Loka Varthakal

ChatGPT, സോഫ്റ്റ്‌വെയർ വികസനം

മികച്ച കോഡ് എഴുതുന്നതിനും ഉൽപ്പാദനക്ഷമത വർദ്ധിപ്പിക്കുന്നതിനും ഉയർന്ന ഉപയോക്തൃ പ്രതീക്ഷകൾ നിറവേറ്റുന്നതിനും ഡെവലപ്പർമാർക്ക് ജനറേറ്റീവ് AI എങ്ങനെ ഉപയോഗിക്കാം?

CRM ആപ്ലിക്കേഷനുകളിൽ പ്രവർത്തിക്കുമ്പോഴും ഉപഭോക്തൃ ഡാറ്റ ഉറവിടങ്ങൾ ലയിപ്പിക്കുമ്പോഴും ഒരു സാധാരണ കോഡിംഗ് പ്രശ്‌നത്തിൽ സഹായിക്കാൻ ഞാൻ ChatGPT ഉപയോഗിക്കാൻ ശ്രമിച്ചു. ഞാൻ ChatGPT-യോട് ചോദിച്ചു, “രണ്ട് പേരുകളുടെ ലിസ്‌റ്റുകൾ നൽകി, പേരുകളുടെ സമീപത്തുള്ള പൊരുത്തങ്ങൾ കണ്ടെത്താനും സമാനത റാങ്കിംഗ് കണക്കാക്കാനും പൈത്തൺ കോഡ് എഴുതുക.” ChatGPT മറുപടി നൽകി, “നിങ്ങൾക്ക് പൈത്തണിലെ FuzzyWuzzy ലൈബ്രറി ഉപയോഗിച്ച് സമീപ പൊരുത്തങ്ങൾ കണ്ടെത്താനും പേരുകൾ തമ്മിലുള്ള സമാനത റാങ്കിംഗ് കണക്കാക്കാനും കഴിയും.” ChatGPT പിന്നീട് FuzzyWuzzy-യുമായുള്ള ഇന്റർഫേസിലേക്ക് കോഡ് പ്രദർശിപ്പിക്കുകയും ഫലങ്ങൾ കാണിക്കാൻ സഹായിക്കുന്ന ഉദാഹരണങ്ങൾ ഉൾപ്പെടുത്തുകയും ചെയ്തു.

ഇപ്പോൾ, ChatGPT എത്ര സ്‌മാർട്ടാണ്, അതിന് സുരക്ഷിത കോഡ് എഴുതാൻ കഴിയുമോ, എന്തിനാണ് അതിന്റെ ഉറവിടങ്ങൾ ആട്രിബ്യൂട്ട് ചെയ്യേണ്ടത് എന്നതിനെക്കുറിച്ചുള്ള ചർച്ചകൾ നടക്കുന്നു. മാർക്കറ്റിംഗ്, ജേണലിസം, കലകൾ, അതെ, സോഫ്റ്റ്‌വെയർ വികസനം എന്നിവയിലെ ആളുകളുടെ സർഗ്ഗാത്മക പ്രവർത്തനങ്ങളെ ജനറേറ്റീവ് AI എങ്ങനെ മാറ്റുമെന്ന് പലരും ചിന്തിക്കാൻ ChatGPT യുടെ ഫലപ്രാപ്തി കാരണമാകുന്നു.

“ചാറ്റ്ജിപിടി, ആൽഫാകോഡ് എന്നിവ പോലുള്ള ജനറേറ്റീവ് എഐ, അടുത്ത മൂന്ന് വർഷത്തിനുള്ളിൽ, വേഗമേറിയതും കാര്യക്ഷമവുമായ വികസന ചക്രങ്ങൾ പ്രാപ്തമാക്കുന്നത് മുതൽ ഉപഭോക്തൃ അനുഭവങ്ങൾ ഒപ്റ്റിമൈസ് ചെയ്യുന്നതുവരെയുള്ള ആപ്ലിക്കേഷനുകൾ എങ്ങനെ വികസിപ്പിക്കുന്നു എന്നതിൽ വലിയ സ്വാധീനം ചെലുത്തുമെന്ന് ഉറപ്പാണ്, വൈസ് പ്രസിഡന്റ് ഡേവിഡ് ബെൻ ഷാബത്ത് പറയുന്നു. ക്വാളിയിലെ ഗവേഷണവും വികസനവും. “AI വികസിക്കുന്നത് തുടരുമ്പോൾ, ഉപഭോക്തൃ അനുഭവങ്ങൾ ഒപ്റ്റിമൈസ് ചെയ്യുന്നതിനും ഉപഭോക്തൃ ഇടപഴകൽ വർദ്ധിപ്പിക്കുന്നതിനും ഉപഭോക്തൃ സേവന ചെലവുകൾ കുറയ്ക്കുന്നതിനും മൊത്തത്തിലുള്ള ചെലവ് കുറയ്ക്കുന്നതിനും ഈ മോഡലുകൾ ഉപയോഗിക്കാൻ ബിസിനസുകൾക്ക് കഴിയും.”

IndustrialML-ലെ സിഇഒ  കൂട്ടിച്ചേർക്കുന്നു, “ജനറേറ്റീവ് AI ടൂളുകൾ, കൂടുതൽ ഡൊമെയ്‌നുകളിലുടനീളമുള്ള വിപുലമായ ആപ്ലിക്കേഷനുകൾക്കായി മെഷീൻ ലേണിംഗ് ഉപയോഗിക്കുന്നത് വളരെ പ്രായോഗികമാക്കും.”

ChatGPT ഇതിനകം 100 ദശലക്ഷത്തിലധികം ഉപയോക്താക്കളിൽ എത്തി, മൈക്രോസോഫ്റ്റ് ഇത് Bing-ലും മറ്റ് ഓഫീസ് ആപ്ലിക്കേഷനുകളിലും ഉൾച്ചേർക്കുന്നു. തിരയൽ പ്ലാറ്റ്‌ഫോമുകളിലെ മറ്റ് ജനറേറ്റീവ് AI എതിരാളികളിൽ Google-ന്റെ ബാർഡ് ഉൾപ്പെടുന്നു, കൂടാതെ ഡെവലപ്പർമാർക്ക് ആൽഫകോഡ്, GitHub Copilot എന്നിവ പോലുള്ള കോഡ് സൃഷ്ടിക്കുന്ന AI-കൾ പരീക്ഷിക്കാൻ കഴിയും. SaaS ഉൽപ്പന്നങ്ങൾ, ടെക് പ്ലാറ്റ്‌ഫോമുകൾ, സേവന ദാതാക്കൾ എന്നിവയുടെ ഒരു തരംഗം ChatGPT കഴിവുകൾ സമന്വയിപ്പിക്കുന്നു. ഉദാഹരണത്തിന്, Gigster ChatGPT ഇന്റഗ്രേഷൻ പിന്തുണ അവതരിപ്പിച്ചു, കൂടാതെ AI, ChatGPT- പവർഡ് വെബ് ആക്‌സസിബിലിറ്റി പ്ലാറ്റ്‌ഫോമായ Flowy സമാരംഭിച്ചു.

AI-യെ ഭയപ്പെടരുത്; അതിന്റെ കഴിവുകൾ പ്രയോജനപ്പെടുത്തുക

നിങ്ങളൊരു സോഫ്‌റ്റ്‌വെയർ ഡെവലപ്പറോ ഡെവോപ്‌സ് എഞ്ചിനീയറോ ആണെങ്കിൽ, നിങ്ങൾക്ക് ജനറേറ്റീവ് AI ടൂളുകൾ ഉപയോഗിച്ച് പരീക്ഷിക്കുകയും നിങ്ങളുടെ തൊഴിലിന് ഇത് എന്ത് അർത്ഥമാക്കുമെന്നും അത് നിങ്ങളുടെ ജോലിയെ എങ്ങനെ മാറ്റുമെന്നും ചിന്തിച്ചേക്കാം.

“ChatGPT പോലെയുള്ള ജനറേറ്റീവ് AI ടൂളുകൾ ഡെവലപ്പർ കമ്മ്യൂണിറ്റിക്കിടയിൽ ഒരു കോളിളക്കം സൃഷ്ടിച്ചു,” സെമാഫോർ CI/CD യുടെ സഹസ്ഥാപകനായ മാർക്കോ അനസ്താസോവ് പറയുന്നു. “ചിലർ ഇത് തങ്ങളുടെ ജോലി എടുക്കുമെന്ന് ഭയപ്പെടുന്നു, മറ്റുള്ളവർ അത് അവഗണിക്കാൻ ഇഷ്ടപ്പെടുന്നു. രണ്ട് മനോഭാവങ്ങളും തെറ്റിദ്ധരിക്കപ്പെടുന്നു, കാരണം ഞങ്ങൾ GitHub Copilot-ൽ കണ്ടതുപോലെ, AI-യെ അവരുടെ വർക്ക്ഫ്ലോയിലേക്ക് സമന്വയിപ്പിക്കുന്ന ഒരു ഡവലപ്പർക്ക് അവിശ്വസനീയമായ ഉൽപ്പാദനക്ഷമത വർദ്ധിപ്പിക്കാൻ കഴിയും.

എന്റെ CRM ഉദാഹരണം എടുക്കുക – ഉപയോഗപ്രദമായ ഒരു പൈത്തൺ ലൈബ്രറി തിരിച്ചറിഞ്ഞ് ഒരു കോഡിംഗ് ഉദാഹരണം കാണിക്കുന്നതിലൂടെ ഇത് എന്റെ സമയം ലാഭിച്ചു. ഈ പ്രക്രിയ എന്റെ കണ്ടെത്തലിനെ ത്വരിതപ്പെടുത്തി, പക്ഷേ ഫലങ്ങൾ വിലയിരുത്തുന്നതിനും എന്റെ ആപ്ലിക്കേഷനിലേക്ക് കോഡ് സംയോജിപ്പിക്കുന്നതിനുമുള്ള ജോലി ഞാൻ ഇനിയും ചെയ്യേണ്ടതുണ്ട്.

ജനറേറ്റീവ് AI-ക്ക് സന്ദർഭം ഇല്ല

Star Trek-ന്റെ കമ്പ്യൂട്ടർ പോലെ സ്‌മാർട്ടും പ്രതികരണശേഷിയും ഉള്ളതായിരിക്കുമെന്ന് പ്രതീക്ഷിച്ചുകൊണ്ട് നിങ്ങളുടെ വീട്ടിൽ നിങ്ങളുടെ ആദ്യത്തെ Amazon Alexa അല്ലെങ്കിൽ Google Assistant ഇൻസ്റ്റാൾ ചെയ്തത് ഓർക്കുന്നുണ്ടോ? അലാറങ്ങൾ സജ്ജീകരിക്കുക, ഷോപ്പിംഗ് ലിസ്റ്റുകളിലേക്ക് ഇനങ്ങൾ ചേർക്കുക, കാലാവസ്ഥാ പ്രവചനം പങ്കിടുക, അല്ലെങ്കിൽ ഇന്നത്തെ വാർത്തകളിൽ നിങ്ങളെ അപ്ഡേറ്റ് ചെയ്യുക തുടങ്ങിയ ലളിതമായ ജോലികൾ ചെയ്യാൻ ഇത് നിങ്ങളെ സഹായിക്കുന്നു, എന്നാൽ കൂടുതൽ സങ്കീർണ്ണമായ ചോദ്യങ്ങൾക്ക് കൃത്യമായി ഉത്തരം നൽകാൻ സാധ്യതയില്ല.

AI അൽഗോരിതങ്ങൾ എങ്ങനെ വികസിപ്പിക്കുകയും പരിശീലിപ്പിക്കുകയും ചെയ്യുന്നു എന്നതിന്റെ സന്ദർഭം മനസ്സിലാക്കേണ്ടത് പ്രധാനമാണെന്ന് സോണടൈപ്പിലെ ഡെവലപ്പർ അഭിഭാഷകനായ ഡാൻ കോൺ വിശ്വസിക്കുന്നു. 

“സാങ്കേതികവിദ്യ ഡാറ്റയെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്, മനുഷ്യ ബുദ്ധിയല്ല, ചിലപ്പോൾ പ്രോഗ്രാമിന് യോജിച്ചതായി തോന്നാം, പക്ഷേ അത് വിമർശനാത്മകമായി വിവരമുള്ള പ്രതികരണങ്ങളൊന്നും നൽകുന്നില്ല,” അദ്ദേഹം പറയുന്നു.

തൽക്കാലം, സോഫ്റ്റ്‌വെയർ ഡെവലപ്‌മെന്റ് ലൈഫ് സൈക്കിളിൽ വിടവുകൾ നികത്താനും നടപ്പിലാക്കുന്ന പരിഹാരങ്ങൾ ത്വരിതപ്പെടുത്താനും ജനറേറ്റീവ് AI-യ്‌ക്ക് കഴിയും, എന്നാൽ ഉചിതമായ അനുഭവങ്ങൾ നേടുന്നതിന് ഞങ്ങൾക്ക് ഇപ്പോഴും ഡെവലപ്പർമാർ ആവശ്യമാണ്. “പ്രോഗ്രാമിംഗ് നന്നായി ചെയ്യുന്നതിനായി കമ്പ്യൂട്ടിംഗിന്റെ മാനുഷിക സന്ദർഭം മനസ്സിലാക്കാനുള്ള കഴിവ് ChatGPT നഷ്‌ടപ്പെടുത്തുന്നു,” കോൺ പറയുന്നു. “സോഫ്റ്റ്‌വെയർ എഞ്ചിനീയർമാർക്ക് തങ്ങൾ സൃഷ്ടിക്കുന്ന സോഫ്റ്റ്‌വെയറിന്റെ ഉദ്ദേശ്യത്തെക്കുറിച്ചും അത് ഉപയോഗിക്കുന്ന ആളുകളെക്കുറിച്ചുമുള്ള കൂടുതൽ വിശദാംശങ്ങൾ ചേർക്കാൻ കഴിയും. ഇത് പുനരുജ്ജീവിപ്പിച്ച കോഡിനൊപ്പം ഒരു കൂട്ടം പ്രോഗ്രാമുകൾ മാത്രമല്ല.

കോഡ്‌സീയുടെ സഹസ്ഥാപകയും സിഇഒയുമായ ഷാനിയ ലെവൻ പറയുന്നു, “എഐയ്ക്ക് പകരം വയ്ക്കാൻ കഴിയാത്ത പലതും എഞ്ചിനീയറിംഗിന് ആവശ്യമാണ്, സന്ദർഭം പോലെ, AI-ക്ക് ഒരൊറ്റ മോഡലിലേക്ക് ലോഡുചെയ്യാനും ആ മോഡലിനെ പരിശീലിപ്പിക്കാനും മനുഷ്യരുടെ പ്രവചന ശേഷി സംയോജിപ്പിക്കാനും അസാധ്യമാക്കുന്നു. അഞ്ച് വർഷത്തിനുള്ളിൽ എന്താണ് വേണ്ടത് എന്ന് മനസ്സിലാക്കുന്നവർ. AI- ന് ഒരിക്കലും കൈകാര്യം ചെയ്യാൻ കഴിയാത്ത, വ്യത്യസ്ത ബിസിനസ്സുകൾക്ക് തനതായ ഒരുപാട് വലിയ ചിത്ര തീരുമാനങ്ങളുണ്ട്.

അഞ്ച് വർഷം മുമ്പ്, ഞാൻ ഒരു പോസ്റ്റ് എഴുതി, AI-ക്ക് കോഡ് ചെയ്യാൻ പഠിക്കാമോ? ഇന്ന്, ഇതിന് കോഡിംഗ് ഉദാഹരണങ്ങൾ നൽകാൻ കഴിയും; ആർക്കിടെക്ചറുകളേയും ഡിസൈൻ പാറ്റേണുകളേയും കുറിച്ചുള്ള ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകാൻ എഞ്ചിനീയർമാരെ നാളെ AI മോഡലുകൾ സഹായിച്ചേക്കാം. ആഹ്ലാദകരമായ ഉപഭോക്തൃ അനുഭവങ്ങളും ഉൽപ്പാദനക്ഷമമായ വർക്ക്ഫ്ലോകളും തയ്യാറാക്കുമ്പോൾ സോഫ്റ്റ്‌വെയർ ഡെവലപ്‌മെന്റ് ടീമുകൾ എടുക്കുന്ന എല്ലാ അറിവുകളും നൂതനത്വങ്ങളും തീരുമാനങ്ങളും ഒരു AI-ക്ക് മാറ്റിസ്ഥാപിക്കാൻ കഴിയുമോ എന്ന് കാണാൻ പ്രയാസമാണ്.

കുറഞ്ഞ കോഡ് പോലെയുള്ള ഒരു ഉൽപ്പാദനക്ഷമത ഉപകരണം

സോഫ്‌റ്റ്‌വെയർ വികസനത്തിന് ഭാഷകളിലും പ്ലാറ്റ്‌ഫോമുകളിലും നിരവധി തലമുറ മെച്ചപ്പെടുത്തലുകൾ ഉണ്ട്. പല ടൂളുകളും ഒരു ഡെവലപ്പറുടെ ഉൽപ്പാദനക്ഷമത വർദ്ധിപ്പിക്കുന്നു, കോഡ് ഗുണനിലവാരം മെച്ചപ്പെടുത്തുന്നു, അല്ലെങ്കിൽ ഡെലിവറി പൈപ്പ്ലൈനിന്റെ വശങ്ങൾ ഓട്ടോമേറ്റ് ചെയ്യുന്നു. ഉദാഹരണത്തിന്, ലോ-കോഡ്, നോ-കോഡ് പ്ലാറ്റ്‌ഫോമുകൾക്ക് കൂടുതൽ ആപ്ലിക്കേഷനുകൾ നിർമ്മിക്കാനും നവീകരിക്കാനും ഓർഗനൈസേഷനുകളെ സഹായിക്കാനാകും, പക്ഷേ ഞങ്ങൾ ഇപ്പോഴും മൈക്രോ സർവീസുകൾ കോഡിംഗ് ചെയ്യുന്നു, ഉപഭോക്താവിനെ അഭിമുഖീകരിക്കുന്ന ആപ്ലിക്കേഷനുകൾ വികസിപ്പിക്കുന്നു, മെഷീൻ ലേണിംഗ് കഴിവുകൾ വികസിപ്പിക്കുന്നു.

“കുറഞ്ഞ കോഡും ഒരു കോഡും പരമ്പരാഗത ഡെവലപ്പർമാരെയും സോഫ്‌റ്റ്‌വെയർ എഞ്ചിനീയർമാരെയും മാറ്റിസ്ഥാപിക്കില്ല എന്നതുപോലെ, ഓപ്പൺഎഐ ആവർത്തിച്ചുള്ള ജോലികൾ ഇല്ലാതാക്കുകയും ആപ്പ് ഡെവലപ്‌മെന്റിനായി മാർക്കറ്റിലേക്ക് സമയം വേഗത്തിലാക്കുകയും ചെയ്യുന്ന ഉപയോഗപ്രദമായ ടൂളുകൾ നൽകും” എന്ന് Kissflow സിഇഒ  സമ്മതിക്കുന്നു.

കീവേഡ് അധിഷ്‌ഠിത തിരയൽ ഉപകരണങ്ങളിൽ നിന്ന് സ്വാഭാവിക ഭാഷാ ചോദ്യങ്ങൾ പ്രോസസ്സ് ചെയ്യുകയും ഉപയോഗപ്രദമായ ഉത്തരങ്ങൾ ഉപയോഗിച്ച് പ്രതികരിക്കുകയും ചെയ്യുന്നവയിലേക്ക് ഒരു മാതൃകാ മാറ്റം. സംബന്ധം തുടരുന്നു, “വ്യക്തമായ സംഭാഷണ ഭാഷയിൽ ചോദ്യങ്ങൾ നൽകുന്നതിലൂടെ, ഏതൊരു ഡവലപ്പർക്കും ആദ്യം മുതൽ കോഡ് എഴുതാനും പരീക്ഷിക്കാനും കഴിയുന്നതിനേക്കാൾ വേഗത്തിൽ ചാറ്റ്ജിപിടിക്ക് ബോയിലർ പ്ലേറ്റോ നിർദ്ദേശിച്ച സാമ്പിൾ കോഡോ സ്വയമേവ സൃഷ്ടിക്കാൻ കഴിയും.”

“ഉൽപാദനക്ഷമതയിൽ മാത്രമല്ല, ഞങ്ങളുടെ വിവരങ്ങൾ എങ്ങനെ വേഗത്തിൽ ലഭിക്കുന്നു എന്നതിലും ഞങ്ങൾ വലിയ മാറ്റം കാണാൻ പോകുന്നു,” ലെവൻ കൂട്ടിച്ചേർക്കുന്നു. “ഒരു ഭാഷയെക്കുറിച്ചുള്ള സാമാന്യവൽക്കരിക്കപ്പെട്ട ചോദ്യങ്ങൾ പോലെ, എഞ്ചിനീയർമാർ എടുക്കേണ്ട ആവർത്തിച്ചുള്ള തീരുമാനങ്ങൾ സൂപ്പർചാർജ് ചെയ്യാൻ AI ഡെവലപ്പർമാരെ പ്രാപ്തമാക്കും.”

സംഭാഷണ ആപ്ലിക്കേഷനുകൾ മെച്ചപ്പെടുത്തുന്നു

ഉപയോക്തൃ പ്രതീക്ഷകൾക്ക് മേൽ ChatGPT എങ്ങനെയാണ് ബാർ ഉയർത്തുന്നത് എന്നതും ഡവലപ്പർമാർ പരിഗണിക്കണം. വ്യക്തിപരമാക്കാത്തതും നിരാശാജനകമായ ഫലങ്ങളുമായി പ്രതികരിക്കുന്നതുമായ നിങ്ങളുടെ ആപ്പിലെ കീവേഡ് സെർച്ച് ബോക്‌സിന് ഒരു നവീകരണം ആവശ്യമാണ്. ChatGPT-യുടെ കഴിവുകൾ കണ്ട് കൂടുതൽ ആളുകൾ ആശ്ചര്യപ്പെടുന്നതിനാൽ, സ്വാഭാവിക ഭാഷാ ചോദ്യങ്ങളും ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകുന്ന ആപ്പുകളും ഉപയോഗിച്ച് AI തിരയൽ അനുഭവങ്ങൾ ജീവനക്കാരും ഉപഭോക്താക്കളും പ്രതീക്ഷിക്കുന്നു.

“തിരയൽ, ഉപഭോക്തൃ സേവന മേഖലകളിൽ ജനറേറ്റീവ് AI-കൾക്ക് ഒരു ടൺ വാഗ്ദാനമുണ്ട്,” എഹെഡിലെ ഫീൽഡ് CTO ജോഷ് പെർകിൻസ് പറയുന്നു. “സങ്കീർണ്ണമായ സ്വാഭാവിക ഭാഷാ തിരയലിന്റെയും സന്ദർഭോചിതമായ മെമ്മറിയുടെയും യാഥാർത്ഥ്യത്തെ ഈ മോഡലുകൾ പ്രകടമാക്കുന്നു, ഒരു ഉപഭോക്തൃ സേവന പ്രതിനിധിയില്ലാതെ സംഭാഷണപരമായി സൂക്ഷ്മമായ നിർദ്ദേശങ്ങൾക്ക് പോലും ഉത്തരങ്ങൾ പ്രാപ്തമാക്കുന്നു, വളരെ ന്യായമായും വൈകാതെയും.”

ജനറേറ്റീവ് AI-യ്ക്ക് വർക്ക്ഫ്ലോ മെച്ചപ്പെടുത്താനും ഹൈപ്പർ ഓട്ടോമേഷൻ, ആളുകളെ ബന്ധിപ്പിക്കൽ, ഓട്ടോമേഷൻ, AI കഴിവുകൾ എന്നിവ പിന്തുണയ്ക്കാനും കഴിയും. ഒരു രോഗിയുടെ അവസ്ഥയെക്കുറിച്ച് AI-യോട് ഡോക്ടർമാർക്ക് ചോദ്യങ്ങൾ ചോദിക്കാൻ കഴിയുന്ന സ്മാർട്ട് ഹെൽത്ത് ആപ്ലിക്കേഷനുകളെക്കുറിച്ച് ഞാൻ ചിന്തിക്കുന്നു, സമാനമായ രോഗികളുമായി AI പ്രതികരിക്കുന്നു, കൂടാതെ ഓർഡറിംഗ് നടപടിക്രമങ്ങളോ കുറിപ്പടികളോ ഓട്ടോമേറ്റ് ചെയ്യുന്ന ഡോക്ടർമാർക്ക് ആപ്പ് ഓപ്‌ഷനുകൾ നൽകുന്നു.

ആപ്ലിക്കേഷൻ ഡെവലപ്‌മെന്റിന്റെയും കസ്റ്റമർ എക്‌സ്‌പീരിയൻസ് ഡിസൈനിന്റെയും വിവിധ വശങ്ങൾ ഓട്ടോമേറ്റ് ചെയ്യാനും മെച്ചപ്പെടുത്താനും ജനറേറ്റീവ് എഐ ടെക്‌നോളജികൾക്ക് വലിയ അവസരമുണ്ട്,” ആപ്പനിലെ ചീഫ് പ്രൊഡക്റ്റ് ഓഫീസർ  പറയുന്നു.

എന്നാൽ വർക്ക്ഫ്ലോകളിൽ ചിട്ടയായ മാറ്റങ്ങൾ വരുത്താൻ ജനറേറ്റീവ് AI ഉപയോഗിക്കുന്നത് എളുപ്പമല്ല. Power and Prediction: The Disruptive Economics of Artificial Intelligence എന്ന പുസ്‌തകത്തിൽ, രചയിതാക്കൾ പോയിന്റ് സൊല്യൂഷനുകൾ (കോഡ് ഉദാഹരണങ്ങൾ കണ്ടെത്തുന്നത് പോലെ) തമ്മിലുള്ള വ്യത്യാസവും AI സിസ്റ്റം സൊല്യൂഷനുകളും തമ്മിലുള്ള വ്യത്യാസം കാണിക്കുന്നു.

സഗിരാജു കുറിക്കുന്നു, “മോഡൽ കൃത്യമായി പ്രവർത്തിക്കുന്നുണ്ടെന്ന് ഉറപ്പാക്കാൻ ജനറേറ്റീവ് AI-ക്ക് ഇപ്പോഴും ഫൈൻ-ട്യൂണിംഗിനായി യഥാർത്ഥ വ്യക്തികളുടെ ഫീഡ്‌ബാക്ക് ആവശ്യമാണ്. ഈ മോഡലുകളുടെ പിന്നിലെ ഡാറ്റയും മനുഷ്യരും അവരുടെ വിജയങ്ങളും പരാജയങ്ങളും നിർവചിക്കും.

ഒപ്റ്റിമൽ ഡൊമെയ്‌നുകൾ തിരഞ്ഞെടുത്ത് ഗുണനിലവാരമുള്ള പ്രതികരണങ്ങൾക്കായി പരിശോധിക്കുക

അപ്പോൾ, സോഫ്റ്റ്‌വെയർ ഡെവലപ്പർമാർക്ക് ഇന്ന് ജനറേറ്റീവ് AI എങ്ങനെ പ്രയോജനപ്പെടുത്താനാകും? കോഡിംഗ് ഉദാഹരണങ്ങൾ കണ്ടെത്തുന്നതിനോ കോഡ് ഗുണനിലവാരം മെച്ചപ്പെടുത്തുന്നതിനോ അതിന്റെ പ്രയോജനം കാണുന്നത് എളുപ്പമാണ്. എന്നാൽ ഉൽപ്പന്ന മാനേജർമാരും അവരുടെ ചടുലമായ വികസന ടീമുകളും അവരുടെ ആപ്ലിക്കേഷനിലേക്ക് ഒരു ജനറേറ്റീവ് AI പ്ലഗ് ചെയ്യുന്നതിന് മുമ്പ് അവരുടെ ഉപയോഗ കേസുകൾ സാധൂകരിക്കുകയും പരിശോധിക്കുകയും വേണം.

“നിയന്ത്രിതമല്ലാത്ത AI കൃത്യമല്ലാത്തതോ അപൂർണ്ണമായതോ ആയ ഉള്ളടക്കം സൃഷ്ടിക്കുന്നതിന്റെ അപകടസാധ്യത, മികച്ചത്, ഒരു പരിധിവരെ അലോസരപ്പെടുത്തും, മറ്റ് സന്ദർഭങ്ങളിൽ അവിശ്വസനീയമാംവിധം ചെലവേറിയതാണ്, പ്രത്യേകിച്ചും ഉപഭോക്തൃ സേവനത്തിനായി ഉപയോഗിക്കുമ്പോൾ അല്ലെങ്കിൽ ഒരു ബ്രാൻഡിനെ പ്രതിനിധീകരിക്കുമ്പോൾ,” ഉൽപ്പന്ന മേധാവി എറിക് ആഷ്ബി പറയുന്നു. ഹെൽപ്പ്ഷിഫ്റ്റിൽ. “നിരീക്ഷണമില്ലാത്ത ചാറ്റ്ബോട്ട് പോലെയുള്ള ഉള്ളടക്കം സൃഷ്ടിക്കുന്നതിൽ AI-യെ ഒറ്റയ്ക്ക് നിൽക്കാൻ അനുവദിക്കാനുള്ള പ്രലോഭനം തുടക്കത്തിൽ ഉണ്ടാകുമെങ്കിലും, ഈ അപകടസാധ്യത നിയന്ത്രിക്കുന്നതിന്, മനുഷ്യരും AI-യും ഒരുമിച്ച് പ്രവർത്തിക്കുന്ന ഒരു സംയോജിത തന്ത്രം അവലംബിക്കേണ്ടതുണ്ടെന്ന് ബ്രാൻഡുകൾ പെട്ടെന്ന് മനസ്സിലാക്കും.”

ChatGPT ഒരു തിളങ്ങുന്ന ഒബ്‌ജക്‌റ്റിനേക്കാൾ കൂടുതലാണ്, എന്നാൽ ഏതൊരു പുതിയ സാങ്കേതികവിദ്യയും പോലെ, സോഫ്റ്റ്‌വെയർ ഡെവലപ്പർമാരും ആർക്കിടെക്‌റ്റുകളും എവിടെ, എപ്പോൾ, എങ്ങനെ ജനറേറ്റീവ് AI കഴിവുകൾ ഉപയോഗിക്കണമെന്ന് സാധൂകരിക്കേണ്ടതുണ്ട്.

AI ഉപയോഗിച്ചുള്ള കോഡിംഗ്: ഡവലപ്പർമാരിൽ നിന്നുള്ള നുറുങ്ങുകളും മികച്ച രീതികളും

AI പെയർ പ്രോഗ്രാമിംഗ് ഒരു കോഡറുടെ സ്വപ്നമോ അല്ലെങ്കിൽ ഒരു പേടിസ്വപ്നമോ ആകാം. ഒൻപത് ഡെവലപ്പർമാർ ഇന്ന് ജനറേറ്റീവ് AI എങ്ങനെ ഉപയോഗിക്കുന്നു എന്നതിനെക്കുറിച്ച് സംസാരിക്കുന്നു.

ജനറേറ്റീവ് AI ജനപ്രിയ ഭാവനയെ പിടിച്ചെടുക്കുകയും ഒരു പുതിയ ടെക് ഗോൾഡ് റഷ് ആരംഭിക്കുകയും ചെയ്തു. സ്വാഭാവിക ഭാഷാ ഗദ്യവും വിഷ്വൽ ആർട്ടും നിർമ്മിക്കുന്ന AI ടൂളുകളിൽ വളരെയധികം ശ്രദ്ധ കേന്ദ്രീകരിച്ചിട്ടുണ്ടെങ്കിലും, ടെക് സർക്കിളുകളിൽ AI അതിന്റെ കോഡിംഗ് കഴിവുകളിൽ കൂടുതൽ താൽപ്പര്യം നേടുന്നു. നിങ്ങൾക്ക് ഒരു AI ചാറ്റ്‌ബോട്ടിലേക്ക് ആവശ്യമുള്ള ഒരു പ്രോഗ്രാം വിവരിക്കാൻ കഴിയും, കൂടാതെ ഇത് സെക്കൻഡുകൾക്കുള്ളിൽ നിങ്ങൾക്ക് എക്‌സിക്യൂട്ടബിൾ കോഡ് തിരികെ നൽകും, ഇത് ശരാശരി പ്രോഗ്രാമറെ കൗതുകകരമാക്കുകയും അസ്വസ്ഥരാക്കുകയും ചെയ്യുന്നു.

AI-അധിഷ്ഠിത പ്രോഗ്രാമിംഗിന്റെ സാധ്യത സോഫ്റ്റ്‌വെയർ വ്യവസായത്തിന്റെ ഭാവിയെക്കുറിച്ച്, പ്രത്യേകിച്ച് സി-സ്യൂട്ട് എക്സിക്യൂട്ടീവുകൾ, കൺസൾട്ടന്റുമാർ, അവരെ പിന്തുടരുന്ന പണ്ഡിതന്മാർ എന്നിവരിൽ നിന്ന് വളരെ ഗംഭീരമായ ചില പ്രവചനങ്ങളിലേക്ക് നയിച്ചു. എന്നാൽ ദൈനംദിന അടിസ്ഥാനത്തിൽ AI ഉപകരണങ്ങൾ ഉപയോഗിച്ച് പ്രവർത്തിക്കുന്ന പ്രോഗ്രാമർമാരുടെയും മാനേജർമാരുടെയും കാര്യമോ? ജനറേറ്റീവ് AI ഉപയോഗിച്ച് പ്രോഗ്രാമിംഗ് ചെയ്യുന്ന ഒരുപിടി ആളുകളോട് ഇത് ഇതുവരെ എങ്ങനെ പ്രവർത്തിക്കുന്നുവെന്ന് ഞങ്ങൾ ചോദിച്ചു. നമ്മൾ പഠിച്ചത്, AI ശരിക്കും ആളുകളുടെ പ്രവർത്തിക്കുന്ന രീതി മാറ്റുകയാണ്-എന്നാൽ മെഷീനുകൾ എപ്പോൾ വേണമെങ്കിലും ഹ്യൂമൻ കോഡറുകൾ മാറ്റിസ്ഥാപിക്കാൻ പോകുന്നില്ല.

AI കോഡർമാരെ എങ്ങനെ സഹായിക്കുന്നു

ഡെവലപ്പർമാർ ഏറ്റവും സാധാരണയായി ഉപയോഗിക്കുന്ന രണ്ട് ജനറേറ്റീവ് AI ടൂളുകൾ ആയിരുന്നു ChatGPT-ഓപ്പൺഎഐ-യിൽ നിന്നുള്ള പരക്കെ അറിയപ്പെടുന്ന AI ചാറ്റ്ബോട്ട്-വിഷ്വൽ സ്റ്റുഡിയോയിലും മറ്റ് IDE-കളിലും സംയോജിപ്പിക്കുന്ന GitHub Copilot. രണ്ട് ടൂളുകൾക്കും സ്വാഭാവിക ഭാഷാ അന്വേഷണങ്ങളെ അടിസ്ഥാനമാക്കി കോഡ് സൃഷ്ടിക്കാൻ കഴിയുമെങ്കിലും, കോപൈലറ്റിനും അതിന്റെ പരീക്ഷണാത്മക പിൻഗാമിയായ കോപൈലറ്റ് എക്‌സിനും സംഭാഷണ മോഡലിന് അപ്പുറത്തേക്ക് ഒരു പടി പോകാനാകും, ഡവലപ്പർ എന്താണ് പ്രവർത്തിക്കുന്നതെന്ന് മുൻകൂട്ടി അറിയുന്ന ഒരു തരം സൂപ്പ്-അപ്പ് ഐഡിഇ ഓട്ടോകംപ്ലീറ്റായി പ്രവർത്തിക്കുന്നു.

വിഷ്വൽ സ്റ്റുഡിയോ കോഡ് ഉപയോഗിച്ചുള്ള തന്റെ ദൈനംദിന കോഡിംഗിൽ താൻ GitHub Copilot ഉപയോഗിക്കുന്നുവെന്ന് Croquet.io-യിലെ സഹസ്ഥാപകയും ചീഫ് ആർക്കിടെക്റ്റുമായ വനേസ ഫ്രൂഡൻബെർഗ് പറയുന്നു. ഇത് എങ്ങനെ പ്രവർത്തിക്കുന്നുവെന്ന് അവർ വിശദീകരിക്കുന്നു.

ഞാൻ വരി എഴുതുകയാണെങ്കിൽ:

let x = this.leftMargin + this.width / 2;

അത് സ്വയമേവ അടുത്ത വരി നിർദ്ദേശിക്കും:

let y = this.topMargin + this.height / 2;

“വീതി”, “ഇടത്” എന്നിവയ്ക്ക് പകരം “ഉയരം”, “മുകളിൽ” എന്നിവ നൽകേണ്ടതുണ്ടെന്ന് അതിന് അറിയാം. അത് എനിക്ക് ധാരാളം ടൈപ്പിംഗ് ലാഭിക്കുന്നു.

NetBeez-ലെ സഹസ്ഥാപകനും CTO-ഉം, താൻ കോഡിംഗ് എപ്പോൾ വേണമെങ്കിലും Copilot X, ChatGPT എന്നിവ ഉപയോഗിക്കുമെന്ന് പറയുന്നു. ഈ ടൂളുകൾ ഉപയോഗിച്ച് യാന്ത്രിക പൂർത്തീകരണത്തിനപ്പുറം നേടുന്നതിനുള്ള രണ്ട് വ്യത്യസ്ത സമീപനങ്ങളെ അദ്ദേഹം വിവരിക്കുന്നു. ആദ്യത്തേത് വ്യവസ്ഥാപിതമാണ്. “നിർദ്ദിഷ്‌ട ഇൻപുട്ടുകൾ, പ്രതീക്ഷിക്കുന്ന ഔട്ട്‌പുട്ടുകളുടെ ഉദാഹരണങ്ങൾ, ഉൾപ്പെട്ടിരിക്കുന്ന ഡാറ്റാ മോഡലുകൾ എന്നിവ ഉപയോഗിച്ച് വളരെ നന്നായി നിർവചിക്കപ്പെട്ട ഒരു ഫംഗ്‌ഷൻ വിവരിക്കുക, അതിൽ ഉൾപ്പെട്ടിരിക്കുന്ന ഡാറ്റാബേസ് ടേബിളുകൾ ഇൻപ്ലിസിറ്റ് അസോസിയേഷനുകൾ ഉൾക്കൊള്ളുന്നു,” അദ്ദേഹം പറയുന്നു. “AI പൊതുവെ അസോസിയേഷനുകളെ അനുമാനിക്കാൻ കഴിയും. ഒരു പ്രത്യേക ഭാഷയിലും നിർദ്ദിഷ്ട രീതിയിലും ഇത് നടപ്പിലാക്കാൻ ആവശ്യപ്പെടുക. പ്രോജക്റ്റ് മാനേജ്മെന്റ് ടൂളുകളിൽ നിർവചിച്ചിരിക്കുന്ന ‘ടാസ്ക്കുകൾ’ ഇത്തരത്തിലുള്ള പ്രോംപ്റ്റായി നിർവചിക്കേണ്ടതാണ്.”

കൂടുതൽ യാദൃശ്ചികവും സംഭാഷണപരവുമായ ഒരു സാങ്കേതികത നല്ല ഫലങ്ങൾ ഉണ്ടാക്കുമെന്നും അദ്ദേഹം കരുതുന്നു. ഈ മോഡിൽ, അദ്ദേഹം പറയുന്നു, “ഒരു ടാസ്‌ക് നിർവഹിക്കുമ്പോൾ, ചില കാര്യങ്ങൾ എങ്ങനെ ചെയ്യണമെന്നതിനെക്കുറിച്ച് നിങ്ങളുടെ മനസ്സിൽ വരുന്ന ചോദ്യങ്ങൾ നിങ്ങൾ ചോദിക്കുന്നു. നിങ്ങളുടെ ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകുന്ന പരിചയസമ്പന്നനായ ഒരു എഞ്ചിനീയർ നിങ്ങളുടെ അടുത്ത് ഉണ്ടായിരിക്കുകയും ചുമതല പൂർത്തിയാക്കുന്നതിന് നിങ്ങളെ നയിക്കുകയും ചെയ്യുന്നതുപോലെയാണിത്.”

നിങ്ങൾ ഏത് സാങ്കേതിക വിദ്യ ഉപയോഗിച്ചാലും, AI ശരിയായി ആവശ്യപ്പെടാൻ പഠിക്കുന്നത് ഒരു കലയാണ്. “എന്റെ പ്രോംപ്റ്റ് ആരംഭിക്കുന്നതിനും പരിഷ്കരിക്കുന്നതിനുമുള്ള ശരിയായ ക്രിയ ലഭിക്കുന്നുവെന്ന് ഉറപ്പാക്കാൻ ഞാൻ ചെയിൻ-ഓഫ്-ചിന്ത പ്രോംപ്റ്റിംഗ് ഉപയോഗിക്കുന്നു,” സോഫ്‌റ്റ്‌വെയർ ദാതാവായ കോഡ്‌സീയുടെ സ്ഥാപകയും സിഇഒയുമായ ഷാനിയ ലെവൻ പറയുന്നു. “ഒരു നല്ല പ്രോംപ്റ്റ് സൃഷ്ടിക്കുന്നതിന് ശരിയായ ക്രിയകൾ തിരഞ്ഞെടുക്കുന്നതും വിവരണാത്മകവും വളരെ പ്രധാനമാണ്.” 

AI-യുടെ കോഡിംഗ് ശക്തികൾ

ഞങ്ങൾ സംസാരിച്ച ഡവലപ്പർമാർ അവരുടെ ജോലി പൂർത്തിയാക്കാൻ AI ടൂളുകൾ സഹായിച്ച വിവിധ ഉപയോഗ കേസുകൾ വാഗ്ദാനം ചെയ്തു. വേറിട്ടു നിന്നത് ഇതാ.

കോഡിൽ നിന്ന് ഡോക്യുമെന്റേഷൻ നിർമ്മിക്കുന്നു

സോഫ്‌റ്റ്‌വെയർ ഡോക്യുമെന്റേഷൻ തികച്ചും ഘടനാപരമായ ഒരു ഫോർമാറ്റാണ്, ഇത് AI അഭിവൃദ്ധി പ്രാപിക്കുന്ന ഒരു മേഖലയാണ്. “എന്റെ കോഡിൽ ഡോക്യുമെന്റേഷൻ [അല്ലെങ്കിൽ] അഭിപ്രായങ്ങൾ എഴുതുക എന്നതാണ് ChatGPT ഉപയോഗിക്കുന്നത്,” വെബ് കൺസൾട്ടൻസി ലവ്2ദേവിന്റെ സ്ഥാപകനായ ക്രിസ് ലവ് പറയുന്നു. “അത് കൈകൊണ്ട് ചെയ്യാൻ വളരെയധികം സമയമെടുക്കും. എന്നാൽ ഒരു ഫംഗ്‌ഷൻ പൂർത്തിയായിക്കഴിഞ്ഞാൽ, എനിക്ക് അത് ഫംഗ്‌ഷൻ നൽകുകയും ഒന്നോ രണ്ടോ നിമിഷങ്ങൾക്കുള്ളിൽ ഒരു നല്ല പേജ് ഡോക്യുമെന്റേഷൻ എഴുതുകയും ചെയ്യാം. ഞാൻ അത് ഇഷ്ടപ്പെടുന്നു!”

…തിരിച്ചും

അഭിപ്രായങ്ങളെയോ ഡോക്യുമെന്റേഷനെയോ അടിസ്ഥാനമാക്കി AI-ക്ക് കോഡ് സൃഷ്ടിക്കാനും കഴിയും. Croquet.io യുടെ Freudenberg ഒരു കമന്റ് ലൈനിൽ നിന്ന് കോപൈലറ്റ് കോഡ് സൃഷ്ടിക്കുന്നതിന്റെ ലളിതമായ ഒരു ഉദാഹരണം നൽകി, അവിടെ ഇനിപ്പറയുന്ന അഭിപ്രായം:

// get file name from our url

ഈ ഔട്ട്പുട്ട് നിർമ്മിച്ചത്:

let fileName = window.location.pathname.split(“/”).pop();

“ഞാൻ ഒരുപക്ഷേ ഇത് വ്യത്യസ്തമായി എഴുതുമായിരുന്നു – ഞാൻ ഒരു റീജക്സ് പെൺകുട്ടിയാണ് – എന്നാൽ ഇത് തികച്ചും ലളിതവും കൂടുതൽ വായിക്കാവുന്നതുമായ ഒരു പരിഹാരമാണ്, അതിനാൽ ഞാൻ ഇത് അംഗീകരിക്കും,” അവർ പറയുന്നു. “ഇത് ഒരു വലിയ സമയ ലാഭം മാത്രമല്ല, ചിലപ്പോൾ ഞാൻ സ്വയം കണ്ടെത്തിയിട്ടില്ലാത്ത ഭാഷാശൈലികളും എന്നെ പഠിപ്പിക്കുന്നു.”

പരിഹരിച്ച പ്രശ്നങ്ങൾക്കുള്ള പരിഹാരങ്ങൾ

പ്രോഗ്രാമിംഗിന്റെ ഒരു ഭാഗം നിരന്തരം വീൽ കണ്ടുപിടിക്കുന്നതായി ഡവലപ്പർമാർക്ക് അറിയാം. നിങ്ങൾക്കറിയാവുന്ന, എവിടെയോ, ഇതിനകം പരിഹരിച്ച ഒരു പ്രശ്നത്തിൽ പ്രവർത്തിക്കുന്നത് നിരാശാജനകമാണ്. സോഫ്റ്റ്‌വെയർ ഡെവലപ്‌മെന്റ് സ്ഥാപനമായ റൈസ്8-ലെ എഞ്ചിനീയറിംഗ് പ്രാക്ടീസ് ലീഡ് ജെഫ് വിൽസ്, ഇത് AI സഹായത്തിന് പാകമായ ഒരു ഡൊമെയ്‌നായിട്ടാണ് കാണുന്നത്. “ഒരു ഗോളത്തിലെ രണ്ട് ബിന്ദുക്കൾ തമ്മിലുള്ള ദൂരം കണക്കാക്കാൻ ഞാൻ ഒരു രീതി ഉണ്ടാക്കുന്നുവെന്ന് പറയാം,” അദ്ദേഹം വിശദീകരിക്കുന്നു. “കോപൈലറ്റ് സ്വയമേവ പുറത്തുപോയി ഹാവേർസൈൻ അൽഗോരിതം കണ്ടെത്തുകയും ആ കോഡുകളെല്ലാം സൃഷ്ടിക്കുകയും ചെയ്യും.”

AI- ജനറേറ്റഡ് കോഡിന് പകരമായി തന്റെ ആപ്ലിക്കേഷനിലേക്ക് ഒരു വലിയ ലൈബ്രറി ചേർക്കുന്ന സന്ദർഭങ്ങളിൽ ഈ ഉപയോഗ കേസ് പ്രത്യേകിച്ചും ഉപയോഗപ്രദമാണെന്ന് വിൽസ് കണ്ടെത്തുന്നു. “എന്റെ കോഡിലേക്ക് ഒരു മുഴുവൻ ജ്യാമിതി ലൈബ്രറിയും കൊണ്ടുവരാനും കോഡ്ബേസ് വർദ്ധിപ്പിക്കാനും ഞാൻ ആഗ്രഹിക്കുന്നില്ലെന്ന് പറയുക,” അദ്ദേഹം വിശദീകരിക്കുന്നു. “എനിക്ക് ശരിക്കും ആ ഒരു അൽഗോരിതം മാത്രമേ ആവശ്യമുള്ളൂ. ഞാൻ അത് സ്വയം എഴുതുകയും ഉൾപ്പെടുത്തുകയും ചെയ്യും-അല്ലെങ്കിൽ അത് നിർമ്മിക്കാൻ എന്നെ സഹായിക്കുന്നതിന് ChatGPT അല്ലെങ്കിൽ Copilot ഉപയോഗിക്കുക. അതാണ് ഇപ്പോൾ AI-യുടെ ബ്രെഡും വെണ്ണയും.”

കോഡ് അപ്ഡേറ്റ് ചെയ്യുകയോ വൃത്തിയാക്കുകയോ ചെയ്യുന്നു

ക്രിസ് ലവ് ഓഫ് ലവ്2ദേവ്, താൻ ഇതിനകം എഴുതിയ കോഡ് അപ്‌ഡേറ്റ് ചെയ്യുന്നതിന് ChatGPT പ്രത്യേകിച്ചും ഉപയോഗപ്രദമാണെന്ന് കണ്ടെത്തി. “കോഡ് ടൈപ്പുചെയ്യാൻ എടുക്കുന്ന സമയം മൂല്യത്തേക്കാൾ കൂടുതലായതിനാൽ ഞാൻ അപ്‌ഡേറ്റ് ചെയ്യാത്ത പഴയ Node.js മൊഡ്യൂളുകൾ അപ്‌ഡേറ്റ് ചെയ്യുന്നത് ഞാൻ കൈകാര്യം ചെയ്തിട്ടുണ്ട്,” അദ്ദേഹം പറയുന്നു. “ഞാൻ തിരയുന്ന ഏറ്റവും സാധാരണമായ സാഹചര്യം, പഴയ വാഗ്ദാന-അടിസ്ഥാന ഫംഗ്‌ഷനുകൾ അസിൻക്/വെയ്റ്റ് ഉപയോഗിക്കുന്നതിന് പരിവർത്തനം ചെയ്യുക എന്നതാണ്. രണ്ടാമത്തേത് ഒരു ക്ലീനർ വാക്യഘടനയാണ്, പക്ഷേ ഞാൻ മൊഡ്യൂൾ എഴുതിയപ്പോൾ അത്ര സാധാരണമായിരുന്നില്ല. ഡിസ്ട്രക്ചറിംഗ് പോലെയുള്ള കൂടുതൽ ആധുനിക വാക്യഘടനകൾ ഉപയോഗിക്കാനും എനിക്ക് ഇത് ലഭിച്ചു. കൂടാതെ വേരിയബിൾ ഡിക്ലറേഷനുകൾ var-ൽ നിന്ന് കോൺസ്റ്റും ലെറ്റും ആയി പരിവർത്തനം ചെയ്യുന്നു.”

വേഗത്തിലുള്ള കോഡിംഗ് (ഒരുപക്ഷേ)

ഞങ്ങൾ സംസാരിച്ച പല ഡവലപ്പർമാരും കോപൈലറ്റോ ചാറ്റ്‌ജിപിടിയോ ആയി പ്രവർത്തിക്കുന്നത് അവർക്ക് അവരുടെ ജോലി കൂടുതൽ വേഗത്തിൽ ചെയ്യാൻ കഴിയുമെന്ന് തോന്നി, എന്നിരുന്നാലും അവർക്ക് അത് കണക്കാക്കാൻ കഴിയില്ലെന്ന് അവർ സമ്മതിച്ചു. “അവസാനം അത് ചെയ്യുന്നതായി ഞാൻ കരുതുന്നത് കുറച്ചുകൂടി വേഗത്തിൽ മികച്ച കോഡ് എഴുതാൻ എന്നെ സഹായിക്കുക എന്നതാണ്,” ലവ് പറയുന്നു. “എത്ര ശതമാനം വേഗമുണ്ടെന്ന് പറയാൻ പ്രയാസമാണ്, പക്ഷേ ഇത് എനിക്ക് സ്പഷ്ടമാണ്.”

സാധ്യമായ പരിഹാരങ്ങളിലൂടെ എനിക്ക് വേഗത്തിൽ ആവർത്തിക്കാൻ കഴിയുമെന്ന് എനിക്ക് തോന്നുന്നു” Rise8’s Wills പറയുന്നു. “അത് എന്നെ സൈദ്ധാന്തികമായി വേഗത്തിലാക്കും-പക്ഷേ ഞാൻ കൂടുതൽ സാധ്യമായ പരിഹാരങ്ങൾ നോക്കുന്നുണ്ടാകാം! അതിനാൽ എനിക്ക് കൃത്യസമയത്ത് പ്രതിഫലം ലഭിക്കില്ല, പക്ഷേ ഗുണനിലവാരത്തിൽ, കാരണം എനിക്ക് കുറച്ച് കൂടി ആവർത്തിക്കാൻ കഴിഞ്ഞു.

ജനറേറ്റീവ് AI യുഗത്തിനായുള്ള 4 പ്രധാന devsecops – വികസനം, സുരക്ഷ, പ്രവർത്തനങ്ങൾ എന്നിവയുടെ ചുരുക്കം) -കഴിവുകൾ

 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.

എന്താണ് ജനറേറ്റീവ് AI? സൃഷ്ടിക്കുന്ന ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ്

ജനറേറ്റീവ് AI മോഡലുകൾക്ക് സംഭാഷണങ്ങൾ തുടരാനും ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകാനും സ്റ്റോറികൾ എഴുതാനും സോഴ്‌സ് കോഡ് നിർമ്മിക്കാനും ഏതാണ്ട് ഏത് വിവരണത്തിന്റെയും ചിത്രങ്ങളും വീഡിയോകളും സൃഷ്ടിക്കാനും കഴിയും. ജനറേറ്റീവ് AI എങ്ങനെ പ്രവർത്തിക്കുന്നു, അത് എങ്ങനെ ഉപയോഗിക്കുന്നു, എന്തുകൊണ്ടാണ് ഇത് നിങ്ങൾ വിചാരിക്കുന്നതിലും പരിമിതമായിരിക്കുന്നത് എന്നിവ ഇവിടെയുണ്ട്.

നിലവിലുള്ള ഉള്ളടക്കത്തിൽ നിന്ന് പഠിച്ച പാറ്റേണുകളെ അടിസ്ഥാനമാക്കി ടെക്‌സ്‌റ്റ്, ഇമേജുകൾ, ഓഡിയോ, വീഡിയോ എന്നിവയുൾപ്പെടെ പുതിയ ഉള്ളടക്കം സൃഷ്‌ടിക്കുന്ന ഒരുതരം കൃത്രിമ ബുദ്ധിയാണ് ജനറേറ്റീവ് AI. ഇന്നത്തെ ജനറേറ്റീവ് AI മോഡലുകൾ ആഴത്തിലുള്ള പഠനമോ ആഴത്തിലുള്ള ന്യൂറൽ നെറ്റ്‌വർക്കുകളോ ഉപയോഗിച്ച് ധാരാളം ഡാറ്റയെ പരിശീലിപ്പിച്ചിരിക്കുന്നു, അവയ്ക്ക് സംഭാഷണങ്ങൾ തുടരാനും ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകാനും സ്റ്റോറികൾ എഴുതാനും സോഴ്‌സ് കോഡ് നിർമ്മിക്കാനും ഏത് വിവരണത്തിന്റെയും ചിത്രങ്ങളും വീഡിയോകളും സൃഷ്ടിക്കാനും കഴിയും. ഹ്രസ്വമായ വാചക ഇൻപുട്ടുകൾ അല്ലെങ്കിൽ “പ്രോംപ്റ്റുകൾ.”

ജനറേറ്റീവ് എഐയെ ജനറേറ്റീവ് എന്ന് വിളിക്കുന്നു, കാരണം AI മുമ്പ് നിലവിലില്ലാത്ത ഒന്ന് സൃഷ്ടിക്കുന്നു. വ്യത്യസ്ത തരത്തിലുള്ള ഇൻപുട്ടുകൾക്കിടയിൽ വ്യത്യാസം കാണിക്കുന്ന വിവേചനപരമായ AI-യിൽ നിന്ന് ഇതിനെ വ്യത്യസ്തമാക്കുന്നത് അതാണ്. ഇത് വ്യത്യസ്തമായി പറയാൻ, വിവേചനപരമായ AI ഒരു ചോദ്യത്തിന് ഉത്തരം നൽകാൻ ശ്രമിക്കുന്നു, “ഈ ചിത്രം ഒരു മുയലിന്റെയോ സിംഹത്തിന്റെയോ വരച്ച ചിത്രമാണോ?”  പകരം “എനിക്ക് സിംഹത്തിന്റെയും മുയലിന്റെയും ചിത്രം വരയ്ക്കൂ” എന്നതുപോലുള്ള നിർദ്ദേശങ്ങളോട് ജനറേറ്റീവ് AI പ്രതികരിക്കുന്നു.

ഈ ലേഖനം നിങ്ങളെ ജനറേറ്റീവ് AI-യും ChatGPT, DALL-E പോലുള്ള ജനപ്രിയ മോഡലുകളുമായുള്ള അതിന്റെ ഉപയോഗങ്ങളും പരിചയപ്പെടുത്തുന്നു. “വളരെയധികം വിരലുകൾ” എന്തുകൊണ്ട് കൃത്രിമമായി സൃഷ്ടിച്ച കലയ്ക്ക് ഒരു നിർജ്ജീവമായ സമ്മാനമായി മാറിയത് ഉൾപ്പെടെ, സാങ്കേതികവിദ്യയുടെ പരിമിതികളും ഞങ്ങൾ പരിഗണിക്കും.

ജനറേറ്റീവ് AI യുടെ ആവിർഭാവം

ഒരു തെറാപ്പിസ്റ്റുമായി സംസാരിക്കുന്നതിനെ അനുകരിക്കുന്ന ELIZA എന്ന ചാറ്റ്‌ബോട്ട് 1966-ൽ MIT-യിൽ വികസിപ്പിച്ചെടുത്തതു മുതൽ, ജനറേറ്റീവ് AI വർഷങ്ങളായി നിലവിലുണ്ട്. . മനുഷ്യസമാനമായ ഗദ്യം സൃഷ്ടിക്കുന്ന ടെക്‌സ്‌റ്റ് അധിഷ്‌ഠിത AI ചാറ്റ്‌ബോട്ടായ ChatGPT-യെ കുറിച്ച് നിങ്ങൾ തീർച്ചയായും കേട്ടിട്ടുണ്ടാകും. DALL-E ഉം സ്റ്റേബിൾ ഡിഫ്യൂഷനും ടെക്സ്റ്റ് പ്രോംപ്റ്റുകളെ അടിസ്ഥാനമാക്കി ഊർജ്ജസ്വലവും യാഥാർത്ഥ്യബോധമുള്ളതുമായ ചിത്രങ്ങൾ സൃഷ്ടിക്കാനുള്ള അവരുടെ കഴിവിന് ശ്രദ്ധ ആകർഷിച്ചു.

ഈ സംവിധാനങ്ങളിൽ നിന്നുള്ള ഔട്ട്‌പുട്ട് വളരെ വിചിത്രമാണ്, ബോധത്തിന്റെ സ്വഭാവത്തെക്കുറിച്ച് ധാരാളം ആളുകൾ ദാർശനിക ചോദ്യങ്ങൾ ചോദിക്കുന്നു-മനുഷ്യരുടെ ജോലികളിൽ ജനറേറ്റീവ് AI-യുടെ സാമ്പത്തിക സ്വാധീനത്തെക്കുറിച്ച് ആശങ്കാകുലരാണ്. എന്നാൽ ഈ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് സൃഷ്ടികളെല്ലാം അനിഷേധ്യമായ വലിയ വാർത്തകളാണെങ്കിലും, ചിലർ ഊഹിച്ചേക്കാവുന്നതിലും കുറവാണ് ഉപരിതലത്തിന് താഴെ നടക്കുന്നത്. ആ വലിയ ചിത്രങ്ങളുള്ള ചില ചോദ്യങ്ങളിലേക്ക് നമുക്ക് നിമിഷങ്ങൾക്കുള്ളിൽ ലഭിക്കും. ആദ്യം, ഹൂഡിന് കീഴിൽ എന്താണ് സംഭവിക്കുന്നതെന്ന് നോക്കാം.

ജനറേറ്റീവ് AI എങ്ങനെയാണ് പ്രവർത്തിക്കുന്നത്?

ജനറേറ്റീവ് AI ഒരു വലിയ അളവിലുള്ള വിഷ്വൽ അല്ലെങ്കിൽ ടെക്‌സ്‌ച്വൽ ഡാറ്റ പ്രോസസ്സ് ചെയ്യുന്നതിന് മെഷീൻ ലേണിംഗ് ഉപയോഗിക്കുന്നു, അവയിൽ ഭൂരിഭാഗവും ഇന്റർനെറ്റിൽ നിന്ന് സ്‌ക്രാപ്പ് ചെയ്‌തു, തുടർന്ന് മറ്റ് കാര്യങ്ങൾക്ക് സമീപം ദൃശ്യമാകാൻ സാധ്യതയുള്ള കാര്യങ്ങൾ നിർണ്ണയിക്കുന്നു. ജനറേറ്റീവ് AI-യുടെ പ്രോഗ്രാമിംഗ് ജോലികളിൽ ഭൂരിഭാഗവും AI-യുടെ സ്രഷ്‌ടാക്കൾക്ക് താൽപ്പര്യമുള്ള “കാര്യങ്ങൾ” വേർതിരിച്ചറിയാൻ കഴിയുന്ന അൽഗോരിതങ്ങൾ സൃഷ്ടിക്കുന്നതിലേക്ക് പോകുന്നു – ChatGPT പോലുള്ള ചാറ്റ്ബോട്ടുകളുടെ കാര്യത്തിലെ വാക്കുകളും വാക്യങ്ങളും അല്ലെങ്കിൽ DALL-E-യുടെ ദൃശ്യ ഘടകങ്ങളും. എന്നാൽ അടിസ്ഥാനപരമായി, ജനറേറ്റീവ് AI അതിന്റെ ഔട്ട്‌പുട്ട് സൃഷ്ടിക്കുന്നത് ഡാറ്റയുടെ ഒരു വലിയ കോർപ്പസ് വിലയിരുത്തി, തുടർന്ന് ആ കോർപ്പസ് നിർണ്ണയിക്കുന്ന പ്രോബബിലിറ്റിയുടെ പരിധിയിൽ വരുന്ന എന്തെങ്കിലും ഉപയോഗിച്ച് പ്രോംപ്റ്റുകളോട് പ്രതികരിക്കുന്നു.

സ്വയമേവ പൂർത്തിയാക്കുക—നിങ്ങളുടെ സെൽ ഫോണോ ജിമെയിലോ നിങ്ങൾ ടൈപ്പുചെയ്യുന്ന വാക്കിന്റെയോ വാക്യത്തിന്റെയോ ശേഷിക്കുന്ന ഭാഗം എന്തായിരിക്കുമെന്ന് നിർദ്ദേശിക്കുമ്പോൾ—ജനറേറ്റീവ് AI-യുടെ താഴ്ന്ന നിലയിലുള്ള രൂപമാണ്. ChatGPT ഉം DALL-E ഉം ആശയത്തെ കൂടുതൽ വിപുലമായ ഉയരങ്ങളിലേക്ക് കൊണ്ടുപോകുന്നു.

എന്താണ് ഒരു AI മോഡൽ?

ChatGPT, DALL-E എന്നിവ അടിസ്ഥാന AI പ്രവർത്തനത്തിന്റെ ഇന്റർഫേസുകളാണ്, അത് AI പദങ്ങളിൽ ഒരു മാതൃകയായി അറിയപ്പെടുന്നു. ഒരു AI മോഡൽ ഒരു ഗണിതശാസ്ത്ര പ്രാതിനിധ്യമാണ്-ഒരു അൽഗോരിതം അല്ലെങ്കിൽ പ്രാക്ടീസ് ആയി നടപ്പിലാക്കുന്നു-അത് നിങ്ങളുടെ കൈയിലുള്ള ഒരു കൂട്ടം ഡാറ്റയോട് സാമ്യമുള്ള (പ്രതീക്ഷയോടെ) പുതിയ ഡാറ്റ സൃഷ്ടിക്കുന്നു. നിങ്ങൾ ചിലപ്പോൾ ChatGPT ഉം DALL-E ഉം മോഡലുകൾ എന്ന് വിളിക്കുന്നത് കാണും; കർശനമായി പറഞ്ഞാൽ ഇത് തെറ്റാണ്, കാരണം ChatGPT എന്നത് ഉപയോക്താക്കൾക്ക് അന്തർലീനമായ GPT മോഡലിന്റെ വിവിധ പതിപ്പുകളിലേക്ക് ആക്സസ് നൽകുന്ന ഒരു ചാറ്റ്ബോട്ടാണ്. എന്നാൽ പ്രായോഗികമായി, ഈ ഇന്റർഫേസുകളാണ് മിക്ക ആളുകളും മോഡലുകളുമായി ഇടപഴകുന്നത്, അതിനാൽ പരസ്പരം മാറിമാറി ഉപയോഗിക്കുന്ന പദങ്ങൾ കാണുമ്പോൾ ആശ്ചര്യപ്പെടേണ്ടതില്ല.

AI ഡവലപ്പർമാർ അവരുടെ മോഡലുകൾ സൃഷ്ടിക്കാൻ ആഗ്രഹിക്കുന്ന തരത്തിലുള്ള ഡാറ്റയുടെ ഒരു കോർപ്പസ് കൂട്ടിച്ചേർക്കുന്നു. ഈ കോർപ്പസ് മോഡലിന്റെ പരിശീലന സെറ്റ് എന്നറിയപ്പെടുന്നു, കൂടാതെ മോഡൽ വികസിപ്പിക്കുന്ന പ്രക്രിയയെ പരിശീലനം എന്ന് വിളിക്കുന്നു. ഉദാഹരണത്തിന്, GPT മോഡലുകൾ ഇൻറർനെറ്റിൽ നിന്ന് സ്‌ക്രാപ്പ് ചെയ്‌ത ഒരു വലിയ ടെക്‌സ്‌റ്റിന്റെ അടിസ്ഥാനത്തിലാണ് പരിശീലിപ്പിച്ചത്, അതിന്റെ ഫലമായി നിങ്ങൾക്ക് സ്വാഭാവിക ഭാഷാ ചോദ്യങ്ങൾ നൽകാം, അത് ഭാഷാപരമായ ഇംഗ്ലീഷിൽ (അല്ലെങ്കിൽ മറ്റ് ഏത് ഭാഷകളിലും, അതിനെ ആശ്രയിച്ച്) പ്രതികരിക്കും. ഇൻപുട്ട്).

AI മോഡലുകൾ അവരുടെ പരിശീലന സെറ്റുകളിലെ ഡാറ്റയുടെ വ്യത്യസ്ത സ്വഭാവസവിശേഷതകളെ വെക്റ്ററുകളായി കണക്കാക്കുന്നു – ഒന്നിലധികം സംഖ്യകൾ ചേർന്ന ഗണിത ഘടനകൾ. ഈ മോഡലുകളുടെ അടിസ്ഥാനത്തിലുള്ള രഹസ്യ സോസിന്റെ ഭൂരിഭാഗവും യഥാർത്ഥ-ലോകത്തെ വിവരങ്ങൾ അർത്ഥവത്തായ രീതിയിൽ വെക്റ്ററുകളിലേക്ക് വിവർത്തനം ചെയ്യാനുള്ള അവരുടെ കഴിവാണ്, കൂടാതെ മോഡലിന് സമാനമായ ഔട്ട്പുട്ട് സൃഷ്ടിക്കാൻ അനുവദിക്കുന്ന തരത്തിൽ പരസ്പരം സാമ്യമുള്ള വെക്റ്ററുകൾ ഏതൊക്കെയാണെന്ന് നിർണ്ണയിക്കുക. എന്നാൽ അതിന്റെ പരിശീലന സെറ്റ് സമാനമല്ല.

വ്യത്യസ്‌ത തരം AI മോഡലുകൾ അവിടെയുണ്ട്, എന്നാൽ വിവിധ വിഭാഗങ്ങൾ പരസ്പരവിരുദ്ധമായിരിക്കണമെന്നില്ല എന്നത് ഓർക്കുക. ചില മോഡലുകൾ ഒന്നിൽ കൂടുതൽ വിഭാഗങ്ങളിൽ പെടും.

ഇന്ന് ഏറ്റവും കൂടുതൽ പൊതുജനശ്രദ്ധ ലഭിക്കുന്ന AI മോഡൽ തരം വലിയ ഭാഷാ മോഡലുകൾ അല്ലെങ്കിൽ LLM-കൾ ആയിരിക്കാം. ഗൂഗിൾ ഗവേഷകരിൽ നിന്നുള്ള 2017 ലെ പ്രബന്ധമായ “ശ്രദ്ധയാണ് നിങ്ങൾക്ക് വേണ്ടത്” എന്നതിൽ ആദ്യമായി അവതരിപ്പിച്ച ട്രാൻസ്ഫോർമർ എന്ന ആശയത്തെ അടിസ്ഥാനമാക്കിയുള്ളതാണ് LLM-കൾ. വ്യത്യസ്‌ത പദങ്ങളോ സെമാന്റിക് ഘടകങ്ങളോ എങ്ങനെ പരസ്പരം ബന്ധപ്പെട്ടിരിക്കാമെന്ന് മനസിലാക്കാൻ ടെക്‌സ്‌റ്റിന്റെ ദൈർഘ്യമേറിയ ശ്രേണിയിൽ നിന്ന് ട്രാൻസ്‌ഫോർമർ അർത്ഥം നേടുന്നു, തുടർന്ന് അവ പരസ്പരം സാമീപ്യത്തിൽ എത്രത്തോളം സംഭവിക്കുമെന്ന് നിർണ്ണയിക്കുന്നു. ജിപിടി മോഡലുകൾ എൽഎൽഎം ആണ്, ടി എന്നാൽ ട്രാൻസ്ഫോർമർ. ഈ ട്രാൻസ്‌ഫോർമറുകൾ, മോഡലുമായി ഇടപഴകുന്ന മനുഷ്യർ ഫൈൻ-ട്യൂൺ ചെയ്യുന്നതിനുമുമ്പ്, പ്രീട്രെയിനിംഗ് (ജിപിടിയിലെ പി ആണ്) എന്ന പ്രക്രിയയിൽ, പ്രകൃതി ഭാഷാ വാചകത്തിന്റെ ഒരു വലിയ കോർപ്പസിൽ മേൽനോട്ടമില്ലാതെ പ്രവർത്തിക്കുന്നു.

ചിത്രങ്ങളോ വീഡിയോകളോ നിർമ്മിക്കുന്ന ജനറേറ്റീവ് AI മോഡലുകളിൽ ഡിഫ്യൂഷൻ സാധാരണയായി ഉപയോഗിക്കുന്നു. ഡിഫ്യൂഷൻ പ്രക്രിയയിൽ, മോഡൽ ഒരു ചിത്രത്തിലേക്ക് നോയിസ്-റാൻഡംനെസ്സ് ചേർക്കുന്നു, തുടർന്ന് സാവധാനം അത് ആവർത്തിച്ച് നീക്കം ചെയ്യുന്നു, എല്ലാ സമയത്തും സെമാന്റിലി സമാന ഇമേജുകൾ പൊരുത്തപ്പെടുത്താൻ ശ്രമിക്കുന്നതിന് അതിന്റെ പരിശീലന സെറ്റ് പരിശോധിക്കുന്നു. സ്റ്റേബിൾ ഡിഫ്യൂഷൻ, DALL-E എന്നിവ പോലെ ടെക്സ്റ്റ്-ടു-ഇമേജ് മാജിക് നടത്തുന്ന AI മോഡലുകളുടെ കാതൽ ഡിഫ്യൂഷനാണ്.

ഒരു ജനറേറ്റീവ് അഡ്‌വേർസേറിയൽ നെറ്റ്‌വർക്ക്, അല്ലെങ്കിൽ GAN, രണ്ട് അൽഗോരിതങ്ങൾ പരസ്പരം മത്സരിക്കുന്ന ഒരു തരം റൈൻഫോഴ്‌സ്‌മെന്റ് ലേണിംഗിനെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്. ഒരു വലിയ ഡാറ്റാ സെറ്റിൽ നിന്ന് ഉരുത്തിരിഞ്ഞ പ്രോബബിലിറ്റികളെ അടിസ്ഥാനമാക്കി ഒരാൾ ടെക്‌സ്‌റ്റോ ചിത്രങ്ങളോ സൃഷ്‌ടിക്കുന്നു. മറ്റൊന്ന്-ഒരു വിവേചനപരമായ AI-ആ ഔട്ട്‌പുട്ട് യഥാർത്ഥമാണോ അതോ AI-ജനറേറ്റ് ചെയ്തതാണോ എന്ന് വിലയിരുത്തുന്നു. ജനറേറ്റീവ് AI, വിവേചനപരമായ AI-യെ “കബളിപ്പിക്കാൻ” ആവർത്തിച്ച് ശ്രമിക്കുന്നു, വിജയകരമായ അനുകൂല ഫലങ്ങളുമായി സ്വയമേവ പൊരുത്തപ്പെടുന്നു. ജനറേറ്റീവ് AI ഈ മത്സരത്തിൽ സ്ഥിരമായി “വിജയിച്ചു” കഴിഞ്ഞാൽ, വിവേചനപരമായ AI മനുഷ്യരാൽ നന്നായി ക്രമീകരിക്കപ്പെടുകയും പ്രക്രിയ വീണ്ടും ആരംഭിക്കുകയും ചെയ്യുന്നു.

ഇവിടെ മനസ്സിൽ സൂക്ഷിക്കേണ്ട ഏറ്റവും പ്രധാനപ്പെട്ട ഒരു കാര്യം, പരിശീലന പ്രക്രിയയിൽ മനുഷ്യന്റെ ഇടപെടൽ ഉണ്ടാകുമ്പോൾ, മിക്ക പഠനങ്ങളും പൊരുത്തപ്പെടുത്തലും സ്വയമേവ സംഭവിക്കുന്നു എന്നതാണ്. മോഡലുകൾ രസകരമായ ഫലങ്ങൾ പുറപ്പെടുവിക്കുന്ന ഘട്ടത്തിലേക്ക് കൊണ്ടുവരാൻ നിരവധി, നിരവധി ആവർത്തനങ്ങൾ ആവശ്യമാണ്, അതിനാൽ ഓട്ടോമേഷൻ അത്യാവശ്യമാണ്. ഈ പ്രക്രിയ തികച്ചും കമ്പ്യൂട്ടേഷണൽ തീവ്രമാണ്, കൂടാതെ AI കഴിവുകളിലെ സമീപകാല സ്ഫോടനങ്ങളിൽ ഭൂരിഭാഗവും ജിപിയു കമ്പ്യൂട്ടിംഗ് പവറിലെ പുരോഗതിയും ഈ ചിപ്പുകളിൽ സമാന്തര പ്രോസസ്സിംഗ് നടപ്പിലാക്കുന്നതിനുള്ള സാങ്കേതികതയുമാണ്.

ജനറേറ്റീവ് AI ചിന്താശക്തിയുള്ളതാണോ?

ജനറേറ്റീവ് AI മോഡലുകൾ സൃഷ്ടിക്കുന്നതിനും പരിശീലിപ്പിക്കുന്നതിനുമുള്ള ഗണിതവും കോഡിംഗും വളരെ സങ്കീർണ്ണവും ഈ ലേഖനത്തിന്റെ പരിധിക്കപ്പുറവുമാണ്. എന്നാൽ ഈ പ്രക്രിയയുടെ അന്തിമഫലമായ മോഡലുകളുമായി നിങ്ങൾ ഇടപഴകുകയാണെങ്കിൽ, അനുഭവം തീർത്തും അസാധാരണമായിരിക്കും. യഥാർത്ഥ കലാസൃഷ്ടികൾ പോലെ തോന്നിക്കുന്ന കാര്യങ്ങൾ നിർമ്മിക്കാൻ നിങ്ങൾക്ക് DALL-E ലഭിക്കും. മറ്റൊരു മനുഷ്യനുമായുള്ള സംഭാഷണം പോലെ തോന്നുന്ന ChatGPT-യുമായി നിങ്ങൾക്ക് സംഭാഷണങ്ങൾ നടത്താം. ഗവേഷകർ ശരിക്കും ഒരു ചിന്താ യന്ത്രം സൃഷ്ടിച്ചിട്ടുണ്ടോ?

വാട്‌സൺ എഐ ഉൽപ്പന്നങ്ങളിൽ പ്രവർത്തിച്ചിരുന്ന മുൻ ഐബിഎം നാച്ചുറൽ ലാംഗ്വേജ് പ്രോസസിംഗ് ലീഡറായ ക്രിസ് ഫിപ്‌സ് പറയുന്നു. “വളരെ നല്ല പ്രവചന യന്ത്രം” എന്നാണ് അദ്ദേഹം ChatGPT യെ വിശേഷിപ്പിക്കുന്നത്.

കമ്പ്യൂട്ടർ ഇന്റലിജൻസിന്റെ പരിമിതികൾ പരിശോധിക്കുന്നു

ഈ AI മോഡലുകൾക്ക് നൽകാൻ കഴിയുന്ന ചില നിർദ്ദേശങ്ങൾ Phipps-ന്റെ പോയിന്റ് വളരെ വ്യക്തമാക്കും. ഉദാഹരണത്തിന്, “ഒരു പൗണ്ട് ഈയമോ ഒരു പൗണ്ട് തൂവലോ എന്താണ് കൂടുതൽ ഭാരം?” എന്ന കടങ്കഥ പരിഗണിക്കുക. തൂവലുകൾ ഭാരം കുറഞ്ഞതാണെന്ന് നമ്മുടെ സഹജാവബോധമോ സാമാന്യബുദ്ധിയോ നമ്മോട് പറഞ്ഞേക്കാം എന്നിരിക്കിലും, തീർച്ചയായും അവയുടെ ഭാരം ഒരേ (ഒരു പൗണ്ട്) ആണ് എന്നതാണ് ഉത്തരം.

ChatGPT ഈ കടങ്കഥയ്ക്ക് ശരിയായി ഉത്തരം നൽകും, അത് ട്രിപ്പ് ചെയ്യാൻ “സാമാന്യബുദ്ധി” ഇല്ലാത്ത ഒരു തണുത്ത ലോജിക്കൽ കമ്പ്യൂട്ടറായതിനാൽ അത് അങ്ങനെ ചെയ്യുമെന്ന് നിങ്ങൾ കരുതിയേക്കാം. പക്ഷേ, അതല്ല ഹുഡിന്റെ കീഴിൽ നടക്കുന്നത്. ChatGPT യുക്തിസഹമായി ഉത്തരം പറയുന്നില്ല; ഒരു പൗണ്ട് തൂവലുകൾ, ഒരു പൗണ്ട് ഈയം എന്നിവയെ കുറിച്ചുള്ള ചോദ്യത്തിന് ശേഷം എന്തായിരിക്കണം എന്നതിനെക്കുറിച്ചുള്ള പ്രവചനങ്ങളെ അടിസ്ഥാനമാക്കി അത് ഔട്ട്പുട്ട് സൃഷ്ടിക്കുന്നു. അതിന്റെ പരിശീലന സെറ്റിൽ കടങ്കഥ വിശദീകരിക്കുന്ന ഒരു കൂട്ടം വാചകം ഉൾപ്പെടുന്നതിനാൽ, അത് ശരിയായ ഉത്തരത്തിന്റെ ഒരു പതിപ്പ് കൂട്ടിച്ചേർക്കുന്നു.

എന്നിരുന്നാലും, രണ്ട് പൗണ്ട് തൂവലുകൾ ഒരു പൗണ്ട് ഈയത്തേക്കാൾ ഭാരമുള്ളതാണോ എന്ന് നിങ്ങൾ ChatGPT-യോട് ചോദിച്ചാൽ, അത് ആത്മവിശ്വാസത്തോടെ നിങ്ങളോട് പറയും, കാരണം അത് ഇപ്പോഴും തൂവലുകളെക്കുറിച്ചും ഈയത്തെക്കുറിച്ചും ഒരു പ്രോംപ്റ്റ് ചെയ്യാനുള്ള ഏറ്റവും സാധ്യതയുള്ളതാണ്, അതിന്റെ പരിശീലന സെറ്റ് അടിസ്ഥാനമാക്കി. . AI യോട് അത് തെറ്റാണെന്ന് പറയുകയും പ്രതികരണമായി അത് തട്ടുന്നത് കാണുകയും ചെയ്യുന്നത് രസകരമായിരിക്കും; അതിന്റെ തെറ്റിന് എന്നോട് ക്ഷമാപണം നടത്താനും രണ്ട് പൗണ്ട് തൂവലുകൾക്ക് ഒരു പൗണ്ട് ഈയത്തിന്റെ നാലിരട്ടി ഭാരമുണ്ടെന്ന് നിർദ്ദേശിക്കാനും എനിക്ക് അവസരം ലഭിച്ചു.

AI സുരക്ഷയ്ക്കായി മെറ്റാ ഓപ്പൺ സോഴ്‌സ് ടൂളുകൾ പുറത്തിറക്കുന്നു

ജനറേറ്റീവ് AI മോഡലുകൾ ഉത്തരവാദിത്തത്തോടെ നിർമ്മിക്കാൻ ഡെവലപ്പർമാരെ സഹായിക്കുകയാണ് പർപ്പിൾ ലാമ പ്രോജക്റ്റ് ലക്ഷ്യമിടുന്നത്.

ജനറേറ്റീവ് AI മോഡലുകൾ പൊതുവായി ഉപയോഗിക്കുന്നതിന് മുമ്പ് അവയുടെ വിശ്വാസ്യതയും സുരക്ഷയും വിലയിരുത്തുന്നതിനും വർധിപ്പിക്കുന്നതിനുമായി ഡെവലപ്പർമാർക്കായി ഓപ്പൺ സോഴ്‌സ് ടൂളുകൾ സൃഷ്‌ടിക്കുന്നതിന് സമർപ്പിച്ചിരിക്കുന്ന പർപ്പിൾ ലാമ എന്ന പ്രോജക്റ്റ് മെറ്റാ അവതരിപ്പിച്ചു.

AI സുരക്ഷ ഉറപ്പാക്കുന്നതിൽ സഹകരിച്ചുള്ള ശ്രമങ്ങളുടെ ആവശ്യകത മെറ്റാ ഊന്നിപ്പറഞ്ഞു, AI വെല്ലുവിളികളെ ഒറ്റപ്പെട്ട് നേരിടാൻ കഴിയില്ലെന്ന് പ്രസ്താവിച്ചു. വലിയ ഭാഷാ മോഡലുകളെയും മറ്റ് AI സാങ്കേതികവിദ്യകളെയും കുറിച്ചുള്ള ആശങ്കകൾ വർദ്ധിക്കുന്നതിനാൽ സുരക്ഷിതമായ genAI വികസിപ്പിക്കുന്നതിനുള്ള ഒരു പങ്കിട്ട അടിത്തറ സ്ഥാപിക്കുകയാണ് പർപ്പിൾ ലാമയുടെ ലക്ഷ്യമെന്ന് കമ്പനി പറഞ്ഞു.

“AI സിസ്റ്റങ്ങൾ നിർമ്മിക്കുന്ന ആളുകൾക്ക് ഒരു ശൂന്യതയിൽ AI യുടെ വെല്ലുവിളികളെ അഭിമുഖീകരിക്കാൻ കഴിയില്ല, അതിനാലാണ് ഞങ്ങൾ കളിക്കളത്തെ സമനിലയിലാക്കാനും തുറന്ന വിശ്വാസത്തിനും സുരക്ഷയ്ക്കുമായി ഒരു ബഹുജന കേന്ദ്രം സൃഷ്ടിക്കാൻ ആഗ്രഹിക്കുന്നത്,” മെറ്റ ഒരു പത്ര വാർത്തയിൽ എഴുതി.

സുരക്ഷിതമായ AI-യിലേക്കുള്ള ഒരു പോസിറ്റീവും സജീവവുമായ ചുവടുവയ്പ്പാണ് പർപ്പിൾ ലാമയെ സൈബർ സുരക്ഷാ സ്ഥാപനമായ ഓൺടൈന്യൂവിലെ ചീഫ് ഇൻഫർമേഷൻ സെക്യൂരിറ്റി ഓഫീസർ വിശേഷിപ്പിച്ചത്.

“ഒരു പ്ലാറ്റ്‌ഫോമിലേക്ക് വികസനം ശേഖരിക്കുന്നതിൽ സദ്‌ഗുണ സിഗ്നലിംഗിന്റെയോ നിഗൂഢ ലക്ഷ്യങ്ങളുടെയോ ചില ക്ലെയിമുകൾ തീർച്ചയായും ഉണ്ടാകും – എന്നാൽ വാസ്തവത്തിൽ, ഉപഭോക്തൃ തലത്തിൽ നിന്നുള്ള മികച്ച സംരക്ഷണം ഗുണം ചെയ്യും,” അദ്ദേഹം കൂട്ടിച്ചേർത്തു. “കർക്കശമായ ആന്തരിക, ഉപഭോക്തൃ അല്ലെങ്കിൽ നിയന്ത്രണ ബാധ്യതകളുള്ള സ്ഥാപനങ്ങൾ, തീർച്ചയായും, മെറ്റയിൽ നിന്നുള്ള ഓഫറുകളെക്കാൾ ശക്തമായ മൂല്യനിർണ്ണയങ്ങൾ പിന്തുടരേണ്ടതുണ്ട്, എന്നാൽ വൈൽഡ് വെസ്റ്റിന്റെ സാധ്യതയുള്ള പ്രദേശങ്ങളിൽ വാഴാൻ സഹായിക്കുന്ന എന്തും ആവാസവ്യവസ്ഥയ്ക്ക് നല്ലതാണ്.”

പദ്ധതിയിൽ AI ഡവലപ്പർമാരുമായുള്ള പങ്കാളിത്തം ഉൾപ്പെടുന്നു; AWS, Google ക്ലൗഡ് തുടങ്ങിയ ക്ലൗഡ് സേവനങ്ങൾ; ഇന്റൽ, എഎംഡി, എൻവിഡിയ തുടങ്ങിയ അർദ്ധചാലക കമ്പനികൾ; മൈക്രോസോഫ്റ്റ് ഉൾപ്പെടെയുള്ള സോഫ്റ്റ്‌വെയർ സ്ഥാപനങ്ങളും. AI മോഡലുകളുടെ കഴിവുകൾ പരിശോധിക്കുന്നതിനും സുരക്ഷാ അപകടസാധ്യതകൾ തിരിച്ചറിയുന്നതിനുമായി ഗവേഷണത്തിനും വാണിജ്യ ഉപയോഗത്തിനുമുള്ള ഉപകരണങ്ങൾ നിർമ്മിക്കാൻ ഈ സഹകരണം ലക്ഷ്യമിടുന്നു.

പർപ്പിൾ ലാമയിലൂടെ പുറത്തിറക്കിയ ആദ്യ സെറ്റ് ടൂളുകളിൽ AI- ജനറേറ്റഡ് സോഫ്‌റ്റ്‌വെയറിലെ സൈബർ സുരക്ഷാ അപകടസാധ്യതകൾ വിലയിരുത്തുന്ന CyberSecEval ഉൾപ്പെടുന്നു. അക്രമത്തെക്കുറിച്ചോ നിയമവിരുദ്ധ പ്രവർത്തനങ്ങളെക്കുറിച്ചോ ഉള്ള ചർച്ചകൾ ഉൾപ്പെടെ, അനുചിതമോ ഹാനികരമോ ആയ വാചകം തിരിച്ചറിയുന്ന ഒരു ഭാഷാ മാതൃക ഇത് അവതരിപ്പിക്കുന്നു. ഡെവലപ്പർമാർക്ക് അവരുടെ AI മോഡലുകൾ സുരക്ഷിതമല്ലാത്ത കോഡ് സൃഷ്‌ടിക്കാനോ സൈബർ ആക്രമണങ്ങളെ സഹായിക്കാനോ സാധ്യതയുണ്ടോ എന്ന് പരിശോധിക്കാൻ CyberSecEval ഉപയോഗിക്കാം. AI സുരക്ഷയ്ക്കായി തുടർച്ചയായ പരിശോധനയുടെയും മെച്ചപ്പെടുത്തലിന്റെയും പ്രാധാന്യം ഉയർത്തിക്കാട്ടുന്ന വലിയ ഭാഷാ മോഡലുകൾ പലപ്പോഴും ദുർബലമായ കോഡ് നിർദ്ദേശിക്കുന്നുവെന്ന് മെറ്റയുടെ ഗവേഷണം കണ്ടെത്തി.

ഈ സ്യൂട്ടിലെ മറ്റൊരു ഉപകരണമാണ് ലാമ ഗാർഡ്, ഹാനികരമോ നിന്ദ്യമോ ആയ ഭാഷയെ തിരിച്ചറിയാൻ പരിശീലിപ്പിച്ച ഒരു വലിയ ഭാഷാ മാതൃക. അനുചിതമായ ഔട്ട്‌പുട്ടുകളിലേക്ക് നയിച്ചേക്കാവുന്ന നിർദ്ദേശങ്ങൾ ഫിൽട്ടർ ചെയ്യാൻ സഹായിക്കുന്ന, സുരക്ഷിതമല്ലാത്ത ഉള്ളടക്കം അവരുടെ മോഡലുകൾ നിർമ്മിക്കുകയോ സ്വീകരിക്കുകയോ ചെയ്യുമോ എന്ന് പരിശോധിക്കാൻ ഡവലപ്പർമാർക്ക് Llama Guard ഉപയോഗിക്കാം.

ഫോക്‌സ്‌വാഗൺ, ഓഡി, പോർഷെ, സ്കൗട്ട് ബ്രാൻഡുകൾ ടെസ്‌ലയുടെ NACS സ്വീകരിക്കുന്നു

ടെസ്‌ലയുടെ നോർത്ത് അമേരിക്കൻ ചാർജിംഗ് സ്റ്റാൻഡേർഡ് (NACS) ഇൻഡസ്‌ട്രിയിലെ എല്ലാ വാഹന നിർമ്മാതാക്കളും ഏതാണ്ടു സ്വീകരിച്ചിട്ടുണ്ട്, ഇപ്പോൾ ഫോക്‌സ്‌വാഗന്റെ മുഴുവൻ ബ്രാൻഡുകളും ഉൾപ്പെടെ.

ഫോക്‌സ്‌വാഗൺ, ഓഡി, പോർഷെ എന്നിവ 2025 മുതൽ ടെസ്‌ലയുടെ NACS ചാർജിംഗ് പോർട്ട് സ്വീകരിക്കുമെന്ന് ചൊവ്വാഴ്ച ഒരു പത്രക്കുറിപ്പിൽ പ്രഖ്യാപിച്ചു. ഓരോ ഓട്ടോ ബ്രാൻഡുകളിൽ നിന്നുമുള്ള ഇലക്ട്രിക് വാഹനങ്ങൾ (ഇവി) 2025 മുതൽ സൂപ്പർചാർജർ നെറ്റ്‌വർക്കിലേക്ക് ആക്‌സസ് നേടും, ഹാർഡ്‌വെയർ ഇല്ലാതെ നിലവിലുള്ള ഇവികൾക്കുള്ള അഡാപ്റ്റർ പരിഹാരങ്ങൾ നോക്കുകയാണെന്ന് കമ്പനി പറയുന്നു.

കൂടാതെ, VW ന്റെ പുതിയ ബ്രാൻഡായ സ്കൗട്ട് മോട്ടോഴ്‌സ് അതിന്റെ EVകൾ വിൽപ്പനയ്‌ക്കെത്തുമ്പോൾ ടെസ്‌ല ചാർജിംഗ് പോർട്ട് ഉൾപ്പെടുത്തും.

“വടക്കേ അമേരിക്കൻ മേഖലയിലെ ഞങ്ങളുടെ ഇലക്ട്രിക് വാഹന ഉപഭോക്താക്കൾക്ക് ഇതൊരു വലിയ വാർത്തയാണ്,” ഫോക്‌സ്‌വാഗൺ ഗ്രൂപ്പ് ഓഫ് അമേരിക്ക പ്രസിഡന്റും സിഇഒ പറഞ്ഞു. “ഇത് അവർക്ക് 15,000-ലധികം അധിക ചാർജിംഗ് പോയിന്റുകളിലേക്കും ഇലക്‌ട്രിഫൈ അമേരിക്ക പ്രവർത്തിപ്പിക്കുന്ന നിലവിലെ 4,000 ഡിസി ഫാസ്റ്റ് ചാർജിംഗ് ഔട്ട്‌ലെറ്റുകളിലേക്കും പ്രവേശനം നൽകുന്നു. ഫോക്‌സ്‌വാഗൺ ഐഡി.4 പോലെ അതിവേഗം വിറ്റഴിയുന്ന ഞങ്ങളുടെ ഇലക്ട്രിക് വാഹനങ്ങളുടെ ഉപഭോക്താക്കൾക്ക് വിപുലവും വളരുന്നതുമായ ചാർജിംഗ് ശൃംഖലയിലേക്ക് ആക്‌സസ് ഉണ്ടായിരിക്കുമെന്നാണ് ഇതിനർത്ഥം.

കഴിഞ്ഞ നവംബറിൽ ടെസ്‌ല മറ്റ് കമ്പനികൾക്ക് തുറന്നുകൊടുത്ത ചാർജിംഗ് സ്റ്റാൻഡേർഡ് സ്വീകരിച്ച അവസാനത്തെ പ്രധാന വാഹന നിർമ്മാതാവാണ് VW ന്റെ ലൈനപ്പ്. മെയ് മാസത്തിൽ, ഫോർഡ് സിഇഒ ജിം ഫാർലി, ടെസ്‌ല സിഇഒ എലോൺ മസ്‌കുമായി നടത്തിയ ഒരു സ്‌പെയ്‌സ് കോളിൽ NACS പോർട്ട് സ്വീകരിക്കാനുള്ള വാഹന നിർമ്മാതാവിന്റെ പദ്ധതികൾ പ്രഖ്യാപിച്ചു, അങ്ങനെ ചെയ്യുന്ന ആദ്യത്തെ പ്രധാന വാഹന നിർമ്മാതാവായി ഇത് അടയാളപ്പെടുത്തി.

മാസങ്ങൾക്കുള്ളിൽ, സ്റ്റാർട്ടപ്പ് മുതൽ പ്രമുഖ കമ്പനികൾ വരെയുള്ള എല്ലാ വാഹന നിർമ്മാതാക്കളും ടെസ്‌ലയുടെ NACS ഹാർഡ്‌വെയർ സ്വീകരിക്കാനുള്ള പദ്ധതികൾ പ്രഖ്യാപിച്ചു, സ്റ്റെല്ലാന്റിസ് മാത്രമാണ്. ക്രിസ്‌ലർ, ഡോഡ്ജ്, ജീപ്പ് എന്നിവയുൾപ്പെടെയുള്ള യു.എസ് ബ്രാൻഡുകളും ആൽഫ റോമിയോ, സിട്രോയിൻ, ഫിയറ്റ്, മസെരാട്ടി തുടങ്ങിയ നിരവധി അന്താരാഷ്‌ട്ര വാഹന നിർമാതാക്കളും സ്റ്റെല്ലാന്റിസിന് സ്വന്തമായുണ്ട്.

“ഈ വർഷം ആദ്യം, നോർത്ത് അമേരിക്കൻ ചാർജിംഗ് സ്റ്റാൻഡേർഡ് ഒരു ആശയം മാത്രമായിരുന്നു. ഇന്ന്, VW ഗ്രൂപ്പിന്റെ പ്രതിബദ്ധതയോടെ, മിക്കവാറും എല്ലാ പ്രമുഖ വാഹന നിർമ്മാതാക്കളും ഓൺ‌ബോർഡിലാണ്, എല്ലാ EV ഡ്രൈവർമാർക്കും ചാർജിംഗ് അനുഭവങ്ങൾ മെച്ചപ്പെടുത്തുന്നതിനുള്ള പങ്കിട്ട കാഴ്ചപ്പാടിന് പിന്നിൽ അണിനിരക്കുന്നു, ”ടെസ്‌ല ചാർജിംഗ് സീനിയർ ഡയറക്ടർ പറഞ്ഞു. “സുസ്ഥിര ഊർജ്ജത്തിലേക്കുള്ള ലോകത്തിന്റെ പരിവർത്തനം ത്വരിതപ്പെടുത്തുന്നതിനുള്ള ഞങ്ങളുടെ വ്യവസായ വ്യാപകമായ ശ്രമങ്ങളുടെ തുടക്കം മാത്രമാണിത്.”

ഈ വർഷം ആദ്യം ലോകമെമ്പാടുമുള്ള 50,000 സൂപ്പർചാർജർ സ്റ്റാളുകളിൽ എത്തിയ ടെസ്‌ല ഒക്ടോബറിൽ 2,000 യുഎസ് സ്റ്റേഷനുകളെ മറികടന്നു.

ടെസ്‌ല സൈബർട്രക്ക് നടപ്പാതയിൽ ഫോർഡ് എഫ്-150 റാപ്റ്റർ ആറിനെ തോൽപ്പിക്കുന്നു

ടെസ്‌ല സൈബർട്രക്ക് ഇപ്പോൾ പുറത്തിറങ്ങി, അതിനാൽ ഓൾ-ഇലക്‌ട്രിക് പിക്കപ്പ് ട്രക്ക് ഇപ്പോൾ ഒരു കൂട്ടം എതിരാളികൾക്കെതിരെ മത്സരിക്കുന്നതിൽ അതിശയിക്കാനില്ല. ഇവയിൽ ഏറ്റവും ശ്രദ്ധേയമായത്, ഇന്ന് യുണൈറ്റഡ് സ്റ്റേറ്റ്സിലെ ഏറ്റവും വേഗതയേറിയ ജ്വലനത്തിൽ പ്രവർത്തിക്കുന്ന പിക്കപ്പ് ട്രക്കുകളിലൊന്നായ ഫോർഡ് എഫ്-150 റാപ്റ്റർ ആർ ആയിരുന്നു.

ഫോർഡ് എഫ്-150 റാപ്റ്റർ ആർ പിക്കപ്പ് ട്രക്കുകളിൽ ഒന്നാണ്, അത് വിശ്വസിക്കപ്പെടേണ്ടതാണ്. നിരൂപകർ സൂചിപ്പിച്ചതുപോലെ, റാപ്‌റ്റർ ആർ പോലെയുള്ള ഭീമാകാരമായ ഒന്നിന് അത് പോലെ വേഗത്തിൽ പോകുന്ന ബിസിനസ്സ് ഒന്നുമില്ല. ഇത് ഒരു പിക്കപ്പ് പോലെയായിരിക്കാം, എന്നാൽ അതിന്റെ ബെഡ്, യൂട്ടിലിറ്റി സവിശേഷതകൾ കൂടുതൽ ഔപചാരികതയാണ്. പെരുമാറ്റം അനുസരിച്ച്, റാപ്‌റ്റർ ആർ ഗുരുതരമായ പിക്കപ്പിനെക്കാൾ ഒരു ഓഫ്-റോഡ് ഡെസേർട്ട് റേസർ പോലെയാണ്.

കടലാസിൽ, ഫോർഡ് എഫ്-150 റാപ്‌റ്റർ ആർ ടെസ്‌ല സൈബർട്രക്കിന്റെ തികഞ്ഞ എതിരാളിയാണെന്ന് തോന്നുന്നു. 700 എച്ച്‌പിയും 868 എൻഎം ടോർക്കും നൽകുന്ന 5.2 ലിറ്റർ വി8 എഞ്ചിനാണ് ഇതിന്റെ സവിശേഷത, കൂടാതെ ഇതിന് 6,000 പൗണ്ട് ഭാരവുമുണ്ട്. അതേസമയം, ടെസ്‌ല സൈബർട്രക്കിൽ 845 എച്ച്‌പിയും 930 എൻഎം ടോർക്കും നൽകുന്ന മൂന്ന് ഇലക്ട്രിക് മോട്ടോറുകൾ ഉൾപ്പെടുന്നു. സൈബർട്രക്കിന് റാപ്റ്റർ ആറിനേക്കാൾ ഭാരവും 6,843 പൗണ്ട് കൂടുതലാണ്.

റാപ്‌റ്റർ R ന് കൂടുതൽ ചെലവേറിയത്  ആണ് .$109,250 ആണ് വില, എന്നിരുന്നാലും സൈബർട്രക്കിന്റെ ടോപ്പ് ട്രിമ്മായ സൈബർബീസ്റ്റിന് $99,990 വിലയുണ്ട്.

മോട്ടോറിംഗ് ഗ്രൂപ്പ് കാർവോയുടെ സമീപകാല പരിശോധനകൾ അനുസരിച്ച്, ഫോർഡ് എഫ്-150 റാപ്‌റ്റർ ആറും ടെസ്‌ല സൈബർട്രക്കും ഒരു ക്വാർട്ടർ മൈലിൽ തുല്യമായ പോരാളികളല്ലെന്ന് തോന്നുന്നു. രണ്ട് ഹൾക്കിംഗ് മൃഗങ്ങൾക്കിടയിൽ ഗ്രൂപ്പ് നിരവധി ഡ്രാഗ് റേസുകൾ നടത്തി, ഓരോ തവണയും സൈബർട്രക്ക് മുന്നിലെത്തി. സ്റ്റാൻഡിംഗ് ക്വാർട്ടർ മൈലുകൾക്കും റോളിംഗ് റേസിനും ഇത് സത്യമായിരുന്നു.

സൈബർട്രക്കിന് ഒരു വലിയ പോരായ്മ നൽകിക്കൊണ്ട് ഓട്ടോമോട്ടീവ് ഗ്രൂപ്പ് ഒരു ഡ്രാഗ് റേസ് നടത്താൻ തീരുമാനിച്ചപ്പോൾ കാര്യങ്ങൾ പ്രത്യേകിച്ചും രസകരമായി. ടെസ്‌ല സൈബർട്രക്കിന് മൺപാതയിൽ ഓട്ടം പൂർത്തിയാക്കാനുള്ള ചുമതല ഉണ്ടായിരുന്നു, അതേസമയം ഫോർഡ് എഫ്-150 റാപ്റ്റർ ആർ നടപ്പാതയിൽ ഓട്ടം നടത്തി. സാധാരണഗതിയിൽ, ഇത്തരം അവസ്ഥകൾ സൈബർട്രക്കിന് ഓട്ടം നഷ്ടപ്പെടുന്നതിലേക്ക് നയിക്കും, പക്ഷേ അത് അങ്ങനെയായിരുന്നില്ല. ഒരു അഴുക്കുചാലിൽ ഓടിക്കൊണ്ടിരിക്കുമ്പോൾ പോലും റാപ്‌റ്റർ ആറിനെ തോൽപ്പിക്കാൻ ഇലക്ട്രിക് പിക്കപ്പ് ട്രക്കിന് കഴിഞ്ഞു.

ഇതുപോലുള്ള ഫലങ്ങൾ ഉപയോഗിച്ച്, ടെസ്‌ല സൈബർട്രക്കിൽ മതിപ്പുളവാക്കുന്നത് ബുദ്ധിമുട്ടാണ്.

ടെസ്‌ല സൈബർട്രക്ക് ക്രാഷ് ടെസ്റ്റ് റേറ്റിംഗ് സാഹചര്യം NHTSA, IIHS വെളിപ്പെടുത്തി

ടെസ്‌ല സൈബർട്രക്കിന്റെ ഇൻ-ഹൗസ് ക്രാഷ് ടെസ്റ്റിംഗ് നടത്തി, അത് ഫെഡറൽ മോട്ടോർ വെഹിക്കിൾ സേഫ്റ്റി സ്റ്റാൻഡേർഡുകൾക്ക് അനുസൃതമായതിനാൽ, കാർ ഉപഭോക്താക്കൾക്ക് കൈമാറാൻ കഴിയും. എന്നിരുന്നാലും, നാഷണൽ ഹൈവേ ട്രാൻസ്‌പോർട്ടേഷൻ സേഫ്റ്റി അഡ്‌മിനിസ്‌ട്രേഷന്റെ (NHTSA) ഔദ്യോഗിക സുരക്ഷാ റേറ്റിംഗുകൾ ഇതിന് ഇല്ല, കൂടാതെ ഇൻഷുറൻസ് ഇൻസ്റ്റിറ്റ്യൂട്ട് ഓഫ് ഹൈവേ സേഫ്റ്റി (IIHS) ന് വാഹനം പരിശോധിക്കാൻ പദ്ധതിയില്ല.

NHTSA-യുമായുള്ള സൈബർട്രക്കിന്റെ സാഹചര്യം

NHTSA പുതിയ വാഹനങ്ങൾക്ക് “അംഗീകാരം” നൽകുന്നില്ല, എന്നാൽ ഇത് FMVSS-ന് അനുസൃതമായ പ്രകടന ആവശ്യകതകൾ സ്ഥാപിക്കുന്നു. ആന്തരികമായി ക്രാഷ് ടെസ്റ്റ് ചെയ്യുമ്പോൾ ഈ മാനദണ്ഡങ്ങൾ പാലിക്കുന്നുണ്ടെന്ന് നിർമ്മാതാക്കൾ സാക്ഷ്യപ്പെടുത്തുന്നു. ചില വാഹനങ്ങൾ NHTSA നേരിട്ട് ക്രാഷ് ടെസ്റ്റ് ചെയ്യുന്നു, എന്നാൽ Cybertruck ഈ വാഹനങ്ങളിൽ ഒന്നല്ല. കുറഞ്ഞത് ഇതുവരെ.

കൺസ്യൂമർ റിപ്പോർട്ടുകളിൽ നിന്നുള്ള 2020 റിപ്പോർട്ട് അനുസരിച്ച്, “വിറ്റഴിക്കപ്പെട്ട എല്ലാ പുതിയ വാഹനങ്ങളുടെയും 97 ശതമാനവും ഒന്നോ രണ്ടോ സ്വതന്ത്ര ഓർഗനൈസേഷനുകളുടെ ക്രാഷ്-ടെസ്റ്റ് റേറ്റുചെയ്തവയാണ്.”

എന്നിരുന്നാലും, Cybertruck-ന്റെ പ്രാഥമിക സുരക്ഷാ റേറ്റിംഗുകൾ NHTSA ഡാറ്റാബേസിലേക്ക് ചേർത്തിരിക്കുന്നതിനാൽ, ക്രാഷ് റേറ്റിംഗുകളുടെ അടിസ്ഥാനത്തിൽ അവ പ്രത്യേക റേറ്റിംഗുകളൊന്നും ഉൾപ്പെടുത്തിയിട്ടില്ല. മുൻ കൂട്ടിയിടി മുന്നറിയിപ്പ്, ലെയ്ൻ ഡിപ്പാർച്ചർ മുന്നറിയിപ്പ്, ക്രാഷ് ഇമ്മിനെന്റ് ബ്രേക്കിംഗ്, ഡൈനാമിക് ബ്രേക്ക് സപ്പോർട്ട് എന്നിവ പോലുള്ള സുരക്ഷാ ഫീച്ചറുകൾ മാത്രമാണ് റേറ്റിംഗുകൾ, ഇവയെല്ലാം പ്രകടന മാനദണ്ഡങ്ങൾ പാലിക്കുന്നു.

ഏജൻസിയുടെ പഞ്ചനക്ഷത്ര സുരക്ഷാ റേറ്റിംഗ് ടെസ്റ്റുകളിൽ ഉൾപ്പെടുത്തേണ്ട വാഹനങ്ങളുടെ 2024 ലിസ്റ്റിൽ സൈബർട്രക്ക് പരാമർശിച്ചിട്ടില്ല.

ഇതിനർത്ഥം, ടെസ്‌ലാരതിയോട് പദ്ധതികൾ വ്യക്തമാക്കിയ ഏജൻസി പ്രകാരം, ട്രക്ക് നേരിട്ട് പരീക്ഷിക്കുന്നത് വരെ സൈബർട്രക്കിന് NHTSA-യിൽ നിന്ന് ഔദ്യോഗിക റേറ്റിംഗുകൾ ഉണ്ടാകില്ല.

IIHS ഉള്ള സൈബർട്രക്കിന്റെ സാഹചര്യം

സൈബർട്രക്ക് പരീക്ഷിക്കാൻ IIHS-നും പദ്ധതിയില്ല, സംഘടന പറഞ്ഞു.

“ഫെഡറൽ നിയന്ത്രണങ്ങൾ പാലിക്കുന്നുണ്ടെന്ന് ഉറപ്പുവരുത്തുന്നതിനും ആന്തരിക ആവശ്യങ്ങൾക്കുമായി വാഹന നിർമ്മാതാക്കൾ അവരുടെ സ്വന്തം ക്രാഷ് ടെസ്റ്റുകൾ നടത്തുന്നു,” IIHS ലെ ജോ യംഗ് പറഞ്ഞു. “[സൈബർട്രക്ക്] എപ്പോഴെങ്കിലും IIHS അല്ലെങ്കിൽ NHTSA-യുടെ NCAP പ്രോഗ്രാമിനായി പരീക്ഷിച്ചിട്ടുണ്ടോ എന്നത് പരിഗണിക്കാതെ തന്നെ, അതിന് ഫെഡറൽ മോട്ടോർ വെഹിക്കിൾ സുരക്ഷാ മാനദണ്ഡങ്ങൾ പാലിക്കേണ്ടതുണ്ട്, അതിന് ചില ക്രാഷ് ടെസ്റ്റ് മാനദണ്ഡങ്ങൾ ആവശ്യമാണ്.”

Cybertruck ഇത് ചെയ്‌തു, NHTSA, IIHS എന്നിവയിൽ നിന്നുള്ള ശുപാർശ പരീക്ഷിക്കപ്പെടുന്ന ഏതൊരു വാഹനത്തിനും ഏറെക്കുറെ ആത്മവിശ്വാസം നൽകുന്നതാണ്. ടെസ്‌ലയ്ക്ക് മുമ്പ് NHTSA-യിൽ നിന്ന് വാഹനങ്ങൾക്ക് പഞ്ചനക്ഷത്ര റേറ്റിംഗ് ലഭിച്ചിട്ടുണ്ട്.

സൈബർട്രക്ക് ഭാവിയിൽ IIHS-ന് പരീക്ഷിക്കാമെന്നും യംഗ് പറഞ്ഞു. എന്നിരുന്നാലും, “വാഹനത്തോടുള്ള പൊതുവായ ഉപഭോക്തൃ താൽപ്പര്യത്തിന്റെ നിലവാരം” വിലയിരുത്തിയ ശേഷം ആ തീരുമാനം എടുക്കും. ഇത് വേണ്ടത്ര ജനപ്രിയമാണെങ്കിൽ, IIHS അത് പരീക്ഷിച്ചേക്കാം.

കൂടാതെ, ടെസ്‌ലയ്ക്ക് IIHS-നെ സമീപിക്കാനും പരീക്ഷണത്തിനായി സൈബർട്രക്കിനെ നാമനിർദ്ദേശം ചെയ്യാനും കഴിയും:

“ടെസ്റ്റിംഗ് നോമിനേഷൻ പ്രക്രിയ, വാഹനത്തിന്റെ ചിലവ് ഞങ്ങൾക്ക് തിരിച്ചുനൽകാൻ വാഹന നിർമ്മാതാക്കളെ അനുവദിക്കുന്നു, ഞങ്ങൾ അങ്ങനെ ചെയ്യുന്നതിനേക്കാൾ വേഗത്തിൽ അത് പരിശോധിക്കുന്നു. ഏതായാലും വാഹന ലഭ്യത ആവശ്യമായി വരും,” യങ് പറഞ്ഞു.

ഇൻ-ഹൗസ് ഡാറ്റയും ക്രാഷ് ടെസ്റ്റിംഗിന്റെ ഫലങ്ങളും സമർപ്പിക്കാൻ വാഹന നിർമ്മാതാക്കളെ അനുവദിക്കുന്ന ഒരു വെരിഫിക്കേഷൻ ടെസ്റ്റ് പ്രോഗ്രാമും IIHS-നുണ്ട്. പരിമിതമായ ഫണ്ടിംഗും സമയവും കാരണം, വിപണിയിലെ എല്ലാ ഉപഭോക്തൃ വാഹനങ്ങളും സ്വതന്ത്രമായി പരിശോധിക്കാൻ IIHS-ന് കഴിയില്ല, അതിനാൽ അതിന് OEM ഡാറ്റ ഉപയോഗിക്കാനാകും. കൃത്യത ഉറപ്പാക്കാൻ പ്രോഗ്രാം പതിവായി ഓഡിറ്റ് ചെയ്യപ്പെടുന്നു.

എന്നിരുന്നാലും, Cybertruck-ന് നിലവിൽ സ്ഥിരീകരണ ടെസ്റ്റ് പ്രോഗ്രാമിന്റെ ഭാഗമാകാൻ കഴിയില്ല. യംഗ് വിശദീകരിച്ചു, “ഒരു പുതിയ മോഡൽ എന്ന നിലയിൽ, ഞങ്ങളുടെ ഡ്രൈവർ സൈഡ് ചെറിയ ഓവർലാപ്പ് ടെസ്റ്റിൽ സൈബർട്രക്ക് ഈ പ്രോഗ്രാമിന് യോഗ്യനാകില്ല, കൂടാതെ ഞങ്ങളുടെ അപ്‌ഡേറ്റ് ചെയ്ത മോഡറേറ്റ് ഓവർലാപ്പ് ഫ്രണ്ടൽ ക്രാഷ് ടെസ്റ്റ് പ്രോഗ്രാമിനായുള്ള സ്ഥിരീകരണ ഡാറ്റ ഞങ്ങൾ സ്വീകരിക്കുന്നില്ല. ഞങ്ങളുടെ മറ്റ് ഒന്നോ അതിലധികമോ ടെസ്റ്റുകളിൽ ഇത് ഒരു സ്ഥിരീകരണ റേറ്റിംഗിന് യോഗ്യമാകാൻ സാധ്യതയുണ്ട്, പക്ഷേ അത് ഞങ്ങളുടെ ക്രാഷ്‌വർത്തിനസ് ടീമിന്റെ വിവേചനാധികാരത്തിലായിരിക്കും.

ടെസ്‌ല NACS സ്റ്റാൻഡേർഡൈസേഷന് ബൈഡൻ വൈറ്റ് ഹൗസിൽ നിന്ന് പിന്തുണ ലഭിക്കുന്നു

ടെസ്‌ല സിഇഒ എലോൺ മസ്‌കും യുഎസ് പ്രസിഡന്റ് ജോ ബൈഡനും തമ്മിൽ ഇപ്പോൾ മികച്ച ബന്ധം ഉണ്ടായിരിക്കണമെന്നില്ല, എന്നാൽ യുണൈറ്റഡ് സ്റ്റേറ്റ്‌സിന്റെ ദ്രുത ചാർജിംഗ് വിപണിയിൽ വൈദ്യുത വാഹന നിർമ്മാതാവിന്റെ പങ്ക് വൈറ്റ് ഹൗസ് തിരിച്ചറിയുന്നുണ്ടെന്ന് തോന്നുന്നു. സമീപകാല റിപ്പോർട്ടുകൾ പ്രകാരം, SAE ഇന്റർനാഷണൽ, മുമ്പ് സൊസൈറ്റി ഓഫ് ഓട്ടോമോട്ടീവ് എഞ്ചിനീയർമാർ, ടെസ്‌ലയുടെ നോർത്ത് അമേരിക്കൻ ചാർജിംഗ് സ്റ്റാൻഡേർഡ് (NACS) ഒരു സാധാരണ EV കണക്ടറായി സ്ഥിരീകരിച്ചു.

യുണൈറ്റഡ് സ്റ്റേറ്റ്സ് ഒരു പ്രധാന ഇലക്ട്രിക് വാഹന വിപണിയാണ്. ലോകത്തിലെ ഏറ്റവും മികച്ച ശുദ്ധമായ ഇലക്ട്രിക് കാർ നിർമ്മാതാക്കളായ ടെസ്‌ലയുടെ ആസ്ഥാനം കൂടിയാണിത്. മോഡൽ 3 സെഡാൻ, മോഡൽ Y ക്രോസ്ഓവർ തുടങ്ങിയ മുഖ്യധാരാ ടെസ്‌ല വാഹനങ്ങളുടെ വിൽപ്പനയാണ് ഇവി മേഖലയിലെ യുഎസിന്റെ വളർച്ചയ്ക്ക് കാരണം, അമേരിക്ക ഇപ്പോഴും ചൈനയ്ക്കും ചില യൂറോപ്യൻ രാജ്യങ്ങൾക്കും പിന്നിലാണ്. ഇലക്ട്രിക് കാർ ദത്തെടുക്കലിൽ.

അമേരിക്കയിൽ റാപ്പിഡ് ചാർജറുകളുടെ അഭാവമാണ് ഇതിന് പിന്നിലെ പ്രധാന കാരണം. ടെസ്‌ലയുടെ സൂപ്പർചാർജർ നെറ്റ്‌വർക്ക് വർഷങ്ങളായി സ്ഥാപിതമാണ്, കൂടാതെ മോഡൽ എസ്, മോഡൽ എക്‌സ് എന്നിവയുടെ കാലം മുതൽ കമ്പനിയുടെ ഉപഭോക്താക്കൾ തടസ്സങ്ങളില്ലാതെ ദീർഘദൂര യാത്രകൾ നടത്തുന്നുണ്ട്. എന്നാൽ ടെസ്‌ലയുടെ ഇലക്ട്രിക് കാറുകളുടെ പുറത്തെ സ്ഥിതി വളരെ വ്യത്യസ്തമാണ്. ഇലക്‌ട്രിഫൈ അമേരിക്ക പോലുള്ള റാപ്പിഡ് ചാർജറുകൾ നിലവിലുണ്ട്, പക്ഷേ അവ ടെസ്‌ല സൂപ്പർചാർജറുകളുടെ നിലവാരത്തിനടുത്തെങ്ങും ഇല്ല.

അതിനാൽ, മറ്റ് വാഹന നിർമ്മാതാക്കൾക്കായി ടെസ്‌ല അതിന്റെ NACS തുറക്കാൻ നിർദ്ദേശിച്ചപ്പോൾ, പല കാർ നിർമ്മാതാക്കളും അത് പിന്തുടർന്നതിൽ അതിശയിക്കാനില്ല. ഫോർഡും ജനറൽ മോട്ടോഴ്‌സും തുടക്കം മാത്രമായിരുന്നു, അടുത്തിടെ, ഫോക്‌സ്‌വാഗൺ പോലുള്ള ഹോൾഡൗട്ടുകൾ പോലും ചാർജിംഗ് നിലവാരത്തിൽ പ്രതിജ്ഞാബദ്ധരാണ്. അസോസിയേറ്റഡ് പ്രസ്സിൽ നിന്നുള്ള ഒരു റിപ്പോർട്ടിൽ സൂചിപ്പിച്ചതുപോലെ, മുമ്പ് സൊസൈറ്റി ഓഫ് ഓട്ടോമോട്ടീവ് എഞ്ചിനീയേഴ്‌സ് ആയിരുന്ന SAE ഇന്റർനാഷണൽ, ടെസ്‌ലയുടെ EV ചാർജിംഗ് പ്ലഗിന് മറ്റ് ഇലക്ട്രിക് കാറുകൾക്കൊപ്പം പ്രവർത്തിക്കാൻ കഴിയുന്ന തരത്തിൽ നിലവാരം സ്ഥാപിക്കുമെന്ന് ജൂണിൽ സൂചിപ്പിച്ചു.

ചൊവ്വാഴ്ച, SAE ഇന്റർനാഷണൽ ടെസ്‌ലയുടെ നോർത്ത് അമേരിക്കൻ ചാർജിംഗ് സ്റ്റാൻഡേർഡ് ഒരു പുതിയ സ്റ്റാൻഡേർഡ് ഇലക്ട്രിക് വാഹന കണക്ടറാണെന്ന് സ്ഥിരീകരിച്ചു. ഒരു പ്രസ്താവനയിൽ, യു.എസ്. ജോയിന്റ് ഓഫീസ് ഓഫ് എനർജി ആൻഡ് ട്രാൻസ്‌പോർട്ടേഷൻ അഭിപ്രായപ്പെട്ടു, “ഏതെങ്കിലും വാഹനമോ ചാർജിംഗ് ഉപകരണ വിതരണക്കാരനോ നിർമ്മാതാക്കോ കണക്റ്റർ ഉപയോഗിക്കാനും നിർമ്മിക്കാനും വിന്യസിക്കാനും കഴിയുമെന്നും നിലവിലുള്ളതും ഭാവിയിലുള്ളതുമായ ഇവി ഡ്രൈവറുകൾക്ക് ചാർജിംഗ് ആക്‌സസ് വിപുലീകരിക്കാൻ കഴിയുമെന്ന് പുതിയ മാനദണ്ഡം ഉറപ്പാക്കുന്നു. രാജ്യത്തുടനീളം.”

നിലവിൽ NACS സ്വീകരിക്കുന്നത് ട്രാക്ക് ചെയ്യുന്ന സ്ഥാപനമായ EVAdoption LLC യുടെ സിഇഒ, SAE ഇന്റർനാഷണലിന്റെ പ്രഖ്യാപനം തെളിയിക്കുന്നത് സൂപ്പർചാർജറുകൾ ഇനി ടെസ്‌ലസിന് മാത്രമുള്ള ഒന്നല്ലെന്നാണ്. എന്നിരുന്നാലും, ടെസ്‌ല ഇതര ചാർജറുകളിലെ മുൻ CCS പ്ലഗുകളിൽ നിന്ന് NACS ലേക്ക് മാറുന്നത് സമീപഭാവിയിൽ ഇലക്ട്രിക് വാഹന ഉടമകൾക്ക് ചില അസൗകര്യങ്ങൾ ഉണ്ടാക്കിയേക്കുമെന്നും അദ്ദേഹം  മുന്നറിയിപ്പ് നൽകി.

ഇപ്പോൾ, ഇത് വെറും ‘ടെസ്‌ലയുടെ കാര്യം’ ആണെന്ന് ആർക്കും പറയാനാവില്ല. അവരെ തടഞ്ഞുനിർത്താൻ ഇപ്പോൾ ഒന്നുമില്ല… ദശലക്ഷക്കണക്കിന് CCS കണക്ടർ വാഹനങ്ങൾ ഇനിയും വർഷങ്ങളോളം നമുക്ക് റോഡിലുണ്ടാകാൻ പോകുകയാണ്, അവ വളരെക്കാലം നിലനിൽക്കും. . വാഹന നിർമ്മാതാക്കൾ യഥാർത്ഥത്തിൽ ഈ അഡാപ്റ്ററുകൾ വിതരണം ചെയ്യാൻ പോകുന്നത് എങ്ങനെയെന്ന് ഞങ്ങൾ അറിയുന്നത് വരെ, നിങ്ങൾ നിലവിലുള്ള ഒരു CCS ഉടമയാണെങ്കിൽ, അടുത്ത രണ്ട് വർഷത്തിനുള്ളിൽ ഈ പ്രശ്നം പരിഹരിക്കാൻ ഇത് എങ്ങനെ സഹായിക്കുമെന്ന് അറിയില്ല.

റൺ ഓൺ ലെസ് ഇവന്റിനിടെ യഥാർത്ഥ ലോക ടെസ്റ്റുകളിൽ ടെസ്‌ല സെമി ആധിപത്യം പുലർത്തുന്നു

ടെസ്‌ല സെമി റിയൽ-വേൾഡ് ടെസ്റ്റുകളിൽ അതിന്റെ എതിരാളികളെ മറികടന്നു, പരിധിയിലും ചാർജിംഗ് കാര്യക്ഷമതയിലും പ്രകടനത്തിലും കാര്യമായ മാർജിനിൽ അതിന്റെ നേട്ടങ്ങൾ പ്രകടമാക്കി. ടെസ്‌ല സെമിയുടെ ഫലങ്ങൾ ഗതാഗത മേഖലയ്ക്ക് ബാറ്ററി ഇലക്ട്രിക് ട്രക്കുകൾ പ്രായോഗികമാണോ എന്ന വിഷയത്തിൽ ഒരു നിശ്ചിത കാലയളവ് സ്ഥാപിച്ചു.

നോർത്ത് അമേരിക്കൻ കൗൺസിൽ ഫോർ ഫ്രൈറ്റ് എഫിഷ്യൻസി സംഘടിപ്പിച്ച റൺ ഓൺ ലെസ് ഇവന്റിനിടെ, പെപ്‌സികോ ഇൻ‌കോർപ്പറേറ്റ് നടത്തുന്ന ഒരു ടെസ്‌ല സെമി, താരതമ്യേന മൂന്ന് ഹ്രസ്വമായ 750-kW ഫാസ്റ്റ് ചാർജിംഗ് സെഷനുകൾ ഉപയോഗിച്ച് ഒരു ദിവസം 1,076 മൈൽ യാത്ര ചെയ്തു. ചാർജിംഗ് സെഷനുകൾ ടെസ്‌ല സെമിയുടെ ചാർജിനെ ഏകദേശം 47%, പിന്നീട് 89%, തുടർന്ന് 52% ആക്കി.

ഏറ്റവും പ്രധാനമായി, 18 ദിവസങ്ങളിൽ ടെസ്‌ല സെമി ഓടിച്ച മൈലുകളുടെ 60% വും 70,000 പൗണ്ടിൽ കൂടുതലുള്ള മൊത്ത വാഹന ഭാരം ഉള്ളതാണെന്ന് പെപ്‌സികോ പറഞ്ഞു. ഒരു ഓട്ടോമോട്ടീവ് ന്യൂസ് റിപ്പോർട്ടിൽ സൂചിപ്പിച്ചതുപോലെ, ടെസ്‌ല സെമി പോലുള്ള ക്ലാസ് 8 ട്രക്കുകളുടെ 82,000 പൗണ്ട് പരിധിക്കും ലോജിസ്റ്റിക് വ്യവസായത്തിന് ഒരു സാധാരണ ഭാരത്തിനും ഇത് വളരെ അടുത്താണ്.

റൺ ഓൺ ലെസ് ഇവന്റിലും ടെസ്‌ല സെമി അതിന്റെ സമപ്രായക്കാരെ മറികടന്നു, പ്രതിദിനം ശരാശരി സഞ്ചരിക്കുന്ന മൈലുകൾ. ടെസ്‌ല സെമിയുടെ പ്രകടനത്തിൽ കമ്പനി സന്തുഷ്ടരാണെന്ന് പെപ്‌സികോയുടെ ഫ്ലീറ്റ് ട്രാൻസ്‌ഫോർമേഷൻ ആൻഡ് സ്ട്രാറ്റജിയുടെ ഡയറക്ടർ അഭിപ്രായപ്പെട്ടു.

“ഓട്ടത്തിനിടയിലെ മെട്രിക്‌സ് നോക്കിയപ്പോൾ, സെമി പ്രകടനം എങ്ങനെയെന്നതിൽ ഞങ്ങൾ വളരെ സന്തുഷ്ടരാണ്. ഞങ്ങളുടെ ബിസിനസ്സ് എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്നതുമായി സെമി യോജിച്ചു എന്നതാണ് ഏറ്റവും അർത്ഥവത്തായ കാര്യം, പെപ്‌സികോയുടെ ഫ്ലീറ്റ് ട്രാൻസ്‌ഫോർമേഷൻ ആൻഡ് സ്ട്രാറ്റജിയുടെ ഡയറക്ടർ പറഞ്ഞു.

ക്ലീൻ ട്രാൻസ്‌പോർട്ടേഷൻ ഓർഗനൈസേഷനായ കാൽസ്റ്റാർട്ടിന്റെ സിഇഒ ജോൺ ബോസൽ ടെസ്‌ല സെമിയുടെ ചാർജിംഗ് കഴിവുകളെ പ്രശംസിച്ചു. പ്രകടനത്തിലും റേഞ്ചിലും ടെസ്‌ലയാണ് മുന്നിൽ. സൂപ്പർഫാസ്റ്റ് ചാർജ് കഴിവ് പ്രകടിപ്പിക്കുന്നതും അവർ മാത്രമാണ്, ”ബോസൽ പറഞ്ഞു.

മൊത്തത്തിൽ, പെപ്‌സികോയുടെ ഏറ്റവും മികച്ച പ്രകടനം കാഴ്ചവെച്ച ടെസ്‌ല സെമി 18 ദിവസത്തിനിടെ പ്രതിദിനം ശരാശരി 574 മൈൽ യാത്ര ചെയ്തു. അടുത്ത മികച്ച നോൺ-ടെസ്‌ല വാഹനം വാട്ട്‌ഇവിയുടെ നിക്കോള ട്രെ ബിഇവി ആയിരുന്നു, ഇത് പ്രതിദിനം ശരാശരി 255 മൈൽ യാത്ര ചെയ്തു. OK പ്രൊഡ്യൂസിന്റെ ഫ്രൈറ്റ് ലൈനർ eCascadia പ്രതിദിനം ശരാശരി 181 മൈൽ ആണ്, പെർഫോമൻസ് ടീമിന്റെ ഏറ്റവും മികച്ച പ്രകടനം കാഴ്ചവെക്കുന്ന വോൾവോ VNR ഇലക്ട്രിക് പ്രതിദിനം ശരാശരി 175 മൈൽ ആണ്.

ടെസ്‌ല ഇപ്പോഴും സെമിയുടെ ഉൽപ്പാദനം വർധിപ്പിച്ചുകൊണ്ടിരിക്കുകയാണ്, എന്നാൽ ഇവി നിർമ്മാതാവിന് അതിന്റെ ഉൽപ്പാദനം ശരിയായി വർദ്ധിപ്പിക്കാൻ കഴിയുമെങ്കിൽ സുസ്ഥിരതയിലേക്കുള്ള മാറ്റത്തിൽ ഇത് ഒരു പ്രധാന പങ്ക് വഹിക്കുമെന്ന് പ്രതീക്ഷിക്കുന്നു. കാലിഫോർണിയ ഇതിനകം തന്നെ അഡ്വാൻസ്ഡ് ക്ലീൻ ഫ്ലീറ്റ് നിയന്ത്രണത്തിന് അംഗീകാരം നൽകിയിട്ടുണ്ട്, ഇത് 2036 ഓടെ ആന്തരിക ജ്വലന എഞ്ചിൻ ട്രക്ക് വിൽപ്പന ഘട്ടം ഘട്ടമായി നിർത്തലാക്കും, അതിനാൽ തീർച്ചയായും അവസരം ഉണ്ട്.