ಕ್ರಾಸ್-ಮೋಡಲ್ ಮಾನ್ಯತೆ ಒಂದೇ ಪ್ರಶ್ನೆ ಕೇಳುವ ಮೂಲಕ ಹಲವಾರು ಸ್ವಾಯತ್ತ ಎಐ ಮಾದರಿಗಳನ್ನು ಪರಿಶೀಲಿಸುವ ತಂತ್ರವಾಗಿದೆ ಮತ್ತು ಅವರ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಹೋಲಿಸುತ್ತದೆ. ವಿಭಿನ್ನ ಮಾದರಿಗಳು (ಜಿಪಿಟಿ, ಕ್ಲೋಡ್, ಜೆಮಿನಿ, ಗ್ರಾಕ್, ಪರ್ಪ್ಲೆಕ್ಸಿಟಿ, ಇತ್ಯಾದಿ) ವಿಭಿನ್ನ ತರಬೇತಿ ಡೇಟಾ, ವಾಸ್ತುಶಿಲ್ಪ ಮತ್ತು ಕಣ್ಣು ಮುಚ್ಚಿದ ಸ್ಥಳಗಳನ್ನು ಹೊಂದಿರುವುದರಿಂದ, ಅವರು ವಿಭಿನ್ನವಾಗಿ ಭ್ರಮಿಸುತ್ತಾರೆ. ಒಂದು ಮಾದರಿ ದೋಷವನ್ನು ಮಾಡಿದಾಗ, ಇತರರು ಸಾಮಾನ್ಯವಾಗಿ ಅದೇ ತಪ್ಪು ಮಾಡುತ್ತಿಲ್ಲ. ಆರ್ಗ್ಯುಮೆಂಟ್ರಿ.ಎಐ ಪ್ರತಿಯೊಂದು ಮಾದರಿಯು ಸ್ವಾಯತ್ತವಾಗಿ ಆರ್ಗ್ಯುಮೆಂಟ್ಗಳನ್ನು ನಿರ್ಮಿಸುವ ಮೂಲಕ ಕ್ರಾಸ್-ಮೋಡಲ್ ಮಾನ್ಯತೆಯನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುತ್ತದೆ, ನಂತರ ಪ್ರತಿಯೊಂದು ಮಾದರಿ ಇತರ ಮಾದರಿಯ ಪ್ರತಿಯೊಂದು ಆರ್ಗ್ಯುಮೆಂಟ್ ಅನ್ನು ಅಂಕಿತಗೊಳಿಸುತ್ತದೆ. ಅಸಹಮತಿಗಳು ಸಾಧ್ಯತೆಯ ದೋಷಗಳನ್ನು ಹೊರಹಾಕುತ್ತವೆ; ಒಪ್ಪಿಗೆ ವಿಶ್ವಾಸವನ್ನು ನಿರ್ಮಿಸುತ್ತದೆ.
ಕ್ರಾಸ್-ಮೋಡಲ್ ಮಾನ್ಯತೆ ಪರಸ್ಪರ ಪರಿಶೀಲಿಸಲು ಹಲವಾರು ಎಐ ಮಾದರಿಗಳನ್ನು ಬಳಸುತ್ತದೆ. ವಿಭಿನ್ನ ಮಾದರಿಗಳಿಗೆ ವಿಭಿನ್ನ ಕಣ್ಣು ಮುಚ್ಚಿದ ಸ್ಥಳಗಳಿವೆ—ಒಂದು ಮಾದರಿಯು ತಪ್ಪು ಮಾಡಿದಾಗ ಇತರರು ಅದನ್ನು ಹಿಡಿಯುತ್ತಾರೆ.
ಕ್ರಾಸ್-ಮೋಡಲ್ ಮಾನ್ಯತೆ ಹಲವಾರು ಸ್ವಾಯತ್ತ ಎಐ ಮಾದರಿಗಳ ಔಟ್ಪುಟ್ಗಳನ್ನು ಹೋಲಿಸುತ್ತದೆ. ಮಾದರಿಗಳು ಅಸಹಮತಿಯಾಗುವಾಗ, ಆ ಅಸಹಮತಿ ಸಾಧ್ಯತೆಯ ಭ್ರಮೆಗಳನ್ನು ಹೊರಹಾಕುತ್ತದೆ. ಅವರು ಒಪ್ಪಿದಾಗ, ವಿಶ್ವಾಸವು ಹೆಚ್ಚುತ್ತದೆ.
ಕ್ರಾಸ್-ಮೋಡಲ್ ಮಾನ್ಯತೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಏಕೆಂದರೆ ಎಐ ಮಾದರಿಗಳು ನಿಜವಾಗಿಯೂ ಸ್ವಾಯತ್ತ ವ್ಯವಸ್ಥೆಗಳಾಗಿವೆ. ಅವರು ಈ ವಿಷಯಗಳಲ್ಲಿ ವಿಭಿನ್ನವಾಗಿದ್ದಾರೆ:
ವಿಭಿನ್ನ ವೆಬ್ ಕ್ರಾಲ್ಗಳು, ಪುಸ್ತಕಗಳು, ಪತ್ರಿಕೆಗಳು ಮತ್ತು ಸ್ವಂತ ಡೇಟಾಸೆಟ್ಗಳು
GPT ವಿರುದ್ಧ ಕ್ಲೋಡ್ ವಿರುದ್ಧ ಜ್ಯುಪಿಟರ್ ಮೂಲಭೂತವಾಗಿ ವಿಭಿನ್ನ ವಿಧಾನಗಳನ್ನು ಬಳಸುತ್ತವೆ
ಪ್ರತಿ ಮಾದರಿ ವಿಭಿನ್ನ ದಿನಾಂಕದಲ್ಲಿ ಕಲಿಯುವುದು ನಿಲ್ಲಿಸುತ್ತದೆ
ವಿಭಿನ್ನ ಆದ್ಯತೆಗಳು: ಸಹಾಯ, ಸುರಕ್ಷತೆ, ತರ್ಕ ಶೈಲಿ
ಪ್ರತಿ ಮಾದರಿ ವಿಭಿನ್ನವಾಗಿ ಮತ್ತು ವಿಭಿನ್ನ ಪ್ರದೇಶಗಳಲ್ಲಿ ಹಾಲುಸಿನೇಟ್ಸ್ ಮಾಡುತ್ತದೆ
OpenAI, Anthropic, Google ವಿಭಿನ್ನ ವಿನ್ಯಾಸ ಗುರಿಗಳನ್ನು ಹೊಂದಿವೆ
ಈ ಸ್ವಾಯತ್ತತೆ ಅಮೂಲ್ಯವಾಗಿದೆ. ಜಿಪಿಟಿ ಉಲ್ಲೇಖವನ್ನು ತಯಾರಿಸಿದಾಗ, ಕ್ಲೋಡ್ ಸಾಮಾನ್ಯವಾಗಿ ಅದೇ ಉಲ್ಲೇಖವನ್ನು ಕಂಡುಹಿಡಿಯುವುದಿಲ್ಲ. ಜೆಮಿನಿ ತರ್ಕದ ದೋಷವನ್ನು ಮಾಡಿದಾಗ, ಗ್ರಾಕ್ ಅದನ್ನು ಹಿಡಿಯುತ್ತದೆ. ಮಾದರಿಗಳು ಹೆಚ್ಚು ಸ್ವಾಯತ್ತವಾಗಿದ್ದಂತೆ, ಅವರ ಒಪ್ಪಿಗೆ ಹೆಚ್ಚು ಅಮೂಲ್ಯವಾಗುತ್ತದೆ—ಮತ್ತು ಅವರ ಅಸಹಮತಿ.
ಪ್ರತಿ AI ಮಾದರಿ ಒಂದೇ ಪ್ರಶ್ನೆಯನ್ನು ಪಡೆಯುತ್ತದೆ ಆದರೆ ತನ್ನ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಸ್ವಾಯತ್ತವಾಗಿ ಉತ್ಪಾದಿಸುತ್ತದೆ. ಯಾವುದೇ ಮಾದರಿ ಇತರರು ಏನು ಹೇಳಿದ್ದಾರೆ ಎಂಬುದನ್ನು ನೋಡುವುದಿಲ್ಲ. ಇದು ಮಾದರಿಗಳನ್ನು ಪರಸ್ಪರ ಉತ್ತರಗಳನ್ನು (ಮತ್ತು ಪರಸ್ಪರ ತಪ್ಪುಗಳನ್ನು) ನಕಲಿಸುವುದರಿಂದ ತಡೆಯುತ್ತದೆ.
ಎಲ್ಲಾ ಮಾದರಿಗಳು ತಮ್ಮ ವಾದಗಳನ್ನು ಉತ್ಪಾದಿಸಿದ ನಂತರ, ಪ್ರತಿ ಮಾದರಿ ಇತರ ಮಾದರಿಯ ಪ್ರತಿಯೊಂದು ವಾದವನ್ನು ರೇಟಿಂಗ್ ಮಾಡುತ್ತದೆ. ಇದು ಪ್ರಮುಖ ಹಂತ—ಮಾದರಿಗಳು ಪರಸ್ಪರ ಕೆಲಸವನ್ನು ಸಕ್ರಿಯವಾಗಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತವೆ, ತಾರ್ಕಿಕ ದೋಷಗಳು, ಬೆಂಬಲಿತವಾದ ಹಕ್ಕುಗಳು ಮತ್ತು ಸಾಧ್ಯವಾದ ತಂತ್ರಗಳನ್ನು ಹುಡುಕುತ್ತವೆ.
ಬಹುಮಾನ ಮಾದರಿಗಳು ವಾದವನ್ನು ಕಡಿಮೆ ರೇಟಿಂಗ್ ಮಾಡಿದಾಗ, ಅದು ಕೆಂಪು ಧ್ವಜವಾಗಿದೆ. ವಾದವು ಹಾಲುಸಿನೇಶನ್, ತಾರ್ಕಿಕ ದೋಷ ಅಥವಾ ಬೆಂಬಲಿತವಾದ ಹಕ್ಕುಗಳನ್ನು ಒಳಗೊಂಡಿರಬಹುದು. ಈ ಅಸಹಮತಿಗಳು ಯಾವುದೇ ಒಬ್ಬ ಮಾದರಿ ಖಚಿತವಾಗಿ ವಾಸ್ತವವಾಗಿ ಪ್ರಸ್ತುತಪಡಿಸುವ ಸಮಸ್ಯೆಗಳನ್ನು ಮೇಲಕ್ಕೆತ್ತುತ್ತವೆ.
ಎಲ್ಲಾ ಮಾದರಿಗಳು ಉನ್ನತವಾಗಿ ರೇಟಿಂಗ್ ಮಾಡಿದ ವಾದಗಳಿಗೆ ಉನ್ನತ ಸಮ್ಮತಿ ಇದೆ. ಸತ್ಯದ ಸಾಕ್ಷಿ ಅಲ್ಲ, ಆದರೆ ಉನ್ನತ ಸಮ್ಮತಿ ಅರ್ಥಪೂರ್ಣ ಆತ್ಮವಿಶ್ವಾಸ ಸಂಕೇತವಾಗಿದೆ—ಸ್ವಾಯತ್ತ ವ್ಯವಸ್ಥೆಗಳು ಒಪ್ಪುತ್ತವೆ, ಹಂಚಿದ ಹಾಲುಸಿನೇಶನ್ನ ಅವಕಾಶವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.
ಒಟ್ಟಾರೆ GPT, ಕ್ಲೋಡ್, ಜ್ಯುಪಿಟರ್, ಗ್ರಾಕ್, ಪರ್ಪ್ಲೆಕ್ಸಿಟಿಯನ್ನು ಸಮಾನಾಂತರವಾಗಿ ಕೇಳಿ
ಪ್ರತಿ ಮಾದರಿ ಇತರ ಮಾದರಿಯ ಪ್ರತಿಯೊಂದು ವಾದವನ್ನು ರೇಟಿಂಗ್ ಮಾಡುತ್ತದೆ
ಕಡಿಮೆ ರೇಟಿಂಗ್ ಮಾಡಿದ ವಾದಗಳು ಪರಿಶೀಲನೆಗಾಗಿ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಮೇಲಕ್ಕೆತ್ತಲ್ಪಡುತ್ತವೆ
ಯಾವ ಮಾದರಿಯು ಏನು ಹೇಳಿತು ಎಂಬುದನ್ನು ನೋಡಿ—ಎಂದಿಗೂ ಕಪ್ಪು-ಬಾಕ್ಸ್ ಮಿಶ್ರಣವಲ್ಲ
ಕ್ರಾಸ್-ಮಾದರಿ ಮಾನ್ಯತೆ ಎಂದರೆ ಬಹು ಸ್ವಾಯತ್ತ AI ಮಾದರಿಗಳನ್ನು ಪರಸ್ಪರ ಅವರ ಔಟ್ಪುಟ್ಗಳನ್ನು ಪರಿಶೀಲಿಸಲು ಬಳಸುವ ಅಭ್ಯಾಸ. ಒಂದೇ ಪ್ರಶ್ನೆಗಾಗಿ ಹಲವಾರು ಮಾದರಿಗಳನ್ನು ಕೇಳಿ ಮತ್ತು ಅವರ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಹೋಲಿಸುವ ಮೂಲಕ, ನೀವು ಹಾಲುಸಿನೇಶನ್ಗಳನ್ನು ಗುರುತಿಸಬಹುದು, ದೋಷಗಳನ್ನು ಹಿಡಿದಿಡಬಹುದು ಮತ್ತು ಎಲ್ಲಾ ಮಾದರಿಗಳು ಒಪ್ಪುವ ಹಕ್ಕುಗಳಲ್ಲಿ ಆತ್ಮವಿಶ್ವಾಸವನ್ನು ನಿರ್ಮಿಸಬಹುದು.
ವಿಭಿನ್ನ AI ಮಾದರಿಗಳಿಗೆ ವಿಭಿನ್ನ ತರಬೇತಿ ಡೇಟಾ, ವಾಸ್ತುಶಿಲ್ಪ, ಜ್ಞಾನ ಕಟ್ಆಫ್ ಮತ್ತು ವಿಫಲತೆಯ ಮೋಡ್ಗಳು ಇವೆ. ಒಂದು ಮಾದರಿ ಹಾಲುಸಿನೇಶನ್ ಅಥವಾ ದೋಷವನ್ನು ಮಾಡಿದಾಗ, ಇತರ ಮಾದರಿಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಒಂದೇ ತಪ್ಪು ಮಾಡುತ್ತವೆ. ಈ ಸ್ವಾಯತ್ತತೆ ಕ್ರಾಸ್-ಮಾನ್ಯತೆಯನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಮಾಡುತ್ತದೆ—ಒಂದು ಮಾದರಿಯ ಮೂಲಕ ತಪ್ಪುಗಳು ಇತರರಿಂದ ಹಿಡಿದಿಡಲ್ಪಡುತ್ತವೆ.
ಸಂಶೋಧನೆ 3-5 ಸ್ವಾಯತ್ತ ಮಾದರಿಗಳು ಶಕ್ತಿಶಾಲಿ ಮಾನ್ಯತೆಯನ್ನು ಒದಗಿಸುತ್ತವೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ಹೆಚ್ಚು ಮಾದರಿಗಳು ಉನ್ನತ-ಆಕರ್ಷಕ ನಿರ್ಧಾರಗಳಿಗೆ ಸಹಾಯ ಮಾಡಬಹುದು, ಆದರೆ ಕಡಿಮೆ ಆದಾಯದೊಂದಿಗೆ. ಕೀವು ನಿಜವಾದ ಸ್ವಾಯತ್ತತೆ—ವಿಭಿನ್ನ ವಾಸ್ತುಶಿಲ್ಪಗಳೊಂದಿಗೆ ವಿಭಿನ್ನ ಕಂಪನಿಗಳ ಮಾದರಿಗಳು ಒಂದೇ ಮಾದರಿಯ ಬಹಳಷ್ಟು ಆವೃತ್ತಿಗಳಿಗಿಂತ ಹೆಚ್ಚು ಮೌಲ್ಯವಂತವಾಗಿವೆ.
ಹೌದು, ಇದು ಸಂಭವಿಸಬಹುದು: (1) ಎಲ್ಲಾ ಮಾದರಿಗಳು ಸಾಮಾನ್ಯ ತರಬೇತಿ ಬಾಯಸ್ ಅನ್ನು ಹಂಚಿಕೊಳ್ಳುತ್ತವೆ, (2) ಹಕ್ಕು ಯಾವುದೇ ಮಾದರಿಯ ತರಬೇತಿ ಡೇಟಾ ಗೆ ಹೆಚ್ಚು ಇತ್ತೀಚಿನದು, ಅಥವಾ (3) ಹಕ್ಕು ಯಾವುದೇ ಮಾದರಿಯಲ್ಲಿಲ್ಲದ ಕ್ಷೇತ್ರದ ಪರಿಣತಿಯನ್ನು ಅಗತ್ಯವಿದೆ. ಕ್ರಾಸ್-ಮಾದರಿ ಸಮ್ಮತಿ ಮಾನ್ಯತೆಗಾಗಿ ಮಾನವ ಪರಿಶೀಲನೆಯ ಅಗತ್ಯವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ಆದರೆ ಸಂಪೂರ್ಣವಾಗಿ ತೆಗೆದುಹಾಕುವುದಿಲ್ಲ.
ಪಾರಂಪರಿಕ ಎನ್ಸೆಂಬಲ್ ವಿಧಾನಗಳು ಮಾದರಿ ಔಟ್ಪುಟ್ಗಳನ್ನು ಸಂಯೋಜಿಸುತ್ತವೆ, ಭವಿಷ್ಯವಾಣಿ ಶ್ರೇಣೀಬದ್ಧತೆಯನ್ನು ಸುಧಾರಿಸಲು. ಕ್ರಾಸ್-ಮಾದರಿ ಮಾನ್ಯತೆ ಅಸಹಮತಿ ಪತ್ತೆ ಮೇಲೆ ಕೇಂದ್ರೀಕೃತವಾಗಿದೆ—ಮಾದರಿಗಳು ಪರಸ್ಪರ ವಿರುದ್ಧವಾಗಿರುವ ಸ್ಥಳಗಳನ್ನು ಗುರುತಿಸುವುದು, ಇದು ಸಾಧ್ಯವಾದ ದೋಷಗಳು ಅಥವಾ ಮಾನವ ಪರಿಶೀಲನೆಯ ಅಗತ್ಯವಿರುವ ವಾಸ್ತವವಾಗಿ ವಿವಾದಿತ ಹಕ್ಕುಗಳನ್ನು ಸೂಚಿಸುತ್ತದೆ.
ಕ್ರಾಸ್-ಮೋಡಲ್ ಮಾನ್ಯತೆ ಏಕಕಾಲದಲ್ಲಿ ಮಾದರಿ-ಮಾದರಿ ಸಾಧನಗಳು ತಪ್ಪುಗಳನ್ನು ಹಿಡಿಯುತ್ತದೆ.
ಉಚಿತ ಸಂಶೋಧನೆ ಪ್ರಾರಂಭಿಸಿ