AI پرامپٹس کی ہم آہنگی اور دیکھ بھال
ینسٹرومےنٹ کیلیبریٹ کریں; جو وہ ناپنا کرتا ہے اسے تبدیل نہ کریں.
حصہ 0 کے AI چیک پرامپٹس AI ٹولز کی ایک خاص گےنےراشن کے لیے ڈیزائن کیے گئے تھے. ماڈلز ےوولوے ہوتے ہیں. یہ سبق اساتذہ (اور خود-دیرےکٹےد سیکھنے والے) کو ایک طریقہ کار دیتا ہے جس سے جائزہ نظام وقت کے ساتھ ایماندارانہ رہے.
کیوں یہ اہمیت رکھتا ہے: جیمز اور تھےرمومےٹےر وہ دریفٹس
یہ جیمز نے ایما کے شاؤلدےر کے اوپر کیلیبریشن سپرےادشیٹ دیکھی. اسکور دیسٹریبوشنس کی rows, دریفٹ پےرکےنٹاگےس, پرامپٹ نظرثانی لوگس. "وےٹ, کو تم ٹیسٹ کو ٹیسٹ کرتی ہو?"
"ہر سےمےسٹےر. AI ماڈلز تازہ کاری کریں ہوتے ہیں, اسکورنگ رویہ تبدیلی ہوتا ہے, جانواری میں جو پرامپٹس کام کرتے تھے وہ سےپٹےمبےر تک بہت لےنیےنٹ ہو سکتے ہیں. اگر تم کیلیبریٹ کریں نہیں کرتے, تم کوہورٹس موازنہ کرنے کی صلاحیت کھو کر دیتے ہو."
"یہ وےسا ہے جب میری پرانی کمپنی نے فروش جائزہ سوفٹوارے بدلنا کیا تھا. نیا نظام ہر چیز کو پرانی ایک سے دو نکات زیادہ اسکور کرتا تھا. سوددےنلی ہر سپلائر کاغذ پر گرےاٹ لاگ رہا تھا, لیکن حقیقت میں کچھ تبدیل نہیں ہوا تھا. ٹول ہم سے جہوٹ بول رہا تھا."
"وہی مسئلہ, وہی فیکس. تمہیں جم جانا سامپلےس چاہیے. پانچ ڈیلیورایبلز جنہیں تم پہلے سے خود اسکور کر چکے ہو. انہیں تازہ شدہ ماڈل سے چلائیں کرو. اگر AI کے اسکورز تمہارے اسکورز سے زیادہ سے دو نکات دریفٹ کرتے ہیں, پرامپٹ کو ایڈجسٹ کرنا ہوگا."
یہ جیمز نے دہیرے سے سر ہلایا. "کو اسکور کارڈ جہتیں طے شدہ رہتی ہیں, لیکن جو پرامپٹس انہیں ناپنا کرتے ہیں وہ ٹونابلے ہیں. تھےرمومےٹےر کیلیبریٹ کریں کرنے جیسا. ٹےمپےراٹورے کا تصور تبدیل نہیں ہوتا. ینسٹرومےنٹ ہوتا ہے."
"یہ وہ's یہ."
مشق 3: سےمےسٹےر کیلیبریشن پروٹوکول
یہ جیمز نے ابھی سیکھا کے جائزہ ٹولز کو بھی مےنٹےنانکے چاہیے. اگر آپ استاد ہیں (یا ماڈل تازہ کاری کریں کے بعد ہے مواد پر واپس اانے والے خود-دیرےکٹےد سیکھنے والا), یہ طریقہ کار آپ کے لیے چلائیں کرنا ہے.
فیوے-مرحلہ پروٹوکول
مرحلہ 1: اسکور تقسیم آڈٹ (ہر سمسٹر)
تمام طلبہ کے میں سوچ اسکور کارڈ ڈیٹا جمع کریں. اگر باب 3 تک کسی بھی جہت پر 80% سے زیادہ طلبہ 8+ اسکور کرتے ہیں, پرامپٹس بہت لےنیےنٹ ہیں. اگر باب 8 تک 50% سے زیادہ طلبہ 4 سے نیچے اسکور کرتے ہیں, پرامپٹس بہت ہارش ہو سکتے ہیں.
ہےالتھی دیسٹریبوشن: باب 1 اوےراگےس 4-6 سے باب 10 اوےراگےس 6-8 تک ریسے کرتے ہیں, ناٹورال واریانکے ساتھ.
مرحلہ 2: پرامپٹ نمونہ-جانچ (ہر سمسٹر)
یہ پچھلا سےمےسٹےر سے 5 طالب علم ڈیلیورایبلز لیں (ایک مضبوط, ایک کمزور, تین اوسط). ہر ایک کو موجودہ پرامپٹس استعمال کرتے ہوئے موجودہ AI ماڈلز میں جمع کریں. AI اسکورز کو استاد کی آزاد جائزہ سے موازنہ کریں.
اگر اسکورز مسلسل زیادہ سے 2 نکات مختلف کرتے ہیں, پرامپٹ نظرثانی کریں.
عام دریفٹ پیٹرنز: اسکور ینفلاشن (AI زیادہ گےنےراؤس ہو جاتا ہے), کومپرےسژن (AI مےدیوکرے اور اچھا میں فرق کرنا کرنا بند کر دیتا ہے), یا نیا اندھا نکتے.
مرحلہ 3: فراہمback چیلنج جائزہ (ہر سمسٹر)
تمام فراہمback چیلنج پروٹوکول سوبمیسژنس جائزہ کریں. اگر طلبہ 30% سے زیادہ وقت AI فراہمback سوککےسسفوللی چیلنج کرتے ہیں, پرامپٹس کو ٹائیٹےنینگ چاہیے. اگر چیلنج شرح 0% ہے, طلبہ بہت دےفےرےنٹیال ہو سکتے ہیں. لازمی چیلنج ضرورت شامل کرنے پر غور کریں (ہر طالب علم کو 10 ابواب کے میں کم از کم ایک AI اسکور دیسپوٹے کرنا ہوگا).
مرحلہ 4: ماڈل منتقلی (کب بڑا AI ماڈلز تازہ کاری کریں)
جب بڑا نیا ماڈل ورژن جاری ہو, سےمےسٹےر شروع ہونے سے پہلے مکمل نمونہ-ٹیسٹ چلائیں کریں. نیا ماڈلز مختلف انداز سے اسکور کر سکتے ہیں. مستقل اسکورنگ رویہ برقرار رکھنا کرنے کے لیے پرامپٹ زبان ایڈجسٹ کریں.
پانچ سوچ اسکور کارڈ جہتیں پےرمانےنٹ ہیں. صرف پرامپٹ ووردینگ جو درست اسکورز ےلیکیٹ کرتی ہے ٹونے ہونی چاہیے.
مرحلہ 5: منظرنامہ تازہ کاری (سالانہ)
مشق منظرنامے کو کونٹینوےد رےلےوانکے لیے جائزہ کریں. ےمےرگینگ ٹیکنالوجی پر کی بنیاد پر منظرنامے میں ٹےچنولوگیےس کے ماٹورے ہونے پر داٹےد ہو سکتے ہیں. سےٹٹلےد منظرنامے کو ایسے نیا دورااس سے بدلنا کریں جو حقیقی سوچ ضرورت کرتے ہوں.
مشق ساخت اور AI پرامپٹس وہی رہتے ہیں. صرف منظرنامہ مواد تبدیل ہوتا ہے.
:::معلومات آپ کا ڈیلیورایبل اگر آپ استاد ہیں: ایک کیلیبریشن رپورٹ جو دستاویز کرے کے آپ نے کون سے سٹےپس چلائیں کیے, کیا تلاش کیا, اور کوئی پرامپٹ ادجوسٹمےنٹس کیے. اگر آپ خود-دیرےکٹےد سیکھنے والا ہیں: یہ آگاہی کے حصہ 0 کے AI پرامپٹس کو بڑا ماڈل تازہ کاری کریں کے بعد مشقیں پر واپس اانے کی سوراٹ میں رے-جانچ چاہیے ہو سکتی ہے. :::
کیلیبریشن کا مقصد کامل AI اسکورنگ نہیں ہے. وہ یمپوسسیبلے ہے. مقصد مستقل اسکورنگ ہے جو مضبوط سوچ کو کمزور سوچ سے رےلیابلی فرق کرنا کرے, تاکہ اسکور کارڈ ٹراجےکٹوری 40 مشقیں کے میں بامعنی رہے. یندیویدوال اسکورز پر چھوٹی یناککوراکیےس 40 ڈیٹا نکات میں واش معلوم ہو جاتی ہیں. منظم تعصب واش معلوم نہیں ہوتا, اور کیلیبریشن طریقہ کار اسی کو پکڑنا کرتا ہے.
سوچ اسکور کارڈ جہتیں (آزاد سوچ, تنقیدی جائزہ, استدلال گہرائی, اصلیت, خود-آگاہی) پےرمانےنٹ ہیں. انہیں ناپنا کرنے والے پرامپٹس ٹونابلے ہیں. ینسٹرومےنٹ کیلیبریٹ کریں; جو وہ ناپنا کرتا ہے اسے تبدیل نہ کریں.
کیا ہاپپےنےد کے ساتھ جیمز
یہ جیمز اپنا پورٹ فولیو پاک کر رہا تھا جب وہ رک گیا. وہ فولدےرس کو باب درجہ میں سٹاک کر رہا تھا, ایک کے ذریعے دس, لیکن کوئی چیز اسے ناگ کر رہی تھی. اس نے اپنا باب 1 پیش گوئی بندش نیکالا اور باب 9 ریورسل ٹرگر کے پاس رکھا. پھر باب 3 کاس کیڈ نقشہ نیکالا اور باب 7 اسٹیک ہولڈر تجزیہ کے پاس رکھا. روابط باریک نہیں تھے. وہ ساختی تھے. سوچ ٹولز جو اس نے الگ ابواب میں بنانا کیے خاموشی سے ایک واحد نظام میں وےاوے ہو چکے تھے.
"میں یہ بار بار تلاش کریں کر رہا ہوں," اس نے کہا. "ہر دفعہ جب میں دو ڈیلیورایبلز طرف کے ذریعے طرف دیکھتا ہوں, میں دیکھ سکتا ہوں کے ایک مہارت دوسری میں کہاں داخل ہوئی. پیش گوئی بندش نے مجھے موازنہ کرنے سے پہلے عہد کرنا سکھایا. ریورسل ٹرگر نے مجھے تعریف کرنا سکھایا کے میری commitment کیا تبدیل کرے گی. یہ دو الگ مہارتیں نہیں. یہ وہی discipline کے دو ہالوےس ہیں."
یہ ایما اس کے سامنے بیٹھ گئی. وہ ایک مومےنٹ کے لیے کویےٹ رہی, اسے فولدےرس رےاررانگے کرتے دیکھتے ہوئے.
"جب میں نے انجینئرنگ شروع کی," اس نے کہا, "مجھے لگا مہارتیں چےکبوکسےس ہیں. سیکھیں پیتھون. سیکھیں SQL. سیکھیں جانچ. ہر ایک الگ. ایک فہرست جسے آپ کام کے ذریعے کرتے ہیں. مجھے سال لاگے رےالیزے کرنے میں کے یہ الگ ٹولز نہیں. یہ سوچ کا ایک ینٹےگراٹےد طریقہ ہے."
یہ جیمز نے اوپر دیکھا. یہ اس کی وسوال پاسٹ-میسٹاکے سٹوریےس سے مختلف تھا. وہ واحد ناکامی بیان نہیں کر رہی تھی. وہ طویل ارک بیان کر رہی تھی.
"مجھے بالکل منصوبہ یاد ہے جہاں یہ کلیکےد," ایما نے کونٹینوے کیا. "میں ڈیٹا پیپےلینے دےبوگ کر رہی تھی, اور مجھے رےالیزے ہوا کے میں مہارتیں کے درمیان بدلنا نہیں کر رہی تھی. میں یہ نہیں سوچ رہی تھی 'اب جانچ لاگو کروں گی, اب نظام سوچ لاگو کروں گی, اب دےبوگگینگ لاگو کروں گی.' میں بس سوچ رہی تھی. سااری مہارتیں ایک ساتھ چلائیں ہو رہی تھیں, پس منظر عمل کی طرح. میں چاہ کر بھی انہیں الگ نہیں کر سکتی تھی."
"یہ یہی پورٹ فولیو اسسےمبلی نے مجھے دکھایا," جیمز نے کہا. "میں یہ سوچ کر آیا تھا کے میرے پاس دس فولدےرس میں دس مہارتیں ہیں. لیکن جب میں نے دیکھا کے ایک باب کی مہارت مختلف باب کی مشق میں کہاں اپپےار ہوئی, میں مثالیں تلاش کریں کرنا سبہترین ہی نہیں کر سکا. نظام سوچ میری اخلاقی استدلال میں دکھانا وپ ہوتی ہے. سوال سازی میری فیصلہ-بنانا میں دکھانا وپ ہوتی ہے. غلطی شناخت ہر جگہ دکھانا وپ ہوتی ہے."
یہ ایما آگے جہوکی. "مجھے یہ فیگورے معلوم کرنے میں کتنا وقت لگا?"
"یہ تم نے سال کہا."
"سال. اور میرے پاس مےنٹورس, منصوبے, پیداوار ینکیدےنٹس تھے, سب مجھے وہی سبق بار بار سکھاتے کر رہے تھے." وہ رکی. "یہ حقیقت میں یہ اچھی انالوگی ہے. فولدےرس اور workflow. میں مہارت انضمام کو لونگ وقت سے وضاحت کرنا کر رہی ہوں, اور میں نے کبھی اسے ہے طرح نہیں کہا."
یہ جیمز نے اپنے ترقی نقشہ کو دیکھا. اعداد حقیقی تھے. ٹراجےکٹوری دستاویزی تھی. لیکن جس چیز نے وسےی سب سے زیادہ سورپریسے کیا وہ کوئی واحد اسکور یا واحد بہتری نہیں تھا. وہ یہ تھا کے سوچ اندر سے کتنی مختلف محسوس ہوتی تھی. ےلےوےن ابواب پہلے, وہ Claude سے مسئلہ تجزیہ کرنا کرواتا اور پہلا معقول-سنائی دینے جواب قبول کر لیتا. اب وہ پیش گوئی بندش کے بغیر شروع کرنے کا سوچ بھی نہیں سکتا تھا. وہ ریورسل ٹرگر تعریف کیے بغیر موقف لینے کا سوچ نہیں سکتا تھا. وہ دوسرے درجے نتائج سراغ لگائیں کیے بغیر نظام نقشہ کرنے کا سوچ نہیں سکتا تھا.
وہ وہی سوچنے والا نہیں تھا جو باب 1 میں آیا تھا. جو شخص موقف فورم کرنے سے پہلے AI کی طرف رےاچ کرتا تھا, جو پندرہ مبہم سوالات کو تھورونےسس سمجھتا تھا, جو اپنی سوچ اور AI نتیجہ میں فرق نہیں کر پتا تھا. وہ شخص اس کے بنیادی معیار اسکورز میں ایمانداری سے پرےسےروےد تھا, لیکن اب موجودہ نہیں تھا.
"یہ میرے پاس ایک سوال ہے," جیمز نے کہا.
"یہ گو اہےاد."
"حصہ 1 agent بنیادیں ہے. ڈھانچہ, اصول, حقیقی تکنیکی کام. یہ سااری سوچ تربیت جو ہم نے کی, پیش گوئی بندشیں اور کاس کیڈ نقشے اور فیصلہ آڈٹس. کیا یہ حقیقت میں کارری آگے ہوتی ہے? یا حصہ 0 وہ وارم-وپ ہے جو حقیقی مواد شروع ہوتے ہی سب بھول جاتے ہیں?"
یہ ایما تقریبا سمیلےد. "حصہ 6 میں تمہارا ہر ارچیٹےکٹورال فیصلہ یہاں پراکٹیکےد استدلال گہرائی ضرورت کرے گا. ہر دےبوگگینگ سیشن تمہارے بنا ہوا غلطی شناخت پیٹرنز استعمال کرے گا. ہر دفعہ جب تم جائزہ لینا کاروگے کے AI agent کا نتیجہ درست ہے یا نہیں, تم وہی مہارتیں استعمال کاروگے جو باب 2 میں اپنے نتیجہ جائزہ لینا کرنے کے لیے استعمال کی تھیں. حصہ 0 وارم-وپ نہیں ہے. یہ وپےراٹینگ نظام ہے. باقی سب اس کے اوپر چلائیں کرتا ہے."
یہ جیمز نے اپنا پورٹ فولیو ایک واحد سٹاک میں گاتھےر کیا. اب دس فولدےرس نہیں. ایک دستاویز.
"حصہ 1 کے لیے رےادی?" ایما نے پوچھا.
"یہ ےکسپےکٹےد سے زیادہ رےادی." وہ رکا. "اور جو مجھے ابھی نہیں پتا اس کے بارے میں کم کےرٹےن. جو, یہاں سیخی ہوئی ہر چیز کے بنیادی پر, شاید شروع کرنے کا درست طریقہ ہے."
"یہ اسے کیلیبریشن کہتے ہیں," ایما نے کہا. "اور تم نے ابھی ثابت کیا کے تمہارے پاس وہ ہے."
سبق سیکھا
علم بنیاد ہے. سوچ بنانا ہے. ہے حصہ نے آپ کو بنانا کرنا سکھایا.
یہ آپ کے پورٹ فولیو کی دس مہارتیں دس الگ ٹولز نہیں. وہ سوچ کا ایک ینٹےگراٹےد نظام ہیں, اور ثبوت ہر اس مشق میں ہے جہاں ایک باب کی مہارت دوسرے باب میں ونینویٹےد اپپےار ہوئی. حصہ 0 کوئی وارم-وپ نہیں جو آپ پیچھے چہور دیتے ہیں. یہ وپےراٹینگ نظام ہے جس پر آگے کا ہر حصہ چلائیں کرتا ہے. آپ حصہ 1 خالی سلاٹے کے طور پر شروع نہیں کر رہے, بلکہ دستاویزی سوچنے والا کے طور پر: measured ٹراجےکٹوری, معلوم ترقی حد, اور ٹولز کا مجموعہ جسے کوئی AI آپ کے لیے فراہم کریں نہیں کر سکتا.