तुम्ही कधी विचार केला आहे का की तुमच्या ब्राउझरने तुमच्यासाठी फॉर्म भरावा?
कल्पना करा: रात्रीचे 11:58 वाजले आहेत. तुम्ही तुमच्या कंपनीचा खर्चाचा फॉर्म सबमिट करण्याचे वचन दिले आहे, जो Netscape च्या जमान्यापासून वापरला जात आहे. तुम्ही 17 बॉक्सेसकडे डोळे बारीक करून बघत आहात—नाव, पत्ता, तारीख, पुन्हा तारीख (दोन वेगवेगळ्या फॉरमॅटमध्ये!), एक ड्रॉपडाउन (Dropdown) आहे, जो त्रिकोणावर क्लिक केल्यावरच काम करतो. तुम्ही मनातल्या मनात बडबड करत आहात. तुमची कॉफी देखील वैतागलेली आहे. तुम्हाला आश्चर्य वाटते की इंटरनेट मोठे झाले आणि तुम्हाला सोबत न्यायला विसरले.
आता Gemini 2.5 Computer Use चा वापर करा—हे Google मॉडेल योग्य सेटअपमध्ये, तुमच्यासाठी क्लिक करणे, टाइप करणे, स्क्रोल करणे आणि अपलोडिंग (Uploading) यांसारखी कामे एका सहाय्यकाप्रमाणे करू शकते. फक्त प्रश्नांची उत्तरे देणे किंवा कीस्ट्रोक्स (keystrokes) सुचवणे नाही, तर हे मॉडेल कर्सर (Cursor) हलवते, साइट उघडते, साइन इन (Sign in) करते आणि वेब फॉर्म भरते.
तुम्हाला असे वाटेल की तुम्ही तुमच्या कारची चावी अशा मित्राला देत आहात ज्याने नुकतेच गाडी चालवायला शिकले आहे? होय. जेव्हा हे काम करते तेव्हा ते खूप रोमांचक वाटते का? तेही होय. तर, आजचा विषय आहे: Gemini 2.5 Computer Use च्या मदतीने वेब फॉर्म कसे ऑटोमेट (Automate) करायचे—सुरक्षितपणे, व्यवस्थितपणे आणि 'सबमिट' (Submit) बटण हे फक्त एक सजावटीचे चिन्ह आहे, असे जेव्हा ह्या मॉडेलला वाटते तेव्हा हसण्यावारी कसे न्यायचे.
या प्रात्यक्षिक मार्गदर्शनामध्ये, मी तुम्हाला हे शिकवेन:
- Gemini 2.5 साठी 'कॉम्प्युटर यूज' (Computer Use) चा नेमका अर्थ काय आहे.
- फॉर्म भरण्याची अशी कार्यप्रणाली (Workflow) कशी सेट करायची जी पुन्हा वापरता येईल आणि भीतीदायक नसेल.
- स्टेप-बाय-स्टेप डेमो: CSV पासून पूर्ण फॉर्मपर्यंत.
- कठीण फील्डसाठी युक्त्या (कॅप्चा, डेट पिकर्स, मल्टी-स्टेप विजार्ड्स).
- सुरक्षितता, गोपनीयता आणि आजच्या वेब ऑटोमेशनच्या मर्यादा.
- Sider.AI सारखी साधने हे सर्व व्यवस्थित ठेवण्यासाठी तुमचे कमांड सेंटर कसे असू शकते.
हे सर्व सोप्या भाषेत. वास्तविक जगात येणाऱ्या अडचणींसाठी काही मार्गदर्शक सूचना.
Gemini 2.5 Computer Use म्हणजे काय? याला एक काळजीपूर्वक काम करणारा रोबोट इंटर्न (Robot intern) समजा.
'कॉम्प्युटर यूज' (Computer Use) हा Gemini 2.5 चा एक मोड (Mode) आहे, जिथे ते फक्त टेक्स्ट (Text) तयार करत नाही—तर तुमच्या देखरेखेखाली ब्राउझर (Browser) आणि डेस्कटॉप (Desktop) नियंत्रित करते. हे करू शकते:
- वेबसाइट उघडणे, मेनूमध्ये नेव्हिगेट (Navigate) करणे आणि क्लिक करणे.
- इनपुट फील्ड (Input field) आणि टेक्स्ट एरियामध्ये (Textarea) टाइप करणे (जे तीन मोडल्स (Modals) उघडल्यावर पॉप अप (Pop up) होतात).
- फाईल्स (Files) अपलोड (Upload) / डाउनलोड (Download) करणे.
- स्क्रीनशॉट (Screenshot) घेणे आणि ते काय पाहत आहे याबद्दल विचार करणे (हाच खरा जादूचा भाग आहे).
व्यावहारिकदृष्ट्या, Gemini 2.5 Computer Use वेब फॉर्म्स (Web forms) संपूर्णपणे ऑटोमेट (Automate) करू शकते. तुम्ही कामाचे वर्णन करा ('या URL वर जा, लॉग इन करा, कर्मचाऱ्यांच्या यादीसाठी साप्ताहिक माईलेज फॉर्म (Mileage form) सबमिट करा'), डेटा द्या आणि ते क्लिक आणि टाइप करण्याचे काम करेल. याचा फायदा काय? स्प्रेडशीटमधून (Spreadsheet) कॉपी (Copy) करून फील्डमध्ये (Field) पेस्ट (Paste) करेपर्यंत तुमच्या आत्म्याला त्रास होणार नाही.
परंतु—वेब हे एक मोठेField प्राणी संग्रहालय आहे. फॉर्म्समध्ये खूप विविधता आहे. काहींना महिन्यासाठी एकच आकडेवारी लागते; तर काहींना नॉर्वेजियन भाषेत महिन्याचे पूर्ण नाव हवे असते. म्हणूनच तुम्हाला काही चांगल्या सवयी आणि रोबोट इंटर्नला (Robot intern) गोंधळल्यावर मदत करण्यासाठी नकाशाची आवश्यकता असेल.
Gemini 2.5 साठी योग्य कामे: ऑटोमेशन (Automation) कधी उपयोगी ठरते (आणि कधी नाही).
Gemini 2.5 Computer Use चा वापर यासाठी करा:
- वारंवार भरावे लागणारे अंतर्गत फॉर्म (खर्चाचे अहवाल, HR अपडेट्स, ऑनबोर्डिंग, प्रवासाचे दावे).
- ठराविक लेआउट (Layout) आणि अंदाजित फील्ड असलेले विक्रेत्यांचे पोर्टल (Vendor portals).
- डेटा एंट्री माइग्रेशन (Data-entry migrations) (CSV ते वेब फॉर्म, डेटाबेस ते SaaS ॲप).
- मल्टी-रेकॉर्ड अपडेट्स (Multi-record updates) जिथे मार्ग तोच असतो; फक्त व्हॅल्यूज (Values) बदलतात.
या गोष्टी टाळा (किंवा जास्त मदत करण्यासाठी तयार राहा) जेव्हा:
- कॅप्चा (Captcha) किंवा बॉट डिफेन्स (Bot defense) असेल (फ्लॅशलाइट असलेला बाउन्सर (Bouncer)).
- प्रत्येक ॲक्शनसाठी (Action) टू-फॅक्टर ऑथेंटिकेशनची (Two-factor authentication) आवश्यकता असते.
- प्रत्येक रेकॉर्डनुसार पेज लेआउटमध्ये (Page layout) बदल होतो.
- ॲक्सेसिबिलिटी (Accessibility) कमी आहे (लेबल नसलेले फील्ड, क्लिक करण्यासारख्या गोष्टी ज्या बटण नाहीत).
नियम: जर एखादा माणूस हे काम काळजीपूर्वक करू शकत असेल, तर Gemini 2.5 ते शिकू शकते. जर माणसाला प्रत्येक स्टेप (Step) चा अंदाज घ्यावा लागत असेल, तर मॉडेल (Model) सजावटीच्या चिन्हावर क्लिक करण्यात वेळ घालवू शकते.
तुमचे स्टार्टर किट: साधने आणि तयारी
तुम्हाला हे आवश्यक आहे:
- Gemini नियंत्रित करू शकेल असा ब्राउझर (Browser) (सामान्यतः Chrome/Chromium सुरक्षित ऑटोमेशन लेयरद्वारे).
- शक्य असल्यास लक्ष्य साइटसाठी (Target site) फक्त वाचण्याची परवानगी (कमी विशेषाधिकार).
- स्वच्छ चाचणी खाते (Test account) किंवा सँडबॉक्स (Sandbox) वातावरण (जेणेकरून तुम्ही चुकून 12,000 widgets चा ऑर्डर (Order) देणार नाही).
- तुमचा डेटा व्यवस्थित फॉरमॅटमध्ये (CSV, JSON किंवा Google Sheet), हेडरसह (Headers) जे फॉर्म लेबल्सशी (Form labels) जुळतात.
- फॉर्म फील्डची (Form field) यादी ज्या क्रमाने ते दिसतात.
पर्यायी पण खूप उपयुक्त:
- फॉर्मचे स्क्रीनशॉट (Screenshots), ज्यामध्ये लेबल्सला (Labels) प्रशिक्षकाने केलेल्या आकृतीप्रमाणे गोल केले आहे.
- चाचणीसाठी 3-5 नमुन्यांची लहान यादी.
- एक लॉग फाईल (Log file) जिथे तुम्ही प्रत्येक रनची (Run) स्थिती आणि त्रुटी रेकॉर्ड (Record) करता.
प्रात्यक्षिक: Gemini 2.5 Computer Use द्वारे नमुना खर्चाचा फॉर्म भरणे.
आम्ही हे कुकिंग शो (Cooking show) प्रमाणे करू. शेवटी, तुम्ही 40 फॉर्म सबमिट (Submit) केले आहेत आणि कोणताही पदार्थ बिघडलेला नाही.
परिस्थिती: तुमची टीम (Team) साप्ताहिक माईलेज प्रतिपूर्ती (Mileage reimbursements) सबमिट करते. वेब फॉर्ममध्ये हे आहे:
- कर्मचारीचे नाव (टेक्स्ट फील्ड).
- हप्ता समाप्तीची तारीख (डेट पिकर).
- एकूण मैल (Total Miles) (संख्यात्मक).
- दर (ड्रॉपडाउन: 0.50, 0.58, 0.62).
- सबमिट, नंतर कन्फर्मेशन कोड (Confirmation code).
तुमचा डेटा CSV मध्ये आहे:
नाव, हप्ता_समाप्ती, एकूण_मैल, दर, नोंदी, पावती_मार्ग
ऍलेक्स पार्क, 2025-10-03, 142, 0.58, झोन बी मध्ये क्लायंट व्हिजिट्स (Client visits), /receipts/alex-1003.pdf
रिया शहा, 2025-10-03, 87, 0.58, एअरपोर्ट शटल रन्स (Airport shuttle runs), /receipts/riya-1003.pdf
...इत्यादी
स्टेप 1: Gemini 2.5 ला माहिती देणे.
- साइट URL, लॉगिन स्टेप्स (Login steps) आणि पेजवर (Page) लिहिलेली अचूक लेबल्स (Labels)Provide करा.
- CSV हेडर (Header) आणि त्यांना फील्डमध्ये (Field) कसे मॅप (Map) करायचे याचे वर्णन समाविष्ट करा.
- जेव्हा फील्ड (Field)गहाळ असतील किंवा ब्लॉक (Block) केले जातील तेव्हा काय करावे ते सांगा (उदाहरणार्थ, ओळ वगळा, त्रुटी नोंदवा).
उदाहरण सूचना:
'टेस्ट अकाउंटने (Test account) लॉग इन करा. प्रत्येक CSV ओळीसाठी, नाव → कर्मचाऱ्याचे नाव, हप्ता_समाप्ती → हप्ता समाप्ती (YYYY-MM-DD), एकूण_मैल → एकूण मैल, दर → दर ड्रॉपडाउन, नोंदी → नोंदी, पावती_मार्ग → अपलोड प्रविष्ट करा. सबमिट करा. सबमिशननंतर, कन्फर्मेशन कोड (Confirmation code) कॉपी (Copy) करा आणि ओळीच्या पुढे रेकॉर्ड (Record) करा.'
स्टेप 2: एका ओळीसह चाचणी करा.
- Gemini ला एक रेकॉर्ड हळू हळू करण्यास सांगा, प्रत्येक ॲक्शन (Action) सांगा. त्याच्यावर बारीक नजर ठेवा.
- हे तपासा की ते योग्य ड्रॉपडाउन (Dropdown) निवडते आणि 'एकूण मैल' फील्डमध्ये (Field) नोंदी टाइप (Type) करत नाही (असे होते!).
- जर डेट पिकरने (Date picker) कॅलेंडर (Calendar) उघडले, तर सूचना द्या: 'YYYY-MM-DD मध्ये तारीख थेट फील्डमध्ये (Field) टाइप (Type) करा; कॅलेंडरवर क्लिक करू नका'.
स्टेप 3: सुरक्षा उपाय जोडा.
- यश कसे ओळखायचे ते सांगा: उदाहरणार्थ, 'कन्फर्मेशन' (Confirmation) हा शब्द आणि EXP-#### सारखा कोड शोधा.
- अपयश कसे ओळखायचे ते सांगा: 'Error' किंवा 'पुन्हा प्रयत्न करा' असे दिसल्यास, स्क्रीनशॉट (Screenshot) घ्या आणि पुढील ओळीवर जा.
- गती मर्यादित करा: 'प्रत्येक पेज लोड (Page load) झाल्यानंतर 500-800 ms थांबा. जर बटण डिसेबल (Disable) असेल, तर आवश्यक फील्ड्स (Fields) पुन्हा तपासा'.
स्टेप 4: बॅच मोड (Batch mode).
- आता तुम्ही म्हणा: 'पुढील पाच ओळी प्रोसेस (Process) करा'. निरीक्षण करा. जर ते व्यवस्थित काम करत असेल, तर 20 पर्यंत वाढवा.
- एक लॉग (Log) ठेवा: ओळ क्रमांक, स्थिती, कन्फर्मेशन कोड (Confirmation code), स्क्रीनशॉट (Screenshot) मार्ग.
स्टेप 5: शेवट.
- लॉग CSV म्हणून एक्सपोर्ट (Export) करा. Gemini ला ते परत पेस्ट (Paste) करण्यास सांगा किंवा तुमच्या फोल्डरमध्ये सेव्ह (Save) करा. पोर्टलवर काही सबमिशन्स (Submissions) तपासा.
तुम्ही Gemini 2.5 Computer Use ला एक ritual शिकवले आहे. कमकुवत स्क्रिप्ट्सच्या (Scripts) विपरीत, ते पेज (Page) पाहते, UI मधील (UI) बदलांना जुळवून घेते आणि काम करत राहते. हे एका काळजीपूर्वक सहाय्यकासोबत काम करण्यासारखे आहे; तुम्ही त्याला दाखवा, मग विश्वास ठेवा—पण तुम्ही त्याचे काम तपासा.
कठीण भाग: डेट पिकर्स (Date pickers), फाईल अपलोड्स (File uploads), मल्टी-स्टेप विजार्ड्स (Multi-step wizards).
वेब फॉर्ममधील नेहमीच्या अडचणी कशा हाताळायच्या:
- डेट पिकर्स (Date pickers): साइटच्या मान्य फॉरमॅटमध्ये (Format) इनपुट बॉक्समध्ये (Input box) तारीख टाइप (Type) करण्यासाठी Gemini ला सूचना द्या. जर साइटने टाइप (Type) करण्यास मनाई केली, तर सांगा: 'कॅलेंडर (Calendar) उघडा, डाव्या/उजव्या बाणांचा वापर करून योग्य महिन्यावर जा, नंतर तारखेवर क्लिक करा'. उदाहरणे समाविष्ट करा: '2025-10-03 साठी, 3 ऑक्टोबर 2025 निवडा'.
- संख्यात्मक व्हॅलिडेशन (Numeric validation): काही फील्ड्स (Fields) स्वल्पविराम किंवा दोन दशांशांपेक्षा जास्त संख्या नाकारतात. स्पष्ट करा: 'एकूण मैल (Total Miles) स्वल्पविरामाशिवाय पूर्णांक म्हणून प्रविष्ट करा'. जर तुम्हाला लाल रंगातील त्रुटी दिसत असेल, तर Gemini ला ती त्रुटी कशी काढायची ते सांगा.
- ड्रॉपडाउन (Dropdowns): बरेच ड्रॉपडाउन हे कस्टम विजेट्स (Custom widgets) आहेत ज्यामध्ये लपलेल्या याद्या असतात. सांगा: 'दर ड्रॉपडाउनवर क्लिक करा; जर पर्याय उघडत नसेल, तर शेवरॉन आयकॉनवर (Chevron icon) क्लिक करा. '0.58' हा टेक्स्ट (Text) निवडा. जर दिसत नसेल, तर ड्रॉपडाउन यादीमध्ये स्क्रोल (Scroll) करा'.
- फाईल अपलोड्स (File uploads): Gemini ला अचूक फाईल मार्गाकडे निर्देशित करा. जर OS डायलॉग (Dialog) दिसत असेल, तर त्याला फाईल नेम (File name) फील्डमध्ये (Field) मार्ग टाइप (Type) करण्यास आणि एंटर (Enter) दाबण्यास सांगा. जर एकापेक्षा जास्त फाईल्सना परवानगी असेल, तर एकानंतर थांबायचे की नाही ते निर्दिष्ट करा.
- मल्टी-स्टेप फॉर्म्स (Multi-step forms): 'Next' बटण सक्षम होण्याची प्रतीक्षा करण्यास Gemini ला सांगा. जर पेज (Page) बदलले, तर 'Step 2: Details' सारखे हेडिंग (Heading) पाहून कन्फर्म (Confirm) करा.
- कॅप्चा (Captchas) आणि MFA: इथे तुम्ही थांबा. कॅप्चा (Captcha) करण्यासाठी किंवा पुश नोटिफिकेशनला (Push notification) मंजुरी देण्यासाठी माणसाला मदत करण्यास सांगा. मग Gemini ला पुन्हा सुरू करू द्या.
- ऑटो कंप्लीट पॉप-अप्स (Autocomplete pop-ups): जर ब्राउझर (Browser) सूचना बबल (Bubble) फील्डला (Field) overlap करत असेल, तर Gemini ला टाइप (Type) करण्यापूर्वी एस्केप (Escape) दाबण्यास सांगा.
गती आणि अचूकतेबद्दल सत्यता तपासा.
Gemini 2.5 Computer Use रेस कार नाही—हे एका अतिशय सहनशील सायकलस्वारासारखे आहे, जे प्रत्येक स्टॉप (Stop) साइनचे पालन करते. हे माणसाच्या वेगाला हरवणार नाही, पण तुमचे लक्ष वाचवते. महत्त्वाचे म्हणजे, ते दहाव्या सारख्याच फॉर्मवर (Form) निष्काळजी होत नाही.
अचूकतेसाठी टिप्स (Tips):
- सुरुवात पाच रेकॉर्ड्सने (Records) करा. समस्या ठीक करा. मग स्केल (Scale) करा.
- प्रत्येक सबमिटनंतर 'तपासणी' (Sanity checks) जोडा: एकूणची पुष्टी करा, पोर्टलच्या (Portal) इतिहास पृष्ठावर नवीन ओळ तपासा.
- डेटा स्रोतामध्ये स्वच्छ ठेवा: तारीख फॉरमॅट (Format) एकसारखे करा; संख्यांचे पूर्वनिर्धारण करा.
- प्रत्येक गोष्टीची नोंद ठेवा. जर तुम्ही ऑडिट (Audit) करू शकत नसाल, तर तुम्ही त्यावर विश्वास ठेवू शकत नाही.
सुरक्षितता प्रथम: परवानग्या, गोपनीयता आणि मर्यादा.
एखाद्या AI ला तुमच्या ब्राउझरचे (Browser) नियंत्रण देणे म्हणजे तुमच्या मुलाला क्रेडिट कार्ड (Credit card) देणे.
- मर्यादित कुकीज (Cookies) आणि परवानग्यांसह एक वेगळे ब्राउझर प्रोफाइल (Browser profile) वापरा.
- कमी विशेषाधिकार असलेला चाचणी वापरकर्ता तयार करा—ॲडमिन (Admin) प्रवेश नाही, मर्यादित व्याप्ती.
- प्रॉम्प्टमध्ये (Prompts) कधीही पासवर्ड (Password) साध्या टेक्स्टमध्ये (Text) साठवू नका. उपलब्ध असल्यास सुरक्षित सिक्रेट मॅनेजर (Secret manager) वापरा.
- जर फ्लो (Flow) वैयक्तिक डेटाला (SSN, आरोग्य तपशील) स्पर्श करत असेल, तर तुमच्या टीमसोबत चर्चा करा.
- ऑडिटसाठी (Audit) चाचणी दरम्यान स्क्रीन रेकॉर्ड (Screen record) करा किंवा वेळोवेळी स्क्रीनशॉट (Screenshot) घ्या.
- एक मोठे लाल 'थांबा' (Stop) बटण तयार करा: एक सूचना जी मॉडेल (Model) नेहमी पाळते, किंवा कीबोर्ड शॉर्टकट (Keyboard shortcut) जे नियंत्रण थांबवते.
स्प्रेडशीटपासून फॉर्मपर्यंत: पुन्हा वापरण्यायोग्य प्रॉम्प्ट टेम्प्लेट (Prompt template).
येथे एक पुन्हा वापरण्यायोग्य टेम्प्लेट (Template) आहे, जे तुम्ही Gemini 2.5 Computer Use साठी वापरू शकता. कॉपी (Copy) करा, बदला आणि तुमच्या पुढील बॅचसाठी सेव्ह (Save) करा.
'कार्य: संलग्न CSV मधून खर्चाचे फॉर्म सबमिट (Submit) करा.
नियम:
- ॲक्शन्स (Actions) सांगा. हळू चाला. घटकांसाठी 1.5 सेकंद थांबा.
- मॅपिंग (Mapping): नाव → कर्मचाऱ्याचे नाव; हप्ता_समाप्ती → हप्ता समाप्ती (YYYY-MM-DD थेट टाइप (Type) करा); एकूण_मैल → एकूण मैल (पूर्णांक); दर → दर ड्रॉपडाउन; नोंदी → नोंदी; पावती_मार्ग → अपलोड.
- यश तपासणी: सबमिट केल्यानंतर, कन्फर्मेशन कोड (Confirmation code) (पॅटर्न EXP-####) कॅप्चर (Capture) करा. अपयश तपासणी: जर 'Error' किंवा 'पुन्हा प्रयत्न करा' असे दिसत असेल, तर एक स्क्रीनशॉट (Screenshot) घ्या, ओळ क्रमांक आणि त्रुटी टेक्स्ट (Text) नोंदवा, मग वगळा.
- गती: एका वेळी 5 ओळी प्रोसेस (Process) करा. प्रत्येक बॅचनंतर, CSV लॉग (Log) आउटपुट (Output) करा: ओळ, स्थिती, कन्फर्मेशन_कोड (Confirmation_code), स्क्रीनशॉट_मार्ग (Screenshot_path), नोंदी.
- सुरक्षितता: MFA किंवा कॅप्चासाठी (Captcha) विचारल्यास, थांबा आणि मला सूचित करा. पुढे जाऊ नका.
एका रेकॉर्डने (Record) सुरुवात करा आणि पुढे जाण्यापूर्वी माझ्या कन्फर्मेशनची (Confirmation) प्रतीक्षा करा'.
हा एक प्रॉम्प्ट (Prompt) 90 मिनिटांची fatfati 15 मिनिटांच्या विचारपूर्वक देखरेखेमध्ये रूपांतरित करतो.
समस्यानिवारण नोंदी (कारण काहीतरी चुकीचे होणारच आहे).
- हे चुकीच्या फील्डमध्ये (Field) टाइप (Type) करते: त्याला टेक्स्ट प्रॉक्सिमिटीद्वारे (Text proximity) फील्ड लेबलचा (Field label) संदर्भ देण्यास सांगा: ''कर्मचाऱ्याचे नाव' लेबलच्या (Label) उजवीकडील इनपुटमध्ये (Input) टाइप (Type) करा'. जर लेबल्स (Labels) गहाळ असतील, तर प्लेसहोल्डर टेक्स्टनुसार (Placeholder text) संदर्भ द्या.
- बटण सक्षम होत नाही: सामान्यत: आवश्यक फील्ड (Field) रिक्त असते. Gemini ला सत्यापित करण्यास सांगा की प्रत्येक आवश्यक फील्डमध्ये (Field) नॉन-एम्प्टी व्हॅल्यू (Non-empty value) आहे आणि व्हॅलिडेशन (Validation) ट्रिगर (Trigger) करण्यासाठी इनपुटला (Input) अस्पष्ट (Tab) करा.
- आज पेज (Page) वेगळे दिसत आहे: Gemini ला हेडिंग्ज (Headings) आणि सामान्य कीवर्ड्स (Keywords) स्कॅन (Scan) करून फॉर्म (Form) पुन्हा शोधण्यास सांगा. जर लेआउटमध्ये (Layout) फरक सामान्य असेल, तर प्रत्येक आवृत्तीसाठी एक लहान 'फॉर्म प्रोफाइल' (Form profile) तयार ठेवा.
- रिक्त पावती डाउनलोड (Download) करते: सबमिट करण्यापूर्वी अपलोड (Upload) स्टेप (Step) पूर्ण झाल्याची खात्री करा; फाईल नेम (File name) चिप (Chip) किंवा 'अपलोड' टॅगची (Tag) प्रतीक्षा करा.
- पोर्टल (Portal) तुम्हाला लॉग आउट (Log out) करते: रेकॉर्ड्सदरम्यान 'कीप अलाइव्ह' (Keepalive) स्टेप (Step) जोडा—सेशन पेज (Session page) रिफ्रेश (Refresh) करा किंवा कुकी (Cookie) कालबाह्य झाल्यावर पुन्हा लॉग इन करा.
दृष्टिकोनांची तुलना: Gemini 2.5 विरुद्ध स्क्रिप्ट्स (Scripts) विरुद्ध RPA.
- पारंपारिक स्क्रिप्ट्स (Traditional scripts) (Selenium, Playwright): खूप वेगवान, अतिशय अचूक, खूप नाजूक. एक CSS क्लास (Class) बदलला आणि संपूर्ण प्रक्रिया थांबते. नियंत्रित ॲप्ससाठी उत्तम.
- RPA प्लॅटफॉर्म्स (Platforms): शक्तिशाली, दृश्यमान फ्लोचार्ट्स (Flowcharts) आणि एंटरप्राइज गव्हर्नन्ससह (Enterprise governance). सेटअप (Setup) एक प्रकल्प असू शकतो. जर तुम्ही ते दररोज वापरणार असाल तर खूप छान.
- Gemini 2.5 Computer Use: लवचिक, डोळ्यांनी पेज (Page) पाहून विचार करणे. हळू, पण कमी नाजूक. तदर्थ रन्स (Ad hoc runs), अव्यवस्थित थर्ड-पार्टी पोर्टल्स (Third-party portals) आणि वन-ऑफ माइग्रेशनसाठी (One-off migrations) आदर्श.
Gemini ला एका अष्टपैलू gig worker प्रमाणे समजा, जो नवीन ऑफिसमध्ये (Office) प्रवेश करू शकतो आणि पेपर क्लिप्स (Paper clips) कोणत्या ड्रॉवरमध्ये (Drawer) आहेत हे शोधू शकतो—थोड्या मार्गदर्शनाने.
कुठे उपयोगी आहे (आणि खरोखरच मदत करते).
एक आश्चर्य: Sider.AI या वर्कफ्लोसाठी (Workflow) कमांड सेंटर (Command center) म्हणून खूप चांगले काम करते. तुम्ही तुमचे प्रॉम्प्ट टेम्प्लेट्स (Prompt templates), CSVs, लॉग्स (Logs) आणि स्क्रीनशॉट्स (Screenshots) एकाच ठिकाणी ठेवू शकता—आणि सहाय्यकाला स्टेप्स (Steps) एकत्र करण्यास सांगू शकता. हे Gemini 2.5 Computer Use च्या प्रत्यक्ष पेज (Page) नियंत्रणाची जागा घेणार नाही, पण ते हे करू शकते: - तुमच्या प्रॉम्प्ट्सला (Prompts) ऑटोमेशन्सच्या (Automations) पुस्तकासारखे साठवा आणि त्यांची आवृत्ती तयार करा.
- रन लॉग्सचे (Run logs) साध्या अहवालात रूपांतर करा 'कोण यशस्वी झाले, कोण अयशस्वी, पुढे काय'.
- जेव्हा पोर्टल (Portal) बदलते तेव्हा समस्यानिवारणासाठी तयार केलेले प्रॉम्प्ट्स (Prompts) तयार करा.
- अव्यवस्थित स्प्रेडशीटला (Spreadsheet) स्वच्छ, ऑटोमेशनसाठी (Automation) तयार CSV मध्ये रूपांतरित करण्यात मदत करा.
एकत्रितपणे वापरल्यास, Sider.AI क्लिपबोर्ड (Clipboard) आणि प्लेबुक (Playbook) आहे; Gemini 2.5 हा मैदानावरील quarterback आहे. प्रगत युक्त्या: कंडिशनल लॉजिक (Conditional logic), ब्रँचिंग (Branching) आणि व्हेरिफिकेशन (Verification).
एकदा तुमचा मूलभूत गोष्टींवर विश्वास बसला की, बुद्धीमत्ता वाढवा:
- ब्रँचिंग (Branching): 'जर दर ड्रॉपडाउनमध्ये (Rate dropdown) इच्छित पर्याय नसेल, तर विनंती केलेल्या दराच्या ≥ सर्वात जवळचा पर्याय निवडा; अन्यथा, ओळFlag करा'.
- कंडिशनल अटॅचमेंट्स (Conditional attachments): 'एकूण_मैल ≥ 50 असल्यास पावती अपलोड (Upload) करा; अन्यथा, रिक्त सोडा'.
- उत्पन्न फील्ड्स (Derived fields): 'प्रतिपूर्ती = एकूण_मैल × दर मोजा; पोर्टलचे (Portal) एकूण $0.01 मध्ये जुळते की नाही ते तपासा; जुळत नसल्यास, स्क्रीनशॉट (Screenshot) घ्या आणि वगळा'.
- क्रॉस-पेज व्हेरिफिकेशन (Cross-page verification): सबमिशननंतर, 'इतिहास' उघडा, आजची एंट्री (Entry) शोधा आणि नाव आणि एकूण CSV शी जुळते की नाही ते तपासा.
हे तपासणी एक मजेदार डेमोला (Demo) तुमच्या व्यवस्थापकाला आवडेल अशा गोष्टीत रूपांतरित करतात.
एक छोटासा बदल: सुरक्षा नाटक विरुद्ध खरी सुरक्षा.
तुम्हाला अशी पोर्टल्स (Portals) दिसतील जी puzzles, क्लिक-अँड-ड्रॅग स्लायडर्स (Click-and-drag sliders) किंवा Hobbit ला शोभतील अशा पॉप-अप (Pop-up) कोडी वापरतात. काही खरे बॉट डिफेन्स (Bot defense) आहेत; काही फक्त पेज मेकअप (Page makeup) आहेत. चांगल्या गोष्टींशी लढा देऊ नका. माणसाच्या मदतीसाठी थांबा. Gemini ला घोषणा करू द्या: 'कॅप्चा (Captcha) आढळला—तुमच्या मदतीसाठी तयार आहे', मग पुन्हा सुरू करा.
खरी सुरक्षा तुमच्या सेटअपमधून (Setup) येते: वेगळी प्रोफाईल्स (Profiles), मर्यादित परवानग्या, ऑडिट लॉग्ज (Audit logs) आणि स्पष्ट स्टॉप (Stop) शर्ती.
यश मोजणे: 'चांगले' कसे दिसते.
Gemini 2.5 Computer Use सह निरोगी वेब-फॉर्म ऑटोमेशन (Web-form automation) असे दिसते:
- 95%+ ओळींमध्ये कोणत्याही बदलाशिवाय प्रक्रिया केली जाते.
- त्रुटी predictable आहेत आणि त्यांची नोंद केली जाते (तारखा जुळत नाहीत, फाईल्स गहाळ आहेत).
- तुम्ही पूर्वीच्या ओळींना स्पर्श न करता शेवटच्या अयशस्वी ओळीपासून पुन्हा सुरू करू शकता.
- काय घडले हे समजून घेण्यासाठी माणूस स्क्रीनशॉट्स (Screenshots) आणि लॉग्जचे (Logs) ऑडिट (Audit) करू शकतो.
जेव्हा तुम्ही हे गुण मिळवता, तेव्हा तुम्ही कंटाळवाण्या कामाला एका व्यवस्थित, पुनरावलोकनीय वर्कफ्लोमध्ये (Workflow) रूपांतरित करता.
लहान प्लेबुक (Playbook): 12 स्टेप्समध्ये (Steps) 'सबमिट' पर्यंत.
- तुम्ही दर आठवड्याला करता असा एक कंटाळवाणा फॉर्म (Form) ओळखा.
- तुमचा डेटा स्वच्छ करा. तारखा, संख्या, फाईल मार्ग.
- शक्य असल्यास चाचणी खाते (Test account) आणि सँडबॉक्स (Sandbox) तयार करा.
- नियंत्रित ब्राउझर प्रोफाइलमध्ये (Browser profile) Gemini 2.5 Computer Use उघडा.
- फॉर्मचे वर्णन करा आणि फील्ड मॅपिंग्स (Field mappings)Provide करा.
- एक रेकॉर्ड चालवा—स्लो मोशनमध्ये (Slow motion), सांगा आणि त्यावर लक्ष ठेवा.
- कोणत्याही त्रुटीवर बॅच लॉग (Batch log) आणि स्क्रीनशॉट (Screenshot) तयार करा.
- पाच रेकॉर्ड्स प्रोसेस (Process) करा; मग वीस.
- लहान सुरक्षा उपाय जोडा (ऑटो कंप्लीट्स (Autocompletes) बंद करण्यासाठी एस्केप (Escape); तारखा थेट टाइप (Type) करा).
- लॉग एक्सपोर्ट (Log export) करा; पोर्टलच्या (Portal) इतिहासात spot-check करा.
- पुढील आठवड्यासाठी तुमचा प्रॉम्प्ट (Prompt) आणि डेटा स्ट्रक्चर (Data structure) सेव्ह (Save) करा. भविष्यात तुम्ही स्वतःला धन्यवाद द्याल.
शेवटची गोष्ट: पेजशी (Page) लढा देऊ नका—पेजला तुम्हाला शिकवा.
वेबला (Web) रहस्ये ठेवायला आवडतात. बटणे चिन्हांच्या मागे लपतात; तुम्ही क्लिक (Click) करेपर्यंत फील्ड (Field) तुम्हाला फटकारण्याची वाट पाहतात. Gemini 2.5 Computer Use जादूने वेब (Web) ठीक करत नाही—हे संयमाने ते शिकते. यात वेग महत्त्वाचा नाही; तर शांतता महत्त्वाची आहे. तुम्ही एक तास परत मिळवता, जो तुम्ही बॉक्सेसमध्ये (Boxes) घालवला असता आणि त्याऐवजी नोंदीमध्ये 'झोन बी मध्ये क्लायंट व्हिजिट्स' (Client visits in Zone B) लिहावे की 'झोन बी एक्स्ट्राव्हेगान्झा' (Zone B extravaganza) लिहावे हे ठरवण्यात घालवता.
त्यामुळे एक फॉर्म (Form) निवडा. Gemini 2.5 Computer Use ला सीटबेल्ट्ससह (Seatbelts) ड्रायव्हरच्या सीटवर बसवा—आणि त्याला क्लिक (Click) करू द्या. जेव्हा तो कन्फर्मेशन कोड (Confirmation code) पॉप अप (Pop up) होतो आणि कोणालाही ड्रॉपडाउन (Dropdown) हलवावे लागत नाही, तेव्हा तुम्हाला 2007 च्या डेट पिकरबद्दल (Date picker) इंटरनेटने माफी मागितल्यासारखे वाटेल.
महत्वाचे मुद्दे
- Gemini 2.5 Computer Use तुमच्या पेजला (Page) पाहून आणि एका काळजीपूर्वक सहाय्यकाप्रमाणे ऑपरेट (Operate) करून वेब फॉर्म्स (Web forms) ऑटोमेट (Automate) करू शकते.
- अगदी लहान सुरुवात करा, सुरक्षा उपाय जोडा आणि जेव्हा ते कंटाळवाणे होईल तेव्हाच स्केल करा—चांगल्या अर्थाने.
- स्वच्छ डेटा, स्पष्ट फील्ड मॅपिंग आणि यश/अपयश तपासणी वापरा.
- कॅप्चा (captchas) आणि एमएफए (MFA) हे मानवी हस्तक्षेपाचे क्षण आहेत हे स्वीकारा.
- प्रॉम्प्ट्स (prompts), लॉग्स (logs) आणि क्लिनअप (cleanup) व्यवस्थापित करण्यासाठी Sider.AIGemini सोबत जोडा—Sider.AIGemini च्या हातांसाठी क्लिपबोर्ड.
आता त्या फॉर्मला कोण बॉस आहे ते शिकवा. किंवा, अधिक नम्रपणे, कोण काम सोपवत आहे.
FAQ (सामान्य प्रश्न)
प्रश्न 1: साध्या भाषेत 2.5 कॉम्प्युटर युज (Computer Use) म्हणजे काय?
हा एक मोड आहे जिथे तुमच्या ब्राउझरला (browser) प्रत्यक्ष नियंत्रित करू शकते—क्लिक (click) करणे, टाइप (type) करणे, अपलोड (upload) करणे—त्यामुळे ते वेब फॉर्म्स (web forms) ऑटोमेट (automate) करू शकते. हे तुमच्या सूचनांचे पालन करणार्या आणि हालचालींचे वर्णन करणार्या एका काळजीवाहू इंटर्नप्रमाणे (intern) आहे.
प्रश्न 2: 2.5 खरोखरच फाइल अपलोड्स (file uploads) आणि डेट पिकर्स (date pickers) सह वेब फॉर्म्स ऑटोमेट (automate) करू शकते का?
होय, स्पष्ट सूचनांसह. ला थेट तारखा टाइप (type) करण्यास सांगा, 'रेट' (Rate) ड्रॉपडाउन (dropdown) स्पष्टपणे हाताळण्यास सांगा आणि फाइल पाथ्स (file paths) अपलोड (upload) डायलॉगमध्ये (dialog) पेस्ट (paste) करा—या विशिष्ट गोष्टींमुळे फरक पडतो.
प्रश्न 3: मी वेब-फॉर्म ऑटोमेशन (web-form automation) सुरक्षित आणि नियमांनुसार कसे ठेवू?
एक वेगळे ब्राउझर प्रोफाइल (browser profile), किमान- विशेषाधिकार असलेले अकाउंट्स (accounts) आणि प्रत्येक रनसाठी (run) लॉग्स (logs) वापरा. प्रॉम्प्ट्समध्ये (prompts) पासवर्ड (password) टाकणे टाळा; कॅप्चा (captcha) आणि एमएफए (MFA) साठी थांबा, नंतर पुन्हा सुरू करा.
प्रश्न 4: 2.5 पारंपारिक स्क्रिप्ट्स (scripts) जसे की सेलेनिअम (Selenium) पेक्षा जलद आहे का?
सहसा नाही, परंतु ते गोंधळलेल्या पेजेस (pages) आणि एकदाच करायच्या कामांसाठी अधिक जुळवून घेण्यासारखे आहे. स्क्रिप्ट्स (scripts) वेगवान आणि नाजूक असतात; हळू आहे पण साइटचे (site) सीएसएस (CSS) बदलल्यास ब्रेक (break) होण्याची शक्यता कमी आहे.
प्रश्न 5: या वर्कफ्लोमध्ये (workflow) Sider.AIGemini कुठे मदत करते?
Sider.AI तुमचे प्रॉम्प्ट्स (prompts) साठवू शकते, तुमच्या सीएसव्ही (CSV) फाइल्स स्वच्छ करू शकते, लॉग्सचा (logs) सारांश देऊ शकते आणि समस्यानिवारण टिप्स (troubleshooting tips) तयार करू शकते. Sider.AIGemini क्लिक (click) करत असताना, हे तुमच्या ऑटोमेशन प्लेबुकसाठी (automation playbook) आयोजक आणि संपादक-प्रमुख आहे. 
