அமேசானின் 'டோக்கன்மாக்சிங்' பிரச்சினைக்குள்

AI ஏற்றுக்கொள்ளும் இலக்குகள் நடத்தையை வடிவமைக்கத் தொடங்கும் போது

அமேசான் ஊழியர்கள், நிறுவனத்தின் AI அமைப்புகளை தாங்கள் பயன்படுத்துவது அதிகமாகத் தோன்றச் செய்ய, அவசியமில்லாத பணிகளை தானியக்கமாக்கும் ஒரு உள் AI கருவியை பயன்படுத்துவதாகக் கூறப்படுகிறது. Financial Times இலிருந்து Ars Technica வெளியிட்ட செய்தியின்படி, இந்த நடைமுறை நிறுவனத்துக்குள் “டோக்கன்மாக்சிங்” என்று குறிப்பிடப்படுகிறது. பெயர் நகைச்சுவையாக இருக்கலாம், ஆனால் அதன் அடிப்படை பிரச்சினை தீவிரமானது: மேலாண்மை AI ஏற்றுக்கொள்ளுதலை ஒரு அளவுகோலாக வலியுறுத்தும் போது, மக்கள் பயனுள்ள வேலையை விட அந்த அளவுகோலை மேம்படுத்த முயல்வார்கள்.

அறிக்கையின் படி, அமேசான் MeshClaw என்ற உள் தயாரிப்பை பரவலாக பயன்படுத்தி வருகிறது; இது ஊழியர்கள் பணிமூல மென்பொருளுடன் இணைக்கப்பட்ட AI முகவர்களை உருவாக்கி, பயனரின் சார்பில் பணிகளைச் செய்யச் செய்கிறது. பல ஊழியர்கள், டோக்கன் நுகர்வை அதிகரிக்க, அதாவது மாதிரிகள் செயலாக்கும் தரவு அலகுகளை உயர்த்த, கூடுதல் தேவையற்ற AI செயல்பாட்டை உருவாக்க அந்த அமைப்பை சக ஊழியர்கள் பயன்படுத்துவதாக தெரிவித்தனர்.

இந்த நடத்தைக்கு பின்னால் உள்ள ஊக்கங்கள்

அமேசான், வாரத்திற்கு 80 சதவீதத்துக்கும் அதிகமான டெவலப்பர்கள் AI-ஐ பயன்படுத்த வேண்டும் என்று இலக்குகளை அமைத்ததுடன், ஆண்டின் தொடக்கத்தில் உள் லீடர்போர்ட்களில் AI டோக்கன் நுகர்வையும் கண்காணிக்கத் தொடங்கியதாக கட்டுரை கூறுகிறது. டோக்கன் புள்ளிவிவரங்கள் செயல்திறன் மதிப்பீடுகளில் பயன்படுத்தப்படாது என்று அமேசான் ஊழியர்களிடம் கூறியதாக இருந்தாலும், அந்த தரவை மேலாளர்கள் பார்த்துக்கொண்டிருப்பதாக பல பணியாளர்கள் நம்பினர் என்று தெரிவித்தனர்.

அந்த தெளிவின்மைதான் நடத்தைக்காட்டுப் பயன்பாட்டை உருவாக்குகிறது. அளக்கப்படும் ஒரு நடத்தை தங்களின் நிலையைப் பாதிக்கலாம் என்று ஊழியர்கள் நினைத்தால், அடிப்படை செயலில் மதிப்பு குறைவாக இருந்தாலும் கூட, காணப்படும் சிக்னலை அதிகப்படுத்த முயற்சிப்பார்கள். இங்கே, அதற்கு அர்த்தம் AI-யை தானியக்கமாக்க வேண்டிய அவசியமே இல்லாத பணிகளுக்கு பயன்படுத்துவது அல்லது பங்கேற்பை அளவுகோல் காட்டுவதற்காகவே செயல்பாட்டை உருவாக்குவது ஆகலாம்.

அந்த அறிக்கை, டூல்களைப் பயன்படுத்துவதற்கு “மிகுந்த அழுத்தம்” இருந்ததாக ஒரு ஊழியர் கூறியதையும், மேலாளர்கள் பயன்பாட்டு தரவைக் கவனித்ததாக மற்றொருவர் கூறியதையும் மேற்கோளிடுகிறது. அந்த புள்ளிவிவரங்கள் அதிகாரப்பூர்வமாக மதிப்பீடுகளை பாதிக்கிறதா இல்லையா என்பது தனியாக இருந்தாலும், அவை முக்கியம் என்று மக்கள் நம்புவது வேலைப்பழக்கத்தை மாற்றுவதற்கு போதுமானது. ஒரு அளவுகோல் அதிகாரப்பூர்வ செயல்திறன் நிபந்தனையாக இருக்க வேண்டியதில்லை; அது அதிகாரத்தின் அநியத சிக்னலாக மாற போதுமானது.

அமேசானைத் தாண்டியும் இது ஏன் முக்கியம்

நிறுவனத்திற்கு உரிய விவரங்கள் முக்கியமானவை, ஆனால் பெரிய பிரச்சினை ஒரு நிறுவனத்தைவிட வெகுதூரம் செல்கிறது. தொழில்நுட்பத் துறையில், நிறுவனங்கள் பெரும் AI முதலீடுகளுக்கான பலனை நிரூபிக்க முயற்சிக்கின்றன; அதே நேரத்தில் ஜெனரேட்டிவ் கருவிகளை அன்றாட பணிப்பாய்வுகளுக்குள் ஆழமாக தள்ளுகின்றன. அந்த சூழலில், ஏற்றுக்கொள்ளல் எண்கள் மூலோபாய வேகத்தின் பிரதிநிதியாக மாறலாம்.

பிரச்சினை என்னவென்றால், ஏற்றுக்கொள்ளுதல் மற்றும் உற்பத்தித்திறன் ஒன்றல்ல. ஒரு பணியாளர் குழு, வெளியீடு, தரம் அல்லது வேகத்தில் ஒப்பான பலன்கள் இல்லாமலேயே, கணிசமான பயன்பாட்டு புள்ளிவிவரங்களை உருவாக்கலாம். உண்மையில், ஊழியர்கள் டோக்கன் எண்ணிக்கையை உயர்த்த குறைந்த மதிப்புள்ள பணிகளை தானியக்கமாக்கத் தொடங்கினால், அந்த தரவு தலைமைத்துவத்தை தவறாக வழிநடத்தக்கூடும்; ஏனெனில் அதனால் கருவி ஈடுபாடு உண்மையை விட ஆரோக்கியமாகத் தோன்றும்.

MeshClaw மற்றும் ஏஜென்டிக் அலுவலக மென்பொருளின் வளர்ச்சி

அமேசானின் MeshClaw, பணிமூல மென்பொருளுடன் இணைந்து பயனரின் சார்பில் செயல்படக்கூடிய AI முகவர்களை ஊழியர்கள் உருவாக்க அனுமதிக்கும் அமைப்பாக விவரிக்கப்படுகிறது. இது ஏஜென்டிக் நிறுவனக் கருவிகளுக்கான பரந்த நகர்வின் ஒரு பகுதியாகும்; இங்கு மாதிரிகள் கேள்விகளுக்கு பதில் அளிப்பதோடு மட்டும் இல்லாமல், செயல்களைத் தொடங்குகின்றன, அமைப்புகளுக்கிடையே தகவலை நகர்த்துகின்றன, மற்றும் செயல்பாட்டு பணிகளை கையாளுகின்றன.

இத்தகைய கருவிகளின் ஈர்ப்பு தெளிவானது. அவை பலன்களை வாக்குறுதி செய்கின்றன: குறைந்த கைமுறை படிகள், வேகமான பணி முடிப்பு, மற்றும் மீள்மீளும் டிஜிட்டல் வேலையை ஒப்படைக்கும் திறன். ஆனால் அவை நிறுவனங்களுக்குள் ஒரு புதிய அறிக்கைத் தளத்தையும் உருவாக்குகின்றன. ஒவ்வொரு செயலையும் எண்ணிக்கையாகக் கணக்கிட முடிந்தால், ஒவ்வொரு ஊழியரையும் தரவரிசைப்படுத்த முடிந்தால், ஒவ்வொரு டோக்கனையும் பின்தொடர முடிந்தால், AI பயன்பாடு தானாகவே ஒரு மேலாண்மை பொருளாக மாறத் தொடங்கும்.

அமேசான் சமீபத்தில் குழு-மட்ட புள்ளிவிவரங்களுக்கான அணுகலை குறைத்ததாக அறிக்கை குறிப்பிடுகிறது; இதனால் அந்த தரவை ஊழியர்களும் மேலாளர்களும் மட்டும் பார்க்க முடியும். இந்த மாற்றம், காட்சித்தன்மை நடத்தை மீது எவ்வாறு தாக்கம் செலுத்துகிறது என்பதை நிறுவனம் ஏற்கனவே சீரமைக்க முயற்சிக்கக்கூடும் என்பதைக் காட்டுகிறது. உள் AI கருவிகளைச் சுற்றி ஒருமுறை லீடர்போர்டு கலாச்சாரம் உருவானால், உண்மையான பரிசோதனையையும் மதிப்பெண் தேடும் மனப்பான்மையையும் பிரித்தறிவது கடினமாகிவிடும்.

உள் அழுத்தத்தின் விலை உயர்ந்த பின்னணி

இந்தத் தள்ளுதல் பெரும் செலவினத்தின் பின்னணியில் நடைபெறுகிறது. இந்த ஆண்டு அமேசான் மூலதனச் செலவில் 200 பில்லியன் டாலர் செலவழிக்கலாம் என்று அறிக்கை சொல்கிறது; அதன் பெரும்பகுதி AI மற்றும் தரவு-மைய உள்கட்டமைப்புக்குச் செல்லும். இப்படியான நிதி உறுதிமொழி இயல்பாகவே பயன்பாட்டை காட்ட வேண்டிய அழுத்தத்தை அதிகரிக்கிறது. விலையுயர்ந்த உள்கட்டமைப்பு வெறுமனே கிடக்கவில்லை என்பதற்கான சான்றுகளை தலைமைத்துவம் விரும்புகிறது.

அந்த பார்வையில், டோக்கன் எண்ணிக்கைகள் கவர்ச்சிகரமானவை. அவை உடனடியாகக் கிடைக்கும், எண்ணிக்கையாக்கக்கூடிய, மற்றும் ஒப்பிட எளிதானவை. ஆனால் அவை மேற்பரப்பு அளவுகோல்தான். அதிக டோக்கன் எண்ணிக்கை பயனுள்ள குறியீட்டு உதவி, வீணான பரிசோதனை, நகலெடுக்கப்பட்ட பணிகள், அல்லது நேரடி டோக்கன்மாக்சிங் ஆகியவற்றை பிரதிபலிக்கலாம். வலுவான முடிவு-அளவுகோல்கள் இல்லையென்றால், பயன்பாட்டு தரவு நம்பிக்கையுடன் இருந்தாலும் முழுமையற்ற கதையைச் சொல்லக்கூடும்.

மேலாண்மை பாடம்

இங்கு மிக முக்கியமான பாடம், ஊழியர்கள் ஒரு அளவுகோலை விளையாடினர் என்பதல்ல. ஊக்கங்கள் அதை நியாயமானதாக மாற்றும் போது ஊழியர்கள் அளவுகோல்களை விளையாடுவதுண்டு. உண்மையான பாடம் என்னவென்றால், நிறுவனங்கள் எதைப் பரிசளிக்கின்றன என்பதில் துல்லியமாக இருக்க வேண்டும். குறிக்கோள் சிறந்த மென்பொருள், வேகமான விநியோகம், அல்லது உயர்தர உள் செயல்பாடுகள் என்றால், அந்த முடிவுகளை முடிந்தவரை நேரடியாக அளவிட வேண்டும். அளக்கப்படும் இலக்கு வெறும் “AI-ஐ அதிகமாக பயன்படுத்து” என்றால், ஊழியர்கள் அதையே செய்வதற்கான வழியை கண்டுபிடிப்பார்கள்.

அதனால் பயன்பாட்டு தரவு பயனற்றது என்றல்ல. கருவிகள் எங்கே கண்டறியப்படுகின்றன, ரோல்அவுட் எங்கு சீரற்றது, அல்லது எந்த அணிகளுக்கு ஆதரவு தேவை என்பதை அது காட்ட முடியும். ஆனால் காட்சித்தன்மையும் அழுத்தமும் மதிப்பின் தெளிவை விட வேகமாக வளரும்போது, அளவுகோல் ஒரு விளையாட்டாக மாறுகிறது. “டோக்கன்மாக்சிங்” என்ற சொல் அந்த தோல்வி-முறைக்கு ஒரு பயனுள்ள எச்சரிக்கை லேபிள்.

AI-யில் அடுத்த பணியிட மோதலின் அறிகுறி

பல ஆண்டுகளாக, பணியில் AI குறித்த விவாதம் ஊழியர்கள் கருவிகளை ஏற்றுக்கொள்வார்களா என்பதிலேயே இருந்தது. அமேசான் நிகழ்வு அடுத்த கட்டம் வேறாக இருக்கலாம் என்பதைக் காட்டுகிறது: அதிகப்படியான ஏற்றுக்கொள்ளல் நடிப்பு, மேற்பரப்பு பயன்பாட்டு ஊக்கங்கள், மற்றும் உள் டாஷ்போர்ட்கள் நடத்தை விலகச்செய்வதை எவ்வாறு தடுப்பது என்பதே அது. நிறுவனங்கள் AI முதலீடுகள் பலனளிக்கின்றன என்பதற்கான ஆதாரத்தைத் தேடும்போது, பயன்பாட்டை அளவிடுவது எளிதான பகுதி என்பதைக் கண்டுபிடிக்கலாம். பயனுள்ள பயன்பாட்டை அளவிடுவது கடினம்.

என்டர்பிரைஸ் AI வழக்கமானதாக மாறும்போது அந்த வேறுபாடு மேலும் முக்கியமாகும். அதை நன்றாகக் கையாளும் நிறுவனங்கள், அதிக டோக்கன் எண்ணிக்கையைக் கொண்டவை அல்ல. மெய்யான பலனையும் விலையுயர்ந்த சத்தத்தையும் வேறுபடுத்தத் தெரிந்த நிறுவனங்களே அவை.

இந்தக் கட்டுரை Ars Technica-வின் செய்தியறிக்கையை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையைப் படிக்கவும்.