प्रोडक्शन-ग्रेड LLM एप्लिकेशन के लिए डेवलपर गाइड (अनुवादित लेख)

• Zapier के AI प्रोडक्ट डेवलपर Tal Peretz द्वारा लिखे गए लेख का अनुमति लेकर अनुवाद किया गया है.

• मूल लेख यहाँ देखा जा सकता है, और इसके मुख्य बिंदु नीचे दिए गए हैं.

---

• प्रॉम्प्ट इंजीनियरिंग - शुरुआती चरण

• मूल्यांकन की भूमिका: (नेविगेशन का मानक) ध्रुवतारा

  • AI मूल्यांकन के लिए व्यवस्थित दृष्टिकोण / Systematic Approach to AI Evaluations
  • गहन परीक्षण के लिए dataset का उपयोग / Dataset Utilization for In-depth Testing
  • AI आकलन के साथ मूल्यांकन को परिष्कृत करना / Refining Evaluations with AI Assessments
  • मूल्यांकन के लिए metrics / Metrics to evaluate
  • स्वर्ण मानक के रूप में मानवीय मूल्यांकन / Human Evaluation as the Gold Standard

• RAG: ज़रूरत पड़ने पर संदर्भानुसार गहन जानकारी

  • आज़माने योग्य तकनीकें / Techniques to Experiment With

• फाइन-ट्यूनिंग: विशेषज्ञता की कला

  • ट्रेनिंग डेटा की कमी: मात्रा और गुणवत्ता के संतुलन की समस्या / Insufficient Training Data: The Quantity-Quality Equilibrium
  • असंतुलित ट्रेनिंग डेटा: पक्षपात की दुविधा / Unbalanced Training Sets: The Bias Dilemma
  • सार्वजनिक डेटा का पुनः उपयोग: नए signal की अनिवार्यता / Reusing Public Data: The New Signal Imperative
  • कमजोर प्रॉम्प्ट इंजीनियरिंग: स्पष्ट निर्देश / Poor Prompt Engineering: The Clarity Commandment
  • क्रमिक रूप से मूल्यांकन न करना: लगातार होने वाली चूक / Not Evaluating Incrementally: The Continuous Oversight

• जब सब कुछ ज़रूरी हो

• समापन

[cosine20]

साझा करने के लिए धन्यवाद।

[apkas]

लगता है यह OpenAI द्वारा प्रकाशित A Survey of Techniques for Maximizing LLM Performance से लगभग वही सामग्री है, है न?

[ninebow]

मैं OpenAI DevDay वीडियो नहीं देख पाया था, और अब पता चला कि उसमें वह session भी है जिसके बारे में आपने बताया था. :)
बताने के लिए धन्यवाद!

(+ दूसरों के लिए, मैं वह YouTube लिंक साझा कर रहा हूँ जो मुझे मिला!)
https://www.youtube.com/watch?v=ahnGLM-RC1Y