ಪ್ರತಿಯೊಂದು ಎಂಟರ್ಪ್ರೈಸ್ ಬೋರ್ಡ್ ಡೆಕ್ನಲ್ಲಿ ಈಗ AI ಮ್ಯಾಂಡೇಟ್ ಇರುವಂತೆ ಕಾಣುತ್ತಿದೆ. ಕೇವಲ ಮೂರು ವರ್ಷಗಳ ಹಿಂದೆ ಅಜಾಗರೂಕತೆಯೆಂದು ಅನಿಸಬಹುದಾದ ವೇಗದಲ್ಲಿ ಕಂಪನಿಗಳು ಗ್ರಾಹಕರ ದಾಖಲೆಗಳು, ಆಂತರಿಕ ಕಾರ್ಯತಂತ್ರದ ದಾಖಲೆಗಳು ಮತ್ತು ಮಾಲೀಕತ್ವದ ವಿಶ್ಲೇಷಣೆಗಳನ್ನು (proprietary analytics) ಲಾರ್ಜ್ ಲ್ಯಾಂಗ್ವೇಜ್ ಮಾಡೆಲ್ಗಳಿಗೆ ನೀಡುತ್ತಿವೆ. ಈ ಹೆಚ್ಚಿನ ಸಂಚಾರವು ಕ್ಲೋಸ್ಡ್-ಸೋರ್ಸ್ (closed-source) ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಹರಿಯುತ್ತಿದೆ. ಅವು ಅನುಕೂಲಕರವಾಗಿವೆ, ಶಕ್ತಿಯುತವಾಗಿವೆ ಮತ್ತು ಬೇರೆಯವರಿಂದ ಹೋಸ್ಟ್ ಮಾಡಲ್ಪಟ್ಟಿವೆ. Mistral AI ಸಂಸ್ಥಾಪಕ ಆರ್ಥರ್ ಮೆನ್ಶ್, ಈ ಅನುಕೂಲತೆಯು ಯಾವುದೇ ಚಂದಾದಾರಿಕೆ ಶುಲ್ಕಕ್ಕಿಂತ ಹೆಚ್ಚಿನ ಬೆಲೆಯನ್ನು ತೆರಬೇಕಾಗುವ ಒಂದು ಗುಪ್ತ ತೆರಿಗೆಯನ್ನು ಒಳಗೊಂಡಿದೆ ಎಂದು ಭಾವಿಸುತ್ತಾರೆ.
ಮೆನ್ಶ್ ಒಂದು ನಿರ್ದಿಷ್ಟ ಅಪಾಯದ ಬಗ್ಗೆ ಧ್ವನಿ ಎತ್ತಿದ್ದಾರೆ: ನೀವು ನಿಮ್ಮ ವ್ಯವಹಾರವನ್ನು ಪ್ರೊಪ್ರೈಟರಿ ಮಾಡೆಲ್ ಮೂಲಕ ನಡೆಸಿದಾಗ, ನೀವು ಕೇವಲ ಕಂಪ್ಯೂಟ್ (compute) ಅನ್ನು ಬಾಡಿಗೆಗೆ ಪಡೆಯುತ್ತಿಲ್ಲ. ನೀವು ಅದನ್ನು ನಿರ್ಮಿಸಿದ ಲ್ಯಾಬ್ಗೆ ನಿಮ್ಮ ಕಾರ್ಯಾಚರಣೆಗಳ ವಿವರವಾದ ನಕ್ಷೆಯನ್ನು ನೀಡುತ್ತಿದ್ದೀರಿ. ಈ ಪೂರೈಕೆದಾರರು ತಮ್ಮ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಸುಧಾರಿಸಲು ಗ್ರಾಹಕರ ಸಂವಹನ ದತ್ತಾಂಶದ ಬೃಹತ್ ಪ್ರಮಾಣವನ್ನು ಸಂಗ್ರಹಿಸುತ್ತಾರೆ. ಕಾಲಾನಂತರದಲ್ಲಿ, ಆ ದತ್ತಾಂಶವು ಮಾದರಿಗಳನ್ನು (patterns) ಬಹಿರಂಗಪಡಿಸುತ್ತದೆ. ನೀವು ಉತ್ಪನ್ನಗಳಿಗೆ ಬೆಲೆ ನಿಗದಿಪಡಿಸುವ ರೀತಿ, ಪ್ರೇಕ್ಷಕರನ್ನು ಹೇಗೆ ವಿಂಗಡಿಸುವಿರಿ, ಅಪಾಯವನ್ನು ಹೇಗೆ ಗುರುತಿಸುವಿರಿ ಮತ್ತು ಅವಕಾಶಗಳನ್ನು ಹೇಗೆ ಪತ್ತೆಹಚ್ಚುವಿರಿ ಎಂಬುದನ್ನು ಅವರು ನೋಡುತ್ತಾರೆ. ಲಾಭಗಳು ಎಲ್ಲಿವೆ ಎಂಬುದು ನಿಖರವಾಗಿ ತಿಳಿದ ತಕ್ಷಣ, ಕೆಲವು ಲ್ಯಾಬ್ಗಳು ತಮ್ಮದೇ ಆದ ಗ್ರಾಹಕರನ್ನು ಗುರಿಯಾಗಿಸಲು ಈ ಬುದ್ಧಿವಂತಿಕೆಯನ್ನು ಬಳಸಲು ಈಗಾಗಲೇ ಆಸಕ್ತಿ ತೋರಿಸಿವೆ ಎಂದು ಮೆನ್ಶ್ ಎಚ್ಚರಿಸುತ್ತಾರೆ.
ಅವರ ಸಲಹೆ ನೇರವಾಗಿದೆ. "ಅದು ನಿಮ್ಮ ಕೈಯಲ್ಲಿ ಇಲ್ಲದಿದ್ದರೆ, ಅದು ನಿಮ್ಮ ಬೆಳವಣಿಗೆಯಾಗಲು ಸಾಧ್ಯವಿಲ್ಲ." ಅವರು ನೀಡುವ ಪರಿಹಾರವೆಂದರೆ ಸಾರ್ವಭೌಮತ್ವ (sovereignty): ದತ್ತಾಂಶವನ್ನು ಓಪನ್ ಸಿಸ್ಟಮ್ಗಳಿಗೆ ವರ್ಗಾಯಿಸುವುದು, ಕಟ್ಟುನಿಟ್ಟಾದ ಪ್ರವೇಶ ನಿಯಮಗಳನ್ನು ಜಾರಿಗೆ ತರುವುದು ಮತ್ತು ಪ್ರೊಪ್ರೈಟರಿ ತರಬೇತಿ ಪೈಪ್ಲೈನ್ಗಳಲ್ಲಿ ಹೂಡಿಕೆ ಮಾಡುವುದು. ಇದು ಭ್ರಮೆಯಲ್ಲ. ಇದು ಬೌದ್ಧಿಕ ಪ್ರಕ್ರಿಯೆಗಳಿಗೆ (cognition) ಅನ್ವಯಿಸುವ ಸರಬರಾಜು ಸರಪಳಿ ಭದ್ರತೆ (supply-chain security). ನೀವು ನಿಮ್ಮ ಪೂರೈಕೆದಾರರಿಗೆ ನಿಮ್ಮ ಕಾರ್ಖಾನೆಯ ನೀಲನಕ್ಷೆಗಳನ್ನು ನೀಡುವುದಿಲ್ಲ. ನಿಮ್ಮ AI ಪೂರೈಕೆದಾರರಿಗೆ ನಿಮ್ಮ ಸಂಸ್ಥೆಯ ಕಾರ್ಯತಂತ್ರದ ಕೈಪಿಡಿಯ (institutional playbook) ಸಮಾನವಾದದ್ದನ್ನು ನೀಡಬಾರದು ಎಂದು ಮೆನ್ಶ್ ವಾದಿಸುತ್ತಾರೆ.
ಮಾಡೆಲ್ ವೇಯ್ಟ್ಗಳು (Model Weights) ನಿಮ್ಮ ಕಾರ್ಪೊರೇಟ್ ನೆನಪಿನಶಕ್ತಿಯಾಗಲು ಕಾರಣವೇನು
ಈ ಕಲ್ಪನೆಗೆ ತಂತ್ರಜ್ಞಾನ ಉದ್ಯಮದ ಅನಿರೀಕ್ಷಿತ ಮೂಲದಿಂದ ಬೆಂಬಲ ಸಿಕ್ಕಿದೆ. Palantir ನ CEO ಅಲೆಕ್ಸ್ ಕಾರ್ಪ್, ರಕ್ಷಣೆ ಮತ್ತು ಹಣಕಾಸು ವಲಯಗಳಲ್ಲಿ ಈಗಾಗಲೇ ಚಾಲ್ತಿಯಲ್ಲಿರುವ ಒಂದು ವಾಕ್ಯದೊಂದಿಗೆ ಈ ಸಮಸ್ಯೆಯನ್ನು ವಿವರಿಸುತ್ತಾರೆ: "ನಿಮ್ಮ ವೇಯ್ಟ್ಗಳನ್ನು ನಿಯಂತ್ರಿಸುವುದು ನಿಮ್ಮ ವಿಧಿಯನ್ನು ನಿಯಂತ್ರಿಸಿದಂತೆ."
ಇದು ಏಕೆ ಮುಖ್ಯ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು, ಮಾಡೆಲ್ ವೇಯ್ಟ್ಗಳು ವಾಸ್ತವವಾಗಿ ಏನನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ಯೋಚಿಸುವುದು ಸಹಕಾರಿ. ಮಷೀನ್ ಲರ್ನಿಂಗ್ನಲ್ಲಿ, ವೇಯ್ಟ್ಗಳು ಕಚ್ಚಾ ದತ್ತಾಂಶವನ್ನು ಉಪಯುಕ್ತ ಮುನ್ಸೂಚನೆಗಳಾಗಿ ಪರಿವರ್ತಿಸುವ ಬಿಲಿಯನ್ಗಟ್ಟಲೆ ಟ್ಯೂನ್ ಮಾಡಿದ ಪ್ಯಾರಾಮೀಟರ್ಗಳಾಗಿವೆ. ನೀವು ನಿಮ್ಮ ಸ್ವಂತ ದತ್ತಾಂಶದ ಮೇಲೆ—ನಿಮ್ಮ ಗ್ರಾಹಕರನ್ನು ಕಳೆದುಕೊಳ್ಳುವ ಇತಿಹಾಸ (customer churn history), ನಿಮ್ಮ ರೋಗನಿರ್ಣಯದ ಚಿತ್ರಗಳು, ನಿಮ್ಮ ಲಾಜಿಸ್ಟಿಕ್ಸ್ ಆಪ್ಟಿಮೈಸೇಶನ್ ಪ್ರಕರಣಗಳು—ಒಂದು ಮಾಡೆಲ್ ಅನ್ನು ತರಬೇತಿಗೊಳಿಸಿದಾಗ ಅಥವಾ ಫೈನ್-ಟ್ಯೂನ್ ಮಾಡಿದಾಗ, ಆ ಜ್ಞಾನವು ವೇಯ್ಟ್ಗಳಲ್ಲಿ ಸಂಕುಚಿತಗೊಳ್ಳುತ್ತದೆ. ಅವು ಒಂದು ರೀತಿಯ ಕಾರ್ಪೊರೇಟ್ ನೆನಪಿನಶಕ್ತಿಯಾಗಿ ಬದಲಾಗುತ್ತವೆ, ವರ್ಷोंಗಟ್ಟಲೆ ಸಂಗ್ರಹಿಸಿದ ನಿರ್ಧಾರಗಳು ಮತ್ತು ಪರಿಣತಿಯನ್ನು ಎನ್ಕೋಡ್ ಮಾಡುತ್ತವೆ.
ನೀವು ಒಂದು ಫ್ರಾಂಟಿಯರ್ ಮಾಡೆಲ್ ಅನ್ನು ಬಾಡಿಗೆಗೆ ಪಡೆದು ಕೇವಲ ನಿಮ್ಮ ರಹಸ್ಯಗಳನ್ನು ಅದಕ್ಕೆ ನೀಡಿದರೆ, ನೀವು ಆ ಸಾರಾಂಶದ ಜ್ಞಾನವನ್ನು ಎಂದಿಗೂ ಹೊಂದಲು ಸಾಧ್ಯವಿಲ್ಲ. ಅದಕ್ಕಿಂತ ಕೆಟ್ಟದೇನೆ, ನಿಮ್ಮ ಪೂರೈಕೆದಾರನು ಪ್ರತಿಯೊಂದು ಸಂಕೇತವನ್ನೂ ಹೀರಿಕೊಳ್ಳುತ್ತಾನೆ. ಪ್ರತಿಯೊಂದು ಪ್ರಶ್ನೆಯು (query) ನಿಮ್ಮ ವಲಯದ (vertical) ಬಗ್ಗೆ ಅವರ ವ್ಯವಸ್ಥೆಗೆ ಸ್ವಲ್ಪ ಹೆಚ್ಚು ಕಲಿಸುತ್ತದೆ. ಅವರ ಮುಂದಿನ ಮಾಡೆಲ್ ಅಪ್ಡೇಟ್ ನಿಮ್ಮ ಯಶಸ್ಸಿಗೆ ಕಾರಣವಾದ ಆ ವಿಶೇಷತೆಯನ್ನು (edge) ತನ್ನೊಳಗೆ ಅಳವಡಿಸಿಕೊಳ್ಳಬಹುದು. ಕಾರ್ಪ್ ಇದನ್ನು ನಿಮ್ಮ "ಆಲ್ಫಾ" (alpha) ಎಂದು ಕರೆಯುತ್ತಾರೆ, ಅಂದರೆ ನಿಮ್ಮನ್ನು ಇತರರಿಂದ ಪ್ರತ್ಯೇಕಿಸುವ ವಿಶಿಷ್ಟ ಕಾರ್ಯಕ್ಷಮತೆಯ ಅನುಕೂಲ advantage. ನಿಮ್ಮ ವೇಯ್ಟ್ಗಳನ್ನು ಔಟ್ಸೋರ್ಸ್ ಮಾಡುವುದು ಎಂದರೆ ನಿಮ್ಮ ಆಲ್ಫಾವನ್ನು ಔಟ್ಸೋರ್ಸ್ ಮಾಡುವುದು ಎಂದರ್ಥ. ಆ ಹಂತದಲ್ಲಿ, AI ಕೇವಲ ಒಂದು ಸಾಧನವಾಗಿ ಉಳಿಯದೆ, ನಿಮ್ಮ ಪರಿಣತಿಯನ್ನು ಸ್ಪರ್ಧಿಗಳಿಗೆ ವರ್ಗಾಯಿಸುವ ಮಾಧ್ಯಮವಾಗುತ್ತದೆ.
ಫೈನ್-ಟ್ಯೂನಿಂಗ್ ಅನುಕೂಲ (The Fine-Tuning Advantage)
Bridgewater ಪ್ರಯೋಗವು ಇನ್ನೊಂದು ಮಾರ್ಗವಿದೆ ಎಂದು ತೋರಿಸುತ್ತದೆ. ಆ ಹೆಡ್ಜ್ ಫಂಡ್ Thinking Machines Lab ನೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಿ ಓಪನ್-ಸೋರ್ಸ್ Qwen3-235B ಮಾಡೆಲ್ ಅನ್ನು ಫೈನ್-ಟ್ಯೂನ್ ಮಾಡಿತು. ಮಾಲೀಕತ್ವದ ಹೂಡಿಕೆದಾರರ ಮೌಲ್ಯಮಾಪನಗಳನ್ನು ಬ್ಲಾಕ್-ಬಾಕ್ಸ್ API ಗೆ ಕಳುಹಿಸುವ ಬದಲಿಗೆ, ಅವರು ದತ್ತಾಂಶವನ್ನು ತಮ್ಮಲ್ಲೇ ಇಟ್ಟುಕೊಂಡರು ಮತ್ತು ಮಾಡೆಲ್ ಅನ್ನು ತಮ್ಮ ನಿರ್ದಿಷ್ಟ ಅಗತ್ಯಗಳಿಗೆ ಅನುಗುಣವಾಗಿ ರೂಪಿಸಿಕೊಂಡರು. ಫಲಿತಾಂಶಗಳು ಗಮನಾರ್ಹವಾಗಿದ್ದವು. ಹಣಕಾಸಿನ ದಾಖಲೆಗಳ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ, ಅವರ ಫೈನ್-ಟ್ಯೂನ್ ಮಾಡಿದ ಮಾಡೆಲ್ 84.7 ಪ್ರತಿಶತ ನಿಖರತೆಯನ್ನು ಸಾಧಿಸಿತು. ಅತ್ಯುತ್ತಮ ಫ್ರಾಂಟಿಯರ್ ಕ್ಲೋಸ್ಡ್ ಮಾಡೆಲ್ ಕೇವಲ 78.2 ಪ್ರತಿಶತವನ್ನು ಮಾತ್ರ ಸಾಧಿಸಿತು.
ಆ ಅಂತರವು ಹಣಕಾಸು ಕ್ಷೇತ್ರದಲ್ಲಿ ಬಹಳ ಮುಖ್ಯವಾಗಿದೆ, ಅಲ್ಲಿ a