நேரடியாக திருத்தாமல் PDF கருவியை எழுத ChatGPT-ஐ பயன்படுத்தியது ஏன் அந்தக் குடும்பம்

சிறிய PDF பிரச்சினை, மக்கள் AI-யை எப்படி நம்பலாம் என்பதற்கான பயனுள்ள சோதனையாக மாறியது

இந்த வாரத்தின் மிகப் பயன்மிக்க AI கதைகளில் ஒன்று ஒரு தயாரிப்பு வெளியீடு அல்லது பெஞ்ச்மார்க் பட்டியலிலிருந்து வரவில்லை. அது ஒரு வீட்டுப்பயன்பாட்டு பணிப்பாய்ச்சல் பிரச்சினையிலிருந்து வந்தது. ZDNET-க்கான ஜூன் 5 அறிக்கையில், டேவிட் கெவெர்ட்ஸ், ஒரு ஆவணத்தை நேரடியாக மாற்ற ChatGPT-யை பயன்படுத்தாமல், அதே பணியை உறுதியாகவும் கணிக்கக்கூடிய வகையிலும் செய்யக்கூடிய ஒரு command-line Python script எழுதச் செய்ததை விவரித்தார். இலக்கு மஞ்சள் காகிதத்தில் அச்சிடப்பட்ட, ஸ்கேன் செய்யப்பட்ட ஒரு choir booklet. பக்கங்களை இன்னும் தெளிவாக மறுபிரதி எடுத்து, இசை மென்பொருளில் மேலும் பயனாக பயன்படுத்த, மஞ்சள் பின்னணியை அகற்றுவதே நோக்கம்.

இந்தக் கதையை கவனிக்கத் தக்கதாக 만드는 விஷயம் PDF சுத்தம் செய்வது அல்ல. தீர்வுக்குத் தூண்டிய காரணமே அது. ChatGPT உருவாக்கிய PDF-களுடன் நேரடியாக செய்த சோதனைகள் வேலை செய்தன, ஆனால் அவை நம்பகத்தன்மை பற்றிய சிக்கலை எழுப்பின. ஒரு generative மாடல் sheet music-ஐத் தொட்டால், அது குறிப்புகள், பாடல்வரிகள் அல்லது layout-ஐ நுணுக்கமாக மாற்றி விடுமா? சாதாரண உரைக்கு அந்த அபாயம் ஏற்றுக்கொள்ளத்தக்கதாக இருக்கலாம். இசைப் பயிற்சிக்காக அல்ல.

அதனால், மாடலை editor ஆகக் கேட்பதற்கு பதிலாக, குடும்பம் அதை toolmaker ஆகக் கேட்டது.

ஜெனரேட்டிவ் வெளியீட்டிலிருந்து உறுதியான பணிப்பாய்ச்சலுக்கு

இந்த மாற்றம் உண்மையான சூழல்களில் AI மிகச் சிறப்பாக எப்படிப் பயன்படலாம் என்பதற்கான ஒரு பரந்த பாடத்தை காட்டுகிறது. ஜெனரேட்டிவ் அமைப்புகள் சக்திவாய்ந்தவை, ஆனால் அவை non-deterministic; அதாவது அவற்றின் வெளியீடுகள் மாறலாம், மேலும் ஒருபோதும் நோக்கப்படாத மாற்றங்களையும் சேர்க்கலாம். மூலத்துக்கான நம்பகத்தன்மை முக்கியமானபோது, அந்த கணிக்கமுடியாத தன்மை ஒரு நம்பிக்கைத் தடையாகிறது.

கெவெர்ட்ஸ் இந்த வேறுபாட்டை வெளிப்படையாக வரையறுக்கிறார். ChatGPT மூலம் நேரடியாக செய்யப்பட்ட PDF மாற்றங்கள் இறுதி கோப்புகளை நுண்ணிய வழிகளில் மாற்றியதாகவும், அதனால் அவரது மனைவி அவற்றில் இருந்து பயிற்சி செய்வது குறித்து தயங்கியதாகவும் அவர் குறிப்பிடுகிறார். இசை உள்ளடக்கத்தை அப்படியே வைத்துக் கொண்டு, பின்னணியை மட்டும் மாற்றும் ஒரு செயல்முறையை அவர் விரும்பினார்.

மாற்று வழி, ChatGPT-யை ஒரு நிர்ணயிக்கப்பட்ட மாற்றத்தைச் செய்யும் மென்பொருளை எழுதச் செய்வதே. ஒருமுறை உருவானால், யாராவது code-ஐ மாற்றாவிட்டால் script ஒவ்வொரு முறையும் ஒரே விதமாக நடந்து கொள்கிறது. இது பணியை probabilistic generation-இலிருந்து procedural execution-க்கு மாற்றுகிறது. பல நடைமுறைத் துறைகளில், அதுவே “சுவாரசியமான demo” மற்றும் “பயன்படுத்தக்கூடிய tool” என்பவற்றுக்கிடையிலான வித்தியாசம்.

உடனடி பயன்பாடு சாதாரணமானதுதான், அதுவே முக்கியம்

ஸ்கேன் செய்யப்பட்ட choir பக்கங்கள் மஞ்சள் stock-இல் அச்சிடப்பட்டிருந்தன. அவற்றை அப்படியே மீண்டும் அச்சிட்டால், அதிக color ink செலவாகும் அல்லது black-and-white output-இல் சாம்பல் பின்னணி மீதமிருக்கும். அந்தப் பக்கங்கள் PlayScore 2-இலும் வேலை செய்ய வேண்டியது இருந்தது; இது ஒரு music-reading app, எனவே மனிதருக்கும் இயந்திரத்துக்கும் காட்சித் தெளிவு முக்கியமாக இருந்தது.

முதலில் Photoshop பரிசீலிக்கப்பட்டது, ஆனால் ஒவ்வொரு image-க்கும் வேறு slider adjustments தேவைப்பட்டதால் manual process மிக அதிக சிரமமானதாக இருந்ததாக article கூறுகிறது. இது AI-க்கு இணையான இன்னொரு பரிச்சயமான முறை. பாரம்பரிய software பிரச்சினையைத் தீர்க்க முடியும், ஆனால் வழக்கமான பயன்பாட்டுக்கு உழைப்பு செலவு மிக அதிகம். AI-யை நன்றாகப் பயன்படுத்தினால், துல்லியமான அந்த பணிக்கான custom utility ஒன்றை உருவாக்கி setup சுமையைக் குறைக்க முடியும்.

உருவானது கண்ணைக் கவரும் consumer application அல்ல. அது சிறிய நோக்கத்திற்கான command-line Python tool. ஆனால் அதுவே உதாரணத்தை முக்கியமாக்குகிறது. AI-யின் உண்மையான பொருளாதார மதிப்பின் பெரும் பகுதி, நேற்று இல்லாத, மிகவும் குறிப்பிட்ட, சாமானியமாகத் தோன்றும் software-இல் இருந்து வரலாம்; ஏனெனில் அதை எழுதுவதற்கே அந்தப் பணியை விட அதிக நேரம் தேவைப்பட்டிருக்கும்.

நம்பிக்கை மாதிரி மாறுகிறது

AI பற்றிய கதைகள் பொதுவாக மாடல்கள் நேரடியாக என்ன செய்ய முடியும் என்பதையே கவனிக்கின்றன: எழுதுதல், சுருக்குதல், வரைதல், code எழுதுதல் அல்லது கோப்புகளைத் தாங்களே மாற்றுதல். இந்த வழக்கு வேறொரு நம்பிக்கை மாதிரியை நோக்கி சுட்டுகிறது. பயனர்கள் AI ஒரு முறையை முன்மொழிவதையோ code உருவாக்குவதையோ அனுமதிக்கத் தயாராக இருக்கலாம்; ஆனால் மதிப்புள்ள மூலப் பொருளின் இறுதி மாற்றத்துக்கு வெளிப்படையான, மீண்டும் செய்யக்கூடிய tool-ஐ அவர்கள் விரும்பலாம்.

இந்த வேறுபாடு நிறுவனங்களுக்கு மட்டுமல்ல, குடும்பங்களுக்கும் முக்கியமானது. சட்ட, மருத்துவ, நிதி மற்றும் காப்பக சூழல்களில் கேள்வி AI ஒரு பணியை செய்ய முடியுமா என்பதல்ல. பாதையில் அங்கீகரிக்கப்படாத மாற்றங்கள் சேர்க்கப்படவில்லை என்ற அளவுக்கு traceability-யுடன், போதுமான நம்பிக்கையுடன் அதைச் செய்ய முடியுமா என்பதே.

இதன் விளைவாக, மிக நடைமுறைபூர்வமான AI பணிப்பாய்ச்சி பெரும்பாலும் இரண்டு கட்டங்களைக் கொண்டதாக இருக்கலாம். முதலில், software creation-க்கான accelerator ஆக ஒரு மாடலைப் பயன்படுத்தவும். இரண்டாவது, உருவான deterministic process-ஐ அடிப்படை கோப்புகளில் இயக்கவும். இது code-ஐ ஆய்வு செய்வதற்கோ output-ஐ சரிபார்ப்பதற்கோ தேவையை நீக்காது, ஆனால் uncertainty-ஐ குறைக்கிறது.

இது இன்னொரு AI தந்திரத்தை விட ஏன் முக்கியம்

இந்தக் கதையை ஒரு புத்திசாலித்தனமான வாழ்க்கை-hack என்று படித்து நகர்ந்துவிடும் ஆசை இருக்கலாம். ஆனால் இது உண்மையில் generative AI adoption curve-இன் ஒரு மையப் பிரச்சினையைத் தொடுகிறது: மக்களுக்கு திறன் மட்டும் போதாது. கட்டுப்பாடு வேண்டும்.

choir booklet உதாரணம் மிகவும் தெளிவானது, ஏனெனில் அபாயம் உடனே புரிகிறது. பக்கத்தில் உள்ள ஒரு குறி மாறினால், முழு பயிற்சியின் நோக்கம் தோல்வியடைகிறது. ஆனால் இதே தர்க்கம் பல வேலைச் சூழல்களுக்கும் பொருந்துகிறது; அங்கு ஆவணங்கள், படங்கள் அல்லது தரவுகள் முழுமையாகப் பாதுகாக்கப்பட வேண்டிய அர்த்தத்தை கொண்டிருக்கும். பயனர்கள் அதிக புத்திசாலித்தனமாகத் தோன்றினாலும் குறைவாகக் கணிக்கக்கூடிய அமைப்பை விட, சரிபார்க்கக்கூடிய, மீண்டும் இயக்கக்கூடிய, மற்றும் வரம்புக்குள் உள்ள அமைப்பையே அடிக்கடி விரும்புவார்கள்.

இதனால் direct AI editing-க்கு இடமில்லை என்பதல்ல. பல படைப்பாற்றல் மிக்க மற்றும் குறைந்த அபாயப் பணிகளுக்கு, அது வேகமானதும் முற்றிலும் ஏற்றுக்கொள்ளத்தக்கதுமாகும். ஆனால் “மாடலே கோப்பை கையாளட்டும்” என்பதே எப்போதும் சிறந்த பதில் அல்ல என்பதை இந்த article காட்டுகிறது. சில நேரங்களில் AI-யின் சிறந்த பயன்பாடு, பணியின் இறுதி artifact-ஐ değil, அதன் சுற்றியுள்ள சலிப்பான infrastructure-ஐ உருவாக்குவதில்தான்.

AI adoption-இன் அடுத்த கட்டத்துக்கான பயனுள்ள முறை

ZDNET கதை தாக்கம் ஏற்படுத்துகிறது, ஏனெனில் அது பரவ வாய்ப்புள்ள ஒரு pattern-ஐ விவரிக்கிறது. குறிப்பாக பாரம்பரிய tools மிக சிரமமானதாகவும், முழுமையாக generative workflows மிக ஆபத்தானதாகவும் உணரப்படும் போது, மக்கள் தேவைக்கேற்ப குறுகிய software utilities-ஐ உருவாக்க AI-யை அதிகமாகப் பயன்படுத்துவார்கள். அதன் விளைவாக குறைவான AI அல்ல. AI stack-இல் ஒரு படி ஆழமாக நகர்ந்து, அது இசையைப் பாடுவதற்குப் பதிலாக கருவியை உருவாக்க உதவுகிறது.

இது அன்றாட கணினி பயன்பாட்டில் மாடல்களுக்கு இருக்கும் மிகத் தெளிவான நடைமுறைப் பங்குகளில் ஒன்றாக இருக்கலாம். அவை custom scripting-இன் நேரச் செலவைக் குறைக்கலாம், development-இன் சலிப்பான பகுதிகளை தானியக்கப்படுத்தலாம், மற்றும் சாதாரண பயனர்களுக்குக் கூட ஒருமுறை பயன்படுத்தும் tools-ஐ சாத்தியமாக்கலாம். ஆனால் மூலப் பொருள் முக்கியமானபோது, இறுதி செயல் இன்னும் deterministic ஆகவே இருக்க வேண்டும் என்று பலரும் விரும்புவார்கள்.

அந்த அர்த்தத்தில், PDF கதை மஞ்சள் காகிதமோ choir practice-ஆகவோ இல்லாது. அது நம்பிக்கை எவ்வாறு பொறியமைக்கப்படுகிறது என்பதையே பற்றியது. மிக நீடித்த AI பணிப்பாய்ச்சல்கள், generative வேகத்தையும் பாரம்பரிய software நம்பகத்தன்மையையும் இணைப்பவையாக இருக்கக்கூடும்; இதனால் பயனர்கள் இரண்டின் நன்மையையும் பெறலாம், ஒன்றை மற்றொன்றாகக் குழப்பாமல்.

இந்தக் கட்டுரை ZDNET அறிக்கையை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையை வாசிக்கவும்.