લેખક સ્ટીવન રોસેનબૌમ (Steven Rosenbaum) ના પુસ્તક 'ધ ફ્યુચર ઓફ ટ્રુથ' (The Future of Truth) માં આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) ના કારણે કેટલીક હકીકતલક્ષી ભૂલો સામે આવી છે. આ ઘટના AI આસિસ્ટન્ટના ઉપયોગમાં રહેલા જોખમોને ઉજાગર કરે છે.
AIની 'હેલ્યુસિનેશન્સ' સમસ્યા
આજકાલ ઘણા પ્રોફેશનલ્સ અને સંશોધકો પોતાના કામમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) ટૂલ્સ, ખાસ કરીને લાર્જ લેંગ્વેજ મોડલ્સ (LLMs) નો ઉપયોગ કરી રહ્યા છે. જોકે, લેખક સ્ટીવન રોસેનબૌમ (Steven Rosenbaum) સાથે બનેલી એક ઘટના આ સિસ્ટમ્સની વિશ્વસનીયતા અંગે ગંભીર પ્રશ્નો ઉભા કરે છે. તેમના પુસ્તક 'ધ ફ્યુચર ઓફ ટ્રુથ' (The Future of Truth) માં, જે AI ની માહિતી પર અસર વિશે છે, તેમાં કેટલીક હકીકતલક્ષી ભૂલો અને ખોટા ક્વોટ્સ સામે આવ્યા છે, જે AI આસિસ્ટન્ટના ઉપયોગને કારણે થયા હતા.
AIની અચોક્કસતા પાછળનું કારણ
AIની આ 'હેલ્યુસિનેશન્સ' (hallucinations) સમસ્યા તેના મૂળભૂત ડિઝાઇનમાં રહેલી છે. આ મોડલ્સ મનુષ્યોની જેમ હકીકતોને સમજતા નથી. તેના બદલે, તેઓ વિશાળ ડેટાસેટ પર તાલીમ પામે છે અને સ્ટેટિસ્ટિકલ સંભાવનાઓના આધારે આગલો શબ્દ અનુમાન કરે છે. જ્યારે AI ને અસ્પષ્ટ અથવા જટિલ પ્રશ્નો પૂછવામાં આવે છે, ત્યારે તે સાચો જવાબ આપવાને બદલે, સંભવિત લાગતો જવાબ બનાવવાનો પ્રયાસ કરે છે. આ મોડલ્સ મદદરૂપ થવા માટે ડિઝાઇન કરાયેલા હોવાથી, તેઓ ઘણીવાર 'મને ખબર નથી' એમ કહેવાને બદલે ખોટી માહિતી આપી દે છે.
માહિતીની ચોકસાઈ માટે જોખમ
પ્રોફેશનલ્સ અને સંશોધકો માટે, AI નું આ વર્તન ભૂલો ફેલાવવાનું મોટું જોખમ ઊભું કરે છે. માનવીય ચકાસણી વિના, AI પાસેથી હકીકતો, અવતરણો અથવા ઐતિહાસિક સંદર્ભો મેળવવાથી ખોટી માહિતીનો પ્રસાર થઈ શકે છે. રોસેનબૌમ (Rosenbaum) ના પુસ્તકની ઘટના એ વાત પર ભાર મૂકે છે કે AI ટૂલ્સ, ભલે તે ચોકસાઈ માટે તાલીમ પામેલા હોય, તેમ છતાં તેમના તાલીમ ડેટા અને પ્રોબેબિલિસ્ટિક પ્રોસેસિંગ પદ્ધતિઓની મર્યાદાઓમાં બંધાયેલા છે. આ મોડલ્સને તાલીમ આપવા માટે વપરાતા ફીડબેક લૂપ્સમાં માનવીય પ્રભાવ હોઈ શકે છે, જે વ્યક્તિલક્ષીતા અને અસંગતતા લાવી શકે છે.
ડેટાની અખંડિતતા જાળવવી
જેમ જેમ વિવિધ ઉદ્યોગોમાં AI ટૂલ્સનો ઉપયોગ વધી રહ્યો છે, તેમ તેમ ચકાસણીનું મહત્વ વધુ સ્પષ્ટ થઈ રહ્યું છે. સર્જનાત્મક લેખન, નાણાકીય સંશોધન, કે ટેકનિકલ દસ્તાવેજીકરણ માટે, સત્યની જવાબદારી હંમેશા વપરાશકર્તાની રહે છે. AI માં ચકાસાયેલ વાસ્તવિકતા અને આંકડાકીય રીતે સંભવિત પેટર્ન વચ્ચે તફાવત કરવાની જન્મજાત ક્ષમતાનો અભાવ એ મુખ્ય પડકાર છે. તેથી, સ્ત્રોતો તપાસવા, પ્રાથમિક દસ્તાવેજો દ્વારા ડેટા બિંદુઓની ચકાસણી કરવી અને ગંભીર દેખરેખ જાળવવી એ કોઈપણ વ્યાવસાયિક અથવા સર્જનાત્મક ક્ષમતામાં AI નો ઉપયોગ કરતી વખતે આવશ્યક પગલાં છે.
