आर्टिफिशियल इंटेलिजन्समधील (AI) बहुतेक बातम्या म्हणजे केवळ गोंधळ आहे. प्रॉडक्ट अपडेट्स, फंडिंग राऊंड्स आणि बेंचमार्कमधील स्पर्धा अशा गोष्टी एकत्र मिसळून एक असा फीड तयार करतात जो तातडीचा वाटतो पण प्रत्यक्षात फारसा बदल घडवून आणत नाही. पण हा आठवडा वेगळा होता. तीन महत्त्वाचे बदल घडले आणि ते सर्व एकाच दिशेने निर्देश करत आहेत: उद्योग आता केवळ मॉडेलच्या ताकदीकडून (raw model power) नियंत्रण, सुरक्षा आणि कायद्याकडे वळत आहे.

तुम्ही प्रॉडक्ट्स बनवत असाल, टूल्सचा वापर करत असाल किंवा फक्त तुमचा डेटा सुरक्षित ठेवण्याचा प्रयत्न करत असाल, तरीही हा बदल अत्यंत महत्त्वाचा आहे.

मॉडेल्सच्या पायाखालची जमीन सरकत आहे

गेल्या दोन वर्षांपासून, ही गोष्ट साधी होती. मोठे मॉडेल्स. चांगले स्कोअर. जलद इन्फरन्स (inference). या आठवड्यात, ही कथा बदलली. नवीन मॉडेल्स रिलीज झालेच, पण संस्था AI चा वापर कसा करतात हे प्रत्यक्षात बदलणाऱ्या हेडलाईन्स या 'सँडबॉक्स' (sandbox) मध्ये झालेल्या बिघाडाबद्दल आणि सरकारांनी आता अधिक वाट पाहू नये असे ठरवण्याबद्दल होत्या.

संदेश स्पष्ट आहे. केवळ परफॉर्मन्समुळे आता एंटरप्राइजेस किंवा जनतेचा विश्वास जिंकता येणार नाही. सुरक्षा (Safety) आणि गव्हर्नन्स (Governance) हे आता मुख्य विषय बनत आहेत.

Google ने Gemini च्या श्रेणीचा विस्तार केला

Google ने तीन नवीन Gemini मॉडेल्स लाँच केली, ज्यातील प्रत्येक मॉडेल वेगवेगळ्या प्रकारच्या कामासाठी तयार (tuned) केलेले आहे. वरवर पाहता, हे मॉडेल फॅमिलीचे एक नियमित विस्तार वाटू शकते. परंतु, यामागे AI प्रदाते आता डिप्लॉयमेंट (deployment) बद्दल कसा विचार करत आहेत, याचे संकेत आहेत.

वेगवेगळ्या कामांसाठी वेगवेगळ्या प्रमाणात कम्प्युट (compute) लागते. क्लिष्ट विश्लेषण, कोडिंग असिस्टन्स किंवा बहु-स्तरीय संशोधनासाठी एक मोठे रीझनिंग मॉडेल (reasoning model) योग्य ठरते. पण सपोर्ट तिकीट वर्गीकृत करणे किंवा ईमेलचे उत्तर मसुदा तयार करणे यांसारख्या कामांसाठी ते गरजेपेक्षा जास्त (overkill) आहे. विविध प्रकारची मॉडेल्स रिलीज करून, Google हे मान्य करत आहे की ग्राहकांना केवळ लीडरबोर्ड रँकिंगची नाही, तर प्रत्यक्ष व्यावसायिक मर्यादांशी (business constraints) सुसंगत असलेल्या पर्यायांची गरज आहे.

व्यावसायिकांसाठी (practitioners), यामुळे खरेदीची (procurement) पद्धत बदलते. आता तुम्ही कामाच्या स्वरूपानुसार अधिक अचूकपणे मॉडेल निवडू शकता. 'एज' (edge) वर चालणारे हलके (lightweight) मॉडेल कमी खर्चिक असते आणि जलद प्रतिसाद देते. API च्या मागे असलेले जड (heavyweight) मॉडेल कठीण कामे हाताळते. मुख्य कौशल्य म्हणजे अशी सिस्टिम्स तयार करणे जी विनंत्यांचे (requests) बुद्धिमानपणे मार्गक्रमण (route) करतील, जेणेकरून साध्या कामांसाठी तुमचे टोकन्स (tokens) वाया जाणार नाहीत.

यामुळे एक व्यावहारिक प्रश्नही निर्माण होतो. बहुतेक संस्था आधीच विविध प्रदात्यांच्या अनेक मॉडेल्सचा वापर करत आहेत. यामध्ये Gemini चे तीन नवीन प्रकार जोडल्यामुळे तुमच्या इव्हॅल्युएशन पाईपलाईनला (evaluation pipeline) त्यासोबत जुळवून घ्यावे लागेल. जर तुमची टीम अजूनही काही प्रॉम्प्ट्स हाताने चालवून मॉडेल्सची चाचणी घेत असेल, तर आता तुमच्या स्वतःच्या डेटावर आधारित एक स्ट्रक्चर्ड बेंचमार्क तयार करण्याची वेळ आली आहे. परफॉर्मन्सबाबत विक्रेत्यांचे दावे तुमच्या विशिष्ट दस्तऐवजांवर, तुमच्या विशिष्ट वापरकर्त्यांवर किंवा तुमच्या विशिष्ट लॅटन्सी (latency) गरजांवर तंतोतंत लागू पडत नाहीत.

जेव्हा सँडबॉक्समध्ये तडा जातो

नवीन मॉडेल्सनी लक्ष वेधून घेतले असतानाच, AI सँडबॉक्समधील एका सुरक्षा घटनेने इंजिनिअरिंग समुदायाला एक कडक इशारा दिला आहे. सँडबॉक्स एका विशिष्ट कारणास्तव असतात. ते AI ला संवेदनशील सिस्टिम्सपासून वेगळे ठेवतात, ज्यामुळे टीम्स प्रोडक्शन डेटा किंवा महत्त्वपूर्ण पायाभूत सुविधांना धोका न पोहोचवता त्यांच्या क्षमतांची चाचणी घेऊ शकतात.

या घुसखोरीने (breach) दाखवून दिले की विलगीकरण (isolation) पूर्णपणे सुरक्षित नसते. जेव्हा इंजिनिअर्सना वाटणाऱ्या सुरक्षित वातावरणात सुरक्षा उपाय (safety safeguards) अपयशी ठरतात, तेव्हा समजलेला धोका आणि प्रत्यक्ष धोका यातील मोठी दरी समोर येते.

ही केवळ एक काल्पनिक चिंता नाही. कंपन्या आधीच AI टूल्समध्ये स्वतःचा मालकीचा (proprietary) डेटा भरत आहेत, लँग्वेज मॉडेल्सना अंतर्गत डेटाबेसशी जोडत आहेत आणि एजंट्सना वापरकर्त्यांच्या वतीने सॉफ्टवेअरसोबत संवाद साधू देत आहेत. प्रत्येक इंटिग्रेशन सँडबॉक्समधून बाहेर जाण्याचा एक संभाव्य मार्ग तयार करते. जर मॉडेलला मर्यादित ठेवण्यासाठी असलेले नियंत्रक (controls) मोडीत निघाले, तर डेटा लीक, अनधिकृत कृती आणि नियमांचे उल्लंघन (compliance violations) झपाट्याने घडू शकते.

या घटनेमुळे टीम्सनी सुरक्षिततेच्या चाचणी पद्धतींचा पुनर्विचार केला पाहिजे. लाँच करण्यापूर्वी एकदा 'रेड-टीम' (red-team) सराव करणे पुरेसे नाही. मॉडेल्समध्ये बदल होतात (drift), प्रॉम्प्ट्स बदलतात (mutate) आणि इंटिग्रेशन्समुळे अटॅक सरफेस (attack surface) सतत वाढत जातो. तुम्हाला वारंवार ॲडव्हर्सरिअल टेस्टिंग (adversarial testing) करण्याची गरज आहे, ज्यामध्ये केवळ मॉडेललाच नाही, तर सँडबॉक्सलाच एक लक्ष्य मानले जाईल.

थर्ड-पार्टी AI सेवा वापरणाऱ्या व्यवसायांसाठीही हा धडा तितकाच स्पष्ट आहे. तुमचे विक्रेते त्यांचे सँडबॉक्स नेमके कसे तयार करतात, हे त्यांना विचारा. प्रॉम्प्ट इंजेक्शन (prompt injection) चा प्रयत्न यशस्वी झाल्यास काय होईल, हे विचारा. जर मॉडेलने प्रवेश नको असलेल्या डेटाला ॲक्सेस केला, तर त्याला जबाबदार कोण असेल, हे विचारा. जर उत्तरे अस्पष्ट असतील, तर तुमचा डेटा आधीच धोक्यात आहे.

सरकारे आता केवळ निरीक्षण करण्याऐवजी नियम बनवण्याकडे वळत आहेत

नियामक संस्थांनी (Regulators) गेल्या अठरा महिन्यांत तत्त्वे प्रकाशित करणे, सुनावण्या आयोजित करणे आणि फ्रेमवर्कबद्दल संकेत देणे यात वेळ घालवला. या आठवड्यात, त्यांची भूमिका बदलली आहे. सरकारे आता केवळ निरीक्षणाकडून प्रत्यक्ष कृतीकडे वळली आहेत आणि नियमावली तयार करत आहेत, ज्या नियंत्रित उद्योगांमध्ये (regulated industries) AI डिप्लॉयमेंट नेमके कसे असेल हे ठरवतील.

ते मोठ्या तंत्रज्ञान कंपन्यांकडे देखील विशेष लक्ष केंद्रित करत आहेत. जेव्हा नियामक आकाराकडे पाहतात, तेव्हा ते बाजारपेठेतील एकवट (concentration) कडे पाहत असतात. अशी बाजारपेठ जिथे काही मोजकेच पुरवठादार पायाभूत सुविधा, मॉडेल्स आणि वितरण चॅनेल पुरवतात, ती प्रणालीगत जोखीम (systemic risk) निर्माण करते. जर एखाद्या प्लॅटफॉर्मने रातोरात आपली सुरक्षा धोरणे किंवा किंमत बदलली, तर त्यानंतर येणाऱ्या हजारो व्यवसायांना त्याचा त्वरित फटका बसतो.

ऑपरेटर्ससाठी, येणारी नियमन लाट केवळ अनुपालनाची (compliance) डोकेदुखी नाही. ती तुमच्या AI पुरवठा साखळीची (supply chain) कागदपत्रे तयार करण्याचा एक संकेत आहे. तुमचे मॉडेल्स कोठून येतात, ते कोणत्या डेटावर प्रशिक्षित केले गेले आहेत आणि तुम्ही त्यांच्या आउटपुटचे ऑडिट कसे करता, हे नियामकांना जाणून घ्यायचे असेल. स्वतः होस्ट केलेले ओपन मॉडेल्स तुम्हाला विक्रेत्यांकडून येणाऱ्या काही झटक्यांपासून वाचवू शकतात, परंतु ते स्वतःची कागदपत्रे तयार करण्याची जबाबदारी आणतात.

आत्तापासूनच तयारी सुरू करा. तुमच्या संस्थेत सध्या वापरले जाणारे प्रत्येक AI टूल मॅप करा, अगदी ते अनधिकृत टूल देखील ज्यासाठी कर्मचाऱ्यांनी कॉर्पोरेट ईमेल वापरून साइन अप केले आहे. कोणत्या प्रक्रिया संवेदनशील ग्राहक डेटा हाताळतात ते ओळखा. एक साधी गव्हर्नन्स चेकलिस्ट तयार करा: मॉडेलचा स्रोत, डेटा रिटेंशन पॉलिसी, मानवी पुनरावलोकन प्रोटोकॉल आणि इन्सिडेंट रिस्पॉन्स प्लॅन. जेव्हा नियम लागू होतील, तेव्हा ही माहिती तयार असणे तुम्हाला अशा कंपन्यांपासून वेगळे करेल ज्या काही आठवड्यांत जुळवून घेतील, आणि अशा कंपन्यांपासून ज्यांना महिने लागतील.

तुमच्या कामासाठी याचा अर्थ काय

या तीन घटनांमधील संबंध व्यावहारिक आहे, सैद्धांतिक नाही. गोंधळात न अडकता याला प्रतिसाद कसा द्यावा ते खाली दिले आहे.

  • तुमच्या मॉडेल मिश्रणाचे ऑडिट करा. जर तुम्ही सर्व गोष्टींसाठी एकच मॉडेल वापरत असाल, तर तुम्ही बहुधा जास्त पैसे मोजत आहात आणि कमी कामगिरी करत आहात. विशेष प्रकारची व्हेरिएंट्स (specialized variants) दैनंदिन कामे स्वस्त आणि वेगाने करू शकतात का, याचे मूल्यांकन करा. मार्केटिंग डेमोवर नाही, तर वास्तविक कामांवर (real workloads) प्रत्यक्ष चाचण्या करून पहा.

  • प्रत्येक AI इंटिग्रेशनला एक सुरक्षा सीमा (security boundary) माना. सँडबॉक्स (sandbox) निकामी होऊ शकतो असे गृहीत धरा. मॉडेल्सना केवळ कार्य पूर्ण करण्यासाठी आवश्यक असलेला डेटा देऊन डेटा एक्सपोजर मर्यादित करा. जोपर्यंत तुमच्याकडे स्पष्ट लॉगिंग, रेट लिमिटिंग आणि किल स्विचेस (kill switches) उपलब्ध नाहीत, तोपर्यंत सामान्य-उद्देशीय असिस्टंटना व्यापक अंतर्गत प्रणालींशी जोडणे टाळा.

  • नियामक बदलांसाठी तयार राहा. नियम येत आहेत. पारदर्शकता, बायस टेस्टिंग (bias testing) आणि मानवी देखरेखीसाठी आताच अंतर्गत धोरणे तयार करा. जर तुम्ही कायद्याच्या अंतिम मजकुराची वाट पाहिली, तर तुम्ही आधीच तयारी केलेल्या स्पर्धकांच्या मागे असाल.

  • तुमच्या लक्षणाचे नियोजन करा. प्रत्येक हेडलाईनचा पाठपुरावा करणे थांबवा. एक किंवा दोन विश्वसनीय स्त्रोत निवडा, त्यांची दर आठवड्याला तपासणी करा आणि उर्वरित वेळ तुमच्या स्वतःच्या गरजांनुसार टूल्सची चाचणी घेण्यासाठी वापरा. उद्योगातील गोंधळ अनंत आहे. तुमचा व्यवसाय संदर्भ विशिष्ट आहे.

सारांश

AI मध्ये अजूनही शक्तीचे महत्त्व आहे, परंतु आता ती एकमेव महत्त्वाची गोष्ट राहिलेली नाही. या आठवड्याने दाखवून दिले की, स्वीकारण्याचा पुढचा टप्पा हा कोणता मॉडेल सुरक्षितपणे तैनात केले जाऊ शकते, कोणते विक्रेते ग्राहकांचा डेटा सुरक्षित ठेवू शकतात आणि कोणत्या संस्था कडक नियामक वातावरणात मार्ग काढू शकतात, यावर अवलंबून असेल.

Google च्या नवीन रिलीजेस तुम्हाला काम करण्यासाठी अधिक टूल्स देतात. सँडबॉक्समधील उल्लंघन तुम्हाला आठवण करून देते की त्या टूल्सना मजबूत सीमांची गरज आहे. आणि नियामक वेग तुम्हाला सांगतो की मुक्त प्रायोगिक टप्पा आता संपत आहे.

तुमचा डेटा, तुमचे वर्कफ्लो आणि तुमची कायदेशीर जोखीम (legal exposure) यावर परिणाम करणाऱ्या बदलांवर लक्ष केंद्रित करा. बाकी सर्व गोष्टी पार्श्वभूमीवरील गोंधळ आहेत.

संपूर्ण विश्लेषण येथे वाचा.

Telegram वर GyaanSetu लर्निंग कम्युनिटीमध्ये सामील व्हा.