ବ୍ୟବସାୟ ପାଇଁ AI: ଛୋଟ ଓ ମଧ୍ୟମ ଆକାରର ଦଳଗୁଡ଼ିକ ପାଇଁ ଏକ ବ୍ୟବହାରିକ ମାର୍ଗଦର୍ଶିକା

ଏକ ଛୋଟ କମ୍ପାନି ପାଇଁ ବ୍ୟବସାୟରେ କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା ବ୍ୟବହାରର ପ୍ରକୃତ ଅର୍ଥ କ’ଣ?

5 ରୁ 200 ଜଣ ଥିବା ଏକ କମ୍ପାନୀ ପାଇଁ ବ୍ୟବସାୟରେ AI ବ୍ୟବହାରର ଅର୍ଥ ମୁଖ୍ୟତଃ ହେଉଛି ସୃଜନଶୀଳ ସହାୟକ ଦ୍ୱାରା ଭାଷା ସମ୍ବନ୍ଧୀୟ କାମ କରାଇବା: ଖସଡ଼ା ଲେଖିବା, ସାରାଂଶ କରିବା, ପୁଣି ଲେଖିବା, ତଥ୍ୟ ବାହାର କରିବା ଓ ବୁଝାଇବା। ଏହାର ଅର୍ଥ କ୍ୱଚିତ୍ ଏକ ମଡେଲ୍ ତିଆରି କରିବା କିମ୍ବା ତଥ୍ୟ ବିଜ୍ଞାନ ଦଳ ନିଯୁକ୍ତ କରିବା। ସାଧାରଣତଃ ଏପରି ଉପକରଣକୁ ଆପଣ ଆଜି ଅପରାହ୍ଣରେ ହିଁ ସଦସ୍ୟତା ନେଇ ବ୍ୟବହାର କରିପାରିବେ; ସମୟ ଲାଗେ ଏହାକୁ କିପରି ବ୍ୟବହାର କରାଯିବ ସେ ବିଷୟରେ ନିଷ୍ପତ୍ତି ନେବାରେ।

ପ୍ରକାଶିତ ଗବେଷଣାରେ ମଧ୍ୟ ସେହି ଧାରା ଦେଖାଯାଏ। ଫେବୃଆରୀରୁ ମେ 2025 ମଧ୍ୟରେ ନିଆଯାଇଥିବା 3,500 ବ୍ୟବସାୟିକ ସାକ୍ଷାତକାର ଉପରେ ଆଧାରିତ ବ୍ରିଟେନ୍ ସରକାରଙ୍କ AI ଗ୍ରହଣ ସମ୍ବନ୍ଧୀୟ ଗବେଷଣାରେ, ପୂର୍ବରୁ AI ବ୍ୟବହାର କରୁଥିବା ବ୍ୟବସାୟଗୁଡ଼ିକର 85% କହିଥିଲେ ଯେ ସେମାନେ ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣ ଏବଂ ପାଠ୍ୟ ସୃଷ୍ଟି ବ୍ୟବହାର କରୁଥିଲେ, ଯାହା ଅନ୍ୟ ସବୁ ପ୍ରକାରର ବ୍ୟବହାରଠାରୁ ବହୁ ଆଗରେ ଥିଲା। ସେହି ସର୍ବେକ୍ଷଣରେ ଏହା ମଧ୍ୟ ଜଣାପଡ଼ିଥିଲା ଯେ ବ୍ରିଟେନ୍‌ର ପ୍ରାୟ ପ୍ରତି ଛଅଟି ବ୍ୟବସାୟରୁ ଗୋଟିଏ (16%) ଅତି କମ୍‌ରେ ଗୋଟିଏ AI ପ୍ରଯୁକ୍ତି ବ୍ୟବହାର କରୁଥିଲା। ଉଭୟ ଆକଳନ ପ୍ରଯୁକ୍ତି ଦାୟିତ୍ୱରେ ଥିବା ବ୍ୟକ୍ତିଙ୍କ ନିଜସ୍ୱ ରିପୋର୍ଟ ଉପରେ ଆଧାରିତ, ତେଣୁ ସେଗୁଡ଼ିକୁ ଆପଣଙ୍କ କ୍ଷେତ୍ର ପାଇଁ ଏକ ନିୟମ ଭାବେ ନୁହେଁ, ସେହି ସମୟର ସ୍ଥିତିଚିତ୍ର ଭାବେ ନିଅନ୍ତୁ।

ବ୍ୟବହାରିକ ଭାବେ ଏହାର ଅର୍ଥ ହେଉଛି, ବ୍ୟବସାୟରେ କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତାର ବ୍ୟବହାର ମୁଖ୍ୟତଃ ଲୋକ ଓ ପ୍ରକ୍ରିୟା ସମ୍ପର୍କିତ ବିଷୟ। କିଏ କେଉଁ ଉପକରଣ, କେଉଁ କାର୍ଯ୍ୟରେ, କେଉଁ ତଥ୍ୟ ସହ ବ୍ୟବହାର କରିପାରିବେ, ଏବଂ ଫଳାଫଳ ଗ୍ରାହକଙ୍କ ପାଖରେ ପହଞ୍ଚିବା ପୂର୍ବରୁ କିଏ ତାହା ଯାଞ୍ଚ କରିବେ? ଏହି ଚାରିଟି ପ୍ରଶ୍ନର ସ୍ପଷ୍ଟ ଉତ୍ତର ଦେଉଥିବା କମ୍ପାନୀ ଏକ ସାଧାରଣ ସହାୟକରୁ ମଧ୍ୟ ଅଧିକ ଲାଭ ପାଇବ, ତୁଳନାରେ ସେହି କମ୍ପାନୀ ଯିଏ ଏକ ଦାମୀ ସହାୟକ କିଣି ସମସ୍ତଙ୍କୁ ନିଜେ ନିଜେ ତାହାର ବ୍ୟବହାର ବୁଝିବାକୁ ଛାଡ଼ିଦିଏ।

ବ୍ୟବସାୟ ପାଇଁ କେଉଁ କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା ଭଲ?

ଆରମ୍ଭ କରିବା ପାଇଁ ସାଧାରଣତଃ ସବୁଠାରୁ ଉପଯୁକ୍ତ ଉପକରଣ ହେଉଛି ଏପରି ଏକ ସାଧାରଣ ସହାୟକ, ଯାହା ଆପଣଙ୍କ ଦଳ ନିୟମିତ ବ୍ୟବହାର କରୁଥିବା ସଫ୍ଟୱେର୍ ସହ ମେଳ ଖାଏ ଏବଂ ଯାହାର ବ୍ୟବସାୟିକ ପ୍ଲାନ୍‌ର ତଥ୍ୟ ସମ୍ବନ୍ଧୀୟ ସର୍ତ୍ତଗୁଡ଼ିକ ଆପଣ ପଢ଼ିଛନ୍ତି। Microsoft 365 ବ୍ୟବହାର କରୁଥିବା କମ୍ପାନୀ ସାଧାରଣତଃ ପ୍ରଥମେ Copilot ମୂଲ୍ୟାଙ୍କନ କରିବ; Google Workspace ବ୍ୟବହାର କରୁଥିବା କମ୍ପାନୀ ସାଧାରଣତଃ Gemini ମୂଲ୍ୟାଙ୍କନ କରିବ; ଅନେକ ଉପକରଣରେ କାମ କରୁଥିବା କିମ୍ବା ବହୁ ପରିମାଣରେ ଦୀର୍ଘ ଲେଖା ଓ ବିଶ୍ଳେଷଣ କରୁଥିବା ଦଳ ପ୍ରାୟତଃ ChatGPT ଓ Claudeର ବ୍ୟବସାୟିକ ପ୍ଲାନ୍‌ଗୁଡ଼ିକୁ ତୁଳନା କରିବ। ଏଗୁଡ଼ିକ ମଧ୍ୟରୁ କୌଣସିଟି ସବୁ ଦଳ ପାଇଁ ଠିକ୍ ପସନ୍ଦ ନୁହେଁ। ପ୍ଲାନ୍‌ର ସୁବିଧାଗୁଡ଼ିକ ମଧ୍ୟ ବାରମ୍ବାର ବଦଳୁଥାଏ, ତେଣୁ ମାନ୍ୟତାକ୍ରମ ଦେଉଥିବା କୌଣସି ଲେଖା ବଦଳରେ ପ୍ରଦାନକାରୀଙ୍କ ବର୍ତ୍ତମାନର ପ୍ଲାନ୍ ପୃଷ୍ଠା ଯାଞ୍ଚ କରନ୍ତୁ।

ସୁବିଧାଗୁଡ଼ିକର ତାଲିକା ଦେଖିବା ପୂର୍ବରୁ ତଥ୍ୟ ସମ୍ବନ୍ଧୀୟ ସର୍ତ୍ତ ଦେଖନ୍ତୁ। ବ୍ୟବସାୟ ଓ ବଡ଼ ସଂସ୍ଥା ପାଇଁ ଥିବା ଯୋଜନାରେ ସାଧାରଣତଃ ମାଗଣା ବ୍ୟକ୍ତିଗତ ଆକାଉଣ୍ଟଠାରୁ ଭିନ୍ନ ଭାବରେ ତଥ୍ୟ ପରିଚାଳନା କରାଯାଏ। ଉଦାହରଣ ସ୍ୱରୂପ, Anthropicର ଗୋପନୀୟତା କେନ୍ଦ୍ର କହେ ଯେ ଗ୍ରାହକ ମତାମତ ନଦେଲେ କିମ୍ବା ଅନ୍ୟ ଭାବରେ ଅନୁମତି ନଦେଲେ, ଏହା ସାଧାରଣ ନିୟମ ଭାବେ Claude for Work ଓ API ପରି ବାଣିଜ୍ୟିକ ଉତ୍ପାଦରେ ଦିଆଯାଇଥିବା ତଥ୍ୟ କିମ୍ବା ସେଥିରୁ ମିଳିଥିବା ଫଳାଫଳ ବ୍ୟବହାର କରି ନିଜ ମଡେଲକୁ ପ୍ରଶିକ୍ଷଣ ଦିଏ ନାହିଁ। ଆପଣ ଯେଉଁ ସାଧନ ବାଛନ୍ତୁ ନା କାହିଁକି, ତାହାର ସମତୁଲ୍ୟ ପୃଷ୍ଠା ଯାଞ୍ଚ କରନ୍ତୁ ଏବଂ ଆପଣ ପ୍ରକୃତରେ କିଣୁଥିବା ଯୋଜନାରେ ଏହା ଲାଗୁ ହେଉଛି ବୋଲି ନିଶ୍ଚିତ କରନ୍ତୁ।

ବିଶେଷ କାମ ପାଇଁ ଉପକରଣ ପରେ ଯୋଡ଼ନ୍ତୁ। କଥାକୁ ଲେଖାରେ ପରିଣତ କରୁଥିବା ଉପକରଣ, ଆପଣଙ୍କ ସହାୟତା ସେବାରେ ଥିବା AI ସୁବିଧା କିମ୍ବା ଛବି ତିଆରି କରୁଥିବା ଉପକରଣ କୌଣସି ଦଳ ପାଇଁ ଉପଯୋଗୀ ହୋଇପାରେ, କିନ୍ତୁ ପ୍ରତ୍ୟେକଟି ହେଉଛି କମ୍ପାନିର ସୂଚନା ଯାଉଥିବା ଆଉ ଏକ ସ୍ଥାନ ଏବଂ ପଢ଼ିବାକୁ ପଡ଼ୁଥିବା ଆଉ ଏକ ସର୍ତ୍ତାବଳୀ। ଗୋଟିଏ ସାଧାରଣ ସହାୟକରୁ ଆରମ୍ଭ କରନ୍ତୁ, ଆପଣଙ୍କ ଦଳ ତାହାର ଫଳାଫଳ କିପରି ସମୀକ୍ଷା କରେ ତାହା ଜାଣନ୍ତୁ, ତା’ପରେ କୌଣସି ସ୍ପଷ୍ଟ କାମ ପାଇଁ ଆବଶ୍ୟକ ହେଲେ ବିଶେଷ ଉପକରଣ ଯୋଡ଼ନ୍ତୁ। କାମ ପାଇଁ AI ଉପକରଣ ବାଛିବା ସମ୍ପର୍କିତ ଆମ ମାର୍ଗଦର୍ଶିକାରେ ଅନୁମୋଦନ ସମ୍ପର୍କିତ ପ୍ରଶ୍ନଗୁଡ଼ିକ ଅଧିକ ବିସ୍ତାରରେ ଆଲୋଚନା କରାଯାଇଛି।

ବ୍ୟବସାୟରେ ପର୍ଯ୍ୟାୟକ୍ରମେ AI କିପରି କାର୍ଯ୍ୟକାରୀ କରିବେ?

ଯେକୌଣସି ନୂଆ କାର୍ଯ୍ୟପଦ୍ଧତି ଆରମ୍ଭ କରିବା ଭଳି AI ଲାଗୁ କରନ୍ତୁ: ଜଣେ ଦାୟିତ୍ୱପ୍ରାପ୍ତ ବ୍ୟକ୍ତି, ଅନୁମୋଦିତ କାମର ଏକ ଛୋଟ ତାଲିକା, ଲିଖିତ ସୀମା, ସମୀକ୍ଷାର ଏକ ପଦକ୍ଷେପ ଏବଂ ଜାରି ରଖାଯିବ କି ନାହିଁ ନିଷ୍ପତ୍ତି ପାଇଁ ଏକ ତାରିଖ। ନିମ୍ନ ପଦକ୍ଷେପଗୁଡ଼ିକ ସୂଚନା ପ୍ରଯୁକ୍ତି ବିଭାଗ ନ ଥିବା କମ୍ପାନୀ ପାଇଁ ଉପଯୁକ୍ତ, ଏବଂ ଏଥିପାଇଁ ମାସ ନୁହେଁ, କିଛି ସପ୍ତାହ ଲାଗେ।

ଏକ ପ୍ରକୃତ ଦଳରେ ଏହା କିପରି କାମ କରେ?

ବ୍ରାଇଟ୍‌ୱାଟର ଇଣ୍ଟେରିଅର୍ସ ନାମକ ଏକ କାଳ୍ପନିକ କମ୍ପାନିକୁ ଧରନ୍ତୁ: ଅନଲାଇନ୍‌ରେ ଆସବାବପତ୍ର ବିକ୍ରି କରୁଥିବା 22 ଜଣ, ଏକ ଛୋଟ ଗ୍ରାହକ ସେବା ଦଳ, ଦୁଇଜଣ ବିପଣନ କର୍ମୀ ଏବଂ ଜଣେ ପରିଚାଳନା ମୁଖ୍ୟ। ପରିଚାଳନା ମୁଖ୍ୟ ଏହାର ଦାୟିତ୍ୱ ନିଅନ୍ତି, ବ୍ୟବସାୟିକ ପ୍ଲାନ୍‌ରେ ଥିବା ଗୋଟିଏ ସହାୟକ ବାଛନ୍ତି ଏବଂ ପ୍ରଥମ ଦୁଇଟି କାମ ଅନୁମୋଦନ କରନ୍ତି: ଯୋଗାଣକାରୀଙ୍କ ବିବରଣୀ ପତ୍ରରୁ ଉତ୍ପାଦ ବର୍ଣ୍ଣନାର ଖସଡ଼ା ତିଆରି କରିବା, ଏବଂ ଅର୍ଡର ଟିପ୍ପଣୀରୁ ବିତରଣ ସମ୍ପର୍କିତ ପ୍ରଶ୍ନର ଉତ୍ତର ଖସଡ଼ା କରିବା। ଗ୍ରାହକଙ୍କ ନାମ ଓ ଠିକଣା ସାଧନରେ ଦିଆଯାଏ ନାହିଁ; ସେବା କର୍ମୀମାନେ କେବଳ ଅର୍ଡରର ସ୍ଥିତି ଓ ପ୍ରଶ୍ନ ପେଷ୍ଟ କରନ୍ତି।

ଜଣେ ବିପଣନ କର୍ମଚାରୀଙ୍କ ପ୍ରଥମ ନିର୍ଦ୍ଦେଶ ହେଉଛି: 'ଓକ୍ କାଠର ଭୋଜନ ଟେବୁଲ୍ ପାଇଁ ଏକ ଉତ୍ପାଦ ବିବରଣୀ ଲେଖ।' ଉତ୍ତରଟି ସାବଲୀଳ, ଆଉ ତାହାର ଭୁଲଗୁଡ଼ିକରୁ ଶିଖିହୁଏ। ନିର୍ଦ୍ଦିଷ୍ଟ ବିବରଣୀରେ ପ୍ରସ୍ତୁତ ବୋର୍ଡ ଉପରେ ଓକ୍‌ର ପତଳା ଆବରଣ ଥିବା କୁହାଯାଇଥିଲେ ବି ଏହା ଟେବୁଲ୍‌କୁ 'ସମ୍ପୂର୍ଣ୍ଣ ଓକ୍ କାଠର' କହେ, ବିବରଣୀରେ ଛଅ ଜଣ ଲେଖାଥିଲେ ବି 'ଆଠ ଜଣ ଆରାମରେ ବସିପାରିବେ' ବୋଲି ଦାବି କରେ, ଏବଂ 'ପରଦିନ ମାଗଣା ପହଞ୍ଚାଇବା'ର ପ୍ରତିଶ୍ରୁତି ଦିଏ, ଯାହା Brightwater ଯୋଗାଏ ନାହିଁ।

ସମୀକ୍ଷା କରାଯାଇଥିବା ନିର୍ଦ୍ଦେଶରେ ଉତ୍ପାଦ ବିବରଣୀ ପତ୍ରର ଲେଖା, ବ୍ରାଣ୍ଡର ଲେଖନଶୈଳୀ ସମ୍ବନ୍ଧୀୟ ଟିପ୍ପଣୀ ଏବଂ ତିନୋଟି ନିୟମ ଦିଆଯାଇଛି: କେବଳ ବିବରଣୀରେ ଥିବା ତଥ୍ୟ ବ୍ୟବହାର କରନ୍ତୁ, କୌଣସି ବିବରଣୀ ନଥିଲେ ଅନୁମାନ ନକରି ତାହା ଚିହ୍ନଟ କରନ୍ତୁ ଏବଂ ବିତରଣ ସର୍ତ୍ତ କେବେବି ଉଲ୍ଲେଖ କରନ୍ତୁ ନାହିଁ। ନୂଆ ଖସଡ଼ାରେ 'ଓକ୍ କାଠର ପତଳା ଆବରଣ', 'ଛଅ ଜଣ ବସିପାରିବେ' ଲେଖାଅଛି ଏବଂ ଶେଷରେ ଏକ ଟିପ୍ପଣୀ ଅଛି: 'ବିବରଣୀ ପତ୍ରରେ ଟେବୁଲର ଓଜନ ଦିଆଯାଇନାହିଁ; ପ୍ରକାଶ କରିବା ପୂର୍ବରୁ ଦୟାକରି ନିଶ୍ଚିତ କରନ୍ତୁ।' ବିପଣନ କର୍ମୀ ପ୍ରତ୍ୟେକ ତଥ୍ୟମୂଳକ ବାକ୍ୟାଂଶକୁ ବିବରଣୀ ସହ ମେଳାଇ ଯାଞ୍ଚ କରି ପ୍ରକାଶ କରନ୍ତି। ପ୍ରକୃତରେ ସମୟ ବଞ୍ଚେ, କିନ୍ତୁ ଅଳ୍ପ; ବଡ଼ ଲାଭ ହେଉଛି, ଦଳ ପାଖରେ ଏବେ ବାରମ୍ବାର ବ୍ୟବହାର କରିହେବା ଭଳି ଏକ ନିର୍ଦ୍ଦେଶ ଏବଂ ଗ୍ରାହକ ଅଭିଯୋଗ କରିପାରନ୍ତି ଏପରି ଭୁଲ ଧରିବା ପାଇଁ ଏକ ଯାଞ୍ଚ ପଦ୍ଧତି ଅଛି।

ବ୍ରାଇଟ୍‌ୱାଟର ଜାଣିଶୁଣି ଯାହା କରିନଥିଲା: ସହାୟକକୁ ସିଧାସଳଖ ଗ୍ରାହକଙ୍କୁ ଉତ୍ତର ପଠାଇବାକୁ ଦେବା, ଅର୍ଡର ସମ୍ବନ୍ଧୀୟ ରପ୍ତାନି କରାଯାଇଥିବା ସମସ୍ତ ତଥ୍ୟକୁ ସେଥିରେ ଲେପନ କରିବା, କିମ୍ବା ସେହି ଦୁଇଟି କାମର ସମୀକ୍ଷା ହେବା ପୂର୍ବରୁ ସମଗ୍ର କମ୍ପାନୀରେ ଏହାର ବ୍ୟବହାର ଆରମ୍ଭ କରିବାକୁ ଘୋଷଣା କରିବା। ସମୀକ୍ଷା କରିବାର ଅଭ୍ୟାସ ଗଢ଼ିଉଠିବା ପରେ ସେହି ନିଷ୍ପତ୍ତିଗୁଡ଼ିକ ନିଆଯାଇପାରିବ।

ଏକ ଛୋଟ ବ୍ୟବସାୟର AI ରଣନୀତିରେ କ’ଣ ରହିବା ଉଚିତ?

ଏକ ଛୋଟ ବ୍ୟବସାୟର ଏଆଇ ରଣନୀତି ଗୋଟିଏ ପୃଷ୍ଠାରେ ରହିପାରେ: ଆପଣ କାହିଁକି ଏଆଇ ବ୍ୟବହାର କରୁଛନ୍ତି, କେଉଁ ଉପକରଣ ଅନୁମୋଦିତ, କେଉଁ କାମ ସାମିଲ ଏବଂ କେଉଁ କାମ ବାଦ୍, କେଉଁ ସୂଚନା ଦିଆଯିବା ଉଚିତ ନୁହେଁ, କିଏ କ’ଣ ସମୀକ୍ଷା କରିବେ, ଲୋକେ କିପରି ଶିଖିବେ ଏବଂ ଏହା କାମ ଦେଉଛି କି ନାହିଁ ଆପଣ କିପରି ସ୍ଥିର କରିବେ। ଏହାଠାରୁ ଅଧିକ ଲମ୍ବା ହେବା ସାଧାରଣତଃ ନିଷ୍ପତ୍ତିଗୁଡ଼ିକ ଏପର୍ଯ୍ୟନ୍ତ ନିଆଯାଇନଥିବାର ସଙ୍କେତ।

ବିପଦ ପରିଚାଳନା ଢାଞ୍ଚାଗୁଡ଼ିକରେ ଯାହା ବର୍ଣ୍ଣନା କରାଯାଏ, ଏହା ତାହାର ଏକ ଛୋଟ ରୂପ। NIST ର AI ବିପଦ ପରିଚାଳନା ଢାଞ୍ଚାକୁ NIST ସ୍ୱେଚ୍ଛାକୃତ ବ୍ୟବହାର ପାଇଁ ଉଦ୍ଦିଷ୍ଟ ବୋଲି କହେ। ଏଥିରେ ମାର୍ଗଦର୍ଶନକୁ ଶାସନ, ଚିହ୍ନଟ, ମାପନ ଓ ପରିଚାଳନା ଅଧୀନରେ ବିଭକ୍ତ କରାଯାଇଛି। ଏହାର ଶାସନ ସମ୍ବନ୍ଧୀୟ ମାର୍ଗଦର୍ଶନରେ ଭୂମିକା ଓ ଦାୟିତ୍ୱ ଲିଖିତ ଭାବେ ରଖିବା, ସଂସ୍ଥାର ନୀତି ଅନୁସାରେ ଲୋକେ ନିଜ କର୍ତ୍ତବ୍ୟ ପାଳନ କରିପାରିବା ପାଇଁ ପ୍ରଶିକ୍ଷଣ ଦେବା ଏବଂ ଚିନ୍ତାର ବିଷୟ ଉଚ୍ଚ ସ୍ତରକୁ ଜଣାଇବା ପାଇଁ ସ୍ପଷ୍ଟ ବ୍ୟବସ୍ଥା ରଖିବାକୁ କୁହାଯାଇଛି। 20 ଜଣଙ୍କ କମ୍ପାନୀ ପାଇଁ ସମ୍ପୂର୍ଣ୍ଣ ଢାଞ୍ଚା ଆବଶ୍ୟକ ନୁହେଁ, କିନ୍ତୁ ସେହି ଚାରୋଟି ଅଭ୍ୟାସ ପ୍ରଯୁଜ୍ୟ: କିଏ ଦାୟୀ ଜାଣନ୍ତୁ, କେଉଁ ସାଧନ ବ୍ୟବହାର ହେଉଛି ଜାଣନ୍ତୁ, ଲୋକେ ପ୍ରକୃତରେ କରୁଥିବା କାମ ପାଇଁ ସେମାନଙ୍କୁ ପ୍ରଶିକ୍ଷଣ ଦିଅନ୍ତୁ ଏବଂ ସମସ୍ୟା ଜଣାଇବା ସହଜ କରନ୍ତୁ।

ମୁଖ୍ୟ ବିପଦଗୁଡ଼ିକ କ’ଣ, ଏବଂ ପ୍ରସ୍ତୁତ ଫଳାଫଳକୁ କିଏ ଯାଞ୍ଚ କରେ?

ଦୈନନ୍ଦିନ ବିପଦଗୁଡ଼ିକ ହେଲା ଆତ୍ମବିଶ୍ୱାସର ସହ ଭୁଲ୍ ତଥ୍ୟ ଦେବା, ସମ୍ବେଦନଶୀଳ ସୂଚନା ଭୁଲ୍ ଉପକରଣରେ ପହଞ୍ଚିବା ଏବଂ ଲେଖାଟି ପଢ଼ିବାକୁ ଭଲ ଲାଗୁଥିବାରୁ ଲୋକେ ଫଳାଫଳକୁ ବିଶ୍ୱାସ କରିବା। NISTର ଜନନକ୍ଷମ କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା ସମ୍ବନ୍ଧୀୟ ବିବରଣୀରେ ମନଗଢ଼ା ତଥ୍ୟ ତିଆରି କରିବାକୁ ଏହି ପ୍ରଯୁକ୍ତିର ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ବିପଦ ଭାବେ ଚିହ୍ନଟ କରାଯାଇଛି। ଏହାର ସଂଜ୍ଞା ହେଉଛି ଆତ୍ମବିଶ୍ୱାସର ସହ ଉପସ୍ଥାପିତ, କିନ୍ତୁ ତ୍ରୁଟିପୂର୍ଣ୍ଣ କିମ୍ବା ମିଥ୍ୟା ବିଷୟବସ୍ତୁ ତିଆରି କରିବା। ଏଥିରେ ସ୍ୱୟଂଚାଳନ ପକ୍ଷପାତ, ଅର୍ଥାତ୍ ସ୍ୱୟଂଚାଳିତ ବ୍ୟବସ୍ଥାକୁ ଅତ୍ୟଧିକ ଭରସା କରିବା ବିଷୟରେ ମଧ୍ୟ ବର୍ଣ୍ଣନା କରାଯାଇଛି ଏବଂ ଏହା ଅନ୍ୟ ବିପଦକୁ ବଢ଼ାଇପାରେ ବୋଲି ଉଲ୍ଲେଖ ରହିଛି। ସରଳ ଭାଷାରେ: ଉପକରଣଟି ବେଳେବେଳେ ଭୁଲ୍ କରିବ, ଆଉ ଲୋକମାନଙ୍କର ତାହାକୁ ବିଶ୍ୱାସ କରିବାର ପ୍ରବଣତା ରହିଛି।

ଯୁକ୍ତରାଜ୍ୟର ମାର୍ଗଦର୍ଶନ ମଧ୍ୟ ସମାନ ଦିଗକୁ ସୂଚାଏ। ସାର୍ବଜନୀନ ବୃହତ୍ ଭାଷା ମଡେଲ୍‌କୁ ପଚରାଯାଉଥିବା ପ୍ରଶ୍ନରେ ସମ୍ବେଦନଶୀଳ ସୂଚନା ନ ଦେବାକୁ NCSC ପରାମର୍ଶ ଦିଏ। Acas ନିଯୁକ୍ତିଦାତାଙ୍କୁ ପରାମର୍ଶ ଦିଏ ଯେ ମିଳୁଥିବା ଉତ୍ତରର ସଠିକତା, ଭାଷାର ସ୍ୱର ଓ ପକ୍ଷପାତ ଯାଞ୍ଚ କରାଯିବା ଉଚିତ, ପ୍ରଚଳିତ ତଥ୍ୟ ଗୋପନୀୟତା ନୀତି କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତାର ବ୍ୟବହାର ପାଇଁ ମଧ୍ୟ ଲାଗୁ ହୁଏ ଏବଂ ସର୍ବୋତ୍ତମ ଫଳ ପାଇବା ପାଇଁ କର୍ମଚାରୀଙ୍କୁ ପ୍ରଶିକ୍ଷଣ ଦରକାର ହୋଇପାରେ। ବ୍ୟକ୍ତିଗତ ତଥ୍ୟ ସମ୍ପୃକ୍ତ ଥିଲେ, କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା ଓ ତଥ୍ୟ ସୁରକ୍ଷା ସମ୍ପର୍କିତ ICOର ମାର୍ଗଦର୍ଶନରେ ଉତ୍ତରଦାୟିତ୍ୱ, ଆଇନସମ୍ମତ ଆଧାର ଏବଂ ତଥ୍ୟ ସୁରକ୍ଷା ଉପରେ ପ୍ରଭାବର ମୂଲ୍ୟାୟନ ବିଷୟ ଅନ୍ତର୍ଭୁକ୍ତ ଅଛି। ଏହି ମାର୍ଗଦର୍ଶିକା ସାଧାରଣ ସୂଚନା ଦିଏ, ଆଇନଗତ ପରାମର୍ଶ ନୁହେଁ; ନିଜ ପରିସ୍ଥିତି ଅନୁଯାୟୀ ପରାମର୍ଶ ନିଅନ୍ତୁ।

ସମାଧାନଟି ନିରସ, କିନ୍ତୁ ପ୍ରଭାବଶାଳୀ। ପ୍ରତ୍ୟେକ ଅନୁମୋଦିତ କାମ ପାଇଁ ଜଣେ ନିର୍ଦ୍ଦିଷ୍ଟ ସମୀକ୍ଷକ ଥାଆନ୍ତି, କ’ଣ ଯାଞ୍ଚ କରିବାକୁ ହେବ ସେ ଜାଣନ୍ତି (ଉତ୍ସ ସହ ତଥ୍ୟ ମେଳାଇବା, ସଂଖ୍ୟା ପୁଣି ଗଣନା କରିବା, କମ୍ପାନୀ ପୂରଣ କରିପାରିବ ନାହିଁ ଏପରି ପ୍ରତିଶ୍ରୁତି ଖୋଜିବା, ପାଠକଙ୍କ ପାଇଁ ଉପଯୁକ୍ତ ଭାଷାଭଙ୍ଗୀ ଯାଞ୍ଚ କରିବା), ଏବଂ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପରିଣାମ ଥିବା ଯେକୌଣସି କାମକୁ ବିଷୟ ବୁଝୁଥିବା ଜଣେ ବ୍ୟକ୍ତି ଚୂଡ଼ାନ୍ତ ଅନୁମୋଦନ ଦିଅନ୍ତି। AI ତିଆରି କରିଥିବା ଫଳାଫଳର ତଥ୍ୟ ଯାଞ୍ଚ ପାଇଁ ଆମ ମାର୍ଗଦର୍ଶିକା ଏହାକୁ ଲୋକେ ଅଭ୍ୟାସ କରିପାରିବା ଭଳି ଏକ ନିୟମିତ ପ୍ରକ୍ରିୟାରେ ପରିଣତ କରେ।

କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତାର ବ୍ୟବହାର ଆରମ୍ଭ ହେବା ପରେ ଲୋକମାନେ ଏହାକୁ ବ୍ୟବହାର କରିବା କାହିଁକି ଛାଡ଼ିଦିଅନ୍ତି?

ନିଜର କେଉଁ କାମରେ AI ସାହାଯ୍ୟ କରେ ତାହା ବୁଝି ନ ପାରିଲେ, କେଉଁ ତଥ୍ୟ ଲଗାଇବାକୁ ଅନୁମତି ଅଛି ତାହା ନିଶ୍ଚିତ ନ ଥିଲେ, କିମ୍ବା ଆରମ୍ଭରୁ ଏକ ଖରାପ ଫଳାଫଳ ଦେଖି ଏହାକୁ ଯାଞ୍ଚ କରିବାର ଲାଭ ନାହିଁ ବୋଲି ଭାବିଲେ, ଲୋକେ ବ୍ୟବହାର ବନ୍ଦ କରିଦିଅନ୍ତି। ବ୍ୟବହାରକାରୀ ଲାଇସେନ୍ସ କିଣିବା ଏଥିରୁ କୌଣସି ସମସ୍ୟାର ସମାଧାନ କରେ ନାହିଁ। DSIT ଗବେଷଣାରେ, ପୂର୍ବରୁ AI ବ୍ୟବହାର କରୁଥିବା ବ୍ୟବସାୟଗୁଡ଼ିକ ଜଣାଇଥିଲେ ଯେ ହାରାହାରି 30% କର୍ମଚାରୀ ଏହା ବ୍ୟବହାର କରୁଥିଲେ, ଏବଂ 77% କହିଥିଲେ ଯେ ସେମାନଙ୍କ ଅଧାରୁ କମ୍ କର୍ମଚାରୀ ଏହା ବ୍ୟବହାର କରୁଥିଲେ। ସେହି ସର୍ବେକ୍ଷଣରେ, AI ଆଦୌ ଗ୍ରହଣ ନ କରିବାର ସବୁଠାରୁ ଅଧିକ ଉଲ୍ଲେଖ କରାଯାଇଥିବା କାରଣ ଥିଲା ଆବଶ୍ୟକତା ଚିହ୍ନଟ ନ ହେବା ଏବଂ AI ସମ୍ବନ୍ଧୀୟ ଦକ୍ଷତା ଓ ବିଶେଷଜ୍ଞତା ସୀମିତ ଥିବା।

ସମାଧାନଟି ନିର୍ଦ୍ଦିଷ୍ଟ। ପ୍ରତ୍ୟେକ ଭୂମିକା ପାଇଁ ଦୁଇ କିମ୍ବା ତିନୋଟି ଅନୁମୋଦିତ କାମ ଦିଅନ୍ତୁ, ସାଙ୍ଗରେ ଏକ ନମୁନା ନିର୍ଦ୍ଦେଶ ଓ ସମୀକ୍ଷା ଯାଞ୍ଚତାଲିକା ରଖନ୍ତୁ, ସୀମାଗୁଡ଼ିକୁ ମନେ ରଖିହେବା ଭଳି ସଂକ୍ଷିପ୍ତ କରନ୍ତୁ ଏବଂ ଅଭ୍ୟାସ ପାଇଁ ଏକ ସୁରକ୍ଷିତ ସ୍ଥାନ ଦିଅନ୍ତୁ, ଯେଉଁଠାରେ ପ୍ରଥମ ଚେଷ୍ଟା ଖରାପ ହେଲେ କୌଣସି କ୍ଷତି ହୁଏ ନାହିଁ। AI ଗ୍ରହଣ ସମ୍ବନ୍ଧୀୟ ଆମ ମାର୍ଗଦର୍ଶିକାରେ ପ୍ରଚଳନ ପରେ କମ୍ ବ୍ୟବହାର ହେବାର ସମସ୍ୟା ବିଷୟରେ ବିସ୍ତୃତ ଆଲୋଚନା ରହିଛି, ଯେଉଁଥିରେ ପ୍ରଥମ ମାସରେ ଜଣେ ପରିଚାଳକ କ’ଣ କରିପାରିବେ ତାହା ମଧ୍ୟ ଅନ୍ତର୍ଭୁକ୍ତ।

ଆପଣଙ୍କ ବ୍ୟବସାୟରେ AI ଫଳପ୍ରଦ ହେଉଛି କି ନାହିଁ କିପରି ଜାଣିବେ?

ସାଧାରଣ ଭାବେ AI କୁ ମାପିବା ବଦଳରେ କିଛି ନିର୍ଦ୍ଦିଷ୍ଟ କାମକୁ ମାପନ କରନ୍ତୁ। ବ୍ୟବହାର ଆରମ୍ଭ କରିବା ପୂର୍ବରୁ ଗୋଟିଏ କାମରେ ପ୍ରାୟ କେତେ ସମୟ ଲାଗୁଛି ଏବଂ ସମୀକ୍ଷକ କେତେଥର ତାହା ଫେରାଇ ଦେଉଛନ୍ତି, ଲେଖି ରଖନ୍ତୁ। ଚାରିରୁ ଛଅ ସପ୍ତାହ ପରେ ସେହି କାମକୁ ଦେଖନ୍ତୁ: ପ୍ରଥମ ଚିଠା ଅଧିକ ବ୍ୟବହାରଯୋଗ୍ୟ ହେଉଛି କି, ସମୀକ୍ଷକଙ୍କୁ କମ୍ ସଂଶୋଧନ କରିବାକୁ ପଡ଼ୁଛି କି, ଏବଂ ଗ୍ରାହକଙ୍କ ପାଖରେ ପହଞ୍ଚିବା ପୂର୍ବରୁ ଭୁଲ୍ ଧରାପଡ଼ୁଛି କି? ଲଗଇନ୍ ସଂଖ୍ୟା ଅପେକ୍ଷା ଏହି ପର୍ଯ୍ୟବେକ୍ଷଣଗୁଡ଼ିକ ଅଧିକ ଉପଯୋଗୀ।

ନିଜେ ଜଣାଇଥିବା ଲାଭ ପ୍ରତି ସତର୍କ ରୁହନ୍ତୁ, ନିଜର ଲାଭ ହେଲେ ମଧ୍ୟ। DSIT ସର୍ବେକ୍ଷଣରେ AI ବ୍ୟବହାର କରୁଥିବା 56% ବ୍ୟବସାୟ କର୍ମଚାରୀଙ୍କ ଉତ୍ପାଦକତା ବଢ଼ିଥିବା କହିଥିଲେ, ଯେତେବେଳେ 77% ରାଜସ୍ୱରେ ଏପର୍ଯ୍ୟନ୍ତ କୌଣସି ପରିବର୍ତ୍ତନ ହୋଇନଥିବା କହିଥିଲେ। ରିପୋର୍ଟରେ ମଧ୍ୟ ଏଗୁଡ଼ିକ ନିଜେ ଜଣାଇଥିବା ଅନୁମାନ ବୋଲି ଉଲ୍ଲେଖ ଅଛି। ଆପଣଙ୍କ କମ୍ପାନିରେ ପ୍ରମାଣକୁ କାମ ସହ ଯୋଡ଼ି ରଖନ୍ତୁ: କାମର ପୂର୍ବ ଓ ପରର କିଛି ନମୁନା, ସମୀକ୍ଷକଙ୍କ ଟିପ୍ପଣୀ ଏବଂ କାମ କରୁଥିବା ଲୋକଙ୍କ ସହ ଏକ ସଂକ୍ଷିପ୍ତ ଆଲୋଚନା।

କେଉଁ ପରିସ୍ଥିତିରେ ବ୍ୟବସାୟିକ ସମସ୍ୟା ପାଇଁ AI ଭୁଲ ସମାଧାନ?

ମୂଳ ପ୍ରକ୍ରିୟା ଅସ୍ପଷ୍ଟ ଥିଲେ, ଫଳାଫଳକୁ କେହି ଯାଞ୍ଚ କରିପାରୁନଥିଲେ କିମ୍ବା କାମଟି କୌଣସି ବ୍ୟକ୍ତିଙ୍କ ବିଷୟରେ ନିଷ୍ପତ୍ତି ନେବା ହୋଇଥିଲେ, AI ରୁ ଆରମ୍ଭ କରିବା ଭୁଲ। ଆପଣଙ୍କ ମୂଲ୍ୟ ପ୍ରସ୍ତାବ ଦେବା ପ୍ରକ୍ରିୟାରେ ଏକରୂପତା ନଥିଲେ, ସହାୟକଟି ଆହୁରି ଶୀଘ୍ର ଅସଙ୍ଗତ ମୂଲ୍ୟ ପ୍ରସ୍ତାବ ତିଆରି କରିବ। ଟିକସ ସମ୍ବନ୍ଧୀୟ ବ୍ୟାଖ୍ୟା ଠିକ୍ କି ନୁହେଁ ବୋଲି କମ୍ପାନୀରେ କେହି କହିପାରୁନଥିଲେ, ସାଧନଟି ସେହି ବ୍ୟାଖ୍ୟା ଲେଖିବା ଉଚିତ ନୁହେଁ। କାହାକୁ ନିଯୁକ୍ତି, ପଦୋନ୍ନତି ବା ଶୃଙ୍ଖଳାଗତ ଦଣ୍ଡ ଦିଆଯିବ କିମ୍ବା ସେବା ଦେବାକୁ ମନା କରାଯିବ ବୋଲି କୌଣସି କାମରେ ନିଷ୍ପତ୍ତି ହେଉଥିଲେ, ଏକ ସାଧାରଣ ସହାୟକ ଓ ତରବରିଆ ସମୀକ୍ଷା ଅପେକ୍ଷା ବହୁତ ଅଧିକ ସତର୍କ ପଦ୍ଧତି ଦରକାର।

କାମର ପରିମାଣ ଖୁବ୍ କମ୍ ଥିଲେ ମଧ୍ୟ ଏହା ଠିକ୍ ସମାଧାନ ନୁହେଁ। ମାସକୁ ଯୋଗାଣକାରୀଙ୍କ ପାଇଁ ଗୋଟିଏ ଇମେଲ୍ ଲେଖିବା ନିମନ୍ତେ ନୂଆ ଟୁଲ୍, ନୀତି ଓ ପ୍ରଶିକ୍ଷଣ ଆବଶ୍ୟକ ନୁହେଁ। ଏହା ଆପଣଙ୍କ ପାଖରେ ନଥିବା ବିଶେଷଜ୍ଞତାର ବିକଳ୍ପ ମଧ୍ୟ ନୁହେଁ: AI ଜଣେ ଯୋଗ୍ୟ ବ୍ୟକ୍ତିଙ୍କୁ ଶୀଘ୍ର କାମ କରିବାରେ ସାହାଯ୍ୟ କରିପାରେ, କିନ୍ତୁ ଜଣେ ଅଯୋଗ୍ୟ ବ୍ୟକ୍ତିଙ୍କ କାମକୁ ନିରାପଦରେ ଭରସା କରିବାଯୋଗ୍ୟ କରିପାରିବ ନାହିଁ। କୌଣସି ବ୍ୟବହାରକୁ ମନା କରିବା ମଧ୍ୟ ସମୀକ୍ଷାର ଏକ ସମ୍ପୂର୍ଣ୍ଣ ଗ୍ରହଣଯୋଗ୍ୟ ଫଳାଫଳ।

ପ୍ରଶିକ୍ଷଣର ଭୂମିକା କ’ଣ ଏବଂ ଏଥିରେ Tosheo.ai କିପରି ସହାୟତା କରେ?

ଅଧିକାଂଶ ଛୋଟ କମ୍ପାନୀ ପ୍ରଶିକ୍ଷଣକୁ ଏଡ଼ାଇ ଯାଆନ୍ତି, କାରଣ ଉପକରଣଗୁଡ଼ିକ ବ୍ୟବହାର କରିବା ସହଜ ଲାଗେ। ସମସ୍ୟାଟି କେଉଁ ବଟନ୍ ଦବାଇବାକୁ ହେବ ତାହା ଜାଣିବାରେ କ୍ୱଚିତ୍ ଥାଏ; ବରଂ କେଉଁ ପୃଷ୍ଠଭୂମି ତଥ୍ୟ ଦେବାକୁ ହେବ, କେଉଁ ତଥ୍ୟ ଦେବା ଉଚିତ ନୁହେଁ ଏବଂ ନିର୍ଦ୍ଦିଷ୍ଟ କାମ ପାଇଁ ଫଳାଫଳକୁ କିପରି ଯାଞ୍ଚ କରିବାକୁ ହେବ, ତାହା ଜାଣିବାରେ ଥାଏ। ଏକ ସାଧାରଣ ପାଠ୍ୟକ୍ରମ ଦେଖିବା ଅପେକ୍ଷା, ବାସ୍ତବ କାମ ଅଭ୍ୟାସ କରି ଓ ତାହା ଉପରେ ମତାମତ ପାଇ ଏହା ଶିଖିବା ସବୁଠାରୁ ସହଜ।

Tosheo.ai 5 ରୁ 200 ଜଣଙ୍କ ଦଳ ପାଇଁ ଠିକ୍ ସେହି କାମ କରିବାକୁ ତିଆରି କରାଯାଉଛି। ଉନ୍ମୋଚନ ସମୟରେ ପରିଚାଳକ ଭୂମିକା ଏବଂ ଦଳ ବ୍ୟବହାର କରୁଥିବା କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା ସାଧନଗୁଡ଼ିକ ବାଛିବେ ବୋଲି ଯୋଜନା ରହିଛି। ପ୍ରତ୍ୟେକ ବ୍ୟକ୍ତି ଏକ ସଂକ୍ଷିପ୍ତ ଦକ୍ଷତା ଯାଞ୍ଚ ଦେଇ 10 ରୁ 15 ମିନିଟ୍‌ର ପାଠଗୁଡ଼ିକ ପଢ଼ିବେ। ପ୍ରତ୍ୟେକ ପାଠ ଏକ ପ୍ରକୃତ କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା ସାଧନରେ ନିଜେ କରିବାକୁ ଥିବା କାମ ସହ ଶେଷ ହେବ ଏବଂ ଦେଖିହେଉଥିବା ମୂଲ୍ୟାୟନ ମାନଦଣ୍ଡ ଅନୁସାରେ ଅଙ୍କ ପାଇବ। ପରିଚାଳକମାନେ ଦକ୍ଷତାର ପ୍ରଗତି ଓ ପାଠ ସମାପ୍ତି ଦେଖିପାରିବେ ବୋଲି ଯୋଜନା ରହିଛି, କଥାବାର୍ତ୍ତାର ଅପରିବର୍ତ୍ତିତ ରେକର୍ଡ କେବେ ମଧ୍ୟ ନୁହେଁ। ଉତ୍ପାଦର ନିର୍ମାଣ ଏଯାଏଁ ଆରମ୍ଭ ହୋଇନାହିଁ, ତେଣୁ ଦେଖାଇବା ପାଇଁ କୌଣସି ଗ୍ରାହକଙ୍କ ଫଳାଫଳ ନାହିଁ। ପ୍ରସ୍ତାବିତ ମୂଲ୍ୟଗୁଡ଼ିକ ମୂଲ୍ୟ ପୃଷ୍ଠାରେ ରହିଛି। ଯଦି ଆପଣଙ୍କୁ କେବଳ ଏକ ନୀତି କିମ୍ବା ପ୍ରାରମ୍ଭିକ କାମ ତାଲିକା ଦରକାର, ତେବେ ଏହି ସାଇଟ୍‌ର ମାଗଣା ମାର୍ଗଦର୍ଶିକାଗୁଡ଼ିକ ଯଥେଷ୍ଟ ହୋଇପାରେ।

ଉତ୍ସ ଓ ପରିସର

DSIT, AI ଗ୍ରହଣ ସମ୍ପର୍କିତ ଗବେଷଣା ରିପୋର୍ଟ (କ୍ଷେତ୍ର ଗବେଷଣା February ରୁ May 2025), ପ୍ରକାଶିତ January 2026 ↗

GOV.UK, AI ଗ୍ରହଣ ସମ୍ପର୍କିତ ଗବେଷଣା ପ୍ରକାଶନ ପୃଷ୍ଠା, ଫେବୃଆରୀ 2026ରେ ସଂଶୋଧିତ ↗

NIST, AI ବିପଦ ପରିଚାଳନା ଢାଞ୍ଚାର ସାରାଂଶ, ଜାନୁଆରୀ 2023 ↗

NIST, AI RMF କାର୍ଯ୍ୟପୁସ୍ତିକା: ପରିଚାଳନା ↗

NIST, AI 600-1 ସୃଜନଶୀଳ AI ପରିଚୟପତ୍ର, ଜୁଲାଇ 2024 ↗

NCSC, ChatGPT ଓ ବୃହତ୍ ଭାଷା ମଡେଲ୍: ବିପଦ କ’ଣ?, 14 ମାର୍ଚ୍ଚ 2023 ↗

Acas, ଏକ ତୃତୀୟାଂଶ ନିଯୁକ୍ତିଦାତା ଭାବନ୍ତି ଯେ AI ଉତ୍ପାଦକତା ବଢ଼ାଇବ, 15 ମେ 2025 ↗

ICO, AI ଓ ତଥ୍ୟ ସୁରକ୍ଷା ସମ୍ବନ୍ଧୀୟ ମାର୍ଗଦର୍ଶନ, 15 ମାର୍ଚ୍ଚ 2023 ତାରିଖର ↗

Anthropic ଗୋପନୀୟତା କେନ୍ଦ୍ର, ମୋ ତଥ୍ୟ ମଡେଲ୍ ପ୍ରଶିକ୍ଷଣ ପାଇଁ ବ୍ୟବହାର କରାଯାଏ କି? (ବ୍ୟବସାୟିକ ଉତ୍ପାଦ), 16 ଅକ୍ଟୋବର 2026ରେ ଯାଞ୍ଚ କରାଯାଇଛି ↗