AI ਨੇ ਸਾਫ਼ਟਵੇਅਰ ਵਿਕਾਸ ਨੂੰ ਹਮੇਸ਼ਾ ਲਈ ਕਿਵੇਂ ਬਦਲਿਆ — Andre Baltieri [MVP] ਨਾਲ ਏਜੰਟਿਕ ਭਵਿੱਖ ਦਾ ਨਿਰਮਾਣ

ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਸਾਫਟਵੇਅਰ ਡਿਵੈਲਪਮੈਂਟ ਨੂੰ ਉਸ ਰਫ਼ਤਾਰ ਨਾਲ ਬਦਲ ਰਹੀ ਹੈ ਜੋ ਅਸੀਂ ਪਹਿਲਾਂ ਸ਼ਾਇਦ ਹੀ ਕਦੇ ਦੇਖੀ ਸੀ।ਡਿਵੈਲਪਰ ਪਹਿਲਾਂ ਹੀ ਹਰ ਲਾਈਨ ਖੁਦ ਲਿਖਣ ਤੋਂ ਅੱਗੇ ਵਧ ਚੁੱਕੇ ਹਨ ਅਤੇ ਹੁਣ ਅਜਿਹੇ AI ਸਹਾਇਕਾਂ ਨਾਲ ਕੰਮ ਕਰ ਰਹੇ ਹਨ ਜੋ ਕੋਡ ਬਣਾ ਸਕਦੇ ਹਨ, ਅਣਜਾਣ ਸਿਸਟਮਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰ ਸਕਦੇ ਹਨ, ਟੈਸਟ ਬਣਾ ਸਕਦੇ ਹਨ, ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਲੱਭ ਸਕਦੇ ਹਨ ਅਤੇ ਦੁਹਰਾਏ ਜਾਣ ਵਾਲੇ ਕੰਮ ਆਪਣੇ ਆਪ ਕਰ ਸਕਦੇ ਹਨ।ਪਰ Microsoft MVP Andre Baltieri ਦੇ ਅਨੁਸਾਰ, ਇਹ ਤਾਂ ਸਿਰਫ਼ ਸ਼ੁਰੂਆਤ ਹੈ।ਇਸ ਐਪੀਸੋਡ ਵਿੱਚ M365.FM ਲਈ Mirko Peters ਨੇ Andre ਨਾਲ ਗੱਲਬਾਤ ਕੀਤੀ, ਜਿਸ ਵਿੱਚ ਪਰੰਪਰਾਗਤ ਸਾਫਟਵੇਅਰ ਡਿਵੈਲਪਮੈਂਟ ਤੋਂ AI-ਸਹਾਇਤਾ ਪ੍ਰਾਪਤ ਡਿਵੈਲਪਮੈਂਟ ਵੱਲ ਤਬਦੀਲੀ, ਕੋਡਿੰਗ ਏਜੰਟ, ਏਜੈਂਟਿਕ ਆਰਕੀਟੈਕਚਰ, Microsoft Agent Framework, .NET, RAG, context engineering, ਸੁਰੱਖਿਆ ਅਤੇ ਜਨਰੇਟਿਵ AI ਦੇ ਅਰਥਸ਼ਾਸਤਰ ਬਾਰੇ ਡੂੰਘੀ ਚਰਚਾ ਕੀਤੀ ਗਈ।

2003 ਦੇ .NET ਤੋਂ AI ਯੁੱਗ ਤੱਕ

Andre ਸਾਨੂੰ .NET ਅਤੇ C# ਦੇ ਸ਼ੁਰੂਆਤੀ ਦਿਨਾਂ ਵਿੱਚ ਲੈ ਜਾਂਦੇ ਹਨ, ਜਦੋਂ ਕਿਸੇ ਨਵੀਂ Microsoft ਤਕਨਾਲੋਜੀ ਨੂੰ ਸਿੱਖਣ ਲਈ ਅਕਸਰ ਅਧਿਕਾਰਤ ਟ੍ਰੇਨਿੰਗ ਖਰੀਦਣੀ ਪੈਂਦੀ ਸੀ ਅਤੇ ਕਿਸੇ ਹੋਰ ਸ਼ਹਿਰ ਜਾਣਾ ਪੈਂਦਾ ਸੀ।ਉਸ ਤੋਂ ਬਾਅਦ ਸਾਫਟਵੇਅਰ ਡਿਵੈਲਪਮੈਂਟ ਡੈਸਕਟਾਪ, ਵੈੱਬ, ਮੋਬਾਈਲ, ਕਲਾਊਡ, ਕੰਟੇਨਰ, ਮਾਈਕ੍ਰੋਸਰਵਿਸਿਜ਼ ਅਤੇ ਸਰਵਰਲੈੱਸ ਕੰਪਿਊਟਿੰਗ ਵਿੱਚੋਂ ਲੰਘੀ ਹੈ।Andre ਦਾ ਮੰਨਣਾ ਹੈ ਕਿ AI ਵੱਲ ਤਬਦੀਲੀ ਬੁਨਿਆਦੀ ਤੌਰ 'ਤੇ ਵੱਖਰੀ ਮਹਿਸੂਸ ਹੁੰਦੀ ਹੈ। ਇਹ ਸਿਰਫ਼ ਇੱਕ ਹੋਰ ਪਲੇਟਫਾਰਮ ਜਾਂ ਫਰੇਮਵਰਕ ਨਹੀਂ, ਸਗੋਂ ਮਨੁੱਖਾਂ ਅਤੇ ਸਾਫਟਵੇਅਰ ਦੇ ਆਪਸੀ ਸੰਵਾਦ ਦਾ ਨਵਾਂ ਤਰੀਕਾ ਹੈ।

AI ਸਹਾਇਕ ਬਨਾਮ AI ਕੋਡਿੰਗ ਏਜੰਟ

IDE ਵਿੱਚ AI ਸਹਾਇਕ ਹੋਣ ਅਤੇ ਕੰਮ ਏਜੰਟ ਨੂੰ ਸੌਂਪਣ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਫਰਕ ਹੈ।ਇੱਕ ਸਹਾਇਕ ਕੋਡ ਸਮਝਾ ਸਕਦਾ ਹੈ, ਰੀਫੈਕਟਰਿੰਗ ਦੇ ਸੁਝਾਅ ਦੇ ਸਕਦਾ ਹੈ, ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇ ਸਕਦਾ ਹੈ ਅਤੇ ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਆਪਣੀਆਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ।ਇੱਕ ਏਜੰਟ ਕੋਈ ਟੀਚਾ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦਾ ਹੈ, ਯੋਜਨਾ ਬਣਾ ਸਕਦਾ ਹੈ, ਕੰਮ ਨੂੰ ਛੋਟੇ ਹਿੱਸਿਆਂ ਵਿੱਚ ਵੰਡ ਸਕਦਾ ਹੈ, ਟੂਲ ਵਰਤ ਸਕਦਾ ਹੈ, ਹੋਰ ਏਜੰਟਾਂ ਦਾ ਤਾਲਮੇਲ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਹੱਲ ਦੇ ਵੱਡੇ ਹਿੱਸੇ ਲਾਗੂ ਕਰ ਸਕਦਾ ਹੈ।Andre ਦੱਸਦੇ ਹਨ ਕਿ ਇਹ ਪਹਿਲਾਂ ਹੀ ਉਨ੍ਹਾਂ ਦੇ ਆਪਣੇ ਵਿਕਾਸ ਦੇ ਤਰੀਕੇ ਨੂੰ ਬਦਲ ਰਿਹਾ ਹੈ, ਕਿਉਂਕਿ ਹੁਣ AI ਉਹ ਬਹੁਤ ਸਾਰਾ ਕੋਡ ਬਣਾਉਂਦਾ ਹੈ ਜੋ ਉਹ ਪਹਿਲਾਂ ਖੁਦ ਲਿਖਦੇ ਸਨ।

ਸਪੈਸੀਫਿਕੇਸ਼ਨ-ਅਧਾਰਤ ਸਾਫਟਵੇਅਰ ਡਿਵੈਲਪਮੈਂਟ

ਜਿਵੇਂ-ਜਿਵੇਂ ਏਜੰਟ ਵਧੇਰੇ ਸਮਰੱਥ ਹੋ ਰਹੇ ਹਨ, ਸਪੈਸੀਫਿਕੇਸ਼ਨਾਂ ਦੀ ਮਹੱਤਤਾ ਵਧ ਰਹੀ ਹੈ।ਹਰ ਲਾਗੂਕਰਨ ਵੇਰਵੇ ਦੱਸਣ ਦੀ ਬਜਾਏ, ਡਿਵੈਲਪਰ ਲੋੜਾਂ, ਆਰਕੀਟੈਕਚਰ, ਸੀਮਾਵਾਂ ਅਤੇ ਉਮੀਦ ਕੀਤੇ ਵਿਵਹਾਰ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰ ਸਕਦੇ ਹਨ ਅਤੇ ਏਜੰਟਾਂ ਨੂੰ ਇਹ ਫੈਸਲਾ ਕਰਨ ਦੇ ਸਕਦੇ ਹਨ ਕਿ ਹਿੱਸਿਆਂ ਨੂੰ ਕਿਵੇਂ ਪੂਰਾ ਕੀਤਾ ਜਾਵੇ।ਇਸ ਨਾਲ ਡਿਵੈਲਪਰ ਦਾ ਧਿਆਨ ਸਿਰਫ਼ ਕੋਡ ਬਣਾਉਣ ਤੋਂ ਹਟ ਕੇ ਇਹ ਤੈਅ ਕਰਨ ਵੱਲ ਜਾਂਦਾ ਹੈ ਕਿ ਕੀ ਬਣਾਉਣਾ ਹੈ ਅਤੇ ਕਿਉਂ।

Microsoft Agent Framework

ਚਰਚਾ Microsoft Agent Framework ਅਤੇ ਮੌਜੂਦਾ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ AI ਸਮਰੱਥਾਵਾਂ ਲਿਆਉਣ ਵਿੱਚ ਇਸਦੀ ਭੂਮਿਕਾ ਵੱਲ ਵਧਦੀ ਹੈ।Andre ਦੱਸਦੇ ਹਨ ਕਿ ਇਹ ਫਰੇਮਵਰਕ Semantic Kernel ਅਤੇ AutoGen ਨਾਲ ਜੁੜੀਆਂ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਇਕੱਠਾ ਕਰਦਾ ਹੈ ਅਤੇ ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਮਾਡਲਾਂ ਨੂੰ ਜੋੜਨ, ਵਰਕਫਲੋ ਦਾ ਤਾਲਮੇਲ ਕਰਨ, MCP ਵਰਤਣ, RAG ਲਾਗੂ ਕਰਨ, ਡਾਟਾ ਇੰਜੈਸ਼ਨ ਸੰਭਾਲਣ ਅਤੇ ਐਪਲੀਕੇਸ਼ਨ ਦੀਆਂ ਕਾਰਜਸ਼ੀਲਤਾਵਾਂ ਨੂੰ AI ਲਈ ਖੋਲ੍ਹਣ ਦੇ ਸਾਧਨ ਦਿੰਦਾ ਹੈ।ਖਾਸ ਕਰਕੇ .NET ਡਿਵੈਲਪਰਾਂ ਲਈ ਇਹ ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਕੋਡ ਦੀ ਮਾਤਰਾ ਕਾਫ਼ੀ ਘਟਾ ਸਕਦਾ ਹੈ।

AI ਯੁੱਗ ਵਿੱਚ .NET ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ

AI ਡਿਵੈਲਪਮੈਂਟ ਵਿੱਚ Python ਅਜੇ ਵੀ ਪ੍ਰਮੁੱਖ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ, ਪਰ Andre ਜ਼ੋਰਦਾਰ ਢੰਗ ਨਾਲ ਕਹਿੰਦੇ ਹਨ ਕਿ .NET ਅਤੇ C# ਐਂਟਰਪ੍ਰਾਈਜ਼ AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਬਹੁਤ ਵਧੀਆ ਸਥਿਤੀ ਵਿੱਚ ਹਨ।.NET ਤੇਜ਼ੀ ਨਾਲ ਵਿਕਸਿਤ ਹੋ ਰਿਹਾ ਹੈ, ਅਤੇ Microsoft ਦੇ AI ਟੂਲ C# ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਆਧੁਨਿਕ AI ਸਮਰੱਥਾਵਾਂ ਤੱਕ ਸਿੱਧੀ ਪਹੁੰਚ ਦੇ ਰਹੇ ਹਨ।ਜਿਹੜੀਆਂ ਸੰਸਥਾਵਾਂ ਨੇ ਸਾਲਾਂ ਤੋਂ .NET ਵਿੱਚ ਕਾਰੋਬਾਰੀ ਤਰਕ ਲਾਗੂ ਕੀਤਾ ਹੈ, ਉਨ੍ਹਾਂ ਨੂੰ ਵੱਡਾ ਫਾਇਦਾ ਹੋ ਸਕਦਾ ਹੈ, ਕਿਉਂਕਿ ਉਨ੍ਹਾਂ ਨੂੰ AI ਲਿਆਉਣ ਲਈ ਸਭ ਕੁਝ ਦੁਬਾਰਾ ਬਣਾਉਣ ਦੀ ਲੋੜ ਨਹੀਂ ਹੁੰਦੀ।ਮੌਜੂਦਾ ਕਾਰਜਸ਼ੀਲਤਾ ਨੂੰ ਚੋਣਵੇਂ ਢੰਗ ਨਾਲ ਏਜੰਟਾਂ ਅਤੇ AI-ਸੰਚਾਲਿਤ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਖੋਲ੍ਹਿਆ ਜਾ ਸਕਦਾ ਹੈ।

ਡਿਟਰਮਿਨਿਸਟਿਕ ਸਾਫਟਵੇਅਰ ਤੋਂ ਏਜੰਟਿਕ ਸਿਸਟਮਾਂ ਤੱਕ

ਪਰੰਪਰਾਗਤ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਡਿਟਰਮਿਨਿਸਟਿਕ ਹੁੰਦੀਆਂ ਹਨ: ਜੇ X ਹੋਵੇ, ਤਾਂ Y ਚਲਾਓ।ਏਜੰਟਿਕ ਸਿਸਟਮ ਇੱਕ ਹੋਰ ਮਾਡਲ ਲਿਆਉਂਦੇ ਹਨ: ਇਹ ਟੀਚਾ ਹੈ। ਇਸਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਕਿਹੜੀਆਂ ਕਾਰਵਾਈਆਂ ਜ਼ਰੂਰੀ ਹਨ, ਇਹ ਪਤਾ ਕਰੋ।ਇਹ ਆਰਕੀਟੈਕਚਰ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਤਬਦੀਲੀ ਹੈ। ਹਰ ਸੰਭਵ ਰਸਤੇ ਨੂੰ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਦੀ ਬਜਾਏ, ਡਿਵੈਲਪਰ ਟੀਚੇ, ਟੂਲ, ਸੰਦਰਭ, ਇਜਾਜ਼ਤਾਂ, ਪਾਬੰਦੀਆਂ ਅਤੇ ਹੱਦਾਂ ਤੈਅ ਕਰਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਅੰਦਰ AI ਕੰਮ ਕਰ ਸਕਦਾ ਹੈ।

ਡਿਜ਼ਾਈਨ ਪੈਟਰਨ ਅਜੇ ਵੀ ਮਹੱਤਵਪੂਰਨ ਹਨ

AI-ਜਨਰੇਟ ਕੀਤਾ ਕੋਡ ਦਹਾਕਿਆਂ ਦੇ ਸਾਫਟਵੇਅਰ ਇੰਜੀਨੀਅਰਿੰਗ ਗਿਆਨ ਨੂੰ ਖਤਮ ਨਹੀਂ ਕਰਦਾ।ਕਲੀਨ ਕੋਡ, ਰੱਖ-ਰਖਾਅ, ਟੈਸਟਿੰਗ, ਆਰਕੀਟੈਕਚਰ ਅਤੇ ਡਿਜ਼ਾਈਨ ਪੈਟਰਨ ਅਜੇ ਵੀ ਮਹੱਤਵਪੂਰਨ ਹਨ, ਕਿਉਂਕਿ AI ਅਕਸਰ ਮੌਜੂਦਾ ਕੋਡਬੇਸ ਨੂੰ ਵੇਖ ਕੇ ਨਵੀਂ ਕਾਰਜਸ਼ੀਲਤਾ ਲਾਗੂ ਕਰਨਾ ਸਿੱਖਦਾ ਹੈ।ਗੰਦਾ ਕੋਡ ਹੋਰ ਗੰਦਾ ਕੋਡ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ। ਇਸ ਲਈ ਏਜੰਟ ਜ਼ਿਆਦਾਤਰ ਲਾਗੂਕਰਨ ਕਰੇ ਤਾਂ ਵੀ ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਆਰਕੀਟੈਕਚਰ ਅਤੇ ਇੰਜੀਨੀਅਰਿੰਗ ਸਿਧਾਂਤ ਸਮਝਣੇ ਚਾਹੀਦੇ ਹਨ।

ਸਟੋਕੈਸਟਿਕ ਸਾਫਟਵੇਅਰ ਦੀ ਸਮੱਸਿਆ

ਪਰੰਪਰਾਗਤ ਡਿਵੈਲਪਰ ਉਮੀਦ ਕਰਦੇ ਹਨ ਕਿ ਇੱਕੋ ਜਿਹੇ ਇਨਪੁੱਟ ਇੱਕੋ ਜਿਹਾ ਆਉਟਪੁੱਟ ਦੇਣਗੇ।ਜਨਰੇਟਿਵ AI ਪ੍ਰੋਬੇਬਿਲਿਸਟਿਕ ਹੈ। ਇੱਕੋ ਬੇਨਤੀ ਵੱਖ-ਵੱਖ ਵਾਰ ਚਲਾਉਣ 'ਤੇ ਵੱਖਰਾ ਲਾਗੂਕਰਨ, ਜਵਾਬ ਜਾਂ ਵਿਵਹਾਰ ਦੇ ਸਕਦੀ ਹੈ।Andre ਚਰਚਾ ਕਰਦੇ ਹਨ ਕਿ ਇਸ ਲਈ ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਟੈਸਟਿੰਗ ਅਤੇ ਪ੍ਰਮਾਣਿਕਤਾ ਬਾਰੇ ਦੁਬਾਰਾ ਸੋਚਣਾ ਪੈਂਦਾ ਹੈ, ਅਤੇ ਜਦੋਂ AI ਫੰਕਸ਼ਨੈਲਿਟੀ ਵੱਡੀ ਗਿਣਤੀ ਯੂਜ਼ਰਾਂ ਨੂੰ ਉਪਲਬਧ ਹੋਵੇ ਤਾਂ ਮਜ਼ਬੂਤ ਗਾਰਡਰੇਲਜ਼ ਕਿਉਂ ਜ਼ਰੂਰੀ ਹਨ।

ਪ੍ਰੋਂਪਟਿੰਗ ਨਾਲੋਂ ਕਾਂਟੈਕਸਟ ਇੰਜੀਨੀਅਰਿੰਗ ਜ਼ਿਆਦਾ ਮਹੱਤਵਪੂਰਨ

ਨਵੀਨਤਮ ਮਾਡਲ ਚੁਣਨਾ ਹਮੇਸ਼ਾ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਫੈਸਲਾ ਨਹੀਂ ਹੁੰਦਾ।Andre ਦਾ ਤਰਕ ਹੈ ਕਿ ਕਾਂਟੈਕਸਟ ਹੀ ਸਭ ਕੁਝ ਹੈ। ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਕਾਰੋਬਾਰੀ ਸਮੱਸਿਆ ਅਤੇ ਤਕਨੀਕੀ ਮਾਹੌਲ ਦੋਵਾਂ ਨੂੰ ਇੰਨਾ ਚੰਗੀ ਤਰ੍ਹਾਂ ਸਮਝਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ AI ਨੂੰ ਸਹੀ ਜਾਣਕਾਰੀ ਦਿੱਤੀ ਜਾ ਸਕੇ।ਬਹੁਤ ਘੱਟ ਕਾਂਟੈਕਸਟ ਕਮਜ਼ੋਰ ਨਤੀਜੇ ਦਿੰਦਾ ਹੈ। ਬਹੁਤ ਜ਼ਿਆਦਾ ਕਾਂਟੈਕਸਟ ਮਾਡਲ ਨੂੰ ਉਲਝਾ ਸਕਦਾ ਹੈ। ਚੁਣੌਤੀ ਉਹ ਜਾਣਕਾਰੀ ਲੱਭਣ ਦੀ ਹੈ ਜੋ ਅਸਲ ਵਿੱਚ ਮਾਇਨੇ ਰੱਖਦੀ ਹੈ।

RAG, ਡਾਟਾ ਅਤੇ ਕਾਂਟੈਕਸਟ ਵਿੰਡੋ

ਜਦੋਂ ਸੰਸਥਾਵਾਂ ਚਾਹੁੰਦੀਆਂ ਹਨ ਕਿ AI ਸਿਸਟਮ ਉਨ੍ਹਾਂ ਦੇ ਆਪਣੇ ਗਿਆਨ ਨਾਲ ਕੰਮ ਕਰੇ, ਤਾਂ Retrieval-Augmented Generation ਖਾਸ ਤੌਰ 'ਤੇ ਮਹੱਤਵਪੂਰਨ ਬਣ ਜਾਂਦਾ ਹੈ।ਪਰ RAG ਸਿਸਟਮ ਬਣਾਉਣਾ ਸਿਰਫ਼ ਦਸਤਾਵੇਜ਼ਾਂ ਨੂੰ ਵੈਕਟਰ ਡੇਟਾਬੇਸ ਵਿੱਚ ਪਾਉਣ ਬਾਰੇ ਨਹੀਂ ਹੈ।ਡਾਟਾ ਨੂੰ ਸਾਫ਼, ਸੰਗਠਿਤ, ਚੰਕ ਅਤੇ ਰੀਟ੍ਰੀਵ ਕਰਨ ਦੀ ਲੋੜ ਹੈ, ਅਤੇ ਫਿਰ ਬੁੱਧੀਮਾਨ ਢੰਗ ਨਾਲ ਮਾਡਲ ਦੀ ਕਾਂਟੈਕਸਟ ਵਿੱਚ ਪਾਉਣਾ ਹੈ।Andre ਆਪਣੇ ਐਜੂਕੇਸ਼ਨ ਪਲੇਟਫਾਰਮ ਦੀ ਉਦਾਹਰਣ ਸਾਂਝੀ ਕਰਦੇ ਹਨ, ਜਿੱਥੇ ਵੀਡੀਓ ਪਾਠਾਂ ਨੂੰ ਟ੍ਰਾਂਸਕ੍ਰਾਈਬ ਅਤੇ ਇੰਡੈਕਸ ਕੀਤਾ ਗਿਆ ਤਾਂ ਜੋ ਯੂਜ਼ਰ ਸੰਕਲਪ ਖੋਜ ਸਕਣ ਅਤੇ ਸਿੱਧਾ ਸੰਬੰਧਿਤ ਥਾਂ 'ਤੇ ਜਾ ਸਕਣ।

ਮੈਮੋਰੀ ਅਤੇ AI ਕਾਂਟੈਕਸਟ ਦਾ ਪ੍ਰਬੰਧਨ

ਲੰਮੀਆਂ AI ਗੱਲਬਾਤਾਂ ਇੱਕ ਹੋਰ ਚੁਣੌਤੀ ਲਿਆਉਂਦੀਆਂ ਹਨ: ਮੈਮੋਰੀ।ਜਿਵੇਂ-ਜਿਵੇਂ ਕਾਂਟੈਕਸਟ ਵਿੰਡੋ ਭਰਦੀ ਹੈ, ਗੱਲਬਾਤ ਨੂੰ ਸੰਖੇਪ ਜਾਂ ਸੰਕੁਚਿਤ ਕਰਨ ਦੀ ਲੋੜ ਪੈਂਦੀ ਹੈ।Andre ਦੱਸਦੇ ਹਨ ਕਿ ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਇਹ ਪ੍ਰਕਿਰਿਆ ਸਰਗਰਮੀ ਨਾਲ ਸੰਭਾਲਣੀ ਚਾਹੀਦੀ ਹੈ, ਇਹ ਮੰਨ ਕੇ ਨਹੀਂ ਕਿ AI ਸਿਸਟਮ ਹਮੇਸ਼ਾ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਸੰਭਾਲ ਲਵੇਗਾ।ਕਈ ਵਾਰ ਸਭ ਤੋਂ ਵਧੀਆ ਹੱਲ ਹੈਰਾਨੀਜਨਕ ਤੌਰ 'ਤੇ ਸਧਾਰਨ ਹੁੰਦਾ ਹੈ: ਕੰਮ ਪੂਰਾ ਕਰੋ, ਗੱਲਬਾਤ ਬੰਦ ਕਰੋ ਅਤੇ ਸਾਫ਼ ਕਾਂਟੈਕਸਟ ਨਾਲ ਦੁਬਾਰਾ ਸ਼ੁਰੂ ਕਰੋ। ਕੋਡਿੰਗ ਏਜੰਟਾਂ ਲਈ ਸਥਾਈ ਪ੍ਰੋਜੈਕਟ ਕਾਂਟੈਕਸਟ ਸਪੈਸੀਫਿਕੇਸ਼ਨਾਂ ਅਤੇ Markdown ਫਾਈਲਾਂ ਰਾਹੀਂ ਵੀ ਦਿੱਤਾ ਜਾ ਸਕਦਾ ਹੈ।

ਸੁਰੱਖਿਆ, ਇਜਾਜ਼ਤਾਂ ਅਤੇ ਘੱਟੋ-ਘੱਟ ਵਿਸ਼ੇਸ਼ ਅਧਿਕਾਰ

AI ਏਜੰਟ ਨੂੰ ਟੂਲਾਂ ਅਤੇ ਕੰਪਨੀ ਡਾਟਾ ਤੱਕ ਪਹੁੰਚ ਦੇਣ ਦੇ ਮਹੱਤਵਪੂਰਨ ਸੁਰੱਖਿਆ ਪ੍ਰਭਾਵ ਹੁੰਦੇ ਹਨ।Andre ਸਿਫ਼ਾਰਸ਼ ਕਰਦੇ ਹਨ ਕਿ ਏਜੰਟਾਂ ਨੂੰ ਮਨੁੱਖੀ ਪਛਾਣਾਂ ਵਰਗੇ ਸਿਧਾਂਤਾਂ ਅਨੁਸਾਰ ਸਮਝਿਆ ਜਾਵੇ: ਡਿਫਾਲਟ ਤੌਰ 'ਤੇ ਸਭ ਕੁਝ ਬੰਦ ਰੱਖੋ ਅਤੇ ਸਿਰਫ਼ ਉਹੀ ਖੋਲ੍ਹੋ ਜੋ ਏਜੰਟ ਨੂੰ ਅਸਲ ਵਿੱਚ ਲੋੜੀਂਦਾ ਹੈ।AI ਸਿਸਟਮ ਨੂੰ ਬੇਰੋਕ ਡੇਟਾਬੇਸ ਪਹੁੰਚ ਦੇਣ ਦੀ ਬਜਾਏ, ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਧਿਆਨ ਨਾਲ ਕੰਟਰੋਲ ਕੀਤੇ ਫੰਕਸ਼ਨ ਖੋਲ੍ਹਣੇ ਚਾਹੀਦੇ ਹਨ ਜੋ ਕਿਸੇ ਖਾਸ ਕੰਮ ਲਈ ਲੋੜੀਂਦੀ ਜਾਣਕਾਰੀ ਹੀ ਵਾਪਸ ਕਰਨ।ਜਦੋਂ ਏਜੰਟ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਡਾਟਾ ਪੜ੍ਹ ਜਾਂ ਬਦਲ ਸਕਦੇ ਹਨ, ਤਾਂ ਇਹ ਹੋਰ ਵੀ ਮਹੱਤਵਪੂਰਨ ਹੋ ਜਾਂਦਾ ਹੈ।

ਪ੍ਰੋਂਪਟ ਇੰਜੈਕਸ਼ਨ ਅਤੇ AI ਗਾਰਡਰੇਲਜ਼

ਪ੍ਰੋਂਪਟ ਇੰਜੈਕਸ਼ਨ AI-ਸੰਚਾਲਿਤ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਨਵੀਂ ਹਮਲਾ ਸਤ੍ਹਾ ਬਣਾਉਂਦਾ ਹੈ।ਯੂਜ਼ਰ ਜਾਣਬੁੱਝ ਕੇ ਪ੍ਰੋਂਪਟ ਨੂੰ ਹੇਰਾਫੇਰੀ ਕਰ ਸਕਦੇ ਹਨ, ਤੈਅ ਕੀਤੇ ਸੰਦਰਭ ਤੋਂ ਬਾਹਰ ਜਾਣਕਾਰੀ ਲੈਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਸਕਦੇ ਹਨ, ਕੰਪਨੀ ਦੇ ਸਰੋਤ ਵਰਤ ਸਕਦੇ ਹਨ, ਜਾਂ AI ਸਿਸਟਮ ਨੂੰ ਉਹ ਕਾਰਵਾਈਆਂ ਕਰਨ ਲਈ ਮਨਾ ਸਕਦੇ ਹਨ ਜੋ ਉਸਦੇ ਡਿਜ਼ਾਈਨਰਾਂ ਨੇ ਸੋਚੀਆਂ ਵੀ ਨਹੀਂ ਸਨ।ਚਰਚਾ ਵਿੱਚ ਸਿਸਟਮ ਹਦਾਇਤਾਂ, ਐਪਲੀਕੇਸ਼ਨ-ਪੱਧਰੀ ਪਾਬੰਦੀਆਂ, ਕੰਟਰੋਲ ਕੀਤੇ ਫੰਕਸ਼ਨ, ਪਛਾਣ, ਇਜਾਜ਼ਤਾਂ ਅਤੇ Azure AI Foundry ਵਰਗੇ ਪਲੇਟਫਾਰਮਾਂ ਦੀ ਮਹੱਤਤਾ ਬਾਰੇ ਗੱਲ ਕੀਤੀ ਗਈ ਹੈ ਜੋ ਵਾਧੂ ਸੁਰੱਖਿਆ ਸੀਮਾਵਾਂ ਸਥਾਪਿਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ।

AI FinOps — ਹਰ ਚੀਜ਼ ਲਈ ਜਨਰੇਟਿਵ AI ਨਾ ਵਰਤੋ

ਗੱਲਬਾਤ ਦਾ ਸਭ ਤੋਂ ਵਿਹਾਰਕ ਸਬਕ ਇਹ ਹੈ ਕਿ ਜੇ AI ਕੋਈ ਕੰਮ ਕਰ ਸਕਦਾ ਹੈ, ਇਸਦਾ ਮਤਲਬ ਇਹ ਨਹੀਂ ਕਿ ਉਸਨੂੰ ਉਹ ਕੰਮ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ।Andre ਜਨਰੇਟਿਵ ਅਤੇ ਡਿਟਰਮਿਨਿਸਟਿਕ ਵਰਕਲੋਡ ਵਿੱਚ ਫਰਕ ਕਰਦੇ ਹਨ।ਜੇ ਕੋਈ ਚੀਜ਼ ਹਰ ਵਾਰ ਇੱਕੋ ਤਰੀਕੇ ਨਾਲ ਹੋਣੀ ਜ਼ਰੂਰੀ ਹੈ, ਤਾਂ ਪਰੰਪਰਾਗਤ ਪ੍ਰੋਗਰਾਮਿੰਗ ਤੇਜ਼, ਸਸਤੀ ਅਤੇ ਵਧੇਰੇ ਭਰੋਸੇਮੰਦ ਹੋ ਸਕਦੀ ਹੈ।