આર્ટિફિશિયલ ઇન્ટેલિજન્સ અને આઇટી ક્ષેત્ર: રૂટિન કામોનું ઓટોમેશન અને નવી ઇજનેરી કુશળતાનો ઉદય

માહિતી ટેકનોલોજી (Information Technology - IT) ના ક્ષેત્રમાં દાયકાઓથી ચાલી આવતી કાર્યપદ્ધતિ અત્યારે એક ઐતિહાસિક પરિવર્તનમાંથી પસાર થઈ રહી છે. તાજેતરમાં બિઝનેસ સ્ટાન્ડર્ડના અહેવાલ મુજબ, આઇટી સેવા ક્ષેત્રની અગ્રણી કંપની LTM ના ચીફ ડિલિવરી ઓફિસર ગુરુરાજ દેશપાંડેએ જણાવ્યું છે કે આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) ના આગમનને પગલે પરંપરાગત એન્ટ્રી-લેવલ એન્જિનિયરિંગ ભૂમિકાઓ તૂટી પડી છે. કંપનીઓ હવે પરંપરાગત એન્ટ્રી-લેવલ નોકરીઓથી દૂર જઈ રહી છે કારણ કે એઆઈ તેમના સર્વિસ ડિલિવરી મોડેલને નવેસરથી ઘડી રહ્યું છે.

આ પરિવર્તન સામાન્ય સોફ્ટવેર ડેવલપર અથવા આઇટી એન્જિનિયર માટે અત્યંત મહત્વનું છે. અગાઉ કોલેજમાંથી બહાર નીકળતા નવા ઇજનેરોને સામાન્ય કોડ લખવા, બગ્સ તપાસવા, ડેટાબેઝનું મૂળભૂત સંચાલન કરવા અથવા રોજિંદા પરીક્ષણો (testing) જેવા કાર્યો સોંપવામાં આવતા હતા. હવે આ તમામ નિયમિત અને પુનરાવર્તિત કાર્યો અદ્યતન એઆઈ સિસ્ટમ્સ દ્વારા ક્ષણોમાં પૂર્ણ થઈ રહ્યા છે, જેના કારણે ટેક ઉદ્યોગમાં રોજગારીની પરિભાષા જ બદલાઈ ગઈ છે.

ઐતિહાસિક પૃષ્ઠભૂમિ: કમ્પ્યુટિંગથી લઈને આધુનિક એઆઈ સુધીની સફર

માહિતી ટેકનોલોજી શબ્દનો આધુનિક સંદર્ભમાં સૌપ્રથમ ઉપયોગ ૧૯૫૮ માં હાર્વર્ડ બિઝનેસ રિવ્યુના એક લેખમાં હેરોલ્ડ જે. લીવિટ અને થોમસ એલ. વ્હિસ્લર દ્વારા કરવામાં આવ્યો હતો. તેમણે પ્રોસેસિંગની તકનીકો, નિર્ણય લેવા માટે ગાણિતિક પદ્ધતિઓ અને કમ્પ્યુટર પ્રોગ્રામ દ્વારા ઉચ્ચ-સ્તરીય વિચારસરણીના અનુકરણને આઇટી તરીકે વ્યાખ્યાયિત કર્યું હતું. કમ્પ્યુટર વિજ્ઞાનનો પાયો ૧૯૪૦ ના દાયકામાં ઝ્યુસ ઝેડ૩ (Zuse Z3), કોલોસસ (Colossus) અને ૧૯૪૮ ના માન્ચેસ્ટર બેબી જેવા મશીનો દ્વારા નખાયો હતો. ૧૯૫૬ માં ડાર્ટમાઉથ પરિષદ સાથે આર્ટિફિશિયલ ઇન્ટેલિજન્સ એક સ્વતંત્ર શૈક્ષણિક વિષય તરીકે સ્થાપિત થયો હતો.

એઆઈના ઇતિહાસમાં અનેક ચઢાવ-ઉતાર આવ્યા, જેને 'એઆઈ વિન્ટર' (AI winter) એટલે કે સંશોધન અને ભંડોળમાં મંદીનો સમયગાળો કહેવામાં આવે છે. પરંતુ ૨૦૧૨ પછી જ્યારે ગ્રાફિક્સ પ્રોસેસિંગ યુનિટ્સ (GPUs) નો ઉપયોગ ન્યુરલ નેટવર્ક્સને ઝડપી બનાવવા માટે થયો, ત્યારે ડીપ લર્નિંગ પદ્ધતિઓએ અગાઉની તમામ તકનીકોને પાછળ છોડી દીધી. ત્યારબાદ ૨૦૧૭ માં ટ્રાન્સફોર્મર આર્કિટેક્ચર (transformer architecture) ના આગમનથી મશીન લર્નિંગની ક્ષમતામાં વિસ્ફોટક પ્રગતિ થઈ. ૨૦૨૦ ના દાયકામાં જનરેટિવ એઆઈ (Generative AI) અને ૨૦૨૪ સુધીમાં રિઝનિંગ મોડલ્સ (reasoning models) ના વિકાસે કોડિંગ અને ગાણિતિક સમસ્યાઓ ઉકેલવામાં માનવ સમકક્ષ કામગીરી દર્શાવવાનું શરૂ કર્યું.

રૂટિન કાર્યોનું ઓટોમેશન કેવી રીતે કામ કરે છે?

કમ્પ્યુટિંગ સિસ્ટમ્સ અગાઉ માત્ર પૂર્વ-નિર્ધારિત નિયમો (rule-based programming) પર કામ કરતી હતી. પરંપરાગત સોફ્ટવેરમાં ઇજનેરે દરેક શક્ય પરિસ્થિતિ માટે સ્પષ્ટ કોડ લખવો પડતો હતો. પરંતુ આધુનિક લાર્જ લેંગ્વેજ મોડલ્સ (Large Language Models - LLMs) અબજો વેબસાઇટ્સ અને પુસ્તકોના ડેટા પર પ્રશિક્ષિત થયેલા હોય છે. તેમાં 'ચેઇન ઓફ થોટ' (chain of thought) એટલે કે તબક્કાવાર વિચાર કરવાની તાલીમ આપવામાં આવે છે, જે જટિલ ગાણિતિક અને પ્રોગ્રામિંગ તર્કને ઉકેલવામાં સક્ષમ છે.

ઉદાહરણ તરીકે, નાણાકીય સેવાઓમાં લોન માટે માસિક હપ્તો (EMI) ગણવો, સિપ (SIP) દ્વારા રોકાણ પર વળતરનું અનુમાન લગાવવું, પબ્લિક પ્રોવિડન્ટ ફંડ (PPF) કે ફિક્સ્ડ ડિપોઝિટ (FD) ની પાકતી મુદતનું વ્યાજ તપાસવું, અથવા નેશનલ પેન્શન સિસ્ટમ (NPS) હેઠળ પેન્શન ભંડોળનો અંદાજ મેળવવો જેવા કાર્યો માટે અગાઉ માનવ ઇજનેરો દ્વારા અલગ અલ્ગોરિધમ અને ઇન્ટરફેસ તૈયાર કરવા પડતા હતા. આજે એઆઈ આ પ્રકારની નિયમિત ગણતરીઓ અને તેના સંબંધિત સોફ્ટવેર મોડ્યુલ્સ આપમેળે અને તાત્કાલિક બનાવી આપે છે.

ડેટા અને કમ્પ્યુટેશનલ ક્ષમતામાં થયેલો વિસ્ફોટ

માહિતી ટેકનોલોજીના ઇતિહાસ પર નજર કરીએ તો માહિતી સંગ્રહ અને પ્રક્રિયા કરવાની ક્ષમતા સતત વધતી રહી છે. માર્ટિન હિલ્બર્ટ અને પ્રિસિલા લોપેઝના અભ્યાસ મુજબ, વિશ્વની જનરલ-પર્પઝ કમ્પ્યુટિંગ ક્ષમતા ૧૯૮૬ થી ૨૦૦૭ દરમિયાન દર ૧૮ મહિને બમણી થતી રહી છે. તે જ ગાળામાં એપ્લિકેશન-વિશિષ્ટ ક્ષમતા દર ૧૪ મહિને બમણી થઈ હતી, જ્યારે વૈશ્વિક સંગ્રહ ક્ષમતા દર ૪૦ મહિને બમણી થઈ હતી.

વર્ષ ૨૦૦૨ સુધી મોટાભાગની વૈશ્વિક માહિતી એનાલોગ ઉપકરણો પર સંગ્રહિત થતી હતી, પરંતુ તે વર્ષે ડિજિટલ સંગ્રહ ક્ષમતા એનાલોગ કરતાં પ્રથમ વખત વધી ગઈ. ૨૦૦૭ સુધીમાં દુનિયાનો લગભગ ૯૪% ડેટા ડિજિટલ સ્વરૂપે સંગ્રહિત થઈ ચૂક્યો હતો, જેમાં હાર્ડ ડ્રાઇવ્સ અને ઓપ્ટિકલ માધ્યમો મુખ્ય હતા. ડેટા સ્ટોરેજ ક્ષમતા ૧૯૮૬ માં ૩ એક્સાબાઇટ્સ કરતાં ઓછી હતી તે વધીને ૨૦૦૭ માં ૨૯૫ એક્સાબાઇટ્સ થઈ ગઈ હતી. આ વિશાળ ડેટાબેઝ અને અવિરત કમ્પ્યુટિંગ ક્ષમતાએ જ આજના આધુનિક એઆઈ મોડલ્સને પ્રશિક્ષિત કરવાનો માર્ગ મોકળો કર્યો છે.

એઆઈ-નેટિવ એન્જિનિયરિંગ સ્કિલ્સ: બદલાતી માંગ અને પ્રીમિયમ વેતન

ટાઇમ્સ ઓફ ઇન્ડિયાના અહેવાલ મુજબ, નિયમિત આઇટી કામોનું ઓટોમેશન થઈ રહ્યું છે ત્યારે ચોક્કસ વિશિષ્ટ કુશળતા ધરાવતા વ્યાવસાયિકો બજારમાં ઊંચા વેતનની માંગ કરી શકે છે. હવે માત્ર સામાન્ય જાવા અથવા પાયથોન કોડિંગ આવડવું પૂરતું નથી. કંપનીઓને હવે એવા ઇજનેરોની જરૂર છે જેઓ એઆઈ-નેટિવ (AI-native) વિચારસરણી ધરાવતા હોય, એટલે કે જેઓ એઆઈ એજન્ટ્સનું સંચાલન કરી શકે અને સિસ્ટમ આર્કિટેક્ચરનું નિર્માણ કરી શકે.

એઆઈ રિસર્ચમાં એજન્ટ્સ (Agents) એ એવી પ્રણાલી છે જે વાતાવરણને સમજીને ચોક્કસ લક્ષ્યો સિદ્ધ કરવા પગલાં લે છે. આધુનિક એન્જિનિયરિંગમાં હવે મશીન લર્નિંગના વિવિધ પ્રકારો જેવા કે સુપરવાઇઝ્ડ લર્નિંગ (ડેટા વર્ગીકરણ), અનસુપરવાઇઝ્ડ લર્નિંગ (પેટર્ન શોધવી), અને રિઇન્ફોર્સમેન્ટ લર્નિંગ (પુરસ્કાર અને દંડ આધારિત શીખવું) ની ઊંડી સમજ અનિવાર્ય બની ગઈ છે. જે વ્યાવસાયિકો એઆઈ મોડલ્સની ખામીઓ જેમ કે 'હેલ્યુસિનેશન' (hallucination - અસત્ય કે કાલ્પનિક આઉટપુટ આપવું) ને નિયંત્રિત કરી શકે છે, તેમની માંગ સર્વોચ્ચ સ્તરે પહોંચી છે.

ભારતીય આઇટી ક્ષેત્ર અને સામાન્ય વ્યાવસાયિકો માટે અસરો

ભારતનું આઇટી ક્ષેત્ર લાખો યુવાનોને રોજગારી પૂરું પાડતું સૌથી મોટું સંગઠિત ક્ષેત્ર છે. અગાઉ દર વર્ષે લાખો એન્જિનિયરિંગ સ્નાતકોને સર્વિસ કંપનીઓમાં તાલીમ આપીને બેક-ઓફિસ કોડિંગ અથવા જાળવણીના કામોમાં ગોઠવવામાં આવતા હતા. ગુરુરાજ દેશપાંડેના નિવેદન સ્પષ્ટ સંકેત આપે છે કે આ પરંપરાગત હાયરિંગ મોડેલ હવે કાયમ માટે બદલાઈ ચૂક્યું છે.

નવા સ્નાતકો માટે આ એક મોટો પડકાર છે, પરંતુ સાથે જ નવી તક પણ છે. ભારતીય ઇજનેરોએ હવે સિસ્ટમ ઓપ્ટિમાઇઝેશન, પ્રાકૃતિક ભાષા પ્રક્રિયા (Natural Language Processing - NLP), કમ્પ્યુટર વિઝન અને આર્ટિફિશિયલ જનરલ ઇન્ટેલિજન્સ (AGI) ની દિશામાં કામ કરી રહેલી વૈશ્વિક ઇકોસિસ્ટમ સાથે કદમ મિલાવવું પડશે. કંપનીઓ હવે કર્મચારીઓની સંખ્યા વધારવાને બદલે ઉત્પાદકતા વધારવા પર ધ્યાન કેન્દ્રિત કરી રહી છે, જેનો અર્થ એ છે કે એક કુશળ એઆઈ-નેટિવ એન્જિનિયર અગાઉની દસ સભ્યોની ટીમ જેટલું પરિણામ આપી શકે છે.