2026 ਵਿੱਚ ਜ਼ਿੰਮੇਵਾਰ AI ਕਿਹੋ ਜਿਹਾ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ

ਬਲੈਕ ਬਾਕਸ ਯੁੱਗ ਦਾ ਅੰਤ

2026 ਤੱਕ, ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਬਾਰੇ ਗੱਲਬਾਤ ਸਾਇੰਸ ਫਿਕਸ਼ਨ ਦੇ ਡਰਾਉਣੇ ਸੁਪਨਿਆਂ ਤੋਂ ਅੱਗੇ ਵਧ ਚੁੱਕੀ ਹੈ। ਅਸੀਂ ਹੁਣ ਇਹ ਬਹਿਸ ਨਹੀਂ ਕਰ ਰਹੇ ਕਿ ਕੀ ਮਸ਼ੀਨ ਸੋਚ ਸਕਦੀ ਹੈ। ਇਸ ਦੀ ਬਜਾਏ, ਅਸੀਂ ਇਹ ਦੇਖ ਰਹੇ ਹਾਂ ਕਿ ਜਦੋਂ ਕੋਈ ਮਾਡਲ ਅਜਿਹੀ ਡਾਕਟਰੀ ਸਿਫ਼ਾਰਸ਼ ਦਿੰਦਾ ਹੈ ਜੋ ਮੁਕੱਦਮੇ ਦਾ ਕਾਰਨ ਬਣਦੀ ਹੈ, ਤਾਂ ਕੌਣ ਜ਼ਿੰਮੇਵਾਰ ਹੈ। ਮੌਜੂਦਾ ਯੁੱਗ ਵਿੱਚ ਜ਼ਿੰਮੇਵਾਰ AI ਨੂੰ ਖੋਜਣਯੋਗਤਾ (traceability) ਅਤੇ ਬਲੈਕ ਬਾਕਸ ਨੂੰ ਖਤਮ ਕਰਨ ਦੁਆਰਾ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਹੈ। ਉਪਭੋਗਤਾ ਇਹ ਦੇਖਣ ਦੀ ਉਮੀਦ ਕਰਦੇ ਹਨ ਕਿ ਮਾਡਲ ਨੇ ਕੋਈ ਖਾਸ ਫੈਸਲਾ ਕਿਉਂ ਲਿਆ। ਇਹ ਸਿਰਫ਼ ਚੰਗੇ ਜਾਂ ਨੈਤਿਕ ਹੋਣ ਬਾਰੇ ਨਹੀਂ ਹੈ। ਇਹ ਬੀਮਾ ਅਤੇ ਕਾਨੂੰਨੀ ਸਥਿਤੀ ਬਾਰੇ ਹੈ। ਜੋ ਕੰਪਨੀਆਂ ਇਹਨਾਂ ਸੁਰੱਖਿਆ ਉਪਾਵਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਵਿੱਚ ਅਸਫਲ ਰਹਿੰਦੀਆਂ ਹਨ, ਉਹ ਵੱਡੇ ਬਾਜ਼ਾਰਾਂ ਤੋਂ ਬਾਹਰ ਹੋ ਜਾਂਦੀਆਂ ਹਨ। ਤੇਜ਼ੀ ਨਾਲ ਅੱਗੇ ਵਧਣ ਅਤੇ ਚੀਜ਼ਾਂ ਤੋੜਨ ਦਾ ਯੁੱਗ ਖਤਮ ਹੋ ਗਿਆ ਹੈ ਕਿਉਂਕਿ ਜੋ ਚੀਜ਼ਾਂ ਟੁੱਟ ਰਹੀਆਂ ਹਨ, ਉਹ ਹੁਣ ਠੀਕ ਕਰਨ ਲਈ ਬਹੁਤ ਮਹਿੰਗੀਆਂ ਹਨ। ਅਸੀਂ ਅਜਿਹੇ ਪ੍ਰਮਾਣਿਤ ਸਿਸਟਮਾਂ ਵੱਲ ਵਧ ਰਹੇ ਹਾਂ ਜਿੱਥੇ ਹਰ ਆਉਟਪੁੱਟ ਇੱਕ ਡਿਜੀਟਲ ਦਸਤਖਤ ਨਾਲ ਟੈਗ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਹ ਤਬਦੀਲੀ ਇੱਕ ਸਵੈਚਾਲਿਤ ਆਰਥਿਕਤਾ ਵਿੱਚ ਨਿਸ਼ਚਤਤਾ ਦੀ ਲੋੜ ਦੁਆਰਾ ਚਲਾਈ ਜਾ ਰਹੀ ਹੈ।

ਇੱਕ ਸਟੈਂਡਰਡ ਫੀਚਰ ਵਜੋਂ ਖੋਜਣਯੋਗਤਾ

ਆਧੁਨਿਕ ਕੰਪਿਊਟਿੰਗ ਵਿੱਚ ਜ਼ਿੰਮੇਵਾਰੀ ਹੁਣ ਅਮੂਰਤ ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ਾਂ ਦਾ ਇੱਕ ਸਮੂਹ ਨਹੀਂ ਹੈ। ਇਹ ਇੱਕ ਤਕਨੀਕੀ ਆਰਕੀਟੈਕਚਰ ਹੈ। ਇਸ ਵਿੱਚ ਡੇਟਾ ਪ੍ਰੋਵੇਨੈਂਸ (data provenance) ਦੀ ਇੱਕ ਸਖ਼ਤ ਪ੍ਰਕਿਰਿਆ ਸ਼ਾਮਲ ਹੈ ਜਿੱਥੇ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਵਰਤੀ ਗਈ ਜਾਣਕਾਰੀ ਦਾ ਹਰ ਹਿੱਸਾ ਲੌਗ ਅਤੇ ਟਾਈਮਸਟੈਂਪ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਪਹਿਲਾਂ, ਡਿਵੈਲਪਰ ਬਿਨਾਂ ਕਿਸੇ ਭੇਦਭਾਵ ਦੇ ਵੈੱਬ ਨੂੰ ਸਕ੍ਰੈਪ ਕਰਦੇ ਸਨ। ਅੱਜ, ਉਹ ਪਹੁੰਚ ਇੱਕ ਕਾਨੂੰਨੀ ਦੇਣਦਾਰੀ ਹੈ। ਜ਼ਿੰਮੇਵਾਰ ਸਿਸਟਮ ਹੁਣ ਸਪੱਸ਼ਟ ਲਾਇਸੈਂਸਿੰਗ ਅਤੇ ਐਟ੍ਰੀਬਿਊਸ਼ਨ ਦੇ ਨਾਲ ਕਿਉਰੇਟਿਡ ਡੇਟਾਸੈਟਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ। ਇਹ ਤਬਦੀਲੀ ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦੀ ਹੈ ਕਿ ਇਹਨਾਂ ਮਾਡਲਾਂ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ ਗਏ ਆਉਟਪੁੱਟ ਬੌਧਿਕ ਸੰਪੱਤੀ ਦੇ ਅਧਿਕਾਰਾਂ ਦੀ ਉਲੰਘਣਾ ਨਾ ਕਰਨ। ਇਹ ਖਾਸ ਡੇਟਾ ਪੁਆਇੰਟਾਂ ਨੂੰ ਹਟਾਉਣ ਦੀ ਵੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ ਜੇਕਰ ਉਹ ਗਲਤ ਜਾਂ ਪੱਖਪਾਤੀ ਪਾਏ ਜਾਂਦੇ ਹਨ। ਇਹ ਦਹਾਕੇ ਦੇ ਸ਼ੁਰੂਆਤੀ ਸਥਿਰ ਮਾਡਲਾਂ ਤੋਂ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਤਬਦੀਲੀ ਹੈ। ਤੁਸੀਂ AI Magazine ‘ਤੇ ਨੈਤਿਕ ਕੰਪਿਊਟਿੰਗ ਦੇ ਨਵੀਨਤਮ ਰੁਝਾਨਾਂ ਬਾਰੇ ਹੋਰ ਜਾਣ ਸਕਦੇ ਹੋ, ਜਿੱਥੇ ਫੋਕਸ ਤਕਨੀਕੀ ਜਵਾਬਦੇਹੀ ਵੱਲ ਵਧ ਗਿਆ ਹੈ।

ਇੱਕ ਹੋਰ ਮੁੱਖ ਹਿੱਸਾ ਵਾਟਰਮਾਰਕਿੰਗ ਅਤੇ ਸਮੱਗਰੀ ਪ੍ਰਮਾਣ ਪੱਤਰਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨਾ ਹੈ। ਇੱਕ ਹਾਈ-ਐਂਡ ਸਿਸਟਮ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੀ ਗਈ ਹਰ ਤਸਵੀਰ, ਵੀਡੀਓ, ਜਾਂ ਟੈਕਸਟ ਬਲਾਕ ਵਿੱਚ ਮੈਟਾਡੇਟਾ ਹੁੰਦਾ ਹੈ ਜੋ ਇਸਦੀ ਉਤਪਤੀ ਦੀ ਪਛਾਣ ਕਰਦਾ ਹੈ। ਇਹ ਸਿਰਫ਼ ਡੀਪਫੇਕ ਨੂੰ ਰੋਕਣ ਲਈ ਨਹੀਂ ਹੈ। ਇਹ ਜਾਣਕਾਰੀ ਸਪਲਾਈ ਚੇਨ ਦੀ ਅਖੰਡਤਾ ਨੂੰ ਬਣਾਈ ਰੱਖਣ ਲਈ ਹੈ। ਜਦੋਂ ਕੋਈ ਕਾਰੋਬਾਰ ਰਿਪੋਰਟ ਤਿਆਰ ਕਰਨ ਲਈ ਇੱਕ ਆਟੋਮੇਟਿਡ ਟੂਲ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ, ਤਾਂ ਹਿੱਸੇਦਾਰਾਂ ਨੂੰ ਇਹ ਜਾਣਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਕਿ ਕਿਹੜੇ ਹਿੱਸੇ ਇੱਕ ਇਨਸਾਨ ਦੁਆਰਾ ਲਿਖੇ ਗਏ ਸਨ ਅਤੇ ਕਿਹੜੇ ਇੱਕ ਐਲਗੋਰਿਦਮ ਦੁਆਰਾ ਸੁਝਾਏ ਗਏ ਸਨ। ਇਹ ਪਾਰਦਰਸ਼ਤਾ ਵਿਸ਼ਵਾਸ ਦੀ ਨੀਂਹ ਹੈ। ਉਦਯੋਗ C2PA ਸਟੈਂਡਰਡ ਵੱਲ ਵਧਿਆ ਹੈ ਤਾਂ ਜੋ ਇਹ ਯਕੀਨੀ ਬਣਾਇਆ ਜਾ ਸਕੇ ਕਿ ਇਹ ਪ੍ਰਮਾਣ ਪੱਤਰ ਬਰਕਰਾਰ ਰਹਿਣ ਕਿਉਂਕਿ ਫਾਈਲਾਂ ਵੱਖ-ਵੱਖ ਪਲੇਟਫਾਰਮਾਂ ‘ਤੇ ਸਾਂਝੀਆਂ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ। ਵੇਰਵੇ ਦੇ ਇਸ ਪੱਧਰ ਨੂੰ ਕਦੇ ਇੱਕ ਬੋਝ ਮੰਨਿਆ ਜਾਂਦਾ ਸੀ, ਪਰ ਹੁਣ ਇਹ ਇੱਕ ਨਿਯੰਤ੍ਰਿਤ ਵਾਤਾਵਰਣ ਵਿੱਚ ਕੰਮ ਕਰਨ ਦਾ ਇੱਕੋ ਇੱਕ ਤਰੀਕਾ ਹੈ। ਫੋਕਸ ਇਸ ਤੋਂ ਹਟ ਗਿਆ ਹੈ ਕਿ ਮਾਡਲ ਕੀ ਕਰ ਸਕਦਾ ਹੈ, ਇਸ ਵੱਲ ਕਿ ਮਾਡਲ ਇਹ ਕਿਵੇਂ ਕਰਦਾ ਹੈ।

• ਸਾਰੇ ਵਪਾਰਕ ਮਾਡਲਾਂ ਲਈ ਲਾਜ਼ਮੀ ਡੇਟਾ ਪ੍ਰੋਵੇਨੈਂਸ ਲੌਗ।
• ਗਲਤ ਜਾਣਕਾਰੀ ਨੂੰ ਰੋਕਣ ਲਈ ਸਿੰਥੈਟਿਕ ਮੀਡੀਆ ਦੀ ਰੀਅਲ-ਟਾਈਮ ਵਾਟਰਮਾਰਕਿੰਗ।
• ਆਟੋਮੇਟਿਡ ਬਾਇਸ ਡਿਟੈਕਸ਼ਨ ਪ੍ਰੋਟੋਕੋਲ ਜੋ ਉਪਭੋਗਤਾ ਤੱਕ ਪਹੁੰਚਣ ਤੋਂ ਪਹਿਲਾਂ ਆਉਟਪੁੱਟ ਨੂੰ ਰੋਕਦੇ ਹਨ।
• ਸਾਰੇ ਲਾਇਸੰਸਸ਼ੁਦਾ ਸਿਖਲਾਈ ਡੇਟਾ ਲਈ ਸਪੱਸ਼ਟ ਐਟ੍ਰੀਬਿਊਸ਼ਨ।

ਐਲਗੋਰਿਦਮਿਕ ਸੁਰੱਖਿਆ ਦੀ ਭੂ-ਰਾਜਨੀਤੀ

ਗਲੋਬਲ ਪ੍ਰਭਾਵ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਸਿਧਾਂਤਕ ਵਿਹਾਰਕ ਨਾਲ ਮਿਲਦਾ ਹੈ। ਸਰਕਾਰਾਂ ਹੁਣ ਟੈਕ ਦਿੱਗਜਾਂ ਦੀਆਂ ਸਵੈ-ਇੱਛਤ ਵਚਨਬੱਧਤਾਵਾਂ ਤੋਂ ਸੰਤੁਸ਼ਟ ਨਹੀਂ ਹਨ। EU AI Act ਨੇ ਇੱਕ ਗਲੋਬਲ ਬੈਂਚਮਾਰਕ ਸਥਾਪਤ ਕੀਤਾ ਹੈ ਜੋ ਕੰਪਨੀਆਂ ਨੂੰ ਆਪਣੇ ਟੂਲਸ ਨੂੰ ਜੋਖਮ ਦੇ ਪੱਧਰ ਦੁਆਰਾ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨ ਲਈ ਮਜਬੂਰ ਕਰਦਾ ਹੈ। ਸਿੱਖਿਆ, ਭਰਤੀ, ਅਤੇ ਕਾਨੂੰਨ ਲਾਗੂ ਕਰਨ ਵਿੱਚ ਉੱਚ-ਜੋਖਮ ਵਾਲੇ ਸਿਸਟਮ ਸਖ਼ਤ ਨਿਗਰਾਨੀ ਦਾ ਸਾਹਮਣਾ ਕਰਦੇ ਹਨ। ਇਸ ਨੇ ਬਾਜ਼ਾਰ ਵਿੱਚ ਇੱਕ ਵੰਡ ਪੈਦਾ ਕੀਤੀ ਹੈ। ਕੰਪਨੀਆਂ ਜਾਂ ਤਾਂ ਗਲੋਬਲ ਸਟੈਂਡਰਡ ਲਈ ਨਿਰਮਾਣ ਕਰ ਰਹੀਆਂ ਹਨ ਜਾਂ ਉਹ ਅਲੱਗ-ਥਲੱਗ ਅਧਿਕਾਰ ਖੇਤਰਾਂ ਵਿੱਚ ਪਿੱਛੇ ਹਟ ਰਹੀਆਂ ਹਨ। ਇਹ ਸਿਰਫ਼ ਇੱਕ ਯੂਰਪੀਅਨ ਮੁੱਦਾ ਨਹੀਂ ਹੈ। ਸੰਯੁਕਤ ਰਾਜ ਅਤੇ ਚੀਨ ਨੇ ਵੀ ਆਪਣੇ ਖੁਦ ਦੇ ਫਰੇਮਵਰਕ ਲਾਗੂ ਕੀਤੇ ਹਨ ਜੋ ਰਾਸ਼ਟਰੀ ਸੁਰੱਖਿਆ ਅਤੇ ਖਪਤਕਾਰਾਂ ਦੀ ਸੁਰੱਖਿਆ ‘ਤੇ ਜ਼ੋਰ ਦਿੰਦੇ ਹਨ। ਨਤੀਜਾ ਪਾਲਣਾ ਦਾ ਇੱਕ ਗੁੰਝਲਦਾਰ ਜਾਲ ਹੈ ਜਿਸ ਨੂੰ ਪ੍ਰਬੰਧਿਤ ਕਰਨ ਲਈ ਵਿਸ਼ੇਸ਼ ਕਾਨੂੰਨੀ ਅਤੇ ਤਕਨੀਕੀ ਟੀਮਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇਹ ਰੈਗੂਲੇਟਰੀ ਦਬਾਅ ਸੁਰੱਖਿਆ ਸਪੇਸ ਵਿੱਚ ਨਵੀਨਤਾ ਦਾ ਮੁੱਖ ਚਾਲਕ ਹੈ।

ਜਨਤਕ ਧਾਰਨਾ ਅਤੇ ਅਸਲੀਅਤ ਵਿਚਕਾਰ ਅੰਤਰ ਇੱਥੇ ਸਭ ਤੋਂ ਵੱਧ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ। ਜਦੋਂ ਕਿ ਜਨਤਾ ਅਕਸਰ ਸੰਵੇਦਨਸ਼ੀਲ ਮਸ਼ੀਨਾਂ ਬਾਰੇ ਚਿੰਤਤ ਹੁੰਦੀ ਹੈ, ਅਸਲ ਜੋਖਮ ਜਿਸਦਾ ਪ੍ਰਬੰਧਨ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ ਉਹ ਸੰਸਥਾਗਤ ਵਿਸ਼ਵਾਸ ਦਾ ਖਾਤਮਾ ਹੈ। ਜੇਕਰ ਕੋਈ ਬੈਂਕ ਕਰਜ਼ੇ ਦੇਣ ਤੋਂ ਇਨਕਾਰ ਕਰਨ ਲਈ ਇੱਕ ਅਨੁਚਿਤ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ, ਤਾਂ ਨੁਕਸਾਨ ਸਿਰਫ਼ ਵਿਅਕਤੀ ਨੂੰ ਹੀ ਨਹੀਂ, ਸਗੋਂ ਪੂਰੇ ਵਿੱਤੀ ਸਿਸਟਮ ਨੂੰ ਹੁੰਦਾ ਹੈ। ਗਲੋਬਲ ਵਪਾਰ ਹੁਣ ਇਹਨਾਂ ਸੁਰੱਖਿਆ ਮਾਪਦੰਡਾਂ ਦੀ ਅੰਤਰ-ਕਾਰਜਸ਼ੀਲਤਾ ‘ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। ਜੇਕਰ ਉੱਤਰੀ ਅਮਰੀਕਾ ਵਿੱਚ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਕੋਈ ਮਾਡਲ ਦੱਖਣ-ਪੂਰਬੀ ਏਸ਼ੀਆ ਦੀਆਂ ਪਾਰਦਰਸ਼ਤਾ ਲੋੜਾਂ ਨੂੰ ਪੂਰਾ ਨਹੀਂ ਕਰਦਾ ਹੈ, ਤਾਂ ਇਸਨੂੰ ਸਰਹੱਦ ਪਾਰ ਲੈਣ-ਦੇਣ ਵਿੱਚ ਨਹੀਂ ਵਰਤਿਆ ਜਾ ਸਕਦਾ। ਇਸ ਨਾਲ ਸਥਾਨਕ ਮਾਡਲਾਂ ਦਾ ਉਭਾਰ ਹੋਇਆ ਹੈ ਜੋ ਖਾਸ ਖੇਤਰੀ ਕਾਨੂੰਨਾਂ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਫਾਈਨ-ਟਿਊਨ ਕੀਤੇ ਗਏ ਹਨ। ਇਹ ਸਥਾਨਕਕਰਨ ‘ਵਨ-ਸਾਈਜ਼-ਫਿਟਸ-ਆਲ’ ਪਹੁੰਚ ਦੀ ਅਸਫਲਤਾ ਪ੍ਰਤੀ ਇੱਕ ਪ੍ਰਤੀਕ੍ਰਿਆ ਹੈ। ਵਿਹਾਰਕ ਹਿੱਸੇ ਵਿੱਚ ਅਰਬਾਂ ਡਾਲਰ ਦੇ ਸੰਭਾਵੀ ਜੁਰਮਾਨੇ ਅਤੇ ਉਹਨਾਂ ਲਈ ਬਾਜ਼ਾਰ ਤੱਕ ਪਹੁੰਚ ਦਾ ਨੁਕਸਾਨ ਸ਼ਾਮਲ ਹੈ ਜੋ ਇਹ ਸਾਬਤ ਨਹੀਂ ਕਰ ਸਕਦੇ ਕਿ ਉਹਨਾਂ ਦੇ ਸਿਸਟਮ ਸੁਰੱਖਿਅਤ ਹਨ।

ਪੇਸ਼ੇਵਰ ਵਰਕਫਲੋ ਵਿੱਚ ਗਾਰਡਰੇਲ

2026 ਵਿੱਚ ਇੱਕ ਸੀਨੀਅਰ ਸਾਫਟਵੇਅਰ ਇੰਜੀਨੀਅਰ ਦੇ ਦਿਨ ਬਾਰੇ ਸੋਚੋ। ਉਸਦਾ ਨਾਮ ਐਲੇਨਾ ਹੈ। ਉਹ ਆਪਣੀ ਸਵੇਰ ਦੀ ਸ਼ੁਰੂਆਤ ਇੱਕ ਅੰਦਰੂਨੀ ਸਹਾਇਕ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ ਕੋਡ ਸੁਝਾਵਾਂ ਦੀ ਸਮੀਖਿਆ ਕਰਕੇ ਕਰਦੀ ਹੈ। ਦਸ ਸਾਲ ਪਹਿਲਾਂ, ਉਸਨੇ ਸ਼ਾਇਦ ਸਿਰਫ਼ ਕੋਡ ਨੂੰ ਕਾਪੀ ਅਤੇ ਪੇਸਟ ਕੀਤਾ ਹੁੰਦਾ। ਹੁਣ, ਉਸਦੇ ਵਾਤਾਵਰਣ ਨੂੰ ਉਸਦੀ ਲੋੜ ਹੈ ਕਿ ਉਹ ਸੁਝਾਏ ਗਏ ਹਰ ਸਨਿੱਪਟ ਦੇ ਲਾਇਸੈਂਸ ਦੀ ਪੁਸ਼ਟੀ ਕਰੇ। AI ਟੂਲ ਖੁਦ ਸਰੋਤ ਰਿਪੋਜ਼ਟਰੀ ਅਤੇ ਸੁਰੱਖਿਆ ਸਕੋਰ ਦਾ ਲਿੰਕ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਜੇਕਰ ਕੋਡ ਵਿੱਚ ਕੋਈ ਕਮਜ਼ੋਰੀ ਹੈ, ਤਾਂ ਸਿਸਟਮ ਇਸਨੂੰ ਫਲੈਗ ਕਰਦਾ ਹੈ ਅਤੇ ਇਸਨੂੰ ਮੁੱਖ ਬ੍ਰਾਂਚ ਵਿੱਚ ਜੋੜਨ ਤੋਂ ਇਨਕਾਰ ਕਰਦਾ ਹੈ। ਇਹ ਕੋਈ ਸੁਝਾਅ ਨਹੀਂ ਹੈ। ਇਹ ਇੱਕ ਸਖ਼ਤ ਸਟਾਪ ਹੈ। ਐਲੇਨਾ ਨੂੰ ਇਹ ਤੰਗ ਕਰਨ ਵਾਲਾ ਨਹੀਂ ਲੱਗਦਾ। ਉਸਨੂੰ ਇਹ ਜ਼ਰੂਰੀ ਲੱਗਦਾ ਹੈ। ਇਹ ਉਸਨੂੰ ਅਜਿਹੇ ਬੱਗ ਭੇਜਣ ਤੋਂ ਬਚਾਉਂਦਾ ਹੈ ਜੋ ਕੰਪਨੀ ਨੂੰ ਲੱਖਾਂ ਦਾ ਨੁਕਸਾਨ ਕਰ ਸਕਦੇ ਹਨ। ਇਹ ਟੂਲ ਹੁਣ ਇੱਕ ਰਚਨਾਤਮਕ ਸਾਥੀ ਨਹੀਂ ਹੈ ਜੋ ਭਰਮ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਇਹ ਇੱਕ ਸਖ਼ਤ ਆਡੀਟਰ ਹੈ ਜੋ ਉਸਦੇ ਨਾਲ ਸਮਾਨਾਂਤਰ ਕੰਮ ਕਰਦਾ ਹੈ।

ਦਿਨ ਵਿੱਚ ਬਾਅਦ ਵਿੱਚ, ਐਲੇਨਾ ਇੱਕ ਮੀਟਿੰਗ ਵਿੱਚ ਸ਼ਾਮਲ ਹੁੰਦੀ ਹੈ ਜਿੱਥੇ ਇੱਕ ਨਵੀਂ ਮਾਰਕੀਟਿੰਗ ਮੁਹਿੰਮ ਦੀ ਸਮੀਖਿਆ ਕੀਤੀ ਜਾ ਰਹੀ ਹੈ। ਚਿੱਤਰ ਇੱਕ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਟੂਲ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ ਗਏ ਸਨ। ਹਰੇਕ ਚਿੱਤਰ ਵਿੱਚ ਇੱਕ ਪ੍ਰੋਵੇਨੈਂਸ ਬੈਜ ਹੁੰਦਾ ਹੈ ਜੋ ਇਸਦੇ ਨਿਰਮਾਣ ਦਾ ਇਤਿਹਾਸ ਦਿਖਾਉਂਦਾ ਹੈ। ਕਾਨੂੰਨੀ ਟੀਮ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਇਹਨਾਂ ਬੈਜਾਂ ਦੀ ਜਾਂਚ ਕਰਦੀ ਹੈ ਕਿ ਕੋਈ ਵੀ ਕਾਪੀਰਾਈਟ ਅੱਖਰ ਜਾਂ ਸੁਰੱਖਿਅਤ ਸ਼ੈਲੀ ਦੀ ਵਰਤੋਂ ਨਹੀਂ ਕੀਤੀ ਗਈ ਸੀ। ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਲੋਕ AI ਦੁਆਰਾ ਪ੍ਰਦਾਨ ਕੀਤੀ ਗਈ ਆਜ਼ਾਦੀ ਨੂੰ ਜ਼ਿਆਦਾ ਸਮਝਦੇ ਹਨ। ਉਹ ਸੋਚਦੇ ਹਨ ਕਿ ਇਹ ਬਿਨਾਂ ਕਿਸੇ ਨਤੀਜੇ ਦੇ ਅਨੰਤ ਰਚਨਾ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਅਸਲ ਵਿੱਚ, ਪੇਸ਼ੇਵਰ ਨੂੰ ਡੇਟਾ ਦੇ ਸਾਫ਼ ਹੋਣ ਅਤੇ ਮੂਲ ਦੇ ਸਪੱਸ਼ਟ ਹੋਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਅੰਤਰੀਵ ਅਸਲੀਅਤ ਇਹ ਹੈ ਕਿ ਸਭ ਤੋਂ ਸਫਲ ਉਤਪਾਦ ਉਹ ਹਨ ਜੋ ਸਭ ਤੋਂ ਵੱਧ ਪ੍ਰਤਿਬੰਧਿਤ ਹਨ। ਇਹ ਪਾਬੰਦੀਆਂ ਰਚਨਾਤਮਕਤਾ ਵਿੱਚ ਰੁਕਾਵਟਾਂ ਨਹੀਂ ਹਨ। ਇਹ ਉਹ ਗਾਰਡਰੇਲ ਹਨ ਜੋ ਇੱਕ ਕਾਰੋਬਾਰ ਨੂੰ ਮੁਕੱਦਮੇ ਦੇ ਡਰ ਤੋਂ ਬਿਨਾਂ ਗਤੀ ਨਾਲ ਅੱਗੇ ਵਧਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਨ। ਬਹੁਤ ਸਾਰੇ ਲੋਕ ਜੋ ਇਸ ਵਿਸ਼ੇ ‘ਤੇ ਉਲਝਣ ਲਿਆਉਂਦੇ ਹਨ, ਉਹ ਇਹ ਵਿਚਾਰ ਹੈ ਕਿ ਸੁਰੱਖਿਆ ਚੀਜ਼ਾਂ ਨੂੰ ਹੌਲੀ ਕਰ ਦਿੰਦੀ ਹੈ। ਇੱਕ ਪੇਸ਼ੇਵਰ ਸੈਟਿੰਗ ਵਿੱਚ, ਸੁਰੱਖਿਆ ਉਹ ਹੈ ਜੋ ਪੈਮਾਨੇ ‘ਤੇ ਤੈਨਾਤੀ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ।

ਇਸਦਾ ਪ੍ਰਭਾਵ ਜਨਤਕ ਖੇਤਰ ਵਿੱਚ ਵੀ ਮਹਿਸੂਸ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇੱਕ ਸ਼ਹਿਰ ਦਾ ਯੋਜਨਾਕਾਰ ਟ੍ਰੈਫਿਕ ਪ੍ਰਵਾਹ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਲਈ ਇੱਕ ਆਟੋਮੇਟਿਡ ਸਿਸਟਮ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਸਿਸਟਮ ਇੱਕ ਖਾਸ ਇਲਾਕੇ ਵਿੱਚ ਲਾਈਟਾਂ ਦੇ ਸਮੇਂ ਨੂੰ ਬਦਲਣ ਲਈ ਇੱਕ ਸਿਫ਼ਾਰਸ਼ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਤਬਦੀਲੀ ਲਾਗੂ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ, ਯੋਜਨਾਕਾਰ ਸਿਸਟਮ ਨੂੰ ਇੱਕ ਕਾਊਂਟਰਫੈਕਚੁਅਲ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਪੁੱਛਦੀ ਹੈ। ਉਹ ਜਾਣਨਾ ਚਾਹੁੰਦੀ ਹੈ ਕਿ ਜੇ ਡੇਟਾ ਗਲਤ ਹੈ ਤਾਂ ਕੀ ਹੁੰਦਾ ਹੈ। ਸਿਸਟਮ ਨਤੀਜਿਆਂ ਦੀ ਇੱਕ ਰੇਂਜ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਅਤੇ ਉਹਨਾਂ ਖਾਸ ਸੈਂਸਰਾਂ ਦੀ ਪਛਾਣ ਕਰਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਨੇ ਇਨਪੁਟ ਡੇਟਾ ਪ੍ਰਦਾਨ ਕੀਤਾ ਹੈ। ਜੇਕਰ ਕੋਈ ਸੈਂਸਰ ਖਰਾਬ ਹੈ, ਤਾਂ ਯੋਜਨਾਕਾਰ ਇਸਨੂੰ ਤੁਰੰਤ ਦੇਖ ਸਕਦੀ ਹੈ। ਵਿਹਾਰਕ ਜਵਾਬਦੇਹੀ ਦਾ ਇਹ ਪੱਧਰ ਹੀ ਹੈ ਜੋ ਜ਼ਿੰਮੇਵਾਰ AI ਅਭਿਆਸ ਵਿੱਚ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ। ਇਹ ਉਪਭੋਗਤਾ ਨੂੰ ਸ਼ੱਕੀ ਹੋਣ ਲਈ ਟੂਲ ਪ੍ਰਦਾਨ ਕਰਨ ਬਾਰੇ ਹੈ। ਇਹ ਮਸ਼ੀਨ ਦੇ ਅੰਦਾਜ਼ੇ ਨਾਲ ਇਸ ਨੂੰ ਬਦਲਣ ਦੀ ਬਜਾਏ ਮਨੁੱਖੀ ਨਿਰਣੇ ਨੂੰ ਤੇਜ਼ ਕਰਨ ਬਾਰੇ ਹੈ।

ਪਾਲਣਾ ਦੀ ਲੁਕਵੀਂ ਕੀਮਤ

ਸਾਨੂੰ ਇਸ ਨਵੇਂ ਯੁੱਗ ਦੀਆਂ ਲਾਗਤਾਂ ਬਾਰੇ ਮੁਸ਼ਕਲ ਸਵਾਲ ਪੁੱਛਣੇ ਚਾਹੀਦੇ ਹਨ। ਇਹਨਾਂ ਉੱਚ ਸੁਰੱਖਿਆ ਮਾਪਦੰਡਾਂ ਤੋਂ ਅਸਲ ਵਿੱਚ ਕਿਸ ਨੂੰ ਫਾਇਦਾ ਹੁੰਦਾ ਹੈ? ਜਦੋਂ ਕਿ ਉਹ ਖਪਤਕਾਰਾਂ ਦੀ ਰੱਖਿਆ ਕਰਦੇ ਹਨ, ਉਹ ਛੋਟੀਆਂ ਕੰਪਨੀਆਂ ਲਈ ਦਾਖਲੇ ਲਈ ਇੱਕ ਵੱਡੀ ਰੁਕਾਵਟ ਵੀ ਪੈਦਾ ਕਰਦੇ ਹਨ। ਇੱਕ ਅਜਿਹਾ ਮਾਡਲ ਬਣਾਉਣਾ ਜੋ ਹਰ ਗਲੋਬਲ ਨਿਯਮ ਦੀ ਪਾਲਣਾ ਕਰਦਾ ਹੈ, ਉਸ ਲਈ ਪੂੰਜੀ ਦੇ ਅਜਿਹੇ ਪੱਧਰ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਜੋ ਸਿਰਫ ਕੁਝ ਫਰਮਾਂ ਕੋਲ ਹੈ। ਕੀ ਅਸੀਂ ਅਣਜਾਣੇ ਵਿੱਚ ਸੁਰੱਖਿਆ ਦੇ ਨਾਮ ‘ਤੇ एकाधिकार (monopoly) ਪੈਦਾ ਕਰ ਰਹੇ ਹਾਂ? ਜੇਕਰ ਦੁਨੀਆ ਵਿੱਚ ਸਿਰਫ਼ ਪੰਜ ਕੰਪਨੀਆਂ ਹੀ ਇੱਕ ਜ਼ਿੰਮੇਵਾਰ ਮਾਡਲ ਬਣਾਉਣ ਦੇ ਸਮਰੱਥ ਹਨ, ਤਾਂ ਉਹ ਪੰਜ ਕੰਪਨੀਆਂ ਜਾਣਕਾਰੀ ਦੇ ਪ੍ਰਵਾਹ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਦੀਆਂ ਹਨ। ਇਹ ਇੱਕ ਲੁਕਵੀਂ ਲਾਗਤ ਹੈ ਜਿਸ ਬਾਰੇ ਨੀਤੀਗਤ ਹਲਕਿਆਂ ਵਿੱਚ ਘੱਟ ਹੀ ਚਰਚਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਸੁਰੱਖਿਆ ਲਈ ਮੁਕਾਬਲੇ ਦਾ ਵਪਾਰ ਕਰ ਰਹੇ ਹਾਂ। ਇਹ ਵਪਾਰ-ਬੰਦ ਜ਼ਰੂਰੀ ਹੋ ਸਕਦਾ ਹੈ, ਪਰ ਸਾਨੂੰ ਇਸ ਬਾਰੇ ਇਮਾਨਦਾਰ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਅਸੀਂ ਕੀ ਗੁਆ ਰਹੇ ਹਾਂ।

ਗੋਪਨੀਯਤਾ ਦਾ ਸਵਾਲ ਵੀ ਹੈ। ਇੱਕ ਮਾਡਲ ਨੂੰ ਜ਼ਿੰਮੇਵਾਰ ਬਣਾਉਣ ਲਈ, ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਅਕਸਰ ਇਹ ਨਿਗਰਾਨੀ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਕਿ ਇਸਦੀ ਵਰਤੋਂ ਰੀਅਲ-ਟਾਈਮ ਵਿੱਚ ਕਿਵੇਂ ਕੀਤੀ ਜਾ ਰਹੀ ਹੈ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਹਰ ਪ੍ਰੋਂਪਟ ਅਤੇ ਹਰ ਆਉਟਪੁੱਟ ਨੂੰ ਲੌਗ ਅਤੇ ਸੰਭਾਵੀ ਉਲੰਘਣਾਵਾਂ ਲਈ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇਹ ਡੇਟਾ ਕਿੱਥੇ ਜਾਂਦਾ ਹੈ? ਜੇਕਰ ਕੋਈ ਡਾਕਟਰ ਨਿਦਾਨ ਵਿੱਚ ਮਦਦ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ, ਤਾਂ ਕੀ ਉਸ ਮਰੀਜ਼ ਦੇ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਅਗਲੇ ਸੁਰੱਖਿਆ ਫਿਲਟਰ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਕੀਤੀ ਜਾ ਰਹੀ ਹੈ? ਕੰਪਨੀਆਂ ਲਈ ਪ੍ਰੇਰਣਾ ਇਹ ਸਾਬਤ ਕਰਨ ਲਈ ਵੱਧ ਤੋਂ ਵੱਧ ਡੇਟਾ ਇਕੱਠਾ ਕਰਨਾ ਹੈ ਕਿ ਉਹ ਜ਼ਿੰਮੇਵਾਰ ਬਣ ਰਹੀਆਂ ਹਨ। ਇਹ ਇੱਕ ਵਿਰੋਧਾਭਾਸ ਪੈਦਾ ਕਰਦਾ ਹੈ ਜਿੱਥੇ ਸੁਰੱਖਿਆ ਦੀ ਭਾਲ ਵਿਅਕਤੀਗਤ ਗੋਪਨੀਯਤਾ ਵਿੱਚ ਕਮੀ ਵੱਲ ਲੈ ਜਾਂਦੀ ਹੈ। ਸਾਨੂੰ ਇਹ ਪੁੱਛਣ ਦੀ ਲੋੜ ਹੈ ਕਿ ਕੀ ਗਾਰਡਰੇਲ ਉਪਭੋਗਤਾ ਦੀ ਰੱਖਿਆ ਕਰ ਰਹੇ ਹਨ ਜਾਂ ਕਾਰਪੋਰੇਸ਼ਨ ਦੀ। ਜ਼ਿਆਦਾਤਰ ਸੁਰੱਖਿਆ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਕਾਰਪੋਰੇਟ ਦੇਣਦਾਰੀ ਨੂੰ ਸੀਮਤ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤੀਆਂ ਗਈਆਂ ਹਨ, ਨਾ ਕਿ ਜ਼ਰੂਰੀ ਤੌਰ ‘ਤੇ ਉਪਭੋਗਤਾ ਅਨੁਭਵ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ। ਸਾਨੂੰ ਕਿਸੇ ਵੀ ਅਜਿਹੇ ਸਿਸਟਮ ਪ੍ਰਤੀ ਸ਼ੱਕੀ ਰਹਿਣਾ ਚਾਹੀਦਾ ਹੈ ਜੋ ਆਪਣੇ ਡੇਟਾ ਇਕੱਤਰ ਕਰਨ ਦੇ ਅਭਿਆਸਾਂ ਬਾਰੇ ਪਾਰਦਰਸ਼ੀ ਹੋਏ ਬਿਨਾਂ ਸੁਰੱਖਿਅਤ ਹੋਣ ਦਾ ਦਾਅਵਾ ਕਰਦਾ ਹੈ। ਇਹ ਦਾਅਵਿਆਂ ਨੂੰ ਸਵੀਕਾਰ ਕਰਨ ਲਈ ਦਾਅ ਬਹੁਤ ਉੱਚੇ ਹਨ।

ਪ੍ਰਮਾਣਿਤ ਆਉਟਪੁੱਟ ਲਈ ਇੰਜੀਨੀਅਰਿੰਗ

ਜ਼ਿੰਮੇਵਾਰੀ ਵੱਲ ਤਕਨੀਕੀ ਤਬਦੀਲੀ ਖਾਸ ਵਰਕਫਲੋ ਏਕੀਕਰਣ ਵਿੱਚ ਅਧਾਰਤ ਹੈ। ਡਿਵੈਲਪਰ ਮੋਨੋਲਿਥਿਕ ਮਾਡਲਾਂ ਤੋਂ ਦੂਰ ਜਾ ਰਹੇ ਹਨ ਜੋ ਸਭ ਕੁਝ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਨ। ਇਸ ਦੀ ਬਜਾਏ, ਉਹ ਮਾਡਯੂਲਰ ਆਰਕੀਟੈਕਚਰ ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹਨ ਜਿੱਥੇ ਇੱਕ ਕੋਰ ਮਾਡਲ ਵਿਸ਼ੇਸ਼ ਸੁਰੱਖਿਆ ਪਰਤਾਂ ਨਾਲ ਘਿਰਿਆ ਹੁੰਦਾ ਹੈ। ਇਹ ਪਰਤਾਂ ਮਾਡਲ ਨੂੰ ਇੱਕ ਖਾਸ, ਪ੍ਰਮਾਣਿਤ ਡੇਟਾਬੇਸ ਵਿੱਚ ਆਧਾਰਿਤ ਕਰਨ ਲਈ Retrieval Augmented Generation (RAG) ਦੀ ਵਰਤੋਂ ਕਰਦੀਆਂ ਹਨ। ਇਹ ਮਾਡਲ ਨੂੰ ਚੀਜ਼ਾਂ ਬਣਾਉਣ ਤੋਂ ਰੋਕਦਾ ਹੈ। ਜੇਕਰ ਜਵਾਬ ਡੇਟਾਬੇਸ ਵਿੱਚ ਨਹੀਂ ਹੈ, ਤਾਂ ਮਾਡਲ ਸਿਰਫ਼ ਇਹ ਕਹਿੰਦਾ ਹੈ ਕਿ ਉਹ ਨਹੀਂ ਜਾਣਦਾ। ਇਹ ਜਨਰੇਟਿਵ ਟੂਲਸ ਦੇ ਸ਼ੁਰੂਆਤੀ ਦਿਨਾਂ ਤੋਂ ਇੱਕ ਵੱਡੀ ਤਬਦੀਲੀ ਹੈ। ਡੇਟਾਬੇਸ ਨੂੰ ਮੌਜੂਦਾ ਰੱਖਣ ਲਈ ਇੱਕ ਮਜ਼ਬੂਤ ਡੇਟਾ ਪਾਈਪਲਾਈਨ ਅਤੇ ਉੱਚ ਪੱਧਰੀ ਰੱਖ-ਰਖਾਅ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇੱਕ ਜ਼ਿੰਮੇਵਾਰ ਸਿਸਟਮ ਦਾ ਤਕਨੀਕੀ ਕਰਜ਼ਾ ਇੱਕ ਸਟੈਂਡਰਡ ਮਾਡਲ ਨਾਲੋਂ ਕਿਤੇ ਜ਼ਿਆਦਾ ਹੁੰਦਾ ਹੈ।

ਪਾਵਰ ਉਪਭੋਗਤਾ API ਸੀਮਾਵਾਂ ਅਤੇ ਸਥਾਨਕ ਸਟੋਰੇਜ ਨੂੰ ਵੀ ਦੇਖ ਰਹੇ ਹਨ। ਗੋਪਨੀਯਤਾ ਬਣਾਈ ਰੱਖਣ ਲਈ, ਬਹੁਤ ਸਾਰੇ ਉੱਦਮ ਆਪਣੀ ਅਨੁਮਾਨ (inference) ਨੂੰ ਸਥਾਨਕ ਹਾਰਡਵੇਅਰ ‘ਤੇ ਲਿਜਾ ਰਹੇ ਹਨ। ਇਹ ਉਹਨਾਂ ਨੂੰ ਤੀਜੀ ਧਿਰ ਦੇ ਕਲਾਉਡ ਨੂੰ ਸੰਵੇਦਨਸ਼ੀਲ ਡੇਟਾ ਭੇਜੇ ਬਿਨਾਂ ਸੁਰੱਖਿਆ ਜਾਂਚਾਂ ਚਲਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਇਹ ਆਪਣੀਆਂ ਚੁਣੌਤੀਆਂ ਦੇ ਨਾਲ ਆਉਂਦਾ ਹੈ:

• ਸਥਾਨਕ ਹਾਰਡਵੇਅਰ ਗੁੰਝਲਦਾਰ ਸੁਰੱਖਿਆ ਫਿਲਟਰਾਂ ਨੂੰ ਸੰਭਾਲਣ ਲਈ ਕਾਫ਼ੀ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ।
• API ਰੇਟ ਸੀਮਾਵਾਂ ਅਕਸਰ ਉਦੋਂ ਟ੍ਰਿਗਰ ਹੁੰਦੀਆਂ ਹਨ ਜਦੋਂ ਬਹੁਤ ਸਾਰੀਆਂ ਸੁਰੱਖਿਆ ਜਾਂਚਾਂ ਇੱਕੋ ਸਮੇਂ ਚਲਾਈਆਂ ਜਾਂਦੀਆਂ ਹਨ।
• JSON ਸਕੀਮਾ ਪ੍ਰਮਾਣਿਕਤਾ ਦੀ ਵਰਤੋਂ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਕਿ ਮਾਡਲ ਆਉਟਪੁੱਟ ਇੱਕ ਖਾਸ ਫਾਰਮੈਟ ਵਿੱਚ ਫਿੱਟ ਹੋਵੇ।
• ਜਿਵੇਂ-ਜਿਵੇਂ ਸਟੈਕ ਵਿੱਚ ਤਸਦੀਕ ਦੀਆਂ ਹੋਰ ਪਰਤਾਂ ਜੋੜੀਆਂ ਜਾਂਦੀਆਂ ਹਨ, ਲੇਟੈਂਸੀ ਵਧ ਜਾਂਦੀ ਹੈ।

ਉਦਯੋਗ ਦਾ ਗੀਕ ਸੈਕਸ਼ਨ ਵਰਤਮਾਨ ਵਿੱਚ ਇਹਨਾਂ ਸੁਰੱਖਿਆ ਪਰਤਾਂ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਲਈ ਜਨੂੰਨੀ ਹੈ। ਉਹ ਉਪਭੋਗਤਾ ਅਨੁਭਵ ‘ਤੇ ਪ੍ਰਭਾਵ ਨੂੰ ਘਟਾਉਣ ਲਈ ਉਤਪਾਦਨ ਦੇ ਨਾਲ ਸਮਾਨਾਂਤਰ ਤਸਦੀਕ ਚਲਾਉਣ ਦੇ ਤਰੀਕੇ ਲੱਭ ਰਹੇ ਹਨ। ਇਸ ਵਿੱਚ ਰੀਅਲ-ਟਾਈਮ ਵਿੱਚ ਵੱਡੇ ਮਾਡਲ ਦਾ ਆਡਿਟ ਕਰਨ ਲਈ ਛੋਟੇ, ਵਿਸ਼ੇਸ਼ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ। ਇਹ ਇੱਕ ਗੁੰਝਲਦਾਰ ਇੰਜੀਨੀਅਰਿੰਗ ਸਮੱਸਿਆ ਹੈ ਜਿਸ ਲਈ ਭਾਸ਼ਾ ਵਿਗਿਆਨ ਅਤੇ ਅੰਕੜਿਆਂ ਦੋਵਾਂ ਦੀ ਡੂੰਘੀ ਸਮਝ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਟੀਚਾ ਇੱਕ ਅਜਿਹਾ ਸਿਸਟਮ ਬਣਾਉਣਾ ਹੈ ਜੋ ਤੇਜ਼ ਅਤੇ ਪ੍ਰਮਾਣਿਤ ਦੋਵੇਂ ਹੋਵੇ।

ਨਵਾਂ ਘੱਟੋ-ਘੱਟ ਵਿਹਾਰਕ ਉਤਪਾਦ (MVP)

ਸਿੱਟਾ ਇਹ ਹੈ ਕਿ ਜ਼ਿੰਮੇਵਾਰੀ ਹੁਣ ਇੱਕ ਵਿਕਲਪਿਕ ਐਡ-ਆਨ ਨਹੀਂ ਹੈ। ਇਹ ਉਤਪਾਦ ਦਾ ਮੂਲ ਹੈ। 2026 ਵਿੱਚ, ਇੱਕ ਮਾਡਲ ਜੋ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ ਪਰ ਅਣਪਛਾਤਾ ਹੈ, ਨੂੰ ਅਸਫਲ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ। ਬਾਜ਼ਾਰ ਉਹਨਾਂ ਸਿਸਟਮਾਂ ਵੱਲ ਵਧਿਆ ਹੈ ਜੋ ਭਰੋਸੇਮੰਦ, ਖੋਜਣਯੋਗ, ਅਤੇ ਕਾਨੂੰਨੀ ਤੌਰ ‘ਤੇ ਅਨੁਕੂਲ ਹਨ। ਇਸ ਤਬਦੀਲੀ ਨੇ ਡਿਵੈਲਪਰਾਂ ਲਈ ਪ੍ਰੇਰਣਾਵਾਂ ਨੂੰ ਬਦਲ ਦਿੱਤਾ ਹੈ। ਉਹਨਾਂ ਨੂੰ ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਡੈਮੋ ਲਈ ਇਨਾਮ ਨਹੀਂ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ। ਉਹਨਾਂ ਨੂੰ ਸਭ ਤੋਂ ਸਥਿਰ ਅਤੇ ਪਾਰਦਰਸ਼ੀ ਸਿਸਟਮ ਲਈ ਇਨਾਮ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ। ਇਹ ਉਦਯੋਗ ਲਈ ਇੱਕ ਸਿਹਤਮੰਦ ਵਿਕਾਸ ਹੈ। ਇਹ ਸਾਨੂੰ ਹਾਈਪ ਤੋਂ ਦੂਰ ਅਤੇ ਉਪਯੋਗਤਾ ਵੱਲ ਲੈ ਜਾਂਦਾ ਹੈ। ਵਿਹਾਰਕ ਹਿੱਸੇ ਸਪੱਸ਼ਟ ਹਨ: ਜੇਕਰ ਤੁਸੀਂ ਇਹ ਸਾਬਤ ਨਹੀਂ ਕਰ ਸਕਦੇ ਕਿ ਤੁਹਾਡਾ AI ਜ਼ਿੰਮੇਵਾਰ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਇਸਨੂੰ ਪੇਸ਼ੇਵਰ ਵਾਤਾਵਰਣ ਵਿੱਚ ਨਹੀਂ ਵਰਤ ਸਕਦੇ। ਇਹ ਉਦਯੋਗ ਲਈ ਨਵਾਂ ਮਿਆਰ ਹੈ। ਇਹ ਪੂਰਾ ਕਰਨ ਲਈ ਇੱਕ ਮੁਸ਼ਕਲ ਮਿਆਰ ਹੈ, ਪਰ ਇਹ ਅੱਗੇ ਵਧਣ ਦਾ ਇੱਕੋ ਇੱਕ ਰਸਤਾ ਹੈ।

ఎడిటర్ గమనిక: కంప్యూటర్ గీక్స్ కాని, కానీ కృత్రిమ మేధస్సును అర్థం చేసుకోవాలనుకునే, దానిని మరింత విశ్వాసంతో ఉపయోగించాలనుకునే మరియు ఇప్పటికే వస్తున్న భవిష్యత్తును అనుసరించాలనుకునే వ్యక్తుల కోసం మేము ఈ సైట్‌ను బహుభాషా AI వార్తలు మరియు గైడ్‌ల హబ్‌గా సృష్టించాము.