மத்திய அரசு சோதிக்கப்படாத தொழில்நுட்பங்களை அரிதாகவே அவசர அவசரமாகப் புகுத்தும். குறிப்பாக, பொது சுகாதாரத் துறைகள் ஒரு கருவியை நோயாளிகளின் பதிவுகள் அல்லது நோய் பரவல் தரவுகளில் பயன்படுத்துவதற்கு முன்பு, அதைச் சரிபார்க்க பல ஆண்டுகள் செலவிடக்கூடும். எனவே, OpenAI மற்றும் Anthropic ஆகியவற்றால் உருவாக்கப்பட்ட Generative AI அமைப்புகளுடன் நேரடி சோதனைகளை மேற்கொள்ளப் போவதாக அமெரிக்க சுகாதார முகமைகள் அறிவித்தபோது, செய்தி தெளிவாக இருந்தது: பெரிய மொழி மாதிரிகள் (Large Language Models) நுகர்வோர் பரிசோதனையிலிருந்து தீவிரமான நிறுவனப் பயன்பாட்டிற்கு மாறியுள்ளன.
PULSE உண்மையில் என்ன செய்கிறது
இந்த புதிய முயற்சி Public Health Use Case and Learning Scaling Engine என அழைக்கப்படுகிறது—சுருக்கமாக PULSE. இது ஒரு சோதனை கட்டமைப்பே தவிர, ஒரு தயாரிப்பு வெளியீடு அல்ல. சுகாதாரத் துறையின் மின்னஞ்சல் அமைப்புகளில் சாட்பாட்களை (chatbots) அப்படியே இறக்கிவிட்டு, அதன் முடிவுகளுக்காகக் காத்திருப்பதை விட, PULSE முறையில் Generative AI-ஐ ஒரு புதிய தடுப்பூசியைப் போலவே கையாள்கிறது. மாநில, உள்ளூர், பழங்குடியின மற்றும் பிரதேச முகமைகள் பக்கவிளைவுகளைக் கூர்ந்து கவனிக்கும் அதே வேளையில், இந்தத் கருவிகளைச் சோதித்துப் பார்க்கக்கூடிய கட்டுப்படுத்தப்பட்ட சூழல்களை இது உருவாக்குகிறது.
இந்தத் திட்டம் நான்கு வெவ்வேறு கூட்டாளிகளைக் கொண்டுள்ளது. Coalition for Health AI (CHAI) சுகாதாரத் துறை சார்ந்த நிர்வாகம் மற்றும் பாதுகாப்புத் தரங்களை வழங்குகிறது. OpenAI மற்றும் Anthropic அதிநவீன மொழி மாதிரிகளை (frontier language models) வழங்குகின்றன. Accenture, இந்த அமைப்புகளை ஏற்கனவே உள்ள அரசாங்கக் கட்டமைப்புகளுடன் இணைக்கத் தேவையான ஒருங்கிணைப்பு நிபுணத்துவத்தை வழங்குகிறது; இந்தத் தற்போதைய கட்டமைப்புகள் பெரும்பாலும் பல தசாப்த கால பழைய தரவுத்தளங்கள் மற்றும் கடுமையான கொள்முதல் விதிகளின் கீழ் இயங்குகின்றன.
AI மின்னஞ்சல்களை எழுத முடியுமா அல்லது கூட்டத்தின் சுருக்கத்தை வழங்க முடியுமா என்பதை PULSE கேட்கவில்லை. மாறாக, இந்த மாதிரிகளால் மூன்று முக்கியப் பணிகளில் நம்பகமான முறையில் உதவ முடியுமா என்று அது கேட்கிறது: தொற்றுநோயியல் கண்காணிப்பு (epidemiological surveillance), வள ஒதுக்கீடு (resource allocation) மற்றும் பொது சுகாதாரத் தகவல் தொடர்பு (public health communication). இவை ஒவ்வொன்றும் கேட்பதற்குத் தத்துவார்த்தமாகத் தோன்றலாம், ஆனால் இவை அனைத்தும் இணைந்து ஒரு சுகாதாரத் துறையை நடத்துவதற்கான அன்றாடப் பணிச்சுமையைக் குறிக்கின்றன. கண்காணிப்பு என்பது ஒரு நோய் பரவல் பெரிய அளவில் தொடங்குவதற்கு முன்பே, ஆய்வக அறிக்கைகள், மருத்துவமனை சேர்க்கைகள் மற்றும் பள்ளி வருகைப் பதிவுத் தரவுகளை ஆராய்ந்து அதைக் கண்டறிவதைக் குறிக்கிறது. வள ஒதுக்கீடு என்பது கடுமையான காய்ச்சல் காலங்களில், வரையறுக்கப்பட்ட தடுப்பூசி அளவுகள் அல்லது வைரஸ் எதிர்ப்பு சிகிச்சைகளை எங்கு அனுப்ப வேண்டும் என்பதைத் தற்போதைய சூழலில் (real time) தீர்மானிப்பதைக் குறிக்கிறது. பொது சுகாதாரத் தகவல் தொடர்பு என்பது சிக்கலான மத்திய அரசு வழிகாட்டுதல்களைப் பலதரப்பட்ட சமூகங்களுக்குப் புரியும் வகையில் எளிய மொழியில் மொழிபெயர்ப்பதாகும்; இது பெரும்பாலும் உணவு மூலம் பரவும் நோய் குறித்த விசாரணையின் போது மிகக் குறுகிய காலத்திற்குள் செய்யப்பட வேண்டிய ஒன்றாகும். கூடுதல் வேலையை உருவாக்காமலோ அல்லது பிழைகளை ஏற்படுத்தாமலோ AI இவற்றில் ஏதேனும் ஒன்றிற்கு உதவினால், அதன் மூலம் கிடைக்கும் செயல்திறன் மிகப்பெரியதாக இருக்கும்.
பத்து அதிகார வரம்புகள் ஏன் அனைத்தையும் மாற்றுகின்றன
இந்தத் திட்டம் மாநிலங்கள், உள்ளூர் பகுதிகள், பழங்குடியின நாடுகள் மற்றும் அமெரிக்கப் பிரதேசங்களிலிருந்து தேர்ந்தெடுக்கப்பட்ட பத்து அதிகார வரம்புகளில் சோதனைகளை நடத்தும். அந்தத் திட்டமிட்ட பரவலே இதன் முக்கிய நோக்கமாகும். அதிக மக்கள் தொகை கொண்ட பகுதியில், நூற்றுக்கணக்கான தொற்றுநோயியல் நிபுணர்களைக் கொண்டு, ஃபைபர்-ஆப்டிக் நெட்வொர்க்குகளைக் கொண்ட ஒரு மாநில சுகாதாரத் துறை எதிர்கொள்ளும் சவால்கள், மிகக் குறைந்த பணியாளர்களைக் கொண்டு, அவ்வப்போது இணைய வசதி மட்டுமே கிடைக்கும் ஒரு பிரதேச முகமை எதிர்கொள்ளும் சவால்களிலிருந்து முற்றிலும் மாறுபட்டவை.
பழங்குடியின மக்களின் சேர்க்கை முக்கியத்துவம் வாய்ந்தது. பழங்குடியின சுகாதார முகமைகள் வரலாற்று ரீதியாகப் போதிய நிதி இல்லாமை மற்றும் தரவு இறையாண்மை (data sovereignty) தொடர்பான கவலைகளை எதிர்கொண்டு வருகின்றன. பழங்குடியின அதிகார வரம்புகளைச் சேர்ப்பதன் மூலம், தேசிய அளவில் பயன்படக்கூடிய எந்தவொரு AI கருவியும் சிறப்புப் பிரிவினரைக் கையாள வேண்டும், தனித்துவமான நிர்வாகக் கட்டமைப்புகளை மதிக்க வேண்டும் மற்றும் தனித்துவமான சுற்றுச்சூழல் மற்றும் சமூக சுகாதாரச் சுமைகளைக் கொண்ட சூழல்களில் செயல்பட வேண்டும் என்பதை PULSE அங்கீகரிக்கிறது. ஒரு மாதிரி இத்தகைய சூழல்களில் செயல்பட முடியாவிட்டால், அது மத்திய அரசின் அங்கீகாரத்தைப் பெறத் தகுதியற்றது.
பிரதேச முகமைகள் மற்றொரு அவசியமான அழுத்தச் சோதனையை (stress test) வழங்குகின்றன. அமெரிக்கப் பிரதேசங்களில் உள்ள பொது சுகாதார அதிகாரிகள், நிலப்பரப்பிலிருந்து முற்றிலும் மாறுபட்ட நோய் முறைகள் மற்றும் விநியோகச் சங்கிலிகளை நிர்வகிக்கின்றனர். இணைய இணைப்பு எப்போதும் இருக்கும் என்று கருதும் அல்லது பெரிய நகர்ப்புற மருத்துவமனைகளில் பொதுவாகப் பயன்படுத்தப்படும் ICD-10 குறியீட்டு முறைகளைச் சார்ந்திருக்கும் ஒரு AI உதவியாளர், ஒரு சூறாவளி உள்கட்டமைப்பைச் சிதைக்கும்போது தோல்வியடையும். இந்த பத்து அதிகார வரம்புகளின் வடிவமைப்பு, இந்த மாதிரிகள் குறைபாடுள்ள சூழல்களுக்கு ஏற்பத் தங்களை மாற்றிக்கொள்கின்றனவா அல்லது செயலிழந்து போகின்றனவா என்பதற்கான உறுதியான ஆதாரங்களைச் சேகரிக்கத் திட்டத்திற்குத் தூண்டுகோலாக அமைகிறது.
சாட்பாட்களிலிருந்து முக்கியமான கட்டமைப்பு வரை
கடந்த இரண்டு ஆண்டுகளாக, பெரிய மொழி மாதிரிகள் குறித்த பொது உரையாடல் கோடிங் குறுக்குவழிகள், சந்தைப்படுத்தல் நகல்கள் மற்றும் படங்களை உருவாக்குதல் ஆகியவற்றையே மையமாகக் கொண்டுள்ளது. PULSE வேண்டுமென்றே அதன் கவனத்தை முக்கியமான கட்டமைப்பு (mission-critical infrastructure) நோக்கித் திருப்புகிறது. ஒரு சுகாதாரத் துறை தொற்றுநோய் அறிக்கைகளைப் பகுப்பாய்வு செய்ய ஒரு AI மாதிரியைப் பயன்படுத்தும்போது, அதில் ஏற்படும் தவறு என்பது வெறும் ஒரு விசித்திரமான மாயத்தோற்றம் (hallucination) அல்ல. அது பொதுப் பாதுகாப்பில் ஏற்படக்கூடிய ஒரு தோல்வியாகும்.
அந்த உண்மை இந்த முன்னோடித் திட்டத்தை மூன்று தொடர்ச்சியான தொழில்நுட்பப் பிரச்சனைகளுக்கான ஒரு முன்மாதிரியாக மாற்றுகிறது: துல்லியம் (accuracy), மாயத்தோற்றத் தடுப்பு (hallucination mitigation), மற்றும் தரவுத் தனியுரிமை (data privacy). இந்தச் சூழலில், மாயத்தோற்றம் (hallucination) என்பது ஒரு மாதிரி (model) ஒரு மருந்தின் இடையேயான வினைப்பயனைத் தவறாகக் கற்பனை செய்தல், இல்லாத ஒரு நோய் பரவல் தொகுப்பை உருவாக்குதல் அல்லது ஒரு அறிக்கையிடல் விதியைத் தவறாகக் கூறுதல் ஆகியவற்றைக் குறிக்கலாம். இத்தகைய பிழைகள் எவ்வளவு அடிக்கடி நிகழ்கின்றன என்பதையும், முடிவெடுப்பவரைச் சென்றடைவதற்கு முன்பே தொழில்நுட்பப் பாதுகாப்பு வளையங்கள் (technical guardrails) அவற்றைக் கண்டறிய முடிகிறதா என்பதையும் அளவிடுவதற்காக PULSE கட்டமைக்கப்பட்டுள்ளது.
தனியுரிமைக்கும் சமமான முக்கியத்துவம் உண்டு. பொது சுகாதார முகமைகள் HIPAA மற்றும் கூடுதல் மாநில அளவிலான சட்டங்களால் நிர்வகிக்கப்படும் பாதுகாக்கப்பட்ட சுகாதாரத் தகவல்களைக் கையாளுகின்றன. இந்தத் தரவுகளைத் தொடும் எந்தவொரு AI அமைப்பும் தான் எதைச் சேமிக்கிறது, பயிற்சித் தரவுகள் (training data) எங்கு பாய்கின்றன மற்றும் வெளியீடுகளைப் பின்னாளில் யார் அணுக முடியும் என்பதைத் துல்லியமாக நிரூபிக்க வேண்டும். CHAI-ன் பங்களிப்பு, இந்தச் சோதனைகள் OpenAI மற்றும் Anthropic மாதிரிகளின் வெறும் அறிவாற்றலை மட்டும் சோதிக்கப் போவதில்லை என்பதையும், மாறாக கடுமையான நிறுவனக் கட்டுப்பாட்டு கட்டமைப்புகளுக்குள் (institutional governance frameworks) செயல்படும் அவற்றின் திறன் மற்றும் தெளிவான தணிக்கைப் பதிவுகளை (audit trails) உருவாக்கும் திறனைச் சோதிக்கும் என்பதையும் உணர்த்துகிறது.
டெவலப்பர்கள் மற்றும் ஒழுங்குமுறை ஆணையங்களுக்கான ஒரு வரைபடம்
சுகாதாரத் துறை சார்ந்த AI-ஐ உருவாக்கும் டெவலப்பர்கள் மற்றும் ஸ்டார்ட்அப் நிறுவனர்களுக்காக, சந்தைக்குத் தற்போதைய அவசியமான ஒன்றை PULSE வழங்குகிறது: அது ஒரு வெளிப்படையான, அரசாங்கத்தால் அங்கீகரிக்கப்பட்ட தரநிலை (standard). இளம் நிறுவனங்கள் பெரும்பாலும் பொது சுகாதார அமைப்புகளுக்குத் தங்கள் சேவைகளை விற்பனை செய்யப் போராடுகின்றன, ஏனெனில் AI பாதுகாப்பை மதிப்பீடு செய்ய கொள்முதல் அதிகாரிகளிடம் (procurement officers) பொதுவான சரிபார்ப்புப் பட்டியல் (checklist) இல்லை. நிர்வாக ரீதியான சுகாதாரச் சூழல்களில் சார்புநிலை (bias), துல்லியம் மற்றும் தனியுரிமையை அளவிடுவதற்கான வெளிப்படையான அளவுகோல்களை PULSE உருவாக்கினால், அந்த அளவுகோல்கள் நாடு முழுவதும் உள்ள விற்பனையாளர்களுக்கான இயல்பான தரநிலையாக (default benchmark) விரைவாக மாறக்கூடும்.
அரசாங்கத்திற்குச் சேவை செய்ய பெரிய மொழி மாதிரிகள் (LLMs) எவ்வாறு பரிணமிக்க வேண்டியிருக்கும் என்பதையும் இந்தத் திட்டம் உணர்த்துகிறது. நுகர்வோர் சாட்பாட்கள் (chatbots) சரளமான மற்றும் பயனுள்ள பதில்களுக்காக மேம்படுத்தப்பட்டுள்ளன. அரசாங்கத்தின் சுகாதாரப் பணிகளுக்கு மேற்கோள்கள் (citations), அளவிடப்பட்ட நிச்சயமற்ற தன்மை (calibrated uncertainty) மற்றும் நிறுவன நினைவகம் (institutional memory) ஆகியவை தேவைப்படுகின்றன. ஒரு செவிலியர் தொற்றுநோயியல் நிபுணருக்கு (nurse epidemiologist) ஆலோசனை வழங்கும் மாதிரி, ஒரு நம்பிக்கையான பதிலைக் கற்பனை செய்வதை விட "ஆதாரங்கள் தெளிவற்றவை" என்று கூறத் தயாராக இருக்க வேண்டும். OpenAI மற்றும் Anthropic இந்தச் சூழலுக்காகத் தங்களின் ப்ராம்ப்டிங் உத்திகள் (prompting strategies) மற்றும் மீட்டெடுப்பு அமைப்புகளை (retrieval systems) எவ்வாறு மாற்றியமைக்கின்றன என்பதைக் கவனிப்பதன் மூலம், அடிப்படைத் தொழில்நுட்பம் உண்மையில் அதிகாரத்துவ எதிர்பார்ப்புகளைப் பூர்த்தி செய்ய முடியுமா என்பது தெரியவரும்.
இந்த முன்னோடித் திட்டங்கள் வெற்றி பெற்றால், அதன் தொழில்நுட்ப மற்றும் நிர்வாக நுண்ணறிவுகள் அமெரிக்க எல்லைகளைத் தாண்டிப் பரவக்கூடும். உலகம் முழுவதும் உள்ள பொது சுகாதாரத் துறைகள் இதே போன்ற தரவுச் சுமைகள் மற்றும் பணியாளர் பற்றாக்குறையை எதிர்கொள்கின்றன. தொற்றுநோயியல் மற்றும் சுகாதாரத் தொடர்புகளில் LLM-களைப் பயன்படுத்துவதற்கான ஒரு அங்கீகரிக்கப்பட்ட கட்டமைப்பு, மின்னணு சுகாதாரப் பதிவுகளுக்கு (electronic health records) FHIR தரநிலைகள் எவ்வாறு ஒரு முக்கியத்துவத்தைப் பெற்றனவோ, அதுபோல ஒரு சர்வதேசக் குறிப்புப் புள்ளியாக மாறக்கூடும்.
உண்மையான முடிவு
செயற்கை நுண்ணறிவு பொது சுகாதாரத்தைச் சரிசெய்துவிடும் என்ற வாக்குறுதியை PULSE அளிக்கவில்லை. சுகாதாரத் தகவல்களைச் செயலாக்கும் பழைய முறைகள் மிகவும் மெதுவானவை மற்றும் அதிக உழைப்பு தேவைப்படுபவை என்பதையும், எந்தவொரு மாற்றமும் தேசிய அளவில் விரிவுபடுத்தப்படுவதற்கு முன்பு யதார்த்தமான, மாறுபட்ட சூழல்களில் நிரூபிக்கப்பட வேண்டும் என்பதையும் இது ஒப்புக்கொள்கிறது. CHAI-ன் பாதுகாப்பு கட்டமைப்புகளை OpenAI மற்றும் Anthropic-ன் அதிநவீன மாதிரிகளுடன் (frontier models) இணைப்பதன் மூலமும், அந்தத் கருவிகளை பத்து உண்மையான மாறுபட்ட அதிகார வரம்புகளில் (jurisdictions) நிரூபிக்கத் தூண்டுவதன் மூலமும், இந்தத் திட்டம் ஜெனரேட்டிவ் AI-ஐ அதற்குத் தேவையான சந்தேகத்துடன் அணுகுவதோடு மட்டுமல்லாமல், அதற்குத் தேவையான சோதனைத் தளத்தையும் வழங்குகிறது. சுகாதார அதிகாரிகள், டெவலப்பர்கள் மற்றும் அவர்கள் சேவை செய்யும் சமூகங்களுக்கு, அந்தச் சமநிலையே பொறுப்பான பயன்பாட்டிற்கு (responsible adoption) அடையாளமாகும்.