3 विचार करने योग्य बातें सुरक्षित और विश्वसनीय एआई एजेंटों के लिए उद्यमों के लिए

गार्टनर के अनुसार, 30% जेनएआई परियोजनाएं संभवतः 2025 के अंत तक प्रूफ-ऑफ-概念 के बाद छोड़ दी जाएंगी। जेनएआई के शुरुआती अपनाने से पता चला कि अधिकांश उद्यमों की डेटा इन्फ्रास्ट्रक्चर और शासन अभ्यास प्रभावी एआई तैनाती के लिए तैयार नहीं थे। जेनएआई उत्पादीकरण की पहली लहर को महत्वपूर्ण बाधाओं का सामना करना पड़ा, कई संगठनों को प्रूफ-ऑफ-概念 चरणों से परे जाने और महत्वपूर्ण व्यावसायिक मूल्य प्राप्त करने के लिए संघर्ष करना पड़ा।

जैसा कि हम जेनएआई उत्पादीकरण की दूसरी लहर में प्रवेश करते हैं, कंपनियां यह महसूस कर रही हैं कि इन प्रौद्योगिकियों को सफलतापूर्वक लागू करने के लिए केवल अपने डेटा से एक एलएलएम को जोड़ने से अधिक की आवश्यकता होती है। एआई की क्षमता को अनलॉक करने का मुख्य केंद्र तीन मुख्य स्तंभों पर टिका हुआ है: डेटा को व्यवस्थित करना और यह सुनिश्चित करना कि यह एआई के साथ एकीकरण के लिए तैयार है; जेनएआई द्वारा पेश की जाने वाली विशिष्ट चुनौतियों को संबोधित करने के लिए डेटा शासन अभ्यास को बदलना; और एआई एजेंटों को इस तरह से तैनात करना जो सुरक्षित और विश्वसनीय उपयोग को प्राकृतिक और सहज बनाता है, ताकि उपयोगकर्ताओं को विशेषज्ञता या सटीक उपयोग पैटर्न सीखने के लिए मजबूर न किया जा सके। इन स्तंभों के संयोजन से उद्यम वातावरण में सुरक्षित, प्रभावी एआई एजेंटों के लिए एक मजबूत आधार बनता है।

एआई के लिए अपना डेटा ठीक से तैयार करना

जबकि संरचित डेटा नग्न आंखों से व्यवस्थित दिखाई दे सकता है, जो तालिकाओं और कॉलम में सुंदर रूप से व्यवस्थित होता है, एलएलएम अक्सर इस संरचित डेटा को प्रभावी ढंग से समझने और काम करने के लिए संघर्ष करते हैं। यह इसलिए होता है क्योंकि अधिकांश उद्यमों में, डेटा एक सेमांटिक रूप से अर्थपूर्ण तरीके से लेबल नहीं किया गया है। डेटा अक्सर क्रिप्टिक लेबल के साथ आता है, जैसे “आईडी” जिसमें यह स्पष्ट नहीं होता है कि यह एक ग्राहक, उत्पाद या लेनदेन की पहचान के लिए है। संरचित डेटा के साथ, यह भी मुश्किल है कि विभिन्न जुड़े हुए डेटा बिंदुओं के बीच उचित संदर्भ और संबंधों को कैप्चर किया जाए, जैसे कि एक ग्राहक यात्रा में चरणों के बीच संबंध कैसे होते हैं। जैसे हमें कंप्यूटर विजन अनुप्रयोगों में अर्थपूर्ण इंटरैक्शन को सक्षम करने के लिए प्रत्येक छवि को लेबल करने की आवश्यकता थी, उसी तरह संगठनों को अब अपने डेटा को सेमांटिक रूप से लेबल करने और सभी प्रणालियों में संबंधों का दस्तावेजीकरण करने का जटिल कार्य करना होगा ताकि अर्थपूर्ण एआई इंटरैक्शन को सक्षम किया जा सके।

इसके अलावा, डेटा कई अलग-अलग स्थानों पर बिखरा हुआ है – पारंपरिक सर्वर से लेकर विभिन्न क्लाउड सेवाओं और विभिन्न सॉफ्टवेयर अनुप्रयोगों तक। यह प्रणालियों का पैचवर्क महत्वपूर्ण इंटरऑपरेबिलिटी और एकीकरण समस्याओं को जन्म देता है जो एआई समाधानों को लागू करते समय और भी अधिक समस्याग्रस्त हो जाते हैं।

एक और मूलभूत चुनौती विभिन्न प्रणालियों और विभागों में व्यावसायिक परिभाषाओं की असंगति में निहित है। उदाहरण के लिए, ग्राहक सफलता टीमें “अपसेल” को एक तरह से परिभाषित कर सकती हैं, जबकि बिक्री टीम इसे दूसरे तरीके से परिभाषित कर सकती है। जब आप इन प्रणालियों से जुड़े एआई एजेंट या चैटबॉट को जोड़ते हैं और प्रश्न पूछना शुरू करते हैं, तो आपको अलग-अलग उत्तर मिलेंगे क्योंकि डेटा परिभाषाएं संरेखित नहीं हैं। यह असंरेखता एक छोटी सी असुविधा नहीं है – यह विश्वसनीय एआई समाधानों को लागू करने के लिए एक महत्वपूर्ण बाधा है।

खराब डेटा गुणवत्ता एक क्लासिक “गार्बेज इन, गार्बेज आउट” परिदृश्य बनाती है जो एआई टूल्स को एक उद्यम भर में तैनात करने पर असीम रूप से गंभीर हो जाती है। गलत या गंदा डेटा एक विश्लेषण से अधिक प्रभावित करता है – यह उन सभी को गलत जानकारी फैलाता है जो प्रणाली का उपयोग अपने प्रश्नों और इंटरैक्शन के माध्यम से करते हैं। वास्तविक व्यावसायिक निर्णयों के लिए एआई प्रणालियों पर भरोसा करने के लिए, उद्यमों को यह सुनिश्चित करना होगा कि उनके एआई अनुप्रयोगों में डेटा साफ, सटीक और उचित व्यावसायिक संदर्भ में समझा जाता है। यह डेटा संपत्तियों के बारे में सोचने के तरीके में एक मूलभूत परिवर्तन का प्रतिनिधित्व करता है – जहां गुणवत्ता, संगतता और सेमांटिक स्पष्टता स्वयं डेटा के रूप में महत्वपूर्ण हो जाती है।

शासन के दृष्टिकोण को मजबूत करना

डेटा शासन हाल के वर्षों में संगठनों के लिए एक प्रमुख फोकस रहा है, मुख्य रूप से विश्लेषण में उपयोग किए जाने वाले डेटा के प्रबंधन और सुरक्षा पर केंद्रित। कंपनियां संवेदनशील जानकारी को मैप करने, एक्सेस मानकों का पालन करने, जीडीपीआर और सीसीपीए जैसे कानूनों का अनुपालन करने और व्यक्तिगत डेटा का पता लगाने के लिए प्रयास कर रही हैं। ये पहल जेनएआई के लिए तैयार डेटा बनाने के लिए महत्वपूर्ण हैं। हालांकि, जब संगठन अपने कार्यप्रवाह में जेनएआई एजेंटों को पेश करते हैं, तो शासन चुनौती केवल डेटा से परे हो जाती है और पूरे उपयोगकर्ता इंटरैक्शन अनुभव को शामिल करती है जो एआई के साथ होता है।

हमें अब न केवल अंतर्निहित डेटा को शासित करने की आवश्यकता है, बल्कि उपयोगकर्ता डेटा के साथ एआई एजेंटों के माध्यम से इंटरैक्ट कैसे करते हैं, इस प्रक्रिया को भी शासित करने की आवश्यकता है। मौजूदा कानून, जैसे कि यूरोपीय संघ का एआई अधिनियम, और अधिक नियमों की ओर इशारा करते हैं कि प्रश्न-उत्तर प्रक्रिया को शासित करने की आवश्यकता है। इसका मतलब है कि एआई एजेंटों को पारदर्शी, समझने योग्य और ट्रेसेबल प्रतिक्रियाएं प्रदान करना सुनिश्चित करना। जब उपयोगकर्ता ब्लैक-बॉक्स उत्तर प्राप्त करते हैं – जैसे कि “कल कितने फ्लू रोगियों को भर्ती कराया गया?” और केवल “50” का उत्तर मिलता है बिना किसी संदर्भ के – तो उस जानकारी पर महत्वपूर्ण निर्णय लेने के लिए विश्वास करना मुश्किल है। डेटा का स्रोत, गणना का तरीका या शब्दों जैसे “प्रवेश” और “कल” की परिभाषा के बारे में जानकारी के बिना, एआई का आउटपुट विश्वसनीयता खो देता है।

दस्तावेजों के साथ इंटरैक्शन के विपरीत, जहां उपयोगकर्ता उत्तरों को विशिष्ट पीडीएफ या नीतियों तक वापस ले जा सकते हैं ताकि सटीकता की पुष्टि की जा सके, एआई एजेंटों के माध्यम से संरचित डेटा के साथ इंटरैक्शन अक्सर इस स्तर की ट्रेसेबिलिटी और समझने योग्यता का अभाव होता है। इन मुद्दों को संबोधित करने के लिए, संगठनों को ऐसे शासन उपायों को लागू करना होगा जो न केवल संवेदनशील डेटा की रक्षा करते हैं बल्कि एआई इंटरैक्शन अनुभव को भी शासित और विश्वसनीय बनाते हैं। इसमें विशिष्ट जानकारी तक पहुंच को सुनिश्चित करने के लिए मजबूत एक्सेस नियंत्रण स्थापित करना, डेटा स्वामित्व और स्टीवर्डशिप जिम्मेदारियों को परिभाषित करना, और यह सुनिश्चित करना शामिल है कि एआई एजेंट अपने आउटपुट के लिए स्पष्टीकरण और संदर्भ प्रदान करते हैं। शासन के दृष्टिकोण को इन विचारों को शामिल करने के लिए ओवरहॉल करके, उद्यम एआई एजेंटों की शक्ति का सुरक्षित रूप से दोहन कर सकते हैं और विकसित होते नियमों का पालन करते हुए उपयोगकर्ता विश्वास बनाए रख सकते हैं।

प्रॉम्प्ट इंजीनियरिंग से परे सोचना

जैसा कि संगठन डेटा की पहुंच में सुधार के प्रयास में जेनएआई एजेंटों को पेश करते हैं, प्रॉम्प्ट इंजीनियरिंग एक नई तकनीकी बाधा के रूप में उभरी है जो व्यावसायिक उपयोगकर्ताओं के लिए है। जबकि यह एक वादा करने वाला करियर पथ के रूप में प्रचारित किया जा रहा है, प्रॉम्प्ट इंजीनियरिंग मूल रूप से डेटा विश्लेषण में हमारे साथ संघर्ष किए जा रहे समान बाधाओं को पुनर्निर्माण कर रही है। एक आदर्श प्रॉम्प्ट बनाना विशेषज्ञ एसक्यूएल क्वेरी लिखने या डैशबोर्ड फिल्टर बनाने जैसा ही है – यह तकनीकी विशेषज्ञता को एक प्रारूप से दूसरे प्रारूप में स्थानांतरित कर रहा है, जिसे अधिकांश व्यावसायिक उपयोगकर्ताओं के पास नहीं होना चाहिए और नहीं होना चाहिए।

उद्यम लंबे समय से डेटा पहुंच को हल करने की कोशिश कर रहे हैं ताकि उपयोगकर्ताओं को डेटा प्रणालियों को बेहतर ढंग से समझने के लिए प्रशिक्षित किया जा सके, दस्तावेजीकरण विकसित किया जा सके और विशेषज्ञ भूमिकाएं बनाई जा सकें। लेकिन यह दृष्टिकोण विपरीत है – हम उपयोगकर्ताओं से डेटा के अनुकूल होने की अपेक्षा करते हैं, डेटा को उपयोगकर्ताओं के अनुकूल बनाने के बजाय। प्रॉम्प्ट इंजीनियरिंग इस पैटर्न को जारी रखने का खतरा है, जिससे तकनीकी मध्यस्थों की एक और परत बन जाती है।

वास्तविक डेटा लोकतंत्रीकरण के लिए प्रणालियों को व्यावसायिक भाषा को समझने की आवश्यकता है, न कि उपयोगकर्ताओं को डेटा भाषा को समझने की। जब कार्यकारी ग्राहक प्रतिधारण के बारे में पूछते हैं, तो उन्हें आदर्श शब्दावली या प्रॉम्प्ट की आवश्यकता नहीं होनी चाहिए। प्रणालियों को इरादे को समझना चाहिए, विभिन्न लेबल (चाहे यह “चर्न”, “प्रतिधारण” या “ग्राहक लाइफसाइकल” हो) के पार प्रासंगिक डेटा को पहचानना चाहिए और संदर्भ उत्तर प्रदान करना चाहिए। इससे व्यावसायिक उपयोगकर्ताओं को निर्णय पर ध्यान केंद्रित करने की अनुमति मिलती है, तकनीकी रूप से सही प्रश्न पूछने के बजाय।

निष्कर्ष

एआई एजेंट उद्यमों के संचालन और निर्णय लेने के तरीके में महत्वपूर्ण परिवर्तन लाएंगे, लेकिन वे अपने साथ एक अनोखा सेट चुनौतियां भी लाते हैं जिन्हें तैनाती से पहले संबोधित किया जाना चाहिए। एआई के साथ, प्रत्येक त्रुटि तब बढ़ जाती है जब गैर-तकनीकी उपयोगकर्ताओं के पास स्व-सेवा पहुंच होती है, जिससे यह सुनिश्चित करना महत्वपूर्ण हो जाता है कि नींव सही है।

वे संगठन जो डेटा गुणवत्ता, सेमांटिक संरेखण और शासन की मूलभूत चुनौतियों को संबोधित करते हैं और प्रॉम्प्ट इंजीनियरिंग की सीमाओं से परे जाते हैं, डेटा पहुंच और निर्णय लेने को सुरक्षित रूप से लोकतंत्रीकृत करने के लिए तैनात होंगे। सर्वोत्तम दृष्टिकोण में एक सहयोगी वातावरण बनाना शामिल है जो टीम वर्क को सुविधाजनक बनाता है और मानव-से-मशीन के साथ-साथ मशीन-से-मशीन इंटरैक्शन को संरेखित करता है। यह गारंटी देता है कि एआई से उत्पन्न अंतर्दृष्टि सटीक, सुरक्षित और विश्वसनीय हैं, जो एक संगठन-व्यापी संस्कृति को प्रोत्साहित करती है जो डेटा को उसकी पूरी क्षमता तक प्रबंधित, सुरक्षित और अधिकतम करती है।