ബിസിനസ്സ് വേഗത്തിൽ നീങ്ങുമ്പോഴും AI എത്തിക്സ് എന്തുകൊണ്ട് പ്രധാനമാകുന്നു

ടെക് ലോകത്ത് ഇപ്പോൾ വേഗതയാണ് എല്ലാം. വലിയ ഭാഷാ മോഡലുകൾ (large language models) പുറത്തിറക്കാൻ കമ്പനികൾ തമ്മിൽ വലിയ മത്സരമാണ്, കാരണം എതിരാളികൾക്ക് പിന്നിലായിപ്പോകുമോ എന്ന ഭയം അവർക്കുണ്ട്. എന്നാൽ ഒരു ധാർമ്മിക അടിത്തറയില്ലാതെ വേഗത്തിൽ നീങ്ങുന്നത് ഒടുവിൽ ഉൽപ്പന്നത്തെ തകർക്കുന്ന technical debt-ലേക്ക് നയിക്കും. AI-ലെ എത്തിക്സ് എന്നത് ഫിലോസഫി ക്ലാസുകൾക്ക് വേണ്ടിയുള്ള വെറും ആശയങ്ങളല്ല. പ്രൊഡക്ഷൻ എൻവയോൺമെന്റുകളിൽ വലിയ പരാജയങ്ങൾ ഒഴിവാക്കാനുള്ള ഒരു ചട്ടക്കൂടാണിത്. ഒരു മോഡൽ തെറ്റായ നിയമോപദേശം നൽകുകയോ രഹസ്യങ്ങൾ ചോർത്തുകയോ ചെയ്യുമ്പോൾ, അത് നേരിട്ട് സാമ്പത്തിക നഷ്ടമുണ്ടാക്കുന്ന ഒരു ധാർമ്മിക പരാജയമാണ്. വിപണിയിലേക്കുള്ള ഈ തിരക്ക് പലപ്പോഴും ഇത്തരം അപകടസാധ്യതകളെ അവഗണിക്കുന്നത് എന്തുകൊണ്ടാണെന്നും, ദീർഘകാല വളർച്ചയ്ക്ക് ഈ തന്ത്രം എന്തുകൊണ്ട് ഗുണകരമല്ലെന്നും ഈ ലേഖനം പരിശോധിക്കുന്നു. സൈദ്ധാന്തിക ചർച്ചകളിൽ നിന്ന് പ്രായോഗിക സുരക്ഷയിലേക്കുള്ള മാറ്റത്തെക്കുറിച്ചാണ് നമ്മൾ ഇവിടെ സംസാരിക്കുന്നത്. എത്തിക്സ് എന്നാൽ വെറും trolley problems ആണെന്ന് നിങ്ങൾ കരുതുന്നുണ്ടെങ്കിൽ, നിങ്ങൾ കാര്യത്തിന്റെ കാതൽ മനസ്സിലാക്കിയിട്ടില്ല. നിങ്ങളുടെ സോഫ്റ്റ്‌വെയർ യഥാർത്ഥ ലോകത്ത് നിലനിൽക്കാൻ മാത്രം വിശ്വസനീയമാണോ എന്നതാണ് പ്രധാനം. ഇതിന്റെ ചുരുക്കം ഇതാണ്: Ethical AI എന്നാൽ functional AI ആണ്. ഇതിൽ കുറഞ്ഞതെന്തും പരാജയപ്പെടാൻ കാത്തിരിക്കുന്ന ഒരു prototype മാത്രമാണ്.

മാർക്കറ്റിംഗ് ഹൈപ്പിനേക്കാൾ എൻജിനീയറിംഗ് മികവിന് മുൻഗണന

AI എത്തിക്സ് എന്നത് ഡെവലപ്പർമാർ ചെയ്യാൻ പാടില്ലാത്ത കാര്യങ്ങളുടെ ഒരു പട്ടികയാണെന്ന് പലരും തെറ്റിദ്ധരിക്കുന്നു. വാസ്തവത്തിൽ, എല്ലാ ഉപയോക്താക്കൾക്കും ഉൽപ്പന്നം ഉദ്ദേശിച്ച രീതിയിൽ പ്രവർത്തിക്കുന്നുണ്ടെന്ന് ഉറപ്പാക്കുന്ന എൻജിനീയറിംഗ് മാനദണ്ഡങ്ങളുടെ ഒരു കൂട്ടമാണിത്. ഡാറ്റ എങ്ങനെ ശേഖരിക്കുന്നു, മോഡലുകൾ എങ്ങനെ ട്രെയിൻ ചെയ്യുന്നു, ഔട്ട്‌പുട്ടുകൾ എങ്ങനെ നിരീക്ഷിക്കുന്നു എന്നിവയെല്ലാം ഇതിൽ ഉൾപ്പെടുന്നു. മോശമായ ഭാഷ ഒഴിവാക്കുന്നതിനെക്കുറിച്ചാണ് പ്രശ്നമെന്നാണ് ഭൂരിഭാഗം ആളുകളും കരുതുന്നത്. അത് പ്രധാനമാണെങ്കിലും, ഇതിന്റെ വ്യാപ്തി വളരെ വലുതാണ്. ഒരു ഉപയോക്താവ് യന്ത്രവുമായി സംവദിക്കുമ്പോൾ അത് സുതാര്യമായിരിക്കണം. വലിയ തോതിൽ വൈദ്യുതി ഉപയോഗിക്കുന്ന ഒരു മോഡൽ ട്രെയിൻ ചെയ്യുന്നതിന്റെ പാരിസ്ഥിതിക ചെലവും ഇതിൽ ഉൾപ്പെടുന്നു. സമ്മതമില്ലാതെ മോഡൽ നിർമ്മിക്കാൻ ഉപയോഗിച്ചവരുടെ അവകാശങ്ങളും ഇതിൽ പെടുന്നു.

ഇത് ആളുകളോട് നല്ല രീതിയിൽ പെരുമാറുന്നതിനെക്കുറിച്ചല്ല, മറിച്ച് ഡാറ്റാ സപ്ലൈ ചെയിനിന്റെ വിശ്വാസ്യതയെക്കുറിച്ചാണ്. അടിത്തറ മോഷ്ടിച്ചതോ നിലവാരമില്ലാത്തതോ ആയ ഡാറ്റയിലാണെങ്കിൽ, മോഡൽ ഒടുവിൽ വിശ്വസനീയമല്ലാത്ത ഫലങ്ങൾ നൽകും. വ്യവസായത്തിൽ സുരക്ഷ ഉറപ്പാക്കുന്നതിലേക്കുള്ള ഒരു മാറ്റം നമ്മൾ കാണുന്നുണ്ട്. മോഡലുകൾ ദോഷകരമായ കാര്യങ്ങളെ പ്രോത്സാഹിപ്പിക്കുന്നില്ലെന്നും നിയമവിരുദ്ധമായ പ്രവർത്തനങ്ങൾക്ക് നിർദ്ദേശം നൽകുന്നില്ലെന്നും കമ്പനികൾ തെളിയിക്കണം എന്നാണ് ഇതിനർത്ഥം. ഒരു കളിപ്പാട്ടവും പ്രൊഫഷണൽ ടൂളും തമ്മിലുള്ള വ്യത്യാസമാണിത്. ഒരു ടൂളിന് കൃത്യമായ പരിധികളും സുരക്ഷാ ഫീച്ചറുകളും ഉണ്ടാകും. കളിപ്പാട്ടം തകരുന്നതുവരെ അത് തോന്നിയതുപോലെ പ്രവർത്തിക്കും. AI-യെ കളിപ്പാട്ടമായി കാണുന്ന കമ്പനികൾ കാര്യങ്ങൾ കൈവിട്ടുപോകുമ്പോൾ വലിയ ബാധ്യതകൾ നേരിടേണ്ടി വരും.

വ്യവസായം ഇപ്പോൾ ബ്ലാക്ക് ബോക്സ് മോഡലുകളിൽ നിന്ന് മാറി ചിന്തിക്കുന്നു. തീരുമാനങ്ങൾ എങ്ങനെ എടുക്കുന്നു എന്ന് അറിയാൻ ഉപയോക്താക്കളും റെഗുലേറ്റർമാരും ആവശ്യപ്പെടുന്നു. ഒരു മെഡിക്കൽ ക്ലെയിം AI നിരസിച്ചാൽ, ആ തീരുമാനത്തിന് പിന്നിലെ യുക്തി അറിയാൻ രോഗിക്ക് അവകാശമുണ്ട്. ഇതിന് നിലവിലെ പല മോഡലുകൾക്കും ഇല്ലാത്ത ഒരു തലത്തിലുള്ള interpretability ആവശ്യമാണ്. തുടക്കം മുതൽ തന്നെ ഈ സുതാര്യത സിസ്റ്റത്തിൽ കൊണ്ടുവരുന്നത് ഒരു ധാർമ്മിക തീരുമാനമാണ്, ഒപ്പം അതൊരു നിയമപരമായ സുരക്ഷാ കവചവുമാണ്. ഓഡിറ്റ് സമയത്ത് സ്വന്തം സാങ്കേതികവിദ്യയെക്കുറിച്ച് വിശദീകരിക്കാൻ കഴിയാത്ത അവസ്ഥയിൽ നിന്ന് കമ്പനിയെ ഇത് രക്ഷിക്കുന്നു.

ചിതറിക്കിടക്കുന്ന നിയമങ്ങളുടെ ആഗോള പ്രതിസന്ധി

ലോകം ഇപ്പോൾ വിവിധ റെഗുലേറ്ററി ക്യാമ്പുകളായി വിഭജിക്കപ്പെട്ടിരിക്കുന്നു. യൂറോപ്യൻ യൂണിയൻ EU AI Act വഴി കർശനമായ നിലപാടാണ് സ്വീകരിച്ചിരിക്കുന്നത്. ഈ നിയമം AI സിസ്റ്റങ്ങളെ റിസ്ക് ലെവലുകൾ അനുസരിച്ച് തരംതിരിക്കുകയും ഉയർന്ന റിസ്ക് ഉള്ള ആപ്ലിക്കേഷനുകളിൽ കർശനമായ നിബന്ധനകൾ ഏർപ്പെടുത്തുകയും ചെയ്യുന്നു. അതേസമയം, അമേരിക്ക സ്വമേധയാ ഉള്ള പ്രതിബദ്ധതകളിലും നിലവിലുള്ള ഉപഭോക്തൃ സംരക്ഷണ നിയമങ്ങളിലുമാണ് കൂടുതൽ ആശ്രയിക്കുന്നത്. അതിർത്തികൾ കടന്ന് പ്രവർത്തിക്കുന്ന ഏതൊരു കമ്പനിക്കും ഇത് സങ്കീർണ്ണമായ ഒരു അന്തരീക്ഷം സൃഷ്ടിക്കുന്നു. സാൻ ഫ്രാൻസിസ്കോയിൽ പ്രവർത്തിക്കുന്ന ഒരു ഉൽപ്പന്നം പാരീസിൽ നിയമവിരുദ്ധമാണെങ്കിൽ, നിങ്ങൾക്ക് വലിയ ബിസിനസ്സ് പ്രശ്നമാണ് ഉണ്ടാകുന്നത്. ഉപയോക്താക്കൾ തങ്ങളുടെ ഡാറ്റ എങ്ങനെ ഉപയോഗിക്കുന്നു എന്ന് കൂടുതൽ ബോധവാന്മാരാകുമ്പോൾ ആഗോള വിശ്വാസ്യതയും ചോദ്യം ചെയ്യപ്പെടുന്നു.

ഒരു ബ്രാൻഡിന് സ്വകാര്യതയുടെ കാര്യത്തിൽ വിശ്വാസം നഷ്ടപ്പെട്ടാൽ, അവർക്ക് ഉപഭോക്താക്കളെയും നഷ്ടപ്പെടും. ഡിജിറ്റൽ വിടവിന്റെ പ്രശ്നവും നിലനിൽക്കുന്നു. AI എത്തിക്സ് പാശ്ചാത്യ മൂല്യങ്ങളിൽ മാത്രം ശ്രദ്ധ കേന്ദ്രീകരിച്ചാൽ, അത് ഗ്ലോബൽ സൗത്തിന്റെ ആവശ്യങ്ങളെ അവഗണിക്കുകയാണ് ചെയ്യുന്നത്. ഇത് ഒരു പുതിയ തരം ഡിജിറ്റൽ ചൂഷണത്തിന് കാരണമായേക്കാം, അവിടെ ഒരു സ്ഥലത്ത് നിന്ന് ഡാറ്റ എടുത്ത് മറ്റൊരിടത്ത് സമ്പത്ത് ഉണ്ടാക്കുന്നു, എന്നാൽ ഗുണഭോക്താക്കൾക്ക് ഒന്നും ലഭിക്കുന്നില്ല. സിലിക്കൺ വാലിയിൽ കോഡ് എഴുതുന്നവർക്ക് മാത്രമല്ല, എല്ലാവർക്കും ഉപകരിക്കുന്ന ഒരു മാനദണ്ഡം നിശ്ചയിക്കുക എന്നതാണ് ആഗോള ലക്ഷ്യം. ഡാറ്റ ലേബലിംഗ് നടക്കുന്ന വികസ്വര രാജ്യങ്ങളിലെ തൊഴിൽ വിപണിയെ ഈ സിസ്റ്റങ്ങൾ എങ്ങനെ ബാധിക്കുന്നു എന്ന് നമ്മൾ പരിശോധിക്കേണ്ടതുണ്ട്.

ടെക് മേഖലയിൽ വിശ്വാസം വളരെ ദുർബലമായ ഒന്നാണ്. ഒരു AI തങ്ങളോട് പക്ഷപാതം കാണിക്കുന്നുവെന്നോ തങ്ങളെ നിരീക്ഷിക്കുന്നുവെന്നോ ഉപയോക്താവിന് തോന്നിയാൽ, അവർ ബദൽ മാർഗങ്ങൾ തേടും. അതുകൊണ്ടാണ് NIST AI Risk Management Framework ഇത്ര സ്വാധീനമുള്ളതായി മാറിയത്. വിശ്വാസം കെട്ടിപ്പടുക്കാൻ ആഗ്രഹിക്കുന്ന കമ്പനികൾക്ക് പിന്തുടരാൻ ഇതൊരു റോഡ്മാപ്പ് നൽകുന്നു. നിയമം പാലിക്കുന്നത് മാത്രമല്ല, വിപണിയിൽ ഉൽപ്പന്നം നിലനിർത്താൻ നിയമത്തേക്കാൾ അപ്പുറം ചിന്തിക്കുക എന്നതാണ് പ്രധാനം. നമ്മൾ എന്ത് നിർമ്മിക്കാം എന്നതിൽ നിന്ന് എന്ത് നിർമ്മിക്കണം എന്നതിലേക്കാണ് ആഗോള സംഭാഷണം മാറുന്നത്.

മോഡൽ യഥാർത്ഥ ലോകത്തെ നേരിടുമ്പോൾ

ഒരു ഫിൻടെക് സ്റ്റാർട്ടപ്പിൽ ജോലി ചെയ്യുന്ന സാറ എന്ന ഡെവലപ്പറെ സങ്കൽപ്പിക്കുക. ചെറുകിട ബിസിനസ്സ് വായ്പകൾ അംഗീകരിക്കുന്നതിനായി ഒരു AI ഏജന്റിനെ നിർമ്മിക്കുകയാണ് അവളുടെ ടീം. ബോർഡിൽ നിന്നുള്ള സമ്മർദ്ദം വളരെ വലുതാണ്. ഒരു എതിരാളിയെ തോൽപ്പിക്കാൻ അടുത്ത മാസം തന്നെ ഈ ഫീച്ചർ ലൈവ് ആകണമെന്ന് അവർ ആഗ്രഹിക്കുന്നു. സാറ ഒരു കാര്യം ശ്രദ്ധിക്കുന്നു: ചില പ്രത്യേക പിൻ കോഡുകളിലുള്ള ബിസിനസുകൾക്ക് മോഡൽ സ്ഥിരമായി വായ്പ നിഷേധിക്കുന്നു, അവരുടെ സാമ്പത്തിക നില ഭദ്രമാണെങ്കിൽ പോലും. ഇതൊരു ക്ലാസിക് പക്ഷപാത പ്രശ്നമാണ്. ഡെഡ്‌ലൈൻ പാലിക്കാൻ സാറ ഇത് അവഗണിച്ചാൽ, കമ്പനി പിന്നീട് വലിയൊരു കേസും PR ദുരന്തവും നേരിടേണ്ടി വരും. അവൾ അത് ശരിയാക്കാൻ ശ്രമിച്ചാൽ, ലോഞ്ച് വിൻഡോ നഷ്ടപ്പെടും. ഇവിടെയാണ് എത്തിക്സ് എന്നത് കോർപ്പറേറ്റ് മിഷൻ സ്റ്റേറ്റ്‌മെന്റിനേക്കാൾ ഉപരിയായി ഒരു ദൈനംദിന തിരഞ്ഞെടുപ്പായി മാറുന്നത്.

ഒരു AI പ്രൊഫഷണലിന്റെ ജീവിതം ഇത്തരം വിട്ടുവീഴ്ചകൾ നിറഞ്ഞതാണ്. യഥാർത്ഥ ലോകത്തെ പ്രതിഫലിപ്പിക്കുന്നുണ്ടെന്ന് ഉറപ്പാക്കാൻ ട്രെയിനിംഗ് സെറ്റുകൾ പരിശോധിക്കാൻ നിങ്ങൾ മണിക്കൂറുകൾ ചെലവഴിക്കുന്നു. AI അപകടകരമായ സാമ്പത്തിക ഉപദേശം നൽകിയേക്കാവുന്ന എഡ്ജ് കേസുകൾ നിങ്ങൾ പരിശോധിക്കുന്നു. എന്തുകൊണ്ട് മോഡൽ വെറുമൊരു ബ്ലാക്ക് ബോക്സ് ആകാൻ പാടില്ല എന്ന് സ്റ്റേക്ക്‌ഹോൾഡർമാരോട് വിശദീകരിക്കേണ്ടിയും വരുന്നു. വായ്പ നിഷേധിക്കപ്പെട്ടത് എന്തുകൊണ്ടാണെന്ന് ആളുകൾക്ക് അറിയണം. പല പുതിയ നിയമങ്ങൾ പ്രകാരം വിശദീകരണം നൽകാൻ അവർക്ക് അവകാശമുണ്ട്. ഇത് വെറും നീതിയെക്കുറിച്ചല്ല, മറിച്ച് compliance-നെക്കുറിച്ചാണ്. ഓട്ടോമേറ്റഡ് തീരുമാനങ്ങൾ എടുക്കുന്ന സിസ്റ്റങ്ങൾ ഉപയോഗിക്കുന്ന എല്ലാ കമ്പനികളിൽ നിന്നും ഈ തലത്തിലുള്ള സുതാര്യത ആവശ്യപ്പെടാൻ ഗവൺമെന്റുകൾ തുടങ്ങിയിട്ടുണ്ട്.

ഒടുവിൽ കൂടുതൽ വൈവിധ്യമാർന്ന ഡാറ്റാസെറ്റിൽ മോഡലിനെ വീണ്ടും ട്രെയിൻ ചെയ്യാൻ സാറ തീരുമാനിക്കുന്നു. പക്ഷപാതപരമായ ഒരു ലോഞ്ച് ദീർഘകാലാടിസ്ഥാനത്തിൽ കൂടുതൽ ചെലവേറിയതായിരിക്കുമെന്ന് അവൾക്കറിയാം. ഈ കാലതാമസത്തിന് കമ്പനിക്ക് ചില നെഗറ്റീവ് വാർത്തകൾ ലഭിച്ചെങ്കിലും, ബിസിനസ്സ് തന്നെ തകർത്തേക്കാവുന്ന ഒരു വലിയ ദുരന്തം അവർ ഒഴിവാക്കി. ഹെൽത്ത് കെയർ മുതൽ റിക്രൂട്ട്‌മെന്റ് വരെ എല്ലാ മേഖലകളിലും ഈ സാഹചര്യം നടക്കുന്നു. റെസ്യൂമുകൾ ഫിൽട്ടർ ചെയ്യാൻ നിങ്ങൾ AI ഉപയോഗിക്കുമ്പോൾ, ആർക്ക് ജോലി ലഭിക്കണം എന്നതിനെക്കുറിച്ച് നിങ്ങൾ ഒരു ധാർമ്മിക തിരഞ്ഞെടുപ്പാണ് നടത്തുന്നത്. ഒരു രോഗം നിർണ്ണയിക്കാൻ അത് ഉപയോഗിക്കുമ്പോൾ, ആർക്ക് ചികിത്സ ലഭിക്കണം എന്നതിനെക്കുറിച്ച് നിങ്ങൾ ഒരു തിരഞ്ഞെടുപ്പ് നടത്തുന്നു. വ്യവസായത്തെ യാഥാർത്ഥ്യത്തിൽ ഉറപ്പിച്ചുനിർത്തുന്ന പ്രായോഗിക വെല്ലുവിളികളാണിവ.

എത്തിക്സ് നവീകരണത്തെ മന്ദഗതിയിലാക്കുന്നു എന്ന തെറ്റിദ്ധാരണ പലർക്കുമുണ്ട്. വാസ്തവത്തിൽ, അത് കേസുകൾക്ക് കാരണമാകുന്ന തരത്തിലുള്ള നവീകരണങ്ങളെ തടയുകയാണ് ചെയ്യുന്നത്. ഒരു കാറിലെ ബ്രേക്ക് പോലെ ഇതിനെ ചിന്തിക്കുക. ബ്രേക്ക് ഉള്ളതുകൊണ്ടാണ് നിങ്ങൾക്ക് വേഗത്തിൽ ഡ്രൈവ് ചെയ്യാൻ കഴിയുന്നത്, കാരണം ആവശ്യമുള്ളപ്പോൾ നിർത്താൻ കഴിയുമെന്ന് നിങ്ങൾക്കറിയാം. ബ്രേക്ക് ഇല്ലെങ്കിൽ, നിങ്ങൾ സാവധാനമേ ഡ്രൈവ് ചെയ്യാൻ കഴിയൂ, അല്ലെങ്കിൽ വലിയ അപകടം സംഭവിക്കാം. കമ്പനികൾക്ക് അവരുടെ പ്രശസ്തി കളയാതെ ഉയർന്ന വേഗതയിൽ സഞ്ചരിക്കാൻ ആവശ്യമായ ബ്രേക്കുകളാണ് AI എത്തിക്സ് നൽകുന്നത്. സുരക്ഷയും ലാഭവും വിരുദ്ധമാണെന്ന തെറ്റിദ്ധാരണ നമ്മൾ തിരുത്തണം. AI കാലഘട്ടത്തിൽ, അവ ഒരേ നാണയത്തിന്റെ രണ്ടു വശങ്ങളാണ്.

ഞങ്ങൾ ഉൾപ്പെടുത്തണമെന്ന് നിങ്ങൾ കരുതുന്ന ഒരു AI സ്റ്റോറിയോ, ടൂളോ, ട്രെൻഡോ, ചോദ്യമോ നിങ്ങളുടെ പക്കലുണ്ടോ? നിങ്ങളുടെ ലേഖന ആശയം ഞങ്ങൾക്ക് അയയ്ക്കുക — അത് കേൾക്കാൻ ഞങ്ങൾ ആഗ്രഹിക്കുന്നു.

കഠിനമായ സത്യങ്ങളും മറഞ്ഞിരിക്കുന്ന വിട്ടുവീഴ്ചകളും

AI വികസനത്തിന്റെ നിലവിലെ വേഗതയിൽ യഥാർത്ഥത്തിൽ ആർക്കാണ് പ്രയോജനം? നമ്മൾ സുരക്ഷയ്ക്ക് മുൻഗണന നൽകിയാൽ, എത്തിക്സിനെക്കുറിച്ച് ചിന്തിക്കാത്ത മോശം ആളുകൾക്ക് നമ്മൾ മുൻതൂക്കം നൽകുകയാണോ? ഈ ചോദ്യങ്ങൾ നമ്മൾ ചോദിക്കേണ്ടതുണ്ട്. ഇന്റർനെറ്റിൽ നിറയെ മനുഷ്യന്റെ മുൻവിധികളാണുള്ളതെങ്കിൽ, പൂർണ്ണമായും പക്ഷപാതമില്ലാത്ത ഒരു മോഡൽ നിർമ്മിക്കാൻ സാധിക്കുമോ? AI-യുടെ സൗകര്യം സ്വകാര്യത നഷ്ടപ്പെടുത്തുന്നതിന് തുല്യമാണോ എന്ന് നമ്മൾ ചോദിക്കണം. ഒരു മോഡലിന് നിങ്ങളെ സഹായിക്കാൻ നിങ്ങളെക്കുറിച്ച് എല്ലാം അറിയണമെങ്കിൽ, അത് എപ്പോഴെങ്കിലും പൂർണ്ണമായും സുരക്ഷിതമാകുമോ? ഉത്തരവാദിത്തത്തെക്കുറിച്ചുള്ള ചോദ്യവും ഇവിടെയുണ്ട്. ഒരു AI വരുത്തുന്ന തെറ്റ് ഒരു ജീവൻ അപഹരിച്ചാൽ, ആരാണ് കോടതിയിൽ പോകേണ്ടത്? ഡെവലപ്പറോ, CEO-യോ, അതോ ബട്ടൺ അമർത്തിയ ആളോ?

AI അലൈൻമെന്റിനെക്കുറിച്ച് നമ്മൾ പലപ്പോഴും ഒരു സാങ്കേതിക പ്രശ്നമായാണ് സംസാരിക്കുന്നത്. എന്നാൽ നമ്മൾ എന്തിനോടാണ് അതിനെ അലൈൻ ചെയ്യുന്നത്? ആരുടെ മൂല്യങ്ങളാണ് ഡിഫോൾട്ട് ആകേണ്ടത്? ഒരു രാജ്യത്തെ കമ്പനിക്ക് മറ്റൊരു രാജ്യത്തെ കമ്പനിയേക്കാൾ വ്യത്യസ്തമായ മൂല്യങ്ങളാണെങ്കിൽ, ആഗോള വിപണിയിൽ ആരുടെ എത്തിക്സ് വിജയിക്കും? ഇവ വെറും ഫിലോസഫിക്കൽ പസിലുകളല്ല. നമ്മൾ ഇതുവരെ പരിഹരിക്കാത്ത സിസ്റ്റത്തിലെ ബഗുകളാണിവ. തങ്ങളുടെ AI പൂർണ്ണമായും സുരക്ഷിതമാണെന്ന് അവകാശപ്പെടുന്ന ഏതൊരു കമ്പനിയോടും നമ്മൾ സംശയത്തോടെ വേണം സമീപിക്കാൻ. സുരക്ഷ എന്നത് ഒരു പ്രക്രിയയാണ്, ലക്ഷ്യസ്ഥാനമല്ല. ഈ മോഡലുകളുടെ മറഞ്ഞിരിക്കുന്ന ചെലവുകളെക്കുറിച്ച് നമ്മൾ ചോദിക്കണം. ഡാറ്റ വൃത്തിയാക്കാൻ ആവശ്യമായ മനുഷ്യ അധ്വാനവും ഡാറ്റാ സെന്ററുകൾ ഉപയോഗിക്കുന്ന ഭീമമായ വെള്ളത്തിന്റെ അളവും ഇതിൽ ഉൾപ്പെടുന്നു.

ഈ ചോദ്യങ്ങൾ ഇപ്പോൾ ചോദിച്ചില്ലെങ്കിൽ, അനന്തരഫലങ്ങൾ ഒഴിവാക്കാനാവാത്തതാകുമ്പോൾ നമ്മൾ ഉത്തരം നൽകേണ്ടി വരും. ആദ്യം പുറത്തിറക്കുക, ചോദ്യങ്ങൾ പിന്നീട് ചോദിക്കുക എന്നതാണ് നിലവിലെ ട്രെൻഡ്. ഈ സമീപനം പരാജയപ്പെടുകയാണ്. ഡീപ്‌ഫേക്കുകളുടെ വർദ്ധനവിലും ഓട്ടോമേറ്റഡ് തെറ്റായ വിവരങ്ങളുടെ വ്യാപനത്തിലും നമ്മൾ ഇത് കാണുന്നു. ഉപഭോക്തൃ പെരുമാറ്റത്തെ സ്വാധീനിക്കാൻ AI ഉപയോഗിക്കുന്ന രീതിയിലും ഇത് കാണാം. ഈ പ്രശ്നങ്ങൾ പുറത്തിറങ്ങിയ ശേഷം പരിഹരിക്കുന്നതിനേക്കാൾ ചെലവ് അവ തുടക്കത്തിൽ തന്നെ തടയുന്നതാണ്. ഒരു വേഗതയേറിയ ചാറ്റ്ബോട്ടിനേക്കാൾ കൂടുതൽ നമ്മൾ ആവശ്യപ്പെടണം. അവ നിർമ്മിക്കുന്നവരിൽ നിന്ന് നമ്മൾ ഉത്തരവാദിത്തം ആവശ്യപ്പെടണം.

വിശ്വാസത്തിന്റെ സാങ്കേതിക വാസ്തുവിദ്യ

ഇവ നിർമ്മിക്കുന്നവർക്കായി, പ്രത്യേക ടൂളുകളിലൂടെയും പ്രോട്ടോക്കോളുകളിലൂടെയും എത്തിക്സ് വർക്ക്ഫ്ലോയിൽ സംയോജിപ്പിക്കുന്നു. ട്രെയിനിംഗിന് മുൻപ് ഡാറ്റാസെറ്റുകളിലെ പക്ഷപാതം കണ്ടെത്താൻ ഡെവലപ്പർമാർ Fairlearn പോലുള്ള ലൈബ്രറികൾ ഉപയോഗിക്കുന്നു. അവർ Constitutional AI-യും നടപ്പിലാക്കുന്നു. ഒരു കൂട്ടം നിയമങ്ങളുടെ അടിസ്ഥാനത്തിൽ പ്രൈമറി മോഡലിനെ വിമർശിക്കാനും നയിക്കാനും രണ്ടാമതൊരു മോഡൽ ഉപയോഗിക്കുന്ന രീതിയാണിത്. ഇത് മനുഷ്യ ഇടപെടലിന്റെ ആവശ്യം കുറയ്ക്കുകയും സുരക്ഷാ ഫീച്ചറുകളെ കൂടുതൽ സ്കെയിലബിൾ ആക്കുകയും ചെയ്യുന്നു. API ലിമിറ്റുകൾ മറ്റൊരു പ്രായോഗിക എത്തിക്സ് ടൂളാണ്. റിക്വസ്റ്റുകളുടെ എണ്ണം പരിമിതപ്പെടുത്തുന്നതിലൂടെ, വലിയ തോതിലുള്ള തെറ്റായ വിവര പ്രചാരണങ്ങൾക്കോ ഓട്ടോമേറ്റഡ് സൈബർ ആക്രമണങ്ങൾക്കോ മോഡലുകൾ ഉപയോഗിക്കുന്നത് കമ്പനികൾ തടയുന്നു.

സ്വകാര്യതയ്ക്കായി ലോക്കൽ സ്റ്റോറേജ് ഒരു പ്രധാന ട്രെൻഡായി മാറുകയാണ്. എല്ലാ ഉപയോക്തൃ ഡാറ്റയും സെൻട്രൽ ക്ലൗഡിലേക്ക് അയക്കുന്നതിന് പകരം, എഡ്ജിൽ പ്രവർത്തിക്കാൻ മോഡലുകൾ ഒപ്റ്റിമൈസ് ചെയ്യുന്നു. ഇതിനർത്ഥം ഡാറ്റ ഉപയോക്താവിന്റെ ഫോണിലോ ലാപ്ടോപ്പിലോ തന്നെ തുടരുന്നു എന്നാണ്. വെരിഫയബിൾ വാട്ടർമാർക്കിംഗിന്റെ ഉയർച്ചയും നമ്മൾ കാണുന്നു. ഒരു കണ്ടന്റ് AI നിർമ്മിച്ചതാണോ എന്ന് അറിയാൻ ഇത് ഉപയോക്താക്കളെ സഹായിക്കുന്നു. സാങ്കേതികമായി, ഇതിന് വ്യാജമാക്കാൻ പ്രയാസമുള്ള ശക്തമായ മെറ്റാഡാറ്റ മാനദണ്ഡങ്ങൾ ആവശ്യമാണ്. നിയമം അല്ലെങ്കിൽ മെഡിസിൻ പോലുള്ള ഉയർന്ന റിസ്ക് ഉള്ള വ്യവസായങ്ങൾക്ക് ലോക്കൽ ഇൻഫറൻസ് ആണ് ഏറ്റവും മികച്ചത്. സെൻസിറ്റീവ് വിവരങ്ങൾ ഒരിക്കലും സുരക്ഷിതമായ ലോക്കൽ നെറ്റ്‌വർക്കിന് പുറത്തുപോകുന്നില്ലെന്ന് ഇത് ഉറപ്പാക്കുന്നു. AI വികസനത്തിന്റെ അടുത്ത തലമുറയെ നിർവചിക്കുന്ന സാങ്കേതിക വെല്ലുവിളികളാണിവ.

പവർ യൂസർമാർ താഴെ പറയുന്ന സാങ്കേതിക പരിമിതികൾ ശ്രദ്ധിക്കണം:

• ഇൻഫറൻസിന്റെ കാർബൺ ഫുട്പ്രിന്റ് കുറയ്ക്കാൻ മോഡൽ ഡിസ്റ്റിലേഷൻ.
• ട്രെയിനിംഗ് ഡാറ്റ വീണ്ടെടുക്കാൻ കഴിയില്ലെന്ന് ഉറപ്പാക്കാൻ ഡിഫറൻഷ്യൽ പ്രൈവസി.
• മോഡൽ ലോജിക്കിന് നേരെയുള്ള ആക്രമണങ്ങൾ തടയാൻ റേറ്റ് ലിമിറ്റിംഗ്.
• ഏറ്റവും പുതിയ AI എത്തിക്സ് റിപ്പോർട്ടുകളുടെയും ബെഞ്ച്മാർക്കുകളുടെയും പതിവായ ഓഡിറ്റുകൾ.
• ഉയർന്ന റിസ്ക് ഉള്ള തീരുമാനങ്ങൾക്കായി ഹ്യൂമൻ ഇൻ ദ ലൂപ്പ് സിസ്റ്റങ്ങൾ.

സ്വകാര്യത ഒരു ഫീച്ചറാണെന്ന് ടെക് ലോകത്തിന് അറിയാം. ഡാറ്റ ചോർത്താതെ 100 m² സെർവർ സ്പേസിൽ പ്രവർത്തിക്കുന്ന ഒരു മോഡൽ നൽകാൻ നിങ്ങൾക്ക് കഴിയുമെങ്കിൽ, നിങ്ങൾക്ക് മത്സരത്തിൽ മുൻതൂക്കമുണ്ട്. മോഡലിന്റെ വലിപ്പത്തേക്കാൾ അതിന്റെ കാര്യക്ഷമതയിലും സുരക്ഷയിലുമാണ് ഇപ്പോൾ ശ്രദ്ധ. വെയിറ്റുകളും ബയസുകളും എങ്ങനെ വിതരണം ചെയ്യപ്പെടുന്നു എന്നതിനെക്കുറിച്ച് ആഴത്തിലുള്ള അറിവ് ഇതിന് ആവശ്യമാണ്. മൂന്നാം കക്ഷികൾക്ക് സുരക്ഷ ഓഡിറ്റ് ചെയ്യാൻ കഴിയുന്ന തരത്തിൽ ഓപ്പൺ സ്റ്റാൻഡേർഡുകളോടുള്ള പ്രതിബദ്ധതയും ഇതിന് ആവശ്യമാണ്. ആകസ്മികമായി സുരക്ഷിതമായ ഒന്നല്ല, മറിച്ച് ഡിസൈൻ പ്രകാരം സുരക്ഷിതമായ ഒരു സിസ്റ്റം നിർമ്മിക്കുക എന്നതാണ് ലക്ഷ്യം.

ദീർഘകാലത്തേക്കുള്ള നിർമ്മാണം

വേഗത എന്നത് മോശം എൻജിനീയറിംഗിനുള്ള ഒഴികഴിവല്ല. AI നമ്മുടെ ജീവിതത്തിൽ കൂടുതൽ ഇടംപിടിക്കുമ്പോൾ, പരാജയത്തിന്റെ ചെലവും വർദ്ധിക്കുന്നു. വ്യവസായം ഒരു മലയിടുക്കിലേക്ക് വീഴാതെ തടയുന്ന ഗാർഡ്‌റെയിലാണ് എത്തിക്സ്. വിശ്വസനീയവും സുതാര്യവും നീതിയുക്തവുമായ സിസ്റ്റങ്ങൾ നിർമ്മിക്കുക എന്നതാണ് പ്രധാനം. ഈ തത്വങ്ങളെ അവഗണിക്കുന്ന കമ്പനികൾക്ക് ലോഞ്ച് ചെയ്യാനുള്ള മത്സരത്തിൽ വിജയിച്ചേക്കാം, എന്നാൽ പ്രസക്തമായി തുടരാനുള്ള മത്സരത്തിൽ അവർ പരാജയപ്പെടും. ഉത്തരവാദിത്തത്തോടെ നവീകരണത്തെ ബാലൻസ് ചെയ്യാൻ കഴിയുന്നവർക്കാണ് ടെക്കിന്റെ ഭാവി. നമ്മൾ കഠിനമായ ചോദ്യങ്ങൾ ചോദിച്ചുകൊണ്ടേയിരിക്കണം, നമ്മൾ ഉപയോഗിക്കുന്ന ടൂളുകളിൽ നിന്ന് കൂടുതൽ മെച്ചപ്പെട്ടത് ആവശ്യപ്പെടണം. വേഗതയേറിയ AI മാത്രമല്ല, വിട്ടുവീഴ്ചയില്ലാതെ എല്ലാവർക്കും സേവനം നൽകുന്ന മികച്ച AI ആണ് ലക്ഷ്യം. എത്തിക്സിനെ ഒരു തടസ്സമായി കാണുന്നത് നിർത്തി, ഓരോ വിജയകരമായ ഉൽപ്പന്നത്തിന്റെയും അടിത്തറയായി അതിനെ കാണാൻ തുടങ്ങണം.

Editor’s note: We created this site as a multilingual AI news and guides hub for people who are not computer geeks, but still want to understand artificial intelligence, use it with more confidence, and follow the future that is already arriving.