एआई की छिपी लागत: कैसे “ब्लैक बॉक्स” मॉडल भरोसा, बजट और पर्यावरण को क्षीण कर रहे हैं

एआई उद्योग में मॉडल डिजाइन की समस्या है। उद्यम लागत, प्रदर्शन और विश्वसनीयता में इसका असर महसूस करना शुरू कर रहे हैं।

एआई बात कर सकता है – लेकिन क्या वह सुन सकता है? 

सुनना केवल शब्दों को प्रोसेस करने से बहुत अधिक है; यह संकेतों की व्याख्या करने और सूक्ष्मताओं को समझने के बारे में है ताकि वास्तविक समय में निर्णय ले सकें। लेकिन अधिकांश “वॉइस” मॉडल टोकन को ट्रांसक्राइब करने के लिए बनाए जाते हैं, न कि बातचीत में छिपे सूक्ष्म अर्थ को पहचानने के लिए। इसका मतलब है कि वे महत्वपूर्ण जानकारी से वंचित रह जाते हैं। 

वॉइस जैसे वातावरण में संदर्भ, समय और निरंतर इनपुट महत्वपूर्ण होते हैं। जैसे ही एआई सिस्टम डेमो से वास्तविक दुनिया के उपयोग में जाते हैं, इन सिस्टमों के निर्माण में एक गहरी समस्या स्पष्ट हो रही है, और उद्यम लागत, प्रदर्शन और विश्वसनीयता में इन अंतरालों के प्रभाव को महसूस करना शुरू कर रहे हैं। 

आज एआई में प्रमुख दृष्टिकोण बड़े, अधिक सामान्य-उद्देश्य मॉडल को प्राथमिकता देता है। लेकिन जैसे ही इन मॉडलों को बड़े पैमाने पर लागू किया जाता है, उनकी सीमाएँ अनदेखी करना कठिन हो जाता है। इन्हें निरंतर चलाना महंगा होता है, समझना और भरोसा करना कठिन होता है, और अक्सर उन कार्यों के लिए अप्रभावी होते हैं जिनमें इन्हें लागू किया जाता है। जो एक अद्भुत एकबारगी डेमो जैसा दिखता है, वह उद्यम स्तर पर लागू होने पर टूट सकता है, जहाँ सिस्टम को एक साथ उत्तरदायी, कुशल और समझने योग्य होना आवश्यक है।

यह गतिशीलता एक समझौता पैदा करती है: सिद्धांत में मॉडल क्या कर सकता है, इसमें अधिक वैकल्पिकता है, लेकिन दक्षता, पारदर्शिता और अंततः उपयोगिता की कीमत पर। बड़े पैमाने पर विशाल मॉडलों को चलाने की लागत बढ़ रही है, ऊर्जा पदचिह्न (समुचित रूप से) जांच के दायरे में है, और सिस्टम स्वयं समझने में कठिन होते जा रहे हैं। जब हम अपरिवर्तनीय बिंदु तक पहुँचने से पहले, हमें खुद से पूछना चाहिए: क्या यह वास्तव में एआई सिस्टम बनाने का सबसे टिकाऊ तरीका है?

क्यों सामान्य-उद्देश्य एआई मॉडल स्वाभाविक रूप से अप्रभावी हैं

उद्योग का सामान्य-उद्देश्य एआई की ओर धक्का एक नई प्रकार की अप्रभाविता पैदा कर चुका है: जटिलता की परवाह किए बिना हर समस्या या कार्य के लिए वही भारी मॉडल उपयोग करना। यह एक आकर्षक विचार है – एक एकल सिस्टम जो सब कुछ संभाल सके – लेकिन व्यवहार में, यह एक मोटा उपकरण है।

हर कार्य को विशाल मॉडल की आवश्यकता नहीं होती। वास्तव में, अधिकांश कार्यों को नहीं चाहिए। जब संगठन मोनोलिथिक सिस्टम पर निर्भर होते हैं, तो वे प्रत्येक इंटरैक्शन पर उस जटिलता की लागत चुकाते हैं। सरल निर्णयों को जटिल निर्णयों के समान कम्प्यूटेशनल ओवरहेड के साथ प्रोसेस किया जाता है, और बड़े पैमाने पर अर्थशास्त्र जल्दी ही समझ में नहीं आता।

यह विशेष रूप से वास्तविक‑समय के वातावरण जैसे वॉइस में सत्य है, जहाँ सिस्टम को निरंतर डेटा स्ट्रीम को प्रोसेस करना पड़ता है। हर इंटरैक्शन के हर क्षण में बड़े, सामान्य-उद्देश्य मॉडल को लागू करना महंगा और अनावश्यक दोनों है। जितना अधिक इन मॉडलों को व्यापक रूप से लागू किया जाता है, उतनी ही अप्रभाविता बढ़ती है। हम दोनों दुनियाओं की सबसे बुरी स्थिति में पहुँचते हैं: ऐसे सिस्टम जो हर जगह चलाने के लिए बहुत महंगे हैं, और जहाँ वे हैं वहाँ प्रभावी होने के लिए बहुत सीमित हैं। 

इसका एक स्पष्ट उदाहरण संपर्क केंद्रों में दिखता है। कई संगठन हर ग्राहक इंटरैक्शन में एआई लागू करना चाहते हैं, लेकिन बड़े मॉडलों को निरंतर चलाने की लागत इसे व्यावहारिक नहीं बनाती। जैसा कि McKinsey ने अपने Global Survey on AI में कहा है, संगठन लागत और परिचालन जटिलता के कारण एआई उपयोग मामलों को व्यापक रूप से स्केल करने में संघर्ष जारी रखते हैं (परिप्रेक्ष्य देने के लिए, बड़े उद्यम संपर्क केंद्र अक्सर प्रतिदिन 5,000 से 15,000 ग्राहक कॉल प्रोसेस करते हैं, जो सालाना लाखों या अरबों इंटरैक्शन तक पहुंचते हैं)। इस मात्रा को संभालने के लिए, वे केवल कुछ कॉल का विश्लेषण करते हैं या पोस्ट-इंसिडेंट रिव्यू पर निर्भर रहते हैं। नीचे की प्रभाव मापने योग्य है: 39% संगठन धोखाधड़ी-संबंधी पूछताछ के कारण कॉल वॉल्यूम में वृद्धि की रिपोर्ट करते हैं, 34% अधिक हैंडलिंग समय की रिपोर्ट करते हैं, और 29% कर्मचारी उत्पादकता में कमी की रिपोर्ट करते हैं¹। परिणामस्वरूप एक ऐसा सिस्टम बनता है जो दोनों ही अत्यधिक शक्तिशाली और कम उपयोगी है: चलाने में महंगा है लेकिन पूर्ण कवरेज या वास्तविक‑समय अंतर्दृष्टि प्रदान करने में असमर्थ।

यहीं पर अधिक सामान्यीकरण एक दायित्व बन जाता है। जब एक सिस्टम को सब कुछ करने के लिए डिजाइन किया जाता है, तो अक्सर वह प्रत्येक कार्य को अप्रभावी रूप से करता है। परिणामस्वरूप बड़े पैमाने पर बर्बाद कंप्यूट होता है, जहाँ सस्ते, अधिक लक्षित दृष्टिकोण अधिक प्रभावी होते, वहाँ महंगे मॉडल चलाए जाते हैं। जैसे ही संगठन एआई को अधिक व्यापक रूप से लागू करने की धक्का देते हैं, वह अप्रभाविता तेजी से बढ़ती है, जिससे निरंतर, वास्तविक‑समय उपयोग को उचित ठहराना कठिन हो जाता है।

ब्लैक बॉक्स समस्या: जब एआई खुद को समझा नहीं सकता

जैसे मॉडल अधिक जटिल हुए हैं, वे समझने में भी कठिन हो गए हैं। कई मामलों में, एआई सिस्टम अधिकांशतः सटीक आउटपुट दे सकते हैं, लेकिन यह कम जानकारी प्रदान करते हैं कि उन निर्णयों को कैसे बनाया गया, या शेष त्रुटियों का कारण क्या था। यह अस्पष्टता उन लोगों को धीमा कर देती है जो मॉडल के परिणामों पर कार्रवाई करने के लिए जिम्मेदार हैं, जिससे मूल रूप से प्राप्त गति लाभ खो जाता है।mostly

यह विशेष रूप से धोखाधड़ी पहचान जैसे क्षेत्रों में सत्य है, जहाँ निर्णय वास्तविक समय में लेने होते हैं। यदि कोई सिस्टम कॉल को उच्च‑जोखिम के रूप में चिह्नित करता है लेकिन कारण नहीं बता पाता, तो यह ठीक उसी क्षण में संकोच पैदा करता है जब गति सबसे महत्वपूर्ण होती है। टीमों को या तो ऐसे सिस्टम पर भरोसा करने या वास्तविक समय में उसकी दोबारा जाँच करने के बीच चुनना पड़ता है। दोनों विकल्प जोखिम लाते हैं। जैसे ही एआई परिचालन वर्कफ़्लो में गहराई से प्रवेश करता है, मॉडल आउटपुट को वास्तविक समय में समझने और प्रतिक्रिया देने की क्षमता एक मूलभूत आवश्यकता बन जाती है, न कि केवल एक अतिरिक्त सुविधा।

यहीं पर बड़े, सामान्य-उद्देश्य मॉडलों की सीमाएँ अधिक स्पष्ट हो जाती हैं। उनकी जटिलता उन्हें जांचने, डिबग करने और अनुकूलित करने में कठिन बनाती है। परिणामस्वरूप, संगठन केवल उच्च लागत से नहीं जूझ रहे हैं; वे ऐसे सिस्टमों से भी जूझ रहे हैं जो वास्तविक निर्णय प्रक्रिया के साथ कम संगत हैं।

जहाँ यह टूटता है: वास्तविक दुनिया में वास्तविक‑समय एआई

इन चुनौतियों – लागत, अप्रभाविता, पारदर्शिता की कमी – को अलग‑अलग उपयोग मामलों में प्रबंधित किया जा सकता है। लेकिन वास्तविक‑समय सिस्टमों में, जहाँ एआई केवल आउटपुट उत्पन्न नहीं करता, बल्कि घटनाओं के साथ निर्णयों को सक्रिय रूप से आकार देता है, इन्हें अनदेखा करना बहुत कठिन हो जाता है।

वॉइस एक अच्छा उदाहरण है। बैच प्रोसेसिंग या ऑफ़लाइन विश्लेषण के विपरीत, वॉइस इंटरैक्शन निरंतर और समय‑संवेदनशील होते हैं। सिस्टम को बाद में निर्णय रोकने, पुनः प्रोसेस करने या एस्केलेट करने का अवसर नहीं मिलता; उन्हें तुरंत काम करना पड़ता है। एक एआई सिस्टम “ओह अच्छा, एक और एआई” को सकारात्मक रूप में समझ लेता है जबकि वह व्यंग्यात्मक रूप से कहा गया था, यह ग्राहक को बनाए रखने या खोने के बीच अंतर बन सकता है, और इसे सेकंडों में कार्यान्वित करना पड़ता है, इससे पहले कि कोई मानव हस्तक्षेप कर सके। इसका मतलब है पूरे संवाद में मॉडल को निरंतर चलाना और साथ ही ऐसे आउटपुट उत्पन्न करना जो मानव तुरंत कार्य कर सके।

यहीं पर वर्तमान प्रतिमान टूटना शुरू होता है। बड़े, सामान्य-उद्देश्य मॉडल उस पैमाने पर चलाने में महंगे होते हैं, और उनके आउटपुट अक्सर वास्तविक‑समय निर्णय‑लेने के लिए बहुत अस्पष्ट होते हैं। परिणामस्वरूप, कंपनियों को समझौते करने पड़ते हैं: केवल कुछ इंटरैक्शन का विश्लेषण करना, निर्णयों को बाद में तक विलंबित करना, या ऐसी स्थितियों में अधूरे मानव निर्णय पर निर्भर रहना जहाँ गति और सटीकता महत्वपूर्ण हैं।

दूसरे शब्दों में, आज के मॉडलों की सीमाएँ सैद्धांतिक नहीं हैं – वे सबसे स्पष्ट रूप से उन वातावरणों में प्रकट होती हैं जहाँ एआई से सबसे अधिक मूल्य प्रदान करने की उम्मीद की जाती है।

एक अलग मार्ग आगे: समझदार – बड़ा नहीं – एआई

यदि वर्तमान एआई दृष्टिकोण पैमाने द्वारा परिभाषित है, तो अगला चरण दक्षता द्वारा परिभाषित होगा।

हर कार्य को एकल मॉडल के माध्यम से रूट करने के बजाय, सिस्टम कार्यप्रवाह को चरणों में विभाजित कर सकते हैं, नियमित निर्णयों के लिए हल्के मॉडल लागू कर सकते हैं और जटिल मामलों के लिए भारी प्रोसेसिंग आरक्षित रख सकते हैं।

आर्किटेक्चर में यह सूक्ष्म परिवर्तन अर्थशास्त्र को बदल देता है। जब सिस्टम गतिशील रूप से तय कर सकते हैं कि किसी कार्य के लिए कितना प्रोसेसिंग आवश्यक है, तो वे अनावश्यक रूप से बड़े मॉडल चलाने के ओवरहेड से बचते हैं। इससे एआई को निरंतर लागू करना अधिक व्यावहारिक बन जाता है, न कि चयनात्मक रूप से। यह अधिक पारदर्शिता के अवसर भी बनाता है, क्योंकि निर्णय सिस्टम के भीतर विशिष्ट संकेतों या घटकों से जुड़े हो सकते हैं, न कि एकल अस्पष्ट मॉडल से उत्पन्न होते हैं।

उद्यमों के लिए, यही व्यापक अपनाने को संभव बनाता है: प्रतिबंधित लागत या जटिलता के बिना वास्तविक‑समय में अधिक डेटा का विश्लेषण करने की क्षमता उन उपयोग मामलों को खोलती है जो पहले पहुँच से बाहर थे।

उद्योग ने मॉडलों को बढ़ाकर महत्वपूर्ण प्रगति की है – लेकिन एक ही आकार सभी पर नहीं फिट बैठता। जैसे ही एआई परिचालन सिस्टम में गहराई से प्रवेश करता है, प्रश्न मॉडल क्या कर सकते हैं से बदलकर यह हो रहा है कि उन्हें कैसे डिजाइन किया जाना चाहिए। एआई का भविष्य सबसे बड़े मॉडलों द्वारा नहीं, बल्कि उन सिस्टमों द्वारा परिभाषित होगा जो कुशलता, पारदर्शिता और बड़े पैमाने पर बुद्धिमत्ता प्रदान कर सकते हैं।