ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਵਿੱਚ ਜ਼ਿਆਦਾਤਰ ਖ਼ਬਰਾਂ ਸਿਰਫ਼ ਸ਼ੋਰ-ਸ਼ਰਾਬਾ ਹਨ। ਪ੍ਰੋਡਕਟ ਅਪਡੇਟਸ, ਫੰਡਿੰਗ ਰਾਊਂਡਸ, ਅਤੇ ਬੈਂਚਮਾਰਕ ਦੀਆਂ ਲੜਾਈਆਂ ਇੱਕ ਅਜਿਹੇ ਫੀਡ ਵਿੱਚ ਮਿਲ ਜਾਂਦੀਆਂ ਹਨ ਜੋ ਜ਼ਰੂਰੀ ਤਾਂ ਲੱਗਦੀਆਂ ਹਨ ਪਰ ਬਹੁਤਾ ਬਦਲਾਅ ਨਹੀਂ ਲਿਆਉਂਦੀਆਂ। ਇਹ ਹਫ਼ਤਾ ਵੱਖਰਾ ਸੀ। ਤਿੰਨ ਅਸਲ ਬਦਲਾਅ ਦੇਖੇ ਗਏ, ਅਤੇ ਉਹ ਸਾਰੇ ਇੱਕੋ ਦਿਸ਼ਾ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰਦੇ ਹਨ: ਉਦਯੋਗ ਹੁਣ ਮਾਡਲ ਦੀ ਸ਼ੁੱਧ ਤਾਕਤ ਤੋਂ ਹਟ ਕੇ ਕੰਟਰੋਲ, ਸੁਰੱਖਿਆ ਅਤੇ ਕਾਨੂੰਨ ਵੱਲ ਵਧ ਰਿਹਾ ਹੈ।

ਇਹ ਬਦਲਾਅ ਉਦੋਂ ਮਹੱਤਵਪੂਰਨ ਹੁੰਦਾ ਹੈ ਚਾਹੇ ਤੁਸੀਂ ਪ੍ਰੋਡਕਟ ਬਣਾ ਰਹੇ ਹੋਵੋ, ਟੂਲ ਅਪਣਾ ਰਹੇ ਹੋਵੋ, ਜਾਂ ਸਿਰਫ਼ ਆਪਣੇ ਡੇਟਾ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਹੋਵੋ।

ਮਾਡਲਾਂ ਦੇ ਹੇਠਾਂ ਜ਼ਮੀਨ ਖਿਸਕ ਰਹੀ ਹੈ

ਪਿਛਲੇ ਦੋ ਸਾਲਾਂ ਤੋਂ, ਕਹਾਣੀ ਸਧਾਰਨ ਰਹੀ ਹੈ। ਵੱਡੇ ਮਾਡਲ। ਬਿਹਤਰ ਸਕੋਰ। ਤੇਜ਼ ਇਨਫਰੈਂਸ (inference)। ਇਸ ਹਫ਼ਤੇ, ਉਹ ਕਹਾਣੀ ਬਦਲ ਗਈ। ਨਵੇਂ ਮਾਡਲ ਤਾਂ ਰਿਲੀਜ਼ ਹੋਏ ਹੀ, ਪਰ ਉਹ ਹੈੱਡਲਾਈਨਾਂ ਜੋ ਅਸਲ ਵਿੱਚ ਸੰਸਥਾਵਾਂ ਦੁਆਰਾ AI ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੇ ਤਰੀਕੇ ਨੂੰ ਮੁੜ ਸੁਰਜੀਤ ਕਰਨਗੀਆਂ, ਉਹ ਇੱਕ ਸੈਂਡਬਾਕਸ (sandbox) ਦੇ ਟੁੱਟਣ ਅਤੇ ਸਰਕਾਰਾਂ ਦੁਆਰਾ ਇਹ ਫੈਸਲਾ ਲੈਣ ਬਾਰੇ ਸਨ ਕਿ ਉਨ੍ਹਾਂ ਨੇ ਕਾਫ਼ੀ ਇੰਤਜ਼ਾਰ ਕਰ ਲਿਆ ਹੈ।

ਸੰਦੇਸ਼ ਸਪੱਸ਼ਟ ਹੈ। ਸਿਰਫ਼ ਪ੍ਰਦਰਸ਼ਨ (performance) ਹੁਣ ਉੱਦਮਾਂ (enterprises) ਜਾਂ ਜਨਤਾ ਦਾ ਭਰੋਸਾ ਨਹੀਂ ਜਿੱਤ ਸਕਦਾ। ਸੁਰੱਖਿਆ ਅਤੇ ਸ਼ਾਸਨ (governance) ਹੁਣ ਮੁੱਖ ਵਿਸ਼ਾ ਬਣ ਰਹੇ ਹਨ।

Google ਨੇ Gemini ਲਾਈਨਅੱਪ ਦਾ ਵਿਸਤਾਰ ਕੀਤਾ

Google ਨੇ ਤਿੰਨ ਨਵੇਂ Gemini ਮਾਡਲ ਰਿਲੀਜ਼ ਕੀਤੇ ਹਨ, ਜੋ ਵੱਖ-ਵੱਖ ਕਿਸਮ ਦੇ ਕੰਮਾਂ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ ਹਨ। ਉੱਪਰੋਂ ਦੇਖਣ 'ਤੇ, ਇਹ ਇੱਕ ਮਾਡਲ ਪਰਿਵਾਰ ਦਾ ਰੁਟੀਨ ਵਿਸਤਾਰ ਲੱਗਦਾ ਹੈ। ਪਰ ਅੰਦਰੂਨੀ ਤੌਰ 'ਤੇ, ਇਹ ਸੰਕੇਤ ਦਿੰਦਾ ਹੈ ਕਿ AI ਪ੍ਰਦਾਤਾ ਹੁਣ ਡਿਪਲਾਈਮੈਂਟ (deployment) ਬਾਰੇ ਕਿਵੇਂ ਸੋਚਦੇ ਹਨ।

ਵੱਖ-ਵੱਖ ਕੰਮਾਂ ਲਈ ਵੱਖ-ਵੱਖ ਮਾਤਰਾ ਵਿੱਚ ਕੰਪਿਊਟ (compute) ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇੱਕ ਵਿਸ਼ਾਲ ਰੀਜ਼ਨਿੰਗ ਮਾਡਲ (reasoning model) ਗੁੰਝਲਦਾਰ ਵਿਸ਼ਲੇਸ਼ਣ, ਕੋਡਿੰਗ ਸਹਾਇਤਾ, ਜਾਂ ਬਹੁ-ਪੜਾਅ ਵਾਲੇ ਖੋਜ ਕਾਰਜਾਂ ਲਈ ਢੁਕਵਾਂ ਹੈ। ਪਰ ਸਪੋਰਟ ਟਿਕਟਾਂ ਨੂੰ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨ ਜਾਂ ਈਮੇਲ ਜਵਾਬਾਂ ਦਾ ਡਰਾਫਟ ਤਿਆਰ ਕਰਨ ਲਈ ਇਹ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹੈ। ਕਈ ਵੱਖ-ਵੱਖ ਵੇਰੀਐਂਟਸ (variants) ਰਿਲੀਜ਼ ਕਰਕੇ, Google ਇਹ ਮੰਨ ਰਿਹਾ ਹੈ ਕਿ ਗਾਹਕਾਂ ਨੂੰ ਸਿਰਫ਼ ਲੀਡਰਬੋਰਡ ਰੈਂਕਿੰਗ ਦੀ ਨਹੀਂ, ਸਗੋਂ ਅਸਲ ਕਾਰੋਬਾਰੀ ਸੀਮਾਵਾਂ ਦੇ ਅਨੁਕੂਲ ਵਿਕਲਪਾਂ ਦੀ ਲੋੜ ਹੈ।

ਪੈਕਟੀਸ਼ਨਰਜ਼ (practitioners) ਲਈ, ਇਹ ਪ੍ਰੋਕਿਉਰਮੈਂਟ (procurement) ਨੂੰ ਬਦਲ ਦਿੰਦਾ ਹੈ। ਹੁਣ ਤੁਸੀਂ ਕੰਮ ਦੇ ਅਨੁਸਾਰ ਮਾਡਲ ਨੂੰ ਵਧੇਰੇ ਸਹੀ ਢੰਗ ਨਾਲ ਚੁਣ ਸਕਦੇ ਹੋ। ਐਜ (edge) 'ਤੇ ਚੱਲਣ ਵਾਲਾ ਇੱਕ ਹਲਕਾ ਮਾਡਲ ਘੱਟ ਖਰਚਾ ਕਰਦਾ ਹੈ ਅਤੇ ਤੇਜ਼ੀ ਨਾਲ ਜਵਾਬ ਦਿੰਦਾ ਹੈ। ਇੱਕ API ਦੇ ਪਿੱਛੇ ਚੱਲਣ ਵਾਲਾ ਭਾਰੀ ਮਾਡਲ ਮੁਸ਼ਕਲ ਕੰਮਾਂ ਨੂੰ ਸੰਭਾਲਦਾ ਹੈ। ਚਾਲ ਇਹ ਹੈ ਕਿ ਅਜਿਹੇ ਸਿਸਟਮ ਬਣਾਏ ਜਾਣ ਜੋ ਬੇਲੋੜੇ ਤੌਰ 'ਤੇ ਸਧਾਰਨ ਕੰਮਾਂ 'ਤੇ ਟੋਕਨਾਂ ਦੀ ਬਰਬਾਦੀ ਨਾ ਕਰਨ ਅਤੇ ਬੇਲੋੜੀ ਮਿਹਨਤ ਤੋਂ ਬਚਣ ਲਈ ਬੇਨਤੀਆਂ (requests) ਨੂੰ ਸਮਝਦਾਰੀ ਨਾਲ ਰੂਟ ਕਰ ਸਕਣ।

ਇਹ ਇੱਕ ਵਿਹਾਰਕ ਸਵਾਲ ਵੀ ਖੜ੍ਹਾ ਕਰਦਾ ਹੈ। ਜ਼ਿਆਦਾਤਰ ਸੰਸਥਾਵਾਂ ਪਹਿਲਾਂ ਹੀ ਵੱਖ-ਵੱਖ ਪ੍ਰਦਾਤਾਵਾਂ ਦੇ ਕਈ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੀਆਂ ਹਨ। Gemini ਦੇ ਤਿੰਨ ਹੋਰ ਰੂਪ ਜੋੜਨ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਤੁਹਾਡੇ ਇਵੈਲੂਏਸ਼ਨ ਪਾਈਪਲਾਈਨ (evaluation pipeline) ਨੂੰ ਵੀ ਇਸ ਦੇ ਨਾਲ ਚੱਲਣਾ ਪਵੇਗਾ। ਜੇਕਰ ਤੁਹਾਡੀ ਟੀਮ ਅਜੇ ਵੀ ਕੁਝ ਪ੍ਰੋਂਪਟਸ (prompts) ਨੂੰ ਹੱਥ ਨਾਲ ਚਲਾ ਕੇ ਮਾਡਲਾਂ ਦੀ ਜਾਂਚ ਕਰਦੀ ਹੈ, ਤਾਂ ਇਹ ਸਮਾਂ ਹੈ ਕਿ ਆਪਣੇ ਡੇਟਾ ਦੇ ਆਧਾਰ 'ਤੇ ਇੱਕ ਸੰਰਚਿਤ ਬੈਂਚਮਾਰਕ ਤਿਆਰ ਕੀਤਾ ਜਾਵੇ। ਪ੍ਰਦਰਸ਼ਨ ਬਾਰੇ ਵੈਂਡਰਾਂ ਦੇ ਦਾਅਵੇ ਬਹੁਤ ਘੱਟ ਹੀ ਤੁਹਾਡੇ ਖਾਸ ਦਸਤਾਵੇਜ਼ਾਂ, ਤੁਹਾਡੇ ਖਾਸ ਉਪਭੋਗਤਾਵਾਂ, ਜਾਂ ਤੁਹਾਡੀਆਂ ਖਾਸ ਲੇਟੈਂਸੀ (latency) ਲੋੜਾਂ ਦੇ ਅਨੁਕੂਲ ਹੁੰਦੇ ਹਨ।

ਜਦੋਂ ਸੈਂਡਬਾਕਸ ਟੁੱਟਦਾ ਹੈ

ਜਦੋਂ ਕਿ ਨਵੇਂ ਮਾਡਲਾਂ ਨੇ ਧਿਆਨ ਖਿੱਚਿਆ, ਇੱਕ AI ਸੈਂਡਬਾਕਸ ਦੇ ਅੰਦਰ ਹੋਈ ਸੁਰੱਖਿਆ ਘਟਨਾ ਨੇ ਇੰਜੀਨੀਅਰਿੰਗ ਭਾਈਚਾਰੇ ਨੂੰ ਇੱਕ ਸਖ਼ਤ ਸੰਕੇਤ ਦਿੱਤਾ। ਸੈਂਡਬਾਕਸ ਕਿਸੇ ਕਾਰਨ ਲਈ ਹੁੰਦੇ ਹਨ। ਉਹ AI ਨੂੰ ਸੰਵੇਦਨਸ਼ੀਲ ਪ੍ਰਣਾਲੀਆਂ ਤੋਂ ਅਲੱਗ ਰੱਖਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਟੀਮਾਂ ਪ੍ਰੋਡਕਸ਼ਨ ਡੇਟਾ ਜਾਂ ਮਹੱਤਵਪੂਰਨ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਨੂੰ ਖਤਰੇ ਵਿੱਚ ਪਾਏ ਬਿਨਾਂ ਸਮਰੱਥਾਵਾਂ ਦੀ ਜਾਂਚ ਕਰ ਸਕਦੀਆਂ ਹਨ।

ਇਸ ਉਲੰਘਣਾ ਨੇ ਦਿਖਾਇਆ ਕਿ ਅਲੱਗ ਰੱਖਣਾ (isolation) ਪੂਰੀ ਤਰ੍ਹਾਂ ਸੁਰੱਖਿਅਤ ਨਹੀਂ ਹੈ। ਜਦੋਂ ਇੰਜੀਨੀਅਰਾਂ

ਉਹ ਵੱਡੀਆਂ ਤਕਨੀਕੀ ਕੰਪਨੀਆਂ ਵੱਲ ਵੀ ਵਿਸ਼ੇਸ਼ ਧਿਆਨ ਦੇ ਰਹੇ ਹਨ। ਜਦੋਂ ਨਿਯਮਕ (regulators) ਆਕਾਰ ਨੂੰ ਦੇਖਦੇ ਹਨ, ਤਾਂ ਉਹ ਇਕਾਗਰਤਾ (concentration) ਨੂੰ ਦੇਖ ਰਹੇ ਹੁੰਦੇ ਹਨ। ਇੱਕ ਅਜਿਹਾ ਬਾਜ਼ਾਰ ਜਿੱਥੇ ਕੁਝ ਚੋਣਵੇਂ ਪ੍ਰਦਾਤਾ ਬੁਨਿਆਦੀ ਢਾਂਚਾ, ਮਾਡਲ ਅਤੇ ਵੰਡ ਚੈਨਲਾਂ (distribution channels) ਦੀ ਸਪਲਾਈ ਕਰਦੇ ਹਨ, ਉਹ ਸਿਸਟਮਿਕ ਜੋਖਮ (systemic risk) ਪੈਦਾ ਕਰਦਾ ਹੈ। ਜੇਕਰ ਕੋਈ ਇੱਕ ਪਲੇਟਫਾਰਮ ਰਾਤੋ-ਰਾਤ ਆਪਣੀ ਸੁਰੱਖਿਆ ਨੀਤੀ ਜਾਂ ਕੀਮਤ ਬਦਲਦਾ ਹੈ, ਤਾਂ ਹਜ਼ਾਰਾਂ ਹੇਠਲੇ ਕਾਰੋਬਾਰ (downstream businesses) ਇਸ ਨੂੰ ਤੁਰੰਤ ਮਹਿਸੂਸ ਕਰਦੇ ਹਨ।

ਆਪਰੇਟਰਾਂ ਲਈ, ਆਉਣ ਵਾਲੀ ਨਿਯਮਾਂ ਦੀ ਲਹਿਰ ਸਿਰਫ਼ ਇੱਕ ਕੰਪਲਾਇੰਸ (compliance) ਦੀ ਮੁਸ਼ਕਲ ਨਹੀਂ ਹੈ। ਇਹ ਤੁਹਾਡੀ AI ਸਪਲਾਈ ਚੇਨ ਨੂੰ ਦਸਤਾਵੇਜ਼ੀ ਰੂਪ ਵਿੱਚ ਤਿਆਰ ਕਰਨ ਦਾ ਇੱਕ ਸੰਕੇਤ ਹੈ। ਨਿਯਮਕ ਜਾਣਨਾ ਚਾਹੁੰਦੇ ਹਨ ਕਿ ਤੁਹਾਡੇ ਮਾਡਲ ਕਿੱਥੋਂ ਆਉਂਦੇ ਹਨ, ਉਹ ਕਿਸ ਡੇਟਾ 'ਤੇ ਟ੍ਰੇਨ ਕੀਤੇ ਗਏ ਹਨ, ਅਤੇ ਤੁਸੀਂ ਉਹਨਾਂ ਦੇ ਆਉਟਪੁੱਟ ਦੀ ਜਾਂਚ (audit) ਕਿਵੇਂ ਕਰਦੇ ਹੋ। ਸੈਲਫ-ਹੋਸਟਡ (Self-hosted) ਓਪਨ ਮਾਡਲ ਤੁਹਾਨੂੰ ਕੁਝ ਵੈਂਡਰ-ਡਰਾਈਵਨ (vendor-driven) ਝਟਕਿਆਂ ਤੋਂ ਬਚਾ ਸਕਦੇ ਹਨ, ਪਰ ਉਹਨਾਂ ਦੇ ਆਪਣੇ ਦਸਤਾਵੇਜ਼ੀ ਬੋਝ ਵੀ ਹੁੰਦੇ ਹਨ।

ਹੁਣੇ ਤੋਂ ਤਿਆਰੀ ਸ਼ੁਰੂ ਕਰੋ। ਆਪਣੇ ਸੰਗਠਨ ਵਿੱਚ ਵਰਤੇ ਜਾ ਰਹੇ ਹਰ AI ਟੂਲ ਦਾ ਨਕਸ਼ਾ ਤਿਆਰ ਕਰੋ, ਇੱਥੋਂ ਤੱਕ ਕਿ ਉਹ ਗੈਰ-ਅਧਿਕਾਰਤ ਟੂਲ ਵੀ ਜਿਨ੍ਹਾਂ ਲਈ ਕਰਮਚਾਰੀਆਂ ਨੇ ਕਾਰਪੋਰੇਟ ਈਮੇਲ ਨਾਲ ਸਾਈਨ ਅੱਪ ਕੀਤਾ ਹੈ। ਪਛਾਣੋ ਕਿ ਕਿਹੜੀਆਂ ਪ੍ਰਕਿਰਿਆਵਾਂ ਸੰਵੇਦਨਸ਼ੀਲ ਗਾਹਕ ਡੇਟਾ ਨਾਲ ਜੁੜੀਆਂ ਹੋਈਆਂ ਹਨ। ਇੱਕ ਸਧਾਰਨ ਗਵਰਨੈਂਸ ਚੈੱਕਲਿਸਟ ਬਣਾਓ: ਮਾਡਲ ਸਰੋਤ (model source), ਡੇਟਾ ਰਿਟੈਂਸ਼ਨ ਪਾਲਿਸੀ (data retention policy), ਮਾਨਵੀ ਸਮੀਖਿਆ ਪ੍ਰੋਟੋਕੋਲ (human review protocol), ਅਤੇ ਘਟਨਾ ਪ੍ਰਤੀਕਿਰਿਆ ਯੋਜਨਾ (incident response plan)। ਜਦੋਂ ਨਿਯਮ ਆਉਣਗੇ, ਤਾਂ ਇਹ ਇਨਵੈਂਟਰੀ ਤਿਆਰ ਹੋਣਾ ਉਹਨਾਂ ਕੰਪਨੀਆਂ ਨੂੰ ਵੱਖਰਾ ਕਰੇਗਾ ਜੋ ਹਫ਼ਤਿਆਂ ਵਿੱਚ ਅਨੁਕੂਲਿਤ ਹੋ ਜਾਂਦੀਆਂ ਹਨ, ਉਹਨਾਂ ਤੋਂ ਜੋ ਮਹੀਨਿਆਂ ਤੱਕ ਭੱਜ-ਦੌੜ ਕਰਦੀਆਂ ਰਹਿੰਦੀਆਂ ਹਨ।

ਤੁਹਾਡੇ ਕੰਮ ਲਈ ਇਸਦਾ ਕੀ ਮਤਲਬ ਹੈ

ਇਹਨਾਂ ਤਿੰਨਾਂ ਘਟਨਾਵਾਂ ਵਿਚਕਾਰ ਸਬੰਧ ਵਿਹਾਰਕ ਹੈ, ਸਿਧਾਂਤਕ ਨਹੀਂ। ਸ਼ੋਰ-ਸ਼ਰਾਬੇ ਵਿੱਚ ਗੁੰਮ ਹੋਏ ਬਿਨਾਂ ਇਸ ਦਾ ਜਵਾਬ ਦੇਣ ਦਾ ਤਰੀਕਾ ਇੱਥੇ ਦਿੱਤਾ ਗਿਆ ਹੈ।

  • ਆਪਣੇ ਮਾਡਲ ਮਿਕਸ ਦਾ ਆਡਿਟ ਕਰੋ। ਜੇਕਰ ਤੁਸੀਂ ਹਰ ਚੀਜ਼ ਲਈ ਇੱਕ ਹੀ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹੋ, ਤਾਂ ਸ਼ਾਇਦ ਤੁਸੀਂ ਜ਼ਿਆਦਾ ਭੁਗਤਾਨ ਕਰ ਰਹੇ ਹੋ ਅਤੇ ਘੱਟ ਪ੍ਰਦਰਸ਼ਨ ਕਰ ਰਹੇ ਹੋ। ਮੁਲਾਂਕਣ ਕਰੋ ਕਿ ਕੀ ਵਿਸ਼ੇਸ਼ ਵੇਰੀਐਂਟ (specialized variants) ਰੁਟੀਨ ਕੰਮਾਂ ਨੂੰ ਸਸਤੇ ਅਤੇ ਤੇਜ਼ੀ ਨਾਲ ਕਰ ਸਕਦੇ ਹਨ। ਅਸਲ ਵਰਕਲੋਡ (workloads) 'ਤੇ ਸਾਈਡ-ਬਾਈ-ਸਾਈਡ ਟੈਸਟ ਕਰੋ, ਨਾ ਕਿ ਮਾਰਕੀਟਿੰਗ ਡੈਮੋ 'ਤੇ।

  • ਹਰ AI ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਨੂੰ ਇੱਕ ਸੁਰੱਖਿਆ ਸੀਮਾ (security boundary) ਵਜੋਂ ਲਓ। ਮੰਨ ਕੇ ਚੱਲੋ ਕਿ ਸੈਂਡਬਾਕਸ (sandbox) ਫੇਲ ਹੋ ਸਕਦਾ ਹੈ। ਮਾਡਲਾਂ ਨੂੰ ਸਿਰਫ਼ ਉਹੀ ਡੇਟਾ ਦੇ ਕੇ ਡੇਟਾ ਐਕਸਪੋਜ਼ਰ ਨੂੰ ਸੀਮਤ ਕਰੋ ਜਿਸਦੀ ਉਹਨਾਂ ਨੂੰ ਕੰਮ ਪੂਰਾ ਕਰਨ ਲਈ ਲੋੜ ਹੈ। ਜਦੋਂ ਤੱਕ ਤੁਹਾਡੇ ਕੋਲ ਸਪੱਸ਼ਟ ਲੌਗਿੰਗ (logging), ਰੇਟ ਲਿਮਿਟਿੰਗ (rate limiting), ਅਤੇ ਕਿਲ ਸਵਿੱਚ (kill switches) ਨਹੀਂ ਹਨ, ਉਦੋਂ ਤੱਕ ਜਨਰਲ-ਪਰਪਜ਼ ਅਸਿਸਟੈਂਟਸ ਨੂੰ ਵਿਆਪਕ ਅੰਦਰੂਨੀ ਪ੍ਰਣਾਲੀਆਂ ਨਾਲ ਜੋੜਨ ਤੋਂ ਬਚੋ।

  • ਨਿਯਮਤ ਤਬਦੀਲੀ ਲਈ ਤਿਆਰ ਰਹੋ। ਨਿਯਮ ਆ ਰਹੇ ਹਨ। ਪਾਰਦਰਸ਼ਤਾ, ਬਾਇਸ ਟੈਸਟਿੰਗ (bias testing), ਅਤੇ ਮਾਨਵੀ ਨਿਗਰਾਨੀ ਲਈ ਹੁਣੇ ਅੰਦਰੂਨੀ ਨੀਤੀਆਂ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰੋ। ਜੇਕਰ ਤੁਸੀਂ ਕਾਨੂੰਨ ਦੇ ਅੰਤਿਮ ਟੈਕਸਟ ਦੀ ਉਡੀਕ ਕਰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਪਹਿਲਾਂ ਹੀ ਉਹਨਾਂ ਮੁਕਾਬਲੇਬਾਜ਼ਾਂ ਤੋਂ ਪਿੱਛੇ ਹੋਵੋਗੇ ਜਿਨ੍ਹਾਂ ਨੇ ਜਲਦੀ ਤਿਆਰੀ ਕੀਤੀ ਸੀ।

  • ਆਪਣੇ ਧਿਆਨ ਨੂੰ ਸਹੀ ਦਿਸ਼ਾ ਦਿਓ। ਹਰ ਹੈੱਡਲਾਈਨ ਨੂੰ ਫਾਲੋ ਕਰਨਾ ਬੰਦ ਕਰੋ। ਇੱਕ ਜਾਂ ਦੋ ਭਰੋਸੇਯੋਗ ਸਰੋਤਾਂ ਨੂੰ ਸਬਸਕ੍ਰਾਈਬ ਕਰੋ, ਹਫ਼ਤੇ ਵਿੱਚ ਇੱਕ ਵਾਰ ਉਹਨਾਂ ਨੂੰ ਚੈੱਕ ਕਰੋ, ਅਤੇ ਆਪਣਾ ਬਾਕੀ ਸਮਾਂ ਆਪਣੇ ਲੋੜਾਂ ਦੇ ਅਨੁਸਾਰ ਟੂਲਸ ਦੀ ਜਾਂਚ ਕਰਨ ਵਿੱਚ ਬਿਤਾਓ। ਉਦਯੋਗ ਦਾ ਸ਼ੋਰ ਅਨੰਤ ਹੈ। ਤੁਹਾਡਾ ਕਾਰੋਬਾਰੀ ਸੰਦਰਭ (business context) ਵਿਸ਼ੇਸ਼ ਹੈ।

ਮੁੱਖ ਗੱਲ

AI ਵਿੱਚ ਸ਼ਕਤੀ ਅਜੇ ਵੀ ਮਾਇਨੇ ਰੱਖਦੀ ਹੈ, ਪਰ ਇਹ ਹੁਣ ਇਕਲੌਤੀ ਚੀਜ਼ ਨਹੀਂ ਹੈ ਜੋ ਮਾਇਨੇ ਰੱਖਦੀ ਹੈ। ਇਸ ਹਫ਼ਤੇ ਨੇ ਦਿਖਾਇਆ ਹੈ ਕਿ ਅਪਣਾਉਣ ਦਾ ਅਗਲਾ ਪੜਾਅ ਇਸ ਗੱਲ ਨਾਲ ਨਿਰਧਾਰਤ ਹੋਵੇਗਾ ਕਿ ਕਿਹੜੇ ਮਾਡਲਾਂ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੂਪ ਵਿੱਚ ਤਾਇਨਾਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਕਿਹੜੇ ਵੈਂਡਰ ਗਾਹਕ ਡੇਟਾ ਦੀ ਰੱਖਿਆ ਕਰ ਸਕਦੇ ਹਨ, ਅਤੇ ਕਿਹੜੀਆਂ ਸੰਸਥਾਵਾਂ ਸਖ਼ਤ ਨਿਯਮਾਂ ਵਾਲੇ ਮਾਹੌਲ ਵਿੱਚ ਕੰਮ ਕਰ ਸਕਦੀਆਂ ਹਨ।

Google ਦੀਆਂ ਨਵੀਆਂ ਰਿਲੀਜ਼ ਤੁਹਾਨੂੰ ਕੰਮ ਕਰਨ ਲਈ ਹੋਰ ਟੂਲ ਦਿੰਦੀਆਂ ਹਨ। ਸੈਂਡਬਾਕਸ ਦੀ ਉਲੰਘਣਾ ਤੁਹਾਨੂੰ ਯਾਦ ਦਿਵਾਉਂਦੀ ਹੈ ਕਿ ਉਹਨਾਂ ਟੂਲਸ ਨੂੰ ਮਜ਼ਬੂਤ ਸੀਮਾਵਾਂ ਦੀ ਲੋੜ ਹੈ। ਅਤੇ ਨਿਯਮਾਂ ਦਾ ਵਧਦਾ ਪ੍ਰਭਾਵ ਤੁਹਾਨੂੰ ਦੱਸਦਾ ਹੈ ਕਿ ਅਜ਼ਾਦ ਪ੍ਰਯੋਗਿਕ ਪੜਾਅ ਖਤਮ ਹੋ ਰਿਹਾ ਹੈ।

ਉਹਨਾਂ ਤਬਦੀਲੀਆਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰੋ ਜੋ ਤੁਹਾਡੇ ਡੇਟਾ, ਤੁਹਾਡੇ ਵਰਕਫਲੋਅ (workflows), ਅਤੇ ਤੁਹਾਡੇ ਕਾਨੂੰਨੀ ਜੋਖਮਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀਆਂ ਹਨ। ਬਾਕੀ ਸਭ ਕੁਝ ਪਿਛਲੇ ਸ਼ੋਰ (background noise) ਵਾਂਗ ਹੈ।

ਪੂਰਾ ਵੇਰਵਾ ਇੱਥੇ ਪੜ੍ਹੋ।

Telegram 'ਤੇ GyaanSetu ਲਰਨਿੰਗ ਕਮਿਊਨਿਟੀ ਨਾਲ ਜੁੜੋ।