𝗙𝗲𝗮𝘁𝘂𝗿𝗲, 𝗖𝗮𝗽𝗮𝗯𝗶𝗹𝗶𝘁𝘆, 𝗼𝗿 𝗡𝗮𝘁𝗶𝘃𝗲: 𝗛𝗼𝘄 𝗧𝗲𝗮𝗺𝘀 𝗗𝗲𝗳𝗶𝗻𝗲 𝗔𝗜

மென்பொருள் குழுக்கள் AI-ஐ மூன்று வழிகளில் பார்க்கின்றன. மார்க்கெட்டிங் குழுக்களை விட பொறியாளர்கள் இந்த வித்தியாசத்தை விரைவாகக் கண்டறிகிறார்கள்.

அந்த மூன்று வகைகள்:

  • AI Feature (AI அம்சம்): இதற்கு முன்பு நன்றாகச் செயல்பட்ட ஒரு பணிப்பாய்வில் (workflow) நீங்கள் ஒரு பொத்தானைச் சேர்க்கிறீர்கள். இது ஒரு கூடுதல் அம்சம் மட்டுமே. இது அதன் அடிப்படைத் தர்க்கத்தை (core logic) மாற்றாது.
  • AI Capability (AI திறன்): நீங்கள் பல தயாரிப்புகளில் AI-ஐப் பயன்படுத்துகிறீர்கள். இதற்கான முதலீடு அதிகம், ஆனால் அதன் அடிப்படை கட்டமைப்பு (base architecture) AI உருவாவதற்கு முன்பே இருந்துவிடக்கூடும்.
  • AI Native (AI நேட்டிவ்): அதன் கட்டமைப்பு முதல் நாளிலிருந்தே AI இருப்பதை அடிப்படையாகக் கொண்டது. அது இல்லாமல் இந்த அமைப்பால் இயங்க முடியாது.

இந்த வித்தியாசம் நம்பிக்கையின் அடிப்படையில் முக்கியமானது.

பெரும்பாலான நிறுவனங்கள் 'திறன்' (capability) நிலையில் உள்ளன. அவை ஏற்கனவே உள்ள ஒரு மாதிரியில் (model) நுண்ணறிவைச் சேர்க்கின்றன. ஆனால் AI-native நிறுவனங்கள் நுண்ணறிவைச் சுற்றியே அந்த மாதிரியை உருவாக்குகின்றன.

ஒரு கருவி AI-native தானா என்பதை ஒரு கேள்வியைக் கொண்டு நீங்கள் சோதிக்கலாம்: அந்த கருவி முதலில் எதை உருவாக்குகிறது?

அது குறியீட்டை (code) எழுதுவதற்கு முன்பாக ஒரு கணினித் தேவை (system requirement), தரவுத்தளத் திட்டம் (database schema) அல்லது ஒரு API ஒப்பந்தத்தை (API contract) உருவாக்குகிறதா? அல்லது முதலில் குறியீட்டை உருவாக்கிவிட்டு, பின்னர் கட்டமைப்பை உருவாக்க முயற்சிக்கிறதா?

உண்மையான AI-native அமைப்புகள் உருவாக்குவதற்கு முன்பே வடிவமைக்கின்றன (design). இது வெளியீட்டைச் சரிபார்க்க ஒரு கட்டமைக்கப்பட்ட வழியை உருவாக்குகிறது.

இது மிகவும் முக்கியமானது, ஏனெனில் டெவலப்பர்களின் நம்பிக்கை குறைந்து வருகிறது.

தரவுகள் ஒரு விசித்திரமான போக்கைக் காட்டுகின்றன:

  • 2023 இல், 70% டெவலப்பர்கள் AI-ஐப் பயன்படுத்தினர், ஆனால் நம்பிக்கை அளவு 40% ஆக இருந்தது.
  • 2025 ஆம் ஆண்டிற்குள், பயன்பாடு 84% ஆக உயர்ந்தது, ஆனால் நம்பிக்கை 29% ஆகக் குறைந்தது.

பயன்பாடு அதிகரித்துள்ளது, ஆனால் நம்பிக்கை குறைந்துள்ளது. பொதுவாக, ஒரு கருவியை அதிகமாகப் பயன்படுத்தும்போது அதன் மீது நம்பிக்கை அதிகரிக்கும். ஆனால் AI-இல் இதற்கு நேர்மாறானது நடக்கிறது. பொறியாளர்கள் அதை எவ்வளவு அதிகமாகப் பயன்படுத்துகிறார்களோ, அவ்வளவு அதிகமாக அது தயாரிப்பு நிலையில் (production) எங்கு தோல்வியடைகிறது என்பதை அவர்கள் காண்கிறார்கள்.

'அம்சங்களில்' (Features) பிழைகளைக் கண்டறியத் தேவையான கட்டமைப்பு இல்லை. அவை சரியாகத் தோன்றும் வெளியீட்டைத் தருகின்றன, ஆனால் அவற்றுக்குக் கட்டமைக்கப்பட்ட ஆதாரம் (structural proof) இல்லை.

AI-native அமைப்புகள் ஒரு விவரக்குறிப்பு (spec) அல்லது ஒரு சார்பு வரைபடத்தை (dependency graph) செயல்பாட்டில் உள்ளடக்கியிருக்கும். அந்த அமைப்பு, AI வெளியீட்டை ஒரு திட்டத்துடன் ஒப்பிட்டுச் சரிபார்க்கிறது. வெளியீடு நம்பகமானதாகத் தெரிவதால் மட்டுமே அது அதை அப்படியே நம்பிவிடாது.

ஒரு கருவியில் AI இருக்கிறதா என்று கேட்பதை நிறுத்துங்கள். இப்போது எல்லாவற்றிலும் AI இருக்கிறது.

வரிசைமுறை (sequencing) பற்றி கேளுங்கள். அந்த கருவி முதலில் கட்டமைப்பை உருவாக்குகிறதா அல்லது குறியீட்டை உருவாக்குகிறதா?

முக்கியமான சூழல்களில் (stakes are high), அந்த கருவி பயனுள்ளதாக இருக்குமா என்பதை இந்த பதில் உங்களுக்குத் தெரிவிக்கும்.

Source: https://dev.to/8080_ai/feature-capability-or-native-how-software-teams-define-ai-4k0h