Every enterprise board deck now seems to have an AI mandate. Companies are feeding customer records, internal strategy d

இப்போது ஒவ்வொரு நிறுவனத்தின் வாரியக் கூட்டத் தொகுப்பிலும் (board deck) ஒரு AI கட்டளை இருப்பது போல் தோன்றுகிறது. மூன்று ஆண்டுகளுக்கு முன்பு மிகவும் பொறுப்பற்றதாகத் தோன்றிய வேகத்தில், நிறுவனங்கள் வாடிக்கையாளர் பதிவுகள், உள் வியூக ஆவணங்கள் மற்றும் தனியுரிமை பகுப்பாய்வுகளைப் பெரிய மொழி மாதிரிகளுக்குள் (large language models) செலுத்தி வருகின்றன. இந்தத் தரவுப் போக்குவரத்து பெரும்பாலும் மூடிய மூல அமைப்புகளுக்குள் (closed-source systems) செல்கிறது. அவை வசதியானவை, சக்திவாய்ந்தவை மற்றும் வேறொருவரால் நிர்வகிக்கப்படுபவை. Mistral AI-ன் நிறுவனர் Arthur Mensch, இந்த வசதி எந்தவொரு சந்தா கட்டணத்தையும் விட அதிகப்படியான மறைமுகத் தொகையை (hidden tax) வசூலிக்கக்கூடும் என்று கருதுகிறார்.

ஒரு குறிப்பிட்ட ஆபத்தைப் பற்றி Mensch வெளிப்படையாகப் பேசியுள்ளார்: நீங்கள் ஒரு தனியுரிமை மாதிரியின் (proprietary model) மூலம் உங்கள் வணிகத்தை நடத்தும்போது, நீங்கள் கணினித் திறனை (compute) மட்டும் வாடகைக்கு எடுக்கவில்லை. மாறாக, அதை உருவாக்கிய ஆய்வகத்திற்கு உங்கள் செயல்பாடுகளின் விரிவான வரைபடத்தையும் நீங்கள் வழங்குகிறீர்கள். அந்த நிறுவனங்கள் தங்கள் அமைப்புகளை மேம்படுத்த வாடிக்கையாளர் தொடர்புத் தரவுகளின் பெரும் அளவைச் சேமிக்கின்றன. காலப்போக்கில், அந்தத் தரவுகள் சில முறைகளை வெளிப்படுத்துகின்றன. நீங்கள் எவ்வாறு தயாரிப்புகளுக்கு விலை நிர்ணயம் செய்கிறீர்கள், எவ்வாறு பார்வையாளர்களைப் பிரிக்கிறீர்கள், எவ்வாறு அபாயத்தைக் கண்டறிகிறீர்கள் மற்றும் எவ்வாறு வாய்ப்புகளைக் கண்டறிகிறீர்கள் என்பதை அவர்கள் பார்க்கிறார்கள். லாபம் எங்குள்ளது என்பதைத் துல்லியமாகப் புரிந்துகொண்டவுடன், அந்தத் தரவுகளைப் பயன்படுத்தித் தங்கள் சொந்த வாடிக்கையாளர்களை இலக்கு வைக்கும் மனப்பான்மையைச் சில ஆய்வகங்கள் ஏற்கனவே காட்டியுள்ளன என்று Mensch எச்சரிக்கிறார்.

அவரது அறிவுரை மிகவும் நேரடியானது. "அது உங்கள் கைகளில் இல்லை என்றால், அது உங்கள் வளர்ச்சியைத் தராது." அவர் வழங்கும் தீர்வு சுயாதீனம் (sovereignty): தரவுகளைத் திறந்த அமைப்புகளுக்கு (open systems) மாற்றுவது, கடுமையான அணுகல் விதிகளை அமல்படுத்துவது மற்றும் தனியுரிமைப் பயிற்சி வழித்தடங்களில் (proprietary training pipelines) முதலீடு செய்வது. இது ஒரு பயமுறுத்தும் கற்பனை அல்ல. இது அறிவாற்றல் சார்ந்த வழங்கல் சங்கிலிப் பாதுகாப்பு (supply-chain security applied to cognition) ஆகும். உங்கள் விநியோகஸ்தரிடம் உங்கள் தொழிற்சாலை வரைபடங்களைக் கொடுக்க மாட்டீர்கள். அதேபோல், உங்கள் AI வழங்குநரிடம் உங்கள் நிறுவனத்தின் செயல்பாட்டுத் திட்டத்திற்கு (institutional playbook) இணையான விஷயங்களைக் கொடுக்கக்கூடாது என்று Mensch வாதிடுகிறார்.

ஏன் மாடல் வெயிட்டுகள் (Model Weights) உங்கள் நிறுவனத்தின் நினைவாற்றல்?

இந்த யோசனை தொழில்நுட்பத் துறையின் ஒரு எதிர்பாராத மூலத்திலிருந்து ஆதரவைப் பெறுகிறது. Palantir-ன் CEO ஆன Alex Karp, பாதுகாப்பு மற்றும் நிதி வட்டாரங்களில் ஏற்கனவே பரவி வரும் ஒரு வாக்கியத்தின் மூலம் இந்த விவகாரத்தை விளக்குகிறார்: "உங்கள் வெயிட்டுகளைக் (weights) கட்டுப்படுத்துவது உங்கள் விதியைக் கட்டுப்படுத்துவதாகும்."

இது ஏன் முக்கியம் என்பதைப் புரிந்துகொள்ள, மாடல் வெயிட்டுகள் (model weights) உண்மையில் எதைக் குறிக்கின்றன என்பதைப் பற்றிச் சிந்திப்பது உதவும். இயந்திரக் கற்றலில் (machine learning), வெயிட்டுகள் என்பது மூலத் தரவை (raw data) பயனுள்ள கணிப்புகளாக மாற்றும் பில்லியன் கணக்கான சரிசெய்யப்பட்ட அளவுருக்கள் (tuned parameters) ஆகும். உங்கள் சொந்தத் தரவுகளில்—உங்கள் வாடிக்கையாளர் விலகல் வரலாறு, உங்கள் நோயறிதல் படங்கள், உங்கள் தளவாட மேம்பாட்டு வழக்குகள்—ஒரு மாடலைப் பயிற்றுவிக்கும்போது அல்லது நுணுக்கமாகச் சரிசெய்யும்போது (fine-tune), அந்த அறிவு வெயிட்டுகளில் சுருக்கப்பட்டுச் சேமிக்கப்படுகிறது. அவை பல ஆண்டுகளில் திரட்டப்பட்ட முடிவுகள் மற்றும் நிபுணத்துவத்தை குறியீடாக்கும் ஒரு வகையான நிறுவன நினைவாற்றலாக (corporate memory) மாறுகின்றன.

நீங்கள் ஒரு முன்னணி மாடலை (frontier model) வாடகைக்கு எடுத்து, உங்கள் ரகசியங்களைக் கொண்டு அதை வெறும் முறையில் (prompt) பயன்படுத்தினால், அந்தச் சுருக்கப்பட்ட அறிவை நீங்கள் ஒருபோதும் சொந்தமாக்கிக் கொள்ள முடியாது. அதைவிட மோசமாக, உங்கள் வழங்குநர் ஒவ்வொரு சிக்னலையும் உள்வாங்கிக் கொள்கிறார். ஒவ்வொரு வினவும் (query) உங்கள் தொழில் சார்ந்த விஷயங்களைப் பற்றி அவர்களின் அமைப்பிற்குச் சற்று அதிகமாகக் கற்பிக்கிறது. அவர்களின் அடுத்த மாடல் புதுப்பிப்பு, உங்களை வெற்றிகரமாக்கிய அதே சிறப்பம்சத்தையே உள்வாங்கிக்கொள்ளக்கூடும். Karp இதை உங்கள் "alpha" என்று அழைக்கிறார்—அதாவது உங்களை மற்றவர்களிடமிருந்து வேறுபடுத்திக் காட்டும் தனித்துவமான செயல்திறன் சாதகம். உங்கள் வெயிட்டுகளை வெளிப்பணி ஒப்படைப்பது (outsourcing) என்பது உங்கள் 'alpha'-வை வெளிப்பணி ஒப்படைப்பதாகும். அந்த நிலையில், AI ஒரு கருவியாக இருப்பதை நிறுத்திவிட்டு, உங்கள் நிபுணத்துவத்தை ஒரு போட்டியாளருக்கு மாற்றும் ஒரு ஊடகமாக மாறிவிடும்.

நுணுக்கமான சரிசெய்தலின் (Fine-Tuning) நன்மை

Bridgewater சோதனை மற்றொரு வழி இருப்பதை நிரூபிக்கிறது. அந்த ஹெட்ஜ் ஃபண்ட் (hedge fund), Thinking Machines Lab உடன் இணைந்து திறந்த மூலமான Qwen3-235B மாடலை நுணுக்கமாகச் சரிசெய்தது (fine-tune). தங்கள் தனியுரிமை முதலீட்டாளர் மதிப்பீடுகளை ஒரு பிளாக்-பாக்ஸ் API-க்குள் அனுப்புவதற்குப் பதிலாக, அவர்கள் தரவை நிறுவனத்திற்குள்ளேயே வைத்துக்கொண்டு, மாடலைத் தங்கள் குறிப்பிட்ட தேவைகளுக்கு ஏற்ப மாற்றியமைத்தனர். இதன் முடிவுகள் வியக்கத்தக்கவை. நிதி ஆவணப் பகுப்பாய்வில் (financial document analysis), அவர்களின் நுணுக்கமான சரிசெய்யப்பட்ட மாடல் 84.7 சதவீதத் துல்லியத்தை எட்டியது. சிறந்த முன்னணி மூடிய மாடல் (frontier closed model) 78.2 சதவீதத்தை மட்டுமே எட்டியது.

நிதித் துறையில் அந்த இடைவெளி மிகவும் முக்கியமானது, அங்கு ஒரு