சுருக்கமான பதில்: செயற்கை நுண்ணறிவு (AI) பிழையற்றது, மனிதத் தலையீடு தேவையில்லாதது, அல்லது வேலைகளை மாற்றக்கூடியது என்று சந்தைப்படுத்தப்படும்போது அது மிகைப்படுத்தப்படுகிறது; வரைவு தயாரித்தல், குறியீட்டு ஆதரவு, சிக்கல்களை வகைப்படுத்துதல் மற்றும் தரவு ஆய்வு போன்றவற்றுக்கான ஒரு மேற்பார்வையிடப்பட்ட கருவியாகப் பயன்படுத்தப்படும்போது அது மிகைப்படுத்தப்படுவதில்லை. உங்களுக்கு உண்மைத்தன்மை தேவைப்பட்டால், நீங்கள் அதைச் சரிபார்க்கப்பட்ட ஆதாரங்களில் நிலைநிறுத்தி, மதிப்பாய்வையும் சேர்க்க வேண்டும்; முக்கியத்துவம் அதிகரிக்கும்போது, நிர்வாகம் முக்கியத்துவம் பெறுகிறது.
இதற்குப் பிறகு நீங்கள் படிக்க விரும்பக்கூடிய கட்டுரைகள்:
முக்கிய குறிப்புகள்:
மிகைக்கூற்று அறிகுறிகள்: “முழுமையான தன்னாட்சி” மற்றும் “விரைவில் முற்றிலும் துல்லியமானது” போன்ற கூற்றுகளை எச்சரிக்கை அறிகுறிகளாகக் கருதுங்கள்.
நம்பகத்தன்மை: நம்பிக்கையான தவறான பதில்களை எதிர்பார்க்கலாம்; மீட்டெடுப்பு, சரிபார்ப்பு மற்றும் மனித மதிப்பாய்வு தேவை.
நல்ல பயன்பாட்டு வழக்குகள்: தெளிவான வெற்றி அளவீடுகள் மற்றும் குறைந்த பங்குகளுடன் குறுகிய, மீண்டும் மீண்டும் செய்யக்கூடிய பணிகளைத் தேர்வுசெய்க.
பொறுப்புக்கூறல்: வெளியீடுகள், மதிப்பாய்வுகள் மற்றும் தவறாக இருக்கும்போது எடுக்கப்படும் நடவடிக்கைகள் ஆகியவற்றுக்கு ஒரு மனிதப் பொறுப்பாளரை நியமிக்கவும்.
ஆளுகை: பணம், பாதுகாப்பு அல்லது உரிமைகள் சம்பந்தப்பட்டிருக்கும் போது கட்டமைப்புகள் மற்றும் சம்பவ வெளிப்படுத்தல் நடைமுறைகளைப் பயன்படுத்தவும்.
🔗 உங்களுக்கு எந்த AI சரியானது?
இலக்குகள், பட்ஜெட் மற்றும் எளிமை ஆகியவற்றின் அடிப்படையில் பொதுவான AI கருவிகளை ஒப்பிடுக.
🔗 AI குமிழி உருவாகிறதா?
மிகைப்படுத்தல், அபாயங்கள் மற்றும் நிலையான வளர்ச்சி எப்படி இருக்கும் என்பதற்கான அறிகுறிகள்.
🔗 நிஜ உலக பயன்பாட்டிற்கு AI டிடெக்டர்கள் நம்பகமானவையா?
துல்லிய வரம்புகள், தவறான நேர்மறைகள் மற்றும் நியாயமான மதிப்பீட்டிற்கான குறிப்புகள்.
🔗 உங்கள் தொலைபேசியில் தினமும் AI ஐ எவ்வாறு பயன்படுத்துவது
நேரத்தை மிச்சப்படுத்த மொபைல் பயன்பாடுகள், குரல் உதவியாளர்கள் மற்றும் அறிவுறுத்தல்களைப் பயன்படுத்தவும்.
"AI மிகைப்படுத்தப்பட்டுள்ளது" என்று மக்கள் பொதுவாகச் சொல்லும்போது என்ன அர்த்தம் 🤔
யாராவது செயற்கை நுண்ணறிவு (AI) மிகைப்படுத்தப்பட்டுள்ளது என்று கூறும்போது , அவர்கள் பொதுவாக இந்தப் பொருத்தமின்மைகளில் ஒன்றுக்கோ (அல்லது அதற்கு மேற்பட்டவற்றுக்கோ) எதிர்வினையாற்றுகிறார்கள்:
-
மார்க்கெட்டிங் வாக்குறுதிகள் vs. தினசரி யதார்த்தம்
டெமோ மாயாஜாலமாகத் தெரிகிறது. வெளியீடு டக்ட் டேப் மற்றும் பிரார்த்தனை போல உணர்கிறது. -
திறன் vs. நம்பகத்தன்மை.
அதனால் ஒரு கவிதை எழுத முடியும், ஒரு ஒப்பந்தத்தை மொழிபெயர்க்க முடியும், நிரலில் உள்ள பிழைகளைச் சரிசெய்ய முடியும்... அதன்பிறகு நம்பிக்கையுடன் ஒரு கொள்கை இணைப்பையும் உருவாக்க முடியும். சூப்பர் சூப்பர் சூப்பர். -
முன்னேற்றம் vs. நடைமுறை
மாதிரிகள் வேகமாக மேம்படுகின்றன, ஆனால் அவற்றை சிக்கலான வணிக செயல்முறைகளில் ஒருங்கிணைப்பது மெதுவானது, அரசியல் ரீதியானது மற்றும் விளிம்பு நிலை வழக்குகள் நிறைந்தது. -
"மனிதர்களை மாற்றுதல்" என்ற வாதங்கள்:
பெரும்பாலான உண்மையான வெற்றிகள், "முழு வேலையையும் மாற்றுவதை" விட, "சலிப்பூட்டும் பகுதிகளை நீக்குவது" போலவே இருக்கின்றன.
அதுதான் மையப் பதற்றம்: AI உண்மையிலேயே சக்தி வாய்ந்தது, ஆனால் அது பெரும்பாலும் ஏற்கனவே முடிந்தது போல் விற்கப்படுகிறது. அது முடிக்கப்படவில்லை. அது... செயல்பாட்டில் உள்ளது. அழகான ஜன்னல்கள் மற்றும் பிளம்பிங் இல்லாத வீடு போல 🚽
ஏன் மிகைப்படுத்தப்பட்ட AI கூற்றுக்கள் இவ்வளவு எளிதாக நடக்கின்றன (மேலும் தொடர்ந்து நடக்கின்றன) 🎭
AI ஒரு காந்தம் போல ஊதிப்பெருக்கப்பட்ட கூற்றுக்களை ஈர்க்க சில காரணங்கள்:
டெமோக்கள் அடிப்படையில் ஏமாற்று வேலை (மிகச் சிறந்த முறையில்)
டெமோக்கள் க்யூரேட் செய்யப்படுகின்றன. ப்ராம்ட்கள் டியூன் செய்யப்படுகின்றன. தரவு தெளிவாக உள்ளது. சிறந்த சூழ்நிலை வெளிச்சத்திற்கு வருகிறது, மேலும் தோல்வியுற்ற வழக்குகள் மேடைக்குப் பின்னால் பட்டாசுகளை சாப்பிடுகின்றன.
உயிர் பிழைப்பு சார்பு சத்தமாக உள்ளது
“AI நமக்கு ஒரு மில்லியன் மணிநேரங்களைக் காப்பாற்றியது” என்ற கதைகள் வைரலாகின்றன. “AI எல்லாவற்றையும் இரண்டு முறை மீண்டும் எழுத வைத்தது” என்ற கதைகள் “Q3 பரிசோதனைகள்” எனப்படும் ஒருவரின் திட்டக் கோப்புறையில் அமைதியாகப் புதைக்கப்படுகின்றன 🫠
மக்கள் சரளமாகப் பேசுவதையும் உண்மையையும் குழப்புகிறார்கள்
நவீன AI தன்னம்பிக்கையுடனும், உதவிகரமாகவும், குறிப்பிட்டதாகவும் ஒலிக்க முடியும் - இது நம் மூளையை துல்லியமாக இருப்பதாகக் கருதி ஏமாற்றுகிறது.
இந்த தோல்வி முறையை விவரிக்க ஒரு பொதுவான வழி கற்பனை: நம்பிக்கையுடன் கூறப்பட்ட ஆனால் தவறான வெளியீடு (அதாவது "மாயத்தோற்றங்கள்"). NIST இதை உருவாக்கும் AI அமைப்புகளுக்கான முக்கிய ஆபத்தாக நேரடியாகக் குறிப்பிடுகிறது. [1]
பணம் மெகாஃபோனைப் பெருக்குகிறது
பட்ஜெட்டுகள், மதிப்பீடுகள் மற்றும் தொழில் ஊக்கத்தொகைகள் வரும்போது, "இது எல்லாவற்றையும் மாற்றுகிறது" (இது பெரும்பாலும் ஸ்லைடு டெக்குகளை மாற்றினாலும் கூட) என்று சொல்ல அனைவருக்கும் ஒரு காரணம் இருக்கும்.
"பணவீக்கம் → ஏமாற்றம் → நிலையான மதிப்பு" முறை (மேலும் அது ஏன் AI போலியானது என்று அர்த்தமல்ல) 📈😬
பல தொழில்நுட்பங்கள் ஒரே உணர்ச்சிப் போக்கைப் பின்பற்றுகின்றன:
-
உச்ச எதிர்பார்ப்புகள் (செவ்வாய்க்கிழமைக்குள் அனைத்தும் தானியங்கி செய்யப்படும்)
-
கடினமான யதார்த்தம் (புதன்கிழமை அது உடைகிறது)
-
நிலையான மதிப்பு (வேலை எவ்வாறு செய்யப்படுகிறது என்பதன் ஒரு பகுதியாக இது அமைதியாக மாறுகிறது)
ஆம், செயற்கை நுண்ணறிவு மிகைப்படுத்தப்பட்டாலும் அது முக்கியத்துவம் வாய்ந்ததாகவே இருக்கும் . அவை இரண்டும் முரண்பாடானவை அல்ல. அவை சகவாழ்வு கொண்டவை.
AI மிகைப்படுத்தப்படாத இடங்களில் (அது வழங்குகிறது) ✅✨
இது குறைவான அறிவியல் புனைகதை மற்றும் அதிக விரிதாள் என்பதால் தவறவிடப்படும் பகுதி.
குறியீட்டு உதவி என்பது உண்மையான உற்பத்தித்திறனை அதிகரிக்கும்
சில பணிகளுக்கு - பாய்லர் பிளேட், சோதனை சாரக்கட்டு, மீண்டும் மீண்டும் வரும் வடிவங்கள் - குறியீட்டு இணை பைலட்டுகள் உண்மையிலேயே நடைமுறைக்கு ஏற்றதாக இருக்கும்.
GitHub-இன் பரவலாக மேற்கோள் காட்டப்பட்ட கட்டுப்படுத்தப்பட்ட பரிசோதனையில், Copilot-ஐப் பயன்படுத்தும் டெவலப்பர்கள் ஒரு குறியீட்டுப் பணியை வேகமாக முடித்ததாகக் கண்டறியப்பட்டது ( அந்த குறிப்பிட்ட ஆய்வில் அவர்களின் எழுத்து 55% வேகத்தை அதிகரித்ததாக அறிக்கை செய்கிறது). [3]
மந்திரம் அல்ல, ஆனால் அர்த்தமுள்ளதாக இருக்கிறது. இதில் குறிப்பிடத்தக்க விஷயம் என்னவென்றால், அது எழுதுவதை நீங்கள் இன்னும் மறுபரிசீலனை செய்ய வேண்டும்... ஏனென்றால் "உதவிகரமானது" என்பது "சரியானது" என்பதற்கு சமமானதல்ல
வரைவு, சுருக்கம் மற்றும் முதல்-பாஸ் சிந்தனை
AI இதில் சிறந்தது:
-
தோராயமான குறிப்புகளை சுத்தமான வரைவாக மாற்றுதல் ✍️
-
நீண்ட ஆவணங்களைச் சுருக்கமாகக் கூறுதல்
-
உருவாக்கும் விருப்பங்கள் (தலைப்புச் செய்திகள், சுருக்கங்கள், மின்னஞ்சல் வகைகள்)
-
மொழிபெயர்க்கும் தொனி (“இதைக் குறைவான காரமாக்கு” 🌶️)
இது அடிப்படையில் ஒரு சளைக்காத ஜூனியர் உதவியாளர், சில நேரங்களில் பொய் சொல்வார், எனவே நீங்கள் மேற்பார்வையிடுவீர்கள். (கடுமையானது. துல்லியமானது.)
வாடிக்கையாளர் ஆதரவு வரிசைப்படுத்தல் மற்றும் உள் உதவி மேசைகள்
செயற்கை நுண்ணறிவு சிறப்பாகச் செயல்படும் விதம்: வகைப்படுத்துதல் → மீட்டெடுத்தல் → பரிந்துரைத்தல் , கண்டுபிடித்தல் → நம்புதல் → செயல்படுத்துதல் அல்ல .
சுருக்கமான, பாதுகாப்பான பதிப்பை நீங்கள் விரும்பினால்: அங்கீகரிக்கப்பட்ட மூலங்களிலிருந்து தகவல்களைப் பெறவும் பதில்களை வரைவு செய்யவும் AI-ஐப் பயன்படுத்தவும், ஆனால் எதை அனுப்ப வேண்டும் என்பதற்கு மனிதர்களைப் பொறுப்பாக்குங்கள் - குறிப்பாக ஆபத்துகள் அதிகரிக்கும் போது. அந்த "நிர்வகித்தல் + சோதனை செய்தல் + சம்பவங்களை வெளிப்படுத்துதல்" என்ற நிலைப்பாடு, NIST உருவாக்கும் AI இடர் மேலாண்மையை எவ்வாறு கட்டமைக்கிறது என்பதனுடன் நேர்த்தியாகப் பொருந்துகிறது. [1]
தரவு ஆய்வு - பாதுகாப்புத் தடுப்புகளுடன்
தரவுத்தொகுப்புகளை வினவவும், விளக்கப்படங்களை விளக்கவும், "அடுத்து என்ன பார்க்க வேண்டும்" என்ற யோசனைகளை உருவாக்கவும் AI மக்களுக்கு உதவும். இந்த வெற்றி பகுப்பாய்வை மேலும் அணுகக்கூடியதாக மாற்றுகிறது, பகுப்பாய்வாளர்களை மாற்றுவதில்லை.
AI மிகைப்படுத்தப்பட்ட இடங்களில் (அது ஏன் தொடர்ந்து ஏமாற்றமளிக்கிறது) ❌🤷
"அனைத்தையும் இயக்கும் முழு தன்னாட்சி முகவர்கள்"
முகவர்கள் நேர்த்தியான பணிப்பாய்வுகளைச் செய்ய முடியும். ஆனால் நீங்கள் சேர்த்தவுடன்:
-
பல படிகள்
-
குழப்பமான கருவிகள்
-
அனுமதிகள்
-
உண்மையான பயனர்கள்
-
உண்மையான விளைவுகள்
…தோல்வி முறைகள் முயல்களைப் போல பெருகும். முதலில் அழகாக இருக்கும், பிறகு நீங்கள் அதிகமாகிவிடுவீர்கள் 🐇
ஒரு நடைமுறை விதி: ஒன்று எவ்வளவு அதிகமாக “ஹேண்ட்ஸ்-ஃப்ரீ” என்று கூறுகிறதோ, அவ்வளவு அதிகமாக அது உடைந்தால் என்ன நடக்கும் என்று நீங்கள் கேட்க வேண்டும்.
"இது விரைவில் முற்றிலும் துல்லியமாக இருக்கும்"
துல்லியம் மேம்படுகிறது, நிச்சயமாக, ஆனால் நம்பகத்தன்மை வழுக்கும் - குறிப்பாக ஒரு மாதிரி சரிபார்க்கக்கூடிய ஆதாரங்களில் அடித்தளமாக இல்லாதபோது
அதனால்தான் தீவிரமான AI வேலை என்பது "அதை இன்னும் கடுமையாகத் தூண்டுங்கள்" என்பதல்ல, மாறாக: மீட்டெடுப்பு + சரிபார்ப்பு + கண்காணிப்பு + மனித மதிப்பாய்வு என்பதாகவே. (NIST-இன் GenAI விவரக்குறிப்பு இதை ஒரு கண்ணியமான, நிலையான வலியுறுத்தலுடன் தெரிவிக்கிறது.) [1]
"அனைவரையும் ஆளும் ஒரு மாதிரி"
நடைமுறையில், அணிகள் பெரும்பாலும் கலக்கின்றன:
-
மலிவான/அதிக அளவிலான பணிகளுக்கான சிறிய மாதிரிகள்
-
கடினமான பகுத்தறிவுக்கு பெரிய மாதிரிகள்
-
அடிப்படையான பதில்களுக்கான மீட்டெடுப்பு
-
இணக்க எல்லைகளுக்கான விதிகள்
"ஒற்றை மாய மூளை" என்ற யோசனை நன்றாக விற்பனையாகிறது. அது நேர்த்தியானது. மனிதர்கள் நேர்த்தியாக இருப்பதை விரும்புகிறார்கள்.
"ஒரே இரவில் முழு வேலைப் பாத்திரங்களையும் மாற்றவும்"
பெரும்பாலான பாத்திரங்கள் பணிகளின் தொகுப்புகளாகும். AI அந்தப் பணிகளின் ஒரு பகுதியை நசுக்கிவிட்டு மீதமுள்ளவற்றை அரிதாகவே தொடக்கூடும். மனித பாகங்கள் - தீர்ப்பு, பொறுப்புக்கூறல், உறவுகள், சூழல் - பிடிவாதமாக... மனிதனாகவே இருக்கின்றன.
எங்களுக்கு ரோபோ சக பணியாளர்கள் தேவை. அதற்கு பதிலாக ஸ்டீராய்டுகளில் ஆட்டோகம்ப்ளிமெண்ட் கிடைத்தது.
ஒரு நல்ல AI பயன்பாட்டு சூழலை (மற்றும் மோசமான ஒன்றை) உருவாக்குவது எது 🧪🛠️
இந்தப் பகுதியைத்தான் மக்கள் தவிர்த்துவிட்டு, பின்னர் வருத்தப்படுகிறார்கள்.
ஒரு நல்ல AI பயன்பாட்டு வழக்கு பொதுவாக பின்வருவனவற்றைக் கொண்டிருக்கும்:
-
வெற்றி அளவுகோல்களை அழிக்கவும் (நேரம் சேமிக்கப்பட்டது, பிழை குறைக்கப்பட்டது, மறுமொழி வேகம் மேம்படுத்தப்பட்டது)
-
குறைந்த முதல் நடுத்தர பங்குகள் (அல்லது வலுவான மனித மதிப்பாய்வு)
-
மீண்டும் மீண்டும் செய்யக்கூடிய வடிவங்கள் (FAQ பதில்கள், பொதுவான பணிப்பாய்வுகள், நிலையான ஆவணங்கள்)
-
நல்ல தரவை அணுகுதல் (மற்றும் அதைப் பயன்படுத்த அனுமதி)
-
மாதிரி முட்டாள்தனத்தை வெளியிடும் போது ஒரு பின்வாங்கும் திட்டம்
-
முதலில் ஒரு குறுகிய நோக்கம் (சிறிய வெற்றிகள் கலவை)
மோசமான AI பயன்பாட்டு நிகழ்வு பொதுவாக இப்படி இருக்கும்:
-
பொறுப்புணர்வு இல்லாமல் “முடிவெடுப்பதை தானியங்கிமயமாக்குவோம்” 😬
-
"நாங்கள் அதை எல்லாவற்றிலும் செருகுவோம்" (வேண்டாம்... தயவுசெய்து வேண்டாம்)
-
அடிப்படை அளவீடுகள் எதுவும் இல்லை, அதனால் அது உதவியதா என்று யாருக்கும் தெரியாது
-
இது ஒரு வடிவ இயந்திரத்திற்கு பதிலாக ஒரு உண்மை இயந்திரமாக இருக்கும் என்று எதிர்பார்க்கிறது
நீங்கள் ஒரே ஒரு விஷயத்தை மட்டும் நினைவில் கொள்ள வேண்டும் என்றால்: செயற்கை நுண்ணறிவு (AI) உங்கள் சொந்த, சரிபார்க்கப்பட்ட ஆதாரங்களின் அடிப்படையில் இயங்கும்போதும் , நன்கு வரையறுக்கப்பட்ட ஒரு பணிக்குக் கட்டுப்படுத்தப்படும்போதும் அதை நம்புவது மிகவும் எளிது. இல்லையெனில், அது வெறும் உள்ளுணர்வுகளின் அடிப்படையிலான கணினிச் செயல்பாடாக மாறிவிடும்.
உங்கள் நிறுவனத்தில் AI-ஐ யதார்த்தமாகச் சரிபார்க்க ஒரு எளிய (ஆனால் மிகவும் பயனுள்ள) வழி 🧾✅
நீங்கள் ஒரு அடிப்படையான பதிலை விரும்பினால் (சூடான கருத்து அல்ல), இந்த விரைவான சோதனையை இயக்கவும்:
1) நீங்கள் AI-ஐ பணியமர்த்தும் வேலையை வரையறுக்கவும்
இதை ஒரு வேலை விவரம் போல எழுதுங்கள்:
-
உள்ளீடுகள்
-
வெளியீடுகள்
-
கட்டுப்பாடுகள்
-
"முடிந்தது என்றால்..."
நீங்கள் அதை தெளிவாக விவரிக்க முடியாவிட்டால், AI அதை மாயாஜாலமாக தெளிவுபடுத்தாது.
2) அடிப்படையை நிறுவுதல்
இப்போது எவ்வளவு நேரம் ஆகும்? இப்போது எத்தனை பிழைகள்? "நல்லது" இப்போது எப்படி இருக்கும்?
அடிப்படை இல்லை = முடிவில்லா கருத்துப் போர்கள் பின்னர். உண்மையிலேயே, மக்கள் எப்போதும் வாதிடுவார்கள், நீங்கள் விரைவாக வயதாகிவிடுவீர்கள்.
3) உண்மை எங்கிருந்து வருகிறது என்பதை முடிவு செய்யுங்கள்
-
உள் அறிவுத் தளமா?
-
வாடிக்கையாளர் பதிவுகள்?
-
அங்கீகரிக்கப்பட்ட கொள்கைகளா?
-
தொகுக்கப்பட்ட ஆவணங்களின் தொகுப்பு?
"மாடலுக்குத் தெரியும்" என்பதுதான் பதில் என்றால், அது ஒரு பெரிய தடை 🚩
4) மனித-இன்-தி-லூப் திட்டத்தை அமைக்கவும்
முடிவு செய்யுங்கள்:
-
யார் மதிப்பாய்வு செய்கிறார்கள்,
-
அவர்கள் மதிப்பாய்வு செய்யும்போது,
-
மற்றும் AI தவறாக இருக்கும்போது என்ன நடக்கும்.
இதுதான் "கருவி" மற்றும் "பொறுப்பு" ஆகியவற்றுக்கு இடையேயான வித்தியாசம். எப்போதும் இல்லை, ஆனால் அடிக்கடி.
5) வெடிப்பு ஆரத்தை வரைபடமாக்குங்கள்
தவறுகள் மலிவான இடத்தில் தொடங்குங்கள். உங்களிடம் ஆதாரங்கள் கிடைத்த பின்னரே விரிவாக்குங்கள்.
இப்படித்தான் நீங்கள் அதிகமாகக் கோரும் கூற்றுக்களை பயனுள்ளதாக மாற்றுகிறீர்கள். எளிமையானது... பயனுள்ளது... ஒருவித அழகானது 😌
நம்பிக்கை, ஆபத்து மற்றும் கட்டுப்பாடு - முக்கியமான கவர்ச்சியற்ற பகுதி 🧯⚖️
AI முக்கியமான எதையும் (மக்கள், பணம், பாதுகாப்பு, சட்ட விளைவுகள்) கையாள்வதாக இருந்தால், நிர்வாகம் என்பது விருப்பத்திற்குரியது அல்ல.
பரவலாகக் குறிப்பிடப்படும் சில காவல் தண்டவாளங்கள்:
-
NIST ஜெனரேட்டிவ் AI சுயவிவரம் (AI RMF உடன் துணை): நடைமுறை ஆபத்து வகைகள் + நிர்வாகம், சோதனை, தோற்றம் மற்றும் சம்பவ வெளிப்படுத்தல் முழுவதும் பரிந்துரைக்கப்பட்ட நடவடிக்கைகள். [1]
-
OECD AI கோட்பாடுகள்: நம்பகமான, மனித மையப்படுத்தப்பட்ட AI க்கு பரவலாகப் பயன்படுத்தப்படும் சர்வதேச அடிப்படை. [5]
-
ஐரோப்பிய ஒன்றிய செயற்கை நுண்ணறிவுச் சட்டம்: செயற்கை நுண்ணறிவு எவ்வாறு பயன்படுத்தப்படுகிறது என்பதைப் பொறுத்து கடமைகளை அமைக்கும் ஒரு இடர் அடிப்படையிலான சட்டக் கட்டமைப்பு (மற்றும் சில "ஏற்றுக்கொள்ள முடியாத இடர்" நடைமுறைகளைத் தடை செய்கிறது). [4]
ஆம், இந்த விஷயங்கள் காகித வேலைகளைப் போல உணரலாம். ஆனால் இது “நடைமுறை கருவி”க்கும் “அச்சச்சோ, நாங்கள் ஒரு இணக்கக் கனவைப் பயன்படுத்தினோம்” என்பதற்கும் உள்ள வித்தியாசம்
ஒரு நெருக்கமான பார்வை: “தானாக நிரப்பப்பட்ட AI” யோசனை - குறைத்து மதிப்பிடப்பட்டது, ஆனால் உண்மை 🧩🧠
இதோ சற்று அபூரணமான ஒரு உருவகம் (இது பொருத்தமானது): பல AI-கள் இணையத்தைப் படித்துவிட்டு, எங்கு படித்தது என்பதை மறந்துவிடும் மிகவும் ஆடம்பரமான தன்னியக்க நிரப்புதலைப் போன்றது.
அது நிராகரிக்கப்படுவதாகத் தோன்றினாலும், அது செயல்படுவதற்கும் இதுவே காரணம்:
-
வடிவமைப்புகளில் சிறந்தவர்
-
மொழியில் சிறந்தவர்
-
"அடுத்த சாத்தியமான விஷயத்தை" உருவாக்குவதில் சிறந்தவர்
அதனால்தான் அது தோல்வியடைகிறது:
-
உண்மை என்னவென்று அதற்கு இயல்பாகவே "தெரியாது"
-
உங்கள் நிறுவனம் என்ன செய்கிறது என்பது அதற்கு இயல்பாகவே தெரியாது
-
இது அடிப்படை இல்லாமல் நம்பிக்கையான முட்டாள்தனத்தை வெளியிடும் (பார்க்க: குழப்பம் / பிரமைகள்) [1]
எனவே உங்கள் பயன்பாட்டு வழக்குக்கு உண்மை தேவைப்பட்டால், அதை மீட்டெடுப்பு, கருவிகள், சரிபார்ப்பு, கண்காணிப்பு மற்றும் மனித மதிப்பாய்வு மூலம் நங்கூரமிடுகிறீர்கள். உங்கள் பயன்பாட்டு வழக்கு வரைவு மற்றும் யோசனையில் வேகம் தேவைப்பட்டால், அதை இன்னும் கொஞ்சம் சுதந்திரமாக இயக்க அனுமதிக்கிறீர்கள். வெவ்வேறு அமைப்புகள், வெவ்வேறு எதிர்பார்ப்புகள். உப்பு சேர்த்து சமைப்பது போல - எல்லாவற்றுக்கும் ஒரே அளவு தேவையில்லை.
ஒப்பீட்டு அட்டவணை: மிகைப்படுத்தப்பட்ட கூற்றுகளில் மூழ்காமல் AI ஐப் பயன்படுத்துவதற்கான நடைமுறை வழிகள் 🧠📋
| கருவி / விருப்பம் | பார்வையாளர்கள் | விலை நிலவரம் | இது ஏன் வேலை செய்கிறது |
|---|---|---|---|
| அரட்டை பாணி உதவியாளர் (பொது) | தனிநபர்கள், அணிகள் | பொதுவாக இலவச அடுக்கு + கட்டணம் | வரைவுகள், மூளைச்சலவை, சுருக்கம்... ஆனால் உண்மைகளைச் சரிபார்க்கவும் (எப்போதும்) சிறந்தது |
| குறியீடு கோபிலட் | டெவலப்பர்கள் | வழக்கமாக சந்தா | பொதுவான குறியீட்டு பணிகளை விரைவுபடுத்துகிறது, இன்னும் மதிப்பாய்வு + சோதனைகள் தேவை, மற்றும் காபி |
| மீட்டெடுப்பு அடிப்படையிலான “ஆதாரங்களுடன் பதில்” | ஆராய்ச்சியாளர்கள், ஆய்வாளர்கள் | ஃப்ரீமியம் போன்றது | வெறும் யூகத்தை விட "கண்டுபிடி + தரை" பணிப்பாய்வுகளுக்கு சிறந்தது |
| பணிப்பாய்வு ஆட்டோமேஷன் + AI | செயல்பாடுகள், ஆதரவு | அடுக்கு | திரும்பத் திரும்பச் செய்யப்படும் படிகளை அரை தானியங்கி ஓட்டங்களாக மாற்றுகிறது (அரைதான் முக்கியம்) |
| உள்ளக மாதிரி / சுய-ஹோஸ்டிங் | ML திறன் கொண்ட அமைப்புகள் | உள்கட்டமைப்பு + மக்கள் | அதிக கட்டுப்பாடு + தனியுரிமை, ஆனால் நீங்கள் பராமரிப்பு மற்றும் தலைவலிக்கு பணம் செலுத்துகிறீர்கள் |
| நிர்வாக கட்டமைப்புகள் | தலைவர்கள், ஆபத்து, இணக்கம் | இலவச வளங்கள் | கவர்ச்சிகரமானதாக அல்ல, ஆனால் அவசியமானதாக, ஆபத்தையும் நம்பிக்கையையும் நிர்வகிக்க உதவுகிறது |
| தரப்படுத்தல் / யதார்த்த சரிபார்ப்பு ஆதாரங்கள் | நிர்வாகிகள், கொள்கை, உத்தி | இலவச வளங்கள் | தரவு அதிர்வுகளை வெல்லும், மேலும் LinkedIn பிரசங்கங்களைக் குறைக்கும் |
| "எல்லாவற்றையும் செய்யும் முகவர்" | கனவு காண்பவர்கள் 😅 | செலவுகள் + குழப்பம் | சில நேரங்களில் சுவாரஸ்யமாக இருக்கும், பெரும்பாலும் உடையக்கூடியதாக இருக்கும் - சிற்றுண்டி மற்றும் பொறுமையுடன் தொடரவும் |
AI முன்னேற்றம் மற்றும் தாக்கத் தரவுகளுக்கான ஒரு "ரியாலிட்டி செக்" மையத்தை நீங்கள் விரும்பினால், ஸ்டான்போர்ட் AI இன்டெக்ஸ் தொடங்குவதற்கு ஒரு உறுதியான இடமாகும். [2]
இறுதிப் பதிவு + விரைவான சுருக்கம் 🧠✨
எனவே, ஒருவர் விற்பனை செய்யும்போது AI மிகைப்படுத்தப்படுகிறது :
-
குறைபாடற்ற துல்லியம்,
-
முழு சுயாட்சி,
-
முழு பாத்திரங்களையும் உடனடியாக மாற்றுதல்,
-
அல்லது உங்கள் நிறுவனத்தை தீர்க்கும் ஒரு பிளக்-அண்ட்-ப்ளே மூளை..
... அப்படியானால் ஆம், அது பளபளப்பான பூச்சுடன் கூடிய விற்பனைத்திறன்.
ஆனால் நீங்கள் AI-ஐ இப்படி நடத்தினால்:
-
ஒரு சக்திவாய்ந்த உதவியாளர்,
-
குறுகிய, நன்கு வரையறுக்கப்பட்ட பணிகளில் சிறப்பாகப் பயன்படுத்தப்படுகிறது,
-
நம்பகமான ஆதாரங்களை அடிப்படையாகக் கொண்டது,
-
மனிதர்கள் முக்கியமான விஷயங்களை மதிப்பாய்வு செய்வதன் மூலம்..
... அப்படியானால் இல்லை, அது மிகைப்படுத்தப்படவில்லை. இது ... சீரற்றது. ஜிம் உறுப்பினர் போல. சரியாகப் பயன்படுத்தினால் நம்பமுடியாதது, விருந்துகளில் மட்டும் இதைப் பற்றிப் பேசினால் பயனற்றது 😄🏋️
சுருக்கமான சுருக்கம்: தீர்ப்புக்கான மாயாஜால மாற்றாக AI மிகைப்படுத்தப்பட்டுள்ளது - மேலும் வரைவு, குறியீட்டு உதவி, வகைப்படுத்தல் மற்றும் அறிவுப் பணிப்பாய்வுகளுக்கான நடைமுறை பெருக்கியாகக் குறைவாக மதிப்பிடப்படுகிறது.
நிஜ உலக உதாரணம்: ஆதரவு வகைப்படுத்தும் AI உதவியாளரை உருவாக்குதல் 🛠️
சூழ்நிலை
ஐந்து பேர் கொண்ட ஆதரவுக் குழுவைக் கொண்ட ஒரு சிறிய மென்பொருள் நிறுவனத்தைக் கற்பனை செய்து பாருங்கள். அவர்கள் வாரத்திற்குச் சுமார் 180 ஆதரவு மின்னஞ்சல்களைப் பெறுகிறார்கள்: கடவுச்சொல் மீட்டமைப்பு தொடர்பான குழப்பங்கள், கட்டணம் தொடர்பான கேள்விகள், பிழை அறிக்கைகள், புதிய அம்சங்களுக்கான கோரிக்கைகள், மற்றும் "கணினி செயலிழந்துவிட்டதா?" என்பது போன்ற பதட்டமூட்டும் செய்திகள்.
நிறுவனம், கேட்பதில்லை . அது மிகவும் ஆபத்தானது. அதற்குப் பதிலாக, அவர்கள் செயற்கை நுண்ணறிவை ஒரு மேற்பார்வையிடப்பட்ட வகைப்படுத்தும் உதவியாளராகப் பயன்படுத்துகிறார்கள்: அது வரும் செய்தியைப் படித்து, புகாரின் வகையைக் குறிப்பிட்டு, சரியான உதவி மையக் கட்டுரையைப் பரிந்துரைத்து, சாத்தியமான ஒரு பதிலைத் தயாரித்து, மனித உதவி தேவைப்படும் எதையும் சுட்டிக்காட்டுகிறது.
அது செயற்கை நுண்ணறிவின் நடைமுறை வடிவத்திற்குப் பொருந்துகிறது: குறுகிய பணி, அங்கீகரிக்கப்பட்ட மூலங்கள், மனித மதிப்பாய்வு, அளவிடக்கூடிய வெளியீடு.
உதவியாளருக்கு என்ன தேவை
உதவியாளர், பின்வருவன போன்ற அங்கீகரிக்கப்பட்ட உள்ளடக்கப் பொருட்களிலிருந்து மட்டுமே பணியாற்ற வேண்டும்:
வாடிக்கையாளர் ஆதரவு மேக்ரோக்கள்
பணம் திரும்பப்பெறுதல் மற்றும் கட்டணக் கொள்கைகள்
அறியப்பட்ட பிழை பட்டியல்
உதவி மையக் கட்டுரைகள்
தீவிரமடைதல் விதிகள்
குரல் தொனி வழிகாட்டி
சட்ட அச்சுறுத்தல்கள், பணம் செலுத்துவதில் உள்ள தகராறுகள், கணக்குப் பாதுகாப்பு, முறைகேடு புகார்கள் அல்லது கோபமான பெருநிறுவன வாடிக்கையாளர்கள் போன்ற, "ஒருபோதும் தானாகப் பதிலளிக்கக் கூடாத" தலைப்புகளின் பட்டியல்
முக்கியமான விஷயம்: உதவியாளரிடம் விடையைத் 'தெரிந்து கொள்ள'ும்படி கேட்கப்படவில்லை. நம்பகமான மூலங்களிலிருந்து விடைகளைக் கண்டறிந்து, வகைப்படுத்தி, வரைவு செய்யும்படிதான் அது கேட்கப்படுகிறது
எடுத்துக்காட்டு அறிவுறுத்தல்
நீங்கள் ஒரு சிறிய SaaS நிறுவனத்தின் ஆதரவு வகைப்படுத்தல் உதவியாளர்.
வரும் ஒவ்வொரு புகாரையும் வகைப்படுத்துவது, மிகவும் பொருத்தமான அங்கீகரிக்கப்பட்ட உதவிக் கட்டுரையைப் பரிந்துரைப்பது, எங்கள் ஆதரவுத் தொனியில் ஒரு சுருக்கமான பதிலை வரைவது, மற்றும் அனுப்புவதற்கு முன் அதை ஒரு மனிதர் மதிப்பாய்வு செய்ய வேண்டுமா என்பதைக் குறிப்பிடுவது ஆகியவை உங்கள் பணியாகும்.
வழங்கப்பட்ட ஆதரவுக் கொள்கைகளையும் உதவி மைய உள்ளடக்கத்தையும் மட்டுமே பயன்படுத்தவும். அந்த ஆதாரங்களால் பதில் தெளிவாக ஆதரிக்கப்படவில்லை எனில், “மனித மதிப்பாய்வு தேவை - ஆதாரம் காணப்படவில்லை” எனக் கூறவும்
பணம் திரும்ப அளித்தல், சேவைக்கான வரவுகள், சட்டரீதியான முடிவுகள், பாதுகாப்புச் சரிசெய்தல்கள் அல்லது தயாரிப்பு வெளியீட்டுத் தேதிகள் ஆகியவற்றை ஒருபோதும் வாக்குறுதியளிக்காதீர்கள்.
ஒவ்வொரு டிக்கெட்டுக்கும், திருப்பித் தரவும்:
டிக்கெட் வகை
அவசர நிலை
பரிந்துரைக்கப்பட்ட மூலம்
வரைவு பதில்
மனித மதிப்பாய்வு தேவை: ஆம்/இல்லை
மறுஆய்வு முடிவுக்கான காரணம்
அதை எப்படி சோதிப்பது
செயலில் உள்ள டிக்கெட்டுகளில் இதைப் பயன்படுத்துவதற்கு முன்பு, 30 பழைய ஆதரவுச் செய்திகளைக் கொண்டு இதைச் சோதித்துப் பாருங்கள்:
10 எளிய கேள்வி-பதில் டிக்கெட்டுகள்
5 பில்லிங் கேள்விகள்
5 பிழை அறிக்கைகள்
5 கோபமான அல்லது உணர்ச்சிபூர்வமான புகார்கள்
பாதுகாப்பு தொடர்பான 3 கேள்விகள்
சூழல் விடுபட்ட, தெளிவற்ற 2 செய்திகள்
பின்னர், ஒரு அனுபவமிக்க ஆதரவுத் தலைவர் அதே டிக்கெட்டுகளை எவ்வாறு வகைப்படுத்துவார் என்பதோடு, AI-யின் வெளியீட்டை ஒப்பிட்டுப் பாருங்கள்.
சாவி சரிபார்ப்புகள்:
அது சரியான வகையைத் தேர்ந்தெடுத்ததா?
அது சரியான கொள்கையையோ அல்லது சட்டப்பிரிவையோ மேற்கோள் காட்டியதா?
அது எதையாவது கண்டுபிடித்ததா?
அது முக்கியமான புகார்களைச் சரியாக மேல்நிலைக்குக் கொண்டு சென்றதா?
விரைவாகத் திருத்துவதற்கு வரைவு போதுமான தெளிவுடன் இருந்ததா?
வாடிக்கையாளருக்குப் பாதுகாப்பான, துல்லியமான பதில் கிடைக்குமா?
முடிவு
விளக்கமான முடிவு: வகைப்படுத்தும் பணிப்பாய்வை அறிமுகப்படுத்துவதற்கு முன்னும் பின்னும் 30 மாதிரி டிக்கெட்டுகளின் நேரத்தைக் கொண்டு எடுக்கப்பட்ட முடிவு.
AI வகைப்படுத்துதலுக்கு முன்பு, ஆதரவுத் தலைவர் ஒவ்வொரு டிக்கெட்டையும் படித்து, வகைப்படுத்தி, சரியான மேக்ரோவைக் கண்டுபிடித்து, முதல் பதிலை வரைவதற்குச் சராசரியாக 6 நிமிடங்கள் 40 வினாடிகளைச் செலவிட்டார்
செயற்கை நுண்ணறிவு உதவியாளரின் உதவியுடன், மனித மதிப்பாய்வு உட்பட, ஒவ்வொரு டிக்கெட்டிற்குமான முதல்கட்ட வகைப்படுத்தல் 2 நிமிடங்கள் 15 வினாடிகள் ஆனது
ஒவ்வொரு பயணச்சீட்டிற்கும் தோராயமாக 4 நிமிடங்கள் 25 வினாடிகள் மிச்சமாகும் . 180 வாராந்திர பயணச்சீட்டுகளைக் கணக்கில் கொண்டால், வாரத்திற்குச் சுமார் 13 மணி 15 நிமிடங்கள் மிச்சமாகும் .
மாதிரி சோதனையிலிருந்து துல்லியத்தன்மை சரிபார்ப்பு:
30 டிக்கெட்டுகளில் 26 டிக்கெட்டுகளில், வகை ஆதரவுத் தலைவரின் லேபிளுடன் பொருந்தியிருந்தது.
பாதுகாப்பு தொடர்பான 3 புகார்களும் சரியாக மேல் அதிகாரிகளுக்குப் பரிந்துரைக்கப்பட்டன.
இரண்டு வரைவுகளில் ஆதாரமற்ற விவரங்கள் புனையப்பட்டிருந்தன , இரண்டும் ஆய்வின்போது கண்டறியப்பட்டன.
30 நிகழ்வுகளில் 4-ல் புதிதாக மீண்டும் எழுத வேண்டியிருந்தது.
இது “ஆதரவுப் பணிகளை செயற்கை நுண்ணறிவு மாற்றுவது” அல்ல. மாறாக, மனிதர்கள் முடிவெடுத்தல், தொனி, விதிவிலக்குகள் மற்றும் பொறுப்புக்கூறல் ஆகியவற்றைக் கையாளும் அதே வேளையில், செயற்கை நுண்ணறிவு திரும்பத் திரும்பச் செய்யப்படும் வகைப்படுத்துதல் மற்றும் முதல் வரைவுப் பணிகளைக் குறைப்பதாகும்.
என்ன தவறு நடக்கக்கூடும்?
மிக விரைவில், மதிப்பாய்வு செய்யாமல் உதவியாளர் பதில்களை அனுப்ப அனுமதிப்பதே மிகப்பெரிய ஆபத்து.
பொதுவான தவறுகளில் அடங்குபவை:
காலாவதியான உதவி கட்டுரைகளை வழங்குதல்
பணத்தைத் திரும்பப் பெறுவதற்கான விதிகளைச் சேர்க்க மறப்பது
பாதுகாப்பு அல்லது சட்டக் கேள்விகளுக்கு அது பதிலளிக்க அனுமதிப்பது
வேகத்தை அளவிடுதல், ஆனால் பிழை விகிதத்தை அல்ல
நம்பிக்கையான வரைவைச் சரியான வரைவாகக் கருதுதல்
எந்த AI பரிந்துரைகள் ஏற்றுக்கொள்ளப்பட்டன, திருத்தப்பட்டன அல்லது நிராகரிக்கப்பட்டன என்பதைப் பதிவு செய்யாதிருத்தல்
ஒரு நல்ல பாதுகாப்பு வழிமுறை என்பது ஒரு எளிய மதிப்பாய்வு விதியாகும்: உதவியாளரால் அங்கீகரிக்கப்பட்ட மூலத்தைச் சுட்டிக்காட்ட முடியாவிட்டால், அந்தப் பதில் வெளியிடப்படாது.
நடைமுறைப் பாடம்
ஒரு பணி வழக்கமானதாகவும், வரையறுக்கப்பட்டதாகவும், அளவிடக்கூடியதாகவும் இருக்கும்போது, செயற்கை நுண்ணறிவின் மீதான மிகைப்படுத்தப்பட்ட புகழ் பெருமளவு குறைகிறது. ஒரு ஆதரவு வகைப்படுத்தல் உதவியாளர் "வாடிக்கையாளர் சேவையை நிர்வகிக்காது", ஆனால் அது ஒவ்வொரு வாரமும் பல மணிநேரங்களைச் சேமிக்கலாம், காத்திருப்பு வரிசையின் அழுத்தத்தைக் குறைக்கலாம், மேலும் முடிவெடுக்கும் திறன் மிகவும் முக்கியமான கோரிக்கைகளில் மனிதர்கள் கவனம் செலுத்த உதவலாம்.
அடிக்கடி கேட்கப்படும் கேள்விகள்
AI இப்போது மிகைப்படுத்தப்பட்டதா?
AI சரியானதாக, ஹேண்ட்ஸ்-ஃப்ரீயாக அல்லது ஒரே இரவில் முழு வேலைகளையும் மாற்றத் தயாராக விற்கப்படும்போது மிகைப்படுத்தப்படுகிறது. உண்மையான பயன்பாடுகளில், நம்பகத்தன்மை இடைவெளிகள் விரைவாக வெளிப்படுகின்றன: நம்பிக்கையான தவறான பதில்கள், எட்ஜ் கேஸ்கள் மற்றும் சிக்கலான ஒருங்கிணைப்புகள். வரைவு, குறியீட்டு ஆதரவு, வரிசைப்படுத்தல் மற்றும் ஆய்வு போன்ற குறுகிய பணிகளுக்கு மேற்பார்வையிடப்பட்ட கருவியாகக் கருதப்படும்போது AI மிகைப்படுத்தப்படுவதில்லை. வேறுபாடு எதிர்பார்ப்புகள், அடிப்படை மற்றும் மதிப்பாய்வு ஆகியவற்றிற்குக் கீழே வருகிறது.
AI மார்க்கெட்டிங் உரிமைகோரல்களில் மிகப்பெரிய சிவப்புக் கொடிகள் யாவை?
"முழுமையாகத் தன்னாட்சி" மற்றும் "விரைவில் முற்றிலும் துல்லியமானது" என்பது மிகவும் சத்தமாக ஒலிக்கும் இரண்டு எச்சரிக்கை அறிகுறிகளாகும். டெமோக்கள் பெரும்பாலும் டியூன் செய்யப்பட்ட தூண்டுதல்கள் மற்றும் சுத்தமான தரவுகளுடன் ஒழுங்கமைக்கப்படுகின்றன, எனவே அவை பொதுவான தோல்வி முறைகளை மறைக்கின்றன. சரளமானது உண்மையாகவும் தவறாகப் புரிந்து கொள்ளப்படலாம், இது நம்பிக்கையான பிழைகளை நம்பக்கூடியதாக உணர வைக்கிறது. ஒரு கூற்று அமைப்பு உடைக்கும்போது என்ன நடக்கிறது என்பதைத் தவிர்த்துவிட்டால், ஆபத்து நிராகரிக்கப்படுகிறது என்று வைத்துக் கொள்ளுங்கள்.
தவறாக இருந்தாலும் கூட AI அமைப்புகள் ஏன் நம்பிக்கையுடன் ஒலிக்கின்றன?
உருவாக்க மாதிரிகள் நம்பத்தகுந்த, சரளமான உரையை உருவாக்குவதில் சிறந்தவை - எனவே அவற்றுக்கு அடிப்படை இல்லாதபோதும் நம்பிக்கையுடன் விவரங்களைக் கண்டுபிடிக்க முடியும். இது பெரும்பாலும் குழப்பம் அல்லது மாயத்தோற்றங்கள் என்று விவரிக்கப்படுகிறது: குறிப்பிட்டதாகத் தோன்றும் வெளியீடு ஆனால் நம்பத்தகுந்த வகையில் உண்மை இல்லை. அதனால்தான் அதிக நம்பிக்கைக்குரிய பயன்பாட்டு வழக்குகள் பொதுவாக மீட்டெடுப்பு, சரிபார்ப்பு, கண்காணிப்பு மற்றும் மனித மதிப்பாய்வைச் சேர்க்கின்றன. அதிர்வுகளை அடிப்படையாகக் கொண்ட உறுதிப்பாடு அல்ல, பாதுகாப்புகளுடன் கூடிய நடைமுறை மதிப்பே குறிக்கோள்.
மாயத்தோற்றங்களால் எரிக்கப்படாமல் நான் எப்படி AI-ஐப் பயன்படுத்துவது?
AI-ஐ ஒரு உண்மை இயந்திரமாக அல்ல, ஒரு வரைவு இயந்திரமாக கருதுங்கள். "மாதிரிக்குத் தெரியும்" என்று கருதுவதற்குப் பதிலாக, அங்கீகரிக்கப்பட்ட கொள்கைகள், உள் ஆவணங்கள் அல்லது தேர்ந்தெடுக்கப்பட்ட குறிப்புகள் போன்ற சரிபார்க்கப்பட்ட ஆதாரங்களில் அடிப்படை பதில்களை வழங்குங்கள். சரிபார்ப்பு படிகளைச் சேர்க்கவும் (இணைப்புகள், மேற்கோள்கள், குறுக்கு சரிபார்ப்புகள்) மேலும் பிழைகள் முக்கியமான இடங்களில் மனித மதிப்பாய்வு தேவை. சிறியதாகத் தொடங்குங்கள், விளைவுகளை அளவிடுங்கள், நிலையான செயல்திறனைக் கண்ட பின்னரே விரிவாக்குங்கள்.
AI மிகைப்படுத்தப்படாத நல்ல நிஜ உலக பயன்பாட்டு நிகழ்வுகள் யாவை?
தெளிவான வெற்றி அளவீடுகள் மற்றும் குறைந்த முதல் நடுத்தர பங்குகளுடன் குறுகிய, மீண்டும் மீண்டும் செய்யக்கூடிய பணிகளில் AI சிறப்பாக செயல்பட முனைகிறது. பொதுவான வெற்றிகளில் வரைவு மற்றும் மீண்டும் எழுதுதல், நீண்ட ஆவணங்களை சுருக்கமாக எழுதுதல், விருப்பங்களை உருவாக்குதல் (வரைவுகள், தலைப்புச் செய்திகள், மின்னஞ்சல் வகைகள்), குறியீட்டு சாரக்கட்டுகள், ஆதரவு வரிசைப்படுத்தல் மற்றும் உள் உதவி மேசை பரிந்துரைகள் ஆகியவை அடங்கும். "கண்டுபிடிப்பு → நம்பிக்கை → பயன்படுத்துதல்" அல்ல, "வகைப்படுத்து → மீட்டெடு → பரிந்துரை" என்பதுதான் இனிமையான இடம். மனிதர்கள் இன்னும் அனுப்பும் பொருட்களைச் சொந்தமாக வைத்திருக்கிறார்கள்.
"எல்லாவற்றையும் செய்யும் AI முகவர்கள்" என்பது மிகைப்படுத்தப்பட்டதா?
பெரும்பாலும், ஆம் - குறிப்பாக "ஹேண்ட்ஸ்-ஃப்ரீ" என்பது விற்பனைப் புள்ளியாக இருக்கும்போது. பல-படி பணிப்பாய்வுகள், சிக்கலான கருவிகள், அனுமதிகள், உண்மையான பயனர்கள் மற்றும் உண்மையான விளைவுகள் கூட்டு தோல்வி முறைகளை உருவாக்குகின்றன. கட்டுப்படுத்தப்பட்ட பணிப்பாய்வுகளுக்கு முகவர்கள் மதிப்புமிக்கவர்களாக இருக்கலாம், ஆனால் நோக்கம் விரிவடையும் போது பலவீனம் வேகமாக அதிகரிக்கிறது. ஒரு நடைமுறை சோதனை எளிமையாகவே உள்ளது: பின்னடைவை வரையறுக்கவும், பொறுப்புணர்வை ஒதுக்கவும் மற்றும் சேதம் பரவுவதற்கு முன்பு பிழைகள் எவ்வாறு கண்டறியப்படுகின்றன என்பதைக் குறிப்பிடவும்.
எனது குழு அல்லது நிறுவனத்திற்கு AI மதிப்புள்ளதா என்பதை நான் எவ்வாறு தீர்மானிப்பது?
வேலையை ஒரு வேலை விளக்கமாக வரையறுப்பதன் மூலம் தொடங்கவும்: உள்ளீடுகள், வெளியீடுகள், கட்டுப்பாடுகள் மற்றும் "முடிந்தது" என்றால் என்ன. விவாத அதிர்வுகளுக்குப் பதிலாக முன்னேற்றத்தை அளவிட ஒரு அடிப்படையை (நேரம், செலவு, பிழை விகிதம்) நிறுவுங்கள். உண்மை எங்கிருந்து வருகிறது என்பதை முடிவு செய்யுங்கள் - உள் அறிவுத் தளங்கள், அங்கீகரிக்கப்பட்ட ஆவணங்கள் அல்லது வாடிக்கையாளர் பதிவுகள். பின்னர் மனித-இன்-தி-லூப் திட்டத்தை வடிவமைத்து, விரிவாக்குவதற்கு முன் வெடிப்பு ஆரத்தை வரைபடமாக்குங்கள்.
AI வெளியீடு தவறாக இருக்கும்போது யார் பொறுப்பு?
வெளியீடுகள், மதிப்புரைகள் மற்றும் அமைப்பு தோல்வியடையும் போது என்ன நடக்கும் என்பதற்கு ஒரு மனித உரிமையாளர் நியமிக்கப்பட வேண்டும். "மாதிரி அப்படிச் சொன்னது" என்பது பொறுப்புக்கூறல் அல்ல, குறிப்பாக பணம், பாதுகாப்பு அல்லது உரிமைகள் சம்பந்தப்பட்டிருக்கும் போது. பதில்களை யார் அங்கீகரிக்கிறார்கள், மதிப்பாய்வு தேவைப்படும்போது, சம்பவங்கள் எவ்வாறு பதிவு செய்யப்பட்டு தீர்க்கப்படுகின்றன என்பதை வரையறுக்கவும். இது AI ஐ ஒரு பொறுப்பிலிருந்து தெளிவான பொறுப்புடன் கட்டுப்படுத்தப்பட்ட கருவியாக மாற்றுகிறது.
எனக்கு எப்போது நிர்வாகம் தேவை, என்ன கட்டமைப்புகள் பொதுவாகப் பயன்படுத்தப்படுகின்றன?
சட்ட விளைவுகள், பாதுகாப்பு, நிதி தாக்கம் அல்லது மக்களின் உரிமைகள் சம்பந்தப்பட்ட எதையும் உள்ளடக்கிய எந்தவொரு ஆபத்தும் அதிகரிக்கும் போது ஆளுகை மிகவும் முக்கியமானது. பொதுவான பாதுகாப்புத் தடுப்புகளில் NIST ஜெனரேட்டிவ் AI சுயவிவரம் (AI இடர் மேலாண்மை கட்டமைப்பின் துணை), OECD AI கோட்பாடுகள் மற்றும் EU AI சட்டத்தின் ஆபத்து அடிப்படையிலான கடமைகள் ஆகியவை அடங்கும். இவை சோதனை, தோற்றம், கண்காணிப்பு மற்றும் சம்பவ வெளிப்படுத்தல் நடைமுறைகளை ஊக்குவிக்கின்றன. இது கவர்ச்சியற்றதாக உணரலாம், ஆனால் அது "அச்சச்சோ, நாங்கள் ஒரு இணக்கக் கனவைப் பயன்படுத்தினோம்" என்பதைத் தடுக்கிறது
AI மிகைப்படுத்தப்பட்டாலும், அது ஏன் இன்னும் விளைவை ஏற்படுத்துகிறது?
மிகைப்படுத்தலும் தாக்கமும் இணைந்து வாழலாம். பல தொழில்நுட்பங்கள் ஒரு பழக்கமான வளைவைப் பின்பற்றுகின்றன: உச்ச எதிர்பார்ப்புகள், கடினமான யதார்த்தம், பின்னர் நிலையான மதிப்பு. AI சக்தி வாய்ந்தது, ஆனால் அது பெரும்பாலும் ஏற்கனவே முடிந்தது போல் விற்கப்படுகிறது - அது இன்னும் செயல்பாட்டில் இருக்கும்போது மற்றும் ஒருங்கிணைப்பு மெதுவாக இருக்கும்போது. AI வேலையின் சலிப்பான பகுதிகளை நீக்கும்போது, வரைவு மற்றும் குறியீட்டை ஆதரிக்கும்போது, மற்றும் அடிப்படை மற்றும் மதிப்பாய்வு மூலம் பணிப்பாய்வுகளை மேம்படுத்தும்போது நீடித்த மதிப்பு வெளிப்படுகிறது.
குறிப்புகள்
-
NIST-இன் உருவாக்க செயற்கை நுண்ணறிவு விவரக்குறிப்பு (NIST AI 600-1, PDF) - செயற்கை நுண்ணறிவு இடர் மேலாண்மைக் கட்டமைப்புக்கான துணை வழிகாட்டி. இது ஆளுகை, சோதனை, தோற்றம் மற்றும் சம்பவ வெளிப்படுத்தல் ஆகியவற்றுக்கான முக்கிய இடர் பகுதிகள் மற்றும் பரிந்துரைக்கப்பட்ட நடவடிக்கைகளை விவரிக்கிறது. மேலும் படிக்க
-
ஸ்டான்போர்ட் HAI AI குறியீடு - முக்கிய அளவுகோல்கள் மற்றும் குறிகாட்டிகளில் AI முன்னேற்றம், தத்தெடுப்பு, முதலீடு மற்றும் சமூக தாக்கங்களைக் கண்காணிக்கும் வருடாந்திர, தரவு நிறைந்த அறிக்கை. மேலும் படிக்கவும்
-
GitHub Copilot உற்பத்தித்திறன் ஆராய்ச்சி - Copilot-ஐப் பயன்படுத்தும்போது பணி நிறைவு வேகம் மற்றும் டெவலப்பர் அனுபவம் குறித்த GitHub-இன் கட்டுப்படுத்தப்பட்ட ஆய்வறிக்கை. மேலும் படிக்க
-
ஐரோப்பிய ஆணையத்தின் செயற்கை நுண்ணறிவுச் சட்ட மேலோட்டம் - செயற்கை நுண்ணறிவு அமைப்புகளுக்கான ஐரோப்பிய ஒன்றியத்தின் இடர்-படிநிலைக் கடமைகள் மற்றும் தடைசெய்யப்பட்ட நடைமுறைகளின் வகைகளை விளக்கும் ஆணையத்தின் மையப் பக்கம். மேலும் படிக்க