एजेंटिक कॉमर्स पुरानी एंटरप्राइज डेटा गलती को दोहरा रहा है

लंबे समय से, बी2बी कॉमर्स एक सरल धारणा के तहत काम करता था: मानव ब्राउज़ करते हैं।

वे उत्पाद पृष्ठ पढ़ते हैं, विशिष्टता पत्रक को स्किम करते हैं, और अस्पष्ट भाषा को सहन करते हैं क्योंकि वे जानते हैं कि अनुवर्ती प्रश्न कैसे पूछना है। जब कुछ अस्पष्ट होता है, तो वे एक बिक्री प्रतिनिधि को ईमेल करते हैं। जब एक नियम एक पाद लेख में दफन होता है, तो अनुभव अंतर को भर देता है।

बी2बी उत्पाद डेटा पूरी तरह से उस व्यवहार के आसपास विकसित हुआ। इसे अपने आप खड़ा नहीं होना पड़ा; इसे केवल मानव द्वारा व्याख्या योग्य होना था। एआई के साथ, वह धारणा अब लागू नहीं होती है।

हम एंटरप्राइज डेटा के साथ पहले यहां रहे हैं

अगर यह परिचित लगता है, तो यह होना चाहिए। एक दशक पहले, उद्यम एक बहुत ही समान बातचीत कर रहे थे डेटा के बारे में। गोदाम भरे हुए थे, डेटा झीलें ओवरफ्लो हो रही थीं, और अंततः हर प्रणाली कुछ निर्यात कर रही थी। कागज पर, कंपनियां डेटा से भरी हुई थीं। अभ्यास में, कुछ भी तेजी से नहीं चलता था क्योंकि व्यवसाय उपयोगकर्ता विश्लेषकों के अनुवादकों के बिना बुनियादी प्रश्नों का उत्तर नहीं दे सकते थे। एसक्यूएल एक गला घोंटने वाला बिंदु बन गया।

एंटरप्राइज डेटा प्रणालियों द्वारा जानकारी को कैसे संग्रहीत किया जाता है, इसके आसपास आयोजित किया गया था, न कि लोग व्यवसाय के बारे में कैसे तर्क देते हैं। पंक्तियाँ और स्तंभ मौजूद थे, लेकिन अवधारणाएँ नहीं थीं। राजस्व तीन तालिकाओं में रहता था। “ग्राहक” का अर्थ पांच अलग-अलग चीजें थीं जो आपसे पूछते थे और कब। मीट्रिक्स को अंतहीन रूप से बहस किया गया क्योंकि किसी ने उन्हें स्पष्ट रूप से परिभाषित नहीं किया था।

एंटरप्राइज डेटा में सफलता जटिलता को स्वीकार करने और उसे नियंत्रित करने से मिली। सेमेंटिक परतें एक उदाहरण हैं, लेकिन वे एक व्यापक बदलाव का हिस्सा थीं। उद्यमों ने रॉ डेटा को डिफ़ॉल्ट रूप से उपयोग करने योग्य होने का दावा करना बंद कर दिया और व्यावसायिक रूप से वास्तव में सोचते और संचालित होने के तरीके से मेल खाने वाली अनुवाद परतें बनाना शुरू कर दिया।

मीट्रिक मॉडल ने यह करके ऐसा किया कि उन्होंने एक बार गणना को परिभाषित किया, न कि हर रिपोर्ट में इसे फिर से प्राप्त किया। राजस्व का अर्थ हर जगह एक ही था क्योंकि किसी ने इसे एनकोड करने के लिए समय लिया था। डेटा मॉडल और आयामी योजनाएं इसी तरह से संरचनात्मक रूप से ऐसा किया। उन्होंने ऑपरेशनल तालिकाओं को ग्राहक, उत्पाद, आदेश और समय जैसी अवधारणाओं में बदल दिया। व्यवसाय उपयोगकर्ताओं को अब यह जानने की जरूरत नहीं थी कि एक बुनियादी प्रश्न का उत्तर देने के लिए कितने जोड़ की आवश्यकता थी। संबंध पहले से ही वहां थे।

डेटा कैटलॉग और शासित परिभाषाएं समस्या के एक अन्य हिस्से को संभाला। उन्होंने लोगों के सिर में रहने वाले अर्थ को पकड़ लिया। यह फील्ड क्या दर्शाता है? जब इसका उपयोग किया जाना चाहिए? इसकी सीमाएं क्या हैं? संदर्भ आदिवासी ज्ञान बंद हो गया और प्रणाली का हिस्सा बन गया।

एक साथ, इन परतों ने जटिलता को अवशोषित किया और इसे संचालित किया। उन्होंने स्थिर स abstracts बनाए जो अधिक लोगों और अधिक प्रणालियों को बिना किसी पुनर्व्याख्या के सही तरीके से तर्क देने की अनुमति देते हैं। यह ठीक वही है जो आज बी2बी कॉमर्स में कमी है।

एजेंट-लेड डिस्कवरी उसी तरह के परिणाम को ट्रिगर कर रहा है

एजेंटिक कॉमर्स बी2बी उत्पाद डेटा को उसी परीक्षण से गुजरना कर रहा है। निर्माता और वितरक उत्पाद जानकारी से कम नहीं हैं। वे पहले से ही इसकी बड़ी मात्रा में संग्रहीत करते हैं: विशिष्टताओं से लेकर कॉन्फ़िगरेशन तक, मूल्य निर्धारण तर्क से लेकर अनुबंध प्रतिबंधों तक।

समस्या यह है कि लगभग सभी डेटा मानवों के लिए संरचित किया गया था। विशिष्टताएं पीडीएफ में रहती हैं। नियम एक भौतिक उत्पाद कैटलॉग में समझाए जाते हैं जो कभी ऑनलाइन नहीं आया। अपवाद एक बैक-ऑफिस बिक्री प्रक्रिया में निहित हैं, न कि एन्कोडेड। संस्थागत स्मृति पर बहुत कुछ निर्भर करता है जब संदर्भ बिक्री टीमों के सिर में रहता है।

एक एआई एजेंट पीडीएफ को स्किम नहीं करता है और “विचार” प्राप्त नहीं करता है। यह नहीं जानता कि कौन सा वाक्य एक कठिन प्रतिबंध है और कौन सा बिक्री भाषा है। यह सुरक्षित रूप से नियमों को प्रारूप या स्वर से अनुमान नहीं लगा सकता। यदि अर्थ स्पष्ट नहीं है, तो एजेंट इसे अज्ञात के रूप में मानता है।

यह असंरचित डेटा के बारे में नहीं है जो खराब है

यह स्पष्ट करना महत्वपूर्ण है कि असंरचित डेटा दुश्मन नहीं है। यह कभी नहीं था।

एंटरप्राइज विश्लेषण में, असंरचित डेटा सेमेंटिक परतें दिखाई देने पर गायब नहीं हुआ। इसे संरचना पर परत किया गया। संरचना ने नियमों और संबंधों को संभाला। असंरचित सामग्री ने सूक्ष्मता, व्याख्या, और संदर्भ को संभाला।

यही पैटर्न यहां लागू होता है।

एजेंटों को तर्क देने के लिए संरचना की आवश्यकता है। उन्हें स्पष्ट नियम, संबंध, प्रतिबंध, और स्थितियों की आवश्यकता है। उन्हें यह जानने की आवश्यकता है कि क्या संगत है, क्या कॉन्फ़िगर किया जा सकता है, क्या अनुमति है, और किन परिस्थितियों में कुछ लागू होता है। असंरचित सामग्री अकेले उसे विश्वसनीय रूप से प्रदान नहीं कर सकती है।

लेकिन संरचना अकेले पर्याप्त नहीं है। एजेंट केवल विशेषताओं को पुनर्प्राप्त नहीं करते हैं। वे विकल्पों की तुलना करते हैं। वे व्यापार-बंद करते हैं। वे तय करते हैं कि कुछ क्या है और कब इसकी सिफारिश की जानी चाहिए।

व्याख्या वह परत है जो इरादे, स्थिति, और उपयोग के मामलों को समझाती है। यह “यह उत्पाद मौजूद है” और “यह तब चुनना चाहिए जब” के बीच का अंतर है। एंटरप्राइज डेटा दुनिया में, यह परिभाषाओं, दस्तावेज़, और व्यवसाय संदर्भ के रूप में दिखाई दिया। यहाँ, यह उत्पाद-स्तर की व्याख्या के रूप में दिखाई देता है जिसे एजेंट सीख सकते हैं। जबकि संरचित उत्पाद डेटा एजेंट को बताता है कि क्या सच है, व्याख्या उसे तय करने में मदद करती है कि क्या महत्वपूर्ण है।

कॉमर्स प्रस्तुति के लिए, तर्क के लिए अनुकूलित नहीं किया गया है

यह असहज हिस्सा है। कॉमर्स इन्फ्रास्ट्रक्चर ने वास्तव में एंटरप्राइज डेटा की तरह छलांग नहीं लगाई। हमने बेहतर पीआईएम बनाए। हमने समृद्ध कैटलॉग बनाए। हमने सुंदर उत्पाद पृष्ठ बनाए। लेकिन हमने वास्तविक सेमेंटिक परत उत्पादों के लिए नहीं बनाई; हमने प्रस्तुति के लिए अनुकूलित किया।

जितने समय तक मानव मध्यस्थ बी2बी खरीदारी को, वह ठीक था। बिक्री प्रतिनिधि एज के मामलों की व्याख्या करते थे। खरीदार अस्पष्टता को सहन करते थे, और हर कोई जानता था कि प्रणाली के चारों ओर कैसे काम किया जाए।

एजेंट उस बफर को हटा देते हैं। बी2बी में, दरारें तुरंत दिखाई देती हैं। मूल्य खाते द्वारा भिन्न होते हैं। उपलब्धता क्षेत्र द्वारा बदलती है। संगतता कॉन्फ़िगरेशन पर निर्भर करती है। अनुबंध डिफ़ॉल्ट को ओवरराइड करते हैं। हकदारी महत्वपूर्ण हैं। इनमें से कोई भी सुरक्षित रूप से अनुमान नहीं लगाया जा सकता है।

जब एक एजेंट उत्पाद का मूल्यांकन करता है, तो यह एक अच्छी तरह से लिखे गए विवरण से प्रभावित नहीं होता है। यह जानना चाहता है कि क्या फिट बैठता है, क्या अनुमति है, क्या संगत है, और आगे क्या होता है। यदि वह जानकारी स्पष्ट नहीं है, तो एजेंट स्पष्टीकरण के लिए नहीं पूछता; यह बस आगे बढ़ जाता है।

कॉमर्स कंपनियों को अब क्या करने की आवश्यकता है

यह बदलाव का बिंदु है। कॉमर्स कंपनियां उत्पाद डेटा को मानवों द्वारा व्याख्या की जाने वाली सामग्री के रूप में मान सकती हैं। या वे इसे मशीनों द्वारा तर्क देने के लिए बुनियादी ढांचे के रूप में मानना शुरू कर सकती हैं।

इसका मतलब है कि विशिष्टताओं को परिभाषित अर्थ के साथ विशेषताओं में बदलने की आवश्यकता है। संगतता को संबंधों के रूप में एन्कोड किया जाना चाहिए, न कि अनुच्छेदों में समझाया जाना चाहिए। मूल्य निर्धारण को तर्क के रूप में व्यक्त किया जाना चाहिए। हकदारी को स्पष्ट रूप से व्यक्त किया जाना चाहिए। उपलब्धता को स्थिति और सटीक होना चाहिए।

यह ठीक वही कदम है जो उद्यमों को विश्लेषण के साथ करना था। जब रॉ डेटा और तालिकाएं पर्याप्त नहीं थीं, तो अर्थ को परिभाषित करना था। और एक बार जब संरचित कोर मौजूद है, तो व्याख्या एकमात्र सत्य के लिए एआई के लिए नहीं रहती है और एजेंटों को वास्तविक स्थितियों में उस सत्य को लागू करने के लिए सिखाने वाली परत बन जाती है।

निर्माता और वितरक जो ऐसा करते हैं वे एजेंटों के लिए स्पष्ट हो जाएंगे। उनके उत्पादों का मूल्यांकन करना आसान होगा, सिफारिश करना आसान होगा, और विश्वास करना आसान होगा। जो लोग ऐसा नहीं करते हैं वे अभी भी “डेटा” रखेंगे, लेकिन यह पुराने उद्यम गोदामों की तरह काम करेगा: तकनीकी रूप से मौजूद, लेकिन व्यावहारिक रूप से अनुपयोगी।

पैटर्न पुराना है, लेकिन परिणाम नहीं हैं

कुछ भी अनुमानित नहीं है। हमने पहले ही उद्यम डेटा को इसी चक्र से गुजरते हुए देखा है। एकमात्र अंतर अब उपयोगकर्ता है। व्यवसाय विश्लेषकों के बजाय, यह स्वायत्त एजेंट हैं। डैशबोर्ड के बजाय, यह सिफारिशें हैं। धीमी निर्णय लेने के बजाय, यह तुरंत बहिष्कार है।

एजेंटिक कॉमर्स एक दशक पुरानी एंटरप्राइज डेटा समस्या को उजागर कर रहा है। कंपनियां जो यह पहचानती हैं – और उत्पाद डेटा को उसी तरह से मानती हैं जैसे उद्यमों ने परिचालन डेटा को संभाला – जल्दी से अनुकूलन करेंगी। जो लोग ऐसा नहीं करते हैं वे पीडीएफ जोड़ना, विवरण पुनः लिखना, और आश्चर्य करते रहेंगे कि एजेंट उन्हें कभी क्यों नहीं चुनते हैं।

इतिहास खुद को दोहरा रहा है। इस बार, मशीनें ध्यान दे रही हैं।