AI ಹೈವ್‌ಮೈಂಡ್ ಅನ್ನು ಮುರಿಯುವುದು: Flint ಹೇಗೆ LLM ಗ್ರೂಪ್‌ಥಿಂಕ್ ಅನ್ನು ಎದುರಿಸುತ್ತಿದೆ

ChatGPT ಮತ್ತು Claude ನಂತಹ ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಗಳು (LLMs) ಕೋಡಿಂಗ್ ಮತ್ತು ಸಂಶೋಧನೆಯಲ್ಲಿ ಅತ್ಯುತ್ತಮವಾಗಿದ್ದರೂ, ಅವುಗಳು ಹೆಚ್ಚೆಚ್ಚು ಅನಿರೀಕ್ಷಿತವಲ್ಲದ "ಗ್ರೂಪ್‌ಥಿಂಕ್" (groupthink) ಎಂಬ ಬಲೆಯಲ್ಲಿ ಬೀಳುತ್ತಿವೆ. ಪ್ರಮುಖ ಮಾದರಿಗಳು ಹೆಚ್ಚಿನ ಸಂಭವನೀಯತೆ ಹೊಂದಿರುವ, ಪುನರಾವರ್ತಿತ ಪ್ರತಿಕ್ರಿಯೆಗಳತ್ತ ಒಗ್ಗೂಡುತ್ತಿರುವಾಗ, ಒಂದು ಹೊಸ ಸ್ಟಾರ್ಟ್‌ಅಪ್ ಜನರೇಟಿವ್ AI ಪರಿಸರ ವ್ಯವಸ್ಥೆಗೆ ಅಗತ್ಯವಿರುವ ವೈವಿಧ್ಯತೆಯನ್ನು (divergence) ನೀಡಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದೆ.

ಸಮಸ್ಯೆ: "ಕೃತಕ ಹೈವ್‌ಮೈಂಡ್" (Artificial Hivemind) ಪರಿಣಾಮ

ಪ್ರಸ್ತುತ LLM ಅಭಿವೃದ್ಧಿಯಲ್ಲಿನ ಒಂದು ಪ್ರಮುಖ ಮಿತಿಯೆಂದರೆ, ಮಾದರಿಗಳು ಸಾಂಖ್ಯಿಕವಾಗಿ ಅತ್ಯಂತ ಸಂಭವನೀಯ ಉತ್ತರಗಳತ್ತ ವಾಲುವ ಪ್ರವೃತ್ತಿ. ಇದು ಸಂಶೋಧಕರು "ಕೃತಕ ಹೈವ್‌ಮೈಂಡ್" ಎಂದು ಕರೆಯುವ ವಿದ್ಯಮಾನಕ್ಕೆ ಕಾರಣವಾಗುತ್ತದೆ. NeurIPS ಪ್ರಶಸ್ತಿ ವಿಜೇತ ಪ್ರಬಂಧವಾದ, “Artificial Hivemind: The Open-Ended Homogeneity of Language Models (and Beyond),” ಈ ಆಳವಾಗಿ ಬೇರೂರಿರುವ ಪುನರಾವರ್ತನೆಯನ್ನು ಬಹಿರಂಗಪಡಿಸಿದೆ.

ಸಂಶೋಧನಾ ತಂಡವು ಅಮೆರಿಕದ ಪ್ರಮುಖ ಮಾದರಿಗಳು ಮತ್ತು ಚೀನಾದ ಓಪನ್-ಸೋರ್ಸ್ ಆವೃತ್ತಿಗಳು ಸೇರಿದಂತೆ 25 ವಿವಿಧ LLMಗಳನ್ನು ಪರೀಕ್ಷಿಸಿತು. "ಸಮಯ"ಕ್ಕೆ ಒಂದು ರೂಪಕವನ್ನು (metaphor) ನೀಡಲು ಕೇಳಿದಾಗ, 1,250 ಪ್ರತಿಕ್ರಿಯೆಗಳಲ್ಲಿ ಬಹುಪಾಲು "ಸಮಯವು ಒಂದು ನದಿ" ಅಥವಾ "ಸಮಯವು ಒಬ್ಬ ನೇಯ್ಗೆಗಾರ" ಎಂಬಂತಹ ಹಳೆಯ clichés (ರೂಢಿಗತ ಮಾತುಗಳ)ತ್ತ ಒಗ್ಗೂಡಿದ್ದವು. ಈ ವೈವಿಧ್ಯತೆಯ ಕೊರತೆಯು ಕೇವಲ ಒಂದು ವಿಚಿತ್ರವಲ್ಲ; ಇದು ವಿಶ್ವಾಸಾರ್ಹತೆ ಮತ್ತು ಸುಸಂಬದ್ಧತೆಯನ್ನು ಹೆಚ್ಚಿಸುವ ಮುಖ್ಯ ಗುರಿಯೊಂದಿಗೆ, ಒಂದೇ ರೀತಿಯ ಡೇಟಾಸೆಟ್‌ಗಳ ಮೇಲೆ ಮಾದರಿಗಳನ್ನು ತರಬೇತಿಗೊಳಿಸುವುದರಿಂದ ಉಂಟಾದ ಪರಿಣಾಮವಾಗಿದೆ. ಹೊಸತನಕ್ಕಾಗಿ ಪ್ರಯತ್ನಿಸುವುದು ಕೆಲವೊಮ್ಮೆ ದುರ್ಬಲ ಮತ್ತು ಕಡಿಮೆ ವಿಶ್ವಾಸಾರ್ಹ ಪ್ರತಿಕ್ರಿಯೆಗಳಿಗೆ ಕಾರಣವಾಗಬಹುದು ಎಂದು OpenAI ಒಪ್ಪಿಕೊಂಡಿದೆ, ಅದಕ್ಕಾಗಿಯೇ ಹೆಚ್ಚಿನ ಮಾದರಿಗಳು ಸುರಕ್ಷಿತವಾದ, "ಹೆಚ್ಚಿನ ಸಂಭವನೀಯತೆ" ಹೊಂದಿರುವ ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡುತ್ತವೆ.

Flint ನ ಪ್ರವೇಶ: ಅನಿರೀಕ್ಷಿತತೆಯನ್ನು விட ವೈವಿಧ್ಯತೆಗೆ ಆದ್ಯತೆ ನೀಡುವುದು

ಆಸ್ಟ್ರೇಲಿಯಾದ ಸ್ಟಾರ್ಟ್‌ಅಪ್ Springboards ತನ್ನ ಹೊಸ ಮಾದರಿಯಾದ Flint ಮೂಲಕ ಈ ಸ್ಥಿತಿಗತಿಯನ್ನು ಸವಾಲು ಮಾಡುತ್ತಿದೆ. ಯಾವುದೇ ಬೆಲೆ ತೆತ್ತರೂ 'hallucinations' (ತಪ್ಪು ಮಾಹಿತಿ) ತಡೆಯಲು ಪ್ರಯತ್ನಿಸುವ ಪ್ರಮುಖ ಮಾದರಿಗಳಿಗ opposite, ಸೃಜನಾತ್ಮಕ ಕೆಲಸಗಳಿಗೆ ಅನಿರೀಕ್ಷಿತ ವೈವಿಧ್ಯತೆಯ ಮಟ್ಟ ಅಗತ್ಯ ಎಂದು Springboards CEO Pip Bingemann ವಾದಿಸುತ್ತಾರೆ.

ಪ್ರಾಯೋಗಿಕ ಪರೀಕ್ಷೆಯಲ್ಲಿ, ಫಲಿತಾಂಶದ ವಿತರಣೆಯಲ್ಲಿನ ವ್ಯತ್ಯಾಸವು ಸ್ಪಷ್ಟವಾಗಿದೆ:

• ಯಾದೃಚ್ಛಿಕತೆ (Randomness): ಒಂದು ಯಾದೃಚ್ಛಿಕ ಸಂಖ್ಯೆಯನ್ನು ಕೇಳಿದಾಗ, ChatGPT ಮತ್ತು Claude ಹೆಚ್ಚಾಗಿ "7" ಅನ್ನು ನೀಡುತ್ತವೆ, ಆದರೆ Flint "3.7916" ನಂತಹ ಹೆಚ್ಚಿನ ನಿಖರತೆಯ, ಅಸಂಪ್ರದಾಯಿಕ ಸಂಖ್ಯೆಗಳನ್ನು ನೀಡುತ್ತದೆ.
• ಸೃಜನಾತ್ಮಕ ಬ್ರ್ಯಾಂಡಿಂಗ್ (Creative Branding): New Balance ಟ್ಯಾಗ್‌ಲೈನ್ ಕೇಳಿದಾಗ, Claude ಮತ್ತು ChatGPT ಎರಡೂ "Run your way" ಎಂದು ನೀಡುತ್ತವೆ, ಆದರೆ Flint ವಿಭಿನ್ನವಾಗಿ "Built to last, run to win" ಎಂಬ ಆಯ್ಕೆಯನ್ನು ನೀಡುತ್ತದೆ.
• ನಾಮಪದಗಳ ಆಯ್ಕೆ (Noun Selection): ಪ್ರಮುಖ ಮಾದರಿಗಳು Toyota ಅಥವಾ Honda ನಂತಹ "ಸುರಕ್ಷಿತ" ಬ್ರ್ಯಾಂಡ್‌ಗಳತ್ತ ವಾಲುವಾದರೆ, Flint Ford F-150 ನಂತಹ ಕಡಿಮೆ ಅನಿರೀಕ್ಷಿತವಲ್ಲದ ಆಯ್ಕೆಗಳನ್ನು ಮಾಡುವ ಮೂಲಕ ಹೆಚ್ಚಿನ ವ್ಯಾಪ್ತಿಯನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ.

ವೃತ್ತಿಪರರಿಗಾಗಿ ಒಂದು ಸೃಜನಾತ್ಮಕ ಸಾಧನ

Springboards ಕೇವಲ ಒಂದು ಸ್ವತಂತ್ರ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸುತ್ತಿಲ್ಲ; ಅವರು ಜಾಹೀರಾತು ಮತ್ತು ಮಾರ್ಕೆಟಿಂಗ್ ವೃತ್ತಿಪರರಿಗಾಗಿ ಒಂದು ವಿಶೇಷ ಸಾಧನವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತಿದ್ದಾರೆ. ಈ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಬಳಕೆದಾರರು ChatGPT ಮತ್ತು Claude ಸೇರಿದಂತೆ ಹಲವಾರು ಮಾದರಿಗಳಿಂದ ಬರುವ ಫಲಿತಾಂಶಗಳನ್ನು ಒಟ್ಟುಗೂಡಿಸಲು ಮತ್ತು ಅವುಗಳನ್ನು ಸಂಯೋಜಿಸಿ ಹೊಸ ಆಲೋಚನೆಗಳನ್ನು ರೂಪಿಸಲು ಅನುಮತಿಸುತ್ತದೆ. Flint ಈ ಪರಿಸರ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ಒಂದು "ಸೃಜನಾತ್ಮಕ ಕ್ಯಾಟಾಪಲ್ಟ್" (creative catapult) ಆಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, ಇದನ್ನು ವಿಶೇಷವಾಗಿ ಬಳಕೆದಾರರನ್ನು ಅವರ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಮಾನಸಿಕ ಚೌಕಟ್ಟುಗಳಿಂದ ಹೊರತರುವಂತೆ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ.

77X ನ ಮುಖ್ಯ ಕಾರ್ಯತಂತ್ರಾಧಿಕಾರಿ (Chief Strategy Officer) Zoe Scaman ಅವರು ಗಮನಿಸಿದಂತೆ, ಪ್ರಮುಖ ಮಾದರಿಗಳು ಹೆಚ್ಚಾಗಿ ಒಂದೇ ರೀತಿಯ ಹಳೆಯ ಪರಿಹಾರಗಳನ್ನು (ಉದಾಹರಣೆಗೆ "ಮೋಜಿನ ರೀತಿಯಲ್ಲಿ ಹಣಕಾಸಿನ ಸಾಕ್ಷರತೆಯನ್ನು ಕಲಿಸುವುದು") ಸೂಚಿಸುತ್ತವೆ, ಆದರೆ Flint ದೃಷ್ಟಿಕೋನದಲ್ಲಿ ಕ್ರಾಂತಿಕಾರಿ ಬದಲಾವಣೆಗಳನ್ನು ನೀಡುತ್ತದೆ, ಉದಾಹರಣೆಗೆ ಸಂಪತ್ತು ಸಂಗ್ರಹಣೆಯ ಪರಿಕಲ್ಪನೆಯನ್ನೇ ಸಂಪೂರ್ಣವಾಗಿ ಮರುಬ್ರ್ಯಾಂಡಿಂಗ್ ಮಾಡುವಂತೆ ಸೂಚಿಸುತ್ತದೆ.

ಪ್ರಮುಖ ಅಂಶಗಳು

• LLM ಏಕರೂಪತೆ (Homogeneity): ಒಂದೇ ರೀತಿಯ ತರಬೇತಿ ವಿಧಾನಗಳಿಂದಾಗಿ ಪ್ರಮುಖ ಮಾದರಿಗಳು ಒಂದೇ ರೀತಿಯ, ಅನಿರೀಕ್ಷಿತವಲ್ಲದ ಉತ್ತರಗಳತ್ತ ಒಗ್ಗೂಡುತ್ತಿವೆ, ಇದು "ಕೃತಕ ಹೈವ್‌ಮೈಂಡ್" ಪರಿಣಾಮವನ್ನು ಸೃಷ್ಟಿಸುತ್ತಿದೆ.
• Flint ವಿಧಾನ: Springboards ನ Flint ಮಾದರಿಯು ಪ್ರತಿಕ್ರಿಯೆಯ ವೈವಿಧ್ಯತೆ ಮತ್ತು ವೈವಿಧ್ಯತೆಗೆ ಆದ್ಯತೆ ನೀಡುತ್ತದೆ, ಇದು ಸಾಮಾನ್ಯ ಮಾದರಿಗಳಿಗಿಂತ ಬ್ರೈನ್ ಸ್ಟಾರ್ಮಿಂಗ್ (brainstorming) ಮತ್ತು ಸೃಜನಾತ್ಮಕ ಕಾರ್ಯತಂತ್ರಗಳಿಗೆ ಹೆಚ್ಚು ಸೂಕ್ತವಾಗಿದೆ.
• ವಿಶ್ವಾಸಾರ್ಹತೆಯ ಸಮತೋಲನ (Reliability Trade-off): ಉದ್ಯಮವು ಮಾದರಿಯ ವಿಶ್ವಾಸಾರ್ಹತೆ (ಹೆಚ್ಚಿನ ಸಂಭವನೀಯತೆಯ ಮಿತಿಯೊಳಗೆ ಇರುವುದು) ಮತ್ತು ಸೃಜನಾತ್ಮಕ ನವೀನತೆ (ಕಡಿಮೆ ಸಂಭವನೀಯತೆ ಹೊಂದಿರುವ, ವೈವಿಧ್ಯಮಯ ಫಲಿತಾಂಶಗಳನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳುವುದು) ನಡುವಿನ ಮೂಲಭೂತ ಸಂಘರ್ಷವನ್ನು ಎದುರಿಸುತ್ತಿದೆ.