செயற்கை நுண்ணறிவு நிறுவனம் என்றால் என்ன? [காணொளி மற்றும் வினாவிடை]

சுருக்கமான பதில்: ஒரு AI நிறுவனம் என்பது, அதன் முக்கியத் தயாரிப்பு, மதிப்பு அல்லது போட்டி நன்மை ஆகியவை AI-ஐச் சார்ந்திருக்கும் ஒரு நிறுவனமாகும். AI-ஐ நீக்கிவிட்டால், அந்தச் சேவை சரிந்துவிடும் அல்லது மிக மோசமாகிவிடும். நாளை AI செயலிழந்தாலும், உங்களால் விரிதாள்கள் அல்லது அடிப்படை மென்பொருளைக் கொண்டு தொடர்ந்து சேவையை வழங்க முடிந்தால், நீங்கள் AI-ஆல் இயக்கப்பட்டவராக இருக்க வாய்ப்புள்ளது, AI-இயல்புடையவராக அல்ல. உண்மையான AI நிறுவனங்கள், தரவுகள், மதிப்பீடு, செயலாக்கம் மற்றும் இறுக்கமான தொடர் மேம்பாட்டுச் சுழல்கள் ஆகியவற்றின் மூலம் தங்களை வேறுபடுத்திக் காட்டுகின்றன.

முக்கிய குறிப்புகள்:

முக்கிய சார்புநிலை: செயற்கை நுண்ணறிவை நீக்குவது தயாரிப்பைச் செயலிழக்கச் செய்தால், அது ஒரு செயற்கை நுண்ணறிவு நிறுவனமாகிவிடும்.

எளிய சோதனை: செயற்கை நுண்ணறிவு இல்லாமல் உங்களால் தட்டுத்தடுமாறிச் செயல்பட முடிந்தால், நீங்கள் அநேகமாக செயற்கை நுண்ணறிவுத் திறன் பெற்றவராக இருக்கிறீர்கள்.

செயல்பாட்டு சமிக்ஞைகள்: சறுக்கல், மதிப்பீட்டுத் தொகுப்புகள், தாமதம் மற்றும் தோல்வி முறைகள் பற்றி விவாதிக்கும் குழுக்கள் கடின உழைப்பைச் செய்கின்றன.

தவறான பயன்பாட்டு எதிர்ப்பு: மாதிரிகள் தோல்வியடையும் போது பாதுகாப்புத் தடுப்புகள், கண்காணிப்பு மற்றும் பின்வாங்கும் திட்டங்களை உருவாக்குதல்.

வாங்குபவரின் விடாமுயற்சி: வழிமுறைகள், அளவீடுகள் மற்றும் தெளிவான தரவு நிர்வாகத்தைக் கோருவதன் மூலம் AI-சலவை செய்வதைத் தவிர்க்கவும்.

"AI நிறுவனம்" மிகவும் சுதந்திரமாக சுற்றித் திரிகிறது, இதனால் அனைத்தும் ஒரே நேரத்தில் அர்த்தமில்லாமல் போகும் அபாயம் உள்ளது. ஒரு ஸ்டார்ட்அப் ஒரு தானியங்கி நிரப்பு பெட்டியைச் சேர்த்ததால் AI அந்தஸ்தைப் பெறுகிறது. மற்றொரு நிறுவனம் மாதிரிகளுக்கு பயிற்சி அளிக்கிறது, கருவிகளை உருவாக்குகிறது, தயாரிப்புகளை அனுப்புகிறது மற்றும் உற்பத்தி சூழல்களில் பயன்படுத்துகிறது... இன்னும் அதே வாளியில் குவிக்கப்படுகிறது.

எனவே லேபிளுக்கு கூர்மையான விளிம்புகள் தேவை. AI-பூர்வீக வணிகத்திற்கும், இயந்திர கற்றலில் லேசான தூசி நிறைந்த நிலையான வணிகத்திற்கும் இடையிலான வேறுபாடு, நீங்கள் எதைத் தேடுவது என்று தெரிந்தவுடன் விரைவாகத் தெரியும்.

இதற்குப் பிறகு நீங்கள் படிக்க விரும்பக்கூடிய கட்டுரைகள்:

🔗 AI அப்ஸ்கேலிங் எவ்வாறு செயல்படுகிறது?
படங்களைத் தெளிவாகப் பெரிதாக்க, மாடல்கள் எவ்வாறு விவரங்களைச் சேர்க்கின்றன என்பதைத் தெரிந்துகொள்ளுங்கள்.

🔗 AI குறியீடு எப்படி இருக்கும்:
உருவாக்கப்பட்ட குறியீட்டின் எடுத்துக்காட்டுகளையும் அது எவ்வாறு கட்டமைக்கப்பட்டுள்ளது என்பதையும் காண்க.

🔗 AI அல்காரிதம் என்பது என்ன?
செயற்கை நுண்ணறிவு கற்கவும், கணிக்கவும், மேம்படுத்தவும் உதவும் அல்காரிதம்களைப் புரிந்துகொள்ளுங்கள்.

🔗 AI முன்செயலாக்கம் என்பது என்ன?
பயிற்சிக்காகத் தரவைத் தூய்மைப்படுத்தி, குறியிட்டு, வடிவமைக்கும் படிநிலைகளைத் தெரிந்துகொள்ளுங்கள்.

ஒரு AI நிறுவனம் என்றால் என்ன: நிலைத்து நிற்கும் சுத்தமான வரையறை ✅

ஒரு நடைமுறை வரையறை:

ஒரு செயற்கை நுண்ணறிவு நிறுவனம் என்பது, அதன் முக்கியத் தயாரிப்பு, மதிப்பு அல்லது போட்டி நன்மை ஆகியவை செயற்கை நுண்ணறிவைச் சார்ந்திருக்கும் - அதாவது, நீங்கள் செயற்கை நுண்ணறிவை நீக்கிவிட்டால், அந்த நிறுவனத்தின் 'விஷயம்' சரிந்துவிடும் அல்லது வியத்தகு முறையில் மோசமாகிவிடும். (OECD, NIST AI RMF)

"நாங்கள் ஒரு ஹேக்கத்தானில் ஒரு முறை AI ஐப் பயன்படுத்தினோம்" அல்ல. "தொடர்பு பக்கத்தில் ஒரு சாட்போட்டைச் சேர்த்தோம்" அல்ல. மேலும் இது போன்றது:

• இந்த தயாரிப்பு ஒரு AI அமைப்பு (அல்லது ஒரு முனை முதல் முனை வரை இயக்கப்படுகிறது) (OECD)

• மாதிரிகள், தரவு, மதிப்பீடு மற்றும் தொடர்செயல்முறை ஆகியவற்றிலிருந்து நிறுவனத்தின் மேன்மை கிடைக்கிறது (கூகிள் கிளவுட் எம்எல்ஓப்ஸ், என்ஐஎஸ்டி ஏஐ ஆர்எம்எஃப் ப்ளேபுக் - மெஷர்).

• AI ஒரு அம்சம் இல்லை - அது இயந்திரம் 🧠⚙️

இதோ ஒரு எளிதான உள்ளுணர்வு சோதனை:

நாளை AI தோல்வியடைவதை கற்பனை செய்து பாருங்கள். வாடிக்கையாளர்கள் இன்னும் உங்களுக்கு பணம் செலுத்தினால், நீங்கள் விரிதாள்கள் அல்லது அடிப்படை மென்பொருளுடன் சுறுசுறுப்பாக இருந்தால், நீங்கள் AI-ஐ சார்ந்தவராக இருக்க வாய்ப்புள்ளது, AI-யை சார்ந்தவராக அல்ல.

ஆமாம், நடுவில் ஒரு மங்கலான பகுதி இருக்கு. மூடுபனி நிறைந்த ஜன்னல் வழியா எடுத்த போட்டோ மாதிரி... அது ஒரு அருமையான உருவகம் இல்ல, ஆனா உங்களுக்குப் புரியும் 😄

“AI நிறுவனம்” vs “AI-இயக்கப்பட்ட நிறுவனம்” வேறுபாடு (இந்தப் பகுதி வாதங்களைச் சேமிக்கிறது) 🥊

பெரும்பாலான நவீன வணிகங்கள் ஏதேனும் ஒரு வடிவத்தில் செயற்கை நுண்ணறிவைப் பயன்படுத்துகின்றன. அது மட்டுமே அந்நிறுவனத்தை ஒரு செயற்கை நுண்ணறிவு நிறுவனமாக ஆக்கிவிடாது. (OECD)

பொதுவாக ஒரு AI நிறுவனம்:

• AI திறனை நேரடியாக விற்பனை செய்கிறது (மாடல்கள், கோபிலட்கள், அறிவார்ந்த ஆட்டோமேஷன்)

• தனியுரிம AI அமைப்புகளை முக்கிய தயாரிப்பாக உருவாக்குகிறது

• முக்கிய செயல்பாடாக தீவிர AI பொறியியல், மதிப்பீடு மற்றும் வரிசைப்படுத்தலைக் கொண்டுள்ளது (Google Cloud MLOps)

• தரவுகளிலிருந்து தொடர்ந்து கற்றுக்கொண்டு, செயல்திறனை ஒரு முக்கிய அளவீடாக மேம்படுத்துகிறது 📈 (கூகுள் எம்எல்ஆப்ஸ் வெள்ளை அறிக்கை)

பொதுவாக AI-இயக்கப்பட்ட நிறுவனம்:

• செலவுகளைக் குறைக்க, பணிப்பாய்வுகளை விரைவுபடுத்த அல்லது இலக்கை மேம்படுத்த AI ஐ உள்நாட்டில் பயன்படுத்துகிறது

• இன்னும் வேறு ஏதாவது விற்கிறது (சில்லறை பொருட்கள், வங்கி சேவைகள், தளவாடங்கள், ஊடகம் போன்றவை)

• பாரம்பரிய மென்பொருளைக் கொண்டு AI ஐ மாற்ற முடியும், ஆனால் இன்னும் "அதுவே" ஆக இருக்க முடியும்

உதாரணங்கள் (வேண்டுமென்றே பொதுவானது, ஏனெனில் பிராண்ட் விவாதங்கள் சிலருக்கு ஒரு பொழுதுபோக்காகும்):

• மோசடி கண்டறிதலுக்கு AI-ஐப் பயன்படுத்தும் வங்கி - AI-இயக்கப்பட்டது

• சரக்கு முன்னறிவிப்புக்கு AI ஐப் பயன்படுத்தும் சில்லறை விற்பனையாளர் - AI-இயக்கப்பட்டது

• AI வாடிக்கையாளர் ஆதரவு முகவராக இருக்கும் ஒரு நிறுவனம் - அநேகமாக ஒரு AI நிறுவனம்

• மாதிரி கண்காணிப்பு, மதிப்பீடு மற்றும் பயன்படுத்தல் கருவிகளை விற்பனை செய்யும் ஒரு தளம் - AI நிறுவனம் (உள்கட்டமைப்பு) (கூகிள் கிளவுட் MLOps)

சரி... உங்கள் பல் மருத்துவர் நினைவூட்டல்களை திட்டமிட AI-ஐப் பயன்படுத்தலாம். அது அவர்களை ஒரு AI நிறுவனமாக மாற்றாது 😬🦷

ஒரு AI நிறுவனத்தின் நல்ல பதிப்பை உருவாக்குவது எது 🏗️

எல்லா AI நிறுவனங்களும் ஒரே மாதிரியாக உருவாக்கப்படவில்லை, மேலும் சில, உண்மையில், பெரும்பாலும் அதிர்வுகள் மற்றும் துணிகர மூலதனம். நல்ல பதிப்பு மீண்டும் மீண்டும் தோன்றும் சில பண்புகளைப் பகிர்ந்து கொள்ள முனைகிறது:

• பிரச்சனைக்குத் தெளிவான பொறுப்பேற்றல்: அவர்கள் ஒரு குறிப்பிட்ட சிக்கலைத் தீர்க்கிறார்கள், "எல்லாவற்றிற்கும் செயற்கை நுண்ணறிவு" என்பதை அல்ல.

• அளவிடக்கூடிய விளைவுகள்: துல்லியம், நேரம் சேமிக்கப்பட்டது, செலவு குறைந்தது, குறைவான பிழைகள், அதிக மாற்றம் - ஏதாவது ஒன்றைத் தேர்ந்தெடுத்து அதைக் கண்காணிக்கவும் (NIST AI RMF)

• தரவு ஒழுக்கம்: தரவு தரம், அனுமதிகள், நிர்வாகம் மற்றும் பின்னூட்ட சுழல்கள் ஆகியவை விருப்பத்திற்குரியவை அல்ல (NIST AI RMF)

• மதிப்பீட்டுக் கலாச்சாரம்: அவர்கள் பெரியவர்களைப் போல மாதிரிகளைச் சோதிக்கிறார்கள் - அளவுகோல்கள், விளிம்புநிலைச் சூழல்கள் மற்றும் கண்காணிப்புடன் 🔍 (கூகிள் கிளவுட் எம்எல்ஓப்ஸ், டேட்டாடாக்)

• பயன்படுத்தல் யதார்த்தம்: இந்த அமைப்பு டெமோக்களில் மட்டுமல்ல, அன்றாட சூழ்நிலைகளிலும் ஒழுங்கற்ற நிலையில் செயல்படுகிறது.

• தற்காப்புக்கு உகந்த ஒரு சாதகம்: களத் தரவு, விநியோகம், பணிப்பாய்வு ஒருங்கிணைப்பு, அல்லது தனியுரிமக் கருவிகள் (வெறும் “நாங்கள் ஒரு API-ஐ அழைக்கிறோம்” என்பது மட்டுமல்ல)

ஒரு வியக்கத்தக்க அறிகுறி:

• ஒரு குழு தாமதம், விலகல், மதிப்பீட்டுத் தொகுப்புகள், மாயத்தோற்றங்கள் மற்றும் தோல்வி முறைகள் பற்றிப் பேசினால் , அவர்கள் அநேகமாக உண்மையான செயற்கை நுண்ணறிவுப் பணியைச் செய்கிறார்கள். ( IBM - Model drift , OpenAI - hallucinations , Google Cloud MLOps )

• அவர்கள் பெரும்பாலும் "புத்திசாலித்தனமான அதிர்வுகளுடன் புரட்சிகரமான சினெர்ஜி" பற்றிப் பேசினால், சரி... அது எப்படி என்று உங்களுக்குத் தெரியும் 😅

ஒப்பீட்டு அட்டவணை: பொதுவான AI நிறுவன “வகைகள்” மற்றும் அவர்கள் என்ன விற்கிறார்கள் 📊🤝

கீழே ஒரு விரைவான, சற்று அபூரணமான ஒப்பீட்டு அட்டவணை உள்ளது (தினசரி வணிகம் போல). விலைகள் "வழக்கமான விலை நிர்ணய பாணிகள்", சரியான எண்கள் அல்ல, ஏனெனில் அது ஒரு டன் மாறுபடும்.

ஒன்றைக் கவனியுங்கள். “AI நிறுவனம்” என்பது மிகவும் வித்தியாசமான வணிகங்களைக் குறிக்கலாம். சிலர் மாடல்களை விற்கிறார்கள். சிலர் மாடல் பில்டர்களுக்கான மண்வெட்டிகளை விற்கிறார்கள். சிலர் முடிக்கப்பட்ட பொருட்களை விற்கிறார்கள். அதே லேபிள், முற்றிலும் மாறுபட்ட யதார்த்தம்.

AI நிறுவனங்களின் முக்கிய மாதிரிகள் (மற்றும் அவர்கள் என்ன தவறு செய்கிறார்கள்) 🧩

இன்னும் கொஞ்சம் ஆழமாகப் பார்ப்போம், ஏனென்றால் இங்குதான் மக்கள் தடுமாறி விழுவார்கள்.

1) மாடல்-முதல் நிறுவனங்கள் 🧠

இந்த மாதிரிகள் உருவாக்கப்படுகின்றன அல்லது நன்றாகச் சரிசெய்யப்படுகின்றன. அவற்றின் வலிமை பொதுவாக:

• ஆராய்ச்சி திறமை

• கணினி உகப்பாக்கம்

• மதிப்பீடு மற்றும் மறு செய்கை சுழல்கள்

• உயர் செயல்திறன் சேவை உள்கட்டமைப்பு (Google MLOps வெள்ளை அறிக்கை)

பொதுவான தவறு:

• “சிறந்த மாதிரி” என்பது தானாகவே “சிறந்த தயாரிப்புக்கு” ​​சமம் என்று அவர்கள் கருதுகிறார்கள்.
  அது உண்மையல்ல. பயனர்கள் மாதிரிகளை வாங்குவதில்லை, அவர்கள் விளைவுகளையே வாங்குகிறார்கள்.

2) தயாரிப்பு-முதல் AI நிறுவனங்கள் 🧰

இவை ஒரு பணிப்பாய்விற்குள் AI ஐ உட்பொதிக்கின்றன. அவை வெற்றி பெறுகின்றன:

• விநியோகம்

• UX மற்றும் ஒருங்கிணைப்பு

• வலுவான பின்னூட்ட சுழல்கள்

• மூல நுண்ணறிவை விட நம்பகத்தன்மை அதிகம்

பொதுவான தவறு:

• அவர்கள் காடுகளில் மாதிரி நடத்தையை குறைத்து மதிப்பிடுகிறார்கள். உண்மையான பயனர்கள் உங்கள் அமைப்பை புதிய மற்றும் ஆக்கப்பூர்வமான வழிகளில் உடைப்பார்கள். தினமும்.

3) உள்கட்டமைப்பு AI நிறுவனங்கள் ⚙️

கண்காணிப்பு, பயன்படுத்தல், நிர்வாகம், மதிப்பீடு, இசைக்குழு ஆகியவற்றைப் பற்றி சிந்தியுங்கள். அவை வெற்றி பெறுகின்றன:

• அறுவை சிகிச்சை வலியைக் குறைத்தல்

• இடர் மேலாண்மை

• AI-ஐ மீண்டும் மீண்டும் செய்யக்கூடியதாகவும் பாதுகாப்பானதாகவும் மாற்றுதல் (NIST AI RMF, Google Cloud MLOps)

பொதுவான தவறு:

• அவர்கள் மேம்பட்ட அணிகளுக்காக உருவாக்கி, மற்ற அனைவரையும் புறக்கணிக்கிறார்கள், பின்னர் தத்தெடுப்பு ஏன் மெதுவாக உள்ளது என்று ஆச்சரியப்படுகிறார்கள்.

4) தரவு மையப்படுத்தப்பட்ட AI நிறுவனங்கள் 🗂️

இவை தரவு குழாய்வழிகள், லேபிளிங், செயற்கை தரவு மற்றும் தரவு நிர்வாகம் ஆகியவற்றில் கவனம் செலுத்துகின்றன. அவை வெற்றி பெறுகின்றன:

• பயிற்சி சமிக்ஞை தரத்தை மேம்படுத்துதல்

• சத்தத்தைக் குறைத்தல்

• நிபுணத்துவத்தை செயல்படுத்துதல் (தரவு மையப்படுத்தப்பட்ட AI இல் MIT ஸ்லோன் / ஆண்ட்ரூ என்ஜி)

பொதுவான தவறு:

• "தரவு எல்லாவற்றையும் தீர்க்கிறது" என்று அவர்கள் அதிகமாக விற்கிறார்கள். தரவு சக்தி வாய்ந்தது, ஆனால் உங்களுக்கு இன்னும் நல்ல மாடலிங் மற்றும் வலுவான தயாரிப்பு சிந்தனை தேவை.

ஒரு AI நிறுவனத்திற்குள் இருக்கும் ரகசியம்: தோராயமாக 🧱

திரைக்குப் பின்னால் நீங்கள் எட்டிப்பார்த்தால், பெரும்பாலான உண்மையான AI நிறுவனங்கள் ஒரே மாதிரியான உள் அமைப்பைப் பகிர்ந்து கொள்கின்றன. எப்போதும் இல்லை, ஆனால் அடிக்கடி.

தரவு அடுக்கு 📥

• சேகரிப்பு மற்றும் உட்கொள்ளல்

• லேபிளிங் அல்லது பலவீனமான மேற்பார்வை

• தனியுரிமை, அனுமதிகள், தக்கவைத்தல்

• பின்னூட்ட சுழல்கள் (பயனர் திருத்தங்கள், விளைவுகள், மனித மதிப்பாய்வு) (NIST AI RMF)

மாதிரி அடுக்கு 🧠

• அடிப்படை மாதிரிகளைத் தேர்ந்தெடுப்பது (அல்லது புதிதாகப் பயிற்சி அளித்தல்)

• நன்றாகச் சரிசெய்தல், வடிகட்டுதல், உடனடி பொறியியல் (ஆம், இன்னும் கணக்கில் எடுத்துக்கொள்ளப்படுகிறது)

• மீட்டெடுப்பு அமைப்புகள் (தேடல் + தரவரிசை + திசையன் தரவுத்தளங்கள்) (RAG ஆய்வறிக்கை (லூயிஸ் மற்றும் பலர், 2020), ஆரக்கிள் - திசையன் தேடல்)

• மதிப்பீட்டுத் தொகுப்புகள் மற்றும் சோதனைத் தொகுப்புகள் (Google Cloud MLOps)

தயாரிப்பு அடுக்கு 🧑💻

• நிச்சயமற்ற தன்மையைக் கையாளும் UX (நம்பிக்கை குறிப்புகள், "மதிப்பாய்வு" நிலைகள்)

• பாதுகாப்புத் தண்டவாளங்கள் (கொள்கை, மறுப்பு, பாதுகாப்பான நிறைவு) (NIST AI RMF)

• பணிப்பாய்வு ஒருங்கிணைப்பு (மின்னஞ்சல், CRM, ஆவணங்கள், டிக்கெட் விற்பனை, முதலியன)

Ops அடுக்கு 🛠️

• சறுக்கல் மற்றும் சீரழிவு கண்காணிப்பு (IBM - மாதிரி சறுக்கல், கூகிள் கிளவுட் MLOps)

• சம்பவ பதில் மற்றும் திரும்பப் பெறுதல் (உபர் - பயன்படுத்தல் பாதுகாப்பு)

• செலவு மேலாண்மை (கணினி ஒரு பசியுள்ள சிறிய அரக்கனாக இருக்கலாம்)

• நிர்வாகம், தணிக்கைகள், அணுகல் கட்டுப்பாடு (NIST AI RMF, ISO/IEC 42001 கண்ணோட்டம்)

யாரும் விளம்பரப்படுத்தாத பகுதி:

• மனித செயல்முறைகள் - மதிப்பாய்வாளர்கள், சிக்கலை மேல் அதிகாரிகளுக்குக் கொண்டு செல்லுதல், தர உறுதி, மற்றும் வாடிக்கையாளர் பின்னூட்ட வழிமுறைகள்.
  செயற்கை நுண்ணறிவு என்பது "ஒருமுறை அமைத்துவிட்டால் பிறகு அதைப் பற்றி கவலைப்படத் தேவையில்லை." அது தோட்டம் அமைப்பது போன்றது. அல்லது ஒரு கீரியை செல்லப்பிராணியாக வளர்ப்பது போன்றது. அது பார்க்க அழகாக இருக்கலாம், ஆனால் நீங்கள் கவனிக்கவில்லை என்றால் அது உங்கள் சமையலறையை முற்றிலும் நாசம் செய்துவிடும் 😬🦝

வணிக மாதிரிகள்: AI நிறுவனங்கள் எவ்வாறு பணம் சம்பாதிக்கின்றன 💸

AI நிறுவனங்கள் சில பொதுவான பணமாக்குதல் வடிவங்களில் விழுகின்றன:

• பயன்பாடு சார்ந்த (ஒரு கோரிக்கைக்கு, ஒரு டோக்கனுக்கு, ஒரு நிமிடத்திற்கு, ஒரு படத்திற்கு, ஒரு பணிக்கு) (OpenAI API விலை நிர்ணயம், OpenAI - டோக்கன்கள்)

• இருக்கை அடிப்படையிலான சந்தாக்கள் (ஒரு பயனருக்கு மாதத்திற்கு) (மைக்ரோசாப்ட் 365 கோபிலட் விலை நிர்ணயம்)

• விளைவு அடிப்படையிலான விலை நிர்ணயம் (அரிதானது, ஆனால் சக்திவாய்ந்தது - மாற்றத்திற்கு அல்லது தீர்க்கப்பட்ட டிக்கெட்டுக்கு செலுத்தப்பட்டது)

• நிறுவன ஒப்பந்தங்கள் (ஆதரவு, இணக்கம், SLAக்கள், தனிப்பயன் பயன்பாடு)

• உரிமம் வழங்குதல் (சாதனத்தில், உட்பொதிக்கப்பட்ட, OEM பாணி) (NVIDIA)

பல AI நிறுவனங்கள் எதிர்கொள்ளும் பதற்றம்:

• வாடிக்கையாளர்கள் கணிக்கக்கூடிய செலவை விரும்புகிறார்கள் 😌

• பயன்பாடு மற்றும் மாதிரி தேர்வுகளைப் பொறுத்து AI செலவுகள் மாறுபடலாம் 😵

எனவே நல்ல AI நிறுவனங்கள் இதில் மிகச் சிறந்து விளங்குகின்றன:

• முடிந்த போதெல்லாம், பணிகளை மலிவான மாடல்களுக்கு மாற்றுதல்

• தற்காலிக சேமிப்பு முடிவுகள்

• தொகுப்பு கோரிக்கைகள்

• சூழல் அளவைக் கட்டுப்படுத்துதல்

• "எல்லையற்ற உடனடி சுழல்களை" ஊக்கப்படுத்தாத UX ஐ வடிவமைத்தல் (நாம் அனைவரும் அதைச் செய்துள்ளோம்...)

அகழி கேள்வி: ஒரு AI நிறுவனத்தை தற்காப்புடன் வைத்திருப்பது எது 🏰

இதுதான் காரமான பகுதி. பலர் அகழியை "எங்கள் மாதிரி சிறந்தது" என்று கருதுகிறார்கள். சில நேரங்களில் அது இருக்கும், ஆனால் பெரும்பாலும்... இல்லை.

பொதுவான தற்காப்பு நன்மைகள்:

• தனியுரிம தரவு (குறிப்பாக டொமைன் சார்ந்தது)

• விநியோகம் (பயனர்கள் ஏற்கனவே வசிக்கும் பணிப்பாய்வில் உட்பொதிக்கப்பட்டுள்ளது)

• செலவுகளை மாற்றுதல் (ஒருங்கிணைப்புகள், செயல்முறை மாற்றங்கள், குழு பழக்கவழக்கங்கள்)

• பிராண்ட் நம்பிக்கை (குறிப்பாக அதிக பங்குகளைக் கொண்ட களங்களுக்கு)

• செயல்பாட்டு சிறப்பு (நம்பகமான AI ஐ அளவில் அனுப்புவது கடினம்) (Google Cloud MLOps)

• மனித-இன்-தி-லூப் அமைப்புகள் (கலப்பின தீர்வுகள் தூய ஆட்டோமேஷனை விட சிறப்பாக செயல்படும்) (NIST AI RMF, EU AI சட்டம் - மனித மேற்பார்வை (கட்டுரை 14))

சற்று சங்கடமான உண்மை:
இரண்டு நிறுவனங்கள் ஒரே அடிப்படை மாதிரியைப் பயன்படுத்தினாலும், அவை மிகவும் மாறுபட்ட முடிவுகளைக் கொண்டிருக்கலாம். வித்தியாசம் பொதுவாக மாதிரியைச் சுற்றியுள்ள அனைத்தும் - தயாரிப்பு வடிவமைப்பு, மதிப்பீடுகள், தரவு சுழல்கள் மற்றும் அவை தோல்வியை எவ்வாறு கையாளுகின்றன.

AI-சலவையை (அதாவது "நாங்கள் பிரகாசத்தைச் சேர்த்து அதை நுண்ணறிவு என்று அழைத்தோம்") எப்படிக் கண்டறிவது 🚩

ஒரு AI நிறுவனம் உண்மையில் என்ன என்பதை நீங்கள் மதிப்பிடுகிறீர்கள் என்றால், இந்த சிவப்புக் கொடிகளைப் பாருங்கள்:

• தெளிவான AI திறன் விவரிக்கப்படவில்லை: நிறைய சந்தைப்படுத்தல், எந்த வழிமுறையும் இல்லை.

• டெமோ மேஜிக்: ஈர்க்கக்கூடிய டெமோ, எட்ஜ் கேஸ்கள் எதுவும் குறிப்பிடப்படவில்லை.

• மதிப்பீட்டு விளக்கம் இல்லை: அவர்கள் நம்பகத்தன்மையை எவ்வாறு சோதிக்கிறார்கள் என்பதை விளக்க முடியவில்லை (கூகிள் கிளவுட் எம்எல்ஓப்ஸ்).

• தெளிவற்ற தரவு பதில்கள்: தரவு எங்கிருந்து வருகிறது அல்லது அது எவ்வாறு நிர்வகிக்கப்படுகிறது என்பது தெளிவாக இல்லை (NIST AI RMF)

• கண்காணிப்பதற்கான திட்டம் இல்லை: மாதிரிகள் மாறாது என்பது போல் அவர்கள் நடந்துகொள்கிறார்கள் (IBM - Model drift)

• அவர்களால் தோல்வி முறைகளை விளக்க முடியவில்லை: எல்லாம் “கிட்டத்தட்ட கச்சிதமாக” இருக்கிறது (எதுவுமே அப்படி இல்லை) (ஓப்பன்ஏஐ - பிரமைகள்)

பச்சைக் கொடிகள் (அமைதிப்படுத்தும் எதிர்) ✅:

• அவை செயல்திறனை எவ்வாறு அளவிடுகின்றன என்பதைக் காட்டுகின்றன

• அவர்கள் பீதியடையாமல் வரம்புகளைப் பற்றிப் பேசுகிறார்கள்

• அவை மனித மறுஆய்வு பாதைகளையும் விரிவாக்கத்தையும் கொண்டுள்ளன (NIST AI RMF, EU AI சட்டம் - மனித மேற்பார்வை (கட்டுரை 14))

• அவர்கள் தனியுரிமை மற்றும் இணக்கத் தேவைகளைப் புரிந்துகொள்கிறார்கள் (NIST AI RMF, EU AI சட்டக் கண்ணோட்டம்)

• அவங்க உணர்ச்சிவசப்பட்டு சரியாமல் "நாங்க அப்படிச் செய்ய மாட்டோம்"னு சொல்லலாம் 😅

நீங்கள் ஒன்றை உருவாக்குகிறீர்கள் என்றால்: AI நிறுவனமாக மாறுவதற்கான நடைமுறை சரிபார்ப்புப் பட்டியல் 🧠📝

நீங்கள் “AI-இயக்கப்பட்ட” இலிருந்து “AI நிறுவனம்” க்கு மாற முயற்சிக்கிறீர்கள் என்றால், இங்கே ஒரு சாத்தியமான பாதை உள்ளது:

• ஒரு பணிப்பாய்வுடன் தொடங்குங்கள், அது போதுமான மக்களை காயப்படுத்துகிறது, அதை சரிசெய்ய அவர்கள் பணம் செலுத்த வேண்டியிருக்கும்

• கருவியின் முடிவுகள் சீக்கிரமாக (நீங்கள் அளவிடுவதற்கு முன்)

• உண்மையான பயனர் நிகழ்வுகளிலிருந்து மதிப்பீட்டுத் தொகுப்பை உருவாக்குங்கள் (Google Cloud MLOps)

• முதல் நாளிலிருந்து கருத்துச் சுழல்களைச் சேர்க்கவும்

• பாதுகாப்புத் தண்டவாளங்களை வடிவமைப்பின் ஒரு பகுதியாக ஆக்குங்கள், பின் சிந்தனையாக அல்ல (NIST AI RMF)

• அதிகமாக கட்டாதீர்கள் - நம்பகமான ஒரு குறுகிய ஆப்பு அனுப்பவும்

• பயன்படுத்தலை கடைசி படியாக அல்லாமல், ஒரு தயாரிப்பாகக் கருதுங்கள் (Google Cloud MLOps)

மேலும், வேலை செய்யும் எதிர் உள்ளுணர்வு ஆலோசனை:

• செயற்கை நுண்ணறிவு சரியாக இருக்கும்போது நடப்பதை விட, அது தவறாக இருக்கும்போது என்ன நடக்கிறது என்பதில் அதிக நேரத்தைச் செலவிடுங்கள்.
  அங்குதான் நம்பிக்கை வெல்லப்படுகிறது அல்லது இழக்கப்படுகிறது. (NIST AI RMF)

இறுதிச் சுருக்கம் 🧠✨

சரி... ஒரு AI நிறுவனம் என்றால் என்ன என்பது ஒரு எளிய விஷயத்திற்கு வருகிறது:

இது ஒரு நிறுவனம், இங்கு செயற்கை நுண்ணறிவு (AI) ஒரு அலங்காரப் பொருளல்ல, அதுவே உந்துசக்தி. நீங்கள் செயற்கை நுண்ணறிவை நீக்கும்போது, ​​அந்தத் தயாரிப்பு அர்த்தமற்றதாகிவிட்டால் (அல்லது அதன் கூர்மையை இழந்துவிட்டால்), நீங்கள் பார்ப்பது ஒரு உண்மையான செயற்கை நுண்ணறிவு நிறுவனம் என்று அர்த்தம். செயற்கை நுண்ணறிவு என்பது பல கருவிகளில் ஒன்று மட்டுமே என்றால், அதை 'செயற்கை நுண்ணறிவால் இயக்கப்பட்டது' என்று அழைப்பதே மிகவும் துல்லியமானது.

இரண்டுமே சரிதான். உலகத்துக்கு இரண்டுமே தேவை. ஆனால் நீங்கள் முதலீடு செய்யும்போது, ​​பணியமர்த்தும்போது, ​​மென்பொருள் வாங்கும்போது அல்லது நீங்கள் ஒரு ரோபோவா அல்லது கூக்லி கண்களுடன் ஒரு அட்டை கட்அவுட்டா விற்கப்படுகிறீர்களா என்பதைக் கண்டுபிடிக்க முயற்சிக்கும்போது லேபிள் முக்கியமானது 🤖👀

நிஜ உலக உதாரணம்: ஒரு AI ஆதரவு வகைப்படுத்தல் நிறுவனத்தை உருவாக்குதல் 

சூழ்நிலை

ஷாப்பிஃபை போன்ற இணையவழி வர்த்தகக் கடைகளுக்காக, ஒரு சிறிய ஸ்டார்ட்அப் நிறுவனம் செயற்கை நுண்ணறிவு மூலம் உதவிகளை வகைப்படுத்தும் உதவியாளரை உருவாக்குவதாகக் கற்பனை செய்து பாருங்கள். இது ஒரு கற்பனையான உதாரணம், உண்மையான நிறுவனத்தின் செயல்முறை ஆய்வு அல்ல.

இந்தத் தயாரிப்பு, ஒரு உதவி மையத்தில் வெறுமனே ஒரு சாட்பாட்டைச் சேர்ப்பதில்லை. வரும் வாடிக்கையாளர் கோரிக்கைகளைப் படித்து, சிக்கலை வகைப்படுத்தி, பதிலைப் பரிந்துரைத்து, பணம் திரும்பப் பெறுவதில் அபாயம் உள்ள நிகழ்வுகளைக் குறித்து வைத்து, முக்கியமான எதையும் ஒரு மனிதப் பிரதிநிதிக்கு வழிநடத்துவதே இதன் முக்கியப் பணியாகும்.

செயற்கை நுண்ணறிவை நீக்கிவிட்டால், அந்தத் தயாரிப்பு பெரும்பாலும் ஒரு அடிப்படை குறியிடும் கருவியாகச் சுருங்கிவிடுகிறது. இது, செயற்கை நுண்ணறிவு வசதியுள்ள ஒரு உதவி மையத் துணை நிரலை விட, ஒரு செயற்கை நுண்ணறிவு நிறுவனத்திற்கு மிகவும் நெருக்கமாக அமைகிறது. ஏனெனில், இதன் முக்கிய மதிப்பானது வகைப்படுத்துதல், முன்கணித்தல், மீட்டெடுத்தல் மற்றும் தொடர்ச்சியான மேம்பாடு ஆகியவற்றைச் சார்ந்துள்ளது.

உதவியாளருக்கு என்ன தேவை

உதவியாளரைத் திறம்படச் செயல்பட வைக்க, குழுவிற்குப் பின்வருவன தேவைப்படும்:

கடந்த 3-6 மாதங்களில் உள்ள வாடிக்கையாளர் சேவைப் பதிவுகள், தனிப்பட்ட தரவுகள் நீக்கப்பட்டுள்ளன

அங்கீகரிக்கப்பட்ட பணம் திரும்பப்பெறுதல், பொருளைத் திருப்பியளித்தல், அனுப்புதல் மற்றும் தள்ளுபடிக் கொள்கைகளின் பட்டியல்

"நல்ல" மனித பதில்களுக்கான எடுத்துக்காட்டுகள்

சேதமடைந்த பொருள், தாமதமான விநியோகம், பணத்தைத் திரும்பப் பெறுவதற்கான கோரிக்கை, ஆர்டர் காணாமல் போனது, தயாரிப்பு குறித்த கேள்வி மற்றும் கோபமான வாடிக்கையாளர் போன்ற டிக்கெட் வகைகளின் தொகுப்பு

பதிலளிப்பதற்குப் பதிலாக, செயற்கை நுண்ணறிவு எப்போது அடுத்த கட்டத்திற்குச் செல்ல வேண்டும் என்பதற்கான விதிகள்

முகவர்களுக்கான ஒரு எளிய பின்னூட்டப் பொத்தான்: “ஏற்கப்பட்டது”, “திருத்தப்பட்டது”, அல்லது “நிராகரிக்கப்பட்டது”

எடுத்துக்காட்டு அறிவுறுத்தல்

நீங்கள் ஒரு இணையவழி வணிகக் கடையின் ஆதரவு வகைப்படுத்தல் உதவியாளர். ஒவ்வொரு வாடிக்கையாளர் செய்தியையும் படித்து, டிக்கெட் வகை, அவசர நிலை, பரிந்துரைக்கப்பட்ட பதில் மற்றும் அனுப்புவதற்கு முன் அதை ஒரு மனிதர் மதிப்பாய்வு செய்ய வேண்டுமா என்பது ஆகிய நான்கு விஷயங்களைத் தெரிவிக்கவும்.

பணம் திரும்பப் பெறுவதில் உள்ள தகராறுகள், சட்டரீதியான அச்சுறுத்தல்கள், மருத்துவக் கோரிக்கைகள், பணம் செலுத்துவதில் உள்ள சிக்கல்கள், வசைச் செய்திகள் மற்றும் வாடிக்கையாளரின் ஆர்டர் விவரங்கள் விடுபட்டிருக்கும் நேர்வுகள் ஆகியவற்றை எப்போதும் மேல் அதிகாரிகளுக்குத் தெரிவிக்கவும்.

கடையின் அங்கீகரிக்கப்பட்ட கொள்கை ஆவணங்களை மட்டுமே பயன்படுத்தவும். கொள்கையில் பதில் இல்லை என்றால், மனித ஆய்வு தேவை என்று கூறவும். பணம் திரும்பப்பெறும் விதிகள், விநியோகத் தேதிகள், தள்ளுபடிக் குறியீடுகள் அல்லது கண்காணிப்புத் தகவல்களை நீங்களாக உருவாக்க வேண்டாம்.

அதை எப்படி சோதிப்பது

இதை ஒரு உண்மையான பொருளாக விற்பனை செய்வதற்கு முன், குழுவினர் ஒரு சிறிய மதிப்பீட்டுச் சோதனையை நடத்த வேண்டும்.

உதாரணத்திற்கு:

சரியான வகை ஏற்கனவே அறியப்பட்ட 100 பழைய ஆதரவு டிக்கெட்டுகளைச் சோதிக்கவும்

எழுத்துப்பிழைகள், விடுபட்ட ஆர்டர் எண்கள், உணர்ச்சிவசப்பட்ட மொழி அல்லது பல சிக்கல்கள் உள்ள குறைந்தது 20 குறைபாடுள்ள டிக்கெட்டுகளை ஒரே செய்தியில் சேர்க்கவும்

செயற்கை நுண்ணறிவுப் பிரிவை மனிதப் பிரிவுடன் ஒப்பிடுக

மேல்நிலைப்படுத்தல் விதிகள் பின்பற்றப்பட்டதா எனச் சரிபார்க்கவும்

பரிந்துரைக்கப்பட்ட பதில்களை “அனுப்பத்தக்கது”, “திருத்தம் தேவை”, அல்லது “தவறானது” என மதிப்பிடுமாறு இரண்டு உதவிப் பிரதிநிதிகளிடம் கேளுங்கள்

முடிவை வாரந்தோறும் கண்காணிக்கவும், ஒரு செயல்விளக்கத்தில் ஒருமுறை மட்டும் அல்ல

முடிவு

விளக்க முடிவு: பணிப்பாய்வைப் பயன்படுத்துவதற்கு முன்னும் பின்னும் 100 மாதிரி டிக்கெட்டுகளின் நேரத்தைக் கணக்கிட்டதன் அடிப்படையில்.

கைமுறை வகைப்படுத்தல்: 100 டிக்கெட்டுகள் × ஒவ்வொன்றிற்கும் 2.5 நிமிடங்கள் = 250 நிமிடங்கள்

செயற்கை நுண்ணறிவு உதவியுடனான வகைப்படுத்தல்: 100 டிக்கெட்டுகள் × ஒவ்வொன்றிற்கும் 45 வினாடிகள் மதிப்பாய்வு நேரம் = 75 நிமிடங்கள்

மதிப்பிடப்பட்ட நேர சேமிப்பு: 100 டிக்கெட்டுகளுக்கு 175 நிமிடங்கள், அல்லது 70%

வெளியீட்டிற்கு முன் வகை துல்லிய இலக்கு: 100 டிக்கெட்டுகளில் குறைந்தது 90 சரியாக வகைப்படுத்தப்பட வேண்டும்

மேல்நிலைப்படுத்தல் பாதுகாப்பு இலக்கு: தேவைப்படும் மனித மதிப்பாய்வுப் பிரிவுகளில் மேல்நிலைப்படுத்தல்கள் தவறவிடப்படாமை

ஒரு வாங்குபவர், தனது சொந்த உதவி மையத்தில் அதே 100-டிக்கெட் சோதனையை நடத்தி, செயற்கை நுண்ணறிவு வகைப்பாடுகளை முந்தைய மனித மதிப்பீடுகளுடன் ஒப்பிடுவதன் மூலம் இந்த எண்களைச் சரிபார்க்கலாம்.

என்ன தவறு நடக்கக்கூடும்?

மிகப்பெரிய ஆபத்து என்பது செயற்கை நுண்ணறிவின் செயல்பாடு மோசமாக இருப்பது அல்ல. மாறாக, அது தவறாக இருந்தபோதிலும் தன்னம்பிக்கையுடன் பேசுவதுதான்.

பொதுவான தவறுகளில் அடங்குபவை:

தன்னால் அங்கீகரிக்க முடியாத பணத்தைத் திரும்பத் தருவதாக செயற்கை நுண்ணறிவை வாக்குறுதியளிக்க அனுமதிப்பது

காலாவதியான கொள்கை ஆவணங்களைப் பயன்படுத்துதல்

சரியான வழித்தடத்திற்குப் பதிலாக, "கவர்ச்சியாகத் தோற்றமளிக்கும் பதில்களை" மட்டும் அளவிடுதல்

பணம் திரும்பப் பெறுதல், அச்சுறுத்தல்கள் அல்லது பாதிக்கப்படக்கூடிய வாடிக்கையாளர்கள் போன்ற விளிம்புநிலைச் சூழல்களைப் புறக்கணித்தல்

அதிக ஆபத்துள்ள டிக்கெட்டுகளுக்கு மனித மதிப்பாய்வைத் தவிர்த்தல்

என்ன சோதிக்கப்பட்டது என்பதை விளக்காமல் “95% தானியக்கம்” என்று கூறுவது

ஒரு திறமையான செயற்கை நுண்ணறிவு நிறுவனம் இவற்றைத் தயாரிப்பு வடிவமைப்புச் சிக்கல்களாகவே கருதும், பொருத்தமற்ற அடிக்குறிப்புகளாக அல்ல.

நடைமுறைப் பாடம்

உண்மையான செயற்கை நுண்ணறிவு மதிப்புக்கும் செயற்கை நுண்ணறிவு அலங்காரத்திற்கும் உள்ள வேறுபாட்டை இந்த உதாரணம் காட்டுகிறது. ஒரு நிறுவனம், அதன் செயல்பாட்டு அடுக்கில் எங்கோ ஒரு மாதிரியைப் பயன்படுத்துவதால் அது "செயற்கை நுண்ணறிவு" நிறுவனம் ஆகிவிடாது. வகைப்படுத்துதல், மீட்டெடுத்தல், மதிப்பீடு, மேல்நிலைப்படுத்துதல் மற்றும் பின்னூட்டச் சுழல்கள் ஆகியவை அந்தத் தயாரிப்பின் இயந்திரமாக இருப்பதால் அது ஒரு செயற்கை நுண்ணறிவு நிறுவனமாகிறது.

அடிக்கடி கேட்கப்படும் கேள்விகள்

AI நிறுவனத்திற்கும் AI-இயக்கப்பட்ட நிறுவனத்திற்கும் என்ன வித்தியாசம்?

ஒரு AI நிறுவனம் என்பது முக்கிய தயாரிப்பு, மதிப்பு அல்லது போட்டி நன்மை AI-ஐச் சார்ந்து இருக்கும் ஒரு நிறுவனம் - AI-ஐ அகற்றினால், சலுகை சரிந்துவிடும் அல்லது வியத்தகு முறையில் மோசமாகிவிடும். AI-இயக்கப்பட்ட நிறுவனம் செயல்பாடுகளை வலுப்படுத்த AI-ஐப் பயன்படுத்துகிறது (முன்னறிவிப்பு அல்லது மோசடி கண்டறிதல் போன்றவை) ஆனால் இன்னும் அடிப்படையில் AI அல்லாத ஒன்றை விற்பனை செய்கிறது. ஒரு எளிய சோதனை: நாளை AI தோல்வியடைந்து, நீங்கள் இன்னும் அடிப்படை மென்பொருளுடன் செயல்பட முடிந்தால், நீங்கள் AI-இயக்கப்பட்டவராக இருக்கலாம்.

ஒரு வணிகம் உண்மையில் ஒரு AI நிறுவனமா என்பதை நான் எப்படி விரைவாகக் கூறுவது?

AI வேலை செய்வதை நிறுத்தினால் என்ன நடக்கும் என்பதைக் கவனியுங்கள். வாடிக்கையாளர்கள் இன்னும் பணம் செலுத்த விரும்பினால், வணிகம் விரிதாள்கள் அல்லது பாரம்பரிய மென்பொருளுடன் சேர்ந்து செயல்படத் தொடங்கினால், அது AI-சார்ந்ததாக இருக்காது. உண்மையான AI நிறுவனங்கள் மதிப்பீட்டுத் தொகுப்புகள், தாமதம், சறுக்கல், மாயத்தோற்றங்கள், கண்காணிப்பு மற்றும் தோல்வி முறைகள் போன்ற உறுதியான செயல்பாட்டு சொற்களில் பேச முனைகின்றன. இவை அனைத்தும் சந்தைப்படுத்தல் மற்றும் எந்த வழிமுறையும் இல்லை என்றால், அது ஒரு கடுமையான எச்சரிக்கை.

ஒரு AI நிறுவனமாக மாற உங்கள் சொந்த மாடலைப் பயிற்றுவிக்க வேண்டுமா?

இல்லை. பல AI நிறுவனங்கள் ஏற்கனவே உள்ள மாடல்களின் மேல் வலுவான தயாரிப்புகளை உருவாக்குகின்றன, மேலும் AI தயாரிப்பின் இயந்திரமாக இருக்கும்போது இன்னும் AI-சார்ந்ததாகத் தகுதி பெறுகின்றன. மாதிரிகள், தரவு, மதிப்பீடு மற்றும் மறு செய்கை சுழல்கள் செயல்திறன் மற்றும் வேறுபாட்டை இயக்குகின்றனவா என்பதுதான் முக்கியம். தனியுரிம தரவு, பணிப்பாய்வு ஒருங்கிணைப்பு மற்றும் கடுமையான மதிப்பீடு ஆகியவை புதிதாக பயிற்சி இல்லாமல் கூட உண்மையான நன்மையை உருவாக்க முடியும்.

AI நிறுவனங்களின் முக்கிய வகைகள் யாவை, அவை எவ்வாறு வேறுபடுகின்றன?

பொதுவான வகைகளில் அடித்தள மாதிரி உருவாக்குநர்கள், செங்குத்து AI பயன்பாடுகள் (சட்ட அல்லது மருத்துவ கருவிகள் போன்றவை), அறிவுப் பணிக்கான இணை பைலட்டுகள், MLOps/மாதிரி செயல்பாடுகள் தளங்கள், தரவு மற்றும் லேபிளிங் வணிகங்கள், எட்ஜ்/ஆன்-டிவைஸ் AI, ஆலோசனைகள்/ஒருங்கிணைப்பாளர்கள் மற்றும் மதிப்பீடு/பாதுகாப்பு கருவி வழங்குநர்கள் ஆகியவை அடங்கும். அவை அனைத்தும் "AI நிறுவனங்களாக" இருக்கலாம், ஆனால் அவை மிகவும் மாறுபட்ட விஷயங்களை விற்கின்றன: மாதிரிகள், முடிக்கப்பட்ட தயாரிப்புகள் அல்லது உற்பத்தி AI ஐ நம்பகமானதாகவும் நிர்வகிக்கக்கூடியதாகவும் மாற்றும் உள்கட்டமைப்பு.

வழக்கமான AI நிறுவன அடுக்கு எப்படி இருக்கும்?

பல AI நிறுவனங்கள் ஒரு தோராயமான அடுக்கைப் பகிர்ந்து கொள்கின்றன: ஒரு தரவு அடுக்கு (சேகரிப்பு, லேபிளிங், நிர்வாகம், பின்னூட்ட சுழல்கள்), ஒரு மாதிரி அடுக்கு (அடிப்படை மாதிரி தேர்வு, நன்றாகச் சரிசெய்தல், RAG/வெக்டார் தேடல், மதிப்பீட்டுத் தொகுப்புகள்), ஒரு தயாரிப்பு அடுக்கு (நிச்சயமற்ற தன்மைக்கான UX, பாதுகாப்புத் தண்டவாளங்கள், பணிப்பாய்வு ஒருங்கிணைப்பு), மற்றும் ஒரு ops அடுக்கு (சறுக்கல், சம்பவ பதில், செலவுக் கட்டுப்பாடுகள், தணிக்கைகள் ஆகியவற்றைக் கண்காணித்தல்). மனித செயல்முறைகள் - மதிப்பாய்வாளர்கள், அதிகரிப்பு, QA - பெரும்பாலும் அழகற்ற முதுகெலும்பாகும்.

ஒரு AI நிறுவனம் வெறும் டெமோக்களை மட்டுமல்லாமல் "உண்மையான வேலையை" செய்கிறது என்பதை எந்த அளவீடுகள் காட்டுகின்றன?

துல்லியம், நேர சேமிப்பு, செலவுக் குறைவு, குறைவான பிழைகள் அல்லது அதிக மாற்றம் - அந்த அளவீடுகளை மதிப்பிடுவதற்கும் கண்காணிப்பதற்கும் தெளிவான முறையுடன் இணைக்கப்பட்ட அளவிடக்கூடிய விளைவுகள் ஒரு வலுவான சமிக்ஞையாகும். உண்மையான அணிகள் வரையறைகளை உருவாக்குகின்றன, எட்ஜ் கேஸ்களை சோதிக்கின்றன மற்றும் பயன்படுத்தப்பட்ட பிறகு செயல்திறனைக் கண்காணிக்கின்றன. மாதிரி சரியாக இருக்கும்போது மட்டுமல்ல, எப்போது தவறாக இருக்கும் என்பதையும் அவர்கள் திட்டமிடுகிறார்கள், ஏனெனில் நம்பிக்கை தோல்வி கையாளுதலைப் பொறுத்தது.

AI நிறுவனங்கள் பொதுவாக எவ்வாறு பணம் சம்பாதிக்கின்றன, வாங்குபவர்கள் என்ன விலை பொறிகளைக் கவனிக்க வேண்டும்?

பொதுவான மாதிரிகளில் பயன்பாட்டு அடிப்படையிலான விலை நிர்ணயம் (ஒரு கோரிக்கை/டோக்கன்/பணிக்கு), இருக்கை அடிப்படையிலான சந்தாக்கள், விளைவு அடிப்படையிலான விலை நிர்ணயம் (அரிதானது), SLA-களுடன் நிறுவன ஒப்பந்தங்கள் மற்றும் உட்பொதிக்கப்பட்ட அல்லது சாதனத்தில் உள்ள AI-க்கான உரிமம் ஆகியவை அடங்கும். ஒரு முக்கிய பதற்றம் கணிக்கக்கூடிய தன்மை: வாடிக்கையாளர்கள் நிலையான செலவை விரும்புகிறார்கள், அதே நேரத்தில் AI செலவுகள் பயன்பாடு மற்றும் மாதிரி தேர்வுடன் ஊசலாடலாம். வலுவான விற்பனையாளர்கள் மலிவான மாடல்களுக்கு ரூட்டிங், கேச்சிங், பேட்சிங் மற்றும் சூழல் அளவைக் கட்டுப்படுத்துவதன் மூலம் இதை நிர்வகிக்கிறார்கள்.

எல்லோரும் ஒரே மாதிரியான மாதிரிகளைப் பயன்படுத்த முடிந்தால், ஒரு AI நிறுவனத்தை எவ்வாறு பாதுகாக்க முடியும்?

பெரும்பாலும் அகழி என்பது வெறும் "சிறந்த மாதிரி" மட்டுமல்ல. தனியுரிம டொமைன் தரவு, பயனர்கள் ஏற்கனவே வசிக்கும் பணிப்பாய்வுக்குள் விநியோகம், ஒருங்கிணைப்புகள் மற்றும் பழக்கவழக்கங்களிலிருந்து செலவுகளை மாற்றுதல், அதிக பங்குகள் உள்ள பகுதிகளில் பிராண்ட் நம்பிக்கை மற்றும் நம்பகமான AI ஐ அனுப்புவதில் செயல்பாட்டு சிறப்பம்சம் ஆகியவற்றிலிருந்து பாதுகாப்பு வரலாம். மனித-இன்-தி-லூப் அமைப்புகள் தூய ஆட்டோமேஷனை விஞ்சும். இரண்டு அணிகள் ஒரே மாதிரியைப் பயன்படுத்தலாம் மற்றும் அதைச் சுற்றியுள்ள அனைத்தையும் அடிப்படையாகக் கொண்டு மிகவும் மாறுபட்ட முடிவுகளைப் பெறலாம்.

ஒரு விற்பனையாளர் அல்லது தொடக்க நிறுவனத்தை மதிப்பிடும்போது AI- கழுவுதலை எவ்வாறு கண்டறிவது?

தெளிவான AI திறன் இல்லாத தெளிவற்ற கூற்றுகள், எந்த விளிம்பு நிலை வழக்குகளும் இல்லாத "டெமோ மேஜிக்" மற்றும் மதிப்பீடு, தரவு நிர்வாகம், கண்காணிப்பு அல்லது தோல்வி முறைகளை விளக்க இயலாமை ஆகியவற்றைக் கவனியுங்கள். "சரியானதை நெருங்கிவிட்டது" போன்ற அதிகப்படியான தன்னம்பிக்கை கூற்றுகள் மற்றொரு எச்சரிக்கை அறிகுறியாகும். பச்சை கொடிகளில் வெளிப்படையான அளவீடு, தெளிவான வரம்புகள், சறுக்கலுக்கான கண்காணிப்புத் திட்டங்கள் மற்றும் நன்கு வரையறுக்கப்பட்ட மனித மதிப்பாய்வு அல்லது விரிவாக்கப் பாதைகள் ஆகியவை அடங்கும். "நாங்கள் அதைச் செய்ய மாட்டோம்" என்று சொல்லக்கூடிய ஒரு நிறுவனம் பெரும்பாலும் எல்லாவற்றையும் உறுதியளிக்கும் ஒன்றை விட நம்பகமானதாக இருக்கும்.

குறிப்புகள்

1. OECD - oecd.ai

2. OECD - oecd.org

3. தேசிய தரநிலைகள் மற்றும் தொழில்நுட்ப நிறுவனம் (NIST) - NIST AI RMF (AI 100-1) - nist.gov

4. NIST AI இடர் மேலாண்மை கட்டமைப்பு (AI RMF) விளையாட்டு புத்தகம் - அளவீடு - nist.gov

5. கூகிள் கிளவுட் - MLOps: இயந்திர கற்றலில் தொடர்ச்சியான விநியோகம் மற்றும் தானியங்கி குழாய்வழிகள் - google.com

6. கூகிள் - எம்.எல்.ஓ.பி.எஸ்-க்கான பயிற்சியாளர் வழிகாட்டி (வெள்ளை அறிக்கை) - google.com

7. கூகிள் கிளவுட் - MLOps என்றால் என்ன? - google.com

8. டேட்டாடாக் - எல்எல்எம் மதிப்பீட்டு கட்டமைப்பு சிறந்த நடைமுறைகள் - datadoghq.com

9. ஐபிஎம் - மாதிரி சறுக்கல் - ibm.com

10. OpenAI - மொழி மாதிரிகள் ஏன் மாயத்தோற்றத்தை ஏற்படுத்துகின்றன - openai.com

11. OpenAI - API விலை - openai.com

12. OpenAI உதவி மையம் - டோக்கன்கள் என்றால் என்ன, அவற்றை எப்படி எண்ணுவது - openai.com

13. மைக்ரோசாப்ட் - மைக்ரோசாப்ட் 365 கோபிலட் விலை நிர்ணயம் - microsoft.com

14. எம்ஐடி ஸ்லோன் மேலாண்மைப் பள்ளி - தரவு மையப்படுத்தப்பட்ட செயற்கை நுண்ணறிவுக்கான நேரம் ஏன் வந்துவிட்டது - mit.edu

15. NVIDIA - எட்ஜ் AI என்றால் என்ன? - nvidia.com

16. ஐபிஎம் - எட்ஜ் vs. கிளவுட் AI - ibm.com

17. உபர் - எம்எல் மாடல் பயன்பாட்டு பாதுகாப்பில் தரத்தை உயர்த்துதல் - uber.com

18. சர்வதேச தரப்படுத்தல் அமைப்பு (ISO) - ISO/IEC 42001 கண்ணோட்டம் - iso.org

19. arXiv - அறிவு-தீவிர NLP பணிகளுக்கான மீட்டெடுப்பு-வளர்ச்சியடைந்த தலைமுறை (லூயிஸ் மற்றும் பலர், 2020) - arxiv.org

20. ஆரக்கிள் - வெக்டர் தேடல் - oracle.com

21. செயற்கை நுண்ணறிவு சட்டம் (EU) - மனித மேற்பார்வை (பிரிவு 14) - artificialintelligenceact.eu

22. ஐரோப்பிய ஆணையம் - AI மீதான ஒழுங்குமுறை கட்டமைப்பு (AI சட்டத்தின் கண்ணோட்டம்) - europa.eu

23. யூடியூப் - யூடியூப்.காம்

24. AI உதவியாளர் கடை - AI மேம்பாடு எவ்வாறு செயல்படுகிறது - aiassistantstore.com

25. AI உதவியாளர் கடை - AI குறியீடு எப்படி இருக்கும் - aiassistantstore.com

26. AI உதவியாளர் கடை - AI வழிமுறை என்றால் என்ன - aiassistantstore.com

27. AI உதவி ஸ்டோர் - AI முன் செயலாக்கம் என்றால் என்ன - aiassistantstore.com

அதிகாரப்பூர்வ AI உதவியாளர் கடையில் சமீபத்திய AI ஐக் கண்டறியவும்

எங்களை பற்றி