मानवी हस्तक्षेपाशिवाय जनरेटिव्ह एआय काय करू शकते?

कार्यकारी सारांश

जनरेटिव्ह आर्टिफिशियल इंटेलिजेंस (एआय) - मशीनना मजकूर, प्रतिमा, कोड आणि बरेच काही तयार करण्यास सक्षम करणारी तंत्रज्ञान - अलिकडच्या वर्षांत विस्फोटक वाढ अनुभवली आहे. हे श्वेतपत्र मानवी हस्तक्षेपाशिवाय आज जनरेटिव्ह एआय विश्वसनीयरित्या करू शकते आणि पुढील दशकात ते काय करेल अशी अपेक्षा आहे याचा एक सुलभ आढावा प्रदान करते. आम्ही लेखन, कला, कोडिंग, ग्राहक सेवा, आरोग्यसेवा, शिक्षण, लॉजिस्टिक्स आणि वित्त या क्षेत्रांमध्ये त्याचा वापर सर्वेक्षण करतो, एआय स्वायत्तपणे कुठे कार्य करते आणि मानवी देखरेख कुठे महत्त्वाची राहते हे अधोरेखित करतो. यश आणि मर्यादा दोन्ही स्पष्ट करण्यासाठी वास्तविक जगातील उदाहरणे समाविष्ट केली आहेत. प्रमुख निष्कर्षांमध्ये हे समाविष्ट आहे:

• व्यापक अवलंब: २०२४ मध्ये, सर्वेक्षण केलेल्या ६५% कंपन्या नियमितपणे जनरेटिव्ह एआय वापरत असल्याचे सांगतात - मागील वर्षाच्या तुलनेत जवळजवळ दुप्पट ( २०२४ च्या सुरुवातीला एआयची स्थिती | मॅककिन्से ). अनुप्रयोगांमध्ये मार्केटिंग कंटेंट निर्मिती, ग्राहक समर्थन चॅटबॉट्स, कोड जनरेशन आणि बरेच काही समाविष्ट आहे.

• सध्याची स्वायत्त क्षमता: आजची जनरेटिव्ह एआय विश्वसनीयरित्या संरचित, पुनरावृत्ती होणारी कामे कमीत कमी देखरेखीसह हाताळते. उदाहरणांमध्ये फॉर्म्युलेटिक न्यूज रिपोर्ट्स स्वयंचलितपणे तयार करणे (उदा. कॉर्पोरेट कमाई सारांश) ( फिलाना पॅटरसन - ओएनए कम्युनिटी प्रोफाइल ), ई-कॉमर्स साइट्सवर उत्पादन वर्णन आणि पुनरावलोकन हायलाइट्स तयार करणे आणि ऑटो-कंप्लीटिंग कोड समाविष्ट आहे. या डोमेनमध्ये, एआय अनेकदा नियमित सामग्री निर्मितीचा ताबा घेऊन मानवी कामगारांना वाढवते.

• गुंतागुंतीच्या कामांसाठी ह्युमन-इन-द-लूप: अधिक जटिल किंवा खुल्या कामांसाठी - जसे की सर्जनशील लेखन, तपशीलवार विश्लेषण किंवा वैद्यकीय सल्ला - तथ्यात्मक अचूकता, नैतिक निर्णय आणि गुणवत्ता सुनिश्चित करण्यासाठी मानवी देखरेखीची आवश्यकता असते. आज अनेक एआय तैनाती "ह्युमन-इन-द-लूप" मॉडेल वापरतात जिथे एआय सामग्री मसुदा तयार करते आणि मानव त्याचे पुनरावलोकन करतात.

• जवळच्या काळात सुधारणा: पुढील ५-१० वर्षांत, जनरेटिव्ह एआय अधिक विश्वासार्ह आणि स्वायत्त . मॉडेल अचूकता आणि रेलिंग यंत्रणेतील प्रगतीमुळे एआयला कमीत कमी मानवी इनपुटसह सर्जनशील आणि निर्णय घेण्याच्या कामांचा मोठा वाटा हाताळता येईल. उदाहरणार्थ, २०३० पर्यंत तज्ञांचा अंदाज आहे की एआय बहुतेक ग्राहक सेवा संवाद आणि निर्णय रिअल टाइममध्ये हाताळेल ( सीएक्सकडे शिफ्टची पुनर्कल्पना करण्यासाठी, मार्केटर्सनी या २ गोष्टी करायला हव्यात ), आणि ९०% एआय-जनरेटेड कंटेंटसह एक प्रमुख चित्रपट तयार केला जाऊ शकतो ( उद्योग आणि उपक्रमांसाठी जनरेटिव्ह एआय वापर प्रकरणे ).

• २०३५ पर्यंत: एका दशकात, आम्हाला अशी अपेक्षा आहे की स्वायत्त एआय एजंट्स अनेक क्षेत्रांमध्ये सामान्य होतील. एआय ट्यूटर मोठ्या प्रमाणात वैयक्तिकृत शिक्षण देऊ शकतात, एआय सहाय्यक तज्ञांच्या साइन-ऑफसाठी कायदेशीर करार किंवा वैद्यकीय अहवाल विश्वसनीयरित्या मसुदा तयार करू शकतात आणि सेल्फ-ड्रायव्हिंग सिस्टम (जनरेटिव्ह सिम्युलेशनद्वारे सहाय्यित) लॉजिस्टिक्स ऑपरेशन्स एंड-टू-एंड चालवू शकतात. तथापि, काही संवेदनशील क्षेत्रांना (उदा. उच्च-स्तरीय वैद्यकीय निदान, अंतिम कायदेशीर निर्णय) अजूनही सुरक्षितता आणि जबाबदारीसाठी मानवी निर्णयाची आवश्यकता असेल.

• नैतिक आणि विश्वासार्हतेच्या चिंता: जसजशी एआय स्वायत्तता वाढत जाते तसतशी चिंता देखील वाढत जातात. आजच्या समस्यांमध्ये भ्रम (एआय तथ्ये तयार करत आहे), व्युत्पन्न केलेल्या सामग्रीमध्ये पक्षपात, पारदर्शकतेचा अभाव आणि चुकीच्या माहितीसाठी संभाव्य गैरवापर यांचा समावेश आहे. देखरेखीशिवाय काम करताना एआयवर विश्वास ठेवता अत्यंत महत्त्वाचे आहे. प्रगती होत आहे - उदाहरणार्थ, संस्था जोखीम कमी करण्यासाठी (अचूकता, सायबर सुरक्षा, आयपी समस्यांना संबोधित करणे) अधिक गुंतवणूक करत आहेत ( एआयची स्थिती: जागतिक सर्वेक्षण | मॅककिन्से ) - परंतु मजबूत प्रशासन आणि नैतिक चौकटी आवश्यक आहेत.

• या पेपरची रचना: आपण जनरेटिव्ह एआय आणि ऑटोनॉमस विरुद्ध पर्यवेक्षित वापराच्या संकल्पनेची ओळख करून सुरुवात करतो. त्यानंतर, प्रत्येक प्रमुख क्षेत्रासाठी (लेखन, कला, कोडिंग इ.), आपण आज एआय विश्वसनीयरित्या काय करू शकते आणि क्षितिजावर काय आहे यावर चर्चा करतो. जनरेटिव्ह एआयचा जबाबदारीने वापर करण्यासाठी क्रॉस-कटिंग आव्हाने, भविष्यातील अंदाज आणि शिफारसींसह आपण निष्कर्ष काढतो.

एकंदरीत, जनरेटिव्ह एआयने आधीच सिद्ध केले आहे की ते सतत मानवी मार्गदर्शनाशिवाय आश्चर्यकारक कार्ये हाताळण्यास सक्षम आहे. त्याच्या सध्याच्या मर्यादा आणि भविष्यातील क्षमता समजून घेऊन, संस्था आणि जनता अशा युगासाठी अधिक चांगल्या प्रकारे तयारी करू शकतात ज्यामध्ये एआय केवळ एक साधन नाही तर काम आणि सर्जनशीलतेमध्ये एक स्वायत्त सहयोगी आहे.

परिचय

कृत्रिम बुद्धिमत्ता बऱ्याच काळापासून विश्लेषण , परंतु अलीकडेच एआय सिस्टम्सनी गद्य लिहिणे, प्रतिमा तयार करणे, प्रोग्रामिंग सॉफ्टवेअर आणि बरेच काही तयार जनरेटिव्ह एआय मॉडेल्स (जसे की मजकूरासाठी GPT-4 किंवा प्रतिमांसाठी DALL·E) प्रॉम्प्टला प्रतिसाद म्हणून नवीन सामग्री तयार करण्यासाठी विशाल डेटासेटवर प्रशिक्षित केले जातात. या प्रगतीमुळे उद्योगांमध्ये नाविन्यपूर्णतेची लाट आली आहे. तथापि, एक महत्त्वाचा प्रश्न उद्भवतो: मानवी आउटपुटची पुन्हा तपासणी न करता, आपण एआय स्वतःहून काय करू शकतो यावर खरोखर विश्वास ठेवू शकतो?

एआयच्या पर्यवेक्षी आणि स्वायत्त फरक करणे महत्वाचे आहे

• मानवी देखरेखीखालील एआय म्हणजे अशा परिस्थिती जिथे एआय आउटपुट अंतिम करण्यापूर्वी लोकांकडून पुनरावलोकन केले जाते किंवा क्युरेट केले जाते. उदाहरणार्थ, एखादा पत्रकार लेख तयार करण्यासाठी एआय लेखन सहाय्यकाचा वापर करू शकतो, परंतु संपादक तो संपादित करतो आणि मंजूर करतो.

• ऑटोनॉमस एआय (मानवी हस्तक्षेपाशिवाय एआय) म्हणजे एआय सिस्टीम ज्या कार्ये अंमलात आणतात किंवा अशी सामग्री तयार करतात जी कमी किंवा कोणत्याही मानवी संपादनाशिवाय थेट वापरात येते. उदाहरणार्थ, मानवी एजंटशिवाय ग्राहकांच्या प्रश्नाचे निराकरण करणारा स्वयंचलित चॅटबॉट किंवा एआय द्वारे व्युत्पन्न केलेल्या स्पोर्ट्स स्कोअर रिकॅप स्वयंचलितपणे प्रकाशित करणारा न्यूज आउटलेट.

जनरेटिव्ह एआय दोन्ही पद्धतींमध्ये आधीच तैनात केले जात आहे. २०२३-२०२५ मध्ये, दत्तक घेण्याची प्रक्रिया गगनाला भिडली आहे , संस्था उत्सुकतेने प्रयोग करत आहेत. २०२४ मध्ये झालेल्या एका जागतिक सर्वेक्षणात असे आढळून आले की ६५% कंपन्या नियमितपणे जनरेटिव्ह एआय वापरत आहेत, जे एका वर्षापूर्वीच्या सुमारे एक तृतीयांश होते ( २०२४ च्या सुरुवातीला एआयची स्थिती | मॅककिन्से ). व्यक्तींनी देखील चॅटजीपीटी सारखी साधने स्वीकारली आहेत - अंदाजे ७९% व्यावसायिकांना २०२३ च्या मध्यापर्यंत जनरेटिव्ह एआयचा किमान काही प्रमाणात संपर्क आला होता ( २०२३ मध्ये एआयची स्थिती: जनरेटिव्ह एआयचे ब्रेकआउट वर्ष | मॅककिन्से ). कार्यक्षमता आणि सर्जनशीलता वाढीच्या आश्वासनामुळे हा जलद वापर प्रेरित आहे. तरीही ते "सुरुवातीचे दिवस" ​​आहे आणि अनेक कंपन्या अजूनही एआयचा जबाबदारीने वापर कसा करायचा याबद्दल धोरणे तयार करत आहेत ( २०२३ मध्ये एआयची स्थिती: जनरेटिव्ह एआयचे ब्रेकआउट वर्ष | मॅककिन्से ).

स्वायत्तता का महत्त्वाची आहे: मानवी देखरेखीशिवाय एआयला काम करू दिल्याने प्रचंड कार्यक्षमता मिळू शकते - कंटाळवाण्या कामांना पूर्णपणे स्वयंचलित करणे - परंतु ते विश्वासार्हतेसाठी देखील दावे वाढवते. एका स्वायत्त एआय एजंटने गोष्टी योग्य केल्या पाहिजेत (किंवा त्याच्या मर्यादा जाणून घेतल्या पाहिजेत) कारण चुका पकडण्यासाठी वास्तविक वेळेत कोणीही मानव नसू शकतो. काही कामे इतरांपेक्षा यासाठी अधिक उपयुक्त असतात. साधारणपणे, एआय स्वायत्तपणे सर्वोत्तम कामगिरी करते जेव्हा:

• या कार्याची एक स्पष्ट रचना किंवा नमुना (उदा. डेटावरून नियमित अहवाल तयार करणे).

• चुका कमी जोखमीच्या असतात किंवा सहज सहन केल्या जाऊ शकतात (उदा. वैद्यकीय निदानाच्या तुलनेत, असमाधानकारक असल्यास टाकून दिले जाऊ शकणारी प्रतिमा निर्मिती).

• प्रशिक्षण डेटा उपलब्ध आहे , त्यामुळे एआयचे आउटपुट वास्तविक उदाहरणांवर आधारित आहे (अंदाज कमी करून).

याउलट, जी कामे ओपन-एंडेड , उच्च-पैशांची किंवा ज्यांना सूक्ष्म निर्णयाची आवश्यकता असते ती आज शून्य देखरेखीसाठी कमी योग्य असतात.

पुढील विभागांमध्ये, जनरेटिव्ह एआय आता काय करत आहे आणि पुढे काय करणार आहे हे पाहण्यासाठी आपण विविध क्षेत्रांचे परीक्षण करू. एआय-लिखित बातम्या लेख आणि एआय-निर्मित कलाकृतींपासून ते कोड-रायटिंग असिस्टंट आणि व्हर्च्युअल ग्राहक सेवा एजंटपर्यंत - कोणती कामे एआय द्वारे एंड-टू-एंड करता येतात आणि कोणत्या कामांना अजूनही लूपमध्ये मानवाची आवश्यकता असते यावर प्रकाश टाकणारी ठोस उदाहरणे आपण पाहू. प्रत्येक डोमेनसाठी, आम्ही सध्याच्या क्षमता (सुमारे २०२५) २०३५ पर्यंत काय विश्वसनीय असू शकते याच्या वास्तववादी अंदाजांपासून स्पष्टपणे वेगळे करतो.

विविध क्षेत्रांमध्ये स्वायत्त एआयच्या वर्तमान आणि भविष्याचे मॅपिंग करून, आम्ही वाचकांना संतुलित समज प्रदान करण्याचे उद्दिष्ट ठेवतो: एआयला जादुईदृष्ट्या अचूक म्हणून जास्त प्रसिद्ध करू नका, किंवा त्याच्या वास्तविक आणि वाढत्या क्षमतांना कमी लेखू नका. या पायासह, आम्ही नंतर मुख्य टेकवेसह समाप्त करण्यापूर्वी, देखरेखीशिवाय एआयवर विश्वास ठेवण्याच्या व्यापक आव्हानांवर चर्चा करतो, ज्यामध्ये नैतिक विचार आणि जोखीम व्यवस्थापन समाविष्ट आहे.

लेखन आणि सामग्री निर्मितीमध्ये जनरेटिव्ह एआय

जनरेटिव्ह एआयने ज्या पहिल्या क्षेत्रात लोकप्रियता मिळवली ती म्हणजे टेक्स्ट जनरेशन. मोठे भाषा मॉडेल बातम्यांचे लेख आणि मार्केटिंग कॉपीपासून ते सोशल मीडिया पोस्ट आणि कागदपत्रांच्या सारांशांपर्यंत सर्वकाही तयार करू शकतात. पण मानवी संपादकाशिवाय हे किती लेखन करता येईल?

सध्याच्या क्षमता (२०२५): नियमित सामग्रीचे ऑटो-रायटर म्हणून एआय

आज, जनरेटिव्ह एआय कमीत कमी किंवा कोणत्याही मानवी हस्तक्षेपाशिवाय विविध नियमित लेखन कामे . पत्रकारितेत याचे एक उत्तम उदाहरण आहे: असोसिएटेड प्रेसने वर्षानुवर्षे ऑटोमेशनचा वापर करून प्रत्येक तिमाहीत थेट आर्थिक डेटा फीडमधून हजारो कंपनीच्या कमाईचे अहवाल तयार केले आहेत ( फिलाना पॅटरसन - ओएनए कम्युनिटी प्रोफाइल ). हे लहान बातम्यांचे तुकडे एका टेम्पलेटचे अनुसरण करतात (उदा., "कंपनी एक्सने Y ची कमाई नोंदवली, Z% वाढली...") आणि एआय (नैसर्गिक भाषा निर्मिती सॉफ्टवेअर वापरून) कोणत्याही मानवापेक्षा जलद संख्या आणि शब्दलेखन भरू शकते. एपी ची प्रणाली हे अहवाल स्वयंचलितपणे प्रकाशित करते, मानवी लेखकांची आवश्यकता न पडता त्यांचे कव्हरेज नाटकीयरित्या वाढवते (प्रति तिमाहीत 3,000 पेक्षा जास्त कथा ) .

क्रीडा पत्रकारितेलाही त्याचप्रमाणे वाढ देण्यात आली आहे: एआय सिस्टीम क्रीडा खेळांची आकडेवारी घेऊ शकतात आणि रिकॅप स्टोरीज तयार करू शकतात. कारण हे डोमेन डेटा-चालित आणि सूत्रबद्ध आहेत, जोपर्यंत डेटा बरोबर आहे तोपर्यंत चुका दुर्मिळ आहेत. या प्रकरणांमध्ये, आपल्याला खरी स्वायत्तता - एआय लिहिते आणि सामग्री लगेच प्रकाशित होते.

व्यवसाय उत्पादन वर्णन, ईमेल न्यूजलेटर आणि इतर मार्केटिंग सामग्री तयार करण्यासाठी जनरेटिव्ह एआय वापरत आहेत. उदाहरणार्थ, ई-कॉमर्स दिग्गज अमेझॉन आता उत्पादनांसाठी ग्राहकांच्या पुनरावलोकनांचा सारांश देण्यासाठी एआय वापरते. एआय अनेक वैयक्तिक पुनरावलोकनांचे मजकूर स्कॅन करते आणि लोकांना त्या आयटमबद्दल काय आवडते किंवा काय नापसंत आहे याचा एक संक्षिप्त हायलाइट परिच्छेद तयार करते, जो नंतर मॅन्युअल संपादनाशिवाय उत्पादन पृष्ठावर प्रदर्शित केला जातो ( अमेझॉन एआयसह ग्राहकांच्या पुनरावलोकनांचा अनुभव सुधारतो ). खाली अमेझॉनच्या मोबाइल अॅपवर तैनात केलेल्या या वैशिष्ट्याचे एक उदाहरण दिले आहे , जिथे "ग्राहक म्हणतात" हा विभाग पूर्णपणे एआय द्वारे पुनरावलोकन डेटामधून तयार केला जातो:

( अमेझॉन एआय वापरून ग्राहकांच्या पुनरावलोकनांचा अनुभव सुधारतो ) ई-कॉमर्स उत्पादन पृष्ठावर एआय-व्युत्पन्न पुनरावलोकन सारांश. अमेझॉनची प्रणाली वापरकर्त्यांच्या पुनरावलोकनांमधून सामान्य मुद्दे (उदा. वापरण्याची सोय, कामगिरी) एका लहान परिच्छेदात सारांशित करते, जे खरेदीदारांना "ग्राहकांच्या पुनरावलोकनांच्या मजकुरातून एआय-व्युत्पन्न" म्हणून दाखवते.

अशा वापराच्या घटना दर्शवितात की जेव्हा सामग्री अंदाजे नमुन्याचे अनुसरण करते किंवा विद्यमान डेटावरून एकत्रित केली जाते, तेव्हा एआय बहुतेकदा ते एकट्याने हाताळू शकते . इतर वर्तमान उदाहरणांमध्ये हे समाविष्ट आहे:

• हवामान आणि वाहतूक अद्यतने: सेन्सर डेटावर आधारित दैनिक हवामान अहवाल किंवा वाहतूक बुलेटिन संकलित करण्यासाठी एआय वापरणारे माध्यमे.

• आर्थिक अहवाल: कंपन्या आपोआप सरळ आर्थिक सारांश (त्रैमासिक निकाल, शेअर बाजाराचे ब्रीफिंग) तयार करतात. २०१४ पासून, ब्लूमबर्ग आणि इतर वृत्तसंस्थांनी कंपनीच्या कमाईवर बातम्यांचे ब्लर्ब लिहिण्यास मदत करण्यासाठी एआयचा वापर केला आहे - ही प्रक्रिया डेटा भरल्यानंतर मोठ्या प्रमाणात स्वयंचलितपणे चालते ( एपीचे 'रोबोट पत्रकार' आता त्यांच्या स्वतःच्या कथा लिहित आहेत | द व्हर्ज ) ( वायोमिंग रिपोर्टर बनावट कोट्स, कथा तयार करण्यासाठी एआय वापरताना पकडले गेले ).

• भाषांतर आणि ट्रान्सक्रिप्शन: ट्रान्सक्रिप्शन सेवा आता मानवी टायपिस्टशिवाय बैठक ट्रान्सक्रिप्ट किंवा कॅप्शन तयार करण्यासाठी एआय वापरतात. सर्जनशील अर्थाने जनरेटिव्ह नसले तरी, ही भाषा कार्ये स्पष्ट ऑडिओसाठी उच्च अचूकतेसह स्वायत्तपणे चालतात.

• मसुदा निर्मिती: बरेच व्यावसायिक ईमेल किंवा कागदपत्रांच्या पहिल्या आवृत्त्या तयार करण्यासाठी ChatGPT सारख्या साधनांचा वापर करतात, जर सामग्री कमी जोखीमची असेल तर कधीकधी ते अगदी कमी किंवा कोणत्याही संपादनाशिवाय पाठवतात.

तथापि, अधिक जटिल गद्यासाठी, २०२५ मध्ये मानवी देखरेख हा सर्वसामान्य प्रमाण आहे . वृत्तसंस्था क्वचितच एआय वरून थेट तपासात्मक किंवा विश्लेषणात्मक लेख प्रकाशित करतात - संपादक एआय-लिखित मसुद्यांची तथ्य-तपासणी आणि परिष्करण करतील. एआय शैली आणि रचनेची चांगली नक्कल करू शकते परंतु तथ्यात्मक चुका (बहुतेकदा "भ्रम" म्हणून ओळखले जाते) किंवा मानवाला पकडण्यासाठी आवश्यक असलेल्या विचित्र वाक्यांशांचा परिचय देऊ शकते. उदाहरणार्थ, जर्मन वृत्तपत्र एक्सप्रेसने सुरुवातीच्या बातम्या लिहिण्यास मदत करण्यासाठी क्लारा नावाचा एआय "डिजिटल सहकारी" सादर केला. क्लारा कार्यक्षमतेने क्रीडा अहवाल तयार करू शकते आणि वाचकांना आकर्षित करणारे मथळे देखील लिहू शकते, एक्सप्रेसच्या लेखांपैकी ११% योगदान देते - परंतु मानवी संपादक अजूनही अचूकता आणि पत्रकारितेच्या अखंडतेसाठी प्रत्येक तुकड्याचे पुनरावलोकन करतात, विशेषतः जटिल कथांवर ( १२ मार्ग पत्रकार न्यूजरूममध्ये एआय टूल्स वापरतात - ट्वाइप ). ही मानव-एआय भागीदारी आज सामान्य आहे: एआय मजकूर तयार करण्याचे भारी उचल हाताळते आणि मानव आवश्यकतेनुसार क्युरेट आणि दुरुस्त करतात.

२०३०-२०३५ साठीचे आउटलुक: विश्वसनीय स्वायत्त लेखनाकडे

पुढील दशकात, आम्हाला अपेक्षा आहे की जनरेटिव्ह एआय उच्च-गुणवत्तेचा, तथ्यात्मकदृष्ट्या योग्य मजकूर तयार करण्यात अधिक विश्वासार्ह होईल, ज्यामुळे ते स्वायत्तपणे हाताळू शकणार्‍या लेखन कार्यांची श्रेणी विस्तृत करेल. अनेक ट्रेंड याला समर्थन देतात:

• सुधारित अचूकता: चालू संशोधनामुळे एआयची खोटी किंवा असंबद्ध माहिती तयार करण्याची प्रवृत्ती झपाट्याने कमी होत आहे. २०३० पर्यंत, चांगल्या प्रशिक्षणासह (रिअल-टाइममध्ये डेटाबेस विरुद्ध तथ्ये पडताळण्याच्या तंत्रांसह) प्रगत भाषा मॉडेल्स अंतर्गत मानवी-स्तरीय तथ्य-तपासणी साध्य करू शकतील. याचा अर्थ असा की एआय स्रोत सामग्रीमधून अचूक कोट्स आणि आकडेवारीसह स्वयंचलितपणे संपूर्ण बातमी लेख तयार करू शकेल, ज्यासाठी फारसे संपादन आवश्यक नाही.

• डोमेन-विशिष्ट एआय: आपण काही विशिष्ट क्षेत्रांसाठी (कायदेशीर, वैद्यकीय, तांत्रिक लेखन) अधिक विशेष जनरेटिव्ह मॉडेल्स पाहू. २०३० चे कायदेशीर एआय मॉडेल विश्वसनीयरित्या मानक करारांचा मसुदा तयार करू शकते किंवा केस लॉचा सारांश देऊ शकते - अशी कामे जी रचनात्मक सूत्रबद्ध आहेत परंतु सध्या वकिलाच्या वेळेची आवश्यकता असते. जर एआयला प्रमाणित कायदेशीर कागदपत्रांवर प्रशिक्षित केले असेल, तर त्याचे मसुदे इतके विश्वासार्ह असू शकतात की वकील फक्त एक जलद अंतिम झलक देतो.

• नैसर्गिक शैली आणि सुसंगतता: मॉडेल्स दीर्घ कागदपत्रांवर संदर्भ राखण्यात अधिक चांगले होत आहेत, ज्यामुळे अधिक सुसंगत आणि अचूक दीर्घ स्वरूपाची सामग्री तयार होते. २०३५ पर्यंत, हे शक्य आहे की एआय स्वतःहून नॉनफिक्शन पुस्तकाचा एक चांगला पहिला मसुदा किंवा तांत्रिक मॅन्युअल लिहू शकेल, ज्यामध्ये मानव प्रामुख्याने सल्लागार भूमिकेत असतील (ध्येय निश्चित करण्यासाठी किंवा विशेष ज्ञान प्रदान करण्यासाठी).

प्रत्यक्षात हे कसे दिसू शकते? नियमित पत्रकारिता जवळजवळ पूर्णपणे स्वयंचलित होऊ शकते. २०३० मध्ये आपल्याला कदाचित एखाद्या वृत्तसंस्थेमध्ये प्रत्येक कमाई अहवाल, क्रीडा कथा किंवा निवडणूक निकाल अपडेटची पहिली आवृत्ती एआय सिस्टमद्वारे लिहिण्याची व्यवस्था असेल, ज्यामध्ये संपादक गुणवत्तेची खात्री करण्यासाठी फक्त काही नमुने घेईल. खरंच, तज्ञांचा अंदाज आहे की ऑनलाइन सामग्रीचा वाढता वाटा मशीन-जनरेटेड असेल - उद्योग विश्लेषकांनी केलेल्या एका धाडसी अंदाजानुसार २०२६ पर्यंत ९०% पर्यंत ऑनलाइन सामग्री एआय-जनरेटेड असू शकते ( २०२६ पर्यंत, गैर-मानवांनी तयार केलेली ऑनलाइन सामग्री मानवी-जनरेटेड सामग्रीपेक्षा खूपच जास्त असेल - OODAloop ), जरी त्या आकड्यावर वाद आहे. २०३० च्या दशकाच्या मध्यापर्यंत, बहुतेक नियमित वेब लेख, उत्पादन प्रत आणि कदाचित वैयक्तिकृत बातम्या फीड देखील एआयद्वारे लिहिलेले असतील.

मार्केटिंग आणि कॉर्पोरेट कम्युनिकेशन्समध्ये , जनरेटिव्ह एआयला संपूर्ण मोहिमा स्वायत्तपणे चालवण्याची जबाबदारी सोपवली जाईल. ते वैयक्तिकृत मार्केटिंग ईमेल, सोशल मीडिया पोस्ट आणि जाहिरात कॉपी व्हेरिएशन तयार करू शकते आणि पाठवू शकते, ग्राहकांच्या प्रतिक्रियांवर आधारित संदेशांमध्ये सतत बदल करू शकते - हे सर्व लूपमध्ये मानवी कॉपीरायटरशिवाय. गार्टनर विश्लेषकांचा अंदाज आहे की २०२५ पर्यंत, मोठ्या उद्योगांचे किमान ३०% आउटबाउंड मार्केटिंग संदेश कृत्रिमरित्या एआय ( उद्योग आणि उपक्रमांसाठी जनरेटिव्ह एआय वापर प्रकरणे ) द्वारे तयार केले जातील आणि ही टक्केवारी २०३० पर्यंत वाढेल.

तथापि, हे लक्षात ठेवणे महत्त्वाचे आहे की मानवी सर्जनशीलता आणि निर्णय अजूनही भूमिका बजावतील, विशेषतः उच्च-स्तरीय सामग्रीसाठी . २०३५ पर्यंत, एआय स्वतःहून प्रेस रिलीज किंवा ब्लॉग पोस्ट हाताळू शकते, परंतु जबाबदारी किंवा संवेदनशील विषयांचा समावेश असलेल्या तपास पत्रकारितेसाठी, मीडिया आउटलेट्स अजूनही मानवी देखरेखीवर आग्रह धरू शकतात. भविष्यात कदाचित एक स्तरित दृष्टिकोन येईल: एआय स्वायत्तपणे दैनंदिन सामग्रीचा मोठा भाग तयार करते, तर मानव धोरणात्मक किंवा संवेदनशील तुकड्यांचे संपादन आणि उत्पादन करण्यावर लक्ष केंद्रित करते. मूलतः, एआय प्रवीणता वाढताना "नियमित" म्हणून गणल्या जाणाऱ्या गोष्टींची श्रेणी विस्तारेल.

एआय-व्युत्पन्न परस्परसंवादी कथा किंवा वैयक्तिकृत अहवाल यासारख्या सामग्रीचे नवीन प्रकार उदयास येऊ शकतात. उदाहरणार्थ, कंपनीचा वार्षिक अहवाल एआय द्वारे अनेक शैलींमध्ये तयार केला जाऊ शकतो - एक्झिक्युटिव्हसाठी एक संक्षिप्त, कर्मचाऱ्यांसाठी एक कथा आवृत्ती, विश्लेषकांसाठी डेटा-समृद्ध आवृत्ती - प्रत्येक समान अंतर्निहित डेटामधून स्वयंचलितपणे तयार केला जातो. शिक्षणात, वेगवेगळ्या वाचन पातळींना अनुकूल करण्यासाठी एआय द्वारे पाठ्यपुस्तके गतिमानपणे लिहिली जाऊ शकतात. हे अनुप्रयोग मोठ्या प्रमाणात स्वायत्त असू शकतात परंतु सत्यापित माहितीद्वारे समर्थित असू शकतात.

लेखनातील प्रगतीवरून असे दिसून येते की २०३० च्या दशकाच्या मध्यापर्यंत, एआय एक विपुल लेखक असेल . खऱ्या अर्थाने स्वायत्त ऑपरेशनची गुरुकिल्ली म्हणजे त्याच्या आउटपुटवर विश्वास स्थापित करणे. जर एआय सातत्याने तथ्यात्मक अचूकता, शैलीत्मक गुणवत्ता आणि नैतिक मानकांशी संरेखन प्रदर्शित करू शकला, तर ओळ-दर-ओळ मानवी पुनरावलोकनाची आवश्यकता कमी होईल. २०३५ पर्यंत, या श्वेतपत्रिकेचे काही भाग एआय संशोधकाद्वारे संपादकाची आवश्यकता न घेता तयार केले जाऊ शकतात - एक अशी शक्यता ज्याबद्दल आपण सावधगिरीने आशावादी आहोत, जर योग्य सुरक्षा उपाय असतील तर.

व्हिज्युअल आर्ट्स आणि डिझाइनमध्ये जनरेटिव्ह एआय

जनरेटिव्ह एआयच्या प्रतिमा आणि कलाकृती तयार करण्याच्या क्षमतेने लोकांच्या कल्पनाशक्तीला आकर्षित केले आहे, एआय-जनरेटेड पेंटिंग्ज, कला स्पर्धा जिंकण्यापासून ते वास्तविक फुटेजपासून वेगळे न करता येणारे डीपफेक व्हिडिओ. व्हिज्युअल डोमेनमध्ये, जनरेटिव्ह अ‍ॅडव्हर्सेरियल नेटवर्क्स (GAN) आणि डिफ्यूजन मॉडेल्स (उदा. स्टेबल डिफ्यूजन, मिडजर्नी) सारखे एआय मॉडेल्स टेक्स्ट प्रॉम्प्टवर आधारित मूळ प्रतिमा तयार करू शकतात. तर, एआय आता एक स्वायत्त कलाकार किंवा डिझायनर म्हणून काम करू शकते का?

सध्याच्या क्षमता (२०२५): क्रिएटिव्ह असिस्टंट म्हणून एआय

२०२५ पर्यंत, जनरेटिव्ह मॉडेल्स मागणीनुसार प्रतिमा प्रभावी निष्ठेसह पारंगत आहेत. वापरकर्ते एआयला "व्हॅन गॉगच्या शैलीत सूर्यास्ताच्या वेळी मध्ययुगीन शहर" रेखाटण्यास सांगू शकतात आणि काही सेकंदात एक खात्रीशीर कलात्मक प्रतिमा प्राप्त करू शकतात. यामुळे ग्राफिक डिझाइन, मार्केटिंग आणि मनोरंजनासाठी संकल्पना कला, प्रोटोटाइप आणि काही प्रकरणांमध्ये अंतिम दृश्यांसाठी एआयचा व्यापक वापर झाला आहे. विशेष म्हणजे:

• ग्राफिक डिझाइन आणि स्टॉक इमेजेस: कंपन्या एआय द्वारे वेबसाइट ग्राफिक्स, चित्रे किंवा स्टॉक फोटो तयार करतात, ज्यामुळे कलाकाराकडून प्रत्येक कलाकृती कमिशन करण्याची आवश्यकता कमी होते. अनेक मार्केटिंग टीम ग्राहकांना काय आकर्षित करते हे तपासण्यासाठी जाहिराती किंवा उत्पादन प्रतिमांचे विविध प्रकार तयार करण्यासाठी एआय टूल्स वापरतात.

• कला आणि चित्रण: वैयक्तिक कलाकार कल्पनांवर विचारमंथन करण्यासाठी किंवा तपशील भरण्यासाठी AI शी सहयोग करतात. उदाहरणार्थ, एक चित्रकार पार्श्वभूमी दृश्ये तयार करण्यासाठी AI वापरू शकतो, जो नंतर ते त्यांच्या मानवी-रेखित पात्रांसह एकत्रित करतात. काही कॉमिक बुक निर्मात्यांनी AI-निर्मित पॅनेल किंवा रंगसंगतीसह प्रयोग केले आहेत.

• माध्यम आणि मनोरंजन: एआय-व्युत्पन्न कला मासिकांच्या मुखपृष्ठांवर आणि पुस्तकांच्या मुखपृष्ठांवर दिसली आहे. ऑगस्ट २०२२ चे कॉस्मोपॉलिटन मुखपृष्ठ हे एक प्रसिद्ध उदाहरण होते ज्यामध्ये एका अंतराळवीराचा समावेश होता - असे म्हटले जाते की कला दिग्दर्शकाच्या दिग्दर्शनाखाली एआय (ओपनएआयचा डीएएल·ई) द्वारे तयार केलेली ही पहिली मासिक मुखपृष्ठ प्रतिमा होती. यामध्ये मानवी प्रेरणा आणि निवडीचा समावेश असला तरी, प्रत्यक्ष कलाकृती मशीन-रेंडर केली गेली होती.

महत्त्वाचे म्हणजे, यापैकी बहुतेक सध्याच्या वापरांमध्ये अजूनही मानवी क्युरेशन आणि पुनरावृत्तीचा समावेश आहे . एआय डझनभर प्रतिमा बाहेर काढू शकते आणि एक माणूस सर्वोत्तम निवडतो आणि शक्यतो त्याला स्पर्श करतो. त्या अर्थाने, एआय तयार , परंतु मानव सर्जनशील दिशा दाखवत आहेत आणि अंतिम निवडी करत आहेत. ते खूप लवकर सामग्री तयार करण्यासाठी विश्वसनीय आहे, परंतु पहिल्या प्रयत्नात सर्व आवश्यकता पूर्ण करेल याची हमी नाही. चुकीचे तपशील (उदा. एआय चुकीच्या बोटांनी हात काढणे, एक ज्ञात विचित्रता) किंवा अनपेक्षित परिणाम यासारख्या समस्या म्हणजे मानवी कला दिग्दर्शकाला सामान्यतः आउटपुट गुणवत्तेचे पर्यवेक्षण करावे लागते.

तथापि, असे काही क्षेत्र आहेत जिथे एआय पूर्ण स्वायत्ततेच्या जवळ आहे:

• जनरेटिव्ह डिझाइन: आर्किटेक्चर आणि उत्पादन डिझाइन सारख्या क्षेत्रात, एआय टूल्स स्वतंत्रपणे डिझाइन प्रोटोटाइप तयार करू शकतात जे विशिष्ट मर्यादा पूर्ण करतात. उदाहरणार्थ, फर्निचरच्या तुकड्याचे इच्छित परिमाण आणि कार्ये पाहता, जनरेटिव्ह अल्गोरिथम सुरुवातीच्या वैशिष्ट्यांव्यतिरिक्त मानवी हस्तक्षेपाशिवाय अनेक व्यवहार्य डिझाइन (काही अगदी अपारंपरिक) आउटपुट करू शकते. या डिझाइन नंतर मानव थेट वापरू शकतात किंवा परिष्कृत करू शकतात. त्याचप्रमाणे, अभियांत्रिकीमध्ये, जनरेटिव्ह एआय वजन आणि ताकदीसाठी अनुकूलित केलेले भाग (उदाहरणार्थ, विमानाचा घटक) डिझाइन करू शकते, असे नवीन आकार तयार करू शकते जे मानवाने कल्पना केली नसेल.

• व्हिडिओ गेम मालमत्ता: एआय व्हिडिओ गेमसाठी टेक्सचर, 3D मॉडेल किंवा अगदी संपूर्ण स्तर स्वयंचलितपणे तयार करू शकते. डेव्हलपर्स कंटेंट निर्मितीला गती देण्यासाठी याचा वापर करतात. काही इंडी गेममध्ये प्रक्रियात्मकरित्या तयार केलेली कलाकृती आणि अगदी संवाद (भाषा मॉडेलद्वारे) समाविष्ट करणे सुरू झाले आहे जेणेकरून कमीत कमी मानवनिर्मित मालमत्तांसह विशाल, गतिमान गेम जग तयार केले जाऊ शकेल.

• अ‍ॅनिमेशन आणि व्हिडिओ (इमर्जिंग): स्थिर प्रतिमांपेक्षा कमी परिपक्व असले तरी, व्हिडिओसाठी जनरेटिव्ह एआय प्रगती करत आहे. एआय आधीच प्रॉम्प्टवरून लहान व्हिडिओ क्लिप किंवा अ‍ॅनिमेशन तयार करू शकते, जरी गुणवत्ता विसंगत आहे. डीपफेक तंत्रज्ञान - जे जनरेटिव्ह आहे - वास्तववादी फेस स्वॅप किंवा व्हॉइस क्लोन तयार करू शकते. नियंत्रित सेटिंगमध्ये, स्टुडिओ एआय वापरून पार्श्वभूमी दृश्य किंवा गर्दीचे अ‍ॅनिमेशन स्वयंचलितपणे तयार करू शकतो.

उल्लेखनीय म्हणजे, गार्टनरने भाकीत केले होते की २०३० पर्यंत, आपल्याला एक मोठा ब्लॉकबस्टर चित्रपट दिसेल ज्यामध्ये ९०% सामग्री एआय द्वारे तयार केली जाईल (स्क्रिप्ट ते व्हिज्युअल पर्यंत) ( उद्योग आणि उपक्रमांसाठी जनरेटिव्ह एआय वापर प्रकरणे ). २०२५ पर्यंत, आपण अद्याप तेथे पोहोचलेले नाही - एआय स्वतंत्रपणे फीचर-लेन्थ फिल्म बनवू शकत नाही. परंतु त्या कोडेचे तुकडे विकसित होत आहेत: स्क्रिप्ट जनरेशन (टेक्स्ट एआय), कॅरेक्टर आणि सीन जनरेशन (इमेज/व्हिडिओ एआय), व्हॉइस अॅक्टिंग (एआय व्हॉइस क्लोन) आणि एडिटिंग असिस्टन्स (एआय आधीच कट आणि ट्रांझिशनमध्ये मदत करू शकते).

२०३०-२०३५ साठीचे आउटलुक: मोठ्या प्रमाणात एआय-निर्मित मीडिया

पुढे पाहता, व्हिज्युअल आर्ट्स आणि डिझाइनमध्ये जनरेटिव्ह एआयची भूमिका नाटकीयरित्या वाढण्याची शक्यता आहे. २०३५ पर्यंत, आम्हाला अपेक्षा आहे की एआय अनेक व्हिज्युअल माध्यमांमध्ये एक प्राथमिक सामग्री निर्माता , बहुतेकदा सुरुवातीच्या मार्गदर्शनापेक्षा कमीत कमी मानवी इनपुटसह कार्य करेल. काही अपेक्षा:

• पूर्णपणे एआय-जनरेटेड चित्रपट आणि व्हिडिओ: पुढील दहा वर्षांत, हे शक्य आहे की आपण पहिले चित्रपट किंवा मालिका पाहू जे मोठ्या प्रमाणात एआय-निर्मित आहेत. मानव उच्च-स्तरीय दिग्दर्शन प्रदान करू शकतात (उदा. पटकथा बाह्यरेखा किंवा इच्छित शैली) आणि एआय दृश्ये सादर करेल, अभिनेत्याची प्रतिमा तयार करेल आणि सर्वकाही अॅनिमेट करेल. लघुपटांमध्ये सुरुवातीचे प्रयोग काही वर्षांत होण्याची शक्यता आहे, २०३० च्या दशकात वैशिष्ट्य-लांबीचे प्रयत्न असतील. हे एआय चित्रपट विशिष्ट (प्रायोगिक अॅनिमेशन इ.) सुरू करू शकतात परंतु गुणवत्ता सुधारत असताना ते मुख्य प्रवाहात येऊ शकतात. २०३० पर्यंत गार्टनरचा ९०% चित्रपट अंदाज ( उद्योग आणि उपक्रमांसाठी जनरेटिव्ह एआय वापर प्रकरणे ), महत्वाकांक्षी असला तरी, उद्योगाचा असा विश्वास अधोरेखित करतो की एआय सामग्री निर्मिती चित्रपट निर्मितीतील बहुतेक भार उचलण्यासाठी पुरेशी परिष्कृत असेल.

• डिझाइन ऑटोमेशन: फॅशन किंवा आर्किटेक्चरसारख्या क्षेत्रात, जनरेटिव्ह एआयचा वापर "किंमत, साहित्य, शैली एक्स" सारख्या पॅरामीटर्सवर आधारित शेकडो डिझाइन संकल्पना स्वायत्तपणे तयार करण्यासाठी केला जाईल, ज्यामुळे अंतिम डिझाइन निवडण्याचे काम मानवांना करावे लागेल. हे सध्याच्या गतिमानतेला उलटे करते: डिझायनर्स सुरवातीपासून निर्मिती करण्याऐवजी आणि कदाचित प्रेरणासाठी एआय वापरण्याऐवजी, भविष्यातील डिझायनर्स क्युरेटर म्हणून अधिक काम करू शकतात, सर्वोत्तम एआय-व्युत्पन्न डिझाइन निवडू शकतात आणि कदाचित त्यात बदल करू शकतात. २०३५ पर्यंत, एक आर्किटेक्ट इमारतीच्या आवश्यकता इनपुट करू शकतो आणि एआयकडून सूचना म्हणून संपूर्ण ब्लूप्रिंट मिळवू शकतो (सर्व संरचनात्मकदृष्ट्या योग्य, एम्बेडेड अभियांत्रिकी नियमांच्या सौजन्याने).

• वैयक्तिकृत सामग्री निर्मिती: आपण वैयक्तिक वापरकर्त्यांसाठी एआय त्वरित दृश्ये तयार करताना पाहू शकतो. २०३५ मध्ये एखाद्या व्हिडिओ गेम किंवा व्हर्च्युअल रिअ‍ॅलिटी अनुभवाची कल्पना करा जिथे दृश्ये आणि पात्रे खेळाडूच्या पसंतींनुसार जुळवून घेतात, जे एआय द्वारे रिअल टाइममध्ये तयार केले जातात. किंवा वापरकर्त्याच्या दिवसावर आधारित वैयक्तिकृत कॉमिक स्ट्रिप्स तयार केले जातात - एक स्वायत्त "डेली डायरी कॉमिक" एआय जे दररोज संध्याकाळी तुमच्या टेक्स्ट जर्नलला आपोआप चित्रांमध्ये बदलते.

• मल्टीमोडल क्रिएटिव्हिटी: जनरेटिव्ह एआय सिस्टीम्स आता मल्टीमोडल होत चालल्या आहेत - म्हणजेच त्या टेक्स्ट, इमेजेस, ऑडिओ इत्यादी गोष्टी एकत्र हाताळू शकतात. या सर्व गोष्टी एकत्र करून, एआय "मेक मी अ मार्केटिंग कॅम्पेन फॉर प्रॉडक्ट एक्स" सारखा साधा प्रॉम्प्ट घेऊ शकतो आणि केवळ लिखित प्रतच नव्हे तर जुळणारे ग्राफिक्स, कदाचित लहान प्रमोशनल व्हिडिओ क्लिप्स देखील तयार करू शकतो, जे सर्व शैलीत सुसंगत असतील. २०३० च्या दशकाच्या सुरुवातीला या प्रकारचा एक-क्लिक कंटेंट सूट ही एक संभाव्य सेवा असेल.

मानवी कलाकारांची जागा एआय घेईल का ? हा प्रश्न अनेकदा उद्भवतो. एआय बहुतेक उत्पादन काम (विशेषतः व्यवसायासाठी आवश्यक असलेली पुनरावृत्ती होणारी किंवा जलद-बदलणारी कला) घेईल अशी शक्यता आहे, परंतु मानवी कलात्मकता मौलिकता आणि नावीन्यपूर्णतेसाठी राहील. २०३५ पर्यंत, एक स्वायत्त एआय एखाद्या प्रसिद्ध कलाकाराच्या शैलीत विश्वासार्हपणे चित्र काढू शकेल - परंतु एक नवीन शैली किंवा खोलवर सांस्कृतिकदृष्ट्या अनुनादित कला तयार करणे हे अजूनही मानवी शक्ती असू शकते (संभाव्यतः एआय सहकाऱ्यासह). आपण अशा भविष्याची अपेक्षा करतो जिथे मानवी कलाकार स्वायत्त एआय "सह-कलाकार" सोबत काम करतात. एखाद्याच्या घरात डिजिटल गॅलरीसाठी सतत कला निर्माण करण्यासाठी वैयक्तिक एआय नियुक्त केले जाऊ शकते, उदाहरणार्थ, सतत बदलणारे सर्जनशील वातावरण प्रदान करणे.

विश्वासार्हतेच्या दृष्टिकोनातून, व्हिज्युअल जनरेटिव्ह एआयमध्ये काही बाबतीत मजकूरापेक्षा स्वायत्ततेचा मार्ग सोपा आहे: एखादी प्रतिमा परिपूर्ण नसली तरीही व्यक्तिनिष्ठपणे "पुरेशी चांगली" असू शकते, तर मजकूरातील तथ्यात्मक त्रुटी अधिक समस्याप्रधान आहे. अशाप्रकारे, आपण आधीच तुलनेने कमी जोखीम स्वीकारताना - जर एआय-जनरेट केलेले डिझाइन कुरूप किंवा चुकीचे असेल, तर तुम्ही ते वापरत नाही, परंतु ते स्वतःहून कोणतेही नुकसान करत नाही. याचा अर्थ असा की २०३० च्या दशकापर्यंत, कंपन्या एआयला देखरेखीशिवाय डिझाइन तयार करण्यास आणि खरोखर नवीन किंवा धोकादायक गोष्टीची आवश्यकता असतानाच मानवांना सहभागी करून घेण्यास सोयीस्कर वाटतील.

थोडक्यात, २०३५ पर्यंत जनरेटिव्ह एआय व्हिज्युअल्समध्ये एक पॉवरहाऊस कंटेंट क्रिएटर असण्याची अपेक्षा आहे, जो आपल्या सभोवतालच्या प्रतिमा आणि माध्यमांच्या महत्त्वपूर्ण भागासाठी जबाबदार असेल. ते मनोरंजन, डिझाइन आणि दैनंदिन संप्रेषणासाठी विश्वासार्हपणे सामग्री तयार करेल. स्वायत्त कलाकार क्षितिजावर आहे - जरी एआयला सर्जनशील की फक्त एक अतिशय स्मार्ट साधन आहे हा एक वाद आहे जो त्याचे आउटपुट मानवनिर्मितपेक्षा वेगळे न होता विकसित होईल.

सॉफ्टवेअर डेव्हलपमेंटमध्ये जनरेटिव्ह एआय (कोडिंग)

सॉफ्टवेअर डेव्हलपमेंट हे एक अत्यंत विश्लेषणात्मक काम वाटू शकते, परंतु त्यात एक सर्जनशील घटक देखील आहे - कोड लिहिणे म्हणजे मूलभूतपणे संरचित भाषेत मजकूर तयार करणे. आधुनिक जनरेटिव्ह एआय, विशेषतः मोठ्या भाषेतील मॉडेल्स, कोडिंगमध्ये बरेच पारंगत असल्याचे सिद्ध झाले आहे. गिटहब कोपायलट, अमेझॉन कोडव्हिस्परर आणि इतर सारखी साधने एआय जोडी प्रोग्रामर म्हणून काम करतात, कोड स्निपेट किंवा डेव्हलपर्स टाइप करताना संपूर्ण फंक्शन्स सुचवतात. हे स्वायत्त प्रोग्रामिंगकडे किती दूर जाऊ शकते?

सध्याच्या क्षमता (२०२५): कोडिंग सह-पायलट म्हणून एआय

२०२५ पर्यंत, अनेक डेव्हलपर्सच्या वर्कफ्लोमध्ये एआय कोड जनरेटर सामान्य झाले आहेत. ही साधने कोडच्या ओळी ऑटोकंप्लीट करू शकतात, बॉयलरप्लेट जनरेट करू शकतात (जसे की मानक फंक्शन्स किंवा चाचण्या), आणि नैसर्गिक भाषेचे वर्णन दिलेले साधे प्रोग्राम देखील लिहू शकतात. तथापि, महत्त्वाचे म्हणजे, ते डेव्हलपरच्या देखरेखीखाली काम करतात - डेव्हलपर एआयच्या सूचनांचे पुनरावलोकन करतो आणि एकत्रित करतो.

काही सध्याची तथ्ये आणि आकडेवारी:

• २०२३ च्या अखेरीस अर्ध्याहून अधिक व्यावसायिक विकासकांनी एआय कोडिंग असिस्टंट स्वीकारले होते ( कोपायलटवर कोडिंग: २०२३ डेटा कोड गुणवत्तेवर कमी दाब सुचवतो (२०२४ प्रोजेक्शनसह) - गिटक्लियर ), जे जलद वापर दर्शवते. पहिल्या व्यापकपणे उपलब्ध साधनांपैकी एक असलेल्या गिटहब कोपायलटने ज्या प्रकल्पांमध्ये ते वापरले जाते तेथे सरासरी ३०-४०% कोड तयार केल्याचे नोंदवले गेले आहे ( कोडिंग आता MOAT राहिलेले नाही. गिटहबवरील ४६% कोड आधीच ... ). याचा अर्थ असा की एआय आधीच कोडचे महत्त्वपूर्ण भाग लिहित आहे, जरी एक माणूस त्याचे मार्गदर्शन आणि पडताळणी करत आहे.

• ही एआय टूल्स पुनरावृत्ती होणारे कोड लिहिणे (उदा. डेटा मॉडेल क्लासेस, गेटर/सेटर पद्धती), एका प्रोग्रामिंग भाषेचे दुसऱ्या भाषेत रूपांतर करणे किंवा प्रशिक्षण उदाहरणांसारखे सरळ अल्गोरिदम तयार करणे यासारख्या कामांमध्ये उत्कृष्ट कामगिरी करतात. उदाहरणार्थ, डेव्हलपर "// फंक्शन टू सॉर्ट ऑफ युजर्स लिस्ट द्वारे नाव" वर टिप्पणी देऊ शकतो आणि एआय जवळजवळ त्वरित एक योग्य सॉर्टिंग फंक्शन तयार करेल.

• बग फिक्सिंग आणि स्पष्टीकरणात देखील मदत करतात : डेव्हलपर एरर मेसेज पेस्ट करू शकतात आणि एआय दुरुस्त्या सुचवू शकते किंवा "हा कोड काय करतो?" असे विचारू शकते आणि नैसर्गिक भाषेचे स्पष्टीकरण मिळवू शकते. हे एका अर्थाने स्वायत्त आहे (एआय स्वतःच समस्यांचे निदान करू शकते), परंतु दुरुस्त्या लागू करायच्या की नाही हे मानव ठरवतो.

• महत्त्वाचे म्हणजे, सध्याचे एआय कोडिंग असिस्टंट अचूक नाहीत. ते असुरक्षित कोड किंवा कोड सुचवू शकतात जो जवळजवळ समस्या सोडवतो परंतु त्यात सूक्ष्म बग असतात. म्हणूनच, आजकाल सर्वोत्तम पद्धत म्हणजे माणसाला लूपमध्ये ठेवणे - डेव्हलपर एआय-लिखित कोडची चाचणी करतो आणि डीबग करतो जसे ते मानवी-लिखित कोड करतात. नियंत्रित उद्योगांमध्ये किंवा गंभीर सॉफ्टवेअरमध्ये (जसे की वैद्यकीय किंवा विमानचालन प्रणाली), कोणत्याही एआय योगदानाची कठोर पुनरावलोकन केली जाते.

आजकाल कोणतीही मुख्य प्रवाहातील सॉफ्टवेअर प्रणाली पूर्णपणे एआय द्वारे विकसित देखरेखीशिवाय तयार केलेली नाही. तथापि, काही स्वायत्त किंवा अर्ध-स्वायत्त वापर उदयास येत आहेत:

• ऑटो-जनरेटेड युनिट चाचण्या: एआय कोडचे विश्लेषण करू शकते आणि विविध प्रकरणे कव्हर करण्यासाठी युनिट चाचण्या तयार करू शकते. एक चाचणी फ्रेमवर्क स्वायत्तपणे बग पकडण्यासाठी या एआय-लिखित चाचण्या तयार करू शकते आणि चालवू शकते, ज्यामुळे मानवी-लिखित चाचण्या वाढतात.

• एआय असलेले लो-कोड/नो-कोड प्लॅटफॉर्म: काही प्लॅटफॉर्म नॉन-प्रोग्रामर्सना त्यांना हवे असलेले वर्णन करण्याची परवानगी देतात (उदा. "एंट्री सेव्ह करण्यासाठी कॉन्टॅक्ट फॉर्म आणि डेटाबेससह वेबपेज तयार करा") आणि सिस्टम कोड जनरेट करते. सुरुवातीच्या टप्प्यात असताना, हे भविष्यात एआय मानक वापराच्या प्रकरणांमध्ये स्वायत्तपणे सॉफ्टवेअर तयार करू शकेल असे सूचित करते.

• स्क्रिप्टिंग आणि ग्लू कोड: आयटी ऑटोमेशनमध्ये अनेकदा सिस्टम कनेक्ट करण्यासाठी स्क्रिप्ट लिहिणे समाविष्ट असते. एआय टूल्स अनेकदा या लहान स्क्रिप्ट स्वयंचलितपणे तयार करू शकतात. उदाहरणार्थ, लॉग फाइल पार्स करण्यासाठी आणि ईमेल अलर्ट पाठवण्यासाठी स्क्रिप्ट लिहिणे - एआय कमीत कमी किंवा कोणत्याही संपादनाशिवाय कार्यरत स्क्रिप्ट तयार करू शकते.

२०३०-२०३५ साठीचे आउटलुक: "स्व-विकासशील" सॉफ्टवेअरकडे

पुढील दशकात, जनरेटिव्ह एआय कोडिंगच्या ओझ्याचा मोठा वाटा उचलेल अशी अपेक्षा आहे, विशिष्ट वर्गांच्या प्रकल्पांसाठी पूर्णपणे स्वायत्त सॉफ्टवेअर विकासाच्या जवळ जाईल. काही अपेक्षित विकास:

• पूर्ण वैशिष्ट्य अंमलबजावणी: २०३० पर्यंत, आम्हाला अपेक्षा आहे की एआय साध्या अनुप्रयोग वैशिष्ट्यांना एंड-टू-एंड अंमलात आणण्यास सक्षम असेल. उत्पादन व्यवस्थापक साध्या भाषेत एखाद्या वैशिष्ट्याचे वर्णन करू शकतो ("वापरकर्त्यांनी ईमेल लिंकद्वारे त्यांचा पासवर्ड रीसेट करण्यास सक्षम असले पाहिजे") आणि एआय आवश्यक कोड (फ्रंट-एंड फॉर्म, बॅक-एंड लॉजिक, डेटाबेस अपडेट, ईमेल डिस्पॅच) जनरेट करू शकतो आणि तो कोडबेसमध्ये समाकलित करू शकतो. एआय प्रभावीपणे एक कनिष्ठ विकासक म्हणून काम करेल जो विशिष्टतेचे अनुसरण करू शकतो. एक मानवी अभियंता फक्त कोड पुनरावलोकन करू शकतो आणि चाचण्या चालवू शकतो. एआय विश्वसनीयता सुधारत असताना, कोड पुनरावलोकन अगदी सोपे होऊ शकते.

• स्वायत्त कोड देखभाल: सॉफ्टवेअर अभियांत्रिकीचा एक मोठा भाग म्हणजे फक्त नवीन कोड लिहिणे नव्हे तर विद्यमान कोड अद्यतनित करणे - बग दुरुस्त करणे, कार्यप्रदर्शन सुधारणे, नवीन आवश्यकतांनुसार जुळवून घेणे. भविष्यातील एआय डेव्हलपर्स यामध्ये उत्कृष्ट कामगिरी करतील. कोडबेस आणि निर्देश ("एकाच वेळी बरेच वापरकर्ते लॉग इन करतात तेव्हा आमचे अॅप क्रॅश होत आहे") दिल्यास, एआय समस्या शोधू शकते (जसे की कॉन्करन्सी बग) आणि ती पॅच करू शकते. २०३५ पर्यंत, एआय सिस्टम्स रात्रभर नियमित देखभाल तिकिटे स्वयंचलितपणे हाताळू शकतात, सॉफ्टवेअर सिस्टमसाठी अथक देखभाल पथक म्हणून काम करू शकतात.

• एकत्रीकरण आणि API वापर: अधिक सॉफ्टवेअर सिस्टम आणि API मध्ये AI-वाचनीय दस्तऐवजीकरण येत असल्याने, AI एजंट ग्लू कोड लिहून सिस्टम A ला सर्व्हिस B शी कसे जोडायचे हे स्वतंत्रपणे शोधू शकतो. उदाहरणार्थ, जर एखाद्या कंपनीला त्यांची अंतर्गत HR सिस्टम नवीन पेरोल API शी सिंक करायची असेल, तर ते AI ला "हे एकमेकांशी बोलायला लावा" असे काम देऊ शकतात आणि ते दोन्ही सिस्टमचे तपशील वाचल्यानंतर एकत्रीकरण कोड लिहेल.

• गुणवत्ता आणि ऑप्टिमायझेशन: भविष्यातील कोड-जनरेशन मॉडेल्समध्ये कोड काम करतो की नाही हे पडताळण्यासाठी फीडबॅक लूप समाविष्ट केले जातील (उदा., सँडबॉक्समध्ये चाचण्या किंवा सिम्युलेशन चालवणे). याचा अर्थ असा की एआय केवळ कोड लिहू शकत नाही तर त्याची चाचणी करून स्वतःही दुरुस्त करू शकतो. २०३५ पर्यंत, आपण अशा एआयची कल्पना करू शकतो जो, एक काम दिल्यास, सर्व चाचण्या उत्तीर्ण होईपर्यंत त्याच्या कोडवर पुनरावृत्ती करत राहतो - अशी प्रक्रिया जी मानवाला ओळ-बाय-लाइन निरीक्षण करण्याची आवश्यकता नसू शकते. यामुळे स्वायत्तपणे जनरेट केलेल्या कोडवरील विश्वास मोठ्या प्रमाणात वाढेल.

२०३५ पर्यंत अशी परिस्थिती निर्माण होऊ शकते जिथे एक लहान सॉफ्टवेअर प्रकल्प - उदाहरणार्थ व्यवसायासाठी एक कस्टम मोबाइल अॅप - मोठ्या प्रमाणात एआय एजंटद्वारे उच्च-स्तरीय सूचना देऊन विकसित केला जाऊ शकतो. त्या परिस्थितीत मानवी "विकासक" हा एक प्रकल्प व्यवस्थापक किंवा व्हॅलिडेटर असतो जो आवश्यकता आणि मर्यादा (सुरक्षा, शैली मार्गदर्शक तत्त्वे) निर्दिष्ट करतो आणि एआयला प्रत्यक्ष कोडिंगचे मोठे काम करू देतो.

तथापि, जटिल, मोठ्या प्रमाणावरील सॉफ्टवेअरसाठी (ऑपरेटिंग सिस्टम, प्रगत एआय अल्गोरिदम स्वतः इ.), मानवी तज्ञ अजूनही खोलवर गुंतलेले असतील. सॉफ्टवेअरमधील सर्जनशील समस्या सोडवणे आणि आर्किटेक्चरल डिझाइन काही काळासाठी मानव-नेतृत्वाखाली राहण्याची शक्यता आहे. एआय अनेक कोडिंग कामे हाताळू शकते, परंतु काय तयार करायचे आणि एकूण रचना काय डिझाइन करायची हे ठरवणे हे एक वेगळे आव्हान आहे. असे म्हटले जात आहे की, जनरेटिव्ह एआय सहयोग करू लागतो - सिस्टमच्या वेगवेगळ्या घटकांना हाताळणारे अनेक एआय एजंट - हे समजण्यासारखे आहे की ते काही प्रमाणात आर्किटेक्चर सह-डिझाइन करू शकतात (उदाहरणार्थ, एक एआय सिस्टम डिझाइन प्रस्तावित करतो, दुसरा त्याची टीका करतो आणि ते पुनरावृत्ती करतात, प्रक्रियेवर देखरेख करणारा एक मानव).

कोडिंगमध्ये एआयचा एक मोठा अपेक्षित फायदा म्हणजे उत्पादकता वाढवणे . गार्टनरचा अंदाज आहे की २०२८ पर्यंत, पूर्णपणे ९०% सॉफ्टवेअर अभियंते एआय कोड असिस्टंट वापरतील (२०२४ मध्ये १५% पेक्षा कमी) ( गिटहब कोपायलट टॉप्स रिसर्च रिपोर्ट ऑन एआय कोड असिस्टंट्स -- व्हिज्युअल स्टुडिओ मॅगझिन ). हे सूचित करते की आउटलायर्स - जे एआय वापरत नाहीत - ते कमी असतील. एआयने रिक्त जागा भरून काढल्याने काही विशिष्ट क्षेत्रांमध्ये मानवी विकासकांची कमतरता देखील आपल्याला दिसू शकते; मूलतः प्रत्येक विकासक एआय मदतनीस वापरून बरेच काही करू शकतो जो स्वायत्तपणे कोड ड्राफ्ट करू शकतो.

विश्वास हा एक मध्यवर्ती मुद्दा राहील. २०३५ मध्येही, संस्थांना स्वायत्तपणे जनरेट केलेला कोड सुरक्षित आहे (एआयने भेद्यता आणू नये) आणि कायदेशीर/नैतिक नियमांशी सुसंगत आहे याची खात्री करावी लागेल (उदा., एआयमध्ये योग्य परवाना नसलेल्या ओपन-सोर्स लायब्ररीमधून चोरी केलेला कोड समाविष्ट नाही). आम्हाला अशी अपेक्षा आहे की सुधारित एआय गव्हर्नन्स टूल्स जे एआय-लिखित कोड मूळ सत्यापित आणि ट्रेस करू शकतात जेणेकरून जोखीमशिवाय अधिक स्वायत्त कोडिंग सक्षम करण्यात मदत होईल.

थोडक्यात, २०३० च्या दशकाच्या मध्यापर्यंत, जनरेटिव्ह एआय नियमित सॉफ्टवेअर कार्यांसाठी कोडिंगचा सिंहाचा वाटा हाताळेल आणि गुंतागुंतीच्या कार्यांमध्ये लक्षणीयरीत्या मदत करेल. सॉफ्टवेअर डेव्हलपमेंट लाइफसायकल अधिक स्वयंचलित होईल - आवश्यकतांपासून ते तैनातीपर्यंत - ज्यामध्ये एआय संभाव्यतः कोड बदल स्वयंचलितपणे निर्माण आणि तैनात करेल. मानवी विकासक उच्च-स्तरीय तर्कशास्त्र, वापरकर्ता अनुभव आणि देखरेखीवर अधिक लक्ष केंद्रित करतील, तर एआय एजंट अंमलबजावणी तपशीलांमधून बारकाईने काम करतील.

ग्राहक सेवा आणि समर्थनामध्ये जनरेटिव्ह एआय

जर तुम्ही अलिकडच्या काळात ऑनलाइन ग्राहक समर्थन चॅटशी संवाद साधला असेल, तर किमान काही प्रमाणात एआय दुसऱ्या टोकावर असण्याची चांगली शक्यता आहे. ग्राहक सेवा ही एआय ऑटोमेशनसाठी योग्य क्षेत्र आहे: त्यात वापरकर्त्यांच्या प्रश्नांना उत्तर देणे समाविष्ट आहे, जे जनरेटिव्ह एआय (विशेषतः संभाषण मॉडेल) चांगले करू शकते आणि ते बहुतेकदा स्क्रिप्ट्स किंवा नॉलेज बेस लेखांचे अनुसरण करते, जे एआय शिकू शकते. एआय ग्राहकांना किती स्वायत्तपणे हाताळू शकते?

सध्याच्या क्षमता (२०२५): आघाडीवर असलेले चॅटबॉट्स आणि व्हर्च्युअल एजंट्स

आजकाल, अनेक संस्था संपर्काचा पहिला बिंदू म्हणून एआय चॅटबॉट्स . यामध्ये साध्या नियम-आधारित बॉट्स ("बिलिंगसाठी १ दाबा, समर्थनासाठी २ दाबा...") पासून ते प्रगत जनरेटिव्ह एआय चॅटबॉट्स आहेत जे फ्री-फॉर्म प्रश्नांचे अर्थ लावू शकतात आणि संभाषणात्मकपणे प्रतिसाद देऊ शकतात. महत्त्वाचे मुद्दे:

• सामान्य प्रश्न हाताळणे: एआय एजंट वारंवार विचारल्या जाणाऱ्या प्रश्नांची उत्तरे देण्यात, माहिती प्रदान करण्यात (स्टोअरचे तास, परतफेड धोरणे, ज्ञात समस्यांसाठी समस्यानिवारण चरण) आणि वापरकर्त्यांना मानक प्रक्रियांद्वारे मार्गदर्शन करण्यात उत्कृष्ट असतात. उदाहरणार्थ, बँकेसाठी एआय चॅटबॉट वापरकर्त्याला त्यांच्या खात्यातील शिल्लक तपासण्यास, पासवर्ड रीसेट करण्यास किंवा कर्जासाठी अर्ज कसा करायचा हे स्पष्ट करण्यास मदत करू शकते, मानवी मदतीशिवाय.

• नैसर्गिक भाषा समजून घेणे: आधुनिक जनरेटिव्ह मॉडेल्स अधिक प्रवाही आणि "मानवासारख्या" संवादाची परवानगी देतात. ग्राहक त्यांच्या स्वतःच्या शब्दात प्रश्न टाइप करू शकतात आणि एआय सहसा हेतू समजून घेऊ शकते. कंपन्यांचा अहवाल आहे की आजचे एआय एजंट काही वर्षांपूर्वीच्या अनाड़ी बॉट्सपेक्षा ग्राहकांना जास्त समाधानकारक आहेत - जवळजवळ अर्धे ग्राहक आता असे मानतात की एआय एजंट चिंता सोडवताना सहानुभूतीशील आणि प्रभावी असू शकतात ( २०२५ साठी ५९ एआय ग्राहक सेवा आकडेवारी ), जे एआय-चालित सेवेवरील वाढता विश्वास दर्शवते.

• मल्टी-चॅनेल सपोर्ट: एआय फक्त चॅटवर नाही. व्हॉइस असिस्टंट (जसे की एआय असलेल्या फोन आयव्हीआर सिस्टम) आता कॉल हाताळू लागले आहेत आणि एआय ग्राहकांच्या चौकशीसाठी ईमेल प्रतिसाद देखील तयार करू शकते जे अचूक वाटल्यास आपोआप जाऊ शकते.

• जेव्हा मानव हस्तक्षेप करतात: सामान्यतः, जर एआय गोंधळला किंवा प्रश्न खूप गुंतागुंतीचा असेल, तर तो मानवी एजंटकडे सोपवला जातो. सध्याच्या प्रणाली त्यांच्या मर्यादा जाणून घेण्यास . उदाहरणार्थ, जर एखादा ग्राहक असामान्य काहीतरी विचारतो किंवा निराशा दाखवतो ("मी तुमच्याशी संपर्क साधण्याची ही तिसरी वेळ आहे आणि मी खूप अस्वस्थ आहे..."), तर एआय एखाद्या मानवाला जबाबदारी घेण्यास भाग पाडू शकते. हँडऑफसाठीचा उंबरठा कंपन्यांनी ग्राहकांच्या समाधानासह कार्यक्षमता संतुलित करण्यासाठी सेट केला आहे.

अनेक कंपन्यांनी असे नोंदवले आहे की परस्परसंवादाचे महत्त्वपूर्ण भाग केवळ एआय द्वारे सोडवले जात आहेत. उद्योग सर्वेक्षणांनुसार, आज सुमारे ७०-८०% नियमित ग्राहक चौकशी एआय चॅटबॉट्सद्वारे हाताळल्या जाऊ शकतात आणि चॅनेलद्वारे कंपन्यांचे सुमारे ४०% ग्राहक संवाद आधीच स्वयंचलित किंवा एआय-सहाय्यित आहेत ( ५२ एआय ग्राहक सेवा सांख्यिकी तुम्हाला माहिती असावी - प्लिव्हो ). आयबीएमच्या ग्लोबल एआय अ‍ॅडॉप्शन इंडेक्स (२०२२) ने असे दर्शविले आहे की २०२५ पर्यंत ८०% कंपन्या ग्राहक सेवेसाठी एआय चॅटबॉट्स वापरतात किंवा वापरण्याची योजना आखत आहेत.

एक मनोरंजक विकास म्हणजे एआय केवळ ग्राहकांना प्रतिसाद देत नाही तर मानवी एजंटना सक्रियपणे मदत करते . उदाहरणार्थ, लाईव्ह चॅट किंवा कॉल दरम्यान, एआय ऐकू शकते आणि मानवी एजंटला सुचवलेली उत्तरे किंवा संबंधित माहिती त्वरित प्रदान करू शकते. हे स्वायत्ततेची रेषा अस्पष्ट करते - एआय केवळ ग्राहकांशी सामना करत नाही, परंतु ते स्पष्ट मानवी प्रश्नाशिवाय सक्रियपणे सहभागी आहे. ते एजंटला स्वायत्त सल्लागार म्हणून प्रभावीपणे कार्य करते.

२०३०-२०३५ साठीचे आउटलुक: मोठ्या प्रमाणात एआय-चालित ग्राहक संवाद

२०३० पर्यंत, बहुतेक ग्राहक सेवा संवादांमध्ये एआयचा समावेश असण्याची अपेक्षा आहे, ज्यामध्ये बरेचसे सुरुवातीपासून शेवटपर्यंत पूर्णपणे एआयद्वारे हाताळले जातील. याला समर्थन देणारे अंदाज आणि ट्रेंड:

• उच्च गुंतागुंतीच्या प्रश्नांचे निराकरण: एआय मॉडेल्समध्ये प्रचंड ज्ञान एकत्रित केले जाते आणि तर्क सुधारला जातो, त्यामुळे ते अधिक जटिल ग्राहकांच्या विनंत्या हाताळण्यास सक्षम होतील. फक्त "मी एखादी वस्तू कशी परत करू?" असे उत्तर देण्याऐवजी, भविष्यातील एआय संवादाद्वारे समस्येचे निदान करून, ग्राहकांना प्रगत समस्यानिवारणाद्वारे मार्गदर्शन करून आणि जर इतर सर्व तंत्रज्ञांचे वेळापत्रक निश्चित करण्यात अपयशी ठरले तरच, "माझे इंटरनेट बंद आहे, मी रीबूट करण्याचा प्रयत्न केला आहे, तुम्ही मदत करू शकाल का?" अशा बहु-चरणीय समस्या हाताळू शकते - ज्यासाठी आज मानवी समर्थन तंत्रज्ञानाची आवश्यकता असेल. आरोग्यसेवा ग्राहक सेवेमध्ये, एआय रुग्णांच्या अपॉइंटमेंट शेड्यूलिंग किंवा विमा प्रश्नांची एंड-टू-एंड हाताळू शकते.

• एंड-टू-एंड सेवा निराकरण: आपण पाहू शकतो की एआय ग्राहकांना काय करायचे आहे हे सांगत नाही तर प्रत्यक्षात ते करत आहे . उदाहरणार्थ, जर एखादा ग्राहक म्हणाला की "मला माझी फ्लाइट पुढील सोमवारसाठी बदलायची आहे आणि दुसरी बॅग जोडायची आहे," तर २०३० मध्ये एआय एजंट एअरलाइनच्या आरक्षण प्रणालीशी थेट संवाद साधू शकतो, बदल करू शकतो, बॅगसाठी पैसे भरण्याची प्रक्रिया करू शकतो आणि ग्राहकांना पुष्टी करू शकतो - हे सर्व स्वायत्तपणे. एआय केवळ माहिती स्रोत नसून एक पूर्ण सेवा एजंट बनतो.

• सर्वव्यापी एआय एजंट्स: कंपन्या कदाचित सर्व ग्राहक संपर्क बिंदूंवर एआय तैनात करतील - फोन, चॅट, ईमेल, सोशल मीडिया. अनेक ग्राहकांना कदाचित हे देखील कळणार नाही की ते एआयशी बोलत आहेत की मानवाशी, विशेषतः जेव्हा एआयचे आवाज अधिक नैसर्गिक होतात आणि चॅट उत्तरे अधिक संदर्भ-जागरूक होतात. २०३५ पर्यंत, ग्राहक सेवेशी संपर्क साधण्याचा अर्थ असा होऊ शकतो की एका स्मार्ट एआयशी संवाद साधणे जो तुमचे मागील संवाद लक्षात ठेवतो, तुमच्या आवडी समजून घेतो आणि तुमच्या टोनशी जुळवून घेतो - मूलतः प्रत्येक ग्राहकासाठी एक वैयक्तिकृत व्हर्च्युअल एजंट.

• परस्परसंवादात AI निर्णय घेणे: प्रश्नांची उत्तरे देण्यापलीकडे, AI असे निर्णय घेण्यास सुरुवात करेल ज्यांना सध्या व्यवस्थापकीय मंजुरीची आवश्यकता आहे. उदाहरणार्थ, आज एखाद्या मानवी एजंटला संतप्त ग्राहकाला शांत करण्यासाठी परतावा किंवा विशेष सवलत देण्यासाठी पर्यवेक्षकाच्या मंजुरीची आवश्यकता असू शकते. भविष्यात, गणना केलेल्या ग्राहकांच्या जीवनकाळ मूल्य आणि भावना विश्लेषणावर आधारित, निश्चित मर्यादेत, AI ला ते निर्णय सोपवले जाऊ शकतात. Futurum/IBM च्या एका अभ्यासात असा अंदाज आहे की 2030 पर्यंत रिअल-टाइम ग्राहकांच्या सहभागादरम्यान घेतलेले सुमारे 69% निर्णय स्मार्ट मशीनद्वारे घेतले जातील ( CX कडे वळण्याची पुनर्कल्पना करण्यासाठी, मार्केटर्सनी या 2 गोष्टी करायला हव्यात ) - प्रभावीपणे AI परस्परसंवादात सर्वोत्तम कृती करण्याचा मार्ग ठरवत आहे.

• १००% एआय सहभाग: प्रत्येक भूमिका बजावेल ( २०२५ साठी ५९ एआय ग्राहक सेवा आकडेवारी ), आगाऊ असो किंवा पार्श्वभूमीत. याचा अर्थ असा होऊ शकतो की जरी एखादा माणूस ग्राहकाशी संवाद साधत असला तरी, त्यांना एआय द्वारे मदत केली जाईल (सूचना देणे, माहिती मिळवणे). पर्यायी अर्थ असा आहे की कोणत्याही ग्राहकांच्या प्रश्नाचे कधीही अनुत्तरित होत नाही - जर मानव ऑफलाइन असतील तर एआय नेहमीच तिथे असतो.

२०३५ पर्यंत, आपल्याला असे आढळून येईल की मानवी ग्राहक सेवा एजंट फक्त सर्वात संवेदनशील किंवा उच्च-टच परिस्थितींसाठी (उदा., व्हीआयपी क्लायंट किंवा मानवी सहानुभूतीची आवश्यकता असलेल्या जटिल तक्रारींचे निराकरण) विशेषज्ञ बनले आहेत. नियमित प्रश्न - बँकिंग ते रिटेल ते टेक सपोर्ट - हे एआय एजंट्सच्या ताफ्याद्वारे २४/७ काम करून, प्रत्येक संवादातून सतत शिकत सेवा देऊ शकतात. या बदलामुळे ग्राहक सेवा अधिक सुसंगत आणि तात्काळ बनू शकते, कारण एआय लोकांना होल्डवर ठेवत नाही आणि सैद्धांतिकदृष्ट्या अमर्यादित ग्राहकांना एकाच वेळी हाताळण्यासाठी मल्टीटास्क करू शकते.

या दृष्टिकोनासाठी काही आव्हानांवर मात करायची आहे: मानवी ग्राहकांच्या अनिश्चिततेला तोंड देण्यासाठी एआय खूप मजबूत असले पाहिजे. ते अपशब्द, राग, गोंधळ आणि लोकांच्या संवादाच्या असंख्य विविध पद्धतींना तोंड देण्यास सक्षम असले पाहिजे. त्याला अद्ययावत ज्ञान देखील आवश्यक आहे (एआयची माहिती जुनी असली तरी काही अर्थ नाही). एआय आणि कंपनी डेटाबेसमधील एकत्रीकरणात गुंतवणूक करून (ऑर्डर, आउटेज इत्यादींवरील रिअल-टाइम माहितीसाठी), या अडथळ्यांना दूर केले जाऊ शकते.

नैतिकदृष्ट्या, कंपन्यांना "तुम्ही एआयशी बोलत आहात" हे कधी उघड करायचे हे ठरवावे लागेल आणि निष्पक्षता सुनिश्चित करावी लागेल (पक्षपाती प्रशिक्षणामुळे एआय काही ग्राहकांना नकारात्मक पद्धतीने वेगळ्या पद्धतीने वागवत नाही). हे व्यवस्थापित केले आहे असे गृहीत धरले तर, व्यवसायाचा मुद्दा मजबूत आहे: एआय ग्राहक सेवा खर्च आणि प्रतीक्षा वेळ नाटकीयरित्या कमी करू शकते. ग्राहक सेवेतील एआयची बाजारपेठ २०३० पर्यंत अब्जावधी डॉलर्सपर्यंत वाढण्याचा अंदाज आहे ( एआय इन कस्टमर सर्व्हिस मार्केट रिपोर्ट २०२५-२०३०: केस ) ( जनरेटिव्ह एआय लॉजिस्टिक्सला कसे बूस्ट करत आहे | रायडर ) कारण संस्था या क्षमतांमध्ये गुंतवणूक करतात.

थोडक्यात, भविष्यातील स्वायत्त एआय ग्राहक सेवा ही सर्वसामान्य प्रमाण असेल अशी . मदत मिळवणे म्हणजे बहुतेकदा अशा स्मार्ट मशीनशी संवाद साधणे जे तुमच्या समस्येचे त्वरीत निराकरण करू शकते. मानव अजूनही देखरेख आणि एज केसेस हाताळण्यासाठी लूपमध्ये असतील, परंतु एआय वर्कफोर्सचे पर्यवेक्षक म्हणून अधिक. परिणाम ग्राहकांसाठी जलद आणि अधिक वैयक्तिकृत सेवा असू शकतो - जोपर्यंत एआय योग्यरित्या प्रशिक्षित आणि देखरेख केली जाते जेणेकरून भूतकाळातील "रोबोट हॉटलाइन" अनुभवांच्या निराशा टाळता येतील.

आरोग्यसेवा आणि औषधांमध्ये जनरेटिव्ह एआय

आरोग्यसेवा हे असे क्षेत्र आहे जिथे दावे जास्त आहेत. औषधांमध्ये मानवी देखरेखीशिवाय एआय काम करण्याची कल्पना उत्साह (कार्यक्षमता आणि पोहोच यासाठी) आणि सावधगिरी (सुरक्षितता आणि सहानुभूतीच्या कारणास्तव) दोन्ही निर्माण करते. जनरेटिव्ह एआयने वैद्यकीय इमेजिंग विश्लेषण, क्लिनिकल दस्तऐवजीकरण आणि अगदी औषध शोध यासारख्या क्षेत्रांमध्येही प्रवेश करण्यास सुरुवात केली आहे. ते स्वतःहून जबाबदारीने काय करू शकते?

सध्याच्या क्षमता (२०२५): क्लिनिशियनना मदत करणे, त्यांची जागा घेणे नाही.

सध्या, आरोग्यसेवेतील जनरेटिव्ह एआय प्रामुख्याने वैद्यकीय व्यावसायिकांना स्वायत्त निर्णय घेणाऱ्याऐवजी शक्तिशाली सहाय्यक

• वैद्यकीय दस्तऐवजीकरण: आरोग्यसेवेमध्ये एआयचा सर्वात यशस्वी वापर म्हणजे डॉक्टरांना कागदपत्रे तयार करण्यास मदत करणे. नैसर्गिक भाषेतील मॉडेल रुग्णांच्या भेटींचे लिप्यंतरण करू शकतात आणि क्लिनिकल नोट्स किंवा डिस्चार्ज सारांश तयार करू शकतात. कंपन्यांकडे "एआय स्क्राइबर्स" असतात जे परीक्षेदरम्यान (मायक्रोफोनद्वारे) ऐकतात आणि डॉक्टरांना पुनरावलोकन करण्यासाठी एन्काउंटर नोट्सचा मसुदा स्वयंचलितपणे तयार करतात. यामुळे डॉक्टरांचा टायपिंगचा वेळ वाचतो. काही सिस्टीम इलेक्ट्रॉनिक आरोग्य नोंदींचे काही भाग ऑटोपॉप्युलेट देखील करतात. हे कमीत कमी हस्तक्षेपाने करता येते - डॉक्टर फक्त मसुद्यावरील कोणत्याही लहान चुका दुरुस्त करतात, म्हणजेच नोट-राइटिंग मोठ्या प्रमाणात स्वायत्त असते.

• रेडिओलॉजी आणि इमेजिंग: जनरेटिव्ह मॉडेल्ससह एआय, एक्स-रे, एमआरआय आणि सीटी स्कॅनचे विश्लेषण करून विसंगती (जसे की ट्यूमर किंवा फ्रॅक्चर) शोधू शकते. २०१८ मध्ये, एफडीएने रेटिनल इमेजेसमध्ये डायबेटिक रेटिनोपॅथी (डोळ्याची स्थिती) च्या स्वायत्त तपासणीसाठी एआय सिस्टमला मान्यता दिली - विशेष म्हणजे, त्या विशिष्ट स्क्रीनिंग संदर्भात तज्ञांच्या पुनरावलोकनाशिवाय कॉल करण्यास अधिकृत होते. ती सिस्टम जनरेटिव्ह एआय नव्हती, परंतु ते दर्शवते की नियामकांनी मर्यादित प्रकरणांमध्ये स्वायत्त एआय निदानास परवानगी दिली आहे. जनरेटिव्ह मॉडेल्स व्यापक अहवाल तयार करण्यासाठी काम करतात. उदाहरणार्थ, एआय छातीचा एक्स-रे तपासू शकतो आणि रेडिओलॉजिस्टचा अहवाल तयार करू शकतो ज्यामध्ये असे म्हटले आहे की "कोणतेही तीव्र निष्कर्ष नाहीत. फुफ्फुसे स्पष्ट आहेत. हृदय सामान्य आकाराचे आहे." त्यानंतर रेडिओलॉजिस्ट फक्त पुष्टी करतो आणि सही करतो. काही नियमित प्रकरणांमध्ये, रेडिओलॉजिस्ट एआयवर विश्वास ठेवल्यास आणि फक्त एक जलद तपासणी केल्यास हे रिपोर्ट्स संपादनाशिवाय बाहेर जाऊ शकतात.

• लक्षण तपासणी करणारे आणि व्हर्च्युअल नर्सेस: जनरेटिव्ह एआय चॅटबॉट्सचा वापर फ्रंटलाइन लक्षण तपासणी करणारे म्हणून केला जात आहे. रुग्ण त्यांची लक्षणे प्रविष्ट करू शकतात आणि सल्ला घेऊ शकतात (उदा., "ही सामान्य सर्दी असू शकते; विश्रांती आणि द्रवपदार्थ, परंतु X किंवा Y झाल्यास डॉक्टरांना भेटा."). बॅबिलोन हेल्थ सारखी अॅप्स शिफारसी देण्यासाठी एआयचा वापर करतात. सध्या, हे सामान्यतः माहितीपूर्ण म्हणून तयार केले जातात, निश्चित वैद्यकीय सल्ला म्हणून नाही आणि ते गंभीर समस्यांसाठी मानवी डॉक्टरांशी संपर्क साधण्यास प्रोत्साहित करतात.

• औषध शोध (जनरेटिव्ह केमिस्ट्री): जनरेटिव्ह एआय मॉडेल्स औषधांसाठी नवीन आण्विक संरचना प्रस्तावित करू शकतात. हे रुग्णांच्या काळजीपेक्षा संशोधन क्षेत्रात अधिक आहे. हे एआय स्वायत्तपणे इच्छित गुणधर्मांसह हजारो उमेदवार संयुगे सुचवण्यासाठी कार्य करतात, ज्यांचे मानवी रसायनशास्त्रज्ञ नंतर प्रयोगशाळेत पुनरावलोकन करतात आणि चाचणी करतात. इन्सिलिको मेडिसिन सारख्या कंपन्यांनी एआयचा वापर करून कमी वेळेत नवीन औषध उमेदवार तयार केले आहेत. जरी हे रुग्णांशी थेट संवाद साधत नसले तरी, एआय स्वायत्तपणे असे उपाय (रेणू डिझाइन) तयार करण्याचे एक उदाहरण आहे जे मानवांना शोधण्यासाठी खूप जास्त वेळ लागला असता.

• आरोग्यसेवा ऑपरेशन्स: रुग्णालयांमध्ये वेळापत्रक, पुरवठा व्यवस्थापन आणि इतर लॉजिस्टिक्स ऑप्टिमाइझ करण्यात एआय मदत करत आहे. उदाहरणार्थ, एक जनरेटिव्ह मॉडेल रुग्णांच्या प्रवाहाचे अनुकरण करू शकते आणि प्रतीक्षा वेळ कमी करण्यासाठी वेळापत्रक समायोजन सुचवू शकते. जरी ते दृश्यमान नसले तरी, हे असे निर्णय आहेत जे एआय कमीत कमी मॅन्युअल बदलांसह घेऊ शकते.

२०२५ पर्यंत, कोणतेही रुग्णालय मानवी परवानगीशिवाय स्वतंत्रपणे मोठे वैद्यकीय निर्णय किंवा उपचार घेण्यासाठी एआयला परवानगी देत ​​नाही हे सांगणे महत्त्वाचे आहे निदान आणि उपचार नियोजन हे मानवी हातातच राहते, एआय इनपुट प्रदान करते. एआयला रुग्णाला पूर्णपणे स्वायत्तपणे सांगण्यासाठी किंवा औषध लिहून देण्यासाठी आवश्यक असलेला विश्वास अद्याप अस्तित्वात नाही आणि तो व्यापक प्रमाणीकरणाशिवायही असू नये. वैद्यकीय व्यावसायिक एआयचा वापर दुसऱ्या डोळ्यांच्या जोडी म्हणून किंवा वेळ वाचवणारे साधन म्हणून करतात, परंतु ते गंभीर आउटपुट सत्यापित करतात.

२०३०-२०३५ साठीचा दृष्टीकोन: डॉक्टरांचा सहकारी (आणि कदाचित नर्स किंवा फार्मासिस्ट) म्हणून एआय

येत्या दशकात, जनरेटिव्ह एआय अधिक नियमित क्लिनिकल कामे स्वायत्तपणे करेल आणि आरोग्य सेवांची पोहोच वाढवेल अशी आमची अपेक्षा आहे:

• स्वयंचलित प्राथमिक निदान: २०३० पर्यंत, एआय अनेक सामान्य आजारांसाठी प्रारंभिक विश्लेषण विश्वसनीयरित्या हाताळू शकेल. एखाद्या क्लिनिकमध्ये एआय सिस्टमची कल्पना करा जी रुग्णाची लक्षणे, वैद्यकीय इतिहास, अगदी त्यांचा स्वर आणि चेहऱ्याचे संकेत कॅमेऱ्याद्वारे वाचते आणि निदान सूचना आणि शिफारस केलेल्या चाचण्या प्रदान करते - हे सर्व मानवी डॉक्टर रुग्णाला पाहण्यापूर्वीच. त्यानंतर डॉक्टर निदानाची पुष्टी करण्यावर आणि त्यावर चर्चा करण्यावर लक्ष केंद्रित करू शकतात. टेलिमेडिसिनमध्ये, रुग्ण प्रथम एखाद्या एआयशी गप्पा मारू शकतो जो समस्या कमी करतो (उदा., संभाव्य सायनस संसर्ग विरुद्ध काहीतरी अधिक गंभीर) आणि नंतर आवश्यक असल्यास त्यांना क्लिनिशियनशी जोडतो. नियामक अधिकृतपणे निदान करण्याची परवानगी एआयला देऊ शकतात - उदाहरणार्थ, ऑटोस्कोप प्रतिमेवरून सरळ कानाच्या संसर्गाचे निदान एआय शक्य होऊ शकते.

• वैयक्तिक आरोग्य मॉनिटर्स: घालण्यायोग्य वस्तूंच्या (स्मार्टवॉच, आरोग्य सेन्सर्स) प्रसारासह, एआय रुग्णांवर सतत लक्ष ठेवेल आणि समस्यांबद्दल स्वायत्तपणे इशारा देईल. उदाहरणार्थ, २०३५ पर्यंत तुमच्या घालण्यायोग्य उपकरणाचे एआय असामान्य हृदय लय शोधू शकते आणि स्वायत्तपणे तुम्हाला त्वरित व्हर्च्युअल सल्लामसलतसाठी वेळापत्रक देऊ शकते किंवा हृदयविकाराचा झटका किंवा स्ट्रोकची चिन्हे आढळल्यास रुग्णवाहिका देखील कॉल करू शकते. हे स्वायत्त निर्णय क्षेत्रात प्रवेश करते - परिस्थिती आणीबाणी आहे हे ठरवणे आणि कृती करणे - जे एआयचा संभाव्य आणि जीवनरक्षक वापर आहे.

• उपचारांच्या शिफारसी: वैद्यकीय साहित्य आणि रुग्णांच्या डेटावर प्रशिक्षित जनरेटिव्ह एआय वैयक्तिकृत उपचार योजना सुचवू शकतात. २०३० पर्यंत, कर्करोगासारख्या जटिल आजारांसाठी, एआय ट्यूमर बोर्ड रुग्णाच्या अनुवांशिक मेकअप आणि वैद्यकीय इतिहासाचे विश्लेषण करू शकतील आणि स्वायत्तपणे शिफारस केलेले उपचार पद्धती (केमो प्लॅन, औषध निवड) तयार करू शकतील. मानवी डॉक्टर त्याचा आढावा घेतील, परंतु कालांतराने आत्मविश्वास वाढेल, ते विशेषतः नियमित प्रकरणांसाठी एआय-निर्मित योजना स्वीकारण्यास सुरुवात करू शकतात, जेव्हा गरज असेल तेव्हाच समायोजित करू शकतात.

• व्हर्च्युअल नर्सेस आणि होम केअर: एक एआय जी संवाद साधू शकते आणि वैद्यकीय मार्गदर्शन देऊ शकते ती बरीच फॉलो-अप आणि क्रॉनिक केअर मॉनिटरिंग हाताळू शकते. उदाहरणार्थ, जुनाट आजार असलेले घरी असलेले रुग्ण एआय नर्स असिस्टंटला दररोजच्या मेट्रिक्सची तक्रार करू शकतात जो सल्ला देतो ("तुमच्या रक्तातील साखर थोडी जास्त आहे, तुमचा संध्याकाळचा नाश्ता समायोजित करण्याचा विचार करा") आणि जेव्हा वाचन श्रेणीबाहेर असते किंवा समस्या उद्भवतात तेव्हाच मानवी नर्समध्ये लूप येतो. हे एआय डॉक्टरांच्या दूरस्थ देखरेखीखाली मोठ्या प्रमाणात स्वायत्तपणे कार्य करू शकते.

• वैद्यकीय इमेजिंग आणि प्रयोगशाळेचे विश्लेषण - पूर्णपणे स्वयंचलित पाइपलाइन: २०३५ पर्यंत, काही क्षेत्रात वैद्यकीय स्कॅनचे वाचन प्रामुख्याने एआयद्वारे केले जाईल. रेडिओलॉजिस्ट एआय प्रणालींचे निरीक्षण करतील आणि गुंतागुंतीच्या प्रकरणे हाताळतील, परंतु बहुतेक सामान्य स्कॅन (जे खरोखर सामान्य आहेत) थेट एआयद्वारे "वाचले" जाऊ शकतात आणि साइन ऑफ केले जाऊ शकतात. त्याचप्रमाणे, पॅथॉलॉजी स्लाइड्सचे विश्लेषण (उदाहरणार्थ, बायोप्सीमध्ये कर्करोगाच्या पेशी शोधणे) प्रारंभिक तपासणीसाठी स्वायत्तपणे केले जाऊ शकते, ज्यामुळे प्रयोगशाळेचे निकाल नाटकीयरित्या वेगवान होतील.

• औषध शोध आणि क्लिनिकल चाचण्या: एआय कदाचित केवळ औषधांचे रेणूच डिझाइन करणार नाही तर चाचण्यांसाठी कृत्रिम रुग्ण डेटा देखील तयार करेल किंवा इष्टतम चाचणी उमेदवार शोधेल. वास्तविक चाचण्यांपूर्वी पर्याय कमी करण्यासाठी ते स्वायत्तपणे व्हर्च्युअल चाचण्या (रुग्ण कसे प्रतिक्रिया देतील याचे अनुकरण) चालवू शकते. यामुळे कमी मानवी-चालित प्रयोगांसह औषधे जलद बाजारात येऊ शकतात.

एआय डॉक्टर कसा घेईल हे अजूनही खूप दूरचे आहे आणि ते वादग्रस्त आहे. २०३५ पर्यंतही, अशी अपेक्षा आहे की एआय सहकारी . गुंतागुंतीच्या निदानासाठी रुग्णांचा संदर्भ समजून घेण्यासाठी अंतर्ज्ञान, नीतिमत्ता आणि संभाषणांची आवश्यकता असते - असे क्षेत्र जिथे मानवी डॉक्टर उत्कृष्ट कामगिरी करतात. असे म्हटले जाते की, एआय ८०% नियमित काम हाताळू शकते: कागदपत्रे, सरळ केसेस, देखरेख इ., ज्यामुळे मानवी डॉक्टरांना अवघड २०% आणि रुग्णांच्या संबंधांवर लक्ष केंद्रित करता येते.

काही महत्त्वाचे अडथळे आहेत: आरोग्यसेवेमध्ये स्वायत्त एआयसाठी नियामक मान्यता कठोर आहे (योग्यरित्या). एआय सिस्टमला व्यापक क्लिनिकल प्रमाणीकरणाची आवश्यकता असेल. आपल्याला वाढीव स्वीकृती दिसू शकते - उदा., आरोग्यसेवेची सुविधा वाढवण्यासाठी (२०३० पर्यंत एखाद्या दुर्गम गावात "एआय क्लिनिक" ची कल्पना करा जे शहरातील डॉक्टरांकडून नियतकालिक टेलि-पर्यवेक्षणासह चालते).

नैतिक बाबी मोठ्या प्रमाणात आहेत. जबाबदारी (जर एखाद्या स्वायत्त एआयने निदानात चूक केली तर कोण जबाबदार आहे?), माहितीपूर्ण संमती (रुग्णांना त्यांच्या काळजीमध्ये एआयचा समावेश आहे की नाही हे माहित असणे आवश्यक आहे), आणि समानता सुनिश्चित करणे (एआय सर्व लोकसंख्येसाठी चांगले कार्य करते, पक्षपात टाळणे) ही आव्हाने आहेत. हे लक्षात घेऊन, २०३० च्या मध्यापर्यंत जनरेटिव्ह एआय हे आरोग्यसेवा वितरणाच्या रचनेत विणले जाऊ शकते, जे मानवी प्रदात्यांसाठी मोकळेपणा आणणारी अनेक कामे करू शकते आणि सध्या मर्यादित प्रवेश असलेल्या रुग्णांपर्यंत पोहोचू शकते.

थोडक्यात, २०३५ पर्यंत आरोग्यसेवेमध्ये एआय खोलवर एकात्मिक होण्याची शक्यता आहे, परंतु बहुतेक ते गुप्तपणे किंवा सहाय्यक भूमिकांमध्ये असतील. आम्हाला विश्वास आहे की एआय स्वतःहून बरेच काही करेल - स्कॅन वाचेल, जीवनावश्यक गोष्टी पाहेल, योजनांचा मसुदा तयार करेल - परंतु महत्त्वपूर्ण निर्णयांसाठी मानवी देखरेखीचे सुरक्षित जाळे अजूनही असेल. याचा परिणाम अधिक कार्यक्षम, प्रतिसाद देणारी आरोग्यसेवा प्रणाली असू शकते, जिथे एआय जड वस्तू उचलते आणि मानव सहानुभूती आणि अंतिम निर्णय प्रदान करते.

शिक्षणात जनरेटिव्ह एआय

शिक्षण हे आणखी एक क्षेत्र आहे जिथे जनरेटिव्ह एआय लाटा निर्माण करत आहे, एआय-संचालित ट्युटोरिंग बॉट्सपासून ते ऑटोमेटेड ग्रेडिंग आणि कंटेंट क्रिएशनपर्यंत. अध्यापन आणि शिक्षणात संवाद आणि सर्जनशीलता यांचा समावेश आहे, जे जनरेटिव्ह मॉडेल्सची ताकद आहेत. पण शिक्षकांच्या देखरेखीशिवाय शिक्षण देण्यासाठी एआयवर विश्वास ठेवता येईल का?

सध्याच्या क्षमता (२०२५): पट्ट्यावर शिक्षक आणि सामग्री जनरेटर

सध्या, शिक्षणात एआयचा वापर केवळ शिक्षकांसाठीच नाही तर पूरक साधन

• एआय ट्युटोरिंग असिस्टंट: खान अकादमीचे “खानमिगो” (GPT-4 द्वारे समर्थित) किंवा विविध भाषा शिकण्याचे अॅप्स सारखी साधने वैयक्तिक शिक्षक किंवा संभाषणात्मक भागीदाराचे अनुकरण करण्यासाठी एआय वापरतात. विद्यार्थी नैसर्गिक भाषेत प्रश्न विचारू शकतात आणि उत्तरे किंवा स्पष्टीकरण मिळवू शकतात. एआय गृहपाठातील समस्यांसाठी सूचना देऊ शकते, वेगवेगळ्या प्रकारे संकल्पना स्पष्ट करू शकते किंवा परस्परसंवादी इतिहासाच्या धड्यासाठी ऐतिहासिक व्यक्तिरेखा म्हणून भूमिका बजावू शकते. तथापि, या एआय ट्युटरचा वापर सामान्यतः देखरेखीसाठी केला जातो; शिक्षक किंवा अॅप देखभाल करणारे अनेकदा संवादांचे निरीक्षण करतात किंवा एआय काय चर्चा करू शकते यावर मर्यादा निश्चित करतात (चुकीची माहिती किंवा अनुचित सामग्री टाळण्यासाठी).

• शिक्षकांसाठी सामग्री निर्मिती: जनरेटिव्ह एआय शिक्षकांना प्रश्नमंजुषा प्रश्न, वाचनांचा सारांश, धडा योजना बाह्यरेखा इत्यादी तयार करून मदत करते. शिक्षक एआयला विचारू शकतो, "उत्तरांसह वर्गसमीकरणांवर 5 सराव समस्या निर्माण करा," तयारीमध्ये वेळ वाचवतो. ही स्वायत्त सामग्री निर्मिती आहे, परंतु शिक्षक सहसा अचूकता आणि अभ्यासक्रमाशी जुळवून घेण्यासाठी आउटपुटचे पुनरावलोकन करतो. म्हणून ते पूर्णपणे स्वतंत्र असण्यापेक्षा श्रम वाचवणारे उपकरण आहे.

• ग्रेडिंग आणि अभिप्राय: एआय बहुपर्यायी परीक्षांना आपोआप ग्रेड देऊ शकते (त्यात काही नवीन नाही) आणि वाढत्या प्रमाणात लहान उत्तरे किंवा निबंधांचे मूल्यांकन करू शकते. काही शाळा प्रणाली लिखित उत्तरे ग्रेड करण्यासाठी आणि विद्यार्थ्यांना अभिप्राय देण्यासाठी एआयचा वापर करतात (उदा. व्याकरणातील सुधारणा, युक्तिवाद विस्तृत करण्यासाठी सूचना). जरी ते स्वतः एक जनरेटिव्ह कार्य नसले तरी, नवीन एआय विद्यार्थ्यांसाठी त्यांच्या कामगिरीवर आधारित वैयक्तिकृत अभिप्राय अहवाल देखील तयार , ज्यामध्ये सुधारणा करण्यासाठी क्षेत्रे हायलाइट केली जातात. शिक्षक अनेकदा सूक्ष्मतेबद्दलच्या चिंतेमुळे या टप्प्यावर एआय-ग्रेड केलेले निबंध पुन्हा तपासतात.

• अ‍ॅडॉप्टिव्ह लर्निंग सिस्टीम्स: हे असे प्लॅटफॉर्म आहेत जे विद्यार्थ्याच्या कामगिरीवर आधारित साहित्याची अडचण किंवा शैली समायोजित करतात. जनरेटिव्ह एआय विद्यार्थ्याच्या गरजांनुसार नवीन समस्या किंवा उदाहरणे तयार करून हे वाढवते. उदाहरणार्थ, जर एखादा विद्यार्थी एखाद्या संकल्पनेशी झुंजत असेल, तर एआय त्या संकल्पनेवर लक्ष केंद्रित करून दुसरा उपमा किंवा सराव प्रश्न निर्माण करू शकते. हे काहीसे स्वायत्त आहे, परंतु शिक्षकांनी डिझाइन केलेल्या प्रणालीमध्ये आहे.

• विद्यार्थ्यांचा शिकण्यासाठी वापर: विद्यार्थी स्वतः ChatGPT सारख्या साधनांचा वापर शिकण्यास मदत करण्यासाठी करतात - स्पष्टीकरण मागणे, भाषांतरे मागणे किंवा निबंधाच्या मसुद्यावर अभिप्राय मिळविण्यासाठी AI वापरणे ("माझा परिचय परिच्छेद सुधारा"). हे स्वतः निर्देशित आहे आणि शिक्षकांच्या ज्ञानाशिवाय असू शकते. या परिस्थितीत AI मागणीनुसार शिक्षक किंवा प्रूफरीडर म्हणून काम करते. आव्हान म्हणजे विद्यार्थी फक्त उत्तरे मिळवण्याऐवजी (शैक्षणिक अखंडता) शिकण्यासाठी ते वापरतात याची खात्री करणे.

२०२५ पर्यंत, शिक्षणात एआय शक्तिशाली आहे हे स्पष्ट आहे परंतु सामान्यत: मानवी शिक्षकासह कार्य करते जो एआयच्या योगदानाचे क्युरेट करतो. एक समजण्याजोगी खबरदारी आहे: चुकीची माहिती शिकवण्यासाठी किंवा शून्यात संवेदनशील विद्यार्थ्यांच्या संवादांना हाताळण्यासाठी एआयवर विश्वास ठेवू इच्छित नाही. शिक्षक एआय ट्यूटर्सना उपयुक्त सहाय्यक म्हणून पाहतात जे विद्यार्थ्यांना अधिक सराव आणि नियमित प्रश्नांची त्वरित उत्तरे देऊ शकतात, ज्यामुळे शिक्षकांना सखोल मार्गदर्शनावर लक्ष केंद्रित करण्यास मोकळे होते.

२०३०-२०३५ साठीचे आउटलुक: वैयक्तिकृत एआय ट्यूटर्स आणि ऑटोमेटेड टीचिंग सहाय्यक

पुढील दशकात, आम्हाला अपेक्षा आहे की जनरेटिव्ह एआय अधिक वैयक्तिकृत आणि स्वायत्त शिक्षण अनुभव , तर शिक्षकांच्या भूमिका विकसित होतील:

• प्रत्येक विद्यार्थ्यासाठी एआय वैयक्तिक शिक्षक: २०३० पर्यंत, (खान अकादमीच्या साल खान सारख्या तज्ञांनी सामायिक केलेले) ध्येय असे आहे की प्रत्येक विद्यार्थ्याला अशा एआय शिक्षकाची उपलब्धता असू शकेल जो अनेक बाबतीत मानवी शिक्षकाइतकाच प्रभावी असेल ( हे एआय शिक्षक मानवांना १० पट हुशार बनवू शकते, असे त्याचे निर्माते म्हणतात ). हे एआय शिक्षक २४/७ उपलब्ध असतील, विद्यार्थ्याचा शिकण्याचा इतिहास जवळून जाणून घेतील आणि त्यानुसार त्यांची शिकवण्याची शैली जुळवून घेतील. उदाहरणार्थ, जर एखादा विद्यार्थी बीजगणित संकल्पनेशी झुंजत असलेला दृश्यमान विद्यार्थी असेल, तर एआय गतिमानपणे मदत करण्यासाठी व्हिज्युअल स्पष्टीकरण किंवा परस्परसंवादी सिम्युलेशन तयार करू शकते. कारण एआय कालांतराने विद्यार्थ्याच्या प्रगतीचा मागोवा घेऊ शकते, ते पुढे कोणत्या विषयाचे पुनरावलोकन करायचे किंवा नवीन कौशल्याकडे कधी जायचे हे स्वायत्तपणे ठरवू शकते - धडा योजना प्रभावीपणे व्यवस्थापित करू शकते .

• शिक्षकांच्या नियमित कामांवरील कामाचा भार कमी: ग्रेडिंग, वर्कशीट बनवणे, धड्यांचे साहित्य तयार करणे - ही कामे २०३० पर्यंत जवळजवळ पूर्णपणे एआयमध्ये भरली जाऊ शकतात. एआय वर्गासाठी एका आठवड्याचा कस्टमाइज्ड गृहपाठ तयार करू शकते, गेल्या आठवड्यातील सर्व असाइनमेंट (अगदी ओपन-एंडेड असाइनमेंट) अभिप्रायासह ग्रेड करू शकते आणि कोणत्या विद्यार्थ्यांना कोणत्या विषयांवर अतिरिक्त मदतीची आवश्यकता असू शकते हे शिक्षकांना हायलाइट करू शकते. हे कमीतकमी शिक्षकांच्या इनपुटसह होऊ शकते, कदाचित एआयचे ग्रेड योग्य असल्याचे सुनिश्चित करण्यासाठी फक्त एक झलक पहा.

• ऑटोनॉमस अ‍ॅडॉप्टिव्ह लर्निंग प्लॅटफॉर्म: आपल्याला काही विषयांसाठी पूर्णपणे एआय-चालित अभ्यासक्रम दिसू शकतात. कल्पना करा की असा ऑनलाइन कोर्स ज्यामध्ये मानवी प्रशिक्षक नाही जिथे एआय एजंट साहित्य सादर करतो, उदाहरणे देतो, प्रश्नांची उत्तरे देतो आणि विद्यार्थ्यावर आधारित गती समायोजित करतो. विद्यार्थ्याचा अनुभव त्यांच्यासाठी अद्वितीय असू शकतो, रिअल-टाइममध्ये तयार केला जाऊ शकतो. काही कॉर्पोरेट प्रशिक्षण आणि प्रौढ शिक्षण लवकरच या मॉडेलकडे वळू शकते, जिथे २०३५ पर्यंत एक कर्मचारी "मला प्रगत एक्सेल मॅक्रो शिकायचे आहेत" असे म्हणू शकेल आणि एआय ट्यूटर त्यांना मानवी प्रशिक्षकाशिवाय व्यायाम तयार करणे आणि त्यांच्या उपायांचे मूल्यांकन करणे यासह वैयक्तिकृत अभ्यासक्रमाद्वारे शिकवेल.

• वर्गातील एआय सहाय्यक: भौतिक किंवा आभासी वर्गांमध्ये, एआय वर्गातील चर्चा ऐकू शकते आणि शिक्षकांना उडताच मदत करू शकते (उदा., इअरपीसद्वारे सूचना कुजबुजणे: "अनेक विद्यार्थी त्या संकल्पनेबद्दल गोंधळलेले दिसतात, कदाचित दुसरे उदाहरण द्या"). ते ऑनलाइन वर्ग मंचांवर नियंत्रण देखील ठेवू शकते, विद्यार्थ्यांनी विचारलेल्या सरळ प्रश्नांची उत्तरे देऊ शकते ("असाइनमेंट कधी आहे?" किंवा व्याख्यानाचा मुद्दा स्पष्ट करणे देखील) जेणेकरून शिक्षकावर ईमेलचा भडिमार होणार नाही. २०३५ पर्यंत, खोलीत एआय सह-शिक्षक असणे, तर मानवी शिक्षक उच्च-स्तरीय मार्गदर्शन आणि प्रेरक पैलूंवर लक्ष केंद्रित करेल, हे मानक असू शकते.

• शिक्षणाची जागतिक उपलब्धता: शिक्षकांची कमतरता असलेल्या भागात स्वायत्त एआय ट्यूटर विद्यार्थ्यांना शिक्षित करण्यास मदत करू शकतात. एआय ट्यूटर असलेले टॅब्लेट मूलभूत साक्षरता आणि गणित यासारख्या मर्यादित शिक्षण घेणाऱ्या विद्यार्थ्यांसाठी प्राथमिक प्रशिक्षक म्हणून काम करू शकते. २०३५ पर्यंत, हे सर्वात प्रभावी वापरांपैकी एक असू शकते - मानवी शिक्षक उपलब्ध नसलेल्या अंतरांना एआय भरून काढणे. तथापि, वेगवेगळ्या संदर्भात एआय शिक्षणाची गुणवत्ता आणि सांस्कृतिक योग्यता सुनिश्चित करणे महत्त्वाचे असेल.

शिक्षकांची जागा एआय घेईल का? पूर्णपणे अशक्य. अध्यापन हे केवळ सामग्री प्रदान करण्यापेक्षा जास्त आहे - ते मार्गदर्शन, प्रेरणा, सामाजिक-भावनिक आधार आहे. त्या मानवी घटकांची प्रतिकृती एआयसाठी कठीण आहे. परंतु एआय वर्गात दुसरा शिक्षक

काही समस्यांचे व्यवस्थापन करावे लागेल: एआय अचूक माहिती प्रदान करते याची खात्री करणे (खोट्या तथ्यांचा शैक्षणिक भ्रम नाही), शैक्षणिक सामग्रीमध्ये पक्षपात टाळणे, विद्यार्थ्यांच्या डेटाची गोपनीयता राखणे आणि विद्यार्थ्यांना व्यस्त ठेवणे (एआय केवळ योग्य नसून प्रेरणादायी असणे आवश्यक आहे). एआय शैक्षणिक प्रणालींना मान्यता किंवा प्रमाणपत्र - जसे की पाठ्यपुस्तकांना मान्यता दिली जात आहे - मानके पूर्ण करतात याची खात्री करण्यासाठी आपल्याला कदाचित दिसेल.

आणखी एक आव्हान म्हणजे अतिरेकी अवलंबित्व: जर एआय ट्यूटरने खूप लवकर उत्तरे दिली तर विद्यार्थी चिकाटी किंवा समस्या सोडवणे शिकू शकणार नाहीत. हे कमी करण्यासाठी, भविष्यातील एआय ट्यूटर कधीकधी विद्यार्थ्यांना संघर्ष करू देण्यासाठी (मानवी ट्यूटरप्रमाणे) किंवा उपाय देण्याऐवजी सूचना देऊन समस्या सोडवण्यास प्रोत्साहित करण्यासाठी डिझाइन केले जाऊ शकतात.

२०३५ पर्यंत, वर्गखोली बदलू शकते: प्रत्येक विद्यार्थ्याला एआय-कनेक्टेड डिव्हाइससह त्यांच्या स्वतःच्या गतीने मार्गदर्शन केले जाईल, तर शिक्षक गट क्रियाकलापांचे आयोजन करेल आणि मानवी अंतर्दृष्टी प्रदान करेल. शिक्षण अधिक कार्यक्षम आणि अनुकूलित केले जाऊ शकते. प्रत्येक विद्यार्थ्याला जेव्हा गरज असेल तेव्हा आवश्यक असलेली मदत मिळेल - मोठ्या प्रमाणात एक खरा "वैयक्तिक शिक्षक" अनुभव. काही मानवी स्पर्श गमावणे किंवा एआयचा गैरवापर करणे (जसे की विद्यार्थी एआय द्वारे फसवणूक करतात) हा धोका आहे. परंतु एकंदरीत, जर चांगले व्यवस्थापन केले तर, जनरेटिव्ह एआय विद्यार्थ्यांच्या शैक्षणिक प्रवासात नेहमीच उपलब्ध, ज्ञानी साथीदार बनून शिक्षणाचे लोकशाहीकरण आणि वाढ करण्यास मदत करते.

लॉजिस्टिक्स आणि सप्लाय चेनमध्ये जनरेटिव्ह एआय

लॉजिस्टिक्स - वस्तू हलवण्याची आणि पुरवठा साखळ्या व्यवस्थापित करण्याची कला आणि विज्ञान - कदाचित "जनरेटिव्ह" एआयसाठी पारंपारिक क्षेत्र वाटणार नाही, परंतु या क्षेत्रात सर्जनशील समस्या सोडवणे आणि नियोजन करणे महत्त्वाचे आहे. जनरेटिव्ह एआय परिस्थितींचे अनुकरण करून, योजना ऑप्टिमाइझ करून आणि रोबोटिक सिस्टम नियंत्रित करून मदत करू शकते. लॉजिस्टिक्समधील ध्येय कार्यक्षमता आणि खर्चात बचत आहे, जे डेटाचे विश्लेषण करण्यात आणि उपाय प्रस्तावित करण्यात एआयच्या ताकदींशी चांगले जुळते. तर पुरवठा साखळी आणि लॉजिस्टिक्स ऑपरेशन्स चालविण्यात एआय किती स्वायत्त असू शकते?

सध्याच्या क्षमता (२०२५): मानवी देखरेखीसह ऑप्टिमायझेशन आणि सुव्यवस्थितीकरण

आज, एआय (काही जनरेटिव्ह दृष्टिकोनांसह) लॉजिस्टिक्समध्ये प्रामुख्याने निर्णय समर्थन साधन :

• मार्ग ऑप्टिमायझेशन: UPS आणि FedEx सारख्या कंपन्या आधीच डिलिव्हरी मार्ग ऑप्टिमाइझ करण्यासाठी AI अल्गोरिदम वापरतात - ड्रायव्हर्सना सर्वात कार्यक्षम मार्ग निवडण्याची खात्री करणे. पारंपारिकपणे हे ऑपरेशन्स रिसर्च अल्गोरिदम होते, परंतु आता जनरेटिव्ह दृष्टिकोन विविध परिस्थितींमध्ये (रहदारी, हवामान) पर्यायी मार्ग धोरणे एक्सप्लोर करण्यास मदत करू शकतात. AI मार्ग सुचवत असताना, मानवी डिस्पॅचर किंवा व्यवस्थापक पॅरामीटर्स (उदा., प्राधान्यक्रम) सेट करतात आणि आवश्यक असल्यास ते ओव्हरराइड करू शकतात.

• लोड आणि स्पेस प्लॅनिंग: ट्रक किंवा शिपिंग कंटेनर पॅकिंगसाठी, एआय इष्टतम लोडिंग प्लॅन तयार करू शकते (कोणता बॉक्स कुठे जातो). जनरेटिव्ह एआय जागेचा वापर जास्तीत जास्त करण्यासाठी अनेक पॅकिंग कॉन्फिगरेशन तयार करू शकते, मूलत: मानव निवडू शकतील असे उपाय "तयार" करते. अमेरिकेत ट्रक बहुतेकदा 30% रिकामे चालतात आणि एआयच्या मदतीने चांगले नियोजन हा कचरा कमी करू शकते असे एका अभ्यासात नमूद केले गेले आहे ( लॉजिस्टिक्समधील टॉप जनरेटिव्ह एआय वापर प्रकरणे ). या एआय-जनरेटिव्ह लोड प्लॅनचा उद्देश इंधन खर्च आणि उत्सर्जन कमी करणे आहे आणि काही गोदामांमध्ये ते कमीतकमी मॅन्युअल बदलांसह अंमलात आणले जातात.

• मागणीचा अंदाज आणि इन्व्हेंटरी व्यवस्थापन: एआय मॉडेल्स उत्पादनांच्या मागणीचा अंदाज लावू शकतात आणि पुन्हा साठा करण्याच्या योजना तयार करू शकतात. एक जनरेटिव्ह मॉडेल वेगवेगळ्या मागणी परिस्थितींचे अनुकरण करू शकते (उदाहरणार्थ, एआय येणाऱ्या सुट्टीमुळे मागणीत वाढ होण्याची "कल्पना" करतो) आणि त्यानुसार इन्व्हेंटरीची योजना आखू शकते. हे पुरवठा साखळी व्यवस्थापकांना तयारी करण्यास मदत करते. सध्या, एआय अंदाज आणि सूचना प्रदान करते, परंतु मानव सामान्यतः उत्पादन पातळी किंवा ऑर्डरिंगवर अंतिम निर्णय घेतात.

• जोखीम मूल्यांकन: जागतिक पुरवठा साखळीत व्यत्यय येतात (नैसर्गिक आपत्ती, बंदरातील विलंब, राजकीय समस्या). क्षितिजावरील धोके ओळखण्यासाठी AI प्रणाली आता बातम्या आणि डेटाचा अभ्यास करतात. उदाहरणार्थ, एक लॉजिस्टिक्स फर्म इंटरनेट स्कॅन करण्यासाठी आणि धोकादायक वाहतूक कॉरिडॉर (येणाऱ्या चक्रीवादळ किंवा अशांततेमुळे समस्या येण्याची शक्यता असलेल्या भागात) ध्वजांकित करण्यासाठी generative AI वापरते ( लॉजिस्टिक्समधील टॉप जनरेटिव्ह AI वापर प्रकरणे ). त्या माहितीसह, नियोजक समस्याग्रस्त ठिकाणी शिपमेंट स्वायत्तपणे पुन्हा मार्गस्थ करू शकतात. काही प्रकरणांमध्ये, AI स्वयंचलितपणे मार्ग बदल किंवा वाहतुकीच्या पद्धतीतील बदलांची शिफारस करू शकते, ज्याला मानवांनी नंतर मान्यता दिली.

• वेअरहाऊस ऑटोमेशन: अनेक वेअरहाऊसमध्ये पिकिंग आणि पॅकिंगसाठी रोबोट्ससह अर्ध-स्वयंचलित असतात. जनरेटिव्ह एआय रोबोट्स आणि मानवांना गतिमानपणे कामे वाटप करू शकते जेणेकरून ते चांगल्या प्रवाहासाठी काम करू शकतील. उदाहरणार्थ, एआय दररोज सकाळी ऑर्डरच्या आधारे रोबोटिक पिकर्ससाठी जॉब क्यू तयार करू शकते. हे बहुतेकदा अंमलबजावणीमध्ये पूर्णपणे स्वायत्त असते, व्यवस्थापक फक्त केपीआयचे निरीक्षण करतात - जर ऑर्डर अनपेक्षितपणे वाढल्या तर एआय स्वतःहून ऑपरेशन्स समायोजित करते.

• फ्लीट मॅनेजमेंट: एआय वाहनांच्या देखभालीचे वेळापत्रक तयार करण्यासाठी नमुन्यांचे विश्लेषण करून आणि डाउनटाइम कमी करणारे इष्टतम देखभाल वेळापत्रक तयार करण्यास मदत करते. ट्रिप कमी करण्यासाठी ते शिपमेंट्सचे गट देखील करू शकते. हे निर्णय एआय सॉफ्टवेअरद्वारे स्वयंचलितपणे घेतले जाऊ शकतात जोपर्यंत ते सेवा आवश्यकता पूर्ण करते.

एकूणच, २०२५ पर्यंत, मानवांनी उद्दिष्टे निश्चित केली (उदा., "किंमत कमी करा पण २-दिवसांची डिलिव्हरी सुनिश्चित करा") आणि एआय ते साध्य करण्यासाठी उपाय किंवा वेळापत्रक तयार करते. काहीतरी असामान्य घडेपर्यंत सिस्टम हस्तक्षेपाशिवाय दररोज चालू शकतात. बर्‍याच लॉजिस्टिक्समध्ये पुनरावृत्ती निर्णय असतात (ही शिपमेंट कधी सोडावी? ही ऑर्डर कोणत्या गोदामातून पूर्ण करायची?), जे एआय सातत्याने घेण्यास शिकू शकते. कंपन्या हळूहळू एआयवर विश्वास ठेवत आहेत की ते हे सूक्ष्म-निर्णय हाताळतील आणि अपवाद आढळल्यासच व्यवस्थापकांना सतर्क करतील.

२०३०-२०३५ साठीचे आउटलुक: सेल्फ-ड्रायव्हिंग सप्लाय चेन

पुढील दशकात, आपण एआय द्वारे चालित लॉजिस्टिक्समध्ये स्वायत्त समन्वयाची

• स्वायत्त वाहने आणि ड्रोन: स्वयं-ड्रायव्हिंग ट्रक आणि डिलिव्हरी ड्रोन, जरी एक व्यापक एआय/रोबोटिक्स विषय असला तरी, लॉजिस्टिक्सवर थेट परिणाम करतात. २०३० पर्यंत, जर नियामक आणि तांत्रिक आव्हानांवर मात केली गेली, तर आपल्याकडे महामार्गांवर नियमितपणे एआय ड्रायव्हिंग ट्रक असतील किंवा शहरांमध्ये शेवटच्या मैलावर डिलिव्हरी हाताळणारे ड्रोन असतील. हे एआय मानवी ड्रायव्हर्सशिवाय रिअल-टाइम निर्णय (मार्ग बदल, अडथळे टाळणे) घेतील. जनरेटिव्ह अँगल हा आहे की हे वाहन एआय विशाल डेटा आणि सिम्युलेशनमधून कसे शिकतात, असंख्य परिस्थितींवर प्रभावीपणे "प्रशिक्षण" देतात. एक पूर्णपणे स्वायत्त फ्लीट २४/७ ऑपरेट करू शकतो, ज्यामध्ये मानव फक्त दूरस्थपणे देखरेख करतात. हे लॉजिस्टिक्स ऑपरेशन्समधून एक प्रचंड मानवी घटक (ड्रायव्हर्स) काढून टाकते, ज्यामुळे स्वायत्तता नाटकीयरित्या वाढते.

• स्वयं-उपचार पुरवठा साखळ्या: पुरवठा साखळी परिस्थिती सतत अनुकरण करण्यासाठी आणि आकस्मिक योजना तयार करण्यासाठी जनरेटिव्ह एआयचा वापर केला जाईल. २०३५ पर्यंत, एआय पुरवठादार कारखाना बंद पडल्यावर (बातम्या किंवा डेटा फीडद्वारे) आपोआप ओळखू शकेल आणि त्वरित हलवेल. याचा अर्थ एआय पुढाकार घेतल्याने पुरवठा साखळी स्वतःला व्यत्ययांपासून "बरे" करते. मानवी व्यवस्थापकांना एआयने काय केले याची माहिती दिली जाईल, उपाय सुरू करणाऱ्यांऐवजी.

• एंड-टू-एंड इन्व्हेंटरी ऑप्टिमायझेशन: एआय संपूर्ण गोदाम आणि स्टोअर नेटवर्कमध्ये स्वायत्तपणे इन्व्हेंटरी व्यवस्थापित करू शकते. ते स्टॉक कधी आणि कुठे हलवायचा हे ठरवेल (कदाचित रोबोट किंवा स्वयंचलित वाहने वापरून), प्रत्येक ठिकाणी पुरेशी इन्व्हेंटरी ठेवेल. एआय मुळात पुरवठा साखळी नियंत्रण टॉवर चालवते: सर्व प्रवाह पाहते आणि रिअल-टाइममध्ये समायोजन करते. २०३५ पर्यंत, "स्वयं-चालित" पुरवठा साखळीच्या कल्पनेचा अर्थ असा असू शकतो की सिस्टम दररोज सर्वोत्तम वितरण योजना शोधेल, उत्पादने ऑर्डर करेल, कारखाना चालवण्याचे वेळापत्रक तयार करेल आणि वाहतुकीची व्यवस्था स्वतः करेल. मानव एकूण रणनीतीवर देखरेख करेल आणि एआयच्या सध्याच्या समजुतीच्या पलीकडे असलेल्या अपवादांना हाताळेल.

• लॉजिस्टिक्समध्ये जनरेटिव्ह डिझाइन: आपण एआय नवीन पुरवठा साखळी नेटवर्क डिझाइन करताना पाहू शकतो. समजा एखादी कंपनी एका नवीन प्रदेशात विस्तार करते; एआय डेटाच्या आधारे त्या प्रदेशासाठी इष्टतम गोदाम स्थाने, वाहतूक दुवे आणि इन्व्हेंटरी धोरणे तयार करू शकते - जे आज सल्लागार आणि विश्लेषक करतात. २०३० पर्यंत, कंपन्या पुरवठा साखळी डिझाइन निवडींसाठी एआय शिफारसींवर अवलंबून राहू शकतात, घटकांचे जलद मूल्यांकन करण्यासाठी त्यावर विश्वास ठेवू शकतात आणि कदाचित मानवांना चुकवणारे सर्जनशील उपाय (जसे की स्पष्ट नसलेले वितरण केंद्र) शोधू शकतात.

• उत्पादनाशी एकात्मता (उद्योग ४.०): लॉजिस्टिक्स एकटे राहत नाही; ते उत्पादनाशी जोडलेले आहे. भविष्यातील कारखान्यांमध्ये उत्पादन वेळापत्रक तयार करणारे एआय असू शकते, कच्चा माल वेळेवर ऑर्डर करणे आणि नंतर लॉजिस्टिक्स नेटवर्कला त्वरित उत्पादने पाठविण्याची सूचना देणे. या एकात्मिक एआयचा अर्थ एकूणच कमी मानवी नियोजन असू शकते - उत्पादनापासून वितरणापर्यंतची एक अखंड साखळी जी खर्च, वेग आणि शाश्वततेसाठी अनुकूलित अल्गोरिदमद्वारे चालविली जाते. आधीच, २०२५ पर्यंत, उच्च-कार्यक्षम पुरवठा साखळ्या डेटा-चालित आहेत; २०३५ पर्यंत त्या मोठ्या प्रमाणात एआय-चालित असू शकतात.

• लॉजिस्टिक्समध्ये गतिमान ग्राहक सेवा: ग्राहक सेवा एआय वर आधारित, पुरवठा साखळी एआय थेट ग्राहकांशी किंवा क्लायंटशी संवाद साधू शकतात. उदाहरणार्थ, जर एखाद्या मोठ्या क्लायंटला शेवटच्या क्षणी त्यांचा बल्क ऑर्डर बदलायचा असेल, तर एआय एजंट मानवी व्यवस्थापकाची वाट न पाहता व्यवहार्य पर्यायांवर (जसे की "आम्ही आता अर्धा, अडचणींमुळे अर्धा पुढील आठवड्यात वितरित करू शकतो") वाटाघाटी करू शकतो. यामध्ये जनरेटिव्ह एआय दोन्ही बाजूंना (ग्राहकांच्या गरजा विरुद्ध ऑपरेशनल क्षमता) समजून घेणे आणि क्लायंटना समाधानी करताना ऑपरेशन्स सुरळीत ठेवणारे निर्णय घेणे समाविष्ट आहे.

अपेक्षित फायदा म्हणजे अधिक कार्यक्षम, लवचिक आणि प्रतिसाद देणारी लॉजिस्टिक्स प्रणाली. कंपन्यांना मोठ्या प्रमाणात बचतीची अपेक्षा आहे - मॅककिन्सेचा अंदाज आहे की एआय-चालित पुरवठा साखळी ऑप्टिमायझेशनमुळे खर्चात लक्षणीय घट होऊ शकते आणि सेवा पातळी सुधारू शकते, ज्यामुळे उद्योगांमध्ये ट्रिलियन डॉलर्सची वाढ होण्याची शक्यता आहे ( २०२३ मध्ये एआयची स्थिती: जनरेटिव्ह एआयचे ब्रेकआउट वर्ष | मॅककिन्से ).

तथापि, एआयकडे अधिक नियंत्रण वळवल्याने देखील जोखीम निर्माण होतात, जसे की एआयचा तर्क दोषपूर्ण असल्यास कॅस्केडिंग त्रुटी (उदा., मॉडेलिंग त्रुटीमुळे एआय पुरवठा साखळी अनवधानाने कंपनीचा साठा संपवते अशी कुप्रसिद्ध परिस्थिती). "मोठ्या निर्णयांसाठी ह्यूमन-इन-द-लूप" किंवा कमीत कमी डॅशबोर्ड्ससारखे सेफगार्ड्स २०३५ पर्यंत राहतील. कालांतराने, एआय निर्णय सिद्ध होत असताना, मानव मागे हटण्यास अधिक सोयीस्कर होतील.

मनोरंजक गोष्ट म्हणजे, कार्यक्षमतेसाठी ऑप्टिमायझेशन करून, एआय कधीकधी असे पर्याय निवडू शकते जे मानवी प्राधान्ये किंवा पारंपारिक पद्धतींशी विरोधाभासी असतात. उदाहरणार्थ, पूर्णपणे ऑप्टिमायझेशन केल्याने खूप कमी इन्व्हेंटरीज होऊ शकतात, जे कार्यक्षम आहे परंतु धोकादायक वाटू शकते. २०३० मध्ये पुरवठा साखळी व्यावसायिकांना त्यांचे अंतर्ज्ञान समायोजित करावे लागू शकते कारण एआय, प्रचंड डेटा क्रंच करून, हे दर्शवू शकते की त्याची असामान्य रणनीती प्रत्यक्षात चांगले कार्य करते.

शेवटी, आपण हे लक्षात घेतले पाहिजे की भौतिक मर्यादा (पायाभूत सुविधा, भौतिक प्रक्रियेचा वेग) लॉजिस्टिक्स किती वेगाने बदलू शकतात यावर मर्यादा घालतात, म्हणून येथे क्रांती पूर्णपणे नवीन भौतिक वास्तवापेक्षा हुशार नियोजन आणि मालमत्तेचा वापर करण्याबद्दल आहे. परंतु त्या मर्यादेतही, जनरेटिव्ह एआयचे सर्जनशील उपाय आणि अथक ऑप्टिमायझेशन कमीतकमी मॅन्युअल नियोजनासह जगभरात वस्तू कशा फिरतात हे नाटकीयरित्या सुधारू शकतात.

थोडक्यात, २०३५ पर्यंत लॉजिस्टिक्स चांगल्या तेलाने भरलेल्या स्वयंचलित यंत्रासारखे काम करू शकते: वस्तू कार्यक्षमतेने वाहतात, व्यत्ययांशी रिअल टाइममध्ये जुळवून घेणारे मार्ग, गोदामे रोबोट्ससह स्वतःचे व्यवस्थापन करत असतात आणि संपूर्ण प्रणाली डेटामधून सतत शिकत आणि सुधारत असते - हे सर्व ऑपरेशनचा मेंदू म्हणून काम करणाऱ्या जनरेटिव्ह एआय द्वारे आयोजित केले जाते.

वित्त आणि व्यवसायात जनरेटिव्ह एआय

वित्त उद्योग माहिती - अहवाल, विश्लेषण, ग्राहक संवाद - यामध्ये मोठ्या प्रमाणात व्यवहार करतो - ज्यामुळे ते जनरेटिव्ह एआयसाठी सुपीक जमीन बनते. बँकिंगपासून गुंतवणूक व्यवस्थापन आणि विमा पर्यंत, संस्था ऑटोमेशन आणि अंतर्दृष्टी निर्मितीसाठी एआयचा शोध घेत आहेत. प्रश्न असा आहे की, या क्षेत्रात अचूकता आणि विश्वासाचे महत्त्व लक्षात घेता, मानवी देखरेखीशिवाय एआय कोणती आर्थिक कामे विश्वसनीयरित्या हाताळू शकते?

सध्याच्या क्षमता (२०२५): स्वयंचलित अहवाल आणि निर्णय समर्थन

आजपर्यंत, जनरेटिव्ह एआय अनेक प्रकारे वित्तपुरवठ्यात योगदान देत आहे, बहुतेकदा मानवी देखरेखीखाली:

• अहवाल निर्मिती: बँका आणि वित्तीय कंपन्या असंख्य अहवाल तयार करतात - कमाई सारांश, बाजार भाष्य, पोर्टफोलिओ विश्लेषण, इ. हे मसुदा तयार करण्यासाठी एआय आधीच वापरला जातो. उदाहरणार्थ, ब्लूमबर्गने ब्लूमबर्गजीपीटी , जे त्यांच्या टर्मिनल वापरकर्त्यांसाठी बातम्या वर्गीकरण आणि प्रश्नोत्तरे यासारख्या कामांमध्ये मदत करण्यासाठी वित्तीय डेटावर प्रशिक्षित एक मोठे भाषा मॉडेल आहे ( जनरेटिव्ह एआय वित्तपुरवठा करण्यासाठी येत आहे ). त्याचा प्राथमिक वापर मानवांना माहिती शोधण्यात मदत करत असला तरी, ते एआयची वाढती भूमिका दर्शवते. ऑटोमेटेड इनसाइट्स (एपी कंपनीने काम केले) देखील वित्त लेख तयार केले. अनेक गुंतवणूक वृत्तपत्रे दैनंदिन बाजारातील हालचाली किंवा आर्थिक निर्देशकांची पुनरावृत्ती करण्यासाठी एआय वापरतात. सामान्यतः, क्लायंटना पाठवण्यापूर्वी मानवांनी याची पुनरावलोकने केली जातात, परंतु ते सुरवातीपासून लिहिण्याऐवजी एक जलद संपादन आहे.

• ग्राहकांशी संवाद: रिटेल बँकिंगमध्ये, एआय चॅटबॉट्स ग्राहकांच्या खात्यातील शिल्लक, व्यवहार किंवा उत्पादन माहिती (ग्राहक सेवा क्षेत्रात मिसळून) बद्दलच्या प्रश्नांची हाताळणी करतात. तसेच, एआय वैयक्तिकृत आर्थिक सल्ला पत्रे किंवा नज तयार करू शकते. उदाहरणार्थ, एआय ओळखू शकते की ग्राहक शुल्क वाचवू शकतो आणि स्वयंचलितपणे एक संदेश तयार करू शकतो जो त्यांना वेगळ्या खात्याच्या प्रकारात स्विच करण्यास सूचित करतो, जो नंतर कमीत कमी मानवी हस्तक्षेपासह बाहेर पडतो. या प्रकारच्या वैयक्तिकृत संप्रेषणाचा वापर सध्या वित्त क्षेत्रात एआयचा वापर आहे.

• फसवणूक शोधणे आणि सूचना: जनरेटिव्ह एआय फसवणूक प्रणालींद्वारे आढळलेल्या विसंगतींसाठी कथा किंवा स्पष्टीकरण तयार करण्यात मदत करू शकते. उदाहरणार्थ, जर संशयास्पद क्रियाकलाप ध्वजांकित केला गेला, तर एआय ग्राहकांसाठी स्पष्टीकरण संदेश ("आम्हाला नवीन डिव्हाइसवरून लॉगिन आढळले...") किंवा विश्लेषकांसाठी अहवाल तयार करू शकते. शोध स्वयंचलित आहे (एआय/एमएल विसंगती शोध वापरून), आणि संप्रेषण वाढत्या प्रमाणात स्वयंचलित आहे, जरी अंतिम कृती (खाते ब्लॉक करणे) मध्ये अनेकदा काही मानवी तपासणी असते.

• आर्थिक सल्ला (मर्यादित): काही रोबो-सल्लागार (स्वयंचलित गुंतवणूक प्लॅटफॉर्म) मानवी सल्लागारांशिवाय पोर्टफोलिओ व्यवस्थापित करण्यासाठी अल्गोरिदम (अपरिहार्यपणे जनरेटिव्ह एआय नाही) वापरतात. जनरेटिव्ह एआय काही विशिष्ट व्यवहार का केले गेले यावर भाष्य तयार करत आहे किंवा क्लायंटनुसार तयार केलेल्या पोर्टफोलिओ कामगिरीचा सारांश तयार करत आहे. तथापि, शुद्ध आर्थिक सल्ला (जसे की जटिल आर्थिक नियोजन) अजूनही बहुतेक मानवी किंवा नियम-आधारित अल्गोरिदमिक आहे; देखरेखीशिवाय मुक्त-स्वरूप जनरेटिव्ह सल्ला चुकीचा असल्यास जबाबदारीमुळे धोकादायक आहे.

• जोखीम मूल्यांकन आणि अंडररायटिंग: विमा कंपन्या जोखीम मूल्यांकन अहवाल स्वयंचलितपणे लिहिण्यासाठी किंवा पॉलिसी दस्तऐवजांचा मसुदा तयार करण्यासाठी एआयची चाचणी घेत आहेत. उदाहरणार्थ, मालमत्तेबद्दलचा डेटा दिल्यास, एआय एक मसुदा विमा पॉलिसी किंवा जोखीम घटकांचे वर्णन करणारा अंडररायटरचा अहवाल तयार करू शकते. सध्या लोक या आउटपुटची पुनरावलोकन करतात कारण करारातील कोणतीही चूक महाग असू शकते.

• डेटा विश्लेषण आणि अंतर्दृष्टी: एआय आर्थिक स्टेटमेन्ट किंवा बातम्यांमधून सारांश तयार करू शकते. विश्लेषक अशा साधनांचा वापर करतात जे १०० पानांच्या वार्षिक अहवालाचा तात्काळ मुख्य मुद्द्यांमध्ये सारांशित करू शकतात किंवा कमाई कॉल ट्रान्सक्रिप्टमधून मुख्य मुद्दे काढू शकतात. हे सारांश वेळ वाचवतात आणि थेट निर्णय घेण्यामध्ये वापरले जाऊ शकतात किंवा पुढे पाठवले जाऊ शकतात, परंतु विवेकी विश्लेषक महत्त्वपूर्ण तपशीलांची पुन्हा तपासणी करतात.

थोडक्यात, सध्याचे वित्त क्षेत्रातील एआय एक अथक विश्लेषक/लेखक म्हणून काम करते , जे मानवांना पॉलिश करण्यासाठी आवश्यक असलेली सामग्री तयार करते. पूर्णपणे स्वायत्त वापर बहुतेकदा डेटा-चालित बातम्या (व्यक्तिगत निर्णयाची आवश्यकता नाही) किंवा ग्राहक सेवा प्रतिसाद यासारख्या सुपरिभाषित क्षेत्रांमध्ये केला जातो. पैशांबद्दल निर्णय घेण्यासाठी (जसे की निधी हलवणे, पूर्व-निर्धारित अल्गोरिदमच्या पलीकडे व्यवहार करणे) थेट एआयवर विश्वास ठेवणे हे उच्च स्टेक आणि नियामक छाननीमुळे दुर्मिळ आहे.

२०३०-२०३५ साठीचे आउटलुक: एआय विश्लेषक आणि स्वायत्त वित्त ऑपरेशन्स

पुढे पाहता, २०३५ पर्यंत जनरेटिव्ह एआय आर्थिक कामकाजात खोलवर अंतर्भूत होऊ शकते, संभाव्यतः अनेक कामे स्वायत्तपणे हाताळू शकते:

• एआय फायनान्शियल अॅनालिस्ट: आपल्याला अशा एआय सिस्टीम दिसू शकतात ज्या कंपन्या आणि बाजारपेठांचे विश्लेषण करू शकतात आणि मानवी इक्विटी रिसर्च अॅनालिस्टच्या पातळीवर शिफारसी किंवा अहवाल तयार करू शकतात. २०३० पर्यंत, एआय कंपनीच्या सर्व आर्थिक फाइलिंग्ज वाचू शकते, उद्योग डेटाशी तुलना करू शकते आणि स्वतःहून गुंतवणूक शिफारस अहवाल ("खरेदी/विक्री" तर्कासह) तयार करू शकते. काही हेज फंड आधीच ट्रेडिंग सिग्नल जनरेट करण्यासाठी एआय वापरत आहेत; २०३० पर्यंत, एआय संशोधन अहवाल सामान्य असू शकतात. मानवी पोर्टफोलिओ व्यवस्थापक इतरांसह एक इनपुट म्हणून एआय-जनरेटेड विश्लेषणावर विश्वास ठेवू शकतात. एआयमध्ये स्वायत्तपणे पोर्टफोलिओ व्यवस्थापित करण्याची क्षमता देखील आहे: पूर्वनिर्धारित धोरणानुसार गुंतवणूकीचे सतत निरीक्षण आणि पुनर्संतुलन. खरं तर, अल्गोरिदमिक ट्रेडिंग आधीच मोठ्या प्रमाणात स्वयंचलित आहे - जनरेटिव्ह एआय नवीन ट्रेडिंग मॉडेल्स स्वतः तयार करून आणि चाचणी करून धोरणांना अधिक अनुकूल बनवू शकते.

• स्वयंचलित आर्थिक नियोजन: ग्राहकांसमोरील एआय सल्लागार व्यक्तींसाठी नियमित आर्थिक नियोजन हाताळू शकतात. २०३० पर्यंत, तुम्ही एआयला तुमची उद्दिष्टे (घर खरेदी करणे, महाविद्यालयासाठी बचत करणे) सांगू शकता आणि ते तुमच्यासाठी तयार केलेली संपूर्ण आर्थिक योजना (बजेट, गुंतवणूक वाटप, विमा सूचना) तयार करू शकते. सुरुवातीला एक मानवी आर्थिक नियोजक त्याचा आढावा घेऊ शकतो, परंतु आत्मविश्वास वाढत असताना, योग्य अस्वीकरणांसह असा सल्ला थेट ग्राहकांना दिला जाऊ शकतो. एआयचा सल्ला नियमांचे पालन करतो आणि क्लायंटच्या हितासाठी आहे याची खात्री करणे ही मुख्य गोष्ट असेल. जर हे सोडवले गेले तर एआय कमी खर्चात मूलभूत आर्थिक सल्ला अधिक सुलभ बनवू शकेल.

• बॅक-ऑफिस ऑटोमेशन: जनरेटिव्ह एआय अनेक बॅक-ऑफिस कागदपत्रे - कर्ज अर्ज, अनुपालन अहवाल, ऑडिट सारांश - स्वायत्तपणे हाताळू शकते. उदाहरणार्थ, एआय सर्व व्यवहार डेटा घेऊ शकते आणि ऑडिट अहवाल तयार करू शकते . २०३५ मध्ये ऑडिटर्स सर्वकाही स्वतः तपासण्याऐवजी एआय-ध्वजांकित अपवादांचे पुनरावलोकन करण्यात अधिक वेळ घालवू शकतात. त्याचप्रमाणे, अनुपालनासाठी, एआय नियामकांसाठी संशयास्पद क्रियाकलाप अहवाल (SAR) तयार करू शकते आणि विश्लेषक ते सुरवातीपासून लिहू शकत नाही. मानवी देखरेखीसह या नियमित दस्तऐवजांची स्वायत्त निर्मिती, अपवाद आधारावर जाणे, मानक बनू शकते.

• विमा दावे आणि अंडररायटिंग: एआय विमा दाव्यावर प्रक्रिया करू शकते (फोटो पुराव्यासह, इ.), कव्हर निश्चित करू शकते आणि पेआउट निर्णय पत्र स्वयंचलितपणे तयार करू शकते. आपण अशा टप्प्यावर पोहोचू शकतो जिथे सरळ दावे (जसे की स्पष्ट डेटासह ऑटो अपघात) सादर केल्यानंतर काही मिनिटांत एआयद्वारे पूर्णपणे निकाली काढले जातात. नवीन पॉलिसींचे अंडररायटिंग समान असू शकते: एआय जोखीम मूल्यांकन करते आणि पॉलिसीच्या अटी निर्माण करते. २०३५ पर्यंत, कदाचित फक्त जटिल किंवा सीमावर्ती प्रकरणे मानवी अंडररायटरकडे वाढतील.

• फसवणूक आणि सुरक्षा: वित्त क्षेत्रातील फसवणूक किंवा सायबर धोक्यांचा शोध घेण्यासाठी आणि त्यांना प्रतिसाद देण्यासाठी एआय अधिक महत्त्वपूर्ण ठरेल. स्वायत्त एआय एजंट रिअल-टाइममध्ये व्यवहारांचे निरीक्षण करू शकतात आणि काही निकषांवर आदळल्यावर त्वरित कारवाई करू शकतात (खाती ब्लॉक करा, व्यवहार गोठवा) आणि नंतर तर्क तयार करू शकतात. येथे गती महत्त्वाची आहे, म्हणून कमीत कमी मानवी सहभाग अपेक्षित आहे. या कृती ग्राहकांना किंवा नियामकांना स्पष्टपणे कळवण्यात जनरेटिव्ह भाग येऊ शकतो.

• कार्यकारी समर्थन: कल्पना करा की एक एआय "चीफ ऑफ स्टाफ" आहे जो थेट अधिकाऱ्यांसाठी व्यवसाय अहवाल तयार करू शकतो. विचारा, "या तिमाहीत आमच्या युरोपियन विभागाची कामगिरी कशी झाली आणि गेल्या वर्षीच्या तुलनेत मुख्य चालक काय होते?" आणि एआय डेटामधून काढलेल्या चार्टसह एक संक्षिप्त अहवाल तयार करेल. या प्रकारचे गतिमान, स्वायत्त अहवाल आणि विश्लेषण संभाषणासारखे सोपे होऊ शकते. २०३० पर्यंत, व्यवसाय बुद्धिमत्तेसाठी एआयला विचारणे आणि योग्य उत्तरे देण्यासाठी त्यावर विश्वास ठेवणे हे मोठ्या प्रमाणात स्थिर अहवाल आणि कदाचित काही विश्लेषक भूमिका देखील बदलू शकते.

एक मनोरंजक अंदाज: २०३० पर्यंत, बहुतेक आर्थिक सामग्री (बातम्या, अहवाल इ.) एआय-निर्मित असू शकते . आधीच, डाऊ जोन्स आणि रॉयटर्स सारख्या आउटलेट्स काही बातम्यांच्या भागांसाठी ऑटोमेशन वापरतात. जर हा ट्रेंड असाच चालू राहिला आणि आर्थिक डेटाचा स्फोट झाला, तर एआय त्यातील बहुतेक भाग फिल्टर करण्यासाठी आणि संप्रेषण करण्यासाठी जबाबदार असू शकते.

तथापि, विश्वास आणि पडताळणी केंद्रस्थानी असेल. वित्तीय उद्योगाचे कडक नियमन केले जाते आणि स्वायत्तपणे कार्यरत असलेल्या कोणत्याही एआयला कठोर मानके पूर्ण करावी लागतील:

• भ्रम निर्माण होऊ नये याची खात्री करणे (तुम्ही एआय विश्लेषकाला असे आर्थिक मेट्रिक शोधून काढायला लावू शकत नाही जे खरे नाही - जे बाजारपेठेची दिशाभूल करू शकते).

• पक्षपातीपणा किंवा बेकायदेशीर पद्धती टाळणे (जसे की पक्षपाती प्रशिक्षण डेटामुळे कर्ज निर्णयांमध्ये अनवधानाने बदल करणे).

• ऑडिटॅबिलिटी: नियामकांना कदाचित एआय निर्णय स्पष्टीकरणात्मक असण्याची आवश्यकता असेल. जर एआय कर्ज नाकारतो किंवा ट्रेडिंग निर्णय घेतो, तर त्यासाठी एक तर्क असणे आवश्यक आहे ज्याची तपासणी केली जाऊ शकते. जनरेटिव्ह मॉडेल्स हे थोडेसे ब्लॅक बॉक्स असू शकतात, म्हणून त्यांचे निर्णय पारदर्शक करण्यासाठी स्पष्टीकरणात्मक एआय

पुढील १० वर्षे एआय आणि वित्त व्यावसायिकांमध्ये जवळचे सहकार्य असेल, आत्मविश्वास वाढत असताना स्वायत्ततेची रेषा हळूहळू पुढे सरकेल. कमी जोखीम असलेल्या ऑटोमेशनमध्ये (जसे की अहवाल निर्मिती) लवकर विजय मिळतील. क्रेडिट निर्णय किंवा गुंतवणूक निवडीसारखे मुख्य निर्णय अधिक कठीण असतील, परंतु तरीही, एआयचा ट्रॅक रेकॉर्ड जसजसा वाढत जाईल तसतसे कंपन्या त्याला अधिक स्वायत्तता देऊ शकतात. उदाहरणार्थ, कदाचित एआय फंड एखाद्या मानवी पर्यवेक्षकासह चालवला जाईल जो कामगिरीत बदल झाल्यास किंवा एआय अनिश्चिततेला ध्वजांकित केल्यासच हस्तक्षेप करेल.

आर्थिकदृष्ट्या, मॅककिन्सेचा अंदाज आहे की एआय (विशेषतः जनरल एआय) दरवर्षी बँकिंगमध्ये २००-३४० अब्ज डॉलर्सची भर घालू शकते आणि विमा आणि भांडवली बाजारातही असेच मोठे परिणाम होऊ शकतात ( २०२३ मध्ये एआयची स्थिती: जनरेटिव्ह एआयचे ब्रेकआउट वर्ष | मॅककिन्से ) ( जनरेटिव्ह एआयचे भविष्य काय आहे? | मॅककिन्से ). हे कार्यक्षमता आणि चांगल्या निर्णय परिणामांद्वारे शक्य आहे. ते मूल्य मिळवण्यासाठी, बरेच नियमित आर्थिक विश्लेषण आणि संप्रेषण एआय सिस्टमकडे वळवले जाईल.

थोडक्यात, २०३५ पर्यंत जनरेटिव्ह एआय हे आर्थिक क्षेत्रात काम करणाऱ्या कनिष्ठ विश्लेषक, सल्लागार आणि क्लर्कच्या सैन्यासारखे असू शकते, जे बरेचसे कष्टाचे काम आणि काही अत्याधुनिक विश्लेषण स्वायत्तपणे करतील. मानव अजूनही ध्येये निश्चित करतील आणि उच्च-स्तरीय रणनीती, क्लायंट संबंध आणि देखरेख हाताळतील. आर्थिक जग, सावध राहून, हळूहळू स्वायत्तता वाढवेल - परंतु दिशा स्पष्ट आहे की अधिकाधिक माहिती प्रक्रिया आणि अगदी निर्णय शिफारसी एआयकडून येतील. आदर्शपणे, यामुळे जलद सेवा (त्वरित कर्जे, चोवीस तास सल्ला), कमी खर्च आणि संभाव्यतः अधिक वस्तुनिष्ठता (डेटा पॅटर्नवर आधारित निर्णय) मिळते. परंतु विश्वास राखणे महत्त्वाचे असेल; वित्त क्षेत्रातील एक हाय-प्रोफाइल एआय त्रुटीमुळे मोठे नुकसान होऊ शकते (कल्पना करा की एआय-ट्रिगर फ्लॅश क्रॅश किंवा हजारो लोकांना चुकीच्या पद्धतीने नाकारलेला फायदा). म्हणूनच, रेलिंग आणि मानवी तपासणी विशेषतः ग्राहक-मुखी कृतींसाठी कायम राहण्याची शक्यता आहे, जरी बॅक-ऑफिस प्रक्रिया अत्यंत स्वायत्त झाल्या तरीही.

आव्हाने आणि नैतिक विचार

या सर्व क्षेत्रात, जनरेटिव्ह एआय अधिक स्वायत्त जबाबदाऱ्या घेत असताना, सामान्य आव्हाने आणि नैतिक प्रश्नांचा एक संच उद्भवतो. एआय एक विश्वासार्ह आणि फायदेशीर स्वायत्त एजंट आहे याची खात्री करणे हे केवळ एक तांत्रिक कार्य नाही तर ते एक सामाजिक कार्य आहे. येथे आपण प्रमुख चिंता आणि त्या कशा सोडवल्या जात आहेत (किंवा त्या कशा सोडवल्या पाहिजेत) याचे वर्णन करतो:

विश्वसनीयता आणि अचूकता

भ्रम समस्या: जनरेटिव्ह एआय मॉडेल्स चुकीचे किंवा पूर्णपणे बनावट आउटपुट तयार करू शकतात जे आत्मविश्वासपूर्ण दिसतात. जेव्हा कोणताही माणूस चुका पकडण्यासाठी लूपमध्ये नसतो तेव्हा हे विशेषतः धोकादायक असते. चॅटबॉट ग्राहकांना चुकीच्या सूचना देऊ शकतो किंवा एआय-लिखित अहवालात बनावट आकडेवारी असू शकते. २०२५ पर्यंत, संघटनांनी जनरेटिव्ह एआयचा सर्वोच्च धोका म्हणून अयोग्यता ओळखली आहे ( २०२३ मध्ये एआयची स्थिती: जनरेटिव्ह एआयचे ब्रेकआउट वर्ष | मॅककिन्से ) ( एआयची स्थिती: जागतिक सर्वेक्षण | मॅककिन्से ). पुढे जाऊन, डेटाबेस विरुद्ध तथ्य-तपासणी, मॉडेल आर्किटेक्चर सुधारणा आणि अभिप्रायासह बळकटी शिकणे यासारख्या तंत्रांचा वापर भ्रम कमी करण्यासाठी केला जात आहे. स्वायत्त एआय सिस्टमला गंभीर कार्यांसाठी कठोर चाचणी आणि कदाचित औपचारिक पडताळणीची आवश्यकता असेल (जसे की कोड जनरेशन जे चुकीचे असल्यास बग/सुरक्षा त्रुटी ओळखू शकते).

सुसंगतता: एआय सिस्टीमना कालांतराने आणि परिस्थितीनुसार विश्वासार्ह कामगिरी करावी लागते. उदाहरणार्थ, एआय मानक प्रश्नांवर चांगले काम करू शकते परंतु धारदार प्रकरणांमध्ये अडखळते. सातत्यपूर्ण कामगिरी सुनिश्चित करण्यासाठी विविध परिस्थितींचा समावेश असलेला व्यापक प्रशिक्षण डेटा आणि सतत देखरेख आवश्यक असेल. अनेक संस्था हायब्रिड दृष्टिकोन ठेवण्याची योजना आखत आहेत - एआय काम करते, परंतु यादृच्छिक नमुन्यांचे मानवांकडून ऑडिट केले जाते - चालू अचूकता दर मोजण्यासाठी.

अपयश-सुरक्षितता: जेव्हा एआय स्वायत्त असते, तेव्हा त्याला स्वतःची अनिश्चितता ओळखणे अत्यंत महत्त्वाचे असते. सिस्टम "जेव्हा माहित नसते तेव्हा जाणून घेण्यासाठी" डिझाइन केली पाहिजे. उदाहरणार्थ, जर एआय डॉक्टरला निदानाची खात्री नसेल, तर त्याने यादृच्छिक अंदाज देण्याऐवजी मानवी पुनरावलोकनासाठी ध्वजांकित केले पाहिजे. एआय आउटपुटमध्ये अनिश्चिततेचा अंदाज बांधणे (आणि स्वयंचलित मानवी हँडऑफसाठी थ्रेशोल्ड असणे) हे विकासाचे एक सक्रिय क्षेत्र आहे.

पक्षपात आणि निष्पक्षता

जनरेटिव्ह एआय ऐतिहासिक डेटामधून शिकते ज्यामध्ये पूर्वाग्रह (वांशिक, लिंग, इ.) असू शकतात. एक स्वायत्त एआय त्या पूर्वाग्रहांना कायम ठेवू शकते किंवा वाढवू शकते:

• भरती किंवा प्रवेशात, जर एआय निर्णय घेणारा त्याच्या प्रशिक्षण डेटामध्ये पक्षपात असेल तर तो अन्याय्यपणे भेदभाव करू शकतो.

• ग्राहक सेवेमध्ये, काळजीपूर्वक तपासल्याशिवाय एआय बोलीभाषा किंवा इतर घटकांवर आधारित वापरकर्त्यांना वेगळ्या पद्धतीने प्रतिसाद देऊ शकते.

• सर्जनशील क्षेत्रात, प्रशिक्षण संच असंतुलित असल्यास एआय काही संस्कृती किंवा शैलींना कमी लेखू शकते.

यावर उपाय म्हणून काळजीपूर्वक डेटासेट क्युरेशन, बायस टेस्टिंग आणि कदाचित निष्पक्षता सुनिश्चित करण्यासाठी अल्गोरिथमिक समायोजन आवश्यक आहेत. पारदर्शकता महत्त्वाची आहे: कंपन्यांना एआय निर्णय निकष उघड करावे लागतील, विशेषतः जर स्वायत्त एआय एखाद्याच्या संधी किंवा अधिकारांवर परिणाम करत असेल (जसे की कर्ज किंवा नोकरी मिळवणे). नियामक आधीच लक्ष देत आहेत; उदा., ईयूचा एआय कायदा (२०२० च्या मध्यापासून काम सुरू आहे) उच्च-जोखीम असलेल्या एआय सिस्टमसाठी बायस मूल्यांकन आवश्यक असण्याची शक्यता आहे.

जबाबदारी आणि कायदेशीर जबाबदारी

जेव्हा स्वायत्तपणे कार्यरत असलेली एआय प्रणाली नुकसान करते किंवा चूक करते, तेव्हा कोण जबाबदार असते? कायदेशीर चौकटी आता पुढे येत आहेत:

• एआय तैनात करणाऱ्या कंपन्या कर्मचाऱ्याच्या कृतींसाठी जबाबदार असल्याप्रमाणेच जबाबदारी स्वीकारतील. उदाहरणार्थ, जर एआयने चुकीचा आर्थिक सल्ला दिला ज्यामुळे नुकसान झाले, तर फर्मला क्लायंटला भरपाई द्यावी लागू शकते.

• एआय "व्यक्तित्व" किंवा प्रगत एआय अंशतः जबाबदार असू शकते का याबद्दल वादविवाद आहेत, परंतु आता ते अधिक सैद्धांतिक आहे. व्यावहारिकदृष्ट्या, दोष विकासक किंवा ऑपरेटरवरच राहील.

• एआय बिघाडांसाठी नवीन विमा उत्पादने उदयास येऊ शकतात. जर एखाद्या स्वयं-चालित ट्रकमुळे अपघात झाला, तर उत्पादकाचा विमा उत्पादन दायित्वाप्रमाणेच ते कव्हर करू शकतो.

• पोस्टमॉर्टेमसाठी एआय निर्णयांचे दस्तऐवजीकरण आणि लॉगिंग महत्वाचे असेल. जर काही चूक झाली, तर त्यातून शिकण्यासाठी आणि जबाबदारी सोपविण्यासाठी आपल्याला एआयच्या निर्णय प्रक्रियेचे ऑडिट करावे लागेल. नियामकांना स्वायत्त एआय कृतींसाठी लॉगिंग करणे अनिवार्य केले जाऊ शकते.

पारदर्शकता आणि स्पष्टीकरणक्षमता

स्वायत्त एआय आदर्शपणे मानवी समजण्यायोग्य शब्दांमध्ये, विशेषतः परिणामी क्षेत्रांमध्ये (वित्त, आरोग्यसेवा, न्याय व्यवस्था) त्याचे तर्क स्पष्ट करण्यास सक्षम असले पाहिजे. स्पष्टीकरणीय एआय हे ब्लॅक बॉक्स उघडण्यासाठी प्रयत्नशील क्षेत्र आहे:

• एआयने कर्ज नाकारल्यास, नियमांनुसार (जसे की यूएसमध्ये, ईसीओए) अर्जदाराला कारण देणे आवश्यक असू शकते. म्हणून एआयने स्पष्टीकरण म्हणून घटक (उदा., "उच्च कर्ज-ते-उत्पन्न गुणोत्तर") आउटपुट केले पाहिजेत.

• एआयशी संवाद साधणारे वापरकर्ते (जसे की एआय ट्यूटर असलेले विद्यार्थी किंवा एआय हेल्थ अॅप असलेले रुग्ण) यांना ते कसे सल्ला देतात हे जाणून घेण्यास पात्र आहे. मॉडेल्स सोपे करून किंवा समांतर स्पष्टीकरणात्मक मॉडेल्स वापरून एआय तर्क अधिक शोधण्यायोग्य बनवण्याचे प्रयत्न सुरू आहेत.

• पारदर्शकतेचा अर्थ असा आहे की वापरकर्त्यांना कधी व्यवहार करत आहेत हे माहित असले पाहिजे. नैतिक मार्गदर्शक तत्त्वे (आणि कदाचित काही कायदे) ग्राहक बॉटशी बोलत असल्यास खुलासा करणे आवश्यक आहे. हे फसवणूक रोखते आणि वापरकर्त्याची संमती देते. काही कंपन्या आता विश्वास राखण्यासाठी एआय-लिखित सामग्री (जसे की "हा लेख एआयने तयार केला होता") स्पष्टपणे टॅग करतात.

गोपनीयता आणि डेटा संरक्षण

जनरेटिव्ह एआयला कार्य करण्यासाठी किंवा शिकण्यासाठी अनेकदा डेटाची आवश्यकता असते - ज्यामध्ये संभाव्यतः संवेदनशील वैयक्तिक डेटाचा समावेश असतो. स्वायत्त ऑपरेशन्समध्ये गोपनीयतेचा आदर केला पाहिजे:

• एआय ग्राहक सेवा एजंट ग्राहकांना मदत करण्यासाठी खात्याची माहिती ऍक्सेस करेल; तो डेटा संरक्षित केला पाहिजे आणि फक्त कामासाठी वापरला पाहिजे.

• जर एआय ट्यूटर्सना विद्यार्थ्यांच्या प्रोफाइलमध्ये प्रवेश असेल, तर शैक्षणिक डेटा गोपनीयता सुनिश्चित करण्यासाठी FERPA (अमेरिकेत) सारख्या कायद्यांतर्गत विचार केला जातो.

• मोठे मॉडेल्स त्यांच्या प्रशिक्षण डेटामधील विशिष्ट गोष्टी अनवधानाने लक्षात ठेवू शकतात (उदा. प्रशिक्षणादरम्यान दिसलेल्या व्यक्तीच्या पत्त्याचे पुनरुज्जीवन करणे). जनरेट केलेल्या आउटपुटमध्ये वैयक्तिक माहितीची गळती रोखण्यासाठी प्रशिक्षणात भिन्न गोपनीयता आणि डेटा अनामित करणे यासारख्या तंत्रे महत्वाची आहेत.

• GDPR सारखे नियम व्यक्तींना त्यांच्यावर परिणाम करणारे स्वयंचलित निर्णय घेण्याचे अधिकार देतात. लोक मानवी पुनरावलोकनाची विनंती करू शकतात किंवा निर्णय केवळ स्वयंचलित नसावेत जर त्यांचा त्यांच्यावर लक्षणीय परिणाम झाला तर ते केवळ स्वयंचलित नसावेत. २०३० पर्यंत, हे नियम AI अधिक प्रचलित होत असताना विकसित होऊ शकतात, कदाचित स्पष्टीकरणाचे अधिकार आणतील किंवा AI प्रक्रियेतून बाहेर पडतील.

सुरक्षा आणि गैरवापर

स्वायत्त एआय सिस्टीम हॅकिंगचे लक्ष्य असू शकतात किंवा दुर्भावनापूर्ण गोष्टी करण्यासाठी त्यांचा वापर केला जाऊ शकतो:

• एआय कंटेंट जनरेटरचा गैरवापर मोठ्या प्रमाणात चुकीची माहिती निर्माण करण्यासाठी केला जाऊ शकतो (डीपफेक व्हिडिओ, बनावट बातम्यांचे लेख), जो एक सामाजिक धोका आहे. खूप शक्तिशाली जनरेटिव्ह मॉडेल्स रिलीज करण्याच्या नैतिकतेवर जोरदार चर्चा आहे (उदाहरणार्थ, ओपनएआय सुरुवातीला जीपीटी-४ च्या प्रतिमा क्षमतांबद्दल सावध होते). उपायांमध्ये बनावट शोधण्यात मदत करण्यासाठी एआय-जनरेटेड कंटेंटला वॉटरमार्क करणे आणि एआयशी लढण्यासाठी एआय वापरणे (जसे की डीपफेकसाठी डिटेक्शन अल्गोरिदम) यांचा समावेश आहे.

• जर एआय भौतिक प्रक्रिया (ड्रोन, कार, औद्योगिक नियंत्रण) नियंत्रित करत असेल, तर सायबर हल्ल्यांपासून त्याचे संरक्षण करणे अत्यंत महत्त्वाचे आहे. हॅक केलेली स्वायत्त प्रणाली वास्तविक जगात हानी पोहोचवू शकते. याचा अर्थ मजबूत एन्क्रिप्शन, फेल-सेफ आणि काहीतरी धोक्यात आल्यास मानवी ओव्हरराइड किंवा शटडाउन करण्याची क्षमता.

• एआय अपेक्षित मर्यादेपलीकडे जाण्याची चिंता देखील आहे ("दुष्ट एआय" परिस्थिती). सध्याच्या एआयकडे एजन्सी किंवा हेतू नसला तरी, जर भविष्यातील स्वायत्त प्रणाली अधिक एजंटिव्ह असतील, तर चुकीच्या-निर्दिष्ट उद्दिष्टामुळे ते अनधिकृत व्यवहार करत नाहीत किंवा कायद्यांचे उल्लंघन करत नाहीत याची खात्री करण्यासाठी कठोर निर्बंध आणि देखरेख आवश्यक आहे.

नैतिक वापर आणि मानवी प्रभाव

शेवटी, व्यापक नैतिक विचार:

• नोकरीतील विस्थापन: जर एआय मानवी हस्तक्षेपाशिवाय कामे करू शकत असेल, तर त्या नोकऱ्यांचे काय होईल? ऐतिहासिकदृष्ट्या, तंत्रज्ञान काही नोकऱ्या स्वयंचलित करते परंतु इतरांना निर्माण करते. ज्या कामगारांची कौशल्ये स्वयंचलित होणाऱ्या कामांमध्ये आहेत त्यांच्यासाठी हे संक्रमण वेदनादायक असू शकते. समाजाला पुन्हा कौशल्य, शिक्षण आणि आर्थिक पाठिंब्यावर पुनर्विचार करून हे व्यवस्थापित करावे लागेल (काही जण असे म्हणतात की जर बरेच काम स्वयंचलित असेल तर एआयला सार्वत्रिक मूलभूत उत्पन्नासारख्या कल्पनांची आवश्यकता असू शकते). आधीच, सर्वेक्षणे मिश्र भावना दर्शवितात - एका अभ्यासात असे आढळून आले आहे की एक तृतीयांश कामगार नोकऱ्या बदलण्याबद्दल एआयबद्दल चिंतित आहेत, तर काहींना ते कष्टाचे काम म्हणून दिसते.

• मानवी कौशल्यांचा ऱ्हास: जर एआय ट्यूटर शिकवत असतील आणि एआय ऑटोपायलट गाडी चालवत असतील आणि एआय कोड लिहित असतील, तर लोक ही कौशल्ये गमावतील का? एआयवर जास्त अवलंबून राहिल्याने सर्वात वाईट परिस्थितीत कौशल्य कमी होऊ शकते; शिक्षण आणि प्रशिक्षण कार्यक्रमांना यासाठी समायोजित करावे लागेल, जेणेकरून एआय मदत करत असले तरीही लोक मूलभूत गोष्टी शिकत राहतील.

• नैतिक निर्णय घेणे: एआयमध्ये मानवी नैतिक निर्णयक्षमतेचा अभाव आहे. आरोग्यसेवा किंवा कायद्यामध्ये, वैयक्तिक प्रकरणांमध्ये केवळ डेटा-चालित निर्णय करुणा किंवा न्यायाशी संघर्ष करू शकतात. आपल्याला एआयमध्ये नैतिक चौकटी एन्कोड करण्याची आवश्यकता असू शकते (एआय नैतिकता संशोधनाचे क्षेत्र, उदा., एआय निर्णयांना मानवी मूल्यांशी संरेखित करणे). किमान, नैतिकदृष्ट्या चार्ज केलेल्या निर्णयांसाठी मानवांना लूपमध्ये ठेवणे उचित आहे.

• समावेशकता: एआयचे फायदे व्यापक प्रमाणात वितरित करणे हे एक नैतिक ध्येय आहे. जर मोठ्या कंपन्या प्रगत एआय परवडत असतील तर लहान व्यवसाय किंवा गरीब प्रदेश मागे राहू शकतात. मुक्त-स्रोत प्रयत्न आणि परवडणारे एआय उपाय प्रवेशाचे लोकशाहीकरण करण्यास मदत करू शकतात. तसेच, इंटरफेस अशा प्रकारे डिझाइन केले पाहिजेत की कोणीही एआय टूल्स वापरू शकेल (वेगवेगळ्या भाषा, अपंगांसाठी प्रवेशयोग्यता इ.), अन्यथा आपण "कोणाकडे एआय सहाय्यक आहे आणि कोणाकडे नाही" अशी एक नवीन डिजिटल विभागणी निर्माण करू.

सध्याचा धोका कमी करणे: सकारात्मक बाजूने, कंपन्या जनरल एआय लाँच करत असताना, या मुद्द्यांवर जागरूकता आणि कृती वाढत आहे. २०२३ च्या अखेरीस, एआय वापरणाऱ्या जवळजवळ अर्ध्या कंपन्या अयोग्यतेसारखे धोके कमी करण्यासाठी सक्रियपणे काम करत होत्या ( २०२३ मध्ये एआयची स्थिती: जनरेटिव्ह एआयचे ब्रेकआउट वर्ष | मॅककिन्से ) ( एआयची स्थिती: जागतिक सर्वेक्षण | मॅककिन्से ), आणि ही संख्या वाढत आहे. टेक कंपन्यांनी एआय नीतिमत्ता मंडळे स्थापन केली आहेत; सरकारे नियमांचे मसुदा तयार करत आहेत. नंतर प्रतिक्रिया देण्याऐवजी सुरुवातीपासूनच एआय विकासात नीतिमत्ता ("डिझाइननुसार नीतिमत्ता") समाविष्ट करणे ही गुरुकिल्ली आहे.

आव्हानांवर निष्कर्ष काढताना: एआयला अधिक स्वायत्तता देणे ही दुधारी तलवार आहे. यामुळे कार्यक्षमता आणि नावीन्य मिळू शकते, परंतु त्यासाठी जबाबदारीची उच्च पातळी आवश्यक आहे. येत्या काळात तांत्रिक उपाय (एआय वर्तन सुधारण्यासाठी), प्रक्रिया उपाय (धोरण आणि देखरेख फ्रेमवर्क) आणि कदाचित नवीन मानके किंवा प्रमाणपत्रे (एआय सिस्टमचे ऑडिट आणि प्रमाणन केले जाऊ शकते जसे आज इंजिन किंवा इलेक्ट्रॉनिक्स आहेत) यांचे मिश्रण दिसून येईल. या आव्हानांना यशस्वीरित्या तोंड देण्यावरून आपण स्वायत्त एआयला समाजात किती सहजतेने समाकलित करू शकतो हे ठरवेल ज्यामुळे मानवी कल्याण आणि विश्वास वाढेल.

निष्कर्ष

जनरेटिव्ह एआय एका नवीन प्रयोगापासून ते आपल्या जीवनाच्या प्रत्येक कोपऱ्याला स्पर्श करणाऱ्या परिवर्तनकारी सामान्य-उद्देशीय तंत्रज्ञानात वेगाने विकसित झाले आहे. या श्वेतपत्रिकेत २०२५ पर्यंत एआय सिस्टम आधीच लेख लिहित आहेत, ग्राफिक्स डिझाइन करत आहेत, सॉफ्टवेअर कोडिंग करत आहेत, ग्राहकांशी गप्पा मारत आहेत, वैद्यकीय नोट्सचा सारांश देत आहेत, विद्यार्थ्यांना शिकवत आहेत, पुरवठा साखळ्यांना अनुकूलित करत आहेत आणि आर्थिक अहवाल तयार करत आहेत याचा शोध घेण्यात आला आहे. महत्त्वाचे म्हणजे, यापैकी अनेक कामांमध्ये एआय मानवी हस्तक्षेपाशिवाय कमी किंवा कोणत्याही मानवी हस्तक्षेपाशिवाय , विशेषतः चांगल्या प्रकारे परिभाषित, पुनरावृत्ती करता येणाऱ्या कामांसाठी. कंपन्या आणि व्यक्ती ही कर्तव्ये स्वायत्तपणे पार पाडण्यासाठी एआयवर विश्वास ठेवू लागल्या आहेत, ज्यामुळे त्यांना वेग आणि प्रमाणात फायदा होत आहे.

२०३५ कडे पाहताना, आपण अशा युगाच्या उंबरठ्यावर उभे आहोत जिथे एआय एक अधिक सर्वव्यापी सहयोगी असेल - बहुतेकदा एक अदृश्य डिजिटल कार्यबल जे दिनचर्या हाताळते जेणेकरून मानव अपवादात्मक गोष्टींवर लक्ष केंद्रित करू शकतील. आम्हाला अपेक्षा आहे की जनरेटिव्ह एआय आमच्या रस्त्यावर कार आणि ट्रक विश्वसनीयरित्या चालवेल, रात्रभर गोदामांमध्ये इन्व्हेंटरी व्यवस्थापित करेल, ज्ञानी वैयक्तिक सहाय्यक म्हणून आमच्या प्रश्नांची उत्तरे देईल, जगभरातील विद्यार्थ्यांना वैयक्तिक सूचना देईल आणि औषधांमध्ये नवीन उपचार शोधण्यास मदत करेल - हे सर्व वाढत्या प्रमाणात कमीत कमी थेट देखरेखीसह. एआय सूचनांचे निष्क्रियपणे पालन करण्यापासून सक्रियपणे उपाय तयार करण्याकडे जात असताना साधन आणि एजंटमधील रेषा अस्पष्ट होईल.

तथापि, या स्वायत्त एआय भविष्याकडे जाण्याचा प्रवास काळजीपूर्वक केला पाहिजे. जसे आपण सांगितले आहे, प्रत्येक डोमेनच्या स्वतःच्या मर्यादा आणि जबाबदाऱ्या असतात:

• आजचा रिअ‍ॅलिटी चेक: एआय अचूक नाही. ते पॅटर्न ओळखण्यात आणि कंटेंट जनरेशनमध्ये उत्कृष्ट आहे परंतु मानवी अर्थाने खरी समज आणि सामान्य ज्ञानाचा अभाव आहे. म्हणूनच, सध्या तरी, मानवी देखरेख ही सुरक्षिततेची जाळी आहे. एआय कुठे एकट्याने उड्डाण करण्यास तयार आहे (आणि कुठे नाही) हे ओळखणे अत्यंत महत्त्वाचे आहे. आज अनेक यश मानव-एआय टीम मॉडेलमधून मिळतात आणि जिथे पूर्ण स्वायत्तता अद्याप विवेकपूर्ण नाही तिथे हा संकरित दृष्टिकोन मौल्यवान राहील.

• उद्याचे आश्वासन: मॉडेल आर्किटेक्चर, प्रशिक्षण तंत्रे आणि देखरेख यंत्रणेतील प्रगतीसह, एआयच्या क्षमतांचा विस्तार होत राहील. पुढील दशकातील संशोधन आणि विकास अनेक सध्याच्या समस्या सोडवू शकतो (भ्रम कमी करणे, अर्थ लावणे सुधारणे, एआयला मानवी मूल्यांशी संरेखित करणे). जर तसे असेल तर, २०३५ पर्यंत एआय प्रणाली इतकी मजबूत असू शकतात की त्यांना अधिक स्वायत्तता दिली जाऊ शकते. या पेपरमधील अंदाज - एआय शिक्षकांपासून ते मोठ्या प्रमाणात स्वयं-चालित व्यवसायांपर्यंत - कदाचित आपले वास्तव असेल किंवा आज कल्पना करणे कठीण असलेल्या नवकल्पनांनी त्यांना मागे टाकले असेल.

• मानवी भूमिका आणि अनुकूलन: एआय मानवांची जागा घेईल असे नाही तर, आपल्याला भूमिका विकसित होण्याची अपेक्षा आहे. प्रत्येक क्षेत्रातील व्यावसायिकांना एआयसोबत काम करण्यात पारंगत व्हावे लागेल - त्याचे मार्गदर्शन करावे लागेल, त्याची पडताळणी करावी लागेल आणि सहानुभूती, धोरणात्मक विचारसरणी आणि जटिल समस्या सोडवणे यासारख्या विशिष्ट मानवी शक्तींची आवश्यकता असलेल्या कामाच्या पैलूंवर लक्ष केंद्रित करावे लागेल. शिक्षण आणि कार्यबल प्रशिक्षणाने या अद्वितीय मानवी कौशल्यांवर तसेच प्रत्येकासाठी एआय साक्षरतेवर भर दिला पाहिजे. धोरणकर्ते आणि व्यावसायिक नेत्यांनी कामगार बाजारपेठेतील संक्रमणांसाठी नियोजन करावे आणि ऑटोमेशनमुळे प्रभावित झालेल्यांसाठी समर्थन प्रणाली सुनिश्चित करावी.

• नीतिमत्ता आणि प्रशासन: कदाचित सर्वात महत्त्वाचे म्हणजे, या तांत्रिक वाढीला नैतिक एआय वापर आणि प्रशासनाची चौकट आधारली पाहिजे. विश्वास हा स्वीकारण्याचा मार्ग आहे - लोक एआयला कार चालवू देतील किंवा शस्त्रक्रियेत मदत करतील जर त्यांना विश्वास असेल की ते सुरक्षित आहे. तो विश्वास निर्माण करण्यासाठी कठोर चाचणी, पारदर्शकता, भागधारकांचा सहभाग (उदा. वैद्यकीय एआय डिझाइन करण्यात डॉक्टरांचा समावेश, एआय शिक्षण साधनांमध्ये शिक्षकांचा समावेश) आणि योग्य नियमन यांचा समावेश आहे. डीपफेक किंवा युद्धात एआय सारख्या आव्हानांना तोंड देण्यासाठी, जबाबदार वापरासाठी जागतिक नियम सुनिश्चित करण्यासाठी आंतरराष्ट्रीय सहकार्य आवश्यक असू शकते.

शेवटी, जनरेटिव्ह एआय प्रगतीचे एक शक्तिशाली इंजिन आहे. सुज्ञपणे वापरल्यास, ते मानवांना कष्टापासून मुक्त करू शकते, सर्जनशीलता उघडू शकते, सेवा वैयक्तिकृत करू शकते आणि अंतर भरून काढू शकते (ज्या ठिकाणी तज्ञांची कमतरता आहे तिथे कौशल्य आणणे). मुख्य म्हणजे ते अशा प्रकारे तैनात करणे जे मानवी क्षमतांना दुर्लक्षित करण्याऐवजी वाढवते . तात्काळ, याचा अर्थ मानवांना एआय मार्गदर्शन करण्यासाठी लूपमध्ये ठेवणे. दीर्घकाळात, याचा अर्थ एआय सिस्टमच्या गाभ्यामध्ये मानवतावादी मूल्ये एन्कोड करणे आहे जेणेकरून ते स्वतंत्रपणे कार्य करत असतानाही ते आपल्या सामूहिक हितासाठी कार्य करतील.

डोमेन	आजची विश्वसनीय स्वायत्तता (२०२५)	२०३५ पर्यंत विश्वसनीय स्वायत्तता अपेक्षित
लेखन आणि आशय	- नियमित बातम्या (क्रीडा, कमाई) स्वयंचलितपणे तयार केल्या जातात.- एआय द्वारे सारांशित उत्पादन पुनरावलोकने.- मानवी संपादनासाठी लेखांचे मसुदे किंवा ईमेल. ( फिलाना पॅटरसन - ओएनए कम्युनिटी प्रोफाइल ) ( अमेझॉन एआय सह ग्राहकांच्या पुनरावलोकनांचा अनुभव सुधारतो )	- बहुतेक बातम्या आणि मार्केटिंग सामग्री तथ्यात्मक अचूकतेसह स्वयंचलितपणे लिहिली जाते.- एआय कमीत कमी देखरेखीसह संपूर्ण लेख आणि प्रेस रिलीझ तयार करते.- मागणीनुसार तयार केलेली अत्यंत वैयक्तिकृत सामग्री.
व्हिज्युअल आर्ट्स आणि डिझाइन	- एआय प्रॉम्प्टवरून प्रतिमा तयार करते (मानवी सर्वोत्तम निवडतो). - संकल्पना कला आणि डिझाइनमधील भिन्नता स्वायत्तपणे तयार केल्या जातात.	- एआय संपूर्ण व्हिडिओ/चित्रपट दृश्ये आणि जटिल ग्राफिक्स तयार करते.- उत्पादनांचे/आर्किटेक्चरचे जनरेटिव्ह डिझाइन जे विशिष्टतेनुसार पूर्ण करते.- मागणीनुसार तयार केलेले वैयक्तिकृत माध्यम (प्रतिमा, व्हिडिओ).
सॉफ्टवेअर कोडिंग	- एआय कोड ऑटोकंप्लीट करते आणि साधे फंक्शन्स लिहिते (डेव्हलपरने पुनरावलोकन केले आहे). - ऑटोमेटेड टेस्ट जनरेशन आणि बग सूचना. ( कोपायलटवर कोडिंग: २०२३ डेटा कोड गुणवत्तेवर कमी दाब सुचवतो (२०२४ प्रोजेक्शनसह) - गिटक्लियर ) ( एआय कोड असिस्टंट्सवरील संशोधन अहवालात गिटहब कोपायलट अव्वल स्थानावर आहे -- व्हिज्युअल स्टुडिओ मॅगझिन )	- एआय स्पेक्समधील संपूर्ण वैशिष्ट्ये विश्वसनीयरित्या अंमलात आणते.- ज्ञात नमुन्यांसाठी स्वायत्त डीबगिंग आणि कोड देखभाल.- कमी मानवी इनपुटसह कमी-कोड अॅप निर्मिती.
ग्राहक सेवा	- चॅटबॉट्स वारंवार विचारले जाणारे प्रश्न सोडवतात, सोप्या समस्या सोडवतात (जटिल प्रकरणे हाताळतात). - काही चॅनेलवरील नियमित चौकशींपैकी ~७०% एआय हाताळते. ( २०२५ साठी ५९ एआय ग्राहक सेवा आकडेवारी ) ( २०३० पर्यंत, ग्राहकांच्या संवादादरम्यान ६९% निर्णय घेतले जातील ... )	- एआय बहुतेक ग्राहकांशी संवाद साधते, ज्यामध्ये गुंतागुंतीच्या प्रश्नांचा समावेश आहे. - सेवा सवलतींसाठी रिअल-टाइम एआय निर्णय घेणे (परतावा, अपग्रेड). - केवळ वाढ किंवा विशेष प्रकरणांसाठी मानवी एजंट.
आरोग्यसेवा	- एआय वैद्यकीय नोंदी तयार करते; डॉक्टरांनी पडताळलेले निदान सुचवते. - एआय काही स्कॅन (रेडिओलॉजी) निरीक्षणाने वाचते; साध्या केसेसचे विश्लेषण करते. ( एआय मेडिकल इमेजिंग उत्पादने २०३५ पर्यंत पाच पट वाढवू शकतात )	- एआय सामान्य आजारांचे विश्वसनीयरित्या निदान करते आणि बहुतेक वैद्यकीय प्रतिमांचे अर्थ लावते. - एआय रुग्णांवर लक्ष ठेवते आणि काळजी सुरू करते (उदा., औषधोपचार स्मरणपत्रे, आपत्कालीन सूचना). - व्हर्च्युअल एआय "परिचारिका" नियमित फॉलो-अप हाताळतात; डॉक्टर जटिल काळजीवर लक्ष केंद्रित करतात.
शिक्षण	- एआय ट्यूटर विद्यार्थ्यांच्या प्रश्नांची उत्तरे देतात, सराव समस्या निर्माण करतात (शिक्षक देखरेख करतात). - एआय ग्रेडिंगला मदत करते (शिक्षकांच्या पुनरावलोकनासह). ([के-१२ शिक्षणासाठी जनरेटिव्ह एआय	अ‍ॅप्लिफायचा संशोधन अहवाल]( https://www.applify.co/research-report/gen-ai-for-k12#:~:text=AI%20tutors%3A%20Virtual%20AI,individual%20learning%20styles%20and%20paces ))
रसद	- एआय डिलिव्हरी मार्ग आणि पॅकिंगला अनुकूल करते (मानव ध्येये ठरवतात). - एआय पुरवठा साखळीतील जोखीम ओळखते आणि कमी करण्याचे उपाय सुचवते. ( लॉजिस्टिक्समधील टॉप जनरेटिव्ह एआय वापर प्रकरणे )	- मोठ्या प्रमाणात स्वयं-चालित वितरण (ट्रक, ड्रोन) AI नियंत्रकांच्या देखरेखीखाली.- AI स्वायत्तपणे व्यत्ययांच्या आसपास शिपमेंट्सचे मार्ग बदलते आणि इन्व्हेंटरी समायोजित करते.- AI द्वारे व्यवस्थापित एंड-टू-एंड पुरवठा साखळी समन्वय (ऑर्डरिंग, वितरण).
अर्थव्यवस्था	- एआय आर्थिक अहवाल/बातम्यांचे सारांश तयार करते (मानवी-पुनरावलोकन). - रोबो-सल्लागार साधे पोर्टफोलिओ व्यवस्थापित करतात; एआय चॅट ग्राहकांच्या प्रश्नांची हाताळणी करते. ( जनरेटिव्ह एआय वित्तपुरवठा करण्यासाठी येत आहे )	- एआय विश्लेषक उच्च अचूकतेसह गुंतवणूक शिफारसी आणि जोखीम अहवाल तयार करतात.- निश्चित मर्यादेत स्वायत्त व्यापार आणि पोर्टफोलिओ पुनर्संतुलन.- एआय मानक कर्जे/दावे स्वयंचलितपणे मंजूर करते; मानव अपवाद हाताळतात.

संदर्भ:

1. पॅटरसन, फिलाना. स्वयंचलित कमाईच्या कथा गुणाकार . द असोसिएटेड प्रेस (२०१५) – मानवी लेखक नसतानाही एपीच्या हजारो कमाईच्या अहवालांच्या स्वयंचलित निर्मितीचे वर्णन करते ( ऑटोमेटेड कमाईच्या कथा गुणाकार | द असोसिएटेड प्रेस ).

2. मॅककिन्से अँड कंपनी. २०२४ च्या सुरुवातीला एआयची स्थिती: जनरल एआयचा अवलंब वाढतो आणि मूल्य निर्माण करण्यास सुरुवात करतो . (२०२४) - जनरेटिव्ह एआय वापरणाऱ्या ६५% संस्था नियमितपणे वापरत असल्याचा अहवाल देतो, जो २०२३ च्या तुलनेत जवळजवळ दुप्पट आहे ( २०२४ च्या सुरुवातीला एआयची स्थिती | मॅककिन्से ), आणि जोखीम कमी करण्याच्या प्रयत्नांवर चर्चा करतो ( द स्टेट ऑफ एआय: ग्लोबल सर्व्हे | मॅककिन्से ).

3. गार्टनर. चॅटजीपीटीच्या पलीकडे: एंटरप्रायझेससाठी जनरेटिव्ह एआयचे भविष्य . (२०२३) - २०३० पर्यंत, ब्लॉकबस्टर चित्रपटाचा ९०% भाग एआय-जनरेटेड ( उद्योग आणि उपक्रमांसाठी जनरेटिव्ह एआय वापर प्रकरणे उद्योग आणि उपक्रमांसाठी जनरेटिव्ह एआय वापर प्रकरणे ) सारख्या जनरेटिव्ह एआय वापर प्रकरणांवर प्रकाश टाकतो

4. ट्वाइप. पत्रकार न्यूजरूममध्ये एआय टूल्स वापरण्याचे १२ मार्ग . (२०२४) - एका न्यूज आउटलेटमध्ये "क्लारा" एआयचे उदाहरण जे ११% लेख लिहिते, ज्यामध्ये मानवी संपादक सर्व एआय सामग्रीचे पुनरावलोकन करतात ( न्यूजरूममध्ये पत्रकार एआय टूल्स वापरण्याचे १२ मार्ग - ट्वाइप ).

5. Amazon.com बातम्या. Amazon ने AI सह ग्राहकांच्या पुनरावलोकनांचा अनुभव सुधारला . (२०२३) – खरेदीदारांना मदत करण्यासाठी उत्पादन पृष्ठांवर AI-व्युत्पन्न पुनरावलोकन सारांश जाहीर केले ( Amazon ने AI सह ग्राहकांच्या पुनरावलोकनांचा अनुभव सुधारला ).

6. झेंडेस्क. २०२५ साठी ५९ एआय ग्राहक सेवा आकडेवारी . (२०२३) - दोन तृतीयांश पेक्षा जास्त सीएक्स संस्थांना वाटते की जनरेटिव्ह एआय सेवेत "उब" वाढवेल ( २०२५ साठी ५९ एआय ग्राहक सेवा आकडेवारी ) आणि अखेर १००% ग्राहक संवादांमध्ये एआयचा अंदाज लावते ( २०२५ साठी ५९ एआय ग्राहक सेवा आकडेवारी ).

7. फ्युचुरम रिसर्च अँड एसएएस. एक्सपिरियन्स २०३०: द फ्युचर ऑफ कस्टमर एक्सपिरियन्स . (२०१९) – सर्वेक्षणात असे आढळून आले आहे की २०३० पर्यंत ग्राहकांच्या सहभागादरम्यानचे ~६९% निर्णय स्मार्ट मशीनद्वारे घेतले जातील अशी ब्रँडची अपेक्षा आहे ( सीएक्सकडे जाण्याच्या शिफ्टची पुनर्कल्पना करण्यासाठी, मार्केटर्सनी या २ गोष्टी केल्या पाहिजेत ).

8. डेटाइकू. लॉजिस्टिक्समधील टॉप जनरेटिव्ह एआय वापर प्रकरणे . (२०२३) – GenAI लोडिंग कसे ऑप्टिमाइझ करते (~३०% रिकामी ट्रक जागा कमी करते) ( लॉजिस्टिक्समधील टॉप जनरेटिव्ह एआय वापर प्रकरणे ) आणि बातम्या स्कॅन करून पुरवठा साखळीतील जोखीम कसे ओळखते याचे वर्णन करते.

9. व्हिज्युअल स्टुडिओ मॅगझिन. एआय कोड असिस्टंट्सवरील संशोधन अहवालात गिटहब कोपायलट अव्वल . (२०२४) – गार्टनरचे धोरणात्मक नियोजन गृहीतके: २०२८ पर्यंत, ९०% एंटरप्राइझ डेव्हलपर्स एआय कोड असिस्टंट्स वापरतील (२०२४ मध्ये १४% वरून वाढ) ( एआय कोड असिस्टंट्सवरील संशोधन अहवालात गिटहब कोपायलट अव्वल - व्हिज्युअल स्टुडिओ मॅगझिन ).

10. ब्लूमबर्ग न्यूज. ब्लूमबर्गजीपीटी सादर करत आहे . (२०२३) – तपशील ब्लूमबर्गचे ५०बी-पॅरामीटर मॉडेल जे आर्थिक कार्यांसाठी आहे, प्रश्नोत्तरे आणि विश्लेषण समर्थनासाठी टर्मिनलमध्ये तयार केले आहे ( जनरेटिव्ह एआय वित्तपुरवठा करण्यासाठी येत आहे ).

या लेखानंतर तुम्हाला वाचायला आवडतील असे लेख:

🔗 ज्या नोकऱ्या एआय बदलू शकत नाहीत - आणि एआय कोणत्या नोकऱ्या बदलेल?
विकसित होत असलेल्या नोकरीच्या परिदृश्यावर एक जागतिक दृष्टीकोन, कोणत्या भूमिका एआय व्यत्ययापासून सुरक्षित आहेत आणि कोणत्या सर्वात जास्त धोक्यात आहेत याचे परीक्षण करणे.

🔗 एआय शेअर बाजाराचा अंदाज लावू शकते का?
शेअर बाजाराच्या अंदाजासाठी एआय वापरण्याच्या क्षमता, मर्यादा आणि नैतिक बाबींचा सखोल आढावा.

🔗 सायबरसुरक्षेत जनरेटिव्ह एआयचा वापर कसा करता येईल?
सायबर धोक्यांपासून बचाव करण्यासाठी जनरेटिव्ह एआयचा वापर कसा केला जात आहे ते जाणून घ्या, विसंगती शोधण्यापासून ते धोक्याच्या मॉडेलिंगपर्यंत.