இந்தியா AI: மாடல்களை விட தரவுகளுக்கு முக்கியத்துவம்!

இந்தியாவின் செயற்கை நுண்ணறிவு (Artificial Intelligence - AI) எதிர்காலம் குறித்த விவாதங்கள், தற்போது பெரும் செலவில் அடித்தள AI மாடல்களை (Foundation Models) உருவாக்குவதிலிருந்து, சிறப்பு வாய்ந்த, சொந்தமான தரவுகளின் (Proprietary Data) மதிப்பை மையமாகக் கொண்டதாக மாறி வருகின்றன. உலகளாவிய தொழில்நுட்ப ஜாம்பவான்கள் தற்போது பொதுவான அடித்தள மாடல்களில் ஆதிக்கம் செலுத்துகின்றனர். இவற்றுக்கு பெருமளவு மூலதனம், ஆற்றல் மற்றும் கணினி சக்தி தேவைப்படுகிறது. ஆனால், இந்தியாவின் வளர்ச்சி அதன் தனித்துவமான தரவு சொத்துக்களில் (Data Assets) அடங்கியுள்ளது என்பதே ஒருமித்த கருத்தாக உள்ளது.

அடித்தள மாடல்களின் சிக்கல் (Resource Trap of Foundation Models)

அடித்தள மாடல்களை உருவாக்குவது என்பது மிகவும் செலவு பிடிக்கும் காரியம். இந்த அமைப்புகளுக்கு பில்லியன் கணக்கான டாலர் உள்கட்டமைப்பு, நிலையான ஆற்றல் விநியோகம் மற்றும் சில முக்கிய உலகளாவிய தொழில்நுட்ப மையங்களில் மட்டுமே உள்ள திறமையான பணியாளர்கள் தேவை. இந்த பிரம்மாண்டமான, பொதுவான மாடல்களை உருவாக்க இந்திய நிறுவனங்கள் முயற்சித்தால், அதிக நிதி மற்றும் தொழில்நுட்ப வளங்களைக் கொண்ட நிறுவனங்களுடன் நேரடியாக போட்டியிட நேரிடும். இதனால், இவற்றுக்கு கிடைக்கும் வருமானம் குறைவாக இருக்கலாம்.

எனவே, இந்தியா இந்த 'மூலதனச் சிக்கலில்' (Resource Trap) சிக்குவதைத் தவிர்த்து, தனக்கு தனித்துவமான போட்டி நன்மைகள் உள்ள பகுதிகளில் கவனம் செலுத்த வேண்டும் என்று வாதிடப்படுகிறது. அதுதான் சூழல், சிக்கலான தன்மை மற்றும் துறை சார்ந்த தரவுகள் (Industry-specific Data).

தரவுகளே உத்தி சார்ந்த சொத்து (Data as a Strategic Asset)

இந்தியாவுக்கு மிகப்பெரிய பலம் அதன் பரந்த மொழி பன்முகத்தன்மை மற்றும் பொருளாதார அளவு. நூற்றுக்கணக்கான மொழிகள், வட்டார வழக்குகள் மற்றும் மிகவும் குறிப்பிட்ட பிராந்திய தொழில்துறை செயல்முறைகள் இதில் அடங்கும். அடிப்படை தரவு லேபிளிங் (Data Labeling) பெரும்பாலும் குறைந்த மதிப்புள்ள சேவையாகக் கருதப்பட்டாலும், பொதுவான லேபிளிங்கிற்கும், அதிநவீன, துறை சார்ந்த தரவுத்தொகுப்புகளை (Industry-specific Datasets) உருவாக்குவதற்கும் இடையே பெரிய வித்தியாசம் உள்ளது.

சுகாதாரம், விவசாயம், சட்ட அமைப்புகள் அல்லது உற்பத்தி போன்ற துறைகளில் இருந்து வரும் சொந்தமான தரவுகள், நிஜ உலகப் பிரச்சினைகளைத் தீர்க்கும் AI-யை உருவாக்க அவசியமானவை. இந்த குழப்பமான, நிஜ உலகத் தகவல்களை கட்டமைக்கப்பட்ட அறிவாக மாற்றுவதன் மூலம், இந்திய நிறுவனங்கள் உலகளாவிய பொதுவான மாடல்களால் எளிதில் பிரதிபலிக்க முடியாத மதிப்பை வழங்க முடியும்.

IT சேவைத் துறையின் மாற்றம் (The IT Services Sector Pivot)

இந்த உத்தி மாற்றம் இந்தியாவின் IT சேவைத் துறைக்கு ஒரு தெளிவான வாய்ப்பை உருவாக்குகிறது. பல தசாப்தங்களாக, இந்த நிறுவனங்கள் சிக்கலான நிறுவனப் பணிப்பாய்வுகள் (Enterprise Workflows), ஒழுங்குமுறை இணக்கம் (Regulatory Compliance) மற்றும் அளவை (Scale) புரிந்துகொள்வதன் மூலம் தங்கள் வணிக மாதிரிகளை உருவாக்கியுள்ளன.

புதிய அடித்தள மாடல்களை புதிதாக உருவாக்குவதற்குப் பதிலாக, இந்த நிறுவனங்கள் ஏற்கனவே உள்ள சக்திவாய்ந்த உலகளாவிய மாடல்களுக்கும், குறிப்பிட்ட வாடிக்கையாளர் தேவைகளுக்கும் இடையே அத்தியாவசிய இணைப்பாக செயல்பட சிறந்த நிலையில் உள்ளன. உண்மையான வணிக மதிப்பு பெரும்பாலும் ஒருங்கிணைப்பில் (Integration) உள்ளது - ஏற்கனவே உள்ள, திறமையான மாடலை எடுத்து, ஒரு குறிப்பிட்ட சிக்கலைத் தீர்க்க ஒரு வணிகத்தின் பணிப்பாய்வுக்குள் உட்பொதிப்பது.

வங்கி, லாஜிஸ்டிக்ஸ் மற்றும் சில்லறை விற்பனை போன்ற துறைகளில் தங்கள் நம்பிக்கையான உறவுகள் மற்றும் ஆழமான டொமைன் அறிவைப் (Domain Knowledge) பயன்படுத்துவதன் மூலம், IT நிறுவனங்கள் சேவை வழங்குநர்களாக இருந்து AI-ஆல் இயங்கும் அறிவுசார் சொத்துக்களை (AI-powered Intellectual Property) உருவாக்குபவர்களாக மாற முடியும். ஒரு சிறந்த உலகளாவிய மாடல் கிடைத்தால், அதை உருவாக்குவதை விட அதைப் பயன்படுத்துவது பெரும்பாலும் செலவு குறைந்ததாகும்; போட்டித்திறன் என்பது அந்த மாடலை ஒரு குறிப்பிட்ட வாடிக்கையாளருக்குத் தனிப்பயனாக்கப் பயன்படுத்தப்படும் சொந்தமான தரவுகளிலிருந்து வருகிறது.

உத்தி சார்ந்த அபாயங்களைக் கண்காணித்தல் (Monitoring the Strategic Risk)

இந்த AI மாற்றத்தில் இந்தியா எதிர்கொள்ளும் முக்கிய ஆபத்து, 'தரவு கடைக்' (Data Shop) ஆக மாறுவது - மற்றவர்கள் மதிப்பை உருவாக்க மூலப்பொருளை மட்டும் வழங்குவது. வெற்றிபெற, நிறுவனங்கள் தரவுகளின் உரிமையாளர் ஆவதன் மூலமும், துறை சார்ந்த சிக்கல்களைப் புரிந்துகொள்வதன் மூலமும், உருவாக்கப்பட்ட நுண்ணறிவுகளின் அறிவுசார் சொத்துரிமைகளைப் (Intellectual Property Rights) பராமரிப்பதன் மூலமும் மதிப்புச் சங்கிலியில் (Value Chain) முன்னேறுவதை உறுதி செய்ய வேண்டும்.

முதலீட்டாளர்கள் மற்றும் தொழில்துறை பார்வையாளர்கள் கவனிக்க வேண்டிய அடுத்த முக்கியமான படி, முக்கிய IT நிறுவனங்கள் மூலதனத்தை எவ்வாறு ஒதுக்குகின்றன என்பதைக் கண்காணிப்பதாகும்: பொதுவான தரவு சிறுகுறிப்பு (Generic Data Annotation) அல்லது குறைந்த-நிலை உள்கட்டமைப்பு சேவைகளில் பங்கேற்பதை விட, ஆழமான, துறை சார்ந்த AI ஒருங்கிணைப்பை நோக்கி நகர்கின்றனவா என்பதைக் கவனிக்க வேண்டும்.