AI ਯੁੱਗ ਲਈ ਸਕੋਰਕਾਰਡ
ਮੈਨੂੰ ਹਰ ਜਗ੍ਹਾ CFOs ਤੋਂ ਇੱਕੋ ਹੀ ਸਧਾਰਨ ਸਵਾਲ ਸੁਣਨ ਨੂੰ ਮਿਲਦਾ ਹੈ: ਅਸੀਂ ਆਪਣੇ AI ਦੇ ਖਰਚੇ ਤੋਂ ਜ਼ਿਆਦਾ ਲਾਭ ਕਿਵੇਂ ਲੈ ਸਕਦੇ ਹਾਂ?
ਸਾਲਾਂ ਤੱਕ ਬਾਜ਼ਾਰ ਨੇ ਸੌਫ਼ਟਵੇਅਰ ਦੀ ਸਫ਼ਲਤਾ ਨੂੰ ਇਸ ਦੀ ਵਰਤੋਂ ਰਾਹੀਂ ਮਾਪਿਆ: ਖਰੀਦੀਆਂ ਗਈਆਂ ਸੀਟਾਂ, ਸਰਗਰਮ ਵਰਤੋਂਕਾਰ, ਅਤੇ ਨਵਿਆਏ ਗਏ ਲਾਇਸੰਸ। ਪਰ AI ਦੇ ਮੁੱਲ ਨੂੰ ਸਮਝਣ ਲਈ ਇੱਕ ਹੋਰ ਮਜ਼ਬੂਤ ਮਾਪਦੰਡ ਦੀ ਲੋੜ ਹੈ: ਪੂਰਾ ਕੀਤਾ ਗਿਆ ਕੰਮ।
CFOs ਅਤੇ ਹੋਰ ਕਾਰੋਬਾਰੀ ਲੀਡਰਾਂ ਦੇ ਸਾਹਮਣੇ ਮੁੱਖ ਆਰਥਿਕ ਸਵਾਲ ਇਹ ਹੈ ਕਿ ਕੀ AI ਵੱਲੋਂ ਪੂਰੇ ਕੀਤੇ ਕੰਮ ਦਾ ਮੁੱਲ ਇਸਨੂੰ ਤਿਆਰ ਕਰਨ ਦੀ ਲਾਗਤ ਨਾਲੋਂ ਤੇਜ਼ੀ ਨਾਲ ਵਧਦਾ ਹੈ।
ਇਸ ਸਵਾਲ ਦਾ ਜਵਾਬ ਦੇਣ ਲਈ ਲਾਗਤ ਪ੍ਰਤੀ ਟੋਕਨ ਵਰਗੇ ਮਾਪਦੰਡ ਨਾਲੋਂ ਵਧੇਰੇ ਡੂੰਘਾਈ ਵਿੱਚ ਦੇਖਣ ਦੀ ਲੋੜ ਹੈ। ਘੱਟ ਲਾਗਤ ਵਾਲੇ ਮਾਡਲ ਦੇ ਟੋਕਨ ਸਸਤੇ ਹੋ ਸਕਦੇ ਹਨ, ਪਰ ਵਧੀਆ ਨਤੀਜੇ ਲਈ ਵਧੇਰੇ ਕੋਸ਼ਿਸ਼ਾਂ, ਵਧੇਰੇ ਸਮਾਂ ਜਾਂ ਵਧੇਰੇ ਮਨੁੱਖੀ ਸਮੀਖਿਆ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ। ਇੱਕ ਵਧੇਰੇ ਸਮਰੱਥ ਮਾਡਲ ਦੇ ਟੋਕਨ ਮਹਿੰਗੇ ਹੋ ਸਕਦੇ ਹਨ, ਪਰ ਉਹ ਉਸੇ ਕੰਮ ਨੂੰ ਇੱਕੋ ਵਾਰ ਵਿੱਚ ਪੂਰਾ ਕਰ ਸਕਦਾ ਹੈ। ਅਹਿਮ ਗੱਲ ਇੱਕ ਸਫ਼ਲ ਨਤੀਜਾ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਪੂਰੀ ਲਾਗਤ ਹੈ, ਜਿਸ ਦੀ ਤੁਲਨਾ ਉਸ ਨਤੀਜੇ ਦੁਆਰਾ ਪੈਦਾ ਕੀਤੇ ਮੁੱਲ ਨਾਲ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
AI ਦੇ ਯੁੱਗ ਲਈ ਅੰਤਿਮ ਸਕੋਰਕਾਰਡ ਨੂੰ “ਪ੍ਰਤੀ ਡਾਲਰ ਉਪਯੋਗੀ ਇੰਟੈਲੀਜੈਂਸ” ਵਜੋਂ ਦੇਖਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਇਹ ਮਾਪ ਚਾਰ ਮੁੱਖ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦਿੰਦਾ ਹੈ:
- ਕੀ AI ਉਹ ਕੰਮ ਪੂਰਾ ਕਰ ਰਿਹਾ ਹੈ ਜੋ ਮਹੱਤਵਪੂਰਨ ਹੈ?
- ਹਰ ਸਫਲ ਟਾਸਕ ਦੀ ਲਾਗਤ ਕੀ ਹੈ?
- ਕੀ ਲੋਕ ਨਤੀਜੇ 'ਤੇ ਭਰੋਸਾ ਕਰ ਸਕਦੇ ਹਨ?
- ਕੀ ਵਰਤੋਂ ਵਧਣ ਨਾਲ ਹਰ AI ਡਾਲਰ ਹੋਰ ਮੁੱਲ ਪੈਦਾ ਕਰਦਾ ਹੈ?
ਸ਼ੁਰੂਆਤ ਕੰਮ ਤੋਂ ਹੀ ਕਰੋ।
AI ਨੇ ਗਾਹਕਾਂ ਦੇ ਕਿੰਨੇ ਮੁੱਦੇ ਹੱਲ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕੀਤੀ? ਇਸ ਨੇ ਕਿੰਨੀਆਂ ਕੋਡ ਤਬਦੀਲੀਆਂ ਜਾਰੀ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕੀਤੀ? ਇਸ ਨੇ ਕਿੰਨੇ ਕਰਾਰਾਂ ਦੀ ਸਮੀਖਿਆ ਕੀਤੀ? ਇਸ ਨੇ ਲੋਕਾਂ ਨੂੰ ਕਿੰਨਾ ਸਮਾਂ ਵਾਪਸ ਦਿੱਤਾ? ਸਹੀ ਵੇਲੇ ਸਹੀ ਸੰਦਰਭ ਉਪਲਬਧ ਹੋਣ ਕਾਰਨ ਕਿੰਨੇ ਫੈਸਲੇ ਬਿਹਤਰ ਹੋਏ?
ਟੋਕਨ ਉਦੋਂ ਮੁੱਲ ਪੈਦਾ ਕਰਦੇ ਹਨ ਜਦੋਂ ਉਹ ਅਜਿਹੇ ਕੰਮ ਵਿੱਚ ਬਦਲਦੇ ਹਨ ਜਿਸ ਦੀ ਵਰਤੋਂ ਲੋਕ ਕਰ ਸਕਣ। ਜਿਵੇਂ-ਜਿਵੇਂ ਮਾਡਲ ਵਧੇਰੇ ਸਮਰੱਥ ਹੁੰਦੇ ਹਨ, ਉਹ ਲੰਬੇ ਅਤੇ ਵਧੇਰੇ ਜਟਿਲ ਕੰਮਾਂ ਨੂੰ ਸੰਭਾਲ ਸਕਦੇ ਹਨ: ਸੰਦਰਭ ਬਣਾਏ ਰੱਖਣਾ, ਕਈ ਚਰਣਾਂ ਵਿੱਚ ਰੀਜ਼ਨਿੰਗ ਕਰਨਾ, ਵੱਖ-ਵੱਖ ਟੂਲਾਂ ਨਾਲ ਕੰਮ ਕਰਨਾ ਅਤੇ ਅੱਗੇ ਵਧਦੇ ਹੋਏ ਖੁਦ ਨੂੰ ਢਾਲਣਾ।
ਸ਼ੁਰੂਆਤ ਕਰਨ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਤਰੀਕਾ ਇੱਕ ਵਰਕਫਲੋ ਨੂੰ ਚੁਣਨਾ ਹੈ। ਇਹ ਨਿਸ਼ਚਿਤ ਕਰੋ ਕਿ “ਪੂਰਾ” ਹੋਣ ਦਾ ਕੀ ਅਰਥ ਹੈ ਅਤੇ ਉਸ ਨਤੀਜੇ ਨੂੰ ਉਸੇ ਸਿਸਟਮ ਵਿੱਚ ਮਾਪੋ ਜਿੱਥੇ ਕੰਮ ਹੁੰਦਾ ਹੈ।
ਸਹਾਇਤਾ ਟੀਮ ਲਈ, “ਪੂਰਾ” ਦਾ ਅਰਥ ਗਾਹਕ ਦਾ ਮੁੱਦਾ ਹੱਲ ਹੋਣਾ ਹੋ ਸਕਦਾ ਹੈ। ਇੰਜੀਨੀਅਰਿੰਗ ਟੀਮ ਲਈ, ਇਹ ਕੋਈ ਕੋਡ ਤਬਦੀਲੀ ਹੋ ਸਕਦੀ ਹੈ ਜੋ ਆਪਣੇ ਟੈਸਟ ਪਾਸ ਕਰਦੀ ਹੈ। ਕਾਨੂੰਨੀ ਟੀਮ ਲਈ, ਇਹ ਸਹੀ ਅਤੇ ਸਮੇਂ 'ਤੇ ਸਮੀਖਿਆ ਕੀਤਾ ਕਰਾਰ ਹੋ ਸਕਦਾ ਹੈ।
ਫੋਰਕਾਸਟ ਸਮੀਖਿਆ ਲਈ ਤਿਆਰੀ ਕਰ ਰਹੀ ਫਾਈਨਾਂਸ ਟੀਮ ਦੀ ਮਿਸਾਲ ਲਓ। ਅੰਤਿਮ ਫੈਸਲੇ ਤੋਂ ਪਹਿਲਾਂ ਬਹੁਤ ਸਾਰਾ ਕੰਮ ਹੁੰਦਾ ਹੈ: ਨਵੀਂ ਫੋਰਕਾਸਟ ਲੱਭਣਾ, ਡਾਟਾ Excel ਜਾਂ Sheets ਵਿੱਚ ਲਿਆਉਣਾ, ਤਬਦੀਲੀਆਂ ਦੀ ਪਛਾਣ ਕਰਨਾ, ਟੈਬਾਂ ਦਾ ਮਿਲਾਨ ਕਰਨਾ, ਸਲਾਈਡਾਂ ਮੁੜ ਤਿਆਰ ਕਰਨਾ ਅਤੇ ਇਹ ਜਾਂਚਣਾ ਕਿ ਸਭ ਕੁਝ ਬਿਲਕੁਲ ਸਹੀ ਜੁੜ ਰਿਹਾ ਹੈ।
ChatGPT ਕੰਮ ਇਸ ਪ੍ਰਕਿਰਿਆ ਦਾ ਵੱਡਾ ਹਿੱਸਾ ਸੰਭਾਲ ਸਕਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਟੀਮ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਸਵਾਲਾਂ 'ਤੇ ਧਿਆਨ ਦੇਣ ਲਈ ਹੋਰ ਸਮਾਂ ਮਿਲਦਾ ਹੈ: ਕੀ ਬਦਲਿਆ? ਕਿਉਂ? ਅੱਗੇ ਸਾਨੂੰ ਕੀ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ?
ਅਮਲੀ ਰੂਪ ਵਿੱਚ, ਪ੍ਰਤੀ ਡਾਲਰ ਮਿਲੀ ਉਪਯੋਗੀ ਇੰਟੈਲੀਜੈਂਸ ਇਹੀ ਹੈ। ਇਸ ਨਾਲ ਜ਼ਿਆਦਾ ਕੰਮ ਤੇਜ਼ੀ ਨਾਲ ਪੂਰਾ ਹੁੰਦਾ ਹੈ, ਜਦਕਿ ਲੋਕ ਆਪਣਾ ਵੱਧ ਸਮਾਂ ਆਪਣੀ ਫੈਸਲਾ-ਸਮਰੱਥਾ, ਰਚਨਾਤਮਕਤਾ ਅਤੇ ਮਹਾਰਤ ਦੀ ਵਰਤੋਂ ਕਰਨ ਵਿੱਚ ਬਿਤਾਉਂਦੇ ਹਨ।
ਅਗਲਾ ਸਵਾਲ ਇਹ ਹੈ ਕਿ ਉਸ ਕੰਮ ਨੂੰ ਢੰਗ ਨਾਲ ਪੂਰਾ ਕਰਨ ਦੀ ਲਾਗਤ ਕੀ ਹੈ।
AI ਦੇ ਕੰਮ ਬਹੁਤ ਵੱਖ-ਵੱਖ ਤਰ੍ਹਾਂ ਦੇ ਹੁੰਦੇ ਹਨ। ਇੱਕ ਤੁਰੰਤ ਜਵਾਬ ਲਈ ਘੱਟ ਕੰਪਿਊਟ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ। ਕੋਡਿੰਗ, ਖੋਜ ਜਾਂ ਵਿੱਤੀ ਵਰਕਫਲੋ ਵਿੱਚ ਵਧੇਰੇ ਡੂੰਘੀ ਰੀਜ਼ਨਿੰਗ, ਟੂਲਾਂ ਦੀ ਵਰਤੋਂ ਅਤੇ ਕਈ ਕਾਰਵਾਈਆਂ ਸ਼ਾਮਲ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਇਹ ਵਧੇਰੇ ਜਟਿਲ ਕੰਮ ਵੱਧ ਕੰਪਿਊਟ ਮੰਗ ਸਕਦੇ ਹਨ, ਪਰ ਇਹ ਕਾਫ਼ੀ ਵੱਧ ਮੁੱਲ ਵੀ ਪੈਦਾ ਕਰ ਸਕਦੇ ਹਨ।
ਮਾਡਲ ਪੱਧਰ 'ਤੇ, ਪ੍ਰਤੀ ਸਫਲ ਕੰਮ ਦੀ ਲਾਗਤ ਇਸ ਦੀ ਕੀਮਤ, ਵਰਤੇ ਗਏ ਕੰਪਿਊਟ ਦੀ ਮਾਤਰਾ ਅਤੇ ਸਹੀ ਨਤੀਜੇ ਤੱਕ ਪਹੁੰਚਣ ਦੀ ਸੰਭਾਵਨਾ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। ਕਿਸੇ ਕਾਰੋਬਾਰ ਲਈ, ਪੂਰੀ ਲਾਗਤ ਵਿੱਚ ਕਰਮਚਾਰੀਆਂ ਦਾ ਸਮਾਂ, ਮਨੁੱਖੀ ਸਮੀਖਿਆ, ਮੁੜ-ਕੋਸ਼ਿਸ਼ਾਂ ਅਤੇ ਦੁਬਾਰਾ ਕੀਤਾ ਗਿਆ ਕੰਮ ਵੀ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ।
ਗਣਨਾ ਬਹੁਤ ਸਰਲ ਹੈ:
- ਕੰਮ ਪੂਰਾ ਕਰਨ ਦੀ ਪੂਰੀ ਲਾਗਤ ਜੋੜੋ।
- ਉਨ੍ਹਾਂ ਕੰਮਾਂ ਦੀ ਗਿਣਤੀ ਕਰੋ ਜੋ ਲੋੜੀਂਦੇ ਮਿਆਰ 'ਤੇ ਖਰੇ ਉਤਰੇ ਹਨ।
- ਪੂਰੀ ਲਾਗਤ ਨੂੰ ਸਫਲ ਟਾਸਕਾਂ ਦੀ ਗਿਣਤੀ ਨਾਲ ਵੰਡੋ।
ਇਸੇ ਕਰਕੇ ਪ੍ਰਤੀ ਟੋਕਨ ਸਭ ਤੋਂ ਘੱਟ ਕੀਮਤ ਹਮੇਸ਼ਾ ਪ੍ਰਤੀ ਨਤੀਜਾ ਸਭ ਤੋਂ ਘੱਟ ਲਾਗਤ ਨਹੀਂ ਦਿੰਦੀ। ਇੱਕ ਅਤਿ-ਆਧੁਨਿਕ ਮਾਡਲ ਆਮ ਬੇਨਤੀ ਲਈ ਵੀ ਸਭ ਤੋਂ ਵਧੀਆ ਮੁੱਲ ਦੇ ਸਕਦਾ ਹੈ ਜੇਕਰ ਉਹ ਇੱਕੋ ਵਾਰ ਵਿੱਚ ਸਹੀ ਜਵਾਬ ਦੇਵੇ ਜਿਸ ਨਾਲ ਮੁੜ-ਕੋਸ਼ਿਸ਼ਾਂ, ਦੇਰੀ, ਸਮੀਖਿਆ ਅਤੇ ਕੁੱਲ ਕੰਪਿਊਟ ਘਟਦੇ ਹਨ।
ਮਾਡਲਾਂ ਦਾ ਇੱਕ ਵੱਖ-ਵੱਖ ਪੱਧਰਾਂ ਵਾਲਾ ਪਰਿਵਾਰ ਗਾਹਕਾਂ ਨੂੰ ਇਸ ਸਮੀਕਰਨ ਨੂੰ ਹੋਰ ਵਧੀਆ ਬਣਾਉਣ ਦੇ ਕਈ ਤਰੀਕੇ ਦਿੰਦਾ ਹੈ। GPT‑5.6 ਦੇ ਤਿੰਨ ਪੱਧਰ ਹਨ, ਜੋ ਅਸੀਂ ਪਿਛਲੇ ਹਫ਼ਤੇ ਜਾਰੀ ਕੀਤਾ ਹੈ: Sol ਸਾਡਾ ਫਲੈਗਸ਼ਿਪ ਮਾਡਲ ਹੈ; Terra ਕਾਰਗੁਜ਼ਾਰੀ ਅਤੇ ਲਾਗਤ ਵਿੱਚ ਸੰਤੁਲਨ ਬਣਾਉਂਦਾ ਹੈ; Luna ਸਾਡਾ ਸਭ ਤੋਂ ਤੇਜ਼ ਅਤੇ ਸਭ ਤੋਂ ਕਿਫ਼ਾਇਤੀ ਮਾਡਲ ਹੈ।
ਇਹ ਪੱਧਰ ਉਪਯੋਗੀ ਸ਼ੁਰੂਆਤੀ ਬਿੰਦੂ ਦਿੰਦੇ ਹਨ। ਆਖਿਰਕਾਰ ਪੂਰੇ ਟਾਸਕ ਦੀ ਅਰਥਵਿਵਸਥਾ ਹੀ ਸਹੀ ਮਾਡਲ ਨਿਰਧਾਰਤ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ। ਕੋਈ ਗਾਹਕ ਤੇਜ਼ ਅਤੇ ਵੱਡੀ ਮਾਤਰਾ ਵਾਲੇ ਕੰਮਾਂ ਲਈ Luna, ਵਧੇਰੇ ਡੂੰਘਾਈ ਵਾਲੇ ਕੰਮ ਲਈ Terra ਜਾਂ ਉਦੋਂ Sol ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦਾ ਹੈ ਜਦੋਂ ਮਜ਼ਬੂਤ ਰੀਜ਼ਨਿੰਗ ਘੱਟ ਯਤਨਾਂ ਵਿੱਚ ਹੀ ਸਭ ਤੋਂ ਵਧੀਆ ਨਤੀਜਾ ਦਿੰਦੀ ਹੈ।
ਅਸੀਂ GPT‑5.6 ਨੂੰ ਹਰੇਕ ਟੋਕਨ ਤੋਂ ਵਧੇਰੇ ਉਪਯੋਗੀ ਕੰਮ ਲੈਣ ਲਈ ਸਿਖਲਾਈ ਦਿੱਤੀ ਹੈ। ਆਰਟੀਫਿਸ਼ੀਅਲ ਐਨਾਲਿਸਿਸ ਕੋਡਿੰਗ ਏਜੰਟ ਇੰਡੈਕਸ 'ਤੇ, ਅਧਿਕਤਮ ਰੀਜ਼ਨਿੰਗ ਨਾਲ GPT‑5.6 Sol ਨੇ ਇੱਕ ਹੋਰ ਪ੍ਰਮੁੱਖ ਮਾਡਲ ਦੇ ਮੁਕਾਬਲੇ 54% ਘੱਟ ਆਉਟਪੁੱਟ ਟੋਕਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਇੱਕ ਨਵਾਂ ਮਿਆਰ ਕਾਇਮ ਕੀਤਾ ਹੈ। ਹੇਠਾਂ ਦਿੱਤਾ ਚਾਰਟ ਇਸ ਤੁਲਨਾ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।
DeepSWE v1.1: ਲੰਬੇ-ਹੋਰਾਈਜ਼ਨ ਇੰਜੀਨੀਅਰਿੰਗ ਕੰਮ; GPT‑5.6 Sol 72.7% ਦੀ ਨਵੀਂ ਹਾਈ ਤੱਕ ਪਹੁੰਚਦਾ ਹੈ, ਜੋ Claude Fable 5 ਦੇ 69.9% ਤੋਂ ਵੱਧ ਹੈ, ਅਤੇ ਅਨੁਮਾਨਿਤ API ਲਾਗਤ 36.2% ਤੋਂ ਘੱਟ ਹੈ।
GPT‑5.6 ਪਰਿਵਾਰ ਵਿੱਚ ਮਕਸਦ ਇੱਕੋ ਹੈ: ਪ੍ਰਤੀ ਡਾਲਰ ਹੋਰ ਸਫਲ ਕੰਮ। ਵੱਧ ਕੁਸ਼ਲਤਾ ਮੌਜੂਦਾ ਟਾਸਕਾਂ ਨੂੰ ਹੋਰ ਕਿਫਾਇਤੀ ਬਣਾਉਂਦੀ ਹੈ। ਵੱਧ ਸਮਰੱਥਾ ਬਿਲਕੁਲ ਨਵੀਆਂ ਕਿਸਮਾਂ ਦੇ ਕੰਮ ਸੰਭਵ ਬਣਾਉਂਦੀ ਹੈ।
ਮਾਡਲ ਦੀ ਹਰੇਕ ਨਵੀਂ ਪੀੜ੍ਹੀ ਨੂੰ ਇਸ ਸਮੀਕਰਨ ਦੇ ਦੋਵਾਂ ਪਹਿਲੂਆਂ ਵਿੱਚ ਸੁਧਾਰ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ। ਗਾਹਕਾਂ ਨੂੰ ਵਧੇਰੇ ਮਹੱਤਵਪੂਰਨ ਕੰਮ ਕਰਨ ਦੇ ਯੋਗ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ, ਅਤੇ ਨਾਲ ਹੀ ਹਰੇਕ ਕੰਮ ਪੂਰਾ ਕਰਨ ਦੀ ਲਾਗਤ ਲਗਾਤਾਰ ਘਟਣੀ ਚਾਹੀਦੀ ਹੈ।
ਤੀਜਾ ਮਾਪ ਭਰੋਸੇਯੋਗਤਾ ਹੈ।
AI ਅਪਣਾਉਣਾ ਆਮ ਤੌਰ 'ਤੇ ਪੜਾਵਾਂ ਵਿੱਚ ਡੂੰਘਾ ਹੁੰਦਾ ਹੈ। ਪਹਿਲਾਂ, AI ਮਸੌਦਾ ਤਿਆਰ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ। ਫਿਰ ਇਹ ਸੰਦਰਭ ਲੱਭਦਾ ਹੈ ਅਤੇ ਟੂਲਾਂ ਤੇ ਡਾਟਾ ਵਿੱਚ ਰੀਜ਼ਨਿੰਗ ਕਰਦਾ ਹੈ। ਇਹ ਸਮੇਂ ਨਾਲ ਕਾਰਵਾਈ ਕਰਨਾ, ਅਪਵਾਦ ਸੰਭਾਲਣਾ ਅਤੇ ਵਰਕਫਲੋ ਪੂਰੇ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰਦਾ ਹੈ, ਜਿੱਥੇ ਲੋੜ ਹੋਵੇ ਉੱਥੇ ਲੋਕ ਫੈਸਲਾ-ਸਮਰੱਥਾ ਅਤੇ ਕੰਟਰੋਲ ਦਿੰਦੇ ਹਨ।
ਹਰ ਕਦਮ ਹੋਰ ਮੁੱਲ ਬਣਾਉਂਦਾ ਹੈ ਅਤੇ ਸਿਸਟਮ ਤੋਂ ਵਧੇਰੇ ਉਮੀਦ ਕਰਦਾ ਹੈ।
ਭਰੋਸੇਯੋਗਤਾ ਦਾ ਸਿੱਧਾ ਆਰਥਿਕ ਮੁੱਲ ਹੈ। ਜਦੋਂ ਨਤੀਜੇ ਸਹੀ, ਚੰਗੀ ਤਰ੍ਹਾਂ ਸਰੋਤਿਤ, ਇਕਸਾਰ ਅਤੇ ਢੰਗ ਨਾਲ ਐਸਕਲੇਟ ਕੀਤੇ ਹੁੰਦੇ ਹਨ, ਤਾਂ ਲੋਕ ਸਮੀਖਿਆ, ਸੁਧਾਰ ਅਤੇ ਕੰਮ ਦੁਹਰਾਉਣ 'ਤੇ ਘੱਟ ਸਮਾਂ ਲਗਾਉਂਦੇ ਹਨ। ਸਫਲ ਟਾਸਕਾਂ ਦੀ ਲਾਗਤ ਘਟਦੀ ਹੈ, ਅਤੇ ਸੰਗਠਨਾਂ ਨੂੰ ਹੋਰ ਮਹੱਤਵਪੂਰਨ ਵਰਕਫਲੋ ਵਿੱਚ AI ਵਰਤਣ ਦਾ ਭਰੋਸਾ ਮਿਲਦਾ ਹੈ।
ਟੀਮਾਂ ਤਿੰਨ ਨਤੀਜੇ ਟ੍ਰੈਕ ਕਰਕੇ ਇਸਨੂੰ ਠੋਸ ਬਣਾ ਸਕਦੀਆਂ ਹਨ:
- ਵਰਤੋਂ ਲਈ ਤਿਆਰ: ਨਤੀਜਾ ਦਿੱਤੇ ਗਏ ਗੁਣਵੱਤਾ ਦੇ ਪੈਮਾਨੇ 'ਤੇ ਪੂਰਾ ਉਤਰਿਆ ਹੈ।
- ਸੁਧਾਰ ਦੀ ਲੋੜ: ਨਤੀਜੇ ਲਈ ਇੱਕ ਹੋਰ ਕੋਸ਼ਿਸ਼ ਜਾਂ ਮਨੁੱਖੀ ਸੁਧਾਰਾਂ ਦੀ ਲੋੜ ਸੀ।
- ਗੰਭੀਰ ਧਿਆਨ ਦੀ ਲੋੜ: ਕੰਮ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਕਿਸੇ ਵਿਅਕਤੀ ਨੂੰ ਆਪ ਦਖਲ ਦੇਣਾ ਪਿਆ।
ਇਹ ਮਾਪ ਸਿਰਫ਼ ਮਾਡਲ ਦੀ ਸਟੀਕਤਾ ਨਾਲੋਂ ਕਿਤੇ ਵੱਧ ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਦਿੰਦੇ ਹਨ। ਇਹ ਦਿਖਾਉਂਦੇ ਹਨ ਕਿ ਕੀ AI ਪ੍ਰੋਜੈਕਟ ਪੂਰਾ ਕਰਨ ਵਿੱਚ ਲੱਗਣ ਵਾਲੇ ਕੰਮ ਨੂੰ ਸੱਚਮੁੱਚ ਘਟਾ ਰਿਹਾ ਹੈ।
ਭਰੋਸੇਯੋਗਤਾ ਲਈ ਸਪਸ਼ਟ ਸੀਮਾਵਾਂ ਦੀ ਵੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। AI ਵੱਲੋਂ ਮਸੌਦਾ ਤਿਆਰ ਕਰਨ ਤੋਂ ਅਮਲੀ ਕਾਰਵਾਈ ਵੱਲ ਵਧਣ ਤੋਂ ਪਹਿਲਾਂ, ਸੰਗਠਨਾਂ ਨੂੰ ਇਹ ਤੈਅ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ:
- ਸਿਸਟਮ ਕਿਹੜੇ ਡਾਟਾ ਤੱਕ ਪਹੁੰਚ ਸਕਦਾ ਹੈ।
- ਇਹ ਕਿਹੜੇ ਸਿਸਟਮ ਵਰਤ ਜਾਂ ਬਦਲ ਸਕਦਾ ਹੈ।
- ਕਦੋਂ ਕਿਸੇ ਵਿਅਕਤੀ ਨੂੰ ਕਿਸੇ ਕਾਰਵਾਈ ਦੀ ਸਮੀਖਿਆ ਜਾਂ ਮਨਜ਼ੂਰੀ ਦੇਣੀ ਚਾਹੀਦੀ ਹੈ।
ਸੁਰੱਖਿਆ, ਸਿਕਿਊਰਿਟੀ, ਨਿਜਤਾ ਅਤੇ ਨਿਯੰਤਰਣ AI ਦੀ ਡੂੰਘੀ ਵਰਤੋਂ ਲਈ ਨੀਂਹ ਤਿਆਰ ਕਰਦੇ ਹਨ। ਲੋਕਾਂ ਲਈ ਇਹ ਸਮਝਣਾ ਜ਼ਰੂਰੀ ਹੈ ਕਿ ਸਿਸਟਮ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ, ਉਹਨਾਂ ਦੇ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਹੁੰਦੀ ਹੈ ਅਤੇ ਇਸ ਦੀਆਂ ਕਾਰਵਾਈਆਂ ਨੂੰ ਕਿਵੇਂ ਨਿਯੰਤਰਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
ChatGPT ਕੰਮ ChatGPT Enterprise ਦੀ ਸੁਰੱਖਿਆ, ਪਰਦੇਦਾਰੀ, ਕੰਪਲਾਇੰਸ ਅਤੇ ਵਰਕਸਪੇਸ-ਪ੍ਰਬੰਧਨ ਨੀਂਹ 'ਤੇ ਬਣਦਾ ਹੈ। ਇਸ ਨਾਲ ਸੰਗਠਨ ਢੁਕਵੀਂ ਨਿਗਰਾਨੀ ਬਣਾਏ ਰੱਖਦੇ ਹੋਏ AI ਨੂੰ ਹੋਰ ਸੰਦਰਭ ਅਤੇ ਹੋਰ ਮਹੱਤਵਪੂਰਨ ਵਰਕਫਲੋ ਤੱਕ ਪਹੁੰਚ ਦੇ ਸਕਦੇ ਹਨ।
ਸਮਰੱਥਾ ਸ਼ੁਰੂਆਤੀ ਵਰਤੋਂ ਦਾ ਮੌਕਾ ਦਿੰਦੀ ਹੈ। ਭਰੋਸੇਯੋਗਤਾ AI ਨੂੰ ਰੋਜ਼ਾਨਾ ਦੇ ਕੰਮਕਾਜ ਦਾ ਅਹਿਮ ਹਿੱਸਾ ਬਣਾਉਂਦੀ ਹੈ।
ਅੰਤਿਮ ਸਵਾਲ ਇਹ ਹੈ ਕਿ ਕੀ ਵੱਡੇ ਪੈਮਾਨੇ 'ਤੇ ਅਰਥਵਿਵਸਥਾ ਸੁਧਰਦੀ ਹੈ।
ਕੰਪਨੀਆਂ ਸਮੇਂ ਦੇ ਨਾਲ ਇੱਕੋ ਜਿਹੇ ਕੰਮਕਾਜੀ ਤਰੀਕੇ ਦਾ ਮੁਲਾਂਕਣ ਕਰਕੇ ਇਸ ਨੂੰ ਮਾਪ ਸਕਦੀਆਂ ਹਨ। ਇਹ ਟ੍ਰੈਕ ਕਰੋ ਕਿ ਕਿੰਨੇ ਕਾਰਜਾਂ ਨੇ ਮਿਆਰੀ ਗੁਣਵੱਤਾ ਨੂੰ ਪੂਰਾ ਕੀਤਾ, ਉਹਨਾਂ ਨੂੰ ਪੂਰਾ ਕਰਨ ਦੀ ਕੁੱਲ ਲਾਗਤ ਕਿੰਨੀ ਸੀ ਅਤੇ ਪ੍ਰਤੀ ਸਫਲ ਕਾਰਜ ਲਾਗਤ ਕਿੰਨੀ ਆਈ। ਜੇਕਰ ਗੁਣਵੱਤਾ ਬਰਕਰਾਰ ਰਹਿਣ ਜਾਂ ਸੁਧਰਨ ਦੇ ਨਾਲ-ਨਾਲ ਪੂਰਾ ਕੀਤਾ ਗਿਆ ਕੰਮ ਕੁੱਲ ਲਾਗਤ ਨਾਲੋਂ ਤੇਜ਼ੀ ਨਾਲ ਵਧਦਾ ਹੈ, ਤਾਂ AI 'ਤੇ ਖਰਚਿਆ ਹਰ ਡਾਲਰ ਵਧੇਰੇ ਮੁੱਲ ਦੇ ਰਿਹਾ ਹੈ।
ਕੰਪਿਊਟ ਇਸ ਸਮੀਕਰਨ ਦੇ ਕੇਂਦਰ ਵਿੱਚ ਹੈ।
ਕੰਪਿਊਟ ਖੋਜ ਅਤੇ AI ਵੱਲੋਂ ਪੂਰੇ ਕੀਤੇ ਜਾਣ ਵਾਲੇ ਹਰ ਕਾਰਜ ਦੀ ਬੁਨਿਆਦ ਹੈ। ਇਹ ਉਤਪਾਦ ਦੀ ਗੁਣਵੱਤਾ, ਗਤੀ, ਭਰੋਸੇਯੋਗਤਾ, ਉਪਲਬਧਤਾ ਅਤੇ ਲਾਗਤ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ। ਟ੍ਰੇਨਿੰਗ ਕੰਪਿਊਟ ਭਵਿੱਖ ਦੀਆਂ ਸਮਰੱਥਾਵਾਂ ਦਾ ਨਿਰਮਾਣ ਕਰਦਾ ਹੈ। ਇਨਫਰੈਂਸ ਕੰਪਿਊਟ ਅੱਜ ਉਪਯੋਗੀ ਕਾਰਜ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਇਹ ਦੋਵੇਂ ਹੀ ਗਾਹਕਾਂ ਲਈ ਬਿਹਤਰ ਨਤੀਜਿਆਂ ਵਿੱਚ ਬਦਲਣੇ ਚਾਹੀਦੇ ਹਨ।
ਬਿਹਤਰ ਮਾਡਲ, ਵਧੇਰੇ ਕੁਸ਼ਲ ਇਨਫਰੈਂਸ, ਮਕਸਦ ਲਈ ਬਣਾਇਆ ਹਾਰਡਵੇਅਰ, ਵੱਧ ਵਰਤੋਂ, ਸਮਾਰਟ ਰੂਟਿੰਗ ਅਤੇ ਮਜ਼ਬੂਤ ਉਤਪਾਦ ਡਿਜ਼ਾਈਨ ਸਭ ਕੰਪਿਊਟ ਦੇ ਲਾਭ ਵਿੱਚ ਸੁਧਾਰ ਕਰਦੇ ਹਨ। ਇਨਫ੍ਰਾਸਟ੍ਰਕਚਰ ਦੀ ਹਰ ਪੀੜ੍ਹੀ ਵਧੇਰੇ ਸਮਰੱਥ ਮਾਡਲ ਟ੍ਰੇਨ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ। ਇਸ ਤੋਂ ਬਾਅਦ, ਬਿਹਤਰ ਐਲਗੋਰਿਦਮ, ਹਾਰਡਵੇਅਰ ਅਤੇ ਸਾਫਟਵੇਅਰ ਉਹਨਾਂ ਮਾਡਲਾਂ ਨੂੰ ਵਧੇਰੇ ਕੁਸ਼ਲਤਾ ਨਾਲ ਸੰਚਾਲਿਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ।
ਗਾਹਕ ਇਹ ਸੁਧਾਰ ਮਨੁੱਖੀ ਅਨੁਭਵਾਂ ਵਿੱਚ ਵੇਖਦੇ ਹਨ: ਬਿਹਤਰ ਜਵਾਬ, ਤੇਜ਼ ਨਤੀਜੇ, ਘੱਟ ਸੁਧਾਰ, ਹੋਰ ਭਰੋਸੇਯੋਗ ਉਤਪਾਦ ਅਤੇ ਲੋੜੀਂਦੇ ਕੰਮ ਲਈ ਘੱਟ ਲਾਗਤ।
ਇਹ ਲਾਭ ਸਮੇਂ ਦੇ ਨਾਲ਼ ਗੁਣਾਤਮਕ ਰੂਪ ਵਿੱਚ ਵਧਦੇ ਹਨ। ਬਿਹਤਰ ਇਨਫ੍ਰਾਸਟ੍ਰਕਚਰ ਖੋਜ ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ। ਖੋਜ ਨਾਲ਼ ਵਧੇਰੇ ਸਮਰੱਥ ਅਤੇ ਕੁਸ਼ਲ ਮਾਡਲ ਤਿਆਰ ਹੁੰਦੇ ਹਨ। ਬਿਹਤਰ ਮਾਡਲ ਉਤਪਾਦਾਂ ਵਿੱਚ ਸੁਧਾਰ ਲਿਆਉਂਦੇ ਹਨ। ਬਿਹਤਰ ਉਤਪਾਦ ਅਪਣਾਉਣ, ਸਿੱਖਣ ਅਤੇ ਆਮਦਨ ਨੂੰ ਵਧਾਉਂਦੇ ਹਨ। ਇਹ ਵਾਧਾ ਖੋਜ, ਕੰਪਿਊਟ, ਡਿਪਲੋਇਮੈਂਟ ਅਤੇ ਸੁਰੱਖਿਆ ਦੀ ਅਗਲੀ ਪੀੜ੍ਹੀ ਵਿੱਚ ਲਗਾਤਾਰ ਨਿਵੇਸ਼ ਨੂੰ ਹੁਲਾਰਾ ਦਿੰਦਾ ਹੈ।
OpenAI ਇਹ ਸਾਰੇ ਹਿੱਸੇ ਇੱਕ ਸਾਂਝੇ ਇੰਟੈਲੀਜੈਂਸ ਪਲੇਟਫਾਰਮ ਰਾਹੀਂ ਇਕੱਠੇ ਲਿਆਉਂਦਾ ਹੈ। ਲੋਕ ਇਸਨੂੰ ChatGPT ਅਤੇ ChatGPT ਕੰਮ ਰਾਹੀਂ ਵਰਤਦੇ ਹਨ। ਡਿਵੈਲਪਰ ਇਸ ਨਾਲ Codex ਅਤੇ API ਰਾਹੀਂ ਬਣਾਉਂਦੇ ਹਨ। ਉਦਯੋਗ ਇਸਨੂੰ ਉਹਨਾਂ ਸਿਸਟਮਾਂ ਵਿੱਚ ਡਿਪਲੋਇ ਕਰਦੇ ਹਨ ਜਿੱਥੇ ਅਸਲ ਵਿੱਚ ਕੰਮ ਹੁੰਦਾ ਹੈ।
ਜਦੋਂ ਇੱਕ ਪਰਤ ਵਿੱਚ ਸੁਧਾਰ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਹਰ ਉਤਪਾਦ ਅਤੇ ਗਾਹਕ ਨੂੰ ਇਸਦਾ ਲਾਭ ਮਿਲ ਸਕਦਾ ਹੈ।
ਕੁੱਲ ਮਿਲਾ ਕੇ, ਇਹ ਚਾਰ ਮਾਪ ਸਾਨੂੰ ਦੱਸਦੇ ਹਨ ਕਿ ਕੀ ਪ੍ਰਤੀ ਡਾਲਰ ਉਪਯੋਗੀ ਇੰਟੈਲੀਜੈਂਸ ਵਿੱਚ ਸੁਧਾਰ ਹੋ ਰਿਹਾ ਹੈ।
ਉਪਯੋਗੀ ਕੰਮ ਸਾਨੂੰ ਦੱਸਦਾ ਹੈ ਕਿ AI ਕੀ ਤਿਆਰ ਕਰਦਾ ਹੈ। ਪ੍ਰਤੀ ਸਫਲ ਕਾਰਜ ਦੀ ਲਾਗਤ ਸਾਨੂੰ ਦੱਸਦੀ ਹੈ ਕਿ ਨਤੀਜੇ ਤੱਕ ਪਹੁੰਚਣ ਲਈ ਕੀ ਕੁਝ ਲੱਗਦਾ ਹੈ। ਭਰੋਸੇਯੋਗਤਾ ਸਾਨੂੰ ਦੱਸਦੀ ਹੈ ਕਿ ਲੋਕ ਇਸ ਦੇ ਕਿੰਨੇ ਕੰਮ 'ਤੇ ਵਿਸ਼ਵਾਸ ਨਾਲ ਭਰੋਸਾ ਕਰ ਸਕਦੇ ਹਨ। ਵੱਡੇ ਪੈਮਾਨੇ 'ਤੇ ਮੁੱਲ ਸਾਨੂੰ ਦੱਸਦਾ ਹੈ ਕਿ ਕੀ ਸਮੇਂ ਦੇ ਨਾਲ-ਨਾਲ ਹਰ ਡਾਲਰ ਅਤੇ ਕੰਪਿਊਟ ਦੀ ਹਰੇਕ ਇਕਾਈ, ਵਧੇਰੇ ਨਤੀਜੇ ਹਾਸਲ ਕਰ ਰਹੀ ਹੈ।
ਮਕਸਦ ਅਜਿਹੀ AI ਤਿਆਰ ਕਰਨਾ ਹੈ ਜੋ ਲੋਕਾਂ ਨੂੰ ਵਧੇਰੇ ਅਰਥਪੂਰਨ ਕੰਮ ਕਰਨ, ਬਿਹਤਰ ਫੈਸਲੇ ਲੈਣ ਅਤੇ ਆਪਣੇ ਕੰਮ ਦੇ ਉਹਨਾਂ ਹਿੱਸਿਆਂ 'ਤੇ ਜ਼ਿਆਦਾ ਸਮਾਂ ਬਿਤਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰੇ ਜਿਨ੍ਹਾਂ ਲਈ ਖਾਸ ਤੌਰ 'ਤੇ ਮਨੁੱਖੀ ਫੈਸਲਾ-ਸਮਰੱਥਾ ਅਤੇ ਰਚਨਾਤਮਕਤਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
ਸਾਡਾ ਕੰਮ ਹਰ ਪੀੜ੍ਹੀ ਨਾਲ ਇਸ ਸਮੀਕਰਨ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣਾ ਹੈ: ਹੋਰ ਸਮਰੱਥ ਮਾਡਲ, ਤੇਜ਼ ਅਤੇ ਹੋਰ ਭਰੋਸੇਯੋਗ ਨਤੀਜੇ, ਅਤੇ ਗਾਹਕਾਂ ਨੂੰ ਲੋੜੀਂਦੇ ਕੰਮ ਲਈ ਘੱਟ ਲਾਗਤਾਂ।
ਇਸੇ ਤਰ੍ਹਾਂ ਸਮੇਂ ਦੇ ਨਾਲ AI ਹੋਰ ਵੀ ਜ਼ਿਆਦਾ ਲੋਕਾਂ ਅਤੇ ਸੰਗਠਨਾਂ ਲਈ ਵਧੇਰੇ ਉਪਯੋਗੀ ਬਣਦੀ ਹੈ।
