Amazon Mechanical Turk-க்கு புதிய வாடிக்கையாளர்களை ஏற்றுக்கொள்வதை நிறுத்தும்

இரண்டு தசாப்தங்களாக இணையத்தின் அடிப்படை வேலைகளை மquietly சக்தியுடன் செயல்படுத்திய பிறகு, Amazon-ன் Mechanical Turk அதன் இறுதி அத்தியாயத்தில் நுழைகிறது. Amazon Mechanical Turk-க்கு 2026 ஜூலை 30-ல் புதிய வாடிக்கையாளர்களை ஏற்றுக்கொள்வதை நிறுத்தும் — இந்த நடவடிக்கை ஒரு தளத்தின் வீழ்ச்சியை விட மிகப் பெரிய ஒன்றைக் குறிக்கிறது. இது ஒரு যুগத்தின் முறையான முடிவைக் குறிக்கிறது, அங்கு மனித உழைப்பு artificial intelligence என விளம்பரப்படுத்தப்பட்ட பொருட்களுக்குள் மறைந்திருந்த இயந்திரம் ஆக இருந்தது.

ஆசியா முழுவதும் உள்ள developers மற்றும் founders-க்கு, இந்த மாற்றம் உண்மையான தாக்கங்களைக் கொண்டுள்ளது — வெறுமே ஒரு வரலாற்று குறிப்பாக அல்ல, ஆனால் AI infrastructure எங்கு செல்கிறது என்பதற்கும் 2026-ல் AI-native பொருட்களை உருவாக்குவது என்ன பொருள் என்பதற்கும் ஒரு சமிக்ஞையாக.

என்ன நடந்தது

அறிவிப்பு Mechanical Turk website-ல் நேரடியாக தோன்றியது: 2026 ஜூலை 30 முதல், தளம் புதிய வாடிக்கையாளர்களுக்கு மூடப்படும். Amazon Web Services "careful consideration" பிறகு இந்த முடிவு எடுக்கப்பட்டது என்று உறுதிப்படுத்தியது, மேலும் தற்போதைய வாடிக்கையாளர்கள் சேவையைத் தொடர்ந்து பயன்படுத்தலாம் என்றாலும், AWS புதிய features அறிமுகப்படுத்த திட்டம் இல்லை என்று தெளிவுபடுத்தியது. சேவை, AWS-ன் சொந்த framing-ல், maintenance mode-ல் உள்ளது.

Mechanical Turk 2005-ல் ஒரு crowdsourcing marketplace-ஆக launch செய்யப்பட்டது — நிறுவனங்கள் பணியாளர்களுக்கு சிறிய தொகை செலுத்தி முழு automation-க்கு எதிர்ப்புக் காட்டிய பணிகளை முடிக்க முடிந்த ஒரு இடம். CAPTCHA completion, அடிப்படை sentiment labeling, image tagging பற்றி சிந்தியுங்கள். எளிய பணிகள், scale-ல் செய்யப்பட்டவை, பெரும்பாலும் ஒரு பணிக்கு சென்ட்டின் பகுதிக்கு பணி பெற்ற மனிதர்களால்.

2018 முதல், Amazon Mechanical Turk-ஐ neural networks பயிற்சிக்கான data annotation tool-ஆக மறுঅবস்থান செய்தது, அதை SageMaker AI service-ல் integrate செய்தது. pitch நேரடியாக இருந்தது: உங்களுக்கு labeled training data தேவைப்பட்டால், Mechanical Turk அதைப் பெற ஒரு வேகமான, மலிவான pipeline ஆக இருந்தது.

ஆனால் தளம் அதன் வாழ்நாள் முழுவதும் சங்கடமான baggage சுமந்து சென்றது. இது crowdsourced labor ethics பற்றிய ongoing debates-ன் மையத்தில் இருந்தது, மேலும் Facebook-Cambridge Analytica scandal-ன் ஆரம்ப கட்டங்களில் கூட தோன்றியது. மிகவும் கண்டனம் செய்யப்பட்டது critics "Potemkin AI" enabler என்று அழைத்த அதன் பாத்திரம் — AI என விளம்பரப்படுத்தப்பட்ட பொருட்கள் உண்மையில் Mechanical Turk பணியாளர்களால் powered ஆக இருந்தவை. irony கடினமாக தவிர்க்க முடியாதது: அசல் Mechanical Turk, 18-வது நூற்றாண்டு chess automaton, தன்னையே ஒரு hoax ஆக இருந்தது, ஒரு மனிதக் கிளையாடியை ஒரு machine-க்குள் மறைத்து வைத்திருந்தது.

சேவை இன்னும் இறந்துவிடவில்லை. ஆனால் புதிய வாடிக்கையாளர்களுக்கு மூடுவது feature development-ஐ freeze செய்வது Amazon அதில் எந்த future-ஐ பார்க்கவில்லை என்பதற்கான தெளிவான சமிக்ஞை.

ஆசியாவுக்கு இது ஏன் முக்கியம்

ஆசியா எப்போதும் Mechanical Turk போன்ற தளங்களுடன் சிக்கலான உறவைக் கொண்டிருந்தது. பகுதி அதன் பணிபலத்தின் ஒரு குறிப்பிடத்தக்க பகுதியை வழங்கியது — இந்தியா, பிலிப்பைன்ஸ், இந்தோனேசியா, மற்றும் பাংলாதேশ்-ல் உள்ள பணியாளர்கள் மேற்கத்திய tech நிறுவனங்களுக்கு மிகப் பெரிய அளவிலான microtasks முடித்தனர், பெரும்பாலும் அந்த பொருட்கள் விற்கப்பட்ட markets-ல் ஏற்றுக்கொள்ளப்படாத wages-க்கு.

அந்த dynamic கிட்டத்தட்ட இரண்டு தசாப்தங்களாக AI development எவ்வாறு செயல்பட்டது என்பதை வடிவமைத்தது. Data labeling offshored ஆக இருந்தது. Annotation pipelines மலிவான distributed labor-ல் சார்ந்திருந்தது. பல பொருட்களில் "AI" நடைமுறையில், ஒரு geographically distributed workforce ஆக இருந்தது repetitive cognitive tasks-ஐ scale-ல் செய்து கொண்டிருந்தது.

இப்போது அந்த model collapse ஆகிறது — வெறுமே Mechanical Turk-ன் decline-ன் காரணமாக அல்ல, ஆனால் அடிப்படை economics shift ஆகிவிட்டதால். நவீன large language models மற்றும் multimodal AI systems Mechanical Turk specialize செய்த எளிய, high-volume annotation-ன் தேவையை வியத்தகமாக குறைத்துவிட்டன. ஒரு முறை ஆயிரக்கணக்கான மனித மணிநேரம் தேவைப்பட்ட பணிகள் இப்போது synthetic data, few-shot prompting, அல்லது automated pipelines-ஆல் bootstrap செய்யப்படலாம்.

ஆசியா tech-க்கு, இது ஒரு disruption மற்றும் ஒரு opportunity இரண்டையும் உருவாக்குகிறது. disruption தெளிவாக உள்ளது: microtask income-ல் சார்ந்திருந்த gig workers ஒரு தளத்தை இழக்கிறார்கள். opportunity குறைவாக தெளிவாக ஆனால் மிகவும் குறிப்பிடத்தக்கது. ஆசிய developers மற்றும் founders இனி மேற்கத்திய AI infrastructure-ன் நிழலில் உருவாக்கவில்லை. genuinely AI-native பொருட்களை உருவாக்க tools — மனிதர்கள் உள்ளே மறைந்திருக்கும் பொருட்கள் அல்ல — இப்போது accessible, affordable, மற்றும் பகுதির specific needs-க்கு increasingly built.

Southeast Asia-ன் developer ecosystem குறிப்பாக வேகமாக mature ஆகிவிட்டது. Jakarta, Ho Chi Minh City, Manila, மற்றும் Bangalore-ல் உள்ள Founders இனி "AI infrastructure-ஐ எவ்வாறு access செய்வது?" என்று கேட்கவில்லை. அவர்கள் "day one-ல் AI-native பொருட்களை எவ்வாறு உருவாக்குவது?" என்று கேட்கிறார்கள். அது fundamentally வேறுபட்ட கேள்வி, மற்றும் அது fundamentally வேறுபட்ட வகையான platform-ஐ demand செய்கிறது.

Developers-க்கு இது என்ன பொருள்

நீங்கள் ஒரு developer ஆக இருந்தால் data annotation அல்லது task automation-க்கு Mechanical Turk பயன்படுத்தினீர்கள், உடனடி practical கேள்வி: அதை என்ன replace செய்கிறது? நேர்மையான பதில் என்னவென்றால் ஒன்றும் அதை one-for-one replace செய்யாது, ஏனெனில் use cases fragmented ஆகிவிட்டன.

Data annotation குறிப்பாக, landscape tighter quality controls மற்றும் complex labeling tasks-க்கு better tooling-ஆல் specialized platforms-க்கு நகர்ந்துவிட்டது. Task automation-க்கு அது ஒரு முறை மனித judgment require செய்தது, நவீன AI models Mechanical Turk workers செய்து கொண்டிருந்த significant portion handle செய்கிறது — sentiment classification, basic content moderation, entity extraction — distributed human workforce-ன் latency மற்றும் variability இல்லாமல்.

ஆனால் developers-க்கு deeper lesson Mechanical Turk replacement கண்டுபிடிப்பது பற்றி அல்ல. இது "AI-powered" உண்மையில் product architecture-ல் என்ன பொருள் என்பதை rethink செய்வது பற்றி.

Mechanical Turk era ஒரு pattern normalize செய்தது: ஒரு product interface உருவாக்கு, hard cases handle செய்ய அதன் பின்னால் மனிதர்களை வை, மற்றும் அதை AI என்று அழை. AI models brittle மற்றும் narrow ஆக இருந்தபோது அந்த pattern வேலை செய்தது. இது 2026-ல் hold up செய்யாது. Users அவர்களின் பொருட்களில் genuine intelligence expect செய்கிறார்கள், ஒரு human wearing an AI costume அல்ல.

MonstarX போன்ற platforms-ல் உருவாக்கிய developers-க்கு, இந்த shift ஏற்கனவே architecture-ல் baked உள்ளது. ஒரு AI-native development platform AI-ஐ after the fact bolt on செய்ய வேண்டிய feature-ஆக treat செய்யாது — இது AI-ஐ foundational layer-ஆக treat செய்கிறது அது data எவ்வாறு flows, tasks எவ்வாறு routed, மற்றும் பொருட்கள் எவ்வாறு scale shape செய்கிறது. கேள்வி "நாம் இங்கு AI பயன்படுத்த வேண்டுமா?" அல்ல ஆனால் "AI இந்த interaction-ஐ default-ஆல் எவ்வாறு better செய்கிறது?"

Concretely, இது developers தங்களின் existing pipelines audit செய்ய வேண்டும் hidden human-in-the-loop steps-க்கு அவை AI model limitations-ஆல் justify செய்யப்பட்ட மூன்று அல்லது நான்கு வருடங்களுக்கு முன். அந்த limitations பல இனி exist செய்யாது. Annotation workflows 2020-ல் Mechanical Turk require செய்தவை இப்போது ஒரு well-prompted LLM மற்றும் ஒரு validation layer-ஆல் handle செய்யப்படலாம். Content classification pipelines edge cases-க்கு மனித review need செய்தவை இப்போது confidence scoring மற்றும் automated escalation-ஆல் handle செய்யப்படலாம்.

Developers இங்கு வேகமாக நகர்ந்தவர்கள் வெறுமே பணம் save செய்யாது — அவர்கள் genuinely மிகவும் reliable பொருட்களை உருவாக்குவார்கள், ஏனெனில் அவை distributed human workforce-ன் throughput மற்றும் consistency-ல் dependent அல்ல.

முக்கிய Takeaways

Mechanical Turk-ன் death ஒரு growth platform-ஆக ஒரு single event அல்ல — இது ஒரு data point ஒரு longer trend-ல் அது developers மற்றும் founders ஆசியா-ல் carefully read செய்ய வேண்டும்.

• "humans as AI" model over ஆக உள்ளது. Distributed human labor-ஐ AI capabilities simulate செய்ய rely செய்த பொருட்கள் structurally disadvantaged இப்போது. Economics இனி work செய்யாது, மற்றும் user expectations அந்த model deliver செய்ய முடிந்த past நகர்ந்துவிட்டன.
• Data annotation automated ஆகிறது, outsourced அல்ல. High-volume, low-complexity annotation-க்கான demand — Mechanical Turk-ன் core use case — collapsed ஆகிவிட்டது. நவீன AI pipelines synthetic data generation, model-assisted labeling, மற்றும் automated quality checks பயன்படுத்துகிறது. Developers இனும் labeled data need செய்கிறார்கள், ஆனால் workflow 2018-ல் இருந்த போல் தெரிக்கவில்லை.
• ஆசியா c