डीपसीक का आर 1: एक उपयोगी अनुस्मारक

एक कॉलेज शिक्षक और पूर्व आईटी उद्योग के दिग्गज के रूप में, मुझे लगता है कि चीन के डीपसीक आर 1 मॉडल के बारे में हype तीन बातों की एक उपयोगी अनुस्मारक है।

पहली बात यह है कि जनरेटिव एआई अब केवल विशाल सामग्री को संसाधित करने और प्रॉम्प्ट के लिए प्रासंगिक प्रतिक्रियाएं उत्पन्न करने के बारे में नहीं है; यह संज्ञानात्मक तर्क (आर 1 में “आर”) के बारे में भी है।

संज्ञानात्मक तर्क बड़े भाषा मॉडल (एलएलएम) का वादा है कि विशाल ज्ञान पुनर्प्राप्ति और संज्ञानात्मक प्रसंस्करण क्षमताएं – जो पहले मस्तिष्क वाले लोगों के लिए सुपरकंप्यूटर के साथ विशेषज्ञता का विशेष क्षेत्र था – अब लगभग हर किसी के हाथ में हैं। धन्यवाद एक नए पीढ़ी की दक्षता-बढ़ाने वाली तकनीकों की उन्नति के लिए, ऐसे मॉडल हैं जो एक पारंपरिक लैपटॉप पर चल सकते हैं और जो कई बुद्धिमान एजेंटों को समर्थन दे सकते हैं जो स्वायत्त रूप से जटिल, इंटरैक्टिव कार्य कर सकते हैं।

दूसरा, जनरेटिव एआई क्रांति मुख्य रूप से नवाचार और रचनात्मकता के बारे में है – यह केवल सबसे शक्तिशाली हार्डवेयर, प्रशिक्षण डेटा सेट के आकार, या मॉडल पैरामीटर की संख्या के लिए एक हथियारों की दौड़ नहीं है। इन प्रौद्योगिकियों का सफल अपनाना बड़े पैमाने पर ऊर्जा-गuzzling सुपर कंप्यूटरों के साथ बड़े पैमाने पर मॉडल प्रशिक्षण करने वाली बड़ी टेक कंपनियों द्वारा निर्धारित नहीं किया जाएगा – लेकिन देशों और संगठनों द्वारा जो मानव पूंजी में निवेश करते हैं ताकि वे इस नए तरंग के लिए तैयार हों।

तीसरा, और उस अंतिम बिंदु पर निर्माण, अमेरिका इस अर्थव्यवस्था और समाज में आने वाले नाटकीय परिवर्तनों के लिए बहुत अच्छी तरह से तैयार नहीं लगता है। मैं दो उदाहरणों का हवाला दूंगा: उच्च शिक्षा और कॉर्पोरेट अमेरिका।

उच्च शिक्षा

अधिकांश उच्च शिक्षा संस्थानों में, एक स्नातक का पहला बड़ा निर्णय यह तय करना है कि क्या बैचलर ऑफ आर्ट्स (बीए) की डिग्री का पीछा करना है, जो एक व्यापक, अधिक अंतःविषय शिक्षा से जुड़ा हुआ है, या बैचलर ऑफ साइंस (बीएस) की डिग्री जो विशिष्ट क्षेत्रों में कौशल और हाथों के अनुभव विकसित करने पर अधिक केंद्रित है।

एआई के युग में, यह एक आशाहीन रूप से पुरानी द्वंद्व है, क्योंकि दोनों प्रकार के अनुशासन कार्यस्थल में आवश्यक हो रहे हैं।

तथ्य यह है कि अधिकांश पहले वर्ष के छात्रों के पास यह जानने के लिए पर्याप्त ज्ञान या अंतर्दृष्टि नहीं है कि विभिन्न प्रकार की नौकरियों में काम करने का क्या मतलब है, या यहां तक कि उनकी अपनी ताकत, कमजोरियों, कौशल और प्रतिभाओं के बारे में भी। और फिर भी, अधिकांश पहले वर्ष के छात्रों को एक प्रमुख घोषित करने की आवश्यकता है, जो केवल उस छोटे प्रतिशत के लिए एक आसान निर्णय होगा जो (बेहतर या बदतर के लिए) जानते हैं (या कम से कम सोचते हैं कि वे जानते हैं) कि कौन सा क्षेत्र वे आगे बढ़ना चाहते हैं: इंजीनियरिंग, विज्ञान, चिकित्सा, कानून, आदि।

हमें उच्च शिक्षा के लिए एक बहुत ही अलग, करियर-तैयार, अधिक अंतःविषय दृष्टिकोण की आवश्यकता है जो स्वीकार करता है कि एक कॉलेज स्नातक की पहली पूर्णकालिक नौकरी उनकी डिग्री या प्रमुख से कुछ भी नहीं हो सकती है; उनका कॉलेज अनुभव जीवन भर सीखने की यात्रा के पहले चरण का प्रतिनिधित्व करेगा – कौशल में सुधार, प्रमाणीकरण, पुनरावृत्ति, करियर स्विचिंग – ऐसी भूमिकाओं के लिए जिन्हें हम अभी तक कल्पना नहीं कर सकते हैं।

इसके अलावा, शिक्षकों के रूप में, हमें एआई प्लेगियारिज्म से निपटने और चैटबॉट्स को बौद्धिक शॉर्टकट बनाने के खतरों से निपटने के लिए नई रणनीतियों को विकसित करने की आवश्यकता है – या “संज्ञानात्मक ऑफलोडिंग” – बाहरी उपकरणों पर निर्भर रहने की प्रवृत्ति के बजाय आंतरिक क्षमताओं को विकसित करने के लिए।

एक युग में जब ज्ञान को समझ से अलग किया जा रहा है, तो किसी अवधारणा को समझने या समस्या का समाधान करने के लिए संघर्ष करने के बजाय एआई को तुरंत उत्तर या समाधान के लिए प्रॉम्प्ट करने के लिए बहुत अधिक प्रलोभन है।

कॉर्पोरेट आईटी

अधिकांश निगमों को भी यह एहसास नहीं है कि इन नई प्रौद्योगिकियों के संगठनात्मक परिणाम क्या हैं।

वर्तमान आईटी भूमिकाएं और संरचनाएं पिछली डिजिटल क्रांति से उत्पन्न होने वाली संगठनात्मक आवश्यकताओं को प्रतिबिंबित करती हैं। ये कार्य मानवों द्वारा कंप्यूटरों का उपयोग करने और बातचीत करने के लिए आवश्यक विशेषज्ञता से उत्पन्न हुए – प्रोग्रामिंग, डेटा इंजीनियरिंग, कंप्यूटर वास्तुकला, नेटवर्क प्रशासन, सूचना सुरक्षा, आदि।

इसके विपरीत, संज्ञानात्मक एआई (और प्राकृतिक भाषा प्रसंस्करण के क्षेत्र जिसने इसके पहले पूर्ववर्ती किया था) कंप्यूटरों को मानवों के साथ बातचीत करने के लिए डिजाइन और प्रशिक्षित करने के बारे में है।

परिणामस्वरूप, रैंक और फ़ाइल कर्मचारी इन प्रौद्योगिकियों का उपयोग करने के लिए उत्कृष्ट (और कभी-कभी खतरनाक) तरीके से आविष्कार कर रहे हैं। संगठन उत्पादकता लाभ को अधिकतम करने और जोखिमों को कम करने के लिए कार्यशील नीतियों, प्रक्रियाओं और नियंत्रणों के साथ आने के लिए संघर्ष कर रहे हैं।

एक प्रमुख समस्या यह है कि अधिकांश निगमों में, डेटा विज्ञान विशेषज्ञता आमतौर पर आईटी विभागों में केंद्रित होती है, जो अभी भी एक गुप्त गिल्ड के रूप में काम करती है जिसमें उनकी自己的 रहस्यमय भाषा और प्रथाएं होती हैं जो संगठनात्मक और कार्यात्मक रूप से कोर व्यवसाय इकाइयों से अलग होती हैं। मुझे लगता है कि आगामी उत्पादकता क्रांति के लिए नए प्रकार के संगठनात्मक भूमिकाओं और संरचनाओं की आवश्यकता है, जिसमें डेटा विशेषज्ञता को विशेष कार्य में अलग नहीं किया जाता है, बल्कि लगभग हर ऑपरेशन के हिस्से से जुड़ा होता है।

और फिर भी डेटा चुनौती है। अधिकांश संगठनों में, एआई को अपनाने के लिए विशेष उपयोग मामलों को निष्पादित करने के लिए एलएलएम को अनुकूलित करने के बारे में है। जबकि व्यवसाय के उपयोगकर्ता स्वामित्व वाले डेटा के मालिक हैं, जो डेटा को पूरी तरह से सटीक, साफ और प्रबंधित करना चाहते हैं, आईटी में व्यक्तिगत डेटा मालिकों के पास इस स्तर की गुणवत्ता और पारदर्शिता सुनिश्चित करने के लिए बजट, वित्तीय प्रोत्साहन या संगठनात्मक अधिकार नहीं है।

परिणामस्वरूप, आंतरिक डेटा सेट अच्छी तरह से प्रबंधित या पूरे उद्यम में खोजे नहीं जाते हैं। आमतौर पर विभिन्न प्रकार के डेटा विभिन्न स्थानों पर संग्रहीत होते हैं। व्यवसाय उपयोगकर्ताओं के अनुरोधों के जवाब में, आईटी विभिन्न डेटा दृष्टिकोण प्रदान करता है, डेटा की विभिन्न प्रतियां बनाता है (और प्रतियों की प्रतियां), और विभिन्न कारणों से डेटा के संपर्क और स abstracts बनाता है … इस बिंदु पर, कोई नहीं जानता कि कौन से संस्करण पुराने, अधूरे, दोहराए गए, असटीक हैं या उनका संदर्भ है।

निष्कर्ष

जनरेटिव एआई ज्ञान कार्य के सभी रूपों को बदलने की क्षमता रखता है। इसके मूल में, यह प्रौद्योगिकी विशेषज्ञता के लोकतंत्रीकरण (अच्छे और बुरे दोनों के लिए) के बारे में है – मध्यस्थता विशेषज्ञों जैसे कोडर, वीडियोग्राफर, चित्रकार, लेखक, संपादक, और लगभग किसी भी प्रकार के ज्ञान कार्यकर्ता या “विशेषज्ञ”। पहले से कभी भी, मनुष्यों ने एक प्रौद्योगिकी के साथ नहीं निपटा है जो उनकी自己的 संज्ञानात्मक प्रसंस्करण और तर्क क्षमताओं को प्रतिद्वंद्वी बनाती है – केवल उनकी शारीरिक ताकत, सहनशीलता, सटीकता और डेटा की विशाल मात्रा को संसाधित करने और मैनिपुलेट करने की क्षमता के लिए नहीं।

यह उत्साहजनक नई उत्पादकता क्रांति के लिए नए कौशल सेट, क्षमताओं और संगठनात्मक संरचनाओं की आवश्यकता है, जिसमें डेटा विशेषज्ञता लगभग प्रत्येक व्यवसाय प्रक्रिया का एक अभिन्न अंग है।

विडंबना यह है कि जैसे ही मशीनें अधिक विश्लेषणात्मक शक्तियों को प्राप्त करती हैं, एक संगठनात्मक पदानुक्रम में एक कर्मचारी की स्थिति और मूल्य विशेषज्ञता, अनुभव और प्रमाण-पत्रों का कम और रचनात्मक, बहुस्त्रीय और अंतर-व्यक्तिगत कौशल का अधिक कार्य बन सकता है।

इन क्षमताओं में विकसित होने और निवेश करने का समय अब है।