2025 में LLM और एआई: प्रयोग, निराशाएँ और कुछ बड़े आश्चर्य

2025 हमारे लिए LLM और व्यावहारिक एआई के साथ काम करके प्रयोग करने का वर्ष रहा है। इस क्षेत्र को दूर से देखने के बजाय हमने साल भर चीज़ें बनाईं, उन्हें परखा, बिगाड़ा और ऐसे विचार आज़माए जो कभी सफल हुए और कभी नहीं।

कुल मिलाकर अनुभव मिला-जुला है। तकनीक के कुछ हिस्से प्रभावशाली हैं और बहुत तेज़ी से आगे बढ़ रहे हैं। दूसरे हिस्से अभी शुरुआती और कम भरोसेमंद लगते हैं। यहाँ हमने जो सीखा और उससे हमारी आगे की योजनाएँ कैसे बन रही हैं, उसका विवरण है।

अर्थ आधारित और पूरे टेक्स्ट की खोज को मिलाना

इस वर्ष हमारे काम का एक बड़ा हिस्सा LLM पर आधारित खोज प्रणालियों पर केंद्रित रहा। हमने मिश्रित खोज पर बहुत प्रयोग किए: अर्थ आधारित खोज (एम्बेडिंग और वेक्टर डेटाबेस) को पारंपरिक पूरे टेक्स्ट की खोज के साथ मिलाया।

व्यवहार में यह मेल शक्तिशाली है। अर्थ आधारित खोज अवधारणा के स्तर पर प्रासंगिक जानकारी खोजने में मदद करती है, जबकि पूरे टेक्स्ट की खोज परिणामों को सटीक और समझाने योग्य रखती है। दोनों को अच्छी तरह समायोजित करने पर परिणाम किसी एक को अकेले इस्तेमाल करने से स्पष्ट रूप से बेहतर होते हैं।

समस्या जटिलता की है। वेक्टर इंडेक्स को अद्यतन रखना, परिणामों का क्रम तय करना और बुनियादी ढाँचा सँभालना इंजीनियरिंग की मेहनत माँगता है। अभी इसे केवल जोड़कर तुरंत चलाया नहीं जा सकता।

फिलहाल हमारी ईमानदार सलाह है: अगर आपके पास जोखिम भरे प्रयोगों और काफी कोशिश करके सीखने के लिए संसाधन नहीं हैं, तो इंतज़ार करना बेहतर हो सकता है। इस क्षेत्र के साधन तेज़ी से सुधर रहे हैं, लेकिन आज वे उन टीमों के लिए अधिक उपयोगी हैं जो खोजबीन और बार-बार सुधार पर समय खर्च कर सकती हैं।

RAG और बड़े कॉन्टेक्स्ट की तुलना: स्थिति पर निर्भर है

हमने RAG पाइपलाइन की तुलना ऐसे तरीकों से करने में भी समय बिताया जो बड़े कॉन्टेक्स्ट विंडो पर अधिक निर्भर होते हैं।

हमें उम्मीद थी कि कोई स्पष्ट विजेता मिलेगा। ऐसा नहीं हुआ।

जब ज्ञान का संग्रह बहुत बड़ा हो या लगातार बदलता हो, तब RAG बहुत उपयोगी है। बड़े कॉन्टेक्स्ट वाले तरीके प्रणाली की बनावट सरल करते हैं, लेकिन बड़े पैमाने पर महँगे और अप्रत्याशित हो सकते हैं। वास्तविक प्रणालियों में हमने अक्सर दोनों को मिलाकर इस्तेमाल किया।

मुख्य सीख यह है कि अभी कोई सार्वभौमिक तरीका नहीं है। प्रणाली की बनावट के निर्णय अब भी खास ऐप पर निर्भर करते हैं, और सफल तरीके अक्सर स्थापित श्रेष्ठ अभ्यासों के बजाय प्रयोगों से निकलते हैं।

तालिकाबद्ध एमएल के लिए वेक्टर डेटाबेस इस्तेमाल करना (एक अजीब मोड़)

एक समय हमने कुछ अनोखा आज़माने का फैसला किया: पारंपरिक तालिकाबद्ध मशीन लर्निंग के लिए वेक्टर डेटाबेस इस्तेमाल करना।

व्यावहारिक दृष्टि से यह बहुत सफल नहीं रहा। सामान्य पूर्वानुमान कार्यों के लिए पारंपरिक एमएल पाइपलाइन अब भी अधिक कुशल और सीधी हैं।

लेकिन यह रास्ता आश्चर्यजनक रूप से उपयोगी रहा। इसने हमें क्लस्टरिंग, समानता मापने के तरीकों और फ़ीचर इंजीनियरिंग को गहराई से समझने के लिए प्रेरित किया। इस खोज ने शोध की नई दिशाएँ खोलीं और उन शोधपत्रों में योगदान दिया जिन्हें हम अभी तैयार कर रहे हैं।

इसलिए मूल विचार उत्पाद बनाने के तरीके के रूप में सफल नहीं हुआ, लेकिन शोध के रूप में उपयोगी रहा।

एआई से कोड लिखने में बड़ी छलाँग

इस वर्ष सबसे प्रभावशाली बदलाव एआई से कोड लिखने में आया है।

2025 की शुरुआत में एजेंट आधारित कोडिंग प्रणालियाँ अपेक्षाकृत सरल कामों में भी कठिनाई महसूस करती थीं। ठीक-ठाक लैंडिंग पेज बनाने के लिए अक्सर हाथ से बहुत सुधार करना पड़ता था। वर्ष के अंत तक वही प्रणालियाँ कई घटकों वाले जटिल प्रोजेक्ट इस तरह बना और व्यवस्थित कर सकती हैं कि वे वास्तव में इस्तेमाल करने योग्य लगते हैं।

इससे बदल जाता है कि छोटी टीमें वास्तव में क्या बना सकती हैं। एआई कोडिंग अब केवल सुविधाजनक ऑटो-कम्प्लीट नहीं है। वह विकास में एक वास्तविक सहयोगी जैसी लगने लगी है।

यहाँ सुधार की गति ने हमें सचमुच आश्चर्यचकित किया है।

2026 में हमारा ध्यान किस पर होगा

यह सब सीधे 2026 की हमारी योजनाओं तक पहुँचता है।

हम अपनी सीख का उपयोग करके खास iOS ऐप के माध्यम से छोटे व्यवसायों की मदद करने के लिए एआई कोडिंग पर अधिक ध्यान देना चाहते हैं। व्यापक प्लेटफ़ॉर्म बनाने के बजाय हमारी रुचि ऐसे केंद्रित साधनों में है जो ठोस समस्याएँ हल करें।

आगे के लेखों में हम बताएँगे कि हम iOS पर ध्यान क्यों दे रहे हैं और उत्पाद की रणनीति के बारे में कैसे सोचते हैं।

अंतिम विचार

अगर हमें 2025 को एक वाक्य में बताना हो: तकनीक शक्तिशाली है, लेकिन अभी उसका प्रदर्शन असमान है।

मिश्रित खोज काम करती है, लेकिन जटिल है। RAG और कॉन्टेक्स्ट का चुनाव स्थिति पर निर्भर करता है। कुछ प्रयोगात्मक विचार उपयोगी तरीकों से असफल होते हैं। और एआई कोडिंग ने ऐसी छलाँग लगाई है जो छोटी टीमों के लिए नई संभावनाएँ खोलती है।

तकनीक की परिपक्वता को लेकर हम वर्ष के अंत में मिले-जुले विचार रखते हैं, लेकिन उसकी दिशा को लेकर बहुत आशावादी हैं। चीज़ें तेज़ी से बदल रही हैं और शोध तथा व्यावहारिक उपयोग के बीच की दूरी घट रही है।

प्रयोग करने और अनिश्चितता स्वीकार करने वाली टीमों के लिए यह चीज़ें बनाने का बहुत दिलचस्प समय है।