ChatGPT, Bard, और अन्य प्रमुख बड़ी भाषा मॉडल (LLM) पिछले एक साल में हमारे समाचार फ़ीड पर हावी रहे हैं। और यह सही भी है। ये रोमांचक प्रौद्योगिकियां हमें भविष्य, शक्ति और एआई की संभावनाओं में एक झलक प्रदान करती हैं।
जबकि अधिकांश सार्वजनिक उत्साह पाठ, चित्र और वीडियो बनाने के आसपास केंद्रित है, इन उपकरणों का उपयोग सॉफ्टवेयर स्वचालन जैसे कई अन्य विषयों के लिए किया जा सकता है।
यह लेख एक गहरी गोता के रूप में कार्य करेगा कि कैसे शीघ्र इंजीनियरिंग सॉफ्टवेयर स्वचालन के साथ हमारी मदद कर सकती है। हालांकि, कॉल का हमारा पहला पोर्ट प्रॉम्प्ट इंजीनियरिंग की परीक्षा होनी चाहिए।
प्रॉम्प्ट इंजीनियरिंग क्या है?
ChatGPT जैसे बड़े भाषा मॉडल हमारे द्वारा प्रदान किए गए संकेतों या वाक्यों के आधार पर आउटपुट का उत्पादन करते हैं। हालाँकि, हमारे द्वारा उपयोग किए जाने वाले शब्दों या निर्देशों के आधार पर परिणाम बहुत भिन्न होते हैं। जब हम अस्पष्ट और गलत निर्देश इनपुट करते हैं, तो आउटपुट मार्क तक नहीं पहुंच सकता है।
प्रॉम्प्ट इंजीनियरिंग इनपुट के विचार किए गए डिजाइन को संदर्भित करता है जो इन रोमांचक एआई सिस्टम से अधिक सटीक, सटीक और अंततः उपयोग करने योग्य सामग्री प्राप्त करने में मदद करता है।
बड़ी भाषा मॉडल (एलएलएम) सिस्टम हमारे द्वारा दिए गए बयानों की व्याख्या करने के लिए प्राकृतिक भाषा प्रसंस्करण (एनएलपी) का उपयोग करते हैं। मशीनें इन प्रश्नों या निर्देशों (यानी, संकेतों) को कोड में बदल देती हैं और उन्हें डेटा के अपने विशाल भंडार के माध्यम से चलाती हैं ताकि हम जो भी प्रारूप निर्दिष्ट करते हैं (यानी, पाठ, चित्र, कोड) में सामग्री का उत्पादन किया जा सके।
ChatGPT को 570 GB से अधिक डेटा पर प्रशिक्षित किया गया था
. प्रशिक्षण सामग्री में किताबें, लेख, वेब ग्रंथ, और इतने पर शामिल हैं। दूसरे शब्दों में, इन डेटा सेटों में ज्ञान की एक अकल्पनीय मात्रा होती है।
जबकि हम प्रक्रिया को समझ सकते हैं, इन प्रणालियों के हुड के नीचे जो कुछ भी होता है वह हमारी दृष्टि से बाहर होता है। निश्चित रूप से, हम इनपुट और आउटपुट को नियंत्रित करते हैं, और हम सिस्टम को प्रशिक्षित करते हैं, लेकिन ठीक है कि ये एल्गोरिदम कैसे काम करते हैं और निर्णय लेते हैं, यह अभी भी एक रहस्य है। न्यूयॉर्क विश्वविद्यालय में एआई प्रोफेसर सैम बोमन के शब्दों में, “हमने इसे बनाया, हमने इसे प्रशिक्षित किया, लेकिन हम नहीं जानते कि यह क्या कर रहा है।
प्रॉम्प्ट इंजीनियरिंग हमें आउटपुट का उपयोग करके उस अराजकता को प्रबंधित करने में मदद करता है जो अनुमानित और प्रयोग करने योग्य परिणाम उत्पन्न करता है। वे हमें इन अनुप्रयोगों के अंदर ज्ञान की विशाल मात्रा को अनलॉक करने के लिए एक मार्ग प्रदान करते हैं।
अनुशासन एक नए कैरियर के रूप में उभर रहा है
, हर जगह पाठ्यक्रम उभर रहे हैं क्योंकि व्यवसाय यह पता लगाते हैं कि वे इस शक्तिशाली तकनीक का उपयोग कैसे कर सकते हैं।
शीघ्र इंजीनियरिंग कैसे मदद कर सकते हैं
सॉफ्टवेयर स्वचालन के साथ?
सॉफ्टवेयर स्वचालन और एलएलएम में बहुत कुछ समान है। वे दोनों भविष्य की एक झलक प्रदान करते हैं जहां मशीनें तेजी से, अधिक उत्पादक कार्यस्थल बनाने के लिए मानव रचनात्मकता को बढ़ाएंगी।
कई रोमांचक क्षेत्र हैं जहां ये दोनों प्रौद्योगिकियां अभिसरण कर सकती हैं। यहां तीन तरीके हैं जिनसे हम सॉफ्टवेयर स्वचालन में शीघ्र इंजीनियरिंग का उपयोग कर सकते हैं।
#1. कोड जनरेट करना
लेखन कोड बड़े भाषा मॉडल के सबसे आशाजनक अनुप्रयोगों में से एक है। एआई एलएलएम अपनी प्रारंभिक अवस्था में हैं। अगले कुछ वर्षों में इस तकनीक में सुधार देखा जाना चाहिए क्योंकि कंप्यूटिंग और प्रशिक्षण दोनों में अधिक संसाधन जोड़े जाते हैं।
लंबे समय में, ये प्रगति एआई को सीमित या बिना किसी मानवीय हस्तक्षेप के पूरे कार्यक्रम लिखते हुए देख सकती है। हालांकि, अभी के लिए, एलएलएम की कुछ सीमाएं हैं। एलएलएम कोडिंग के आउटपुट की गुणवत्ता मुख्य रूप से इनपुट की गुणवत्ता पर निर्भर करती है। कचरा अंदर, कचरा बाहर, जैसा कि वे कहते हैं।
बेशक, यह सिर्फ प्रभावी त्वरित इंजीनियरिंग नहीं है जो एक रोडब्लॉक के रूप में कार्य करता है। जैसा कि सुझाव दिया गया है अकादमिक में चैटजीपीटी और बड़ी भाषा मॉडल: अवसर और चुनौतियां (मेयर, 2023), “वर्तमान में, चैटजीपीटी कोड के छोटे ब्लॉकों को सटीक रूप से लिखने में सफल होने की अधिक संभावना है, जबकि बड़े / अधिक जटिल कार्यक्रमों (जैसे, एक सॉफ्टवेयर पैकेज) को लिखने में इसकी विश्वसनीयता संदिग्ध है।
इसके अलावा, नेचर पत्रिका में एक हालिया लेख में, कुछ कंप्यूटर वैज्ञानिकों ने चेतावनी दी कि हमें कुछ सावधानी के साथ एलएलएम के साथ कोड पीढ़ी से संपर्क करना चाहिए। एक और समकालीन पत्र,
बड़े भाषा मॉडल और सरल, बेवकूफ बग्स
(जेसी, 2023), ने दिखाया कि कैसे एक लोकप्रिय एलएलएम, कोडेक्स, जिसका उपयोग विक्रेता कोपायलट द्वारा किया जाता है, “ज्ञात, शब्दशः एसएसटीयूबी जितना ज्ञात, शब्दशः सही कोड की तुलना में 2गुना अधिक संभव है” का उत्पादन करता है।
हालांकि इन समस्याओं को नजरअंदाज नहीं किया जा सकता है, फिर भी इस बारे में बहुत उचित उत्साह है कि ये कार्यक्रम तकनीकी और गैर-तकनीकी टीमों का समर्थन करके सॉफ्टवेयर विकास को लोकतांत्रिक बनाने में कैसे मदद कर सकते हैं।
शायद विचार करने के लिए सबसे प्रभावशाली बात यह है कि ChatGPT जैसे उपकरण बहुत जल्दी कार्यात्मक कोड का उत्पादन कर सकते हैं। सही संकेत के साथ, इंजीनियर कुछ प्रकार के कोड को प्रोग्राम करने में लगने वाले समय को कम कर सकते हैं, जिससे एक तेज सॉफ्टवेयर विकास जीवन चक्र सुनिश्चित होता है।
2022 के अंत में, लोकप्रिय प्रोग्रामिंग हब
स्टैक ओवरफ्लो ने एआई-जनरेटेड पर प्रतिबंध लगा दिया।
इसके मंच पर जवाब। उन्होंने आवेदन से जुड़ी उच्च त्रुटि दर और अशुद्धियों का हवाला दिया। हालांकि, प्रौद्योगिकी एक नवजात अवस्था में है; इसके अलावा, एआई-जनित आउटपुट के साथ असंतोष खराब त्वरित इंजीनियरिंग के लिए उतना ही जिम्मेदार है जितना कि यह प्रौद्योगिकी के लिए है।
तकनीक पर गलतफहमी के बावजूद,
मैकिन्से का एक हालिया टुकड़ा
प्रोग्रामिंग की दुनिया में प्रॉम्प्ट इंजीनियरिंग के प्रभाव पर प्रकाश डाला गया है। कंसल्टिंग फर्म 2023 में एआई की स्थिति: जेनरेटिव एआई का ब्रेकआउट वर्ष। दो दिलचस्प रुझान साझा किए। सबसे पहले, एआई में निवेश करने वाले 7% संगठन प्रॉम्प्ट इंजीनियरों को काम पर रख रहे हैं। दूसरे, जो कंपनियां एआई का उपयोग कर रही हैं, उन्होंने एआई से संबंधित सॉफ्टवेयर इंजीनियरिंग भूमिकाओं को 38% से घटाकर 28% कर दिया है।
इन रुझानों की व्याख्या करने का एक तरीका यह है कि व्यवसाय इस सेटअप के साथ सहज हैं और अपनी मशीनों को सॉफ्टवेयर स्वचालन सौंपने के लिए तैयार हैं। हालांकि ये आंकड़े मौजूदा इंजीनियरों को चौंका सकते हैं, मैकिन्से सर्वेक्षण से पता चलता है कि “केवल 8 प्रतिशत का कहना है कि उनके कार्यबल का आकार पांचवें से अधिक घट जाएगा। कुल मिलाकर, इंजीनियरों को शायद एआई-जनित सॉफ्टवेयर स्वचालन की ओर प्रवृत्ति का लाभ उठाने के लिए फिर से कौशल की आवश्यकता होगी।
एआई-जनित सॉफ़्टवेयर स्वचालन के लिए एक स्पष्ट अनुप्रयोग में स्वचालन बॉट बनाना शामिल है। हालांकि, जबकि प्रॉम्प्ट इंजीनियरिंग बातचीत पर ध्यान केंद्रित करने के लिए एक स्पष्ट रूप से उपयोगकर्ता के अनुकूल इंटरफ़ेस है, यह देखा जाना बाकी है कि क्या यह मौजूदा समाधानों को प्रतिस्थापित कर सकता है।
कई मायनों में, ZAPTEST जैसे सॉफ्टवेयर ने पहले से ही सॉफ्टवेयर स्वचालन बाजार को लोकतांत्रिक बना दिया है। नो-कोड टूल अब यहां हैं जो गैर-तकनीकी टीमों को उच्च गुणवत्ता वाले आरपीए बॉट बनाने की अनुमति देते हैं। जबकि ChatGPT जैसे सॉफ़्टवेयर बॉट्स का निर्माण कर सकते हैं, कार्यान्वयन और रखरखाव किसी के लिए भी मुश्किल साबित हो सकता है जो सॉफ्टवेयर इंजीनियर नहीं है और यहां तक कि जो लोग हैं।
अपने जीयूआई से मानव-कंप्यूटर इंटरैक्शन रिकॉर्ड करना और इन आंदोलनों को कोड में परिवर्तित करना संकेतों का उपयोग करने की तुलना में कहीं अधिक उपयोगकर्ता के अनुकूल है। जब एलएलएम की अस्थिर और त्रुटि-बिखरे हुए कोड का उत्पादन करने की क्षमता के साथ युग्मित किया जाता है, तो यह कहना उचित है कि आरपीए सॉफ्टवेयर निकट भविष्य के लिए कहीं भी नहीं जा रहा है।
#2. असंरचित डेटा कनवर्ट करना
असंरचित डेटा रोबोटिक प्रक्रिया स्वचालन का मजबूत सूट नहीं है। तकनीक ईमेल, चित्र, ऑडियो और अधिक जैसी चीजों को संभालने के लिए नहीं बनाई गई थी। आरपीए उपकरणों को संगठित संरचनाओं के साथ पूर्वनिर्धारित डेटा मॉडल की आवश्यकता होती है।
असंरचित डेटा के एक बड़े हिस्से में प्राकृतिक भाषा पाठ शामिल है। इस जानकारी को “समझने” और उनसे शब्दार्थ अर्थ निकालने के लिए बड़े भाषा मॉडल बनाए गए हैं। जैसे, यह उन टीमों के लिए काफी अवसर पैदा करता है जो इन ग्रंथों की व्याख्या करना चाहते हैं और उन्हें आरपीए टूल के लिए स्वीकार्य प्रारूप में परिवर्तित करना चाहते हैं।
कई टीमें भावना विश्लेषण में मदद करने के लिए वर्षों से प्राकृतिक भाषा प्रसंस्करण (एनएलपी) का उपयोग कर रही हैं। यह प्रक्रिया, जिसे राय खनन के रूप में भी जाना जाता है, संगठनों को ब्रांडों के प्रति उपभोक्ता की भावनाओं और दृष्टिकोणों के शीर्ष पर रखने में मदद करता है। अधिकांश मामलों में, इन उपकरणों का उपयोग पाठ के भीतर सकारात्मक, नकारात्मक और तटस्थ भावनाओं का पता लगाने के लिए किया जाता है। हालांकि, तकनीक कहीं अधिक दानेदार भावनात्मक पहचान करने में भी सक्षम है।
जबकि बाजार पर कई उपकरण हैं जो इस कार्यक्षमता की पेशकश करते हैं, एलएलएम यह समझने से परे अधिक बहुमुखी उपयोग के लिए एक मार्ग प्रदान करता है कि लोग किसी उत्पाद या सेवा के बारे में कैसा महसूस करते हैं। उदाहरण के लिए, हाल के वर्षों में डेटा एनालिटिक्स की लोकप्रियता में विस्फोट हुआ है। बिग डेटा कंपनियों को अंतर्दृष्टि और समझ प्राप्त करने की अनुमति देकर बढ़त देता है जो डेटा-संचालित निर्णय लेने में मदद करते हैं।
रोबोटिक प्रक्रिया स्वचालन उपकरण डेटा एकत्र करने में मदद कर सकते हैं। हालांकि, जैसा कि हमने ऊपर उल्लेख किया है, वे विशिष्ट प्रकार की जानकारी के साथ संघर्ष करते हैं। हालांकि, जब एआई टूल के साथ जोड़ा जाता है जो बड़े भाषा मॉडल का उपयोग करते हैं, तो आरपीए बड़ी मात्रा में डेटा इकट्ठा कर सकता है और इसका उपयोग बिजनेस इंटेलिजेंस (बीआई) टूल के लिए आवश्यक जानकारी उत्पन्न करने के लिए कर सकता है।
जनरेटिव एआई के अधिक रोमांचक पहलुओं में से एक डेटा इनपुट की समझ बनाने की क्षमता है। सही प्रॉम्प्ट इंजीनियरिंग के साथ, टीमें इस डेटा को एक प्रारूप में बदल सकती हैं जो उनके आरपीए टूल के लिए काम करता है।
आरपीए बिग डेटा वर्कफ़्लोज़ को अधिक कुशल बनाने में मदद कर सकता है। शुरुआत के लिए, आप डेटा प्रविष्टि और निष्कर्षण दोनों में मदद करने के लिए इसका उपयोग कर सकते हैं। हालांकि, शायद सबसे मूल्यवान और पेचीदा उपयोग के मामलों में डेटा को बदलने, साफ करने और लोड करने के लिए आरपीए टूल का उपयोग करना शामिल है या यह सुनिश्चित करना कि डेटा माइग्रेशन जल्दी, कुशलतापूर्वक और सटीक रूप से चलता है।
ध्यान देने का एक और महत्वपूर्ण बिंदु डेटा गवर्नेंस है। डेटा अनुरोधों को स्वचालित करने से संगठनों को अनुपालन में रहने में मदद मिलती है और डेटा को मैन्युअल श्रमिकों की दृष्टि से बाहर रखा जाता है।
#3. परीक्षण स्वचालन
टेस्ट ऑटोमेशन सॉफ्टवेयर डेवलपमेंट सर्कल में शुरू हो गया है क्योंकि यह सॉफ्टवेयर को सत्यापित करने का एक तेज़ तरीका प्रदान करता है। परीक्षण और गुणवत्ता आश्वासन पारंपरिक रूप से महंगी और समय लेने वाली प्रक्रियाएं रही हैं; परीक्षण स्वचालन इन दोनों चुनौतियों का समाधान प्रदान करता है।
पहली चीजों में से एक जो शीघ्र इंजीनियरिंग कर सकता है वह है परीक्षण मामलों की गुणवत्ता में सुधार करना। सही संकेतों के साथ, ये मशीनें परीक्षण मामलों का विश्लेषण कर सकती हैं और मुद्दों और उपचारों की पहचान कर सकती हैं। यह प्रक्रिया परीक्षण मामलों के दायरे को बढ़ा सकती है और अधिक व्यापक परीक्षणों को जन्म दे सकती है।
उदाहरण के लिए, आप एक बड़ी भाषा मॉडल कोड को उसी तरह से खिला सकते हैं जैसे आप एक मानव समीक्षक को दे सकते हैं। ये मशीनें जल्दी से कोड के माध्यम से चल सकती हैं और त्रुटियों, बग को पहचान सकती हैं, और यहां तक कि प्रदर्शन के मुद्दों की पहचान भी कर सकती हैं। शायद अधिक पेचीदा, एलएलएम केवल स्निपेट से टेस्ट केस कोड को पूरा करने की संभावना भी प्रदान करते हैं, जिससे परीक्षण मामलों के निर्माण में तेजी आती है।
प्रॉम्प्ट इंजीनियरिंग का उद्देश्य कई मुद्दों से निपटना है जिन्होंने सॉफ्टवेयर विकास के लिए एजाइल / डेवऑप्स दृष्टिकोण के उद्भव को प्रेरित किया है। इंजीनियर कुशल, आसानी से दोहराए जाने योग्य परीक्षण चाहते हैं जो अनुप्रयोगों को तैनात करने से पहले समस्याओं को पहचान सकते हैं। यहां विचार यह है कि समय मुक्त करके, सॉफ्टवेयर डेवलपर्स अधिक रचनात्मक और मूल्य-संचालित कार्यों पर ध्यान केंद्रित कर सकते हैं।
जैसा कि एक क्लासिक पेपर में उल्लिखित है,
टेस्ट ऑटोमेशन में तकनीकी ऋण
विकलुंड, 2012), सॉफ्टवेयर विकास टीमें समस्याओं में चल सकती हैं यदि वे मैन्युअल परीक्षण और अपने सॉफ़्टवेयर के सत्यापन पर बहुत अधिक समय बिताते हैं। परीक्षण स्वचालन समाधान ों की प्रारंभिक लागत, स्वचालन अनुभव की कमी, और यहां तक कि पुराने तरीकों के लिए वरीयता भी इन मंदी में योगदान कर सकती है।
एजाइल सॉफ्टवेयर विकास के सबसे दिलचस्प पहलुओं में से एक व्यवहार-संचालित विकास (बीडीडी) शामिल है।
अवधारणा अपेक्षित उपयोगकर्ता व्यवहार के साथ सॉफ्टवेयर विकसित करने को संदर्भित करती है। जबकि इस दृष्टिकोण को लागू करने से स्पष्ट रूप से समय बचाया जा सकता है, कई टीमें इस स्वचालन को जीवन में लाने के लिए संघर्ष करती हैं। हालांकि, एलएलएम एक समाधान प्रदान कर सकते हैं।
तकनीकी ऋण के कुछ सबसे आम लक्षणों में खराब प्रलेखन और मजबूत परीक्षण की कमी शामिल है। ये ऐसी समस्याएं हैं जिन्हें आज के एलएलएम हल करने में मदद कर सकते हैं। हालांकि, अन्य उल्लेखनीय लक्षण, जैसे कि रिफैक्टरिंग, वर्तमान जनरेटिव एआई के लिए बहुत जटिल हैं, और इसके परिणामस्वरूप समय की बचत नहीं हो सकती है।
अंतिम विचार
जनरेटिव एआई अनुप्रयोगों में अपार क्षमता है। हालांकि, उपयोगकर्ता के अनुकूल, संवादी इंटरफ़ेस भ्रामक हो सकता है। बहुत से लोग मानते हैं कि इन मशीनों से गुणवत्ता आउटपुट उत्पन्न करना सीधा है। हालांकि, उत्कृष्ट प्रॉम्प्ट इंजीनियरिंग आपकी अपेक्षा से अधिक जटिल है।
प्रभावी शीघ्र इंजीनियरिंग के लिए बहुत सारे परीक्षण और त्रुटि की आवश्यकता होती है। यह सुनिश्चित करने के लिए इंजीनियर की ओर से बहुत सारे पूर्वविचार की आवश्यकता है कि उत्तर उपयोगी हैं। अंत में, त्रुटियों के लिए अच्छी तरह से प्रचारित क्षमता के कारण काम की जांच और पुन: जांच करना महत्वपूर्ण है।
जबकि शीघ्र इंजीनियरिंग नौकरियां बढ़ सकती हैं, हर कोई आश्वस्त नहीं है। हार्वर्ड बिजनेस रिव्यू में लिखते हुए, ओगुज़ ए अकार एक आकर्षक तर्क देता है कि ” “एआई सिस्टम की भविष्य की पीढ़ियां प्राकृतिक भाषा को समझने में अधिक सहज और निपुण हो जाएंगी, जिससे सावधानीपूर्वक इंजीनियर किए गए संकेतों की आवश्यकता कम हो जाएगी।
भविष्य में जो भी हो, जेनरेटिव एआई मिश्रण में होगा। जबकि प्रॉम्प्ट इंजीनियरिंग में बहुत सारे वादे हैं, यह सुनिश्चित करने के लिए यह बताना मुश्किल है कि यह क्या सटीक भूमिका निभाएगा।
दिलचस्प बात यह है कि सॉफ्टवेयर परीक्षण स्वचालन सॉफ्टवेयर पहले से ही उपयोग के मामलों और सफलता की कहानियों से भरा हुआ है, जो सटीकता या अनुप्रयोगों के व्यापक सत्यापन से समझौता किए बिना सॉफ्टवेयर विकास को गति देने के लिए अपनी उपयुक्तता का प्रदर्शन करता है।
जैपटेस्ट जैसे उपकरण पहले से ही डेवलपर्स को अपर्याप्त समय और संसाधन, तकनीकी ऋण, प्रलेखन, और व्यापक परीक्षण और आरपीए जैसे मुद्दों को संबोधित करने की अनुमति देते हैं। और भी, ये उपकरण प्रॉम्प्ट इंजीनियरिंग की तुलना में अधिक उपयोगकर्ता के अनुकूल हैं, जिससे उन्हें गैर-तकनीकी टीमों के लिए कहीं अधिक उपयुक्त विकल्प मिलते हैं। हमेशा की तरह, वास्तविक क्षमता इन रोमांचक स्वचालन प्रौद्योगिकियों के चौराहे पर निहित है।
