தெளிவற்ற மறுநிகழ்ச்சி மற்றும் நீங்கள் அறிந்திருக்க வேண்டிய AI சொற்கள்

OpenAI இன் புதிய Astra மாதிரி கடந்த வாரம் ஒரு சொல்லை வெளியிட்டது, அது அனுபவமிக்க AI ஆராய்ச்சியாளர்களையும் நடுவில் நிறுத்தியது: தெளிவற்ற மறுநிகழ்ச்சி. இது ஒரு பகுத்தறிவு நுட்பம் ஆகும், இது ஏற்கனவே AI பாதுகாப்பு நிபுணர்களை கவலைப்படுத்தியுள்ளது, மேலும் நீங்கள் இதை முன்பு கேட்டிருக்கவில்லை என்றால், நீங்கள் தனியாக இல்லை. AI துறை எப்போதும் வேகமாக நகர்ந்துள்ளது, ஆனால் சொற்களஞ்சியம் இப்போது பெரும்பாலான மக்களின் பின்தொடர்வதற்கான திறனை விட வேகமாக நகர்ந்து கொண்டிருக்கிறது — மற்றும் ஆசியாவில் உள்ள டெவலப்பர்கள் மற்றும் நிறுவனர்களுக்கு, சொற்களஞ்சியத்தில் பின்தங்குவது வெறும் சங்கடம் அல்ல, இது ஒரு போட்டிக்கான பாதகமாகும்.

தெளிவற்ற மறுநிகழ்ச்சி மற்றும் உங்கள் கவனத்திற்குரிய பிற AI சொற்கள், TechCrunch வெளியிட்ட ஒரு விரிவான புதிய சொற்களஞ்சியத்தின் பொருள்களாகும், இது Natasha Lomas, Romain Dillet, Kyle Wiggers, மற்றும் Lucas Ropek ஆல் எழுதப்பட்டது. இது ஒரு வாழ்க்கை ஆவணம் — துறை வளர்ந்ததால் தொடர்ந்து புதுப்பிக்கப்படுகிறது — மேலும் இது AGI இலிருந்து RAG வரை RLHF வரை எல்லாவற்றையும் உள்ளடக்கியது. நாங்கள் இப்போது மிக முக்கியமான சொற்களை வெளியே எடுத்துள்ளோம், ஆசிய தொழில்நுட்ப நிலப்பரப்புக்கான சூழல் சேர்த்துள்ளோம், மேலும் இந்த விஷயங்களுடன் உண்மையில் கட்டுமான டெவலப்பர்களுக்கு அவை என்ன அர்த்தம் என்பதை மொழிபெயர்த்துள்ளோம்.

என்ன நடந்தது

செப்டம்பர் 7, 2026 இல் வெளியிடப்பட்ட TechCrunch சொற்களஞ்சியம், ஒரு சমস்যার நேரடி பதிலாகும், இது புறக்கணிக்க முடியாத அளவுக்கு ஆகிவிட்டது: AI தனது சொந்த ভাষையை பெரும்பாலான மக்கள் உறிஞ்சிக்கொள்ள முடியும் என்பதை விட வேகமாக கண்டுபிடித்து கொண்டிருக்கிறது. எந்த பொருள் சந்திப்பு, pitch deck மதிப்பாய়வு, அல்லது தொழில்நுட்ப பேனலிலும் உட்கார்ந்து கொள்ளுங்கள் மற்றும் நீங்கள் ஒரு ஆக்ரோஷம் கேட்பீர்கள் — LLMs, RAG, RLHF, MoE — அவர்கள் உண்மையில் என்ன அர்த்தம் என்பதை புரிந்து கொள்ளக்கூடிய அல்லது இல்லாத மக்களின் சாதாரண நம்பிக்கையுடன் தூக்கி எறியப்பட்டது.

இப்போது மிக அதிக கவனம் பெறும் சொல் தெளிவற்ற மறுநிகழ்ச்சி, OpenAI இன் Astra மாதிரியில் பொதிந்திருக்கும் பகுத்தறிவு நுட்பம். "தெளிவற்ற" பகுதி சிக்கல்: மாதிரியின் உள் பகுத்தறிவு படிகள் தெரியாதவை அல்லது விளக்கக்கூடியவை அல்ல, அதை கட்டிய மக்களுக்கும் கூட. இது மறுநிகழ்ச்சி செய்கிறது — தன்னை மீண்டும் சுழற்றுகிறது — பதில்களை சுத்திகரிக்க, ஆனால் ஒரு கருப்பு பெட்டியில் அவ்வாறு செய்கிறது. அதுவே பாதுகாப்பு ஆராய்ச்சியாளர்களை கலங்கடிக்கிறது. ஒரு மாதிரி அதன் உருவாக்கர்கள் ஆடிட் செய்ய முடியாத வழிகளில் பகுத்தறிவு செய்யும் போது, சீரமைப்பு மற்றும் பொறுப்பாக்கம் உண்மையில் கடினமான சிக்கல்களாக மாறுகிறது.

தெளிவற்ற மறுநிகழ்ச்சிக்கு அப்பால், சொற்களஞ்சியம் மறுபரிசீலனை செய்ய வேண்டிய அடிப்படை சொற்களை உள்ளடக்கியது. AGI (செயற்கை பொது புத்திமை) வேண்டுமென்றே நழுவக்கூடியதாக உள்ளது — OpenAI இதை "பெரும்பாலான பொருளாதாரப் பূரிப்பான வேலையில் மனிதர்களை விஞ்சும்" அமைப்புகளாக வரையறுக்கிறது, Google DeepMind இதை "பெரும்பாலான அறிவாற்றல் பணிகளில் குறைந்தபட்சம் மனிதர்களைப் போல திறமையான" AI என வரைகிறது. இவை ஒரே பட்டை அல்ல, மேலும் அந்த இடைவெளி கொள்கை, முதலீடு, மற்றும் பொருள் உத்தி ஆகியவற்றிற்கு மிகவும் முக்கியமாகும். ஹ்যালுசினேশன்கள் — AI மாதிரிகள் தைரியமாக தவறான தகவல் கூறுவது — AI-இயக்கிய பொருட்களை வழங்கும் எவருக்கும் மிகவும் நடைமுறை ரீதியாக ক্ষতিকারமான தோல்வி முறைகளில் ஒன்றாக உள்ளது. RLHF (மனித கருத்தாக்கத்திலிருந்து வலுவூட்டல் கற்றல்) GPT-4 மற்றும் Claude போன்ற மாதிரிகளை உதவிகரமாக நடந்து கொள்ளுமாறு சரிசெய்ய எப்படி என்பது; இதை புரிந்து கொள்வது இந்த மாதிரிகள் சில சமயங்களில் அதிக-எச்சரிக்கையுடன் அல்லது விசித்திரமாக அনুசரணமாக உணர்வதை விளக்குகிறது. RAG (retrieval-augmented generation) என்பது மாதிரிகளை உண்மையான-நேர அல்லது தனியுரிம தரவை இழுக்க அனுமதிக்கும் স்থাপত்য வடிவமாகும், பயிற்சி அறிவை மட்டுமே நம்பாமல் — LLM இன் மேல் கட்டப்பட்ட எந்த நிறுவன பொருளுக்கும் முக்கியமாகும்.

சொற்களஞ்சியம் வெளிப்படையாக கட்டுமான, முதலீடு செய்யும், அல்லது உரையாடலை புத்திசாலித்தனமாக பின்தொடர்ந்து கொண்டிருக்க முயற்சிக்கும் மக்களுக்கான ஒரு குறிப்பாக வடிவமைக்கப்பட்டுள்ளது. இது ஒரு பயனுள்ள அடிப்படை. இது என்ன செய்யாது என்பது, நீங்கள் தென்கிழக்கு ஆசியா, தென்கொரியா, ஜப்பான், அல்லது இந்தியாவில் கட்டுமான செய்கிறீர்கள் என்றால் இந்த அனைத்தும் ஏன் குறிப்பாக முக்கியமாகும் என்பதை சொல்ல வேண்டும். அதுவே நாங்கள் வருகிறோம்.

ஆசியாவுக்கு ஏன் முக்கியமாகும்

ஆசிய தொழில்நுட்ப சுற்றுச்சூழல் AI சொற்களஞ்சியத்துடன் ஒரு குறிப்பிட்ட உறவைக் கொண்டுள்ளது, இது நேரடியாக பெயரிட வேண்டும். மிகவும் பরিণামகரமான AI ஆராய்ச்சியின் ஒரு குறிப்பிடத்தக்க பகுதி ஆங்கிலத்தில் வெளியிடப்பட்டுள்ளது, ஆங்கிலம்-மொழி தளங்களில் விவாதிக்கப்பட்டுள்ளது, மற்றும் மேற்கத்திய ஒழுங்குமுறை மற்றும் கலாச்சார அனுமানங்களால் வடிவமைக்கப்பட்டுள்ளது. ஆசிய முழுவதும் டெவலப்பர்கள் மற்றும் நிறுவனர்களுக்கு, இது ஒரு கூட்டு பாதகத்தை உருவாக்குகிறது: நீங்கள் தொழில்நுட்ப ধারணைகளை ট்র্যாக் செய்ய வேண்டியது மட்டுமல்ல, நீங்கள் தரவு தனியுரிமை சட்டங்கள், ব்যবহারকারী நடத்தை, மொழி மாதிரிகள், மற்றும் உள்கட்டமைப்பு யথার்த்தங்கள் அடிப்படையில் வேறுபட்ட சூழல்களில் அவற்றின் தாக்கங்களை மொழிபெயர்க்க வேண்டும்.

ஒரு ठोस உதாहरण के रूप में तेलिवरण पुनरावृत्ति लें। EU இல், ஒழுங்குமுறையாளர்கள் ஏற்கனவே உচ்চ-பந்தயம் AI முடிவுகளுக்கான கட்டாய விளக்கத்தன்மை தேவைகளை நோக்கி நகர்ந்து கொண்டிருக்கிறார்கள். ஆசியாவில், ஒழுங்குமுறை படம் மிகவும் பிரிந்துவிடப்பட்டுள்ளது — சிங்கப்பூரின் Model AI Governance Framework স்বচ்ছতাকে উৎসাহப்படுத்துகிறது ஆனால் ইউரோப் செய்ய வேண்டிய வழிতে அதை கட்டாயப்படுத்தாது; சீனার AI ஒழுங்குமுறைகள் பொருளடக்க নিয়ন்ত்রণে கனமாக கவனம் செலுத்துகிறது; இந்தியாவின் அணுகுமுறை இன்னும் வடிவம் பெறுகிறது. Jakarta அல்லது Ho Chi Minh City இல் ஒரு AI-இயக்கிய fintech அல்லது healthcare பொருளை கட்டுமான செய்யும் நிறுவனர்களுக்கு, "தெளிவற்ற மறுநிகழ்ச்சி" வெறும் தொழில்நுட்ப ஆவலாக இல்லை — இது ஒரு பொருள் பொறுப்பு கேள்வி. நீங்கள் ஒரு ஒழுங்குமுறையாளர், அல்லது ஒரு ব்যবহারকாரியை விளக்க முடியுமா, ஏன் உங்கள் மாதிரி ஒரு குறிப்பிட்ட முடிவை எடுத்தது? உங்கள் பகுத்தறிவு அடுக்கு தெளிவற்றதாக இருந்தால், பதில் இல்லை.

ஹ்যালুசினேশன்கள் ஆசிய சந்தைகளில் ஒரு இன்னும் உடனடி கவலையாகும். நீங்கள் Thai, Bahasa Indonesia, Vietnamese, அல்லது Tamil போன்ற மொழிகளில் பொருட்களை கட்டுமான செய்கிறீர்கள் போது, அடிப்படை மாதிரிகள் ஆங்கிலத்தில் விட அந்த மொழிகளில் நাটকীயமாக குறைவான தரவுகளில் பயிற்சி பெற்றுள்ளன. ஹ்যালুசினேশன் விகிதம் மேலே செல்கிறது. குறைந்த-வளம் மொழிகளில் மாதிரிகள் தவறான விஷயங்களை கூறும் நம்பிக்கை ஒரு அறியப்பட்ட, ஆவணப்படுத்தப்பட்ட சிக்கல் — மற்றும் பெரும்பாலான மேற்கத்திய-மையம் AI சொற்களஞ்சியங்கள் போதுமான জরூரிதையுடன் கொடியாக இல்லை.

RAG architectures ஆசியায் நிறுவன AI க்கான প্রভাবশালী வடிவமாக ஆகিவிட்டுள்ளে ஏனெனில் அவை இந்த இடைவெளியை உத்தரவாதம் செய்கிறது. ஒரு மாதிரியின் பயிற்சி அறிவে நம்பிக்கை வைப்பதற்கு பதிலாக — இது আঞ்চলিক மொழிகள் அல்லது স্থানীয় ஒழுங்குமுறை சூழல்களுக்கு மெல்லியதாக இருக்கலாம் — RAG நீங்கள் மாதிரியை உங்கள் சொந்த curated, சரிபார்க்கப்பட்ட தரவுகளில் grounding செய்ய அனுமதிக்கிறে. பிராந்தியத்தில் ஒவ்வொரு தீவிர AI-native குழு RAG pipelines, vector databases, மற்றும் retrieval quality பற்றி சிந்திக்கிறது. சொல்லை புரிந்து கொள்வது প্রবेश পয়েন্ட; இதுடன் நன்றாக கட்டுமான செய்வது உண்மையான வேலை.

பரந்த புள்ளி இது: AI சொற்களஞ்சியம் நடுநிலை அல்ல. பெயரிடப்பட்ட, விவாதிக்கப்பட்ட, மற்றும் ஆங்கிலம்-மொழி வெளியீடுகளில் தரப்படுத்தப்பட்ட ধারணைகள் என்ன கட்டப்பட்டுள்ளது, நிதியுதவி பெற்றுள்ளது, மற்றும் உலகব்যাপி ஒழுங்குமுறை செய்யப்பட்டுள்ளது என்பதை வடிவ கொடுக்கிறে. ஆசியாவின் டெவலப்பர்கள் மற்றும் நிறுவனர்கள் இந்த சொற்களஞ்சியத்தில் fluency தேவை, அதை defer செய்ய அல்ல, ஆனால் அதுடன் விமர্சனமாக engage செய்ய மற்றும் உண்மையில் அவற்றின் சந்தைகளை சேவை செய்யும் பொருட்களை கட்ட.

டெவலப்பர்களுக்கு இது என்ன அர்த்தம்

நீங்கள் ஒரு டெவலப்பர் உண்மையில் AI-இயக்கிய பொருட்களை கட்டுமான செய்கிறீர்கள் என்றால், சொற்களஞ்சியம் சொற்கள் இப்போது மிக முக்கியமாகும் அவை flashy அல்ல — அவை நேரடியாக உங்கள் architecture முடிவுகள் மற்றும் உங்கள் debugging sessions பாதிக்கும் அவை.

தெளிவற்ற மறுநிகழ்ச்சி நீங்கள் எந்த பகுத்தறிவு மாதிரிகளை integrate செய்கிறீர்கள் மற்றும் நீங்கள் என்ன அளவு interpretability தேவை என்பது பற்றி সাবধানமாக சிந்திக்க வேண்டும். நீங்கள் ஒரு ஒழுங்குமுறை domain இல் கட்டுமான செய்கிறீர்கள் என்றால் — finance, healthcare, legal — நீங்கள் உங்கள் மாதிரியின் பகுத்தறிவு சங்கிலி auditable என்பதை புரிந்து கொள்ள வேண்டும். அது இல்லை என்றால், அது ஒரு பொருள் முடிவு, வெறும் தொழில்நுட்ப ஒன்று அல்ல. சில use cases ஒரு கருப்பு பெட்டி tolerate முடியும்; மற்றவை முடியாது.

ஹ்যালுசினேशन்கள் LLM-இயக்கிய features க்கான மிகவும் பொதுவான production failure mode ஆக உள்ளன. நடைமுறை mitigation உத்திகள் — RAG, output validation layers, confidence scoring, human-in-the-loop checkpoints — இந்த புள்ளিতে அனைத்தும் நன்றாக புரிந்து கொள்ளப்பட்டுள்ளன. குறைவாக விவாதிக்கப்பட்ட என்ன என்பது hallucination விகிதங்கள் மொழி, domain, மற்றும் மாதிரி மூலம் கணிசமாக மாறுபடுகிறது. நீங்கள் ஒரு Southeast Asian மொழিতে ஒரு feature shipping செய்கிறீர்கள் என்றால், நீங்கள் ஆங்கிலம் version test செய்ய விட கடினமாக test செய்யுங்கள். failure modes வேறுபட்டவை.

RLHF மற்றும் அதன் successors (RLAIF, DPO, constitutional AI) foundation models நடந்து கொள்ளும் வழி விளக்குகிறது — மற்றும் ஏன் அவற்றை fine-tuning செய்வது உங்கள்