Mozilla, Firefox-ന്റെ New Tab പേജിൽ ഒരു ദൈനംദിന ക്രോസ്വേഡ് (crossword) അവതരിപ്പിക്കുന്നു. Particle എന്ന AI സംവിധാനം ഓരോ ദിവസവും രാവിലെയാണ് ഈ പസിൽ തയ്യാറാക്കുന്നത്. പുതിയ നിയന്ത്രണങ്ങൾ കാരണം സെർച്ച് സംബന്ധമായ വരുമാനത്തിന് സമ്മർദ്ദം നേരിടുന്ന സാഹചര്യത്തിൽ, ഉപയോക്താക്കളെ കൂടുതൽ സമയം ബ്രൗസറിൽ തന്നെ നിലനിർത്തുക എന്നതാണ് ഈ നീക്കത്തിന്റെ ലക്ഷ്യം.
മുൻപ് സ്റ്റാറ്റിക് ലിങ്കുകൾ മാത്രം ഉണ്ടായിരുന്ന ഹോം പേജുകളിൽ നിന്ന്, കൂടുതൽ സംവേദനാത്മകവും (interactive) AI അധിഷ്ഠിതവുമായ ഉള്ളടക്കങ്ങളിലേക്കുള്ള വലിയൊരു മാറ്റത്തിന്റെ ഭാഗമായാണ് Mozilla-യുടെ ഈ പരീക്ഷണം. ഷോർട്ട്കട്ടുകളുടെ പട്ടികയ്ക്ക് പകരം ഒരു ഗെയിം പോലെ അനുഭവപ്പെടുന്ന രീതി കൊണ്ടുവരുന്നതിലൂടെ, ഉപയോക്താക്കളുടെ ശ്രദ്ധ മറ്റ് വെബ്സൈറ്റുകളിലേക്ക് മാറാതെ പിടിച്ചുനിർത്താൻ കമ്പനി പ്രതീക്ഷിക്കുന്നു. എന്നാൽ ഇതിനായി ചെലവാക്കുന്ന എഞ്ചിനീയറിംഗ് അധ്വാനവും കമ്പ്യൂട്ടിംഗ് ചിലവും ഈ അധിക ക്ലിക്കുകൾക്ക് അർഹമാണോ എന്നതാണ് യഥാർത്ഥ ചോദ്യം.
എന്തുകൊണ്ട് ഒരു ക്രോസ്വേഡ്, എന്തുകൊണ്ട് AI?
ഈ സംവിധാനത്തിന്റെ ഘടന ജോലി വിഭജനത്തെ പ്രതിഫലിപ്പിക്കുന്നു. ആദ്യം, ഒരു Large Language Model (LLM) വാർത്താ തലക്കെട്ടുകളും ലേഖനങ്ങളും വായിക്കുന്നു, തുടർന്ന് അനുയോജ്യമായ വാക്കുകളുടെയും സൂചനകളുടെയും (clues) ഒരു പട്ടിക നൽകുന്നു. അടുത്തതായി, ഗ്രിഡ് നിർമ്മാണത്തിനായി രൂപകൽപ്പന ചെയ്ത ഒരു ഗണിതശാസ്ത്ര എഞ്ചിനായ "solver" ഈ ജോഡികളെ ഉപയോഗിച്ച്, അക്ഷരങ്ങൾ പരസ്പരം ചേരുന്ന രീതിയിലുള്ള ഒരു ക്രോസ്വേഡ് തയ്യാറാക്കുന്നു. അവസാനമായി, ഓരോ സൂചനയും അതിന്റെ ഉത്തരവുമായി പൊരുത്തപ്പെടുന്നുണ്ടെന്നും ഗ്രിഡ് വൈരുദ്ധ്യങ്ങളില്ലാതെ പരിഹരിക്കാൻ കഴിയുന്നുണ്ടെന്നും ഉറപ്പാക്കാൻ ഒരു വാലിഡേഷൻ (validation) ഘട്ടം നടക്കുന്നു.
എഞ്ചിനീയറിംഗ് വെല്ലുവിളികൾ
ടെക്സ്റ്റ് നിർമ്മിക്കുന്നതിൽ LLM-കൾ മികവ് പുലർത്തുന്നുണ്ടെങ്കിലും, കൃത്യമായ സ്ഥലപരമായ (spatial) നിയമങ്ങൾ പാലിക്കേണ്ടി വരുമ്പോൾ അവ പാളിപ്പോകുന്നു. ഒരു സൂചനയ്ക്ക് അനുയോജ്യമായ വാക്ക് നിർദ്ദേശിക്കാൻ ഒരു മോഡലിന് സാധിച്ചേക്കാം, എന്നാൽ മറ്റ് വാക്കുകളുമായി അക്ഷരങ്ങൾ കൃത്യമായി ചേരുന്നുണ്ടെന്ന് ഉറപ്പാക്കാൻ അതിന് കഴിയില്ല. ഓരോ ദിവസവും ഈ സംവിധാനം ചെയ്യേണ്ടവ:
- ഏറ്റവും പുതിയ വാർത്തകൾ ശേഖരിക്കുക.
- ഡസൻ കണക്കിന് വാക്ക്-സൂചന ജോഡികൾ സൃഷ്ടിക്കാൻ LLM inference നടത്തുക.
- ഈ ജോഡികളെ solver-ലേക്ക് നൽകുക; ഗ്രിഡ് പൂർത്തിയാക്കാൻ സാധിച്ചില്ലെങ്കിൽ ഇത് ആവർത്തിക്കേണ്ടി വന്നേക്കാം.
- വാലിഡേഷൻ നടത്തുക.
ചെലവ് മൂലമുണ്ടാകുന്ന പാർശ്വഫലങ്ങൾ
ഒരു സ്റ്റാറ്റിക് ഡാറ്റാബേസിൽ നിന്ന് നേരത്തെ തയ്യാറാക്കിയ പസിൽ നൽകുന്നതിനേക്കാൾ കൂടുതൽ ചിലവ് ഓരോ ദിവസവും പുതിയ ഡാറ്റ ഉപയോഗിച്ച് ഒരു ലാംഗ്വേജ് മോഡൽ പ്രവർത്തിപ്പിക്കാൻ ആവശ്യമാണ്. ഇതിൽ റിസ്ക്-കോസ്റ്റ് (risk-cost) എന്നൊരു വശവുമുണ്ട്. LLM "hallucinate" ചെയ്യുകയാണെങ്കിൽ (അതായത്, വാർത്തകളിൽ ഇല്ലാത്ത ഒരു വസ്തുതയെ സൂചിപ്പിക്കുന്ന സൂചന നൽകുകയാണെങ്കിൽ), പസിലിൽ തെറ്റായതോ തെറ്റിദ്ധരിപ്പിക്കുന്നതോ ആയ സൂചനകൾ വരാം, ഇത് ഉപയോക്താക്കളുടെ വിശ്വാസത്തെ ബാധിക്കും.
അവസാനമായി, ഒരു എക്സ്റ്റേണൽ API-യെ ആശ്രയിക്കുന്നത് ഒരു ഡിപെൻഡൻസി റിസ്ക് (dependency risk) ഉണ്ടാക്കുന്നു. Particle-ൽ തകരാർ സംഭവിച്ചാൽ, New Tab പേജിലെ വിഡ്ജറ്റ് (widget) പ്രവർത്തിക്കാതാകും, ഇത് ഉപയോക്താക്കൾ ആ ഫീച്ചർ പൂർണ്ണമായും ഒഴിവാക്കാൻ കാരണമായേക്കാം.
Firefox-ന്റെ ഈ ക്രോസ്വേഡ് പരീക്ഷണം ബ്രൗസറുകളുടെ പുതിയൊരു തലത്തെ കാണിക്കുന്നു: വലിയ കമ്പ്യൂട്ടിംഗ് ചിലവുകൾ നൽകിയാണെങ്കിലും ഉപയോക്താക്കളെ കൂടുതൽ സമയം നിലനിർത്താൻ സഹായിക്കുന്ന തത്സമയ AI ഉള്ളടക്കം. ഈ വിട്ടുവീഴ്ച ലാഭകരമാണോ എന്നത്, മറ്റ് പ്ലാറ്റ്ഫോമുകൾ അവരുടെ ദൈനംദിന ഇന്റർഫേസുകളിൽ AI നേരിട്ട് ഉൾപ്പെടുത്തുന്ന രീതിയെ സ്വാധീനിക്കും.