CM-06: ஜெனரேட்டிவ் AI-இன் அபாயங்கள், இணையப் பாதுகாப்பு மற்றும் பொறுப்பான பயன்பாடு (நிர்வாகமும் அறநெறியும்)

மையக் கருப்பொருள் (Core Theme): ஒரு AI கருவி என்பது மிகுந்த தன்னம்பிக்கை கொண்ட ஒரு பயிற்சிப் பணியாளரைப் (intern) போன்றது. அது வியக்கத்தக்க திறமையுடன் வேலை செய்யும்; ஆனால், எந்தவிதத் தயக்கமும் இன்றி முற்றிலும் பொய்யான தகவல்களையும் அரசாளும் தன்னம்பிக்கையுடன் கூறவல்லது. ஆனால், இறுதிப் பொறுப்பு என்பது கையொப்பமிடும், பதிலைச் சமர்ப்பிக்கும், முடிவை எடுக்கும் மனிதருக்கே உரியது. அந்த மனிதரைக் கட்டுப்பாட்டில் வைத்திருக்க உதவும் ஒரே பாதுகாப்புச் சுவர் 'ஆழ்ந்த வாசிப்பு' (Reading) மட்டுமே.

1. ஜெனரேட்டிவ் AI-இன் 7 முதன்மை அபாயங்களின் முறைமைப்படுத்தப்பட்ட வகைப்பாடு (Taxonomy of AI Risks)

செயற்கை நுண்ணறிவைப் பயன்படுத்தும் ஒவ்வொருவரும் புரிந்துகொள்ள வேண்டிய மிக அடிப்படை உண்மை இதுதான்: ஒரு பெரு மொழி மாதிரி (LLM) என்பது தகவல்களின் களஞ்சியமோ அல்லது ஒரு தரவுத்தளமோ (database) அல்ல. அது புள்ளிவிவர நிகழ்தகவின் (P(w_t | w_<t)) அடிப்படையில் அடுத்த வரக்கூடிய மிகவும் பொருத்தமான சொல்லைக் கணிக்கும் ஓர் இயந்திரம் மட்டுமே. ஒரு தகவல் விடுபட்டிருக்கும்போதோ, அல்லது தனக்குத் தெரியாத ஒன்றைப் பற்றி கேட்கப்படும்போதோ, அந்த மாதிரி மௌனமாக இருந்து "எனக்குத் தெரியாது" என்று கூறுவதில்லை. மாறாக, அது பொய்யான தகவல்களை உருவாக்கி, மிகவும் தன்னம்பிக்கையுடனும் உத்தியோகபூர்வமான தொனியிலும் நம்முன் முன்வைக்கிறது.

பாடசாலை மாணவன் முதல் முதன்மை அதிகாரி வரை, நாம் அனைவரும் இந்த ஏழு முதன்மை அபாயப் பரிமாணங்களை எதிர்கொள்கிறோம். (கீழே உள்ள ஒவ்வொரு அபாயமும் பொதுச் சேவையிலிருந்து பெறப்பட்ட ஒரு நடைமுறை உதாரணத்தைக் கொண்டுள்ளது — இதே மாதிரி உங்கள் பாடசாலைக்கும், வணிகத்திற்கும் அல்லது வீட்டிற்கும் நேரடியாகப் பொருந்தும்):

படம் 8.1: ஜெனரேட்டிவ் AI-இன் அபாயங்கள் — மாயத்தோற்றம் (Hallucination), ஒருசார்புநிலை (Bias), தனியுரிமை (Privacy), சட்டப் பொறுப்பு (Legal liability), தவறான பயன்பாடு (Misuse), அதிகச் சார்புநிலை (Over-reliance), மற்றும் டோக்கன் செலவு (Token Cost).

படம்: ஜெனரேட்டிவ் AI-இன் 7 முதன்மை அபாயங்களின் முறைமைப்படுத்தப்பட்ட வகைப்பாடு — இடசர அகாடமி.

7 அபாயப் பரிமாணங்களின் ஆழ்ந்த பகுப்பாய்வு (The Deep Anatomy of the 7 Risk Dimensions):

1. மாயத்தோற்றம் (Hallucination): * தொழில்நுட்ப இயல்பு: மாதிரிக்கு சூழல் இடைவெளி அல்லது நிச்சயமற்ற தன்மை ஏற்படும் போது, அது மொழியியல் ரீதியாக மிகவும் அழகாகவும், ஆனால் நிஜ உலகில் முற்றிலும் இல்லாததுமான தகவல்களை உருவாக்குகிறது. * பொதுத்துறைத் தாக்கம்: நிஜ உலகில் எங்குமே இல்லாத நிர்வாக சுற்றறிக்கை எண்கள், கற்பனையான உயர்நீதிமன்றத் தீர்ப்புகள் அல்லது போலி புள்ளிவிவரங்கள் உத்தியோகபூர்வ ஆவணங்களுக்குள் ஊடுருவுதல். ஒரு அமைச்சுச் செயலாளரோ அல்லது பிரதேச செயலாளரோ அத்தகைய ஆவணத்தில் கையொப்பமிட்டால், அது சட்ட மற்றும் நிர்வாக ரீதியான பெரும் பேரழிவாக மாறும்.

2. ஒருசார்புநிலை மற்றும் சமத்துவமின்மை (Bias & Inequity): * தொழில்நுட்ப இயல்பு: மாதிரியைப் பயிற்றுவிக்கப் பயன்படுத்தப்பட்ட வரலாற்று இணையத் தரவுகளில் உள்ள சமூக, பொருளாதார, கலாச்சார மற்றும் மொழியியல் சமநிலையின்மைகள் அதன் முடிவுகளை நேரடியாக வடிவமைக்கின்றன. * பொதுத்துறைத் தாக்கம்: இலங்கையின் தேசிய நலன்புரித் திட்டங்களான 'அஸ்வெசும' அல்லது 'சமுர்த்தி' போன்ற கொடுப்பனவு உரிமைகளை மதிப்பிடுவதில் அல்லது பொதுச்சேவை ஆட்சேர்ப்புக்கான சுருக்கப் பட்டியலைத் தயாரிப்பதில், விளிம்புநிலைச் சமூகங்கள், பெண் தலைமைத்துவக் குடும்பங்கள் அல்லது தொலைதூர மாகாணங்களைச் சேர்ந்த மக்கள் தானாகவே பாதகத்திற்கு உள்ளாகலாம். இதனால்தான் ஐரோப்பிய ஒன்றிய AI சட்டம் (EU AI Act - Regulation 2024/1689) பொது நலன்புரி மற்றும் பொதுச்சேவை முடிவுகளை "உயர் அபாய AI" (High-Risk AI) என வகைப்படுத்துகிறது.

3. இரகசியத்தன்மை மற்றும் தனியுரிமைக் கசிவு (Confidentiality & Privacy Leakage): * தொழில்நுட்ப இயல்பு: பொதுப் பயன்பாட்டு AI கருவிகளில் உள்ளிடப்படும் தரவு, மாதிரியின் அடுத்த தலைமுறைப் பதிப்புகளைப் பயிற்றுவிப்பதற்காக அதன் தாய் நிறுவனத்தால் சேமிக்கப்படலாம். * பொதுத்துறைத் தாக்கம்: குடிமக்களின் தேசிய அடையாள அட்டை (NIC) எண்கள், காணி உறுதி விவரங்கள், மருத்துவப் பதிவுகள் அல்லது இரகசிய அமைச்சரவைக் குறிப்புகள் திறந்த AI அமைப்புகளில் உள்ளிடப்படுதல். இலங்கையின் 2022 ஆம் ஆண்டின் 9 ஆம் இலக்க தனிப்பட்ட தரவுப் பாதுகாப்புச் சட்டத்தின் (PDPA) கீழ், குடிமக்களின் தரவைப் பாதுகாப்பது அரசின் தரவுக் கட்டுப்பாட்டாளரின் (Data Controller) முற்றுமுழுதான சட்டப்பூர்வக் கடமையாகும்.

4. சட்ட மற்றும் ஒழுங்குமுறைப் பொறுப்பு (Legal & Regulatory Liability): * தொழில்நுட்ப இயல்பு: வணிக ரீதியாக அல்லது அறிவுசார் சொத்துரிமையால் பாதுகாக்கப்பட்ட ஆவணங்களை அனுமதியின்றி மறுஉருவாக்கம் செய்தல் — மற்றும் AI ஆல் உருவாக்கப்பட்ட வெளியீடுகளுக்கு எவ்வித காப்புரிமையும் (copyright) கிடைக்காது என்ற உண்மை. * பொதுத்துறைத் தாக்கம்: டெண்டர் ஆவணங்கள், கொள்கை வரைவுகள் அல்லது பாடத்திட்டங்களில் ஏற்படும் அறிவுசார் சொத்துரிமை மீறல்கள். நிர்வாகச் சட்டத்தின் கீழ், அரசு எடுக்கும் ஒரு முடிவு மனிதரின் நியாயமான தீர்மானத்தை அடிப்படையாகக் கொண்டிருக்க வேண்டும்; வெளிப்படைத்தன்மையற்ற AI (black-box AI) எடுக்கும் முடிவு நீதிமன்றத்தின் முன் சட்டவிரோதமானதாக மாறக்கூடும்.

5. தவறான பயன்பாடு மற்றும் போலி உள்ளடக்கங்கள் (Misuse & Deepfakes): * தொழில்நுட்ப இயல்பு: மல்டிமாடல் AI கருவிகளால் குரல் மாதிரியாக்கம் (voice cloning), போலி வீடியோக்கள் (deepfakes) மற்றும் தானியங்கி சமூகப் பொறியியல் தாக்குதல்களை உடனடியாக உருவாக்க முடியும். * பொதுத்துறைத் தாக்கம்: பணத்தை விடுவிக்குமாறு உத்தரவிட மாவட்டச் செயலாளர் அல்லது அமைச்சுச் செயலாளரின் குரலைப் போலியாக உருவாக்கி தொலைபேசியில் பேசுதல்; உத்தியோகபூர்வ ஆவணங்களை அதிவேகத்தில் போலியாக உருவாக்குதல். அதேநேரத்தில், MOSIP (Modular Open Source Identity Platform) அல்லது பழமையான அரசு இணையத்தளக் கட்டமைப்புகளில் உள்ள மென்பொருள் பலவீனங்களைத் தானாகக் கண்டறிந்து தகர்க்க இணையக் குற்றவாளிகள் AI-ஐப் பயன்படுத்துகின்றனர்.

6. அதிகச் சார்புநிலை மற்றும் திறன் இழப்பு (Over-reliance & Deskilling): * தொழில்நுட்ப இயல்பு: தானியங்கிமயமாக்கலின் எளிமையால் ஈர்க்கப்பட்டு, மனிதன் தனது ஆழ்ந்த சிந்தனை, பகுப்பாய்வு மற்றும் விமர்சன நுண்ணறிவை அமைதியாகக் கருவியிடம் ஒப்படைக்கிறான். * பொதுத்துறைத் தாக்கம்: கணிப்பான்கள் (calculators) வந்த பிறகு மனக்கணக்கு திறன் குன்றியது போல, அரசு அதிகாரி சிக்கலான சட்டங்களையும் சுற்றறிக்கைகளையும் வாசிப்பதை நிறுத்திவிட்டு, AI சுருக்கங்களை மட்டுமே முற்றிலும் சார்ந்திருக்கத் தொடங்குகிறார். இது முழுச் சேவையின் அறிவுசார் மட்டத்தையும் வீழ்ச்சியடையச் செய்கிறது.

7. செலவு மற்றும் டோக்கன் பொருளாதாரம் (Cost & Token Economics): * தொழில்நுட்ப இயல்பு: வணிக ரீதியான API அழைப்புகள், சூழல் சாளர நினைவகம் (context-window caching) மற்றும் முகவர் சுழற்சிகள் (agentic loops) ஆகியவற்றின் அதிகப்படியான டோக்கன் நுகர்வு. * பொதுத்துறைத் தாக்கம்: முறையான கட்டமைப்பு மற்றும் வரவுசெலவுத் திட்டக் கட்டுப்பாடு இல்லாமல் இயக்கப்படும் அமைப்புகள், எந்தவொரு பொது நிறுவனத்தாலும் தாங்க முடியாத அளவிலான மாதாந்திர செயல்பாட்டுச் செலவுகளை (OPEX) உருவாக்குகின்றன.

2. டெலோய்ட் (Deloitte) நிறுவனத்தின் $440,000 பாடம்

AI மாயத்தோற்றங்கள் ஒரு மாபெரும் சர்வதேச ஆலோசனை நிறுவனத்தைக் கூட எவ்வாறு அவமானத்திற்கும் சட்டப்பூர்வத் தண்டனைக்கும் உள்ளாக்கின என்பதற்கு ஆஸ்திரேலிய அரசாங்கத்தின் அனுபவமே உலகின் மிகச்சிறந்த உதாரணமாகும்:

படம் 8.2: டெலோய்ட் நிறுவனத்தின் AI வீழ்ச்சி விளக்கப்பட்டது — எதிர்பாரா விளைவை ஏற்படுத்திய $440,000 அறிக்கை (ஆஸ்திரேலிய கூட்டாட்சி அரசாங்கத்திற்குச் சமர்ப்பிக்கப்பட்ட உத்தியோகபூர்வ அறிக்கையின் நிலை).

படம்: டெலோய்ட் நிறுவனத்தின் AI வீழ்ச்சி விளக்கப்பட்டது — $440,000 அறிக்கையின் பகுப்பாய்வு — இடசர அகாடமி.

பின்னணியும் அமைப்பு ரீதியான முறிவும் (The Background and the Systemic Breakdown):

2025 ஆம் ஆண்டின் பிற்பகுதியில், உலகின் முன்னணி மேலாண்மை ஆலோசனை நிறுவனங்களில் ஒன்றான டெலோய்ட் (Deloitte) நிறுவனம், ஆஸ்திரேலிய அரசாங்கத்தின் வேலைவாய்ப்பு மற்றும் பணியிட உறவுகள் அமைச்சுக்காக 440,000 ஆஸ்திரேலிய டாலர் (130 மில்லியன் இலங்கை ரூபாய்க்கும் அதிகமான) ஒப்பந்தத்தில் ஒரு கொள்கை ஆராய்ச்சி அறிக்கையைத் தயாரித்தது (Deloitte's AI Fallout Explained: The $440,000 Report That Backfired).

ஆய்வுக் கட்டுரைகளை மதிப்பாய்வு செய்யவும் பொருளாதாரத் தரவுகளைச் சுருக்கவும் ஆலோசனைக்குழு ஜெனரேட்டிவ் AI-ஐப் பயன்படுத்தியிருந்தது. ஆனால், அந்த அறிக்கை ஆஸ்திரேலிய நாடாளுமன்றத்தின் செனட் குழுவை அடைந்ததும், உண்மை வெளிவந்தது:

• அறிக்கையில் குறிப்பிடப்பட்டிருந்த பல ஆய்வுக் கட்டுரைகள், ஆசிரியர்களின் பெயர்கள் மற்றும் நிறுவனக் கணிப்புக் குழுவின் அறிக்கைகள் முற்றிலும் மாயத்தோற்றங்களால் உருவாக்கப்பட்டவை (Hallucinated) — நிஜ உலகில் எங்குமே பிரசுரிக்கப்படாத கற்பனையான ஆதாரங்கள்.
• அந்த ஆதாரங்கள் உண்மையில் உள்ளனவா என்பதை நிறுவனத்தின் சிரேஷ்ட ஆலோசகர்கள் ஒருவர் கூட சரிபார்க்கவில்லை.
• இறுதியில், டெலோய்ட் நிறுவனம் தனது ஆலோசனைக் கட்டணத்தின் ஒரு பகுதியை அரசாங்கத்திற்குத் திரும்பச் செலுத்த வேண்டியேற்பட்டதுடன், நாடாளுமன்றத்தின் முன் பகிரங்கமாக மன்னிப்பும் கேட்டது. இதன் விளைவாக, ஆஸ்திரேலிய அரசாங்கம் எதிர்கால அனைத்துப் பொது ஆலோசன ஒப்பந்தங்களிலும் கடுமையான AI பயன்பாடு மற்றும் மனிதப் பொறுப்புக் (human-accountability) கட்டுப்பாடுகளைச் சட்டப்பூர்வமாக்கியது.

3. மனிதனைக் கட்டுப்பாட்டில் வைத்திருக்க உதவும் ஒரே இடைமுகம் 'ஆழ்ந்த வாசிப்பு' மட்டுமே (Reading Is the Only Interface That Keeps the Human in Control)

நான் எழுதிய ஒரு கட்டுரையில், நான் வலியுறுத்திய முதன்மை அறிவாற்றல் கொள்கை இதுதான்:

படம் 8.3: ஜெனரேட்டிவ் AI யுகத்தில், வாசிப்புதான் மனிதனைச் செயல்பாட்டில் (Human in the Loop) வைத்திருக்க உதவுகிறது — வாசிப்பு என்பது ஒரு செயலற்ற செயல் அல்ல, மாறாக நுண்ணறிவை நிர்வகிக்கும் மனித இடைமுகமாகும் (சமிச அபேசிங்க).

"இயந்திரங்களால் நொடிகளில் நூற்றுக்கணக்கான பக்கங்களை எழுத முடியும். எழுத்தின் வேகம் மயக்கமளிக்கக்கூடியது. ஆனால், இந்தத் தானியங்கிப் படைப்புகளுக்கு முன்னால் நமது அறிவுசார் சரணடைதலைத் தடுக்கும் ஒரே பாதுகாப்புச் சுவர் ஆழ்ந்த, கவனமான மற்றும் பகுப்பாய்வுடன்கூடிய வாசிப்பு (deep, deliberate, and discerning reading) மட்டுமே. நீங்கள் வாசிப்பதை நிறுத்தும் நாள், நீங்கள் இயந்திரத்தின் அடிமையாக மாறும் நாளாகும்."

படம்: ஜெனரேட்டிவ் AI யுகத்தில், வாசிப்பு மனிதனைக் கட்டுப்பாட்டில் வைத்திருக்கிறது — இடசர அகாடமி.

இரண்டு முறைகளுக்கு இடையிலான வேறுபாடு (The Difference Between Two Modes):

• மேலோட்டமான வாசிப்பு / உருட்டுதல் (Idle skimming / scrolling - தோல்வி முறை): AI எழுதிய 10 பக்க அறிக்கையை மேலோட்டமாகப் பார்த்து, மொழி அழகாக இருக்கிறது என்று முடிவு செய்து கையொப்பமிடுதல். டெலோய்ட் நிறுவனம் பேரழிவில் சிக்கியது சரியாக இப்படித்தான்.
• ஆழ்ந்த பகுப்பாய்வு வாசிப்பு (Deep discerning reading - உண்மையான தற்காப்புச் சுவர்): 1. தர்க்கரீதியான தடம் (Logical Trace): வளாகங்கள் A மற்றும் B ஆகியவை உண்மையில் முடிவு C-ஐ நிறுவுகின்றனவா — அல்லது AI ஒரு தவறான பாலத்தைக் கட்டியுள்ளதா? 2. கட்டுப்பாடுகளுக்குக் கீழ்ப்படிதல் (Constraint Compliance): நீங்கள் தூண்டலில் (prompt) அமைத்த எதிர்மறைக் கட்டுப்பாடுகள் மற்றும் சட்டக் நிபந்தனைகளுக்கு மாதிரி நூறு சதவீதம் கீழ்ப்படிந்துள்ளதா? 3. பச்சாதாப இயைபு (Empathetic Alignment): அறிக்கையின் மொழி உண்மையான குடிமகனின் துயரத்தையும் நிறுவனத்தின் கண்ணியத்தையும் மதிக்கிறதா — தொழில்முறை விவேகத்துடன் மதிப்பிடப்படுகிறதா?

4. AI ஒருசார்புநிலையைப் புரிந்துகொள்வதும் அதைத் தடுப்பதும் (Understanding and Preventing AI Bias)

செயற்கை நுண்ணறிவின் மற்றொரு தீவிர அபாயம் என்னவென்றால், சமூகத்தில் ஏற்கனவே உள்ள முன்னெண்ணங்களை (prejudices) நம்பகமான, நடுநிலையான வடிவில் மீண்டும் உருவாக்குவதாகும்.

படம் 8.4: AI ஒருசார்புநிலையைப் புரிந்துகொள்வதும் தடுத்தலும் — ஒருசார்புநிலைக்கான 3 காரணங்கள் (வரலாற்று முன்னெண்ணங்கள், அல்காரிதம் பெருக்கம், மனித வடிவமைப்பு ஒருசார்புநிலை) மற்றும் தடுத்தலுக்கான 3 படிகள்.

படம்: தரவுச் சட்டம் — தரவுப் பன்முகத்தன்மையும் வெளியீட்டு நியாயமும் — இடசர அகாடமி.

படம் 8.5: தரவுச் சட்டம் — குறுகிய தரவு ஒருசார்புடைய வெளியீடுகளைத் தருகிறது, பன்முகப்படுத்தப்பட்ட தரவு நியாயமான மாதிரியைத் தருகிறது.

1. AI ஒருசார்புநிலை (AI Bias) என்றால் என்ன?

ஒரு மாதிரி முறைமை ரீதியாக ஒரு சமூகக் குழு, ஓர் இனம், பாலினம் அல்லது பிராந்தியத்திற்குப் பாதகமான சமத்துவமற்ற முடிவுகளை உருவாக்குவது. * படத்தில் உள்ள உதாரணம்: ஒரே மாதிரியான தகுதிகள் இருந்தபோதிலும், "சாரா சென்" என்ற பெண் விண்ணப்பதாரர் நிராகரிக்கப்பட்டு, "டேவிட் ஸ்மித்" என்ற ஆண் விண்ணப்பதாரர் தேர்ந்தெடுக்கப்படுகிறார்.

2. இது ஏன் நிகழ்கிறது?

1. பயிற்சித் தரவில் உள்ள வரலாற்று முன்னெண்ணங்கள் (Historical Prejudices): கடந்த கால பாலின ஊதிய இடைவெளிகள் அல்லது சமூகச் சமத்துவமின்மைகளைக் கொண்ட தரவுகளில் ஒரு மாதிரி பயிற்றுவிக்கப்படும்போது, அது அந்தப் பழைய தவறுகளை நியாயமான நிரந்தர விதிகளாகக் கற்றுக்கொள்கிறது.
2. அல்காரிதம் பெருக்கம் (Algorithmic Amplification): தரவில் உள்ள சிறிய ஒருசார்புநிலை கூட, புள்ளிவிவர ரீதியாக உகந்ததாக்கப்படும்போது, மாதிரியால் தீவிர முடிவுகளாகப் பெருக்கப்படுகிறது.
3. வடிவமைப்பில் மனித அறிவாற்றல் ஒருசார்புநிலை (Human Cognitive Bias in Design): மென்பொருளை வடிவமைக்கும் பொறியாளர்கள் தங்கள் சொந்த ஆழ்மனதில் உள்ள ஒருசார்புநிலைகளுக்கு ஏற்ப அம்சங்களைத் தேர்ந்தெடுக்கிறார்கள் — மேலும் நியாயத்தை விட லாபத்திற்கு முன்னுரிமை அளிக்கிறார்கள்.

3. அதை எவ்வாறு தடுப்பது?

• தரவைப் பன்முகப்படுத்துதலும் தணிக்கை செய்தலும் (Diversify & Audit Data): நிறுவனத்தின் தரவுத்தொகுப்புகள் அனைத்து சமூகப் பிரிவுகளையும் பிரதிநிதித்துவப்படுத்துகின்றனவா என்பதை உறுதிப்படுத்த முன்கூட்டியே தணிக்கை செய்தல்.
• வழக்கமான அல்காரிதம் தணிக்கை (Regular Algorithmic Auditing): நியாயமான அளவுகோல்களுக்கு எதிராக மாதிரியின் முடிவுகளைத் தொடர்ந்து சோதித்தல்.
• அனைவரையும் உள்ளடக்கிய குழு வடிவமைப்பு (Inclusive Team Design): பல்வேறு சமூகப் பின்னணிகள், துறைகள் மற்றும் உணர்வுத்திறன் கொண்ட நிபுணர்களிடமிருந்து தொழில்நுட்பக் குழுக்களை உருவாக்குதல்.

5. AI மாயத்தோற்றங்களைத் தடுப்பதற்கான ஆழ்ந்த கட்டமைப்பு (The Deep Architecture of Preventing AI Hallucinations)

படம் 8.6: AI மாயத்தோற்றங்களைப் புரிந்துகொள்வதும் தடுத்தலும் — புனையப்பட்ட தகவல்களுக்கான 3 காரணங்கள் (குப்பை உள்ளீடு, குப்பை வெளியீடு / மாதிரி வரம்புகள் / குழப்பமான தூண்டல்கள்) மற்றும் அதற்கான 3 தீர்வுகள்.

மாயத்தோற்றத்தின் மும்மைத் தவறு அணிவரிசையும் அதன் தீர்வுகளும் (The Triple Fault Matrix of Hallucination — and Its Solutions):

6. 3-அடுக்கு சரிபார்ப்பு பணிப்பாய்வு (The 3-Tier Verification Workflow)

எனது அமர்வுகளில், மக்கள் அடிக்கடி என்னிடம் கேட்கிறார்கள்: "சமிச, உற்பத்தித் தர அமைப்புகளில் (production-grade systems) இந்த மாயத்தோற்றங்களைத் தனிப்பட்ட முறையில் எவ்வாறு தடுத்து AI-ஐ நம்பிக்கையுடன் பயன்படுத்துகிறீர்கள்?"

எனது சொந்த பொறியியல் வாழ்க்கையில் நான் பயன்படுத்தும் 3-அடுக்கு சரிபார்ப்புப் பாதை (3-Tier Verification Pipeline) இதுதான்:

படம்: 3-அடுக்கு சரிபார்ப்புப் பாதை (The 3-Tier Verification Pipeline) — இடசர அகாடமி.

1. அடுக்கு 1 (Google Search AI பயன்முறை — நேரடி ஆதார மீட்பு): தலைப்பின் உண்மையான தகவல்களை — அண்மைக்கால வர்த்தமானிகள் மற்றும் உத்தியோகபூர்வ இணையத் தரவுகளை — Google Search-இன் AI பயன்முறை மூலம் முதலில் சரிபார்த்து, சரிபார்க்கப்பட்ட இணைப்புகளுடன் கூடிய சுருக்கத்தைப் பெறுகிறேன்.
2. அடுக்கு 2 (Google Gemini — ஆராய்ச்சி மற்றும் தூண்டல் பொறியியல்): அந்தச் சுருக்கத்தை Gemini-யிடம் வழங்கி, இலங்கைச் சூழல் மற்றும் தமிழ்/சிங்கள மொழித் துல்லியத்துடன் அதை விரிவுபடுத்துகிறேன். பின்னர் Gemini-யையே அடுத்த கருவியை எழுத வைக்கிறேன்: "இந்தச் சரிபார்க்கப்பட்ட உண்மைகளின் அடிப்படையில், இந்தச் சட்ட ஆவணத்தை வரைவதற்கு Claude மாதிரிக்கு வழங்கப்பட வேண்டிய உகந்த தூண்டலை (Prompt) — எதிர்மறைக் கட்டுப்பாடுகளுடன் — எழுதுங்கள்."
3. அடுக்கு 3 (Anthropic Claude — தர்க்கரீதியான வரைவு): இறுதியான ஆழ்ந்த தர்க்கரீதியான பகுப்பாய்வு மற்றும் கட்டமைக்கப்பட்ட வரைவுக்காக அந்தப் பொறியியல் செய்யப்பட்ட தூண்டலை Claude-க்குக் கொண்டு செல்கிறேன்.
4. அடுக்கு 4 (மனிதக் கட்டுப்பாடு மற்றும் கையொப்பம்): இறுதியாக, நான் ஆவணத்தை வரி வரியாக வாசித்து, அதன் துல்லியத்தை உறுதிசெய்து கையொப்பமிடுகிறேன்.

இந்த அடுக்குமுறை முறைமையானது மாயத்தோற்றங்கள் ஊடுருவுவதை 99.9% செயல்திறனுடன் தடுக்கிறது.

7. நிழல் AI (Shadow AI): அலுவலகங்களுக்குள் ஏற்கனவே வெளிப்பட்டு வரும் இரகசிய உண்மை

நாம் நேர்மையாக விவாதிக்க வேண்டிய ஒன்று உள்ளது: அரசு அதிகாரிகள், ஆசிரியர்கள், கணக்காளர்கள் — ஒவ்வொரு நிறுவனத்தின் ஊழியர்களும் ஏற்கனவே தங்கள் தனிப்பட்ட தொலைபேசிகளில் உள்ள இலவச ChatGPT-க்கு உத்தியோகபூர்வ கோப்புகளை அனுப்பி வருகிறார்கள்.

• இது கெட்ட எண்ணத்தால் செய்யப்படுவதில்லை: வேலைப் பளு அதிகமாக உள்ளது, மேலும் கருவி உண்மையாகவே உதவுகிறது.
• தடை செய்வதால் இதை நிறுத்த முடியாது: ஒரு நிறுவனம் AI-ஐத் தடைசெய்யும்போது, பயன்பாடு நிற்பதில்லை — மாறாகப் பாதுகாப்புக் கட்டுப்பாடுகள் ஏதுமற்றக் கட்டுப்பாடற்ற இரகசியமாக மாறுகிறது (நிழல் AI - Shadow AI).
• அங்கீகரிக்கப்பட்ட வழியை வழங்குங்கள்: நிறுவனம் ஒரு பாதுகாப்பான, கட்டணக் கருவியை (தரவு சேமிக்கப்படாத கார்ப்பரேட் அடுக்கு - enterprise zero-data-retention tier) அங்கீகரிக்க வேண்டும் மற்றும் எந்தத் தரவை உள்ளிடலாம், எதை உள்ளிடக்கூடாது என்ற தெளிவான பட்டியலை ஊழியர்களுக்கு வழங்க வேண்டும்.
• வெளிப்படுத்துதலைப் பாதுகாப்பானதாக்குங்கள்: "நான் இந்த முதல் வரைவை AI உதவியுடன் தயாரித்தேன்; பின்னர் அதை மதிப்பாய்வு செய்து திருத்தினேன்" என்று பகிரங்கமாகக் கூறும் ஊழியர், அதை வெளிப்படுத்தியதற்காக ஒருபோதும் தண்டிக்கப்படக் கூடாது.
• உண்மையான அபாயம்: மக்கள் AI-ஐப் பயன்படுத்துவது அல்ல — மாறாக நிறுவனக் கட்டுப்பாடு, ஒழுங்குமுறை அல்லது மனிதச் சரிபார்ப்பு இல்லாமல் இரகசியமாகத் தரவு கசிவதுதான்.

இறுதித் தொகுதியில் (module), இந்த அபாயங்களைக் கடந்து வரும் தசாப்தத்தை நோக்கிய பாதையை திட்டமிடுகிறோம் — சேட்பாட் யுகத்திலிருந்து தயாதிக்கம் கொண்ட AI முகவர்கள் (Autonomous AI Agents) வரையிலான பரிணாம வளர்ச்சி, அவுகன தரநிலை (Avukana standard), ஜப்பானின் மூன்று முகங்கள் மற்றும் களுத்துறைத் தாயின் இதயத்தை நொறுக்கும் கண்டுபிடிப்பு, மற்றும் AI தேர்ச்சியின் 5 உலகளாவிய பொன்விதிகள்.