99TV News

    సింథటిక్ డేటా Bottleneck: AI ట్రైనింగ్‌కు కొత్త సవాల్

    సింథటిక్ డేటా Bottleneck: మానవ డేటా కొరతతో AI డెవలపర్లకు సవాల్

    సింథటిక్ డేటాపై ఆధారపడుతున్న ఏఐ అభివృద్ధి రంగం

    మానవులు సృష్టించిన నాణ్యమైన ఇంటర్నెట్ డేటా కొరతతో కృత్రిమ శిక్షణ సెట్‌ల వైపు డెవలపర్ల మొగ్గు పెరుగుతోంది

    కృత్రిమ మేధ అభివృద్ధిలో కీలకమైన మానవ నిర్మిత ఇంటర్నెట్ డేటా లభ్యతపై ఆందోళనలు పెరుగుతున్న నేపథ్యంలో, పెద్ద ఏఐ మోడళ్ల శిక్షణకు డెవలపర్లు సింథటిక్ డేటాపై మరింతగా ఆధారపడుతున్నారు. డేటా నాణ్యత, వైవిధ్యం, నమ్మకార్హత ఇప్పుడు ప్రధాన సవాళ్లుగా మారాయి.

    పెద్ద భాషా మోడళ్లు, మల్టీమోడల్ ఏఐ వ్యవస్థలు ఇప్పటివరకు వెబ్‌సైట్లు, పుస్తకాలు, ఆర్టికల్స్, కోడ్ రిపాజిటరీలు, అకడమిక్ పేపర్లు, ఫోరమ్ పోస్టులు, చిత్రాలు, ఆడియో, వీడియో కంటెంట్‌లపై విస్తృతంగా శిక్షణ పొందాయి. అయితే ఈ వనరుల్లో నిజంగా ఉపయోగకరమైన, చట్టపరంగా వినియోగించగల, పునరావృతం కాని, తాజా మానవ డేటా పరిమితమవుతోందని రంగ నిపుణులు చెబుతున్నారు. “సమస్య ఇంటర్నెట్‌లో డేటా లేకపోవడం కాదు; శిక్షణకు సరిపడే నాణ్యమైన డేటా వేగంగా అరుదవడం,” అని హైదరాబాద్‌కు చెందిన ఏఐ పరిశోధకుడు డాక్టర్ కిరణ్ రావు శుక్రవారం అన్నారు.

    ఈ పరిస్థితిలో సింథటిక్ డేటా పరిష్కారంగా ముందుకొస్తోంది. ఏఐ రాసిన పాఠ్యాలు, ప్రశ్నోత్తర జంటలు, సిమ్యులేటెడ్ సంభాషణలు, మోడల్ సృష్టించిన కోడ్, స్వయంచాలక లేబులింగ్, అరుదైన పరిస్థితుల నమూనాలు వంటి వాటిని శిక్షణలో వాడుతున్నారు. “సింథటిక్ డేటా వేగంగా తయారవుతుంది; కానీ అది నిజమైన ప్రపంచ వైవిధ్యాన్ని ప్రతిబింబించకపోతే మోడల్ నాణ్యత దెబ్బతింటుంది,” అని బెంగళూరులోని డేటా సైన్స్ కన్సల్టెంట్ అనన్య శ్రీధర్ అన్నారు.

    HIGHLIGHTS

    - మానవ నిర్మిత నాణ్యమైన డేటా సరఫరా పరిమితమవుతోంది

    - సింథటిక్ డేటా శిక్షణలో వేగంగా పెరుగుతున్న వనరు

    - నాణ్యత, వైవిధ్యం, ధృవీకరణ ప్రధాన సవాళ్లు

    - మోడల్ అవుట్‌పుట్‌పై మళ్లీ శిక్షణ ప్రమాదకరం

    నిపుణుల ప్రకారం, సింథటిక్ డేటా ఖర్చును తగ్గించగలదు, ప్రత్యేక రంగాల కోసం డేటాను రూపొందించగలదు, గోప్యతా సమస్యలను కొంత తగ్గించగలదు. రోబోటిక్స్, ఆటోనమస్ సిస్టమ్స్, వైద్య సిమ్యులేషన్, అరుదైన ప్రమాద పరిస్థితుల మోడలింగ్ వంటి రంగాల్లో ఇది ఉపయోగకరంగా ఉంటుంది. అయితే సరైన ఫిల్టరింగ్ లేకుండా ఏఐ ఉత్పత్తులనే మళ్లీ శిక్షణకు వాడితే పొరపాట్లు స్థిరపడే ప్రమాదం ఉందని వారు హెచ్చరిస్తున్నారు. “తన ఉత్పత్తులనే నిరంతరం తిరిగి చదివే మోడల్, కొత్తదనాన్ని కోల్పోవచ్చు,” అని చెన్నైకి చెందిన టెక్నాలజీ పాలసీ విశ్లేషకురాలు మీరా నందకుమార్ చెప్పారు.

    తదుపరి దశలో కంపెనీలు సింథటిక్ డేటాకు కఠినమైన ధృవీకరణ, మానవ సమీక్ష, మూలాల ట్రాకింగ్, చట్టపరమైన అనుగుణత విధానాలను అమలు చేయాల్సి ఉంటుంది. పరిశోధకులు మిశ్రమ విధానాన్ని సూచిస్తున్నారు: పరిమితమైన కానీ అధిక నాణ్యమైన మానవ డేటాను, నియంత్రిత సింథటిక్ డేటాతో కలపడం. రాబోయే నెలల్లో పెద్ద మోడల్ డెవలపర్లు తమ డేటా వ్యూహాలు, భద్రతా ప్రమాణాలు, పారదర్శకత చర్యలపై మరింత స్పష్టత ఇవ్వాల్సి ఉంటుందని పరిశ్రమ వర్గాలు చెబుతున్నాయి.