मूल्यांकन, डिज़ाइन और सुरक्षा के लिए कार्यप्रणाली, ताकि AI सिर्फ एक सुविधाजनक उपकरण न रह जाए
यदि आप युसुके नारिता को केवल "एक विद्वान जो AI के बारे में बहुत बात करता है" के रूप में देखते हैं, तो आप सार को खो रहे हैं। AI के प्रति उनका दृष्टिकोण उत्पादकता में सुधार के सामान्य दायरे में फिट नहीं बैठता, जैसे चैटबॉट से वाक्य बनाना, मीटिंग्स का सारांश बनाना, या अच्छे प्रॉम्प्ट लिखना। बल्कि, उनकी विशेषता AI को एक "उपकरण जो निर्णय लेता है" के रूप में देखना और सामूहिक रूप से यह सोचना है कि इसे कैसे डिज़ाइन किया जाए, इसका मूल्यांकन कैसे किया जाए, और इसे समाज में सुरक्षित रूप से कैसे लागू किया जाए।
अपनी आधिकारिक वेबसाइट पर, वह अपनी विशेषज्ञता को "डेटा, एल्गोरिदम और विचार का उपयोग करके व्यवसाय और सार्वजनिक नीति को डिज़ाइन करना" और "सामाजिक निर्णय लेने वाले एल्गोरिदम को डेटा-संचालित तरीके से डिज़ाइन करने के तरीके विकसित करना" बताते हैं। येल विश्वविद्यालय की उनकी आधिकारिक प्रोफ़ाइल में, उनके शोध का केंद्र नीति और व्यवसाय में निर्णय लेने वाले एल्गोरिदम का डिज़ाइन है, जो कारणात्मक अनुमान, मशीन लर्निंग और संरचनात्मक अनुमान के संयोजन का उपयोग करता है। दूसरे शब्दों में, उनके लिए, AI कोई स्टैंडअलोन ऐप नहीं है, बल्कि "बुद्धिमत्ता का आधार है जो वास्तविक दुनिया के निर्णयों को संचालित करता है" जैसे कि सिफारिशें, विज्ञापन, खोज और नीति आवंटन।
और अंत में, बस एक बात।
इस लेख में प्रस्तुत उपयोग—"AI को जवाब लिखने न देना, बल्कि उसे आपके निर्णय के लिए सामग्री व्यवस्थित करने देना"—यदि आप इसे केवल पढ़कर सहमत हो जाते हैं, तो कल यह अपने मूल उपयोग पर लौट जाएगा। यह तभी सार्थक होता है जब आप इसे वास्तव में अपने काम में लागू करते हैं।
इसलिए, मैंने एक मुफ्त व्यावहारिक किट तैयार की है ताकि आप इस सोच को सीधे अपने संचालन में शामिल कर सकें।
आप निम्नलिखित प्राप्त कर सकते हैं:
आपको मुफ्त परामर्श या सेमिनार में भाग लेने की आवश्यकता नहीं है। आप LINE जोड़ने के बाद इसे सीधे प्राप्त कर सकते हैं।
इसे यहाँ प्राप्त करें:
अब, चलिए शुरू करते हैं।
1. नारिता-शैली AI उपयोग का मूल "AI से पूछना" नहीं, बल्कि "AI के निर्णय का निर्णय करना" है
कई लोग AI का उपयोग सर्च इंजन के बेहतर संस्करण या लेखन के आउटसोर्सिंग गंतव्य के रूप में करते हैं। बेशक, यह अपने आप में प्रभावी है, लेकिन AI के प्रति नारिता-शैली का दृष्टिकोण उससे परे है। उनकी सोच में, AI सिर्फ सवालों का जवाब नहीं देता; यह स्वयं "निर्णय लेने" का कार्य करता है, जैसे कि कौन से उत्पादों की सिफारिश करनी है, कौन से विज्ञापन दिखाने हैं, और कौन से कूपन वितरित करने हैं। और महत्वपूर्ण बात यह है कि उस निर्णय को बिना जांचे न छोड़ें, बल्कि इसे इस तरह डिज़ाइन करें कि बाद में हमेशा स्कोर किया जा सके।
नारिता द्वारा दिखाया गया तथ्य: AI कोई "जवाब देने वाला बॉक्स" नहीं है, बल्कि एक "विषय है जो निर्णय लेता है"
नारिता के एक सह-लेखक पेपर में कहा गया है कि "एल्गोरिदम नीति और व्यवसाय में कई निर्णय लेने के कार्यों को अंजाम दे रहे हैं।" यहाँ से देखी जाने वाली पहली उपयोग तकनीक AI को "जवाब देने वाले बॉक्स" के रूप में नहीं, बल्कि "निर्णय लेने वाले विषय" के रूप में मानना है, और पहले उस निर्णय की गुणवत्ता को मापने के लिए एक प्रणाली बनाना है। यदि आप AI का उपयोग केवल ईमेल छोटा करने के लिए करते हैं, तो प्रतिस्पर्धात्मक लाभ छोटा है। हालांकि, यदि आप एक ऐसी संरचना बनाते हैं जहाँ आप AI को निर्णय लेने का काम सौंपते हैं, डेटा के साथ उस निर्णय की गुणवत्ता सत्यापित करते हैं, और गिरावट को रोकते हुए इसे सुधारते हैं, तो AI सिर्फ एक दक्षता उपकरण नहीं, बल्कि व्यवसाय के लिए एक निर्णय इंजन बन जाता है।
व्यक्तियों और कंपनियों के लिए आवेदन
यदि आप इस सोच को व्यक्तियों या कंपनियों पर लागू करते हैं, तो यह इस प्रकार होगा। AI को कुछ करने देने से पहले, तय करें कि "यह किस निर्णय को सुधारने के लिए है?" और "हम बाद में कैसे मापेंगे कि वह निर्णय अच्छा था?" बिक्री के लिए, केवल प्रस्ताव न बनाएं; बल्कि किस ग्राहक को कौन सा प्रस्ताव देना है, इसका निर्णय और उस क्लोज़िंग रेट के सत्यापन को एक सेट के रूप में निर्धारित करें। ई-कॉमर्स के लिए, केवल उत्पादों का वर्णन न करें; बल्कि किस उत्पाद को किसे दिखाना है, इस निर्णय को स्कोर करें, जिसमें न केवल खरीद दर बल्कि इन्वेंट्री दक्षता भी शामिल हो। नारिता-शैली AI के "जवाब" के बजाय "निर्णय प्रणाली" को डिज़ाइन करने का विचार है।
2. "पहले मूल्यांकन" के साथ AI उपयोग तय करना
नारिता की सोच का सबसे सुसंगत हिस्सा पहले मूल्यांकन का विचार है। उनके सह-लेखक पेपर में, वह बताते हैं कि जबकि A/B परीक्षण विश्वसनीय हैं, वे समय और पैसा लेते हैं और विफलता का जोखिम शामिल करते हैं। इसलिए, वह बार-बार तर्क देते हैं कि अचानक प्रोडक्शन में इसे आज़माने के बजाय, पहले पिछले लॉग डेटा से अनुमान लगाना चाहिए कि "यदि आपने अलग तरीके से किया होता तो क्या होता।"
पहले मूल्यांकन क्या है?
AI उपयोग में पहले मूल्यांकन का अर्थ है "AI को लोकप्रिय होने के कारण पेश करना" नहीं है। पहले, तय करें कि "यह कैसे मापा जाएगा कि इस AI का निर्णय अच्छा था।"
उदाहरण के लिए, ग्राहक सहायता को AI-फाई करने के काम पर विचार करें। सतही तौर पर, यह "स्वचालित रूप से उत्तर उत्पन्न करने का काम" है, लेकिन जब पहले मूल्यांकन के साथ विश्लेषण किया जाता है, तो डिज़ाइन पहले आता है: एक अच्छा उत्तर क्या माना जाता है (समाधान दर, संतुष्टि, या प्रतिक्रिया समय?), इसे मापने के लिए किस डेटा का उपयोग किया जाएगा, और जब यह गिरावट आएगी तो आप कैसे नोटिस करेंगे?
व्यक्तियों और कंपनियों के लिए आवेदन
नारिता-शैली AI उपयोग इस पृथक्करण में तेज है। सब कुछ AI पर फेंकने के बजाय, पहले परिभाषित करें कि "एक अच्छा निर्णय क्या है," इसे मापने के लिए एक पैमाना तैयार करें, और फिर पहली बार AI को स्थानांतरित करें। AI को क्या करने देना है, यह सोचने से पहले, प्रश्न करें कि आप पहली जगह में क्या सुधार करना चाहते हैं। यह पहले मूल्यांकन AI परिचय है।
3. "प्रोडक्शन में जाने से पहले पिछले डेटा के साथ स्कोर करना" = काउंटरफैक्चुअल मूल्यांकन का विचार
नारिता के शोध का मूल एक तकनीक है जिसे ऑफ-पॉलिसी इवैल्यूएशन (OPE) कहा जाता है। यह एक कठिन शब्द है, लेकिन सामग्री सरल है: "पिछले लॉग डेटा से पहले से उन उपायों को स्कोर करना जो अभी तक नहीं किए गए हैं।"
"अचानक प्रोडक्शन में जाना" खतरनाक क्यों है?
इस सोच का उपयोग सीधे AI उपयोग के लिए किया जा सकता है। कई संगठन विफल होते हैं क्योंकि वे अचानक प्रोडक्शन में नए तरीके चलाते हैं जो उन्होंने सोचे थे। यह ठीक है अगर यह काम करता है, लेकिन अगर यह चूक जाता है, तो यह ग्राहक प्रतिक्रिया को खराब करता है और समय और लागत खो देता है।
व्यक्तियों और कंपनियों के लिए आवेदन
यदि आप नारिता-शैली में सोचते हैं, तो AI परिचय का क्रम इस प्रकार है। पहले, यदि आप एक नए प्रॉम्प्ट या नीति के बारे में सोचते हैं, तो इसे अचानक प्रोडक्शन में न डालें। इसके बाद, समान पिछले मामलों के लॉग का उपयोग करके अनुमान लगाएं कि "यदि वह नया तरीका होता तो क्या होता।" फिर, केवल उन्हीं को धीरे-धीरे प्रोडक्शन में डालें जिनके बारे में स्पष्ट रूप से गिरावट न होने की पुष्टि हुई है।
AI शक्तिशाली है, लेकिन यदि आप इसे सत्यापन के बिना प्रोडक्शन में डालते हैं, तो विफलता उपयोगकर्ता तक पूरी तरह से पहुँचती है। इसके विपरीत, यदि आप पहले पिछले डेटा के साथ स्कोर करने के बाद आउटपुट करते हैं, तो आप दुर्घटना दर को बहुत कम कर सकते हैं। दूसरे शब्दों में, AI उपयोग के पूर्व-चरण के रूप में महत्वपूर्ण बात जोरदार प्रयास करना नहीं है, बल्कि इतिहास डेटा के साथ सुरक्षित रूप से आगे पढ़ना है।
4. "पैमाने पर ही सवाल उठाना" = एक ही मीट्रिक पर विश्वास न करना
AI के प्रति नारिता-शैली के दृष्टिकोण में अपरिहार्य है मूल्यांकन पद्धति के प्रति संदेह। उनके सह-लेखक पेपर में, एक यह है कि "कौन सी मूल्यांकन पद्धति सबसे अच्छी है, यह कार्य के अनुसार बदलता है, और कोई एक विजेता नहीं है।" इसलिए, आपको कई पैमाने तैयार करने चाहिए और प्रत्येक स्थिति के लिए सबसे उपयुक्त चुनना चाहिए।
एक ही मीट्रिक खतरनाक क्यों है?
यह नारिता-शैली AI उपयोग का एक महत्वपूर्ण स्तंभ दिखाता है। अर्थात, AI के परिणामों को "एक ही संख्या" से नहीं आंकना। व्यवसाय में, एक ही मीट्रिक पर कूदना आसान है जैसे क्लिक दर बढ़ गई या प्रतिक्रिया अच्छी थी। लेकिन क्या वह संख्या वास्तव में माप रही है जिसे आप सुधारना चाहते हैं?
व्यक्तियों और कंपनियों के लिए आवेदन
यदि कोई व्यक्ति इसका अनुकरण करता है, तो AI के परिणामों का मूल्यांकन करते समय, हमेशा इसे कई कोणों से देखें। उदाहरण के लिए, यदि आप चैटबॉट को केवल "समाधान दर" से मापते हैं, भले ही समाधान दर बढ़ जाए, यदि उपयोगकर्ता इसे "ठंडा" महसूस करता है और छोड़ देता है, तो यह वास्तव में विफलता है। इसलिए, समाधान दर, संतुष्टि, छोड़ने की दर, और प्रतिक्रिया समय को अलग-अलग देखें।
नारिता-शैली AI उपयोग मॉडलों की तुलना करने से पहले पूछता है कि क्या पैमाना सही है। AI आपके द्वारा निर्धारित पैमाने की ओर अनुकूलित होगा। इसलिए, यदि पैमाना गलत है, तो यह जितना होशियार होगा, उतना ही गलत दिशा में भागेगा। इसे पहले मजबूत करना नारिता-शैली है।
5. "कष्टप्रद वास्तविक दुनिया की बाधाओं" को टालना नहीं
नारिता के हालिया शोध में आम बात है वास्तविक दुनिया की परेशानियों को बाद में नहीं, बल्कि शुरू से ही मूल्यांकन प्रणाली में शामिल करना। नए उत्पादों और लेखों के बढ़ते रहने की समस्या, इन्वेंट्री और कूपन बजट की ऊपरी सीमा की समस्या, और प्रत्येक उपयोगकर्ता के लिए व्यवहार अलग होने की समस्या। वह इन बाधाओं को शुरू से ध्यान में रखता है।
आदर्शवाद से बना AI प्रोडक्शन में क्यों टूट जाता है
यहाँ महत्वपूर्ण बात यह है कि AI उपयोग "आदर्श स्थितियों" के साथ समाप्त नहीं होता है। वास्तविक दुनिया के संचालन में हमेशा बजट, मानव-घंटे, NG शर्तें, और उपयोगकर्ता विविधता होती है। भले ही आप एक ऐसा प्रॉम्प्ट बनाएं जो आदर्श स्थिति में अच्छा काम करता है, जब यह वास्तविक दुनिया की बाधाओं से टकराता है तो टूट जाता है।
उदाहरण के लिए, इन्वेंट्री की ऊपरी सीमा। यदि आप AI को केवल "उन उत्पादों को बाहर निकालते रहो जो अच्छी प्रतिक्रिया देते प्रतीत होते हैं" का आदेश देते हैं, तो लोकप्रिय उत्पाद तुरंत सूख जाएंगे, और बाद में आने वाले ग्राहकों के लिए आप कुछ भी नहीं रख पाएंगे। नारिता का शोध ऐसी आपूर्ति बाधाओं को शुरू से ध्यान में रखता है और केवल "इस पल की प्रतिक्रिया" के बजाय "भविष्य के उपयोगकर्ताओं के लिए आवंटन" को देखकर मूल्यांकन करता है।
व्यक्तियों और कंपनियों के लिए आवेदन
इस विचार को सामान्य काम पर भी लागू किया जा सकता है। AI उपायों के बारे में सोचते समय, पहले आदर्शवाद से निर्माण करने और बाद में समायोजित करने के बजाय, "उपयोग योग्य बजट," "खर्च किए जा सकने वाले मानव-घंटे," "जो कभी नहीं किया जाना चाहिए," और "लक्षित उपयोगकर्ताओं की सीमा" को शुरू से ही पूर्वापेक्षाओं के रूप में शामिल करें। नारिता-शैली AI उपयोग वास्तविक दुनिया की बाधाओं को टालता नहीं है। AI जितना खूबसूरत बनाया जाता है, यदि बाधाओं को नजरअंदाज किया जाता है तो प्रोडक्शन में उतना ही विफल होता है।
6. AI को "जवाब देने वाली मशीन" के बजाय "गिरावट से बचने वाली मशीन" के रूप में मानना
नारिता के शोध को अच्छी तरह से दर्शाता है "बदतर न होना" को ही परिणाम के रूप में मानने का विचार। उनके शोध में, ऐसी चीजें हैं जो उच्च संभावना के साथ वर्तमान में चल रही नीति से नीचे न गिरने की बाधा लगाती हैं, और ऐसी चीजें जो छोटी संख्या में परिचयों के भीतर सुरक्षा ब्रेक को थोड़ा-थोड़ा ढीला करती हैं।
"गिरावट से बचना" को परिणाम के रूप में गिनने का विचार
यहाँ नारिता-शैली AI उपयोग में एक बड़ी छलांग है। कई AI उपयोग केवल "यह कितना बेहतर हुआ" देखते हैं। लेकिन नारिता "कितनी गिरावट से बचा जा सका" को भी उतना ही महत्वपूर्ण परिणाम मानते हैं।
व्यक्तियों और कंपनियों के लिए आवेदन
यह कंपनियों के AI उपयोग में भी सुझावात्मक है। उत्तर गुणवत्ता में सुधार करने का प्रयास करते समय, सब कुछ अचानक एक नए तरीके पर स्विच करने के बजाय, पहले गारंटी दें कि यह वर्तमान विधि से नीचे नहीं गिरता है, और फिर थोड़ा-थोड़ा प्रयास करें। विशेष रूप से, कुल का केवल 1-5% के साथ नई नीति का प्रयास करें, और पहले से एक स्टॉप लाइन तय करें जैसे "स्पष्ट रूप से गिरावट होने पर रोकें।"
AI उपयोग में अंतर बनाने वाली चीज सिर्फ आक्रमण की चमक नहीं है। यह है कि गिरावट की संभावना को दबाते हुए आप अन्वेषण की सीमा का कितना विस्तार कर सकते हैं। नारिता के शब्दों में, केवल AI गुणवत्ता सुधार और भगोड़ा, गलत उत्तर, और पूर्वाग्रह के दमन को एक ही समय में एक ही तालिका में डिज़ाइन करके ही AI सुरक्षित रूप से बढ़ सकता है।
7. "नैतिकता" को एक नोट के रूप में नहीं, बल्कि गणनाओं में शामिल करना
AI के प्रति नारिता के दृष्टिकोण की एक विशेषता नैतिकता को संभालने का तरीका है। जबकि कई क्षेत्रों में नैतिकता "अंत में जोड़ा गया नोट" होती है, नारिता के शोध में नैतिकता को अनुकूलन समस्या में शामिल किया जाता है।
अनुकूलन में नैतिकता को शामिल करना
उदाहरण के लिए, चिकित्सा प्रयोग डिज़ाइन पर शोध में, वह बताते हैं कि पारंपरिक तरीकों में नैतिक समस्याएं हैं जैसे कम प्रभावी ज्ञात उपचार या प्रतिभागियों को नापसंद उपचार असाइन करना। इसलिए, वह प्रतिभागियों की प्राथमिकताओं और अनुमानित प्रभावों को शुरू से आवंटन गणना में शामिल करते हैं ताकि प्रतिभागी संतुष्टि बढ़ाने का प्रयास किया जा सके।
व्यक्तियों और कंपनियों के लिए आवेदन
यदि आप इसे AI उपयोग पर वापस लाते हैं, तो यह एक आवश्यक कहानी बन जाती है। यह "सटीकता अधिक होने पर ठीक है" नहीं है, बल्कि "इसका उपयोग करने वाले लोगों की भावनाओं और क्षति की लागत को शुरू से मूल्यांकन में डालना" है।
उदाहरण के लिए, AI के साथ नई सिफारिशें निकालते समय। यदि आप नए उम्मीदवार नहीं निकालते हैं, तो सिस्टम स्थिर हो जाएगा, लेकिन यदि आप बहुत अधिक निकालते हैं, तो आप चूक जाएंगे और दुर्घटना होगी। नारिता का शोध इस "नवीनता (निष्पक्ष एक्सपोज़र)" और "सुरक्षा" दोनों को एक साथ संतुष्ट करने का प्रयास करता है। यदि आप केवल दक्षता का पीछा करते हैं, तो बोझ कहीं न कहीं किसी पर पड़ेगा। नारिता-शैली उस बोझ की लागत को शुरू से गणना में शामिल करती है। यह नैतिकता को ब्रेक के रूप में नहीं, बल्कि डिज़ाइन के हिस्से के रूप में मानती है।
8. मूल्यांकनकर्ता का ही मूल्यांकन करना = एक-कदम मेटा-ऑप्टिमाइज़ेशन
नारिता के शोध में दिलचस्प बात यह है कि AI मॉडलों की तुलना करने से पहले, वह यह सत्यापित करने के लिए एक चरण रखता है कि "तुलना विधि (मूल्यांकनकर्ता) स्वयं सही है या नहीं।" उनके शोध में, एक विधि है जो स्वचालित रूप से चुनती है कि कार्य के अनुसार कौन सी मूल्यांकन विधि अच्छी है।
मॉडल से पहले "पैमाने" का सत्यापन करना
इससे जो देखा जा सकता है वह यह है कि नारिता का प्रदर्शन अनुकूलन का दृष्टिकोण मॉडल ट्यूनिंग से एक कदम ऊपर है। कई लोग प्रतिस्पर्धा करते हैं कि "कौन सा मॉडल श्रेष्ठ है," लेकिन नारिता उससे पहले पुष्टि करता है कि "मॉडल को स्कोर करने का पैमाना स्वयं उचित रूप से सही है या नहीं।"
व्यक्तियों और कंपनियों के लिए आवेदन
यदि कोई सामान्य कंपनी इसका अनुकरण करती है, तो AI टूल की तुलना करने से पहले, वे तुलना के मानदंडों पर सवाल उठाते हैं। उदाहरण के लिए, दो AI की तुलना "प्रतिक्रिया की गति" से करने का प्रयास करते समय, वे पहले पूछते हैं कि क्या इस व्यवसाय में गति सबसे महत्वपूर्ण चीज है। यदि आप स्थानांतरित मानदंडों के साथ तुलना करते हैं, भले ही आप जीतने वाले को अपनाएं, यह वास्तव में खराब हो जाएगा।
AI उपयोग "कौन सा मॉडल चुनना है" की लड़ाई लगता है, लेकिन वास्तव में यह "किस मानदंड से चुनना है" की लड़ाई है। यदि आप नारिता-शैली से सीखते हैं, तो आपको मॉडल के प्रदर्शन को मापने से पहले पैमाने की वैधता को मापना चाहिए।
9. यह जानना कि पारंपरिक विधियाँ "बड़े विकल्पों" में टूट जाती हैं
नारिता के शोध में, यह मान्यता है कि पारंपरिक मूल्यांकन विधियाँ उन स्थितियों में टूट जाती हैं जहाँ बहुत सारे विकल्प (क्रियाएँ) होते हैं। वह तर्क देते हैं कि बहुत अधिक उम्मीदवारों वाली सिफारिशों और खोजों, और भाषा मॉडलों जैसे बड़े विकल्पों से निपटने वाली स्थितियों में, सरल जीत-दर तुलना के बजाय फीचर्स और एम्बेडिंग का उपयोग करके मूल्यांकन आवश्यक है।
बड़ी संख्या में विकल्पों के साथ मूल्यांकन क्यों टूट जाता है
यह आज के LLM उपयोग को सीधे प्रभावित करता है। जनरेटिव AI में आउटपुट के लिए उम्मीदवारों और उपयोग किए जा सकने वाले टूल के विकल्पों की एक बड़ी संख्या होती है। ऐसी स्थिति में, यदि आप बस तुलना करते हैं कि "A या B में से कौन बेहतर था," तो तुलना स्वयं अस्थिर हो जाती है।
व्यक्तियों और कंपनियों के लिए आवेदन
यदि कोई व्यक्ति इसे लागू करता है, तो जितना अधिक काम AI विकल्पों के साथ होगा, वे मोटे दो-विकल्प तुलनाओं से बचेंगे। उदाहरण के लिए, छोटे नमूने के साथ तुरंत यह तय न करें कि "10 प्रॉम्प्ट उम्मीदवारों में से कौन सा सबसे अच्छा है।" जब कई उम्मीदवार हों, तो निर्णय में जल्दबाजी न करें और कई शर्तों के तहत ध्यान से देखें।
नारिता-शैली AI उपयोग मानता है कि विकल्पों की संख्या बढ़ने पर मूल्यांकन अधिक कठिन हो जाता है। इसलिए, कई उम्मीदवारों वाली स्थितियों में, वे सरल तुलना के बजाय डिज़ाइन किए गए मूल्यांकन पर टिके रहते हैं।
10. "इनपुट घर्षण को कम करने" के महत्व को समझना
नारिता के शोध के मूल में निर्णय प्रणाली को लगातार चलाने के लिए डेटा को सही ढंग से छोड़ते रहने का विचार है। वह जिस डेटा इंफ्रास्ट्रक्चर में शामिल हैं, उसमें यह जानकारी दर्ज की जाती है कि किस विकल्प को किस संभावना के साथ रखा गया था, ताकि बाद में "यह परिणाम क्यों हुआ" का उचित स्कोर किया जा सके।
"सत्यापन योग्य स्थिति" को छोड़ते रहना
यहाँ AI उपयोग सिर्फ दक्षता नहीं है। यह है "एक ऐसी स्थिति बनाना जारी रखना जिसे बाद में सत्यापित किया जा सके बिना इसे कष्टप्रद पाए।" यदि सत्यापन कष्टप्रद है, तो लोग इसे करना बंद कर देंगे। इसलिए, रिकॉर्डिंग और मूल्यांकन के लिए बाधा को कम करने वाले डिज़ाइन की आवश्यकता है।
व्यक्तियों और कंपनियों के लिए आवेदन
यदि आप इस विचार को दैनिक AI उपयोग में शामिल करते हैं, तो महत्वपूर्ण बात है "सत्यापन के घर्षण को कम करना।" हर बार AI के परिणामों को मैन्युअल रूप से स्कोर करना टिकेगा नहीं। इसलिए, आप अक्सर उपयोग किए जाने वाले प्रॉम्प्ट को टेम्पलेट करें, परिणामों को मापने के लिए मीट्रिक पहले से तय करें, और इसे बनाएं ताकि परिणाम स्वचालित रूप से छोड़े जाएं। सत्यापन की दूरी जितनी कम होगी, AI सुधार चक्र उतना ही अधिक घूमता रहेगा।
नारिता-शैली AI का दृष्टिकोण अंततः इस ओर निर्देशित है: "मनुष्य अच्छे निर्णय को परिभाषित करते हैं, AI इसे निष्पादित करता है, परिणाम हमेशा दर्ज किए जाते हैं, और फिर से सुधार किया जाता है।"
11. संकट की भावना के साथ उपयोग करना
नारिता के AI दृष्टिकोण में, संभावनाओं पर ध्यान देने के साथ-साथ एल्गोरिदम को निर्णय सौंपने के बारे में तनाव की भावना है। एक संवाद में, वह कहते हैं कि "पैसा" मोटे तौर पर एक आयामी प्रतिनिधित्व है जो लोगों ने अतीत में किया है, और यदि अधिक विस्तृत डेटा है, तो इसे उससे बदला जा सकता है। वह AI और डेटा को एक ऐसी नींव के रूप में देखते हैं जो समाज के निर्णय मानदंडों को स्वयं बदल सकती है।
जितना अधिक आप निर्णय सौंपते हैं, जिम्मेदारी उतनी ही अस्पष्ट हो जाती है
यह बिंदु AI उपयोग तकनीक के रूप में भी महत्वपूर्ण है। केवल सुविधाजनक होने के कारण AI का उपयोग करना खतरनाक है। जितना अधिक आप AI को निर्णय सौंपते हैं, उतना ही अस्पष्ट हो जाता है कि उस निर्णय की जिम्मेदारी किसकी है और किस मानदंड से लिया गया था। सूचना लीक, गलत सूचना, पूर्वाग्रह, जिम्मेदारी का स्थान, और अत्यधिक निर्भरता। यदि आप इन्हें अनदेखा करते हुए AI को निर्णय लेने का काम सौंपते हैं, तो आप अल्पकालिक दक्षता के बदले दीर्घकालिक विश्वास खो देंगे।
व्यक्तियों और कंपनियों के लिए आवेदन
यदि आप नारिता-शैली से सीखते हैं, तो AI के डर से रुकें नहीं, बल्कि जोखिमों को पूर्वापेक्षा के रूप में डिज़ाइन करें। गोपनीय जानकारी न डालने के नियम बनाएं। महत्वपूर्ण निर्णयों के लिए मानव पुष्टि छोड़ें। AI निर्णय लॉग छोड़ें। गलत निर्णय होने पर जिम्मेदारी का दायरा तय करें। AI उपयोग एक्सीलरेटर के साथ-साथ ब्रेक को भी डिज़ाइन कर रहा है।
12. "सीमित परिचय के साथ प्रयास" दोहराना
नारिता के शोध में जो सुसंगत है वह पूर्ण पैमाने पर स्विच के बजाय छोटी संख्या में सीमित परिचयों से शुरू करने का विचार है। उनके शोध में, एक नई नीति को अचानक पूरे पर लागू न करने, बल्कि पहले एक हिस्से में प्रयास करने, परिणाम देखने, फिर से सीखने, और धीरे-धीरे विस्तार करने का प्रवाह बार-बार दिखाई देता है।
"छोटा प्रयास" उस युग में बेहतर काम करता है जहाँ प्रोटोटाइपिंग तेज़ है
AI युग में, यह "छोटा प्रयास" रवैया और भी महत्वपूर्ण हो जाता है। ऐसा इसलिए है क्योंकि AI के कारण प्रोटोटाइप की लागत नाटकीय रूप से गिरती है, लेकिन बिना सत्यापन के चलाने का प्रलोभन भी मजबूत होता है। योजना दस्तावेज़, कोड, विज्ञापन कॉपी, विश्लेषण रिपोर्ट। जिन चीज़ों में पहले कई दिन लगते थे, वे अब कुछ मिनटों में पहला ड्राफ्ट बन जाती हैं। यही कारण है कि पहले ड्राफ्ट के लिए आभारी न होना और छोटा प्रयास करना और सत्यापित करना प्रभावी है।
व्यक्तियों और कंपनियों के लिए आवेदन
नारिता-शैली AI उपयोग तकनीकों में, AI कोई "जादू नहीं है जो एक शॉट में तैयार उत्पाद निकालता है।" बल्कि, यह छोटे प्रयास और सत्यापन की संख्या बढ़ाने का एक उपकरण है। 1-5% के साथ प्रयास करें। परिणाम देखें। गिरावट की पुष्टि करें। वापस जाएँ। सुधार करें। फिर से प्रयास करें। जो लोग इस चक्र को सुरक्षित रूप से तेज कर सकते हैं, वे AI के लाभ प्राप्त करेंगे। जो लोग AI का उपयोग करते हैं लेकिन परिणाम नहीं पाते, वे एक ही पूर्ण पैमाने के परिचय पर बहुत अधिक दांव लगा रहे हैं।
13. व्यक्तियों के लिए नारिता-शैली AI उपयोग का अनुकरण करने की व्यावहारिक विधि
आपको नारिता की तरह विश्वविद्यालय अनुसंधान फाउंडेशन या बड़े पैमाने का डेटा रखने की आवश्यकता नहीं है। यदि यह सिर्फ विचार है, तो एक व्यक्ति भी आज से इसका अनुकरण कर सकता है।
आज से किए जा सकने वाले 5 कदम
पहला, AI को कुछ करने देने से पहले, एक वाक्य में लिखें "मैं क्या सुधारना चाहता हूँ?" हर कोई खो जाता है क्योंकि वे इसे छोड़ देते हैं। दूसरा, पहले से तय करें "मैं उस गुणवत्ता को किस संख्या से मापूंगा?" तीसरा, भले ही आप एक नए प्रॉम्प्ट के बारे में सोचें, इसे अचानक सब कुछ के लिए उपयोग न करें; पहले इसे समान पिछले मामलों या एक हिस्से में आज़माएँ। चौथा, परिणामों को एक ही संख्या से न आंकें; इसे कई कोणों से देखें। पाँचवाँ, पहले से एक प्रणाली तैयार करें जहाँ आप गिरावट होने पर नोटिस कर सकें और रोक सकें।
यदि आप इस प्रवाह को जारी रखते हैं, तो AI एक साधारण सुविधा उपकरण से आपकी अपनी निर्णय नींव में बदल जाएगा जो बिना टूटे सुधार करता रहता है।
14. यदि कोई कंपनी अनुकरण करती है, तो "उत्तर सटीकता" के बजाय "निर्णय प्रणाली" बनाएँ
कंपनियों को नारिता-शैली से सबसे बड़ी बात सीखनी चाहिए वह यह है कि केवल AI उत्तरों की सटीकता बढ़ाने पर ध्यान केंद्रित न करें। नारिता का शोध हमेशा से जिस चीज़ को निखार रहा था, वह व्यक्तिगत उत्तरों की शुद्धता के बजाय "निर्णय लेने, उसे स्कोर करने, और सुरक्षित रूप से सुधारने" की प्रणाली थी।
मॉडल की बुद्धिमत्ता के बजाय "निर्णय प्रणाली"
कई कंपनियों में, AI परिचय "कौन सा मॉडल स्मार्ट है" की तुलना पर रुक जाता है। लेकिन यदि आप नारिता-शैली में सोचते हैं, तो महत्वपूर्ण बात मॉडल की बुद्धिमत्ता नहीं है, बल्कि यह है कि क्या उस निर्णय का मूल्यांकन करने, गिरावट को रोकने, वास्तविक दुनिया की बाधाओं का पालन करने, और नैतिकता को शामिल करने के लिए कोई डिज़ाइन है। यदि आप अस्पष्ट उद्देश्य और KPI के साथ AI पेश करते हैं, तो यह नवीनतम तकनीक का उपयोग करके एक आंतरिक घटना के रूप में समाप्त होगा।
कंपनियों में होनी चाहिए संस्कृति
यदि कोई कंपनी AI का उपयोग करने के बारे में गंभीर है, तो उसे पहले प्रबंधन के रूप में "एक अच्छा निर्णय क्या माना जाता है" परिभाषित करने, इसे मापने के लिए डेटा व्यवस्थित करने, गिरावट का पता लगाने के लिए एक प्रणाली बनाने, और सीमित परिचय से विस्तार करने की संस्कृति की आवश्यकता है। AI केवल सूचना प्रणाली विभाग का विषय नहीं है। "निर्णय प्रणाली" पर बिक्री, विकास, विनिर्माण, कानूनी, मानव संसाधन, वित्त, और ग्राहक प्रतिक्रिया में सवाल उठाया जाता है। दूसरे शब्दों में, AI उपयोग स्वयं निर्णय लेने का डिज़ाइन है।
15. नारिता-शैली AI उपयोग के नुकसान, और ईमानदारी से क्या कहा जाना चाहिए
बेशक, नारिता-शैली की प्रशंसा करने की कोई आवश्यकता नहीं है। जबकि पूरी तरह से मूल्यांकन, सत्यापन और सुरक्षा का रवैया दुर्घटनाओं को कम करता है, ऐसी स्थितियाँ भी हैं जहाँ यह गति को धीमा कर देता है। यदि आप सावधानी से सब कुछ स्कोर कर रहे हैं, तो ऐसे समय होते हैं जब आप उन स्थितियों में आगे नहीं बढ़ पाएंगे जहाँ आपको जल्दी से प्रयास करना चाहिए। AI उपयोग में महत्वपूर्ण बात नारिता-शैली को सतही रूप से कॉपी करना नहीं है, बल्कि अपने स्वयं के वातावरण के अनुसार सिद्धांतों को शामिल करना है।
ईमानदारी से कहूँ तो: यह भाग "अपुष्ट" है
और एक और बात है जो मैं ईमानदारी से लिखना चाहता हूँ। इस लेख में प्रस्तुत "नारिता-शैली विधि" वह नहीं है जो नारिता ने स्वयं कहा, "मैं AI का इस तरह उपयोग करता हूँ।" यह एक "तरीका" है जिसे उनकी सार्वजनिक सामग्री (साइट, CV, पेपर) को ध्यान से पढ़कर उच्च संभावना के साथ पुनर्निर्मित किया गया है। व्यक्तिगत दिनचर्या, जैसे कि नारिता अपने दैनिक जीवन में किस LLM का उपयोग करते हैं और वे क्या प्रॉम्प्ट टाइप करते हैं, सार्वजनिक जानकारी में पुष्टि नहीं की जा सकती है। इसलिए, मैं इसे कल्पना से नहीं भरूंगा और ईमानदारी से इसे "अपुष्ट" के रूप में छोड़ दूंगा।
फिर भी शामिल किए जा सकने वाले सिद्धांत
उससे परे, शामिल करने के सिद्धांत हैं: पहले मूल्यांकन के साथ सोचना, प्रोडक्शन से पहले पिछले डेटा के साथ स्कोर करना, पैमाने पर ही सवाल उठाना, वास्तविक दुनिया की बाधाओं को शुरू से शामिल करना, गिरावट से बचने को ही परिणाम के रूप में मानना, और नैतिकता को गणनाओं में शामिल करना। और जोखिमों को न देखने का नाटक न करना।
निष्कर्ष: युसुके नारिता की AI उपयोग तकनीक है "एक अच्छी निर्णय प्रणाली को बिना तोड़े विकसित करना"
यदि आप युसुके नारिता के AI के सामना करने के तरीके को एक शब्द में व्यक्त करें, तो वह है AI को 'उत्तर देने वाली मशीन' के बजाय 'निर्णय उपकरण' के रूप में मानना, और उस निर्णय को स्कोर करने और उसे बिना तोड़े सुधारने के लिए एक प्रणाली बनाना। सबसे मजबूत प्रॉम्प्ट या गॉड टूल्स की तलाश करने के बजाय, AI जो निर्णय लेता है उसकी नींव डिज़ाइन करें, यह मापें कि वह अच्छा था या नहीं, और गिरावट को कैसे रोका जाए।
नारिता-शैली के सिद्धांतों का सारांश
इसके लिए सिद्धांत स्पष्ट हैं। मूल्यांकन-प्रथम के साथ, पहले परिभाषित करें कि आप क्या सुधारना चाहते हैं। उत्पादन में जाने से पहले पिछले डेटा से स्कोर करें। एक ही संख्या पर विश्वास न करें और मापदंड पर ही सवाल उठाएं। वास्तविक दुनिया की बाधाओं को टालें नहीं और शुरू से ही उन्हें शामिल करें। गिरावट से बचने को ही परिणाम मानें। नैतिकता को एक नोट के रूप में नहीं, बल्कि गणनाओं में शामिल करें। और सीमित परिचय से छोटे प्रयास करें और सुरक्षित रूप से विस्तार करें।
AI युग में वास्तव में फर्क डालने वाली चीज़ सिर्फ 'आप किस AI का उपयोग कर रहे हैं' नहीं है। यह है कि आप कितना मूल्यांकन कर सकते हैं और AI के निर्णय को बिना तोड़े लगातार सुधार सकते हैं। नारिता की ताकत इस तथ्य में निहित है कि उन्होंने AI रुझानों के उत्तरों का पीछा नहीं किया। इसके बजाय, उन्होंने लगातार AI के निर्णय प्रणाली को बिना क्रैश हुए बढ़ाने का सामना किया।
इसलिए, हमें यह नहीं सीखना चाहिए कि 'नारिता के समान शोध करें।' यह है कि अपने काम में AI को एक निर्णय सौंपें, उसे सुधारने के मानदंड तय करें, और गिरावट को रोकते हुए धीरे-धीरे सुधारें। केवल AI को वाक्य लिखने देने से संतुष्ट होने के बजाय, AI के निर्णय की गुणवत्ता को मापें और उसे बिना तोड़े बढ़ाएं। प्रॉम्प्ट के रुझान आधे साल में बदल जाते हैं, लेकिन यह मूल्यांकन-प्रथम सोचने का तरीका चाहे AI कितना भी विकसित हो जाए, काम करता रहेगा।
यह सबसे व्यावहारिक बात है जो युसुके नारिता के AI उपयोग तकनीकों से सीखी जा सकती है।
