செயற்கை நுண்ணறிவு குறித்த பெரும்பாலான செய்திகள் வெறும் இரைச்சல் மட்டுமே. தயாரிப்பு மேம்படுத்தல்கள், நிதித் திரட்டல் சுற்றுகள் மற்றும் பெஞ்ச்மார்க் போட்டிகள் அனைத்தும் ஒன்றோடொன்று கலந்து...

செயற்கை நுண்ணறிவு (AI) குறித்த பெரும்பாலான செய்திகள் வெறும் இரைச்சலே. தயாரிப்பு மேம்பாடுகள் (Product updates), நிதி திரட்டும் சுற்றுகள் (funding rounds) மற்றும் பெஞ்ச்மார்க் போட்டிகள் (benchmark battles) என அனைத்தும் ஒன்றோடொன்று கலந்து, அவசரமானதாகத் தோன்றினாலும், உண்மையில் பெரிய மாற்றங்களை ஏற்படுத்துவதில்லை. ஆனால் இந்த வாரம் வித்தியாசமாக இருந்தது. மூன்று உண்மையான மாற்றங்கள் நிகழ்ந்துள்ளன, அவை அனைத்தும் ஒரே திசையையே சுட்டிக்காட்டுகின்றன: இந்தத் தொழில்துறை வெறும் மாடல் வலிமையிலிருந்து (raw model power), கட்டுப்பாடு, பாதுகாப்பு மற்றும் சட்டம் ஆகியவற்றின் பக்கம் திரும்புகிறது.

நீங்கள் தயாரிப்புகளை உருவாக்கினாலும், கருவிகளைப் பயன்படுத்தத் தொடங்கினாலும் அல்லது உங்கள் தரவைப் பாதுகாப்பாக வைத்திருக்க முயன்றாலும், இந்த மாற்றம் மிக முக்கியமானது.

மாடல்களின் அடிப்படை மாறிக்கொண்டிருக்கிறது

கடந்த இரண்டு ஆண்டுகளாக, கதை மிகவும் எளிமையாக இருந்தது. பெரிய மாடல்கள், சிறந்த மதிப்பெண்கள், வேகமான இன்ஃபரன்ஸ் (inference). இந்த வாரம், அந்தப் போக்கு மாறியுள்ளது. புதிய மாடல்கள் வெளியாவன, ஆனால் நிறுவனங்கள் AI-ஐ எவ்வாறு பயன்படுத்துகின்றன என்பதை உண்மையில் மாற்றியமைக்கப் போகும் செய்திகள், ஒரு sandbox உடைந்தது மற்றும் அரசாங்கங்கள் போதுமான காலம் காத்திருக்கிறோம் என்று முடிவு செய்தது ஆகியவற்றைப் பற்றியதாக இருந்தன.

செய்தி தெளிவாக உள்ளது. செயல்திறன் (Performance) மட்டுமே இனி நிறுவனங்களின் அல்லது பொதுமக்களின் நம்பிக்கையைப் பெறாது. பாதுகாப்பு மற்றும் நிர்வாகமே (governance) இனி முக்கிய நிகழ்வாக மாறப்போகிறது.

Google தனது Gemini வரிசையை விரிவுபடுத்துகிறது

Google மூன்று புதிய Gemini மாடல்களை அறிமுகப்படுத்தியுள்ளது, ஒவ்வொன்றும் வெவ்வேறு வகையான வேலைகளுக்காக வடிவமைக்கப்பட்டுள்ளன. மேலோட்டமாகப் பார்க்கும்போது, இது ஒரு மாடல் குடும்பத்தின் வழக்கமான விரிவாக்கம் போலத் தோன்றலாம். ஆனால், இதன் பின்னணியில், AI வழங்குநர்கள் இப்போது பயன்பாட்டு முறையை (deployment) எவ்வாறு சிந்திக்கிறார்கள் என்பதற்கான அறிகுறி உள்ளது.

வெவ்வேறு பணிகளுக்கு வெவ்வேறு அளவிலான கணினித் திறன் (compute) தேவைப்படுகிறது. சிக்கலான பகுப்பாய்வு, கோடிங் உதவி அல்லது பல படிநிலைகளைக் கொண்ட ஆராய்ச்சிக்கு ஒரு பிரம்மாண்டமான reasoning மாடல் பொருத்தமானது. ஆனால், சப்போர்ட் டிக்கெட்டுகளை வகைப்படுத்துவதற்கோ அல்லது மின்னஞ்சல் பதில்களைத் தயாரிப்பதற்கோ இது தேவையில்லாத ஒன்று. பல மாறுபாடுகளை வெளியிடுவதன் மூலம், வாடிக்கையாளர்களுக்கு லீடர்போர்டு தரவரிசைகள் மட்டுமல்லாமல், உண்மையான வணிகத் தடைகளுக்கு (business constraints) ஏற்ற விருப்பங்களும் தேவை என்பதை Google அங்கீகரிக்கிறது.

நிபுணர்களுக்கு (practitioners), இது கொள்முதல் முறையை மாற்றுகிறது. இப்போது நீங்கள் ஒரு வேலையைச் செய்யத் தேவையான மாடலை மிகவும் துல்லியமாகத் தேர்ந்தெடுக்க முடியும். 'Edge'-இல் இயங்கும் ஒரு லேசான (lightweight) மாடல் குறைந்த செலவில் விரைவாகப் பதிலளிக்கும். ஒரு API-க்கு பின்னால் இருக்கும் ஒரு கனமான (heavyweight) மாடல் கடினமான வேலைகளைச் செய்யும். எளிய பணிகளுக்காகத் தேவையில்லாமல் டோக்கன்களை (tokens) வீணடிக்காமல் இருக்க, கோரிக்கைகளை (requests) புத்திசாலித்தனமாக வழிநடத்தும் அமைப்புகளை உருவாக்குவதே இதில் உள்ள ரகசியம்.

இது ஒரு நடைமுறை கேள்வியையும் எழுப்புகிறது. பெரும்பாலான நிறுவனங்கள் ஏற்கனவே பல்வேறு வழங்குநர்களிடமிருந்து பல மாடல்களைப் பயன்படுத்தி வருகின்றன. மேலும் மூன்று Gemini மாடல்களைச் சேர்ப்பது என்பது, உங்கள் மதிப்பீட்டு வழிமுறையும் (evaluation pipeline) அதற்கேற்பத் தயாராக இருக்க வேண்டும் என்று அர்த்தம். உங்கள் குழு இன்னும் சில ப்ராம்ப்ட்களை (prompts) கைமுறையாக இயக்கி மாடல்களைச் சோதித்துக் கொண்டிருந்தால், உங்கள் சொந்தத் தரவைச் சுற்றி ஒரு கட்டமைக்கப்பட்ட பெஞ்ச்மார்க்கை (benchmark) உருவாக்க வேண்டிய நேரம் இது. செயல்திறன் குறித்த விற்பனையாளர்களின் கூற்றுகள் உங்கள் குறிப்பிட்ட ஆவணங்கள், உங்கள் குறிப்பிட்ட பயனர்கள் அல்லது உங்கள் குறிப்பிட்ட லேட்டன்சி (latency) தேவைகளுக்குப் பெரும்பாலும் சரியாகப் பொருந்தாது.

Sandbox விரிசல் அடையும் போது

புதிய மாடல்கள் கவனத்தை ஈர்த்த அதே வேளையில், ஒரு AI sandbox-க்குள் நடந்த பாதுகாப்புச் சம்பவம் பொறியியல் சமூகத்திற்கு ஒரு எச்சரிக்கையை விடுத்தது. Sandboxes ஒரு குறிப்பிட்ட காரணத்திற்காகவே உள்ளன. அவை AI-ஐ முக்கியமான அமைப்புகளிலிருந்து தனிமைப்படுத்துகின்றன, இதன் மூலம் தயாரிப்புத் தரவையோ (production data) அல்லது முக்கியமான உள்கட்டமைப்பையோ வெளிப்படுத்தாமல், குழுக்கள் அதன் திறன்களைச் சோதிக்க அனுமதிக்கின்றன.

அந்தத் துளை (breach), தனிமைப்படுத்தல் என்பது முழுமையானது அல்ல என்பதைக் காட்டியது. பொறியாளர்கள் பாதுகாப்பானது என்று நினைத்த ஒரு சூழலில் பாதுகாப்பு வழிமுறைகள் தோல்வியடையும் போது, உணரப்படும் அபாயத்திற்கும் (perceived risk) உண்மையான அபாயத்திற்கும் (actual risk) இடையே உள்ள ஆபத்தான இடைவெளியை அது வெளிச்சம் போட்டுக் காட்டுகிறது.

இது ஒரு கற்பனையான கவலை அல்ல. நிறுவனங்கள் ஏற்கனவே தங்கள் ரகசியத் தரவுகளை (proprietary data) AI கருவிகளில் உள்ளீடு செய்கின்றன, மொழி மாடல்களை (language models) உள் தரவுத்தளங்களுடன் இணைக்கின்றன மற்றும் பயனர்களுக்குப் பதிலாக ஏஜெண்டுகள் (agents) மென்பொருட்களுடன் தொடர்பு கொள்ள அனுமதிக்கின்றன. ஒவ்வொரு ஒருங்கிணைப்பும் sandbox-லிருந்து வெளியேற ஒரு சாத்தியமான பாதையை உருவாக்குகிறது. மாடலைக் கட்டுப்படுத்த உருவாக்கப்பட்ட கட்டுப்பாடுகள் உடைந்துவிட்டால், தரவு கசிவு, அங்கீகரிக்கப்படாத செயல்கள் மற்றும் விதிமுறை மீறல்கள் (compliance violations) விரைவாக நடக்கும்.

இந்தச் சம்பவம், பாதுகாப்பு எவ்வாறு சோதிக்கப்படுகிறது என்பதைப் பற்றி குழுக்கள் மீண்டும் சிந்திக்கத் தூண்ட வேண்டும். தொடங்குவதற்கு முன் ஒருமுறை red-team பயிற்சிகளைச் செய்வது மட்டும் போதாது. மாடல்கள் மாறக்கூடும் (drift), ப்ராம்ப்ட்கள் உருமாறக்கூடும் (mutate), மற்றும் ஒருங்கிணைப்புகள் தொடர்ந்து தாக்குதல் பரப்பளவை (attack surface) விரிவுபடுத்துகின்றன. sandbox-ஐ மட்டும் இலக்காகக் கொள்ளாமல், அதனுள் இருக்கும் மாடலையும் சேர்த்து ஒரு இலக்காகக் கருதி, தொடர்ச்சியான adversarial testing உங்களுக்குத் தேவை.

மூன்றாம் தரப்பு AI சேவைகளைப் பயன்படுத்தும் வணிகங்களுக்கு, பாடம் மிகத் தெளிவானது. உங்கள் விற்பனையாளர்களின் sandboxes எவ்வாறு கட்டமைக்கப்பட்டுள்ளன என்று சரியாகக் கேளுங்கள். ஒரு prompt injection முயற்சி வெற்றி பெற்றால் என்ன நடக்கும் என்று கேளுங்கள். மாடல் அணுகக்கூடாத தரவை அணுகினால் அதற்கு யார் பொறுப்பு என்று கேளுங்கள். பதில்கள் தெளிவற்றதாக இருந்தால், உங்கள் தரவு ஏற்கனவே ஆபத்தில் உள்ளது என்று அர்த்தம்.

அரசாங்கங்கள் கண்காணிப்பிலிருந்து விதிமுறைகளை உருவாக்குவதற்கு மாறுகின்றன

ஒழுங்குமுறை அமைப்புகள் (Regulators) கடந்த பதினெட்டு மாதங்களாகக் கொள்கைகளை வெளியிடுவதிலும், விசாரணைகளை நடத்துவதிலும் மற்றும் கட்டமைப்புகளைப் பற்றித் தெரிவிப்பதிலும் நேரத்தைச் செலவிட்டன. இந்த வாரம், அந்த நிலைமை மாறியுள்ளது. அரசாங்கங்கள் வெறும் கண்காணிப்பிலிருந்து உறுதியான நடவடிக்கைக்குத் திரும்பியுள்ளன, ஒழுங்குமுறைப்படுத்தப்பட்ட தொழில்துறைகளுக்குள் AI பயன்பாடு உண்மையில் எப்படி இருக்க வேண்டும் என்பதை வரையறுக்கும் விதிகளை உருவாக்கி வருகின்றன.

அவர்கள் பெரிய தொழில்நுட்ப நிறுவனங்களின் மீது தனிப்பட்ட கவனம் செலுத்தி வருகின்றனர். ஒழுங்குமுறை அமைப்புகள் அளவைப் பார்க்கும்போது, அவை சந்தை ஒருமுகத்தன்மையைப் பார்க்கின்றன. ஒரு சில நிறுவனங்களே உள்கட்டமைப்பு, மாதிரிகள் (models) மற்றும் விநியோக சேனல்களை வழங்கும் சந்தை, அமைப்பு ரீதியான அபாயத்தை (systemic risk) உருவாக்குகிறது. ஒரு தளம் தனது பாதுகாப்பு கொள்கையையோ அல்லது விலையையோ ஒரே இரவில் மாற்றினால், ஆயிரக்கணக்கான கீழ்நிலை வணிகங்கள் அதை உடனடியாக உணரும்.

செயல்பாட்டாளர்களுக்கு, வரவிருக்கும் ஒழுங்குமுறை அலை என்பது வெறும் இணக்கச் சிக்கல் (compliance headache) மட்டுமல்ல. இது உங்கள் AI விநியோகச் சங்கிலியை (AI supply chain) ஆவணப்படுத்த வேண்டியதற்கான ஒரு அறிகுறியாகும். உங்கள் மாதிரிகள் எங்கிருந்து வருகின்றன, அவை எந்தத் தரவைக் கொண்டு பயிற்சி பெற்றன மற்றும் அவற்றின் வெளியீடுகளை நீங்கள் எவ்வாறு தணிக்கை (audit) செய்கிறீர்கள் என்பதை ஒழுங்குமுறை அமைப்புகள் அறிய விரும்பும். சுய-வழங்கப்பட்ட திறந்த மாதிரிகள் (Self-hosted open models) விற்பனையாளர் சார்ந்த அதிர்ச்சிகளிலிருந்து உங்களைப் பாதுகாக்கலாம், ஆனால் அவை தமக்கென சில ஆவணப்படுத்தும் சுமைகளையும் கொண்டு வருகின்றன.

இப்போதே தயாராகத் தொடங்குங்கள். உங்கள் நிறுவனத்தில் தற்போது பயன்படுத்தப்படும் ஒவ்வொரு AI கருவியையும் கண்டறியுங்கள், ஊழியர்கள் நிறுவன மின்னஞ்சலைப் பயன்படுத்தி பதிவு செய்துள்ள அதிகாரப்பூர்வமற்ற கருவிகளைக் கூடத் தேடுங்கள். எந்தச் செயல்முறைகள் முக்கியமான வாடிக்கையாளர் தரவைத் தொடுகின்றன என்பதைக் கண்டறியுங்கள். ஒரு எளிய நிர்வாகப் பட்டியலை (governance checklist) உருவாக்குங்கள்: மாதிரியின் மூலம் (model source), தரவுத் தக்கவைப்பு கொள்கை (data retention policy), மனித ஆய்வு நெறிமுறை (human review protocol) மற்றும் விபத்து பதில் திட்டம் (incident response plan). விதிகள் வரும்போது, இந்தத் தகவல்களைத் தயாராக வைத்திருப்பது, சில வாரங்களில் தகவமைத்துக் கொள்ளும் நிறுவனங்களையும், பல மாதங்கள் போராடும் நிறுவனங்களையும் பிரித்துக் காட்டும்.

இது உங்கள் வேலைக்கு எதைக் குறிக்கிறது

இந்த மூன்று நிகழ்வுகளுக்கும் இடையிலான தொடர்பு நடைமுறை சார்ந்தது, கோட்பாட்டு சார்ந்தது அல்ல. இரைச்சலில் சிக்காமல் எவ்வாறு பதிலளிக்கலாம் என்பது இதோ:

• உங்கள் மாதிரி கலவை (model mix) குறித்து தணிக்கை செய்யுங்கள். நீங்கள் அனைத்திற்கும் ஒரே மாதிரியைப் பயன்படுத்தினால், நீங்கள் அதிகப்படியாகச் செலவிடுகிறீர்கள் மற்றும் குறைந்த செயல்திறனைப் பெறுகிறீர்கள் என்று அர்த்தம். சிறப்பு மாறுபாடுகள் (specialized variants) அன்றாடப் பணிகளை மலிவாகவும் வேகமாகவும் கையாள முடியுமா என்று மதிப்பீடு செய்யுங்கள். சந்தைப்படுத்தல் டெமோக்களைப் (marketing demos) பார்க்காமல், உண்மையான பணிச்சுமைகளில் (real workloads) பக்கவாட்டுச் சோதனைகளை (side-by-side tests) நடத்துங்கள்.

• ஒவ்வொரு AI ஒருங்கிணைப்பையும் ஒரு பாதுகாப்பு எல்லையாகக் கருதுங்கள். சாண்ட்பாக்ஸ் (sandbox) தோல்வியடையக்கூடும் என்று கருதுங்கள். ஒரு பணியை முடிக்கத் தேவையான தரவை மட்டுமே மாதிரிகளுக்கு வழங்குவதன் மூலம் தரவு வெளிப்பாட்டைக் குறைக்கவும். தெளிவான லாகிங் (logging), விகிதக் கட்டுப்பாடு (rate limiting) மற்றும் கில் ஸ்விட்சுகள் (kill switches) இல்லையென்றால், பொதுப் பயன்பாட்டு உதவியாளர்களை (general-purpose assistants) பரந்த உள் அமைப்புகளுடன் இணைப்பதைத் தவிர்க்கவும்.

• ஒழுங்குமுறை மாற்றத்திற்குத் தயாராகுங்கள். விதிகள் வருகின்றன. வெளிப்படைத்தன்மை, சார்பு சோதனை (bias testing) மற்றும் மனித மேற்பார்வை ஆகியவற்றிற்கான உள் கொள்கைகளை இப்போதே தயார் செய்யுங்கள். ஒரு சட்டத்தின் இறுதி உரத்திற்காக நீங்கள் காத்திருந்தால், முன்கூட்டியே தயாரான போட்டியாளர்களை விட நீங்கள் ஏற்கனவே பின்தங்கிவிடுவீர்கள்.

• உங்கள் கவனத்தைச் சீரமைக்கவும். ஒவ்வொரு செய்தியையும் பின்தொடர்வதை நிறுத்துங்கள். ஒன்று அல்லது இரண்டு நம்பகமான ஆதாரங்களை மட்டும் சந்தாதாரராகப் பெறுங்கள், அவற்றை வாராவாரம் சரிபார்க்கவும், மீதமுள்ள நேரத்தை உங்கள் சொந்தத் தேவைகளுக்குக் கருவிகளைச் சோதிப்பதில் செலவிடவும். தொழில்முறை இரைச்சல் முடிவற்றது. உங்கள் வணிகச் சூழல் குறிப்பிட்டது.

முக்கிய முடிவு

AI-இல் அதிகாரம் இப்போதும் முக்கியமானது, ஆனால் அது மட்டுமே முக்கியமானது அல்ல. அடுத்த கட்டப் பயன்பாடு, எந்த மாதிரிகள் பாதுகாப்பாகப் பயன்படுத்தப்பட முடியும், எந்த விற்பனையாளர்கள் வாடிக்கையாளர் தரவைப் பாதுகாக்க முடியும் மற்றும் எந்த நிறுவனங்கள் கடுமையான ஒழுங்குமுறைச் சூழலைச் சமாளிக்க முடியும் என்பதைப் பொறுத்தே அமையும் என்பதை இந்த வாரம் காட்டியுள்ளது.

Google-இன் புதிய வெளியீடுகள் உங்களுடன் பணிபுரிய கூடுதல் கருவிகளை வழங்குகின்றன. சாண்ட்பாக்ஸ் மீறல் (sandbox breach), அந்தத் கருவிகளுக்கு வலுவான எல்லைகள் தேவை என்பதை உங்களுக்கு நினைவூட்டுகிறது. மேலும், ஒழுங்குமுறை வேகம், கட்டுப்பாடற்ற சோதனைப் பருவம் முடிவுக்கு வருகிறது என்பதை உங்களுக்குத் தெரிவிக்கிறது.

உங்கள் தரவு, உங்கள் பணிப்பாய்வுகள் (workflows) மற்றும் உங்கள் சட்ட ரீதியான பாதிப்புகளைத் தொடும் மாற்றங்களில் கவனம் செலுத்துங்கள். மற்ற அனைத்தும் பின்னணி இரைச்சல் மட்டுமே.

முழுமையான விளக்கத்தைப் படிக்க இங்கே கிளிக் செய்யவும்.

Telegram-இல் GyaanSetu கற்றல் சமூகத்தில் இணையுங்கள்.