புதுமை புகுத்து 32: மிக்க நன்றி அன்பே சாட் ஜிபிடி!

அன்பு மனிதர்களை மட்டுமல்ல இயந்திர சாட் ஜிபிடியையும் உருக்கும் என்று புதிய ஆய்வில் தெரியவந்துள்ளது. ‘இதை செய்’, ‘அதை கூறு' என ஆணையாக மட்டுமே தூண்டல் செய்யும்போது சாட் ஜிபிடி போன்ற சட்பாட்கள் மேலோட்டமான பதில்களைத் தருவதாகவும் ‘தயவுசெய்து’, ‘நன்றி’ போன்ற வார்த்தைகளைப் பயன்படுத்தி சட்பாட்களுடன் உரையாடல் செய்யும்போது ஆழமான விடை கிடைப்பதாகவும் கண்டுபிடித்துள்ளனர்.

ஜப்பான் வசேடா பல்கலைக்கழக ஆய்வாளர்கள் ஜிகி யின், ஹாவ் வாங் மற்றும் டோக்கியோவில் உள்ள ரிகென் நுண்ணறிவு ஆய்வு மைய ஆராய்ச்சியாளர்கள் கைடோ ஹோரியோ, டெய்சுகே கவஹாரா மற்றும் சடோஷி செகின் ஆகியோர் இதனை கூறியுள்ளனர்.

சாட் ஜிபிடி போன்ற நவீன ஆழக்கற்றல் (deep learning) மூலம் நிர்மாணிக்கப்பட்ட சட்பாட்களை பெருமொழி மாதிரி (large language model-LLM -எல்எல்எம்) என்பார்கள். என் பெயர் என்ன, இது என்ன போன்ற எளிய கேள்விகளுக்குப் பதில் சொல்ல கிளிக்குப் பயிற்றுவிக்கலாம். அதுபோல 200 ஜிகாபைட்க்கும் மேல் தகவல்களை உள்ளீடு செய்துள்ளனர்.

இதில் ஆழக்கற்றல் செயற்கை நுண்ணறிவு நுட்பம் வழியே பெரும் தரவுத் தொகுப்புகளைப் பயன்படுத்தி பயிற்றுவிக்கப்பட்ட செயலிகள் தாம் எல்எல்எம். இந்த செயலிகளோடு நமது இயல்பு மொழியில் உரையாடலாம். பல்வேறு கேள்விகளை எழுப்பி உரையாடல் பாணியில் பதில் பெறலாம், ஓரளவுக்கு சரியாக மொழி பெயர்த்தல் கூட செய்யமுடியும்.

தூண்டல் செய்வது எப்படி? - ‘‘எண்ணெய் கத்திரிக்காய் செய்ய என்ன வேண்டும் சொல்?” என்பது ஆணை. இதையே ‘‘எண்ணெய் கத்திரிக்காய் செய்ய என்ன பொருள்கள் வேண்டும், கூற முடியுமா”? என்று கேட்பது மரியாதை. இத்தகைய ‘தூண்டல்களுக்கு’ (Prompt) ஏற்ற மாதிரி சட்பாட் நமக்கு மறுமொழி அளிக்கும்.

சிறப்பான பதிலை பெற, ‘‘நான் எண்ணெய் கத்திரிக்காய் சமைக்க விரும்புகிறேன்; அதற்கு தேவையான பொருட்கள் என்ன?” என முதல் தூண்டல் அமைய வேண்டும். அடுத்து, “தேவையான பொருள்கள் என்னிடம் உள்ளன; எண்ணெய் கத்திரிக்காய் செய்வது எப்படி என படிப்படியாகக் கூறவும்” என அடுத்த தூண்டல் அமைய வேண்டும்.

நமது தூண்டலை பொருத்து சிறப்பான விடை கிடைக்கும். எனவே தற்போது தூண்டல் பொறியியல் (Prompt Engineering) என்ற புது துறையும், நுண்ணறிவு சாட்பாட்களுக்கு ‘தூண்டல் செய்வது எப்படி' என்பது போன்ற பயிற்சி வகுப்புகளும் உருவாகியுள்ளன.

அளவான மரியாதை! - இதுபோன்ற பல்வேறு தூண்டல்களை உருவாக்கி எல்எல்எம் தரும் மறுமொழிகளின் தரத்தை ஜப்பான் மொழி, சீனமொழி, ஆங்கிலம் ஆகியவற்றில் ஆய்வு செய்தனர். கண்ணியமான தொனியில் தூண்டுதல் அமைந்தால் மறுமொழியின் தரம் கூடுகிறது என கண்டுபிடித்துள்ளனர். அதேநேரம் அதிகப்படியான முகஸ்துதியுடன் தூண்டல் வாக்கியங்கள் அமைந்தாலும் தரம் குறைகிறது எனக் கண்டுபிடித்துள்ளனர்.

சிக்கலான கணித வாய்ப்பாட்டுக்குத் தீர்வை சாட்பாட் செயலிகளின் உதவியோடு காணும்போது ‘‘ஒரு ஆழமான மூச்சை எடுத்து, இந்த சிக்கலான கடினமான கணித வாய்பாட்டை படிப்படியாகத் தீர்வு செய்யவும்” என தட்டிக்கொடுக்கும் படியான ஆதரவான தூண்டலை சேர்க்கும்போது செயலி செயல்படும் விதம் வேறுபடுகிறது எனக்கண்டனர். ஆடுற மாட்ட ஆடி கறக்கணும் பாடுறமாட்ட பாடிக் கறக்கணும் என்பது சாட் ஜிபிடிக்கும் பொருந்தும்.

- கட்டுரையாளர்: முதுநிலை விஞ்ஞானி, புது டெல்லி; தொடர்புக்கு: tvv123@gmail.com