Արհեստական բանականության ոլորտը ներկայումս ենթարկվում է սեյսմիկ տեղաշարժերի. վերջին հինգ տարիների հաշվողական հավակնոտ ձգտումները վերջապես բախվում են մտավոր սեփականության իրավունքի կառուցվածքային իրողությունների հետ: Anthropic-ի մասնակցությամբ վերջերս կնքված 1,5 միլիարդ դոլար արժողությամբ համաձայնագիրը վճռորոշ շրջադարձային կետ է ոլորտի համար: Թեև ոլորտի փորձագետները շտապում են սա ներկայացնել որպես ստեղծագործողների հաղթանակ, կորպորատիվ հատվածի համար սա շատ ավելի բարդ խնդիր է՝ նորարարության նկատմամբ «դատական հարկի» բարձր գնով դարաշրջանի սկիզբ:

Բիզնես առաջնորդների և տեխնիկական տնօրենների (CTO) համար ուղերձը հստակ է. խոշոր լեզվական մոդելների (LLM) ուսուցման «Վայրի արևմուտքի» դարաշրջանը փաստացի ավարտված է: Մինչ մենք թևակոխում ենք Generative AI-ի հասունացման հաջորդ փուլ, ուշադրությունը տեղափոխվում է «որքա՞ն տվյալ կարող ենք ներմուծել» հարցից դեպի «ինչպե՞ս կարող ենք աուդիտի ենթարկել մեր տվյալների ծագումը» հարցը: Այս անցումը ոչ միայն իրավական խոչընդոտ է, այլև հիմնարար ճարտարապետական մարտահրավեր յուրաքանչյուր ընկերության համար, որը ներկայումս զբաղվում է թվային փոխակերպմամբ (digital transformation) կամ ձգտում է խելացի համակարգեր ներդնել իր աշխատանքային գործընթացներում:

Համապատասխանության գինը և էթիկայի ROI-ն

1,5 միլիարդ դոլար արժողությամբ համաձայնագրի ֆինանսական ծանրակշռությունը արթնացման կոչ է այն կազմակերպությունների համար, որոնք իրենց ներքին AI ռազմավարությունները կառուցել են բաց կոդով մոդելների վրա՝ առանց մատակարարների նկատմամբ պատշաճ ստուգումներ իրականացնելու: Երբ ձեռնարկությունները ներքին վերլուծության, հաճախորդների սպասարկման կամ բովանդակության ավտոմատ ստեղծման համար օգտագործում են LLM-ներ, նրանք ըստ էության ժառանգում են մոդելի ուսուցողական տվյալների իրավական ռիսկերը: Եթե մոդելը ուսուցանվել է հեղինակային իրավունքը խախտող նյութերի վրա, ապա այդ մոդելից օգտվողը կարող է հայտնվել անկայուն վիճակում:

Կազմակերպությունների համար սա ներդրումների եկամտաբերության (ROI) հաշվարկներում նոր փոփոխական է ներմուծում: Տեխնիկական ենթակառուցվածքների ծախսերից (GPU-ներ, ամպային ռեսուրսներ, ճշգրտում) բացի, բիզնեսները այժմ պետք է հաշվի առնեն «համապատասխանության հավելավճարը» (compliance premium): Այս հավելավճարը ներառում է.

  • Տվյալների ծագման աուդիտ. Սեփական մոդելների ճշգրտման (fine-tuning) համար օգտագործվող բոլոր տվյալների հավաքածուների համար վերահսկողության հստակ շղթայի ստեղծում:
  • Փոխհատուցման ռազմավարություններ. AI մատակարարներից ավելի խիստ իրավական երաշխիքներ պահանջելը՝ հատկապես Claude, GPT-4 կամ Gemini-ի նման առևտրային մոդելներում օգտագործված ուսուցողական հավաքածուների վերաբերյալ:
  • Սինթետիկ տվյալների խողովակաշարեր. Ներդրումներ սեփական սինթետիկ տվյալների ստեղծման մեջ, ինչը վերացնում է հանրային վեբ ռեսուրսներից տվյալների հավաքագրման իրավական անորոշությունը:
  • Կառավարման շրջանակներ. Խիստ ներքին քաղաքականությունների իրականացում, որոնք կարգավորում են, թե որ մոդելները կարող են աշխատակիցներն օգտագործել կոնկրետ կորպորատիվ խնդիրների համար:

Թեև սա կարող է հավելյալ բեռ թվալ, այն իրականում AI-ի ներդրման ավելի ամուր հիմքերի խթան է: Այն ընկերությունները, որոնք առաջնահերթություն են տալիս մաքուր, լիցենզավորված տվյալներին, կառուցում են ավելի կայուն մոդելներ, որոնք քիչ հակված են «հալյուցինացիաների», որոնք հաճախ բնորոշ են անհիմն և չստուգված ուսուցողական հավաքածուներին: Երկարաժամկետ հեռանկարում էթիկական տվյալների կառուցվածքներում ներդրումներ կատարելը ռիսկերի մեղմման միջոց է, որը պաշտպանում է ապրանքանիշի արժեքը և բիզնեսի երկարաժամկետ կայունությունը:

Ավտոմատացում, AI գործակալներ և գործառնությունների ապագան

Իրավական համաձայնագիրը մեկուսացված երևույթ չէ. այն անմիջականորեն ազդում է այն բանի վրա, թե որքան արագ ընկերությունները կարող են մասշտաբավորել իրենց AI գործակալները և ավտոմատացված համակարգերը: Մինչ բիզնեսները պարզ չաթ-բոտերից անցնում են ինքնավար գործակալների, որոնք ունակ են բազմաքայլ առաջադրանքներ կատարել CRM կամ ERP համակարգերում, մաքուր և սեփական տվյալների անհրաժեշտությունը դառնում է սուր:

Եթե գործակալը փոխազդում է հաճախորդների տվյալների կամ մտավոր սեփականության հետ, այն չի կարող ուսուցանվել հանրային տվյալների վրա, որոնք կարող են պարունակել վնասակար կամ իրավական առումով զգայուն տեղեկատվություն: Մենք տեսնում ենք «ուղղահայաց AI»-ի (verticalized AI) հստակ միտում՝ մոդելներ, որոնք ուսուցանվում են հատուկ, մշակված և լիցենզավորված ոլորտային տվյալների վրա, այլ ոչ թե համացանցային ընդհանուր հավաքածուների: Այս տեղաշարժը հնարավորություն է տալիս կազմակերպություններին կառուցել ոչ միայն ավելի խելացի, այլև իրավականորեն պաշտպանելի գործակալներ:

Ղեկավար անձնակազմի համար սա ուժեղացնում է «կառուցե՞լ, թե՞ գնել» որոշումների կայացման գործընթացը: Թեև հանրային հիմնական մոդելների օգտագործումը արդյունավետ է նախատիպերի մշակման համար, երկարաժամկետ ռազմավարական առավելությունը կայանում է հատուկ աշխատանքային հոսքերի կառուցման մեջ, որոնք օգտագործում են Retrieval-Augmented Generation (RAG): Կենտրոնանալով RAG-ի վրա՝ ձեռնարկությունները կարող են օգտագործել իրենց սեփական ներքին փաստաթղթերն ու տվյալների բազաները՝ AI մոդելներին համատեքստ տրամադրելու համար՝ շրջանցելով առևտրային LLM-ների հիմնական ուսուցողական հավաքածուների հետ կապված ռիսկերը:

Բացի հաղթահարում. որտեղ ռազմավարությունը հանդիպում է կատարմանը

Բիզնես առաջնորդների համար առաջընթացի ուղին