AI का इस्तेमाल कैसे करें, बिना उसे सब कुछ संभालने दिए

नवीनता से उपयोगिता की ओर बदलाव

लार्ज लैंग्वेज मॉडल्स की नवीनता अब कम हो रही है। यूजर्स मशीन को टेक्स्ट जनरेट करते देख शुरुआती हैरानी से आगे बढ़ चुके हैं और अब यह पूछ रहे हैं कि ये टूल्स वास्तव में एक प्रोडक्टिव दिन में कैसे फिट होते हैं। इसका जवाब और अधिक ऑटोमेशन नहीं है। इसका जवाब है बेहतर सीमाएं। हम एक ऐसा बदलाव देख रहे हैं जहाँ स्मार्ट यूजर्स इन सिस्टम्स को ओरेकल (भविष्यवक्ता) के बजाय इंटर्न की तरह ट्रीट करते हैं। यह ट्रांजिशन इस विचार से दूर जाने की मांग करता है कि AI सब कुछ संभाल सकता है। यह नहीं कर सकता। यह एक सांख्यिकीय इंजन है जो पैटर्न के आधार पर अगले शब्द की भविष्यवाणी करता है। यह सोचता नहीं है। इसे आपकी डेडलाइन्स की परवाह नहीं है। यह आपकी ऑफिस पॉलिटिक्स की बारीकियों को नहीं समझता है। इसे प्रभावी ढंग से उपयोग करने के लिए, आपको अपने मुख्य रचनात्मक काम के चारों ओर एक सुरक्षा घेरा बनाना होगा। यह एल्गोरिदम के शोर के युग में अपनी एजेंसी बनाए रखने के बारे में है। ऑटोमेशन के बजाय ऑगमेंटेशन पर ध्यान केंद्रित करके, आप यह सुनिश्चित करते हैं कि मशीन आपके लक्ष्यों की सेवा करे, न कि आपके आउटपुट को निर्धारित करे। लक्ष्य एक ऐसा संतुलन खोजना है जहाँ टूल दोहराव वाले कार्यों को संभाले जबकि आप लॉजिक और अंतिम निर्णय पर नियंत्रण रखें।

एक कार्यात्मक बफर ज़ोन बनाना

व्यावहारिकता का मतलब है अलगाव। लोग अक्सर AI का उपयोग करने को AI को पूरी प्रक्रिया चलाने देने के साथ भ्रमित कर देते हैं। यह एक ऐसी गलती है जो सामान्य परिणामों और बार-बार होने वाली त्रुटियों की ओर ले जाती है। एक कार्यात्मक बफर ज़ोन में आपके वर्कफ़्लो को छोटे कार्यों में तोड़ना शामिल है। आप किसी मॉडल से रिपोर्ट लिखने के लिए नहीं कहते हैं। आप इसे इन बुलेट पॉइंट्स को टेबल में फॉर्मेट करने या इन तीन ट्रांसक्रिप्ट्स को सारांशित करने के लिए कहते हैं। यह लॉजिक और रणनीति के लिए इंसान को ड्राइवर सीट पर रखता है। जो भ्रम बहुत से लोग लाते हैं वह यह विश्वास है कि AI एक सामान्य बुद्धिमत्ता है। यह नहीं है। यह पैटर्न रिकग्निशन के लिए एक विशेष टूल है। जब आप इसे एक जर्नलिस्ट की तरह ट्रीट करते हैं, तो यह तथ्यों को गलत बताकर या आपके ब्रांड का टोन खोकर विफल हो जाता है। कार्यों को छोटा रखकर, आप विनाशकारी त्रुटि के जोखिम को कम करते हैं। आप यह भी सुनिश्चित करते हैं कि अंतिम निर्णय लेने वाले आप ही हैं।

इस दृष्टिकोण के लिए पहले से अधिक काम की आवश्यकता होती है क्योंकि आपको अपनी प्रक्रिया के बारे में सोचना पड़ता है। आपको यह मैप करना होगा कि डेटा कहाँ जाता है और कौन इसकी जांच करता है। लेकिन इसका फायदा एक ऐसा वर्कफ़्लो है जो पूरी तरह से मैनुअल वर्कफ़्लो की तुलना में वास्तव में तेज़ और अधिक विश्वसनीय है। यह घर्षण बिंदुओं को खोजने और उन्हें सुचारू बनाने के बारे में है, बिना उस व्यक्ति को हटाए जो समझता है कि काम क्यों मायने रखता है। कई यूजर्स इन मॉडल्स की रचनात्मक क्षमताओं को कम आंकते हैं जबकि वे सरल डेटा ट्रांसफॉर्मेशन में उनकी उपयोगिता को कम आंकते हैं। यदि आप इसका उपयोग एक गंदी स्प्रेडशीट को एक साफ लिस्ट में बदलने के लिए करते हैं, तो यह पूरी तरह से काम करता है। यदि आप इसका उपयोग एक अनूठी व्यावसायिक रणनीति के साथ आने के लिए करते हैं, तो यह संभवतः आपको वही रीसायकल किया हुआ वर्जन देगा जो बाकी सब कर रहे हैं। विरोधाभास यह है कि आप सोचने के लिए जितना अधिक इस पर निर्भर रहेंगे, यह उतना ही कम उपयोगी होता जाएगा। आप श्रम के लिए जितना अधिक इसका उपयोग करेंगे, यह उतना ही अधिक मदद करेगा।

गार्डरेल्स के लिए अंतरराष्ट्रीय दौड़

वैश्विक स्तर पर, बातचीत इस बात से बदल रही है कि हम इसे कैसे बनाएं से लेकर हम इसके साथ कैसे जिएं। यूरोपीय संघ में, AI Act हाई-रिस्क एप्लीकेशन्स पर सख्त सीमाएं तय कर रहा है। संयुक्त राज्य अमेरिका में, कार्यकारी आदेश सुरक्षा पर ध्यान केंद्रित कर रहे हैं। यह सिर्फ बड़ी टेक कंपनियों के बारे में नहीं है। यह हर छोटे व्यवसाय और व्यक्तिगत क्रिएटर को प्रभावित करता है। सरकारें सच्चाई के क्षरण और श्रमिकों के विस्थापन को लेकर चिंतित हैं। कंपनियां डेटा लीक और बौद्धिक संपदा की चोरी को लेकर चिंतित हैं। यहाँ एक स्पष्ट विरोधाभास है। हम ऑटोमेशन की दक्षता चाहते हैं, लेकिन हम नियंत्रण खोने से डरते हैं। सिंगापुर और दक्षिण कोरिया जैसी जगहों पर, ध्यान साक्षरता पर है और यह सुनिश्चित करने पर है कि कार्यबल इन टूल्स को संभाले बिना उनसे रिप्लेस न हो जाए। गार्डरेल्स के लिए यह अंतरराष्ट्रीय दौड़ एक संकेत है कि हनीमून खत्म हो गया है। हम अब जवाबदेही के युग में हैं।

यदि कोई एल्गोरिदम ऐसी गलती करता है जिससे कंपनी को लाखों का नुकसान होता है, तो जिम्मेदार कौन है। डेवलपर, यूजर, या वह कंपनी जिसने डेटा प्रदान किया। ये सवाल कई अधिकार क्षेत्रों में अनुत्तरित हैं। जैसे-जैसे हम आगे बढ़ रहे हैं, कानूनी ढांचे और भी जटिल होते जाएंगे। इसका मतलब है कि यूजर्स को सक्रिय होना होगा। आप कानून के आपको बचाने का इंतजार नहीं कर सकते। आपको अपनी आंतरिक नीतियां बनानी होंगी कि आप डेटा को कैसे संभालते हैं और आप इन मशीनों के आउटपुट को कैसे सत्यापित करते हैं। यह उन लोगों के लिए विशेष रूप से सच है जो ग्लोबल टेक स्टैंडर्ड्स और वे स्थानीय संचालन को कैसे प्रभावित करते हैं, इस पर गौर कर रहे हैं। वास्तविकता यह है कि तकनीक नियमों से तेज़ चल रही है। इस पर अधिक जानकारी के लिए, उनकी नवीनतम नीति विश्लेषण के लिए MIT Technology Review देखें। AI कार्यान्वयन रणनीतियों को समझना अब किसी भी प्रोफेशनल के लिए एक मुख्य आवश्यकता है जो बदलते बाजार में प्रासंगिक बने रहना चाहता है।

मैनेज्ड ऑटोमेशन के साथ एक मंगलवार

आइए सारा नाम की एक प्रोजेक्ट मैनेजर के लिए एक सामान्य मंगलवार को देखें। वह अपनी सुबह पचास ईमेल के ढेर के साथ शुरू करती है। हर एक को पढ़ने के बजाय, वह एक्शन आइटम्स निकालने के लिए एक लोकल स्क्रिप्ट का उपयोग करती है। यहीं पर लोग AI को अधिक आंकते हैं। उन्हें लगता है कि यह रिप्लाई संभाल सकता है। सारा बेहतर जानती है। वह लिस्ट की समीक्षा करती है, जंक को डिलीट करती है, और फिर खुद रिप्लाई लिखती है। AI ने उसके छंटनी के एक घंटे बचाए, लेकिन उसने मानवीय स्पर्श बनाए रखा। बाद में, उसे एक प्रोजेक्ट प्लान का मसौदा तैयार करने की आवश्यकता होती है। वह मॉडल को बाधाएं देती है: बजट, समयरेखा, और टीम का आकार। यह उसे एक ड्राफ्ट देता है। वह उस ड्राफ्ट को फाड़ने में दो घंटे बिताती है क्योंकि मॉडल को यह नहीं पता था कि उसके दो डेवलपर्स वर्तमान में छुट्टी पर हैं। यह मानवीय समीक्षा की वास्तविकता है। रणनीति तब विफल हो जाती है जब आप मान लेते हैं कि मॉडल के पास आपके जीवन का पूरा संदर्भ है। यह नहीं है। सारा अपनी दोपहर की मीटिंग को ट्रांसक्राइब करने के लिए एक टूल का भी उपयोग करती है। वह सारांश उत्पन्न करने के लिए ट्रांसक्रिप्ट का उपयोग करती है। उसे पता चलता है कि AI ने क्लाइंट की आपत्ति के बारे में एक महत्वपूर्ण बिंदु छोड़ दिया। यदि वह मीटिंग में नहीं होती, तो वह भी इसे मिस कर देती।

यह डेलिगेशन की छिपी हुई लागत है। आपको अभी भी ध्यान देने की आवश्यकता है। दिन के अंत तक, सारा ने पिछले साल की तुलना में अधिक काम किया है, लेकिन वह अधिक थकी हुई भी है। AI के काम की जांच करने का मानसिक भार खुद काम करने के भार से अलग है। इसके लिए संदेह की निरंतर स्थिति की आवश्यकता होती है। लोग अक्सर इस संज्ञानात्मक कर (cognitive tax) को कम आंकते हैं। उन्हें लगता है कि AI जीवन को आसान बनाता है। अक्सर, यह बस जीवन को तेज़ बनाता है, जो एक ही बात नहीं है। सारा को सिस्टम से अपनी अंतिम रिपोर्ट मिली और उसने टोन को ठीक करने में बीस मिनट बिताए। उसने यह सुनिश्चित करने के लिए एक विशिष्ट चेकलिस्ट का पालन किया कि आउटपुट भेजने के लिए सुरक्षित था:

• मूल स्रोत के खिलाफ सभी नामों और तारीखों को सत्यापित करें।
• पैराग्राफ के बीच तार्किक विसंगतियों की जांच करें।
• सामान्य विशेषणों को हटाएं जो मशीन जनरेशन का संकेत देते हैं।
• सुनिश्चित करें कि निष्कर्ष इंट्रो में प्रदान किए गए डेटा से मेल खाता है।
• एक व्यक्तिगत नोट जोड़ें जो पिछली बातचीत का संदर्भ देता हो।

सारा के दिन में विरोधाभास यह है कि वह जितना अधिक टूल का उपयोग करती है, उसे उतना ही अधिक हाई-लेवल एडिटर के रूप में कार्य करना पड़ता है। वह अब सिर्फ एक प्रोजेक्ट मैनेजर नहीं है। वह एक एल्गोरिदम के लिए क्वालिटी एश्योरेंस ऑफिसर है। यह कहानी का वह हिस्सा है जिसे अक्सर सुचारू कर दिया जाता है। हमें बताया जाता है कि AI हमें हमारा समय वापस देता है। वास्तव में, यह बदलता है कि हम उस समय को कैसे बिताते हैं। यह हमें निर्माण के कार्य से सत्यापन के कार्य की ओर ले जाता है। यह थका देने वाला हो सकता है। इसके लिए कौशल के एक अलग सेट की भी आवश्यकता होती है जिसके लिए कई लोग तैयार नहीं हैं। आपको सही व्याकरण के समुद्र में एक सूक्ष्म त्रुटि को पहचानने में सक्षम होना चाहिए। आपको यह बताने में सक्षम होना चाहिए कि मशीन कब चीजें बना रही है क्योंकि वह आपको खुश करना चाहती है। यहीं पर मानवीय समीक्षा सिर्फ एक सुझाव नहीं है। यह एक पेशेवर वातावरण में जीवित रहने के लिए एक आवश्यकता है।

दक्षता पर छिपा हुआ कर

हमें इस एकीकरण के दीर्घकालिक प्रभावों के बारे में कठिन सवाल पूछने चाहिए। जब हम अपने खुद के पहले ड्राफ्ट लिखना बंद कर देते हैं तो हमारे कौशल का क्या होता है। यदि कोई जूनियर डिजाइनर अपना पूरा करियर AI जनरेटेड इमेजेस को ठीक करने में बिताता है, तो क्या वे कभी कंपोजिशन के मूल सिद्धांतों को सीखेंगे। कौशल शोष (skill atrophy) का जोखिम है जिसके बारे में हम पर्याप्त बात नहीं कर रहे हैं। फिर गोपनीयता का मुद्दा है। क्लाउड-आधारित मॉडल को भेजा गया हर प्रॉम्प्ट डेटा का एक टुकड़ा है जिसे आप दे रहे हैं। उद्यम समझौतों के साथ भी, डेटा पॉइजनिंग या आकस्मिक जोखिम का खतरा वास्तविक है। आपके डेटा पर बनी बुद्धिमत्ता का मालिक कौन है। यदि आप एक किताब लिखने में मदद करने के लिए AI का उपयोग करते हैं, तो क्या वह किताब वास्तव में आपकी है। कानूनी प्रणाली अभी भी इसे पकड़ रही है। हमें पर्यावरणीय लागत पर भी विचार करना चाहिए। इन विशाल मॉडल्स को चलाने के लिए बिजली और कूलिंग के लिए पानी की भारी मात्रा की आवश्यकता होती है। क्या एक सारांशित ईमेल की सुविधा कार्बन फुटप्रिंट के लायक है।

हम क्लाउड के जादू को अधिक आंकते हैं और इसे चलाने के लिए आवश्यक भौतिक बुनियादी ढांचे को कम आंकते हैं। फीडबैक लूप की भी समस्या है। यदि AI को AI जनरेटेड कंटेंट पर प्रशिक्षित किया जाता है, तो आउटपुट की गुणवत्ता अंततः खराब हो जाएगी। हम पहले से ही कुछ रिसर्च सेटिंग्स में मॉडल कोलैप्स देख रहे हैं। हम यह कैसे सुनिश्चित करें कि हम अभी भी सिस्टम को उच्च गुणवत्ता वाली, मानव निर्मित जानकारी खिला रहे हैं। ये विरोधाभास गायब नहीं होने वाले हैं। वे आधुनिक युग के लिए प्रवेश की कीमत हैं।

आपको यह तय करना होगा कि क्या ट्रेड-ऑफ आपकी विशिष्ट स्थिति के लिए सार्थक है। कई लोगों के लिए, जवाब एक सतर्क हाँ है, लेकिन केवल तभी जब इंसान अंतिम अधिकार बना रहे। इसके नैतिकता पर अधिक जानकारी के लिए, टेक नीति में उनकी गहरी डाइव के लिए The Verge पर जाएं। विषय विकसित होता रहेगा क्योंकि हमने अभी तक यह तय नहीं किया है कि मानव और मशीन के बीच की रेखा कहाँ खींची जानी चाहिए।

स्थानीय नियंत्रण का बुनियादी ढांचा

पावर यूजर्स के लिए, समाधान अक्सर बड़े क्लाउड प्रदाताओं से दूर जाना होता है। स्थानीय स्टोरेज और स्थानीय निष्पादन गोपनीयता और विश्वसनीयता के लिए गोल्ड स्टैंडर्ड बन रहे हैं। यदि आप अपने हार्डवेयर पर Llama या Mistral जैसा मॉडल चलाते हैं, तो आप अपने डेटा के प्रशिक्षण के लिए उपयोग किए जाने के जोखिम को खत्म कर देते हैं। आप उतार-चढ़ाव वाली API सीमाओं और मॉडल्स की नर्फिंग से भी बचते हैं जो अक्सर तब होता है जब प्रदाता कंप्यूट लागत पर बचत करने की कोशिश करते हैं। हालाँकि, इसके लिए हार्डवेयर में महत्वपूर्ण निवेश की आवश्यकता होती है। आपको बहुत सारे VRAM के साथ एक हाई-एंड GPU की आवश्यकता है। आपको यह भी समझने की जरूरत है कि अपने कॉन्टेक्स्ट विंडो को कैसे प्रबंधित किया जाए। यदि आपका प्रॉम्प्ट बहुत लंबा है, तो मॉडल बातचीत की शुरुआत को भूलना शुरू कर देगा। यहीं पर रिट्रीवल-ऑगमेंटेड जनरेशन जैसे वर्कफ़्लो इंटीग्रेशन काम आते हैं। सब कुछ प्रॉम्प्ट में भरने के बजाय, आप केवल प्रासंगिक जानकारी के टुकड़ों को लाने के लिए एक वेक्टर डेटाबेस का उपयोग करते हैं।

क्या आपके पास कोई AI कहानी, उपकरण, ट्रेंड या प्रश्न है जिसके बारे में आपको लगता है कि हमें कवर करना चाहिए? हमें अपना लेख विचार भेजें — हमें इसे सुनकर खुशी होगी।

यह बहुत अधिक कुशल है लेकिन इसके लिए उच्च स्तर के तकनीकी कौशल की आवश्यकता होती है। आपको अपने स्वयं के एम्बेडिंग का प्रबंधन करना होगा और यह सुनिश्चित करना होगा कि आपका डेटाबेस अप-टू-डेट है। OpenAI या Google के विशाल क्लस्टर्स की तुलना में स्थानीय मॉडल्स क्या कर सकते हैं, इसकी भी सीमाएं हैं। आप नियंत्रण के लिए कच्ची शक्ति का व्यापार कर रहे हैं। हम और अधिक टूल्स देख रहे हैं जो औसत गीक के लिए इसे आसान बनाते हैं, लेकिन इसके लिए अभी भी एक टिंकर माइंडसेट की आवश्यकता है। आपको सही आउटपुट प्राप्त करने के लिए पायथन स्क्रिप्ट को डीबग करने या अपनी तापमान सेटिंग्स को समायोजित करने में घंटों खर्च करने के लिए तैयार रहना होगा। उच्च सुरक्षा आवश्यकताओं वाले लोगों के लिए इस दृष्टिकोण के लाभ स्पष्ट हैं:

• बाहरी सर्वर पर शून्य डेटा रिसाव।
• प्रारंभिक हार्डवेयर लागत के बाद कोई मासिक सदस्यता शुल्क नहीं।
• फाइन ट्यूनिंग के माध्यम से मॉडल के व्यवहार का अनुकूलन।
• शक्तिशाली भाषा प्रसंस्करण टूल्स तक ऑफ़लाइन पहुंच।
• आप जिस मॉडल के वर्जन का उपयोग कर रहे हैं उस पर पूर्ण नियंत्रण।

यहाँ विरोधाभास यह है कि जिन लोगों को दक्षता के लिए AI की सबसे अधिक आवश्यकता है, वे अक्सर वे होते हैं जिनके पास इन स्थानीय सिस्टम्स को सेट करने का समय नहीं होता है। यह उन लोगों के बीच एक विभाजन पैदा करता है जो उपभोक्ता वर्जन का उपयोग करते हैं और जो अपना निजी स्टैक बनाते हैं। जैसे-जैसे मॉडल्स अधिक जटिल होते जाएंगे, यह तकनीकी अंतर बढ़ने की संभावना है। यदि आप एक क्रिएटर या डेवलपर हैं, तो स्थानीय बुनियादी ढांचे में निवेश एक विलासिता से कम और एक आवश्यकता अधिक बनता जा रहा है। यह सुनिश्चित करने का एकमात्र तरीका है कि आपके टूल्स रातोंरात बदलें या गायब न हों क्योंकि किसी प्रदाता ने अपनी सेवा की शर्तों को अपडेट करने का निर्णय लिया है।

लूप में इंसान

निचला रेखा यह है कि AI एम्प्लीफिकेशन का एक टूल है, निर्णय के लिए प्रतिस्थापन नहीं है। यदि आप इसका उपयोग किसी खराब प्रक्रिया को गति देने के लिए करते हैं, तो आपको बस तेजी से खराब परिणाम मिलते हैं। लक्ष्य इन सिस्टम्स का उपयोग उन कठिन कार्यों को संभालने के लिए करना चाहिए जबकि आप उच्च-स्तरीय रणनीति पर ध्यान केंद्रित करें। इसके लिए हमें अपने मूल्य के बारे में सोचने के तरीके में बदलाव की आवश्यकता है। हम अब हर छोटे कार्य के कर्ता नहीं हैं। हम आर्किटेक्ट और एडिटर हैं। जो जीवित प्रश्न बना हुआ है वह यह है कि क्या हम अपनी रचनात्मक चिंगारी को बनाए रख सकते हैं जब कम से कम प्रतिरोध का रास्ता हमेशा एक एल्गोरिदम वाला होता है। यदि हम मशीनों को आसान चीजें संभालने देते हैं, तो क्या हमारे पास कठिन चीजों के लिए सहनशक्ति बचेगी। यह एक ऐसा विकल्प है जिसे हर यूजर को हर दिन बनाना होता है। व्यावहारिकता नवीनता से अधिक मायने रखती है। टूल का उपयोग करें, लेकिन इसे अपना उपयोग न करने दें। अपनी नजरें आउटपुट पर रखें और अपने हाथ व्हील पर रखें।

संपादक का नोट: हमने इस साइट को उन लोगों के लिए एक बहुभाषी AI समाचार और गाइड हब के रूप में बनाया है जो कंप्यूटर गीक नहीं हैं, लेकिन फिर भी आर्टिफिशियल इंटेलिजेंस को समझना चाहते हैं, इसे अधिक आत्मविश्वास के साथ उपयोग करना चाहते हैं, और उस भविष्य का अनुसरण करना चाहते हैं जो पहले से ही आ रहा है।

कोई त्रुटि मिली या कुछ ऐसा जिसे सुधारने की आवश्यकता है? हमें बताएं।