தன்னியக்க AI அமைப்புகள் ஒரு மாதிரியின் சீரமைப்பு தோல்விகளை நம்பத்தகுந்த முறையில் சரிசெய்ய முடியும் என்பதைக் காட்டும் ஆராய்ச்சியை ஆந்த்ரோபிக் வெளியிட்டுள்ளது, இதன் விளைவாக AI தொழிற்துறையின் மையத்தில் பாதுகாப்பு வேலைகள் எவ்வாறு செய்யப்படுகின்றன என்பதை மாற்றியமைக்கலாம். "தானியங்கி ஆராய்ச்சியாளர்கள் சீரமைப்பு தோல்விகளை நம்பகத்தன்மையுடன் தணிக்க முடியும்" என்ற தலைப்பிலான கட்டுரை வெள்ளிக்கிழமை வெளியிடப்பட்டது மற்றும் TechCrunch ஆல் விவரிக்கப்பட்டது.
இந்த ஆராய்ச்சி ஆந்த்ரோபிக்கின் கூட்டாளிகள் திட்டத்திலிருந்து வெளிவந்தது மற்றும் சென் யூ-ஹான் தலைமையிலானது. அதன் மையக் கூற்று வியக்கத்தக்கது: நிறுவனத்தின் தானியங்கு ஆராய்ச்சி அமைப்புகள் குறிப்பிட்ட தவறான நடத்தைகளை அளவிடும் பத்து அளவுகோல்களில் சுட்டிக்காட்டப்பட்டபோது, அவை ஒவ்வொன்றிலும் செயல்திறனை மேம்படுத்தின - மாதிரியின் ஒட்டுமொத்த திறன்களைக் குறைக்காமல். மாதிரி அளவுகோலில் பாதுகாப்பு வேலைகளை வைத்திருக்க போராடிய ஒரு துறைக்கு, இது ஒரு குறிப்பிடத்தக்க முடிவு. For more context on this story, see our ongoing latest AI developments.
AI பாதுகாப்பு கவரேஜுக்கான பிஸியான நீட்சியின் போது கதை இறங்கியது. ரிவார்டு ஹேக்கிங் ஏஜெண்டுகள் குறித்த OpenAI இன் உள் அறிக்கை முதல் கட்டிப்பிடிக்கும் முகத்தை மீறுவது பற்றிய சுயாதீன விசாரணைகளுக்கான அழைப்புகள் வரை முகவர் தவறான நடத்தை தலைப்புச் செய்திகளில் ஆதிக்கம் செலுத்திய கோடைகாலத்தைத் தொடர்ந்து வருகிறது. ஆந்த்ரோபிக்கின் புதிய கட்டுரை எதிர் திசையில் இருந்து சிக்கலை அணுகுகிறது: முகவர்கள் எவ்வாறு தவறாக நடந்துகொள்கிறார்கள் என்று கேட்பதற்குப் பதிலாக, மற்ற முகவர்கள் அவற்றைச் சரிசெய்வதை நம்ப முடியுமா என்று கேட்கிறது.
தாள் உண்மையில் என்ன தெரிவிக்கிறது
தாளில் விவரிக்கப்பட்டுள்ள அமைப்பு தானியங்கு சீரமைப்பு ஆராய்ச்சியாளர் அல்லது AAR என்று அழைக்கப்படுகிறது. ஆராய்ச்சி செயல்முறையை மாற்றுவதற்குப் பதிலாக, AAR அதன் பெரும்பகுதியைப் பிரதிபலிக்கிறது: ஒவ்வொரு தானியங்கு அமைப்பும் கிடைக்கக்கூடிய இலக்கியங்களைத் தேடுகிறது, ஒரு முறையை முன்மொழிகிறது மற்றும் அந்த முறையைப் பயன்படுத்தி சுமார் 30 நிமிடங்களுக்கு மாதிரியைப் பயிற்றுவிக்கிறது. செயல்முறை பின்னர் பல மறு செய்கைகளில் மீண்டும் நிகழ்கிறது.
தேர்வு நுட்பம் எளிது. அளவுகோலை நகர்த்தும் முறைகள் பாதுகாக்கப்படுகின்றன; நிராகரிக்கப்படாத முறைகள். அந்த வளையமானது கணினியை விரைவாகவும், எந்த மனிதக் குழுவும் பொருந்தாத அளவில் செயல்பட அனுமதிக்கிறது, பல ஆராய்ச்சி திசைகளை இணையாகச் சோதித்து, வேலை செய்வதை மட்டும் வைத்துக்கொள்ளும்.
தாளின் படி, முடிவுகள் பலகை முழுவதும் சீரானவை. குறிப்பிட்ட தவறான நடத்தைகளை உள்ளடக்கிய அனைத்து பத்து வரையறைகளிலும், தானியங்கு அமைப்புகள் ஒட்டுமொத்த மாதிரி செயல்திறனை பாதிக்காமல் அளவிடக்கூடிய மேம்பாடுகளை உருவாக்கியது - சீரமைப்பு வேலையை கடினமாக்கும் வழக்கமான வர்த்தகம்.
"ஒட்டுமொத்தமாக, இந்த முடிவுகள் தன்னியக்க சீரமைப்புக்கு பிந்தைய பயிற்சியானது விரைவில் நடைமுறைக்கு வரக்கூடும் என்பதற்கான ஆரம்ப ஆதாரங்களை வழங்குகிறது" என்று கட்டுரை கூறுகிறது.
மனிதர்களை வெல்வது, செலவில் 1/37ல்
தாளில் அதிகம் மேற்கோள் காட்டப்பட்ட பகுதிகள், அது AAR ஐ நேரடியாக அதன் மனித சகாக்களுடன் ஒப்பிடுகிறது. மானுடவியல் ஒப்பிடுவதில் தலையிடவில்லை.
"சிறந்த AAR முறையானது அனுபவம் வாய்ந்த மனிதர்கள் முன்மொழிந்ததை சராசரியாக ஆறு மணி நேரத்திற்குள் முறியடிக்கும்" என்று தாள் கூறுகிறது. "மனித வழிகாட்டுதல் ஆராய்ச்சி திசைகள் வலுவான செயல்திறனுக்கு வழிவகுக்காது" என்று அது சுட்டிக்காட்டுகிறது.
பொருளாதாரமும் மழுங்கியது. "எங்கள் மனித ஆராய்ச்சியாளர்களுக்கு நாங்கள் செலுத்தும் ஒரு மணி நேரத்திற்கு $150க்கு எதிராக API அனுமானத்தில் ஒரு மணி நேரத்திற்கு சுமார் $4 செலவாகும்" என்று ஆசிரியர்கள் எழுதுகிறார்கள். இது ஏறக்குறைய 40 மடங்கு செலவு வேறுபாடாகும், மேலும் ஆய்வகங்கள் தன்னியக்க ஆராய்ச்சியை ஆர்வத்தை விட ஏன் தீவிரமாக எடுத்துக் கொள்கின்றன என்பதை இது விளக்குகிறது.
ஏன் செலவு இடைவெளி முக்கியமானது
சீரமைப்பு ஆராய்ச்சி மிகவும் விலை உயர்ந்தது, அதைக் குறைத்து மதிப்பிடுவது எளிது. ஒவ்வொரு வேட்பாளரின் தலையீடும் நடைமுறைப்படுத்தப்பட வேண்டும், பயிற்சியளிக்கப்பட வேண்டும் மற்றும் வரையறைகளுக்கு எதிராக மதிப்பீடு செய்யப்பட வேண்டும், மேலும் பெரும்பாலான வேட்பாளர்கள் தோல்வியடைகின்றனர். ஏபிஐ அழைப்புகளின் விலைக்கு ஒரு சிஸ்டம் அந்தத் தேடல் வளையத்தைத் தொடர்ந்து இயக்க முடிந்தால், மேலும் ஒரு யோசனையை முயற்சிப்பதற்கான குறைந்தபட்ச செலவு பூஜ்ஜியத்தை நெருங்குகிறது. கட்டுப்பாடுகள் எண்ணிக்கையிலிருந்து கணக்கீட்டிற்கு மாறுகிறது.
வரம்புகள் மானுடவியல் தானே கொடியிடப்பட்டது
தாள் என்ன முடிவு நிறுவவில்லை என்பது பற்றி நேர்மையாக உள்ளது. தரநிலைகள் உண்மையில் முக்கியமான சீரமைப்பு இலக்குகளை பிரதிபலிக்கும் வரையில் மட்டுமே தானியங்கு அமைப்பு செயல்படும் - மேலும் நிஜ-உலக தவறான நடத்தையைப் பிடிக்கும் வரையறைகளை உருவாக்குவதும் பராமரிப்பதும் துறையில் ஒரு திறந்த பிரச்சனையாகவே உள்ளது.
எளிதில் தவறவிடக்கூடிய ஒரு சார்பு உள்ளது: தானியங்கு ஆராய்ச்சியாளர்கள் ஏற்கனவே உள்ள முறைகளின் இலக்கியத்தை வரைகிறார்கள். அந்த இலக்கியத்தை பராமரிப்பதும் விரிவுபடுத்துவதும் குறிப்பிடத்தக்க வேலையாகும், மேலும் அறியப்பட்ட நுட்பங்களை மட்டுமே ரீமிக்ஸ் செய்யும் அமைப்பு மனித படைப்பாற்றல் இல்லாத உச்சவரம்பைத் தாக்கக்கூடும்.
அந்த எச்சரிக்கைகள் முக்கியமானவை, ஏனென்றால் ஆராய்ச்சியின் நீண்ட கால முக்கியத்துவம் அவற்றைப் பொறுத்தது. அளவுகோல்கள் தவறான விஷயங்களை அளந்தால், அடிப்படை அபாயங்கள் தீண்டப்படாமல் இருக்கும் போது AAR வலுவான எண்களுக்கு அதன் வழியை மேம்படுத்த முடியும். ஆந்த்ரோபிக்ஸ் ஃப்ரேமிங் - "ஆரம்ப ஆதாரம்," ஒரு தீர்வு அல்ல - அந்த நிச்சயமற்ற தன்மையை பிரதிபலிக்கிறது.
சுழல்நிலை சுய முன்னேற்றத்தை நோக்கி ஒரு படி
சுழல்நிலை சுய-முன்னேற்றம் பற்றிய ஒரு பெரிய விவாதத்தை இந்த கட்டுரை ஊட்டுகிறது, AI அமைப்புகள் இறுதியில் அவற்றை உருவாக்கும் பயிற்சி செயல்முறைகளை மேம்படுத்தலாம். மற்ற AI மாடல்களுடன் AI மாடல்களைப் பயிற்றுவிப்பது எல்லைப்புற ஆய்வகங்களுக்கு ஒரு பிரபலமான இலக்காக மாறியுள்ளது, மேலும் ஆந்த்ரோபிக்கின் முடிவு, குறுகிய களத்தில் எப்படி இருக்கும் என்பதைப் பற்றிய ஆரம்ப, உறுதியான பார்வையாகும்.
தர்க்கம் நேரடியானது. மாதிரிகள் தங்களுடைய சொந்த சீரமைப்புப் பயிற்சியை நம்பத்தகுந்த வகையில் மேம்படுத்திக் கொள்ள முடிந்தால், அதே இயந்திரங்கள் மிகவும் பரந்த முறையில் பயிற்சி நடைமுறைகளில் சுட்டிக்காட்டப்படலாம் - திறன் வேலை சேர்க்கப்பட்டுள்ளது. டெக் க்ரஞ்ச், மனித AI ஆராய்ச்சியாளர்கள் இறுதியில் செயல்முறைக்கு குறைவான மையமாக மாறக்கூடும் என்ற உட்குறிப்பைக் குறிப்பிடுகிறது, இது தவிர்க்கப்படுவதை விட காகிதமே ஈடுபடுகிறது
அடுத்து என்ன பார்க்க வேண்டும்
இந்த முடிவு பொதுவானதா என்பதை மூன்று கேள்விகள் தீர்மானிக்கும். முதலாவதாக, மானுடவியல் சோதனை செய்த பத்து அளவுகோல்களுக்கு வெளியே அணுகுமுறை உள்ளதா, குழப்பமான மற்றும் குறைவாக நன்கு வரையறுக்கப்பட்ட தோல்வி முறைகளில். இரண்டாவதாக, தரநிலை-பராமரிப்புச் சிக்கலை, தானியங்கு ஆராய்ச்சியை நேர்மையாக வைத்திருக்கும் அளவுக்கு விரைவாகத் தீர்க்க முடியுமா. மூன்றாவதாக, மற்ற ஆய்வகங்கள் ஒப்பிடக்கூடிய முடிவுகளை வெளியிடுகின்றனவா, இது ஒரு காகிதத்தை தொழில்துறை திசையாக மாற்றும்.
இப்போதைக்கு, கண்டுபிடிப்பு குறுகியது ஆனால் உண்மையானது: மானுடவியல் சோதனை செய்யப்பட்ட குறிப்பிட்ட சீரமைப்பு பணிகளில், தானியங்கு ஆராய்ச்சியாளர்கள் அனுபவம் வாய்ந்த மனிதர்களை விஞ்சி, வேகமான மற்றும் மிகவும் மலிவானது. AI தொழில்துறையின் பாதுகாப்புப் பக்கமானது AI ஆராய்ச்சியாளர்கள் - மனிதர்கள் அல்ல - பெரும்பாலான வேலைகளைச் செய்யும் முதல் இடமாக இருக்கலாம்.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
