செயற்கை நுண்ணறிவு (AI) இனி வெறும் டாஸ்க் ஆட்டோமேஷன் இல்லை. இது சிக்கலான இன்ஜினியரிங் டிசைன் வேலைகளை நிர்வகிக்கும் 'Co-pilots' ஆக மாறி வருகிறது. இதனால், இந்திய குளோபல் கேபபிலிட்டி சென்டர்கள், ஆட்களை அதிகரிக்காமல் உற்பத்தித்திறனை (Productivity) கூட்டி, முக்கிய கண்டுபிடிப்புகளில் கவனம் செலுத்த முடியும்.
Detailed Coverage
ஆட்டோமேஷனுக்கு அப்பால் AI
பொறியியல் துறையில் செயற்கை நுண்ணறிவு (AI) ஒரு பெரிய மாற்றத்தை சந்தித்து வருகிறது. முன்பெல்லாம், AI வெறும் குறிப்பிட்ட பணிகளைச் செய்ய உதவும் ஒரு கருவியாக மட்டுமே இருந்தது. ஆனால், இப்போது அது 'Agentic Co-pilots' என்ற நிலைக்கு வளர்ந்துள்ளது. இந்த மேம்பட்ட AI சிஸ்டம்கள், இன்ஜினியரிங் தேவைகளை புரிந்துகொண்டு, பல படிநிலைகள் கொண்ட வேலைகளை திட்டமிட்டு, மென்பொருள் மற்றும் வன்பொருள் டிசைன் கருவிகளில் அவற்றை செயல்படுத்தும் திறன் கொண்டவை. குறிப்பாக, செமிகண்டக்டர் டிசைன் போன்ற முக்கிய துறைகளில், முதல் யோசனை முதல் இறுதி சரிபார்ப்பு வரை, அனைத்து நிலைகளிலும் AI-யை ஒருங்கிணைப்பது, தவறுகளைக் குறைத்து, வளர்ச்சி காலத்தை வேகப்படுத்த உதவுகிறது.
முந்தைய AI கருவிகள், வெறும் கோட் எழுதுவது அல்லது டெக்னிக்கல் டாக்குமெண்ட்களை தேடுவது போன்ற தனிப்பட்ட பணிகளுக்கு மட்டுமே உதவின. ஆனால், இப்போதுள்ள AI, சிக்கலான இன்ஜினியரிங் திட்டங்களின் தற்போதைய தரவுகளை, பழைய செயல்திறன் தரவுகளுடன் ஒப்பிட்டுப் பார்க்கிறது. உதாரணமாக, ஒரு ஹார்டுவேர் வெரிஃபிகேஷன் டெஸ்டில் ஏற்படும் தோல்விகளை, முந்தைய ப்ராஜெக்ட் பதிவுகளுடன் தொடர்புபடுத்தி, அதன் மூல காரணத்தை AI கண்டறிந்து சொல்லும். இதனால், இன்ஜினியர்கள் பிரச்சனைகளை மிக வேகமாக கண்டுபிடிக்க முடியும்.
இந்திய இன்ஜினியரிங் மையங்களின் முக்கியத்துவம்
இந்தியாவின் டெக்னாலஜி துறை, குறிப்பாக குளோபல் கேபபிலிட்டி சென்டர்களின் (GCC) வளர்ச்சி ஒரு திருப்புமுனையில் உள்ளது. இந்த மையங்கள், அதிக எண்ணிக்கையிலான ஊழியர்களைக் கொண்டு செயல்பாடுகளை அதிகரிப்பதில் கவனம் செலுத்தி வந்தன. ஆனால், AI Co-pilots-ன் ஒருங்கிணைப்பு, ஊழியர்களின் எண்ணிக்கையை நேரடியாக அதிகரிக்காமலேயே உற்பத்தித்திறனை மேம்படுத்துகிறது. இந்த AI கருவிகளைப் பயன்படுத்துவதன் மூலம், இந்திய குழுக்கள், உலகளாவிய தாய் நிறுவனங்களுக்காக, அதிக சிக்கலான, வியூக ரீதியான டிசைன் வேலைகளைச் செய்ய முடியும். திரும்பத் திரும்பச் செய்யும் வெரிஃபிகேஷன் மற்றும் டாக்குமெண்டேஷன் பணிகளில் செலவிடும் நேரத்தைக் குறைப்பதன் மூலம், நிறுவனங்களின் லாப வரம்பை (Operating Margins) மேம்படுத்த முடியும்.
மனித மேற்பார்வை மற்றும் செயல்திறன் சமநிலை
AI உற்பத்தித்திறனை அதிகரித்தாலும், இன்ஜினியரிங்கின் முக்கிய அம்சம் மனிதர்களால் வழிநடத்தப்படுவதுதான். உற்பத்திச் செலவு, செயல்திறன் மற்றும் நீண்டகால நம்பகத்தன்மை ஆகியவற்றுக்கு இடையேயான சமரசங்களைச் செய்ய, சிக்கலான டிசைன் முடிவுகளுக்கு மனிதர்களின் அறிவு அவசியம். தற்போது, 'Human-in-the-loop' என்ற முறை பின்பற்றப்படுகிறது, இதில் இன்ஜினியர்களே இறுதி முடிவுகளை எடுக்கிறார்கள். AI-யிடமிருந்து வரும் தவறான தகவல்களால் ஏற்படும் பெரிய வடிவமைப்புப் பிழைகளைத் தவிர்க்க இது முக்கியம். எனவே, செயல்திறன் மேம்பட்டாலும், இறுதி தயாரிப்பின் தரம் பாதிக்கப்படாமல் இருப்பதை உறுதிசெய்ய, நிறுவனங்கள் AI வேலைகளில் பாதுகாப்பு மற்றும் சரிபார்ப்பு நடவடிக்கைகளை ஒருங்கிணைக்கின்றன.
முதலீட்டாளர்கள் கவனிக்க வேண்டியவை
தொழில்நுட்பத் துறையில் முதலீடு செய்பவர்கள், முக்கிய IT சேவைகள் நிறுவனங்கள் மற்றும் இன்ஜினியரிங் டிசைன் நிறுவனங்களில் இந்த AI கருவிகளின் பயன்பாட்டு விகிதங்களைக் கண்காணிக்கலாம். ஊழியர் ஒருவருக்கான வருவாய் (Revenue-per-employee) அல்லது லாப வரம்பில் ஏற்படும் அதிகரிப்பு, இந்த AI கருவிகளால் நேரடியாக ஏற்பட்டதா என்பதைக் கவனிப்பது முக்கியம். மேலும், இந்திய நிறுவனங்கள் உயர் மதிப்புள்ள இன்ஜினியரிங் பணிகளுக்கு மாறுவதால், சிப் டிசைன் மற்றும் ஆட்டோமோட்டிவ் சாஃப்ட்வேர் போன்ற சிக்கலான துறைகளில், இதே AI கருவிகளைப் பயன்படுத்தும் உலகளாவிய போட்டியாளர்களுக்கு மத்தியில், அவர்கள் தங்கள் போட்டித்தன்மையை எவ்வாறு தக்கவைக்கிறார்கள் என்பதையும் கவனிக்க வேண்டும்.