आर्टिफ़िशियल इंटेलिजेंस के अधिक मॉडल्स से पहले, वाणिज्य में आर्टिफ़िशियल इंटेलिजेंस को एक इन्फ्रास्ट्रक्चर क्रांति की आवश्यकता है

वाणिज्य में आर्टिफ़िशियल इंटेलिजेंस का कार्यान्वयन एक उल्लेखनीय गति से आगे बढ़ रहा है। खुदरा में आर्टिफ़िशियल इंटेलिजेंस निवेश तेजी से तेज हो रहा है, जिसके साथ बाजार 2024 में 11.6 अरब डॉलर से 2030 तक 40 अरब डॉलर से अधिक तक बढ़ने की उम्मीद है।

इसी तरह, नए मॉडल तेजी से जारी किए जा रहे हैं, विक्रेता अपनी क्षमताओं का विस्तार कर रहे हैं, और खुदरा विक्रेताओं पर उनके बोर्ड और निवेशकों से दबाव बढ़ रहा है कि वे यह प्रदर्शित करें कि वे सक्रिय रूप से अपने संचालन में आर्टिफ़िशियल इंटेलिजेंस को एकीकृत कर रहे हैं।

सतह पर, यह एक ऐसे उद्योग की छाप पैदा करता है जो तेजी से और निर्णायक परिवर्तन से गुजर रहा है। लेकिन, इस गतिविधि के नीचे, इनमें से अधिकांश पहल उन प्रणालियों पर परतें हैं जो उन्हें समर्थन देने के लिए डिज़ाइन नहीं की गई हैं।

सीमा मॉडल की उपलब्धता या गुणवत्ता नहीं है। यह उन्हें नीचे की स्थिति है।

जब आर्टिफ़िशियल इंटेलिजेंस लागू किया जाता है, तो पहला बजट आर्टिफ़िशियल इंटेलिजेंस में नहीं जाना चाहिए। यह “डेटा ट्रस्ट” में जाना चाहिए, जो डेटा इन्फ्रास्ट्रक्चर है। यह प्रणालियों के बीच कनेक्शन, डेटा डिडुप्लिकेशन और रियल-टाइम अपडेट हैं।

इसे करने में विफल रहना यही कारण है कि वाणिज्य में आर्टिफ़िशियल इंटेलिजेंस विफल होता है, और इतने सारे प्रयासों को गति के साथ शुरू किया जाता है लेकिन स्थायी प्रभाव में अनुवाद करने के लिए संघर्ष करते हैं। आर्टिफ़िशियल इंटेलिजेंस को सफलतापूर्वक लागू करने के लिए, हमें इन्फ्रास्ट्रक्चर से शुरू करने की आवश्यकता है।

इसके विपरीत, वाणिज्य में, बातचीत खुद मॉडल चुनने या उच्च-संभावना उपयोग के मामलों की पहचान पर ध्यान केंद्रित करते हुए एक परत ऊपर शुरू होती है। जो बहुत कम ध्यान प्राप्त करता है वह यह है कि क्या अंतर्निहित डेटा वास्तुकला इन निर्णयों को किसी भी तरह से समर्थन कर सकती है।

यदि अंतर्निहित डेटा खंडित है, तो आर्टिफ़िशियल इंटेलिजेंस केवल आउटपुट उत्पन्न करेगा जो वास्तव में हानिकारक या भ्रामक हो सकता है।

बड़े संगठनों में, यह प्रवृत्ति प्रगति की संकेत देने की आवश्यकता से मजबूत होती है। “आर्टिफ़िशियल इंटेलिजेंस के साथ कुछ करना” एक उद्देश्य बन जाता है, और एक मॉडल पेश करना अक्सर इसे प्राप्त करने का सबसे तात्कालिक तरीका है, चाहे वह मापनीय मूल्य उत्पन्न करता हो या नहीं।

बोर्ड स्तर पर, आर्टिफ़िशियल इंटेलिजेंस के चारों ओर अपेक्षाएं तेजी से व्यक्तिगतीकरण और दक्षता और मार्जिन में मापनीय लाभ के रूप में तेज हो रही हैं। सिस्टम स्तर पर, तैयारी अपेक्षाओं के साथ तालमेल नहीं रख रही है। यह अंतर जितना लंबा रहता है, उतना ही इसे ठीक करने में महंगा होता है, क्योंकि प्रौद्योगिकी की परतें नींव पर जोड़ी जाती हैं जो अपरिवर्तित रहती हैं।

व्यावहारिक रूप से “आर्टिफ़िशियल इंटेलिजेंस के लिए तैयार नहीं” क्या दिखता है

एक मुख्य मुद्दा प्रणालियों में एकता की कमी है। उदाहरण के लिए, एक एकल ग्राहक एक एर्पी प्लेटफ़ॉर्म, एक ई-कॉमर्स वातावरण और एक ऑफ़लाइन या वफादारी प्रणाली में एक साथ मौजूद हो सकता है, प्रत्येक उदाहरण अलग-अलग इतिहास और धारणाओं को ले जा रहा है।

उत्पाद डेटा, तकनीकी रूप से पूर्ण होने के बावजूद, संदर्भ प्रदान करने के मामले में सीमित है जो एक मॉडल को प्रभावी ढंग से व्याख्या करने या तर्क करने की अनुमति देगा। खराब डेटा गुणवत्ता अकेले संगठनों को प्रति वर्ष लगभग 13 मिलियन डॉलर की लागत से अनुमानित है, जो यह दर्शाता है कि ये प्रतिबंध कितने मौलिक हो गए हैं।

मानव टीमें समय के साथ इन असंगतताओं को नेविगेट करना सीखती हैं, प्रणालियों के बीच अनौपचारिक पुल बनाती हैं। एक मॉडल, इसके विपरीत, केवल उस संरचना के भीतर काम करता है जो यह दिया गया है, और यह जो आउटपुट उत्पन्न करता है वह उसी के अनुसार सीमित होता है।

जब इस वातावरण में आर्टिफ़िशियल इंटेलिजेंस पेश किया जाता है, तो परिणाम आउटपुट की कमी नहीं है, बल्कि इसकी गुणवत्ता में एक क्रमिक गिरावट है।

एक मॉडल डेटा को संसाधित कर सकता है और आउटपुट उत्पन्न कर सकता है, लेकिन यह सिस्टम को अपने आप जोड़ नहीं सकता है।

व्यावहारिक रूप से, यह एक व्यक्तिगतीकरण इंजन के रूप में दिखाई दे सकता है जो उच्च विशिष्ट उत्पाद सिफारिशें प्रदान करना शुरू कर देता है जो एक ग्राहक को ऐसे तरीकों से वर्गीकृत करता है जो उनकी वास्तविक पसंद या इरादे को प्रतिबिंबित नहीं करते हैं।

आर्टिफ़िशियल इंटेलिजेंस-संचालित प्रणालियों में, ग्राहक अनुभव अक्सर अधिक सटीक लेकिन कम प्रासंगिक हो जाते हैं।

यह सामान्य प्रासंगिकता से विशिष्ट अप्रासंगिकता में परिवर्तन अधिक हानिकारक हो सकता है जितना कि यह प्रतीत होता है, क्योंकि यह ब्रांड को स्वयं कैसे ग्राहकों की धारणा को बदलता है। सबसे खराब मामलों में, ये प्रणालियां केवल कम प्रदर्शन नहीं करती हैं। वे सक्रिय रूप से ग्राहक अनुभव को खराब करते हैं।

क्यों अधिकांश आर्टिफ़िशियल इंटेलिजेंस पायलट विफल होते हैं, और इसकी लागत क्या है

यह गतिविधि वाणिज्य में आर्टिफ़िशियल इंटेलिजेंस पायलट के एक बड़े हिस्से को प्रयोग से परे आगे बढ़ने में विफल होने का एक प्राथमिक कारण है। उद्योग डेटा सुझाव देता है कि केवल आर्टिफ़िशियल इंटेलिजेंस पहल का लगभग आधा हिस्सा पायलट से उत्पादन तक पहुंचता है, एक महत्वपूर्ण अनुपात को प्रयोग चरण में अवरुद्ध छोड़ देता है।

मुद्दा अक्सर निवेश या इरादे की अनुपस्थिति नहीं है। प्रतिबंध तब उत्पन्न होता है जब इन प्रणालियों द्वारा उत्पन्न आउटपुट स्केलिंग को सही ठहराने में विफल रहते हैं।

उस बिंदु पर, संगठनों को या तो अनुकूलन में निवेश जारी रखने या पहल को पूरी तरह से छोड़ने के बीच चुनना पड़ता है। कई मामलों में, वे बाद वाले को चुनते हैं क्योंकि जिस वातावरण में यह तैनात किया जा रहा है वह निरंतर परिणामों का समर्थन नहीं कर सकता है।

उद्योग भर में, इन्फ्रास्ट्रक्चर अंतराल खुद को दोहराते हैं। ग्राहक डेटा खंडित रहता है, एकीकृत नहीं। उत्पाद जानकारी मौजूद है, लेकिन व्याख्या के लिए आवश्यक गहराई की कमी है। प्रणालियां समानांतर में काम करती हैं, एक एकल, सुसंगत जानकारी प्रवाह के रूप में नहीं। जब इन प्रणालियों में मॉडल पेश किए जाते हैं, तो वे इन समस्याओं को बढ़ाते हैं।

इस दृष्टिकोण की लागत सीधे व्यय से परे है। यह अनुशंसाओं के रूप में प्रकट होता है जो परिवर्तित नहीं होती हैं, व्यक्तिगतीकरण जो असंगत महसूस करता है, और स्वचालन जो मौजूदा त्रुटियों को बढ़ाता है।

समय के साथ, यह संगठन के भीतर विश्वास का एक सूक्ष्म लेकिन महत्वपूर्ण क्षरण उत्पन्न करता है। टीमें उन प्रणालियों की विश्वसनीयता पर सवाल उठाने लगती हैं जिन्हें वे बना रहे हैं, और प्रतिस्थापन के प्रयास में अधिक परतें प्रौद्योगिकी पेश की जाती हैं। परिणाम यह है कि उन प्रणालियों का निर्माण करने के लिए आवश्यक स्पष्टता तक पहुंचने में देरी होती है जो काम करती हैं।

क्योंकि कई कंपनियां आर्टिफ़िशियल इंटेलिजेंस पायलट बनाती हैं लेकिन उनसे परे नहीं जाती हैं, क्योंकि वे कमजोर नींव पर इन पायलटों का निर्माण कर रही हैं, जो खराब सामग्री के साथ खाना पकाने की तरह है।

आपके पास गॉर्डन रामसे की रेसिपी और उत्कृष्ट उपकरण हो सकते हैं, लेकिन यदि सामग्री खराब है, तो परिणाम अभी भी नकारात्मक होगा।

स्टार्टअप्स और बड़े निगमों के बीच अंतर

छोटे संगठन, विशेष रूप से मध्य-बाजार श्रेणी में, अक्सर आर्टिफ़िशियल इंटेलिजेंस को प्रभावी ढंग से लागू करने की अधिक क्षमता प्रदर्शित करते हैं। यह इसलिए है क्योंकि उनकी प्रणालियां कम खंडित हैं और उनकी निर्णय लेने की प्रक्रियाएं अधिक直接 हैं।

बड़े संगठनों में, संरचना स्वयं संभावित बाधाओं को पेश करती है। पहल अक्सर बाहरी अपेक्षाओं का जवाब देने की आवश्यकता से चलाई जाती है, और आर्टिफ़िशियल इंटेलिजेंस एक श्रेणी बन जाती है जिसे संबोधित किया जाना चाहिए, न कि एक क्षमता जो सावधानी से एकीकृत होती है।

“हम आर्टिफ़िशियल इंटेलिजेंस लागू करना चाहते हैं” कहना एक फैक्ट्री में बिजली लाने जैसा है जिसमें मशीनें नहीं हैं। लाइटें चालू हो जाती हैं, लेकिन उत्पादन में सुधार नहीं होता है, क्योंकि आपने यह जाने बिना प्रौद्योगिकी में निवेश किया कि यह वास्तव में क्या करेगा।

मॉडल से इन्फ्रास्ट्रक्चर में परिवर्तन

एक वैकल्पिक दृष्टिकोण उन संगठनों के बीच आकार ले रहा है जिन्होंने इन सीमाओं का सामना直接 किया है।

आर्टिफ़िशियल इंटेलिजेंस मॉडल में प्रारंभिक बजट आवंटित करने के बजाय, वे “डेटा ट्रस्ट” में निवेश कर रहे हैं, जो एक ऐसा आधार बनाने की प्रक्रिया है जहां डेटा सुसंगत, जुड़ा हुआ और निरंतर अद्यतन किया जाता है। उद्देश्य यह सुनिश्चित करना है कि उपयोग किए जा रहे डेटा से अर्थपूर्ण निर्णय लिए जा सकते हैं।

मशीन लर्निंग परियोजनाओं पर खर्च किए गए समय का 80% तक डेटा तैयारी में जा सकता है, जो यह दर्शाता है कि कितना काम अंतर्निहित डेटा परत में है, न कि स्वयं मॉडल में।

यह प्रक्रिया आमतौर पर मौजूदा प्रणालियों और डेटा प्रवाह और अखंडता में अंतर की पहचान के साथ शुरू होती है। पहले 30 से 60 दिन अक्सर संगठन में जानकारी कैसे चलती है या चलती नहीं है, इसे समझने के लिए समर्पित होते हैं। इसके बाद एक एकीकरण और मानकीकरण की अवधि होती है, जिसमें डेटा को साफ किया जाता है, डिडुप्लिकेट किया जाता है और प्लेटफ़ॉर्म पर संरेखित किया जाता है।

अगले तीन से छह महीनों में, कंपनियां विश्वसनीय डेटा पाइपलाइन बनाने और उच्च-मूल्य वाली प्रणालियों को जोड़ने पर ध्यान केंद्रित करती हैं जो वास्तविक उपयोग के मामलों का समर्थन करती हैं। केवल तभी जब यह नींव स्थापित हो जाती है, तो आर्टिफ़िशियल इंटेलिजेंस को उन कार्य प्रवाह में पेश करना संभव हो जाता है जो निरंतर, मापनीय परिणाम उत्पन्न कर सकते हैं।

छह से नौ महीने की समय सीमा के भीतर, जो संगठन इस दृष्टिकोण का पालन करते हैं वे आमतौर पर रूपांतरण, प्रतिधारण और मार्जिन सुधार जैसे मेट्रिक्स में आर्टिफ़िशियल इंटेलिजेंस-संचालित प्रक्रियाओं के रूप में महत्वपूर्ण परिणाम देखना शुरू कर देते हैं। उस बिंदु पर, मॉडल प्रयोगों के रूप में नहीं रह जाते हैं और संचालन का हिस्सा बन जाते हैं। उनका प्रदर्शन स्थिर हो जाता है और उनके आउटपुट कार्रवाई योग्य हो जाते हैं ताकि टीमें उन पर भरोसा करना शुरू कर सकें।

वाणिज्य में आर्टिफ़िशियल इंटेलिजेंस निवेश का त्वरण निकट भविष्य में धीमा होने की संभावना नहीं है। जो अनिश्चित रहता है वह यह है कि क्या इन्फ्रास्ट्रक्चर तैयारी इसे समर्थन करने में सक्षम होगी या नहीं। उत्पादन तक पहुंचने में विफल होने वाले पायलट की बढ़ती संख्या में दिखाई देने वाला आर्टिफ़िशियल इंटेलिजेंस द्वारा वितरित की जाने वाली अपेक्षाओं और सिस्टम द्वारा समर्थित की जाने वाली चीजों के बीच का अंतर Already दिखाई दे रहा है। इस अंतर को संबोधित करने के लिए इन्फ्रास्ट्रक्चर पर ध्यान केंद्रित करने की आवश्यकता है।

मॉडल से इन्फ्रास्ट्रक्चर में बातचीत को स्थानांतरित करना तात्कालिकता या दृश्यता के समान स्तर को ले जाने में विफल रहता है। लेकिन यह वह जगह है जहां कई वर्तमान प्रतिबंध निवास करते हैं। और यह वहीं है जहां आर्टिफ़िशियल इंटेलिजेंस-संचालित वाणिज्य में अगले चरण की महत्वपूर्ण प्रगति के उभरने की संभावना है।