வெளியிடப்பட்டது
முக்கியக் குறிப்புகள்
- ஜப்பானின் நிதிச் சேவைகள் முகமை (Financial Services Agency, FSA), தனது AI விவாத அறிக்கையின் பதிப்பு 1.1-ஐ 3 மார்ச் 2026 அன்று வெளியிட்டது. ஜூன் முதல் டிசம்பர் 2025 வரை நடைபெற்ற FSA AI பொது-தனியார் மன்றத்தில் பெற்ற படிப்பினைகளைக் கொண்டு இது பதிப்பு 1.0-ஐ (மார்ச் 2025) புதுப்பிக்கிறது; மேற்பார்வை அளவுகோல்களை நிர்ணயிப்பதோ நிதி நிறுவனங்களிடம் குறிப்பிட்ட நடவடிக்கைகளைக் கோருவதோ தனது நோக்கம் அல்ல என்றும் அது தெளிவுபடுத்துகிறது.
- ஜப்பான் மத்திய வங்கியின் 2026 நிதியாண்டுக் கணக்கெடுப்பில் (ஆகஸ்ட் 2026-இல் வெளியிடப்பட்டது, 150 நிறுவனங்கள்), 90%-க்கும் மேற்பட்ட நிதி நிறுவனங்கள் உருவாக்க AI-ஐப் பயன்படுத்தி அல்லது சோதித்து வந்தன. அதே வங்கியின் 2024 கணக்கெடுப்பில், சுமார் 30% அதைப் பயன்படுத்தி வந்தன; சோதனைப் பயன்பாட்டையும் சேர்த்தால் சுமார் 60%.
- வாடிக்கையாளர் சேவைகளுக்கான இடர் தணிப்பு நடவடிக்கைகளைப் பதிப்பு 1.1 நான்கு கட்டங்களாகத் தொகுக்கிறது: வடிவமைப்பும் முன்சோதனையும், வாடிக்கையாளர்களுக்கு முறையான விளக்கமும் இடர் எச்சரிக்கைகளும், மறுஆய்வும் கண்காணிப்பும், ஆளுகை. நிதி நிறுவனங்களின் ஆலோசனைக் கோரிக்கைகளுக்கும் விசாரணைகளுக்கும் பதிலளிக்கும்போது இவற்றைக் குறிப்பாகப் பயன்படுத்தப்போவதாக FSA கூறுகிறது.
- உருவாக்க AI-யால் கடினமாகிவிட்டதாக அதிக நிறுவனங்கள் குறிப்பிட்ட சவால் தனிநபர் தரவுப் பாதுகாப்பு. தவறான உருவாக்கம் (hallucination) ஒருபோதும் பூஜ்ஜியமாகாது என்றே கருதப்படுவதால், மனித மறுஆய்வு, ஒவ்வொரு பதிலுக்குமான மூலத்தைக் காட்டுதல், பதிவுகளைப் பாதுகாத்தல் ஆகியவற்றை இணைப்பதே பொது நடைமுறை.
- AI பயன்படுத்தப்பட்டாலும் இல்லாவிட்டாலும் பொருந்தும் தற்போதைய சட்டங்கள், மேற்பார்வை வழிகாட்டுதல்கள், கோட்பாடுகள், பிற வழிகாட்டுதல்கள் ஆகியவற்றைப் பின்பற்ற நிறுவனங்களை ஊக்குவிக்கப்போவதாக FSA கூறுகிறது. தற்போதுள்ள ஆளுகை மற்றும் இடர் மேலாண்மைக் கட்டமைப்பே தொடக்கப் புள்ளி; அதை AI-க்கே உரிய இடர்களுக்கு ஏற்ப மறுஆய்வு செய்ய வேண்டும்.
ஜப்பானிய நிதி நிறுவனங்களில் உருவாக்க AI எவ்வளவு பரவியுள்ளது
இரண்டே ஆண்டுகளில், ஜப்பானிய நிதி நிறுவனங்களில் உருவாக்க AI சோதனை நிலையிலிருந்து அன்றாடப் பயன்பாட்டுக்கு நகர்ந்துள்ளது. ஜப்பான் மத்திய வங்கியின் 2026 நிதியாண்டுக் கணக்கெடுப்பில் (6 ஆகஸ்ட் 2026 அன்று வெளியிடப்பட்டது; அதனுடன் பரிவர்த்தனை உறவுள்ள 150 நிறுவனங்களை உள்ளடக்கியது), 90%-க்கும் மேற்பட்ட நிதி நிறுவனங்கள் உருவாக்க AI-ஐப் பயன்படுத்தி அல்லது சோதித்து வந்தன. அதே வங்கியின் 2024 கணக்கெடுப்பில், சுமார் 30% அதைப் பயன்படுத்தி வந்தன; சோதனைப் பயன்பாட்டையும் சேர்த்தால் சுமார் 60%.
| கணக்கெடுப்பு | வரம்பு | முக்கியக் கண்டறிதல்கள் |
|---|---|---|
| ஜப்பான் மத்திய வங்கி (ஏப்ரல் முதல் மே 2024 வரை நடத்தப்பட்டது) | வைப்புத்தொகை பெறும் நிறுவனங்கள் உள்ளிட்டவை | சுமார் 30% உருவாக்க AI-ஐப் பயன்படுத்துகின்றன; சோதனையையும் சேர்த்தால் சுமார் 60%; பரிசீலிப்பவற்றையும் சேர்த்தால் சுமார் 80% |
| FSA (அக்டோபர் முதல் நவம்பர் 2024 வரை நடத்தப்பட்டது) | நிதித் துறை முழுவதிலுமிருந்து 130 நிறுவனங்கள் | 90%-க்கும் மேற்பட்டவை பாரம்பரிய AI அல்லது உருவாக்க AI-ஐ ஏதேனும் ஒரு வடிவில் பயன்படுத்துகின்றன; 70%-க்கும் மேற்பட்டவை ஆவணச் சுருக்கம், மொழிபெயர்ப்பு, மெய்ப்புப் பார்த்தல் ஆகியவற்றை நடைமுறைப்படுத்தியிருந்தன |
| ஜப்பான் மத்திய வங்கி (2026 நிதியாண்டு, ஆகஸ்ட் 2026-இல் வெளியிடப்பட்டது) | பரிவர்த்தனை உறவுள்ள 150 நிறுவனங்கள் | 90%-க்கும் மேற்பட்டவை உருவாக்க AI-ஐப் பயன்படுத்துகின்றன அல்லது சோதிக்கின்றன; அது உருவாக்கும் உள்ளடக்கத்தை நேரடியாக வாடிக்கையாளர்களுக்கு வழங்குபவை சில மட்டுமே |
2026 நிதியாண்டுக் கணக்கெடுப்பின்படி, பொது நிர்வாகப் பணிகளிலிருந்து வாடிக்கையாளர் தகவல்களைப் பயன்படுத்தும் முக்கிய வணிகப் பணிகளுக்குப் பயன்பாடு பரவி வருகிறது. ஆனாலும், ஆளுகை, மூன்றாம் தரப்பு இடர் மேலாண்மை, பாதுகாப்பு (safety, security) ஆகியவற்றில் இன்னும் மேம்படுத்த வேண்டியவை உள்ளன அல்லது அவை பரிசீலனையில் உள்ளன என்று பல நிறுவனங்கள் தெரிவித்தன.
FSA AI விவாத அறிக்கை பதிப்பு 1.1 என்றால் என்ன
AI விவாத அறிக்கை என்பது, நிதித் துறையில் AI பயன்பாடுகள், சவால்கள், நடைமுறைகள் குறித்த FSA-வின் ஆய்வையும் அதன் சொந்தக் கொள்கைத் திசையையும் கொண்ட ஆவணம். 3 மார்ச் 2026 அன்று வெளியிடப்பட்ட பதிப்பு 1.1-இன் துணைத்தலைப்பு: Preliminary Discussion Points for Promoting the Sound Utilization of AI in the Financial Sector (நிதித் துறையில் AI-யின் ஆரோக்கியமான பயன்பாட்டை ஊக்குவிப்பதற்கான தொடக்கநிலை விவாதக் குறிப்புகள்).
| அம்சம் | விவரம் |
|---|---|
| வெளியீடு | 3 மார்ச் 2026 (பதிப்பு 1.0: மார்ச் 2025) |
| அடிப்படை | அக்டோபர், நவம்பர் 2024-இல் நடத்தப்பட்ட கணக்கெடுப்பு (130 பதில்கள்), நேர்காணல்கள், சர்வதேச விவாதங்கள், AI பொது-தனியார் மன்றம் |
| AI பொது-தனியார் மன்றம் | ஜூன் முதல் டிசம்பர் 2025 வரை நான்கு கூட்டங்கள்; நிதி நிறுவனங்கள், AI மாதிரி உருவாக்குநர்கள், IT வழங்குநர்கள், கல்வியாளர்கள், அரசு அமைச்சகங்கள் பங்கேற்றன |
| நிலை | உரையாடலுக்கான தொடக்கநிலை விவாதக் குறிப்புகள்; மேற்பார்வை அளவுகோல்களோ கட்டாய நடவடிக்கைகளோ அல்ல |
| மொழி | முழு உரை ஜப்பானிய மொழியில்; ஆங்கிலச் சுருக்கம் கிடைக்கிறது |
பதிப்பு 1.1-இல் சேர்க்கப்பட்ட மூன்று அம்சங்கள்
- வாடிக்கையாளர் சேவைகளுக்கான இடர் தணிப்பு நடவடிக்கைகள், நான்கு கட்டங்களாகத் தொகுக்கப்பட்டவை; ஆலோசனைக் கோரிக்கைகளுக்கும் விசாரணைகளுக்கும் பதிலளிக்கும்போது FSA இவற்றைக் குறிப்பாகப் பயன்படுத்தும்
- AI சிஸ்டம் மேம்பாட்டைத் தனது IT துணை நிறுவனத்திடம் ஒப்படைக்கும் பங்குத் தரகு நிறுவனம், பொதுவெளியில் இல்லாத தகவல்கள் உட்பட வாடிக்கையாளர் உரையாடல் தரவை வழங்கலாம் என்ற நிலைப்பாடு
- செயல்திறனுக்காகவும் புதிய வணிகத்துக்காகவும், உயர் நிர்வாகிகள் தலைமையில் உறுதியான முன்முயற்சிகள் எடுக்கப்படும் கட்டத்துக்குள் AI பயன்பாடு நுழைந்துள்ளது என்ற மதிப்பீடு
FSA தனது அடிப்படை நிலைப்பாட்டைத் தொழில்நுட்ப நடுநிலை (technology-neutral) என்று விவரிக்கிறது: AI பயன்படுத்தப்பட்டாலும் இல்லாவிட்டாலும் தற்போதைய சட்டங்கள் பொருந்தும். சவாலை ஏற்காமல் பின்தங்கிவிடும் இடர் குறித்தும் அறிக்கை எச்சரிக்கிறது; ஒழுங்குமுறைகள் எவ்வாறு பொருந்தும் என்பதைத் தெளிவுபடுத்துவதன் மூலம் safe harbour எனப்படும் பாதுகாப்பான எல்லைகளை வழங்க FSA முயலும் என்றும் கூறுகிறது. விதிகள் எவ்வாறு பொருந்தும் என்ற கேள்விகளுக்கு, அது FSA FinTech Support Desk-ஐச் சுட்டிக்காட்டுகிறது (டிசம்பர் 2025 வரை 2,603 ஆலோசனைகள்).
உருவாக்க AI பயன்பாடுகள்: மூன்று வகைகள்
அறிக்கை உருவாக்க AI பயன்பாடுகளை நோக்கத்தின் அடிப்படையில் மூன்று வகைகளாகப் பிரிக்கிறது: உள் பயன்பாடு (செயல்பாட்டுத் திறன்), வாடிக்கையாளர் சேவைகளில் மறைமுகப் பயன்பாடு, வாடிக்கையாளர் சேவைகளில் நேரடிப் பயன்பாடு. 2024 கணக்கெடுப்பில் பெரும்பாலான நிறுவனங்கள் இன்னும் உள் பயன்பாட்டு நிலையிலேயே இருந்தன; ஆனால் பாதிக்கும் மேற்பட்டவை வாடிக்கையாளர் சேவைகளிலும் பயன்படுத்துவதைப் பரிசீலிப்பதாகக் கூறின.
| வகை | வழக்கமான எடுத்துக்காட்டுகள் | நடைமுறைப்படுத்தும் விதம் |
|---|---|---|
| உள் பயன்பாடு (செயல்பாட்டுத் திறன்) | ஆவணங்களைச் சுருக்குதல், மொழிபெயர்த்தல், மெய்ப்புப் பார்த்தல் (70%-க்கும் மேற்பட்டவை நடைமுறைப்படுத்தியுள்ளன); உள் FAQ-கள், விதிகளைத் தேடுதல் (சுமார் 40%); கூட்டக் குறிப்புகள் தயாரித்தல்; நிரலாக்க உதவி | பொதுப் பயன்பாட்டு உருவாக்க AI-யில் தொடங்கி, பின்னர் உள் விதிகள், ஆவணங்கள் மீதான RAG-க்கு நகர்தல் |
| வாடிக்கையாளர் சேவைகளில் மறைமுகப் பயன்பாடு | அழைப்பு மைய ஊழியர்களுக்கு உதவுதல்; கடன் வழங்கும் முடிவுகள் போன்றவற்றுக்கான உள் ஒப்புதல் ஆவணங்களை வரைவு செய்தலும் சரிபார்த்தலும் | பயன்படுத்தும் முன் ஊழியர்கள் வெளியீட்டைச் சரிபார்க்கின்றனர்; பெரும்பாலான சூழல்களில் செயல்முறையில் மனிதர் இடம்பெறுவது (human in the loop) கட்டாயம் |
| வாடிக்கையாளர் சேவைகளில் நேரடிப் பயன்பாடு | சில fintech நிறுவனங்கள் AI உருவாக்கிய வாழ்க்கைத் திட்டமிடல் ஆலோசனையை ஏற்கெனவே வாடிக்கையாளர்களுக்கு வழங்குகின்றன | பெரும்பாலான நிறுவனங்கள் இன்னும் எச்சரிக்கையுடனேயே உள்ளன; பதிப்பு 1.1 வெளியான நேரத்தில், வரம்பையும் நிபந்தனைகளையும் குறுக்கிய சேவைகள் தொடங்கியிருந்தன |
பதிப்பு 1.1 வெளியான நேரத்தில், வரம்பும் நிபந்தனைகளும் வரையறுக்கப்பட்ட வாடிக்கையாளர் சேவைகள் வழங்கப்பட்டு அல்லது பரிசீலிக்கப்பட்டு வந்தன. மன்றத்தில் முன்வைக்கப்பட்ட ஓர் எடுத்துக்காட்டு, ஆகஸ்ட் 2025-இல் தொடங்கப்பட்ட ஒரு சேவை: அதில் உருவாக்க AI-யுடன் இணைந்த ஓர் அவதார், விசாரணைகளையும் முகவரி மாற்றம் போன்ற நடைமுறைகளையும் கையாள்கிறது. பிராந்திய வங்கிகளுக்காக, உருவாக்க AI குறித்த ஒரு செயல்விளக்கத் திட்டத்தை FSA திட்டமிட்டுள்ளது.
நிறுவன அளவிலான சவால்கள்: தரவு, ஆளுகை, உள் விதிகள், மனிதவளம், முதலீட்டு வருவாய்
உருவாக்க AI-யின் மதிப்பைத் தீர்மானிப்பது மாதிரியைவிட, அதைச் சுற்றியுள்ள நிறுவன அமைப்புதான். அறிக்கை ஐந்து நிறுவன அளவிலான சவால்களைப் பட்டியலிடுகிறது: தரவுத் தயாரிப்பு, ஆளுகை அமைப்பை உருவாக்குதல், உள் விதிகள், சிறப்புத் திறமையாளர்களும் பயிற்சியும், முதலீட்டு வருவாய்.
தரவு
பதிலளித்த நிறுவனங்களில் சுமார் பாதி, பயிற்சித் தரவைப் பெறுவதையோ நிர்வகிப்பதையோ சவாலாகக் குறிப்பிட்டன; ஆவணங்களிடையே காலாவதியான உள் விதிகள் இன்னும் இருந்ததால் RAG துல்லியத்தை மேம்படுத்தவில்லை என்று சில நிறுவனங்கள் கண்டறிந்தன. நோக்கமின்றித் தரவைத் தயாரிப்பது பணத்தை வீணாக்கக்கூடும் என்று மன்றப் பங்கேற்பாளர்கள் எச்சரித்தனர்; data lake ஒன்றை அமைப்பதா, அல்லது Model Context Protocol (MCP) போன்ற தொழில்நுட்பங்கள் மூலம் தனித்தனித் தரவுத்தளங்களை AI நேரடியாக வினவ அனுமதிப்பதா என்பதைத் தேர்வு செய்வதன் முக்கியத்துவத்தையும் அவர்கள் வலியுறுத்தினர்.
ஆளுகையும் உள் விதிகளும்
பெரும்பாலான நிறுவனங்கள், AI-யை ஊக்குவிக்கும் துறைகளையும் கட்டுப்படுத்தும் துறைகளையும் இணைத்துச் செயல்படுகின்றன; சில நிறுவனங்கள், உரிமையாளர்கள் மற்றும் பயனர்களின் பொறுப்புகள், AI-க்கே உரிய இடர்கள், கட்டுப்பாட்டுக் கொள்கை ஆகியவற்றை வரையறுக்கும் AI இடர் மேலாண்மை விதிகளை எழுதியுள்ளன. இடர் அடிப்படையிலான ஒரு முறையில், குறைந்த இடருள்ள உள் பயன்பாடுகள் சரிபார்ப்புப் பட்டியலின் அடிப்படையில் களப் பிரிவுகளின் முடிவுக்கு விடப்படுகின்றன; வாடிக்கையாளர் சேவைகள் போன்ற அதிக இடருள்ள பயன்பாடுகளை ஒரு சிறப்புப் பிரிவு முன்கூட்டியே மறுஆய்வு செய்கிறது. பல நிறுவனங்கள் வணிகத்துக்கான AI வழிகாட்டுதல்களின் (AI Guidelines for Business) பதிப்பு 1.0-ஐ அடிப்படையாகக் கொண்டன. முன்கூட்டியே நிர்ணயிக்கப்பட்ட விதிகளுக்குப் பதிலாக, இடர் பகுப்பாய்வு, இலக்கு நிர்ணயம், செயல்பாடு, மதிப்பீடு ஆகியவற்றை விரைவான சுழற்சிகளில் மேற்கொள்ளும் agile ஆளுகையையும் ஒரு முக்கிய அணுகுமுறையாக அறிக்கை குறிப்பிடுகிறது.
மனிதவளமும் முதலீட்டு வருவாயும்
நிறுவனங்களில் AI நிபுணர்கள் மட்டுமின்றி, தீர்வுகளைத் தேர்ந்தெடுத்து இயக்கக்கூடியவர்களும், வணிகத்துக்கும் IT-க்கும் இடையே பாலமாகச் செயல்படக்கூடியவர்களும் பற்றாக்குறையாக உள்ளனர்; வெளி வழங்குநர்களைச் சார்ந்திருந்தால் நிபுணத்துவம் நிறுவனத்துக்குள் தங்காது என்று பல நிறுவனங்கள் கவலைப்படுகின்றன. முதலீட்டு வருவாயைப் பொறுத்தவரை, பயன்பாட்டு அடிப்படையிலான கட்டணத்தால் பயன்பாடு கூடக் கூடச் செலவும் கூடுகிறது; பலன்களை முன்கணிப்பதும் கடினம். கருத்துச் சரிபார்ப்புகளுக்கு (PoC), பயனர் எண்ணிக்கை, பயன்பாட்டு எண்ணிக்கை போன்ற KPI-களைத் திட்டத்துடன் ஒப்பிட்டுக் கண்காணிக்கவும், குறுகிய சுழற்சிகளில் அளந்தாலும் நீண்ட காலக் கண்ணோட்டத்தில் மதிப்பிடவும் பங்கேற்பாளர்கள் பரிந்துரைத்தனர்.
மாதிரி இடர், மூன்றாம் தரப்புகள், தகவல் பாதுகாப்பு
மற்ற எந்த மாதிரியையும் போலவே, உருவாக்க AI மாதிரிகளும் மாதிரி இடர் மேலாண்மையின் கீழ் வருகின்றன. FSA-வின் மாதிரி இடர் மேலாண்மைக் கோட்பாடுகளின் (Principles for Model Risk Management, நவம்பர் 2021) இடர் அடிப்படையிலான அணுகுமுறையைப் பின்பற்ற அறிக்கை பரிந்துரைக்கிறது; எடுத்துக்காட்டாக, முக்கியமான AI மாதிரிகளுக்கு ஒரு மாதிரிப் பட்டியலை (model inventory) பராமரிப்பது. ஒரே உள்ளீடு வெவ்வேறு வெளியீடுகளைத் தரக்கூடும் என்பதாலும், அடிப்படை மாதிரிகள் (foundation models) வெளி வழங்குநர்களிடமிருந்து வந்து அடிக்கடி மாறுவதாலும் சரிபார்ப்பு கடினமாகிறது; அறிமுகத்துக்கு முன் சுயாதீனச் சரிபார்ப்பு, தொடர்ச்சியான செயல்திறன் கண்காணிப்பு ஆகியவை தெரிவிக்கப்பட்ட நடைமுறைகளில் அடங்கும்.
மூன்றாம் தரப்புத் தேர்வும் குவிப்பு இடரும்
சொந்தமாக அடிப்படை மாதிரிகளை உருவாக்கக்கூடிய நிதி நிறுவனங்கள் மிகச் சில; பதிலளித்த நிறுவனங்களில் 40%-க்கும் மேற்பட்டவை பொருத்தமான மூன்றாம் தரப்புகளைத் தேர்ந்தெடுப்பதைச் சவாலாகக் குறிப்பிட்டன. நிதி நிலைத்தன்மை வாரியத்தின் (Financial Stability Board) நவம்பர் 2024 அறிக்கை, மூன்றாம் தரப்புகளைச் சார்ந்திருப்பதையும் குறிப்பிட்ட வழங்குநர்களிடம் சார்பு குவிவதையும், அமைப்புசார் இடரை (systemic risk) அதிகரிக்கக்கூடிய AI தொடர்பான பலவீனங்களாக அடையாளம் காண்கிறது. தற்போதைய outsourcing மேலாண்மைக் கட்டமைப்பைப் பயன்படுத்துதல், ஒரே வழங்குநரை அதிகம் சார்ந்திருப்பதைத் தவிர்க்க open-source அடித்தளங்கள், தான் ஒப்படைத்து உருவாக்கச் செய்யும் மாதிரிகளின் அறிவுசார் சொத்துரிமையை நிறுவனத்துக்கே வழங்கும் ஒப்பந்தங்கள் ஆகியவை தெரிவிக்கப்பட்ட நடவடிக்கைகளில் அடங்கும்.
தகவல் பாதுகாப்பு
- தரவுக் கசிவு: வாடிக்கையாளர் அல்லது ரகசியத் தரவு cloud AI சேவைக்கு அனுப்பப்பட்டு, prompt-களோ வெளியீடுகளோ வழங்குநரின் பயிற்சிக்குப் பயன்படுத்தப்படுதல்; வெளிநாட்டில் சர்வர்கள் உள்ள சேவைகளில் எல்லை தாண்டிய தரவுப் பரிமாற்றத்தையும் நிர்வகிக்க வேண்டும்
- Prompt injection: AI சிஸ்டத்தைத் தவறாகச் செயல்பட வைக்கவோ ரகசியத் தகவல்களைக் கசியவிடவோ கூடிய தாக்குதல்கள்
- தரவு நச்சூட்டல் (data poisoning), மாதிரிப் பிரித்தெடுப்பு (model extraction): பயிற்சித் தரவையோ அளவுருக்களையோ முறைகேடாக மாற்றுதல்; ஏராளமான வினவல்களை அனுப்பி ஒரு மாதிரியின் உள் அமைப்பை ஊகித்து ரகசியத் தகவல்களைப் பிரித்தெடுக்கும் தாக்குதல்கள்
- Shadow IT: ஊழியர்களோ துறைகளோ அனுமதியின்றி வெளி AI சேவைகளைப் பயன்படுத்துதல்; இது தகவல் கசிவு, அங்கீகரிக்கப்படாத அணுகல் ஆகியவற்றின் இடரை அதிகரிக்கிறது
பல நிறுவனங்கள் ஏற்கெனவே உள்ளீட்டுத் தரவுக்குக் கட்டுப்பாடுகள் விதித்து, உள்ளீடுகளையும் வெளியீடுகளையும் நிர்வகிக்கக்கூடிய பிரத்யேகச் சூழல்களில் உருவாக்க AI-ஐ இயக்குகின்றன; ஆனாலும், தீங்கிழைக்கும் உள்ளீடுகளைப் பாதுகாப்பு வரம்புகள் (guardrails) முழுமையாகத் தடுக்க முடியாது என்றும் அவை தெரிவிக்கின்றன. சட்டம், இணக்கம், மாதிரி இடர் ஆகிய பிரிவுகளுடன் இணைந்து மேற்கொள்ளப்படும் வழக்கமான பலவீன மதிப்பீடுகள் (vulnerability assessments), ஊடுருவல் சோதனைகள் (penetration tests), இடருக்கு ஏற்ற உள் தணிக்கைகள் என ஒருங்கிணைந்த நடவடிக்கையை அறிக்கை கோருகிறது.
விளக்கத்தன்மை, நியாயத்தன்மை, தவறான உருவாக்கம், தனிநபர் தரவு, ஒழுங்குமுறை
தனித்தனி AI சிஸ்டங்களின் மட்டத்தில், அறிக்கை ஐந்து விவகாரங்களை விவாதிக்கிறது: விளக்கத்தன்மை, நியாயத்தன்மையும் பாரபட்சமும், தவறான உருவாக்கம், தனிநபர் தரவுப் பாதுகாப்பு, ஒழுங்குமுறை இணக்கம். உருவாக்க AI-யால் கடினமாகிவிட்டது என்று அதிக நிறுவனங்கள் குறிப்பிட்ட விவகாரம் தனிநபர் தரவுப் பாதுகாப்பே.
விளக்கத்தன்மையும் நியாயத்தன்மையும்
கடன் வழங்குதல் போன்ற முக்கிய முடிவுகளுக்கு AI உதவும்போது, பயிற்சித் தரவு, RAG மூலம் பெறப்பட்ட தரவு, prompt-கள், வெளியீடுகள் பதிவு செய்யப்பட்டுக் கண்காணிக்கப்படுகின்றனவா என்பவற்றைக் கொண்டு, அந்த முடிவைச் சரிபார்க்கவும் விளக்கவும் நிறுவனத்தாலேயே முடிய வேண்டும். உருவாக்க AI-யில் முழுமையான விளக்கத்தன்மை மிகவும் கடினம் என்பதால், பயன்பாட்டுக்கு ஏற்ப வாடிக்கையாளர்களும் ஊழியர்களும் ஏற்றுக்கொள்ளும் நிலையை உருவாக்குவதை அறிக்கை வலியுறுத்துகிறது. நியாயத்தன்மையைப் பொறுத்தவரை, பொதுப் பயன்பாட்டு மாதிரிகளில் மாதிரியிலிருந்தே எழும் நியாயமற்ற தன்மை ஒப்பீட்டளவில் குறைவு; ஆனால் prompt-களும் குறிப்புத் தரவும் அதை இன்னும் உருவாக்கக்கூடும்.
தவறான உருவாக்கம் (hallucination)
தவறான உருவாக்கம் என்பது உண்மையான தரவின் அடிப்படையில் அமையாத வெளியீடு. குறிப்புத் தரவு சரியாகப் பராமரிக்கப்படாவிட்டாலோ புதுப்பிக்கப்படாவிட்டாலோ, RAG-ஆலும் fine-tuning-ஆலும் அதைக் கட்டுப்படுத்துவது கடினம்; காலாவதியான தகவல்கள் அதிகம் இருந்தால் அது நிகழும் வாய்ப்பும் கூடலாம். அது ஒருபோதும் பூஜ்ஜியமாகாது என்றே பெரும்பாலான நிறுவனங்கள் கருதுகின்றன: மனித மறுஆய்வைச் செயல்முறையில் இணைக்கின்றன, பதில்களில் மூல ஆவணங்களைச் சேர்க்கின்றன, எதுவும் கிடைக்காதபோது அதைத் தெரிவிக்கும்படி சிஸ்டத்தை அமைக்கின்றன. AI ஒருபோதும் தவறு செய்யக்கூடாது என்று கோருவது பொருத்தமற்றது என்றும் அறிக்கை கூறுகிறது.
தனிநபர் தரவுப் பாதுகாப்பு
விதிகள் தெளிவற்றவை என்று நிறுவனங்கள் கருதிய நான்கு சூழல்கள் குறித்து, மன்றத்தில் நிபுணர்கள் தெரிவித்த கருத்துகளை அறிக்கை பதிவு செய்கிறது.
- பயிற்சிக்குத் தனிநபர் தரவைப் பயன்படுத்துதல்: தனிநபர் தகவல் பாதுகாப்பு ஆணையத்தின் (Personal Information Protection Commission) Q&A-வின் அடிப்படையில், AI மேம்பாட்டையும் பயிற்சியையும் பயன்பாட்டு நோக்கமாகக் குறிப்பிட வேண்டிய அவசியம் இல்லாமல் இருக்கலாம்; AI-ஐப் பயன்படுத்தும் நிலையில் (inference), வாடிக்கையாளர்கள் அதை நியாயமாக எதிர்பார்க்க முடியுமா என்பதே முக்கியம்
- Prompt-களில் தனிநபர் தரவை உள்ளிடுதல்: உருவாக்க AI வழங்குநரைத் தனிநபர் தரவைக் கையாளும் ஒப்பந்ததாரராக நிர்வகித்தல்; வழங்கப்படும் தரவு நிறுவனத்தின் அறிவுறுத்தல் இன்றிக் கூடுதல் பயிற்சிக்குப் பயன்படுத்தப்படாது என்பதை உறுதிசெய்தல்
- AI மேம்பாட்டை வெளியில் ஒப்படைத்தல்: பணியில் தனிநபர் தரவைக் கையாளுதல் அடங்கியிருந்தால், ஒப்பந்ததாரர் மீது அவசியமான, பொருத்தமான மேற்பார்வையைச் செலுத்துதல்
- வெளிநாட்டில் சர்வர்கள் உள்ள சேவைகள்: எல்லை தாண்டிய பரிமாற்ற விதி (தனிநபர் தகவல் பாதுகாப்புச் சட்டம், பிரிவு 28(1)) சர்வர் இருக்கும் இடத்தை அல்ல, AI வழங்குநர் அமைந்துள்ள இடத்தையே அடிப்படையாகக் கொள்கிறது; இருப்பினும் இணையான தரநிலை அமைப்புகளை (equivalent-standard systems) மதிப்பிடுவதிலும், பாதுகாப்புக் கட்டுப்பாடாக வெளிச் சூழலைப் புரிந்துகொள்வதிலும் சர்வரின் இருப்பிடம் முக்கியமானதே
ஒழுங்குமுறை: பங்குத் தரகு நிறுவனங்களுக்கான விவகாரங்கள்
பங்குத் தரகு நிறுவனம் ஒன்று வாடிக்கையாளர் உரையாடல் தரவை உருவாக்க AI-க்கு வழங்குவது குறித்தும் பதிப்பு 1.1 விவாதிக்கிறது. பொதுவெளியில் இல்லாத தகவல்களைப் பகிர்வதைக் கட்டுப்படுத்தும் விதிக்கு (Cabinet Office Order on Financial Instruments Business, பிரிவு 153(1)(vii)) மின்னணுத் தரவுச் செயலாக்க அமைப்புகளின் பராமரிப்பு, நிர்வாகம் ஆகியவற்றுக்காக உள்ள விதிவிலக்கு, சிஸ்டம் மேம்பாட்டையும் உள்ளடக்கியதாக நீண்ட காலமாகப் பொருள்கொள்ளப்பட்டு வருகிறது. எனவே, மேம்பாட்டுப் பணி IT துணை நிறுவனத்திடம் ஒப்படைக்கப்படும்போது, பொதுவெளியில் இல்லாத தகவல்களை முன்கூட்டியே நீக்க வேண்டிய அவசியம் எப்போதும் இல்லை என்று அறிக்கை கருதுகிறது. AI-யின் பரிந்துரை விற்பனைத் தூண்டுதலாக (solicitation) கருதப்படுமா என்பதும், AI இல்லாத சூழலைப் போலவே, ஒவ்வொரு நிகழ்வின் அடிப்படையிலும் தீர்மானிக்கப்படுகிறது.
AI முகவர்களால் என்ன மாறுகிறது
அறிக்கையின் விவரிப்பின்படி, AI முகவர் என்பது சிந்தித்து முடிவெடுக்கும் மூளையாக LLM-ஐக் கொண்டு, ஒரு குறிப்பிட்ட இலக்கை அடையத் தன்னாட்சியாகச் செயல்படும் AI சிஸ்டம். உள்நாட்டு விவகாரங்கள் மற்றும் தகவல் தொடர்பு அமைச்சகமும் (MIC) பொருளாதாரம், வர்த்தகம் மற்றும் தொழில்துறை அமைச்சகமும் (METI) வெளியிட்ட வணிகத்துக்கான AI வழிகாட்டுதல்கள் Ver1.2, அதைத் தன் சூழலை உணர்ந்து, ஒரு குறிப்பிட்ட இலக்கை அடையத் தன்னாட்சியாகச் செயல்படும் AI சிஸ்டம் என வரையறுக்கிறது.
பல முகவர்கள் ஒன்றோடொன்று ஊடாடும் agentic AI, நிதிச் சேவைகளில் பல செயல்முறைகளைத் தானியக்கமாக்கக்கூடும் என்று மன்றத்தில் பங்கேற்பாளர்கள் கூறினர். முகவர்களின் செயல்திறன் கண்காணிப்பு, வாழ்க்கைச் சுழற்சி மற்றும் செலவு மேலாண்மை, பட்டியல் (inventory), அனுமதிகள் ஆகிய நான்கையும் ஒருங்கே நிர்வகிக்கத் தான் உருவாக்கி வரும் தளத்தை ஒரு நிறுவனம் விவரித்தது. AI முகவர்களையும் frontier AI-ஐயும் ஏற்கும்போது இடர் மேலாண்மையிலும் ஆளுகையிலும் கவனம் தேவை என்று ஜப்பான் மத்திய வங்கியின் 2026 நிதியாண்டுக் கணக்கெடுப்பும் கூறுகிறது.
பதில் மட்டுமே அளிக்கும் AI-யைப் போலன்றி, ஒரு முகவர் கருவிகள் (tools) மூலம் பிற சிஸ்டங்களை இயக்குகிறது. அதிகப்படியான செயல்பாடுகள், அனுமதிகள் அல்லது தன்னாட்சி காரணமாக LLM சேதம் விளைவிக்கும் செயல்களைத் தூண்டக்கூடிய நிலையான Excessive Agency-ஐ, OWASP Top 10 for LLM Applications 2026 மூன்றாம் இடத்தில் வைக்கிறது; அதற்கான தணிப்பு நடவடிக்கைகளாக இவற்றைப் பட்டியலிடுகிறது.
- முகவர் அழைக்கக்கூடிய கருவிகளையும், ஒவ்வொரு கருவியிலும் உள்ள செயல்பாடுகளையும் தேவையான குறைந்தபட்ச அளவுக்கு வரம்பிடுதல்
- பிற சிஸ்டங்களில் கருவிகளுக்குக் குறைந்தபட்ச அனுமதிகளை மட்டும் வழங்குதல்; முகவர் யார் சார்பாகச் செயல்படுகிறதோ அந்தப் பயனரின் அனுமதிகளுக்குள்ளேயே செயல்படுதல்
- அதிக தாக்கமுள்ள செயல்களை மேற்கொள்ளும் முன், ஒருவர் அவற்றை அங்கீகரிப்பதைக் கட்டாயமாக்குதல்
- ஒரு செயல் அனுமதிக்கப்படுமா என்பதை LLM-இடம் கேட்டு அல்ல, பயன்பாட்டின் தர்க்கத்தில் (application logic) தீர்மானித்தல்
நடைமுறைப்படுத்தல்: உள் ஆவணங்கள் மீதான RAG, மூடிய நெட்வொர்க் மற்றும் on-premises LLM-கள், மதிப்பீடு, பாதுகாப்பு வரம்புகள்
உருவாக்க AI-ஐ நடைமுறைப்படுத்த ஒரே வழி என்று எதுவும் இல்லை. FSA கணக்கெடுப்பில் சுமார் பாதி நிறுவனங்கள் பொதுப் பயன்பாட்டு உருவாக்க AI-ஐ அப்படியே பயன்படுத்தின; மற்றவை அதை உள் தரவுடன் இணைக்கின்றன, வெவ்வேறு நோக்கங்களுக்கு வெவ்வேறு மாதிரிகளைப் பயன்படுத்துகின்றன, open-source LLM-களைச் சொந்த சர்வர்களில் இயக்குகின்றன, அல்லது மூடிய நெட்வொர்க்கில் பிரத்யேக இணைப்பு (dedicated line) மூலம் வணிக ரீதியான (proprietary) சேவைகளை அணுகுகின்றன.
| வழி | பண்புகள் | சரிபார்க்க வேண்டியவை |
|---|---|---|
| Cloud உருவாக்க AI சேவை (SaaS அல்லது API) | குறைந்தபட்ச அமைப்புடன் பயன்படுத்தக்கூடிய, முன்பே பயிற்சி பெற்ற மாதிரிகள்; அடிப்படை மாதிரி வழங்குநரால் அடிக்கடி புதுப்பிக்கப்படுகிறது | வழங்குநரைத் தனிநபர் தரவைக் கையாளும் ஒப்பந்ததாரராக நிர்வகித்து, உங்கள் தரவில் கூடுதல் பயிற்சி இல்லை என்பதை உறுதிசெய்தல்; வழங்குநரும் அதன் சர்வர்களும் எங்குள்ளன என்பதை அறிதல் |
| மூடிய நெட்வொர்க்கில் பிரத்யேக இணைப்பு வழியாக வெளிச் சேவை | பொது இணையத்துக்குப் பதிலாக, பிரத்யேக இணைப்பு மூலம் வெளி உருவாக்க AI சேவையுடன் இணைகிறது | இணைப்புப் புள்ளியின் பாதுகாப்பு, உள்ளீடு மற்றும் வெளியீட்டுப் பதிவுகள், ஒரே வழங்குநரைச் சார்ந்திருத்தலும் அதில் குவிவதும் |
| சொந்த வளாகத்தில் (on-premises) open-source LLM | தரவு உங்கள் சொந்தச் சூழலிலேயே இருக்கும்; ஒரே வழங்குநரைச் சார்ந்திருப்பது குறையும் | சூழலை உருவாக்கி இயக்குவதற்கான உழைப்பு; மாதிரிகளை நீங்களே மதிப்பிட்டுப் புதுப்பிக்கும் திறன் |
RAG-இன் துல்லியம் குறிப்புத் தரவைப் பொறுத்தது
RAG (retrieval-augmented generation) என்பது, மாதிரியை மீண்டும் பயிற்றுவிக்காமலேயே பதில்களை மேலும் துல்லியமாக்க, LLM-இன் உரை உருவாக்கத்தை வெளித் தகவல் தேடலுடன் இணைக்கும் முறை. ஆனால் ஆவணங்களிடையே காலாவதியான விதிகள் இருந்தாலோ, மூலங்கள் சரியாகத் தேர்ந்தெடுக்கப்படாவிட்டாலோ துல்லியம் மேம்படாது. ஆவணங்களின் பதிப்புக் கட்டுப்பாடு, திரும்பப் பெறப்பட்ட ஆவணங்களை நீக்குதல், ஒவ்வொரு பதிலுடனும் மூலத்தைக் காட்டுதல், தொடர்புடைய ஆவணம் இல்லாதபோது எதுவும் கிடைக்கவில்லை என்று சிஸ்டம் தெரிவித்தல் ஆகியவையே அடிப்படைகள்.
மதிப்பீடும் பாதுகாப்பு வரம்புகளும்
பதிப்பு 1.1-இன் நான்கு இடர் தணிப்புக் கட்டங்கள், மதிப்பீட்டுக்கும் பாதுகாப்பு வரம்புகளுக்குமான வடிவமைப்புச் சரிபார்ப்புப் பட்டியலாகவும் பயன்படுகின்றன. பல அடுக்குப் பாதுகாப்பு வரம்புகள், உறுதியான லாபம் தருவதாக வாக்களிப்பது போன்ற திட்டவட்டமான கூற்றுகளையும் பிற பொருத்தமற்ற பதில்களையும் தடுக்கின்றன; அவை அறிமுகத்துக்கு முன் சோதிக்கப்படுகின்றன.
- வடிவமைப்பும் முன்சோதனையும்: RAG மூலம் பதில் வரம்பைக் கட்டுப்படுத்துதல், அதிகத் திறன்வாய்ந்த LLM-ஐத் தேர்ந்தெடுத்தல், fine-tuning, வெளியீட்டு வடிகட்டல்; AI சேவையா மனிதச் சேவையா என்ற தேர்வை வழங்குதல், நிர்வாக நடைமுறைகளிலிருந்து தொடங்குதல்
- வாடிக்கையாளர் விளக்கமும் இடர் எச்சரிக்கைகளும்: பதில்கள் உருவாக்க AI-யிடமிருந்து வருகின்றன, அவை தவறாக இருக்கலாம் என்பதை வெளிப்படுத்துதல், அடுத்த கட்டத்துக்குச் செல்லும் முன் புரிதலை உறுதிசெய்தல், மூலங்களைக் காட்டுதல், எந்த நேரத்திலும் மனிதரிடம் மாற அனுமதித்தல்
- மறுஆய்வும் கண்காணிப்பும்: உரையாடல் பதிவுகளைப் பாதுகாத்துக் கண்காணித்தல், தேவையான இடங்களில் தொடர் நடவடிக்கை எடுத்தல், பாரபட்சமான விற்பனைத் தூண்டுதல் உள்ளதா எனப் புறநிலை அளவீடுகள் மூலம் சரிபார்த்தல், மூன்றாம் தரப்பு மறுஆய்வுக்காகப் பரிந்துரைத் தர்க்கத்தை ஆவணப்படுத்துதல்
- ஆளுகை: மூத்த நிர்வாகம் உட்பட நிறுவன அளவிலான கட்டமைப்புகள், களப் பணியாளர்கள் வரை AI அறிவுத்திறன், இடர் அடிப்படையிலான அணுகுமுறை, வாழ்க்கைச் சுழற்சி முழுவதும் agile ஆளுகை
தாக்குபவரின் கோணத்தில் சோதிக்க, OWASP Top 10 for LLM Applications 2026-இன் பத்து அம்சங்களைக் கொண்டு அச்சுறுத்தல்களைக் கண்டறியுங்கள்; பின்னர் ஜப்பான் AI பாதுகாப்புக் கழகத்தின் (Japan AI Safety Institute) red teaming வழிகாட்டியில் உள்ள செயல்முறையைப் பின்பற்றுங்கள்: திட்டமிடலும் தயாரிப்பும், தாக்குதல்களைத் திட்டமிட்டு நடத்துதல், அதன் பின் மேம்பாட்டுத் திட்டத்துடன் முடிவுகளை அறிக்கையிடுதல்.
தொடர்புடைய வழிகாட்டுதல்களின் வரைபடம்
AI ஆளுகையை உள் விதிகளாகவும் கட்டுப்பாடுகளாகவும் மாற்றும்போது, AI விவாத அறிக்கையைக் கீழே உள்ள ஆவணங்களுடன் சேர்த்து வாசிப்பது நடைமுறைக்கு உகந்தது.
| ஆவணம் | வெளியிட்டது, தேதி | பயன் |
|---|---|---|
| AI விவாத அறிக்கை பதிப்பு 1.1 (ஜப்பானிய மொழி; ஆங்கிலச் சுருக்கம் உண்டு) | FSA, மார்ச் 2026 | FSA-வின் கவலைகள், பயன்பாடுகள், நடைமுறைகள், வாடிக்கையாளர் சேவைகளுக்கான இடர் தணிப்பு |
| வணிகத்துக்கான AI வழிகாட்டுதல்கள் Ver1.2 (ஜப்பானிய மொழி; தற்காலிக ஆங்கில மொழிபெயர்ப்பு உண்டு) | MIC, METI, 31 மார்ச் 2026 | AI உருவாக்குநர்கள், வழங்குநர்கள், பயனர்களுக்கான AI ஆளுகை குறித்த ஒருங்கிணைந்த வழிகாட்டுதல்; சரிபார்ப்புப் பட்டியலும் பணித்தாளும் (பின்னிணைப்பு 7); AI முகவர்களுக்கான வரையறை |
| நிதி நிறுவனங்களின் கணினி அமைப்புகளுக்கான FISC பாதுகாப்பு வழிகாட்டுதல்கள், 14-ஆம் பதிப்பு (ஜப்பானிய மொழி) | FISC, மார்ச் 2026 | சிஸ்டங்களுக்கான பாதுகாப்புத் தரநிலைகள்; 14-ஆம் பதிப்பு AI, சைபர் பாதுகாப்பு, post-quantum குறியாக்கவியல், சிஸ்டம் செயலிழப்புகளிலிருந்து கற்ற பாடங்கள் தொடர்பான பகுதிகளைத் திருத்துகிறது |
| மாதிரி இடர் மேலாண்மைக் கோட்பாடுகள் (Principles for Model Risk Management) | FSA, நவம்பர் 2021 | மாதிரிப் பட்டியல் உள்ளிட்ட மாதிரி இடர் மேலாண்மைக் கட்டமைப்பு |
| OWASP Top 10 for LLM Applications 2026 | OWASP, ஆகஸ்ட் 2026 | LLM பயன்பாடுகளுக்கான அச்சுறுத்தல்களைக் கண்டறிதல் |
| AI பாதுகாப்புக்கான red teaming வழிமுறை வழிகாட்டி (Guide to Red Teaming Methodology on AI Safety; ஜப்பானிய மொழி) | ஜப்பான் AI பாதுகாப்புக் கழகம்; சுருக்கப் பதிப்பு 1.10, மார்ச் 2025 | தாக்குபவரின் கோணத்தில் மதிப்பீட்டைத் திட்டமிடுதல் |
AI விவாத அறிக்கையின்படி, FISC மார்ச் 2025-இல் AI தொடர்பான தரநிலை உருப்படிகளைச் சேர்த்தது; அதன் 14-ஆம் பதிப்பு (மார்ச் 2026), அரசு மற்றும் தொழில்துறை அமைப்புகளின் AI, உருவாக்க AI வழிகாட்டுதல்களையும் அறிக்கைகளையும் மீண்டும் பிரதிபலிக்கிறது. அரசு அளவில், ஜப்பான் மே 2025-இல் AI ஊக்குவிப்புச் சட்டத்தை (AI Promotion Act) இயற்றியது; டிசம்பர் 2025-இல் செயற்கை நுண்ணறிவு அடிப்படைத் திட்டத்தை (Artificial Intelligence Basic Plan) ஏற்றுக்கொண்டது.
நடைமுறைக்குக் கொண்டுவருதல்
ஒரு நிதி நிறுவனத்துக்கு, பயன்பாடு, நடைமுறைப்படுத்தல் சூழல், மதிப்பீடும் பாதுகாப்பு வரம்புகளும், AI மாதிரிகள் மற்றும் வெளிச் சேவைகளின் பட்டியல், விதிகளும் சான்றுகளும் ஆகிய அனைத்தையும் ஒரே தொடர் ஓட்டமாகக் கையாள வேண்டும். FISC பாதுகாப்பு வழிகாட்டுதல்கள், COBIT போன்ற IT ஆளுகைக் கட்டமைப்புகளையும் AI கருவிகளின் ஏற்பையும் உள்ளடக்கிய IT ஆலோசனையையும், நிறுவனத் தரவின் அடிப்படையிலான LLM பயன்பாடுகள் (RAG), AI முகவர்கள், ஜப்பானிய LLM-கள் உட்பட மாதிரித் தேர்வு, தனிப்பட்ட மற்றும் on-premises நிறுவல், மதிப்பீடு, பாதுகாப்பு வரம்புகள், LLMOps ஆகியவற்றை உள்ளடக்கிய சிஸ்டம் மேம்பாட்டையும் findn வழங்குகிறது. ஜப்பானிய நிதி நிறுவனங்களுக்கான findn-இன் IT ஆளுகைத் தளமான shachi, இடர் பதிவேடு, IT சொத்துப் பதிவேடு, SBOM/AIBOM, தணிக்கைத் தடம் ஆகியவற்றைக் கொண்டுள்ளது.
கேள்விகளும் பதில்களும்
- நிதி நிறுவனங்கள் AI விவாத அறிக்கையைக் கட்டாயம் பின்பற்ற வேண்டுமா?
- இல்லை. மேற்பார்வை அளவுகோல்களையோ நிதி நிறுவனங்களிடம் கோரப்படும் குறிப்பிட்ட நடவடிக்கைகளையோ தான் நிர்ணயிக்கவில்லை என்றும், தனது IV-ஆம் அத்தியாயத்தில் உள்ள விவகாரங்கள் உடனடியாக எந்தக் குறிப்பிட்ட நடவடிக்கையையும் கோரவில்லை என்றும் அறிக்கை கூறுகிறது. அது எழுப்பும் ஒவ்வொரு விவகாரத்துக்கும் தீர்வு காணும் வரை AI-ஐ அறிமுகப்படுத்தக்கூடாது என்பதும் அதன் பொருள் அல்ல. ஆனால் AI பயன்படுத்தப்பட்டாலும் இல்லாவிட்டாலும் தற்போதைய சட்டங்களும் மேற்பார்வை வழிகாட்டுதல்களும் பொருந்தும்; ஆலோசனைக் கோரிக்கைகளுக்குப் பதிலளிக்கும்போது அறிக்கையில் உள்ள நடைமுறைகளைக் குறிப்பாகப் பயன்படுத்தப்போவதாக FSA கூறுவதால், உங்கள் சொந்தக் கட்டுப்பாடுகளை விளக்கும்போது இது பயனுள்ள குறிப்பு ஆவணமாகும்.
- வாடிக்கையாளர்களிடம் உருவாக்க AI-ஐப் பயன்படுத்தலாமா?
- ஆம், அது தடை செய்யப்படவில்லை. 2024 கணக்கெடுப்பில், தவறான உருவாக்கம் (hallucination) ஏற்படும் இடர் காரணமாகப் பெரும்பாலான நிறுவனங்கள் உருவாக்க AI-யின் வெளியீட்டை வாடிக்கையாளர்களுக்கு நேரடியாகக் காட்டாமல், முதலில் ஊழியர்களைச் சரிபார்க்கச் செய்தன; பதிப்பு 1.1 வெளியான நேரத்தில், வரம்பையும் நிபந்தனைகளையும் குறுக்கிய சேவைகள் தொடங்கியிருந்தன. பதிப்பு 1.1 இடர் தணிப்பை நான்கு கட்டங்களாக ஒழுங்கமைக்கிறது: வடிவமைப்பும் முன்சோதனையும், வாடிக்கையாளர் விளக்கமும் இடர் எச்சரிக்கைகளும், மறுஆய்வும் கண்காணிப்பும், ஆளுகை. AI தயாரிப்புகளைப் பரிந்துரைத்தால், அது நிதிக் கருவிகள் மற்றும் பரிவர்த்தனைச் சட்டத்தின் (Financial Instruments and Exchange Act) கீழ் விற்பனைத் தூண்டுதலாகக் கருதப்படுமா என்பது, AI இல்லாத சூழலைப் போலவே, ஒவ்வொரு நிகழ்வின் அடிப்படையிலும் தீர்மானிக்கப்படும்.
- Cloud LLM-க்கும் மூடிய நெட்வொர்க் அல்லது on-premises LLM-க்கும் இடையே எப்படித் தேர்வு செய்வது?
- சம்பந்தப்பட்ட தரவையும் பயன்பாட்டையும் கொண்டு முடிவு செய்யுங்கள்; பல நிறுவனங்கள் வெவ்வேறு நோக்கங்களுக்கு வெவ்வேறு மாதிரிகளைப் பயன்படுத்துகின்றன. Cloud உருவாக்க AI சேவையில், வழங்குநரைத் தனிநபர் தரவைக் கையாளும் ஒப்பந்ததாரராக நிர்வகித்து, உங்கள் அறிவுறுத்தல் இன்றி உங்கள் உள்ளீடுகள் கூடுதல் பயிற்சிக்குப் பயன்படுத்தப்படாது என்பதை உறுதிசெய்யுங்கள். எல்லை தாண்டிய பரிமாற்ற விதிகள் வழங்குநர் எங்கு அமைந்துள்ளது என்பதைப் பொறுத்தவை; ஆனால் பாதுகாப்புக் கட்டுப்பாடுகள் சர்வர்கள் எங்குள்ளன என்பதையும் கருத்தில் கொள்ள வேண்டும். பிரத்யேக இணைப்பு அல்லது on-premises open-source LLM, உள்ளீடுகளையும் வெளியீடுகளையும் கட்டுப்படுத்துவதை எளிதாக்குகிறது; ஆனால் சூழலை உருவாக்கி இயக்குவதற்கான உழைப்பும், மாதிரிகளை நீங்களே மதிப்பிட்டுப் புதுப்பிக்கும் திறனும் தேவை.
- தவறான உருவாக்கத்தை (hallucination) எப்படிக் கையாள்வது?
- அது ஒருபோதும் பூஜ்ஜியமாகாது என்று கருதி, செயல்முறை வடிவமைப்பின் மூலம் அதைக் கட்டுப்படுத்துங்கள். RAG தேடிப் பெறும் ஆவணங்களைப் புதுப்பித்த நிலையில் வைத்திருங்கள், பதில்களில் மூல ஆவணங்களைக் காட்டுங்கள், எதுவும் கிடைக்காதபோது அதைத் தெரிவிக்கும்படி சிஸ்டத்தை அமையுங்கள். உள்ளடக்கம் வாடிக்கையாளர்களிடமோ விற்பனை முகவர்களிடமோ செல்லும் முன் ஊழியர்கள் அதைச் சரிபார்க்கும் நடைமுறையை வையுங்கள்; வாடிக்கையாளர் சேவைகளில், பதில் உருவாக்க AI-யிடமிருந்து வருகிறது, அது தவறாக இருக்கலாம் என்று வாடிக்கையாளர்களுக்குத் தெரிவித்து, உரையாடல் பதிவுகளைப் பாதுகாத்துக் கண்காணியுங்கள். AI ஒருபோதும் தவறு செய்யக்கூடாது என்று கோருவது பொருத்தமற்றது என்றும் அறிக்கை கூறுகிறது.
- AI முகவர்களால் என்ன மாறுகிறது?
- முகவர்கள் பதில் அளிப்பதோடு நிற்பதில்லை; கருவிகள் மூலம் சிஸ்டங்களை இயக்கிப் பணிகளை நிறைவேற்றுகின்றன. எனவே, நீங்கள் கட்டுப்படுத்த வேண்டியவை வெளியீடுகளிலிருந்து செயல்கள், அனுமதிகள் வரை விரிவடைகின்றன. கருவிகளையும் அனுமதிகளையும் குறைந்தபட்ச அளவில் வைத்திருங்கள், அதிக தாக்கமுள்ள செயல்களை ஒருவர் அங்கீகரிக்கும்படி செய்யுங்கள், முகவர்கள் செய்வதைப் பதிவு செய்யுங்கள். முகவர்களின் செயல்திறன், வாழ்க்கைச் சுழற்சி மற்றும் செலவு, பட்டியல், அனுமதிகள் ஆகியவற்றை ஒருங்கே நிர்வகிக்கத் தான் உருவாக்கி வரும் தளத்தை மன்றத்தில் ஒரு நிறுவனம் விவரித்தது.
ஆதாரங்கள்
- Publication of AI Discussion Paper (Version 1.1) வெளித் தளத்தில் திறக்கும் (Financial Services Agency (FSA), Japan)
- AI Discussion Paper (Version 1.1), full text (Japanese) வெளித் தளத்தில் திறக்கும் (Financial Services Agency (FSA), Japan)
- FSA AI Public-Private Forum (Japanese) வெளித் தளத்தில் திறக்கும் (Financial Services Agency (FSA), Japan)
- Financial Institutions' Use of Generative AI and Risk Management: Results of the FY2026 Survey (Japanese) வெளித் தளத்தில் திறக்கும் (Bank of Japan)
- AI Guidelines for Business Ver1.2 (Japanese, with a provisional English translation) வெளித் தளத்தில் திறக்கும் (Ministry of Internal Affairs and Communications (MIC) and Ministry of Economy, Trade and Industry (METI), Japan)
- FISC Security Guidelines on Computer Systems for Financial Institutions, 14th edition (Japanese) வெளித் தளத்தில் திறக்கும் (The Center for Financial Industry Information Systems (FISC))
- OWASP Top 10 for LLM Applications 2026 வெளித் தளத்தில் திறக்கும் (OWASP GenAI Security Project)
- Guide to Red Teaming Methodology on AI Safety, Version 1.10, summary (Japanese) வெளித் தளத்தில் திறக்கும் (Japan AI Safety Institute (AISI))