Anthropic ತನ್ನ Claude ಮಾಡೆಲ್ ಕುಟುಂಬದಾದ್ಯಂತ AI ಪಾರದರ್ಶಕತೆಯನ್ನು ಹೆಚ್ಚಿಸಲು ಮತ್ತು ಹೊರಹೊಮ್ಮುತ್ತಿರುವ ನಿಯಮಗಳನ್ನು ಪಾಲಿಸಲು ಅಧಿಕೃತವಾಗಿ ಪಠ್ಯ ವಾಟರ್‌ಮಾರ್ಕಿಂಗ್ (text watermarking) ಅನ್ನು ಜಾರಿಗೆ ತರಲು ಪ್ರಾರಂಭಿಸಿದೆ. ಕಂಪನಿಯು ತಡೆರಹಿತ ಏಕೀಕರಣವನ್ನು (seamless integration) ಭರವಸೆ ನೀಡಿದ್ದರೂ, ಭಾಷಾ ನಿಖರತೆಯ ಮೇಲಿನ ಪರಿಣಾಮ ಮತ್ತು ಪತ್ತೆಹಚ್ಚಬಹುದಾದ AI ಲೇಖಕತ್ವದ ಕಾನೂನು ಪರಿಣಾಮಗಳ ಕುರಿತು ವಾದಗಳು ಏರುತ್ತಿವೆ.

ಸ್ಟೆಲ್ತ್ ವಾಟರ್‌ಮಾರ್ಕಿಂಗ್‌ನ ಕಾರ್ಯವಿಧಾನಗಳು

Anthropic ನ ವಿಧಾನವು Google DeepMind ನ SynthID-Text ವಿಧಾನವನ್ನು ಆಧರಿಸಿದೆ. ದೃಶ್ಯಮಣವಾಗಿ ಕಾಣುವ ಲೇಬಲ್‌ಗಳು ಅಥವಾ ಅಡಗಿರುವ Unicode ಅಕ್ಷರಗಳನ್ನು ಸೇರಿಸುವ ಸಾಂಪ್ರದಾಯಿಕ ವಾಟರ್‌ಮಾರ್ಕಿಂಗ್‌ನಂತಲ್ಲದೆ, ಈ ವ್ಯವಸ್ಥೆಯು Large Language Model (LLM) ನ ಸಂಭವನೀಯ (probabilistic) ಮಟ್ಟದಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ಇದು ಟೋಕನ್ ಆಯ್ಕೆಯ ಸಮಯದಲ್ಲಿ ಬಳಸಲಾಗುವ ಯಾದೃಚ್ಛಿಕತೆಯ ಮೂಲವನ್ನು (randomness source) ಸೂಕ್ಷ್ಮವಾಗಿ ಬದಲಾಯಿಸುವ ಮೂಲಕ ಕೆಲಸ ಮಾಡುತ್ತದೆ. ನಿರ್ದಿಷ್ಟ ಪದಗಳ ಆಯ್ಕೆಯ ಸಂಭವನೀಯತೆಯನ್ನು ಹೊಂದಿಸುವ ಮೂಲಕ, ಈ ವ್ಯವಸ್ಥೆಯು ಪಠ್ಯದ ದೃಶ್ಯ ರೂಪವನ್ನು ಬದಲಾಯಿಸದೆ, ವಿಶೇಷ ಸಾಫ್ಟ್‌ವೇರ್ ಮೂಲಕ ಗುರುತಿಸಬಹುದಾದ ಸಾಂಖ್ಯಿಕವಾಗಿ ಪತ್ತೆಹಚ್ಚಬಹುದಾದ ಮಾದರಿಯನ್ನು (statistically detectable pattern) ಸೃಷ್ಟಿಸುತ್ತದೆ.

ಈ ಪ್ರಕ್ರಿಯೆಯು Claude ನ ಔಟ್‌ಪುಟ್‌ನ ಸೃಜನಶೀಲತೆ ಅಥವಾ ಓದುವಿಕೆಯ ಮೇಲೆ ಯಾವುದೇ ಅಳೆಯಬಹುದಾದ ಪರಿಣಾಮ ಬೀರುವುದಿಲ್ಲ ಎಂದು Anthropic ಪ್ರತಿಪಾದಿಸುತ್ತದೆ. ಹೆಚ್ಚಿನ ನಿಖರತೆಯ ಅಗತ್ಯವಿರುವ ಪರಿಸರಗಳಲ್ಲಿ ಅಪಾಯಗಳನ್ನು ತಗ್ಗಿಸಲು, ಶಬ್ದಕೋಶವು ಅರ್ಥದ ಅಗತ್ಯತೆಯಿಂದಾಗಿ ಸೀಮಿತವಾಗಿರುವ ಮತ್ತು ಸತ್ಯಾಂಶಗಳಿಂದ ಕೂಡಿದ ಭಾಗಗಳಲ್ಲಿ ವಾಟರ್‌ಮಾರ್ಕಿಂಗ್ "ಕಡಿಮೆ" (sparser) ಇರುತ್ತದೆ ಎಂದು ಕಂಪನಿಯು ತಿಳಿಸಿದೆ.

ಭಾಷಾ ವಿಮರ್ಶೆ: ನಿಖರತೆ vs ಮಾದರಿ ನಿರ್ಮಾಣ

Anthropic ನ ಭರವಸೆಗಳ ಹೊರತಾಗಿಯೂ, Daring Fireball ನ John Gruber ನಂತಹ ಪ್ರಮುಖ ತಂತ್ರಜ್ಞಾನ ವಿಮರ್ಶಕರು "ಅದೃಶ್ಯ" ಎಂಬ ವಾದವು ದೋಷಪೂರಿತವಾಗಿದೆ ಎಂದು ವಾದಿಸುತ್ತಾರೆ. ಈ ವಾದದ ಮೂಲವು ಅರ್ಥದ ಸೂಕ್ಷ್ಮತೆಯಲ್ಲಿದೆ (semantic nuance): ಯಾವುದೇ ಎರಡು ಸಮಾನಾರ್ಥಕ ಪದಗಳು ಸಂಪೂರ್ಣವಾಗಿ ಪರಸ್ಪರ ಬದಲಾಯಿಸಬಹುದಾದವುಗಳಲ್ಲ. ಒಂದು ವೇಳೆ ವಾಟರ್‌ಮಾರ್ಕಿಂಗ್ ಅಲ್ಗಾರಿದಮ್ ಸಾಂಖ್ಯಿಕ ಮಾದರಿಯನ್ನು ಕಾಯ್ದುಕೊಳ್ಳಲು ನಿರ್ದಿಷ್ಟ ಟೋಕನ್‌ಗೆ ಆದ್ಯತೆ ನೀಡಿದರೆ, ಅದು ವಾಟರ್‌ಮಾರ್ಕ್‌ಗಾಗಿ ಸಾಂಖ್ಯಿಕವಾಗಿ "ಸರಿಯಾದ" ಪದವನ್ನು ಆರಿಸಿಕೊಳ್ಳುವ ಮೂಲಕ ಹೆಚ್ಚು ನಿಖರವಾದ ಪದವನ್ನು ಬಿಟ್ಟುಬಿಡಬಹುದು.

ಇದು ಪಠ್ಯದ ಗುಣಮಟ್ಟದಲ್ಲಿ ಸೂಕ್ಷ್ಮ ಕುಸಿತಕ್ಕೆ ಕಾರಣವಾಗಬಹುದು ಎಂದು Gruber ಸೂಚಿಸುತ್ತಾರೆ. SynthID ನಂತಹ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಬಳಸುವ ಪ್ರಸ್ತುತ ಮಾನದಂಡಗಳು—ಉದಾಹರಣೆಗೆ ಬಳಕೆದಾರರ "thumbs-up/down" ರೇಟಿಂಗ್‌ಗಳು—ಅಪೂರ್ಣವಾಗಿವೆ ಎಂದು ಅವರು ಗಮನಿಸುತ್ತಾರೆ. "overcast" ಬದಲಿಗೆ "grey" ಎಂಬ ಪದವನ್ನು ಬಳಸಿದ್ದಕ್ಕಾಗಿ ಬಳಕೆದಾರರು ಮಾಡೆಲ್‌ಗೆ ಶಿಕ್ಷೆ ನೀಡುವ ಸಾಧ್ಯತೆಯಿಲ್ಲ, ಆದಾಗಲೂ "overcast" ಎಂಬ ಪದವು ಉತ್ತಮ ಶೈಲಿಯ ಆಳವನ್ನು ನೀಡಬಹುದು. ಇದರರ್ಥ, ಪ್ರಮಾಣಿತ ಬೆಂಚ್‌ಮಾರ್ಕ್‌ಗಳು ಪತ್ತೆಹಚ್ಚಲು ವಿಫಲವಾಗುವ ರೀತಿಯಲ್ಲಿ ಪಠ್ಯದ "ಗುಣಮಟ್ಟ" ಕುಸಿಯಬಹುದು.

ಕಾನೂನು ಪರಿಣಾಮಗಳು ಮತ್ತು ಗುರುತುಗಳ "ಅಂಟಿಕೊಳ್ಳುವ" ಸ್ವಭಾವ

ಈ ಅನುಷ್ಠಾನವು ವೃತ್ತಿಪರ ವಲಯಗಳಿಗೆ, ವಿಶೇಷವಾಗಿ ಕಾನೂನು ವಲಯಕ್ಕೆ ಗಮನಾರ್ಹ ಸಂಕೀರ್ಣತೆಗಳನ್ನು ಪರಿಚಯಿಸುತ್ತದೆ. Artificial Lawyer ಪ್ರಕಾರ, ಹೆಚ್ಚಿನ ಗ್ರಾಹಕರು AI ಸಹಾಯದ ಬಗ್ಗೆ ತಲೆಕೆಡಿಸಿಕೊಳ್ಳದಿದ್ದರೂ, ನ್ಯಾಯಾಧೀಶರು ಅಥವಾ ಗ್ರಾಹಕರು AI ಬಳಕೆಯನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ನಿಷೇಧಿಸಿದ ಸಂದರ್ಭಗಳಲ್ಲಿ, AI ಒಳಗೊಂಡಿರುವುದನ್ನು ಸಾಬೀತುಪಡಿಸುವ ಸಾಮರ್ಥ್ಯವು ಒಂದು ಹೊರೆಯಾಗಬಹುದು (liability).

ಈ ವಾಟರ್‌ಮಾರ್ಕ್‌ಗಳ "ಸ್ಥಿರತೆ" (persistence) ಒಂದು ಪ್ರಮುಖ ತಾಂತ್ರಿಕ ಸವಾಲಾಗಿದೆ. ಈ ಗುರುತುಗಳು ಪಠ್ಯದಲ್ಲೇ ಅಡಕವಾಗಿರುವುದರಿಂದ, ಅವು ದಾಖಲೆಗಳ ಮೂಲಕ ಹರಡಬಹುದು. ಮನುಷ್ಯರು ಸಿದ್ಧಪಡಿಸಿದ ಒಪ್ಪಂದದಲ್ಲಿ AI-ಸೃಷ್ಟಿತ ಕಲೌಸ್ (clause) ಇದ್ದರೆ, ಅದು ಆ ವಾಟರ್‌ಮಾರ್ಕ್ ಅನ್ನು ಮುಂದಿನವರೆಗೂ ಕೊಂಡೊಯ್ಯುತ್ತದೆ, ಇದು ಭವಿಷ್ಯದ ಟೆಂಪ್ಲೇಟ್‌ಗಳನ್ನು ಕಲುಷಿತಗೊಳಿಸಬಹುದು. ಇದಲ್ಲದೆ, ಕಾನೂನು ವೃತ್ತಿಪರರು ಅನೇಕ LLMಗಳನ್ನು ಬಳಸುವುದರಿಂದ, ದಾಖಲೆಗಳು ಅಂತಿಮವಾಗಿ ವಿವಿಧ ಪೂರೈಕೆದಾರರಿಂದ ಬಂದ ಅತಿವ್ಯಾಪಕ (overlapping) ವಾಟರ್‌ಮಾರ್ಕ್‌ಗಳನ್ನು ಹೊಂದಿರಬಹುದು, ಇದು ಪಾರದರ್ಶಕತೆಯ ಆಡಿಟ್‌ಗಳಿಗೆ ತನಿಖಾ ದೃಷ್ಟಿಯಿಂದ ದೊಡ್ಡ ಸವಾಲನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ.

ಅನುಸರಣೆ ಮತ್ತು ತಪ್ಪಿಸಿಕೊಳ್ಳುವಿಕೆ

ಈ ಕ್ರಮವು ಮುಖ್ಯವಾಗಿ EU AI Act ಅನ್ನು ಪಾಲಿಸುವ ಅಗತ್ಯದಿಂದ ಪ್ರೇರಿತವಾಗಿದೆ, ಆದರೂ ಪ್ರಾದೇಶಿಕ ವಿಭಜನೆಯನ್ನು ತಪ್ಪಿಸಲು Anthropic ಈ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಜಾಗತಿಕವಾಗಿ ಅನ್ವಯಿಸುತ್ತಿದೆ. ಆಗಸ್ಟ್ 2 ರ ನಂತರ ಬಿಡುಗಡೆಯಾದ ಎಲ್ಲಾ Claude ಮಾಡೆಲ್‌ಗಳು ಈಗಾಗಲೇ ವಾಟರ್‌ಮಾರ್ಕಿಂಗ್ ಅನ್ನು ಬೆಂಬಲಿಸುತ್ತವೆ, ಹಳೆಯ ಮಾಡೆಲ್‌ಗಳನ್ನು ಕೂಡ ಇದಕ್ಕಾಗಿ ಸಿದ್ಧಪಡಿಸಲಾಗುತ್ತಿದೆ. ಆದಾಗ್ಯೂ, ಈ ವ್ಯವಸ್ಥೆಯ ಪರಿಣಾಮಕಾರಿತ್ವವು ಚರ್ಚೆಯಲ್ಲಿದೆ; ಪ್ಯಾರಾಫ್ರೇಸಿಂಗ್ (paraphrasing) ಮೂಲಕ ಈ ಗುರುತುಗಳನ್ನು ತೆಗೆದುಹಾಕಲು Declaude ನಂತಹ ಪರಿಕರಗಳನ್ನು ಈಗಾಗಲೇ ಬಳಸಲಾಗುತ್ತಿದೆ. ಇದು ವಾಟರ್‌ಮಾರ್ಕಿಂಗ್ ನಿಯಂತ್ರಕರಿಗೆ ತೃಪ್ತಿ ನೀಡಬಹುದಾದರೂ, ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ತಪ್ಪಿಸಿಕೊಳ್ಳುವುದನ್ನು ತಡೆಯಲು ಇದು ಕಷ್ಟವಾಗಬಹುದು ಎಂದು ಸೂಚಿಸುತ್ತದೆ.

ಪ್ರಮುಖ ಅಂಶಗಳು

  • ಸಂಭವನೀಯ ಪತ್ತೆ (Probabilistic Detection): Anthropic ಒಂದು SynthID-ಶೈಲಿಯ ವಿಧಾನವನ್ನು ಬಳಸುತ್ತದೆ, ಇದು ದೃಶ್ಯಮಣವಾಗಿ ಕಾಣುವ ಅಕ್ಷರಗಳನ್ನು ಸೇರಿಸುವ ಬದಲು ಟೋಕನ್ ಆಯ್ಕೆಯ ಯಾದೃಚ್ಛಿಕತೆಯನ್ನು ಬದಲಾಯಿಸುತ್ತದೆ, ಇದರಿಂದಾಗಿ ವಾಟರ್‌ಮಾರ್ಕ್ ಸಾಂಖ್ಯಿಕವಾಗಿ ಪತ್ತೆಹಚ್ಚಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ ಆದರೆ ದೃಶ್ಯವಾಗಿ ಅಡಗಿರುತ್ತದೆ.
  • ಗುಣಮಟ್ಟದ ಹೊಂದಾಣಿಕೆಗಳು (Quality Trade-offs): ವಾಟರ್‌ಮಾರ್ಕ್ ಮಾದರಿಯನ್ನು ಕಾಯ್ದುಕೊಳ್ಳಲು ನಿರ್ದಿಷ್ಟ ಪದಗಳ ಆಯ್ಕೆಯನ್ನು ಒತ್ತಾಯಿಸುವುದು ಸಹಜವಾಗಿಯೇ ಅರ್ಥದ ನಿಖರತೆ ಮತ್ತು ಶೈಲಿಯ ಸೂಕ್ಷ್ಮತೆಯನ್ನು ಬಲಿ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ ಎಂದು ವಿಮರ್ಶಕರು ವಾದಿಸುತ್ತಾರೆ.
  • ಕಾನೂನು ಹೊಣೆಗಾರಿಕೆ (Legal Liability): ವಾಟರ್‌ಮಾರ್ಕ್‌ಗಳ "ಅಂಟಿಕೊಳ್ಳುವ" ಸ್ವಭಾವವು ಎಂದರೆ AI-ಸೃಷ್ಟಿತ ಪಠ್ಯವು ಭವಿಷ್ಯದ ದಾಖಲೆಗಳಿಗೆ ಪತ್ತೆಹಚ್ಚಬಹುದಾದ ಮಾದರಿಗಳನ್ನು ಕೊಂಡೊಯ್ಯಬಹುದು, ಇದು ಕಾನೂನು ಸಂಸ್ಥೆಗಳು ಮತ್ತು ಕಟ್ಟುನಿಟ್ಟಾದ ನಿಯಮವಿರುವ ಉದ್ಯಮಗಳಿಗೆ ಪಾರದರ್ಶಕತೆಯ ಅಪಾಯಗಳನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ.