2025 में, जनएआई कोपिलॉट्स व्यवसाय और डेटा प्रबंधन को बदलने वाले किलर ऐप के रूप में उभरेंगे

प्रत्येक तकनीकी क्रांति का एक परिभाषित क्षण होता है जब एक विशिष्ट उपयोग केस तकनीक को व्यापक अपनाने में मदद करता है। जनरेटिव एआई (जेनएआई) के लिए यह समय आ गया है जब कोपिलॉट्स का तेजी से प्रसार हो रहा है।

जेनएआई एक तकनीक के रूप में पिछले कुछ वर्षों में महत्वपूर्ण प्रगति कर चुका है। फिर भी, सभी हेडलाइंस और हYPE के बावजूद, इसका अपनाना कंपनियों द्वारा अभी भी शुरुआती चरण में है। 2024 गार्टनर सीआईओ और टेक एक्जीक्यूटिव सर्वे अपनाने को केवल 9% उन लोगों के बीच में रखता है जिन्होंने सर्वेक्षण किया, जिसमें 34% ने कहा कि वे अगले वर्ष में ऐसा करने की योजना बना रहे हैं। एक हालिया सर्वेक्षण द्वारा एंटरप्राइज स्ट्रैटेजी ग्रुप जेनएआई अपनाने को 30% पर रखता है। लेकिन सभी सर्वेक्षण 2025 के बारे में एक ही निष्कर्ष पर पहुंचते हैं।

पूर्वानुमान 1. 2025 के अंत तक अधिकांश उद्यम जेनएआई का उपयोग उत्पादन में करेंगे

जेनएआई अपनाने को उत्पादकता और लाभप्रदता में सुधार के लिए महत्वपूर्ण माना जाता है और अधिकांश व्यवसायों के लिए एक शीर्ष प्राथमिकता बन गया है। लेकिन इसका मतलब है कि कंपनियों को अब तक जेनएआई परियोजनाओं में अनुभव की गई चुनौतियों को पार करना होगा, जिनमें शामिल हैं:

• खराब डेटा गुणवत्ता: जेनएआई केवल उतना ही अच्छा है जितना डेटा यह उपयोग करता है, और कई कंपनियां अभी भी अपने डेटा पर विश्वास नहीं करती हैं। डेटा गुणवत्ता के साथ-साथ अधूरा या पूर्वाग्रहपूर्ण डेटा भी समस्याओं का कारण बनते हैं जो खराब परिणामों की ओर ले जाते हैं।
• जेनएआई लागत: जेनएआई मॉडल जैसे कि चैटजीपीटी को प्रशिक्षित करने में अधिकांश भाग केवल सबसे अच्छे जेनएआई टीमों द्वारा किया जाता है और इसमें लाखों की लागत आती है। इसलिए लोग रिट्रीवल ऑगमेंटेड जेनरेशन (आरएजी) नामक एक तकनीक का उपयोग कर रहे हैं। लेकिन आरएजी के साथ भी, यह जल्दी ही महंगा हो जाता है डेटा तक पहुंच और तैयार करने और सफल होने के लिए आवश्यक विशेषज्ञों को इकट्ठा करने के लिए।
• सीमित कौशल सेट: जेनएआई के शुरुआती तैनाती में जेनएआई में विशेषज्ञता वाले एक छोटे समूह द्वारा बहुत सारा कोडिंग शामिल थी। जबकि यह समूह बढ़ रहा है, अभी भी एक वास्तविक कमी है।
• हॉलुसिनेशन: जेनएआई परिपूर्ण नहीं है। यह हॉलुसिनेट कर सकता है और गलत उत्तर दे सकता है जब यह सोचता है कि यह सही है। आपको गलत उत्तरों को व्यवसाय पर प्रभाव डालने से रोकने के लिए एक रणनीति की आवश्यकता है।
• डेटा सुरक्षा: जेनएआई ने डेटा को गलत लोगों के सामने उजागर किया है क्योंकि यह प्रशिक्षण, फाइन-ट्यूनिंग या आरएजी के लिए उपयोग किया गया था। आपको इन लीक के खिलाफ सुरक्षा उपायों को लागू करने की आवश्यकता है।

सौभाग्य से, सॉफ्टवेयर उद्योग पिछले कुछ वर्षों से इन चुनौतियों का सामना कर रहा है। 2025 ऐसा लगता है जब इन चुनौतियों में से कुछ का समाधान शुरू हो जाएगा और जेनएआई मुख्यधारा बन जाएगा।

पूर्वानुमान 2. मॉड्यूलर आरएजी कोपिलॉट्स जेनएआई का सबसे सामान्य उपयोग बन जाएंगे

जेनएआई का सबसे सामान्य उपयोग सहायक, या कोपिलॉट्स बनाने के लिए है जो लोगों को जानकारी तेजी से खोजने में मदद करते हैं। कोपिलॉट्स आमतौर पर आरएजी पाइपलाइनों का उपयोग करके बनाए जाते हैं। आरएजी तरीका है। यह जेनएआई का उपयोग करने का सबसे सामान्य तरीका है। क्योंकि बड़े भाषा मॉडल (एलएलएम) सामान्य-उद्देश्य मॉडल हैं जिनके पास सभी या हाल के डेटा नहीं हैं, आपको अधिक सटीक उत्तर प्राप्त करने के लिए प्रश्नों को बढ़ाने की आवश्यकता है।
कोपिलॉट्स ज्ञान कार्यकर्ताओं को अधिक उत्पादक बनाने में मदद करते हैं, पहले से उत्तर न दिए गए प्रश्नों का समाधान करते हैं, और कभी-कभी रूटीन कार्यों को निष्पादित करते समय विशेषज्ञ मार्गदर्शन प्रदान करते हैं। शायद सबसे सफल कोपिलॉट उपयोग मामला यह है कि वे सॉफ्टवेयर विकासकर्ताओं को कोड करने या विरासत कोड को आधुनिक बनाने में कैसे मदद करते हैं।

लेकिन कोपिलॉट्स का प्रभाव तब और भी बड़ा होगा जब उन्हें आईटी के बाहर उपयोग किया जाएगा। उदाहरणों में शामिल हैं:

• ग्राहक सेवा में, कोपिलॉट्स एक समर्थन प्रश्न प्राप्त कर सकते हैं और या तो मानव हस्तक्षेप के लिए इसे बढ़ा सकते हैं या सरल प्रश्नों जैसे पासवर्ड रीसेट या खाता एक्सेस के लिए एक समाधान प्रदान कर सकते हैं, जिससे उच्च सीएसएटी स्कोर होते हैं।
• निर्माण में, सह-पायलट तकनीशियनों को जटिल मशीनरी के लिए विशिष्ट कार्यों या मरम्मत का निदान और सुझाव देने में मदद कर सकते हैं, जिससे डाउनटाइम कम होता है।
• स्वास्थ्य सेवा में, चिकित्सक कोपिलॉट्स का उपयोग रोगी के इतिहास और प्रासंगिक अनुसंधान तक पहुंच के लिए कर सकते हैं और निदान और नैदानिक देखभाल के लिए मार्गदर्शन प्रदान करने में मदद कर सकते हैं, जिससे दक्षता और नैदानिक परिणाम में सुधार होता है।

आरएजी पाइपलाइनों ने अधिकांश भाग एक ही तरह से काम किया है। पहला कदम एक ज्ञान आधार को एक वेक्टर डेटाबेस में लोड करना है। जब कोई व्यक्ति एक प्रश्न पूछता है, तो एक जेनएआई आरएजी पाइपलाइन को बुलाया जाता है। यह प्रश्न को एक प्रॉम्प्ट में पुनः अभियांत्रित करता है, वेक्टर डेटाबेस को प्रॉम्प्ट को एन्कोड करके सबसे प्रासंगिक जानकारी खोजने के लिए प्रश्न करता है, प्राप्त की गई जानकारी के संदर्भ में प्रॉम्प्ट का उपयोग करके एक एलएलएम को बुलाता है, परिणामों का मूल्यांकन और प्रारूप करता है, और उन्हें उपयोगकर्ता को प्रदर्शित करता है।

लेकिन यह पता चलता है कि आप एक ही आरएजी पाइपलाइन के साथ सभी कोपिलॉट्स का समर्थन नहीं कर सकते हैं। इसलिए आरएजी एक अधिक मॉड्यूलर आर्किटेक्चर में विकसित हुआ है जिसे मॉड्यूलर आरएजी कहा जाता है जहां आप शामिल कई चरणों में से प्रत्येक के लिए अलग-अलग मॉड्यूल का उपयोग कर सकते हैं:

• इंडेक्सिंग सहित डेटा चंकिंग और संगठन
• पूर्व-पुनर्प्राप्ति सहित प्रश्न (प्रॉम्प्ट) इंजीनियरिंग और अनुकूलन
• पुनर्प्राप्ति के साथ पुनर्प्राप्तकर्ता फाइन-ट्यूनिंग और अन्य तकनीकों
• पोस्ट-रिट्रीवल रेरैंकिंग और चयन
• जेनरेटर फाइन-ट्यूनिंग, कई एलएलएम का उपयोग और तुलना करना, और सत्यापन के साथ उत्पादन
• ऑर्केस्ट्रेशन जो इस प्रक्रिया को प्रबंधित करता है और इसे पुनरावृत्ति बनाता है ताकि सर्वोत्तम परिणाम प्राप्त किए जा सकें

आपको एक मॉड्यूलर आरएजी आर्किटेक्चर लागू करने की आवश्यकता होगी ताकि कई कोपिलॉट्स का समर्थन किया जा सके।

पूर्वानुमान 3. नो-कोड/लो-कोड जेनएआई टूल्स तरीका बन जाएंगे

अब तक, आपको एहसास हो सकता है कि जेनएआई आरएजी बहुत जटिल और तेजी से बदलता है। यह नहीं है कि mới सर्वोत्तम प्रथाएं लगातार उभर रही हैं। जेनएआई पाइपलाइनों में शामिल सभी प्रौद्योगिकी इतनी तेजी से बदल रही है कि आपको उनमें से कुछ को बदलने या कई का समर्थन करने की आवश्यकता होगी। इसके अलावा, जेनएआई केवल मॉड्यूलर आरएजी के बारे में नहीं है। रिट्रीवल ऑगमेंटेड फाइन-ट्यूनिंग (आरएफटी) और पूर्ण मॉडल प्रशिक्षण भी लागत प्रभावी हो रहे हैं। आपकी आर्किटेक्चर को इस परिवर्तन का समर्थन करने और जटिलता को आपके इंजीनियरों से छिपाने की आवश्यकता है।
सौभाग्य से, सर्वोत्तम जेनएआई नो-कोड/लो-कोड टूल्स इस आर्किटेक्चर प्रदान करते हैं। वे नेतृत्व करने वाले डेटा स्रोतों, वेक्टर डेटाबेस और एलएलएम के लिए समर्थन जोड़ रहे हैं और मॉड्यूलर आरएजी या एलएलएम के लिए फाइन-ट्यूनिंग या प्रशिक्षण के लिए डेटा फीड करने के लिए संभव बना रहे हैं। कंपनियां इन टूल्स का उपयोग करके अपने आंतरिक संसाधनों का उपयोग करके कोपिलॉट्स को तैनात करने में सफल हो रही हैं।

नेक्सला केवल जेनएआई का उपयोग एकीकरण को सरल बनाने के लिए नहीं करता है। इसमें एक मॉड्यूलर आरएजी पाइपलाइन आर्किटेक्चर शामिल है जिसमें उन्नत डेटा चंकिंग, प्रश्न इंजीनियरिंग, रेरैंकिंग और चयन, मल्टी-एलएलएम समर्थन परिणाम रैंकिंग और चयन, ऑर्केस्ट्रेशन, और अधिक – सभी कोडिंग के बिना कॉन्फ़िगर किए गए हैं।

पूर्वानुमान 4. कोपिलॉट्स और एजेंट्स के बीच की रेखा धुंधली हो जाएगी

जेनएआई कोपिलॉट्स जैसे चैटबॉट्स लोगों का समर्थन करने वाले एजेंट हैं। अंत में, लोग तय करते हैं कि जेनरेट किए गए परिणामों के साथ क्या करना है। लेकिन जेनएआई एजेंट मानव हस्तक्षेप के बिना पूरी तरह से स्वचालित प्रतिक्रिया दे सकते हैं। इन्हें अक्सर एजेंट या एजेंटिक एआई के रूप में जाना जाता है।

कुछ लोग उन्हें दो अलग-अलग दृष्टिकोण मानते हैं। लेकिन वास्तविकता अधिक जटिल है। कोपिलॉट्स पहले से ही कुछ बुनियादी कार्यों को स्वचालित करना शुरू कर चुके हैं, वैकल्पिक रूप से उपयोगकर्ताओं को कार्रवाई की पुष्टि करने और उन्हें पूरा करने के लिए आवश्यक चरणों को स्वचालित करने की अनुमति देते हैं।

कोपिलॉट्स के समय के साथ एजेंटों और कोपिलॉट्स के संयोजन में विकसित होने की उम्मीद है। जैसे कि अनुप्रयोग व्यवसाय प्रक्रियाओं को पुनः अभियांत्रित और स्ट्रीमलाइन करने में मदद करते हैं, सहायकों को मध्यवर्ती चरणों को स्वचालित करने के लिए उपयोग किया जाना चाहिए जिन्हें वे समर्थन देते हैं। जेनएआई-आधारित एजेंटों में अपवादों को संभालने या एक एलएलएम का उपयोग करके उत्पन्न की गई योजना को मंजूरी देने के लिए लोगों को शामिल करना चाहिए।

पूर्वानुमान 5. जेनएआई डेटा फैब्रिक्स, डेटा उत्पादों और ओपन डेटा मानकों के अपनाने को बढ़ावा देगा

जेनएआई को अगले कुछ वर्षों में आईटी में परिवर्तन का सबसे बड़ा चालक होने की उम्मीद है क्योंकि आईटी को जेनएआई का पूरा लाभ प्राप्त करने के लिए कंपनियों को सक्षम करने के लिए अनुकूलन करने की आवश्यकता होगी।

डेटा प्रबंधन के लिए गार्टनर हाइप साइकिल 2024 के हिस्से के रूप में, गार्टनर ने 3 और केवल 3 प्रौद्योगिकियों की पहचान डेटा प्रबंधन और डेटा पर निर्भर संगठनों के लिए परिवर्तनकारी के रूप में की है: डेटा फैब्रिक्स, डेटा उत्पाद और ओपन टेबल फॉर्मेट। तीनों जेनएआई के साथ उपयोग के लिए डेटा को अधिक सुलभ बनाने में मदद करते हैं क्योंकि वे इन नए जेनएआई टूल्स के सेट के लिए डेटा का उपयोग करना आसान बनाते हैं।

नेक्सला ने इस कारण से एक डेटा उत्पाद आर्किटेक्चर को डेटा फैब्रिक पर बनाया है। डेटा फैब्रिक एक एकल परत प्रदान करता है जो सभी डेटा को एक ही तरह से प्रबंधित करता है, भले ही प्रारूप, गति या एक्सेस प्रोटोकॉल में अंतर क्यों न हो। डेटा उत्पाद तब विशिष्ट डेटा आवश्यकताओं के लिए बनाए जाते हैं, जैसे कि आरएजी के लिए।

उदाहरण के लिए, एक बड़ी वित्तीय सेवा कंपनी जोखिम प्रबंधन में सुधार के लिए जेनएआई को लागू कर रही है। वे नेक्सला का उपयोग करके एक एकीकृत डेटा फैब्रिक बना रहे हैं। नेक्सला स्वचालित रूप से स्कीमा का पता लगाता है और फिर कनेक्टर और डेटा उत्पादों को उत्पन्न करता है। कंपनी तब विशिष्ट जोखिम मेट्रिक्स के लिए डेटा उत्पादों को परिभाषित करती है जो डेटा को सही प्रारूप में समूहित, साफ और परिवर्तित करते हैं और डायनामिक नियामक रिपोर्टिंग के लिए आरएजी एजेंटों को लागू करते हैं। नेक्सला नियामक अनुपालन सुनिश्चित करने के लिए डेटा गवर्नेंस नियंत्रण प्रदान करता है, जिसमें डेटा वंशावली और एक्सेस नियंत्रण शामिल हैं।
हमारा विश्लेषण, ऑपरेशन, बी2बी और जेनएआई के लिए एकीकरण मंच डेटा फैब्रिक आर्किटेक्चर पर लागू किया गया है जहां जेनएआई पुन: प्रयोज्य कनेक्टर, डेटा उत्पादों और कार्य प्रवाह बनाने के लिए उपयोग किया जाता है। अपाचे आइसबर्ग जैसे ओपन डेटा मानकों के लिए समर्थन अधिक डेटा तक पहुंच को आसान बनाता है।

एजेंटिक एआई की ओर अपना कोपिलॉट तरीका कैसे बनाएं

तो आपको इन पूर्वानुमानों के आधार पर अपनी कंपनी में जेनएआई को मुख्यधारा बनाने के लिए कैसे तैयार करना चाहिए?
पहले, यदि आपने पहले से नहीं किया है, तो अपने ग्राहकों या कर्मचारियों के लिए अपना पहला जेनएआई आरएजी सहायक शुरू करें। एक महत्वपूर्ण और अपेक्षाकृत सरल उपयोग केस की पहचान करें जहां आपके पास पहले से ही सफल होने के लिए सही ज्ञान आधार है।

दूसरा, सुनिश्चित करें कि आपके पास जेनएआई विशेषज्ञों की एक छोटी टीम है जो आपके पहले परियोजनाओं के लिए सही मॉड्यूलर आरएजी आर्किटेक्चर और एकीकरण टूल्स को रखने में मदद कर सकती है। नो-कोड/लो-कोड टूल्स के साथ नए विक्रेताओं का मूल्यांकन करने से न डरें।

तीसरा, उन डेटा प्रबंधन सर्वोत्तम प्रथाओं की पहचान शुरू करें जिनकी आपको सफल होने के लिए आवश्यकता होगी। इसमें केवल एक डेटा फैब्रिक और डेटा उत्पादों जैसी अवधारणाएं शामिल नहीं हैं। आपको अपने डेटा को एआई के लिए शासित करने की भी आवश्यकता है।

समय अब है। 2025 वह वर्ष है जब अधिकांश सफल होंगे। पीछे न छूट जाएं。