मैंने अपने ज्ञान को एआई सिस्टम में कैसे स्थानांतरित किया जो वास्तव में मानव विशेषज्ञों की तरह निर्णय ले सकते हैं

जब मैंने माइक्रोसॉफ्ट छोड़ दिया और एआई की तैनाती पर उद्यमों के साथ काम करना जारी रखा, तो मैंने देखा कि अधिकांश एआई सिस्टम जिनके बारे में लोग उत्साहित थे, वास्तव में मानव निर्णय के साथ निर्णय नहीं ले सकते थे। हाँ, वे लिख सकते थे, सारांशित कर सकते थे, और आश्चर्यजनक रूप से प्रवाही पाठ उत्पन्न कर सकते थे जो एक निर्णय की तरह लगता था, लेकिन जब आप इन सिस्टम को वास्तविक संचालन वातावरण में डालते हैं, जहां व्यापार-बंद हैं, अनिश्चितता, अधूरे निर्देश, और वास्तविक परिणाम हैं, तो वे जल्दी से संघर्ष करते हैं। यह एमआईटी प्रोजेक्ट नांदा के डेटा के साथ मेल खाता है, जो दिखाता है कि जबकि 60% संगठनों ने एआई टूल का मूल्यांकन किया, केवल 20% पायलट चरण तक पहुंचे, और केवल 5% उत्पादन तक पहुंचे। दूसरे शब्दों में, उद्योग वास्तविक कार्य प्रवाह के भीतर खड़े होने वाले सिस्टम बनाने के लिए संघर्ष कर रहा है।

उद्यम सेटिंग्स में, विशेष रूप से आपूर्ति श्रृंखला, विनिर्माण, और संचालन जैसे क्षेत्रों में, एक उत्तर प्राप्त करना मुश्किल नहीं है; यह जानना मुश्किल है कि किस उत्तर पर विश्वास करना है, कौन से चर सबसे महत्वपूर्ण हैं, और यदि आप इसे गलत करते हैं तो नीचे क्या टूटने की संभावना है। मेरी नजर में, यह एक विशेषज्ञता और निर्णय समस्या है।

स्पष्ट रूप से, एआई ने बेहतर आउटपुट का उत्पादन करने में असाधारण प्रगति की है। लेकिन बेहतर आउटपुट निर्णय लेने से बेहतर नहीं है। ये दो अलग-अलग मील के पत्थर हैं, और मुझे लगता है कि उद्योग ने उन्हें परस्पर विनिमय योग्य के रूप में बहुत समय बिताया है।

विशेषज्ञता और निर्णय की कमी के कारण मैं मानव विशेषज्ञों को जटिल निर्णय लेने के लिए एआई को सिखाने में रुचि रखता हूं। एआई को केवल कार्यों को स्वचालित करने के बारे में नहीं होना चाहिए, बल्कि मानव निर्णय को एआई में प्रभावी और सुरक्षित रूप से स्थानांतरित करने के बारे में होना चाहिए जो खड़ा हो सकता है।

बड़े भाषा मॉडल (एलएलएम) निर्णय निर्माताओं की तरह बोलते हैं, लेकिन वे नहीं हैं

बड़े भाषा मॉडल के बारे में कोई सवाल नहीं है कि वे उपयोगी हैं, लेकिन वे डिफ़ॉल्ट रूप से निर्णय लेने वाले सिस्टम नहीं हैं। वे भाषा में लिपटे पूर्वानुमान सिस्टम हैं। और भाषा प्रभावशाली है, जो समस्या का एक हिस्सा है। यदि एक सिस्टम स्वयं को स्पष्ट रूप से समझा सकता है, तो हम आसानी से यह अनुमान लगाते हैं कि यह क्या समझता है। आप इसे एक व्यवसाय प्रश्न पूछते हैं, यह आपको एक संरचित उत्तर देता है जिसमें व्यापार-बंद, सावधानियां, और अंत में एक सुंदर सारांश होता है, जो इसे अधिक बुद्धिमान बनाता है जितना कि यह वास्तव में है। सुसंगत ध्वनि और संचालन रूप से सक्षम होना दो अलग-अलग चीजें हैं, और यह वह जगह है जहां बहुत सारे उद्यम एआई टूट जाते हैं। मॉडल आपको बता सकते हैं कि एक अच्छा निर्णय कैसा लगता है, बिना यह समझे कि दबाव में, समय के साथ, या संदर्भ में एक निर्णय क्या बनाता है। यह एक कारण है कि कई संगठन प्रयोग से आगे बढ़ने के लिए संघर्ष करते हैं। गार्टनर ने पाया कि कम से कम 50% जनरेटिव एआई परियोजनाएं प्रूफ ऑफ कॉन्सेप्ट के बाद छोड़ दी जाती हैं, वास्तविक संचालन प्रभाव प्रदान करने से पहले, अक्सर अस्पष्ट मूल्य और जोखिम नियंत्रण के कारण।

जानकारी विशेषज्ञता के समान नहीं है

एआई के साथ पड़ने वाली सबसे आसान जाल में से एक यह मान लेना है कि यदि एक सिस्टम के पास पर्याप्त जानकारी है, तो यह एक विशेषज्ञ की तरह प्रदर्शन करना चाहिए। यह तर्कसंगत लगता है, लेकिन जब आप इसके बारे में सोचते हैं कि हमारे दैनिक जीवन में, किसी चीज़ के बारे में जानकारी बढ़ाने से हमें स्वचालित रूप से विशेषज्ञ नहीं बनाता है। आप हर उड़ान संचालन मैनुअल पढ़ सकते हैं और फिर भी एक विमान उतारने के लिए तैयार नहीं हो सकते हैं। आप आपूर्ति श्रृंखला में हर सर्वोत्तम अभ्यास को याद रख सकते हैं और फिर भी तीन चीजें गलत होने पर जम जाते हैं।

मैं इस पर और जारी रख सकता हूं, लेकिन बात यह है कि आज के अधिकांश एआई सिस्टम स्थिर उदाहरणों पर प्रशिक्षित होते हैं। यह सभी भविष्यवाणी करने के लिए उपयोगी है, लेकिन यह निर्णय लेने का एक छोटा सा हिस्सा है। उद्यमों को डेटा की कमी नहीं है, लेकिन उन्हें प्रशिक्षण के लिए संरचित वातावरण की आवश्यकता है, जिसका अर्थ है उन्हें ऐसे वातावरण देना जहां वे बार-बार:

• वास्तविक दृश्यों का सामना करें
• चुनाव करें
• देखें कि क्या होता है
• प्रतिक्रिया प्राप्त करें
• समय के साथ सुधार करें

एआई को भविष्यवाणी एल्गोरिदम का उपयोग करके प्रशिक्षित किया जा सकता है, लेकिन इस दृष्टिकोण में सीमाएं हैं। जो आगे की आवश्यकता है वह एक सिम्युलेटेड वातावरण में मानव पर्यवेक्षण के साथ एआई है। मैं इसे मशीन शिक्षण कहता हूं, एक विधि जो जटिल निर्णयों को दृश्यों और कौशल में तोड़ती है, जो मानव विशेषज्ञों के लिए एआई को सिखाने के लिए एक मार्गदर्शक प्रदान करती है। परिणामी प्रतिक्रिया और परीक्षण और त्रुटि अंततः एजेंटों को वास्तविक दुनिया की स्वायत्तता के साथ सीखने और कार्य करने में सक्षम बनाती है, सीधे उन लोगों से जिन्होंने उन प्रक्रियाओं का निर्माण किया था।

एआई को एक एकल इकाई की तरह न behand

एक और गलती जो मैं बहुत देखता हूं वह यह मान लेना है कि एक बड़ा मॉडल कुछ भी करना चाहिए। कोई बास्केटबॉल टीम केवल एक व्यक्ति से नहीं बनी होती है। कोई फैक्ट्री एक व्यक्ति द्वारा संचालित नहीं होती है। जटिल सिस्टम काम करते हैं क्योंकि विभिन्न घटक विभिन्न कार्य करते हैं, और एक संरचना उन्हें एक साथ रखती है।

एआई को उसी तरह से निर्मित किया जाना चाहिए। मुझे लगता है कि उद्यम निर्णय लेने का दीर्घकालिक भविष्य एक विशाल मॉडल के बारे में नहीं है जो कंपनी के बीच में बैठकर सार्वभौमिक रूप से सक्षम होने का दावा करता है। यह अधिक संभावना है कि विशेषज्ञ एजेंटों की टीमों की तरह दिखेगा।
एक एजेंट डेटा पुनर्प्राप्ति में एक विशेषज्ञ हो सकता है। दूसरा दृश्यों का मूल्यांकन करने में बेहतर है। दूसरा योजना बनाता है। एक अनुपालन या विरोधाभासों की जांच करता है। दूसरा एक पर्यवेक्षक की तरह कार्य करता है, जब बढ़ने या जब आत्मविश्वास आगे बढ़ने के लिए पर्याप्त नहीं है तो निर्णय लेता है। टीम वास्तुकला मुझे अधिक समझ में आती है क्योंकि यह वास्तविक संगठनों के काम करने के तरीके के अनुरूप है और बाजार के रुझानों के साथ संरेखित है। मैककिंसे के निष्कर्ष यह पुष्टि करते हैं कि संगठन एआई के चारों ओर कार्य प्रवाह और संचालन संरचनाओं को पुनः डिज़ाइन करके इसका सबसे अधिक मूल्य प्राप्त करते हैं।

सभी निर्णय एक जैसे नहीं होते हैं, और अक्सर हम मानते हैं कि एक ही मॉडल, एक ही डेटा, और एक ही प्रकार की तर्क सभी को संभाल सकते हैं। वास्तव में, विभिन्न निर्णयों के लिए विभिन्न तंत्र की आवश्यकता होती है।

निर्णय वास्तव में कैसे होते हैं

मेरे अनुभव में, अधिकांश निर्णय कुछ श्रेणियों में आते हैं:

1. नियंत्रण प्रणाली (नियम और सूत्र): निर्णय पूर्वनिर्धारित समीकरणों या नियमों को ज्ञात इनपुट पर लागू करके किए जाते हैं। यदि X होता है, तो Y करें।
2. खोज और अनुकूलन: निर्णय कई संभावित विकल्पों का मूल्यांकन करके और एक परिभाषित उद्देश्य के आधार पर सबसे अच्छा चुनकर किए जाते हैं।
3. पुरस्कार सीखना (परीक्षण और त्रुटि): निर्णय समय के साथ सीखे जाते हैं क्योंकि कार्यों को लिया जाता है, परिणामों का अवलोकन किया जाता है, और पुरस्कार या दंड के आधार पर समायोजित किया जाता है।
4. अभ्यास और अनुभव (मानव शैली सीखना): निर्णय असली दुनिया के दृश्यों में बार-बार जोखिम, मार्गदर्शन प्रतिक्रिया, और जमा निर्णय के माध्यम से आकार लेते हैं।

अधिकांश उद्यम एआई पहले दो श्रेणियों में अच्छा प्रदर्शन करता है। तीसरा और चौथा श्रेणी एआई के लिए अधिक चुनौतीपूर्ण है, क्योंकि यह वह जगह है जहां मानव जैसा निर्णय रहता है।

संरचना के बिना स्वायत्तता जोखिम है

जब भी लोग स्वायत्त एआई के बारे में बात करते हैं, तो चर्चा आमतौर पर दो चरम में विभाजित होती है। एक पक्ष सोचता है कि सिस्टम मूल रूप से जादू हैं और सब कुछ चलाने के लिए तैयार हैं। दूसरा पक्ष ऐसा लगता है कि उन्हें कभी भी किसी महत्वपूर्ण चीज़ पर विश्वास नहीं किया जाना चाहिए।

मुझे लगता है कि न तो दृष्टिकोण उपयोगी है। हमें संरचना के भीतर स्वायत्तता पर ध्यान केंद्रित करना चाहिए क्योंकि संरचना, पर्यवेक्षण, एस्केलेशन तर्क, सीमाओं या जिम्मेदारी के बिना स्वायत्तता जोखिम का मुख्य स्रोत है। जोखिम चिंताएं अब और दिखाई दे रही हैं, जिसमें नेशनल इंस्टीट्यूट ऑफ स्टैंडर्ड्स एंड टेक्नोलॉजी के एआई जोखिम प्रबंधन फ्रेमवर्क जैसे प्रयासों द्वारा आकार दिए गए वार्तालाप शामिल हैं, जो यह दर्शाता है कि संगठन जोखिम, पर्यवेक्षण, और संचालन विश्वास के प्रश्नों को कितनी गंभीरता से ले रहे हैं।

उद्यम एआई का भविष्य एजेंटों की टीमों में है। संगठन जो एआई से सबसे अधिक मूल्य प्राप्त करते हैं वे वे नहीं होंगे जो सबसे अधिक शब्दों को स्वचालित करते हैं। वे वे हैं जो वास्तविक विशेषज्ञता को सिस्टम में स्थानांतरित करने का तरीका निकालते हैं जो गंदे वातावरण में खड़े हो सकते हैं। यह, मेरे विचार में, एआई के बीच का अंतर है जो प्रभावशाली दिखता है और एआई जो वास्तव में उपयोगी हो जाता है, वास्तविक आरओआई का उत्पादन करता है।