ChatGPT हे नाव घराघरात पोहोचल्यापासून, AI डिटेक्टर्सभोवती गैरसमजांची एक दंतकथा निर्माण झाली आहे. लोक त्यांना ChatGPT च्या खुणा शोधणारे 'डिजिटल ब्लडहाउंड्स' (शोधक श्वान) समजतात. पण वास्तव तितके चित्रपटसदृश नाही. ही साधने LLM ने लिहिलेल्या सर्व गोष्टींच्या गुप्त डेटाबेसमध्ये शोध घेत नाहीत. त्यांचा तुमच्या ब्राउझर हिस्ट्रीशी कोणताही थेट संबंध नसतो. ते प्रत्यक्षात तुमच्या मजकुराचे सांख्यिकीय मॉडेल्सद्वारे (statistical models) विश्लेषण करतात आणि मशीनद्वारे तयार केलेल्या लेखनाशी संबंधित गणितीय संकेत (mathematical signals) शोधतात. हे संकेत समजून घेतल्यास तुम्हाला त्यांचे निकाल शहाणपणाने लावण्यास मदत होते आणि केवळ टक्केवारीच्या आकड्यावर आंधळा विश्वास ठेवण्यापासून तुम्ही वाचता.

ही साधने प्रत्यक्षात कशी कार्य करतात

मूळतः, AI डिटेक्टर्स हे संभाव्यतेवर (probability) आधारित पॅटर्न-मॅचिंग इंजिन्स आहेत. लार्ज लँग्वेज मॉडेल्स (LLMs) प्रत्येक वाक्यांनंतर पुढचा सर्वात संभाव्य 'टोकन' (token) वर्तवून काम करतात. हजारो शब्दांच्या प्रक्रियेत, ही सवय एक सांख्यिकीय अवशेष (statistical residue) मागे सोडते. डिटेक्टर्स हा अवशेष मोजण्याचा प्रयत्न करतात.

हे हस्ताक्षराच्या विश्लेषणासारखे समजा. एखादा तज्ज्ञ तुमच्या 'g' अक्षराची तुलना सर्व लिहिलेल्या 'g' अक्षरांच्या मास्टर डेटाबेसशी करत नाही. त्याऐवजी, ते लय (rhythm), तिरकेपणा (slant), दाब (pressure) आणि अंतर (spacing) पाहतात. डिटेक्टर्स मजकुरासाठी अशीच तर्कसंगत पद्धत वापरतात. भाषा किती अंदाजित (predictable) आहे, रचना किती एकसमान आहे आणि शब्दसंग्रह कृत्रिम लेखनाशी संबंधित मर्यादित सांख्यिकीय श्रेणीत बसतो का, याचे ते परीक्षण करतात.

प्रत्येक डिटॅक्टर प्रदाता त्याचे मॉडेल वेगवेगळ्या डेटा संचांवर (corpora) प्रशिक्षित करतो आणि त्याची संवेदनशीलता वेगवेगळ्या प्रकारे सेट करतो, त्यामुळे तोच परिच्छेद एका प्लॅटफॉर्मवर १२ टक्के आणि दुसऱ्यावर ८७ टक्के असू शकतो. "AI-ness" (AI असल्याचा गुणधर्म) साठी कोणताही वैश्विक मानक नाही. प्रत्येक साधन हे मूलतः गणिताद्वारे मांडलेले एक मत आहे.

डिटेक्टर्स शोधत असलेले चार संकेत

बहुतेक डिटेक्शन प्लॅटफॉर्म काही विशिष्ट खुणा शोधतात. त्या काय आहेत हे समजल्यास बराच गोंधळ दूर होतो.

Predictability मानवी भाषा अनिश्चित असते. एखाद्या कॅफेचे वर्णन करणारी व्यक्ती कदाचित एस्प्रेसोचा जळलेला वास सांगेल, मग आपल्या आजीच्या स्वयंपाकघरातील आठवणीत हरवून जाईल आणि नंतर पुन्हा जमिनीवरील डागांबद्दल बोलेल. AI सहसा सर्वाधिक संभाव्य मार्गाचा अवलंब करते. ते असे शब्द निवडते जे त्याच्या ट्रेनिंग डेटाने सर्वात सुरक्षित आणि अपेक्षित असल्याचे दाखवले आहे. डिटेक्टर्स हे 'परप्लेक्सिटी' (perplexity) सारख्या निकषांद्वारे मोजतात. जर तुमचा मजकूर डिटॅक्टरच्या अंतर्गत लँग्वेज मॉडेलला क्वचितच आश्चर्यचकित करत असेल, तर ते साधन AI च्या सहभागाचा संशय घेते. मजकूर जितका अधिक अंदाजित असेल, तितका जास्त इशारा (flag) मिळेल.

Sentence variation संपादित न केलेला AI चा हजार शब्दांचा मजकूर मोठ्याने वाचा, तेव्हा तुम्हाला एका 'मेट्रोनोम' (metronome) सारखा परिणाम जाणवेल. वाक्ये अनेकदा शब्दांच्या एकाच मर्यादेत असतात, सहसा उभयान्वयी अव्ययांनी जोडलेली संयुक्त वाक्ये असतात. मानवी लेखक कागदावर वेगळ्या पद्धतीने लिहितात. ते अपूर्ण वाक्ये लिहितात. ते एका लांब, गुंतागुंतीच्या वाक्यांनंतर एक छोटे, प्रभावी वाक्य लिहितात. ते प्रश्न विचारतात. ते मुद्दाम लय तोडतात. डिटेक्टर्स ही अनियमितता शोधतात, ज्याला अनेकदा "बर्स्टिनेस" (burstiness) म्हटले जाते. एकसमान आणि गुळगुळीत लय सांख्यिकीय वाटते, तर तुटक आणि असमान लय मानवी वाटते.

Consistency of tone and perspective AI आउटपुट पहिल्या वाक्यापासून शेवटच्या वाक्यापर्यंत एकाच स्वरूपात (register) राहण्याची प्रवृत्ती असते. जर ते औपचारिक तृतीय-पुरुषी आवाजात सुरू झाले, तर ते सामान्यतः तसेच राहते. माणसे विषयांतून भरकटतात. ते एका व्यावसायिक निरीक्षणाने सुरुवात करतात, मग एखादा वैयक्तिक किस्सा सांगतात, मग विनोद करतात आणि पुन्हा गंभीर होतात. ते विषयांतर करतात, शब्दसंग्रह बदलतात किंवा विचार केल्यावर आधीच्या मुद्द्याशी विसंगत बोलतात. सध्याची लँग्वेज मॉडेल्स लांब परिच्छेदांमध्ये अशा स्वरातील चढ-उतार प्रभावीपणे हुबेहूब उतरवणे कठीण असते. डिटेक्टर्स या विसंगतीला कीबोर्डमागे असलेल्या खऱ्या व्यक्तीचा पुरावा मानतात.

Word choice and register कृत्रिम लेखन सहसा विचित्रपणे औपचारिक मध्यमार्गाचा अवलंब करते. ते विशिष्ट बोलीभाषा, प्रादेशिक वाक्प्रचार किंवा उद्योगातील संक्षिप्त शब्दांऐवजी सामान्य अमूर्त नामे आणि मोठ्या प्रमाणावर वापरले जाणारे क्रियापदे वापरते. एक मानवी प्रोग्रामर कदाचित "hacked together a script" किंवा "wrestled with the build pipeline" असे लिहू शकतो. AI बहुधा "developed a solution" किंवा "addressed the deployment issue" असे म्हणेल. जेव्हा मजकूर मर्यादित आणि उच्च-वारंवारता असलेल्या शब्दसंग्रहात राहतो आणि क्वचितच एखादा असामान्य शब्दप्रयोग किंवा मुद्दाम व्याकरणिक वळण घेतो, तेव्हा डिटेक्टर्स ते लक्षात घेतात.

वेगवेगळ्या प्लॅटफॉर्मवर तुमचा स्कोअर का बदलतो

जर तुम्ही तोच निबंध तीन वेगवेगळ्या डिटेक्टर्समध्ये पेस्ट केला, तर तुम्हाला तीन परस्परविरोधी निकाल मिळू शकतात. असे घडते कारण त्यामागील यंत्रणा अर्थपूर्ण प्रकारे भिन्न असते.

काही साधने प्रामुख्याने जुन्या GPT-3.5 आउटपुटवर प्रशिक्षित केली गेली आहेत. इतर साधने नवीन GPT-4 जनरेशनचा वापर करतात किंवा विविध मॉडेल्समधील सिंथेटिक मजकूर एकत्र करतात. त्यांच्या वैशिष्ट्यांचे वेटिंग (weightings) देखील भिन्न असते. एखादे प्लॅटफॉर्म वाक्यांच्या लांबीतील एकसारखेपणाला जास्त महत्त्व देऊ शकते, तर दुसरे 'परप्लेक्सिटी'ला (perplexity) प्राधान्य देऊ शकते. थ्रेशोल्ड्स (Thresholds) हे केवळ अंतर्गत आणि अनिश्चित निर्णय असतात. एखादा विक्रेता ६० टक्क्यांहून अधिक आत्मविश्वास असल्यास त्याला "संभाव्य AI" म्हणून लेबल लावू शकतो, तर त्याचा स्पर्धक तोच लेबल ९० टक्क्यांसाठी राखून ठेवू शकतो.

या साधनांना प्रमाणित करणारी कोणतीही नियामक संस्था नाही. ही प्रायोगिक साधने आहेत ज्यांना 'निश्चिततेचा' आभास देऊन विकले जाते. त्यांचे निष्कर्ष कायदेशीर पुरावा किंवा शैक्षणिक शिक्षणाचे आधार मानणे म्हणजे संपूर्ण हंगामातील पिकांच्या उत्पादनाचा अंदाज लावण्यासाठी हातातील वेदर स्टेशन वापरण्यासारखे आहे.

फॉल्स पॉझिटिव्हची समस्या (The False Positive Problem)

डिटेक्टर्स थेट पुराव्याऐवजी सांख्यिकीय सहसंबंधावर (statistical correlation) अवलंबून असल्याने, ते मानवी लेखन वारंवार कृत्रिम (synthetic) म्हणून चुकीच्या पद्धतीने ओळखतात. वैध गद्याच्या (prose) काही श्रेणी विशेषतः याला बळी पडतात.

शैक्षणिक शोधनिबंध ठराविक नियमांचे पालन करतात. कर्मणी प्रयोग (passive voice), अनिश्चितता दर्शवणारी वाक्ये (hedging phrases) आणि प्रमाणित विभाग शीर्षके यामुळे एक अत्यंत नियमित सांख्यिकीय प्रोफाइल तयार होते, जे AI मॉडेल्सच्या ट्रेनिंग डेटाशी मिळतेजुळते असते. तांत्रिक मॅन्युअल्सनाही याच समस्येचा सामना करावा लागतो. ते सुसंगत संज्ञा, छोटी विधानात्मक वाक्ये आणि किमान भावनिक बदल वापरतात, ज्यामुळे पॅटर्न-आधारित संशय निर्माण होतो. कायदेशीर कागदपत्रे ही मुळात संरचित टेम्पलेट्स असतात आणि त्यांची पुनरावृत्ती होणारी अचूकता क्लासिफायरला (classifier) अल्गोरिदमिक वाटते.

ज्यांची मातृभाषा इंग्रजी नाही असे लोक अनेकदा व्याकरणदृष्ट्या अचूक पण वाक्यरचनेच्या दृष्टीने साधी लेखन करतात. त्यांची काळजीपूर्वक केलेली रचना—कारण ती मूळ इंग्रजी भाषिकांच्या वाक्प्रचारांच्या गोंधळाला टाळते—त्यामुळे त्यांचे लेखन मशीन टेक्स्टच्या (machine text) समान सांख्यिकीय क्षेत्रात येऊ शकते. तासनतास मेहनत करून निबंध लिहिणारा विद्यार्थी केवळ त्याच्या शिस्तबद्ध आणि स्पष्ट वाक्यांमुळे चुकीच्या पद्धतीने दोषी ठरवला जाऊ शकतो, कारण ती वाक्ये डिटेक्टरासाठी खूपच सुव्यवस्थित वाटतात.

डिटेक्टर्सचा वापर करा, पण त्यांना स्वतःवर वापरू देऊ नका

या साधनांचा वापर करण्याचा सर्वात योग्य मार्ग म्हणजे त्यांना 'पहिली पायरी' (first-pass filter) म्हणून पाहणे, ज्युरीचा निकाल म्हणून नाही. जर तुम्ही संपादक, शिक्षक किंवा हायरिंग मॅनेजर असाल, तर उच्च स्कोअरमुळे आरोप करण्याऐवजी संवाद साधण्याचा प्रयत्न करा. लेखकाला त्यांच्या लेखन प्रक्रियेबद्दल विचारा. आराखडा (outline) किंवा कच्चा मसुदा (rough draft) मागा. गद्याच्या मागे असलेले मूळ विचार शोधण्याचा प्रयत्न करा.

जर तुम्ही लेखक असाल, तर डिटेक्टराची फसवणूक करण्यासाठी तुमच्या कामात बदल करू नका. ज्या क्षणी तुम्ही "अधिक मानवी" दिसण्यासाठी यादृच्छिक टायपिंगच्या चुका (typos) करणे, वाक्ये कृत्रिमरित्या तोडणे किंवा अचूक शब्दांच्या जागी विचित्र समानार्थी शब्द वापरणे सुरू करता, त्याच क्षणी तुम्ही स्पष्टतेचा त्याग करून भीतीला (paranoia) महत्त्व देता. तुम्ही आता वाचकासाठी लिहीत नाही आहात, तर तुम्ही एका अल्गोरिदमसाठी सादरीकरण करत आहात.

तुम्ही ज्याप्रमाणे विचार करता त्याप्रमाणे लिहा. तुमच्या लेखनाचा लय नैसर्गिकरित्या बदलत राहा. तुमच्या क्षेत्रातील विशिष्ट शब्दसंग्रह वापरा. असे निरीक्षणे समाविष्ट करा जी केवळ तुम्हीच करू शकता. हीच वैशिष्ट्ये कोणत्याही डिटेक्टराविरुद्ध तुमचे सर्वोत्तम संरक्षण आहेत आणि महत्त्वाचे म्हणजे, यामुळेच तुमचे लेखन वाचण्यायोग्य ठरते.

मुख्य निष्कर्ष (The Real Takeaway)

AI डिटेक्टर्स हे विश्लेषणात्मक सहाय्यक (sidecars) आहेत, चालक (drivers) नाहीत. मजकूर सांख्यिकीयदृष्ट्या सुसंगत वाटतो का हे ते सुचवू शकतात, परंतु ते अंतर्दृष्टी, सर्जनशीलता किंवा प्रत्यक्ष अनुभव मोजू शकत नाहीत. एखादा युक्तिवाद मूळ आहे का, गोष्ट सत्य आहे का किंवा तांत्रिक स्पष्टीकरण अचूक आहे का, हे एखादा आत्मविश्वासपूर्ण स्कोअर तुम्हाला सांगू शकत नाही.

स्पष्टतेवर लक्ष केंद्रित करा. स्क्रीनच्या पलीकडच्या मानवाला प्राधान्य द्या. मूळ कल्पनांमध्ये असे एक वैशिष्ट्य असते जे कोणताही क्लासिफायर पूर्णपणे टिपू शकत नाही आणि कोणताही टक्केवारीचा आकडा कधीही एका सजग वाचकाच्या निर्णयाची जागा घेऊ शकणार नाही.