एआई युग में सभी कंपनियों को ज्ञान ग्राफ की आवश्यकता क्यों है

एआई ने मूल रूप से सॉफ्टवेयर विकास को तेज कर दिया है, लेकिन यह सॉफ्टवेयर संगठनों के संचालन को बदलने में लगभग असफल रहा है। यह मिसमैच धीरे-धीरे एंटरप्राइज एआई पर सबसे बड़ा प्रतिबंध बनता जा रहा है।

वर्षों से, इंजीनियरिंग टीमों को मांग के साथ तालमेल बिठाने के लिए अधिक संसाधनों की आवश्यकता थी। आज, छोटी टीमें एआई का उपयोग कोड जनरेट करने, परीक्षण करने और विचार से कार्यान्वयन तक के मार्ग को तेज करने के लिए करती हैं। डेवलपर स्पष्ट रूप से कोड तेजी से शिपिंग कर रहे हैं, लेकिन यह स्थिर रूप से बेहतर परिणामों में अनुवादित होता है या नहीं, यह अभी भी अस्पष्ट है।

यह गति एक नई बोतलनेक पैदा करती है: समन्वय कर। एआई ने निष्पादन को संगठनों के काम को समन्वयित करने से कहीं अधिक तेजी से तेज कर दिया है। संदर्भ साझा करना, प्राथमिकता निर्धारित करना, संचालन निर्णय लेना, स्थिति रिपोर्ट करना और क्रॉस-फंक्शनल संरेखण अभी भी मुख्य रूप से मैनुअल हैं, भले ही विकास तेज हो।

एटलसियन अनुमान लगाता है कि परिणामी डिस्कनेक्ट फॉर्च्यून 500 कंपनियों को लगभग $161 बिलियन वार्षिक खर्च करता है। उसी शोध में पाया गया कि जबकि 89% कार्यकारी कहते हैं कि एआई ने काम को तेज कर दिया है, केवल 6% मापनीय संगठन-व्यापी परिणामों की ओर इशारा कर सकते हैं।

तेजी से आउटपुट स्वचालित रूप से एक स्मार्ट संगठन बनाते नहीं हैं। केवल 17% उपयोगकर्ता सहमत हैं कि एजेंटों ने उनकी टीम के भीतर सहयोग में सुधार किया है, जो एक व्यापक अंतर से सबसे कम रेटेड प्रभाव है, जिससे समन्वय लूप डिस्कनेक्ट हो जाता है।

प्रत्येक प्रश्न पर संदर्भ का पुनर्निर्माण एक बड़ा कर है

जबकि एक डेमो साफ, क्यूरेटेड डेटा स्रोतों का उपयोग करके पनपता है, उत्पादन वातावरण एक चुनौती पेश करता है: अस्पष्ट, पुराना और विरोधाभासी जानकारी जो डिस्कनेक्टेड सिस्टम में बिखरी हुई है। जब उन अंतरालों का सामना किया जाता है, तो एक बड़ा भाषा मॉडल वही करता है जो यह डिज़ाइन किया गया है: यह अगला सबसे संभावित उत्तर भविष्यवाणी करता है। जो एक नियंत्रित डेमो में तर्कसंगत लगता था, वह वास्तविक उत्पादन डेटा के साथ आत्मविश्वासी अनुमान में तेजी से बदल जाता है।

उद्योग ने इस समस्या को एक नाम देना शुरू कर दिया है। “संदर्भ इंजीनियरिंग” एक अनुशासन के रूप में उभरा है जो जानकारी, संबंधों, शासन और गुणवत्ता को डिज़ाइन करने पर केंद्रित है जो निर्धारित करता है कि एंटरप्राइज एआई सफल होता है या नहीं। सीमित कारक अक्सर मॉडल खुद नहीं है, लेकिन इसके आसपास के संदर्भ की गुणवत्ता है।

प्रत्येक बार जब एक एआई सिस्टम संदर्भ का पुनर्निर्माण करता है, तो यह एक कर का भुगतान करता है। प्रतिक्रियाएं धीमी हैं, टोकन लागत बढ़ जाती है, और उत्तरों में उतार-चढ़ाव के कारण विश्वास कम हो जाता है कि कौन से टुकड़े संगठनात्मक ज्ञान पुनर्प्राप्त किए जाते हैं। दो एआई एजेंट एक ही प्रश्न का अलग-अलग उत्तर दे सकते हैं क्योंकि प्रत्येक संदर्भ को संगठनात्मक ज्ञान के एक अलग स्लाइस से इकट्ठा करता है।

अधिकांश संगठनों के पास पहले से ही वह ज्ञान है जिसकी उनके एआई सिस्टम को आवश्यकता है। समस्या यह है कि यह ज्ञान टिकटों, रिपॉजिटरी, दस्तावेजों, बातचीत और योजना उपकरणों में विखंडित है। इसके परिणामस्वरूप, प्रत्येक इंटरैक्शन मॉडल शुरू होने से पहले संगठनात्मक संदर्भ का पुनर्निर्माण करके शुरू होता है, प्रत्येक नए प्रश्न के साथ इसी महंगी प्रक्रिया को दोहराता है।

प्रवेश ज्ञान के समान नहीं है

एक सामान्य प्रश्न यह है कि क्या बड़े संदर्भ विंडो, बेहतर खोज या सुधारित पुनर्प्राप्ति इस समस्या का समाधान करेगी।

मॉडल संदर्भ प्रोटोकॉल एक वास्तविक एकीकरण समस्या को संबोधित करते हैं जो एजेंटों को एक मानक तरीके से प्रदान करते हैं जिसमें एंटरप्राइज जानकारी रहती है। लेकिन प्रवेश ज्ञान के समान नहीं है। एक एजेंट को एक दर्जन प्रणालियों तक पहुंच प्रदान करना उन्हें समझाने में मदद नहीं करता है कि कौन सा निर्णय दूसरे को पूरा करता है, क्या एक आवश्यकता बदल गई, क्या एक दस्तावेज अभी भी अधिकारी है, या कैसे एक ग्राहक बातचीत ने अंततः प्रभावित किया कि क्या शिप किया गया। एक संरचित, सत्यापित तर्क की परत के बिना, यह केवल एक दर्जन अधिक अवसर प्रदान करता है जो विरोधाभासी विवरणों से मिलने के लिए।

अधिकांश एंटरप्राइज एआई सिस्टम अभी भी मानते हैं कि संदर्भ को प्रत्येक बार जब कोई प्रश्न पूछता है तो स्क्रैच से इकट्ठा किया जाना चाहिए। यह दृष्टिकोण अलग-अलग प्रश्नों का उत्तर दे सकता है, लेकिन यह एक व्यवसाय चलाने के लिए आवश्यक निरंतर तर्क का समर्थन करने में संघर्ष करता है। नेता अभी भी उन प्रश्नों के उत्तर देने में घंटों बिताते हैं जो पहले से ही संगठन के भीतर मौजूद होने चाहिए:

• क्या बदल गया?
• इस प्राथमिकता में बदलाव क्यों हुआ?
• क्या रोडमैप अभी भी सटीक है?
• क्या हम अभी भी सही समस्या का समाधान कर रहे हैं?

यह वह जगह है जहां एक ज्ञान ग्राफ अपनी जगह कमाता है। एक ग्राफ संस्थाओं और उनके संबंधों को संग्रहीत करता है, संगठनात्मक स्मृति को संरक्षित करने के लिए एक आधार प्रदान करता है। एक सॉफ्टवेयर संगठन में, ये संस्थाएं ग्राहक, सुविधाएं, आवश्यकताएं, निर्णय, टिकट, रिपॉजिटरी, पुल अनुरोध, रिलीज और लोगों को शामिल कर सकती हैं।

एक एजेंट एक निर्णय से संबंधित आवश्यकता की ओर, उसे लागू करने वाले टिकट की ओर, इसे बदलने वाले पुल अनुरोध की ओर और बाद में इसे चुनौती देने वाली ग्राहक प्रतिक्रिया की ओर जा सकता है, जो कि समान शब्दों वाले पासेजों का संग्रह पुनर्प्राप्त करने के बजाय संबंधों का अनुसरण करता है।

ज्ञान ग्राफ केवल डेटा को व्यवस्थित करने का एक और तरीका होने से परे हैं। इसके बजाय, डिस्कनेक्टेड सिस्टम से संदर्भ का पुनर्निर्माण करने के बजाय, एआई एक निरंतर विकसित संगठनात्मक कार्य की समझ से तर्क कर सकता है।

परिणाम एक ऐसा एआई है जो निर्णयों, बातचीत और साक्ष्य से तर्क कर सकता है, न कि प्रत्येक प्रॉम्प्ट के साथ स्क्रैच से समझ का पुनर्निर्माण कर सकता है।

संरचना अकेले पर्याप्त नहीं है

एक बार ग्राफ बनाना मुश्किल है, और इसे सटीक रखना और भी कठिन है। एक तेजी से बदलते संगठन में, टिकट बदलते हैं, योजनाएं बदलती हैं, कोड शिप होता है, जिम्मेदारियां बदलती हैं, और ग्राहक प्रतिक्रिया प्राथमिकताओं को बदलती है। इसका मतलब है कि संगठनात्मक स्मृति को वास्तविकता के रूप में बदलना चाहिए और प्रत्येक परिवर्तन को इसके स्रोत से फिर से जोड़ना चाहिए।

जबकि 82% डेवलपर्स रिपोर्ट करते हैं कि एआई उन्हें तेजी से कोड करने में मदद करता है और 71% कहते हैं कि यह जटिल समस्याओं से निपटने में उनकी क्षमता में सुधार करता है, यह गति एक पकड़ के साथ आती है: 96% डेवलपर्स को पूरा विश्वास नहीं है कि परिणामी कोड कार्यात्मक रूप से सही है।

प्रत्येक तथ्य जो एक एजेंट आपको देता है उसे अपने स्रोत का पता लगाना चाहिए: कमिट, टिकट, थ्रेड। यदि एक एआई सिस्टम एक नेता को बताता है कि एक रिलीज़ ट्रैक पर है लेकिन उस निष्कर्ष के पीछे के संकेतों को नहीं दिखा सकता है, तो एक अनुभवी नेता को उस पर कार्रवाई करने में हिचकिचाहट होनी चाहिए।

मैंने टीमों को देखा है जो उन उपकरणों को छोड़ देती हैं जो उचित उत्तर प्रदान करते हैं क्योंकि उपयोगकर्ता यह नहीं देख पाते हैं कि उन उत्तरों को कैसे पहुंचा गया। मैंने टीमों को भी देखा है जो कम उन्नत प्रणालियों का उपयोग जारी रखती हैं क्योंकि वे अपना काम दिखाती हैं। एक विश्वासपात्र सारांश जिसमें कोई रसीद नहीं है बस गलत होने का एक तेज़ तरीका है, और एक बार जब एक उपकरण एक नेता को एक अस्त्र उत्तर के साथ जला देता है, तो विश्वास वापस नहीं आता है। प्रत्येक दावे को इसके स्रोत से जोड़ना “मुझ पर विश्वास करें” को “यह क्यों है” में बदल देता है।

सटीकता भी उसी कारण से महत्वपूर्ण है। जब एक प्रणाली निरंतर रूप से योजना और वास्तविक के बीच संबंध को ट्रैक करती है, तो जो अंतराल एक टीम ने तय किया और वास्तव में क्या शिप किया, वह दृश्य ड्रिफ्ट बन जाता है जो एक आत्मविश्वासी लेकिन पुराने उत्तर में शांत रूप से अवशोषित नहीं होता है। यह एक हाशिए की चिंता नहीं है। थॉटवर्क्स ने कोड ड्रिफ्ट को एआई एजेंटों के लिए एक विशिष्ट खतरे के रूप में चिह्नित किया है। यह सत्यापन लूप और प्रतिक्रिया तंत्र की आवश्यकता पर जोर देता है जो प्रणालियों को विकसित होते काम के दौरान विचलन का पता लगाने और ठीक करने में मदद करते हैं। जो ड्रिफ्ट एक संगठन देख सकता है वह उपयोगी जानकारी है। जो ड्रिफ्ट छिपा रहता है वह यह है कि एक एआई सिस्टम कैसे उन लोगों को गुमराह करना शुरू कर देता है जिन्होंने इस पर भरोसा किया था।

अपने अगले एजेंट परियोजना से पहले पूछने के लिए क्या

एक एंटरप्राइज एजेंट पहल का मूल्यांकन करते समय, मैं चार प्रश्नों से शुरू करूंगा:

• क्या प्रणाली समय के साथ अपने संदर्भ का अनुकूलित प्रतिनिधित्व बनाए रखती है, या यह केवल मौजूदा डेटा स्रोतों तक एआई पहुंच प्रदान करती है?
• क्या प्रत्येक उत्तर एक विशिष्ट स्रोत, जैसे कि टिकट या दस्तावेज़, में वापस लाया जा सकता है?
• क्या प्रणाली स्वचालित रूप से अपडेट होती है क्योंकि संगठन की जानकारी बदलती है?
• क्या एजेंट डेटा बिंदुओं के बीच संबंधों को समझता है, न कि केवल उन तक पहुंच प्रदान करता है?

फाउंडेशन मॉडल बेहतर होते रहेंगे। तर्क क्षमताएं मजबूत होंगी, संदर्भ विंडो बढ़ेंगी, और ये उन्नति हर किसी के लिए बढ़ती जाएगी। जो चीज़ कमोडिटी में नहीं बदलेगी वह संगठनात्मक समझ है।

अधिकांश सीईओ रिपोर्ट करते हैं कि वे पिछले वर्ष में एआई से राजस्व या लागत लाभ देखने में असमर्थ हैं। मैं दावा करूंगा कि अधिकांश उस संदर्भ परत को याद कर रहे हैं जो मॉडल को संगठन के बारे में जो पहले से ही जानता है उस पर तर्क करने की अनुमति देती है।

जैसे-जैसे सॉफ्टवेयर बनाना नाटकीय रूप से आसान हो जाता है, समझ दुर्लभ संसाधन बन जाती है। जो लोग एआई से सबसे अधिक मूल्य बनाते हैं वे संगठनात्मक ज्ञान से जुड़ने, संरक्षित करने और निरंतर सीखने में बेहतर होते हैं। यह एआई के बीच का अंतर है जो अनुमान लगाता है और एआई जो जानता है।