ಮುಕ್ತ ಮೂಲ (open-source) AI ಚಳುವಳಿಯು ನಿಜವಾಗಿಯೂ ಪ್ರಭಾವಶಾಲಿ ಮಾಡೆಲ್ಗಳನ್ನು ಸೃಷ್ಟಿಸಿದೆ. ಈಗ Vercel ನ AI ಗೇಟ್ವೇ ಮೂಲಕ ಹರಿಯುವ ಎಲ್ಲಾ ಟೋಕನ್ಗಳಲ್ಲಿ ಮೂರನೇ ಒಂದು ಭಾಗಕ್ಕಿಂತ ಹೆಚ್ಚು DeepSeek ಮಾಡೆಲ್ಗಳಿಂದಲೇ ಪ್ರಕ್ರಿಯೆಗೊಳ್ಳುತ್ತಿದೆ. Z.ai ನ GLM-5.2 ಮಾಡೆಲ್ ಕೂಡ ಪ್ರಮಾಣದ (volume) ದೃಷ್ಟಿಯಿಂದ ಈ ಪ್ಲಾಟ್ಫಾರ್ಮ್ನ ಅಗ್ರ ನಾಲ್ಕು ಮಾಡೆಲ್ಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ಇವು ಕೇವಲ ಹವ್ಯಾಸಿ ಯೋಜನೆಗಳಲ್ಲ. ಇವು ಬೃಹತ್ ಪ್ರಮಾಣದಲ್ಲಿ ನೈಜ ಎಂಟರ್ಪ್ರೈಸ್ ಕೆಲಸಗಳನ್ನು ನಿರ್ವಹಿಸುವ ಪ್ರೊಡಕ್ಷನ್-ಗ್ರೇಡ್ ಸಿಸ್ಟಮ್ಗಳಾಗಿವೆ. ಈ ಅಂಕಿಅಂಶಗಳನ್ನು ನೋಡಿದರೆ, Anthropic ನಂತಹ ಫ್ರಂಟಿಯರ್ ಲ್ಯಾಬ್ಗಳು ತಮ್ಮ ಮಾರುಕಟ್ಟೆ ಸ್ಥಾನಕ್ಕೆ ಅಸ್ತಿತ್ವದವನ್ನೇ ಎದುರಿಸುತ್ತಿವೆ ಎಂದು ಭಾವಿಸುವುದು ಸುಲಭ.
ಆದರೆ ಆ ಊಹೆಯು ವಾಸ್ತವದಲ್ಲಿ ಏನು ನಡೆಯುತ್ತಿದೆ ಎಂಬುದನ್ನು ತಪ್ಪಿಸಿಕೊಳ್ಳುತ್ತದೆ.
ಫ್ರಂಟಿಯರ್ ಮಾಡೆಲ್ಗಳ ನೈಜ ಕೆಲಸ
Decagon CEO Jesse Zhang ಅವರು ಮಾಲೀಕತ್ವದ (proprietary) ಮತ್ತು ಮುಕ್ತ ಮೂಲ (open-source) AI ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸ್ಪಷ್ಟವಾದ ಮಾರ್ಗವನ್ನು ಸೂಚಿಸಿದ್ದಾರೆ. ಈ ಸ್ಪರ್ಧೆಯು ಒಂದನ್ನೊಂದು ಬದಲಾಯಿಸುವ ಸರಳ ಓಟವಲ್ಲ. ಬದಲಾಗಿ, ಈ ಎರಡು ವರ್ಗಗಳು ಒಂದೇ ಎಂಟರ್ಪ್ರೈಸ್ ಜೀವನಚಕ್ರದ (enterprise lifecycle) ವಿಭಿನ್ನ ಹಂತಗಳಿಗೆ ಸೇವೆ ಸಲ್ಲಿಸುತ್ತವೆ.
ಫ್ರಂಟಿಯರ್ ಮಾಡೆಲ್ಗಳು ಸಂಶೋಧನಾ ಹಂತದ (discovery layer)ಂತೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ. ಒಂದು ಕಂಪನಿಯು AI ತನ್ನ ಆಂತರಿಕ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಹೇಗೆ ಬದಲಾಯಿಸಬಹುದು ಎಂದು ಅನ್ವೇಷಿಸಲು ಪ್ರಾರಂಭಿಸಿದಾಗ, ಆ ಕಾರ್ಯವು ಯಾವಾಗಲೂ ಅಸ್ಪಷ್ಟವಾಗಿರುತ್ತದೆ. ಇನ್ಪುಟ್ಗಳು ಅಸ್ತವ್ಯಸ್ತವಾಗಿರುತ್ತವೆ. ಅಪೇಕ್ಷಿತ ಔಟ್ಪುಟ್ಗಳು ಅಸ್ಪಷ್ಟವಾಗಿರುತ್ತವೆ. ಯಶಸ್ಸಿಗೆ ಅಸ್ಪಷ್ಟತೆಯನ್ನು ವಿಶ್ಲೇಷಿಸುವುದು, ತಂಡವು ಇನ್ನೂ ಪಟ್ಟಿ ಮಾಡದ ಅನಿರೀಕ್ಷಿತ ಸಂದರ್ಭಗಳನ್ನು (edge cases) ನಿಭಾಯಿಸುವುದು ಮತ್ತು ಪ್ರತಿ ಗಂಟೆಗೂ ಬದಲಾಗುವ ಪ್ರಾಂಪ್ಟ್ಗಳಿಗೆ ಹೊಂದಿಕೊಳ್ಳುವುದು ಅಗತ್ಯವಾಗಿರುತ್ತದೆ. ಇದು ಪ್ರೊಟೊಟೈಪಿಂಗ್ ಮತ್ತು ಪ್ರೂಫ್-ಆಫ್-ಕನ್ಸೆಪ್ಟ್ (prototyping and proof-of-concept) ಕೆಲಸವಾಗಿದೆ. ಇದಕ್ಕೆ ಲಭ್ಯವಿರುವ ಅತ್ಯಂತ ಸಮರ್ಥ ಸಿಸ್ಟಮ್ ಅಗತ್ಯವಿರುತ್ತದೆ, ವೆಚ್ಚದ ಬಗ್ಗೆ ಚಿಂತೆಯಿಲ್ಲ, ಏಕೆಂದರೆ ಪರ್ಯಾಯವಾಗಿ ಮಾಡುವ ಪ್ರಯೋಗವು ಏನನ್ನೂ ಕಲಿಸದೆ ವಿಫಲವಾಗಬಹುದು.
ಈ ಹಂತದಲ್ಲಿ, ದುಬಾರಿ ಫ್ರಂಟಿಯರ್ ಮಾಡೆಲ್ ಒಂದು ಅನಗತ್ಯ ವೆಚ್ಚವಲ್ಲ. ಇದು ಕೆಲವು API ಕರೆಗಳ ಮೂಲಕ ಸಂಕುಚಿತಗೊಂಡ ಮಾರುಕಟ್ಟೆ ಸಂಶೋಧನೆಯ ವೆಚ್ಚವಾಗಿದೆ. ಒಮ್ಮೆ ಬಳಕೆಯ ಸಂದರ್ಭವು (use case) ಸಾಬೀತಾದ ನಂತರ ಮತ್ತು ಕೆಲಸದ ಹರಿವು (workflow) ನಿರ್ಧರಿಸಲ್ಪಟ್ಟ ನಂತರ, ಸಮಸ್ಯೆಯ ಸ್ವರೂಪ ಬದಲಾಗುತ್ತದೆ. ಅಸ್ಪಷ್ಟತೆ ಮಾಯವಾಗುತ್ತದೆ. ಇನ್ಪುಟ್ಗಳು ಪ್ರಮಾಣೀಕರಿಸಲ್ಪಡುತ್ತವೆ. ಪ್ರಾಂಪ್ಟ್ಗಳು ಸ್ಥಿರವಾಗುತ್ತವೆ. ಕೆಲಸವು ದಿನನಿತ್ಯದ ರೂಢಿಯಾಗುತ್ತದೆ. ಆ ಹಂತದಲ್ಲಿ, ಅನೇಕ ಎಂಟರ್ಪ್ರೈಸ್ಗಳು ತಮ್ಮ ಕೆಲಸದ ಹೊರೆಯನ್ನು (workload) ಲಘು ಮತ್ತು ಅಗ್ಗದ ಮಾಡೆಲ್ಗಳಿಗೆ ವರ್ಗಾಯಿಸುತ್ತವೆ. ಮುಕ್ತ ಮೂಲ (open-source) ಪರ್ಯಾಯಗಳು ಪ್ರೊಡಕ್ಷನ್ ಹಂತವನ್ನು ವಹಿಸಿಕೊಳ್ಳುತ್ತವೆ, ಆದರೆ ಫ್ರಂಟಿಯರ್ ಮಾಡೆಲ್ಗಳು ಮುಂದಿನ ಅನಿರೀಕ್ಷಿತ ಸಮಸ್ಯೆಗಳನ್ನು ನಿಭಾಯಿಸಲು ಫ್ರಂಟಿಯರ್ನಲ್ಲಿಯೇ ಇರುತ್ತವೆ.
ಇದು AI ಹೇಗೆ ಕೆಲಸ ಮಾಡಬೇಕು ಎಂಬ ಸಿದ್ಧಾಂತವಲ್ಲ. ಇದು ಬಜೆಟ್ಗಳು ಈಗಾಗಲೇ ಹೇಗೆ ಚಲಿಸುತ್ತಿವೆ ಎಂಬುದರ ವಿವರಣೆಯಾಗಿದೆ.
ಕೆಲಸದ ಹೊರೆಯನ್ನು ಕಡಿಮೆ ಬೆಲೆಯ ಮಾರುಕಟ್ಟೆಗೆ ವರ್ಗಾಯಿಸಿದಾಗ
ಮುಕ್ತ ಮೂಲದ (open source) ಕಡೆಗೆ ವಲಸೆ ಹೋಗುತ್ತಿರುವುದು ನಿಜವಾಗಿದ್ದು, ಇದು ಟ್ರಾಫಿಕ್ ಡೇಟಾದಲ್ಲಿ ಸ್ಪಷ್ಟವಾಗಿ ಕಾಣುತ್ತಿದೆ. Vercel ನ ಮೂಲಸೌಕರ್ಯದಲ್ಲಿ DeepSeek ನ ಟೋಕನ್ ಪ್ರಮಾಣವು ಮೂರನೇ ಒಂದು ಭಾಗಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿ ಏರಿಕೆಯಾಗಿರುವುದು, ಕಂಪನಿಗಳು ಅಗ್ಗದ ಮಾಡೆಲ್ಗಳ ಮೂಲಕ ಬೃಹತ್ ಪ್ರಮಾಣದ ಇನ್ಫರೆನ್ಸ್ (inference) ನಡೆಸುತ್ತಿವೆ ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತದೆ. Z.ai ನ GLM-5.2 ಕೂಡ ಸ್ಥಿರವಾದ ಮತ್ತು ಮುನ್ಸೂಚನೆ ನೀಡಬಹುದಾದ ಟ್ರಾಫಿಕ್ ಅನ್ನು ನಿರ್ವಹಿಸುವ ಮೂಲಕ ಅಗ್ರ ನಾಲ್ಕರಲ್ಲಿ ಸ್ಥಾನ ಪಡೆದಿದೆ.
ಈ ಮಾಡೆಲ್ಗಳು ನಿಯಂತ್ರಣಕ್ಕೆ ತಂದಿರುವ ಕೆಲಸಗಳಲ್ಲಿ ಅತ್ಯುತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ. ಪ್ರಮಾಣೀಕೃತ ಫಾರ್ಮ್ಗಳಿಂದ ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ಡೇಟಾ ಹೊರತೆಗೆಯುವುದು, ಸ್ಪಷ್ಟವಾದ ಕೀವರ್ಡ್ಗಳ ಆಧಾರದ ಮೇಲೆ ಟಿಕೆಟ್ಗಳನ್ನು ವರ್ಗೀಕರಿಸುವ ಮೊದಲ ಹಂತದ ಗ್ರಾಹಕ ಬೆಂಬಲ (customer support triage), ಅಥವಾ ದಿನನಿತ್ಯದ ಕೋಡ್ ಲಿಂಟಿಂಗ್ ಮತ್ತು ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ತಯಾರಿಕೆಯಂತಹ ಕೆಲಸಗಳನ್ನು ಗಮನಿಸಿ. ಇಲ್ಲಿ ಪ್ರಾಂಪ್ಟ್ಗಳು ಟೆಂಪ್ಲೇಟ್ ರೂಪದಲ್ಲಿರುತ್ತವೆ. ದೋಷಗಳ ಸ್ವರೂಪಗಳು ತಿಳಿದಿರುತ್ತವೆ. ತಪ್ಪು ಔಟ್ಪುಟ್ನಿಂದ ಉಂಟಾಗುವ ವ್ಯವಹಾರದ ಅಪಾಯವು ನಿಯಂತ್ರಣದಲ್ಲಿರುತ್ತದೆ. ಕೆಲಸವು ನಿರ್ದಿಷ್ಟವಾಗಿದ್ದಾಗ ಮತ್ತು ಪುನರಾವರ್ತಿತವಾಗಿದ್ದಾಗ, ಇನ್ಫರೆನ್ಸ್ ವೆಚ್ಚವು ಪ್ರಮುಖ ಕಾಳಜಿಯಾಗುತ್ತದೆ. ಪ್ರೀಮಿಯಂ ಹಂತದ ಬದಲಿಗೆ ಕೇವಲ ಆರು ಸೆಂಟ್ಸ್ ವೆಚ್ಚದ ಮಾಡೆಲ್ನಲ್ಲಿ ಅದೇ ಕೆಲಸವನ್ನು ಮಾಡುವುದು ತಕ್ಷಣದ ಆರ್ಥಿಕ ಲಾಭವನ್ನು ನೀಡುತ್ತದೆ.
ಆದರೆ ಪ್ರಮಾಣವು (volume) ಆದಾಯವಲ್ಲ. ಮುಕ್ತ ಮೂಲ ಮಾಡೆಲ್ಗಳು ಟೋಕನ್ ಸಂಖ್ಯೆಯಲ್ಲಿ ಪ್ರಾಬಲ್ಯ ಹೊಂದಿವೆ ಎಂದರೆ ಅವು ಮೌಲ್ಯ ಸೃಷ್ಟಿಯಲ್ಲಿ (value creation) ಪ್ರಾಬಲ್ಯ ಹೊಂದಿವೆ ಎಂದರ್ಥವಲ್ಲ. ಟೋಕನ್ ಪ್ರಮಾಣವು ಚಟುವಟಿಕೆಯನ್ನು ಅಳೆಯುತ್ತದೆ. ಟೋಕನ್ ವೆಚ್ಚವು ಕಂಪನಿಗಳು ಪರ್ಯಾಯವಿಲ್ಲದ ಸಾಮರ್ಥ್ಯಕ್ಕಾಗಿ ಎಷ್ಟು ಪಾವತಿಸಲು ಸಿದ್ಧವಾಗಿವೆ ಎಂಬುದನ್ನು ಅಳೆಯುತ್ತದೆ.
ಹಣವು ವಾಸ್ತವವಾಗಿ ಎಲ್ಲಿ ಹರಿಯುತ್ತದೆ
Vercel ನ AI ಗೇಟ್ವೇ ಡೇಟಾ ಆರ್ಥಿಕ ವಿಭಜನೆಯನ್ನು ನಿರ್ಲಕ್ಷಿಸಲು ಅಸಾಧ್ಯವಾಗಿಸುತ್ತದೆ. ಕಚ್ಚಾ ಟೋಕನ್ ಟ್ರಾಫಿಕ್ನಲ್ಲಿ DeepSeek ಪ್ರಾಬಲ್ಯ ಹೊಂದಿದ್ದರೂ ಸಹ, ಪ್ಲಾಟ್ಫಾರ್ಮ್ನಲ್ಲಿನ ಒಟ್ಟು AI ವೆಚ್ಚದ ಅರ್ಧಕ್ಕಿಂತ ಹೆಚ್ಚು ಭಾಗವನ್ನು Anthropic продолжает ಪಡೆಯುತ್ತಿದೆ. ಚಟುವಟಿಕೆ ಮತ್ತು ವೆಚ್ಚದ ನಡುವಿನ ಅಂತರವು ಬೆಲೆಯ ಭಾರಿ ವ್ಯತ್ಯಾಸದಿಂದಾಗಿ ಉಂಟಾಗುತ್ತದೆ.
OpenRouter ಡೇಟಾದ ಪ್ರಕಾರ, Anthropic ನ Opus 4.8 ಪ್ರತಿ ಮಿಲಿಯನ್ ಟೋಕನ್ಗಳಿಗೆ ಅಂದಾಜು $1.37 ವೆಚ್ಚವಾಗುತ್ತದೆ. DeepSeek ನ V4Flash ಅದೇ ಪ್ರಮಾಣಕ್ಕೆ ಸುಮಾರು ಆರು ಸೆಂಟ್ಸ್ ವೆಚ್ಚವಾಗುತ್ತದೆ. Opus ಬೆಲೆಯು ಸುಮಾರು ಇಪ್ಪತ್ತಮೂರು ಪಟ್ಟು ಹೆಚ್ಚಿದೆ. ಈ ಗುಣಕವು (multiplier) ಕಚ್ಚಾ ಟೋಕನ್ ಸಂಖ್ಯೆಗಿಂತ ಹೆಚ್ಚು ಮುಖ್ಯವಾಗಿದೆ. ಒಂದು ಡೆವಲಪ್ಮೆಂಟ್ ತಂಡವು ತನ್ನ ಇನ್ಫರೆನ್ಸ್ ಪ್ರಮಾಣದ ಶೇಕಡಾ ತೊಂಬತ್ತು ಭಾಗವನ್ನು ಅಗ್ಗದ ಮಾಡೆಲ್ಗೆ ವರ್ಗಾಯಿಸಿದರೂ ಸಹ, ಅವರ ಬಜೆಟ್ನ ಬಹುಪಾಲು ಭಾಗವು ದುಬಾರಿ ಮಾಡೆಲ್ಗೇ ಮೀಸಲಿರುತ್ತದೆ.
ಈ ವ್ಯತ್ಯಾಸವು ಕೇವಲ ಆಕಸ್ಮಿಕವಲ್ಲ. ಇದು ಫ್ರಾಂಟಿಯರ್ ಪ್ರೊವೈಡರ್ಗಳು ವಿಭಿನ್ನವಾದದ್ದನ್ನು ಮಾರಾಟ ಮಾಡುತ್ತಿದ್ದಾರೆ ಎಂಬ ವಾಸ್ತವವನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ. ಅವರು ಕೇವಲ ಟೋಕನ್ಗಳನ್ನು ಮಾರಾಟ ಮಾಡುತ್ತಿಲ್ಲ. ಸ್ಥಾಪಿತ ಮಾರ್ಗಸೂಚಿಗಳಿಲ್ಲದ ಸಮಸ್ಯೆಗಳನ್ನು ವಿಶ್ಲೇಷಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಅವರು ಮಾರಾಟ ಮಾಡುತ್ತಿದ್ದಾರೆ. ಪ್ರೀಮಿಯಂ ದರಗಳನ್ನು ಪಾವತಿಸುವ ಉದ್ಯಮಗಳು ಅಜ್ಞಾನದಿಂದ ಹೀಗೆ ಮಾಡುತ್ತಿಲ್ಲ. ಬದಲಾಗಿ, ಅವರು ಈ ಮಾದಲಿಗಳಿಗೆ ನೀಡುವ ಕಾರ್ಯಗಳು ಅತ್ಯಂತ ಗಂಭೀರವಾದವು ಅಥವಾ ರಚನಾತ್ಮಕವಾಗಿ ಸಂಕೀರ್ಣವಾಗಿವೆ ಎಂಬ ಕಾರಣಕ್ಕೆ ಹೀಗೆ ಮಾಡುತ್ತಿದ್ದಾರೆ. ಹೊಸ ನಿಯಮಾವಳಿಗಳ ಪರಿಣಾಮಗಳನ್ನು ವಿಶ್ಲೇಷಿಸುವ ಕಾನೂನು ತಂಡವು ತಪ್ಪಾದ (hallucinated) ಉಲ್ಲೇಖವನ್ನು ಸಹ ಸಹಿಸಿಕೊಳ್ಳಲು ಸಾಧ್ಯವಿಲ್ಲ. ಮಲ್ಟಿ-ಸ್ಟೆಪ್ ಏಜೆಂಟಿಕ್ ವರ್ಕ್ಫ್ಲೋವನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವ ಉತ್ಪನ್ನ ತಂಡಕ್ಕೆ, ಹಲವಾರು ಹಂತಗಳಲ್ಲಿ ತರ್ಕವನ್ನು ಸರಿಯಾಗಿ ಜೋಡಿಸುವ ಸಾಮರ್ಥ್ಯ ಮಾದಲಿಯಲ್ಲಿ ಇರಬೇಕಾಗುತ್ತದೆ. ಇಂತಹ ಸಂದರ್ಭಗಳಲ್ಲಿ ವಿಫಲತೆಯ ವೆಚ್ಚವು API ಕರೆಯನ್ನು ಮಾಡುವ ವೆಚ್ಚಕ್ಕಿಂತ ಬಹಳ ಹೆಚ್ಚಾಗಿರುತ್ತದೆ.
ಬಂಡವಾಳ ವೆಚ್ಚವು ಕೇವಲ ಕಾರ್ಯಗತಗೊಳಿಸುವ ಹಂತಕ್ಕೆ ಅಲ್ಲದೆ, ಮೌಲ್ಯವು ಸೃಷ್ಟಿಯಾಗುತ್ತಿರುವ ಹಂತದ ಕಡೆಗೆ ಹರಿಯುತ್ತದೆ.
ವಲಸೆಯ ವೇಗಕ್ಕಿಂತ ಮಾರುಕಟ್ಟೆಯ ಬೆಳವಣಿಗೆ ವೇಗವಾಗಿದೆ
ಓಪನ್-ಸೋರ್ಸ್ ಮಾದಲಿಗಳು ಇಷ್ಟು ಅಗ್ಗವಾಗಿದ್ದರೂ ಮತ್ತು ಉದ್ಯಮಗಳು ತಮ್ಮ ಪ್ರೌಢ ಕಾರ್ಯಭಾರಗಳನ್ನು (mature workloads) ಅವುಗಳ ಕಡೆಗೆ ಸಕ್ರಿಯವಾಗಿ ವರ್ಗಾಯಿಸುತ್ತಿದ್ದರೂ, ಫ್ರಾಂಟಿಯರ್ ವೆಚ್ಚವು ಏಕೆ ಕುಸಿಯುತ್ತಿಲ್ಲ? ಇದಕ್ಕೆ ಉತ್ತರವೆಂದರೆ, ವಿಶ್ಲೇಷಣಾತ್ಮಕ AI ಕಾರ್ಯಗಳ ಒಟ್ಟು ಮಾರುಕಟ್ಟೆಯು ಯಾವುದೇ ಒಂದೇ ಮಾದರಿಯು ಅದನ್ನು ಸರಕುೀಕರಿಸುವ (commoditize) ವೇಗಕ್ಕಿಂತ ವೇಗವಾಗಿ ವಿಸ್ತರಿಸುತ್ತಿದೆ.
ಪ್ರತಿಯೊಮ್ಮೆ ಒಂದು ಕಂಪನಿಯು ಓಪನ್-ಸೋರ್ಸ್ ಪರ್ಯಾಯದೊಂದಿಗೆ ಒಂದು ನಿರೀಕ್ಷಿತ ಕಾರ್ಯಪ್ರವೃತ್ತಿಯನ್ನು (predictable workflow) ಯಶಸ್ವಿಯಾಗಿ ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸಿದಾಗ, ಎರಡು ವಿಷಯಗಳು ಸಂಭವಿಸುತ್ತವೆ. ಮೊದಲನೆಯದಾಗಿ, ಆ ತಂಡವು ಕಾರ್ಯಗತಗೊಳಿಸುವಿಕೆಯಲ್ಲಿ ಹಣವನ್ನು ಉಳಿಸುತ್ತದೆ. ಎರಡನೆಯದಾಗಿ, ಆ ಸಂಪನ್ಮೂಲಗಳು ಮತ್ತು ಪ್ರತಿಭೆಗಳು ಕಠಿಣವಾದ ಸಂಬಂಧಿತ ಸಮಸ್ಯೆಗಳತ್ತ ಮರುನಿರ್ದೇಶಿಸಲ್ಪಡುತ್ತವೆ. ದಿನನಿತ್ಯದ ಕೆಲಸಗಳನ್ನು ಈಗ ಯಂತ್ರಗಳು ನಿರ್ವಹಿಸುತ್ತಿವೆ, ಅಂದರೆ ಮನುಷ್ಯರು ಅನಿರೀಕ್ಷಿತ, ಕಾರ್ಯತಂತ್ರದ ಮತ್ತು ಅಭೂತಪೂರ್ವ ವಿಷಯಗಳ ಮೇಲೆ ಗಮನ ಹರಿಸಬಹುದು. ಹೊಸದಾಗಿ ಕಂಡುಬರುವ ಸಮಸ್ಯೆಗಳಿಗೆ ಯಾವಾಗಲೂ ಫ್ರಾಂಟಿಯರ್ ಮಾದಲಿಯ ತಾರ್ಕಿಕ ಆಳದ ಅಗತ್ಯವಿರುತ್ತದೆ.
ಈ ಮಾದರಿಯು ಎಲ್ಲಾ ಉದ್ಯಮಗಳಲ್ಲಿ ಪುನರಾವರ್ತನೆಯಾಗುತ್ತದೆ. ಒಂದು ಬ್ಯಾಂಕ್ ಅಗ್ಗದ ಮಾದರಿಯನ್ನು ಬಳಸಿ ದಾಖಲೆಗಳ ಪರಿಶೀಲನೆಯನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುತ್ತದೆ, ನಂತರ ಸೂಕ್ಷ್ಮ ವಿವೇಚನೆಯ ಅಗತ್ಯವಿರುವ ಡೈನಾಮಿಕ್ ರಿಸ್ಕ್ ಮಾಡೆಲ್ ನಿರ್ಮಿಸುವತ್ತ ಗಮನ ಹರಿಸುತ್ತದೆ. ಒಂದು ಸಾಫ್ಟ್ವೇರ್ ಸಂಸ್ಥೆಯು ಟೆಸ್ಟ್ ಜನರೇಷನ್ ಅನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುತ್ತದೆ, ನಂತರ ವಿತರಿಸಿದ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ (distributed systems) ದೋಷಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಬಲ್ಲ ಸ್ವಾಯತ್ತ ಡಿಬಗ್ಗಿಂಗ್ ಏಜೆಂಟ್ ಅನ್ನು ನಿರ್ಮಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತದೆ. ಫ್ರಾಂಟಿಯರ್ ತಂತ್ರಜ್ಞಾನವು ಮುಂದುವರಿಯುತ್ತಲೇ ಇರುತ್ತದೆ. ಒಂದು ಕಾರ್ಯವು ಸರಕು (commodity) ಆದ ತಕ್ಷಣ, ಪ್ರೀಮಿಯಂ ಸಾಮರ್ಥ್ಯವನ್ನು ಬಯಸುವ ಹೆಚ್ಚು ಸಂಕೀರ್ಣವಾದ ಬಳಕೆ ಪ್ರಕರಣವು (use case) ಹೊರಹೊಮ್ಮುತ್ತದೆ.
ಅನೇಕ ಉದ್ಯಮದ ಕಾರ್ಯಗಳು ಪ್ರಸ್ತುತ ತಲೆಮಾರಿನ ಓಪನ್-ಸೋರ್ಸ್ ಪರ್ಯಾಯಗಳಿಗೆ ವಹಿಸಲು ಅತೀ ಸೂಕ್ಷ್ಮವಾಗಿವೆ. ವೈದ್ಯಕೀಯ ಟ್ರೈಯೇಜ್ ಬೆಂಬಲ, ನಿಯಂತ್ರಕ ಪರಿಶೀಲನೆಯ ಅಡಿಯಲ್ಲಿ ಹಣಕಾಸಿನ ಮುನ್ಸೂಚನೆ ಮತ್ತು ಕಾರ್ಯನಿರ್ವಾಹಕ ಕಾರ್ಯತಂತ್ರದ ವಿಶ್ಲೇಷಣೆಗಳು ಇಂತಹ ಅಪಾಯಗಳನ್ನು ಹೊಂದಿವೆ, ಇವುಗಳಲ್ಲಿ ನಿಖರತೆ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹತೆಗೆ ಹೋಲಿಸಿದರೆ ಇನ್ಫರೆನ್ಸ್ ವೆಚ್ಚವು (inference cost) ಅಪ್ರಸ್ತುತವಾಗುತ್ತದೆ. ಈ ಕಾರ್ಯಭಾರಗಳು ಒಂದು ಸ್ಥಿರವಾದ ಪ್ರೀಮಿಯಂ ಹಂತವನ್ನು ಸೃಷ್ಟಿಸುತ್ತವೆ. ಇದರ ಪರಿಣಾಮವಾಗಿ ಒಂದು ಸ್ಥಿರವಾದ ದ್ವಿ-સ્તರಗಳ ಆರ್ಥಿಕತೆ ನಿರ್ಮಾಣವಾಗುತ್ತದೆ: ಸಂಕೀರ್ಣ ತರ್ಕ ಮತ್ತು ಸಂಶೋಧನೆಗಾಗಿ ಹೆಚ್ಚಿನ ಲಾಭದಾಯಕ ಹಂತ (high-margin layer), ಮತ್ತು ದಿನನಿತ್ಯದ ಉತ್ಪಾದನಾ ಕಾರ್ಯಗಳಿಗಾಗಿ ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ಸರಕು ಹಂತ (high-volume commodity layer).
ಉದ್ಯಮದ ಖರೀದಿದಾರರಿಗೆ ಇದರ ಅರ್ಥವೇನು
ಇದರ ಪ್ರಾಯೋಗಿಕ ತೀರ್ಮಾನವೇನೆಂದರೆ, ಮಾದರಿಯ ಆಯ್ಕೆಯು ಸಿದ್ಧಾಂತದ ಮೇಲಲ್ಲದೆ, ಕೆಲಸದ ಪ್ರೌಢತೆಯ ಮೇಲೆ ಆಧಾರಿತವಾಗಿರಬೇಕು. ನೀವು ಪ್ರವೇಶಿಸಬಹುದಾದ ಅತ್ಯಂತ ಸಮರ್ಥ ಫ್ರಾಂಟಿಯರ್ ಮಾದಲಿಗಳ ಮೇಲೆ ಹೊಸ AI ಅಪ್ಲಿಕೇಶನ್ಗಳನ್ನು ನಿರ್ಮಿಸಿ ಮತ್ತು ಪರೀಕ್ಷಿಸಿ. ಸಂಶೋಧನೆಯ ಸಮಯದಲ್ಲಿ ಪ್ರೀಮಿಯಂ ದರವನ್ನು ಪಾವತಿಸಿ. ಇದು ಸೀಮಿತ ಮಾದಲಿಯ ಮೇಲೆ ನಿರ್ಮಿಸಿ, ಮೌಲ್ಯವನ್ನು ಸಾಬೀತುಪಡಿಸಲು ವಿಫಲವಾಗಿ, ಯೋಜನೆಯನ್ನು ಕೈಬಿಡುವುದಕ್ಕಿಂತ ಸುಲಭ ಮತ್ತು ಅಗ್ಗವಾಗಿದೆ. ಒಮ್ಮೆ ಇನ್ಪುಟ್ಗಳು, ಔಟ್ಪುಟ್ಗಳು ಮತ್ತು ವಿಫಲತೆಯ ವಿಧಾನಗಳು ತಿಳಿದ ನಂತರ, ಆಗ ತೀವ್ರವಾಗಿ ಆಪ್ಟಿಮೈಸ್ ಮಾಡಿ. ಸ್ಥಿರವಾದ ಕಾರ್ಯಭಾರವನ್ನು ಓಪನ್-ಸೋರ್ಸ್ ಪರ್ಯಾಯಕ್ಕೆ ವರ್ಗಾಯಿಸಿ ಮತ್ತು ವೆಚ್ಚದ ಉಳಿತಾಯವನ್ನು ಪಡೆಯಿರಿ.
ಪ್ರತಿಯೊಂದು ಕಾರ್ಯವನ್ನೂ ಒಂದೇ ಹಂತಕ್ಕೆ ತರಲು ಪ್ರಯತ್ನಿಸುವುದು ಬಂಡವಾಳ ವ್ಯರ್ಥವಾಗಲು ಅಥವಾ ಸಾಮರ್ಥ್ಯವನ್ನು ಕಳೆದುಕೊಳ್ಳಲು ಕಾರಣವಾಗುತ್ತದೆ. ಇದನ್ನು ಸರಿಯಾಗಿ ನಿರ್ವಹಿಸುವ ಕಂಪನಿಗಳು ಹೈಬ್ರಿಡ್ ಆರ್ಕಿಟೆಕ್ಚರ್ಗಳನ್ನು (hybrid architectures) ಕಡ್ಡಾಯವಾಗಿ ಬಳಸುತ್ತವೆ, ಅವುಗಳನ್ನು ಕೇವಲ ರಾಜಿ ಮಾಡಿಕೊಳ್ಳುವ ಕ್ರಮವಾಗಿ ಬಳಸುವುದಿಲ್ಲ.
ಇಲ್ಲಿನ ಕಥೆಯೆಂದರೆ ಓಪನ್ ಸೋರ್ಸ್ ಸೋಲುತ್ತಿದೆ ಅಥವಾ ಫ್ರಾಂಟಿಯರ್ ಲ್ಯಾಬ್ಗಳು ಅಜೇಯವಾಗಿವೆ ಎಂದಲ್ಲ. ಬದಲಾಗಿ ಎರಡೂ ಹಂತಗಳು ಬೆಳೆಯುತ್ತಿವೆ, ಆದರೆ ಅವು ವಿಭಿನ್ನ ದಿಕ್ಕುಗಳಲ್ಲಿ ಬೆಳೆಯುತ್ತಿವೆ. ಓಪನ್-ಸೋರ್ಸ್ ಮಾದಲಿಗಳು AI ಕಾರ್ಯಗಳ ತಿಳಿದಿರುವ ಜಗತ್ತನ್ನು ವಶಪಡಿಸಿಕೊಳ್ಳುತ್ತಿವೆ. ಫ್ರಾಂಟಿಯರ್ ಮಾದಲಿಗಳು ಅಜ್ಞಾತ ಜಗತ್ತಿನ ಮೇಲೆ ಹಕ್ಕು ಸಾಧಿಸುತ್ತಿವೆ. ಮುಂಬರುವ ಕಾಲಕ್ಕೆ, ಇದು ಎರಡೂ ಕಡೆಗೆ ಅನುಕೂಲಕರವಾದ ವ್ಯವಸ್ಥೆಯಾಗಿದೆ.