Quration AIQ

basics

ChatGPT আগের যেকোনো চ্যাটবটের চেয়ে এত বেশি স্বাভাবিক কথোপকথনের মতো লাগার একটা কারণ: ইন্টারনেট টেক্সটে প্রি-ট্রেনিংয়ের পর একে মানুষ যা পছন্দ করে সেদিকে ফাইন-টিউন করা হয়েছিল।

এই হিউম্যান-ফিডব্যাক ট্রেনিং স্টেপটিকে কী বলা হয়?

RLHF (Reinforcement Learning from Human Feedback)
RLHF মানুষের পছন্দের রেটিংকে রিওয়ার্ড সিগন্যাল হিসেবে ব্যবহার করে মডেল রিফাইন করে। প্রি-ট্রেনিং মডেলকে জ্ঞান দেয়; অ্যালাইনমেন্ট তার কথা বলার ধরন গড়ে দেয়।
▶ Quration AIQ

basics

এই সীমাকে কী বলা হয়?Llama — যাকে কেউ ডাউনলোড করে নিজের সার্ভারে চালাতে পারে এমন 'ওপেন-ওয়েট' মডেলের পতাকাবাহী — কোন কোম্পানি রিলিজ করেছিল?একাধিক ধরনের ইনপুট-আউটপুট সামলাতে পারা মডেলকে কী বলা হয়?এই 'রিজনিং মডেল'রা সেই থামার সময় আসলে কী করে?এই পদ্ধতিকে কী বলা হয়?এটা কী?ইন্ডাস্ট্রির প্রধান একটা প্রতিক্রিয়া কী?বছরের পর বছর AI ইন্ডাস্ট্রি একটা সরল বিশ্বাসে চলেছে: 'মডেল, ডেটা আর কম্পিউট বাড়ালে পারফরম্যান্স অনুমানযোগ্যভাবে বাড়বে।' বিলিয়ন-ডলার বাজির যুক্তি এই এম্পিরিক্যাল নিয়মটাকে কী বলা হয়?টাস্ক-নির্দিষ্ট AI-এর বাইরে, মানুষের মতো সাধারণ বুদ্ধিমত্তা নিয়ে মেশিন ইনটেলিজেন্সের লক্ষ্যের সংক্ষিপ্ত নাম কী?এগুলোকে কী বলা হয়?এর ছাত্রছায়া টার্মটা কী?এই টুকরোগুলোকে কী বলা হয়?

Quration — Quration AIQ