क्यों एक परिवार ने इसके बजाय PDF टूल लिखवाने के लिए ChatGPT का इस्तेमाल किया

एक छोटी PDF समस्या ने यह परखने का उपयोगी तरीका दिया कि लोग AI पर कैसे भरोसा कर सकते हैं

इस हफ्ते की अधिक जमीनी AI कहानियों में से एक किसी प्रोडक्ट लॉन्च या बेंचमार्क चार्ट से नहीं आई। यह एक घरेलू वर्कफ़्लो समस्या से आई। ZDNET के लिए 5 जून को प्रकाशित एक विवरण में, David Gewirtz ने बताया कि उन्होंने ChatGPT का उपयोग सीधे किसी दस्तावेज़ को बदलने के लिए नहीं, बल्कि एक कमांड-लाइन Python स्क्रिप्ट लिखवाने के लिए किया, जो काम को निर्धारक तरीके से कर सके। लक्ष्य एक पीली कागज़ पर छपी स्कैन की गई कोयर बुकलेट थी। मकसद पीली पृष्ठभूमि हटाना था ताकि पन्नों को अधिक साफ़-सुथरे ढंग से दोबारा प्रिंट किया जा सके और संगीत सॉफ़्टवेयर में अधिक प्रभावी ढंग से इस्तेमाल किया जा सके।

इस कहानी को ध्यान देने योग्य बनाने वाली बात PDF सफाई खुद नहीं है। यह वह तर्क है, जिसने समाधान तक पहुंचाया। ChatGPT से बने PDF पर सीधे प्रयोग किए गए, लेकिन उनसे विश्वसनीयता की समस्या पैदा हुई। अगर किसी जनरेटिव मॉडल ने शीट म्यूज़िक को छुआ, तो क्या वह सूक्ष्म रूप से सुर, बोल या लेआउट बदल सकता था? साधारण पाठ के लिए यह जोखिम स्वीकार्य हो सकता है। संगीत अभ्यास के लिए नहीं।

इसलिए मॉडल से संपादक बनने को कहने के बजाय, परिवार ने उसे टूल बनाने वाला बनाया।

जनरेटिव आउटपुट से निर्धारक वर्कफ़्लो तक

यह बदलाव इस बात का एक व्यापक सबक पकड़ता है कि वास्तविक परिस्थितियों में AI का सबसे प्रभावी उपयोग कैसे हो सकता है। जनरेटिव सिस्टम शक्तिशाली हैं, लेकिन वे nondeterministic भी हैं, यानी उनके आउटपुट बदल सकते हैं और वे ऐसे परिवर्तन ला सकते हैं जो कभी अपेक्षित नहीं थे। जब स्रोत के प्रति निष्ठा महत्वपूर्ण हो, तो यही अनिश्चितता भरोसे की बाधा बन जाती है।

Gewirtz इस अंतर को स्पष्ट रूप से रेखांकित करते हैं। वे नोट करते हैं कि ChatGPT द्वारा किए गए सीधे PDF रूपांतरणों ने परिणामी फ़ाइलों को सूक्ष्म तरीकों से बदल दिया, जिससे उनकी पत्नी उनके साथ अभ्यास करने को लेकर असहज हो गईं। वह ऐसी प्रक्रिया चाहती थीं जो केवल पृष्ठभूमि बदले, जबकि संगीत सामग्री जस की तस रहे।

विकल्प यह था कि ChatGPT से ऐसा सॉफ़्टवेयर लिखवाया जाए जो एक परिभाषित परिवर्तन करे। एक बार बन जाने पर, स्क्रिप्ट हर बार उसी तरह काम करती है, जब तक कोई कोड न बदले। इससे काम प्रायिकात्मक जनरेशन से प्रक्रियात्मक निष्पादन में चला जाता है। कई व्यावहारिक क्षेत्रों में, यही फर्क “दिलचस्प डेमो” और “उपयोगी टूल” के बीच होता है।

तत्काल उपयोग का मामला साधारण था, और यही इसका महत्व है

स्कैन किए गए कोयर पन्ने पीले कागज पर छपे थे। उन्हें वैसे ही फिर से प्रिंट करने पर या तो बहुत अधिक रंगीन स्याही खर्च होती या श्वेत-श्याम आउटपुट में धूसर पृष्ठभूमि रह जाती। पन्नों को PlayScore 2, एक संगीत-पठन ऐप, के साथ भी काम करना था, इसलिए दृश्य स्पष्टता मानव और मशीन, दोनों तरह की व्याख्या के लिए महत्वपूर्ण थी।

शुरुआत में Photoshop पर विचार किया गया, लेकिन लेख के अनुसार मैन्युअल प्रक्रिया बहुत झंझटभरी थी क्योंकि हर इमेज के लिए अलग-अलग स्लाइडर समायोजन चाहिए थे। यह एक और परिचित AI-संबद्ध पैटर्न है। पारंपरिक सॉफ़्टवेयर समस्या हल कर सकता है, लेकिन नियमित उपयोग के लिए श्रम लागत बहुत अधिक होती है। AI, अगर सही तरह से इस्तेमाल किया जाए, तो एक ऐसे कस्टम यूटिलिटी के निर्माण के जरिए सेटअप बोझ कम कर सकता है, जो ठीक उसी काम के लिए बनी हो।

जो निकला वह कोई चमकदार उपभोक्ता एप्लिकेशन नहीं था। वह एक छोटे उद्देश्य वाला कमांड-लाइन Python टूल था। लेकिन यही कारण है कि यह उदाहरण महत्वपूर्ण है। AI के वास्तविक आर्थिक मूल्य का बड़ा हिस्सा साधारण, अत्यधिक विशिष्ट सॉफ़्टवेयर से आ सकता है जो कल तक मौजूद ही नहीं था, क्योंकि उसे लिखने में उतना समय लगता जितना उस काम की उपयोगिता को न्यायसंगत ठहराने के लिए कोई तैयार न था।

भरोसे का मॉडल बदल रहा है

AI पर कहानियाँ अक्सर इस पर केंद्रित होती हैं कि मॉडल सीधे क्या कर सकते हैं: लिखना, सारांश बनाना, चित्र बनाना, कोड लिखना या फ़ाइलों में खुद से बदलाव करना। यह मामला एक अलग भरोसे के मॉडल की ओर इशारा करता है। उपयोगकर्ता AI से तरीका सुझवाने या कोड जनरेट कराने में सहज हो सकते हैं, जबकि मूल्यवान स्रोत सामग्री पर अंतिम परिवर्तन करने के लिए एक पारदर्शी, दोहराने योग्य टूल को प्राथमिकता दे सकते हैं।

यह अंतर उद्यमों के साथ-साथ घरों के लिए भी महत्वपूर्ण है। कानूनी, चिकित्सा, वित्तीय और अभिलेखीय संदर्भों में मुद्दा केवल यह नहीं है कि AI काम कर सकता है या नहीं। सवाल यह है कि क्या सिस्टम ऐसा ट्रेसबिलिटी के साथ और इतनी निश्चितता से कर सकता है कि बीच में कोई अनधिकृत बदलाव न हुआ हो।

इसका नतीजा यह है कि सबसे व्यावहारिक AI वर्कफ़्लो अक्सर दो-चरणीय हो सकता है। पहले, सॉफ़्टवेयर निर्माण के लिए मॉडल को एक प्रवेगक की तरह इस्तेमाल करें। दूसरे, बनी हुई निर्धारक प्रक्रिया को मूल फ़ाइलों पर चलाएं। इससे कोड की समीक्षा या आउटपुट की पुष्टि की ज़रूरत खत्म नहीं होती, लेकिन अनिश्चितता सीमित हो जाती है।

यह किसी और AI ट्रिक से अधिक क्यों मायने रखता है

इस किस्से को एक चालाक जीवन-हैक मानकर आगे बढ़ जाने का प्रलोभन हो सकता है। लेकिन यह वास्तव में जनरेटिव AI के अपनाने की प्रवृत्ति में एक केंद्रीय मुद्दे को छूता है: लोगों को केवल क्षमता नहीं चाहिए। उन्हें नियंत्रण-क्षमता चाहिए।

कोयर बुकलेट का उदाहरण असाधारण रूप से स्पष्ट है क्योंकि जोखिम सहज रूप से समझ आता है। अगर पन्ने पर एक नोट बदल गया, तो पूरी कोशिश विफल हो जाती है। फिर भी यही तर्क कई कार्यस्थलों पर लागू होता है, जहाँ दस्तावेज़, छवियाँ या डेटा ऐसे अर्थ रखते हैं जिन्हें जस का तस रहना चाहिए। उपयोगकर्ता अक्सर ऐसे सिस्टम को प्राथमिकता देंगे जिसे सत्यापित, दोबारा चलाया और दायरे में सीमित किया जा सके, बजाय उस सिस्टम के जो अधिक बुद्धिमान लगे लेकिन कम पूर्वानुमेय हो।

इसका मतलब यह नहीं कि सीधे AI एडिटिंग की कोई जगह नहीं है। कई रचनात्मक और कम-जोखिम वाले कार्यों के लिए यह तेज़ और पूरी तरह स्वीकार्य है। लेकिन यह लेख दिखाता है कि “बस मॉडल से फ़ाइल संभलवा दो” हमेशा सबसे अच्छा जवाब नहीं होता। कभी-कभी AI का सबसे अच्छा उपयोग किसी काम के अंतिम परिणाम को नहीं, बल्कि उस काम के आसपास की उबाऊ संरचना को जनरेट करना होता है।

AI अपनाने के अगले चरण के लिए एक उपयोगी पैटर्न

ZDNET की यह कहानी इसलिए असरदार है क्योंकि यह एक ऐसे पैटर्न का वर्णन करती है जिसके फैलने की संभावना है। लोग तेजी से AI का उपयोग मांग पर संकीर्ण सॉफ़्टवेयर यूटिलिटी बनाने के लिए करेंगे, खासकर तब जब पारंपरिक उपकरण बहुत बोझिल हों और पूरी तरह जनरेटिव वर्कफ़्लो बहुत जोखिम भरे लगें। नतीजा कम AI नहीं होगा। बल्कि AI स्टैक में एक परत और गहराई में चला जाएगा, जहाँ वह धुन बजाने के बजाय वाद्य बनाने में मदद करेगा।

यह रोज़मर्रा के कंप्यूटिंग में मॉडल्स की सबसे स्पष्ट व्यावहारिक भूमिकाओं में से एक हो सकती है। वे कस्टम स्क्रिप्टिंग की समय-लागत घटा सकते हैं, विकास के उबाऊ हिस्सों को स्वचालित कर सकते हैं और सामान्य उपयोगकर्ताओं के लिए एक-बार के टूलिंग को संभव बना सकते हैं। लेकिन जब स्रोत सामग्री महत्वपूर्ण हो, तब बहुत से लोग फिर भी अंतिम क्रिया को निर्धारक ही देखना चाहेंगे।

उस दृष्टि से, PDF वाली यह कहानी वास्तव में पीले कागज या कोयर अभ्यास के बारे में नहीं है। यह इस बारे में है कि भरोसा कैसे इंजीनियर किया जाता है। सबसे टिकाऊ AI वर्कफ़्लो वे हो सकते हैं जो जनरेटिव गति को पारंपरिक सॉफ़्टवेयर विश्वसनीयता के साथ जोड़ते हैं, ताकि उपयोगकर्ता दोनों का लाभ उठा सकें, बिना एक को दूसरे के साथ भ्रमित किए।

यह लेख ZDNET की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें.