कार्यबल पर तकनीक के प्रभाव का संक्षिप्त इतिहास
आज की नौकरियों पर जनरेटिव AI के संभावित प्रभाव का आकलन करने से पहले, आइए हाल के इतिहास के कुछ अहम मोड़ों पर देखें कि तकनीक ने हमारे काम और अर्थव्यवस्था को कैसे प्रभावित किया है (उदाहरण के लिए देखें, Acemoglu, 2002)।
1770 से 1970: स्वचालन ने उत्पादकता बढ़ाने में योगदान दिया
19वीं सदी के ब्रिटेन में कम-कुशल श्रम प्रचुर मात्रा में था जबकि उच्च-कुशल श्रमिक दुर्लभ थे। इसी अवधि में, कारखानों ने वस्त्र उद्योग में कपास कातने जैसे कुशल कारीगरों के काम को सरल बनाया और स्वचालित किया। इससे भारी उत्पादकता वृद्धि हुई, लेकिन लुडाइट दंगों जैसी प्रतिक्रियाएं भी हुईं, जिनमें कारीगरों ने इसी स्वचालन को रोकने के लिए मशीनें तोड़ीं।
20वीं सदी की शुरुआत में भी कुछ ऐसा ही हुआ जब असेंबली लाइन की शुरुआत ने दोहराए जाने वाले, कम-कुशल कार्यों की मांग (बड़े पैमाने पर) बढ़ा दी। हालांकि 1970 के बाद से यह अपवाद रहा: तब से नई तकनीकों ने ज्यादातर उच्च-कुशल श्रमिकों को लाभ पहुंचाया है, क्योंकि उन्होंने उन नियमित, गैर- या अर्द्धकुशल कार्यों को प्रतिस्थापित किया जो अक्सर मध्यम-वर्ग की नौकरियों द्वारा किए जाते थे, जैसा कि अगला खंड बताता है।
इसका एक उदाहरण कृषि क्षेत्र में व्यापक स्वचालन है—पहले घोड़ों से चलने वाली मशीनों के जरिए और फिर दहन इंजन के जरिए—जिसने कठिन शारीरिक श्रम का स्थान ले लिया।
1970 से 2010: स्वचालन ने असमानता बढ़ाने में योगदान दिया
जब मैंने कुछ वर्ष पहले श्रम अर्थशास्त्र और सांख्यिकी में अपना पीएच.डी. पूरा किया, तब हमने चार दशकों तक वेतन असमानता में वृद्धि देखी। यह वृद्धि बड़े पैमाने पर बेहतर-शिक्षित श्रमिकों की बढ़ती मांग का परिणाम थी (साथ ही उन नौकरियों के वेतन पर नीचे की ओर दबाव जिनका ऑफशोरिंग संभव था)। अन्य कारण, जैसे यूनियन कवरेज में गिरावट, भी यहां अहम भूमिका निभाते हैं।
यह रुझान आश्चर्यजनक था क्योंकि इसी अवधि में शैक्षिक विस्तार ने उच्च-शिक्षित युवाओं की आपूर्ति में भारी वृद्धि की। रोबोट जैसे अल्प-बुद्धिमान स्वचालन, ऑफशोरिंग के साथ मिलकर, व्यापक रूप से लागू किए गए, खासकर विनिर्माण में, और पूर्व की मध्यम-वर्गीय नौकरियों को प्रतिस्थापित किया—अक्सर वे कार्य जो नियमित थे और स्वचालित होने की प्रवृत्ति रखते थे (देखें Autor et al., 2022)।
उदाहरणों में दोहराए जाने वाले असेंबली कार्य, चुनना या छांटना, और अभिलेख-रखना या गणना शामिल हैं। Microsoft का Excel ने स्पष्ट रूप से सामान्य कार्यालय नौकरियों को बदल दिया, और बैंक टेलर या स्विचबोर्ड ऑपरेटर जैसी नौकरियां लगभग गायब हो गईं। साथ ही, हम बेरोजगार दुनिया तक नहीं पहुंचे क्योंकि नई करियर धाराएं उभरीं, जैसे डेटा विश्लेषक, पवन टरबाइन तकनीशियन, या मानसिक स्वास्थ्य परामर्शदाता। इन नौकरियों का उदय सीधे-सीधे स्वचालन का प्रभाव नहीं है, लेकिन स्वचालन और बढ़ी हुई उत्पादकता ने हमें नए क्षेत्रों पर ध्यान केंद्रित करने का अवसर दिया।
इन नई तकनीकों के व्यापक समष्टि-आर्थिक प्रभाव उम्मीद से कम रहे। 1970 के दशक की शुरुआत से उत्पादकता में वृद्धि स्पष्ट रूप से धीमी पड़ी है (1990 के दशक के उत्तरार्ध में डॉट-कॉम बुलबुले के आसपास एक छोटे अपवाद के साथ, देखें Moss et al., 2020)। नोबेल पुरस्कार विजेता रॉबर्ट सोलो ने इसे अपने प्रसिद्ध उत्पादकता विरोधाभास में वर्णित किया: “आप कंप्यूटर युग को हर जगह देख सकते हैं, सिवाय उत्पादकता के आंकड़ों में।”
इस पर व्यापक बहस है कि कंप्यूटरों ने हमें अधिक उत्पादक क्यों नहीं बनाया (जैसे मापन त्रुटि या Wikipedia या सोशल मीडिया जैसे प्रतीततः मुफ्त उत्पाद), लेकिन सटीक कारण विवादित हैं। निर्विवाद यह है कि उत्पादकता वृद्धि द्वितीय विश्व युद्ध के बाद के तीस वर्षों की तुलना में अब लगभग आधी है।
2010 से COVID-19: AI और महामारी-संबंधी तकनीकी प्रगति के अभाव में रोजगार वृद्धि
महामंदी के बाद सुधार (और उत्पादकता वृद्धि) निराशाजनक थी, फिर भी श्रम की मांग मजबूत रही—या जैसा कि The Economist ने 2019 में शीर्षक दिया: “समृद्ध दुनिया अभूतपूर्व नौकरियों के उछाल का आनंद ले रही है।” ये रोजगार लाभ बड़े पैमाने पर नई तकनीकों से असंबंधित कारकों से प्रेरित थे, जैसे आर्थिक प्रोत्साहन, कम ब्याज दरें, और महिलाओं की श्रम बाजार में बढ़ती भागीदारी।
कंपनियों ने लगभग 2010 के आसपास AI-संबंधित विशेषज्ञों को नियुक्त करना शुरू किया। यह रुझान 2015 के आसपास फिर तेज हुआ, और कुछ साक्ष्य हैं कि उन व्यवसायों ने कंपनी के अन्य खंडों में अपनी भर्ती कम कर दी। फिर भी, COVID-19 महामारी शुरू होने तक, बहुत कम साक्ष्य हैं कि शुरुआती मशीन लर्निंग मॉडलों ने रोजगार या वेतन पर प्रभाव डाला (उदाहरण के लिए देखें Acemoglu et al., 2022)।
COVID महामारी ने व्यवसायों और नौकरियों पर अप्रत्याशित प्रभाव डाला—ऐसा जो अन्यथा एक दशक में होता। टेलीवर्किंग और होम ऑफिस व्यापक हो गए; प्री-कोविड जहां कुल कार्य-दिवसों में से सिर्फ लगभग 5% घर से किए जाते थे, यह महामारी के चरम पर 60% तक पहुंचा और तब से लगभग 30% पर बना हुआ है (देखें Bloom et al., 2023)। कई कंपनियों ने स्वचालन में अपने निवेश को भी तेज किया, जैसे रोबोट या सेल्फ-चेकआउट मशीनों के जरिए।
LLM श्वेतपोश नौकरियों को कैसे प्रभावित करेंगे?
यह छोटा ऐतिहासिक अवलोकन दिखाता है कि नौकरियों पर तकनीकी परिवर्तन का प्रभाव स्पष्ट नहीं है। अर्थशास्त्री कहते हैं कि यह या तो कौशल-प्रतिस्थापनकारी हो सकता है (जैसे 19वीं सदी में) या कौशल-वर्धक (जैसे 20वीं सदी में)।
आधुनिक आर्थिक मॉडलों में, जिन्हें कभी-कभी संशोधित कैननिकल मॉडल कहा जाता है (Acemoglu and Autor, 2011), हम मानते हैं कि नौकरियां कार्यों के एक समूह से बनी होती हैं और अलग-अलग मानवीय कौशल या शिक्षा समूह होते हैं, जिनमें प्रत्येक का अपना तुलनात्मक लाभ होता है।
ये समूह एक-दूसरे के स्थान पर आ सकते हैं, लेकिन अपूर्ण रूप से। नई तकनीकें कुछ कौशल समूहों को प्रतिस्थापित करेंगी या नहीं, यह, अन्य बातों के साथ, विशिष्ट कार्यों की मांग, इन समूहों की आपूर्ति या उपलब्धता, और उनके वेतन पर निर्भर करता है।
कुल मिलाकर, हमने जर्मनी, जापान और दक्षिण कोरिया जैसे तेज़ी से वृद्ध होती उन्नत अर्थव्यवस्थाओं में उत्पादन श्रमिकों की कमी के जवाब में अधिक रोबोट अपनाते देखा है। कंपनियों को कौशल-प्रतिस्थापनकारी तकनीकें ईजाद और अपनाने का प्रोत्साहन मिलता है जब उच्च-कुशल श्रमिक पर्याप्त नहीं होते, उच्च-कुशलों के वेतन ऊंचे होते हैं, या मांग और उपलब्धता के बीच कौशल असंगति होती है। DataCamp में, हम सक्रिय रूप से कुछ मांग में रहने वाले कौशलों को यथासंभव अधिक लोगों के लिए उपलब्ध कराते हैं!
दिलचस्प रूप से, हाल तक कई लोग सोचते रहे होंगे कि नई कृत्रिम बुद्धिमत्ता, जैसे स्वचालित कारें, सबसे पहले ट्रक या ट्रेन ड्राइवर जैसी ब्लू-कॉलर नौकरियों को प्रतिस्थापित करेंगी। हालांकि, हाल ही में लॉन्च हुई जनरेटिव AI एप्लिकेशन श्वेतपोश कार्यों—जैसे निबंध लिखना, पृष्ठभूमि अनुसंधान करना, या प्रोग्रामिंग—में अद्भुत क्षमताएं दिखाती हैं।
आइए ChatGPT जैसे LLM से पूछें कि वह किन कार्यों का स्वचालन कर सकता है।
यह अनुवाद, टेक्स्ट, छवि, वीडियो जेनरेशन, संगीत रचना, वार्तालाप एजेंट, या व्यक्तिगत सिफारिशें सुझाता है। यह सूची बताती है कि क्यों कुछ अध्ययनों का सुझाव है कि जनरेटिव AI का अधिक प्रभाव उच्च-आय वाली नौकरियों पर पड़ सकता है। इन नौकरियों में भाषा, साहित्य, इतिहास के शिक्षक, कानूनी सेवाएं, वित्त, बीमा, और लेखा संबंधी कार्य शामिल हैं (जैसा कि Felten et al., 2023 में चर्चा है)।
भले ही शिक्षा पर जनरेटिव AI का प्रभाव गहरा होने की संभावना है—उदाहरण के लिए ऐसे AI सहायक जो विद्यार्थियों को अपनी गति से सीखने दें—फिर भी निकट भविष्य में बड़ी संख्या में शिक्षण पदों के प्रतिस्थापित होने की संभावना कम लगती है (क्योंकि उनकी भूमिकाएं एक चैटबॉट की शिक्षा से कहीं अधिक होती हैं)। हालांकि, छवि, टेक्स्ट और ऑडियो पहचान में जनरेटिव AI की प्रगति का (पृष्ठभूमि) अनुसंधान, चिकित्सा निदान, ग्राहक सेवा, या (डेटा) विश्लेषण पर गहरा प्रभाव हो सकता है।
इसका अर्थ यह नहीं है कि रेडियोलॉजिस्ट, अनुवादक, या एकाउंटेंट गायब हो जाएंगे, बल्कि यह कि भविष्य में ये नौकरियां काफी अलग दिख सकती हैं—डॉक्टरों को (आशा है) मरीजों पर अधिक समय देने और बुनियादी प्रशासनिक कार्यों से मुक्त कराने के साथ।
OpenAI और Goldman Sachs के नौकरी प्रभाव के अनुमान
OpenAI द्वारा सह-लेखित एक अध्ययन, जो ChatGPT के संस्थापक हैं, नए LLM मॉडलों को सामान्य-उद्देश्य तकनीक मानता है—पहला, जिसे कई डोमेनों में बहुआयामी वर्कफ्लो में अपनाया जा सकता है; दूसरा, जो निरंतर सुधार करता है; और तीसरा, जो पूरक नवाचारों और स्पिलओवर का नेतृत्व करता है।
वे अनुमान लगाते हैं कि संयुक्त राज्य में कार्यबल द्वारा किए जाने वाले सभी कार्यों में से 15% LLMs के जरिए काफी तेज किए जा सकते हैं। यदि अतिरिक्त पूरक तकनीकों को जोड़ा जाए, तो यह आंकड़ा आधे से अधिक कार्यों तक बढ़ सकता है।
जिन कार्यों पर प्रबल प्रभाव है, उनके उदाहरण लेखन और कोडिंग हैं, जबकि विज्ञान या समालोचनात्मक सोच नहीं। यहां एक्सपोजर इस आधार पर गणना किया गया है कि "क्या कोई LLM या LLM-समर्थित सिस्टम किसी मनुष्य द्वारा [...] किसी कार्य को करने या पूरा करने में लगने वाले समय को कम से कम 50 प्रतिशत तक घटा देगा"। वे सामान्यतः पाते हैं कि जिन नौकरियों में अधिक शिक्षा, प्रशिक्षण, और अनुभव की आवश्यकता होती है, वे अधिक उजागर होती हैं।
Goldman Sachs का अनुमान है कि संयुक्त राज्य की दो-तिहाई नौकरियां कम से कम आंशिक रूप से जनरेटिव AI से प्रभावित होंगी (जिनमें 25% - 50% कार्य संभावित रूप से स्वचालित हो सकते हैं)। हालांकि, वे बड़े पैमाने पर छंटनी की उम्मीद नहीं करते और जनरेटिव AI को आम तौर पर मनुष्यों के पूरक के रूप में देखते हैं, न कि उनके प्रतिस्थापन के रूप में।
जनरेटिव AI के अल्पकालिक प्रभाव
यह संभवतः अल्प-से-मध्यम अवधि के प्रभावों की ऊपरी सीमा है, क्योंकि नई तकनीकों को आमतौर पर अपनाने में समय लगता है। जनरेटिव AI संभवतः, उदाहरण के लिए, इंटरनेट की तुलना में तेज़ी से अपनाया जाएगा—इंटरनेट को वास्तव में मुख्यधारा बनने में एक-दो दशक लगे।
जनरेटिव AI अपनाने से जुड़े कानूनी और नैतिक प्रश्न
फिर भी, नई तकनीकों को भी कुछ बाधाओं का सामना करना पड़ेगा। ऐसी कानूनी प्रश्न हैं जो विशेष रूप से उच्च-भुगतान वाली श्वेतपोश नौकरियों में प्रासंगिक हैं, और शिक्षा, चिकित्सा, या व्यावसायिक सेवाओं में कार्यों के स्वचालन से जुड़ी अनिश्चितताएं हैं।
उदाहरण के लिए, यदि जनरेटिव AI गलती कर दे तो उत्तरदायी कौन होगा? या प्रशिक्षण के लिए वेब पर बड़े पैमाने पर क्रॉलिंग के कारण संभावित कॉपीराइट उल्लंघनों का क्या? और यह भी जोड़ना चाहिए कि हाल के LLM प्रकाशित करने वाली कंपनियां भी स्वीकार करती हैं कि ये मॉडल कभी-कभी शानदार ढंग से विफल हो जाते हैं (और इसका सटीक कारण आँकना जटिल प्रतीत होता है)।
जनरेटिव AI द्वारा विशिष्ट नौकरियों में व्यवधान
ये बाधाएं सभी श्वेतपोश नौकरियों के लिए समान रूप से प्रासंगिक नहीं हैं। जनरेटिव AI हमारे श्रम बाजार के विशिष्ट खंडों में व्यवधान ला सकती है—और शायद ला भी रही है। मार्केटिंग के बारे में सोचें, जिसमें अक्सर अपेक्षाकृत सामान्य टेक्स्ट का मसौदा तैयार करना शामिल होता है, या ग्राहक सहायता जहां चैटबॉट्स में भारी सुधार हो रहा है। LLMs अनुवाद, संश्लेषण, और यहां तक कि टेक्स्ट की व्याख्या में इतने सक्षम दिखते हैं कि यह कल्पना करना कठिन है कि भविष्य में हमें समान संख्या में अनुवादकों की आवश्यकता होगी।
Google Translate या DeepL जैसे उपकरण पहले से ही उत्कृष्ट हैं, और Google के BERT का पहला उपयोग-मामला ठीक अनुवाद ही था। अगला, अपेक्षाकृत सरल सॉफ्टवेयर विकास कार्य और मीडिया व शिक्षा में मानकीकृत सामग्री निर्माण एक हद तक मशीनों को सौंपा जा सकता है, जैसे पैरा-लीगल या टैक्स तैयारी के कार्य।
ग्राहक सेवा नौकरियां निस्संदेह प्रभावित होंगी, क्योंकि वार्तालापात्मक सहायता कार्यों में जबरदस्त प्रगति हुई है। उदाहरण के लिए, हाल ही जारी एक कार्यपत्र, जिसके सह-लेखक एरिक ब्रायनजॉल्फसन हैं, का अनुमान है कि जनरेटिव AI ने 5,000 से अधिक ग्राहक सेवा एजेंटों के औसत प्रदर्शन में लगभग 14% की वृद्धि की—मुख्यतः नए कर्मचारियों के लिए, लेकिन अनुभवी एजेंटों के लिए मुश्किल से।
मशीनों को आउटसोर्सिंग (स्वचालन) और विदेशी देशों को आउटसोर्सिंग (ऑफशोरिंग) का प्रभाव प्रभावित श्रमिकों के लिए बहुत हद तक समान होता है। उनकी नौकरियां या तो कूटबद्ध होकर स्थानीय रूप से सस्ते रोबोट द्वारा की जाएंगी, या इलेक्ट्रॉनिक रूप से स्थानांतरित/भौतिक रूप से भेजकर अन्य देशों में सस्ते श्रम द्वारा कराई जाएंगी।
जनरेटिव AI के दीर्घकालिक प्रभाव
मध्यम-से-दीर्घ अवधि में हमारी अर्थव्यवस्था पर जनरेटिव AI का प्रभाव निश्चित रूप से गहरा होगा। यदि रोबोटिक्स जैसी अन्य तकनीकों के साथ मिलाया जाए, तो अधिकांश नौकरियां किसी न किसी स्तर पर प्रभावित होंगी (हालांकि किंडरगार्टन शिक्षक, सर्वर, या सामाजिक कार्य फिलहाल अपेक्षाकृत सुरक्षित दांव हैं)।
हाल के दशकों में हमने विशेष रूप से उच्च-कुशल नौकरियों के लिए मांग और वेतन में वृद्धि देखी है, जबकि मध्यम-वर्गीय नौकरियों की संख्या घटी है और कम-भुगतान वाली नौकरियों के वेतन अक्सर ठहरे रहे हैं। लेकिन हमने एक और रुझान भी देखा—सेवा नौकरियों की मांग में इजाफा, जो अक्सर कम-भुगतान वाली होती हैं। इनमें पैकेज डिलीवर करना, सुपरमार्केट की अलमारियां भरना, वेयरहाउस कार्य, और सफाई, सुरक्षा, या बच्चों और बुजुर्गों की देखभाल जैसी व्यक्तिगत सेवाएं शामिल हैं। यहां ट्रक, रेल, या Uber ड्राइवरों को भी जोड़ें।
जनरेटिव AI विकास के भविष्य के तीन संभावित परिदृश्य
इनमें से कई नौकरियां संवेदनशील हो सकती हैं यदि ऑटोमोटिव तकनीकें आगे बढ़ती हैं और रोबोट बुद्धिमान बनकर गैर-तुच्छ 3D कार्यों को बेहतर ढंग से कर पाते हैं। मैं यहां तीन अलग-अलग परिदृश्यों की कल्पना कर सकता हूं:
- हम एक मोड़ बिंदु देख रहे हैं, और जनरेटिव AI प्रिंटिंग प्रेस, स्टीम इंजन, या ट्रांजिस्टर विनिर्माण जैसी एक ब्रेकथ्रू तकनीक है—जो हमारे काम और जीवन के तरीके में महत्वपूर्ण बदलाव लाएगी, और मध्यम अवधि में निरंतर सुधार अपेक्षित है।
- जनरेटिव AI को विशिष्ट क्षेत्रों से परे मानवीय कार्यों को सुरक्षित रूप से प्रतिस्थापित करने से पहले दशकों के विकास की आवश्यकता हो सकती है—जैसे सेल्फ-ड्राइविंग कारें, जहां एक दशक पहले महत्वपूर्ण सुधारों के बावजूद, मानव पर्यवेक्षण के बिना सुरक्षा में सीमाएं हैं।
- वर्तमान तकनीकें शायद पहले ही अपनी चरम सीमा पर पहुंच चुकी हैं, और आगे अधिक कुछ नहीं—ठीक वैसे ही जैसे सर्च इंजन, जहां Google के PageRank ने शुरुआती 2000 के दशक में खोज को क्रांतिकारी बना दिया (Yahoo! और Altavista से बाजार हिस्सेदारी ले ली), और तब से प्रगति क्रमिक रही है।
बेशक, हमें नहीं पता कि इनमें से कौन सा परिदृश्य सामने आएगा, लेकिन मैं अब पहले से कहीं अधिक आशावादी (और आंशिक रूप से असहज) हूं कि हम इंटरनेट के शुरुआती दिनों के बाद से पहली बार एक रूपांतरकारी तकनीक को तेजी पकड़ते देख रहे हैं।
क्या हम AI यूटोपिया की ओर जा रहे हैं या AI डिस्टोपिया की ओर?
क्या ये विकास हमें एक ऐसे डिस्टोपियन भविष्य की ओर ले जाएंगे, जहां कुछ ही नौकरियां बचें—जो मुख्यतः या तो अन्य मनुष्यों के साथ प्रत्यक्ष आमने-सामने की बातचीत, इन नई तकनीकों का विकास और रखरखाव, या जटिल/विशेष मैनुअल कार्यों तक सीमित हों?
मुझे ऐसा नहीं लगता।
हम आमतौर पर ऐसी नई भूमिकाएं ईजाद करने में अच्छे हैं जो तकनीक को पूरक करती हैं या कुछ बिल्कुल नया करती हैं (जैसे डेटा वैज्ञानिक, ड्रामा थेरेपिस्ट, या टैटू कलाकार)। इसलिए मुझे बेरोजगार भविष्य की चिंता नहीं है।
फिर भी, यदि मैं कंपनी का नेतृत्व कर रहा होता, तो मैं अपने व्यवसाय पर संभावित प्रभाव को बहुत गंभीरता से लेता और इस पर रणनीतिक सोचता कि कैसे प्रतिक्रिया देनी है और किसे नियुक्त करना है।
एक व्यक्ति के रूप में, मैं भी सावधानी से सोचता कि किन कौशलों में निवेश करना है और क्या वे चतुर मशीनों के जरिए स्वचालित होने के प्रति संवेदनशील हैं।
एक नीतिनिर्माता के रूप में, मैं शिक्षा को और प्रोत्साहित करता, शैक्षिक पाठ्यक्रम की समीक्षा करता, जागरूकता बढ़ाता कि हम एक मोड़ बिंदु पर हो सकते हैं, और खासकर युवाओं को जल्द ही स्वचालित होने वाली नौकरियों की ओर आकर्षित होने से बचाता।
अगले स्तर पर जाएँ
व्यक्तिगत रूप से, अपने व्यवसाय की सफलता या अन्य लोगों के लिए जिम्मेदार व्यक्ति के रूप में, आप जनरेटिव AI का सर्वोत्तम लाभ उठाने के लिए क्या कर सकते हैं?
मुझे लगता है, आज की तारीख में, इसके प्रबल आसार हैं कि हम एक नई क्रांतिकारी तकनीकी बदलांत unfold होते देख सकते हैं। इसलिए, मैं दृढ़ता से अनुशंसा करता हूं कि आप जनरेटिव AI के पीछे की बुनियादी बातों को समझें ताकि आप सबसे बेहतर ढंग से प्रतिक्रिया तय कर सकें।
यह आप कैसे कर सकते हैं? उदाहरण के लिए, आप DataCamp के Introduction to ChatGPT कोर्स के जरिए ChatGPT सीख सकते हैं (और जल्द जारी होने वाले हमारे अतिरिक्त कोर्स भी), या हमारे अन्य संसाधनों, जैसे डेटा साइंस प्रोजेक्ट्स के लिए ChatGPT उपयोग करने की गाइड या हमारा OpenAI API in Python चीट शीट देख सकते हैं।
बेशक, मैं सुझाव देता हूं कि आप स्वयं इन नई तकनीकों को आजमाएँ और कुछ प्रॉम्प्ट स्ट्रीम जनरेट करें। यदि आप LLMs के बारे में अधिक जानते हैं, तो आप नीचे लिंक किए गए कुछ शोध लेख भी पढ़ सकते हैं और नई प्रगति से अपडेट रह सकते हैं।
स्रोत:
