ಸ್ವಯಂ-ಸುಧಾರಿಸುವ ಕೌಶಲ್ಯಗಳು

Perplexity Brain ಅನುಭವದಿಂದ ಪುನರಾವರ್ತಿತ ಕಾರ್ಯವಿಧಾನಗಳನ್ನು ಹೇಗೆ ಕಲಿಯುತ್ತದೆ ಮತ್ತು ಅವುಗಳನ್ನು ಹೇಗೆ ನವೀಕೃತವಾಗಿರಿಸುತ್ತದೆ.

ಲೇಖಕರುPerplexity Engineering

ಪರಿಚಯ

ಸಾಮಾನ್ಯ-ಉದ್ದೇಶದ ಮಾದರಿಯು ಮುಂಚಿತವಾಗಿ ತಿಳಿಯಲು ಸಾಧ್ಯವಿಲ್ಲದ, ಕಾರ್ಯಪ್ರವಾಹ-ನಿರ್ದಿಷ್ಟ ಆದ್ಯತೆಗಳು ಮತ್ತು ಅವಶ್ಯಕತೆಗಳು ಬಳಕೆದಾರರಿಗೆ ಇರುತ್ತವೆ. ಪ್ರತಿ ಸೆಷನ್‌ನಲ್ಲಿ ಬಳಕೆದಾರರು ಅದೇ ಕಾರ್ಯವಿಧಾನವನ್ನು ವಿವರಿಸುವ ಅಥವಾ ಅದೇ ತಿದ್ದುಪಡಿಗಳನ್ನು ಮಾಡುವ ಅಗತ್ಯವಿಲ್ಲದೆ, ತನ್ನ ಕೆಲಸವನ್ನು ಬಳಕೆದಾರರಿಗೆ ಹೊಂದಿಸಿಕೊಳ್ಳಲು ಏಜೆಂಟ್ ಈ ವಿವರಗಳನ್ನು ಕಲಿಯಬೇಕು. ನಿರಂತರ ಕಲಿಕೆ ಇದನ್ನು ಸಾಧ್ಯವಾಗಿಸುತ್ತದೆ: ಪೂರ್ಣಗೊಂಡ ಕಾರ್ಯಗಳಿಂದ ಪಡೆದ ಅನುಭವವು ಏಜೆಂಟ್ ಭವಿಷ್ಯದ ಕೆಲಸವನ್ನು ಹೇಗೆ ನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದಕ್ಕೆ ಮಾರ್ಗದರ್ಶನ ನೀಡಬೇಕು.

Computer ನ ವೈಯಕ್ತೀಕರಿಸಿದ ಸ್ವಯಂ-ಸುಧಾರಣಾ ವ್ಯವಸ್ಥೆಯಾದ Brain, ಅನುಭವದ ಮೂಲಕ ಕಲಿಕೆಯನ್ನು ಸಾಧ್ಯವಾಗಿಸುತ್ತದೆ. ಬಳಕೆದಾರರು ಮತ್ತು ಅವರ ಕೆಲಸದ ಕುರಿತ ಮಾಹಿತಿಯನ್ನು ಅದನ್ನು ಬೆಂಬಲಿಸುವ ಪುರಾವೆಯೊಂದಿಗೆ ಸಂಪರ್ಕಿಸುವ ರಚನಾತ್ಮಕ ಜ್ಞಾನ ವಿಕಿಯನ್ನು ಅದು ಈಗಾಗಲೇ ನಿರ್ವಹಿಸುತ್ತದೆ. ಹೊಸ ಮಾಹಿತಿ ಸಂಗ್ರಹವಾದಂತೆ ಹಿನ್ನೆಲೆ ಏಜೆಂಟ್‌ಗಳು ವಿಕಿಯನ್ನು ನವೀಕರಿಸುತ್ತವೆ, ಆದ್ದರಿಂದ ಮೆಮೊರಿ ವ್ಯವಸ್ಥೆಯು ಕಾಲಕ್ರಮೇಣ ಸುಧಾರಿಸುತ್ತದೆ.

ಏಜೆಂಟ್ ಕೌಶಲ್ಯಗಳು ಮೂಲ ಮಾದರಿಯನ್ನು ಬದಲಾಯಿಸದೆ ಏಜೆಂಟ್‌ನ ವರ್ತನೆಗೆ ಮಾರ್ಗದರ್ಶನ ನೀಡುವ ಮತ್ತೊಂದು ಮಾರ್ಗವನ್ನು ಒದಗಿಸುತ್ತವೆ. ಕೌಶಲ್ಯಗಳು ನಿರ್ದಿಷ್ಟ ಕಾರ್ಯಗಳ ಮೂಲಕ ಏಜೆಂಟ್‌ಗೆ ಮಾರ್ಗದರ್ಶನ ನೀಡುವ ಮರುಬಳಕೆ ಮಾಡಬಹುದಾದ ಸೂಚನೆಗಳಾಗಿವೆ. ಇಲ್ಲದಿದ್ದರೆ ಏಜೆಂಟ್ ಪ್ರತಿ ಬಾರಿ ಮೆಮೊರಿಯಿಂದ ಊಹಿಸಬೇಕಾದ ಅಥವಾ ಬಳಕೆದಾರರಿಂದ ಪಡೆಯಬೇಕಾದ, ಪುನರಾವರ್ತಿತ ಕಾರ್ಯಪ್ರವಾಹಗಳ ಅವಶ್ಯಕತೆಗಳು ಮತ್ತು ಪೂರಕ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಅವು ಸೆರೆಹಿಡಿಯುತ್ತವೆ, ಇದರಿಂದ ತರಬೇತಿ ವಿತರಣೆಯ ಹೊರಗಿನ (out-of-distribution) ಕಾರ್ಯಗಳಲ್ಲಿ ಕಾರ್ಯಕ್ಷಮತೆ ಸುಧಾರಿಸುತ್ತದೆ. ಕೋಡ್‌ನಲ್ಲಿ ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ವ್ಯಕ್ತಪಡಿಸಬಹುದಾದ ಪುನರಾವರ್ತಿತ ಕಾರ್ಯವಿಧಾನಗಳು ಅಥವಾ ಸಂಸ್ಕರಣೆಗಾಗಿ ಅವು ಸ್ಕ್ರಿಪ್ಟ್‌ಗಳನ್ನೂ ಒಳಗೊಂಡಿರಬಹುದು, ಆದ್ದರಿಂದ ಅವು ಅನ್ವಯವಾದಾಗ ಏಜೆಂಟ್ ಆ ಸ್ಕ್ರಿಪ್ಟ್‌ಗಳನ್ನು ಸರಳವಾಗಿ ಚಲಾಯಿಸಬಹುದು. ಈ harness ಲಭ್ಯವಿರುವ ಕೌಶಲ್ಯಗಳನ್ನು ಅನ್ವೇಷಿಸಬಹುದಾದಂತೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಏಜೆಂಟ್ ವಿನಂತಿಸಿದಾಗ ಅವುಗಳ ಸೂಚನೆಗಳನ್ನು ಸಂದರ್ಭಕ್ಕೆ ಲೋಡ್ ಮಾಡುತ್ತದೆ. ಬಳಕೆದಾರರು ಪ್ರಾಂಪ್ಟ್‌ನಲ್ಲಿ ಯಾವ ಕೌಶಲ್ಯಗಳನ್ನು ಬಳಸಬೇಕು ಎಂಬುದನ್ನು ನೇರವಾಗಿಯೂ ನಿರ್ದಿಷ್ಟಪಡಿಸಬಹುದು.

ಏಜೆಂಟ್ ಕೌಶಲ್ಯಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ರಚಿಸಲು ಮತ್ತು ನವೀಕರಿಸಲು ನಾವು Brain ಅನ್ನು ವಿಸ್ತರಿಸುತ್ತಿದ್ದೇವೆ. ಆ ಬಳಕೆದಾರರ ಕಾರ್ಯಪ್ರವಾಹಗಳಿಗಾಗಿ ಕಾರ್ಯವಿಧಾನಗಳನ್ನು ಸೆರೆಹಿಡಿಯುವ ವೈಯಕ್ತಿಕ ಕೌಶಲ್ಯಗಳನ್ನು ಬರೆಯಲು ಮತ್ತು ಪರಿಷ್ಕರಿಸಲು Brain ಬಳಕೆದಾರರ ಮೆಮೊರಿ ಮತ್ತು ಸೆಷನ್ ಇತಿಹಾಸವನ್ನು ಆಧರಿಸುತ್ತದೆ. ಎಲ್ಲಾ ಸೆಷನ್‌ಗಳಾದ್ಯಂತದ ಒಟ್ಟಾರೆ ಪ್ರವೃತ್ತಿಗಳ ಆಧಾರದ ಮೇಲೆ, ಪ್ರತಿಯೊಬ್ಬ Perplexity ಬಳಕೆದಾರರಿಗೆ ಲಭ್ಯವಿರುವ ಅಂತರ್ನಿರ್ಮಿತ ಕೌಶಲ್ಯಗಳನ್ನು ನವೀಕರಿಸಲು ನಾವು ಇದೇ ರೀತಿಯ ವಿಧಾನವನ್ನು ಅನ್ವಯಿಸುತ್ತೇವೆ.

ಏಜೆಂಟ್ ಸಾಮಾನ್ಯ ಸಾಮರ್ಥ್ಯವನ್ನು ಆಯ್ದ ಕಾರ್ಯ ಸಂದರ್ಭ ಮತ್ತು ವೈಯಕ್ತಿಕ ಅನುಭವದೊಂದಿಗೆ ಸಂಯೋಜಿಸುತ್ತದೆ. ಮುಂದೆ ಏನು ಮಾಡಬೇಕೆಂದು ಆಯ್ಕೆ ಮಾಡಲು ಆಧಾರವಾಗಿರುವ ಮಾದರಿಯು ಕಾರ್ಯನಿರತ ಸಂದರ್ಭವನ್ನು ಬಳಸುತ್ತದೆ, ಮತ್ತು ಕಾರ್ಯ ಮುಂದುವರಿದಂತೆ ಆ ಸಂದರ್ಭ ಬದಲಾಗುತ್ತದೆ. Brain ಮೆಮೊರಿ ಮತ್ತು ವೈಯಕ್ತಿಕ ಕೌಶಲ್ಯಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ, ಬಳಿಕ ಪರಿಶೀಲನೆಗಳು ಮತ್ತು ಅಧಿಕೃತಗೊಳಿಸುವಿಕೆಗೆ ಒಳಪಟ್ಟು, ನಂತರದ ಅಪ್‌ಡೇಟ್‌ಗಳಿಗಾಗಿ ಆಯ್ದ ಸೆಷನ್ ಸಾಕ್ಷ್ಯವನ್ನು ಬಳಸುತ್ತದೆ. ವೈಯಕ್ತೀಕರಣವು ಸಂದರ್ಭ ಮತ್ತು ಸೂಚನೆಗಳನ್ನು ಬದಲಾಯಿಸುತ್ತದೆ, ಮಾದರಿಯ ತೂಕಗಳನ್ನಲ್ಲ. ಮೂಲಗಳನ್ನು ಅಗತ್ಯಕ್ಕೆ ತಕ್ಕಂತೆ ಆಯ್ಕೆ ಮಾಡಲಾಗುತ್ತದೆ, ಎಲ್ಲವನ್ನೂ ಒಮ್ಮೆಗೇ ಲೋಡ್ ಮಾಡಲಾಗುವುದಿಲ್ಲ; ಈ ಪರಿಕಲ್ಪನಾತ್ಮಕ ನೋಟವು ಅಪ್‌ಡೇಟ್ ಕಾರ್ಯವಿಧಾನಗಳನ್ನು ಸರಳೀಕರಿಸುತ್ತದೆ.

ಎಲ್ಲಾ ಕೌಶಲ್ಯ ಪ್ರಕಾರಗಳಲ್ಲಿ ಹಂಚಿಕೊಳ್ಳಲಾದ ನಮ್ಮ ಸ್ವಯಂ-ಸುಧಾರಣಾ ಎಂಜಿನ್ ಅನ್ನು ನಾವು ಮೊದಲು ವಿವರಿಸುತ್ತೇವೆ ಮತ್ತು ಅದು ವೈಯಕ್ತಿಕ ಹಾಗೂ ಅಂತರ್ನಿರ್ಮಿತ ಕೌಶಲ್ಯಗಳಿಗೆ ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ವಿವರಿಸುತ್ತೇವೆ.

ಹಂಚಿಕೊಂಡ ಸ್ವಯಂ-ಸುಧಾರಣಾ ಎಂಜಿನ್

ಹೊಸ ಆದ್ಯತೆಗಳು ಮೂಡಿದಂತೆ ಅಥವಾ ಅನುಭವವು ಅದರ ಸೂಚನೆಗಳಲ್ಲಿನ ಕೊರತೆಗಳನ್ನು ಬಹಿರಂಗಪಡಿಸಿದಂತೆ, ಉಪಯುಕ್ತ ಕೌಶಲ್ಯವೂ ಬದಲಾಗಬೇಕಾಗುತ್ತದೆ. ಮುಂದಿನ ಬಾರಿ Computer ಇದೇ ರೀತಿಯ ಕಾರ್ಯವನ್ನು ಎದುರಿಸಿದಾಗ ಏಜೆಂಟ್‌ನ ವರ್ತನೆ ಹೇಗೆ ಬದಲಾಗಬೇಕು ಎಂಬುದನ್ನು ಕಂಡುಹಿಡಿಯುವುದು ಮತ್ತು ಬಯಸಿದ ಫಲಿತಾಂಶವನ್ನು ಉತ್ತಮವಾಗಿ ಸಾಧಿಸಲು ಕೌಶಲ್ಯವು ಹೇಗೆ ಬದಲಾಗಬೇಕು ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುವುದು Brain ನ ಜವಾಬ್ದಾರಿ.

ಈ ಸುಧಾರಣಾ ಪ್ರಕ್ರಿಯೆಯು ನಾಲ್ಕು ಹಂತಗಳ ಒಂದು ಲೂಪ್ ಅನ್ನು ರೂಪಿಸುತ್ತದೆ:

  1. ಪುರಾವೆ. ಕೌಶಲ್ಯವನ್ನು ಬಳಸಿದ ಹಿಂದಿನ ಸೆಷನ್‌ಗಳನ್ನು, ವಿಶೇಷವಾಗಿ ಅದು ನಿರೀಕ್ಷೆಗೆ ತಕ್ಕಂತೆ ಕೆಲಸ ಮಾಡದ ಸೆಷನ್‌ಗಳನ್ನು Brain ಹುಡುಕುತ್ತದೆ.
  2. ಪರಾಮರ್ಶೆ. ಸುಧಾರಣಾ ಏಜೆಂಟ್ ಆ ಪುರಾವೆಯನ್ನು ಅಧ್ಯಯನ ಮಾಡಿ ಕೌಶಲ್ಯಕ್ಕೆ ನವೀಕರಣಗಳನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತದೆ.
  3. ದೃಢೀಕರಣ. ಪ್ರಸ್ತಾವನೆಯು ಸರಿಯಾದ ರೂಪದಲ್ಲಿದೆ ಮತ್ತು ಫಲಿತಾಂಶಗಳನ್ನು ಸುಧಾರಿಸುವ ಸಾಧ್ಯತೆಯಿದೆ ಎಂಬುದನ್ನು ತಪಾಸಣೆಗಳು ಖಚಿತಪಡಿಸುತ್ತವೆ.
  4. ಸಕ್ರಿಯಗೊಳಿಸುವಿಕೆ. ದೃಢೀಕೃತ ಬದಲಾವಣೆಯನ್ನು ಅನ್ವಯಿಸಲಾಗುತ್ತದೆ. ಭವಿಷ್ಯದ ಸೆಷನ್‌ಗಳು ಹೊಸ ಆವೃತ್ತಿಯನ್ನು ಬಳಸುತ್ತವೆ ಮತ್ತು ಮುಂದಿನ ಸುತ್ತಿಗೆ ಪುರಾವೆಯನ್ನು ಒದಗಿಸುತ್ತವೆ.
Brain ಕೌಶಲ್ಯವನ್ನು ಬಳಸಿದ ಹಿಂದಿನ ಸೆಷನ್‌ಗಳನ್ನು, ವಿಶೇಷವಾಗಿ ಅದು ನಿರೀಕ್ಷೆಗೆ ತಕ್ಕಂತೆ ಕೆಲಸ ಮಾಡದ ಸೆಷನ್‌ಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡುತ್ತದೆ. ಸುಧಾರಣಾ ಏಜೆಂಟ್ ಒಂದು ಅಪ್‌ಡೇಟ್ ಅನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತದೆ, ಮತ್ತು ಅದು ಸರಿಯಾದ ರೂಪದಲ್ಲಿದೆಯೇ ಹಾಗೂ ಫಲಿತಾಂಶಗಳನ್ನು ಸುಧಾರಿಸುವ ಸಾಧ್ಯತೆ ಇದೆಯೇ ಎಂಬುದನ್ನು ಪರಿಶೀಲನೆಗಳು ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತವೆ. ಅನ್ವಯಿಸಿದ ನಂತರ, ಹೊಸ ಆವೃತ್ತಿಯನ್ನು ಭವಿಷ್ಯದ ಸೆಷನ್‌ಗಳಲ್ಲಿ ಬಳಸಲಾಗುತ್ತದೆ, ಇದು ಮುಂದಿನ ಸುತ್ತಿಗೆ ಸಾಕ್ಷ್ಯವನ್ನು ಒದಗಿಸುತ್ತದೆ.

ಈ ಲೂಪ್ Computer ಮತ್ತು Brain ಗಾಗಿ ನಿರ್ಮಿಸಲಾದ ಅನೇಕ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಅವಲಂಬಿಸಿದೆ. ಇಲ್ಲಿ, ಪುರಾವೆ ಮತ್ತು ಪರಾಮರ್ಶೆಯನ್ನು ಸಾಧ್ಯವಾಗಿಸುವ ಹಂಚಿಕೊಂಡ ವ್ಯವಸ್ಥೆಯನ್ನು ನಾವು ವಿವರಿಸುತ್ತೇವೆ. ದೃಢೀಕರಣ ಮತ್ತು ಸಕ್ರಿಯಗೊಳಿಸುವಿಕೆಯ ಕಾರ್ಯವಿಧಾನಗಳು ಬದಲಾವಣೆಯು ಒಬ್ಬ ಬಳಕೆದಾರರನ್ನು ತಲುಪುತ್ತದೆಯೇ ಅಥವಾ ಪ್ರತಿಯೊಬ್ಬ Perplexity ಬಳಕೆದಾರರನ್ನು ತಲುಪುತ್ತದೆಯೇ ಎಂಬುದನ್ನು ಅವಲಂಬಿಸಿರುತ್ತವೆ, ಆದ್ದರಿಂದ ಅವುಗಳನ್ನು ವೈಯಕ್ತಿಕ ಮತ್ತು ಅಂತರ್ನಿರ್ಮಿತ ಕೌಶಲ್ಯ ಸುಧಾರಣಾ ಲೂಪ್‌ಗಳ ಕುರಿತ ಮುಂದಿನ ವಿಭಾಗಗಳಲ್ಲಿ ವಿವರಿಸುತ್ತೇವೆ.

ಹಿಂದಿನ ಸೆಷನ್‌ಗಳಿಂದ ಪುರಾವೆ

ಪರಾಮರ್ಶೆಗೆ ಕೌಶಲ್ಯವನ್ನು ಬಳಸಿದ ಸೆಷನ್‌ಗಳನ್ನು, ವಿಶೇಷವಾಗಿ ಸುಧಾರಣೆಗೆ ಅವಕಾಶವಿರುವ ಸೆಷನ್‌ಗಳನ್ನು ಕಂಡುಹಿಡಿಯುವುದು ಅಗತ್ಯ. Computer harness ಇದನ್ನು ಸಾಧ್ಯವಾಗಿಸುವ ಸಂಕೇತಗಳನ್ನು ದಾಖಲಿಸುತ್ತದೆ. ಏಜೆಂಟ್ ಒಂದು ಕೌಶಲ್ಯವನ್ನು ಲೋಡ್ ಮಾಡಿದಾಗ, harness ಆ ಕೌಶಲ್ಯವನ್ನು ಸೆಷನ್‌ಗೆ ಲಿಂಕ್ ಮಾಡುವ ಕೌಶಲ್ಯ-ಲೋಡ್ ಈವೆಂಟ್ ಅನ್ನು ದಾಖಲಿಸುತ್ತದೆ. ಬಳಕೆದಾರರ ಹತಾಶೆ, ದೋಷಪೂರಿತ ವರ್ತನೆ ಅಥವಾ ಸ್ಪಷ್ಟ ಅದಕ್ಷತೆಯನ್ನು ಏಜೆಂಟ್ ಗಮನಿಸಿದಾಗ, ಅದು ಸಂಕ್ಷಿಪ್ತ, ರಚನಾತ್ಮಕ ಡಯಾಗ್ನೋಸ್ಟಿಕ್ ವರದಿಯನ್ನು ಸಲ್ಲಿಸುತ್ತದೆ ಮತ್ತು harness ಬಳಕೆಯಲ್ಲಿರುವ ಕೌಶಲ್ಯಗಳನ್ನು ಅದಕ್ಕೆ ಲಗತ್ತಿಸುತ್ತದೆ. ಯಾವುದೇ ಸೆಷನ್ ಸಂಭಾವ್ಯವಾಗಿ ಸಂಬಂಧಿತವಾಗಿರಬಹುದಾದ ಅಂತರ್ನಿರ್ಮಿತ ಕೌಶಲ್ಯಗಳಿಗೆ ಇವು ವಿಶೇಷವಾಗಿ ಉಪಯುಕ್ತವಾಗಿವೆ, ಏಕೆಂದರೆ ಅಲ್ಲಿ ಪುರಾವೆಗಳ ಸಮೂಹವನ್ನು ತ್ವರಿತವಾಗಿ ಸೀಮಿತಗೊಳಿಸಲು ವ್ಯವಸ್ಥೆಗೆ ಒಂದು ಮಾರ್ಗ ಬೇಕಾಗುತ್ತದೆ.

ಫಲಿತಾಂಶ ಅಥವಾ ಸಂಕ್ಷಿಪ್ತ ಸಾರಾಂಶದ ಆಧಾರದ ಮೇಲೆ ತೀರ್ಮಾನಿಸುವುದಕ್ಕಿಂತ, ಸಂಪೂರ್ಣ ದಾಖಲೆಗೆ ಪ್ರವೇಶವಿರುವುದರಿಂದ ಏಜೆಂಟ್‌ಗಳಿಗೆ ಹೆಚ್ಚು ಪ್ರಯೋಜನವಾಗುತ್ತದೆ. ಸಂದೇಶಗಳು, ಟೂಲ್ ಕರೆಗಳು, ರೀಜನಿಂಗ್ ಮತ್ತು ಫಲಿತಾಂಶಗಳನ್ನು ಸೆರೆಹಿಡಿಯುವ, ಪೂರೈಕೆದಾರ-ನಿರಪೇಕ್ಷ ಟ್ರಾಜೆಕ್ಟರಿ ನಿರೂಪಣೆಗಳನ್ನು ಬಳಸಿ Computer ಹಿಂದಿನ ಸೆಷನ್‌ಗಳನ್ನು ಸಂಗ್ರಹಿಸುತ್ತದೆ. ಈ ಟ್ರಾಜೆಕ್ಟರಿಗಳನ್ನು ಡಿಕೋಡ್ ಮಾಡಲು ಮತ್ತು ಸಂಪೂರ್ಣ ಸೆಷನ್‌ಗಳನ್ನು ಪುನರ್ರಚಿಸಲು ಏಜೆಂಟ್‌ಗಳು ಬಳಸಬಹುದಾದ ಕಮಾಂಡ್-ಲೈನ್ ಟೂಲ್‌ಗಳ ಸಂಗ್ರಹವನ್ನೂ ನಾವು ನಿರ್ಮಿಸಿದ್ದೇವೆ. ಇದರಿಂದ ಪರಾಮರ್ಶೆ ಏಜೆಂಟ್ ನಿರ್ದಿಷ್ಟ ಕೌಶಲ್ಯ ಲೋಡ್‌ಗಳು ಮತ್ತು ಟೂಲ್ ಕರೆಗಳನ್ನು ಪರಿಶೀಲಿಸಿ, ಸಮಸ್ಯೆಗಳು ಸಂಭವಿಸಿದ ಅಥವಾ ಸುಧಾರಣೆಗಳನ್ನು ಮಾಡಬಹುದಾದ ನಿಖರ ಸ್ಥಳಗಳನ್ನು ಗುರುತಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.

bash
# Decode a stored trajectory into structured messages, # including tool calls, their arguments, and their results. python3 deserialize_trajectory.py \ --convo-path session/convo.pb.lz4 \ --jsonl -o session.jsonl # Identify which skills the agent loaded and how often. python3 list_skills_used.py session.jsonl # Read one turn in detail, including its tool calls and results. python3 deserialize_trajectory.py \ --convo-path session/convo.pb.lz4 \ --turn 3 -o turn-3.md # Recover earlier steps preserved before a context compaction. python3 deserialize_trajectory.py \ --convo-path session/compactions/001/original_convo.pb.lz4 \ --jsonl -o earlier-history.jsonl

Computerನ ಆಂತರಿಕ ಟ್ರಾಜೆಕ್ಟರಿ-ಪರಿಶೀಲನಾ ಪರಿಕರಗಳ ಬಳಕೆಯ ಉದಾಹರಣೆ. ವಿವರಣೆಗಾಗಿ ಪಾತ್‌ಗಳು ಮತ್ತು ಐಡೆಂಟಿಫೈಯರ್‌ಗಳನ್ನು ಸರಳೀಕರಿಸಲಾಗಿದೆ; ಕಮಾಂಡ್ ಹೆಸರುಗಳು ಮತ್ತು ಆರ್ಗ್ಯುಮೆಂಟ್‌ಗಳು ಅನುಷ್ಠಾನವನ್ನು ಅನುಸರಿಸುತ್ತವೆ.

ಹಿನ್ನೆಲೆ ಏಜೆಂಟ್‌ಗಳೊಂದಿಗೆ ಪರಾಮರ್ಶೆ

ಪ್ರತಿ ಬಳಕೆದಾರರ ಅನುಭವವನ್ನು ನಿರಂತರವಾಗಿ ಆಪ್ಟಿಮೈಸ್ ಮಾಡಲು Brain ಹಿನ್ನೆಲೆ ಏಜೆಂಟ್‌ಗಳ ತಂಡವನ್ನು ಬಳಸುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, Dream ಏಜೆಂಟ್‌ಗಳು ಜ್ಞಾನ ವಿಕಿಯನ್ನು ನವೀಕರಿಸಲು ಸಂಗ್ರಹವಾದ ಅನುಭವವನ್ನು ಪರಿಶೀಲಿಸುತ್ತವೆ. ಅದೇ ರೀತಿ, ಕೌಶಲ್ಯ-ಬಳಕೆಯ ಪುರಾವೆಯನ್ನು ಪರಾಮರ್ಶಿಸಿ ನವೀಕರಣಗಳನ್ನು ಪ್ರಸ್ತಾಪಿಸುವ ಸುಧಾರಣಾ ಏಜೆಂಟ್‌ಗಳು ಕೌಶಲ್ಯ ಸುಧಾರಣೆಗೆ ಶಕ್ತಿ ನೀಡುತ್ತವೆ.

ಪ್ರತಿ ಏಜೆಂಟ್, ಪ್ಲಗ್ಇನ್‌ಗಳು ಮತ್ತು ಕೌಶಲ್ಯಗಳ ಮಾರ್ಗದರ್ಶನದೊಂದಿಗೆ, ಫ್ರಂಟಿಯರ್ ಮಾದರಿ, ಸಂಬಂಧಿತ ಪುರಾವೆ ಮತ್ತು ಪ್ರಸ್ತುತ ಕೌಶಲ್ಯ ಲೈಬ್ರರಿಯೊಂದಿಗೆ ತನ್ನದೇ ಆದ ಸ್ಯಾಂಡ್‌ಬಾಕ್ಸ್‌ನಲ್ಲಿ ಕೆಲಸ ಮಾಡುತ್ತದೆ. ಯಾವ ಸೆಷನ್‌ಗಳನ್ನು ಓದಬೇಕು ಎಂದು ಅದು ನಿರ್ಧರಿಸುತ್ತದೆ, ಪ್ರತಿಯೊಂದರಿಂದಲೂ ಒಂದು ಸ್ಪಷ್ಟ ಪಾಠವನ್ನು ಪಡೆಯುತ್ತದೆ ಮತ್ತು ಒಂದೇ ಮರುಬಳಕೆ ಮಾಡಬಹುದಾದ ವರ್ತನೆಯನ್ನು ಬಯಸುವ ಪಾಠಗಳನ್ನು ಗುಂಪು ಮಾಡುತ್ತದೆ. ಒಂದು ವೈಫಲ್ಯಕ್ಕೆ ಮಾಡಿದ ಪರಿಹಾರವು ಇನ್ನೊಂದು ಸೂಚನೆಗೆ ವಿರುದ್ಧವಾಗಬಹುದು ಅಥವಾ ಬೇರೆಡೆ ಹೆಚ್ಚುವರಿ ಕೆಲಸವನ್ನು ಸೇರಿಸಬಹುದು ಎಂಬ ಕಾರಣದಿಂದ, ಸಂಪಾದನೆಯನ್ನು ಪ್ರಸ್ತಾಪಿಸುವ ಮೊದಲು ಅದು ಸಂಪೂರ್ಣ ಕೌಶಲ್ಯವನ್ನು ಓದುತ್ತದೆ ಮತ್ತು ಪುರಾವೆಯು ಸಂಪಾದನೆಯನ್ನು ಬೆಂಬಲಿಸದಿದ್ದಾಗ ಯಾವುದನ್ನೂ ಪ್ರಸ್ತಾಪಿಸದೆ ದೂರವಿರುತ್ತದೆ.

ಸುಧಾರಣಾ ಏಜೆಂಟ್‌ಗಳು Computer ಬಳಸುವ ಅದೇ harness ಮೇಲೆ ಚಲಿಸುತ್ತವೆ. ನಾವು harness ಅನ್ನು ಮಾಡ್ಯುಲರ್ ಆಗಿ ರೂಪಿಸಿದ್ದೇವೆ, ಆದ್ದರಿಂದ ಹೊಸ ಏಜೆಂಟ್ ಅಪ್ಲಿಕೇಶನ್ ಪ್ಲಗ್ಇನ್‌ಗಳ ಮೂಲಕ ತನ್ನದೇ ಆದ ಸೂಚನೆಗಳು ಮತ್ತು ಸಾಮರ್ಥ್ಯಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುತ್ತಲೇ, ರೀಜನಿಂಗ್, ಟೂಲ್ ಬಳಕೆ ಮತ್ತು ಸಂದರ್ಭ ನಿರ್ವಹಣೆಗಾಗಿ ಅದರ ವ್ಯವಸ್ಥೆಯನ್ನು ಮರುಬಳಕೆ ಮಾಡಬಹುದು. ಮೀಸಲಾದ ಹಿನ್ನೆಲೆ ವರ್ಕರ್ ಸಮೂಹವು ಈ ಸಂಸ್ಕರಣೆಯನ್ನು ಮುನ್ನೆಲೆ ಕಾರ್ಯಗಳಿಂದ ಸ್ವತಂತ್ರವಾಗಿ ಸ್ಕೇಲ್ ಮಾಡಲು ನಮಗೆ ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.

ಸಂವಾದಾತ್ಮಕ ಏಜೆಂಟ್ ಮತ್ತು ಹಿನ್ನೆಲೆ ಸುಧಾರಣಾ ಏಜೆಂಟ್ ಎರಡೂ ಒಂದೇ Computer harnessನಲ್ಲಿ ಚಲಿಸುತ್ತವೆ. ಸುಧಾರಣಾ ಏಜೆಂಟ್ ಸೆಷನ್ ಸಾಕ್ಷ್ಯ ಮತ್ತು ಪ್ರಸ್ತುತ ಕೌಶಲ್ಯಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಬದಲಾವಣೆಯನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತದೆ ಅಥವಾ ಪ್ರಸ್ತಾವನೆ ನೀಡುವುದರಿಂದ ದೂರವಿರುತ್ತದೆ. ಹೊಸ ಆವೃತ್ತಿಯು ಭವಿಷ್ಯದ ಸೆಷನ್‌ಗಳಿಗೆ ಲಭ್ಯವಾಗುವ ಮೊದಲು, ಪ್ರಸ್ತಾವನೆಯು ಆ ಕೌಶಲ್ಯ ಪ್ರಕಾರಕ್ಕೆ ನಿರ್ದಿಷ್ಟವಾದ ಪರಿಶೀಲನೆಗಳಲ್ಲಿ ಉತ್ತೀರ್ಣವಾಗಬೇಕು.

ವೈಯಕ್ತಿಕ ಕೌಶಲ್ಯ ಸುಧಾರಣಾ ಲೂಪ್

ಬಳಕೆದಾರರ ಕಾರ್ಯ ಇತಿಹಾಸವನ್ನು ಹೊಸ ಅಥವಾ ನವೀಕರಿಸಿದ ವೈಯಕ್ತಿಕ ಕೌಶಲ್ಯಗಳಾಗಿ ಪರಿವರ್ತಿಸುವ ವೈಯಕ್ತಿಕ ಸುಧಾರಣಾ ಲೂಪ್‌ಗೆ ಹಂಚಿಕೊಂಡ ಸ್ವಯಂ-ಸುಧಾರಣಾ ಎಂಜಿನ್ ಅನ್ನು ಹೇಗೆ ಅನ್ವಯಿಸಲಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ನಾವು ಮೊದಲು ವಿವರಿಸುತ್ತೇವೆ. ಕೆಳಗಿನ ಚಿತ್ರವು ಒಂದು ಉದಾಹರಣೆ ಕೌಶಲ್ಯವನ್ನು ಸಂಪೂರ್ಣ ಲೂಪ್ ಮೂಲಕ ಅನುಸರಿಸಿ, ಪರಿಷ್ಕೃತ ಆವೃತ್ತಿಯಲ್ಲಿ ಕೊನೆಗೊಳ್ಳುತ್ತದೆ.

ವೈಯಕ್ತಿಕ-ಕೌಶಲ್ಯ ಲೂಪ್ ಸೆಷನ್ ಪುರಾವೆಯಿಂದ ಸುಧಾರಣಾ ಏಜೆಂಟ್, ಪ್ರಸ್ತಾವನೆ ತಪಾಸಣೆಗಳು ಮತ್ತು ಸಕ್ರಿಯಗೊಳಿಸುವಿಕೆಯ ಮೂಲಕ ಸಾಗುತ್ತದೆ. ಪ್ರಸ್ತುತ ಕೌಶಲ್ಯಗಳೂ ಸುಧಾರಣಾ ಏಜೆಂಟ್‌ಗೆ ಮಾಹಿತಿ ನೀಡುತ್ತವೆ; ಸಕ್ರಿಯಗೊಳಿಸಿದ ಬದಲಾವಣೆಗಳು ಭವಿಷ್ಯದ ಸೆಷನ್‌ಗಳಿಗೆ ಲಭ್ಯವಾಗುತ್ತವೆ.

ದೈನಂದಿನ ರಚನಾ ಚಾಲನೆಯ ಸಮಯದಲ್ಲಿ, ಮಾಡಬೇಕಾದ ಬದಲಾವಣೆಗಳನ್ನು ನಿರ್ಧರಿಸಲು ಸುಧಾರಣಾ ಏಜೆಂಟ್ ಬಳಕೆದಾರರ ಇತ್ತೀಚಿನ ಸೆಷನ್‌ಗಳನ್ನು ಪರಿಶೀಲಿಸುತ್ತದೆ. ಇತ್ತೀಚಿನ ಸೆಷನ್‌ಗಳ ಒಂದು ಸಂಗ್ರಹವನ್ನು ಕೌಶಲ್ಯ ಬಳಕೆಯ ಡೇಟಾದೊಂದಿಗೆ ಸ್ಯಾಂಡ್‌ಬಾಕ್ಸ್‌ಗೆ ಮುಂಚಿತವಾಗಿ ಲೋಡ್ ಮಾಡಲಾಗುತ್ತದೆ; ಬಳಕೆದಾರರ ಉಳಿದ ಸೆಷನ್ ಇತಿಹಾಸವನ್ನು ಅಗತ್ಯಕ್ಕೆ ತಕ್ಕಂತೆ ಪಡೆಯಬಹುದು. ಸುಧಾರಣಾ ಏಜೆಂಟ್ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಕೌಶಲ್ಯಗಳ ಕ್ಯಾಟಲಾಗ್ ಅನ್ನೂ ಪಡೆಯುತ್ತದೆ. ಅದಕ್ಕೆ ಇಂಟರ್ನೆಟ್ ಅಥವಾ ಇತರ ಕನೆಕ್ಟರ್‌ಗಳಿಗೆ ಪ್ರವೇಶವಿಲ್ಲ.

ವೈಯಕ್ತಿಕ ಕೌಶಲ್ಯ ಸುಧಾರಣಾ ಕಾರ್ಯಪ್ರವಾಹಕ್ಕಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಲಾದ ಪ್ಲಗ್ಇನ್‌ಗಳು ಮತ್ತು ಕೌಶಲ್ಯಗಳು, ಉತ್ತಮ ನವೀಕರಣ ಯಾವುದು ಎಂಬ ಕುರಿತ ನಮ್ಮ ತತ್ವಗಳನ್ನು ಆಧರಿಸಿ ಪರಾಮರ್ಶೆ ಪ್ರಕ್ರಿಯೆಗೆ ಮಾರ್ಗದರ್ಶನ ನೀಡುತ್ತವೆ. ಪ್ರತಿ ಸೆಷನ್‌ನಲ್ಲಿ ಒಂದು ಸ್ಪಷ್ಟ ಪಾಠವನ್ನು ಗುರುತಿಸಲು ಏಜೆಂಟ್ ಮೊದಲು ಸಂಪೂರ್ಣ ಟ್ರಾಜೆಕ್ಟರಿಗಳನ್ನು ವಿಶ್ಲೇಷಿಸುತ್ತದೆ. ನಂತರ ಅದು ಪಾಠಗಳನ್ನು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಸೂಚನೆಗಳೊಂದಿಗೆ ಹೋಲಿಸಿ, ಕೌಶಲ್ಯವನ್ನು ನವೀಕರಿಸಬೇಕೆ, ಹೊಸದನ್ನು ರಚಿಸಬೇಕೆ ಅಥವಾ ಯಾವುದೇ ಬದಲಾವಣೆ ಮಾಡಬಾರದೆ ಎಂದು ನಿರ್ಧರಿಸುತ್ತದೆ. ಕೌಶಲ್ಯವನ್ನು ರಚಿಸಲು ಒಂದೇ ಮರುಬಳಕೆ ಮಾಡಬಹುದಾದ ವರ್ತನೆಯ ಎರಡು ಸ್ವತಂತ್ರ ಸಂಭವಗಳು ಅಗತ್ಯ, ಆದರೆ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಕೌಶಲ್ಯದ ನವೀಕರಣವನ್ನು ಆಧಾರಸಹಿತವಾದ ಒಂದೇ ಸಂಭವದಿಂದಲೂ ಸಮರ್ಥಿಸಬಹುದು.

ಏಜೆಂಟ್ ಕೌಶಲ್ಯವನ್ನು ನೇರವಾಗಿ ಮಾರ್ಪಡಿಸುವುದಿಲ್ಲ. ಬದಲಿಗೆ, ಉದ್ದೇಶಿತ ಬದಲಾವಣೆಗಳು ಮತ್ತು ಅವುಗಳನ್ನು ಬೆಂಬಲಿಸುವ ತಾರ್ಕಿಕತೆ ಹಾಗೂ ಪುರಾವೆಯನ್ನು ದಾಖಲಿಸುವ ಪ್ರಸ್ತಾವನೆಯನ್ನು ಅದು ತಯಾರಿಸುತ್ತದೆ. ನವೀಕರಣಗಳನ್ನು ಪ್ರತಿ ಚಾಲನೆಯಲ್ಲಿ ಪ್ರತಿ ಕೌಶಲ್ಯಕ್ಕೆ ಒಂದು ಬದಲಾವಣೆಗೆ ಸೀಮಿತಗೊಳಿಸಲಾಗಿದೆ. ಪ್ರಸ್ತಾವನೆಗಳು ಸರಿಯಾದ ರೂಪದಲ್ಲಿವೆ ಮತ್ತು ಕೌಶಲ್ಯಕ್ಕೆ ಅನ್ವಯಿಸಬಹುದು ಎಂಬುದನ್ನು ಡಿಟರ್ಮಿನಿಸ್ಟಿಕ್ ತಪಾಸಣೆಗಳು ದೃಢೀಕರಿಸುತ್ತವೆ. ಪ್ರತ್ಯೇಕವಾಗಿ, ತೀರ್ಪುಗಾರನಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವ LLM ಮಾದರಿ ಆಯ್ಕೆಯ ಮೂಲಕ ಆಯ್ದ ಪ್ರಸ್ತಾವನೆಗಳನ್ನು ಪರಿಶೋಧಿಸುತ್ತದೆ; ಪುರಾವೆಯು ಬದಲಾವಣೆಯನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆಯೇ ಮತ್ತು ಪರಿಣಾಮವಾಗಿ ಬರುವ ಕೌಶಲ್ಯವು ಉಪಯುಕ್ತ ಸೂಚನೆಗಳನ್ನು ಒದಗಿಸುತ್ತದೆಯೇ ಎಂದು ಅದು ಪರಿಶೀಲಿಸುತ್ತದೆ.

ಸಕ್ರಿಯಗೊಳಿಸುವಿಕೆಯು ದೃಢೀಕೃತ ಪ್ರಸ್ತಾವನೆಯನ್ನು ಬಳಕೆದಾರರ ಕೌಶಲ್ಯ ಲೈಬ್ರರಿಗೆ ಮಾಡುವ ಬದಲಾವಣೆಯಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ, ಇದರಿಂದ ಹೊಸ ಆವೃತ್ತಿಯನ್ನು ಭವಿಷ್ಯದ ಸೆಷನ್‌ಗಳಲ್ಲಿ ಲೋಡ್ ಮಾಡಿ ಬಳಸಬಹುದು. ಪ್ರತಿ ಸೆಷನ್‌ನ ಆರಂಭದಲ್ಲಿ harness ಲಭ್ಯವಿರುವ ಎಲ್ಲಾ ಕೌಶಲ್ಯಗಳ ಸೂಚಿಯನ್ನು ಲೋಡ್ ಮಾಡುವುದರಿಂದ, ದೊಡ್ಡ ಕೌಶಲ್ಯ ಲೈಬ್ರರಿಯು ಸಂದರ್ಭ ವಿಂಡೋವನ್ನು ತುಂಬಿಸಬಹುದು ಮತ್ತು ಸಂಬಂಧಿತ ಕೌಶಲ್ಯಗಳನ್ನು ಹುಡುಕಿ ಲೋಡ್ ಮಾಡುವುದನ್ನು ಏಜೆಂಟ್‌ಗೆ ಕಷ್ಟಕರವಾಗಿಸಬಹುದು. ಪರಿಣಾಮವಾಗಿ, ವ್ಯವಸ್ಥೆಯು ಅತ್ಯಂತ ಮೌಲ್ಯಯುತ ಕೌಶಲ್ಯಗಳನ್ನು ಮಾತ್ರ ಇರಿಸಿಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಸಣ್ಣ, ಆಯ್ದ ಲೈಬ್ರರಿಯನ್ನು ಕಾಯ್ದುಕೊಳ್ಳಲು ಅನಗತ್ಯ ಕೌಶಲ್ಯಗಳನ್ನು ನಿವೃತ್ತಿಗೊಳಿಸುತ್ತದೆ. ನಿರ್ದಿಷ್ಟವಾಗಿ, ಸ್ವಯಂಚಾಲಿತವಾಗಿ ರಚಿಸಲಾದ ಕೌಶಲ್ಯಗಳಿಗೆ ನಾವು ಪ್ರತಿ ಬಳಕೆದಾರರಿಗೆ 10 ರ ಮಿತಿಯನ್ನು ಜಾರಿಗೊಳಿಸುತ್ತೇವೆ. ಮಿತಿಯನ್ನು ತಲುಪಿದಾಗಲೂ ಸುಧಾರಣಾ ಏಜೆಂಟ್ ಕೌಶಲ್ಯಗಳನ್ನು ನವೀಕರಿಸಬಹುದು ಅಥವಾ ತೆಗೆದುಹಾಕಬಹುದು, ಆದರೆ ಹೊಸ ಕೌಶಲ್ಯವನ್ನು ಸೇರಿಸಲು ಅದು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಒಂದು ಕೌಶಲ್ಯವನ್ನು ನಿವೃತ್ತಿಗೊಳಿಸಬೇಕು ಮತ್ತು ಹೊಸ ಕೌಶಲ್ಯವು ಬಳಕೆದಾರರ ಕೆಲಸಕ್ಕೆ ಏಕೆ ಹೆಚ್ಚು ಉಪಯುಕ್ತ ಎಂಬುದನ್ನು ಸಮರ್ಥಿಸಬೇಕು.

ಅಂತರ್ನಿರ್ಮಿತ ಕೌಶಲ್ಯ ಸುಧಾರಣಾ ಲೂಪ್

ನಾವು Brain ನ ನಿರಂತರ ಕೌಶಲ್ಯ ಸುಧಾರಣಾ ಚೌಕಟ್ಟನ್ನು ಅಂತರ್ನಿರ್ಮಿತ ಕೌಶಲ್ಯಗಳಿಗೂ ವಿಸ್ತರಿಸುತ್ತೇವೆ. ಒಬ್ಬ ಬಳಕೆದಾರರ ಮೆಮೊರಿ ಮತ್ತು ಸೆಷನ್ ಇತಿಹಾಸವನ್ನು ಬಳಸಿ ಆ ಬಳಕೆದಾರರ ವೈಯಕ್ತಿಕ ಕೌಶಲ್ಯಗಳನ್ನು ಸುಧಾರಿಸುವ ಬದಲು, ಅಂತರ್ನಿರ್ಮಿತ ಲೂಪ್ ಅನೇಕ ಬಳಕೆದಾರರಿಂದ ಪಡೆದ ಪುರಾವೆಯನ್ನು ಬಳಸಿ ಪ್ರತಿಯೊಬ್ಬ Perplexity ಬಳಕೆದಾರರಿಗೆ ಲಭ್ಯವಿರುವ ಕೌಶಲ್ಯಗಳನ್ನು ಸುಧಾರಿಸುತ್ತದೆ. ಅಂತರ್ನಿರ್ಮಿತ ಕೌಶಲ್ಯಗಳನ್ನು ಯಾರು ಬೇಕಾದರೂ ಬಳಸಬಹುದಾದ್ದರಿಂದ, ಬದಲಾವಣೆಗಳ ಮಾನದಂಡ ಹೆಚ್ಚಾಗಿದೆ; ಅಜಾಗರೂಕತೆಯಿಂದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಹದಗೆಡಿಸುವ ನವೀಕರಣಗಳು ಸಾವಿರಾರು ಸೆಷನ್‌ಗಳ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರಬಹುದು. ಅಂತರ್ನಿರ್ಮಿತ ಸುಧಾರಣಾ ಏಜೆಂಟ್ ಕೌಶಲ್ಯಗಳ ಅಭ್ಯರ್ಥಿ ಆವೃತ್ತಿಗಳನ್ನು ಮಾತ್ರ ಬದಲಾಯಿಸುತ್ತದೆ. ಕೌಶಲ್ಯದ ಅಧಿಕೃತ ಆವೃತ್ತಿಯನ್ನು ತಲುಪಲು, ಈ ನವೀಕರಣಗಳು ಜೋಡಿ ರಿಪ್ಲೇ ಮತ್ತು ಆಂತರಿಕ ಮಾನವ ಪರಿಶೀಲನೆಯಲ್ಲಿ ಉತ್ತೀರ್ಣವಾಗಬೇಕು. ಮತ್ತೊಮ್ಮೆ, ಒಂದು ಉದಾಹರಣೆ ಕೌಶಲ್ಯ ಮತ್ತು ಪೂರಕ ಪುರಾವೆಯೊಂದಿಗೆ ನಾವು ಸಂಪೂರ್ಣ ಲೂಪ್ ಅನ್ನು ಅನುಸರಿಸುತ್ತೇವೆ.

ವಿಫಲವಾದ ಸೆಷನ್‌ಗಳಿಂದ ಮೂಲ ಕಾರಣ ಮತ್ತು ಪ್ರತ್ಯೇಕವಾಗಿ ಕಾಯ್ದಿರಿಸಿದ ವೈಫಲ್ಯ ಸನ್ನಿವೇಶಗಳು ದೊರೆಯುತ್ತವೆ. ಸುಧಾರಣಾ ಏಜೆಂಟ್ ಮೂಲ ಕಾರಣ ಮತ್ತು ಸಮಸ್ಯೆರಹಿತ ಉದಾಹರಣೆಗಳನ್ನು ಬಳಸಿ ಪರಿಷ್ಕರಣೆಯನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತದೆ; ಸನ್ನಿವೇಶಗಳನ್ನು ಅದಕ್ಕೆ ಎಂದಿಗೂ ತೋರಿಸಲಾಗುವುದಿಲ್ಲ. ಜೋಡಿ ರಿಪ್ಲೇ ಒಂದೇ ಪರೀಕ್ಷೆಗಳಲ್ಲಿ ಪ್ರಸ್ತುತ ಮತ್ತು ಪರಿಷ್ಕೃತ ಕೌಶಲ್ಯಗಳನ್ನು ಹೋಲಿಸುತ್ತದೆ; ಯಶಸ್ವಿ ಅಭ್ಯರ್ಥಿಗಳು ಅನುಮೋದನೆ ಮತ್ತು ವಿಲೀನಕ್ಕೆ ಮೊದಲು ಮಾನವ ಪರಿಶೀಲನೆಗೆ ಮುಂದುವರಿಯುತ್ತವೆ.

ಅಂತರ್ನಿರ್ಮಿತ ಸುಧಾರಣಾ ಲೂಪ್ ತರಬೇತಿಯಲ್ಲಿ ಬಳಸಲು ಅರ್ಹವಾದ ಸೆಷನ್‌ಗಳಿಂದ ಶುದ್ಧೀಕರಿಸಿದ ಪುರಾವೆಯನ್ನು ಬಳಸುತ್ತದೆ. ಸಂಬಂಧಿತ ಪುರಾವೆಯನ್ನು ಆಯ್ಕೆಮಾಡಲು ಡಯಾಗ್ನೋಸ್ಟಿಕ್‌ಗಳು ಮತ್ತು ವೈಫಲ್ಯ ಸಂಕೇತಗಳನ್ನು ಬಳಸಲಾಗುತ್ತದೆ; ಇದರೊಂದಿಗೆ, ಯಾವುದೇ ಎಚ್ಚರಿಕೆ ಗುರುತುಗಳಿಲ್ಲದೆ ಕೌಶಲ್ಯವನ್ನು ಬಳಸಿದ ನಿಯಂತ್ರಣ ಸೆಷನ್‌ಗಳನ್ನೂ ಬಳಸಲಾಗುತ್ತದೆ. ಶುದ್ಧೀಕರಣ ಪೈಪ್‌ಲೈನ್ ರುಜುವಾತುಗಳು ಮತ್ತು ಇತರ ರಹಸ್ಯ ಮಾಹಿತಿಯನ್ನು, ಜೊತೆಗೆ ಲಗತ್ತಿಸಿದ ಫೈಲ್‌ಗಳು ಮತ್ತು ಮಾಧ್ಯಮವನ್ನು ತೆಗೆದುಹಾಕುತ್ತದೆ.

ಸನ್ನಿವೇಶ-ರಚನಾ ಏಜೆಂಟ್ ಶುದ್ಧೀಕರಿಸಿದ ಪುರಾವೆಯನ್ನು ಸ್ಪಷ್ಟ ವೈಫಲ್ಯ ಸನ್ನಿವೇಶಗಳಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ. ವೈಫಲ್ಯ ಪ್ರಕರಣವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಮತ್ತು ಕೌಶಲ್ಯವನ್ನು ಸುಧಾರಿಸಲು ಅಗತ್ಯವಿರುವ ಸಂದರ್ಭವನ್ನು ಮಾತ್ರ ಅದು ಉಳಿಸಿಕೊಳ್ಳುತ್ತದೆ; ಸೆಷನ್‌ನ ಉಳಿದ ಭಾಗವನ್ನು ಕೃತಕವಾಗಿ ಮರುನಿರ್ಮಿಸಲಾಗುತ್ತದೆ, ಇದರಿಂದ ದೃಢೀಕರಣ ಪ್ರಕ್ರಿಯೆಗಾಗಿ ಸ್ವಯಂಪೂರ್ಣ ಪರೀಕ್ಷೆಯೊಂದು ಸಿದ್ಧವಾಗುತ್ತದೆ. ಸನ್ನಿವೇಶಗಳು ಸಂಪರ್ಕಿತ ಆ್ಯಪ್‌ಗಳು ಅಥವಾ ಸೈನ್-ಇನ್ ಇಲ್ಲದೆ ಚಲಿಸಬೇಕು; ಮೂಲ ಕಾರ್ಯವು ಕನೆಕ್ಟರ್ ಅನ್ನು ಅವಲಂಬಿಸಿದ್ದರೆ, ಸನ್ನಿವೇಶದಲ್ಲಿ ಆ ಇನ್‌ಪುಟ್ ಅನ್ನು ಕೃತಕ ಫೈಲ್‌ಗಳಿಂದ ಬದಲಾಯಿಸಲಾಗುತ್ತದೆ. ರಚಿಸಲಾದ ಸನ್ನಿವೇಶದಲ್ಲಿ ಕೌಶಲ್ಯವು ವಿಫಲವಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ಪ್ರತ್ಯೇಕ ತಪಾಸಣೆಯೊಂದು ದೃಢೀಕರಿಸುತ್ತದೆ.

ಗಮನಿಸಿದ ವೈಫಲ್ಯಗಳನ್ನು ಪರಿಹಾರಗಳಾಗಿ ಪರಿವರ್ತಿಸುವ ಸಾಪ್ತಾಹಿಕ ಪರಿಷ್ಕರಣಾ ಜಾಬ್ ಮೂಲಕ ಪರಾಮರ್ಶೆ ನಡೆಯುತ್ತದೆ. ಒಂದೇ ಕೆಟ್ಟ ಸೆಷನ್ ಸಂಪಾದನೆಗೆ ಕಾರಣವಾಗದಂತೆ, ಇದು ಅನೇಕ ಸೆಷನ್‌ಗಳಲ್ಲಿ ಪುನರಾವರ್ತಿತವಾಗುವ ಕೌಶಲ್ಯ ವೈಫಲ್ಯಗಳನ್ನು ಹುಡುಕುತ್ತದೆ. ಪ್ರತಿ ಪುನರಾವರ್ತಿತ ವೈಫಲ್ಯಕ್ಕೂ ಪ್ರತ್ಯೇಕ ಸುಧಾರಣಾ ಏಜೆಂಟ್ ಚಾಲನೆ ನಡೆಯುತ್ತದೆ. ಏಜೆಂಟ್ ಮೂಲ ಕಾರಣದ ವಿವರಣೆಯನ್ನು, ಯಶಸ್ವಿ ಸೆಷನ್‌ಗಳ ಶುದ್ಧೀಕರಿಸಿದ ದಾಖಲೆಗಳೊಂದಿಗೆ ಪಡೆಯುತ್ತದೆ. ಈ ಪುರಾವೆಯನ್ನು ಬಳಸಿ ಅದು ಕೌಶಲ್ಯದ ಅಭ್ಯರ್ಥಿ ಪರಿಷ್ಕರಣೆಯನ್ನು ಬರೆಯುತ್ತದೆ. ಸಂಪೂರ್ಣ ವೈಫಲ್ಯ ಸನ್ನಿವೇಶಗಳನ್ನು ಮೌಲ್ಯಮಾಪನದಲ್ಲಿ ಬಳಸುವುದರಿಂದ, ಅವುಗಳನ್ನು ಅದು ಪಡೆಯುವುದಿಲ್ಲ.

ಪ್ರತ್ಯೇಕ ರಿಪ್ಲೇ ಜಾಬ್ ರಚಿಸಲಾದ ಸನ್ನಿವೇಶಗಳನ್ನು ಬಳಸಿ ಕೌಶಲ್ಯದ ಮೂಲ ಮತ್ತು ಪರಿಷ್ಕೃತ ಆವೃತ್ತಿಗಳನ್ನು ಹೋಲಿಸುತ್ತದೆ. LLM ತೀರ್ಪುಗಾರವು ಏಜೆಂಟ್‌ನ ಉತ್ತರಗಳು ಮತ್ತು ಟ್ರಾಜೆಕ್ಟರಿಗಳನ್ನು ಪ್ರತಿ ಸನ್ನಿವೇಶದ ರೂಬ್ರಿಕ್‌ಗೆ ಅನುಗುಣವಾಗಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತದೆ. ಪ್ರಸ್ತಾವನೆಯು ಉತ್ತೀರ್ಣವಾಗಲು, ಪರಿಷ್ಕೃತ ಕೌಶಲ್ಯದೊಂದಿಗೆ ಪ್ರತಿಯೊಂದು ಪರೀಕ್ಷಾ ಸನ್ನಿವೇಶವೂ ಉತ್ತೀರ್ಣವಾಗಬೇಕು ಮತ್ತು ಮೂಲ ಕೌಶಲ್ಯದೊಂದಿಗೆ ಕನಿಷ್ಠ ಒಂದಾದರೂ ವಿಫಲವಾಗಬೇಕು. ಯಾವುದೂ ಕೆಲಸ ಮಾಡುವುದನ್ನು ನಿಲ್ಲಿಸಿಲ್ಲ ಎಂದು ಖಚಿತಪಡಿಸಲು, ನಿಯಂತ್ರಣ ಸೆಷನ್‌ಗಳಿಂದ ನಿರ್ಮಿಸಲಾದ ಸನ್ನಿವೇಶಗಳನ್ನೂ ರಿಪ್ಲೇ ಮಾಡಲಾಗುತ್ತದೆ. ವೈಫಲ್ಯ ಸನ್ನಿವೇಶಗಳಿಗೆ, ಅಸಫಲ ಕಾರ್ಯವನ್ನು ಅದೇ ಸಮಸ್ಯೆಯ ಪುರಾವೆಯೆಂದು ಪರಿಗಣಿಸುವ ಬದಲು, ನಿರ್ದಿಷ್ಟ ವೈಫಲ್ಯವೇ ಸಂಭವಿಸಿದೆಯೇ ಎಂಬುದನ್ನೂ ತೀರ್ಪುಗಾರ ಪರಿಶೀಲಿಸುತ್ತದೆ.

ಕಾರ್ಯಪ್ರವಾಹವು ಅಭ್ಯರ್ಥಿ ಬದಲಾವಣೆಗಳು ಮತ್ತು ಮೌಲ್ಯಮಾಪನ ಫಲಿತಾಂಶಗಳನ್ನು ಆಂತರಿಕ ಮಾನವ ಪರಿಶೀಲನೆಗಾಗಿ pull request ಆಗಿ ಪ್ಯಾಕೇಜ್ ಮಾಡುತ್ತದೆ. ಎಂಜಿನಿಯರ್ PR ಅನ್ನು ಅನುಮೋದಿಸಿದರೆ ಮಾತ್ರ ಬದಲಾವಣೆಗಳು ಜಾರಿಗೆ ಬರುತ್ತವೆ.

ಮೌಲ್ಯಮಾಪನಗಳು

ಸ್ವಯಂಚಾಲಿತ ಕೌಶಲ್ಯ ಸುಧಾರಣೆಯು ಕೌಶಲ್ಯಗಳ ರಚನೆ ಮತ್ತು ಬಳಕೆಯನ್ನು ಗಮನಾರ್ಹವಾಗಿ ಹೆಚ್ಚಿಸಿದೆ. ಆಗಸ್ಟ್ 1 ರಿಂದ ನವೆಂಬರ್ 14 ರ ನಡುವೆ Brain 20,000 ಕ್ಕೂ ಹೆಚ್ಚು ಬಳಕೆದಾರರಿಗಾಗಿ 80,000 ಕ್ಕೂ ಹೆಚ್ಚು ವೈಯಕ್ತಿಕ ಕೌಶಲ್ಯಗಳನ್ನು ಬರೆದಿದೆ. ಹೆಚ್ಚುವರಿಯಾಗಿ, ಸೆಪ್ಟೆಂಬರ್ 4 ರಿಂದ ನವೆಂಬರ್ 14 ರ ನಡುವೆ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ 30,000 ಕ್ಕೂ ಹೆಚ್ಚು ವೈಯಕ್ತಿಕ ಕೌಶಲ್ಯಗಳಿಗೆ 1,00,000 ಕ್ಕೂ ಹೆಚ್ಚು ಸ್ವಯಂಚಾಲಿತ ನವೀಕರಣಗಳನ್ನು ಅನ್ವಯಿಸಲಾಗಿದೆ.

ಈ ಕೌಶಲ್ಯಗಳು ಸಾಫ್ಟ್‌ವೇರ್ ಪರಿಶೀಲನೆಯಿಂದ ಹಿಡಿದು ವೇತನಪಟ್ಟಿ ಹೊಂದಾಣಿಕೆ ಮತ್ತು ಚಿತ್ರಗಳ ವಿನ್ಯಾಸದವರೆಗೆ ವ್ಯಾಪಕ ಶ್ರೇಣಿಯ ಕ್ಷೇತ್ರಗಳು ಮತ್ತು ಕಾರ್ಯಗಳನ್ನು ಒಳಗೊಂಡಿವೆ. Brain ರಚಿಸಿದ ಕೌಶಲ್ಯಗಳನ್ನು ಅವು ವಿವರಿಸುವ ಕಾರ್ಯಪ್ರವಾಹಗಳ ಆಧಾರದ ಮೇಲೆ ನಾವು ವರ್ಗೀಕರಿಸಿದ್ದೇವೆ. ಅತಿದೊಡ್ಡ ಕ್ಷೇತ್ರವಾದ ಸಾಫ್ಟ್‌ವೇರ್ ಎಂಜಿನಿಯರಿಂಗ್ ಸಹ ಒಟ್ಟು ಕೌಶಲ್ಯಗಳಲ್ಲಿ ಕೇವಲ 11% ರಷ್ಟನ್ನು ಮಾತ್ರ ಹೊಂದಿದೆ; ಅದರ ನಂತರ ಸಂಶೋಧನೆ ಮತ್ತು ಬ್ರೀಫಿಂಗ್‌ಗಳು (10.1%), ಮಾರಾಟ ಮತ್ತು ಕಾರ್ಯಾಚರಣೆಗಳು (9.9%), ಹಾಗೂ ಹಣಕಾಸು ಮತ್ತು ಹೂಡಿಕೆ (9.9%) ಇವೆ.

ಆಗಸ್ಟ್ 1 ರಿಂದ ನವೆಂಬರ್ 4 ರವರೆಗೆ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ರಚಿಸಲಾದ 64,230 ವೈಯಕ್ತಿಕ ಕೌಶಲ್ಯಗಳಲ್ಲಿ, ಸಾಫ್ಟ್‌ವೇರ್ ಎಂಜಿನಿಯರಿಂಗ್ ಅತಿದೊಡ್ಡ ಪಾಲನ್ನು (11.0%) ಹೊಂದಿದ್ದು, ನಂತರದ ಸ್ಥಾನದಲ್ಲಿ ಸಂಶೋಧನೆ ಮತ್ತು ಬ್ರೀಫಿಂಗ್‌ಗಳು (10.1%) ಇವೆ. ತೋರಿಸಲಾದ ಹತ್ತು ಕ್ಷೇತ್ರಗಳು ಮಾದರಿಯಲ್ಲಿನ ಎಲ್ಲಾ ಕೌಶಲ್ಯಗಳ 80.3% ರಷ್ಟನ್ನು ಒಳಗೊಂಡಿವೆ.

ನಾವು ಉತ್ಪಾದನಾ ಟ್ರಾಫಿಕ್‌ನಲ್ಲಿ ಎಂಟು ವಾರಗಳ ಯಾದೃಚ್ಛಿಕ ಪರೀಕ್ಷೆಯನ್ನು ನಡೆಸಿ, ಸ್ವಯಂಚಾಲಿತ ವೈಯಕ್ತಿಕ-ಕೌಶಲ್ಯ ಸುಧಾರಣೆ ಸಕ್ರಿಯಗೊಂಡಿದ್ದ ಬಳಕೆದಾರರನ್ನು ಅದು ನಿಷ್ಕ್ರಿಯಗೊಂಡಿದ್ದ ನಿಯಂತ್ರಣ ಗುಂಪಿನೊಂದಿಗೆ ಹೋಲಿಸಿದೆವು. ಕೌಶಲ್ಯ ಸುಧಾರಣೆ ಸಕ್ರಿಯಗೊಂಡಿದ್ದವರಲ್ಲಿ 72.9% ಜನರು ಕನಿಷ್ಠ ಒಂದು ಹೊಸ ವೈಯಕ್ತಿಕ ಕೌಶಲ್ಯವನ್ನು ಪಡೆದರು, ಆದರೆ ಅದು ಇಲ್ಲದವರಲ್ಲಿ ಕೇವಲ 6.5% ಜನರು ಹಸ್ತಚಾಲಿತವಾಗಿ ಹೊಸ ಕೌಶಲ್ಯವನ್ನು ಸೇರಿಸಿದರು. ಪ್ರಯೋಗ ಗುಂಪಿನ ಅರ್ಧಕ್ಕಿಂತ ಹೆಚ್ಚು ಜನರಿಗೆ (53%) ತಾವು ಆರಂಭಿಸಿದ ಸಂಭಾಷಣೆಯೊಂದರಲ್ಲಿ ವೈಯಕ್ತಿಕ ಕೌಶಲ್ಯ ಲೋಡ್ ಆಗಿತ್ತು, ನಿಯಂತ್ರಣ ಗುಂಪಿನಲ್ಲಿ ಇದು 13% ಆಗಿತ್ತು; ಅವರ ಟರ್ನ್‌ಗಳಲ್ಲಿ ವೈಯಕ್ತಿಕ ಕೌಶಲ್ಯ ಲೋಡ್ ಆಗುವುದು ಸುಮಾರು 3.6 ಪಟ್ಟು ಹೆಚ್ಚಾಗಿತ್ತು. Brain ಬರೆದ ಕೌಶಲ್ಯವನ್ನು ಪಡೆದ ಗ್ರಾಹಕರಲ್ಲಿ 63% ಜನರು ನಾಲ್ಕು ವಾರಗಳೊಳಗೆ ನಂತರದ ಸಂಭಾಷಣೆಯಲ್ಲಿ ಮತ್ತೆ ಒಂದನ್ನು ಬಳಸಿದರು.

ಎಂಟು ವಾರಗಳ ಯಾದೃಚ್ಛಿಕ ಉತ್ಪಾದನಾ ಪರೀಕ್ಷೆಯಲ್ಲಿ, ಸ್ವಯಂಚಾಲಿತ ಕೌಶಲ್ಯ ಸುಧಾರಣೆಯನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಿದ್ದ ಬಳಕೆದಾರರಲ್ಲಿ 72.9% ಜನರು ಕನಿಷ್ಠ ಒಂದು ಹೊಸ ವೈಯಕ್ತಿಕ ಕೌಶಲ್ಯವನ್ನು ಪಡೆದರು; ನಿಯಂತ್ರಣ ಗುಂಪಿನಲ್ಲಿ ಇದು 6.5% ಆಗಿತ್ತು. ಸಕ್ರಿಯಗೊಳಿಸಿದ ಗುಂಪಿನ 53% ಮತ್ತು ನಿಯಂತ್ರಣ ಗುಂಪಿನ 13% ಬಳಕೆದಾರರಿಗೆ, ಅವರೇ ಪ್ರಾರಂಭಿಸಿದ ಸಂಭಾಷಣೆಯಲ್ಲಿ ವೈಯಕ್ತಿಕ ಕೌಶಲ್ಯವೊಂದು ಲೋಡ್ ಆಗಿತ್ತು.

ಈ ಹೊಸ ಮತ್ತು ನವೀಕರಿಸಿದ ಕೌಶಲ್ಯಗಳು ಕಾರ್ಯ ನಿರ್ವಹಣೆ ಮತ್ತು ಒಟ್ಟಾರೆ ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೇಲೆ ಹೇಗೆ ಪರಿಣಾಮ ಬೀರುತ್ತವೆ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುವುದು ನಮ್ಮ ಮೌಲ್ಯಮಾಪನಗಳ ಉದ್ದೇಶ.

ಅದೇ ಯಾದೃಚ್ಛಿಕ ಪ್ರಯೋಗದ ಫಲಿತಾಂಶಗಳು ಟೂಲ್ ಕರೆ ವೈಫಲ್ಯಗಳು ಮತ್ತು ಬಳಕೆದಾರರ ಅತೃಪ್ತಿಯಲ್ಲಿ ಇಳಿಕೆಯನ್ನು ತೋರಿಸುತ್ತವೆ. ಸ್ವಯಂಚಾಲಿತ ಕೌಶಲ್ಯ ಸುಧಾರಣೆ ಹೊಂದಿದ್ದ ಬಳಕೆದಾರರಿಗೆ, ಎಲ್ಲಾ Computer ಚಟುವಟಿಕೆಗಳಲ್ಲಿ ಟೂಲ್ ಕರೆ ವೈಫಲ್ಯ ದರವು 11% ರಷ್ಟು ಕಡಿಮೆಯಾಯಿತು. ವ್ಯವಸ್ಥೆಯ ಸ್ವಂತ ಹಿನ್ನೆಲೆ ಚಾಲನೆಗಳನ್ನು ಹೊರತುಪಡಿಸಿದರೂ, ಟೂಲ್ ಕರೆಗಳು ಸುಮಾರು 7% ರಷ್ಟು ಕಡಿಮೆ ಬಾರಿ ವಿಫಲವಾದವು; ಇದು ಬಳಕೆದಾರರ ಕೆಲಸದಲ್ಲಿ ವಿಶ್ವಾಸಾರ್ಹತೆ ಸುಧಾರಿಸಿದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ಪ್ರತಿ ಬಳಕೆದಾರರಿಗೆ ಮಧ್ಯಮ/ಹೆಚ್ಚಿನ ಅತೃಪ್ತಿಯ ಥ್ರೆಡ್‌ಗಳ ಸಂಖ್ಯೆಯಿಂದ ಅಳೆಯಲಾದ ಬಳಕೆದಾರರ ಅತೃಪ್ತಿಯು 7.6% ರಷ್ಟು ಕಡಿಮೆಯಾಯಿತು. ವೆಚ್ಚ ಅಥವಾ ಪ್ರತಿಕ್ರಿಯೆ ಸಮಯದಲ್ಲಿ ಅಳೆಯಬಹುದಾದ ಯಾವುದೇ ಬದಲಾವಣೆಯನ್ನು ನಾವು ಕಾಣಲಿಲ್ಲ. ಈ ಆರಂಭಿಕ ಪರೀಕ್ಷೆಗಳು ಭರವಸೆಯ ಫಲಿತಾಂಶಗಳನ್ನು ತೋರಿಸುತ್ತವೆ, ಮತ್ತು ನಾವು ವ್ಯವಸ್ಥೆಯನ್ನು ಪರಿಷ್ಕರಿಸಿ, ಸ್ವಯಂ-ಸುಧಾರಿಸುವ ಕೌಶಲ್ಯಗಳನ್ನು ಹೆಚ್ಚಿನ ಬಳಕೆದಾರರಿಗೆ ಹೊರತಂದಂತೆ ಕಾಲಕ್ರಮೇಣ ಸುಧಾರಣೆಗಳು ಹೆಚ್ಚಾಗುತ್ತವೆ ಎಂದು ನಾವು ನಿರೀಕ್ಷಿಸುತ್ತೇವೆ.

ಆಫ್‌ಲೈನ್ ಪ್ರಯೋಗಗಳೂ ಹೆಚ್ಚು ಸೀಮಿತ ಸಂದರ್ಭಗಳಲ್ಲಿ ಸುಧಾರಣೆಗಳನ್ನು ದಾಖಲಿಸಿವೆ. SkillLearnBench ಪ್ರಯೋಗವೊಂದರಲ್ಲಿ, ಒಂಬತ್ತು ಕಾರ್ಯ ಕುಟುಂಬಗಳಲ್ಲಿ ಪ್ರತಿಯೊಂದಕ್ಕೂ ಒಂದು ವೈಯಕ್ತಿಕ ಕೌಶಲ್ಯವನ್ನು ರಚಿಸಲು Computer ಹಿಂದಿನ ಕಾರ್ಯ ಟ್ರಾಜೆಕ್ಟರಿಗಳನ್ನು ಬಳಸಿತು. 16 ಜೋಡಿ ಮೌಲ್ಯಮಾಪನ ನಿದರ್ಶನಗಳಾದ್ಯಂತ, ಕಾರ್ಯ ಯಶಸ್ಸು ಕೌಶಲ್ಯಗಳಿಲ್ಲದೆ 43.8% ರಿಂದ ರಚಿತ ಕೌಶಲ್ಯಗಳೊಂದಿಗೆ 62.5% ಕ್ಕೆ ಹೆಚ್ಚಿತು; ಹಿಂದಿನ ಅನುಭವದಿಂದ ಪಡೆದ ಕೌಶಲ್ಯಗಳು ಪುನರಾವರ್ತಿತ ಕಾರ್ಯಗಳಲ್ಲಿ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸುಧಾರಿಸಬಲ್ಲವು ಎಂಬುದಕ್ಕೆ ಇದು ಪುರಾವೆ ಒದಗಿಸುತ್ತದೆ. ಒಂದು ಅಂತರ್ನಿರ್ಮಿತ ಪ್ರಕರಣ ಅಧ್ಯಯನದಲ್ಲಿ, ಇ-ಕಾಮರ್ಸ್ ಕೌಶಲ್ಯಕ್ಕೆ ಮಾಡಿದ ಸಂಪಾದನೆಗಳು 32% ಕಡಿಮೆ ವೆಚ್ಚದಲ್ಲಿ 6% ಗುಣಮಟ್ಟ ಹೆಚ್ಚಳಕ್ಕೆ ಕಾರಣವಾದವು; ಗುಣಮಟ್ಟವನ್ನು ಸ್ವಯಂಚಾಲಿತ ತೀರ್ಪುಗಾರ ಅಳೆಯಿತು.

ತೀರ್ಮಾನ

ಸ್ವಯಂ-ಸುಧಾರಿಸುವ ಕೌಶಲ್ಯಗಳು Computer ತಾನು ಮಾಡುವ ಕೆಲಸದಿಂದ ಕಲಿಯಲು ಮತ್ತೊಂದು ಮಾರ್ಗವನ್ನು ನೀಡುತ್ತವೆ. ಇದು ಕಾರ್ಯವಿಧಾನದ ಮೆಮೊರಿಯನ್ನು ರಚಿಸಲು ಮತ್ತು ನಿರ್ವಹಿಸಲು Brain ಅನ್ನು ವಿಸ್ತರಿಸಿ, ಸಂಕೀರ್ಣ ಕಾರ್ಯಪ್ರವಾಹಗಳಲ್ಲಿ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸುಧಾರಿಸುತ್ತದೆ. ಸ್ವಯಂಚಾಲಿತ ಕೌಶಲ್ಯ ಸುಧಾರಣೆಯು ಈಗಾಗಲೇ ಕೌಶಲ್ಯ ಬಳಕೆಯನ್ನು ಹೆಚ್ಚಿಸಿದೆ, ಟೂಲ್ ವೈಫಲ್ಯ ದರಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಿದೆ ಮತ್ತು ಬಳಕೆದಾರರ ಅತೃಪ್ತಿಯನ್ನು ತಗ್ಗಿಸಿದೆ.

ವೈಯಕ್ತಿಕ ಕೌಶಲ್ಯ ಸುಧಾರಣೆ ಈಗ ಎಲ್ಲಾ US Max ಚಂದಾದಾರರಿಗೆ ಲಭ್ಯವಿದೆ. ಅರ್ಹ ಬಳಕೆದಾರರಿಗೆ ಇದು ಡೀಫಾಲ್ಟ್ ಆಗಿ ಆನ್ ಆಗಿರುತ್ತದೆ, ಆದರೆ ಇದನ್ನು ಆಫ್ ಮಾಡಬಹುದು. ಪ್ಲಗ್ಇನ್‌ಗಳು ಟ್ಯಾಬ್ ಲಭ್ಯವಿರುವ ಕೌಶಲ್ಯಗಳನ್ನು ತೋರಿಸುತ್ತದೆ, Brain ರಚಿಸಿದ ಕೌಶಲ್ಯಗಳನ್ನು ಗುರುತಿಸುತ್ತದೆ ಮತ್ತು ಯಾವ ಕೌಶಲ್ಯಗಳನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಬೇಕು ಎಂಬುದನ್ನು ಆಯ್ಕೆಮಾಡಲು ಬಳಕೆದಾರರಿಗೆ ಅವಕಾಶ ನೀಡುತ್ತದೆ.

ಮುಂದೆ, ಬಳಕೆದಾರರು ರಚಿಸಿದ ಕೌಶಲ್ಯಗಳು, ಪ್ರಾಜೆಕ್ಟ್‌ಗಳಲ್ಲಿ ಹಂಚಿಕೊಂಡ ಕೌಶಲ್ಯಗಳು ಮತ್ತು ಸಂಸ್ಥೆಯ ಕೌಶಲ್ಯಗಳು ಸೇರಿದಂತೆ ಇನ್ನಷ್ಟು ಕೌಶಲ್ಯ ವರ್ಗಗಳಿಗೆ ನಾವು ಸುಧಾರಣೆಯನ್ನು ವಿಸ್ತರಿಸುತ್ತೇವೆ. ಪರಿಷ್ಕರಣೆಗಳು ಹೆಚ್ಚು ವಿಶ್ವಾಸಾರ್ಹ ಕಾರ್ಯವಿಧಾನಗಳು ಮತ್ತು ಉತ್ತಮ ಫಲಿತಾಂಶಗಳಿಗೆ ಕಾರಣವಾಗುವಂತೆ, ಸುಧಾರಣಾ ಪೈಪ್‌ಲೈನ್ ಮತ್ತು ಅದರ ಮೌಲ್ಯಮಾಪನಗಳನ್ನು ನಾವು ಪರಿಷ್ಕರಿಸುವುದನ್ನು ಮುಂದುವರಿಸುತ್ತೇವೆ.

ಉಲ್ಲೇಖ

BibTeX
@online{perplexity2026SelfImprovingSkills,
  author = {{Perplexity} and Nicholas Bien and Se Won Jang and Kate Jung and Nikila Venkat and Jarrod Bryan and Claire Beamer and Jeremy Yang},
  title = {{Self-improving skills}},
  date = {2026-11-18},
  url = {https://www.perplexity.ai/hub/blog/self-improving-skills}
}