பெரும்பாலான வங்கி AI திட்டங்கள் தோல்வியடைவதற்கு ஒரு குறிப்பிட்ட காரணம் உள்ளது, அது மாடலின் தரத்துடன் (model quality) தொடர்புடையது அல்ல. தலைமைத்துவக் குழுக்கள் அளவுருக்களின் எண்ணிக்கை (parameter counts) மற்றும் பெஞ்ச்மார்க் மதிப்பெண்களை (benchmark scores) ஒப்பிடுவதிலேயே பல மாதங்களைச் செலவிடுகிறார்கள், ஆனால் ஒரு அமைதியான அச்சுறுத்தல் அவர்கள் கட்டமைக்கும் அனைத்தையும் அரித்துக்கொண்டிருக்கிறது. அவர்கள் மாடலின் அளவை ஒரு வெற்றியாகக் கருதுகிறார்கள். அது இல்லை. நிதித்துறையில் ஆதிக்கம் செலுத்தும் ஒழுங்குமுறைப்படுத்தப்பட்ட, பல-படிநிலை பணிப்பாய்வுகளில் (multi-step workflows), துல்லியம் என்பது பெருகாது; அது குறையும். ஒரு ஒற்றை-படிநிலை மதிப்பெண்ணில் மட்டும் கவனம் செலுத்தினால், முழு அமைப்பின் தோல்வியால் நீங்கள் அதிர்ச்சியடைவீர்கள்.
உண்மையான பிரச்சனை மாடலின் அளவு அல்ல
இடர் மேலாண்மை அதிகாரிகளை (risk officers) தூங்கவிடாமல் செய்யும் கணக்கீடு இதுதான். தரவு பிரித்தெடுத்தல் (data extraction), சரிபார்ப்பு (validation), இடர் மதிப்பீடு (risk scoring), இணக்கச் சரிபார்ப்பு (compliance check), ஆவண உருவாக்கம் (document generation) மற்றும் இறுதி ஒப்புதல் (final approval) என ஆறு தனித்தனி நிலைகளைக் கொண்ட ஒரு பணிப்பாய்வை (pipeline) கற்பனை செய்து பாருங்கள். ஒவ்வொரு நிலையும் தனித்தனியாகச் செயல்படும்போது 97 சதவீத துல்லியத்தை எட்டுகிறது. இதைத் கொண்டாடுவது இயல்பானதுதான். ஆனால் நிகழ்தகவு (probability) உள்ளுணர்வைப் பின்பற்றுவதில்லை. அந்தப் படிகளை ஒன்றாக இணைக்கும்போது, முழுமையான நம்பகத்தன்மை (end-to-end reliability) சுமார் 83 சதவீதமாகக் குறைகிறது.
உள்ளூர் துல்லியத்திற்கும் (local perfection) உலகளாவிய தோல்விக்கும் (global failure) இடையிலான அந்த இடைவெளியே 'AI ஒருங்கிணைப்பு இடைவெளி' (AI Coordination Gap) ஆகும். ஏஜெண்டுகள் (agents), மென்பொருள் கருவிகள் மற்றும் மனித ஆய்வாளர்களுக்கு இடையிலான ஒப்படைப்புகளின் போது (handoffs) ஏற்படும் உராய்வே இது. ஒழுங்குமுறை அமைப்பாளர்கள் (Regulators) ஏற்கனவே இந்தத் துல்லியமான பலவீனத்தைத் தேடிக்கொண்டிருக்கிறார்கள். உங்கள் பொறியியல் குழு தனது ஆய்வை (post-mortem) முடிப்பதற்கு முன்பே அவர்கள் இதைக் கண்டறிந்துவிடுவார்கள்.
2026-க்குள், உரையாடல் மாறிவிட்டது. எந்த மாடல் ஆராய்ச்சித் தரவரிசையில் முதலிடம் பிடிக்கிறது என்பது இனி கேள்வி அல்ல. இது பட்ஜெட் ஒழுங்குமுறை (budget discipline), தரவு இறையாண்மை (data sovereignty) மற்றும் புதுப்பித்தல் கட்டுப்பாடு (update control) பற்றியது. உங்கள் சொந்த உள்கட்டமைப்பிற்குள் நீங்கள் கட்டுப்படுத்தக்கூடிய ஒரு தனிப்பயனாக்கப்பட்ட சிறிய மொழி மாடலை (custom Small Language Model) அல்லது டோக்கன்களுக்கு ஏற்ப நீங்கள் வாடகைக்கு எடுக்கும் ஒரு பொதுவான பெரிய மொழி மாடலை (off-the-shelf Large Language Model) நீங்கள் தேர்ந்தெடுக்க வேண்டும்.
SLM vs LLM: 2026-இல் உண்மையில் என்ன மாறுகிறது
GPT-4o, Claude போன்ற பொதுவான முன்னணி மாடல்கள் (frontier models), திறந்தநிலைத் தர்க்கம் (open-ended reasoning) மற்றும் குறைந்த அளவிலான பகுப்பாய்வுப் பணிகளுக்கு இன்றும் ஈடுஇணையற்றவை. அவை வரிகளுக்கு இடையிலான பொருளைப் புரிந்துகொள்கின்றன. நுணுக்கங்களைக் கையாளுகின்றன. ஆனால் இந்த வசதி ஒரு விலையைக் கோருகிறது. அந்த மாடலின் எடைகளை (weights) நீங்கள் சொந்தமாக வைத்திருக்க முடியாது. அதன் வெளியீட்டு அட்டவணையை (release schedule) உங்களால் கட்டுப்படுத்த முடியாது. விற்பனையாளரிடமிருந்து வரும் ஒரு அமைதியான வார இறுதிப் புதுப்பிப்பு, உங்கள் பயன்பாடு கடன்-வருமான வரம்புகளை (debt-to-income thresholds) எவ்வாறு புரிந்துகொள்கிறது அல்லது சந்தேகத்திற்கிடமான பரிவர்த்தனைகளைக் கண்டறிகிறது என்பதை மாற்றக்கூடும், மேலும் என்ன மாறியது என்பதன் துல்லியமான பதிவு உங்களிடம் இருக்காது. ஒவ்வொரு முடிவும் தணிக்கைப் பாதையை (audit trail) கோரும் ஒரு துறையில், இத்தகைய வெளிப்படைத்தன்மையின்மை (opacity) அதிக செலவை ஏற்படுத்தும்.
Llama அல்லது Mistral போன்ற திறந்த எடைகளைக் (open weights) கொண்டு உருவாக்கப்பட்ட தனிப்பயனாக்கப்பட்ட SLM-கள் இந்தச் சமன்பாட்டை மாற்றுகின்றன. அவை அடமான PDF-களில் இருந்து தரவுகளைப் பிரித்தெடுத்தல், KYC ஆவணங்களை வகைப்படுத்துதல் அல்லது பரிவர்த்தனை குறிப்புகளைப் பகுப்பாய்வு செய்தல் போன்ற கடினமான, அதிக அளவிலான பணிகளுக்காகவே பிரத்யேகமாக உருவாக்கப்பட்டவை. நீங்கள் அவற்றை உங்கள் சொந்தக் கட்டுப்பாட்டில் வைத்திருப்பதால், ஒரு பதிப்பை (version) உங்களால் நிலையாக வைக்க முடியும், வேறுபட்ட சோதனைகளை (differential testing) மேற்கொள்ள முடியும், மேலும் மார்ச் மாதத்தில் செயல்பட்ட மாடல் ஜூன் மாதத்திலும் அதேபோலவே செயல்படுகிறது என்பதைத் தணிக்கையாளரிடம் நிரூபிக்க முடியும். மேலும் இவை மிகவும் மலிவானவை; கிளவுட் சார்ந்த மாடல்களை விட ஒரு டோக்கனுக்கான செலவு பத்து முதல் முப்பது மடங்கு குறைவாக இருக்கும். இதன் குறைபாடு அதன் குறைந்த திறன் மட்டுமே. ஒரு SLM சந்தைப் போக்குகளைப் பற்றித் தத்துவார்த்தமாகப் பேசாது. இருப்பினும், உங்கள் ஃபயர்வால் (firewall) பாதுகாப்பிற்கு வெளியே ரகசியத் தரவுகளை அனுப்பாமல், ஒரு மணி நேரத்திற்கு பத்தாயிரம் இன்வாய்ஸ்களை (invoices) அது முத்திரையிடும்.
பன்முகத்தன்மை கொண்ட வழிசெலுத்தல் (Heterogeneous Routing): 80/20 பிரிப்பு
முன்னிலையில் இருக்கும் வங்கிகள் இதை ஒரு 'இது அல்லது அது' என்ற தேர்வாகக் கருதுவதை நிறுத்திவிட்டன. அவற்றின் கட்டமைப்பு பன்முகத்தன்மை கொண்டது (heterogeneous). ஒரு மலிவான, நுணுக்கமாகப் பயிற்சியளிக்கப்பட்ட (fine-tuned) SLM, ஆவணப் பிரித்தெடுத்தல், என்டிட்டி டேக்கிங் (entity tagging) அல்லது வழக்கமான தகுதிச் சரிபார்ப்பு போன்ற கணிக்கக்கூடிய, கட்டமைக்கப்பட்ட பணிகளில் முதல் கட்டத்தைச் செய்கிறது—இது மொத்தப் பணியில் சுமார் எண்பது சதவீதத்தைக் கையாள்கிறது. மீதமுள்ள இருபது சதவீதப் பணிகள், அதாவது ஒப்புமைத் தர்க்கம் (analogical reasoning) அல்லது சிக்கலான கொள்கை விளக்கங்கள் தேவைப்படும் விளிம்புநிலை நிகழ்வுகள் (edge cases), ஒரு முன்னணி LLM-இடம் ஒப்படைக்கப்படுகின்றன.
இது வெறும் கோட்பாடு அல்ல. ஒரு அடமானச் சேவை நிறுவனம் (mortgage servicer), வருமானத் தகவல்களைப் பெற SLM-ஐப் பயன்படுத்தலாம், பின்னர் தெளிவற்ற விண்ணப்பங்களை மட்டும், மாறிவரும் கூட்டாட்சி வழிகாட்டுதல்களுடன் (federal guidelines) பல வேலைவாய்ப்பு வகைகளை ஒப்பிட்டுப் பார்க்கும் ஒரு பெரிய மாடலுக்கு அனுப்பலாம். இதன் மூலம் திறனைக் குறைக்காமல், கிளவுட் செலவைக் குறைக்க முடியும்.
இடைவெளியைக் குறைக்க ஐந்து அடுக்கு கட்டமைப்பு
ஒருங்கிணைப்பு இடைவெளியைக் (Coordination Gap) குறைக்க வெறும் புத்திசாலித்தனமான வழிசெலுத்தல் மட்டும் போதாது. அதற்கு ஒரு தெளிவான அடுக்கு (explicit stack) தேவை. குழுக்கள் இப்போது பயன்படுத்தக்கூடிய ஐந்து அடுக்கு கட்டமைப்பை இங்கே காணலாம்.
மாடல் தேர்வு (Model Selection). இன்ஃபரன்ஸை (inference) ஒரு அவசர சிகிச்சை செவிலியரைப் போலக் கருதுங்கள். பணிப்பிரிவின் அளவு மற்றும் உணர்திறன் (sensitivity) அடிப்படையில் பணிகளை வழிநடத்துங்கள். அதிக அதிர்வெண் கொண்ட, குறைந்த இடர் கொண்ட செயல்பாடுகள் உங்கள் SLM-க்குச் செல்ல வேண்டும். தீர்ப்பு, தெளிவற்ற தன்மை அல்லது வாடிக்கையாளர் புகாரைத் தீர்ப்பது போன்ற வழக்குகள் LLM-க்குச் செல்ல வேண்டும். வழிசெலுத்தல் விதிகளை (routing rules) ப்ராம்ப்ட்டில் (prompt) எழுதாமல், குறியீட்டில் (code) எழுதுங்கள்.
ஆதாரத்துடன் இணைத்தல் (Grounding). வாடிக்கையாளரைத் தொடர்பு கொள்ளும் ஒவ்வொரு பதிலும் ஒரு மூல ஆவணத்தைக் (source document) காட்ட வேண்டும். உங்கள் உண்மையான கொள்கை கையேடுகள், விகிதத் தாள்கள் மற்றும் ஒழுங்குமுறை அறிவிப்புகளில் வெளியீடுகளை நிலைநிறுத்த retrieval-augmented generation முறையைப் பயன்படுத்தவும். தற்போதைய வட்டி விகிதங்கள் அல்லது கட்டண அட்டவணைகளுக்கு ஒரு மாதிரியின் (model) அளவுரு நினைவகத்தை (parametric memory) ஒருபோதும் நம்ப வேண்டாம். நினைவகம் மாறக்கூடும் (Memory drifts). பதிப்பு எண்ணுடன் கூடிய ஒரு PDF மாறாது.
ஒருங்கிணைப்பு (Orchestration). பாதை தெளிவாகத் தெரியும் வகையிலான பணிப்பாய்வுகளை (workflows) உருவாக்கவும். LangGraph போன்ற கருவிகள் தெளிவான, தணிக்கை செய்யக்கூடிய நிலை இயந்திரங்களை (state machines) வரையறுக்க உங்களுக்கு அனுமதிக்கின்றன. ஒரு முடிவு வரையறுக்கப்பட்ட நிலைகளைக் கடந்து செல்ல வேண்டும்: பிரித்தெடுத்தல் (extract), சரிபார்த்தல் (verify), முடிவு எடுத்தல் (decision), பதிவு செய்தல் (log). முகவர்கள் (agents) ஒரு திறந்த உரையாடல் சுழற்சியில் (open conversational loop) வெறும் 'அரட்டை' அடிப்பதன் மூலம் ஒரு முடிவுக்கு வர அனுமதிக்காதீர்கள். உங்களால் ஒரு விளக்கப்படத்தை (flowchart) வரைய முடியவில்லை என்றால், அதை ஒரு ஒழுங்குமுறை அதிகாரியிடம் (regulator) விளக்க முடியாது.
கருவி அணுகல் (Tool Access). முகவர்கள் முக்கிய வங்கி அமைப்புகளை (core banking systems) அழைக்க வேண்டியுள்ளது, ஆனால் ஒவ்வொரு ஒருங்கிணைப்பும் ஒரு தோல்விப் புள்ளியாக (failure point) இருக்கலாம். முகவர்கள் உங்கள் கணக்குப் புத்தகங்கள் (ledgers), CRM பதிவுகள் மற்றும் இணக்கத் தரவுத்தளங்களை (compliance databases) எவ்வாறு அங்கீகரிப்பது மற்றும் வினவுவது என்பதைத் தரப்படுத்த Model Context Protocol-ஐப் பயன்படுத்தவும். சீரான இடைமுகங்கள் (Uniform interfaces) அமைதியான தோல்விகளுக்கான (silent breakage) வாய்ப்புகளைக் குறைக்கின்றன.
சரிபார்ப்பு (Verification). மனிதத் தீர்ப்பிற்காக ஒரு பிரத்யேகப் பாதையை (hard lane) ஒதுக்கி வைக்கவும். அதிக ஆபத்துள்ள முடிவுகள்—பெரிய பணப் பரிமாற்றங்கள் (wire transfers), கடன் வரம்பு மாற்றங்கள் (credit limit overrides), SAR தாக்கல் செய்தல்—ஆகியவற்றை ஒரு மனித ஆய்வாளருக்கோ அல்லது தனிமைப்படுத்தப்பட்ட மாதிரியில் (isolated model) இயங்கும் இரண்டாவது சரிபார்ப்பு முகவருக்கோ அனுப்பவும். விளிம்பில் உள்ள கூடுதல் பாதுகாப்பு (Redundancy at the edge) மையத்தைப் பாதுகாக்கிறது.
சரியான விஷயத்தை அளவிடுங்கள்
ஒவ்வொரு படிவத்தின் துல்லியத்திற்காக (per-step accuracy) குழுக்களுக்கு வெகுமதி அளிப்பதை நிறுத்துங்கள். ஒவ்வொரு தொகுதியும் (module) ஒரு சோதனைத் தொகுப்பில் 99 சதவீதம் துல்லியமாக இருப்பதாகக் கூறினாலும், அந்தப் படிநிலைகள் ஒன்றோடொன்று இணையும் போது, ஐந்து நிஜ வாடிக்கையாளர்களில் ஒருவருக்கு அது தோல்வியடையக்கூடும். ஆரம்பம் முதல் இறுதி வரை உள்ள நம்பகத்தன்மையை (end-to-end reliability) அளவிடத் தொடங்குங்கள். செயற்கையான தோல்வி நிகழ்வுகளை (synthetic failure cases) உள்ளிடுங்கள். தாக்குபவர்கள் இணைப்புகளை (seams) எவ்வாறு சோதிக்கிறார்களோ, அதேபோலப் பணிகளை ஒப்படைக்கும் முறைகளையும் (handoffs) சோதிக்கவும்.
2026-ல் AI மூலம் உண்மையில் வெற்றி பெறும் வங்கிகள் மிகப்பெரிய மாதிரிகளை வாடகைக்கு எடுப்பவை அல்ல. அவை தெளிவான அமைப்புகளை ஒன்றிணைப்பவை. நீங்கள் தணிக்கை செய்யக்கூடிய ஒரு சிறிய மாதிரி, உங்களால் விளக்க முடியாத ஒரு பெரிய மாதிரியை விடச் சிறந்தது என்பதையும், மேலும்...