ஒவ்வொரு பணி-பாதிப்பு கணிப்பிற்குப் பின்னாலும் உள்ள அனுமானத்தை உடைக்கும் ஏஜென்டிக் AI

தன்னியக்கமாக்கல் பணிகளை ஒவ்வொன்றாக நீக்கிவிட்டு தொழிலை அப்படியே விட்டுவிடுகிறது என்று தொழிலாளர் சந்தைக் கணிப்புகள் அனுமானித்தன. முழுப் பணிப்பாய்வுகளையும் முடிக்கும் ஏஜென்டிக் AI அந்த அனுமானத்தைச் செல்லாததாக்குகிறது, மேலும் பழைய கட்டமைப்புகளால் அளவிட முடியாததை அளவிட ஏஜென்டிக் பணி பாதிப்பு (ATE) என்ற புதிய கூட்டு மதிப்பெண் உருவாக்கப்பட்டுள்ளது.

நிர்வாகச் சுருக்கம்

• Autor-Levy-Murnane பணிக் கட்டமைப்பின் மீது கட்டமைக்கப்பட்டவை உட்பட, தன்னியக்கமாக்கல் குறித்த முந்தைய கணிப்புகள் ஒரு அனுமானத்தைப் பகிர்ந்து கொள்கின்றன: எஞ்சியிருக்கும் மனிதப் பணியைச் சுற்றி ஒரு ஒருங்கிணைப்புக் கூடாக அந்தத் தொழில் நிலைத்திருக்கிறது.
• ஏஜென்டிக் AI அமைப்புகள் நான்கு அளவுகோல்களை நிறைவு செய்கின்றன: அவை இலக்கு விவரக்குறிப்பைப் பெறுகின்றன, தன்னாட்சி முறையில் கருவிகளைத் தேர்ந்தெடுத்து இயக்குகின்றன, அனுமானப் படிகளின் குறுக்கே நிலையைப் (state) பராமரிக்கின்றன, மேலும் இடைநிலைப் படிகளில் மனித தலையீடு இன்றி முடிக்கப்பட்ட பணி வெளியீட்டை உருவாக்குகின்றன.
• ATE மதிப்பெண் AI திறன் மதிப்பெண்கள், பணிப்பாய்வு உள்ளடக்கக் காரணிகள் மற்றும் லாஜிஸ்டிக் ஏற்பு வேகம் ஆகியவற்றை இணைக்கிறது. கடன் ஆய்வாளர்கள், நீதிபதிகள் மற்றும் நிலைத்தன்மை வல்லுநர்கள் 0.43-0.47 என்ற ATE மதிப்பெண்களை எட்டுகின்றனர்.
• இந்த ஆய்வுக்கட்டுரை ஐந்து அமெரிக்கத் தொழில்நுட்பப் பிராந்தியங்களில் ஆறு முக்கியத் தொழில் குழுக்களில் உள்ள 236 SOC குறியீடுகளுக்கு ATE-ஐப் பயன்படுத்துகிறது, மேலும் ஏஜென்டிக் AI அமைப்புகளைக் குறிப்பாக இலக்காகக் கொண்ட பணி பாதிப்பு கட்டமைப்பின் முதல் பல-பிராந்திய அனுபவ ரீதியான பயன்பாடு என்று தன்னை விவரிக்கிறது.
• இடப்பெயர்ச்சிக்கு இணையாக, மனித-AI ஒத்துழைப்பு, AI ஆளுகை மற்றும் துறை-சார்ந்த AI செயல்பாடுகளில் குவிந்துள்ள பதினேழு வளர்ந்து வரும் தொழில் வகைகளை இந்த ஆய்வுக்கட்டுரை அடையாளம் காண்கிறது.

இலக்கைத் தாண்டிச் சென்ற கணிப்புகள் #

தொழில்துறை ரோபோக்கள் உற்பத்தித் தொழிலாளர்களை இடப்பெயர்ச்சி செய்தன. ஆனால் அவை ஆரம்பக் கணிப்புகள் குறிப்பிட்ட காலவரிசையிலோ அல்லது அளவிலோ அதைச் செய்யவில்லை. தொழிலாளர் சந்தைக் கணிப்புகளைப் படிப்பதைத் தொழிலாகக் கொண்ட எவரையும் அந்த வாக்கியம் சற்று எச்சரிக்கையடையச் செய்ய வேண்டும், ஏனெனில் அது ஒரு வடிவத்தை விவரிக்கிறது: திசை சரியாக இருந்தது, ஆனால் அளவு தவறாக இருந்தது.

இந்த இலக்கியத்தில் மிகவும் பிரபலமான தலைப்புச் செய்தி எண் Frey மற்றும் Osborne இடமிருந்து வருகிறது; அவர்கள் 702 அமெரிக்கத் தொழில்களை ஒட்டுமொத்த "கணினிமயமாக்கல் தகுதி" (computerizability) அடிப்படையில் மதிப்பிடுமாறு நிபுணர்களிடம் கேட்டனர். அவர்களின் முடிவு என்னவென்றால், 47% தொழில்கள் அதிக ஆபத்தில் இருந்தன என்பதாகும். இது ஒரு வியக்கத்தக்க எண்ணிக்கை, மேலும் இது வெகுதூரம் பயணித்தது.

பகுப்பாய்வு பணி மட்டத்திற்கு (task level) இறங்கி, பெயரளவில் பாதிக்கப்படக்கூடிய தொழில்களுக்குள் உள்ள பணிப் பன்முகத்தன்மையைக் (task heterogeneity) கணக்கில் எடுத்துக்கொள்ளும்போது என்ன நடக்கிறது என்பதை Arntz, Gregory மற்றும் Zierahn ஆகியோர் பின்னர் காட்டினர். OECD நாடுகளில் அதிக ஆபத்துள்ள மதிப்பீடுகள் 9-14% ஆகக் குறைகின்றன. 47%-க்கும் 9-14%-க்கும் இடையிலான தூரம் என்பது முழுமையாக்குதலில் ஏற்பட்ட கருத்து வேறுபாடு அல்ல. இது பகுப்பாய்வின் அலகு (unit of analysis) குறித்த தேர்வைப் பிரதிபலிக்கிறது, மேலும் அந்தத் தேர்வு பதிலை மூன்று மடங்கு அல்லது அதற்கு மேல் மாற்றுகிறது.

தொழில்-மட்ட மற்றும் பணி-மட்ட மதிப்பீடுகளுக்கு இடையிலான விவாதம் தீர்க்கப்படவில்லை என்பதில் மூல ஆவணம் வெளிப்படையாக உள்ளது. இந்தத் துறை எட்டிய நடைமுறை ஒருமித்த கருத்து என்னவென்றால்: பணி-மட்டப் பிரிப்பு அவசியம், மற்றும் தொழில்-மட்ட முத்திரைகள் மிகவும் மேலோட்டமானவை. அந்த ஒருமித்த கருத்துதான் எஞ்சிய வாதம் நிற்கும் அடித்தளமாகும். ஏஜென்டிக் AI அழுத்தத்திற்கு உள்ளாக்கும் அடித்தளமும் அதுதான்.

பணிக் கட்டமைப்புகள் எவ்வாறு செயல்படுகின்றன #

அந்த அழுத்தம் எங்கிருந்து வருகிறது என்பதைப் பார்க்க, பணி மரபு (task tradition) என்ன கோருகிறது என்பதில் துல்லியமாக இருப்பது உதவும்.

Autor, Levy மற்றும் Murnane ஆகியோர் தொழில்சார் பணிகளை இரண்டு அச்சுகளில் பிரித்தனர்: வழக்கமானவை (routine) எதிர் வழக்கமற்றவை (non-routine), மற்றும் அறிவாற்றல் சார்ந்தவை (cognitive) எதிர் உடல் உழைப்பு சார்ந்தவை (manual). தன்னியக்கமாக்கல் வழக்கமான பணிகளுக்கு மாற்றாக அமைகிறது, அதே சமயம் வழக்கமற்ற பணிகளுக்குத் துணையாக அமைகிறது என்பது அவர்களின் வாதமாக இருந்தது. இது ஒரு தெளிவான யோசனை, மேலும் ஒரு வேலையின் எந்தப் பகுதிகளை இயந்திரம் உள்வாங்க முடியும் என்பதைப் பற்றிப் பேசுவதற்கு பிந்தைய ஆய்வுகளுக்கு இது ஒரு சொல்லகராதியை வழங்கியது.

Acemoglu மற்றும் Restrepo ஆகியோர் அதன் மீது ஒரு முறையான கட்டமைப்பை உருவாக்கினர். மூலதனத்திற்கும் உழைப்பிற்கும் இடையில் ஒதுக்கப்பட்ட பணிகளின் தொடர்ச்சியின் விளைவாக உற்பத்தி (output) அமைவதாக அவர்கள் மாதிரியாக்குகின்றனர். அவர்களின் கட்டமைப்பில், மறுநிலைப்படுத்தல் வழித்தடம் (reinstatement channel) என்று அவர்கள் அழைக்கும் புதிய-பணி உருவாக்கம், பணி இடப்பெயர்ச்சியை முந்திச் செல்கிறதா என்பதைப் பொறுத்து உழைப்பின் பங்கு (labour share) உயர்கிறது அல்லது வீழ்கிறது. அவர்களைப் பின்பற்றி, மதிப்புக் கூட்டலில் உழைப்பின் பங்கு sL = W * L / Y = f(|NL| / |N|) என எழுதப்படுகிறது, இதில் W என்பது கூலி விகிதம், L என்பது வேலைவாய்ப்பு மற்றும் Y என்பது உற்பத்தி ஆகும். இரண்டு விசைகள் ஒன்றுக்கொன்று எதிராக இழுக்கின்றன, மேலும் எது வெற்றி பெறுகிறதோ அதுவே ஆதாயங்களை யார் கைப்பற்றுவது என்பதைத் தீர்மானிக்கிறது.

இங்கே மற்ற இரண்டு அளவீட்டு முயற்சிகள் முக்கியமானவை, ஏனெனில் அவை கட்டமைப்பை தொழில்-மட்ட எண்களாக மாற்றின. Felten, Raj மற்றும் Seamans ஆகியோர் வெளியிடப்பட்ட AI திறன் முன்னேற்றங்களை O*NET திறன் வகைப்பாட்டியலுடன் இணைப்பதன் மூலம் AI தொழில்சார் பாதிப்பு (AI Occupational Exposure - AIOE) மதிப்பெண்ணை உருவாக்கினர். Eloundou மற்றும் பலர் பணி மட்டத்தில் GPT-4 சுய-மதிப்பீடுகளுடன் கூட்டு-பணியாளர் குறிப்புகளை இணைத்து, GPT-4-ஐ மையமாகக் கொண்ட ஒரு இணையான அளவீட்டை உருவாக்கினர்.

அவர்களின் முக்கியக் கண்டறிதல் என்னவென்றால், 80% அமெரிக்கத் தொழிலாளர்கள் குறைந்தபட்சம் 10% பணிகள் LLM-ஆல் பாதிக்கப்படக்கூடிய வேலைகளில் உள்ளனர் என்பதாகும். மிகக் கடுமையான பாதிப்பு அதிக ஊதியம் பெறும், பட்டப்படிப்பு தேவைப்படும் தொழில்களில் குவிந்திருந்தது. தன்னியக்கமாக்கல் வழக்கமான, குறைந்த-ஊதிய வேலைகளைத்தான் முதலில் தாக்கும் என்ற பழைய உள்ளுணர்விற்கு எதிராக இந்த முடிவு செல்கிறது, மேலும் அலுவலகப் பணியாளர்கள் (white-collar) குறித்த கேள்வி ஏன் அவசரமானதாக மாறியுள்ளது என்பதையும் இது விளக்குகிறது.

ஒவ்வொரு கட்டமைப்பும் பகிர்ந்து கொள்ளும் பார்வையற்ற புள்ளி #

இந்த அனைத்துப் பணிகளைப் பற்றியும் மூல ஆவணம் ஒரு கூர்மையான கூற்றை முன்வைக்கிறது. மேற்கோள் காட்டப்பட்ட ஒவ்வொரு கட்டமைப்பும் ஒரு கட்டமைப்பு ரீதியான பார்வையற்ற புள்ளியைப் (architectural blind spot) பகிர்ந்து கொள்கிறது: தொழில் அப்படியே இருக்கும்போது தனிப்பட்ட பணிகளை மட்டும் தன்னியக்கமாக்கல் அகற்றுவதாக அவை மாதிரியாக்குகின்றன. Autor-Levy-Murnane பணிக் கட்டமைப்பின் மீது கட்டமைக்கப்பட்டவை உட்பட கிட்டத்தட்ட அனைத்துக் கணிப்புகளும், தன்னியக்கமாக்கல் பணிகளை ஒவ்வொன்றாக அகற்றுகிறது மற்றும் எஞ்சியிருக்கும் மனிதப் பணியைச் சுற்றி ஒரு ஒருங்கிணைப்புக் கூடாக (coordination shell) தொழில் நிலைத்திருக்கிறது என்ற அனுமானத்தைப் பகிர்ந்து கொள்கின்றன.

அது கட்டமைப்பைப் பற்றிய அனுமானம், தொழில்நுட்பத்தைப் பற்றியது அல்ல. இயந்திரம் எவ்வளவு திறன் கொண்டது என்பது பற்றி அது எதுவும் கூறவில்லை. இயந்திரம் எத்தனை பணிகளை எடுத்துக்கொண்டாலும், எஞ்சியவற்றை ஒன்றாகப் பிடித்து வைக்க யாராவது ஒருவர் இருக்க வேண்டும் என்று அது கூறுகிறது.

சட்ட உதவியாளர் (paralegal) உதாரணம் இந்தக் கருத்தைத் தெளிவாக்குகிறது. ஒரு பணி-பாதிப்பு பகுப்பாய்வு சட்ட உதவியாளரின் பணிகளில் 80% LLM-ஆல் பாதிக்கப்படக்கூடியவை என்று குறிக்கலாம், ஆனாலும் அந்தப் பணிகளை ஒருங்கிணைப்பதற்கு மனித நிதானிப்பு தேவை என்பதால் அந்தத் தொழில் பாதுகாப்பானது என்று முடிவு கட்டலாம். இந்த முடிவு அந்தக் கூடு அனுமானத்திலிருந்து (shell assumption) வருகிறது. பணிகள் பாதிக்கப்படக்கூடியவை, ஆனால் அவற்றிற்கு இடையேயான தையல் அப்படி இல்லை, எனவே வேலை நிலைத்திருக்கிறது.

பின்னர் மூல ஆவணத்தின் முக்கிய நகர்வு வருகிறது: சட்ட உதவியாளர் பாத்திரத்தைப் பாதுகாத்த ஒருங்கிணைப்புத் தடையானது (coordination bottleneck) இப்போது முகவரின் திட்டமிடல் தொகுதிக்குள் (planning module) உள்ளது. அது உண்மையானால், சட்ட உதவியாளரைப் பாதுகாப்பாக வைத்திருந்த தர்க்கம் செயல்படுவதை நிறுத்துகிறது. பாதுகாப்பு ஒருங்கிணைப்பிலிருந்து வந்தது. ஒரு ஏஜென்டிக் அமைப்பு செய்வது துல்லியமாக அந்த ஒருங்கிணைப்பைத்தான்.

ஆய்வுக்கட்டுரையில் உள்ள மிகவும் பயனுள்ள யோசனை இதுதான் என்று நான் நினைக்கிறேன், மேலும் இது அதன் சொந்த அடிப்படையில் ஏற்றுக்கொள்ளப்பட வேண்டியது. பழைய கட்டமைப்புகள் பணிகளைப் பற்றித் தவறாகக் கூறவில்லை. பணிகள் சென்ற பிறகு என்ன எஞ்சியிருக்கிறது என்பதில்தான் அவை தவறிழைக்கின்றன. பணிகளை ஒவ்வொன்றாக மதிப்பிடும் ஒரு அளவீட்டால், முழு வரிசையையும் ஒரே அலகாகக் கையாளும் ஒரு அமைப்பைக் காண முடியாது.

எது ஏஜென்டிக் என்று கருதப்படுகிறது #

வாதம் ஒரு வேறுபாட்டைச் சார்ந்திருந்தால், அந்த வேறுபாட்டிற்கு ஒரு வரையறை தேவை. மூல ஆவணம் நான்கு அளவுகோல்களுடன் ஒன்றை வழங்குகிறது. ஒரு ஏஜென்டிக் AI அமைப்பு என்பது:

1. பணி விவரக்குறிப்பிற்குப் பதிலாக இலக்கு விவரக்குறிப்பைப் (goal specification) பெறுகிறது;
2. இலக்கைப் பின்தொடர தன்னாட்சி முறையில் கருவிகளைத் தேர்ந்தெடுத்து இயக்குகிறது;
3. பல அனுமானப் படிகளின் குறுக்கே நிலையைப் (state) பராமரிக்கிறது; மற்றும்
4. இடைநிலைப் படிகளில் மனித தலையீடு இன்றி முடிக்கப்பட்ட பணி வெளியீட்டை உருவாக்குகிறது.

இது ஒரு பட்டியலாகவே வைத்திருக்கத் தகுந்த பட்டியலாகும், ஏனெனில் அளவுகோல்கள் தனித்தனியானவை மற்றும் ஒவ்வொன்றையும் சரிபார்க்க முடியும். ஒரு தூண்டுதலுக்கு (prompt) பதிலளிக்கும் அமைப்பு முதல் அளவுகோலில் தோல்வியடைகிறது. ஒவ்வொரு இடைநிலைப் படியையும் அங்கீகரிக்க ஒரு மனிதர் தேவைப்படும் அமைப்பு நான்காவது அளவுகோலில் தோல்வியடைகிறது.

எளிய சொற்களில் கூறுவதானால், ஒரு முகவர் இலக்கைப் பெற்று, கருவிகளைத் தேர்ந்தெடுத்து, பல-படி திட்டத்தைச் செயல்படுத்தி, தனது சொந்த வெளியீட்டைச் சரிபார்த்து, முடிக்கப்பட்ட பணி வெளியீட்டை வழங்குகிறது. ஏஜென்டிக் அமைப்புகள் கருவி அழைப்புகளைச் சங்கிலியாக இணைக்கின்றன, படிகளின் குறுக்கே நிலைத்த நினைவகத்தைப் பராமரிக்கின்றன, பல-செயல் வரிசைகளைத் திட்டமிடுகின்றன மற்றும் இடைநிலை வெளியீடுகள் தரச் சோதனைகளில் தோல்வியடையும்போது தங்களைத் தாங்களே திருத்திக் கொள்கின்றன (self-correct).

சுய-திருத்த விவரம் முதலில் தோன்றுவதை விட முக்கியமானது. ஒரு படி தோல்வியடையும்போது உடைந்து போகும் செயல்வழிக்கு (pipeline) இன்னும் அருகில் ஒரு மனிதர் தேவை. தோல்வியடைந்த தரச் சோதனையைக் கவனித்து மீண்டும் முயற்சிக்கும் ஒரு அமைப்பு, மனிதரின் இருப்பை நியாயப்படுத்தி வந்த மேற்பார்வையின் ஒரு பகுதியை உள்வாங்கிக் கொண்டுள்ளது.

ஆய்வுக்கட்டுரை தனது ஆய்வுப் பொருளை இவ்வாறு வரையறுக்கிறது: தனித்தனிப் பணிகளுக்குப் பதிலாக முழுமையான தொழில்சார் பணிப்பாய்வுகளை (entire occupational workflows) முடிக்கவல்ல தன்னாட்சி AI முகவர்கள். "முழுமையான" என்ற சொல் முழு அழுத்தத்தையும் தாங்குகிறது. முழு வாதமும் ஒரு தனித்த பணிக்கும் முழுமையான பணிப்பாய்விற்கும் இடையிலான இடைவெளியைப் பற்றியதுதான்.

ஏன் இந்த நேரம் முக்கியமானது #

இந்தக் கேள்வி வெறும் கருதுகோள் அல்ல என்பதற்கு மூல ஆவணம் இரண்டு வகையான சான்றுகளை வழங்குகிறது. முதலாவது திறனைப் பற்றியது. GPT-4-வகுப்பு மாதிரிகள் வழக்கறிஞர் தேர்வு (bar exam) மற்றும் அமெரிக்க மருத்துவ உரிமத் தேர்வில் (US Medical Licensing Exam) தேர்ச்சி மதிப்பெண் வரம்புகளை எட்டின அல்லது தாண்டின, மேலும் CFA நிலை I-இல் தேர்ச்சி பெறுவதற்குச் சில சதவீதப் புள்ளிகள் வரை நெருங்கி வந்தன. இவை வேலை கடினமானது என்ற காரணத்திற்காகவே நுழைவைக் கட்டுப்படுத்தும் தொழில்களுக்கான தகுதிச் சான்றிதழ் தேர்வுகளாகும்.

இரண்டாவது நடைமுறைப்படுத்தலைப் (deployment) பற்றியது. Amazon, Microsoft, Salesforce, ServiceNow மற்றும் Workday உள்ளிட்ட முக்கிய நிறுவனத் தொழில்நுட்ப விற்பனையாளர்கள், தங்களின் 2024 வருவாய் அழைப்புகள் மற்றும் முதலீட்டாளர் விளக்கக்காட்சிகளில் அலுவலகப் பணிப்பாய்வுகளைத் தொடும் உற்பத்தி ஏஜென்டிக் நடைமுறைப்படுத்தல்களை வெளியிட்டனர். இவை உற்பத்தி நடைமுறைப்படுத்தல்கள், ஆராய்ச்சி செயல்விளக்கங்கள் அல்ல, மேலும் அவை கல்வியாளர்களிடம் அல்லாமல் முதலீட்டாளர்களிடம் அறிவிக்கப்பட்டன.

பணியாளர் நியமனத் திட்டமிடலை (headcount planning) நடைமுறைப்படுத்தல்கள் ஏற்கனவே பாதிக்கத் தொடங்கும்போது மட்டுமே நிறுவனங்கள் வெளியிடும் தகவல்களாக மூல ஆவணம் அந்த அறிவிப்புகளைப் படிக்கிறது. மூல ஆவணம் அதை ஒரு விளக்கமாகவே முன்வைக்கிறது, அளவீடாக அல்ல, மேலும் அது அவ்வாறே கருதப்பட வேண்டும். எனக்கு வழங்கப்பட்ட பதிவேட்டில் எதுவும் பணியாளர் எண்ணிக்கையை நேரடியாகத் தெரிவிக்கவில்லை. ஆனால் அந்த அனுமானம் நியாயமானது: செலவுத் தளத்திற்கு முக்கியமானதாக இல்லாவிட்டால் நிறுவனங்கள் வழக்கமாக ஒரு நடைமுறைப்படுத்தலை முதலீட்டாளர்கள் முன் வைப்பதில்லை.

இரண்டையும் ஒன்றாக வைத்தால் புதிய அளவீட்டிற்கான காரணம் தெளிவாகிறது. திறன் மட்டுமே இந்தப் பிரச்சினையைக் கட்டாயப்படுத்தாது, சில சோதனை முயற்சிகளும் (pilots) கட்டாயப்படுத்தாது. ஆனால் ஏற்கனவே உற்பத்தியில் உள்ள அமைப்புகளில், தொழில்முறை வரம்புகளைத் தாண்டிக் கொண்டிருக்கும் திறன் அதைச் செய்கிறது.

ATE மதிப்பெண்: அது எதை அளவிடுகிறது மற்றும் எதை அளவிடுவதில்லை #

ஆய்வுக்கட்டுரையின் பதில் ஏஜென்டிக் பணி பாதிப்பு (ATE) மதிப்பெண் ஆகும். இது முழுமையான பணிப்பாய்வு உள்ளடக்கம், தற்போதைய ஏஜென்டிக் AI திறன் தரநிலைகள் மற்றும் நிறுவன ஏற்பு வேகம் ஆகியவற்றைக் கணக்கில் கொள்ளும் வகையில் Acemoglu-Restrepo பணி இடப்பெயர்ச்சி கட்டமைப்பை விரிவுபடுத்தும் ஒரு கூட்டு அளவீடாகும். தற்போதைய ஏஜென்டிக் AI அமைப்புகளால் ஒரு தொழில் o எந்த அளவிற்கு முழுமையான இடப்பெயர்ச்சிக்கு ஆளாகிறது என்பதை இந்த மதிப்பெண் அளவிடுகிறது.

இதில் மூன்று கூறுகள் உள்ளே செல்கின்றன: AI திறன் மதிப்பெண்கள், பணிப்பாய்வு உள்ளடக்கக் காரணிகள் மற்றும் லாஜிஸ்டிக் ஏற்பு வேகம். பணிப்பாய்வு உள்ளடக்கக் காரணிதான் (workflow coverage factor) பார்வையற்ற புள்ளியை நேரடியாகக் கையாளும் பகுதியாகும். முந்தைய பணிகளில் விடுபட்டது என்னவென்றால், ஒரு தொழிலின் முழுப் பணிப்பாய்வு கட்டமைப்பும் ஏஜென்டிக் AI-இன் செயல்பாட்டு எல்லைக்குள் அமர்ந்திருக்கிறதா என்பதைக் கண்டறியும் அளவீடுதான் என்று மூல ஆவணம் கூறுகிறது, மேலும் அதை பணிப்பாய்வு உள்ளடக்கக் காரணியாக முறைப்படுத்துகிறது. பழைய மதிப்பெண்கள் ஒரு பணி பாதிக்கப்படக்கூடியதா என்று கேட்கின்றன. இதுவோ முழுப் பணிப்பாய்வும் ஒரு முகவர் செய்யக்கூடியவற்றிற்குள் பொருந்துகிறதா என்று கேட்கிறது.

கட்டுமானத்தின் மேலும் இரண்டு பகுதிகள் குறிப்பிடப்பட்டுள்ளன. wo,t என்ற உறுப்பு தொழில் o-இல் பணி t-இன் முக்கியத்துவம்-நிறையிடப்பட்ட பொருத்தப்பாடு ஆகும், இது O*NET பணி முக்கியத்துவ மதிப்பீடுகளிலிருந்து பெறப்பட்டது. மேலும் CAP(t) என்ற திறன் உறுப்பு, AI தரநிலை இலக்கியம் மற்றும் பயிற்சியாளர் நடைமுறைப்படுத்தல் அறிக்கைகளிலிருந்து மதிப்பிடப்படுகிறது. எனவே பணி முக்கியத்துவம் ஒரு நிலையான தொழில்சார் தரவுத்தளத்திலிருந்து வருகிறது, அதே சமயம் திறன் இரண்டு ஆதாரங்களிலிருந்து வருகிறது: தரநிலைகள் மற்றும் கள அறிக்கைகள்.

ஆய்வுக்கட்டுரை வழிமுறை குறித்து வெளிப்படையாக உள்ளது, மேலும் வாசகர் அதை அப்படியே எடுத்துக்கொள்ள வேண்டும். ATE மதிப்பெண்கள் அளவீடு செய்யப்பட்ட ஏற்பு அளவுருக்களைப் பயன்படுத்தி O*NET பணித் தரவிலிருந்து வழிமுறை ரீதியாகக் கணக்கிடப்படுகின்றன; அவை தொடர்புப் போக்கு மதிப்பீடுகள் (regression estimates) அல்ல. அதற்கு நடைமுறை விளைவுகள் உள்ளன. ஒரு தொடர்புப் போக்கு மதிப்பீடு நிலையான பிழைகள் (standard errors) மற்றும் அடையாள வாதங்களின் வழக்கமான கருவிகளுடன் வருகிறது. அளவீடு செய்யப்பட்ட வழிமுறைக் கூட்டு மதிப்பெண் அவ்வாறு வருவதில்லை, மேலும் அதன் வெளியீடுகள் மாதிரி-வழிப் பெறப்பட்ட கணிப்புகள் (model-derived projections) ஆகும்; இந்தச் சொற்றொடரை ஆய்வுக்கட்டுரையே தனது இடப்பெயர்ச்சி எண்களுக்குப் பயன்படுத்துகிறது. அவை மாதிரி தனது அளவுருக்களின் கீழ் எதைக் குறிக்கிறது என்பதை விவரிக்கின்றன. அவை என்ன நடந்தது என்பதைத் தெரிவிக்கவில்லை.

அது ஒரு நேர்மையான கட்டமைப்பு என்று நான் வாதிடுவேன், மேலும் கணிக்கப்படும் விஷயம் இன்னும் நிகழாத ஒரு கணிப்புப் பிரச்சினைக்கு அதுவே சரியானது. குறிப்பிடப்பட்ட உள்ளீடுகளிலிருந்து உருவாக்கப்பட்ட ஒரு கூட்டு மதிப்பெண்ணை ஆய்வு செய்யலாம், சவால் விடலாம் மற்றும் மறுஅளவீடு செய்யலாம். ஏற்பு வேகம் குறித்து யாராவது உடன்படவில்லை என்றால், எந்த அளவுகோலை நகர்த்த வேண்டும் என்பது அவர்களுக்குத் தெரியும்.

மாதிரி இதைப் பயன்படுத்தும் இடங்கள் #

அனுபவ ரீதியான பயன்பாடு பரந்தது. இந்த ஆய்வுக்கட்டுரை ஆறு முக்கியத் தொழில் குழுக்களில் பரவியுள்ள 236 நிலையான தொழில் வகைப்பாட்டு (SOC) குறியீடுகளுக்கு ATE கட்டமைப்பைப் பயன்படுத்துகிறது, மேலும் 2025-2030 காலகட்டத்திற்காக ஐந்து முக்கிய அமெரிக்கத் தொழில்நுட்பப் பிராந்தியங்களில் மாதிரி-வழிப் பெறப்பட்ட இடப்பெயர்ச்சிக் கணிப்புகளை உருவாக்குகிறது. அந்த ஐந்து பிராந்தியங்கள் San Francisco Bay Area, Seattle-Tacoma-Bellevue, Austin-Round Rock, New York-Newark, மற்றும் Boston-Cambridge ஆகும்.

ஏஜென்டிக் AI அமைப்புகளைக் குறிப்பாக இலக்காகக் கொண்ட பணி பாதிப்பு கட்டமைப்பின் முதல் பல-பிராந்திய அனுபவ ரீதியான பயன்பாடு இது என்று ஆய்வுக்கட்டுரை விவரிக்கிறது. அது ஆசிரியர்களால் வைக்கப்பட்ட முன்னுரிமைக் கோரலாகும், மேலும் என் முன்னால் உள்ள தகவல்களைக் கொண்டு அதை என்னால் சரிபார்க்க முடியாது. நான் கூறக்கூடியது என்னவென்றால், தேசிய-மட்ட ஆய்வுகள் பகிர்ந்து கொள்ளும் ஒரு சிக்கலுக்கு இந்தப் பிராந்திய வடிவமைப்பு ஒரு அறிவார்ந்த பதிலாகும்: பாதிப்பு என்பது தொழில்களின் பண்பு, ஆனால் ஏற்பு என்பது இடங்கள் மற்றும் நிறுவனங்களின் பண்பாகும்.

மூல ஆவணம் தரும் முடிவுகளின்படி, கடன் ஆய்வாளர்கள் (credit analysts), நீதிபதிகள் (judges) மற்றும் நிலைத்தன்மை வல்லுநர்கள் (sustainability specialists) 0.43-0.47 என்ற ATE மதிப்பெண்களை எட்டுகின்றனர். இந்தக் குழுவை மீண்டும் ஒருமுறை உற்றுப் பார்ப்பது மதிப்புக்குரியது. ஒரு கடன் ஆய்வாளர், ஒரு நீதிபதி மற்றும் ஒரு நிலைத்தன்மை வல்லுநர் ஆகியோர் பயிற்சி, ஊதியம் அல்லது அன்றாடப் பணிகளில் ஒருவரையொருவர் ஒத்திருப்பதில்லை. ஆய்வுக்கட்டுரையின் கணக்குப்படி அவர்களுக்கு இடையே உள்ள ஒற்றுமை, ஒரே வரம்பிற்குள் இருக்கும் மதிப்பெண் ஆகும். துறை வாரியாகவோ அல்லது கருதப்படும் படைப்பாற்றல் வாரியாகவோ வேலைகளை "பாதுகாப்பானவை" மற்றும் "ஆபத்தில் உள்ளவை" என்று சோம்பேறித்தனமாகப் பிரிப்பதற்கு எதிரான ஒரு குறியாக நான் இதைப் படிப்பேன்.

மூல ஆவணம் ஆதரிப்பதை விட அதிகமாக இந்த எண்ணிக்கையில் அர்த்தம் கற்பிப்பதையும் நான் தவிர்ப்பேன். என்னிடம் உள்ள தகவல்கள் இந்த மூன்று தொழில்களுக்கான வரம்பைத் தருகின்றனவே தவிர, எஞ்சிய 236 குறியீடுகளுடன் இது எவ்வாறு ஒப்பிடப்படுகிறது என்பதைக் கூறவில்லை. எனவே ஆய்வுக்கட்டுரையின் அளவுகோலில் இந்தப் பாத்திரங்கள் கணிசமாகப் பாதிக்கப்படக்கூடியவை என்பதை இந்த எண் காட்டுகிறது. அவைதான் மிகவும் பாதிக்கப்படக்கூடியவை என்பதை இது காட்டவில்லை.

பிராந்தியக் கண்டறிதல்கள் மீண்டும் குறிப்பிடத்தக்க ஒரு நிபந்தனையுடன் வருகின்றன. 2026-2027-இல் சியாட்டிலின் (Seattle) பணியாளர் விளைவுகள், 2028-2030-இல் பரந்த தேசிய தொழில்நுட்பம்-அல்லாத பணியாளர்கள் என்ன அனுபவிப்பார்கள் என்பதற்கான முன்னோட்டமாக அமைகின்றன என்று ஆய்வுக்கட்டுரை கூறுகிறது. அது குறிப்பிடப்பட்ட கால இடைவெளியுடன் கூடிய ஒரு கணிப்பாகும், மேலும் அது நிபந்தனைக்குட்பட்டது. இது மாதிரி உருவாக்கும் ஒரு கருதுகோளாகப் படிக்கப்படுகிறது, மேலும் இதை நிறுவப்பட்ட உண்மையாக எடுத்துக்கொள்ளக்கூடாது. ஆனால் இது பயனுள்ள வகைக் கூற்றாகும், ஏனெனில் தவறாகப் போவதற்கு வாய்ப்புள்ள அளவிற்கு இது துல்லியமாக உள்ளது. சியாட்டிலின் ஆரம்ப வடிவம் 2028-க்குள் தேசிய தொழில்நுட்பம்-அல்லாத பணியாளர்களுக்குப் பரவவில்லை என்றால், மாதிரிக்குத் தட்டிக்கழிக்க முடியாத ஒரு சிக்கல் உள்ளது என்று அர்த்தம்.

கணக்குப் பதிவேட்டின் மறுநிலைப்படுத்தல் பக்கம் #

ஒரு இடப்பெயர்ச்சி மதிப்பெண் மட்டுமே Acemoglu-Restrepo கதையின் பாதியை மட்டுமே சொல்கிறது. அவர்களின் கட்டமைப்பில், புதிய-பணி உருவாக்கம் இடப்பெயர்ச்சியை முந்திச் செல்கிறதா என்பதைப் பொறுத்தே உழைப்பின் பங்கு அமைகிறது. கட்டமைப்பை விரிவுபடுத்தி இடப்பெயர்ச்சியை மட்டுமே அளவிடும் ஒரு ஆய்வுக்கட்டுரை, அந்தக் கட்டமைப்பிற்கு இழுவிசையைத் தரும் பகுதியையே கைவிட்டதாகிவிடும்.

இந்த ஆய்வுக்கட்டுரை அவ்வாறு செய்யவில்லை. ஏஜென்டிக் AI மறுநிலைப்படுத்தல் விளைவுகளை (reinstatement effects) உருவாக்கும் தொழில் வகைகளை இது அடையாளம் காண்கிறது: ஏஜென்டிக் நடைமுறைப்படுத்தலுக்கு முன்பு இல்லாத புதிய பாத்திரங்கள், பெரிய அளவில் மனித மேற்பார்வை, ஆளுகை மற்றும் ஒத்துழைப்பிற்கான தேவையை உருவாக்குகின்றன. மொத்தத்தில் மறுநிலைப்படுத்தல் விளைவுகளால் பயன்பெறும் பதினேழு வளர்ந்து வரும் தொழில் வகைகளை இது அடையாளம் காண்கிறது. அவை மனித-AI ஒத்துழைப்பு, AI ஆளுகை மற்றும் துறை-சார்ந்த AI செயல்பாட்டுப் பாத்திரங்களில் குவிந்துள்ளன.

இதன் பொறிமுறையைப் பின்தொடர்வது எளிது. முகவர்கள் பணிப்பாய்வுகளை முதலிலிருந்து இறுதி வரை செயல்படுத்தினால், யாராவது ஒருவர் அவற்றை மேற்பார்வையிட வேண்டும், அவை இயங்கும் விதிகளை அமைக்க வேண்டும், மேலும் அவற்றோடு இணைந்து பணியாற்ற வேண்டும். மேற்பார்வையிடுவதற்கு இதுவரை எதுவும் இல்லாததால் அந்தத் தேவைகள் வேலைகளாக இருக்கவில்லை.

இந்தப் பதினேழு வகைகளும் எத்தனை பேருக்கு வேலைவாய்ப்பு அளிக்கும் என்பதையோ, அல்லது அவற்றின் வளர்ச்சி ATE மதிப்பெண்கள் குறிக்கும் இடப்பெயர்ச்சியை ஈடுகட்டுமா என்பதையோ மூல ஆவணம் எனக்குச் சொல்லவில்லை. எனவே நான் பயன்படுத்தக்கூடிய தரவு மையக் கேள்வியைத் திறந்தே வைக்கிறது: மறுநிலைப்படுத்தல் இடப்பெயர்ச்சியை முந்திச் செல்கிறதா என்பதுதான் அது. அவ்வாறு முந்திச் செல்கிறது என்றோ, அல்லது செல்லவில்லை என்றோ நம்பிக்கையுடன் எழுதும் எவரும் சரிபார்க்கப்பட்ட கூற்றுகளைத் தாண்டிச் செல்கிறார்கள். கணக்குப் பதிவேட்டின் இரு பக்கங்களையும் ஒரே கட்டமைப்பிற்குள் வைப்பதும், புதிய பாத்திரங்கள் எங்கே தோன்றுகின்றன என்பதைப் பெயரிடுவதும் இந்த ஆய்வுக்கட்டுரையின் பங்களிப்பாகும்.

இதிலிருந்து எடுத்துக்கொள்ள வேண்டியவை #

இதில் ஒரு வழிமுறைப் பாடமும் ஒரு நடைமுறைப் பாடமும் உள்ளன.

வழிமுறைப் பாடம் என்னவென்றால், பகுப்பாய்வின் அலகுதான் பதிலைத் தீர்மானிக்கிறது என்பதாகும். தொழில்களிலிருந்து பணிகளுக்கு நகர்ந்ததால் 47%-லிருந்து 9-14%-க்கு மாற்றம் ஏற்பட்டது. தன்னியக்கமாக்கப்படும் விஷயம் இனி ஒரு பணி அல்ல என்பதால், பணிகளிலிருந்து பணிப்பாய்வுகளுக்கு (workflows) மற்றொரு நகர்வு இப்போது தேவை என்று இந்த ஆய்வுக்கட்டுரை வாதிடுகிறது. அலகு மாறிய ஒவ்வொரு முறையும் மதிப்பீடுகள் மாறின, மேலும் தரவின் தேர்விற்குக் கொடுக்கும் அதே அளவு கூர்ந்தாய்வை அலகின் தேர்விற்கும் கொடுக்க வேண்டும் என்று இந்தத் துறையின் வரலாறு உணர்த்துகிறது.

நடைமுறைப் பாடம் அடுத்த ஐந்து ஆண்டுகளுக்குப் பணியாளர் எண்ணிக்கை, பயிற்சி அல்லது தயாரிப்புகளைத் திட்டமிடும் எவருக்கும் உரியது. ஒரு பாத்திரத்தின் பணிகளில் 80% பாதிக்கப்படக்கூடியவை என்று உங்களுக்குச் சொல்லும் மதிப்பெண் போதாது, ஏனெனில் எஞ்சிய 20% நீடித்த மனித மையமா அல்லது முகவரின் திட்டமிடல் தொகுதி இப்போது வழங்கக்கூடிய வெறும் பசையா என்பதை அது கூறுவதில்லை. அந்தக் கேள்வியை நேரடியாகக் கேட்பதற்காகவே பணிப்பாய்வு உள்ளடக்கக் காரணி உள்ளது.

ATE மதிப்பெண் என்பது அளவீடு செய்யப்பட்ட அளவுருக்களைக் கொண்ட ஒரு கூட்டு மதிப்பெண்ணாகும், மேலும் அதன் கணிப்புகள் மாதிரி-வழிப் பெறப்பட்டவை. அவை 2025-2030 பற்றிய கட்டமைக்கப்பட்ட வாதமே தவிர, அதன் பதிவேடு அல்ல. அவற்றை புறக்கணிப்பதற்குப் பதிலாகச் சோதித்துப் பார்ப்பதற்கு அதுவே காரணமாகும். சியாட்டில் கருதுகோள் ஒரு ஆரம்பச் சோதனையை வழங்குகிறது: அங்கே 2026-2027 விளைவுகள் மாதிரி குறிப்பது போலவே தோன்றினால், 2028-2030-இல் தேசிய தொழில்நுட்பம்-அல்லாத பணியாளர்களுக்கான கால இடைவெளி அடுத்துக் கவனிக்க வேண்டிய விஷயமாக மாறும். மேலும் பதினேழு மறுநிலைப்படுத்தல் வகைகளும் இந்தக் கூற்றுகளால் தீர்க்க முடியாத கேள்வியை எழுப்புகின்றன: முகவர்களை மேற்பார்வையிட உருவாக்கப்பட்ட பாத்திரங்கள் உழைப்பின் பங்கிற்கு முக்கியத்துவம் வாய்ந்த எண்ணிக்கையில் வருமா என்பதுதான் அது.

அடிக்கடி கேட்கப்படும் கேள்விகள் #

முந்தைய பணி-பாதிப்பு கட்டமைப்புகள் ஏஜென்டிக் AI-இன் தாக்கத்தை ஏன் குறைத்து மதிப்பிடுகின்றன?

Autor-Levy-Murnane மரபின் மீது கட்டமைக்கப்பட்ட முந்தைய கட்டமைப்புகள், தொழில் ஒரு மனித ஒருங்கிணைப்புக் கூடாக நிலைத்திருக்கும்போது தனிப்பட்ட பணிகளை மட்டுமே தன்னியக்கமாக்கல் நீக்குகிறது என்று அனுமானிக்கின்றன. ஏஜென்டிக் AI அமைப்புகள் முன்பு ஒரு மனித ஒருங்கிணைப்பாளர் தேவைப்பட்ட திட்டமிடல், கருவி அழைப்பு, நிலை மேலாண்மை மற்றும் இடைநிலைத் தரச் சோதனைகளை உள்வாங்கிக் கொள்கின்றன; இதனால் தனிமைப்படுத்தப்பட்ட பணிகளுக்குப் பதிலாக முழுப் பணிப்பாய்வுகளும் பாதிப்பிற்குள்ளாகின்றன.

ஏஜென்டிக் பணி பாதிப்பு (ATE) மதிப்பெண் எவ்வாறு கணக்கிடப்படுகிறது?

ATE என்பது O*NET பணி முக்கியத்துவ மதிப்பீடுகள் (wo,t), AI திறன் தரநிலைகள் மற்றும் பயிற்சியாளர் நடைமுறைப்படுத்தல் அறிக்கைகள் (CAP(t)), ஒரு தொழிலின் முழுப் பணிப்பாய்வும் முகவரின் செயல்பாட்டு எல்லைக்குள் பொருந்துகிறதா என்பதை அளவிடும் பணிப்பாய்வு உள்ளடக்கக் காரணி, மற்றும் 236 SOC குறியீடுகளின் குறுக்கே அளவீடு செய்யப்பட்ட லாஜிஸ்டிக் ஏற்பு வேக அளவுருக்கள் ஆகியவற்றிலிருந்து உருவாக்கப்பட்ட ஒரு வழிமுறைக் கூட்டு மதிப்பெண்ணாகும்.

புதிய வேலை உருவாக்கம் (மறுநிலைப்படுத்தல் விளைவுகள்) குறித்து இந்த ஆய்வு என்ன கண்டறிந்துள்ளது?

Acemoglu-Restrepo மறுநிலைப்படுத்தல் வழித்தடத்தை விரிவுபடுத்தும் இந்த ஆய்வு, மனித-AI ஒத்துழைப்பு, AI ஆளுகை மற்றும் துறை-சார்ந்த AI செயல்பாடுகளில் குவிந்துள்ள பதினேழு வளர்ந்து வரும் தொழில் வகைகளை அடையாளம் காண்கிறது. அந்த வகைகளில் ஏற்படும் வளர்ச்சி பணிப்பாய்வு-மட்ட இடப்பெயர்ச்சியை ஈடுகட்டுமா என்பது ஒரு திறந்த அனுபவ ரீதியான கேள்வியாகவே உள்ளது.

References #

• Ravish Gupta and Saket Kumar, (2026). Agentic AI and Occupational Displacement: A Multi-Regional Task Exposure Analysis of Emerging Labor Market Disruption ⧉. arXiv.
• Tyna Eloundou, Sam Manning, Pamela Mishkin, and Daniel Rock, (2023). GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models ⧉. arXiv.
• Daron Acemoglu and Pascual Restrepo, (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor ⧉. Journal of Economic Perspectives.
• National Center for O*NET Development, (2025). O*NET Resource Center ⧉. US Department of Labor.

கடைசியாக மதிப்பாய்வு செய்யப்பட்டது 2026-11-01.

# ஒவ்வொரு பணி-பாதிப்பு கணிப்பிற்குப் பின்னாலும் உள்ள அனுமானத்தை உடைக்கும் ஏஜென்டிக் AI — Sebastien Rousseau

> Originally published at [https://sebastienrousseau.com/ta/2026-10-25-ovvoru-pani-pathippu-kanippirkup-pinnalum-ulla/](https://sebastienrousseau.com/ta/2026-10-25-ovvoru-pani-pathippu-kanippirkup-pinnalum-ulla/)

பணி-பாதிப்பு கட்டமைப்புகள் ஒரு தொழிலை மனிதர்கள் இன்னும் செய்யும் வேலைகளைச் சுற்றி நிலைத்திருக்கும் ஒரு கூடு போலக் கருதுகின்றன. ஏஜென்டிக் அமைப்புகள் ஒரு இலக்கைப் பின்தொடர்ந்து முடிக்கப்பட்ட பணி வெளியீட்டை வழங்குகின்றன, எனவே ஒருங்கிணைப்புப் பணி...

Read the full article on sebastienrousseau.com: https://sebastienrousseau.com/ta/2026-10-25-ovvoru-pani-pathippu-kanippirkup-pinnalum-ulla/

ஒவ்வொரு பணி-பாதிப்பு கணிப்பிற்குப் பின்னாலும் உள்ள அனுமானத்தை உடைக்கும் ஏஜென்டிக் AI — Sebastien Rousseau

பணி-பாதிப்பு கட்டமைப்புகள் ஒரு தொழிலை மனிதர்கள் இன்னும் செய்யும் வேலைகளைச் சுற்றி நிலைத்திருக்கும் ஒரு கூடு போலக் கருதுகின்றன. ஏஜென்டிக் அமைப்புகள் ஒரு இலக்கைப் பின்தொடர்ந்து முடிக்கப்பட்ட பணி வெளியீட்டை வழங்குகின்றன, எனவே ஒருங்கிணைப்புப் பணி...

https://sebastienrousseau.com/ta/2026-10-25-ovvoru-pani-pathippu-kanippirkup-pinnalum-ulla/

ஒவ்வொரு பணி-பாதிப்பு கணிப்பிற்குப் பின்னாலும் உள்ள அனுமானத்தை உடைக்கும் ஏஜென்டிக் AI — Sebastien Rousseau

பணி-பாதிப்பு கட்டமைப்புகள் ஒரு தொழிலை மனிதர்கள் இன்னும் செய்யும் வேலைகளைச் சுற்றி நிலைத்திருக்கும் ஒரு கூடு போலக் கருதுகின்றன.

முக்கிய மூலோபாயக் கருத்துகள் இங்கே:

- இலக்கைத் தாண்டிச் சென்ற கணிப்புகள். தொழில்துறை ரோபோக்கள் உற்பத்தித் தொழிலாளர்களை இடப்பெயர்ச்சி செய்தன.
- பணிக் கட்டமைப்புகள் எவ்வாறு செயல்படுகின்றன. அந்த அழுத்தம் எங்கிருந்து வருகிறது என்பதைப் பார்க்க, பணி மரபு (task tradition) என்ன கோருகிறது என்பதில் துல்லியமாக இருப்பது உதவும்.
- ஒவ்வொரு கட்டமைப்பும் பகிர்ந்து கொள்ளும் பார்வையற்ற புள்ளி. இந்த அனைத்துப் பணிகளைப் பற்றியும் மூல ஆவணம் ஒரு கூர்மையான கூற்றை முன்வைக்கிறது.
- எது ஏஜென்டிக் என்று கருதப்படுகிறது. வாதம் ஒரு வேறுபாட்டைச் சார்ந்திருந்தால், அந்த வேறுபாட்டிற்கு ஒரு வரையறை தேவை.

இந்தக் கட்டுரையில் விவரிக்கப்பட்ட சவால்களுக்கு உங்கள் நிறுவனத்தின் அணுகுமுறை என்ன?

→ https://sebastienrousseau.com/ta/2026-10-25-ovvoru-pani-pathippu-kanippirkup-pinnalum-ulla/

#ஏஜென்டிக் #உடைக்கிறது #அனுமானம் #பின்னால் #பணிபாதிப்பு

Sebastien Rousseau | CC-BY-4.0

@online{rousseau2026ஒவ,
  author  = {Rousseau, Sebastien},
  title   = {{ஒவ்வொரு பணி-பாதிப்பு கணிப்பிற்குப் பின்னாலும் உள்ள அனுமானத்தை உடைக்கும் ஏஜென்டிக் AI — Sebastien Rousseau}},
  year    = {2026},
  url     = {https://sebastienrousseau.com/ta/2026-10-25-ovvoru-pani-pathippu-kanippirkup-pinnalum-ulla/},
  urldate = {2026}
}

TY  - GEN
AU  - Rousseau, Sebastien
TI  - ஒவ்வொரு பணி-பாதிப்பு கணிப்பிற்குப் பின்னாலும் உள்ள அனுமானத்தை உடைக்கும் ஏஜென்டிக் AI — Sebastien Rousseau
PY  - 2026
UR  - https://sebastienrousseau.com/ta/2026-10-25-ovvoru-pani-pathippu-kanippirkup-pinnalum-ulla/
ER  -

Rousseau S. ஒவ்வொரு பணி-பாதிப்பு கணிப்பிற்குப் பின்னாலும் உள்ள அனுமானத்தை உடைக்கும் ஏஜென்டிக் AI — Sebastien Rousseau. sebastienrousseau.com. 2026 Oct 25. Available from: https://sebastienrousseau.com/ta/2026-10-25-ovvoru-pani-pathippu-kanippirkup-pinnalum-ulla/

Rousseau, Sebastien. "ஒவ்வொரு பணி-பாதிப்பு கணிப்பிற்குப் பின்னாலும் உள்ள அனுமானத்தை உடைக்கும் ஏஜென்டிக் AI — Sebastien Rousseau." sebastienrousseau.com. October 25, 2026. https://sebastienrousseau.com/ta/2026-10-25-ovvoru-pani-pathippu-kanippirkup-pinnalum-ulla/.

Rousseau, S. (2026, October 25). ஒவ்வொரு பணி-பாதிப்பு கணிப்பிற்குப் பின்னாலும் உள்ள அனுமானத்தை உடைக்கும் ஏஜென்டிக் AI — Sebastien Rousseau. sebastienrousseau.com. https://sebastienrousseau.com/ta/2026-10-25-ovvoru-pani-pathippu-kanippirkup-pinnalum-ulla/

ஒவ்வொரு பணி-பாதிப்பு கணிப்பிற்குப் பின்னாலும் உள்ள அனுமானத்தை உடைக்கும் ஏஜென்டிக் AI — Sebastien Rousseau

பணி-பாதிப்பு கட்டமைப்புகள் ஒரு தொழிலை மனிதர்கள் இன்னும் செய்யும் வேலைகளைச் சுற்றி நிலைத்திருக்கும் ஒரு கூடு போலக் கருதுகின்றன. ஏஜென்டிக் அமைப்புகள் ஒரு இலக்கைப் பின்தொடர்ந்து முடிக்கப்பட்ட பணி வெளியீட்டை வழங்குகின்றன, எனவே ஒருங்கிணைப்புப் பணி...

Originally published at https://sebastienrousseau.com/ta/2026-10-25-ovvoru-pani-pathippu-kanippirkup-pinnalum-ulla/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU · FOUNDER · ENGINEER