साक्षात्कार

सदीपा विजेसकरा, HPE में प्राइवेट क्लाउड AI के उपाध्यक्ष – साक्षात्कार श्रृंखला

Antoine Tardif
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
Sadeepa Wijesekara, Vice President of Private Cloud AI at HPE
मुख्य बिंदुएआई अर्थशास्त्र केवल तब एक व्यावसायिक अनुशासन बनता है जब पायलट प्रोडक्शन में विस्तारित…
और देखें
  • एआई अर्थशास्त्र केवल तब एक व्यावसायिक अनुशासन बनता है जब पायलट प्रोडक्शन में विस्तारित होते हैं और वित्त बातचीत में शामिल होता है।
  • प्रति टोकन लागत उपभोग को मापती है जबकि प्रति व्यावसायिक परिणाम लागत यह बताती है कि निवेश वास्तव में समझदारी भरा है या नहीं।
  • एजेंटिक वर्कफ़्लो टोकन उपभोग को नाटकीय रूप से कई गुना बढ़ा सकते हैं, भले ही अनुमान मूल्यों में गिरावट जारी रहे।

सदीपा विजेसकरा Hewlett Packard Enterprise (HPE) में प्राइवेट क्लाउड AI के उपाध्यक्ष हैं, जहाँ वे निजी क्लाउड परिवेशों के लिए एंटरप्राइज़ AI सॉफ़्टवेयर और प्लेटफ़ॉर्म से जुड़े काम का नेतृत्व करते हैं। उनका ध्यान संगठनों को सुरक्षित ढंग से और बड़े पैमाने पर AI लागू करने में मदद करने के साथ-साथ बुनियादी ढाँचे से जुड़े निर्णयों को कारोबारी ज़रूरतों के अनुरूप बनाने पर है। वे उत्पादन में इस्तेमाल होने वाले AI के अर्थशास्त्र को इंजीनियरिंग के नज़रिए से देखते हैं। इसमें कार्यभार प्रबंधन, मॉडल का चयन और लगातार अधिक स्वायत्त होती प्रणालियों को भरोसेमंद बनाए रखने की लागत शामिल है।

Hewlett Packard Enterprise (HPE) AI, क्लाउड, नेटवर्किंग, कंप्यूटिंग और स्टोरेज सहित एंटरप्राइज़ प्रौद्योगिकी उपलब्ध कराती है। इसका Private Cloud AI पोर्टफोलियो उन संगठनों की मदद करता है जो अपने नियंत्रण वाले बुनियादी ढाँचे पर AI कार्यभार चलाते हैं और साथ ही हाइब्रिड क्लाउड तथा बाहरी सेवाओं का भी उपयोग करते हैं। इस साक्षात्कार में विजेसकरा बताते हैं कि AI पर ख़र्च को कारोबारी नतीजों के आधार पर क्यों मापना चाहिए, एजेंट-आधारित वर्कफ़्लो किस तरह खपत को बदलते हैं, और मॉडल, ऑर्केस्ट्रेशन तथा बुनियादी ढाँचे के निर्णयों को आकार देने वाले वित्तीय और परिचालन कारक कौन-से हैं।

HPE ने 70,000 से अधिक कर्मचारियों के बीच AI का उपयोग बड़े पैमाने पर बढ़ाया है। इस अनुभव से आपको क्या सीख मिली है कि AI का अर्थशास्त्र कब IT का विषय न रहकर व्यापक कारोबारी अनुशासन बन जाता है?

AI का अर्थशास्त्र तब व्यापक कारोबारी अनुशासन बनता है, जब कंपनियाँ पायलट परियोजनाओं से आगे बढ़कर उत्पादन में AI का इस्तेमाल करने लगती हैं। पायलट से पता चल सकता है कि AI कोई काम कर सकता है या नहीं, लेकिन उपयोगकर्ताओं की संख्या कम होने के कारण यह अक्षमताओं को छिपा भी सकता है। जब उपयोगकर्ताओं की संख्या 10 से बढ़कर 10,000 हो जाती है, तो लागत, विलंबता और विश्वसनीयता के साथ-साथ यह समझना भी ज़रूरी हो जाता है कि AI कितना मूल्य पैदा कर रहा है। उस मुकाम पर चर्चा में वित्त विभाग और AI द्वारा समर्थित कारोबारी प्रक्रियाओं के लिए ज़िम्मेदार नेतृत्वकर्ताओं को शामिल करना चाहिए। IT यह माप सकता है कि कोई ऐप्लिकेशन कितने संसाधनों का उपयोग करता है, लेकिन कारोबारी नेतृत्वकर्ताओं को तय करना होता है कि नतीजे उस निवेश को उचित ठहराते हैं या नहीं।

जनरेटिव AI का मूल्यांकन करते समय कई संगठन अब भी प्रति टोकन लागत जैसे मापदंडों पर बहुत अधिक ध्यान देते हैं। आपके विचार में प्रति कारोबारी नतीजे की लागत अधिक सार्थक माप क्यों है, और कंपनियों को व्यवहार में इसकी गणना कैसे करनी चाहिए?

प्रति टोकन लागत बताती है कि आपने AI का कितना उपयोग किया, लेकिन यह नहीं बताती कि उस उपयोग से कोई उपयोगी नतीजा मिला या नहीं। कंपनियों को पहले कारोबारी नतीजा तय करना चाहिए और फिर उसे हासिल करने की कुल लागत की गणना करनी चाहिए। मॉडल इस लागत का एक हिस्सा है; इसमें सॉफ़्टवेयर, स्टोरेज, डेटा का स्थानांतरण, शासन और कर्मचारी भी शामिल हैं। किसी विशिष्ट कारोबारी प्रक्रिया में पैदा हुए मूल्य से इन लागतों की तुलना करने पर कंपनियों को बेहतर ढंग से पता चलता है कि निवेश आर्थिक रूप से उचित है या नहीं।

जैसे-जैसे AI का उपयोग व्यक्तिगत कोपायलट से आगे बढ़कर ऐसे एजेंट-आधारित और बहु-एजेंट सिस्टम तक पहुँच रहा है जो लंबे क्रम में कई काम कर सकते हैं, अनुमान लगाने की मूल लागत घटती रहने पर भी खपत कितनी तेज़ी से बढ़ सकती है?

खपत बहुत तेज़ी से बढ़ सकती है, क्योंकि उपयोगकर्ता के एक अनुरोध के पीछे कहीं अधिक काम हो सकता है। नतीजा देने से पहले कोई एजेंट कई चरणों से गुज़रते हुए जानकारी जुटा सकता है और टूल इस्तेमाल कर सकता है। HPE की एक प्रतिनिधि तुलना में, साधारण चैटबॉट बातचीत में लगभग 400 टोकन इस्तेमाल हुए, जबकि एजेंट-आधारित RAG अनुरोध में लगभग 21,500 टोकन। टोकन की कीमतें घटने पर भी, AI को अधिक जटिल काम सौंपे जाने के साथ कुल खपत तेज़ी से बढ़ सकती है।

कंपनियों को कैसे परखना चाहिए कि कोई AI उपयोग-मामला सचमुच आर्थिक मूल्य पैदा कर रहा है, न कि केवल उत्पादकता के मापदंड बढ़ा रहा है या प्रभावशाली प्रदर्शन दिखा रहा है?

किसी उपयोग-मामले को बड़े पैमाने पर लागू करने से पहले स्पष्ट प्रमुख प्रदर्शन संकेतकों (KPI) वाले कारोबारी औचित्य से जोड़ना चाहिए। कंपनियों को यह समझना होगा कि कारोबारी प्रक्रिया की लागत कितनी है और AI लागू करने पर यह कैसे बदलती है। उन्हें किसी गतिविधि में सुधार और कारोबारी नतीजे में सुधार के बीच फ़र्क भी करना होगा। बचा हुआ समय तब अधिक मायने रखता है, जब उससे ग्राहकों की अधिक समस्याएँ सुलझें, ग़लतियाँ घटें या ऐसा काम पूरा हो जो पहले अधूरा रह जाता था। मूल्यांकन में नतीजे की गुणवत्ता और ज़रूरी अतिरिक्त समीक्षा या दोबारा काम को भी शामिल करना चाहिए। सफल प्रदर्शन किसी क्षमता को साबित करता है; कारोबारी प्रक्रिया में मापने योग्य सुधार उसे व्यापक रूप से लागू करने के निर्णय का आधार बनते हैं। कुछ मामलों में इस विश्लेषण से यह भी सामने आ सकता है कि AI सही समाधान नहीं है।

लागत नियंत्रित करने के तरीक़ों के रूप में मॉडल रूटिंग और AI ऑर्केस्ट्रेशन पर चर्चा तेज़ी से बढ़ रही है। काम के अनुसार छोटे मॉडल, अत्याधुनिक मॉडल, विशेषीकृत मॉडल और पारंपरिक सॉफ़्टवेयर के बीच गतिशील रूप से चयन करके कंपनियाँ कितना मूल्य हासिल कर सकती हैं?

काम के अनुरूप मॉडल चुनने से बहुत लाभ हो सकता है। हमने देखा है कि कंपनियाँ अलग-अलग तरह के कार्यभार एक ही महँगे अग्रणी मॉडल को सौंपती हैं, क्योंकि शुरुआत में उनकी प्राथमिकता AI को चालू करना होती है। कम उपयोगकर्ताओं के साथ यह खर्च संभालने योग्य हो सकता है, लेकिन इस्तेमाल बढ़ने पर लागत तेज़ी से बढ़ती है। जटिल तर्क-विचार के लिए अग्रणी मॉडल उपयुक्त हो सकता है, जबकि किसी नियमित काम के लिए छोटा मॉडल ही पर्याप्त हो सकता है। किसी विशेष क्षेत्र के लिए विशिष्ट मॉडल अधिक उपयुक्त हो सकता है, और पूर्वानुमेय, नियम-आधारित काम पारंपरिक सॉफ़्टवेयर से अधिक कुशलता से किया जा सकता है। कार्यप्रवाह के भीतर इन विकल्पों को एक साथ लाने में समन्वयन मदद करता है और काम की ज़रूरत के अनुसार अधिक सक्षम मॉडल का इस्तेमाल करता है। खुले वेट वाले मॉडल अधिक सक्षम होते जा रहे हैं, इसलिए कंपनियों के पास कुछ कार्यभार बाहरी मॉडल के लिए भुगतान करने के बजाय अपने बुनियादी ढाँचे पर चलाने के अधिक अवसर भी हैं। बड़े उद्यमों के स्तर पर, इन विकल्पों के बीच कार्यभार भेजने के ऐसे निर्णय लागत में बड़ा अंतर ला सकते हैं, साथ ही कारोबार के लिए ज़रूरी गुणवत्ता भी बनाए रख सकते हैं।

AI कार्यभार चलाने की अर्थव्यवस्था कब API या सार्वजनिक क्लाउड के ज़रिए कंप्यूट किराये पर लेने से हटकर, अंतर्निहित बुनियादी ढाँचे का अधिक हिस्सा अपने स्वामित्व में लेने या उस पर नियंत्रण रखने की ओर मुड़ती है? यह फ़ैसला लेते समय उद्यमों को किन बातों पर विचार करना चाहिए?

मैं इसे किराये पर लेने और खरीदने के बीच का फ़ैसला मानता हूँ। जब कंपनियाँ प्रयोग कर रही हों या माँग में बहुत उतार-चढ़ाव हो, तब किराये पर लेना उचित हो सकता है। जैसे-जैसे इस्तेमाल बढ़ता है और अधिक पूर्वानुमेय होता जाता है, बुनियादी ढाँचे का अधिक हिस्सा अपने स्वामित्व में लेना या उस पर नियंत्रण रखना आर्थिक रूप से फ़ायदेमंद होने लगता है। बुनियादी ढाँचे का स्वामित्व कंपनियों को कम इस्तेमाल की अवधि में AI के अतिरिक्त प्रयोग करने का अवसर भी देता है, जिससे पहले ही किए गए निवेश का बेहतर उपयोग होता है। कंपनियों को कार्यभार की विशेषताओं के साथ-साथ बिजली, प्रबंधन और प्रणालियों को अद्यतन बनाए रखने की लागतों पर भी विचार करना चाहिए। कई बड़े उद्यमों के लिए, कार्यभार के आधार पर निजी बुनियादी ढाँचे और बाहरी सेवाओं—दोनों का उपयोग करना ही सही तरीका होगा।

जैसे-जैसे उद्यम अधिक कार्यभार को उत्पादन में ला रहे हैं, HPE अपने निजी AI बुनियादी ढाँचे का विस्तार कर रहा है। पूरी तरह से सार्वजनिक क्लाउड सेवाओं के ज़रिए AI इस्तेमाल करने की तुलना में, आपको निजी AI का सबसे बड़ा आर्थिक लाभ कहाँ दिखाई देता है?

लंबे समय तक लगातार चलने वाले उन कार्यभारों के लिए निजी AI बड़ा आर्थिक लाभ दे सकता है, जिनमें कंपनियाँ अपनी क्षमता का प्रभावी उपयोग कर सकती हैं। कार्यभार से जुड़ी कुछ निर्धारित मान्यताओं के आधार पर किए गए HPE के एक विश्लेषण में, HPE Private Cloud AI की लागत लगभग 45 डॉलर प्रति नोड-घंटा आँकी गई, जबकि किराये पर लिए गए समकक्ष क्लाउड विन्यास की लागत लगभग 102 डॉलर थी। ये नतीजे कार्यभार के अनुसार अलग-अलग होंगे और हर परिवेश के लिए इनकी दोबारा गणना की जानी चाहिए। निजी AI कंपनियों को वित्तीय मॉडल का एक और विकल्प भी देता है, जिससे बुनियादी ढाँचा ऐसी परिसंपत्ति बन सकता है जो संगठन के लिए मूल्य उत्पन्न करे।

AI एजेंट ऐसी लागतें पैदा करते हैं जो अनुमान लगाने तक सीमित नहीं हैं; इनमें डेटा प्राप्त करना, टूल का इस्तेमाल, निगरानी, सुरक्षा और शासन भी शामिल हैं। बड़े पैमाने पर एजेंट-आधारित AI के लिए बजट बनाते समय संगठनों से किन लागतों का कम आकलन होने की सबसे अधिक संभावना है?

मुझे लगता है कि कंपनियाँ एजेंटों को समय के साथ विश्वसनीय, सुरक्षित और उपयोगी बनाए रखने के लिए ज़रूरी काम का कम आकलन कर सकती हैं। अनुमान लगाने के अलावा, डेटा प्राप्त करने और तैयार करने, बाहरी टूल इस्तेमाल करने और प्रणालियों के बीच जानकारी पहुँचाने की लागतें भी होती हैं। बार-बार टूल इस्तेमाल करने या कोशिशें नाकाम रहने से काम पूरा हुए बिना ही खर्च बढ़ सकता है। कंपनियों को नतीजों का मूल्यांकन करने, एजेंटों के व्यवहार पर नज़र रखने, पहुँच-अनुमतियों का प्रबंधन करने और सुरक्षा व शासन संबंधी नियंत्रण बनाए रखने के लिए भी बजट रखना चाहिए। इस गणना में मानवीय निगरानी भी शामिल होनी चाहिए—जैसे अपवादों की समीक्षा करने या गलतियाँ सुधारने में लोगों का लगने वाला समय। किसी काम को सफलतापूर्वक पूरा करने की लागत समझने के लिए पूरे कार्यप्रवाह की जानकारी होना ज़रूरी है।

आपने AI के इस्तेमाल को अलग-अलग व्यावसायिक मामलों के संदर्भ में मापने पर ज़ोर दिया है। एक प्रभावी आंतरिक मापन ढाँचा कैसा होता है, और संगठनों को कितनी बार फिर से जाँचना चाहिए कि कोई AI अनुप्रयोग अपनी जारी कंप्यूटिंग और संचालन लागतों को अब भी उचित ठहराता है या नहीं?

इस ढाँचे को इस्तेमाल को सीधे व्यावसायिक मामले से जोड़ना चाहिए। कंपनियों को पता होना चाहिए कि कौन-सा अनुप्रयोग संसाधनों का उपयोग कर रहा है और उससे क्या नतीजा मिलने की उम्मीद है। HPE में, हम यह मापने के लिए हर उपयोग-मामले के प्रमुख प्रदर्शन संकेतकों (KPI) और उससे जुड़ी प्रति-इकाई लागतों पर नज़र रखते हैं कि उससे अपेक्षित नतीजे मिल रहे हैं या नहीं। मैं यह जानकारी अलग-अलग विभागों और व्यावसायिक प्रक्रियाओं के स्तर पर भी देखना चाहूँगा, ताकि मुख्य वित्त अधिकारी (CFO) समझ सकें कि किसी प्रक्रिया की आज कितनी लागत है और AI के साथ उसकी लागत कितनी होती है। यह लगातार चलने वाली प्रक्रिया होनी चाहिए, क्योंकि समय के साथ इस्तेमाल और किसी अनुप्रयोग की अर्थव्यवस्था बदल सकती है। जब किसी मॉडल, कीमत या कार्यप्रवाह में बड़ा बदलाव हो, तब कंपनियों को फिर से आकलन करना चाहिए, क्योंकि ऐसे बदलाव किसी अनुप्रयोग की लागत और उसके मूल्य—दोनों को प्रभावित कर सकते हैं।

आने वाले तीन से पाँच वर्षों पर नज़र डालें, जब AI अधिकांश व्यावसायिक प्रक्रियाओं में समाहित हो जाएगा, तो आपके अनुसार उद्यमों में AI की अर्थव्यवस्था कैसे विकसित होगी? क्या AI के उपयोग का प्रबंधन अंततः क्लाउड FinOps जैसी कार्यप्रणालियों के समान हो जाएगा, या संगठनों को पूरी तरह से नए परिचालन मॉडल की आवश्यकता होगी?

मेरा मानना है कि एआई का अर्थशास्त्र FinOps की लागत दृश्यता, आवंटन और जवाबदेही जैसी कार्यप्रणालियों पर आधारित होगा, और साथ ही एआई द्वारा किए जाने वाले काम की गुणवत्ता और उसके मूल्य को मापने तक इसका विस्तार होगा। जैसे-जैसे एजेंट किसी व्यावसायिक प्रक्रिया के अधिक चरणों की ज़िम्मेदारी सँभालेंगे, कंपनियों को यह समझना होगा कि उस प्रक्रिया को सफलतापूर्वक पूरा करने में कितना खर्च आता है—इसमें दोबारा किए गए प्रयास, मानवीय हस्तक्षेप और यह बात भी शामिल है कि परिणाम अपेक्षित मानक पर खरा उतरता है या नहीं। मेरा अनुमान है कि यह आईटी, वित्त और व्यावसायिक संचालन की साझा ज़िम्मेदारी बन जाएगी। संगठनों और उद्योगों के बीच ऐसी तुलनाएँ करने के सुसंगत तरीके विकसित करने की दिशा में अभी शुरुआती दौर है। समय के साथ, मैं ऐसे मानक मापदंड देखना चाहूँगा जिनसे कंपनियाँ समझ सकें कि वे एआई का उपयोग कितनी दक्षता से कर रही हैं और इसे अपने P&L में दर्शा सकें।

इस शानदार साक्षात्कार के लिए धन्यवाद। निजी क्लाउड एआई, एंटरप्राइज़ इंफ्रास्ट्रक्चर और एआई वर्कलोड को बड़े पैमाने पर संचालित करने के बारे में अधिक जानने के इच्छुक पाठकों को HPE पर जाना चाहिए।

एंटोनी एक दूरदर्शी नेता और Unite.AI के संस्थापक भागीदार हैं। एआई और रोबोटिक्स के भविष्य को आकार देने और आगे बढ़ाने के प्रति उनका जुनून अटूट है। कई उद्यम शुरू कर चुके एंटोनी का मानना है कि एआई समाज में बिजली जितना ही बड़ा बदलाव लाएगा। वे अक्सर परिवर्तनकारी प्रौद्योगिकियों और एजीआई की संभावनाओं के बारे में उत्साह से बात करते हैं।

एक भविष्यविद् के रूप में, वे यह जानने के लिए समर्पित हैं कि ये नवाचार हमारी दुनिया को कैसे आकार देंगे। वे Securities.io के संस्थापक भी हैं। यह मंच उन अत्याधुनिक प्रौद्योगिकियों में निवेश पर केंद्रित है जो भविष्य को नई परिभाषा दे रही हैं और पूरे क्षेत्रों का स्वरूप बदल रही हैं।