Most news in artificial intelligence is noise. Product updates, funding rounds, and benchmark battles blur together into

ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് രംഗത്തെ ഭൂരിഭാഗം വാർത്തകളും വെറും ബഹളമാണ്. പ്രൊഡക്റ്റ് അപ്‌ഡേറ്റുകൾ, ഫണ്ടിംഗ് റൗണ്ടുകൾ, ബെഞ്ച്മാർക്ക് പോരാട്ടങ്ങൾ എന്നിവയെല്ലാം ഒരേപോലെ തോന്നിപ്പിക്കുന്ന ഒരു ഫീഡായി മാറുന്നു. എന്നാൽ ഈ ആഴ്ച വ്യത്യസ്തമായിരുന്നു. മൂന്ന് പ്രധാന മാറ്റങ്ങൾ സംഭവിച്ചു, അവയെല്ലാം ഒരേ ദിശയിലേക്കാണ് വിരൽ ചൂണ്ടുന്നത്: വ്യവസായം അതിന്റെ ശ്രദ്ധ മോഡലുകളുടെ കരുത്തിൽ നിന്ന് നിയന്ത്രണം (control), സുരക്ഷ (security), നിയമം (law) എന്നിവയിലേക്ക് മാറ്റുകയാണ്.

നിങ്ങൾ പ്രൊഡക്റ്റുകൾ നിർമ്മിക്കുകയാണെങ്കിലും, ടൂളുകൾ ഉപയോഗിക്കുകയാണെങ്കിലും, അല്ലെങ്കിൽ നിങ്ങളുടെ ഡാറ്റ സുരക്ഷിതമായി സൂക്ഷിക്കാൻ ശ്രമിക്കുകയാണെങ്കിലും ഈ മാറ്റം വളരെ പ്രധാനമാണ്.

മോഡലുകൾക്ക് താഴെ അടിത്തറ മാറിക്കൊണ്ടിരിക്കുന്നു

കഴിഞ്ഞ രണ്ട് വർഷമായി കഥ ലളിതമായിരുന്നു. വലിയ മോഡലുകൾ, മികച്ച സ്കോറുകൾ, വേഗതയേറിയ ഇൻഫറൻസ് (inference). ഈ ആഴ്ച ആ കഥ മാറി. പുതിയ മോഡലുകൾ പുറത്തിറങ്ങിയിട്ടുണ്ടെങ്കിലും, സ്ഥാപനങ്ങൾ AI എങ്ങനെ ഉപയോഗിക്കുന്നു എന്നതിനെ യഥാർത്ഥത്തിൽ മാറ്റിമറിക്കാൻ പോകുന്ന വാർത്തകൾ ഒരു സാൻഡ്‌ബോക്സ് (sandbox) തകർന്നതിനെക്കുറിച്ചും, സർക്കാരുകൾ ഇനി കാത്തുനിൽക്കില്ലെന്ന് തീരുമാനിച്ചതിനെക്കുറിച്ചും ആയിരുന്നു.

സന്ദേശം വ്യക്തമാണ്. പ്രകടനം (performance) മാത്രം ഇനി സ്ഥാപനങ്ങളുടെയോ പൊതുജനങ്ങളുടെയോ വിശ്വാസം നേടിയെടുക്കാൻ പര്യാപ്തമല്ല. സുരക്ഷയും ഗവേണൻസും (governance) ആണ് ഇനി പ്രധാന വിഷയമാകുന്നത്.

Google Gemini നിര വിപുലീകരിക്കുന്നു

വ്യത്യസ്ത തരം ജോലികൾക്കായി പ്രത്യേകം തയ്യാറാക്കിയ മൂന്ന് പുതിയ Gemini മോഡലുകൾ Google പുറത്തിറക്കി. പുറമെ നിന്ന് നോക്കുമ്പോൾ ഇത് ഒരു മോഡൽ കുടുംബത്തിന്റെ സാധാരണമായ വിപുലീകരണമായി തോന്നാം. എന്നാൽ ഇതിന് പിന്നിൽ, AI സേവനദാതാക്കൾ ഇപ്പോൾ വിന്യാസത്തെ (deployment) എങ്ങനെയാണ് കാണുന്നത് എന്നതിന്റെ സൂചനയുണ്ട്.

വ്യത്യസ്ത ജോലികൾക്ക് വ്യത്യസ്ത അളവിൽ കമ്പ്യൂട്ട് (compute) ആവശ്യമാണ്. സങ്കീർണ്ണമായ വിശകലനം, കോഡിംഗ് സഹായം, അല്ലെങ്കിൽ ബഹുതല ഗവേഷണം എന്നിവയ്ക്ക് ഒരു വലിയ റീസണിംഗ് മോഡൽ (reasoning model) അനുയോജ്യമാണ്. എന്നാൽ സപ്പോർട്ട് ടിക്കറ്റുകൾ തരംതിരിക്കാനോ ഇമെയിൽ മറുപടികൾ തയ്യാറാക്കാനോ ഇത് അനാവശ്യമാണ്. ഒന്നിലധികം വേരിയന്റുകൾ പുറത്തിറക്കുന്നതിലൂടെ, ഉപഭോക്താക്കൾക്ക് ബെഞ്ച്മാർക്ക് റാങ്കിംഗുകൾ മാത്രമല്ല, യഥാർത്ഥ ബിസിനസ്സ് പരിമിതികൾക്ക് അനുയോജ്യമായ ഓപ്ഷനുകൾ ആവശ്യമാണെന്ന് Google അംഗീകരിക്കുന്നു.

പ്രായോഗികമായി ഇത് പ്രൊക്യുർമെന്റ് (procurement) രീതികളെ മാറ്റുന്നു. നിങ്ങൾക്ക് ഇപ്പോൾ ജോലിയുടെ സ്വഭാവത്തിനനുസരിച്ച് കൃത്യമായ മോഡൽ തിരഞ്ഞെടുക്കാം. എഡ്ജിൽ (edge) പ്രവർത്തിക്കുന്ന ഒരു ലൈറ്റ്വെയ്റ്റ് മോഡലിന് ചിലവ് കുറവായിരിക്കും കൂടാതെ വേഗത്തിൽ പ്രതികരിക്കുകയും ചെയ്യും. ഒരു API-ക്ക് പിന്നിൽ പ്രവർത്തിക്കുന്ന ഹെവിവെയ്റ്റ് മോഡൽ കഠിനമായ ജോലികൾ കൈകാര്യം ചെയ്യും. ലളിതമായ ജോലികൾക്കായി ടോക്കണുകൾ (tokens) പാഴാക്കാതിരിക്കാൻ, ആവശ്യങ്ങൾ ബുദ്ധിപരമായി റൂട്ട് ചെയ്യുന്ന രീതിയിലുള്ള സിസ്റ്റങ്ങൾ നിർമ്മിക്കുക എന്നതാണ് ഇതിലെ രഹസ്യം.

ഇത് പ്രായോഗികമായ ഒരു ചോദ്യവും ഉയർത്തുന്നു. മിക്ക സ്ഥാപനങ്ങളും ഇതിനകം തന്നെ വിവിധ സേവനദാതാക്കളിൽ നിന്നുള്ള പല മോഡലുകളും ഉപയോഗിക്കുന്നുണ്ട്. മൂന്ന് പുതിയ Gemini വേരിയന്റുകൾ കൂടി വരുന്നത് നിങ്ങളുടെ ഇവാലുവേഷൻ പൈപ്പ്‌ലൈൻ (evaluation pipeline) അതിനനുസരിച്ച് മാറണമെന്നതിനെ സൂചിപ്പിക്കുന്നു. നിങ്ങളുടെ ടീം ഇപ്പോഴും കുറച്ച് പ്രോംപ്റ്റുകൾ (prompts) നേരിട്ട് നൽകി മോഡലുകൾ പരിശോധിക്കുകയാണെങ്കിൽ, നിങ്ങളുടെ സ്വന്തം ഡാറ്റ ഉപയോഗിച്ച് ഒരു സ്ട്രക്ചേർഡ് ബെഞ്ച്മാർക്ക് നിർമ്മിക്കേണ്ട സമയമായിരിക്കുന്നു. പ്രകടനത്തെക്കുറിച്ചുള്ള വെണ്ടർമാരുടെ അവകാശവാദങ്ങൾ നിങ്ങളുടെ പ്രത്യേക രേഖകൾക്കോ, ഉപയോക്താക്കൾക്കോ, അല്ലെങ്കിൽ ലേറ്റൻസി (latency) ആവശ്യങ്ങൾക്കോ കൃത്യമായി പൊരുത്തപ്പെടണമെന്നില്ല.

സാൻഡ്‌ബോക്സ് തകരുമ്പോൾ

പുതിയ മോഡലുകൾ ശ്രദ്ധ പിടിച്ചുപറ്റിയപ്പോൾ തന്നെ, ഒരു AI സാൻഡ്‌ബോക്സിനുള്ളിലുണ്ടായ സുരക്ഷാ വീഴ്ച എഞ്ചിനീയറിംഗ് കമ്മ്യൂണിറ്റിയിൽ വലിയ ചർച്ചയായി. സാൻഡ്‌ബോക്സുകൾ ഒരു കാരണത്താലാണ് നിലനിൽക്കുന്നത്. അവ AI-യെ സെൻസിറ്റീവ് ആയ സിസ്റ്റങ്ങളിൽ നിന്ന് മാറ്റിനിർത്തുന്നു, അതുവഴി പ്രൊഡക്ഷൻ ഡാറ്റയോ നിർണ്ണായകമായ ഇൻഫ്രാസ്ട്രക്ചറോ വെളിപ്പെടുത്താതെ തന്നെ ടീമുകൾക്ക് അവരുടെ കഴിവുകൾ പരിശോധിക്കാൻ സാധിക്കുന്നു.

ഐസൊലേഷൻ (isolation) പൂർണ്ണമല്ലെന്ന് ഈ വീഴ്ച കാണിച്ചുതന്നു. എഞ്ചിനീയർമാർ സുരക്ഷിതമാണെന്ന് കരുതിയ ഒരു സാഹചര്യത്തിൽ സുരക്ഷാ സംവിധാനങ്ങൾ പരാജയപ്പെടുമ്പോൾ, യഥാർത്ഥ അപകടവും സങ്കൽപ്പത്തിലുള്ള അപകടവും തമ്മിലുള്ള വലിയ വ്യത്യാസം വെളിപ്പെടുന്നു.

ഇതൊരു സാങ്കൽപ്പിക ആശങ്കയല്ല. കമ്പനികൾ ഇതിനകം തന്നെ അവരുടെ സ്വകാര്യ ഡാറ്റ AI ടൂളുകളിലേക്ക് നൽകുന്നുണ്ട്, ലാംഗ്വേജ് മോഡലുകളെ ഇന്റേണൽ ഡാറ്റാബേസുകളുമായി ബന്ധിപ്പിക്കുന്നു, കൂടാതെ ഉപയോക്താക്കൾക്ക് വേണ്ടി ഏജന്റുകളെ സോഫ്റ്റ്‌വെയറുമായി സംവദിക്കാൻ അനുവദിക്കുന്നു. ഓരോ ഇന്റഗ്രേഷനും സാൻഡ്‌ബോക്സിൽ നിന്ന് പുറത്തുകടക്കാനുള്ള ഒരു വഴി സൃഷ്ടിക്കുന്നു. മോഡലിനെ നിയന്ത്രിക്കാനുള്ള സംവിധാനങ്ങൾ തകർന്നാൽ, ഡാറ്റാ ചോർച്ചയും അനധികൃതമായ പ്രവർത്തനങ്ങളും നിയമലംഘനങ്ങളും വേഗത്തിൽ സംഭവിക്കാം.

സുരക്ഷ എങ്ങനെ പരിശോധിക്കണം എന്നതിനെക്കുറിച്ച് പുനർചിന്തനം ചെയ്യാൻ ഈ സംഭവം ടീമുകളെ പ്രേരിപ്പിക്കണം. ലോഞ്ചിന് മുമ്പ് ഒരു തവണ റെഡ്-ടീം (red-team) വ്യായാമങ്ങൾ നടത്തുന്നത് മാത്രം പോരാ. മോഡലുകൾ മാറിക്കൊണ്ടിരിക്കും (drift), പ്രോംപ്റ്റുകൾ രൂപമാറ്റം സംഭവിക്കും, ഇന്റഗ്രേഷനുകൾ ആക്രമണ സാധ്യതകൾ (attack surface) നിരന്തരം വർദ്ധിപ്പിക്കുകയും ചെയ്യും. സാൻഡ്‌ബോക്സിനെ വെറുമൊരു പരിസരമായി കാണാതെ, അതിനുള്ളിലെ മോഡലിനെപ്പോലെ തന്നെ സാൻഡ്‌ബോക്സിനെ ഒരു ലക്ഷ്യമായി കണ്ട് ആവർത്തിച്ചുള്ള അഡ്വേഴ്സേറിയൽ ടെസ്റ്റിംഗ് (adversarial testing) നടത്തേണ്ടതുണ്ട്.

തേർഡ് പാർട്ടി AI സേവനങ്ങൾ ഉപയോഗിക്കുന്ന ബിസിനസുകൾക്ക് പാഠം വളരെ വ്യക്തമാണ്. അവരുടെ സാൻഡ്‌ബോക്സുകൾ എങ്ങനെയാണ് സ്ട്രക്ചർ ചെയ്തിരിക്കുന്നത് എന്ന് വെണ്ടറോട് ചോദിക്കുക. ഒരു പ്രോംപ്റ്റ് ഇൻജക്ഷൻ (prompt injection) ശ്രമം വിജയിച്ചാൽ എന്ത് സംഭവിക്കുമെന്ന് ചോദിക്കുക. മോഡൽ പാടില്ലാത്ത ഡാറ്റ ഉപയോഗിച്ചാൽ അതിന്റെ ഉത്തരവാദിത്തം ആർക്കാണെന്ന് ചോദിക്കുക. ഉത്തരങ്ങൾ അവ്യക്തമാണെങ്കിൽ, നിങ്ങളുടെ ഡാറ്റ ഇതിനകം തന്നെ അപകടത്തിലാണെന്ന് മനസ്സിലാക്കുക.

നിരീക്ഷണത്തിൽ നിന്ന് നിയമനിർമ്മാണത്തിലേക്ക് സർക്കാരുകൾ മാറുന്നു

കഴിഞ്ഞ പതിനെട്ട് മാസമായി റെഗുലേറ്റർമാർ തത്വങ്ങൾ പ്രസിദ്ധീകരിക്കാനും, ഹിയറിംഗുകൾ നടത്താനും, ഫ്രെയിംവർക്കുകളെക്കുറിച്ച് സൂചനകൾ നൽകാനും ശ്രമിക്കുകയായിരുന്നു. ഈ ആഴ്ച ആ നിലപാട് മാറി. നിരീക്ഷണത്തിൽ നിന്ന് പ്രായോഗികമായ നടപടികളിലേക്ക് സർക്കാരുകൾ നീങ്ങി. നിയന്ത്രിത വ്യവസായങ്ങൾക്കുള്ളിൽ AI വിന്യാസം എങ്ങനെയായിരിക്കണം എന്ന് നിർണ്ണയിക്കുന്ന നിയമങ്ങൾ അവർ തയ്യാറാക്കി തുടങ്ങി.

അവർ വലിയ സാങ്കേതിക കമ്പനികളിലേക്ക് പ്രത്യേക ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു. നിയന്ത്രണ ഏജൻസികൾ വലുപ്പത്തെ പരിശോധിക്കുമ്പോൾ, അവർ നോക്കുന്നത് വിപണി കേന്ദ്രീകരണത്തെയാണ് (concentration). കുറച്ച് സേവനദാതാക്കൾ മാത്രം ഇൻഫ്രാസ്ട്രക്ചറും മോഡലുകളും വിതരണ ശൃംഖലകളും നിയന്ത്രിക്കുന്ന ഒരു വിപണി വ്യവസ്ഥാപിതമായ അപകടസാധ്യത (systemic risk) സൃഷ്ടിക്കുന്നു. ഒരു പ്ലാറ്റ്‌ഫോം അതിന്റെ സുരക്ഷാ നയമോ വിലയോ പെട്ടെന്ന് മാറ്റിയാൽ, ആയിരക്കണക്കിന് അനുബന്ധ ബിസിനസുകൾ അത് ഉടനടി അനുഭവിക്കും.

ഓപ്പറേറ്റർമാരെ സംബന്ധിച്ചിടത്തോളം, വരാനിരിക്കുന്ന നിയന്ത്രണങ്ങൾ വെറുമൊരു നിയമപാലന തലവേദന മാത്രമല്ല. നിങ്ങളുടെ AI സപ്ലൈ ചെയിൻ രേഖപ്പെടുത്താനുള്ള ഒരു സൂചന കൂടിയാണിത്. നിങ്ങളുടെ മോഡലുകൾ എവിടെ നിന്ന് വരുന്നു, അവ ഏത് ഡാറ്റയിലാണ് പരിശീലിപ്പിച്ചിരിക്കുന്നത്, അവയുടെ ഔട്ട്‌പുട്ടുകൾ നിങ്ങൾ എങ്ങനെ പരിശോധിക്കുന്നു (audit) എന്ന് നിയന്ത്രണ ഏജൻസികൾ അറിയാൻ ആഗ്രഹിക്കും. സെൽഫ്-ഹോസ്റ്റഡ് ഓപ്പൺ മോഡലുകൾ വെണ്ടർമാരിൽ നിന്നുള്ള ആഘാതങ്ങളിൽ നിന്ന് നിങ്ങളെ സംരക്ഷിച്ചേക്കാം, എന്നാൽ അവയ്ക്ക് സ്വന്തമായി ഡോക്യുമെന്റേഷൻ ഭാരങ്ങളുണ്ട്.

ഇപ്പോൾ തന്നെ തയ്യാറെടുപ്പുകൾ തുടങ്ങുക. നിങ്ങളുടെ സ്ഥാപനത്തിൽ നിലവിൽ ഉപയോഗിക്കുന്ന ഓരോ AI ടൂളും കണ്ടെത്തുക, ജീവനക്കാർ ഔദ്യോഗിക ഇമെയിൽ ഉപയോഗിച്ച് സ്വയം ഉപയോഗിക്കുന്നവ പോലും ഇതിൽ ഉൾപ്പെടണം. ഏതെല്ലാം പ്രക്രിയകളാണ് സെൻസിറ്റീവ് ആയ കസ്റ്റമർ ഡാറ്റ കൈകാര്യം ചെയ്യുന്നത് എന്ന് തിരിച്ചറിയുക. ഒരു ലളിതമായ ഗവേണൻസ് ചെക്ക്‌ലിസ്റ്റ് തയ്യാറാക്കുക: മോഡൽ സ്രോതസ്സ് (model source), ഡാറ്റാ റീറ്റൻഷൻ പോളിസി, ഹ്യൂമൻ റിവ്യൂ പ്രോട്ടോക്കോൾ, ഇൻസിഡന്റ് റെസ്പോൺസ് പ്ലാൻ എന്നിവ ഇതിൽ ഉൾപ്പെടുത്തുക. നിയമങ്ങൾ വരുമ്പോൾ, ഈ വിവരങ്ങൾ തയ്യാറാക്കി വെച്ചിട്ടുള്ള കമ്പനികൾ ആഴ്ചകൾക്കുള്ളിൽ മാറുന്നവരായിരിക്കും, എന്നാൽ തയ്യാറെടുപ്പില്ലാത്തവർ മാസങ്ങളോളം കഷ്ടപ്പെടേണ്ടി വരും.

ഇത് നിങ്ങളുടെ ജോലിയെ എങ്ങനെ ബാധിക്കുന്നു

ഈ മൂന്ന് സംഭവങ്ങളും തമ്മിലുള്ള ബന്ധം സൈദ്ധാന്തികമല്ല, പ്രായോഗികമാണ്. ബഹളങ്ങളിൽ കുടുങ്ങാതെ എങ്ങനെ പ്രതികരിക്കാം എന്ന് നോക്കാം.

• നിങ്ങളുടെ മോഡൽ മിക്സ് ഓഡിറ്റ് ചെയ്യുക. എല്ലാ കാര്യങ്ങൾക്കും നിങ്ങൾ ഒരൊറ്റ മോഡൽ ഉപയോഗിക്കുകയാണെങ്കിൽ, നിങ്ങൾ അമിതമായി പണം ചിലവാക്കുന്നുണ്ടാകാം കൂടാതെ മികച്ച ഫലം ലഭിക്കണമെന്നില്ല. പ്രത്യേക ജോലികൾക്കായി രൂപകൽപ്പന ചെയ്ത മോഡലുകൾ കുറഞ്ഞ ചിലവിൽ വേഗത്തിൽ ചെയ്യാൻ കഴിയുമോ എന്ന് പരിശോധിക്കുക. മാർക്കറ്റിംഗ് ഡെമോകൾക്ക് പകരം യഥാർത്ഥ വർക്ക് ലോഡുകളിൽ സൈഡ്-ബൈ-സൈഡ് ടെസ്റ്റുകൾ നടത്തുക.

• ഓരോ AI ഇന്റഗ്രേഷനെയും ഒരു സെക്യൂരിറ്റി ബൗണ്ടറിയായി കാണുക. സാൻഡ്‌ബോക്സ് പരാജയപ്പെട്ടേക്കാം എന്ന് കരുതുക. ടാസ്ക് പൂർത്തിയാക്കാൻ ആവശ്യമായ ഡാറ്റ മാത്രം മോഡലുകൾക്ക് നൽകിക്കൊണ്ട് ഡാറ്റാ എക്സ്പോഷർ പരിമിതപ്പെടുത്തുക. കൃത്യമായ ലോഗിംഗ് (logging), റേറ്റ് ലിമിറ്റിംഗ് (rate limiting), കിൽ സ്വിച്ചുകൾ (kill switches) എന്നിവ ഇല്ലെങ്കിൽ ജനറൽ പർപ്പസ് അസിസ്റ്റന്റുകളെ ഇന്റേണൽ സിസ്റ്റങ്ങളുമായി ബന്ധിപ്പിക്കുന്നത് ഒഴിവാക്കുക.

• നിയമപരമായ മാറ്റങ്ങൾക്കായി തയ്യാറെടുക്കുക. നിയമങ്ങൾ വരാനിരിക്കുന്നു. സുതാര്യത (transparency), ബയാസ് ടെസ്റ്റിംഗ് (bias testing), മനുഷ്യന്റെ മേൽനോട്ടം (human oversight) എന്നിവയ്ക്കായി ഇപ്പോൾ തന്നെ ആഭ്യന്തര നയങ്ങൾ തയ്യാറാക്കുക. നിയമത്തിന്റെ അന്തിമ രൂപത്തിനായി നിങ്ങൾ കാത്തിരുന്നാൽ, നേരത്തെ തയ്യാറെടുത്ത എതിരാളികളേക്കാൾ നിങ്ങൾ പിന്നിലായിപ്പോകും.

• ശ്രദ്ധ കേന്ദ്രീകരിക്കുക. എല്ലാ വാർത്തകളും പിന്തുടരുന്നത് നിർത്തുക. വിശ്വസനീയമായ ഒന്നോ രണ്ടോ സ്രോതസ്സുകൾ തിരഞ്ഞെടുക്കുക, അവ ആഴ്ചയിലൊരിക്കൽ പരിശോധിക്കുക, ബാക്കി സമയം നിങ്ങളുടെ ആവശ്യങ്ങൾക്കായി ടൂളുകൾ പരീക്ഷിക്കാൻ ഉപയോഗിക്കുക. ഇൻഡസ്ട്രിയിലെ ബഹളങ്ങൾ അനന്തമാണ്. എന്നാൽ നിങ്ങളുടെ ബിസിനസ്സ് സാഹചര്യം സവിശേഷമാണ്.

ചുരുക്കത്തിൽ

AI-യിൽ പവർ ഇപ്പോഴും പ്രധാനമാണ്, പക്ഷേ അത് മാത്രമായിരുന്നില്ല ഇനി പ്രധാനം. ഏത് മോഡലുകൾ സുരക്ഷിതമായി ഉപയോഗിക്കാം, ഏത് വെണ്ടർമാർക്ക് ഉപഭോക്താക്കളുടെ ഡാറ്റ സംരക്ഷിക്കാൻ കഴിയും, ഏത് സ്ഥാപനങ്ങൾക്ക് കർശനമായ നിയമപരിതസ്ഥിതിയിലൂടെ മുന്നോട്ട് പോകാൻ കഴിയും എന്നതിനെ ആശ്രയിച്ചായിരിക്കും അടുത്ത ഘട്ടം എന്ന് ഈ ആഴ്ച തെളിയിച്ചു.

ഗൂഗിളിന്റെ പുതിയ റിലീസുകൾ നിങ്ങൾക്ക് ഉപയോഗിക്കാൻ കൂടുതൽ ടൂളുകൾ നൽകുന്നു. സാൻഡ്‌ബോക്സ് ബ്രീച്ച് ആ ടൂളുകൾക്ക് ശക്തമായ സുരക്ഷാ അതിരുകൾ ആവശ്യമാണെന്ന് ഓർമ്മിപ്പിക്കുന്നു. നിയമപരമായ മാറ്റങ്ങൾ വരുന്നു എന്ന സൂചന നൽകുന്നത് പരീക്ഷണാടിസ്ഥാനത്തിലുള്ള ഘട്ടം അവസാനിക്കുന്നു എന്നാണ്.

നിങ്ങളുടെ ഡാറ്റയെയും വർക്ക് ഫ്ലോകളെയും നിയമപരമായ ഉത്തരവാദിത്തങ്ങളെയും ബാധിക്കുന്ന മാറ്റങ്ങളിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുക. മറ്റുള്ളവയെല്ലാം വെറും ബഹളങ്ങൾ മാത്രമാണ്.

പൂർണ്ണമായ വിവരങ്ങൾ ഇവിടെ വായിക്കുക.

Telegram വഴി GyaanSetu ലേണിംഗ് കമ്മ്യൂണിറ്റിയിൽ ചേരുക.