Amazon ने एक समाप्ती तारीख निश्चित केली आहे. ३० जुलै २०२६ रोजी, Mechanical Turk नवीन ग्राहकांना स्वीकारणे थांबवेल. विद्यमान खाती सुरू राहतील आणि Amazon ने म्हटले आहे की ते प्लॅटफॉर्मची सुरक्षा आणि अपटाइम कायम ठेवतील. परंतु कंपनीने हे देखील स्पष्ट केले आहे की कोणतेही नवीन फीचर्स येणार नाहीत. इंटरनेटवरील श्रमाच्या एका युगाची व्याख्या करण्यास मदत केलेल्या सेवेसाठी, हे एखाद्या 'सनसेट नोटीस' (समाप्तीची सूचना) सारखेच आहे.

मूळ गिग वर्क मार्केटप्लेस

Mechanical Turk २००५ मध्ये लाँच झाले होते, Uber किंवा TaskRabbit सारख्या ॲप्सनी तुकड्या-तुकड्यांमधील काम (piecemeal labor) ही एक घरगुती संकल्पना बनवण्यापूर्वीच. Amazon ने हे "human intelligence tasks" साठी एक मार्केटप्लेस म्हणून तयार केले होते — अशी छोटी कामे जी सॉफ्टवेअर अजून हाताळू शकत नव्हते. कामगार, जे बहुतेकदा अनामिक आणि जगभरात विखुरलेले होते, ते ऑडिओ स्निपेट्सचे लिप्यंतरण करणे, स्टोअरफ्रंट पत्ते सत्यापित करणे, मजकूर नियंत्रित करणे आणि प्रतिमा टॅग करण्यासाठी लॉग इन करत असत. कोणाला CAPTCHA सोडवण्यासाठी, शोध निकालांना रँक करण्यासाठी किंवा उत्पादन पुनरावलोकन (product review) सकारात्मक आहे की रागीट आहे हे ठरवण्यासाठी हवे आहे का? MTurk हे त्यासाठी योग्य ठिकाण होते.

किमती अनेकदा सेंट्समध्ये मोजल्या जात असत. हजार प्रतिमांच्या वर्गीकरणाच्या (image classifications) एका बॅचसाठी प्रति प्रतिमा एक पेनी मिळू शकत असे. संशोधक, मार्केटर्स आणि बुटस्ट्रॅप्ड स्टार्टअप्ससाठी हे क्रांतिकारी होते. अचानक तुम्ही एका दुपारी शेकडो सहभागींसह सर्वेक्षण करू शकत होता, किंवा पूर्ण अॅनोटेशन स्टाफ नियुक्त न करता कॉम्प्युटर व्हिजन मॉडेलसाठी ट्रेनिंग डेटा लेबल करू शकत होता. हे प्लॅटफॉर्म एक पायाभूत सुविधा (infrastructure) बनले. सामाजिक शास्त्रज्ञांनी त्यावर प्रयोग केले. टेक कंपन्यांनी इंटरफेस तपासले. AI टीम्सने डेटासेट तयार केले.

२०१८ च्या सुमारास, Amazon ने ही भूमिका आधुनिक करण्याचा प्रयत्न केला. त्यांनी Mechanical Turk ला न्यूरल नेटवर्क्ससाठी डेटा अॅनोटेशन इंजिन म्हणून पुनर्रचित केले, आणि ते Amazon SageMaker AI शी अधिक जवळून जोडले. मशीन लर्निंग पाइपलाइनला फीड करणे हा यामागचा उद्देश होता: अल्गोरिदमला शिकण्यासाठी आवश्यक असलेल्या कच्च्या साहित्याची (raw material) स्वच्छता, लेबलिंग आणि पडताळणी मानवांद्वारे केली जावी. MTurk आता केवळ किरकोळ कामे उरली नव्हती. ते AI क्रांतीचा मानवी कणा (human backbone) बनणार होते.

ती क्रांती वाढतच गेली. पण Mechanical Turk त्यासोबत वाढले नाही.

जेव्हा मानवी स्तर AI चा वापर करू लागतो

हा विरोधाभास शांतपणे आला आणि नंतर अचानक समोर आला. २०२३ च्या एका विश्लेषणानुसार, ३३% ते ४६% MTurk कामगार ज्या कामे हाताने करण्यासाठी त्यांना पैसे दिले जात होते, ती पूर्ण करण्यासाठी Large Language Models चा वापर करत होते. संशोधकांनी मानवी निर्णयासाठी पैसे दिले होते, पण त्यांना त्याऐवजी ChatGPT मिळाले.

ही केवळ कामगार शॉर्टकट शोधण्याबद्दलची गोष्ट नाही. जेव्हा एखादा अॅनोटेटर ग्राहकांच्या पुनरावलोकनातील भावना (sentiment) लेबल करण्यासाठी, किंवा वैद्यकीय मजकूर वर्गीकृत करण्यासाठी, किंवा चॅटबॉट ट्रेनिंग सेटसाठी संवाद लिहिण्यासाठी LLM वापरतो, तेव्हा तो डेटा मानवी सत्यावर आधारित राहत नाही. तो मशीनच्या सर्वोत्तम अंदाजाची एक छायाप्रत (photocopy) बनतो. ती छायाप्रत पुन्हा दुसऱ्या मॉडेलमध्ये 'ग्राउंड ट्रुथ' म्हणून फीड केल्यास, हे चक्र अधिक घट्ट होते. सिग्नल गोंधळात (noise) रूपांतरित होतो. "ह्युमन इन द लूप" (human in the loop) हे आधीच बॅकग्राउंडमध्ये चालणाऱ्या सॉफ्टवेअरसाठी केवळ एक रबर स्टॅम्प बनून राहते.

AI उद्योगासाठी ही एक व्यावहारिक समस्या आहे. विविध आणि नैसर्गिक मानवी दृष्टिकोन मिळवत आहोत, या विश्वासाने टीम्स MTurk करारांवर हजारो डॉलर्स खर्च करतात. जर त्या श्रमाचा मोठा भाग स्वयंचलित (automated) असेल, तर तयार होणाऱ्या डेटासेटमध्ये प्रत्यक्ष काम करणाऱ्या LLM चे पूर्वग्रह (biases), अंधत्त्व (blind spots) आणि भ्रम (hallucinations) उतरतात. गुणवत्ता नियंत्रण करणे कठीण होत जाते. एखादा माणूस खरोखर तिथे आहे हे सिद्ध करण्यासाठी संशोधकांना अधिकाधिक जटिल 'अटेंशन चेक' आणि 'ट्रॅप क्वेश्चन्स' तयार करावे लागतात. ही बचावात्मक भूमिका खर्च वाढवते आणि प्रकल्पांचा वेग मंदावते.