TL;DR
- •ਇੱਕ ਏਜੰਟ ਡੇਟਾ ਉਤਪਾਦਨ ਇੱਕ ਆਵਾਜ਼ 'ਤੇ ਇਕੱਠਾ ਹੁੰਦਾ ਹੈ; ਬਹੁ-ਏਜੰਟ ਵਿਚਾਰ-ਵਿਮਰਸ਼ ਵੱਖ-ਵੱਖ ਪੈਰੋਨਾਸ ਦੇ ਵਿਚਕਾਰ ਵੱਖਰਾਪਣ ਅਤੇ ਸੰਘਰਸ਼ ਪੈਦਾ ਕਰਦਾ ਹੈ ਜੋ ਅਸਲ ਡੇਟਾਸੈਟਾਂ ਦੀ ਲੋੜ ਹੈ
- •ਚਾਰ ਤਕਨੀਕਾਂ: ਵਿਰੋਧੀ ਸੰਵਾਦ, ਸਹਿਯੋਗੀ ਸਮੱਸਿਆ-ਸਮਾਧਾਨ, ਪੈਰੋਨਾ-ਅਧਾਰਿਤ ਵੱਖਰਾ, ਅਤੇ ਉਤਾਰ-ਚੜ੍ਹਾਅ ਦੇ ਦ੍ਰਿਸ਼ਾਂ
- •ਅਮਲ ਕਰਨ ਦੀ ਇੱਕ 5-ਕਦਮ ਦੀ ਲੂਪ ਹੈ — ਪੈਰੋਨਾ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ, ਵਿਵਾਦਯੋਗ ਦ੍ਰਿਸ਼ਾਂਕੋਣ ਬਣਾਓ, ਵੱਖ-ਵੱਖ ਵਿਵਾਦ ਚਲਾਓ, ਸੰਰਚਿਤ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟਾਂ ਦੀ ਸਮੀਖਿਆ ਕਰੋ, ਨਿਕਾਸ ਕਰੋ ਅਤੇ ਛਾਣੋ — ਜੋ ਕਿ ਵਿਭਿੰਨਤਾ, ਸੰਗਤ, ਸਥਿਰਤਾ, ਅਤੇ ਕਵਰੇਜ ਦੁਆਰਾ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ।
Please provide the text you would like to have translated.
ਸਿੰਥੇਟਿਕ ਡੇਟਾ ਪਾਈਪਲਾਈਨਾਂ ਵਿੱਚ ਇੱਕ ਚੁੱਪ ਫੇਲਿਅਰ ਮੋਡ ਹੈ: ਇੱਕ ਹੀ ਜਨਰੇਟਰ ਏਜੰਟ ਨਾਲ ਬਣਾਏ ਗਏ ਏਆਈ ਟ੍ਰੇਨਿੰਗ ਡੇਟਾਸੈਟ ਸਾਰੇ ਇੱਕੋ ਜਿਹੇ ਵਿਅਕਤੀ ਦੀ ਤਰ੍ਹਾਂ ਸੁਣਾਈ ਦਿੰਦੇ ਹਨ। ਇੱਕ ਮਾਡਲ ਨੂੰ ਦਸ ਹਜ਼ਾਰ ਗਾਹਕਾਂ ਦੀ ਗੱਲਬਾਤ ਪੈਦਾ ਕਰਨ ਲਈ ਪ੍ਰੰਪਟ ਕਰੋ ਅਤੇ ਤੁਹਾਨੂੰ ਇਸਦੇ ਸਭ ਤੋਂ ਸੰਭਾਵਿਤ ਗਾਹਕ ਦੇ ਦਸ ਹਜ਼ਾਰ ਵੱਖ-ਵੱਖ ਰੂਪ ਮਿਲਦੇ ਹਨ — ਇੱਕੋ ਜਿਹੀ ਨਮ੍ਰਤਾ, ਇੱਕੋ ਜਿਹੇ ਵਿਰੋਧ ਦੇ ਪੈਟਰਨ, ਇੱਕੋ ਜਿਹੇ ਸੁਚੱਜੇ ਹੱਲ। ਉਸ ਡੇਟਾ 'ਤੇ ਟ੍ਰੇਨ ਕੀਤੇ ਗਏ ਮਾਡਲ ਉਸ ਡੇਟਾ 'ਤੇ ਬਹੁਤ ਚੰਗਾ ਕੰਮ ਕਰਦੇ ਹਨ ਜੋ ਇਸ ਦੀ ਤਰ੍ਹਾਂ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ, ਫਿਰ ਅਸਲੀ ਉਪਭੋਗਤਾਵਾਂ 'ਤੇ ਝਗੜਦੇ ਹਨ, ਜੋ ਕਿਸੇ ਵੀ ਇੱਕ ਏਜੰਟ ਦੀ ਕਲਪਨਾ ਨਾਲੋਂ ਜ਼ਿਆਦਾ ਗੰਦਗੀ, ਗੁੱਸਾ, ਭੁੱਲਭੁੱਲੈਆ ਅਤੇ ਵੱਖਰੇ ਹੁੰਦੇ ਹਨ।
ਮਲਟੀ-ਏਜੰਟ ਸਿਮੂਲੇਸ਼ਨ ਸਮੱਸਿਆ ਨੂੰ ਇਸਦੇ ਮੂਲ 'ਤੇ ਹਮਲਾ ਕਰਦੀ ਹੈ। ਇੱਕ ਏਜੰਟ ਦੁਆਰਾ ਇੰਟਰੈਕਸ਼ਨ ਦੇ ਦੋ ਪਾਸੇ ਬਣਾਉਣ ਦੀ ਬਜਾਏ, ਕਈ ਏਆਈ ਪੈਰੋਨਾਸ ਜੋ ਵਾਸਤਵ ਵਿੱਚ ਵੱਖਰੇ ਲੱਛਣਾਂ ਵਾਲੇ ਹਨ — ਇੱਕ ਸੰਦੇਹਵਾਦੀ, ਇੱਕ ਆਸ਼ਾਵਾਦੀ, ਇੱਕ ਪ੍ਰਗਟਵਾਦੀ, ਇੱਕ ਸ਼ੈਤਾਨ ਦਾ ਵਕੀਲ — ਇਕ ਦੂਜੇ ਨਾਲ ਇੰਟਰੈਕਟ, ਬਹਿਸ ਅਤੇ ਮੋਲ-ਤੋਲ ਕਰਦੇ ਹਨ। ਨਤੀਜੇ ਵਜੋਂ ਮਿਲਣ ਵਾਲੇ ਡੇਟਾ ਵਿੱਚ ਉਹ ਗੱਲਾਂ ਸ਼ਾਮਲ ਹੁੰਦੀਆਂ ਹਨ ਜੋ ਵਾਸਤਵਿਕ ਦੁਨੀਆ ਦੇ ਏਆਈ ਸਿਸਟਮਾਂ ਨੂੰ ਸਿੱਖਣ ਦੀ ਲੋੜ ਹੈ: ਅਸਹਿਮਤੀ, ਮਨਾਉਣਾ, ਨਿਰਾਸ਼ਾ, ਮਰੰਮਤ, ਅਤੇ ਉਹ ਹਜ਼ਾਰ ਛੋਟੇ ਘਸਣ ਜੋ ਮਨੁੱਖਾਂ ਵਿੱਚ ਹੁੰਦੇ ਹਨ ਜੋ ਇੱਕ ਸਕ੍ਰਿਪਟ ਸਾਂਝਾ ਨਹੀਂ ਕਰਦੇ।
ਇਹ ਗਾਈਡ ਇਸ ਗੱਲ ਨੂੰ ਕਵਰ ਕਰਦੀ ਹੈ ਕਿ ਕਿਉਂ ਬਹੁ-ਏਜੰਟ ਪੈਦਾ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਇਕ-ਏਜੰਟ ਨਾਲੋਂ ਵਧੀਆ ਹੈ, ਚਾਰ ਮੁੱਖ ਸਿਮੂਲੇਸ਼ਨ ਤਕਨੀਕਾਂ, ArgumenTroupe ਨਾਲ ਇੱਕ ਕਦਮ-ਦਰ-ਕਦਮ ਲਾਗੂ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ, ਅਤੇ ਗੁਣਵੱਤਾ ਮਾਪਦੰਡ ਜੋ ਤੁਹਾਨੂੰ ਦੱਸਦੇ ਹਨ ਕਿ ਕੀ ਤੁਹਾਡਾ ਸਿੰਥੇਟਿਕ ਡੇਟਾਸੈਟ ਸਿਖਲਾਈ ਲਈ ਯੋਗ ਹੈ।
ਤਰਬੀਤੀ ਡੇਟਾ ਲਈ ਮਲਟੀ-ਏਜੰਟ ਕਿਉਂ?
ਸਿੰਥੇਟਿਕ ਡੇਟਾ ਸ਼ਿਫਟ ਹੁਣ ਕਦੇ ਵੀ ਅਨੁਮਾਨੀ ਨਹੀਂ ਹੈ — ਗਾਰਟਨਰ ਨੇ ਅਨੁਮਾਨ ਲਗਾਇਆ ਕਿ 2026 ਤੱਕ 75% ਉਦਯੋਗ ਸਿੰਥੇਟਿਕ ਡੇਟਾ ਨੂੰ ਏਆਈ ਲਈ ਵਰਤਣਗੇ, ਅਤੇ ਸਿੰਥੇਟਿਕ ਡੇਟਾ ਖੋਜ ਹੁਣ ਇੱਕ ਮਿਆਰੀ ਵਿਸ਼ਾ ਹੈ। ਖੁੱਲਾ ਸਵਾਲ ਇਹ ਨਹੀਂ ਹੈ ਕਿ ਡੇਟਾ ਬਣਾਉਣਾ ਹੈ ਜਾਂ ਨਹੀਂ, ਬਲਕਿ ਇਹ ਹੈ ਕਿ ਕਿਵੇਂ ਐਸਾ ਡੇਟਾ ਬਣਾਇਆ ਜਾਵੇ ਜੋ ਕਾਫੀ ਵੱਖਰਾ ਹੋਵੇ ਤਾਂ ਜੋ ਇਹ ਲਾਭਦਾਇਕ ਹੋ ਸਕੇ।
ਵਿਭਿੰਨਤਾ ਦੀ ਸਮੱਸਿਆ
ਇੱਕ-ਏਜੰਟ ਪੈਦਾ ਕਰਨ ਵਿੱਚ ਇੱਕ ਸੰਰਚਨਾਤਮਕ ਛੱਤ ਹੁੰਦੀ ਹੈ। ਇੱਕ ਮਾਡਲ, ਚਾਹੇ ਉਹ ਕਿੰਨਾ ਵੀ ਸਮਰੱਥ ਹੋਵੇ, ਇੱਕ ਵੰਡ ਤੋਂ ਨਮੂਨਾ ਲੈਂਦਾ ਹੈ:
- ✗ਸਮਾਨ ਰੂਪਾਂਤਰ — ਇੱਕੋ ਜਿਹੇ ਅਧਾਰਭੂਤ ਗੱਲਬਾਤ ਦੇ ਸਤਹ-ਸਤਰ ਦੇ ਪੈਰਾਫਰੇਜ਼, ਵਾਸਤਵ ਵਿੱਚ ਵੱਖਰੇ ਇੰਟਰੈਕਸ਼ਨ ਨਹੀਂ
- ✗ਗੁਆਂਢੀ ਬਹੁ-ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਢਾਂਚੇ ਦੀ ਘਾਟ — ਵਾਸਤਵਿਕ ਗੱਲਬਾਤਾਂ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਲਕਸ਼ਾਂ, ਗਿਆਨ ਅਤੇ ਮੂਡ ਵਾਲੇ ਪੱਖਾਂ ਦੀ ਸ਼ਮੂਲੀਅਤ ਹੁੰਦੀ ਹੈ; ਇੱਕ ਹੀ ਏਜੰਟ ਦੋਨੋਂ ਪਾਸਿਆਂ ਨੂੰ ਖੇਡਣ ਨਾਲ ਇੱਕ ਹੀ ਵਿਸ਼ਵਦ੍ਰਿਸ਼ਟੀ ਦੋਹਾਂ ਵਿੱਚ ਲੀਕ ਕਰਦਾ ਹੈ
- ✗ਕੋਈ ਸੰਘਰਸ਼ ਜਾਂ ਮੋਲ-ਤੋਲ ਦੇ ਪੈਟਰਨ ਨਹੀਂ — ਜਨਰੇਟਰ ਤਣਾਅ ਨੂੰ ਬਹੁਤ ਸਹਿਯੋਗੀ ਢੰਗ ਨਾਲ ਹੱਲ ਕਰਦਾ ਹੈ, ਇਸ ਲਈ ਪ੍ਰਸ਼ਿਕਸ਼ਿਤ ਮਾਡਲ ਕਦੇ ਵੀ ਉਸ ਉਪਭੋਗਤਾ ਨੂੰ ਸੰਭਾਲਣਾ ਨਹੀਂ ਸਿੱਖਦਾ ਜੋ ਸ਼ਾਂਤ ਨਹੀਂ ਹੋਵੇਗਾ।
- ✗ਅਧਿਕ ਪ੍ਰਤੀਨਿਧਿਤ ਕਿਨਾਰੇ ਦੇ ਮਾਮਲੇ — ਅਸੰਭਵ ਪਰ ਮਹੱਤਵਪੂਰਨ ਇੰਟਰੈਕਸ਼ਨ ਨਿਕਾਸ ਵਿੱਚ ਅਸੰਭਵ ਰਹਿੰਦੇ ਹਨ, ਬਿਲਕੁਲ ਉਥੇ ਜਿੱਥੇ ਮਾਡਲ ਉਤਪਾਦਨ ਵਿੱਚ ਫੇਲ ਹੁੰਦੇ ਹਨ
ਮਲਟੀ-ਏਜੰਟ ਫਾਇਦੇ
ਵੱਖ-ਵੱਖ ਪੁਰਾਣੀਆਂ ਨੂੰ ਅਸਲੀ ਇੰਟਰੈਕਸ਼ਨ ਵਿੱਚ ਰੱਖਣਾ ਹਰ ਕਮਜ਼ੋਰੀ ਨੂੰ ਉਲਟ ਦਿੰਦਾ ਹੈ:
- ✓ਵੱਖ-ਵੱਖ ਪੁਰਾਣਿਆਂ ਤੋਂ ਕੁਦਰਤੀ ਵੱਖਰਾਪਣ — ਇੱਕ ਸੰਦੇਹਵਾਦੀ ਅਤੇ ਇੱਕ ਆਸ਼ਾਵਾਦੀ ਇੱਕੋ ਹੀ ਸਥਿਤੀ 'ਤੇ ਪ੍ਰਤੀਕਿਰਿਆ ਕਰਦੇ ਹਨ, ਜੋ ਢਾਂਚਾਤਮਕ ਤੌਰ 'ਤੇ ਵੱਖਰੀ ਭਾਸ਼ਾ ਪੈਦਾ ਕਰਦੇ ਹਨ, ਨਾ ਕਿ ਪਾਰਾਫਰੇਜ਼।
- ✓ਵਾਸਤਵਿਕ ਸੰਵਾਦ ਗਤੀਵਿਧੀਆਂ — ਰੁਕਾਵਟ, ਗਲਤਫਹਮੀ, ਸਪਸ਼ਟੀਕਰਨ, ਅਤੇ ਵਿਸ਼ੇ ਦਾ ਮੋੜ ਇੰਟਰੈਕਸ਼ਨ ਤੋਂ ਉਭਰਦੇ ਹਨ ਨਾ ਕਿ ਲਿਖੇ ਹੋਏ ਹਨ
- ✓ਉਭਰਦੇ ਵਿਹਾਰ ਅਤੇ ਪੈਟਰਨ — ਮੋਲ-ਤੋਲ, ਗਠਜੋੜ ਦੇ ਬਦਲਾਅ, ਅਤੇ ਛੋਟਾਂ ਇਸ ਤਰ੍ਹਾਂ ਦੇਖੇ ਜਾਂਦੇ ਹਨ ਕਿ ਕੋਈ ਵੀ ਇਸਨੂੰ ਪ੍ਰੇਰਿਤ ਨਹੀਂ ਕਰਦਾ, ਕਿਉਂਕਿ ਇਹ ਵਿਰੋਧੀ ਲਕਸ਼ਾਂ ਤੋਂ ਉਭਰਦੇ ਹਨ।
- ✓ਸਿਸਟਮੈਟਿਕ ਐਜ ਕੇਸ ਕਵਰੇਜ — ਇੱਕ ਪੈਰੋਨਾ ਨੂੰ ਮੁਸ਼ਕਲ ਕੇਸ ਬਣਾਉਣ ਲਈ ਨਿਯੁਕਤ ਕਰੋ (ਗੁੱਸੇ ਵਾਲਾ ਗਾਹਕ, ਭੁੱਲਭੁੱਲੈਆ ਨਵਜਾਤ) ਅਤੇ ਐਜ ਕੇਸ ਇੱਕ ਸੰਰਚਨਾ ਪੈਰਾਮੀਟਰ ਬਣ ਜਾਂਦੇ ਹਨ ਬਜਾਏ ਕਿਸੇ ਖੁਸ਼ਕਿਸਮਤੀ ਦੁਰਘਟਨਾ ਦੇ
ਮਲਟੀ-ਏਜੰਟ ਸਿਮੂਲੇਸ਼ਨ ਤਕਨੀਕਾਂ
ਚਾਰ ਤਕਨੀਕਾਂ ਜ਼ਿਆਦਾਤਰ ਪ੍ਰਸ਼ਿਕਸ਼ਣ-ਡੇਟਾ ਦੀਆਂ ਜ਼ਰੂਰਤਾਂ ਨੂੰ ਕਵਰ ਕਰਦੀਆਂ ਹਨ। ਇਹ ਇਕ ਪੱਕੀ ਪਾਈਪਲਾਈਨ ਬਣਾਉਂਦੀਆਂ ਹਨ ਜੋ ਆਮ ਤੌਰ 'ਤੇ ਇੱਕੋ ਹੀ ਸਥਿਤੀ ਲਾਇਬ੍ਰੇਰੀ ਦੇ ਖਿਲਾਫ ਕਈ ਚਲਾਉਂਦੀਆਂ ਹਨ।
ਤਕਨੀਕ 1: ਵਿਰੋਧੀ ਸੰਵਾਦ
ਇੱਕ ਏਜੰਟ ਪ੍ਰਸਤਾਵ ਦਿੰਦਾ ਹੈ; ਦੂਜਾ ਏਜੰਟ ਆਲੋਚਨਾ ਕਰਦਾ ਹੈ। ਪ੍ਰਸਤਾਵਕ ਨੂੰ ਰੱਖਣਾ, ਸੁਧਾਰਨਾ ਜਾਂ ਸਵੀਕਾਰਨਾ ਪੈਂਦਾ ਹੈ, ਅਤੇ ਹਰ ਬਦਲਾਅ ਇੱਕ ਪ੍ਰਸਤਾਵ-ਆਲੋਚਨਾ-ਜਵਾਬ ਤਿਕੋਣ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਇਹ ਆਲੋਚਨਾ-ਹੈਂਡਲਿੰਗ ਡੇਟਾ ਦਾ ਸਭ ਤੋਂ ਧਨੀ ਸਰੋਤ ਹੈ — ਪੈਟਰਨ ਗਾਹਕ-ਸਾਮ੍ਹਣੇ ਅਤੇ ਸਲਾਹਕਾਰ ਮਾਡਲਾਂ ਨੂੰ ਸਭ ਤੋਂ ਜ਼ਿਆਦਾ ਅਤੇ ਜੈਵਿਕ ਡੇਟਾਸੈਟਾਂ ਵਿੱਚ ਘੱਟ ਮਿਲਦਾ ਹੈ। ਕਿਉਂਕਿ ਆਲੋਚਕ ਨੂੰ ਬੇਰਹਮ ਬਣਾਉਣ ਲਈ ਸੰਰਚਿਤ ਕੀਤਾ ਗਿਆ ਹੈ, ਡੇਟਾ ਪ੍ਰਤਿਕਾਰ ਚੇਨ ਨੂੰ ਬਹੁਤ ਗਹਿਰਾਈ ਵਿੱਚ ਕਵਰ ਕਰਦਾ ਹੈ ਜੋ ਕਿ ਸ਼ courteous ਮਨੁੱਖੀ ਗੱਲਬਾਤਾਂ ਕਦੇ ਵੀ ਦਰਜ ਨਹੀਂ ਕਰਦੀਆਂ। ਇਸ ਤਰੀਕੇ ਨਾਲ ਬਣਾਇਆ ਗਿਆ ਡੇਟਾਸੈਟ ਇੱਕ ਮਾਡਲ ਨੂੰ ਸਿਰਫ ਇਹ ਨਹੀਂ ਸਿਖਾਉਂਦਾ ਕਿ ਕੀ ਕਹਿਣਾ ਹੈ, ਸਗੋਂ ਇਹ ਵੀ ਕਿ ਦਬਾਅ ਦੇ ਹੇਠਾਂ ਕਿਸ ਤਰ੍ਹਾਂ ਇੱਕ ਸਥਿਤੀ ਨੂੰ ਕਿਵੇਂ ਰੱਖਣਾ ਹੈ ਅਤੇ ਕਦੋਂ ਸਮਰਪਿਤ ਹੋਣਾ ਹੈ।
ਤਕਨੀਕ 2: ਸਹਿਯੋਗੀ ਸਮੱਸਿਆ-ਹੱਲ
ਕਈ ਏਜੰਟ ਇੱਕ ਸਾਂਝੇ ਲਕਸ਼ ਦੇ ਲਈ ਕੰਮ ਕਰਦੇ ਹਨ — ਇੱਕ ਪ੍ਰੋਜੈਕਟ ਦੀ ਯੋਜਨਾ ਬਣਾਉਣਾ, ਇੱਕ ਖਾਮੀ ਦੀ ਪਛਾਣ ਕਰਨਾ, ਇੱਕ ਦਸਤਾਵੇਜ਼ ਦਾ ਖਾਕਾ ਤਿਆਰ ਕਰਨਾ। ਇਹ ਇੰਟਰੈਕਸ਼ਨ ਸਹਿਯੋਗ ਦੀ ਭਾਸ਼ਾ ਨੂੰ ਕੈਦ ਕਰਦਾ ਹੈ: ਅਗਲੇ ਕਦਮਾਂ ਦੀ ਸੁਝਾਅ ਦੇਣਾ, ਉਪਕਰਮਾਂ ਨੂੰ ਵੰਡਣਾ, ਸਮਝ ਦੀ ਜਾਂਚ ਕਰਨਾ, ਇੱਕ ਅੱਧੂਰੇ ਜਵਾਬ 'ਤੇ ਨਿਰਭਰ ਕਰਨਾ। ਇਹ ਵਾਸਤਵਿਕ ਬਾਰੀ-ਬਾਰੀ ਅਤੇ ਯੋਗਦਾਨ ਦੀ ਅਸਮਾਨਤਾ ਨੂੰ ਵੀ ਮਾਡਲ ਕਰਦਾ ਹੈ, ਕਿਉਂਕਿ ਇੱਕ ਚੰਗੀ ਤਰ੍ਹਾਂ ਸੰਰਚਿਤ ਟਰੂਪ ਵਿੱਚ ਇੱਕ ਪ੍ਰਮੁੱਖ ਆਵਾਜ਼, ਇੱਕ ਧਿਆਨ ਨਾਲ ਸੰਖੇਪ ਕਰਨ ਵਾਲਾ, ਅਤੇ ਇੱਕ ਚੁੱਪ ਮੈਂਬਰ ਹੁੰਦਾ ਹੈ ਜਿਸਨੂੰ ਬਾਹਰ ਕੱਢਣਾ ਪੈਂਦਾ ਹੈ। ਇਸ ਡੇਟਾ ਨਾਲ ਪ੍ਰਸ਼ਿਕਸ਼ਿਤ ਸਹਾਇਕ ਮਾਡਲਾਂ ਨੇ ਬਹੁ-ਪਾਰਟੀ ਥ੍ਰੇਡਾਂ ਅਤੇ ਲੰਬੇ ਚੱਲਣ ਵਾਲੇ ਕੰਮਾਂ ਨੂੰ ਇੱਕ-ਇੱਕ ਕਰਕੇ ਬਦਲਣ ਵਾਲੇ ਮਾਡਲਾਂ ਨਾਲੋਂ ਨਿਸ਼ਚਿਤ ਤੌਰ 'ਤੇ ਬਿਹਤਰ ਤਰੀਕੇ ਨਾਲ ਸੰਭਾਲਿਆ।
ਤਕਨੀਕ 3: ਪੈਰੋਨਾ-ਅਧਾਰਿਤ ਵੱਖਰਾਪਣ
ਇਹੀ ਦ੍ਰਿਸ਼ਯ ਵੱਖ-ਵੱਖ ਪਾਤਰਾਂ ਦੇ ਕਾਸਟਾਂ ਨਾਲ ਦੁਹਰਾਇਆ ਜਾਂਦਾ ਹੈ। ਇੱਕ ਧੀਰਜ ਵਾਲੇ ਰਿਟਾਇਰਡ ਵਿਅਕਤੀ, ਇੱਕ ਸੰਕੁਚਿਤ ਕਾਰਜਕਾਰੀ, ਅਤੇ ਇੱਕ ਚਿੰਤਤ ਪਹਿਲੀ ਵਾਰੀ ਖਰੀਦਦਾਰ ਦੁਆਰਾ ਸੰਭਾਲਿਆ ਗਿਆ ਰਿਫੰਡ ਬੇਨਤੀ ਇੱਕ ਹੀ ਦ੍ਰਿਸ਼ਯ ਪਰਿਭਾਸ਼ਾ ਤੋਂ ਤਿੰਨ ਢਾਂਚਾਤਮਕ ਤੌਰ 'ਤੇ ਵੱਖਰੇ ਗੱਲਬਾਤਾਂ ਦਾ ਨਤੀਜਾ ਦਿੰਦਾ ਹੈ — ਜਨਸੰਖਿਆ ਅਤੇ ਸ਼ੈਲੀਕ ਵੱਖਰਾਪਣ ਬਿਨਾਂ ਕਿਸੇ ਵਾਧੂ ਲੇਖਨ ਖਰਚ ਦੇ। ਇਹ ਕਵਰੇਜ ਲਈ ਕੰਮ ਕਰਨ ਵਾਲੀ ਤਕਨੀਕ ਹੈ: ਆਪਣੀ ਦ੍ਰਿਸ਼ਯ ਲਾਇਬ੍ਰੇਰੀ ਇੱਕ ਵਾਰੀ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ, ਫਿਰ ਇਸਨੂੰ ਇੱਕ ਪਾਤਰ ਮੈਟ੍ਰਿਕਸ 'ਤੇ ਲਾਗੂ ਕਰੋ ਜੋ ਅਸਲੀ ਏਆਈ ਪਾਤਰ ਪ੍ਰੋਫਾਈਲਾਂ ਤੋਂ ਬਣੀ ਹੈ। ਇਹ ਇਹ ਵੀ ਸੱਚਾ ਤਰੀਕਾ ਹੈ ਜਾਂਚਣ ਦਾ ਕਿ ਕੀ ਇੱਕ ਮਾਡਲ ਤੁਹਾਡੇ ਸਾਰੇ ਉਪਭੋਗਤਾਵਾਂ ਦੀ ਸੇਵਾ ਕਰਦਾ ਹੈ, ਨਾ ਕਿ ਸਿਰਫ ਔਸਤ ਵਾਲੇ ਦੀ।
ਤਕਨੀਕ 4: ਵਧਾਉਣ ਦੇ ਦ੍ਰਿਸ਼ਯ
ਇੰਟਰੈਕਸ਼ਨ ਦੇ ਦੌਰਾਨ ਜਾਣਬੁਝ ਕੇ ਮੁਸ਼ਕਲਾਂ ਅਤੇ ਸੰਘਰਸ਼ ਵਧਦੇ ਹਨ — ਇੱਕ ਹਲਕਾ ਸਵਾਲ ਸ਼ਿਕਾਇਤ ਬਣ ਜਾਂਦਾ ਹੈ, ਫਿਰ ਚੁਣੌਤੀ ਦਾ ਖਤਰਾ ਬਣ ਜਾਂਦਾ ਹੈ, ਫਿਰ ਮੈਨੇਜਰ ਦੀ ਮੰਗ ਬਣ ਜਾਂਦਾ ਹੈ। ਵਧਦੇ ਹੋਏ ਦਾਅਵੇ ਅਨੁਕੂਲਤਾ ਦੇ ਪੈਟਰਨਾਂ (ਜਿਵੇਂ ਕਿ ਭਾਸ਼ਾ ਕਿਵੇਂ ਬਦਲਦੀ ਹੈ ਜਦੋਂ ਦਾਅਵੇ ਵਧਦੇ ਹਨ) ਅਤੇ ਹੱਲ ਦੇ ਤਰੀਕਿਆਂ (ਕਿਹੜਾ ਘਟਾਉਂਦਾ ਹੈ, ਕਿਹੜਾ ਭੜਕਾਉਂਦਾ ਹੈ) ਨੂੰ ਕੈਦ ਕਰਦੇ ਹਨ। ਅਸਲੀ ਲੌਗਾਂ ਵਿੱਚ ਕੁਝ ਪੂਰੇ ਵਧਦੇ ਦਾਅਵੇ ਦੇ ਚੱਕਰ ਹੁੰਦੇ ਹਨ ਕਿਉਂਕਿ ਜ਼ਿਆਦਾਤਰ ਗੱਲਬਾਤਾਂ ਜਲਦੀ ਖਤਮ ਹੋ ਜਾਂਦੀਆਂ ਹਨ; ਸਿਮੂਲੇਸ਼ਨ ਹਰ ਵਾਰੀ ਪੂਰਾ ਚੱਕਰ ਪੈਦਾ ਕਰ ਸਕਦੀ ਹੈ, ਜਿਸ ਵਿੱਚ ਪੁਨਰਵਾਸ ਵੀ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ। ਸੁਰੱਖਿਆ-ਮਹੱਤਵਪੂਰਨ ਅਤੇ ਸਹਾਇਤਾ ਮਾਡਲਾਂ ਲਈ, ਇਹ ਤਕਨੀਕ ਉਹ ਸਿਖਲਾਈ ਉਦਾਹਰਣ ਪੈਦਾ ਕਰਦੀ ਹੈ ਜੋ ਹਰ ਟੋਕਨ ਲਈ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਹੁੰਦੇ ਹਨ।
ਅਮਲ ਕਰਨ ਦੀ ਗਾਈਡ: ArgumenTroupe ਨਾਲ ਬਹੁ-ਏਜੰਟ ਡੇਟਾ ਉਤਪਾਦਨ
ArgumenTroupe ਬਹੁਤ ਸਾਰੇ ਪੈਰੋਕਾਰਾਂ ਦੀ ਵਿਚਾਰ-ਵਿਮਰਸ਼ ਲਈ ਬਣਾਇਆ ਗਿਆ ਸੀ, ਜੋ ਇਸਨੂੰ ਇੱਕ ਕੁਦਰਤੀ ਪੀੜ੍ਹੀ ਇੰਜਣ ਬਣਾਉਂਦਾ ਹੈ: ਤੁਸੀਂ ਪੈਰੋਕਾਰਾਂ ਦੀ ਇੱਕ ਟਰੂਪ ਬਣਾਉਂਦੇ ਹੋ, ਉਨ੍ਹਾਂ ਨੂੰ ਕਿਸੇ ਚੀਜ਼ 'ਤੇ ਅਸਹਿਮਤ ਹੋਣ ਲਈ ਦਿੰਦੇ ਹੋ, ਅਤੇ ਸੰਰਚਿਤ ਬਹਿਸ ਨੂੰ ਇਕੱਠਾ ਕਰਦੇ ਹੋ। ਕੋਈ ਸਕ੍ਰਿਪਟਿੰਗ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ — ਪੂਰਾ ਪਾਈਪਲਾਈਨ ਸੰਰਚਨਾ ਰਾਹੀਂ ਚਲਦਾ ਹੈ। ਇੱਥੇ ਕੰਮ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਹੈ।
ਆਪਣੀ ਪੈਰੋਨਾ ਟਰੂਪ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ
ਸਟਾਕ ਭੂਮਿਕਾਵਾਂ ਤੋਂ ਸ਼ੁਰੂ ਕਰੋ — ਸ਼ੱਕੀ, ਆਸ਼ਾਵਾਦੀ, ਪ੍ਰਗਮੈਟਿਸਟ, ਸ਼ੈਤਾਨ ਦਾ ਵਕੀਲ — ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਆਪਣੇ ਡੇਟਾਸੇਟ ਦੀ ਲੋੜਾਂ ਦੇ ਨਾਲ ਵਧਾਓ: ਇੱਕ ਨਿਰਾਸ਼ਤ ਲੰਬੇ ਸਮੇਂ ਦਾ ਗਾਹਕ, ਇੱਕ ਗੈਰ-ਤਕਨੀਕੀ ਨਵਜਾਤ, ਇੱਕ ਅਨੁਕੂਲਤਾ-ਮਾਈਂਡਿਡ ਮੈਨੇਜਰ। ਹਰ ਪੈਰੋਨਾ ਲਈ ਤੁਸੀਂ ਇੱਕ ਨਾਮ, ਕੁਝ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ (ਬੇਸਬਰ, ਵਿਸਥਾਰ-ਕੇਂਦਰਿਤ, ਜੋਖਮ-ਅਵਰੋਧਕ), ਅਤੇ ਇੱਕ ਸੰਦਰਭ ਲਾਈਨ ਨਿਰਧਾਰਿਤ ਕਰਦੇ ਹੋ ਜੋ ਉਨ੍ਹਾਂ ਦੀ ਸਥਿਤੀ ਨੂੰ ਅੰਕਰਿਤ ਕਰਦੀ ਹੈ। ਵਿਲੱਖਣਤਾ ਸਾਰੀ ਗੱਲ ਹੈ: ਜੇ ਦੋ ਪੈਰੋਨਾ ਇੱਕੋ ਜਿਹੀ ਗੱਲ ਕਹਿਣਗੇ, ਤਾਂ ਉਨ੍ਹਾਂ ਨੂੰ ਮਿਲਾਓ ਅਤੇ ਇੱਕ ਐਸਾ ਸ਼ਾਮਲ ਕਰੋ ਜੋ ਨਹੀਂ ਕਹੇਗਾ।
ਸੰਭਾਵਨਾਵਾਂ ਨੂੰ ਵਾਦ-ਵਿਵਾਦ ਵਾਲੇ ਸਵਾਲਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਫਰੇਮ ਕਰੋ
ਮਲਟੀ-ਏਜੰਟ ਡੇਟਾ ਉਸ ਤਣਾਅ ਦੇ ਬਰਾਬਰ ਹੈ ਜੋ ਪ੍ਰੰਪਟ ਵਿੱਚ ਹੈ। ਆਪਣੇ ਲਾਇਬ੍ਰੇਰੀ ਵਿੱਚ ਹਰ ਸਿਨਾਰਿਓ ਨੂੰ ਕੁਝ ਐਸਾ ਬਣਾ ਦਿਓ ਜਿਸ 'ਤੇ ਪੈਰਸੋਨਾਸ ਸੱਚਮੁੱਚ ਅਸਹਿਮਤ ਹੋ ਸਕਣ — "ਸਾਡੇ ਰਿਫੰਡ ਨੀਤੀ ਬਾਰੇ ਚਰਚਾ ਕਰੋ" ਨਹੀਂ, ਬਲਕਿ "ਕੀ ਇਸ ਬਾਰਡਰਲਾਈਨ ਰਿਫੰਡ ਨੂੰ ਮਨਜ਼ੂਰੀ ਦਿੱਤੀ ਜਾਵੇ?" ਹਰ ਚਲਾਉਣ ਲਈ ਪੈਰਾਮੀਟਰ ਸੈੱਟ ਕਰੋ: ਕਿਹੜੇ ਪੈਰਸੋਨਾਸ ਭਾਗ ਲੈਂਦੇ ਹਨ, ਲਗਭਗ ਕਿੰਨੇ ਐਕਸਚੇਂਜ ਰਾਊਂਡ ਹਨ, ਅਤੇ ਕਿਹੜੇ ਐਜ ਕੇਸਾਂ ਦਾ ਉਲਲੇਖ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ (ਇੱਕ ਰੁਕਾਵਟ, ਇੱਕ ਤੱਥਾਤਮਕ ਸੁਧਾਰ, ਇੱਕ ਅਣਸੁਧਰਿਆ ਅੰਤ)।
ਵਿਚਾਰ-ਵਿਮਰਸ਼ ਚਲਾਓ ਅਤੇ ਸੰਰਚਨਾ ਵਿੱਚ ਵੱਖਰਾ ਕਰੋ
ਸਿਮੂਲੇਸ਼ਨ ਸ਼ੁਰੂ ਕਰੋ ਅਤੇ ਟਰੂਪ ਨੂੰ ਬਹਿਸ ਕਰਨ ਦਿਓ। ਫਿਰ ਇੱਕ ਹੀ ਦ੍ਰਿਸ਼ ਨੂੰ ਬਦਲੇ ਹੋਏ ਕਾਸਟਾਂ (ਪ੍ਰਸੰਗ-ਅਧਾਰਿਤ ਵੈਰੀਏਸ਼ਨ) ਨਾਲ, ਇੱਕ ਆਲੋਚਕ ਸ਼ਾਮਲ ਕਰਕੇ (ਵਿਰੋਧੀ ਸੰਵਾਦ), ਜਾਂ ਵਧਦੇ ਦਾਅਵੇ (ਵਧਾਈ) ਨਾਲ ਦੁਬਾਰਾ ਚਲਾਓ। ਹਰ ਸੰਰਚਨਾ ਤੁਹਾਡੇ ਡੇਟਾਸੇਟ ਦਾ ਇੱਕ ਨਵਾਂ ਟੁਕੜਾ ਹੈ ਜੋ ਇੱਕੋ ਹੀ ਦ੍ਰਿਸ਼ ਨਿਵੇਸ਼ ਤੋਂ ਹੈ। ਹਰ ਚਲਾਉਣ ਨੂੰ ਇਸਦੇ ਦ੍ਰਿਸ਼, ਪ੍ਰਸੰਗ ਲਾਈਨਅਪ, ਅਤੇ ਇਰਾਦੇ ਦੇ ਨਤੀਜੇ ਨਾਲ ਟੈਗ ਕਰੋ ਜਿਵੇਂ ਤੁਸੀਂ ਜਾ ਰਹੇ ਹੋ — ਪੈਦਾ ਕਰਨ ਦੇ ਸਮੇਂ 'ਤੇ ਸ਼ਾਮਲ ਕੀਤੀ ਗਈ ਮੈਟਾਡੇਟਾ ਲਗਭਗ ਮੁਫਤ ਹੈ, ਅਤੇ ਬਾਅਦ ਵਿੱਚ ਇਸਨੂੰ ਦੁਬਾਰਾ ਬਣਾਉਣਾ ਕਦੇ ਵੀ ਨਹੀਂ ਹੁੰਦਾ।
ਸੰਰਚਿਤ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟਾਂ ਦੀ ਸਮੀਖਿਆ ਕਰੋ
ਇੱਥੇ ਇੱਕ ਵਿਚਾਰ-ਵਿਮਰਸ਼ ਪਲੇਟਫਾਰਮ ਇੱਕ ਕੱਚੇ ਮਾਡਲ ਲੂਪ ਦੇ ਮੁਕਾਬਲੇ ਵਿੱਚ ਆਪਣੀ ਕੀਮਤ ਕਮਾਉਂਦਾ ਹੈ। ArgumenTroupe ਹਰ ਸੈਸ਼ਨ ਨੂੰ ਇੱਕ ਸੰਰਚਿਤ ਤਰਕ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਵਜੋਂ ਦਰਜ ਕਰਦਾ ਹੈ — ਕਿਸਨੇ ਕੀ ਕਿਹਾ, ਕਿਸ ਬਿੰਦੂ ਦੇ ਜਵਾਬ ਵਿੱਚ, ਕਿਹੜੀ ਪਾਸੇ ਲੈਂਦੇ ਹੋਏ — ਨਾ ਕਿ ਇੱਕ ਅਣਭੇਦਿਤ ਲਿਖਤ ਦੀ ਕੰਧ ਵਜੋਂ। ਤਰਕ ਦੇ ਪੱਧਰ 'ਤੇ ਸੈਸ਼ਨਾਂ ਨੂੰ ਸਕਿਮ ਕਰੋ: ਇਹ ਜਾਂਚੋ ਕਿ ਪੈਰੋਨਾਸ ਪਾਤਰ ਵਿੱਚ ਰਹੇ, ਕਿ ਅਸਹਿਮਤੀ ਵਾਸਤਵ ਵਿੱਚ ਹੋਈ, ਅਤੇ ਕਿ ਗੱਲਬਾਤਾਂ ਵੱਖ-ਵੱਖ ਤਰੀਕਿਆਂ ਨਾਲ ਖਤਮ ਹੋਈਆਂ। ਉਹ ਦੌਰਾਂ ਨੂੰ ਛੱਡ ਦਿਓ ਜਾਂ ਝੰਡਾ ਲਗਾਓ ਜਿੱਥੇ ਟਰੂਪ ਬਹੁਤ ਜਲਦੀ ਸਹਿਮਤੀ ਵਿੱਚ ਪਤਨ ਹੋ ਗਿਆ — ਸਹਿਮਤੀ ਸੰਸਥਾਪਕ ਵਿਭਿੰਨਤਾ ਦਾ ਅਸਫਲਤਾ ਮੋਡ ਹੈ।
ਨਿਰਯਾਤ ਅਤੇ ਪ੍ਰਸ਼ਿਕਸ਼ਣ ਲਈ ਫਿਲਟਰ
ਮੰਜ਼ੂਰ ਕੀਤੇ ਗਏ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟਾਂ ਨੂੰ ਉਨ੍ਹਾਂ ਦੇ ਮੈਟਾਡੇਟਾ ਨਾਲ ਨਿਰਯਾਤ ਕਰੋ, ਫਿਰ ਮਿਆਰੀ ਸਫਾਈ ਪਾਸ ਲਾਗੂ ਕਰੋ: ਖਾਲੀ, ਦੁਹਰਾਏ ਜਾਂ ਨੀਤੀ ਦੇ ਖਿਲਾਫ ਸਮੱਗਰੀ ਲਈ ਆਟੋਮੈਟਿਕ ਫਿਲਟਰ; ਲਗਭਗ ਇੱਕੋ ਜਿਹੇ ਚਲਾਉਂਦੇ ਸਮੇਂ ਦੂਜਾ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ; ਇੱਕ ਰੈਂਡਮ ਨਮੂਨੇ ਦੀ ਮਨੁੱਖੀ ਸਮੀਖਿਆ। ਇਸਨੂੰ ਸਿਖਲਾਈ, ਪ੍ਰਮਾਣਿਕਤਾ, ਅਤੇ ਟੈਸਟ ਸੈੱਟਾਂ ਵਿੱਚ ਵੰਡੋ — ਅਤੇ ਅੰਤਿਮ ਮੁਲਾਂਕਣ ਲਈ ਵਾਸਤਵਿਕ, ਮਨੁੱਖੀ-ਜਨਰੇਟ ਕੀਤੀ ਗਈ ਡੇਟਾ ਨੂੰ ਰੱਖੋ, ਤਾਂ ਜੋ ਤੁਸੀਂ ਮਾਡਲ ਨੂੰ ਹਕੀਕਤ ਦੇ ਖਿਲਾਫ ਮਾਪ ਸਕੋ ਨਾ ਕਿ ਹੋਰ ਸੰਸਥਿਤਿਕ ਡੇਟਾ ਦੇ ਖਿਲਾਫ। ਉਤਪਾਦ ਪਾਸੇ ਤੋਂ ਇੱਕੋ ਹੀ ਪਾਈਪਲਾਈਨ ਨੂੰ ਸਾਡੇ <a href="/use-cases/training-data-generation">ਸਿਖਲਾਈ ਡੇਟਾ ਪੈਦਾ ਕਰਨ ਦੇ ਉਪਯੋਗ ਕੇਸ</a> ਵਿੱਚ ਵਰਣਨ ਕੀਤਾ ਗਿਆ ਹੈ।
ਬਹੁ-ਏਜੰਟ ਡੇਟਾ ਲਈ ਗੁਣਵੱਤਾ ਮਾਪ
ਜਨਰੇਸ਼ਨ ਸਸਤਾ ਹੈ; ਜੋ ਤੁਸੀਂ ਜਨਰੇਟ ਕੀਤਾ ਹੈ ਉਸਨੂੰ ਜਾਣਨਾ ਅਨੁਸ਼ਾਸਨ ਹੈ। ਚਾਰ ਮੈਟਰਿਕ ਪਰਿਵਾਰ ਬਹੁ-ਏਜੰਟ ਡੇਟਾਸੈਟ ਨੂੰ ਕਵਰ ਕਰਦੇ ਹਨ:
- •ਵਿਭਿੰਨਤਾ ਸਕੋਰ — ਕੋਰਪਸ ਵਿੱਚ ਸ਼ਬਦਕੋਸ਼ ਅਤੇ ਅਰਥਕ ਫੈਲਾਅ। ਜੇ ਤੁਹਾਡੇ ਗੱਲਬਾਤਾਂ ਦੇ ਐਮਬੈਡਿੰਗਜ਼ ਨੇੜੇ-ਨੇੜੇ ਜੁੜੇ ਹੋਏ ਹਨ, ਤਾਂ ਤੁਹਾਡੇ ਪੈਰਸੋਨਾਵਾਂ ਇੱਕ ਆਵਾਜ਼ ਵਿੱਚ ਸਮਾਪਤ ਹੋ ਰਹੇ ਹਨ ਅਤੇ ਬਹੁ-ਏਜੰਟ ਪ੍ਰੀਮੀਅਮ ਗਾਇਬ ਹੋ ਗਿਆ ਹੈ।
- •ਸੰਗਤਤਾ ਮਾਪਦੰਡ — ਕੀ ਹਰ ਵਾਰਤਾ ਉਸ ਤੋਂ ਪਹਿਲਾਂ ਕੀਤੇ ਗਏ ਬਿਆਨ ਦਾ ਜਵਾਬ ਦਿੰਦੀ ਹੈ? ਬਹੁ-ਏਜੰਟ ਚਲਾਉਣ ਸਮੇਂ ਸਮਾਂ-ਸਮਾਂ 'ਤੇ ਸਮਾਂ-ਸਮਾਂ ਦੇ ਮੋਨੋਲਾਗ ਵਿੱਚ ਬਦਲ ਸਕਦੇ ਹਨ; ਸੰਗਤਤਾ ਦੀ ਜਾਂਚ ਉਹਨਾਂ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟਾਂ ਨੂੰ ਪਕੜਦੀ ਹੈ ਜਿੱਥੇ ਏਜੰਟ ਇੱਕ ਦੂਜੇ ਦੇ ਬਾਰੇ ਗੱਲ ਕਰਦੇ ਹਨ।
- •ਪਰਸੋਨਾ ਸੰਗਤਤਾ — ਸੰਦੇਹਵਾਦੀ ਨੂੰ ਮੋੜ 2 ਵਿੱਚ ਸੰਦੇਹਵਾਦੀ ਹੀ ਰਹਿਣਾ ਚਾਹੀਦਾ ਹੈ, ਮੋੜ 20 ਵਿੱਚ ਵੀ। ਅਸੰਗਤ ਪਰਸੋਨਾਵਾਂ ਨੀਚਲੇ ਮਾਡਲ ਨੂੰ ਸਿਖਾਉਂਦੀਆਂ ਹਨ ਕਿ ਬੋਲਣ ਵਾਲੇ ਦੀ ਪਛਾਣ ਬੇਅਰਥ ਹੈ, ਜੋ ਕਿ ਉਸ ਸਿਗਨਲ ਨੂੰ ਖਰਾਬ ਕਰਦਾ ਹੈ ਜਿਸ ਲਈ ਤੁਸੀਂ ਡੇਟਾ ਤਿਆਰ ਕੀਤਾ ਸੀ।
- •ਕਵਰੇਜ ਵਿਸ਼ਲੇਸ਼ਣ — ਤੁਹਾਡੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣ-ਦਰ-ਵਿਅਕਤੀ ਮੈਟ੍ਰਿਕਸ ਅਤੇ ਤੁਹਾਡੇ ਲੋੜੀਂਦੇ ਐਜ ਕੇਸਾਂ ਦੇ ਖਿਲਾਫ ਬਣਾਈ ਗਈ ਨਕਸ਼ਾ ਜਨਰੇਟ ਕੀਤੀ ਗਈ ਚਲਾਉਂਦੀ ਹੈ। ਮੈਟ੍ਰਿਕਸ ਵਿੱਚ ਖਾਲੀਆਂ ਸਥਾਨ ਚੁੱਪ ਰਹਿੰਦੇ ਹਨ ਜਦ ਤੱਕ ਇੱਕ ਉਤਪਾਦਨ ਮਾਡਲ ਉਸ ਸੈੱਲ ਨੂੰ ਨਹੀਂ ਮਿਲਦਾ ਜੋ ਤੁਸੀਂ ਕਦੇ ਨਹੀਂ ਬਣਾਇਆ।
ਕੇਸ ਅਧਿਐਨ: ਗਾਹਕ ਸੇਵਾ ਬੋਟ ਦੀ ਪ੍ਰਸ਼ਿਕਸ਼ਣ
ਇੱਕ ਪ੍ਰਤੀਨਿਧੀ (ਸੰਯੁਕਤ) ਉਦਾਹਰਨ 'ਤੇ ਵਿਚਾਰ ਕਰੋ: ਇੱਕ ਟੀਮ ਜੋ ਇੱਕ ਸਬਸਕ੍ਰਿਪਸ਼ਨ ਉਤਪਾਦ ਲਈ ਗਾਹਕ-ਸੇਵਾ ਸਹਾਇਕ ਬਣਾ ਰਹੀ ਹੈ। ਉਨ੍ਹਾਂ ਦਾ ਪਹਿਲਾ ਪ੍ਰਸ਼ਿਕਸ਼ਣ ਸੈੱਟ ਇਕਲ-ਏਜੰਟ ਦੁਆਰਾ ਬਣਾਇਆ ਗਿਆ ਸੀ - ਇੱਕ ਮਾਡਲ ਜੋ ਹਜ਼ਾਰਾਂ ਟਿਕਟਾਂ ਵਿੱਚ ਗਾਹਕ ਅਤੇ ਏਜੰਟ ਦੋਹਾਂ ਦੀ ਭੂਮਿਕਾ ਨਿਭਾ ਰਿਹਾ ਸੀ। ਬੋਟ ਨੇ ਅੰਦਰੂਨੀ ਤੌਰ 'ਤੇ ਚੰਗਾ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ ਅਤੇ ਫਿਰ ਵਾਸਤਵਿਕ ਗਾਹਕਾਂ ਨਾਲ ਥੋੜ੍ਹਾ ਕੰਮ ਕੀਤਾ, ਇੱਕ ਦਿਖਾਈ ਦੇਣ ਵਾਲੇ ਪੈਟਰਨ ਵਿੱਚ: ਇਸਨੇ ਨਮ੍ਰ, ਚੰਗੀ ਤਰ੍ਹਾਂ ਬਣੀ ਹੋਈ ਬੇਨਤੀਆਂ ਨੂੰ ਠੀਕ ਨਾਲ ਸੰਭਾਲਿਆ ਅਤੇ ਜਦੋਂ ਗਾਹਕ ਗੁੱਸੇ ਵਿੱਚ, ਅਸਪਸ਼ਟ ਜਾਂ ਪਹਿਲੇ ਜਵਾਬ 'ਤੇ ਵਾਪਸ ਧੱਕੇ ਮਾਰਦੇ ਸਨ, ਤਾਂ ਇਹ ਢਹਿ ਗਿਆ। ਪ੍ਰਸ਼ਿਕਸ਼ਣ ਡੇਟਾ ਵਿੱਚ ਲਗਭਗ ਕੋਈ ਵਾਸਤਵਿਕ ਵਾਪਸੀ ਨਹੀਂ ਸੀ, ਕਿਉਂਕਿ ਇੱਕ ਇਕਲ ਏਜੰਟ ਜੋ ਦੋਹਾਂ ਪਾਸਿਆਂ ਦੀ ਭੂਮਿਕਾ ਨਿਭਾ ਰਿਹਾ ਸੀ, ਆਪਣੇ ਹੀ ਟਿਕਟਾਂ ਨੂੰ ਸਹਿਯੋਗੀ ਤਰੀਕੇ ਨਾਲ ਹੱਲ ਕਰਦਾ ਹੈ।
ਨਵਾਂ ਪੁਨਰ ਨਿਰਮਾਣ ਬਹੁ-ਏਜੰਟ ਸਿਮੂਲੇਸ਼ਨ 'ਤੇ ਆਧਾਰਿਤ ਸੀ। ਇੱਕ ਪੈਰੋਨਾ ਟਰੂਪ — ਨਿਰਾਸ਼ਤ ਪਾਵਰ ਉਪਭੋਗਤਾ, ਭੁਲਭੁਲਿਆ ਨਵਾਂ ਆਗਮਨ, ਛੂਟ-ਸ਼ਿਕਾਰ, ਉਹ ਗਾਹਕ ਜਿਸਨੇ ਪਹਿਲਾਂ ਹੀ ਦੋ ਵਾਰੀ ਸਹਾਇਤਾ ਨਾਲ ਸੰਪਰਕ ਕੀਤਾ ਸੀ — ਨੂੰ ਇੱਕ ਏਜੰਟ ਪੈਰੋਨਾ ਦੇ ਖਿਲਾਫ ਇੱਕੋ ਹੀ ਸਿਨੇਰੀਓ ਲਾਇਬ੍ਰੇਰੀ 'ਤੇ ਚਲਾਇਆ ਗਿਆ, ਜਿਸ 'ਤੇ ਵਿਰੋਧੀ ਅਤੇ ਉਤਾਰ-ਚੜ੍ਹਾਅ ਸੰਰਚਨਾਵਾਂ ਲਗਾਈਆਂ ਗਈਆਂ। ਨਵਾਂ ਡੇਟਾਸੈਟ ਗੁੰਮ ਹੋਈਆਂ ਸੰਰਚਨਾਵਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਦਾ ਸੀ: ਬਹੁ-ਮੋੜ ਵਿਰੋਧ ਚੇਨ, ਉਤਾਰ-ਚੜ੍ਹਾਅ, ਗਲਤ ਜਵਾਬ ਦੇ ਬਾਅਦ ਮਰੰਮਤ, ਅਤੇ ਗੱਲਬਾਤਾਂ ਜੋ ਅਣਸੁਧਰੀ ਰਹਿ ਗਈਆਂ।
ਮਲਟੀ-ਏਜੰਟ ਕੋਰਪਸ 'ਤੇ ਦੁਬਾਰਾ ਪ੍ਰਸ਼ਿਕਸ਼ਿਤ ਹੋਣ ਦੇ ਨਾਲ, ਬੋਟ ਦਾ ਵਿਵਹਾਰ ਠੀਕ ਉਨ੍ਹਾਂ ਥਾਵਾਂ 'ਤੇ ਬਦਲ ਗਿਆ ਜਿੱਥੇ ਡੇਟਾ ਬਦਲਿਆ ਸੀ: ਇਸਨੇ ਨਾਰਾਜ਼ ਗਾਹਕਾਂ ਨੂੰ ਆਪਣਾ ਪਹਿਲਾ ਜਵਾਬ ਦੁਹਰਾਉਣਾ ਬੰਦ ਕਰ ਦਿੱਤਾ, ਸਮੱਸਿਆ ਹੱਲ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਨਾਰਾਜ਼ਗੀ ਨੂੰ ਮੰਨਣਾ ਸਿੱਖਿਆ, ਅਤੇ ਜ਼ਿਆਦਾ ਸਮਝਦਾਰ ਪਲਾਂ 'ਤੇ ਮਨੁੱਖਾਂ ਵੱਲ ਵਧਿਆ। ਆਮ ਪਾਠ ਸਹਾਇਤਾ ਬੋਟਾਂ ਤੋਂ ਪਰੇ ਲਾਗੂ ਹੁੰਦਾ ਹੈ: ਮਾਡਲ ਆਪਣੇ ਡੇਟਾ ਵਿੱਚ ਮੌਜੂਦ ਇੰਟਰੈਕਸ਼ਨ ਪੈਟਰਨ ਸਿੱਖਦੇ ਹਨ, ਅਤੇ ਮਲਟੀ-ਏਜੰਟ ਸਿਮੂਲੇਸ਼ਨ ਇਸ ਸਮੇਂ ਸਖਤ ਪੈਟਰਨ ਨੂੰ ਲਗੂ ਕਰਨ ਦਾ ਸਭ ਤੋਂ ਨਿਯੰਤਰਿਤ ਤਰੀਕਾ ਹੈ। ਵਿਆਪਕ ਪੈਦਾਵਾਰੀ ਵਿਧੀ ਲਈ, ਸਾਡੇ ਗਾਈਡ ਨੂੰ ਦੇਖੋ ਸਿੰਥੇਟਿਕ ਗੱਲਬਾਤ ਡੇਟਾ ਪੈਦਾ ਕਰਨ ਲਈ।
ਅਕਸਰ ਪੁੱਛੇ ਜਾਣ ਵਾਲੇ ਸਵਾਲ
ਬਹੁ-ਏਜੰਟ ਸਿਮੂਲੇਸ਼ਨ AI ਟ੍ਰੇਨਿੰਗ ਡੇਟਾ ਨੂੰ ਕਿਵੇਂ ਸੁਧਾਰਦਾ ਹੈ?
ਇਹ ਇੱਕ ਹੀ ਜਨਰੇਟਰ ਨੂੰ ਬਦਲਦਾ ਹੈ — ਜੋ ਇੱਕ ਵੰਡ ਅਤੇ ਇੱਕ ਆਵਾਜ਼ ਤੋਂ ਹਰ ਗੱਲਬਾਤ ਦਾ ਨਮੂਨਾ ਲੈਂਦਾ ਹੈ — ਕਈ ਵੱਖਰੇ ਪੈਰੋਨਾਵਾਂ ਨਾਲ ਜੋ ਵਾਸਤਵਿਕ ਤੌਰ 'ਤੇ ਪਰਸਪਰ ਸੰਵਾਦ ਕਰਦੀਆਂ ਹਨ। ਨਤੀਜੇ ਵਜੋਂ ਪ੍ਰਾਪਤ ਡੇਟਾ ਵਿੱਚ ਵਿਵਾਦ, ਮੋਲ-ਤੋਲ, ਵਧਾਉਣਾ, ਅਤੇ ਲੋਕਾਂ ਦੀ ਵੱਖ-ਵੱਖਤਾ ਸ਼ਾਮਲ ਹੁੰਦੀ ਹੈ ਜੋ ਕਿ ਇਕਲ-ਏਜੰਟ ਜਨਰੇਸ਼ਨ ਵਿੱਚ ਵਿਧਾਨਤਮਕ ਤੌਰ 'ਤੇ ਘਾਟ ਹੈ, ਜੋ ਕਿ ਠੀਕ ਉਹ ਸਮੱਗਰੀ ਹੈ ਜਿਸ ਦੀ ਵਾਸਤਵਿਕ ਦੁਨੀਆ ਦੇ ਮਾਡਲਾਂ ਨੂੰ ਮੁਸ਼ਕਲ ਉਪਭੋਗਤਾਵਾਂ ਅਤੇ ਬਹੁ-ਪਾਰਟੀ ਗਤੀਵਿਧੀਆਂ ਨੂੰ ਸੰਭਾਲਣ ਲਈ ਲੋੜ ਹੈ।
ਇੱਕ-ਏਜੰਟ ਅਤੇ ਬਹੁ-ਏਜੰਟ ਡੇਟਾ ਉਤਪਾਦਨ ਵਿੱਚ ਕੀ ਫਰਕ ਹੈ?
ਇੱਕ-ਏਜੰਟ ਪੈਦਾ ਕਰਨ ਵਿੱਚ ਇੱਕ ਮਾਡਲ ਸਾਰੇ ਪੱਖਾਂ ਨੂੰ ਇੱਕ ਇੰਟਰੈਕਸ਼ਨ ਦੇ ਤੌਰ 'ਤੇ ਪੈਦਾ ਕਰਦਾ ਹੈ, ਇਸ ਲਈ ਦੋਹਾਂ ਪੱਖਾਂ ਗੁਪਤ ਤੌਰ 'ਤੇ ਇੱਕ ਹੀ ਵਿਸ਼ਵਦ੍ਰਿਸ਼ਟੀ ਸਾਂਝੀ ਕਰਦੇ ਹਨ ਅਤੇ ਵਿਵਾਦ ਬਹੁਤ ਸਹਿਯੋਗੀ ਢੰਗ ਨਾਲ ਹੱਲ ਹੋ ਜਾਂਦੇ ਹਨ। ਬਹੁ-ਏਜੰਟ ਪੈਦਾ ਕਰਨ ਵਿੱਚ ਹਰ ਪੱਖ ਨੂੰ ਵੱਖ-ਵੱਖ ਸੰਰਚਨਾ ਵਾਲੇ ਪੈਰੋਕਾਰਾਂ — ਸੰਦੇਹਵਾਦੀ, ਆਸ਼ਾਵਾਦੀ, ਪ੍ਰਗਮਾਤਿਕ, ਸ਼ੈਤਾਨ ਦੇ ਵਕੀਲ — ਨੂੰ ਨਿਯੁਕਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਇਸ ਲਈ ਤਣਾਅ, ਗਲਤਫਹਮੀ, ਅਤੇ ਅਨੁਕੂਲਤਾ ਇੰਟਰੈਕਸ਼ਨ ਦੇ ਆਪਣੇ ਆਪ ਤੋਂ ਉਭਰਦੇ ਹਨ ਨਾ ਕਿ ਲਿਖੇ ਹੋਏ ਹੋਣ।
ਮੈਂ ਬਹੁਤ ਸਾਰੇ ਏਜੰਟ ਏਆਈ ਨਾਲ ਟ੍ਰੇਨਿੰਗ ਡੇਟਾ ਕਿਵੇਂ ਬਣਾਉਂਦਾ ਹਾਂ?
ਪੰਜ-ਕਦਮਾਂ ਵਾਲੇ ਚੱਕਰ ਦਾ ਪਾਲਣਾ ਕਰੋ: ਵੱਖ-ਵੱਖ ਪਾਤਰਾਂ ਦੇ ਇੱਕ ਸਮੂਹ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ, ਆਪਣੇ ਦ੍ਰਿਸ਼ਾਂ ਨੂੰ ਵਾਦ-ਵਿਵਾਦ ਯੋਗ ਸਵਾਲਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਫਰੇਮ ਕਰੋ, ਪਾਤਰਾਂ ਦੇ ਕਾਸਟ ਅਤੇ ਸੰਘਰਸ਼ ਦੇ ਪੱਧਰਾਂ ਨੂੰ ਬਦਲਦੇ ਹੋਏ ਵਾਦ-ਵਿਵਾਦ ਚਲਾਓ, ਪਾਤਰਾਂ ਦੀ ਸਥਿਰਤਾ ਅਤੇ ਅਸਲੀ ਵਿਵਾਦ ਲਈ ਸੰਰਚਿਤ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟਾਂ ਦੀ ਸਮੀਖਿਆ ਕਰੋ, ਫਿਰ ਡੇਟਾ ਨੂੰ ਨਿਰਯਾਤ, ਫਿਲਟਰ, ਡਿਊਪਲੀਕੇਟ ਅਤੇ ਵੰਡੋ। ਹਮੇਸ਼ਾ ਅੰਤਿਮ ਮਾਡਲ ਦੀ ਮੁਲਾਂਕਣ ਕਰੋ ਜੋ ਰੱਖੇ ਹੋਏ ਅਸਲੀ ਡੇਟਾ ਦੇ ਖਿਲਾਫ ਹੋਵੇ, ਨਾ ਕਿ ਹੋਰ ਸਿੰਥੇਟਿਕ ਡੇਟਾ ਦੇ ਖਿਲਾਫ।
ਕੀ ਮੈਨੂੰ ਬਹੁ-ਏਜੰਟ ਸਿਮੂਲੇਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਵੀ ਅਸਲੀ ਡੇਟਾ ਦੀ ਲੋੜ ਹੈ?
ਹਾਂ। ਬਹੁ-ਏਜੰਟ ਸਿਮੂਲੇਸ਼ਨ ਪੈਮਾਨੇ ਦੀ ਪਰਤ ਹੈ, ਜ਼ਮੀਨੀ ਸੱਚਾਈ ਦਾ ਬਦਲ ਨਹੀਂ। ਅਸਲੀ ਡੇਟਾ ਦੋ ਅਣਵਿਅਕਲ ਭੂਮਿਕਾਵਾਂ ਨਿਭਾਉਂਦਾ ਹੈ: ਇਹ ਵਿਅਕਤੀਗਤ ਸੰਰਚਨਾ ਨੂੰ ਇਸ ਤਰੀਕੇ ਨਾਲ ਜ਼ਮੀਨ 'ਤੇ ਲਿਆਉਂਦਾ ਹੈ ਕਿ ਅਸਲ ਉਪਭੋਗਤਾ ਕਿਵੇਂ ਵਰਤਦੇ ਹਨ, ਅਤੇ ਇਹ ਰੱਖੇ ਗਏ ਮੁਲਾਂਕਣ ਸੈੱਟ ਨੂੰ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜੋ ਤੁਹਾਨੂੰ ਦੱਸਦਾ ਹੈ ਕਿ ਕੀ ਸਿੰਥੇਟਿਕ ਡੇਟਾ 'ਤੇ ਪ੍ਰਸ਼ਿਕਸ਼ਣ ਨੇ ਅਸਲੀ ਦੁਨੀਆ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਵਿੱਚ ਸੁਧਾਰ ਕੀਤਾ। ਸਿੰਥੇਟਿਕ ਅਤੇ ਅਸਲੀ ਡੇਟਾ ਨੂੰ ਪੂਰਕ ਵਜੋਂ ਦੇਖੋ।
ਸੰਬੰਧਿਤ ਲੇਖ
AI ਟ੍ਰੇਨਿੰਗ ਲਈ ਸਿੰਥੇਟਿਕ ਗੱਲਬਾਤ ਡੇਟਾ ਕਿਵੇਂ ਬਣਾਇਆ ਜਾਵੇ
ਚਾਰ ਪੀੜ੍ਹੀ ਦੇ ਤਰੀਕੇ ਦੀ ਤੁਲਨਾ ਕੀਤੀ ਗਈ, ਨਾਲ ਹੀ ਗੁਣਵੱਤਾ-ਅਸਰਦਾਰੀ ਕਾਰਜ ਪ੍ਰਵਾਹ।
ਸਿੰਥੇਟਿਕ ਡੇਟਾ ਰਿਸਰਚ ਕੀ ਹੈ?
ਬੁਨਿਆਦਾਂ: ਸਿੰਥੇਟਿਕ ਡੇਟਾ ਕੀ ਹੈ, ਇਹ ਕਿੱਥੇ ਕੰਮ ਕਰਦਾ ਹੈ, ਅਤੇ ਕਿੱਥੇ ਇਹ ਗਲਤ ਫਹਿਮੀ ਪੈਦਾ ਕਰਦਾ ਹੈ।
ਟ੍ਰੇਨਿੰਗ ਡੇਟਾ ਜਨਰੇਸ਼ਨ ਵਰਤੋਂ ਦਾ ਕੇਸ
ਕਿਵੇਂ ਟੀਮਾਂ ArgumenTroupe ਨੂੰ ਇੱਕ ਬਹੁ-ਪ੍ਰਸੰਗ ਡੇਟਾ ਉਤਪਾਦਨ ਇੰਜਣ ਵਜੋਂ ਚਲਾਉਂਦੀਆਂ ਹਨ।
ਮਲਟੀ-ਏਜੰਟ ਸਿਮੂਲੇਸ਼ਨ ਕੀ ਹੈ?
ਕਿਵੇਂ ਬਹੁਤ ਸਾਰੇ ਏਆਈ ਪੁਰਾਣੇ ਸੰਰਚਿਤ ਚਰਚਾਵਾਂ ਵਿੱਚ ਪਰਸਪਰ ਸੰਵਾਦ ਕਰਦੇ ਹਨ — ਇਸ ਪ੍ਰਸ਼ਿਕਸ਼ਣ ਡੇਟਾ ਦੇ ਪਿੱਛੇ ਦਾ ਇੰਜਣ।
ਏਆਈ ਪੈਰਸੋਨਾਸ ਕੀ ਹਨ?
ਮਲਟੀ-ਏਜੰਟ ਟ੍ਰੇਨਿੰਗ ਡੇਟਾ ਨੂੰ ਚਲਾਉਣ ਵਾਲੇ ਵਿਲੱਖਣ ਏਆਈ ਪਾਤਰ — ਇਹ ਸਮਝਣਾ ਕਿ ਕਿਵੇਂ ਉਹ ਪੇਰਸੋਨਾਸ ਡਿਜ਼ਾਈਨ ਕਰਨੇ ਹਨ ਜੋ ਤੁਹਾਡੇ ਡੇਟਾਸੇਟ ਦੀ ਲੋੜੀਂਦੀ ਵਿਭਿੰਨਤਾ ਪੈਦਾ ਕਰਦੇ ਹਨ।
ਪ੍ਰਸ਼ਿਕਸ਼ਣ ਡੇਟਾ ਬਣਾਓ ਜੋ ਵਾਪਸ ਬਹਿਸ ਕਰਦਾ ਹੈ
ਇੱਕ ਪੈਰੋਨਾ ਟਰੂਪ ਇਕੱਠਾ ਕਰੋ, ਸੰਰਚਿਤ ਬਹਿਸਾਂ ਚਲਾਓ, ਅਤੇ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟਾਂ ਨੂੰ ਨਿਰਯਾਤ ਕਰੋ ਜਿਨ੍ਹਾਂ ਤੋਂ ਤੁਹਾਡੇ ਮਾਡਲ ਵਾਸਤਵ ਵਿੱਚ ਸਿੱਖ ਸਕਦੇ ਹਨ।