿਆਦਾ ਵਿਕਦਾ ਨਹੀਂ ਹੈ। ਜੇਕਰ ਤੁਹਾਨੂੰ ਸੱਚਾਈ ਦੀ ਲੋੜ ਹੈ, ਤਾਂ ਤੁਹਾਨੂੰ ਇਸਨੂੰ ਪ੍ਰਮਾਣਿਤ ਸਰੋਤਾਂ ਵਿੱਚ ਅਧਾਰਿਤ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਸਮੀਖਿਆ ਸ਼ਾਮਲ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ; ਜਿਵੇਂ-ਜਿਵੇਂ ਦਾਅ ਵਧਦਾ ਹੈ, ਸ਼ਾਸਨ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ।
ਇਸ ਤੋਂ ਬਾਅਦ ਤੁਸੀਂ ਜੋ ਲੇਖ ਪੜ੍ਹਨਾ ਪਸੰਦ ਕਰ ਸਕਦੇ ਹੋ:
ਮੁੱਖ ਗੱਲਾਂ:
ਜ਼ਿਆਦਾ ਬਿਆਨ ਦੇਣ ਵਾਲੇ ਸੰਕੇਤ : "ਪੂਰੀ ਤਰ੍ਹਾਂ ਖੁਦਮੁਖਤਿਆਰ" ਅਤੇ "ਜਲਦੀ ਹੀ ਪੂਰੀ ਤਰ੍ਹਾਂ ਸਹੀ" ਦਾਅਵਿਆਂ ਨੂੰ ਚਿੰਤਾਜਨਕ ਸਮਝੋ।
ਭਰੋਸੇਯੋਗਤਾ : ਭਰੋਸੇਮੰਦ ਗਲਤ ਜਵਾਬਾਂ ਦੀ ਉਮੀਦ ਕਰੋ; ਪ੍ਰਾਪਤੀ, ਪ੍ਰਮਾਣਿਕਤਾ ਅਤੇ ਮਨੁੱਖੀ ਸਮੀਖਿਆ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
ਚੰਗੇ ਵਰਤੋਂ ਦੇ ਮਾਮਲੇ : ਸਪੱਸ਼ਟ ਸਫਲਤਾ ਮਾਪਦੰਡਾਂ ਅਤੇ ਘੱਟ ਦਾਅ ਵਾਲੇ ਤੰਗ, ਦੁਹਰਾਉਣ ਯੋਗ ਕਾਰਜਾਂ ਦੀ ਚੋਣ ਕਰੋ।
ਜਵਾਬਦੇਹੀ : ਆਉਟਪੁੱਟ, ਸਮੀਖਿਆਵਾਂ, ਅਤੇ ਜਦੋਂ ਇਹ ਗਲਤ ਹੁੰਦਾ ਹੈ ਤਾਂ ਕੀ ਹੁੰਦਾ ਹੈ, ਇਸ ਲਈ ਇੱਕ ਮਨੁੱਖੀ ਮਾਲਕ ਨੂੰ ਨਿਯੁਕਤ ਕਰੋ।
ਸ਼ਾਸਨ : ਜਦੋਂ ਪੈਸਾ, ਸੁਰੱਖਿਆ, ਜਾਂ ਅਧਿਕਾਰ ਸ਼ਾਮਲ ਹੋਣ ਤਾਂ ਢਾਂਚੇ ਅਤੇ ਘਟਨਾ ਦੇ ਖੁਲਾਸੇ ਦੇ ਅਭਿਆਸਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ।
🔗 ਤੁਹਾਡੇ ਲਈ ਕਿਹੜਾ AI ਸਹੀ ਹੈ?
ਟੀਚਿਆਂ, ਬਜਟ ਅਤੇ ਆਸਾਨੀ ਨਾਲ ਆਮ AI ਟੂਲਸ ਦੀ ਤੁਲਨਾ ਕਰੋ।.
🔗 ਕੀ ਕੋਈ AI ਬੁਲਬੁਲਾ ਬਣ ਰਿਹਾ ਹੈ?
ਪ੍ਰਚਾਰ, ਜੋਖਮ, ਅਤੇ ਟਿਕਾਊ ਵਿਕਾਸ ਕਿਹੋ ਜਿਹਾ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ, ਦੇ ਸੰਕੇਤ।.
🔗 ਕੀ AI ਡਿਟੈਕਟਰ ਅਸਲ-ਸੰਸਾਰ ਵਰਤੋਂ ਲਈ ਭਰੋਸੇਯੋਗ ਹਨ?
ਸ਼ੁੱਧਤਾ ਸੀਮਾਵਾਂ, ਗਲਤ ਸਕਾਰਾਤਮਕ, ਅਤੇ ਨਿਰਪੱਖ ਮੁਲਾਂਕਣ ਲਈ ਸੁਝਾਅ।.
🔗 ਆਪਣੇ ਫ਼ੋਨ 'ਤੇ ਰੋਜ਼ਾਨਾ AI ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰੀਏ
ਸਮਾਂ ਬਚਾਉਣ ਲਈ ਮੋਬਾਈਲ ਐਪਸ, ਵੌਇਸ ਅਸਿਸਟੈਂਟ ਅਤੇ ਪ੍ਰੋਂਪਟ ਦੀ ਵਰਤੋਂ ਕਰੋ।.
ਜਦੋਂ ਲੋਕ ਆਮ ਤੌਰ 'ਤੇ ਕਹਿੰਦੇ ਹਨ ਕਿ "AI ਨੂੰ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹਾਈਪਾਈਡ ਕੀਤਾ ਗਿਆ ਹੈ" ਤਾਂ ਇਸਦਾ ਕੀ ਅਰਥ ਹੁੰਦਾ ਹੈ 🤔
ਜਦੋਂ ਕੋਈ ਕਹਿੰਦਾ ਹੈ ਕਿ AI ਨੂੰ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹਾਈਪਾਈਡ ਕੀਤਾ ਗਿਆ ਹੈ , ਤਾਂ ਉਹ ਆਮ ਤੌਰ 'ਤੇ ਇਹਨਾਂ ਵਿੱਚੋਂ ਇੱਕ (ਜਾਂ ਵੱਧ) ਬੇਮੇਲਤਾਵਾਂ 'ਤੇ ਪ੍ਰਤੀਕਿਰਿਆ ਕਰ ਰਹੇ ਹੁੰਦੇ ਹਨ:
-
ਮਾਰਕੀਟਿੰਗ ਵਾਅਦੇ ਬਨਾਮ ਰੋਜ਼ਾਨਾ ਹਕੀਕਤ।
ਡੈਮੋ ਜਾਦੂਈ ਲੱਗਦਾ ਹੈ। ਰੋਲਆਉਟ ਡਕਟ ਟੇਪ ਅਤੇ ਪ੍ਰਾਰਥਨਾ ਵਾਂਗ ਮਹਿਸੂਸ ਹੁੰਦਾ ਹੈ। -
ਸਮਰੱਥਾ ਬਨਾਮ ਭਰੋਸੇਯੋਗਤਾ
ਇਹ ਇੱਕ ਕਵਿਤਾ ਲਿਖ ਸਕਦਾ ਹੈ, ਇੱਕ ਇਕਰਾਰਨਾਮੇ ਦਾ ਅਨੁਵਾਦ ਕਰ ਸਕਦਾ ਹੈ, ਕੋਡ ਡੀਬੱਗ ਕਰ ਸਕਦਾ ਹੈ... ਅਤੇ ਫਿਰ ਵਿਸ਼ਵਾਸ ਨਾਲ ਇੱਕ ਨੀਤੀ ਲਿੰਕ ਦੀ ਖੋਜ ਕਰ ਸਕਦਾ ਹੈ। ਠੰਡਾ ਠੰਡਾ ਠੰਡਾ। -
ਤਰੱਕੀ ਬਨਾਮ ਵਿਹਾਰਕਤਾ
ਮਾਡਲਾਂ ਵਿੱਚ ਤੇਜ਼ੀ ਨਾਲ ਸੁਧਾਰ ਹੁੰਦਾ ਹੈ, ਪਰ ਉਹਨਾਂ ਨੂੰ ਉਲਝੀਆਂ ਕਾਰੋਬਾਰੀ ਪ੍ਰਕਿਰਿਆਵਾਂ ਵਿੱਚ ਜੋੜਨਾ ਹੌਲੀ, ਰਾਜਨੀਤਿਕ ਅਤੇ ਕਿਨਾਰੇ ਵਾਲੇ ਮਾਮਲਿਆਂ ਨਾਲ ਭਰਿਆ ਹੁੰਦਾ ਹੈ। -
"ਇਨਸਾਨਾਂ ਨੂੰ ਬਦਲੋ" ਬਿਰਤਾਂਤ
ਜ਼ਿਆਦਾਤਰ ਅਸਲ ਜਿੱਤਾਂ "ਪੂਰੇ ਕੰਮ ਨੂੰ ਬਦਲਣ" ਦੀ ਬਜਾਏ "ਔਖੇ ਹਿੱਸਿਆਂ ਨੂੰ ਹਟਾਉਣ" ਵਰਗੀਆਂ ਲੱਗਦੀਆਂ ਹਨ।
ਅਤੇ ਇਹੀ ਮੁੱਖ ਤਣਾਅ ਹੈ: AI ਸੱਚਮੁੱਚ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ, ਪਰ ਇਸਨੂੰ ਅਕਸਰ ਇਸ ਤਰ੍ਹਾਂ ਵੇਚਿਆ ਜਾਂਦਾ ਹੈ ਜਿਵੇਂ ਇਹ ਪਹਿਲਾਂ ਹੀ ਪੂਰਾ ਹੋ ਗਿਆ ਹੋਵੇ। ਇਹ ਪੂਰਾ ਨਹੀਂ ਹੋਇਆ। ਇਹ... ਪ੍ਰਗਤੀ ਅਧੀਨ ਹੈ। ਇੱਕ ਘਰ ਵਾਂਗ ਜਿਸ ਵਿੱਚ ਸ਼ਾਨਦਾਰ ਖਿੜਕੀਆਂ ਹਨ ਅਤੇ ਕੋਈ ਪਲੰਬਿੰਗ ਨਹੀਂ ਹੈ 🚽
ਵਧੇ ਹੋਏ AI ਦਾਅਵੇ ਇੰਨੀ ਆਸਾਨੀ ਨਾਲ ਕਿਉਂ ਹੋ ਜਾਂਦੇ ਹਨ (ਅਤੇ ਹੁੰਦੇ ਰਹਿੰਦੇ ਹਨ) 🎭
ਕੁਝ ਕਾਰਨ ਹਨ ਕਿ ਏਆਈ ਚੁੰਬਕ ਵਾਂਗ ਵਧੇ ਹੋਏ ਦਾਅਵਿਆਂ ਨੂੰ ਆਕਰਸ਼ਿਤ ਕਰਦਾ ਹੈ:
ਡੈਮੋ ਅਸਲ ਵਿੱਚ ਧੋਖਾਧੜੀ ਕਰ ਰਹੇ ਹਨ (ਸਭ ਤੋਂ ਵਧੀਆ ਤਰੀਕੇ ਨਾਲ)
ਡੈਮੋ ਕਿਊਰੇਟ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਪ੍ਰੋਂਪਟ ਟਿਊਨ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਡੇਟਾ ਸਾਫ਼ ਹੈ। ਸਭ ਤੋਂ ਵਧੀਆ ਸਥਿਤੀ ਨੂੰ ਸਪਾਟਲਾਈਟ ਮਿਲਦਾ ਹੈ, ਅਤੇ ਅਸਫਲਤਾ ਦੇ ਮਾਮਲੇ ਸਟੇਜ ਦੇ ਪਿੱਛੇ ਪਟਾਕੇ ਖਾਣ ਵਾਲੇ ਹੁੰਦੇ ਹਨ।.
ਸਰਵਾਈਵਰਸ਼ਿਪ ਪੱਖਪਾਤ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹੈ
“AI ਨੇ ਸਾਡੇ ਲੱਖਾਂ ਘੰਟੇ ਬਚਾਏ” ਦੀਆਂ ਕਹਾਣੀਆਂ ਵਾਇਰਲ ਹੋ ਜਾਂਦੀਆਂ ਹਨ। “AI ਨੇ ਸਾਨੂੰ ਸਭ ਕੁਝ ਦੋ ਵਾਰ ਦੁਬਾਰਾ ਲਿਖਣ ਲਈ ਮਜਬੂਰ ਕੀਤਾ” ਦੀਆਂ ਕਹਾਣੀਆਂ ਚੁੱਪ-ਚਾਪ ਕਿਸੇ ਦੇ ਪ੍ਰੋਜੈਕਟ ਫੋਲਡਰ ਵਿੱਚ ਦੱਬ ਜਾਂਦੀਆਂ ਹਨ ਜਿਸਨੂੰ “Q3 ਪ੍ਰਯੋਗ” ਕਿਹਾ ਜਾਂਦਾ ਹੈ 🫠
ਲੋਕ ਰਵਾਨਗੀ ਨੂੰ ਸੱਚਾਈ ਨਾਲ ਉਲਝਾ ਦਿੰਦੇ ਹਨ
ਆਧੁਨਿਕ AI ਆਤਮਵਿਸ਼ਵਾਸੀ, ਮਦਦਗਾਰ ਅਤੇ ਖਾਸ ਲੱਗ ਸਕਦਾ ਹੈ - ਜੋ ਸਾਡੇ ਦਿਮਾਗ ਨੂੰ ਇਹ ਮੰਨਣ ਲਈ ਚਲਾਕੀ ਕਰਦਾ ਹੈ ਕਿ ਇਹ ਸਹੀ ਹੈ।.
ਇਸ ਅਸਫਲਤਾ ਮੋਡ ਦਾ ਵਰਣਨ ਕਰਨ ਦਾ ਇੱਕ ਬਹੁਤ ਹੀ ਮੁੱਖ ਤਰੀਕਾ ਹੈ ਕਨਫੈਬੂਲੇਸ਼ਨ : ਭਰੋਸੇ ਨਾਲ ਦੱਸਿਆ ਗਿਆ ਪਰ ਗਲਤ ਆਉਟਪੁੱਟ (ਉਰਫ਼ "ਭਰਮ")। NIST ਇਸਨੂੰ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਜਨਰੇਟਿਵ AI ਸਿਸਟਮਾਂ ਲਈ ਇੱਕ ਮੁੱਖ ਜੋਖਮ ਵਜੋਂ ਬੁਲਾਉਂਦਾ ਹੈ। [1]
ਪੈਸਾ ਮੈਗਾਫੋਨ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ
ਜਦੋਂ ਬਜਟ, ਮੁਲਾਂਕਣ, ਅਤੇ ਕਰੀਅਰ ਪ੍ਰੋਤਸਾਹਨ ਲਾਈਨ 'ਤੇ ਹੁੰਦੇ ਹਨ, ਤਾਂ ਹਰ ਕਿਸੇ ਕੋਲ ਇਹ ਕਹਿਣ ਦਾ ਕਾਰਨ ਹੁੰਦਾ ਹੈ ਕਿ "ਇਹ ਸਭ ਕੁਝ ਬਦਲ ਦਿੰਦਾ ਹੈ" (ਭਾਵੇਂ ਇਹ ਜ਼ਿਆਦਾਤਰ ਸਲਾਈਡ ਡੈੱਕ ਬਦਲਦਾ ਹੈ)।.
"ਮਹਿੰਗਾਈ → ਨਿਰਾਸ਼ਾ → ਸਥਿਰ ਮੁੱਲ" ਪੈਟਰਨ (ਅਤੇ ਇਸਦਾ ਮਤਲਬ ਇਹ ਕਿਉਂ ਨਹੀਂ ਕਿ AI ਨਕਲੀ ਹੈ) 📈😬
ਬਹੁਤ ਸਾਰੀ ਤਕਨੀਕ ਉਸੇ ਭਾਵਨਾਤਮਕ ਚਾਪ ਦੀ ਪਾਲਣਾ ਕਰਦੀ ਹੈ:
-
ਉਮੀਦਾਂ ਸਿਖਰ 'ਤੇ (ਮੰਗਲਵਾਰ ਤੱਕ ਸਭ ਕੁਝ ਸਵੈਚਾਲਿਤ ਹੋ ਜਾਵੇਗਾ)
-
ਕਠੋਰ ਹਕੀਕਤ (ਇਹ ਬੁੱਧਵਾਰ ਨੂੰ ਟੁੱਟਦੀ ਹੈ)
-
ਸਥਿਰ ਮੁੱਲ (ਇਹ ਚੁੱਪਚਾਪ ਕੰਮ ਕਿਵੇਂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਇਸਦਾ ਹਿੱਸਾ ਬਣ ਜਾਂਦਾ ਹੈ)
ਤਾਂ ਹਾਂ - ਏਆਈ ਨੂੰ ਓਵਰਸੋਲਡ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਜਦੋਂ ਕਿ ਇਹ ਅਜੇ ਵੀ ਨਤੀਜਾਤਮਕ ਹੈ। ਉਹ ਵਿਰੋਧੀ ਨਹੀਂ ਹਨ। ਉਹ ਰੂਮਮੇਟ ਹਨ।
ਜਿੱਥੇ AI ਨੂੰ ਜ਼ਿਆਦਾ ਹਾਈਪਾਈਡ ਨਹੀਂ ਕੀਤਾ ਜਾਂਦਾ (ਇਹ ਡਿਲੀਵਰ ਕਰ ਰਿਹਾ ਹੈ) ✅✨
ਇਹ ਉਹ ਹਿੱਸਾ ਹੈ ਜੋ ਖੁੰਝ ਜਾਂਦਾ ਹੈ ਕਿਉਂਕਿ ਇਹ ਘੱਟ ਵਿਗਿਆਨਕ ਕਲਪਨਾ ਅਤੇ ਵਧੇਰੇ ਸਪ੍ਰੈਡਸ਼ੀਟ ਹੈ।.
ਕੋਡਿੰਗ ਮਦਦ ਇੱਕ ਅਸਲ ਉਤਪਾਦਕਤਾ ਵਾਧਾ ਹੈ
ਕੁਝ ਕੰਮਾਂ ਲਈ - ਬਾਇਲਰਪਲੇਟ, ਟੈਸਟ ਸਕੈਫੋਲਡਿੰਗ, ਦੁਹਰਾਉਣ ਵਾਲੇ ਪੈਟਰਨ - ਕੋਡ ਕੋਪਾਇਲਟ ਸੱਚਮੁੱਚ ਵਿਹਾਰਕ ਹੋ ਸਕਦੇ ਹਨ।.
GitHub ਤੋਂ ਇੱਕ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਹਵਾਲਾ ਦਿੱਤੇ ਗਏ ਨਿਯੰਤਰਿਤ ਪ੍ਰਯੋਗ ਵਿੱਚ ਪਾਇਆ ਗਿਆ ਕਿ ਕੋਪਾਇਲਟ ਦੀ ਵਰਤੋਂ ਕਰਨ ਵਾਲੇ ਡਿਵੈਲਪਰਾਂ ਨੇ ਇੱਕ ਕੋਡਿੰਗ ਕੰਮ ਤੇਜ਼ੀ ਨਾਲ (ਉਨ੍ਹਾਂ ਦੀ ਲਿਖਤ 55% ਦੀ ਗਤੀ ਦੀ )। [3]
ਜਾਦੂ ਨਹੀਂ, ਪਰ ਅਰਥਪੂਰਨ ਹੈ। ਗੱਲ ਇਹ ਹੈ ਕਿ ਤੁਹਾਨੂੰ ਅਜੇ ਵੀ ਇਸ ਵਿੱਚ ਕੀ ਲਿਖਿਆ ਹੈ ਦੀ ਸਮੀਖਿਆ ਕਰਨੀ ਪਵੇਗੀ... ਕਿਉਂਕਿ "ਮਦਦਗਾਰ" ਅਤੇ "ਸਹੀ" ਇੱਕੋ ਜਿਹਾ ਨਹੀਂ ਹੈ।
ਡਰਾਫਟ ਤਿਆਰ ਕਰਨਾ, ਸੰਖੇਪ ਕਰਨਾ, ਅਤੇ ਪਹਿਲੀ ਪਾਸ ਸੋਚ
AI ਇਹਨਾਂ ਵਿੱਚ ਬਹੁਤ ਵਧੀਆ ਹੈ:
-
ਮੋਟੇ ਨੋਟਸ ਨੂੰ ਸਾਫ਼ ਡਰਾਫਟ ਵਿੱਚ ਬਦਲਣਾ ✍️
-
ਲੰਬੇ ਦਸਤਾਵੇਜ਼ਾਂ ਦਾ ਸਾਰ ਦੇਣਾ
-
ਤਿਆਰ ਕਰਨ ਦੇ ਵਿਕਲਪ (ਸੁਰਖੀਆਂ, ਰੂਪ-ਰੇਖਾਵਾਂ, ਈਮੇਲ ਰੂਪ)
-
ਅਨੁਵਾਦ ਕਰਨ ਦੀ ਸੁਰ ("ਇਸਨੂੰ ਘੱਟ ਮਸਾਲੇਦਾਰ ਬਣਾਓ" 🌶️)
ਇਹ ਮੂਲ ਰੂਪ ਵਿੱਚ ਇੱਕ ਅਣਥੱਕ ਜੂਨੀਅਰ ਸਹਾਇਕ ਹੈ ਜੋ ਕਈ ਵਾਰ ਝੂਠ ਬੋਲਦਾ ਹੈ, ਇਸ ਲਈ ਤੁਸੀਂ ਨਿਗਰਾਨੀ ਕਰਦੇ ਹੋ। (ਕਠੋਰ। ਇਹ ਵੀ ਸਹੀ।)
ਗਾਹਕ ਸਹਾਇਤਾ ਟ੍ਰਾਈਏਜ ਅਤੇ ਅੰਦਰੂਨੀ ਮਦਦ ਡੈਸਕ
ਜਿੱਥੇ AI ਸਭ ਤੋਂ ਵਧੀਆ ਕੰਮ ਕਰਦਾ ਹੈ: ਵਰਗੀਕ੍ਰਿਤ ਕਰੋ → ਪ੍ਰਾਪਤ ਕਰੋ → ਸੁਝਾਅ ਦਿਓ , ਨਾ ਕਿ invent → hope → deploy ਕਰੋ ।
ਜੇ ਤੁਸੀਂ ਛੋਟਾ, ਸੁਰੱਖਿਅਤ ਸੰਸਕਰਣ ਚਾਹੁੰਦੇ ਹੋ: ਪ੍ਰਵਾਨਿਤ ਸਰੋਤਾਂ ਤੋਂ ਪ੍ਰਾਪਤ ਕਰਨ ਅਤੇ ਜਵਾਬਾਂ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰਨ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਰੋ, ਪਰ ਮਨੁੱਖਾਂ ਨੂੰ ਇਸ ਲਈ ਜਵਾਬਦੇਹ ਰੱਖੋ ਕਿ ਕੀ ਭੇਜਿਆ ਜਾਂਦਾ ਹੈ - ਖਾਸ ਕਰਕੇ ਜਦੋਂ ਦਾਅ ਵਧਦਾ ਹੈ। ਉਹ "ਸ਼ਾਸਨ + ਟੈਸਟ + ਘਟਨਾਵਾਂ ਦਾ ਖੁਲਾਸਾ" ਮੁਦਰਾ NIST ਦੁਆਰਾ ਜਨਰੇਟਿਵ AI ਜੋਖਮ ਪ੍ਰਬੰਧਨ ਨੂੰ ਕਿਵੇਂ ਫਰੇਮ ਕਰਦਾ ਹੈ, ਦੇ ਨਾਲ-ਨਾਲ ਚੰਗੀ ਤਰ੍ਹਾਂ ਬੈਠਦਾ ਹੈ। [1]
ਡਾਟਾ ਖੋਜ - ਗਾਰਡਰੇਲ ਦੇ ਨਾਲ
AI ਲੋਕਾਂ ਨੂੰ ਡੇਟਾਸੈੱਟਾਂ ਦੀ ਪੁੱਛਗਿੱਛ ਕਰਨ, ਚਾਰਟਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਅਤੇ "ਅੱਗੇ ਕੀ ਦੇਖਣਾ ਹੈ" ਵਿਚਾਰ ਤਿਆਰ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ। ਇਹ ਜਿੱਤ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਵਧੇਰੇ ਪਹੁੰਚਯੋਗ ਬਣਾ ਰਹੀ ਹੈ, ਨਾ ਕਿ ਵਿਸ਼ਲੇਸ਼ਕਾਂ ਦੀ ਥਾਂ ਲੈ ਰਹੀ ਹੈ।.
ਜਿੱਥੇ AI ਨੂੰ ਬਹੁਤ ਜ਼ਿਆਦਾ ਪ੍ਰਚਾਰਿਆ ਜਾਂਦਾ ਹੈ (ਅਤੇ ਇਹ ਨਿਰਾਸ਼ਾਜਨਕ ਕਿਉਂ ਰਹਿੰਦਾ ਹੈ) ❌🤷
"ਪੂਰੀ ਤਰ੍ਹਾਂ ਖੁਦਮੁਖਤਿਆਰ ਏਜੰਟ ਜੋ ਸਭ ਕੁਝ ਚਲਾਉਂਦੇ ਹਨ"
ਏਜੰਟ ਵਧੀਆ ਵਰਕਫਲੋ ਕਰ ਸਕਦੇ ਹਨ। ਪਰ ਇੱਕ ਵਾਰ ਜਦੋਂ ਤੁਸੀਂ ਜੋੜਦੇ ਹੋ:
-
ਕਈ ਕਦਮ
-
ਖਰਾਬ ਔਜ਼ਾਰ
-
ਇਜਾਜ਼ਤਾਂ
-
ਅਸਲ ਉਪਭੋਗਤਾ
-
ਅਸਲ ਨਤੀਜੇ
…ਅਸਫਲਤਾ ਦੇ ਢੰਗ ਖਰਗੋਸ਼ਾਂ ਵਾਂਗ ਵਧਦੇ ਹਨ। ਪਹਿਲਾਂ ਤਾਂ ਪਿਆਰਾ, ਫਿਰ ਤੁਸੀਂ ਬਹੁਤ ਜ਼ਿਆਦਾ ਪ੍ਰਭਾਵਿਤ ਹੋ ਜਾਂਦੇ ਹੋ 🐇
ਇੱਕ ਵਿਹਾਰਕ ਨਿਯਮ: ਜਿੰਨੀ ਜ਼ਿਆਦਾ ਕੋਈ ਚੀਜ਼ "ਹੱਥਾਂ ਤੋਂ ਮੁਕਤ" ਹੋਣ ਦਾ ਦਾਅਵਾ ਕਰਦੀ ਹੈ, ਓਨਾ ਹੀ ਜ਼ਿਆਦਾ ਤੁਹਾਨੂੰ ਪੁੱਛਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਜਦੋਂ ਇਹ ਟੁੱਟਦੀ ਹੈ ਤਾਂ ਕੀ ਹੁੰਦਾ ਹੈ।.
"ਇਹ ਜਲਦੀ ਹੀ ਬਿਲਕੁਲ ਸਹੀ ਹੋਵੇਗਾ"
ਸ਼ੁੱਧਤਾ ਵਿੱਚ ਸੁਧਾਰ ਹੁੰਦਾ ਹੈ, ਯਕੀਨਨ, ਪਰ ਭਰੋਸੇਯੋਗਤਾ ਫਿਸਲ ਜਾਂਦੀ ਹੈ - ਖਾਸ ਕਰਕੇ ਜਦੋਂ ਇੱਕ ਮਾਡਲ ਪ੍ਰਮਾਣਿਤ ਸਰੋਤਾਂ 'ਤੇ ਅਧਾਰਤ ਨਹੀਂ ਹੁੰਦਾ
ਇਸੇ ਲਈ ਗੰਭੀਰ AI ਕੰਮ ਇਸ ਤਰ੍ਹਾਂ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ: ਪ੍ਰਾਪਤੀ + ਪ੍ਰਮਾਣਿਕਤਾ + ਨਿਗਰਾਨੀ + ਮਨੁੱਖੀ ਸਮੀਖਿਆ , ਨਾ ਕਿ "ਸਿਰਫ਼ ਇਸਨੂੰ ਹੋਰ ਸਖ਼ਤ ਕਰਨ ਲਈ ਪ੍ਰੇਰਿਤ ਕਰੋ।" (NIST ਦਾ GenAI ਪ੍ਰੋਫਾਈਲ ਇਸਨੂੰ ਇੱਕ ਨਿਮਰਤਾ, ਸਥਿਰ ਜ਼ਿੱਦ ਨਾਲ ਸੰਚਾਰ ਕਰਦਾ ਹੈ।) [1]
"ਸਾਰਿਆਂ 'ਤੇ ਰਾਜ ਕਰਨ ਲਈ ਇੱਕ ਮਾਡਲ"
ਅਭਿਆਸ ਵਿੱਚ, ਟੀਮਾਂ ਅਕਸਰ ਰਲ ਜਾਂਦੀਆਂ ਹਨ:
-
ਸਸਤੇ/ਵੱਡੀ-ਆਵਾਜ਼ ਵਾਲੇ ਕੰਮਾਂ ਲਈ ਛੋਟੇ ਮਾਡਲ
-
ਔਖੇ ਤਰਕ ਲਈ ਵੱਡੇ ਮਾਡਲ
-
ਆਧਾਰਿਤ ਜਵਾਬਾਂ ਲਈ ਪ੍ਰਾਪਤੀ
-
ਸੀਮਾਵਾਂ ਦੀ ਪਾਲਣਾ ਲਈ ਨਿਯਮ
ਹਾਲਾਂਕਿ, "ਸਿੰਗਲ ਮੈਜਿਕ ਬ੍ਰੇਨ" ਦਾ ਵਿਚਾਰ ਬਹੁਤ ਵਧੀਆ ਵਿਕਦਾ ਹੈ। ਇਹ ਸਾਫ਼-ਸੁਥਰਾ ਹੈ। ਮਨੁੱਖ ਸਾਫ਼-ਸੁਥਰਾ ਪਸੰਦ ਕਰਦੇ ਹਨ।.
"ਰਾਤੋ-ਰਾਤ ਸਾਰੇ ਨੌਕਰੀ ਦੇ ਰੋਲ ਬਦਲ ਦਿਓ"
ਜ਼ਿਆਦਾਤਰ ਭੂਮਿਕਾਵਾਂ ਕੰਮਾਂ ਦੇ ਸਮੂਹ ਹੁੰਦੀਆਂ ਹਨ। ਏਆਈ ਉਨ੍ਹਾਂ ਕੰਮਾਂ ਦੇ ਇੱਕ ਹਿੱਸੇ ਨੂੰ ਕੁਚਲ ਸਕਦੀ ਹੈ ਅਤੇ ਬਾਕੀ ਕੰਮਾਂ ਨੂੰ ਮੁਸ਼ਕਿਲ ਨਾਲ ਛੂਹ ਸਕਦੀ ਹੈ। ਮਨੁੱਖੀ ਹਿੱਸੇ - ਨਿਰਣਾ, ਜਵਾਬਦੇਹੀ, ਰਿਸ਼ਤੇ, ਸੰਦਰਭ - ਜ਼ਿੱਦੀ ਰਹਿੰਦੇ ਹਨ... ਮਨੁੱਖੀ।.
ਅਸੀਂ ਰੋਬੋਟ ਸਹਿਕਰਮੀ ਚਾਹੁੰਦੇ ਸੀ। ਇਸਦੀ ਬਜਾਏ ਅਸੀਂ ਸਟੀਰੌਇਡ 'ਤੇ ਆਟੋਕੰਪਲੀਟ ਪ੍ਰਾਪਤ ਕੀਤਾ।.
ਇੱਕ ਚੰਗਾ AI ਵਰਤੋਂ-ਕੇਸ (ਅਤੇ ਇੱਕ ਮਾੜਾ) ਕੀ ਬਣਾਉਂਦਾ ਹੈ 🧪🛠️
ਇਹ ਉਹ ਹਿੱਸਾ ਹੈ ਜਿਸਨੂੰ ਲੋਕ ਛੱਡ ਦਿੰਦੇ ਹਨ ਅਤੇ ਬਾਅਦ ਵਿੱਚ ਪਛਤਾਉਂਦੇ ਹਨ।.
ਇੱਕ ਚੰਗੇ AI ਵਰਤੋਂ-ਕੇਸ ਵਿੱਚ ਆਮ ਤੌਰ 'ਤੇ ਇਹ ਹੁੰਦੇ ਹਨ:
-
ਸਫਲਤਾ ਦੇ ਸਪੱਸ਼ਟ ਮਾਪਦੰਡ (ਸਮਾਂ ਬਚਾਇਆ ਗਿਆ, ਗਲਤੀ ਘਟਾਈ ਗਈ, ਜਵਾਬ ਦੀ ਗਤੀ ਵਿੱਚ ਸੁਧਾਰ ਹੋਇਆ)
-
ਘੱਟ ਤੋਂ ਦਰਮਿਆਨੇ ਹਿੱਸੇਦਾਰੀ (ਜਾਂ ਮਜ਼ਬੂਤ ਮਨੁੱਖੀ ਸਮੀਖਿਆ)
-
ਦੁਹਰਾਉਣਯੋਗ ਪੈਟਰਨ (FAQ ਜਵਾਬ, ਆਮ ਵਰਕਫਲੋ, ਮਿਆਰੀ ਦਸਤਾਵੇਜ਼)
-
ਚੰਗੇ ਡੇਟਾ ਤੱਕ ਪਹੁੰਚ (ਅਤੇ ਇਸਨੂੰ ਵਰਤਣ ਦੀ ਇਜਾਜ਼ਤ)
-
ਇੱਕ ਫਾਲਬੈਕ ਯੋਜਨਾ ਜਦੋਂ ਮਾਡਲ ਬਕਵਾਸ ਕਰਦਾ ਹੈ
-
ਪਹਿਲਾਂ ਇੱਕ ਤੰਗ ਸਕੋਪ
ਇੱਕ ਮਾੜਾ AI ਵਰਤੋਂ-ਕੇਸ ਆਮ ਤੌਰ 'ਤੇ ਇਸ ਤਰ੍ਹਾਂ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ:
-
"ਆਓ ਫੈਸਲੇ ਲੈਣ ਨੂੰ ਸਵੈਚਾਲਿਤ ਕਰੀਏ" ਬਿਨਾਂ ਜਵਾਬਦੇਹੀ ਦੇ 😬
-
“ਅਸੀਂ ਇਸਨੂੰ ਹਰ ਚੀਜ਼ ਵਿੱਚ ਲਗਾਵਾਂਗੇ” (ਨਹੀਂ... ਕਿਰਪਾ ਕਰਕੇ ਨਹੀਂ)
-
ਕੋਈ ਬੇਸਲਾਈਨ ਮੈਟ੍ਰਿਕਸ ਨਹੀਂ, ਇਸ ਲਈ ਕੋਈ ਨਹੀਂ ਜਾਣਦਾ ਕਿ ਇਸਨੇ ਮਦਦ ਕੀਤੀ ਜਾਂ ਨਹੀਂ
-
ਇਹ ਉਮੀਦ ਕਰਨਾ ਕਿ ਇਹ ਇੱਕ ਪੈਟਰਨ ਮਸ਼ੀਨ ਦੀ ਬਜਾਏ ਇੱਕ ਸੱਚਾਈ ਮਸ਼ੀਨ ਹੋਵੇਗੀ
ਜੇਕਰ ਤੁਸੀਂ ਸਿਰਫ਼ ਇੱਕ ਗੱਲ ਯਾਦ ਰੱਖਣ ਜਾ ਰਹੇ ਹੋ: AI 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ ਸਭ ਤੋਂ ਆਸਾਨ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਇਹ ਤੁਹਾਡੇ ਆਪਣੇ ਪ੍ਰਮਾਣਿਤ ਸਰੋਤਾਂ 'ਤੇ ਆਧਾਰਿਤ ਹੁੰਦਾ ਹੈ ਅਤੇ ਇੱਕ ਚੰਗੀ ਤਰ੍ਹਾਂ ਪਰਿਭਾਸ਼ਿਤ ਕੰਮ ਲਈ ਸੀਮਤ ਹੁੰਦਾ ਹੈ। ਨਹੀਂ ਤਾਂ ਇਹ ਵਾਈਬਸ-ਅਧਾਰਿਤ ਕੰਪਿਊਟਿੰਗ ਹੈ।
ਤੁਹਾਡੇ ਸੰਗਠਨ ਵਿੱਚ AI ਦੀ ਅਸਲੀਅਤ ਦੀ ਜਾਂਚ ਕਰਨ ਦਾ ਇੱਕ ਸਧਾਰਨ (ਪਰ ਬਹੁਤ ਪ੍ਰਭਾਵਸ਼ਾਲੀ) ਤਰੀਕਾ 🧾✅
ਜੇਕਰ ਤੁਸੀਂ ਇੱਕ ਠੋਸ ਜਵਾਬ ਚਾਹੁੰਦੇ ਹੋ (ਇੱਕ ਗਰਮ ਜਵਾਬ ਨਹੀਂ), ਤਾਂ ਇਹ ਤੇਜ਼ ਟੈਸਟ ਚਲਾਓ:
1) ਉਸ ਨੌਕਰੀ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ ਜਿਸ ਲਈ ਤੁਸੀਂ AI ਨੂੰ ਨਿਯੁਕਤ ਕਰ ਰਹੇ ਹੋ
ਇਸਨੂੰ ਨੌਕਰੀ ਦੇ ਵਰਣਨ ਵਾਂਗ ਲਿਖੋ:
-
ਇਨਪੁੱਟ
-
ਆਉਟਪੁੱਟ
-
ਪਾਬੰਦੀਆਂ
-
"ਹੋ ਗਿਆ ਮਤਲਬ..."
ਜੇਕਰ ਤੁਸੀਂ ਇਸਨੂੰ ਸਪਸ਼ਟ ਰੂਪ ਵਿੱਚ ਨਹੀਂ ਦੱਸ ਸਕਦੇ, ਤਾਂ AI ਇਸਨੂੰ ਜਾਦੂਈ ਢੰਗ ਨਾਲ ਸਪੱਸ਼ਟ ਨਹੀਂ ਕਰੇਗਾ।.
2) ਬੇਸਲਾਈਨ ਸਥਾਪਤ ਕਰੋ
ਹੁਣ ਕਿੰਨਾ ਸਮਾਂ ਲੱਗਦਾ ਹੈ? ਹੁਣ ਕਿੰਨੀਆਂ ਗਲਤੀਆਂ ਹਨ? "ਚੰਗਾ" ਹੁਣ ਕਿਹੋ ਜਿਹਾ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ?
ਕੋਈ ਮੁੱਢਲਾ ਆਧਾਰ ਨਹੀਂ = ਬਾਅਦ ਵਿੱਚ ਬੇਅੰਤ ਰਾਏ ਯੁੱਧ। ਗੰਭੀਰਤਾ ਨਾਲ, ਲੋਕ ਹਮੇਸ਼ਾ ਬਹਿਸ ਕਰਦੇ ਰਹਿਣਗੇ, ਅਤੇ ਤੁਸੀਂ ਤੇਜ਼ੀ ਨਾਲ ਬੁੱਢੇ ਹੋ ਜਾਓਗੇ।.
3) ਫੈਸਲਾ ਕਰੋ ਕਿ ਸੱਚਾਈ ਕਿੱਥੋਂ ਆਉਂਦੀ ਹੈ
-
ਅੰਦਰੂਨੀ ਗਿਆਨ ਅਧਾਰ?
-
ਗਾਹਕ ਰਿਕਾਰਡ?
-
ਮਨਜ਼ੂਰ ਨੀਤੀਆਂ?
-
ਦਸਤਾਵੇਜ਼ਾਂ ਦਾ ਇੱਕ ਤਿਆਰ ਕੀਤਾ ਸੈੱਟ?
ਜੇਕਰ ਜਵਾਬ ਹੈ "ਮਾਡਲ ਨੂੰ ਪਤਾ ਹੋਵੇਗਾ," ਤਾਂ ਇਹ ਇੱਕ ਲਾਲ ਝੰਡਾ ਹੈ 🚩
4) ਹਿਊਮਨ-ਇਨ-ਦ-ਲੂਪ ਪਲਾਨ ਸੈੱਟ ਕਰੋ
ਫੈਸਲਾ ਕਰੋ:
-
ਕੌਣ ਸਮੀਖਿਆ ਕਰਦਾ ਹੈ,
-
ਜਦੋਂ ਉਹ ਸਮੀਖਿਆ ਕਰਦੇ ਹਨ,
-
ਅਤੇ ਕੀ ਹੁੰਦਾ ਹੈ ਜਦੋਂ AI ਗਲਤ ਹੁੰਦਾ ਹੈ।.
ਇਹ "ਔਜ਼ਾਰ" ਅਤੇ "ਜ਼ਿੰਮੇਵਾਰੀ" ਵਿੱਚ ਅੰਤਰ ਹੈ। ਹਮੇਸ਼ਾ ਨਹੀਂ, ਪਰ ਅਕਸਰ।.
5) ਧਮਾਕੇ ਦੇ ਘੇਰੇ ਦਾ ਨਕਸ਼ਾ ਬਣਾਓ
ਉੱਥੋਂ ਸ਼ੁਰੂ ਕਰੋ ਜਿੱਥੋਂ ਗਲਤੀਆਂ ਸਸਤੀਆਂ ਹੋਣ। ਸਬੂਤ ਹੋਣ ਤੋਂ ਬਾਅਦ ਹੀ ਫੈਲਾਓ।.
ਇਸ ਤਰ੍ਹਾਂ ਤੁਸੀਂ ਵਧੇ ਹੋਏ ਦਾਅਵਿਆਂ ਨੂੰ ਉਪਯੋਗਤਾ ਵਿੱਚ ਬਦਲਦੇ ਹੋ। ਸਾਦਾ… ਪ੍ਰਭਾਵਸ਼ਾਲੀ… ਥੋੜ੍ਹਾ ਜਿਹਾ ਸੁੰਦਰ 😌
ਵਿਸ਼ਵਾਸ, ਜੋਖਮ, ਅਤੇ ਨਿਯਮ - ਉਹ ਗੈਰ-ਸੈਕਸੀ ਹਿੱਸਾ ਜੋ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ 🧯⚖️
ਜੇਕਰ AI ਕਿਸੇ ਮਹੱਤਵਪੂਰਨ ਚੀਜ਼ (ਲੋਕ, ਪੈਸਾ, ਸੁਰੱਖਿਆ, ਕਾਨੂੰਨੀ ਨਤੀਜੇ) ਵਿੱਚ ਜਾ ਰਿਹਾ ਹੈ, ਤਾਂ ਸ਼ਾਸਨ ਵਿਕਲਪਿਕ ਨਹੀਂ ਹੈ।.
ਕੁਝ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਹਵਾਲਾ ਦਿੱਤੇ ਗਏ ਗਾਰਡਰੇਲ:
-
NIST ਜਨਰੇਟਿਵ AI ਪ੍ਰੋਫਾਈਲ (AI RMF ਦਾ ਸਾਥੀ) : ਵਿਹਾਰਕ ਜੋਖਮ ਸ਼੍ਰੇਣੀਆਂ + ਸ਼ਾਸਨ, ਟੈਸਟਿੰਗ, ਉਤਪਤੀ, ਅਤੇ ਘਟਨਾ ਦੇ ਖੁਲਾਸੇ ਵਿੱਚ ਸੁਝਾਈਆਂ ਗਈਆਂ ਕਾਰਵਾਈਆਂ। [1]
-
OECD AI ਸਿਧਾਂਤ : ਭਰੋਸੇਯੋਗ, ਮਨੁੱਖੀ-ਕੇਂਦ੍ਰਿਤ AI ਲਈ ਇੱਕ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਅੰਤਰਰਾਸ਼ਟਰੀ ਆਧਾਰਲਾਈਨ। [5]
-
EU AI ਐਕਟ : ਇੱਕ ਜੋਖਮ-ਅਧਾਰਤ ਕਾਨੂੰਨੀ ਢਾਂਚਾ ਜੋ AI ਦੀ ਵਰਤੋਂ ਦੇ ਤਰੀਕੇ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ (ਅਤੇ ਕੁਝ "ਅਸਵੀਕਾਰਯੋਗ ਜੋਖਮ" ਅਭਿਆਸਾਂ 'ਤੇ ਪਾਬੰਦੀ ਲਗਾਉਂਦਾ ਹੈ)। [4]
ਅਤੇ ਹਾਂ, ਇਹ ਚੀਜ਼ਾਂ ਕਾਗਜ਼ੀ ਕਾਰਵਾਈ ਵਾਂਗ ਮਹਿਸੂਸ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਪਰ ਇਹ "ਵਿਹਾਰਕ ਸੰਦ" ਅਤੇ "ਓਹ, ਅਸੀਂ ਇੱਕ ਪਾਲਣਾ ਦੇ ਸੁਪਨੇ ਨੂੰ ਤੈਨਾਤ ਕੀਤਾ ਹੈ" ਵਿੱਚ ਅੰਤਰ ਹੈ।
ਇੱਕ ਨਜ਼ਦੀਕੀ ਨਜ਼ਰ: "AI ਆਟੋਕੰਪਲੀਟ ਵਜੋਂ" ਵਿਚਾਰ - ਘੱਟ ਸਮਝਿਆ ਗਿਆ, ਪਰ ਸੱਚ ਹੈ 🧩🧠
ਇੱਥੇ ਇੱਕ ਰੂਪਕ ਹੈ ਜੋ ਥੋੜ੍ਹਾ ਜਿਹਾ ਅਪੂਰਣ ਹੈ (ਜੋ ਕਿ ਢੁਕਵਾਂ ਹੈ): ਬਹੁਤ ਸਾਰਾ AI ਇੱਕ ਬਹੁਤ ਹੀ ਫੈਂਸੀ ਆਟੋਕੰਪਲੀਟ ਵਰਗਾ ਹੈ ਜੋ ਇੰਟਰਨੈੱਟ ਪੜ੍ਹਦਾ ਹੈ, ਫਿਰ ਭੁੱਲ ਜਾਂਦਾ ਹੈ ਕਿ ਇਸਨੂੰ ਕਿੱਥੇ ਪੜ੍ਹਿਆ ਹੈ।.
ਇਹ ਗੱਲ ਸੁਣਨ ਵਿੱਚ ਬੇਤੁਕੀ ਲੱਗਦੀ ਹੈ, ਪਰ ਇਹੀ ਕਾਰਨ ਹੈ ਕਿ ਇਹ ਕੰਮ ਕਰਦਾ ਹੈ:
-
ਪੈਟਰਨਾਂ ਵਿੱਚ ਵਧੀਆ
-
ਭਾਸ਼ਾ ਵਿੱਚ ਬਹੁਤ ਵਧੀਆ।
-
"ਅਗਲੀ ਸੰਭਾਵਿਤ ਚੀਜ਼" ਤਿਆਰ ਕਰਨ ਵਿੱਚ ਬਹੁਤ ਵਧੀਆ
ਅਤੇ ਇਸੇ ਕਰਕੇ ਇਹ ਅਸਫਲ ਹੁੰਦਾ ਹੈ:
-
ਇਹ ਕੁਦਰਤੀ ਤੌਰ 'ਤੇ "ਜਾਣਦਾ" ਨਹੀਂ ਹੈ ਕਿ ਸੱਚ ਕੀ ਹੈ
-
ਇਹ ਕੁਦਰਤੀ ਤੌਰ 'ਤੇ ਨਹੀਂ ਜਾਣਦਾ ਕਿ ਤੁਹਾਡੀ ਸੰਸਥਾ ਕੀ ਕਰਦੀ ਹੈ।
-
ਇਹ ਬਿਨਾਂ ਕਿਸੇ ਆਧਾਰ ਦੇ ਭਰੋਸੇਮੰਦ ਬਕਵਾਸ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ (ਦੇਖੋ: ਉਲਝਣ / ਭਰਮ) [1]
ਇਸ ਲਈ ਜੇਕਰ ਤੁਹਾਡੇ ਵਰਤੋਂ-ਕੇਸ ਨੂੰ ਸੱਚਾਈ ਦੀ ਲੋੜ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਇਸਨੂੰ ਪ੍ਰਾਪਤੀ, ਔਜ਼ਾਰਾਂ, ਪ੍ਰਮਾਣਿਕਤਾ, ਨਿਗਰਾਨੀ ਅਤੇ ਮਨੁੱਖੀ ਸਮੀਖਿਆ ਨਾਲ ਜੋੜਦੇ ਹੋ। ਜੇਕਰ ਤੁਹਾਡੇ ਵਰਤੋਂ-ਕੇਸ ਨੂੰ ਡਰਾਫਟਿੰਗ ਅਤੇ ਵਿਚਾਰਧਾਰਾ ਵਿੱਚ ਗਤੀ ਦੀ ਲੋੜ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਇਸਨੂੰ ਥੋੜ੍ਹਾ ਹੋਰ ਮੁਫ਼ਤ ਚੱਲਣ ਦਿੰਦੇ ਹੋ। ਵੱਖਰੀਆਂ ਸੈਟਿੰਗਾਂ, ਵੱਖਰੀਆਂ ਉਮੀਦਾਂ। ਜਿਵੇਂ ਲੂਣ ਨਾਲ ਖਾਣਾ ਪਕਾਉਣਾ - ਹਰ ਚੀਜ਼ ਨੂੰ ਇੱਕੋ ਜਿਹੀ ਮਾਤਰਾ ਦੀ ਲੋੜ ਨਹੀਂ ਹੁੰਦੀ।.
ਤੁਲਨਾ ਸਾਰਣੀ: ਵਧੇ ਹੋਏ ਦਾਅਵਿਆਂ ਵਿੱਚ ਡੁੱਬੇ ਬਿਨਾਂ AI ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੇ ਵਿਹਾਰਕ ਤਰੀਕੇ 🧠📋
| ਔਜ਼ਾਰ / ਵਿਕਲਪ | ਦਰਸ਼ਕ | ਕੀਮਤ ਦਾ ਮਾਹੌਲ | ਇਹ ਕਿਉਂ ਕੰਮ ਕਰਦਾ ਹੈ |
|---|---|---|---|
| ਚੈਟ-ਸ਼ੈਲੀ ਸਹਾਇਕ (ਆਮ) | ਵਿਅਕਤੀ, ਟੀਮਾਂ | ਆਮ ਤੌਰ 'ਤੇ ਮੁਫ਼ਤ ਟੀਅਰ + ਭੁਗਤਾਨ ਕੀਤਾ ਜਾਂਦਾ ਹੈ | ਡਰਾਫਟ, ਬ੍ਰੇਨਸਟਾਰਮਿੰਗ, ਸਾਰਾਂਸ਼ ਲਈ ਵਧੀਆ... ਪਰ ਤੱਥਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ (ਹਮੇਸ਼ਾ) |
| ਕੋਡ ਕੋਪਾਇਲਟ | ਡਿਵੈਲਪਰ | ਆਮ ਤੌਰ 'ਤੇ ਗਾਹਕੀ | ਆਮ ਕੋਡਿੰਗ ਕਾਰਜਾਂ ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ, ਅਜੇ ਵੀ ਸਮੀਖਿਆ + ਟੈਸਟਾਂ ਅਤੇ ਕੌਫੀ ਦੀ ਲੋੜ ਹੈ |
| ਪ੍ਰਾਪਤੀ-ਅਧਾਰਤ "ਸਰੋਤਾਂ ਦੇ ਨਾਲ ਜਵਾਬ" | ਖੋਜਕਰਤਾ, ਵਿਸ਼ਲੇਸ਼ਕ | ਫ੍ਰੀਮੀਅਮ ਵਰਗਾ | ਸ਼ੁੱਧ ਅਨੁਮਾਨ ਲਗਾਉਣ ਨਾਲੋਂ "ਲੱਭੋ + ਜ਼ਮੀਨ" ਵਰਕਫਲੋ ਲਈ ਬਿਹਤਰ ਹੈ |
| ਵਰਕਫਲੋ ਆਟੋਮੇਸ਼ਨ + ਏਆਈ | ਓਪਸ, ਸਹਾਇਤਾ | ਟਾਇਰਡ | ਦੁਹਰਾਉਣ ਵਾਲੇ ਕਦਮਾਂ ਨੂੰ ਅਰਧ-ਆਟੋਮੈਟਿਕ ਪ੍ਰਵਾਹ ਵਿੱਚ ਬਦਲਦਾ ਹੈ (ਅਰਧ ਕੁੰਜੀ ਹੈ) |
| ਇਨ-ਹਾਊਸ ਮਾਡਲ / ਸਵੈ-ਹੋਸਟਿੰਗ | ML ਸਮਰੱਥਾ ਵਾਲੇ ਸੰਗਠਨ | ਇਨਫਰਾ + ਲੋਕ | ਵਧੇਰੇ ਨਿਯੰਤਰਣ + ਗੋਪਨੀਯਤਾ, ਪਰ ਤੁਹਾਨੂੰ ਰੱਖ-ਰਖਾਅ ਅਤੇ ਸਿਰ ਦਰਦ ਦਾ ਭੁਗਤਾਨ ਕਰਨਾ ਪਵੇਗਾ |
| ਸ਼ਾਸਨ ਢਾਂਚੇ | ਆਗੂ, ਜੋਖਮ, ਪਾਲਣਾ | ਮੁਫ਼ਤ ਸਰੋਤ | ਤੁਹਾਨੂੰ ਜੋਖਮ + ਵਿਸ਼ਵਾਸ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ, ਗਲੈਮਰਸ ਨਹੀਂ ਪਰ ਜ਼ਰੂਰੀ |
| ਬੈਂਚਮਾਰਕਿੰਗ / ਅਸਲੀਅਤ-ਜਾਂਚ ਸਰੋਤ | ਕਾਰਜਕਾਰੀ, ਨੀਤੀ, ਰਣਨੀਤੀ | ਮੁਫ਼ਤ ਸਰੋਤ | ਡੇਟਾ ਵਾਈਬਸ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ, ਅਤੇ ਲਿੰਕਡਇਨ ਉਪਦੇਸ਼ਾਂ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ |
| "ਏਜੰਟ ਜੋ ਸਭ ਕੁਝ ਕਰਦਾ ਹੈ" | ਸੁਪਨੇ ਦੇਖਣ ਵਾਲੇ 😅 | ਲਾਗਤਾਂ + ਹਫੜਾ-ਦਫੜੀ | ਕਈ ਵਾਰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ, ਅਕਸਰ ਨਾਜ਼ੁਕ - ਸਨੈਕਸ ਅਤੇ ਧੀਰਜ ਨਾਲ ਅੱਗੇ ਵਧੋ |
ਜੇਕਰ ਤੁਸੀਂ AI ਪ੍ਰਗਤੀ ਅਤੇ ਪ੍ਰਭਾਵ ਡੇਟਾ ਲਈ ਇੱਕ "ਰੀਅਲਿਟੀ ਜਾਂਚ" ਹੱਬ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਸਟੈਨਫੋਰਡ AI ਇੰਡੈਕਸ ਸ਼ੁਰੂਆਤ ਕਰਨ ਲਈ ਇੱਕ ਠੋਸ ਜਗ੍ਹਾ ਹੈ। [2]
ਸਮਾਪਤੀ ਟੇਕ + ਸੰਖੇਪ ਸੰਖੇਪ 🧠✨
ਇਸ ਲਈ, ਜਦੋਂ ਕੋਈ ਵੇਚ ਰਿਹਾ ਹੁੰਦਾ ਹੈ ਤਾਂ AI ਨੂੰ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹਾਈਪਾਈ ਕੀਤਾ ਜਾਂਦਾ ਹੈ
-
ਨਿਰਦੋਸ਼ ਸ਼ੁੱਧਤਾ,
-
ਪੂਰੀ ਖੁਦਮੁਖਤਿਆਰੀ,
-
ਪੂਰੀਆਂ ਭੂਮਿਕਾਵਾਂ ਦੀ ਤੁਰੰਤ ਤਬਦੀਲੀ,
-
ਜਾਂ ਇੱਕ ਪਲੱਗ-ਐਂਡ-ਪਲੇ ਦਿਮਾਗ ਜੋ ਤੁਹਾਡੇ ਸੰਗਠਨ ਨੂੰ ਹੱਲ ਕਰਦਾ ਹੈ..
…ਤਾਂ ਹਾਂ, ਇਹ ਗਲੋਸੀ ਫਿਨਿਸ਼ ਵਾਲੀ ਸੇਲਜ਼ਮੈਨਸ਼ਿਪ ਹੈ।.
ਪਰ ਜੇ ਤੁਸੀਂ AI ਨਾਲ ਇਸ ਤਰ੍ਹਾਂ ਪੇਸ਼ ਆਉਂਦੇ ਹੋ:
-
ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਹਾਇਕ,
-
ਤੰਗ, ਚੰਗੀ ਤਰ੍ਹਾਂ ਪਰਿਭਾਸ਼ਿਤ ਕੰਮਾਂ ਵਿੱਚ ਸਭ ਤੋਂ ਵਧੀਆ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ,
-
ਭਰੋਸੇਯੋਗ ਸਰੋਤਾਂ 'ਤੇ ਅਧਾਰਤ,
-
ਇਨਸਾਨਾਂ ਵੱਲੋਂ ਮਹੱਤਵਪੂਰਨ ਚੀਜ਼ਾਂ ਦੀ ਸਮੀਖਿਆ ਕਰਨ ਦੇ ਨਾਲ..
…ਤਾਂ ਨਹੀਂ, ਇਹ ਬਹੁਤ ਜ਼ਿਆਦਾ ਪ੍ਰਚਾਰਿਆ ਨਹੀਂ ਗਿਆ ਹੈ। ਇਹ ਬਸ… ਅਸਮਾਨ ਹੈ। ਜਿੰਮ ਮੈਂਬਰਸ਼ਿਪ ਵਾਂਗ। ਜੇਕਰ ਸਹੀ ਢੰਗ ਨਾਲ ਵਰਤਿਆ ਜਾਵੇ ਤਾਂ ਸ਼ਾਨਦਾਰ, ਜੇਕਰ ਤੁਸੀਂ ਇਸ ਬਾਰੇ ਪਾਰਟੀਆਂ ਵਿੱਚ ਹੀ ਗੱਲ ਕਰਦੇ ਹੋ ਤਾਂ ਬੇਕਾਰ 😄🏋️
ਸੰਖੇਪ ਸੰਖੇਪ: AI ਨੂੰ ਨਿਰਣੇ ਦੇ ਜਾਦੂਈ ਬਦਲ ਵਜੋਂ ਬਹੁਤ ਜ਼ਿਆਦਾ ਪ੍ਰਚਾਰਿਆ ਜਾਂਦਾ ਹੈ - ਅਤੇ ਡਰਾਫਟਿੰਗ, ਕੋਡਿੰਗ ਸਹਾਇਤਾ, ਟ੍ਰਾਈਏਜ, ਅਤੇ ਗਿਆਨ ਵਰਕਫਲੋ ਲਈ ਇੱਕ ਵਿਹਾਰਕ ਗੁਣਕ ਵਜੋਂ ਘੱਟ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ।
ਅਕਸਰ ਪੁੱਛੇ ਜਾਂਦੇ ਸਵਾਲ
ਕੀ ਇਸ ਵੇਲੇ AI ਨੂੰ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹਾਈਪਾਈਪ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ?
ਜਦੋਂ AI ਨੂੰ ਸੰਪੂਰਨ, ਹੈਂਡਸ-ਫ੍ਰੀ, ਜਾਂ ਰਾਤੋ-ਰਾਤ ਪੂਰੀਆਂ ਨੌਕਰੀਆਂ ਨੂੰ ਬਦਲਣ ਲਈ ਤਿਆਰ ਵਜੋਂ ਵੇਚਿਆ ਜਾਂਦਾ ਹੈ ਤਾਂ ਇਸਨੂੰ ਬਹੁਤ ਜ਼ਿਆਦਾ ਦਿਖਾਇਆ ਜਾਂਦਾ ਹੈ। ਅਸਲ ਤੈਨਾਤੀਆਂ ਵਿੱਚ, ਭਰੋਸੇਯੋਗਤਾ ਦੇ ਪਾੜੇ ਜਲਦੀ ਸਾਹਮਣੇ ਆਉਂਦੇ ਹਨ: ਭਰੋਸੇਮੰਦ ਗਲਤ ਜਵਾਬ, ਕਿਨਾਰੇ ਦੇ ਮਾਮਲੇ, ਅਤੇ ਗੁੰਝਲਦਾਰ ਏਕੀਕਰਣ। ਜਦੋਂ AI ਨੂੰ ਡਰਾਫਟਿੰਗ, ਕੋਡਿੰਗ ਸਹਾਇਤਾ, ਟ੍ਰਾਈਏਜ ਅਤੇ ਖੋਜ ਵਰਗੇ ਤੰਗ ਕੰਮਾਂ ਲਈ ਇੱਕ ਨਿਗਰਾਨੀ ਕੀਤੇ ਟੂਲ ਵਜੋਂ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ ਤਾਂ ਇਸਨੂੰ ਬਹੁਤ ਜ਼ਿਆਦਾ ਨਹੀਂ ਦਿਖਾਇਆ ਜਾਂਦਾ। ਅੰਤਰ ਉਮੀਦਾਂ, ਗਰਾਉਂਡਿੰਗ ਅਤੇ ਸਮੀਖਿਆ 'ਤੇ ਆਉਂਦਾ ਹੈ।.
ਏਆਈ ਮਾਰਕੀਟਿੰਗ ਦਾਅਵਿਆਂ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਡੇ ਲਾਲ ਝੰਡੇ ਕੀ ਹਨ?
"ਪੂਰੀ ਤਰ੍ਹਾਂ ਖੁਦਮੁਖਤਿਆਰ" ਅਤੇ "ਜਲਦੀ ਹੀ ਪੂਰੀ ਤਰ੍ਹਾਂ ਸਹੀ" ਦੋ ਸਭ ਤੋਂ ਉੱਚੇ ਚੇਤਾਵਨੀ ਸੰਕੇਤ ਹਨ। ਡੈਮੋ ਅਕਸਰ ਟਿਊਨ ਕੀਤੇ ਪ੍ਰੋਂਪਟ ਅਤੇ ਸਾਫ਼ ਡੇਟਾ ਨਾਲ ਤਿਆਰ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, ਇਸ ਲਈ ਉਹ ਆਮ ਅਸਫਲਤਾ ਮੋਡਾਂ ਨੂੰ ਛੁਪਾਉਂਦੇ ਹਨ। ਫਲੂਐਂਸੀ ਨੂੰ ਸੱਚਾਈ ਲਈ ਵੀ ਗਲਤੀ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਜੋ ਭਰੋਸੇਮੰਦ ਗਲਤੀਆਂ ਨੂੰ ਵਿਸ਼ਵਾਸਯੋਗ ਮਹਿਸੂਸ ਕਰਵਾਉਂਦੀ ਹੈ। ਜੇਕਰ ਕੋਈ ਦਾਅਵਾ ਸਿਸਟਮ ਟੁੱਟਣ 'ਤੇ ਵਾਪਰਨ ਵਾਲੇ ਘਟਨਾਕ੍ਰਮ ਨੂੰ ਛੱਡ ਦਿੰਦਾ ਹੈ, ਤਾਂ ਮੰਨ ਲਓ ਕਿ ਜੋਖਮ ਦੂਰ ਹੋ ਰਿਹਾ ਹੈ।.
ਏਆਈ ਸਿਸਟਮ ਗਲਤ ਹੋਣ ਦੇ ਬਾਵਜੂਦ ਵੀ ਆਤਮਵਿਸ਼ਵਾਸੀ ਕਿਉਂ ਲੱਗਦੇ ਹਨ?
ਜਨਰੇਟਿਵ ਮਾਡਲ ਪ੍ਰਸ਼ੰਸਾਯੋਗ, ਪ੍ਰਵਾਹਿਤ ਟੈਕਸਟ ਤਿਆਰ ਕਰਨ ਵਿੱਚ ਬਹੁਤ ਵਧੀਆ ਹਨ - ਇਸ ਲਈ ਜਦੋਂ ਉਹਨਾਂ ਕੋਲ ਗਰਾਉਂਡਿੰਗ ਨਹੀਂ ਹੁੰਦੀ ਤਾਂ ਉਹ ਭਰੋਸੇ ਨਾਲ ਵੇਰਵਿਆਂ ਦੀ ਕਾਢ ਕੱਢ ਸਕਦੇ ਹਨ। ਇਸਨੂੰ ਅਕਸਰ ਉਲਝਣ ਜਾਂ ਭਰਮ ਵਜੋਂ ਦਰਸਾਇਆ ਜਾਂਦਾ ਹੈ: ਆਉਟਪੁੱਟ ਜੋ ਖਾਸ ਲੱਗਦਾ ਹੈ ਪਰ ਭਰੋਸੇਯੋਗ ਤੌਰ 'ਤੇ ਸੱਚ ਨਹੀਂ ਹੁੰਦਾ। ਇਸੇ ਲਈ ਉੱਚ-ਭਰੋਸੇਯੋਗ ਵਰਤੋਂ ਦੇ ਮਾਮਲੇ ਆਮ ਤੌਰ 'ਤੇ ਪ੍ਰਾਪਤੀ, ਪ੍ਰਮਾਣਿਕਤਾ, ਨਿਗਰਾਨੀ ਅਤੇ ਮਨੁੱਖੀ ਸਮੀਖਿਆ ਸ਼ਾਮਲ ਕਰਦੇ ਹਨ। ਟੀਚਾ ਸੁਰੱਖਿਆ ਉਪਾਵਾਂ ਦੇ ਨਾਲ ਵਿਹਾਰਕ ਮੁੱਲ ਹੈ, ਨਾ ਕਿ ਵਾਈਬਸ-ਅਧਾਰਤ ਨਿਸ਼ਚਤਤਾ।.
ਮੈਂ ਭਰਮਾਂ ਤੋਂ ਸੜੇ ਬਿਨਾਂ AI ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰ ਸਕਦਾ ਹਾਂ?
ਏਆਈ ਨੂੰ ਇੱਕ ਡਰਾਫਟਿੰਗ ਇੰਜਣ ਸਮਝੋ, ਇੱਕ ਸੱਚਾਈ ਮਸ਼ੀਨ ਨਹੀਂ। "ਮਾਡਲ ਨੂੰ ਪਤਾ ਹੋਵੇਗਾ" ਇਹ ਮੰਨਣ ਦੀ ਬਜਾਏ, ਪ੍ਰਮਾਣਿਤ ਸਰੋਤਾਂ - ਜਿਵੇਂ ਕਿ ਪ੍ਰਵਾਨਿਤ ਨੀਤੀਆਂ, ਅੰਦਰੂਨੀ ਦਸਤਾਵੇਜ਼, ਜਾਂ ਕਿਉਰੇਟਿਡ ਹਵਾਲਿਆਂ - ਵਿੱਚ ਜ਼ਮੀਨੀ ਜਵਾਬ ਦਿਓ। ਪ੍ਰਮਾਣਿਕਤਾ ਦੇ ਕਦਮ (ਲਿੰਕ, ਹਵਾਲੇ, ਕਰਾਸ-ਚੈੱਕ) ਸ਼ਾਮਲ ਕਰੋ ਅਤੇ ਜਿੱਥੇ ਗਲਤੀਆਂ ਮਾਇਨੇ ਰੱਖਦੀਆਂ ਹਨ, ਉੱਥੇ ਮਨੁੱਖੀ ਸਮੀਖਿਆ ਦੀ ਲੋੜ ਹੈ। ਛੋਟੀ ਸ਼ੁਰੂਆਤ ਕਰੋ, ਨਤੀਜਿਆਂ ਨੂੰ ਮਾਪੋ, ਅਤੇ ਇਕਸਾਰ ਪ੍ਰਦਰਸ਼ਨ ਦੇਖਣ ਤੋਂ ਬਾਅਦ ਹੀ ਫੈਲਾਓ।.
ਅਸਲ ਦੁਨੀਆਂ ਵਿੱਚ ਕਿਹੜੇ ਚੰਗੇ ਵਰਤੋਂ ਦੇ ਮਾਮਲੇ ਹਨ ਜਿੱਥੇ AI ਨੂੰ ਜ਼ਿਆਦਾ ਹਾਈਪਾਈਪ ਨਹੀਂ ਕੀਤਾ ਜਾਂਦਾ?
ਏਆਈ ਸਪੱਸ਼ਟ ਸਫਲਤਾ ਮੈਟ੍ਰਿਕਸ ਅਤੇ ਘੱਟ ਤੋਂ ਦਰਮਿਆਨੇ ਹਿੱਸੇਦਾਰੀ ਦੇ ਨਾਲ ਤੰਗ, ਦੁਹਰਾਉਣ ਯੋਗ ਕੰਮਾਂ 'ਤੇ ਸਭ ਤੋਂ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ। ਆਮ ਜਿੱਤਾਂ ਵਿੱਚ ਡਰਾਫਟਿੰਗ ਅਤੇ ਮੁੜ ਲਿਖਣਾ, ਲੰਬੇ ਦਸਤਾਵੇਜ਼ਾਂ ਦਾ ਸਾਰ ਦੇਣਾ, ਵਿਕਲਪ ਤਿਆਰ ਕਰਨਾ (ਰੂਪਰੇਖਾ, ਸੁਰਖੀਆਂ, ਈਮੇਲ ਰੂਪ), ਕੋਡਿੰਗ ਸਕੈਫੋਲਡ, ਸਹਾਇਤਾ ਟ੍ਰਾਈਏਜ, ਅਤੇ ਅੰਦਰੂਨੀ ਸਹਾਇਤਾ ਡੈਸਕ ਸੁਝਾਅ ਸ਼ਾਮਲ ਹਨ। ਮਿੱਠਾ ਸਥਾਨ "ਵਰਗੀਕ੍ਰਿਤ ਕਰੋ → ਪ੍ਰਾਪਤ ਕਰੋ → ਸੁਝਾਅ ਦਿਓ," "ਕਾਢ → ਉਮੀਦ → ਤੈਨਾਤ ਕਰੋ" ਨਹੀਂ। ਮਨੁੱਖ ਅਜੇ ਵੀ ਜੋ ਭੇਜਦਾ ਹੈ ਉਸ ਦੇ ਮਾਲਕ ਹਨ।.
ਕੀ "ਏਆਈ ਏਜੰਟ ਜੋ ਸਭ ਕੁਝ ਕਰਦੇ ਹਨ" ਨੂੰ ਬਹੁਤ ਜ਼ਿਆਦਾ ਪ੍ਰਚਾਰਿਆ ਗਿਆ ਹੈ?
ਅਕਸਰ, ਹਾਂ - ਖਾਸ ਕਰਕੇ ਜਦੋਂ "ਹੈਂਡਸ-ਫ੍ਰੀ" ਵਿਕਰੀ ਬਿੰਦੂ ਹੁੰਦਾ ਹੈ। ਮਲਟੀ-ਸਟੈਪ ਵਰਕਫਲੋ, ਗੁੰਝਲਦਾਰ ਟੂਲ, ਅਨੁਮਤੀਆਂ, ਅਸਲ ਉਪਭੋਗਤਾ, ਅਤੇ ਅਸਲ ਨਤੀਜੇ ਮਿਸ਼ਰਿਤ ਅਸਫਲਤਾ ਮੋਡ ਬਣਾਉਂਦੇ ਹਨ। ਏਜੰਟ ਸੀਮਤ ਵਰਕਫਲੋ ਲਈ ਕੀਮਤੀ ਹੋ ਸਕਦੇ ਹਨ, ਪਰ ਦਾਇਰਾ ਫੈਲਣ ਦੇ ਨਾਲ ਕਮਜ਼ੋਰੀ ਤੇਜ਼ੀ ਨਾਲ ਵਧਦੀ ਹੈ। ਇੱਕ ਵਿਹਾਰਕ ਟੈਸਟ ਸਧਾਰਨ ਰਹਿੰਦਾ ਹੈ: ਫਾਲਬੈਕ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ, ਜਵਾਬਦੇਹੀ ਨਿਰਧਾਰਤ ਕਰੋ, ਅਤੇ ਨਿਰਧਾਰਤ ਕਰੋ ਕਿ ਨੁਕਸਾਨ ਫੈਲਣ ਤੋਂ ਪਹਿਲਾਂ ਗਲਤੀਆਂ ਕਿਵੇਂ ਖੋਜੀਆਂ ਜਾਂਦੀਆਂ ਹਨ।.
ਮੈਂ ਇਹ ਕਿਵੇਂ ਫੈਸਲਾ ਕਰਾਂ ਕਿ ਮੇਰੀ ਟੀਮ ਜਾਂ ਸੰਗਠਨ ਲਈ AI ਇਸਦੇ ਯੋਗ ਹੈ?
ਨੌਕਰੀ ਦੇ ਵਰਣਨ ਵਾਂਗ ਕੰਮ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਕੇ ਸ਼ੁਰੂ ਕਰੋ: ਇਨਪੁਟ, ਆਉਟਪੁੱਟ, ਰੁਕਾਵਟਾਂ, ਅਤੇ "ਕੀਤਾ" ਦਾ ਕੀ ਅਰਥ ਹੈ। ਇੱਕ ਬੇਸਲਾਈਨ (ਸਮਾਂ, ਲਾਗਤ, ਗਲਤੀ ਦਰ) ਸਥਾਪਤ ਕਰੋ ਤਾਂ ਜੋ ਤੁਸੀਂ ਵਾਈਬਸ 'ਤੇ ਬਹਿਸ ਕਰਨ ਦੀ ਬਜਾਏ ਸੁਧਾਰ ਨੂੰ ਮਾਪ ਸਕੋ। ਫੈਸਲਾ ਕਰੋ ਕਿ ਸੱਚਾਈ ਕਿੱਥੋਂ ਆਉਂਦੀ ਹੈ - ਅੰਦਰੂਨੀ ਗਿਆਨ ਅਧਾਰ, ਪ੍ਰਵਾਨਿਤ ਦਸਤਾਵੇਜ਼, ਜਾਂ ਗਾਹਕ ਰਿਕਾਰਡ। ਫਿਰ ਹਿਊਮਨ-ਇਨ-ਦ-ਲੂਪ ਯੋਜਨਾ ਡਿਜ਼ਾਈਨ ਕਰੋ ਅਤੇ ਫੈਲਾਉਣ ਤੋਂ ਪਹਿਲਾਂ ਧਮਾਕੇ ਦੇ ਘੇਰੇ ਨੂੰ ਮੈਪ ਕਰੋ।.
ਜਦੋਂ AI ਆਉਟਪੁੱਟ ਗਲਤ ਹੁੰਦਾ ਹੈ ਤਾਂ ਕੌਣ ਜ਼ਿੰਮੇਵਾਰ ਹੁੰਦਾ ਹੈ?
ਇੱਕ ਮਨੁੱਖੀ ਮਾਲਕ ਨੂੰ ਆਉਟਪੁੱਟ, ਸਮੀਖਿਆਵਾਂ, ਅਤੇ ਸਿਸਟਮ ਦੇ ਅਸਫਲ ਹੋਣ 'ਤੇ ਕੀ ਹੁੰਦਾ ਹੈ, ਲਈ ਨਿਯੁਕਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। "ਮਾਡਲ ਨੇ ਅਜਿਹਾ ਕਿਹਾ" ਜਵਾਬਦੇਹੀ ਨਹੀਂ ਹੈ, ਖਾਸ ਕਰਕੇ ਜਦੋਂ ਪੈਸਾ, ਸੁਰੱਖਿਆ, ਜਾਂ ਅਧਿਕਾਰ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ। ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ ਕਿ ਜਵਾਬਾਂ ਨੂੰ ਕੌਣ ਮਨਜ਼ੂਰੀ ਦਿੰਦਾ ਹੈ, ਸਮੀਖਿਆ ਕਦੋਂ ਜ਼ਰੂਰੀ ਹੁੰਦੀ ਹੈ, ਅਤੇ ਘਟਨਾਵਾਂ ਨੂੰ ਕਿਵੇਂ ਰਿਕਾਰਡ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਸੰਬੋਧਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇਹ AI ਨੂੰ ਇੱਕ ਜ਼ਿੰਮੇਵਾਰੀ ਤੋਂ ਸਪੱਸ਼ਟ ਜ਼ਿੰਮੇਵਾਰੀ ਦੇ ਨਾਲ ਇੱਕ ਨਿਯੰਤਰਿਤ ਸਾਧਨ ਵਿੱਚ ਬਦਲ ਦਿੰਦਾ ਹੈ।.
ਮੈਨੂੰ ਸ਼ਾਸਨ ਦੀ ਕਦੋਂ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਅਤੇ ਆਮ ਤੌਰ 'ਤੇ ਕਿਹੜੇ ਢਾਂਚੇ ਵਰਤੇ ਜਾਂਦੇ ਹਨ?
ਜਦੋਂ ਦਾਅ ਵਧਦਾ ਹੈ ਤਾਂ ਸ਼ਾਸਨ ਸਭ ਤੋਂ ਵੱਧ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ - ਕਾਨੂੰਨੀ ਨਤੀਜੇ, ਸੁਰੱਖਿਆ, ਵਿੱਤੀ ਪ੍ਰਭਾਵ, ਜਾਂ ਲੋਕਾਂ ਦੇ ਅਧਿਕਾਰਾਂ ਨਾਲ ਸਬੰਧਤ ਕੁਝ ਵੀ। ਆਮ ਗਾਰਡਰੇਲਾਂ ਵਿੱਚ NIST ਜਨਰੇਟਿਵ AI ਪ੍ਰੋਫਾਈਲ (AI ਜੋਖਮ ਪ੍ਰਬੰਧਨ ਫਰੇਮਵਰਕ ਦਾ ਸਾਥੀ), OECD AI ਸਿਧਾਂਤ, ਅਤੇ EU AI ਐਕਟ ਦੇ ਜੋਖਮ-ਅਧਾਰਤ ਜ਼ਿੰਮੇਵਾਰੀਆਂ ਸ਼ਾਮਲ ਹਨ। ਇਹ ਟੈਸਟਿੰਗ, ਉਤਪਤੀ, ਨਿਗਰਾਨੀ, ਅਤੇ ਘਟਨਾ ਦੇ ਖੁਲਾਸੇ ਅਭਿਆਸਾਂ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਦੇ ਹਨ। ਇਹ ਬੇਢੰਗਾ ਮਹਿਸੂਸ ਹੋ ਸਕਦਾ ਹੈ, ਪਰ ਇਹ "ਓਹ, ਅਸੀਂ ਇੱਕ ਪਾਲਣਾ ਦੇ ਸੁਪਨੇ ਨੂੰ ਤਾਇਨਾਤ ਕੀਤਾ" ਨੂੰ ਰੋਕਦਾ ਹੈ।
ਜੇਕਰ AI ਨੂੰ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹਾਈਪਾਈਮ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਹ ਫਿਰ ਵੀ ਨਤੀਜੇ ਵਜੋਂ ਕਿਉਂ ਮਹਿਸੂਸ ਹੁੰਦਾ ਹੈ?
ਹਾਈਪ ਅਤੇ ਪ੍ਰਭਾਵ ਇਕੱਠੇ ਰਹਿ ਸਕਦੇ ਹਨ। ਬਹੁਤ ਸਾਰੀਆਂ ਤਕਨਾਲੋਜੀਆਂ ਇੱਕ ਜਾਣੇ-ਪਛਾਣੇ ਚਾਪ ਦਾ ਪਾਲਣ ਕਰਦੀਆਂ ਹਨ: ਸਿਖਰ ਦੀਆਂ ਉਮੀਦਾਂ, ਸਖ਼ਤ ਹਕੀਕਤ, ਫਿਰ ਸਥਿਰ ਮੁੱਲ। AI ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ, ਪਰ ਇਹ ਅਕਸਰ ਇਸ ਤਰ੍ਹਾਂ ਵੇਚਿਆ ਜਾਂਦਾ ਹੈ ਜਿਵੇਂ ਇਹ ਪਹਿਲਾਂ ਹੀ ਪੂਰਾ ਹੋ ਗਿਆ ਹੋਵੇ - ਜਦੋਂ ਇਹ ਅਜੇ ਵੀ ਪ੍ਰਗਤੀ ਅਧੀਨ ਹੁੰਦਾ ਹੈ ਅਤੇ ਏਕੀਕਰਨ ਹੌਲੀ ਹੁੰਦਾ ਹੈ। ਸਥਾਈ ਮੁੱਲ ਉਦੋਂ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ ਜਦੋਂ AI ਕੰਮ ਦੇ ਔਖੇ ਹਿੱਸਿਆਂ ਨੂੰ ਹਟਾਉਂਦਾ ਹੈ, ਡਰਾਫਟਿੰਗ ਅਤੇ ਕੋਡਿੰਗ ਦਾ ਸਮਰਥਨ ਕਰਦਾ ਹੈ, ਅਤੇ ਗਰਾਉਂਡਿੰਗ ਅਤੇ ਸਮੀਖਿਆ ਨਾਲ ਵਰਕਫਲੋ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਂਦਾ ਹੈ।.
ਹਵਾਲੇ
-
NIST ਦਾ ਜਨਰੇਟਿਵ AI ਪ੍ਰੋਫਾਈਲ (NIST AI 600-1, PDF) - AI ਜੋਖਮ ਪ੍ਰਬੰਧਨ ਢਾਂਚੇ ਲਈ ਸਾਥੀ ਮਾਰਗਦਰਸ਼ਨ, ਮੁੱਖ ਜੋਖਮ ਖੇਤਰਾਂ ਦੀ ਰੂਪਰੇਖਾ ਅਤੇ ਸ਼ਾਸਨ, ਟੈਸਟਿੰਗ, ਉਤਪਤੀ, ਅਤੇ ਘਟਨਾ ਦੇ ਖੁਲਾਸੇ ਲਈ ਸਿਫ਼ਾਰਸ਼ ਕੀਤੀਆਂ ਕਾਰਵਾਈਆਂ। ਹੋਰ ਪੜ੍ਹੋ
-
ਸਟੈਨਫੋਰਡ ਐੱਚਏਆਈ ਏਆਈ ਇੰਡੈਕਸ - ਇੱਕ ਸਾਲਾਨਾ, ਡੇਟਾ-ਅਮੀਰ ਰਿਪੋਰਟ ਜੋ ਪ੍ਰਮੁੱਖ ਮਾਪਦੰਡਾਂ ਅਤੇ ਸੂਚਕਾਂ ਵਿੱਚ ਏਆਈ ਪ੍ਰਗਤੀ, ਗੋਦ ਲੈਣ, ਨਿਵੇਸ਼ ਅਤੇ ਸਮਾਜਿਕ ਪ੍ਰਭਾਵਾਂ ਨੂੰ ਟਰੈਕ ਕਰਦੀ ਹੈ। ਹੋਰ ਪੜ੍ਹੋ
-
GitHub Copilot ਉਤਪਾਦਕਤਾ ਖੋਜ - Copilot ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਸਮੇਂ ਕੰਮ ਪੂਰਾ ਕਰਨ ਦੀ ਗਤੀ ਅਤੇ ਵਿਕਾਸਕਾਰ ਅਨੁਭਵ 'ਤੇ GitHub ਦਾ ਨਿਯੰਤਰਿਤ ਅਧਿਐਨ ਲੇਖ। ਹੋਰ ਪੜ੍ਹੋ
-
ਯੂਰਪੀਅਨ ਕਮਿਸ਼ਨ ਏਆਈ ਐਕਟ ਸੰਖੇਪ ਜਾਣਕਾਰੀ - ਕਮਿਸ਼ਨ ਦਾ ਹੱਬ ਪੰਨਾ ਜੋ ਏਆਈ ਪ੍ਰਣਾਲੀਆਂ ਲਈ ਯੂਰਪੀਅਨ ਯੂਨੀਅਨ ਦੀਆਂ ਜੋਖਮ-ਪੱਧਰੀ ਜ਼ਿੰਮੇਵਾਰੀਆਂ ਅਤੇ ਵਰਜਿਤ ਅਭਿਆਸਾਂ ਦੀਆਂ ਸ਼੍ਰੇਣੀਆਂ ਬਾਰੇ ਦੱਸਦਾ ਹੈ। ਹੋਰ ਪੜ੍ਹੋ