Skip to main content

Gemini ಆ್ಯಪ್‌ನ ಅವಲೋಕನ

ನಾವು ಬಹಳ ಹಿಂದಿನಿಂದಲೂ ಮಾಹಿತಿ ಮತ್ತು ಕಂಪ್ಯೂಟಿಂಗ್ ಅನ್ನು ಜನರಿಗೆ ಹೆಚ್ಚು ಸುಲಭವಾಗಿ ಸಿಗುವ ಹಾಗೆ ಮತ್ತು ಉಪಯುಕ್ತವಾಗಿಸುವ ನಿಟ್ಟಿನಲ್ಲಿ, AI ಗೆ ಇರುವ ಸಾಮರ್ಥ್ಯವನ್ನು ನೋಡಿದ್ದೇವೆ. ನಾವು ದೊಡ್ಡ ಲ್ಯಾಂಗ್ವೇಜ್ ಮಾಡಲ್‌ಗಳಲ್ಲಿ (LLM ಗಳು) ಕ್ರಾಂತಿಕಾರಿ ಪ್ರಗತಿಯನ್ನು ಸಾಧಿಸಿದ್ದೇವೆ ಮತ್ತು Google ನಾದ್ಯಂತ ಈ ಕ್ಷೇತ್ರದಲ್ಲಿ ವ್ಯಾಪಕ ಪ್ರಮಾಣದಲ್ಲಿ ನಾವು ಹೆಚ್ಚಿನ ಪ್ರಗತಿಯನ್ನು ಕಂಡಿದ್ದೇವೆ. ಹಲವಾರು ವರ್ಷಗಳಿಂದ, ನಮ್ಮ ಹಲವಾರು ಉತ್ಪನ್ನಗಳನ್ನು ಸುಧಾರಿಸಲು ನಾವು ಹಿನ್ನೆಲೆಯಲ್ಲಿ LLM ಗಳನ್ನು ಅನ್ವಯಿಸಿದ್ದೇವೆ, ಉದಾಹರಣೆಗೆ Gmail ನಲ್ಲಿ ವಾಕ್ಯಗಳನ್ನು ಸ್ವಯಂಪೂರ್ಣಗೊಳಿಸುವುದು, Google Translate ಅನ್ನು ವಿಸ್ತರಿಸುವುದು, ಮತ್ತು Google Search ನಲ್ಲಿನ ಪ್ರಶ್ನೆಗಳನ್ನು ಚೆನ್ನಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ನಮಗೆ ಸಹಾಯ ಮಾಡುವುದು. ನಾವು ಹಲವಾರು Google ಸೇವೆಗಳಿಗೆ LLM ಗಳನ್ನು ಬಳಸುವುದನ್ನು ಮುಂದುವರಿಸುತ್ತೇವೆ, ಜೊತೆಗೆ Gemini ಆ್ಯಪ್‌ಗೆ ಶಕ್ತಿ ತುಂಬುತ್ತೇವೆ, ಇದು ಜನರು ಜನರೇಟಿವ್ AI ನೊಂದಿಗೆ ನೇರವಾಗಿ ಕೊಲಾಬೊರೇಟ್ ಮಾಡಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. Gemini ಆ್ಯಪ್ ಅತ್ಯಂತ ಉಪಯುಕ್ತ ಮತ್ತು ವೈಯಕ್ತಿಕ AI ಆಗಬೇಕೆಂದು ನಾವು ಬಯಸುತ್ತೇವೆ, ಇದು ಬಳಕೆದಾರರಿಗೆ Google ನ ಇತ್ತೀಚಿನ AI ಮಾಡಲ್‌ಗಳಿಗೆ ನೇರ ಆ್ಯಕ್ಸೆಸ್ ನೀಡುತ್ತದೆ.

ನಾವು ನಿರ್ಣಾಯಕ ಬದಲಾವಣೆಯ ಹಂತದಲ್ಲಿದ್ದೇವೆ ಮತ್ತು ಜನರೇಟಿವ್ AI ಮೇಲೆ ಭಾರಿ ನಿರೀಕ್ಷೆಗಳಿವೆ, ಆದರೆ ತಂತ್ರಜ್ಞಾನವು ಇನ್ನೂ ಆರಂಭಿಕ ಹಂತದಲ್ಲಿದೆ. ಈ ವಿವರಣೆಯು Gemini ಆ್ಯಪ್ ("Gemini") ಕುರಿತು ನಮ್ಮ ಕೆಲಸದ ಅವಲೋಕನವನ್ನು ಒದಗಿಸುತ್ತದೆ, ಇದರಲ್ಲಿ ಅದರ ಮೊಬೈಲ್ ಮತ್ತು ವೆಬ್ ಅನುಭವಗಳು ಸೇರಿವೆ — ಆ್ಯಪ್ ಎಂದರೇನು, ಇದು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು ಅದರ ಪ್ರಸ್ತುತ ಸಾಮರ್ಥ್ಯಗಳು ಮತ್ತು ಮಿತಿಗಳನ್ನು ನಿರ್ದಿಷ್ಟವಾಗಿ ವಿವರಿಸುತ್ತದೆ. Gemini ನ ಮೂಲ ತಂತ್ರಜ್ಞಾನವು ಅಭಿವೃದ್ಧಿ ಹೊಂದುತ್ತಲೇ ಇರುವುದರಿಂದ ಮತ್ತು ನಡೆಯುತ್ತಿರುವ ಸಂಶೋಧನೆ, ನಿಜವಾದ ಬಳಕೆ ಮತ್ತು ಬಳಕೆದಾರರ ಫೀಡ್‌ಬ್ಯಾಕ್‌ನಿಂದ ನಾವು ಅನುಭವವನ್ನು ಪಡೆಯುತ್ತಿದ್ದಂತೆ, ನಮ್ಮ ಆ್ಯಪ್ ಅಭಿವೃದ್ಧಿ ತತ್ವಗಳು ವಿಕಸನಗೊಳ್ಳುತ್ತಲೇ ಇರುತ್ತವೆ ಮತ್ತು ಸುಧಾರಿಸುತ್ತಲೇ ಇರುತ್ತವೆ.

Gemini ಎಂದರೆ

Gemini ಎಂಬುದು ಮಲ್ಟಿಮೋಡಲ್ LLM ಗೆ (ಪಠ್ಯ, ಆಡಿಯೋ, ಚಿತ್ರಗಳು ಹಾಗೂ ಮುಂತಾದವುಗಳನ್ನು ನಿರ್ವಹಿಸುವುದು) ಇಂಟರ್‌ಫೇಸ್ ಆಗಿದೆ. Gemini ಯು LLM ಗಳ ಕುರಿತು Google ನ ಅತ್ಯಾಧುನಿಕ ಸಂಶೋಧನೆಯನ್ನು ಆಧರಿಸಿದೆ. ಇದು 2013 ರಲ್ಲಿ Word2Vec ಎಂಬ ಸಂಶೋಧನಾ ಪ್ರಬಂಧದೊಂದಿಗೆ ಪ್ರಾರಂಭವಾಯಿತು. 2013 ರಲ್ಲಿ ಪ್ರಕಟವಾದ ಪ್ರಬಂಧ, ಗಣಿತದ ಪರಿಕಲ್ಪನೆಗಳಿಗೆ ಪದಗಳನ್ನು ಮ್ಯಾಪಿಂಗ್ ಮಾಡಲು ಒಂದು ಹೊಸ ಮಾದರಿ ವಿನ್ಯಾಸವನ್ನು ಪ್ರಸ್ತಾಪಿಸಿತು. ನಂತರ 2015 ರಲ್ಲಿ, ನ್ಯೂರಲ್ ಕಾನ್ವರ್‌ಸೇಶನಲ್ ಮಾಡಲ್ ಅನ್ನು ಪ್ರಾರಂಭಿಸಿತು. ಈ ಫ್ರೇಮ್‌ವರ್ಕ್‌ನಲ್ಲಿ, ಹಿಂದಿನ ವಾಕ್ಯ ಅಥವಾ ವಾಕ್ಯಗಳನ್ನು ಆಧರಿಸಿದ ಸಂಭಾಷಣೆಯಲ್ಲಿ ಮಾಡಲ್‌ಗಳು ಮುಂದಿನ ವಾಕ್ಯವನ್ನು ಹೇಗೆ ಊಹಿಸಬಹುದು ಎಂಬುದನ್ನು ಅವು ತೋರಿಸಿದ್ದವು ಹಾಗೂ ಇವು ಹೆಚ್ಚು ಸಹಜ ಮಾತುಕತೆಯ ಅನುಭವಗಳಿಗೆ ಕಾರಣವಾಯಿತು. ಇದರ ನಂತರ, 2017 ರಲ್ಲಿ ಟ್ರಾನ್ಸ್‌ಫಾರ್ಮರ್ ಕುರಿತು ಹಾಗೂ 2020 ರಲ್ಲಿ ಮಲ್ಟಿ-ಟರ್ನ್ ಚಾಟ್ ಸಾಮರ್ಥ್ಯಗಳ ಕುರಿತ ನಮ್ಮ ಸಂಶೋಧನೆಯಲ್ಲಿ ಹೊಸ ಯಶಸ್ಸನ್ನು ಸಾಧಿಸಿದೆವು. ಇವುಗಳು ಇನ್ನಷ್ಟು ಬಲವಾದ ಜನರೇಟಿವ್ ಭಾಷಾ ಪ್ರಗತಿಯನ್ನು ಪ್ರದರ್ಶಿಸಿದವು.

ನಮ್ಮ AI ತತ್ವಗಳಿಗೆ ಅನುಗುಣವಾಗಿ, ನಾವು ಮಾರ್ಚ್ 2023 ರ ಆರಂಭದಲ್ಲಿ Gemini (ಆಗ Bard ಎಂದು ಕರೆಯಲಾಗುತ್ತಿತ್ತು) ಅನ್ನು ಒಂದು ಪ್ರಯೋಗವಾಗಿ ಪ್ರಾರಂಭಿಸಿದ್ದೆವು. ಅಂದಿನಿಂದ, ಬಳಕೆದಾರರು ಆಕರ್ಷಕ ಇಮೇಲ್‌ಗಳನ್ನು ಬರೆಯಲು, ಟ್ರಿಕಿ ಕೋಡಿಂಗ್ ಸಮಸ್ಯೆಗಳನ್ನು ಡೀಬಗ್ ಮಾಡಲು, ಮುಂಬರುವ ಈವೆಂಟ್‌ಗಳಿಗೆ ಐಡಿಯಾಗಳನ್ನು ಬ್ರೈನ್‌ಸ್ಟಾರ್ಮ್ ಮಾಡಲು, ಕಷ್ಟಕರವಾದ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಕಲಿಯುವುದಕ್ಕೆ ಸಹಾಯ ಪಡೆಯಲು ಹಾಗೂ ಮುಂತಾದವುಗಳಿಗಾಗಿ Gemini ಬಳಸಲು ಮುಂದಾದರು. ಇಂದು, Gemini ಯು ಬಹುಮುಖ AI ಟೂಲ್ ಆಗಿದ್ದು, ಅದು ನಿಮಗೆ ಹಲವು ವಿಧಗಳಲ್ಲಿ ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಜನರು ಹೆಚ್ಚು ಉತ್ಪಾದಕ, ಹೆಚ್ಚು ಸೃಜನಶೀಲ ಮತ್ತು ಹೆಚ್ಚು ಕುತೂಹಲಕಾರಿಯಾಗಲು Gemini ಸಹಾಯ ಮಾಡುವುದನ್ನು ನಾವು ನೋಡಿದ್ದೇವೆ ಮತ್ತು ನಾವು ಸಾಮಾನ್ಯವಾಗಿ ಹೊಸ ಫಂಕ್ಷನಾಲಿಟಿ ಮತ್ತು ಆವಿಷ್ಕಾರಗಳನ್ನು ಸೇರಿಸುತ್ತಿದ್ದೇವೆ.

ಉತ್ಪಾದಕತೆ

ಆರಂಭಿಕರಿಗಾಗಿ, Gemini ನಿಮ್ಮ ಸಮಯವನ್ನು ಉಳಿಸಬಹುದು. ಉದಾಹರಣೆಗೆ, ನೀವು ಒಂದು ದೀರ್ಘ ಸಂಶೋಧನಾ ದಾಖಲೆಯನ್ನು ಸಂಕ್ಷೇಪಿಸಲು ಬಯಸುತ್ತಿದ್ದೀರಿ ಎಂದುಕೊಳ್ಳೋಣ; Gemini ನಿಮಗೆ ಅದನ್ನು ಅಪ್‌ಲೋಡ್ ಮಾಡಲು ಅನುಮತಿಸುತ್ತದೆ ಮತ್ತು ನಿಮಗೆ ಉಪಯುಕ್ತ ಸಂಶ್ಲೇಷಣೆಯನ್ನು ನೀಡುತ್ತದೆ. Gemini ಕೋಡಿಂಗ್ ಕಾರ್ಯಗಳಲ್ಲಿಯೂ ಸಹಾಯ ಮಾಡಬಹುದು ಹಾಗೂ ಕೋಡಿಂಗ್ ತ್ವರಿತವಾಗಿ ಅದರ ಅತ್ಯಂತ ಜನಪ್ರಿಯ ಅನ್ವಯಿಕೆಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ.

ಸೃಜನಶೀಲತೆ

Gemini ನಿಮ್ಮ ಐಡಿಯಾಗಳಿಗೆ ಜೀವ ತುಂಬಲು ಮತ್ತು ನಿಮ್ಮ ಸೃಜನಶೀಲತೆಯನ್ನು ಉತ್ತೇಜಿಸಲು ಸಹಾಯ ಮಾಡಬಹುದು. ಉದಾಹರಣೆಗೆ, ನೀವು ಬ್ಲಾಗ್ ಪೋಸ್ಟ್‌‌ ಬರೆಯುತ್ತಿದ್ದರೆ, Gemini ನಿಮ್ಮ ಪೋಸ್ಟ್ ಅನ್ನು ವಿವರಿಸಲು ಸಹಾಯ ಮಾಡುವ ಔಟ್‌ಲೈನ್ ಮತ್ತು ಚಿತ್ರಗಳನ್ನು ಜನರೇಟ್ ಮಾಡಬಹುದು. ಹಾಗೂ ಶೀಘ್ರದಲ್ಲೇ ಬರಲಿರುವ Gems ಫೀಚರ್ ನಿಮ್ಮ Gemini ಅನ್ನು ನಿಮ್ಮ ನಿರ್ದಿಷ್ಟ ಸೂಚನೆಗಳಿಗೆ ಅನುಗುಣವಾಗಿ ಕಸ್ಟಮೈಸ್ ಮಾಡಲು ನಿಮಗೆ ಅನುಮತಿಸುತ್ತದೆ ಹಾಗೂ ಇದು ನಿಮ್ಮ ವೈಯಕ್ತಿಕ ಗುರಿಗಳನ್ನು ಸಾಧಿಸಲು ಸಹಾಯ ಮಾಡುವ ವಿಷಯ ತಜ್ಞರಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.

ಕುತೂಹಲಕಾರಿ

ನಿಮ್ಮ ಐಡಿಯಾಗಳು ಮತ್ತು ನೀವು ಇನ್ನಷ್ಟು ತಿಳಿದುಕೊಳ್ಳಲು ಬಯಸುವ ವಿಷಯಗಳನ್ನು ಎಕ್ಸ್‌ಪ್ಲೋರ್ ಮಾಡಲು Gemini ಒಂದು ಪ್ರಮುಖ ಹಂತವಾಗಬಹುದು. ಉದಾಹರಣೆಗೆ, ಇದು ಕ್ಲಿಷ್ಟವಾದ ಪರಿಕಲ್ಪನೆಯನ್ನು ಸರಳವಾಗಿ ವಿವರಿಸಬಹುದು ಅಥವಾ ವಿಷಯ ಅಥವಾ ಚಿತ್ರದ ಕುರಿತು ಸಂಬಂಧಿತ ಒಳನೋಟಗಳನ್ನು ಸರ್ಫೇಸ್‌ಗೆ ತರಬಹುದು. ಹಾಗೂ ಶೀಘ್ರದಲ್ಲೇ, ನಿರ್ದಿಷ್ಟ ವಿಷಯಗಳ ಕುರಿತು ಇನ್ನಷ್ಟು ತಿಳಿದುಕೊಳ್ಳಲು ವೆಬ್‌ನಾದ್ಯಂತ ಶಿಫಾರಸು ಮಾಡಲಾದ ಕಂಟೆಂಟ್ ಮೂಲಕ ಈ ಒಳನೋಟಗಳನ್ನು ಜೋಡಿಸುತ್ತದೆ.

Gemini ನ ಸಾಮರ್ಥ್ಯಗಳು ವೇಗವಾಗಿ ವಿಸ್ತರಿಸುತ್ತಿವೆ -- ಶೀಘ್ರದಲ್ಲೇ, ನಿಮ್ಮ ಫೋನ್‌ನ ಕ್ಯಾಮರಾವನ್ನು ಗೋಲ್ಡನ್ ಗೇಟ್ ಸೇತುವೆಯತ್ತ ತೋರಿಸಿ ಅದು ಯಾವ ಬಣ್ಣದಲ್ಲಿದೆ (ನಿಮಗೆ ಕುತೂಹಲವಿದ್ದರೆ, "ಇಂಟರ್‌ನ್ಯಾಷನಲ್ ಆರೆಂಜ್" ಎಂದರೆ ಯಾವುದು) ಎಂದು ನೀವು Gemini ಅನ್ನು ಕೇಳಬಹುದು. ಬೇರೆ ಭಾಷೆಯಲ್ಲಿ ರೆಸ್ಟೋರೆಂಟ್‌ನ ಮೆನುವನ್ನು ನ್ಯಾವಿಗೇಟ್ ಮಾಡಲು ಮತ್ತು ನೀವು ಆನಂದಿಸಬಹುದಾದ ಖಾದ್ಯವನ್ನು ಶಿಫಾರಸು ಮಾಡಲು ಸಹ ನೀವು Gemini ಅನ್ನು ಕೇಳಬಹುದು. Gemini ಗೆ ಶೀಘ್ರದಲ್ಲೇ ಬರಲಿರುವ ಹೊಸ ಸಾಮರ್ಥ್ಯಗಳಲ್ಲಿ ಇವು ಕೇವಲ ಎರಡು ಉದಾಹರಣೆಗಳು.

Gemini ಯ ಪ್ರತಿಕ್ರಿಯೆಗಳು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿರುತ್ತವೆ ಮತ್ತು ನಿಮ್ಮ ನಿರೀಕ್ಷೆಗಳಿಗೆ ಹೊಂದಾಣಿಕೆಯಾಗುತ್ತವೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ನಾವು ಅದಕ್ಕೆ ಕಠಿಣ ತರಬೇತಿ ನೀಡುತ್ತೇವೆ ಮತ್ತು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುತ್ತೇವೆ. ಈ ಉದಯೋನ್ಮುಖ ತಂತ್ರಜ್ಞಾನದ ಹೊಸ ಅನ್ವಯಿಕೆಗಳು, ಅಪಾಯಗಳು ಮತ್ತು ಮಿತಿಗಳನ್ನು ಎಕ್ಸ್‌ಪ್ಲೋರ್ ಮಾಡಲು ನಾವು ಉದ್ಯಮ ತಜ್ಞರು, ಶಿಕ್ಷಣತಜ್ಞರು, ನೀತಿ ನಿರೂಪಕರು, ವ್ಯಾಪಾರ ಮುಖಂಡರು, ನಾಗರಿಕ ಮತ್ತು ಮಾನವ ಹಕ್ಕುಗಳ ಮುಖ್ಯಸ್ಥರು ಮತ್ತು ಕಂಟೆಂಟ್ ರಚನೆಕಾರರ ಜೊತೆ ಮಾತನಾಡಿದ್ದೇವೆ.

Gemini ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ

1

ಪ್ರೀ-ಟ್ರೈನಿಂಗ್

2

ಪೋಸ್ಟ್-ಟ್ರೈನಿಂಗ್

3

ಬಳಕೆದಾರರ ಪ್ರಾಂಪ್ಟ್‌ಗಳ ಪ್ರತಿಕ್ರಿಯೆಗಳು

4

ಮಾನವ ಫೀಡ್‌ಬ್ಯಾಕ್ ಮತ್ತು ಮೌಲ್ಯಮಾಪನ

Gemini ನಂತಹ LLM-ಆಧಾರಿತ ಇಂಟರ್‌ಫೇಸ್‌ಗಳ ತಿಳಿದಿರುವ ಮಿತಿಗಳು

Gemini ಎಂಬುದು, LLM ಗಳನ್ನು ಜವಾಬ್ದಾರಿಯುತವಾಗಿ ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ನಮ್ಮ ನಿರಂತರ ಪ್ರಯತ್ನದ ಒಂದು ಭಾಗ ಮಾತ್ರ. ಈ ಕೆಲಸವನ್ನು ನಿರ್ವಹಿಸುವಾಗ, ನಾವು LLM ಗಳಿಗೆ ಸಂಬಂಧಿಸಿದ ಹಲವಾರು ಮಿತಿಗಳನ್ನು ಗುರುತಿಸಿ ಚರ್ಚಿಸಿದ್ದೇವೆ. ಇಲ್ಲಿ, ನಾವು ನಡೆಯುತ್ತಿರುವ ಸಂಶೋಧನೆಯ ಆರು ಕ್ಷೇತ್ರಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತೇವೆ, ಅವುಗಳೆಂದರೆ:

  • ನಿಖರತೆ: Gemini ಯ ಪ್ರತಿಕ್ರಿಯೆಗಳು ತಪ್ಪಾಗಿರಬಹುದು, ವಿಶೇಷವಾಗಿ ಸಂಕೀರ್ಣ ಅಥವಾ ವಾಸ್ತವಿಕ ವಿಷಯಗಳ ಬಗ್ಗೆ ಕೇಳಿದಾಗ.

  • ಪೂರ್ವಗ್ರಹ: Gemini ಯ ಪ್ರತಿಕ್ರಿಯೆಗಳು ಅದರ ತರಬೇತಿ ಡೇಟಾದಲ್ಲಿರುವ ಪೂರ್ವಗ್ರಹಗಳನ್ನು ಪ್ರತಿಬಿಂಬಿಸಬಹುದು.

  • ಬಹು ದೃಷ್ಟಿಕೋನಗಳು: Gemini ಯ ಪ್ರತಿಕ್ರಿಯೆಗಳು ವಿವಿಧ ದೃಷ್ಟಿಕೋನಗಳನ್ನು ತೋರಿಸಲು ವಿಫಲವಾಗಬಹುದು.

  • ವ್ಯಕ್ತಿಗತ ಶೈಲಿ: Gemini ಯ ಪ್ರತಿಕ್ರಿಯೆಗಳು ವೈಯಕ್ತಿಕ ಅಭಿಪ್ರಾಯಗಳು ಅಥವಾ ಭಾವನೆಗಳನ್ನು ತಪ್ಪಾಗಿ ಸೂಚಿಸಬಹುದು.

  • ಫಾಲ್ಸ್ ಪಾಸಿಟಿವ್ ಅಥವಾ ಫಾಲ್ಸ್ ನೆಗೆಟಿವ್ ಪ್ರತಿಕ್ರಿಯೆಗಳು: Gemini ಯು ಕೆಲವು ಸರಿಯಾದ ಪ್ರಾಂಪ್ಟ್‌ಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯೆ ನೀಡದಿರಬಹುದು ಮತ್ತು ಇತರ ಕೆಲವು ಪ್ರಾಂಪ್ಟ್‌ಗಳಿಗೆ ಅನುಚಿತ ಉತ್ತರಗಳನ್ನು ನೀಡಬಹುದು.

  • ದುರುಪಯೋಗದ ಪ್ರಾಂಪ್ಟ್‌ಗಳಿಂದ ಸಂಭಾವ್ಯ ಅಪಾಯ: ಬಳಕೆದಾರರು ಅರ್ಥಹೀನ ಸೂಚನೆಗಳು ಅಥವಾ ವಾಸ್ತವ ಜಗತ್ತಿನಲ್ಲಿ ವಿರಳವಾಗಿ ಕೇಳಲಾಗುವ ಪ್ರಶ್ನೆಗಳಿಂದ Gemini ಯನ್ನು ಕಿರಿಕಿರಿಗೊಳಿಸುವ ಮಾರ್ಗಗಳನ್ನು ಕಂಡುಕೊಳ್ಳುತ್ತಲೇ ಇರುತ್ತಾರೆ.

ಈ ಪ್ರತಿಯೊಂದು ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಸುಧಾರಿತ ಪರ್ಫಾರ್ಮೆನ್ಸ್‌ಗಾಗಿ ನಾವು ಹೊಸ ವಿಧಾನಗಳು ಮತ್ತು ಕ್ಷೇತ್ರಗಳ ಎಕ್ಸ್‌ಪ್ಲೋರ್ ಮಾಡುವಿಕೆಯನ್ನು ಮುಂದುವರಿಸುತ್ತೇವೆ.

ನಿಖರತೆ

ಅಧಿಕೃತ ಮಾಹಿತಿಯ ಬಗ್ಗೆ Google ನ ತಿಳುವಳಿಕೆಯ ಆಧಾರದ ಮೇಲೆ, ನಿಮ್ಮ ಪ್ರಾಂಪ್ಟ್‌ಗೆ ಸಂದರ್ಭೋಚಿತವಾಗಿ ಪ್ರಸ್ತುತವಾಗುವ ಮತ್ತು ನಿಮ್ಮ ಹುಡುಕಾಟಕ್ಕೆ ತಕ್ಕಂತಹ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಜನರೇಟ್ ಮಾಡಲು Gemini ಗೆ ತರಬೇತಿ ನೀಡಲಾಗಿದೆ. ಆದಾಗ್ಯೂ, Gemini ಯು ಇತರ ಯಾವುದೇ LLM ಗಳಂತೆ, ಆತ್ಮವಿಶ್ವಾಸ ಮತ್ತು ಮನವೊಲಿಸುವ ಉತ್ತರಗಳನ್ನು ನೀಡಬಲ್ಲದು, ಆದರೆ ಅವುಗಳು ಕೆಲವೊಮ್ಮೆ ತಪ್ಪಾದ ಅಥವಾ ದಾರಿತಪ್ಪಿಸುವ ಮಾಹಿತಿಯನ್ನು ಒಳಗೊಂಡಿರುತ್ತವೆ.

LLM ಗಳು ಮುಂದಿನ ಪದ ಅಥವಾ ಪದಗಳ ಅನುಕ್ರಮವನ್ನು ಊಹಿಸುವ ಮೂಲಕ ಕಾರ್ಯನಿರ್ವಹಿಸುವುದರಿಂದ, ಅವು ನಿಖರ ಮತ್ತು ತಪ್ಪಾದ ಮಾಹಿತಿಯ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಗುರುತಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಈಗಲೂ ಹೊಂದಿಲ್ಲ. Gemini ತಪ್ಪು ಮಾಹಿತಿಯನ್ನು ಒದಗಿಸುವುದನ್ನು ಅಥವಾ ಸುಳ್ಳು ಮಾಹಿತಿಯನ್ನು ಸೃಷ್ಟಿಸುವುದನ್ನು ಹಾಗೂ ಅದನ್ನು ಉತ್ಪ್ರೇಕ್ಷಿಸುವುದನ್ನು ನಾವು ನೋಡಿದ್ದೇವೆ (ಉದಾಹರಣೆಗೆ, ಅದನ್ನು ಹೇಗೆ ತರಬೇತಿ ನೀಡುವುದು ಎಂಬುದರ ಕುರಿತು ದಾರಿತಪ್ಪಿಸುವ ವಿವರಣೆಗಳನ್ನು ಒದಗಿಸುವುದು ಅಥವಾ ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲದ ಪುಸ್ತಕದ ಹೆಸರನ್ನು ಸೂಚಿಸುವುದು). ಇದಕ್ಕೆ ಪ್ರತಿಕ್ರಿಯೆಯಾಗಿ ನಾವು "ಡಬಲ್ ಚೆಕ್" ನಂತಹ ಫೀಚರ್‌ಗಳನ್ನು ರಚಿಸಿದ್ದೇವೆ, ಇದು Gemini ಯ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದಕ್ಕೆ ನಿಮಗೆ ಸಹಕರಿಸುವ ಕಂಟೆಂಟ್ ಹುಡುಕಲು Google Search ಅನ್ನು ಬಳಸುತ್ತದೆ ಮತ್ತು Gemini ಯಿಂದ ನೀವು ಸ್ವೀಕರಿಸಿದ ಮಾಹಿತಿಯನ್ನು ದೃಢೀಕರಿಸುವುದಕ್ಕೆ ಸಹಾಯ ಮಾಡುವ ಸೋರ್ಸ್‌ಗಳಿಗೆ ಲಿಂಕ್‌ಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ.

ಪೂರ್ವಗ್ರಹ

ಸಾರ್ವಜನಿಕವಾಗಿ ಲಭ್ಯವಿರುವ ಸೋರ್ಸ್‌ಗಳಿಂದ ಬಂದಿರುವ ತರಬೇತಿ ಡೇಟಾವು ವೈವಿಧ್ಯಮಯ ದೃಷ್ಟಿಕೋನಗಳು ಮತ್ತು ಅಭಿಪ್ರಾಯಗಳನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ. LLM ನ ಪ್ರತಿಕ್ರಿಯೆಯು ವ್ಯಾಪಕ ಶ್ರೇಣಿಯ ದೃಷ್ಟಿಕೋನಗಳನ್ನು ಒಳಗೊಂಡಿದೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ಮತ್ತು ತಪ್ಪಾದ ತೀವ್ರ ಸಾಮಾನ್ಯೀಕರಣಗಳು ಮತ್ತು ಪೂರ್ವಗ್ರಹಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಈ ಡೇಟಾವನ್ನು ಹೇಗೆ ಬಳಸುವುದು ಎಂಬುದರ ಕುರಿತು ನಾವು ನಿರಂತರವಾಗಿ ಸಂಶೋಧನೆ ನಡೆಸುತ್ತಿದ್ದೇವೆ.

ಮಾಡಲ್ ಪ್ರಾಂಪ್ಟ್‌ಗೆ ಸಂಭವನೀಯ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಊಹಿಸಲು ಪ್ರಯತ್ನಿಸಿದಾಗ ಟ್ರೈನಿಂಗ್ ಡೇಟಾದಲ್ಲಿನ ಅಂತರಗಳು, ಪೂರ್ವಗ್ರಹಗಳು ಮತ್ತು ಅತಿಯಾದ ಸಾಮಾನ್ಯೀಕರಣವು ಔಟ್‌ಪುಟ್‌ಗಳಲ್ಲಿ ಪ್ರತಿಫಲಿಸಬಹುದು. ಸಮಸ್ಯೆಗಳು ಹಲವಾರು ವಿಧಗಳಲ್ಲಿ ಮ್ಯಾನಿಫೆಸ್ಟ್ ಆಗುವುದನ್ನು ನಾವು ನೋಡುತ್ತೇವೆ (ಉದಾ, ಕೇವಲ ಒಂದು ಸಂಸ್ಕೃತಿ ಅಥವಾ ಡೆಮೋಗ್ರಾಫಿಕ್ ಅನ್ನು ಪ್ರತಿಬಿಂಬಿಸುವ ಪ್ರತಿಕ್ರಿಯೆಗಳು, ಸಮಸ್ಯಾತ್ಮಕ ಅತಿಯಾದ ಸಾಮಾನ್ಯೀಕರಣಗಳನ್ನು ಉಲ್ಲೇಖಿಸುವುದು, ಲಿಂಗ, ಧಾರ್ಮಿಕ ಅಥವಾ ಜನಾಂಗೀಯ ಪೂರ್ವಗ್ರಹಗಳನ್ನು ತೋರಿಸುವುದು ಅಥವಾ ಒಂದೇ ದೃಷ್ಟಿಕೋನವನ್ನು ಉತ್ತೇಜಿಸುವುದು). ಕೆಲವು ವಿಷಯಗಳಿಗೆ ಡೇಟಾ ಲಭ್ಯತೆ ವಿರಳವಾಗಿರುತ್ತದೆ — ಇದರರ್ಥ LLM ನಿರ್ದಿಷ್ಟ ವಿಷಯದ ಬಗ್ಗೆ ಕಲಿಯಲು ಮತ್ತು ಗುಣಮಟ್ಟದ ಮುನ್ಸೂಚನೆಗಳನ್ನು ನೀಡಲು ಅಗತ್ಯವಿರುವ ವಿಶ್ವಾಸಾರ್ಹ ಮಾಹಿತಿಯ ಕೊರತೆಯಿದೆ — ಇದು ಕಡಿಮೆ-ಗುಣಮಟ್ಟದ ಅಥವಾ ತಪ್ಪಾದ ಪ್ರತಿಕ್ರಿಯೆಗಳಿಗೆ ಕಾರಣವಾಗಬಹುದು. Google ನ ಹೊರಗಿನ ಆಳವಾದ ಪರಿಣತಿಯನ್ನು ಬಳಸಿಕೊಳ್ಳಲು ನಾವು ಡೊಮೇನ್ ತಜ್ಞರು ಮತ್ತು ವೈವಿಧ್ಯಮಯ ಸಮುದಾಯಗಳ ಜೊತೆ ಕೆಲಸ ಮಾಡುವುದನ್ನು ಮುಂದುವರಿಸುತ್ತೇವೆ.

ಬಹು ದೃಷ್ಟಿಕೋನಗಳು

ವ್ಯಕ್ತಿನಿಷ್ಠ ವಿಷಯಗಳಿಗೆ ಸಂಬಂಧಿಸಿದಂತೆ, ಬಳಕೆದಾರರು ನಿರ್ದಿಷ್ಟ ದೃಷ್ಟಿಕೋನವನ್ನು ನಿರ್ದಿಷ್ಟವಾಗಿ ವಿನಂತಿಸದಿದ್ದರೂ ಸಹ, ಬಹು ದೃಷ್ಟಿಕೋನಗಳನ್ನು ಒಳಗೊಂಡ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಒದಗಿಸುವ ರೀತಿಯಲ್ಲಿ ನಾವು Gemini ಯನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಿದ್ದೇವೆ. ಉದಾಹರಣೆಗೆ, ಪ್ರೈಮರಿ ಸೋರ್ಸ್ ವಾಸ್ತವಿಕತೆಗಳು ಅಥವಾ ಅಧಿಕೃತ ಸೋರ್ಸ್‌ಗಳಿಂದ ದೃಢೀಕರಿಸಿದ ವಿಷಯದ ಕುರಿತಾದ ಮಾಹಿತಿಗಾಗಿ ಕೇಳಿದರೆ — ಉದಾಹರಣೆಗೆ "ಉತ್ತಮ" ಅಥವಾ "ತಪ್ಪಾದ" ಕುರಿತ ವ್ಯಕ್ತಿನಿಷ್ಠ ಅಭಿಪ್ರಾಯ — Gemini ವ್ಯಾಪಕ ಶ್ರೇಣಿಯ ದೃಷ್ಟಿಕೋನಗಳನ್ನು ಪ್ರತಿಬಿಂಬಿಸುವ ರೀತಿಯಲ್ಲಿ ಪ್ರತಿಕ್ರಿಯಿಸಬೇಕು. ಆದರೆ Gemini ಯಂತಹ LLM ಗಳು ಇಂಟರ್ನೆಟ್‌ನಲ್ಲಿ ಸಾರ್ವಜನಿಕವಾಗಿ ಲಭ್ಯವಿರುವ ಕಂಟೆಂಟ್ ಮೇಲೆ ತರಬೇತಿ ಪಡೆದಿರುವುದರಿಂದ, ಅವು ನಿರ್ದಿಷ್ಟ ರಾಜಕಾರಣಿಗಳು, ಸೆಲೆಬ್ರಿಟಿಗಳು ಅಥವಾ ಇತರ ಪ್ರಮುಖ ವ್ಯಕ್ತಿಗಳ ಸಕಾರಾತ್ಮಕ ಅಥವಾ ನಕಾರಾತ್ಮಕ ದೃಷ್ಟಿಕೋನಗಳನ್ನು ಪ್ರತಿಬಿಂಬಿಸಬಹುದು ಅಥವಾ ವಿವಾದಾತ್ಮಕ ಸಾಮಾಜಿಕ ಅಥವಾ ರಾಜಕೀಯ ಸಮಸ್ಯೆಗಳ ಬಗ್ಗೆ ಏಕಪಕ್ಷೀಯ ದೃಷ್ಟಿಕೋನಗಳನ್ನು ಮಾತ್ರ ಒಳಗೊಂಡಿರಬಹುದು. ಈ ವಿಷಯಗಳ ಬಗ್ಗೆ ನಿರ್ದಿಷ್ಟ ದೃಷ್ಟಿಕೋನವನ್ನು ಅನುಮೋದಿಸುವ ರೀತಿಯಲ್ಲಿ Gemini ಪ್ರತಿಕ್ರಿಯಿಸಬಾರದು ಮತ್ತು Gemini ಯು ಅವುಗಳಿಗೆ ಚೆನ್ನಾಗಿ ಪ್ರತಿಕ್ರಿಯಿಸುವಂತೆ ತರಬೇತಿ ನೀಡಲು ನಾವು ಈ ರೀತಿಯ ಪ್ರತಿಕ್ರಿಯೆಗಳ ಕುರಿತಾದ ಫೀಡ್‌ಬ್ಯಾಕ್ ಅನ್ನು ಬಳಸಿಕೊಳ್ಳುತ್ತೇವೆ.

ವ್ಯಕ್ತಿಗತ ಶೈಲಿ

Gemini ಕೆಲವೊಮ್ಮೆ ಪ್ರೀತಿ ಅಥವಾ ದುಃಖದಂತಹ ಅಭಿಪ್ರಾಯಗಳು ಅಥವಾ ಭಾವನೆಗಳನ್ನು ಹೊಂದಿರುವಂತೆ ಸೂಚಿಸುವ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಒದಗಿಸಬಹುದು, ಏಕೆಂದರೆ ಅದು ಮಾನವ ಅನುಭವವನ್ನು ಪ್ರತಿಬಿಂಬಿಸಲು ಜನರು ಬಳಸುವ ಭಾಷೆಯಲ್ಲಿ ತರಬೇತಿಯನ್ನು ಪಡೆದಿರುತ್ತದೆ. Gemini ಯು ತನ್ನನ್ನು ಹೇಗೆ ಪ್ರತಿನಿಧಿಸಬಹುದು (ಅಂದರೆ, ಅದರ ವ್ಯಕ್ತಿತ್ವ) ಎಂಬುದರ ಕುರಿತು ನಾವು ಮಾರ್ಗಸೂಚಿಗಳ ಸೆಟ್ ಅನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದೇವೆ ಮತ್ತು ವಸ್ತುನಿಷ್ಠ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಒದಗಿಸುವ ರೀತಿಯಲ್ಲಿ ಮಾಡಲ್ ಅನ್ನು ಇನ್ನಷ್ಟು ಉತ್ತಮವಾಗಿಸುವುದನ್ನು ಮುಂದುವರಿಸುತ್ತೇವೆ.

ಫಾಲ್ಸ್ ಪಾಸಿಟಿವ್ ಅಥವಾ ಫಾಲ್ಸ್ ನೆಗೆಟಿವ್ ಪ್ರತಿಕ್ರಿಯೆಗಳು

Gemini ಗೆ ತರಬೇತಿ ನೀಡಲು ಮತ್ತು ಸಮಸ್ಯಾತ್ಮಕ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಜನರೇಟ್ ಮಾಡದಂತೆ ತಡೆಯುವುದಕ್ಕೆ ಸಹಾಯ ಮಾಡಲು ನಾವು ನೀತಿ ಮಾರ್ಗಸೂಚಿಗಳನ್ನು ಜಾರಿಗೆ ತಂದಿದ್ದೇವೆ. Gemini ಕೆಲವೊಮ್ಮೆ ಈ ಮಾರ್ಗಸೂಚಿಗಳನ್ನು ತಪ್ಪಾಗಿ ಅರ್ಥೈಸಿಕೊಳ್ಳಬಹುದು, "ಫಾಲ್ಸ್ ಪಾಸಿಟಿವ್" ಮತ್ತು "ಫಾಲ್ಸ್ ನೆಗೆಟಿವ್" ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಜನರೇಟ್ ಮಾಡಬಹುದು. "ಫಾಲ್ಸ್ ಪಾಸಿಟಿವ್" ಪ್ರತಿಕ್ರಿಯೆ ಇದ್ದರೆ, Gemini ಸಮಂಜಸವಾದ ಪ್ರಾಂಪ್ಟ್‌ಗೆ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ನೀಡದಿರಬಹುದು, ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಸೂಕ್ತವಲ್ಲ ಎಂದು ತಪ್ಪಾಗಿ ಅರ್ಥೈಸಿಕೊಳ್ಳಬಹುದು; ಮತ್ತು "ಫಾಲ್ಸ್ ನೆಗೆಟಿವ್" ಪ್ರತಿಕ್ರಿಯೆ ಇದ್ದರೆ, ಮಾರ್ಗಸೂಚಿಗಳು ಜಾರಿಯಲ್ಲಿದ್ದರೂ, Gemini ತಪ್ಪಾದ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಜನರೇಟ್ ಮಾಡಬಹುದು. ಕೆಲವೊಮ್ಮೆ, ಫಾಲ್ಸ್ ಪಾಸಿಟಿವ್ ಅಥವಾ ಫಾಲ್ಸ್ ನೆಗೆಟಿವ್ ಪ್ರತಿಕ್ರಿಯೆಗಳಿಂದಾಗಿ Gemini ಪೂರ್ವಗ್ರಹ ಎಂಬುದಾಗಿ ಅನಿಸಬಹುದು: ಉದಾಹರಣೆಗೆ, ಫಾಲ್ಸ್ ಪಾಸಿಟಿವ್ ಪ್ರತಿಕ್ರಿಯೆಯಿಂದಾಗಿ ವಿಷಯವೊಂದರ ಕುರಿತು Gemini ಒಂದು ದೃಷ್ಟಿಕೋನವನ್ನು ಪ್ರತಿಕ್ರಿಯಿಸದೇ ಇರಬಹುದು, ಇದೇ ವೇಳೆ ಅದೇ ಪ್ರಶ್ನೆಯ ಮತ್ತೊಂದು ದೃಷ್ಟಿಕೋನದ ಕುರಿತಾಗಿ ಪ್ರತಿಕ್ರಿಯಿಸಬಹುದು. ಭಾಷೆ, ಈವೆಂಟ್‌ಗಳು ಮತ್ತು ಸಮಾಜವು ವೇಗವಾಗಿ ವಿಕಸನಗೊಳ್ಳುತ್ತಿದ್ದಂತೆ ಇನ್‌ಪುಟ್‌ಗಳು ಮತ್ತು ಔಟ್‌ಪುಟ್‌ಗಳನ್ನು ಚೆನ್ನಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಮತ್ತು ವರ್ಗೀಕರಿಸಲು ನಾವು ಈ ಮಾಡಲ್‌ಗಳ ಟ್ಯೂನ್ ಮಾಡುವಿಕೆಯನ್ನು ಮುಂದುವರಿಸುತ್ತೇವೆ.

ದುರ್ವಿನಿಯೋಗ ಪ್ರಾಂಪ್ಟ್‌ನಿಂದ ಅಪಾಯದ ಸಾಧ್ಯತೆ

ಬಳಕೆದಾರರು Gemini ಯ ಸಾಮರ್ಥ್ಯಗಳ ಮಿತಿಗಳನ್ನು ಪರೀಕ್ಷಿಸುತ್ತಾರೆ ಮತ್ತು ತರಬೇತಿ ಪ್ರೊಟೊಕಾಲ್‌ಗಳು ಅಥವಾ ಇತರ ಮಾಹಿತಿಯನ್ನು ಬಹಿರಂಗಪಡಿಸಲು ಪ್ರಯತ್ನಿಸುವುದು ಅಥವಾ ಅದರ ಸುರಕ್ಷತಾ ಕಾರ್ಯವಿಧಾನಗಳನ್ನು ತಪ್ಪಿಸುವುದು ಸೇರಿದಂತೆ ಅದರ ಸುರಕ್ಷತಾ ಕ್ರಮಗಳನ್ನು ಭೇದಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಾರೆ ಎಂದು ನಾವು ನಿರೀಕ್ಷಿಸುತ್ತೇವೆ. ನಾವು Gemini ಯನ್ನು ಕಟ್ಟುನಿಟ್ಟಾಗಿ ಪರೀಕ್ಷಿಸಿದ್ದೇವೆ ಹಾಗೂ ಪರೀಕ್ಷೆ ಮಾಡುತ್ತಲಿರುತ್ತೇವೆ, ಆದರೆ ಬಳಕೆದಾರರು ಅದನ್ನು ಮತ್ತಷ್ಟು ಒತ್ತಡ-ಪರೀಕ್ಷೆಗೆ ಒಳಪಡಿಸಲು ಅನನ್ಯ, ಸಂಕೀರ್ಣ ಮಾರ್ಗಗಳನ್ನು ಕಂಡುಕೊಳ್ಳುತ್ತಾರೆ ಎಂಬುದು ನಮಗೆ ತಿಳಿದಿದೆ. ಇದು Gemini ಯನ್ನು ರೀಫೈನ್ ಮಾಡುವುದರ ಪ್ರಮುಖ ಭಾಗವಾಗಿದೆ ಮತ್ತು ಬಳಕೆದಾರರು ನೀಡುವ ಹೊಸ ಪ್ರಾಂಪ್ಟ್‌ಗಳನ್ನು ಕಲಿಯಲು ನಾವು ಎದುರು ನೋಡುತ್ತಿದ್ದೇವೆ. ವಾಸ್ತವವಾಗಿ, 2023 ರಲ್ಲಿ Gemini ಪ್ರಾರಂಭವಾದಾಗಿನಿಂದ, ಬಳಕೆದಾರರು ತಾತ್ವಿಕದಿಂದ ಹಿಡಿದು ಅಸಂಬದ್ಧವರೆಗಿನ ಪ್ರಾಂಪ್ಟ್‌ಗಳ ಮೂಲಕ ಅದಕ್ಕೆ ಸವಾಲು ಹಾಕುವುದನ್ನು ನಾವು ನೋಡಿದ್ದೇವೆ – ಮತ್ತು ಕೆಲವು ಸಂದರ್ಭಗಳಲ್ಲಿ, Gemini ಅಷ್ಟೇ ಅಸಂಬದ್ಧ ಅಥವಾ ನಮ್ಮ ಹೇಳಿಕೆ ವಿಧಾನಕ್ಕೆ ಹೊಂದಾಣಿಕೆಯಾಗದ ಅಸಮಂಜಸ ಉತ್ತರಗಳಿಂದ ಪ್ರತಿಕ್ರಿಯಿಸುವುದನ್ನು ನಾವು ನೋಡಿದ್ದೇವೆ. ಈ ರೀತಿಯ ಪ್ರಚೋದನೆಗಳಿಗೆ Gemini ಪ್ರತಿಕ್ರಿಯಿಸಲು ಸಹಾಯ ಮಾಡುವ ಮಾರ್ಗಗಳನ್ನು ಕಂಡುಕೊಳ್ಳುವುದು ನಿರಂತರ ಸವಾಲಾಗಿದೆ, ಮತ್ತು ನಿಖರತೆ, ವಸ್ತುನಿಷ್ಠತೆ ಮತ್ತು ಸೂಕ್ಷ್ಮ ವ್ಯತ್ಯಾಸಗಳನ್ನು ನಿರಂತರವಾಗಿ ಸುಧಾರಿಸಲು ನಾವು ನಮ್ಮ ಆಂತರಿಕ ಮೌಲ್ಯಮಾಪನಗಳು ಮತ್ತು Red-ಟೀಮಿಂಗ್ ಅನ್ನು ವಿಕಸನ ಮಾಡುತ್ತಲೇ ಇದ್ದೇವೆ.

ನಾವು Gemini ಯನ್ನು ಹೇಗೆ ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತಿದ್ದೇವೆ

ನಮ್ಮ Gemini ವಿಧಾನವನ್ನು ಬಳಸುವುದು

ನಮ್ಮ AI ತತ್ವಗಳ ಜೊತೆಗೆ, Gemini ಯಲ್ಲಿ ಕೆಲಸ ಮಾಡಲು ನಮ್ಮ ವಿಧಾನವನ್ನು ನಾವು ಇತ್ತೀಚೆಗೆ ಸ್ಪಷ್ಟಪಡಿಸಿದ್ದೇವೆ: Gemini ನಿಮ್ಮ ಸೂಚನೆಗಳನ್ನು ಅನುಸರಿಸಬೇಕು, ನಿಮ್ಮ ಅಗತ್ಯಗಳಿಗೆ ತಕ್ಕಂತೆ ಹೊಂದಿಕೊಳ್ಳಬೇಕು ಮತ್ತು ನಿಮ್ಮ ಅನುಭವವನ್ನು ಕಾಪಾಡಿಕೊಳ್ಳಬೇಕು. ನಮ್ಮ ವಿಧಾನದ ಮೂಲ ಅಂಶವೆಂದರೆ ಜವಾಬ್ದಾರಿ ಮತ್ತು ಸುರಕ್ಷತೆಯ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುವುದು. Gemini ಯ ನೀತಿ ಮಾರ್ಗಸೂಚಿಗಳು ಕೆಲವು ರೀತಿಯ ಸಮಸ್ಯಾತ್ಮಕ ಔಟ್‌ಪುಟ್‌ಗಳನ್ನು ನೀಡದಂತೆ ತಡೆಯಲು ಪ್ರಯತ್ನಿಸುತ್ತವೆ. ಉತ್ಪನ್ನ ಪರಿಣಿತರು ಮತ್ತು ಸಾಮಾಜಿಕ ವಿಜ್ಞಾನಿಗಳು ಸೇರಿದಂತೆ "Red ತಂಡ" ಸದಸ್ಯರ ಸಹಾಯದಿಂದ ನಾವು ಪ್ರತಿಕೂಲ ಪರೀಕ್ಷೆಗಳನ್ನು ನಡೆಸುತ್ತಿದ್ದೇವೆ — ಅವರು ಈ ನೀತಿ ಮಾರ್ಗಸೂಚಿಗಳು ಮತ್ತು Gemini ಗೆ ನಮ್ಮ ನಾರ್ತ್‌ಸ್ಟಾರ್ ವಿಧಾನಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ಅಲೈನ್‌ಮೆಂಟ್ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಶೀಲಿಸಲು ಮಾಡಲ್ ಅನ್ನು ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ಒತ್ತಿಹೇಳುತ್ತಾರೆ — ಇದರಿಂದ ನಾವು ಅವರು ಕಲಿಯುವುದನ್ನು ಅನ್ವಯಿಸಬಹುದು ಮತ್ತು Gemini ಯ ಸುಧಾರಣೆಯನ್ನು ಮುಂದುವರಿಸಬಹುದು.

ನಾವು Gemini ಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವಾಗ ಗೌಪ್ಯತೆಯು ಸಹ ಒಂದು ಪ್ರಮುಖ ಪರಿಗಣನೆಯಾಗಿದೆ. Gemini ಆ್ಯಪ್‌ಗಳ ಗೌಪ್ಯತಾ ಹಬ್‌ನಲ್ಲಿ ನಾವು ವಿನ್ಯಾಸಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಗೌಪ್ಯತೆ ಮತ್ತು ನಿಮ್ಮ ನಿಯಂತ್ರಣಕ್ಕೆ ತಕ್ಕಂತೆ Gemini ಯನ್ನು ಹೇಗೆ ನಿರ್ಮಿಸಿದ್ದೇವೆ ಎಂಬುದರ ಕುರಿತು ಹೆಚ್ಚಿನ ಮಾಹಿತಿ ಇದೆ.

ಬಳಕೆದಾರ ಮತ್ತು ಪ್ರಕಾಶಕರ ನಿಯಂತ್ರಣವನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುವುದು

ನಿಮ್ಮ Gemini ಡೇಟಾವನ್ನು ಪರಿಶೀಲಿಸಲು, ಅಪ್‌ಡೇಟ್ ಮಾಡಲು, ನಿರ್ವಹಿಸಲು, ಎಕ್ಸ್‌ಪೋರ್ಟ್ ಮಾಡಲು ಮತ್ತು ಅಳಿಸಲು ನಾವು ಸುಲಭವಾಗಿ ಆ್ಯಕ್ಸೆಸ್ ಮಾಡಬಹುದಾದ ವಿವಿಧ Gemini ಬಳಕೆದಾರ ಕಂಟ್ರೋಲ್‌ಗಳನ್ನು ನಿರ್ಮಿಸಿದ್ದೇವೆ. Gemini ಆ್ಯಪ್‌ಗಳ ಚಟುವಟಿಕೆ ನಿಯಂತ್ರಣದ ಮೂಲಕ ನಿಮ್ಮ Gemini ಪ್ರಾಂಪ್ಟ್‌ಗಳು, ಪ್ರತಿಕ್ರಿಯೆಗಳು ಮತ್ತು ಫೀಡ್‌ಬ್ಯಾಕ್ ಅನ್ನು ನೀವು ಆ್ಯಕ್ಸೆಸ್ ಮಾಡಬಹುದು ಮತ್ತು ಪರಿಶೀಲಿಸಬಹುದು. ಹೆಚ್ಚುವರಿಯಾಗಿ, ನಿಮ್ಮ Gemini ಆ್ಯಪ್‌ಗಳ ಚಟುವಟಿಕೆ ಸೆಟ್ಟಿಂಗ್ ಅನ್ನು ಆಫ್ ಮಾಡುವ ಮೂಲಕ ನೀವು ಭವಿಷ್ಯದಲ್ಲಿ ಮಾಡುವ Gemini ಚಾಟ್‌ಗಳನ್ನು Google ಮಷಿನ್ ಲರ್ನಿಂಗ್ ತಂತ್ರಜ್ಞಾನಗಳನ್ನು ಸುಧಾರಿಸಲು ಬಳಸದಂತೆ ನೀವು ತಡೆಯಬಹುದು. ಹಾಗೂ ಇತರ Google ಸೇವೆಗಳ ರೀತಿಯಲ್ಲೇ, ನೀವು Google ನ Takeout ಟೂಲ್ ಮೂಲಕ ನಿಮ್ಮ ಮಾಹಿತಿಯನ್ನು ಡೌನ್‌ಲೋಡ್ ಮಾಡಬಹುದು ಮತ್ತು ಎಕ್ಸ್‌ಪೋರ್ಟ್ ಮಾಡಬಹುದು. ನಿಮ್ಮ Gemini ಥ್ರೆಡ್‌ಗಳಿಗೆ ನೀವು ರಚಿಸಿದ ಸಾರ್ವಜನಿಕ ಲಿಂಕ್‌ಗಳನ್ನು ನಿರ್ವಹಿಸಲು ನಿಮಗೆ ಅನುಮತಿಸುವ ಕಂಟ್ರೋಲ್‌ಗಳು ಮತ್ತು ಎಕ್ಸ್‌ಟೆನ್ಶನ್‌ಗಳಿಗೆ ಇರುವ ಆ್ಯಕ್ಸೆಸ್ ಅನ್ನು ಆನ್/ಆಫ್ ಮಾಡಲು ನಿಮಗೆ ಅನುಮತಿಸುವ ಕಟ್ರೋಲ್‌ಗಳು ಸಹ ನಮ್ಮ ಬಳಿ ಇವೆ (ಉದಾ, Workspace, Maps, YouTube). Gemini ಯ ಪ್ರತಿಕ್ರಿಯೆಗಳ ಮೇಲೆ ನಿಮಗೆ ಹೆಚ್ಚಿನ ನಿಯಂತ್ರಣವನ್ನು ನೀಡಲು ನಾವು ಹೊಸ ವಿಧಾನಗಳನ್ನು ಅನ್ವೇಷಿಸುತ್ತಿದ್ದೇವೆ, ಇದರಲ್ಲಿ ವ್ಯಾಪಕ ಶ್ರೇಣಿಯ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಲು ಫಿಲ್ಟರ್‌ಗಳನ್ನು ಹೊಂದಿಸುವುದು ಸೇರಿದೆ.

ಪ್ರಕಾಶಕರಿಗಾಗಿ, ನಾವು Google-Extended ಅನ್ನು ಪ್ರಾರಂಭಿಸಿದ್ದೇವೆ, ಇದು ವೆಬ್ ಪ್ರಕಾಶಕರು ತಮ್ಮ ಸೈಟ್‌ಗಳು Gemini ಮತ್ತು Vertex AI ಜನರೇಟಿವ್ API ಗಳನ್ನು ಸುಧಾರಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆಯೇ ಎಂಬುದನ್ನು ನಿರ್ವಹಿಸಲು ಬಳಸಬಹುದಾದ ಕಂಟ್ರೋಲ್ ಆಗಿದೆ. ಸೈಟ್‌ಗಳ ಕಂಟೆಂಟ್‌ಗೆ Google-Extended ಆ್ಯಕ್ಸೆಸ್ ಅನುಮತಿಸುವುದರಿಂದ AI ಮಾಡಲ್‌ಗಳು ಕಾಲಾನಂತರದಲ್ಲಿ ಹೆಚ್ಚು ನಿಖರ ಮತ್ತು ಸಮರ್ಥವಾಗಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಮಾಡಲ್ ತರಬೇತಿಯನ್ನು ಸಕ್ರಿಯಗೊಳಿಸದ URL ಗಳಿಂದ ಕಂಟೆಂಟ್ ಅನ್ನು ಬಳಸದಿರುವುದರ ಜೊತೆಗೆ, Gemini ಅಂತಹ ಕಂಟೆಂಟ್ ಅನ್ನು ಗ್ರೌಂಡಿಂಗ್‌ಗಾಗಿ ಬಳಸುವುದಿಲ್ಲ. AI ಅಪ್ಲಿಕೇಶನ್‌ಗಳು ವಿಸ್ತರಿಸಿದಂತೆ, ವಿವಿಧ ಉಪಯೋಗಗಳನ್ನು ನಿರ್ವಹಿಸುವ ಕಾರ್ಯವು ವೆಬ್ ಪ್ರಕಾಶಕರಿಗೆ ಹೆಚ್ಚು ಕಷ್ಟಕರವಾಗುವ ಸಾಧ್ಯತೆಯಿದೆ ಹಾಗೂ ಹೆಚ್ಚು ಯಂತ್ರ-ಓದಬಲ್ಲ ರೀತಿಯಲ್ಲಿ ಆಯ್ಕೆ ಮತ್ತು ಕಂಟ್ರೋಲ್ ಅನ್ನು ಒದಗಿಸುವ ಮಾರ್ಗಗಳನ್ನು ಕಂಡುಕೊಳ್ಳಲು ನಾವು ವೆಬ್ ಮತ್ತು AI ಸಮುದಾಯಗಳೊಂದಿಗೆ ತೊಡಗಿಸಿಕೊಳ್ಳಲು ನಾವು ಬದ್ಧರಾಗಿದ್ದೇವೆ.

Improving Gemini together

ತ್ವರಿತ ಇಟರೇಶನ್‌ನಲ್ಲಿ ಹಾಗೂ Gemini ನ ಅತ್ಯುತ್ತಮ ಸ್ವರೂಪವನ್ನು ಜಗತ್ತಿನೆದುರು ಪ್ರಸ್ತುತಪಡಿಸುವುದರಲ್ಲಿ ನಾವು ನಂಬಿಕೆ ಇರಿಸಿದ್ದೇವೆ. ಬಳಕೆದಾರರ ಫೀಡ್‌ಬ್ಯಾಕ್ ನಮ್ಮ ಮಾಡಲ್‌ಗಳ ಸುಧಾರಣೆಗಳನ್ನು ವೇಗಗೊಳಿಸಿದೆ. ಉದಾಹರಣೆಗೆ, ನಮ್ಮ ಮಾಡಲ್‌ಗಳನ್ನು ಹೆಚ್ಚು ಅರ್ಥಗರ್ಭಿತ ಮತ್ತು ಕಾಲ್ಪನಿಕವಾಗಿರಿಸಲು ಹಾಗೂ ಉತ್ತಮ ಗುಣಮಟ್ಟ ಮತ್ತು ನಿಖರತೆಯೊಂದಿಗೆ ಪ್ರತಿಕ್ರಿಯಿಸುವುದಕ್ಕೆ ತರಬೇತಿ ನೀಡಲು ನಾವು ಅತ್ಯಾಧುನಿಕ ಬಲವರ್ಧನೆ ಕಲಿಕಾ ತಂತ್ರಗಳನ್ನು ಬಳಸುತ್ತೇವೆ. Gemini ಯ ಮಾಡಲ್ ಟ್ರೈನಿಂಗ್ ಮತ್ತು ಟ್ಯೂನಿಂಗ್ ತಂತ್ರಗಳನ್ನು ಸುಧಾರಿಸಲು ಹಾಗೂ ಸುಧಾರಿತ AI ಅಸಿಸ್ಟೆಂಟ್‌ಗಳ ನೀತಿಗಳ ಕುರಿತಾದ ಈ ಇತ್ತೀಚಿನ ಲೇಖನ ರಚಿಸಿದಂತಹ ಸಂಶೋಧಕರ ಜೊತೆ ನಮ್ಮ ಕಲಿಕೆಗಳನ್ನು ಹಂಚಿಕೊಳ್ಳಲು, LLM ಗಳ ತಾಂತ್ರಿಕ, ಸಾಮಾಜಿಕ ಮತ್ತು ನೈತಿಕ ಸವಾಲುಗಳು ಮತ್ತು ಅವಕಾಶಗಳ ಬಗ್ಗೆ ಇನ್ನಷ್ಟು ತಿಳಿಯುವುದಕ್ಕಾಗಿ ನಾವು ಸಂಶೋಧನೆಗೆ ಹೂಡಿಕೆ ಮಾಡುವುದನ್ನು ಮುಂದುವರಿಸಿದ್ದೇವೆ. ಈ ಕ್ಷೇತ್ರದಲ್ಲಿ ಜವಾಬ್ದಾರಿಯುತವಾಗಿ ನಾವೀನ್ಯತೆಯನ್ನು ಕಂಡುಕೊಳ್ಳಲು, ಬಳಕೆದಾರರು, ವಿಶ್ವಾಸಾರ್ಹ ಪರೀಕ್ಷಕರು ಮತ್ತು ಸಂಶೋಧಕರೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಲು ನಾವು ಬದ್ಧರಾಗಿದ್ದೇವೆ, ಈ ಹೊಸ ತಂತ್ರಜ್ಞಾನದ ಮೂಲಕ ಇಡೀ ಪರಿಸರ ವ್ಯವಸ್ಥೆಗೆ ಪ್ರಯೋಜನವನ್ನು ನೀಡುವ ಮಾರ್ಗಗಳನ್ನು ಕಂಡುಕೊಳ್ಳುತ್ತೇವೆ.

ಪಾರದರ್ಶಕತೆ ಎಂಬುದು ಮುಖ್ಯ ಮತ್ತು ನಾವು Gemini ಯ ಅಭಿವೃದ್ಧಿ ಪ್ರಕ್ರಿಯೆ ಮತ್ತು ಮಿತಿಗಳ ಬಗ್ಗೆ ಮುಕ್ತವಾಗಿರಲು ಬದ್ಧರಾಗಿದ್ದೇವೆ. Gemini ಎಂಬುದು ಮ್ಯಾಜಿಕಲ್ ಬ್ಲ್ಯಾಕ್ ಬಾಕ್ಸ್ ಅಲ್ಲ; ಇದು ನಿರಂತರವಾಗಿ ವಿಕಸನಗೊಳ್ಳುತ್ತಿದೆ ಹಾಗೂ ನಮ್ಮ ಪ್ರಗತಿಯ ಕುರಿತು ಅಪ್‌ಡೇಟ್‌ಗಳನ್ನು ಹಂಚಿಕೊಳ್ಳುವುದನ್ನು ನಾವು ಮುಂದುವರಿಸುತ್ತೇವೆ. ನಾವು ಬಿಡುಗಡೆ ಅಪ್‌ಡೇಟ್‌ಗಳು ಪುಟವನ್ನು ಪ್ರಾರಂಭಿಸಿದ್ದೇವೆ, ಇದರಿಂದ ನೀವು Gemini ಯ ಇತ್ತೀಚಿನ ಫೀಚರ್‌ಗಳು, ಸುಧಾರಣೆಗಳು ಮತ್ತು ಬಗ್ ಫಿಕ್ಸ್‌ಗಳನ್ನು ನೋಡಬಹುದು ಮತ್ತು ಅಗತ್ಯಕ್ಕೆ ತಕ್ಕಂತೆ ನಾವು ಈ ಅವಲೋಕನವನ್ನು ಅಪ್‌ಡೇಟ್ ಮಾಡುತ್ತೇವೆ. Gemini ಎಲ್ಲಿ ಉಪಯುಕ್ತ ಮತ್ತು ಪರಿಣಾಮಕಾರಿ, ಮತ್ತು ಅದನ್ನು ಉತ್ತಮಗೊಳಿಸಲು ನಿರಂತರ ಸುಧಾರಣೆ ಎಲ್ಲಿ ಅಗತ್ಯವಿದೆ ಎಂಬುದನ್ನು ನಾವು ಗುರುತಿಸುತ್ತೇವೆ. ನಾವು ಹೊಸ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಸಕ್ರಿಯವಾಗಿ ಸೇರಿಸುತ್ತಿದ್ದೇವೆ ಮತ್ತು ನಿರಂತರ ಸಂಶೋಧನೆ, ಪರೀಕ್ಷೆ ಮತ್ತು ಬಳಕೆದಾರರ ಪ್ರತಿಕ್ರಿಯೆಯ ಮೂಲಕ, Gemini ಯನ್ನು ಒಟ್ಟಾಗಿ ಸುಧಾರಿಸಲು ನಾವು ಎದುರು ನೋಡುತ್ತಿದ್ದೇವೆ.

ಸ್ವೀಕೃತಿಗಳು

Gemini ಆ್ಯಪ್ ತಂಡ, Google DeepMind, ನಂಬಿಕೆ ಮತ್ತು ಸುರಕ್ಷತೆ ಹಾಗೂ Google Research ನಲ್ಲಿರುವ ನಮ್ಮ ಸಹೋದ್ಯೋಗಿಗಳ ಅದ್ಭುತ ಕೆಲಸವನ್ನು ನಾವು ಪ್ರಶಂಸಿಸುತ್ತೇವೆ ಮತ್ತು ಅಂಗೀಕರಿಸುತ್ತೇವೆ.

ಲೇಖಕರು

ಜೇಮ್ಸ್ ಮಾನ್ಯಿಕಾ
SVP, ಸಂಶೋಧನೆ, ತಂತ್ರಜ್ಞಾನ ಮತ್ತು ಸಮಾಜ

ಸಿಸ್ಸಿ ಹ್ಸಿಯಾವೊ
ಉಪಾಧ್ಯಕ್ಷರು ಮತ್ತು ಜನರಲ್ ಮ್ಯಾನೇಜರ್, Google Assistant ಮತ್ತು Gemini ಆ್ಯಪ್

ಎಡಿಟರ್‌ನ ಟಿಪ್ಪಣಿ

ಇದು ಸಾರ್ವಕಾಲಿಕ ಡಾಕ್ಯುಮೆಂಟ್ ಆಗಿದ್ದು, Gemini ಆ್ಯಪ್‌ನ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ನಾವು ತ್ವರಿತವಾಗಿ ಸುಧಾರಿಸುವುದರಿಂದ ಮತ್ತು LLM ಗಳಲ್ಲಿ ಸ್ವಾಭಾವಿಕವಾಗಿ ಉದ್ಭವಿಸುವ ಮಿತಿಗಳನ್ನು ಪರಿಹರಿಸುವುದರಿಂದ ನಾವು ಕಾಲ ಕಾಲಕ್ಕೆ ಇದನ್ನು ಅಪ್‌ಡೇಟ್ ಮಾಡುತ್ತಿರುತ್ತೇವೆ. ಈ ಅವಲೋಕನವನ್ನು ಕೊನೆಯದಾಗಿ 25 ಜುಲೈ, 2024 ರಂದು ಅಪ್‌ಡೇಟ್ ಮಾಡಲಾಗಿದೆ. Gemini ಆ್ಯಪ್‌ನ ಇತ್ತೀಚಿನ ಅಪ್‌ಡೇಟ್‌ಗಳಿಗಾಗಿ, ಬಿಡುಗಡೆ ಅಪ್‌ಡೇಟ್‌ಗಳು ಲಾಗ್‌ಗೆ ಭೇಟಿ ನೀಡಿ ಅಥವಾ Google ಕೀವರ್ಡ್ ಬ್ಲಾಗ್ ನಲ್ಲಿ ಇನ್ನಷ್ಟು ಓದಿ.

Gemini ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ

1 ಪ್ರೀ-ಟ್ರೈನಿಂಗ್

Gemini ಯು Google ನ ಅತ್ಯಂತ ಸಮರ್ಥ AI ಮಾಡಲ್‌ಗಳಿಂದ ಚಾಲಿತವಾಗಿದ್ದು, ವಿಭಿನ್ನ ಸಾಮರ್ಥ್ಯಗಳು ಮತ್ತು ಬಳಕೆಯ ಸಂದರ್ಭಗಳನ್ನು ಗಮನದಲ್ಲಿಟ್ಟುಕೊಂಡು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. ಇತ್ತೀಚಿನ ದಿನಗಳಲ್ಲಿ ಇತರ LLM ಗಳಂತೆ, ಈ ಮಾಡಲ್‌ಗಳನ್ನು ಸಾರ್ವಜನಿಕವಾಗಿ ಲಭ್ಯವಿರುವ ಸೋರ್ಸ್‌ಗಳಿಂದ ಪಡೆದ ವಿವಿಧ ಡೇಟಾವನ್ನು ಆಧರಿಸಿ ಪ್ರೀ-ಟ್ರೈನ್ ನೀಡಲಾಗಿದೆ. ನಾವು ಎಲ್ಲಾ ಡೇಟಾ-ಸೆಟ್‌ಗಳಿಗೆ ಗುಣಮಟ್ಟದ ಫಿಲ್ಟರ್‌ಗಳನ್ನು ಅನ್ವಯಿಸುತ್ತೇವೆ, ಹ್ಯೂರಿಸ್ಟಿಕ್ ನಿಯಮಗಳು ಮತ್ತು ಮಾಡಲ್-ಆಧಾರಿತ ವರ್ಗೀಕರಣಗಳನ್ನು ಬಳಸುತ್ತೇವೆ. ನಿಯಮಾವಳಿ ಉಲ್ಲಂಘನೆ ಮಾಡುವ ಔಟ್‌ಪುಟ್‌ಗಳನ್ನು ಉತ್ಪಾದಿಸಬಹುದಾದ ಕಂಟೆಂಟ್ ಅನ್ನು ತೆಗೆದುಹಾಕಲು ನಾವು ಸುರಕ್ಷತಾ ಫಿಲ್ಟರಿಂಗ್ ಅನ್ನು ಸಹ ನಿರ್ವಹಿಸುತ್ತೇವೆ. ಮಾಡಲ್ ಮೌಲ್ಯಮಾಪನಗಳ ಇಂಟಿಗ್ರಿಟಿಯನ್ನು ಕಾಪಾಡಿಕೊಳ್ಳುವ ಸಲುವಾಗಿ, ತರಬೇತಿಗೆ ಡೇಟಾವನ್ನು ಬಳಸುವ ಮೊದಲು ನಮ್ಮ ತರಬೇತಿ ಕಾರ್ಪಸ್‌ನಲ್ಲಿರುವ ಯಾವುದೇ ಮೌಲ್ಯಮಾಪನ ಡೇಟಾವನ್ನು ನಾವು ಹುಡುಕುತ್ತೇವೆ ಮತ್ತು ತೆಗೆದುಹಾಕುತ್ತೇವೆ. ಸಣ್ಣ ಮಾಡಲ್‌ಗಳಲ್ಲಿ ಅಬ್ಲೇಶನ್‌ಗಳ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಬಳಸುವ ಮೂಲಕ, ಅಂತಿಮವಾಗಿ ಯಾವ ಡೇಟಾದ ಸಂಯೋಜನೆಗಳು ಮತ್ತು ಎಷ್ಟು ಬಳಸಬೇಕೆಂದು ನಿರ್ಧರಿಸಲಾಗುತ್ತದೆ. ತರಬೇತಿಯ ಸಮಯದಲ್ಲಿ ಅಗತ್ಯವಿರುವಂತೆ ಬದಲಾವಣೆಗಳನ್ನು ಮಾಡಲು ಅನುವು ಮಾಡಿಕೊಡುವ ರೀತಿಯಲ್ಲಿ ತರಬೇತಿಗಾಗಿ ಡೇಟಾ ಸೆಟ್‌ನ ಮಿಶ್ರ ಸಂಯೋಜನೆಯನ್ನು ನಾವು ಹೊಂದಿಸುತ್ತೇವೆ – ಡೇಟಾ ಹೆಚ್ಚು ಡೊಮೇನ್-ಸಂಬಂಧಿತವಾಗಿದ್ದರೆ, ತರಬೇತಿ ಮುಂದುವರಿದಂತೆ ಅದನ್ನು ಸೇರಿಸುವ ಸಾಧ್ಯತೆ ಹೆಚ್ಚು. ಹೆಚ್ಚಿನ ಕಾರ್ಯಕ್ಷಮತೆಯ ಮಾಡಲ್‌ಗಳಿಗೆ ಡೇಟಾ ಗುಣಮಟ್ಟವು ನಿರ್ಣಾಯಕ ಅಂಶವಾಗಬಹುದು ಮತ್ತು ಪ್ರೀ-ಟ್ರೈನಿಂಗ್‌ಗಾಗಿ ಸೂಕ್ತ ಡೇಟಾಸೆಟ್ ವಿತರಣೆಯನ್ನು ಕಂಡುಹಿಡಿಯುವಲ್ಲಿ ಹಲವು ಆಸಕ್ತಿದಾಯಕ ಸವಾಲುಗಳನ್ನು ಪರಿಹರಿಸಬೇಕಾಗಿದೆ ಎಂದು ನಾವು ನಂಬುತ್ತೇವೆ.

ಈ ಪ್ರೀ-ಟ್ರೈನಿಂಗ್‌ನ ಮೂಲಕ, ಮಾಡಲ್ ಭಾಷೆಯಲ್ಲಿ ಪ್ಯಾಟರ್ನ್‌ಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲು ಕಲಿಯುತ್ತದೆ ಮತ್ತು ಇವುಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಅನುಕ್ರಮದಲ್ಲಿ ಮುಂದೆ ಯಾವ ಪದ ಕಾಣಿಸಿಕೊಳ್ಳುವ ಸಾಧ್ಯತೆಯಿದೆ ಎಂಬುದನ್ನು ಊಹಿಸುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, LLM ಕಲಿತಂತೆ, "ಕಡಲೆಕಾಯಿ ಬೆಣ್ಣೆ ಮತ್ತು ___" ನಲ್ಲಿರುವ ಮುಂದಿನ ಪದವು "ಶೂಲೇಸ್" ಗಿಂತ "ಜೆಲ್ಲಿ" ಆಗಿರುವ ಸಾಧ್ಯತೆ ಹೆಚ್ಚು ಎಂದು ಅದು ಊಹಿಸಬಹುದು. ಆದಾಗ್ಯೂ, LLM ಮುಂದಿನ ಪದವನ್ನು ಮಾತ್ರ ಆರಿಸಿದರೆ, ಅದು ಕಡಿಮೆ ಸೃಜನಶೀಲ ಪ್ರತಿಕ್ರಿಯೆಗಳಿಗೆ ಕಾರಣವಾಗುತ್ತದೆ. ಆದ್ದರಿಂದ LLM ನಿಮಗೆ ಹಲವಾರು ಸಮಂಜಸ ಆಯ್ಕೆಗಳಿಂದ ಸಂಭವನೀಯ ಪದವನ್ನು (ಉದಾ, "ಬಾಳೆಹಣ್ಣು") ಆಯ್ಕೆ ಮಾಡಲು ಅನುಕೂಲವನ್ನು ನೀಡುತ್ತದೆ, ಅದು ಮುಂದಿನ ಪದವಾಗುವ ಸಾಧ್ಯತೆ ಸ್ವಲ್ಪ ಕಡಿಮೆ ಇದ್ದರೂ ಸಹ, ಇದರಿಂದಾಗಿ ಹೆಚ್ಚು ಆಸಕ್ತಿದಾಯಕ ಉತ್ತರಗಳನ್ನು ಜನರೇಟ್ ಮಾಡಲಾಗುತ್ತದೆ. LLM ಗಳು ಕೆಲವೊಮ್ಮೆ ವಾಸ್ತವಿಕ ಪ್ರಾಂಪ್ಟ್‌ಗಳಿಗೆ ಉತ್ತಮ ಉತ್ತರಗಳನ್ನು ನೀಡಬಹುದು ಮತ್ತು ಮಾಹಿತಿಯನ್ನು ಮರುಪಡೆಯುವ ಇಂಪ್ರೆಷನ್ ರಚಿಸಬಲ್ಲವು, ಆದರೆ ಅವು ಮಾಹಿತಿ ಡೇಟಾಬೇಸ್‌ಗಳಲ್ಲ ಅಥವಾ ಡಿಟರ್ಮಿನಿಸ್ಟಿಕ್ ಮಾಹಿತಿ ಪಡೆದುಕೊಳ್ಳುವಿಕೆ ಸಿಸ್ಟಂಗಳಲ್ಲ ಎಂಬುದನ್ನು ಗಮನಿಸುವುದು ಮುಖ್ಯ. ಹೀಗಾಗಿ, ಡೇಟಾಬೇಸ್ ಪ್ರಶ್ನೆಗೆ ಸ್ಥಿರವಾದ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ನೀವು ನಿರೀಕ್ಷಿಸಬಹುದು (ಅಂದರೆ, ಡೇಟಾಬೇಸ್‌ನಲ್ಲಿ ಸಂಗ್ರಹವಾಗಿರುವ ಸ್ಥಿರ ಮಾಹಿತಿಯ ಅಕ್ಷರಶಃ ಮರುಪಡೆಯುವಿಕೆ), LLM ಪ್ರತಿ ಬಾರಿಯೂ ಒಂದೇ ಪ್ರಾಂಪ್ಟ್‌ಗೆ ಅದೇ ರೀತಿಯಲ್ಲಿ ಪ್ರತಿಕ್ರಿಯಿಸುವುದಿಲ್ಲ (ಅಥವಾ ಅದು ತರಬೇತಿ ಪಡೆದ ಮಾಹಿತಿಯನ್ನು ಅಕ್ಷರಶಃ ಮರುಪಡೆಯುವುದಿಲ್ಲ). ವಾಸ್ತವಿಕ ದೋಷಗಳನ್ನು ಹೊಂದಿದ್ದರೂ ಸಹ, LLM ಗಳು ಕೆಲವೊಮ್ಮೆ ಸರಿಯಾಗಿರುವಂತೆ ಕಾಣುವ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಜನರೇಟ್ ಮಾಡಲು ಇದು ಒಂದು ಪ್ರಮುಖ ಕಾರಣವಾಗಿದೆ — ವಾಸ್ತವಿಕತೆಯು ಮುಖ್ಯವಾದ ಸಂದರ್ಭಗಳಿಗೆ ಇದು ಸೂಕ್ತವಲ್ಲ, ಆದರೆ ಇದು ಸೃಜನಶೀಲ ಅಥವಾ ಅನಿರೀಕ್ಷಿತ ಫಲಿತಾಂಶಗಳನ್ನು ಜನರೇಟ್ ಮಾಡುವಲ್ಲಿ ಸಹಾಯಕವಾಗಬಹುದು.

2 ಪೋಸ್ಟ್-ಟ್ರೈನಿಂಗ್‌

ಆರಂಭಿಕ ತರಬೇತಿಯ ನಂತರ, LLM ಗಳು ತಮ್ಮ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ರೀಫೈನ್ ಮಾಡಲು ಹೆಚ್ಚುವರಿ ಹಂತಗಳ ಮೂಲಕ ಹೋಗಬೇಕಾಗುತ್ತದೆ. ಇವುಗಳಲ್ಲಿ ಒಂದನ್ನು ಸೂಪರ್‌ವೈಸ್ಡ್ ಫೈನ್-ಟ್ಯೂನಿಂಗ್ (SFT) ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ, ಇದು ಮಾಡಲ್ ಅನ್ನು ಎಚ್ಚರಿಕೆಯಿಂದ ಆಯ್ಕೆಮಾಡಿದ ಅತ್ಯುತ್ತಮ ಉತ್ತರಗಳ ಉದಾಹರಣೆಗಳ ಮೇಲೆ ತರಬೇತಿ ನೀಡುತ್ತದೆ. ಇದು ಮಕ್ಕಳಿಗೆ ಚೆನ್ನಾಗಿ ಬರೆದ ಕಥೆಗಳು ಮತ್ತು ಪ್ರಬಂಧಗಳನ್ನು ತೋರಿಸುವ ಮೂಲಕ ಬರೆಯಲು ಕಲಿಸಿದಂತಿರುತ್ತದೆ.

ಮುಂದಿನ ಹಂತವೆಂದರೆ, ಮಾನವರ ಪ್ರತಿಕ್ರಿಯೆಯ ಮೂಲಕ ರೀ‌ಇನ್‌ಫೋರ್ಸ್‌ಮೆಂಟ್ ಲರ್ನಿಂಗ್ (RLHF). ಇಲ್ಲಿ, ಮಾಡಲ್ ವಿಶೇಷ ರಿವಾರ್ಡ್ ಮಾಡಲ್‌ನಿಂದ ಬರುವ ಅಂಕಗಳು ಅಥವಾ ಪ್ರತಿಕ್ರಿಯೆಯ ಆಧಾರದ ಮೇಲೆ ಇನ್ನೂ ಉತ್ತಮ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಜನರೇಟ್ ಮಾಡುವುದನ್ನು ಕಲಿಯುತ್ತದೆ. ಈ ರಿವಾರ್ಡ್ ಮಾಡಲ್ ಅನ್ನು ಮಾನವ ಆದ್ಯತೆಯ ಡೇಟಾವನ್ನು ಬಳಸಿ ತರಬೇತಿ ನೀಡಲಾಗುತ್ತದೆ, ಪರಸ್ಪರ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಹೋಲಿಸಿ ಮತ್ತು ರೇಟಿಂಗ್ ಮಾಡಿ, ಪ್ರತಿಯೊಬ್ಬರೂ ಏನು ಬಯಸುತ್ತಾರೆ ಮತ್ತು ಇಷ್ಟಪಡುತ್ತಾರೆ ಎಂಬುದನ್ನು ಕಲಿಸುತ್ತದೆ. ಈ ಆದ್ಯತೆಯ ಡೇಟಾ ಕೆಲವೊಮ್ಮೆ ತಪ್ಪಾದ ಅಥವಾ ಆಕ್ಷೇಪಾರ್ಹ ಡೇಟಾವನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ, ಮಾಡಲ್‌ಗಳು ಅಂತಹ ಡೇಟಾವನ್ನು ಹೇಗೆ ಗುರುತಿಸುವುದು ಮತ್ತು ನಿರ್ಲಕ್ಷಿಸುವುದು ಎಂಬುದನ್ನು ಕಲಿಯಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ಆದ್ಯತೆಯ ಡೇಟಾವು ಮಗುವಿಗೆ ಕಠಿಣ ಪರಿಶ್ರಮಕ್ಕಾಗಿ ಬಹುಮಾನ ನೀಡಿದಂತೆ, ಮಾಡಲ್‌ಗಳು ಮಾನವರು ಇಷ್ಟಪಡುವ ಉತ್ತರಗಳನ್ನು ರಚಿಸಿದಾಗ ಅದಕ್ಕೆ ಬಹುಮಾನ ನೀಡಲಾಗುತ್ತದೆ.

ಈ ಪ್ರತಿಯೊಂದು ಹಂತಗಳಲ್ಲಿ ಉತ್ತಮ ಗುಣಮಟ್ಟದ ತರಬೇತಿ ಡೇಟಾವನ್ನು ಬಳಸುವುದು ಮುಖ್ಯವಾಗಿದೆ. SFT ಗಾಗಿ ಬಳಸುವ ಉದಾಹರಣೆಗಳನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ತಜ್ಞರು ಬರೆಯುತ್ತಾರೆ ಅಥವಾ ಮಾಡಲ್‌ನಿಂದ ಜನರೇಟ್ ಮಾಡಿದ ನಂತರ ತಜ್ಞರು ಪರಿಶೀಲಿಸುತ್ತಾರೆ.

ಈ ತಂತ್ರಗಳು ಶಕ್ತಿಯುತವಾಗಿದ್ದರೂ, ಇವುಗಳಿಗೆ ಮಿತಿಗಳಿವೆ. ಉದಾಹರಣೆಗೆ, ರಿವಾರ್ಡ್ ಮಾಡಲ್‌ನ ಸಹಾಯದಿಂದಲೂ, ನೀಡಿದ ಪ್ರತಿಕ್ರಿಯೆಯಲ್ಲಿ ಯಾವಾಗಲೂ ಪರಿಪೂರ್ಣತೆ ಇಲ್ಲದಿರಬಹುದು. ಆದಾಗ್ಯೂ, ವಿದ್ಯಾರ್ಥಿಗಳು ಶಿಕ್ಷಕರ ಕಾಮೆಂಟ್‌ಗಳಿಂದ ಕಲಿಯುವಂತೆಯೇ, ಸ್ವೀಕರಿಸಿದ ಫೀಡ್‌ಬ್ಯಾಕ್‌ಗಳ ಆಧಾರದ ಮೇಲೆ ಹೆಚ್ಚು ಆದ್ಯತೆಯ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ರಚಿಸಲು LLM ಅನ್ನು ಆಪ್ಟಿಮೈಸ್ ಮಾಡಲಾಗಿದೆ.

3 ಬಳಕೆದಾರರ ಪ್ರಾಂಪ್ಟ್‌ಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯೆಗಳು

ಪ್ರತಿಕ್ರಿಯೆ ರಚಿಸುವಿಕೆಯು, ಒಬ್ಬ ವ್ಯಕ್ತಿಯು ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸುವ ಮೊದಲು ವಿವಿಧ ಅಂಶಗಳ ಮೂಲಕ ಹೇಗೆ ಯೋಚಿಸಿ ತೀರ್ಮಾನಕ್ಕೆ ಬರುತ್ತಾನೆ ಎಂಬುದರಂತೆಯೇ ಇರುತ್ತದೆ. ಬಳಕೆದಾರರು ಪ್ರಾಂಪ್ಟ್ ನೀಡಿದ ನಂತರ, Gemini ತರಬೇತಿಯ ನಂತರದ LLM, ಪ್ರಾಂಪ್ಟ್‌ನ ಸಂದರ್ಭ ಮತ್ತು ಬಳಕೆದಾರರೊಂದಿಗಿನ ಸಂವಹನವನ್ನು ಬಳಸಿಕೊಂಡು ಪ್ರತಿಕ್ರಿಯೆಯ ಹಲವಾರು ಆವೃತ್ತಿಗಳನ್ನು ರಚಿಸುತ್ತದೆ. ಇದು ತನ್ನ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಜನರೇಟ್ ಮಾಡಲು Google Search, ಮತ್ತು/ಅಥವಾ ಅದರ ಹಲವಾರು ಎಕ್ಸ್‌ಟೆನ್ಶನ್‌ಗಳಲ್ಲಿ ಒಂದನ್ನು ಮತ್ತು ಇತ್ತೀಚೆಗೆ ಅಪ್‌ಲೋಡ್ ಮಾಡಿದ ಫೈಲ್‌ಗಳಂತಹ (Gemini Advanced ಮಾತ್ರ) ಬಾಹ್ಯ ಸೋರ್ಸ್‌ಗಳನ್ನು ಅವಲಂಬಿಸಿದೆ. ಈ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಹಿಂಪಡೆಯುವಿಕೆ ಆಗ್‌ಮೆಂಟೇಶನ್ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ಪ್ರಾಂಪ್ಟ್ ನೀಡಿದಾಗ, Gemini ಯು ಈ ಬಾಹ್ಯ ಸೋರ್ಸ್‌ಗಳಿಂದ ಹೆಚ್ಚು ಸೂಕ್ತವಾದ ಮಾಹಿತಿಯನ್ನು ಹಿಂಪಡೆಯಲು ಕೆಲಸ ಮಾಡುತ್ತದೆ (ಉದಾ, Google Search) ಮತ್ತು ಆ ಮಾಹಿತಿಯನ್ನು ಅದರ ಪ್ರತಿಕ್ರಿಯೆಯಲ್ಲಿ ನಿಖರವಾಗಿ ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ. ಬಾಹ್ಯ ಟೂಲ್‌ಗಳಿಂದ LLM ಗಳನ್ನು ಆಗ್‌ಮೆಂಟೇಶನ್ ಮಾಡುವುದು ಸಂಶೋಧನೆಯ ಸಕ್ರಿಯ ಕ್ಷೇತ್ರವಾಗಿದೆ. ಉತ್ತರ ರಚನೆ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ದೋಷಗಳು ಸಂಭವಿಸಲು ಹಲವು ಕಾರಣಗಳಿರಬಹುದು. ಉದಾಹರಣೆಗೆ, ಈ ಬಾಹ್ಯ ಟೂಲ್‌ಗಳನ್ನು ಬಳಕೆಗೆ ತರಲು Gemini ಬಳಸಿದ ಪ್ರಶ್ನೆಯೆಂದರೆ; ಟೂಲ್‌ಗಳಿಂದ ಪಡೆದ ಫಲಿತಾಂಶಗಳನ್ನು Gemini ವಿಶ್ಲೇಷಿಸಿದ ರೀತಿ; ಅಂತಿಮ ಉತ್ತರವನ್ನು ಜನರೇಟ್ ಮಾಡಲು ಆ ಫಲಿತಾಂಶಗಳನ್ನು ಹೇಗೆ ಬಳಸಲಾಯಿತು ಎಂಬುದನ್ನು ಇದು ಒಳಗೊಂಡಿದೆ. ಈ ಕಾರಣದಿಂದಾಗಿ, Gemini ನಿಂದ ಜನರೇಟ್ ಆಗುವ ಪ್ರತಿಕ್ರಿಯೆಗಳು, ಆ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ರಚಿಸಲು ಬಳಸುವ ವೈಯಕ್ತಿಕ ಟೂಲ್‌ಗಳ ಪರ್ಫಾರ್ಮೆನ್ಸ್ ಅನ್ನು ಪ್ರತಿಬಿಂಬಿಸಬಾರದು.

ಕೊನೆಯದಾಗಿ, ಅಂತಿಮ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಪ್ರದರ್ಶಿಸುವ ಮೊದಲು, ಪ್ರತಿ ಸಂಭಾವ್ಯ ಪ್ರತಿಕ್ರಿಯೆಯು ಪೂರ್ವನಿರ್ಧರಿತ ನೀತಿ ಮಾರ್ಗಸೂಚಿಗಳನ್ನು ಪಾಲಿಸುತ್ತದೆಯೇ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ಸುರಕ್ಷತೆಯ ಪರಿಶೀಲನೆಯನ್ನು ನಡೆಸಲಾಗುತ್ತದೆ. ಈ ಪ್ರಕ್ರಿಯೆಯು ಹಾನಿಕಾರಕ ಅಥವಾ ಆಕ್ಷೇಪಾರ್ಹ ಮಾಹಿತಿಯನ್ನು ಫಿಲ್ಟರ್ ಮಾಡಲು ಡಬಲ್ ಚೆಕ್ ಅನ್ನು ಒದಗಿಸುತ್ತದೆ. ಬಾಕಿ ಉಳಿದ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಅವುಗಳ ಗುಣಮಟ್ಟದ ಆಧಾರದ ಮೇಲೆ ರ್‍ಯಾಂಕ್ ಮಾಡಲಾಗುತ್ತದೆ ಹಾಗೂ ಅತಿ ಹೆಚ್ಚು ಅಂಕ ಗಳಿಸಿದ ಆವೃತ್ತಿಯನ್ನು (ಗಳನ್ನು) ಬಳಕೆದಾರರಿಗೆ ಹಿಂತಿರುಗಿಸಲಾಗುತ್ತದೆ.

AI-ಜನರೇಟೆಡ್ ಕಂಟೆಂಟ್‌ ಅನ್ನು ವಾಟರ್‌ಮಾರ್ಕಿಂಗ್ ಮಾಡಲು ನಮ್ಮ ಉದ್ಯಮ-ಪ್ರಮುಖ ಡಿಜಿಟಲ್ ಟೂಲ್‌ಕಿಟ್ SynthID ಯನ್ನು ಬಳಸಿಕೊಂಡು ನಾವು Gemini ಪಠ್ಯ ಮತ್ತು ಇಮೇಜ್ ಔಟ್‌ಪುಟ್‌ಗಳನ್ನು ವಾಟರ್‌ಮಾರ್ಕ್ ಮಾಡುತ್ತೇವೆ. SynthID ಯು (ಮಾನವ ಕಣ್ಣಿಗೆ ಕಾಣದ) ಡಿಜಿಟಲ್ ವಾಟರ್‌ಮಾರ್ಕ್ ಅನ್ನು ಸೇರಿಸುತ್ತದೆ, ಇದು ನೇರವಾಗಿ ಜನರೇಟ್ ಆದ ಚಿತ್ರದ ಪಿಕ್ಸೆಲ್‌ಗಳಲ್ಲಿ ಕಂಡುಬರುತ್ತದೆ. ಹೆಚ್ಚು ವಿಶ್ವಾಸಾರ್ಹ AI ಗುರುತಿನ ಟೂಲ್‌ಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು SynthID ಯು ಒಂದು ಪ್ರಮುಖ ಬಿಲ್ಡಿಂಗ್ ಬ್ಲಾಕ್ ಆಗಿದೆ ಮತ್ತು ಜನರು AI-ಜನರೇಟೆಡ್ ಕಂಟೆಂಟ್‌ನೊಂದಿಗೆ ಹೇಗೆ ಸಂವಹನ ನಡೆಸುತ್ತದೆ ಎಂಬುದರ ಕುರಿತು ತಿಳುವಳಿಕೆಯುಳ್ಳ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.

4 ಮಾನವ ಫೀಡ್‌ಬ್ಯಾಕ್ ಮತ್ತು ಮೌಲ್ಯಮಾಪನ

ಸುರಕ್ಷತೆಯ ಪರಿಶೀಲನೆಗಳನ್ನು ಮಾಡಿದ್ದರೂ ಸಹ, ಕೆಲವು ದೋಷಗಳು ಸಂಭವಿಸಬಹುದು. ಹಾಗೂ Gemini ಪ್ರತಿಕ್ರಿಯೆ ಯಾವಾಗಲೂ ನೀವು ನಿರೀಕ್ಷಿಸಿದಂತೆ ಇರದಿರಬಹುದು. ಅಲ್ಲಿಯೇ ಮಾನವ ಫೀಡ್‌ಬ್ಯಾಕ್ ಕಾರ್ಯರೂಪಕ್ಕೆ ಬರುತ್ತದೆ. ಮೌಲ್ಯಮಾಪಕರು ಪ್ರತಿಕ್ರಿಯೆಗಳ ಗುಣಮಟ್ಟವನ್ನು ನಿರ್ಣಯಿಸುತ್ತಾರೆ, ಸುಧಾರಣೆ ಮಾಡಬೇಕಾದ ಕ್ಷೇತ್ರಗಳನ್ನು ಗುರುತಿಸುತ್ತಾರೆ ಮತ್ತು ಪರಿಹಾರಗಳನ್ನು ಸೂಚಿಸುತ್ತಾರೆ. ಈ ಪ್ರತಿಕ್ರಿಯೆಯು ಮೇಲಿನ "ಪೋಸ್ಟ್-ಟ್ರೈನಿಂಗ್‌" ವಿಭಾಗದಲ್ಲಿ ವಿವರಿಸಿದ Gemini ಕಲಿಕಾ ಪ್ರಕ್ರಿಯೆಯ ಭಾಗವಾಗುತ್ತದೆ.