सार्वजनिक क्षेत्रातील एआय लहान, अधिक नियंत्रित मॉडेल्सकडे वळत आहे

सरकारी एआयची समस्या वेगळी आहे

कृत्रिम बुद्धिमत्ता तैनात करण्याची शर्यत अनेकदा खासगी क्षेत्रातील कार्यपरिस्थिती गृहित धरते: सतत क्लाउड कनेक्टिव्हिटी, केंद्रीकृत पायाभूत सुविधा, डेटा हलवण्याची व्यापक मुभा, आणि मॉडेल पारदर्शकतेबाबत काही प्रमाणात सहनशीलता. Elastic सोबत भागीदारीत तयार केलेल्या नव्या MIT Technology Review Insights अहवालानुसार, सरकारी वातावरणात ही गृहितके पटकन कोसळतात.

हा अहवाल असा युक्तिवाद करतो की सार्वजनिक क्षेत्रातील संस्थांना सुरक्षा, शासन, आणि कार्यात्मक मर्यादांचा एक वेगळाच संगम सामोरा जातो, ज्यामुळे purpose-built लहान भाषा मॉडेल्स, किंवा SLMs, हे मोठ्या मॉडेलसाठीचे पारंपरिक प्लेबुक थेट स्वीकारण्यापेक्षा अधिक व्यवहार्य ठरतात. मुद्दा असा नाही की सरकारांना एआयमध्ये रस नाही. मुद्दा असा आहे की त्यांच्या हातात चुकांसाठी कमी वाव आहे, डेटा हाताळण्यात कमी लवचीकता आहे, आणि प्रणाली कुठे चालतात व कशा वागतात यावर अधिक नियंत्रण ठेवण्याची गरज आहे.

लहान मॉडेल्स का वेगाने स्वीकारले जात आहेत

सर्वात स्पष्ट दबावांपैकी एक म्हणजे डेटा सुरक्षा. स्रोत मजकूर Capgemini च्या एका अभ्यासाचा संदर्भ देतो, ज्यात जागतिक सार्वजनिक क्षेत्रातील 79% अधिकारी एआयच्या डेटा सुरक्षेबद्दल चिंतित असल्याचे आढळले. संवेदनशील नोंदी, कायदेशीर जबाबदाऱ्या, आणि mission-critical प्रणाली हाताळणाऱ्या संस्थांमध्ये ही चिंता स्वाभाविक आहे. अशा वातावरणात माहिती मुक्तपणे नेटवर्कवर किंवा बाह्य सेवांकडे पाठवणे अशक्य किंवा अस्वीकार्य ठरू शकते.

अहवालात Elastic चे एआय उपाध्यक्ष Han Xiao यांच्या विधानाचा उल्लेख आहे, ज्यात ते म्हणतात की सरकारी संस्थांनी नेटवर्कला कोणता डेटा पाठवायचा याबाबत अतिशय मर्यादित असले पाहिजे. ही मर्यादा deployment समीकरण बदलते. मोठी, क्लाउड-निर्भर प्रणाली शक्तिशाली असू शकतात, पण संस्था ज्या गृहितकांना मान्य करू शकत नाही, ती मागत असतील तर त्यांच्यावर कार्यात्मक विश्वास ठेवणे कठीण होते.

लहान भाषा मॉडेल्सना उत्तर म्हणून पुढे केले जात आहे, कारण ती अधिक काटेकोरपणे नियंत्रित करता येतात, अधिक संकुचित उद्दिष्टांसाठी तयार करता येतात, आणि मर्यादित वातावरणात चालवणे तुलनेने सोपे असते. आकर्षण केवळ कार्यक्षमतेचे नाही. ते योग्यतेचे आहे. विशिष्ट सरकारी कामासाठी तयार केलेले लहान मॉडेल, खुले-टोकाच्या वापरासाठी बनवलेल्या सर्वसाधारण प्रणालीपेक्षा शासन करणे सोपे ठरू शकते.

ऑपरेशनची अडचण डेमोपेक्षा मोठी आहे

अहवाल आणखी एक मुद्दा ठळकपणे मांडतो, जो एआय चर्चेत अनेकदा दुर्लक्षित राहतो: एखादे मॉडेल प्रत्यक्ष संस्थेत तैनात करणे हे ते पायलटमध्ये काम करते हे सिद्ध करण्यापेक्षा खूप वेगळे असते. सरकारी संस्थांना अशी प्रणाली हवी असते जी विविध प्रकारच्या डेटावर विश्वासार्हपणे काम करू शकेल, कार्यात अडथळा न आणता स्केल होईल, आणि इंटरनेट कनेक्टिव्हिटी मर्यादित, अविश्वसनीय, किंवा अनुपलब्ध असतानाही चालू राहील.

स्रोत मजकूरात Xiao म्हणतात की अनेक लोक एआयच्या ऑपरेशनल आव्हानाला कमी लेखतात. हे निरीक्षण विशेषतः सार्वजनिक संस्थांसाठी महत्त्वाचे आहे, जिथे कार्यसातत्य हे कच्च्या क्षमतेइतकेच महत्त्वाचे असते. मैदानातील परिस्थितीत अपयशी ठरणारे, सत्यापित करता न येणारे, किंवा उपलब्ध नसलेल्या हार्डवेअरवर अवलंबून असलेले प्रभावी मॉडेल सार्वजनिक क्षेत्रासाठी व्यवहार्य उपाय नाही.

पायाभूत सुविधांची मर्यादाही तितकीच महत्त्वाची आहे. अधिक गुंतागुंतीची एआय मॉडेल्स प्रशिक्षण देण्यासाठी आणि वापरण्यासाठी लागणारे GPUs मिळवण्यात सरकारी संस्थांना अडचण येऊ शकते, असे अहवालात नमूद केले आहे. त्यामुळे लहान, अधिक लक्ष्यित प्रणाली केवळ धोरणात्मक कारणांसाठीच नव्हे, तर खरेदी आणि संगणकीय कारणांसाठीही आकर्षक ठरतात.

प्रयोगापासून अंमलबजावणीकडे

स्रोत मजकूरात उद्धृत केलेल्या Elastic सर्वेक्षणानुसार, सार्वजनिक क्षेत्रातील 65% नेते प्रत्यक्ष वेळेत आणि मोठ्या प्रमाणावर डेटा सातत्याने वापरण्यात अडचण अनुभवतात. हा आकडा समजावतो की अनेक सरकारी एआय उपक्रम पायलट टप्प्यानंतर का अडकतात. आव्हान केवळ एआय वापरायचा निर्णय घेणे नाही; ते सुरक्षित, तपासणीयोग्य, आणि लवचीक असलेल्या कार्यप्रवाहांमध्ये बसवणे हे आहे.

इथेच SLMs साठीचा युक्तिवाद अधिक मजबूत होतो. एखाद्या संस्थेला नियंत्रित वातावरणात चालणारी, मर्यादित प्रणालींसोबत एकत्रित होणारी, आणि डेटा संस्थात्मक नियंत्रणाखाली ठेवणारी मॉडेल्स हवी असतील, तर संकुचित प्रणालींचे परिचालनात रूपांतर होण्याची शक्यता मोठ्या सर्वसाधारण मॉडेल्सपेक्षा जास्त असते.

याचा अर्थ असा नाही की लहान म्हणजे आपोआप चांगले. याचा अर्थ ऑप्टिमायझेशनचे लक्ष्य वेगळे आहे. अनेक सरकारी परिस्थितींमध्ये, जिंकणारी प्रणाली ती असेल जी सर्वाधिक नियंत्रणयोग्य आणि विश्वासार्ह आहे, सर्वाधिक बेंचमार्क स्कोअर मिळवणारी नाही.

एंटरप्राइझ एआयबाबत व्यापक संकेत

अहवालाचा सार्वजनिक-क्षेत्र फोकस एंटरप्राइझ एआय विचारातही व्यापक बदल सूचित करतो. अत्यंत नियमनबद्ध किंवा सुरक्षा-संवेदनशील संस्थांसाठी frontier-model बद्दलची चर्चा केवळ कथेचा एक भाग आहे. दुसरा भाग deployment architecture आहे: मॉडेल कुठे चालते, कोणता डेटा ते वापरू शकते, निर्णय कसे पडताळले जातात, आणि आदर्श परिस्थिती नाहीशी झाल्यावरही कामकाज सुरू राहते का.

सरकारी संस्था या दबावांचे टोकाचे उदाहरण आहेत, पण एकमेव नाहीत. कडक अनुपालन आणि uptime आवश्यकता असलेल्या इतर क्षेत्रांनाही अशाच तडजोडींना सामोरे जावे लागू शकते. त्यामुळे सार्वजनिक क्षेत्र अधिक विशेषीकृत एआय stacks कडे जाणाऱ्या व्यापक प्रवृत्तीचे एक उपयुक्त चाचणी प्रकरण ठरते.

अहवाल खरंच काय सांगतो

मूळ मुद्दा केवळ आकारासाठी आकाराचा नाही, तर परिचालन वास्तववादाचा आहे. जर सार्वजनिक संस्थांनी एआयला प्रयोगातून रोजच्या वापरात आणायचे असेल, तर त्यांना अशा प्रणालींची गरज आहे ज्या ते प्रत्यक्ष ज्या वातावरणात काम करतात त्याच्याशी जुळतात. सुरक्षा सीमा, मर्यादित कनेक्टिव्हिटी, बंधित पायाभूत सुविधा, आणि कठोर शासन हे सरकारमध्ये अपवाद नाहीत. तेच आधाररेषा आहेत.

त्या संदर्भात, purpose-built लहान भाषा मॉडेल्सना व्यवहार्य मार्ग म्हणून मांडले जात आहे. त्यांच्यात मोठ्या प्रणालींसारखी चमक नसू शकते, पण अहवालाचा युक्तिवाद असा आहे की उपयुक्तता, नियंत्रण, आणि सातत्य हेच ठरवतील की एआय सार्वजनिक क्षेत्रात खरोखर वापरण्यायोग्य ठरते का नाही.

हा लेख MIT Technology Review च्या रिपोर्टिंगवर आधारित आहे. मूळ लेख वाचा.