جائزہ
بڑے زبان ماڈلز (LLMs) معلومات کی نکال کشانی کے لیے بہترین ٹیکنالوجی کے طور پر منظرعام پر آ رہے ہیں۔
معلومات کی نکال کشانی کے لئے روایتی حل مخصوص طور پر بنائی گئی قواعد (مثلاً ریگولر ایکسپریشنز) اور خود کار استعمال کرتے ہوئے انسانوں (بہت زیادہ) اور خاص فائن ٹیونڈ ایم ایل ماڈلز پر مشتمل ہوتے ہیں۔
ایسے نظام وقت گزرنے کے ساتھ ساتھ پیچیدہ ہوتے ہیں اور ان کی نگرانی کرنا مہنگا اور ان کو بہتر بنانا مشکل ہوجاتا ہے۔
LLMs کو جلدی مخصوص نکال کشانی کے لئے تبدیل کیا جا سکتا ہے صرف انہیں مناسب ہدایات فراہم کرکے اور مناسب حوالہ مثالوں کو فراہم کرکے۔
یہ راہنما آپ کو دکھائےگا کہ LLMs کو نکال کشانی کے لیے کیسے استعمال کیا جا سکتا ہے!
تراکیب
LLMs کا استعمال کرکے معلومات کی نکال کشانی کے لیے تین عمده تراکیب ہیں:
- ٹول/فنکشن کالنگ موڈ: کچھ LLMs ٹول یا فنکشن کالنگ موڈ کو سپورٹ کرتے ہیں۔ یہ LLMs دی گئی سکیما کے مطابق اوٹ پٹ کو ڈھانچے میں لا سکتے ہیں۔ عموماً، یہ ترکیب سب سے آسان ہوتی ہے اور بہترین نتائج حاصل کرنے کی امید کی جاتی ہے۔
- JSON موڈ: کچھ LLMs کو فورس کیا جا سکتا ہے کہ وہ درست JSON کو اوٹ پٹ دیں۔ یہ ٹول/فنکشن کالنگ ترکیب کے مشابہ ہے، صرف یہاں پر سکیما پرامتر کے طور پر دیا جاتا ہے۔ عموماً، ہمارا احساس ہے کہ یہ ٹول/فنکشن کالنگ ترکیب کی نسبت سے کم عمل کرتا ہے، مگر ہمیں یقین نہیں ہے اور آپ اپنے استعمال کے لیے خود تصدیق کریں!
- ہدایت پر مبنی: وہ LLMs جو ہدایات کو اچھی طرح سے مانتے ہیں، انہیں ہدایات دینے کے لئے درخواست دی جا سکتی ہے کہ وہ مطلوبہ ڈھانچے میں مواد پیدا کریں۔ پیدا کردہ مواد کو نیچے چلانے کے لیے موجودہ اوٹ پٹ پارسر یا استعمال کرتے ہوئے اختیاری پارسرز سے ڈھانچے میں منتقل کیا جا سکتا ہے، مثلاً JSON۔ یہ ترکیب LLMs کے ساتھ استعمال کی جا سکتی ہے جو JSON موڈ یا ٹول/فنکشن کالنگ موڈ کو سپورٹ نہیں کرتے ہیں۔ یہ ترکیب عموماً زیادہ موسم ہے، مگر یہاں تک کہانے کے مواد کم درست نتائج دے سکتی ہیں جب موازنہ کرنے والے ماڈلز کو نکالائی گئی ہوں یا فنکشن کالنگ کے لیے فائن ٹیون کیا گیا ہو۔