AI ഓവർഹൈപ്പ് ചെയ്തതാണോ?

ചുരുക്കി പറഞ്ഞാൽ: കുറ്റമറ്റതോ, ഹാൻഡ്‌സ്-ഫ്രീയോ, ജോലി മാറ്റിസ്ഥാപിക്കുന്നതോ ആയി മാർക്കറ്റ് ചെയ്യുമ്പോൾ AI അമിതമായി വിറ്റഴിക്കപ്പെടുന്നു; ഡ്രാഫ്റ്റിംഗ്, കോഡിംഗ് പിന്തുണ, ട്രയേജ്, ഡാറ്റ പര്യവേക്ഷണം എന്നിവയ്‌ക്കുള്ള സൂപ്പർവൈസ് ചെയ്‌ത ഉപകരണമായി ഉപയോഗിക്കുമ്പോൾ അത് അമിതമായി വിറ്റഴിക്കപ്പെടുന്നില്ല. നിങ്ങൾക്ക് സത്യം ആവശ്യമുണ്ടെങ്കിൽ, നിങ്ങൾ അത് പരിശോധിച്ചുറപ്പിച്ച ഉറവിടങ്ങളിൽ അടിസ്ഥാനമാക്കി അവലോകനം ചേർക്കണം; ഓഹരികൾ ഉയരുമ്പോൾ, ഭരണം പ്രധാനമാണ്.

ഇതിനു ശേഷം നിങ്ങൾക്ക് വായിക്കാൻ ഇഷ്ടപ്പെട്ടേക്കാവുന്ന ലേഖനങ്ങൾ:

പ്രധാന കാര്യങ്ങൾ:

അമിത പ്രസ്താവന സൂചനകൾ : "പൂർണ്ണമായും സ്വയംഭരണാധികാരമുള്ളത്" എന്നും "പൂർണ്ണമായും കൃത്യതയുള്ളത് ഉടൻ" എന്നും അവകാശപ്പെടുന്നവയെ മുന്നറിയിപ്പ് അടയാളങ്ങളായി കണക്കാക്കുക.

വിശ്വാസ്യത : ആത്മവിശ്വാസത്തോടെയുള്ള തെറ്റായ ഉത്തരങ്ങൾ പ്രതീക്ഷിക്കുക; വീണ്ടെടുക്കൽ, സാധൂകരണം, മനുഷ്യ അവലോകനം എന്നിവ ആവശ്യമാണ്.

നല്ല ഉപയോഗ സാഹചര്യങ്ങൾ : വ്യക്തമായ വിജയ അളവുകോലുകളും കുറഞ്ഞ ലക്ഷ്യങ്ങളുമുള്ള ഇടുങ്ങിയതും ആവർത്തിക്കാവുന്നതുമായ ജോലികൾ തിരഞ്ഞെടുക്കുക.

ഉത്തരവാദിത്തം : ഔട്ട്‌പുട്ടുകൾ, അവലോകനങ്ങൾ, അത് തെറ്റാകുമ്പോൾ എന്ത് സംഭവിക്കും എന്നിവയ്‌ക്കായി ഒരു മനുഷ്യ ഉടമയെ നിയോഗിക്കുക.

ഭരണം : പണം, സുരക്ഷ അല്ലെങ്കിൽ അവകാശങ്ങൾ ഉൾപ്പെടുമ്പോൾ ചട്ടക്കൂടുകളും സംഭവം വെളിപ്പെടുത്തൽ രീതികളും ഉപയോഗിക്കുക.

🔗 ഏത് AI ആണ് നിങ്ങൾക്ക് അനുയോജ്യം?
ലക്ഷ്യങ്ങൾ, ബജറ്റ്, എളുപ്പം എന്നിവ പ്രകാരം സാധാരണ AI ഉപകരണങ്ങൾ താരതമ്യം ചെയ്യുക.

🔗 ഒരു AI കുമിള രൂപപ്പെടുന്നുണ്ടോ?
അമിത പ്രചാരണത്തിന്റെയും അപകടസാധ്യതകളുടെയും സൂചനകൾ, സുസ്ഥിര വളർച്ച എങ്ങനെയിരിക്കും.

🔗 യഥാർത്ഥ ലോക ഉപയോഗത്തിന് AI ഡിറ്റക്ടറുകൾ വിശ്വസനീയമാണോ?
കൃത്യത പരിധികൾ, തെറ്റായ പോസിറ്റീവുകൾ, ന്യായമായ വിലയിരുത്തലിനുള്ള നുറുങ്ങുകൾ.

🔗 നിങ്ങളുടെ ഫോണിൽ ദിവസവും AI എങ്ങനെ ഉപയോഗിക്കാം
സമയം ലാഭിക്കാൻ മൊബൈൽ ആപ്പുകൾ, വോയ്‌സ് അസിസ്റ്റന്റുകൾ, പ്രോംപ്റ്റുകൾ എന്നിവ ഉപയോഗിക്കുക.

---

"AI അമിതമായി പ്രചരിപ്പിച്ചിരിക്കുന്നു" എന്ന് പറയുമ്പോൾ ആളുകൾ സാധാരണയായി എന്താണ് ഉദ്ദേശിക്കുന്നത് 🤔

AI അമിതമായി പ്രചരിപ്പിച്ചിട്ടുണ്ടെന്ന് ആരെങ്കിലും പറയുമ്പോൾ , അവർ സാധാരണയായി ഇനിപ്പറയുന്ന പൊരുത്തക്കേടുകളിൽ ഒന്നിനോടാണ് (അല്ലെങ്കിൽ അതിലധികമോ) പ്രതികരിക്കുന്നത്:

• മാർക്കറ്റിംഗ് വാഗ്ദാനങ്ങൾ vs. ദൈനംദിന യാഥാർത്ഥ്യം
  ഡെമോ മാന്ത്രികമായി തോന്നുന്നു. റോൾഔട്ട് ഡക്റ്റ് ടേപ്പും പ്രാർത്ഥനയും പോലെ തോന്നുന്നു.

• കഴിവ് vs. വിശ്വാസ്യത
  ഇതിന് ഒരു കവിത എഴുതാനും, ഒരു കരാർ വിവർത്തനം ചെയ്യാനും, കോഡ് ഡീബഗ് ചെയ്യാനും കഴിയും... തുടർന്ന് ആത്മവിശ്വാസത്തോടെ ഒരു നയ ലിങ്ക് കണ്ടുപിടിക്കാനും കഴിയും. കൂൾ കൂൾ കൂൾ.

• പുരോഗതി vs. പ്രായോഗികത
  മോഡലുകൾ വേഗത്തിൽ മെച്ചപ്പെടുന്നു, പക്ഷേ അവയെ സങ്കീർണ്ണമായ ബിസിനസ്സ് പ്രക്രിയകളിലേക്ക് സംയോജിപ്പിക്കുന്നത് മന്ദഗതിയിലുള്ളതും, രാഷ്ട്രീയപരവും, കേസുകൾ നിറഞ്ഞതുമാണ്.

• "മനുഷ്യരെ മാറ്റിസ്ഥാപിക്കുക" എന്ന വിവരണങ്ങൾ
  മിക്ക യഥാർത്ഥ വിജയങ്ങളും "മുഴുവൻ ജോലിയും മാറ്റിസ്ഥാപിക്കുക" എന്നതിനേക്കാൾ "വിരസമായ ഭാഗങ്ങൾ നീക്കം ചെയ്യുക" എന്നാണ് കാണപ്പെടുന്നത്.

അതാണ് പ്രധാന പ്രശ്നം: AI ശരിക്കും ശക്തമാണ്, പക്ഷേ പലപ്പോഴും അത് ഇതിനകം പൂർത്തിയായതുപോലെയാണ് വിൽക്കപ്പെടുന്നത്. അത് പൂർത്തിയായിട്ടില്ല. അത്... പുരോഗതിയിലാണ്. മനോഹരമായ ജനാലകളും പ്ലംബിംഗും ഇല്ലാത്ത ഒരു വീട് പോലെ 🚽

 

---

എന്തുകൊണ്ടാണ് ഊതിപ്പെരുപ്പിച്ച AI അവകാശവാദങ്ങൾ ഇത്ര എളുപ്പത്തിൽ സംഭവിക്കുന്നത് (സംഭവിച്ചുകൊണ്ടേയിരിക്കുന്നു) 🎭

ഒരു കാന്തം പോലെ ഊതിപ്പെരുപ്പിച്ച അവകാശവാദങ്ങളെ AI ആകർഷിക്കുന്നതിനുള്ള ചില കാരണങ്ങൾ:

ഡെമോകൾ അടിസ്ഥാനപരമായി വഞ്ചനയാണ് (ഏറ്റവും നല്ല രീതിയിൽ)

ഡെമോകൾ ക്യൂറേറ്റ് ചെയ്‌തിരിക്കുന്നു. പ്രോംപ്റ്റുകൾ ട്യൂൺ ചെയ്‌തിരിക്കുന്നു. ഡാറ്റ വൃത്തിയുള്ളതാണ്. ഏറ്റവും നല്ല സാഹചര്യത്തിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കപ്പെടുന്നു, പരാജയ കേസുകൾ പിന്നണിയിൽ പടക്കം തിന്നുകയാണ്.

അതിജീവന പക്ഷപാതം ഉച്ചത്തിലാണ്

“AI നമുക്ക് ഒരു ദശലക്ഷം മണിക്കൂർ ലാഭിച്ചു” എന്ന കഥകൾ വൈറലാകുന്നു. “AI നമ്മളെ എല്ലാം രണ്ടുതവണ മാറ്റിയെഴുതാൻ പ്രേരിപ്പിച്ചു” എന്ന കഥകൾ “Q3 പരീക്ഷണങ്ങൾ” എന്ന് വിളിക്കുന്ന ഒരാളുടെ പ്രോജക്റ്റ് ഫോൾഡറിൽ നിശബ്ദമായി കുഴിച്ചിടുന്നു 🫠

ആളുകൾ ഒഴുക്കിനെയും സത്യത്തെയും ആശയക്കുഴപ്പത്തിലാക്കുന്നു

ആധുനിക AI-ക്ക് ആത്മവിശ്വാസം, സഹായകരം, നിർദ്ദിഷ്ടം എന്നിവ കേൾക്കാൻ കഴിയും - അത് നമ്മുടെ തലച്ചോറിനെ കബളിപ്പിച്ച് അത് കൃത്യമാണെന്ന് അനുമാനിക്കുന്നു.

ഈ പരാജയ രീതിയെ വിവരിക്കുന്നതിനുള്ള ഒരു മുഖ്യധാരാ മാർഗമാണ് കൺഫ്യൂലേഷൻ : ആത്മവിശ്വാസത്തോടെ പറഞ്ഞെങ്കിലും തെറ്റായ ഔട്ട്‌പുട്ട് (അഥവാ "ഭ്രമാത്മകതകൾ"). ജനറേറ്റീവ് AI സിസ്റ്റങ്ങൾക്കുള്ള ഒരു പ്രധാന അപകടസാധ്യതയായി NIST ഇതിനെ നേരിട്ട് വിളിക്കുന്നു. [1]

പണം മെഗാഫോണിനെ വർദ്ധിപ്പിക്കുന്നു

ബജറ്റുകൾ, മൂല്യനിർണ്ണയങ്ങൾ, കരിയർ പ്രോത്സാഹനങ്ങൾ എന്നിവ വരുമ്പോൾ, "ഇത് എല്ലാം മാറ്റുന്നു" എന്ന് പറയാൻ എല്ലാവർക്കും ഒരു കാരണമുണ്ട് (ഇത് മിക്കവാറും സ്ലൈഡ് ഡെക്കുകൾ മാറ്റിയാലും).

---

"പണപ്പെരുപ്പം → നിരാശ → സ്ഥിരമായ മൂല്യം" എന്ന രീതി (AI വ്യാജമാണെന്ന് ഇത് അർത്ഥമാക്കാത്തത് എന്തുകൊണ്ട്) 📈😬

പല സാങ്കേതികവിദ്യകളും ഒരേ വൈകാരിക ആർക്ക് പിന്തുടരുന്നു:

1. പരമാവധി പ്രതീക്ഷകൾ (ചൊവ്വാഴ്ചയോടെ എല്ലാം ഓട്ടോമേറ്റ് ചെയ്യപ്പെടും)

2. കഠിനമായ യാഥാർത്ഥ്യം (ബുധനാഴ്ച അത് തകരുന്നു)

3. സ്ഥിരമായ മൂല്യം (ജോലി എങ്ങനെ ചെയ്യപ്പെടുന്നു എന്നതിന്റെ ഭാഗമായി ഇത് നിശബ്ദമായി മാറുന്നു)

അതെ - അനന്തരഫലമാണെങ്കിലും AI അമിതമായി വിറ്റഴിക്കപ്പെടാം

---

AI അമിതമായി പ്രചരിക്കാത്തിടത്ത് (അത് ഡെലിവറി ചെയ്യുന്നു) ✅✨

സയൻസ് ഫിക്ഷൻ കുറവും സ്പ്രെഡ്ഷീറ്റ് കൂടുതലുമായതിനാൽ ഇത് നഷ്ടപ്പെടുന്ന ഭാഗമാണ്.

കോഡിംഗ് സഹായം ഒരു യഥാർത്ഥ ഉൽപ്പാദനക്ഷമത വർദ്ധിപ്പിക്കലാണ്

ചില ജോലികൾക്ക് - ബോയിലർപ്ലേറ്റ്, ടെസ്റ്റ് സ്കാർഫോൾഡിംഗ്, ആവർത്തിച്ചുള്ള പാറ്റേണുകൾ - കോഡ് കോപൈലറ്റുകൾ ശരിക്കും പ്രായോഗികമാകും.

വേഗത്തിൽ പൂർത്തിയാക്കിയതായി കണ്ടെത്തി ആ പ്രത്യേക പഠനത്തിൽ അവരുടെ എഴുത്ത് 55% വേഗതയേറിയതായി

മാന്ത്രികമല്ല, അർത്ഥവത്തായതാണ്. പ്രധാന കാര്യം, നിങ്ങൾ ഇപ്പോഴും അത് എഴുതുന്നത് അവലോകനം ചെയ്യേണ്ടതുണ്ട് എന്നതാണ്... കാരണം "സഹായകരം" എന്നത് "ശരി" എന്നതിന് തുല്യമല്ല

ഡ്രാഫ്റ്റിംഗ്, സംഗ്രഹിക്കൽ, ഫസ്റ്റ്-പാസ് ചിന്ത

ഇനിപ്പറയുന്ന കാര്യങ്ങളിൽ AI മികച്ചതാണ്:

• റഫ് നോട്ടുകളെ ക്ലീൻ ഡ്രാഫ്റ്റാക്കി മാറ്റുന്നു ✍️

• നീണ്ട പ്രമാണങ്ങൾ സംഗ്രഹിക്കുന്നു

• ഓപ്ഷനുകൾ സൃഷ്ടിക്കൽ (തലക്കെട്ടുകൾ, രൂപരേഖകൾ, ഇമെയിൽ വകഭേദങ്ങൾ)

• വിവർത്തനം ചെയ്യുന്ന രീതി (“ഇത് കുറച്ച് എരിവുള്ളതാക്കുക” 🌶️)

അടിസ്ഥാനപരമായി ഇത് ഒരു തളരാത്ത ജൂനിയർ അസിസ്റ്റന്റ് ആണ്, ചിലപ്പോൾ അവൻ കള്ളം പറയും, അതിനാൽ നിങ്ങൾ മേൽനോട്ടം വഹിക്കണം. (പരുഷമായി. കൃത്യവും.)

ഉപഭോക്തൃ പിന്തുണാ വിഭാഗവും ആന്തരിക സഹായ ഡെസ്കുകളും

AI ഏറ്റവും നന്നായി പ്രവർത്തിക്കാൻ സാധ്യതയുള്ളിടത്ത്: തരംതിരിക്കുക → വീണ്ടെടുക്കുക → നിർദ്ദേശിക്കുക , കണ്ടുപിടിക്കുകയല്ല → പ്രത്യാശിക്കുക → വിന്യസിക്കുക .

നിങ്ങൾക്ക് ഹ്രസ്വവും സുരക്ഷിതവുമായ പതിപ്പ് വേണമെങ്കിൽ: അംഗീകൃത ഉറവിടങ്ങളിൽ നിന്ന് പ്രതികരണങ്ങൾ തയ്യാറാക്കുക, എന്നാൽ എന്ത് അയയ്ക്കുന്നു എന്നതിന് മനുഷ്യരെ ഉത്തരവാദിത്തപ്പെടുത്തുക - പ്രത്യേകിച്ച് അപകടസാധ്യതകൾ ഉയരുമ്പോൾ. "ഗവേൺ + ടെസ്റ്റ് + സംഭവങ്ങൾ വെളിപ്പെടുത്തുക" എന്ന നിലപാട് NIST ജനറേറ്റീവ് AI റിസ്ക് മാനേജ്മെന്റിനെ എങ്ങനെ രൂപപ്പെടുത്തുന്നു എന്നതിനൊപ്പം ഭംഗിയായി യോജിക്കുന്നു. [1]

ഡാറ്റ പര്യവേക്ഷണം - ഗാർഡ്‌റെയിലുകൾ ഉപയോഗിച്ച്

ഡാറ്റാസെറ്റുകൾ അന്വേഷിക്കാനും, ചാർട്ടുകൾ വിശദീകരിക്കാനും, "അടുത്തതായി എന്ത് നോക്കണം" എന്ന ആശയങ്ങൾ സൃഷ്ടിക്കാനും AI ആളുകളെ സഹായിക്കും. ഈ വിജയം വിശകലനത്തെ കൂടുതൽ ആക്‌സസ് ചെയ്യാവുന്നതാക്കുന്നു, വിശകലന വിദഗ്ധരെ മാറ്റിസ്ഥാപിക്കുന്നില്ല.

---

എവിടെയാണ് AI അമിതമായി പ്രചരിപ്പിക്കപ്പെടുന്നത് (എന്തുകൊണ്ട് അത് നിരാശാജനകമായി തുടരുന്നു) ❌🤷

"എല്ലാം നിയന്ത്രിക്കുന്ന പൂർണ്ണമായും സ്വയംഭരണാധികാരമുള്ള ഏജന്റുകൾ"

ഏജന്റുമാർക്ക് മികച്ച വർക്ക്ഫ്ലോകൾ ചെയ്യാൻ കഴിയും. എന്നാൽ ഒരിക്കൽ ചേർത്താൽ:

• ഒന്നിലധികം ഘട്ടങ്ങൾ

• കുഴപ്പമുള്ള ഉപകരണങ്ങൾ

• അനുമതികൾ

• യഥാർത്ഥ ഉപയോക്താക്കൾ

• യഥാർത്ഥ പരിണതഫലങ്ങൾ

...പരാജയ രീതികൾ മുയലുകളെപ്പോലെ പെരുകുന്നു. ആദ്യം ക്യൂട്ട്, പിന്നെ നിങ്ങൾ തളർന്നുപോകും 🐇

ഒരു പ്രായോഗിക നിയമം: എന്തെങ്കിലും കൂടുതൽ “ഹാൻഡ്‌സ്-ഫ്രീ” ആണെന്ന് അവകാശപ്പെടുമ്പോൾ, അത് പൊട്ടുമ്പോൾ എന്ത് സംഭവിക്കുമെന്ന് നിങ്ങൾ കൂടുതൽ ചോദിക്കണം.

"അത് ഉടൻ തന്നെ പൂർണ്ണമായും കൃത്യമാകും"

കൃത്യത മെച്ചപ്പെടുന്നു, തീർച്ചയായും, പക്ഷേ വിശ്വാസ്യത സ്ലിപ്പറിയാണ് - പ്രത്യേകിച്ചും ഒരു മോഡൽ പരിശോധിക്കാവുന്ന ഉറവിടങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ളതല്ലാത്തപ്പോൾ

അതുകൊണ്ടാണ് ഗൗരവമേറിയ AI ജോലികൾ വീണ്ടെടുക്കൽ + സാധൂകരണം + നിരീക്ഷണം + മനുഷ്യ അവലോകനം . (NIST യുടെ GenAI പ്രൊഫൈൽ ഇത് മാന്യവും സ്ഥിരവുമായ സ്ഥിരോത്സാഹത്തോടെയാണ് അറിയിക്കുന്നത്.) [1]

"എല്ലാവരെയും ഭരിക്കാൻ ഒരു മാതൃക"

പ്രായോഗികമായി, ടീമുകൾ പലപ്പോഴും മിശ്രണം ചെയ്യുന്നു:

• വിലകുറഞ്ഞ/ഉയർന്ന വോളിയം ജോലികൾക്കുള്ള ചെറിയ മോഡലുകൾ

• കൂടുതൽ സങ്കീർണ്ണമായ യുക്തിക്ക് വലിയ മോഡലുകൾ

• അടിസ്ഥാനപരമായ ഉത്തരങ്ങൾക്കുള്ള വീണ്ടെടുക്കൽ

• പാലിക്കൽ അതിർത്തികൾക്കുള്ള നിയമങ്ങൾ

എന്നിരുന്നാലും, "ഒറ്റ മാന്ത്രിക മസ്തിഷ്കം" എന്ന ആശയം നന്നായി വിൽക്കപ്പെടുന്നു. അത് വൃത്തിയുള്ളതാണ്. മനുഷ്യർക്ക് വൃത്തി ഇഷ്ടമാണ്.

"ഒറ്റരാത്രികൊണ്ട് മുഴുവൻ ജോലി സ്ഥലങ്ങളും മാറ്റിസ്ഥാപിക്കുക"

മിക്ക റോളുകളും ജോലികളുടെ ഒരു കൂട്ടമാണ്. AI ആ ജോലികളുടെ ഒരു ഭാഗം തകർക്കുകയും ബാക്കിയുള്ളവയെ കഷ്ടിച്ച് സ്പർശിക്കുകയും ചെയ്തേക്കാം. മനുഷ്യന്റെ ഭാഗങ്ങൾ - വിധി, ഉത്തരവാദിത്തം, ബന്ധങ്ങൾ, സന്ദർഭം - ശാഠ്യത്തോടെ... മനുഷ്യത്വപരമായി തുടരുന്നു.

ഞങ്ങൾക്ക് റോബോട്ട് സഹപ്രവർത്തകരെ വേണം. പകരം സ്റ്റിറോയിഡുകളിൽ ഓട്ടോകംപ്ലീറ്റ് ലഭിച്ചു.

---

ഒരു നല്ല AI യൂസ്-കേസ് (മോശമായതും) ഉണ്ടാക്കുന്നത് എന്താണ് 🧪🛠️

ആളുകൾ ഒഴിവാക്കുകയും പിന്നീട് ഖേദിക്കുകയും ചെയ്യുന്ന വിഭാഗമാണിത്.

ഒരു നല്ല AI ഉപയോഗ കേസിൽ സാധാരണയായി ഇവയുണ്ട്:

• വിജയ മാനദണ്ഡങ്ങൾ വ്യക്തമാക്കുക (സമയം ലാഭിച്ചു, പിശക് കുറഞ്ഞു, പ്രതികരണ വേഗത മെച്ചപ്പെട്ടു)

• താഴ്ന്നത് മുതൽ ഇടത്തരം വരെയുള്ള ഓഹരികൾ (അല്ലെങ്കിൽ ശക്തമായ മനുഷ്യ അവലോകനം)

• ആവർത്തിക്കാവുന്ന പാറ്റേണുകൾ (പതിവ് ചോദ്യങ്ങൾക്കുള്ള ഉത്തരങ്ങൾ, സാധാരണ വർക്ക്ഫ്ലോകൾ, സ്റ്റാൻഡേർഡ് ഡോക്സ്)

• നല്ല ഡാറ്റയിലേക്കുള്ള ആക്‌സസ് (അത് ഉപയോഗിക്കാനുള്ള അനുമതിയും)

• മോഡൽ അസംബന്ധങ്ങൾ പുറത്തുവിടുമ്പോൾ ഒരു ഫാൾബാക്ക് പ്ലാൻ

• ആദ്യം ഒരു ഇടുങ്ങിയ സ്കോപ്പ്

ഒരു മോശം AI ഉപയോഗ കേസ് സാധാരണയായി ഇതുപോലെ കാണപ്പെടുന്നു:

• ഉത്തരവാദിത്തമില്ലാതെ "തീരുമാനങ്ങൾ എടുക്കുന്നത് നമുക്ക് ഓട്ടോമേറ്റ് ചെയ്യാം" 😬

• "നമ്മൾ അത് എല്ലാത്തിലും ഉൾപ്പെടുത്തും" (വേണ്ട... ദയവായി വേണ്ട)

• അടിസ്ഥാന മെട്രിക്കുകൾ ഇല്ല, അതിനാൽ അത് സഹായിച്ചോ എന്ന് ആർക്കും അറിയില്ല

• ഒരു പാറ്റേൺ മെഷീനിന് പകരം ഒരു സത്യ യന്ത്രമായിരിക്കുമെന്ന് പ്രതീക്ഷിക്കുന്നു

ഒരു കാര്യം മാത്രം നിങ്ങൾ ഓർക്കുന്നുവെങ്കിൽ: നിങ്ങളുടെ സ്വന്തം സ്ഥിരീകരിച്ച ഉറവിടങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ളതും വ്യക്തമായി നിർവചിക്കപ്പെട്ട ഒരു ജോലിയിൽ മാത്രം ഒതുങ്ങുന്നതുമാകുമ്പോൾ AI വിശ്വസിക്കാൻ ഏറ്റവും എളുപ്പമാണ് . അല്ലെങ്കിൽ അത് വൈബ്‌സ് അടിസ്ഥാനമാക്കിയുള്ള കമ്പ്യൂട്ടിംഗാണ്.

---

നിങ്ങളുടെ സ്ഥാപനത്തിലെ AI യാഥാർത്ഥ്യമായി പരിശോധിക്കുന്നതിനുള്ള ഒരു ലളിതമായ (എന്നാൽ വളരെ ഫലപ്രദമായ) മാർഗം 🧾✅

നിങ്ങൾക്ക് ഒരു അടിസ്ഥാനപരമായ ഉത്തരം വേണമെങ്കിൽ (ചീത്ത ഒരു ടേക്ക് അല്ല), ഈ ദ്രുത പരിശോധന നടത്തുക:

1) നിങ്ങൾ AI-യെ നിയമിക്കുന്ന ജോലി നിർവചിക്കുക

ഒരു ജോലി വിവരണം പോലെ എഴുതുക:

• ഇൻപുട്ടുകൾ

• ഔട്ട്പുട്ടുകൾ

• നിയന്ത്രണങ്ങൾ

• "ചെയ്തു എന്നർത്ഥം..."

വ്യക്തമായി വിവരിക്കാൻ കഴിയുന്നില്ലെങ്കിൽ, AI അത് മാന്ത്രികമായി വ്യക്തമാക്കില്ല.

2) അടിസ്ഥാനം സ്ഥാപിക്കുക

എത്ര സമയമെടുക്കും? എത്ര പിശകുകൾ ഉണ്ട്? "നല്ലത്" ഇപ്പോൾ എങ്ങനെയിരിക്കും?

അടിസ്ഥാനരേഖയില്ല = പിന്നീട് അനന്തമായ അഭിപ്രായ യുദ്ധങ്ങൾ. ഗൗരവമായി പറഞ്ഞാൽ, ആളുകൾ എന്നെന്നേക്കുമായി വാദിക്കും, നിങ്ങൾ വേഗത്തിൽ പ്രായമാകും.

3) സത്യം എവിടെ നിന്നാണ് വരുന്നതെന്ന് തീരുമാനിക്കുക

• ആന്തരിക വിജ്ഞാന അടിത്തറ?

• ഉപഭോക്തൃ രേഖകൾ?

• അംഗീകരിച്ച നയങ്ങൾ?

• ക്യുറേറ്റ് ചെയ്ത ഒരു കൂട്ടം രേഖകൾ?

"മോഡലിന് മനസ്സിലാകും" എന്നാണ് ഉത്തരമെങ്കിൽ അത് ഒരു മുന്നറിയിപ്പാണ് 🚩

4) ഹ്യൂമൻ-ഇൻ-ദി-ലൂപ്പ് പ്ലാൻ സജ്ജമാക്കുക

തീരുമാനിക്കുക:

• ആരാണ് അവലോകനം ചെയ്യുന്നത്,

• അവർ അവലോകനം ചെയ്യുമ്പോൾ,

• AI തെറ്റാകുമ്പോൾ എന്ത് സംഭവിക്കും.

ഇതാണ് "ഉപകരണം", "ബാധ്യത" എന്നിവ തമ്മിലുള്ള വ്യത്യാസം. എല്ലായ്‌പ്പോഴും അല്ല, പലപ്പോഴും.

5) സ്ഫോടന ദൂരം മാപ്പ് ചെയ്യുക

തെറ്റുകൾ വിലകുറഞ്ഞതായി തോന്നുന്നിടത്ത് നിന്ന് ആരംഭിക്കുക. തെളിവുകൾ ലഭിച്ചതിനുശേഷം മാത്രം വികസിപ്പിക്കുക.

ഇങ്ങനെയാണ് നിങ്ങൾ ഊതിപ്പെരുപ്പിച്ച അവകാശവാദങ്ങളെ ഉപയോഗക്ഷമതയാക്കി മാറ്റുന്നത്. ലളിതം... ഫലപ്രദം... ഒരുതരം മനോഹരം 😌

---

വിശ്വാസം, അപകടസാധ്യത, നിയന്ത്രണം - പ്രാധാന്യമുള്ള ലൈംഗികതയില്ലാത്ത ഭാഗം 🧯⚖️

പ്രധാനപ്പെട്ട എന്തെങ്കിലും കാര്യങ്ങളിൽ (ആളുകൾ, പണം, സുരക്ഷ, നിയമപരമായ ഫലങ്ങൾ) AI ഇടപെടുകയാണെങ്കിൽ, ഭരണം ഓപ്ഷണലല്ല.

വ്യാപകമായി പരാമർശിക്കപ്പെടുന്ന ചില ഗാർഡ്‌റെയിലുകൾ:

• NIST ജനറേറ്റീവ് AI പ്രൊഫൈൽ (AI RMF-ന്റെ കൂട്ടാളി) : പ്രായോഗിക അപകടസാധ്യത വിഭാഗങ്ങൾ + ഭരണം, പരിശോധന, ഉറവിടം, സംഭവ വെളിപ്പെടുത്തൽ എന്നിവയിലുടനീളം നിർദ്ദേശിക്കപ്പെട്ട നടപടികൾ. [1]

• OECD AI തത്വങ്ങൾ : വിശ്വസനീയവും മനുഷ്യ കേന്ദ്രീകൃതവുമായ AI-ക്ക് വ്യാപകമായി ഉപയോഗിക്കുന്ന അന്താരാഷ്ട്ര അടിസ്ഥാനരേഖ. [5]

• EU AI ആക്റ്റ് : AI എങ്ങനെ ഉപയോഗിക്കുന്നു എന്നതിനെ ആശ്രയിച്ച് ബാധ്യതകൾ നിശ്ചയിക്കുന്ന ഒരു അപകടസാധ്യത അടിസ്ഥാനമാക്കിയുള്ള നിയമ ചട്ടക്കൂട് (ചില "അസ്വീകാര്യമായ അപകടസാധ്യത" രീതികൾ നിരോധിക്കുകയും ചെയ്യുന്നു). [4]

അതെ, ഇതെല്ലാം കടലാസ് ജോലികൾ പോലെ തോന്നാം. പക്ഷേ, "പ്രായോഗിക ഉപകരണം" എന്നതും "അയ്യോ, ഞങ്ങൾ ഒരു അനുസരണ പേടിസ്വപ്നം വിന്യസിച്ചു" എന്നതും തമ്മിലുള്ള വ്യത്യാസമാണിത്

---

സൂക്ഷ്മമായി ഒന്ന് നോക്കൂ: “AI as autocomplete” എന്ന ആശയം - വിലയിരുത്തൽ കുറവാണെങ്കിലും, അത് സത്യമാണ് 🧩🧠

അല്പം അപൂർണ്ണമായ ഒരു രൂപകം ഇതാ (അത് ഉചിതമാണ്): പല AI-കളും ഇന്റർനെറ്റ് വായിച്ച ശേഷം എവിടെയാണ് വായിച്ചതെന്ന് മറന്നുപോകുന്ന വളരെ ഫാൻസി ഓട്ടോകംപ്ലീറ്റ് പോലെയാണ്.

അത് കേൾക്കുമ്പോൾ അരോചകമായി തോന്നുമെങ്കിലും, അത് പ്രവർത്തിക്കുന്നതിന്റെ കാരണവും അതുതന്നെയാണ്:

• പാറ്റേണുകളിൽ മിടുക്കൻ

• ഭാഷയിൽ മിടുക്കൻ

• "അടുത്ത സാധ്യതയുള്ള കാര്യം" നിർമ്മിക്കുന്നതിൽ മിടുക്കൻ

അതുകൊണ്ടാണ് അത് പരാജയപ്പെടുന്നത്:

• എന്താണ് സത്യമെന്ന് അതിന് സ്വാഭാവികമായും "അറിയില്ല"

• നിങ്ങളുടെ സ്ഥാപനം എന്താണ് ചെയ്യുന്നതെന്ന് അതിന് സ്വാഭാവികമായും അറിയില്ല

• അടിസ്ഥാനരഹിതമായി ആത്മവിശ്വാസത്തോടെയുള്ള അസംബന്ധങ്ങൾ പുറത്തുവിടാൻ ഇതിന് കഴിയും (കാണുക: കൺഫ്യൂലേഷൻ / ഹാലുസിനേഷനുകൾ) [1]

അതിനാൽ നിങ്ങളുടെ യൂസ്-കേസിന് സത്യം ആവശ്യമുണ്ടെങ്കിൽ, നിങ്ങൾ അത് വീണ്ടെടുക്കൽ, ഉപകരണങ്ങൾ, സാധൂകരണം, നിരീക്ഷണം, മനുഷ്യ അവലോകനം എന്നിവയിലൂടെ ഉറപ്പിക്കുന്നു. നിങ്ങളുടെ യൂസ്-കേസിന് ഡ്രാഫ്റ്റിംഗിലും ആശയനിർമ്മാണത്തിലും വേഗത ആവശ്യമുണ്ടെങ്കിൽ, നിങ്ങൾ അത് കുറച്ചുകൂടി സ്വതന്ത്രമായി പ്രവർത്തിപ്പിക്കാൻ അനുവദിക്കുന്നു. വ്യത്യസ്ത ക്രമീകരണങ്ങൾ, വ്യത്യസ്ത പ്രതീക്ഷകൾ. ഉപ്പ് ഉപയോഗിച്ച് പാചകം ചെയ്യുന്നതുപോലെ - എല്ലാത്തിനും ഒരേ അളവ് ആവശ്യമില്ല.

---

താരതമ്യ പട്ടിക: ഊതിപ്പെരുപ്പിച്ച അവകാശവാദങ്ങളിൽ മുങ്ങാതെ AI ഉപയോഗിക്കാനുള്ള പ്രായോഗിക വഴികൾ 🧠📋

ഉപകരണം / ഓപ്ഷൻ	പ്രേക്ഷകർ	വില നിലവാരം	എന്തുകൊണ്ട് ഇത് പ്രവർത്തിക്കുന്നു
ചാറ്റ്-സ്റ്റൈൽ അസിസ്റ്റന്റ് (ജനറൽ)	വ്യക്തികൾ, ടീമുകൾ	സാധാരണയായി സൗജന്യ ടയർ + പണമടച്ചുള്ളത്	ഡ്രാഫ്റ്റുകൾ തയ്യാറാക്കുന്നതിനും, ബ്രെയിൻസ്റ്റോമിംഗിനും, സംഗ്രഹിക്കുന്നതിനും മികച്ചത്... പക്ഷേ വസ്തുതകൾ പരിശോധിക്കുക (എല്ലായ്പ്പോഴും)
കോഡ് കോപൈലറ്റ്	ഡെവലപ്പർമാർ	സാധാരണയായി സബ്‌സ്‌ക്രിപ്‌ഷൻ	സാധാരണ കോഡിംഗ് ജോലികൾ വേഗത്തിലാക്കുന്നു, ഇപ്പോഴും അവലോകനം + പരിശോധനകൾ ആവശ്യമാണ്, കൂടാതെ കോഫിയും ആവശ്യമാണ്
വീണ്ടെടുക്കൽ അടിസ്ഥാനമാക്കിയുള്ള "ഉറവിടങ്ങളുള്ള ഉത്തരം"	ഗവേഷകർ, വിശകലന വിദഗ്ധർ	ഫ്രീമിയം പോലുള്ളവ	വെറും ഊഹത്തേക്കാൾ "കണ്ടെത്തൽ + അടിസ്ഥാന" വർക്ക്ഫ്ലോകൾക്ക് നല്ലത്
വർക്ക്ഫ്ലോ ഓട്ടോമേഷൻ + AI	ഓപ്‌സ്, പിന്തുണ	ടയർ ചെയ്തു	ആവർത്തിച്ചുള്ള ഘട്ടങ്ങളെ സെമി-ഓട്ടോമാറ്റിക് ഫ്ലോകളാക്കി മാറ്റുന്നു (സെമി ഈസ് കീ)
ഇൻ-ഹൗസ് മോഡൽ / സ്വയം-ഹോസ്റ്റിംഗ്	ML ശേഷിയുള്ള ഓർഗനൈസേഷനുകൾ	ഇൻഫ്രാ + ആളുകൾ	കൂടുതൽ നിയന്ത്രണം + സ്വകാര്യത, പക്ഷേ അറ്റകുറ്റപ്പണികൾക്കും തലവേദനകൾക്കും നിങ്ങൾ പണം നൽകുന്നു
ഭരണ ചട്ടക്കൂടുകൾ	നേതാക്കൾ, അപകടസാധ്യത, അനുസരണം	സൌജന്യ ഉറവിടങ്ങൾ	ഗ്ലാമറസ് അല്ല, പക്ഷേ അത്യാവശ്യം, റിസ്ക് + വിശ്വാസം കൈകാര്യം ചെയ്യാൻ നിങ്ങളെ സഹായിക്കുന്നു
ബെഞ്ച്മാർക്കിംഗ് / റിയാലിറ്റി-ചെക്ക് ഉറവിടങ്ങൾ	എക്സിക്യൂട്ടീവുകൾ, നയം, തന്ത്രം	സൌജന്യ ഉറവിടങ്ങൾ	ഡാറ്റ വൈബുകളെ മറികടക്കുന്നു, ലിങ്ക്ഡ്ഇൻ പ്രസംഗങ്ങൾ കുറയ്ക്കുന്നു
"എല്ലാം ചെയ്യുന്ന ഏജന്റ്"	സ്വപ്നജീവികൾ 😅	ചെലവുകൾ + കുഴപ്പങ്ങൾ	ചിലപ്പോൾ ശ്രദ്ധേയവും, പലപ്പോഴും ദുർബലവുമാണ് - ലഘുഭക്ഷണവും ക്ഷമയും ഉപയോഗിച്ച് മുന്നോട്ട് പോകുക

AI പുരോഗതിക്കും ഇംപാക്ട് ഡാറ്റയ്ക്കുമായി നിങ്ങൾക്ക് ഒരു "റിയാലിറ്റി ചെക്ക്" ഹബ് വേണമെങ്കിൽ, സ്റ്റാൻഫോർഡ് AI സൂചിക ആരംഭിക്കുന്നതിനുള്ള ഒരു മികച്ച സ്ഥലമാണ്. [2]

---

ക്ലോസിംഗ് ടേക്ക് + ചെറിയ റീക്യാപ്പ് 🧠✨

അപ്പോൾ, ആരെങ്കിലും വിൽക്കുമ്പോൾ AI അമിതമായി പ്രചരിക്കപ്പെടുന്നു

• കുറ്റമറ്റ കൃത്യത,

• പൂർണ്ണ സ്വയംഭരണം,

• മുഴുവൻ വേഷങ്ങളുടെയും തൽക്ഷണ മാറ്റിസ്ഥാപിക്കൽ,

• അല്ലെങ്കിൽ നിങ്ങളുടെ ഓർഗനൈസേഷൻ പരിഹരിക്കുന്ന ഒരു പ്ലഗ്-ആൻഡ്-പ്ലേ ബ്രെയിൻ..

...അപ്പോൾ അതെ, അത് തിളങ്ങുന്ന ഫിനിഷുള്ള വിൽപ്പനയാണ്.

എന്നാൽ നിങ്ങൾ AI-യെ ഇങ്ങനെയാണ് പരിഗണിക്കുന്നതെങ്കിൽ:

• ശക്തനായ ഒരു സഹായി,

• ഇടുങ്ങിയതും വ്യക്തമായി നിർവചിക്കപ്പെട്ടതുമായ ജോലികളിൽ ഏറ്റവും നന്നായി ഉപയോഗിക്കുന്നു,

• വിശ്വസനീയമായ ഉറവിടങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ള,

• പ്രധാനപ്പെട്ട കാര്യങ്ങൾ മനുഷ്യർ അവലോകനം ചെയ്യുന്നതിനൊപ്പം..

...പിന്നെ ഇല്ല, അത് അമിതമായി പ്രചരിപ്പിച്ചിട്ടില്ല. അത് ... അസമമാണ്. ഒരു ജിം അംഗത്വം പോലെ. ശരിയായി ഉപയോഗിച്ചാൽ അതിശയകരമാണ്, പാർട്ടികളിൽ മാത്രം ഇതിനെക്കുറിച്ച് സംസാരിച്ചാൽ ഉപയോഗശൂന്യമാണ് 😄🏋️

ഒരു ദ്രുത സംഗ്രഹം: വിധിന്യായത്തിന് ഒരു മാന്ത്രിക പകരക്കാരനായി AI അമിതമായി പ്രചരിപ്പിക്കപ്പെടുന്നു - കൂടാതെ ഡ്രാഫ്റ്റിംഗ്, കോഡിംഗ് സഹായം, ട്രയേജ്, വിജ്ഞാന വർക്ക്ഫ്ലോകൾ എന്നിവയ്ക്കുള്ള ഒരു പ്രായോഗിക ഗുണിതമെന്ന നിലയിൽ അതിനെ കുറച്ചുകാണുന്നു.

---

പതിവുചോദ്യങ്ങൾ

AI ഇപ്പോൾ അമിതമായി പ്രചരിപ്പിക്കപ്പെടുന്നുണ്ടോ?

പെർഫെക്റ്റ്, ഹാൻഡ്‌സ്-ഫ്രീ, അല്ലെങ്കിൽ ഒറ്റരാത്രികൊണ്ട് മുഴുവൻ ജോലികളും മാറ്റിസ്ഥാപിക്കാൻ തയ്യാറാണെന്ന് വിൽക്കുമ്പോൾ AI അമിതമായി ഹൈപ്പ് ചെയ്യപ്പെടുന്നു. യഥാർത്ഥ വിന്യാസങ്ങളിൽ, വിശ്വാസ്യത വിടവുകൾ വേഗത്തിൽ പ്രത്യക്ഷപ്പെടുന്നു: ആത്മവിശ്വാസത്തോടെയുള്ള തെറ്റായ ഉത്തരങ്ങൾ, എഡ്ജ് കേസുകൾ, സങ്കീർണ്ണമായ സംയോജനങ്ങൾ. ഡ്രാഫ്റ്റിംഗ്, കോഡിംഗ് പിന്തുണ, ട്രയേജ്, പര്യവേക്ഷണം തുടങ്ങിയ ഇടുങ്ങിയ ജോലികൾക്കുള്ള സൂപ്പർവൈസുചെയ്‌ത ഉപകരണമായി AI ഉപയോഗിക്കുമ്പോൾ അത് അമിതമായി ഹൈപ്പ് ചെയ്യപ്പെടുന്നില്ല. വ്യത്യാസം പ്രതീക്ഷകൾ, ഗ്രൗണ്ടിംഗ്, അവലോകനം എന്നിവയിലാണ്.

AI മാർക്കറ്റിംഗ് ക്ലെയിമുകളിലെ ഏറ്റവും വലിയ വെല്ലുവിളികൾ എന്തൊക്കെയാണ്?

"പൂർണ്ണമായും സ്വയംഭരണാധികാരം", "ഉടൻ തന്നെ പൂർണ്ണമായും കൃത്യതയുള്ളത്" എന്നിവയാണ് ഏറ്റവും ഉച്ചത്തിലുള്ള മുന്നറിയിപ്പ് അടയാളങ്ങളിൽ രണ്ട്. ഡെമോകൾ പലപ്പോഴും ട്യൂൺ ചെയ്ത പ്രോംപ്റ്റുകളും വൃത്തിയുള്ള ഡാറ്റയും ഉപയോഗിച്ച് ക്യൂറേറ്റ് ചെയ്യപ്പെടുന്നു, അതിനാൽ അവ സാധാരണ പരാജയ മോഡുകൾ മറയ്ക്കുന്നു. ഒഴുക്ക് സത്യമായി തെറ്റിദ്ധരിക്കപ്പെടാം, ഇത് ആത്മവിശ്വാസമുള്ള പിശകുകളെ വിശ്വസനീയമായി തോന്നിപ്പിക്കുന്നു. സിസ്റ്റം തകരാറിലാകുമ്പോൾ സംഭവിക്കുന്നത് ഒരു ക്ലെയിം ഒഴിവാക്കുകയാണെങ്കിൽ, അപകടസാധ്യത ഒഴിവാക്കപ്പെടുകയാണെന്ന് കരുതുക.

തെറ്റാണെങ്കിൽ പോലും AI സിസ്റ്റങ്ങൾ ആത്മവിശ്വാസത്തോടെ പ്രവർത്തിക്കുന്നത് എന്തുകൊണ്ട്?

ജനറേറ്റീവ് മോഡലുകൾ വിശ്വസനീയവും സുഗമവുമായ വാചകം നിർമ്മിക്കുന്നതിൽ മികച്ചതാണ് - അതിനാൽ അടിസ്ഥാനമില്ലാത്തപ്പോൾ അവർക്ക് ആത്മവിശ്വാസത്തോടെ വിശദാംശങ്ങൾ കണ്ടുപിടിക്കാൻ കഴിയും. ഇതിനെ പലപ്പോഴും കൺഫ്യൂലേഷൻ അല്ലെങ്കിൽ ഹാലുസിനേഷനുകൾ എന്ന് വിശേഷിപ്പിക്കാറുണ്ട്: നിർദ്ദിഷ്ടമായി തോന്നുന്ന ഔട്ട്‌പുട്ട് എന്നാൽ വിശ്വസനീയമായി ശരിയല്ല. അതുകൊണ്ടാണ് ഉയർന്ന വിശ്വാസ്യതയുള്ള ഉപയോഗ കേസുകൾ സാധാരണയായി വീണ്ടെടുക്കൽ, സാധൂകരണം, നിരീക്ഷണം, മനുഷ്യ അവലോകനം എന്നിവ ചേർക്കുന്നത്. വൈബുകൾ അടിസ്ഥാനമാക്കിയുള്ള ഉറപ്പല്ല, സുരക്ഷാ മുൻകരുതലുകൾ ഉള്ള പ്രായോഗിക മൂല്യമാണ് ലക്ഷ്യം.

ഭ്രമാത്മകതകളാൽ പൊള്ളലേൽക്കാതെ എനിക്ക് എങ്ങനെ AI ഉപയോഗിക്കാം?

AI-യെ ഒരു സത്യ യന്ത്രമായിട്ടല്ല, ഒരു ഡ്രാഫ്റ്റിംഗ് എഞ്ചിനായിട്ടേ പരിഗണിക്കൂ. "മോഡൽ അറിയും" എന്ന് കരുതുന്നതിനുപകരം, അംഗീകൃത നയങ്ങൾ, ആന്തരിക രേഖകൾ അല്ലെങ്കിൽ ക്യൂറേറ്റഡ് റഫറൻസുകൾ പോലുള്ള പരിശോധിച്ചുറപ്പിച്ച ഉറവിടങ്ങളിലെ അടിസ്ഥാന ഉത്തരങ്ങൾ. പിശകുകൾ പ്രാധാന്യമുള്ളിടത്ത് മൂല്യനിർണ്ണയ ഘട്ടങ്ങൾ (ലിങ്കുകൾ, ഉദ്ധരണികൾ, ക്രോസ്-ചെക്കുകൾ) ചേർക്കുക, മനുഷ്യ അവലോകനം ആവശ്യമാണ്. ചെറുതായി ആരംഭിക്കുക, ഫലങ്ങൾ അളക്കുക, സ്ഥിരതയുള്ള പ്രകടനം കണ്ടതിനുശേഷം മാത്രം വികസിപ്പിക്കുക.

AI അമിതമായി പ്രചരിക്കപ്പെടാത്ത, യഥാർത്ഥ ലോക ഉപയോഗത്തിനുള്ള നല്ല സാഹചര്യങ്ങൾ ഏതൊക്കെയാണ്?

വ്യക്തമായ വിജയ മെട്രിക്സും കുറഞ്ഞ മുതൽ ഇടത്തരം വരെയുള്ള ഓഹരികളും ഉപയോഗിച്ച് ഇടുങ്ങിയതും ആവർത്തിക്കാവുന്നതുമായ ജോലികളിൽ AI മികച്ച പ്രകടനം കാഴ്ചവയ്ക്കുന്നു. സാധാരണ വിജയങ്ങളിൽ ഡ്രാഫ്റ്റിംഗും റീറൈറ്റിംഗും, നീണ്ട രേഖകൾ സംഗ്രഹിക്കലും, ഓപ്ഷനുകൾ സൃഷ്ടിക്കലും (ഔട്ട്‌ലൈനുകൾ, തലക്കെട്ടുകൾ, ഇമെയിൽ വകഭേദങ്ങൾ), കോഡിംഗ് സ്കാഫോൾഡുകൾ, പിന്തുണാ ട്രയേജ്, ആന്തരിക ഹെൽപ്പ് ഡെസ്‌ക് നിർദ്ദേശങ്ങൾ എന്നിവ ഉൾപ്പെടുന്നു. "കണ്ടുപിടുത്തം → പ്രതീക്ഷ → വിന്യസിക്കുക" എന്നല്ല, "വർഗ്ഗീകരിക്കുക → വീണ്ടെടുക്കുക → നിർദ്ദേശിക്കുക" എന്നതാണ് ഏറ്റവും നല്ല കാര്യം. മനുഷ്യർക്ക് ഇപ്പോഴും എന്താണ് ലഭിക്കുന്നത് എന്നതല്ല.

"എല്ലാം ചെയ്യുന്ന AI ഏജന്റുമാർ" എന്നതിനെ അമിതമായി പ്രചരിപ്പിക്കുന്നുണ്ടോ?

പലപ്പോഴും, അതെ - പ്രത്യേകിച്ചും “ഹാൻഡ്‌സ്-ഫ്രീ” വിൽപ്പന കേന്ദ്രമാകുമ്പോൾ. മൾട്ടി-സ്റ്റെപ്പ് വർക്ക്ഫ്ലോകൾ, സങ്കീർണ്ണമായ ഉപകരണങ്ങൾ, അനുമതികൾ, യഥാർത്ഥ ഉപയോക്താക്കൾ, യഥാർത്ഥ പരിണതഫലങ്ങൾ എന്നിവ സങ്കീർണ്ണമായ പരാജയ മോഡുകൾ സൃഷ്ടിക്കുന്നു. നിയന്ത്രിത വർക്ക്ഫ്ലോകൾക്ക് ഏജന്റുകൾ വിലപ്പെട്ടതായിരിക്കും, എന്നാൽ വ്യാപ്തി വികസിക്കുമ്പോൾ ദുർബലത വേഗത്തിൽ വർദ്ധിക്കുന്നു. ഒരു പ്രായോഗിക പരിശോധന ലളിതമായി തുടരുന്നു: ഫാൾബാക്ക് നിർവചിക്കുക, ഉത്തരവാദിത്തം നൽകുക, കേടുപാടുകൾ വ്യാപിക്കുന്നതിന് മുമ്പ് പിശകുകൾ എങ്ങനെ കണ്ടെത്താമെന്ന് വ്യക്തമാക്കുക.

എന്റെ ടീമിനോ സ്ഥാപനത്തിനോ AI അനുയോജ്യമാണോ എന്ന് ഞാൻ എങ്ങനെ തീരുമാനിക്കും?

ഒരു ജോലി വിവരണം പോലെ ജോലിയെ നിർവചിച്ചുകൊണ്ട് ആരംഭിക്കുക: ഇൻപുട്ടുകൾ, ഔട്ട്‌പുട്ടുകൾ, നിയന്ത്രണങ്ങൾ, "ചെയ്തു" എന്നതിന്റെ അർത്ഥം എന്താണ്. വൈബുകളെക്കുറിച്ചുള്ള ചർച്ചകൾക്ക് പകരം നിങ്ങൾക്ക് പുരോഗതി അളക്കാൻ കഴിയുന്ന തരത്തിൽ ഒരു അടിസ്ഥാനരേഖ (സമയം, ചെലവ്, പിശക് നിരക്ക്) സ്ഥാപിക്കുക. സത്യം എവിടെ നിന്നാണ് വരുന്നതെന്ന് തീരുമാനിക്കുക - ആന്തരിക വിജ്ഞാന അടിത്തറകൾ, അംഗീകൃത രേഖകൾ അല്ലെങ്കിൽ ഉപഭോക്തൃ രേഖകൾ. തുടർന്ന് ഹ്യൂമൻ-ഇൻ-ദി-ലൂപ്പ് പ്ലാൻ രൂപകൽപ്പന ചെയ്ത് വികസിപ്പിക്കുന്നതിന് മുമ്പ് സ്ഫോടന ദൂരം മാപ്പ് ചെയ്യുക.

AI ഔട്ട്‌പുട്ട് തെറ്റാണെങ്കിൽ ആരാണ് ഉത്തരവാദി?

ഔട്ട്‌പുട്ടുകൾ, അവലോകനങ്ങൾ, സിസ്റ്റം പരാജയപ്പെടുമ്പോൾ എന്തുസംഭവിക്കുന്നു എന്നിവയ്ക്കായി ഒരു മനുഷ്യ ഉടമയെ നിയോഗിക്കണം. “മോഡൽ അങ്ങനെ പറഞ്ഞു” എന്നത് ഉത്തരവാദിത്തമല്ല, പ്രത്യേകിച്ച് പണം, സുരക്ഷ അല്ലെങ്കിൽ അവകാശങ്ങൾ ഉൾപ്പെടുമ്പോൾ. പ്രതികരണങ്ങൾ ആരാണ് അംഗീകരിക്കുന്നത്, അവലോകനം ആവശ്യമുള്ളപ്പോൾ, സംഭവങ്ങൾ എങ്ങനെ രേഖപ്പെടുത്തുകയും അഭിസംബോധന ചെയ്യുകയും ചെയ്യുന്നു എന്നിവ നിർവചിക്കുക. ഇത് AI-യെ ഒരു ബാധ്യതയിൽ നിന്ന് വ്യക്തമായ ഉത്തരവാദിത്തമുള്ള ഒരു നിയന്ത്രിത ഉപകരണമാക്കി മാറ്റുന്നു.

എനിക്ക് എപ്പോഴാണ് ഭരണം ആവശ്യമായി വരുന്നത്, ഏതൊക്കെ ചട്ടക്കൂടുകളാണ് സാധാരണയായി ഉപയോഗിക്കുന്നത്?

നിയമപരമായ ഫലങ്ങൾ, സുരക്ഷ, സാമ്പത്തിക ആഘാതം അല്ലെങ്കിൽ ജനങ്ങളുടെ അവകാശങ്ങൾ എന്നിവ ഉൾപ്പെടുന്ന എന്തും ഉൾപ്പെടുന്ന ഏതൊരു കാര്യത്തിലും - ഉത്തരവാദിത്തങ്ങൾ ഉയരുമ്പോൾ ഭരണം ഏറ്റവും പ്രധാനമാണ്. NIST ജനറേറ്റീവ് AI പ്രൊഫൈൽ (AI റിസ്ക് മാനേജ്മെന്റ് ഫ്രെയിംവർക്കിന്റെ കൂട്ടാളി), OECD AI തത്വങ്ങൾ, EU AI ആക്ടിന്റെ അപകടസാധ്യത അടിസ്ഥാനമാക്കിയുള്ള ബാധ്യതകൾ എന്നിവ പൊതുവായ സംരക്ഷണങ്ങളിൽ ഉൾപ്പെടുന്നു. ഇവ പരിശോധന, ഉറവിടം, നിരീക്ഷണം, സംഭവ വെളിപ്പെടുത്തൽ രീതികൾ എന്നിവ പ്രോത്സാഹിപ്പിക്കുന്നു. ഇത് അരോചകമായി തോന്നിയേക്കാം, പക്ഷേ അത് "അയ്യോ, ഞങ്ങൾ ഒരു അനുസരണ പേടിസ്വപ്നം വിന്യസിച്ചു" എന്ന് തടയുന്നു

AI അമിതമായി പ്രചരിപ്പിച്ചാലും, എന്തുകൊണ്ടാണ് അത് ഇപ്പോഴും അനന്തരഫലമായി തോന്നുന്നത്?

പ്രചോദനവും ആഘാതവും ഒരുമിച്ച് നിലനിൽക്കാൻ കഴിയും. പല സാങ്കേതികവിദ്യകളും പരിചിതമായ ഒരു ചാപത്തെ പിന്തുടരുന്നു: പീക്ക് പ്രതീക്ഷകൾ, കഠിനമായ യാഥാർത്ഥ്യം, പിന്നെ സ്ഥിരമായ മൂല്യം. AI ശക്തമാണ്, പക്ഷേ അത് പലപ്പോഴും പൂർത്തിയായതുപോലെയാണ് വിൽക്കപ്പെടുന്നത് - അത് ഇപ്പോഴും പുരോഗതിയിലായിരിക്കുകയും സംയോജനം മന്ദഗതിയിലായിരിക്കുകയും ചെയ്യുമ്പോൾ. AI ജോലിയുടെ മടുപ്പിക്കുന്ന ഭാഗങ്ങൾ നീക്കം ചെയ്യുമ്പോഴും ഡ്രാഫ്റ്റിംഗിനെയും കോഡിംഗിനെയും പിന്തുണയ്ക്കുമ്പോഴും ഗ്രൗണ്ടിംഗും അവലോകനവും ഉപയോഗിച്ച് വർക്ക്ഫ്ലോകൾ മെച്ചപ്പെടുത്തുമ്പോഴും നിലനിൽക്കുന്ന മൂല്യം ദൃശ്യമാകുന്നു.

അവലംബം

1. NIST യുടെ ജനറേറ്റീവ് AI പ്രൊഫൈൽ (NIST AI 600-1, PDF) - AI റിസ്ക് മാനേജ്മെന്റ് ഫ്രെയിംവർക്കിലേക്കുള്ള അനുബന്ധ മാർഗ്ഗനിർദ്ദേശം, പ്രധാന അപകടസാധ്യത മേഖലകളുടെ രൂപരേഖ, ഭരണം, പരിശോധന, ഉറവിടം, സംഭവ വെളിപ്പെടുത്തൽ എന്നിവയ്ക്കുള്ള ശുപാർശ ചെയ്യുന്ന നടപടികൾ. കൂടുതൽ വായിക്കുക

2. സ്റ്റാൻഫോർഡ് HAI AI സൂചിക - പ്രധാന മാനദണ്ഡങ്ങളിലും സൂചകങ്ങളിലുമുള്ള AI പുരോഗതി, ദത്തെടുക്കൽ, നിക്ഷേപം, സാമൂഹിക പ്രത്യാഘാതങ്ങൾ എന്നിവ നിരീക്ഷിക്കുന്ന ഒരു വാർഷിക, ഡാറ്റാ സമ്പുഷ്ടമായ റിപ്പോർട്ട്. കൂടുതല് വായിക്കുക

3. GitHub കോപൈലറ്റ് ഉൽപ്പാദനക്ഷമത ഗവേഷണം - കോപൈലറ്റ് ഉപയോഗിക്കുമ്പോഴുള്ള ടാസ്‌ക് പൂർത്തീകരണ വേഗതയെയും ഡെവലപ്പർ അനുഭവത്തെയും കുറിച്ചുള്ള GitHub-ന്റെ നിയന്ത്രിത പഠന രചന. കൂടുതല് വായിക്കുക

4. യൂറോപ്യൻ കമ്മീഷൻ AI ആക്റ്റ് അവലോകനം - AI സിസ്റ്റങ്ങൾക്കായുള്ള EU യുടെ അപകടസാധ്യതാ പരിധികളും നിരോധിത രീതികളുടെ വിഭാഗങ്ങളും വിശദീകരിക്കുന്ന കമ്മീഷന്റെ ഹബ് പേജ്. കൂടുതൽ വായിക്കുക

ഔദ്യോഗിക AI അസിസ്റ്റന്റ് സ്റ്റോറിൽ ഏറ്റവും പുതിയ AI കണ്ടെത്തുക

ഞങ്ങളേക്കുറിച്ച്