ವೇಗದ AI ಕಂಟೆಂಟ್ ಮಾಡರೇಷನ್ ಬದಲಾವಣೆಯಿಂದಾಗಿ Meta ಕಂಪನಿಯು ಆಂತರಿಕ ವಿರೋಧವನ್ನು ಎದುರಿಸುತ್ತಿದೆ

Meta ತನ್ನ ಕಂಟೆಂಟ್ ಮಾಡರೇಷನ್ (ವಿಷಯದ ಮೇಲ್ವಿಚಾರಣೆ) ಮೂಲಸೌಕರ್ಯವನ್ನು ಮಾನವ ಮೇಲ್ವಿಚಾರಣೆಯಿಂದ Large Language Models (LLMs) ಗೆ ವೇಗವಾಗಿ ಪರಿವರ್ತಿಸುತ್ತಿದೆ. 2025 ರ ಅಂತ್ಯದ ವೇಳೆಗೆ ನಿರ್ದಿಷ್ಟ ರೀತಿಯ ಕಂಟೆಂಟ್ ವಿಧಗಳ ಶೇಕಡಾ 90 ಕ್ಕೂ ಹೆಚ್ಚು ಭಾಗವನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುವ ಗುರಿಯನ್ನು ಇದು ಹೊಂದಿದೆ. ಕಂಪನಿಯು ಅಭೂತಪೂರ್ವ ನಿಖರತೆಯನ್ನು ಭರವಸೆ ನೀಡುತ್ತಿದ್ದರೂ, ಈ ವೇಗದ ಅನುಷ್ಠಾನವು ವಿಷಯದ ಸೂಕ್ಷ್ಮತೆ ಮತ್ತು ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಸುರಕ್ಷತೆಯನ್ನು ಕಬಳಿಸಬಹುದು ಎಂದು ಆಂತರಿಕ ಎಚ್ಚರಿಕೆಗಳು ಸೂಚಿಸುತ್ತಿವೆ.

ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುವಿಕೆಯ ಒತ್ತಡ ಮತ್ತು "Muse Spark" ಪರಿವರ್ತನೆ

Meta ನ ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುವಿಕೆಯ ಬದಲಾವಣೆಯ ಪ್ರಮಾಣವು ಬೃಹತ್ ಆಗಿದೆ. 2025 ರ ಆರಂಭದ ವೇಳೆಗೆ, ಈ ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮ ದೈತ್ಯ ಸಂಸ್ಥೆಯು ಈಗಾಗಲೇ ಮಾನವ ಮಾಡರೇಷನ್ ವಿನಂತಿಗಳ ಸುಮಾರು 50% ರಷ್ಟು ಭಾಗವನ್ನು AI ಮಾಡೆಲ್‌ಗಳಿಂದ ಬದಲಾಯಿಸಿದೆ. ಮೂಲ ತಂತ್ರಜ್ಞಾನದಲ್ಲಿ ಗಮನಾರ್ಹ ಆಂತರಿಕ ಬದಲಾವಣೆಯಾಗಿದೆ ಎಂದು ವರದಿಗಳು ಸೂಚಿಸುತ್ತಿವೆ: Meta ಮಾಡರೇಷನ್ ಮತ್ತು ಬೆಂಬಲ ಕಾರ್ಯಗಳಿಗಾಗಿ Google ನ Gemini ಬಳಕೆಯನ್ನು ಬಿಟ್ಟು, ತನ್ನದೇ ಆದ ಪ್ರೊಪ್ರೈಟರಿ ಫೌಂಡೇಶನ್ ಮಾಡೆಲ್ ಆದ Muse Spark ಅನ್ನು ಬಳಸಲು ಮುಂದಾಗಿದೆ.

Muse Spark ಅನ್ನು ಮಾನವ ವಿಮರ್ಶಕರು ತೆಗೆದುಕೊಂಡ ಹಿಂದಿನ ನಿರ್ಧಾರಗಳನ್ನು ಒಳಗೊಂಡ ಐತಿಹಾಸಿಕ ಡೇಟಾಸೆಟ್‌ಗಳ ಮೇಲೆ ವಿಶೇಷವಾಗಿ ತರಬೇತಿಗೊಳಿಸಲಾಗಿದೆ. ಇದು Meta ನ AI ಸ್ಟ್ಯಾಕ್ ಅನ್ನು ಕ್ರೋಢೀಕರಿಸುವ ಬೃಹತ್ ಕಾರ್ಯತಂತ್ರದ ಭಾಗವಾಗಿದೆ. ಇದು ಬಾಹ್ಯ ಪೂರೈಕೆದಾರರ ಮೇಲಿನ ಅವಲಂಬನೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುವುದರ ಜೊತೆಗೆ, ತನ್ನ ಮಾಡರೇಷನ್ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಸುಧಾರಿಸಲು ತನ್ನದೇ ಆದ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವ ದತ್ತಾಂಶದ ಬೃಹತ್ ಸಂಗ್ರಹವನ್ನು ಬಳಸಿಕೊಳ್ಳುತ್ತದೆ.

ದಕ್ಷತೆ vs ನಿಖರತೆ: ಕಾರ್ಪೊರೇಟ್ ನಿರೂಪಣೆ

ಕಾರ್ಪೊರೇಟ್ ದೃಷ್ಟಿಕೋನದಿಂದ ನೋಡುವುದಾದರೆ, ಈ ಕ್ರಮವು ಕೇವಲ ವೆಚ್ಚ ಕಡಿತದ ಕ್ರಮವಾಗಿರದೆ ಗುಣಮಟ್ಟದಲ್ಲಿನ ಬೃಹತ್ ಜಿಗಿತವಾಗಿ ಬಿಂಬಿಸಲ್ಪಟ್ಟಿದೆ. ಈ ಬದಲಾವಣೆಯು Meta ಗೆ ವಾರ್ಷಿಕವಾಗಿ ಶತಕೋಟಿ ಡಾಲರ್‌ಗಳನ್ನು ಉಳಿಸಬಹುದು ಎಂದು Financial Times ಸೂಚಿಸಿದರೂ, ಕಂಪನಿಯು ಕಾರ್ಯಕ್ಷಮತೆಯ ಮಾಪಕಗಳ ಮೇಲೆ ಹೆಚ್ಚಿನ ಒತ್ತು ನೀಡುತ್ತಿದೆ. ಮಾರ್ಚ್ ತಿಂಗಳಿನಿಂದ, ತನ್ನ LLM ಗಳು ಎರಡು ಪ್ರಮುಖ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಮಾನವ ಮಾಡರೇಷನ್‌ಗಳಿಗಿಂತ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಿವೆ ಎಂದು Meta ಪ್ರತಿಪಾದಿಸಿದೆ: ನೀತಿಗಳನ್ನು ಜಾರಿಗೆ ತರುವಾಗ 13% ಕಡಿಮೆ ತಪ್ಪುಗಳನ್ನು ಮಾಡುವುದು ಮತ್ತು 10% ಹೆಚ್ಚು ನೈಜ ನೀತಿ ಉಲ್ಲಂಘನೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚುವುದು.

ವ್ಯಂಗ್ಯ (satire), ಆಡುಭಾಷೆ (slang) ಅಥವಾ ಬದಲಾಗುತ್ತಿರುವ ಭಾಷಾ ಪ್ರವೃತ್ತಿಗಳನ್ನು ಎದುರಿಸುವಾಗ ವಿಫಲವಾಗುವ ಸಾಂಪ್ರದಾಯಿಕ Machine Learning (ML) ವರ್ಗೀಕರಣಕಾರರಂತೆ (classifiers) ಅಲ್ಲದೆ, ಈ ಹೊಸ LLM ಗಳು ಸಂಕೀರ್ಣ ಸೂಕ್ಷ್ಮತೆಗಳನ್ನು ಗ್ರಹಿಸಲು ಮತ್ತು ಜಾಗತಿಕ ಭಾಷೆಗಳ ವಿಶಾಲ ವ್ಯಾಪ್ತಿಯಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ.

ಆಂತರಿಕ ಎಚ್ಚರಿಕೆಗಳು: ಮಾನವ ವೆಚ್ಚ ಮತ್ತು ತಪ್ಪುಗಳ ಪ್ರಮಾಣ

ನಾಯಕತ್ವವು ಒದಗಿಸಿದ ಆಶಾವಾದಿ ದತ್ತಾಂಶದ ಹೊರತಾಗಿಯೂ, Meta ಉದ್ಯೋಗಿಗಳು ಈ ಅನುಷ್ಠಾನದ ವೇಗದ ಬಗ್ಗೆ ಎಚ್ಚರಿಕೆ ನೀಡುತ್ತಿದ್ದಾರೆ. ಮಾಡೆಲ್‌ಗಳು ಇನ್ನೂ ಸಂದರ್ಭವನ್ನು (context) ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಕಷ್ಟಪಡುತ್ತಿವೆ ಮತ್ತು ಇದು ಪದೇ ಪದೇ ಹಾನಿಕಾರಕವಲ್ಲದ ಕಂಟೆಂಟ್ ಅನ್ನು ತೆಗೆದುಹಾಕುವುದು ಅಥವಾ "shadow-banning" ಮಾಡುವುದಕ್ಕೆ ಕಾರಣವಾಗುತ್ತಿದೆ ಎಂದು ಒಳಗಿನವರು ಎಚ್ಚರಿಸಿದ್ದಾರೆ. ಮಾನವ ಹಸ್ತಕ್ಷೇಪದ (human-in-the-loop) ಅಂಶವನ್ನು ವೇಗವಾಗಿ ಹಂತ ಹಂತವಾಗಿ ತೆಗೆದುಹಾಕುತ್ತಿರುವಾಗ, ಈ ಸ್ವಯಂಚಾಲಿತ ತಪ್ಪುಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಸಾಕಷ್ಟು ಮೇಲ್ವಿಚಾರಣೆಯ ಕೊರತೆಯೇ ಸಿಬ್ಬಂದಿಯ ಪ್ರಮುಖ ಆತಂಕವಾಗಿದೆ.

ಈ ತಾಂತ್ರಿಕ ಬದಲಾವಣೆಯು ಕಂಪನಿಯ ಪರಿಸರ ವ್ಯವಸ್ಥೆಯೊಳಗೆ ತಕ್ಷಣದ ಸಾಮಾಜಿಕ-ಆರ್ಥಿಕ ಪರಿಣಾಮಗಳನ್ನು ಬೀರುತ್ತಿದೆ. ಈ ಆಕ್ರಮಣಕಾರಿ ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುವಿಕೆಯು ನೇರವಾಗಿ ಉದ್ಯೋಗ ಕಡಿತಕ್ಕೆ ಕಾರಣವಾಗುತ್ತಿದೆ, ವಿಶೇಷವಾಗಿ ಈ ಹಿಂದೆ ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ಮ್ಯಾನುಯಲ್ ಮಾಡರೇಷನ್ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸುತ್ತಿದ್ದ ಬಾಹ್ಯ ಗುತ್ತಿಗೆದಾರರ ಬೃಹತ್ ಕಾರ್ಯಪಡೆಯನ್ನು ಇದು ತಲುಖುತ್ತಿದೆ.

AI ಪರಿಸರಕ್ಕೆ ಇದು ಏಕೆ ಮುಖ್ಯ

Meta ನ ಈ ಪ್ರಯೋಗವು ಇಡೀ ತಂತ್ರಜ್ಞಾನ ಉದ್ಯಮಕ್ಕೆ ಒಂದು ನಿರ್ಣಾಯಕ ಸೂಚಕವಾಗಿದೆ. ಕಂಪನಿಗಳು "AI-ಸಹಾಯದ" ಮಾಡರೇಷನ್‌ನಿಂದ "AI-ನಾಯಕತ್ವದ" ಮಾಡರೇಷನ್‌ಗೆ ಬದಲಾಗುತ್ತಿರುವಾಗ, ಉದ್ಯಮವು ವಿಸ್ತರಿಸುವ ಸಾಮರ್ಥ್ಯ (scalability) ಮತ್ತು ಅಭಿವ್ಯಕ್ತಿ ಸ್ವಾತಂತ್ರ್ಯದ ಸಂರಕ್ಷಣೆಯ ನಡುವಿನ ಸಂಘರ್ಷವನ್ನು ಎದುರಿಸಬೇಕಾಗುತ್ತದೆ. Muse Spark ನಂತಹ ಫೌಂಡೇಶನ್ ಮಾಡೆಲ್ ಮಾನವ ವ್ಯಂಗ್ಯ ಮತ್ತು ಸಾಂಸ್ಕೃತಿಕ ಸೂಕ್ಷ್ಮತೆಗಳ ಸಂಕೀರ್ಣತೆಯನ್ನು ಯಶಸ್ವಿಯಾಗಿ ನಿಭಾಯಿಸಿದರೆ, ಅದು ಸ್ವಯಂಚಾಲಿತ ಆಡಳಿತಕ್ಕೆ ಹೊಸ ಮಾನದಂಡವನ್ನು ಸ್ಥಾಪಿಸುತ್ತದೆ. ಆದರೆ, ಉದ್ಯೋಗಿಗಳು ವರದಿ ಮಾಡಿದ ತಪ್ಪುಗಳು ಮುಂದುವರಿದರೆ, ಸಮಾಜದ ಚರ್ಚೆಗಳ ಮೇಲ್ವಿಚಾರಣೆಯ ಸಂಪೂರ್ಣ ಜವಾಬ್ದಾರಿಯನ್ನು ಹೊರಲು LLM ಗಳು ಇನ್ನೂ ಸಿದ್ಧವಾಗಿಲ್ಲ ಎಂಬುದನ್ನು ಇದು ಸೂಚಿಸಬಹುದು.

ಪ್ರಮುಖ ಅಂಶಗಳು

• ಬೃಹತ್ ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುವಿಕೆಯ ಪ್ರಮಾಣ: Meta 2025 ರ ಅಂತ್ಯದ ವೇಳೆಗೆ ಕೆಲವು ಕಂಟೆಂಟ್ ಮಾಡರೇಷನ್ ಕಾರ್ಯಗಳ ಶೇಕಡಾ 90 ಕ್ಕೂ ಹೆಚ್ಚು ಭಾಗವನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುವ ಗುರಿಯನ್ನು ಹೊಂದಿದೆ, ಈಗಾಗಲೇ ಶೇಕಡಾ 50 ರಷ್ಟು ಬದಲಾವಣೆಯನ್ನು ತಲುಪಿದೆ.
• ಪ್ರೊಪ್ರೈಟರಿ ಬದಲಾವಣೆ: Meta ತನ್ನದೇ ಆದ ಫೌಂಡೇಶನ್ ಮಾಡೆಲ್ ಆದ Muse Spark ಅನ್ನು ಬಳಸುವ ಮೂಲಕ Google ನ Gemini ಅನ್ನು ಬದಲಾಯಿಸುತ್ತಿದೆ, ಇದನ್ನು ಐತಿಹಾಸಿಕ ಮಾನವ ಮಾಡರೇಷನ್ ದತ್ತಾಂಶದ ಮೇಲೆ ತರಬೇತಿಗೊಳಿಸಲಾಗಿದೆ.
• ದಕ್ಷತೆ vs ವಿಶ್ವಾಸಾರ್ಹತೆಯ ಅಂತರ: ತಪ್ಪುಗಳಲ್ಲಿ 13% ಕಡಿತವಾಗಿದೆ ಎಂದು Meta ಪ್ರತಿಪಾದಿಸಿದರೂ, ವೇಗದ ಅನುಷ್ಠಾನದ ಸಮಯದಲ್ಲಿ ಅತಿಯಾದ shadow-banning ಮತ್ತು ಅಸಮರ್ಪಕ ಮೇಲ್ವಿಚಾರಣೆಯ ಬಗ್ಗೆ ಉದ್ಯೋಗಿಗಳು ಎಚ್ಚರಿಸುತ್ತಿದ್ದಾರೆ.