"हम एक एआई-विश्वस्त ज्ञान सहायक बना रहे हैं कि किस तरह हमारे कर्मचारी जानकारी का उपयोग करेंगे। "

हर काम एक उलटा, राइस डेक, और 2024-25 में संदिग्ध प्रस्तावों से सलाह - मशविरा

परिचय

मैं पिछले महीने में खर्च किया है या ठीक से व्यावसायिक एआई अंतरिक्ष में अपने आप को चलाने. व्यापार meumf की कुल राशि पढ़ें.

यह लगभग सभी एक ही बात है.

"अनुचित कंपनी ज्ञान आधार." "मैं समझदार दस्तावेज़ खोज." "मंसिक गपशप ज्ञान के साथ. "संग्रेजी की प्रतिलिपि हटा और आप एक ही बनावट, एक ही विफलता, और छह महीने नीचे पंक्ति के बारे में एक ही निराश स्तंभ मिल जाएगा. "

ग्राहक चैट विभागों विशेष रूप से मजाक कर रहे हैं - वे सहज रूप से प्रभावी विपत्तियाँ बन सकते हैं जब विकासकर्ताों को एहसास नहीं होता है कि वे सार्वजनिक रूप से उन्हें खुला छोड़ देते हैं। कुछ भी नहीं की तरह अपने समर्थन स्वेच्छा से आप नहीं दे रहे हैं, उत्पाद सुविधाओं के बारे में बात कर रहे हैं कि नहीं है, या किसी भी उचित विनियमित होने के बारे में बात कर रहे हैं। इन दोषों के बारे में कुछ भी नहीं कर रहे हैं, तो वे कर रहे हैं, लेकिन एक संयुक्त राज्य अमेरिका के बारे में बात कर रहे हैं।

यह गंदे रहस्य है कि प्रबंधन में कोई भी सुनना चाहता है: अधिकांश व्यावसायिक एआई परियोजनाओं को नया नहीं कर रहे हैं. वे एक कल्पना लेबल के साथ डीलिंग कर रहे हैं.

इससे पहले कि मैं आगे बढ़ जाऊँ, एक अविभ्यवादी व्यक्ति: मैं एक "Alayymen" नहीं हूँ या जो कुछ भी पल के शीर्षक (सबसे पहले की बात है) यह है जो कि सरल रूप से उपयोग किया गया है. मैं एक सॉफ्टवेयर इंजीनियर हूँ जो इन प्रकार की व्यवस्थाओं का निर्माण किया गया है, ज्ञान, प्राकृतिक भाषा, प्रबंधन के लिए तीन दशकों पहले, मैं इस तस्वीर को देख रहा हूँ. मैं इस तस्वीर के साथ, महान विज्ञान के बारे में और अधिक जानकारी के साथ, और अधिक जानकारी के साथ नहीं है.

व्यावसायिक एआई प्रोजेक्ट की दो किस्म

बाजार खाली बंद करो और तुम मिल जाएगा कि लगभग 95% व्यापार "लांशा" परियोजना दो वर्गों में से एक में गिर जाता है:

टाइप 1: RAG पाइप

यह अब तक की सबसे आम बात है. हर "जर्म एआई समाधान" इस पैटर्न का पालन करता है:

flowchart LR
    A[Documents] --> B[Document Ingestion Pipeline]
    B --> C[Vector Database / RAG]
    C --> D[Construct Prompts]
    D --> E[LLM API Call]
    E --> F[Hybrid Search]
    F --> G[Response to User]

    style B stroke:#ff0000,stroke-width:4px

यही कारण है कि जहां सब कुछ टूट गया है. एक पल में उस पर अधिक.

व्हाइट ध्वनि प्रभावशाली: "हमने एक एआई का निर्माण किया है जो आपकी कंपनी के दस्तावेज़ों को समझता है और बुद्धिमानी से सवालों का जवाब दे सकता है।"

वास्तविकता: आपने एक खोज इंजन बनाया है अतिरिक्त चरणों के साथ और एक पाउंड डेढ़ हज़ार/मा बिल.

टाइप 2: बढ़िया मॉडल

यह भी शानदार है. राव: "हम विशेष रूप से आपके उद्योग के लिए हमारे खुद एआई मॉडल प्रशिक्षित किया है!"

वास्तविकता: आप किसी और के मॉडल ले लिया है और अच्छी तरह से इसे एक डेटासेट पर डाल दिया है कि शायद बहुत छोटा है, बहुत गंदा है, और भी एक अर्थपूर्ण अंतर बनाने के लिए बस अच्छी सलाह के साथ एक अर्थपूर्ण अंतर बनाने के लिए.

flowchart TD
    A[Existing LLM] --> B[Collect Training Data]
    B --> C[Clean Data - Maybe]
    C --> D[Fine-tune Model]
    D --> E[Deploy Model]
    E --> F[Discover it's not much better than base model]
    F --> G[Keep paying for inference anyway]
    G --> H[Hope nobody notices]

मैंने देखा है कि सबसे बढ़िया परियोजनाओं मैं बेहतर सेवा की होगी उनके प्रेरित और वापसी व्यवस्थाओं को सुधारने पर एक ही पैसा खर्च करने के द्वारा.

विश्‍व - दर्शन

रेजी आरेख में उस लाल बॉक्स के बारे में बात करते हैं. नुक़सानदेह हिस्सा है जो सबसे अधिक बार असफल होता है, और यह हिस्सा है कि कम से कम प्रकाशपूर्ण डेमो में ध्यान मिलता है.

बिक्री डेमो क्या दिखाता है:

सुंदर पीडीएफ तंत्र में बह रहे हैं
पूरी तरह से निकाला गया निशान साफ करें
आपके सभी ज्ञान, एआई द्वारा खोज योग्य!

यहाँ वास्तव में क्या होता है:

पीडीएफ समस्या

PDF एक सपना हैं. वे छपाई के लिए बनाया गया था, निर्माण डाटा बनाने के लिए नहीं. प्रत्येक पीडीएफ पारिंग मैं इस्तेमाल किया है अलग विफलता पद्धति:

स्तम्भ जो गलत रूप से मेल खाते हैं
तालिका जो ग्रबिश बन जाती है
शीर्ष- सूचना तथा पाद- सूचना जो सामग्री को दूषित करता है
स्कैन किए गए दस्तावेज़ों की आवश्यकता है ( तथा ओसीआर के पास अपनी त्रुटि दर है)
सुरक्षा सुरक्षा सुरक्षात्मक दस्तावेज़ों कि सभी पर प्रोसेस नहीं किया जा सकता
फ़ॉन्ट एनकोडिंग समस्याएँ जो पाठ को कचरे में बदल दें

और यह सिर्फ पीडीएफ है. आप हिट जब तक इंतजार करें:

पावरपाइंट फ़ाइलें जो स्मार्ट स्टेंटर में पाठ के साथ
ट्रैक परिवर्तनों के साथ शब्द दस्तावेज़
घटनास्थलों के साथ एक्ज़ीक्यूशन फ़ाइलें
पेनों के साथ स्कैन की गई छवियों
90s में मारे गए सिस्टमों से विरासत

झिलाहीदार

एक बार जब आप पाठ (कम से कम) निकाले गए हैं, आप इसे अपने सदिश डाटाबेस के लिए रीफ्रेक्ट करने की जरूरत है. यह जहां और अधिक जादू सोच होता है.

"हम sumanmanmans का उपयोग करेंगे!" महान, अपने 200-पेज अनुबंध अब 500 टुकड़ा है, और एआई को नहीं पता है कि वे क्या संबंधित हैं या क्या क्रम में.

"हम निश्चित रूप से व्यवस्थित आकार का उपयोग करेंगे!" बिल्कुल सही, आप सिर्फ आधा में एक वाक्य विभाजित किया है और अब बना बकवास को सूचित करता है।

flowchart TD
    A[Original Document] --> B[Chunk 1: This contract shall be governed by]
    A --> C[Chunk 2: the laws of the State of California]
    B --> D[Embedding: Legal stuff?]
    C --> E[Embedding: Geography?]
    D --> F[User asks about jurisdiction]
    E --> F
    F --> G[AI: Based on my knowledge, possibly California, or maybe legal governance, who knows]

मेटाडाटा मीटर

अच्छा RG को अच्छा मेटाडाटा की जरूरत है. लेकिन दस्तावेज़ों से मेटाडाटा निकालना कठिन है:

दस्तावेज़ तारीख क्या है?
लेखक कौन है? जो व्यक्‍ति जिसने फ़ाइल, कानूनी लेखक, या विषय विशेषज्ञ बनाया?
कौन सा वर्ग है? शायद आपके करिम से मेल नहीं खाता कि दस्तावेज़ों को वास्तव में व्यवस्थित किया गया था।
क्या यह दस्तावेज़ अभी भी वैध है? या क्या यह कुछ नया है जो आपके तंत्र के बारे में नहीं जानता?

अधिकतर संगठनों के पास दशकों के दस्तावेज़ों के नामवादी अधिवेशनों, फ़ोल्डर संरचनाएं हैं जो 2003 में छोड़ दिए गए किसी को समझ में आ गए हैं और मेटाडेटा कि या तो या तो गुम या गलत है.

बढ़िया- आदर्श स्ट्यूचिया

मुझे स्पष्ट होना चाहिए: अच्छी तरह से करने का अपना स्थान है. लेकिन सबसे तरीका यह बुनियादी रूप से टूट गया है.

डाटा समस्या

अच्छी तरह से काम करने के लिए गुण प्रशिक्षण डेटा की जरूरत है. अधिकांश कंपनियों के पास यह नहीं है. उनके पास है:

नोइसी, नोइसिस्ट डाटा जो तंत्रों में फैले हुए हैं
डाटा जो दिखाता है कि कैसे कार्य किए गए थे, नहीं कि कैसे किया जाना चाहिए
डेटा कि गलती से भरा है कभी भी ठीक करने के लिए परेशान नहीं है
डेटा कि सत्तावरी है लेकिन वास्तव में नहीं है कि मूल्यवान

"हम हमारे समर्थन टिकटों पर ठीक aving करेंगे!" आपका समर्थन टिकट असफल ग्राहकों से भरा है, नीसी कर्मचारियों से गलत जानकारी, और किनारे के मामलों कि सामान्य उपयोग का प्रतिनिधित्व नहीं करते।

"हम हमारे बिक्री कॉल पर अच्छी-प्रयोग करेंगे!" आप उन लोगों का मतलब है जहाँ बिक्री लोग वादा करते हैं उत्पाद नहीं रख सकते?

परीक्षण समस्या

आप कैसे जानते हैं कि अगर आपका अच्छा-बदला मॉडल वास्तव में बेहतर है? अधिकांश कंपनियों इस वजह से जवाब नहीं दे सकते हैं:

उनके पास एक अच्छा कंडमार्क डाटा नहीं है
वे स्पष्ट मूल्यांकन मुझे डाउनलोड नहीं है
वे कठिन ए/B परीक्षण नहीं किया है
वे दीवारों की तुलना में कर रहे हैं, डेटा नहीं

मैं कंपनियों को छह महीने अच्छी तरह से भुगतान किया है एक मॉडल और फिर यह साबित करने के लिए कोई रास्ता नहीं है सिर्फ एक अच्छी प्रणाली के साथ GET4 का उपयोग करने से बेहतर है।

साफ - सफाई की समस्या

ठीक-प्रयोग मॉडलों को अद्यतन करने की आवश्यकता है। आपके व्यापार परिवर्तन बदल। आपकी प्रक्रियाओं में बदलाव। आप जनवरी में ठीक से काम किया गया मॉडल अब पुरानी जानकारी पर आधारित जवाब दे रहा है।

लेकिन अद्यतन का मतलब है:

नया प्रशिक्षण डाटा प्राप्त किया जा रहा है
फिर से प्रशिक्षण चल रहा है
नए मॉडल की पुष्टि कर रहे हैं
इसे विस्फोटित कर दो
आप रीग्रेसन का परिचय नहीं किया जा रहा है

अधिकांश कंपनियों ने एक बार और फिर बहाव के साथ बस रहते हैं। मॉडल धीरे धीरे से कम महत्वपूर्ण हो जाता है जबकि हर कोई यह अभी भी मूल्य जोड़ता है।

“ बुद्धि ” परियोजना वास्तव में के लिए अच्छा है

मुझे गलत नहीं मिलता है. वहाँ वैध उपयोग मामले हैं:

flowchart TD
    subgraph RAGWorks["✅ RAG Works When"]
        R1[Well-structured docs]
        R2[Clear metadata]
        R3[Search + synthesis use case]
        R4[Heavy ingestion investment]
        R5[Feedback loops exist]
    end

    subgraph FTWorks["✅ Fine-Tuning Works When"]
        F1[Large high-quality dataset]
        F2[Base model truly struggles]
        F3[Ongoing maintenance budget]
        F4[Clear eval metrics]
        F5[Already tried prompting + RAG]
    end

    style R4 stroke:#00aa00,stroke-width:2px
    style F5 stroke:#00aa00,stroke-width:2px

हरे बक्से सबसे अधिक परियोजना छोड़ने वाले हैं. "हम पहले से ही संकल्पित प्रेरणा और रेजी" अच्छी तरह से सांस लेने के लिए पट्टी है. "डेंट निवेश" RG के लिए पट्टी है. इन छोड़ दो और आप रेत पर निर्माण कर रहे हैं.

वास्तविक समस्याएँ कोई भी समाधान नहीं है

जबकि हर कोई एक ही रीग्रेसन निर्माण कर रहा है, वास्तव में व्यावसायिक एआई में दिलचस्प समस्या को नज़रअंदाज़ किया जा रहा है:

डाटा विशेषता

एआई पर सबसे बड़ी बाधा मॉडल नहीं है. यह डेटा है. अधिकांश संगठन के पास है:

डाटा दर्जनों सिस्टमों में फैला है जो एक दूसरे से बात नहीं करते
किसी भी चीज़ के लिए सच्चाई का केवल स्रोत
डेटा शासन है कि तथ्य से अधिक आशा है
विशेषता मुद्दों को निर्धारित करने के लिए कोई भी बजट नहीं है

लेकिन "सेट क्वालिटी पहल" आपको एक डब लेख के रूप में नहीं मिलता है जैसे "अनुष्ट परिवर्तन" करता है.

प्रक्रिया संयोजन

एक एआई गपशप को एक मौजूदा प्रक्रिया में गिराना इसे बेहतर नहीं बनाता. प्रक्रिया को एआई की क्षमता और सीमाएँ के चारों ओर लाल स्वाय होना चाहिए. अधिकांश कंपनियों ने सिर्फ टूटी हुई प्रक्रियाओं और आश्चर्य है कि यह मदद नहीं करता है.

मानव- कृत्रिम बुद्धि पत्र

सबसे अच्छा एआई कार्यान्वयन उन्हें बदलने की कोशिश के बजाय मानव क्षमताओं को वितरित करता है. लेकिन यह इतना कठिन है कि X को स्वतः चालू करता है.

मनुष्य + एआई एक साथ काम करने की माँग करता है:

हाथ बन्द बिन्दुओं को साफ करें
पारदर्शी एआई तर्क
आसान ओवरराइड करता है
सुधार के लिए फ़ीडबैक

अधिकांश व्यावसायिक एआई परियोजनाओं एक विचार के बाद मानव के साथ व्यवहार करती हैं.

वास्तविक प्रयास

वास्तव में मूल्यवान एआई अनुप्रयोग "अपने दस्तावेज़ों पर गपशप नहीं कर रहे हैं." वे कार्यक्रम कर रहे हैं कि:

ऐसी बातें सक्षम करें जो पहले असंभव थे
मूल्य की नई श्रेणियाँ बनाएँ
मूल रूप से नए तरीक़ों में समस्याएँ हल करें

लेकिन वे मुश्किल हैं. Regs आसान (सही, आसान) है. तो यह है कि हर कोई जो बनाता है.

चिकित्सा - विज्ञान की जटिल तकनीक

गूंगा एआई परियोजनाओं का एक प्रमुख ड्राइवर है सलाहकारीय पर्यावरण:

flowchart TD
    A[Big Consultancy Tells C-Suite: You Need AI!] --> B[C-Suite Panics]
    B --> C[Consultancy Deploys Army of Juniors]
    C --> D[Recommendations: RAG + Fine-Tuning]
    D --> E[Build Same Thing as Last 20 Clients]
    E --> F[Demo Goes Well]
    F --> G[Reality: Real Data Breaks Everything]
    G --> H[Consultancy Moves On]
    H --> I[Internal Team Struggles]
    I --> J[Project Quietly Fails]
    J --> K[Nobody Admits It]
    K --> A

    style G stroke:#ff0000,stroke-width:3px
    style J stroke:#ff0000,stroke-width:3px

मैंने यह पैटर्न दर्जनों बार देखा है। परामर्शदाता भुगतान किया जाता है। अधिकारी कहते हैं कि वे "व्हेल" कहते हैं कि मुश्किल से काम करता है। और वास्तविक व्यापार समस्या अभी भी सीमित है।

वीसी- ड्राइव एआई आवश्यक

स्टार्टअप एक छोटे से विभिन्न जाल में गिर जाती है. यह परामर्शदाता नहीं है कि नक़ला चला रहे हैं - यह धन - दौलत के वातावरण को चलाने के लिए है.

timeline
    title Technology Requirements for VC Funding
    2005 : Web 2.0 - "You need social features"
    2010 : Mobile - "You need an app"
    2015 : Cloud - "You need to be cloud-native"
    2018 : Blockchain - "You need a token"
    2023 : AI - "You need an AI strategy"

अच्छी तरह से पता है? हर कुछ साल, वहाँ एक नई तकनीक है कि वीसी निर्णय अनिवार्य है. यदि आपका रासी डेक यह विशेष रूप से उल्लेख नहीं करता है, आप नहीं किया जा रहा है. प्रौद्योगिकी आपके वास्तविक उत्पाद के लिए अनुचित हो सकता है, नहीं है. आप के बारे में बात की जरूरत है. आप के बारे में बात की जरूरत है.

मैंने देखा कि यह 2020-18 में ब्लॉकिन के साथ हुआ. सख़्ती जो एक ब्लॉकोइन पर कोई व्यापार किया जा रहा था उनके उत्पादों में जूते डाल रहे थे क्योंकि कि क्या पैसा मिल गया है. उन सभी ब्लॉक सुविधाओं में से अधिकांश चुपचाप गायब हो गया एक बार पैसे सुरक्षित था.

अब यह एआई के साथ हो रहा है.

स्टार्टअप्स उन उत्पादों पर बंद कर रहे हैं जो उन्हें जरूरत नहीं है क्योंकि:

"Anders" का उल्लेख बिना डेक पर नहीं देखेंगे
वाल्टर्स 3-5x उच्च है "नेक्शेल्स" के लिए
प्रेस सिर्फ एआईसी कहानियों को कवर करता है
"अनुभ्य- शक्ति" व्यापार के लिए तालिका स्तंभ है

परिणाम? अजीब एआई विशेषताओं के साथ उत्पाद जो उपयोक्ता नज़रअंदाज़ करते हैं. अच्छी तरह से गुप्त परीक्षण पर बर्न किया जा सकता है कि कहीं नहीं जाना. इंजीनियरिंग समय RG सिस्टमों पर बर्बाद किया जब एक साधारण डाटाबेस क्वैरी बेहतर काम करेगा.

सबसे बुरा भाग: कई लोगों को पता है कि यह मूर्खतापूर्ण है. वे एआई विशेषताओं को बनाने के लिए वे में विश्वास नहीं कर रहे हैं क्योंकि वे काफी लंबे समय तक जीवित रहने की जरूरत है वे वास्तव में किस बारे में परवाह करते हैं. कुछ सफलता इस खेल में. अधिकांश नहीं है.

यदि आप एक स्टार्टअप संस्थापक हैं जो एआई को जोड़ने के लिए मजबूर किया जा रहा है, अपने आप से पूछिए:

एआई सच में मेरे उत्पाद का मुख्य मूल्य प्रस्ताव बेहतर है?
या मैं सिर्फ निवेशकों के लिए एक बॉक्स की जाँच कर रहा हूँ?

अगर यह बाहर है, कम से कम व्यवहारात्मक एआई विशेषता निर्माण करें जो बॉक्स की जाँच करता है, तो ध्यान केंद्रित करते हैं कि वास्तव में क्या बात मायने रखती है।

मन - ही - मन बढ़ जाता है

यहाँ अस्वाभाविक सत्य है एआई में कोई भी चर्चा करना चाहता है: दुनिया - भर में लगभग हर किसी को यह सोचने का बढ़ावा दिया जाता है कि वह क्या कर रहा है ।

flowchart TD
    subgraph Researchers["🔬 Frontier Labs"]
        R1[Need billions for compute]
        R2[Must show progress to justify spend]
        R3[Hype generates investment]
    end

    subgraph Companies["🏢 Tech Companies"]
        C1[Need AI angle for valuation]
        C2[Must justify AI team costs]
        C3[Hype drives stock price]
    end

    subgraph Investors["💰 Financial Backers"]
        I1[Massive capital deployed]
        I2[Need exits and returns]
        I3[Hype maintains valuations]
    end

    subgraph Media["📰 Tech Media"]
        M1[AI stories get clicks]
        M2[Access depends on positive coverage]
        M3[Hype drives engagement]
    end

    R3 --> I1
    C3 --> I1
    I3 --> R1
    I3 --> C1
    M3 --> R3
    M3 --> C3

एन. ए. सामने प्रयोगशालाओं में अरबों लोगों को मॉडलों की अगली पीढ़ी को प्रशिक्षित करने के लिए गणना की जरूरत है। वह पैसा निवेशकों और बड़े तकनीक से आता है। कि खर्च, वे प्रगति प्रदर्शित करने की जरूरत है - और "progiwit" के बारे में बिना किसी प्रकार की घोषणाओं में अनुवाद किया जाता है कि प्रयोग की जा सकता है या व्यावहारिक अनुप्रयोगों में भौतिक रूप से भौतिक रूप से नहीं. यदि यह मर जाता है, तो syprey, sirateing की जरूरत है।

कंपनियों (दोनों) एआई प्रयोगशालाओं और हर किसी को जारी रखने के लिए विवरण की जरूरत है. खुली बुद्धि के अनुमान पर निर्भर करता है कि Affies कोने के चारों ओर है. हर "AC-Reted" शुरू किया गया है. "हर शक्ति" गर्म क्षेत्र पर बहुत निर्भर करता है. पल के परिवर्तन, अरबों कागजों में बदल जाता है.

मालिक वे बाहर निकलने की जरूरत है संगीत की जरूरत है काफी देर तक खेलने के लिए खेलने के लिए। पास-प्रयोगीय एआई क्षमताओं का एक सटीक अनुमान इस क्षेत्र के माध्यम से नष्ट हो जाएगा।

मीडिया यह पता चला है कि एआई कहानियों से भारी प्रश्न उत्पन्‍न होता है. नेफेश नहीं मिलता है. "AEn आपकी नौकरी ले जाएगा" और "ARTET X को हल कर देगा.JANTaT X "से समाप्त करें" की पहुँच अक्सर सकारात्मक संबंधों को बनाए रखने पर निर्भर करता है - जिसका मतलब है बहुत ही कठिन सौदा बनाने के लिए करियर बनाने की योजना है. "

इसका परिणाम क्या हुआ? एक आत्म - परीक्षण चक्र जहाँ हर किसी के पास अपेक्षाओं को सीमित रखने के कारण हैं, और बहुत कम लोग सत्य को बताने से लाभ उठाते हैं।

इसका मतलब यह नहीं है कि एआई वास्तव में उपयोगी नहीं है - यह बिल्कुल है, जैसा कि मैंने इस लेख में चर्चा की है. लेकिन क्या वादा किया जा रहा है और क्या छुटकारा दिया जा रहा है के बीच अंतर बहुत है, और सभी प्रेरणा छिपा रखने के लिए सभी महत्वपूर्ण हैं.

जब कोई आपसे कहे कि एआई आपके व्यापार को बदल देगा, अपने आप से पूछिए: वे आपको क्या विश्‍वास करते हैं?

असल में आपको क्या करना चाहिए?

आप एक एआई प्रोजेक्ट पर विचार कर रहे हैं, तो यहाँ मेरी ईमानदार सलाह है:

1. समस्या के साथ शुरू करें, प्रौद्योगिकी नहीं

"हम एआई का उपयोग कैसे कर सकते हैं?" पूछें "हम क्या समस्या हल करने की कोशिश कर रहे हैं?" यदि एआई सही समाधान है, महान. लेकिन अक्सर यह नहीं है.

2. अपना डाटा पहले ठीक करें

इससे पहले कि आप एक RAGRGERT, अपने दस्तावेज़ खराब करें. ठीक है, अपने प्रशिक्षण डाटा साफ करें. एआई आपके डाटा समस्या को ठीक नहीं करेगा, यह उन्हें हल कर देगा.

3 छोटी - छोटी शुरूआत

एक विशाल "प्रयोग" मत शुरू करो. संकल्प का एक छोटा सा प्रमाण बनाइए. इसे वास्तविक उपभोक्ताओं के साथ परीक्षण करें. सीखिए कि वास्तव में क्या काम करता है. फिर विस्तृत करें.

4 बोरी बिट में.

दस्तावेज़ सेक्सी नहीं है. डेटा साफ करना रोमांचक नहीं है. मूल्यांकन फ्रेमवर्क कुछ भी नहीं है जो आप बोर्ड को डेमो सकते हैं. लेकिन ये क्या कर रहे हैं सफलता या असफलता को निर्धारित कर रहे हैं.

हद - से - ज़्यादा की उम्मीद मत कीजिए

एआई जादू नहीं है. वर्तमान RLLMyM तंत्र महत्वपूर्ण दस्तावेज़ों की याद आती है. बढ़िया विकल्प बहाव. संभावित अपेक्षाओं को सेट करें.

रोज़ी - रोटी के लिए योजना बनाइए ।

इस व्यवस्था को बनाने का प्रयास शायद ३०% है ।

हर हाल में आपको एक मनपसंद हल की ज़रूरत है ।

शायद आपको बस बंद-शल्फ औज़ारों का उपयोग बेहतर है. कुछ कस्टम निर्देशों के साथ गपशप पर्याप्त हो सकता है. हर चीज़ की जरूरत नहीं है .

लेकिन वे Dakb करने के लिए नहीं है

ठीक है, मैं एक उचित कुछ शब्द खर्च कर दिया है व्यावसायिक एआई परियोजनाओं बंद. अब उम्मीद है कि बिट के लिए: ये परियोजना वास्तव में काम कर सकती है, यदि आप उनके पास स्पष्ट रूप से जाते हैं ।

समस्या RG या अच्छी धारणा के रूप में अच्छी तरह से नहीं है. समस्या आलसी कार्यान्वयन है, गंभीर संभावनाओं को नज़रअंदाज़ कर देती है. यहाँ यह कैसे करना बेहतर है.

मौजूदा कार्य में एआई फूल, उन्हें नहीं बदलें

सबसे बड़ी गलती जो मैं देखता हूँ एआई को मौजूदा प्रक्रियाओं के बदले एक बदलने के लिए एक प्रतिस्थापित किया जा रहा है। आपका व्यापार पहले से ही काम करता है कि काम करता है। इन्हें बाहर निकालना और उन्हें एक "Alaund-s" संस्करण के साथ बदलने के बजाय उन्हें बदलने के लिए एक "Ad-Ad-Ad-s" संस्करण, एआई को बीच में बदलने के लिए।

flowchart TD
    subgraph Traditional["Traditional Workflow"]
        A[Document Arrives] --> B[Human Reviews]
        B --> C[Decision Made]
        C --> D[Action Taken]
        D --> E[Results Logged]
    end

    subgraph Enhanced["AI-Enhanced Workflow"]
        A2[Document Arrives] --> AI1[AI: Extract Key Info]
        AI1 --> B2[Human Reviews - With AI Summary]
        B2 --> AI2[AI: Suggest Decision Based on History]
        AI2 --> C2[Human Makes Final Decision]
        C2 --> D2[Action Taken]
        D2 --> AI3[AI: Auto-categorise & Log]
        AI3 --> E2[Results Available for Future AI Training]
    end

ध्यान दीजिए कि अलग क्या है:

मनुष्य अब भी लूप में हैं उस मामले में निर्णय के लिए
एआई बिट्स संभालता है - निकासी, जाँच, बिल्ली
प्रत्येक एआई चरण छोटा है और प्रमाण पत्र - अगर एआई को निकाला जाता है गलत, मानव समीक्षा के दौरान इसे पकड़ लेता है
फीडबैक लूप्स मौजूद है - लॉगइन परिणाम भविष्य एआई सुधार को प्रशिक्षित कर सकते हैं

यह सबसे अधिक मजबूत है "सभी को संभालता है और कभी कभी एक मानव जांच."

लागत तथा गोपनीयता के लिए स्थानीयLLM प्रयोग करें

यहाँ एक गंदा रहस्य है: शायद आपको GS-4 या कच्चे कार्यों की जरूरत नहीं है. और आपको निश्चित रूप से अपने गोपनीय दस्तावेज़ों को लूसिया सर्वरों को भेजने की जरूरत नहीं है.

खर्चा समस्या

पैमाने पर, बिल खर्च तेजी से जोड़ता है. एक व्यस्त रेजी प्रणाली प्रत्येक दिन हज़ारों एनएम कॉल कर सकता है. $ 0. 03 प्रति 1K चिन्ह पर, कि वास्तविक पैसा है. और के रूप में, यह बदतर हो जाता है.

गोपनीय समस्या

बहुत से संगठन अपने दस्तावेज़ों को बाहरी एपीआई में भेज नहीं सकते:

क्लाएंट जानकारी के साथ लीगल दस्तावेज़ों
मेडिकल रिकॉर्ड
वित्तीय डाटा
गुण (_P)
जो कुछ GDRP से कवर, तिA, आदि.

हल: स्थानीय मॉडल

आधुनिक खुले स्रोत मॉडल खूनी हैं. स्थानीय स्तर से चल रहे हैं:

शून्य विपरीत लागत प्रति क्वैरी - आप हार्डवेयर के लिए भुगतान किया है, इंफिक्स "फ्री" है
डाटा गोपनीयता पूर्ण करें - कुछ भी नहीं अपने इन्फ्रास्ट्रक्चर छोड़ देता है
कोई दर सीमा नहीं - उतना स्केल आपके हार्डवेयर की अनुमति देता है जितना कि
मनपसंदीकरण विकल्प - अपने नियंत्रण छोड़ने के बिना ठीक- समायोजित करें

flowchart LR
    subgraph Cloud["Cloud API Approach"]
        A1[Your Documents] --> B1[Internet]
        B1 --> C1[OpenAI/Anthropic]
        C1 --> D1[£££/month]
        C1 --> E1[Privacy Concerns]
    end

    subgraph Local["Local LLM Approach"]
        A2[Your Documents] --> B2[Your Server]
        B2 --> C2[Local LLM]
        C2 --> D2[Fixed Hardware Cost]
        C2 --> E2[Data Never Leaves]
    end

व्यावहारिक स्थानीय मॉडल विकल्प

के लिए एम्बेड किया जा रहा है ( RAG वेक्टर खोज बिट):

वाक्य- स्केल्स - तेज, यथार्थ, साधारण हार्डवेयर पर चलता है
न्यूक्लीयName - बढ़िया क्वालिटी, छोटा फुट छपाई
BG मॉडल - व्यावसायिक विकल्पों के साथ विवश

के लिए नया पीढ़ी ( वास्तविक "अनुष्ट" जवाब):

Larga 3. 1 8B/70B - उत्कृष्ट सामान्य उद्देश्य, महान शिक्षण के बाद
मिस्टी/मास्क - तेज, कुशल, अच्छी तर्क
पीही- 3 - चमत्कार इसके आकार के लिए सक्षम
क्यूवेएन 2. 2 - मजबूत अलग-अलग समर्थन

के लिए समाप्त हो रहे कार्य को:

कोडलालालाjapan. kgm - कोड के लिए विशिष्ट रूप से प्रशिक्षित
फ़ाइल% 1 आयात किया जा रहा है - उत्कृष्ट कोड समझ
तारा कोड - कई भाषाओं के लिए अच्छा

इन स्थानीय दौड़ के रूप में कठिन नहीं है जैसे आप सोचते हैं. औज़ार की तरह ओलमाjapan. kgm, विलमा. बीपीपी, वीएलएम, या पाठ- पीढ़ी- इनके- अतिप्रयोग यह सरल बनाने के लिए। मैंने कई ए. ए. (देखो कि आलेख का तल) बनाया है, जो दिखाता है कि यह उपभोक्ता हार्डवेयर पर चल रहा है।

हाइब्रीड के पास

आप सभी या कुछ भी नहीं जाना है. एक शुद्ध रचना उपयोग:

उच्च-oooom के लिए स्थानीय मॉडल, कम-सीता कार्यों के लिए
- दस्तावेज़ क्लास जानकारी
- एंटिटी एनक्शन
- सादा क्यू डब्ल्यूईए
- प्रचार
ज़रूरत पड़ने पर बादल जटिल तर्क के लिए
- जटिल बहु- चरण विश्लेषण
- कार्य को सबसे बड़े संदर्भ विंडो की जरूरत है
- जब स्थानीय मॉडल भरोसे कम हो तो कालबैक

जब आपको सचमुच इसकी ज़रूरत होती है, तो आप बादल मॉडलों की क्षमता से स्थानीय ज्ञान के लाभ प्राप्त करते हैं ।

अंजूटा हैंगिंग मूल्य बनाता है, बड़े बींग रूपांतरण्स नहीं

flowchart LR
    subgraph Waterfall["❌ The Waterfall AI Project"]
        W1[Month 1-3: Requirements] --> W2[Month 4-6: Build Platform]
        W2 --> W3[Month 7-9: Integration]
        W3 --> W4[Month 10: Demo - Looks Great!]
        W4 --> W5[Month 11: Real Users Break It]
        W5 --> W6[Month 12: Project Shelved]
    end

    subgraph Incremental["✅ The Incremental Approach"]
        I1[Week 1-2: One Small Problem] --> I2[Week 3-4: Refine + Measure]
        I2 --> I3[Week 5-6: Add Capability]
        I3 --> I4[Week 7-8: Refine + Measure]
        I4 --> I5[Repeat...]
        I5 --> I6[Continuous Value Delivery]
    end

    style W5 stroke:#ff0000,stroke-width:3px
    style W6 stroke:#ff0000,stroke-width:3px
    style I6 stroke:#00aa00,stroke-width:3px

विकासशीलता के हर कदम मुझे मुक्त मूल्य देता है. हर कदम आपको कुछ सिखाता है. यदि कुछ असफल हो जाए, तो आप सप्ताह खो दिया है, नहीं महीने.

दस्तावेज़ को पहली जगह के बारे में जानकारी दीजिए

याद रखें कि आरेख में लाल बॉक्स? यहाँ है वास्तव में इसे ठीक करना:

मात्रा में गुण में प्रवेश. यह अच्छा है 1,000 पूर्ण रूप से काम किया गया दस्तावेज़ों 100,000 से अधिक खराब. अपने सबसे महत्वपूर्ण दस्तावेज़ों के साथ शुरू करो और उन्हें सही पाने के लिए.

प्रोज्शन के साथ मदद करने के लिए एआई का उपयोग करें. आधुनिक दर्शन मॉडल (उदाहरण-4वीवी, लावीए) वास्तव में जटिल दस्तावेज़ों, चार्टों, हस्तलिखित नोटों को पढ़ सकते हैं जो पारंपरिक ओसीआर नहीं कर सकते. इन्हें कठोर दस्तावेज़ों के लिए इस्तेमाल करें.

फ़ीडबैक लूप बनाएं. जब प्राप्त करने में असफल, इसे लो. जब उपयोक्ता कहते हैं कि दस्तावेज़ क्या कहता है, इसे पकड़ो. इस प्रतिक्रिया का प्रयोग करें अपने प्रक्षेपन में सुधार लाने के लिए.

कि कुछ दस्तावेज़ों को काम नहीं करेगा स्वीकार करें. प्रत्येक प्राचीन प्लोटो पीडीएफ के साथ लड़ के लायक नहीं है. कभी कभी जवाब "हम उस प्रकार का काम करेंगे" है "हम बाहर के मामलों में महीनों खर्च करने के बजाय"।

पूरे तंत्र के बारे में सोचो, सिर्फ एआई बिट के बारे में नहीं

एक कार्य एआई समाधान की आवश्यकता है:

आसमान में जो सबसे परियोजना है, वह असल में कौन - से कार्य करता है |-----------|----------------------|---------------------| आरंभ में विचार किए गए प्राथमिक फोकस के बाद सोपरसन डाटा INRE आँकड़ा गुणवत्ता "ALAL इसे बाहर निकाल देगा" TARENTHANTHE ARTARTEASTipth मौलिक सदिश खोज Hyrow + redinging INBLLLL आउटपुट आधार के साथ एवेल्यूशन आउटपुट यूजीन मानव अनुसंसा पर पुनर्विचार करता है मैं काम पर बैठते हैं कनाडा में यहोवा के साक्षियों के शाखा दफ्तर में सेवा करनेवाले कुछ भाई - बहन हैं । उर्फिंग "यह काम कर रहा है" विस्तार ने मुझे परेशान व चेतावनी दी SERTMATMENT "1 हमेशा" फार्मेट नियमित रूप से अद्यतन करें व फिर से जाँच करें

एआई मॉडल शायद एक कार्य प्रणाली का 20% है. अन्य 80% है कि वास्तव में उत्पादन में काम करता है.

दिन - ब - दिन धन - दौलत और ऐशो - आराम की चीज़ों का लुत्फ उठाइए

आप सुधार नहीं कर सकते क्या आप माप नहीं कर सकते. प्रत्येक एआई तंत्र ट्रैक करना चाहिए:

प्राप्त किया जा रहा है: क्या आपको कुछ ऐसी किताबें मिल रही हैं, जो आपको सही लगती हैं?
बनाने का गुणक्या जवाब देना सही है?
उपयोक्ता संतुष्टि: क्या लोग वास्तव में इसे उपयोगी पाते हैं? ट्रैक उपयोग, पूर्ण दर, लघुछवि ऊपर / नीचे.
खर्च प्रति क्वैरीआप असल में क्या खर्च कर रहे हैं?
विफलता मोड: यह कब ब्रेक करता है? दस्तावेज़ क़िस्म, क्वैरी क़िस्म द्वारा ट्रैक त्रुटि दर.

यह डेटा आपको बताता है कि प्रयास करने के लिए कहाँ. शायद आपकी वापसी महान है लेकिन पीढ़ी हमेशा असफल हो रही है. आप क्या नहीं ठीक कर सकते हैं ठीक नहीं कर सकते.

"बड़ा व्यवहार सब कुछ बर्बाद कर देता है" का अंत

यहाँ सबसे महत्वपूर्ण बदलाव अभी हो रहा है: "जी-4 में सब कुछ डाल दिया है और सबसे अच्छा के लिए उम्मीद" समाप्त हो रहा है.

2023-24 के पास सरल था: सबसे बड़ा मॉडल आप खरीद सकते हैं, अपना संदर्भ विंडो सब कुछ से भरा है, और प्रार्थना. यह काम किया. डेमो के लिए. निवेश करने के लिए प्राप्त करने के लिए.

लेकिन यह पैमाने पर नहीं है. यह महँगा है. यह धीमा है. और बढ़ती जा रही है, यह स्मार्ट बनावटों द्वारा मोहित किया जा रहा है.

छोटे मॉडलों में शिफ्ट

भविष्य सब कुछ कर रहा है एक विशाल मॉडल नहीं है. बहुत से विशेष मॉडल एक साथ काम कर रहे हैं, हर कोई यह पर अच्छा है क्या कर रहा है.

flowchart TD
    subgraph OldWay["The 2023 Approach"]
        A1[Everything] --> B1[GPT-4]
        B1 --> C1[Hope It Works]
        B1 --> D1[£££££]
    end

    subgraph NewWay["The 2025+ Approach"]
        A2[Input] --> B2[Router Model - Small/Fast]
        B2 --> C2[Specialist Model A - Extraction]
        B2 --> D2[Specialist Model B - Reasoning]
        B2 --> E2[Specialist Model C - Generation]
        C2 --> F2[Orchestrator]
        D2 --> F2
        E2 --> F2
        F2 --> G2[Output]
    end

यह है कि मैं अपने में खोज किया गया है डिथरिंग (प्रयोगात्मक सिंथेटेड एवोल्यूशन) काम - कि विचार संरचना की ढालवह एक बहुत ही बड़ा मॉडल है, जो हर काम करने की कोशिश करता है ।

एक ही सोच - विचार पर लागू होता है सिंथ- गणितीय निर्णय इंजिन धारणा: अनुक्रम में बहुत से RLM बैकएण्ड का उपयोग करने के लिए, जहाँ हर मॉडल अलग शक्‍ति लाता है. सही मॉडल का इस्तेमाल करने के लिए, निर्धारित करने के लिए सही मॉडल, पीढ़ी के लिए सरल मॉडल. हर कोई यह करने में अच्छा करता है.

रीजी के लिए ऐसा क्यों ज़रूरी है

आप पहले से ही नहीं है, मेरी जाँच करें RAG श्रृंखला जो बुनियादी बातों पर गहरा चलता है. लेकिन यहाँ मूल अन्तर्दृष्टि है: रेजी अपने आप को इस तरह का एक रूप है जिस पर इस तरह का प्रतिबंध लगा हुआ है. आप उपयोग कर रहे हैं महत्वपूर्ण सामग्री (एक मॉडल) खोजने के लिए, फिर एक TLM (एक और मॉडल) का उपयोग एक उत्तर के लिए।

अगला विकास इसे आगे ले जा रहा है:

मॉडल एम्बेड किया जा रहा है iffift उम्मीदवार दस्तावेज पाने के लिए
मॉडल को फिर से पोस्टिंग ✔ सही नतीजे पर पहुँचने के लिए आदेश
वर्गीकरण मॉडल ▪ क्वैरी दृश्य निर्धारित करता है
छोटा पीढ़ी मॉडल ▪ सरल सच्चाई की तलाश करना
बड़ा तर्क मॉडल ✔ जटिल विश्लेषणों को संभालता है (सिर्फ जब आवश्यक हो)

हर मॉडल छोटा है, तेजी से, और सामग्री हर चीज़ के लिए GBET4 का उपयोग करने से. लेकिन साथ में, वे एक साथ व्यवस्थित दृष्टिकोण.

एजेंट भविष्य

"अजेंटी" विकास से लिया गया है - मेरे मूल क्षेत्र से प्राप्त किया गया है मेरे मूल क्षेत्र इससे पहले कि मैं सॉफ्टवेयर में गिर गया था। संगठन के लिए स्वतंत्र रूप से कार्य करने की क्षमता का उल्लेख करता है, चुनाव करने और उन्हें दुनिया में चलाने के लिए। एक एजेंट व्यक्ति सिर्फ कार्य करने के लिए प्रतिक्रिया नहीं करता है, वे कार्य शुरू करते हैं, लक्ष्य, और परिणाम पर अपने व्यवहार को ढालता है।

एजेंटीय एआई इस धारणा को भाषा मॉडल के लिए लागू करें। पारंपरिक पैटर्न के बजाय, आप एक सवाल पूछना है, मॉडल पाठ बनाता है -an एजेंट प्रणाली वास्तव में कर सकते हैं कार्य करें. यह उपकरण इस्तेमाल कर सकते हैं, कोड, प्रश्न डाटाबेस, काल कर सकते हैं, एपीआई, फ़ाइलें लिख सकते हैं, और कभी-कभी-कभी-कभी-कभी-कभी-कभी-कभी-कभी-कभी-कभी-कभी-कभी-कभी-कभी-कभी-कभी-कभी-कभी-कभी-कभी-कभी-कभी काम पर-कभी-कभी कार्य के बारे में बात करते हैं. यह किसी को निर्देशों के लिए पूछता है और आप को वहाँ ड्राइव करने के लिए किसी को समर्पित करता है.

यह Athators के नवीनतम मॉडल है (साथ में) स्टूड ऑपस 4.5 कि मैं शाब्दिक रूप से इस कवर कोड के माध्यम से लिखने के लिए उपयोग कर रहा हूँ इतना प्रभावकारी रूप से दिखा रहा हूँ।

यहाँ बात है कि अच्छी तरह से नहीं लोगों को परेशान करता है: आप उपकरण अच्छी तरह से वर्णन, आप महँगी अच्छी तरह से उपयोग करने के लिए की जरूरत नहीं है. आधुनिक नींव के मॉडल बहुत अच्छी तरह से बॉक्स से उपयोग में हैं - आप सिर्फ संदर्भ में साफ फंक्शन स्कीमा और अच्छे दस्तावेज़ों की जरूरत है.

यह पिछले उपकरण से एक विशाल बदलाव है (सही तरीका है जब परिणाम मापने के लिए औज़ारों का उपयोग करने के लिए एक मॉडल का उपयोग करने के लिए एक मॉडल का प्रयोग करें BAR यह बहुत महँगे है, विशेष प्रशिक्षण डेटा की आवश्यकता होती है, और आपको औज़ारों के एक विशिष्ट सेट में ताला लगाने की जरूरत है BAR वैकल्पिक अपने उपकरणों का वर्णन करें BAR

परिणाम अकसर बेहतर होते हैं क्योंकि:

औजार वर्णन तत्काल अद्यतन किया जा सकता है - कोई फिर से प्रशिक्षण की आवश्यकता नहीं है
नया उपकरण एट जोड़ा जा सकता है -बस एक और प्रसंग जोड़ें
आम तर्क से आदर्श लाभ - सिर्फ ज्ञापन मॉडल नहीं
आप किसी भी सक्षम मॉडल का प्रयोग कर सकते हैं - एक विशेष रूप से ठीक नहीं एक

flowchart TD
    subgraph RAG["Traditional RAG Chatbot"]
        R1[User Question] --> R2[Search Documents]
        R2 --> R3[Construct Prompt]
        R3 --> R4[LLM Generates Answer]
        R4 --> R5[Return to User]
    end

    subgraph Agentic["Agentic AI Pattern"]
        A1[User Task] --> A2[LLM Understands Task]
        A2 --> A3[Break Into Steps]
        A3 --> A4{Select Tool}
        A4 --> A5[Execute Tool]
        A5 --> A6{Evaluate Results}
        A6 -->|Need More| A4
        A6 -->|Done| A7[Return to User]
    end

    style A6 stroke:#00aa00,stroke-width:3px

यह एजेंट पैटर्न RGbotts से बुनियादी रूप से अलग है. और यह है जहां वास्तविक मूल्य झूठ है.

प्रमाणों की तरह, लैंगाइन, Lumamaline, और सेप्टिक कर्नेल को यह आज संभव बनाता है. आप यहाँ सिस्टम बना सकते हैं:

एक छोटा तेज मॉडल दिशा और वर्गीकरण
विशिष्ट मॉडल डोमेन विशेष कार्यों को हैंडल करते हैं
औज़ार उपयोग शुद्ध भाषा से बाहर क्षमता बढ़ाता है
फीडबैक लूप लगातार सुधार सक्षम करता है

टीम जो इस आंकड़ा वास्तव में काम कि एआई सिस्टमों का निर्माण करेंगे. वे अभी भी सफलता या निर्माण के लिए अपने तरीके को बेहतर करने की कोशिश कर रहे हैं फिर भी एक और RGGERAt निराश हो जाएगा.

और कहाँ सीखें

मैंने इन पैटर्नों के बारे में विस्तृत लिखा है:

STAGT विषय Wolowol आलेख आप क्या सीखेंगे |-------|--------------------------------------------------------------------------|-----------------------------------------------------------------| | अ- धातु | डिथरिंग वीजार टाइटैनिक मॉडलों का एक - दूसरे से टकराना क्यों मुश्‍किल हो गया? | मल्टी- मॉडल | सिंथ- गणितीय निर्णय इंजिन खास मॉडलों का निर्माण | RAG मूलतत्त्ववादी | RAGes विश्‍व - दर्शन | स्थानीय एम्बेडिंग | ऑन एनएक्स के साथ सेमेन्टिक खोज स्टैंडबाय सीपीयू- मित्रीय स्थानीय सदिश खोज जिसपर अभिवादन किया गया है | स्थानीयLLM | डिथरिंग औद्योगीकृत कार्य प्रणाली को स्थानीय मॉडलों से जुड़े हुए एक साथ जुड़े हुए स्थानीय मॉडलों का प्रयोग करते हुए | एपीआई सिमुलेशन | चिन्हित करता है जाँच के लिए GLLM का उपयोग करने के लिए MLLLM का उपयोग करें | व्यावहारिक RAG | मूसा की कानून - व्यवस्था का पालन करना शिर्क किए बगैर डीवीडी- आरडबल्यू की चाल चल रही है

प्रौद्योगिकी मौजूद है. पैटर्न उभर रहे हैं. सवाल यह है कि क्या आपका संगठन कुछ समझदार या कोई और मौन एआई परियोजना बना देगा.

कंटेनमेंट

मौजूदा व्यवसायीय पर्यावरण मुझे प्रारंभिक वेब युग की याद दिलाता है. हर किसी को एक "चिक रणनीति" की जरूरत थी क्योंकि वे उनके साथ क्या करना था, नहीं क्योंकि वे जानते थे कि उनके साथ क्या करना है. उन वेबसाइटों में से अधिकांश वेबसाइट बेकार थे.

बाद में, जिन कंपनियों ने पता लगाया कि वेब के लिए वास्तव में क्या अच्छा है और इसके लिए बनाया. यह एआई के साथ होगा.

अभी, हम "यह निर्माण कर रहे हैं क्योंकि हमें करना है" चरण में. अधिकांश परियोजनाएं गूंगा हैं. अधिकांश लोग असफल होंगे या भेज दिया जाएगा. यह नई तकनीक के लिए सामान्य है.

लेकिन यदि आप सफल होने वाले लोगों में से एक होना चाहते हैं, टेम्पलेट के पीछे चलना बंद करो. असली समस्याओं के साथ शुरू करो. और देवताओं के प्रेम के लिए, अपने दस्तावेज़ को दोष से पहले ठीक करें.

एआई समस्या नहीं है BAR आपका डाटा है BAR आपका प्रक्रिया है BAR आपकी निराशाओं की संभावनाएं हैं BAR

उन पहले ठीक है, और शायद, शायद, अपने एआई परियोजना गूंगा नहीं होगा.

अधिकांश व्यापार 'ALAV' परियोजना Dbsim हैं