AI चा वापर कसा करावा, जेणेकरून ते सर्वकाही ताब्यात घेणार नाही

नाविन्याकडून उपयुक्ततेकडे होणारा बदल

लार्ज लँग्वेज मॉडेल्सचे नवल आता कमी होत आहे. वापरकर्ते आता मशीनने मजकूर तयार करताना पाहून होणाऱ्या सुरुवातीच्या आश्चर्याच्या पलीकडे गेले आहेत आणि हे टूल्स खरोखरच उत्पादक दिवसात कसे बसतात, याचा विचार करत आहेत. याचे उत्तर अधिक ऑटोमेशन नाही, तर अधिक चांगल्या मर्यादा आहेत. आपण एक असा बदल पाहत आहोत जिथे हुशार वापरकर्ते या सिस्टिम्सना ‘ओरॅकल’ (भविष्यवेत्ते) मानण्याऐवजी ‘इंटर्न’ मानतात. या बदलासाठी AI सर्वकाही हाताळू शकते, या कल्पनेपासून दूर जाणे आवश्यक आहे. ते तसे करू शकत नाही. हे एक सांख्यिकीय इंजिन आहे जे पॅटर्नवर आधारित पुढचा शब्द ओळखते. ते विचार करत नाही. त्याला तुमच्या डेडलाईन्सची पर्वा नाही. त्याला तुमच्या ऑफिसमधील राजकारणाची सूक्ष्मता समजत नाही. त्याचा प्रभावीपणे वापर करण्यासाठी, तुम्हाला तुमच्या मुख्य सर्जनशील कामाभोवती एक सुरक्षा कवच तयार करावे लागेल. हे अल्गोरिदमिक गोंधळाच्या युगात स्वतःचे नियंत्रण टिकवून ठेवण्याबद्दल आहे. ऑटोमेशनपेक्षा ऑगमेंटेशनवर (वाढीव क्षमतेवर) लक्ष केंद्रित करून, तुम्ही हे सुनिश्चित करता की मशीन तुमच्या ध्येयांची पूर्तता करते, तुमच्या आउटपुटवर हुकूमत गाजवत नाही. ध्येय हे आहे की असा समतोल शोधावा जिथे टूल पुनरावृत्तीची कामे हाताळते आणि तुम्ही लॉजिक आणि अंतिम निर्णयावर नियंत्रण ठेवता.

एक कार्यात्मक बफर झोन तयार करणे

व्यावहारिकता म्हणजे अलगीकरण. लोक अनेकदा AI वापरणे आणि AI ला संपूर्ण प्रक्रिया चालवू देणे यात गल्लत करतात. ही एक चूक आहे ज्यामुळे सामान्य निकाल मिळतात आणि वारंवार चुका होतात. एक कार्यात्मक बफर झोन तयार करण्यासाठी तुमच्या वर्कफ्लोचे लहान कामांमध्ये विभाजन करणे आवश्यक आहे. तुम्ही मॉडेलला रिपोर्ट लिहायला सांगू नका. त्याऐवजी, तुम्ही त्याला हे बुलेट पॉइंट्स टेबलमध्ये फॉरमॅट करायला किंवा या तीन ट्रान्स्क्रिप्ट्सचा सारांश द्यायला सांगू शकता. यामुळे लॉजिक आणि धोरणासाठी माणूस ड्रायव्हरच्या सीटवर राहतो. अनेक लोक असा गोंधळ करतात की AI ही एक जनरल इंटेलिजन्स आहे. तसे नाही. हे पॅटर्न ओळखण्यासाठी एक विशेष टूल आहे. जेव्हा तुम्ही त्याला जनरल म्हणून वापरता, तेव्हा ते तथ्ये चुकीची सांगून किंवा तुमच्या ब्रँडचा टोन गमावून अपयशी ठरते. कामे लहान ठेवून, तुम्ही मोठ्या चुकीचा धोका कमी करता. तुम्ही अंतिम निर्णय घेणारे स्वतःच आहात, हे देखील तुम्ही सुनिश्चित करता.

या दृष्टिकोनासाठी सुरुवातीला जास्त मेहनत लागते कारण तुम्हाला तुमच्या स्वतःच्या प्रक्रियेचा विचार करावा लागतो. डेटा कुठे जातो आणि तो कोण तपासते, याचा नकाशा तुम्हाला तयार करावा लागतो. पण याचा फायदा असा वर्कफ्लो आहे जो पूर्णपणे मॅन्युअल प्रक्रियेपेक्षा वेगवान आणि अधिक विश्वासार्ह आहे. हे घर्षण बिंदू शोधण्याबद्दल आणि काम का महत्त्वाचे आहे हे समजणाऱ्या व्यक्तीला न काढता त्यांना सुलभ करण्याबद्दल आहे. अनेक वापरकर्ते या मॉडेल्सच्या सर्जनशील क्षमतेचा अतिरेक करतात, तर साध्या डेटा ट्रान्सफॉर्मेशनमधील त्यांच्या उपयुक्ततेचा कमी अंदाज घेतात. जर तुम्ही याचा वापर गोंधळलेली स्प्रेडशीट स्वच्छ लिस्टमध्ये बदलण्यासाठी केला, तर ते उत्तम काम करते. जर तुम्ही याचा वापर युनिक बिझनेस स्ट्रॅटेजी तयार करण्यासाठी केला, तर ते कदाचित तुम्हाला इतरांनी केलेल्या कामाचीच एक रिसायकल केलेली आवृत्ती देईल. विरोधाभास असा आहे की, तुम्ही विचार करण्यासाठी त्यावर जितके जास्त अवलंबून राहाल, तितके ते कमी उपयुक्त ठरेल. तुम्ही श्रमासाठी जितके जास्त वापराल, तितके ते अधिक मदत करेल.

गार्डरेल्ससाठी जागतिक शर्यत

जागतिक स्तरावर, चर्चा ‘हे आपण कसे बनवू’ यावरून ‘यासोबत आपण कसे जगू’ याकडे वळत आहे. युरोपियन युनियनमध्ये, AI Act उच्च-धोक्याच्या ॲप्लिकेशन्सवर कडक मर्यादा घालत आहे. युनायटेड स्टेट्समध्ये, कार्यकारी आदेश सुरक्षिततेवर लक्ष केंद्रित करत आहेत. हे फक्त मोठ्या टेक कंपन्यांबद्दल नाही. याचा परिणाम प्रत्येक लहान व्यवसायावर आणि वैयक्तिक निर्मात्यावर होतो. सरकारे सत्याची धूप आणि कामगारांच्या विस्थापनाबद्दल चिंतित आहेत. कंपन्या डेटा लीक आणि बौद्धिक संपत्ती चोरीबद्दल चिंतित आहेत. येथे एक स्पष्ट विरोधाभास आहे. आपल्याला ऑटोमेशनची कार्यक्षमता हवी आहे, पण नियंत्रणाच्या अभावाची भीती वाटते. सिंगापूर आणि दक्षिण कोरियासारख्या ठिकाणी, साक्षरतेवर आणि वर्कफोर्स या टूल्सना हाताळू शकेल याची खात्री करण्यावर लक्ष दिले जात आहे, जेणेकरून त्यांची जागा मशीन घेऊ नये. गार्डरेल्ससाठीची ही आंतरराष्ट्रीय शर्यत हे लक्षण आहे की ‘हनिमून’ संपला आहे. आपण आता जबाबदारीच्या युगात आहोत.

जर एखाद्या अल्गोरिदमने अशी चूक केली ज्यामुळे कंपनीचे लाखो रुपयांचे नुकसान झाले, तर जबाबदार कोण? डेव्हलपर, वापरकर्ता की ज्याने डेटा दिला ती कंपनी? अनेक अधिकारक्षेत्रांत या प्रश्नांची उत्तरे अजून मिळालेली नाहीत. जसे आपण मध्ये खोलवर जाऊ, तसे कायदेशीर फ्रेमवर्क अधिक जटिल होतील. याचा अर्थ वापरकर्त्यांनी सक्रिय राहणे आवश्यक आहे. तुम्ही कायद्याने तुमचे संरक्षण करण्याची वाट पाहू शकत नाही. तुम्ही डेटा कसा हाताळता आणि या मशीनचे आउटपुट कसे पडताळता, यासाठी तुम्हाला स्वतःचे अंतर्गत धोरण तयार करावे लागेल. जे लोक जागतिक टेक मानके आणि त्यांचा स्थानिक ऑपरेशन्सवर होणारा परिणाम तपासत आहेत, त्यांच्यासाठी हे विशेषतः खरे आहे. वास्तव हे आहे की तंत्रज्ञान नियमांपेक्षा वेगाने पुढे जात आहे. याबद्दल अधिक माहितीसाठी, MIT Technology Review ची नवीनतम पॉलिसी ॲनालिसिस पहा. AI अंमलबजावणी धोरणे समजून घेणे हे आता बदलत्या मार्केटमध्ये संबंधित राहू इच्छिणाऱ्या कोणत्याही व्यावसायिकासाठी एक मुख्य गरज बनली आहे.

मॅनेज्ड ऑटोमेशनसह एक मंगळवार

सारा नावाच्या प्रोजेक्ट मॅनेजरचा एक सामान्य मंगळवार पाहूया. ती तिच्या सकाळची सुरुवात पन्नास ईमेलच्या ढिगाऱ्याने करते. प्रत्येक ईमेल वाचण्याऐवजी, ती ॲक्शन आयटम्स काढण्यासाठी एका लोकल स्क्रिप्टचा वापर करते. इथेच लोक AI चा अतिरेक करतात. त्यांना वाटते की ते रिप्लाय हाताळू शकते. साराला चांगले माहित आहे. ती लिस्ट रिव्ह्यू करते, कचरा डिलीट करते आणि नंतर स्वतः रिप्लाय लिहिते. AI ने तिचा सॉर्टिंगचा एक तास वाचवला, पण तिने मानवी स्पर्श कायम ठेवला. नंतर, तिला प्रोजेक्ट प्लॅन ड्राफ्ट करायचा आहे. ती मॉडेलला बजेट, टाइमलाइन आणि टीमची साईज यासारख्या मर्यादा देते. ते तिला एक ड्राफ्ट देते. ती दोन तास तो ड्राफ्ट फाडण्यात घालवते कारण मॉडेलला माहित नव्हते की तिचे दोन डेव्हलपर्स सध्या रजेवर आहेत. हे मानवी रिव्ह्यूचे वास्तव आहे. जेव्हा तुम्ही असे गृहीत धरता की मॉडेलला तुमच्या आयुष्याचा पूर्ण संदर्भ माहित आहे, तेव्हा ही युक्ती अपयशी ठरते. तसे नसते. सारा तिच्या दुपारच्या मीटिंगचे ट्रान्स्क्रिप्शन करण्यासाठी एका टूलचा वापर करते. ती ट्रान्स्क्रिप्शनचा वापर सारांश तयार करण्यासाठी करते. तिला आढळते की AI क्लायंटच्या आक्षेपाचा एक महत्त्वाचा मुद्दा चुकले आहे. जर ती मीटिंगमध्ये नसती, तर तिनेही तो मुद्दा गमावला असता.

डेलिगेशनची ही छुपी किंमत आहे. तुम्हाला अजूनही लक्ष द्यावे लागते. दिवसाच्या शेवटी, साराने गेल्या वर्षीपेक्षा जास्त काम केले आहे, पण ती अधिक थकली आहे. AI चे काम तपासण्याचा मानसिक भार स्वतः काम करण्यापेक्षा वेगळा असतो. यासाठी सतत संशयाची स्थिती आवश्यक असते. लोक अनेकदा या कॉग्निटिव्ह टॅक्सचा (बौद्धिक कराचा) कमी अंदाज घेतात. त्यांना वाटते की AI मुळे जीवन सोपे होते. अनेकदा, ते फक्त जीवन वेगवान करते, जे एकच गोष्ट नाही. साराला सिस्टिमकडून तिचा अंतिम रिपोर्ट मिळाला आणि तिने टोन दुरुस्त करण्यासाठी वीस मिनिटे घालवली. आउटपुट पाठवण्यासाठी सुरक्षित असल्याची खात्री करण्यासाठी तिने एका विशिष्ट चेकलिस्टचे पालन केले:

• मूळ स्रोताशी सर्व नावे आणि तारखा पडताळून पहा.
• परिच्छेदांमधील तार्किक विसंगती तपासा.
• मशीन जनरेशन दर्शवणारे सामान्य विशेषण काढून टाका.
• निष्कर्ष हा सुरुवातीला दिलेल्या डेटाशी जुळतो याची खात्री करा.
• मागील संभाषणाचा संदर्भ देणारी एक वैयक्तिक टीप जोडा.

साराच्या दिवसातील विरोधाभास असा आहे की ती टूलचा जितका जास्त वापर करते, तितके तिला हाय-लेव्हल एडिटर म्हणून काम करावे लागते. ती आता फक्त प्रोजेक्ट मॅनेजर राहिलेली नाही. ती एका अल्गोरिदमसाठी क्वालिटी ॲश्युरन्स ऑफिसर आहे. कथेचा हा भाग अनेकदा गुळगुळीत करून सांगितला जातो. आपल्याला सांगितले जाते की AI आपला वेळ परत देते. प्रत्यक्षात, ते आपला वेळ कसा खर्च करायचा हे बदलते. ते आपल्याला निर्मितीच्या कृतीकडून पडताळणीच्या कृतीकडे नेते. हे थकवणारे असू शकते. यासाठी अनेक लोकांकडे नसलेल्या कौशल्यांची वेगळी गरज असते. तुम्हाला परिपूर्ण व्याकरणाच्या समुद्रात एक सूक्ष्म चूक शोधता आली पाहिजे. मशीन तुम्हाला खुश करण्यासाठी गोष्टी बनवत आहे हे तुम्हाला ओळखता आले पाहिजे. इथे मानवी रिव्ह्यू ही फक्त एक सूचना नाही. व्यावसायिक वातावरणात टिकून राहण्यासाठी ही एक गरज आहे.

कार्यक्षमतेवरील छुपा कर

या एकत्रीकरणाच्या दीर्घकालीन परिणामांबद्दल आपण कठीण प्रश्न विचारले पाहिजेत. जेव्हा आपण स्वतःचे पहिले ड्राफ्ट लिहिणे थांबवतो, तेव्हा आपल्या कौशल्यांचे काय होते? जर एखादा ज्युनिअर डिझायनर त्याचे संपूर्ण करिअर AI-जनरेटेड इमेजेसमध्ये बदल करण्यात घालवतो, तर तो कधीही कंपोझिशनचे मूलभूत नियम शिकेल का? कौशल्य कमी होण्याचा (skill atrophy) धोका आहे ज्याबद्दल आपण पुरेसे बोलत नाही. त्यानंतर गोपनीयतेचा मुद्दा येतो. तुम्ही क्लाउड-आधारित मॉडेलला दिलेली प्रत्येक प्रॉम्प्ट हा डेटाचा एक तुकडा आहे जो तुम्ही देत आहात. एंटरप्राइझ करारांसह देखील, डेटा पॉयझनिंग किंवा अपघाती एक्सपोजरचा धोका वास्तविक आहे. तुमच्या डेटावर तयार झालेल्या बुद्धिमत्तेचा मालक कोण? जर तुम्ही पुस्तक लिहिण्यासाठी AI चा वापर केला, तर ते पुस्तक खरोखर तुमचे आहे का? कायदेशीर सिस्टिम अजूनही याचा पाठपुरावा करत आहे. आपल्याला पर्यावरणीय खर्चाचाही विचार करावा लागेल. हे विशाल मॉडेल्स चालवण्यासाठी प्रचंड प्रमाणात वीज आणि कूलिंगसाठी पाण्याची गरज असते. ईमेलचा सारांश मिळवण्याची सोय कार्बन फूटप्रिंटच्या किमतीची आहे का?

आपण क्लाउडच्या जादूचा अतिरेक करतो आणि ते चालू ठेवण्यासाठी आवश्यक असलेल्या भौतिक पायाभूत सुविधांचा कमी अंदाज घेतो. फीडबॅक लूपची समस्या देखील आहे. जर AI ला AI-जनरेटेड मजकुरावर प्रशिक्षित केले गेले, तर आउटपुटची गुणवत्ता कालांतराने खराब होईल. आपण आधीच काही रिसर्च सेटिंग्जमध्ये ‘मॉडेल कोलॅप्स’ पाहत आहोत. आपण सिस्टिमला उच्च-गुणवत्तेची, मानवनिर्मित माहिती देत आहोत याची खात्री कशी करायची? हे विरोधाभास नाहीसे होणार नाहीत. आधुनिक युगात प्रवेश करण्यासाठी ही किंमत आहे.

तुमच्या विशिष्ट परिस्थितीसाठी हा ट्रेड-ऑफ फायदेशीर आहे का, हे तुम्हाला ठरवावे लागेल. अनेकांसाठी, उत्तर सावधगिरीने ‘हो’ असे आहे, पण केवळ तेव्हाच जेव्हा माणूस अंतिम अधिकारी राहतो. याच्या नैतिकतेबद्दल अधिक माहितीसाठी, टेक पॉलिसीमधील सखोल अभ्यासासाठी The Verge ला भेट द्या. हा विषय विकसित होत राहील कारण माणूस आणि मशीन यांच्यातील रेषा कुठे असावी, हे आपण अजून ठरवलेले नाही.

स्थानिक नियंत्रणाची पायाभूत सुविधा

पॉवर युजर्ससाठी, उपाय अनेकदा मोठ्या क्लाउड प्रदात्यांपासून दूर जाणे हा असतो. गोपनीयता आणि विश्वासार्हतेसाठी स्थानिक स्टोरेज आणि स्थानिक एक्झिक्यूशन हे सुवर्ण मानक बनत आहेत. जर तुम्ही स्वतःच्या हार्डवेअरवर Llama किंवा Mistral सारखे मॉडेल चालवले, तर तुम्ही तुमचा डेटा ट्रेनिंगसाठी वापरला जाण्याचा धोका काढून टाकता. तुम्ही API च्या मर्यादित मर्यादा आणि प्रदाते जेव्हा कॉम्प्युट खर्च वाचवण्याचा प्रयत्न करतात तेव्हा मॉडेल्सची क्षमता कमी करतात, त्यापासूनही वाचता. तथापि, यासाठी हार्डवेअरमध्ये मोठी गुंतवणूक आवश्यक आहे. तुम्हाला भरपूर VRAM असलेले हाय-एंड GPU हवे आहे. तुम्हाला तुमची कॉन्टेक्स्ट विंडो कशी व्यवस्थापित करायची हे देखील समजून घेणे आवश्यक आहे. जर तुमची प्रॉम्प्ट खूप लांब असेल, तर मॉडेल संभाषणाची सुरुवात विसरू लागेल. इथे Retrieval-Augmented Generation सारखे वर्कफ्लो इंटिग्रेशन्स कामी येतात. सर्व काही प्रॉम्प्टमध्ये भरण्याऐवजी, तुम्ही केवळ संबंधित माहितीचे तुकडे मिळवण्यासाठी वेक्टर डेटाबेसचा वापर करता.

तुम्ही आम्हाला कव्हर करावे असे तुम्हाला वाटणारी AI कथा, साधन, ट्रेंड किंवा प्रश्न आहे का? तुमची लेखाची कल्पना आम्हाला पाठवा — आम्हाला ती ऐकायला आवडेल.

हे अधिक कार्यक्षम आहे परंतु यासाठी उच्च तांत्रिक कौशल्याची आवश्यकता आहे. तुम्हाला तुमचे स्वतःचे एम्बेडिंग्स व्यवस्थापित करावे लागतील आणि तुमचा डेटाबेस अपडेट असल्याची खात्री करावी लागेल. OpenAI किंवा Google च्या विशाल क्लस्टर्सच्या तुलनेत स्थानिक मॉडेल्स काय करू शकतात यावरही मर्यादा आहेत. तुम्ही कच्च्या शक्तीची देवाणघेवाण नियंत्रणासाठी करत आहात. मध्ये, आपण अशी अधिक टूल्स पाहत आहोत जी सरासरी ‘गीक’साठी हे सोपे करतात, परंतु तरीही यासाठी ‘टिंकर’ माइंडसेटची आवश्यकता आहे. तुम्हाला योग्य आउटपुट मिळवण्यासाठी तासनतास पायथन स्क्रिप्ट डीबग करण्यासाठी किंवा तुमची तापमान सेटिंग्ज ॲडजस्ट करण्यासाठी तयार राहावे लागेल. उच्च सुरक्षा गरजा असलेल्या लोकांसाठी या दृष्टिकोनाचे फायदे स्पष्ट आहेत:

• बाह्य सर्व्हरवर शून्य डेटा गळती.
• सुरुवातीच्या हार्डवेअर खर्चानंतर कोणतेही मासिक सबस्क्रिप्शन शुल्क नाही.
• फाईन ट्यूनिंगद्वारे मॉडेलच्या वर्तनाचे कस्टमायझेशन.
• शक्तिशाली लँग्वेज प्रोसेसिंग टूल्सचा ऑफलाइन ॲक्सेस.
• तुम्ही वापरत असलेल्या मॉडेलच्या व्हर्जनवर पूर्ण नियंत्रण.

येथील विरोधाभास असा आहे की ज्या लोकांना कार्यक्षमतेसाठी AI ची सर्वात जास्त गरज आहे, त्यांच्याकडे अनेकदा हे स्थानिक सिस्टम सेट करण्यासाठी वेळ नसतो. यामुळे जे ग्राहक आवृत्त्या वापरतात आणि जे स्वतःचे खाजगी स्टॅक तयार करतात, त्यांच्यात दरी निर्माण होते. मॉडेल्स अधिक जटिल होत असताना ही तांत्रिक दरी वाढण्याची शक्यता आहे. जर तुम्ही निर्माता किंवा डेव्हलपर असाल, तर स्थानिक पायाभूत सुविधांमधील गुंतवणूक ही चैनीची गोष्ट नसून गरज बनत आहे. प्रदात्याने त्यांच्या सेवा अटी अपडेट करण्याचा निर्णय घेतल्यामुळे तुमची टूल्स बदलणार नाहीत किंवा रातोरात गायब होणार नाहीत, याची खात्री करण्याचा हा एकमेव मार्ग आहे.

ह्युमन इन द लूप

थोडक्यात सांगायचे तर, AI हे निर्णयाची जागा घेणारे साधन नसून ते वाढवणारे साधन आहे. जर तुम्ही याचा वापर खराब प्रक्रिया वेगवान करण्यासाठी केला, तर तुम्हाला फक्त खराब निकाल अधिक वेगाने मिळतील. ध्येय हे असावे की या सिस्टिम्सचा वापर कंटाळवाणी कामे हाताळण्यासाठी करावा आणि तुम्ही हाय-लेव्हल स्ट्रॅटेजीवर लक्ष केंद्रित करावे. यासाठी आपण आपल्या स्वतःच्या मूल्याबद्दल कसा विचार करतो, यात बदल आवश्यक आहे. आपण आता प्रत्येक लहान कामाचे ‘डूअर’ (करणारे) राहिलेले नाही. आपण आर्किटेक्ट आणि एडिटर आहोत. जेव्हा कमीत कमी प्रतिकाराचा मार्ग नेहमीच अल्गोरिदमिक असतो, तेव्हा आपण आपली सर्जनशील ठिणगी टिकवून ठेवू शकतो का, हा प्रश्न अजूनही जिवंत आहे. जर आपण सोपी कामे मशीनला घेऊ दिली, तर कठीण कामांसाठी आपल्याकडे ताकद उरेल का? हा निर्णय प्रत्येक वापरकर्त्याला दररोज घ्यावा लागतो. नाविन्यापेक्षा व्यावहारिकता अधिक महत्त्वाची आहे. टूल वापरा, पण त्याला तुम्हाला वापरू देऊ नका. तुमचे लक्ष आउटपुटवर ठेवा आणि तुमचे हात स्टिअरिंगवर ठेवा.

संपादकाची नोंद: आम्ही ही साइट बहुभाषिक AI बातम्या आणि मार्गदर्शिका केंद्र म्हणून अशा लोकांसाठी तयार केली आहे जे संगणक तज्ञ नाहीत, परंतु तरीही कृत्रिम बुद्धिमत्ता समजून घेऊ इच्छितात, अधिक आत्मविश्वासाने तिचा वापर करू इच्छितात आणि आधीच येत असलेल्या भविष्याचा मागोवा घेऊ इच्छितात.

काही चूक आढळली किंवा काही दुरुस्त करायचे आहे का? आम्हाला कळवा.