সুচিপত্র
- শিল্পকর্মের পরিচয় কাঠামোগত আউটপুট প্রজন্মের একটি ধাপ এগিয়ে.
- ভাবছেন যৌক্তিক চিন্তা প্রজন্ম প্রক্রিয়ার একটি মূল অংশ।
- শনাক্তকারী এবং অনুসন্ধান আর্টিফ্যাক্টগুলির অনুসন্ধান এবং পুনরুদ্ধার সিস্টেম প্রম্পটের একটি মূল অংশ।
- টেমপ্লেটিং ভাষা গঠন একটি রেন্ডারিং টেমপ্লেট যা ইনপুট ভেরিয়েবলের উপর ভিত্তি করে স্থানান্তরিত হবে
- উপসংহার Claude এর জন্য একটি ছোট শিল্পকর্ম, AI এর জন্য একটি বিশাল লাফ।
- ক্লাউড 3.5 সিস্টেম সিস্টেম সম্পূর্ণরূপে অনুরোধ করে
শিল্পকর্মের পরিচয়
কাঠামোগত আউটপুট প্রজন্মের একটি ধাপ এগিয়ে.
এটি এই বিশ্লেষণের জন্য কোডের লিঙ্কটি উৎসের সাথে নীচে উপলব্ধ। এই বিশ্লেষণের মূল ফোকাস হ'ল শিল্পকর্মের ধারণার প্রবর্তন এবং এটি কীভাবে একটি বুদ্ধিমান শ্রেণীকরণ এবং পুনরুদ্ধার ব্যবস্থার অংশ হিসাবে কাজ করতে পারে।
“আর্টিফ্যাক্টগুলি যথেষ্ট, স্বয়ংসম্পূর্ণ সামগ্রীর জন্য যা ব্যবহারকারীরা সংশোধন বা পুনরায় ব্যবহার করতে পারে৷
একটি আর্টিফ্যাক্ট একটি দৃষ্টান্ত পরিবর্তন কারণ এটি একটি নতুন ধারণাকে আনুষ্ঠানিক করে তোলে। অবিরাম তথ্য ধারণা. ক্রমাগত ডেটা আমাদের জন্য একটি উচ্চতর কিউরেটেড এবং স্ট্রাকচার্ড কন্টেন্ট লাইব্রেরি অ্যাক্সেস করার জন্য একটি ধাপ। নির্দিষ্ট রেফারেন্স প্রদান করে, আমরা পুনরাবৃত্তি এবং আউটপুটকে ক্রমবর্ধমানভাবে উন্নত ও পরিমার্জন করার ক্ষমতা আনব্লক করি। এটি ভার্বোস এলএলএম আউটপুটের ক্ষণস্থায়ী প্রকৃতি নিয়ন্ত্রণের দিকে একটি পদক্ষেপ।
কোড সমাপ্তির মতো কার্যকরী কাজের জন্য জেনারেটিভ এআই-এর সহজাত সমস্যাগুলির মধ্যে একটি হল যে তারা প্রায়শই সাধারণ পরিবর্তনের জন্য সম্পূর্ণ ফাইলগুলি পুনরাবৃত্তি করে। একটি 'ডিফ' বৈশিষ্ট্যের জন্য একটি বিশাল চাহিদা রয়েছে, যেখানে আমরা একই বিষয়বস্তুর পুনরাবৃত্তির বিপরীতে আগে এবং পরের মধ্যে পার্থক্য আউটপুট করি।
এইভাবে শিল্পকর্ম একটি দ্বৈত উদ্দেশ্য পরিবেশন করে; প্রথমত, তারা কীভাবে এবং কোথায় আমাদের আউটপুট দরকার তার রেফারেন্স পয়েন্ট হিসাবে কাজ করে। এটি সুযোগের সেটিং বা একটি রেফারেন্স পয়েন্টের সংজ্ঞার মতো। এটি এলএলএম-কে মূল সমস্যার ফোকাস হারানো থেকে বিরত রাখবে এবং আউটপুটে কাঠামো এবং শ্রেণীবিভাগকে অবিরাম রাখবে।
বোনাস পয়েন্ট হিসাবে, আমাদের একটি স্বয়ংসম্পূর্ণ বৈশিষ্ট্যও রয়েছে। পরিবর্তনের 'বেস' কোড এবং সুযোগ নির্ধারণ করে, আমরা এখন আমাদের LLM-কে একটি নির্দিষ্ট কাজ বা সমস্যার দিকে মনোনিবেশ করার নির্দেশ দিয়েছি, একটি মতামতযুক্ত এবং কিউরেটেড উপায়ে। এটি জুমের অনিয়মিত স্থানান্তর বন্ধ করে এবং প্রম্পটে পুরো কাজটি প্রগতিতে প্রদান করে। যে কোনো প্রকৌশলী ভুলবশত "এখানে বাকি কোড" দিয়ে তাদের কোড মুছে ফেলেছেন আপনাকে ধন্যবাদ। আমরা এখানে সুযোগের সেটিং দেখতে পারি:
"স্বয়ংসম্পূর্ণ, জটিল বিষয়বস্তু যা কথোপকথনের প্রসঙ্গ ছাড়াই নিজেই বোঝা যায়
আমরা অনিয়ন্ত্রিত ভার্বোস আউটপুট থেকে একটি কংক্রিট আর্টিফ্যাক্টে ফোকাস পরিচালনা করছি। কথোপকথনের প্রেক্ষাপট উপেক্ষা করার সুস্পষ্ট নির্দেশনাটি লক্ষ্য করার মতো। এটি কিউরেটেড ডেটার রেফারেন্স দ্বারা গুণমান নিশ্চিত করার একটি পদ্ধতি। এটি একটি মান নিয়ন্ত্রণ প্রক্রিয়া যা ইনপুটের ভার্বস এবং সম্ভাব্য র্যান্ডম বৈশিষ্ট্যগুলিকে নিয়ন্ত্রণ করে।
এই সব পুনরুদ্ধারের জন্য একটি স্থাপত্য সঙ্গে একসঙ্গে ফিট. কিউরেটেড আর্টিফ্যাক্টগুলির একটি গভীর লাইব্রেরি থাকার মাধ্যমে, আমরা এখন আমাদের সিস্টেমকে একটি নিয়ন্ত্রিত ডেটাসেট থেকে পুনরুদ্ধারের নির্দেশ দিতে পারি। আমরা জানি যে সমস্ত বড় AI প্রদানকারীরা উচ্চ-মানের কিউরেটেড ডেটাতে বিনিয়োগের উপর খুব বেশি মনোযোগ দিচ্ছে। আর্টিফ্যাক্টগুলি একটি কাঠামোর সাথে ভার্বোস ইনপুট এবং আউটপুট তৈরির দিকে একটি পদক্ষেপ।
আমরা প্রম্পটে সিস্টেম-সংজ্ঞায়িত গবেষণা ইনপুট এবং ম্যাপিং থেকে দূরে ফোকাস দেখতে পারি। এখানে কিছু বর্জনের মানদণ্ডের একটি উদাহরণ রয়েছে:
"উপযোগী হতে বর্তমান কথোপকথনের প্রেক্ষাপটের উপর নির্ভরশীল সামগ্রী। এমন সামগ্রী যা ব্যবহারকারীর দ্বারা সংশোধন বা পুনরাবৃত্তি করার সম্ভাবনা নেই৷ ব্যবহারকারীদের কাছ থেকে অনুরোধ যা এক-বার প্রশ্ন বলে মনে হচ্ছে।
প্রম্পট সক্রিয়ভাবে সিস্টেমের প্রসঙ্গ এবং হাতে থাকা টাস্কের উপর ফোকাস করছে। প্রম্পটটি স্পষ্টভাবে ইনপুট ফিল্টার করার চেষ্টা করছে যা একটি খুব নির্দিষ্ট আউটপুটের সাথে প্রাসঙ্গিক নয়। সুতরাং, আর্টিফ্যাক্টটি জেনারেট করা টেক্সট এবং পর্দার আড়ালে স্ট্রাকচার্ড ডেটা উভয় ক্ষেত্রেই একটি কংক্রিট রেফারেন্স পয়েন্ট হিসাবে কাজ করে। এটি আমাদের দ্রুত এবং সঠিক পুনরুদ্ধার এবং ফোকাস দেয়। এর জন্য খুব সহায়ক কিছু...
ভাবছেন
যৌক্তিক চিন্তা প্রজন্ম প্রক্রিয়ার একটি মূল অংশ।
প্রম্পট ইঞ্জিনিয়াররা দীর্ঘদিন ধরে আমাদের বলে আসছেন যে নির্ভরযোগ্য আউটপুটের একটি চাবিকাঠি হল LLM-কে বহু-পদক্ষেপের কাঠামোগত এবং যৌক্তিক চিন্তা প্রক্রিয়া তৈরি করতে বাধ্য করে৷ আমরা প্রম্পটে এর আনুষ্ঠানিক স্বীকৃতি দেখতে পাই।
“1. সংক্ষিপ্তভাবে একটি আর্টিফ্যাক্ট আহ্বান করার আগে, <antthinking> ট্যাগের একটি বাক্যে চিন্তা করুন যে এটি একটি ভাল এবং খারাপ শিল্পকর্মের মানদণ্ডের বিরুদ্ধে কীভাবে মূল্যায়ন করে। বিষয়বস্তু একটি শিল্পকর্ম ছাড়া ঠিক কাজ করবে কিনা বিবেচনা করুন. যদি এটি আর্টিফ্যাক্ট-যোগ্য হয়, অন্য একটি বাক্যে এটি একটি নতুন আর্টিফ্যাক্ট বা একটি বিদ্যমান (সবচেয়ে সাধারণ) একটি আপডেট কিনা তা নির্ধারণ করুন। আপডেটের জন্য, পূর্বের শনাক্তকারী পুনরায় ব্যবহার করুন।
এখানে, আমরা আমাদের সিস্টেমকে টাস্ক এবং আউটপুট বিশ্লেষণ করার জন্য একটি কাঠামোগত বহু-পদক্ষেপ প্রক্রিয়া নিতে বাধ্য করছি। আবার, ভার্বোস বিষয়বস্তুর শক্তিশালী সংজ্ঞার দিকে অগ্রসর হওয়া এবং আর্টিফ্যাক্টগুলির জন্য একটি অনুসন্ধান এবং পুনরুদ্ধার ব্যবস্থার দিকে ইঙ্গিত করা।
"<antthinking> ফ্যাক্টরিয়াল গণনা করার জন্য একটি পাইথন স্ক্রিপ্ট তৈরি করা একটি ভাল শিল্পকর্মের মানদণ্ড পূরণ করে৷ এটি একটি স্বয়ংসম্পূর্ণ কোডের টুকরো যা নিজে থেকেই বোঝা যায় এবং পুনরায় ব্যবহার বা সংশোধন করা হতে পারে। এটি একটি নতুন কথোপকথন, তাই আগে থেকে বিদ্যমান কোনো শিল্পকর্ম নেই। তাই, আমি একটি নতুন আর্টিফ্যাক্ট তৈরি করছি।</antthinking>
<antthinking>এই অনুরোধটি বিদ্যমান ফ্যাক্টরিয়াল-ক্যালকুলেটর আর্টিফ্যাক্টের সরাসরি পরিবর্তন। এটি একটি নতুন আর্টিফ্যাক্ট নয় বরং স্ক্রিপ্টটিকে আরও শক্তিশালী করার জন্য একটি আপডেট। ধারাবাহিকতা বজায় রাখতে এবং আমাদের কোডের বিবর্তন দেখাতে আমি ফ্যাক্টরিয়াল-ক্যালকুলেটর শনাক্তকারী পুনরায় ব্যবহার করব।</antthinking>
এখানে, আমরা সংজ্ঞায়িত আউটপুট তৈরির জন্য একটি যৌক্তিক চিন্তা প্রক্রিয়ার বাস্তবায়ন দেখতে পাচ্ছি। আমাদের অ্যালগরিদম একই যৌক্তিক পদক্ষেপের মধ্য দিয়ে যায় তা নিশ্চিত করে, আমাদের কাছে একটি বুদ্ধিমান এবং পুনরাবৃত্তিযোগ্য প্রজন্মের প্রক্রিয়ার বীজ রয়েছে।
আমরা এই যুক্তিকে একজন ব্যক্তির চিন্তা প্রক্রিয়ার সাথে মানচিত্র করতে পারি। প্রথমত, আমাদের কাছে একটি যৌক্তিক এবং যৌক্তিক সমস্যা সমাধানের পদ্ধতি রয়েছে। আমরা হার্ড আর্টিফ্যাক্ট সঙ্গে এটি সম্পূরক. এলএলএম ডেটা সেট হল মস্তিষ্ক, কিন্তু নিদর্শনগুলি হল দক্ষতা এবং জ্ঞান যা আমাদেরকে একটি নির্দিষ্ট আউটপুটে পৌঁছাতে সক্ষম করে।
আমরা যদি সমস্ত প্রতিযোগী মডেল কল্পনা করি, তাহলে আমরা জানতে পারি যে তারা যৌক্তিক চিন্তা প্রক্রিয়ার প্রতিলিপির উপর নির্ভর করে। আমরা মূলত একজন মানুষের যৌক্তিক চিন্তা প্রক্রিয়ার অনুকরণ করার জন্য একটি রোবট মস্তিষ্ক তৈরি করছি। আমরা অনুপস্থিত অংশগুলি, জ্ঞান, কাঠামো এবং পুনরুদ্ধারের প্রক্রিয়াগুলি তৈরি করছি যা মস্তিষ্ককে জ্বালানী দেয়।
এটি সিস্টেম প্রম্পট এবং নির্দেশাবলীকে অবিশ্বাস্যভাবে মূল্যবান সম্পদ করে তোলে। "যৌক্তিক চিন্তা" বোঝা এবং পরিমার্জন প্রজন্ম প্রক্রিয়ার একটি মূল অংশ।
আমরা কোডে এই কাঠামোগত চিন্তার কিছু মৌলিক বাস্তবায়ন দেখতে পারি...
শনাক্তকারী এবং অনুসন্ধান
আর্টিফ্যাক্টগুলির অনুসন্ধান এবং পুনরুদ্ধার সিস্টেম প্রম্পটের একটি মূল অংশ।
“<antartifact identifier="factorial-script" type="application/vnd.ant.code" language="python" title="Simple Python factorial script"> def factorial(n): যদি n == 0: অন্য 1টি ফেরত দেয় : রিটার্ন n * ফ্যাক্টরিয়াল(n - 1)
তাহলে application/vnd.ant.code কি? আবেদন যথেষ্ট সহজ, VND হল বিক্রেতা, ANT হবে নৃতাত্ত্বিক (Claude-এর নির্মাতা) এবং কোড; এটি তাদের স্থাপত্যের একটি অন্তর্দৃষ্টি। আমি এমন কিছু শ্রেণীবিন্যাস এবং কাঠামোগত ডেটা আশা করব যা LLM-এর সাহায্যে লোকেরা যে কাজগুলি অর্জন করার চেষ্টা করছে তা তালিকাভুক্ত করে।
- কোডিং কাজ
- উপস্থাপনা
- নথিপত্র
- বিশ্লেষণ
- আরো অনেক...
আমরা, উদাহরণস্বরূপ, একটি পাওয়ারপয়েন্ট উপস্থাপনার চেষ্টা করার জন্য কিছু ছদ্ম-কোড তৈরি করতে পারি।
<antartifact identifier="powerpoint-presentation" type="application/vnd.ant.presentation" purpose="business" title="Simple powerpoint presentation"> Slide 1: Title slide Slide 2: Introduction Slide 3: Problem statement Slide 4: Solution </antartifact>
এটি প্রায় অবশ্যই প্রোডাকশন কোডের মতো কিছুই নয়, তবে একটি আকর্ষণীয় মানসিক দৃষ্টান্ত। ভার্বোস আউটপুট নিয়ন্ত্রণ এবং গঠন করতে, ইনপুট এবং আউটপুট শ্রেণীকরণ এবং মানককরণের জন্য আমাদের যৌক্তিক এবং যুক্তিসঙ্গত প্রক্রিয়াগুলির মুখোমুখি হতে হবে।
আমি সন্দেহ করি এর অর্থ হল যখন ইনপুট আসে, তারা পৃথক যুদ্ধ-কঠিন অ্যালগরিদম চালায় যা সত্তা নিষ্কাশন এবং শ্রেণীকরণ চালায়। এই কাঠামোগত ডেটা তারপর একটি সম্পদ অনুসন্ধান এবং পুনরুদ্ধার প্রক্রিয়ার মাধ্যমে চালিত হয়। যেখানে, পাঠ্যের জন্য, আমরা ভেক্টর ডাটাবেস ব্যবহার করি; অন্যান্য সংজ্ঞায়িত আউটপুটগুলির জন্য, আমরা এখন শিল্পকর্মের এই ধারণাটি চালু করেছি। উদাহরণস্বরূপ, একটি প্রতিক্রিয়া কোড কাজ এই মত কিছু যেতে পারে.
"INPUT: Create a react component for a metrics dashboard", "ENTITY_EXTRACTION: Coding, React, Metrics Dashboard", "ENTITY_SEARCH: Retrieve code artifacts for Metrics Dashboard where type = React", "SYSTEM_PROMPT: create_system_prompt(artifact_id='metrics-dashboard-component', type='application/vnd.ant.code', language='react')"
সেখানে অনেক কিছু চলছে, এবং আমরা দেখতে পাচ্ছি পর্দার আড়ালে যে হার্ড ইয়ার্ডগুলি প্রয়োজন তা উচ্চ-মানের উদাহরণ এবং শ্রেণীবিন্যাসগুলি তৈরি করার জন্য যা মূলত একটি সীমাহীন তাত্ত্বিক কাজগুলির পুল। এটিকে স্বয়ংক্রিয় করার জন্য পর্দার পিছনে অন্যান্য AI শ্রেণিবিন্যাস অ্যালগরিদমের সাথে পুনরাবৃত্তি থাকবে।
কিন্তু এটি, এর মূলে, যতদূর আমরা দেখতে পাচ্ছি, একটি অভিনব অনুসন্ধান এবং পুনরুদ্ধার ব্যবস্থা, একটি মালিকানাধীন টেমপ্লেটিং ভাষার উপর ভিত্তি করে।
টেমপ্লেটিং ভাষা কাঠামো
একটি রেন্ডারিং টেমপ্লেট যা ইনপুট ভেরিয়েবলের উপর ভিত্তি করে স্থানান্তরিত হবে।
আমি অনেক বছর আগে একজন ড্রুপাল ডেভেলপার হিসেবে আমার কর্মজীবন শুরু করেছি। প্রম্পট পড়া, শব্দ যে আমার উপর লাফ আউট TWIG ছিল. Twig হল একটি HTML টেমপ্লেটিং ভাষা যা সাধারণত PHP থেকে HTML-এ টেমপ্লেট রেন্ডার করার জন্য ব্যবহৃত হত। Claude প্রায় নিশ্চিতভাবে কিছু সমতুল্য পদ্ধতি ব্যবহার করবে যা স্ট্রাকচার্ড ডেটার উপর ভিত্তি করে ইনপুট এবং প্রসঙ্গ তৈরি করে (সম্ভবত এলএলএম-এর বাইরে বের করা হয়েছে)।
দেখে মনে হচ্ছে Claude Sonnet 3.5 অনুরূপ কিছু ব্যবহার করে, যা নিখুঁত বোধগম্য করে। এলএলএম-এ টেক্সট ইনপুট দেওয়া হলে, আমাদের নিয়মতান্ত্রিকভাবে টেক্সটের ব্লক তৈরি করতে হবে। এগুলি হল গতিশীল ট্যাগ যা প্রম্পট তৈরি করতে একসাথে রাখা হয়।
- <antartifact></antartifact>
- <artifacts_info><artifacts_info/>
- <example></example>
- <user_query></user_query>
- <example_docstring></example_docstring>
- <assistant_response></assistant_response>
এটি এক ধরনের ফাংশন-কলিং পদ্ধতির সুবিধা দেবে। প্রতিটি ট্যাগের একটি নির্দিষ্ট উদ্দেশ্য আছে। এটি তখন একটি বিমূর্ততা হিসাবে কাজ করে কারণ আমরা প্রতিটি নির্দিষ্ট উদ্দেশ্যে সঠিক বিভাগ এবং টাইপ করার জন্য আমাদের মডেলকে নির্দেশ করি। আমি কল্পনা করি প্রম্পট নির্মাণ এইরকম কিছু যায়। ব্যাপকভাবে অনুমানমূলক ছদ্ম কোড ইনকামিং…
function generate_reference() { context=artifact_type, artifact_id, task examples = search_examples_by_type('react', 'hooks', 'current_ids') return structured_data } function generate_system_instruction(structured_data) { <antartifact> <artifacts_info {{ attribute(version, '1.00') }}> <% artifact_introduction %> <% artifact_selection %> <% artifact_elimination %> <% artifact_usage %> <% artifact_instruction {{ type(code, 'data-code') }} {{ type(react, 'data-react') }} %> </ artifacts_info/> <example {{ for react_example in react_code_artifact }}>{react_example }</example> <example_docstring {{ for example_thought_process in curated_artifact_generation_example }}>{example_thought_process }<example_docstring /> <user_query>{sanitized_user_query}</user_query> <assistant_response>{sanitized_user_query}</assistant_response> </antartifact }
সুতরাং, সেখানে আমাদের আছে, একটি চিন্তা প্রক্রিয়া ব্লকে বিভক্ত। সত্তা নিষ্কাশন উন্নত অনুসন্ধান এবং পুনরুদ্ধার সঙ্গে ম্যাপ করা. একটি যৌক্তিক চিন্তা প্রক্রিয়ার জন্য বিল্ডিং ব্লক. আন্ডারপিনিং ডেটা আউটপুটের মানের চাবিকাঠি।
উপসংহার
Claude এর জন্য একটি ছোট শিল্পকর্ম, AI এর জন্য একটি বিশাল লাফ।
আর্টিফ্যাক্ট হল কাঠামোগত আউটপুট যেমন কোড জেনারেশন কি ভেক্টর সার্চ রাগ করতে হয়। এটি কাঠামোগত আউটপুট জন্য অনুসন্ধান এবং পুনরুদ্ধার সিস্টেম.
আমরা ক্লাউড 3.5 এ একটি কাঠামোগত এবং যুক্তিযুক্ত চিন্তা প্রক্রিয়ার প্রমাণ দেখতে পাই। আমরা সবসময় জেনারেটিভ এআই-তে গুরুত্বপূর্ণ বলে আশা করেছিলাম, তবে এটি আনুষ্ঠানিক প্রমাণ।
আমি কল্পনা করতে পারি ডেভেলপার এবং বিপণনকারীদের বাহিনী কিউরেটেড আর্টিফ্যাক্টের লাইব্রেরি তৈরি করছে। এই লাইব্রেরিটি শ্রেণীবিভাগের মাধ্যমে অ্যাক্সেস করা হয় এবং তারপর অনুসন্ধান এবং পুনরুদ্ধারের কাজগুলি। তবে এগিয়ে যাওয়ার আসল ধাপটি হল অধ্যবসায়ের ধারণা।
শিল্পকর্মের সাথে কাজ করার মাধ্যমে, আমাদের কাছে রেফারেন্স পয়েন্ট রয়েছে যা ক্ষণস্থায়ী বাইরেও বিদ্যমান। যেগুলি পরিমার্জিত এবং পুনরায় ব্যবহার করা যেতে পারে। আমরা ইতিমধ্যে চিন্তা এবং ভার্বস আউটপুট ছিল. এখন, আমরা স্মৃতি এবং দক্ষতা পেয়েছি...
ক্লাউড 3.5 সিস্টেম
