Amazon has set an expiration date. On July 30, 2026, Mechanical Turk will stop accepting new customers. Existing account

Amazon ஒரு காலாவதி தேதியை நிர்ணயித்துள்ளது. ஜூலை 30, 2026 அன்று, Mechanical Turk புதிய வாடிக்கையாளர்களைப் பெறுவதை நிறுத்திக்கொள்ளும். தற்போதுள்ள கணக்குகள் தொடர்ந்து இயங்கும் என்றும், தளத்தின் பாதுகாப்பு மற்றும் செயல்பாட்டு நேரத்தை (uptime) பராமரிப்பதாகவும் Amazon கூறுகிறது. ஆனால், இனி புதிய அம்சங்கள் எதுவும் வரப்போவதில்லை என்பதையும் நிறுவனம் தெளிவுபடுத்தியுள்ளது. இணைய உழைப்பின் ஒரு யுகத்தையே வரையறுக்க உதவிய ஒரு சேவைக்கு, இது ஒரு முடிவு அறிவிப்பு (sunset notice) போன்றது.

அசல் கிக் பணி சந்தை (Gig Work Marketplace)

Uber அல்லது TaskRabbit போன்ற செயலிகள் துண்டு துண்டான உழைப்பை (piecemeal labor) ஒரு பொதுவான கருத்தாக மாற்றுவதற்கு நீண்ட காலத்திற்கு முன்பே, 2005-ல் Mechanical Turk தொடங்கப்பட்டது. மென்பொருளால் கையாள முடியாத "மனித அறிவு சார்ந்த பணிகளுக்காக" (human intelligence tasks) Amazon இதை ஒரு சந்தையாக உருவாக்கியது. உலகம் முழுவதும் பரவி இருக்கும், பெரும்பாலும் அடையாளம் தெரியாத தொழிலாளர்கள், ஆடியோ துண்டுகளைத் தட்டச்சு செய்யவும் (transcribe), கடை முகவரிகளைச் சரிபார்க்கவும், உள்ளடக்கத்தைக் கண்காணிக்கவும் (moderate content) மற்றும் படங்களைக் குறிக்கவும் (tag images) இதில் நுழைவார்கள். ஒரு CAPTCHA-வை தீர்க்கவோ, தேடல் முடிவுகளை வரிசைப்படுத்தவோ அல்லது ஒரு தயாரிப்பு விமர்சனம் நேர்மறையாக உள்ளதா அல்லது கோபமாக உள்ளதா என்று தீர்மானிக்கவோ யாராவது தேவையா? MTurk தான் அதற்கான இடம்.

விலைகள் பெரும்பாலும் சென்ட் (cents) அடிப்படையில் இருந்தன. ஆயிரம் படங்களை வகைப்படுத்தும் ஒரு தொகுப்பிற்கு தலா ஒரு பென்னி (penny) வழங்கப்படலாம். ஆராய்ச்சியாளர்கள், சந்தைப்படுத்துபவர்கள் மற்றும் ஆரம்பக்கட்ட ஸ்டார்ட்அப்களுக்கு (bootstrapped startups) இது ஒரு புரட்சிகரமான விஷயமாக இருந்தது. திடீரென்று ஒரு மதியத்திற்குள் நூற்றுக்கணக்கான பங்கேற்பாளர்களுடன் ஒரு ஆய்வை நடத்தவோ அல்லது முழுமையான தரவு குறிப்பாளர் (annotation staff) குழுவை நியமிக்காமல் ஒரு கம்ப்யூட்டர் விஷன் மாடலுக்கான பயிற்சித் தரவுகளைக் குறிக்கவோ (label) முடிந்தது. இந்தத் தளம் ஒரு உள்கட்டமைப்பாக மாறியது. சமூக விஞ்ஞானிகள் இதில் சோதனைகளை நடத்தினர். தொழில்நுட்ப நிறுவனங்கள் இடைமுகங்களை (interfaces) சோதித்தன. AI குழுக்கள் தரவுத்தொகுப்புகளை (datasets) உருவாக்கின.

2018 வாக்கில், Amazon அந்தப் பங்கினை நவீனப்படுத்த முயன்றது. அது Mechanical Turk-ஐ நரம்பியல் வலைப்பின்னல்களுக்கான (neural networks) தரவு குறிப்பு இயந்திரமாக (data annotation engine) மாற்றியமைத்ததுடன், Amazon SageMaker AI உடன் நெருக்கமான தொடர்பை ஏற்படுத்தியது. இயந்திரக் கற்றல் வழிமுறைகளுக்கு (machine learning pipeline) தேவையான மூலப் பொருட்களை மனிதர்கள் சுத்திகரித்து, குறிப்பீடு செய்து, சரிபார்ப்பதன் மூலம் அவற்றை இயந்திரங்களுக்கு வழங்குவதே இதன் நோக்கமாக இருந்தது. MTurk இனி வெறும் சிறு வேலைகளுக்கான தளம் மட்டுமல்ல; அது AI எழுச்சிக்குத் தேவையான மனித முதுகெலும்பாக இருக்க வேண்டியிருந்தது.

அந்த எழுச்சி வளர்ந்து கொண்டே இருந்தது. ஆனால் Mechanical Turk அதனுடன் வளரவில்லை.

மனித அடுக்கு AI-யைப் பயன்படுத்தத் தொடங்கும் போது

முரண்பாடு அமைதியாகத் தொடங்கி, பின்னர் திடீரெனத் தெரியவந்தது. 2023-ஆம் ஆண்டின் ஒரு ஆய்வின்படி, MTurk தொழிலாளர்களில் 33% முதல் 46% வரை, தாங்கள் கைமுறையாகச் செய்ய வேண்டிய பணிகளை முடிக்க Large Language Models-களைப் பயன்படுத்துவதை கண்டறியப்பட்டது. ஆராய்ச்சியாளர்கள் மனிதத் தீர்ப்பிற்காகப் பணம் செலுத்தினர்; ஆனால் அவர்களுக்குப் பதிலாக ChatGPT கிடைத்தது.

இது தொழிலாளர்கள் குறுக்கு வழியில் வேலை செய்வதைப் பற்றிய கதை மட்டுமல்ல. ஒரு தரவு குறிப்பாளர் (annotator) வாடிக்கையாளர் விமர்சனங்களில் உள்ள உணர்வுகளைக் குறிக்கவோ, மருத்துவ உரையை வகைப்படுத்தவோ அல்லது சாட்பாட் பயிற்சித் தொகுப்பிற்கான உரையாடல்களை எழுதவோ ஒரு LLM-ஐப் பயன்படுத்தும்போது, அந்தத் தரவு மனித அடிப்படையிலான உண்மையாக இருப்பதில்லை. அது ஒரு இயந்திரத்தின் சிறந்த யூகத்தின் நகலாக (photocopy) மாறிவிடுகிறது. அந்த நகலை மற்றொரு மாடலுக்கு உண்மையான தரவாக (ground truth) வழங்கும்போது, அந்தச் சுழற்சி மேலும் சிக்கலாகிறது. தெளிவான தகவல் (signal) இரைச்சலாக (noise) மாறுகிறது. "மனிதத் தலையீடு" (human in the loop) என்பது ஏற்கனவே பின்னணியில் இயங்கிக் கொண்டிருக்கும் மென்பொருளுக்கான வெறும் அங்கீகார முத்திரையாக (rubber stamp) மாறிவிடுகிறது.

AI தொழில்துறைக்கு, இது ஒரு நடைமுறை நெருக்கடியாகும். பல்வேறு மற்றும் இயற்கையான மனிதக் கண்ணோட்டத்தைப் பெறுவதாக நம்பி, குழுக்கள் MTurk ஒப்பந்தங்களுக்காக ஆயிரக்கணக்கான டாலர்களைச் செலவிடுகிறார்கள். அந்த உழைப்பில் ஒரு பெரிய பகுதி தானியங்கி மயமாக்கப்பட்டால், resulting dataset (கிடைக்கும் தரவுத்தொகுப்பு) உண்மையான வேலையைச் செய்யும் LLM-ன் சார்புகள் (biases), குறைகள் (blind spots) மற்றும் மாயத்தோற்றங்களை (hallucinations) அப்படியே எடுத்துக்கொள்ளும். தரக் கட்டுப்பாடு கடினமாகிறது. ஒரு மனிதர் உண்மையில் அங்கு இருப்பதை நிரூபிக்க ஆராய்ச்சியாளர்கள் சிக்கலான கவனச் சோதனைகளையும் (attention checks) பொறி வினாக்களையும் (trap questions) வடிவமைக்க வேண்டியுள்ளது. இந்தத் தடுப்பு நடவடிக்கை செலவுகளை அதிகரிப்பதோடு திட்டங்களையும் தாமதப்படுத்துகிறது.