ଏଜେଣ୍ଟ-ପ୍ରଥମ ବିଷୟବସ୍ତୁ ପୁନରୁଦ୍ଧାର: ବକ୍ସ ଏବଂ Nvidia Nemotron କିପରି AI ଏଜେଣ୍ଟମାନଙ୍କ ପାଇଁ ଏଣ୍ଟରପ୍ରାଇଜ୍ ସନ୍ଧାନକୁ ପୁନ u ନିର୍ମାଣ କରୁଛନ୍ତି |
Agent-first content retrieval is a way of searching company data that is built for AI agents instead of people, returning only the specific passages an agent needs rather than whole documents. Box put that idea into a product at its developer conference with Box Content Retrieval, a feature that builds Nvidia’s Nemotron embedding system into the core of its platform. TechCrunch
Enterprise search used to assume a person would skim a results page and open a file. Agents don’t skim. They process everything you hand them, and every unnecessary page costs time, money and accuracy. This guide explains how the new approach works, what the early performance claims actually mean, and how to prepare your own content for it.
Key Takeaways
- Chunks beat files. Agent-first content retrieval returns the most relevant sections of documents instead of the documents themselves.
- Box and Nvidia are productizing it. Box Content Retrieval is an implementation of Nvidia’s Nemotron Embed project, which offers open-weight embedding models. TechCrunch
- The headline numbers are projections. Nvidia’s VP of Generative AI software, Kari Briski, told TechCrunch she expects queries to be answered four times faster, with 20% fewer errors and 90% fewer tokens used. TechCrunch
- Availability is next year. The system will reach all Enterprise Advance customers, rolling out early next year. TechCrunch
- Embeddings are only part of the story. Box’s existing metadata and permission controls are a large part of why the system works.
What Is Agent-First Content Retrieval?
Definition
Agent-first content retrieval is a retrieval design in which an AI agent, not a human reader, is treated as the primary user of the search system. Results are optimized to be small, precise and machine-ready, so the agent can reason over them immediately without wading through irrelevant material.
Expansion: the three traits that define it
In practice, agent-first content retrieval depends on three traits:
- Semantic matching. The system finds content by meaning, so a query about “ending a contract early” can surface a clause titled “termination for convenience.”
- Chunk-level delivery. Instead of returning a 60-page PDF, the system returns the two or three paragraphs that answer the question.
- Permission awareness. The agent only receives content the requesting user is allowed to see, which matters enormously in enterprise settings.
Each trait solves a different problem. Semantic matching fixes vocabulary mismatches. Chunk-level delivery controls cost and noise. Permission awareness keeps the whole thing safe enough for real business data.
How does agent-first content retrieval differ from keyword search?
Question: How does agent-first content retrieval differ from traditional keyword search?
Direct answer: Keyword search matches the literal words in a query against the literal words in a document and returns a ranked list of files for a person to open. Agent-first content retrieval matches meaning rather than wording, and it returns extracted passages that an agent can use directly. The first is designed for browsing. The second is designed for acting.
That difference sounds subtle, but it changes the economics of every agent workflow. When an agent has to read entire documents to find one answer, it burns through its context window and your budget. Precise retrieval lets the same agent finish the same task with far less material.
What Did Box Announce?
What is Box Content Retrieval?
Box Content Retrieval is Box’s implementation of agent-first content retrieval. The feature was announced at Box’s developer conference, and it lets agents answer queries more effectively by relying on embedded metadata created by Nemotron. TechCrunch
Box CEO Aaron Levie described the practical benefit this way: instead of an agent reading through each document, Box can send back the chunks most relevant to the user’s query or the agent’s task. That is the core promise of the whole category in one sentence. TechCrunch
When will customers get it?
The feature will be available to all Enterprise Advance customers, rolling out early next year. If you run Box today, that gives you a few months to prepare your content and permissions before the feature arrives. TechCrunch
What results is Nvidia projecting?
Nvidia expects queries to be answered four times faster, with 20% fewer errors and 90% fewer tokens used. These are statements of expectation from a vendor with a stake in the outcome. They are not independent benchmarks, and the system has not yet rolled out to customers. TechCrunch
That caution is consistent with how other coverage treats Nvidia’s retrieval numbers. Reporting on Nvidia’s October retrieval release stressed that the figures are Nvidia’s own measurements, not guarantees for a particular enterprise corpus, and that teams should test retrieval quality, latency and total cost against their own documents. The same advice applies here. Treat the numbers as a reason to pilot the feature, not as a promise. letsdatascience
How Nvidia Nemotron Powers Agent-First Content Retrieval
What is an embedding model?
An embedding model converts text, and in some cases images, into lists of numbers called vectors, so that content with similar meaning ends up close together mathematically. A search system can then find relevant passages by comparing the vector of a question against the vectors of stored content. This is the foundation of embedding models for AI agents: they give the agent a map of meaning rather than a pile of words.
Embeddings are what make agent-first content retrieval possible. Without them, the system would be limited to keyword matching, and the agent would be back to reading whole documents.
Why does Nvidia Nemotron Embed matter here?
Nvidia Nemotron Embed is a family of open-weight embedding models, and it has become a notable player in a corner of AI that frontier labs have often ignored. TechCrunch reports that the sector has been a focus of Nvidia’s open-source model project, and that Nvidia’s most recent Nemotron release in July ranked #1 on the RTEB benchmark, which measures retrieval quality. TechCrunch
Details from Nvidia’s wider Nemotron embedding releases help explain the appeal for enterprise buyers. Nvidia describes its Nemotron 3 Embed models as supporting a 32,000-token context window, along with multilingual and code-based retrieval, which suits long documents and large code repositories. For a content platform holding contracts, reports and technical files, long-context support is a practical requirement rather than a luxury. hyper
What about reranking and document parsing?
Embedding is only one stage of a full retrieval pipeline. A reranker takes the candidate passages the embedding search finds and reorders them so the strongest evidence comes first. A parser extracts structured content from messy files such as scanned PDFs and slide decks.
In October, Nvidia introduced five open Nemotron 3.5 models covering embedding, reranking and document parsing for the retrieval layer that supplies evidence to enterprise agents. In tests described by Nvidia, adding a reranker cut an agent’s token use by 13 to 14 percent while also improving retrieval accuracy. letsdatasciencemind-verse
To be clear, TechCrunch’s reporting does not say which specific Nemotron models Box uses, so these figures show the direction of the technology rather than Box’s exact configuration. They do reinforce the central point: better retrieval quality tends to lower what an agent spends per task.
Keyword Search vs. Document-Level RAG vs. Agent-First Content Retrieval
The table below compares the three dominant approaches to feeding content to AI systems.
| Feature | Traditional keyword search | Document-level RAG | Agent-first content retrieval |
|---|---|---|---|
| Primary user | Human reader | Human or basic chatbot | AI agent |
| Matching method | Exact or near-exact words | Semantic similarity, often coarse | Semantic embeddings plus metadata |
| What comes back | Ranked list of files | Whole documents or large sections | Targeted, relevant chunks |
| Handles synonyms and concepts | Poorly | Reasonably well | Well, by design |
| Token cost for the agent | High if it must read files | Medium to high | Low, because only relevant chunks are sent |
| Permission handling | Usually file-level | Often bolted on afterward | Built into retrieval |
| Best for | Quick lookups by people | Simple Q&A over small collections | Multi-step agent workflows over large content stores |
The table is a generalization, and real systems blur these lines. Its purpose is to show where the design priorities differ: agent-first content retrieval treats cost, precision and permissions as first-class concerns because agents will run thousands of queries that no human ever sees.
Why Metadata and Permissions Are the Hidden Advantage
It is tempting to assume the value here comes entirely from the Nemotron models. TechCrunch’s reporting suggests otherwise. While the Nemotron models are freely available, the system relies heavily on Box’s pre-existing metadata and permission controls, which makes it challenging to recreate from scratch. Levie put it in vivid terms, saying Box is packing “five different technologies into one simple API.” TechCrunchTechCrunch
That is why agent-first content retrieval is hard to copy by simply downloading an open model. A useful retrieval layer needs to know who owns each file, who may see it, which version is current and how documents relate to one another. Those signals live in the content platform, not in the embedding model.
Permissions deserve special attention. An agent acting on behalf of an employee must never surface a document that employee could not open themselves. If permission checks sit outside the retrieval step, a single mistake can leak confidential material into an answer. Building access control into retrieval removes that class of error at the source.
A Practical Example: Legal Teams
Legal work is the example Box itself chose. Lawyers can find relevant clauses and precedents more easily under the new system, because Nemotron’s embeddings go beyond simple keywords to map underlying concepts, letting a search tool surface related legal concepts even when different language is used. TechCrunch
Here is an illustration of how that plays out. Suppose a lawyer asks an agent, “Which of our vendor contracts let us walk away without penalty?” A keyword search for “walk away” finds almost nothing, because contracts never use that phrase. Agent-first content retrieval can match the question to clauses on termination rights, early exit and cancellation without cause, then return just those clauses with the contract names attached. The agent can then summarize the options without ever loading the other 200 pages of each agreement.
This example is a simplified illustration, not a description of Box’s exact output. But it shows why meaning-based matching matters most in fields where the same idea is expressed in many different ways.
What Are the Trade-Offs of Agent-First Content Retrieval?
No retrieval approach is free, and the honest answer for buyers is that quality gains can come with costs elsewhere.
Do more capable agents change the picture?
TechCrunch notes the system will be most useful when paired with more active agents, which can operate with more fluency over the Nemotron-processed data. A simple chatbot that asks one question and reads one answer will see smaller gains than an agent that runs many searches in a row. TechCrunch
Is deeper agentic search slower and more expensive?
It can be. Nvidia’s own research on a more elaborate agentic retrieval pipeline, where an agent repeatedly searches, evaluates and refines its queries, is candid about this. Nvidia’s researchers wrote that agentic retrieval is more expensive and slower than standard dense retrieval, and in their ViDoRe v3 results the agent averaged about 136 seconds per query. huggingface
That research describes a different and heavier setup than Box’s feature, so it should not be read as a prediction for Box customers. It does illustrate the underlying tension: the more an agent has to search and re-search, the more it spends. Strong first-pass retrieval is one of the best ways to keep that spending down. The same research found that a capable agent can narrow the gap between stronger and weaker embedding models, which shrank from about 8.5 points to about 4 in one comparison. In other words, better embeddings and smarter agents both help, and they partly substitute for each other. huggingface
What should buyers verify?
Before relying on any vendor’s claims, check these points:
- Your own data. Benchmarks come from test collections, not your messy shared drive.
- Metadata quality. Retrieval is only as good as the labels and structure behind it.
- Permission accuracy. Audit who can see what before agents start acting on that access.
- Total cost. Measure latency and token spend across a full workflow, not a single query.
How to Prepare Your Content for Agent-First Content Retrieval
Whether or not you use Box, the shift toward agent-first content retrieval changes how content should be written and organized. The same principles that help AI systems prefer and cite web content apply inside the enterprise. Here is a practical checklist:
- Write modular sections. Give each section a clear heading and make it understandable on its own, because retrieval systems extract chunks, not whole documents.
- Lead with the answer. Put the key fact or conclusion at the start of a section, then add context. This helps both people and machines.
- Define terms where they appear. A definition next to its first use makes a chunk self-contained when it is pulled out of context.
- Keep metadata consistent. Use the same labels for document type, owner, date and status across your repository.
- Retire stale versions. Duplicates and outdated drafts compete with the current document and confuse agents.
- Review permissions. Clean up overly broad sharing before agents inherit it.
- Prefer clear structure over clever formatting. Tables, headings and short paragraphs parse more reliably than decorative layouts.
None of these steps require new software. They are content hygiene, and they pay off under any retrieval system.
Frequently Asked Questions
What is agent-first content retrieval?
Agent-first content retrieval is a search design that treats an AI agent as the main user and returns small, relevant passages instead of whole documents. It relies on embeddings to match meaning, and on metadata and permissions to keep results accurate and safe.
What is Box Content Retrieval?
Box Content Retrieval is a feature announced at Box’s developer conference that builds Nvidia’s Nemotron embedding system into the Box platform. It lets agents pull relevant chunks of documents rather than reading each file in full.
Is agent-first content retrieval available now?
Not yet for Box customers. Box says the feature will reach all Enterprise Advance customers, rolling out early next year. TechCrunch
Are the 4x speed and 90% token claims proven?
They are Nvidia’s expectations, reported by TechCrunch, rather than independent test results. Pilot the feature on your own content and measure speed, errors and token use before drawing conclusions.
Do I need Nemotron to build agent-first content retrieval myself?
No, but it helps to know what you would be rebuilding. The Nemotron models are freely available, but the Box system also depends on pre-existing metadata and permission controls that are hard to recreate from scratch. The model is the easier part. The surrounding content infrastructure is the harder one. TechCrunch
Which industries benefit most?
Any field with large volumes of unstructured documents and many ways of expressing the same idea stands to gain. Legal work is the example Box highlighted, and similar patterns appear in finance, healthcare and compliance.
Conclusion
Agent-first content retrieval reframes enterprise search around a simple fact: the biggest reader of your content is about to be software. Box’s decision to build Nvidia’s Nemotron embeddings directly into its platform is a clear signal that content platforms now compete on how well they serve agents, not just people.
The projected gains of four times faster answers, 20% fewer errors and 90% fewer tokens are promising but unproven until customers have the feature in hand. The durable lesson is independent of any single product. Clean structure, consistent metadata, accurate permissions and modular writing will make your content easier for every retrieval system to find, trust and use. Start with those fundamentals now, and you will be ready when agent-first content retrieval reaches your own stack.
ଏଜେଣ୍ଟ-ପ୍ରଥମ ବିଷୟବସ୍ତୁ ପୁନରୁଦ୍ଧାର: ବକ୍ସ ଏବଂ Nvidia Nemotron କିପରି AI ଏଜେଣ୍ଟମାନଙ୍କ ପାଇଁ ଏଣ୍ଟରପ୍ରାଇଜ୍ ସନ୍ଧାନକୁ ପୁନ u ନିର୍ମାଣ କରୁଛନ୍ତି |
ଏଜେଣ୍ଟ-ପ୍ରଥମ ବିଷୟବସ୍ତୁ ପୁନରୁଦ୍ଧାର ହେଉଛି କମ୍ପାନୀ ତଥ୍ୟ ଖୋଜିବାର ଏକ ଉପାୟ ଯାହା ଲୋକଙ୍କ ବଦଳରେ AI ଏଜେଣ୍ଟମାନଙ୍କ ପାଇଁ ନିର୍ମିତ, ସମ୍ପୂର୍ଣ୍ଣ ଡକ୍ୟୁମେଣ୍ଟ ଅପେକ୍ଷା କେବଳ ଏଜେଣ୍ଟ ଆବଶ୍ୟକ କରୁଥିବା ନିର୍ଦ୍ଦିଷ୍ଟ ପାସ୍ଗୁଡ଼ିକୁ ଫେରସ୍ତ କରିଥାଏ | ବକ୍ସ ଏହାର ବିକାଶକାରୀ ସମ୍ମିଳନୀରେ ବକ୍ସ ବିଷୟବସ୍ତୁ ପୁନରୁଦ୍ଧାର ସହିତ ଏକ ଉତ୍ପାଦରେ ରଖିଲା, ଏକ ବ feature ଶିଷ୍ଟ୍ୟ ଯାହା Nvidia ର ନେମୋଟ୍ରନ୍ ଏମ୍ବେଡିଂ ସିଷ୍ଟମକୁ ଏହାର ପ୍ଲାଟଫର୍ମର ମୂଳରେ ନିର୍ମାଣ କରେ |
TechCrunch
ଜଣେ ବ୍ୟକ୍ତି ଅନୁମାନ କରିବା ପାଇଁ ବ୍ୟବହୃତ ଏଣ୍ଟରପ୍ରାଇଜ୍ ସନ୍ଧାନ ଏକ ଫଳାଫଳ ପୃଷ୍ଠାକୁ ଛାଡି ଏକ ଫାଇଲ୍ ଖୋଲିବ | ଏଜେଣ୍ଟମାନେ ସ୍କିମ୍ କରନ୍ତି ନାହିଁ | ତୁମେ ସେମାନଙ୍କୁ ଦେଇଥିବା ସମସ୍ତ ଜିନିଷକୁ ସେମାନେ ପ୍ରକ୍ରିୟାକରଣ କରନ୍ତି, ଏବଂ ପ୍ରତ୍ୟେକ ଅନାବଶ୍ୟକ ପୃଷ୍ଠାର ସମୟ, ଅର୍ଥ ଏବଂ ସଠିକତା ଖର୍ଚ୍ଚ ହୁଏ | ନୂତନ ପଦ୍ଧତି କିପରି କାର୍ଯ୍ୟ କରେ, ପ୍ରାରମ୍ଭିକ କାର୍ଯ୍ୟଦକ୍ଷତା ଦାବିର ଅର୍ଥ କ’ଣ ଏବଂ ଏହା ପାଇଁ ତୁମର ନିଜସ୍ୱ ବିଷୟବସ୍ତୁ କିପରି ପ୍ରସ୍ତୁତ କରାଯାଏ, ଏହି ଗାଇଡ୍ ବ୍ୟାଖ୍ୟା କରେ |
କି ନିଆଯିବା |
ଖଣ୍ଡଗୁଡିକ ଫାଇଲଗୁଡ଼ିକୁ ପରାସ୍ତ କରେ | ଏଜେଣ୍ଟ-ପ୍ରଥମ ବିଷୟବସ୍ତୁ ପୁନରୁଦ୍ଧାର ନିଜେ ଡକ୍ୟୁମେଣ୍ଟ ବଦଳରେ ଡକ୍ୟୁମେଣ୍ଟଗୁଡିକର ସବୁଠାରୁ ପ୍ରାସଙ୍ଗିକ ବିଭାଗଗୁଡ଼ିକୁ ଫେରସ୍ତ କରେ |
ବାକ୍ସ ଏବଂ Nvidia ଏହାକୁ ଉତ୍ପାଦନ କରୁଛନ୍ତି | ବକ୍ସ ବିଷୟବସ୍ତୁ ପୁନରୁଦ୍ଧାର ହେଉଛି Nvidia ର ନେମୋଟ୍ରନ୍ ଏମ୍ବେଡ୍ ପ୍ରୋଜେକ୍ଟର ଏକ କାର୍ଯ୍ୟକାରିତା, ଯାହା ଖୋଲା ଓଜନ ଏମ୍ବେଡିଂ ମଡେଲ ପ୍ରଦାନ କରେ |
TechCrunch
ହେଡଲାଇନ୍ ନମ୍ବରଗୁଡ଼ିକ ହେଉଛି ପ୍ରୋଜେକସନ | ଜେନେରେଟିଭ୍ ଏଇ ସଫ୍ଟୱେୟାରର Nvidia ର VP କରୀ ବ୍ରିସ୍କି ଟେକ୍ କ୍ରଞ୍ଚକୁ କହିଛନ୍ତି ଯେ 20% କମ୍ ତ୍ରୁଟି ଏବଂ 90% କମ୍ ଟୋକେନ୍ ବ୍ୟବହାର କରାଯାଇ ପ୍ରଶ୍ନର ଚାରି ଗୁଣ ଶୀଘ୍ର ଉତ୍ତର ଦିଆଯିବ ବୋଲି ସେ ଆଶା କରୁଛନ୍ତି |
TechCrunch
ଉପଲବ୍ଧତା ଆସନ୍ତା ବର୍ଷ | ଆସନ୍ତା ବର୍ଷ ଆରମ୍ଭରେ ଏହି ସିଷ୍ଟମ ସମସ୍ତ ଏଣ୍ଟରପ୍ରାଇଜ୍ ଆଡଭାନ୍ସ ଗ୍ରାହକଙ୍କ ନିକଟରେ ପହଞ୍ଚିବ |
TechCrunch
ଏମ୍ବେଡିଂ କେବଳ କାହାଣୀର ଏକ ଅଂଶ | ବକ୍ସର ବିଦ୍ୟମାନ ମେଟାଡାଟା ଏବଂ ଅନୁମତି ନିୟନ୍ତ୍ରଣଗୁଡ଼ିକ ସିଷ୍ଟମ୍ କାହିଁକି କାମ କରେ ତାହାର ଏକ ବଡ଼ ଅଂଶ |
ଏଜେଣ୍ଟ-ପ୍ରଥମ ବିଷୟବସ୍ତୁ ପୁନରୁଦ୍ଧାର କ’ଣ?
ସଂଜ୍ଞା
ଏଜେଣ୍ଟ-ପ୍ରଥମ ବିଷୟବସ୍ତୁ ପୁନରୁଦ୍ଧାର ହେଉଛି ଏକ ପୁନରୁଦ୍ଧାର ଡିଜାଇନ୍ ଯେଉଁଥିରେ ଜଣେ AI ଏଜେଣ୍ଟ, ମାନବ ପାଠକ ନୁହଁନ୍ତି, ସର୍ଚ୍ଚ ସିଷ୍ଟମର ପ୍ରାଥମିକ ଉପଭୋକ୍ତା ଭାବରେ ପରିଗଣିତ ହୁଏ | ଫଳାଫଳଗୁଡିକ ଛୋଟ, ସଠିକ୍ ଏବଂ ମେସିନ୍-ପ୍ରସ୍ତୁତ ହେବା ପାଇଁ ଅପ୍ଟିମାଇଜ୍ କରାଯାଏ, ତେଣୁ ଅପ୍ରାସଙ୍ଗିକ ପଦାର୍ଥ ମାଧ୍ୟମରେ ୱେଡିଂ ନକରି ଏଜେଣ୍ଟ ତୁରନ୍ତ ସେମାନଙ୍କ ଉପରେ ଯୁକ୍ତି କରିପାରନ୍ତି |
ବିସ୍ତାର: ତିନୋଟି ଗୁଣ ଯାହା ଏହାକୁ ବ୍ୟାଖ୍ୟା କରେ |
ଅଭ୍ୟାସରେ, ଏଜେଣ୍ଟ-ପ୍ରଥମ ବିଷୟବସ୍ତୁ ପୁନରୁଦ୍ଧାର ତିନୋଟି ଗୁଣ ଉପରେ ନିର୍ଭର କରେ:
ଅର୍ଥଗତ ମେଳ | ସିଷ୍ଟମ୍ ଅର୍ଥ ଦ୍ୱାରା ବିଷୟବସ୍ତୁ ଖୋଜିଥାଏ, ତେଣୁ “ଚୁକ୍ତିନାମା ଶୀଘ୍ର ଶେଷ କରିବା” ବିଷୟରେ ଏକ ପ୍ରଶ୍ନ “ସୁବିଧା ପାଇଁ ସମାପ୍ତି” ନାମକ ଏକ ଧାରାକୁ ଉପସ୍ଥାପନ କରିପାରିବ |
ଖଣ୍ଡ ସ୍ତରୀୟ ବିତରଣ | 60 ପୃଷ୍ଠାର PDF ଫେରସ୍ତ କରିବା ପରିବର୍ତ୍ତେ, ସିଷ୍ଟମ୍ ଦୁଇଟି କିମ୍ବା ତିନୋଟି ଅନୁଚ୍ଛେଦ ଫେରସ୍ତ କରେ ଯାହା ପ୍ରଶ୍ନର ଉତ୍ତର ଦେଇଥାଏ |
ଅନୁମତି ସଚେତନତା | ଏଜେଣ୍ଟ କେବଳ ଅନୁରୋଧ ଗ୍ରହଣ କରୁଥିବା ଉପଭୋକ୍ତାଙ୍କୁ ଦେଖିବା ପାଇଁ ଅନୁମତି ପ୍ରାପ୍ତ ବିଷୟବସ୍ତୁ ଗ୍ରହଣ କରେ, ଯାହା ଏଣ୍ଟରପ୍ରାଇଜ୍ ସେଟିଙ୍ଗରେ ବହୁତ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ |
ପ୍ରତ୍ୟେକ ଗୁଣ ଏକ ଭିନ୍ନ ସମସ୍ୟାର ସମାଧାନ କରେ | ଅର୍ଥଗତ ମେଳଣ ଶବ୍ଦକୋଷର ମେଳ ଖାଏ | ଖଣ୍ଡ-ସ୍ତରର ବିତରଣ ମୂଲ୍ୟ ଏବଂ ଶବ୍ଦକୁ ନିୟନ୍ତ୍ରଣ କରେ | ଅନୁମତି ସଚେତନତା ପ୍ରକୃତ ବ୍ୟବସାୟ ତଥ୍ୟ ପାଇଁ ସମଗ୍ର ଜିନିଷକୁ ଯଥେଷ୍ଟ ସୁରକ୍ଷିତ ରଖେ |
ଏଜେଣ୍ଟ-ପ୍ରଥମ ବିଷୟବସ୍ତୁ ପୁନରୁଦ୍ଧାର କୀୱାର୍ଡ ସନ୍ଧାନଠାରୁ କିପରି ଭିନ୍ନ?
ପ୍ରଶ୍ନ: ପାରମ୍ପାରିକ କୀୱାର୍ଡ ସନ୍ଧାନଠାରୁ ଏଜେଣ୍ଟ-ପ୍ରଥମ ବିଷୟବସ୍ତୁ ପୁନରୁଦ୍ଧାର କିପରି ଭିନ୍ନ?
ସିଧାସଳଖ ଉତ୍ତର: କୀୱାର୍ଡ ସନ୍ଧାନ ଏକ ଡକ୍ୟୁମେଣ୍ଟରେ ଆକ୍ଷରିକ ଶବ୍ଦ ବିରୁଦ୍ଧରେ ଏକ ଜିଜ୍ଞାସାରେ ଆକ୍ଷରିକ ଶବ୍ଦ ସହିତ ମେଳ ଖାଏ ଏବଂ ଜଣେ ବ୍ୟକ୍ତି ଖୋଲିବା ପାଇଁ ଫାଇଲଗୁଡିକର ଏକ ସ୍ଥାନିତ ତାଲିକା ଫେରସ୍ତ କରେ | ଏଜେଣ୍ଟ-ପ୍ରଥମ ବିଷୟବସ୍ତୁ ପୁନରୁଦ୍ଧାର ଶବ୍ଦ ପରିବର୍ତ୍ତେ ଅର୍ଥ ସହିତ ମେଳ ହୁଏ, ଏବଂ ଏହା ବାହାର କରାଯାଇଥିବା ପାସ୍ଗୁଡ଼ିକୁ ଫେରସ୍ତ କରେ ଯାହା ଏକ ଏଜେଣ୍ଟ ସିଧାସଳଖ ବ୍ୟବହାର କରିପାରିବ | ପ୍ରଥମଟି ବ୍ରାଉଜିଂ ପାଇଁ ଡିଜାଇନ୍ ହୋଇଛି | ଦ୍ୱିତୀୟଟି ଅଭିନୟ ପାଇଁ ଡିଜାଇନ୍ ହୋଇଛି |
ସେହି ପାର୍ଥକ୍ୟ ସୂକ୍ଷ୍ମ ଶବ୍ଦ ହୁଏ, କିନ୍ତୁ ଏହା ପ୍ରତ୍ୟେକ ଏଜେଣ୍ଟ ୱାର୍କଫ୍ଲୋର ଅର୍ଥନୀତିକୁ ପରିବର୍ତ୍ତନ କରେ | ଯେତେବେଳେ ଗୋଟିଏ ଏଜେଣ୍ଟକୁ ଗୋଟିଏ ଉତ୍ତର ଖୋଜିବା ପାଇଁ ସମ୍ପୂର୍ଣ୍ଣ ଡକ୍ୟୁମେଣ୍ଟ୍ ପ read ିବାକୁ ପଡିବ, ଏହା ଏହାର ପ୍ରସଙ୍ଗ ୱିଣ୍ଡୋ ଏବଂ ତୁମର ବଜେଟ୍ ମାଧ୍ୟମରେ ଜଳିଯାଏ | ସଠିକ୍ ପୁନରୁଦ୍ଧାର ସମାନ ଏଜେଣ୍ଟକୁ ବହୁତ କମ୍ ସାମଗ୍ରୀ ସହିତ ସମାନ କାର୍ଯ୍ୟ ସମାପ୍ତ କରିବାକୁ ଦିଏ |
ବାକ୍ସ କ’ଣ ଘୋଷଣା କଲା?
ବାକ୍ସ ବିଷୟବସ୍ତୁ ପୁନରୁଦ୍ଧାର କ’ଣ?
ବକ୍ସ ବିଷୟବସ୍ତୁ ପୁନରୁଦ୍ଧାର ହେଉଛି ବକ୍ସର ଏଜେଣ୍ଟ-ପ୍ରଥମ ବିଷୟବସ୍ତୁ ପୁନରୁଦ୍ଧାରର କାର୍ଯ୍ୟକାରିତା | ବକ୍ସର ଡେଭଲପର୍ ସମ୍ମିଳନୀରେ ଏହି ବ feature ଶିଷ୍ଟ୍ୟ ଘୋଷଣା କରାଯାଇଥିଲା, ଏବଂ ଏହା ନେମୋଟ୍ରନ୍ ଦ୍ୱାରା ନିର୍ମିତ ଏମ୍ବେଡ୍ ମେଟାଡାଟା ଉପରେ ନିର୍ଭର କରି ଏଜେଣ୍ଟମାନଙ୍କୁ ପ୍ରଶ୍ନର ଅଧିକ ଉତ୍ତର ଦେବାକୁ ଦେଇଥାଏ |
TechCrunch
ବକ୍ସର ସିଇଓ ଆରୋନ ଲେଭି ଏହିପରି ବ୍ୟବହାରିକ ଲାଭ ବର୍ଣ୍ଣନା କରିଛନ୍ତି: ପ୍ରତ୍ୟେକ ଡକ୍ୟୁମେଣ୍ଟ ମାଧ୍ୟମରେ ପ reading ୁଥିବା ଏଜେଣ୍ଟ ବଦଳରେ, ବକ୍ସ ବ୍ୟବହାରକାରୀଙ୍କ ପ୍ରଶ୍ନ କିମ୍ବା ଏଜେଣ୍ଟଙ୍କ କାର୍ଯ୍ୟ ପାଇଁ ଅଧିକ ପ୍ରଯୁଜ୍ୟ ଅଂଶଗୁଡ଼ିକୁ ପଠାଇପାରେ | ଗୋଟିଏ ବାକ୍ୟରେ ସମଗ୍ର ବର୍ଗର ଏହା ହେଉଛି ମୂଳ ପ୍ରତିଜ୍ଞା |
TechCrunch
ଗ୍ରାହକମାନେ ଏହାକୁ କେବେ ପାଇବେ?
ଏହି ବ feature ଶିଷ୍ଟ୍ୟ ସମସ୍ତ ଏଣ୍ଟରପ୍ରାଇଜ୍ ଆଡଭାନ୍ସ ଗ୍ରାହକଙ୍କ ପାଇଁ ଉପଲବ୍ଧ ହେବ, ଯାହା ଆସନ୍ତା ବର୍ଷ ଆରମ୍ଭରେ ଆରମ୍ଭ ହେବ | ଯଦି ଆପଣ ଆଜି ବକ୍ସ ଚଲାନ୍ତି, ବ feature ଶିଷ୍ଟ୍ୟ ଆସିବା ପୂର୍ବରୁ ଆପଣଙ୍କ ବିଷୟବସ୍ତୁ ଏବଂ ଅନୁମତି ପ୍ରସ୍ତୁତ କରିବାକୁ ଆପଣଙ୍କୁ କିଛି ମାସ ସମୟ ଦେଇଥାଏ |
TechCrunch
Nvidia କ’ଣ ଫଳାଫଳ ପ୍ରୋଜେକ୍ଟ କରୁଛି?
20% କମ୍ ତ୍ରୁଟି ଏବଂ 90% କମ୍ ଟୋକେନ୍ ବ୍ୟବହାର ସହିତ ପ୍ରଶ୍ନଗୁଡିକ ଚାରି ଗୁଣ ଶୀଘ୍ର ଉତ୍ତର ଦିଆଯିବ ବୋଲି Nvidia ଆଶା କରେ | ଫଳାଫଳରେ ଅଂଶୀଦାର ଥିବା ବିକ୍ରେତାଙ୍କଠାରୁ ଏହା ଆଶାର ବିବୃତ୍ତି | ସେଗୁଡିକ ସ୍ independent ାଧୀନ ମାନଦଣ୍ଡ ନୁହେଁ, ଏବଂ ସିଷ୍ଟମ ଏପର୍ଯ୍ୟନ୍ତ ଗ୍ରାହକଙ୍କ ପାଇଁ ଗଡ଼ାଇ ନାହିଁ |
TechCrunch
ଅନ୍ୟ କଭରେଜ୍ Nvidia ର ପୁନରୁଦ୍ଧାର ସଂଖ୍ୟାକୁ କିପରି ବ୍ୟବହାର କରେ ସେହି ସତର୍କତା ସହିତ ସମାନ | Nvidia ର ଅକ୍ଟୋବର ପୁନରୁଦ୍ଧାର ପ୍ରକାଶନରେ ରିପୋର୍ଟ କରି ଜୋର ଦିଆଯାଇଛି ଯେ ଏହି ସଂଖ୍ୟାଗୁଡିକ Nvidia ର ନିଜସ୍ୱ ମାପ, ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଏଣ୍ଟରପ୍ରାଇଜ୍ କର୍ପସ ପାଇଁ ଗ୍ୟାରେଣ୍ଟି ନୁହେଁ ଏବଂ ଦଳଗୁଡିକ ପୁନରୁଦ୍ଧାର ଗୁଣବତ୍ତା ପରୀକ୍ଷା କରିବା ଉଚିତ୍ ncy ଏବଂ ସେମାନଙ୍କର ନିଜସ୍ୱ ଡକ୍ୟୁମେଣ୍ଟ ବିରୁଦ୍ଧରେ ମୋଟ ମୂଲ୍ୟ। ସମାନ ପରାମର୍ଶ ଏଠାରେ ପ୍ରଯୁଜ୍ୟ। ସଂଖ୍ୟାଗୁଡ଼ିକୁ ପ୍ରତିଶ୍ରୁତି ଭାବରେ ନୁହେଁ, ବୈଶିଷ୍ଟ୍ୟକୁ ପାଇଲଟ୍ କରିବାର ଏକ କାରଣ ଭାବରେ ବ୍ୟବହାର କରନ୍ତୁ।
letsdatascience
Nvidia Nemotron କିପରି ଏଜେଣ୍ଟ-ପ୍ରଥମ ବିଷୟବସ୍ତୁ ପୁନରୁଦ୍ଧାରକୁ ଶକ୍ତି ଦିଏ
ଏକ ଏମ୍ବେଡିଂ ମଡେଲ୍ କ’ଣ?
ଏକ ଏମ୍ବେଡିଂ ମଡେଲ୍ ପାଠ୍ୟ ଏବଂ କିଛି କ୍ଷେତ୍ରରେ ପ୍ରତିଛବିଗୁଡ଼ିକୁ ଭେକ୍ଟର ନାମକ ସଂଖ୍ୟା ତାଲିକାରେ ରୂପାନ୍ତରିତ କରେ, ଯାହା ଦ୍ଵାରା ସମାନ ଅର୍ଥ ଥିବା ବିଷୟବସ୍ତୁ ଗାଣିତିକ ଭାବରେ ନିକଟତର ହୁଏ। ଏକ ସନ୍ଧାନ ସିଷ୍ଟମ୍ ତା’ପରେ ସଂରକ୍ଷିତ ବିଷୟବସ୍ତୁର ଭେକ୍ଟର ସହିତ ଏକ ପ୍ରଶ୍ନର ଭେକ୍ଟର ତୁଳନା କରି ପ୍ରାସଙ୍ଗିକ ଅନୁଚ୍ଛେଦ ଖୋଜିପାରିବ। ଏହା AI ଏଜେଣ୍ଟମାନଙ୍କ ପାଇଁ ଏମ୍ବେଡିଂ ମଡେଲ୍ଗୁଡ଼ିକର ମୂଳଦୁଆ: ସେମାନେ ଏଜେଣ୍ଟଙ୍କୁ ଶବ୍ଦର ଗଦା ବଦଳରେ ଅର୍ଥର ଏକ ମାନଚିତ୍ର ଦିଅନ୍ତି।
ଏମ୍ବେଡିଂ ହେଉଛି ଯାହା ଏଜେଣ୍ଟ-ପ୍ରଥମ ବିଷୟବସ୍ତୁ ପୁନରୁଦ୍ଧାରକୁ ସମ୍ଭବ କରିଥାଏ। ସେମାନଙ୍କ ବିନା, ସିଷ୍ଟମ୍ କୀୱାର୍ଡ ମେଳ କରିବା ପାଇଁ ସୀମିତ ରହିବ, ଏବଂ ଏଜେଣ୍ଟ ସମ୍ପୂର୍ଣ୍ଣ ଡକ୍ୟୁମେଣ୍ଟ ପଢ଼ିବାକୁ ଫେରିଯିବ।
Nvidia Nemotron Embed ଏଠାରେ କାହିଁକି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ?
Nvidia Nemotron Embed ହେଉଛି ଖୋଲା-ଓଜନ ଏମ୍ବେଡିଂ ମଡେଲର ଏକ ପରିବାର, ଏବଂ ଏହା AI ର ଏକ କୋଣରେ ଏକ ଉଲ୍ଲେଖନୀୟ ଖେଳାଳି ପାଲଟିଛି ଯାହାକୁ ଫ୍ରଣ୍ଟିୟର ଲ୍ୟାବଗୁଡ଼ିକ ପ୍ରାୟତଃ ଅଣଦେଖା କରିଛନ୍ତି। TechCrunch ରିପୋର୍ଟ କରେ ଯେ ଏହି କ୍ଷେତ୍ର Nvidia ର ଖୋଲା-ଉତ୍ସ ମଡେଲ ପ୍ରୋଜେକ୍ଟର କେନ୍ଦ୍ରବିନ୍ଦୁ ହୋଇଛି, ଏବଂ Nvidia ର ଜୁଲାଇରେ ସର୍ବଶେଷ Nemotron ରିଲିଜ୍ RTEB ବେଞ୍ଚମାର୍କରେ #1 ସ୍ଥାନ ପାଇଛି, ଯାହା ପୁନରୁଦ୍ଧାର ଗୁଣବତ୍ତା ମାପ କରେ।
TechCrunch
Nvidia ର ବିସ୍ତୃତ Nemotron ଏମ୍ବେଡିଂ ରିଲିଜ୍ ର ବିବରଣୀ ଏଣ୍ଟରପ୍ରାଇଜ୍ କ୍ରେତାମାନଙ୍କ ପାଇଁ ଆକର୍ଷଣକୁ ବ୍ୟାଖ୍ୟା କରିବାରେ ସାହାଯ୍ୟ କରେ। Nvidia ଏହାର Nemotron 3 ଏମ୍ବେଡ୍ ମଡେଲଗୁଡ଼ିକୁ 32,000-ଟୋକନ୍ ପ୍ରସଙ୍ଗ ୱିଣ୍ଡୋକୁ ସମର୍ଥନ କରୁଥିବା ଭାବରେ ବର୍ଣ୍ଣନା କରେ, ବହୁଭାଷୀ ଏବଂ କୋଡ୍-ଆଧାରିତ ପୁନରୁଦ୍ଧାର ସହିତ, ଯାହା ଲମ୍ବା ଡକ୍ୟୁମେଣ୍ଟ ଏବଂ ବଡ଼ କୋଡ୍ ରିପୋଜିଟୋରୀକୁ ଉପଯୁକ୍ତ କରେ। ଚୁକ୍ତିନାମା, ରିପୋର୍ଟ ଏବଂ ବୈଷୟିକ ଫାଇଲ୍ ଧାରଣ କରୁଥିବା ଏକ ବିଷୟବସ୍ତୁ ପ୍ଲାଟଫର୍ମ ପାଇଁ, ଲମ୍ବା-ସନ୍ଦର୍ଭ ସମର୍ଥନ ଏକ ବିଳାସପୂର୍ଣ୍ଣତା ଅପେକ୍ଷା ଏକ ବ୍ୟବହାରିକ ଆବଶ୍ୟକତା।
ହାଇପର
ପୁନଃରାଙ୍କିଂ ଏବଂ ଡକ୍ୟୁମେଣ୍ଟ ପାର୍ସିଂ ବିଷୟରେ କ’ଣ?
ଏମ୍ବେଡିଂ ହେଉଛି ଏକ ପୂର୍ଣ୍ଣ ପୁନରୁଦ୍ଧାର ପାଇପଲାଇନର କେବଳ ଗୋଟିଏ ପର୍ଯ୍ୟାୟ। ଏକ ପୁନଃରାଙ୍କର୍ ପ୍ରାର୍ଥୀଙ୍କ ପାର୍ସିଂଗୁଡ଼ିକୁ ଏମ୍ବେଡିଂ ସନ୍ଧାନ ଖୋଜୁଥିବା ପାସେଜ୍ ନେଇଥାଏ ଏବଂ ସେଗୁଡ଼ିକୁ ପୁନଃକ୍ରମିତ କରିଥାଏ ଯାହା ଦ୍ଵାରା ସବୁଠାରୁ ଶକ୍ତିଶାଳୀ ପ୍ରମାଣ ପ୍ରଥମେ ଆସିଥାଏ। ଏକ ପାର୍ସର୍ ସ୍କାନ ହୋଇଥିବା PDF ଏବଂ ସ୍ଲାଇଡ୍ ଡେକ୍ ଭଳି ଅବ୍ୟବସ୍ଥିତ ଫାଇଲଗୁଡ଼ିକରୁ ସଂରଚିତ ବିଷୟବସ୍ତୁ ବାହାର କରେ।
ଅକ୍ଟୋବରରେ, Nvidia ପାଞ୍ଚଟି ଖୋଲା Nemotron 3.5 ମଡେଲ୍ ପ୍ରଚଳନ କରିଥିଲା ଯାହା ପୁନରୁଦ୍ଧାର ସ୍ତର ପାଇଁ ଏମ୍ବେଡିଂ, ପୁନଃରାଙ୍କିଂ ଏବଂ ଡକ୍ୟୁମେଣ୍ଟ ପାର୍ସିଂକୁ କଭର କରିଥିଲା ଯାହା ଏଣ୍ଟରପ୍ରାଇଜ୍ ଏଜେଣ୍ଟମାନଙ୍କୁ ପ୍ରମାଣ ଯୋଗାଇଥାଏ। Nvidia ଦ୍ୱାରା ବର୍ଣ୍ଣିତ ପରୀକ୍ଷାଗୁଡ଼ିକରେ, ଏକ ପୁନଃରାଙ୍କର୍ ଯୋଡ଼ିବା ଦ୍ୱାରା ଜଣେ ଏଜେଣ୍ଟଙ୍କ ଟୋକନ୍ ବ୍ୟବହାର 13 ରୁ 14 ପ୍ରତିଶତ ହ୍ରାସ ପାଇଥିଲା ଏବଂ ପୁନରୁଦ୍ଧାର ସଠିକତା ମଧ୍ୟ ଉନ୍ନତ ହୋଇଥିଲା।
letsdatascience
ମନ-ପଦ
ସ୍ପଷ୍ଟ ହେବା ପାଇଁ, TechCrunch ର ରିପୋର୍ଟିଂ ବକ୍ସ କେଉଁ ନିର୍ଦ୍ଦିଷ୍ଟ Nemotron ମଡେଲ୍ ବ୍ୟବହାର କରେ ତାହା କହିନାହିଁ, ତେଣୁ ଏହି ସଂଖ୍ୟାଗୁଡ଼ିକ ବକ୍ସର ସଠିକ୍ ବିନ୍ୟାସ ପରିବର୍ତ୍ତେ ପ୍ରଯୁକ୍ତିର ଦିଗ ଦର୍ଶାଏ। ସେମାନେ କେନ୍ଦ୍ରୀୟ ବିନ୍ଦୁକୁ ଦୃଢ଼ କରନ୍ତି: ଉନ୍ନତ ପୁନରୁଦ୍ଧାର ଗୁଣବତ୍ତା ପ୍ରତି କାର୍ଯ୍ୟରେ ଜଣେ ଏଜେଣ୍ଟ ଖର୍ଚ୍ଚ କରୁଥିବା ଜିନିଷକୁ କମ କରିଥାଏ।
କୀୱାର୍ଡ ସନ୍ଧାନ ବନାମ ଡକ୍ୟୁମେଣ୍ଟ-ସ୍ତର RAG ବନାମ ଏଜେଣ୍ଟ-ପ୍ରଥମ ବିଷୟବସ୍ତୁ ପୁନରୁଦ୍ଧାର
ନିମ୍ନରେ ଥିବା ସାରଣୀ AI ସିଷ୍ଟମଗୁଡ଼ିକୁ ବିଷୟବସ୍ତୁ ଫିଡ୍ କରିବା ପାଇଁ ତିନୋଟି ପ୍ରଭାବଶାଳୀ ପଦ୍ଧତିକୁ ତୁଳନା କରେ।
ବୈଶିଷ୍ଟ୍ୟ ପାରମ୍ପରିକ କୀୱାର୍ଡ ସନ୍ଧାନ ଡକ୍ୟୁମେଣ୍ଟ-ସ୍ତରୀୟ RAG ଏଜେଣ୍ଟ-ପ୍ରଥମ ବିଷୟବସ୍ତୁ ପୁନରୁଦ୍ଧାର
ପ୍ରାଥମିକ ବ୍ୟବହାରକାରୀ ମାନବ ପାଠକ ମାନବ କିମ୍ବା ମୌଳିକ ଚାଟବଟ୍ AI ଏଜେଣ୍ଟ
ମେଳ ଖାଉଥିବା ପଦ୍ଧତି ସଠିକ୍ କିମ୍ବା ପାଖାପାଖି ସଠିକ୍ ଶବ୍ଦ ଅର୍ଥଗତ ସମାନତା, ପ୍ରାୟତଃ ମୋଟା ଅର୍ଥଗତ ଏମ୍ବେଡିଂ ଏବଂ ମେଟାଡାଟା
କଣ ଫେରି ଆସେ ଫାଇଲଗୁଡ଼ିକର ତାଲିକାକୁ ରାଙ୍କ୍ କରାଯାଇଛି ସମ୍ପୂର୍ଣ୍ଣ ଡକ୍ୟୁମେଣ୍ଟ କିମ୍ବା ବଡ଼ ବିଭାଗ ଲକ୍ଷ୍ୟଯୁକ୍ତ, ପ୍ରାସଙ୍ଗିକ ଖଣ୍ଡଗୁଡ଼ିକ
ସମାନାର୍ଥକ ଏବଂ ଧାରଣାଗୁଡ଼ିକୁ ଖରାପ ଭାବରେ ଯଥାର୍ଥ ଭାବରେ ପରିଚାଳନା କରେ ଭଲ, ଡିଜାଇନ୍ ଦ୍ୱାରା
ଏଜେଣ୍ଟ ପାଇଁ ଟୋକନ୍ ଖର୍ଚ୍ଚ ଉଚ୍ଚ ଯଦି ଏହାକୁ ଫାଇଲଗୁଡ଼ିକ ପଢ଼ିବାକୁ ପଡିବ ମଧ୍ୟମରୁ ଉଚ୍ଚ ନିମ୍ନ, କାରଣ କେବଳ ପ୍ରାସଙ୍ଗିକ ଖଣ୍ଡଗୁଡ଼ିକ ପଠାଯାଏ
ଅନୁମତି ପରିଚାଳନା ସାଧାରଣତଃ ଫାଇଲ-ସ୍ତର ପ୍ରାୟତଃ ପରେ ବୋଲ୍ଟ ହୋଇଥାଏ ପୁନରୁଦ୍ଧାରରେ ନିର୍ମିତ
ଲୋକମାନଙ୍କ ଦ୍ୱାରା ଶୀଘ୍ର ଖୋଜିବା ପାଇଁ ସର୍ବୋତ୍ତମ ଛୋଟ ସଂଗ୍ରହ ଉପରେ ସରଳ ପ୍ରଶ୍ନ ଏବଂ ଉତ୍ତର ବଡ଼ ବିଷୟବସ୍ତୁ ଷ୍ଟୋରଗୁଡ଼ିକ ଉପରେ ବହୁ-ପଦକ୍ଷେପ ଏଜେଣ୍ଟ କାର୍ଯ୍ୟପ୍ରବାହ
ସାରଣୀଟି ଏକ ସାଧାରଣୀକରଣ, ଏବଂ ପ୍ରକୃତ ସିଷ୍ଟମଗୁଡ଼ିକ ଏହି ରେଖାଗୁଡ଼ିକୁ ବ୍ଲର୍ କରେ। ଏହାର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ଡିଜାଇନ୍ ପ୍ରାଥମିକତା କେଉଁଠାରେ ଭିନ୍ନ ହୁଏ ତାହା ଦେଖାଇବା: ଏଜେଣ୍ଟ-ପ୍ରଥମ ବିଷୟବସ୍ତୁ ପୁନରୁଦ୍ଧାର ମୂଲ୍ୟ, ସଠିକତା ଏବଂ ଅନୁମତିକୁ ପ୍ରଥମ ଶ୍ରେଣୀର ଚିନ୍ତା ଭାବରେ ବ୍ୟବହାର କରେ କାରଣ ଏଜେଣ୍ଟମାନେ ହଜାର ହଜାର ପ୍ରଶ୍ନ ଚଲାଇବେ ଯାହାକୁ କୌଣସି ମଣିଷ କେବେ ଦେଖିନଥାଏ।
କାହିଁକି ମେଟାଡାଟା ଏବଂ ଅନୁମତିଗୁଡ଼ିକ ଲୁକ୍କାୟିତ ଲାଭ
ଏଠାରେ ମୂଲ୍ୟ ସମ୍ପୂର୍ଣ୍ଣ ଭାବରେ ନେମୋଟ୍ରନ୍ ମଡେଲଗୁଡ଼ିକରୁ ଆସିଛି ବୋଲି ଅନୁମାନ କରିବା ଲୋଭନୀୟ। ଟେକ୍କ୍ରଞ୍ଚର ରିପୋର୍ଟିଂ ଅନ୍ୟଥା ସୂଚାଇଥାଏ। ନେମୋଟ୍ରନ୍ ମଡେଲଗୁଡ଼ିକ ମୁକ୍ତ ଭାବରେ ଉପଲବ୍ଧ ହେଲେ ମଧ୍ୟ, ସିଷ୍ଟମ୍ ବକ୍ସର ପୂର୍ବ-ବିଦ୍ୟମାନ ମେଟାଡାଟା ଏବଂ ଅନୁମତି ନିୟନ୍ତ୍ରଣ ଉପରେ ବହୁତ ନିର୍ଭର କରେ, ଯାହା ଏହାକୁ ସ୍କ୍ରାଚ୍ ରୁ ପୁନଃନିର୍ମାଣ କରିବାକୁ ଚ୍ୟାଲେଞ୍ଜ ସୃଷ୍ଟି କରେ। ଲେଭି ଏହାକୁ ସ୍ପଷ୍ଟ ଭାବରେ କହିଛନ୍ତି, ବକ୍ସ “ପାଞ୍ଚଟି ଭିନ୍ନ ପ୍ରଯୁକ୍ତିବିଦ୍ୟାକୁ ଗୋଟିଏ ସରଳ APIରେ ପ୍ୟାକ କରୁଛି।”
ଟେକ୍କ୍ରଞ୍ଚ
ଟେକ୍କ୍ରଞ୍ଚ
ସେହି କାରଣରୁ ଏଜେଣ୍ଟ-ପ୍ରଥମ ବିଷୟବସ୍ତୁ ପୁନରୁଦ୍ଧାର କେବଳ ଏକ ଖୋଲା ମଡେଲ ଡାଉନଲୋଡ୍ କରି କପି କରିବା କଷ୍ଟକର। ଏକ ଉପଯୋଗୀ ପୁନରୁଦ୍ଧାର ସ୍ତର ଜାଣିବା ଆବଶ୍ୟକ ଯେ ପ୍ରତ୍ୟେକ ଫାଇଲର ମାଲିକ କିଏ, କିଏ ଏହାକୁ ଦେଖିପାରେ, କେଉଁ ସଂସ୍କରଣ ବର୍ତ୍ତମାନ ଅଛି ଏବଂ ଡକ୍ୟୁମେଣ୍ଟଗୁଡ଼ିକ ପରସ୍ପର ସହିତ କିପରି ଜଡିତ। ସେହି ସଙ୍କେତଗୁଡ଼ିକ ବିଷୟବସ୍ତୁ ପ୍ଲାଟଫର୍ମରେ ରୁହେ, ଏମ୍ବେଡିଂ ମଡେଲରେ ନୁହେଁ।
ଅନୁମତିଗୁଡ଼ିକ ବିଶେଷ ଧ୍ୟାନ ଦେବା ଉଚିତ। ଜଣେ କର୍ମଚାରୀଙ୍କ ପକ୍ଷରୁ କାର୍ଯ୍ୟ କରୁଥିବା ଜଣେ ଏଜେଣ୍ଟ କେବେବି ଏପରି ଏକ ଡକ୍ୟୁମେଣ୍ଟକୁ ସାମ୍ନା କରିବା ଉଚିତ୍ ନୁହେଁ ଯାହାକୁ କର୍ମଚାରୀ ନିଜେ ଖୋଲିପାରିବେ ନାହିଁ। ଯଦି ଅନୁମତି ଯାଞ୍ଚ ପୁନରୁଦ୍ଧାର ପଦକ୍ଷେପ ବାହାରେ ବସିଥାଏ, ତେବେ ଏକ ଭୁଲ ଉତ୍ତରରେ ଗୋପନୀୟ ସାମଗ୍ରୀ ଲିକ୍ କରିପାରେ। ପୁନରୁଦ୍ଧାରରେ ପ୍ରବେଶ ନିୟନ୍ତ୍ରଣ ନିର୍ମାଣ କରିବା ସେହି କ୍ଲାକୁ ହଟାଇ ଦିଏ ଉତ୍ସରେ ତ୍ରୁଟିର ss।
ଏକ ବ୍ୟବହାରିକ ଉଦାହରଣ: ଆଇନଗତ ଦଳ
ଆଇନଗତ କାର୍ଯ୍ୟ ହେଉଛି ବକ୍ସ ନିଜେ ବାଛିଥିବା ଉଦାହରଣ। ନୂତନ ସିଷ୍ଟମ ଅଧୀନରେ ଓକିଲମାନେ ପ୍ରାସଙ୍ଗିକ ଧାରା ଏବଂ ଉଦାହରଣଗୁଡ଼ିକୁ ଅଧିକ ସହଜରେ ପାଇପାରିବେ, କାରଣ ନେମୋଟ୍ରନର ଏମ୍ବେଡିଂଗୁଡ଼ିକ ସରଳ କୀୱାର୍ଡଗୁଡ଼ିକ ବାହାରକୁ ଯାଇ ଅନ୍ତର୍ନିହିତ ଧାରଣାଗୁଡ଼ିକୁ ମ୍ୟାପ୍ କରିଥାଏ, ଏକ ସନ୍ଧାନ ଉପକରଣକୁ ବିଭିନ୍ନ ଭାଷା ବ୍ୟବହାର ହେଲେ ମଧ୍ୟ ସମ୍ବନ୍ଧିତ ଆଇନଗତ ଧାରଣାଗୁଡ଼ିକୁ ପୃଷ୍ଟି କରିବାକୁ ଦେଇଥାଏ।
ଟେକ୍କ୍ରଞ୍ଚ
ଏହା କିପରି କାର୍ଯ୍ୟକାରୀ ହୁଏ ତାହାର ଏକ ଉଦାହରଣ ଏଠାରେ ଅଛି। ଧରାଯାଉ ଜଣେ ଓକିଲ ଜଣେ ଏଜେଣ୍ଟଙ୍କୁ ପଚାରନ୍ତି, “ଆମର କେଉଁ ବିକ୍ରେତା ଚୁକ୍ତି ଆମକୁ ଦଣ୍ଡ ବିନା ଚାଲିଯିବାକୁ ଦିଏ?” ” ଚାଲିଯିବା” ପାଇଁ ଏକ କୀୱାର୍ଡ ସନ୍ଧାନ ପ୍ରାୟ କିଛି ପାଏ ନାହିଁ, କାରଣ ଚୁକ୍ତିଗୁଡ଼ିକ କେବେ ବି ସେହି ବାକ୍ୟାଂଶ ବ୍ୟବହାର କରେ ନାହିଁ। ଏଜେଣ୍ଟ-ପ୍ରଥମେ ବିଷୟବସ୍ତୁ ପୁନରୁଦ୍ଧାର ପ୍ରଶ୍ନକୁ ସମାପ୍ତି ଅଧିକାର, ଶୀଘ୍ର ପ୍ରସ୍ଥାନ ଏବଂ କାରଣ ବିନା ବାତିଲକରଣ ଉପରେ ଧାରା ସହିତ ମେଳ କରିପାରିବ, ତାପରେ କେବଳ ସେହି ଧାରାଗୁଡ଼ିକୁ ସଂଲଗ୍ନ ଚୁକ୍ତି ନାମ ସହିତ ଫେରସ୍ତ କରିପାରିବ। ଏଜେଣ୍ଟ ପ୍ରତ୍ୟେକ ଚୁକ୍ତିନାମାର ଅନ୍ୟ 200 ପୃଷ୍ଠା ଲୋଡ୍ ନକରି ବିକଳ୍ପଗୁଡ଼ିକୁ ସଂକ୍ଷେପ କରିପାରିବେ।
ଏହି ଉଦାହରଣ ଏକ ସରଳୀକୃତ ଚିତ୍ରଣ, ବକ୍ସର ସଠିକ ଆଉଟପୁଟର ବର୍ଣ୍ଣନା ନୁହେଁ। କିନ୍ତୁ ଏହା ଦର୍ଶାଏ ଯେ ଅର୍ଥ-ଆଧାରିତ ମେଳ କାହିଁକି ସେହି କ୍ଷେତ୍ରଗୁଡ଼ିକରେ ସବୁଠାରୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଯେଉଁଠାରେ ସମାନ ଧାରଣା ଅନେକ ଭିନ୍ନ ଉପାୟରେ ପ୍ରକାଶିତ ହୁଏ।
ଏଜେଣ୍ଟ-ପ୍ରଥମ ବିଷୟବସ୍ତୁ ପୁନରୁଦ୍ଧାରର ବାଣିଜ୍ୟ-ଅଫ୍ କ’ଣ?
କୌଣସି ପୁନରୁଦ୍ଧାର ପଦ୍ଧତି ମାଗଣା ନୁହେଁ, ଏବଂ କ୍ରେତାଙ୍କ ପାଇଁ ସଚ୍ଚୋଟ ଉତ୍ତର ହେଉଛି ଯେ ଗୁଣାତ୍ମକ ଲାଭ ଅନ୍ୟତ୍ର ଖର୍ଚ୍ଚ ସହିତ ଆସିପାରେ।
ଅଧିକ ଦକ୍ଷ ଏଜେଣ୍ଟମାନେ କ’ଣ ଚିତ୍ର ପରିବର୍ତ୍ତନ କରନ୍ତି?
ଟେକକ୍ରଞ୍ଚ ଉଲ୍ଲେଖ କରିଛନ୍ତି ଯେ ଅଧିକ ସକ୍ରିୟ ଏଜେଣ୍ଟମାନଙ୍କ ସହିତ ଯୋଡା ହେଲେ ସିଷ୍ଟମ ସବୁଠାରୁ ଉପଯୋଗୀ ହେବ, ଯେଉଁମାନେ ନେମୋଟ୍ରନ୍-ପ୍ରକ୍ରିୟାକୃତ ତଥ୍ୟ ଉପରେ ଅଧିକ ସହଜତା ସହିତ କାର୍ଯ୍ୟ କରିପାରିବେ। ଏକ ସରଳ ଚାଟବଟ୍ ଯାହା ଗୋଟିଏ ପ୍ରଶ୍ନ ପଚାରେ ଏବଂ ଗୋଟିଏ ଉତ୍ତର ପଢିଥାଏ, ଏକ ଏଜେଣ୍ଟ ଅପେକ୍ଷା ଛୋଟ ଲାଭ ଦେଖିବ ଯାହା ଏକ କ୍ରମାଗତ ଭାବରେ ଅନେକ ସନ୍ଧାନ ଚଲାଏ।
ଟେକକ୍ରଞ୍ଚ
ଗଭୀର ଏଜେଣ୍ଟିକ୍ ସନ୍ଧାନ କ’ଣ ଧୀର ଏବଂ ଅଧିକ ମହଙ୍ଗା?
ଏହା ହୋଇପାରେ। ଏକ ଅଧିକ ବିସ୍ତୃତ ଏଜେଣ୍ଟିକ୍ ପୁନରୁଦ୍ଧାର ପାଇପଲାଇନ୍ ଉପରେ Nvidia ର ନିଜସ୍ୱ ଗବେଷଣା, ଯେଉଁଠାରେ ଜଣେ ଏଜେଣ୍ଟ ବାରମ୍ବାର ଏହାର ପ୍ରଶ୍ନଗୁଡ଼ିକୁ ଖୋଜେ, ମୂଲ୍ୟାଙ୍କନ କରେ ଏବଂ ପରିଷ୍କାର କରେ, ଏହା ବିଷୟରେ ସ୍ପଷ୍ଟ। Nvidia ର ଗବେଷକମାନେ ଲେଖିଛନ୍ତି ଯେ ଏଜେଣ୍ଟିକ୍ ପୁନରୁଦ୍ଧାର ମାନକ ଘନ ପୁନରୁଦ୍ଧାର ଅପେକ୍ଷା ଅଧିକ ମହଙ୍ଗା ଏବଂ ଧୀର, ଏବଂ ସେମାନଙ୍କର ViDoRe v3 ଫଳାଫଳରେ ଏଜେଣ୍ଟ ପ୍ରତି ପ୍ରଶ୍ନ ପାଇଁ ହାରାହାରି ପ୍ରାୟ 136 ସେକେଣ୍ଡ ପାଇଥିଲେ।
huggingface
ସେହି ଗବେଷଣା ବକ୍ସର ବୈଶିଷ୍ଟ୍ୟ ଅପେକ୍ଷା ଏକ ଭିନ୍ନ ଏବଂ ଭାରୀ ସେଟଅପ୍ ବର୍ଣ୍ଣନା କରେ, ତେଣୁ ଏହାକୁ ବକ୍ସ ଗ୍ରାହକମାନଙ୍କ ପାଇଁ ଏକ ପୂର୍ବାନୁମାନ ଭାବରେ ପଢ଼ାଯିବା ଉଚିତ୍ ନୁହେଁ। ଏହା ଅନ୍ତର୍ନିହିତ ଉତ୍ତେଜନାକୁ ଦର୍ଶାଏ: ଜଣେ ଏଜେଣ୍ଟଙ୍କୁ ଯେତେ ଅଧିକ ସନ୍ଧାନ ଏବଂ ପୁନଃ-ସନ୍ଧାନ କରିବାକୁ ପଡିବ, ସେତେ ଅଧିକ ଖର୍ଚ୍ଚ କରିବ। ଦୃଢ଼ ପ୍ରଥମ-ପାସ୍ ପୁନରୁଦ୍ଧାର ସେହି ଖର୍ଚ୍ଚକୁ କମ ରଖିବାର ସର୍ବୋତ୍ତମ ଉପାୟ ମଧ୍ୟରୁ ଗୋଟିଏ। ସମାନ ଗବେଷଣାରୁ ଜଣାପଡିଛି ଯେ ଏକ ସକ୍ଷମ ଏଜେଣ୍ଟ ଶକ୍ତିଶାଳୀ ଏବଂ ଦୁର୍ବଳ ଏମ୍ବେଡିଂ ମଡେଲ ମଧ୍ୟରେ ବ୍ୟବଧାନକୁ ସଙ୍କୁଚିତ କରିପାରିବ, ଯାହା ଗୋଟିଏ ତୁଳନାରେ ପ୍ରାୟ 8.5 ପଏଣ୍ଟରୁ ପ୍ରାୟ 4 ପଏଣ୍ଟକୁ ହ୍ରାସ ପାଇଛି। ଅନ୍ୟ ଶବ୍ଦରେ, ଭଲ ଏମ୍ବେଡିଂ ଏବଂ ସ୍ମାର୍ଟ ଏଜେଣ୍ଟ ଉଭୟ ସାହାଯ୍ୟ କରନ୍ତି, ଏବଂ ସେମାନେ ଆଂଶିକ ଭାବରେ ପରସ୍ପରକୁ ପ୍ରତିସ୍ଥାପନ କରନ୍ତି।
huggingface
କ୍ରେତାମାନେ କ’ଣ ଯାଞ୍ଚ କରିବା ଉଚିତ?
ଯେକୌଣସି ବିକ୍ରେତାଙ୍କ ଦାବି ଉପରେ ନିର୍ଭର କରିବା ପୂର୍ବରୁ, ଏହି ବିନ୍ଦୁଗୁଡ଼ିକୁ ଯାଞ୍ଚ କରନ୍ତୁ:
ଆପଣଙ୍କର ନିଜସ୍ୱ ତଥ୍ୟ। ବେଞ୍ଚମାର୍କଗୁଡ଼ିକ ପରୀକ୍ଷା ସଂଗ୍ରହରୁ ଆସିଥାଏ, ଆପଣଙ୍କର ଅବ୍ୟବସ୍ଥିତ ସେୟାରଡ୍ ଡ୍ରାଇଭ୍ ରୁ ନୁହେଁ।
ମେଟାଡାଟା ଗୁଣବତ୍ତା। ପୁନରୁଦ୍ଧାର କେବଳ ଲେବଲ୍ ଏବଂ ଏହା ପଛରେ ଥିବା ଗଠନ ପରି ଭଲ।
ଅନୁମତି ସଠିକତା। ଏଜେଣ୍ଟମାନେ ସେହି ପ୍ରବେଶ ଉପରେ କାର୍ଯ୍ୟ କରିବା ଆରମ୍ଭ କରିବା ପୂର୍ବରୁ କିଏ କଣ ଦେଖିପାରିବ ତାହାର ଅଡିଟ୍ କରନ୍ତୁ।
ମୋଟ ଖର୍ଚ୍ଚ। ଏକ ସମ୍ପୂର୍ଣ୍ଣ କାର୍ଯ୍ୟପ୍ରବାହରେ ବିଳମ୍ବତା ଏବଂ ଟୋକନ୍ ଖର୍ଚ୍ଚ ମାପ କରନ୍ତୁ, ଗୋଟିଏ ପ୍ରଶ୍ନ ନୁହେଁ।
ଏଜେଣ୍ଟ-ପ୍ରଥମ ବିଷୟବସ୍ତୁ ପୁନରୁଦ୍ଧାର ପାଇଁ ଆପଣଙ୍କର ବିଷୟବସ୍ତୁ କିପରି ପ୍ରସ୍ତୁତ କରିବେ
ଆପଣ ବକ୍ସ ବ୍ୟବହାର କରନ୍ତୁ କି ନାହିଁ, ଏଜେଣ୍ଟ-ପ୍ରଥମ ବିଷୟବସ୍ତୁ ପୁନରୁଦ୍ଧାର ଆଡ଼କୁ ପରିବର୍ତ୍ତନ ବିଷୟବସ୍ତୁ କିପରି ଲେଖାଯିବା ଏବଂ ସଂଗଠିତ ହେବା ଉଚିତ ତାହା ପରିବର୍ତ୍ତନ କରେ। AI ସିଷ୍ଟମଗୁଡ଼ିକୁ ଏଣ୍ଟରପ୍ରାଇଜ୍ ଭିତରେ ପ୍ରୟୋଗ କରିବାକୁ ପସନ୍ଦ ଏବଂ ଉଦ୍ଧୃତ କରିବାରେ ସାହାଯ୍ୟ କରୁଥିବା ସମାନ ନୀତି। ଏଠାରେ ଏକ ବ୍ୟବହାରିକ ଯାଞ୍ଚ ତାଲିକା ଅଛି:
ମଡ୍ୟୁଲାର୍ ବିଭାଗ ଲେଖନ୍ତୁ। ପ୍ରତ୍ୟେକ ବିଭାଗକୁ ଏକ ସ୍ପଷ୍ଟ ଶୀର୍ଷକ ଦିଅନ୍ତୁ ଏବଂ ଏହାକୁ ନିଜେ ବୁଝାନ୍ତୁ, କାରଣ ପୁନରୁଦ୍ଧାର ସିଷ୍ଟମଗୁଡ଼ିକ ସମ୍ପୂର୍ଣ୍ଣ ଡକ୍ୟୁମେଣ୍ଟ ନୁହେଁ ଖଣ୍ଡ ବାହାର କରନ୍ତି।
ଉତ୍ତର ସହିତ ନେତୃତ୍ୱ ନିଅନ୍ତୁ। ଏକ ବିଭାଗର ଆରମ୍ଭରେ ମୁଖ୍ୟ ତଥ୍ୟ କିମ୍ବା ନିଷ୍କର୍ଷ ରଖନ୍ତୁ, ତାପରେ ପ୍ରସଙ୍ଗ ଯୋଡନ୍ତୁ। ଏହା ଲୋକ ଏବଂ ମେସିନ୍ ଉଭୟଙ୍କୁ ସାହାଯ୍ୟ କରେ।
ସେମାନେ ଯେଉଁଠାରେ ଦେଖାଯାଆନ୍ତି ସେହି ଶବ୍ଦଗୁଡ଼ିକୁ ପରିଭାଷିତ କରନ୍ତୁ। ଏହାର ପ୍ରଥମ ବ୍ୟବହାର ପାଖରେ ଏକ ପରିଭାଷା ଯେତେବେଳେ ପ୍ରସଙ୍ଗରୁ ବାହାର କରାଯାଏ ସେତେବେଳେ ଏକ ଖଣ୍ଡକୁ ଆତ୍ମନିର୍ଭର କରିଥାଏ।
ମେଟାଡାଟା ସ୍ଥିର ରଖନ୍ତୁ। ଆପଣଙ୍କ ସଂଗ୍ରହାଳୟରେ ଡକ୍ୟୁମେଣ୍ଟ ପ୍ରକାର, ମାଲିକ, ତାରିଖ ଏବଂ ସ୍ଥିତି ପାଇଁ ସମାନ ଲେବଲ୍ ବ୍ୟବହାର କରନ୍ତୁ।
ପୁରୁଣା ସଂସ୍କରଣଗୁଡ଼ିକୁ ଅବସର ଦିଅନ୍ତୁ। ଡୁପ୍ଲିକେଟ୍ ଏବଂ ପୁରୁଣା ଡ୍ରାଫ୍ଟଗୁଡ଼ିକ ବର୍ତ୍ତମାନର ଡକ୍ୟୁମେଣ୍ଟ ସହିତ ପ୍ରତିଯୋଗିତା କରନ୍ତି ଏବଂ ଏଜେଣ୍ଟମାନଙ୍କୁ ଦ୍ୱନ୍ଦ୍ୱରେ ପକାନ୍ତି।
ଅନୁମତିଗୁଡ଼ିକର ସମୀକ୍ଷା କରନ୍ତୁ। ଏଜେଣ୍ଟମାନେ ଏହାକୁ ଉତ୍ତରାଧିକାରୀ କରିବା ପୂର୍ବରୁ ଅତ୍ୟଧିକ ବ୍ୟାପକ ଅଂଶୀଦାର ସଫା କରନ୍ତୁ।
ଚତୁର ଫର୍ମାଟିଂ ଅପେକ୍ଷା ସ୍ପଷ୍ଟ ଗଠନକୁ ପସନ୍ଦ କରନ୍ତୁ। ସାରଣୀ, ଶୀର୍ଷକ ଏବଂ ଛୋଟ ଅନୁଚ୍ଛେଦ ସାଜସଜ୍ଜା ଲେଆଉଟ୍ ଅପେକ୍ଷା ଅଧିକ ବିଶ୍ୱସନୀୟ ଭାବରେ ପାର୍ସ କରେ।
ଏହି ପଦକ୍ଷେପଗୁଡ଼ିକ ମଧ୍ୟରୁ କୌଣସିଟି ନୂତନ ସଫ୍ଟୱେର୍ ଆବଶ୍ୟକ କରେ ନାହିଁ। ସେଗୁଡ଼ିକ ବିଷୟବସ୍ତୁ ସ୍ୱଚ୍ଛତା, ଏବଂ ସେମାନେ ଯେକୌଣସି ପୁନରୁଦ୍ଧାର ସିଷ୍ଟମ ଅଧୀନରେ ଫଳପ୍ରଦ ହୁଅନ୍ତି।
ପ୍ରାୟତଃ ପଚରାଯାଉଥିବା ପ୍ରଶ୍ନ
ଏଜେଣ୍ଟ-ପ୍ରଥମ ବିଷୟବସ୍ତୁ ପୁନରୁଦ୍ଧାର କ’ଣ?
ଏଜେଣ୍ଟ-ପ୍ରଥମ ବିଷୟବସ୍ତୁ ପୁନରୁଦ୍ଧାର ଏକ ସନ୍ଧାନ ଡିଜାଇନ୍ ଯାହା ଏକ AI ଏଜେଣ୍ଟକୁ ମୁଖ୍ୟ ବ୍ୟବହାରକାରୀ ଭାବରେ ବ୍ୟବହାର କରେ ଏବଂ ସମ୍ପୂର୍ଣ୍ଣ ଡକ୍ୟୁମେଣ୍ଟ ପରିବର୍ତ୍ତେ ଛୋଟ, ପ୍ରାସଙ୍ଗିକ ପାସେଜ୍ ଫେରସ୍ତ କରେ। ଏହା ଅର୍ଥ ସହିତ ମେଳ କରିବା ପାଇଁ ଏମ୍ବେଡିଂ ଉପରେ ଏବଂ ଫଳାଫଳଗୁଡ଼ିକୁ ସଠିକ୍ ଏବଂ ସୁରକ୍ଷିତ ରଖିବା ପାଇଁ ମେଟାଡାଟା ଏବଂ ଅନୁମତି ଉପରେ ନିର୍ଭର କରେ।
ବକ୍ସ ବିଷୟବସ୍ତୁ ପୁନରୁଦ୍ଧାର କ’ଣ?
ବକ୍ସ ବିଷୟବସ୍ତୁ ପୁନରୁଦ୍ଧାର କ’ଣ?
ବକ୍ସର ଡେଭଲପର୍ ସମ୍ମିଳନୀରେ ଘୋଷଣା କରାଯାଇଥିବା ଏକ ବୈଶିଷ୍ଟ୍ୟ ଯାହା Nvidiaର Nemotron ଏମ୍ବେଡିଂ ସିଷ୍ଟମକୁ ବକ୍ସ ପ୍ଲାଟଫର୍ମରେ ନିର୍ମାଣ କରେ। ଏହା ଏଜେଣ୍ଟମାନଙ୍କୁ ପ୍ରତ୍ୟେକ ଫାଇଲ୍ ଫୁରେ ପଢ଼ିବା ପରିବର୍ତ୍ତେ ଡକ୍ୟୁମେଣ୍ଟର ପ୍ରାସଙ୍ଗିକ ଖଣ୍ଡ ଟାଣିବାକୁ ଅନୁମତି ଦିଏ।
ll.
‘ଏଜେଣ୍ଟ-ଫର୍ଷ୍ଟ’ (agent-first) ବିଷୟବସ୍ତୁ ସନ୍ଧାନ ବ୍ୟବସ୍ଥା ବର୍ତ୍ତମାନ ଉପଲବ୍ଧ କି?
Box ଗ୍ରାହକଙ୍କ ପାଇଁ ଏହା ଏପର୍ଯ୍ୟନ୍ତ ଉପଲବ୍ଧ ନାହିଁ। Box ଅନୁଯାୟୀ, ଆସନ୍ତା ବର୍ଷ ଆରମ୍ଭରେ ଏହି ସୁବିଧା ସମସ୍ତ ‘ଏଣ୍ଟରପ୍ରାଇଜ୍ ଆଡଭାନ୍ସ’ (Enterprise Advance) ଗ୍ରାହକଙ୍କ ପାଇଁ ଉପଲବ୍ଧ ହେବ।
TechCrunch
‘୪ ଗୁଣ ଅଧିକ ଗତି’ (4x speed) ଏବଂ ‘୯୦% କମ୍ ଟୋକନ୍ ବ୍ୟବହାର’ (90% fewer tokens) ସମ୍ବନ୍ଧୀୟ ଦାବିଗୁଡ଼ିକ କ’ଣ ପ୍ରମାଣିତ?
ଏଗୁଡ଼ିକ କୌଣସି ସ୍ୱାଧୀନ ପରୀକ୍ଷଣର ଫଳାଫଳ ନୁହେଁ, ବରଂ Nvidia ର ଆଶା ବା ଅନୁମାନ ଅଟେ, ଯାହା ବିଷୟରେ TechCrunch ରିପୋର୍ଟ କରିଛି। କୌଣସି ନିଷ୍କର୍ଷରେ ପହଞ୍ଚିବା ପୂର୍ବେ, ନିଜର ବିଷୟବସ୍ତୁ (content) ଉପରେ ଏହି ସୁବିଧାକୁ ପରୀକ୍ଷା କରନ୍ତୁ ଏବଂ ଗତି, ତ୍ରୁଟି ଓ ଟୋକନ୍ ବ୍ୟବହାରର ମାତ୍ରା ଯାଞ୍ଚ କରନ୍ତୁ।
‘ଏଜେଣ୍ଟ-ଫର୍ଷ୍ଟ’ ବିଷୟବସ୍ତୁ ସନ୍ଧାନ ବ୍ୟବସ୍ଥା ନିଜେ ପ୍ରସ୍ତୁତ କରିବା ପାଇଁ ମୋତେ ‘Nemotron’ ର ଆବଶ୍ୟକତା ଅଛି କି?
ନା, କିନ୍ତୁ ଆପଣ କ’ଣ ପୁନଃନିର୍ମାଣ କରିବାକୁ ଯାଉଛନ୍ତି, ସେ ବିଷୟରେ ଜାଣିବା ସହାୟକ ହେବ। ‘Nemotron’ ମଡେଲଗୁଡ଼ିକ ମାଗଣାରେ ଉପଲବ୍ଧ, କିନ୍ତୁ Box ସିଷ୍ଟମ୍ ପୂର୍ବରୁ ଥିବା ‘ମେଟାଡାଟା’ (metadata) ଏବଂ ‘ଅନୁମତି ନିୟନ୍ତ୍ରଣ’ (permission controls) ଉପରେ ନିର୍ଭର କରେ, ଯାହାକୁ ଶୂନ୍ୟରୁ ପୁନଃନିର୍ମାଣ କରିବା ଅତ୍ୟନ୍ତ କଷ୍ଟକର। ଏଠାରେ ମଡେଲ୍ ପ୍ରସ୍ତୁତ କରିବା ଅପେକ୍ଷା, ଏହାକୁ ପରିଚାଳନା କରୁଥିବା ଆନୁଷଙ୍ଗିକ ଭିତ୍ତିଭୂମି (content infrastructure) ପ୍ରସ୍ତୁତ କରିବା ଅଧିକ କଷ୍ଟସାଧ୍ୟ ଅଟେ।
TechCrunch
କେଉଁ କ୍ଷେତ୍ରଗୁଡ଼ିକ ଏଥିରୁ ସର୍ବାଧିକ ଲାଭବାନ ହେବେ?
ଯେଉଁ କ୍ଷେତ୍ରଗୁଡ଼ିକରେ ବହୁ ପରିମାଣର ଅସଂଗଠିତ ଦସ୍ତାବିଜ (unstructured documents) ରହିଛି ଏବଂ ଯେଉଁଠାରେ ଗୋଟିଏ ବିଚାରକୁ ବିଭିନ୍ନ ଉପାୟରେ ପ୍ରକାଶ କରାଯାଇପାରେ, ସେହି କ୍ଷେତ୍ରଗୁଡ଼ିକ ଏଥିରୁ ଲାଭ ପାଇପାରିବେ। Box ଦ୍ୱାରା ଉଲ୍ଲେଖ କରାଯାଇଥିବା ଏକ ଉଦାହରଣ ହେଉଛି ଆଇନଗତ କାର୍ଯ୍ୟ (legal work); ଏହା ବ୍ୟତୀତ ଆର୍ଥିକ କ୍ଷେତ୍ର, ସ୍ୱାସ୍ଥ୍ୟସେବା ଏବଂ ନିୟମ ପାଳନ (compliance) କ୍ଷେତ୍ରରେ ମଧ୍ୟ ସମାନ ପରିସ୍ଥିତି ଦେଖିବାକୁ ମିଳେ।
ନିଷ୍କର୍ଷ
ଏଜେଣ୍ଟ-ପ୍ରଥମ ବିଷୟବସ୍ତୁ ପୁନରୁଦ୍ଧାର ଏକ ସରଳ ସତ୍ୟ ଉପରେ ଏଣ୍ଟରପ୍ରାଇଜ୍ ସନ୍ଧାନକୁ ପୁନଃ ଫ୍ରେମ୍ କରେ: ଆପଣଙ୍କ ବିଷୟବସ୍ତୁର ସବୁଠାରୁ ବଡ଼ ପାଠକ ସଫ୍ଟୱେର୍ ହେବାକୁ ଯାଉଛି। Nvidia ର Nemotron ଏମବେଡିଂକୁ ସିଧାସଳଖ ଏହାର ପ୍ଲାଟଫର୍ମରେ ନିର୍ମାଣ କରିବା ପାଇଁ ବକ୍ସର ନିଷ୍ପତ୍ତି ଏକ ସ୍ପଷ୍ଟ ସଙ୍କେତ ଯେ ବିଷୟବସ୍ତୁ ପ୍ଲାଟଫର୍ମଗୁଡ଼ିକ ଏବେ କେବଳ ଲୋକଙ୍କୁ ନୁହେଁ, ଏଜେଣ୍ଟମାନଙ୍କୁ କେତେ ଭଲ ଭାବରେ ସେବା କରନ୍ତି ତାହା ଉପରେ ପ୍ରତିଯୋଗିତା କରେ।
ଚାରି ଗୁଣ ଦ୍ରୁତ ଉତ୍ତର, 20% କମ୍ ତ୍ରୁଟି ଏବଂ 90% କମ୍ ଟୋକନର ପ୍ରକ୍ଷେପିତ ଲାଭ ପ୍ରତିଶ୍ରୁତିପୂର୍ଣ୍ଣ କିନ୍ତୁ ଗ୍ରାହକଙ୍କ ହାତରେ ବୈଶିଷ୍ଟ୍ୟ ନହେବା ପର୍ଯ୍ୟନ୍ତ ଅପ୍ରମାଣିତ। ସ୍ଥାୟୀ ପାଠ ଯେକୌଣସି ଏକକ ଉତ୍ପାଦଠାରୁ ସ୍ୱାଧୀନ। ସଫା ଗଠନ, ସ୍ଥିର ମେଟାଡାଟା, ସଠିକ୍ ଅନୁମତି ଏବଂ ମଡ୍ୟୁଲାର୍ ଲେଖା ଆପଣଙ୍କ ବିଷୟବସ୍ତୁକୁ ପ୍ରତ୍ୟେକ ପୁନରୁଦ୍ଧାର ସିଷ୍ଟମ ପାଇଁ ଖୋଜିବା, ବିଶ୍ୱାସ କରିବା ଏବଂ ବ୍ୟବହାର କରିବା ସହଜ କରିବ। ବର୍ତ୍ତମାନ ସେହି ମୌଳିକ ବିଷୟଗୁଡ଼ିକ ସହିତ ଆରମ୍ଭ କରନ୍ତୁ, ଏବଂ ଯେତେବେଳେ ଏଜେଣ୍ଟ-ପ୍ରଥମ ବିଷୟବସ୍ତୁ ପୁନରୁଦ୍ଧାର ଆପଣଙ୍କ ନିଜସ୍ୱ ଷ୍ଟାକରେ ପହଞ୍ଚିବ ସେତେବେଳେ ଆପଣ ପ୍ରସ୍ତୁତ ହେବେ।