प्रासंगिकता बनाम पैमाना: वास्तविकता के संपर्क में टिकने वाला AI बनाना

क्यों छोटे, कार्य-विशिष्ट मॉडल क्षेत्र में AI के लिए आवश्यक हैं

टीमें अब AI प्रॉम्प्ट से प्रोटोटाइप तक पहले से कहीं तेज़ी से जा सकती हैं। लेकिन ये प्रोटोटाइप अक्सर वास्तविक‑विश्व कार्यप्रवाहों जैसे फील्ड सर्विस, निर्माण, या सुविधाओं के प्रबंधन में टूट जाते हैं, जहाँ सटीकता, निरंतरता और उत्तरदायित्व सबसे महत्वपूर्ण होते हैं। समस्या यह है कि जबकि AI हमेशा आपको एक उत्तर दे सकता है, आपको वास्तव में चाहिए सही उत्तर, सही संदर्भ में, हर बार।

यहीं वह जगह है जहाँ अधिकांश बड़े भाषा मॉडल (LLMs) अपनी मूल्य खो देते हैं। एक LLM के साथ, केवल प्रश्न को विभिन्न तरीकों से पूछने से पूरी तरह अलग आउटपुट बन सकते हैं। यह कई LLMs के व्यापकता पर ध्यान केंद्रित करने, न कि विशिष्ट गहराई पर, का परिणाम है। जबकि रचनात्मक कार्य में लचीलापन सहायक हो सकता है, यह व्यापक ज्ञान सटीकता चाहने वाले किसी भी व्यक्ति के लिए एक बाधा बन सकता है। 

ऑपरेशनल वातावरण में निरंतरता आवश्यक है। संपत्तियां ज्ञात होती हैं, प्रक्रियाएं दस्तावेज़ीकृत होती हैं, और सुरक्षा प्रोटोकॉल व नियामक आवश्यकताएं स्वीकार्य पैरामीटर निर्धारित करती हैं। सामान्य इंटरनेट ज्ञान पर आधारित कोई भी आउटपुट परिवर्तन समस्या को और बिगाड़ सकता है। उदाहरण के लिए, HVAC मरम्मत में, तकनीशियनों को बिल्कुल उसी संपत्ति—उसके सेवा इतिहास और ज्ञात विफलता पैटर्न—पर आधारित आउटपुट चाहिए। 

कल्पना करें कि एक तकनीशियन समय की दबाव में उपकरण विफलता का जवाब दे रहा है। यदि सिस्टम प्रश्न के अभिव्यक्तिकरण के आधार पर असंगत उत्तर देता है, या अपनी सिफारिशों को भरोसेमंद डेटा से जोड़ नहीं पाता, तो आपके पास अचानक एक बड़ी समस्या आ जाती है। प्रतिक्रिया समय ग्राहकों और व्यवसाय की सफलता दोनों के लिए महत्वपूर्ण है। 

पैमाने से प्रासंगिकता की ओर बदलाव

वर्तमान में हो रहा बदलाव सामान्य AI से प्रासंगिक AI की ओर है। AI को सब कुछ करने के लिए कहने के बजाय, अधिक संगठनों ने इसकी भूमिका को विशिष्ट, दोहराने योग्य कार्यों तक सीमित कर दिया है। छोटे, कार्य-विशिष्ट मॉडल और सख्त रूप से सीमित AI सिस्टम लोकप्रिय हो रहे हैं क्योंकि वे लाइव ऑपरेशनल डेटा पर आधारित हो सकते हैं, व्यापार नियमों द्वारा सीमित, और मौजूदा कार्यप्रवाहों में सीधे एम्बेड किए जा सकते हैं। 
छोटे मॉडल यह करने में बेहतर साबित हुए हैं:

• समस्या निवारण: छोटे मॉडल मैनुअल, पूर्व अनुभव, और अनौपचारिक ज्ञान साझा करने जैसे अत्यधिक सूक्ष्म इनपुट को ज्ञान निष्कर्षण, में बदल सकते हैं, जिससे अधिक जूनियर टीम सदस्य तेज़ी से सीख सकें और अधिक आत्मविश्वास के साथ कार्य कर सकें। छोटे AI मॉडल इस में और जोड़ सकते हैं, विशेष रूप से प्रासंगिक ऐतिहासिक कार्य आदेश, मरम्मत लॉग, और विफलता पैटर्न को शामिल करके संभावित अगले कदम सुझा सकते हैं। इससे सिस्टमों में खोजने में लगने वाला समय कम हो जाता है। 
• कार्य हस्तांतरण: अधूरी या असंगत दस्तावेज़ीकरण शिफ्ट या टीमों के बीच हस्तांतरण को जोखिमपूर्ण बना सकता है। लेकिन सेवा डेटा पर प्रशिक्षित कार्य-विशिष्ट मॉडल यह सारांशित कर सकते हैं कि क्या किया गया, कौन से भाग बदले गए, और क्या अभी खुला है। इससे अगला तकनीशियन टुकड़ों को जोड़ने के बजाय स्पष्ट चित्र के साथ शुरू कर सकता है। 
• अनुपालन और सुरक्षा: नियंत्रित वातावरण में, एक कदम चूकना वास्तविक जोखिम लेकर आता है। कार्य-विशिष्ट छोटे भाषा मॉडल मानकीकृत निरीक्षण कार्यप्रवाहों को मार्गदर्शन कर सकते हैं, आवश्यक चरणों की पुष्टि कर सकते हैं, और वास्तविक समय में असंगतियों की पहचान या संकेत कर सकते हैं। 

इन छोटे मॉडलों को ज्ञात डेटा, स्वीकृत कार्यप्रवाह, और परिभाषित कार्यों के आसपास प्रशिक्षित और सीमित किया जा सकता है। अलग टूल के रूप में कार्य करने के बजाय, वे मौजूदा सिस्टमों के भीतर स्थित होते हैं, जहाँ वे लाइव डेटा प्राप्त कर सकते हैं, रिकॉर्ड अपडेट कर सकते हैं, और अगले कदमों का संकेत दे सकते हैं।  

ऐसी AI बनाना जिस पर ऑपरेशनल टीमें भरोसा कर सकें

फ़ील्ड सर्विस और निर्माण वातावरण में AI के सफल होने के लिए, इसे इस वास्तविकता में आधारित होना चाहिए कि काम कैसे किया जाता है: जुड़े सिस्टम, संरचित ऑपरेशनल डेटा, और ऐसे कार्यप्रवाह जो टीमें पहले से भरोसा करती हैं। और इसे भरोसेमंद होना चाहिए। 

विश्वास निरंतर, संरचित डेटा की नींव से शुरू होता है ताकि मॉडल हर बार संपत्तियों, कार्य आदेशों, और मीट्रिक्स को एक ही तरीके से समझें। आउटपुट को भी सुरक्षा रेखाओं और शासन की आवश्यकता होती है ताकि मार्गदर्शन स्वीकृत कार्यप्रवाहों, मान्य डेटा स्रोतों के भीतर रहे, और कर्मचारियों को उनकी भूमिका या कौशल से परे कार्य करने के लिए प्रेरित न करे। यदि कोई सिफारिश ज्ञात डेटा से ट्रेस नहीं की जा सकती, तो AI को उसे सुझाना नहीं चाहिए। 

AI को भी एकीकृत होना चाहिए – उन सिस्टमों में एम्बेड होना चाहिए जो टीमें निर्णय लेते समय पहले से उपयोग करती हैं; अन्यथा, यह कम उपयोगी या यहाँ तक कि अनदेखा किया जाएगा। और मानव निगरानी आवश्यक बनी रहती है। लक्ष्य यह नहीं है, और कभी नहीं होना चाहिए, कि ऑपरेटरों को बदल दिया जाए – बल्कि उनके साथ काम करना है। इसका मतलब है कि मानव हमेशा ही महत्वपूर्ण कार्यों को स्वीकृत करने, सिफारिशों को ओवरराइड करने, महत्वपूर्ण कार्य करने, और जब कुछ अपेक्षित पैटर्न से बाहर हो तो एस्केलेट करने वाले होने चाहिए।

AI में भरोसा उसी तरह बनता है जैसे किसी भी ऑपरेशनल सिस्टम में बनता है: निरंतर प्रदर्शन और काम करने के तरीके के साथ संरेखण के साथ। आप हमेशा AI से उत्तर प्राप्त कर सकते हैं, लेकिन वास्तव में महत्वपूर्ण है कि वह उत्तर विश्वसनीय रूप से सही और निरंतर हो। वे ऑपरेशनल वातावरण जहाँ AI सबसे अधिक मूल्य पैदा कर सकता है, वही हैं जहाँ अस्पष्टता बहुत कम या नहीं होती। 

उचित आकार की AI की प्रभावशीलता

छोटे मॉडलों के लिए एक व्यावहारिक लाभ भी है। वे हल्के, तेज़, और प्रबंधन में आसान होते हैं। वे कम कंप्यूटिंग की आवश्यकता रखते हैं, कम लेटेंसी के साथ परिणाम उत्पन्न करते हैं, और प्रक्रियाओं के बदलने पर अपडेट किए जा सकते हैं। 

और AI के दो दृष्टिकोणों को जोड़ना संभव है। कुछ कंपनियां बड़े, अधिक सामान्य मॉडल का उपयोग व्यापक पैटर्न और तर्क को पकड़ने के लिए करती हैं, फिर उस ज्ञान को छोटे मॉडलों में डिस्टिल करती हैं जो विशिष्ट कार्यों के लिए ट्यून किए गए हैं। यह संगठनों को बड़े‑स्तर के प्रशिक्षण के लाभ को बनाए रखने की अनुमति देता है, जबकि फील्ड में अधिक भरोसेमंद प्रदर्शन करने वाले सिस्टम प्रदान करता है। 

कुशलताएँ सबसे स्पष्ट रूप से उच्च‑वॉल्यूम प्रक्रियाओं जैसे कार्य आदेश प्रबंधन या उत्पादन निगरानी में दिखती हैं, जहाँ प्रदर्शन सुधार को ऑपरेशनल मीट्रिक्स जैसे तेज़ समाधान समय और घटे हुए डाउनटाइम के रूप में मापा जा सकता है।  

सफलता की नई परिभाषा

भरोसा AI के अगले चरण का मूल है। सिस्टम तभी सफल होंगे जब वे वास्तविक‑विश्व स्थितियों में प्रदर्शन करें, न कि केवल प्रोटोटाइप के रूप में कितने स्मार्ट दिखते हैं। AI तब सबसे अच्छा होता है जब वह प्रक्रियाओं को ठोस रूप से सुरक्षित बना सके, हस्तांतरण को कम कर सके, या उत्तरदायित्व को स्पष्ट कर सके। AI तब भरोसेमंद होता है जब वह निरंतर हो। केवल बुद्धिमत्ता को बढ़ाना, बिना कारण के, कोई ऑपरेशनल लाभ नहीं देता। एक ऐसा सिस्टम जो इस तरह डिजाइन किया गया हो कि आप उस पर फील्ड में आवश्यक समय और तरीके पर भरोसा कर सकें, वास्तविक प्रगति की कुंजी है।