இந்த எச்சரிக்கை இப்போது ஏன் முக்கியமானது

கடந்த ஆண்டு, மூலத் தரவை (raw data) உடனடித் தகவல்கள், குறியீடு (code) அல்லது உரையாடலாக மாற்றிக்காட்டும் பெரிய மொழி மாதிரிகளின் (LLM) சேவைகளால் சந்தை நிரம்பியது. நிறுவனங்கள், ஒரு செயல்படக்கூடிய தீர்வை வழங்கக்கூடிய முதல் விற்பனையாளரிடமே தங்களின் தனியுரிமைத் தூண்டுதல்கள் (prompts), உள் ஆவணங்கள் மற்றும் பயன்பாட்டுப் பதிவுகளை ஒப்படைத்து அவசரமடைந்தன.

அந்த வசதி ஒரு மறைமுகச் சார்புநிலையை உருவாக்குகிறது. பயன்பாட்டுத் தரவு மற்றும் மெட்டாடேட்டாவைத் தக்கவைத்துக் கொள்ளாமல், ஒரு நிறுவனம் தனது சொந்த மாதிரி எடைகளை (model weights) பயிற்றுவிக்கும் திறனை இழக்கிறது; இதனால் அதன் "மூளை" ஆய்வு செய்யவோ அல்லது மாற்றவோ முடியாத ஒரு கருப்புப் பெட்டிக்குள் (black box) சிக்கிக்கொள்கிறது. விற்பனையாளர் விலையை உயர்த்தினாலோ, விதிமுறைகளை மாற்றினாலோ அல்லது சேவைத் தடை ஏற்பட்டாலோ, வாடிக்கையாளரின் முக்கியச் செயல்பாடுகள் முடங்கிவிடக்கூடும்.

உங்கள் மூளையை வெளிப்பணி ஒப்படைப்பதன் விலை

நதேலா இந்தச் சிக்கலை அறிவுசார் இறையாண்மையின் இழப்பாகக் குறிப்பிடுகிறார். ஒரு மூடிய வளைய அமைப்பில் (closed-loop system), ஒரு நிறுவனத்தின் தனித்துவமான பணிப்பாய்வுகள் மற்றும் துறை சார்ந்த அறிவு வழங்குநரின் பயிற்சித் தொகுப்பின் (training set) ஒரு பகுதியாகிவிடுகின்றன, ஆனால் அந்த நிறுவனம் பயிற்றுவிக்கப்பட்ட அளவீடுகளை (parameters) ஒருபோதும் பெறுவதில்லை. அந்த எடைகள் (weights) இல்லாமல், நிறுவனம் தனது நிபுணத்துவத்தைப் பிரதிபலிக்க ஒரு திறந்த மாதிரியை (open model) நுட்பமாகச் சரிசெய்யவோ (fine-tune) அல்லது தனது தரவு எவ்வாறு பயன்படுத்தப்படுகிறது என்பதைத் தணிக்கை செய்யவோ முடியாது.

இதன் நடைமுறை விளைவுகள் மிகத் தெளிவானவை:

  • போட்டித் தகவல் கசிவு: ஒரு ஆதிக்கம் செலுத்தும் AI ஆய்வகம், ஒரு வாடிக்கையாளரின் குறிப்பிட்ட பணிப்பாய்வை ஆய்வு செய்து, அந்தத் திறனைத் தனது சொந்தத் தயாரிப்புத் தொகுப்பில் இணைக்கலாம்; இதன் மூலம் வாடிக்கையாளரின் மதிப்பு முன்மொழிவை (value proposition) திறம்பட நகலெடுக்க முடியும்.

கட்டுப்பாட்டு அமைப்பை மாதிரியிலிருந்து பிரித்தல்

நதேலாவின் பரிந்துரை என்னவென்றால், வணிகத்தின் பயன்பாடுகளுக்கும் மற்றும் ஏதேனும் ஒரு மாதிரிக்கும் இடையில் ஒரு "AI நுழைவாயிலை" (AI gateway) இணைக்கும் ஒரு கூறுநிலை கட்டமைப்பைக் (modular architecture) கொண்டிருப்பதாகும். இந்த நுழைவாயில் தூண்டுதல்களை (prompts) வடிவமைக்கிறது, சூழலை இணைக்கிறது மற்றும் முடிவுகளை வழிநடத்துகிறது, அதே நேரத்தில் மாதிரி ஒரு மாற்றக்கூடிய அங்கமாகவே இருக்கும். இந்த அமைப்பில், நிறுவனத்தின் நினைவாற்றல்—உரையாடல் வரலாறு, மெட்டாடேட்டா மற்றும் பயன்பாட்டுப் பதிவுகள்—அதன் சொந்தக் கட்டமைப்பிலேயே இருக்கும்.

அவர் நன்மைகளை மூன்று தூண்களாகப் பிரித்தார்:

  • சுறுசுறுப்பைப் பராமரித்தல் – மலிவான அல்லது அதிகத் திறன் கொண்ட மாதிரி தோன்றும்போது, முழுத் தொகுப்பையும் (stack) மீண்டும் எழுதாமல் நுழைவாயில் அதைக் காட்டும்.
  • அபாயத்தைக் குறைத்தல் – ஒரு வழங்குநர் தனது SLA-வை மாற்றினாலோ அல்லது சேவை முடங்கினாலோ, நுழைவாயில் மாற்று இயந்திரத்திற்கு மாறி, முக்கியமான பணிப்பாய்வுகளைத் தொடர்ந்து இயங்க வைக்கும்.
  • சிறப்புத் திறன் (Specialize) – இலகுரக, திறந்த-எடை மாதிரிகள் (open-weight models) வழக்கமான வகைப்பாடுகளைக் கையாளும், அதே நேரத்தில் ஒரு மிகப்பெரிய தனியுரிமை LLM ஆழமான பகுப்பாய்வுப் பணிகளைக் கையாளும்; இது செலவு மற்றும் செயல்திறனை மேம்படுத்தும்.

பிளாட்ஃபார்ம் பிளேபுக் (platform playbook) ஆகியவற்றின் அபாயங்கள்

"பிளாட்ஃபார்ம் பிளேபுக்" என்பது ஒரு AI விற்பனையாளர் ஒரு முழுமையான தீர்வுக்குப் (turnkey solution) பதிலாக, வாடிக்கையாளரின் உள் செயல்பாடுகளை ஆழமாக அணுகும் ஒரு மாதிரியை விவரிக்கிறது. அந்த அணுகல் விற்பனையாளருக்கு வாடிக்கையாளரின் செயல்பாடுகளின் விரிவான வரைபடத்தை வழங்குகிறது, இது ஒரு மூலோபாய பலவீனத்தை உருவாக்குகிறது. ஒரு தனியுரிமை AI பணிப்பாய்வே தங்களின் பாதுகாப்பு அரணாகக் (moat) கொண்ட ஸ்டார்ட்அப்களுக்கு, இந்த அபாயம் மிகவும் தீவிரமானது: அதே ஆய்வகம் அந்த பணிப்பாய்வை உள்வாங்கிக் கொண்டு ஒரு போட்டியிடும் சேவையைத் தொடங்கலாம், இது வாடிக்கையாளரின் சந்தை நன்மையைத் துடைத்தெறியும்.

முரண்பாட்டு கருத்து: எளிமை बनाम நெகிழ்வுத்தன்மை

இதில் உள்ள சமரசம் தெளிவானது. எளிமை என்பது ஒரு நிறுவனத்தை ஒரு குறிப்பிட்ட சேவைக்கு மட்டுமே கட்டுப்படுத்தும் (lock-in). இறையாண்மையை விட வேகத்திற்கு முன்னுரிமை அளிக்கும் நிறுவனங்கள், காலப்போக்கில் அதிகக் கட்டணத்தைச் செலுத்த வேண்டியிருக்கலாம் அல்லது வழங்குநரின் திட்டவரைபடம் (roadmap) அவர்களின் தேவைகளிலிருந்து விலகிச் சென்றால், முக்கியமான செயல்பாடுகளை மீண்டும் உருவாக்கப் போராட வேண்டியிருக்கும்.

கவனிக்க வேண்டியவை

  • திறந்த மூல மாதிரி சுற்றுச்சூழல் அமைப்புகள் (Open-source model ecosystems) – தாராளமான உரிமங்களின் கீழ் மாதிரி எடைகளை வெளியிடும் திட்டங்கள் பிரபலமடைந்து வருகின்றன, இவை தனியுரிமைச் சேவைகளுக்கு ஒரு சிறந்த மாற்றாக அமைகின்றன.
  • பல்வேறு மாதிரிகளை ஒருங்கிணைக்கும் தளங்கள் (Multi-model orchestration platforms) – வளர்ந்து வரும் கருவிகள் பல்வேறு AI பின்னணி அமைப்புகளுக்கு (back-ends) இடையே ரூட்டிங், கேச்சிங் மற்றும் கண்காணிப்பைப் நிர்வகிக்கின்றன, இது நுழைவாயில் (gateway) கருத்தாக்கத்தை செயல்படுத்துவதை எளிதாக்குகிறது.