தினசரி வாழ்க்கையில் AI உண்மையில் எதற்குப் பயன்படுகிறது?

சாட்பாட் (Chatbot) மோகத்தைத் தாண்டி

செயற்கை நுண்ணறிவு (AI) என்பது இப்போது அறிவியல் புனைகதைகளில் மட்டும் இருக்கும் ஒரு விஷயம் அல்ல. இது நம் அன்றாட வாழ்க்கையின் ஒரு அங்கமாகிவிட்டது. பெரும்பாலான மக்கள் இதை ஒரு டெக்ஸ்ட் பாக்ஸ் அல்லது குரல் கட்டளை மூலமாகவே சந்திக்கிறார்கள். இதன் உண்மையான மதிப்பு ஒரு புதிய சகாப்தத்தைப் பற்றிய பிரம்மாண்டமான வாக்குறுதிகளில் இல்லை, மாறாக அன்றாட வேலைகளில் இருக்கும் சிக்கல்களைக் குறைப்பதில் தான் உள்ளது. நீங்கள் காலையில் முன்னூறு மின்னஞ்சல்களை வரிசைப்படுத்தினால், இந்தத் தொழில்நுட்பம் ஒரு வடிகட்டியாகச் செயல்படும். ஒரு நீண்ட ஆவணத்தைச் சுருக்க நீங்கள் சிரமப்பட்டால், இது ஒரு கம்ப்ரஸராகச் செயல்படும். இது மூலத் தரவுக்கும் (raw data) பயனுள்ள தகவலுக்கும் இடையே ஒரு பாலமாக இருக்கிறது. இந்த டூல்களின் பயன், நிர்வாகப் பணிகளின் சுமையைச் சுமப்பதில் உள்ளது. இது பயனர்களைத் தரவுகளை உள்ளிடுவதை விட, முடிவுகளை எடுப்பதில் கவனம் செலுத்த அனுமதிக்கிறது. நாம் இப்போது புதுமை என்பதிலிருந்து அவசியம் என்ற நிலைக்கு மாறி வருகிறோம். மக்கள் ஒரு சாட்பாட்டிடம் பூனையைப் பற்றி கவிதை எழுதச் சொல்லும் கட்டத்தைத் தாண்டிவிட்டார்கள். இப்போது அவர்கள் சட்டப்பூர்வமான வாதங்களை உருவாக்கவோ அல்லது சாப்ட்வேர் கோடை பிழைத்திருத்தம் (debug) செய்யவோ இதைப் பயன்படுத்துகிறார்கள். இதன் பலன் உறுதியானது. இது சேமிக்கப்பட்ட நிமிடங்கள் மற்றும் தவிர்க்கப்பட்ட பிழைகளில் அளவிடப்படுகிறது. இதுதான் தற்போதைய தொழில்நுட்பச் சூழலின் உண்மை. இது செயல்திறனுக்கான ஒரு கருவி, மனிதத் தீர்ப்புக்கு மாற்றல்ல.

இந்தத் தொழில்நுட்பத்தின் மையப்பகுதி லார்ஜ் லாங்குவேஜ் மாடல்களை (Large Language Models) அடிப்படையாகக் கொண்டது. இவை உணர்வுள்ள உயிரினங்கள் அல்ல. இவை சிந்திப்பதோ அல்லது உணர்வதோ இல்லை. மாறாக, இவை மிகவும் நுட்பமான பேட்டர்ன் மேட்சர்கள் (pattern matchers). நீங்கள் ஒரு ப்ராம்ப்ட் (prompt) டைப் செய்யும்போது, மனித மொழியின் மிகப்பெரிய தரவுத்தொகுப்பின் அடிப்படையில் அடுத்ததாக வரக்கூடிய வார்த்தைகளை இந்த சிஸ்டம் கணிக்கிறது. இந்தச் செயல்முறை தர்க்கரீதியானதை விட நிகழ்தகவு (probabilistic) சார்ந்தது. இதனால்தான் ஒரு மாடலால் ஒரு தருணத்தில் குவாண்டம் இயற்பியலை விளக்க முடிவதும், அடுத்த தருணத்தில் அடிப்படை எண்கணிதத்தில் தோல்வியடைவதும் நடக்கிறது. இந்த வேறுபாட்டைப் புரிந்துகொள்வது இந்த டூல்களைப் பயன்படுத்தும் எவருக்கும் மிக முக்கியம். நீங்கள் மனித அறிவின் ஒரு புள்ளிவிவரக் கண்ணாடியுடன் தொடர்பு கொள்கிறீர்கள். இது நமது பலங்களையும் நமது சார்புகளையும் (biases) பிரதிபலிக்கிறது. இதனால்தான் இதிலிருந்து வரும் வெளியீட்டைச் சரிபார்ப்பது அவசியம். இது ஒரு தொடக்கப்புள்ளி, இறுதி தயாரிப்பு அல்ல. ஏற்கனவே இருக்கும் தகவல்களை ஒருங்கிணைப்பதில் இந்தத் தொழில்நுட்பம் சிறந்து விளங்குகிறது. புதிய விஷயங்கள் அல்லது கடந்த சில மணிநேரங்களில் நடந்த உண்மைகளை கையாள்வதில் இது சிரமப்படுகிறது. இதை ஒரு ஆரக்கிள் (oracle) என்று கருதாமல், அதிவேக ஆராய்ச்சி உதவியாளராகக் கருதினால், பயனர்கள் பொதுவான தவறுகளைத் தவிர்த்து அதிக மதிப்பைப் பெற முடியும். இயந்திரத்தைப் பயன்படுத்தி பாதையைத் தெளிவுபடுத்துவதே நோக்கம், இதன் மூலம் மனிதன் அதை வேகமாக நடக்க முடியும்.

உலகளாவிய தத்தெடுப்பு என்பது சிறப்புத் திறன்களின் ஜனநாயகமயமாக்கலால் உந்தப்படுகிறது. கடந்த காலத்தில், ஒரு தொழில்நுட்ப கையேட்டை மொழிபெயர்க்க அல்லது டேட்டா விசுவலைசேஷன் (data visualization) செய்ய ஸ்கிரிப்ட் எழுத உங்களுக்கு ஒரு குறிப்பிட்ட நிபுணர் தேவைப்பட்டார். இப்போது, இணைய இணைப்பு உள்ள எவருக்கும் அந்தத் திறன்கள் கிடைக்கின்றன. இது வளர்ந்து வரும் சந்தைகளுக்கு மிகப்பெரிய தாக்கத்தை ஏற்படுத்துகிறது. கிராமப்புறங்களில் உள்ள சிறு வணிக உரிமையாளர்கள் இப்போது தொழில்முறை மொழிபெயர்ப்பைப் பயன்படுத்தி சர்வதேச வாடிக்கையாளர்களுடன் தொடர்பு கொள்ள முடியும். நிதி வசதி குறைந்த பள்ளிகளில் படிக்கும் மாணவர்கள், சிக்கலான பாடங்களை அவர்களின் தாய்மொழியில் விளக்கக்கூடிய தனிப்பயனாக்கப்பட்ட ஆசிரியர்களை அணுகலாம். இது தொழிலாளர்களை மாற்றுவது பற்றியது அல்ல. இது ஒரு தனிநபர் சாதிக்கக்கூடியவற்றின் எல்லையை விரிவுபடுத்துவது பற்றியது. பல்வேறு தொழில்களுக்கான நுழைவுத் தடைகள் குறைந்து வருகின்றன. கோடிங் அறிவு இல்லாத ஒரு நபர் கூட இப்போது மொபைல் அப்ளிகேஷனின் செயல்பாட்டு முன்மாதிரியை (prototype) உருவாக்க முடியும். இந்த மாற்றம் உலகம் முழுவதும் வேகமாக நடந்து வருகிறது. இது கல்வி மற்றும் தொழில் வளர்ச்சி பற்றி நாம் சிந்திக்கும் விதத்தை மாற்றுகிறது. மனப்பாடம் செய்வதிலிருந்து இயந்திர வெளியீட்டை வழிநடத்தும் மற்றும் செம்மைப்படுத்தும் திறனுக்கு கவனம் மாறுகிறது. இங்குதான் உண்மையான உலகளாவிய தாக்கம் உணரப்படுகிறது. இது உற்பத்தித்திறனில் மில்லியன் கணக்கான சிறிய மேம்பாடுகளைச் செய்வதன் மூலம் ஒரு குறிப்பிடத்தக்க பொருளாதார மாற்றத்தை உருவாக்குகிறது.

நடைமுறைப் பயன்பாடு மற்றும் மனித அம்சம்

ஒரு சாதாரண நாளில், AI-ன் தாக்கம் பெரும்பாலும் கண்ணுக்குத் தெரிவதில்லை. ஒரு மணிநேரக் கூட்டத்தின் டிரான்ஸ்கிரிப்டை (transcript) சுருக்கக் கருவியில் (summarization tool) பதிவேற்றும் ஒரு புராஜெக்ட் மேனேஜரை எடுத்துக்கொள்வோம். முப்பது வினாடிகளில், அவரிடம் செய்ய வேண்டிய வேலைகளின் பட்டியல் மற்றும் முக்கிய முடிவுகளின் சுருக்கம் கிடைத்துவிடும். இதற்கு முன்பு ஒரு மணிநேரம் கைமுறையாகக் குறிப்பு எடுப்பதும், தொகுப்பதும் தேவைப்பட்டது. பிறகு, அவர் ஒரு புராஜெக்ட் முன்மொழிவை (proposal) உருவாக்க ஒரு ஜெனரேட்டிவ் டூலைப் (generative tool) பயன்படுத்துகிறார். அவர் கட்டுப்பாடுகள் மற்றும் இலக்குகளை வழங்குகிறார், இயந்திரம் ஒரு கட்டமைக்கப்பட்ட அவுட்லைனை (outline) உருவாக்குகிறது. பின்னர் அவர் அதன் தொனியைச் செம்மைப்படுத்தவும், உத்தி சரியாக இருப்பதை உறுதி செய்யவும் தனது நேரத்தைச் செலவிடுகிறார். இது 80/20 விதியின் செயல்பாடு. இயந்திரம் எண்பது சதவீத கடின உழைப்பைச் செய்கிறது, மீதமுள்ள இருபது சதவீதத்தை மேலாளர் தனது உயர்நிலை உத்தி மற்றும் உணர்ச்சி நுண்ணறிவைப் (emotional intelligence) பயன்படுத்திச் செய்கிறார். இந்த முறை ஒவ்வொரு துறையிலும் மீண்டும் மீண்டும் நிகழ்கிறது. கட்டிடக் கலைஞர்கள் இதை கட்டமைப்பு மாறுபாடுகளை உருவாக்கப் பயன்படுத்துகிறார்கள். மருத்துவர்கள் அரிதான அறிகுறிகளுக்காக மருத்துவ இலக்கியங்களை ஸ்கேன் செய்ய இதைப் பயன்படுத்துகிறார்கள். இந்தத் தொழில்நுட்பம் ஏற்கனவே இருக்கும் நிபுணத்துவத்தை பல மடங்கு பெருக்குகிறது. இது நிபுணத்துவத்தை வழங்குவதில்லை, ஆனால் நிபுணரை மிகவும் திறமையானவராக மாற்றுகிறது.

மக்கள் பெரும்பாலும் AI நீண்ட காலத்திற்கு என்ன செய்ய முடியும் என்பதை மிகைப்படுத்திக் கூறுகிறார்கள், அதே நேரத்தில் அது இப்போது என்ன செய்ய முடியும் என்பதை குறைவாக மதிப்பிடுகிறார்கள். இயந்திரங்கள் ஒவ்வொரு வேலையையும் கைப்பற்றுவதைப் பற்றி நிறையப் பேச்சு உள்ளது, அது இன்னும் ஊகமாகவே உள்ளது. இருப்பினும், ஒரு ஸ்ப்ரெட்ஷீட்டை (spreadsheet) உடனடியாக வடிவமைக்கும் அல்லது பைதான் ஸ்கிரிப்டை (Python script) உருவாக்கும் ஒரு கருவியின் திறன் பெரும்பாலும் ஒரு சிறிய வசதியாகக் கருதப்படுகிறது. உண்மையில், இந்தச் சிறிய வசதிகள் தான் கதையின் மிக முக்கியமான பகுதி. இவைதான் AI-க்கான வாதத்தை கோட்பாட்டு ரீதியாக இல்லாமல் உண்மையானதாக மாற்றும் அம்சங்கள். உதாரணமாக, ஒரு மாணவர் வரலாற்றுத் தலைப்பில் விவாதத்தை உருவகப்படுத்த (simulate) ஒரு மாடலைப் பயன்படுத்தலாம். இயந்திரம் ஒரு வரலாற்று நபரின் பாத்திரத்தை ஏற்று, கற்க ஒரு டைனமிக் வழியை வழங்குகிறது. இது ஒரு நிலையான பாடப்புத்தகத்தைப் படிப்பதிலிருந்து முற்றிலும் மாறுபட்டது. இது பாடத்தை ஊடாடும் வகையில் (interactive) மாற்றுகிறது. மற்றொரு உதாரணம் படைப்பாற்றல் கலைகளில் உள்ளது. ஒரு வடிவமைப்பாளர் மூட் போர்டுகளை (mood boards) நிமிடங்களில் உருவாக்க இமேஜ் ஜெனரேட்டரைப் (image generator) பயன்படுத்தலாம். இது வேகமான மறு செய்கை (iteration) மற்றும் அதிக ஆக்கபூர்வமான ஆய்வுக்கு அனுமதிக்கிறது. முரண்பாடுகள் தெளிவாக உள்ளன. இயந்திரம் அழகான கலையை உருவாக்க முடியும், ஆனால் அதற்குப் பின்னால் உள்ள ஆன்மாவை விளக்க முடியாது. இது ஒரு சரியான மின்னஞ்சலை எழுத முடியும், ஆனால் அந்த மின்னஞ்சலை அவசியமாக்கும் அலுவலக அரசியலைப் புரிந்துகொள்ள முடியாது.

தினசரி பங்குகள் நடைமுறைக்குரியவை. ஒரு டெவலப்பர் தனது கோடில் உள்ள பிழையைக் கண்டறிய ஒரு கருவியைப் பயன்படுத்தினால், அவர்கள் நேரத்தைச் சேமிக்கிறார்கள். ஒரு எழுத்தாளர் வெற்றுப் பக்கத்தைத் தாண்டி எழுத இதைப் பயன்படுத்தினால், அவர்கள் வேகத்தைத் தக்கவைக்கிறார்கள். இவைதான் முக்கியமான வெற்றிகள். நாம் ஏற்கனவே பயன்படுத்தும் சாப்ட்வேருக்குள் இருக்கும் ஒருங்கிணைந்த டூல்களை நோக்கி நகர்கிறோம். வேர்ட் பிராசஸர்கள் (word processors), மின்னஞ்சல் கிளையண்டுகள் மற்றும் டிசைன் சூட்கள் (design suites) அனைத்தும் இந்தத் திறன்களைச் சேர்த்து வருகின்றன. இதன் பொருள் உதவி பெற நீங்கள் தனி இணையதளத்திற்குச் செல்ல வேண்டியதில்லை. உதவி ஏற்கனவே அங்கேயே உள்ளது. இந்த ஒருங்கிணைப்பு தொழில்நுட்பத்தை பயனரின் இயற்கையான நீட்டிப்பாக உணர வைக்கிறது. இது ஸ்பெல் செக்கர் (spell checker) போல சாதாரணமாகி வருகிறது. இருப்பினும், இது ஒரு சார்புநிலையையும் (dependency) உருவாக்குகிறது. அடிப்படை அறிவாற்றல் பணிகளுக்கு நாம் இந்த டூல்களை அதிகம் நம்பியிருக்கும்போது, நமது சொந்தத் திறன்களுக்கு என்ன நடக்கும் என்று நாம் கேட்க வேண்டும். சுருக்கம் செய்யும் கலையைப் பயிற்சி செய்வதை நிறுத்தினால், முக்கியமான விஷயங்களைப் பற்றி விமர்சன ரீதியாகச் சிந்திக்கும் திறனை இழந்துவிடுவோமா? இது தொழில்நுட்பம் நம் வாழ்வில் மேலும் ஊடுருவும்போது தொடர்ந்து பரிணமிக்கும் ஒரு நேரடி கேள்வி. இயந்திர உதவிக்கும் மனிதத் திறனுக்கும் இடையிலான சமநிலை நம் காலத்தின் மைய சவாலாகும். இந்த டூல்களை நமது திறன்களை மேம்படுத்தப் பயன்படுத்த வேண்டுமே தவிர, அவை தேய்ந்து போக அனுமதிக்கக்கூடாது.

வசதிக்கான விலை

ஒவ்வொரு தொழில்நுட்ப முன்னேற்றத்திலும், சந்தேகம் தேவைப்படும் மறைமுகமான செலவுகள் உள்ளன. தனியுரிமை (privacy) தான் உடனடி கவலை. உங்கள் தனிப்பட்ட தரவு அல்லது நிறுவன ரகசியங்களை ஒரு லார்ஜ் லாங்குவேஜ் மாடலில் பதிவேற்றும்போது, அந்தத் தகவல் எங்கே செல்கிறது? பெரும்பாலான பெரிய நிறுவனங்கள் தங்கள் மாடல்களின் எதிர்கால பதிப்புகளைப் பயிற்றுவிக்க பயனர் தரவைப் பயன்படுத்துகின்றன. இதன் பொருள் உங்கள் தனிப்பட்ட எண்ணங்கள் அல்லது தனியுரிம கோட் (proprietary code) மற்றவர்களின் வெளியீட்டைத் தீர்மானிக்கக்கூடும். எரிசக்தி நுகர்வு (energy consumption) என்ற பிரச்சினையும் உள்ளது. இந்த பிரம்மாண்டமான மாடல்களை இயக்குவதற்கு டேட்டா சென்டர்களைக் குளிர்விக்க நம்பமுடியாத அளவு மின்சாரம் மற்றும் தண்ணீர் தேவைப்படுகிறது. நாம் இந்தத் தொழில்நுட்பத்தை விரிவுபடுத்தும்போது, சுற்றுச்சூழல் பாதிப்பு ஒரு முக்கிய காரணியாகிறது. வேகமான மின்னஞ்சலின் வசதி, சுற்றுச்சூழல் செலவுக்கு மதிப்புள்ளதா என்று நாம் கேட்க வேண்டும். டெட் இன்டர்நெட் (dead internet) பிரச்சினையும் உள்ளது. இணையம் இயந்திரத்தால் உருவாக்கப்பட்ட உள்ளடக்கத்தால் நிரப்பப்பட்டால், உண்மையான மனிதக் கண்ணோட்டங்களைக் கண்டறிவது கடினமாகிவிடும். இது மாடல்கள் மற்ற மாடல்களின் வெளியீட்டில் பயிற்றுவிக்கப்படும் ஒரு ஃபீட்பேக் லூப்பிற்கு (feedback loop) வழிவகுக்கும், இது காலப்போக்கில் தரம் மற்றும் துல்லியத்தின் சீரழிவுக்கு வழிவகுக்கும்.

தகவலின் துல்லியம் மற்றொரு பெரிய தடையாகும். மாடல்கள் ஹாலுசினேட் (hallucinate) செய்யக்கூடும், அதாவது அவை தவறான தகவல்களை முழு நம்பிக்கையுடன் முன்வைக்கின்றன. வெளியீட்டைச் சரிபார்க்கும் நிபுணத்துவம் பயனருக்கு இல்லையென்றால், அவர்கள் அறியாமலேயே தவறான தகவல்களைப் பரப்பக்கூடும். இது மருத்துவம் அல்லது சட்டம் போன்ற துறைகளில் குறிப்பாக ஆபத்தானது. இயந்திரம் தீங்கு விளைவிக்கும் ஆலோசனையை வழங்கும்போது யார் பொறுப்பு என்று நாம் கேட்க வேண்டும்? மாடலை உருவாக்கிய நிறுவனமா அல்லது அதைப் பின்பற்றிய பயனரா? இதற்கான சட்டக் கட்டமைப்புகள் இன்னும் உருவாக்கப்பட்டு வருகின்றன. சார்புநிலை (bias) ஆபத்தும் உள்ளது. இந்த மாடல்கள் மனிதத் தரவுகளில் பயிற்றுவிக்கப்படுவதால், அவை நமது பாரபட்சங்களைப் பெறுகின்றன. இது வேலைவாய்ப்பு, கடன் வழங்குதல் அல்லது சட்ட அமலாக்கத்தில் நியாயமற்ற முடிவுகளுக்கு வழிவகுக்கும். நமது சொந்த குறைபாடுகளை ஆட்டோமேட் (automate) செய்து அளவிடாமல் இருக்க நாம் கவனமாக இருக்க வேண்டும். ஒவ்வொரு வெளியீட்டிற்கும் ஒரு அடுக்கு சந்தேகத்தைப் பயன்படுத்தாவிட்டால் பயனர் தவறான தரவைப் பெறலாம். இதைப் பயன்படுத்துவது எளிது என்பது ஒரு பொறியாக இருக்கலாம். இது ஆழமாகத் தோண்டாமல் வழங்கப்பட்ட முதல் பதிலையே ஏற்றுக்கொள்ள நம்மை ஊக்குவிக்கிறது. தொழில்நுட்பத்தின் வேகத்திற்கு ஏற்ப நாம் ஒரு அளவிலான விமர்சன சிந்தனையைத் தக்கவைக்க வேண்டும்.

இறுதியாக, அறிவுசார் சொத்து (intellectual property) பற்றிய கேள்வி உள்ளது. AI-ன் வெளியீட்டிற்குச் சொந்தக்காரர் யார்? ஒரு மாடல் ஆயிரக்கணக்கான கலைஞர்கள் மற்றும் எழுத்தாளர்களின் படைப்புகளில் பயிற்றுவிக்கப்பட்டால், அந்த படைப்பாளிகளுக்கு இழப்பீடு வழங்கப்பட வேண்டுமா? இது படைப்பாளி சமூகத்தில் ஒரு பெரிய விவாதப் பொருளாக உள்ளது. இந்தத் தொழில்நுட்பம் மனிதகுலத்தின் கூட்டு வெளியீட்டில் கட்டமைக்கப்பட்டுள்ளது, ஆனால் லாபம் சில பெரிய தொழில்நுட்ப நிறுவனங்களின் கைகளில் குவிந்துள்ளது. படைப்பாளிகள் தங்கள் உரிமைகளுக்காகப் போராடும்போது வழக்குகளையும் போராட்டங்களையும் நாம் காண்கிறோம். இந்த மோதல் கண்டுபிடிப்பு மற்றும் நெறிமுறைகளுக்கு இடையிலான பதற்றத்தை எடுத்துக்காட்டுகிறது. தொழில்நுட்பத்தின் நன்மைகள் நமக்கு வேண்டும், ஆனால் அதைச் சாத்தியமாக்கிய மக்களின் வாழ்வாதாரத்தை நாம் அழிக்க விரும்பவில்லை. நாம் முன்னோக்கிச் செல்லும்போது, இந்த முரண்பட்ட நலன்களைச் சமநிலைப்படுத்த ஒரு வழியைக் கண்டறிய வேண்டும். தொழில்நுட்ப முன்னேற்றத்தை அனுமதிக்கும் அதே வேளையில் படைப்பாற்றலுக்கு வெகுமதி அளிக்கும் ஒரு அமைப்பே இலக்காக இருக்க வேண்டும். இதைத் தீர்ப்பது எளிதான பிரச்சினை அல்ல, ஆனால் நாம் புறக்கணிக்க முடியாத ஒன்று. இணையத்தின் எதிர்காலமும் நமது கலாச்சாரமும் இந்த கடினமான கேள்விகளுக்கு நாம் எவ்வாறு பதிலளிக்கிறோம் என்பதைப் பொறுத்தே அமையும்.

லோக்கல் ஸ்டேக்கை (Local Stack) மேம்படுத்துதல்

பவர் யூசர்களுக்கு (power users), உண்மையான ஆர்வம் தொழில்நுட்ப அமலாக்கம் மற்றும் தற்போதைய ஹார்டுவேரின் (hardware) வரம்புகளில் உள்ளது. மாடல்களை லோக்கலாக (local execution) இயக்கும் போக்கை நாம் காண்கிறோம். Ollama அல்லது LM Studio போன்ற டூல்கள் பயனர்கள் தங்கள் சொந்த மெஷின்களில் லார்ஜ் லாங்குவேஜ் மாடல்களை இயக்க அனுமதிக்கின்றன. இது தனியுரிமைப் பிரச்சினையைத் தீர்க்கிறது, ஏனெனில் எந்தத் தரவும் லோக்கல் நெட்வொர்க்கை விட்டு வெளியேறுவதில்லை. இருப்பினும், இதற்கு குறிப்பிடத்தக்க GPU வளங்கள் தேவைப்படுகின்றன. 7 பில்லியன் பாராமீட்டர்களைக் (parameters) கொண்ட ஒரு மாடல் நவீன லேப்டாப்பில் இயங்கலாம், ஆனால் 70 பில்லியன் பாராமீட்டர் மாடலுக்கு தொழில்முறை ஹார்டுவேர் தேவை. வேகம் மற்றும் திறன் ஆகியவற்றுக்கு இடையே ஒரு சமரசம் உள்ளது. லோக்கல் மாடல்கள் தற்போது OpenAI அல்லது Google போன்ற நிறுவனங்களால் ஹோஸ்ட் செய்யப்படும் பிரம்மாண்டமான பதிப்புகளை விடக் குறைந்த திறன் கொண்டவை. ஆனால் பல பணிகளுக்கு, ஒரு சிறிய, சிறப்பு மாடல் போதுமானது. இது 20 சதவீத கீக் (geek) பகுதி, இங்கு கவனம் ஒர்க்ஃபுளோ ஒருங்கிணைப்பு (workflow integration) மற்றும் API மேலாண்மைக்கு மாறுகிறது. டெவலப்பர்கள் LangChain அல்லது AutoGPT போன்ற டூல்களைப் பயன்படுத்தி இந்த மாடல்களைத் தங்கள் ஏற்கனவே உள்ள சிஸ்டங்களில் எவ்வாறு இணைப்பது என்று பார்க்கிறார்கள். மனித தலையீடு இல்லாமல் பல-படிநிலை பணிகளைச் செய்யக்கூடிய தன்னாட்சி ஏஜெண்டுகளை (autonomous agents) உருவாக்குவதே இதன் நோக்கம்.

API வரம்புகள் மற்றும் டோக்கன் செலவுகள் (token costs) பவர் யூசர்களுக்கு மற்றொரு முக்கிய கருத்தாகும். கிளவுட்-பேஸ்டு (cloud-based) மாடலுடனான ஒவ்வொரு தொடர்பும் பணச் செலவைக் கொண்டது மற்றும் ரேட் லிமிட்களுக்கு (rate limits) உட்பட்டது. இது டெவலப்பர்களைத் தங்கள் ப்ராம்ப்ட்களை (prompts) முடிந்தவரை திறமையாக மேம்படுத்தத் தூண்டுகிறது. ப்ராம்ப்ட் இன்ஜினியரிங் (prompt engineering) ஒரு முறையான தொழில்நுட்பத் திறனாக எழுவதைக் காண்கிறோம். இது மிகக் குறைந்த டோக்கன்களுடன் சிறந்த முடிவைப் பெற வழிமுறைகளை எவ்வாறு கட்டமைப்பது என்பதைப் புரிந்துகொள்வதை உள்ளடக்கியது. கன்டெக்ஸ்ட் விண்டோ (context window) என்ற கருத்தும் உள்ளது. இது மாடல் ஒரே நேரத்தில் அதன் ஆக்டிவ் மெமரியில் வைத்திருக்கக்கூடிய தகவலின் அளவாகும். , இல், கன்டெக்ஸ்ட் விண்டோக்கள் சில ஆயிரம் டோக்கன்களிலிருந்து நூறாயிரத்திற்கும் மேலாக விரிவடைவதைக் கண்டோம். இது முழு புத்தகங்களையும் அல்லது பிரம்மாண்டமான கோட்பேஸ்களையும் (codebases) ஒரே ப்ராம்ப்டில் செயலாக்க அனுமதிக்கிறது. இருப்பினும், பெரிய கன்டெக்ஸ்ட் விண்டோக்கள் பெரும்பாலும் உரையின் நடுப்பகுதியிலிருந்து குறிப்பிட்ட விவரங்களை நினைவுபடுத்தும் மாடலின் திறனைக் குறைக்கின்றன. இது லாஸ்ட் இன் தி மிடில் (lost in the middle) நிகழ்வு என்று அழைக்கப்படுகிறது. இந்த கன்டெக்ஸ்ட் விண்டோவை நிர்வகிப்பது நம்பகமான AI அப்ளிகேஷன்களை உருவாக்குவதில் ஒரு முக்கிய பகுதியாகும்.

லோக்கல் ஸ்டோரேஜ் (local storage) மற்றும் வெக்டர் டேட்டாபேஸ்கள் (vector databases) மேம்பட்ட பயனர்களுக்கு இன்றியமையாததாகி வருகின்றன. ஒரு வெக்டர் டேட்டாபேஸ், பயனர் தனது சொந்த ஆவணங்களை AI எளிதாகத் தேடி மீட்டெடுக்கக்கூடிய வடிவத்தில் சேமிக்க அனுமதிக்கிறது. இது ரிட்ரைவல்-ஆக்மென்டட் ஜெனரேஷன் (Retrieval-Augmented Generation) அல்லது RAG என்று அழைக்கப்படுகிறது. இது மாடல் மீண்டும் பயிற்றுவிக்கப்பட வேண்டிய அவசியமின்றி, குறிப்பிட்ட தனிப்பட்ட தரவுகளின் தொகுப்பின் அடிப்படையில் கேள்விகளுக்குப் பதிலளிக்க அனுமதிக்கிறது. AI-க்கு சிறப்பு அறிவை வழங்க இது மிகவும் திறமையான வழியாகும். தொழில்நுட்ப நிலப்பரப்பு வேகமாக நகர்கிறது, மேலும் டூல்கள் மிகவும் அணுகக்கூடியதாக மாறி வருகின்றன.

• லோக்கல் மாடல்கள் தனியுரிமையை வழங்குகின்றன மற்றும் எளிய பணிகளுக்கு லேட்டன்சி (latency) இல்லை.
• வெக்டர் டேட்டாபேஸ்கள் பொது மாடல்களுடன் தனிப்பட்ட தரவைப் பயன்படுத்த உதவுகின்றன.

இந்தத் தொழில்நுட்பங்களை ஒரு தடையற்ற ஒர்க்ஃபுளோவில் ஒருங்கிணைப்பதே டெவலப்பர்களுக்கான தற்போதைய எல்லையாகும். நாம் எளிய சாட் இடைமுகங்களிலிருந்து பல தளங்களில் தரவை நிர்வகிக்கக்கூடிய சிக்கலான சிஸ்டங்களை நோக்கி நகர்கிறோம். இதற்கு அடிப்படை மாடல்களின் திறன்கள் மற்றும் வரம்புகள் இரண்டையும் பற்றிய ஆழமான புரிதல் தேவைப்படுகிறது. இந்தத் துறையில் இருப்பவர்களுக்கு இது விரைவான பரிசோதனை மற்றும் தொடர்ச்சியான கற்றல் காலம்.

ஆசிரியரின் குறிப்பு: கணினித் துறையில் நிபுணர்கள் அல்லாதவர்கள், ஆனால் செயற்கை நுண்ணறிவைப் புரிந்துகொள்ளவும், அதை அதிக நம்பிக்கையுடன் பயன்படுத்தவும், ஏற்கனவே வந்துகொண்டிருக்கும் எதிர்காலத்தைப் பின்தொடரவும் விரும்பும் மக்களுக்காக, பலமொழி AI செய்திகள் மற்றும் வழிகாட்டல் மையமாக இந்த தளத்தை நாங்கள் உருவாக்கினோம்.

நடைமுறை எல்லை

தினசரி வாழ்க்கையில் AI-ன் எதிர்காலம் என்பது ஒரே ஒரு பெரிய முன்னேற்றத்தைப் பற்றியது அல்ல, மாறாக ஆயிரம் சிறிய ஒருங்கிணைப்புகளைப் பற்றியது. தொழில்நுட்பம் மிகவும் பொதுவானதாகி, நாம் அதை AI என்று அழைப்பதை நிறுத்திவிடுவோம். நாம் அதை வெறும் கம்ப்யூட்டிங் என்று அழைப்போம். இந்த டூல்களின் நடைமுறைத்தன்மைதான் அவற்றின் நீண்ட ஆயுளை உறுதி செய்யும். நாம் பார்த்தபடி, சுருக்கம், மொழிபெயர்ப்பு மற்றும் கோடிங் செய்யும் திறன் ஏற்கனவே நாம் வேலை செய்யும் மற்றும் கற்கும் விதத்தை மாற்றிக்கொண்டிருக்கிறது. பலன் உண்மையானது, ஆனால் அது பொறுப்புகளுடன் வருகிறது. வெளியீட்டைப் பற்றி நாம் சந்தேகத்துடனும், செலவுகளைப் பற்றி கவனத்துடனும் இருக்க வேண்டும். மாடல்கள் நாம் ஒழுங்குபடுத்தும் திறனை விட வேகமாக மேம்படுவதால், இந்தத் தலைப்பு தொடர்ந்து பரிணமிக்கும். நாம் ஒரு மாற்றக் காலத்தில் இருக்கிறோம், அங்கு விதிகள் நிகழ்நேரத்தில் எழுதப்படுகின்றன. இந்தத் தொழில்நுட்பத்தின் இறுதி வெற்றி, அதை அறிவுசார் சோம்பேறித்தனத்திற்கான ஊன்றுகோலாகப் பயன்படுத்தாமல், மனித அதிகாரமளிப்பதற்கான கருவியாகப் பயன்படுத்தும் நமது திறனைப் பொறுத்தது. நடைமுறை AI பயன்பாடுகள் மற்றும் சமூகத்தில் அவற்றின் தாக்கம் குறித்த கூடுதல் நுண்ணறிவுகளுக்கு, MIT Technology Review மற்றும் Nature போன்ற அறிவியல் இதழ்களின் சமீபத்திய ஆராய்ச்சிகளைத் தொடர்ந்து கவனியுங்கள். பயணம் இப்பதான் தொடங்குகிறது, இதில் ஆபத்துகள் மிக அதிகம்.

ஒரு பிழையைக் கண்டறிந்தீர்களா அல்லது திருத்தப்பட வேண்டிய ஒன்று இருக்கிறதா? எங்களுக்குத் தெரியப்படுத்துங்கள்.