AI தவிர்க்க முடியாத சில முக்கியமான அறநெறிச் சிக்கல்கள்

சிலிக்கான் வேலி, செயற்கை நுண்ணறிவு (AI) மனிதகுலத்தின் கடினமான சிக்கல்களைத் தீர்க்கும் என்று வாக்குறுதி அளித்தது. ஆனால், அதற்குப் பதிலாக, எந்தவொரு கோடிங்காலும் சரிசெய்ய முடியாத புதிய சிக்கல்களை இந்தத் தொழில்நுட்பம் உருவாக்கியுள்ளது. நாம் இப்போது வியப்பின் காலத்தைக் கடந்து, பொறுப்புக்கூற வேண்டிய கடினமான காலகட்டத்திற்குள் நுழைந்துள்ளோம். இதில் உள்ள முக்கியப் பிரச்சனை வருங்காலத்தில் இயந்திரங்கள் கிளர்ச்சி செய்யும் என்பது அல்ல, மாறாக இந்த அமைப்புகள் எவ்வாறு உருவாக்கப்பட்டு பயன்படுத்தப்படுகின்றன என்பதுதான் தற்போதைய நிதர்சனம். ஒவ்வொரு பெரிய மொழி மாதிரியும் (Large Language Model) மனித உழைப்பையும், இணையத்திலிருந்து திரட்டப்பட்ட தரவுகளையும் அடிப்படையாகக் கொண்டது. இது இந்த டூல்களை உருவாக்கும் நிறுவனங்களுக்கும், அந்தத் தரவுகளை வழங்கும் மக்களுக்கும் இடையே ஒரு அடிப்படை மோதலை உருவாக்குகிறது. ஐரோப்பாவிலும் அமெரிக்காவிலும் உள்ள கட்டுப்பாட்டாளர்கள், ஒரு சிஸ்டம் தவறு செய்து ஒருவரின் வாழ்க்கையைப் பாதிக்கும்போது அதற்கு யார் பொறுப்பு என்று கேள்வி எழுப்புகின்றனர். இந்த மென்பொருள்கள் தன்னாட்சி முறையில் செயல்படுவதால், இதற்கான சட்டக் கட்டமைப்புகள் இன்னும் தெளிவாக இல்லை. தொழில்நுட்பம் என்ன செய்ய முடியும் என்பதிலிருந்து, பொது வாழ்வில் அது என்ன செய்ய அனுமதிக்கப்பட வேண்டும் என்ற மாற்றத்தை நாம் இப்போது காண்கிறோம்.

தானியங்கி முடிவெடுப்பதில் உள்ள சிக்கல்கள்

அடிப்படையில், நவீன செயற்கை நுண்ணறிவு என்பது ஒரு கணிப்பு இயந்திரம் (prediction engine) மட்டுமே. அதற்கு உண்மை அல்லது அறநெறி பற்றிய புரிதல் கிடையாது. அது மிகப்பெரிய தரவுத்தொகுப்புகளை அடிப்படையாகக் கொண்டு அடுத்த வார்த்தை அல்லது பிக்சல் என்னவாக இருக்கும் என்பதற்கான நிகழ்தகவைக் கணக்கிடுகிறது. இந்த உள்ளார்ந்த புரிதல் இல்லாமை, இயந்திரத்தின் வெளியீட்டிற்கும் மனித நீதியின் தேவைகளுக்கும் இடையே ஒரு இடைவெளியை உருவாக்குகிறது. ஒரு வங்கி தனது அல்காரிதத்தைப் பயன்படுத்தி கடன் தகுதியைத் தீர்மானிக்கும்போது, அது இனம் அல்லது ஜிப் கோடுடன் தொடர்புடைய வடிவங்களை அடையாளம் காணலாம். இது இயந்திரத்திற்கு உணர்வு இருப்பதால் அல்ல, அது பயிற்சி பெற்ற வரலாற்றுத் தரவுகளில் அத்தகைய பாரபட்சங்கள் இருப்பதால் நிகழ்கிறது. நிறுவனங்கள் பெரும்பாலும் இந்தச் செயல்முறைகளைத் தங்களின் ரகசியங்களாக மறைக்கின்றன, இதனால் நிராகரிக்கப்பட்ட விண்ணப்பதாரர் ஏன் நிராகரிக்கப்பட்டார் என்பதை அறிய முடியாமல் போகிறது. இந்த வெளிப்படைத்தன்மையின்மைதான் தற்போதைய ஆட்டோமேஷன் காலத்தின் அடையாளமாகும். இது பெரும்பாலும் ‘பிளாக் பாக்ஸ்’ (black box) பிரச்சனை என்று அழைக்கப்படுகிறது.

தொழில்நுட்ப ரீதியாக, இந்த மாதிரிகள் திறந்த இணையத்தில் பயிற்சி அளிக்கப்படுகின்றன, இது மனித அறிவின் மற்றும் மனித பாரபட்சங்களின் களஞ்சியமாகும். டெவலப்பர்கள் இந்தத் தரவுகளை வடிகட்ட முயற்சி செய்கிறார்கள், ஆனால் அதன் பிரம்மாண்டமான அளவு காரணமாக முழுமையான துல்லியத்தை எட்டுவது சாத்தியமற்றது. நாம் AI அறநெறி பற்றிப் பேசும்போது, உண்மையில் இந்த அமைப்புகள் தவிர்க்க முடியாமல் உருவாக்கும் பிழைகளை நாம் எப்படி கையாளுகிறோம் என்பது பற்றித்தான் பேசுகிறோம். பாதுகாப்பின் அவசியத்திற்கும், தொழில்நுட்பத்தை விரைவாக வெளியிடுவதற்கும் இடையே வளர்ந்து வரும் பதற்றம் உள்ளது. சந்தையில் பின்தங்கிவிடக்கூடாது என்பதற்காக, முழுமையாகப் புரிந்துகொள்ளப்படுவதற்கு முன்பே தயாரிப்புகளை வெளியிட நிறுவனங்கள் அழுத்தம் கொடுக்கின்றன. இது பொதுமக்களை நிரூபிக்கப்படாத மென்பொருளுக்கான விருப்பமில்லாத பரிசோதனைப் பொருள்களாக மாற்றுகிறது. ஒரு மென்பொருள் டெவலப்பர் தனது படைப்பின் ‘ஹாலுசினேஷன்’ (hallucinations) பிழைகளுக்குப் பொறுப்பேற்க முடியுமா என்று நீதிமன்றங்கள் விவாதிப்பதால், சட்ட அமைப்பு மாற்றத்தின் வேகத்திற்கு ஈடுகொடுக்கப் போராடுகிறது.

புதிய உலகளாவிய டிஜிட்டல் இடைவெளி

இந்த அமைப்புகளின் தாக்கம் உலகம் முழுவதும் சமமாகப் பரவவில்லை. முக்கிய AI நிறுவனங்களின் தலைமையகம் சில பணக்கார நாடுகளில் இருந்தாலும், அவற்றின் விளைவுகள் எல்லா இடங்களிலும் உணரப்படுகின்றன. குளோபல் சவுத் (Global South) நாடுகளில் புதிய வகை உழைப்புச் சுரண்டல் உருவாகி வருகிறது. கென்யா மற்றும் பிலிப்பைன்ஸ் போன்ற நாடுகளில் ஆயிரக்கணக்கான தொழிலாளர்கள் மிகக் குறைந்த ஊதியத்திற்குத் தரவுகளை லேபிளிடுவதற்கும், அதிர்ச்சியூட்டும் உள்ளடக்கங்களை நீக்குவதற்கும் வேலை செய்கிறார்கள். இந்தத் தொழிலாளர்களே AI நச்சுத்தன்மையுள்ள உள்ளடக்கங்களை வெளியிடுவதைத் தடுக்கும் கண்ணுக்குத் தெரியாத பாதுகாப்பு வலை, ஆனால் அவர்கள் இந்தத் துறையின் லாபத்தில் அரிதாகவே பங்கு பெறுகிறார்கள். இது ஒரு அதிகார சமநிலையின்மையை உருவாக்குகிறது, அங்கு பணக்கார நாடுகள் டூல்களைக் கட்டுப்படுத்துகின்றன, அதே நேரத்தில் வளரும் நாடுகள் அவற்றை நிலைநிறுத்தத் தேவையான மூல உழைப்பையும் தரவையும் வழங்குகின்றன.

சர்வதேச சமூகத்திற்கு கலாச்சார ஆதிக்கம் மற்றொரு குறிப்பிடத்தக்க கவலையாக உள்ளது. பெரும்பாலான பெரிய மாதிரிகள் முதன்மையாக ஆங்கில மொழித் தரவுகள் மற்றும் மேற்கத்திய கலாச்சார நெறிமுறைகளின் அடிப்படையில் பயிற்சி அளிக்கப்படுகின்றன. இதன் பொருள், இந்த அமைப்புகள் பெரும்பாலும் உள்ளூர் சூழலையோ அல்லது குறைவான டிஜிட்டல் வளங்களைக் கொண்ட மொழிகளையோ புரிந்துகொள்வதில் தோல்வியடைகின்றன. இந்த டூல்கள் ஏற்றுமதி செய்யப்படும்போது, அவை உள்ளூர் அறிவை மேற்கத்திய கண்ணோட்டத்துடன் மாற்றும் அபாயம் உள்ளது. இது வெறும் தொழில்நுட்பக் குறைபாடு மட்டுமல்ல, கலாச்சார பன்முகத்தன்மைக்கு விடுக்கப்பட்ட அச்சுறுத்தலாகும். வெளிநாட்டு AI உள்கட்டமைப்பைச் சார்ந்திருப்பது ஒரு புதிய வகைச் சார்பை உருவாக்குகிறது என்பதை அரசாங்கங்கள் உணரத் தொடங்கியுள்ளன. ஒரு நாட்டிற்குத் தனது சொந்த இறையாண்மை கொண்ட AI திறன் இல்லையென்றால், அது அந்தச் சேவையை வழங்கும் நிறுவனங்களின் விதிகள் மற்றும் மதிப்புகளைப் பின்பற்ற வேண்டிய கட்டாயத்தில் உள்ளது. உலகளாவிய சமூகம் தற்போது பல முக்கியமான சிக்கல்களை எதிர்கொள்கிறது:

• சில தனியார் நிறுவனங்களிடம் குவிந்துள்ள கம்ப்யூட்டிங் சக்தி.
• தண்ணீர் பற்றாக்குறை உள்ள பகுதிகளில் பிரம்மாண்டமான மாதிரிகளைப் பயிற்றுவிப்பதற்கான சுற்றுச்சூழல் செலவு.
• ஆங்கிலம் சார்ந்த மாதிரிகளால் டிஜிட்டல் தளங்களில் உள்ளூர் மொழிகள் அழிந்து வருவது.
• போர்க்காலங்களில் தன்னாட்சி அமைப்புகளைப் பயன்படுத்துவது குறித்த சர்வதேச ஒப்பந்தங்கள் இல்லாமை.
• ஜனநாயகத் தேர்தல்களைச் சீர்குலைக்கக்கூடிய தானியங்கி தவறான தகவல்கள்.

அல்காரிதத்துடன் வாழ்தல்

ஒரு லாஜிஸ்டிக்ஸ் நிறுவனத்தில் நடுத்தர மேலாளராக இருக்கும் சாராவின் ஒரு நாளைக் கவனியுங்கள். அவளது காலை மின்னஞ்சல்களின் AI-உருவாக்கப்பட்ட சுருக்கத்துடன் தொடங்குகிறது. சிஸ்டம் அவசரமான பணிகளை முன்னிலைப்படுத்துகிறது, ஆனால் நீண்டகால வாடிக்கையாளர் ஒருவரின் நுணுக்கமான புகாரை அது தவறவிடுகிறது, ஏனெனில் சென்டிமென்ட் அனாலிசிஸ் டூல் (sentiment analysis tool) அதில் உள்ள கிண்டலைப் புரிந்துகொள்ளவில்லை. பின்னர், ஒரு ஊழியருக்கான செயல்திறன் மதிப்பாய்வை எழுத அவள் ஒரு ஜெனரேட்டிவ் டூலைப் பயன்படுத்துகிறாள். புதிய பணியாளர்களுக்கு வழிகாட்டுவதற்கு அந்த ஊழியர் செலவழித்த நேரத்தைக் கணக்கில் கொள்ளாமல், உற்பத்தித்திறன் அளவீடுகளின் அடிப்படையில் அந்த மென்பொருள் குறைந்த மதிப்பீட்டைப் பரிந்துரைக்கிறது. சாரா தனது சொந்த முடிவை நம்ப வேண்டுமா அல்லது இயந்திரத்தின் தரவு சார்ந்த பரிந்துரையை நம்ப வேண்டுமா என்று முடிவு செய்ய வேண்டும். அவள் AI-ஐப் புறக்கணித்து, அந்த ஊழியர் பின்னர் தோல்வியடைந்தால், தரவுகளைப் பின்பற்றாததற்காக அவள் குற்றம் சாட்டப்படலாம். இதுதான் அல்காரிதமிக் மேலாண்மையின் அமைதியான அழுத்தம்.

மதிய வேளையில், சாரா ஒரு புதிய இன்சூரன்ஸ் பாலிசிக்கு விண்ணப்பிக்கிறாள். இன்சூரன்ஸ் நிறுவனம் அவளது சமூக ஊடகங்கள் மற்றும் சுகாதாரப் பதிவுகளை ஸ்கேன் செய்ய ஒரு தானியங்கி அமைப்பைப் பயன்படுத்துகிறது. அவள் சமீபத்தில் ஒரு ஹைக்கிங் குழுவில் சேர்ந்ததால், அவள் அதிக ஆபத்துள்ள நபர் என்று அந்த சிஸ்டம் முத்திரை குத்துகிறது, ஏனெனில் அல்காரிதம் அதை சாத்தியமான காயங்களுடன் தொடர்புபடுத்துகிறது. பேசுவதற்கு மனிதர்கள் யாரும் இல்லை, அவள் ஆரோக்கியமான அனுபவம் வாய்ந்த ஹைக்கர் என்பதை விளக்குவதற்கு வழியும் இல்லை. அவளது பிரீமியம் உடனடியாக உயர்கிறது. இது தனிப்பட்ட நுணுக்கங்களை விட செயல்திறனுக்கு முன்னுரிமை அளிக்கும் ஒரு அமைப்பின் நிஜ உலக விளைவாகும். மாலை நேரத்தில், சாரா ஒரு செய்தித் தளத்தைப் பார்க்கிறாள், அங்கு பாதி கட்டுரைகள் பாட்களால் (bots) எழுதப்பட்டுள்ளன. எது உண்மையான செய்தி, எது அவளை கிளிக் செய்ய வைப்பதற்காக உருவாக்கப்பட்ட தொகுப்பு என்பதைப் பிரித்தறிவது அவளுக்குக் கடினமாகிறது. தானியங்கி உள்ளடக்கத்திற்குத் தொடர்ந்து வெளிப்படுவது அவள் யதார்த்தத்தை உணரும் விதத்தை மாற்றுகிறது.

தொழில்நுட்பம் இனி அவள் பயன்படுத்தும் ஒரு கருவி அல்ல; அது அவள் வாழும் சூழலாக மாறிவிட்டது. முரண்பாடுகள் எல்லா இடங்களிலும் காணப்படுகின்றன. நமக்கு AI-ன் வேகம் வேண்டும், ஆனால் அதன் குளிர்ச்சியைப் பார்த்து பயப்படுகிறோம். நமக்கு ஆட்டோமேஷனின் வசதி வேண்டும், ஆனால் மனிதத் தன்மையை இழப்பதை வெறுக்கிறோம். மனிதத் தீர்ப்பை மாற்றும் இந்த டூல்களின் திறனை நிறுவனங்கள் மிகைப்படுத்துகின்றன, அதே நேரத்தில் ஒரு தவறான வெளியீட்டால் ஏற்படும் பாதிப்பைக் குறைவாக மதிப்பிடுகின்றன. படைப்பாளிகள் தங்கள் அறிவுசார் சொத்துரிமையைப் பாதுகாப்பதை மிகைப்படுத்துகிறார்கள், ஆனால் அவர்களின் படைப்புகள் ஸ்கிராப்பர்களால் (scraper) எவ்வளவு எளிதாக உறிஞ்சப்படுகின்றன என்பதை குறைவாக மதிப்பிடுகிறார்கள். இதன் விளைவாக, நாம் அனைவரும் வேகமாகச் செல்லும் ஒரு சமூகத்தில் இருக்கிறோம், ஆனால் நாம் எங்கே செல்கிறோம் என்பதில் குறைந்த நிச்சயத்தன்மையுடன் இருக்கிறோம்.

செயல்திறனின் விலை

நமது தற்போதைய பாதையின் மறைமுகமான செலவுகள் குறித்து நாம் கடினமான கேள்விகளைக் கேட்க வேண்டும். ஒரு AI சிஸ்டம் ஒரு நிறுவனத்திற்கு மில்லியன் கணக்கான டாலர்களைச் சேமித்து, ஆனால் ஆயிரம் வேலை இழப்புகளை ஏற்படுத்தினால், அந்த சமூகச் செலவுக்கு யார் பொறுப்பு? நாம் பெரும்பாலும் தொழில்நுட்ப முன்னேற்றத்தை இயற்கையின் தவிர்க்க முடியாத சக்தியாகக் கருதுகிறோம், ஆனால் இது குறிப்பிட்ட ஊக்கத்தொகைகளைக் கொண்ட நபர்களால் எடுக்கப்பட்ட குறிப்பிட்ட தேர்வுகளின் விளைவாகும். தொழிலாளர் சந்தையின் ஸ்திரத்தன்மையை விட லாபத்தை மேம்படுத்துவதற்கு ஏன் முன்னுரிமை அளிக்கிறோம்? ஒவ்வொரு தொடர்பும் ஒரு பயிற்சிப் புள்ளியாக இருக்கும் காலத்தில் தரவு தனியுரிமை (data privacy) பற்றிய கேள்வியும் உள்ளது. நீங்கள் ஒரு இலவச AI உதவியாளரைப் பயன்படுத்தும்போது, நீங்கள் வாடிக்கையாளர் அல்ல; நீங்கள் தான் தயாரிப்பு. உங்கள் உரையாடல்கள் மற்றும் விருப்பத்தேர்வுகள் உங்களுக்கோ அல்லது உங்கள் முதலாளிக்கோ மீண்டும் விற்கப்படும் ஒரு மாதிரியைச் செம்மைப்படுத்தப் பயன்படுத்தப்படுகின்றன. நமது டிஜிட்டல் உதவியாளர்கள் தொடர்ந்து கேட்டுக்கொண்டிருக்கும்போது, தனிப்பட்ட சிந்தனை என்ற கருத்தாக்கம் என்னவாகும்?

சுற்றுச்சூழல் பாதிப்பு என்பது மார்க்கெட்டிங் பொருட்களில் அரிதாகவே விவாதிக்கப்படும் மற்றொரு செலவாகும். ஒரு பெரிய மாதிரியைப் பயிற்றுவிப்பது நூற்றுக்கணக்கான வீடுகள் ஒரு வருடத்தில் பயன்படுத்தும் மின்சாரத்திற்குச் சமமான மின்சாரத்தை நுகரக்கூடும். டேட்டா சென்டர்களின் குளிர்ச்சித் தேவைகள் வறண்ட பகுதிகளில் உள்ளூர் நீர் விநியோகத்தில் அழுத்தத்தை ஏற்படுத்துகின்றன. சற்று மேம்பட்ட சாட்போட்டிற்காக (chatbot) சுற்றுச்சூழல் ஸ்திரத்தன்மையை வர்த்தகம் செய்ய நாம் தயாரா? மனித அறிவாற்றல் மீதான நீண்டகால தாக்கத்தையும் நாம் கருத்தில் கொள்ள வேண்டும். நாம் நமது எழுத்து, கோடிங் மற்றும் விமர்சனச் சிந்தனையை இயந்திரங்களிடம் ஒப்படைத்தால், மனித மக்கள் தொகையில் அந்தத் திறன்களுக்கு என்னவாகும்? நாம் மிகவும் திறமையான, ஆனால் டிஜிட்டல் ஊன்றுகோல் இல்லாமல் செயல்பட முடியாத மனிதர்களைக் கொண்ட ஒரு உலகத்தை உருவாக்கிக் கொண்டிருக்கலாம். இவை அதிக தரவுகளுடன் தீர்க்கப்பட வேண்டிய தொழில்நுட்பப் சிக்கல்கள் அல்ல. நாம் எந்த வகையான எதிர்காலத்தில் வாழ விரும்புகிறோம் என்பது குறித்த அடிப்படை கேள்விகள் இவை.

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

தாக்கத்தின் உள்கட்டமைப்பு

பவர் யூசர்கள் மற்றும் டெவலப்பர்களுக்கு, அறநெறிக் கேள்விகள் தொழில்நுட்ப விவரக்குறிப்புகளில் உட்பொதிக்கப்பட்டுள்ளன. லோக்கல் ஸ்டோரேஜ் (local storage) மற்றும் எட்ஜ் கம்ப்யூட்டிங் (edge computing) நோக்கிய மாற்றம் ஓரளவு தனியுரிமை கவலைகளுக்கான பதிலாகும். மாதிரிகளை உள்ளூரில் இயக்குவதன் மூலம், பயனர்கள் முக்கியமான தரவுகளை ஒரு மைய சர்வருக்கு அனுப்புவதைத் தவிர்க்கலாம். இருப்பினும், இது வன்பொருள் தேவைகள் மற்றும் API வரம்புகள் தொடர்பாகப் புதிய சவால்களை உருவாக்குகிறது. பெரும்பாலான உயர் செயல்திறன் கொண்ட மாதிரிகளுக்கு அதிக VRAM மற்றும் தற்போது பற்றாக்குறையாக உள்ள சிறப்புச் சில்லுகள் (specialized chips) தேவைப்படுகின்றன. இது ஒரு தடையை உருவாக்குகிறது, அங்கு சமீபத்திய வன்பொருள் உள்ளவர்கள் மட்டுமே மிகவும் திறமையான டூல்களை அணுக முடியும். டெவலப்பர்களும் தற்போதைய கட்டமைப்புகளின் வரம்புகளுடன் போராடுகிறார்கள். டிரான்ஸ்ஃபார்மர் மாதிரிகள் (transformer models) ஆதிக்கம் செலுத்தினாலும், அவற்றை ஆய்வு செய்வது மிகவும் கடினம். எடைகள் (weights) மற்றும் கட்டமைப்பை நம்மால் பார்க்க முடியும், ஆனால் ஒரு குறிப்பிட்ட உள்ளீடு ஏன் ஒரு குறிப்பிட்ட வெளியீட்டிற்கு வழிவகுக்கிறது என்பதை நம்மால் எளிதாக விளக்க முடியாது.

தொழில்முறை பணிப்பாய்வுகளில் AI-ன் ஒருங்கிணைப்பு தரவு நச்சுத்தன்மை (data poisoning) மற்றும் மாதிரி சரிவு (model collapse) போன்ற சுவர்களை எதிர்கொள்கிறது. இணையம் AI-உருவாக்கிய உள்ளடக்கத்தால் நிறைந்துவிட்டால், எதிர்கால மாதிரிகள் அவற்றின் முன்னோடிகளின் வெளியீட்டில் பயிற்சி அளிக்கப்படும். இது தரத்தின் சீரழிவுக்கும் பிழைகளின் பெருக்கத்திற்கும் வழிவகுக்கிறது. இதை எதிர்த்துப் போராட, சில டெவலப்பர்கள் சரிபார்க்கக்கூடிய தரவு ஆதாரங்கள் (verifiable data sources) மற்றும் வாட்டர்மார்க்கிங் நுட்பங்களை ஆராய்கின்றனர். பயனர்கள் அபாயங்களைப் புரிந்துகொள்ள உதவ, அதிக வெளிப்படையான AI அறநெறி பகுப்பாய்வு (AI ethics analysis) தேவைப்படுகிறது. தொழில்நுட்ப சமூகம் தற்போது பல முக்கிய வளர்ச்சிப் பகுதிகளில் கவனம் செலுத்துகிறது:

• பயிற்சித் தொகுப்புகளில் தனிப்பட்ட தரவுப் புள்ளிகளைப் பாதுகாக்க டிஃபெரன்ஷியல் பிரைவசி (differential privacy) செயல்படுத்துதல்.
• நுகர்வோர் வன்பொருளில் இயங்கக்கூடிய சிறிய, திறமையான மாதிரிகளை உருவாக்குதல்.
• பாரபட்சம் மற்றும் உண்மைப் பிழைகளைக் கண்டறிவதற்கான தரப்படுத்தப்பட்ட அளவுகோல்களை உருவாக்குதல்.
• பரவலாக்கப்பட்ட சாதனங்களில் மாதிரிகளைப் பயிற்றுவிக்க ஃபெடரேட்டட் லேர்னிங் (federated learning) பயன்படுத்துதல்.
• நியூரல் நெட்வொர்க்குகளை விட சிறந்த விளக்கத்தன்மையை வழங்கும் புதிய கட்டமைப்புகளை ஆராய்தல்.

தீர்வு காணப்படாத பாதை

செயற்கை நுண்ணறிவின் விரைவான பரிணாமம் அதை நிர்வகிக்கும் நமது திறனை விட அதிகமாக உள்ளது. நாம் தற்போது புதுமைக்கான விருப்பத்திற்கும் பாதுகாப்பின் தேவைக்கும் இடையே ஒரு மோதலில் இருக்கிறோம். மிகப்பெரிய அறநெறிக் கேள்விகள் இயந்திரங்களின் திறன்களைப் பற்றியவை அல்ல, மாறாக அவற்றைக் கட்டுப்படுத்தும் மக்களின் நோக்கங்களைப் பற்றியவை. நாம் 2026-க்குள் நுழையும்போது, கவனம் மாதிரிகளிலிருந்து தரவு விநியோகச் சங்கிலி மற்றும் டெவலப்பர்களின் பொறுப்புக்கூறலுக்கு மாறும். அடுத்த தசாப்தத்தை வரையறுக்கும் ஒரு நேரடி கேள்வியுடன் நாம் விடப்பட்டுள்ளோம். நமது சிக்கல்களைத் தீர்க்கும் அளவுக்கு வலிமையாகவும், நம்பகமான அளவுக்கு வெளிப்படையாகவும் இருக்கும் ஒரு அமைப்பை நம்மால் உருவாக்க முடியுமா? இதற்கான பதில் இன்னும் கோடிங்கில் எழுதப்படவில்லை. இது நீதிமன்றங்கள், போர்டு ரூம்கள் மற்றும் அன்றாட பயனர்களின் தேர்வுகளின் மூலம் தீர்மானிக்கப்படும், அவர்கள் வசதிக்காகத் தங்கள் சுயாட்சியில் எவ்வளவு விட்டுக்கொடுக்கத் தயாராக இருக்கிறார்கள் என்பதை முடிவு செய்ய வேண்டும்.

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.