حل کا ڈیزائن: LLM، RAG، agent، یا AI ہی نہیں

تین طریقے

1. 1

   صفر آپشن: AI نہیں۔ ایک spreadsheet macro، ایک checklist، ایک shell script، یا دو گھنٹے کا جونیئر ملازم۔ پاکستان کے بہت سے 'AI پروجیکٹس' دراصل 'ہم نے کبھی checklist لکھی ہی نہیں' پروجیکٹس ہیں۔ ماڈل کی طرف بڑھنے سے پہلے دیکھیں کیا process یا تربیت اسی تکلیف کو دسواں حصہ خرچ پر ختم کر سکتی ہے۔ ایمانداری سے جواب کبھی ہاں ہوتا ہے۔ وہ ونگ کمانڈر جو inspectors کے لیے ایک صفحے کا SOP لکھ لیتا ہے، چھ ماہ کے LLM پائلٹ سے زیادہ وقت بچا لیتا ہے۔

2. 2

   پہلا آپشن: سادہ LLM کال۔ prompt بھیجیں، جواب لیں۔ استعمال کریں جب درکار علم ماڈل کی تربیت میں موجود ہو اور جواب ایک response میں آ جائے۔ معیاری میمو کا مسودہ، اردو سے انگریزی ترجمہ، عوامی طور پر مشہور کمپنی کا خلاصہ, یہ سب سادہ LLM کام ہیں۔ ساخت: ایک API call، خرچ پیسے فی call، بنانے کا وقت ایک دن۔ خطرہ: domain-specific چیزوں پر hallucination۔ سادہ LLMs آپ کا اندرونی ڈیٹا نہیں جانتے؛ ان سے اپنی فائلوں کا حال نہ پوچھیں۔

3. 3

   دوسرا آپشن: RAG یعنی retrieval-augmented generation۔ ماڈل کو آپ کی دستاویزات پر سرچ انڈیکس کے ساتھ جوڑا جاتا ہے۔ صارف کا سوال آئے تو نظام پہلے متعلقہ اقتباسات نکالتا ہے، پھر ماڈل کو کہتا ہے کہ صرف انہیں استعمال کرتے ہوئے، حوالوں کے ساتھ جواب دے۔ استعمال کریں جب علم آپ کے اپنے corpus میں ہو: پاکستان کی ہر اندرونی پالیسی لائبریری، NEPRA tariff آرکائیو، اندرونی contract repository, سب یہاں فٹ ہیں۔ RAG ماڈل کو ثبوت سے باندھ کر ایماندار رکھتا ہے، حوالے آڈیٹر کو تصدیق کرنے دیتے ہیں۔ بنانے کا وقت ایک سے چار ہفتے، آپ کی دستاویزات کی صفائی کے حساب سے۔

کیوں؟

Claude کے ساتھ آزمائیں

Claude یا ChatGPT کے ساتھ آزمانے کے لیے پرامپٹ: 'میرا امیدوار مسئلہ FBR پالیسی ونگ پر روزانہ 16 ٹیکس returns کا خلاصہ ہے۔ سادہ LLM، RAG اور agent ساختوں کا جائزہ لیں۔ ہر ایک کے لیے ایماندار پیراگراف میں فٹنیس، انتخاب کی دو وجوہات، گریز کی دو وجوہات، اور چار ہفتوں کا منصوبہ۔ آؤٹ پُٹ انگریزی میں، اردو خلاصے کے ساتھ۔' ہر دعوے کو چیلنج کریں۔