ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ (AI) ಹೆಚ್ಚಿನ ಸುದ್ದಿಗಳು ಕೇವಲ ಗದ್ದಲದಂತಿವೆ. ಉತ್ಪನ್ನಗಳ ಅಪ್‌ಡೇಟ್‌ಗಳು, ಫಂಡಿಂಗ್ 라ೌಂಡ್‌ಗಳು ಮತ್ತು ಬೆಂಚ್‌ಮಾರ್ಕ್ ಹೋರಾಟಗಳು ತುರ್ತು ಎಂದು ತೋರುವ ಆದರೆ ಹೆಚ್ಚು ಬದಲಾವಣೆ ಮಾಡದ ಫೀಡ್ ಆಗಿ ಒಂದಕ್ಕೊಂದು ಬೆರೆತು ಹೋಗುತ್ತವೆ. ಈ ವಾರ ವಿಭಿನ್ನವಾಗಿತ್ತು. ಮೂರು ನೈಜ ಬದಲಾವಣೆಗಳು ಸಂಭವಿಸಿದವು, ಮತ್ತು ಅವೆಲ್ಲವೂ ಒಂದೇ ದಿಕ್ಕನ್ನು ತೋರಿಸುತ್ತಿವೆ: ಉದ್ಯಮವು ಕೇವಲ ಮಾದರಿಯ ಕಚ್ಚಾ ಶಕ್ತಿಯಿಂದ (raw model power) ನಿಯಂತ್ರಣ, ಭದ್ರತೆ ಮತ್ತು ಕಾನೂನಿನ ಕಡೆಗೆ ತಿರುಗುತ್ತಿದೆ.

ನೀವು ಉತ್ಪನ್ನಗಳನ್ನು ನಿರ್ಮಿಸುತ್ತಿರಲಿ, ಪರಿಕರಗಳನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳುತ್ತಿರಲಿ ಅಥವಾ ಕೇವಲ ನಿಮ್ಮ ಡೇಟಾವನ್ನು ಸುರಕ್ಷಿತವಾಗಿಡಲು ಪ್ರಯತ್ನಿಸುತ್ತಿರಲಿ, ಈ ಬದಲಾವಣೆಯು ಬಹಳ ಮುಖ್ಯವಾಗಿದೆ.

ಮಾದರಿಗಳ ಅಡಿಯಲ್ಲಿ ನೆಲ ಚಲಿಸುತ್ತಿದೆ

ಕಳೆದ ಎರಡು ವರ್ಷಗಳಿಂದ, ಕಥೆ ಸರಳವಾಗಿತ್ತು. ದೊಡ್ಡ ಮಾದರಿಗಳು. ಉತ್ತಮ ಸ್ಕೋರ್‌ಗಳು. ವೇಗವಾದ ಇನ್ಫರೆನ್ಸ್ (inference). ಈ ವಾರ, ಆ ನಿರೂಪಣೆಯು ಬದಲಾಗಿದೆ. ಹೊಸ ಮಾದರಿಗಳ ಬಿಡುಗಡೆಗಳು ನಡೆದಿದ್ದರೂ, ಸಂಸ್ಥೆಗಳು AI ಅನ್ನು ಹೇಗೆ ಬಳಸುತ್ತವೆ ಎಂಬುದನ್ನು ವಾಸ್ತವವಾಗಿ ಮರುರೂಪಿಸುವ ಸುದ್ದಿಗಳು ಒಂದು ಸ್ಯಾಂಡ್‌ಬಾಕ್ಸ್ (sandbox) ಮುರಿದುಬಿದ್ದ ಬಗ್ಗೆ ಮತ್ತು ಸರ್ಕಾರಗಳು ತಾವಾಗೆಲ್ಲಾ ಸಾಕಷ್ಟು ಕಾಯಿದ್ದೇವೆ ಎಂದು ನಿರ್ಧರಿಸಿದ ಬಗ್ಗೆ ಇವೆ.

ಸಂದೇಶ ಸ್ಪಷ್ಟವಾಗಿದೆ. ಕೇವಲ ಕಾರ್ಯಕ್ಷಮತೆಯು (performance) ಉದ್ಯಮಗಳ ಅಥವಾ ಸಾರ್ವಜನಿಕರ ನಂಬಿಕೆಯನ್ನು ಗೆಲ್ಲಲಾರದು. ಸುರಕ್ಷತೆ ಮತ್ತು ಆಡಳಿತ (governance) ಈಗ ಮುಖ್ಯ ವಿಷಯಗಳಾಗುತ್ತಿವೆ.

Google ತನ್ನ Gemini ಲೈನ್ಅಪ್ ಅನ್ನು ವಿಸ್ತರಿಸುತ್ತಿದೆ

Google ಮೂರು ಹೊಸ Gemini ಮಾದರಿಗಳನ್ನು ಬಿಡುಗಡೆ ಮಾಡಿದೆ, ಪ್ರತಿಯೊಂದೂ ವಿಭಿನ್ನ ರೀತಿಯ ಕೆಲಸಕ್ಕಾಗಿ ರೂಪಿಸಲಾಗಿದೆ. ಮೇಲ್ನೋಟಕ್ಕೆ, ಇದು ಮಾದರಿ ಕುಟುಂಬದ ಸಾಮಾನ್ಯ ವಿಸ್ತರಣೆಯಂತೆ ಕಾಣುತ್ತದೆ. ಆದರೆ, ಇದರ ಅಡಿಯಲ್ಲಿ, AI ಪೂರೈಕೆದಾರರು ಈಗ ನಿಯೋಜನೆಯ (deployment) ಬಗ್ಗೆ ಹೇಗೆ ಯೋಚಿಸುತ್ತಿದ್ದಾರೆ ಎಂಬುದು ತಿಳಿಯುತ್ತದೆ.

ವಿಭಿನ್ನ ಕಾರ್ಯಗಳಿಗೆ ವಿಭಿನ್ನ ಪ್ರಮಾಣದ ಕಂಪ್ಯೂಟ್ (compute) ಅಗತ್ಯವಿರುತ್ತದೆ. ಸಂಕೀರ್ಣ ವಿಶ್ಲೇಷಣೆ, ಕೋಡಿಂಗ್ ನೆರವು ಅಥವಾ ಬಹು-ಹಂತದ ಸಂಶೋಧನೆಗೆ ಬೃಹತ್ ರೀಸನಿಂಗ್ (reasoning) ಮಾದರಿಯು ಸೂಕ್ತವಾಗಿದೆ. ಆದರೆ ಸಪೋರ್ಟ್ ಟಿಕೆಟ್‌ಗಳನ್ನು ವರ್ಗೀಕರಿಸಲು ಅಥವಾ ಇಮೇಲ್ ಉತ್ತರಗಳನ್ನು ಸಿದ್ಧಪಡಿಸಲು ಇದು ಅತಿಯಾದ ಅಗತ್ಯವಿಲ್ಲದ (overkill) ವಿಷಯವಾಗಿದೆ. ಹಲವಾರು ವಿಧದ ಮಾದರಿಗಳನ್ನು ಬಿಡುಗಡೆ ಮಾಡುವ ಮೂಲಕ, ಕೇವಲ ಲೀಡರ್‌ಬೋರ್ಡ್ ಶ್ರೇಯಾಂಕಗಳಿಗಷ್ಟೇ ಅಲ್ಲದೆ, ನೈಜ ವ್ಯವಹಾರದ ಮಿತಿಗಳಿಗೆ ಅನುಗುಣವಾಗಿ ಗ್ರಾಹಕರಿಗೆ ಆಯ್ಕೆಗಳ ಅಗತ್ಯವಿದೆ ಎಂಬುದನ್ನು Google ಒಪ್ಪಿಕೊಳ್ಳುತ್ತಿದೆ.

ವೃತ್ತಿಪರರಿಗೆ (practitioners), ಇದು ಖರೀದಿ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಬದಲಾಯಿಸುತ್ತದೆ. ನೀವು ಈಗ ಕೆಲಸಕ್ಕೆ ತಕ್ಕಂತೆ ಮಾದರಿಯನ್ನು ಹೆಚ್ಚು ನಿಖರವಾಗಿ ಹೊಂದಾಣಿಕೆ ಮಾಡಿಕೊಳ್ಳಬಹುದು. ಎಡ್ಜ್‌ನಲ್ಲಿ (edge) ಚಲಿಸುವ ಲಘು ಮಾದರಿಯು (lightweight model) ಕಡಿಮೆ ವೆಚ್ಚದೊಂದಿಗೆ ವೇಗವಾಗಿ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತದೆ. API ಹಿಂದೆ ಇರುವ ಭಾರೀ ಮಾದರಿಯು (heavyweight model) ಕಠಿಣ ಕೆಲಸಗಳನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ. ಸರಳ ಕೆಲಸಗಳಿಗಾಗಿ ಟೋಕನ್‌ಗಳನ್ನು ವ್ಯರ್ಥ ಮಾಡದಂತೆ, ವಿನಂತಿಗಳನ್ನು (requests) ಬುದ್ಧಿವಂತಿಕೆಯಿಂದ ಮಾರ್ಗದರ್ಶಿಸುವ ವ್ಯವಸ್ಥೆಗಳನ್ನು ನಿರ್ಮಿಸುವುದೇ ಇಲ್ಲಿನ ತಂತ್ರವಾಗಿದೆ.

ಇದು ಒಂದು ಪ್ರಾಯೋಗಿಕ ಪ್ರಶ್ನೆಯನ್ನೂ ಎತ್ತುತ್ತದೆ. ಹೆಚ್ಚಿನ ಸಂಸ್ಥೆಗಳು ಈಗಾಗಲೇ ವಿವಿಧ ಪೂರೈಕೆದಾರರಿಂದ ಹಲವಾರು ಮಾದರಿಗಳನ್ನು ಬಳಸುತ್ತಿವೆ. ಇನ್ನೂ ಮೂರು Gemini ವಿಧಗಳನ್ನು ಸೇರಿಸುವುದು ಎಂದರೆ ನಿಮ್ಮ ಮೌಲ್ಯಮಾಪನ ಪ್ರಕ್ರಿಯೆಯು (evaluation pipeline) ಅದರೊಂದಿಗೆ ಹೊಂದಿಕೆಯಾಗಬೇಕಾಗುತ್ತದೆ. ನಿಮ್ಮ ತಂಡವು ಇನ್ನೂ ಕೆಲವು ಪ್ರಾಂಪ್ಟ್‌ಗಳನ್ನು (prompts) ಕೈಯಿಂದ ಚಲಾಯಿಸುವ ಮೂಲಕ ಮಾದರಿಗಳನ್ನು ಪರೀಕ್ಷಿಸುತ್ತಿದ್ದರೆ, ನಿಮ್ಮ ಸ್ವಂತ ಡೇಟಾವನ್ನು ಬಳಸಿಕೊಂಡು ಒಂದು ರಚನಾತ್ಮಕ ಬೆಂಚ್‌ಮಾರ್ಕ್ ಅನ್ನು ನಿರ್ಮಿಸುವ ಸಮಯ ಬಂದಿದೆ. ಕಾರ್ಯಕ್ಷಮತೆಯ ಬಗ್ಗೆ ಮಾರಾಟಗಾರರ (vendors) ಹೇಳಿಕೆಗಳು ನಿಮ್ಮ ನಿರ್ದಿಷ್ಟ ದಾಖಲೆಗಳು, ನಿಮ್ಮ ನಿರ್ದಿಷ್ಟ ಬಳಕೆದಾರರು ಅಥವಾ ನಿಮ್ಮ ನಿರ್ದಿಷ್ಟ ವಿಳಂಬದ (latency) ಅಗತ್ಯಗಳಿಗೆ ಸರಿಯಾಗಿ ಹೊಂದಿಕೆಯಾಗುವುದು ಅಪರೂಪ.

ಸ್ಯಾಂಡ್‌ಬಾಕ್ಸ್ ಒಡೆದಾಗ

ಹೊಸ ಮಾದರಿಗಳು ಗಮನ ಸೆಳೆದರೂ, AI ಸ್ಯಾಂಡ್‌ಬಾಸ್‌ನ ಒಳಗಿನ ಭದ್ರತಾ ಘಟನೆಯು ಎಂಜಿನಿಯರಿಂಗ್ ಸಮುದಾಯಕ್ಕೆ ಕಠಿಣ ಸಂದೇಶವನ್ನು ನೀಡಿದೆ. ಸ್ಯಾಂಡ್‌ಬಾಸ್‌ಗಳು ಒಂದು ಕಾರಣಕ್ಕಾಗಿ ಇರುತ್ತವೆ. ಅವು AI ಅನ್ನು ಸೂಕ್ಷ್ಮ ವ್ಯವಸ್ಥೆಗಳಿಂದ ಪ್ರತ್ಯೇಕಿಸುತ್ತವೆ, ಇದರಿಂದ ತಂಡಗಳು ಪ್ರೊಡಕ್ಷನ್ ಡೇಟಾ ಅಥವಾ ನಿರ್ಣಾಯಕ ಮೂಲಸೌಕರ್ಯಗಳನ್ನು ಬಹಿರಂಗಪಡಿಸದೆ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಪರೀಕ್ಷಿಸಬಹುದು.

ಈ ಉಲ್ಲಂಘನೆಯು ಪ್ರತ್ಯೇಕತೆಯು ಸಂಪೂರ್ಣವಲ್ಲ ಎಂದು ತೋರಿಸಿಕೊಟ್ಟಿದೆ. ಎಂಜಿನಿಯರ್‌ಗಳು ಸುರಕ್ಷಿತ ಎಂದು ಭಾವಿಸಿದ ಪರಿಸರದಲ್ಲಿ ಸುರಕ್ಷತಾ ಕ್ರಮಗಳು ವಿಫಲವಾದಾಗ, ಇದು ಕಲ್ಪಿತ ಮತ್ತು ನೈಜ ಅಪಾಯಗಳ ನಡುವಿನ ಅಪಾಯಕಾರಿ ಅಂತರವನ್ನು ಎತ್ತಿ ತೋರಿಸುತ್ತದೆ.

ಇದು ಕೇವಲ ಒಂದು ಅಮೂರ್ತ ಕಾಳಜಿಯಲ್ಲ. ಕಂಪನಿಗಳು ಈಗಾಗಲೇ ಮಾಲೀಕತ್ವದ ಡೇಟಾವನ್ನು (proprietary data) AI ಪರಿಕರಗಳಿಗೆ ನೀಡುತ್ತಿವೆ, ಭಾಷಾ ಮಾದರಿಗಳನ್ನು (language models) ಆಂತರಿಕ ಡೇಟಾಬೇಸ್‌ಗಳಿಗೆ ಸಂಪರ್ಕಿಸುತ್ತಿವೆ ಮತ್ತು ಬಳಕೆದಾರರ ಪರವಾಗಿ ಸಾಫ್ಟ್‌ವೇರ್‌ಗಳೊಂದಿಗೆ ಏಜೆಂಟ್‌ಗಳು ಸಂವಹನ ನಡೆಸಲು ಬಿಡುತ್ತಿವೆ. ಪ್ರತಿಯೊಂದು ಏಕೀಕರಣವು (integration) ಸ್ಯಾಂಡ್‌ಬಾಕ್ಸ್‌ನಿಂದ ಹೊರಬರಲು ಒಂದು ಸಂಭಾವ್ಯ ಹಾದಿಯನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ. ಮಾದರಿಯನ್ನು ನಿಯಂತ್ರಿಸಲು ಉದ್ದೇಶಿಸಿದ ನಿಯಂತ್ರಣಗಳು ಮುರಿದರೆ, ಡೇಟಾ ಸೋರಿಕೆ, ಅನಧಿಕೃತ ಕ್ರಮಗಳು ಮತ್ತು ಅನುಸರಣೆ ಉಲ್ಲಂಘನೆಗಳು (compliance violations) ತಕ್ಷಣವೇ ಸಂಭವಿಸುತ್ತವೆ.

ಈ ಘಟನೆಯು ಸುರಕ್ಷತೆಯನ್ನು ಹೇಗೆ ಪರೀಕ್ಷಿಸಬೇಕು ಎಂಬುದರ ಬಗ್ಗೆ ತಂಡಗಳು ಮರುಚಿಂತನೆ ಮಾಡುವಂತೆ ಮಾಡಬೇಕು. ಬಿಡುಗಡೆಗೆ ಮೊದಲು ಒಮ್ಮೆ ರೆಡ್-ಟೀಮ್ (red-team) ವ್ಯಾಯಾಮಗಳನ್ನು ಮಾಡುವುದು ಸಾಕಾಗುವುದಿಲ್ಲ. ಮಾದರಿಗಳು ಬದಲಾಗುತ್ತಿರುತ್ತವೆ (drift), ಪ್ರಾಂಪ್ಟ್‌ಗಳು ರೂಪಾಂತರಗೊಳ್ಳುತ್ತವೆ ಮತ್ತು ಏಕೀಕರಣಗಳು ನಿರಂತರವಾಗಿ ದಾಳಿ ಮಾಡುವ ಮೇಲ್ಮೈಯನ್ನು (attack surface) ವಿಸ್ತರಿಸುತ್ತವೆ. ನೀವು ಸ್ಯಾಂಡ್‌ಬಾಕ್ಸ್ ಅನ್ನು ಕೇವಲ ಅದರ ಒಳಗಿರುವ ಮಾದರಿಯಾಗಿ ಮಾತ್ರವಲ್ಲದೆ, ಒಂದು ಗುರಿಯನ್ನಾಗಿ ಪರಿಗಣಿಸುವ ಪುನರಾವರ್ತಿತ ಪ್ರತಿಕೂಲ ಪರೀಕ್ಷೆಗಳನ್ನು (adversarial testing) ನಡೆಸಬೇಕಾಗುತ್ತದೆ.

ಮೂರನೇ ವ್ಯಕ್ತಿಯ AI ಸೇವೆಗಳನ್ನು ಬಳಸುವ ವ್ಯವಹಾರಗಳಿಗೆ, ಪಾಠವು ಅಷ್ಟೇ ನೇರವಾಗಿದೆ. ನಿಮ್ಮ ಪೂರೈಕೆದಾರರ ಸ್ಯಾಂಡ್‌ಬಾಸ್‌ಗಳು ಹೇಗೆ ರಚಿತವಾಗಿವೆ ಎಂದು ನಿಖರವಾಗಿ ಕೇಳಿ. ಪ್ರಾಂಪ್ಟ್ ಇಂಜೆಕ್ಷನ್ (prompt injection) ಪ್ರಯತ್ನವು ಯಶಸ್ವಿಯಾದರೆ ಏನಾಗುತ್ತದೆ ಎಂದು ಕೇಳಿ. ಮಾದರಿಯು ಪ್ರವೇಶಿಸಬಾರದ ಡೇಟಾವನ್ನು ಪ್ರವೇಶಿಸಿದರೆ ಯಾರು ಜವಾಬ್ದಾರರಾಗುತ್ತಾರೆ ಎಂದು ಕೇಳಿ. ಉತ್ತರಗಳು ಅಸ್ಪಷ್ಟವಾಗಿದ್ದರೆ, ನಿಮ್ಮ ಡೇಟಾ ಈಗಾಗಲೇ ಅಪಾಯದಲ್ಲಿದೆ ಎಂದರ್ಥ.

ಸರ್ಕಾರಗಳು ಕೇವಲ ಗಮನಿಸುವುದರಿಂದ ನಿಯಮ ರೂಪಿಸುವಿಕೆಗೆ ಬದಲಾಗುತ್ತಿವೆ

ನಿಯಂತ್ರಕರು ಕಳೆದ ಹದಿನೆಂಟು ತಿಂಗಳುಗಳಿಂದ ತತ್ವಗಳನ್ನು ಪ್ರಕಟಿಸುವುದು, ವಿಚಾರಣೆಗಳನ್ನು ನಡೆಸುವುದು ಮತ್ತು ಚೌಕಟ್ಟುಗಳ ಬಗ್ಗೆ ಸುಳಿವು ನೀಡುವುದರಲ್ಲಿ ಸಮಯ ಕಳೆದಿದ್ದಾರೆ. ಈ ವಾರ, ಅವರ ನಿಲುವು ಬದಲಾಗಿದೆ. ಸರ್ಕಾರಗಳು ಕೇವಲ ವೀಕ್ಷಣೆಯಿಂದ ನಿರ್ಣಾಯಕ ಕ್ರಮದ ಕಡೆಗೆ ಚಲಿಸಿವೆ, ನಿಯಂತ್ರಿತ ಉದ್ಯಮಗಳಲ್ಲಿ AI ನಿಯೋಜನೆಯು ವಾಸ್ತವವಾಗಿ ಹೇಗಿರಬೇಕು ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುವ ನಿಯಮಗಳನ್ನು ರೂಪಿಸುತ್ತಿವೆ.

ಅವರು ದೊಡ್ಡ ತಂತ್ರಜ್ಞಾನ ಕಂಪನಿಗಳತ್ತಲೂ ವಿಶೇಷ ಗಮನ ಹರಿಸುತ್ತಿದ್ದಾರೆ. ನಿಯಂತ್ರಕರು ಗಾತ್ರವನ್ನು ನೋಡಿದಾಗ, ಅವರು ಕೇಂದ್ರೀಕರಣವನ್ನು ನೋಡುತ್ತಿದ್ದಾರೆ. ಕೆಲವೇ ಕೆಲವು ಪೂರೈಕೆದಾರರು ಮೂಲಸೌಕರ್ಯ, ಮಾದರಿಗಳು ಮತ್ತು ವಿತರಣಾ ಚಾನಲ್‌ಗಳನ್ನು ಒದಗಿಸುವ ಮಾರುಕಟ್ಟೆಯು ವ್ಯವಸ್ಥಿತ ಅಪಾಯವನ್ನು (systemic risk) ಸೃಷ್ಟಿಸುತ್ತದೆ. ಒಂದು ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ತನ್ನ ಸುರಕ್ಷತಾ ನೀತಿ ಅಥವಾ ಬೆಲೆ ನಿಗದಿಗಿಡಲನ್ನು ರಾತ್ರೋರಾತ್ರಿ ಬದಲಾಯಿಸಿದರೆ, ಸಾವಿರಾರು ಕೆಳಮಟ್ಟದ ವ್ಯವಹಾರಗಳು ತಕ್ಷಣವೇ ಅದರ ಪರಿಣಾಮವನ್ನು ಅನುಭವಿಸುತ್ತವೆ.

ನಿರ್ವಾಹಕರಿಗೆ (Operators), ಬರಲಿರುವ ನಿಯಂತ್ರಣದ ಅಲೆ ಕೇವಲ ಅನುಸರಣೆಯ ತಲೆನೋವು ಮಾತ್ರವಲ್ಲ. ಇದು ನಿಮ್ಮ AI ಪೂರೈಕೆ ಸರಪಳಿಯನ್ನು (supply chain) ದಾಖಲಿಸಲು ಸಿಕ್ಕಿರುವ ಸಂಕೇತವಾಗಿದೆ. ನಿಮ್ಮ ಮಾದರಿಗಳು ಎಲ್ಲಿಂದ ಬಂದವು, ಅವು ಯಾವ ಡೇಟಾದ ಮೇಲೆ ತರಬೇತಿ ಪಡೆದವು ಮತ್ತು ನೀವು ಅವುಗಳ ಫಲಿತಾಂಶಗಳನ್ನು ಹೇಗೆ ಪರಿಶೀಲಿಸುತ್ತೀರಿ ಎಂದು ನಿಯಂತ್ರಕರು ತಿಳಿಯಲು ಬಯಸುತ್ತಾರೆ. ಸ್ವಯಂ-ಹೋಸ್ಟ್ ಮಾಡಲಾದ ಓಪನ್ ಮಾಡೆಲ್‌ಗಳು (Self-hosted open models) ಕೆಲವು ಮಾರಾಟಗಾರರ ನಿರ್ಧಾರಗಳಿಂದ ಉಂಟಾಗುವ ಆಘಾತಗಳಿಂದ ನಿಮ್ಮನ್ನು ರಕ್ಷಿಸಬಹುದು, ಆದರೆ ಅವು ತಮ್ಮದೇ ಆದ ದಾಖಲಾತಿ ಹೊರೆಗಳನ್ನು ತರುತ್ತವೆ.

ಈಗಲೇ ಸಿದ್ಧತೆ ಪ್ರಾರಂಭಿಸಿ. ನಿಮ್ಮ ಸಂಸ್ಥೆಯಲ್ಲಿ ಪ್ರಸ್ತುತ ಬಳಕೆಯಲ್ಲಿರುವ ಪ್ರತಿಯೊಂದು AI ಸಾಧನವನ್ನು ಗುರುತಿಸಿ, ಉದ್ಯೋಗಿಗಳು ತಮ್ಮ ಕಾರ್ಪೊರೇಟ್ ಇಮೇಲ್ ಬಳಸಿ ನೋಂದಾಯಿಸಿಕೊಂಡಿರುವ ಅನಧಿಕೃತ ಸಾಧನಗಳನ್ನೂ ಸಹ ಪಟ್ಟಿ ಮಾಡಿ. ಯಾವ ಪ್ರಕ್ರಿಯೆಗಳು ಸೂಕ್ಷ್ಮ ಗ್ರಾಹಕ ಡೇಟಾವನ್ನು ಬಳಸುತ್ತವೆ ಎಂಬುದನ್ನು ಗುರುತಿಸಿ. ಒಂದು ಸರಳ ಗವರ್ನೆನ್ಸ್ ಚೆಕ್‌ಲಿಸ್ಟ್ ತಯಾರಿಸಿ: ಮಾದರಿಯ ಮೂಲ (model source), ಡೇಟಾ ಉಳಿಸಿಕೊಳ್ಳುವ ನೀತಿ (data retention policy), ಮಾನವ ವಿಮರ್ಶಾ ಪ್ರೋಟೋಕಾಲ್ (human review protocol) ಮತ್ತು ಘಟನೆ ಪ್ರತಿಕ್ರಿಯೆ ಯೋಜನೆ (incident response plan). ನಿಯಮಗಳು ಬಂದಾಗ, ಈ ದಾಸ್ತಾವನ್ನು ಸಿದ್ಧವಾಗಿಟ್ಟುಕೊಂಡಿರುವುದು ವಾರಗಳಲ್ಲಿ ಹೊಂದಿಕೊಳ್ಳುವ ಕಂಪನಿಗಳನ್ನು ಮತ್ತು ತಿಂಗಳುಗಟ್ಟಲೆ ಪರದಾಡುವ ಕಂಪನಿಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸುತ್ತದೆ.

ಇದು ನಿಮ್ಮ ಕೆಲಸಕ್ಕೆ ಏನನ್ನು ಸೂಚಿಸುತ್ತದೆ

ಈ ಮೂರು ಘಟನೆಗಳ ನಡುವಿನ ಸಂಬಂಧವು ಪ್ರಾಯೋಗಿಕವಾಗಿದೆಯೇ ಹೊರತು ಸೈದ್ಧಾಂತಿಕವಲ್ಲ. ಗೊಂದಲದಲ್ಲಿ ಸಿಲುಕದೆ ಪ್ರತಿಕ್ರಿಯಿಸುವುದು ಹೇಗೆ ಎಂಬುದು ಇಲ್ಲಿದೆ.

  • ನಿಮ್ಮ ಮಾದರಿಗಳ ಮಿಶ್ರಣವನ್ನು ಪರಿಶೀಲಿಸಿ (Audit your model mix). ನೀವು ಎಲ್ಲದಕ್ಕೂ ಒಂದೇ ಮಾದರಿಯನ್ನು ಬಳಸುತ್ತಿದ್ದರೆ, ನೀವು ಬಹುಶಃ ಹೆಚ್ಚು ಹಣ ಪಾವತಿಸುತ್ತಿದ್ದೀರಿ ಮತ್ತು ಕಡಿಮೆ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪಡೆಯುತ್ತಿದ್ದೀರಿ ಎಂದರ್ಥ. ವಿಶೇಷ ಮಾದರಿಗಳು (specialized variants) ದಿನನಿತ್ಯದ ಕೆಲಸಗಳನ್ನು ಅಗ್ಗವಾಗಿ ಮತ್ತು ವೇಗವಾಗಿ ನಿರ್ವಹಿಸಬಲ್ಲವೇ ಎಂದು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ. ಮಾರ್ಕೆಟಿಂಗ್ ಡೆಮೋಗಳ ಬದಲಿಗೆ ನೈಜ ಕೆಲಸದ ಒತ್ತಡದ ಮೇಲೆ (real workloads) ಪರೀಕ್ಷೆಗಳನ್ನು ನಡೆಸಿ.

  • ಪ್ರತಿಯೊಂದು AI ಏಕೀಕರಣವನ್ನು (integration) ಒಂದು ಭದ್ರತಾ ಗಡಿಯೆಂದು ಪರಿಗಣಿಸಿ. ಸ್ಯಾಂಡ್‌ಬಾಕ್ಸ್ (sandbox) ವಿಫಲವಾಗಬಹುದು ಎಂದು ಭಾವಿಸಿ. ಮಾದರಿಗಳಿಗೆ ಕೆಲಸವನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು ಅಗತ್ಯವಿರುವ ಮಾಹಿತಿಯನ್ನು ಮಾತ್ರ ನೀಡುವುದರ ಮೂಲಕ ಡೇಟಾ ಎಕ್ಸ್‌ಪೋಸರ್ ಅನ್ನು ಮಿತಿಗೊಳಿಸಿ. ಸ್ಪಷ್ಟವಾದ ಲಾಗಿಂಗ್ (logging), ರೇಟ್ ಲಿಮಿಟಿಂಗ್ (rate limiting) ಮತ್ತು ಕಿಲ್ಲಾ ಸ್ವಿಚ್‌ಗಳನ್ನು (kill switches) ಹೊಂದಿಲ್ಲದ ಹೊರತು ಸಾಮಾನ್ಯ ಉದ್ದೇಶದ ಅಸಿಸ್ಟೆಂಟ್‌ಗಳನ್ನು ವಿಶಾಲವಾದ ಆಂತರಿಕ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಸಂಪರ್ಕಿಸುವುದನ್ನು ತಪ್ಪಿಸಿ.

  • ನಿಯಂತ್ರಣ ಬದಲಾವಣೆಗಳಿಗೆ ಅನುಗುಣವಾಗಿ ಸಿದ್ಧರಾಗಿ. ನಿಯಮಗಳು ಬರುತ್ತಿವೆ. ಪಾರದರ್ಶಕತೆ, ಪೂರ್ವಾಗ್ರಹ ಪರೀಕ್ಷೆ (bias testing) ಮತ್ತು ಮಾನವ ಮೇಲ್ವಿಚಾರಣೆಗಾಗಿ ಈಗಲೇ ಆಂತರಿಕ ನೀತಿಗಳನ್ನು ರೂಪಿಸಿ. ನೀವು ಕಾನೂನಿನ ಅಂತಿಮ ಪಠ್ಯಕ್ಕಾಗಿ ಕಾಯುತ್ತಿದ್ದರೆ, ಮೊದಲೇ ಸಿದ್ಧರಾದ ಸ್ಪರ್ಧಿಗಳಿಗಿಂತ ನೀವು ಈಗಾಗಲೇ ಹಿಂದೆ ಬಿದ್ದಿರುತ್ತೀರಿ.

  • ನಿಮ್ಮ ಗಮನವನ್ನು ನಿಯಂತ್ರಿಸಿ. ಪ್ರತಿಯೊಂದು ಸುದ್ದಿಯ ಹಿಂದೆಯೇ ಓಡಬೇಡಿ. ಒಂದು ಅಥವಾ ಎರಡು ವಿಶ್ವಾಸಾರ್ಹ ಮೂಲಗಳನ್ನು ಅನುಸರಿಸಿ, ಅವುಗಳನ್ನು ವಾರಕ್ಕೊಮ್ಮೆ ಪರಿಶೀಲಿಸಿ ಮತ್ತು ಉಳಿದ ಸಮಯವನ್ನು ನಿಮ್ಮ ಸ್ವಂತ ಅಗತ್ಯತೆಗಳಿಗೆ ಸಾಧನಗಳನ್ನು ಪರೀಕ್ಷಿಸಲು ಬಳಸಿ. ಉದ್ಯಮದ ಗೊಂದಲಗಳು ಅನಂತವಾಗಿವೆ. ಆದರೆ ನಿಮ್ಮ ವ್ಯವಹಾರದ ಸಂದರ್ಭವು ನಿರ್ದಿಷ್ಟವಾಗಿದೆ.

ಅಂತಿಮ ತೀರ್ಮಾನ

AI ನಲ್ಲಿ ಶಕ್ತಿ ಇನ್ನೂ ಮುಖ್ಯವಾಗಿದೆ, ಆದರೆ ಅದು ಈಗ ಏಕೈಕ ಪ್ರಮುಖ ವಿಷಯವಲ್ಲ. ಮುಂದಿನ ಹಂತದ ಅಳವಡಿಕೆಯು ಯಾವ ಮಾದರಿಗಳನ್ನು ಸುರಕ್ಷಿತವಾಗಿ ಬಳಸಬಹುದು, ಯಾವ ಮಾರಾಟಗಾರರು ಗ್ರಾಹಕರ ಡೇಟಾವನ್ನು ರಕ್ಷಿಸಬಹುದು ಮತ್ತು ಯಾವ ಸಂಸ್ಥೆಗಳು ಕಠಿಣ ನಿಯಂತ್ರಕ ಪರಿಸರದಲ್ಲಿ ಸಾಗಬಲ್ಲವು ಎಂಬುದರ ಮೇಲೆ ನಿರ್ಧರಿತವಾಗಲಿದೆ ಎಂದು ಈ ವಾರ ತೋರಿಸಿಕೊಟ್ಟಿದೆ.

Google ನ ಹೊಸ ಬಿಡುಗಡೆಗಳು ನಿಮಗೆ ಕೆಲಸ ಮಾಡಲು ಹೆಚ್ಚಿನ ಸಾಧನಗಳನ್ನು ನೀಡುತ್ತವೆ. ಸ್ಯಾಂಡ್‌ಬಾಕ್ಸ್ ಉಲ್ಲಂಘನೆಯು ಆ ಸಾಧನಗಳಿಗೆ ಬಲವಾದ ಗಡಿಗಳ ಅಗತ್ಯವಿದೆ ಎಂದು ನೆನಪಿಸುತ್ತದೆ. ಮತ್ತು ನಿಯಂತ್ರಣದ ವೇಗವು ಮುಕ್ತವಾದ ಪ್ರಾಯೋಗಿಕ ಹಂತವು ಕೊನೆಗೊಳ್ಳುತ್ತಿದೆ ಎಂದು ನಿಮಗೆ ತಿಳಿಸುತ್ತದೆ.

ನಿಮ್ಮ ಡೇಟಾ, ನಿಮ್ಮ ಕೆಲಸದ ವಿಧಾನಗಳು (workflows) ಮತ್ತು ನಿಮ್ಮ ಕಾನೂನು ಬಾಧ್ಯತೆಗಳಿಗೆ ಸಂಬಂಧಿಸಿದ ಬದಲಾವಣೆಗಳ ಮೇಲೆ ಗಮನಹರಿಸಿ. ಉಳಿದೆಲ್ಲವೂ ಕೇವಲ ಹಿನ್ನೆಲೆಯ ಗದ್ದಲವಷ್ಟೇ.

ಪೂರ್ಣ ವಿವರಣೆಯನ್ನು ಇಲ್ಲಿ ಓದಿ.

Telegram ನಲ್ಲಿ GyaanSetu ಕಲಿಕಾ ಸಮುದಾಯವನ್ನು ಸೇರಿ.