માનવ હસ્તક્ષેપ વિના જનરેટિવ AI શું કરી શકે છે?

કાર્યકારી સારાંશ

જનરેટિવ આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) - મશીનોને ટેક્સ્ટ, છબીઓ, કોડ અને ઘણું બધું બનાવવા માટે સક્ષમ બનાવતી ટેકનોલોજી - એ તાજેતરના વર્ષોમાં વિસ્ફોટક વૃદ્ધિનો અનુભવ કર્યો છે. આ શ્વેતપત્ર માનવ હસ્તક્ષેપ વિના આજે જનરેટિવ AI વિશ્વસનીય રીતે કરી શકે છે અને આગામી દાયકામાં તે શું કરવાની અપેક્ષા રાખે છે તેનું સુલભ ઝાંખી પ્રદાન કરે છે. અમે લેખન, કલા, કોડિંગ, ગ્રાહક સેવા, આરોગ્યસંભાળ, શિક્ષણ, લોજિસ્ટિક્સ અને ફાઇનાન્સમાં તેના ઉપયોગનું સર્વેક્ષણ કરીએ છીએ, જે દર્શાવે છે કે AI ક્યાં સ્વાયત્ત રીતે કાર્ય કરે છે અને ક્યાં માનવ દેખરેખ મહત્વપૂર્ણ રહે છે. સફળતાઓ અને મર્યાદાઓ બંનેને દર્શાવવા માટે વાસ્તવિક દુનિયાના ઉદાહરણોનો સમાવેશ કરવામાં આવ્યો છે. મુખ્ય તારણો શામેલ છે:

• વ્યાપક દત્તક: 2024 માં, સર્વેક્ષણ કરાયેલ 65% કંપનીઓ નિયમિતપણે જનરેટિવ AI નો ઉપયોગ કરતી હોવાનું જણાવે છે - જે પાછલા વર્ષ કરતા લગભગ બમણો હિસ્સો છે ( 2024 ની શરૂઆતમાં AI ની સ્થિતિ | મેકકિન્સે ). એપ્લિકેશનો માર્કેટિંગ સામગ્રી બનાવટ, ગ્રાહક સપોર્ટ ચેટબોટ્સ, કોડ જનરેશન અને વધુને આવરી લે છે.

• વર્તમાન સ્વાયત્ત ક્ષમતાઓ: આજના જનરેટિવ AI વિશ્વસનીય રીતે માળખાગત, પુનરાવર્તિત કાર્યોને ન્યૂનતમ દેખરેખ સાથે હેન્ડલ કરે છે. ઉદાહરણોમાં ફોર્મ્યુલા સમાચાર અહેવાલો (દા.ત. કોર્પોરેટ કમાણી સારાંશ) આપમેળે જનરેટ કરવા ( ફિલાના પેટરસન - ONA કોમ્યુનિટી પ્રોફાઇલ ), ઈ-કોમર્સ સાઇટ્સ પર ઉત્પાદન વર્ણનો અને સમીક્ષા હાઇલાઇટ્સનું ઉત્પાદન અને સ્વતઃ-પૂર્ણ કોડનો સમાવેશ થાય છે. આ ડોમેન્સમાં, AI ઘણીવાર નિયમિત સામગ્રી જનરેશનને સંભાળીને માનવ કાર્યકર્તાઓને વધારે છે.

• જટિલ કાર્યો માટે માનવ-ઇન-ધ-લૂપ: વધુ જટિલ અથવા ખુલ્લા કાર્યો માટે - જેમ કે સર્જનાત્મક લેખન, વિગતવાર વિશ્લેષણ અથવા તબીબી સલાહ - સામાન્ય રીતે વાસ્તવિક ચોકસાઈ, નૈતિક નિર્ણય અને ગુણવત્તા સુનિશ્ચિત કરવા માટે માનવ દેખરેખની જરૂર પડે છે. આજે ઘણા AI ડિપ્લોયમેન્ટ "માનવ-ઇન-ધ-લૂપ" મોડેલનો ઉપયોગ કરે છે જ્યાં AI સામગ્રીનો ડ્રાફ્ટ બનાવે છે અને માનવો તેની સમીક્ષા કરે છે.

• નજીકના ગાળાના સુધારાઓ: આગામી 5-10 વર્ષોમાં, જનરેટિવ AI વધુ વિશ્વસનીય અને સ્વાયત્ત . મોડેલ ચોકસાઈ અને રેલ મિકેનિઝમ્સમાં પ્રગતિ AI ને ન્યૂનતમ માનવ ઇનપુટ સાથે સર્જનાત્મક અને નિર્ણય લેવાના કાર્યોનો મોટો હિસ્સો સંભાળવાની મંજૂરી આપી શકે છે. ઉદાહરણ તરીકે, 2030 સુધીમાં નિષ્ણાતો આગાહી કરે છે કે AI મોટાભાગના ગ્રાહક સેવા ક્રિયાપ્રતિક્રિયાઓ અને નિર્ણયોને વાસ્તવિક સમયમાં સંભાળશે ( CX પર શિફ્ટની ફરીથી કલ્પના કરવા માટે, માર્કેટર્સે આ 2 વસ્તુઓ કરવી જ જોઈએ ઉદ્યોગો અને સાહસો માટે જનરેટિવ AI ઉપયોગના કેસો ) સાથે એક મોટી ફિલ્મનું નિર્માણ કરી શકાય છે

• 2035 સુધીમાં: એક દાયકામાં, આપણે અપેક્ષા રાખીએ છીએ કે સ્વાયત્ત AI એજન્ટો ઘણા ક્ષેત્રોમાં સામાન્ય થઈ જશે. AI ટ્યુટર્સ સ્કેલ પર વ્યક્તિગત શિક્ષણ પ્રદાન કરી શકે છે, AI સહાયકો નિષ્ણાત સાઇન-ઓફ માટે વિશ્વસનીય રીતે કાનૂની કરારો અથવા તબીબી અહેવાલો તૈયાર કરી શકે છે, અને સ્વ-ડ્રાઇવિંગ સિસ્ટમ્સ (જનરેટિવ સિમ્યુલેશન દ્વારા સહાયિત) એન્ડ-ટુ-એન્ડ લોજિસ્ટિક્સ કામગીરી ચલાવી શકે છે. જો કે, કેટલાક સંવેદનશીલ ક્ષેત્રો (દા.ત. ઉચ્ચ-દાવના તબીબી નિદાન, અંતિમ કાનૂની નિર્ણયો) ને હજુ પણ સલામતી અને જવાબદારી માટે માનવ નિર્ણયની જરૂર પડશે.

• નૈતિક અને વિશ્વસનીયતાની ચિંતાઓ: જેમ જેમ AI સ્વાયત્તતા વધે છે, તેમ તેમ ચિંતાઓ પણ વધે છે. આજે સમસ્યાઓમાં ભ્રમણા (AI દ્વારા હકીકતો બનાવવી), જનરેટ કરેલી સામગ્રીમાં પૂર્વગ્રહ, પારદર્શિતાનો અભાવ અને ખોટી માહિતી માટે સંભવિત દુરુપયોગનો સમાવેશ થાય છે. દેખરેખ વિના કામ કરતી વખતે AI પર વિશ્વાસ કરી સર્વોપરી છે. પ્રગતિ થઈ રહી છે - ઉદાહરણ તરીકે, સંસ્થાઓ જોખમ ઘટાડવામાં વધુ રોકાણ કરી રહી છે (ચોકસાઈ, સાયબર સુરક્ષા, IP મુદ્દાઓને સંબોધિત કરવા) ( The State of AI: Global survey | McKinsey ) - પરંતુ મજબૂત શાસન અને નૈતિક માળખાની જરૂર છે.

• આ પેપરનું માળખું: આપણે જનરેટિવ AI અને સ્વાયત્ત વિરુદ્ધ દેખરેખ હેઠળના ઉપયોગોના ખ્યાલનો પરિચય આપીને શરૂઆત કરીએ છીએ. પછી, દરેક મુખ્ય ક્ષેત્ર (લેખન, કલા, કોડિંગ, વગેરે) માટે, આપણે ચર્ચા કરીએ છીએ કે AI આજે વિશ્વસનીય રીતે શું કરી શકે છે અને ભવિષ્યમાં શું છે તેની સરખામણીમાં. આપણે ક્રોસ-કટીંગ પડકારો, ભવિષ્યના અંદાજો અને જનરેટિવ AI નો જવાબદારીપૂર્વક ઉપયોગ કરવા માટેની ભલામણો સાથે સમાપ્ત કરીએ છીએ.

એકંદરે, જનરેટિવ AI એ સતત માનવ માર્ગદર્શન વિના આશ્ચર્યજનક કાર્યોની શ્રેણીને હેન્ડલ કરવામાં સક્ષમ સાબિત થઈ ગયું છે. તેની વર્તમાન મર્યાદાઓ અને ભવિષ્યની સંભાવનાને સમજીને, સંસ્થાઓ અને જનતા એવા યુગ માટે વધુ સારી રીતે તૈયારી કરી શકે છે જેમાં AI માત્ર એક સાધન નથી, પરંતુ કાર્ય અને સર્જનાત્મકતામાં એક સ્વાયત્ત સહયોગી છે.

પરિચય

વિશ્લેષણ કરવામાં સક્ષમ છે , પરંતુ તાજેતરમાં જ AI સિસ્ટમ્સે ગદ્ય લખવાનું, છબીઓ કંપોઝ કરવાનું, પ્રોગ્રામિંગ સોફ્ટવેર બનાવવાનું જનરેટિવ AI મોડેલ્સ (જેમ કે ટેક્સ્ટ માટે GPT-4 અથવા છબીઓ માટે DALL·E) પ્રોમ્પ્ટ્સના પ્રતિભાવમાં નવીન સામગ્રી ઉત્પન્ન કરવા માટે વિશાળ ડેટાસેટ્સ પર તાલીમ આપવામાં આવે છે. આ સફળતાએ ઉદ્યોગોમાં નવીનતાની લહેર ફેલાવી છે. જો કે, એક મહત્વપૂર્ણ પ્રશ્ન ઊભો થાય છે: માનવ તેના આઉટપુટની બે વાર તપાસ કર્યા વિના, આપણે ખરેખર AI પર તેના પોતાના પર શું વિશ્વાસ કરી શકીએ છીએ?

AI ના દેખરેખ હેઠળના અને સ્વાયત્ત વચ્ચે તફાવત કરવો મહત્વપૂર્ણ છે

• માનવ-નિરીક્ષણ હેઠળનું AI એ એવા દૃશ્યોનો ઉલ્લેખ કરે છે જ્યાં AI આઉટપુટને અંતિમ સ્વરૂપ આપતા પહેલા લોકો દ્વારા સમીક્ષા અથવા ક્યુરેટ કરવામાં આવે છે. ઉદાહરણ તરીકે, એક પત્રકાર લેખનો મુસદ્દો તૈયાર કરવા માટે AI લેખન સહાયકનો ઉપયોગ કરી શકે છે, પરંતુ એક સંપાદક તેને સંપાદિત કરે છે અને મંજૂરી આપે છે.

• ઓટોનોમસ AI (માનવ હસ્તક્ષેપ વિના AI) એ AI સિસ્ટમ્સનો ઉલ્લેખ કરે છે જે કાર્યોને અમલમાં મૂકે છે અથવા એવી સામગ્રી ઉત્પન્ન કરે છે જે સીધી રીતે ઉપયોગમાં લેવાય છે અને માનવ સંપાદનની જરૂર નથી. ઉદાહરણ તરીકે, એક ઓટોમેટેડ ચેટબોટ જે માનવ એજન્ટ વિના ગ્રાહકના પ્રશ્નનું નિરાકરણ કરે છે, અથવા એક ન્યૂઝ આઉટલેટ જે AI દ્વારા જનરેટ કરાયેલ સ્પોર્ટ્સ સ્કોર રીકેપ આપમેળે પ્રકાશિત કરે છે.

જનરેટિવ AI પહેલાથી જ બંને મોડમાં ઉપયોગમાં લેવામાં આવી રહ્યું છે. 2023-2025 માં, અપનાવવાની પ્રક્રિયામાં વધારો થયો છે , સંસ્થાઓ આતુરતાથી પ્રયોગ કરી રહી છે. 2024 માં થયેલા એક વૈશ્વિક સર્વેમાં જાણવા મળ્યું કે 65% કંપનીઓ નિયમિતપણે જનરેટિવ AI નો ઉપયોગ કરી રહી છે, જે એક વર્ષ પહેલાના લગભગ એક તૃતીયાંશ હતી ( 2024 ની શરૂઆતમાં AI ની સ્થિતિ | મેકકિન્સે ). વ્યક્તિઓએ પણ ChatGPT જેવા સાધનો અપનાવ્યા છે - અંદાજે 79% વ્યાવસાયિકોએ 2023 ના મધ્ય સુધીમાં જનરેટિવ AI નો ઓછામાં ઓછો થોડો સંપર્ક કર્યો હતો ( 2023 માં AI ની સ્થિતિ: જનરેટિવ AI નું બ્રેકઆઉટ વર્ષ | મેકકિન્સે ). આ ઝડપી ઉપયોગ કાર્યક્ષમતા અને સર્જનાત્મકતા લાભોના વચન દ્વારા પ્રેરિત છે. છતાં તે "શરૂઆતના દિવસો" બાકી છે, અને ઘણી કંપનીઓ હજુ પણ AI નો જવાબદારીપૂર્વક ઉપયોગ કેવી રીતે કરવો તે અંગે નીતિઓ ઘડી રહી છે ( 2023 માં AI ની સ્થિતિ: જનરેટિવ AI નું બ્રેકઆઉટ વર્ષ | મેકકિન્સે ).

સ્વાયત્તતા શા માટે મહત્વની છે: માનવ દેખરેખ વિના AI ને કાર્ય કરવા દેવાથી કાર્યક્ષમતામાં મોટો ફાયદો થઈ શકે છે - કંટાળાજનક કાર્યોને સંપૂર્ણપણે સ્વચાલિત કરવા - પરંતુ તે વિશ્વસનીયતા માટે પણ દાવ લગાવે છે. એક સ્વાયત્ત AI એજન્ટે વસ્તુઓને યોગ્ય કરવી જોઈએ (અથવા તેની મર્યાદાઓ જાણવી જોઈએ) કારણ કે વાસ્તવિક સમયમાં ભૂલો પકડવા માટે કોઈ માનવ ન હોઈ શકે. કેટલાક કાર્યો આ માટે અન્ય કરતા વધુ જવાબદાર હોય છે. સામાન્ય રીતે, AI સ્વાયત્ત રીતે શ્રેષ્ઠ પ્રદર્શન કરે છે જ્યારે:

• આ કાર્યમાં સ્પષ્ટ માળખું અથવા પેટર્ન (દા.ત. ડેટામાંથી નિયમિત અહેવાલો જનરેટ કરવા).

• ભૂલો ઓછી જોખમી હોય છે અથવા સરળતાથી સહન કરી શકાય છે (દા.ત., તબીબી નિદાનની વિરુદ્ધ, જો અસંતોષકારક હોય તો છબી જનરેશન કાઢી શકાય છે).

• પરિસ્થિતિઓને આવરી લેતો પુષ્કળ તાલીમ ડેટા

તેનાથી વિપરીત, જે કાર્યો ખુલ્લા , ઊંચા દાવવાળા અથવા સૂક્ષ્મ નિર્ણયની જરૂર હોય તે આજે શૂન્ય દેખરેખ માટે ઓછા યોગ્ય છે.

નીચેના વિભાગોમાં, આપણે જનરેટિવ AI હવે શું કરી રહ્યું છે અને આગળ શું છે તે જોવા માટે વિવિધ ક્ષેત્રોની તપાસ કરીશું. આપણે AI-લેખિત સમાચાર લેખો અને AI-જનરેટેડ આર્ટવર્કથી લઈને કોડ-રાઇટિંગ સહાયકો અને વર્ચ્યુઅલ ગ્રાહક સેવા એજન્ટો સુધીના નક્કર ઉદાહરણો જોઈશું - જે દર્શાવે છે કે AI દ્વારા કયા કાર્યો એન્ડ-ટુ-એન્ડ કરી શકાય છે અને કયા કાર્યોને હજુ પણ લૂપમાં માનવીની જરૂર છે. દરેક ડોમેન માટે, આપણે વર્તમાન ક્ષમતાઓ (લગભગ 2025) ને 2035 સુધીમાં શું વિશ્વસનીય હોઈ શકે છે તેના વાસ્તવિક અંદાજોથી સ્પષ્ટ રીતે અલગ કરીએ છીએ.

વિવિધ ક્ષેત્રોમાં સ્વાયત્ત AI ના વર્તમાન અને ભવિષ્યનું મેપિંગ કરીને, અમે વાચકોને સંતુલિત સમજ પૂરી પાડવાનો ઉદ્દેશ્ય રાખીએ છીએ: ન તો AI ને જાદુઈ રીતે અચૂક ગણાવવું, ન તો તેની વાસ્તવિક અને વધતી જતી ક્ષમતાઓને ઓછી કિંમતે વેચવી. આ ફાઉન્ડેશન સાથે, અમે પછી મુખ્ય મુદ્દાઓ સાથે સમાપ્ત કરતા પહેલા, દેખરેખ વિના AI પર વિશ્વાસ કરવાના વ્યાપક પડકારોની ચર્ચા કરીએ છીએ, જેમાં નૈતિક વિચારણાઓ અને જોખમ વ્યવસ્થાપનનો સમાવેશ થાય છે.

લેખન અને સામગ્રી નિર્માણમાં જનરેટિવ AI

જનરેટિવ AI એ પહેલું ડોમેન બનાવ્યું તે હતું ટેક્સ્ટ જનરેશન. મોટા ભાષા મોડેલો સમાચાર લેખો અને માર્કેટિંગ કોપીથી લઈને સોશિયલ મીડિયા પોસ્ટ્સ અને દસ્તાવેજોના સારાંશ સુધી બધું જ બનાવી શકે છે. પરંતુ માનવ સંપાદક વિના આ લેખન કેટલું કરી શકાય છે?

વર્તમાન ક્ષમતાઓ (૨૦૨૫): નિયમિત સામગ્રીના સ્વતઃ-લેખક તરીકે AI

આજે, જનરેટિવ AI ન્યૂનતમ અથવા કોઈ માનવ હસ્તક્ષેપ વિના વિવિધ નિયમિત લેખન કાર્યોને . પત્રકારત્વમાં તેનું મુખ્ય ઉદાહરણ છે: એસોસિએટેડ પ્રેસ વર્ષોથી ઓટોમેશનનો ઉપયોગ કરીને દરેક ક્વાર્ટરમાં નાણાકીય ડેટા ફીડ્સમાંથી હજારો કંપની કમાણી અહેવાલો જનરેટ કરે છે ( ફિલાના પેટરસન - ONA કોમ્યુનિટી પ્રોફાઇલ ). આ ટૂંકા સમાચાર ટુકડાઓ એક ટેમ્પ્લેટને અનુસરે છે (દા.ત., "કંપની X એ Y ની કમાણી નોંધાવી, Z% ઉપર...") અને AI (કુદરતી ભાષા જનરેશન સોફ્ટવેરનો ઉપયોગ કરીને) કોઈપણ માનવ કરતાં વધુ ઝડપથી સંખ્યાઓ અને શબ્દભંડોળ ભરી શકે છે. AP ની સિસ્ટમ આ અહેવાલો આપમેળે પ્રકાશિત કરે છે, માનવ લેખકોની જરૂર વગર નાટકીય રીતે તેમના કવરેજને વિસ્તૃત કરે છે (પ્રતિ ક્વાર્ટર 3,000 થી વધુ વાર્તાઓ ) .

રમતગમત પત્રકારત્વમાં પણ એ જ રીતે વધારો થયો છે: AI સિસ્ટમ્સ રમતગમતના આંકડા લઈ શકે છે અને રીકેપ વાર્તાઓ ઉત્પન્ન કરી શકે છે. કારણ કે આ ડોમેન્સ ડેટા-આધારિત અને ફોર્મ્યુલાયુક્ત છે, જ્યાં સુધી ડેટા સાચો હોય ત્યાં સુધી ભૂલો દુર્લભ છે. આ કિસ્સાઓમાં, આપણે સાચી સ્વાયત્તતા - AI લખે છે અને સામગ્રી તરત જ પ્રકાશિત થાય છે.

વ્યવસાયો ઉત્પાદન વર્ણનો, ઇમેઇલ ન્યૂઝલેટર્સ અને અન્ય માર્કેટિંગ સામગ્રીનો ડ્રાફ્ટ બનાવવા માટે જનરેટિવ AI નો ઉપયોગ પણ કરી રહ્યા છે. ઉદાહરણ તરીકે, ઈ-કોમર્સ જાયન્ટ એમેઝોન હવે ઉત્પાદનો માટે ગ્રાહક સમીક્ષાઓનો સારાંશ આપવા માટે AI નો ઉપયોગ કરે છે. AI ઘણી વ્યક્તિગત સમીક્ષાઓના ટેક્સ્ટને સ્કેન કરે છે અને લોકોને વસ્તુ વિશે શું ગમે છે અથવા શું નાપસંદ છે તેનો સંક્ષિપ્ત હાઇલાઇટ ફકરો બનાવે છે, જે પછી મેન્યુઅલ એડિટિંગ વિના ઉત્પાદન પૃષ્ઠ પર પ્રદર્શિત થાય છે ( એમેઝોન AI સાથે ગ્રાહક સમીક્ષા અનુભવને સુધારે છે ). નીચે એમેઝોનની મોબાઇલ એપ્લિકેશન પર તૈનાત આ સુવિધાનું ચિત્ર છે , જ્યાં "ગ્રાહકો કહે છે" વિભાગ સંપૂર્ણપણે AI દ્વારા સમીક્ષા ડેટામાંથી જનરેટ કરવામાં આવે છે:

( એમેઝોન AI સાથે ગ્રાહક સમીક્ષાઓના અનુભવને સુધારે છે ) ઈ-કોમર્સ પ્રોડક્ટ પેજ પર AI-જનરેટેડ સમીક્ષા સારાંશ. એમેઝોનની સિસ્ટમ વપરાશકર્તા સમીક્ષાઓ (દા.ત., ઉપયોગમાં સરળતા, પ્રદર્શન) માંથી સામાન્ય મુદ્દાઓને ટૂંકા ફકરામાં સારાંશ આપે છે, જે ખરીદદારોને "ગ્રાહક સમીક્ષાઓના ટેક્સ્ટમાંથી AI-જનરેટેડ" તરીકે બતાવવામાં આવે છે.

આવા ઉપયોગના કિસ્સાઓ દર્શાવે છે કે જ્યારે સામગ્રી અનુમાનિત પેટર્નને અનુસરે છે અથવા હાલના ડેટામાંથી એકત્રિત કરવામાં આવે છે, ત્યારે AI ઘણીવાર તેને એકલા સંભાળી શકે છે . અન્ય વર્તમાન ઉદાહરણોમાં શામેલ છે:

• હવામાન અને ટ્રાફિક અપડેટ્સ: સેન્સર ડેટાના આધારે દૈનિક હવામાન અહેવાલો અથવા ટ્રાફિક બુલેટિનનું સંકલન કરવા માટે AI નો ઉપયોગ કરતા મીડિયા આઉટલેટ્સ.

• નાણાકીય અહેવાલો: કંપનીઓ આપમેળે સીધા નાણાકીય સારાંશ (ત્રિમાસિક પરિણામો, શેરબજાર બ્રીફિંગ) ઉત્પન્ન કરે છે. 2014 થી, બ્લૂમબર્ગ અને અન્ય સમાચાર આઉટલેટ્સ કંપનીની કમાણી પર સમાચાર બ્લર્બ્સ લખવામાં મદદ કરવા માટે AI નો ઉપયોગ કરી રહ્યા છે - એક પ્રક્રિયા જે ડેટા ફીડ થયા પછી મોટાભાગે આપમેળે ચાલે છે ( એપીના 'રોબોટ પત્રકારો' હવે પોતાની વાર્તાઓ લખી રહ્યા છે | ધ વર્જ ) ( વ્યોમિંગ રિપોર્ટર નકલી અવતરણો, વાર્તાઓ બનાવવા માટે AI નો ઉપયોગ કરતા પકડાયા ).

• અનુવાદ અને ટ્રાન્સક્રિપ્શન: ટ્રાન્સક્રિપ્શન સેવાઓ હવે માનવ ટાઇપિસ્ટ વિના મીટિંગ ટ્રાન્સક્રિપ્ટ્સ અથવા કૅપ્શન્સ બનાવવા માટે AI નો ઉપયોગ કરે છે. સર્જનાત્મક અર્થમાં જનરેટિવ ન હોવા છતાં, આ ભાષા કાર્યો સ્પષ્ટ ઑડિઓ માટે ઉચ્ચ ચોકસાઈ સાથે સ્વાયત્ત રીતે ચાલે છે.

• ડ્રાફ્ટ જનરેશન: ઘણા વ્યાવસાયિકો ઇમેઇલ્સ અથવા દસ્તાવેજોના પ્રથમ સંસ્કરણોનો ડ્રાફ્ટ કરવા માટે ChatGPT જેવા ટૂલ્સનો ઉપયોગ કરે છે, જો સામગ્રી ઓછી જોખમી હોય તો ક્યારેક ક્યારેક તેમને ખૂબ ઓછા અથવા કોઈ સંપાદન વિના મોકલે છે.

જોકે, વધુ જટિલ ગદ્ય માટે, 2025 માં માનવ દેખરેખ સામાન્ય રહે છે . સમાચાર સંસ્થાઓ ભાગ્યે જ AI માંથી સીધા તપાસાત્મક અથવા વિશ્લેષણાત્મક લેખો પ્રકાશિત કરે છે - સંપાદકો AI-લેખિત ડ્રાફ્ટ્સને હકીકત-તપાસ અને સુધારે છે. AI શૈલી અને રચનાની સારી નકલ કરી શકે છે પરંતુ હકીકતલક્ષી ભૂલો (ઘણીવાર "ભ્રમ" તરીકે ઓળખાય છે) અથવા અણઘડ શબ્દસમૂહો રજૂ કરી શકે છે જે માનવને પકડવાની જરૂર છે. ઉદાહરણ તરીકે, જર્મન અખબાર એક્સપ્રેસે પ્રારંભિક સમાચાર ટુકડાઓ લખવામાં મદદ કરવા માટે ક્લારા નામના AI "ડિજિટલ સાથીદાર" ની રજૂઆત કરી હતી. ક્લારા રમતગમતના અહેવાલો કાર્યક્ષમ રીતે ડ્રાફ્ટ કરી શકે છે અને વાચકોને આકર્ષિત કરતી હેડલાઇન્સ પણ લખી શકે છે, જે એક્સપ્રેસના લેખોના 11% ફાળો આપે છે - પરંતુ માનવ સંપાદકો હજુ પણ ચોકસાઈ અને પત્રકારત્વની અખંડિતતા માટે દરેક ભાગની સમીક્ષા કરે છે, ખાસ કરીને જટિલ વાર્તાઓ પર ( 12 રીતો પત્રકારો ન્યૂઝરૂમમાં AI સાધનોનો ઉપયોગ કરે છે - ટ્વાઇપ ). આ માનવ-AI ભાગીદારી આજે સામાન્ય છે: AI ટેક્સ્ટ જનરેટ કરવાની ભારે ઉપાડને સંભાળે છે, અને માણસો જરૂરિયાત મુજબ ક્યુરેટ અને સુધારે છે.

૨૦૩૦-૨૦૩૫ માટેનું ભવિષ્ય: વિશ્વસનીય સ્વાયત્ત લેખન તરફ

આગામી દાયકામાં, અમે અપેક્ષા રાખીએ છીએ કે જનરેટિવ AI ઉચ્ચ-ગુણવત્તાવાળા, વાસ્તવિક રીતે સાચા ટેક્સ્ટનું નિર્માણ કરવામાં વધુ વિશ્વસનીય બનશે, જે લેખન કાર્યોની શ્રેણીને વિસ્તૃત કરશે જે તે સ્વાયત્ત રીતે સંભાળી શકે છે. ઘણા વલણો આને સમર્થન આપે છે:

• સુધારેલી ચોકસાઈ: ચાલુ સંશોધન ઝડપથી ખોટી અથવા અપ્રસ્તુત માહિતી ઉત્પન્ન કરવાની AI ની વૃત્તિને ઘટાડી રહ્યું છે. 2030 સુધીમાં, વધુ સારી તાલીમ (રીઅલ-ટાઇમમાં ડેટાબેઝ સામે હકીકતો ચકાસવાની તકનીકો સહિત) સાથે અદ્યતન ભાષા મોડેલો આંતરિક રીતે માનવ-સ્તરની તથ્ય-તપાસ પ્રાપ્ત કરી શકે છે. આનો અર્થ એ છે કે AI આપમેળે સ્રોત સામગ્રીમાંથી લેવામાં આવેલા સાચા અવતરણો અને આંકડાઓ સાથે સંપૂર્ણ સમાચાર લેખનો મુસદ્દો તૈયાર કરી શકે છે, જેમાં બહુ ઓછા સંપાદનની જરૂર પડે છે.

• ડોમેન-વિશિષ્ટ AIs: આપણે ચોક્કસ ક્ષેત્રો (કાનૂની, તબીબી, તકનીકી લેખન) માટે વધુ વિશિષ્ટ જનરેટિવ મોડેલ્સ જોઈશું. 2030 નું કાનૂની AI મોડેલ વિશ્વસનીય રીતે માનક કરારોનો મુસદ્દો તૈયાર કરી શકે છે અથવા કેસ કાયદાનો સારાંશ આપી શકે છે - એવા કાર્યો જે માળખામાં ફોર્મ્યુલા છે પરંતુ હાલમાં વકીલના સમયની માંગ કરે છે. જો AI માન્ય કાનૂની દસ્તાવેજો પર તાલીમ પામેલ હોય, તો તેના ડ્રાફ્ટ્સ એટલા વિશ્વસનીય હોઈ શકે છે કે વકીલ ફક્ત ઝડપી અંતિમ નજર જ આપે છે.

• કુદરતી શૈલી અને સુસંગતતા: મોડેલો લાંબા દસ્તાવેજો પર સંદર્ભ જાળવવામાં વધુ સારા થઈ રહ્યા છે, જેના કારણે વધુ સુસંગત અને ઓન-પોઇન્ટ લાંબા સ્વરૂપની સામગ્રી બને છે. 2035 સુધીમાં, એ વાત શક્ય છે કે AI પોતાના પર નોન-ફિક્શન પુસ્તકનો યોગ્ય પ્રથમ ડ્રાફ્ટ અથવા ટેકનિકલ મેન્યુઅલ લખી શકે છે, જેમાં માનવો મુખ્યત્વે સલાહકારી ભૂમિકામાં હોય છે (ધ્યેય નક્કી કરવા અથવા વિશિષ્ટ જ્ઞાન પ્રદાન કરવા માટે).

વ્યવહારમાં આ કેવું દેખાશે? નિયમિત પત્રકારત્વ ચોક્કસ બીટ્સ માટે લગભગ સંપૂર્ણપણે સ્વચાલિત બની શકે છે. આપણે 2030 માં એક સમાચાર એજન્સીને દરેક કમાણી અહેવાલ, રમતગમતની વાર્તા અથવા ચૂંટણી પરિણામ અપડેટનું પ્રથમ સંસ્કરણ લખવા માટે AI સિસ્ટમ જોઈ શકીએ છીએ, જેમાં સંપાદક ગુણવત્તા ખાતરી માટે ફક્ત થોડા નમૂના લે છે. ખરેખર, નિષ્ણાતો આગાહી કરે છે કે ઑનલાઇન સામગ્રીનો સતત વધતો હિસ્સો મશીન-જનરેટેડ હશે - ઉદ્યોગ વિશ્લેષકો દ્વારા એક બોલ્ડ આગાહી સૂચવે છે કે 2026 સુધીમાં 90% સુધી ઑનલાઇન સામગ્રી AI-જનરેટેડ થઈ શકે છે ( 2026 સુધીમાં, બિન-માનવ દ્વારા જનરેટ કરાયેલ ઑનલાઇન સામગ્રી માનવ-જનરેટેડ સામગ્રી કરતાં ઘણી વધારે હશે - OODAloop ), જોકે તે આંકડા પર ચર્ચા છે. વધુ રૂઢિચુસ્ત પરિણામનો અર્થ એ થશે કે 2030 ના દાયકાના મધ્ય સુધીમાં, મોટાભાગના નિયમિત વેબ લેખો, ઉત્પાદન નકલ અને કદાચ વ્યક્તિગત સમાચાર ફીડ્સ પણ AI દ્વારા લખાયેલા હશે.

માર્કેટિંગ અને કોર્પોરેટ કોમ્યુનિકેશનમાં , જનરેટિવ AI ને સમગ્ર ઝુંબેશ સ્વાયત્ત રીતે ચલાવવાનું કામ સોંપવામાં આવશે. તે વ્યક્તિગત માર્કેટિંગ ઇમેઇલ્સ, સોશિયલ મીડિયા પોસ્ટ્સ અને જાહેરાત કોપી ભિન્નતાઓ જનરેટ અને મોકલી શકે છે, ગ્રાહક પ્રતિક્રિયાઓના આધારે મેસેજિંગમાં સતત ફેરફાર કરી શકે છે - આ બધું લૂપમાં માનવ કોપીરાઇટર વિના. ગાર્ટનર વિશ્લેષકોનો અંદાજ છે કે 2025 સુધીમાં, મોટા સાહસોના ઓછામાં ઓછા 30% આઉટબાઉન્ડ માર્કેટિંગ સંદેશાઓ કૃત્રિમ રીતે AI ( ઉદ્યોગો અને સાહસો માટે જનરેટિવ AI ઉપયોગના કેસો ) દ્વારા જનરેટ કરવામાં આવશે, અને આ ટકાવારી 2030 સુધીમાં ફક્ત વધશે.

જોકે, એ નોંધવું અગત્યનું છે કે માનવ સર્જનાત્મકતા અને નિર્ણય હજુ પણ ભૂમિકા ભજવશે, ખાસ કરીને ઉચ્ચ-દાવવાળી સામગ્રી માટે . 2035 સુધીમાં, AI પોતાની રીતે પ્રેસ રિલીઝ અથવા બ્લોગ પોસ્ટનું સંચાલન કરી શકે છે, પરંતુ જવાબદારી અથવા સંવેદનશીલ વિષયો સાથે સંકળાયેલ તપાસ પત્રકારત્વ માટે, મીડિયા આઉટલેટ્સ હજુ પણ માનવ દેખરેખ પર આગ્રહ રાખી શકે છે. ભવિષ્ય સંભવતઃ એક સ્તરીય અભિગમ લાવશે: AI સ્વાયત્ત રીતે રોજિંદા સામગ્રીનો મોટો ભાગ ઉત્પન્ન કરે છે, જ્યારે માનવો વ્યૂહાત્મક અથવા સંવેદનશીલ ટુકડાઓનું સંપાદન અને ઉત્પાદન પર ધ્યાન કેન્દ્રિત કરે છે. મૂળભૂત રીતે, AI કુશળતા વધતાં "નિયમિત" તરીકે ગણાતી બાબતોની રેખા વિસ્તરશે.

AI-જનરેટેડ ઇન્ટરેક્ટિવ નેરેટિવ્સ અથવા વ્યક્તિગત અહેવાલો જેવા નવા સ્વરૂપો ઉભરી શકે છે. ઉદાહરણ તરીકે, કંપનીનો વાર્ષિક અહેવાલ AI દ્વારા બહુવિધ શૈલીઓમાં જનરેટ કરી શકાય છે - એક્ઝિક્યુટિવ્સ માટે સંક્ષિપ્ત, કર્મચારીઓ માટે નેરેટિવ વર્ઝન, વિશ્લેષકો માટે ડેટા-સમૃદ્ધ વર્ઝન - દરેક સમાન અંતર્ગત ડેટામાંથી આપમેળે બનાવવામાં આવે છે. શિક્ષણમાં, પાઠ્યપુસ્તકો વિવિધ વાંચન સ્તરોને અનુરૂપ AI દ્વારા ગતિશીલ રીતે લખી શકાય છે. આ એપ્લિકેશનો મોટાભાગે સ્વાયત્ત હોઈ શકે છે પરંતુ ચકાસાયેલ માહિતી દ્વારા આધારભૂત હોઈ શકે છે.

લેખિત માર્ગ સૂચવે છે કે 2030 ના દાયકાના મધ્ય સુધીમાં, AI એક ફળદાયી લેખક બનશે . ખરેખર સ્વાયત્ત કામગીરી માટેની ચાવી તેના આઉટપુટમાં વિશ્વાસ સ્થાપિત કરવાની રહેશે. જો AI સતત તથ્યપૂર્ણ ચોકસાઈ, શૈલીયુક્ત ગુણવત્તા અને નૈતિક ધોરણો સાથે સંરેખણ દર્શાવી શકે, તો લાઇન-બાય-લાઇન માનવ સમીક્ષાની જરૂરિયાત ઓછી થઈ જશે. આ શ્વેતપત્રના ભાગો, 2035 સુધીમાં, AI સંશોધક દ્વારા સંપાદકની જરૂર વગર ખૂબ જ સારી રીતે તૈયાર કરવામાં આવી શકે છે - એક સંભાવના જેના વિશે આપણે સાવચેતીપૂર્વક આશાવાદી છીએ, જો યોગ્ય સુરક્ષા પગલાં સ્થાને હોય.

વિઝ્યુઅલ આર્ટ્સ અને ડિઝાઇનમાં જનરેટિવ AI

છબીઓ અને કલાકૃતિઓ બનાવવાની જનરેટિવ AI ની ક્ષમતાએ લોકોની કલ્પનાશક્તિને આકર્ષિત કરી છે, જેમાં AI-જનરેટેડ પેઇન્ટિંગ્સ, આર્ટ સ્પર્ધાઓ જીતવાથી લઈને વાસ્તવિક ફૂટેજથી અલગ ન કરી શકાય તેવા ડીપફેક વિડિઓઝનો સમાવેશ થાય છે. વિઝ્યુઅલ ડોમેન્સમાં, જનરેટિવ એડવર્સેરિયલ નેટવર્ક્સ (GAN) અને ડિફ્યુઝન મોડેલ્સ (દા.ત. સ્ટેબલ ડિફ્યુઝન, મિડજર્ની) જેવા AI મોડેલ્સ ટેક્સ્ટ પ્રોમ્પ્ટના આધારે મૂળ છબીઓ બનાવી શકે છે. તો, શું AI હવે એક સ્વાયત્ત કલાકાર અથવા ડિઝાઇનર તરીકે કાર્ય કરી શકે છે?

વર્તમાન ક્ષમતાઓ (૨૦૨૫): સર્જનાત્મક સહાયક તરીકે AI

2025 સુધીમાં, જનરેટિવ મોડેલો માંગ પર છબીઓ . વપરાશકર્તાઓ AI ને "વેન ગોની શૈલીમાં સૂર્યાસ્ત સમયે મધ્યયુગીન શહેર" દોરવા માટે કહી શકે છે અને થોડીક સેકન્ડોમાં એક ખાતરીપૂર્વક કલાત્મક છબી પ્રાપ્ત કરી શકે છે. આના કારણે ગ્રાફિક ડિઝાઇન, માર્કેટિંગ અને મનોરંજનમાં કોન્સેપ્ટ આર્ટ, પ્રોટોટાઇપ્સ અને કેટલાક કિસ્સાઓમાં અંતિમ દ્રશ્યો માટે AI નો વ્યાપક ઉપયોગ થયો છે. નોંધનીય છે:

• ગ્રાફિક ડિઝાઇન અને સ્ટોક છબીઓ: કંપનીઓ AI દ્વારા વેબસાઇટ ગ્રાફિક્સ, ચિત્રો અથવા સ્ટોક ફોટા જનરેટ કરે છે, જેનાથી કલાકાર પાસેથી દરેક કાર્યને કમિશન આપવાની જરૂરિયાત ઓછી થાય છે. ઘણી માર્કેટિંગ ટીમો ગ્રાહકોને શું આકર્ષે છે તે ચકાસવા માટે જાહેરાતો અથવા ઉત્પાદન છબીઓની વિવિધતા બનાવવા માટે AI ટૂલ્સનો ઉપયોગ કરે છે.

• કલા અને ચિત્ર: વ્યક્તિગત કલાકારો વિચારો પર વિચાર કરવા અથવા વિગતો ભરવા માટે AI સાથે સહયોગ કરે છે. ઉદાહરણ તરીકે, એક ચિત્રકાર પૃષ્ઠભૂમિ દૃશ્યો બનાવવા માટે AI નો ઉપયોગ કરી શકે છે, જેને તેઓ પછી તેમના માનવ-દોરેલા પાત્રો સાથે સંકલિત કરે છે. કેટલાક કોમિક બુક સર્જકોએ AI-જનરેટેડ પેનલ્સ અથવા રંગ સાથે પ્રયોગ કર્યો છે.

• મીડિયા અને મનોરંજન: AI-જનરેટેડ કલા મેગેઝિન કવર અને પુસ્તક કવર પર દેખાય છે. એક પ્રખ્યાત ઉદાહરણ ઓગસ્ટ 2022 ના કોસ્મોપોલિટન કવર હતું જેમાં એક અવકાશયાત્રી દર્શાવવામાં આવ્યો હતો - અહેવાલ મુજબ, આર્ટ ડિરેક્ટર દ્વારા નિર્દેશિત AI (OpenAI's DALL·E) દ્વારા બનાવવામાં આવેલી પ્રથમ મેગેઝિન કવર છબી. જ્યારે આમાં માનવ પ્રેરણા અને પસંદગીનો સમાવેશ થતો હતો, ત્યારે વાસ્તવિક કલાકૃતિ મશીન-રેન્ડર કરવામાં આવી હતી.

મહત્વપૂર્ણ વાત એ છે કે, આમાંના મોટાભાગના વર્તમાન ઉપયોગોમાં હજુ પણ માનવ ક્યુરેશન અને પુનરાવર્તનનો સમાવેશ થાય છે . AI ડઝનેક છબીઓ બહાર કાઢી શકે છે, અને એક માનવ શ્રેષ્ઠ પસંદ કરે છે અને સંભવતઃ તેને સ્પર્શ કરે છે. તે અર્થમાં, AI ઉત્પન્ન કરવા , પરંતુ માનવો સર્જનાત્મક દિશા નિર્દેશિત કરી રહ્યા છે અને અંતિમ પસંદગીઓ કરી રહ્યા છે. તે ઝડપથી ઘણી બધી સામગ્રી ઉત્પન્ન કરવા માટે વિશ્વસનીય છે, પરંતુ પ્રથમ પ્રયાસમાં બધી આવશ્યકતાઓને પૂર્ણ કરવાની ગેરંટી નથી. ખોટી વિગતો (દા.ત. AI ખોટી આંગળીઓથી હાથ દોરે છે, એક જાણીતી વિચિત્રતા) અથવા અણધાર્યા પરિણામો જેવી સમસ્યાઓનો અર્થ એ છે કે માનવ કલા નિર્દેશકને સામાન્ય રીતે આઉટપુટ ગુણવત્તાનું નિરીક્ષણ કરવાની જરૂર હોય છે.

જોકે, એવા ક્ષેત્રો છે જ્યાં AI સંપૂર્ણ સ્વાયત્તતાની નજીક છે:

• જનરેટિવ ડિઝાઇન: આર્કિટેક્ચર અને પ્રોડક્ટ ડિઝાઇન જેવા ક્ષેત્રોમાં, AI ટૂલ્સ સ્વાયત્ત રીતે ડિઝાઇન પ્રોટોટાઇપ બનાવી શકે છે જે ચોક્કસ મર્યાદાઓને પૂર્ણ કરે છે. ઉદાહરણ તરીકે, ફર્નિચરના ટુકડાના ઇચ્છિત પરિમાણો અને કાર્યોને ધ્યાનમાં રાખીને, જનરેટિવ અલ્ગોરિધમ પ્રારંભિક સ્પેક્સ ઉપરાંત માનવ હસ્તક્ષેપ વિના ઘણી વ્યવહારુ ડિઝાઇન (કેટલીક તદ્દન અપરંપરાગત) આઉટપુટ કરી શકે છે. આ ડિઝાઇનનો ઉપયોગ પછી માનવો દ્વારા સીધો અથવા શુદ્ધ કરી શકાય છે. તેવી જ રીતે, એન્જિનિયરિંગમાં, જનરેટિવ AI વજન અને શક્તિ માટે ઑપ્ટિમાઇઝ કરેલા ભાગો (જેમ કે, વિમાનનો ઘટક) ડિઝાઇન કરી શકે છે, જે નવલકથા આકાર ઉત્પન્ન કરે છે જેની માનવીએ કલ્પના પણ ન કરી હોય.

• વિડિઓ ગેમ સંપત્તિઓ: AI વિડિઓ ગેમ્સ માટે ટેક્સચર, 3D મોડેલ અથવા તો સમગ્ર સ્તરો આપમેળે જનરેટ કરી શકે છે. વિકાસકર્તાઓ સામગ્રી નિર્માણને ઝડપી બનાવવા માટે આનો ઉપયોગ કરે છે. કેટલીક ઇન્ડી રમતોએ પ્રક્રિયાગત રીતે જનરેટ કરેલી આર્ટવર્ક અને સંવાદ (ભાષા મોડેલો દ્વારા) નો સમાવેશ કરવાનું શરૂ કર્યું છે જેથી ન્યૂનતમ માનવ-નિર્મિત સંપત્તિઓ સાથે વિશાળ, ગતિશીલ રમત વિશ્વ બનાવવામાં આવે.

• એનિમેશન અને વિડીયો (ઉભરતા): સ્ટેટિક ઈમેજો કરતાં ઓછી પરિપક્વ હોવા છતાં, વિડીયો માટે જનરેટિવ AI આગળ વધી રહ્યું છે. AI પહેલાથી જ પ્રોમ્પ્ટમાંથી ટૂંકી વિડીયો ક્લિપ્સ અથવા એનિમેશન જનરેટ કરી શકે છે, જોકે ગુણવત્તા અસંગત છે. ડીપફેક ટેકનોલોજી - જે જનરેટિવ છે - વાસ્તવિક ફેસ સ્વેપ અથવા વોઇસ ક્લોન્સ ઉત્પન્ન કરી શકે છે. નિયંત્રિત સેટિંગમાં, સ્ટુડિયો આપમેળે પૃષ્ઠભૂમિ દ્રશ્ય અથવા ભીડ એનિમેશન જનરેટ કરવા માટે AI નો ઉપયોગ કરી શકે છે.

નોંધપાત્ર રીતે, ગાર્ટનરે આગાહી કરી હતી કે 2030 સુધીમાં, આપણે એક મોટી બ્લોકબસ્ટર ફિલ્મ જોઈશું જેમાં 90% સામગ્રી AI દ્વારા જનરેટ થશે (સ્ક્રિપ્ટથી વિઝ્યુઅલ્સ સુધી) ( ઉદ્યોગો અને સાહસો માટે જનરેટિવ AI ઉપયોગના કેસો ). 2025 સુધીમાં, આપણે હજી ત્યાં સુધી પહોંચ્યા નથી - AI સ્વતંત્ર રીતે ફીચર-લેન્થ ફિલ્મ બનાવી શકતું નથી. પરંતુ તે પઝલના ટુકડાઓ વિકાસ પામી રહ્યા છે: સ્ક્રિપ્ટ જનરેશન (ટેક્સ્ટ AI), પાત્ર અને દ્રશ્ય જનરેશન (ઇમેજ/વિડિયો AI), વૉઇસ એક્ટિંગ (AI વૉઇસ ક્લોન્સ), અને એડિટિંગ સહાય (AI પહેલાથી જ કટ અને ટ્રાન્ઝિશનમાં મદદ કરી શકે છે).

૨૦૩૦-૨૦૩૫ માટેનું ભવિષ્ય: AI-જનરેટેડ મીડિયા મોટા પાયે

આગળ જોતાં, વિઝ્યુઅલ આર્ટ્સ અને ડિઝાઇનમાં જનરેટિવ AI ની ભૂમિકા નાટકીય રીતે વિસ્તરવાની તૈયારીમાં છે. 2035 સુધીમાં, અમે અપેક્ષા રાખીએ છીએ કે AI ઘણા વિઝ્યુઅલ મીડિયામાં પ્રાથમિક સામગ્રી નિર્માતા

• સંપૂર્ણપણે AI-જનરેટેડ ફિલ્મો અને વિડિઓઝ: આગામી દસ વર્ષમાં, એ શક્ય છે કે આપણે પહેલી ફિલ્મો અથવા શ્રેણીઓ જોઈશું જે મોટાભાગે AI-નિર્મિત હશે. માનવીઓ ઉચ્ચ-સ્તરીય દિશા (દા.ત. સ્ક્રિપ્ટ રૂપરેખા અથવા ઇચ્છિત શૈલી) પ્રદાન કરી શકે છે અને AI દ્રશ્યો રજૂ કરશે, અભિનેતાઓની સમાનતાઓ બનાવશે અને બધું જ એનિમેટ કરશે. ટૂંકી ફિલ્મોમાં પ્રારંભિક પ્રયોગો થોડા વર્ષોમાં થવાની શક્યતા છે, જેમાં 2030 સુધીમાં ફીચર-લેન્થ પ્રયાસો થશે. આ AI ફિલ્મો વિશિષ્ટ (પ્રાયોગિક એનિમેશન, વગેરે) શરૂ કરી શકે છે પરંતુ ગુણવત્તામાં સુધારો થતાં મુખ્ય પ્રવાહ બની શકે છે. ગાર્ટનરની 2030 સુધીમાં 90% ફિલ્મ આગાહી ( ઉદ્યોગો અને સાહસો માટે જનરેટિવ AI ઉપયોગના કેસો ), મહત્વાકાંક્ષી હોવા છતાં, ઉદ્યોગની માન્યતાને રેખાંકિત કરે છે કે AI સામગ્રીનું નિર્માણ ફિલ્મ નિર્માણમાં મોટાભાગનો ભાર ઉઠાવવા માટે પૂરતું સુસંસ્કૃત હશે.

• ડિઝાઇન ઓટોમેશન: ફેશન અથવા આર્કિટેક્ચર જેવા ક્ષેત્રોમાં, જનરેટિવ AI નો ઉપયોગ "ખર્ચ, સામગ્રી, શૈલી X" જેવા પરિમાણોના આધારે સેંકડો ડિઝાઇન ખ્યાલોને સ્વાયત્ત રીતે ડ્રાફ્ટ કરવા માટે થશે, જેનાથી માનવોને અંતિમ ડિઝાઇન પસંદ કરવાનું રહેશે. આ વર્તમાન ગતિશીલતાને ઉલટાવી દે છે: ડિઝાઇનર્સ શરૂઆતથી સર્જન કરવા અને કદાચ પ્રેરણા માટે AI નો ઉપયોગ કરવાને બદલે, ભવિષ્યના ડિઝાઇનર્સ ક્યુરેટર તરીકે વધુ કાર્ય કરી શકે છે, શ્રેષ્ઠ AI-જનરેટેડ ડિઝાઇન પસંદ કરી શકે છે અને કદાચ તેને ટ્વિક કરી શકે છે. 2035 સુધીમાં, એક આર્કિટેક્ટ ઇમારત માટેની આવશ્યકતાઓ દાખલ કરી શકે છે અને AI (બધા માળખાકીય રીતે મજબૂત, એમ્બેડેડ એન્જિનિયરિંગ નિયમોના સૌજન્યથી) તરફથી સૂચનો તરીકે સંપૂર્ણ બ્લુપ્રિન્ટ્સ મેળવી શકે છે.

• વ્યક્તિગત સામગ્રી બનાવટ: આપણે AI ને વ્યક્તિગત વપરાશકર્તાઓ માટે તરત જ વિઝ્યુઅલ્સ બનાવતા જોઈ શકીએ છીએ. 2035 માં એક વિડિઓ ગેમ અથવા વર્ચ્યુઅલ રિયાલિટી અનુભવની કલ્પના કરો જ્યાં દૃશ્યાવલિ અને પાત્રો ખેલાડીની પસંદગીઓ અનુસાર અનુકૂલન કરે છે, જે AI દ્વારા વાસ્તવિક સમયમાં જનરેટ થાય છે. અથવા વપરાશકર્તાના દિવસના આધારે જનરેટ કરાયેલ વ્યક્તિગત કોમિક સ્ટ્રીપ્સ - એક સ્વાયત્ત "દૈનિક ડાયરી કોમિક" AI જે તમારા ટેક્સ્ટ જર્નલને દરરોજ સાંજે આપમેળે ચિત્રોમાં ફેરવે છે.

• મલ્ટિમોડલ ક્રિએટિવિટી: જનરેટિવ એઆઈ સિસ્ટમ્સ વધુને વધુ મલ્ટિમોડલ બની રહી છે - એટલે કે તેઓ ટેક્સ્ટ, છબીઓ, ઑડિઓ, વગેરેને એકસાથે હેન્ડલ કરી શકે છે. આને જોડીને, એઆઈ "મેક મી અ માર્કેટિંગ ઝુંબેશ ફોર પ્રોડક્ટ X" જેવો સરળ પ્રોમ્પ્ટ લઈ શકે છે અને ફક્ત લેખિત નકલ જ નહીં, પરંતુ મેચિંગ ગ્રાફિક્સ, કદાચ ટૂંકી પ્રમોશનલ વિડિઓ ક્લિપ્સ પણ જનરેટ કરી શકે છે, જે બધી શૈલીમાં સુસંગત છે. આ પ્રકારનો એક-ક્લિક કન્ટેન્ટ સ્યુટ 2030 ના દાયકાની શરૂઆતમાં સંભવિત સેવા બની શકે છે.

શું AI માનવ કલાકારોનું સ્થાન લેશે ? આ પ્રશ્ન વારંવાર ઉદ્ભવે છે. એવી શક્યતા છે કે AI ઘણા બધા ઉત્પાદન કાર્ય (ખાસ કરીને વ્યવસાય માટે જરૂરી પુનરાવર્તિત અથવા ઝડપી-પરિવર્તનશીલ કલા) સંભાળશે, પરંતુ માનવ કલાત્મકતા મૌલિકતા અને નવીનતા માટે રહેશે. 2035 સુધીમાં, એક સ્વાયત્ત AI વિશ્વસનીય રીતે પ્રખ્યાત કલાકારની શૈલીમાં ચિત્ર દોરી શકે છે - પરંતુ નવી શૈલી અથવા ઊંડા સાંસ્કૃતિક રીતે પડઘો પાડતી કલા બનાવવી હજુ પણ માનવ શક્તિ હોઈ શકે છે (સંભવિત રીતે AI સાથે સહયોગી તરીકે). આપણે ભવિષ્યની આગાહી કરીએ છીએ જ્યાં માનવ કલાકારો સ્વાયત્ત AI "સહ-કલાકારો" સાથે કામ કરે છે. કોઈ વ્યક્તિ પોતાના ઘરમાં ડિજિટલ ગેલેરી માટે સતત કલા ઉત્પન્ન કરવા માટે વ્યક્તિગત AI ને કમિશન આપી શકે છે, ઉદાહરણ તરીકે, સતત બદલાતી સર્જનાત્મક વાતાવરણ પ્રદાન કરે છે.

વિશ્વસનીયતાના દૃષ્ટિકોણથી, વિઝ્યુઅલ જનરેટિવ AI પાસે ટેક્સ્ટ કરતાં સ્વાયત્તતાનો માર્ગ કેટલીક રીતે સરળ છે: છબી સંપૂર્ણ ન હોય તો પણ વ્યક્તિલક્ષી રીતે "પૂરતી સારી" હોઈ શકે છે, જ્યારે ટેક્સ્ટમાં હકીકતલક્ષી ભૂલ વધુ સમસ્યારૂપ છે. આમ, આપણે પહેલાથી જ પ્રમાણમાં ઓછા જોખમવાળા અપનાવવા - જો AI-જનરેટેડ ડિઝાઇન કદરૂપી અથવા ખોટી હોય, તો તમે તેનો ઉપયોગ કરશો નહીં, પરંતુ તે પોતે કોઈ નુકસાન પહોંચાડતું નથી. આનો અર્થ એ છે કે 2030 ના દાયકા સુધીમાં, કંપનીઓ AI ને દેખરેખ વિના ડિઝાઇન બનાવવા દેવા માટે આરામદાયક હશે અને જ્યારે ખરેખર નવીન અથવા જોખમી કંઈકની જરૂર હોય ત્યારે જ માનવોને સામેલ કરશે.

સારાંશમાં, 2035 સુધીમાં જનરેટિવ AI વિઝ્યુઅલ્સમાં એક પાવરહાઉસ કન્ટેન્ટ સર્જક બનવાની અપેક્ષા છે, જે આપણી આસપાસની છબીઓ અને મીડિયાના નોંધપાત્ર ભાગ માટે જવાબદાર હશે. તે મનોરંજન, ડિઝાઇન અને રોજિંદા સંદેશાવ્યવહાર માટે વિશ્વસનીય રીતે સામગ્રી જનરેટ કરશે. સ્વાયત્ત કલાકાર ક્ષિતિજ પર છે - જોકે AI ને સર્જનાત્મક કે ફક્ત એક ખૂબ જ સ્માર્ટ સાધન છે તે એક ચર્ચા છે જે વિકસિત થશે કારણ કે તેના આઉટપુટ માનવ-નિર્મિતથી અસ્પષ્ટ બનશે.

સોફ્ટવેર ડેવલપમેન્ટ (કોડિંગ) માં જનરેટિવ એઆઈ

સોફ્ટવેર ડેવલપમેન્ટ ખૂબ જ વિશ્લેષણાત્મક કાર્ય જેવું લાગે છે, પરંતુ તેમાં એક સર્જનાત્મક તત્વ પણ છે - કોડ લખવાનું મૂળભૂત રીતે સંરચિત ભાષામાં ટેક્સ્ટ બનાવવાનું છે. આધુનિક જનરેટિવ AI, ખાસ કરીને મોટા ભાષા મોડેલો, કોડિંગમાં ખૂબ જ પારંગત સાબિત થયા છે. GitHub Copilot, Amazon CodeWhisperer, અને અન્ય જેવા સાધનો AI જોડી પ્રોગ્રામર તરીકે કાર્ય કરે છે, કોડ સ્નિપેટ્સ અથવા વિકાસકર્તાઓ દ્વારા લખાતા સમગ્ર કાર્યો સૂચવે છે. આ સ્વાયત્ત પ્રોગ્રામિંગ તરફ ક્યાં સુધી જઈ શકે છે?

વર્તમાન ક્ષમતાઓ (2025): કોડિંગ કો-પાયલટ તરીકે AI

2025 સુધીમાં, ઘણા વિકાસકર્તાઓના કાર્યપ્રવાહમાં AI કોડ જનરેટર સામાન્ય બની ગયા છે. આ સાધનો કોડની લાઇનોને સ્વતઃપૂર્ણ કરી શકે છે, બોઈલરપ્લેટ (જેમ કે માનક કાર્યો અથવા પરીક્ષણો) જનરેટ કરી શકે છે, અને કુદરતી ભાષાના વર્ણન સાથે સરળ પ્રોગ્રામ પણ લખી શકે છે. જોકે, મહત્વપૂર્ણ રીતે, તેઓ વિકાસકર્તાની દેખરેખ હેઠળ કાર્ય કરે છે - વિકાસકર્તા AI ના સૂચનોની સમીક્ષા કરે છે અને એકીકૃત કરે છે.

કેટલાક વર્તમાન તથ્યો અને આંકડા:

• 2023 ના અંત સુધીમાં અડધાથી વધુ વ્યાવસાયિક વિકાસકર્તાઓએ AI કોડિંગ સહાયકો અપનાવ્યા હતા ( કોપાયલોટ પર કોડિંગ: 2023 ડેટા કોડ ગુણવત્તા પર નીચેનું દબાણ સૂચવે છે (2024 અંદાજો સહિત) - GitClear ), જે ઝડપી ઉપયોગ સૂચવે છે. GitHub Copilot, પ્રથમ વ્યાપકપણે ઉપલબ્ધ સાધનોમાંનું એક, પ્રોજેક્ટ્સમાં સરેરાશ 30-40% કોડ જનરેટ કરતું હોવાનું નોંધાયું હતું જ્યાં તેનો ઉપયોગ થાય છે ( કોડિંગ હવે MOAT નથી. GitHub પર 46% કોડ પહેલાથી જ છે ... ). આનો અર્થ એ છે કે AI પહેલાથી જ કોડના નોંધપાત્ર ભાગો લખી રહ્યું છે, જોકે માનવ તેનું સંચાલન અને માન્યતા કરી રહ્યો છે.

• આ AI ટૂલ્સ પુનરાવર્તિત કોડ લખવા (દા.ત., ડેટા મોડેલ વર્ગો, ગેટર/સેટર પદ્ધતિઓ), એક પ્રોગ્રામિંગ ભાષાને બીજી ભાષામાં રૂપાંતરિત કરવા, અથવા તાલીમ ઉદાહરણો જેવા સીધા અલ્ગોરિધમ્સ બનાવવા જેવા કાર્યોમાં શ્રેષ્ઠ છે. ઉદાહરણ તરીકે, ડેવલપર "// ફંક્શન ટુ સૉર્ટ સૂચિ ઓફ યુઝર્સને નામ દ્વારા" ટિપ્પણી કરી શકે છે અને AI લગભગ તરત જ યોગ્ય સૉર્ટિંગ ફંક્શન જનરેટ કરશે.

• તેઓ બગ ફિક્સિંગ અને સમજૂતીમાં : ડેવલપર્સ ભૂલ સંદેશ પેસ્ટ કરી શકે છે અને AI ફિક્સ સૂચવી શકે છે, અથવા પૂછી શકે છે કે "આ કોડ શું કરે છે?" અને કુદરતી ભાષામાં સમજૂતી મેળવી શકે છે. આ એક અર્થમાં સ્વાયત્ત છે (AI પોતાની જાતે સમસ્યાઓનું નિદાન કરી શકે છે), પરંતુ માનવ નક્કી કરે છે કે ફિક્સ લાગુ કરવો કે નહીં.

• મહત્વનું છે કે, વર્તમાન AI કોડિંગ સહાયકો ભૂલથી મુક્ત નથી. તેઓ અસુરક્ષિત કોડ અથવા કોડ સૂચવી શકે છે જે લગભગ સમસ્યાનું નિરાકરણ લાવે છે પરંતુ તેમાં સૂક્ષ્મ ભૂલો હોય છે. આમ, આજના સમયની શ્રેષ્ઠ પ્રથા એ છે કે માનવીને લૂપમાં રાખવી - વિકાસકર્તા AI-લેખિત કોડનું પરીક્ષણ અને ડિબગિંગ કરે છે જેમ તેઓ માનવ-લેખિત કોડ કરે છે. નિયમનકારી ઉદ્યોગો અથવા મહત્વપૂર્ણ સોફ્ટવેર (જેમ કે તબીબી અથવા ઉડ્ડયન પ્રણાલીઓ) માં, કોઈપણ AI યોગદાનની સખત સમીક્ષા કરવામાં આવે છે.

આજે કોઈ પણ મુખ્યધારાવાળી સોફ્ટવેર સિસ્ટમ સંપૂર્ણપણે AI દ્વારા લખાયેલી નથી, જે વિકાસકર્તાઓની દેખરેખ વિના સંપૂર્ણપણે ઉપયોગમાં લેવાય છે. જો કે, કેટલાક સ્વાયત્ત અથવા અર્ધ-સ્વાયત્ત ઉપયોગો ઉભરી રહ્યા છે:

• ઓટો-જનરેટેડ યુનિટ ટેસ્ટ: AI કોડનું વિશ્લેષણ કરી શકે છે અને વિવિધ કેસોને આવરી લેવા માટે યુનિટ ટેસ્ટ ઉત્પન્ન કરી શકે છે. એક ટેસ્ટિંગ ફ્રેમવર્ક સ્વાયત્ત રીતે આ AI-લેખિત ટેસ્ટ જનરેટ કરી શકે છે અને બગ્સ પકડવા માટે ચલાવી શકે છે, જે માનવ-લેખિત ટેસ્ટને વધારે છે.

• AI સાથે લો-કોડ/નો-કોડ પ્લેટફોર્મ: કેટલાક પ્લેટફોર્મ બિન-પ્રોગ્રામર્સને તેઓ શું ઇચ્છે છે તેનું વર્ણન કરવાની મંજૂરી આપે છે (દા.ત. "એન્ટ્રીઓ સાચવવા માટે સંપર્ક ફોર્મ અને ડેટાબેઝ સાથે વેબપેજ બનાવો") અને સિસ્ટમ કોડ જનરેટ કરે છે. હજુ પ્રારંભિક તબક્કામાં હોવા છતાં, આ ભવિષ્યમાં સંકેત આપે છે કે જ્યાં AI પ્રમાણભૂત ઉપયોગના કેસ માટે સ્વાયત્ત રીતે સોફ્ટવેર બનાવી શકે છે.

• સ્ક્રિપ્ટીંગ અને ગ્લુ કોડ: આઇટી ઓટોમેશનમાં ઘણીવાર સિસ્ટમોને કનેક્ટ કરવા માટે સ્ક્રિપ્ટો લખવાનો સમાવેશ થાય છે. એઆઈ ટૂલ્સ ઘણીવાર આ નાની સ્ક્રિપ્ટો આપમેળે જનરેટ કરી શકે છે. ઉદાહરણ તરીકે, લોગ ફાઇલનું વિશ્લેષણ કરવા અને ઇમેઇલ ચેતવણી મોકલવા માટે સ્ક્રિપ્ટ લખવા - એઆઈ ઓછામાં ઓછા અથવા કોઈ સંપાદન વિના કાર્યકારી સ્ક્રિપ્ટ બનાવી શકે છે.

૨૦૩૦-૨૦૩૫ માટેનું ભવિષ્ય: "સ્વ-વિકાસશીલ" સોફ્ટવેર તરફ

આગામી દાયકામાં, જનરેટિવ AI કોડિંગ બોજનો મોટો હિસ્સો લેશે તેવી અપેક્ષા છે, જે ચોક્કસ વર્ગના પ્રોજેક્ટ્સ માટે સંપૂર્ણપણે સ્વાયત્ત સોફ્ટવેર વિકાસની નજીક જશે. કેટલાક અંદાજિત વિકાસ:

• સંપૂર્ણ સુવિધા અમલીકરણ: 2030 સુધીમાં, અમે અપેક્ષા રાખીએ છીએ કે AI સરળ એપ્લિકેશન સુવિધાઓને એન્ડ-ટુ-એન્ડ અમલમાં મૂકવા સક્ષમ બનશે. પ્રોડક્ટ મેનેજર કોઈ સુવિધાનું વર્ણન સાદી ભાષામાં કરી શકે છે ("વપરાશકર્તાઓ ઇમેઇલ લિંક દ્વારા તેમનો પાસવર્ડ રીસેટ કરી શકશે") અને AI જરૂરી કોડ (ફ્રન્ટ-એન્ડ ફોર્મ, બેક-એન્ડ લોજિક, ડેટાબેઝ અપડેટ, ઇમેઇલ ડિસ્પેચ) જનરેટ કરી શકે છે અને તેને કોડબેઝમાં એકીકૃત કરી શકે છે. AI અસરકારક રીતે જુનિયર ડેવલપર તરીકે કાર્ય કરશે જે સ્પષ્ટીકરણોનું પાલન કરી શકે છે. માનવ ઇજનેર ફક્ત કોડ સમીક્ષા કરી શકે છે અને પરીક્ષણો ચલાવી શકે છે. જેમ જેમ AI વિશ્વસનીયતામાં સુધારો થાય છે, તેમ તેમ કોડ સમીક્ષા ઝડપી સ્કિમ બની શકે છે.

• સ્વાયત્ત કોડ જાળવણી: સોફ્ટવેર એન્જિનિયરિંગનો એક મોટો ભાગ ફક્ત નવો કોડ લખવાનો નથી, પરંતુ હાલના કોડને અપડેટ કરવાનો છે - બગ્સ સુધારવા, પ્રદર્શન સુધારવા, નવી આવશ્યકતાઓને અનુકૂલન કરવું. ભવિષ્યના AI વિકાસકર્તાઓ આમાં શ્રેષ્ઠ બનવાની શક્યતા છે. કોડબેઝ અને નિર્દેશ ("જ્યારે ઘણા બધા વપરાશકર્તાઓ એકસાથે લોગ ઇન કરે છે ત્યારે અમારી એપ્લિકેશન ક્રેશ થઈ રહી છે") ને જોતાં, AI સમસ્યા શોધી શકે છે (જેમ કે કોનકરન્સી બગ) અને તેને પેચ કરી શકે છે. 2035 સુધીમાં, AI સિસ્ટમ્સ રાતોરાત નિયમિત જાળવણી ટિકિટોને આપમેળે હેન્ડલ કરી શકે છે, જે સોફ્ટવેર સિસ્ટમ્સ માટે અથાક જાળવણી ક્રૂ તરીકે સેવા આપે છે.

• એકીકરણ અને API ઉપયોગ: જેમ જેમ વધુ સોફ્ટવેર સિસ્ટમ્સ અને API AI-વાંચી શકાય તેવા દસ્તાવેજો સાથે આવે છે, તેમ તેમ AI એજન્ટ ગ્લુ કોડ લખીને સિસ્ટમ A ને સર્વિસ B સાથે કેવી રીતે કનેક્ટ કરવું તે સ્વતંત્ર રીતે શોધી શકે છે. ઉદાહરણ તરીકે, જો કોઈ કંપની ઇચ્છે છે કે તેમની આંતરિક HR સિસ્ટમ નવા પેરોલ API સાથે સમન્વયિત થાય, તો તેઓ AI ને "આ બંનેને એકબીજા સાથે વાત કરવા" માટે કામ સોંપી શકે છે, અને તે બંને સિસ્ટમ્સના સ્પષ્ટીકરણો વાંચ્યા પછી એકીકરણ કોડ લખશે.

• ગુણવત્તા અને ઑપ્ટિમાઇઝેશન: ભવિષ્યના કોડ-જનરેશન મોડેલોમાં કોડ કામ કરે છે કે નહીં તે ચકાસવા માટે ફીડબેક લૂપ્સનો સમાવેશ થવાની શક્યતા છે (દા.ત., સેન્ડબોક્સમાં પરીક્ષણો અથવા સિમ્યુલેશન ચલાવો). આનો અર્થ એ છે કે AI ફક્ત કોડ લખી શકશે નહીં પણ તેનું પરીક્ષણ કરીને સ્વ-સુધારણા પણ કરી શકશે. 2035 સુધીમાં, આપણે એક AI ની કલ્પના કરી શકીએ છીએ જે, એક કાર્ય આપવામાં આવે તો, બધા પરીક્ષણો પાસ ન થાય ત્યાં સુધી તેના કોડ પર પુનરાવર્તન કરતું રહે છે - એક પ્રક્રિયા જે માનવને લાઇન-બાય-લાઇન મોનિટર કરવાની જરૂર ન પડે. આ સ્વાયત્ત રીતે જનરેટ થયેલા કોડમાં વિશ્વાસમાં ઘણો વધારો કરશે.

2035 સુધીમાં એક એવી પરિસ્થિતિની કલ્પના કરી શકાય છે જ્યાં એક નાનો સોફ્ટવેર પ્રોજેક્ટ - જેમ કે વ્યવસાય માટે કસ્ટમ મોબાઇલ એપ્લિકેશન - મોટાભાગે ઉચ્ચ-સ્તરીય સૂચનાઓ આપવામાં આવેલા AI એજન્ટ દ્વારા વિકસાવવામાં આવી શકે છે. તે પરિસ્થિતિમાં માનવ "વિકાસકર્તા" વધુ એક પ્રોજેક્ટ મેનેજર અથવા માન્યકર્તા છે, જે જરૂરિયાતો અને મર્યાદાઓ (સુરક્ષા, શૈલી માર્ગદર્શિકા) સ્પષ્ટ કરે છે અને AI ને વાસ્તવિક કોડિંગનું ભારે ઉપાડ કરવા દે છે.

જોકે, જટિલ, મોટા પાયે સોફ્ટવેર (ઓપરેટિંગ સિસ્ટમ્સ, અદ્યતન AI અલ્ગોરિધમ્સ, વગેરે) માટે, માનવ નિષ્ણાતો હજુ પણ ઊંડાણપૂર્વક સંકળાયેલા રહેશે. સોફ્ટવેરમાં સર્જનાત્મક સમસ્યાનું નિરાકરણ અને આર્કિટેક્ચરલ ડિઝાઇન થોડા સમય માટે માનવ-સંચાલિત રહેશે. AI ઘણા કોડિંગ કાર્યો સંભાળી શકે છે, પરંતુ શું બનાવવું અને એકંદર માળખું ડિઝાઇન કરવું તે નક્કી કરવું એ એક અલગ પડકાર છે. તેમ છતાં, જેમ જેમ જનરેટિવ AI સહયોગ કરવાનું શરૂ કરે છે - બહુવિધ AI એજન્ટો જે સિસ્ટમના વિવિધ ઘટકોનું સંચાલન કરે છે - તે કલ્પનાશીલ છે કે તેઓ અમુક અંશે આર્કિટેક્ચરને સહ-ડિઝાઇન કરી શકે છે (ઉદાહરણ તરીકે, એક AI સિસ્ટમ ડિઝાઇનનો પ્રસ્તાવ મૂકે છે, બીજો તેની ટીકા કરે છે, અને તેઓ પુનરાવર્તન કરે છે, માનવ પ્રક્રિયાની દેખરેખ સાથે).

કોડિંગમાં AI નો એક મોટો અપેક્ષિત ફાયદો ઉત્પાદકતામાં વધારો . ગાર્ટનર આગાહી કરે છે કે 2028 સુધીમાં, સંપૂર્ણપણે 90% સોફ્ટવેર એન્જિનિયરો AI કોડ સહાયકોનો ઉપયોગ કરશે (2024 માં 15% કરતા ઓછાથી વધુ) ( GitHub Copilot AI કોડ સહાયકો પર સંશોધન અહેવાલમાં ટોચ પર છે - વિઝ્યુઅલ સ્ટુડિયો મેગેઝિન ). આ સૂચવે છે કે આઉટલાયર - જેઓ AI નો ઉપયોગ કરતા નથી - થોડા હશે. આપણે ચોક્કસ ક્ષેત્રોમાં માનવ વિકાસકર્તાઓની અછત પણ જોઈ શકીએ છીએ જે AI દ્વારા ખાલી જગ્યાઓ ભરીને ઓછી કરવામાં આવે છે; મૂળભૂત રીતે દરેક વિકાસકર્તા AI સહાયક સાથે ઘણું બધું કરી શકે છે જે સ્વાયત્ત રીતે કોડ ડ્રાફ્ટ કરી શકે છે.

વિશ્વાસ એક મુખ્ય મુદ્દો રહેશે. 2035 માં પણ, સંસ્થાઓએ ખાતરી કરવાની જરૂર પડશે કે સ્વાયત્ત રીતે જનરેટ થયેલ કોડ સુરક્ષિત છે (AI એ નબળાઈઓ રજૂ કરવી જોઈએ નહીં) અને કાનૂની/નૈતિક ધોરણો સાથે સુસંગત છે (દા.ત., AI માં યોગ્ય લાઇસન્સ વિના ઓપન-સોર્સ લાઇબ્રેરીમાંથી ચોરી કરાયેલ કોડ શામેલ નથી). અમે સુધારેલા AI ગવર્નન્સ ટૂલ્સની અપેક્ષા રાખીએ છીએ જે AI-લેખિત કોડ મૂળને ચકાસવા અને ટ્રેસ કરી શકે છે જે જોખમ વિના વધુ સ્વાયત્ત કોડિંગને સક્ષમ કરવામાં મદદ કરશે.

સારાંશમાં, 2030 ના દાયકાના મધ્ય સુધીમાં, જનરેટિવ AI નિયમિત સોફ્ટવેર કાર્યો માટે કોડિંગનો મોટો હિસ્સો સંભાળશે અને જટિલ કાર્યોમાં નોંધપાત્ર રીતે મદદ કરશે. સોફ્ટવેર વિકાસ જીવનચક્ર વધુ સ્વચાલિત હશે - જરૂરિયાતોથી ડિપ્લોયમેન્ટ સુધી - જેમાં AI સંભવિત રીતે આપમેળે કોડ ફેરફારો જનરેટ અને ડિપ્લોય કરશે. માનવ વિકાસકર્તાઓ ઉચ્ચ-સ્તરીય તર્ક, વપરાશકર્તા અનુભવ અને દેખરેખ પર વધુ ધ્યાન કેન્દ્રિત કરશે, જ્યારે AI એજન્ટો અમલીકરણ વિગતોને ગ્રાઇન્ડ કરશે.

ગ્રાહક સેવા અને સપોર્ટમાં જનરેટિવ AI

જો તમે તાજેતરના સમયમાં ઓનલાઈન ગ્રાહક સપોર્ટ ચેટ સાથે વાતચીત કરી હોય, તો એવી સારી શક્યતા છે કે ઓછામાં ઓછા આંશિક રીતે AI બીજી બાજુ હોય. ગ્રાહક સેવા એ AI ઓટોમેશન માટે તૈયાર ક્ષેત્ર છે: તેમાં વપરાશકર્તા પ્રશ્નોના જવાબ આપવાનો સમાવેશ થાય છે, જે જનરેટિવ AI (ખાસ કરીને વાતચીત મોડેલો) ખૂબ સારી રીતે કરી શકે છે, અને તે ઘણીવાર સ્ક્રિપ્ટો અથવા જ્ઞાન આધાર લેખોને અનુસરે છે, જે AI શીખી શકે છે. AI ગ્રાહકોને કેટલી સ્વાયત્ત રીતે સંભાળી શકે છે?

વર્તમાન ક્ષમતાઓ (૨૦૨૫): ચેટબોટ્સ અને વર્ચ્યુઅલ એજન્ટ્સ ફ્રન્ટ લાઇન લઈ રહ્યા છે

આજની તારીખે, ઘણી સંસ્થાઓ સંપર્કના પ્રથમ બિંદુ તરીકે AI ચેટબોટ્સનો . આમાં સરળ નિયમ-આધારિત બોટ્સ ("બિલિંગ માટે 1 દબાવો, સપોર્ટ માટે 2 દબાવો...") થી લઈને અદ્યતન જનરેટિવ AI ચેટબોટ્સનો સમાવેશ થાય છે જે ફ્રી-ફોર્મ પ્રશ્નોનું અર્થઘટન કરી શકે છે અને વાતચીત દ્વારા જવાબ આપી શકે છે. મુખ્ય મુદ્દાઓ:

• સામાન્ય પ્રશ્નોનું સંચાલન: AI એજન્ટો વારંવાર પૂછાતા પ્રશ્નોના જવાબ આપવામાં, માહિતી પૂરી પાડવામાં (સ્ટોરનો સમય, રિફંડ નીતિઓ, જાણીતી સમસ્યાઓ માટે મુશ્કેલીનિવારણ પગલાં) અને વપરાશકર્તાઓને માનક પ્રક્રિયાઓ દ્વારા માર્ગદર્શન આપવામાં શ્રેષ્ઠ છે. ઉદાહરણ તરીકે, બેંક માટે AI ચેટબોટ વપરાશકર્તાને તેમના એકાઉન્ટ બેલેન્સ તપાસવામાં, પાસવર્ડ રીસેટ કરવામાં અથવા લોન માટે અરજી કેવી રીતે કરવી તે સમજાવવામાં મદદ કરી શકે છે, માનવ મદદ વિના.

• કુદરતી ભાષા સમજ: આધુનિક જનરેટિવ મોડેલો વધુ પ્રવાહી અને "માનવ જેવી" ક્રિયાપ્રતિક્રિયા માટે પરવાનગી આપે છે. ગ્રાહકો પોતાના શબ્દોમાં પ્રશ્ન લખી શકે છે અને AI સામાન્ય રીતે ઉદ્દેશ્યને સમજી શકે છે. કંપનીઓ અહેવાલ આપે છે કે આજના AI એજન્ટો થોડા વર્ષો પહેલાના અણઘડ બોટ્સ કરતાં ગ્રાહકોને વધુ સંતોષકારક છે - લગભગ અડધા ગ્રાહકો હવે માને છે કે AI એજન્ટો ચિંતાઓને સંબોધતી વખતે સહાનુભૂતિશીલ અને અસરકારક હોઈ શકે છે ( 2025 માટે 59 AI ગ્રાહક સેવા આંકડા ), AI-સંચાલિત સેવામાં વધતો વિશ્વાસ દર્શાવે છે.

• મલ્ટી-ચેનલ સપોર્ટ: AI ફક્ત ચેટ પર જ કામ કરતું નથી. વોઇસ આસિસ્ટન્ટ્સ (જેમ કે AI પાછળ ફોન IVR સિસ્ટમ્સ) હવે કોલ હેન્ડલ કરવાનું શરૂ કરી રહ્યા છે, અને AI ગ્રાહક પૂછપરછના ઇમેઇલ પ્રતિભાવો પણ તૈયાર કરી શકે છે જે સચોટ માનવામાં આવે તો આપમેળે બહાર નીકળી શકે છે.

• જ્યારે માનવી હસ્તક્ષેપ કરે છે: સામાન્ય રીતે, જો AI મૂંઝવણમાં મુકાય છે અથવા પ્રશ્ન ખૂબ જટિલ હોય છે, તો તે માનવ એજન્ટને સોંપવામાં આવે છે. વર્તમાન સિસ્ટમો તેમની મર્યાદાઓ જાણવામાં . ઉદાહરણ તરીકે, જો કોઈ ગ્રાહક કંઈક અસામાન્ય પૂછે છે અથવા હતાશા દર્શાવે છે ("આ ત્રીજી વખત છે જ્યારે હું તમારો સંપર્ક કરી રહ્યો છું અને હું ખૂબ જ નારાજ છું..."), તો AI માનવીને જવાબદારી સોંપવા માટે આને ચિહ્નિત કરી શકે છે. હેન્ડઓફ માટે થ્રેશોલ્ડ કંપનીઓ દ્વારા કાર્યક્ષમતા અને ગ્રાહક સંતોષને સંતુલિત કરવા માટે સેટ કરવામાં આવે છે.

ઘણી કંપનીઓએ અહેવાલ આપ્યો છે કે ક્રિયાપ્રતિક્રિયાઓના નોંધપાત્ર ભાગ ફક્ત AI દ્વારા ઉકેલવામાં આવે છે. ઉદ્યોગ સર્વેક્ષણો અનુસાર, આજે લગભગ 70-80% નિયમિત ગ્રાહક પૂછપરછો AI ચેટબોટ્સ દ્વારા નિયંત્રિત કરી શકાય છે, અને ચેનલો પર કંપનીઓની લગભગ 40% ગ્રાહક ક્રિયાપ્રતિક્રિયાઓ પહેલાથી જ સ્વચાલિત અથવા AI-સહાયિત છે ( 52 AI ગ્રાહક સેવા આંકડા જે તમારે જાણવું જોઈએ - પ્લિવો ). IBM ના ગ્લોબલ AI એડોપ્શન ઇન્ડેક્સ (2022) એ સૂચવ્યું છે કે 2025 સુધીમાં 80% કંપનીઓ ગ્રાહક સેવા માટે AI ચેટબોટ્સનો ઉપયોગ કરે છે અથવા તેનો ઉપયોગ કરવાની યોજના ધરાવે છે.

એક રસપ્રદ ઘટના એ છે કે AI ફક્ત ગ્રાહકોને જવાબ આપતું નથી, પરંતુ માનવ એજન્ટોને સક્રિય રીતે મદદ કરે છે . ઉદાહરણ તરીકે, લાઇવ ચેટ અથવા કોલ દરમિયાન, AI સાંભળી શકે છે અને માનવ એજન્ટને સૂચવેલા જવાબો અથવા સંબંધિત માહિતી તાત્કાલિક પ્રદાન કરી શકે છે. આ સ્વાયત્તતાની રેખાને ઝાંખી પાડે છે - AI એકલા ગ્રાહકનો સામનો કરી રહ્યું નથી, પરંતુ તે સ્પષ્ટ માનવીય પ્રશ્ન વિના સક્રિય રીતે સામેલ છે. તે એજન્ટને સ્વાયત્ત સલાહકાર તરીકે અસરકારક રીતે કાર્ય કરે છે.

૨૦૩૦-૨૦૩૫ માટેનું ભવિષ્ય: મોટાભાગે AI-સંચાલિત ગ્રાહક ક્રિયાપ્રતિક્રિયાઓ

2030 સુધીમાં, મોટાભાગની ગ્રાહક સેવા ક્રિયાપ્રતિક્રિયાઓમાં AIનો સમાવેશ થવાની અપેક્ષા છે, જેમાં ઘણી બધી શરૂઆતથી અંત સુધી સંપૂર્ણપણે AI દ્વારા નિયંત્રિત કરવામાં આવશે. આને સમર્થન આપતી આગાહીઓ અને વલણો:

• ઉચ્ચ જટિલતા પ્રશ્નો ઉકેલાયા: જેમ જેમ AI મોડેલો વિશાળ જ્ઞાનને એકીકૃત કરે છે અને તર્ક સુધારે છે, તેમ તેમ તેઓ વધુ જટિલ ગ્રાહક વિનંતીઓને હેન્ડલ કરી શકશે. ફક્ત "હું વસ્તુ કેવી રીતે પરત કરી શકું?" નો જવાબ આપવાને બદલે, ભવિષ્યના AI બહુ-પગલાંવાળા મુદ્દાઓ જેમ કે, "મારું ઇન્ટરનેટ બંધ છે, મેં રીબૂટ કરવાનો પ્રયાસ કર્યો છે, શું તમે મદદ કરી શકો છો?" સંવાદ દ્વારા સમસ્યાનું નિદાન કરીને, ગ્રાહકને અદ્યતન મુશ્કેલીનિવારણ દ્વારા માર્ગદર્શન આપીને, અને જો બાકીનું બધું ટેકનિશિયનને શેડ્યૂલ કરવામાં નિષ્ફળ જાય તો જ - એવા કાર્યો કે જેને આજે માનવ સહાયક ટેકની જરૂર પડશે. આરોગ્યસંભાળ ગ્રાહક સેવામાં, AI દર્દીની મુલાકાતનું સમયપત્રક અથવા વીમા પ્રશ્નોને એન્ડ-ટુ-એન્ડ હેન્ડલ કરી શકે છે.

• એન્ડ-ટુ-એન્ડ સર્વિસ રિઝોલ્યુશન: આપણે જોઈ શકીએ છીએ કે AI ગ્રાહકને શું કરવું તે ફક્ત કહેતું નથી, પરંતુ વાસ્તવમાં તે કરી રહ્યું છે . ઉદાહરણ તરીકે, જો કોઈ ગ્રાહક કહે કે "હું મારી ફ્લાઇટને આવતા સોમવાર માટે બદલવા માંગુ છું અને બીજી બેગ ઉમેરવા માંગુ છું," તો 2030 માં AI એજન્ટ એરલાઇનની રિઝર્વેશન સિસ્ટમ સાથે સીધો સંપર્ક કરી શકે છે, ફેરફાર કરી શકે છે, બેગ માટે ચુકવણીની પ્રક્રિયા કરી શકે છે અને ગ્રાહકને પુષ્ટિ આપી શકે છે - બધું સ્વાયત્ત રીતે. AI ફક્ત માહિતી સ્ત્રોત નહીં, પણ સંપૂર્ણ સેવા એજન્ટ બની જાય છે.

• સર્વવ્યાપી AI એજન્ટ્સ: કંપનીઓ ગ્રાહક સંપર્ક બિંદુઓ - ફોન, ચેટ, ઇમેઇલ, સોશિયલ મીડિયા - પર AIનો ઉપયોગ કરશે. ઘણા ગ્રાહકોને કદાચ ખ્યાલ પણ નહીં હોય કે તેઓ AI સાથે વાત કરી રહ્યા છે કે માનવ સાથે, ખાસ કરીને જ્યારે AI અવાજો વધુ કુદરતી બને છે અને ચેટ જવાબો વધુ સંદર્ભ-જાગૃત બને છે. 2035 સુધીમાં, ગ્રાહક સેવાનો સંપર્ક કરવાનો અર્થ ઘણીવાર એક સ્માર્ટ AI સાથે વાતચીત કરવાનો હોઈ શકે છે જે તમારી ભૂતકાળની ક્રિયાપ્રતિક્રિયાઓને યાદ રાખે છે, તમારી પસંદગીઓને સમજે છે અને તમારા સ્વરને અનુરૂપ બને છે - મૂળભૂત રીતે દરેક ગ્રાહક માટે એક વ્યક્તિગત વર્ચ્યુઅલ એજન્ટ.

• ક્રિયાપ્રતિક્રિયાઓમાં AI નિર્ણય લેવો: પ્રશ્નોના જવાબ આપવા ઉપરાંત, AI એવા નિર્ણયો લેવાનું શરૂ કરશે જેને હાલમાં વ્યવસ્થાપક મંજૂરીની જરૂર હોય છે. ઉદાહરણ તરીકે, આજે કોઈ માનવ એજન્ટને ગુસ્સે થયેલા ગ્રાહકને શાંત કરવા માટે રિફંડ અથવા ખાસ ડિસ્કાઉન્ટ ઓફર કરવા માટે સુપરવાઇઝરની મંજૂરીની જરૂર પડી શકે છે. ભવિષ્યમાં, ગણતરી કરેલ ગ્રાહક જીવનકાળ મૂલ્ય અને ભાવના વિશ્લેષણના આધારે, નિર્ધારિત મર્યાદામાં, AI ને તે નિર્ણયો સોંપવામાં આવી શકે છે. Futurum/IBM દ્વારા કરવામાં આવેલા એક અભ્યાસમાં અંદાજ લગાવવામાં આવ્યો છે કે 2030 સુધીમાં રીઅલ-ટાઇમ ગ્રાહક જોડાણો દરમિયાન લેવામાં આવેલા લગભગ 69% નિર્ણયો સ્માર્ટ મશીનો દ્વારા લેવામાં આવશે ( CX તરફના શિફ્ટની ફરીથી કલ્પના કરવા માટે, માર્કેટર્સે આ 2 વસ્તુઓ કરવી જોઈએ ) - અસરકારક રીતે AI ક્રિયાપ્રતિક્રિયામાં શ્રેષ્ઠ કાર્યવાહીનો માર્ગ નક્કી કરે છે.

• ૧૦૦% AI સંડોવણી: દરેક ભૂમિકા ભજવશે ( ૨૦૨૫ માટે ૫૯ AI ગ્રાહક સેવા આંકડા ), પછી ભલે તે અગાઉથી હોય કે પૃષ્ઠભૂમિમાં. તેનો અર્થ એ થઈ શકે છે કે જો કોઈ માનવ ગ્રાહક સાથે ક્રિયાપ્રતિક્રિયા કરી રહ્યો હોય, તો પણ તેમને AI દ્વારા મદદ કરવામાં આવશે (સૂચનો પૂરા પાડવા, માહિતી મેળવવા). વૈકલ્પિક રીતે, અર્થઘટન એ છે કે કોઈપણ ગ્રાહક પ્રશ્નનો કોઈપણ સમયે જવાબ આપવામાં આવતો નથી - જો માનવી ઑફલાઇન હોય, તો AI હંમેશા ત્યાં હોય છે.

2035 સુધીમાં, આપણે શોધી શકીએ છીએ કે માનવ ગ્રાહક સેવા એજન્ટો ફક્ત સૌથી સંવેદનશીલ અથવા ઉચ્ચ-સ્પર્શ પરિસ્થિતિઓ માટે વિશિષ્ટ બની ગયા છે (દા.ત., VIP ક્લાયન્ટ્સ અથવા જટિલ ફરિયાદ નિવારણ જેને માનવ સહાનુભૂતિની જરૂર હોય છે). નિયમિત પ્રશ્નો - બેંકિંગથી રિટેલ અને ટેક સપોર્ટ સુધી - 24/7 કાર્યરત AI એજન્ટોના કાફલા દ્વારા સેવા આપી શકાય છે, જે દરેક ક્રિયાપ્રતિક્રિયામાંથી સતત શીખે છે. આ પરિવર્તન ગ્રાહક સેવાને વધુ સુસંગત અને તાત્કાલિક બનાવી શકે છે, કારણ કે AI લોકોને રાહ જોતા રાખતા નથી અને સૈદ્ધાંતિક રીતે અમર્યાદિત ગ્રાહકોને એકસાથે હેન્ડલ કરવા માટે બહુવિધ કાર્યો કરી શકે છે.

આ દ્રષ્ટિકોણ માટે પડકારોનો સામનો કરવો પડશે: માનવ ગ્રાહકોની અણધારીતાને સંભાળવા માટે AI ખૂબ જ મજબૂત હોવું જોઈએ. તે અપશબ્દો, ગુસ્સો, મૂંઝવણ અને લોકોની વાતચીત કરવાની અનંત વિવિધ રીતોનો સામનો કરવા સક્ષમ હોવું જોઈએ. તેને અદ્યતન જ્ઞાનની પણ જરૂર છે (જો AI ની માહિતી જૂની હોય તો કોઈ અર્થ નથી). AI અને કંપની ડેટાબેઝ વચ્ચે એકીકરણમાં રોકાણ કરીને (ઓર્ડર, આઉટેજ વગેરે પર રીઅલ-ટાઇમ માહિતી માટે), આ અવરોધોને દૂર કરી શકાય છે.

નૈતિક રીતે, કંપનીઓએ નક્કી કરવું પડશે કે "તમે AI સાથે વાત કરી રહ્યા છો" ક્યારે જાહેર કરવું અને ન્યાયીપણાની ખાતરી કરવી પડશે (પક્ષપાતી તાલીમને કારણે AI ચોક્કસ ગ્રાહકો સાથે નકારાત્મક રીતે અલગ રીતે વર્તે નહીં). ધારો કે આનું સંચાલન કરવામાં આવે છે, તો વ્યવસાયનો કેસ મજબૂત છે: AI ગ્રાહક સેવા ખર્ચ અને રાહ જોવાના સમયમાં નાટકીય રીતે ઘટાડો કરી શકે છે. ગ્રાહક સેવામાં AI માટેનું બજાર 2030 સુધીમાં અબજો ડોલર સુધી વધવાનો અંદાજ છે ( કસ્ટમર સર્વિસ માર્કેટ રિપોર્ટ 2025-2030 માં AI: કેસ ) ( જનરેટિવ AI લોજિસ્ટિક્સને કેવી રીતે બૂસ્ટ કરી રહ્યું છે | રાયડર ) કારણ કે સંસ્થાઓ આ ક્ષમતાઓમાં રોકાણ કરે છે.

સારાંશમાં, ભવિષ્યમાં સ્વાયત્ત AI ગ્રાહક સેવા સામાન્ય રહેશે તેવી . મદદ મેળવવાનો અર્થ ઘણીવાર એવા સ્માર્ટ મશીન સાથે વાતચીત કરવાનો હોય છે જે તમારી સમસ્યાને ઝડપથી ઉકેલી શકે. માનવીઓ હજુ પણ દેખરેખ અને એજ કેસોને હેન્ડલ કરવા માટે લૂપમાં રહેશે, પરંતુ AI કાર્યબળના સુપરવાઇઝર તરીકે વધુ. પરિણામ ગ્રાહકો માટે ઝડપી, વધુ વ્યક્તિગત સેવા હોઈ શકે છે - જ્યાં સુધી AI ને યોગ્ય રીતે તાલીમ આપવામાં આવે અને ભૂતકાળના "રોબોટ હોટલાઇન" અનુભવોની હતાશાઓને રોકવા માટે દેખરેખ રાખવામાં આવે.

હેલ્થકેર અને મેડિસિનમાં જનરેટિવ એઆઈ

આરોગ્યસંભાળ એક એવું ક્ષેત્ર છે જ્યાં જોખમ ઊંચું છે. દવામાં માનવ દેખરેખ વિના AI કાર્ય કરવાનો વિચાર ઉત્તેજના (કાર્યક્ષમતા અને પહોંચ માટે) અને સાવધાની (સુરક્ષા અને સહાનુભૂતિના કારણોસર) બંનેને ઉત્તેજિત કરે છે. જનરેટિવ AI એ મેડિકલ ઇમેજિંગ વિશ્લેષણ, ક્લિનિકલ દસ્તાવેજીકરણ અને દવા શોધ જેવા ક્ષેત્રોમાં પણ પ્રવેશ કરવાનું શરૂ કરી દીધું છે. તે જવાબદારીપૂર્વક પોતાના પર શું કરી શકે છે?

વર્તમાન ક્ષમતાઓ (૨૦૨૫): ક્લિનિશિયનોને મદદ કરવી, તેમને બદલવા નહીં

હાલમાં, આરોગ્યસંભાળમાં જનરેટિવ AI મુખ્યત્વે તબીબી વ્યાવસાયિકો માટે એક શક્તિશાળી સહાયક , સ્વાયત્ત નિર્ણય લેનાર તરીકે નહીં. ઉદાહરણ તરીકે:

• તબીબી દસ્તાવેજીકરણ: આરોગ્યસંભાળમાં AI ના સૌથી સફળ ઉપયોગોમાંનો એક ડોકટરોને કાગળકામમાં મદદ કરવાનો છે. કુદરતી ભાષા મોડેલો દર્દીની મુલાકાતોનું ટ્રાન્સક્રાઇબ કરી શકે છે અને ક્લિનિકલ નોંધો અથવા ડિસ્ચાર્જ સારાંશ જનરેટ કરી શકે છે. કંપનીઓ પાસે "AI સ્ક્રિબ્સ" હોય છે જે પરીક્ષા દરમિયાન (માઇક્રોફોન દ્વારા) સાંભળે છે અને ડૉક્ટરને સમીક્ષા કરવા માટે આપમેળે એન્કાઉન્ટર નોટ્સનો ડ્રાફ્ટ બનાવે છે. આનાથી ડૉક્ટરોનો ટાઇપિંગમાં સમય બચે છે. કેટલીક સિસ્ટમો ઇલેક્ટ્રોનિક આરોગ્ય રેકોર્ડના ભાગોને ઓટોપોપ્યુલેટ પણ કરે છે. આ ન્યૂનતમ હસ્તક્ષેપ સાથે કરી શકાય છે - ડૉક્ટર ફક્ત ડ્રાફ્ટ પરની કોઈપણ નાની ભૂલોને સુધારે છે, જેનો અર્થ છે કે નોંધ-લેખન મોટાભાગે સ્વાયત્ત છે.

• રેડિયોલોજી અને ઇમેજિંગ: AI, જેમાં જનરેટિવ મોડેલ્સનો સમાવેશ થાય છે, એક્સ-રે, MRI અને CT સ્કેનનું વિશ્લેષણ કરીને વિસંગતતાઓ (જેમ કે ગાંઠો અથવા ફ્રેક્ચર) શોધી શકે છે. 2018 માં, FDA એ રેટિના છબીઓમાં ડાયાબિટીક રેટિનોપેથી (આંખની સ્થિતિ) ની સ્વાયત્ત તપાસ માટે AI સિસ્ટમને મંજૂરી આપી હતી - ખાસ કરીને, તે ચોક્કસ સ્ક્રીનીંગ સંદર્ભમાં નિષ્ણાતની સમીક્ષા વિના કૉલ કરવા માટે અધિકૃત હતી. તે સિસ્ટમ જનરેટિવ AI નહોતી, પરંતુ તે દર્શાવે છે કે નિયમનકારોએ મર્યાદિત કિસ્સાઓમાં સ્વાયત્ત AI નિદાનને મંજૂરી આપી છે. વ્યાપક અહેવાલો બનાવવા માટે જનરેટિવ મોડેલ્સ રમતમાં આવે છે. ઉદાહરણ તરીકે, AI છાતીના એક્સ-રેની તપાસ કરી શકે છે અને રેડિયોલોજિસ્ટનો રિપોર્ટ તૈયાર કરી શકે છે જેમાં કહેવામાં આવે છે કે "કોઈ તીવ્ર તારણો નથી. ફેફસાં સ્પષ્ટ છે. હૃદય સામાન્ય કદ." રેડિયોલોજિસ્ટ પછી ફક્ત પુષ્ટિ કરે છે અને સહી કરે છે. કેટલાક નિયમિત કિસ્સાઓમાં, જો રેડિયોલોજિસ્ટ AI પર વિશ્વાસ કરે અને ફક્ત ઝડપી તપાસ કરે તો આ રિપોર્ટ્સ સંપાદન વિના બહાર આવી શકે છે.

• લક્ષણ તપાસનારા અને વર્ચ્યુઅલ નર્સ: જનરેટિવ AI ચેટબોટ્સનો ઉપયોગ ફ્રન્ટલાઈન લક્ષણ તપાસનારા તરીકે થઈ રહ્યો છે. દર્દીઓ તેમના લક્ષણો દાખલ કરી શકે છે અને સલાહ મેળવી શકે છે (દા.ત., "તે સામાન્ય શરદી હોઈ શકે છે; આરામ અને પ્રવાહી, પરંતુ જો X અથવા Y થાય તો ડૉક્ટરને મળો."). બેબીલોન હેલ્થ જેવી એપ્લિકેશનો ભલામણો આપવા માટે AI નો ઉપયોગ કરે છે. હાલમાં, આ સામાન્ય રીતે માહિતીપ્રદ તરીકે બનાવવામાં આવે છે, ચોક્કસ તબીબી સલાહ તરીકે નહીં, અને તેઓ ગંભીર સમસ્યાઓ માટે માનવ ક્લિનિશિયન સાથે ફોલો-અપને પ્રોત્સાહિત કરે છે.

• ડ્રગ ડિસ્કવરી (જનરેટિવ કેમિસ્ટ્રી): જનરેટિવ AI મોડેલો દવાઓ માટે નવી પરમાણુ રચનાઓ પ્રસ્તાવિત કરી શકે છે. આ દર્દીની સંભાળ કરતાં સંશોધન ક્ષેત્રમાં વધુ છે. આ AIs ઇચ્છિત ગુણધર્મો ધરાવતા હજારો ઉમેદવાર સંયોજનો સૂચવવા માટે સ્વાયત્ત રીતે કાર્ય કરે છે, જેની માનવ રસાયણશાસ્ત્રીઓ પછી લેબમાં સમીક્ષા અને પરીક્ષણ કરે છે. ઇન્સિલિકો મેડિસિન જેવી કંપનીઓએ નોંધપાત્ર રીતે ઓછા સમયમાં નવી દવા ઉમેદવારો ઉત્પન્ન કરવા માટે AI નો ઉપયોગ કર્યો છે. જ્યારે આ દર્દીઓ સાથે સીધી રીતે સંપર્ક કરતું નથી, તે AI દ્વારા સ્વાયત્ત રીતે ઉકેલો (મોલેક્યુલ ડિઝાઇન) બનાવવાનું ઉદાહરણ છે જેને શોધવામાં માનવોને ઘણો સમય લાગ્યો હોત.

• હેલ્થકેર ઓપરેશન્સ: AI હોસ્પિટલોમાં સમયપત્રક, પુરવઠા વ્યવસ્થાપન અને અન્ય લોજિસ્ટિક્સને ઑપ્ટિમાઇઝ કરવામાં મદદ કરી રહ્યું છે. ઉદાહરણ તરીકે, જનરેટિવ મોડેલ દર્દીના પ્રવાહનું અનુકરણ કરી શકે છે અને રાહ જોવાનો સમય ઘટાડવા માટે સમયપત્રક ગોઠવણો સૂચવી શકે છે. જ્યારે તે દૃશ્યમાન નથી, ત્યારે આ એવા નિર્ણયો છે જે AI ન્યૂનતમ મેન્યુઅલ ફેરફારો સાથે લઈ શકે છે.

એ કહેવું મહત્વપૂર્ણ છે કે 2025 સુધીમાં, કોઈ પણ હોસ્પિટલ માનવ મંજૂરી વિના AI ને સ્વતંત્ર રીતે મુખ્ય તબીબી નિર્ણયો અથવા સારવાર લેવાની મંજૂરી આપી રહી નથી. નિદાન અને સારવારનું આયોજન માનવ હાથમાં જ રહે છે, જેમાં AI ઇનપુટ પ્રદાન કરે છે. દર્દીને "તમને કેન્સર છે" તે કહેવા અથવા દવા લખવા માટે AI માટે જરૂરી વિશ્વાસ હજુ સુધી અસ્તિત્વમાં નથી, અને તે વ્યાપક માન્યતા વિના હોવો જોઈએ નહીં. તબીબી વ્યાવસાયિકો AI ને બીજી આંખો તરીકે અથવા સમય બચાવવાના સાધન તરીકે ઉપયોગ કરે છે, પરંતુ તેઓ મહત્વપૂર્ણ આઉટપુટની ચકાસણી કરે છે.

૨૦૩૦-૨૦૩૫ માટેનું ભવિષ્ય: ડૉક્ટરના સાથીદાર (અને કદાચ નર્સ અથવા ફાર્માસિસ્ટ) તરીકે AI

આગામી દાયકામાં, અમે અપેક્ષા રાખીએ છીએ કે જનરેટિવ AI વધુ નિયમિત ક્લિનિકલ કાર્યો સ્વાયત્ત રીતે કરશે અને આરોગ્યસંભાળ સેવાઓની પહોંચ વધારશે:

• સ્વયંસંચાલિત પ્રારંભિક નિદાન: 2030 સુધીમાં, AI ઘણી સામાન્ય પરિસ્થિતિઓ માટે વિશ્વસનીય રીતે પ્રારંભિક વિશ્લેષણ સંભાળી શકે છે. એક ક્લિનિકમાં એક AI સિસ્ટમની કલ્પના કરો જે દર્દીના લક્ષણો, તબીબી ઇતિહાસ, તેમના સ્વર અને ચહેરાના સંકેતો પણ કેમેરા દ્વારા વાંચે છે, અને નિદાન સૂચન અને ભલામણ કરેલ પરીક્ષણો પ્રદાન કરે છે - આ બધું માનવ ડૉક્ટર દર્દીને જુએ તે પહેલાં. પછી ડૉક્ટર નિદાનની પુષ્ટિ કરવા અને ચર્ચા કરવા પર ધ્યાન કેન્દ્રિત કરી શકે છે. ટેલિમેડિસિનમાં, દર્દી પહેલા AI સાથે ચેટ કરી શકે છે જે સમસ્યાને સંકુચિત કરે છે (દા.ત., સંભવિત સાઇનસ ચેપ વિરુદ્ધ કંઈક વધુ ગંભીર) અને પછી જો જરૂરી હોય તો તેમને ક્લિનિશિયન સાથે જોડે છે. નિયમનકારો AI ને સત્તાવાર રીતે અમુક નાની પરિસ્થિતિઓનું નિદાન કરવાની મંજૂરી આપી શકે છે જો તે અત્યંત સચોટ સાબિત થાય - ઉદાહરણ તરીકે, ઓટોસ્કોપ છબીથી સીધા કાનના ચેપનું નિદાન કરનાર AI શક્ય બની શકે છે.

• પર્સનલ હેલ્થ મોનિટર: પહેરવાલાયક ઉપકરણો (સ્માર્ટવોચ, હેલ્થ સેન્સર) ના પ્રસાર સાથે, AI દર્દીઓનું સતત નિરીક્ષણ કરશે અને સ્વાયત્ત રીતે સમસ્યાઓની ચેતવણી આપશે. ઉદાહરણ તરીકે, 2035 સુધીમાં તમારા પહેરવાલાયક ઉપકરણોનું AI અસામાન્ય હૃદય લય શોધી શકે છે અને સ્વાયત્ત રીતે તમને તાત્કાલિક વર્ચ્યુઅલ સલાહ માટે શેડ્યૂલ કરી શકે છે અથવા જો તે હાર્ટ એટેક અથવા સ્ટ્રોકના ચિહ્નો શોધે છે તો એમ્બ્યુલન્સ પણ બોલાવી શકે છે. આ સ્વાયત્ત નિર્ણય ક્ષેત્રમાં પ્રવેશ કરે છે - પરિસ્થિતિને કટોકટી તરીકે નક્કી કરવી અને કાર્ય કરવું - જે AI નો સંભવિત અને જીવન બચાવનાર ઉપયોગ છે.

• સારવાર ભલામણો: તબીબી સાહિત્ય અને દર્દીના ડેટા પર તાલીમ પામેલા જનરેટિવ AI વ્યક્તિગત સારવાર યોજનાઓ સૂચવી શકે છે. 2030 સુધીમાં, કેન્સર જેવા જટિલ રોગો માટે, AI ટ્યુમર બોર્ડ દર્દીના આનુવંશિક મેકઅપ અને તબીબી ઇતિહાસનું વિશ્લેષણ કરી શકે છે અને સ્વાયત્ત રીતે ભલામણ કરેલ સારવાર પદ્ધતિ (કેમો પ્લાન, દવા પસંદગી) તૈયાર કરી શકે છે. માનવ ડોકટરો તેની સમીક્ષા કરશે, પરંતુ સમય જતાં જેમ જેમ આત્મવિશ્વાસ વધશે, તેઓ ખાસ કરીને નિયમિત કેસો માટે AI-જનરેટેડ યોજનાઓ સ્વીકારવાનું શરૂ કરી શકે છે, જ્યારે જરૂર પડે ત્યારે જ ગોઠવણ કરશે.

• વર્ચ્યુઅલ નર્સો અને હોમ કેર: એક AI જે વાતચીત કરી શકે છે અને તબીબી માર્ગદર્શન પૂરું પાડી શકે છે તે ઘણી બધી ફોલો-અપ અને ક્રોનિક કેર મોનિટરિંગ સંભાળી શકે છે. ઉદાહરણ તરીકે, ક્રોનિક બીમારીઓ ધરાવતા ઘરે દર્દીઓ AI નર્સ સહાયકને દૈનિક મેટ્રિક્સની જાણ કરી શકે છે જે સલાહ આપે છે ("તમારી બ્લડ સુગર થોડી વધારે છે, તમારા સાંજના નાસ્તાને સમાયોજિત કરવાનું વિચારો") અને જ્યારે રીડિંગ્સ રેન્જની બહાર હોય અથવા સમસ્યાઓ ઊભી થાય ત્યારે જ માનવ નર્સમાં લૂપ થાય છે. આ AI મોટાભાગે ચિકિત્સકની દૂરસ્થ દેખરેખ હેઠળ સ્વાયત્ત રીતે કાર્ય કરી શકે છે.

• મેડિકલ ઇમેજિંગ અને લેબ વિશ્લેષણ - સંપૂર્ણપણે સ્વચાલિત પાઇપલાઇન્સ: 2035 સુધીમાં, કેટલાક ક્ષેત્રોમાં મેડિકલ સ્કેન વાંચન મુખ્યત્વે AI દ્વારા કરવામાં આવશે. રેડિયોલોજિસ્ટ AI સિસ્ટમ્સનું નિરીક્ષણ કરશે અને જટિલ કેસોનું સંચાલન કરશે, પરંતુ મોટાભાગના સામાન્ય સ્કેન (જે ખરેખર સામાન્ય છે) સીધા AI દ્વારા "વાંચી" અને સહી કરી શકાય છે. તેવી જ રીતે, પેથોલોજી સ્લાઇડ્સનું વિશ્લેષણ (ઉદાહરણ તરીકે, બાયોપ્સીમાં કેન્સર કોષો શોધવું) પ્રારંભિક સ્ક્રીનીંગ માટે સ્વાયત્ત રીતે કરી શકાય છે, જે લેબ પરિણામોને નાટકીય રીતે ઝડપી બનાવે છે.

• દવા શોધ અને ક્લિનિકલ ટ્રાયલ: AI ફક્ત દવાના પરમાણુઓ જ ડિઝાઇન કરશે નહીં પરંતુ ટ્રાયલ માટે કૃત્રિમ દર્દી ડેટા પણ જનરેટ કરશે અથવા શ્રેષ્ઠ ટ્રાયલ ઉમેદવારો શોધી કાઢશે. તે વાસ્તવિક ટ્રાયલ પહેલાં વિકલ્પોને સંકુચિત કરવા માટે સ્વાયત્ત રીતે વર્ચ્યુઅલ ટ્રાયલ (દર્દીઓ કેવી પ્રતિક્રિયા આપશે તેનું અનુકરણ કરીને) ચલાવી શકે છે. આ ઓછા માનવ-સંચાલિત પ્રયોગો સાથે દવાઓ ઝડપથી બજારમાં લાવી શકે છે.

AI ડૉક્ટરનું વિઝન હજુ પણ ઘણું દૂર છે અને વિવાદાસ્પદ રહે છે. 2035 સુધીમાં પણ, અપેક્ષા છે કે AI સાથીદાર . જટિલ નિદાન માટે દર્દીના સંદર્ભને સમજવા માટે ઘણીવાર અંતર્જ્ઞાન, નીતિશાસ્ત્ર અને વાતચીતની જરૂર પડે છે - એવા ક્ષેત્રો જ્યાં માનવ ડૉક્ટરો શ્રેષ્ઠતા મેળવે છે. તેમ છતાં, AI 80% નિયમિત કાર્યભાર સંભાળી શકે છે: કાગળકામ, સીધા કેસ, દેખરેખ, વગેરે, જેનાથી માનવ ચિકિત્સકો મુશ્કેલ 20% અને દર્દીના સંબંધો પર ધ્યાન કેન્દ્રિત કરી શકે છે.

નોંધપાત્ર અવરોધો છે: આરોગ્યસંભાળમાં સ્વાયત્ત AI માટે નિયમનકારી મંજૂરી કઠોર છે (યોગ્ય રીતે). AI સિસ્ટમોને વ્યાપક ક્લિનિકલ માન્યતાની જરૂર પડશે. આપણે વધતી સ્વીકૃતિ જોઈ શકીએ છીએ - ઉદાહરણ તરીકે, AI ને ઓછા સેવાવાળા વિસ્તારોમાં સ્વાયત્ત રીતે નિદાન અથવા સારવાર કરવાની મંજૂરી છે જ્યાં કોઈ ડૉક્ટર ઉપલબ્ધ નથી, આરોગ્યસંભાળની ઍક્સેસને વિસ્તૃત કરવાના માર્ગ તરીકે (કલ્પના કરો કે 2030 સુધીમાં દૂરના ગામમાં "AI ક્લિનિક" હશે જે શહેરના ડૉક્ટર દ્વારા સમયાંતરે ટેલિ-નિરીક્ષણ સાથે કાર્યરત હશે).

નૈતિક વિચારણાઓ મોટી છે. જવાબદારી (જો સ્વાયત્ત AI નિદાનમાં ભૂલ કરે છે, તો કોણ જવાબદાર છે?), જાણકાર સંમતિ (દર્દીઓને જાણવાની જરૂર છે કે શું AI તેમની સંભાળમાં સામેલ છે), અને સમાનતા સુનિશ્ચિત કરવી (AI બધી વસ્તી માટે સારી રીતે કાર્ય કરે છે, પૂર્વગ્રહ ટાળીને) એ નેવિગેટ કરવા માટેના પડકારો છે. ધારો કે આ બાબતોને સંબોધવામાં આવી છે, 2030 ના દાયકાના મધ્ય સુધીમાં જનરેટિવ AI આરોગ્યસંભાળ વિતરણના માળખામાં વણાઈ શકે છે, જે માનવ પ્રદાતાઓને મુક્ત કરતા ઘણા કાર્યો કરે છે અને સંભવિત રીતે એવા દર્દીઓ સુધી પહોંચે છે જેમની પાસે હાલમાં મર્યાદિત ઍક્સેસ છે.

સારાંશમાં, 2035 સુધીમાં આરોગ્ય સંભાળમાં AI ઊંડાણપૂર્વક સંકલિત થશે, પરંતુ મોટે ભાગે તે ગુપ્ત રીતે અથવા સહાયક ભૂમિકાઓમાં હશે. અમે AI પર વિશ્વાસ રાખીશું કે તે પોતાની જાતે ઘણું બધું કરશે - સ્કેન વાંચશે, મહત્વપૂર્ણ બાબતો જોશે, યોજનાઓનો મુસદ્દો તૈયાર કરશે - પરંતુ મહત્વપૂર્ણ નિર્ણયો માટે માનવ દેખરેખની સલામતી જાળ હજુ પણ ઉપલબ્ધ રહેશે. પરિણામ વધુ કાર્યક્ષમ, પ્રતિભાવશીલ આરોગ્યસંભાળ પ્રણાલી હોઈ શકે છે, જ્યાં AI ભારે ઉપાડને સંભાળે છે અને માનવો સહાનુભૂતિ અને અંતિમ નિર્ણય પ્રદાન કરે છે.

શિક્ષણમાં જનરેટિવ AI

શિક્ષણ એ એક બીજું ક્ષેત્ર છે જ્યાં જનરેટિવ AI તરંગો બનાવી રહ્યું છે, AI-સંચાલિત ટ્યુટરિંગ બોટ્સથી લઈને ઓટોમેટેડ ગ્રેડિંગ અને સામગ્રી બનાવટ સુધી. શિક્ષણ અને શિક્ષણમાં સંદેશાવ્યવહાર અને સર્જનાત્મકતાનો સમાવેશ થાય છે, જે જનરેટિવ મોડેલ્સની શક્તિઓ છે. પરંતુ શું શિક્ષકની દેખરેખ વિના શિક્ષણ આપવા માટે AI પર વિશ્વાસ કરી શકાય?

વર્તમાન ક્ષમતાઓ (2025): ટ્યુટર્સ અને કન્ટેન્ટ જનરેટર્સ ઓન અ લીશ

હાલમાં, શિક્ષણમાં AI નો ઉપયોગ મુખ્યત્વે પૂરક સાધન . વર્તમાન ઉપયોગના ઉદાહરણો:

• AI ટ્યુટરિંગ આસિસ્ટન્ટ્સ: ખાન એકેડેમીના “ખાનમિગો” (GPT-4 દ્વારા સંચાલિત) જેવા સાધનો અથવા વિવિધ ભાષા શીખવાની એપ્લિકેશન્સ AI નો ઉપયોગ એક-એક શિક્ષક અથવા વાતચીત ભાગીદારનું અનુકરણ કરવા માટે કરી શકે છે. વિદ્યાર્થીઓ કુદરતી ભાષામાં પ્રશ્નો પૂછી શકે છે અને જવાબો અથવા સમજૂતીઓ મેળવી શકે છે. AI હોમવર્ક સમસ્યાઓ માટે સંકેતો આપી શકે છે, વિભાવનાઓને અલગ અલગ રીતે સમજાવી શકે છે, અથવા ઇન્ટરેક્ટિવ ઇતિહાસ પાઠ માટે ઐતિહાસિક વ્યક્તિ તરીકે ભૂમિકા ભજવી શકે છે. જો કે, આ AI ટ્યુટરનો ઉપયોગ સામાન્ય રીતે દેખરેખ સાથે કરવામાં આવે છે; શિક્ષકો અથવા એપ્લિકેશન જાળવણી કરનારાઓ ઘણીવાર સંવાદોનું નિરીક્ષણ કરે છે અથવા AI શું ચર્ચા કરી શકે છે તેની સીમાઓ નક્કી કરે છે (ખોટી માહિતી અથવા અયોગ્ય સામગ્રી ટાળવા માટે).

• શિક્ષકો માટે સામગ્રી બનાવટ: જનરેટિવ AI શિક્ષકોને ક્વિઝ પ્રશ્નો, વાંચનનો સારાંશ, પાઠ યોજના રૂપરેખા વગેરે બનાવીને મદદ કરે છે. શિક્ષક AI ને પૂછી શકે છે, "જવાબો સાથે દ્વિઘાત સમીકરણો પર 5 પ્રેક્ટિસ સમસ્યાઓ બનાવો," તૈયારીમાં સમય બચાવે છે. આ સ્વાયત્ત સામગ્રી બનાવટ છે, પરંતુ શિક્ષક સામાન્ય રીતે અભ્યાસક્રમ સાથે ચોકસાઈ અને સંરેખણ માટે આઉટપુટની સમીક્ષા કરે છે. તેથી તે સંપૂર્ણપણે સ્વતંત્ર કરતાં વધુ શ્રમ-બચત ઉપકરણ છે.

• ગ્રેડિંગ અને પ્રતિસાદ: AI આપમેળે બહુવિધ-પસંદગીની પરીક્ષાઓને ગ્રેડ આપી શકે છે (તેમાં કંઈ નવું નથી) અને વધુને વધુ ટૂંકા જવાબો અથવા નિબંધોનું મૂલ્યાંકન કરી શકે છે. કેટલીક શાળા પ્રણાલીઓ લેખિત જવાબોને ગ્રેડ કરવા અને વિદ્યાર્થીઓને પ્રતિસાદ આપવા માટે AI નો ઉપયોગ કરે છે (દા.ત., વ્યાકરણના સુધારા, દલીલને વિસ્તૃત કરવા માટે સૂચનો). જ્યારે તે પોતે જ જનરેટિવ કાર્ય નથી, ત્યારે નવા AI વિદ્યાર્થી માટે તેમના પ્રદર્શનના આધારે વ્યક્તિગત પ્રતિસાદ અહેવાલ પણ જનરેટ , જે સુધારવા માટેના ક્ષેત્રોને પ્રકાશિત કરે છે. શિક્ષકો ઘણીવાર સૂક્ષ્મતાની ચિંતાઓને કારણે આ તબક્કે AI-ગ્રેડેડ નિબંધોને બે વાર તપાસે છે.

• અનુકૂલનશીલ શિક્ષણ પ્રણાલીઓ: આ એવા પ્લેટફોર્મ છે જે વિદ્યાર્થીના પ્રદર્શનના આધારે સામગ્રીની મુશ્કેલી અથવા શૈલીને સમાયોજિત કરે છે. જનરેટિવ AI વિદ્યાર્થીની જરૂરિયાતોને અનુરૂપ નવી સમસ્યાઓ અથવા ઉદાહરણો બનાવીને આને વધારે છે. ઉદાહરણ તરીકે, જો કોઈ વિદ્યાર્થી કોઈ ખ્યાલ સાથે સંઘર્ષ કરી રહ્યો હોય, તો AI તે ખ્યાલ પર ધ્યાન કેન્દ્રિત કરીને બીજો સામ્યતા અથવા પ્રેક્ટિસ પ્રશ્ન ઉત્પન્ન કરી શકે છે. આ કંઈક અંશે સ્વાયત્ત છે, પરંતુ શિક્ષકો દ્વારા રચાયેલ સિસ્ટમમાં.

• શીખવા માટે વિદ્યાર્થીઓનો ઉપયોગ: વિદ્યાર્થીઓ પોતે શીખવામાં મદદ કરવા માટે ChatGPT જેવા સાધનોનો ઉપયોગ કરે છે - સ્પષ્ટતા માંગવા, અનુવાદ કરવા, અથવા નિબંધના ડ્રાફ્ટ પર પ્રતિસાદ મેળવવા માટે AI નો ઉપયોગ કરવો ("મારા પરિચય ફકરામાં સુધારો"). આ સ્વ-નિર્દેશિત છે અને શિક્ષકના જ્ઞાન વિના હોઈ શકે છે. આ પરિસ્થિતિમાં AI માંગ પરના શિક્ષક અથવા પ્રૂફરીડર તરીકે કાર્ય કરે છે. પડકાર એ છે કે વિદ્યાર્થીઓ તેનો ઉપયોગ ફક્ત જવાબો (શૈક્ષણિક અખંડિતતા) મેળવવાને બદલે શીખવા માટે કરે તેની ખાતરી કરવી.

તે સ્પષ્ટ છે કે 2025 સુધીમાં, શિક્ષણમાં AI શક્તિશાળી છે પરંતુ સામાન્ય રીતે માનવ શિક્ષક સાથે કામ કરે છે જે AI ના યોગદાનને ક્યુરેટ કરે છે. સમજી શકાય તેવી ચેતવણી છે: અમે ખોટી માહિતી શીખવવા અથવા શૂન્યાવકાશમાં સંવેદનશીલ વિદ્યાર્થીઓની ક્રિયાપ્રતિક્રિયાઓને હેન્ડલ કરવા માટે AI પર વિશ્વાસ કરવા માંગતા નથી. શિક્ષકો AI ટ્યુટર્સને મદદરૂપ સહાયક તરીકે જુએ છે જે વિદ્યાર્થીઓને વધુ પ્રેક્ટિસ અને નિયમિત પ્રશ્નોના તાત્કાલિક જવાબો આપી શકે છે, શિક્ષકોને ઊંડા માર્ગદર્શન પર ધ્યાન કેન્દ્રિત કરવા માટે મુક્ત કરે છે.

૨૦૩૦-૨૦૩૫ માટેનું ભવિષ્ય: વ્યક્તિગત AI ટ્યુટર્સ અને ઓટોમેટેડ શિક્ષણ સહાયકો

આગામી દાયકામાં, અમે અપેક્ષા રાખીએ છીએ કે જનરેટિવ AI વધુ વ્યક્તિગત અને સ્વાયત્ત શિક્ષણ અનુભવોને , જ્યારે શિક્ષકોની ભૂમિકાઓ વિકસિત થશે:

• દરેક વિદ્યાર્થી માટે AI પર્સનલ ટ્યુટર્સ: 2030 સુધીમાં, વિઝન (ખાન એકેડેમીના સાલ ખાન જેવા નિષ્ણાતો દ્વારા શેર કરાયેલ) એ છે કે દરેક વિદ્યાર્થી પાસે એક એવા AI ટ્યુટરની ઍક્સેસ હોય જે ઘણી બાબતોમાં માનવ ટ્યુટર જેટલો અસરકારક હોય ( આ AI ટ્યુટર માણસોને 10 ગણો વધુ સ્માર્ટ બનાવી શકે છે, તેના નિર્માતા કહે છે ). આ AI ટ્યુટર્સ 24/7 ઉપલબ્ધ રહેશે, વિદ્યાર્થીના શીખવાના ઇતિહાસને નજીકથી જાણશે અને તે મુજબ તેમની શિક્ષણ શૈલીને અનુકૂલિત કરશે. ઉદાહરણ તરીકે, જો કોઈ વિદ્યાર્થી બીજગણિત ખ્યાલ સાથે સંઘર્ષ કરતો દ્રશ્ય શીખનાર હોય, તો AI ગતિશીલ રીતે મદદ કરવા માટે દ્રશ્ય સમજૂતી અથવા ઇન્ટરેક્ટિવ સિમ્યુલેશન બનાવી શકે છે. કારણ કે AI સમય જતાં વિદ્યાર્થીની પ્રગતિને ટ્રેક કરી શકે છે, તે સ્વાયત્ત રીતે નક્કી કરી શકે છે કે આગળ કયા વિષયની સમીક્ષા કરવી અથવા ક્યારે નવી કુશળતા તરફ આગળ વધવું - સૂક્ષ્મ અર્થમાં તે વિદ્યાર્થી માટે પાઠ યોજનાનું અસરકારક રીતે સંચાલન કરવું

• નિયમિત કાર્યો પર શિક્ષકોનો કાર્યભાર ઘટાડવો: ગ્રેડિંગ, વર્કશીટ બનાવવી, પાઠ સામગ્રી તૈયાર કરવી - આ કાર્યો 2030 સુધીમાં લગભગ સંપૂર્ણપણે AI પર ઑફલોડ થઈ શકે છે. AI એક વર્ગ માટે એક અઠવાડિયાનું કસ્ટમાઇઝ્ડ હોમવર્ક જનરેટ કરી શકે છે, ગયા અઠવાડિયાના બધા અસાઇનમેન્ટ (ઓપન-એન્ડેડ પણ) પ્રતિસાદ સાથે ગ્રેડ કરી શકે છે, અને શિક્ષકને હાઇલાઇટ કરી શકે છે કે કયા વિદ્યાર્થીઓને કયા વિષયો પર વધારાની મદદની જરૂર પડી શકે છે. આ ન્યૂનતમ શિક્ષક ઇનપુટ સાથે થઈ શકે છે, કદાચ AI ના ગ્રેડ વાજબી લાગે તે સુનિશ્ચિત કરવા માટે ફક્ત એક ઝડપી નજર.

• ઓટોનોમસ એડેપ્ટિવ લર્નિંગ પ્લેટફોર્મ્સ: આપણે ચોક્કસ વિષયો માટે સંપૂર્ણપણે AI-સંચાલિત અભ્યાસક્રમો જોઈ શકીએ છીએ. કલ્પના કરો કે કોઈ માનવ પ્રશિક્ષક વિનાનો ઓનલાઈન કોર્સ જ્યાં AI એજન્ટ સામગ્રી રજૂ કરે છે, ઉદાહરણો પૂરા પાડે છે, પ્રશ્નોના જવાબ આપે છે અને વિદ્યાર્થીના આધારે ગતિને સમાયોજિત કરે છે. વિદ્યાર્થીનો અનુભવ તેમના માટે અનન્ય હોઈ શકે છે, જે વાસ્તવિક સમયમાં ઉત્પન્ન થાય છે. કેટલીક કોર્પોરેટ તાલીમ અને પુખ્ત શિક્ષણ આ મોડેલ તરફ વહેલા આગળ વધી શકે છે, જ્યાં 2035 સુધીમાં એક કર્મચારી "હું એડવાન્સ્ડ એક્સેલ મેક્રો શીખવા માંગુ છું" કહી શકે છે અને એક AI ટ્યુટર તેમને વ્યક્તિગત અભ્યાસક્રમ દ્વારા શીખવશે, જેમાં કસરતો જનરેટ કરવા અને તેમના ઉકેલોનું મૂલ્યાંકન કરવાનો સમાવેશ થાય છે, માનવ ટ્રેનર વિના.

• વર્ગખંડમાં AI સહાયકો: ભૌતિક અથવા વર્ચ્યુઅલ વર્ગખંડોમાં, AI વર્ગ ચર્ચાઓ સાંભળી શકે છે અને શિક્ષકને તરત જ મદદ કરી શકે છે (દા.ત., ઇયરપીસ દ્વારા સૂચનો ફફડાવીને: "ઘણા વિદ્યાર્થીઓ તે ખ્યાલ વિશે મૂંઝવણમાં દેખાય છે, કદાચ બીજું ઉદાહરણ આપો"). તે ઓનલાઈન વર્ગ ફોરમને પણ નિયંત્રિત કરી શકે છે, વિદ્યાર્થીઓ દ્વારા પૂછવામાં આવેલા સીધા પ્રશ્નોના જવાબ આપી શકે છે ("એસાઇનમેન્ટ ક્યારે બાકી છે?" અથવા વ્યાખ્યાન મુદ્દાને સ્પષ્ટ પણ કરી શકે છે) જેથી શિક્ષક ઇમેઇલ્સ દ્વારા બોમ્બમારો ન કરે. 2035 સુધીમાં, રૂમમાં AI સહ-શિક્ષક હોવું, જ્યારે માનવ શિક્ષક ઉચ્ચ-સ્તરના માર્ગદર્શન અને પ્રેરક પાસાઓ પર ધ્યાન કેન્દ્રિત કરે છે, તે પ્રમાણભૂત હોઈ શકે છે.

• શિક્ષણની વૈશ્વિક પહોંચ: સ્વાયત્ત AI ટ્યુટર્સ શિક્ષકોની અછત ધરાવતા વિસ્તારોમાં વિદ્યાર્થીઓને શિક્ષિત કરવામાં મદદ કરી શકે છે. AI ટ્યુટર સાથેનું ટેબ્લેટ એવા વિદ્યાર્થીઓ માટે પ્રાથમિક પ્રશિક્ષક તરીકે સેવા આપી શકે છે જેમની પાસે મૂળભૂત સાક્ષરતા અને ગણિતનો અભ્યાસ મર્યાદિત છે. 2035 સુધીમાં, આ સૌથી અસરકારક ઉપયોગોમાંનો એક હોઈ શકે છે - AI એ અંતરને દૂર કરશે જ્યાં માનવ શિક્ષકો ઉપલબ્ધ નથી. જો કે, વિવિધ સંદર્ભોમાં AI શિક્ષણની ગુણવત્તા અને સાંસ્કૃતિક યોગ્યતા સુનિશ્ચિત કરવી મહત્વપૂર્ણ રહેશે.

શું AI શિક્ષકોનું સ્થાન લેશે? સંપૂર્ણ રીતે અશક્ય. શિક્ષણ ફક્ત સામગ્રી પહોંચાડવા કરતાં વધુ છે - તે માર્ગદર્શન, પ્રેરણા, સામાજિક-ભાવનાત્મક ટેકો છે. તે માનવ તત્વો AI માટે નકલ કરવા મુશ્કેલ છે. પરંતુ AI બીજા શિક્ષક અથવા જ્ઞાન ટ્રાન્સફર માટે પ્રથમ શિક્ષક પણ બની શકે છે, જેનાથી માનવ શિક્ષકો માનવીઓ શું શ્રેષ્ઠ કરે છે તેના પર ધ્યાન કેન્દ્રિત કરી શકે છે: સહાનુભૂતિ, પ્રેરણા અને વિવેચનાત્મક વિચારસરણીને પ્રોત્સાહન.

કેટલીક ચિંતાઓનું સંચાલન કરવું પડશે: ખાતરી કરવી કે AI સચોટ માહિતી પૂરી પાડે છે (ખોટા તથ્યોનો શૈક્ષણિક ભ્રમ નહીં), શૈક્ષણિક સામગ્રીમાં પૂર્વગ્રહ ટાળવો, વિદ્યાર્થી ડેટા ગોપનીયતા જાળવવી અને વિદ્યાર્થીઓને વ્યસ્ત રાખવા (AI એ ફક્ત યોગ્ય નહીં, પણ પ્રેરક હોવું જોઈએ). આપણે સંભવતઃ AI શૈક્ષણિક પ્રણાલીઓની માન્યતા અથવા પ્રમાણપત્ર જોશું - જેમ કે પાઠ્યપુસ્તકોને મંજૂરી આપવામાં આવી રહી છે - જેથી ખાતરી કરી શકાય કે તેઓ ધોરણોને પૂર્ણ કરે છે.

બીજો પડકાર વધુ પડતો નિર્ભરતા છે: જો કોઈ AI ટ્યુટર ખૂબ જ સરળતાથી જવાબો આપે છે, તો વિદ્યાર્થીઓ દ્રઢતા કે સમસ્યાનું નિરાકરણ શીખી શકશે નહીં. આને ઘટાડવા માટે, ભવિષ્યના AI ટ્યુટર્સને વિદ્યાર્થીઓને ક્યારેક સંઘર્ષ કરવા દેવા માટે (જેમ કે માનવ ટ્યુટર કરી શકે છે) અથવા ઉકેલો આપવાને બદલે સંકેતો સાથે સમસ્યાઓનું નિરાકરણ લાવવા માટે પ્રોત્સાહિત કરવા માટે ડિઝાઇન કરવામાં આવી શકે છે.

2035 સુધીમાં, વર્ગખંડમાં પરિવર્તન આવી શકે છે: દરેક વિદ્યાર્થી પાસે AI-કનેક્ટેડ ઉપકરણ હોય છે જે તેમને પોતાની ગતિએ માર્ગદર્શન આપે છે, જ્યારે શિક્ષક જૂથ પ્રવૃત્તિઓનું આયોજન કરે છે અને માનવીય સમજ પૂરી પાડે છે. શિક્ષણ વધુ કાર્યક્ષમ અને અનુરૂપ બની શકે છે. વચન એ છે કે દરેક વિદ્યાર્થીને જરૂર પડે ત્યારે મદદ મળે - એક સાચો "વ્યક્તિગત શિક્ષક" અનુભવ મોટા પાયે. જોખમ એ છે કે કેટલાક માનવીય સ્પર્શ ગુમાવવા અથવા AI નો દુરુપયોગ કરવો (જેમ કે વિદ્યાર્થીઓ AI દ્વારા છેતરપિંડી કરે છે). પરંતુ એકંદરે, જો સારી રીતે સંચાલિત થાય, તો જનરેટિવ AI વિદ્યાર્થીની શૈક્ષણિક યાત્રામાં હંમેશા ઉપલબ્ધ, જ્ઞાનવાન સાથી બનીને શિક્ષણને લોકશાહી અને વધારવા માટે વપરાય છે.

લોજિસ્ટિક્સ અને સપ્લાય ચેઇનમાં જનરેટિવ AI

લોજિસ્ટિક્સ - માલ ખસેડવાની અને સપ્લાય ચેઇનનું સંચાલન કરવાની કળા અને વિજ્ઞાન - "જનરેટિવ" AI માટે પરંપરાગત ક્ષેત્ર જેવું ન લાગે, પરંતુ સર્જનાત્મક સમસ્યાનું નિરાકરણ અને આયોજન આ ક્ષેત્રમાં મુખ્ય છે. જનરેટિવ AI દૃશ્યોનું અનુકરણ કરીને, યોજનાઓને ઑપ્ટિમાઇઝ કરીને અને રોબોટિક સિસ્ટમ્સને નિયંત્રિત કરીને પણ મદદ કરી શકે છે. લોજિસ્ટિક્સમાં ધ્યેય કાર્યક્ષમતા અને ખર્ચ-બચત છે, જે ડેટાનું વિશ્લેષણ કરવામાં અને ઉકેલો પ્રસ્તાવિત કરવામાં AI ની શક્તિઓ સાથે સારી રીતે સંરેખિત થાય છે. તો સપ્લાય ચેઇન અને લોજિસ્ટિક્સ કામગીરી ચલાવવામાં AI કેટલી સ્વાયત્ત બની શકે છે?

વર્તમાન ક્ષમતાઓ (2025): માનવ દેખરેખ સાથે ઑપ્ટિમાઇઝેશન અને સુવ્યવસ્થિતીકરણ

આજે, AI (કેટલાક જનરેટિવ અભિગમો સહિત) મુખ્યત્વે લોજિસ્ટિક્સમાં નિર્ણય સહાયક સાધન :

• રૂટ ઑપ્ટિમાઇઝેશન: UPS અને FedEx જેવી કંપનીઓ પહેલાથી જ ડિલિવરી રૂટ્સને ઑપ્ટિમાઇઝ કરવા માટે AI અલ્ગોરિધમ્સનો ઉપયોગ કરે છે - ખાતરી કરે છે કે ડ્રાઇવરો સૌથી કાર્યક્ષમ માર્ગ અપનાવે છે. પરંપરાગત રીતે આ ઓપરેશન્સ રિસર્ચ અલ્ગોરિધમ્સ હતા, પરંતુ હવે જનરેટિવ અભિગમો વિવિધ પરિસ્થિતિઓ (ટ્રાફિક, હવામાન) હેઠળ વૈકલ્પિક રૂટિંગ વ્યૂહરચનાઓનું અન્વેષણ કરવામાં મદદ કરી શકે છે. જ્યારે AI રૂટ્સ સૂચવે છે, ત્યારે માનવ ડિસ્પેચર્સ અથવા મેનેજરો પરિમાણો (દા.ત., પ્રાથમિકતાઓ) સેટ કરે છે અને જો જરૂરી હોય તો ઓવરરાઇડ કરી શકે છે.

• લોડ અને સ્પેસ પ્લાનિંગ: ટ્રક અથવા શિપિંગ કન્ટેનર પેક કરવા માટે, AI શ્રેષ્ઠ લોડિંગ પ્લાન (કયું બોક્સ ક્યાં જાય છે) જનરેટિવ AI જગ્યાના ઉપયોગને મહત્તમ કરવા માટે બહુવિધ પેકિંગ રૂપરેખાંકનો ઉત્પન્ન કરી શકે છે, જે મૂળભૂત રીતે એવા ઉકેલો "બનાવે છે" જેમાંથી માણસો પસંદ કરી શકે છે. એક અભ્યાસ દ્વારા આ વાત પર ભાર મૂકવામાં આવ્યો હતો જેમાં નોંધવામાં આવ્યું હતું કે યુએસમાં ટ્રક ઘણીવાર 30% ખાલી ચાલે છે, અને AI દ્વારા સહાયિત વધુ સારું આયોજન તે કચરો ઘટાડી શકે છે ( લોજિસ્ટિક્સમાં ટોચના જનરેટિવ AI ઉપયોગના કેસો ). આ AI-જનરેટેડ લોડ પ્લાનનો હેતુ ઇંધણના ખર્ચ અને ઉત્સર્જનમાં ઘટાડો કરવાનો છે, અને કેટલાક વેરહાઉસમાં તે ન્યૂનતમ મેન્યુઅલ ફેરફારો સાથે ચલાવવામાં આવે છે.

• માંગ આગાહી અને ઇન્વેન્ટરી મેનેજમેન્ટ: AI મોડેલો ઉત્પાદન માંગની આગાહી કરી શકે છે અને રિસ્ટોકિંગ યોજનાઓ જનરેટ કરી શકે છે. એક જનરેટિવ મોડેલ વિવિધ માંગ દૃશ્યોનું અનુકરણ કરી શકે છે (દાખલા તરીકે, AI આગામી રજાને કારણે માંગમાં વધારાને "કલ્પના" કરે છે) અને તે મુજબ ઇન્વેન્ટરીનું આયોજન કરી શકે છે. આ સપ્લાય ચેઇન મેનેજરોને તૈયાર કરવામાં મદદ કરે છે. હાલમાં, AI આગાહીઓ અને સૂચનો પ્રદાન કરે છે, પરંતુ માનવીઓ સામાન્ય રીતે ઉત્પાદન સ્તર અથવા ઓર્ડર પર અંતિમ નિર્ણય લે છે.

• જોખમ મૂલ્યાંકન: વૈશ્વિક પુરવઠા શૃંખલામાં વિક્ષેપો (કુદરતી આફતો, બંદર વિલંબ, રાજકીય મુદ્દાઓ)નો સામનો કરવો પડે છે. AI સિસ્ટમ્સ હવે ક્ષિતિજ પરના જોખમોને ઓળખવા માટે સમાચાર અને ડેટાનો ઉપયોગ કરે છે. ઉદાહરણ તરીકે, એક લોજિસ્ટિક્સ ફર્મ ઇન્ટરનેટને સ્કેન કરવા અને જોખમી પરિવહન કોરિડોર (જે વિસ્તારોમાં, જેમ કે, આવનારા વાવાઝોડા અથવા અશાંતિને કારણે મુશ્કેલી થવાની સંભાવના છે) ને ચિહ્નિત કરવા માટે gen AI નો ઉપયોગ કરે છે ( લોજિસ્ટિક્સમાં ટોચના જનરેટિવ AI ઉપયોગના કેસો ). તે માહિતી સાથે, આયોજકો મુશ્કેલીગ્રસ્ત સ્થળોની આસપાસ શિપમેન્ટને સ્વાયત્ત રીતે ફરીથી રૂટ કરી શકે છે. કેટલાક કિસ્સાઓમાં, AI આપમેળે રૂટ ફેરફારો અથવા પરિવહનના મોડમાં ફેરફારની ભલામણ કરી શકે છે, જેને માનવો પછી મંજૂરી આપે છે.

• વેરહાઉસ ઓટોમેશન: ઘણા વેરહાઉસ સેમી-ઓટોમેટેડ હોય છે જેમાં રોબોટ્સ ચૂંટવા અને પેક કરવા માટે હોય છે. જનરેટિવ AI શ્રેષ્ઠ પ્રવાહ માટે રોબોટ્સ અને માનવોને ગતિશીલ રીતે કાર્યો ફાળવી શકે છે. ઉદાહરણ તરીકે, AI ઓર્ડરના આધારે દરરોજ સવારે રોબોટિક પીકર્સ માટે જોબ કતાર જનરેટ કરી શકે છે. આ ઘણીવાર અમલમાં સંપૂર્ણપણે સ્વાયત્ત હોય છે, મેનેજરો ફક્ત KPIs પર નજર રાખે છે - જો ઓર્ડર અણધારી રીતે વધે છે, તો AI પોતાની જાતે કામગીરીને સમાયોજિત કરે છે.

• ફ્લીટ મેનેજમેન્ટ: AI વાહનો માટે જાળવણીનું સમયપત્રક બનાવવામાં મદદ કરે છે, પેટર્નનું વિશ્લેષણ કરીને અને ડાઉનટાઇમ ઓછો કરવા માટે શ્રેષ્ઠ જાળવણી સમયપત્રક બનાવે છે. તે ટ્રિપ્સ ઘટાડવા માટે શિપમેન્ટને પણ જૂથબદ્ધ કરી શકે છે. આ નિર્ણયો AI સોફ્ટવેર દ્વારા આપમેળે લઈ શકાય છે જ્યાં સુધી તે સેવાની આવશ્યકતાઓને પૂર્ણ કરે છે.

એકંદરે, 2025 સુધીમાં, માનવોએ ઉદ્દેશ્યો નક્કી કર્યા (દા.ત., "ખર્ચ ઓછો કરો પણ 2-દિવસની ડિલિવરી સુનિશ્ચિત કરો") અને AI તે હાંસલ કરવા માટે ઉકેલો અથવા સમયપત્રક બનાવે છે. કંઈક અસામાન્ય બને ત્યાં સુધી સિસ્ટમો હસ્તક્ષેપ વિના દરરોજ ચાલી શકે છે. ઘણી બધી લોજિસ્ટિક્સમાં પુનરાવર્તિત નિર્ણયો શામેલ હોય છે (આ શિપમેન્ટ ક્યારે છોડવું જોઈએ? આ ઓર્ડર કયા વેરહાઉસમાંથી પૂર્ણ કરવો?), જે AI સતત લેવાનું શીખી શકે છે. કંપનીઓ ધીમે ધીમે આ સૂક્ષ્મ-નિર્ણયોને હેન્ડલ કરવા માટે AI પર વિશ્વાસ કરી રહી છે અને અપવાદો આવે ત્યારે જ મેનેજરોને ચેતવણી આપે છે.

૨૦૩૦-૨૦૩૫ માટેનું ભવિષ્ય: સ્વ-ડ્રાઇવિંગ સપ્લાય ચેઇન

આગામી દાયકામાં, આપણે AI દ્વારા સંચાલિત લોજિસ્ટિક્સમાં સ્વાયત્ત સંકલનની

• સ્વાયત્ત વાહનો અને ડ્રોન: સ્વ-ડ્રાઇવિંગ ટ્રક અને ડિલિવરી ડ્રોન, જ્યારે એક વ્યાપક AI/રોબોટિક્સ વિષય છે, તે લોજિસ્ટિક્સ પર સીધી અસર કરે છે. 2030 સુધીમાં, જો નિયમનકારી અને તકનીકી પડકારોને દૂર કરવામાં આવે, તો આપણી પાસે હાઇવે પર નિયમિતપણે AI ડ્રાઇવિંગ ટ્રક અથવા શહેરોમાં છેલ્લા માઇલ ડિલિવરીનું સંચાલન કરતા ડ્રોન હોઈ શકે છે. આ AI માનવ ડ્રાઇવરો વિના વાસ્તવિક સમયના નિર્ણયો (રૂટ ફેરફારો, અવરોધ ટાળવા) લેશે. જનરેટિવ એંગલ એ છે કે આ વાહન AI વિશાળ ડેટા અને સિમ્યુલેશનમાંથી કેવી રીતે શીખે છે, અસંખ્ય પરિસ્થિતિઓ પર અસરકારક રીતે "તાલીમ" આપે છે. સંપૂર્ણ સ્વાયત્ત કાફલો 24/7 કાર્ય કરી શકે છે, જેમાં માણસો ફક્ત દૂરથી દેખરેખ રાખે છે. આ લોજિસ્ટિક્સ કામગીરીમાંથી એક વિશાળ માનવ તત્વ (ડ્રાઇવરો) દૂર કરે છે, જે નાટકીય રીતે સ્વાયત્તતામાં વધારો કરે છે.

• સ્વ-ઉપચાર સપ્લાય ચેઇન: જનરેટિવ AI નો ઉપયોગ સપ્લાય ચેઇનના દૃશ્યોનું સતત અનુકરણ કરવા અને આકસ્મિક યોજનાઓ તૈયાર કરવા માટે થશે. 2035 સુધીમાં, AI આપમેળે શોધી શકે છે કે સપ્લાયર ફેક્ટરી ક્યારે બંધ થઈ ગઈ છે (સમાચાર અથવા ડેટા ફીડ દ્વારા) અને તરત જ સોર્સિંગને વૈકલ્પિક સપ્લાયર્સ તરફ ખસેડી શકે છે જેમની સિમ્યુલેશનમાં તેણે પહેલાથી જ ચકાસણી કરી છે. આનો અર્થ એ છે કે AI પહેલ કરીને સપ્લાય ચેઇન પોતાને વિક્ષેપોથી "સાજા" કરે છે. માનવ મેનેજરોને AI એ શું કર્યું તેની જાણ કરવામાં આવશે, નહીં કે જેઓ ઉકેલ લાવવાનું શરૂ કરે છે.

• એન્ડ-ટુ-એન્ડ ઇન્વેન્ટરી ઑપ્ટિમાઇઝેશન: AI વેરહાઉસ અને સ્ટોર્સના સમગ્ર નેટવર્કમાં સ્વાયત્ત રીતે ઇન્વેન્ટરીનું સંચાલન કરી શકે છે. તે નક્કી કરશે કે સ્ટોક ક્યારે અને ક્યાં ખસેડવો (કદાચ રોબોટ્સ અથવા સ્વચાલિત વાહનોનો ઉપયોગ કરીને), દરેક સ્થાન પર પૂરતી ઇન્વેન્ટરી રાખવી. AI મૂળભૂત રીતે સપ્લાય ચેઇન કંટ્રોલ ટાવર ચલાવે છે: બધા પ્રવાહોને જોતા અને રીઅલ-ટાઇમમાં ગોઠવણો કરતા. 2035 સુધીમાં, "સ્વ-ડ્રાઇવિંગ" સપ્લાય ચેઇનના વિચારનો અર્થ એ હોઈ શકે છે કે સિસ્ટમ દરરોજ શ્રેષ્ઠ વિતરણ યોજના શોધી કાઢશે, ઉત્પાદનોનો ઓર્ડર આપશે, ફેક્ટરી ચલાવશે અને પરિવહનની વ્યવસ્થા જાતે કરશે. માનવીઓ એકંદર વ્યૂહરચનાનું નિરીક્ષણ કરશે અને AI ની વર્તમાન સમજની બહારના અપવાદોને સંભાળશે.

• લોજિસ્ટિક્સમાં જનરેટિવ ડિઝાઇન: આપણે AI ને નવા સપ્લાય ચેઇન નેટવર્ક ડિઝાઇન કરતા જોઈ શકીએ છીએ. ધારો કે કોઈ કંપની નવા પ્રદેશમાં વિસ્તરણ કરે છે; AI ડેટાને આધારે તે પ્રદેશ માટે શ્રેષ્ઠ વેરહાઉસ સ્થાનો, પરિવહન લિંક્સ અને ઇન્વેન્ટરી નીતિઓ જનરેટ કરી શકે છે - જે આજે સલાહકારો અને વિશ્લેષકો કરે છે. 2030 સુધીમાં, કંપનીઓ સપ્લાય ચેઇન ડિઝાઇન પસંદગીઓ માટે AI ભલામણો પર આધાર રાખી શકે છે, તેના પર વિશ્વાસ કરી શકે છે કે તે પરિબળોનું ઝડપથી મૂલ્યાંકન કરશે અને કદાચ સર્જનાત્મક ઉકેલો (જેમ કે અસ્પષ્ટ વિતરણ કેન્દ્રો) શોધી શકશે જે માનવો ચૂકી જાય છે.

• ઉત્પાદન સાથે એકીકરણ (ઉદ્યોગ 4.0): લોજિસ્ટિક્સ એકલું નથી; તે ઉત્પાદન સાથે જોડાયેલું છે. ભવિષ્યના કારખાનાઓમાં જનરેટિવ AI શેડ્યૂલ ઉત્પાદન રન હોઈ શકે છે, કાચા માલનો સમયસર ઓર્ડર આપી શકે છે, અને પછી લોજિસ્ટિક્સ નેટવર્કને તાત્કાલિક ઉત્પાદનો મોકલવા માટે સૂચના આપી શકે છે. આ સંકલિત AI નો અર્થ એકંદરે ઓછા માનવ આયોજન હોઈ શકે છે - ઉત્પાદનથી ડિલિવરી સુધીની એક સીમલેસ સાંકળ જે ખર્ચ, ગતિ અને ટકાઉપણું માટે ઑપ્ટિમાઇઝિંગ અલ્ગોરિધમ્સ દ્વારા સંચાલિત થાય છે. પહેલેથી જ, 2025 સુધીમાં, ઉચ્ચ-પ્રદર્શન કરતી સપ્લાય ચેઇન્સ ડેટા-આધારિત છે; 2035 સુધીમાં તેઓ મોટાભાગે AI-આધારિત હોઈ શકે છે.

• લોજિસ્ટિક્સમાં ગતિશીલ ગ્રાહક સેવા: ગ્રાહક સેવા AI પર નિર્માણ કરીને, સપ્લાય ચેઇન AI ગ્રાહકો અથવા ગ્રાહકો સાથે સીધા સંપર્ક કરી શકે છે. ઉદાહરણ તરીકે, જો કોઈ મોટો ક્લાયન્ટ છેલ્લી ઘડીએ તેમના બલ્ક ઓર્ડરમાં ફેરફાર કરવા માંગે છે, તો AI એજન્ટ માનવ મેનેજરની રાહ જોયા વિના શક્ય વિકલ્પો (જેમ કે "અમે અડધો હમણાં, અડધો આવતા અઠવાડિયે ડિલિવરી કરી શકીએ છીએ") પર વાટાઘાટો કરી શકે છે. આમાં જનરેટિવ AI બંને બાજુઓ (ગ્રાહકની જરૂરિયાત વિરુદ્ધ કાર્યકારી ક્ષમતા) ને સમજવા અને ગ્રાહકોને સંતોષ આપતા નિર્ણયો લેવાનો સમાવેશ થાય છે જે કામગીરીને સરળ રાખે છે.

અપેક્ષિત લાભ વધુ કાર્યક્ષમ, સ્થિતિસ્થાપક અને પ્રતિભાવશીલ લોજિસ્ટિક્સ સિસ્ટમનો છે. કંપનીઓ મોટી બચતની આગાહી કરે છે - મેકકિન્સેનો અંદાજ છે કે AI-સંચાલિત સપ્લાય ચેઇન ઑપ્ટિમાઇઝેશન ખર્ચમાં નોંધપાત્ર ઘટાડો કરી શકે છે અને સેવા સ્તરમાં સુધારો કરી શકે છે, જેનાથી સમગ્ર ઉદ્યોગોમાં ટ્રિલિયન ડોલરનું મૂલ્ય ઉમેરી શકાય છે ( 2023 માં AI ની સ્થિતિ: જનરેટિવ AI નું બ્રેકઆઉટ વર્ષ | મેકકિન્સે ).

જોકે, AI પર વધુ નિયંત્રણ આપવાથી પણ જોખમ રહેલું છે, જેમ કે જો AIનો તર્ક ખામીયુક્ત હોય તો ભૂલો કેસ્કેડીંગ થાય છે (દા.ત., AI સપ્લાય ચેઇનનું કુખ્યાત દૃશ્ય જે મોડેલિંગ ભૂલને કારણે અજાણતાં કંપનીને સ્ટોકમાંથી બહાર કાઢે છે). "મોટા નિર્ણયો માટે માનવ-ઇન-ધ-લૂપ" અથવા ઓછામાં ઓછા ડેશબોર્ડ જેવા રક્ષણાત્મક પગલાં જે ઝડપી માનવ ઓવરરાઇડને મંજૂરી આપે છે તે 2035 સુધી ચાલુ રહેશે. સમય જતાં, જેમ જેમ AI નિર્ણયો સાબિત થશે, તેમ તેમ માનવીઓ પાછળ હટવામાં વધુ આરામદાયક બનશે.

રસપ્રદ વાત એ છે કે, કાર્યક્ષમતા માટે ઑપ્ટિમાઇઝ કરીને, AI ક્યારેક એવા વિકલ્પો બનાવી શકે છે જે માનવ પસંદગીઓ અથવા પરંપરાગત પ્રથાઓ સાથે વિરોધાભાસી હોય છે. ઉદાહરણ તરીકે, શુદ્ધ ઑપ્ટિમાઇઝ કરવાથી ખૂબ જ ઓછી ઇન્વેન્ટરી થઈ શકે છે, જે કાર્યક્ષમ છે પરંતુ જોખમી લાગે છે. 2030 માં સપ્લાય ચેઇન વ્યાવસાયિકોએ તેમના અંતર્જ્ઞાનને સમાયોજિત કરવું પડી શકે છે કારણ કે AI, વિશાળ ડેટાને ક્રંચ કરીને, દર્શાવી શકે છે કે તેની અસામાન્ય વ્યૂહરચના ખરેખર વધુ સારી રીતે કાર્ય કરે છે.

છેલ્લે, આપણે ધ્યાનમાં લેવું જોઈએ કે ભૌતિક મર્યાદાઓ (ઇન્ફ્રાસ્ટ્રક્ચર, ભૌતિક પ્રક્રિયા ગતિ) લોજિસ્ટિક્સ કેટલી ઝડપથી બદલાઈ શકે છે તે મર્યાદિત કરે છે, તેથી અહીં ક્રાંતિ સંપૂર્ણપણે નવી ભૌતિક વાસ્તવિકતાને બદલે સ્માર્ટ આયોજન અને સંપત્તિના ઉપયોગ વિશે છે. પરંતુ તે મર્યાદાઓની અંદર પણ, જનરેટિવ AI ના સર્જનાત્મક ઉકેલો અને અવિરત ઑપ્ટિમાઇઝેશન ન્યૂનતમ મેન્યુઅલ પ્લાનિંગ સાથે વિશ્વભરમાં માલ કેવી રીતે ફરે છે તે નાટકીય રીતે સુધારી શકે છે.

સારાંશમાં, 2035 સુધીમાં લોજિસ્ટિક્સ સારી રીતે તેલયુક્ત ઓટોમેટેડ મશીન જેવું કાર્ય કરી શકે છે: માલ કાર્યક્ષમ રીતે વહેતો રહે, વિક્ષેપોને વાસ્તવિક સમયમાં સમાયોજિત કરતા રૂટ, રોબોટ્સ સાથે પોતાનું સંચાલન કરતા વેરહાઉસ, અને સમગ્ર સિસ્ટમ સતત ડેટામાંથી શીખતી અને સુધારતી રહે - આ બધું જનરેટિવ AI દ્વારા ગોઠવાય છે જે ઓપરેશનના મગજ તરીકે કાર્ય કરે છે.

ફાઇનાન્સ અને બિઝનેસમાં જનરેટિવ એઆઈ

નાણાકીય ઉદ્યોગ માહિતી - અહેવાલો, વિશ્લેષણ, ગ્રાહક સંદેશાવ્યવહાર - માં ભારે વ્યવહાર કરે છે - જે તેને જનરેટિવ AI માટે ફળદ્રુપ જમીન બનાવે છે. બેંકિંગથી લઈને રોકાણ વ્યવસ્થાપન અને વીમા સુધી, સંસ્થાઓ ઓટોમેશન અને આંતરદૃષ્ટિ જનરેશન માટે AI ની શોધ કરી રહી છે. પ્રશ્ન એ છે કે, આ ક્ષેત્રમાં ચોકસાઈ અને વિશ્વાસના મહત્વને ધ્યાનમાં રાખીને, AI માનવ દેખરેખ વિના કયા નાણાકીય કાર્યો વિશ્વસનીય રીતે સંભાળી શકે છે?

વર્તમાન ક્ષમતાઓ (૨૦૨૫): ઓટોમેટેડ રિપોર્ટ્સ અને નિર્ણય સપોર્ટ

આજની તારીખે, જનરેટિવ AI ઘણી રીતે નાણાકીય ક્ષેત્રમાં યોગદાન આપી રહ્યું છે, ઘણીવાર માનવ દેખરેખ હેઠળ:

• રિપોર્ટ જનરેશન: બેંકો અને નાણાકીય કંપનીઓ અસંખ્ય અહેવાલો રજૂ કરે છે - કમાણી સારાંશ, બજાર ટિપ્પણી, પોર્ટફોલિયો વિશ્લેષણ, વગેરે. આનો મુસદ્દો તૈયાર કરવા માટે AI નો ઉપયોગ પહેલાથી જ થાય છે. ઉદાહરણ તરીકે, બ્લૂમબર્ગે તેમના ટર્મિનલ વપરાશકર્તાઓ માટે સમાચાર વર્ગીકરણ અને પ્રશ્ન અને જવાબ જેવા કાર્યોમાં સહાય કરવા માટે BloombergGPT જનરેટિવ AI ફાઇનાન્સમાં આવી રહ્યું છે ). જ્યારે તેનો પ્રાથમિક ઉપયોગ માનવોને માહિતી શોધવામાં મદદ કરી રહ્યો છે, તે AI ની વધતી ભૂમિકા દર્શાવે છે. ઓટોમેટેડ ઇનસાઇટ્સ (કંપની AP સાથે કામ કર્યું હતું) એ પણ નાણાકીય લેખો જનરેટ કર્યા. ઘણા રોકાણ ન્યૂઝલેટર્સ દૈનિક બજાર ચાલ અથવા આર્થિક સૂચકાંકોને સંક્ષેપિત કરવા માટે AI નો ઉપયોગ કરે છે. સામાન્ય રીતે, માનવીઓ ગ્રાહકોને મોકલતા પહેલા આની સમીક્ષા કરે છે, પરંતુ તે શરૂઆતથી લખવાને બદલે ઝડપી સંપાદન છે.

• ગ્રાહક સંદેશાવ્યવહાર: રિટેલ બેંકિંગમાં, AI ચેટબોટ્સ એકાઉન્ટ બેલેન્સ, વ્યવહારો અથવા ઉત્પાદન માહિતી (ગ્રાહક સેવા ક્ષેત્રમાં મિશ્રણ) વિશે ગ્રાહકોના પ્રશ્નોનું સંચાલન કરે છે. ઉપરાંત, AI વ્યક્તિગત નાણાકીય સલાહ પત્રો અથવા સંકેતો જનરેટ કરી શકે છે. ઉદાહરણ તરીકે, AI એ ઓળખી શકે છે કે ગ્રાહક ફી પર બચત કરી શકે છે અને આપમેળે એક સંદેશ ડ્રાફ્ટ કરી શકે છે જે સૂચવે છે કે તેઓ એક અલગ એકાઉન્ટ પ્રકાર પર સ્વિચ કરે છે, જે પછી ન્યૂનતમ માનવ હસ્તક્ષેપ સાથે બહાર જાય છે. સ્કેલ પર આ પ્રકારનો વ્યક્તિગત સંદેશાવ્યવહાર ફાઇનાન્સમાં AI નો વર્તમાન ઉપયોગ છે.

• છેતરપિંડી શોધ અને ચેતવણીઓ: જનરેટિવ AI છેતરપિંડી સિસ્ટમો દ્વારા શોધાયેલ વિસંગતતાઓ માટે વર્ણનો અથવા સમજૂતીઓ બનાવવામાં મદદ કરી શકે છે. ઉદાહરણ તરીકે, જો શંકાસ્પદ પ્રવૃત્તિને ચિહ્નિત કરવામાં આવે છે, તો AI ગ્રાહક માટે સમજૂતી સંદેશ ("અમે નવા ઉપકરણમાંથી લોગિન જોયું...") અથવા વિશ્લેષકો માટે રિપોર્ટ જનરેટ કરી શકે છે. શોધ સ્વચાલિત છે (AI/ML વિસંગતતા શોધનો ઉપયોગ કરીને), અને સંદેશાવ્યવહાર વધુને વધુ સ્વચાલિત થઈ રહ્યો છે, જોકે અંતિમ ક્રિયાઓ (એકાઉન્ટને અવરોધિત કરવી) ઘણીવાર કેટલીક માનવ તપાસ ધરાવે છે.

• નાણાકીય સલાહ (મર્યાદિત): કેટલાક રોબો-સલાહકારો (ઓટોમેટેડ ઇન્વેસ્ટમેન્ટ પ્લેટફોર્મ) માનવ સલાહકારો વિના પોર્ટફોલિયોનું સંચાલન કરવા માટે અલ્ગોરિધમ્સ (જરૂરી નથી કે જનરેટિવ AI) નો ઉપયોગ કરે છે. જનરેટિવ AI દાખલ થઈ રહ્યું છે, કહો કે, ચોક્કસ સોદા શા માટે કરવામાં આવ્યા હતા તેના પર ટિપ્પણી જનરેટ કરે છે અથવા ક્લાયન્ટને અનુરૂપ પોર્ટફોલિયો પ્રદર્શનનો સારાંશ આપે છે. જો કે, શુદ્ધ નાણાકીય સલાહ (જેમ કે જટિલ નાણાકીય આયોજન) હજુ પણ મોટે ભાગે માનવ અથવા નિયમ-આધારિત અલ્ગોરિધમિક છે; દેખરેખ વિના મુક્ત-સ્વરૂપ જનરેટિવ સલાહ જો ખોટી હોય તો જવાબદારીને કારણે જોખમી છે.

• જોખમ મૂલ્યાંકન અને અંડરરાઇટિંગ: વીમા કંપનીઓ જોખમ મૂલ્યાંકન અહેવાલો આપમેળે લખવા અથવા પોલિસી દસ્તાવેજોનો મુસદ્દો તૈયાર કરવા માટે AI નું પરીક્ષણ કરી રહી છે. ઉદાહરણ તરીકે, મિલકત વિશેનો ડેટા આપવામાં આવે તો, AI ડ્રાફ્ટ વીમા પૉલિસી અથવા જોખમ પરિબળોનું વર્ણન કરતો અંડરરાઇટરનો અહેવાલ જનરેટ કરી શકે છે. માનવીઓ હાલમાં આ આઉટપુટની સમીક્ષા કરે છે કારણ કે કરારમાં કોઈપણ ભૂલ ખર્ચાળ હોઈ શકે છે.

• ડેટા વિશ્લેષણ અને આંતરદૃષ્ટિ: AI નાણાકીય નિવેદનો અથવા સમાચારોમાંથી પસાર થઈ શકે છે અને સારાંશ ઉત્પન્ન કરી શકે છે. વિશ્લેષકો એવા સાધનોનો ઉપયોગ કરે છે જે 100-પાનાના વાર્ષિક અહેવાલને મુખ્ય મુદ્દાઓમાં તાત્કાલિક સારાંશ આપી શકે છે, અથવા કમાણી કોલ ટ્રાન્સક્રિપ્ટમાંથી મુખ્ય ટેકવેઝ કાઢી શકે છે. આ સારાંશ સમય બચાવે છે અને તેનો ઉપયોગ સીધા નિર્ણય લેવામાં અથવા પસાર કરવામાં થઈ શકે છે, પરંતુ સમજદાર વિશ્લેષકો મહત્વપૂર્ણ વિગતોની બે વાર તપાસ કરે છે.

સારમાં, નાણાકીય ક્ષેત્રમાં વર્તમાન AI એક અથાક વિશ્લેષક/લેખક તરીકે કાર્ય કરે છે , જે માનવોને પોલિશ કરતી સામગ્રી ઉત્પન્ન કરે છે. સંપૂર્ણપણે સ્વાયત્ત ઉપયોગ મોટે ભાગે ડેટા-આધારિત સમાચાર (કોઈ વ્યક્તિલક્ષી નિર્ણયની જરૂર નથી) અથવા ગ્રાહક સેવા પ્રતિભાવો જેવા સારી રીતે વ્યાખ્યાયિત ક્ષેત્રોમાં થાય છે. પૈસા વિશેના નિર્ણયો (જેમ કે ભંડોળ ખસેડવા, પૂર્વ-નિર્ધારિત અલ્ગોરિધમ્સથી આગળ વેપાર ચલાવવા) માટે AI પર સીધો વિશ્વાસ કરવો એ ઉચ્ચ દાવ અને નિયમનકારી ચકાસણીને કારણે દુર્લભ છે.

૨૦૩૦-૨૦૩૫ માટેનું ભવિષ્ય: એઆઈ વિશ્લેષકો અને સ્વાયત્ત નાણાકીય કામગીરી

આગળ જોતાં, 2035 સુધીમાં જનરેટિવ AI નાણાકીય કામગીરીમાં ઊંડાણપૂર્વક જડિત થઈ શકે છે, જે સંભવિત રીતે ઘણા કાર્યોને સ્વાયત્ત રીતે સંભાળી શકે છે:

• AI નાણાકીય વિશ્લેષકો: આપણે એવી AI સિસ્ટમો જોઈ શકીએ છીએ જે કંપનીઓ અને બજારોનું વિશ્લેષણ કરી શકે છે અને માનવ ઇક્વિટી સંશોધન વિશ્લેષકના સ્તરે ભલામણો અથવા અહેવાલો ઉત્પન્ન કરી શકે છે. 2030 સુધીમાં, AI કંપનીના તમામ નાણાકીય ફાઇલિંગ વાંચી શકે છે, ઉદ્યોગ ડેટા સાથે સરખામણી કરી શકે છે અને રોકાણ ભલામણ અહેવાલ ("તર્ક સાથે ખરીદો/વેચાણ") જાતે જ ઉત્પન્ન કરી શકે છે. કેટલાક હેજ ફંડ્સ પહેલાથી જ ટ્રેડિંગ સિગ્નલો જનરેટ કરવા માટે AI નો ઉપયોગ કરી રહ્યા છે; 2030 સુધીમાં, AI સંશોધન અહેવાલો સામાન્ય બની શકે છે. માનવ પોર્ટફોલિયો મેનેજરો AI-જનરેટેડ વિશ્લેષણને અન્ય ઇનપુટ તરીકે વિશ્વાસ કરવાનું શરૂ કરી શકે છે. AI માટે સ્વાયત્ત રીતે પોર્ટફોલિયોનું સંચાલન કરવાની પણ સંભાવના છે: પૂર્વનિર્ધારિત વ્યૂહરચના અનુસાર રોકાણોનું સતત નિરીક્ષણ અને પુનઃસંતુલન. હકીકતમાં, અલ્ગોરિધમિક ટ્રેડિંગ પહેલેથી જ ભારે સ્વચાલિત છે - જનરેટિવ AI નવા ટ્રેડિંગ મોડેલો જનરેટ અને પરીક્ષણ કરીને વ્યૂહરચનાઓને વધુ અનુકૂલનશીલ બનાવી શકે છે.

• ઓટોમેટેડ ફાઇનાન્શિયલ પ્લાનિંગ: ગ્રાહક-મુખી AI સલાહકારો વ્યક્તિઓ માટે નિયમિત નાણાકીય આયોજન સંભાળી શકે છે. 2030 સુધીમાં, તમે AI ને તમારા લક્ષ્યો (ઘર ખરીદવું, કોલેજ માટે બચત કરવી) કહી શકો છો અને તે તમારા માટે તૈયાર કરેલી સંપૂર્ણ નાણાકીય યોજના (બજેટ, રોકાણ ફાળવણી, વીમા સૂચનો) બનાવી શકે છે. શરૂઆતમાં માનવ નાણાકીય આયોજક તેની સમીક્ષા કરી શકે છે, પરંતુ જેમ જેમ આત્મવિશ્વાસ વધે છે, તેમ તેમ આવી સલાહ ગ્રાહકોને સીધી આપવામાં આવી શકે છે, યોગ્ય અસ્વીકરણ સાથે. મુખ્ય બાબત એ રહેશે કે AI ની સલાહ નિયમોનું પાલન કરે છે અને ક્લાયન્ટના શ્રેષ્ઠ હિતમાં છે તેની ખાતરી કરવામાં આવશે. જો ઉકેલવામાં આવે તો, AI ઓછી કિંમતે મૂળભૂત નાણાકીય સલાહને વધુ સુલભ બનાવી શકે છે.

• બેક-ઓફિસ ઓટોમેશન: જનરેટિવ AI ઘણા બેક-ઓફિસ દસ્તાવેજો - લોન અરજીઓ, પાલન અહેવાલો, ઓડિટ સારાંશ - ને સ્વાયત્ત રીતે હેન્ડલ કરી શકે છે. ઉદાહરણ તરીકે, AI બધા વ્યવહાર ડેટા લઈ શકે છે અને ઓડિટ રિપોર્ટ જનરેટ કરી શકે છે . 2035 માં ઓડિટર્સ દરેક વસ્તુને જાતે તપાસવાને બદલે AI-ફ્લેગ કરેલા અપવાદોની સમીક્ષા કરવામાં વધુ સમય વિતાવી શકે છે. તેવી જ રીતે, પાલન માટે, AI નિયમનકારો માટે શંકાસ્પદ પ્રવૃત્તિ અહેવાલો (SARs) જનરેટ કરી શકે છે, વિશ્લેષકે શરૂઆતથી લખ્યા વિના. આ નિયમિત દસ્તાવેજોનું સ્વાયત્ત ઉત્પાદન, માનવ દેખરેખ અપવાદ ધોરણે ખસેડવામાં આવે છે, તે પ્રમાણભૂત બની શકે છે.

• વીમા દાવા અને અંડરરાઇટિંગ: એક AI વીમા દાવાની પ્રક્રિયા કરી શકે છે (ફોટો પુરાવા વગેરે સાથે), કવરેજ નક્કી કરી શકે છે અને ચુકવણી નિર્ણય પત્ર આપમેળે જનરેટ કરી શકે છે. આપણે એવા બિંદુ સુધી પહોંચી શકીએ છીએ જ્યાં સીધા દાવાઓ (જેમ કે સ્પષ્ટ ડેટા સાથે ઓટો અકસ્માતો) સબમિટ કર્યાની મિનિટોમાં AI દ્વારા સંપૂર્ણપણે સમાધાન થઈ જાય છે. નવી પોલિસીઓનું અંડરરાઇટિંગ સમાન હોઈ શકે છે: AI જોખમનું મૂલ્યાંકન કરે છે અને પોલિસીની શરતો ઉત્પન્ન કરે છે. 2035 સુધીમાં, કદાચ ફક્ત જટિલ અથવા સીમાચિહ્નરૂપ કેસ જ માનવ અંડરરાઇટર્સ સુધી પહોંચશે.

• છેતરપિંડી અને સુરક્ષા: નાણાકીય ક્ષેત્રમાં છેતરપિંડી અથવા સાયબર ધમકીઓને શોધવા અને તેનો જવાબ આપવા માટે AI વધુ મહત્વપૂર્ણ બનશે. સ્વાયત્ત AI એજન્ટો વાસ્તવિક સમયમાં વ્યવહારોનું નિરીક્ષણ કરી શકે છે અને ચોક્કસ માપદંડો પૂર્ણ થાય ત્યારે તાત્કાલિક પગલાં લઈ શકે છે (એકાઉન્ટ્સને બ્લોક કરો, વ્યવહારો સ્થિર કરો), પછી તર્ક રજૂ કરે છે. અહીં ગતિ મહત્વપૂર્ણ છે, તેથી ઓછામાં ઓછી માનવ સંડોવણી ઇચ્છનીય છે. ગ્રાહકો અથવા નિયમનકારોને સ્પષ્ટ રીતે આ ક્રિયાઓ પહોંચાડવામાં જનરેટિવ ભાગ આવી શકે છે.

• એક્ઝિક્યુટિવ સપોર્ટ: કલ્પના કરો કે એક AI "ચીફ ઓફ સ્ટાફ" જે એક્ઝિક્યુટિવ્સ માટે તરત જ બિઝનેસ રિપોર્ટ્સ જનરેટ કરી શકે છે. પૂછો, "આ ક્વાર્ટરમાં આપણા યુરોપિયન ડિવિઝનનું પ્રદર્શન કેવું રહ્યું અને ગયા વર્ષની સરખામણીમાં મુખ્ય ડ્રાઇવરો શું હતા?" અને AI ચાર્ટ સાથે એક સંક્ષિપ્ત રિપોર્ટ તૈયાર કરશે, જે બધા સચોટ અને ડેટામાંથી લેવામાં આવશે. આ પ્રકારનું ગતિશીલ, સ્વાયત્ત રિપોર્ટિંગ અને વિશ્લેષણ વાતચીત જેટલું સરળ બની શકે છે. 2030 સુધીમાં, બિઝનેસ ઇન્ટેલિજન્સ માટે AI ને પૂછવું અને તેના પર સાચા જવાબો આપવા માટે વિશ્વાસ કરવો એ મોટાભાગે સ્થિર અહેવાલો અને કદાચ કેટલીક વિશ્લેષક ભૂમિકાઓને પણ બદલી શકે છે.

એક રસપ્રદ અંદાજ: 2030 સુધીમાં, મોટાભાગની નાણાકીય સામગ્રી (સમાચાર, અહેવાલો, વગેરે) AI-જનરેટેડ હોઈ શકે છે . પહેલાથી જ, ડાઉ જોન્સ અને રોઇટર્સ જેવા આઉટલેટ્સ ચોક્કસ સમાચાર બિટ્સ માટે ઓટોમેશનનો ઉપયોગ કરે છે. જો આ વલણ ચાલુ રહે, અને નાણાકીય ડેટાના વિસ્ફોટને જોતાં, AI તેમાંથી મોટાભાગનાને ફિલ્ટર કરવા અને સંચાર કરવા માટે જવાબદાર હોઈ શકે છે.

જોકે, વિશ્વાસ અને ચકાસણી કેન્દ્રિય રહેશે. નાણાકીય ઉદ્યોગ ભારે નિયંત્રિત છે અને સ્વાયત્ત રીતે કાર્યરત કોઈપણ AI ને કડક ધોરણોનું પાલન કરવાની જરૂર પડશે:

• કોઈ ભ્રમ ન રહે તેની ખાતરી કરવી (તમે કોઈ AI વિશ્લેષક પાસેથી એવું નાણાકીય માપદંડ ન શોધી શકો જે વાસ્તવિક ન હોય - જે બજારોને ગેરમાર્ગે દોરી શકે).

• પક્ષપાત અથવા ગેરકાયદેસર પ્રથાઓ ટાળવી (જેમ કે પક્ષપાતપૂર્ણ તાલીમ ડેટાને કારણે અજાણતાં ધિરાણના નિર્ણયોમાં ફેરફાર કરવો).

• ઓડિટબિલિટી: નિયમનકારોને સંભવતઃ એઆઈના નિર્ણયો સમજાવી શકાય તેવા હોવા જોઈએ. જો કોઈ એઆઈ લોનનો ઇનકાર કરે છે અથવા ટ્રેડિંગ નિર્ણય લે છે, તો એક તર્ક હોવો જોઈએ જેની તપાસ કરી શકાય. જનરેટિવ મોડેલ્સ થોડું બ્લેક બોક્સ હોઈ શકે છે, તેથી સમજાવી શકાય તેવી એઆઈ તકનીકોના વિકાસની અપેક્ષા રાખો.

આગામી 10 વર્ષોમાં AI અને ફાઇનાન્સ પ્રોફેશનલ્સ વચ્ચે ગાઢ સહયોગ થવાની શક્યતા છે, આત્મવિશ્વાસ વધતાં સ્વાયત્તતાની રેખા ધીમે ધીમે આગળ વધશે. ઓછા જોખમવાળા ઓટોમેશન (જેમ કે રિપોર્ટ જનરેશન) માં શરૂઆતની જીત થશે. ક્રેડિટ નિર્ણયો અથવા રોકાણ પસંદગીઓ જેવા મુખ્ય નિર્ણયો વધુ મુશ્કેલ હશે, પરંતુ ત્યાં પણ, જેમ જેમ AIનો ટ્રેક રેકોર્ડ બનશે, કંપનીઓ તેને વધુ સ્વાયત્તતા આપી શકે છે. ઉદાહરણ તરીકે, કદાચ AI ફંડ એક માનવ નિરીક્ષક સાથે ચાલશે જે ફક્ત ત્યારે જ હસ્તક્ષેપ કરશે જો પ્રદર્શનમાં ફેરફાર થાય અથવા AI અનિશ્ચિતતાને ચિહ્નિત કરે.

આર્થિક રીતે, મેકકિન્સેનો અંદાજ હતો કે AI (ખાસ કરીને gen AI) વાર્ષિક ધોરણે બેંકિંગમાં 200-340 બિલિયન ડોલરનો ઉમેરો કરી શકે છે અને વીમા અને મૂડી બજારોમાં પણ આવી જ મોટી અસરો લાવી શકે છે ( 2023 માં AI ની સ્થિતિ: જનરેટિવ AI નું બ્રેકઆઉટ વર્ષ | મેકકિન્સે ) ( જનરેટિવ AI નું ભવિષ્ય શું છે? | મેકકિન્સે ). આ કાર્યક્ષમતા અને વધુ સારા નિર્ણય પરિણામો દ્વારા શક્ય છે. તે મૂલ્ય મેળવવા માટે, ઘણા બધા નિયમિત નાણાકીય વિશ્લેષણ અને સંદેશાવ્યવહાર AI સિસ્ટમોને સોંપવામાં આવશે.

સારાંશમાં, 2035 સુધીમાં જનરેટિવ AI નાણાકીય ક્ષેત્રમાં કામ કરતા જુનિયર વિશ્લેષકો, સલાહકારો અને કારકુનોની સેના જેવું બની શકે છે, જે મોટાભાગનું કર્કશ કાર્ય અને કેટલાક અત્યાધુનિક વિશ્લેષણ સ્વાયત્ત રીતે કરશે. માનવીઓ હજુ પણ લક્ષ્યો નક્કી કરશે અને ઉચ્ચ-સ્તરીય વ્યૂહરચના, ક્લાયન્ટ સંબંધો અને દેખરેખને સંભાળશે. નાણાકીય વિશ્વ, સાવધ રહીને, ધીમે ધીમે સ્વાયત્તતાનો વિસ્તાર કરશે - પરંતુ દિશા સ્પષ્ટ છે કે વધુને વધુ માહિતી પ્રક્રિયા અને નિર્ણય ભલામણો પણ AI તરફથી આવશે. આદર્શરીતે, આ ઝડપી સેવા (ત્વરિત લોન, ચોવીસ કલાક સલાહ), ઓછા ખર્ચ અને સંભવિત રીતે વધુ ઉદ્દેશ્યતા (ડેટા પેટર્ન પર આધારિત નિર્ણયો) તરફ દોરી જાય છે. પરંતુ વિશ્વાસ જાળવી રાખવો મહત્વપૂર્ણ રહેશે; ફાઇનાન્સમાં એક પણ હાઇ-પ્રોફાઇલ AI ભૂલ મોટા પ્રમાણમાં નુકસાન પહોંચાડી શકે છે (કલ્પના કરો કે AI-ટ્રિગર થયેલ ફ્લેશ ક્રેશ અથવા હજારો લોકોને ખોટી રીતે નકારવામાં આવેલ લાભ). તેથી, ખાસ કરીને ગ્રાહક-મુખી ક્રિયાઓ માટે ગાર્ડરેલ્સ અને માનવ તપાસ ચાલુ રહે તેવી શક્યતા છે, ભલે બેક-ઓફિસ પ્રક્રિયાઓ ખૂબ સ્વાયત્ત બની જાય.

પડકારો અને નૈતિક વિચારણાઓ

આ બધા ક્ષેત્રોમાં, જેમ જેમ જનરેટિવ AI વધુ સ્વાયત્ત જવાબદારીઓ લે છે, તેમ તેમ સામાન્ય પડકારો અને નૈતિક પ્રશ્નો ઉભા થાય છે. AI એક વિશ્વસનીય અને ફાયદાકારક સ્વાયત્ત એજન્ટ છે તેની ખાતરી કરવી એ માત્ર એક તકનીકી કાર્ય નથી, પરંતુ એક સામાજિક કાર્ય છે. અહીં આપણે મુખ્ય ચિંતાઓ અને તેમને કેવી રીતે સંબોધવામાં આવી રહ્યા છે (અથવા સંબોધવાની જરૂર પડશે) ની રૂપરેખા આપીએ છીએ:

વિશ્વસનીયતા અને ચોકસાઈ

ભ્રામકતા સમસ્યા: જનરેટિવ AI મોડેલો ખોટા અથવા સંપૂર્ણપણે બનાવટી આઉટપુટ ઉત્પન્ન કરી શકે છે જે આત્મવિશ્વાસપૂર્ણ લાગે છે. આ ખાસ કરીને જોખમી છે જ્યારે કોઈ માણસ ભૂલો પકડવા માટે લૂપમાં ન હોય. ચેટબોટ ગ્રાહકને ખોટી સૂચનાઓ આપી શકે છે, અથવા AI-લેખિત રિપોર્ટમાં બનાવટી આંકડા હોઈ શકે છે. 2025 સુધીમાં, સંસ્થાઓ દ્વારા અચોક્કસતાને જનરેટિવ AI ના ટોચના જોખમ તરીકે ઓળખવામાં આવે છે ( 2023 માં AI ની સ્થિતિ: જનરેટિવ AI નું બ્રેકઆઉટ વર્ષ | મેકકિન્સે ) ( AI ની સ્થિતિ: વૈશ્વિક સર્વે | મેકકિન્સે ). આગળ વધતા, ભ્રામકતા ઘટાડવા માટે ડેટાબેઝ સામે હકીકત-તપાસ, મોડેલ આર્કિટેક્ચર સુધારણા અને પ્રતિસાદ સાથે મજબૂતીકરણ શીખવા જેવી તકનીકોનો ઉપયોગ કરવામાં આવી રહ્યો છે. સ્વાયત્ત AI સિસ્ટમોને ગંભીર કાર્યો માટે સખત પરીક્ષણ અને કદાચ ઔપચારિક ચકાસણીની જરૂર પડશે (જેમ કે કોડ જનરેશન જે ખોટું હોય તો ભૂલો/સુરક્ષા ખામીઓ રજૂ કરી શકે છે).

સુસંગતતા: AI સિસ્ટમોએ સમય જતાં અને પરિસ્થિતિઓમાં વિશ્વસનીય રીતે પ્રદર્શન કરવાની જરૂર છે. ઉદાહરણ તરીકે, AI પ્રમાણભૂત પ્રશ્નોમાં સારું પ્રદર્શન કરી શકે છે પરંતુ ધારવાળા કેસોમાં ઠોકર ખાય છે. સુસંગત પ્રદર્શન સુનિશ્ચિત કરવા માટે વિવિધ પરિસ્થિતિઓને આવરી લેતા વ્યાપક તાલીમ ડેટા અને સતત દેખરેખની જરૂર પડશે. ઘણી સંસ્થાઓ હાઇબ્રિડ અભિગમો અપનાવવાની યોજના ધરાવે છે - AI કામ કરે છે, પરંતુ રેન્ડમ નમૂનાઓનું માનવો દ્વારા ઑડિટ કરવામાં આવે છે - ચાલુ ચોકસાઈ દરને માપવા માટે.

નિષ્ફળતા-સુરક્ષા: જ્યારે AI સ્વાયત્ત હોય છે, ત્યારે તેને પોતાની અનિશ્ચિતતાને ઓળખવી ખૂબ જ મહત્વપૂર્ણ છે. સિસ્ટમ "જ્યારે તે જાણતો નથી ત્યારે જાણવા" માટે ડિઝાઇન થવી જોઈએ. ઉદાહરણ તરીકે, જો કોઈ AI ડૉક્ટર નિદાન વિશે ખાતરી ન હોય, તો તેણે રેન્ડમ અનુમાન આપવાને બદલે માનવ સમીક્ષા માટે ફ્લેગ કરવું જોઈએ. AI આઉટપુટમાં અનિશ્ચિતતાનો અંદાજ બનાવવો (અને સ્વચાલિત માનવ હેન્ડઓફ માટે થ્રેશોલ્ડ હોવું) એ વિકાસનો એક સક્રિય ક્ષેત્ર છે.

પક્ષપાત અને ન્યાયીપણું

જનરેટિવ AI ઐતિહાસિક ડેટામાંથી શીખે છે જેમાં પૂર્વગ્રહો (વંશીય, લિંગ, વગેરે) હોઈ શકે છે. એક સ્વાયત્ત AI તે પૂર્વગ્રહોને કાયમી બનાવી શકે છે અથવા તો વધારી પણ શકે છે:

• ભરતી અથવા પ્રવેશમાં, જો કોઈ AI નિર્ણય લેનાર વ્યક્તિના તાલીમ ડેટામાં પક્ષપાત હોય તો તે અન્યાયી રીતે ભેદભાવ કરી શકે છે.

• ગ્રાહક સેવામાં, કાળજીપૂર્વક તપાસ ન કરવામાં આવે તો, બોલી અથવા અન્ય પરિબળોના આધારે AI વપરાશકર્તાઓને અલગ રીતે પ્રતિભાવ આપી શકે છે.

• સર્જનાત્મક ક્ષેત્રોમાં, જો તાલીમ સમૂહ અસંતુલિત હોય તો AI ચોક્કસ સંસ્કૃતિઓ અથવા શૈલીઓનું પ્રતિનિધિત્વ કરી શકે છે.

આને સંબોધવા માટે કાળજીપૂર્વક ડેટાસેટ ક્યુરેશન, પૂર્વગ્રહ પરીક્ષણ અને કદાચ અલ્ગોરિધમિક ગોઠવણોની જરૂર છે જેથી ન્યાયીતા સુનિશ્ચિત થાય. પારદર્શિતા મુખ્ય છે: કંપનીઓએ AI નિર્ણય માપદંડો જાહેર કરવાની જરૂર પડશે, ખાસ કરીને જો સ્વાયત્ત AI કોઈના તકો અથવા અધિકારોને અસર કરે છે (જેમ કે લોન અથવા નોકરી મેળવવી). નિયમનકારો પહેલેથી જ ધ્યાન આપી રહ્યા છે; ઉદાહરણ તરીકે, EU ના AI કાયદા (2020 ના દાયકાના મધ્યમાં કામમાં છે) ને ઉચ્ચ-જોખમવાળી AI સિસ્ટમો માટે પૂર્વગ્રહ મૂલ્યાંકનની જરૂર પડશે.

જવાબદારી અને કાનૂની જવાબદારી

જ્યારે સ્વાયત્ત રીતે કાર્યરત AI સિસ્ટમ નુકસાન પહોંચાડે છે અથવા ભૂલ કરે છે, ત્યારે જવાબદાર કોણ છે? કાનૂની માળખાં ઝડપથી આગળ વધી રહ્યા છે:

• AIનો ઉપયોગ કરતી કંપનીઓ કર્મચારીની ક્રિયાઓ માટે જવાબદાર હોવાની જેમ જ જવાબદારી સ્વીકારશે. ઉદાહરણ તરીકે, જો કોઈ AI ખરાબ નાણાકીય સલાહ આપે છે જેના પરિણામે નુકસાન થાય છે, તો કંપનીએ ક્લાયન્ટને વળતર આપવું પડી શકે છે.

• AI "વ્યક્તિત્વ" વિશે અથવા એડવાન્સ્ડ AI આંશિક રીતે જવાબદાર હોઈ શકે છે કે કેમ તે અંગે ચર્ચા ચાલી રહી છે, પરંતુ હવે તે વધુ સૈદ્ધાંતિક છે. વ્યવહારિક રીતે, દોષ વિકાસકર્તાઓ અથવા ઓપરેટરો પર જશે.

• AI નિષ્ફળતા માટે નવા વીમા ઉત્પાદનો ઉભરી શકે છે. જો સ્વ-ડ્રાઇવિંગ ટ્રક અકસ્માતનું કારણ બને છે, તો ઉત્પાદકનો વીમો તેને આવરી શકે છે, જે ઉત્પાદન જવાબદારી સમાન છે.

• પોસ્ટ-મોર્ટમ માટે AI નિર્ણયોનું દસ્તાવેજીકરણ અને લોગિંગ મહત્વપૂર્ણ રહેશે. જો કંઈક ખોટું થાય છે, તો આપણે તેમાંથી શીખવા અને જવાબદારી સોંપવા માટે AI ના નિર્ણય ટ્રેઇલનું ઓડિટ કરવાની જરૂર છે. નિયમનકારો આ જ કારણોસર સ્વાયત્ત AI ક્રિયાઓ માટે લોગિંગ ફરજિયાત કરી શકે છે.

પારદર્શિતા અને સમજૂતી

સ્વાયત્ત AI આદર્શ રીતે માનવ-સમજી શકાય તેવા શબ્દોમાં તેના તર્કને સમજાવવા સક્ષમ હોવું જોઈએ, ખાસ કરીને પરિણામલક્ષી ક્ષેત્રો (નાણા, આરોગ્યસંભાળ, ન્યાય વ્યવસ્થા) માં. સમજાવી શકાય તેવું AI એ બ્લેક બોક્સ ખોલવા માટે પ્રયત્નશીલ ક્ષેત્ર છે:

• AI દ્વારા લોન નકારવા માટે, નિયમો (જેમ કે યુએસમાં, ECOA) અરજદારને કારણ આપવાની જરૂર પડી શકે છે. તેથી AI એ કારણો (દા.ત., "ઉચ્ચ દેવું-થી-આવક ગુણોત્તર") ને સમજૂતી તરીકે રજૂ કરવા આવશ્યક છે.

• AI સાથે વાતચીત કરતા વપરાશકર્તાઓ (જેમ કે AI ટ્યુટર ધરાવતા વિદ્યાર્થીઓ અથવા AI હેલ્થ એપ ધરાવતા દર્દીઓ) એ જાણવાને પાત્ર છે કે તે સલાહ કેવી રીતે આપે છે. મોડેલોને સરળ બનાવીને અથવા સમાંતર સમજૂતીત્મક મોડેલો રાખીને, AI તર્કને વધુ શોધી શકાય તેવા બનાવવાના પ્રયાસો ચાલુ છે.

• પારદર્શિતાનો અર્થ એ પણ થાય છે કે વપરાશકર્તાઓને ખબર હોવી જોઈએ ક્યારે વ્યવહાર કરી રહ્યા છે. નૈતિક માર્ગદર્શિકા (અને કદાચ કેટલાક કાયદાઓ) ગ્રાહક બોટ સાથે વાત કરી રહ્યો હોય તો જાહેરાતની આવશ્યકતા તરફ ઝુકાવ રાખે છે. આ છેતરપિંડી અટકાવે છે અને વપરાશકર્તાની સંમતિ આપે છે. કેટલીક કંપનીઓ હવે વિશ્વાસ જાળવી રાખવા માટે AI-લેખિત સામગ્રી (જેમ કે "આ લેખ AI દ્વારા જનરેટ કરવામાં આવ્યો હતો") ને સ્પષ્ટપણે ટેગ કરે છે.

ગોપનીયતા અને ડેટા સુરક્ષા

જનરેટિવ AI ને ઘણીવાર કાર્ય કરવા અથવા શીખવા માટે ડેટાની જરૂર પડે છે - જેમાં સંભવિત સંવેદનશીલ વ્યક્તિગત ડેટાનો પણ સમાવેશ થાય છે. સ્વાયત્ત કામગીરીએ ગોપનીયતાનો આદર કરવો જોઈએ:

• એક AI ગ્રાહક સેવા એજન્ટ ગ્રાહકને મદદ કરવા માટે એકાઉન્ટ માહિતીને ઍક્સેસ કરશે; તે ડેટા સુરક્ષિત હોવો જોઈએ અને ફક્ત કાર્ય માટે જ ઉપયોગમાં લેવો જોઈએ.

• જો AI ટ્યુટર્સને વિદ્યાર્થી પ્રોફાઇલ્સની ઍક્સેસ હોય, તો શૈક્ષણિક ડેટા ગોપનીયતા સુનિશ્ચિત કરવા માટે FERPA (યુએસમાં) જેવા કાયદા હેઠળ વિચારણાઓ છે.

• મોટા મોડેલો અજાણતાં જ તેમના તાલીમ ડેટામાંથી ચોક્કસ માહિતી યાદ રાખી શકે છે (દા.ત., તાલીમ દરમિયાન જોયેલા વ્યક્તિના સરનામાંને ફરીથી ગોઠવવું). તાલીમમાં વિભેદક ગોપનીયતા અને ડેટા અનામીકરણ જેવી તકનીકો જનરેટ કરેલા આઉટપુટમાં વ્યક્તિગત માહિતીના લીકેજને રોકવા માટે મહત્વપૂર્ણ છે.

• GDPR જેવા નિયમો વ્યક્તિઓને તેમના પર અસર કરતા સ્વચાલિત નિર્ણયો પર અધિકારો આપે છે. લોકો માનવ સમીક્ષા અથવા નિર્ણયો ફક્ત સ્વચાલિત ન હોવા માટે વિનંતી કરી શકે છે જો તેઓ તેમના પર નોંધપાત્ર અસર કરે. 2030 સુધીમાં, આ નિયમો AI વધુ પ્રચલિત થતાં વિકસિત થઈ શકે છે, સંભવતઃ સમજૂતીના અધિકારો રજૂ કરશે અથવા AI પ્રક્રિયામાંથી બહાર નીકળી જશે.

સુરક્ષા અને દુરુપયોગ

સ્વાયત્ત AI સિસ્ટમ્સ હેકિંગ માટે લક્ષ્ય બની શકે છે અથવા દૂષિત કાર્યો કરવા માટે તેનો ઉપયોગ કરી શકાય છે:

• AI કન્ટેન્ટ જનરેટરનો દુરુપયોગ મોટા પાયે ખોટી માહિતી બનાવવા માટે થઈ શકે છે (ડીપફેક વીડિયો, ફેક ન્યૂઝ લેખો), જે એક સામાજિક જોખમ છે. ખૂબ જ શક્તિશાળી જનરેટિવ મોડેલ્સ રિલીઝ કરવાની નીતિશાસ્ત્ર પર ખૂબ ચર્ચા થઈ રહી છે (ઉદાહરણ તરીકે, OpenAI શરૂઆતમાં GPT-4 ની છબી ક્ષમતાઓથી સાવધ હતું). ઉકેલોમાં નકલી શોધવામાં મદદ કરવા માટે AI-જનરેટેડ કન્ટેન્ટને વોટરમાર્ક કરવું અને AI સામે લડવા માટે AIનો ઉપયોગ કરવો (જેમ કે ડીપફેક માટે ડિટેક્શન અલ્ગોરિધમ્સ)નો સમાવેશ થાય છે.

• જો કોઈ AI ભૌતિક પ્રક્રિયાઓ (ડ્રોન, કાર, ઔદ્યોગિક નિયંત્રણ) ને નિયંત્રિત કરે છે, તો તેને સાયબર હુમલાઓ સામે સુરક્ષિત રાખવું મહત્વપૂર્ણ છે. હેક થયેલ સ્વાયત્ત સિસ્ટમ વાસ્તવિક દુનિયાને નુકસાન પહોંચાડી શકે છે. આનો અર્થ એ છે કે મજબૂત એન્ક્રિપ્શન, નિષ્ફળ-સુરક્ષાઓ અને જો કંઈક ચેડાં થાય તો માનવ ઓવરરાઇડ અથવા શટડાઉન કરવાની ક્ષમતા.

• એઆઈ ઇચ્છિત સીમાઓથી આગળ વધવાની ચિંતા પણ છે ("ઠગ એઆઈ" દૃશ્ય). જ્યારે વર્તમાન એઆઈ પાસે એજન્સી કે ઈરાદો નથી, જો ભવિષ્યની સ્વાયત્ત સિસ્ટમો વધુ એજન્ટિવ હશે, તો કડક નિયંત્રણો અને દેખરેખની જરૂર છે જેથી ખાતરી કરી શકાય કે તેઓ ખોટી રીતે ઉલ્લેખિત ઉદ્દેશ્યને કારણે અનધિકૃત વેપાર ન કરે અથવા કાયદાનું ઉલ્લંઘન ન કરે.

નૈતિક ઉપયોગ અને માનવીય અસર

છેલ્લે, વ્યાપક નૈતિક વિચારણાઓ:

• નોકરીનું વિસ્થાપન: જો AI માનવ હસ્તક્ષેપ વિના કાર્યો કરી શકે છે, તો તે નોકરીઓનું શું થશે? ઐતિહાસિક રીતે, ટેકનોલોજી કેટલીક નોકરીઓને સ્વચાલિત કરે છે પરંતુ અન્યનું સર્જન કરે છે. આ સંક્રમણ એવા કામદારો માટે પીડાદાયક હોઈ શકે છે જેમની કુશળતા સ્વચાલિત બને તેવા કાર્યોમાં હોય છે. સમાજને ફરીથી કૌશલ્ય, શિક્ષણ અને સંભવતઃ આર્થિક સહાય પર પુનર્વિચાર કરીને આનું સંચાલન કરવાની જરૂર પડશે (કેટલાક સૂચવે છે કે જો ઘણું કામ સ્વચાલિત હોય તો AI ને સાર્વત્રિક મૂળભૂત આવક જેવા વિચારોની જરૂર પડી શકે છે). પહેલેથી જ, સર્વેક્ષણો મિશ્ર લાગણીઓ દર્શાવે છે - એક અભ્યાસમાં જાણવા મળ્યું છે કે ત્રીજા ભાગના કામદારો AI દ્વારા નોકરીઓ બદલવાની ચિંતા કરે છે, જ્યારે અન્ય લોકો તેને કઠોરતા દૂર કરવા તરીકે જુએ છે.

• માનવ કૌશલ્યનું ધોવાણ: જો AI ટ્યુટર્સ શીખવે અને AI ઓટોપાયલોટ વાહન ચલાવે અને AI કોડ લખે, તો શું લોકો આ કુશળતા ગુમાવશે? AI પર વધુ પડતી નિર્ભરતા સૌથી ખરાબ કિસ્સામાં કુશળતાને નષ્ટ કરી શકે છે; તે એવી બાબત છે જેના માટે શિક્ષણ અને તાલીમ કાર્યક્રમોને સમાયોજિત કરવાની જરૂર પડશે, જેથી ખાતરી થાય કે લોકો AI મદદ કરે તો પણ મૂળભૂત બાબતો શીખે છે.

• નૈતિક નિર્ણય લેવાની પદ્ધતિ: AI માં માનવ નૈતિક નિર્ણયનો અભાવ હોય છે. આરોગ્યસંભાળ અથવા કાયદામાં, ફક્ત ડેટા-આધારિત નિર્ણયો વ્યક્તિગત કિસ્સાઓમાં કરુણા અથવા ન્યાય સાથે વિરોધાભાસી હોઈ શકે છે. આપણે AI માં નૈતિક માળખાને એન્કોડ કરવાની જરૂર પડી શકે છે (AI નૈતિકતા સંશોધનનો એક ક્ષેત્ર, દા.ત., AI નિર્ણયોને માનવ મૂલ્યો સાથે સંરેખિત કરવું). ઓછામાં ઓછું, નૈતિક રીતે ચાર્જ કરેલા નિર્ણયો માટે માનવોને લૂપમાં રાખવાની સલાહ આપવામાં આવે છે.

• સમાવિષ્ટતા: AI લાભોનું વ્યાપક વિતરણ થાય તે સુનિશ્ચિત કરવું એ એક નૈતિક ધ્યેય છે. જો મોટી કંપનીઓ જ અદ્યતન AI પરવડી શકે, તો નાના વ્યવસાયો અથવા ગરીબ પ્રદેશો પાછળ રહી શકે છે. ઓપન-સોર્સ પ્રયાસો અને સસ્તા AI સોલ્યુશન્સ ઍક્સેસને લોકશાહીકરણ કરવામાં મદદ કરી શકે છે. ઉપરાંત, ઇન્ટરફેસ એવી રીતે ડિઝાઇન કરવા જોઈએ કે કોઈપણ AI ટૂલ્સનો ઉપયોગ કરી શકે (વિવિધ ભાષાઓ, અપંગ લોકો માટે સુલભતા, વગેરે), નહીં તો આપણે "કોની પાસે AI સહાયક છે અને કોની પાસે નથી" નો નવો ડિજિટલ વિભાજન બનાવીશું.

વર્તમાન જોખમ ઘટાડા: સકારાત્મક બાજુએ, જેમ જેમ કંપનીઓ gen AI રજૂ કરી રહી છે, તેમ તેમ આ મુદ્દાઓ પર જાગૃતિ અને કાર્યવાહી વધી રહી છે. 2023 ના અંત સુધીમાં, AI નો ઉપયોગ કરતી લગભગ અડધી કંપનીઓ અચોક્કસતા જેવા જોખમોને ઘટાડવા માટે સક્રિયપણે કામ કરી રહી હતી ( 2023 માં AI ની સ્થિતિ: જનરેટિવ AI નું બ્રેકઆઉટ વર્ષ | મેકકિન્સે ) ( The State of AI: Global survey | McKinsey ), અને તે સંખ્યા વધી રહી છે. ટેક કંપનીઓએ AI એથિક્સ બોર્ડની સ્થાપના કરી છે; સરકારો નિયમોનો મુસદ્દો તૈયાર કરી રહી છે. ચાવી એ છે કે શરૂઆતથી જ AI વિકાસમાં નૈતિકતા ("ડિઝાઇન દ્વારા નૈતિકતા") ને ભેળવી દેવી, પછીથી પ્રતિક્રિયા આપવાને બદલે.

પડકારોના નિષ્કર્ષમાં: AI ને વધુ સ્વાયત્તતા આપવી એ બેધારી તલવાર છે. તે કાર્યક્ષમતા અને નવીનતા લાવી શકે છે, પરંતુ તે જવાબદારીના ઉચ્ચ સ્તરની માંગ કરે છે. આગામી વર્ષોમાં ટેકનોલોજીકલ ઉકેલો (AI વર્તન સુધારવા માટે), પ્રક્રિયા ઉકેલો (નીતિ અને દેખરેખ માળખા), અને કદાચ નવા ધોરણો અથવા પ્રમાણપત્રોનું મિશ્રણ જોવા મળશે (AI સિસ્ટમોનું ઑડિટ અને પ્રમાણિત થઈ શકે છે જેમ કે એન્જિન અથવા ઇલેક્ટ્રોનિક્સ આજે છે). આ પડકારોને સફળતાપૂર્વક પાર પાડવાથી નક્કી થશે કે આપણે સ્વાયત્ત AI ને સમાજમાં કેટલી સરળતાથી એકીકૃત કરી શકીએ છીએ જેથી માનવ સુખાકારી અને વિશ્વાસ વધે.

નિષ્કર્ષ

જનરેટિવ AI એક નવતર પ્રયોગથી આપણા જીવનના દરેક ખૂણાને સ્પર્શતી પરિવર્તનશીલ સામાન્ય હેતુની ટેકનોલોજીમાં ઝડપથી વિકસિત થયું છે. આ શ્વેતપત્રમાં એ વાતનો ખુલાસો કરવામાં આવ્યો છે કે 2025 સુધીમાં, AI સિસ્ટમ્સ પહેલાથી જ લેખો લખી રહી છે, ગ્રાફિક્સ ડિઝાઇન કરી રહી છે, સોફ્ટવેર કોડિંગ કરી રહી છે, ગ્રાહકો સાથે ચેટ કરી રહી છે, તબીબી નોંધોનો સારાંશ આપી રહી છે, વિદ્યાર્થીઓને ટ્યુટરિંગ આપી રહી છે, સપ્લાય ચેઇનને ઑપ્ટિમાઇઝ કરી રહી છે અને નાણાકીય અહેવાલો તૈયાર કરી રહી છે. મહત્વપૂર્ણ વાત એ છે કે, આમાંના ઘણા કાર્યોમાં AI માનવ હસ્તક્ષેપ વિના ખૂબ જ ઓછા અથવા કોઈ પણ પ્રકારના હસ્તક્ષેપ વિના , ખાસ કરીને સારી રીતે વ્યાખ્યાયિત, પુનરાવર્તિત નોકરીઓ માટે. કંપનીઓ અને વ્યક્તિઓ આ ફરજો સ્વાયત્ત રીતે પૂર્ણ કરવા માટે AI પર વિશ્વાસ કરવા લાગ્યા છે, ઝડપ અને સ્કેલમાં લાભ મેળવી રહ્યા છે.

2035 તરફ જોતાં, આપણે એવા યુગની અણી પર ઉભા છીએ જ્યાં AI એક વધુ સર્વવ્યાપી સહયોગી બનશે - ઘણીવાર એક અદ્રશ્ય ડિજિટલ કાર્યબળ જે દિનચર્યાનું સંચાલન કરે છે જેથી માનવીઓ અપવાદરૂપ પર ધ્યાન કેન્દ્રિત કરી શકે. અમે અપેક્ષા રાખીએ છીએ કે જનરેટિવ AI આપણા રસ્તાઓ પર કાર અને ટ્રકને વિશ્વસનીય રીતે ચલાવશે, રાતોરાત વેરહાઉસમાં ઇન્વેન્ટરીનું સંચાલન કરશે, જાણકાર વ્યક્તિગત સહાયકો તરીકે અમારા પ્રશ્નોના જવાબ આપશે, વિશ્વભરના વિદ્યાર્થીઓને એક-એક સૂચના પ્રદાન કરશે અને દવામાં નવા ઉપચાર શોધવામાં પણ મદદ કરશે - આ બધું વધુને વધુ ન્યૂનતમ સીધી દેખરેખ સાથે. સાધન અને એજન્ટ વચ્ચેની રેખા ઝાંખી થશે કારણ કે AI નિષ્ક્રિય રીતે સૂચનાઓનું પાલન કરવાથી સક્રિય રીતે ઉકેલો ઉત્પન્ન કરવા તરફ આગળ વધશે.

જોકે, આ સ્વાયત્ત AI ભવિષ્યની યાત્રા કાળજીપૂર્વક કરવી જોઈએ. જેમ આપણે ઉલ્લેખ કર્યો છે, દરેક ક્ષેત્ર પોતાની મર્યાદાઓ અને જવાબદારીઓનો સમૂહ લાવે છે:

• આજની વાસ્તવિકતા તપાસ: AI અચૂક નથી. તે પેટર્ન ઓળખ અને સામગ્રી નિર્માણમાં શ્રેષ્ઠ છે પરંતુ માનવીય સમજણ અને સામાન્ય સમજનો અભાવ છે. આમ, હાલમાં, માનવ દેખરેખ સલામતી જાળ રહે છે. AI ક્યાં એકલા ઉડવા માટે તૈયાર છે (અને ક્યાં નથી) તે ઓળખવું મહત્વપૂર્ણ છે. આજે ઘણી સફળતાઓ માનવ-AI ટીમ મોડેલમાંથી આવે છે, અને જ્યાં સંપૂર્ણ સ્વાયત્તતા હજુ સુધી સમજદારીપૂર્વક નથી ત્યાં આ હાઇબ્રિડ અભિગમ મૂલ્યવાન રહેશે.

• આવતીકાલનું વચન: મોડેલ આર્કિટેક્ચર, તાલીમ તકનીકો અને દેખરેખ પદ્ધતિઓમાં પ્રગતિ સાથે, AI ની ક્ષમતાઓનો વિસ્તાર થતો રહેશે. R&D નો આગામી દાયકા ઘણા વર્તમાન સમસ્યાઓ (ભ્રમ ઘટાડવો, અર્થઘટનક્ષમતામાં સુધારો કરવો, AI ને માનવ મૂલ્યો સાથે સંરેખિત કરવું) ઉકેલી શકે છે. જો એમ હોય, તો 2035 સુધીમાં AI સિસ્ટમો એટલી મજબૂત બની શકે છે કે તેને વધુ સ્વાયત્તતા સોંપવામાં આવે. આ પેપરમાંના અંદાજો - AI શિક્ષકોથી લઈને મોટાભાગે સ્વ-સંચાલિત વ્યવસાયો સુધી - આપણી વાસ્તવિકતા હોઈ શકે છે, અથવા આજે કલ્પના કરવી મુશ્કેલ નવીનતાઓ દ્વારા પણ આગળ નીકળી શકે છે.

• માનવ ભૂમિકા અને અનુકૂલન: AI માનવોને સંપૂર્ણપણે બદલી નાખશે તેના બદલે, અમે ભૂમિકાઓ બદલાતી જોવા માંગીએ છીએ. દરેક ક્ષેત્રના વ્યાવસાયિકોને સાથે - તેનું માર્ગદર્શન કરવું, તેને ચકાસવું અને સહાનુભૂતિ, વ્યૂહાત્મક વિચારસરણી અને જટિલ સમસ્યાનું નિરાકરણ જેવી સ્પષ્ટ માનવ શક્તિઓની જરૂર હોય તેવા કાર્યના પાસાઓ પર ધ્યાન કેન્દ્રિત કરવું. શિક્ષણ અને કાર્યબળ તાલીમ આ અનન્ય માનવ કૌશલ્યો પર ભાર મૂકવા માટે, તેમજ દરેક માટે AI સાક્ષરતા પર ભાર મૂકવા માટે મુખ્ય હોવી જોઈએ. નીતિ નિર્માતાઓ અને વ્યવસાયિક નેતાઓએ શ્રમ બજારમાં સંક્રમણો માટે યોજના બનાવવી જોઈએ અને ઓટોમેશનથી પ્રભાવિત લોકો માટે સહાયક પ્રણાલીઓ સુનિશ્ચિત કરવી જોઈએ.

• નીતિશાસ્ત્ર અને શાસન: કદાચ સૌથી મહત્વપૂર્ણ બાબત એ છે કે, આ ટેકનોલોજીકલ વિકાસને નૈતિક AI ઉપયોગ અને શાસનનું માળખું આધાર આપવું જોઈએ. વિશ્વાસ એ અપનાવવાનું ચલણ છે - લોકો ફક્ત ત્યારે જ AI ને કાર ચલાવવા દેશે અથવા સર્જરીમાં મદદ કરશે જો તેઓ વિશ્વાસ કરે કે તે સલામત છે. તે વિશ્વાસ બનાવવા માટે સખત પરીક્ષણ, પારદર્શિતા, હિસ્સેદારોની સંડોવણી (દા.ત., તબીબી AI ડિઝાઇન કરવામાં ડોકટરો, AI શિક્ષણ સાધનોમાં શિક્ષકોનો સમાવેશ) અને યોગ્ય નિયમનનો સમાવેશ થાય છે. ડીપફેક્સ અથવા યુદ્ધમાં AI જેવા પડકારોનો સામનો કરવા માટે આંતરરાષ્ટ્રીય સહયોગ જરૂરી હોઈ શકે છે, જવાબદાર ઉપયોગ માટે વૈશ્વિક ધોરણો સુનિશ્ચિત કરવા.

નિષ્કર્ષમાં, જનરેટિવ AI પ્રગતિનું એક શક્તિશાળી એન્જિન છે. સમજદારીપૂર્વક ઉપયોગ કરવાથી, તે માનવોને કઠિનતામાંથી મુક્ત કરી શકે છે, સર્જનાત્મકતા ખોલી શકે છે, સેવાઓને વ્યક્તિગત કરી શકે છે અને અંતરને દૂર કરી શકે છે (જ્યાં નિષ્ણાતોની અછત હોય ત્યાં કુશળતા લાવી શકે છે). ચાવી એ છે કે તેને એવી રીતે ઉપયોગમાં લેવી કે જે માનવ ક્ષમતાને હાંસિયામાં ધકેલી દેવાને બદલે તેને વિસ્તૃત કરે . તાત્કાલિક ગાળામાં, તેનો અર્થ એ છે કે માનવોને AI ને માર્ગદર્શન આપવા માટે લૂપમાં રાખવા. લાંબા ગાળામાં, તેનો અર્થ એ છે કે AI સિસ્ટમ્સના મૂળમાં માનવતાવાદી મૂલ્યોને એન્કોડ કરવા જેથી જ્યારે તેઓ સ્વતંત્ર રીતે કાર્ય કરે, ત્યારે પણ તેઓ આપણા સામૂહિક શ્રેષ્ઠ હિતમાં કાર્ય કરે.

ડોમેન	વિશ્વસનીય સ્વાયત્તતા આજે (૨૦૨૫)	2035 સુધીમાં વિશ્વસનીય સ્વાયત્તતાની અપેક્ષા
લેખન અને સામગ્રી	- નિયમિત સમાચાર (રમતગમત, કમાણી) આપમેળે ઉત્પન્ન થાય છે.- AI દ્વારા સારાંશિત ઉત્પાદન સમીક્ષાઓ.- માનવ સંપાદન માટે લેખો અથવા ઇમેઇલ્સના ડ્રાફ્ટ્સ. ( ફિલાના પેટરસન - ONA સમુદાય પ્રોફાઇલ ) ( એમેઝોન AI સાથે ગ્રાહક સમીક્ષાઓના અનુભવને સુધારે છે )	- મોટાભાગની સમાચાર અને માર્કેટિંગ સામગ્રી તથ્યપૂર્ણ ચોકસાઈ સાથે આપમેળે લખાય છે.- AI ન્યૂનતમ દેખરેખ સાથે સંપૂર્ણ લેખો અને પ્રેસ રિલીઝ ઉત્પન્ન કરે છે.- માંગ પર જનરેટ થતી અત્યંત વ્યક્તિગત સામગ્રી.
વિઝ્યુઅલ આર્ટ્સ અને ડિઝાઇન	- AI પ્રોમ્પ્ટ્સમાંથી છબીઓ જનરેટ કરે છે (માનવ શ્રેષ્ઠ પસંદ કરે છે).- કન્સેપ્ટ આર્ટ અને ડિઝાઇન ભિન્નતાઓ સ્વાયત્ત રીતે બનાવવામાં આવે છે.	- AI સંપૂર્ણ વિડિઓ/ફિલ્મ દ્રશ્યો અને જટિલ ગ્રાફિક્સનું ઉત્પાદન કરે છે.- સ્પષ્ટીકરણોને પૂર્ણ કરતા ઉત્પાદનો/આર્કિટેક્ચરની જનરેટિવ ડિઝાઇન.- માંગ પર બનાવેલ વ્યક્તિગત મીડિયા (છબીઓ, વિડિઓ).
સોફ્ટવેર કોડિંગ	- AI કોડને સ્વતઃપૂર્ણ કરે છે અને સરળ કાર્યો લખે છે (dev દ્વારા સમીક્ષા કરાયેલ). - સ્વચાલિત પરીક્ષણ જનરેશન અને બગ સૂચનો. ( કોપાયલોટ પર કોડિંગ: 2023 ડેટા કોડ ગુણવત્તા પર નીચે તરફ દબાણ સૂચવે છે (2024 અંદાજો સહિત) - GitClear ) ( GitHub કોપાયલોટ AI કોડ સહાયકો પર સંશોધન અહેવાલમાં ટોચ પર છે - વિઝ્યુઅલ સ્ટુડિયો મેગેઝિન )	- AI સ્પેક્સમાંથી સંપૂર્ણ સુવિધાઓને વિશ્વસનીય રીતે લાગુ કરે છે.- જાણીતા પેટર્ન માટે સ્વાયત્ત ડિબગીંગ અને કોડ જાળવણી.- ઓછા માનવ ઇનપુટ સાથે લો-કોડ એપ્લિકેશન બનાવટ.
ગ્રાહક સેવા	- ચેટબોટ્સ વારંવાર પૂછાતા પ્રશ્નોના જવાબ આપે છે, સરળ સમસ્યાઓનું નિરાકરણ લાવે છે (જટિલ કેસ હેન્ડઓફ). - કેટલીક ચેનલો પર AI નિયમિત પૂછપરછના ~70%નું સંચાલન કરે છે. ( 2025 માટે 59 AI ગ્રાહક સેવા આંકડા ) ( 2030 સુધીમાં, ગ્રાહકની ક્રિયાપ્રતિક્રિયા દરમિયાન 69% નિર્ણયો લેવામાં આવશે ... )	- AI મોટાભાગની ગ્રાહક ક્રિયાપ્રતિક્રિયાઓને એન્ડ-ટુ-એન્ડ હેન્ડલ કરે છે, જેમાં જટિલ પ્રશ્નોનો સમાવેશ થાય છે.- સેવા કન્સેશન (રિફંડ, અપગ્રેડ) માટે રીઅલ-ટાઇમ AI નિર્ણય-નિર્માણ.- ફક્ત વૃદ્ધિ અથવા ખાસ કેસ માટે માનવ એજન્ટો.
આરોગ્યસંભાળ	- AI તબીબી નોંધો તૈયાર કરે છે; ડોકટરો જે નિદાનની ચકાસણી કરે છે તે સૂચવે છે. - AI દેખરેખ સાથે કેટલાક સ્કેન (રેડિયોલોજી) વાંચે છે; સરળ કેસોનું વિશ્લેષણ કરે છે. ( AI મેડિકલ ઇમેજિંગ પ્રોડક્ટ્સ 2035 સુધીમાં પાંચ ગણો વધારો કરી શકે છે )	- AI વિશ્વસનીય રીતે સામાન્ય બિમારીઓનું નિદાન કરે છે અને મોટાભાગની તબીબી છબીઓનું અર્થઘટન કરે છે. - AI દર્દીઓનું નિરીક્ષણ કરે છે અને સંભાળ શરૂ કરે છે (દા.ત., દવા રીમાઇન્ડર્સ, કટોકટી ચેતવણીઓ). - વર્ચ્યુઅલ AI "નર્સો" નિયમિત ફોલો-અપ્સનું સંચાલન કરે છે; ડોકટરો જટિલ સંભાળ પર ધ્યાન કેન્દ્રિત કરે છે.
શિક્ષણ	- AI ટ્યુટર્સ વિદ્યાર્થીઓના પ્રશ્નોના જવાબ આપે છે, પ્રેક્ટિસ સમસ્યાઓ ઉત્પન્ન કરે છે (શિક્ષક મોનિટર કરે છે). - AI ગ્રેડિંગમાં મદદ કરે છે (શિક્ષક સમીક્ષા સાથે). ([K-12 શિક્ષણ માટે જનરેટિવ AI	એપ્લીફાય દ્વારા સંશોધન અહેવાલ]( https://www.applify.co/research-report/gen-ai-for-k12#:~:text=AI%20tutors%3A%20Virtual%20AI,individual%20learning%20styles%20and%20paces ))
લોજિસ્ટિક્સ	- AI ડિલિવરી રૂટ્સ અને પેકિંગને શ્રેષ્ઠ બનાવે છે (માણસો લક્ષ્યો નક્કી કરે છે). - AI સપ્લાય ચેઇન જોખમોને ચિહ્નિત કરે છે અને ઘટાડા સૂચવે છે. ( લોજિસ્ટિક્સમાં ટોચના જનરેટિવ AI ઉપયોગના કેસો )	- મોટાભાગે સ્વ-ડ્રાઇવિંગ ડિલિવરી (ટ્રક, ડ્રોન) AI નિયંત્રકો દ્વારા દેખરેખ હેઠળ.- AI સ્વાયત્ત રીતે વિક્ષેપોની આસપાસ શિપમેન્ટને ફરીથી રૂટ કરે છે અને ઇન્વેન્ટરીને સમાયોજિત કરે છે.- એન્ડ-ટુ-એન્ડ સપ્લાય ચેઇન કોઓર્ડિનેશન (ઓર્ડરિંગ, વિતરણ) AI દ્વારા સંચાલિત.
નાણાકીય	- AI નાણાકીય અહેવાલો/સમાચાર સારાંશ જનરેટ કરે છે (માનવ-સમીક્ષા કરેલ).- રોબો-સલાહકારો સરળ પોર્ટફોલિયોનું સંચાલન કરે છે; AI ચેટ ગ્રાહક પ્રશ્નોનું સંચાલન કરે છે. ( જનરેટિવ AI ફાઇનાન્સ માટે આવી રહ્યું છે )	- AI વિશ્લેષકો ઉચ્ચ ચોકસાઈ સાથે રોકાણ ભલામણો અને જોખમ અહેવાલો ઉત્પન્ન કરે છે.- નિર્ધારિત મર્યાદામાં સ્વાયત્ત વેપાર અને પોર્ટફોલિયો પુનઃસંતુલન.- AI પ્રમાણભૂત લોન/દાવાઓને આપમેળે મંજૂરી આપે છે; માનવીઓ અપવાદોને સંભાળે છે.

સંદર્ભ:

1. પેટરસન, ફિલાના. ઓટોમેટેડ કમાણીની વાર્તાઓ ગુણાકાર કરે છે . એસોસિએટેડ પ્રેસ (2015) – એપીના હજારો કમાણીના અહેવાલોના સ્વચાલિત ઉત્પાદનનું વર્ણન કરે છે જેમાં કોઈ માનવ લેખક નથી ( ઓટોમેટેડ કમાણીની વાર્તાઓ ગુણાકાર | એસોસિએટેડ પ્રેસ ).

2. મેકકિન્સે એન્ડ કંપની. 2024 ની શરૂઆતમાં AI ની સ્થિતિ: Gen AI અપનાવવામાં વધારો થયો છે અને મૂલ્ય ઉત્પન્ન કરવાનું શરૂ કરે છે . (2024) - 65% સંસ્થાઓ નિયમિતપણે જનરેટિવ AI નો ઉપયોગ કરે છે, જે 2023 થી લગભગ બમણું છે ( 2024 ની શરૂઆતમાં AI ની સ્થિતિ | મેકકિન્સે ), અને જોખમ ઘટાડવાના પ્રયાસોની ચર્ચા કરે છે ( The State of AI: Global survey | McKinsey ).

3. ગાર્ટનર. બિયોન્ડ ચેટજીપીટી: ધ ફ્યુચર ઓફ જનરેટિવ એઆઈ ફોર એન્ટરપ્રાઇઝિસ . (2023) - આગાહી કરે છે કે 2030 સુધીમાં, 90% બ્લોકબસ્ટર ફિલ્મ એઆઈ-જનરેટેડ ( ઉદ્યોગો અને સાહસો માટે જનરેટિવ એઆઈ યુઝ કેસો ઉદ્યોગો અને સાહસો માટે જનરેટિવ એઆઈ યુઝ કેસો ) જેવા જનરેટિવ એઆઈ યુઝ કેસો પર પ્રકાશ પાડે છે

4. ટ્વાઇપ. ન્યૂઝરૂમમાં પત્રકારો દ્વારા AI ટૂલ્સનો ઉપયોગ કરવાની 12 રીતો . (2024) - એક ન્યૂઝ આઉટલેટ પર "ક્લારા" AI નું ઉદાહરણ જે 11% લેખો લખે છે, જેમાં માનવ સંપાદકો બધી AI સામગ્રીની સમીક્ષા કરે છે ( ન્યૂઝરૂમમાં પત્રકારો દ્વારા AI ટૂલ્સનો ઉપયોગ કરવાની 12 રીતો - ટ્વાઇપ ).

5. Amazon.com સમાચાર. એમેઝોન AI સાથે ગ્રાહક સમીક્ષા અનુભવ સુધારે છે . (2023) - ખરીદદારોને મદદ કરવા માટે ઉત્પાદન પૃષ્ઠો પર AI-જનરેટેડ સમીક્ષા સારાંશની જાહેરાત કરે છે ( એમેઝોન AI સાથે ગ્રાહક સમીક્ષા અનુભવ સુધારે છે ).

6. ઝેન્ડેસ્ક. 2025 માટે 59 AI ગ્રાહક સેવા આંકડા . (2023) - બે તૃતીયાંશ કરતાં વધુ CX સંસ્થાઓ માને છે કે જનરેટિવ AI સેવામાં "હૂંફ" ઉમેરશે ( 2025 માટે 59 AI ગ્રાહક સેવા આંકડા ) અને આખરે 100% ગ્રાહક ક્રિયાપ્રતિક્રિયાઓમાં AI ની આગાહી કરે છે ( 2025 માટે 59 AI ગ્રાહક સેવા આંકડા ).

7. ફ્યુચરમ રિસર્ચ અને SAS. એક્સપિરિયન્સ 2030: ગ્રાહક અનુભવનું ભવિષ્ય . (2019) - સર્વેક્ષણમાં જાણવા મળ્યું છે કે બ્રાન્ડ્સ અપેક્ષા રાખે છે કે ગ્રાહક જોડાણ દરમિયાન ~69% નિર્ણયો 2030 સુધીમાં સ્માર્ટ મશીનો દ્વારા લેવામાં આવશે ( CX તરફના શિફ્ટની ફરીથી કલ્પના કરવા માટે, માર્કેટર્સે આ 2 બાબતો કરવી જોઈએ ).

8. ડેટાઇકુ. લોજિસ્ટિક્સમાં ટોચના જનરેટિવ AI ઉપયોગના કેસો . (2023) - GenAI લોડિંગને કેવી રીતે ઑપ્ટિમાઇઝ કરે છે (~30% ખાલી ટ્રક જગ્યા ઘટાડે છે) ( લોજિસ્ટિક્સમાં ટોચના જનરેટિવ AI ઉપયોગના કેસો ) અને સમાચાર સ્કેન કરીને સપ્લાય ચેઇન જોખમોને ફ્લેગ કરે છે તેનું વર્ણન કરે છે.

9. વિઝ્યુઅલ સ્ટુડિયો મેગેઝિન. AI કોડ આસિસ્ટન્ટ્સ પરના સંશોધન અહેવાલમાં GitHub કોપાયલોટ ટોચ પર છે . (2024) - ગાર્ટનરની વ્યૂહાત્મક આયોજન ધારણાઓ: 2028 સુધીમાં, 90% એન્ટરપ્રાઇઝ ડેવલપર્સ AI કોડ આસિસ્ટન્ટ્સનો ઉપયોગ કરશે (2024 માં 14% થી વધુ) ( GitHub કોપાયલોટ AI કોડ આસિસ્ટન્ટ્સ પરના સંશોધન અહેવાલમાં ટોચ પર છે - વિઝ્યુઅલ સ્ટુડિયો મેગેઝિન ).

10. બ્લૂમબર્ગ ન્યૂઝ. બ્લૂમબર્ગજીપીટીનો પરિચય . (2023) – વિગતો બ્લૂમબર્ગનું 50B-પેરામીટર મોડેલ જે નાણાકીય કાર્યોને ધ્યાનમાં રાખીને બનાવવામાં આવ્યું છે, જે પ્રશ્ન અને જવાબ અને વિશ્લેષણ સપોર્ટ માટે ટર્મિનલમાં બનેલ છે ( જનરેટિવ એઆઈ ફાઇનાન્સ માટે આવી રહ્યું છે ).

આ પછી તમને વાંચવા ગમશે તેવા લેખો:

🔗 એવી નોકરીઓ જે AI બદલી શકતી નથી - અને AI કઈ નોકરીઓ બદલી શકશે?
વિકસિત નોકરીના પરિપ્રેક્ષ્ય પર વૈશ્વિક પરિપ્રેક્ષ્ય, તપાસ કરવી કે કઈ ભૂમિકાઓ AI વિક્ષેપથી સુરક્ષિત છે અને કઈ ભૂમિકાઓ સૌથી વધુ જોખમમાં છે.

🔗 શું AI શેરબજારની આગાહી કરી શકે છે?
શેરબજારની આગાહી માટે AI નો ઉપયોગ કરવાની ક્ષમતાઓ, મર્યાદાઓ અને નૈતિક વિચારણાઓમાં ઊંડાણપૂર્વકનો અભ્યાસ.

🔗 સાયબર સુરક્ષામાં જનરેટિવ AI નો ઉપયોગ કેવી રીતે કરી શકાય?
સાયબર ધમકીઓ સામે રક્ષણ માટે જનરેટિવ AI નો ઉપયોગ કેવી રીતે થાય છે તે જાણો, જેમાં વિસંગતતા શોધથી લઈને ધમકી મોડેલિંગનો સમાવેશ થાય છે.