Գեներատիվ արհեստական բանականության (AI) և մտավոր սեփականության հատման կետը հասել է բեկումնային փուլի։ Ձեռնարկությունների կողմից խոշոր լեզվական մոդելների (LLM) ներդրման տեմպերի արագացմանը զուգընթաց՝ այս գործիքների հիմքում ընկած իրավական հենքը ենթարկվում է իրական ժամանակի փորձությունների։ Լրատվամիջոցների և OpenAI-ի միջև վերջերս տեղի ունեցած բարձրակարգ իրավական վեճը հստակ հիշեցում է այն մասին, որ AI-ի մշակման «սև արկղի» (black box) բնույթը գնալով ավելի անհամատեղելի է դառնում ժամանակակից կորպորատիվ կառավարման և դատական հայտնագործման (legal discovery) թափանցիկության պահանջների հետ։

Ընթացիկ վեճի հիմքում այն պնդումն է, որ տեխնիկական միջոցները՝ մասնավորապես տվյալների բազաները և ներքին գործիքները, որոնք ունակ են արդյունքը կապել սկզբնաղբյուրի հետ, հնարավոր է՝ թաքցված են եղել դատական գործընթացի ժամանակ։ Արդյոք այդ մեղադրանքները հիմնավոր են, կորոշի դատարանը, սակայն գործարար ղեկավարների համար դրա հետևանքները դուրս են գալիս դատարանի դահլիճից։ Մենք մտնում ենք մի դարաշրջան, որտեղ «սև արկղ» AI-ն դառնում է պատասխանատվության ռիսկ, և ընկերությունները պետք է կառավարումը, թափանցիկությունը և տվյալների ծագումնաբանությունը դարձնեն իրենց թվային փոխակերպման ռազմավարության հիմնասյուները։

Ձեռնարկատիրական AI-ի անթափանցիկության գինը

AI-ն իրենց գործառնություններում ինտեգրող բիզնես ղեկավարների համար եզրակացությունը պարզ է՝ ծագումնաբանությունը կարևոր է։ Երբ կազմակերպությունը ներդնում է Chatbot կամ բովանդակության ավտոմատ գեներացման համակարգ, այն ժառանգում է նաև հիմքում ընկած մոդելի ռիսկային պրոֆիլը։ Եթե մոդելի ուսուցման տվյալների ծագումը մշուշոտ է, ապա ձեռնարկության համար հետագա ռիսկերը՝ սկսած հեղինակային իրավունքի խախտման հայցերից մինչև հեղինակության վնասումը, երկրաչափական պրոգրեսիայով աճում են։

Հրատարակիչների և մոդելներ մշակողների միջև առկա հակասությունն այսօր AI ներդնող ընկերությունների համար ընդգծում է երեք հիմնական ռիսկ.

  • Մտավոր սեփականության հետ կապված պատասխանատվություն: Եթե AI գործակալը ստեղծում է բովանդակություն, որը կրկնօրինակում է հեղինակային իրավունքով պաշտպանված լրագրությունը կամ սեփականատիրական տվյալները, այդ գործակալն օգտագործող ձեռնարկությունը կարող է հայտնվել դատական հայցերի կիզակետում՝ անկախ մոդել մատակարարողի խոստումներից։
  • Կարգավորիչ ազդեցություն: Երբ ուժի մեջ են մտնում AI-ի կարգավորումները, ինչպիսին է EU AI Act-ը, AI-ի ելքային տվյալների «բացատրելիության» պահանջը կդառնա համապատասխանության ստանդարտ բեռ։ Տվյալների հետագծելիություն չունեցող գործիքները խիստ կարգավորվող ոլորտներում արագորեն կհնանան։
  • Ապրանքանիշի ամբողջականություն: Այն բիզնեսների համար, որոնք ապավինում են AI-ին մարքեթինգի, հաճախորդների սպասարկման կամ ներքին հաղորդակցության մեջ, տեղեկատվության աղբյուրը ստուգելու անկարողությունը կարող է հանգեցնել «հալյուցինացիաների», որոնք ոչ միայն անճշգրիտ են, այլև պարունակում են գրագողության ռիսկ։

Այս ռիսկերը նվազեցնելու համար ընկերությունները պետք է իրենց ուշադրությունը կենտրոնացնեն կատարողականի հում ցուցանիշներից դեպի «AI գրագիտություն և կառավարում»։ Սա նշանակում է մատակարարներին գնահատել ոչ միայն պարամետրերի քանակով կամ մշակման արագությամբ, այլև տվյալների թափանցիկության, լիցենզավորման հստակ մոդելների և իրենց մոդելները սնող ուսուցման տվյալների բազաներն աուդիտի ենթարկելու ունակությամբ։

Դեպի ստուգելի AI և ամուր թվային ճարտարապետություն

Թվային փոխակերպման ուղղությունը վաղուց այլևս միայն գործընթացները ամպային համակարգեր տեղափոխելը չէ, այլ պաշտպանելի AI ճարտարապետություն կառուցելը։ Բիզնեսները, որոնք առաջնահերթություն են տալիս «գաղտնիությունը՝ ըստ նախագծման» սկզբունքով AI-ին՝ օգտագործելով RAG (Retrieval-Augmented Generation) շրջանակները, ավելի լավ դիրքերում են իրենց ելքային տվյալները վերահսկելու համար։ Սահմանափակելով AI գործակալին կոնկրետ, ստուգված և սեփական տվյալների բազաներով, այլ ոչ թե ապավինելով միայն ընդհանուր նշանակության LLM-ների հսկայական ու անհետագծելի ուսուցման հավաքածուներին, ընկերությունները կարող են արդյունավետորեն պաշտպանվել հանրային տիրույթի AI մոդելների հետ կապված համակարգային ռիսկերից։

Ավելին, AI-ի ինտեգրումը գործող CRM (Հաճախորդների հետ հարաբերությունների կառավարում) համակարգերում պահանջում է տվյալների ամբողջականության ավելի բարձր ստանդարտ։ Երբ AI-ն փոխազդում է հաճախորդի տվյալների հետ, հարցման և աղբյուրի միջև կապը պետք է լինի բացարձակ։ Ներկայիս իրավական պայքարը «մաքուր տվյալների» ստանդարտների ավելի լայն ներդրման նախերգանքն է։ Այն ընկերությունները, որոնք այսօր ներդրումներ են կատարում տվյալների ամուր ճարտարագիտության մեջ՝ ապահովելով իրենց ներքին տեղեկատվության կառուցվածքայնությունը, պիտակավորումը և մուտքի թույլտվությունները, վաղը կկարողանան անվտանգ կերպով օգտագործել AI գործակալների հզորությունը։

Որդեգրման միտումներն արդեն հեռանում են միաձույլ, «մեկ չափսը բոլորի համար» մոդելներից՝ դեպի մասնագիտացված, ուղղահայաց (verticalized) AI տեղակայումներ։ Այս անցումը թույլ է տալիս ավելի լավ ROI (ներդրումների եկամտաբերություն) ստանալ, քանի որ բիզնեսները կարող են ցույց տալ ուղղակի կապ իրենց մուտքային տվյալների և AI-ի ելքային արդյունքների միջև։ Երբ կազմակերպությունը հստակ գիտի, թե ինչ է «կարդում» գործակալը և ինչպես է այն «տրամաբանում», ավտոմատացումը դառնում է ռազմավարական ակտիվ՝ թաքնված ռիսկի փոխարեն։

Ռազմավարական հեռանկար. կառուցելով պատասխանատու AI-ի ապագան

Տվյալների թափանցիկության վերաբերյալ շարունակվող հակասությունները պետ