डेटा निष्कर्षण और सारांश-निर्माण
LLM का उपयोग करके असंरचित टेक्स्ट से विशिष्ट जानकारी निकालने और बड़े दस्तावेज़ों के संक्षिप्त सारांश बनाने की तकनीकों में दक्षता प्राप्त करें।
डेटा निष्कर्षण और सारांश-निर्माण, CoddyKit पर डेवलपरों के लिए प्रॉम्प्ट इंजीनियरिंग और LLM अनुकूलन का एक निःशुल्क पाठ है। यह 4 में से 3वाँ पाठ है। आप नीचे पूरा पाठ निःशुल्क पढ़ सकते हैं—फिर अंतर्निहित कोड संपादक और 24/7 एआई ट्यूटर के साथ ब्राउज़र में इसका व्यावहारिक अभ्यास कर सकते हैं। यह डेवलपरों के लिए प्रॉम्प्ट इंजीनियरिंग और LLM अनुकूलन सीखने के मार्ग का हिस्सा है और आपकी प्रगति वेब तथा CoddyKit ऐप पर सिंक होती रहती है। डेवलपरों के लिए प्रॉम्प्ट इंजीनियरिंग और LLM अनुकूलन पाठ्यक्रम में कुल 4 पाठ शामिल हैं।
डेटा प्रबंधन के लिए LLM
बड़े भाषा मॉडल (LLM) पाठ संसाधित करने के लिए अत्यंत शक्तिशाली होते हैं। वे असंरचित जानकारी को ऐसे प्रारूपों में बदल सकते हैं जिन्हें कंप्यूटर आसानी से समझ और उपयोग कर सकें।
इस पाठ में दो प्रमुख अनुप्रयोगों पर चर्चा की गई है: डेटा निष्कर्षण (विशिष्ट जानकारी निकालना) और सारांश-निर्माण (लंबे पाठ को संक्षिप्त करना)।
डेटा निष्कर्षण क्या है
डेटा निष्कर्षण बड़े पाठ से जानकारी के विशिष्ट अंशों को पहचानने और निकालने की प्रक्रिया है। इसे भूसे के ढेर में सुई खोजने जैसा समझें, लेकिन LLM यह काम अपने-आप करने में आपकी सहायता करता है।
- उदाहरण: ग्राहक समीक्षाओं से नाम, तिथियाँ, पते, Product ID या भावनाएँ निकालना।
- यह मुक्त-रूप पाठ को ऐसे संरचित डेटा में बदल देता है जिसका आप विश्लेषण कर सकते हैं।
निष्कर्षण के लिए प्रॉम्प्ट देना
डेटा प्रभावी ढंग से निकालने के लिए आपका प्रॉम्प्ट स्पष्ट और सटीक होना चाहिए:
- फ़ील्ड निर्दिष्ट करें: आवश्यक जानकारी की स्पष्ट सूची दें।
- प्रारूप निर्धारित करें: LLM को बताएँ कि डेटा किस रूप में देना है (जैसे, सूची, कुंजी-मान युग्म या JSON)।
- अनुपलब्ध जानकारी सँभालें: यदि कोई जानकारी न मिले, तो क्या करना है, यह निर्देश दें (जैसे, 'N/A' लौटाएँ)।
कोड प्रदर्शन: बुनियादी निष्कर्षण
आइए ऑर्डर नोट से ग्राहक का नाम और खरीदी गई वस्तु निकालने का एक सरल Python उदाहरण देखें। LLM API कॉल को दर्शाने के लिए हम एक मॉक फ़ंक्शन का उपयोग करेंगे।
def mock_llm_api_call(prompt):
# Simulate LLM response for extraction
if "customer name" in prompt and "item purchased" in prompt:
return "Customer: Alice Smith, Item: Laptop"
return "Error: Could not extract."
order_note = "Order for Alice Smith, she bought a new Laptop last week."
prompt = f"""Extract the customer name and item purchased from the following text.
Text: {order_note}
Format: Customer: [name], Item: [item]"""
extracted_data = mock_llm_api_call(prompt)
print(extracted_data)संरचित आउटपुट (JSON)
अधिक जटिल निष्कर्षण के लिए, विशेष रूप से कई फ़ील्ड या नेस्टेड डेटा के साथ काम करते समय, JSON जैसे संरचित प्रारूप में आउटपुट माँगना आदर्श होता है।
JSON (JavaScript Object Notation) मनुष्यों द्वारा पढ़े जा सकने वाला प्रारूप है, जिसे मशीनें आसानी से पार्स कर सकती हैं। इससे अन्य एप्लिकेशन के साथ एकीकरण सरल हो जाता है।
कोड प्रदर्शन: JSON निष्कर्षण
यह उदाहरण दिखाता है कि LLM से निकाली गई जानकारी को JSON ऑब्जेक्ट के रूप में लौटाने के लिए कैसे कहा जाए। ध्यान दें कि आउटपुट प्रारूप के बारे में निर्देश कितना विशिष्ट है।
import json
def mock_llm_api_call(prompt):
# Simulate LLM response for JSON extraction
if "customer_name" in prompt and "product" in prompt:
return '{"customer_name": "Bob Johnson", "product": "Smartphone", "quantity": 1}'
return '{}'
review_text = "Bob Johnson ordered a new Smartphone, he loves it!"
prompt = f"""Extract the customer name, product, and quantity from the following text.
Return the output as a JSON object with keys: customer_name, product, quantity.
If quantity is not specified, default to 1.
Text: {review_text}"""
json_string = mock_llm_api_call(prompt)
parsed_data = json.loads(json_string)
print(f"Customer: {parsed_data['customer_name']}")
print(f"Product: {parsed_data['product']}")सारांश-निर्माण क्या है
सारांश-निर्माण लंबे पाठ को उसके मूल अर्थ और महत्वपूर्ण जानकारी को बनाए रखते हुए छोटे रूप में संक्षिप्त करने की प्रक्रिया है।
LLM दो मुख्य प्रकार के सारांश बना सकते हैं:
- निष्कर्षणात्मक: मूल पाठ से मुख्य वाक्यों को सीधे चुनना।
- अमूर्तात्मक: मूल पाठ का सार प्रस्तुत करने वाले नए वाक्य बनाना।
सारांश-निर्माण के लिए प्रॉम्प्ट देना
प्रभावी सारांश-निर्माण प्रॉम्प्ट LLM को इन बातों के बारे में निर्देश देते हैं:
- वांछित लंबाई: "3 वाक्यों में सारांश दें", "एक अनुच्छेद का सारांश दें।"
- केंद्रबिंदु: "मुख्य तर्कों पर ध्यान दें", "मुख्य निष्कर्षों को उभारें।"
- पाठक-वर्ग/शैली: "तकनीकी पाठक-वर्ग के लिए सारांश दें", "सरल, मित्रवत शैली का उपयोग करें।"
कोड प्रदर्शन: दस्तावेज़ का सारांश
यहाँ बताया गया है कि संक्षिप्त अवलोकन पाने के लिए किसी लंबे लेख का सारांश कैसे बनाया जा सकता है। हम मुख्य बातों पर केंद्रित सारांश माँगेंगे।
def mock_llm_api_call(prompt):
# Simulate LLM response for summarization
if "summarize" in prompt and "key takeaways" in prompt:
return "The report highlights the importance of renewable energy and sustainable practices for future economic growth, emphasizing global collaboration."
return "Could not summarize."
article = (
"A new report released today details the critical need for global investment "
"in renewable energy sources such as solar and wind power. It emphasizes "
"that sustainable practices are not only environmentally beneficial but also "
"crucial for long-term economic stability and job creation. The report "
"calls for international cooperation to accelerate the transition away from "
"fossil fuels and mitigate climate change impacts."
)
prompt = f"""Summarize the following article, focusing on the key takeaways, in no more than two sentences.
Article: {article}"""
summary = mock_llm_api_call(prompt)
print(summary)त्वरित जाँच: निष्कर्षण और सारांश-निर्माण
आपके पास ग्राहक प्रतिक्रिया फ़ॉर्म में निम्नलिखित पाठ है:
"The new feature is great! However, the login process is confusing and needs improvement. Customer ID: CUST-XYZ-001."'Customer ID' और 'Summary of Feedback' को JSON ऑब्जेक्ट में निकालने के लिए कौन-सा प्रॉम्प्ट सबसे अच्छा है?
पुनरावलोकन: डेटा निष्कर्षण और सारांश-निर्माण
इस पाठ में आपने सीखा कि दो शक्तिशाली पाठ-प्रसंस्करण कार्यों के लिए LLM का उपयोग कैसे किया जाता है:
- डेटा निष्कर्षण: असंरचित पाठ से विशिष्ट, संरचित जानकारी निकालना।
- सारांश बनाना: लंबे पाठ को छोटे और सुसंगत रूप में संक्षिप्त करना।
स्पष्ट और विशिष्ट प्रॉम्प्ट लिखने में निपुण होना, विशेषकर JSON जैसे संरचित आउटपुट के लिए, इन कार्यों में LLM से सटीक और उपयोगी परिणाम प्राप्त करने की कुंजी है।
एआई शिक्षक के साथ डेवलपरों के लिए प्रॉम्प्ट इंजीनियरिंग और LLM अनुकूलन सीखें — निःशुल्क
अपने ब्राउज़र में वास्तविक कोड लिखें और चलाएँ, चौबीसों घंटे एआई शिक्षक से तुरंत सहायता पाएँ, और वेब या ऐप पर वहीं से शुरू करें जहाँ आपने छोड़ा था।
- पाठ्यक्रम
- 12
- पाठ
- 48
अक्सर पूछे जाने वाले प्रश्न
क्या “डेटा निष्कर्षण और सारांश-निर्माण” पाठ निःशुल्क है?
हाँ—“डेटा निष्कर्षण और सारांश-निर्माण” का पूरा पाठ यहाँ वेब पर निःशुल्क पढ़ा जा सकता है। इंटरैक्टिव अभ्यास (अंतर्निहित कोड संपादक और 24/7 एआई ट्यूटर) करने और डेवलपरों के लिए प्रॉम्प्ट इंजीनियरिंग और LLM अनुकूलन पाठ्यक्रम का बाकी हिस्सा अनलॉक करने के लिए CoddyKit PRO लें। डेवलपरों के लिए प्रॉम्प्ट इंजीनियरिंग और LLM अनुकूलन पाठ्यक्रम में कुल 4 पाठ शामिल हैं।
“डेटा निष्कर्षण और सारांश-निर्माण” में मैं क्या सीखूँगा?
LLM का उपयोग करके असंरचित टेक्स्ट से विशिष्ट जानकारी निकालने और बड़े दस्तावेज़ों के संक्षिप्त सारांश बनाने की तकनीकों में दक्षता प्राप्त करें। आप ब्राउज़र में सीधे चलाए जाने वाले व्यावहारिक कोड के साथ डेवलपरों के लिए प्रॉम्प्ट इंजीनियरिंग और LLM अनुकूलन का अभ्यास करते हैं, और पाठ पूरा करते समय 24/7 एआई ट्यूटर आपके प्रश्नों के उत्तर देता है।
क्या डेवलपरों के लिए प्रॉम्प्ट इंजीनियरिंग और LLM अनुकूलन शुरू करने के लिए मुझे किसी अनुभव की आवश्यकता है?
पहले के अनुभव की आवश्यकता नहीं है। CoddyKit पर डेवलपरों के लिए प्रॉम्प्ट इंजीनियरिंग और LLM अनुकूलन शुरुआती से लेकर उन्नत शिक्षार्थियों तक सभी के लिए व्यवस्थित किया गया है, इसलिए आप यहीं से या शुरुआत से सीखना शुरू कर सकते हैं और अपनी गति से आगे बढ़ सकते हैं। यह 4 में से 3वाँ पाठ है।
“डेटा निष्कर्षण और सारांश-निर्माण” पाठ पूरा करने में कितना समय लगता है?
CoddyKit का अधिकांश पाठ लगभग 5–10 मिनट में पूरा हो जाता है। हर पाठ छोटा और संवादात्मक है, इसलिए आप लगातार प्रगति करते हैं और वेब या ऐप पर वहीं से सीखना जारी रख सकते हैं जहाँ आपने छोड़ा था।
क्या मैं इस डेवलपरों के लिए प्रॉम्प्ट इंजीनियरिंग और LLM अनुकूलन पाठ में कोड लिख और चला सकता हूँ?
हाँ। हर डेवलपरों के लिए प्रॉम्प्ट इंजीनियरिंग और LLM अनुकूलन पाठ में एक अंतर्निर्मित कोड संपादक शामिल है, जिससे आप सीधे अपने ब्राउज़र में वास्तविक कोड लिख और चला सकते हैं और तुरंत एआई प्रतिक्रिया पा सकते हैं—स्थानीय सेटअप की आवश्यकता नहीं है।
इस पाठ्यक्रम के सभी पाठ
- कोड जनरेशन और रिफैक्टरिंग
- डीबगिंग और परीक्षण मामलों का जनरेशन
- डेटा निष्कर्षण और सारांश-निर्माण
- प्राकृतिक भाषा से SQL क्वेरी बनाना