LLM-കൾ സാധൂകരിക്കുകയും നിരീക്ഷിക്കുകയും ചെയ്യുക, AI സ്റ്റാക്ക് പഠിക്കുക തുടങ്ങിയ ഉയർന്ന തലത്തിലുള്ള കഴിവുകൾ സാങ്കേതിക വിദഗ്ധർക്ക് കൈകാര്യം ചെയ്യാനുള്ള നല്ല മേഖലകളാണ്.
ക്ലൗഡ് കമ്പ്യൂട്ടിംഗ് എന്റർപ്രൈസ്-തയ്യാറായപ്പോൾ, തുടർച്ചയായ സംയോജനവും തുടർച്ചയായ ഡെലിവറി, കോഡായി അടിസ്ഥാന സൗകര്യങ്ങൾ, കുബർനെറ്റസ് തുടങ്ങിയ ഉപകരണങ്ങൾ മുഖ്യധാരയായപ്പോൾ, അത് dev, ops എന്നിവയിൽ വ്യക്തമായ ഒരു മാതൃകാമാറ്റം അടയാളപ്പെടുത്തി. dev, ops എന്നിവയെ വേർതിരിക്കുന്ന ജോലികൾ devops ഉത്തരവാദിത്തങ്ങളായി മാറി, അടിസ്ഥാന സൗകര്യങ്ങൾ ക്രമീകരിക്കൽ, കമ്പ്യൂട്ടിംഗ് പരിതസ്ഥിതികൾ അളക്കൽ, കൂടുതൽ നൂതനമായ ഓട്ടോമേഷനിലേക്കും ഓർകെസ്‌ട്രേറ്റഡ് വർക്ക്ഫ്ലോകളിലേക്കും ആപ്ലിക്കേഷനുകൾ വിന്യസിക്കുന്ന മാനുവൽ ജോലികളിൽ നിന്ന് സഹകരണ ടീമുകൾ മാറി.
ജനറേറ്റീവ് എഐ കഴിവുകൾ, കോപൈലറ്റുകൾ, വലിയ ഭാഷാ മോഡലുകൾ (എൽഎൽഎം) എന്നിവ ഡവലപ്പർമാരും ഡാറ്റാ സയന്റിസ്റ്റുകളും എഞ്ചിനീയർമാരും എങ്ങനെ പ്രവർത്തിക്കുകയും നവീകരിക്കുകയും ചെയ്യും എന്നതിന്റെ ഒരു പുതിയ യുഗത്തിന് തുടക്കമിടുകയാണെന്ന് വിദഗ്ധർ വിശ്വസിക്കുന്നു. ഉൽപ്പാദനക്ഷമത, ഗുണനിലവാരം, നവീകരണം എന്നിവ മെച്ചപ്പെടുത്താൻ AI പ്രതീക്ഷിക്കുന്നു, എന്നാൽ devsecops ടീമുകൾ ഒരു പുതിയ ഡാറ്റ, സുരക്ഷ, മറ്റ് പ്രവർത്തന അപകടസാധ്യതകൾ എന്നിവ മനസ്സിലാക്കുകയും കൈകാര്യം ചെയ്യുകയും വേണം. അതിലും പ്രധാനമായി, ജനറേറ്റീവ് AI കഴിവുകൾ ഉപയോഗിച്ച് ഓർഗനൈസേഷനെ പ്രാപ്തമാക്കുന്നതിലും പരിരക്ഷിക്കുന്നതിലും devsecops, ഇൻഫർമേഷൻ സെക്യൂരിറ്റി, ഡാറ്റ സയൻസ് എന്നിവയിലെ CIO-കളും ടീമുകളും പ്രധാന പങ്ക് വഹിക്കും.
ഐടി നേതാക്കൾ AI ഉത്തരവാദിത്ത ഷിഫ്റ്റ് നയിക്കണം
CIO-കളും IT നേതാക്കളും അവരുടെ ടീമുകളെയും ജീവനക്കാരെയും ഈ മാതൃകാ വ്യതിയാനത്തിനായി തയ്യാറാക്കണം, കൂടാതെ AI എങ്ങനെ ഡിജിറ്റൽ പരിവർത്തന മുൻഗണനകളെ സ്വാധീനിക്കുന്നു. പരിശീലനത്തിന് മുൻഗണന നൽകണമെന്ന് SAP-ലെ വികസനത്തിന്റെയും ഉപഭോക്തൃ വിജയ പഠനത്തിന്റെയും VP നിക്കോൾ ഹെൽമർ പറയുന്നു. “കമ്പനികൾ ഡവലപ്പർമാർക്കുള്ള പരിശീലനത്തിന് മുൻഗണന നൽകണം, ഈ പുതിയ AI സാങ്കേതികവിദ്യകൾ ഉപയോഗിച്ച് ഡവലപ്പർമാർക്ക് പഠിക്കാനും പര്യവേക്ഷണം ചെയ്യാനും അനുഭവം നേടാനുമുള്ള ഇടം സൃഷ്ടിക്കുക എന്നതാണ് പൊരുത്തപ്പെടുത്തൽ വർദ്ധിപ്പിക്കുന്നതിലെ നിർണായക ഘടകം,” അവർ പറയുന്നു.
കൂടുതൽ ഐടി ഓട്ടോമേഷൻ ഉൽപ്പാദിപ്പിക്കപ്പെടുന്നതിനാൽ, കൂടുതൽ നവീകരണത്തിലേക്കും വാസ്തുവിദ്യയിലേക്കും സുരക്ഷാ ഉത്തരവാദിത്തങ്ങളിലേക്കും മാറാൻ ഐടിയെ പ്രാപ്തമാക്കുന്നതിനാൽ ഈ മാറ്റം അഗാധവും തന്ത്രപരവുമാകാം.
“ജനറേറ്റീവ് AI-യുടെ വെളിച്ചത്തിൽ, അടിസ്ഥാന സൗകര്യങ്ങൾ, കോൺഫിഗറേഷൻ, ലോ-ലെവൽ മോണിറ്ററിംഗ് കോൺഫിഗറേഷനുകൾ, മെട്രിക്സ് ട്രാക്കിംഗ്, ടെസ്റ്റ് ഓട്ടോമേഷൻ എന്നിവയ്ക്കുള്ള അടിസ്ഥാന സ്ക്രിപ്റ്റിംഗ് കഴിവുകൾ devops ടീമുകൾ ഒഴിവാക്കണം, TCS-ന്റെ ചീഫ് ടെക്നോളജി ഓഫീസർ ഡോ. ഹാരിക് വിൻ പറയുന്നു. “പകരം, അവർ ഉൽപ്പന്ന ആവശ്യകതകളുടെ വിശകലനം, സ്വീകാര്യത മാനദണ്ഡങ്ങളുടെ നിർവചനം, സോഫ്റ്റ്വെയർ, വാസ്തുവിദ്യാ രൂപകൽപ്പന എന്നിവയിൽ കൂടുതൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കണം, ഇവയ്‌ക്കെല്ലാം വിമർശനാത്മക ചിന്ത, രൂപകൽപ്പന, തന്ത്രപരമായ ലക്ഷ്യ ക്രമീകരണം, ക്രിയേറ്റീവ് പ്രശ്നപരിഹാര കഴിവുകൾ എന്നിവ ആവശ്യമാണ്.”
ജനറേറ്റീവ് AI-യുടെ ഈ കാലഘട്ടത്തിനായി വികസിപ്പിക്കാനുള്ള നാല് devsecops – (വികസനം, സുരക്ഷ, പ്രവർത്തനങ്ങൾ )എന്നിവയുടെ ചുരുക്കം-, ഡാറ്റാ സയൻസ്, മറ്റ് ഐടി കഴിവുകൾ എന്നിവ ഇവിടെയുണ്ട്.
1. പ്രോംപ്റ്റ് AI-കൾ, എന്നാൽ ഗവേഷണം നടത്തി പ്രതികരണം സാധൂകരിക്കുക
ChatGPT, copilots, മറ്റ് LLM-കൾ എന്നിവയുൾപ്പെടെയുള്ള ജനറേറ്റീവ് AI ടൂളുകൾക്കൊപ്പം പ്രവർത്തിക്കുമ്പോൾ പ്രോംപ്റ്റിംഗ് അടിസ്ഥാനപരമാണ്. എന്നാൽ ഏറ്റവും പ്രധാനപ്പെട്ട വൈദഗ്ദ്ധ്യം ഫലങ്ങൾ വിലയിരുത്തുക, ഭ്രമാത്മകത തിരിച്ചറിയുക, ജനറേറ്റീവ് AI-യുടെ ശുപാർശകൾ സ്വതന്ത്രമായി സാധൂകരിക്കുക എന്നിവയാണ്.
“ഡെവലപ്പർമാരും ടെസ്റ്റർമാരും ബിസിനസ് അനലിസ്റ്റുകളും പ്രോംപ്റ്റുകൾ എങ്ങനെ എഴുതണമെന്ന് പഠിക്കണം [കൂടാതെ] ജനറേറ്റീവ് എഐ എവിടെയാണ് നന്നായി പ്രവർത്തിക്കുന്നത്, എവിടെയാണ് അത് വീഴുന്നത്, ”കോപാഡോയിലെ എസ്വിപിയും ലീഡ് ഇവാഞ്ചലിസ്റ്റുമായ ഡേവിഡ് ബ്രൂക്സ് പറയുന്നു. “ഒരു ‘വിശ്വാസം എന്നാൽ സ്ഥിരീകരിക്കുക’ എന്ന മാനസികാവസ്ഥ സ്വീകരിക്കുക, അവിടെ നിങ്ങൾ യഥാർത്ഥത്തിൽ ജനറേറ്റുചെയ്ത എല്ലാ ഉള്ളടക്കവും വായിച്ച് അർത്ഥമുണ്ടോ എന്ന് നിർണ്ണയിക്കുക.”
ലോഞ്ച് ഡാർക്ക്ലിയിലെ ഡെവലപ്പർ റിലേഷൻസ് ഡയറക്ടർ കോഡി ഡി ആർക്ക്‌ലാൻഡ് പറയുന്നത്, എൽഎൽഎമ്മുകളുമായുള്ള പരീക്ഷണങ്ങളിൽ പ്രോംപ്റ്റിംഗും സാധൂകരിക്കുന്നതുമായ കഴിവുകൾ പ്രയോഗിക്കണം. “ശരിയായി ഉപയോഗിച്ചാൽ, പുതിയ പരീക്ഷണ വ്യതിയാനങ്ങൾ അതിവേഗം സൃഷ്ടിച്ചുകൊണ്ട്, പ്രത്യേകിച്ചും അവരുടെ അനുമാനത്തെ ചുറ്റിപ്പറ്റിയും ശരിയായ പ്രേക്ഷകരെ മനസ്സിൽ വെച്ചും പ്രോംപ്റ്റ് രൂപപ്പെടുത്തുമ്പോൾ, ഡവലപ്പർമാർക്ക് അവരുടെ ഉൽപ്പന്ന പരീക്ഷണം മെച്ചപ്പെടുത്താൻ ഒരു LLM-നെ പ്രയോജനപ്പെടുത്താൻ കഴിയും. അവർ നൽകുന്ന ഉത്തരങ്ങളിലെ വിടവുകൾ കണ്ടെത്താനും അത് നിങ്ങൾക്ക് നൽകുന്ന 90% എങ്ങനെ എടുക്കാമെന്നും അവസാന 10% ലെ വിടവ് എങ്ങനെ അടയ്ക്കാമെന്നും പഠിക്കുന്നത് നിങ്ങളെ കൂടുതൽ ഫലപ്രദമായ devops പ്രാക്ടീഷണർ ആക്കും.
devsecops എഞ്ചിനീയർമാർക്കുള്ള എന്റെ ശുപാർശ, പ്രശ്നപരിഹാര സമീപനങ്ങൾ മാറ്റുക എന്നതാണ്. LLM-കൾക്ക് മുമ്പ്, എഞ്ചിനീയർമാർ പരിഹാരങ്ങൾ ഗവേഷണം ചെയ്യുകയും സാധൂകരിക്കുകയും നടപ്പിലാക്കുകയും പരീക്ഷിക്കുകയും ചെയ്യും. ഇന്ന്, എഞ്ചിനീയർമാർ പ്രക്രിയയുടെ തുടക്കത്തിൽ പ്രോംപ്റ്റിംഗ് ചേർക്കണം, എന്നാൽ പരീക്ഷണം നടത്തുമ്പോൾ ശേഷിക്കുന്ന ഘട്ടങ്ങൾ നഷ്ടപ്പെടുത്തരുത്.
2. ഡാറ്റാ എഞ്ചിനീയറിംഗ് ഉപയോഗിച്ച് LLM-കൾ മെച്ചപ്പെടുത്തുക
ടോല ക്യാപിറ്റലിലെ പങ്കാളിയായ അക്ഷയ് ഭൂഷണോട് ഒരു സുപ്രധാന ജനറേറ്റീവ് AI നൈപുണ്യ സെറ്റ് തിരഞ്ഞെടുക്കാൻ ഞാൻ ചോദിച്ചപ്പോൾ, അദ്ദേഹം പ്രതികരിച്ചു, “ഡാറ്റ എഞ്ചിനീയറിംഗ് ഏറ്റവും പ്രധാനപ്പെട്ട വൈദഗ്ധ്യമായി മാറുന്നു, കാരണം മോഡലിലേക്ക് ഡാറ്റ നൽകുന്നതിന് പൈപ്പ് ലൈനുകൾ നിർമ്മിക്കാൻ ഞങ്ങൾക്ക് ആളുകളെ ആവശ്യമാണ്.”
LLM-കൾക്ക് മുമ്പ്, പല ഓർഗനൈസേഷനുകളും ശക്തമായ ഡാറ്റ പൈപ്പ്ലൈനുകൾ നിർമ്മിക്കുന്നതിലും ഡാറ്റയുടെ ഗുണനിലവാരം മെച്ചപ്പെടുത്തുന്നതിലും പൗരന്മാരുടെ ഡാറ്റാ സയൻസ് കഴിവുകൾ പ്രാപ്തമാക്കുന്നതിലും ഘടനാപരമായ ഡാറ്റയിൽ സജീവമായ ഡാറ്റാ ഗവേണൻസ് സ്ഥാപിക്കുന്നതിലും ശ്രദ്ധ കേന്ദ്രീകരിച്ചു. ഒരു വിശാലമായ സന്ദർഭം പരിശീലിപ്പിക്കുന്നതിനും പ്രവർത്തനക്ഷമമാക്കുന്നതിനും LLM-കൾക്ക് ടെക്‌സ്‌റ്റ്, ഡോക്യുമെന്റുകൾ, മൾട്ടിമീഡിയ എന്നിവയുൾപ്പെടെയുള്ള ഘടനാരഹിതമായ ഡാറ്റയുടെ വിപുലമായ വ്യാപ്തി ആവശ്യമാണ്. ഘടനാരഹിതമായ ഡാറ്റ പൈപ്പ് ലൈനുകളെ പിന്തുണയ്ക്കുന്നതിനും LLM ഉൾച്ചേർക്കലുകൾ വികസിപ്പിക്കുന്നതിനുമുള്ള പുതിയ ഉപകരണങ്ങൾ പഠിക്കാൻ ഓർഗനൈസേഷനുകൾക്ക് ഡാറ്റ ശാസ്ത്രജ്ഞരും ഡാറ്റാ ഗവേണൻസ് സ്പെഷ്യലിസ്റ്റുകളും ആവശ്യമാണ്, കൂടാതെ ആപ്ലിക്കേഷനുകൾ സമന്വയിപ്പിക്കാനും അടിസ്ഥാന സൗകര്യങ്ങൾ ഓട്ടോമേറ്റ് ചെയ്യാനും devsecops എഞ്ചിനീയർമാർക്ക് അവസരങ്ങളുണ്ട്.
“ജനറേറ്റീവ് AI മോഡലുകൾ പരിശീലനത്തിനും മൂല്യനിർണ്ണയത്തിനുമായി ഡാറ്റയെ വളരെയധികം ആശ്രയിക്കുന്നു, അതിനാൽ ഡാറ്റ പൈപ്പ്ലൈൻ ഓർക്കസ്ട്രേഷൻ കഴിവുകൾ വൃത്തിയാക്കുന്നതിനും പ്രീപ്രോസസ് ചെയ്യുന്നതിനും മെഷീൻ ലേണിംഗിന് അനുയോജ്യമായ ഫോർമാറ്റിലേക്ക് മാറ്റുന്നതിനും അത്യന്താപേക്ഷിതമാണ്,” Acceldata യുടെ സഹസ്ഥാപകനും സിഇഒയുമായ രോഹിത് ചൗധരി പറയുന്നു. “ഡാറ്റ വിതരണങ്ങൾ മനസിലാക്കുന്നതിനും പാറ്റേണുകൾ തിരിച്ചറിയുന്നതിനും മോഡൽ പ്രകടനം വിശകലനം ചെയ്യുന്നതിനും ദൃശ്യവൽക്കരണ കഴിവുകൾ പ്രധാനമാണ്.”
എല്ലാ സാങ്കേതിക വിദഗ്ധർക്കും പുതിയ ഡാറ്റാ എഞ്ചിനീയറിംഗ് കഴിവുകൾ പഠിക്കാനും വളരുന്ന ബിസിനസ് ആവശ്യങ്ങൾക്ക് അവ പ്രയോഗിക്കാനും അവസരങ്ങളുണ്ട്.
3. കോപൈലറ്റുകൾ മുതൽ മോഡലോപ്പുകൾ വരെയുള്ള AI സ്റ്റാക്ക് പഠിക്കുക
ടെക്നോളജി പ്ലാറ്റ്‌ഫോം ദാതാക്കൾ IDE-കൾ, ഐടി സേവന മാനേജ്‌മെന്റ് പ്ലാറ്റ്‌ഫോമുകൾ, മറ്റ് ചടുലമായ വികസന ഉപകരണങ്ങൾ എന്നിവയിൽ ജനറേറ്റീവ് AI കഴിവുകൾ അവതരിപ്പിക്കുന്നു. ഡവലപ്പർമാരുടെ നിർദ്ദേശങ്ങളെ അടിസ്ഥാനമാക്കി കോഡ് സൃഷ്ടിക്കുന്ന കോപൈലറ്റുകൾ ഡെവലപ്പർമാർക്ക് അവസരങ്ങൾ വാഗ്ദാനം ചെയ്യുന്നു, എന്നാൽ അവർ ഏകീകരണം, പ്രകടനം, സുരക്ഷ, നിയമപരമായ പരിഗണനകൾ എന്നിവയ്ക്കായി ഫലങ്ങൾ വിലയിരുത്തേണ്ടതുണ്ട്.
“എഐ കാര്യക്ഷമതയുടെ ഒരു പുതിയ യുഗത്തിന് തുടക്കമിട്ടിരിക്കുന്നു, എന്നാൽ കോപൈലറ്റ് പോലുള്ള ഉപകരണങ്ങൾ എല്ലായ്പ്പോഴും കൃത്യമല്ലാത്ത വലിയ അളവിലുള്ള കോഡുകൾ നിർമ്മിക്കുന്നു,” പ്രിയോൺ സ്ഥാപകനും സിഇഒയുമായ ഇഗോർ ജബ്ലോക്കോവ് പറഞ്ഞു. “എന്റർപ്രൈസിലേക്ക് പകർപ്പവകാശ പ്രശ്‌നങ്ങളും വൈകല്യങ്ങളും അവതരിപ്പിക്കപ്പെടുന്നില്ലെന്ന് ഉറപ്പാക്കാൻ devops സ്റ്റാക്കും സൈബർ സുരക്ഷാ വ്യവസായവും ജനറേറ്റീവ് കോഡ് കണ്ടെത്തുന്നതിൽ ഏർപ്പെടേണ്ടതുണ്ട്.”
കാര്യമായ ബൗദ്ധിക സ്വത്തവകാശമുള്ള ഓർഗനൈസേഷനുകൾക്ക് ഈ ഡാറ്റയ്‌ക്കെതിരായ സ്വാഭാവിക ഭാഷാ ചോദ്യങ്ങൾ പ്രേരിപ്പിക്കുന്നതിനും ഉപയോഗിക്കുന്നതിനുമായി എംബെഡിംഗ് സൃഷ്ടിക്കാനും സ്വകാര്യവൽക്കരിക്കപ്പെട്ട LLM-കൾ വികസിപ്പിക്കാനും കഴിയും. സാമ്പത്തിക വിവരങ്ങൾ തിരയുക, ഹെൽത്ത് കെയർ പേഷ്യന്റ് ഡാറ്റയിൽ LLM-കൾ വികസിപ്പിക്കുക, അല്ലെങ്കിൽ പുതിയ വിദ്യാഭ്യാസ പഠന ഉപകരണങ്ങൾ സ്ഥാപിക്കൽ എന്നിവ ഉദാഹരണങ്ങളിൽ ഉൾപ്പെടുന്നു. LLM-കൾ വികസിപ്പിക്കുന്നതിന് സംഭാവന നൽകാൻ ആഗ്രഹിക്കുന്ന ഡെവലപ്പർമാർക്കും ഡാറ്റാ ശാസ്ത്രജ്ഞർക്കും പഠിക്കാൻ നിരവധി പുതിയ സാങ്കേതികവിദ്യകളുണ്ട്.
“ആധുനിക devops എഞ്ചിനീയർക്ക് വെക്റ്റർ ഡാറ്റാബേസുകളും ഹഗ്ഗിംഗ് ഫേസ്, ലാമ, ലാങ്‌ചെയിൻ പോലുള്ള ഓപ്പൺ സോഴ്‌സ് സ്റ്റാക്കും പഠിക്കേണ്ടതുണ്ട്,” RelationalAI-യിലെ റിസർച്ച് മെഷീൻ ലേണിംഗ് VP നിക്കോളാസ് വസിലോഗ്ലോ പറയുന്നു. “100 ബില്യൺ പാരാമീറ്ററുകളുള്ള ഭീമൻ ഭാഷാ മോഡലുകൾ ഉപയോഗിക്കുന്നത് ജനപ്രിയമാണെങ്കിലും, മികച്ച ട്യൂണിംഗിലൂടെയും നൂറുകണക്കിന് ചെറിയ മോഡലുകൾ രചിക്കുന്നതിലൂടെയും ഗെയിം മാറിയേക്കാമെന്നതിന് മതിയായ തെളിവുകളുണ്ട്. ഈ മോഡലുകളുടെ ജീവിതചക്രം കൈകാര്യം ചെയ്യുക എന്നത് നിസ്സാരമല്ലാത്ത മറ്റൊരു ജോലിയാണ്.
അവസാനമായി, ആശയത്തിന്റെയും പരീക്ഷണത്തിന്റെയും തെളിവുകൾ വികസിപ്പിക്കുന്നത് പ്രധാനമാണെങ്കിലും, ഉൽപ്പാദനത്തിന് തയ്യാറായ ജനറേറ്റീവ് AI കഴിവുകൾ നൽകുകയും അവയുടെ ഫലങ്ങൾ നിരീക്ഷിക്കുകയും അവ തുടർച്ചയായി മെച്ചപ്പെടുത്തുകയും ചെയ്യുക എന്നതായിരിക്കണം ലക്ഷ്യം. മെഷീൻ ലേണിംഗിൽ നിന്ന് ജനറേറ്റീവ് എഐയിലേക്ക് MLops-ന്റെയും മോഡലോപ്പുകളുടെയും വിഭാഗങ്ങൾ വ്യാപിക്കുന്നു, കൂടാതെ പൂർണ്ണമായ വികസനത്തിനും ജീവിത ചക്രങ്ങളെ പിന്തുണയ്ക്കാനും ഇത് ആവശ്യമാണ്.
ഡൊമിനോയിലെ ഡാറ്റാ സയൻസ് സ്ട്രാറ്റജിയുടെയും ഇവാഞ്ചലിസത്തിന്റെയും തലവനായ കെജെൽ കാൾസൺ പറയുന്നു, “ജനറേറ്റീവ് എഐ മോഡലുകളും അവയുടെ പൈപ്പ്ലൈനുകളും പ്രവർത്തനക്ഷമമാക്കാനുള്ള കഴിവ് എഐയിലെ ഏറ്റവും മൂല്യവത്തായ നൈപുണ്യമായി മാറുന്നു, കാരണം ഇത് ജനറേറ്റീവ് എഐ ഉപയോഗിച്ച് ഡ്രൈവിംഗ് സ്വാധീനത്തിലെ ഏറ്റവും വലിയ തടസ്സമാണ്.”
4. ഷിഫ്റ്റ്-ലെഫ്റ്റ് സെക്യൂരിറ്റിയും ടെസ്റ്റ് ഓട്ടോമേഷനും
ഒരു ജനറേറ്റീവ് AI-യുടെ പ്രതികരണങ്ങൾ ഗവേഷണം ചെയ്യുക, സാധൂകരിക്കുക, പരീക്ഷിക്കുക എന്നിവ നിർണായക വിഷയങ്ങളാണെന്ന് വിദഗ്ധർ എല്ലാവരും പ്രസ്താവിക്കുന്നു, എന്നാൽ പല ഐടി ഓർഗനൈസേഷനുകൾക്കും വർദ്ധിച്ചുവരുന്ന വെല്ലുവിളികളെ നേരിടാനുള്ള സുരക്ഷയും QA ടെസ്റ്റ് ഓട്ടോമേഷൻ സ്റ്റാഫിംഗും കഴിവുകളും ഉപകരണങ്ങളും ഇല്ല. ഡെവലപ്പർമാർ, ഓപ്പറേഷൻസ് എഞ്ചിനീയർമാർ, ഡാറ്റ ശാസ്ത്രജ്ഞർ എന്നിവർ ഈ സുരക്ഷയിൽ നിക്ഷേപിക്കുകയും ഈ വിടവുകൾ നികത്താൻ ഓട്ടോമേഷൻ കഴിവുകൾ പരീക്ഷിക്കുകയും വേണം.
“AI ഉപയോഗിച്ച്, വികസന ജീവിത ചക്രത്തിൽ അവശേഷിക്കുന്ന സുരക്ഷ, ക്യുഎ, നിരീക്ഷണം എന്നിവ മാറ്റാനും പ്രശ്‌നങ്ങൾ നേരത്തേ കണ്ടെത്താനും ഉയർന്ന നിലവാരമുള്ള കോഡ് നൽകാനും ഡവലപ്പർമാർക്ക് ദ്രുതഗതിയിലുള്ള ഫീഡ്‌ബാക്ക് നൽകാനും ഞങ്ങൾക്ക് കഴിയും,” സെമാഫോർ സിഐ/സിഡിയുടെ സഹസ്ഥാപകൻ മാർക്കോ അനസ്താസോവ് പറയുന്നു. “എഐയും ഓട്ടോമേഷനും ആ ജോലികൾ കൂടുതൽ ഏറ്റെടുക്കുന്നതിനാൽ, മാനുവൽ ടെസ്റ്റിംഗ്, സൈൽഡ് സെക്യൂരിറ്റി തുടങ്ങിയ ലെഗസി കഴിവുകൾക്ക് പ്രാധാന്യം കുറഞ്ഞേക്കാം.”
അവരുടെ വർക്ക്ഫ്ലോകളിലേക്ക് ജനറേറ്റീവ് AI കഴിവുകൾ ചേർക്കുന്നിടത്തോ, AI- ജനറേറ്റഡ് കോഡ് പ്രയോജനപ്പെടുത്തുമ്പോഴോ അല്ലെങ്കിൽ LLM-കൾ വികസിപ്പിക്കുന്നതിൽ പരീക്ഷണം നടത്തുമ്പോഴോ, ഐടി തുടർച്ചയായ പരിശോധനയും സുരക്ഷാ വിഭാഗങ്ങളും സ്ഥാപിക്കണം.
“എഐ-അധിഷ്ഠിത ഭീഷണി കണ്ടെത്തൽ മാസ്റ്റേഴ്സ് ചെയ്യുക, ഓട്ടോമേറ്റഡ് സിഐ/സിഡി പൈപ്പ്ലൈനുകളുടെ സുരക്ഷ ഉറപ്പാക്കുക, എഐ അടിസ്ഥാനമാക്കിയുള്ള ബഗ് പരിഹാരങ്ങൾ മനസ്സിലാക്കുക തുടങ്ങിയ ജനറേറ്റീവ് എഐയും ഡെവോപ്പുകളും തമ്മിലുള്ള വിടവ് നികത്തുന്ന കഴിവുകൾക്ക് ഡെവോപ്സ് ടീമുകൾ മുൻഗണന നൽകണം,” വിപി സ്റ്റീഫൻ മഗിൽ പറയുന്നു. സോണടൈപ്പിലെ ഉൽപ്പന്ന നവീകരണം. “കോഡ് എങ്ങനെ നിർമ്മിക്കപ്പെട്ടു എന്നതിനെക്കുറിച്ചുള്ള ഉൾക്കാഴ്ചയുടെ അഭാവം അല്ലെങ്കിൽ വളരെയധികം കോഡ് നിർമ്മിക്കുന്നതിൽ നിന്ന് കോഡ് വ്യാപിക്കുന്നത് പോലുള്ള ടീമുകൾക്ക് ഏറ്റവും വലിയ വേദനാജനകമായ മേഖലകളിൽ നിക്ഷേപിക്കുന്നത് നിർണായകമാണ്, അതേസമയം മാനുവൽ, റിയാക്ടീവ് ടാസ്‌ക്കുകളിൽ കുറച്ച് ഊന്നൽ നൽകാനാകും.”
എന്നിരുന്നാലും, മറ്റ് പല ഡിപ്പാർട്ട്‌മെന്റുകളും ജീവനക്കാരും ഇതിനകം തന്നെ ChatGPT-ഉം മറ്റ് ജനറേറ്റീവ് AI ടൂളുകളും പരീക്ഷിച്ചു കൊണ്ടിരിക്കുന്നതിനാൽ, ഐടി ജനറേറ്റീവ് AI എങ്ങനെ ഉപയോഗിക്കുന്നു എന്നതിനെക്കുറിച്ചുള്ള സുരക്ഷയിലും പരിശോധനയിലും ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നത് അപര്യാപ്തമാണ്.
devops ടീമുകൾ AI സുരക്ഷ മനസ്സിലാക്കണമെന്ന് ലകേറയുടെ സിഇഒയും സഹസ്ഥാപകനുമായ ഡേവിഡ് ഹേബർ പറയുന്നു. “വേഗത്തിലുള്ള കുത്തിവയ്പ്പുകൾ അല്ലെങ്കിൽ പരിശീലന ഡാറ്റാ വിഷബാധ പോലുള്ള പൊതുവായ കേടുപാടുകൾ ലഘൂകരിക്കാനുള്ള കഴിവുകൾ വികസിപ്പിക്കുക, കൂടാതെ LLM- ഓറിയന്റഡ് റെഡ്-ടീമിംഗ് വ്യായാമങ്ങൾ നടത്തുക. ഉയർന്നുവരുന്ന ഭീഷണികൾ വേഗത്തിൽ കണ്ടെത്തുന്നതിനും അവ കമ്പനിയിലുടനീളം പ്രശ്‌നമാകുന്നതിന് മുമ്പ് പ്രതികരിക്കുന്നതിനും ഡെവോപ്സ് ടീമുകൾ തുടർച്ചയായ നിരീക്ഷണവും സംഭവ പ്രതികരണ സംവിധാനങ്ങളും നടപ്പിലാക്കണം.
ജനറേറ്റീവ് AI ലോകത്തെ മാറ്റുമോ, അതോ അപകടസാധ്യതകളും നിയന്ത്രണങ്ങളും നവീകരണത്തിന്റെ വേഗത കുറയ്ക്കുമോ? എല്ലാ പ്രധാന സാങ്കേതിക പുരോഗതിയും പുതിയ സാങ്കേതിക അവസരങ്ങൾ, വെല്ലുവിളികൾ, അപകടസാധ്യതകൾ എന്നിവയുമായി വരുന്നു. ഉപകരണങ്ങൾ പഠിക്കുന്നതും പരീക്ഷാധിഷ്ഠിത സമീപനങ്ങൾ പ്രയോഗിക്കുന്നതും സാങ്കേതിക വിദഗ്ധർക്ക് ജനറേറ്റീവ് AI-യുമായി പൊരുത്തപ്പെടാനുള്ള പ്രധാന സമ്പ്രദായങ്ങളാണ്, കൂടാതെ AI- പ്രാപ്‌തമാക്കിയ കഴിവുകൾ പ്രവർത്തനക്ഷമമാക്കാൻ ഡിപ്പാർട്ട്‌മെന്റുകൾ നോക്കുമ്പോൾ അഭിസംബോധന ചെയ്യുന്നതിനുള്ള സുരക്ഷാ ഉത്തരവാദിത്തങ്ങൾ വർദ്ധിച്ചുകൊണ്ടിരിക്കുകയാണ്.