Twitch-ի և նրա մայր ընկերության՝ Amazon-ի շուրջ վերջերս ծավալված քննարկումները մատնանշում են ժամանակակից թվային լանդշաֆտի առանցքային հակասությունը. ստեղծագործական բովանդակության և Generative AI (գեներատիվ արհեստական բանականության) մոդելների՝ տվյալների նկատմամբ անհագ պահանջարկի միջև առկա լարվածությունը: Քանի որ Amazon-ը թարմացնում է իր պայմանները՝ թույլ տալով սթրիմերներին հրաժարվել իրենց ուղիղ եթերների և VOD-ների (տեսանյութեր ըստ պահանջի) օգտագործումից մոդելների ուսուցման նպատակով, ոլորտը ստիպված է բախվել ավելի լայն, էքզիստենցիալ հարցի՝ ավտոմատացման դարաշրջանում տվյալների ինքնիշխանության վերաբերյալ:

Բիզնեսի ղեկավարների համար սա պարզապես խաղային ինֆլյուենսերներին վերաբերող նեղ խնդիր չէ. սա այն իրավական և էթիկական պատշաճ ջանասիրության նախադեպն է, որն անհրաժեշտ է ընկերություններին՝ արհեստական բանականությունը (AI) իրենց աշխատանքային գործընթացներում ներդնելու համար: Երբ հարթակները՝ լինեն դրանք սոցիալական ցանցեր, թե կորպորատիվ ծրագրային լուծումներ, փոխում են իրենց հեռաչափության (telemetry) և տվյալների օգտագործման քաղաքականությունը, դրանց ազդեցությունը սեփական աշխատանքային հոսքերի և ապրանքանիշի արժեքի վրա կարող է զգալի լինել:

Տվյալների ծագման երկընտրանքը կորպորատիվ AI-ում

Տարիներ շարունակ կորպորատիվ աշխարհը «մեծ տվյալները» (big data) դիտարկում էր որպես ակտիվ, որը պետք է հավաքել, համախմբել և կուտակել: Այսօր այդ մոտեցումը փոխվել է, և «բարձրորակ տվյալները» դարձել են AI-ի մատակարարման շղթայի ամենասուղ ռեսուրսը: Large Language Models-ը (լեզվական մեծ մոդելներ) և մուլտիմոդալ գործակալներն այնքան արդյունավետ են, որքան այն տվյալների բազաները, որոնց վրա դրանք ուսուցանվել են: Amazon-ի՝ բովանդակություն ստեղծողների համար հրաժարման (opt-out) մեխանիզմ սահմանելու քայլը վկայում է այն աճող գիտակցման մասին, որ տվյալներն այլևս «անվճար ռեսուրս» չեն, որոնք կարելի է անվերջ քերել (scrape) առանց որևէ խոչընդոտի:

Այս տեղաշարժը լուրջ ազդեցություն ունի այն ընկերությունների ROI-ի (ներդրումների հետգնելիության) վրա, որոնք ներկայումս իրականացնում են Digital Transformation (թվային փոխակերպում): Շատ ընկերություններ շտապում են իրենց ներքին փաստաթղթերը, հաճախորդների սպասարկման սղագրությունները և գործառնական պատմությունը ներմուծել Large Language Models-ի մեջ՝ արդյունավետության գործիքներ ստեղծելու համար: Այնուամենայնիվ, քանի որ թվային էկոհամակարգը շարժվում է դեպի տվյալների գաղտնիության ավելի խիստ ստանդարտներ և բովանդակության անհատական սեփականության իրավունք, բիզնեսները պետք է ավելի զգույշ լինեն երրորդ կողմի տվյալների օգտագործման հարցում:

  • Պատասխանատվություն և համապատասխանություն. «Opt-out» կամ հեղինակային իրավունքով պաշտպանված նյութեր պարունակող տվյալների բազաների օգտագործումը կարող է հանգեցնել «մոդելային թունավորման» (model poisoning) կամ ապագայում մտավոր սեփականության վերաբերյալ դատական հայցերի:
  • Վստահություն և թափանցիկություն. Հաճախորդներն ու գործընկերներն ավելի տեղեկացված են դառնում այն մասին, թե ուր են գնում իրենց տվյալները: Եթե ձեռնարկությունը օգտագործում է հաճախորդների տվյալները ընդհանրացված մոդել ուսուցանելու համար, այն ռիսկի է դիմում օտարանալու հենց այն շահագրգիռ կողմերից, որոնց փորձում է սպասարկել:
  • Մրցակցային առավելություններ. Հանրային, հարթակներից քերված տվյալների վրա հույս դնելը պարտվողական ռազմավարություն է: AI-ի ոլորտում իրական մրցակցային առավելությունն այժմ գալիս է սեփական, խնամքով մշակված և էթիկական աղբյուրներից ստացված տվյալներից, որոնք յուրահատուկ են տվյալ կազմակերպության համար:

Ավտոմատացման մասշտաբայնացում՝ առանց տվյալների ամբողջականության վտանգման

AI-ի վրա հիմնված Automation-ի (ավտոմատացում) անցումը պահանջում է փոխել տեխնոլոգիական կառուցվածքի (tech stack) նախագծման մոտեցումը: Նախկինում տվյալների պահպանումը նպատակ ուներ ապահովել դրանց հասանելիությունը և հաշվետվությունները, իսկ այսօր դրա նպատակը «մոդելի պատրաստվածությունն» է: Կազմակերպությունները պետք է որոշեն՝ կառուցե՞լ սեփական, հատուկ մոդելներ՝ օգտագործելով խիստ վերահսկվող և իրենց պատկանող տվյալները, թե՞ ինտեգրել երրորդ կողմի API-ներ, որոնք օգտագործում են ավելի լայն ուսուցողական բազաներ:

Բիզնեսի ճարտարապետության մեջ AI-ն ներառելիս դիտարկեք հետևյալ ռազմավարական սյուները.

  • Տվյալների ծագման աուդիտ. Ստեղծեք տվյալների հսկողության հստակ շղթա ցանկացած տվյալի համար, որն օգտագործվում է ներքին գործակալները կամ հարմարեցված ծրագրերը կարգավորելու (fine-tune) համար: Եթե չեք կարող հետևել, թե որտեղից է մոդելը սովորել կոնկրետ վարքագիծ, ապա չեք կարող վերահսկել այն:
  • «Opt-out» ճարտարապետություն. Ճիշտ այնպես, ինչպես Twitch-ն է տրամադրում հրաժարման հնարավորություն ստեղծողների համար, բիզնեսները պետք է իրենց հաճախորդներին տրամադրեն հստակ, թափանցիկ հրաժարման մեխանիզմներ այն մասին, թե ինչպես են օգտագործվում նրանց փոխազդեցությունները Chatbots-ի (չաթ-բոտեր) կամ CRM (հաճախորդների հետ հարաբերությունների կառավարում) համակարգերի հետ՝ ուսուցման նպատակով:
  • Հիբրիդային AI-ի ներդրում. Փոխանակ բոլոր տվյալներն ուղարկելու հանրային ամպային համակարգեր, դիտարկեք Retrieval-Augmented Generation (RAG) տեխնոլոգիան: Այս ճարտարապետությունը թույլ է տալիս AI-ին իրական ժամանակում հղում կատարել ձեր սեփական տվյալներին՝ առանց մոդելը հիմնովին վերաուսուցանելու անհրաժեշտության, ինչը արդյունավետորեն նվազեցնում է զգայուն տվյալները հանրային ուսուցողական բազաներ «ներ