ഫിലോസഫി ഇഷ്ടമില്ലാത്തവർക്കായി AI-യുടെ തത്വശാസ്ത്രം

പ്രായോഗികമായ തിരഞ്ഞെടുപ്പ്

റോബോട്ടുകൾക്ക് ആത്മാവുണ്ടോ എന്നതിനെക്കുറിച്ചുള്ള തർക്കമായാണ് ഭൂരിഭാഗം ആളുകളും ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ തത്വശാസ്ത്രത്തെ കാണുന്നത്. ഇത് സമയനഷ്ടമുണ്ടാക്കുന്നതും യഥാർത്ഥ അപകടസാധ്യതകളെ മറച്ചുവെക്കുന്നതുമായ ഒരു തെറ്റാണ്. പ്രൊഫഷണൽ ലോകത്ത്, ഈ സാങ്കേതികവിദ്യയുടെ തത്വശാസ്ത്രം എന്നത് ഉത്തരവാദിത്തം, കൃത്യത, മനുഷ്യ അധ്വാനത്തിന്റെ ചെലവ് എന്നിവയെക്കുറിച്ചുള്ള ചർച്ചയാണ്. ഒരു കമ്പനിക്ക് ലക്ഷക്കണക്കിന് ഡോളർ നഷ്ടമുണ്ടാക്കുന്ന തെറ്റ് ഒരു മോഡൽ വരുത്തുമ്പോൾ ആരാണ് ഉത്തരവാദി എന്നതിനെക്കുറിച്ചാണത്. പതിറ്റാണ്ടുകൾ കൊണ്ട് മെച്ചപ്പെടുത്തിയ തങ്ങളുടെ ശൈലിക്ക് ഒരു ക്രിയേറ്റീവ് വർക്കർക്ക് ഉടമസ്ഥാവകാശമുണ്ടോ എന്നതിനെക്കുറിച്ചാണത്. യന്ത്രങ്ങൾക്ക് ചിന്തിക്കാൻ കഴിയുമോ എന്ന് അത്ഭുതപ്പെടുന്ന കാലഘട്ടത്തിൽ നിന്ന് നമ്മൾ മാറിക്കഴിഞ്ഞു. അവ നമ്മുടെ പേരിൽ പ്രവർത്തിക്കാൻ നമ്മൾ എത്രത്തോളം വിശ്വസിക്കുന്നു എന്ന് തീരുമാനിക്കുന്ന കാലഘട്ടത്തിലാണ് നമ്മൾ ഇപ്പോൾ. തമാശകൾ പറയുന്ന ചാറ്റ് ബോട്ടുകളിൽ നിന്ന് ഫ്ലൈറ്റുകൾ ബുക്ക് ചെയ്യാനും കോഡ് എഴുതാനും കഴിയുന്ന ഏജന്റുകളിലേക്കുള്ള മാറ്റമാണ് വ്യവസായത്തിൽ ഉണ്ടായിരിക്കുന്നത്. ഈ മാറ്റം നമ്മളെ ബോധത്തിന്റെ നിഗൂഢതയേക്കാൾ വിശ്വാസത്തിന്റെ മെക്കാനിക്സിലേക്ക് ശ്രദ്ധ തിരിക്കാൻ നിർബന്ധിതരാക്കുന്നു. നിങ്ങൾക്ക് ഫിലോസഫി ഇഷ്ടമല്ലെങ്കിൽ, ഇതിനെ ഒരു കരാർ ചർച്ചയായി കാണുക. ഉറങ്ങാത്തതും എന്നാൽ പലപ്പോഴും ഭ്രമാത്മകമായ കാര്യങ്ങൾ പറയുന്നതുമായ ഒരു പുതിയ തരം ജീവനക്കാരന് വേണ്ടിയുള്ള നിബന്ധനകളാണ് നിങ്ങൾ നിശ്ചയിക്കുന്നത്. വേഗതയുടെ ഗുണങ്ങൾ മൊത്തത്തിലുള്ള സിസ്റ്റം പരാജയത്തിന്റെ അപകടസാധ്യതകളെക്കാൾ വലുതാകാത്ത ഒരു ചട്ടക്കൂട് നിർമ്മിക്കുക എന്നതാണ് ഇതിന്റെ ലക്ഷ്യം.

മെഷീൻ ലോജിക്കിന്റെ മെക്കാനിക്സ്

വ്യവസായത്തിന്റെ നിലവിലെ അവസ്ഥ മനസ്സിലാക്കാൻ, മാർക്കറ്റിംഗ് പദങ്ങൾ അവഗണിക്കുക. ഒരു ലാർജ് ലാംഗ്വേജ് മോഡൽ ഒരു തലച്ചോറല്ല. അതൊരു വലിയ സ്റ്റാറ്റിസ്റ്റിക്കൽ മാപ്പാണ്. നിങ്ങൾ ഒരു പ്രോംപ്റ്റ് ടൈപ്പ് ചെയ്യുമ്പോൾ, സിസ്റ്റം നിങ്ങളുടെ ചോദ്യത്തെക്കുറിച്ച് ചിന്തിക്കുകയല്ല ചെയ്യുന്നത്. ട്രില്യൺ കണക്കിന് ഉദാഹരണങ്ങളുടെ അടിസ്ഥാനത്തിൽ ഏത് വാക്കാണ് അടുത്തതായി വരാൻ സാധ്യതയെന്ന് അത് കണക്കാക്കുകയാണ്. അതുകൊണ്ടാണ് ഈ സിസ്റ്റങ്ങൾക്ക് കവിതയിൽ മികച്ച പ്രകടനം കാഴ്ചവെക്കാനും അടിസ്ഥാന ഗണിതത്തിൽ പരാജയപ്പെടാനും കഴിയുന്നത്. ആളുകൾ സംഖ്യകളെക്കുറിച്ച് എങ്ങനെ സംസാരിക്കുന്നു എന്നതിന്റെ പാറ്റേണുകൾ അവയ്ക്ക് മനസ്സിലാകും, എന്നാൽ സംഖ്യകളുടെ യുക്തി അവയ്ക്ക് മനസ്സിലാകില്ല. ബിസിനസ്സ് ആവശ്യങ്ങൾക്കായി ഈ ടൂളുകൾ ഉപയോഗിക്കുന്ന ആർക്കും ഈ വ്യത്യാസം വളരെ പ്രധാനമാണ്. ഔട്ട്‌പുട്ടിനെ ഒരു വസ്തുതാപരമായ രേഖയായി നിങ്ങൾ കണക്കാക്കുന്നുവെങ്കിൽ, നിങ്ങൾ ടൂൾ തെറ്റായി ഉപയോഗിക്കുകയാണ്. അതൊരു ക്രിയേറ്റീവ് സിന്തസൈസറാണ്, ഡാറ്റാബേസല്ല. ഈ മോഡലുകൾ മനുഷ്യന്റെ സഹാനുഭൂതിയെ എത്രത്തോളം അനുകരിക്കുന്നു എന്നതിൽ നിന്നാണ് പലപ്പോഴും ആശയക്കുഴപ്പം ഉണ്ടാകുന്നത്. അവയ്ക്ക് ദയയോ, നിരാശയോ, സഹായകരമായ സ്വരമോ ഉണ്ടാകാം, പക്ഷേ ഇവ വെറും ഭാഷാപരമായ കണ്ണാടികൾ മാത്രമാണ്. അവ പരിശീലിപ്പിച്ച ഡാറ്റയുടെ സ്വരമാണ് അവ പ്രതിഫലിപ്പിക്കുന്നത്.

ഈ മോഡലുകളെ യഥാർത്ഥ ലോകത്തെ ഡാറ്റയുമായി ബന്ധിപ്പിക്കുന്നതിലേക്കുള്ള മാറ്റമാണ് നമ്മൾ അടുത്തിടെ കണ്ടത്. ഒരു ഉത്തരം ഊഹിക്കാൻ അനുവദിക്കുന്നതിന് പകരം, കമ്പനികൾ ഇപ്പോൾ അവയെ സ്വന്തം ഇന്റേണൽ ഫയലുകളുമായി ബന്ധിപ്പിക്കുന്നു. ഇത് മോഡൽ കാര്യങ്ങൾ കെട്ടിച്ചമയ്ക്കാനുള്ള സാധ്യത കുറയ്ക്കുന്നു. ഇത് സംഭാഷണത്തിന്റെ ഗൗരവത്തെയും മാറ്റുന്നു. മോഡലിന് എന്തറിയാം എന്നല്ല നമ്മൾ ഇപ്പോൾ ചോദിക്കുന്നത്. നമുക്ക് അറിയാവുന്നത് മോഡൽ എങ്ങനെ ആക്സസ് ചെയ്യുന്നു എന്നാണ് നമ്മൾ ചോദിക്കുന്നത്. ഇത് ജനറേറ്റീവ് ആർട്ടിൽ നിന്ന് ഫങ്ഷണൽ യൂട്ടിലിറ്റിയിലേക്കുള്ള മാറ്റമാണ്. ഇവിടെ തത്വശാസ്ത്രം ലളിതമാണ്. ഒരു കഥാകൃത്തും ഒരു ഫയലിംഗ് ക്ലർക്കും തമ്മിലുള്ള വ്യത്യാസമാണിത്. ഭൂരിഭാഗം ഉപയോക്താക്കൾക്കും ക്ലർക്കിനെയാണ് വേണ്ടത്, എന്നാൽ സാങ്കേതികവിദ്യ നിർമ്മിച്ചത് കഥാകൃത്താകാനാണ്. ഈ രണ്ട് സ്വത്വങ്ങളെയും ഒന്നിപ്പിക്കുക എന്നതാണ് ഇന്നത്തെ ഡെവലപ്പർമാർ നേരിടുന്ന പ്രധാന വെല്ലുവിളി. നിങ്ങൾക്ക് ക്രിയേറ്റീവ് ആയ ഒരു ടൂൾ വേണോ അതോ കൃത്യതയുള്ള ഒരു ടൂൾ വേണോ എന്ന് നിങ്ങൾ തീരുമാനിക്കണം, കാരണം നിലവിൽ രണ്ടും ഒരേസമയം പരമാവധി നിലവാരത്തിൽ ലഭിക്കുക പ്രയാസമാണ്.

ആഗോള വെല്ലുവിളികളും ദേശീയ താല്പര്യങ്ങളും

ഈ തിരഞ്ഞെടുപ്പുകളുടെ ആഘാതം വ്യക്തിഗത ഓഫീസുകളിൽ മാത്രം ഒതുങ്ങുന്നില്ല. ഈ മോഡലുകളുടെ വികസനത്തെ ദേശീയ സുരക്ഷയുടെ വിഷയമായാണ് ഗവൺമെന്റുകൾ ഇപ്പോൾ കാണുന്നത്. അമേരിക്കയിൽ, ഏറ്റവും ശക്തമായ സിസ്റ്റങ്ങളുടെ സുരക്ഷയിലും സംരക്ഷണത്തിലുമാണ് എക്സിക്യൂട്ടീവ് ഓർഡറുകൾ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നത്. യൂറോപ്പിൽ, AI ആക്ട് റിസ്ക് അനുസരിച്ച് സിസ്റ്റങ്ങളെ തരംതിരിക്കുന്ന ഒരു നിയമപരമായ ചട്ടക്കൂട് സൃഷ്ടിച്ചിട്ടുണ്ട്. ഇത് കാലിഫോർണിയയിലെ ഒരു ഡെവലപ്പറുടെ തത്വശാസ്ത്രം ബെർലിനിലെ ഒരു ഉൽപ്പന്നത്തിന്റെ നിയമസാധുതയെ ബാധിക്കുന്ന അവസ്ഥ സൃഷ്ടിക്കുന്നു. വ്യത്യസ്ത പ്രദേശങ്ങൾക്ക് ഒരു യന്ത്രം എന്ത് ചെയ്യാൻ അനുവദിക്കണം എന്നതിനെക്കുറിച്ച് വ്യത്യസ്തമായ ആശയങ്ങളുള്ള ഒരു വിഭജിക്കപ്പെട്ട ലോകമാണ് നമ്മൾ കാണുന്നത്. ചില രാജ്യങ്ങൾ സാങ്കേതികവിദ്യയെ ഏത് വിലകൊടുത്തും സാമ്പത്തിക ഉൽപ്പാദനം വർദ്ധിപ്പിക്കാനുള്ള മാർഗ്ഗമായി കാണുന്നു. മറ്റുള്ളവർ ഇതിനെ സാമൂഹിക ഘടനയ്ക്കും തൊഴിൽ വിപണികൾക്കും ഭീഷണിയായി കാണുന്നു. ഇത് ഓരോ വിപണിക്കും വ്യത്യസ്തമായ നിയമങ്ങൾ സൃഷ്ടിക്കുന്നു, വലിയ ലീഗൽ ടീമുകളെ താങ്ങാൻ കഴിയുന്ന വമ്പൻ കമ്പനികളോട് മത്സരിക്കാൻ ചെറിയ കമ്പനികൾക്ക് ഇത് കൂടുതൽ ബുദ്ധിമുട്ടുണ്ടാക്കുന്നു.

ഈ സാങ്കേതികവിദ്യയ്ക്കായുള്ള ആഗോള സപ്ലൈ ചെയിനും സംഘർഷത്തിന്റെ ഒരു പോയിന്റാണ്. ഈ മോഡലുകൾ പ്രവർത്തിപ്പിക്കാൻ ആവശ്യമായ ഹാർഡ്‌വെയർ ചുരുക്കം ചിലരുടെ കൈകളിലാണ്. ചിപ്പുകൾ രൂപകൽപ്പന ചെയ്യുന്ന രാജ്യങ്ങൾ, അവ നിർമ്മിക്കുന്ന രാജ്യങ്ങൾ, ഡാറ്റ നൽകുന്ന രാജ്യങ്ങൾ എന്നിവ തമ്മിൽ പുതിയൊരു അധികാര സമവാക്യം ഇത് സൃഷ്ടിക്കുന്നു. ശരാശരി ഉപയോക്താവിനെ സംബന്ധിച്ചിടത്തോളം, നിങ്ങൾ ആശ്രയിക്കുന്ന ടൂളുകൾ വ്യാപാര യുദ്ധങ്ങൾക്കോ കയറ്റുമതി നിയന്ത്രണങ്ങൾക്കോ വിധേയമായേക്കാം എന്നാണ് ഇതിനർത്ഥം. AI-യുടെ തത്വശാസ്ത്രം ഇപ്പോൾ പരമാധികാരത്തിന്റെ തത്വശാസ്ത്രവുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു. ഒരു രാജ്യം അതിന്റെ ആരോഗ്യ സംരക്ഷണത്തിനോ നിയമ സംവിധാനത്തിനോ വിദേശ മോഡലിനെ ആശ്രയിക്കുകയാണെങ്കിൽ, സ്വന്തം ഇൻഫ്രാസ്ട്രക്ചറിലുള്ള നിയന്ത്രണം അത് നഷ്ടപ്പെടുത്തുന്നു. അതുകൊണ്ടാണ് ലോക്കൽ മോഡലുകൾക്കും സോവറിൻ ക്ലൗഡുകൾക്കും വേണ്ടിയുള്ള ആവശ്യം വർദ്ധിക്കുന്നത്. ഒരു രാജ്യത്തെ ഭരിക്കുന്ന യുക്തി ഭൂമിയുടെ മറുഭാഗത്തുള്ള ഒരു കോർപ്പറേഷന്റെ ഉടമസ്ഥതയിലല്ല എന്ന് ഉറപ്പാക്കുക എന്നതാണ് ഇതിന്റെ ലക്ഷ്യം. സയൻസ് ഫിക്ഷൻ കഥകളിൽ പലപ്പോഴും നഷ്ടപ്പെട്ടുപോകുന്ന ചർച്ചയുടെ പ്രായോഗിക വശമാണിത്.

സിന്തറ്റിക് ഇന്റലിജൻസിനൊപ്പമുള്ള ഒരു പ്രഭാതം

സാറ എന്ന മാർക്കറ്റിംഗ് മാനേജരുടെ ഒരു സാധാരണ ദിവസം പരിഗണിക്കുക. മൂന്ന് ഡസൻ ഇമെയിലുകൾ സംഗ്രഹിക്കാൻ ഒരു അസിസ്റ്റന്റിനോട് ആവശ്യപ്പെട്ടുകൊണ്ടാണ് അവൾ തന്റെ പ്രഭാതം ആരംഭിക്കുന്നത്. അസിസ്റ്റന്റ് നിമിഷങ്ങൾക്കുള്ളിൽ ഇത് ചെയ്യുന്നു, എന്നാൽ ബജറ്റ് വെട്ടിക്കുറയ്ക്കലിനെക്കുറിച്ചുള്ള നിർണ്ണായകമായ ഒരു കാര്യം അത് വിട്ടുപോയോ എന്ന് സാറ പരിശോധിക്കേണ്ടതുണ്ട്. പിന്നീട്, ഒരു പുതിയ കാമ്പെയ്‌നിനായി ചിത്രങ്ങൾ സൃഷ്ടിക്കാൻ അവൾ ഒരു ജനറേറ്റീവ് ടൂൾ ഉപയോഗിക്കുന്നു. ഇമേജുകളിലെ ആളുകൾക്ക് ആറ് വിരലുകൾ നൽകുന്നത് തുടരുന്നതിനാൽ പ്രോംപ്റ്റ് മാറ്റാൻ അവൾ ഒരു മണിക്കൂർ ചെലവഴിക്കുന്നു. ഉച്ചകഴിഞ്ഞ്, കമ്പനി വെബ്സൈറ്റിലെ ഒരു ബഗ് പരിഹരിക്കാൻ അവൾ ഒരു കോഡിംഗ് അസിസ്റ്റന്റിനെ ഉപയോഗിക്കുന്നു, അവൾക്ക് കോഡിംഗ് അറിയില്ലെങ്കിലും. അവൾ അടിസ്ഥാനപരമായി ഒരു ഡിജിറ്റൽ ഓർക്കസ്ട്രയുടെ കണ്ടക്ടറാണ്. അവൾ മാനുവൽ അധ്വാനം ചെയ്യുന്നില്ല, എന്നാൽ അന്തിമ പ്രകടനത്തിന് അവൾ ഉത്തരവാദിയാണ്. ഇതാണ് ജോലിയുടെ പുതിയ യാഥാർത്ഥ്യം. ഇത് ആദ്യം മുതൽ സൃഷ്ടിക്കുന്നതിനേക്കാൾ എഡിറ്റിംഗിനെയും പരിശോധനയെയും കുറിച്ചാണ്. സാറ കൂടുതൽ ഉൽപ്പാദനക്ഷമയാണ്, പക്ഷേ അവൾ കൂടുതൽ ക്ഷീണിതയുമാണ്. യന്ത്രത്തിലെ പിശകുകൾ നിരന്തരം പരിശോധിക്കുന്നതിന്റെ മാനസിക ഭാരം സ്വയം ജോലി ചെയ്യുന്നതിനേക്കാൾ വ്യത്യസ്തമാണ്

സാറയുടെ കമ്പനിയുടെ പ്രോത്സാഹനങ്ങളും മാറിയിട്ടുണ്ട്. അവർ ഇനി എൻട്രി ലെവൽ എഴുത്തുകാരെ നിയമിക്കുന്നില്ല. ഒരേ അളവിലുള്ള ഉള്ളടക്കം നിർമ്മിക്കാൻ മൂന്ന് വ്യത്യസ്ത മോഡലുകൾ ഉപയോഗിക്കുന്ന ഒരു സീനിയർ എഡിറ്ററെ അവർ നിയമിക്കുന്നു. ഇത് ഹ്രസ്വകാലത്തേക്ക് പണം ലാഭിക്കുന്നു, എന്നാൽ ഇത് ദീർഘകാല പ്രശ്നം സൃഷ്ടിക്കുന്നു. എൻട്രി ലെവൽ ജോലി ആരും ചെയ്യുന്നില്ലെങ്കിൽ അടുത്ത തലമുറ സീനിയർ എഡിറ്റർമാർ എവിടെ നിന്ന് വരും? കാര്യക്ഷമതയുടെ നിലവിലെ യുക്തിയുടെ ഫലമാണിത്. ഭാവി തകർക്കുമ്പോൾ തന്നെ നമ്മൾ വർത്തമാനകാലത്തിനായി ഒപ്റ്റിമൈസ് ചെയ്യുകയാണ്. സ്രഷ്ടാക്കൾക്ക് ഇതിലും വലിയ വെല്ലുവിളിയാണ് നേരിടേണ്ടി വരുന്നത്. സംഗീതജ്ഞരും ചിത്രകാരന്മാരും തങ്ങളുടെ ജോലി ഇപ്പോൾ ജോലികൾക്കായി അവരോട് മത്സരിക്കുന്ന മോഡലുകളെ പരിശീലിപ്പിക്കാൻ ഉപയോഗിക്കുന്നത് കാണുന്നു. ഇതൊരു വിപണി മാറ്റം മാത്രമല്ല. മനുഷ്യന്റെ പരിശ്രമത്തിന് നമ്മൾ നൽകുന്ന മൂല്യത്തിലെ മാറ്റമാണിത്. പ്രക്രിയയേക്കാൾ കൂടുതൽ ഫലത്തിന് നമ്മൾ മൂല്യം നൽകുന്നുണ്ടോ എന്നും, പ്രക്രിയ ഒരു ബ്ലാക്ക് ബോക്സിനുള്ളിൽ മറഞ്ഞിരിക്കുമ്പോൾ നമ്മുടെ സംസ്കാരത്തിന് എന്ത് സംഭവിക്കുമെന്നും നമ്മൾ ചോദിക്കണം.

• വേഗതയാണോ അതോ ഒറിജിനൽ ചിന്തയാണോ പ്രധാനമെന്ന് കമ്പനി നേതാക്കൾ തീരുമാനിക്കണം.
• മെഷീൻ ഔട്ട്‌പുട്ട് ഓഡിറ്റ് ചെയ്യുന്നത് ഒരു പ്രധാന കഴിവായി ജീവനക്കാർ പഠിക്കണം.
• നവീകരണത്തിന്റെ ആവശ്യകതയും തൊഴിൽ സേനയുടെ സംരക്ഷണവും തമ്മിൽ നിയമനിർമ്മാതാക്കൾ സന്തുലിതമാക്കണം.
• തങ്ങളുടെ ജോലി മനുഷ്യനിർമ്മിതമാണെന്ന് തെളിയിക്കാൻ സ്രഷ്ടാക്കൾ വഴികൾ കണ്ടെത്തണം.
• ഉത്തരങ്ങൾ ഒരു ക്ലിക്ക് അകലെയായിരിക്കുമ്പോൾ വിദ്യാർത്ഥികളെ എങ്ങനെ ഗ്രേഡ് ചെയ്യണമെന്ന് അധ്യാപകർ പുനർചിന്തനം ചെയ്യണം.

ഓട്ടോമേഷന്റെ മറഞ്ഞിരിക്കുന്ന ചിലവുകൾ

ഈ സാങ്കേതികവിദ്യയുടെ ഗുണങ്ങളെക്കുറിച്ച് നമ്മൾ പലപ്പോഴും സംസാരിക്കാറുണ്ട്, എന്നാൽ അതിന്റെ ബില്ലിനെക്കുറിച്ച് പറയാറില്ല. ആദ്യത്തെ ചിലവ് സ്വകാര്യതയാണ്. ഈ മോഡലുകൾ കൂടുതൽ ഉപയോഗപ്രദമാക്കാൻ, നമ്മൾ കൂടുതൽ ഡാറ്റ നൽകേണ്ടതുണ്ട്. മികച്ച ഫലങ്ങൾ ലഭിക്കാൻ നമ്മുടെ വ്യക്തിഗത ഷെഡ്യൂളുകൾ, സ്വകാര്യ കുറിപ്പുകൾ, കോർപ്പറേറ്റ് രഹസ്യങ്ങൾ എന്നിവ ഈ സിസ്റ്റങ്ങളിലേക്ക് നൽകാൻ നമ്മൾ പ്രോത്സാഹിപ്പിക്കപ്പെടുന്നു. എന്നാൽ ആ ഡാറ്റ എവിടേക്കാണ് പോകുന്നത്? ഉപഭോക്തൃ ഡാറ്റ തങ്ങളുടെ മോഡലുകളെ പരിശീലിപ്പിക്കാൻ ഉപയോഗിക്കുന്നില്ലെന്ന് മിക്ക കമ്പനികളും അവകാശപ്പെടുന്നു, എന്നാൽ ഇന്റർനെറ്റിന്റെ ചരിത്രം സൂചിപ്പിക്കുന്നത് നയങ്ങൾ മാറാം എന്നാണ്. നിങ്ങളുടെ ഡാറ്റ സിസ്റ്റത്തിനുള്ളിൽ എത്തിക്കഴിഞ്ഞാൽ, അത് പുറത്തെടുക്കുക എന്നത് അസാധ്യമാണ്. സൗകര്യത്തിന് വേണ്ടി സ്വകാര്യത നൽകുന്ന ഒരു സ്ഥിരമായ വ്യാപാരമാണിത്. ഊർജ്ജ ഉപഭോഗത്തിലും വലിയ വർദ്ധനവാണ് നമ്മൾ കാണുന്നത്. ഒരു വലിയ മോഡൽ പരിശീലിപ്പിക്കാൻ ആയിരക്കണക്കിന് വീടുകൾക്ക് ഒരു വർഷത്തേക്ക് ആവശ്യമായ വൈദ്യുതി വേണം. കൂടുതൽ സങ്കീർണ്ണമായ സിസ്റ്റങ്ങളിലേക്ക് നമ്മൾ നീങ്ങുമ്പോൾ, പാരിസ്ഥിതിക ചെലവ് വർദ്ധിക്കുകയേയുള്ളൂ. ഒരു പൂച്ചയുടെ തമാശയുള്ള ചിത്രം സൃഷ്ടിക്കാനുള്ള കഴിവ് അത് സൃഷ്ടിക്കുന്ന കാർബൺ ഫൂട്ട്പ്രിന്റിന് അർഹമാണോ എന്ന് നമ്മൾ ചോദിക്കണം.

സത്യത്തിന്റെ ചിലവും ഇതിലുണ്ട്. റിയലിസ്റ്റിക് ആയ ടെക്സ്റ്റും ചിത്രങ്ങളും സൃഷ്ടിക്കുന്നത് എളുപ്പമാകുമ്പോൾ, തെളിവുകളുടെ മൂല്യം കുറയുന്നു. എന്തും വ്യാജമാക്കാമെങ്കിൽ, ഒന്നും തെളിയിക്കാനാവില്ല. ഇത് ഇതിനകം നമ്മുടെ രാഷ്ട്രീയ സംവിധാനങ്ങളെയും കോടതികളെയും ബാധിക്കുന്നുണ്ട്. സ്ക്രീനിൽ കാണുന്നത് നുണയാണെന്ന സ്ഥിരസ്ഥിതി അനുമാനമുള്ള കാലഘട്ടത്തിലേക്കാണ് നമ്മൾ പ്രവേശിക്കുന്നത്. ഇത് ഉയർന്ന തലത്തിലുള്ള സാമൂഹിക സംഘർഷം സൃഷ്ടിക്കുന്നു. അടിസ്ഥാനപരമായ വസ്തുതകളിൽ യോജിക്കുന്നത് കൂടുതൽ ബുദ്ധിമുട്ടാക്കുന്നു. പങ്കുവെക്കപ്പെട്ട യാഥാർത്ഥ്യത്തിന്റെ തകർച്ചയെക്കുറിച്ചാണ് ഇവിടെ AI-യുടെ തത്വശാസ്ത്രം സംസാരിക്കുന്നത്. ഒരു അൽഗോരിതം വഴി ഫിൽട്ടർ ചെയ്യുകയും മാറ്റുകയും ചെയ്ത ലോകത്തിന്റെ ഒരു പതിപ്പാണ് എല്ലാവരും കാണുന്നതെങ്കിൽ, ആ വിഭജനങ്ങളിലുടനീളം ഫലപ്രദമായി ആശയവിനിമയം നടത്താനുള്ള കഴിവ് നമുക്ക് നഷ്ടപ്പെടുന്നു. കൂടുതൽ വ്യക്തിഗതവും വിനോദപ്രദവുമായ അനുഭവത്തിന് വേണ്ടി നമ്മൾ ഒരു സ്ഥിരതയുള്ള സാമൂഹിക അടിത്തറ കൈമാറുകയാണ്. ഉറവിടത്തെക്കുറിച്ചോ ഉദ്ദേശ്യത്തെക്കുറിച്ചോ ചോദിക്കാതെ ഈ ടൂളുകൾ ഉപയോഗിക്കുമ്പോഴെല്ലാം നമ്മൾ എടുക്കുന്ന തീരുമാനമാണിത്.

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

സാങ്കേതിക പരിമിതികളും ലോക്കൽ സിസ്റ്റങ്ങളും

പവർ യൂസർമാരെ സംബന്ധിച്ചിടത്തോളം, ചർച്ച കേവലം എത്തിക്സിനെക്കുറിച്ചല്ല. ഹാർഡ്‌വെയറിന്റെയും സോഫ്റ്റ്‌വെയറിന്റെയും പരിമിതികളെക്കുറിച്ചാണത്. ഏറ്റവും വലിയ തടസ്സങ്ങളിലൊന്ന് കോൺടെക്സ്റ്റ് വിൻഡോയാണ്. ഒരു മോഡലിന് ഒരേസമയം അതിന്റെ ആക്ടീവ് മെമ്മറിയിൽ സൂക്ഷിക്കാൻ കഴിയുന്ന വിവരങ്ങളുടെ അളവാണിത്. ഈ വിൻഡോകൾ വളരുന്നുണ്ടെങ്കിലും, അവ ഇപ്പോഴും പരിമിതമാണ്. നിങ്ങൾ ആയിരം പേജുള്ള ഒരു പുസ്തകം ഒരു മോഡലിന് നൽകിയാൽ, അത് അവസാനത്തിൽ എത്തുമ്പോഴേക്കും തുടക്കം മറക്കാൻ തുടങ്ങും. ഇത് ദീർഘകാല പ്രോജക്റ്റുകളിൽ പൊരുത്തക്കേടുകൾക്ക് കാരണമാകുന്നു. API പരിമിതികളും ലേറ്റൻസിയും മറ്റൊരു പ്രശ്നമാണ്. നിങ്ങളുടെ ബിസിനസ്സ് ഒരു തേർഡ് പാർട്ടി മോഡലിനെ ആശ്രയിക്കുന്നുണ്ടെങ്കിൽ, അവരുടെ അപ്‌ടൈമിനെയും വിലനിർണ്ണയത്തെയും നിങ്ങൾ ആശ്രയിക്കുന്നു. അവരുടെ സേവന നിബന്ധനകളിലെ പെട്ടെന്നുള്ള മാറ്റം നിങ്ങളുടെ മുഴുവൻ വർക്ക്ഫ്ലോയും തകർക്കാം. അതുകൊണ്ടാണ് പല അഡ്വാൻസ്ഡ് ഉപയോക്താക്കളും ലോക്കൽ സ്റ്റോറേജിലേക്കും ലോക്കൽ എക്സിക്യൂഷനിലേക്കും മാറുന്നത്. നിയന്ത്രണവും വേഗതയും നിലനിർത്താൻ അവർ സ്വന്തം ഹാർഡ്‌വെയറിൽ ചെറിയ മോഡലുകൾ പ്രവർത്തിപ്പിക്കുന്നു.

വർക്ക്ഫ്ലോ ഇന്റഗ്രേഷനാണ് അടുത്ത വലിയ വെല്ലുവിളി. വെബ്സൈറ്റിൽ ഒരു ചാറ്റ് ബോക്സ് ഉണ്ടെങ്കിൽ മാത്രം പോരാ. സ്പ്രെഡ്ഷീറ്റുകൾ, ഡാറ്റാബേസുകൾ, പ്രോജക്റ്റ് മാനേജ്മെന്റ് സോഫ്റ്റ്‌വെയർ തുടങ്ങിയ നിലവിലുള്ള ടൂളുകളുമായി ഈ മോഡലുകളെ ബന്ധിപ്പിക്കുന്നതിലാണ് യഥാർത്ഥ മൂല്യം. മോഡലിന് മനസ്സിലാക്കാൻ കഴിയുന്ന രീതിയിൽ ഡാറ്റ എങ്ങനെ ഘടനപ്പെടുത്താം എന്നതിനെക്കുറിച്ച് ആഴത്തിലുള്ള അറിവ് ഇതിന് ആവശ്യമാണ്. RAG അഥവാ റിട്രീവൽ-ഓഗ്മെന്റഡ് ജനറേഷൻ ഉയർന്നു വരുന്നത് നമ്മൾ കാണുന്നു. മോഡൽ ഉത്തരം നൽകുന്നതിന് മുമ്പ് വിശ്വസനീയമായ ഒരു ഉറവിടത്തിൽ നിന്ന് പ്രത്യേക വിവരങ്ങൾ തിരയുന്ന രീതിയാണിത്. മോഡലിന്റെ സ്റ്റാറ്റിസ്റ്റിക്കൽ സ്വഭാവവും ഉപയോക്താവിന്റെ വസ്തുതാപരമായ ആവശ്യങ്ങളും തമ്മിലുള്ള വിടവ് നികത്താനുള്ള വഴിയാണിത്. എന്നിരുന്നാലും, ഇത് സിസ്റ്റത്തിന് സങ്കീർണ്ണതയുടെ ഒരു പാളി കൂടി നൽകുന്നു. സെർച്ച് എഞ്ചിൻ, ഡാറ്റാബേസ്, മോഡൽ എന്നിവ ഒരേസമയം നിങ്ങൾ കൈകാര്യം ചെയ്യണം. ഫലപ്രദമായി കൈകാര്യം ചെയ്യാൻ പ്രത്യേക കഴിവുകൾ ആവശ്യമുള്ള ഉയർന്ന മെയിന്റനൻസ് ആവശ്യമുള്ള പരിഹാരമാണിത്.

• ക്വാണ്ടൈസേഷൻ വലിയ മോഡലുകളെ ഭാരത്തിന്റെ കൃത്യത കുറച്ചുകൊണ്ട് കൺസ്യൂമർ ഗ്രേഡ് ഹാർഡ്‌വെയറിൽ പ്രവർത്തിക്കാൻ അനുവദിക്കുന്നു.
• RAG കുറഞ്ഞ പരിശ്രമത്തിൽ മികച്ച വസ്തുതാപരമായ കൃത്യത നൽകുന്നതിനാൽ ഫൈൻ ട്യൂണിംഗ് കുറഞ്ഞുവരികയാണ്.
• ടോക്കണൈസേഷൻ ചില ഭാഷകൾ മറ്റുള്ളവയേക്കാൾ പ്രോസസ്സ് ചെയ്യാൻ ചെലവേറിയതാക്കുന്ന ഒരു മറഞ്ഞിരിക്കുന്ന ചിലവായി തുടരുന്നു.
• സെൻസിറ്റീവ് കോർപ്പറേറ്റ് ഡാറ്റയ്ക്ക് 100 ശതമാനം സ്വകാര്യത ഉറപ്പാക്കാനുള്ള ഒരേയൊരു മാർഗ്ഗം ലോക്കൽ എക്സിക്യൂഷനാണ്.
• മോഡൽ ഡിസ്റ്റിലേഷൻ മൊബൈൽ ഉപയോഗത്തിനായി വലിയ മോഡലുകളുടെ ചെറിയ, വേഗതയേറിയ പതിപ്പുകൾ സൃഷ്ടിക്കുന്നു.

മുന്നോട്ടുള്ള പ്രായോഗിക പാത

AI-യുടെ തത്വശാസ്ത്രം ജോലികളിൽ നിന്നുള്ള ശ്രദ്ധ തിരിക്കലല്ല. അത് ജോലിയുടെ ഭാഗമാണ്. ഓരോ തവണ നിങ്ങൾ ഒരു മോഡൽ തിരഞ്ഞെടുക്കുമ്പോഴും, നിങ്ങളുടെ ജീവിതത്തിൽ എന്ത് തരത്തിലുള്ള യുക്തി ആധിപത്യം പുലർത്തണമെന്ന് നിങ്ങൾ തീരുമാനിക്കുകയാണ്. ഏതൊക്കെ അപകടസാധ്യതകളാണ് സ്വീകാര്യമായതെന്നും ഏതൊക്കെ ചെലവുകളാണ് വളരെ കൂടുതലെന്നും നിങ്ങൾ തീരുമാനിക്കുന്നു. സാങ്കേതികവിദ്യ വേഗത്തിൽ മാറുന്നു, എന്നാൽ മനുഷ്യന്റെ ആവശ്യങ്ങൾ അതേപടി തുടരുന്നു. നമ്മളെ മെച്ചപ്പെടുത്തുന്ന ടൂളുകളാണ് നമുക്ക് വേണ്ടത്, നമ്മളെ മാറ്റിസ്ഥാപിക്കുന്ന ടൂളുകളല്ല. സുതാര്യമായ സിസ്റ്റങ്ങളാണ് നമുക്ക് വേണ്ടത്, ഇരുട്ടിൽ പ്രവർത്തിക്കുന്ന സിസ്റ്റങ്ങളല്ല. ഈ വിഷയത്തെ ചുറ്റിപ്പറ്റിയുള്ള ആശയക്കുഴപ്പം പലപ്പോഴും ബോധപൂർവമാണ്. ഒരു സങ്കീർണ്ണമായ സ്റ്റാറ്റിസ്റ്റിക്കൽ ടൂൾ വിൽക്കുന്നതിനേക്കാൾ എളുപ്പമാണ് കമ്പനികൾക്ക് ഒരു മാജിക് ബോക്സ് വിൽക്കുന്നത്. അനാവശ്യ കാര്യങ്ങൾ ഒഴിവാക്കി പ്രോത്സാഹനങ്ങളിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നതിലൂടെ, സാങ്കേതികവിദ്യ എന്താണെന്ന് നിങ്ങൾക്ക് മനസ്സിലാക്കാം. ഇതൊരു ശക്തമായ, എന്നാൽ പിഴവുകളുള്ള, ആഴത്തിൽ മനുഷ്യനിർമ്മിതമായ സൃഷ്ടിയാണ്. നമ്മുടെ മികച്ച ആശയങ്ങളെയും മോശം ശീലങ്ങളെയും ഇത് പ്രതിഫലിപ്പിക്കുന്നു. ഓരോ ഇടപെടലിലും നിങ്ങൾ നടത്തുന്ന വിട്ടുവീഴ്ചകൾ മനസ്സിലാക്കി, കണ്ണുതുറന്ന് അത് ഉപയോഗിക്കുക എന്നതാണ് ലക്ഷ്യം. ഈ മാറ്റങ്ങളെക്കുറിച്ച് അറിയാൻ മെഷീൻ ലേണിംഗിലെ ഏറ്റവും പുതിയ ട്രെൻഡുകളെക്കുറിച്ച് നിങ്ങൾക്ക് കൂടുതൽ കണ്ടെത്താം. ഈ സിസ്റ്റങ്ങളുടെ എത്തിക്സിനെക്കുറിച്ചുള്ള ആഴത്തിലുള്ള ഉൾക്കാഴ്ചകൾക്കായി, സ്റ്റാൻഫോർഡ് ഇൻസ്റ്റിറ്റ്യൂട്ട് ഫോർ ഹ്യൂമൻ-സെന്റേർഡ് AI, MIT ടെക്നോളജി റിവ്യൂ തുടങ്ങിയ ഉറവിടങ്ങൾ മികച്ച ഡാറ്റ നൽകുന്നു. ന്യൂയോർക്ക് ടൈംസ് ടെക് വിഭാഗത്തിലെ നിയമപരമായ മാറ്റങ്ങളും നിങ്ങൾക്ക് ട്രാക്ക് ചെയ്യാം.

הערת העורך: יצרנו אתר זה כמרכז חדשות ומדריכים רב-לשוני בנושא בינה מלאכותית עבור אנשים שאינם "גיקים" של מחשבים, אך עדיין רוצים להבין בינה מלאכותית, להשתמש בה בביטחון רב יותר, ולעקוב אחר העתיד שכבר מגיע.