நாம் உண்மையில் என்ன வகையான நுண்ணறிவை உருவாக்குகிறோம்?

நாம் செயற்கை மனங்களை உருவாக்கவில்லை. மாறாக, ஒரு வரிசையில் அடுத்ததாக வரக்கூடிய தகவலைக் கணிக்கும் அதிநவீன புள்ளிவிவர இயந்திரங்களையே உருவாக்குகிறோம். தற்போதைய விவாதங்கள் பெரும்பாலும் பெரிய மொழி மாதிரிகளை (large language models) வளர்ந்து வரும் உயிரியல் மூளைகளாகவே கருதுகின்றன, ஆனால் இது ஒரு அடிப்படை வகைப்பாட்டுப் பிழையாகும். இந்த அமைப்புகள் கருத்துகளைப் புரிந்துகொள்வதில்லை; அவை உயர் பரிமாணக் கணிதம் மூலம் டோக்கன்களைச் செயலாக்குகின்றன. எந்தவொரு பார்வையாளரும் புரிந்துகொள்ள வேண்டிய முக்கிய விஷயம் என்னவென்றால், மனித வெளிப்பாட்டைப் பிரதிபலிக்கும் திறனை நாம் தொழில்மயமாக்கியுள்ளோம். இது அறிவாற்றலுக்கான கருவி அல்ல, தொகுப்பதற்கான கருவி. நீங்கள் ஒரு நவீன மாடலுடன் உரையாடும்போது, பொது இணையத்தின் சுருக்கப்பட்ட பதிப்பையே அணுகுகிறீர்கள். இது மிகவும் சாத்தியமான பதிலைத் தருகிறதே தவிர, எப்போதும் சரியான பதிலைத் தருவதில்லை. இந்த வேறுபாடே தொழில்நுட்பம் செய்யக்கூடியவற்றுக்கும், நாம் செய்யக்கூடியவை என்று கற்பனை செய்பவற்றுக்கும் இடையிலான எல்லையை வரையறுக்கிறது. இந்தத் தொழில்நுட்பங்களை நம் வாழ்வின் ஒவ்வொரு பகுதியிலும் ஒருங்கிணைக்கும்போது, சவால்கள் தொழில்நுட்ப நாவினத்திலிருந்து நடைமுறைச் சார்ந்த சார்புநிலைக்கு மாறுகின்றன. இயந்திரம் சிந்திக்கிறதா என்று கேட்பதை நிறுத்திவிட்டு, நமது தீர்ப்புகளை ஒரு நிகழ்தகவு வளைவிடம் (probability curve) ஒப்படைக்கும்போது என்ன நடக்கும் என்று கேட்கத் தொடங்க வேண்டும். இந்த மாற்றங்கள் குறித்த கூடுதல் தகவல்களை எங்கள் சமீபத்திய AI நுண்ணறிவுகளில் [Insert Your AI Magazine Domain Here] இல் காணலாம், அங்கு இந்த அமைப்புகளின் பரிணாம வளர்ச்சியை நாங்கள் தொடர்ந்து கண்காணிக்கிறோம்.

நிகழ்தகவு கணிப்பின் கட்டமைப்பு

தற்போதைய தொழில்நுட்ப நிலையைப் புரிந்துகொள்ள, டிரான்ஸ்பார்மர் (transformer) கட்டமைப்பைப் பார்க்க வேண்டும். இது ஒரு வாக்கியத்தில் உள்ள வெவ்வேறு சொற்களின் முக்கியத்துவத்தை எடைபோட அனுமதிக்கும் கணிதக் கட்டமைப்பாகும். இது உண்மைகளின் தரவுத்தளத்தைப் பயன்படுத்துவதில்லை. அதற்குப் பதிலாக, தரவுப் புள்ளிகளுக்கு இடையிலான உறவுகளைத் தீர்மானிக்க எடைகள் மற்றும் சார்புகளைப் (weights and biases) பயன்படுத்துகிறது. ஒரு பயனர் ஒரு ப்ராம்ப்ட்டை (prompt) உள்ளிடும்போது, கணினி அந்த உரையை வெக்டர்கள் (vectors) எனப்படும் எண்களாக மாற்றுகிறது. இந்த வெக்டர்கள் ஆயிரக்கணக்கான பரிமாணங்களைக் கொண்ட ஒரு வெளியில் உள்ளன. பயிற்சியின் போது கற்றுக்கொண்ட வடிவங்களின் அடிப்படையில் அடுத்த வார்த்தையின் பாதையை மாடல் கணக்கிடுகிறது. இந்த செயல்முறை முற்றிலும் கணித ரீதியானது. இதில் உள்மன உரையாடலோ அல்லது உணர்வுப்பூர்வமான பிரதிபலிப்போ இல்லை. இது மில்லி விநாடிகளில் நடக்கும் ஒரு பிரம்மாண்டமான, இணையான கணக்கீடு ஆகும்.

பயிற்சி செயல்முறையானது புத்தகங்கள், கட்டுரைகள் மற்றும் குறியீடுகளிலிருந்து டிரில்லியன் கணக்கான சொற்களை மாடலுக்கு ஊட்டுவதை உள்ளடக்கியது. இலக்கு எளிதானது: அடுத்த டோக்கனைக் கணிப்பது. காலப்போக்கில், மாடல் இதில் மிகவும் சிறந்து விளங்குகிறது. இது இலக்கண அமைப்பு, வெவ்வேறு எழுத்து நடைகளின் தொனி மற்றும் கருத்துகளுக்கு இடையிலான பொதுவான தொடர்புகளைக் கற்றுக்கொள்கிறது. இருப்பினும், இது இன்னும் அதன் மையத்தில் தொழில்துறை அளவிலான வடிவப் பொருத்தம் (pattern matching) மட்டுமே. பயிற்சித் தரவுகளில் ஒரு குறிப்பிட்ட சார்பு அல்லது பிழை இருந்தால், அந்த பிழை தரவுத்தொகுப்பில் புள்ளிவிவர ரீதியாக முக்கியமானது என்பதால், மாடல் அதை மீண்டும் செய்ய வாய்ப்புள்ளது. இதனால்தான் மாடல்கள் நம்பிக்கையுடன் தவறான தகவல்களைக் கூற முடியும். அவை பொய் சொல்வதில்லை, ஏனெனில் பொய் சொல்ல எண்ணம் தேவை. அவை சொற்களின் மிகவும் சாத்தியமான பாதையைப் பின்பற்றுகின்றன, அந்த பாதை ஒரு முட்டுச்சந்திற்கு இட்டுச் சென்றாலும் கூட. Nature இதழ் போன்ற நிறுவனங்களின் ஆராய்ச்சியாளர்கள், உலகளாவிய மாதிரி (world model) இல்லாததே உண்மையான பகுத்தறிவுக்கு முதன்மையான தடையாக உள்ளது என்று சுட்டிக்காட்டியுள்ளனர். சொற்கள் ஒன்றுடன் ஒன்று எவ்வாறு தொடர்புடையவை என்பது இந்த அமைப்பிற்குத் தெரியும், ஆனால் சொற்கள் இயற்பியல் உலகத்துடன் எவ்வாறு தொடர்புடையவை என்பது அதற்குத் தெரியாது.

பொருளாதார ஊக்கத்தொகைகள் மற்றும் உலகளாவிய மாற்றங்கள்

இந்த அமைப்புகளை உருவாக்குவதற்கான உலகளாவிய போட்டி மனித உழைப்பின் செலவைக் குறைக்கும் விருப்பத்தால் தூண்டப்படுகிறது. பல தசாப்தங்களாக, கணினிச் செலவு குறைந்து வரும் அதே வேளையில், மனித நிபுணத்துவத்தின் செலவு அதிகரித்துள்ளது. நிறுவனங்கள் இந்த இடைவெளியைக் குறைக்க இந்த மாதிரிகளை ஒரு வழியாகப் பார்க்கின்றன. அமெரிக்கா, ஐரோப்பா மற்றும் ஆசியாவில், உள்ளடக்கம், குறியீடு மற்றும் நிர்வாகப் பணிகளின் உற்பத்தியை தானியக்கமாக்குவதில் கவனம் செலுத்தப்படுகிறது. இது உலகளாவிய தொழிலாளர் சந்தையில் உடனடி விளைவுகளை ஏற்படுத்துகிறது. ஒரு தொழிலாளியின் மதிப்பு இனி அடிப்படை உரை அல்லது எளிய ஸ்கிரிப்ட்களை உருவாக்கும் திறனுடன் பிணைக்கப்படவில்லை என்பதை நாம் காண்கிறோம். அதற்குப் பதிலாக, இயந்திரம் தயாரிப்பதைச் சரிபார்த்து தணிக்கை செய்யும் திறனை நோக்கி மதிப்பு நகர்கிறது. இது வெள்ளை காலர் பொருளாதாரத்தில் ஒரு அடிப்படை மாற்றமாகும்.

இந்த வளர்ச்சியின் வேகத்திற்கு அரசாங்கங்களும் எதிர்வினையாற்றுகின்றன. கண்டுபிடிப்புகளை வளர்க்க விரும்புவதற்கும், தானியங்கி முடிவெடுப்பதன் விளைவுகளிலிருந்து குடிமக்களைப் பாதுகாக்க வேண்டியதன் அவசியத்திற்கும் இடையே ஒரு பதற்றம் உள்ளது. அறிவுசார் சொத்துரிமைச் சட்டம் தற்போது மாற்றத்தில் உள்ளது. ஒரு புதிய உள்ளடக்கத்தை உருவாக்க பதிப்புரிமை பெற்ற படைப்புகளில் ஒரு மாடல் பயிற்சியளிக்கப்பட்டால், அதன் வெளியீட்டிற்கு யார் சொந்தக்காரர்? இவை வெறும் கல்விசார் கேள்விகள் அல்ல. அவை பில்லியன் கணக்கான டாலர் பொறுப்பு மற்றும் வருவாயைக் குறிக்கின்றன. உலகளாவிய தாக்கம் மென்பொருளைப் பற்றியது மட்டுமல்ல, அதைச் சுற்றி நாம் கட்டமைக்கும் சட்ட மற்றும் சமூக அமைப்புகளைப் பற்றியதுமாகும். வெவ்வேறு பிராந்தியங்கள் இந்த சிக்கல்களை எவ்வாறு கையாளுகின்றன என்பதில் ஒரு வேறுபாட்டைக் காண்கிறோம். சில கடுமையான ஒழுங்குமுறைகளை நோக்கி நகர்கின்றன, மற்றவை முதலீட்டை ஈர்க்க மிகவும் தளர்வான அணுகுமுறையைக் கொண்டுள்ளன. இது நீங்கள் இருக்கும் இடத்தைப் பொறுத்து விதிகள் மாறும் ஒரு துண்டு துண்டான சூழலை உருவாக்குகிறது.

தினசரி வாழ்க்கையில் நடைமுறை விளைவுகள்

நடுத்தர நிறுவனத்தில் புராஜெக்ட் மேனேஜராக இருக்கும் சாராவின் தினசரி வழக்கத்தைக் கவனியுங்கள். அவர் தனது நாளை முப்பது படிக்காத மின்னஞ்சல்களைச் சுருக்க ஒரு உதவியாளரைப் பயன்படுத்துவதன் மூலம் தொடங்குகிறார். அந்த கருவி முக்கிய புள்ளிகளை எடுப்பதில் நன்றாகச் செயல்படுகிறது, ஆனால் ஒரு முக்கிய வாடிக்கையாளரின் செய்தியில் உள்ள நுணுக்கமான விரக்தியை அது தவறவிடுகிறது. சுருக்கத்தை நம்பிய சாரா, வாடிக்கையாளரை மேலும் எரிச்சலூட்டும் ஒரு குறுகிய, தானியங்கி பதிலை அனுப்புகிறார். பின்னர், அவர் ஒரு புராஜெக்ட் முன்மொழிவை உருவாக்க ஒரு மாடலைப் பயன்படுத்துகிறார். அது நொடிகளில் ஐந்து பக்க தொழில்முறைத் தொனி கொண்ட உரையை உருவாக்குகிறது. அவர் அதைத் திருத்த ஒரு மணிநேரம் செலவிடுகிறார், சிறிய பிழைகளைச் சரிசெய்து, இயந்திரத்திற்குத் தெரியாத குறிப்பிட்ட விவரங்களைச் சேர்க்கிறார். நாளின் முடிவில், அவர் அளவின் அடிப்படையில் அதிக உற்பத்தித்திறன் கொண்டவராக இருந்திருக்கலாம், ஆனால் அவர் தனது வேலையிலிருந்து ஒருவித துண்டிப்பு உணர்வை உணர்கிறார். அவர் இனி ஒரு படைப்பாளி அல்ல, அவர் செயற்கையான எண்ணங்களின் எடிட்டர் மட்டுமே.

இந்தச் சூழல் மக்கள் எதை மிகைப்படுத்தி மதிப்பிடுகிறார்கள் மற்றும் எதைக் குறைவாக மதிப்பிடுகிறார்கள் என்பதை எடுத்துக்காட்டுகிறது. இயந்திரத்தின் நுணுக்கம், நோக்கம் மற்றும் மனித உணர்வுகளைப் புரிந்துகொள்ளும் திறனை நாம் மிகைப்படுத்தி மதிப்பிடுகிறோம். அது ஒரு உணர்திறன் மிக்க உரையாடலையோ அல்லது சிக்கலான பேச்சுவார்த்தையையோ மாற்றும் என்று நாம் நினைக்கிறோம். அதே நேரத்தில், இந்த கருவிகளின் வேகம் நமது எதிர்பார்ப்புகளை எவ்வளவு மாற்றுகிறது என்பதை நாம் குறைவாக மதிப்பிடுகிறோம். சாரா ஒரு மணி நேரத்தில் ஒரு முன்மொழிவை உருவாக்க முடியும் என்பதால், அவரது முதலாளி இப்போது வார இறுதியில் மூன்று முன்மொழிவுகளை எதிர்பார்க்கிறார். தொழில்நுட்பம் நமக்கு அதிக ஓய்வு நேரத்தை வழங்க வேண்டிய அவசியமில்லை. இது பெரும்பாலும் எதிர்பார்க்கப்படும் வெளியீட்டிற்கான அடிப்படை அளவை உயர்த்துகிறது. இது செயல்திறனின் மறைக்கப்பட்ட பொறி. நாம் குறைவாக வேலை செய்ய உதவிய கருவிகளுடன் வேகத்தைப் பிடிக்க, நாம் வேகமாக வேலை செய்ய வேண்டிய ஒரு சுழற்சியை இது உருவாக்குகிறது.

இந்த உள்ளடக்கம் தெளிவு மற்றும் ஆழத்தை உறுதிப்படுத்த முன்கணிப்பு அமைப்புகளின் உதவியுடன் தயாரிக்கப்படுகிறது. முரண்பாடுகள் எல்லா இடங்களிலும் காணப்படுகின்றன. நேரத்தைச் சேமிக்க இந்தக் கருவிகளைப் பயன்படுத்துகிறோம், ஆனால் அந்தச் சேமிக்கப்பட்ட நேரத்தை அந்தக் கருவிகளை நிர்வகிக்கச் செலவிடுகிறோம். மனிதத் தொடர்பை மதிக்கிறோம், ஆனால் மற்றவர்களுடன் இணைவதற்கு உதவும் பணிகளையே தானியக்கமாக்குகிறோம். சவால்கள் நடைமுறைக்குரியவை மற்றும் உடனடியானவை. அவை நாம் எவ்வாறு பிழைப்பு நடத்துகிறோம் மற்றும் நமது சக ஊழியர்களுடன் எவ்வாறு தொடர்பு கொள்கிறோம் என்பதைப் பாதிக்கின்றன.

செயற்கை யுகத்திற்கான கடினமான கேள்விகள்

இந்தத் தொழில்நுட்பத்தின் தற்போதைய போக்கிற்கு நாம் சாக்ரடிக் சந்தேகத்தை (Socratic skepticism) பயன்படுத்த வேண்டும். பெரும்பாலான டிஜிட்டல் உள்ளடக்கம் செயற்கையானதாக இருக்கும் உலகத்தை நோக்கி நாம் நகர்ந்தால், தகவலின் மதிப்பு என்னவாகும்? ஒவ்வொரு பதிலும் புள்ளிவிவர சராசரியாக இருந்தால், அசல் சிந்தனை ஒரு ஆடம்பரமாகிவிடுமா? நிறுவனங்கள் அரிதாகவே விவாதிக்கும் மறைக்கப்பட்ட செலவுகளையும் நாம் பார்க்க வேண்டும். இந்த மாடல்களுக்குப் பயிற்சி அளிக்கவும் இயக்கவும் தேவைப்படும் ஆற்றல் மிகப்பெரியது. ஒவ்வொரு வினவலும் (query) குளிரூட்டலுக்கு அளவிடக்கூடிய அளவு மின்சாரம் மற்றும் தண்ணீரை நுகர்கிறது. மின்னஞ்சல் சுருக்கத்தின் வசதி சுற்றுச்சூழல் பாதிப்பிற்கு மதிப்புள்ளதா? பொது வாக்கெடுப்பு இல்லாமல் நாம் எடுக்கும் சமரசங்கள் இவை.

தனியுரிமை என்பது பதில்களை விட கேள்விகள் முக்கியமான மற்றொரு பகுதியாகும். பெரும்பாலான மாடல்கள் இந்த நோக்கத்திற்காக உருவாக்கப்படாத தரவுகளில் பயிற்சியளிக்கப்படுகின்றன. உங்கள் பழைய வலைப்பதிவு இடுகைகள், உங்கள் பொது சமூக ஊடக கருத்துகள் மற்றும் உங்கள் ஓப்பன் சோர்ஸ் குறியீடு அனைத்தும் இப்போது இயந்திரத்தின் ஒரு பகுதியாகும். ஒவ்வொரு தரவுத் துண்டையும் பயிற்சிப் பொருளாக மாற்றுவதன் மூலம் டிஜிட்டல் தனியுரிமை காலத்தை நாம் திறம்பட முடித்துவிட்டோம். இந்த அமைப்பிலிருந்து நாம் உண்மையிலேயே வெளியேற முடியுமா? நீங்கள் கருவிகளைப் பயன்படுத்தாவிட்டாலும், உங்கள் தரவு ஏற்கனவே அதில் இருக்கலாம். நாம் ஒரு பிளாக் பாக்ஸ் (black box) சிக்கலையும் எதிர்கொள்கிறோம். இந்த அமைப்புகளை உருவாக்கும் பொறியாளர்களே ஒரு மாடல் ஏன் ஒரு குறிப்பிட்ட பதிலை அளிக்கிறது என்பதை எப்போதும் விளக்க முடியாது. சுகாதாரம், சட்டம் மற்றும் நிதி போன்ற முக்கியமான துறைகளில் நாம் முழுமையாகப் புரிந்துகொள்ளாத கருவிகளைப் பயன்படுத்துகிறோம். அதன் தர்க்கத்தைக் கண்டறிய முடியாதபோது, அதிக முக்கியத்துவம் வாய்ந்த முடிவுகளுக்கு ஒரு அமைப்பைப் பயன்படுத்துவது பொறுப்பானதா? இந்தக் கேள்விகளுக்கு எளிதான பதில்கள் இல்லை, ஆனால் தொழில்நுட்பம் மாறுவதற்கு மிகவும் ஆழமாக உட்பொதிக்கப்படுவதற்கு முன்பே இவை கேட்கப்பட வேண்டும்.

நாங்கள் கவர் செய்ய வேண்டும் என்று நீங்கள் நினைக்கும் AI கதை, கருவி, போக்கு அல்லது கேள்வி உங்களிடம் உள்ளதா? உங்கள் கட்டுரை யோசனையை எங்களுக்கு அனுப்பவும் — அதைக் கேட்க நாங்கள் விரும்புகிறோம்.

பவர் யூசர்களுக்கான தொழில்நுட்பக் கட்டுப்பாடுகள்

இந்த அமைப்புகளின் மேல் கட்டமைப்பவர்களுக்கு, சாத்தியக்கூறுகளை விட கட்டுப்பாடுகளே உண்மையை வரையறுக்கின்றன. பவர் யூசர்கள் API வரம்புகள், கான்டெக்ஸ்ட் விண்டோஸ் (context windows) மற்றும் இன்ஃபரன்ஸ் (inference) செலவுகளைக் கையாள வேண்டும். கான்டெக்ஸ்ட் விண்டோ என்பது ஒரு மாடல் ஒரே நேரத்தில் அதன் செயலில் உள்ள நினைவகத்தில் வைத்திருக்கக்கூடிய தகவலின் அளவாகும். சில மாடல்கள் இப்போது நூறாயிரத்திற்கும் அதிகமான டோக்கன்களைக் கொண்டிருந்தாலும், விண்டோ நிரம்பும்போது செயல்திறன் பெரும்பாலும் குறைகிறது. இது லாஸ்ட் இன் தி மிடில் (lost in the middle) நிகழ்வு என்று அழைக்கப்படுகிறது, அங்கு நீண்ட ப்ராம்ப்ட்டின் மையத்தில் வைக்கப்பட்டுள்ள தகவலை மாடல் மறந்துவிடுகிறது. டெவலப்பர்கள் உள்ளூர் தரவுத்தளத்திலிருந்து மிகவும் பொருத்தமான தரவை மட்டுமே மாடலுக்கு ஊட்ட ரிட்ரைவல்-ஆக்மென்டட் ஜெனரேஷன் (Retrieval-Augmented Generation) போன்ற நுட்பங்களைப் பயன்படுத்த வேண்டும்.

தனியுரிமை மற்றும் செலவுக்கு முன்னுரிமை அளிப்பவர்களுக்கு உள்ளூர் சேமிப்பு மற்றும் வரிசைப்படுத்தல் (deployment) பிரபலமாகி வருகின்றன. Llama 3 போன்ற மாடலை உள்ளூர் வன்பொருளில் இயக்குவதற்கு குறிப்பிடத்தக்க VRAM தேவைப்படுகிறது, ஆனால் இது மூன்றாம் தரப்பு API-களைச் சார்ந்திருப்பதை நீக்குகிறது. இது பெரும்பாலான சாதாரண பயனர்கள் பார்க்காத 20 சதவீத கீக் (geek) உண்மை. பணிப்பாய்வு பின்வருவனவற்றை உள்ளடக்கியது:

• கன்ஸ்யூமர்-கிரேடு GPU நினைவகத்தில் பொருந்த மாடல்களைக் குவாண்டைஸ் (quantize) செய்தல்.
• நீண்ட கால நினைவகத்திற்காக Pinecone அல்லது Milvus போன்ற வெக்டர் தரவுத்தளங்களை அமைத்தல்.
• ஒரு குறிப்பிட்ட துறையில் துல்லியத்தை மேம்படுத்த குறிப்பிட்ட தரவுத்தொகுப்புகளில் எடைகளை ஃபைன்-டியூன் (fine-tune) செய்தல்.
• உற்பத்திச் சூழல்களில் ரேட் லிமிட்ஸ் (rate limits) மற்றும் லேட்டன்சியை (latency) நிர்வகித்தல்.

இந்தக் கருவிகளை ஏற்கனவே உள்ள பணிப்பாய்வுகளில் ஒருங்கிணைப்பது ஒரு பட்டனை அழுத்துவது போன்றதல்ல. மாடல் அதை திறம்படச் செயலாக்க தரவை எவ்வாறு கட்டமைப்பது என்பது குறித்த ஆழமான புரிதல் தேவை. Hugging Face போன்ற தளங்கள் இதற்கான உள்கட்டமைப்பை வழங்குகின்றன, ஆனால் செயல்படுத்துதல் ஒரு சிக்கலான பொறியியல் சவாலாகவே உள்ளது. நீங்கள் அடிப்படையில் கணிக்க முடியாத ஒரு இயந்திரத்தைச் சுற்றி கணிக்கக்கூடிய கூண்டைக் கட்ட முயற்சிக்கிறீர்கள். OpenAI ஆராய்ச்சி வலைப்பதிவு அடிக்கடி இந்த வரம்புகளைப் பற்றி விவாதிக்கிறது, ஸ்கேலிங் (scaling) மட்டுமே ஒவ்வொரு தொழில்நுட்பத் தடையுக்கும் தீர்வு அல்ல என்று குறிப்பிடுகிறது. இந்தத் துறையின் கீக் பிரிவு, இந்த அமைப்புகளைப் பெரிதாக்குவதை விட, சிறியதாகவும், வேகமாகவும், நம்பகமானதாகவும் மாற்றுவதில் கவனம் செலுத்துகிறது.

இறுதித் தீர்ப்பு

நாம் உருவாக்கும் நுண்ணறிவு நமது சொந்த தரவுகளின் பிரதிபலிப்பே தவிர, புதிய வடிவிலான வாழ்க்கை அல்ல. இது தகவல்களை முன்னெப்போதும் இல்லாத அளவில் செயலாக்க உதவும் ஒரு சக்திவாய்ந்த தொகுப்புக் கருவியாகும். இருப்பினும், இது மனித மேற்பார்வை மற்றும் விமர்சன சிந்தனை தேவைப்படும் ஒரு கருவியாகவே உள்ளது. மெருகூட்டப்பட்ட உரை அல்லது விரைவான பதில்களால் நாம் கண்மூடித்தனமாக இருக்கக்கூடாது. நடைமுறை சவால்கள் நமது வேலைகள், நமது தனியுரிமை மற்றும் நமது சுற்றுச்சூழலை உள்ளடக்கியவை. தொழில்நுட்பத்தின் பயன்பாட்டை ஒப்புக்கொள்ளும் அதே வேளையில், அதன் மீதான மிகைப்படுத்தப்பட்ட விளம்பரங்களை நாம் சந்தேகிக்க வேண்டும். இயந்திரத்திடம் நமது தீர்ப்பை ஒப்படைக்காமல், நமது திறன்களை மேம்படுத்த இந்த அமைப்புகளைப் பயன்படுத்துவதே இலக்காக இருக்க வேண்டும். நாம் இன்று எடுக்கும் முடிவுகள் பல தசாப்தங்களாக தொழில்நுட்பத்துடனான நமது உறவை வரையறுக்கும் ஒரு புள்ளியில் இருக்கிறோம். புள்ளிவிவரக் கணிப்பின் மீது கண்மூடித்தனமான நம்பிக்கையை வைப்பதை விட, கூர்மையான கேள்விகளுடன் முன்னேறுவதே சிறந்தது.

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.

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