Whalesbook
செயல்பாட்டில் பெரும் இடைவெளி
இந்திய நிறுவனங்களில் செயற்கை நுண்ணறிவு (AI) ஒருங்கிணைப்புக்கான ஆர்வம் அதிகரித்து வரும் நிலையில், அதற்கான அடிப்படை தொழில்நுட்ப வசதிகள் போதுமானதாக இல்லை. சந்தை கணிப்புகள் சிறப்பாக இருந்தாலும், கருத்துரு சோதனைகளிலிருந்து (proof-of-concept) உண்மையான பயன்பாட்டுக்கு மாறுவதில் பல நிறுவனங்கள் சிரமப்படுகின்றன. சமீபத்திய ஆய்வுகளின்படி, வெறும் 5% நிறுவனங்கள் மட்டுமே AI-ஐ தங்கள் முக்கிய வணிக செயல்பாடுகளில் வெற்றிகரமாக இணைத்துள்ளன. இது, நிர்வாகத்தின் டிஜிட்டல் உருமாற்ற இலக்குகளுக்கும், டேட்டா சென்டர்களின் நிஜ நிலைக்கும் இடையே பெரும் இடைவெளியை காட்டுகிறது.
உள்கட்டமைப்பே முக்கிய தடை
பெரிய மொழி மாதிரிகளின் (Large Language Models) பரபரப்புக்கு அப்பால், அதிவேக கணினி சக்தி (High-performance compute) மற்றும் வலுவான நெட்வொர்க்கிங் பற்றாக்குறையே முக்கிய தடையாக உள்ளது. நிறுவனங்கள் துறை சார்ந்த தடைகளை தாண்டி செல்ல முயற்சிக்கும்போது, GPU கிடைப்பதில் மற்றும் ஆற்றல் செயல்திறனில் கடுமையான வரம்புகளை எதிர்கொள்கின்றன. மாதிரிகளை உருவாக்க திறமையாளர்களை கண்டுபிடிப்பது இனி பிரச்சனையில்லை; அவற்றை ஆதரிக்க தேவையான இயற்பியல் மற்றும் தர்க்கரீதியான கட்டமைப்புதான் சவாலாக உள்ளது. நிகழ்நேர தரவு செயலாக்கம் (Real-time data processing), AI பயன்பாட்டிற்கு இன்றியமையாதது, ஆனால் பாரம்பரிய ஹைப்ரிட் கிளவுட் சூழல்களால் இது இன்னும் எட்டாக்கனியாகவே உள்ளது.
நிர்வாகம் மற்றும் தணிக்கை சிக்கல்கள்
ஒரு நிறுவன சூழலில் AI-ஐ விரிவுபடுத்துவதற்கு கணினி சக்தி மட்டும் போதாது. தரவு வரிசைமுறை (Data lineage), பாதுகாப்பு மற்றும் தீர்மானகரமான முடிவுகளுக்கு ஒரு கடுமையான கட்டமைப்பு தேவை. தற்போது, AI மேம்பாட்டு சுழற்சியின் கடைசி 20% - அதாவது ஒரு முன்மாதிரியை நம்பகமான, தணிக்கை செய்யக்கூடிய மற்றும் நிறுவன அளவிலான கருவியாக மாற்றுவது - மூலதன செலவு மற்றும் மனித வளத்தின் பெரும்பகுதியை எடுத்துக்கொள்கிறது. பல நிறுவனங்கள் சந்தைக்கு விரைவாக வருவதற்காக ஆரம்ப நிர்வாக நெறிமுறைகளை தவிர்த்துவிட்டன. இது, இந்த பயன்பாடுகளின் நீண்டகால நம்பகத்தன்மைக்கு அச்சுறுத்தலாக அமையும் தொழில்நுட்ப கடனை உருவாக்கியுள்ளது. மோசமாக நிர்வகிக்கப்படும் தரவு குழாய்களில் உள்ள பாதிப்புகளை சாதகமாகப் பயன்படுத்தும், AI-உருவாக்கிய அச்சுறுத்தல்களுக்கு எதிராக இந்த முகவர்களைப் பாதுகாக்க நிறுவனங்கள் இப்போது போராடுகின்றன.
கட்டமைப்பின் பலவீனங்கள்
AI-ல் தீவிரமாக ஈடுபடும் நிறுவனங்களுக்கு, தங்கள் உள்கட்டமைப்பை வணிக இலக்குகளுடன் சீரமைக்கத் தவறினால் குறிப்பிடத்தக்க அபாயங்கள் உள்ளன. ஒரு முக்கிய கவலை என்னவென்றால், குறைந்த மாதிரி பயன்பாட்டு விகிதங்கள் காரணமாக மிகக் குறைந்த முதலீட்டு வருவாயை (Return on Investment) வழங்கும் AI கணினி வளங்களில் பல நிறுவனங்கள் அதிகமாக முதலீடு செய்வதால், லாபம் குறையக்கூடும். மேலும், தரப்படுத்தப்பட்ட, உயர்தர தரவுகளின் பற்றாக்குறை இந்த விலையுயர்ந்த பயன்பாடுகளை பயனற்றதாக ஆக்குகிறது ('garbage in, garbage out' சூழ்நிலைகளை உருவாக்குகிறது). செங்குத்தாக ஒருங்கிணைக்கப்பட்ட தரவு மையங்களுடன் செயல்படும் உலகளாவிய ஹைப்பர்ஸ்கேலர்களைப் போலல்லாமல், பல இந்திய நிறுவனங்கள் துண்டு துண்டான சேவை வழங்குநர்களை நம்பியுள்ளன. இது மூன்றாம் தரப்பு ஆபத்து மற்றும் தாமத சிக்கல்களை அறிமுகப்படுத்துகிறது. தரவு தனியுரிமைச் சட்டங்கள் தொடர்ந்து உருவாகி வருவதால், குறிப்பாக முக்கியமான தொழில் பிரிவுகளுக்குள் AI முகவர்களின் இணக்கத்தன்மை குறித்து, அடிப்படை தரவு சுத்தம் செய்தல் மற்றும் பாதுகாப்பை விட கவர்ச்சியான, நுகர்வோர் சார்ந்த இடைமுகங்களுக்கு முன்னுரிமை அளிக்கும் நிர்வாகிகள் குறிப்பிடத்தக்க ஒழுங்குமுறை ஆய்வை எதிர்கொள்வார்கள்.