வணிக நிறுவனங்கள் தங்களுக்கு கட்டுப்படியாகாத AI பயன்பாட்டை குறைத்து வருகின்றன. அதிக செலவு மற்றும் எதிர்பார்த்த பலன் இல்லாததால், குறைந்த பட்ஜெட்டில் செயல்படும் AI மாடல்கள் மற்றும் ஸ்மார்ட் ரூட்டிங் முறைகளை நோக்கி நகர்கின்றன.
AI பயன்பாட்டில் வியத்தகு மாற்றம்
வணிக உலகில் செயற்கை நுண்ணறிவு (AI) பயன்பாட்டில் ஒரு பெரிய மாற்றம் வந்துள்ளது. 'Tokenmaxxing' எனப்படும், முன்னேற்றத்தின் அறிகுறியாக அதிக AI டோக்கன்களைப் பயன்படுத்துவதை நிறுவனங்கள் கைவிட்டு வருகின்றன. அதிக டோக்கன் பயன்பாடு எப்போதும் சிறந்த உற்பத்தித்திறனைத் தராது என்பதையும், அதே நேரத்தில் இந்த சேவைகளுக்கான மாதாந்திர கட்டணம் வேகமாக அதிகரித்து வருவதையும் உணர்ந்ததன் விளைவாக இந்த மாற்றம் ஏற்பட்டுள்ளது.
அதிக பயன்பாட்டிலிருந்து செலவுக் கட்டுப்பாட்டிற்கு நகர்வு
ஆரம்பத்தில், அதிக டோக்கன் நுகர்வு ஒரு வெற்றி அளவுகோலாகக் கருதப்பட்டது, சில சமயங்களில் தொழில்நுட்பத் துறையில் உள்ள தலைவர்களால் இது ஊக்குவிக்கப்பட்டது. இருப்பினும், இந்த அணுகுமுறை பெரும்பாலும் தெளிவான நிதி வருவாயால் ஆதரிக்கப்படாத, ஊதப்பட்ட தொழில்நுட்ப பட்ஜெட்டுகளுக்கு வழிவகுத்தது. மூடிஸ் ரேட்டிங்ஸ் (Moody's Ratings) உட்பட நிதி ஆய்வாளர்கள் மற்றும் நிபுணர்கள், நிறுவனங்கள் இப்போது இந்தச் செலவுகளை நிர்வகிக்க மிகவும் ஒழுக்கமான கட்டுப்பாடுகளைச் செயல்படுத்துகின்றன என்பதைக் குறிப்பிட்டுள்ளனர். இனி, AI-ஐப் பயன்படுத்துவது மட்டுமல்லாமல், அந்தச் செலவினம் உண்மையான வணிக முடிவுகளால் நியாயப்படுத்தப்படுவதை உறுதி செய்வதில் கவனம் திரும்பியுள்ளது.
எதிர்பாராத AI செலவுகளின் சவால்கள்
பல பெரிய நிறுவனங்களுக்கு, AI செலவுகள் கவலையின் ஆதாரமாக மாறிவிட்டன. டோக்கன் செலவுகள் சில சமயங்களில் முந்தைய மாதத்திலிருந்து இரு மடங்காக உயரக்கூடும் என்பதால், அவை செயல்பாட்டு வரவு செலவுத் திட்டங்களில் (Operational Budgets) வளர்ந்து வரும் சுமையாக உள்ளன. மைக்ரோசாஃப்ட் (Microsoft) மற்றும் பாலன்டிர் (Palantir) போன்ற நிறுவனங்களின் நிர்வாகத் தலைமை, இந்தக் கருவிகளின் அதிக விலை மற்றும் பரந்த டோக்கன் பயன்பாட்டின் மூலம் முக்கியமான தகவல்கள் செயலாக்கப்படும்போது தரவு தனியுரிமைக்கான (Data Privacy) அபாயங்கள் குறித்து கவலைகளை எழுப்பியுள்ளது. இது நிறுவனங்களை தங்கள் வியூகத்தை மறுபரிசீலனை செய்ய கட்டாயப்படுத்தியுள்ளது, இது மாடல் ரூட்டிங் (Model Routing) ஏற்றுக்கொள்ள வழிவகுத்தது. இந்த நடைமுறையானது, வழக்கமான பணிகளுக்கு மலிவான, எளிமையான AI மாடல்களைப் பயன்படுத்துவதையும், மிகவும் சிக்கலான பிரச்சனைகளுக்கு மட்டுமே சக்திவாய்ந்த, விலை உயர்ந்த மாடல்களை ஒதுக்குவதையும் உள்ளடக்கியது.
மாற்று AI மாடல்களின் பங்கு
அதிக செலவு வைக்கும் வழங்குநர்கள் மீதான அழுத்தத்திற்கு மத்தியில், மாற்று AI மாடல்களிடமிருந்து போட்டி அதிகரித்து வருகிறது. திறந்த மூல (Open-source) தீர்வுகள் மற்றும் மூன்ஷாட் (Moonshot) மற்றும் ஜிபு (Zhipu) போன்ற சீன நிறுவனங்களிடமிருந்து வரும் புதிய போட்டியாளர்கள், குறைந்த விலையில் உயர்தர தயாரிப்புகளுக்கு ஒத்த அம்சங்களை வழங்குகின்றனர். இந்த மாற்று வழிகள் அதிக டோக்கன்களைப் பயன்படுத்த மலிவாக இருக்கலாம் என்றாலும், தொழில்துறை நிபுணர்கள் 'Tokenmaxxing' என்ற அடிப்படை வியூகம் திறனற்றதாகவே இருப்பதாக வாதிடுகின்றனர். ஒரு டெவலப்பரின் உற்பத்தித்திறனை அவர்கள் எழுதும் குறியீடுகளின் வரிகளின் எண்ணிக்கையால் அளவிடுவது போல, டோக்கன் அளவை முதன்மைப்படுத்துவது குறைபாடுள்ள அளவீடாகக் கருதப்படுகிறது.
முதலீட்டாளர்களுக்கான முக்கிய கண்காணிக்க வேண்டிய விஷயம் என்னவென்றால், மென்பொருள் மற்றும் சேவை நிறுவனங்கள் இந்த மிகவும் திறமையான AI செயலாக்க வியூகங்களுக்கு மாறும் போது தங்கள் லாப வரம்புகளை (Margins) எவ்வாறு நிர்வகிக்கின்றன என்பதுதான். AI செலவினங்களை வெற்றிகரமாக மேம்படுத்தும் நிறுவனங்கள் சிறந்த பணப்புழக்கம் (Cash Flow) மற்றும் நிலையான லாப வரம்புகளைக் காணலாம், அதே நேரத்தில் இந்தச் செலவுகளைக் கட்டுப்படுத்தத் தவறும் நிறுவனங்கள் தங்கள் கீழ்நிலைப் பகுதியில் (Bottom Lines) தொடர்ச்சியான அழுத்தத்தை எதிர்கொள்ள நேரிடும்.