ഒരു AI കമ്പനി എന്താണ്? [വീഡിയോയും ക്വിസും]

ചുരുക്ക ഉത്തരം: ഒരു AI കമ്പനി അതിന്റെ പ്രധാന ഉൽപ്പന്നം, മൂല്യം അല്ലെങ്കിൽ മത്സര നേട്ടം AI-യെ ആശ്രയിച്ചിരിക്കുന്നു - AI നീക്കം ചെയ്താൽ ഓഫർ തകരുകയോ നാടകീയമായി മോശമാവുകയോ ചെയ്യും. നാളെ AI പരാജയപ്പെടുകയും നിങ്ങൾക്ക് സ്പ്രെഡ്ഷീറ്റുകളോ അടിസ്ഥാന സോഫ്റ്റ്‌വെയറോ ഉപയോഗിച്ച് ഡെലിവറി ചെയ്യാൻ കഴിയുകയും ചെയ്താൽ, നിങ്ങൾ AI- പ്രാപ്തരായിരിക്കും, AI- നേറ്റീവ് അല്ല. യഥാർത്ഥ AI കമ്പനികൾ ഡാറ്റ, വിലയിരുത്തൽ, വിന്യാസം, ഇറുകിയ ആവർത്തന ലൂപ്പുകൾ എന്നിവയിലൂടെ വ്യത്യാസപ്പെട്ടിരിക്കുന്നു.

പ്രധാന കാര്യങ്ങൾ:

കോർ ഡിപൻഡൻസി: AI നീക്കം ചെയ്യുന്നത് ഉൽപ്പന്നത്തെ തകർക്കുന്നുവെങ്കിൽ, നിങ്ങൾ ഒരു AI കമ്പനിയെയാണ് നോക്കുന്നത്.

ലളിതമായ പരീക്ഷണം: AI ഇല്ലാതെ നിങ്ങൾക്ക് മുടന്താൻ കഴിയുമെങ്കിൽ, നിങ്ങൾ AI- പ്രാപ്തരാണെന്ന് ഉറപ്പാണ്.

പ്രവർത്തന സിഗ്നലുകൾ: ഡ്രിഫ്റ്റ്, മൂല്യനിർണ്ണയ സെറ്റുകൾ, ലേറ്റൻസി, പരാജയ മോഡുകൾ എന്നിവയെക്കുറിച്ച് ചർച്ച ചെയ്യുന്ന ടീമുകൾ സാധാരണയായി കഠിനാധ്വാനം ചെയ്യുന്നതായി കാണപ്പെടുന്നു.

ദുരുപയോഗ പ്രതിരോധം: മോഡലുകൾ പരാജയപ്പെടുമ്പോൾ ഗാർഡ്‌റെയിലുകൾ നിർമ്മിക്കുക, നിരീക്ഷിക്കുക, റോൾബാക്ക് പ്ലാനുകൾ നിർമ്മിക്കുക.

വാങ്ങുന്നയാളുടെ ജാഗ്രത: മെക്കാനിസങ്ങൾ, മെട്രിക്സ്, വ്യക്തമായ ഡാറ്റ ഗവേണൻസ് എന്നിവ ആവശ്യപ്പെടുന്നതിലൂടെ AI-വാഷിംഗ് ഒഴിവാക്കുക.

"AI കമ്പനി" വളരെ സ്വതന്ത്രമായി അലഞ്ഞുതിരിയപ്പെടുന്നു, അത് എല്ലാം അർത്ഥമാക്കുന്നില്ല, ഒറ്റയടിക്ക് ഒന്നും അർത്ഥമാക്കുന്നില്ല. ഒരു സ്റ്റാർട്ടപ്പ് ഒരു ഓട്ടോകംപ്ലീറ്റ് ബോക്സ് ചേർത്തതിനാൽ AI പദവി അവകാശപ്പെടുന്നു. മറ്റൊരു കമ്പനി മോഡലുകൾക്ക് പരിശീലനം നൽകുന്നു, ഉപകരണങ്ങൾ നിർമ്മിക്കുന്നു, ഉൽപ്പന്നങ്ങൾ അയയ്ക്കുന്നു, ഉൽ‌പാദന പരിതസ്ഥിതികളിലേക്ക് വിന്യസിക്കുന്നു... എന്നിട്ടും അതേ ബക്കറ്റിൽ തന്നെ ഒതുങ്ങുന്നു.

അതുകൊണ്ട് ലേബലിന് കൂടുതൽ മൂർച്ചയുള്ള വശങ്ങൾ ആവശ്യമാണ്. AI-നേറ്റീവ് ബിസിനസും മെഷീൻ ലേണിംഗിന്റെ നേരിയ പൊടിപടലങ്ങളുള്ള ഒരു സ്റ്റാൻഡേർഡ് ബിസിനസും തമ്മിലുള്ള വ്യത്യാസം, എന്താണ് തിരയേണ്ടതെന്ന് നിങ്ങൾ മനസ്സിലാക്കിക്കഴിഞ്ഞാൽ പെട്ടെന്ന് വ്യക്തമാകും.

ഇതിനു ശേഷം നിങ്ങൾക്ക് വായിക്കാൻ ഇഷ്ടപ്പെട്ടേക്കാവുന്ന ലേഖനങ്ങൾ:

🔗 AI അപ്‌സ്‌കേലിംഗ് എങ്ങനെ പ്രവർത്തിക്കുന്നു
ഇമേജുകൾ വൃത്തിയായി വലുതാക്കാൻ മോഡലുകൾ എങ്ങനെ വിശദാംശങ്ങൾ ചേർക്കുന്നുവെന്ന് അറിയുക.

🔗 AI കോഡ് എങ്ങനെയിരിക്കും
ജനറേറ്റഡ് കോഡിന്റെ ഉദാഹരണങ്ങളും അത് എങ്ങനെയാണ് ഘടനാപരമാക്കിയിരിക്കുന്നതെന്നും കാണുക.

🔗 എന്താണ് ഒരു AI അൽഗോരിതം?
AI പഠിക്കാനും പ്രവചിക്കാനും ഒപ്റ്റിമൈസ് ചെയ്യാനും സഹായിക്കുന്ന അൽഗോരിതങ്ങൾ മനസ്സിലാക്കുക.

🔗 എന്താണ് AI പ്രീപ്രോസസിംഗ്?
പരിശീലനത്തിനായി ഡാറ്റ വൃത്തിയാക്കുകയും ലേബൽ ചെയ്യുകയും ഫോർമാറ്റ് ചെയ്യുകയും ചെയ്യുന്ന ഘട്ടങ്ങൾ കണ്ടെത്തുക.

ഒരു AI കമ്പനി എന്താണ്: നിലനിൽക്കുന്ന ശുദ്ധമായ നിർവചനം ✅

ഒരു പ്രായോഗിക നിർവചനം:

ഒരു AI കമ്പനി എന്നത് അതിന്റെ പ്രധാന ഉൽപ്പന്നം, മൂല്യം അല്ലെങ്കിൽ മത്സര നേട്ടം കൃത്രിമബുദ്ധിയെ ആശ്രയിച്ചിരിക്കുന്ന ഒരു ബിസിനസ്സാണ് - അതായത് നിങ്ങൾ AI നീക്കം ചെയ്താൽ, കമ്പനിയുടെ "കാര്യം" തകരുകയോ നാടകീയമായി മോശമാവുകയോ ചെയ്യും. ( OECD , NIST AI RMF )

"ഒരു ഹാക്കത്തോണിൽ ഞങ്ങൾ ഒരിക്കൽ AI ഉപയോഗിച്ചു" എന്നല്ല. "കോൺടാക്റ്റ് പേജിൽ ഞങ്ങൾ ഒരു ചാറ്റ്ബോട്ട് ചേർത്തു" എന്നല്ല. കൂടുതൽ ഇതുപോലുള്ളവ:

• ഉൽപ്പന്നം സിസ്റ്റമാണ് (അല്ലെങ്കിൽ ഒരു എൻഡ്-ടു-എൻഡ് ഉപയോഗിച്ച് പ്രവർത്തിക്കുന്നു) (OECD)

• മോഡലുകൾ, ഡാറ്റ, വിലയിരുത്തൽ, ആവർത്തനം എന്നിവയിൽ നിന്നാണ് കമ്പനിയുടെ നേട്ടം (Google Cloud MLOps, NIST AI RMF Playbook - Measure)

• AI ഒരു സവിശേഷതയല്ല - അത് എഞ്ചിനാണ് 🧠⚙️

ഇതാ ഒരു എളുപ്പ ഹൃദയ പരിശോധന:

നാളെ AI പരാജയപ്പെടുന്നത് സങ്കൽപ്പിക്കുക. ഉപഭോക്താക്കൾ ഇപ്പോഴും നിങ്ങൾക്ക് പണം നൽകുകയാണെങ്കിൽ, സ്പ്രെഡ്ഷീറ്റുകളോ അടിസ്ഥാന സോഫ്റ്റ്‌വെയറോ ഉപയോഗിച്ച് നിങ്ങൾക്ക് ബുദ്ധിമുട്ട് അനുഭവപ്പെടുകയാണെങ്കിൽ, നിങ്ങൾ AI-പ്രാപ്തമാക്കിയ ആളാണ്, AI-നേറ്റീവ് അല്ല.

അതെ, ഒരു മങ്ങിയ മധ്യഭാഗം ഉണ്ട്. മൂടൽമഞ്ഞുള്ള ജനാലയിലൂടെ എടുത്ത ഫോട്ടോ പോലെ... അത്ര നല്ല രൂപകമല്ല, പക്ഷേ നിങ്ങൾക്ക് ആശയം മനസ്സിലാകും 😄

“AI കമ്പനി”യും “AI- പ്രാപ്തമാക്കിയ കമ്പനി”യും തമ്മിലുള്ള വ്യത്യാസം (ഈ ഭാഗം വാദങ്ങൾ സംരക്ഷിക്കുന്നു) 🥊

മിക്ക ആധുനിക ബിസിനസുകളും ഏതെങ്കിലും തരത്തിലുള്ള AI ഉപയോഗിക്കുന്നു. അതുകൊണ്ട് മാത്രം അവരെ ഒരു AI കമ്പനിയാക്കാനാവില്ല. (OECD)

സാധാരണയായി ഒരു AI കമ്പനി:

• AI കഴിവ് നേരിട്ട് വിൽക്കുന്നു (മോഡലുകൾ, കോപൈലറ്റുകൾ, ഇന്റലിജന്റ് ഓട്ടോമേഷൻ)

• കോർ ഉൽപ്പന്നമായി പ്രൊപ്രൈറ്ററി AI സിസ്റ്റങ്ങൾ നിർമ്മിക്കുന്നു

• ഗുരുതരമായ AI എഞ്ചിനീയറിംഗ്, മൂല്യനിർണ്ണയം, വിന്യാസം എന്നിവ ഒരു പ്രധാന പ്രവർത്തനമായി ഉണ്ട് (Google ക്ലൗഡ് MLOps)

• ഡാറ്റയിൽ നിന്ന് തുടർച്ചയായി പഠിക്കുകയും ഒരു പ്രധാന മെട്രിക് എന്ന നിലയിൽ പ്രകടനം മെച്ചപ്പെടുത്തുകയും ചെയ്യുന്നു 📈 (Google MLOps വൈറ്റ്പേപ്പർ)

സാധാരണയായി ഒരു AI- പ്രാപ്തമാക്കിയ കമ്പനി:

• ചെലവ് കുറയ്ക്കുന്നതിനും, വർക്ക്ഫ്ലോകൾ വേഗത്തിലാക്കുന്നതിനും, അല്ലെങ്കിൽ ടാർഗെറ്റിംഗ് മെച്ചപ്പെടുത്തുന്നതിനും ആന്തരികമായി AI ഉപയോഗിക്കുന്നു

• ഇപ്പോഴും മറ്റെന്തെങ്കിലും വിൽക്കുന്നു (റീട്ടെയിൽ സാധനങ്ങൾ, ബാങ്കിംഗ് സേവനങ്ങൾ, ലോജിസ്റ്റിക്സ്, മീഡിയ മുതലായവ)

• പരമ്പരാഗത സോഫ്റ്റ്‌വെയർ ഉപയോഗിച്ച് AI മാറ്റിസ്ഥാപിക്കാൻ കഴിയുമെങ്കിലും അത് "അവ തന്നെ" ആയിരിക്കാം

ഉദാഹരണങ്ങൾ (ഉദ്ദേശ്യപൂർവ്വം പൊതുവായത്, കാരണം ബ്രാൻഡ് സംവാദങ്ങൾ ചില ആളുകൾക്ക് ഒരു ഹോബിയാണ്):

• തട്ടിപ്പ് കണ്ടെത്തലിനായി AI ഉപയോഗിക്കുന്ന ഒരു ബാങ്ക് - AI- പ്രാപ്തമാക്കിയത്

• ഇൻവെന്ററി പ്രവചനത്തിനായി AI ഉപയോഗിക്കുന്ന ഒരു റീട്ടെയിലർ - AI- പ്രാപ്തമാക്കിയത്

• ഒരു AI ഉപഭോക്തൃ പിന്തുണാ ഏജന്റ് ഉൽപ്പന്നമായ ഒരു കമ്പനി - സാധ്യതയനുസരിച്ച് ഒരു AI കമ്പനി

• മോഡൽ മോണിറ്ററിംഗ്, മൂല്യനിർണ്ണയം, വിന്യാസ ഉപകരണങ്ങൾ എന്നിവ വിൽക്കുന്ന ഒരു പ്ലാറ്റ്‌ഫോം - AI കമ്പനി (ഇൻഫ്രാസ്ട്രക്ചർ) (Google ക്ലൗഡ് MLOps)

അതെ... നിങ്ങളുടെ ദന്തഡോക്ടർ ഓർമ്മപ്പെടുത്തലുകൾ ഷെഡ്യൂൾ ചെയ്യുന്നതിന് AI ഉപയോഗിച്ചേക്കാം. അത് അവരെ ഒരു AI കമ്പനിയാക്കുന്നില്ല 😬🦷

ഒരു AI കമ്പനിയുടെ നല്ല പതിപ്പ് എന്താണ് 🏗️

എല്ലാ AI കമ്പനികളും ഒരുപോലെയല്ല നിർമ്മിച്ചിരിക്കുന്നത്, ചിലത് സത്യത്തിൽ, കൂടുതലും വൈബുകളും വെഞ്ച്വർ ക്യാപിറ്റലുമാണ്. ഒരു AI കമ്പനിയുടെ ഒരു നല്ല പതിപ്പ് വീണ്ടും വീണ്ടും പ്രത്യക്ഷപ്പെടുന്ന ചില സ്വഭാവവിശേഷങ്ങൾ പങ്കിടാൻ പ്രവണത കാണിക്കുന്നു:

• വ്യക്തമായ പ്രശ്‌ന ഉടമസ്ഥാവകാശം: അവ ഒരു പ്രത്യേക പ്രശ്‌നം പരിഹരിക്കുന്നു, “എല്ലാത്തിനും AI” അല്ല.

• അളക്കാവുന്ന ഫലങ്ങൾ: കൃത്യത, സമയം ലാഭിക്കൽ, ചെലവ് കുറവ്, കുറവ് പിശകുകൾ, ഉയർന്ന പരിവർത്തനം - എന്തെങ്കിലും തിരഞ്ഞെടുത്ത് അത് ട്രാക്ക് ചെയ്യുക (NIST AI RMF)

• ഡാറ്റാ അച്ചടക്കം: ഡാറ്റാ നിലവാരം, അനുമതികൾ, ഭരണം, ഫീഡ്‌ബാക്ക് ലൂപ്പുകൾ എന്നിവ ഓപ്ഷണൽ അല്ല (NIST AI RMF)

• മൂല്യനിർണ്ണയ സംസ്കാരം: അവർ മുതിർന്നവരെപ്പോലെ മോഡലുകൾ പരീക്ഷിക്കുന്നു - ബെഞ്ച്മാർക്കുകൾ, എഡ്ജ് കേസുകൾ, നിരീക്ഷണം എന്നിവ ഉപയോഗിച്ച് 🔍 (Google ക്ലൗഡ് MLOps, Datadog)

• വിന്യാസ യാഥാർത്ഥ്യം: സിസ്റ്റം ഡെമോകളിൽ മാത്രമല്ല, വൃത്തിഹീനമായ ദൈനംദിന സാഹചര്യങ്ങളിലും പ്രവർത്തിക്കുന്നു.

• ഒരു പ്രതിരോധാത്മക വശം: ഡൊമെയ്ൻ ഡാറ്റ, വിതരണം, വർക്ക്ഫ്ലോ സംയോജനം, അല്ലെങ്കിൽ പ്രൊപ്രൈറ്ററി ടൂളിംഗ് (“ഞങ്ങൾ ഒരു API എന്ന് വിളിക്കുന്നില്ല”)

അത്ഭുതകരമായ ഒരു സൂചന:

• ഒരു ടീം ലേറ്റൻസി, ഡ്രിഫ്റ്റ്, ഇവാൽ സെറ്റുകൾ, ഹാലൂസിനേഷനുകൾ, പരാജയ മോഡുകൾ എന്നിവയെക്കുറിച്ച് സംസാരിക്കുകയാണെങ്കിൽ , അവർ യഥാർത്ഥ AI ജോലി ചെയ്യുന്നുണ്ടാകാം. ( IBM - മോഡൽ ഡ്രിഫ്റ്റ് , ഓപ്പൺAI - ഹാലൂസിനേഷനുകൾ , Google ക്ലൗഡ് MLOps )

• "ബുദ്ധിമാനായ വികാരങ്ങൾക്കൊപ്പം വിപ്ലവകരമായ സിനർജി"യെക്കുറിച്ചാണ് അവർ കൂടുതലും സംസാരിക്കുന്നതെങ്കിൽ, അത് എങ്ങനെയാണെന്ന് നിങ്ങൾക്കറിയാം 😅

താരതമ്യ പട്ടിക: സാധാരണ AI കമ്പനി “തരങ്ങളും” അവർ വിൽക്കുന്നതും 📊🤝

താഴെ കൊടുത്തിരിക്കുന്നത് ഒരു ചെറിയ, അപൂർണ്ണമായ താരതമ്യ പട്ടികയാണ് (ദൈനംദിന ബിസിനസ്സ് പോലെ). വിലകൾ "സാധാരണ വിലനിർണ്ണയ രീതികളാണ്", കൃത്യമായ സംഖ്യകളല്ല, കാരണം അത് ഒരു ടൺ വ്യത്യാസപ്പെടുന്നു.

ഒരു കാര്യം ശ്രദ്ധിക്കുക. "AI കമ്പനി" എന്നതിന് വളരെ വ്യത്യസ്തമായ ബിസിനസുകളെ അർത്ഥമാക്കാം. ചിലർ മോഡലുകൾ വിൽക്കുന്നു. ചിലർ മോഡൽ നിർമ്മാതാക്കൾക്കായി കോരികകൾ വിൽക്കുന്നു. ചിലർ പൂർത്തിയായ ഉൽപ്പന്നങ്ങൾ വിൽക്കുന്നു. ഒരേ ലേബൽ, തികച്ചും വ്യത്യസ്തമായ യാഥാർത്ഥ്യം.

AI കമ്പനികളുടെ പ്രധാന മാതൃകകൾ (അവയ്ക്ക് സംഭവിക്കുന്ന തെറ്റുകൾ) 🧩

നമുക്ക് കുറച്ചുകൂടി ആഴത്തിൽ പോകാം, കാരണം ഇവിടെയാണ് ആളുകൾ ഇടറിവീഴുന്നത്.

1) മോഡൽ-ഫസ്റ്റ് കമ്പനികൾ 🧠

ഈ മോഡലുകൾ നിർമ്മിക്കുകയോ ഫൈൻ-ട്യൂൺ ചെയ്യുകയോ ചെയ്യുന്നു. അവയുടെ ശക്തി സാധാരണയായി:

• ഗവേഷണ പ്രതിഭ

• കമ്പ്യൂട്ട് ഒപ്റ്റിമൈസേഷൻ

• മൂല്യനിർണ്ണയവും ആവർത്തന ലൂപ്പുകളും

• ഉയർന്ന പ്രകടനമുള്ള സെർവിംഗ് ഇൻഫ്രാസ്ട്രക്ചർ (Google MLOps വൈറ്റ്പേപ്പർ)

സാധാരണ വീഴ്ച:

• "മെച്ചപ്പെട്ട മോഡൽ" എന്നത് യാന്ത്രികമായി "മെച്ചപ്പെട്ട ഉൽപ്പന്നം" ആണെന്ന് അവർ അനുമാനിക്കുന്നു.
  അങ്ങനെയല്ല. ഉപയോക്താക്കൾ മോഡലുകൾ വാങ്ങുന്നില്ല, അവർ ഫലങ്ങൾ വാങ്ങുന്നു.

2) ഉൽപ്പന്നത്തിൽ ഒന്നാം സ്ഥാനം നേടിയ AI കമ്പനികൾ 🧰

ഇവ ഒരു വർക്ക്ഫ്ലോയിൽ AI ഉൾച്ചേർക്കുന്നു. അവ വിജയിക്കുന്നത്:

• വിതരണം

• UX ഉം സംയോജനവും

• ശക്തമായ ഫീഡ്‌ബാക്ക് ലൂപ്പുകൾ

• അസംസ്കൃത ബുദ്ധിയേക്കാൾ വിശ്വാസ്യത

സാധാരണ വീഴ്ച:

• കാട്ടിലെ മാതൃകാ പെരുമാറ്റത്തെ അവർ കുറച്ചുകാണുന്നു. യഥാർത്ഥ ഉപയോക്താക്കൾ പുതിയതും സൃഷ്ടിപരവുമായ രീതിയിൽ നിങ്ങളുടെ സിസ്റ്റത്തെ തകർക്കും. ദിവസേന.

3) ഇൻഫ്രാസ്ട്രക്ചർ AI കമ്പനികൾ ⚙️

നിരീക്ഷണം, വിന്യാസം, ഭരണം, വിലയിരുത്തൽ, ഓർക്കസ്ട്രേഷൻ എന്നിവയെക്കുറിച്ച് ചിന്തിക്കുക. അവർ വിജയിക്കുന്നത്:

• ശസ്ത്രക്രിയാ വേദന കുറയ്ക്കൽ

• റിസ്ക് മാനേജ്മെന്റ്

• AI ആവർത്തിക്കാവുന്നതും സുരക്ഷിതവുമാക്കുന്നു (NIST AI RMF, Google Cloud MLOps)

സാധാരണ വീഴ്ച:

• അവർ വികസിത ടീമുകൾക്കായി നിർമ്മിക്കുകയും മറ്റുള്ളവരെ അവഗണിക്കുകയും ചെയ്യുന്നു, പിന്നെ ദത്തെടുക്കൽ മന്ദഗതിയിലാകുന്നത് എന്തുകൊണ്ടാണെന്ന് ചിന്തിക്കുന്നു.

4) ഡാറ്റാ കേന്ദ്രീകൃത AI കമ്പനികൾ 🗂️

ഡാറ്റ പൈപ്പ്‌ലൈനുകൾ, ലേബലിംഗ്, സിന്തറ്റിക് ഡാറ്റ, ഡാറ്റ ഗവേണൻസ് എന്നിവയിൽ ഇവ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു. അവ വിജയിക്കുന്നത് ഇവയിലൂടെയാണ്:

• പരിശീലന സിഗ്നൽ ഗുണനിലവാരം മെച്ചപ്പെടുത്തുന്നു

• ശബ്ദം കുറയ്ക്കൽ

• സ്പെഷ്യലൈസേഷൻ പ്രാപ്തമാക്കുന്നു (എംഐടി സ്ലോൺ / ഡാറ്റാ-കേന്ദ്രീകൃത AI-യിൽ ആൻഡ്രൂ എൻജി)

സാധാരണ വീഴ്ച:

• "ഡാറ്റ എല്ലാം പരിഹരിക്കുന്നു" എന്ന് അവർ അമിതമായി വിൽക്കുന്നു. ഡാറ്റ ശക്തമാണ്, പക്ഷേ നിങ്ങൾക്ക് ഇപ്പോഴും നല്ല മോഡലിംഗും ശക്തമായ ഉൽപ്പന്ന ചിന്തയും ആവശ്യമാണ്.

ഒരു AI കമ്പനിയുടെ ഉള്ളിലെ രഹസ്യം എന്താണ്: സ്റ്റാക്ക്, ഏകദേശം 🧱

തിരശ്ശീലയ്ക്ക് പിന്നിൽ നിന്ന് എത്തിനോക്കിയാൽ, മിക്ക യഥാർത്ഥ AI കമ്പനികളും സമാനമായ ആന്തരിക ഘടനയാണ് പങ്കിടുന്നതെന്ന് കാണാൻ കഴിയും. എല്ലായ്പ്പോഴും അല്ല, പക്ഷേ പലപ്പോഴും.

ഡാറ്റ ലെയർ 📥

• ശേഖരണവും ഉൾപ്പെടുത്തലും

• ലേബലിംഗ് അല്ലെങ്കിൽ ദുർബലമായ മേൽനോട്ടം

• സ്വകാര്യത, അനുമതികൾ, നിലനിർത്തൽ

• ഫീഡ്‌ബാക്ക് ലൂപ്പുകൾ (ഉപയോക്തൃ തിരുത്തലുകൾ, ഫലങ്ങൾ, മനുഷ്യ അവലോകനം) (NIST AI RMF)

മോഡൽ ലെയർ 🧠

• അടിസ്ഥാന മോഡലുകൾ തിരഞ്ഞെടുക്കൽ (അല്ലെങ്കിൽ ആദ്യം മുതൽ പരിശീലനം)

• ഫൈൻ-ട്യൂണിംഗ്, ഡിസ്റ്റിലേഷൻ, പ്രോംപ്റ്റ് എഞ്ചിനീയറിംഗ് (അതെ, ഇപ്പോഴും പരിഗണിക്കപ്പെടുന്നു)

• വീണ്ടെടുക്കൽ സംവിധാനങ്ങൾ (തിരയൽ + റാങ്കിംഗ് + വെക്റ്റർ ഡാറ്റാബേസുകൾ) (RAG പേപ്പർ (ലൂയിസ് തുടങ്ങിയവർ, 2020), ഒറാക്കിൾ - വെക്റ്റർ തിരയൽ)

• മൂല്യനിർണ്ണയ സ്യൂട്ടുകളും ടെസ്റ്റ് സെറ്റുകളും (Google ക്ലൗഡ് MLOps)

ഉൽപ്പന്ന പാളി 🧑💻

• അനിശ്ചിതത്വം കൈകാര്യം ചെയ്യുന്ന UX (ആത്മവിശ്വാസ സൂചനകൾ, "അവലോകനം" നിലകൾ)

• ഗാർഡ്‌റെയിലുകൾ (നയം, നിരസിക്കൽ, സുരക്ഷിതമായ പൂർത്തീകരണം) (NIST AI RMF)

• വർക്ക്ഫ്ലോ സംയോജനം (ഇമെയിൽ, CRM, ഡോക്സ്, ടിക്കറ്റിംഗ് മുതലായവ)

ഓപ്‌സ് ലെയർ 🛠️

• ഡ്രിഫ്റ്റിനും ഡീഗ്രഡേഷനുമുള്ള നിരീക്ഷണം (IBM - മോഡൽ ഡ്രിഫ്റ്റ്, Google ക്ലൗഡ് MLOps)

• സംഭവ പ്രതികരണവും റോൾബാക്കും (ഉബർ - വിന്യാസ സുരക്ഷ)

• ചെലവ് നിയന്ത്രണം (കമ്പ്യൂട്ടർ ഒരു വിശക്കുന്ന കൊച്ചു രാക്ഷസനായിരിക്കാം)

• ഭരണം, ഓഡിറ്റുകൾ, ആക്‌സസ് നിയന്ത്രണം (NIST AI RMF, ISO/IEC 42001 അവലോകനം)

ആരും പരസ്യപ്പെടുത്താത്ത ഭാഗം:

• മനുഷ്യ പ്രക്രിയകൾ - അവലോകകർ, എസ്കലേഷൻ, ക്വാളിറ്റി അഡ്മിനിസ്ട്രേഷൻ, ഉപഭോക്തൃ ഫീഡ്‌ബാക്ക് പൈപ്പ്‌ലൈനുകൾ.
  AI "സെറ്റ് ചെയ്ത് മറക്കുക" എന്നല്ല. ഇത് പൂന്തോട്ടപരിപാലനം പോലെയാണ്. അല്ലെങ്കിൽ ഒരു വളർത്തുമൃഗ റാക്കൂൺ സ്വന്തമാക്കുന്നത് പോലെയാണ്. ഇത് ഭംഗിയുള്ളതായിരിക്കാം, പക്ഷേ നിങ്ങൾ കാണുന്നില്ലെങ്കിൽ അത് നിങ്ങളുടെ അടുക്കളയെ പൂർണ്ണമായും നശിപ്പിക്കും 😬🦝

ബിസിനസ് മോഡലുകൾ: AI കമ്പനികൾ എങ്ങനെ പണം സമ്പാദിക്കുന്നു 💸

AI കമ്പനികൾ സാധാരണയായി ചില പൊതുവായ ധനസമ്പാദന രൂപങ്ങളിൽ പെടുന്നു:

• ഉപയോഗത്തെ അടിസ്ഥാനമാക്കിയുള്ളത് (ഓരോ അഭ്യർത്ഥനയ്ക്കും, ഓരോ ടോക്കണിനും, മിനിറ്റിനും, ഓരോ ചിത്രത്തിനും, ഓരോ ടാസ്‌ക്കിനും) (OpenAI API വിലനിർണ്ണയം, OpenAI - ടോക്കണുകൾ)

• സീറ്റ് അധിഷ്ഠിത സബ്‌സ്‌ക്രിപ്‌ഷനുകൾ (ഓരോ ഉപയോക്താവിനും പ്രതിമാസം) (മൈക്രോസോഫ്റ്റ് 365 കോപൈലറ്റ് വിലനിർണ്ണയം)

• ഫലത്തെ അടിസ്ഥാനമാക്കിയുള്ള വിലനിർണ്ണയം (അപൂർവ്വം, പക്ഷേ ശക്തം - ഓരോ പരിവർത്തനത്തിനും അല്ലെങ്കിൽ പരിഹരിച്ച ടിക്കറ്റിനും പണം നൽകുന്നത്)

• എന്റർപ്രൈസ് കരാറുകൾ (പിന്തുണ, അനുസരണം, SLA-കൾ, ഇഷ്ടാനുസൃത വിന്യാസം)

• ലൈസൻസിംഗ് (ഉപകരണത്തിൽ, ഉൾച്ചേർത്തത്, OEM ശൈലി) (NVIDIA)

പല AI കമ്പനികളും നേരിടുന്ന ഒരു പിരിമുറുക്കം:

• ഉപഭോക്താക്കൾക്ക് പ്രവചനാതീതമായ ചെലവ് വേണം 😌

• ഉപയോഗവും മോഡൽ തിരഞ്ഞെടുപ്പും അനുസരിച്ച് AI ചെലവുകളിൽ ഏറ്റക്കുറച്ചിലുകൾ ഉണ്ടാകാം 😵

അതുകൊണ്ട് നല്ല AI കമ്പനികൾ ഇവയിൽ വളരെ മികച്ചതാകുന്നു:

• സാധ്യമാകുമ്പോഴെല്ലാം വിലകുറഞ്ഞ മോഡലുകളിലേക്ക് ജോലികൾ റൂട്ട് ചെയ്യുക

• കാഷിംഗ് ഫലങ്ങൾ

• ബാച്ചിംഗ് അഭ്യർത്ഥനകൾ

• സന്ദർഭ വലുപ്പം നിയന്ത്രിക്കൽ

• "അനന്തമായ പ്രോംപ്റ്റ് സർപ്പിളുകളെ" നിരുത്സാഹപ്പെടുത്തുന്ന UX രൂപകൽപ്പന ചെയ്യുന്നു (നാമെല്ലാവരും അത് ചെയ്തിട്ടുണ്ട്...)

മോറ്റ് ചോദ്യം: ഒരു AI കമ്പനിയെ പ്രതിരോധാത്മകമാക്കുന്നത് എന്താണ് 🏰

ഇതാണ് ഏറ്റവും രസകരമായ കാര്യം. പലരും കരുതുന്നത് കിടങ്ങ് "നമ്മുടെ മാതൃകയാണ് നല്ലത്" എന്നാണ്. ചിലപ്പോൾ അങ്ങനെയാണ്, പക്ഷേ പലപ്പോഴും... അല്ല.

പൊതുവായ പ്രതിരോധ ഗുണങ്ങൾ:

• ഉടമസ്ഥാവകാശ ഡാറ്റ (പ്രത്യേകിച്ച് ഡൊമെയ്ൻ-നിർദ്ദിഷ്ട)

• വിതരണം (ഉപയോക്താക്കൾ ഇതിനകം താമസിക്കുന്ന ഒരു വർക്ക്ഫ്ലോയിൽ ഉൾച്ചേർത്തിരിക്കുന്നു)

• സ്വിച്ചിംഗ് ചെലവുകൾ (സംയോജനങ്ങൾ, പ്രക്രിയ മാറ്റങ്ങൾ, ടീം ശീലങ്ങൾ)

• ബ്രാൻഡ് വിശ്വാസ്യത (പ്രത്യേകിച്ച് ഉയർന്ന ഓഹരികളുള്ള ഡൊമെയ്‌നുകൾക്ക്)

• പ്രവർത്തന മികവ് (വിശ്വസനീയമായ AI സ്കെയിലിൽ ഷിപ്പിംഗ് ചെയ്യുന്നത് ബുദ്ധിമുട്ടാണ്) (Google ക്ലൗഡ് MLOps)

• ഹ്യൂമൻ-ഇൻ-ദി-ലൂപ്പ് സിസ്റ്റങ്ങൾ (ഹൈബ്രിഡ് സൊല്യൂഷനുകൾക്ക് പ്യുവർ ഓട്ടോമേഷനെ മറികടക്കാൻ കഴിയും) (NIST AI RMF, EU AI ആക്റ്റ് - ഹ്യൂമൻ മേൽനോട്ടം (ആർട്ടിക്കിൾ 14))

അല്പം അസ്വസ്ഥത ഉളവാക്കുന്ന ഒരു സത്യം:
രണ്ട് കമ്പനികൾക്ക് ഒരേ അടിസ്ഥാന മോഡൽ ഉപയോഗിക്കാമെങ്കിലും അവയ്ക്ക് വളരെ വ്യത്യസ്തമായ ഫലങ്ങൾ മാത്രമേ ലഭിക്കൂ. വ്യത്യാസം സാധാരണയായി മോഡലിനെ ചുറ്റിപ്പറ്റിയുള്ള എല്ലാത്തിലുമാണ് - ഉൽപ്പന്ന രൂപകൽപ്പന, വിലയിരുത്തലുകൾ, ഡാറ്റ ലൂപ്പുകൾ, പരാജയത്തെ അവർ എങ്ങനെ കൈകാര്യം ചെയ്യുന്നു.

AI-വാഷിംഗ് (അഥവാ "ഞങ്ങൾ തിളക്കം ചേർത്തു അതിനെ ബുദ്ധിശക്തി എന്ന് വിളിച്ചു") എങ്ങനെ കണ്ടെത്താം 🚩

ഒരു AI കമ്പനി യഥാർത്ഥത്തിൽ എന്താണെന്ന് നിങ്ങൾ വിലയിരുത്തുകയാണെങ്കിൽ, ഈ സൂചനകൾ ശ്രദ്ധിക്കുക:

• വ്യക്തമായ AI ശേഷി വിവരിച്ചിട്ടില്ല: ധാരാളം മാർക്കറ്റിംഗ്, സംവിധാനമില്ല.

• ഡെമോ മാജിക്: മികച്ച ഡെമോ, എഡ്ജ് കേസുകളുടെ പരാമർശമില്ല.

• വിലയിരുത്തൽ കഥയില്ല: വിശ്വാസ്യത എങ്ങനെ പരിശോധിക്കുന്നുവെന്ന് അവർക്ക് വിശദീകരിക്കാൻ കഴിയില്ല (Google ക്ലൗഡ് MLOps)

• കൈകൊണ്ട് തരംഗമാകുന്ന ഡാറ്റ ഉത്തരങ്ങൾ: ഡാറ്റ എവിടെ നിന്ന് വരുന്നു അല്ലെങ്കിൽ അത് എങ്ങനെ നിയന്ത്രിക്കപ്പെടുന്നു എന്നതിനെക്കുറിച്ച് വ്യക്തമല്ല (NIST AI RMF)

• നിരീക്ഷണത്തിന് പദ്ധതിയില്ല: മോഡലുകൾ ഒഴുകിപ്പോകാത്തതുപോലെ അവ പ്രവർത്തിക്കുന്നു (ഐബിഎം - മോഡൽ ഡ്രിഫ്റ്റ്)

• പരാജയ രീതികൾ അവർക്ക് വിശദീകരിക്കാൻ കഴിയില്ല: എല്ലാം "ഏകദേശം പൂർണമാണ്" (ഒന്നും അല്ല) (OpenAI - ഹാലുസിനേഷനുകൾ)

പച്ച പതാകകൾ (ശാന്തമാക്കുന്ന വിപരീതം) ✅:

• അവർ പ്രകടനം എങ്ങനെ അളക്കുന്നുവെന്ന് കാണിക്കുന്നു

• അവർ പരിഭ്രാന്തരാകാതെ പരിമിതികളെക്കുറിച്ച് സംസാരിക്കുന്നു

• അവയ്ക്ക് മനുഷ്യ അവലോകന പാതകളും വർദ്ധനവുമുണ്ട് (NIST AI RMF, EU AI ആക്റ്റ് - മനുഷ്യ മേൽനോട്ടം (ആർട്ടിക്കിൾ 14))

• സ്വകാര്യതയും അനുസരണ ആവശ്യങ്ങളും അവർ മനസ്സിലാക്കുന്നു (NIST AI RMF, EU AI ആക്റ്റ് അവലോകനം)

• വൈകാരികമായി തകർന്നു പോകാതെ അവർക്ക് "ഞങ്ങൾ അങ്ങനെ ചെയ്യില്ല" എന്ന് പറയാൻ കഴിയും 😅

നിങ്ങൾ ഒന്ന് നിർമ്മിക്കുകയാണെങ്കിൽ: ഒരു AI കമ്പനിയാകുന്നതിനുള്ള ഒരു പ്രായോഗിക ചെക്ക്‌ലിസ്റ്റ് 🧠📝

“AI- പ്രാപ്തമാക്കിയത്” എന്നതിൽ നിന്ന് “AI കമ്പനി” എന്നതിലേക്ക് മാറാൻ നിങ്ങൾ ശ്രമിക്കുകയാണെങ്കിൽ, പ്രായോഗികമായ ഒരു പാത ഇതാ:

• പണം നൽകി പരിഹരിക്കാൻ നിർബന്ധിതരാകുന്ന അത്രയും ആളുകളെ വേദനിപ്പിക്കുന്ന ഒരു വർക്ക്ഫ്ലോയിൽ നിന്ന് ആരംഭിക്കുക

• ഉപകരണ ഫലങ്ങൾ നേരത്തെ (നിങ്ങൾ സ്കെയിൽ ചെയ്യുന്നതിന് മുമ്പ്)

• യഥാർത്ഥ ഉപയോക്തൃ കേസുകളിൽ നിന്ന് ഒരു വിലയിരുത്തൽ സെറ്റ് നിർമ്മിക്കുക (Google ക്ലൗഡ് MLOps)

• ആദ്യ ദിവസം മുതൽ ഫീഡ്‌ബാക്ക് ലൂപ്പുകൾ ചേർക്കുക

• ഗാർഡ്‌റെയിലുകളെ ഒരു പിന്നീടുള്ള ചിന്തയല്ല, ഡിസൈനിന്റെ ഭാഗമാക്കുക (NIST AI RMF)

• അമിതമായി നിർമ്മിക്കരുത് - വിശ്വസനീയമായ ഒരു ഇടുങ്ങിയ വെഡ്ജ് അയയ്ക്കുക

• വിന്യാസത്തെ അവസാന ഘട്ടമായിട്ടല്ല, മറിച്ച് ഒരു ഉൽപ്പന്നം പോലെ പരിഗണിക്കുക (Google ക്ലൗഡ് MLOps)

കൂടാതെ, ഫലപ്രദമായ വിപരീത ഉപദേശം:

• AI ശരിയാകുമ്പോൾ എന്ത് സംഭവിക്കുമെന്ന് ചിന്തിക്കുന്നതിനേക്കാൾ, അത് തെറ്റാകുമ്പോൾ എന്ത് സംഭവിക്കുമെന്ന് ചിന്തിക്കാൻ കൂടുതൽ സമയം ചെലവഴിക്കുക.
  വിശ്വാസം നേടുന്നതും നഷ്ടപ്പെടുന്നതും അവിടെയാണ്. (NIST AI RMF)

സമാപന സംഗ്രഹം 🧠✨

അപ്പോൾ... ഒരു AI കമ്പനി എന്താണെന്ന് ലളിതമായി പറയാം:

ഇത് ഒരു കമ്പനിയാണ്, അവിടെ AI എന്നത്അലങ്കാരമല്ല, എഞ്ചിനാണ്. നിങ്ങൾ AI നീക്കം ചെയ്യുകയും ഉൽപ്പന്നം അർത്ഥശൂന്യമാകുകയോ (അല്ലെങ്കിൽ അതിന്റെ ഗുണം നഷ്ടപ്പെടുകയോ) ചെയ്താൽ, നിങ്ങൾ ഒരു യഥാർത്ഥ AI കമ്പനിയെയാണ് നോക്കുന്നത്. AI പല ഉപകരണങ്ങളിൽ ഒന്ന് മാത്രമാണെങ്കിൽ, അതിനെ AI- പ്രാപ്തമാക്കിയത് എന്ന് വിളിക്കുന്നതാണ് കൂടുതൽ കൃത്യം.

രണ്ടും കുഴപ്പമില്ല. ലോകത്തിന് രണ്ടും ആവശ്യമാണ്. എന്നാൽ നിങ്ങൾ നിക്ഷേപിക്കുമ്പോഴോ, ജോലിക്കെടുക്കുമ്പോഴോ, സോഫ്റ്റ്‌വെയർ വാങ്ങുമ്പോഴോ, നിങ്ങളെ വിൽക്കുന്നത് ഒരു റോബോട്ടാണോ അതോ ഗൂഗ്ലി കണ്ണുകളുള്ള ഒരു കാർഡ്ബോർഡ് കട്ടൗട്ടാണോ എന്ന് മനസ്സിലാക്കാൻ ശ്രമിക്കുമ്പോഴോ ലേബൽ പ്രധാനമാണ് 🤖👀

യഥാർത്ഥ ലോക ഉദാഹരണം: ഒരു AI സപ്പോർട്ട് ട്രയേജ് കമ്പനി കെട്ടിപ്പടുക്കൽ 

രംഗം

ഷോപ്പിഫൈ ശൈലിയിലുള്ള ഇ-കൊമേഴ്‌സ് സ്റ്റോറുകൾക്കായി ഒരു ചെറിയ സ്റ്റാർട്ടപ്പ് ഒരു AI സപ്പോർട്ട് ട്രയേജ് അസിസ്റ്റന്റ് നിർമ്മിക്കുന്നത് സങ്കൽപ്പിക്കുക. ഇത് ഒരു സാങ്കൽപ്പിക ഉദാഹരണമാണ്, ഒരു യഥാർത്ഥ കമ്പനി കേസ് സ്റ്റഡി അല്ല.

ഈ ഉൽപ്പന്നം ഒരു ഹെൽപ്പ്ഡെസ്കിലേക്ക് ഒരു ചാറ്റ്ബോട്ട് ചേർക്കുക മാത്രമല്ല ചെയ്യുന്നത്. വരുന്ന ഉപഭോക്തൃ ടിക്കറ്റുകൾ വായിക്കുക, പ്രശ്നം തരംതിരിക്കുക, മറുപടി നിർദ്ദേശിക്കുക, റീഫണ്ട്-റിസ്ക് കേസുകൾ ഫ്ലാഗ് ചെയ്യുക, സെൻസിറ്റീവ് ആയ എന്തും ഒരു മനുഷ്യ ഏജന്റിന് വഴിതിരിച്ചുവിടുക എന്നിവയാണ് ഇതിന്റെ പ്രധാന ജോലി.

AI നീക്കം ചെയ്‌താൽ, ഉൽപ്പന്നം മിക്കവാറും ഒരു അടിസ്ഥാന ടാഗിംഗ് ഉപകരണമായി ചുരുങ്ങും. AI- പ്രാപ്തമാക്കിയ ഹെൽപ്പ് ഡെസ്‌ക് ആഡ്-ഓണിനേക്കാൾ AI കമ്പനിയുമായി ഇത് വളരെ അടുത്താണ്, കാരണം പ്രധാന മൂല്യം വർഗ്ഗീകരണം, പ്രവചനം, വീണ്ടെടുക്കൽ, തുടർച്ചയായ മെച്ചപ്പെടുത്തൽ എന്നിവയെ ആശ്രയിച്ചിരിക്കുന്നു.

അസിസ്റ്റന്റിന് എന്താണ് വേണ്ടത്

സഹായിയെ ഫലപ്രദമാക്കാൻ, ടീമിന് ഇവ ആവശ്യമാണ്:

കഴിഞ്ഞ 3-6 മാസത്തെ ഉപഭോക്തൃ പിന്തുണ ടിക്കറ്റുകൾ, സ്വകാര്യ ഡാറ്റ നീക്കം ചെയ്‌തു

അംഗീകൃത റീഫണ്ട്, റിട്ടേൺ, ഷിപ്പിംഗ്, കിഴിവ് നയങ്ങളുടെ ഒരു ലിസ്റ്റ്

"നല്ല" മനുഷ്യ മറുപടികളുടെ ഉദാഹരണങ്ങൾ

കേടായ ഇനം, വൈകിയ ഡെലിവറി, റീഫണ്ട് അഭ്യർത്ഥന, ഓർഡർ നഷ്ടപ്പെട്ടു, ഉൽപ്പന്ന ചോദ്യം, ദേഷ്യപ്പെട്ട ഉപഭോക്താവ് എന്നിങ്ങനെയുള്ള ടിക്കറ്റ് വിഭാഗങ്ങളുടെ ഒരു കൂട്ടം

ഉത്തരം നൽകുന്നതിനുപകരം AI എപ്പോൾ രൂക്ഷമാകണം എന്നതിനുള്ള നിയമങ്ങൾ

ഏജന്റുമാർക്കുള്ള ഒരു ലളിതമായ ഫീഡ്‌ബാക്ക് ബട്ടൺ: “സ്വീകരിച്ചു”, “എഡിറ്റ് ചെയ്‌തു”, അല്ലെങ്കിൽ “നിരസിച്ചു”

ഉദാഹരണ നിർദ്ദേശം

നിങ്ങൾ ഒരു ഇ-കൊമേഴ്‌സ് സ്റ്റോറിലെ ഒരു സപ്പോർട്ട് ട്രയേജ് അസിസ്റ്റന്റാണ്. ഓരോ ഉപഭോക്തൃ സന്ദേശവും വായിച്ച് നാല് കാര്യങ്ങൾ നൽകുക: ടിക്കറ്റ് വിഭാഗം, അടിയന്തരാവസ്ഥ, നിർദ്ദേശിച്ച മറുപടി, അയയ്ക്കുന്നതിന് മുമ്പ് ഒരു മനുഷ്യൻ അത് അവലോകനം ചെയ്യേണ്ടതുണ്ടോ എന്ന്.

റീഫണ്ട് തർക്കങ്ങൾ, നിയമപരമായ ഭീഷണികൾ, മെഡിക്കൽ ക്ലെയിമുകൾ, പേയ്‌മെന്റ് പ്രശ്നങ്ങൾ, ദുരുപയോഗ സന്ദേശങ്ങൾ, ഉപഭോക്താവിന്റെ ഓർഡർ വിശദാംശങ്ങൾ നഷ്ടപ്പെട്ട കേസുകൾ എന്നിവ എപ്പോഴും ഉന്നയിക്കുക.

സ്റ്റോറിന്റെ അംഗീകൃത പോളിസി രേഖകൾ മാത്രം ഉപയോഗിക്കുക. ഉത്തരം പോളിസിയിൽ ഇല്ലെങ്കിൽ, മനുഷ്യ അവലോകനം ആവശ്യമാണെന്ന് പറയുക. റീഫണ്ട് നിയമങ്ങൾ, ഡെലിവറി തീയതികൾ, കിഴിവ് കോഡുകൾ, ട്രാക്കിംഗ് വിവരങ്ങൾ എന്നിവ കണ്ടുപിടിക്കരുത്.

എങ്ങനെ പരീക്ഷിക്കാം

ഇത് ഒരു യഥാർത്ഥ ഉൽപ്പന്നമായി വിൽക്കുന്നതിന് മുമ്പ്, ടീം ഒരു ചെറിയ വിലയിരുത്തൽ സെറ്റ് നടത്തണം.

ഉദാഹരണത്തിന്:

ശരിയായ വിഭാഗം ഇതിനകം അറിയപ്പെടുന്ന 100 പഴയ പിന്തുണ ടിക്കറ്റുകൾ പരിശോധിക്കുക

ഒരു സന്ദേശത്തിൽ അക്ഷരത്തെറ്റുകൾ, നഷ്‌ടമായ ഓർഡർ നമ്പറുകൾ, വൈകാരിക ഭാഷ അല്ലെങ്കിൽ ഒന്നിലധികം പ്രശ്നങ്ങൾ എന്നിവയുള്ള കുറഞ്ഞത് 20 അപൂർണ്ണ ടിക്കറ്റുകളെങ്കിലും ഉൾപ്പെടുത്തുക

മനുഷ്യ വിഭാഗവുമായി AI വിഭാഗത്തെ താരതമ്യം ചെയ്യുക

വർദ്ധനവ് നിയമങ്ങൾ പാലിച്ചിട്ടുണ്ടോ എന്ന് പരിശോധിക്കുക

നിർദ്ദേശിച്ച മറുപടികളെ “അയയ്ക്കാവുന്നത്”, “എഡിറ്റ് ആവശ്യമാണ്” അല്ലെങ്കിൽ “തെറ്റ്” എന്നിങ്ങനെ റേറ്റ് ചെയ്യാൻ രണ്ട് പിന്തുണാ ഏജന്റുമാരോട് ആവശ്യപ്പെടുക

ഒരു ഡെമോയിൽ ഒരിക്കൽ മാത്രമല്ല, ആഴ്ചതോറും ഫലം ട്രാക്ക് ചെയ്യുക

ഫലമായി

ഉദാഹരണ ഫലം: വർക്ക്ഫ്ലോ ഉപയോഗിക്കുന്നതിന് മുമ്പും ശേഷവുമുള്ള 100 സാമ്പിൾ ടിക്കറ്റുകളുടെ സമയക്രമത്തെ അടിസ്ഥാനമാക്കി.

മാനുവൽ ട്രയേജ്: 100 ടിക്കറ്റുകൾ × 2.5 മിനിറ്റ് വീതം = 250 മിനിറ്റ്

AI സഹായത്തോടെയുള്ള ട്രയേജ്: 100 ടിക്കറ്റുകൾ × ഓരോന്നിനും 45 സെക്കൻഡ് അവലോകന സമയം = 75 മിനിറ്റ്

ലാഭിക്കാവുന്ന ഏകദേശ സമയം: 100 ടിക്കറ്റുകൾക്ക് 175 മിനിറ്റ്, അല്ലെങ്കിൽ 70%

ലോഞ്ച് ചെയ്യുന്നതിന് മുമ്പ് കാറ്റഗറി കൃത്യത ലക്ഷ്യം: 100 ടിക്കറ്റുകളിൽ കുറഞ്ഞത് 90 എണ്ണമെങ്കിലും ശരിയായി തരംതിരിച്ചിരിക്കണം

എസ്കലേഷൻ സുരക്ഷാ ലക്ഷ്യം: ആവശ്യമായ മനുഷ്യ അവലോകന വിഭാഗങ്ങളിലുടനീളം 0 എസ്കലേഷൻ നഷ്ടമായി

ഒരു വാങ്ങുന്നയാൾക്ക് സ്വന്തം ഹെൽപ്പ് ഡെസ്കിൽ അതേ 100-ടിക്കറ്റ് ടെസ്റ്റ് നടത്തിക്കൊണ്ടും ചരിത്രപരമായ മനുഷ്യ ലേബലുകളുമായി AI ക്ലാസിഫിക്കേഷനുകൾ താരതമ്യം ചെയ്തുകൊണ്ടും ഈ നമ്പറുകൾ പരിശോധിക്കാൻ കഴിയും.

എന്ത് തെറ്റ് സംഭവിക്കാം?

ഏറ്റവും വലിയ അപകടസാധ്യത AI മോശമായി തോന്നുന്നു എന്നതല്ല; അത് ആത്മവിശ്വാസം നൽകുന്നതായി തോന്നുമെങ്കിലും അത് തെറ്റാണെന്ന് തോന്നുന്നു എന്നതാണ്.

സാധാരണ തെറ്റുകളിൽ ഇവ ഉൾപ്പെടുന്നു:

റീഫണ്ടുകൾ വാഗ്ദാനം ചെയ്യാൻ AI അനുവദിക്കുന്നത് അംഗീകരിക്കാൻ കഴിയില്ല

കാലഹരണപ്പെട്ട പോളിസി രേഖകൾ ഉപയോഗിക്കുന്നത്

ശരിയായ റൂട്ടിംഗിന് പകരം "നല്ലതായി കാണപ്പെടുന്ന മറുപടികൾ" മാത്രം അളക്കുന്നു

ചാർജ്ബാക്കുകൾ, ഭീഷണികൾ, അല്ലെങ്കിൽ ദുർബലരായ ഉപഭോക്താക്കൾ തുടങ്ങിയ അടിയന്തര കേസുകൾ അവഗണിക്കൽ

ഉയർന്ന അപകടസാധ്യതയുള്ള ടിക്കറ്റുകൾക്ക് മനുഷ്യ അവലോകനം ഒഴിവാക്കുന്നു

എന്താണ് പരീക്ഷിച്ചതെന്ന് വിശദീകരിക്കാതെ "95% ഓട്ടോമേഷൻ" അവകാശപ്പെടുന്നു

ഗൗരവമുള്ള ഒരു AI കമ്പനി ഇവയെ ഉൽപ്പന്ന രൂപകൽപ്പന പ്രശ്‌നങ്ങളായി കണക്കാക്കും, അരോചകമായ അടിക്കുറിപ്പുകളായിട്ടല്ല.

പ്രായോഗിക ഉപദേശം

യഥാർത്ഥ AI മൂല്യവും AI അലങ്കാരവും തമ്മിലുള്ള വ്യത്യാസം ഈ ഉദാഹരണം കാണിക്കുന്നു. സ്റ്റാക്കിൽ എവിടെയെങ്കിലും ഒരു മോഡൽ ഉപയോഗിക്കുന്നതിനാൽ കമ്പനി "AI" അല്ല. വർഗ്ഗീകരണം, വീണ്ടെടുക്കൽ, വിലയിരുത്തൽ, വർദ്ധനവ്, ഫീഡ്‌ബാക്ക് ലൂപ്പുകൾ എന്നിവ ഉൽപ്പന്നത്തിന്റെ എഞ്ചിനായതിനാൽ ഇത് ഒരു AI കമ്പനിയാണ്.

പതിവുചോദ്യങ്ങൾ

ഒരു AI കമ്പനിയും AI- പ്രാപ്തമാക്കിയ കമ്പനിയും തമ്മിൽ എന്ത് ബന്ധമുണ്ട്?

ഒരു AI കമ്പനി എന്നത് കോർ ഉൽപ്പന്നം, മൂല്യം അല്ലെങ്കിൽ മത്സര നേട്ടം AI-യെ ആശ്രയിച്ചിരിക്കുന്ന ഒന്നാണ് - AI നീക്കം ചെയ്താൽ ഓഫർ തകരുകയോ നാടകീയമായി മോശമാവുകയോ ചെയ്യും. AI- പ്രാപ്തമാക്കിയ ഒരു കമ്പനി പ്രവർത്തനങ്ങൾ ശക്തിപ്പെടുത്താൻ AI ഉപയോഗിക്കുന്നു (പ്രവചനം അല്ലെങ്കിൽ തട്ടിപ്പ് കണ്ടെത്തൽ പോലുള്ളവ) എന്നാൽ ഇപ്പോഴും അടിസ്ഥാനപരമായി AI അല്ലാത്ത എന്തെങ്കിലും വിൽക്കുന്നു. ഒരു ലളിതമായ പരീക്ഷണം: നാളെ AI പരാജയപ്പെടുകയും നിങ്ങൾക്ക് അടിസ്ഥാന സോഫ്റ്റ്‌വെയർ ഉപയോഗിച്ച് പ്രവർത്തിക്കാൻ കഴിയുകയും ചെയ്താൽ, നിങ്ങൾ AI- പ്രാപ്തമാക്കിയിരിക്കാൻ സാധ്യതയുണ്ട്.

ഒരു ബിസിനസ്സ് യഥാർത്ഥത്തിൽ ഒരു AI കമ്പനിയാണോ എന്ന് എനിക്ക് എങ്ങനെ വേഗത്തിൽ പറയാൻ കഴിയും?

AI പ്രവർത്തിക്കുന്നത് നിർത്തിയാൽ എന്ത് സംഭവിക്കുമെന്ന് പരിഗണിക്കുക. ഉപഭോക്താക്കൾ ഇപ്പോഴും പണം നൽകുകയാണെങ്കിൽ, ബിസിനസ്സിന് സ്പ്രെഡ്ഷീറ്റുകളോ പരമ്പരാഗത സോഫ്റ്റ്‌വെയറോ ഉപയോഗിച്ച് മുടന്താൻ കഴിയുമെങ്കിൽ, അത് AI-നേറ്റീവ് ആയിരിക്കില്ല. യഥാർത്ഥ AI കമ്പനികൾ കൃത്യമായ പ്രവർത്തന പദങ്ങളിൽ സംസാരിക്കാൻ പ്രവണത കാണിക്കുന്നു: മൂല്യനിർണ്ണയ സെറ്റുകൾ, ലേറ്റൻസി, ഡ്രിഫ്റ്റ്, ഹാലുഷ്യേഷനുകൾ, മോണിറ്ററിംഗ്, പരാജയ മോഡുകൾ. ഇതെല്ലാം മാർക്കറ്റിംഗും ഒരു മെക്കാനിസവുമില്ലെങ്കിൽ, അത് ഒരു മുന്നറിയിപ്പ് മാത്രമാണ്.

ഒരു AI കമ്പനിയാകാൻ നിങ്ങളുടെ സ്വന്തം മോഡലിനെ പരിശീലിപ്പിക്കേണ്ടതുണ്ടോ?

ഇല്ല. പല AI കമ്പനികളും നിലവിലുള്ള മോഡലുകൾക്ക് മുകളിൽ ശക്തമായ ഉൽപ്പന്നങ്ങൾ നിർമ്മിക്കുകയും AI ഉൽപ്പന്നത്തിന്റെ എഞ്ചിനായിരിക്കുമ്പോൾ ഇപ്പോഴും AI-നേറ്റീവ് ആയി യോഗ്യത നേടുകയും ചെയ്യുന്നു. മോഡലുകൾ, ഡാറ്റ, വിലയിരുത്തൽ, ആവർത്തന ലൂപ്പുകൾ എന്നിവ പ്രകടനത്തെയും വ്യത്യസ്തതയെയും നയിക്കുന്നുണ്ടോ എന്നതാണ് പ്രധാനം. ആദ്യം മുതൽ പരിശീലനം കൂടാതെ തന്നെ ഉടമസ്ഥാവകാശ ഡാറ്റ, വർക്ക്ഫ്ലോ സംയോജനം, കർശനമായ വിലയിരുത്തൽ എന്നിവയ്ക്ക് ഒരു യഥാർത്ഥ നേട്ടം സൃഷ്ടിക്കാൻ കഴിയും.

AI കമ്പനികളുടെ പ്രധാന തരങ്ങൾ ഏതൊക്കെയാണ്, അവ എങ്ങനെ വ്യത്യാസപ്പെട്ടിരിക്കുന്നു?

സാധാരണ തരങ്ങളിൽ ഫൗണ്ടേഷൻ മോഡൽ ബിൽഡർമാർ, ലംബമായ AI ആപ്പുകൾ (നിയമപരമോ മെഡിക്കൽ ഉപകരണങ്ങളോ പോലുള്ളവ), വിജ്ഞാന പ്രവർത്തനത്തിനുള്ള കോപൈലറ്റുകൾ, MLOps/മോഡൽ ഓപ്‌സ് പ്ലാറ്റ്‌ഫോമുകൾ, ഡാറ്റ, ലേബലിംഗ് ബിസിനസുകൾ, എഡ്ജ്/ഓൺ-ഡിവൈസ് AI, കൺസൾട്ടൻസികൾ/ഇന്റഗ്രേറ്റർമാർ, മൂല്യനിർണ്ണയ/സുരക്ഷാ ടൂളിംഗ് ദാതാക്കൾ എന്നിവ ഉൾപ്പെടുന്നു. അവയെല്ലാം "AI കമ്പനികൾ" ആകാം, പക്ഷേ അവ വളരെ വ്യത്യസ്തമായ കാര്യങ്ങൾ വിൽക്കുന്നു: മോഡലുകൾ, പൂർത്തിയായ ഉൽപ്പന്നങ്ങൾ, അല്ലെങ്കിൽ ഉൽപ്പാദന AI വിശ്വസനീയവും നിയന്ത്രിക്കാവുന്നതുമാക്കുന്ന അടിസ്ഥാന സൗകര്യങ്ങൾ.

സാധാരണ AI കമ്പനി സ്റ്റാക്ക് ഹുഡിനടിയിൽ എങ്ങനെയിരിക്കും?

പല AI കമ്പനികളും ഒരു ഏകദേശ കണക്ക് പങ്കിടുന്നു: ഒരു ഡാറ്റ ലെയർ (ശേഖരണം, ലേബലിംഗ്, ഗവേണൻസ്, ഫീഡ്‌ബാക്ക് ലൂപ്പുകൾ), ഒരു മോഡൽ ലെയർ (ബേസ് മോഡൽ സെലക്ഷൻ, ഫൈൻ-ട്യൂണിംഗ്, RAG/വെക്റ്റർ സെർച്ച്, ഇവാലുവേഷൻ സ്യൂട്ടുകൾ), ഒരു ഉൽപ്പന്ന ലെയർ (അനിശ്ചിതത്വത്തിനായുള്ള UX, ഗാർഡ്‌റെയിലുകൾ, വർക്ക്ഫ്ലോ ഇന്റഗ്രേഷൻ), ഒരു ops ലെയർ (ഡ്രിഫ്റ്റിനായുള്ള നിരീക്ഷണം, സംഭവ പ്രതികരണം, ചെലവ് നിയന്ത്രണങ്ങൾ, ഓഡിറ്റുകൾ). മനുഷ്യ പ്രക്രിയകൾ - അവലോകകർ, വർദ്ധനവ്, QA - പലപ്പോഴും അപ്രസക്തമായ നട്ടെല്ലാണ്.

ഒരു AI കമ്പനി വെറും ഡെമോകൾ മാത്രമല്ല, "യഥാർത്ഥത്തിൽ പ്രവർത്തിക്കുന്നു" എന്ന് എന്ത് മെട്രിക്കുകൾ കാണിക്കുന്നു?

ഉൽപ്പന്നവുമായി ബന്ധപ്പെട്ട അളക്കാവുന്ന ഫലങ്ങൾ - കൃത്യത, സമയം ലാഭിക്കൽ, ചെലവ് കുറയ്ക്കൽ, കുറവ് പിശകുകൾ അല്ലെങ്കിൽ ഉയർന്ന പരിവർത്തനം - എന്നിവ - ആ മെട്രിക്കുകൾ വിലയിരുത്തുന്നതിനും നിരീക്ഷിക്കുന്നതിനുമുള്ള വ്യക്തമായ രീതിയുമായി സംയോജിപ്പിച്ചിരിക്കുന്നു എന്നതാണ് ശക്തമായ ഒരു സൂചന. യഥാർത്ഥ ടീമുകൾ ബെഞ്ച്മാർക്കുകൾ നിർമ്മിക്കുന്നു, എഡ്ജ് കേസുകൾ പരിശോധിക്കുന്നു, വിന്യാസത്തിനുശേഷം പ്രകടനം ട്രാക്ക് ചെയ്യുന്നു. മോഡൽ തെറ്റാകുമ്പോൾ മാത്രമല്ല, അത് ശരിയായിരിക്കുമ്പോഴും അവർ ആസൂത്രണം ചെയ്യുന്നു, കാരണം വിശ്വാസം പരാജയം കൈകാര്യം ചെയ്യുന്നതിനെ ആശ്രയിച്ചിരിക്കുന്നു.

AI കമ്പനികൾ സാധാരണയായി എങ്ങനെയാണ് പണം സമ്പാദിക്കുന്നത്, വാങ്ങുന്നവർ എന്തൊക്കെ വിലനിർണ്ണയ കെണികൾ ശ്രദ്ധിക്കണം?

ഉപയോഗാധിഷ്ഠിത വിലനിർണ്ണയം (ഓരോ അഭ്യർത്ഥന/ടോക്കൺ/ടാസ്‌ക്), സീറ്റ് അധിഷ്ഠിത സബ്‌സ്‌ക്രിപ്‌ഷനുകൾ, ഫലാധിഷ്ഠിത വിലനിർണ്ണയം (അപൂർവ്വം), SLA-കളുമായുള്ള എന്റർപ്രൈസ് കരാറുകൾ, എംബഡഡ് അല്ലെങ്കിൽ ഓൺ-ഡിവൈസ് AI-ക്കുള്ള ലൈസൻസിംഗ് എന്നിവ സാധാരണ മോഡലുകളിൽ ഉൾപ്പെടുന്നു. ഒരു പ്രധാന പിരിമുറുക്കം പ്രവചനാതീതതയാണ്: ഉപഭോക്താക്കൾക്ക് സ്ഥിരതയുള്ള ചെലവ് വേണം, അതേസമയം AI ചെലവുകൾ ഉപയോഗത്തിനും മോഡൽ തിരഞ്ഞെടുപ്പിനും അനുസരിച്ച് മാറാം. വിലകുറഞ്ഞ മോഡലുകളിലേക്ക് റൂട്ട് ചെയ്യുന്നതിലൂടെയും, കാഷിംഗ് ചെയ്യുന്നതിലൂടെയും, ബാച്ചിംഗ് ചെയ്യുന്നതിലൂടെയും, സന്ദർഭ വലുപ്പം നിയന്ത്രിക്കുന്നതിലൂടെയും ശക്തമായ വെണ്ടർമാർ ഇത് കൈകാര്യം ചെയ്യുന്നു.

എല്ലാവർക്കും സമാനമായ മോഡലുകൾ ഉപയോഗിക്കാൻ കഴിയുമെങ്കിൽ ഒരു AI കമ്പനിയെ പ്രതിരോധിക്കാൻ കഴിയുന്നത് എങ്ങനെയാണ്?

പലപ്പോഴും ഒരു മൊട്ട് വെറും "മികച്ച മാതൃക" മാത്രമല്ല. പ്രൊപ്രൈറ്ററി ഡൊമെയ്ൻ ഡാറ്റ, ഉപയോക്താക്കൾ ഇതിനകം താമസിക്കുന്ന വർക്ക്ഫ്ലോയ്ക്കുള്ളിലെ വിതരണം, സംയോജനങ്ങളിൽ നിന്നും ശീലങ്ങളിൽ നിന്നും ചെലവുകൾ മാറ്റൽ, ഉയർന്ന ഓഹരി മേഖലകളിലെ ബ്രാൻഡ് വിശ്വാസം, വിശ്വസനീയമായ AI ഷിപ്പിംഗിലെ പ്രവർത്തന മികവ് എന്നിവയിൽ നിന്നാണ് പ്രതിരോധശേഷി ഉണ്ടാകുന്നത്. ഹ്യൂമൻ-ഇൻ-ദി-ലൂപ്പ് സിസ്റ്റങ്ങൾക്കും ശുദ്ധമായ ഓട്ടോമേഷനെ മറികടക്കാൻ കഴിയും. രണ്ട് ടീമുകൾക്ക് ഒരേ മോഡൽ ഉപയോഗിക്കാനും അതിനെ ചുറ്റിപ്പറ്റിയുള്ള എല്ലാറ്റിനെയും അടിസ്ഥാനമാക്കി വളരെ വ്യത്യസ്തമായ ഫലങ്ങൾ നേടാനും കഴിയും.

ഒരു വെണ്ടറെയോ സ്റ്റാർട്ടപ്പിനെയോ വിലയിരുത്തുമ്പോൾ AI-വാഷിംഗ് എങ്ങനെ കണ്ടെത്താം?

വ്യക്തമായ AI ശേഷിയില്ലാത്ത അവ്യക്തമായ അവകാശവാദങ്ങൾ, എഡ്ജ് കേസുകളില്ലാത്ത "ഡെമോ മാജിക്", വിലയിരുത്തൽ, ഡാറ്റ ഗവേണൻസ്, മോണിറ്ററിംഗ് അല്ലെങ്കിൽ പരാജയ മോഡുകൾ എന്നിവ വിശദീകരിക്കാനുള്ള കഴിവില്ലായ്മ എന്നിവ ശ്രദ്ധിക്കുക. "ഏകദേശം പൂർണത" പോലുള്ള അമിത ആത്മവിശ്വാസമുള്ള അവകാശവാദങ്ങൾ മറ്റൊരു മുന്നറിയിപ്പ് സൂചനയാണ്. സുതാര്യമായ അളവ്, വ്യക്തമായ പരിമിതികൾ, ഡ്രിഫ്റ്റിനായുള്ള നിരീക്ഷണ പദ്ധതികൾ, നന്നായി നിർവചിക്കപ്പെട്ട മനുഷ്യ അവലോകനം അല്ലെങ്കിൽ എസ്കലേഷൻ പാതകൾ എന്നിവ പച്ചക്കൊടികളിൽ ഉൾപ്പെടുന്നു. "ഞങ്ങൾ അങ്ങനെ ചെയ്യുന്നില്ല" എന്ന് പറയാൻ കഴിയുന്ന ഒരു കമ്പനി പലപ്പോഴും എല്ലാം വാഗ്ദാനം ചെയ്യുന്ന കമ്പനിയെക്കാൾ വിശ്വസനീയമായിരിക്കും.

അവലംബം

1. ഒഇസിഡി - ഒഇസിഡി.ഐ

2. ഒഇസിഡി - oecd.org

3. നാഷണൽ ഇൻസ്റ്റിറ്റ്യൂട്ട് ഓഫ് സ്റ്റാൻഡേർഡ്സ് ആൻഡ് ടെക്നോളജി (NIST) - NIST AI RMF (AI 100-1) - nist.gov

4. NIST AI റിസ്ക് മാനേജ്മെന്റ് ഫ്രെയിംവർക്ക് (AI RMF) പ്ലേബുക്ക് - അളവ് - nist.gov

5. ഗൂഗിൾ ക്ലൗഡ് - എംഎൽഒപ്സ്: മെഷീൻ ലേണിംഗിലെ തുടർച്ചയായ ഡെലിവറിയും ഓട്ടോമേഷൻ പൈപ്പ്‌ലൈനുകളും - google.com

6. ഗൂഗിൾ - പ്രാക്ടീഷണേഴ്‌സ് ഗൈഡ് ടു എം.എൽ.ഒ.പി.എസ് (വൈറ്റ്പേപ്പർ) - google.com

7. ഗൂഗിൾ ക്ലൗഡ് - എന്താണ് എംഎൽഒപ്സ്? - google.com

8. ഡാറ്റാഡോഗ് - എൽഎൽഎം മൂല്യനിർണ്ണയ ചട്ടക്കൂട് മികച്ച രീതികൾ - datadoghq.com

9. ഐബിഎം - മോഡൽ ഡ്രിഫ്റ്റ് - ibm.com

10. OpenAI - ഭാഷാ മോഡലുകൾക്ക് ഭ്രമാത്മകത അനുഭവപ്പെടുന്നത് എന്തുകൊണ്ട് - openai.com

11. OpenAI - API വിലനിർണ്ണയം - openai.com

12. ഓപ്പൺഎഐ സഹായ കേന്ദ്രം - ടോക്കണുകൾ എന്തൊക്കെയാണ്, അവ എങ്ങനെ എണ്ണാം - openai.com

13. മൈക്രോസോഫ്റ്റ് - മൈക്രോസോഫ്റ്റ് 365 കോപൈലറ്റ് വിലനിർണ്ണയം - microsoft.com

14. എംഐടി സ്ലോൺ സ്കൂൾ ഓഫ് മാനേജ്മെന്റ് - ഡാറ്റാ കേന്ദ്രീകൃത കൃത്രിമ ബുദ്ധിക്ക് സമയമായിരിക്കുന്നത് എന്തുകൊണ്ട് - mit.edu

15. NVIDIA - എഡ്ജ് AI എന്താണ്? - nvidia.com

16. ഐബിഎം - എഡ്ജ് vs. ക്ലൗഡ് AI - ibm.com

17. ഉബർ - എംഎൽ മോഡൽ വിന്യാസ സുരക്ഷയിൽ നിലവാരം ഉയർത്തുന്നു - uber.com

18. ഇന്റർനാഷണൽ ഓർഗനൈസേഷൻ ഫോർ സ്റ്റാൻഡേർഡൈസേഷൻ (ISO) - ISO/IEC 42001 അവലോകനം - iso.org

19. arXiv - വിജ്ഞാന-തീവ്രമായ NLP ടാസ്‌ക്കുകൾക്കായുള്ള വീണ്ടെടുക്കൽ-വർദ്ധിപ്പിച്ച തലമുറ (ലൂയിസ് തുടങ്ങിയവർ, 2020) - arxiv.org

20. ഒറാക്കിൾ - വെക്റ്റർ തിരയൽ - oracle.com

21. ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ആക്ട് (EU) - മനുഷ്യ മേൽനോട്ടം (ആർട്ടിക്കിൾ 14) - artificialintelligenceact.eu

22. യൂറോപ്യൻ കമ്മീഷൻ - AI-യെക്കുറിച്ചുള്ള നിയന്ത്രണ ചട്ടക്കൂട് (AI ആക്റ്റ് അവലോകനം) - europa.eu

23. യൂട്യൂബ് - യൂട്യൂബ്.കോം

24. AI അസിസ്റ്റന്റ് സ്റ്റോർ - AI അപ്‌സ്‌കേലിംഗ് എങ്ങനെ പ്രവർത്തിക്കുന്നു - aiassistantstore.com

25. AI അസിസ്റ്റന്റ് സ്റ്റോർ - AI കോഡ് എങ്ങനെയിരിക്കും - aiassistantstore.com

26. AI അസിസ്റ്റന്റ് സ്റ്റോർ - എന്താണ് ഒരു AI അൽഗോരിതം - aiassistantstore.com

27. AI അസിസ്റ്റന്റ് സ്റ്റോർ - AI പ്രീപ്രോസസിംഗ് എന്താണ് - aiassistantstore.com

ഔദ്യോഗിക AI അസിസ്റ്റന്റ് സ്റ്റോറിൽ ഏറ്റവും പുതിയ AI കണ്ടെത്തുക

ഞങ്ങളേക്കുറിച്ച്