مواد کی تخلیق کو خود کار طریقے سے کیسے بنایا جائے: ایک فالو اپ گائیڈ

جب لوگ "خودکار مواد کی تخلیق” کی اصطلاح سنتے ہیں تو وہ کچھ اس طرح کی تصویر بناتے ہیں: کلیدی لفظ درج کریں، بٹن پر کلک کریں، اور poof! ایک مضمون بنایا گیا ہے۔ وہاں سے، آپ 500 مضامین بناتے ہیں اور دن کے اختتام سے پہلے ان سب کو شائع کرتے ہیں۔

میں یہ نہیں کہنا چاہتا کہ یہ نظام موجود نہیں ہیں۔ جی ہاں درحقیقت، ہم نے بھی ایک بنایا۔ لیکن ہمارے مواد کا بہاؤ وہی رہا ہے۔

کیونکہ انٹرنیٹ پر زیادہ فضول اور کوڑا کرکٹ پھیلانا احرف کا مقصد نہیں ہے۔

ہاں، ہم مزید مواد بنانا چاہتے ہیں۔ لیکن ہم مزید بنانا چاہتے ہیں۔ سروس مواد مزید بہتر مواد یہ صرف زیادہ مواد نہیں ہے۔

مواد کی مارکیٹنگ کے دلچسپ حصوں کو تبدیل کرنے کے بجائے، آٹومیشن ہمیں بورنگ حصوں سے آزاد کر کے مدد کر سکتی ہے۔

کیونکہ مجھے ایسا مواد بنانا پسند ہے جو لوگوں کی مدد کرتا ہو اور ہمارے برانڈ کو فروغ دیتا ہو۔ لیکن آئیے حقیقت پسند بنیں۔ مواد کی مارکیٹنگ کے تمام حصے یکساں طور پر لطف اندوز نہیں ہوتے ہیں۔ کچھ حصے واقعی، واقعی، واقعی بورنگ ہیں۔ بدقسمتی سے، یہ بھی اہم ہیں.

گوگل کو نیا مواد پسند ہے۔ جب Query Deserves Freshness (QDF) الگورتھم کو پتہ چلتا ہے کہ کسی موضوع کو تازہ ترین معلومات کی ضرورت ہے، تو یہ حال ہی میں اپ ڈیٹ شدہ صفحات کو بڑھاتا ہے۔ AI معاونین کے لئے بھی یہی ہے۔ ہماری تحقیق سے پتہ چلتا ہے کہ روایتی تلاش کے نتائج کے مقابلے، AI معاونین حالیہ مواد کا حوالہ دینے کو ترجیح دیتے ہیں۔

ایک بار جب آپ کے پاس ایک مضمون ہو جائے تو، اپ ڈیٹ کرنا کافی آسان ہے۔ اگر آپ کے پاس ان میں سے درجنوں ہیں تو یہ اتنا آسان نہیں ہے۔ یا سینکڑوں۔

تو میں نے تخلیق کیا جسے میں کہتے ہیں: ڈیٹا ریفریش حب.

اس کا مطلب ہے کہ مشینیں اب زیادہ تر تکلیف دہ کام کرتی ہیں۔

اس گائیڈ میں، میں آپ کو دکھاؤں گا کہ میں نے اسے کیسے بنایا، اور اس سے بھی اہم بات، آپ کو دکھاؤں گا کہ اسی عمل کو ان پریشان کن مواد کے کاموں پر کیسے لاگو کرنا ہے جنہیں آپ اپنی کرنے کی فہرست سے ہٹانا چاہتے ہیں۔

جیسا کہ آپ اس گائیڈ کو پڑھتے ہیں، آپ کو اپنی خودکار مشین بنانے کے لیے کچھ چیزوں کی ضرورت ہوگی۔

اگر آپ کے پاس ابھی تک یہ سب کچھ تیار نہیں ہے، تو فکر نہ کریں۔ اس گائیڈ کا حصہ یہ معلوم کرنا ہے۔

لیکن آپ کو یہ فیصلہ کرنے کی ضرورت ہے کہ کون سا AI ایجنٹ یا آٹومیشن پلیٹ فارم استعمال کرنا ہے۔

میں نے لیٹیڈو کا انتخاب کیا کیونکہ اس میں ایک جگہ پر میری ضرورت کی ہر چیز موجود ہے۔

وہ آخری نکتہ میرے لیے اہم تھا کیونکہ میں ایسی آٹومیشن نہیں بنانا چاہتا تھا جس نے 90% کام کیا ہو اور صرف آخری 10% کو ایک ٹول سے کاپی کرنے اور ہر ماہ ورڈپریس میں چسپاں کرنے کے لیے استعمال کیا ہو۔ یہ مقصد کو کھو دیتا ہے۔

بلاشبہ، آپ اس کے بجائے اپنا پسندیدہ ایجنٹ استعمال کر سکتے ہیں۔ کلاڈ کوڈ، کوڈیکس، یا کوئی اور چیز جو آپ کو پسند ہو۔

آپ کو MCP، WordPress، ڈیٹا بیسز، یا دوسرے سسٹمز کو جوڑنے کے لیے اضافی کام کرنے کی ضرورت پڑ سکتی ہے جس پر آپ کا ورک فلو منحصر ہے۔

اس سوال کے ساتھ شروع نہ کریں: ہم AI کا استعمال کیسے کر سکتے ہیں؟

میرے خیال میں یہ وہ جگہ ہے جہاں بہت سی کمپنیاں غلط ہو جاتی ہیں۔ سوالات اتنے کھلے ہوئے ہیں کہ ہم لامحدود امکانات کی کائنات کو تلاش کرتے ہیں۔ صرف اس لیے کہ لامتناہی امکانات موجود ہیں ضروری نہیں کہ لوگ بڑے خواب دیکھیں۔

پھر وہ واپس چلے جاتے ہیں جو وہ پہلے کر رہے تھے۔ اس کے بجائے، اپنی سب سے بڑی موجودہ مایوسی کے ساتھ شروع کریں۔

وہ کون سی چیز ہے جو آپ کی خواہش ہے کہ آپ نے وہ نہ کی ہوتی جو آپ کو پہلے ہی کرنا ہے؟

اگر فوری طور پر کچھ ذہن میں نہیں آتا ہے، تو ان کاموں کی فہرست بنائیں جو ہفتہ وار، ماہانہ، سہ ماہی، یا جب بھی مواد تیار کیا جاتا ہے۔

پھر اس طرح کی کارروائی تلاش کریں:

میرے لیے، ایک واضح امیدوار ڈیٹا پر مبنی مضامین کو اپ ڈیٹ کر رہا تھا۔

یہ مضمون اس وقت سب سے زیادہ کارآمد تھا جب نمبرز اپ ٹو ڈیٹ تھے۔ مزید برآں، اپ ڈیٹس کا رجحان سب سے زیادہ سرچ ٹریفک پیدا کرتا ہے۔

لیکن جب بھی میں تازہ دم ہوا مجھے مندرجہ ذیل کام کرنا پڑے:

ایک مضمون ہوتا تو ٹھیک تھا۔ لیکن مجموعہ بڑھتا چلا گیا۔

بالآخر، ہر مہینے ہر چیز کو اپ ڈیٹ کرنا غیر پائیدار ہو گیا۔ لہذا ہم نے ایک سمجھوتہ کیا اور سہ ماہی اپ ڈیٹس کی طرف چلے گئے، حالانکہ ماہانہ اپ ڈیٹ ہمارے قارئین کے لیے بہتر ہوتا۔

ایجنٹ قابل اعتماد طریقے سے خود کار طریقے سے عمل نہیں کر سکتے ہیں جو کوئی بیان نہیں کر سکتا.

یہ واضح لگتا ہے۔ یہ سچ نہیں ہے۔ ہم میں سے اکثر آٹو پائلٹ پر دہرائے جانے والے کام انجام دیتے ہیں، لیکن آٹو پائلٹ خود کو سمجھانے میں خوفناک ہوتا ہے۔

لہذا اس سے پہلے کہ آپ کچھ بھی تخلیق کرتے ہیں، اس کو دوبارہ ترتیب دیں کہ آپ اصل میں چیزیں کیسے کرتے ہیں۔ میرا مطلب یہ نہیں ہے کہ آپ اس کے بارے میں کیا سوچتے ہیں، یا یہ ایس او پی میں کیسے لکھا گیا ہے جسے برسوں سے کسی نے نہیں کھولا۔ اس کا مطلب ہے کہ شارٹ کٹ کیز سمیت اصل کام کیسے کرنا ہے۔

ہر بامعنی عمل کو ریکارڈ کریں۔ اس میں چھوٹی چیزیں اور اصلاحات شامل ہیں جنہیں بھولنا آسان ہے۔

سرفہرست گوگل سرچز کو اپ ڈیٹ کرنے کے پورے عمل کو ریکارڈ کرنے کے بعد، خاکہ یہ ہے:

جیسا کہ آپ دیکھ سکتے ہیں، یہاں اور وہاں بہت سے چھوٹے فیصلے ہوتے ہیں جو شاید آپ کو یاد نہ ہوں کیونکہ وہ آپ کے پاس قدرتی طور پر آتے ہیں۔ انہیں لکھنا یہ ہے کہ آپ انہیں کیسے ڈھونڈتے ہیں۔

میرا پرو ٹپ ایجنٹ سے انٹرویو کے لیے پوچھنا ہے۔

آپ کو شاید معلوم ہوگا کہ آپ کے خیال سے کہیں زیادہ غیر تحریری اصول ہیں۔

اگر آپ کے پاس چیک لسٹ ہے تو اسے کاغذ پر نہ چھوڑیں۔ اسے مہارت کی فائل میں تبدیل کریں۔ یہ ذخیرہ شدہ ہدایات کا ایک مجموعہ ہے جس پر ایجنٹ جب بھی کسی کام کو انجام دیتا ہے اس کی پیروی کرتا ہے، لہذا آپ اس عمل کو ایک بار لکھ سکتے ہیں اور اسے دوبارہ بیان کرنے کی ضرورت نہیں ہے۔ ہم نے اپنی کلاڈ سکلز گائیڈ میں اس کو بنانے کا طریقہ بتایا ہے۔

میں کبھی بھی LLM کی میموری یا عام ویب تلاشوں پر انحصار نہیں کروں گا جو آپ کے ورک فلو کے لیے اہم ہے۔

ایل ایل ایم نمبر بنانے کے لیے جانے جاتے ہیں، اور ویب سرچز ان چیزوں کو حاصل کرتی ہیں جو انہیں ملتی ہیں۔ یہ 5 سال پہلے کی فہرست یا AI سلوپ بھی ہو سکتی ہے۔ یہ شاید ہی یقین کرنے کے قابل ہے۔

میں جاننا چاہوں گا کہ ایل ایل ایم کو کن ذرائع کو استعمال کرنا چاہیے۔ پھر ان ذرائع کو MCP، API، یا اپ لوڈ کردہ فائلوں کے ذریعے مربوط کریں۔

آپ جو کچھ بناتے ہیں اس پر منحصر ہے، اس میں شامل ہوسکتا ہے:

ریفریش مائی ڈیٹا ہب کے لیے، مختلف مضامین کو مختلف ذرائع کی ضرورت ہوتی ہے۔ یہ سب کہاں سے آیا ہے:

ہمارے تجربے میں، ایل ایل ایم کا کام ڈیٹا پر کارروائی کرنا ہے، ڈیٹا بننا نہیں۔

ہدایات مددگار ہیں۔ ایک مثال بہتر ہوگی۔

اگر آپ کے ورک فلو میں ججمنٹ کالز شامل ہیں، تو براہ کرم سسٹم کی مثال فراہم کریں جیسے:

آپ کا مقصد بار بار ادارتی فیصلوں کو واضح اصولوں میں تبدیل کرنا ہے۔

مثال کے طور پر، ٹاپ گوگل سوال سوالات کی ایک فہرست ہونی چاہیے۔ سب سے آسان اصول یہ ہے کہ "کون، کیا، کہاں، کب، کیوں، اور کیسے” سے شروع ہونے والی ہر چیز کو برقرار رکھیں۔

یہ سادہ لگتا ہے۔ یہ اس طرح ہے، سوائے اس کے کہ بہت سے سوالات سوالیہ الفاظ سے شروع ہوتے ہیں اور سوال ہی نہیں ہوتے۔

بعض اوقات ایک LLM ان مسائل کی فوری شناخت کرنے کے قابل نہیں ہوسکتا ہے۔ سب سے پہلے آپ "کیسے” دیکھتے ہیں، اس کے بعد ایسے جملے جو معقول معلوم ہوتے ہیں۔ انسان کو (مجھے) واضح طور پر بتانا چاہیے کہ اسے کیوں قبول نہیں کیا جانا چاہیے۔

خوش قسمتی سے، لیٹیڈو اسے دریافت کرنے کے قابل تھا۔

وجہ یہاں اہم ہے۔ بس "اپنے ڈریگن کو تربیت دینے کا طریقہ مسترد کریں” بولیں اور ماڈل ایک استثنا سیکھتا ہے۔ جب آپ کہتے ہیں، "کسی فلم، ٹی وی شو، کتاب، یا گانے کے ٹائٹل کو مسترد کریں، چاہے اس کا فقرہ سوال کے طور پر کیا گیا ہو،” وہ اصول سیکھتے ہیں۔ اب آپ چیزوں کو پکڑ سکتے ہیں جیسے مجھے کچھ کہے بغیر اپنے بوائے فرینڈ کو 10 دنوں میں کیسے پھینکنا ہے۔

سب سے زیادہ تلاش کرنے والوں میں مختلف مسائل تھے۔

یہ زیادہ مشکل تھا کیونکہ میرے پاس احرف میں وہ ڈیٹا نہیں تھا۔ "لوگوں” کی کوئی پہلے سے تیار کردہ فہرست نہیں ہے جسے آپ درآمد کر سکتے ہیں۔ لہذا، ہمیں اپنے پاس موجود ڈیٹا کا تجزیہ کرنے اور افراد سے تعلق رکھنے والے اداروں کو نکالنے کے لیے LLM کی ضرورت تھی۔

یہ میرے خیال سے کہیں زیادہ مشکل ہے۔ کیا "اردن” باسکٹ بال کا کھلاڑی ہے، قومی ترانہ ہے یا جوتے؟ کیا "ٹیلر سوئفٹ ٹکٹ” میں ٹیلر سوئفٹ شامل ہے؟

آخر میں، ہم نے فیصلہ کیا کہ ہمیں صرف نام کی تلاش کو شمار کرنا چاہیے۔

آخر میں، آپ جو بھی کرتے ہیں، اس بات کو یقینی بنائیں کہ نظام نہ صرف اس کی وجوہات کو برقرار رکھتا ہے جسے وہ قبول کرتا ہے بلکہ اسے بھی مسترد کرتا ہے۔

مسترد شدہ فہرست ابتدائی وارننگ سسٹم ہے۔ اگر اصل سوال وہاں پہنچ جاتا ہے، تو ہم اسے تلاش کر لیں گے اور سیکنڈوں میں اصول کو ٹھیک کر دیں گے۔ حتمی آؤٹ پٹ کو دیکھ کر آپ کبھی نہیں جان پائیں گے کہ کیا غائب ہے۔

اس وقت، یہ ہر چیز کو خودکار کرنے کے لیے پرکشش ہے۔ یہ مت کرو

ہمیشہ پہلے ایک چیز سے شروع کریں۔

مثال کے طور پر، ہم نے اس بات کو یقینی بنایا کہ آٹومیشن ہماری سرفہرست Google تلاشوں کے لیے بالکل کام کر رہی ہے اس سے پہلے کہ ہم اسے ہر چیز تک بڑھانے کے بارے میں سوچیں۔

یہ بڑا جانے کا لالچ ہے۔ ہم نے یہ تمام تیاریاں کر لی ہیں۔ ایجنٹ ہوشیار لگتا ہے۔ ایک ساتھ تمام 12 ڈیٹاسیٹس کی وضاحت کرنے کے بارے میں کیا خیال ہے؟

اس کی ایک بہت ہی عملی وجہ ہے۔ کیونکہ آپ کسی بھی چیز کو لاگو کرنے سے پہلے کسی بھی غلطی کو پکڑنا چاہتے ہیں۔ اور 12 آؤٹ پٹ کے مقابلے میں ایک آؤٹ پٹ میں غلطیوں کو تلاش کرنا بہت آسان ہے۔ اگر تمام 12 غلط ہیں، تو آپ یہ بھی نہیں جانتے کہ کہاں سے تلاش کرنا ہے۔

چھوٹا شروع کرنا آپ کو آہستہ آہستہ اس بات کی وضاحت کرنے کی اجازت دیتا ہے کہ نظام کیا ہے اور کن تبدیلیوں کی اجازت نہیں ہے۔

مثال کے طور پر، اصل میں میں صرف ٹیبل کو تبدیل کرنا چاہتا تھا۔

اور کچھ نہیں ہے۔ کیونکہ مجھے ڈر تھا کہ اگر میں نے اپنے ایجنٹ سے اپنے مضمون کو بہتر کرنے کے لیے کہا تو میں اسے گڑبڑ کر دوں گا۔ ایم ڈیش، AI-ism، وغیرہ۔

ایک بار جب میں اپنے کیے سے مطمئن ہو گیا (فوری طور پر نہیں، لیکن 2-3 ماہ کے عرصے میں)، میں نے خود کو بڑی تبدیلیاں کرنے کی اجازت دینا شروع کر دی۔

مثال کے طور پر، اس تعارف کی پہلی سطر اب ‘پروگرامیٹک’ ہے اس معنی میں کہ یہ جدول میں مقبول تلاشوں کی بنیاد پر تبدیل ہوتی ہے۔

ایک اور مثال: جب بھی ٹیبل کو اپ ڈیٹ کیا جاتا ہے (ہر پوسٹ میں مختلف پلیٹ فارمز پر) یہ تصویر تیار ہوتی ہے۔

میں نے مزید دلچسپ ڈیٹا رکھنے اور قارئین کے لیے مددگار بننے کے لیے جدولوں کو بہتر بنانے کے طریقوں پر تحقیق شروع کی۔

اپنے ورک فلو میں ہر بڑے قدم سے آؤٹ پٹ پیدا کرنا بھی اچھا خیال ہے۔

اس سیٹ اپ نے مجھے لاتعداد گھنٹے بچائے ہیں۔ اگر آپ غلطی کرتے ہیں، تو آپ کو دوبارہ شروع کرنے کی ضرورت نہیں ہے۔ ہر آؤٹ پٹ کو چیک کریں، مشکل مرحلہ تلاش کریں، اسے ٹھیک کریں، اور وہاں سے دوبارہ چلائیں۔

مثالی طور پر، آپ کو کوئی بھی ڈیٹا برقرار رکھنا چاہیے جو وقت کے ساتھ تبدیل یا اپ ڈیٹ ہوا ہو۔ میرا کرتا ہے۔ اس کا مطلب ہے کہ ہم ہر ماہ ایک تاریخی ڈیٹا سیٹ بنا رہے ہیں۔ مستقبل میں، آپ اسے چارٹس اور اسپارک لائنز بنانے کے لیے استعمال کر سکتے ہیں جو یہ بتاتے ہیں کہ وقت کے ساتھ تلاش کی اصطلاحات کیسے بدلتی ہیں۔ یہ وہ مواد ہے جسے کوئی نہیں بنا سکتا کیونکہ کسی کے پاس ڈیٹا نہیں ہے۔

اپنے لیے ایک حتمی اصول: میں AI کو خود بخود پوسٹ کرنے کی اجازت نہیں دیتا۔

اس سے کوئی فرق نہیں پڑتا ہے کہ آپ کا آٹومیشن کتنا ہی اچھا ہے، آپ کو اب بھی کسی ایسے شخص کی ضرورت ہے جو کچھ غلط ہونے کی صورت میں صورتحال کی نگرانی کرے۔ اور یہ ہمیشہ آخر میں ہوتا ہے۔

بلکہ، حقیقی وقت میں جو کچھ ہو رہا ہے اس کے لیے کسی کو جوابدہ ہونا چاہیے۔

یہ کسی عالمی معیار کے ریستوراں کا ہیڈ شیف ہونے جیسا ہے۔

ہیڈ شیف اب ہر ڈش خود نہیں بنا سکتا۔ ان کے پاس سوس شیف، لائن کک، پیسٹری شیف اور کام کرنے کے لیے ایک پوری ٹیم ہے۔

لیکن کچن سے نکلنے والی ہر چیز ان کے نام پر چلی جاتی ہے۔ جب کسی گاہک کو خراب ڈش ملتی ہے تو ہیڈ شیف کی ساکھ کو نقصان پہنچتا ہے۔ اس لیے وہ ہر ڈش کو باہر آنے سے پہلے چیک کرتے ہیں۔

آٹومیشن باورچی خانہ ہے۔ اب آپ ہیڈ شیف ہیں۔ آپ کی منظوری کے بغیر کچھ نہیں چھوڑنا چاہئے۔

اگر آپ کے ٹیسٹ کا ایک حصہ کام کرتا ہے، تو اصل میں پوری چیز کو شروع سے ختم کرنے تک بالکل اسی طرح چلائیں جیسے یہ خود چلائے گا۔

پھر آؤٹ پٹ کا موازنہ انسانی تخلیق کردہ ورژن سے کریں۔ یہ ہے جو میں چیک کروں گا:

اس سوال کو ذہن میں رکھیں: اگر میں اسے خود بناتا تو کیا میں اسے شائع کرتا؟

ایک بار جب سب کچھ ٹھیک ہو جائے تو ایک شیڈول مرتب کریں (جیسے ماہانہ)۔

یہاں سوچنے کے لیے کچھ چیزیں ہیں:

ایک بار جب آپ اپنے ورک فلو سے خوش ہو جاتے ہیں، تو یہ توسیع کرنے کا وقت ہے۔

میں نے یہی کیا۔ ایک بار جب میں سب سے اوپر گوگل سرچز میں آنے والی ہر چیز سے خوش تھا، میں نے اسے دوسری تمام پوسٹس پر لاگو کیا جنہیں میں اپ ڈیٹ کرنا چاہتا تھا، ایک ایک کرکے۔

ہاں اس میں کچھ وقت لگے گا۔ ہر نئے مضمون کی اپنی منفرد خصوصیات ہوتی ہیں۔ سب سے زیادہ تلاش کیے گئے لوگوں کو سب سے مہنگے کلیدی الفاظ سے بالکل مختلف اصول درکار ہوتے ہیں۔ لیکن یاد رکھیں: ہر چیز کو ایک ساتھ ٹھیک کرنے سے ایک چیز کو ٹھیک کرنا آسان ہے۔ اور چونکہ زیادہ تر پائپ لائن پہلے ہی بنی ہوئی ہے، اس لیے آپ جو بھی مضمون شامل کرتے ہیں وہ آسان ہو جاتا ہے۔

لیکن میرے معاملے میں، یہ صرف میرے ورک فلو کو بڑھانے کے بارے میں نہیں تھا۔ میں نے اس عمل کو ٹیم کے ساتھ شیئر کیا، اور اس نے انہیں بھی کچھ بنانے کی ترغیب دی۔

لہذا "اسکیلنگ” کا مطلب صرف اپنے عمل کو اسکیل کرنا نہیں ہے۔ اس کا مطلب پورے محکمہ یا کمپنی میں پھیلنا ہو سکتا ہے۔

AI کو اپنانے کا صحیح طریقہ اس طرح ہوتا ہے۔ یہ کمپنی کا میمو نہیں ہے جس میں کہا گیا ہے کہ "مزید AI استعمال کریں۔” یہ صرف بے چینی اور بہت سارے ChatGPT ٹیبز پیدا کرتا ہے۔ ایسا اس وقت ہوتا ہے جب کوئی ایسی چیز بناتا ہے جو کام کرتا ہے، اسے اپنے ساتھیوں کو دکھاتا ہے، اور کہتا ہے، "رکو، کیا میں اپنے کام کے لیے یہ کر سکتا ہوں؟”

تو آپ کو بس آٹومیشن کو ترتیب دینا ہے اور بس؟ کیا آپ آخر کار بالی میں کاک ٹیل لے سکتے ہیں جب کہ AI تمام کام کرتا ہے؟

بدقسمتی سے، ایسا نہیں ہے۔ آخری بار میں نے چیک کیا، میں اب بھی لندن میں ہوں۔

انسانی جائزہ ابھی بھی درکار ہے۔ اور چونکہ AI میں تبدیلی اور بہتری جاری ہے، آٹومیشن ممکن ہو جاتا ہے۔ کرے گا ٹوٹ جانا

اگر ایک مقبول، اچھی طرح سے برقرار رکھنے والا پلگ ان راتوں رات کام نہیں کر سکتا، تو آپ کی تخلیق کردہ آٹومیشن یقینی طور پر کر سکتی ہے۔

یہ میری ذاتی مثال ہے: میں نے اسی ورک اسپیس میں آٹومیشن بنایا ہے جس میں مواد ٹیم ہے۔ ریان نے اپنے ورک فلو کے لیے ایک نیا راز یا پل شامل کیا، لیکن انجانے میں آٹومیشن کو توڑ دیا۔

یہاں کیا غلط ہونے کا سب سے زیادہ امکان ہے:

لہذا آپ کو آٹومیشن کو جاری رکھنے اور اس بات کو یقینی بنانے کی ضرورت ہے کہ ہر چیز اچھی طرح سے کام کرتی رہے۔

آئیے دوبارہ اسی ریستوراں کی تشبیہ پر چلتے ہیں۔ یہاں تک کہ جب ایک شیف صفوں میں سے بڑھتا ہے، تو وہ سوس شیفس اور جونیئر شیفوں کو چیک کرنا بند نہیں کرتے۔ ترکیبیں نظر ثانی کی جاتی ہیں، سپلائرز تبدیل ہوتے ہیں، اور نئے ملازمین شامل ہوتے ہیں۔ اس لیے ہم چکھتے رہتے ہیں، جانچتے رہتے ہیں اور مسلسل نظر ثانی کرتے رہتے ہیں تاکہ مینو پر موجود ہر ڈش بہترین ہو۔

آٹومیشن کے ساتھ بھی۔

خودکار مواد کی تخلیق تک پہنچنے کا سب سے کم مفید طریقہ یہ ہے کہ یہ پوچھیں کہ AI زیادہ سے زیادہ مواد کیسے بنا سکتا ہے۔

ہمارے پاس پہلے ہی کافی مواد موجود ہے۔

جب واقعی مفید مواد تخلیق کرنے کی بات آتی ہے تو ہمیں مزید کام کرنے سے کیا روک رہا ہے؟

AI کو بورنگ حصہ کرنے دیں تاکہ آپ اپنا وقت اس چیز پر صرف کر سکیں جس کی آپ کو واقعی ضرورت ہے: آپ کے خیالات، آراء، تجربات اور ذوق۔ یہ وہ چیزیں ہیں جن کو کوئی ماڈل جھوٹا نہیں کہہ سکتا۔

یہ مواد پر AI کے ساتھ تعاون کا مستقبل ہونا چاہئے۔