AI governance frameworks make excellent reading. They assign roles, list principles, and map out review boards. But a fr

AI நிர்வாகக் கட்டமைப்புகள் (governance frameworks) வாசிப்பதற்குச் சிறந்தவை. அவை பொறுப்புகளை ஒதுக்குகின்றன, கொள்கைகளைப் பட்டியலிடுகின்றன மற்றும் ஆய்வு வாரியங்களை (review boards) வடிவமைக்கின்றன. ஆனால், ஒரு ஊழியர் வாடிக்கையாளர் கருத்துக்களை (customer feedback) ஒரு பொதுவான சாட்போட்டிற்குள் (public chatbot) ஒட்டும்போது, அல்லது ஒரு பின்னணி API (backend API) தனிப்பட்ட அடையாளத் தகவல்களை (personally identifiable information) ஒரு வெளிப்புற மாடலுக்குத் தெரியாமல் அனுப்பும்போது, அந்த கட்டமைப்பின் பயன் முடிவுக்கு வருகிறது. நிர்வாகத்தின் உண்மையான பணி ஒரு குழு அறையில் நடப்பதில்லை. அது அணுகல் பாதையில் (access path) நிகழ்கிறது. ஒரு நபர், பயன்பாடு (application) அல்லது API முனை (endpoint) முதன்முதலில் ஒரு AI மாடலை அணுகும் அந்தத் துல்லியமான புள்ளியே அதுவாகும். உங்கள் விதிகளை அங்கு செயல்படுத்த முடியாவிட்டால், உங்களிடம் நிர்வாகம் இல்லை; உங்களிடம் ஒரு விருப்பப் பட்டியல் (wish list) மட்டுமே உள்ளது.

கட்டமைப்புகளுக்கும் யதார்த்தத்திற்கும் இடையிலான இடைவெளி

பெரும்பாலான நிறுவனங்கள் கடந்த இரண்டு ஆண்டுகளாக AI கவுன்சில்களை உருவாக்குவதிலும், ஏற்றுக்கொள்ளத்தக்க பயன்பாட்டுக் கொள்கைகளை (acceptable-use policies) வரைவதிலும், ஊழியர்களுக்கான பயிற்சியை நடத்துவதிலும் நேரத்தைச் செலவிட்டுள்ளன. இந்த முயற்சிகள் முக்கியமானவை. அவை எதிர்பார்ப்புகளை உருவாக்குகின்றன. இருப்பினும், ஒரு டெவலப்பர் நேரத்தைச் சேமிப்பதற்காக, ஒரு கட்டுப்பாடற்ற பிரவுசர் எக்ஸ்டென்ஷன் (uncensored browser extension) மூலம் நிறுவனத்தின் பிரத்யேக மூலக் குறியீட்டை (proprietary source code) அனுப்பும்போது, ஒரு செவ்வாய்க்கிழமை மதிய நேர கோடிங் அமர்வில் என்ன நடக்கிறது என்பதை இவை கண்டுகொள்வதில்லை. கட்டமைப்புகள் ஆவணங்களில் வாழ்கின்றன. வேலை என்பது டெர்மினல்கள் (terminals), பிரவுசர்கள் மற்றும் API அழைப்புகளில் (API calls) நிகழ்கிறது.

இதன் விளைவாக ஒரு கணிக்கக்கூடியப் பார்வைத் தடுப்பு (blind spot) ஏற்படுகிறது. கொள்கைப்படி AI பயன்பாடு கட்டுப்படுத்தப்படுவதாகத் தலைமைத்துவம் நம்புகிறது, ஆனால் செயல்பாடுகள் (operations) வேறொரு கதையைச் சொல்கின்றன. இந்தத் தொடர்பின்மை விலை உயர்ந்தது. மறைக்கப்படாத மருத்துவத் தகவல்கள் அல்லது வெளியிடப்படாத நிதித் தரவுகளைக் கொண்ட ஒரு ஒற்றை ப்ராம்ப்ட் (prompt), இணக்க மீறல் (compliance breach), ஒழுங்குமுறை விசாரணை (regulatory inquiry) அல்லது எந்த மன்னிப்புச் செய்தியாலும் சரிசெய்ய முடியாத ஒரு பொதுத் தகவலாக மாறக்கூடும். தவறான பயன்பாட்டைக் கண்டறிய தணிக்கைக்காக (audit) காத்திருப்பது மிகவும் தாமதமானது. உண்மையான நிர்வாகத்திற்கு, அதைச் சுற்றியுள்ள காகித வேலைகளை மட்டும் பார்க்காமல், அந்தத் தொடர்பிலேயே (interaction) நேரடிப் பார்வைத்திறன் தேவைப்படுகிறது.

அணுகல் பாதை என்பது உண்மையில் என்ன?

அணுகல் பாதை என்பது ஒரு அருவமான (abstract) கருத்து அல்ல. ஒரு கோரிக்கை (request) உங்கள் சூழலை விட்டு வெளியேறி ஒரு AI மாடலை நோக்கிச் செல்லும் துல்லியமான தருணம் அதுவாகும். அந்த கோரிக்கை அங்கீகரிக்கப்பட்ட இணைய இடைமுகத்தைப் (sanctioned web interface) பயன்படுத்தும் ஒரு மார்க்கெட்டிங் மேலாளரிடமிருந்தோ, ஊழியர்களின் கேள்விகளுக்குப் பதிலளிக்கும் ஒரு Slack பாட் (Slack bot)டமிருந்தோ அல்லது ஆதரவு டிக்கெட்டுகளைச் (support tickets) சுருக்க API-ஐ அழைக்கும் ஒரு மைக்ரோ சர்வீஸிடமிருந்தோ (microservice) வரலாம். ஒவ்வொரு பாதையும் அதன் சொந்த அபாயங்களைக் கொண்டுள்ளது, மேலும் ஒவ்வொன்றுக்கும் தனித்தனி பாதுகாப்புத் தடுப்புகள் (guardrails) தேவைப்படுகின்றன.

இந்த எல்லையில் ஒரு கட்டுப்பாட்டுப் புள்ளி (control point) இல்லையென்றால், ஒரு ஊழியர் ஒரு உள் மின்னஞ்சலைத் திருத்தும்படி மாடலிடம் கேட்பதற்கும், ஒரு ஊழியர் கணக்கு எண்களைக் கொண்ட ஒரு ஸ்பிரெட்ஷீட்டை (spreadsheet) பதிவேற்றுவதற்கும் இடையிலான வேறுபாட்டை உங்கள் நிறுவனத்தால் கண்டறிய முடியாது. இவை இரண்டும் போக்குவரத்து (traffic) போலவே தோன்றும். ஆனால் ஒன்று மட்டுமே அனுமதிக்கப்பட வேண்டும். இந்த எல்லையை நீங்கள் கட்டுப்படுத்தும் வரை, உங்கள் நேரடித் கட்டுப்பாட்டிற்கு வெளியே உள்ள ஒவ்வொரு AI மாடலும், தரவுகள் கவனிக்கப்படாமல் வெளியேறக்கூடிய ஒரு இருண்ட பாதையைப் போன்றது.

கட்டமைப்பு பதிலளிக்க வேண்டிய ஒன்பது கேள்விகள்

எந்தவொரு ப்ராம்ப்ட்டும் ஒரு மாடலை அடைவதற்கு முன், உங்கள் அமைப்பு ஒன்பது குறிப்பிட்ட கேள்விகளுக்குப் பதிலளிக்கத் தயாராக இருக்க வேண்டும். அடையாளம் மற்றும் நோக்கம் (identity and intent) ஆகியவற்றிலிருந்து தொடங்குங்கள். கோரிக்கையை அனுப்புபவர் யார்? வணிகப் பயன்பாட்டுத் தேவை (business use case) என்ன? எந்தத் துறை அல்லது அமைப்பு இதற்கு உரிமையாளராக உள்ளது? இந்த மூன்று கேள்விகளும் அந்தத் தொடர்பு முறையானது மற்றும் தடயங்களைக் கண்டறியக்கூடியதா (traceable) என்பதை உறுதிப்படுத்துகின்றன.

அடுத்து தரவு மற்றும் மாடல் பாதுகாப்பு (data and model safety) வருகிறது. ப்ராம்ப்ட்டிற்குள் செல்லும் தரவு என்ன? எந்த AI மாடல் அதைச் செயலாக்கும்? அந்த குறிப்பிட்ட மாடல் இந்த குறிப்பிட்ட பணிக்கு அங்கீகரிக்கப்பட்டதா? உங்கள் சூழலை விட்டு வெளியேறுவதற்கு முன் முக்கியமான தரவுகளை (sensitive data) நீங்கள் மறைக்க (mask) அல்லது தடுக்க (block) வேண்டுமா?

இறுதியாக செயல்பாட்டுப் பொறுப்பு (operational accountability) வருகிறது. நீங்கள் அணுகலை...