ஊழியர்களின் கிளிக்குகள் மற்றும் கீஸ்ட்ரோக்களைப் பிடிக்க Meta திட்டமிடுவது, AI தரவு தேடல் எவ்வளவு பரவலாகி விட்டது என்பதை காட்டுகிறது

AI பயிற்சி தரவின் புதிய மூலத்திற்காக Meta உள்ளே திரும்புகிறது

Meta தனது ஊழியர்களிடமிருந்து குறிப்பிட்ட சில செயலிகளில் மவுஸ் இயக்கங்கள், பொத்தான் கிளிக்குகள் மற்றும் பிற பயனர் உள்ளீடுகளை சேகரிக்கப்போகிறது என்று கூறுகிறது; இதன் நோக்கம் செயற்கை நுண்ணறிவு மாடல்களைப் பயிற்றுவிப்பதாகும். நிறுவனத்தின் விளக்கம் செயல்பாட்டு ரீதியானது: மக்கள் கணினிகளில் அன்றாட பணிகளை முடிக்க உதவும் ஏஜெண்டுகளை உருவாக்க வேண்டுமானால், மனிதர்கள் உண்மையில் இடைமுகங்களை எவ்வாறு பயன்படுத்துகிறார்கள், மெனுக்களை எவ்வாறு உலாவுகிறார்கள், மென்பொருள் சூழல்களுக்கிடையில் பணிகளை எவ்வாறு நிறைவேற்றுகிறார்கள் என்பதற்கான உதாரணங்கள் மாடல்களுக்கு தேவைப்படும்.

மேற்பரப்பில், அந்த காரணம் புரிந்துகொள்ள எளிதானது. கணினியில் செயல்பட வேண்டிய ஒரு அமைப்புக்கு, ஒரு பணி என்ன என்பதை மட்டும் அல்லாமல், ஒருவர் அதை எப்படிச் செய்கிறார் என்பதையும் காட்டும் நடத்தைச் சுவடுகள் தேவை. ஆனால் இந்த நடவடிக்கை குறிப்பிடத்தக்கது, ஏனெனில் இது AI துறையில் ஒரு பரந்த மாற்றத்தை வெளிப்படுத்துகிறது. பயிற்சி தரவு இனி பொது உரை, உரிமம் பெற்ற ஊடகம் அல்லது வழக்கமான லேபிள் செய்யப்பட்ட தரவுத் தொகுப்புகளுக்கு மட்டுப்படுத்தப்படவில்லை. மாடல் வளர்ச்சிக்கான மூலப்பொருள் அதிகரித்து வரும் அளவில் மனித உழைப்பின் பதிவுகளாகவே இருக்கிறது.

Meta என்ன சேகரிக்கிறது என்று கூறுகிறது

மூல உரையின் படி, “இந்த வகையான உள்ளீடுகள்” சில செயலிகளில் பிடிக்கப்படும் ஒரு உள் கருவியைத் தொடங்குவதாக Meta ஒரு அறிக்கையில் கூறியுள்ளது. மக்கள் அன்றாட கணினி-அடிப்படையிலான பணிகளை முடிக்க உதவும் ஏஜெண்டுகளுக்கான மாடல்களைப் பயிற்றுவிப்பதே இதன் நோக்கம் என்று நிறுவனம் விளக்கியது. உணர்திறன் கொண்ட உள்ளடக்கத்தைப் பாதுகாக்க பாதுகாப்பு ஏற்பாடுகள் உள்ளன என்றும், அந்த தரவு வேறு எந்த நோக்கத்திற்கும் பயன்படுத்தப்படவில்லை என்றும் Meta கூறியது.

அந்த வார்த்தைகள் முக்கியமானவை. அறிக்கை பரந்த கண்காணிப்பை விட தொடர்பாடல் தரவையே மையப்படுத்துகிறது, ஆனால் அது வழக்கமான பணியிட நடத்தையை பயிற்சி பொருளாக மாற்றும் ஒரு அமைப்பை இன்னும் விவரிக்கிறது. கிளிக்குகள், கர்சர் இயக்கங்கள், வழிசெலுத்தல் முறைகள் தனித்தனியாக சிறியதாகத் தோன்றலாம்; ஆனால் ஒன்றாகச் சேர்ந்து, டிஜிட்டல் அமைப்புகளில் வேலை எவ்வாறு முடிக்கப்படுகிறது என்பதற்கான செழுமையான வரைபடத்தை உருவாக்குகின்றன.

இந்த வகையான தரவு மதிப்புமிக்கதாக இருக்க முடியும், ஏனெனில் இது கணினி பயன்பாட்டின் செயன்முறை அடுக்கைப் பிடிக்கிறது. பெரிய மொழி மாடல்கள் ஏற்கனவே மென்பொருள் பணிகள் பற்றிய உரையை உருவாக்க முடியும். ஆனால் அவற்றுக்கு பெரும்பாலும் உண்மையான இடைமுகங்களில் மனிதர்கள் பின்பற்றும் படிப்படியான முறைகளின் நிலைநிறுத்தப்பட்ட நடத்தைச் சான்றுகள் இல்லை. உள் ஊழியர் பயன்பாடு அதையே வழங்குகிறது.

புதிய உள்ளீடுகளை ஏன் AI துறை தேடுகிறது

இந்த அறிக்கை Meta-வின் முடிவை பயிற்சி தரவுக்கான பரந்த போட்டியின் சூழலில் வைக்கிறது. AI அமைப்புகள் மேலும் திறமையானவையாகி வரும்போது, நிறுவனங்கள் மேலும் பணிக்கேற்ற, மேலும் தற்போதைய, மேலும் நிஜ உலக நடத்தை உடன் நெருக்கமாக இணைந்த ஆதாரங்களைத் தேடுகின்றன. டிஜிட்டல் ஏஜெண்டுகளாக இயங்க வேண்டிய அமைப்புகளுக்கு, உரை மட்டும் போதாது. உருவக (graphical) இடைமுகங்கள், படிவங்கள், பொத்தான்கள், dropdowns, மற்றும் பல செயலிகளைத் தாண்டி செல்லும் workflows உடனான தொடர்பாடல்களின் பதிவுகள் தேவை.

அதனால் உள்ளக நிறுவனச் செயல்பாடு ஏன் ஈர்க்கக்கூடியதாக மாறுகிறது என்பதும் புரிகிறது. நிறுவனங்களுக்குள் ஏற்கனவே செயல்பாட்டு நடத்தைப் பற்றிய பெருமளவு தரவு உள்ளது: கூட்டக் குறிப்புகள், support logs, project history, software பயன்பாட்டு முறைகள், மற்றும் தொடர்பாடல் காப்பகங்கள். மூல உரை மற்றொரு சமீபத்திய உதாரணத்தையும் குறிப்பிடுகிறது, அதில் பழைய startups-களிலிருந்து Slack archives மற்றும் Jira tickets போன்ற உள் தொடர்பாடல்கள் எடுத்து, அவை AI எரிபொருளாக மறுபயன்படுத்தப்படலாம் என்று கூறப்பட்டது. முறை தெளிவாக உள்ளது. ஒருகாலத்தில் ஒத்துழைப்புக்காக உருவாக்கப்பட்ட தகவல், இப்போது model input ஆக மீண்டும் மதிப்பிடப்படுகிறது.

Meta-வின் அணுகுமுறை வேறுபட்டது; ஏனெனில் அது வெறும் வரலாற்றுப் பதிவுகளைப் பெறுவதல்ல. ஒரு குறிப்பிட்ட தயாரிப்பு இலக்கை ஆதரிக்க ஊழியர்களிடமிருந்து நேரடி தொடர்பாடல் தரவைப் பிடிக்கிறது.

மூலோபாய இலக்கு: கணினியைப் பயன்படுத்தும் சிறந்த ஏஜெண்டுகள்

Meta-வின் அறிக்கை நேரடியாகப் பங்கில் உள்ள தயாரிப்பு வகையைச் சுட்டிக்காட்டுகிறது: கணினிகளில் அன்றாட பணிகளை முடிக்க பயனர்களுக்கு உதவும் AI ஏஜெண்டுகள். இது துறையில் முக்கியமான ஒரு எல்லை. ஒரு workflow-ஐ விளக்கக்கூடிய chatbot-க்கும் அதை நிறைவேற்றக்கூடிய agent-க்கும் இடையிலான வேறுபாடு மிகப் பெரிது. அந்த இடைவெளியை கடக்க, நிறுவனங்களுக்கு மொழியையே மட்டும் அல்ல, interface நடத்தைப் புரிந்துகொள்ளும் மாடல்கள் தேவை.

மவுஸ் இயக்கங்கள் மற்றும் கிளிக்குகளில் பயிற்சி பெறுவது, பொதுவான செயல்முறை வரிசைகள், சாத்தியமான interface affordances, மற்றும் செயலிகளைப் பயன்படுத்தும் போது மனிதர்கள் எதிர்கொள்ளும் முடிவு புள்ளிகள் போன்றவற்றை மாடல்கள் கற்றுக்கொள்ள உதவும். வேறுவிதமாகச் சொன்னால், நிறுவனம் குறைவான கோட்பாட்டும் அதிக செயல்பாட்டும் கொண்ட automation-க்கு தேவையான நடத்தை அடித்தளத்தைச் சேகரிக்கிறது போலத் தெரிகிறது.

அதனால்தான் இந்த நடவடிக்கை ஒரு உள் கருவி புதுப்பிப்பை விட பெரியது. எதிர்கால AI அமைப்புகளின் அடுத்த தலைமுறை எதில் போட்டியிடும் என்று நிறுவனங்கள் எதிர்பார்க்கின்றன என்பதற்கான சான்று இது: உரையாடல் தரத்தில் மட்டுமல்ல, மென்பொருள் சூழல்களுக்குள் செயல்படும் திறனிலும்.

தனியுரிமை மற்றும் நிர்வாகப் பிரச்சினை

இந்த தரவை பயனுள்ளதாக மாற்றும் அதே தர்க்கமே அதை உணர்திறன் வாய்ந்ததாகவும் மாற்றுகிறது. பணியிட தொடர்பாடல்கள் நடுநிலைச் சொருகல் அல்ல. அவை பழக்கங்கள், முன்னுரிமைகள், தவறுகள், அணுகல் முறைகள், சில நேரங்களில் உணர்திறன் கொண்ட தகவல்களின் காட்சிகளை வெளிப்படுத்தலாம். Meta சேகரிப்பை சில செயலிகளுக்கு மட்டுமே கட்டுப்படுத்தி, பாதுகாப்பு ஏற்பாடுகள் உள்ளன என்று கூறினாலும், இந்த முடிவு ஒரே நிறுவனத்துடன் மட்டுப்படாத ஒரு நிர்வாகக் கேள்வியை எழுப்புகிறது: சாதாரண ஊழியர் செயல்பாட்டில் எவ்வளவு பகுதி model training-க்கு மறுபயன்படுத்தப்படலாம், அப்பொழுது workplace monitoring மற்றும் product development-ஐப் பிரித்தறிவது கடினமாகிவிடும்?

விவாதம் தனிப்பட்ட உள்ளடக்கம் வெளிப்படுகிறதா என்பதைப் பற்றியது மட்டும் அல்ல. இது சம்மதம், வரம்பு, மற்றும் முன்னுதாரணம் பற்றியதும் கூட. enterprise systems-களுக்குள் user behavior training material ஆகக் கருதப்படும்போது, எந்த வகையான work traces capture செய்யலாம், அவை எவ்வளவு காலம் வைக்கப்பட வேண்டும், மற்றும் பங்கேற்பில் தொழிலாளர்களுக்கு அர்த்தமுள்ள கருத்துரிமை உள்ளதா என்பது குறித்து நிறுவனங்கள் விதிகளை முறையாக அமைக்க அழுத்தம் எதிர்கொள்ளலாம். மூல உரை அந்த கேள்விகளுக்கு பதில் அளிக்கவில்லை, ஆனால் அவை ஏன் அவசரமாகின்றன என்பதைத் தெளிவாகக் காட்டுகிறது.

AI வளர்ச்சி எங்கு செல்கிறது என்பதற்கான அறிகுறி

Meta-வின் உள் தரவு சேகரிப்பு கருவி, தற்போதைய AI போட்டியைப் பற்றி பெரிய ஒரு உண்மையை வெளிப்படுத்துகிறது. இணைய அளவிலான text-ஐ மேலும் குவிப்பதில் model progress பெரிதும் சார்ந்திருந்த காலத்தை தொழில் கடந்து செல்கிறது. அடுத்த முன்னேற்றங்கள் குறுகிய, அதிக நடத்தை சார்ந்த, மற்றும் குறிப்பிட்ட பணிகளுடன் நெருக்கமாக இணைந்த தரவிலிருந்து வரக்கூடும். இது தொழில்நுட்ப நடைமுறையையும் தரவு பயன்பாட்டைச் சுற்றிய சமூக ஒப்பந்தத்தையும் மாற்றுகிறது.

Meta-க்கு, குறுகிய கால பலன் என்பது கணினிகளை மேலும் பயனுள்ளதாக இயக்கும் அமைப்புகளுக்கான மேம்பட்ட பயிற்சியாக இருக்கலாம். பரந்த சந்தைக்கு, இந்த அறிவிப்பு அன்றாட டிஜிட்டல் நடத்தை AI-க்கு மூலோபாய அடித்தளமாக மறுபரிமாணப்படுத்தப்படுகிறது என்பதற்கான இன்னொரு அறிகுறி.

இறுதியில், அதுவே மிக முக்கியமான முடிவாக இருக்கலாம். AI பயிற்சியின் எதிர்காலம், மக்கள் ஆன்லைனில் என்ன சொல்கிறார்கள் அல்லது எழுதுகிறார்கள் என்பதிலேயே மட்டும் அமைவதில்லை. அவர்கள் மென்பொருளை எவ்வாறு கடந்து செல்கிறார்கள், திரைகளில் எவ்வாறு முடிவெடுக்கிறார்கள், டிஜிட்டல் பணியின் வழக்கங்களை எவ்வாறு நிறைவேற்றுகிறார்கள் என்பதாலும் அது அமைவது. Meta அந்த மாற்றத்தை அபூர்வமாகத் தெளிவாகச் செய்துள்ளது. தொழில்துறை மற்ற பகுதிகள், அதனால் வெளிப்படும் தொழில்நுட்ப நன்மைகளையும் நிர்வாக ஆபத்துகளையும் இரண்டையும் கவனமாகப் பார்க்கும்.

இந்த கட்டுரை TechCrunch வழங்கிய செய்தியினை அடிப்படையாகக் கொண்டது. மூல கட்டுரையைப் படிக்கவும்.