AI चे तत्त्वज्ञान: ज्यांना तत्त्वज्ञान आवडत नाही त्यांच्यासाठी

व्यावहारिक निवड

बहुतेक लोक आर्टिफिशियल इंटेलिजन्सच्या (AI) तत्त्वज्ञानाकडे रोबोट्सना आत्मा आहे की नाही, या वादाच्या नजरेतून पाहतात. ही एक मोठी चूक आहे, जी केवळ वेळ वाया घालवते आणि खऱ्या धोक्यांकडे दुर्लक्ष करते. व्यावसायिक जगात, या तंत्रज्ञानाचे तत्त्वज्ञान म्हणजे जबाबदारी, अचूकता आणि मानवी श्रमाची किंमत याबद्दलची चर्चा आहे. जेव्हा एखादे मॉडेल अशी चूक करते ज्यामुळे कंपनीचे लाखो डॉलर्सचे नुकसान होते, तेव्हा त्याला जबाबदार कोण, हा खरा प्रश्न आहे. तसेच, एखाद्या क्रिएटिव्ह कामगाराने दशकांपासून जपलेली शैली खरोखर त्याचीच आहे का, हा मुद्दा महत्त्वाचा आहे. आपण आता ‘मशीन्स विचार करू शकतात का?’ या प्रश्नाच्या पलीकडे गेलो आहोत. आता आपण ‘त्यांच्यावर किती विश्वास ठेवायचा?’ या युगात आहोत. उद्योगातील अलीकडील बदल म्हणजे आता केवळ विनोद सांगणारे चॅटबॉट्स राहिले नसून, फ्लाईट्स बुक करणारे आणि कोड लिहिणारे ‘एजंट्स’ आले आहेत. हा बदल आपल्याला विश्वासाच्या यंत्रणेकडे पाहायला भाग पाडतो. जर तुम्हाला तत्त्वज्ञान आवडत नसेल, तर याकडे ‘कॉन्ट्रॅक्ट नेगोशिएशन’ (करार वाटाघाटी) म्हणून पाहा. तुम्ही अशा एका कर्मचाऱ्यासाठी अटी ठरवत आहात जो कधीही झोपत नाही, पण अनेकदा ‘हॅल्युसिनेट’ (चुकीची माहिती देणे) करतो. वेग वाढवताना सिस्टिम पूर्णपणे कोलमडणार नाही, याची काळजी घेणे हेच आपले ध्येय आहे.

मशीन लॉजिकची कार्यपद्धती

सध्याच्या उद्योगाची स्थिती समजून घेण्यासाठी मार्केटिंगच्या शब्दांकडे दुर्लक्ष करा. लार्ज लँग्वेज मॉडेल (LLM) म्हणजे काही मेंदू नाही. तो मानवी भाषेचा एक प्रचंड सांख्यिकीय नकाशा आहे. जेव्हा तुम्ही एखादा प्रॉम्प्ट टाईप करता, तेव्हा सिस्टिम तुमच्या प्रश्नावर विचार करत नसते. ती फक्त हे मोजत असते की, मागील शब्दांनंतर कोणता शब्द येण्याची शक्यता सर्वात जास्त आहे. म्हणूनच हे सिस्टिम्स कविता लिहिण्यात उत्तम आहेत पण साध्या गणितात कच्ची आहेत. त्यांना मानवी संवादाचे पॅटर्न समजतात, पण गणिताचे लॉजिक समजत नाही. व्यवसायात हे टूल्स वापरताना हा फरक लक्षात घेणे अत्यंत गरजेचे आहे. जर तुम्ही याच्या आउटपुटला ‘सत्य’ मानले, तर तुम्ही चुकीचा वापर करत आहात. हे एक ‘क्रिएटिव्ह सिंथेसायझर’ आहे, डेटाबेस नाही. हे मॉडेल्स मानवी सहानुभूतीची नक्कल इतकी उत्तम करतात की गोंधळ उडतो. ते दयाळू किंवा मदत करणारे वाटू शकतात, पण ते फक्त भाषिक आरसे आहेत; ते त्यांच्या ट्रेनिंग डेटाचा टोन परावर्तित करत असतात.

अलीकडे आपण मॉडेल्सना रिअल-वर्ल्ड डेटाशी जोडण्याचा कल पाहत आहोत. मॉडेलने अंदाज लावण्याऐवजी, कंपन्या आता त्यांना स्वतःच्या अंतर्गत फाईल्सशी जोडत आहेत. यामुळे मॉडेलने स्वतःच्या मनाने गोष्टी बनवण्याची शक्यता कमी होते. हे आता ‘जनरेटिव्ह आर्ट’ कडून ‘फंक्शनल युटिलिटी’ कडे वळत आहे. साध्या भाषेत सांगायचे तर, हा फरक ‘गोष्ट सांगणारा’ आणि ‘फाईलिंग क्लर्क’ यांच्यातील आहे. वापरकर्त्यांना क्लर्क हवा आहे, पण तंत्रज्ञान गोष्ट सांगण्यासाठी बनले आहे. या दोन्ही ओळखींचा ताळमेळ बसवणे हेच आजच्या डेव्हलपर्सपुढील मुख्य आव्हान आहे.

जागतिक स्तरावरील परिणाम आणि राष्ट्रीय हित

या निवडींचे परिणाम केवळ ऑफिसपुरते मर्यादित नाहीत. सरकारे आता या मॉडेल्सच्या विकासाकडे राष्ट्रीय सुरक्षेचा विषय म्हणून पाहत आहेत. अमेरिकेत, कार्यकारी आदेश सर्वात शक्तिशाली सिस्टिम्सच्या सुरक्षेवर केंद्रित आहेत. युरोपमध्ये, ‘AI Act’ ने जोखमीनुसार सिस्टिम्सचे वर्गीकरण केले आहे. यामुळे कॅलिफोर्नियातील डेव्हलपरचे तत्त्वज्ञान बर्लिनमधील उत्पादनाच्या कायदेशीरतेवर परिणाम करू शकते. आपण एक विभागलेले जग पाहत आहोत, जिथे प्रत्येक प्रदेशाचे मशीनबद्दलचे विचार वेगळे आहेत. काही राष्ट्रे याला आर्थिक प्रगतीचे साधन मानतात, तर काही याला सामाजिक रचनेसाठी धोका मानतात. यामुळे प्रत्येक मार्केटसाठी वेगळे नियम तयार होत आहेत, ज्यामुळे छोट्या कंपन्यांना मोठ्या कंपन्यांशी स्पर्धा करणे कठीण जात आहे.

या तंत्रज्ञानाची जागतिक सप्लाय चेन देखील तणावाचे केंद्र आहे. हे मॉडेल्स चालवण्यासाठी लागणारे हार्डवेअर काही मोजक्या हातांत आहे. यामुळे चिप्स डिझाइन करणारे देश, ते बनवणारे देश आणि डेटा पुरवणारे देश यांच्यात नवीन सत्तासंघर्ष निर्माण झाला आहे. सामान्य वापरकर्त्यासाठी याचा अर्थ असा की, तुम्ही वापरत असलेली टूल्स व्यापार युद्ध किंवा निर्यातीवरील निर्बंधांच्या अधीन असू शकतात. AI चे तत्त्वज्ञान आता सार्वभौमत्वाच्या तत्त्वज्ञानाशी जोडलेले आहे. जर एखादा देश आपल्या आरोग्य किंवा कायदेशीर प्रणालीसाठी परदेशी मॉडेलवर अवलंबून असेल, तर तो आपल्या पायाभूत सुविधांवरील नियंत्रण गमावतो. म्हणूनच ‘लोकल मॉडेल्स’ आणि ‘सॉव्हरिन क्लाउड’ची मागणी वाढत आहे.

सिंथेटिक इंटेलिजन्ससह एक सकाळ

सारा नावाच्या मार्केटिंग मॅनेजरचा एक दिवस विचारात घ्या. ती सकाळी ३६ ईमेल्सचा सारांश काढण्यासाठी असिस्टंटला सांगते. असिस्टंट काही सेकंदात हे काम करतो, पण बजेट कपातीबद्दलची महत्त्वाची माहिती सुटली आहे का, हे साराला तपासावे लागते. दुपारी, ती कोडिंग असिस्टंट वापरून वेबसाइटवरील बग फिक्स करते, जरी तिला कोडिंग येत नसले तरी. ती आता एका डिजिटल ऑर्केस्ट्राची कंडक्टर बनली आहे. ती प्रत्यक्ष काम करत नाही, पण अंतिम निकालासाठी जबाबदार आहे. हेच कामाचे नवीन वास्तव आहे. हे काम आता ‘क्रिएशन’ पेक्षा ‘एडिटिंग आणि व्हेरिफिकेशन’वर जास्त अवलंबून आहे. सारा अधिक उत्पादक आहे, पण ती अधिक थकलेलीही आहे. मशीनच्या चुका तपासण्याचा मानसिक ताण स्वतः काम करण्यापेक्षा वेगळा आहे

साराच्या कंपनीचे प्रोत्साहन (incentives) देखील बदलले आहेत. ते आता एंट्री-लेव्हल रायटर्सना कामावर घेत नाहीत. त्याऐवजी, ते एक वरिष्ठ संपादक ठेवतात जो तीन मॉडेल्स वापरून तितकेच काम करतो. हे अल्पकाळात पैसे वाचवते, पण दीर्घकाळात प्रश्न निर्माण करते. जर कोणी एंट्री-लेव्हल कामच करत नसेल, तर पुढच्या पिढीचे वरिष्ठ संपादक कुठून येणार? हे कार्यक्षमतेच्या लॉजिकचे दुष्परिणाम आहेत. आपण वर्तमानासाठी ऑप्टिमाइझ करत आहोत, पण भविष्याला पोकळ करत आहोत. क्रिएटर्ससाठी तर परिस्थिती अधिक गंभीर आहे. संगीतकार आणि चित्रकारांचे काम त्यांच्याच विरोधात वापरले जात आहे. हे केवळ मार्केटमधील बदल नाही, तर मानवी प्रयत्नांच्या मूल्याबद्दलचा बदल आहे.

• कंपनीच्या नेत्यांनी ठरवले पाहिजे की त्यांना वेगाचे महत्त्व आहे की मूळ विचारांचे.
• कर्मचाऱ्यांनी मशीनच्या आउटपुटचे ऑडिट करणे हे मुख्य कौशल्य म्हणून शिकले पाहिजे.
• कायदेकर्त्यांनी नाविन्य आणि कामगारांचे संरक्षण यांचा समतोल राखला पाहिजे.
• क्रिएटर्सनी त्यांचे काम मानवी असल्याचे सिद्ध करण्याचे मार्ग शोधले पाहिजेत.
• शिक्षकांनी विद्यार्थ्यांचे मूल्यमापन कसे करायचे, याचा पुनर्विचार केला पाहिजे.

ऑटोमेशनचा छुपी किंमत

आपण अनेकदा या तंत्रज्ञानाचे फायदे बोलतो, पण त्याचे बिल कोणाला द्यावे लागते, हे विसरतो. पहिली किंमत म्हणजे प्रायव्हसी. मॉडेल्सना अधिक उपयुक्त बनवण्यासाठी आपल्याला त्यांना अधिक डेटा द्यावा लागतो. आपण आपले वैयक्तिक वेळापत्रक, खाजगी नोट्स आणि कॉर्पोरेट गुपिते या सिस्टिम्समध्ये टाकतो. पण हा डेटा कुठे जातो? बहुतेक कंपन्या म्हणतात की ते ग्राहकांचा डेटा ट्रेनिंगसाठी वापरत नाहीत, पण इंटरनेटचा इतिहास पाहता धोरणे बदलू शकतात. एकदा तुमचा डेटा सिस्टिममध्ये गेला की तो परत मिळवणे जवळजवळ अशक्य आहे. ही सोयीसाठी प्रायव्हसीचा कायमस्वरूपी व्यापार आहे. तसेच, ऊर्जेचा वापर प्रचंड वाढला आहे. एका मोठ्या मॉडेलला ट्रेन करण्यासाठी हजारो घरांना वर्षभर पुरेल इतकी वीज लागते. आपण अधिक जटिल सिस्टिम्सकडे जात असताना, पर्यावरणाची किंमत वाढतच जाणार आहे. मांजरचे मजेशीर चित्र तयार करण्यासाठी लागणारा कार्बन फूटप्रिंट योग्य आहे का, याचा विचार करणे गरजेचे आहे.

सत्याची किंमतही मोठी आहे. वास्तववादी मजकूर आणि चित्रे तयार करणे सोपे झाल्यामुळे पुराव्यांचे मूल्य कमी झाले आहे. जर काहीही ‘फेक’ करता येत असेल, तर काहीही सिद्ध करता येत नाही. हे आपल्या राजकीय आणि कायदेशीर प्रणालींवर परिणाम करत आहे. आपण अशा काळात प्रवेश करत आहोत जिथे स्क्रीनवर दिसणारी प्रत्येक गोष्ट खोट्या असू शकते, असे गृहीत धरले जाते. हे सामाजिक तणाव वाढवते. मूलभूत तथ्यांवर सहमत होणे कठीण होत आहे. जर प्रत्येकजण अल्गोरिदमने फिल्टर केलेल्या जगाकडे पाहत असेल, तर आपण प्रभावीपणे संवाद साधण्याची क्षमता गमावतो. आपण एक स्थिर सामाजिक पाया एका मनोरंजक अनुभवासाठी विकत आहोत.

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

तांत्रिक मर्यादा आणि स्थानिक सिस्टिम्स

पॉवर युजर्ससाठी, ही चर्चा केवळ नैतिकतेबद्दल नाही. ती हार्डवेअर आणि सॉफ्टवेअरच्या मर्यादांबद्दल आहे. सर्वात मोठे अडथळे म्हणजे ‘कॉन्टेक्स्ट विंडो’. हे म्हणजे मॉडेल एका वेळी किती माहिती लक्षात ठेवू शकते. जरी या विंडोज वाढत असल्या, तरी त्या मर्यादित आहेत. जर तुम्ही हजार पानांचे पुस्तक दिले, तर मॉडेल शेवटपर्यंत पोहोचताना सुरुवातीचे विसरू लागते. तसेच API लिमिट्स आणि लेटन्सीचा प्रश्न आहे. जर तुमचा व्यवसाय थर्ड-पार्टी मॉडेलवर अवलंबून असेल, तर तुम्ही त्यांच्या अपटाइम आणि किंमतीच्या दयेवर असता. म्हणूनच अनेक प्रगत वापरकर्ते ‘लोकल स्टोरेज’ आणि ‘लोकल एक्झिक्यूशन’कडे वळत आहेत. ते स्वतःच्या हार्डवेअरवर लहान मॉडेल्स चालवून नियंत्रण आणि वेग टिकवून ठेवत आहेत.

वर्कफ्लो इंटिग्रेशन हे पुढचे मोठे आव्हान आहे. वेबसाइटवर चॅट बॉक्स असणे पुरेसे नाही. खरी किंमत तेव्हा मिळते जेव्हा आपण या मॉडेल्सना स्प्रेडशीट्स, डेटाबेस आणि प्रोजेक्ट मॅनेजमेंट सॉफ्टवेअरशी जोडतो. यासाठी डेटा कसा स्ट्रक्चर करायचा, याचे सखोल ज्ञान आवश्यक आहे. आपण ‘RAG’ (Retrieval-Augmented Generation) चा उदय पाहत आहोत. ही एक पद्धत आहे जिथे मॉडेल उत्तर देण्यापूर्वी विश्वसनीय स्रोताकडून माहिती शोधते. हे मॉडेलचे सांख्यिकीय स्वरूप आणि वापरकर्त्याची तथ्यात्मक गरज यांच्यातील दुवा आहे. मात्र, यामुळे सिस्टिम अधिक जटिल होते. तुम्हाला सर्च इंजिन, डेटाबेस आणि मॉडेल एकाच वेळी मॅनेज करावे लागतात.

• क्वांटायझेशनमुळे मोठ्या मॉडेल्सना कमी क्षमतेच्या हार्डवेअरवर चालवणे शक्य होते.
• RAG मुळे फाईन-ट्यूनिंगची गरज कमी होत आहे.
• टोकनायझेशन हा एक छुपा खर्च आहे जो काही भाषांना महाग बनवू शकतो.
• संवेदनशील कॉर्पोरेट डेटासाठी लोकल एक्झिक्यूशन हाच १०० टक्के प्रायव्हसीचा मार्ग आहे.
• मॉडेल डिस्टिलेशनमुळे मोबाईल वापरासाठी लहान आणि वेगवान मॉडेल्स तयार होत आहेत.

व्यावहारिक मार्ग

AI चे तत्त्वज्ञान हे कामापासून वेगळे नाही, तर ते कामाचाच भाग आहे. प्रत्येक वेळी जेव्हा तुम्ही एखादे मॉडेल निवडता, तेव्हा तुम्ही तुमच्या आयुष्यावर कोणत्या प्रकारचे लॉजिक राज्य करेल, हे ठरवत असता. तंत्रज्ञान वेगाने बदलत आहे, पण मानवी गरजा तशाच आहेत. आपल्याला अशी टूल्स हवी आहेत जी आपल्याला अधिक चांगले बनवतील, आपल्याला बदलणार नाहीत. आपल्याला पारदर्शक सिस्टिम्स हवी आहेत. या विषयाभोवतीचा गोंधळ अनेकदा मुद्दाम निर्माण केला जातो. कंपन्यांना जटिल सांख्यिकीय टूल्स विकण्यापेक्षा ‘मॅजिक बॉक्स’ विकणे सोपे असते. फालतू गोष्टी बाजूला ठेवून आणि प्रोत्साहनांवर लक्ष केंद्रित करून, तुम्ही हे तंत्रज्ञान खऱ्या अर्थाने पाहू शकता. हे एक शक्तिशाली, सदोष आणि खोलवर मानवी निर्मिती आहे. हे आपल्या सर्वोत्तम कल्पना आणि वाईट सवयींचे प्रतिबिंब आहे. डोळे उघडे ठेवून याचा वापर करणे हेच आपले ध्येय असले पाहिजे. तुम्ही या बदलांच्या पुढे राहण्यासाठी मशीन लर्निंगमधील ताज्या ट्रेंड्सबद्दल अधिक माहिती घेऊ शकता. या सिस्टिम्सच्या नैतिकतेबद्दल सखोल माहितीसाठी Stanford Institute for Human-Centered AI आणि MIT Technology Review उत्तम डेटा प्रदान करतात. तुम्ही New York Times च्या टेक सेक्शनमध्ये कायदेशीर बदल ट्रॅक करू शकता.

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.