प्रौद्योगिकी साझेदारी

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

अन्तिमेषु वर्षेषु एआइ-इत्यस्य तीव्रविकासेन खलु महत् प्रभावः अभवत् तथापि वस्तुतः एआइ पूर्णतया सीमां न लङ्घितवान् अद्यापि केवलं लघुवृत्ते एव "स्वयं प्रचारयति"परन्तु पूर्वापेक्षया बहु भिन्नम् अस्ति ।
अयं लेखः बृहत् मॉडलानां वर्तमानस्थितौ केन्द्रितः भविष्यति तथा च अभियांत्रिकी कार्यान्वयनसम्बद्धानां विषयाणां विषये चर्चां करिष्यति।

अहम् अत्र AI इत्यस्य विषये एव बहु विस्तरेण न गमिष्यामि, परन्तु उच्चस्तरीय-अनुप्रयोगेषु अधिकं ध्यानं दास्यामि ।

बृहत् भाषाप्रतिमानानाम् अवलोकनम्

यदा वयं विशालभाषाप्रतिरूपस्य विषये वदामः तदा वयं एकं सॉफ्टवेयरखण्डं निर्दिशन्ति यत् मानवभाषासदृशरीत्या "वक्तुं" शक्नोति ।एते आदर्शाः आश्चर्यजनकाः सन्ति – ते सन्दर्भं गृहीत्वा प्रतिक्रियाः जनयितुं समर्थाः सन्ति ये न केवलं सुसंगताः अपितु वास्तविकमनुष्येभ्यः आगच्छन्ति इव अनुभूयन्ते
एते भाषाप्रतिमानाः भाषाप्रयोगे बहूनां पाठदत्तांशस्य, शिक्षणप्रतिमानस्य च विश्लेषणं कृत्वा कार्यं कुर्वन्ति ।ते एतेषां प्रतिमानानाम् शोषणं कृत्वा मनुष्याणां वचनस्य लेखनस्य वा प्रायः अभेद्यः पाठः जनयन्ति ।
यदि भवान् कदापि आभासीसहायकेन सह गपशपं कृतवान् अथवा AI ग्राहकसेवा एजेण्टेन सह अन्तरक्रियां कृतवान् अस्ति, तर्हि भवान् सम्भवतः एकेन विशालेन भाषाप्रतिरूपेण सह अन्तरक्रियां कृतवान् अस्ति यत् एतेषु मॉडलेषु चॅटबॉट् तः भाषानुवादं यावत् सामग्रीपर्यन्तं अनुप्रयोगाः विस्तृताः सन्ति! सृष्टिः इत्यादयः

बृहत् भाषाप्रतिरूपं किम्

• परिभाषा : बृहत्भाषाप्रतिरूपं (LLM) पूर्वप्रशिक्षितं प्राकृतिकभाषासंसाधनं (NLP) प्रतिरूपं भवति, यत्र प्रायः अरबौ अथवा शतशः अरबौ मापदण्डाः सन्ति, ये प्राकृतिकभाषापाठं अवगन्तुं जनयितुं च समर्थाः सन्तिपरिपक्वस्य बृहत्भाषाप्रतिरूपस्य प्रशिक्षणदत्तांशः विशालः अस्ति ।
• नियोग: बृहत् भाषाप्रतिमानाः विविधाः भाषाकार्यं कर्तुं शक्नुवन्ति, यथा पाठवर्गीकरणं, भावनाविश्लेषणं, यन्त्रानुवादः, पाठसारांशीकरणं, प्रश्नोत्तरप्रणाली इत्यादयः।
• तकनीकी आधार: Transformer आर्किटेक्चर इत्यस्य आधारेण, अनुक्रमदत्तांशस्य संसाधनार्थं Self-Attention तन्त्रस्य उपयोगेन
• रचयति: प्रारम्भिक आरएनएन तथा एलएसटीएम इत्यस्मात् आरभ्य वर्तमानमाडलपर्यन्तं यथा BERT तथा GPT इत्यादयः मापदण्डानां संख्यायां कार्यप्रदर्शने च निरन्तरं सुधारः अभवत् ।

यन्त्रशिक्षणं किम्

• परिभाषा: यन्त्रशिक्षणं कृत्रिमबुद्धेः एकः शाखा अस्ति या सङ्गणकतन्त्राणि दत्तांशतः शिक्षितुं, स्पष्टतया प्रोग्रामं विना निर्णयं वा भविष्यवाणीं वा कर्तुं समर्थयति
• प्रकारः: पर्यवेक्षितशिक्षणं, अनिरीक्षितशिक्षणं, अर्धनिरीक्षितशिक्षणं, सुदृढीकरणशिक्षणं च समाविष्टम्
• अनुप्रयोगः: बिम्बपरिचयः, वाक्परिचयः, अनुशंसप्रणाल्याः, भविष्यवाणीविश्लेषणम् इत्यादिषु क्षेत्रेषु व्यापकरूपेण प्रयुक्तः
• प्रमुख अवधारणाएँ: विशेषताचयनं, मॉडलप्रशिक्षणं, ओवरफिटिंग् तथा अण्डरफिटिंग्, मॉडल् मूल्याङ्कनम् इत्यादयः।

गहनं शिक्षणं किम्

• परिभाषा: गहनशिक्षणं यन्त्रशिक्षणस्य एकः उपसमूहः अस्ति यः बहुस्तरीय (गहन) अरैखिकरूपान्तरणद्वारा आँकडानां जटिलप्रतिमानं ज्ञातुं मानवमस्तिष्कस्य सदृशस्य तंत्रिकाजालसंरचनायाः उपयोगं करोति
• कोर घटक: तंत्रिकाजालस्तराः, सक्रियीकरणकार्यं, हानिकार्यं, अनुकूलन एल्गोरिदम्।
• संरचना: यत्र कन्वोल्यूशनल न्यूरल नेटवर्क (CNN), पुनरावर्ती न्यूरल नेटवर्क (RNN), दीर्घकालीन अल्पकालिकस्मृतिजाल (LSTM) तथा ट्रांसफार्मर (Transformer) इत्यादयः सन्ति।
• अनुप्रयोगः: बिम्ब-वाक्-परिचय-प्रकृति-भाषा-संसाधन-स्वायत्त-वाहन-आदि-क्षेत्रेषु क्रान्तिकारी-प्रगतिः अभवत् ।

बृहत् भाषाप्रतिमानानाम् अवगमनम्

उपरि बृहत्भाषाप्रतिमानानाम् अवलोकनं कृत्वा बृहत्भाषाप्रतिमानानाम् "अवगमनाय" पृथक् अध्यायं किमर्थं उद्घाटयितुं आवश्यकम्?यतोहि एतेन भवन्तः बृहत्भाषाप्रतिरूपं किम् इति अधिकतया ज्ञातुं शक्नुवन्ति, तस्याः उच्चसीमाम् अवगन्तुं शक्नुवन्ति, अपि च इदं शक्नोति अस्माकं कृते अनुप्रयोगस्तरं उत्तमं कर्तुं सुलभं कुर्वन्तु।
प्रथमं वयं सामान्यरीत्या वक्तुं शक्नुमः यत् यन्त्रशिक्षणं विशेषं जटिलं "कार्यं" अन्वेष्टुम् अस्ति यत् अस्माकं निवेशं इष्टनिर्गमं प्रति परिवर्तयितुं शक्नोति । यथा, यदि वयं इनपुट् 1 तथा आउटपुट् 5 इत्येव अपेक्षयामः तर्हि एतत् फंक्शन् y=2*x भवितुम् अर्हति ।अथवा यदि वयं बिडालस्य चित्रं इनपुट् कुर्मः तर्हि अहं इच्छामि यत् एतत् "cat" इति शब्दं आउटपुट् करोतु, अथवा यदि अहं "hi" इति इन्पुट् करोमि तर्हि "hello" इत्यादीन् आउटपुट् करिष्यति ।

वस्तुतः एतत् सारतः गणितीयसमस्या इति गणयितुं शक्यते अवश्यं उपर्युक्तोदाहरणात् वास्तविकसमस्या बहु जटिला भविष्यति ।

इतिहास

1. प्रारम्भिकेषु दिनेषु जनाः सर्वदा यन्त्राणि जनानां इव चिन्तयितुं इच्छन्ति स्म पक्षाः।ततः ते यन्त्रं मानववत् चिन्तयतु इति आशां कृतवन्तः। परन्तु एषः प्रभावः बहु उत्तमः नास्ति "विश्वज्ञानम्" (विश्वज्ञानं भवतः मस्तिष्के पूर्वनिर्धारितं ज्ञानं यत् चिन्तनं विना सुप्रसिद्धं सहजं च भवति यथा "जलं अधः प्रवहति is massive.सामान्यतया मानवमस्तिष्कस्य अनुकरणं कर्तुं अतीव जटिलं भवति, केवलं संकेतानां कार्याणां च उपयोगेन तत् प्राप्तुं कठिनम् अस्ति ।

2. कृत्रिमबुद्धिः 2.0 युगः “सांख्यिकीय-आधारितकृत्रिमबुद्धिः” इत्यस्य आँकडा-सञ्चालित-कार्यन्वयनम् । GPT3 इत्यस्य उद्भवानन्तरं वर्षायाः अनन्तरं सर्वविधाः बृहत् मॉडलाः किमर्थं मशरूम इव उत्पन्नाः? वस्तुतः अधिकांशकम्पनयः ए.आइ ते सर्वे सीमितव्याप्तेः अन्तः आसन्। GPT3 इत्यस्य उद्भवेन सर्वेषां कृते एकः निश्चितः विधिः सम्भवः इति द्रष्टुं शक्यते स्म, यत् आँकडानां गणनाय विशालमात्रायां दत्तांशस्य उपयोगः भवति अतः सफलप्रकरणैः सह सर्वे जानन्ति स्म यत् एषा पद्धतिः सम्भवः अस्ति started निवेशं वर्धयन्तु एतत् मार्गं च गृह्यताम्

3. बृहत् आँकडा यन्त्रबुद्धेः स्तरं अग्रे कूर्दितुं शक्नोति;

• मूलविचारः : बृहत् परिमाणे आँकडानां सांख्यिकीयसूचनायाः आधारेण, परिणामेषु अनुकूलतायै "प्रशिक्षणमापदण्डान्" (सारं "बायोनिक" न तु "सांख्यिकीयम्" अस्ति)
• मुख्यलाभाः : यथा यथा दत्तांशस्य परिमाणं सञ्चितं भवति तथा तथा प्रणाली निरन्तरं सुधरति तथा च उत्तमः उत्तमः च भविष्यति;
• मूलतत्त्वानि : “बृहत्दत्तांशः”, विशालः, बहुआयामी च व्यापकः च बृहत्दत्तांशः
• विशाल-बहुआयामी-व्यापक-बृहत्-आँकडानां आधारेण "रोट-लर्निङ्ग्";
  सांख्यिकीयकृत्रिमबुद्धेः माध्यमेन "बुद्धिसमस्याः" "दत्तांशसमस्यासु" परिणमन्ति, गणनां भवति
  यन्त्राणि बृहत्दत्तांशतः शिक्षणद्वारा "अनिश्चितसमस्यानां" समाधानं कर्तुं शक्नुवन्ति

अत्यावश्यकम्

अतः समस्यायाः कुञ्जी संभाव्यतायाः प्रश्नः भवति। सम्प्रति बृहत् आदर्शाः विशालदत्तांशतः संभाव्यतां गणयन्ति यत् अग्रिमपाठस्य अथवा मध्ये पाठस्य निश्चितस्य अनुच्छेदस्य उच्चतमसंभावना निर्धारयन्ति, ततः तत् निर्गच्छन्तिवस्तुतः सारं न नूतनानि वस्तूनि जनयितुं, अपितु तर्कः एव ।

यथा, तं पृच्छन्तु चीनदेशस्य राजधानी कुत्र अस्ति ?एल्गोरिदम् इत्यस्य माध्यमेन निष्कासितः कीवर्डः अस्ति यत् चीनस्य राजधानी अस्ति
ततः बृहत् मॉडलः विशालदत्तांशतः गणनां करोति यत् चीनस्य राजधानी एव सर्वाधिकं सम्भाव्यः शब्दः यस्य अनुसरणं बीजिंगः अस्ति, अतः सः सम्यक् परिणामं निर्गच्छति।

बृहत् मॉडल् वर्तमानक्षमतां प्राप्तुं विशालमात्रायां दत्तांशस्य "रोट लर्निंग्" इत्यस्य उपरि अवलम्बन्ते ।
अतः बृहत् मॉडल् प्रशिक्षणार्थं दत्तांशगुणवत्ता अपि अतीव महत्त्वपूर्णा अस्ति तत्सहकालं वयं बृहत् मॉडल् इत्यस्य उपरितनसीमायाः विषये प्रायः चिन्तयितुं शक्नुमः ।

एआईजीसी प्रणाली

एआइजीसी अथवा आर्टिफिशियल इंटेलिजेन्स् जेनरेड् कंटेण्ट् इति एकः प्रौद्योगिकी अस्ति या यन्त्रशिक्षणस्य एल्गोरिदम् इत्यस्य उपयोगेन स्वयमेव पाठः, चित्रः, श्रव्यः, भिडियो च समाविष्टाः विविधप्रकारस्य सामग्रीं जनयति बृहत्मात्रायां आँकडानां विश्लेषणं कृत्वा एआइजीसी-प्रणाल्याः भाषा, दृश्य-श्रव्य-प्रतिमानं शिक्षन्ति, येन नूतना सामग्री निर्माति, या मानवनिर्मितसामग्रीभ्यः समाना अथवा अभेद्यः अपि भवति
सर्वाणि अङ्कीयकार्यं "बृहत्प्रतिरूपैः" विध्वंसितस्य सम्भावना वर्तते।
अस्माकं वर्तमानस्य अनुप्रयोगस्तरस्य अधिकांशं कार्यं AIGC प्रणाल्याः अस्ति
GPT3.5 इत्यस्य अनन्तरं बृहत् मॉडल् पूर्वमेव साधनानां उपयोगं कर्तुं शक्नोति ।
• प्लग-इन् तथा नेटवर्किंग् : बृहत् मॉडलस्य एव स्मृति-अभावस्य पूर्तिं करोति, यत् एलएलएम-उपकरणानाम् उपयोगं शिक्षणस्य आधिकारिकं आरम्भं चिह्नयति
• कार्यम् : एलएलएम जटिलकार्यं पूर्णं कर्तुं एपिआइ-इत्येतत् आह्वयितुं शिक्षते, यत् पृष्ठ-अन्त-इञ्जिनीयराणां मुख्यं कार्यं भवति (गोरिल्ला-निर्देशान् दत्त्वा स्वयमेव प्रसारणं अन्यं च मॉडलं आह्वयति यत् बहु-मोडल-कार्यं यथा रेखाचित्रणं संवादं च कार्यान्वितुं शक्नोति)
• आदर्शं "चिन्ततु": बृहत् मॉडलानां तार्किकक्षमतानां मार्गदर्शनं कुर्वन्तु, मूलं अत्र निहितं भवति: "Planning Memory Tool".

एआइ अभियांत्रिकी परियोजनानां कार्यान्वयनम्

वस्तुतः एआइ परियोजनानां कार्यान्वयनम् साधारणपरियोजनानां समानं भवति प्रारम्भिकपरियोजनास्थापनस्य मूलं भवितुमर्हति यत् परियोजनायाः समाधानं कर्तुं उद्दिष्टाः मूलसमस्याः स्पष्टतया अवगन्तुं, ततः चिन्तनस्य विस्तारः करणीयः, ततः कार्यं कर्तुं च माङ्गविश्लेषणं, प्रौद्योगिक्याः चयनम् इत्यादयः।वयं एप्लिकेशन-स्तरस्य विषये शोधार्थं बृहत्-माडल-निर्माणे बहु उत्तमाः न स्मः ।

कथं अवतरितव्यम्

शीघ्र परियोजना (चरण 1) 1.1.

यः कोऽपि एआइ-सम्बद्धं किञ्चित् संपर्कं प्राप्तवान् सः संकेतान् जानाति स्यात् २०२२-२०२३ तमे वर्षे एआइ-विषये प्रारम्भिकं शोधं अद्यापि एतस्य आधारेण भविष्यति, अर्थात् एआइ-इत्यस्य भवतः अर्थं अधिकतया अवगन्तुं कथं प्रश्नाः पृच्छितव्याः, स्वस्य कुञ्जी-विषये ध्यानं दत्तव्यम् अंकं ददाति ततः उत्तमगुणवत्तायुक्तानि उत्तराणि प्रददति
सीमा तुल्यकालिकरूपेण न्यूना भवति, अधिकांशं बृहत् मॉडल् अनुप्रयोगं च Prompt इत्यनेन डिजाइनं कृतम् अस्ति ।केषाञ्चन आवश्यकतानां पूर्तये शक्नुवन् मूलभूतप्रतिरूपस्य क्षमतायाः उपरि निर्भरं भवति

RAG अन्वेषणम् (द्वितीयः चरणः) २.

RAG (Retrieval-Augmented Generation) इति कृत्रिमबुद्धिप्रौद्योगिकी अस्ति या पुनर्प्राप्तिप्रतिरूपं जनरेशनप्रतिरूपं च संयोजयति । एतत् ज्ञानकोशात् अथवा दत्तांशकोशात् प्रासंगिकसूचनाः पुनः प्राप्य उपयोक्तृप्रश्नैः सह संयोजयित्वा बृहत्भाषाप्रतिमानानाम् (LLMs) उत्तरक्षमतां वर्धयति RAG प्रौद्योगिकी एआइ-अनुप्रयोगानाम् सटीकतायां प्रासंगिकतायां च सुधारं कर्तुं शक्नोति, विशेषतः तेषु परिदृश्येषु येषु विशिष्ट-डोमेन-ज्ञानेन सह व्यवहारः भवति अथवा नवीनतम-सूचनायाः आवश्यकता भवति
RAG इत्यस्य कार्यसिद्धान्ते मुख्यतया द्वौ चरणौ समाविष्टौ स्तः- १.

1. पुनर्प्राप्तिः : उपयोक्तुः प्रश्नस्य आधारेण RAG ज्ञानाधारे सर्वाधिकं प्रासंगिकसूचनाः अथवा दस्तावेजाः अन्वेष्टुं निष्कासयितुं च पुनर्प्राप्तिप्रतिरूपस्य उपयोगं करोति ।
2. जननम् : पुनः प्राप्ता सूचना जनरेशन मॉडल् मध्ये निवेशरूपेण उपयुज्यते, उपयोक्तृप्रश्नेन सह, यस्मात् जनरेशन मॉडल् उत्तराणि वा सामग्रीं वा जनयति
   RAG प्रौद्योगिक्याः लाभाः सन्ति : १.
   • ज्ञानस्य अद्यतनम् : नवीनतमसूचनाः प्राप्तुं क्षमता, न तु केवलं आदर्शप्रशिक्षणस्य समये ज्ञानम्
   • मतिभ्रमस्य न्यूनीकरणं : बाह्यज्ञानस्रोतानां साहाय्येन एलएलएम-संस्थायाः अशुद्धानि अथवा मिथ्यासूचनाः जनयितुं प्रवृत्तिः न्यूनीकरोतु
   • आँकडासुरक्षा : तृतीयपक्षीयमञ्चेषु अपलोड् न कृत्वा निजीदत्तांशस्य उपयोगं व्यवसायान् कर्तुं शक्नोति
   • व्यय-प्रभावी : RAG बृहत् मॉडल् पुनः प्रशिक्षणं वा सूक्ष्म-ट्यूनिङ्गं वा अपेक्षया अधिकं किफायती समाधानं प्रदाति

प्रशिक्षणकार्यविशिष्टप्रतिमानाः (चरणः ३) २.

परन्तु एषा सीमा तुल्यकालिकरूपेण उच्चा अस्ति, तथा च गणनाशक्तिः, दत्तांशः, अल्गोरिदम् च इत्येतयोः कृते केचन आवश्यकताः सन्ति ।

व्यावसायिक डिजाइन कार्यान्वित

प्रथमः सोपानः - विचारः अन्वेषणं च

लक्ष्यम् : व्यवहार्यतासत्यापनं, व्यावसायिकआवश्यकतानां आधारेण आदर्शरूपस्य डिजाइनं, प्रमुखधारणानां परीक्षणार्थं PromptFlow इत्यस्य निर्माणं च

• मूल इनपुट : स्पष्ट व्यावसायिक उद्देश्य
• मुख्यनिर्गमः : सत्यापयन्तु यत् बृहत्भाषाप्रतिरूपं (LLM) कार्यस्य आवश्यकतां पूरयितुं, प्रमुखानुमानानाम् स्थापनां कर्तुं वा अङ्गीकारं कर्तुं वा शक्नोति वा
• प्रमुखाः कार्ययोजनाः : १.
  • व्यावसायिकप्रयोगप्रकरणं स्पष्टतया परिभाषयन्तु
  • उपयुक्तं मूलभूतं बृहत् प्रतिरूपं चयनं कृत्वा अनन्तरं सूक्ष्म-समायोजनाय (SFT) अन्येभ्यः उपयोगेभ्यः आवश्यकानि आँकडानि सज्जीकरोतु
  • PromptFlow इत्यस्य डिजाइनं निर्माणं च, व्यवहार्यतापरिकल्पनानां सूत्रीकरणं, परीक्षणं च

Step 2: निर्माणं वर्धनं च

लक्ष्यम् : आँकडासंग्रहस्य बृहत्तरपरिधिषु समाधानस्य दृढतायाः मूल्याङ्कनं कृत्वा सूक्ष्म-ट्यूनिङ्ग (SFT) तथा पुनर्प्राप्ति-संवर्धित-जनरेशन (RAG) इत्यादीनां तकनीकानां माध्यमेन मॉडल-प्रदर्शनं वर्धयितुं

• मूलनिवेशः प्रारम्भिकयोजनया सह संयुक्ताः व्यावसायिकलक्ष्याः (चरणस्य १ परिणामाः)
• मुख्यनिर्गमः : एकः परिपक्वः व्यावसायिकसमाधानः, यः उत्पादनप्रणाल्यां परिनियोजनाय सज्जः अस्ति
• प्रमुखाः कार्ययोजनाः : १.
  • नमूनादत्तांशस्य उपरि PromptFlow इत्यस्य प्रभावशीलतां सत्यापयन्तु
  • PromptFlow इत्यस्य मूल्याङ्कनं अनुकूलनं च कुर्वन्तु तथा च उत्तमप्रोम्प्ट्-उपकरणानाम् अन्वेषणं कुर्वन्तु
  • यदि अपेक्षितलक्ष्याणि प्राप्तानि सन्ति तर्हि परीक्षणार्थं बृहत्तरदत्तांशसमूहे विस्तारं कुर्वन्तु, तथा च SFT, RAG इत्यादीनां प्रौद्योगिकीनां माध्यमेन प्रभावे अधिकं सुधारं कुर्वन्तु

Step 3: कार्याणि निरन्तरं कुर्वन्तु

लक्ष्यम् : एआइजीसी-प्रणाल्याः स्थिरं संचालनं सुनिश्चितं कर्तुं, निगरानीयता-अलार्म-प्रणालीं च एकीकृत्य, निरन्तरं एकीकरणं निरन्तरं परिनियोजनं च (CI/CD) प्राप्तुं

• कोर इनपुट् : विशिष्टसमस्यायाः समाधानं कर्तुं समर्थः AIGC प्रणाली
• मुख्यनिर्गमाः : उत्पादनस्तरीयाः प्रक्रियाः ये निगरानीयता-सचेतना-प्रणालीं, तथा च CI/CD-प्रक्रियाः एकीकृत्य स्थापयन्ति ।
• प्रमुखाः कार्ययोजनाः : १.
  • एआईजीसी प्रणालीं परिनियोजयन्तु
  • अनुप्रयोगेषु प्रणालीक्षमता निहिताः इति सुनिश्चित्य निगरानीयता-सचेतना-क्षमतां एकीकृत्य स्थापयन्तु
  • अनुप्रयोगसञ्चालनतन्त्रं स्थापयन्तु, यत्र निरन्तरं पुनरावृत्तिः, परिनियोजनं, अद्यतनीकरणं च समाविष्टम् अस्ति
    एतस्याः प्रक्रियायाः माध्यमेन वयं सुनिश्चितं कुर्मः यत् अवधारणायाः प्रमाणात् उत्पादननियोजनपर्यन्तं प्रत्येकं पदं सटीकं, नियन्त्रणीयं, व्यावसायिकलक्ष्यैः चालितं च भवति

शीघ्र प्रौद्योगिकी

1. मुख्यसामग्रीखण्डानां चालकभूमिका

मुख्यसामग्रीस्निपेट्स् तेषां प्रभावशीलतां महत्त्वपूर्णतया वर्धयितुं निर्देशैः सह प्रयुक्तः पाठ्यमूलः अस्ति ।

1. मुख्यसामग्रीपरिभाषा : १.
   • मुख्यसामग्री आदर्शसंसाधनस्य अथवा परिवर्तनस्य मूलपाठः भवति, प्रायः विशिष्टलक्ष्याणां प्राप्त्यर्थं निर्देशैः सह युग्मितः भवति ।
2. अनुप्रयोगस्य उदाहरणानि : १.
   • उदाहरणम् १: विकिपीडियापाठस्य [पाठस्य] एकं भागं "कृपया उपर्युक्तसामग्री सारांशं कुरुत" इति निर्देशेन सह प्रदातव्यम् ।
   • उदाहरणम् २: बीयरसूचना [पाठः] युक्तं सारणीं दत्तं चेत्, निर्देशः अस्ति "सारणीयां सर्वाणि बीयराणि ६ डिग्रीतः न्यूनानि डिग्रीभिः सूचीबद्धानि कुर्वन्तु" इति ।

2. मुख्यसामग्रीणां कार्यान्वयनरणनीतिः

मुख्यसामग्रीप्राप्त्यर्थं विशिष्टानि पद्धतयः, यथा- १.

• उदाहरणम् : प्रत्यक्षनिर्देशानां अपेक्षया कार्यं कथं पूर्णं कर्तव्यमिति उदाहरणानि प्रदातुं प्रतिरूपं स्वायत्तरूपेण कार्याणि कर्तुं आवश्यकानि अनुमानं कर्तुं शक्नोति।
• संकेतः : उत्तरं प्राप्तुं पदे पदे तर्कं कर्तुं प्रतिरूपस्य मार्गदर्शनार्थं सूचकैः सह निर्देशानां उपयोगं कुर्वन्तु।
• टेम्पलेट्: स्थानधारकैः सह पुनः उपयोगयोग्यं प्रॉम्प्ट् नुस्खं प्रदाति, विशिष्टानां उपयोगप्रकरणानाम् अनुकूलनं अनुमन्यते ।

3. उदाहरणानां शक्तिः (उदाहरणम्) .

दत्तनिर्देशानाम् आधारेण कथं उत्पादनं जनयितुं शक्यते इति प्रतिरूपं दर्शयित्वा आदर्शः शून्य-शॉट्, एक-शॉट्, अल्प-शॉट्-शिक्षणं वा, आउटपुट्-प्रतिमानानाम् अनुमानं कर्तुं समर्थः भवति

• घटकः १.
  • समग्रं मिशनवर्णनम्।
  • इष्टस्य उत्पादनस्य श्रेणीयाः उदाहरणम् ।
  • अनन्तरकार्यस्य आरम्भबिन्दुरूपेण कार्यं कुर्वन्तः नूतनानां उदाहरणानां मार्गदर्शकः ।

4. सुरागस्य मार्गदर्शकभूमिका (Cue) .

बृहत् आदर्शानां तार्किकतर्कस्य स्पष्टदिशि मार्गदर्शनार्थं सूचकानि प्रदातुं प्रतिरूपस्य क्रमेण उत्तरं प्राप्तुं साहाय्यं कर्तुं पदे पदे सूत्रं प्रदातुं सदृशम् अस्ति

5. टेम्पलेट् इत्यस्य अनुकूलनमूल्यं (Template) .

टेम्पलेट्-मूल्यं विशिष्ट-अनुप्रयोग-क्षेत्राणां कृते प्रॉम्प्ट्-पुस्तकालयानां निर्माणे प्रकाशने च निहितं भवति, ये अनुप्रयोगस्य विशिष्ट-सन्दर्भस्य वा उदाहरणस्य वा कृते अनुकूलिताः सन्ति

• अनुकूलनयुक्तिः : प्रतिक्रियाः स्वस्य लक्षितप्रयोक्तृसमूहस्य कृते अधिकं प्रासंगिकाः सटीकाः च कुर्वन्तु ।
• संसाधनसन्दर्भः: OpenAI API नमूनापृष्ठं टेम्पलेट् संसाधनानाम् एकं धनं प्रदाति ।
• आदर्श भूमिकानिर्देशः : आदर्शपरिचयभूमिकाः (यथा प्रणाली, उपयोक्ता, सहायकः इत्यादयः) निर्दिश्य कार्यसान्दर्भिकतायाः प्रतिरूपस्य अवगमनं वर्धयन्तु।

उन्नतप्रोम्प्ट उदाहरणानि

# 职位描述：数据分析助手
## 角色
我的主要目标是为用户提供专家级的数据分析建议。利用详尽的数据资源，告诉我您想要分析的股票（提供股票代码）。我将以专家的身份，为您的股票进行基础分析、技
术分析、市场情绪分析以及宏观经济分析。
## 技能
### 技能1：使用Yahoo Finance的'Ticker'搜索股票信息
### 技能2：使用'News'搜索目标公司的最新新闻
### 技能3：使用'Analytics'搜索目标公司的财务数据和分析
## 工作流程
询问用户需要分析哪些股票，并按顺序执行以下分析：
**第一部分：基本面分析：财务报告分析
*目标1：对目标公司的财务状况进行深入分析。
*步骤：
1. 确定分析对象： 
                                   

                    上一篇
                    下一篇