செயற்கை நுண்ணறிவு யுகத்திற்கான ஸ்கோர்கார்டு

எங்கும் CFOக்களிடமிருந்து நான் கேட்கும் கேள்வி எளியது: எங்கள் செயற்கை நுண்ணறிவு செலவிலிருந்து அதிக மதிப்பை எப்படிப் பெறுவது?

பல ஆண்டுகளாக, மென்பொருளின் வெற்றியை சந்தை ஏற்றுக்கொள்ளல் மூலம் அளந்தது: வாங்கப்பட்ட இடங்கள், செயலில் உள்ள பயனர்கள், புதுப்பிக்கப்பட்ட உரிமங்கள். செயற்கை நுண்ணறிவின் மதிப்பைப் புரிந்துகொள்ள இன்னும் வலுவான அளவுகோல் தேவை: நிறைவேற்றப்பட்ட வேலை.

செயற்கை நுண்ணறிவு முடிக்கும் வேலையின் மதிப்பு, அதை உருவாக்கும் செலவைவிட வேகமாக வளர்கிறதா என்பதே CFOக்களும் பிற வணிகத் தலைவர்களும் எதிர்கொள்ளும் அடிப்படை பொருளாதாரக் கேள்வி ஆகும்.

அந்தக் கேள்விக்குப் பதிலளிக்க, ஒரு டோக்கனுக்கான செலவு போன்ற அளவுகோலைவிட ஆழமாகப் பார்க்க வேண்டும். குறைந்த செலவுள்ள மாடலின் டோக்கன்கள் மலிவாக இருக்கலாம்; ஆனால் சிறந்த முடிவுகளைப் பெற அதிக முயற்சிகள், அதிக நேரம் அல்லது அதிக மனித மதிப்பாய்வு தேவைப்படலாம். அதிக திறன் கொண்ட மாடலின் டோக்கன்கள் அதிக விலையுடையதாக இருக்கலாம்; ஆனால் அதே பணியை ஒரே முயற்சியில் முடிக்கலாம். முக்கியமானது, வெற்றிகரமான முடிவை உருவாக்கும் முழுச் செலவை, அந்த முடிவு உருவாக்கும் மதிப்புடன் ஒப்பிட்டு அளவிடுவதுதான்.

செயற்கை நுண்ணறிவு யுகத்திற்கான இறுதி ஸ்கோர்கார்டை “ஒரு டாலருக்கான பயனுள்ள நுண்ணறிவு” எனக் கருதலாம். இந்த அளவுகோல் நான்கு முக்கியக் கேள்விகளுக்குப் பதிலளிக்கிறது:

1. முக்கியமான வேலையை செயற்கை நுண்ணறிவு முடிக்கிறதா?
2. ஒவ்வொரு வெற்றிகரமான பணிக்கும் என்ன செலவாகிறது?
3. மக்கள் முடிவை நம்பி பயன்படுத்த முடியுமா?
4. பயன்பாடு அதிகரிக்கும்போது ஒவ்வொரு செயற்கை நுண்ணறிவு டாலரும் அதிக மதிப்பை உருவாக்குகிறதா?

வேலையிலிருந்தே தொடங்குங்கள்.

எத்தனை வாடிக்கையாளர் பிரச்சினைகளைத் தீர்க்க செயற்கை நுண்ணறிவு உதவியது? எத்தனை கோடிங் மாற்றங்களை வெளியிட அது உதவியது? அது எத்தனை ஒப்பந்தங்களை மதிப்பாய்வு செய்தது? அது மக்களுக்கு எவ்வளவு நேரத்தை மீட்டுக் கொடுத்தது? சரியான நேரத்தில் சரியான சூழல் கிடைத்ததால் எத்தனை முடிவுகள் மேம்பட்டன?

மக்கள் பயன்படுத்தக்கூடிய வேலையாக மாறும்போது மதிப்பை டோக்கன்கள் உருவாக்குகின்றன. மாடல்கள் அதிக திறன் பெறும்போது, சூழலைப் பேணுதல், பல படிகளில் ரீஸனிங் செய்தல், கருவிகள் முழுவதும் பணியாற்றுதல், செயலில் இருக்கும்போதே ஏற்றுக்கொள்ளுதல் போன்ற நீளமானதும் சிக்கலானதுமான பணிகளை அவை மேற்கொள்ள முடியும்.

தொடங்குவதற்குச் சிறந்த இடம் ஒரு பணிப்பாய்வுதான். “முடிந்தது” என்பதன் பொருளை வரையறுத்து, வேலை நடைபெறும் முறைமையிலேயே அந்த முடிவை அளவிடுங்கள்.

ஓர் ஆதரவு அணிக்கு, “முடிந்தது” என்பது வாடிக்கையாளர் பிரச்சினை தீர்க்கப்பட்டது என்று பொருள் கொள்ளலாம். ஒரு பொறியியல் அணிக்கு, அது சோதனைகளில் தேர்ச்சி பெறும் கோடிங் மாற்றமாக இருக்கலாம். ஒரு சட்ட அணிக்கு, அது துல்லியமாகவும் நேரத்திற்குள் மதிப்பாய்வு செய்யப்பட்ட ஒப்பந்தமாக இருக்கலாம்.

முன்கணிப்பு மதிப்பாய்வுக்குத் தயாராகும் ஒரு நிதி அணியை எடுத்துக்கொள்ளுங்கள். இறுதி முடிவு எடுக்கப்படுவதற்கு முன்பே வேலைக்குப் பெரும்பகுதி நடக்கிறது: சமீபத்திய முன்கணிப்பைக் கண்டுபிடித்தல், தரவை Excel அல்லது Sheets-க்கு நகர்த்துதல், மாற்றங்களை அடையாளம் காணுதல், தாவல்களை ஒப்பீடு செய்தல், ஸ்லைடுகளை மீண்டும் உருவாக்குதல், அனைத்தும் துல்லியமாகப் பொருந்துகிறதா எனச் சரிபார்த்தல்.

ChatGPT Work அந்தச் செயல்முறையின் பெரும்பகுதியை ஏற்றுக்கொள்ள முடியும்; இதனால் அணிக்கு முக்கியமான கேள்விகளில் கவனம் செலுத்த அதிக நேரம் கிடைக்கும்: என்ன மாறியது? ஏன்? அடுத்து நாம் என்ன செய்ய வேண்டும்?

நடைமுறையில் ஒரு டாலருக்கான பயனுள்ள நுண்ணறிவு இதுதான். அதிக வேலை வேகமாக முடிகிறது; அதே நேரத்தில் மக்கள் தங்கள் நேரத்தை தீர்மானத் திறன், படைப்பாற்றல், நிபுணத்துவம் ஆகியவற்றைப் பயன்படுத்துவதில் அதிகமாக செலவிடுகிறார்கள்.

அடுத்த கேள்வி, அந்த வேலையைச் சிறப்பாக முடிக்க என்ன செலவாகிறது என்பதுதான்.

செயற்கை நுண்ணறிவு பணிகள் பரவலாக மாறுபடுகின்றன. ஒரு விரைவான பதிலுக்கு குறைந்த கம்ப்யூட் போதலாம். கோடிங், ஆராய்ச்சி அல்லது நிதி பணிப்பாய்வில் ஆழமான ரீஸனிங், கருவிப் பயன்பாடு, பல செயல்கள் ஆகியவை இருக்கலாம். அத்தகைய சிக்கலான பணிகளுக்கு அதிக கம்ப்யூட் தேவைப்படலாம்; ஆனால் அவை மிக அதிக மதிப்பை உருவாக்க முடியும்.

மாடல் மட்டத்தில், வெற்றிகரமான பணிக்கான செலவானது விலை, பயன்படுத்தப்பட்ட கம்ப்யூட் அளவு, சரியான முடிவை அடையும் வாய்ப்பு ஆகியவற்றைப் பொறுத்தது. ஒரு வணிகத்திற்கு, முழுச் செலவில் பணியாளர் நேரம், மனித மதிப்பாய்வு, மீண்டும் முயற்சிகள், மறுபணி ஆகியவையும் அடங்கும்.

கணக்கீடு நேரடியானது:

• வேலையை முடிப்பதற்கான முழுச் செலவைச் சேர்க்கவும்.
• தேவையான தர அளவைப் பூர்த்தி செய்த பணிகளை எண்ணவும்.
• முழுச் செலவை வெற்றிகரமான பணிகளின் எண்ணிக்கையால் வகுக்கவும்.

இதனால்தான் ஒரு டோக்கனுக்கான மிகக் குறைந்த விலை எப்போதும் ஒரு முடிவுக்கான மிகக் குறைந்த செலவை உருவாக்காது. ஒரே முயற்சியில் சரியான பதிலை வழங்கி, மீண்டும் முயற்சிகள், தாமதம், மதிப்பாய்வு, மொத்த கம்ப்யூட் ஆகியவற்றைக் குறைத்தால், வழக்கமான கோரிக்கைக்கும் சிறந்த மதிப்பை ஓர் அதிநவீன மாடல் வழங்கலாம்.

அடுக்குகளாக அமைந்த மாடல் குடும்பம், இந்தச் சமன்பாட்டை மேம்படுத்த வாடிக்கையாளர்களுக்கு அதிக வழிகளை வழங்குகிறது. கடந்த வாரம் நாங்கள் வெளியிட்ட GPT‑5.6‑க்கு மூன்று அடுக்குகள் உள்ளன: Sol எங்கள் முதன்மை மாடல்; Terra செயல்திறனையும் செலவையும் சமநிலைப்படுத்துகிறது; Luna எங்களின் வேகமானதும் மிகவும் மலிவானதுமான மாடல்.

இந்த அடுக்குகள் பயனுள்ள தொடக்கப் புள்ளிகளை வழங்குகின்றன. முழுப் பணியின் பொருளாதாரமே இறுதியில் சரியான மாடலைத் தீர்மானிக்க வேண்டும். ஒரு வாடிக்கையாளர் வேகமான, அதிக அளவிலான பணிப்பாய்வுக்கு Luna-ஐ, அதிக ஆழம் தேவைப்படும் வேலைக்கு Terra-ஐ அல்லது குறைவான முயற்சிகளில் வலுவான ரீஸனிங் சிறந்த முடிவை வழங்கும்போது Sol-ஐ பயன்படுத்தலாம்.

ஒவ்வொரு டோக்கனிலிருந்தும் அதிக பயனுள்ள வேலை கிடைக்க GPT‑5.6‑ஐ நாங்கள் பயிற்றுவித்தோம். Artificial Analysis Coding Agent Index-இல், அதிகபட்ச ரீஸனிங் அமைப்புடன் GPT‑5.6 Sol, மற்றொரு முன்னணி மாடலைவிட 54% குறைவான வெளியீட்டு டோக்கன்களைப் பயன்படுத்தி புதிய அதிநவீன நிலையை அமைத்தது. கீழே உள்ள விளக்கப்படம் ஒப்பீட்டை விளக்குகிறது.

GPT‑5.6 குடும்பம் முழுவதிலும் இலக்கு ஒன்றே: ஒரு டாலருக்கு அதிக வெற்றிகரமான வேலை. அதிக செயல்திறன், ஏற்கனவே உள்ள பணிகளை மேலும் மலிவாக்குகிறது. அதிக திறன், முற்றிலும் புதிய வகை வேலைகளைச் சாத்தியமாக்குகிறது.

ஒவ்வொரு புதிய மாடல் தலைமுறையும் அந்தச் சமன்பாட்டின் இரு பக்கங்களையும் மேம்படுத்த வேண்டும். ஒவ்வொரு பணியையும் முடிக்கும் செலவு தொடர்ந்து குறையும் அதே நேரத்தில், வாடிக்கையாளர்கள் அதிக மதிப்புள்ள வேலையைச் செய்யக்கூடியவர்களாக இருக்க வேண்டும்.

மூன்றாவது அளவுகோல் நம்பகத்தன்மை.

செயற்கை நுண்ணறிவு ஏற்றுக்கொள்ளல் படிப்படியாக ஆழமடையும் தன்மை கொண்டது. முதலில், வரைவு உருவாக்க செயற்கை நுண்ணறிவு உதவுகிறது. பின்னர் அது சூழலைக் கண்டுபிடித்து, கருவிகள் மற்றும் தரவு முழுவதும் ரீஸனிங் செய்கிறது. காலப்போக்கில், அது நடவடிக்கை எடுக்கவும், விதிவிலக்குகளை கையாளவும், பணிப்பாய்வுகளை முடிக்கவும் தொடங்குகிறது; தேவையான இடங்களில் மக்கள் தீர்மானத்தையும் கட்டுப்பாட்டையும் வழங்குகிறார்கள்.

ஒவ்வொரு படியும் அதிக மதிப்பை உருவாக்கி, முறைமையிடமிருந்து மேலும் அதிகமாக எதிர்பார்க்கிறது.

நம்பகத்தன்மைக்கு நேரடி பொருளாதார மதிப்பு உள்ளது. முடிவுகள் துல்லியமாகவும், நல்ல ஆதாரங்களுடன் கூடியதாகவும், சீரானதாகவும், பொருத்தமான முறையில் மேல்நிலைக்கு அனுப்பப்பட்டதாகவும் இருக்கும்போது, மதிப்பாய்வு, திருத்தம், வேலையை மீண்டும் செய்தல் ஆகியவற்றில் மக்கள் குறைவான நேரம் செலவிடுகிறார்கள். வெற்றிகரமான பணிகளின் செலவு குறைகிறது; மேலும் நிறுவனங்கள் முக்கியமான பணிப்பாய்வுகளில் செயற்கை நுண்ணறிவைப் பயன்படுத்தும் நம்பிக்கையைப் பெறுகின்றன.

மூன்று முடிவுகளைக் கண்காணிப்பதன் மூலம் அணிகள் இதைத் தெளிவாக்கலாம்:

• பயன்படுத்தத் தயார்: வழங்கப்பட்டபடியே தர அளவை முடிவு பூர்த்தி செய்தது.
• திருத்தம் தேவை: முடிவுக்கு மற்றொரு முயற்சி அல்லது மனிதத் திருத்தங்கள் தேவைப்பட்டன.
• மேல்நிலையாக்கம் தேவை: ஒருவர் தலையிட்டு வேலையை முடிக்க வேண்டியிருந்தது.

மாடல் துல்லியம் மட்டும் சொல்லுவதைவிட வளமான கதையை இந்த அளவீடுகள் சொல்கின்றன. திட்டத்தை முடிக்க வேண்டிய வேலையை செயற்கை நுண்ணறிவு உண்மையிலேயே குறைக்கிறதா என்பதை அவை காட்டுகின்றன.

நம்பகத்தன்மைக்கு தெளிவான எல்லைகளும் தேவை. செயற்கை நுண்ணறிவு வரைவு உருவாக்கத்திலிருந்து நடவடிக்கை எடுப்பதற்கு நகர்வதற்கு முன், நிறுவனங்கள் வரையறுக்க வேண்டியது:

• முறைமை எந்தத் தரவை அணுக முடியும்.
• அது எந்த முறைமைகளைப் பயன்படுத்தலாம் அல்லது மாற்றலாம்.
• ஒருவர் எப்போது ஒரு செயலை மதிப்பாய்வு செய்ய வேண்டும் அல்லது அங்கீகரிக்க வேண்டும்.

பாதுகாப்பு, பாதுகாப்புத்தன்மை, தனியுரிமை, கட்டுப்பாடு ஆகியவை ஆழமான பயன்பாட்டிற்கான அடித்தளத்தை உருவாக்குகின்றன. முறைமை எவ்வாறு நடந்து கொள்கிறது, அவற்றின் தரவு எவ்வாறு கையாளப்படுகிறது, அதன் செயல்கள் எவ்வாறு நிர்வகிக்கப்படுகின்றன என்பதை மக்கள் புரிந்துகொள்ள வேண்டும்.

ChatGPT Work, ChatGPT Enterprise-இன் பாதுகாப்புத்தன்மை, தனியுரிமை, இணக்கத்தன்மை, வர்க்ஸ்பேஸ் மேலாண்மை ஆகிய அடித்தளத்தின் மீது உருவாக்கப்பட்டுள்ளது. இதனால் நிறுவனங்கள் பொருத்தமான மேற்பார்வையைப் பேணிக்கொண்டே, செயற்கை நுண்ணறிவுக்கு அதிக சூழலையும் அதிக மதிப்புள்ள பணிப்பாய்வுகளுக்கான அணுகலையும் வழங்க முடியும்.

திறனே முதல் பயன்பாட்டைப் பெற்றுத் தருகிறது. நம்பகத்தன்மை, வேலை நடைபெறும் விதத்தின் ஒரு பகுதியாக செயற்கை நுண்ணறிவை மாற்றுகிறது.

இறுதி கேள்வி, விரிவடையும்போது பொருளாதாரம் மேம்படுகிறதா என்பதுதான்.

காலப்போக்கில் அதே பணிப்பாய்வைப் பின்தொடர்ந்து நிறுவனங்கள் இதை அளவிடலாம். தர அளவை எத்தனை பணிகள் பூர்த்தி செய்தன, அவற்றை முடிக்க மொத்தச் செலவு எவ்வளவு, வெற்றிகரமான பணிக்கான செலவு எவ்வளவு என்பதை கண்காணிக்கவும். தரம் நிலைத்திருக்கும்போது அல்லது மேம்படும்போது, முடிக்கப்பட்ட வேலை மொத்தச் செலவைவிட வேகமாக வளர்ந்தால், ஒவ்வொரு செயற்கை நுண்ணறிவு டாலரும் அதிக மதிப்பை உருவாக்குகிறது.

இந்தச் சமன்பாட்டின் மையத்தில் கம்ப்யூட் உள்ளது.

ஆராய்ச்சிக்கும் செயற்கை நுண்ணறிவு முடிக்கும் ஒவ்வொரு பணிக்கும் கம்ப்யூட் ஆற்றல் அளிக்கிறது. அது தயாரிப்பு தரம், வேகம், நம்பகத்தன்மை, கிடைப்புத்தன்மை, செலவு ஆகியவற்றை வடிவமைக்கிறது. எதிர்காலத் திறனை பயிற்சி கம்ப்யூட் உருவாக்குகிறது. இன்ஃபரன்ஸ் கம்ப்யூட் இன்று பயனுள்ள வேலையை வழங்குகிறது. இரண்டும் வாடிக்கையாளர்களுக்கு சிறந்த முடிவுகளாக மாற வேண்டும்.

சிறந்த மாடல்கள், அதிக செயல்திறன் கொண்ட இன்ஃபரன்ஸ், குறிப்பிட்ட நோக்கத்திற்காக உருவாக்கப்பட்ட வன்பொருள், அதிக பயன்பாடு, புத்திசாலித்தனமான ரூட்டிங், வலுவான தயாரிப்பு வடிவமைப்பு ஆகிய அனைத்தும் கம்ப்யூட் வருவாயை மேம்படுத்துகின்றன. ஒவ்வொரு தலைமுறை உட்கட்டமைப்பும் அதிக திறன் கொண்ட மாடல்களைப் பயிற்றுவிக்க உதவுகிறது. மேம்பட்ட அல்காரிதங்கள், வன்பொருள், மென்பொருள் ஆகியவை பின்னர் அந்த மாடல்களை இன்னும் திறம்பட வழங்க உதவுகின்றன.

வாடிக்கையாளர்கள் அந்த மேம்பாடுகளை மனித அளவில் அனுபவிக்கிறார்கள்: சிறந்த பதில்கள், வேகமான முடிவுகள், குறைவான திருத்தங்கள், அதிக நம்பகமான தயாரிப்புகள், அவர்கள் முடிக்க வேண்டிய வேலைக்கு குறைந்த செலவு.

இந்தப் பலன்கள் சேர்ந்து பெருகுகின்றன. சிறந்த உட்கட்டமைப்பு ஆராய்ச்சியை வேகப்படுத்துகிறது. ஆராய்ச்சி அதிக திறன் மற்றும் செயல்திறன் கொண்ட மாடல்களை உருவாக்குகிறது. தயாரிப்புகளை சிறந்த மாடல்கள் மேம்படுத்துகின்றன. ஏற்றுக்கொள்ளல், கற்றல், வருவாய் ஆகியவற்றை சிறந்த தயாரிப்புகள் முன்னெடுக்கின்றன. அடுத்த தலைமுறை ஆராய்ச்சி, கம்ப்யூட், செயல்படுத்தல், பாதுகாப்பு ஆகியவற்றில் தொடர்ந்து முதலீடு செய்வதை அந்த வளர்ச்சி ஆதரிக்கிறது.

OpenAI இந்த கூறுகளை ஒரே பகிரப்பட்ட நுண்ணறிவு தளத்தின் மூலம் ஒன்றிணைக்கிறது. மக்கள் அதை ChatGPT மற்றும் ChatGPT Work மூலம் பயன்படுத்துகிறார்கள். டெவலப்பர்கள் Codex மற்றும் API மூலம் அதைக் கொண்டு உருவாக்குகிறார்கள். நிறுவனங்கள் வேலை நடைபெறும் அமைப்புகளுக்குள் அதை செயல்படுத்துகின்றன.

ஓர் அடுக்கு மேம்பட்டால், ஒவ்வொரு தயாரிப்பும் வாடிக்கையாளரும் பயன் பெறலாம்.

இந்த நான்கு அளவீடுகளும் சேர்ந்து, ஒரு டாலருக்கான பயனுள்ள நுண்ணறிவு மேம்படுகிறதா என்பதை நமக்குச் சொல்கின்றன.

செயற்கை நுண்ணறிவு என்ன உருவாக்குகிறது என்பதை பயனுள்ள வேலை சொல்கிறது. முடிவை அடைய என்ன தேவைப்படுகிறது என்பதை வெற்றிகரமான பணிக்கான செலவு சொல்கிறது. மக்கள் எவ்வளவு வேலையை நம்பிக்கையுடன் பயன்படுத்த முடியும் என்பதை நம்பகத்தன்மை சொல்கிறது. காலப்போக்கில் ஒவ்வொரு டாலரும், ஒவ்வொரு கம்ப்யூட் அலகும் அதிகம் சாதிக்கிறதா என்பதை ஏற்றுக்கொள்வதிலான மதிப்பு சொல்கிறது.

மக்கள் அதிக அர்த்தமுள்ள வேலையைச் செய்யவும், சிறந்த முடிவுகளை எடுக்கவும், தனித்துவமான மனிதத் தீர்மானத் திறனும் படைப்பாற்றலும் தேவைப்படும் தங்கள் பணியின் பகுதிகளில் அதிக நேரம் செலவிடவும் உதவும் செயற்கை நுண்ணறிவே இலக்கு.

ஒவ்வொரு தலைமுறையிலும் அந்தச் சமன்பாட்டை மேம்படுத்துவதே எங்கள் பணி: அதிக திறன் கொண்ட மாடல்கள், வேகமானதும் அதிக நம்பகமானதுமான முடிவுகள், வாடிக்கையாளர்கள் முடிக்க வேண்டிய வேலைக்கு குறைந்த செலவுகள்.

காலப்போக்கில் அதிகமான மக்களுக்கும் நிறுவனங்களுக்கும் செயற்கை நுண்ணறிவு இவ்வாறே அதிக பயனுள்ளதாகிறது.