செயற்கை நுண்ணறிவுப் போட்டியில் தங்களை முன்னிலைப்படுத்திக் கொள்ளத் துடிக்கும் கார்ப்பரேட் நிறுவனங்கள் மற்றும் தொழில்நுட்ப வல்லுநர்கள் அனைவரும் மிகப்பெரிய ஒரு தவறான இலக்கை நோக்கி ஓடிக்கொண்டிருக்கிறார்கள். ஓபன்ஏஐ, கூகுள் அல்லது ஆன்த்ரோபிக் வழங்கும் அதிநவீன ‘ஏஐ மாடல்களை’ (Generative AI Models) வாங்குவதும், அவற்றைக் கட்டமைப்பதுமே சந்தையில் வெற்றி பெற ஒரே வழி என்று பலரும் நினைக்கிறார்கள். ஆனால், ‘Fast Company’ இதழில் வெளியான ஆய்வுக் கட்டுரையின் படி, தனித்தனி ஏஐ மாடல்கள் என்பது சந்தையில் எளிதாகக் கிடைக்கும் ஒரு பொதுப் பொருளாக (Commodity) மாறிவருகின்றன. உண்மையான போட்டியும் வெற்றியும் ஏஐ மாடல்களில் இல்லை; அந்த மாடல்களை ஒன்றாக இணைத்து இயக்கும் ‘ஏஐ சிஸ்டம் ஆர்க்கிடெக்ச்சரில்’ (AI System Architecture) தான் ஒளிந்திருக்கிறது.
தொழிற்சாலை அசெம்பிளி லைன் முதல் ஏஜென்டிக் இயக்கம் வரை
நிறுவனங்கள் தங்களின் ஏஐ உள்கட்டமைப்பைத் திட்டமிடும் முறையில் ஒரு பெரிய பரிணாம மாற்றம் நிகழ்ந்து வருகிறது. தொடக்கத்தில், ஏஐ அமைப்புகள் ஒரு தொழிற்சாலையின் அசெம்பிளி லைன் (Assembly Line) போலச் செயல்பட்டன. அதாவது, ‘மாடல் ஏ’ தனக்கான பணியைச் செய்துவிட்டு தரவை ‘மாடல் பி’-க்கு அனுப்பும்; அது அடுத்த மாடலுக்கு நகர்த்தும். இந்த முறை தொடர்ச்சியான மற்றும் எளிமையான பணிகளுக்குப் போதுமானதாக இருந்தது.
ஆனால் இன்றைய நவீன டிஜிட்டல் உலகம் ‘ஏஜென்டிக் ஆர்கெஸ்ட்ரேஷன்’ (Agentic Orchestration) என்ற புதிய கட்டத்திற்கு நகர்ந்துள்ளது. இங்கு பல வகைப்பட்ட ஏஐ மாடல்கள் (Constellation of Models) ஒரே நேரத்தில் ஒன்றுடன் ஒன்று உரையாடிக் கொள்கின்றன; எங்குத் தரவு விடுபட்டுள்ளது என்பதைத் தாங்களாகவே கண்டறிந்து, மனித கட்டளைகளுக்காகக் காத்திருக்காமல் தன்னிச்சையாகச் செயல்படுகின்றன.
கட்டுப்பாடும் செலவும்: தனித்துவ அமைப்புகளின் அவசியம்
ஒரே ஒரு பிரம்மாண்டமான ஏஐ மாடலை (General-purpose LLM) நம்பி ஒரு நிறுவனத்தின் முழுச் செயல்பாட்டையும் அமைப்பது இரண்டு முக்கியச் சிக்கல்களை ஏற்படுத்துகிறது:
-
கட்டுப்பாடற்ற செலவு: ஒரே பொது பயன்பாட்டு மாடலை வைத்துப் பெரிய அளவிலான கார்ப்பரேட் பணிகளைச் செய்யும்போது, அதற்கான API செலவு மற்றும் செயலாக்கச் செலவு (Latency & Cost) மிகக் கடுமையாக உயர்கிறது.
-
நெகிழ்வுத்தன்மை இன்மை: தனிப்பயனாக்கப்பட்ட ஏஐ சிஸ்டத்தில், குறிப்பிட்ட சிறு பணிகளுக்காகச் சிறப்பு ஏஐ மாடல்கள் (Purpose-built Models) பிரத்யேகமாகப் பயன்படுத்தப்படுகின்றன. இதனால் ஒரு குறிப்பிட்ட பகுதி சரியாக இயங்கவில்லை என்றால், முழு அமைப்பையும் மாற்ற வேண்டிய அவசியமின்றி அந்த குறிப்பிட்ட மாடலை மட்டும் சரிசெய்து கொள்ள முடியும்.
மனிதர்களின் புதிய பங்கு: சோதனையாளரில் இருந்து வழிகாட்டிக்கு!
பாரம்பரிய ஏஐ பயன்பாடுகளில் மனிதர்கள் தரவுகளைப் பரிசீலிப்பவர்களாகவும், பிழைகளைக் கண்டுபிடித்துத் திருத்துபவர்களாகவும் (Human-in-the-loop) அசெம்பிளி லைனின் ஒரு பகுதியாக இருந்தார்கள். ஆனால், அதிநவீன ஏஐ அமைப்புகளின் வருகையால் மனிதர்களின் பங்கு முற்றிலும் உயர்மட்டத்திற்குச் சென்றுள்ளது.
தற்போது ‘LLM-as-judge’ போன்ற அமைப்புகள் மூலமாக ஏஐ மாடல்களின் தரத்தை மற்றொரு ஏஐ அமைப்பே சோதிக்கும் அளவுக்குத் தொழில்நுட்பம் வளர்ந்துள்ளது. இதனால் மனிதர்கள் பிழைகளைச் சரிபார்க்கும் வழக்கமான பணிகளிலிருந்து விலகி, ஏஐ சிஸ்டத்தின் வடிவமைப்பு, கொள்கை முடிவுகள், மற்றும் மதிப்பீட்டு அளவுகோல்களை (Architecture, Evaluation, and Direction) நிர்ணயிக்கும் ‘நெறிப்படுத்துபவர்களாக’ (Strategic Directors) மாறியுள்ளனர்.
சந்தையில் நிலைத்து நிற்கும் உண்மையான பலம்
முன்னணித் தொழில்நுட்ப நிறுவனங்கள் தயாரிக்கும் ஏஐ மாடல்கள் நாளுக்கு நாள் புதுப்பிக்கப்பட்டு, மேலும் சக்தி வாய்ந்ததாக மாறிக்கொண்டே இருக்கும். அந்த மாடல்களை யார் வேண்டுமானாலும் பணமளித்துப் பயன்படுத்த முடியும் என்பதால், வெறும் மாடலை மட்டும் நம்பியிருக்கும் நிறுவனங்களுக்குச் சந்தையில் தனித்துவமான போட்டிப் பலம் (Competitive Advantage) இருக்காது.
ஒரு நிறுவனத்திற்கு உண்மையான வெற்றியைத் தருவது:
-
அவர்களின் சொந்தத் தொழில் சார்ந்த பிரத்யேகத் தரவுகள் (Proprietary Data)
-
பல்வேறு ஏஐ மாடல்களை ஒருங்கிணைக்கும் சிஸ்டம் ஆர்க்கிடெக்ச்சர் (System Architecture)
-
அந்த அமைப்பை வழிநடத்தும் மனிதர்களின் உத்தி சார்ந்த முடிவுகள் (Human Judgment)
எதிர்கால டிஜிட்டல் உலகில் பிரம்மாண்டமான ஏஐ மாடல்களை வைத்திருப்பவர்களை விட, அந்த மாடல்களைச் சரியான அமைப்பில் ஒருங்கிணைத்துச் செயல்படும் நிறுவனங்களே ஆதிக்கம் செலுத்தும்.
Related Posts
ஹாலிவுட் தரத்தை எளிதாக்கும் சோரா 2.0:ஏஐ வீடியோ துறையின் புதிய பரிமாணம்!
செயற்கை நுண்ணறிவுத் துறையின் புதிய திருப்புமுனை:ஜெமினி 3.8 ஃபிளாஷ் மற்றும் சைபர் ஏஐ!
GPT-6 Astra: வேலை செய்யும் AI-யா…முடிவு எடுக்கும் AI-யா?