आर्टिफ़िशियल इंटेलिजेंस के लिए वाणिज्य में बुनियादी ढांचे की 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 बढ़ रहा है, जिसके साथ बाजार 2024 में 11.6 अरब डॉलर से 2030 तक 40 अरब डॉलर से अधिक होने 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 अपने निदेशक मंडल और निवेशकों से यह प्रदर्शित करने के लिए बढ़ता दबाव है कि वे सक्रिय रूप से अपने संचालन में आर्टिफ़िशियल इंटेलिजेंस को एकीकृत कर रहे हैं।

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

सीमा मॉडल की उपलब्धता या गुणवत्ता नहीं है। यह उनके नीचे के बुनियादी ढांचे 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 सिस्टम के बीच कनेक्शन, डेटा डीडुप्लिकेशन और रियल-टाइम अपडेट हैं।

इसे करने में विफल रहना ही आर्टिफ़िशियल इंटेलिजेंस की विफलता का कारण है और इतने सारे प्रयासों को गति से शुरू करने के लिए क्यों संघर्ष होता है लेकिन स्थायी प्रभाव में अनुवाद करने में असमर्थ हैं। आर्टिफ़िशियल इंटेलिजेंस को सफलतापूर्वक लागू करने के लिए, हमें बुनियादी ढांचे से शुरू करना होगा।

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

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

बड़े संगठनों में, इस प्रवृत्ति को प्रगति की आवश्यकता से मजबूत किया जाता है। “आर्टिफ़िशियल इंटेलिजेंस के साथ कुछ करना” एक लक्ष्य बन जाता है, और अक्सर एक मॉडल पेश करना सबसे तेज़ तरीका होता है, चाहे वह मापनीय मूल्य उत्पन्न करता हो या नहीं।

निदेशक मंडल के स्तर पर, आर्टिफ़िशियल इंटेलिजेंस के बारे में अपेक्षाएं बेहतर व्यक्तिगतीकरण और दक्षता और मार्जिन में मापनीय लाभ के रूप में तेजी से बढ़ रही हैं। सिस्टम स्तर पर, तैयारी अपेक्षाओं के साथ तालमेल नहीं रख रही है। यह अंतर जितना लंबा रहता है, उतना ही इसे ठीक करना महंगा होता जाता है, क्योंकि तकनीक की परतें जोड़ी जाती हैं जो नींव पर बनी रहती हैं जो अपरिवर्तित रहती हैं।

व्यवहार में “आर्टिफ़िशियल इंटेलिजेंस के लिए तैयार नहीं” क्या दिखता है

एक मुख्य मुद्दा प्रणालियों में एकता की कमी है। उदाहरण के लिए, एक ही ग्राहक एक ही समय में एक एर्पी प्लेटफ़ॉर्म, एक ई-कॉमर्स वातावरण और एक ऑफ़लाइन या वफ़ादारी प्रणाली में 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 इसके बारे में व्याख्या या तर्क करने की अनुमति देगा। खराब डेटा गुणवत्ता अकेले ही संगठनों को लगभग 13 मिलियन डॉलर की लागत से प्रभावित करती है, जो यह दर्शाती है कि ये प्रतिबंध कितने मौलिक हो गए हैं।

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

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

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

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

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 नुकसानदायक हो सकता है, क्योंकि यह ब्रांड को स्वयं कैसे देखता है इसे बदल देता है। सबसे खराब स्थिति में, ये प्रणालियां केवल खराब 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 के विफल होने का एक प्राथमिक कारण है। उद्योग के आंकड़े सुझाव देते हैं कि केवल लगभग आधे आर्टिफ़िशियल इंटेलिजेंस पहल विकास के लिए पायलट से आगे बढ़ते हैं, जिससे एक महत्वपूर्ण हिस्सा प्रयोग के चरण में फंस जाता 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 ऑप्टिमाइजेशन में निवेश जारी रखने या पहल को पूरी तरह से छोड़ने के बीच चयन करना होगा। कई मामलों में, वे बाद वाले का चयन करते हैं क्योंकि जिस वातावरण में यह तैनात किया जा रहा है वह निरंतर परिणामों का समर्थन नहीं कर सकता है।

उद्योग भर में, एक ही बुनियादी ढांचे के 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। सिस्टम समानांतर में काम करते हैं, एक एकल, सुसंगत जानकारी प्रवाह के बजाय। जब मॉडल इस वातावरण में पेश किए जाते हैं, तो वे इन समस्याओं को बढ़ाते हैं।

इस दृष्टिकोण की लागत सीधे खर्चों से परे है। यह रूपांतरण में विफल होने वाली सिफारिशों के सिस्टम-व्यापी संचय के रूप में प्रकट होता है, जो व्यक्तिगतीकरण महसूस करता है जो असंगत है, और स्वचालन जो मौजूदा त्रुटियों को बढ़ाता है।

समय के साथ, यह संगठन के भीतर विश्वास के एक सूक्ष्म लेकिन महत्वपूर्ण क्षरण का कारण बनता है। टीमें उन प्रणालियों की विश्वसनीयता पर सवाल उठाना शुरू कर देती हैं जिन्हें वे बना रहे हैं, और अधिक परतें पेश की जाती हैं ताकि मौजूदा त्रुटियों को सुधारने का प्रयास किया जा सके। परिणाम यह होता है कि यह देखने में देरी होती है कि क्या सिस्टम काम कर रहे हैं।

क्योंकि कई कंपनियां आर्टिफ़िशियल इंटेलिजेंस पायलट बनाती हैं लेकिन उनसे आगे नहीं बढ़ती हैं, क्योंकि वे कमजोर नींव पर बनाई जा रही हैं, जो खराब सामग्री के साथ खाना पकाने की तरह है।

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

स्टार्टअप और बड़े निगमों के बीच अंतर

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

“हम आर्टिफ़िशियल इंटेलिजेंस लागू करना चाहते हैं” कहना एक फैक्ट्री में बिजली लाने जैसा है जहां कोई मशीन नहीं है। लाइटें चालू हो जाती हैं, लेकिन उत्पादन में सुधार नहीं होता है, क्योंकि आपने तकनीक में निवेश किया है जो वास्तव में क्या करेगी यह जाने बिना।

मॉडल से बुनियादी ढांचे तक का परिवर्तन

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

डेटा तैयारी मशीन लर्निंग परियोजनाओं पर बिताए गए समय का 80% हो सकती है, जो यह दर्शाती है कि कितना काम मॉडल के बजाय अंतर्निहित डेटा परत में बैठता है।

यह प्रक्रिया आमतौर पर मौजूदा प्रणालियों और डेटा प्रवाह और अखंडता में अंतराल की विस्तृत मैपिंग के साथ शुरू होती है। पहले 30 से 60 दिन अक्सर संगठन भर में जानकारी कैसे चलती है या चलती नहीं है, इसे समझने के लिए समर्पित होते हैं। इसके बाद एकीकरण और मानकीकरण का एक चरण होता है, जिसके दौरान डेटा को साफ, डीडुप्लिकेट और प्लेटफ़ॉर्म भर में संरेखित किया जाता है।

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

छह से नौ महीनों की समय सीमा के भीतर, जो संगठन इस दृष्टिकोण का पालन करते हैं वे आमतौर पर रूपांतरण, प्रतिधारण और मार्जिन में सुधार जैसे मेट्रिक्स को प्रभावित करने वाली आर्टिफ़िशियल इंटेलिजेंस-संचालित प्रक्रियाओं में महत्वपूर्ण परिणाम देखना शुरू कर देते हैं। उस बिंदु पर, मॉडल प्रयोगों के बजाय 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 की तेजी से वृद्धि निकट भविष्य में धीमी होने की संभावना नहीं है। जो अनिश्चित है वह यह है कि क्या बुनियादी ढांचे की तैयारी इसे समर्थन देने में सक्षम होगी या नहीं। जो अंतर संगठनों द्वारा आर्टिफ़िशियल इंटेलिजेंस से क्या उम्मीद की जाती है और उनकी प्रणालियां क्या समर्थन दे सकती हैं, वह पहले से ही पायलट की बढ़ती संख्या में दिखाई दे रहा है जो उत्पादन तक नहीं पहुंचते हैं। इस अंतर को संबोधित करने के लिए बुनियादी ढांचे के निर्माण पर ध्यान केंद्रित करने की आवश्यकता है।

मॉडल से बुनियादी ढांचे तक बातचीत को स्थानांतरित करना उतनी तात्कालिकता या दृश्यता नहीं लाता है। लेकिन यह वह जगह है जहां कई वर्तमान प्रतिबंध निवास करते हैं। और यह वह जगह है जहां आर्टिफ़िशियल इंटेलिजेंस-संचालित वाणिज्य में अगले चरण की महत्वपूर्ण प्रगति के उभरने की संभावना है।