Andreea Pleşea, PhD, COO और Druid AI की सह-संस्थापक – साक्षात्कार श्रृंखला

Andreea Pleşea, PhD, COO और Druid AI की सह-संस्थापक, लगभग दो दशकों के अनुभव वाली तकनीकी कार्यकारी और उद्यमी हैं, जिनका कार्यक्षेत्र सॉफ़्टवेयर इंजीनियरिंग, एंटरप्राइज़ तकनीक, कृत्रिम बुद्धिमत्ता, संचालन और ग्राहक सफलता तक फैला है। Druid AI की सह-स्थापना के बाद से उन्होंने संगठन में कई वरिष्ठ नेतृत्व भूमिकाएँ निभाई हैं, जिनमें मुख्य संचालन अधिकारी, मुख्य राजस्व अधिकारी, और मुख्य ग्राहक सफलता अधिकारी शामिल हैं, जिससे उन्हें एंटरप्राइज़ सॉफ़्टवेयर कंपनी को स्केल करने के तकनीकी और व्यावसायिक दोनों पहलुओं का अनुभव मिला। Druid AI से पहले, Pleşea ने TotalSoft में लगभग एक दशक बिताया, जहाँ उन्होंने .NET प्रोग्रामर से सॉफ़्टवेयर विकास प्रबंधक और अंततः Charisma Business Applications निदेशक तक की प्रगति की, जहाँ उन्होंने उत्पाद विकास, कार्यान्वयन, तकनीकी समर्थन, समाधान वास्तुकला और P&L जिम्मेदारियों की देखरेख की। उनका शैक्षणिक पृष्ठभूमि में रोम टोर वर्जाटा विश्वविद्यालय में AI अनुसंधान भी शामिल है, जहाँ उन्होंने विश्वविद्यालय के आर्टिफिशियल इंटेलिजेंस रिसर्च ग्रुप के साथ असंरचित डेटा से जानकारी निकालने और संरचित करने की तकनीक पर काम किया। वह Women in Tech Romania के सलाहकार बोर्ड में भी सेवा देती हैं।

Druid AI एक एंटरप्राइज़ AI कंपनी है जो संगठनों में जटिल व्यावसायिक प्रक्रियाओं को स्वचालित करने वाले AI एजेंटों के निर्माण और समन्वय पर केंद्रित है। इसका प्लेटफ़ॉर्म प्राकृतिक भाषा समझ, जेनरेटिव AI, रिट्रिवल‑ऑगमेंटेड जेनरेशन (RAG), एंटरप्राइज़ इंटीग्रेशन, वर्कफ़्लो ऑटोमेशन, एनालिटिक्स और गवर्नेंस को संयोजित करता है, जबकि Druid Conductor कई विशेषीकृत एजेंटों और सिस्टमों को व्यावसायिक परिणामों की ओर समन्वयित करता है। संगठन Druid के एजेंटों को ERP, CRM, ITSM, और मानव संसाधन प्लेटफ़ॉर्म जैसे सिस्टमों से जोड़ सकते हैं, तथा तकनीक को क्लाउड, हाइब्रिड, ऑन‑प्रिमाइसेस या एयर‑गैप्ड वातावरण में तैनात कर सकते हैं। कंपनी के अनुसार, इसकी तकनीक 300 से अधिक एंटरप्राइज़ ग्राहकों द्वारा उपयोग की जा रही है और 200 से अधिक वैश्विक भागीदारों द्वारा समर्थित है, जिसमें कर्मचारी समर्थन, ग्राहक सेवा, स्वास्थ्य देखभाल, उच्च शिक्षा और साझा सेवाएँ जैसे क्षेत्रों में अनुप्रयोग शामिल हैं।

आपने 2018 में बुखारेस्ट में Druid AI की सह-स्थापना की, जब आप TotalSoft में लगभग एक दशक बिता चुके थे, जहाँ आप .NET विकास से वरिष्ठ तकनीकी और व्यावसायिक नेतृत्व तक पहुँचे। उस समय आपको क्या आश्वस्त किया कि वार्तालापात्मक AI एंटरप्राइज़ तकनीक की मुख्य परत बन सकता है, और Druid के एजेंटिक AI में परिवर्तन के साथ वह मूल दृष्टिकोण कैसे विकसित हुआ? 

दो अलग-अलग मार्गों – शैक्षणिक कठोरता और अग्रिम पंक्ति के एंटरप्राइज़ दर्द – का संगम मेरे पीएचडी के दौरान मेरे विचारों को आकार दिया। हालांकि, यह तब तक नहीं हुआ जब तक कि Liviu Dragan, एक अत्यंत दूरदर्शी नेता, ने Druid AI की स्थापना का विचार नहीं प्रस्तुत किया, जिससे मुझे यह समझ आया कि मेरा शोध अंततः वास्तविक जीवन में कैसे उपयोग किया जा सकता है।

2008 से 2011 के बीच, मेरा पीएचडी शोध स्वायत्त AI एजेंटों पर केंद्रित था जो सिमैंटिक वेब तकनीकों और ऑंटोलॉजीज़ के माध्यम से संवाद करते थे, और यह जांचते थे कि बुद्धिमान सिस्टम पारंपरिक एंटरप्राइज़ सॉफ़्टवेयर को कैसे बदल या उसके ऊपर स्थित हो सकते हैं। इसके तुरंत बाद, एंटरप्राइज़ तकनीक नेतृत्व में काम करने से मुझे एक कठोर वास्तविकता का सामना करना पड़ा: हम कर्मचारियों से असहनीय जटिलता को संभालने को कह रहे थे।

एक साधारण कार्य को पूरा करने के लिए यह जानना आवश्यक था कि कौन सा एप्लिकेशन खोलना है, डेटा कहाँ स्थित है, कौन सी नीति लागू होती है, और अगला कदम किसके पास है। इस बीच, कार्यालय के बाहर, मैसेजिंग मानव संवाद के प्रमुख इंटरफ़ेस बनता जा रहा था।

जब हमने 2018 में Druid AI की स्थापना की, हमारा दृष्टिकोण सरल लेकिन महत्वाकांक्षी था: हर कर्मचारी और ग्राहक को एक वर्चुअल सहायक प्रदान करना जो पूरे एंटरप्राइज़ में कार्य को समन्वित कर सके।

लगभग एक दशक बाद, वह मूल दृष्टिकोण नहीं बदला है – तकनीक बस पकड़ में आ गई है। वार्तालापात्मक AI मुख्यतः इरादा पहचान, पुनः प्राप्ति और स्थैतिक स्क्रिप्ट ट्रिगर करने के बारे में था। एजेंटिक AI प्रतिनिधि सीमा को बदलता है। आधुनिक एजेंट लक्ष्य का मूल्यांकन करते हैं, विशेषीकृत उप‑एजेंटों के साथ सहयोग करते हैं, विभिन्न सिस्टमों को नेविगेट करते हैं, और जटिल, बहु‑चरणीय वर्कफ़्लो को स्वायत्त रूप से निष्पादित करते हैं।

हमारे लिए, वर्तमान एजेंटिक क्रांति वार्तालापात्मक AI से दूर एक रणनीतिक मोड़ नहीं है। यह हमारी संस्थापक सिद्धांत की स्वाभाविक प्राप्ति है: एंटरप्राइज़ तकनीक को मानव के लिए सरल बनना चाहिए ताकि वे काम को पूरा कर सकें, जबकि पर्दे के पीछे का समन्वय अनंत रूप से अधिक परिष्कृत हो रहा है।

AI उद्योग का अधिकांश भाग अधिक शक्तिशाली फाउंडेशन मॉडल बनाने पर केंद्रित रहा है, जबकि Druid AI ने विभिन्न मॉडलों को एंटरप्राइज़ डेटा, सिस्टम और वर्कफ़्लो से जोड़ने पर ध्यान दिया है। जैसे-जैसे मॉडल अधिक परस्पर बदलने योग्य होते जा रहे हैं, क्या आप मानते हैं कि समन्वय मूल मॉडल की तुलना में अधिक महत्वपूर्ण प्रतिस्पर्धी लाभ बन जाएगा?

Druid AI में, हमारा मूल मिशन सरल है: हर मानव इंटरैक्शन से असाधारण को निकालना, काम को कुशलता से पूरा करके। लेकिन जैसे ही बाजार परिपक्व होता है, उस मूल्य को प्रदान करने की कुंजी मूल तकनीकी स्टैक से हटने में है।

हम एंटरप्राइज़ तकनीक में एक क्लासिक पैटर्न देख रहे हैं: क्षमताएँ जो पहले प्रारंभिक विभेदक थीं, अब तेजी से वस्तु बन रही हैं। आज, फाउंडेशन मॉडल हर खिलाड़ी के लिए सुलभ हैं। एंटरप्राइज़ अनिवार्य रूप से विशिष्ट प्रदर्शन, लागत, सुरक्षा या नियामक आवश्यकताओं के लिए चुने गए मॉडलों का हाइब्रिड मैट्रिक्स लागू करेंगे। जैसे ही बुद्धिमत्ता एक वस्तु बनती है, रणनीतिक युद्धक्षेत्र स्टैक के ऊपर की ओर बढ़ता है।

आज, एंटरप्राइज़ AI में सबसे कठिन समस्याएँ निष्पादन संदर्भ से संबंधित हैं: गवर्नेंस और एक्सेस (कौन सा डेटा AI छू सकता है, और किन नीतियों के तहत), एजेंटिक रूटिंग (कौन सा विशेषीकृत एजेंट किसी कार्य को संभाले), सिस्टम इंटीग्रेशन (कैसे कई लेन‑देन सिस्टम सुरक्षित रूप से समन्वयित हों), स्वायत्तता बनाम नियंत्रण (कब एजेंट स्वतंत्र रूप से कार्य कर सकता है, और कब मानव अनुमोदन आवश्यक है), ऑडिटेबिलिटी (यदि वर्कफ़्लो विफल हो, तो क्या आप निर्णय पथ को चरण‑दर‑चरण पुनः निर्मित कर सकते हैं)।

यही कारण है कि समन्वय अंतिम रणनीतिक लीवर बन गया है। मॉडल बुद्धिमत्ता उत्पन्न करते हैं, लेकिन एंटरप्राइज़ को भरोसेमंद निष्पादन चाहिए।

Druid AI को उसी निर्णायक नियंत्रण और समन्वय परत के रूप में बनाया गया है। यह विभिन्न मॉडलों को एंटरप्राइज़ डेटा, वर्कफ़्लो और लोगों के बीच सुरक्षित रूप से जोड़ता है। महत्वपूर्ण रूप से, यह निष्पादन प्रभावशीलता को मापने के लिए संदर्भ फ्रेमवर्क प्रदान करता है, वास्तविक व्यावसायिक परिणामों का मूल्यांकन करता है।

दीर्घकाल में, जीतने वाला प्रश्न यह नहीं होगा, “आप कौन सा मॉडल उपयोग कर रहे हैं?” बल्कि यह होगा, “आप कच्ची बुद्धिमत्ता को अपने कर्मचारियों और ग्राहकों के लिए पूर्ण कार्य में कितनी प्रभावी ढंग से बदल सकते हैं?”

Druid Conductor ज्ञान पुनः प्राप्ति, निर्णय लॉजिक और सिस्टम क्रियाओं के बीच कई विशेषीकृत एजेंटों को समन्वयित कर सकता है। जब एक एंटरप्राइज़ एकल AI सहायक से कई एजेंटों की ओर जाता है जो स्वतंत्र रूप से बहु‑चरणीय व्यावसायिक प्रक्रियाएँ निष्पादित कर सकते हैं, तो तकनीकी रूप से क्या कठिन हो जाता है?

सरल वार्तालाप इंटरफ़ेस से मल्टी‑एजेंट आर्किटेक्चर में बदलाव मूल रूप से इंजीनियरिंग चुनौती को बदल देता है। आप रैखिक संवाद को प्रबंधित करना बंद कर देते हैं और एक वितरित निर्णय‑और‑निष्पादन सिस्टम का प्रबंधन शुरू करते हैं।

एकल Q&A सहायक के साथ, मुख्य बाधाएँ इरादा पहचान, पुनः प्राप्ति और उच्च सटीकता के साथ प्रतिक्रिया निर्माण हैं। मल्टी‑एजेंट इकोसिस्टम पूरी तरह से अलग वर्ग के वितरित सिस्टम और प्रश्न प्रस्तुत करते हैं:

1. कौन सा एजेंट कार्रवाई का अधिकार रखता है, और आप डोमेन ड्रिफ्ट को कैसे रोकते हैं?
2. जब एजेंटों के बीच जिम्मेदारी हस्तांतरण होता है, तो स्थिति कैसे बनी रहती है?
3. विशेषीकृत एजेंटों के बीच विरोधाभासी निर्णयों को कैसे सुलझाया जाता है?
4. उप‑एजेंट गतिशील और सुरक्षित रूप से एक्सेस अनुमतियों को कैसे विरासत में लेते हैं?

ये चुनौतियाँ वास्तविक एंटरप्राइज़ इन्फ्रास्ट्रक्चर पर लागू होने पर और जटिल हो जाती हैं। एकल वर्कफ़्लो CRM, ERP, पहचान प्रबंधन प्लेटफ़ॉर्म, टिकटिंग सिस्टम और लेगेसी डेटाबेस को जोड़ सकता है। प्रत्येक अलग व्यावसायिक लॉजिक और विफलता मोड के तहत काम करता है, लेकिन अंत में कंडक्टर एजेंट को काम सही ढंग से पूरा करना होता है।

यदि छह‑चरणीय प्रक्रिया के चरण चार में विफलता आती है, जबकि तीन सिस्टमों ने पहले ही लेन‑देन परिवर्तन कर दिया है, तो बुनियादी एजेंटिक पाइपलाइन टूट जाती है। समन्वय परत केवल एक सामान्य त्रुटि नहीं फेंक सकती। उसे स्थिति को प्रबंधित करना चाहिए, आवश्यक होने पर रोलबैक निष्पादित करना चाहिए, यह निर्धारित करना चाहिए कि वैकल्पिक रूटिंग मौजूद है या नहीं, या मानव‑इन‑द‑लूप हस्तक्षेप की ओर सुगमता से बढ़ना चाहिए।

सच्चा एंटरप्राइज़ समन्वय स्थिति प्रबंधन, लेन‑देन स्थिरता, अवलोकनशीलता, नीति प्रवर्तन और फेल‑सेफ़ स्वायत्तता है। इस अंतर्निहित जटिलता का लक्ष्य सरलता है: एकल, बिना रुकावट वाला इंटरैक्शन प्रदान करना जहाँ जटिल बहु‑सिस्टम कार्य सहजता से पूरे हो जाएँ।

Druid AI अब एक अरब से अधिक वार्तालापों को हजारों तैनात एजेंटों के माध्यम से संचालित कर चुका है। इस पैमाने पर, आपने एंटरप्राइज़ AI के बारे में क्या सीखा है जो पायलट या नियंत्रित डेमॉन्स्ट्रेशन से सीखना असंभव होता?

उत्पादन आपको शीघ्र ही विनम्रता सिखाता है।

एक पायलट आमतौर पर अपेक्षाकृत नियंत्रित वातावरण होता है। उपयोग केस परिभाषित होता है, डेटा काफी साफ़ होता है, उपयोगकर्ता ज्ञात होते हैं और अक्सर एक प्रोजेक्ट टीम बहुत करीब से निगरानी करती है।

उत्पादन बिल्कुल भी ऐसा नहीं व्यवहार करता। लोग वही प्रश्न बीस विभिन्न तरीकों से पूछते हैं। वे वार्तालाप के बीच में अपना विचार बदलते हैं। वे अपूर्ण जानकारी प्रदान करते हैं। वे भाषा या विषय बदलते हैं। वे अप्रत्याशित समय पर इंटरैक्ट करते हैं। नीतियां बदलती हैं। API विफल होते हैं। बैक‑एंड सिस्टम धीमे हो जाते हैं। नए एज केस उभरते हैं जिन्हें मूल डिजाइन में शामिल करने की कोई सोच नहीं थी। एक बात निश्चित है: उपयोगकर्ताओं की अपेक्षा है कि काम को प्रभावी, सहज और प्राकृतिक तरीके से पूरा किया जाए। चाहे वह टेक्स्ट हो या विशेषकर आवाज़, वार्तालाप स्वाभाविक रूप से प्रवाहित होना चाहिए, बिना विलंब के; इसे कुछ हद तक सहानुभूतिपूर्ण सुनाई देना चाहिए, और कार्य को निष्पादित करना चाहिए जबकि सर्वोत्तम विकल्प और अगले कदम सुझाए, या आवश्यकता पड़ने पर अपवाद और लूप को मानव द्वारा संभाला जाए।

सबसे उच्च मूल्य वाली ऑटोमेशन अक्सर अपेक्षाकृत सामान्य कार्यों को अत्यधिक कुशलता से और सैकड़ों हजारों बार करने से आती है: कर्मचारी प्रश्न का उत्तर देना, खाता जांचना, अपॉइंटमेंट पुनः निर्धारित करना, IT अनुरोध का समाधान करना, या एंटरप्राइज़ सिस्टम से सही जानकारी प्राप्त करना। इसने AI मूल्य के बारे में हमारी सोच को बदल दिया।

दूसरा सबक यह है कि गो‑लाइव केवल सीखने चक्र की शुरुआत है। आपको देखना होगा कि उपयोगकर्ता क्या मांग रहे हैं, कौन से इरादे बढ़ रहे हैं, वार्तालाप कहाँ विफल होते हैं, लोग कहाँ एस्केलेट करते हैं, और कभी‑कभी मूल व्यावसायिक प्रक्रिया को स्वयं बदलने की आवश्यकता कहाँ है।

और शायद सबसे महत्वपूर्ण सबक यह है कि विश्वास संचालनात्मक है, क्योंकि एंटरप्राइज़ AI पर भरोसा करते हैं क्योंकि समय के साथ यह भविष्यवाणी योग्य व्यवहार करता है, अपवाद सही ढंग से संभाले जाते हैं, निर्णय दिखाई देते हैं और संगठन नियंत्रण में रहता है।

Druid के उत्पादन डेटा से पता चलता है कि अपेक्षाकृत कम संख्या में वर्कफ़्लो वास्तविक एंटरप्राइज़ AI उपयोग का अधिकांश हिस्सा बना सकते हैं। क्या यह संकेत देता है कि कंपनियों को प्रारंभ में AI निवेश को कुछ उच्च‑वॉल्यूम वर्कफ़्लो पर केंद्रित करना चाहिए बजाय व्यापक एंटरप्राइज़‑व्यापी परिवर्तन के प्रयास के?

हमारे उत्पादन डेटा में सबसे स्पष्ट पैटर्न यह है कि मांग केंद्रित होती है। उदाहरण के लिए, वित्तीय सेवाओं में, तीन वर्कफ़्लो श्रेणियाँ लगभग 90% उत्पादन उपयोग का हिसाब रखती हैं। उच्च शिक्षा में यह केंद्रितता और भी अधिक है। यह हमें कंपनियों को AI परिवर्तन के बारे में सोचने के लिए एक महत्वपूर्ण बात बताता है। हमने इन अंतर्दृष्टियों का विश्लेषण किया है और उच्च शिक्षा, स्वास्थ्य देखभाल और बैंकिंग के लिए बेंचमार्क रिपोर्ट तैयार की हैं, जो हमारे साझेदारों और ग्राहकों को उन प्रक्रियाओं की पहचान करने में सक्षम बनाती हैं जो दक्षता बढ़ाएँगी और यह प्रोजेक्ट करने में मदद करेंगी कि मानव एजेंटों के साथ कैसे इंटरैक्ट करेंगे।

विशेषकर बोर्ड स्तर पर, बहुत व्यापक मांग से शुरू करने का प्रलोभन होता है: “आपको AI का उपयोग करना आवश्यक है या हम पीछे रह जाएंगे।” फिर संचालन टीम को सही कार्यों की पहचान करने में संघर्ष करना पड़ता है जो एजेंट कर सकते हैं, साथ ही यह डर भी रहता है कि वे अपनी नौकरियां न खो दें। तो, सही संतुलन क्या होगा और वे कैसे सही AI एजेंट को नियुक्त कर पाएंगे जो उनके साथ मिलकर कार्य करे, जबकि बोर्ड द्वारा अपेक्षित KPI को अधिकतम करे?

सबसे पहले उन क्षेत्रों से शुरू करें जहाँ राजस्व बढ़ाने या लागत घटाने की संभावना हो, ऐसे कार्य जो आमतौर पर लोग बार‑बार करते हैं। यदि हजारों ग्राहक, कर्मचारी, छात्र या रोगी लगातार समान परिणाम प्राप्त करने की कोशिश कर रहे हैं, तो आपके पास एक मापने योग्य बेंचमार्क और मूल्य सिद्ध करने का मजबूत अवसर है।

लेकिन एक महत्वपूर्ण अंतर है: संकीर्ण शुरू करें, व्यापक रूप से डिज़ाइन करें।

पहले उपयोग केस केंद्रित हो सकते हैं। उनके नीचे का प्लेटफ़ॉर्म एंटरप्राइज़ में विस्तार करने में सक्षम होना चाहिए। आप अर्थव्यवस्था, गवर्नेंस मॉडल, इंटीग्रेशन और मानव एस्केलेशन मैकेनिज़्म को कुछ महत्वपूर्ण वर्कफ़्लो पर सिद्ध करते हैं। फिर आप सीखे हुए को उपयोग करके आसन्न प्रक्रियाओं में विस्तार करते हैं।

वॉल्यूम एकल मानदंड नहीं होना चाहिए। कम आवृत्ति वाला वर्कफ़्लो भी अत्यधिक मूल्यवान हो सकता है यदि प्रत्येक सफल समाधान का वित्तीय या संचालनात्मक प्रभाव महत्वपूर्ण हो।

जैसे-जैसे एंटरप्राइज़ केवल मानव के बिना संभाले गए इंटरैक्शन के प्रतिशत को अधिकतम करने के बजाय सफल समाधान पर अधिक ध्यान केंद्रित कर रहे हैं, संगठन कैसे निर्धारित करें कि कौन से निर्णय AI एजेंट स्वायत्त रूप से ले सकता है और कहाँ मानव एस्केलेशन अनिवार्य रहना चाहिए?

Druid AI ने एक मूल्यांकन फ्रेमवर्क बनाया है जो 26 मानदंडों को कवर करता है और एजेंटिक समन्वय का वस्तुनिष्ठ मूल्यांकन सुनिश्चित करता है, निर्माण से लेकर कार्य निष्पादन तक।

यदि कोई कार्रवाई उलटने योग्य, अपेक्षाकृत कम‑जोखिम वाली, स्पष्ट नियमों द्वारा शासित और विश्वसनीय जानकारी द्वारा समर्थित है, तो स्वायत्तता के लिए मजबूत कारण है। पूर्वनिर्धारित पैरामीटर के साथ अपॉइंटमेंट पुनः निर्धारित करना क्लिनिकल निर्णय लेने से बहुत अलग है और सरल लग सकता है। लेकिन इसे प्रभावी रूप से करने के लिए कई तत्वों पर विचार करना चाहिए: उदाहरण के लिए, यदि डॉक्टर B के पास एक खाली स्लॉट है, लेकिन वह उसे ब्लॉक करना चाहता है, तो AI एजेंट को केवल इस कारण से रोगी की अपॉइंटमेंट उस स्लॉट में पुनः निर्धारित नहीं करनी चाहिए कि कार्य डॉक्टर के कैलेंडर कवरेज को अधिकतम करना है।

मैं कई आयामों को देखूँगा: त्रुटि के वित्तीय या मानव परिणाम, कार्रवाई की उलटने योग्यता, उपलब्ध जानकारी की पूर्णता और गुणवत्ता, नियामक आवश्यकताएँ, और क्या वास्तविक मानव निर्णय या सहानुभूति आवश्यक है। फिर आप एस्केलेशन को जानबूझकर डिजाइन करते हैं।

यह वह जगह है जहाँ मुझे लगता है कि AI ऑटोमेशन के प्रारंभिक विचार बहुत सरल थे। लक्ष्य बन गया “जितने संभव हो उतने इंटरैक्शन को मानव को शामिल किए बिना नियंत्रित करना।” लेकिन कई प्रक्रियाओं में, एस्केलेशन बिल्कुल सही परिणाम है।

इसलिए मैं शुद्ध कंटेनमेंट की बजाय गवर्नेड रिज़ॉल्यूशन की अवधारणा को पसंद करता हूँ।

उद्देश्य यह है कि AI स्वायत्त रूप से उन कार्यों को हल करे जो उसे हल करने चाहिए, उन स्थितियों को पहचानें जहाँ उसे कार्य नहीं करना चाहिए, और प्रक्रिया में एक व्यक्ति को सम्मिलित करे, जिसमें संबंधित संदर्भ पहले से ही तैयार हो।

जब AI एजेंट संवेदनशील जानकारी प्राप्त कर सकते हैं, एंटरप्राइज़ सिस्टम अपडेट कर सकते हैं और वास्तविक‑दुनिया की कार्रवाई शुरू कर सकते हैं, तो अवलोकनशीलता और गवर्नेंस बहुत अधिक महत्वपूर्ण हो जाते हैं। कंपनियों को एजेंट की तर्क प्रक्रिया, डेटा एक्सेस और कार्रवाइयों के बारे में क्या ऑडिट करने में सक्षम होना चाहिए, इससे पहले कि वे इसे मिशन‑क्रिटिकल वर्कफ़्लो में भरोसा करें?

Gartner के दिशानिर्देशों का पालन करते हुए, DRUID में एक अंतर्निहित मूल्यांकन फ्रेमवर्क है जो एजेंटों का 5 पहलुओं से विश्लेषण करता है: त्रुटि सहनशीलता, जोखिम, अनुपालन, अवलोकनशीलता और विचलन। इन श्रेणियों के तहत, हमारे पास कुल 26 घटक हैं। प्रत्येक की एक परिभाषा, एक आर्टिफैक्ट जिसे आप खोल सकते हैं, और एक माप है।

एजेंट का मूल्यांकन करते समय, प्लेटफ़ॉर्म को मूल उपयोगकर्ता अनुरोध से लेकर अंतिम कार्रवाई प्रणाली तक पूरी श्रृंखला को पुनः निर्मित करने में सक्षम होना चाहिए। इसका अर्थ है यह जानना कि कौन सा एजेंट अनुरोध को संभालता है, कौन सा मॉडल उपयोग किया गया, मॉडल को कौन सा संदर्भ मिला, कौन सी एंटरप्राइज़ जानकारी प्राप्त हुई, कौन से व्यावसायिक नियम या नीतियां लागू हुईं, किसी विशेष मार्ग या कार्रवाई का चयन क्यों किया गया और अंतर्निहित सिस्टम में क्या बदल गया। ऑडिटेबल इंटरैक्शन के दशमलव भाग ट्रैक, विश्लेषित और मापे जाते हैं।

पहचान भी समान रूप से महत्वपूर्ण है। एक AI एजेंट को कभी भी एंटरप्राइज़ एक्सेस कंट्रोल के चारों ओर शॉर्टकट नहीं बनना चाहिए। आपको यह जानना होगा कि किसने अनुरोध शुरू किया, वह व्यक्ति क्या देख या कर सकता था, और क्या एजेंट ठीक उसी सीमा के भीतर रहा।

मल्टी‑एजेंट आर्किटेक्चर में, ट्रेसेबिलिटी और भी अधिक महत्वपूर्ण हो जाती है। कौन सा एजेंट दूसरे एजेंट को सौंपा? कौन सी जानकारी उस सीमा को पार करती है? निर्णय कहाँ से उत्पन्न हुआ? कौन सा घटक वास्तव में कार्रवाई को निष्पादित करता है? और फिर ऑपरेशनल साक्ष्य होते हैं: टाइमस्टैम्प, कॉन्फिडेंस सिग्नल, निष्पादन परिणाम, अपवाद, एस्केलेशन इवेंट और यह समझने या पुनः चलाने की क्षमता कि क्या हुआ।

यह एक सबसे बड़े बदलावों में से एक है जब हम वार्तालापात्मक AI से एजेंटिक AI की ओर बढ़ते हैं।

जब AI केवल प्रश्न का उत्तर देता है, तो अवलोकनशीलता उपयोगी होती है। जब AI ग्राहक रिकॉर्ड बदल सकता है, भुगतान ट्रिगर कर सकता है, कई रिकॉर्ड सिस्टम अपडेट कर सकता है, या व्यावसायिक प्रक्रिया शुरू कर सकता है, तो अवलोकनशीलता नियंत्रण आर्किटेक्चर का हिस्सा बन जाती है।

आपने Druid AI में विकास, संचालन, राजस्व और ग्राहक सफलता सहित असाधारण रूप से विस्तृत भूमिकाएँ निभाई हैं। ग्राहकों के साथ सीधे काम करने से आपके इस दृष्टिकोण पर कैसे प्रभाव पड़ा कि कुछ एंटरप्राइज़ AI डिप्लॉयमेंट मापनीय मूल्य उत्पन्न करते हैं जबकि अन्य पायलट मोड में फँसे रहते हैं?

मैंने अपना करियर डेवलपर के रूप में शुरू किया, और कई इंजीनियरों की तरह, मेरी प्रारम्भिक प्रवृत्ति थी कि यदि तकनीक पर्याप्त अच्छी है, तो उसका मूल्य स्पष्ट होना चाहिए। ग्राहक आपको बहुत जल्दी सिखाते हैं कि एंटरप्राइज़ तकनीक ऐसा नहीं काम करती।

एक तकनीकी रूप से परिष्कृत डिप्लॉयमेंट भी बहुत कम मूल्य बना सकता है यदि व्यावसायिक समस्या पर्याप्त महत्वपूर्ण नहीं है, यदि प्रक्रिया मालिक अनुपस्थित है, यदि इंटीग्रेशन को बाद में विचार किया जाता है या यदि कोई यह तय नहीं कर पाया कि सफलता क्या मायने रखती है। ग्राहक तकनीकी कथा को हटाने में अत्यंत कुशल होते हैं। यदि वे जिस प्रक्रिया के लिए जिम्मेदार हैं वह सुधरी नहीं है, तो उन्हें यह परवाह नहीं होती कि कुछ आर्किटेक्चर में कितना सुंदर है।

जब हम इस पैमाने पर कार्यान्वयन की बात करते हैं, तो एक व्यावसायिक मालिक होता है जिसके पास हल करने के लिए वास्तविक समस्या होती है। एक मापने योग्य वॉल्यूम, लागत/राजस्व या घर्षण होता है। AI उन सिस्टमों से जुड़ा होता है जहाँ काम वास्तव में होता है। और गो‑लाइव के बाद अपनाने और निरंतर सुधार की योजना होती है। पायलट अक्सर पायलट ही रहते हैं क्योंकि वे केवल यह सिद्ध करते हैं कि तकनीक काम करती है, बिना यह सिद्ध किए कि संचालन मॉडल काम करता है। इसलिए, जब भी हम AI प्रोजेक्ट का समाधान तैयार करते हैं, हम अपने स्टाफ और साझेदारों को पहले कार्य को समझने के लिए प्रशिक्षित करते हैं, न कि सिस्टम में उपयोगकर्ता द्वारा किए गए क्लिक को। “कार्य” का मतलब पूरी प्रक्रिया है, वे अपवादों को कैसे संभालते हैं, परिणाम क्या है, अपवाद कितनी बार आते हैं, क्या उन्हें उत्पादकता बढ़ाने से रोकता है, इसे करने में कितना समय लगता है और यदि कार्य स्वचालित नहीं किया गया तो उत्पादकता वृद्धि के लिए कितना प्रयास आवश्यक है।

मेरे अपने करियर ने तकनीक, संचालन, बिक्री, ग्राहक सफलता और कंपनी निर्माण के माध्यम से प्रगति की है, और अब मैं इस विस्तृत अनुभव को अपनी सबसे बड़ी ताकतों में से एक मानता हूँ। तकनीक आपको सिखाती है कि कोई चीज़ कैसे काम करती है। बिक्री आपको सिखाती है कि कोई इसे क्यों खरीदेगा। ग्राहक सफलता आपको सिखाती है कि यह वास्तविक दुनिया में काम करती है या नहीं। संचालन आपको सिखाता है कि क्या संगठन इसे बार‑बार और बड़े पैमाने पर प्रदान कर सकता है।

कई मायनों में, Druid AI का विकास भी उसी मार्ग का अनुसरण करता है: यह सिद्ध करने से कि वार्तालापात्मक AI काम कर सकता है, यह सिद्ध करने तक कि यह मूल्य बना सकता है, और एंटरप्राइज़ स्केल पर बुद्धिमान एजेंटों को भरोसेमंद बनाने के लिए आवश्यक इन्फ्रास्ट्रक्चर बनाने तक।

आपने Druid को एक अंतरराष्ट्रीय AI कंपनी बनाने के दौरान Women in Tech Romania में भी भाग लिया है। आप अभी भी महिलाओं के AI कंपनियों की स्थापना और नेतृत्व में सबसे बड़े बाधाओं को कहाँ देखते हैं, और कार्यकारी और संस्थापक स्तर पर उनकी प्रतिनिधित्व को सार्थक रूप से बढ़ाने के लिए क्या किया जा सकता है? 

हालिया डेटा यूरोपीय तकनीक में एक उल्लेखनीय अंतर को उजागर करता है: केवल 5% AI स्टार्टअप महिलाओं द्वारा स्थापित या सह‑स्थापित हैं, और उन संस्थापकों में से केवल आधे के पास PhD है। जबकि आँकड़े स्पष्ट हैं, इस असमानता को दूर करने के लिए लिंग भेदभाव के पारंपरिक कथनों से परे देखना आवश्यक है।

मूल रूप से, उद्यमिता एक व्यक्तिगत प्रयास है जो व्यक्तित्व, जोखिम सहनशीलता, व्यक्तिगत प्राथमिकताओं और करियर विकल्पों द्वारा आकारित होता है। इसे केवल सामाजिक बाधा के रूप में देखने के बजाय, हमें उन व्यावहारिक पाइपलाइन की जांच करनी चाहिए जिससे संस्थापक बनते हैं।

जबकि सांख्यिकीय रूप से लड़कियों को प्रारंभिक चरण में तकनीकी विषयों की ओर कम आकर्षित किया जाता है, एक बहुत अधिक महत्वपूर्ण और कम चर्चा किया गया बाधा बाद में कॉर्पोरेट करियर में उभरती है: पूर्ण व्यावसायिक स्वामित्व का संपर्क।

महिलाएँ अक्सर विश्व‑स्तरीय तकनीकी विशेषज्ञ और कार्यात्मक नेताओं के रूप में उत्कृष्ट होती हैं। हालांकि, कम ही सीधे राजस्व जिम्मेदारी, P&L प्रबंधन, व्यावसायिक निर्णय‑लेने और व्यापक कॉर्पोरेट रणनीति वाले भूमिकाओं में संक्रमण करती हैं। ये वही संचालनात्मक क्षमताएँ हैं जो एंटरप्राइज़ तकनीकी कंपनी की स्थापना और स्केलिंग के लिए आवश्यक हैं।

मेरी अपनी यात्रा सॉफ़्टवेयर विकास से सीईओ तक रैखिक नहीं थी, बल्कि नेतृत्व, संचालन, व्यावसायिक निष्पादन और अंततः कंपनी निर्माण में कई संक्रमणों की श्रृंखला थी। रोमानियाई शिक्षा प्रणाली जैसे वातावरण में, जहाँ व्यावहारिक वित्तीय शिक्षा और उद्यमशील प्रशिक्षण सभी के लिए, लिंग की परवाह किए बिना, अनुपलब्ध था, व्यवसायिक जोखिम को नेविगेट करना एक चरण‑दर‑चरण प्रक्रिया के रूप में सीखना था।

इस अंतर को दूर करने के लिए एक सामान्य मिथक को तोड़ना भी आवश्यक है: यह विचार कि तकनीकी नेतृत्व में आगे बढ़ने से पहले पूर्ण महारत की आवश्यकता है। तेज़ी से विकसित हो रहे AI के युग में, कोई भी सभी उत्तर नहीं रखता। आज की प्रमुख नेतृत्व गुण जिज्ञासा, निरंतर सीखना, और जटिल समस्याओं को तब तक हल करने का आत्मविश्वास है जब तक परिणाम सुनिश्चित न हो।

अधिक महिलाओं को तकनीकी कंपनियों का नेतृत्व करते देखने के लिए, हमें व्यावसायिक नेटवर्क तक पहुंच का विस्तार करना चाहिए, दृश्यमान रोल मॉडल को बढ़ावा देना चाहिए, और सक्रिय रूप से अनुभवी प्रतिभा को कार्यात्मक साइलो से बाहर निकलने, P&L जिम्मेदारी लेने, और व्यावसायिक स्वामित्व के जोखिमों को अपनाने के लिए प्रोत्साहित करना चाहिए।

आगे देखते हुए, आपका क्या विचार है