नई दिल्ली. प्रॉम्प्ट चेनिंग एक ऐसी तकनीक है, जिसका उपयोग जनरेटिव AI मॉडल के साथ काम करते समय किया जाता है, जिसमें एक प्रॉम्प्ट से आउटपुट को अगले के लिए इनपुट के रूप में उपयोग किया जाता है। यह विधि प्रॉम्प्ट इंजीनियरिंग का एक रूप है या प्रश्नों को पूछने के तरीके में सुधार करके प्रीट्रेन्ड जनरेटिव AI मॉडल से बेहतर आउटपुट प्राप्त करने का अभ्यास है।

दरअसल, प्रॉम्प्ट चेनिंग या तो किसी जटिल समस्या को टुकड़ों में हल करने या किसी प्रारंभिक आउटपुट को परिष्कृत और विस्तारित करने के लिए सबसे उपयुक्त है। यह उन उपयोगकर्ताओं के लिए विशेष रूप से सहायक रणनीति है जिनके मन में कोई कार्य हो सकता है और उनके वांछित आउटपुट का सामान्य विचार हो सकता है, लेकिन अभी तक यह नहीं पता है कि उस आउटपुट का सटीक विवरण या संरचना क्या होनी चाहिए।

प्रॉम्प्ट चेनिंग का सबसे अधिक उपयोग बड़े भाषा मॉडल (LLM) के साथ बातचीत करते समय किया जाता है, क्योंकि ये मॉडल वर्तमान में संदर्भ को बनाए रखने और बहुत अधिक परिवर्तन किए बिना या वांछित सुविधाओं को हटाए बिना पहले से उत्पन्न आउटपुट को परिष्कृत करने में सबसे सक्षम हैं। हालाँकि, डेवलपर्स इमेज जनरेटर जैसे अन्य प्रकार के जनरेटिव AI मॉडल के आउटपुट को पुनरावृत्त रूप से परिष्कृत करने की क्षमता पर काम कर रहे हैं। उदाहरण के लिए, ChatGPT के भीतर सुलभ OpenAI का Dall-E इमेज जेनरेशन मॉडल, यह क्षमता प्रदान करता है, हालांकि सफलता की अलग-अलग डिग्री के साथ।

प्रॉम्प्ट चेनिंग कैसे काम करती है?

यह प्रक्रिया किसी जनरेटिव AI मॉडल के साथ किसी भी अन्य इंटरैक्शन के समान तरीके से शुरू होती है। मॉडल को एक प्रारंभिक प्रॉम्प्ट प्रदान करके आमतौर पर एक प्रश्न या वांछित आउटपुट का वर्णन करने वाला कथन। इस प्रारंभिक इनपुट को संसाधित करने के बाद, मॉडल अपना पहला आउटपुट जेनरेट करता है।

फिर उस प्रारंभिक आउटपुट का मूल्यांकन किया जाता है या तो किसी मानव उपयोगकर्ता द्वारा या किसी स्वचालित सिस्टम द्वारा जिसे सटीकता और रचनात्मकता जैसे मानदंडों के विरुद्ध जांच करने के लिए प्रशिक्षित किया गया है। उस मूल्यांकन के परिणामों के आधार पर, उपयोगकर्ता या सिस्टम एक और प्रॉम्प्ट बनाता है जो पिछले दौर से फीडबैक को ध्यान में रखता है, जिसका उद्देश्य आउटपुट को उपयोगकर्ता के इरादे के करीब लाना है।

उदाहरण के लिए मूल्यांकन यह निर्धारित कर सकता है कि प्रारंभिक आउटपुट अत्यधिक व्यापक है और लक्ष्य समस्या पर पर्याप्त रूप से केंद्रित नहीं है। अगले प्रॉम्प्ट में उपयोगकर्ता मॉडल को किसी विशिष्ट तत्व पर ध्यान केंद्रित करने का निर्देश दे सकता है। नया प्रॉम्प्ट मॉडल में वापस फीड किया जाता है और संतोषजनक आउटपुट प्राप्त होने तक प्रक्रिया जारी रहती है।

तकनीकी दृष्टिकोण से प्रॉम्प्ट चेनिंग प्रभावी है, क्योंकि यह LLM आर्किटेक्चर के कुछ पहलुओं का लाभ उठाती है। संरचनात्मक रूप से कहें तो LLM तंत्रिका नेटवर्क हैं जो ट्रांसफॉर्मर मॉडल पर बहुत अधिक निर्भर करते हैं, जो टेक्स्ट डेटा के लंबे अनुक्रमों में पैटर्न और संबंधों की पहचान करने में माहिर हैं। इस प्रकार LLM जटिल पैटर्न को पहचानने और दोहराने और समय के साथ संदर्भ के बारे में जागरूकता बनाए रखने के लिए उपयुक्त हैं।

प्रॉम्प्ट चेनिंग में पिछले आउटपुट पर निर्माण करना शामिल है, जिसमें प्रत्येक नया प्रॉम्प्ट संदर्भ या फ़ोकस को क्रमिक रूप से समायोजित करता है। यह विधि LLM की विस्तारित अनुक्रमों पर संदर्भ को प्रबंधित करने की क्षमता के लिए एक अच्छी फिट है और LLM को एक लंबा, विस्तृत प्रारंभिक प्रॉम्प्ट देने की तुलना में अधिक सूक्ष्म परिशोधन की अनुमति भी देती है।

प्रॉम्प्ट चेनिंग बनाम चेन-ऑफ़-थॉट प्रॉम्प्टिंग

प्रॉम्प्ट चेनिंग और चेन-ऑफ़-थॉट प्रॉम्प्टिंग समान लगते हैं और दोनों तकनीकों का उद्देश्य प्रॉम्प्ट इंजीनियरिंग के माध्यम से LLM आउटपुट को बेहतर बनाना है, उनमें कई महत्वपूर्ण अंतर हैं। प्रॉम्प्ट चेनिंग में एक मॉडल इंटरैक्शन से आउटपुट को अगले के लिए इनपुट के रूप में उपयोग करना शामिल है और इस प्रकार स्वाभाविक रूप से कई प्रॉम्प्ट शामिल होते हैं। 

इसके विपरीत चेन-ऑफ-थॉट प्रॉम्प्टिंग, एक एकल, लंबे प्रॉम्प्ट का उपयोग करता है, जो मॉडल से उसके उत्तर तक पहुँचने के लिए उपयोग की जाने वाली चरण-दर-चरण तर्क प्रक्रिया का वर्णन करने के लिए कहता है। कई मामलों में, चेन-ऑफ-थॉट प्रॉम्प्ट में मॉडल के चित्रण के रूप में चरण-दर-चरण तर्क के एक या अधिक उदाहरण भी शामिल होते हैं। 

प्रॉम्प्ट चेनिंग के लाभ  

• लचीलापन: प्रॉम्प्ट चेनिंग किसी समस्या या क्वेरी को कई चरणों में विभाजित करती है, जो उपयोगकर्ताओं को मॉडल आउटपुट पर प्रतिक्रिया देने या अपने क्वेरी दृष्टिकोण को संपादित करने के कई अवसर प्रदान करती है। यह बदले में LLM आउटपुट में बेहतर लचीलापन और अनुकूलन प्रदान करता है। र
• चनात्मकता: प्रॉम्प्ट चेनिंग खुले-आम, रचनात्मक कार्यों जैसे कि विचार-मंथन के लिए उपयोगी है। प्रॉम्प्ट चेनिंग के साथ उपयोगकर्ता आगे-पीछे संवाद में संलग्न हो सकते हैं जो मॉडल से विशेष रूप से आशाजनक विचारों पर विस्तार करने के लिए कहता है। 
• सटीकता: प्रॉम्प्ट चेनिंग उपयोगकर्ताओं को धीरे-धीरे अपने दृष्टिकोण को समायोजित करने और प्रत्येक चरण पर मॉडल की प्रतिक्रियाओं पर प्रतिक्रिया देने में सक्षम बनाता है। इस तरह तकनीक एलएलएम से अधिक सटीक, उच्च-गुणवत्ता वाली प्रतिक्रियाएँ प्राप्त कर सकती है।
• दक्षता: चेन किए गए प्रॉम्प्ट के साथ कम-से-इष्टतम प्रतिक्रिया को संभालना अक्सर पूरी समस्या को फिर से बताने या मॉडल को अपनी प्रतिक्रिया को फिर से बनाने के लिए कहने से अधिक कुशल होता है। मॉडल को पूरे कार्य को फिर से संसाधित करने के लिए कहने के बजाय प्रॉम्प्ट चेनिंग केवल विशिष्ट, लक्षित सुधार करने पर ध्यान केंद्रित करती है।
• समस्या समाधान:  प्रॉम्प्ट चेनिंग जटिल प्रश्नों और परिदृश्यों को छोटे, अधिक प्रबंधनीय घटकों में तोड़ देती है। यह इसे एक उपयोगी तकनीक बनाता है