कुछ महीने पहले मैंने लिखा था कि 2026 में हर डेटा वैज्ञानिक को सीखने की आवश्यकता वाले 3 क्लॉड कौशल हैं: क्लॉड डैशबोर्ड, क्लॉड कॉर्क (जिरा टिकट्स को प्राथमिकता देने के लिए) और क्लॉड कोड के साथ डिबगिंग। लेकिन इन उपयोग के मामलों ने केवल सतह को छुआ है। क्लॉड के कई और तरीके हैं जिनसे दोहराव वाला काम कम हो सकता है और समय निकाला जा सकता है उन कार्यों पर जो वास्तव में मानव हस्तक्षेप की आवश्यकता रखते हैं। इसलिए, यहाँ 4 और कौशल दिए गए हैं।

1. मॉडलिंग दृष्टिकोनों की तुलना करने के लिए गहरी शोध

जब आप क्लॉड से कोई प्रश्न पूछते हैं, तो यह जानकारी तीन स्रोतों में से एक से प्राप्त करता है: अपने प्रशिक्षण डेटा और ज्ञान, वेब खोज, या शोध। वेब खोज और शोध दोनों को सक्षम करना आवश्यक है। वेब खोज आपके प्रश्न के लिए एकल उत्तर प्राप्त करने के लिए वेब की खोज करता है। लेकिन शोध अपने आप एक जुड़ी हुई वेब खोजों की श्रृंखला चलाता है, जहां प्रत्येक खोज पिछली खोज के परिणाम पर आधारित होती है। फिर यह एक व्यापक रिपोर्ट के साथ संदर्भों को लौटाता है।

क्लॉड में शोध मोड का उपयोग कैसे करें: चैट विंडो के बाएँ नीचे वाले + बटन पर क्लिक करें। शोध (Research) चुनें (एक नीला संकेतक इसकी सक्रियता की पुष्टि करता है)। यदि क्लॉड किसी प्रश्न पर जो इसके लिए कहता है, स्वचालित रूप से इसे ट्रिगर नहीं करता है, तो सीधे कहें: "क्लॉड, कृपया शोध टूल का उपयोग करने के लिए..."

यहाँ क्लॉड शोध टूल के कुछ वास्तविक डेटा विज्ञान उपयोग के मामले दिए गए हैं:

समस्या: आप एजेंटिक AI प्रणालियों के निर्माण में नए हैं और उत्पादन में डिप्लॉयमेंट से पहले यह समझने की आवश्यकता है कि एक एजेंट उत्पादन के लिए तैयार है या नहीं, इसके मूल्यांकन के लिए वर्तमान सर्वोत्तम प्रथाओं।

क्लॉड डीप शोध प्रॉम्प्ट: उत्पादन से पहले डिप्लॉयमेंट के लिए AI एजेंट्स के परीक्षण के वर्तमान सर्वोत्तम प्रथाओं और मूल्यांकन फ्रेमवर्क का सारांश दें। लूपिंग, टूल दुरुपयोग, और हलूसिनेटेड एक्शंस जैसी सामान्य विफलता मोड को कवर करें, और बताएं कि टीमें शिपिंग से पहले विश्वसनीयता कैसे मापती हैं। हाल के पेपर, प्रकाशित बेंचमार्क, या AI प्रयोगशालाओं से दस्तावेज़ीकृत दृष्टिकोणों का उल्लेख करें।

समस्या: तय करना कि क्या एक नए दृष्टिकोण के आसपास उत्पादन भविष्यवाणी मॉडल का पुनर्निर्माण करना है या पहले से चल रहे ग्रेडिएंट बूस्टिंग सेटअप को बनाए रखना है।

क्लॉड डीप शोध प्रॉम्प्ट: क्लासिकल सांख्यिकीय भविष्यवाणी विधियों (SARIMA, एक्सपोनेंशियल स्मूथिंग) की तुलना ग्रेडिएंट बूस्टिंग और ट्रांसफॉर्मर-आधारित मॉडलों से करें, प्रति घंटा ऊर्जा लोड भविष्यवाणी के लिए। प्रत्येक दृष्टिकोण के लिए, मल्टी-डे क्षितिज पर सटीकता, डेटा मात्रा की आवश्यकताओं, और दस्तावेज़ीकृत विफलता मोड का सारांश दें। विशिष्ट पेपर्स या बेंचमार्क का उल्लेख करें।

समस्या: एक नए डेटासेट पर outliers की पहचान करने के लिए कौन सी विधि लागू करनी है, जिसमें मजबूत मौसमी पैटर्न हैं, इससे पहले कि यह एक उत्पादन मॉडल तक पहुंचे।

क्लॉड डीप शोध प्रॉम्प्ट: मौसमी समय श्रृंखला डेटा में outliers की पहचान करने के लिए z-score, IQR, और आइसोलेशन फॉरेस्ट विधियों की तुलना करें। प्रत्येक विधि के लिए बताएं कि वे कहाँ झूठे सकारात्मक (false positives) उत्पन्न करने की प्रवृत्ति रखते हैं, पैमाने पर गणनात्मक लागत क्या है, और उनके बीच चयन करने के लिए दस्तावेज़ीकृत मार्गदर्शन क्या है। विशिष्ट स्रोतों का उल्लेख करें।

इस अंतिम एक के लिए, क्लॉड ने एक संगठित दस्तावेज़ वापस भेजा जिसमें निम्नलिखित अनुभाग शामिल थे:

TLDR/सारांश

विधियों का अवलोकन — z-score, IQR, और आइसोलेशन फॉरेस्ट क्या हैं और वे कैसे काम करते हैं, इसकी व्याख्या

प्रति विधि झूठे सकारात्मक पैटर्न (मौसमी संदर्भ में)

गणनात्मक लागत और स्केलेबिलिटी

निर्णय मार्गदर्शन: विधियों के बीच चयन कैसे करें

चेतावनियाँ — इसके निष्कर्षों की सीमाओं पर चर्चा

2. स्टेकहोल्डर्स के लिए HTML प्रोजेक्ट ब्रीफ

मान लीजिए आप एक सोशल मीडिया मार्केटिंग कंपनी में काम करते हैं जहाँ आप एक विशिष्ट छोटे रूप के रील अभियान के लिए सामग्री एंगेजमेंट भविष्यवाणी मॉडल पर काम कर रहे हैं। हालांकि, मॉडल अपेक्षित रूप से काम नहीं कर रहा है। तो आप और अन्य डेटा वैज्ञानिकों ने मॉडल में सुधार के लिए एक 2 महीने की योजना बनाई। लेकिन गैर-तकनीकी स्टेकहोल्डर्स अक्सर असब्र होते हैं और समझ नहीं पाते कि पोस्ट्स शुरू में अपेक्षित के अनुसार काम क्यों नहीं कर रहे हैं। वे इस हफ्ते में सुधार चाहते हैं (जैसा कि डेटा वैज्ञानिक जानते हैं, यह अक्सर एक अवास्तविक समय सीमा होती है)।

एक HTML प्रोजेक्ट ब्रीफ बनाना जिसे एक लिंक के रूप में साझा किया जा सके, इस संचार अंतर को पाटने में मदद करता है क्योंकि यह परियोजना की स्थिति, समयरेखा, और अपेक्षाओं का एक स्वच्छ, पढ़ने योग्य सारांश प्रदान करता है।

मुख्य इकाइयाँ:

कंपनियाँ: Towards Data Science

अक्सर पूछे जाने वाले प्रश्न:

क्लॉड का शोध टूल वेब खोज से कैसे अलग है?

वेब खोज वेब से एकल उत्तर प्राप्त करता है, जबकि शोध एक जुड़ी हुई वेब खोजों की श्रृंखला चलाता है, प्रत्येक पिछली खोज पर आधारित, और फिर संदर्भों के साथ एक व्यापक रिपोर्ट लौटाता है।

अक्सर पूछे जाने वाला प्रश्न: क्लॉड का शोध टूल वेब खोज से कैसे अलग है?

अक्सर पूछे जाने वाला उत्तर: वेब खोज वेब से एकल उत्तर प्राप्त करता है, जबकि शोध एक जुड़ी हुई वेब खोजों की श्रृंखला चलाता है, प्रत्येक पिछली खोज पर आधारित, और फिर संदर्भों के साथ एक व्यापक रिपोर्ट लौटाता है।