मैं जीविका के लिए एआई सिस्टम बनाता हूं। यहाँ क्या सबसे ज्यादा लोग गलत समझते हैं

मैं एंटरप्राइज़ कॉन्टैक्ट सेंटर के लिए एआई सिस्टम बनाता हूं।

न केवल डेमो, बेंचमार्क, या रिसर्च प्रोजेक्ट्स। उत्पादन सिस्टम जो ग्राहकों के साथ बातचीत करते हैं, नीतियों का पालन करते हैं, विभिन्न एंटरप्राइज़ प्लेटफ़ॉर्म से जानकारी प्राप्त करते हैं, और असंगत डेटा, विरोधाभासी रिकॉर्ड, पृष्ठभूमि शोर, और अप्रत्याशित मानव व्यवहार जैसे पर्यावरण में काम करते हैं।

इस अनुभव ने मुझे एआई उद्योग में सबसे बड़े विचलन का सामना करने का मौका दिया है। एआई के बारे में सार्वजनिक चर्चा अक्सर इस बात से भरी होती है कि यह तकनीक भविष्य में क्या बन सकती है, जबकि संगठन इसे सफलतापूर्वक तैनात करने के तरीके को समझने की कोशिश कर रहे हैं। वे बहुत अलग बातचीत हैं।

मैं जिन प्रश्नों का उत्तर देता हूं वे अक्सर कृत्रिम सामान्य बुद्धिमत्ता या मशीनें अंततः मानवों को बदल देंगी जैसे मुद्दों पर नहीं होते हैं। वे अधिक व्यावहारिक होते हैं। क्या सिस्टम लगातार ग्राहक अनुरोधों की व्याख्या कर सकता है? क्या यह विभिन्न एंटरप्राइज़ प्लेटफ़ॉर्म पर सटीक जानकारी प्राप्त कर सकता है? क्या यह अधूरी डेटा के साथ पुनर्प्राप्त कर सकता है? क्या यह कम विश्वास के साथ उचित रूप से एस्केलेट कर सकता है? क्या टीमें इसे इतना भरोसा कर सकती हैं कि इसे बड़े पैमाने पर तैनात करें?

वे प्रश्न शायद हेडलाइन्स से कम रोमांचक हैं, लेकिन वे यह निर्धारित करते हैं कि एंटरप्राइज़ एआई सफल होता है या नहीं। समय के साथ, मुझे लगता है कि अधिकांश संगठन मॉडल के महत्व को अधिक अनुमान लगाते हैं और वास्तविक व्यवसाय में उपयोगी बनाने के लिए आवश्यक सब कुछ कम अनुमान लगाते हैं।

डेमो डिप्लॉयमेंट नहीं है

एंटरप्राइज़ एआई के साथ काम करने वाला कोई भी व्यक्ति नियंत्रित प्रदर्शन और उत्पादन तैनाती के बीच की खाई को समझता है।

हमें इसके उदाहरण लगातार मिलते हैं। एक एआई सिस्टम जिसके साथ हम काम कर रहे हैं वह लगभग आधे समय में 16-अंकों के ऑर्डर नंबर को शब्दों में बदलने में विफल रहता है। ये प्रकार की विफलताएं अब प्रसिद्ध “स्ट्रॉबेरी में कितने आर हैं?” समस्या के समान हैं, जहां उन्नत भाषा मॉडल एक ऐसे कार्य के साथ संघर्ष करते हैं जो मानवों के लिए तुच्छ लगता है। उन्हीं मॉडलों ने एमसीएटी जैसे परीक्षणों में असाधारण रूप से अच्छा प्रदर्शन किया है। यह कंट्रास्ट कुछ महत्वपूर्ण को प्रकट करता है: बेंचमार्क प्रदर्शन और परिचालन विश्वसनीयता एक ही बात नहीं हैं।

एक बार एआई उत्पादन में प्रवेश करता है, तो यह अपने चारों ओर के पर्यावरण की सभी जटिलताओं को विरासत में मिलता है। एंटरप्राइज़ सिस्टम में अधूरी रिकॉर्ड, विरोधाभासी जानकारी, पुरानी प्रक्रियाएं, डिस्कनेक्टेड एप्लिकेशन और दशकों से जमा हुई एज केस शामिल हैं। ग्राहक अस्पष्ट प्रश्न पूछते हैं। नीतियां बदलती हैं। डेटा गुणवत्ता भिन्न होती है। मानव व्यवहार अभी भी अचंभित करने वाला अप्रत्याशित रहता है।

वे वास्तविकताएं बेंचमार्क स्कोर की तुलना में परिणामों को बहुत अधिक आकार देती हैं क्योंकि एआई बेंचमार्क में नहीं चलता है। यह व्यवसाय प्रक्रियाओं, सिस्टम और कार्य प्रवाहों के भीतर काम करता है जो जटिलता पेश करते हैं जिन्हें मॉडल स्वयं हल नहीं कर सकता है।

एंटरप्राइज़ एआई में एक ऑपरेशनल लेयर होती है

एक सबक जो लगातार लोगों को आश्चर्यचकित करता है वह यह है कि मॉडल प्रदर्शन कितनी जल्दी सीमित कारक बनना बंद कर देता है। एक बार सिस्टम उत्पादन तक पहुंच जाता है, तो ऑपरेशनल चुनौतियां अक्सर मॉडल से अधिक महत्वपूर्ण हो जाती हैं। सफल एआई पहल के लिए प्रक्रिया डिज़ाइन, संगठनात्मक संरेखण, डेटा गुणवत्ता, सिस्टम एकीकरण, दृश्यता, एस्केलेशन पथ, शासन और विश्वास पर निर्भर करती हैं।

टीमों को विफलताओं को संभालने के लिए स्पष्ट प्रक्रियाओं की आवश्यकता होती है। उन्हें यह देखने की आवश्यकता होती है कि सिस्टम निर्णय कैसे लेते हैं। उन्हें यह विश्वास होना चाहिए कि मुद्दों की पहचान की जा सकती है और ग्राहकों पर प्रभाव डालने से पहले हल किया जा सकता है। संगठन अक्सर यह खोजते हैं कि एआई सिस्टम के आसपास का काम स्वयं एआई सिस्टम जितना ही ध्यान देने योग्य है।

वह ऑपरेशनल लेयर है जहां कई तैनाती अंततः सफल या संघर्ष करती हैं।

ग्राहक सेवा अभी भी सबसे कठिन समस्याओं में से एक है

ग्राहक अनुभव इस जटिलता का एक स्पष्ट उदाहरण प्रदान करता है।

साधारण इंटरैक्शन एआई सिस्टम के लिए बढ़ती तरह से प्रबंधनीय हो गए हैं। खाता शेष जांचें। पासवर्ड रीसेट करें। उड़ान की स्थिति देखें। ये अत्यधिक संरचित कार्य हैं जिनके पूर्वानुमानित परिणाम हैं।

वास्तविक ग्राहक बातचीत शायद ही कभी इतनी सरल रहती हैं।

एक ग्राहक जो वफादारी बिंदुओं, साथी वाहकों, प्रतिपूर्ति विवादों, नीति अपवादों और कई पिछली बातचीत के साथ जुड़े एक एयरलाइन मुद्दे को हल करने का प्रयास कर रहा है, एक बहुत ही अलग चुनौती प्रस्तुत करता है। संदर्भ खंडित है। उद्देश्य अस्पष्ट हो सकते हैं। नीतियां विरोधाभासी हो सकती हैं। भावनाएं अक्सर बातचीत में प्रवेश करती हैं।

ये इंटरैक्शन ग्राहक सेवा कार्य का एक महत्वपूर्ण हिस्सा बने हुए हैं और उन्हें एआई के लिए अभी भी कठिन बनाते हैं। प्रगति remarkables रही है। जटिलता वास्तविक बनी हुई है।

एंटरप्राइज़ डेटा अंततः उपयोगी हो रहा है

एक क्षेत्र जहां मैं आज वास्तविक परिवर्तन होते देख रहा हूं वह एंटरप्राइज़ डेटा से संबंधित है।

अधिकांश संगठनों ने वर्षों से दर्जनों या सैकड़ों डिस्कनेक्टेड सिस्टम में जानकारी जमा की है। मूल्यवान ज्ञान मौजूद है, लेकिन इसे स्थानांतरित करना और प्रभावी ढंग से उपयोग करना अक्सर मुश्किल रहा है। एआई इस जानकारी को अधिक सुलभ बना रहा है।

संगठन सिस्टम के पार डेटा को संश्लेषित करना, प्रासंगिक संदर्भ को अधिक कुशलता से सतह पर लाना और कर्मचारियों को पहले कई अनुप्रयोगों और भंडारों में बिखरी हुई जानकारी को नेविगेट करने में मदद करना शुरू कर रहे हैं। एंटरप्राइज़ ज्ञान को परिचालन बनाने की यह क्षमता सार्वजनिक चर्चा में हावी होने वाले कई एआई प्रदर्शनों से अधिक परिवर्तनकारी साबित हो सकती है।

अगली चुनौती: एआई का एआई के साथ काम करना

आगामी नवाचार की लहर संभवतः कई एआई सिस्टम के एक साथ काम करने से शुरू होगी।

संगठन पहले से ही एजेंटों के साथ प्रयोग कर रहे हैं जो जानकारी साझा करते हैं, कार्यों का समन्वय करते हैं और बड़े व्यावसायिक प्रक्रियाओं में योगदान करते हैं। यह जवाबदेही, विश्वास, एस्केलेशन, संचार और शासन के आसपास नई चुनौतियां पैदा करता है।

मानव ने सदियों से अंतर्निहित सहयोग कौशल विकसित किए हैं। हम जानते हैं कि मदद मांगने के लिए, अनिश्चितता को संवाद करने के लिए, जोखिमों को एस्केलेट करने के लिए, गलतियों से उबरने के लिए कैसे काम करना है। एआई सिस्टम में उन व्यवहारों को बनाना एक बहुत ही नई अनुशासन है।

एंटरप्राइज़ एआई के अगले अध्याय का एक बड़ा हिस्सा सिस्टम को एक दूसरे के साथ प्रभावी ढंग से काम करने के लिए सिखाने में शामिल होगा, साथ ही साथ संगठनात्मक लक्ष्यों के साथ संरेखित रहते हुए।

वास्तव में एंटरप्राइज़ एआई की आवश्यकता क्या है

एआई सिस्टम बनाने और तैनात करने के वर्षों के बाद, मुझे यह समझ में आया है कि संगठन मॉडल की बुद्धिमत्ता का मूल्यांकन करने में बहुत समय बिताते हैं और इसके चारों ओर के वातावरण को तैयार करने में पर्याप्त समय नहीं बिताते हैं।

इन मॉडलों द्वारा प्रदर्शित बुद्धिमत्ता अद्भुत हो सकती है। हर साल वे अधिक क्षमतावान, अधिक उपयोगी और अधिक परिष्कृत होते जाते हैं। फिर भी, सफल तैनाती अभी भी मूलभूत बातों पर निर्भर करती है: विश्वसनीय डेटा, अच्छी तरह से डिज़ाइन की गई प्रक्रियाएं, सोच-समझकर शासन, स्पष्ट जवाबदेही और लोग जो जानते हैं कि नए प्रौद्योगिकी को मौजूदा संचालन में कैसे एकीकृत किया जाए।

एआई से सबसे अधिक मूल्य प्राप्त करने वाले संगठन इन मूलभूत बातों पर ध्यान दे रहे हैं। क्योंकि अकेले बुद्धिमत्ता परिवर्तन नहीं लाती है।

परिवर्तन तब होता है जब प्रौद्योगिकी, डेटा, प्रक्रियाएं और लोग मिलकर बेहतर परिणाम पैदा करते हैं।