രണ്ട് JavaScript framework-കൾക്കിടയിൽ തിരഞ്ഞെടുക്കാൻ പ്രയാസപ്പെടുമ്പോഴോ അല്ലെങ്കിൽ നിങ്ങളുടെ അടുത്ത പ്രോജക്റ്റിനായി ഒരു orchestration library തിരഞ്ഞെടുക്കാൻ ശ്രമിക്കുമ്പോഴോ ഒരു AI-യോട് ചോദിക്കുന്നത് സ്വാഭാവികമാണ്. നിങ്ങൾക്ക് വ്യക്തവും കൃത്യവുമായ ഒരു ഉത്തരം ലഭിക്കുമെന്ന് നിങ്ങൾ പ്രതീക്ഷിക്കുന്നു. എന്നാൽ നിങ്ങൾക്ക് ലഭിക്കുന്ന ഉത്തരം നിങ്ങൾ ഏത് ചാറ്റ് വിൻഡോ ആണ് തുറന്നത് എന്നതിനെ ആശ്രയിച്ചിരിക്കും.
സാറ പാൻ (Sarah Pan) നടത്തിയ ഒരു നേരിട്ടുള്ള താരതമ്യം ഇത് വ്യക്തമാക്കുന്നു. ഈ മോഡലുകൾ ഒരേ ടൂളുകൾ തന്നെയാണോ നിർദ്ദേശിക്കുന്നത് എന്ന് കാണാൻ അവർ ChatGPT-യിലും Gemini-യിലും അഞ്ച് ഡെവലപ്പർ വിഭാഗങ്ങളിലായി ഇരുപത് ഒരേ പ്രോംപ്റ്റുകൾ പരീക്ഷിച്ചു. അവ ഒരേ ഫലമല്ല നൽകിയത്. ഏത് framework ആണ് വസ്തുനിഷ്ഠമായി മികച്ചത് എന്നതിനേക്കാൾ ഉപരിയായി, ഓരോ മോഡലും എങ്ങനെ ചിന്തിക്കുന്നു, അവ എന്തിനാണ് മുൻഗണന നൽകുന്നത്, അവയുടെ പരിമിതികൾ എവിടെയാണ് എന്നിവയാണ് ഈ ഫലങ്ങൾ വെളിപ്പെടുത്തുന്നത്.
പൊതുവായ കാര്യങ്ങൾ: പരീക്ഷിച്ചു വിജയിച്ച ടൂളുകൾ
രണ്ട് മോഡലുകളും ഒരേ അഭിപ്രായത്തിൽ വരുന്ന ഒരു മേഖലയുണ്ട്. നിലവിൽ ഉപയോഗത്തിലുള്ളതും വ്യാപകമായി അംഗീകരിക്കപ്പെട്ടതുമായ ടൂളുകളെക്കുറിച്ച് സംസാരിക്കുമ്പോൾ, അവ തമ്മിലുള്ള യോജിപ്പ് ഏകദേശം സ്വയമേവ സംഭവിക്കുന്നു. Version control, relational databases, containerization, അല്ലെങ്കിൽ അടിസ്ഥാനപരമായ frontend frameworks എന്നിവയെക്കുറിച്ച് ചോദിച്ചാൽ, ChatGPT-യും Gemini-യും ഒരേ പേരുകളിലേക്ക് തന്നെ നിങ്ങളെ നയിക്കും. Git, Docker, PostgreSQL, React—ആയിരക്കണക്കിന് ബ്ലോഗ് പോസ്റ്റുകളിലും കോൺഫറൻസ് സംഭാഷണങ്ങളിലും GitHub issues-ലും ചർച്ച ചെയ്യപ്പെട്ട ടൂളുകൾ—സ്ഥിരമായി ഇതിൽ പ്രത്യക്ഷപ്പെടുന്നു.
ഈ യോജിപ്പ് നിലനിൽക്കുന്നത് ഈ ടൂളുകൾക്ക് തർക്കിക്കാൻ പ്രയാസമുള്ള വസ്തുനിഷ്ഠമായ സാന്നിധ്യം ഉള്ളതുകൊണ്ടാണ്. അവയ്ക്ക് കൃത്യമായി രേഖപ്പെടുത്തിയ പരാജയ രീതികളും (failure modes), വലിയ ഇൻസ്റ്റാൾ ബേസുകളും, സൂക്ഷ്മമായ വ്യത്യാസങ്ങൾ പോലും നന്നായി മനസ്സിലാക്കാൻ കഴിയുന്നത്ര വലിയ കമ്മ്യൂണിറ്റികളും ഉണ്ട്. ഒരു AI മോഡലിന് അവയുടെ വിശ്വാസ്യതയെക്കുറിച്ച് ഊഹിക്കേണ്ടതില്ല. ഇന്റർനെറ്റ് ഇതിനോടകം തന്നെ ആ ജോലി ചെയ്തു കഴിഞ്ഞു, കൂടാതെ രണ്ട് ട്രെയിനിംഗ് സെറ്റുകളും ഒരേ വലിയ യോജിപ്പിനെയാണ് പ്രതിഫലിപ്പിക്കുന്നത്.
വ്യത്യാസങ്ങൾ: പുതിയ സാങ്കേതികവിദ്യയും AI ഏജന്റുകളും
പുതിയതോ അല്ലെങ്കിൽ വിഭജിക്കപ്പെട്ടതോ ആയ മേഖലകളിലേക്ക്, പ്രത്യേകിച്ച് AI ടൂളിംഗിനെക്കുറിച്ച് സംസാരിക്കുമ്പോൾ ഈ യോജിപ്പ് ഇല്ലാതാകുന്നു. Agent frameworks, large language model orchestration തുടങ്ങിയ വിഭാഗങ്ങളിൽ രണ്ട് മോഡലുകളും തമ്മിൽ വലിയ വ്യത്യാസമുണ്ട്.
ChatGPT സ്ഥിരമായി OpenAI ecosystem-മായി ബന്ധപ്പെട്ട ടൂളുകളും LangChain-ഉം ശുപാർശ ചെയ്യുന്നു. അതേസമയം, Gemini Anthropic-ന്റെ സേവനങ്ങളും CrewAI-യും മുന്നോട്ട് വെക്കുന്നു. ഈ തിരഞ്ഞെടുപ്പുകൾ യാദൃശ്ചികമല്ല. ChatGPT പ്രവർത്തിക്കുന്നത് OpenAI-യുടെ ഉൽപ്പന്ന ലോകത്താണ്, കൂടാതെ LangChain അതിന്റെ വളർച്ച മുതൽ OpenAI മോഡലുകൾക്കായുള്ള ഏറ്റവും കൂടുതൽ ചർച്ച ചെയ്യപ്പെട്ട integration layers ഒന്നാണ്. ഗൂഗിൾ നിർമ്മിച്ച Gemini-ക്ക് അതിന്റേതായ സ്വാധീനമുണ്ട്, അതിന്റെ ശുപാർശകൾ Anthropic-ന്റെ ടൂളിംഗിനും, മൾട്ടി-ഏജന്റ് റോൾ നിർവചനങ്ങൾക്ക് പ്രാധാന്യം നൽകുന്ന CrewAI പോലുള്ള പുതിയ സ്പെഷ്യലൈസ്ഡ് ഫ്രെയിംവർക്കുകൾക്കും മുൻഗണന നൽകുന്നു.
ഈ വ്യത്യാസം ഒരു പ്രധാന യാഥാർത്ഥ്യത്തെ ചൂണ്ടിക്കാണിക്കുന്നു: ഉയർന്നുവരുന്ന വിഭാഗങ്ങളിൽ ഇതുവരെ ഒരു ഏക 市場 ലീഡറും ഇല്ല. വർഷങ്ങളായുള്ള കമ്മ്യൂണിറ്റി അംഗീകാരമില്ലാതെ, മോഡലുകൾ അവയുടെ ട്രെയിനിംഗ് ഡാറ്റയിൽ ഏറ്റവും കൂടുതൽ ഊന്നൽ നൽകുന്ന കാര്യങ്ങളിലേക്ക് മടങ്ങുന്നു. ഒരു സാങ്കേതിക ശുപാർശയായി തോന്നുന്നത് പലപ്പോഴും പുതിയ വിവരങ്ങൾ (recency), ഡോക്യുമെന്റേഷന്റെ സാന്ദ്രത, സൂക്ഷ്മമായ കോർപ്പറേറ്റ് സ്വാധീനം എന്നിവയുടെ പ്രതിഫലനമാണ്.
മികച്ചതായി ശുപാർശ ചെയ്യപ്പെട്ട ടൂളുകൾ തമ്മിലുള്ള സാമ്യങ്ങൾ
പ്രത്യேக പേരുകളിൽ അഭിപ്രായവ്യത്യാസങ്ങൾ ഉണ്ടെങ്കിലും, രണ്ട് മോഡലുകളും സമാനമായ സവിശേഷതകളുള്ള ടൂളുകൾക്കാണ് മുൻഗണന നൽകിയത്. മികച്ച നിർദ്ദേശങ്ങളിൽ വീണ്ടും വീണ്ടും പ്രത്യക്ഷപ്പെട്ട നാല് സവിശേഷതകൾ പാൻ ശ്രദ്ധിച്ചു.
ഒന്നാമതായി, വ്യക്തമായ സാങ്കേതിക ഡോക്യുമെന്റേഷൻ. ഇത് മാർക്കറ്റിംഗ് കോപ്പിയോ വെറും പരസ്യങ്ങളോ അല്ല, മറിച്ച് ഒരു സിസ്റ്റം എങ്ങനെ പ്രവർത്തിക്കുന്നു, അതിന്റെ പരിമിതികൾ എന്തൊക്കെയാണ്, അതിന്റെ ആന്തരിക ഘടന എങ്ങനെയാണ് എന്നതിനെക്കുറിച്ചുള്ള യഥാർത്ഥ വിശദീകരണങ്ങളാണ്. രണ്ടാമതായി, സജീവമായ GitHub repositories. പ്രോജക്റ്റുകളിൽ സമീപകാല കമ്മറ്റുകൾ (recent commits), പ്രതികരണാത്മകമായ മെയിന്റനർമാർ, പരിഹരിക്കപ്പെട്ടുകൊണ്ടിരിക്കുന്ന ഓപ്പൺ ഇഷ്യൂകൾ എന്നിവ ഉണ്ടോ എന്ന് മോഡലുകൾ ശ്രദ്ധിക്കുന്നുണ്ട്. മൂന്നാമതായി, നല്ല API references. വൃത്തിയുള്ളതും കൃത്യമായ ഘടനയുള്ളതുമായ എൻഡ് പോയിന്റുകളും പ്രവചിക്കാവുന്ന റിക്വസ്റ്റ്-റെസ്പോൺസ് പാറ്റേണുകളുമുള്ള ടൂളുകൾക്ക് ഉയർന്ന സ്കോർ ലഭിച്ചു. നാലാമതായി, ശക്തമായ കമ്മ്യൂണിറ്റികൾ. Discord സെർവറുകൾ, Stack Overflow ടാഗുകൾ, അല്ലെങ്കിൽ ഉയർന്ന നിലവാരമുള്ള GitHub ചർച്ചകൾ എന്നിവയിലൂടെ ആകട്ടെ, രണ്ട് മോഡലുകളും സാമൂഹികമായ അംഗീകാരത്തെ (social proof) വിശ്വാസ്യതയുടെ ഒരു സൂചകമായി കാണുന്നു.
ഇതിനെല്ലാം പിന്നിൽ ലളിതമായ ഒരു പാറ്റേൺ ഉണ്ട്. വിവരിക്കാൻ എളുപ്പമുള്ള ടൂളുകളാണ് AI മോഡലുകൾ ശുപാർശ ചെയ്യുന്നത്. ഒരു സോഫ്റ്റ്വെയറിന് വ്യക്തമായ ഒരു ആശയപരമായ അതിർവരമ്പ് ഉണ്ടെങ്കിൽ—ഉദാഹരണത്തിന് "gRPC ഉപയോഗിക്കുന്ന ഒരു task queue" അല്ലെങ്കിൽ "പ്രവചിക്കാവുന്ന reducer functions ഉപയോഗിക്കുന്ന ഒരു state manager"—മോഡലിന് അതിനെക്കുറിച്ച് ആത്മവിശ്വാസത്തോടെ സംസാരിക്കാൻ കഴിയും. എന്നാൽ ആർക്കിടെക്ചർ അവ്യക്തമോ അല്ലെങ്കിൽ ഫീച്ചറുകൾ ശരിയായി ബന്ധിപ്പിക്കാത്ത മൈക്രോസൈറ്റുകളിൽ ചിതറിക്കിടക്കുകയോ ആണെങ്കിൽ, ഉപയോഗപ്രദമായ ഒരു ടൂൾ പോലും ശ്രദ്ധിക്കപ്പെടാതെ പോകും.
രണ്ട് വ്യത്യസ്ത ചിന്താഗതികൾ
ഈ അഭിപ്രായവ്യത്യാസം ബ്രാൻഡ് ലോയൽറ്റിയേക്കാൾ ആഴത്തിലുള്ളതാണ്. "ഏറ്റവും മികച്ചത്" എന്നാൽ എന്താണെന്ന് വിലയിരുത്തുമ്പോൾ ChatGPT-യും Gemini-യും വ്യത്യസ്തമായ ലോജിക് ആണ് ഉപയോഗിക്കുന്നത് എന്ന് കാണപ്പെടുന്നു.
ChatGPT വൈവിധ്യമാർന്ന ഉപയോഗങ്ങൾക്കായി (versatility) മുൻഗണന നൽകുന്നു. വിപുലമായ പ്രവർത്തനരീതികളിൽ (workflows) എളുപ്പത്തിൽ ഉൾക്കൊള്ളാൻ കഴിയുന്നതും, പലതരം ഉപയോഗങ്ങൾക്കായി അനുയോജ്യമായതും, ഡെവലപ്പർമാരുടെ ജോലിഭാരം കുറയ്ക്കുന്നതുമായ ടൂളുകളെയാണ് ഇത് ഇഷ്ടപ്പെടുന്നത്. നിങ്ങൾ ഒരു നിർദ്ദേശം ചോദിക്കുമ്പോൾ, അത് പലപ്പോഴും നിങ്ങളുടെ ചോദ്യത്തെ അല്പം മാറ്റി വ്യാഖ്യാനിക്കുകയും, നിങ്ങൾ സൂചിപ്പിക്കാത്ത സാഹചര്യങ്ങളും (edge cases) പരിഗണിച്ച് അതിന്റെ വ്യാപ്തി വർദ്ധിപ്പിക്കുകയും ചെയ്യുന്നു. ഇതിന്റെ ഫലമായി സാധാരണയായി സുരക്ഷിതവും പൊതുവായതുമായ (generalist) ഒരു തിരഞ്ഞെടുപ്പാണ് ലഭിക്കുന്നത്.
Gemini കൂടുതൽ അക്ഷരാർത്ഥത്തിലുള്ള (literal) സമീപനമാണ് സ്വീകരിക്കുന്നത്. ഇത് നിങ്ങളുടെ പ്രോംപ്റ്റിലെ വാക്കുകളോട് കൂടുതൽ ചേർന്നുനിൽക്കുകയും സാങ്കേതിക കൃത്യതയ്ക്ക് (technical specificity) പ്രാധാന്യം നൽകുകയും ചെയ്യുന്നു. പ്രകടനത്തെക്കുറിച്ച് (performance) നിങ്ങൾ ചോദിച്ചാൽ, എല്ലാ കാര്യങ്ങൾക്കും ഉപയോഗിക്കാവുന്ന ടൂളുകൾക്ക് പകരം ഉയർന്ന വേഗതയോ പ്രത്യേകമായ ആർക്കിടെക്ചറോ ഉള്ള ടൂളുകളാണ് ഇത് നിർദ്ദേശിക്കുക. കൂടുതൽ സെറ്റപ്പ് ആവശ്യമാണെങ്കിൽ പോലും, കൃത്യമായ ഘടനാപരമായ രൂപകൽപ്പനയുള്ള (rigorous structural designs) ടൂളുകളോടാണ് ഇതിന്റെ നിർദ്ദേശങ്ങൾ ചായുന്നത്.
ഇതിനർത്ഥം, ChatGPT നിങ്ങളുടെ ചോദ്യത്തിന്റെ അല്പം വിപുലമായ ഒരു പതിപ്പിന് ഉത്തരം നൽകുമ്പോൾ, Gemini നിങ്ങൾ ടൈപ്പ് ചെയ്ത അതേ ചോദ്യത്തിന് ഉത്തരം നൽകുന്നു എന്നാണ്. ഈ രണ്ട് സമീപനങ്ങളും ഒരു തരത്തിലും മറ്റൊന്നിനേക്കാൾ മികച്ചതല്ല. നിങ്ങൾ ഒരു പ്രോട്ടോടൈപ്പ് നിർമ്മിക്കുകയാണെങ്കിൽ വേഗത്തിൽ മുന്നോട്ട് പോകാൻ ChatGPT-യുടെ വൈവിധ്യമാർന്ന സമീപനം സമയം ലാഭിക്കും. എന്നാൽ നിങ്ങൾ ഒരു പ്രൊഡക്ഷൻ പൈപ്പ്ലൈൻ ഒപ്റ്റിമൈസ് ചെയ്യുകയാണെങ്കിൽ, ഓരോ മില്ലിസെക്കൻഡും പ്രധാനമാണെങ്കിൽ, സാങ്കേതിക കരുത്തിൽ Gemini നൽകുന്ന ശ്രദ്ധ കൂടുതൽ ഉപകാരപ്രദമാകും.
നിർമ്മാതാക്കൾ മനസ്സിലാക്കേണ്ട കാര്യങ്ങൾ
ഒരുപക്ഷേ ഏറ്റവും പ്രധാനപ്പെട്ട കാര്യം ഏത് മോഡലിനെ വിശ്വസിക്കണം എന്നതല്ല, മറിച്ച് നിങ്ങൾ ഡെവലപ്പർ ടൂളുകൾ നിർമ്മിക്കുകയാണെങ്കിൽ ഇതിന്റെ അർത്ഥമെന്താണെന്നതാണ്. AI ഇപ്പോൾ വെറുമൊരു സോഫ്റ്റ്വെയർ ഡോക്യുമെന്റേഷൻ ഉപയോഗിക്കുന്ന ഉപഭോക്താവ് മാത്രമല്ല; അതൊരു ഇടനിലക്കാരൻ (intermediary) കൂടിയാണ്. സെർച്ച് എഞ്ചിനുകൾ ഉപയോഗിക്കുന്നതിനോ, Hacker News നോക്കുന്നതിനോ, സഹപ്രവർത്തകരോട് ചോദിക്കുന്നതിനോ മുൻപ് ഡെവലപ്പർമാർ ഒരു ഷോർട്ട്ലിസ്റ്റിനായി AI-യോട് ചോദിക്കാറുണ്ട്.
നിങ്ങളുടെ ടൂൾ ഈ ഫിൽട്ടറിൽ നിന്ന് അതിജീവിക്കണമെങ്കിൽ, മെഷീൻ കംപ്രിഹെൻഷന് (machine comprehension) അനുയോജ്യമായ രീതിയിൽ അത് രൂപകൽപ്പന ചെയ്യണം. ഒരു ലാർജ് ലാംഗ്വേജ് മോഡലിന് ആശയക്കുഴപ്പമില്ലാതെ വായിച്ചെടുക്കാൻ കഴിയുന്ന രീതിയിലുള്ള ഡോക്യുമെന്റേഷൻ തയ്യാറാക്കുക. കൃത്യമായ പ്രവർത്തനം കാണിക്കുന്ന ഒരു പബ്ലിക് GitHub റെപ്പോസിറ്ററി നിലനിർത്തുക. ഓതന്റിക്കേഷൻ മതിലുകൾക്ക് പിന്നിലോ PDF-കൾക്കുള്ളിലോ ഒളിപ്പിച്ചു വെക്കാതെ, കൃത്യമായ ഘടനയുള്ളതും പൂർണ്ണവുമായ API റെഫറൻസുകൾ പ്രസിദ്ധീകരിക്കുക. നിങ്ങളുടെ പ്രോജക്റ്റിനെ വ്യക്തവും ഘടനാപരവുമായ ഭാഷയിൽ അവതരിപ്പിക്കുക. അത് എന്താണെന്നും എന്തല്ലെന്നും, ഒരു സ്റ്റാക്കിൽ (stack) അത് എങ്ങനെ കൃത്യമായി ഇരിക്കുന്നുവെന്നും വിവരിക്കുക.
ഇത് പരമ്പരാഗതമായ സെർച്ച് എഞ്ചിൻ ഒപ്റ്റിമൈസേഷൻ (SEO) അല്ല. ഇതൊരു AI ഡിസ്കവറബിലിറ്റി (AI discoverability) ആണ്. പാൻ്റെ (Pan) പരീക്ഷണം കാണിക്കുന്നത് പോലെ, മോഡലുകൾ എളുപ്പത്തിൽ മനസ്സിലാക്കാനും ആത്മവിശ്വാസത്തോടെ സംഗ്രഹിക്കാനും (summarize) കഴിയുന്ന കാര്യങ്ങളെ അടിസ്ഥാനമാക്കിയാണ് അഭിപ്രായങ്ങൾ രൂപീകരിക്കുന്നത്. നിങ്ങളുടെ പ്രോജക്റ്റ് ശക്തമാണെങ്കിലും അത് വിശദീകരിക്കാൻ പ്രയാസമാണെങ്കിൽ, പുതിയതോ അല്ലെങ്കിൽ മികച്ച രീതിയിൽ ഡോക്യുമെന്റ് ചെയ്തതോ ആയ മറ്റ് ബദലുകൾ ലഭ്യമാണെങ്കിൽ, ഈ മോഡലുകൾ അത് നിർദ്ദേശിക്കാൻ മടിക്കും.
ഒരു അവസാന മുന്നറിയിപ്പ്: AI നിർദ്ദേശങ്ങളെ റാങ്കിംഗുകളായല്ല, മറിച്ച് തുടക്കമിടാനുള്ള വഴികളായി കാണുക. അവ ട്രെയിനിംഗ് ഡാറ്റയെയും, അറിവിന്റെ പരിധികളെയും (knowledge cutoffs), മോഡലുകളുടെ പ്രത്യേകമായ രീതികളെയും അടിസ്ഥാനമാക്കി രൂപപ്പെട്ട അഭിപ്രായങ്ങൾ മാത്രമാണ്. ChatGPT OpenAI ടൂളുകളെയും Gemini Anthropic ടൂളുകളെയും പ്രോത്സാഹിപ്പിക്കുമ്പോൾ, നിങ്ങൾ കാണുന്നത് ഒരു മുൻഗണന മാത്രമാണ്, അല്ലാതെ ഒരു തെളിവല്ല.
ചുരുക്കത്തിൽ: നിങ്ങൾ ടൂളുകൾ തിരഞ്ഞെടുക്കുകയാണെങ്കിൽ, രണ്ട് മോഡലുകളോടും ചോദിക്കുകയും അവയുടെ ഉത്തരങ്ങൾക്ക് പിന്നിലെ യുക്തി താരതമ്യം ചെയ്യുകയും ചെയ്യുക. എന്നാൽ നിങ്ങൾ അവ വിപണിയിൽ എത്തിക്കുകയാണെങ്കിൽ, AI-യെ ഒരു യൂസർ പേഴ്സണായി (user persona) കണ്ട് അതിനായി എഴുതാൻ തുടങ്ങുക. മെഷീനുകൾക്ക് എളുപ്പത്തിൽ വിശദീകരിക്കാൻ കഴിയുന്ന രീതിയിൽ സോഫ്റ്റ്വെയർ നിർമ്മിക്കുന്ന ടീമുകൾക്കായിരിക്കും ഡെവലപ്പർമാർ ചോദിച്ചു തുടങ്ങുമ്പോൾ മുൻപിൽ വരാൻ കഴിയുക.
Source: Comparing How ChatGPT and Gemini Recommend Developer Tools by Sarah Pan
Join the GyaanSetu learning community: https://t.me/GyaanSetuAi