एआई पहलों को परफेक्ट डेटा की जरूरत नहीं है: एंटरप्राइज एआई पर एक व्यावहारिक दृष्टिकोण

एंटरप्राइज एआई बाजार 2030 तक $204 बिलियन तक पहुंच जाएगा। 92% संगठन अगले तीन वर्षों में अपने एआई निवेश में वृद्धि करने की योजना बना रहे हैं। लेकिन एमआईटी शोध से पता चलता है कि 90% एआई परियोजनाएं पायलट चरण से आगे नहीं बढ़ पाती हैं। और मुख्य कारण मॉडल की जटिलता नहीं है, बल्कि डेटा की गुणवत्ता है।

बोर्डरूम में चैटजीपीटी बनाम क्लाउड की चर्चा हो रही है। वे गलत सवाल पूछ रहे हैं। असली मुद्दा यह है कि संगठन के डेटा को क्या किसी भी एआई लागू करने के लिए तैयार है। अधिकांश कंपनियां टूटे हुए, असंगत, संदर्भ से वंचित डेटा फाउंडेशन पर जटिल एआई क्षमताएं बनाती हैं।

यह दुर्भाग्य से महंगी विफलताओं का कारण बनता है। वित्तीय संस्थान ऐसे चैटबॉट तैनात करते हैं जो राजस्व आंकड़ों को कल्पना करते हैं। खुदरा विक्रेता ऐसे सिफारिश इंजन लागू करते हैं जो बंद किए गए उत्पादों का सुझाव देते हैं। निर्माता ऐसे पूर्वानुमानिक विश्लेषण में निवेश करते हैं जो मूलभूत संचालन संबंधी प्रश्नों का उत्तर नहीं दे सकते। ये विफलताएं उन्नत मॉडलों को लागू करने की जल्दी में होती हैं, जबकि मूल डेटा तैयारी को छोड़ दिया जाता है।

डेटा जटिलता चुनौती को समझना

एंटरप्राइज डेटा तीन श्रेणियों में मौजूद है। प्रत्येक के लिए अलग तैयारी दृष्टिकोण की आवश्यकता है। इन अंतरों को समझना एआई की सफलता को निर्धारित करता है।

संरचित डेटा परिचित लगता है। जानकारी डेटाबेस और स्प्रेडशीट में स्पष्ट पंक्तियों और स्तंभों के साथ बैठती है। कई संगठन मानते हैं कि अच्छी तरह से व्यवस्थित लेनदेन प्रणाली एआई तैयारी का मतलब है। यह धारणा समस्याएं पैदा करती है। एआई प्रणालियां संरचित डेटा के साथ संघर्ष करती हैं क्योंकि वे व्यवस्थित नहीं हैं, बल्कि संदर्भ अंतराल के कारण हैं। जब एआई “प्रोडक्टआईडी” फील्ड को कई डेटाबेस टेबल में मिलता है, तो यह संबंधों को समझ नहीं सकता है जब तक कि उसे स्पष्ट निर्देश न दिया जाए। परिणाम यह है कि एआई डेटा तक पहुंचता है लेकिन इसे अर्थपूर्ण रूप से विश्लेषण नहीं कर सकता है।

असंरचित डेटा विपरीत चुनौतियों और अवसरों का प्रतिनिधित्व करता है। यह श्रेणी ईमेल, दस्तावेजों, प्रस्तुतियों, वीडियो और अन्य मानव-निर्मित सामग्री को शामिल करती है जहां अधिकांश संगठनात्मक ज्ञान रहता है। पारंपरिक विश्लेषणात्मक उपकरण असंरचित डेटा के साथ संघर्ष करते हैं। आधुनिक एआई प्रणालियां इसे संसाधित करने के लिए डिज़ाइन की गई हैं। सफलता के लिए व्यवस्थित तैयारी की आवश्यकता है। संगठन Thousands पीडीएफ़ अपलोड नहीं कर सकते हैं और अर्थपूर्ण अंतर्दृष्टि की अपेक्षा कर सकते हैं। प्रभावी कार्यान्वयन सामग्री खंड, मेटाडेटा निर्माण और खोज अनुकूलन की मांग करता है।

अर्ध-संरचित डेटा जटिल मध्य भूमि पर कब्जा करता है। जेसन फाइलें, सिस्टम लॉग और रिपोर्ट व्यवस्थित तत्वों को कथात्मक सामग्री के साथ मिलाते हैं। सामान्य गलती यह है कि इन स्रोतों को शुद्ध रूप से असंरचित के रूप में मानना, जो मूल्यवान व्यवस्थित घटकों को खो देता है। सफल एआई कार्यान्वयन के लिए संरचित तत्वों को पार्स करने की आवश्यकता होती है, जबकि असंरचित अंतर्दृष्टि को संरक्षित करते हुए, फिर व्यापक विश्लेषण के लिए उन्हें पुनः संयोजित करने की आवश्यकता होती है।

प्रत्येक डेटा प्रकार के लिए विशिष्ट तैयारी रणनीतियों की मांग है। एआई प्रणालियों को इस जटिलता को संभालने के लिए कॉन्फ़िगर किया जाना चाहिए। संगठन जो सभी डेटा को एक समान तरीके से व्यवहार करते हैं, वे एआई कार्यान्वयन बनाते हैं जो एक डेटा प्रकार के साथ उत्कृष्टता प्राप्त करते हैं जबकि दूसरों के साथ विफल होते हैं।

एआई प्रदर्शन को कमजोर करने वाला संदर्भ अंतराल

संदर्भ एआई सफलता में सबसे महत्वपूर्ण कारक है। यह सबसे अधिक अनदेखी किया जाने वाला कारक भी है। मानव विश्लेषक डेटा व्याख्या में दशकों के व्यावसायिक ज्ञान लाते हैं। जब वे त्रैमासिक रिपोर्ट की समीक्षा करते हैं, तो वे समझते हैं कि “राजस्व” कर के बाद अमेरिकी बिक्री का प्रतिनिधित्व करता है। एआई प्रणालियों में ऐसी कोई समझ नहीं है। स्पष्ट संदर्भ के बिना, एआई “47%” को राजस्व आंकड़े के रूप में व्याख्या कर सकता है जब वास्तविक मूल्य $4.7 मिलियन है। यह मूल रूप से दोषपूर्ण व्यावसायिक सिफारिशें प्रदान करता है।

संदर्भ अंतराल मूल डेटा व्याख्या से परे फैला हुआ है। प्रत्येक संगठन सामान्य मेट्रिक्स के लिए विशिष्ट परिभाषाएं विकसित करता है। “ग्राहक अधिग्रहण लागत” एक स्टार्टअप में कुछ अलग मतलब है बनाम एक स्थापित उद्यम। “चरन दर” गणना उद्योगों और कंपनियों में नाटकीय रूप से भिन्न होती है। एआई प्रणालियों को संगठनात्मक निकासी में स्पष्ट निर्देश की आवश्यकता होती है ताकि वे अर्थपूर्ण अंतर्दृष्टि प्रदान कर सकें।

पारंपरिक दस्तावेज़ीकरण दृष्टिकोण एआई कार्यान्वयन में विफल हो जाते हैं। सर्वर पर संग्रहीत स्थिर डेटा शब्दकोश एआई प्रणालियों के लिए अदृश्य रहते हैं और जल्द ही पुराने हो जाते हैं। सफल संगठन ऐसी जीवित दस्तावेज़ीकरण बनाते हैं जिसे एआई सक्रिय रूप से संदर्भित कर सकता है। यह व्यावसायिक नियमों के विकसित होने के साथ स्वचालित रूप से अपडेट होता है।

यहां स्वचालन बनाम मानव इनपुट का संतुलन महत्वपूर्ण हो जाता है। मशीनें तकनीकी संबंधों की पहचान करने में उत्कृष्टता प्राप्त करती हैं। वे मान्यता देते हैं कि कॉलम ए डेटाबेस सिस्टम में टेबल बी से जुड़ा हुआ है। केवल मानव विशेषज्ञता व्यावसायिक संदर्भ प्रदान करती है। मानव बताते हैं कि कुछ मेट्रिक्स क्यों महत्वपूर्ण हैं, वे कैसे गणना की जाती हैं, और सामान्य प्रदर्शन सीमा क्या है। प्रभावी एआई कार्यान्वयन स्वचालित खोज के साथ मानव ज्ञान क्यूरेशन को जोड़ती है।

एआई युग में बढ़े हुए जोखिम

एआई कार्यान्वयन मौजूदा डेटा समस्याओं को अभूतपूर्व पैमाने और गति से बढ़ाता है। पारंपरिक डेटा शासन चुनौतियां एआई प्रणालियों के साथ जुड़कर जटिल हो जाती हैं जो संगठनात्मक सीमाओं में डेटा एक्सेस, प्रोसेस और शेयर करती हैं।

मानव उपयोगकर्ताओं के लिए डिज़ाइन किए गए एक्सेस कंट्रोल तंत्र एआई प्रणालियों के लिए पर्याप्त साबित नहीं होते हैं। पारंपरिक सुरक्षा मॉडल बिक्री विश्लेषकों को विशिष्ट फ़ोल्डरों तक पहुंच प्रदान कर सकते हैं। लेकिन एआई सहायक अनजाने में संवेदनशील जानकारी को अनधिकृत उपयोगकर्ताओं के सामने उजागर कर सकते हैं जो निर्दोष प्रश्नों के माध्यम से। एक ग्राहक सेवा एआई प्रतिस्पर्धी मूल्य निर्धारण डेटा तक पहुंच सकता है और इसे क्लाइंट संचार में साझा कर सकता है। संगठनों को ऐसे सुरक्षा ढांचे की आवश्यकता है जो विभिन्न संदर्भों में एआई क्या साझा कर सकता है और क्या नहीं यह समझने के लिए पर्याप्त हों।

कानूनी आवश्यकताएं तब काफी जटिल हो जाती हैं जब एआई प्रणालियां व्यक्तियों को प्रभावित करने वाले निर्णय लेती हैं। जीडीपीआर अनुपालन तब चुनौतीपूर्ण था जब मानव निर्णय डेटा-संचालित निर्णय लेते थे। अब संगठनों को यह समझाने की आवश्यकता है कि एआई अल्गोरिदम ने विशिष्ट निष्कर्ष कैसे निकाले। उन्हें स्वचालित निर्णयों के लिए ऑडिट ट्रेल्स को बनाए रखना होगा। उन्हें यह सुनिश्चित करना होगा कि एआई प्रशिक्षण डेटा गोपनीयता नियमों का पालन करता है। “स्पष्टीकरण का अधिकार” तब एक नया अर्थ प्राप्त करता है जब निर्णय लेने वाला एक अल्गोरिदमिक प्रणाली होती है, न कि मानव विश्लेषक।

विश्वास बनाने के लिए नई दृष्टिकोणों की आवश्यकता है परीक्षण और निगरानी की। पारंपरिक गुणवत्ता आश्वासन इस बात पर केंद्रित था कि प्रणालियां अपेक्षित परिस्थितियों में सही ढंग से काम करती हैं या नहीं। एआई प्रणालियों को यह पता लगाने के लिए निरंतर निगरानी की आवश्यकता होती है कि वे कब विफल होती हैं, कितनी गंभीरता से और क्यों। संगठनों को प्रत्येक एआई निर्णय के लिए वास्तविक समय निगरानी लागू करनी होगी, न कि केवल प्रणाली प्रदर्शन मेट्रिक्स के लिए।

फीडबैक लूप सुधार के लिए महत्वपूर्ण हो जाता है। जब उपयोगकर्ता एआई प्रतिक्रियाओं को सुधारते हैं, तो वह सुधार मूल्यवान प्रशिक्षण डेटा का प्रतिनिधित्व करता है। लेकिन केवल तभी जब संगठन इसे इकट्ठा करते हैं और इसे व्यवस्थित रूप से एकीकृत करते हैं। इसके लिए उपयोगकर्ता प्रतिक्रिया इकट्ठा करने, सुधारों को मान्य करने और एआई व्यवहार को तदनुसार अपडेट करने की प्रक्रियाओं की आवश्यकता होती है।

बिल्ड बनाम खरीद निर्णय का मार्गदर्शन

संगठनों को आंतरिक एआई क्षमताओं को विकसित करने या बाहरी प्लेटफ़ॉर्म के साथ साझेदारी करने का विकल्प है। प्रत्येक दृष्टिकोण में विशिष्ट लाभ और चुनौतियां हैं जो संगठनात्मक क्षमताओं और रणनीतिक उद्देश्यों के साथ संरेखित होनी चाहिए।

आंतरिक एआई क्षमताओं का निर्माण अधिकतम नियंत्रण और अनुकूलन की संभावना प्रदान करता है। संगठन अपनी विशिष्ट आवश्यकताओं के लिए तैयार प्रणालियों को विकसित कर सकते हैं। वे अपने डेटा और अल्गोरिदम के मालिक हैं। हालांकि, संसाधन आवश्यकताएं महत्वपूर्ण हैं। सफल आंतरिक विकास आमतौर पर डेटा इंजीनियरों, एआई विशेषज्ञों और डोमेन विशेषज्ञों की टीमों की आवश्यकता होती है। विकास में 12-24 महीने लगते हैं। छिपी हुई लागतों में तेजी से विकसित हो रही एआई प्रौद्योगिकियों के साथ अद्यतित रहना, 24/7 प्रणालियों को बनाए रखना और कार्यकारी नेतृत्व को समयबद्धता में देरी के बारे में समझाना शामिल है।

प्लेटफ़ॉर्म समाधान तेज़ कार्यान्वयन और कम तकनीकी ओवरहेड का वादा करते हैं। संगठन डेटा अपलोड कर सकते हैं, बुनियादी सेटिंग्स को कॉन्फ़िगर कर सकते हैं और एआई अंतर्दृष्टि उत्पन्न करना शुरू कर सकते हैं। हालांकि, संगठनों को अपनी विशिष्ट आवश्यकताओं के खिलाफ प्लेटफ़ॉर्म क्षमताओं का सावधानी से मूल्यांकन करना चाहिए। महत्वपूर्ण विचारों में डेटा प्रारूप संगतता, उद्योग-विशिष्ट समझ, डेटा सुरक्षा और गोपनीयता सुरक्षा, और मौजूदा प्रणालियों के साथ एकीकरण क्षमताएं शामिल हैं।

एक हाइब्रिड दृष्टिकोण अक्सर कई संगठनों के लिए सबसे अच्छा काम करता है। प्लेटफ़ॉर्म समाधानों के साथ शुरू करने से कंपनियां एआई मूल्य को जल्दी से साबित कर सकती हैं जबकि अपनी विशिष्ट आवश्यकताओं के बारे में जान सकती हैं। एक बार जब संगठन समझ जाते हैं कि क्या काम करता है, तो वे यह तय कर सकते हैं कि कौन सी क्षमताएं आंतरिक विकास के लायक हैं और कौन सी प्लेटफ़ॉर्म उपयोग जारी रखने लायक हैं।

आगे बढ़ने के लिए एक व्यावहारिक ढांचा

सफल एआई कार्यान्वयन महत्वाकांक्षी योजना के बजाय ईमानदार मूल्यांकन से शुरू होता है। संगठनों को अपने मौजूदा डेटा संपत्तियों का इन्वेंट्री करना शुरू करना चाहिए। यह प्रक्रिया आमतौर पर अपेक्षा से अधिक जटिलता और असंगतता का खुलासा करती है। व्यापक एआई परिवर्तन का प्रयास करने के बजाय, सफल कंपनियां विशिष्ट, मापनीय समस्याओं की पहचान करती हैं जहां एआई स्पष्ट मूल्य प्रदान कर सकता है।

आधार कार्य में महत्वपूर्ण प्रयास शामिल है, लेकिन यह आवश्यक रहता है। इसमें डेटा क्लीनिंग, संदर्भ प्रलेखन, एक्सेस कंट्रोल कार्यान्वयन और स्पष्ट रूप से परिभाषित सफलता मेट्रिक्स के साथ पायलट परीक्षण शामिल है। संगठनों को वास्तविक समयसीमा की योजना बनानी चाहिए। महीनों या वर्षों के बारे में सोचें, सप्ताह नहीं। क्षमताओं का निर्माण क्रमिक रूप से करें।

वे कंपनियां जो इस आधारभूत कार्य को पूरा करती हैं जबकि उनके प्रतिस्पर्धी एआई मॉडल का चयन करने पर ध्यान केंद्रित करते हैं, महत्वपूर्ण लाभ प्राप्त करेंगे। प्रौद्योगिकी चुनाव कम महत्वपूर्ण है कि कौन सी एआई प्रणाली को लागू किया जाए, बल्कि यह तैयारी है जो किसी भी एआई प्रणाली को महत्वपूर्ण व्यावसायिक मूल्य प्रदान करने की अनुमति देती है।

प्रतीक्षा की लागत

एआई क्रांति संगठनात्मक तैयारी की परवाह किए बिना आगे बढ़ रही है। कंपनियां या तो उचित डेटा तैयारी में निवेश कर सकती हैं या बाद में समाधानों को रेट्रोफिट करने का प्रयास कर सकती हैं जो कि काफी अधिक लागत और जटिलता पर है। एआई नेताओं के रूप में उभरने वाले संगठन जल्दी से पहचानेंगे कि सफलता सबसे जटिल मॉडल को चुनने पर निर्भर नहीं करती है, बल्कि डेटा फाउंडेशन बनाने पर निर्भर करती है जो किसी भी एआई प्रणाली को महत्वपूर्ण व्यावसायिक मूल्य प्रदान करने की अनुमति देती है।

एंटरप्राइज़ नेताओं के सामने यह प्रश्न नहीं है कि कौन सी एआई प्रौद्योगिकी लागू करनी है। यह प्रश्न है कि क्या उनका संगठन किसी भी एआई कार्यान्वयन को सफल बनाने के लिए आवश्यक कठिन काम कर चुका है। एआई क्षमताएं मासिक रूप से आगे बढ़ रही हैं। टिकाऊ प्रतिस्पर्धी लाभ उन कंपनियों के पास है जिनके पास डेटा फाउंडेशन पर्याप्त मजबूत हैं जो जो भी तकनीकी विकास आगे निकलते हैं उन्हें समर्थन देने में सक्षम हैं।