ਅਸਲ ਚੁਣੌਤੀ: ਐਂਟਰਪ੍ਰਾਈਜ਼ ਏਆਈ ਐਪਲੀਕੇਸ਼ਨਾਂ ਬਣਾਉਣਾ

ਅਸਲ ਚੁਣੌਤੀ: ਐਂਟਰਪ੍ਰਾਈਜ਼ ਏਆਈ ਐਪਲੀਕੇਸ਼ਨਾਂ ਬਣਾਉਣਾ

ਹਰ ਸਾਲ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ (LLMs) ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਬੇਅੰਤ ਸਰੋਤ ਡੋਲ੍ਹੇ ਜਾਂਦੇ ਹਨ, ਪਰ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਰੁਕਾਵਟ ਬਾਕੀ ਹੈ: ਇਹਨਾਂ ਮਾਡਲਾਂ ਨੂੰ ਅਮਲੀ, ਲਾਭਦਾਇਕ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਜੋੜਨਾ।

ਫਾਈਨ-ਟਿਊਨਿੰਗ ਦਾ ਭਰਮ

ਫਾਈਨ-ਟਿਊਨਿੰਗ ਅਤੇ ਰੀਟਰੀਵਲ ਔਗਮੈਂਟਡ ਜਨਰੇਸ਼ਨ (RAG) ਨੂੰ ਆਮ ਤੌਰ ‘ਤੇ ਪਹਿਲਾਂ ਤੋਂ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ AI ਮਾਡਲਾਂ ਦੇ ਗਿਆਨ ਅਤੇ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਵਧਾਉਣ ਲਈ ਚੰਗੀ ਤਰ੍ਹਾਂ ਸਥਾਪਿਤ ਤਰੀਕੇ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ। ਹਾਲਾਂਕਿ, Aleph Alpha ਦੇ CEO ਜੋਨਸ ਐਂਡਰੂਲਿਸ ਨੇ ਇਸ਼ਾਰਾ ਕੀਤਾ ਕਿ ਅਸਲੀਅਤ ਵਧੇਰੇ ਗੁੰਝਲਦਾਰ ਹੈ।

“ਇੱਕ ਸਾਲ ਪਹਿਲਾਂ, ਇਹ ਵਿਆਪਕ ਤੌਰ ‘ਤੇ ਮੰਨਿਆ ਜਾਂਦਾ ਸੀ ਕਿ ਫਾਈਨ-ਟਿਊਨਿੰਗ ਇੱਕ ਜਾਦੂਈ ਹੱਲ ਸੀ। ਜੇ ਇੱਕ AI ਸਿਸਟਮ ਲੋੜੀਂਦੇ ਢੰਗ ਨਾਲ ਕੰਮ ਨਹੀਂ ਕਰਦਾ ਹੈ, ਤਾਂ ਜਵਾਬ ਸਿਰਫ਼ ਫਾਈਨ-ਟਿਊਨਿੰਗ ਸੀ। ਇਹ ਇੰਨਾ ਸੌਖਾ ਨਹੀਂ ਹੈ,” ਉਸਨੇ ਸਮਝਾਇਆ।

ਜਦੋਂ ਕਿ ਫਾਈਨ-ਟਿਊਨਿੰਗ ਇੱਕ ਮਾਡਲ ਦੀ ਸ਼ੈਲੀ ਜਾਂ ਵਿਵਹਾਰ ਨੂੰ ਬਦਲ ਸਕਦੀ ਹੈ, ਇਹ ਨਵੀਂ ਜਾਣਕਾਰੀ ਸਿਖਾਉਣ ਲਈ ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਪਹੁੰਚ ਨਹੀਂ ਹੈ। ਇਹ ਉਮੀਦ ਕਰਨਾ ਕਿ ਫਾਈਨ-ਟਿਊਨਿੰਗ ਇਕੱਲੇ ਹੀ AI ਐਪਲੀਕੇਸ਼ਨ ਦੇ ਸਾਰੇ ਮਸਲਿਆਂ ਨੂੰ ਹੱਲ ਕਰ ਸਕਦੀ ਹੈ, ਇੱਕ ਗਲਤ ਧਾਰਨਾ ਹੈ।

RAG: ਇੱਕ ਵਿਕਲਪਿਕ ਪਹੁੰਚ

RAG ਇੱਕ ਲਾਇਬ੍ਰੇਰੀਅਨ ਦੀ ਤਰ੍ਹਾਂ ਕੰਮ ਕਰਕੇ ਇੱਕ ਵਿਕਲਪਿਕ ਪਹੁੰਚ ਪੇਸ਼ ਕਰਦਾ ਹੈ ਜੋ ਇੱਕ ਬਾਹਰੀ ਪੁਰਾਲੇਖ ਤੋਂ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ। ਇਹ ਪਹੁੰਚ ਮਾਡਲ ਨੂੰ ਮੁੜ ਸਿਖਲਾਈ ਜਾਂ ਫਾਈਨ-ਟਿਊਨ ਕੀਤੇ ਬਿਨਾਂ ਡਾਟਾਬੇਸ ਦੇ ਅੰਦਰ ਜਾਣਕਾਰੀ ਨੂੰ ਅਪਡੇਟ ਅਤੇ ਬਦਲਣ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਤਿਆਰ ਕੀਤੇ ਨਤੀਜਿਆਂ ਨੂੰ ਸ਼ੁੱਧਤਾ ਲਈ ਦਰਸਾਇਆ ਅਤੇ ਆਡਿਟ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

“ਵਿਸ਼ੇਸ਼ ਗਿਆਨ ਨੂੰ ਹਮੇਸ਼ਾ ਦਸਤਾਵੇਜ਼ੀ ਰੂਪ ਵਿੱਚ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ LLM ਦੇ ਮਾਪਦੰਡਾਂ ਵਿੱਚ ਸਟੋਰ ਨਹੀਂ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ,” ਐਂਡਰੂਲਿਸ ਨੇ ਜ਼ੋਰ ਦਿੱਤਾ।

ਜਦੋਂ ਕਿ RAG ਬਹੁਤ ਸਾਰੇ ਲਾਭ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਇਸਦੀ ਸਫਲਤਾ ਮਾਡਲ ਨੂੰ ਸਮਝਣ ਯੋਗ ਫਾਰਮੈਟ ਵਿੱਚ ਮੁੱਖ ਪ੍ਰਕਿਰਿਆਵਾਂ, ਵਿਧੀਆਂ ਅਤੇ ਸੰਸਥਾਗਤ ਗਿਆਨ ਦੇ ਸਹੀ ਦਸਤਾਵੇਜ਼ੀਕਰਨ ‘ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। ਬਦਕਿਸਮਤੀ ਨਾਲ, ਅਕਸਰ ਅਜਿਹਾ ਨਹੀਂ ਹੁੰਦਾ।

ਇੱਥੋਂ ਤੱਕ ਕਿ ਜਦੋਂ ਦਸਤਾਵੇਜ਼ ਮੌਜੂਦ ਹੁੰਦੇ ਹਨ, ਉੱਦਮਾਂ ਨੂੰ ਸਮੱਸਿਆਵਾਂ ਆ ਸਕਦੀਆਂ ਹਨ ਜੇਕਰ ਦਸਤਾਵੇਜ਼ ਜਾਂ ਪ੍ਰਕਿਰਿਆਵਾਂ ਆਊਟ-ਆਫ-ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਡਾਟਾ ‘ਤੇ ਨਿਰਭਰ ਕਰਦੀਆਂ ਹਨ - ਡਾਟਾ ਜੋ ਬੇਸ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਵਰਤੇ ਗਏ ਡਾਟਾ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਤੌਰ ‘ਤੇ ਵੱਖਰਾ ਹੁੰਦਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਇੱਕ ਮਾਡਲ ਜਿਸਨੂੰ ਸਿਰਫ਼ ਅੰਗਰੇਜ਼ੀ ਡੇਟਾਸੈਟਾਂ ‘ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਹੈ, ਜਰਮਨ ਦਸਤਾਵੇਜ਼ਾਂ ਨਾਲ ਸੰਘਰਸ਼ ਕਰੇਗਾ, ਖਾਸ ਕਰਕੇ ਜੇ ਇਸ ਵਿੱਚ ਵਿਗਿਆਨਕ ਫਾਰਮੂਲੇ ਸ਼ਾਮਲ ਹਨ। ਬਹੁਤ ਸਾਰੇ ਮਾਮਲਿਆਂ ਵਿੱਚ, ਮਾਡਲ ਡਾਟਾ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਵਿੱਚ ਅਸਮਰੱਥ ਹੋ ਸਕਦਾ ਹੈ।

ਇਸ ਲਈ, ਐਂਡਰੂਲਿਸ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ ਕਿ ਅਰਥਪੂਰਨ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਆਮ ਤੌਰ ‘ਤੇ ਫਾਈਨ-ਟਿਊਨਿੰਗ ਅਤੇ RAG ਦਾ ਸੁਮੇਲ ਜ਼ਰੂਰੀ ਹੁੰਦਾ ਹੈ। ਇਹ ਹਾਈਬ੍ਰਿਡ ਪਹੁੰਚ ਆਪਣੀਆਂ ਵਿਅਕਤੀਗਤ ਸੀਮਾਵਾਂ ਨੂੰ ਦੂਰ ਕਰਨ ਲਈ ਦੋਵਾਂ ਤਰੀਕਿਆਂ ਦੀਆਂ ਸ਼ਕਤੀਆਂ ਦਾ ਲਾਭ ਉਠਾਉਂਦੀ ਹੈ।

ਪਾੜੇ ਨੂੰ ਪੂਰਾ ਕਰਨਾ

Aleph Alpha ਦਾ ਉਦੇਸ਼ ਉੱਦਮਾਂ ਅਤੇ ਰਾਸ਼ਟਰਾਂ ਨੂੰ ਆਪਣੇ ਖੁਦ ਦੇ ਪ੍ਰਭੂਸੱਤਾ ਸੰਪੰਨ AI ਵਿਕਸਤ ਕਰਨ ਤੋਂ ਰੋਕਣ ਵਾਲੀਆਂ ਚੁਣੌਤੀਆਂ ਨਾਲ ਨਜਿੱਠ ਕੇ ਆਪਣੇ ਆਪ ਨੂੰ ਇੱਕ ਯੂਰਪੀਅਨ DeepMind ਵਜੋਂ ਵੱਖਰਾ ਕਰਨਾ ਹੈ।

ਪ੍ਰਭੂਸੱਤਾ ਸੰਪੰਨ AI ਤੋਂ ਭਾਵ ਹੈ ਇੱਕ ਰਾਸ਼ਟਰ ਦੇ ਅੰਦਰ ਬਣਾਏ ਜਾਂ ਤਾਇਨਾਤ ਹਾਰਡਵੇਅਰ ‘ਤੇ ਇਸਦੇ ਅੰਦਰੂਨੀ ਡੇਟਾਸੈਟਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਜਾਂ ਫਾਈਨ-ਟਿਊਨ ਕੀਤੇ ਗਏ ਮਾਡਲ। ਇਹ ਪਹੁੰਚ ਡਾਟਾ ਗੋਪਨੀਯਤਾ, ਸੁਰੱਖਿਆ ਅਤੇ ਨਿਯੰਤਰਣ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਂਦੀ ਹੈ, ਜੋ ਕਿ ਬਹੁਤ ਸਾਰੇ ਸੰਗਠਨਾਂ ਅਤੇ ਸਰਕਾਰਾਂ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹਨ।

“ਅਸੀਂ ਉੱਦਮਾਂ ਅਤੇ ਸਰਕਾਰਾਂ ਲਈ ਆਪਣੀ ਖੁਦ ਦੀ ਪ੍ਰਭੂਸੱਤਾ ਸੰਪੰਨ AI ਰਣਨੀਤੀ ਬਣਾਉਣ ਲਈ ਓਪਰੇਟਿੰਗ ਸਿਸਟਮ, ਨੀਂਹ ਬਣਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ,” ਐਂਡਰੂਲਿਸ ਨੇ ਕਿਹਾ। “ਸਾਡਾ ਉਦੇਸ਼ ਉੱਥੇ ਨਵੀਨਤਾ ਕਰਨਾ ਹੈ ਜਿੱਥੇ ਜ਼ਰੂਰੀ ਹੈ, ਜਦੋਂ ਕਿ ਸੰਭਵ ਹੋਵੇ ਤਾਂ ਓਪਨ ਸੋਰਸ ਅਤੇ ਅਤਿ-ਆਧੁਨਿਕ ਤਕਨਾਲੋਜੀਆਂ ਦਾ ਲਾਭ ਵੀ ਉਠਾਉਣਾ ਹੈ।”

ਜਦੋਂ ਕਿ ਇਸ ਵਿੱਚ ਕਦੇ-ਕਦਾਈਂ ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣਾ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ Aleph ਦਾ Pharia-1-LLM, ਐਂਡਰੂਲਿਸ ਨੇ ਜ਼ੋਰ ਦਿੱਤਾ ਕਿ ਉਹ Llama ਜਾਂ DeepSeek ਵਰਗੇ ਮੌਜੂਦਾ ਮਾਡਲਾਂ ਨੂੰ ਦੁਹਰਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਨਹੀਂ ਕਰ ਰਹੇ ਹਨ। ਉਹਨਾਂ ਦਾ ਧਿਆਨ ਵਿਲੱਖਣ ਹੱਲ ਬਣਾਉਣ ‘ਤੇ ਹੈ ਜੋ ਖਾਸ ਚੁਣੌਤੀਆਂ ਦਾ ਹੱਲ ਕਰਦੇ ਹਨ।

“ਮੈਂ ਹਮੇਸ਼ਾ ਸਾਡੀ ਖੋਜ ਨੂੰ ਅਰਥਪੂਰਨ ਤੌਰ ‘ਤੇ ਵੱਖਰੀਆਂ ਚੀਜ਼ਾਂ ‘ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਨ ਲਈ ਨਿਰਦੇਸ਼ਿਤ ਕਰਦਾ ਹਾਂ, ਨਾ ਕਿ ਸਿਰਫ਼ ਇਹ ਨਕਲ ਕਰਨ ਲਈ ਕਿ ਹਰ ਕੋਈ ਕੀ ਕਰ ਰਿਹਾ ਹੈ, ਕਿਉਂਕਿ ਉਹ ਪਹਿਲਾਂ ਹੀ ਮੌਜੂਦ ਹੈ,” ਐਂਡਰੂਲਿਸ ਨੇ ਕਿਹਾ। “ਸਾਨੂੰ ਇੱਕ ਹੋਰ Llama ਜਾਂ DeepSeek ਬਣਾਉਣ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ ਕਿਉਂਕਿ ਉਹ ਪਹਿਲਾਂ ਹੀ ਮੌਜੂਦ ਹਨ।”

ਇਸ ਦੀ ਬਜਾਏ, Aleph Alpha ਇਹਨਾਂ ਤਕਨਾਲੋਜੀਆਂ ਨੂੰ ਅਪਣਾਉਣ ਨੂੰ ਸਰਲ ਅਤੇ ਸੁਚਾਰੂ ਬਣਾਉਣ ਵਾਲੇ ਫਰੇਮਵਰਕ ਬਣਾਉਣ ‘ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦਾ ਹੈ। ਇੱਕ ਹਾਲੀਆ ਉਦਾਹਰਨ ਉਹਨਾਂ ਦਾ ਨਵਾਂ ਟੋਕਨਾਈਜ਼ਰ-ਮੁਕਤ, ਜਾਂ “T-Free,” ਸਿਖਲਾਈ ਆਰਕੀਟੈਕਚਰ ਹੈ, ਜਿਸਦਾ ਉਦੇਸ਼ ਉਹਨਾਂ ਮਾਡਲਾਂ ਨੂੰ ਫਾਈਨ-ਟਿਊਨ ਕਰਨਾ ਹੈ ਜੋ ਆਊਟ-ਆਫ-ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਡਾਟਾ ਨੂੰ ਵਧੇਰੇ ਕੁਸ਼ਲਤਾ ਨਾਲ ਸਮਝ ਸਕਦੇ ਹਨ।

ਰਵਾਇਤੀ ਟੋਕਨਾਈਜ਼ਰ-ਅਧਾਰਿਤ ਪਹੁੰਚਾਂ ਨੂੰ ਅਕਸਰ ਇੱਕ ਮਾਡਲ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਫਾਈਨ-ਟਿਊਨ ਕਰਨ ਲਈ ਆਊਟ-ਆਫ-ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਡਾਟਾ ਦੀ ਵੱਡੀ ਮਾਤਰਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇਹ ਗਣਨਾਤਮਕ ਤੌਰ ‘ਤੇ ਮਹਿੰਗਾ ਹੈ ਅਤੇ ਮੰਨਦਾ ਹੈ ਕਿ ਲੋੜੀਂਦਾ ਡਾਟਾ ਉਪਲਬਧ ਹੈ।

Aleph Alpha ਦਾ T-Free ਆਰਕੀਟੈਕਚਰ ਟੋਕਨਾਈਜ਼ਰ ਨੂੰ ਖਤਮ ਕਰਕੇ ਇਸ ਮੁੱਦੇ ਨੂੰ ਬਾਈਪਾਸ ਕਰਦਾ ਹੈ। ਫਿਨਿਸ਼ ਭਾਸ਼ਾ ਵਿੱਚ ਉਹਨਾਂ ਦੇ Pharia LLM ‘ਤੇ ਛੇਤੀ ਟੈਸਟਿੰਗ ਨੇ ਟੋਕਨਾਈਜ਼ਰ-ਅਧਾਰਿਤ ਪਹੁੰਚਾਂ ਦੇ ਮੁਕਾਬਲੇ ਸਿਖਲਾਈ ਦੀ ਲਾਗਤ ਅਤੇ ਕਾਰਬਨ ਫੁੱਟਪ੍ਰਿੰਟ ਵਿੱਚ 70 ਪ੍ਰਤੀਸ਼ਤ ਦੀ ਕਮੀ ਦਿਖਾਈ। ਇਹ ਨਵੀਨਤਾਕਾਰੀ ਪਹੁੰਚ ਫਾਈਨ-ਟਿਊਨਿੰਗ ਨੂੰ ਵਧੇਰੇ ਪਹੁੰਚਯੋਗ ਅਤੇ ਟਿਕਾਊ ਬਣਾਉਂਦੀ ਹੈ।

Aleph Alpha ਨੇ ਦਸਤਾਵੇਜ਼ੀ ਗਿਆਨ ਵਿੱਚ ਪਾੜਿਆਂ ਨੂੰ ਦੂਰ ਕਰਨ ਲਈ ਸਾਧਨ ਵੀ ਵਿਕਸਿਤ ਕੀਤੇ ਹਨ ਜੋ ਗਲਤ ਜਾਂ ਬੇਕਾਰ ਸਿੱਟਿਆਂ ਵੱਲ ਲੈ ਜਾ ਸਕਦੇ ਹਨ।

ਉਦਾਹਰਨ ਲਈ, ਜੇਕਰ ਇੱਕ ਪਾਲਣਾ ਪ੍ਰਸ਼ਨ ਨਾਲ ਸਬੰਧਤ ਦੋ ਇਕਰਾਰਨਾਮੇ ਇੱਕ ਦੂਜੇ ਨਾਲ ਵਿਰੋਧ ਕਰਦੇ ਹਨ, “ਸਿਸਟਮ ਮਨੁੱਖ ਨਾਲ ਸੰਪਰਕ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਕਹਿ ਸਕਦਾ ਹੈ, ‘ਮੈਨੂੰ ਇੱਕ ਅੰਤਰ ਮਿਲਿਆ ਹੈ… ਕੀ ਤੁਸੀਂ ਕਿਰਪਾ ਕਰਕੇ ਫੀਡਬੈਕ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦੇ ਹੋ ਕਿ ਕੀ ਇਹ ਇੱਕ ਅਸਲ ਵਿਵਾਦ ਹੈ?’” ਐਂਡਰੂਲਿਸ ਨੇ ਸਮਝਾਇਆ।

ਇਸ ਫਰੇਮਵਰਕ, ਜਿਸਨੂੰ Pharia Catch ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਦੁਆਰਾ ਇਕੱਠੀ ਕੀਤੀ ਜਾਣਕਾਰੀ ਨੂੰ ਐਪਲੀਕੇਸ਼ਨ ਦੇ ਗਿਆਨ ਅਧਾਰ ਵਿੱਚ ਵਾਪਸ ਫੀਡ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਜਾਂ ਵਧੇਰੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਮਾਡਲਾਂ ਨੂੰ ਫਾਈਨ-ਟਿਊਨ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਇਹ ਫੀਡਬੈਕ ਲੂਪ ਸਮੇਂ ਦੇ ਨਾਲ AI ਸਿਸਟਮ ਦੀ ਸ਼ੁੱਧਤਾ ਅਤੇ ਭਰੋਸੇਯੋਗਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰਦਾ ਹੈ।

ਐਂਡਰੂਲਿਸ ਦੇ ਅਨੁਸਾਰ, ਇਹਨਾਂ ਸਾਧਨਾਂ ਨੇ PwC, Deloitte, Capgemini, ਅਤੇ Supra ਵਰਗੇ ਭਾਈਵਾਲਾਂ ਨੂੰ ਆਕਰਸ਼ਿਤ ਕੀਤਾ ਹੈ, ਜੋ Aleph Alpha ਦੀ ਤਕਨਾਲੋਜੀ ਨੂੰ ਲਾਗੂ ਕਰਨ ਲਈ ਅੰਤਮ ਗਾਹਕਾਂ ਨਾਲ ਕੰਮ ਕਰਦੇ ਹਨ। ਇਹ ਭਾਈਵਾਲੀ ਅਸਲ-ਸੰਸਾਰ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ Aleph Alpha ਦੇ ਹੱਲਾਂ ਦੇ ਮੁੱਲ ਅਤੇ ਵਿਹਾਰਕਤਾ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ।

ਹਾਰਡਵੇਅਰ ਫੈਕਟਰ

ਸਾਫਟਵੇਅਰ ਅਤੇ ਡਾਟਾ ਹੀ ਪ੍ਰਭੂਸੱਤਾ ਸੰਪੰਨ AI ਅਪਣਾਉਣ ਵਾਲਿਆਂ ਨੂੰ ਦਰਪੇਸ਼ ਚੁਣੌਤੀਆਂ ਨਹੀਂ ਹਨ। ਹਾਰਡਵੇਅਰ ਇੱਕ ਹੋਰ ਮਹੱਤਵਪੂਰਨ ਵਿਚਾਰ ਹੈ।

ਵੱਖ-ਵੱਖ ਉੱਦਮਾਂ ਅਤੇ ਰਾਸ਼ਟਰਾਂ ਦੀਆਂ ਘਰੇਲੂ ਤੌਰ ‘ਤੇ ਵਿਕਸਤ ਹਾਰਡਵੇਅਰ ‘ਤੇ ਚੱਲਣ ਲਈ ਖਾਸ ਲੋੜਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ ਜਾਂ ਸਿਰਫ਼ ਇਹ ਨਿਰਧਾਰਤ ਕਰ ਸਕਦੀਆਂ ਹਨ ਕਿ ਵਰਕਲੋਡ ਕਿੱਥੇ ਚੱਲ ਸਕਦੇ ਹਨ। ਇਹ ਰੁਕਾਵਟਾਂ ਹਾਰਡਵੇਅਰ ਅਤੇ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦੀ ਚੋਣ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਤੌਰ ‘ਤੇ ਪ੍ਰਭਾਵਤ ਕਰ ਸਕਦੀਆਂ ਹਨ।

ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਐਂਡਰੂਲਿਸ ਅਤੇ ਉਸਦੀ ਟੀਮ ਨੂੰ ਹਾਰਡਵੇਅਰ ਵਿਕਲਪਾਂ ਦੀ ਇੱਕ ਵਿਸ਼ਾਲ ਸ਼੍ਰੇਣੀ ਦਾ ਸਮਰਥਨ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ। Aleph Alpha ਨੇ AMD, Graphcore ਅਤੇ Cerebras ਸਮੇਤ ਹਾਰਡਵੇਅਰ ਭਾਈਵਾਲਾਂ ਦਾ ਇੱਕ ਸੰਗ੍ਰਹਿ ਆਕਰਸ਼ਿਤ ਕੀਤਾ ਹੈ।

ਪਿਛਲੇ ਮਹੀਨੇ, Aleph Alpha ਨੇ ਆਪਣੇ MI300-ਸੀਰੀਜ਼ ਐਕਸਲਰੇਟਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਲਈ AMD ਨਾਲ ਇੱਕ ਭਾਈਵਾਲੀ ਦਾ ਐਲਾਨ ਕੀਤਾ। ਇਹ ਸਹਿਯੋਗ AI ਸਿਖਲਾਈ ਅਤੇ ਅਨੁਮਾਨ ਨੂੰ ਤੇਜ਼ ਕਰਨ ਲਈ AMD ਦੇ ਉੱਨਤ ਹਾਰਡਵੇਅਰ ਦਾ ਲਾਭ ਉਠਾਏਗਾ।

ਐਂਡਰੂਲਿਸ ਨੇ ਗ੍ਰਾਫਕੋਰ ਨਾਲ ਸਹਿਯੋਗ ਨੂੰ ਵੀ ਉਜਾਗਰ ਕੀਤਾ, ਜਿਸਨੂੰ ਸੌਫਟਬੈਂਕ ਦੁਆਰਾ ਹਾਸਲ ਕੀਤਾ ਗਿਆ, ਅਤੇ ਸੇਰੇਬਰਾਸ, ਜਿਸਦੇ CS-3 ਵੇਫਰ-ਸਕੇਲ ਐਕਸਲਰੇਟਰਾਂ ਦੀ ਵਰਤੋਂ ਜਰਮਨ ਹਥਿਆਰਬੰਦ ਬਲਾਂ ਲਈ AI ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਹ ਭਾਈਵਾਲੀ ਆਪਣੇ ਗਾਹਕਾਂ ਦੀਆਂ ਖਾਸ ਲੋੜਾਂ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਵਿਭਿੰਨ ਹਾਰਡਵੇਅਰ ਪ੍ਰਦਾਤਾਵਾਂ ਨਾਲ ਕੰਮ ਕਰਨ ਲਈ Aleph Alpha ਦੀ ਵਚਨਬੱਧਤਾ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ।

ਇਹਨਾਂ ਸਹਿਯੋਗਾਂ ਦੇ ਬਾਵਜੂਦ, ਐਂਡਰੂਲਿਸ ਜ਼ੋਰ ਦਿੰਦਾ ਹੈ ਕਿ Aleph Alpha ਦਾ ਟੀਚਾ ਇੱਕ ਪ੍ਰਬੰਧਿਤ ਸੇਵਾ ਜਾਂ ਕਲਾਉਡ ਪ੍ਰਦਾਤਾ ਬਣਨਾ ਨਹੀਂ ਹੈ। “ਅਸੀਂ ਕਦੇ ਵੀ ਕਲਾਉਡ ਪ੍ਰਦਾਤਾ ਨਹੀਂ ਬਣਾਂਗੇ,” ਉਸਨੇ ਕਿਹਾ। “ਮੈਂ ਚਾਹੁੰਦਾ ਹਾਂ ਕਿ ਮੇਰੇ ਗਾਹਕ ਆਜ਼ਾਦ ਹੋਣ ਅਤੇ ਬੰਦ ਨਾ ਹੋਣ।” ਗਾਹਕ ਦੀ ਆਜ਼ਾਦੀ ਅਤੇ ਲਚਕਤਾ ਲਈ ਇਹ ਵਚਨਬੱਧਤਾ Aleph Alpha ਨੂੰ ਬਹੁਤ ਸਾਰੀਆਂ ਹੋਰ AI ਕੰਪਨੀਆਂ ਤੋਂ ਵੱਖ ਕਰਦੀ ਹੈ।

ਅੱਗੇ ਦਾ ਰਸਤਾ: ਵੱਧਦੀ ਜਟਿਲਤਾ

ਅੱਗੇ ਦੇਖਦੇ ਹੋਏ, ਐਂਡਰੂਲਿਸ ਦਾ ਅੰਦਾਜ਼ਾ ਹੈ ਕਿ AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਬਣਾਉਣਾ ਹੋਰ ਵੀ ਗੁੰਝਲਦਾਰ ਹੋ ਜਾਵੇਗਾ ਕਿਉਂਕਿ ਉਦਯੋਗ ਚੈਟਬੋਟ ਤੋਂ ਏਜੈਂਟਿਕ AI ਸਿਸਟਮਾਂ ਵਿੱਚ ਬਦਲਦਾ ਹੈ ਜੋ ਵਧੇਰੇ ਵਧੀਆ ਸਮੱਸਿਆ ਹੱਲ ਕਰਨ ਦੇ ਸਮਰੱਥ ਹਨ।

ਏਜੈਂਟਿਕ AI ਨੇ ਪਿਛਲੇ ਸਾਲ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਧਿਆਨ ਖਿੱਚਿਆ ਹੈ, ਮਾਡਲ ਬਿਲਡਰ, ਸੌਫਟਵੇਅਰ ਡਿਵੈਲਪਰ ਅਤੇ ਹਾਰਡਵੇਅਰ ਵਿਕਰੇਤਾ ਉਹਨਾਂ ਪ੍ਰਣਾਲੀਆਂ ਦਾ ਵਾਅਦਾ ਕਰ ਰਹੇ ਹਨ ਜੋ ਅਸਿੰਕਰੋਨਸ ਤੌਰ ‘ਤੇ ਬਹੁ-ਪੜਾਵੀ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਪੂਰਾ ਕਰ ਸਕਦੀਆਂ ਹਨ। ਸ਼ੁਰੂਆਤੀ ਉਦਾਹਰਣਾਂ ਵਿੱਚ OpenAI ਦਾ ਆਪਰੇਟਰ ਅਤੇ Anthropic ਦਾ ਕੰਪਿਊਟਰ ਵਰਤੋਂ API ਸ਼ਾਮਲ ਹਨ। ਇਹ ਏਜੈਂਟਿਕ AI ਸਿਸਟਮ AI ਸਮਰੱਥਾਵਾਂ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਤਰੱਕੀ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ।

“ਪਿਛਲੇ ਸਾਲ, ਅਸੀਂ ਮੁੱਖ ਤੌਰ ‘ਤੇ ਸਿੱਧੇ ਕੰਮਾਂ ‘ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕੀਤਾ ਜਿਵੇਂ ਕਿ ਦਸਤਾਵੇਜ਼ ਸੰਖੇਪ ਜਾਂ ਲਿਖਣ ਵਿੱਚ ਸਹਾਇਤਾ,” ਉਸਨੇ ਕਿਹਾ। “ਹੁਣ, ਇਹ ਉਹਨਾਂ ਚੀਜ਼ਾਂ ਨਾਲ ਵਧੇਰੇ ਦਿਲਚਸਪ ਬਣ ਰਿਹਾ ਹੈ ਜੋ, ਪਹਿਲੀ ਨਜ਼ਰ ਵਿੱਚ, genAI ਸਮੱਸਿਆਵਾਂ ਵੀ ਨਹੀਂ ਜਾਪਦੀਆਂ ਹਨ, ਜਿੱਥੇ ਉਪਭੋਗਤਾ ਅਨੁਭਵ ਇੱਕ ਚੈਟਬੋਟ ਨਹੀਂ ਹੈ।” ਵਧੇਰੇ ਗੁੰਝਲਦਾਰ ਅਤੇ ਏਕੀਕ੍ਰਿਤ AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਵੱਲ ਇਹ ਤਬਦੀਲੀ ਉਦਯੋਗ ਲਈ ਨਵੀਆਂ ਚੁਣੌਤੀਆਂ ਅਤੇ ਮੌਕੇ ਪੇਸ਼ ਕਰਦੀ ਹੈ।

ਐਂਟਰਪ੍ਰਾਈਜ਼ AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਬਣਾਉਣ ਵਿੱਚ ਮੁੱਖ ਚੁਣੌਤੀਆਂ:

• ਮਾਡਲ ਸਿਖਲਾਈ ਅਤੇ ਐਪਲੀਕੇਸ਼ਨ ਏਕੀਕਰਣ ਦੇ ਵਿਚਕਾਰ ਪਾੜੇ ਨੂੰ ਪੂਰਾ ਕਰਨਾ: LLMs ਦੀਆਂ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਅਮਲੀ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਅਨੁਵਾਦ ਕਰਨਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਰੁਕਾਵਟ ਬਣੀ ਹੋਈ ਹੈ।
• ਫਾਈਨ-ਟਿਊਨਿੰਗ ਦੀਆਂ ਸੀਮਾਵਾਂ ਨੂੰ ਦੂਰ ਕਰਨਾ: ਇਕੱਲੇ ਫਾਈਨ-ਟਿਊਨਿੰਗ ਅਕਸਰ AI ਮਾਡਲਾਂ ਨੂੰ ਨਵੀਂ ਜਾਣਕਾਰੀ ਸਿਖਾਉਣ ਜਾਂ ਉਹਨਾਂ ਨੂੰ ਖਾਸ ਕੰਮਾਂ ਲਈ ਢਾਲਣ ਲਈ ਨਾਕਾਫ਼ੀ ਹੁੰਦੀ ਹੈ।
• ਡਾਟਾ ਦੀ ਗੁਣਵੱਤਾ ਅਤੇ ਪਹੁੰਚਯੋਗਤਾ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣਾ: RAG ਚੰਗੀ ਤਰ੍ਹਾਂ ਦਸਤਾਵੇਜ਼ੀ ਅਤੇ ਆਸਾਨੀ ਨਾਲ ਪਹੁੰਚਯੋਗ ਡਾਟਾ ‘ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ, ਜਿਸਦੀ ਅਕਸਰ ਬਹੁਤ ਸਾਰੇ ਸੰਗਠਨਾਂ ਵਿੱਚ ਘਾਟ ਹੁੰਦੀ ਹੈ।
• ਆਊਟ-ਆਫ-ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਡਾਟਾ ਨੂੰ ਸੰਭਾਲਣਾ: AI ਮਾਡਲਾਂ ਨੂੰ ਡਾਟਾ ਨੂੰ ਸੰਭਾਲਣ ਦੇ ਯੋਗ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਜੋ ਉਹਨਾਂ ਡਾਟਾ ਤੋਂ ਵੱਖਰਾ ਹੈ ਜਿਸ ‘ਤੇ ਉਹਨਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਸੀ, ਜਿਸ ਲਈ ਵਿਸ਼ੇਸ਼ ਤਕਨੀਕਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
• ਹਾਰਡਵੇਅਰ ਰੁਕਾਵਟਾਂ ਨੂੰ ਸੰਬੋਧਿਤ ਕਰਨਾ: ਵੱਖ-ਵੱਖ ਉੱਦਮਾਂ ਅਤੇ ਰਾਸ਼ਟਰਾਂ ਦੀਆਂ ਵੱਖ-ਵੱਖ ਹਾਰਡਵੇਅਰ ਲੋੜਾਂ ਹੁੰਦੀਆਂ ਹਨ ਜਿਨ੍ਹਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
• ਡਾਟਾ ਗੋਪਨੀਯਤਾ ਅਤੇ ਸੁਰੱਖਿਆ ਨੂੰ ਬਣਾਈ ਰੱਖਣਾ: ਪ੍ਰਭੂਸੱਤਾ ਸੰਪੰਨ AI ਨੂੰ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਕਿ ਡਾਟਾ ਇੱਕ ਰਾਸ਼ਟਰ ਦੀਆਂ ਸਰਹੱਦਾਂ ਦੇ ਅੰਦਰ ਸੁਰੱਖਿਅਤ ਢੰਗ ਨਾਲ ਪ੍ਰੋਸੈਸ ਅਤੇ ਸਟੋਰ ਕੀਤਾ ਗਿਆ ਹੈ।
• ਏਜੈਂਟਿਕ AI ਸਿਸਟਮਾਂ ਦਾ ਵਿਕਾਸ ਕਰਨਾ: AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਬਣਾਉਣਾ ਜੋ ਗੁੰਝਲਦਾਰ ਬਹੁ-ਪੜਾਵੀ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਅਸਿੰਕਰੋਨਸ ਤੌਰ ‘ਤੇ ਕਰ ਸਕਦੀਆਂ ਹਨ, ਇੱਕ ਚੁਣੌਤੀਪੂਰਨ ਪਰ ਵਾਅਦਾ ਕਰਨ ਵਾਲਾ ਖੋਜ ਖੇਤਰ ਹੈ।

ਐਂਟਰਪ੍ਰਾਈਜ਼ AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਬਣਾਉਣ ਵਿੱਚ ਮੁੱਖ ਮੌਕੇ:

• ਨਵੀਨਤਾਕਾਰੀ AI ਹੱਲ ਵਿਕਸਤ ਕਰਨਾ: ਐਂਟਰਪ੍ਰਾਈਜ਼ AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਬਣਾਉਣ ਵਿੱਚ ਚੁਣੌਤੀਆਂ ਨਵੀਨਤਾਕਾਰੀ ਹੱਲ ਵਿਕਸਤ ਕਰਨ ਦੇ ਮੌਕੇ ਪੈਦਾ ਕਰਦੀਆਂ ਹਨ ਜੋ ਖਾਸ ਲੋੜਾਂ ਨੂੰ ਪੂਰਾ ਕਰਦੇ ਹਨ।
• ਓਪਨ ਸੋਰਸ ਤਕਨਾਲੋਜੀਆਂ ਦਾ ਲਾਭ ਉਠਾਉਣਾ: ਓਪਨ ਸੋਰਸ ਤਕਨਾਲੋਜੀਆਂ ਲਾਗਤਾਂ ਨੂੰ ਘਟਾਉਣ ਅਤੇ AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੇ ਵਿਕਾਸ ਨੂੰ ਤੇਜ਼ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੀਆਂ ਹਨ।
• ਹਾਰਡਵੇਅਰ ਭਾਈਵਾਲਾਂ ਨਾਲ ਸਹਿਯੋਗ ਕਰਨਾ: ਹਾਰਡਵੇਅਰ ਭਾਈਵਾਲਾਂ ਨਾਲ ਸਹਿਯੋਗ ਕਰਨਾ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ ਕਿ AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਨੂੰ ਖਾਸ ਹਾਰਡਵੇਅਰ ਪਲੇਟਫਾਰਮਾਂ ਲਈ ਅਨੁਕੂਲ ਬਣਾਇਆ ਗਿਆ ਹੈ।
• ਪ੍ਰਭੂਸੱਤਾ ਸੰਪੰਨ AI ਸਮਰੱਥਾਵਾਂ ਬਣਾਉਣਾ: ਪ੍ਰਭੂਸੱਤਾ ਸੰਪੰਨ AI ਰਾਸ਼ਟਰਾਂ ਅਤੇ ਸੰਗਠਨਾਂ ਨੂੰ ਆਪਣੇ ਡਾਟਾ ਅਤੇ AI ਬੁਨਿਆਦੀ ਢਾਂਚੇ ‘ਤੇ ਵਧੇਰੇ ਨਿਯੰਤਰਣ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦੀ ਹੈ।
• ਉਦਯੋਗਾਂ ਨੂੰ AI ਨਾਲ ਬਦਲਣਾ: AI ਵਿੱਚ ਕੰਮਾਂ ਨੂੰ ਸਵੈਚਾਲਤ ਕਰਕੇ, ਫੈਸਲੇ ਲੈਣ ਵਿੱਚ ਸੁਧਾਰ ਕਰਕੇ ਅਤੇ ਨਵੇਂ ਉਤਪਾਦਾਂ ਅਤੇ ਸੇਵਾਵਾਂ ਬਣਾ ਕੇ ਉਦਯੋਗਾਂ ਨੂੰ ਬਦਲਣ ਦੀ ਸਮਰੱਥਾ ਹੈ।

ਐਂਟਰਪ੍ਰਾਈਜ਼ AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਦਾ ਭਵਿੱਖ:

ਐਂਟਰਪ੍ਰਾਈਜ਼ AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਦਾ ਭਵਿੱਖ ਸ਼ਾਇਦ ਇਸ ਦੁਆਰਾ ਦਰਸਾਇਆ ਜਾਵੇਗਾ:

• ਵਧੀ ਹੋਈ ਜਟਿਲਤਾ: AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਧੇਰੇ ਗੁੰਝਲਦਾਰ ਅਤੇ ਏਕੀਕ੍ਰਿਤ ਹੋ ਜਾਣਗੀਆਂ, ਜਿਸ ਲਈ ਵਿਸ਼ੇਸ਼ ਮੁਹਾਰਤ ਅਤੇ ਸਾਧਨਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
• ਡਾਟਾ ਗੁਣਵੱਤਾ ‘ਤੇ ਵਧੇਰੇ ਧਿਆਨ: ਡਾਟਾ ਗੁਣਵੱਤਾ ਵਧਦੀ ਮਹੱਤਵਪੂਰਨ ਹੋ ਜਾਵੇਗੀ ਕਿਉਂਕਿ AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਸਹੀ ਅਤੇ ਭਰੋਸੇਮੰਦ ਡਾਟਾ ‘ਤੇ ਨਿਰਭਰ ਕਰਦੀਆਂ ਹਨ।
• ਸੁਰੱਖਿਆ ਅਤੇ ਗੋਪਨੀਯਤਾ ‘ਤੇ ਵਧੇਰੇ ਜ਼ੋਰ: ਸੁਰੱਖਿਆ ਅਤੇ ਗੋਪਨੀਯਤਾ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਹੋਵੇਗੀ ਕਿਉਂਕਿ AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਸੰਵੇਦਨਸ਼ੀਲ ਡਾਟਾ ਨੂੰ ਸੰਭਾਲਦੀਆਂ ਹਨ।
• ਏਜੈਂਟਿਕ AI ਦੀ ਵਿਆਪਕ ਗੋਦ ਲੈਣਾ: ਏਜੈਂਟਿਕ AI ਸਿਸਟਮ ਵਧੇਰੇ ਪ੍ਰਚਲਿਤ ਹੋ ਜਾਣਗੇ ਕਿਉਂਕਿ ਸੰਗਠਨ ਗੁੰਝਲਦਾਰ ਕੰਮਾਂ ਨੂੰ ਸਵੈਚਾਲਤ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਨ।
• ਨਿਰੰਤਰ ਨਵੀਨਤਾ: AI ਦਾ ਖੇਤਰ ਤੇਜ਼ੀ ਨਾਲ ਵਿਕਸਤ ਹੁੰਦਾ ਰਹੇਗਾ, ਨਵੀਆਂ ਸਫਲਤਾਵਾਂ ਅਤੇ ਮੌਕਿਆਂ ਵੱਲ ਲੈ ਜਾਂਦਾ ਹੈ।

ਚੁਣੌਤੀਆਂ ਨੂੰ ਸੰਬੋਧਿਤ ਕਰਕੇ ਅਤੇ ਮੌਕਿਆਂ ਨੂੰ ਅਪਣਾ ਕੇ, ਸੰਗਠਨ ਆਪਣੇ ਕਾਰੋਬਾਰਾਂ ਨੂੰ ਬਦਲਣ ਅਤੇ ਇੱਕ ਬਿਹਤਰ ਭਵਿੱਖ ਬਣਾਉਣ ਲਈ AI ਦੀ ਸ਼ਕਤੀ ਦਾ ਲਾਭ ਲੈ ਸਕਦੇ ਹਨ।