সিদ্ধান্ত মডেল একটি নতুন ধরনের AI হিসেবে মনোযোগ আকর্ষণ করছে: আপনি মডেলকে প্রসঙ্গ এবং একগুচ্ছ বিকল্প দেন, এবং সে তাদের একটি বেছে নেয়। এই কাজের জন্য বিশেষভাবে প্রশিক্ষিত হওয়ায় তারা LLM-এর চেয়ে অনেক দ্রুত ও সস্তায় এটি করতে পারে। বাস্তবে, একটি হাইব্রিড ওয়ার্কফ্লো শুরু করার জন্য একটি ভালো জায়গা। সিদ্ধান্ত মডেল বদ্ধ-প্রান্তের নির্বাচনগুলো সামলায়, যেখানে বিকল্পগুলো আগে থেকেই জানা থাকে; LLM উন্মুক্ত-প্রান্তের অংশগুলো সামলায়, যেগুলো যুক্তি দিয়ে বের করতে হয় বা শূন্য থেকে তৈরি করতে হয়; এবং Python ওয়ার্কফ্লো ব্যবস্থাপনা ও অপারেশন সম্পাদন করে সবকিছু একসূত্রে গাঁথে।
এই পোস্টে একটি ব্রাউজার অটোমেশন ওয়ার্কফ্লো তৈরির ধাপগুলো দেখানো হয়েছে। প্রাকৃতিক ভাষায় একটি ভ্রমণ-অনুরোধ পাওয়ার পর, ওয়ার্কফ্লোটি একটি হোটেল-অনুসন্ধান ওয়েবসাইটে নেভিগেট করে, উপযুক্ত একটি হোটেল বাছাই করে এবং একটি অনুসন্ধান-বার্তা প্রস্তুত করে। ব্রাউজার অটোমেশন LLM-এর সবচেয়ে ব্যবহারিক ব্যবহারগুলোর একটি, কারণ যে LLM ব্রাউজার চালাতে পারে, সে প্রায় সেসব কাজই করতে পারে যা একজন মানুষ করতে পারে। পৃষ্ঠা পড়া, বোতামে ক্লিক করা, ড্রপডাউনের বিকল্প বাছাই করা এবং ফর্ম পূরণের মতো কাজগুলো তিনটি শ্রেণিতে পড়ে: বদ্ধ-প্রান্তের নির্বাচন, উন্মুক্ত-প্রান্তের তৈরি এবং অর্কেস্ট্রেশন।
এই শ্রেণিগুলো থেকেই কাজের ভাগ স্বাভাবিকভাবে আসে। সিদ্ধান্ত মডেল পৃষ্ঠায় থাকা বিকল্প থেকে বেছে নেয়, যেমন ক্যালেন্ডারের একটি তারিখ, অথবা পরবর্তী ক্রিয়া, যেমন ক্যালেন্ডার খোলা বা ফর্ম জমা দেওয়া। LLM বার্তা ও ব্যাখ্যা লেখে। Python ওয়েবসাইট থেকে তথ্য সংগ্রহ করে, মডেলের জন্য প্রস্তুত করে, তাদের উত্তর গ্রহণ করে এবং ব্রাউজার অপারেশন চালায়।
ফলাফল একটি পুনরাবৃত্ত চক্র: পৃষ্ঠা পড়া, সিদ্ধান্ত মডেলকে পরবর্তী ক্রিয়া বেছে নিতে দেওয়া, এবং শুধু উৎপন্ন লেখার প্রয়োজন হলেই LLM ডাকা। এই উদাহরণে আরও মাপা হয়েছে যে প্রতিটি ধাপে LLM-এর ওপর নির্ভর করার চেয়ে সিদ্ধান্ত মডেল ব্যবহার করলে ওয়ার্কফ্লো দ্রুত হয় কি না।
উৎস: Towards Data Science · সারাংশ: HeadlinesBriefing