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 उद्यमों के साथ उनके एआई डिप्लॉयमेंट पर 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 स्पष्ट पाठ उत्पन्न कर सकते थे जो एक निर्णय की तरह लगता था, लेकिन जब आप इन सिस्टम को वास्तविक परिचालन वातावरण में डालते हैं, जहां व्यापार, अनिश्चितता, अधूरे निर्देश और वास्तविक परिणाम होते 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 टूल्स 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, निर्माण 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 गलत हो जाते हैं तो नीचे क्या टूट जाएगा। मेरी नजर में, यह एक विशेषज्ञता और निर्णय की समस्या दोनों है।

स्पष्ट करने के लिए, एआई ने बेहतर आउटपुट उत्पन्न करने में असाधारण प्रगति की है। लेकिन बेहतर आउटपुट निर्णय के समान नहीं है। ये दो अलग-अलग मील के पत्थर हैं, और मुझे लगता है कि उद्योग ने उन्हें अक्सर परस्पर विनिमेय के रूप में माना 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

इसका कोई सवाल नहीं है कि एलएलएम 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 ओवरएस्टिमेट करते हैं कि यह क्या समझता है। आप इसे एक व्यावसायिक प्रश्न पूछते हैं, यह आपको एक संरचित उत्तर देता है जिसमें व्यापार, सावधानियां और अंत में एक सुंदर सारांश होता है, जिससे यह अधिक चतुर लगता है जितना कि यह वास्तव में है। सुसंगत और संचालन रूप से सक्षम होने के लिए 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, लेकिन दबाव में, समय के साथ, या संदर्भ में एक निर्णय क्या बनाता है, इसकी कोई समझ नहीं है। यही कारण है कि कई संगठन प्रयोग से आगे बढ़ने के लिए संघर्ष करते हैं। गार्टनर ने पाया कि कम से कम 50% जेनेरेटिव एआई परियोजनाएं प्रूफ ऑफ कॉन्सेप्ट के बाद छोड़ दी जाती हैं, वास्तविक परिचालन प्रभाव डालने से पहले, अक्सर अस्पष्ट मूल्य और जोखिम नियंत्रण के कारण।

जानकारी विशेषज्ञता के समान नहीं है

एआई के साथ एक आसान जाल में गिरना यह मान लेना है कि यदि एक प्रणाली 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 तो हमारे दैनिक जीवन में, किसी चीज़ के बारे में जानकारी बढ़ाने से हम स्वचालित रूप से विशेषज्ञ नहीं बन जाते हैं। आप हर एक विमान मैनुअल पढ़ सकते हैं और अभी भी एक विमान उतारने के लिए तैयार नहीं हो सकते हैं। आप आपूर्ति श्रृंखला में हर एक सर्वोत्तम अभ्यास को स्मरण कर सकते हैं और अभी भी तीन चीजें गलत होने पर जम जाते हैं।

मैं इसे जारी रख सकता हूं, लेकिन बात यह है कि जानकारी क्षमता के समान नहीं है। क्षमता अनुभव से आती है, विशेष रूप से अस्पष्ट स्थितियों में बार-बार जोखिम के साथ।

हर दिन, मैं देखता हूं कि आज के अधिकांश एआई सिस्टम स्थिर उदाहरणों पर प्रशिक्षित होते हैं। यह 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 अभ्यास 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 पूर्वानुमान 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 को प्रशिक्षित करने में सक्षम है। मैं इसे मशीन शिक्षा कहता हूं, जो जटिल निर्णयों को दृश्यों और कौशल में तोड़ती है, जो मानव विशेषज्ञों के लिए एआई को सिम्युलेशन के माध्यम से 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, जो उन प्रक्रियाओं के निर्माताओं से सीधे है।

एआई को एक एकल इकाई की तरह न behand

एक और गलती जो मैं अक्सर देखता हूं वह यह है कि एक बड़ा मॉडल कुछ भी करना चाहिए। कोई बास्केटबॉल टीम केवल एक व्यक्ति से नहीं बनती है। कोई फैक्ट्री एक व्यक्ति द्वारा नहीं चलाई जाती है। जटिल प्रणाली काम करती है क्योंकि विभिन्न घटक विभिन्न कार्य करते हैं, और उन्हें एक साथ रखने वाली एक संरचना होती है।

एआई को इसी तरह से बनाना चाहिए। मुझे नहीं लगता कि उद्यम निर्णय लेने का दीर्घकालिक भविष्य एक विशाल मॉडल है जो कंपनी के बीच में बैठा है और सार्वभौमिक रूप से सक्षम होने का दावा करता है। यह अधिक संभावना है कि यह विशेषज्ञ एजेंटों की टीमों की तरह दिखेगा।

एक एजेंट डेटा पुनर्प्राप्ति में विशेषज्ञ हो सकता है। दूसरा दृश्यों का मूल्यांकन करने में बेहतर है। दूसरा योजना बनाने का ध्यान रखता है। एक अनुपालन या विरोधाभास की जांच करता है। दूसरा अधिक पर्यवेक्षक की तरह कार्य करता है, जब बढ़ाने का फैसला करने का समय होता है या जब आत्मविश्वास बहुत कम होता है तो आगे बढ़ने का फैसला करता 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 इस बात की पुष्टि करते हैं कि संगठन एआई से सबसे अधिक मूल्य प्राप्त करते हैं जब वे अपने कार्य प्रवाह और संचालन संरचना को इसके चारों ओर फिर से डिज़ाइन करते हैं।
निर्णय सभी एक ही तरह से नहीं किए जाते 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. पुनरावृत्ति सीखना (परीक्षण और त्रुटि): निर्णय समय के साथ सीखे जाते हैं क्योंकि कार्रवाई की जाती है, परिणाम देखे जाते हैं और पुरस्कार या दंड के आधार पर समायोजित किया जाता है।
4. अभ्यास और अनुभव (मानव शैली सीखना): निर्णय वास्तविक दुनिया के दृश्यों में बार-बार जोखिम के माध्यम से आकार लेते हैं, मार्गदर्शक प्रतिक्रिया और संचित निर्णय के साथ।

अधिकांश उद्यम एआई पहले दो श्रेणियों में अच्छा प्रदर्शन करते हैं। तीसरी और चौथी श्रेणी एआई के लिए अधिक चुनौतीपूर्ण हैं 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 पर विभाजित होती है। एक पक्ष सोचता है कि सिस्टम मूल रूप से जादू हैं और सब कुछ चलाने के लिए तैयार हैं। दूसरी ओर कार्य करती है जैसे कि उन्हें कभी भी कुछ महत्वपूर्ण के साथ विश्वास नहीं किया जाना चाहिए।

मुझे नहीं लगता कि कोई दृष्टिकोण उपयोगी है। हमें संरचना के भीतर स्वायत्तता पर ध्यान केंद्रित करना चाहिए क्योंकि पर्यवेक्षण, एस्केलेशन तर्क, सीमाएं या जवाबदेही के बिना स्वायत्तता जोखिम का मुख्य स्रोत है। जोखिम चिंताएं अब दिखाई दे रही हैं, जिसमें नेशनल इंस्टीट्यूट ऑफ स्टैंडर्ड्स एंड टेक्नोलॉजी के एआई जोखिम प्रबंधन फ्रेमवर्क जैसे प्रयासों द्वारा आकार दी गई चर्चाएं शामिल हैं, जो यह दर्शाती हैं कि संगठन पर्यवेक्षण, जवाबदेही और परिचालन विश्वास के प्रश्नों को कितनी गंभीरता से ले रहे हैं।

उद्यम एआई का भविष्य एजेंटों की टीमों में है। जो संगठन 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 पर्यावरण के गंदा होने पर खड़े हो सकते हैं। मेरे विचार में, यही 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।