ಈ ಎಚ್ಚರಿಕೆ ಈಗ ಏಕೆ ಮುಖ್ಯ

ಕಳೆದ ಒಂದು ವರ್ಷದಲ್ಲಿ, ಕಚ್ಚಾ ಡೇಟಾವನ್ನು ತಕ್ಷಣದ ಒಳನೋಟಗಳು (insights), ಕೋಡ್ ಅಥವಾ ಚಾಟ್‌ಗೆ ಪರಿವರ್ತಿಸುವ ಭರವಸೆ ನೀಡುವ ಲಾರ್ಜ್-ಲ್ಯಾಂಗ್ವೇಜ್-ಮಾದೆಲ್ (LLM) ಸೇವೆಗಳು ಮಾರುಕಟ್ಟೆಯನ್ನು ತುಂಬಿವೆ. ಕಂಪನಿಗಳು ಕೆಲಸ ಮಾಡುವ ಪರಿಹಾರವನ್ನು ನೀಡಬಲ್ಲ ಮೊದಲ ಮಾರಾಟಗಾರನಿಗೆ ತಮ್ಮ ಮಾಲೀಕತ್ವದ ಪ್ರಾಂಪ್ಟ್‌ಗಳು (prompts), ಆಂತರಿಕ ದಾಖಲೆಗಳು ಮತ್ತು ಬಳಕೆಯ ಲಾಗ್‌ಗಳನ್ನು (usage logs) ನೀಡುತ್ತಾ ಅವಸರದಿಂದ ಮುನ್ನುಗ್ಗಿದವು.

ಆ ಅನುಕೂಲವು ಒಂದು ಗುಪ್ತ ಅವಲಂಬನೆಯನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ. ಬಳಕೆಯ ಡೇಟಾ ಮತ್ತು ಮೆಟಾಡ worlds (metadata) ಅನ್ನು ಉಳಿಸಿಕೊಳ್ಳದಿದ್ದರೆ, ಒಂದು ಸಂಸ್ಥೆಯು ತನ್ನದೇ ಆದ ಮಾಡೆಲ್ ತೂಕಗಳನ್ನು (model weights) ತರಬೇತಿಗೊಳಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಕಳೆದುಕೊಳ್ಳುತ್ತದೆ, ಇದರಿಂದ ಅದರ "ಮೆದುಳು" ತಾನು ಪರೀಕ್ಷಿಸಲು ಅಥವಾ ವರ್ಗಾಯಿಸಲು ಸಾಧ್ಯವಾಗದ ಒಂದು 'ಬ್ಲಾಕ್ ಬಾಕ್ಸ್'ನಲ್ಲಿ ಸಿಲುಕಿದಂತಾಗುತ್ತದೆ. ಒಂದು ವೇಳೆ ಮಾರಾಟಗಾರನು ಬೆಲೆಯನ್ನು ಹೆಚ್ಚಿಸಿದರೆ, ನಿಯಮಗಳನ್ನು ಬದಲಾಯಿಸಿದರೆ ಅಥವಾ ಸೇವೆಯಲ್ಲಿ ವ್ಯತ್ಯಯವಾದರೆ (outage), ಗ್ರಾಹಕನ ಪ್ರಮುಖ ಪ್ರಕ್ರಿಯೆಗಳು ಸ್ಥಗಿತಗೊಳ್ಳಬಹುದು.

ನಿಮ್ಮ ಮೆದುಳನ್ನು ಹೊರಗುತ್ತಿಗೆಗೆ (outsourcing) ನೀಡುವ ಬೆಲೆ

ನದೆಲ್ಲಾ ಈ ಸಮಸ್ಯೆಯನ್ನು ಬೌದ್ಧಿಕ ಸಾರ್ವಭೌಮತ್ವದ ನಷ್ಟ ಎಂದು ವಿವರಿಸಿದ್ದಾರೆ. ಕ್ಲೋಸ್ಡ್-ಲೂಪ್ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ, ಒಂದು ಸಂಸ್ಥೆಯ ವಿಶಿಷ್ಟ ಕಾರ್ಯವಿಧಾನಗಳು (workflows) ಮತ್ತು ಡೊಮೇನ್ ಜ್ಞಾನವು ಪೂರೈಕೆದಾರರ ತರಬೇತಿ ಸೆಟ್‌ನ ಭಾಗವಾಗುತ್ತವೆ, ಆದರೆ ಸಂಸ್ಥೆಯು ತರಬೇತಿ ಪಡೆದ ಪ್ಯಾರಾಮೀಟರ್‌ಗಳನ್ನು (parameters) ಎಂದಿಗೂ ಪಡೆಯುವುದಿಲ್ಲ. ಆ ತೂಕಗಳಿಲ್ಲದೆ (weights), ಕಂಪನಿಯು ತನ್ನ ಪರಿಣತಿಯನ್ನು ಮರುಸೃಷ್ಟಿಸಲು ಓಪನ್ ಮಾಡೆಲ್ ಅನ್ನು ಫೈನ್-ಟ್ಯೂನ್ ಮಾಡಲು ಅಥವಾ ತನ್ನ ಡೇಟಾವನ್ನು ಹೇಗೆ ಬಳಸಲಾಗುತ್ತಿದೆ ಎಂದು ತಪಾಸಣೆ ಮಾಡಲು ಸಾಧ್ಯವಾಗುವುದಿಲ್ಲ.

ಇದರ ಪ್ರಾಯೋಗಿಕ ಪರಿಣಾಮಗಳು ಕಠಿಣವಾಗಿವೆ:

  • ಸ್ಪರ್ಧಾತ್ಮಕ ಸೋರಿಕೆ (Competitive leakage): ಪ್ರಬಲವಾದ AI ಲ್ಯಾಬ್ ಒಂದು ಗ್ರಾಹಕನ ವಿಶಿಷ್ಟ ಕಾರ್ಯವಿಧಾನವನ್ನು ಅಧ್ಯಯನ ಮಾಡಿ, ಆ ಸಾಮರ್ಥ್ಯವನ್ನು ತನ್ನದೇ ಆದ ಉತ್ಪನ್ನಗಳ ಗುಂಪಿನಲ್ಲಿ ಸೇರಿಸಬಹುದು, ಇದು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಗ್ರಾಹಕನ ಮೌಲ್ಯ ಪ್ರಸ್ತಾಪವನ್ನು (value proposition) ನಕಲು ಮಾಡುತ್ತದೆ.

ಮಾಡೆಲ್‌ನಿಂದ ಹಾರ್ನೆಸ್ ಅನ್ನು ಬೇರ್ಪಡಿಸುವುದು (Decoupling)

ನದೆಲ್ಲಾ ಅವರ ಸಲಹೆಯೆಂದರೆ, ವ್ಯವಹಾರದ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು ಮತ್ತು ಯಾವುದೇ ಡೌನ್‌ಸ್ಟ್ರೀಮ್ ಮಾಡೆಲ್ ನಡುವೆ "AI ಗೇಟ್‌ವೇ"ಯನ್ನು ಅಳವಡಿಸುವ ಮಾಡ್ಯುಲರ್ ಆರ್ಕಿಟೆಕ್ಚರ್ (modular architecture). ಈ ಗೇಟ್‌ವೇ ಪ್ರಾಂಪ್ಟ್‌ಗಳನ್ನು ಫಾರ್ಮ್ಯಾಟ್ ಮಾಡುತ್ತದೆ, ಸಂದರ್ಭವನ್ನು (context) ಜೋಡಿಸುತ್ತದೆ ಮತ್ತು ಫಲಿತಾಂಶಗಳನ್ನು ರಸ್ಟ್‌ ಮಾಡುತ್ತದೆ, ಆದರೆ ಮಾಡೆಲ್ ಬದಲಾಯಿಸಬಹುದಾದ ಒಂದು ಘಟಕವಾಗಿ ಉಳಿಯುತ್ತದೆ. ಈ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ, ಕಂಪನಿಯ ನೆನಪುಗಳು—ಸಂಭಾಷಣೆಯ ಇತಿಹಾಸ, ಮೆಟಾಡ worlds ಮತ್ತು ಬಳಕೆಯ ಲಾಗ್‌ಗಳು—ಅದರ ಸ್ವಂತ ಮೂಲಸೌಕರ್ಯದಲ್ಲಿಯೇ ಇರುತ್ತವೆ.

ಅವರು ಪ್ರಯೋಜನಗಳನ್ನು ಮೂರು ಸ್ತಂಭಗಳಾಗಿ ವಿಂಗಡಿಸಿದ್ದಾರೆ:

  • ಚುರುಕುತನವನ್ನು ಕಾಯ್ದುಕೊಳ್ಳಿ (Maintain agility) – ಹೆಚ್ಚು ಕಡಿಮೆ ಬೆಲೆಯ ಅಥವಾ ಹೆಚ್ಚು ಸಾಮರ್ಥ್ಯವುಳ್ಳ ಮಾಡೆಲ್ ಬಂದಾಗ, ಇಡೀ ಸ್ಟ್ಯಾಕ್ ಅನ್ನು ಮರುಬರೆಯುವ ಅಗತ್ಯವಿಲ್ಲದೆ ಗೇಟ್‌ವೇ ಅದನ್ನು ಬಳಸಿಕೊಳ್ಳುತ್ತದೆ.
  • ಅಪಾಯವನ್ನು ಕಡಿಮೆ ಮಾಡಿ (Mitigate risk) – ಪೂರೈಕೆದಾರನು ತನ್ನ SLA ಅನ್ನು ಬದಲಾಯಿಸಿದರೆ ಅಥವಾ ಸೇವೆಯು ಸ್ಥಗಿತಗೊಂಡರೆ, ಗೇಟ್‌ವೇ ಪರ್ಯಾಯ ಇಂಜಿನ್‌ಗೆ ಬದಲಾಗುತ್ತದೆ, ಇದರಿಂದ ಪ್ರಮುಖ ಕಾರ್ಯವಿಧಾನಗಳು ನಿರಂತರವಾಗಿ ನಡೆಯುತ್ತವೆ.
  • ವಿಶೇಷೀಕರಣ (Specialize) – ಲಘು ತೂಕದ (light-weight), ಓಪನ್-ವೇಟ್ ಮಾಡೆಲ್‌ಗಳು ದಿನನಿತ್ಯದ ವರ್ಗೀಕರಣವನ್ನು ನಿರ್ವಹಿಸುತ್ತವೆ, ಆದರೆ ಬೃಹತ್ ಪ್ರೊಪ್ರೈಟರಿ LLM ಆಳವಾದ ತರ್ಕದ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ, ಇದು ವೆಚ್ಚ ಮತ್ತು ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಉತ್ತಮಗೊಳಿಸುತ್ತದೆ.

ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಪ್ಲೇಬುಕ್‌ನ ಅಪಾಯಗಳು

"ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಪ್ಲೇಬುಕ್" ಎಂಬುದು ಒಂದು ಮಾದರಿಯನ್ನು ವಿವರಿಸುತ್ತದೆ, ಅಲ್ಲಿ AI ಮಾರಾಟಗಾರನು ಟರ್ನ್‌ಕೀ ಪರಿಹಾರಕ್ಕಾಗಿ (turnkey solution) ಗ್ರಾಹಕನ ಆಂತರಿಕ ಪ್ರಕ್ರಿಯೆಗಳಿಗೆ ಆಳವಾದ ಪ್ರವೇಶವನ್ನು ಪಡೆಯುತ್ತಾನೆ. ಆ ಪ್ರವೇಶವು ಮಾರಾಟಗಾರನಿಗೆ ಗ್ರಾಹಕನ ಕಾರ್ಯಾಚರಣೆಗಳ ವಿವರವಾದ ನಕ್ಷೆಯನ್ನು ನೀಡುತ್ತದೆ, ಇದು ಒಂದು ಕಾರ್ಯತಂತ್ರದ ದುರ್ಬಲತೆಯನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ. ತಮ್ಮ ಪ್ರೊಪ್ರೈಟರಿ AI ಕಾರ್ಯವಿಧಾನವೇ ತಮ್ಮ ಬಲವಾಗಿರುವ (moat) ಸ್ಟಾರ್ಟ್‌ಅಪ್‌ಗಳಿಗೆ, ಈ ಅಪಾಯವು ತೀವ್ರವಾಗಿದೆ: ಅದೇ ಲ್ಯಾಬ್ ಆ ಕಾರ್ಯವಿಧಾನವನ್ನು ತನ್ನದಾಗಿಸಿಕೊಂಡು ಸ್ಪರ್ಧಾತ್ಮಕ ಸೇವೆಯನ್ನು ಪ್ರಾರಂಭಿಸಬಹುದು, ಇದು ಗ್ರಾಹಕನ ಮಾರುಕಟ್ಟೆ ಪ್ರಯೋಜನವನ್ನು ಅಳಿಸಿಹಾಕಬಹುದು.

ವಿರೋಧಾಭಿಪ್ರಾಯ: ಸರಳತೆ ವರ್ಸಸ್ ನಮ್ಯತೆ (simplicity versus flexibility)

ಇಲ್ಲಿನ ವಹಿವಾಟು (trade-off) ಸ್ಪಷ್ಟವಾಗಿದೆ. ಸರಳತೆಯು ಲಾಕ್-ಇನ್ (lock-in) ಅನ್ನು ತರುತ್ತದೆ. ಸಾರ್ವಭೌಮತ್ವಕ್ಕಿಂತ ವೇಗಕ್ಕೆ ಆದ್ಯತೆ ನೀಡುವ ಕಂಪನಿಗಳು ಕಾಲಾನಂತರದಲ್ಲಿ ಹೆಚ್ಚಿನ ಶುಲ್ಕವನ್ನು ಪಾವತಿಸಬಹುದು ಅಥವಾ ಪೂರೈಕೆದಾರನ ಮಾರ್ಗಸೂಚಿಯು (roadmap) ತಮ್ಮ ಅಗತ್ಯತೆಗಳಿಂದ ವಿಚಲಿತಗೊಂಡರೆ ಪ್ರಮುಖ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಮರುನಿರ್ಮಿಸಲು ಹೆಣಗಾಡಬಹುದು.

ಗಮನಿಸಬೇಕಾದ ಅಂಶಗಳು

  • ಓಪನ್-ಸೋರ್ಸ್ ಮಾಡೆಲ್ ಪರಿಸರ ವ್ಯವಸ್ಥೆಗಳು (Open-source model ecosystems) – ಅನುಮತಿಸುವ ಪರವಾನಗಿಗಳ ಅಡಿಯಲ್ಲಿ ಮಾಡೆಲ್ ತೂಕಗಳನ್ನು ಪ್ರಕಟಿಸುವ ಯೋಜನೆಗಳು ಜನಪ್ರಿಯವಾಗುತ್ತಿವೆ, ಇವು ಪ್ರೊಪ್ರೈಟರಿ ಸೇವೆಗಳಿಗೆ ಕಾರ್ಯಸಾಧ್ಯವಾದ ಪರ್ಯಾಯವನ್ನು ನೀಡುತ್ತವೆ.
  • ಮಲ್ಟಿ-ಮಾಡಲ್ ಆರ್ಕೆಸ್ಟ್ರೇಶನ್ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗಳು (Multi-model orchestration platforms) – ಉದಯೋನ್ಮುಖ ಪರಿಕರಗಳು ವಿವಿಧ AI ಬ್ಯಾಕ್-ಎಂಡ್‌ಗಳ ನಡುವೆ ರೂಟಿಂಗ್, ಕ್ಯಾಷಿಂಗ್ ಮತ್ತು ಮೇಲ್ವಿಚಾರಣೆಯನ್ನು ನಿರ್ವಹಿಸುತ್ತವೆ, ಇದು ಗೇಟ್‌ವೇ ಪರಿಕಲ್ಪನೆಯನ್ನು ಅನುಷ್ಠಾನಗೊಳಿಸುವುದನ್ನು ಸುಲಭಗೊಳಿಸುತ್ತದೆ.