આ ચેતવણી અત્યારે શા માટે મહત્વની છે

છેલ્લા એક વર્ષમાં બજારમાં લાર્જ-લેંગ્વેજ-મોડલ (LLM) સેવાઓનો પૂર આવ્યો છે, જે કાચા ડેટાને ત્વરિત ઇનસાઇટ્સ (insights), કોડ અથવા ચેટમાં બદલવાનું વચન આપે છે. કંપનીઓ ઉતાવળમાં આવી, અને જે પ્રથમ વેન્ડર કામચલાઉ ઉકેલ આપી શકે તેને તેમના પ્રોપ્રાઇટરી પ્રોમ્પ્ટ્સ (proprietary prompts), આંતરિક દસ્તાવેજો અને વપરાશના લોગ્સ (usage logs) સોંપી દીધા.

આ સુવિધા એક છુપી નિર્ભરતા ઊભી કરે છે. વપરાશના ડેટા અને મેટાડેટાને સાચવી રાખ્યા વિના, એક કંપની તેના પોતાના મોડલ વેટ્સ (model weights) ને તાલીમ આપવાની ક્ષમતા ગુમાવે છે, જેનાથી તેનું "મગજ" એક એવા બ્લેક બોક્સમાં ફસાઈ જાય છે જેને તે તપાસી કે ખસેડી શકતી નથી. જો વેન્ડર કિંમતો વધારે, શરતો બદલે અથવા સર્વિસ બંધ થઈ જાય, તો ક્લાયન્ટની મુખ્ય પ્રક્રિયાઓ અટકી શકે છે.

તમારા મગજને આઉટસોર્સ કરવાની કિંમત

નાડેલાએ આ મુદ્દાને બૌદ્ધિક સાર્વભૌમત્વના નુકસાન તરીકે રજૂ કર્યો છે. ક્લોઝ્ડ-લૂપ સિસ્ટમમાં, કંપનીના અનન્ય વર્કફ્લો અને ડોમેન નોલેજ (domain knowledge) પ્રોવાઈડરના ટ્રેનિંગ સેટનો ભાગ બની જાય છે, પરંતુ કંપનીને ક્યારેય તાલીમ પામેલા પેરામીટર્સ (parameters) મળતા નથી. તે વેટ્સ વગર, કંપની તેની કુશળતાની નકલ કરવા માટે ઓપન મોડલને ફાઇન-ટ્યુન કરી શકતી નથી, કે તેનો ડેટા કેવી રીતે ઉપયોગમાં લેવાય છે તેનું ઓડિટ પણ કરી શકતી નથી.

તેના વ્યવહારિક પરિણામો સ્પષ્ટ છે:

  • સ્પર્ધાત્મક લીકેજ (Competitive leakage): એક પ્રભુત્વ ધરાવતી AI લેબ ક્લાયન્ટના વિશિષ્ટ વર્કફ્લોનો અભ્યાસ કરી શકે છે અને તે ક્ષમતાને તેના પોતાના પ્રોડક્ટ સ્યુટમાં સામેલ કરી શકે છે, જે અસરકારક રીતે ક્લાયન્ટના વેલ્યુ પ્રપોઝિશનની નકલ કરવા સમાન છે.

મોડલમાંથી હાર્નેસને અલગ પાડવું (Decoupling the harness from the model)

નાડેલાનો ઉપાય એક મોડ્યુલર આર્કિટેક્ચર છે જે વ્યવસાયની એપ્લિકેશન્સ અને કોઈપણ ડાઉનસ્ટ્રીમ મોડલ વચ્ચે "AI gateway" દાખલ કરે છે. આ ગેટવે પ્રોમ્પ્ટ્સને ફોર્મેટ કરે છે, સંદર્ભ (context) જોડે છે અને પરિણામોને રૂટ કરે છે, જ્યારે મોડલ એક બદલી શકાય તેવા ઘટક તરીકે રહે છે. આ સેટઅપમાં, કંપનીની મેમરી—વાતચીતનો ઇતિહાસ, મેટાડેટા અને વપરાશના લોગ્સ—તેના પોતાના ઇન્ફ્રાસ્ટ્રક્ચર પર રહે છે.

તેમણે ફાયદાઓને ત્રણ સ્તંભોમાં વહેંચ્યા છે:

  • ચપળતા જાળવી રાખો (Maintain agility) – જ્યારે કોઈ સસ્તું અથવા વધુ સક્ષમ મોડલ આવે, ત્યારે આખા સ્ટેકને ફરીથી લખ્યા વિના ગેટવે તેને પોઇન્ટ કરી શકે છે.
  • જોખમ ઘટાડો (Mitigate risk) – જો કોઈ પ્રોવાઈડર તેની SLA બદલે અથવા સેવા બંધ થઈ જાય, તો ગેટવે વૈકલ્પિક એન્જિન પર સ્વિચ થઈ જાય છે, જેનાથી મહત્વપૂર્ણ વર્કફ્લો ચાલુ રહે છે.
  • વિશિષ્ટતા (Specialize) – હળવા (light-weight), ઓપન-વેઇટ મોડલ્સ રૂટિન ક્લાસિફિકેશન સંભાળે છે, જ્યારે એક વિશાળ પ્રોપ્રાઇટરી LLM ઊંડા તર્ક (deep-reasoning) ના કાર્યો કરે છે, જે ખર્ચ અને કામગીરીને શ્રેષ્ઠ બનાવે છે.

પ્લેટફોર્મ પ્લેબુકના જોખમો

"પ્લેટફોર્મ પ્લેબુક" એવા મોડલનું વર્ણન કરે છે જ્યાં એક AI વેન્ડર ટર્નકી સોલ્યુશનના બદલામાં ક્લાયન્ટની આંતરિક પ્રક્રિયાઓ સુધી ઊંડી પહોંચ મેળવે છે. આ પહોંચ વેન્ડરને ક્લાયન્ટના કામકાજનો વિગતવાર નકશો આપે છે, જે વ્યૂહાત્મક નબળાઈ ઊભી કરે છે. જે સ્ટાર્ટઅપ્સ માટે તેમનો મુખ્ય ફાયદો (moat) પ્રોપ્રાઇટરી AI વર્કફ્લો છે, તેમના માટે આ જોખમ ગંભીર છે: તે જ લેબ તે વર્કફ્લોને આત્મસાત કરી શકે છે અને સ્પર્ધક સેવા લોન્ચ કરી શકે છે, જેનાથી ક્લાયન્ટનો બજારમાં ફાયદો ખતમ થઈ શકે છે.

વિરોધ પક્ષ: સરળતા વિરુદ્ધ લવચીકતા (Counterpoint: simplicity versus flexibility)

આ સમજૂતી સ્પષ્ટ છે. સરળતા 'લોક-ઇન' (lock-in) લાવે છે. જે કંપનીઓ સાર્વભૌમત્વ કરતાં ઝડપને પ્રાધાન્ય આપે છે, તેમણે સમય જતાં વધુ ફી ચૂકવવી પડી શકે છે અથવા જો પ્રોવાઈડરનો રોડમેપ તેમની જરૂરિયાતોથી અલગ પડે, તો મહત્વપૂર્ણ પ્રક્રિયાઓને ફરીથી બનાવવા માટે દોડધામ કરવી પડી શકે છે.

શું જોવું (What to watch)

  • ઓપન-સોર્સ મોડલ ઇકોસિસ્ટમ્સ – જે પ્રોજેક્ટ્સ પરમિસિવ લાયસન્સ હેઠળ મોડલ વેટ્સ પ્રકાશિત કરે છે તેઓ લોકપ્રિય થઈ રહ્યા છે, જે પ્રોપ્રાઇટરી સેવાઓ માટે એક વ્યવહારુ વિકલ્પ પ્રદાન કરે છે.
  • મલ્ટી-મોડલ ઓર્કેસ્ટ્રેશન પ્લેટફોર્મ્સ – ઉભરતા સાધનો વિવિધ (heterogeneous) AI બેક-એન્ડ્સમાં રૂટિંગ, કેશિંગ અને મોનિટરિંગનું સંચાલન કરે છે, જે ગેટવેના ખ્યાલને અમલમાં મૂકવો સરળ બનાવે છે.