एआयमध्ये बिग टेकची भूमिका काय आहे? [व्हिडिओ आणि प्रश्नमंजुषा]

थोडक्यात उत्तर: एआयमध्ये बिग टेक महत्त्वाचे आहे कारण ते अनैसर्गिक आवश्यक गोष्टी - कॉम्प्युट, क्लाउड प्लॅटफॉर्म, डिव्हाइसेस, अॅप स्टोअर्स आणि एंटरप्राइझ टूलिंग नियंत्रित करते. त्या नियंत्रणामुळे ते फ्रंटियर मॉडेल्सना बँकरोल करू शकते आणि वैशिष्ट्ये कोट्यवधी लोकांपर्यंत जलद पोहोचवू शकते. जर प्रशासन, गोपनीयता नियंत्रणे आणि इंटरऑपरेबिलिटी कमकुवत असेल, तर तेच लीव्हरेज लॉक-इन आणि पॉवर कॉन्सन्ट्रेशनमध्ये कॅल्सीफाइड होते.

महत्वाचे मुद्दे:

पायाभूत सुविधा: क्लाउड, चिप्स आणि एमएलओपीचे नियंत्रण हे मुख्य एआय चोकपॉइंट म्हणून हाताळा.

वितरण: प्लॅटफॉर्म अपडेट्समुळे बहुतांश वापरकर्त्यांसाठी “एआय” चा अर्थ काय आहे हे स्पष्ट होईल अशी अपेक्षा आहे.

गेटकीपिंग: अॅप स्टोअरचे नियम आणि एपीआय अटी शांतपणे ठरवतात की कोणते एआय फीचर्स उपलब्ध आहेत.

वापरकर्ता नियंत्रण: स्पष्ट पर्याय रद्द करणे, टिकाऊ सेटिंग्ज आणि कार्य करणारे प्रशासकीय नियंत्रणे आवश्यक आहेत.

जबाबदारी: हानिकारक परिणामांसाठी ऑडिट लॉग, पारदर्शकता आणि अपील मार्ग आवश्यक आहेत.

🔗 एआयचे भविष्य: ट्रेंड आणि पुढे काय?
पुढील दशकात प्रमुख नवोन्मेष, जोखीम आणि उद्योगांचे आकार बदलले.

🔗 जनरेटिव्ह एआय मधील फाउंडेशन मॉडेल्स: एक साधी मार्गदर्शक
फाउंडेशन मॉडेल्स आधुनिक जनरेटिव्ह एआय अनुप्रयोगांना कसे सामर्थ्य देतात ते समजून घ्या.

🔗 एआय कंपनी म्हणजे काय आणि ती कशी काम करते?
एआय-फर्स्ट व्यवसायांची व्याख्या करणारे गुणधर्म, संघ आणि उत्पादने जाणून घ्या.

🔗 वास्तविक प्रकल्पांमध्ये एआय कोड कसा दिसतो
एआय-चालित कोड पॅटर्न, टूल्स आणि वर्कफ्लोची उदाहरणे पहा.

क्षणभरासाठी हे मान्य करूया - बहुतेक “एआय चर्चा” संगणकीय प्रक्रिया, वितरण, खरेदी, अनुपालन यांसारख्या बिनमहत्वाच्या बाबींकडे आणि जीपीयू व विजेसाठी कोणालातरी पैसे द्यावेच लागतात या विचित्र वास्तवाकडे दुर्लक्ष करतात. मोठ्या टेक कंपन्या याच बिनमहत्वाच्या बाबींमध्ये वावरतात. आणि नेमके याच कारणामुळे हे इतके महत्त्वाचे आहे. 😅 (IEA - ऊर्जा आणि एआय, NVIDIA - एआय इन्फरन्स प्लॅटफॉर्म्सचा आढावा)

बिग टेकची एआय भूमिका, सोप्या भाषेत 🧩

जेव्हा लोक "बिग टेक" म्हणतात, तेव्हा त्यांचा अर्थ सहसा आधुनिक संगणनाच्या प्रमुख स्तरांवर नियंत्रण ठेवणाऱ्या महाकाय प्लॅटफॉर्म कंपन्यांचा असतो:

• क्लाउड इन्फ्रास्ट्रक्चर (जिथे एआय चालते) ☁️ (अमेझॉन सेजमेकर एआय डॉक्स, अझ्युर मशीन लर्निंग डॉक्स, व्हर्टेक्स एआय डॉक्स)

• ग्राहक उपकरणे आणि ऑपरेटिंग सिस्टीम (जिथे एआयचा वापर होतो) 📱💻 (ॲपल कोअर एमएल, गूगल एमएल किट)

• अ‍ॅप इकोसिस्टम आणि मार्केटप्लेस (जिथे एआयचा प्रसार होतो) 🛒 (अ‍ॅपल अ‍ॅप रिव्ह्यू मार्गदर्शक तत्त्वे, गूगल प्ले डेटा सुरक्षा)

• डेटा पाइपलाइन आणि विश्लेषण स्टॅक (जिथे एआय फीड केले जाते) 🍽️

• एंटरप्राइझ सॉफ्टवेअर (जिथे एआय द्वारे कमाई केली जाते) 🧾

• चिप्स आणि हार्डवेअर भागीदारी (जिथे AI ला गती मिळते) 🧠🔩 (NVIDIA - AI इन्फरन्स प्लॅटफॉर्म्सचा आढावा)

तर भूमिका फक्त "ते एआय बनवतात" अशी नाही. ते महामार्ग बांधण्यासारखे आहे, गाड्या विकतात, टोल बूथ चालवतात आणि बाहेर पडण्याचे मार्ग कुठे जातात हे देखील ठरवतात. थोडी अतिशयोक्ती... पण जास्त नाही.

एआयमध्ये बिग टेकची भूमिका: पाच मोठी कामे 🏗️

जर तुम्हाला स्वच्छ मानसिक मॉडेल हवे असेल, तर बिग टेक एआय जगात पाच ओव्हरलॅपिंग कामे करतात:

1. पायाभूत सुविधा प्रदाता
   डेटा सेंटर्स, क्लाउड, नेटवर्किंग, सुरक्षा, एमएलओपीएस टूल्स. मोठ्या प्रमाणात एआय शक्य करणारे घटक. (अमेझॉन सेजमेकर एआय डॉक्स, आयईए - एनर्जी अँड एआय)

2. मॉडेल निर्माता आणि संशोधन यंत्रणा.
   नेहमीच नाही, पण अनेकदा - प्रयोगशाळा, अंतर्गत संशोधन आणि विकास (R&D), उपयोजित संशोधन, आणि “उत्पादित विज्ञान.” (न्यूरल लँग्वेज मॉडेल्ससाठी स्केलिंग नियम (arXiv), संगणकीय-इष्टतम मोठ्या लँग्वेज मॉडेल्सचे प्रशिक्षण (चिंचिला) (arXiv))

3. वितरक
   ते शोध बॉक्स, फोन, ईमेल क्लायंट, जाहिरात प्रणाली आणि कार्यस्थळ साधनांमध्ये एआय ला ढकलू शकतात. वितरण ही एक महासत्ता आहे.

4. गेटकीपर आणि नियम-निर्धारक
   अॅप स्टोअर धोरणे, प्लॅटफॉर्म नियम, API अटी, सामग्री नियंत्रण, सुरक्षा गेट्स, एंटरप्राइझ नियंत्रणे. (अॅपल अॅप पुनरावलोकन मार्गदर्शक तत्त्वे, गुगल प्ले डेटा सुरक्षा)

5. भांडवल वाटप करणारे
   ते निधी देतात, मिळवतात, भागीदारी करतात, उबवतात. जे टिकते त्याला आकार देतात.

कार्यात्मक दृष्टीने एआयमध्ये बिग टेकची भूमिका अशी आहे: ते एआय अस्तित्वात राहण्यासाठी परिस्थिती निर्माण करतात - आणि नंतर ते तुमच्यापर्यंत कसे पोहोचायचे हे ठरवतात.

बिग टेकच्या एआय भूमिकेची चांगली आवृत्ती काय बनवते ✅😬

एआयमधील बिग टेकची "चांगली आवृत्ती" परिपूर्णतेबद्दल नाही. ती जबाबदारीने हाताळल्या जाणाऱ्या तडजोडींबद्दल आहे, इतरांसाठी कमी आश्चर्यकारक फूट-गनसह.

"उपयुक्त महाकाय" वातावरणाला "उह-ओह मक्तेदारी" वातावरणापासून वेगळे करण्याचे मुख्य कारण येथे आहे:

• शब्दजाल डंप न करता पारदर्शकता
  एआय वैशिष्ट्ये, मर्यादा आणि कोणता डेटा वापरला जातो याचे स्पष्ट लेबलिंग. ४०-पृष्ठांचे धोरण चक्रव्यूह नाही. (एनआयएसटी एआय आरएमएफ १.०, आयएसओ/आयईसी ४२००१:२०२३)

• वापरकर्त्याचे खरे नियंत्रण
  , प्रभावीपणे काम करणारे ऑप्ट-आउट्स, आपोआप रीसेट न होणारी प्रायव्हसी सेटिंग्स, आणि शोधमोहीम न ठरणारी ॲडमिन नियंत्रणे. (जीडीपीआर - रेग्युलेशन (ईयू) २०१६/६७९)

• आंतरकार्यक्षमता आणि खुलेपणा - कधीकधी
  प्रत्येक गोष्ट ओपन-सोर्स असणे आवश्यक नसते, परंतु सर्वांना कायमस्वरूपी एकाच विक्रेत्याशी बांधून ठेवणे हा एक पर्याय आहे.

• दातांसह सुरक्षितता
  गैरवापर देखरेख, रेड-टीमिंग, सामग्री नियंत्रणे आणि स्पष्टपणे धोकादायक वापर प्रकरणे अवरोधित करण्याची तयारी. (NIST AI RMF 1.0, NIST GenAI प्रोफाइल (AI RMF साथीदार))

• निरोगी परिसंस्था:
  स्टार्टअप्स, भागीदार, संशोधक आणि मुक्त मानकांना पाठिंबा, जेणेकरून नवोन्मेष हा “प्लॅटफॉर्म भाड्याने घ्या किंवा नाहीसे व्हा” अशी स्थिती बनणार नाही. (OECD AI तत्त्वे)

मी स्पष्टपणे सांगेन: "चांगली आवृत्ती" ही एक मजबूत सार्वजनिक उपयुक्तता आहे जी उत्पादनाची चव चांगली आहे. वाईट आवृत्ती ही एका कॅसिनोसारखी वाटते जिथे घर देखील नियम लिहिते. 🎰

तुलना सारणी: टॉप बिग टेक "एआय लेन" आणि ते का काम करतात 📊

छोट्या टेबलावरची विचित्र कबुली: "मुक्त" तिथे खूप काम करत आहे. जोपर्यंत ते नाही तोपर्यंत मुक्त... तुम्हाला माहिती आहेच कसे चालते.

जवळून पाहा: पायाभूत सुविधांमध्ये अडथळा निर्माण करणारा बिंदू (कॉम्प्युट, क्लाउड, चिप्स) 🧱⚙️

हा असा भाग आहे ज्याबद्दल बहुतेक लोक बोलू इच्छित नाहीत कारण तो ग्लॅमरस नाही. पण तो एआयचा कणा आहे.

बिग टेक खालील गोष्टी नियंत्रित करून एआयवर प्रभाव पाडतात:

• संगणकीय पुरवठा (GPU प्रवेश, क्लस्टर्स, वेळापत्रक) (IEA - AI कडून ऊर्जेची मागणी)

• नेटवर्किंग (उच्च-बँडविड्थ इंटरकनेक्ट, कमी-लेटन्सी फॅब्रिक्स)

• साठवणूक (डेटा तलाव, पुनर्प्राप्ती प्रणाली, बॅकअप)

• एमएलओपीएस पाइपलाइन (प्रशिक्षण, तैनाती, देखरेख, प्रशासन) (व्हर्टेक्स एआयवरील एमएलओपीएस, अझर एमएलओपीएस आर्किटेक्चर)

• सुरक्षा (ओळख, ऑडिट लॉग, एन्क्रिप्शन, धोरण अंमलबजावणी) (NIST AI RMF 1.0, ISO/IEC 42001:2023)

जर तुम्ही कधी एखाद्या खऱ्या कंपनीत एआय सिस्टम तैनात करण्याचा प्रयत्न केला असेल, तर तुम्हाला आधीच माहित असेल की "मॉडेल" हा सर्वात सोपा भाग आहे. कठीण भाग म्हणजे: परवानग्या, लॉगिंग, डेटा अॅक्सेस, खर्च नियंत्रणे, अपटाइम, घटनेचा प्रतिसाद... प्रौढांसाठी आवश्यक गोष्टी. 😵💫

बिग टेककडे यापैकी बरेच काही असल्याने, ते डीफॉल्ट पॅटर्न सेट करू शकतात:

• कोणती साधने मानक बनतात

• कोणत्या फ्रेमवर्कना प्रथम श्रेणीचा आधार मिळतो?

• कोणत्या हार्डवेअरला प्राधान्य दिले जाते

• कोणते किंमत मॉडेल "सामान्य" होतात

ते आपोआप वाईट नाही. पण ती शक्ती आहे.

क्लोज-अप: मॉडेल संशोधन विरुद्ध उत्पादन वास्तव 🧪➡️🛠️

येथे तणाव आहे: बिग टेक सखोल संशोधनासाठी निधी देऊ शकते आणि तिमाही उत्पादन विजयांची देखील आवश्यकता असते. ते संयोजन आश्चर्यकारक प्रगती निर्माण करते आणि ... शंकास्पद वैशिष्ट्य लाँच देखील निर्माण करते.

बिग टेक सामान्यतः एआय प्रगतीला याद्वारे चालना देते:

• मोठ्या प्रमाणात प्रशिक्षण चालते (स्केल महत्त्वाचे) (तंत्रिका भाषा मॉडेलसाठी स्केलिंग कायदे (arXiv))

• अंतर्गत मूल्यांकन पाइपलाइन (बेंचमार्किंग, सुरक्षा चाचण्या, प्रतिगमन तपासणी) (NIST GenAI प्रोफाइल (AI RMF सहचर))

• उपयोजित संशोधन (पेपरचे उत्पादन वर्तनात रूपांतर करणे)

• टूलिंग सुधारणा (डिस्टिलेशन, कॉम्प्रेशन, सर्व्हिंग कार्यक्षमता)

परंतु उत्पादनाच्या दाबामुळे गोष्टी बदलतात:

• वेग, सुंदरतेला मागे टाकतो

• शिपिंग बीट्स स्पष्ट करत आहे

• "पुरेसे चांगले" बीट्स "पूर्णपणे समजले"

कधीकधी ते ठीक आहे. बहुतेक वापरकर्त्यांना सैद्धांतिक शुद्धतेची गरज नसते, त्यांना त्यांच्या कार्यप्रवाहात एका उपयुक्त सहाय्यकाची गरज असते. परंतु धोका हा आहे की, 'पुरेसे चांगले' हे आरोग्य, नोकरभरती, वित्त, शिक्षण यांसारख्या संवेदनशील संदर्भांमध्ये वापरले जाते, जिथे 'पुरेसे चांगले' हे... पुरेसे चांगले नसते. (ईयू एआय कायदा - नियमन (ईयू) २०२४/१६८९)

हे एआयमधील बिग टेकच्या भूमिकेचा एक भाग आहे - कडा अजूनही तीक्ष्ण असतानाही, अत्याधुनिक क्षमता मोठ्या प्रमाणात बाजारपेठेत रूपांतरित करणे. 🔪

जवळचा भाग: वितरण हीच खरी महासत्ता आहे 🚀📣

जर तुम्ही अशा ठिकाणी AI ठेवू शकलात जिथे लोक आधीच डिजिटल पद्धतीने राहतात, तर तुम्हाला वापरकर्त्यांना "विश्वास" देण्याची गरज नाही. तुम्ही फक्त डिफॉल्ट बनता.

बिग टेक वितरण चॅनेलमध्ये हे समाविष्ट आहे:

• सर्च बार आणि ब्राउझर 🔎

• मोबाईल ओएस असिस्टंट 📱

• कामाच्या ठिकाणी सुइट्स (डॉक्युमेंट्स, मेल, चॅट, मीटिंग्ज) 🧑💼

• सामाजिक फीड आणि शिफारस प्रणाली 📺

• अ‍ॅप स्टोअर्स आणि प्लॅटफॉर्म मार्केटप्लेस 🛍️ (अ‍ॅपल अ‍ॅप पुनरावलोकन मार्गदर्शक तत्त्वे, गूगल प्ले डेटा सुरक्षा)

म्हणूनच लहान एआय कंपन्या अनेकदा बिग टेकशी भागीदारी करतात, जरी त्यांना याबद्दल चिंता असली तरीही. वितरण म्हणजे ऑक्सिजन आहे. त्याशिवाय, तुमच्याकडे जगातील सर्वोत्तम मॉडेल असू शकते आणि तरीही तुम्ही शून्यात ओरडत राहू शकता.

याचा एक सूक्ष्म दुष्परिणाम देखील आहे: वितरणामुळे लोकांसाठी "एआय" चा अर्थ काय आहे हे आकार घेते. जर एआय प्रामुख्याने लेखन मदतनीस म्हणून दिसत असेल, तर लोक असे गृहीत धरतात की एआय लिहिण्याबद्दल आहे. जर ते फोटो एडिटिंग म्हणून दिसत असेल, तर लोक असे गृहीत धरतात की एआय प्रतिमांबद्दल आहे. प्लॅटफॉर्म वातावरण ठरवतो.

जवळचा आढावा: डेटा, गोपनीयता आणि विश्वासाचा सौदा 🔐🧠

एआय सिस्टीम बहुतेकदा वैयक्तिकृत केल्यावर अधिक प्रभावी होतात. वैयक्तिकरणासाठी अनेकदा डेटाची आवश्यकता असते. आणि डेटा धोका निर्माण करतो. तो त्रिकोण कधीही दूर होत नाही.

बिग टेक यावर बसते:

• ग्राहक वर्तणुकीचा डेटा (शोध, क्लिक, प्राधान्ये)

• एंटरप्राइझ डेटा (ईमेल, डॉक्स, चॅट्स, तिकिटे, वर्कफ्लो)

• प्लॅटफॉर्म डेटा (अ‍ॅप्स, पेमेंट्स, ओळख सिग्नल)

• डिव्हाइस डेटा (स्थान, सेन्सर्स, फोटो, व्हॉइस इनपुट)

जरी "कच्चा डेटा" थेट वापरला जात नाही, तरीही आजूबाजूची परिसंस्था प्रशिक्षण, फाइन-ट्यूनिंग, मूल्यांकन आणि उत्पादन दिशानिर्देशांना आकार देते.

ट्रस्ट बार्गेन सहसा असे दिसते:

• वापरकर्ते डेटा संकलन स्वीकारतात कारण उत्पादन सोयीस्कर आहे 🧃

• जेव्हा गोष्टी विचित्र वाटू लागतात तेव्हा नियामक विरोध करतात 👀 (GDPR - Regulation (EU) 2016/679)

• कंपन्या नियंत्रणे, धोरणे आणि "गोपनीयता-प्रथम" संदेशांसह प्रतिसाद देतात

• "गोपनीयता" म्हणजे काय याबद्दल प्रत्येकजण वाद घालतो

मी पाहिलेला एक व्यावहारिक नियम काम करतो: जर एखादी कंपनी कायदेशीर गोष्टींच्या मागे न लपता एकाच संभाषणात त्यांच्या एआय डेटा पद्धती स्पष्ट करू शकते, तर ती सहसा सरासरीपेक्षा चांगली कामगिरी करत असते. परिपूर्ण नाही - फक्त चांगले.

जवळचा फोटो: प्रशासन, सुरक्षितता आणि शांत प्रभावाचा खेळ 🧯📜

ही कमी दृश्यमान भूमिका आहे: बिग टेक बहुतेकदा इतर सर्वजण पाळतात ते नियम परिभाषित करण्यास मदत करतात.

ते प्रशासनाला आकार देतात:

• अंतर्गत सुरक्षा धोरणे (मॉडेल काय नाकारेल) (NIST AI RMF 1.0)

• प्लॅटफॉर्म धोरणे (अ‍ॅप्स काय करू शकतात) (अ‍ॅपल अ‍ॅप पुनरावलोकन मार्गदर्शक तत्त्वे, गुगल प्ले डेटा सुरक्षा)

• एंटरप्राइझ अनुपालन वैशिष्ट्ये (ऑडिट ट्रेल्स, रिटेन्शन, डेटा सीमा) (ISO/IEC 42001:2023, EU AI कायदा - नियमन (EU) 2024/1689)

• उद्योग मानके सहभाग (तांत्रिक चौकटी, सर्वोत्तम पद्धती) (ओईसीडी एआय तत्त्वे, आयएसओ/आयईसी ४२००१:२०२३)

• लॉबिंग आणि धोरणात्मक सहभाग (हो, तो भाग देखील)

कधीकधी हे खरोखर उपयुक्त ठरते. बिग टेक सुरक्षा पथके, ट्रस्ट टूलिंग, गैरवापर शोधणे आणि अनुपालन पायाभूत सुविधांमध्ये गुंतवणूक करू शकतात जे लहान खेळाडू परवडत नाहीत.

कधीकधी हे स्वार्थीपणाचे असते. सुरक्षा ही एक तटबंदी बनू शकते, जिथे फक्त सर्वात मोठे खेळाडूच तिचे पालन करणे 'परवडू' शकतात. हीच खरी विचित्र कोंडी आहे: सुरक्षा आवश्यक आहे, पण महागड्या सुरक्षेमुळे नकळतपणे स्पर्धा थांबून जाऊ शकते. (ईयू एआय कायदा - नियमन (ईयू) २०२४/१६८९)

इथेच बारकावे महत्त्वाचे आहेत. मजेदार बारकावेही नाहीत - त्रासदायक प्रकार. 😬

जवळून पाहा: स्पर्धा, खुली परिसंस्था आणि स्टार्टअप गुरुत्वाकर्षण 🧲🌱

एआयमधील बिग टेकच्या भूमिकेमध्ये बाजाराचा आकार घडवणे देखील समाविष्ट आहे:

• संपादने (प्रतिभा, तंत्रज्ञान, वितरण)

• भागीदारी (क्लाउडवर होस्ट केलेले मॉडेल, संयुक्त उपक्रम सौदे)

• इकोसिस्टम फंडिंग (क्रेडिट, इनक्यूबेटर, मार्केटप्लेस)

• मुक्त साधने (फ्रेमवर्क, लायब्ररी, “काही प्रमाणात मुक्त” आवृत्त्या)

मी एक नमुना पुनरावृत्ती होताना पाहिला आहे:

1. स्टार्टअप्स जलद नवोन्मेष करतात

2. बिग टेक यशस्वी पॅटर्न एकत्रित करते किंवा कॉपी करते

3. स्टार्टअप्स विशिष्ट क्षेत्रात येतात किंवा अधिग्रहण लक्ष्य बनतात

4. "प्लॅटफॉर्म थर" जाड होतो

ते आपोआप वाईट नाही. प्लॅटफॉर्म घर्षण कमी करू शकतात आणि एआय सुलभ बनवू शकतात. पण ते विविधता देखील कमी करू शकते. जर प्रत्येक उत्पादन "त्याच काही एपीआयभोवती एक आवरण बनले", तर नवोपक्रमाला एकाच अपार्टमेंटमध्ये फर्निचरची पुनर्रचना केल्यासारखे वाटू लागते.

थोडीशी अस्वच्छ स्पर्धा आरोग्यदायी असते. आंबट पिठाच्या सुरुवातीसारखी. जर तुम्ही सर्वकाही निर्जंतुक केले तर ते वाढणे थांबते. ते रूपक थोडेसे अपूर्ण आहे, पण मी त्यावर टिकून आहे. 🍞

उत्साह आणि सावधगिरी दोन्हीसह जगणे 😄😟

दोन्ही भावना जुळतात. उत्साह आणि सावधगिरी एकाच खोलीत असू शकतात.

उत्साहित होण्याची कारणे:

• उपयुक्त साधनांचा जलद वापर

• उत्तम पायाभूत सुविधा आणि विश्वासार्हता

• व्यवसायांना एआय स्वीकारण्यासाठी कमी अडथळा

• अधिक सुरक्षितता गुंतवणूक आणि मानकीकरण (NIST AI RMF 1.0, OECD AI तत्त्वे)

सावधगिरी बाळगण्याची कारणे:

• गणना आणि वितरणाचे एकत्रीकरण (IEA - AI कडून ऊर्जा मागणी)

• किंमत, API आणि परिसंस्थेद्वारे लॉक-इन करा

• गोपनीयतेचे धोके आणि पाळत ठेवण्याशी संबंधित परिणाम (GDPR - नियमन (EU) 2016/679)

• "एका कंपनीचे धोरण" सर्वांसाठी वास्तव बनत आहे

एक वास्तववादी भूमिका अशी आहे: बिग टेक जगासाठी एआयला गती देऊ शकतात, त्याच वेळी शक्ती देखील केंद्रित करू शकतात. ते त्याच वेळी खरे असू शकतात. लोकांना ते उत्तर आवडत नाही कारण त्यात मसालेदारपणाचा अभाव आहे, तरीही ते पुराव्यांशी जुळते.

वेगवेगळ्या वाचकांसाठी व्यावहारिक टिप्स 🎯

जर तुम्ही व्यवसाय खरेदीदार असाल 🧾

• तुमचा डेटा कुठे जातो, तो कसा वेगळा ठेवला जातो आणि प्रशासक काय नियंत्रित करू शकतात हे विचारा (GDPR - Regulation (EU) 2016/679, EU AI Act - Regulation (EU) 2024/1689).

• ऑडिट लॉग, अ‍ॅक्सेस कंट्रोल्स आणि स्पष्ट धारणा धोरणांना प्राधान्य द्या (ISO/IEC 42001:2023)

• लपलेल्या खर्चाच्या वक्रांकडे लक्ष ठेवा (वापराच्या किंमती लवकर वाढतात)

जर तुम्ही डेव्हलपर असाल तर 🧑💻

• पोर्टेबिलिटी लक्षात घेऊन बांधा (अ‍ॅबस्ट्रॅक्शन लेयर्स मदत करतात)

• एकाच विक्रेत्याच्या वैशिष्ट्यावर सर्वकाही पैज लावू नका जे गायब होऊ शकते

• दर मर्यादा, किंमतीतील बदल आणि धोरणांमधील अद्यतनांवर लक्ष ठेवा जणू काही ते तुमच्या कामाचाच एक भाग आहे (कारण ते आहेच) (ॲपल ॲप पुनरावलोकन मार्गदर्शक तत्त्वे, गूगल प्ले डेटा सुरक्षा)

जर तुम्ही धोरणकर्ते किंवा अनुपालन प्रमुख असाल 🏛️

• इंटरऑपरेबल मानके आणि पारदर्शकता मानदंडांसाठी आग्रह धरणे (ओईसीडी एआय तत्त्वे)

• फक्त दिग्गज कंपन्यांनाच पाळता येणारे नियम टाळा (EU AI कायदा - नियमन (EU) 2024/1689)

• "वितरण नियंत्रण" हा नंतरचा विचार न करता, एक मुख्य मुद्दा म्हणून घ्या

जर तुम्ही नियमित वापरकर्ता असाल तर 🙋

• तुमच्या अॅप्समध्ये एआय फीचर्स कुठे असतात ते जाणून घ्या

• गोपनीयता नियंत्रणे त्रासदायक असली तरीही त्यांचा वापर करा (जीडीपीआर - नियमन (ईयू) २०१६/६७९)

• "जादूई" निकालांबद्दल शंका घ्या - एआय आत्मविश्वासू आहे, नेहमीच बरोबर नसते 😵

शेवटचा सारांश: एआय मध्ये बिग टेकची भूमिका 🧠✨

एआयमध्ये बिग टेकची भूमिका ही एकच गोष्ट नाही. ती भूमिकांचा समूह आहे: पायाभूत सुविधा मालक, मॉडेल बिल्डर, वितरक, गेटकीपर आणि मार्केट शेपर. ते फक्त एआयमध्ये भाग घेत नाहीत - ते एआय कोणत्या भूभागावर वाढतो ते परिभाषित करतात.

जर तुम्हाला फक्त एकच ओळ आठवत असेल तर ती अशी लिहा:

एआयमधील बिग टेकची भूमिका:
ते मोठ्या प्रमाणावर, आणि प्रचंड परिणामांसह, एआय मानवांपर्यंत कसे पोहोचेल यासाठी आवश्यक पायाभूत सुविधा तयार करत आहेत, पूर्वनिश्चिती करत आहेत आणि दिशा देत आहेत. (NIST AI RMF 1.0, EU AI Act - Regulation (EU) 2024/1689)

आणि हो, “परिणाम” हा शब्द नाट्यमय वाटतो. पण एआय हा अशा विषयांपैकी एक आहे, जिथे नाट्यमय असणं हे कधीकधी अगदी… अचूक ठरतं. 

वास्तविक उदाहरण: मोठ्या टेक कंपनीच्या एआय रोलआउटची अंमलबजावणी पूर्णपणे बंधनकारक होण्यापूर्वी त्याची चाचणी घेणे 🧪🔐

परिस्थिती

कल्पना करा की १२० कर्मचारी असलेला एक ऑनलाइन विक्रेता आपल्या ग्राहक सेवा कार्यप्रवाहात एक एआय सहाय्यक समाविष्ट करू इच्छितो. ही टीम आधीपासूनच होस्टिंगसाठी एका मोठ्या क्लाउड प्रोव्हायडरचा, ईमेल आणि कागदपत्रांसाठी एका मोठ्या टेक कंपनीच्या प्रॉडक्टिव्हिटी सूटचा आणि एपीआयद्वारे जोडलेल्या एका हेल्पडेस्क प्लॅटफॉर्मचा वापर करते.

मोहक मार्ग सोपा आहे: अंगभूत AI वैशिष्ट्ये चालू करा, मदत केंद्र जोडा आणि एजंटना तयार केलेली उत्तरे वापरू द्या. सोपे. कदाचित जास्तच सोपे. 😅

अधिक हुशारीचा मार्ग म्हणजे याला एक छोटी प्रशासकीय चाचणी मानणे: डेटा, प्रॉम्प्ट्स, वर्कफ्लो आणि भविष्यातील खर्चांवर एकाच प्लॅटफॉर्मला खूप जास्त नियंत्रण न देता, व्यवसायाला प्रभावी एआय सहाय्य मिळू शकते का?

सहाय्यकाला काय हवे आहे

सहाय्यक एआयला फक्त खालील गोष्टींचाच प्रवेश असावा:

• सार्वजनिक मदत केंद्राचे लेख

• परतावा धोरण

• वितरण धोरण

• मंजूर परतावा नियमांची यादी

• पूर्वीच्या चांगल्या सपोर्ट प्रतिसादांची २० उदाहरणे

• संतप्त ग्राहक, कायदेशीर धमक्या, पेमेंटच्या समस्या आणि वैद्यकीय/सुरक्षेच्या तक्रारींसाठी तक्रार निवारणाचा स्पष्ट नियम

• कोणत्या एजंटने AI वापरला, त्याने काय सुचवले आणि काय पाठवले, हे दर्शवणारे प्रशासकीय लॉग

विशिष्ट परवानगीचे कारण असल्याशिवाय, खाजगी ग्राहक डेटा, अंतर्गत आर्थिक कागदपत्रे, कर्मचाऱ्यांचे संदेश किंवा संपूर्ण ऑर्डर इतिहासावर खुला प्रवेश असू नये.

उदाहरण सूचना

या असिस्टंटचा वापर ग्राहक सहाय्य उत्तरांचा मसुदा तयार करण्यासाठी करा, ती आपोआप पाठवण्यासाठी नाही.

केवळ मान्यताप्राप्त मदत केंद्र, परतावा धोरण, वितरण धोरण आणि परतावा नियमांनुसारच उत्तर द्या. जर उत्तराला त्या स्त्रोतांकडून स्पष्टपणे समर्थन मिळत नसेल, तर एजंटने त्याचे स्वतः पुनरावलोकन करावे असे सांगा.

उत्तर १४० शब्दांपेक्षा कमी ठेवा. शांत आणि व्यावहारिक भाषा वापरा. ​​धोरणामध्ये स्पष्टपणे परवानगी असल्याशिवाय परतावा, वितरणाची तारीख, सवलत किंवा कायदेशीर परिणामांचे आश्वासन देऊ नका.

वापरलेली मूळ पॉलिसी नेहमी नमूद करा. जेव्हा ग्राहक फसवणूक, कायदेशीर कारवाई, इजा, चार्जबॅक, वारंवार अयशस्वी झालेल्या डिलिव्हरी किंवा £250 पेक्षा जास्त परताव्याचा उल्लेख करतो, तेव्हा हे प्रकरण मानवी व्यवस्थापकाकडे सोपवा.

त्याची चाचणी कशी करावी

ते सुरू करण्यापूर्वी, किरकोळ विक्रेता ३० जुनी सपोर्ट तिकिटे तीन सेटअपमधून चालवू शकत होता:

• सध्याचा मॅन्युअल कार्यप्रवाह

• मोठ्या टेक कंपन्यांचा उत्पादकता-संचालित एआय सहाय्यक

• अंतर्गत प्रॉम्प्ट आणि लॉगिंग लेयरच्या मागे स्वतंत्र मॉडेल API वापरणारी अधिक सुवाह्य रचना

चाचणी प्रश्नांमध्ये सोपी, गुंतागुंतीची आणि जोखमीची प्रकरणे समाविष्ट असावीत:

• माझी ऑर्डर कुठे आहे?

• मला पैसे परत हवे आहेत, पण मी उत्पादन उघडले आहे

• तुमच्या कुरिअरने माझ्या वस्तूचे नुकसान केले आहे आणि मी तुमच्याविरुद्ध तक्रार करत आहे

• मला नुकसान भरपाई द्या, नाहीतर मी हे सगळीकडे पोस्ट करेन

• तुम्ही ही रक्कम दुसऱ्या बँक कार्डवर परत करू शकता का?

• हे उत्पादन वापरताना माझ्या मुलाला दुखापत झाली

एका मानवी समीक्षकाने प्रत्येक मसुद्याला अचूकता, भाषाशैली, धोरणांचे पालन, प्रकरण वरिष्ठ अधिकाऱ्यांकडे सोपवण्याची पद्धत आणि उत्तरात पुरेसे पुरावे समाविष्ट आहेत की नाही, या निकषांवर गुण द्यावेत.

निकाल

उदाहरणादाखल परिणाम: वर्कफ्लो वापरण्यापूर्वी आणि नंतर ३० नमुना तिकिटांची वेळ तपासल्यावर, टीमला असे आढळून येऊ शकते की प्रति तिकीट सरासरी पहिला मसुदा तयार करण्याचा वेळ ६ मिनिटांवरून २ मिनिटांपर्यंत कमी होतो.

आठवड्याला ३०० तिकिटांसाठी, याचा अर्थ असा होईल:

• हाताने मसुदा तयार करण्याचा वेळ: दर आठवड्याला १,८०० मिनिटे

• एआय-सहाय्यित मसुदा तयार करण्याचा वेळ: दर आठवड्याला ६०० मिनिटे

• अंदाजे वाचणारा वेळ: दर आठवड्याला १,२०० मिनिटे, किंवा २० तास

मात्र, अधिक अचूक मोजमाप म्हणजे केवळ “वाचलेला वेळ” नव्हे. संघाने चुकांचाही मागोवा घेतला पाहिजे. या उदाहरणातील चाचणीमध्ये, एक चांगले लक्ष्य हे असेल:

• मानवी मंजुरीशिवाय ० स्वयंचलित पाठवणी

• जोखमीच्या चाचणी तिकिटांवर ० वाढीव कार्यवाही चुकली

• तपासलेल्या ३० मसुद्यांमध्ये २ पेक्षा कमी धोरणात्मक चुका आढळल्या

• एआय-सहाय्यित उत्तरांपैकी १००% उत्तरे एका मान्यताप्राप्त स्रोताशी जोडलेली होती

त्यामुळे खरेदीदाराला एक व्यावहारिक तुलना करता येते: “कोणता एआय सर्वात आकर्षक वाटतो?” हा प्रश्न नसून, “कोणती प्रणाली नियंत्रण, पुरावा आणि तपासणीयोग्यता जपून वेळ वाचवते?” हा प्रश्न असतो

काय बिघडू शकतं?

सर्वात मोठी चूक म्हणजे अंगभूत AI बटणाला एक संपूर्ण कार्यप्रवाह समजणे. ते तसे नाही.

सामान्य समस्यांमध्ये यांचा समावेश होतो:

• मंजूर धोरणांऐवजी सहाय्यकाला अस्पष्ट आठवणींवरून उत्तर देऊ देणे

• त्याला खूप लवकर खूप जास्त ग्राहक डेटा देणे

• प्रॉम्प्ट्स, मसुदे, संपादने आणि अंतिम प्रतिसाद नोंदवण्यात अयशस्वी होणे

• रोलआउट करण्यापूर्वी एज केसेसची चाचणी करायला विसरणे

• एकाच विक्रेत्याच्या खासगी वैशिष्ट्यावर इतके अवलंबून राहणे की नंतर बदल करणे त्रासदायक ठरते

• केवळ गती मोजणे, अचूकता किंवा वाढीच्या गुणवत्तेचे मोजमाप न करणे

जो सपोर्ट असिस्टंट वेगाने मसुदा तयार करतो पण परताव्याची खोटी आश्वासने देतो, त्यामुळे उत्पादकता वाढत नाही. उलट, तक्रारी निर्माण करण्याचा हा एक जलद मार्ग आहे. 😬

व्यावहारिक निष्कर्ष

जेव्हा बिग टेक एआय सपोर्ट, सेल्स, सिक्युरिटी आणि ॲडमिन यांसारख्या प्रत्यक्ष कार्यप्रवाहांमध्ये समाविष्ट केले जाते, तेव्हा ते खरोखरच मौल्यवान ठरू शकते. परंतु व्यवसायाने प्रथम परवानग्या, लॉग्स, सोर्स कंट्रोल, ऑप्ट-आउट्स, किंमत आणि पोर्टेबिलिटी यांसारख्या साध्या मूलभूत गोष्टींची चाचणी केली पाहिजे.

संपूर्ण बिग टेक एआय वादाचे हेच व्यावहारिक स्वरूप आहे: शक्तीचा वापर करा, पण नकळतपणे एकाच साच्यात अडकून पडू नका.

वारंवार विचारले जाणारे प्रश्न

व्यावहारिक दृष्टीने, एआयमध्ये बिग टेकची भूमिका काय आहे?

एआयमध्ये बिग टेकची भूमिका "ते मॉडेल बनवतात" कमी आणि "ते एआयला मोठ्या प्रमाणात काम करायला लावणारी यंत्रणा चालवतात" अशी जास्त आहे. ते क्लाउड इन्फ्रास्ट्रक्चर प्रदान करतात, डिव्हाइसेस आणि अॅप्सद्वारे एआय पाठवतात आणि जे बांधले जाते ते आकार देणारे प्लॅटफॉर्म नियम सेट करतात. ते संशोधन, भागीदारी आणि अधिग्रहणांना देखील निधी देतात जे कोणत्या दृष्टिकोनांना टिकवून ठेवतात यावर प्रभाव पाडतात. अनेक बाजारपेठांमध्ये, ते डीफॉल्ट एआय अनुभव प्रभावीपणे परिभाषित करतात.

मोठ्या प्रमाणात एआय तयार करू शकणाऱ्यांसाठी संगणकीय प्रवेश इतका महत्त्वाचा का आहे?

आधुनिक एआय मोठ्या GPU क्लस्टर्स, जलद नेटवर्किंग, स्टोरेज आणि विश्वासार्ह MLOps पाइपलाइनवर अवलंबून आहे - केवळ हुशार अल्गोरिदमवरच नाही. जर तुम्हाला अंदाजे क्षमता मिळू शकली नाही, तर प्रशिक्षण, मूल्यांकन आणि तैनाती नाजूक आणि महाग होतात. बिग टेक बहुतेकदा "स्पाइन" लेयर (क्लाउड, चिप्स पार्टनरशिप, शेड्यूलिंग, सुरक्षा) नियंत्रित करते, जे लहान संघांसाठी काय शक्य आहे ते सेट करू शकते. ती शक्ती फायदेशीर असू शकते, परंतु ती शक्ती राहते.

बिग टेक डिस्ट्रिब्युशन रोजच्या वापरकर्त्यांसाठी "एआय" चा अर्थ कसा ठरवते?

वितरण ही एक महासत्ता आहे कारण ती तुम्हाला निवडावे लागणारे वेगळे उत्पादन न बनवता एआयला डीफॉल्ट फीचरमध्ये बदलते. जेव्हा एआय सर्च बार, फोन, ईमेल, डॉक्स, मीटिंग्ज आणि अॅप स्टोअरमध्ये दिसते तेव्हा बहुतेक लोकांसाठी ते "एआय म्हणजे काय" असे बनते. यामुळे सार्वजनिक अपेक्षा देखील कमी होतात: जर एआय तुमच्या अॅप्समध्ये बहुतेकदा लेखन साधन असेल, तर वापरकर्ते असे गृहीत धरतात की एआय म्हणजे लेखन. प्लॅटफॉर्म शांतपणे सूर ठरवतात.

प्लॅटफॉर्म नियम आणि अॅप स्टोअर्स एआय गेटकीपर म्हणून कोणत्या मुख्य मार्गांनी काम करतात?

अ‍ॅप पुनरावलोकन धोरणे, बाजारपेठेतील अटी, सामग्री नियम आणि API निर्बंध हे कोणत्या एआय वैशिष्ट्यांना परवानगी आहे आणि त्यांनी कसे वागावे हे ठरवू शकतात. नियम सुरक्षितता किंवा गोपनीयता संरक्षण म्हणून तयार केले असले तरीही, ते अनुपालन आणि अंमलबजावणी खर्च वाढवून स्पर्धेला आकार देतात. विकासकांसाठी, याचा अर्थ धोरण अद्यतने मॉडेल अद्यतनांइतकीच महत्त्वाची असू शकतात. प्रत्यक्षात, "काय पाठवते" हे बहुतेकदा "कोणातून जाते" असे असते

सेजमेकर, अझ्युर एमएल आणि व्हर्टेक्स एआय सारखे क्लाउड एआय प्लॅटफॉर्म एआयमधील बिग टेकच्या भूमिकेत कसे बसतात?

क्लाउड एआय प्लॅटफॉर्म प्रशिक्षण, तैनाती, देखरेख, प्रशासन आणि सुरक्षा एकाच ठिकाणी एकत्रित करतात, ज्यामुळे स्टार्टअप्स आणि एंटरप्रायझेसमधील संघर्ष कमी होतो. Amazon SageMaker, Azure Machine Learning आणि Vertex AI सारखी साधने एकाच विक्रेत्याच्या संबंधातून खर्च मोजणे आणि व्यवस्थापित करणे सोपे करतात. यातील फरक असा आहे की सोयीमुळे लॉक-इन वाढू शकते, कारण वर्कफ्लो, परवानग्या आणि देखरेख त्या परिसंस्थेत खोलवर एकत्रित केले जातात.

बिग टेक एआय टूल्स स्वीकारण्यापूर्वी व्यवसाय खरेदीदाराने काय विचारले पाहिजे?

डेटापासून सुरुवात करा: तो कुठे जातो, तो कसा वेगळा केला जातो आणि कोणती धारणा आणि ऑडिट नियंत्रणे अस्तित्वात आहेत. तुमच्या डोमेनमधील जोखमीसाठी प्रशासकीय नियंत्रणे, लॉगिंग, प्रवेश सीमा आणि मॉडेल्सचे मूल्यांकन कसे केले जाते याबद्दल विचारा. तसेच दबाव-चाचणी किंमत, कारण वापर-आधारित खर्च दत्तक वाढल्याने वाढू शकतात. नियंत्रित सेटिंग्जमध्ये, तुमची संस्था आधीच वापरत असलेल्या फ्रेमवर्क आणि अनुपालन आवश्यकतांसह अपेक्षा संरेखित करा.

बिग टेक एआय एपीआय बनवताना डेव्हलपर्स व्हेंडर लॉक-इन कसे टाळू शकतात?

पोर्टेबिलिटीसाठी डिझाइन करणे हा एक सामान्य दृष्टिकोन आहे: मॉडेल कॉल्सना अ‍ॅबस्ट्रॅक्शन लेयरच्या मागे रॅप करा आणि प्रॉम्प्ट, पॉलिसी आणि मूल्यांकन लॉजिक आवृत्तीत आणि चाचणीयोग्य ठेवा. बदलू किंवा अदृश्य होऊ शकणाऱ्या एका "विशेष" विक्रेत्या वैशिष्ट्यावर अवलंबून राहणे टाळा. चालू देखभालीचा भाग म्हणून दर मर्यादा, किंमत अद्यतने आणि धोरण बदलांचा मागोवा घ्या. पोर्टेबिलिटी मोफत नाही, परंतु त्याची किंमत सहसा सक्तीच्या स्थलांतरापेक्षा कमी असते.

गोपनीयता आणि वैयक्तिकरण एआय वैशिष्ट्यांसह "विश्वासाचा सौदा" कसा तयार करतात?

वैयक्तिकरण अनेकदा एआय उपयुक्तता सुधारते, परंतु ते सामान्यतः डेटा एक्सपोजर आणि कल्पित भयानकता वाढवते. बिग टेक वर्तणुकीय, एंटरप्राइझ, प्लॅटफॉर्म आणि डिव्हाइस डेटाच्या जवळ आहे, म्हणून वापरकर्ते आणि नियामक प्रशिक्षण, फाइन-ट्यूनिंग आणि उत्पादन निर्णयांवर तो डेटा कसा प्रभाव पाडतो याची तपासणी करतात. एक व्यावहारिक बेंचमार्क म्हणजे एखादी कंपनी कायदेशीर भाषेच्या मागे न लपता तिच्या एआय डेटा पद्धती स्पष्टपणे स्पष्ट करू शकते का. चांगले नियंत्रणे आणि वास्तविक निवड रद्द करणे महत्त्वाचे आहे.

बिग टेक एआय प्रशासन आणि सुरक्षिततेसाठी कोणते मानके आणि नियम सर्वात संबंधित आहेत?

अनेक पाइपलाइनमध्ये, प्रशासन अंतर्गत सुरक्षा धोरणे बाह्य चौकटी आणि कायद्यांसह एकत्रित करते. संस्था अनेकदा NIST च्या AI RMF सारखे जोखीम व्यवस्थापन मार्गदर्शन, ISO/IEC 42001 सारखे व्यवस्थापन मानके आणि GDPR आणि EU AI कायदा सारखे प्रादेशिक नियम विशिष्ट वापराच्या प्रकरणांमध्ये वापरतात. हे लॉगिंग, ऑडिट, डेटा सीमा आणि काय ब्लॉक केले जाते किंवा परवानगी दिली जाते यावर प्रभाव पाडतात. आव्हान असे आहे की अनुपालन महाग होऊ शकते, जे मोठ्या खेळाडूंना अनुकूल ठरू शकते.

स्पर्धा आणि परिसंस्थांवर बिग टेकचा प्रभाव नेहमीच वाईट असतो का?

आपोआप नाही. प्लॅटफॉर्म अडथळे कमी करू शकतात, टूलिंगचे मानकीकरण करू शकतात आणि लहान संघांना परवडत नसलेल्या सुरक्षितता आणि पायाभूत सुविधांसाठी निधी देऊ शकतात. परंतु जर प्रत्येकजण काही प्रभावी API, क्लाउड आणि मार्केटप्लेसभोवती एक पातळ आवरण बनले तर समान गतिशीलता विविधता कमी करू शकते. संगणकीय आणि वितरणाचे एकत्रीकरण, तसेच किंमत आणि धोरणातील बदल यासारख्या नमुन्यांकडे लक्ष ठेवा जे टाळणे कठीण आहे. सर्वात निरोगी परिसंस्था सहसा इंटरऑपरेबिलिटी आणि नवीन प्रवेशकर्त्यांसाठी जागा ठेवतात.

संदर्भ

1. आंतरराष्ट्रीय ऊर्जा संस्था - ऊर्जा आणि एआय - iea.org

2. आंतरराष्ट्रीय ऊर्जा संस्था - एआय कडून ऊर्जेची मागणी - iea.org

3. एनव्हीआयडीए - एआय इन्फरन्स प्लॅटफॉर्मचा आढावा - nvidia.com

4. अमेझॉन वेब सर्व्हिसेस - अमेझॉन सेजमेकर एआय डॉक्युमेंटेशन (सेजमेकर म्हणजे काय?) - aws.amazon.com

5. मायक्रोसॉफ्ट - अझ्युर मशीन लर्निंग डॉक्युमेंटेशन - learn.microsoft.com

6. गुगल क्लाउड - व्हर्टेक्स एआय दस्तऐवजीकरण - cloud.google.com

7. गुगल क्लाउड - व्हर्टेक्स एआय वर एमएलओपीएस - cloud.google.com

8. मायक्रोसॉफ्ट - मशीन लर्निंग ऑपरेशन्स (एमएलओपीएस) v2 आर्किटेक्चर मार्गदर्शक - learn.microsoft.com

9. अ‍ॅपल डेव्हलपर - कोअर एमएल - developer.apple.com

10. गुगल डेव्हलपर्स - एमएल किट - developers.google.com

11. अ‍ॅपल डेव्हलपर - अ‍ॅप पुनरावलोकन मार्गदर्शक तत्त्वे - developer.apple.com

12. गुगल प्ले कन्सोल मदत - डेटा सुरक्षा - support.google.com

13. arXiv - तंत्रिका भाषा मॉडेल्ससाठी स्केलिंग कायदे - arxiv.org

14. arXiv - प्रशिक्षण संगणक-ऑप्टिमल लार्ज लँग्वेज मॉडेल्स (चिंचिला) - arxiv.org

15. राष्ट्रीय मानके आणि तंत्रज्ञान संस्था - एआय जोखीम व्यवस्थापन फ्रेमवर्क (एआय आरएमएफ १.०) - nist.gov

16. नॅशनल इन्स्टिट्यूट ऑफ स्टँडर्ड्स अँड टेक्नॉलॉजी - एनआयएसटी जनरेटिव्ह एआय प्रोफाइल (एआय आरएमएफ कंपॅनियन) - nist.gov

17. आंतरराष्ट्रीय मानकीकरण संघटना - ISO/IEC 42001:2023 - iso.org

18. EUR-लेक्स - नियमन (EU) २०१६/६७९ (GDPR) - eur-lex.europa.eu

19. EUR-Lex - नियमन (EU) 2024/1689 (EU AI कायदा) - eur-lex.europa.eu

20. OECD - OECD AI तत्त्वे - oecd.ai

अधिकृत एआय असिस्टंट स्टोअरमध्ये नवीनतम एआय शोधा

आमच्याबद्दल