LLM चैटबॉट: प्रॉम्प्ट इंजीनियरिंग, रैग, या… | Yedapo

What are the key takeaways from “[हिन्दी] RAG vs Fine Tuning vs Prompt Engineering” on codebasics Hindi?

Insights from the codebasics Hindi episode “[हिन्दी] RAG vs Fine Tuning vs Prompt Engineering”, published October 20, 2025.

Frequently asked questions about “[हिन्दी] RAG vs Fine Tuning vs Prompt Engineering”

What is "[हिन्दी] RAG vs Fine Tuning vs Prompt Engineering" about?

In "[हिन्दी] RAG vs Fine Tuning vs Prompt Engineering" (codebasics Hindi, October 2025), एलएलएम-आधारित चैटबॉट्स के लिए सही तकनीक चुनना महत्वपूर्ण है। प्रॉम्प्ट इंजीनियरिंग आउटपुट के टोन और शैली को नियंत्रित करती है, जबकि रैग बाहरी ज्ञान से सटीक जवाब देता है। फाइन-ट्यूनिंग डोमेन विशेषज्ञता और ब्रांड-विशिष्ट कल्चर को…

What does "प्रॉम्प्ट इंजीनियरिंग" mean in "[हिन्दी] RAG vs Fine Tuning vs Prompt Engineering"?

In "[हिन्दी] RAG vs Fine Tuning vs Prompt Engineering", प्रॉम्प्ट इंजीनियरिंग एलएलएम को एक अच्छे प्रॉम्प्ट के माध्यम से निर्देशित करने की एक विधि है ताकि यह वांछित फॉर्मेट, टोन या शैली में प्रतिक्रिया उत्पन्न कर सके। यह चैटबॉट को पोलाइट या प्रोफेशनल बनाने के लिए महत्वपूर्ण है। यह सिर्फ आउटपुट की प्रस्तुति को बदलता…

What does "रिट्रीवल ऑगमेंटेड जनरेशन (RAG)" mean in "[हिन्दी] RAG vs Fine Tuning vs Prompt Engineering"?

In "[हिन्दी] RAG vs Fine Tuning vs Prompt Engineering", RAG एक ऐसी तकनीक है जो एलएलएम को अपने अंतर्निहित ज्ञान से परे जाने और बाहरी ज्ञान स्रोतों से वास्तविक समय की जानकारी प्राप्त करने में सक्षम बनाती है। यह सटीक और संदर्भ-विशिष्ट उत्तर प्रदान करने के लिए महत्वपूर्ण है, खासकर जब व्यक्तिगत डेटा या कंपनी-विशिष्ट…

What does "फाइन-ट्यूनिंग" mean in "[हिन्दी] RAG vs Fine Tuning vs Prompt Engineering"?

In "[हिन्दी] RAG vs Fine Tuning vs Prompt Engineering", फाइन-ट्यूनिंग में एलएलएम के न्यूरल नेटवर्क को विशिष्ट डेटासेट पर रिट्रेन करके मॉडल को डोमेन-विशिष्ट ज्ञान, ब्रांड कल्चर और संचार की सूक्ष्म शैली से युक्त करना शामिल है। यह सबसे गहरा अनुकूलन प्रदान करता है और उच्चतम सटीकता और ब्रांड-अनुरूपता प्राप्त करता है। यह…

What is this episode about?

एलएलएम-आधारित चैटबॉट्स के लिए सही तकनीक चुनना महत्वपूर्ण है। प्रॉम्प्ट इंजीनियरिंग आउटपुट के टोन और शैली को नियंत्रित करती है, जबकि रैग बाहरी ज्ञान से सटीक जवाब देता है। फाइन-ट्यूनिंग डोमेन विशेषज्ञता और ब्रांड-विशिष्ट कल्चर को एकीकृत करने के लिए सबसे प्रभावी लेकिन महंगी विधि है, और अक्सर तीनों का संयोजन सर्वोत्तम परिणाम देता है।

What are the key takeaways?

प्रॉम्प्ट इंजीनियरिंग एलएलएम आउटपुट के टोन और फॉर्मेट को नियंत्रित करने के लिए एक सरल लेकिन प्रभावी तकनीक है, जिससे प्रतिक्रियाएं अधिक पेशेवर और पोलाइट बनती हैं। — यह बिना किसी जटिल मॉडल रीट्रेनिंग के चैटबॉट्स की उपयोगकर्ता अनुभव को तुरंत बेहतर बना सकती है, जिससे प्रारंभिक चरण में महत्वपूर्ण लाभ मिलता है।
रिट्रीवल ऑगमेंटेड जनरेशन (RAG) एलएलएम को बाहरी ज्ञान स्रोतों, जैसे कि डेटाबेस या दस्तावेज़ों से सटीक जानकारी पुनर्प्राप्त करने में सक्षम बनाता है, जिससे सामान्य प्रतिक्रियाओं के बजाय विशिष्ट उत्तर मिलते हैं। — यह LLM को विशिष्ट और सटीक जानकारी के साथ प्रतिक्रिया देने की अनुमति देकर मॉडल के अज्ञान को कम करता है, जो वित्तीय या व्यक्तिगत डेटा वाले अनुप्रयोगों के लिए महत्वपूर्ण है।

What concepts are explained?

प्रॉम्प्ट इंजीनियरिंग: प्रॉम्प्ट इंजीनियरिंग एलएलएम को एक अच्छे प्रॉम्प्ट के माध्यम से निर्देशित करने की एक विधि है ताकि यह वांछित फॉर्मेट, टोन या शैली में प्रतिक्रिया उत्पन्न कर सके। यह चैटबॉट को पोलाइट या प्रोफेशनल बनाने के लिए महत्वपूर्ण है। यह सिर्फ आउटपुट की प्रस्तुति को बदलता है, मॉडल के ज्ञान या समझ को नहीं।
रिट्रीवल ऑगमेंटेड जनरेशन (RAG): RAG एक ऐसी तकनीक है जो एलएलएम को अपने अंतर्निहित ज्ञान से परे जाने और बाहरी ज्ञान स्रोतों से वास्तविक समय की जानकारी प्राप्त करने में सक्षम बनाती है। यह सटीक और संदर्भ-विशिष्ट उत्तर प्रदान करने के लिए महत्वपूर्ण है, खासकर जब व्यक्तिगत डेटा या कंपनी-विशिष्ट नीतियों से संबंधित हो। यह मॉडल के अज्ञान को कम करता है और 'मतिभ्रम' (hallucinations) को कम करता है।
फाइन-ट्यूनिंग: फाइन-ट्यूनिंग में एलएलएम के न्यूरल नेटवर्क को विशिष्ट डेटासेट पर रिट्रेन करके मॉडल को डोमेन-विशिष्ट ज्ञान, ब्रांड कल्चर और संचार की सूक्ष्म शैली से युक्त करना शामिल है। यह सबसे गहरा अनुकूलन प्रदान करता है और उच्चतम सटीकता और ब्रांड-अनुरूपता प्राप्त करता है। यह एक नया मॉडल तैयार करता है जो विशिष्ट डोमेन आवश्यकताओं के अनुरूप होता है, लेकिन यह महंगा और कम्प्यूटेशनल रूप से गहन होता है।
पैरामीटर-कुशल फाइन-ट्यूनिंग (PEFT): LoRA और QLoRA जैसी PEFT विधियाँ फाइन-ट्यूनिंग को अधिक सुलभ बनाती हैं। ये पूरे न्यूरल नेटवर्क को रिट्रेन करने के बजाय मॉडल में नई, छोटी परतें जोड़कर और केवल उन अतिरिक्त परतों को प्रशिक्षित करके काम करती हैं। यह कम्प्यूटेशनल आवश्यकताओं को काफी कम करता है, जिससे यह सीमित संसाधनों वाले संगठनों के लिए एक व्यवहार्य विकल्प बन जाता है, जबकि अभी भी विशिष्ट डोमेन के लिए अच्छे अनुकूलन परिणाम प्राप्त होते हैं।
बेस एलएलएम मॉडल बनाम इंस्ट्रक्ट मॉडल: एक बेस एलएलएम मॉडल, जैसे कि लामा 3.2 फाउंडेशन मॉडल, मुख्य रूप से ऑटो-कम्प्लीट की तरह काम करता है, सबसे संभावित अगले शब्दों को उत्पन्न करता है। इसके विपरीत, एक इंस्ट्रक्ट मॉडल, जिसे प्रश्न-उत्तर जोड़े पर फाइन-ट्यून किया जाता है, उपयोगकर्ता के प्रश्नों का अधिक संरचित और प्रासंगिक तरीके से जवाब देने के लिए डिज़ाइन किया गया है, जैसा कि चैटजीपीटी में देखा गया है। फाइन-ट्यूनिंग अक्सर एक बेस मॉडल को इंस्ट्रक्ट मॉडल में बदल देती है।