विचार नेता

एक सफल एआई-संचालित एंटरप्राइज़ समाधान की योजना, प्रूफ ऑफ कॉन्सेप्ट और उत्पादन में तैनाती

Prabhod Sunkara
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
मुख्य बिंदुतक केवल 15 प्रतिशत उद्यम AI समाधान सफल होंगे, क्योंकि अपेक्षाएं गलत संरेखित हैं।
और देखें
  • तक केवल 15 प्रतिशत उद्यम AI समाधान सफल होंगे, क्योंकि अपेक्षाएं गलत संरेखित हैं।
  • योजना को उच्च प्रभाव व निम्न जोखिम वाले क्षेत्रों पर लक्षित होना चाहिए, जहां डेटा का निरंतर विस्तार हो, जैसे ऋण प्रसंस्करण।
  • PoC से उत्पादन तक विस्तार के लिए मॉड्यूलर डिज़ाइन और GPT3 जैसे हाइप-संचालित मॉडलों के प्रबंधन की आवश्यकता है।

एंटरप्राइज़ अपने आर्टिफ़िशियल इंटेलिजेंस (एआई) पहलों को तेजी से बढ़ा रहे हैं। Algorithmia द्वारा किए गए एक अध्ययन से पता चलता है कि 76 प्रतिशत सीआईओ एआई और मशीन लर्निंग (एमएल) समाधानों पर अधिक ध्यान केंद्रित करने के लिए अपने आईटी बजट को बढ़ा रहे हैं और प्राथमिकता दे रहे हैं। संगठन डेटा के महत्व को भी पहचान रहे हैं, और अधिकांश यह स्वीकार कर रहे हैं कि 80 प्रतिशत एंटरप्राइज़ डेटा असंरचित प्रकृति का है।

असंरचित डेटा एक एंटरप्राइज़ स्टैक में तेजी से उत्पादित और बढ़ रहा है। माप की इकाई टेराबाइट्स से पेटाबाइट्स में बदल गई है। इसके परिणामस्वरूप, आईटी पेशेवर, सीडीओ, और सीआईओ को बढ़ती मांग को पूरा करने के लिए कुछ नए चुनौतियों का सामना करना पड़ता है जो उपयोगी डेटा और कार्रवाई योग्य अंतर्दृष्टि के लिए है। एआई के विशाल संभावना के बावजूद किसी भी उद्योग को बदलने के लिए, 2022 के अंत तक तैनात किए गए एआई समाधानों में से केवल 15 प्रतिशत सफल होंगे, और उनमें से कम ही सकारात्मक आरओआई उत्पन्न करेंगे।

सबसे बड़ी समस्या यह है कि अधिकांश एंटरप्राइज़ एआई समाधान दिन के उजाले को नहीं देखते हैं क्योंकि अपेक्षाओं का मेल नहीं है। एआई की संभावनाओं के बारे में गलत धारणाएं जारी हैं, और परियोजनाएं अभी भी प्रचार और अतिशयोक्ति से प्रेरित मॉडल पर कल्पना की जाती हैं। अधिकांश उत्पाद या मॉडल वास्तविक दिन-प्रतिदिन के एंटरप्राइज़ संचालन की वास्तविकता से बहुत दूर हैं। अन्य ड्राइविंग कारक जो कम सफलता दर को प्रभावित करते हैं उनमें लागत का बजट से अधिक होना, एआई सेंटर ऑफ एक्सीलेंस (सीओई) की कमी, अनुभवहीन प्रतिभा, डेटा की अनुपलब्धता, और पुरानी नीतियां शामिल हैं, ये कुछ उदाहरण हैं।

योजना एंटरप्राइज़ एआई सफलता के लिए मार्ग प्रशस्त करती है

असंरचित डेटा वह डेटा है जिसमें एक पूर्वनिर्धारित डेटा मॉडल की कमी होती है और इसमें टेक्स्ट-भारी दस्तावेज़, वेबसाइट, छवियों, वीडियो फ़ाइलों, चैटबॉट, ऑडियो स्ट्रीम, और सोशल मीडिया पोस्ट शामिल हैं। एंटरप्राइज़ आर्किटेक्चर में बढ़ती असंरचित डेटा की मात्रा के साथ, यह आवश्यक है कि एक कुशल और चरणबद्ध योजना हो जो सभी कॉर्पोरेट हितधारकों के उद्देश्यों के साथ संरेखित हो। टाइपिकल उद्देश्य एक संगठनात्मक स्तर पर शामिल हो सकते हैं: प्रक्रिया स्वचालन, धोखाधड़ी का पता लगाना, ग्राहक अनुभव में सुधार, सुरक्षा में सुधार, बिक्री में वृद्धि, और इसी तरह। जबकि इनमें से कुछ उद्देश्य डेटा की संरचित प्रकृति के कारण प्रभावी ढंग से प्राप्त किए जा सकते हैं, असंरचित डेटा के आसपास योजना बनाना चुनौतीपूर्ण हो सकता है।

आम तौर पर, योजना उन क्षेत्रों की पहचान करने से शुरू होती है जिनमें एक संगठन में अवसर होते हैं। जबकि कार्यकारी प्रबंधन स्तर पर एक बड़ा एआई दृष्टिकोण हो सकता है, यह महत्वपूर्ण है कि एक ऐसा क्षेत्र पहचाना जाए जिसमें उच्च प्रभाव, कम जोखिम, और डेटा में निरंतर वृद्धि हो। एक अच्छा उदाहरण ऐसा उपयोग का मामला हो सकता है जैसे बैंकिंग और वित्त उद्योग में ऋण प्रसंस्करण का कार्य। ऋण उत्पत्ति से लेकर सेवा तक मैनुअल प्रक्रियाओं से भरा होता है जहां जानकारी हाथ से प्रणाली में दर्ज की जाती है जो दोहरावदार होती है। ऋण आवेदनों की समुचित जांच के लिए बड़ी मात्रा में दस्तावेज़ जमा करने पड़ते हैं, जिससे कई जोखिम उत्पन्न होते हैं। हालांकि, एआई को कार्यप्रवाह में कई क्षेत्रों में लागू किया जा सकता है, जिनमें दस्तावेज़ प्रसंस्करण और धोखाधड़ी का पता लगाना शामिल है। यह एक ऐसा क्षेत्र भी है जहां डेटा में वर्ष-दर-वर्ष निरंतर वृद्धि होती है।

इस योजना चरण के दौरान विचार करने के लिए अन्य महत्वपूर्ण चरणों में मापनीय सफलता मानदंड को परिभाषित करना, एक सुसंगत डेटा रणनीति तैयार करना, निरंतर प्रशिक्षण और प्रतिक्रिया, और उपयोगकर्ता अनुभव, स्केलेबिलिटी, और इंफ्रास्ट्रक्चर का मूल्यांकन शामिल हैं।

मापनीय सफलता मानदंड को परिभाषित करना (और घोड़े के पहले गाड़ी को रखने से बचना!)

गूगल की शुरुआती सफलता का श्रेय अक्सर कंपनी द्वारा उद्देश्य और प्रमुख परिणाम (OKR) पद्धति अपनाने को दिया जाता है। जबकि यह दृष्टिकोण किसी भी व्यवसाय या व्यक्तिगत लक्ष्यों के लिए लागू किया जा सकता है, अपनी एआई रणनीति के प्रति इस सिद्ध दृष्टिकोण को लागू करने से कुछ आशाजनक परिणाम मिल सकते हैं। हालांकि, जब असंरचित डेटा की बात आती है, तो यह एक विकसित होती समस्या है जिसे उद्योग बड़े पैमाने पर हल करने का प्रयास कर रहा है। चुनौतियों को देखते हुए, व्यवसायिक नेताओं को विभिन्न प्रश्न पूछने चाहिए तो ‘क्या’ और ‘क्यों’ का पता लगाने के लिए। उदाहरण के लिए, यदि उत्पादकता में वृद्धि मुख्य उद्देश्य है, तो दो प्रश्न जो उत्तर दिए जा सकते हैं वे हैं:

  • क्या मुझे स्वचालन के माध्यम से प्रवाह में सुधार करने की योजना बनानी चाहिए? या
  • क्या मुझे 80 प्रतिशत समस्या का समाधान 100 प्रतिशत सभी मामलों के लिए करने की योजना बनानी चाहिए?

इन प्रश्नों के उत्तर दो अलग-अलग कार्यान्वयन यात्राओं की ओर ले जाते हैं और यह महत्वपूर्ण है कि आपके एंटरप्राइज़ के लिए कौन सा सही होगा।

असंरचित डेटा के साथ, एक और अस्पष्ट माप क्षेत्र सटीकता है। ऋण प्रसंस्करण के उदाहरण में, ग्राहकों द्वारा जमा किए गए दस्तावेजों में इतनी भिन्नता होती है कि यह महत्वपूर्ण है कि व्यवसाय और प्रौद्योगिकी नेता एआई समाधान की सटीकता को मापने के लिए एक समझौते पर पहुंचें। यदि उत्पादकता एआई समाधान स्थापित करने के उद्देश्यों में से एक है, तो यह आवश्यक है कि अन्य क्षेत्रों की पहचान की जाए जो उत्पादकता को प्रभावित करते हैं। यह वर्तमान के रूप में प्रक्रिया को देखकर और एआई स्वचालन के साथ प्रक्रिया को पुनः कल्पना करके प्राप्त किया जा सकता है। अक्सर नई स्वचालन प्रक्रिया में नए चरण जैसे मैनुअल अपवाद प्रबंधन, एनोटेशन, प्रशिक्षण आदि शामिल होते हैं। इन चरणों के साथ, यह निर्धारित करना आसान हो जाएगा कि सटीकता को कैसे मापा जाए।

डेटा सभी एंटरप्राइज़ की जीवन रेखा है

असंरचित डेटा में जानकारी के संरचना और प्रस्तुति में बहुत अधिक परिवर्तनशीलता होती है। एंटरप्राइज़ दस्तावेज़ में जानकारी से भरे हुए होते हैं, जो पैराग्राफ, वाक्य, और अधिक महत्वपूर्ण रूप से, बहुआयामी तालिका संरचनाओं से युक्त जटिल संरचनाएं होती हैं। दस्तावेज़ों के अलावा, संगठन चैटबॉट, सोशल मीडिया डेटा की निगरानी करने, और अन्य प्रकार के असंरचित डेटा जैसे समाचार, छवियों, और वीडियो में निवेश कर रहे हैं।

अधिकांश संगठन यह अनुमान लगाने में असफल रहते हैं कि उनके पास कितना डेटा उपलब्ध और सुलभ है। अक्सर चुनौती इतनी सरल होती है जैसे कि अनुपालन प्रतिबंधों को पार करना और संगठन के भीतर डेटा साझा करना। फिर भी, साफ़ और उच्च परिवर्तनशीलता वाले डेटा के साथ, समस्या का बेहतर मूल्यांकन और एक ऑप्टिमल समाधान का डिज़ाइन करना संभव हो जाता है।

एक और महत्वपूर्ण कारक यह है कि आप इस असंरचित डेटा से क्या परिणाम अपेक्षा करते हैं। इससे सटीक मात्रा में ग्राउंड ट्रुथ, प्रशिक्षण, और परीक्षण डेटा सुनिश्चित होगा। ऋण प्रसंस्करण के उदाहरण पर वापस जाते हुए, यदि एआई समाधान का परिणाम आवेदकों के औसत दैनिक शेष को निर्धारित करना है, तो ग्राउंड ट्रुथ और प्रशिक्षण डेटा बैंक स्टेटमेंट के आसपास केंद्रित हो सकता है। हालांकि, यदि ध्यान धोखाधड़ी वाले आवेदकों को जमा किए गए बैंक स्टेटमेंट के माध्यम से निर्धारित करने पर है, तो आवश्यक ग्राउंड ट्रुथ और प्रशिक्षण डेटा प्राप्त करने के लिए व्यापक श्रृंखला में दस्तावेज़ तक पहुंचना आवश्यक होगा।

प्रूफ ऑफ कॉन्सेप्ट से उत्पादन तक स्केलिंग

एक मापनीय प्रूफ ऑफ कॉन्सेप्ट (पीओसी) पर निकलना सुनिश्चित करता है कि सभी हितधारक एआई समाधान की चुनौतियों, परिणामों, और मूल्य प्रस्ताव को समझते हैं। हालांकि, एक पीओसी उत्पादन-तैयार समाधान नहीं है। एक पीओसी एक संगठन को अंतराल की पहचान करने, एक उत्पादन समाधान के लिए डिज़ाइन सोच को उत्तेजित करने, और उन उद्देश्यों और परिणामों को स्ट्रीमलाइन करने में सक्षम बनाता है जो प्राप्त किए जाने चाहिए। उत्पादन योग्य समाधान में जाने के लिए, संगठनों को जटिल डेटा परिदृश्यों के लिए योजना बनानी चाहिए जिनमें निरंतर डेटा परिवर्तन, लेबल वाले डेटा की अनुपलब्धता, और फॉर्म और प्रारूप में उच्च डिग्री की परिवर्तनशीलता शामिल है। समान रूप से, कार्यप्रवाह की पुनः कल्पना, कार्यबल का पुनः प्रशिक्षण, और सही इंफ्रास्ट्रक्चर, लागत, प्रदर्शन, डेटा वास्तुकला, सूचना सुरक्षा, और सेवा स्तर समझौतों (एसएलए) का निर्धारण करना महत्वपूर्ण है।

यह बेहद महत्वपूर्ण है कि पूरे कार्यप्रवाह और व्यवसाय प्रक्रिया का मूल्यांकन किया जाए ताकि किसी भी एआई समाधान से सर्वोत्तम परिणाम प्राप्त किए जा सकें। व्यवहारिक अर्थशास्त्र से एक संकेत लेते हुए, यह महत्वपूर्ण है कि परिणाम की तुलना एक मौजूदा संदर्भ बिंदु से (जिसे “संदर्भ निर्भरता” भी कहा जाता है) की जाए, जिससे उत्पादन से पहले डिज़ाइन सोच और प्रक्रिया रीमैपिंग के माध्यम से बेहतर दक्षता की उम्मीद की जा सकती है।

यह परिदृश्य यह मानता है कि व्यवसायिक और तकनीकी नेताओं ने पीओसी के आधार पर एक एमआई या डीप लर्निंग दृष्टिकोण पर सहमति व्यक्त की है। कुछ समस्या बयान निर्धारित हो सकते हैं और एक सांख्यिकीय दृष्टिकोण लिया जा सकता है समस्या का समाधान करने के लिए, जबकि अन्य चुनौतियों को एमआई और न्यूरल नेटवर्क आधारित दृष्टिकोणों के संयोजन की आवश्यकता हो सकती है जो वांछित परिणाम प्राप्त करने के लिए है।

कुछ एआई समाधान प्राकृतिक भाषा प्रसंस्करण (एनएलपी) के एकीकरण की आवश्यकता होती है। जबकि सामान्य भाषा मॉडल एक आधारभूत चरण के रूप में कार्य करते हैं, अधिकांश मॉडल प्रत्येक एंटरप्राइज़ समस्या बयान की विशिष्ट आवश्यकताओं को पूरा करने के लिए डिज़ाइन नहीं किए गए हैं और उन्हें फ़ाइन-ट्यूनिंग की आवश्यकता होगी। उसी समय, अधिकांश कार्यकारी बड़े मॉडल जैसे जीपीटी3 के बारे में उत्साहित होने की संभावना है, जो महत्वपूर्ण गणना शक्ति की मांग करते हैं और एक कंपनी के आरओआई पर सीधा प्रभाव डाल सकते हैं। ये मॉडल आपकी कंपनी के लिए सबसे उपयुक्त फिट नहीं हो सकते हैं।

आपका एआई-चालित पीओसी एक लंबी प्रक्रिया की शुरुआत है, इसलिए निम्नलिखित बातों का ध्यान रखें:

  • पीओसी चरण में एक जटिल समस्या का समाधान करने का चयन न करें
  • डिज़ाइन सोच को लागू करें और अपनी अंत-से-अंत प्रक्रिया की समीक्षा करें; जोखिमों को पहले से ही पहचानें और प्रबंधित करें
  • सटीकता एकमात्र माप नहीं है; एक मूल्य-संचालित समाधान बनाने के लिए डिज़ाइन और योजना बनाएं, 100 प्रतिशत सटीकता प्राप्त करने के बजाय
  • अपने एआई दृष्टिकोण का मूल्यांकन करें; प्रचार और अतिशयोक्ति से प्रेरित मॉडल पर योजना न बनाएं, बल्कि एक मॉड्यूलर दृष्टिकोण चुनें जो सबसे अनुकूल है
  • सभी हितधारकों के बीच अपेक्षाओं को प्रबंधित करें ताकि सबसे सफल परिणाम सुनिश्चित किया जा सके
  • अपने समाधान और वास्तुकला को डिज़ाइन करें ताकि यह आपके डेटा की वृद्धि के साथ स्केल करे और सबसे अनुकूल आरओआई प्राप्त करे

एआई-चालित समाधानों के लिए सर्वोत्तम अभ्यास

आज, अधिकांश व्यवसाय एक या एक से अधिक एआई परियोजनाओं पर काम कर रहे हैं। उत्कृष्ट इरादों और कड़ी मेहनत के बावजूद, कई एंटरप्राइज़ एआई कार्यक्रम अपेक्षाओं पर खरे नहीं उतरते हैं, स्केल नहीं करते हैं, और वांछित आरओआई उत्पन्न नहीं करते हैं। यह एआई को एक मुख्य व्यवसायिक घटक के रूप में एकीकृत करने में समय लेगा, हालांकि सफल संगठनों द्वारा अनुसरण किए जाने वाले कुछ सर्वोत्तम अभ्यासों में शामिल हैं:

  • एआई सीओई के साथ शुरू करें: अनेक बड़े निगम, यहां तक कि गैर-तकनीकी भी, एआई सेंटर ऑफ एक्सीलेंस (एआई सीओई) स्थापित किए हैं ताकि उनकी सफलता की संभावना को अधिकतम किया जा सके। एक एआई सीओई आवश्यक विशेषज्ञता, संसाधनों, और लोगों को एक साथ लाता है ताकि एआई-आधारित परिवर्तन पहल को सक्षम किया जा सके। प्राथमिक लाभों में शामिल हैं:
    • एक ही स्थान पर एआई सीखने, संसाधनों, और प्रतिभा को समेकित करना
    • एक एकीकृत एआई दृष्टिकोण और व्यवसाय रणनीति विकसित करना
    • एआई दृष्टिकोणों, प्लेटफ़ॉर्मों, और प्रक्रियाओं का मानकीकरण
    • एआई और नवाचार के लिए नए राजस्व अवसरों की पहचान करना
    • डेटा विज्ञान प्रयासों को बढ़ावा देना और एआई को सभी व्यवसायिक कार्यों के लिए उपलब्ध कराना
  • कार्यकारी नेतृत्व का समर्थन: एक एआई रणनीति सबसे सफल होती है जब यह एक शीर्ष-नीचे दृष्टिकोण के साथ की जाती है। एक संगठन में पायलट को सफलतापूर्वक स्केल करने के लिए नेतृत्व के समर्थन, आवश्यक कौशल और डेटा, और एक संगठनात्मक संरचना की आवश्यकता होती है जो सुनिश्चित करती है कि मॉडल समय के साथ सटीक बने रहें।
  • डेटा की उपलब्धता: अधिकांश संगठन विभिन्न अनुपालन कारणों से डेटा को सिलो में रखते हैं। हालांकि, डेटा किसी भी एआई समाधान की जीवन रेखा है, और इसका प्रावधान महत्वपूर्ण है। इसके साथ ही, डेटा का वर्गीकरण और शुद्धिकरण आवश्यक है। सटीक ग्राउंड ट्रुथ और प्रशिक्षण डेटा विकसित करना किसी एआई समाधान की सफलता या विफलता तय कर सकता है।
  • वास्तुकला: एआई का लाभ उठाना किसी भी संगठन के लिए एक प्रतिमान परिवर्तन है, जिसमें नए विचारों और योजनाओं की आवश्यकता होती है। एक अनुकूल तकनीकी और संचालन वास्तुकला का डिज़ाइन करने से सफलता की संभावना बढ़ जाती है। इसमें नए कार्य जैसे एमएल ऑप्स, डेटा ऑप्स, पुनरावृत्ति प्रशिक्षण, और एनोटेशन शामिल हैं।
  • मॉड्यूलरिटी और लचीलापन: एआई-चालित समाधान अभी भी अपनी प्रारंभिक अवस्था में हैं, खासकर जब संगठन भारी असंरचित डेटा से निपटते हैं। यह महत्वपूर्ण है कि एक मॉड्यूलर और लचीला समाधान डिज़ाइन और निर्मित किया जाए जो व्यवसाय और इसकी बढ़ती चुनौतियों के साथ स्केल कर सके।

एक एआई रणनीति स्थापित करना और इसका पालन करना अधिकांश संगठनों के लिए बड़ी संभावना रखता है, और उपयोग के मामले अनंत हैं। मशीन और डीप लर्निंग समाधान एक संगठन के हर पहलू को छूते हैं, बिक्री और विपणन से लेकर दैनिक संचालन तक। हालांकि, जैसे एक रॉकेट बनाने या एक नए गैजेट का आविष्कार करने में, सफलता एक बार में प्राप्त नहीं की जाएगी। एआई-चालित समाधानों को चरणबद्ध तरीके से दृष्टिकोण करना चाहिए और समय के साथ छोटी जीत पर निर्मित किया जाना चाहिए।

प्रभोद संकारा nRoad, Inc. के सह-संस्थापक और मुख्य परिचालन अधिकारी हैं। nRoad वित्तीय सेवा क्षेत्र के असंरचित डेटा के लिए विशेष रूप से बनाया गया प्राकृतिक भाषा प्रसंस्करण (एनएलपी) प्लेटफ़ॉर्म है और “दस्तावेज़ों के विरुद्ध युद्ध” की घोषणा करने वाली पहली कंपनी है। nRoad से पहले, प्रभोद ने उत्पाद विकास, परिचालन और समाधान आर्किटेक्चर में विभिन्न नेतृत्व भूमिकाएँ निभाईं। परिणाम-केंद्रित एआई समाधान बनाने और प्रदान करने के प्रति उनके जुनून ने बैंक ऑफ अमेरिका, मेरिल लिंच, मॉर्गन स्टैनली और यूबीएस जैसी बड़ी वैश्विक वित्तीय कंपनियों की प्रक्रियाओं को सफलतापूर्वक बेहतर बनाया है।