Deepak Kinger, EvoluteIQ के मुख्य रणनीति अधिकारी और सह-संस्थापक – साक्षात्कार श्रृंखला

Deepak Kinger, EvoluteIQ के मुख्य रणनीति अधिकारी और सह-संस्थापक, प्रौद्योगिकी और व्यवसाय के अनुभवी अगुआ हैं। उन्हें उद्यमों के रूपांतरण, वित्तीय सेवाओं, स्वचालन और कृत्रिम बुद्धिमत्ता के क्षेत्र में दो दशक से अधिक का अनुभव है। EvoluteIQ में वे कंपनी की समग्र रणनीति तय करने में मदद करते हैं और साथ ही प्रमुख प्रौद्योगिकी गठबंधनों, समाधान साझेदारियों, विपणन तथा विश्लेषक संबंधों का नेतृत्व करते हैं। 2019 में EvoluteIQ की सह-स्थापना से पहले, Kinger ने GALE Partners, Virtusa, Sapient, Headstrong, Wipro और Mphasis में वरिष्ठ नेतृत्वकारी भूमिकाएँ निभाईं। इन भूमिकाओं में एशिया-प्रशांत क्षेत्र में वित्तीय सेवा कारोबारों का प्रबंधन करना, डिजिटल रूपांतरण पर वरिष्ठ अधिकारियों को सलाह देना, कारोबार की नई इकाइयाँ खड़ी करना और बड़े पैमाने की प्रौद्योगिकी परियोजनाओं का नेतृत्व करना शामिल था। उनके अनुभव में रणनीति, व्यवसाय विकास, ग्राहक संबंध प्रबंधन, लाभ-हानि (P&L) प्रबंधन, परिचालन और AI, मशीन लर्निंग, रोबोटिक प्रक्रिया स्वचालन, ब्लॉकचेन तथा डेटा साइंस जैसी उभरती प्रौद्योगिकियाँ शामिल हैं।

EvoluteIQ उद्यमों के लिए AI और बुद्धिमान स्वचालन प्रदान करने वाली कंपनी है, जिसका ध्यान संगठनों को जटिल, शुरू से अंत तक की व्यावसायिक प्रक्रियाओं को स्वचालित और समन्वित करने में मदद देने पर है। इसका EIQ Platform एजेंट-आधारित AI, जनरेटिव AI, प्रक्रिया और निर्णय स्वचालन, बुद्धिमान RPA, इवेंट प्रोसेसिंग, डेटा फ़ैब्रिक, विश्लेषिकी, उद्यम कनेक्टर और बहु-माध्यमीय एप्लिकेशन विकास को लो-कोड/नो-कोड परिवेश में एक साथ लाता है। यह प्लेटफ़ॉर्म उद्यमों को मौजूदा प्रणालियों को जोड़ने, AI एजेंट और स्वचालित वर्कफ़्लो बनाने तथा लागू करने, परिणामों पर नज़र रखने और ग्राहक अनुभव, वित्त, परिचालन, बिक्री तथा आपूर्ति शृंखला प्रबंधन जैसे क्षेत्रों में स्वचालन का विस्तार करने में सक्षम बनाने के लिए बनाया गया है। 2019 में स्थापित EvoluteIQ ने अपने AI Workbench और Agentic Mesh Architecture जैसी प्रौद्योगिकियों के ज़रिए एजेंट-आधारित उद्यम स्वचालन पर अपना ध्यान बढ़ाया है। 2025 में, उसने वैश्विक विस्तार और बेंगलुरु में अपने अनुसंधान एवं विकास परिचालनों में आगे निवेश के लिए Baird Capital के नेतृत्व में 53 मिलियन डॉलर के अल्पांश विकास निवेश की घोषणा की।

2019 में EvoluteIQ की सह-स्थापना करने से पहले, आपने वित्तीय सेवाओं, उद्यम प्रौद्योगिकी और डिजिटल रूपांतरण के क्षेत्रों में दो दशक तक काम किया। बड़े संगठनों में आपको बार-बार कौन-सी समस्याएँ दिखाई दीं, जिनसे अंततः आपको EvoluteIQ बनाने का अवसर नज़र आया? और आप इस काम को किस तरह अलग ढंग से करना चाहते थे?

EvoluteIQ से पहले, मैंने परामर्श के क्षेत्र में 25 साल बिताए। इस दौरान मेरा अधिकांश काम बड़े वित्तीय संस्थानों को रूपांतरण की पहलों में मदद देना था। इसमें शुरुआती डिजिटल बैंकिंग कार्यक्रमों के साथ-साथ ट्रेडिंग, जोखिम प्रबंधन और व्यापक, शुरू से अंत तक का रूपांतरण शामिल था। समय के साथ, मैंने स्वचालन की बढ़ती माँग देखी और हम उद्यमों को कुछ सबसे बड़े विक्रेताओं के प्लेटफ़ॉर्म लागू करने में मदद कर रहे थे।

आखिरकार, EvoluteIQ शुरू करने की हमारी प्रेरणा इस अवसर से मिली कि हम किसी और की प्रौद्योगिकी लागू करने के बजाय खुद कुछ बनाएँ। हमने स्वचालन के लिए एक अधिक एकीकृत तरीका अपनाने का अवसर देखा, ताकि उद्यमों को कई प्रौद्योगिकियों, लाइसेंसों और एकीकरण परतों को जोड़ने की ज़रूरत न पड़े। 2019 में EvoluteIQ शुरू करने की प्रेरणा में यह भी शामिल था।

हमारे पिछले Unite.AI साक्षात्कार में आपके सह-संस्थापक Sameet Gupte ने उद्यमों को कार्य-आधारित स्वचालन से AI-आधारित, शुरू से अंत तक स्वायत्त परिचालनों की ओर ले जाने के EvoluteIQ के व्यापक दृष्टिकोण पर चर्चा की थी। नियामकीय बदलावों का प्रबंधन यह कैसे दिखाता है कि अलग-अलग कार्यों को स्वचालित करने से आगे बढ़कर पूरी व्यावसायिक प्रक्रियाओं का समन्वय करना क्यों ज़रूरी है?

नियामकीय बदलावों का असर शायद ही कभी किसी एक अलग-थलग कार्य तक सीमित रहता है। 2020 में, हमने LIBOR से बदलाव के लिए एक समाधान बनाया। बैंकों को बड़े पैमाने के ऐसे बदलाव से निपटना था, जिसका मौजूदा अनुबंधों पर असर पड़ रहा था और जिसके लिए परिचालन टीमों, पैरालीगल्स तथा कारोबारी टीमों को उन अनुबंधों की समीक्षा करके सुधार करना पड़ता था। कई संस्थान मूलतः इस समस्या से निपटने के लिए और लोगों को लगा रहे थे। LIBOR से हमें यह सीख मिली कि नियम बदलते हैं, लेकिन उनसे जुड़ी मूल चुनौती बार-बार सामने आती है। नियामकीय बदलाव और अनुपालन परिचालन की निरंतर आवश्यकताएँ हैं।

धन-शोधन-रोधी/आतंकवाद के वित्तपोषण का मुकाबला करने (AML/CFT) से जुड़े हाल के FinCen के प्रस्तावित बदलावों के साथ, हम नियमों का अत्यधिक निर्देशात्मक, “हर खाने पर सही का निशान लगाने” वाले अनुपालन मॉडल से दूर जाने की प्रवृत्ति देख रहे हैं। इससे अनुपालन का बोझ हल्का होने के बजाय अपेक्षाएँ और बढ़ जाती हैं, क्योंकि संस्थानों को नियमों की व्याख्या करनी होती है, अपने जोखिमों को स्पष्ट रूप से बताना होता है और यह तय करना होता है कि उन जोखिमों का उनके परिचालन मॉडल के लिए क्या अर्थ है। इस बदलाव का दायरा स्वाभाविक रूप से किसी संगठन के अलग-अलग विभागों और कार्यों तक पहुँचता है, न कि केवल अनुपालन और लेखा-परीक्षा टीमों तक।

आपने कहा है कि बैंकों को हर बड़े नियामकीय बदलाव को एक नई रूपांतरण परियोजना मानना बंद करके, नियामकीय बदलावों से निपटने की क्षमता को स्थायी परिचालन क्षमता के रूप में विकसित करना चाहिए। व्यवहार में ऐसा परिचालन मॉडल कैसा होगा, और वित्तीय संस्थानों को इसे विकसित करने में ऐतिहासिक रूप से कठिनाई क्यों हुई है?

नए परिचालन मॉडल में यह समझ होगी कि बदलाव निरंतर होता रहता है; अब यह ऐसी प्रक्रिया नहीं है जिसे हर तिमाही लागू करना पड़े या लेखा-परीक्षकों के जाँच के लिए आने पर शुरू किया जाए। LIBOR के लिए समाधान तैयार करने से हमें पता चला कि किसी एक नियामकीय बदलाव को अंततः लागू कर देने के बाद भी अनुकूलन की ज़रूरत खत्म नहीं होती। अगले नियामकीय बदलाव के लिए उसे समझना, परिचालन आवश्यकताओं में बदलना और प्रक्रियाओं को अद्यतन करना ज़रूरी होगा।

नया परिचालन मॉडल अनुपालन तक सीमित भी नहीं होना चाहिए। अधिक जोखिम-आधारित मॉडल में अनुपालन कार्य अंततः नियमों के पालन की ज़िम्मेदारी संभाल सकता है, लेकिन परिचालन, कानूनी और कुछ मामलों में प्रतिपक्ष जोखिम प्रबंधन की भूमिका भी अधिक महत्त्वपूर्ण हो जाती है। संस्थानों से होने वाली एक चूक यह है कि वे इस बात को कम आँकते हैं कि नियामकीय बदलाव पूरे संगठन को कितनी व्यापकता से प्रभावित करता है।

ऐतिहासिक रूप से यह मुश्किल रहा है, क्योंकि उद्यमों ने बिखरे हुए प्रौद्योगिकी ढाँचे और अलग-थलग परिचालन मॉडल विकसित कर लिए हैं। जब अलग-अलग कारोबारी इकाइयाँ अलग RPA, BPM, रिपोर्टिंग और अन्य प्लेटफ़ॉर्म पर निर्भर होती हैं, तो नई ज़रूरत का जवाब देना अपने आप में एक एकीकरण परियोजना बन जाता है।

जब कोई नया विनियमन लागू होता है, तो बैंक को यह तय करना पड़ सकता है कि किन ग्राहकों, उत्पादों, अनुबंधों, प्रणालियों और प्रक्रियाओं पर उसका असर पड़ेगा। इस प्रभाव का विश्लेषण करने में AI कहाँ ठोस सुधार ला सकता है, और प्रक्रिया के किन हिस्सों में अब भी नियतात्मक नियमों या मानवीय निर्णय की ज़रूरत होगी?

AI नियामकीय बदलावों को समझने और लागू करने के लिए ज़रूरी मैन्युअल काम को काफ़ी कम कर सकता है। विशेष रूप से, AI बड़ी मात्रा में जानकारी का विश्लेषण और वर्गीकरण करने में मदद कर सकता है और यह पहचान सकता है कि मानवीय ध्यान कहाँ केंद्रित होना चाहिए। उदाहरण के लिए, EvoluteIQ की नियामकीय प्रतिक्रिया क्षमताएँ ग्राहकों और परिसंपत्ति के प्रकार के आधार पर अनुबंधों का वर्गीकरण और प्राथमिकता तय कर सकती हैं, इस जानकारी को उद्यम प्रणालियों और बाहरी डेटा स्रोतों से जोड़ सकती हैं, और फिर कानूनी, जोखिम और परिचालन टीमों में आगे की प्रक्रिया का समन्वय कर सकती हैं। इससे संस्थान यह पहचानने से आगे बढ़कर पूरी प्रक्रिया में बदलावों के परिणामस्वरूप होने वाले काम का प्रबंधन कर सकते हैं कि किन चीज़ों पर असर पड़ सकता है।

मानवीय नियंत्रण और निगरानी अब भी अनिवार्य हैं। विनियमित प्रक्रिया के कुछ हिस्सों में संस्थान को स्पष्ट रूप से परिभाषित कारोबारी नियमों, शर्तों, अपवादों और मामले को उच्च स्तर पर भेजने की प्रक्रियाओं की ज़रूरत होती है। हमारा मानना है कि सही मॉडल में AI की अनुकूलन क्षमता के साथ नियतात्मक स्वचालन और जहाँ उचित हो, वहाँ मानवीय निर्णय का मेल होना चाहिए। AI यह समझने और सामने लाने में मदद कर सकता है कि किन मामलों में कार्रवाई की ज़रूरत पड़ सकती है; परिभाषित निर्णयों को लागू करने का तरीका नियतात्मक नियम तय कर सकते हैं; और जिन अपवादों या निर्णयों में विवेक की ज़रूरत हो, उन्हें उपयुक्त व्यक्ति तक भेजा जा सकता है।

नियामकीय बदलावों को लागू करने की प्रक्रिया अक्सर कानूनी, अनुपालन, जोखिम, परिचालन, डेटा और प्रौद्योगिकी टीमों के काम को जोड़ती है। AI और प्रक्रिया समन्वय इन समूहों को किसी विनियमन की एक साझा व्याख्या के आधार पर काम करने में कैसे मदद कर सकते हैं, ताकि वे अलग-अलग कार्यप्रवाह और संभावित रूप से परस्पर विरोधी कारोबारी नियम न बनाएँ?

अधिक जोखिम-आधारित अनुपालन मॉडल का एक सबसे बड़ा निहितार्थ यह है कि ज़िम्मेदारी संगठन के और अधिक हिस्सों में फैल जाती है। जवाबदेही की अंतिम ज़िम्मेदारी अब भी अनुपालन विभाग की हो सकती है, लेकिन परिचालन, कानूनी और प्रतिपक्ष जोखिम टीमों की भी अहम भूमिका होती है। इसलिए संस्थानों को बदलाव लागू करने को ऐसा काम नहीं समझना चाहिए जिसे अनुपालन विभाग अकेले कर सकता है।

इसीलिए एकीकृत प्लेटफ़ॉर्म महत्त्वपूर्ण है। किसी बड़े संगठन में इस नए मॉडल के तहत अभिलेख प्रणालियों और कारोबारी नियमों को एकीकृत करना पड़ता है, लेकिन इसके साथ सुरक्षा की जटिलताओं का भी ध्यान रखना होता है। एकीकृत दृष्टिकोण से यह जोखिम कम हो सकता है कि संगठन के अलग-अलग हिस्से एक ही बदलाव को पूरी तरह अलग-अलग प्रौद्योगिकी ढाँचों के ज़रिए लागू करें।

जनरेटिव AI जटिल नियामकीय दस्तावेज़ों की व्याख्या कर सकता है, लेकिन अनुपालन संबंधी निर्णयों में शामिल होने पर बैंक मनगढ़ंत उत्तरों या असंगत व्याख्याओं का जोखिम नहीं उठा सकते। नियामकीय बदलावों के लिए इस्तेमाल होने वाली AI प्रणालियों में कौन-से सुरक्षा उपाय शामिल किए जाने चाहिए, और निर्णय प्रक्रिया में मानवीय विशेषज्ञों की भूमिका कहाँ बनी रहनी चाहिए?

पहला, AI एजेंटों को अलग-थलग तैनात न करें, क्योंकि उचित शासन के बिना इससे एजेंटों का अनियंत्रित फैलाव हो सकता है।

दूसरा, कोई संगठन किन कामों को स्वचालित कर सकता है, यह केवल उसकी तकनीकी क्षमताओं से तय नहीं होता; इस पर विनियमन, निजता और कानूनी रूप से साझा किए जा सकने वाले डेटा की सीमाएँ भी लागू होती हैं।

मुख्य डिज़ाइन सिद्धांत यह होना चाहिए कि AI व्याख्या के काम को तेज़ करे, लेकिन निर्णय की ज़िम्मेदारी न ले। अनुपालन की जवाबदेही नामित व्यक्तियों के पास ही रहती है, जैसा कि नियामक अपेक्षा करते हैं। सुरक्षा उपाय दो श्रेणियों में आते हैं: AI के आउटपुट पर नियंत्रण और मानवीय निर्णय के बिंदुओं को सोच-समझकर तय करना। AI के हर आउटपुट का आधार किसी प्रामाणिक स्रोत में होना चाहिए और AI प्रणाली के भीतर इनपुट तथा आउटपुट—दोनों के लिए सुरक्षा सीमाएँ निर्धारित होनी चाहिए।

अंत में, हर आउटपुट के लिए स्रोत के प्रावधानों, मॉडल और प्रॉम्प्ट के संस्करणों, विश्वास स्तर, समीक्षक, निर्णय और उसके तर्क का लेखा-परीक्षण रिकॉर्ड बनाए रखना चाहिए।

वित्तीय सेवाओं में लेखा-परीक्षण की क्षमता विशेष रूप से महत्त्वपूर्ण है। यदि AI किसी विनियमन की व्याख्या करने, कारोबारी नियम बनाने, प्रभावित ग्राहकों की पहचान करने और कार्यप्रवाह शुरू करने में मदद करता है, तो संस्थान ऐसा स्पष्ट साक्ष्य रिकॉर्ड कैसे बनाए रख सकते हैं जिससे नियामकों को ठीक-ठीक पता चले कि हर निर्णय कैसे और क्यों लिया गया?

अत्यधिक विनियमित उद्योगों में अनुरेखणीयता का अर्थ केवल अंतिम निर्णय का दस्तावेज़ीकरण करना नहीं होना चाहिए। इसके बजाय, यह देख पाना कहीं अधिक उपयोगी है कि अंतिम निर्णय तक पहुँचने का पूरा क्रम क्या था—कौन-सी जानकारी इस्तेमाल की गई, कौन-से नियम लागू हुए, कौन-से निर्णय लिए गए, प्रक्रिया के दौरान क्या-क्या बदला, और मनुष्यों ने कहाँ हस्तक्षेप किया तथा किन बातों को मंज़ूरी दी।

जब कई एजेंट, व्यावसायिक नियम और कार्यप्रवाह एक-दूसरे के साथ परस्पर क्रिया करते हैं, तो अनुरेखणीयता और भी महत्वपूर्ण हो जाती है। ऑर्केस्ट्रेशन परत में ही ऑडिट करने की क्षमता शामिल होनी चाहिए। निर्णयों का क्रम निर्णयों, नियमों में बदलाव और उनके तर्क को दर्ज कर सकता है, जबकि एजेंटों की शुरू से अंत तक अनुरेखणीयता स्वायत्त कार्रवाइयों की पूरी शृंखला का दृश्य देती है।

यदि कोई नियामक पूछे कि किसी खास ग्राहक, अनुबंध या लेन-देन को एक निश्चित तरीके से क्यों संभाला गया, तो वित्तीय संस्थान को उस परिणाम का पता उन आँकड़ों, नियमों, AI-आधारित निर्णयों, अनुमोदनों और कार्रवाइयों तक लगा पाना चाहिए जिनसे वह परिणाम निकला। इसी से व्याख्येयता केवल मॉडल तक सीमित मुद्दा न रहकर परिचालन क्षमता बनती है।

बड़े बैंक दशकों पुरानी अवसंरचना पर काम करते हैं, जहाँ ग्राहकों और लेन-देन से जुड़े महत्वपूर्ण आँकड़े कई प्रणालियों में फैले होते हैं। अंतर्निहित तकनीकी ढाँचे को महँगे ढंग से बदले बिना वे AI-आधारित अनुपालन की पुनः इस्तेमाल की जा सकने वाली परत कैसे बना सकते हैं? 

किसी भी नई उद्यम-क्षमता को मौजूदा अवसंरचना के भीतर काम करना होगा। इसके उलट अपेक्षा करना तर्कसंगत नहीं है। एकीकरण भी महत्वपूर्ण है, क्योंकि ग्राहक हमें लगातार बता रहे हैं कि उनके पास कई RPA मंच हैं या एक पुरानी BPM प्रणाली है, जिसके साथ पूरे उद्यम में रिपोर्टिंग की कई अलग-अलग प्रौद्योगिकियाँ मौजूद हैं। हमारे ग्राहक अब किसी विकल्प की तलाश करने के बजाय उन उपकरणों और प्रणालियों पर ध्यान केंद्रित करने के बारे में अधिक मुखर हैं जो निवेश पर प्रतिफल (ROI) देते हैं। इसलिए, अनुपालन की पुनः इस्तेमाल की जा सकने वाली परत को मौजूदा परिवेश में काम करना चाहिए; यह नहीं मानना चाहिए कि उसके नीचे की हर चीज़ बदल दी जाएगी।

आपने वित्तीय संस्थानों के साथ प्रौद्योगिकी की कई पीढ़ियों में काम किया है—पारंपरिक कोर प्रणालियों से लेकर रोबोटिक प्रक्रिया स्वचालन, मशीन लर्निंग और अब एजेंटिक AI तक। AI के मौजूदा बदलाव में बुनियादी तौर पर क्या अलग है, और आपके विचार से वित्तीय संस्थानों को स्वचालन के पिछले दौरों की गलतियाँ दोहराने का जोखिम कहाँ है?

स्वचालन की शुरुआती पीढ़ियाँ ऐसे कामों के लिए थीं जो पहले से ही स्पष्ट रूप से परिभाषित थे। कोर बैंकिंग प्रणालियों ने अभिलेखों और लेन-देन को संहिताबद्ध किया। RPA ने स्क्रीन पर कीबोर्ड की गतिविधियों को स्क्रिप्ट के रूप में तय किया। मशीन लर्निंग ने संरचित आँकड़ों के आधार पर धोखाधड़ी की आशंका और ऋण जोखिम जैसे सीमित पूर्वानुमान लगाए, जिनकी सटीकता को मापा जा सकता था। हर मामले में, आगे क्या होगा यह कोई व्यक्ति या तय नियम निर्धारित करता था और तकनीक पहले से ज्ञात रास्ते पर काम करती थी।

एजेंटिक AI इसे कुछ तरीकों से बदलता है:

• यह असंरचित और निर्णय-विवेक की आवश्यकता वाले कामों को अधिक प्रभावी ढंग से संभालता है। बैंक अब केवल कार्यों को स्वचालित नहीं कर रहे हैं। वे अपेक्षित परिणामों की ज़िम्मेदारी सौंप रहे हैं और प्रणाली अपना रास्ता खुद चुनती है।
• इसमें होने वाली विफलता का पता आसानी से नहीं चलता। जब किसी बैंक ने स्क्रीन का लेआउट बदला, तो RPA बॉट साफ़ तौर पर काम करना बंद कर देता था और कोई उसे ठीक कर देता था। लेकिन भाषा मॉडल गलत होने पर भी धाराप्रवाह, विश्वसनीय और आत्मविश्वास से भरा जवाब देता है। यह एक समस्या है।
• इसका व्यवहार संभाव्यता-आधारित होता है, इसलिए मतिभ्रम से बचने के लिए इसे उद्यम के संदर्भ में आधार देना अत्यंत महत्वपूर्ण है।
• अंततः, AI का उपयोग करके कुछ बनाना सस्ता हो गया है और व्यावसायिक उपयोगकर्ता अब एक ही दोपहर में काम करने वाले एजेंट बना सकते हैं। पहले स्वचालन की गति IT की क्षमता से सीमित होती थी; अब बाधा शासन-क्षमता है।

वित्तीय संस्थानों को यह भी ध्यान रखना चाहिए कि पारंपरिक स्वचालन के दौर से मिले सबक भुलाए न जाएँ। इनमें से कुछ उदाहरण हैं:

• टूटी हुई प्रक्रियाओं को स्वचालित करना। RPA की सबसे बड़ी विरासत हज़ारों ऐसे बॉट थे जिन्हें उन प्रक्रियाओं पर परत-दर-परत जोड़ा गया था जिनका किसी ने पुनर्निर्माण नहीं किया था। इससे ऐसा नाज़ुक तकनीकी ऋण पैदा हुआ जिसकी देखरेख का खर्च बैंक अब भी उठा रहे हैं। उन्हीं बिखरे हुए कार्यप्रवाहों के ऊपर एजेंट जोड़ना, अधिक परिष्कृत स्तर पर वही गलती दोहराना है। बैंकों को पहले काम को नए सिरे से व्यवस्थित करना चाहिए, फिर तय करना चाहिए कि कौन-सी ज़िम्मेदारियाँ सौंपनी हैं।
• दिखावटी मापदंडों के पीछे भागना: उत्पादन में लागू करने के लिए वित्तपोषित योजना न हो तो अवधारणा के प्रमाण (PoC) आगे नहीं बढ़ते। तैनात एजेंटों की गिनती करना, वास्तविक व्यावसायिक नतीजों को मापने के बजाय बॉट गिनने की RPA वाली आदत को दोहराना है।
• आँकड़ों की बुनियाद में पर्याप्त निवेश न करना। मशीन लर्निंग ने सिखाया कि मॉडल की गुणवत्ता की सीमा आँकड़ों की गुणवत्ता तय करती है। पुराने नियमों, दोहराए गए दस्तावेज़ों या परस्पर विरोधी स्रोतों से जानकारी पाने वाले एजेंट, गलत आधार पर भी पूरे आत्मविश्वास से तर्क देंगे।

आगे चलकर, क्या आपको लगता है कि विनियामक अनुपालन निरंतर या आंशिक रूप से स्वायत्त अनुपालन के रूप में विकसित होगा—जहाँ AI प्रणालियाँ नियामकीय बदलावों का पता लगाएँ, उनके प्रभाव का आकलन करें, कार्यप्रवाहों को अद्यतन करें और केवल उन अपवादों को आगे भेजें जिनमें मानवीय निर्णय की ज़रूरत हो? बैंकों और नियामकों को स्वायत्तता के इस स्तर पर सहज होने से पहले क्या होना होगा?

हाँ, लेकिन स्वायत्तता चरणों में आएगी। स्पष्ट रूप से परिभाषित बदलावों का पता लगाना, उनकी प्राथमिकता तय करना, उनके प्रभाव का आकलन करना और कार्यप्रवाहों को अद्यतन करना काफी हद तक निरंतर और स्वचालित हो जाएगा। अस्पष्ट नियमों, जोखिम स्वीकार करने और नियामकीय रुख तय करने से जुड़े निर्णय मनुष्यों के पास ही रहेंगे। इसका व्यावहारिक अंतिम स्वरूप “निगरानी के अधीन स्वायत्तता” होगा, जिसमें मशीनें सामान्यतः पूरी प्रक्रिया चलाएँगी और मनुष्य अपवादों के आधार पर निगरानी करेंगे।

ऐसा होने के लिए, नियामकों को भी संरचित और संस्करणित प्रारूपों में नियम प्रकाशित करने होंगे। इसके लिए FCA और Bank of England के डिजिटल नियामकीय रिपोर्टिंग संबंधी कार्य जैसी पहलों को आगे बढ़ाया जा सकता है।

निष्पादन प्रणालियों में बदलावों को वापस पलटने की सुविधा और आपातकालीन बंद करने वाले स्विच भी शामिल करने होंगे, ताकि विसंगतियों, त्रुटि दरों या मॉडल में बदलाव का पता चलने पर स्वायत्त कार्यप्रवाह में किए गए बदलावों को आसानी से वापस लिया जा सके। जब पर्यवेक्षक भी ऐसे ही औज़ारों का इस्तेमाल करेंगे, तो उनका भरोसा तेज़ी से बढ़ेगा। इससे परीक्षण के लिए एक साझा भाषा तैयार होगी और समय के साथ मशीनों के बीच प्रत्यक्ष पर्यवेक्षण भी संभव हो सकता है।

इस शानदार साक्षात्कार के लिए धन्यवाद। अधिक जानने के इच्छुक पाठक EvoluteIQ पर जाएँ।