साथ्या एजी, सीनियर प्रिंसिपल आर्किटेक्ट tại गूगल – साक्षात्कार श्रृंखला

साथ्या एजी एक प्रौद्योगिकी उद्योगवादी, प्रकाशित लेखक “एंटरप्राइज़-ग्रेड हाइब्रिड और मल्टी-क्लाउड रणनीतियाँ“, और गूगल (रिटेल रणनीतिक उद्योगों) में सीनियर प्रिंसिपल आर्किटेक्ट, जिनके पास 19 साल से अधिक का एंटरप्राइज़ आर्किटेक्चर और एआई में अनुभव है। एक वैश्विक विचार नेता जो शीर्ष एआई प्रभावित पुरस्कार और गूगल के राष्ट्रपति पुरस्कार से मान्यता प्राप्त है, वह एंटरप्राइज़-ग्रेड हाइब्रिड और मल्टी-क्लाउड रणनीतियों के लेखक हैं और सीएआईओ सर्कल के सलाहकार बोर्ड के सदस्य हैं। वह ब्रिटिश कंप्यूटर सोसायटी (एफबीसीएस) के फेलो, आईईईई के वरिष्ठ सदस्य, और स्टैनफोर्ड एलईएडी के पूर्व छात्र हैं। एक अत्यधिक मांग वाले वक्ता एआई फॉरवर्ड, गूगल नेक्स्ट, और एनआरएफ में, साथ्या भी वंचित समुदायों को एआई/एमएल सिखाने के लिए स्वयंसेवा करते हैं।

अस्वीकरण: नीचे साझा किए गए विचार और राय लेखक के अपने हैं और आवश्यक रूप से उनके नियोक्ता या संबद्ध किसी भी संगठन के विचारों, स्थितियों या राय को प्रतिबिंबित नहीं करते हैं।

आपने एक दशक से अधिक समय तक ओरेकल में बिताया (ORCL ) फिर गूगल में एक वरिष्ठ वास्तुकला भूमिका में चले गए, जहां आप अब बड़े खुदरा उद्यमों के साथ काम करते हैं। पारंपरिक डेटा आधुनिकीकरण परियोजनाओं से जनरेटिव एआई और एजेंटिक एआई पहलों में कंपनियों के स्थानांतरण के रूप में, आपके उद्यम एआई के दृष्टिकोण में क्या बदलाव आया है?

ओरेकल के दिनों में, एक उद्यम वास्तुकार के रूप में, मेरा मुख्य फोकस हमेशा जटिल प्रणालियों का निर्माण करने पर रहा है जिन पर संगठन अपने व्यवसाय चलाने के लिए भरोसा करते हैं। हम बड़े एकीकरण, शासन, और मास्टर डेटा प्रबंधन चुनौतियों का समाधान कर रहे थे ताकि यह सुनिश्चित किया जा सके कि उद्यम के पास एक ही उच्च लचीला स्रोत है। पारंपरिक डेटा आधुनिकीकरण मूल रूप से निष्क्रिय अवलोकन के बारे में था, जिसमें मानव निर्णय लेने वालों को विश्वसनीय अंतर्दृष्टि प्रदान करने के लिए सेमांटिक परतें और डेटा पाइपलाइनों का डिज़ाइन शामिल था।

जनरेटिव और एजेंटिक एआई के विकास ने वास्तुकला परिदृश्य को निष्क्रिय अवलोकन से स्वायत्त प्रणाली की क्रिया में बदल दिया है। अब, लेंस इस बात पर केंद्रित है कि क्या हम किसी प्रणाली को हमारी ओर से कार्रवाई करने दे सकते हैं (और, सही ढंग से, पर्यवेक्षण के बिना), पैमाने पर। यह डेटा गुणवत्ता, संदर्भ, और नियंत्रण के लिए एक बहुत अधिक उच्च बार है क्योंकि अब एक खराब डेटा धारणा न केवल एक गलत डैशबोर्ड का उत्पादन करती है, बल्कि एक गलत कार्रवाई का भी। एक एजेंट जो इन्वेंट्री डेटा को गलत तरीके से पढ़ता है वह किसी को गलत सूचित नहीं करता है, यह एक गलत ऑर्डर देता है।

यह वह जगह है जहां कठोर उद्यम वास्तुकला एआई प्रणालियों के लिए महत्वपूर्ण और आधारभूत हो जाती है। सुरक्षित रूप से स्वायत्त प्रणालियों का निर्माण करने के लिए, हमें निर्धारित उद्यम प्रणालियों और संभावित एआई के बीच की खाई को निर्बाध रूप से पुल करना होगा। मैं जिन वास्तुकला बातचीत का नेतृत्व करता हूं वे एक विश्वसनीय डेटा फैब्रिक बनाने, यह सुनिश्चित करने के बारे में हैं कि वास्तविक समय स्वायत्त तर्क सख्त शासन, मजबूत दृश्यता, और उसी लेन-देन स्थिरता द्वारा बाध्य है जिसकी हमने हमेशा उद्यम प्रणालियों से मांग की है।

आपने तर्क दिया है कि कई एआई परियोजनाएं मॉडल के कारण विफल नहीं होती हैं, लेकिन डेटा और वास्तुकला निर्णयों के कारण जो बहुत पहले किए गए थे। एआई परियोजनाओं को बाद में शांतिपूर्वक कमजोर करने वाले सबसे सामान्य शुरुआती वास्तुकला विकल्प क्या हैं?

मैं जो सबसे अधिक देखता हूं वह यह है कि कंपनियां एक गोदाम या झील को एकमात्र सच्चाई के स्रोत के रूप में मानती हैं जब यह वास्तव में केवल एक गंतव्य है। वे सब कुछ एक जगह में पाइप करते हैं और मानते हैं कि यह ‘एक संस्करण की सच्चाई’ समस्या का समाधान करता है, लेकिन यह नहीं करता है, यह केवल असहमति को केंद्रित करता है। यदि तीन स्रोत प्रणालियों में से प्रत्येक एक सक्रिय ग्राहक को अलग-अलग परिभाषित करती है, तो उन्हें एक गोदाम में पाइप करने से आपको एक गलत उत्तर मिलता है, न कि तीन।

फिर वहाँ एक जाल है जो सिर्फ आपके सामने के लिए बनाने का है। एक पाइपलाइन एक डैशबोर्ड के लिए बिल्कुल सही ढंग से ट्यून की जाती है, यह बहुत अच्छा काम करता है, और फिर छह महीने बाद एक नई मॉडल को उसी डेटा की आवश्यकता होती है, तेजी से या ताज़ातरीन, और पूरी चीज़ को तोड़ने के बजाय विस्तारित करने के लिए।

और जो हमेशा लोगों को काटने के लिए आता है वह है लाइनेज और मेटाडेटा को छोड़ना क्योंकि यह ऐसा लगता है जैसे कोई भी इसके लिए पूछता है। इसका कोई भुगतान नहीं है; जब तक कि किसी दिन कोई पूछता है कि मॉडल ने एक विशिष्ट कॉल क्यों की, और इसका कोई तरीका नहीं है कि इसे ट्रेस किया जा सके। यह तब एक महंगा सुधार में बदल जाता है, न कि एक सस्ता डिज़ाइन निर्णय।

फॉर्च्यून 500 उद्यमों के साथ काम करते समय, क्या संकेत आपको बताते हैं कि एक संगठन वास्तव में पायलटों से परे एआई को स्केल करने के लिए तैयार है?

ईमानदारी से, मैं आमतौर पर पहले कुछ बातचीत के भीतर बता सकता हूं। एक संगठन के बीच अंतर जो एआई के साथ प्रयोग कर रहा है और जो इसे व्यवसायिक पैमाने पर संचालित करने के लिए तैयार है, यह कुछ बताता है कि संकेतों की ओर जाता है। मैं आमतौर पर तीन मुख्य श्रेणियों में तैयारी की तलाश करता हूं: रणनीतिक दृढ़ विश्वास, व्यवसाय एकीकरण, और संचालन परिपक्वता।

यहाँ क्या सचमुच तैयारी के संकेत देता है:

1. रणनीतिक संरेखण और कार्यकारी दृढ़ विश्वास

एक स्पष्ट एआई रणनीति, न कि केवल एआई ईर्ष्या: संगठन के नेतृत्व में वास्तविक दृढ़ विश्वास है कि उनकी एआई रणनीति के बारे में। यह आसानी से कुछ अग्रणी प्रश्न पूछकर देखा जा सकता है कि एआई उनके व्यवसाय उद्देश्यों से कैसे मेल खाता है। यदि वे सटीक व्यवसाय मूल्य (जैसे राजस्व वृद्धि, मार्जिन सुधार, या ग्राहक अनुभव) को बता सकते हैं, न कि केवल “जनरेटिव एआई” का उपयोग करना चाहते हैं, तो वे तैयार हैं।

प्रतिबद्ध उद्यम वित्त: वे अलग-अलग अनुसंधान और विकास बजट से आगे बढ़ गए हैं। एक समर्पित, क्रॉस-फंक्शनल बजट है जो न केवल एआई परियोजनाओं के लिए, बल्कि परिवर्तन प्रबंधन, बुनियादी ढांचे और चल रहे एमएलओप्स के लिए भी आवंटित किया गया है।

2. समस्या-समाधान फिट और व्यवसाय एकीकरण

सही समस्याओं का समाधान: एक प्रमुख लाल झंडा यह है कि मानक कार्य प्रवाह स्वचालन या रोबोटिक प्रक्रिया स्वचालन (आरपीए) के साथ एआई को भ्रमित करना और इसे केवल एक प्रौद्योगिकी बॉक्स पर एक विराम चिह्न के रूप में लागू करना है। तैयार संगठन एआई के विशिष्ट मूल्य प्रस्ताव को समझते हैं। वे उन उपयोग के मामलों पर ध्यान केंद्रित करते हैं जहां एआई क्षमता में एक परिवर्तन लाता है, न कि केवल एक विरासत प्रक्रिया पर एक प्रौद्योगिकी बॉक्स की जांच करने के लिए।

व्यवसाय इकाई स्वामित्व: यह एक शांत संकेत है, लेकिन अक्सर सबसे बड़ा बाधा स्केलिंग के लिए है। यदि एआई उत्साह पूरी तरह से एक अलग “नवाचार प्रयोगशाला” में रहता है जिसमें वास्तविक व्यवसाय इकाइयों से कोई हिस्सेदारी नहीं है, तो पायलट विफल हो जाएंगे। सच्ची तैयारी तब संकेत दी जाती है जब व्यवसाय हितधारक सक्रिय रूप से समाधान विकसित करते हैं और अंतिम व्यवसाय परिणाम का मालिकाना हक रखते हैं, न कि संचालन को एक प्रमाण के रूप में दीवार पर फेंक देते हैं।

3. संचालन परिपक्वता और शासन

दिन-एक सुरक्षा और अनुपालन जुड़ाव: सुरक्षा और शासन टीमों की कमी या उन्हें एक महत्वपूर्ण एआई उपयोग के मामले से दूर रखने की कोशिश करना तेजी से आगे बढ़ने के लिए एक नुस्खा है जो तैनाती विफलता के लिए है। परिपक्व संगठन दिन एक से ही सुरक्षा और डेटा शासन को मेज पर लाते हैं। वे इन टीमों को महत्वपूर्ण सुविधाओं के रूप में देखते हैं जो सुरक्षित रूप से स्केल करने के लिए आवश्यक गार्डरेल बनाती हैं, न कि रोडब्लॉक के रूप में।

अंततः, एआई को सफलतापूर्वक स्केल करने वाले संगठन इसे एक आईटी विज्ञान प्रयोग के रूप में नहीं, बल्कि एक परिवर्तनकारी व्यवसाय क्षमता के रूप में मानते हैं जिसमें सही प्रायोजन, सही गार्डरेल और सही व्यवसाय संरेखण होता है।

एक एआई-तैयार डेटा फाउंडेशन वास्तव में कैसा दिखता है, खासकर उन उद्यमों के लिए जिनके पास ईआरपी, सीआरएम, वाणिज्य, क्लाउड और विरासत प्रणालियों में विखंडित डेटा है?

अधिकांश उद्यमों को एक डेटा आयतन समस्या नहीं है, बल्कि एक डेटा विश्वास समस्या है। यह एआई पर परत के नीचे और भी बढ़ जाता है। यह एक नए प्लेटफ़ॉर्म के बारे में कम है और एक मुट्ठी भर गैर-ग्लैमरस गुणों के बारे में अधिक है जो प्रणालियों में सच हैं।

उदाहरण के लिए, 同 एक ग्राहक, उत्पाद, या स्टोर को एक ही इकाई के रूप में मान्यता प्राप्त होना चाहिए, चाहे वह एक विरासत ईआरपी, एक आधुनिक सीआरएम, या एक वाणिज्य मंच में बैठा हो। यदि आपकी प्रणालियां एक ग्राहक के बारे में सहमत नहीं हो सकती हैं, तो आपके एआई व्यक्तिगतीकरण और पूर्वानुमान मॉडल विखंडित डेटा पर काम कर रहे हैं, जिसके परिणामस्वरूप एक कल्पना चित्र है। आप ग्राहक जीवनकाल मूल्य का पूर्वानुमान नहीं लगा सकते हैं यदि आपका एआई एक ग्राहक को तीन अलग-अलग लोगों के रूप में मानता है।

दूसरा, डेटा ताजगी जो निर्णय से मेल खाती है, न कि स्रोत प्रणाली जो करती है। रात के समय इन्वेंट्री अपडेट लंबी अवधि की योजना के लिए ठीक हैं, और वास्तविक समय की पूर्ति के लिए बेकार हैं; एक वास्तविक नींव दोनों गति का समर्थन करती है बिना सब कुछ सबसे धीमी गति से समतल किए।

तीसरा, एक लाइनेज परत जो आपको ‘यह संख्या कहां से आई’ पूछने देती है मिनटों में, न कि एक बहु-दिवसीय जांच में। अधिकांश विखंडित उद्यम डेटा से कम नहीं हैं, बल्कि एक परत से कम हैं जो डेटा को विश्वसनीय और ट्रेस करने योग्य बनाती है। यह वास्तविक नींव है, न कि जो उपकरण इसके ऊपर जुड़ा हुआ है।

आप अक्सर 5 वी के बारे में चर्चा करते हैं: डेटा की मात्रा, गति, विविधता, सत्यता और मूल्य। एआई के लिए डेटा तैयार करते समय उद्यम नेताओं को कौन सी सबसे ज्यादा कम अनुमान लगाया जाता है?

डेटा सत्यता, बिना किसी संदेह के। डेटा मूल्य के बाद।

आज के बड़े डेटा पारिस्थितिकी तंत्र में मात्रा एक दिया गया है। हर कोई डेटा में डूब रहा है। विविधता और गति को सड़कमैप पर दिखाई देते हैं – नए स्रोत, पाइपलाइन और वास्तविक समय फीड।

सत्यता अदृश्य है जब तक यह कुछ खर्च नहीं करता – आमतौर पर एक मॉडल एक स्पष्ट रूप से गलत आउटपुट का उत्पादन करता है, और कोई इसे डुप्लिकेट ग्राहक रिकॉर्ड या एक फील्ड का पता लगाता है जिसे तीन टीमें तीन अलग-अलग तरीकों से भरती हैं।

अंत में, मूल्य अलग तरह से कम अनुमानित है – नेताओं का मानना ​​है कि यदि डेटा मौजूद है, तो इसका मूल्य है, यह पूछे बिना कि क्या यह वास्तव में एक निर्णय को स्थानांतरित करता है। अधिकांश उद्यमों के पास एक छोटा सा अंश है जो वास्तव में कोई काम कर रहा है और किसी ने यह नहीं देखा है कि यह कौन सा अंश है।

विशेष रूप से खुदरा में, एआई उपयोग के मामले व्यक्तिगतीकरण, पूर्वानुमान, इन्वेंट्री, आपूर्ति श्रृंखला, ग्राहक सेवा और स्टोर संचालन में फैले हो सकते हैं। एआई महत्वाकांक्षा और डेटा तैयारी के बीच सबसे बड़ा अंतर कहां है?

एआई महत्वाकांक्षा समान रूप से खुदरा में फैली हुई है। डेटा तैयारी अत्यधिक असममित है।

व्यक्तिगतीकरण और पूर्वानुमान के लिए तैयारी सबसे तर्कसंगत है – खुदरा विक्रेताओं ने वर्षों से लेन-देन और ब्राउज़िंग डेटा एकत्र किया है।

बigger अंतर आपूर्ति श्रृंखला और ओम्नी-चैनल में है, विशेष रूप से ऑनलाइन और भौतिक स्टोर के बीच के संबंध में। ओम्नी-चैनल अविश्वसनीय रूप से जटिल है क्योंकि यह खुदरा विक्रेता को दो सबसे कठिन डेटा समस्याओं को वास्तविक समय में हल करने के लिए मजबूर करता है: एकीकृत ग्राहक पहचान और तरल इन्वेंट्री। अधिकांश खुदरा विक्रेताओं के पास वास्तविक समय में ई-कॉमर्स इन्वेंट्री है, लेकिन कभी-कभी दिन के अंत में स्टोर स्तर के स्टॉक की दृश्यता होती है।

ग्राहक सेवा और स्टोर संचालन अभी भी प्रारंभिक चरण में हैं। महत्वाकांक्षा उच्च है, लेकिन अंतर्निहित परिचालन डेटा, अर्थात स्टाफिंग, कार्य पूर्णता, वास्तविक समय स्टोर स्थितियां, अक्सर व्यवसाय का कम से कम डिजिटल हिस्सा है। महत्वाकांक्षा इन उपयोग के मामलों में समान रूप से वितरित की जाती है; तैयारी नहीं है।

कंपनियां मिशन-क्रिटिकल सिस्टम को बाधित किए बिना विरासत डेटा बुनियादी ढांचे को कैसे आधुनिक बना सकती हैं जिस पर व्यवसाय अभी भी हर दिन निर्भर करता है?

विरासत डेटा प्लेटफ़ॉर्म अक्सर संचालन बोतलनेक, गंभीर डेटा गुणवत्ता मुद्दों और संगठनात्मक स्केलिंग सीमाओं से पीड़ित होते हैं। डेटा प्लेटफ़ॉर्म आधुनिकीकरण के दौरान दैनिक संचालन की रक्षा करने का सबसे प्रभावी तरीका एक एकल, उच्च-जोखिम वाले बड़े पैमाने पर प्रवास से बचना है। डेटा प्लेटफ़ॉर्म आधुनिकीकरण का प्राथमिक उद्देश्य डेटा को संगठनात्मक निर्णय लेने के लिए अधिक उपयोगी बनाना होना चाहिए, न कि प्रयास को शुद्ध आईटी प्लेटफ़ॉर्म स्वैप के रूप में मानना चाहिए।

एआई युग के लिए, संगठनों को एक डेटा मेडेलियन और डेटा मेश आर्किटेक्चर अपनाना चाहिए। यह रणनीति एक संरचित पाइपलाइन बनाती है जहां डेटा को कच्चे से व्यवसाय-तैयार तक प्रगतिशील रूप से परिष्कृत किया जाता है, प्रभावी रूप से निर्णय लेने से पहले खराब गुणवत्ता वाले डेटा को रोकता है। डेटा को विभिन्न तर्कसंगत परतों में विभाजित करके, संगठन स्पष्ट वंशावली स्थापित करते हैं, जिससे यह सरल हो जाता है कि जानकारी स्रोत से गंतव्य तक कैसे बदलती है।

सत्यापित डेटा को सुलभ उत्पादों में पैकेज करके, संगठन अपनी टीमों को रणनीतिक, साक्ष्य-आधारित निर्णय लेने के लिए सशक्त बनाते हैं, न कि直सूची पर भरोसा करते हैं। महत्वपूर्ण रूप से, यह दृष्टिकोण एंटरप्राइज़ एआई के लिए आवश्यक डेटा विश्वास की नींव स्थापित करता है। क्यूरेटेड डेटा उत्पादों पर एआई एजेंटों का निर्माण सुनिश्चित करता है कि मॉडल सुरक्षित, सटीक जानकारी से सीखते हैं, न कि गंदे, अनियंत्रित डेटासेट से।

आमतौर पर शासन को एक एआई परियोजना शुरू होने के बाद जोड़ा जाता है। जब शासन, गोपनीयता, सुरक्षा और डेटा गुणवत्ता को दिन एक से वास्तुकला आवश्यकताओं के रूप में माना जाता है, तो क्या बदल जाता है?

सब कुछ तेजी से चलता है, कम टूट जाता है, और बेहतर स्केल करता है। जनरेटिव एआई के संभावित स्वरूप के साथ, शासन अत्यधिक महत्वपूर्ण है लेकिन कई संगठनों में सबसे अधिक उपेक्षित है।

जब आप इन तत्वों को दिन एक से वास्तुकला आवश्यकताओं के रूप में मानते हैं, न कि एक आखिरी मिनट की ऑडिट चेकलिस्ट के रूप में, तो आप नुकसान नियंत्रण से वेग में स्थानांतरित हो जाते हैं। यहाँ क्या बदलता है:

पहले, आप पूरी तरह से निर्मित एआई परियोजनाओं को त्यागने से बचते हैं क्योंकि वे अनुपालन या गोपनीयता मानकों का उल्लंघन करते हैं।

इसके बाद, सुरक्षा और डेटा गुणवत्ता पैच नहीं हैं; वे पाइपलाइन में एम्बेडेड हैं। आपके मॉडल विश्वसनीय डेटा पर चलते हैं, जिसके परिणामस्वरूप नेतृत्व और उपयोगकर्ता वास्तव में विश्वास करते हैं।

अंत में, जब आप प्रूफ-ऑफ-कॉन्सेप्ट से उत्पादन में जाते हैं, तो तैनाती का मार्ग पहले से ही साफ और स्वचालित है।

संक्षेप में, शासन नवाचार पर एक ब्रेक नहीं है; यह सुरक्षित रूप से तेजी से चलने की अनुमति देने वाला स्टीयरिंग सिस्टम है।

सीएआईओ सर्कल के सलाहकार के रूप में, आप कैसे सोचते हैं कि मुख्य एआई अधिकारी भूमिका को विकसित करना चाहिए, और इसकी जिम्मेदारियां सीआईओ, सीडीओ और व्यवसाय इकाई नेताओं के संबंध में कहां शुरू और समाप्त होनी चाहिए?

सीएआईओ सर्कल का हिस्सा बनना वास्तव में इस पर एक उपयोगी खिड़की है, क्योंकि अभी यह भूमिका नक्शे पर है क्योंकि कई उद्यमों ने इसे प्रतिक्रियास्वरूप बनाया है जनरेटिव एआई हYPE के लिए, एक स्पष्ट परिचालन अंतर को भरने के बजाय। मुझे लगता है कि यह जल्द ही बस जाएगा और इसकी जरूरत है। प्रभावी ढंग से काम करने के लिए, कार्यकारी ब्रेकडाउन स्पष्ट होना चाहिए:

सीआईओ बुनियादी ढांचे और सिस्टम विश्वसनीयता का मालिक है। सीडीओ डेटा का मालिक है क्योंकि यह एक उद्यम संपत्ति है (इसकी गुणवत्ता, शासन, और पहुंच)। सीएआईओ रॉ एआई क्षमता और वास्तविक व्यवसाय परिणामों के बीच अनुवाद परत का मालिक है।

यह अनुवाद परत एआई पोर्टफोलियो के स्पष्ट स्वामित्व का अर्थ है, यह निर्धारित करना कि क्या बनाना है, कौन से व्यवसाय क्षेत्रों को एआई प्रौद्योगिकी के माध्यम से बेहतर परोसा जा सकता है और जहां एआई को तैनात किया जाना चाहिए और नहीं करना चाहिए।

आज उद्यमों में सबसे बड़ा अंतर यह है कि वे प्रतिस्पर्धी व्यवसाय इकाइयों के बीच जोखिम और मूल्य व्यापार-बंद का मूल्यांकन करते हैं। एक उच्च जोखिम वाली एआई पहल को अवरुद्ध करना जिसे एक व्यवसाय इकाई बुरी तरह से चाहती है, किसी की आवश्यकता है जिसके प्रोत्साहन उस इकाई के अल्पकालिक लक्ष्यों से जुड़े नहीं हैं और जो जोखिम का मूल्यांकन करने के लिए तकनीकी रूप से पर्याप्त है। यह स्वतंत्र, तकनीकी रूप से आधारित गेटकीपर है जो सीएआईओ भूमिका को बनने की आवश्यकता है।

आगे देखते हुए, क्या कंपनियों को एआई लाभ प्राप्त करने से अलग करेगा जो केवल नवीनतम एआई टूल के साथ प्रयोग करती हैं?

यह उन लोगों के बारे में नहीं होगा जिनके पास सबसे अच्छे मॉडल हैं। मॉडल क्षमता तेजी से समान हो रही है, और कच्ची प्रौद्योगिकी एक स्थायी विभेदक नहीं रहेगी।

इसके बजाय, दीर्घकालिक एआई सफलता का मूल परीक्षण – चाहे वह आंतरिक हो या ग्राहक-सामने – एक चीज़ पर नीचे आता है: विश्वास।

विश्वास सीधे एक संगठन की क्षमता के अनुपात में है एक एआई-तैयार नींव और एक ऐसा वातावरण बनाने के लिए जहां नई क्षमताओं का परीक्षण किया जा सकता है, सुरक्षित रूप से तैनात किया जा सकता है और तेजी से स्केल किया जा सकता है। ठोस रूप से, इसके लिए तीन चीजें आवश्यक हैं:

एक विश्वसनीय डेटा फाउंडेशन: साफ, विश्वसनीय डेटा ताकि हर नए उपयोग के मामले में एक बड़ा एक-मुश्त साफ़-अप परियोजना की आवश्यकता न हो।

लचीला शासन: जोखिम और अनुपालन प्रक्रियाएं जो मॉडल के विकास की गति के साथ तालमेल बिठा सकती हैं।

परिणाम-निर्देशित मेट्रिक्स: एक संगठनात्मक संस्कृति जो एआई को व्यवसाय मूल्य द्वारा, न कि तकनीकी सूझ के द्वारा मापती है।

कंपनियां जो तीन साल से भी अधिक समय तक “प्रयोग मोड” में फंसी रहेंगी, वे वे होंगी जिन्होंने कभी भी उस नींव का निर्माण नहीं किया – वे हर एक एआई परियोजना पर उसी डेटा और शासन सीखने को दोहराते रहेंगे।

विजेता जो एक टिकाऊ लाभ के साथ होंगे वे वे होंगे जहां दसवां एआई उपयोग का मामला पहले से बहुत सस्ता और तेजी से तैनात हो जाता है, क्योंकि नींव को पहली बार सही तरीके से बनाया गया था।

साक्षात्कार के लिए धन्यवाद, पाठकों को उनकी पुस्तक एंटरप्राइज़-ग्रेड हाइब्रिड और मल्टी-क्लाउड रणनीतियाँ पढ़ने में भी रुचि हो सकती है।