പ്രധാന കൃത്രിമ ബുദ്ധി മോഡലുകളുടെ പ്രകടനം വിലയിരുത്തി; ജെമിനിയും ചാറ്റ് ജിപടിയും കടത്തിവെട്ടി ക്ലോഡ്

ഡിജിറ്റൽ ലൈഫ് കലണ്ടർ അല്ലെങ്കിൽ ബ്ലിങ്ക് റിമൈൻഡർ പോലുള്ള ലളിതവും ഉപയോഗപ്രദവുമായ ടൂളുകൾ നിർമ്മിക്കാൻ താൽപ്പര്യപ്പെടുന്ന ഒരു ഡെവലപ്പർ പ്രമുഖ കൃത്രിമ ബുദ്ധി മോഡലുകളുടെ പ്രകടനം പരിശോധിക്കുന്നതിനായി പുതിയൊരു പരീക്ഷണം നടത്തി. ഒരു ചെറിയ ആപ്ലിക്കേഷൻ നിർമ്മിക്കുന്നതിനായി ഒരേസമയം ഒന്നിലധികം എഐ ദാതാക്കളെ പരീക്ഷിച്ചപ്പോഴാണ് ചില കൗതുകകരമായ വിവരങ്ങൾ പുറത്തുവന്നത്.

ജെമിനി, ചാറ്റ് ജിപിടി, ക്ലോഡ് എന്നീ മൂന്ന് പ്രധാന എഐ മോഡലുകൾക്ക് ഒരേ പ്രോംപ്റ്റ് നൽകിയാണ് ഈ പരീക്ഷണം നടത്തിയത്. ഹോംപേജ്, ഇൻവെന്ററി പേജ്, ഒരു വാഹനത്തിന്റെ വിവരങ്ങൾ പരിശോധിക്കുന്നതിനുള്ള പേജ് എന്നിവ ഉൾപ്പെടുന്ന ഒരു യൂസ്ഡ് കാർ ഡീലർഷിപ്പ് വെബ്‌സൈറ്റ് നിർമ്മിക്കാനാണ് ആവശ്യപ്പെട്ടത്.

മോഡലുകളുടെ റീസണിംഗ് ശേഷി പരിശോധിക്കുന്നതിനായി പ്രോംപ്റ്റ് മനഃപൂർവം ലളിതവും വ്യക്തത കുറഞ്ഞതുമാക്കി വെക്കുകയായിരുന്നു. മൂന്ന് മോഡലുകളും ആവശ്യപ്പെട്ട

അടിസ്ഥാന ഘടന മനസ്സിലാക്കുകയും വിജയകരമായി വെബ്‌സൈറ്റ് നിർമ്മിച്ചു നൽകുകയും ചെയ്തു. വാഹനം എങ്ങനെ പരിശോധിക്കുന്നു, വിലനിർണ്ണയം എങ്ങനെയാണ് തുടങ്ങിയ ഡീലർഷിപ്പ് സന്ദേശങ്ങളും മൂന്നിലും ഉൾപ്പെടുത്തിയിരുന്നു.

സൗജന്യ ഉപയോക്താക്കൾക്കായി ലഭ്യമായ ഏറ്റവും ശക്തമായ മോഡലുകളാണ് പരീക്ഷണത്തിനായി ഉപയോഗിച്ചത്. എക്സ്റ്റൻഡഡ് തിങ്കിംഗ് പ്രവർത്തനക്ഷമമാക്കിയ ജെമിനി 3.6 ഫ്ലാഷ്, തിങ്ക് മോഡ് പ്രവർത്തനക്ഷമമാക്കിയ ചാറ്റ് ജിപിടി, തിങ്കിംഗ് എഫർട്ട് എസ്ട്രാ ലെവലിൽ സജ്ജീകരിച്ച ക്ലോഡ് സോണറ്റ് 5 എന്നിവയാണ് ഇതിനായി ഉപയോഗിച്ചത്.

ക്ലോഡിന് ഇതിലും ഉയർന്ന മാക്സ് എഫർട്ട് സെറ്റിംഗ് ഉണ്ടെങ്കിലും ടോക്കണുകൾ തീർന്നതിനാൽ ആ ദൗത്യം പൂർത്തിയാക്കാൻ അതിന് കഴിഞ്ഞിരുന്നില്ല. ആദ്യനോട്ടത്തിൽ ജെമിനിയുടെ ഔട്ട്പുട്ട് മികച്ചതായി തോന്നിയെങ്കിലും കൂടുതൽ പരിശോധിച്ചപ്പോൾ വലിയ പ്രശ്നങ്ങൾ കണ്ടെത്തി.

“2020 ജീപ്പ് റാംപ്ലർ അൺലിമിറ്റഡ് റൂബിക്കോൺ” എന്ന എൻട്രിയിൽ ഒഴിഞ്ഞ റോഡിന്റെ ചിത്രമാണ് നൽകിയിരുന്നത്. അതിൽ കാർ ഉണ്ടായിരുന്നില്ല.

ഇൻവെന്ററി വിഭാഗത്തിൽ ചിത്രമില്ലാത്ത മറ്റൊരു എൻട്രിയും കണ്ടെത്തി. “2019 ഫോർഡ് എഫ്-150 ലാരിയറ്റ് 4×4” എന്നതിന് ഒരു ഫെരാരി സൂപ്പർകാറിന്റെ ചിത്രമാണ് നൽകിയിരുന്നത്.

വാഹനങ്ങളുടെ പേരുകളുമായി ബന്ധമില്ലാത്ത ചിത്രങ്ങളാണ് ജെമിനി തിരഞ്ഞെടുത്തത്. കാറ്റഗറികൾ തീർത്തും വ്യത്യസ്തമാണെങ്കിലും ഭൂരിഭാഗം കാറുകൾക്കും ഒരേ വിലയാണ് നൽകിയിരുന്നത്.

എന്നാൽ ക്ലോഡ് ഈ കാര്യത്തിൽ മികച്ച പ്രകടനമാണ് കാഴ്ചവെച്ചത്. കൃത്യമായ വാഹന മോഡലുകളുടെ ചിത്രങ്ങൾ തന്നെ അത് കണ്ടെത്തുകയും എ+, എ-, ബി എന്നിങ്ങനെ വാഹനങ്ങളുടെ അവസ്ഥ വ്യക്തമാക്കുന്ന ബാഡ്ജുകൾ ഉൾപ്പെടുത്തുകയും ചെയ്തു.

ഉയർന്ന റെസല്യൂഷനിലുള്ള ചിത്രങ്ങളാണ് നൽകിയത്. ജെമിനി പുതിയ കാറുകളുടെ പരസ്യങ്ങൾ പോലെയാണ് ഔട്ട്പുട്ട് നൽകിയതെങ്കിൽ, ക്ലോഡ് യഥാർത്ഥ യൂസ്ഡ് കാർ വെബ്‌സൈറ്റുകളുടെ രൂപത്തിലേക്ക് കാര്യങ്ങളെത്തിച്ചു.

ചാറ്റ് ജിപിടിയുടെ കാര്യത്തിൽ ചിത്രങ്ങൾ കുറച്ചുകൂടി മെച്ചപ്പെട്ടതായിരുന്നു. എങ്കിലും ഇന്റർനെറ്റിൽ നിന്ന് ക്രമരഹിതമായി ചിത്രങ്ങൾ എടുക്കുകയാണ് ചെയ്തത്.

എങ്കിലും വാഹനങ്ങളുടെ വിഭാഗവുമായി സാമ്യമുള്ള ചില ചിത്രങ്ങൾ നൽകാൻ അതിന് സാധിച്ചു. ആദ്യം യഥാർത്ഥ ചിത്രങ്ങൾക്ക് പകരം എസ്.വി.ജി സ്കെച്ചുകളാണ് ക്ലോഡ് നിർമ്മിച്ചത്.

പകർപ്പവകാശ പ്രശ്നങ്ങൾ ഒഴിവാക്കാനാണ് ഇത് ചെയ്തത്. എന്നാൽ ഒരു ന്യായമായ താരതമ്യത്തിനായി യഥാർത്ഥ ചിത്രങ്ങൾ ഉപയോഗിക്കാൻ ആവശ്യപ്പെട്ടപ്പോൾ, പ്രോംപ്റ്റിൽ പ്രത്യേകമായി പറയാതെ തന്നെ ക്ലോഡ് ആ ഉദ്ദേശ്യം സ്വന്തമായി മനസ്സിലാക്കുകയും മറ്റ് രണ്ട് മോഡലുകളെക്കാളും കൃത്യതയോടെയും മികച്ച ഡിസൈനിലും വെബ്‌സൈറ്റ് നിർമ്മിച്ചു നൽകുകയും ചെയ്തു.

മത്സര എതിരാളികളുമായി താരതമ്യം ചെയ്യുമ്പോൾ ക്ലോഡ് വെബ്‌സൈറ്റ് നിർമ്മിക്കാൻ കൂടുതൽ സമയം എടുത്തു. ജെമിനിയും ചാറ്റ് ജിപിടിയും രണ്ട് മിനിറ്റിനുള്ളിൽ ദൗത്യം പൂർത്തിയാക്കിയപ്പോൾ, യഥാർത്ഥ ചിത്രങ്ങൾ ഉൾപ്പെടുത്താൻ ക്ലോഡിന് പത്ത് മിനിറ്റ് വേണ്ടിവന്നു.

വേഗത കുറവാണെങ്കിലും മികച്ച ഫലമാണ് ക്ലോഡ് നൽകിയത്. സോഫ്റ്റ്‌വെയർ ഡെവലപ്‌മെന്റിൽ പരിചയമില്ലാത്ത ഒരാളെ സംബന്ധിച്ചിടത്തോളം ജെമിനിയുടെയും ചാറ്റ് ജിപിടിയുടെയും ഔട്ട്പുട്ടിലെ പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ വലിയ പ്രയാസമായിരിക്കും.