सार्वजनिक क्षेत्र में एआई छोटे, अधिक नियंत्रित मॉडलों की ओर बढ़ रहा है

सरकारी एआई की समस्या अलग है

कृत्रिम बुद्धिमत्ता को तैनात करने की दौड़ अक्सर निजी क्षेत्र की परिचालन परिस्थितियों को मान लेती है: निरंतर क्लाउड कनेक्टिविटी, केंद्रीकृत अवसंरचना, डेटा को स्थानांतरित करने की व्यापक स्वतंत्रता, और मॉडल पारदर्शिता में कुछ सहनशीलता। Elastic के साथ साझेदारी में तैयार की गई MIT Technology Review Insights की एक नई रिपोर्ट के अनुसार, सरकारी परिवेशों में ये मान्यताएँ जल्दी ही टूट जाती हैं।

रिपोर्ट का तर्क है कि सार्वजनिक क्षेत्र के संगठनों को सुरक्षा, शासन, और परिचालन सीमाओं के ऐसे अलग मिश्रण का सामना करना पड़ता है, जो purpose-built छोटे भाषा मॉडलों, या SLMs, को बड़े मॉडल वाले मानक प्लेबुक को सीधे अपनाने की तुलना में अधिक व्यावहारिक विकल्प बनाता है। मुद्दा यह नहीं है कि सरकारें एआई में रुचि नहीं रखतीं। मुद्दा यह है कि उनके पास गलती की गुंजाइश कम है, डेटा संभालने में कम लचीलापन है, और सिस्टम कहाँ चलते हैं तथा कैसे व्यवहार करते हैं, इस पर अधिक नियंत्रण की मांग करने का कारण है।

छोटे मॉडल क्यों गति पकड़ रहे हैं

सबसे स्पष्ट दबावों में से एक डेटा सुरक्षा है। स्रोत पाठ Capgemini के एक अध्ययन का हवाला देता है, जिसमें पाया गया कि वैश्विक स्तर पर सार्वजनिक क्षेत्र के 79% अधिकारी एआई की डेटा सुरक्षा को लेकर चिंतित हैं। संवेदनशील रिकॉर्ड, कानूनी दायित्वों, और मिशन-क्रिटिकल प्रणालियों को संभालने वाली एजेंसियों में यह चिंता स्वाभाविक है। ऐसे वातावरण में, जानकारी को स्वतंत्र रूप से नेटवर्कों या बाहरी सेवाओं में भेजना असंभव या अस्वीकार्य हो सकता है।

रिपोर्ट में Elastic के एआई उपाध्यक्ष Han Xiao के हवाले से कहा गया है कि सरकारी एजेंसियों को इस बात पर बहुत सीमित होना चाहिए कि वे कौन-सा डेटा नेटवर्क में भेजती हैं। यह सीमा तैनाती के समीकरण को बदल देती है। बड़े, क्लाउड-निर्भर सिस्टम शक्तिशाली हो सकते हैं, लेकिन यदि उन्हें ऐसी धारणाएँ चाहिए जिन्हें संस्था स्वीकार नहीं कर सकती, तो उन पर भरोसा करना परिचालन रूप से कठिन हो जाता है।

छोटे भाषा मॉडल इसलिए समाधान के रूप में प्रस्तुत किए जा रहे हैं क्योंकि उन्हें अधिक कड़ाई से नियंत्रित किया जा सकता है, अधिक संकीर्ण उद्देश्यों के लिए बनाया जा सकता है, और सीमित परिवेशों में चलाना संभावित रूप से आसान हो सकता है। आकर्षण केवल दक्षता नहीं है। यह उपयुक्तता है। किसी विशिष्ट सरकारी कार्य के लिए डिज़ाइन किया गया छोटा मॉडल, खुले उपयोग के लिए बनाए गए सामान्य-उद्देश्य सिस्टम की तुलना में शासन में आसान हो सकता है।

परिचालन चुनौती डेमो चुनौती से बड़ी है

रिपोर्ट एक ऐसी बात पर भी जोर देती है जो एआई चर्चाओं में अक्सर छूट जाती है: किसी मॉडल को वास्तविक संस्था में तैनात करना, पायलट में उसके काम करने को साबित करने से बहुत अलग है। सरकारी एजेंसियों को ऐसे सिस्टम चाहिए जो विभिन्न प्रकार के डेटा पर विश्वसनीय रूप से काम कर सकें, परिचालन बाधाओं के बिना स्केल कर सकें, और तब भी काम करते रहें जब इंटरनेट कनेक्टिविटी सीमित, अविश्वसनीय, या अनुपलब्ध हो।

स्रोत पाठ में Xiao का तर्क है कि बहुत से लोग एआई की परिचालन चुनौती को कम आंकते हैं। यह अवलोकन खास तौर पर सार्वजनिक संस्थानों में प्रासंगिक है, जहाँ परिचालन निरंतरता कच्ची क्षमता जितनी ही महत्वपूर्ण है। एक प्रभावशाली मॉडल जो फील्ड स्थितियों में विफल हो जाता है, सत्यापित नहीं किया जा सकता, या अनुपलब्ध हार्डवेयर पर निर्भर है, सार्वजनिक क्षेत्र के लिए व्यवहार्य समाधान नहीं है।

अवसंरचना संबंधी बाधा भी उतनी ही महत्वपूर्ण है। रिपोर्ट नोट करती है कि सरकारी संगठनों को अधिक जटिल एआई मॉडल प्रशिक्षित करने और उन तक पहुँचने में उपयोग होने वाले GPUs प्राप्त करने में कठिनाई हो सकती है। इससे छोटे, अधिक लक्षित सिस्टम न केवल नीति कारणों से, बल्कि खरीद और गणना संसाधनों के कारण भी आकर्षक बनते हैं।

प्रयोग से संचालन तक

स्रोत पाठ में उद्धृत एक Elastic सर्वेक्षण में पाया गया कि सार्वजनिक क्षेत्र के 65% नेता वास्तविक समय में और बड़े पैमाने पर डेटा का लगातार उपयोग करने में संघर्ष करते हैं। यह आँकड़ा समझाता है कि सरकारी एआई प्रयास अक्सर पायलट चरण के बाद क्यों अटक जाते हैं। चुनौती केवल एआई का उपयोग करने का निर्णय लेना नहीं है; चुनौती उसे उन कार्यप्रवाहों में शामिल करना है जिन्हें सुरक्षित, ऑडिट योग्य, और लचीला बने रहना चाहिए।

यहीं SLMs के लिए तर्क और मजबूत हो जाता है। यदि किसी एजेंसी को ऐसे मॉडल चाहिए जो नियंत्रित वातावरणों में काम कर सकें, प्रतिबंधित प्रणालियों के साथ एकीकृत हो सकें, और डेटा को संस्थागत नियंत्रण में रख सकें, तो संकीर्ण सिस्टम बड़े सामान्य-उद्देश्य मॉडलों की तुलना में परिचालित होने की बेहतर संभावना रखते हैं।

इसका मतलब यह नहीं कि छोटा स्वतः बेहतर है। इसका मतलब है कि अनुकूलन का लक्ष्य अलग है। कई सरकारी परिवेशों में, जीतने वाला सिस्टम वह हो सकता है जिसे सबसे अधिक नियंत्रित और भरोसेमंद बनाया जा सके, न कि वह जो सबसे ऊँचा बेंचमार्क स्कोर दर्ज करे।

एंटरप्राइज़ एआई के बारे में व्यापक संकेत

रिपोर्ट का सार्वजनिक-क्षेत्र फोकस एंटरप्राइज़ एआई सोच में एक बड़े बदलाव की ओर भी इशारा करता है। अत्यधिक विनियमित या सुरक्षा-संवेदनशील संस्थानों के लिए, फ्रंटियर-मॉडल की चर्चा केवल कहानी का एक हिस्सा है। दूसरा हिस्सा तैनाती की वास्तुकला है: मॉडल कहाँ चलता है, वह कौन-सा डेटा देख सकता है, निर्णय कैसे सत्यापित होते हैं, और आदर्श परिस्थितियाँ गायब होने पर भी संचालन कैसे जारी रहता है।

सरकारी एजेंसियाँ इन दबावों का एक चरम मामला हैं, लेकिन अनोखा मामला नहीं। सख्त अनुपालन और अपटाइम आवश्यकताओं वाले अन्य क्षेत्रों को भी समान समझौतों का सामना करना पड़ सकता है। इससे सार्वजनिक क्षेत्र एक अधिक विशिष्ट एआई स्टैक की ओर व्यापक प्रवृत्ति के लिए एक उपयोगी परीक्षण मामला बन जाता है।

रिपोर्ट वास्तव में क्या कहती है

केंद्रीय दावा आकार के अपने-आप के महत्व के बारे में कम और परिचालन यथार्थवाद के बारे में अधिक है। यदि सार्वजनिक संस्थानों से अपेक्षा की जाती है कि वे एआई को प्रयोग से रोजमर्रा के उपयोग में लाएँ, तो उन्हें ऐसे सिस्टम चाहिए जो उन वातावरणों के अनुरूप हों जिनमें वे वास्तव में रहते हैं। सुरक्षा सीमाएँ, सीमित कनेक्टिविटी, बाधित अवसंरचना, और सख्त शासन सरकार में अपवाद नहीं हैं। वे आधार रेखा हैं।

उस संदर्भ में, purpose-built छोटे भाषा मॉडल एक व्यावहारिक आगे का रास्ता प्रस्तुत किए जा रहे हैं। उनमें बड़े सिस्टम जैसा आकर्षण नहीं हो सकता, लेकिन रिपोर्ट का तर्क है कि व्यावहारिकता, नियंत्रण, और निरंतरता ही तय करेंगी कि एआई सार्वजनिक क्षेत्र में वास्तव में उपयोगी बनती है या नहीं।

यह लेख MIT Technology Review की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें.