सफल एआई अपनाने के लिए 3 घटकों की आवश्यकता होती है — अधिकांश कंपनियों के पास केवल 2 हैं

इस बिंदु पर, एआई अब नई प्रौद्योगिकी नहीं है। इसकी प्रभावशीलता डेटा विश्लेषण, पैटर्न पहचान, और ज्ञान संश्लेषण में सिद्ध हो चुकी है, जो टीमों को अधिक कुशल बना सकती है। लेकिन एआई के निर्विवाद मूल्य के बावजूद, नए शोध से पता चलता है कि केवल 13% व्यवसायों ने इसे व्यापक रूप से अपनाया है। अधिकांश व्यवसाय सुरक्षित खेल रहे हैं, एआई का उपयोग केवल निम्न-जोखिम वाले कार्यों के लिए कर रहे हैं। ब्रांडों को गोता लगाने और लाभ प्राप्त करने से क्या रोक रहा है? एआई की आकांक्षाओं और उपलब्धि के बीच का अंतर संरचनात्मक कमी के कारण है।

गायब लिंक।

सफल, व्यापक एआई अपनाने के लिए तीन घटकों की आवश्यकता होती है: बुनियादी ढांचा, अनुप्रयोग, और डेटा। बुनियादी ढांचे की परत में एआई मॉडल शामिल है, जिसका फ्रेमवर्क सीधे उपयोग और संभावित आउटपुट को आकार देता है।
अनुप्रयोग परत वह स्थान है जहां सॉफ्टवेयर समाधान रहते हैं। यह वह स्थान है जहां एआई का अधिकांश मूल्य उत्पन्न होता है; यह वह स्थान है जहां उपयोगकर्ता (शायद अप्रत्यक्ष रूप से) एआई के साथ बातचीत करते हैं और इसके आउटपुट की समीक्षा करते हैं; यह एआई-सूचित निर्णय लेने का केंद्र है।
इन परतों के बीच डेटा परत है, और यह वह घटक है जिसके साथ अधिकांश व्यवसायों को परेशानी होती है – चाहे वे इसके बारे में जानते हों या नहीं। इस परत में, निश्चित रूप से, सभी डेटा शामिल हैं; डेटा जो अंतर्निहित एआई मॉडल में फिट होता है और बनाए जा रहे अनुप्रयोगों का मार्गदर्शन करता है। डेटा परत की गुणवत्ता सीधे अनुप्रयोग परत पर आउटपुट को सूचित करती है। उच्च गुणवत्ता, पर्याप्त डेटा मजबूत उपयोग के मामलों का समर्थन कर सकता है, जबकि संदेहास्पद या अपर्याप्त डेटा नहीं कर सकता है।
जब तक संगठन तीनों परतों का निर्माण नहीं कर सकते हैं – या उन व्यवसायों के साथ साझेदारी नहीं कर सकते हैं जो ऐसा करते हैं – वे अधिकतम मूल्य प्राप्त नहीं करेंगे।

असंतुलन के परिणाम।

एआई का आउटपुट हमेशा उस डेटा पर निर्भर करेगा जिसे यह खिलाया जाता है। यदि एक संगठन अपने एआई को सिंथेटिक अणु संरचनाओं की भविष्यवाणी करने में सक्षम बनाना चाहता है, तो उन्हें इसके लिए बहुत सारे भौतिकी डेटा की आवश्यकता होगी। यदि एक रिटेलर अपने उपयोगकर्ताओं के व्यवहार की भविष्यवाणी करने और डिजिटल अनुभवों में सुधार करने के लिए एआई का उपयोग करना चाहता है, तो उन्हें इसके लिए व्यवहारिक डेटा की आवश्यकता होगी।
यदि व्यवसाय (या उनके साझेदार) अपने एआई टूल्स को पर्याप्त डेटा के साथ समर्थन नहीं कर सकते हैं, तो इसके परिणाम दूरगामी होंगे। सबसे पहले, एआई समाधान खुद है। सबसे अच्छे मामले में, यह तकनीकी रूप से संचालित होगा, लेकिन वांछित डिग्री के अनुसार नहीं। आउटपुट कमजोर, उदासीन, या पूरी तरह से अंतर्दृष्टि से वंचित हो सकते हैं। इस “सबसे अच्छे” परिणाम से परे एक अधिक संभावित परिणाम है: एआई हॉलुसिनेशन, गलत आउटपुट, और नकारात्मक आरओआई। न केवल निवेश बर्बाद हो जाएगा, बल्कि संगठनों को नुकसान नियंत्रण के नाम पर अधिक खर्च करने की आवश्यकता हो सकती है।
आउटपुट के तात्कालिक परिणामों से परे जूमिंग, हम एक डेटा-स्टार्व्ड एआई समाधान के व्यापक परिणाम देख सकते हैं। सामान्य तौर पर, व्यवसाय एआई को अपनाते हैं ताकि वे अधिक कर सकें: अधिक अंतर्दृष्टि प्राप्त करें, अधिक ग्राहकों की सेवा करें, अधिक कुशलता से संचालित करें। यदि संगठन एआई टूल में समय और संसाधनों का निवेश करते हैं जो फ्लैट गिर जाता है, तो उन्होंने प्रभावी रूप से अपनी खुद की वृद्धि को रोक दिया है, अपनी क्षमता को सीमित कर दिया है बाजार के साथ अनुकूलन करने और प्रतिस्पर्धा से आगे निकलने के लिए। इससे उन्हें नुकसान होगा और उन्हें खोए हुए समय, संसाधनों, और – संभावित रूप से – ग्राहकों के लिए बनाने के लिए संघर्ष करना होगा।
लेकिन आशा नहीं खोई जानी चाहिए; संगठन ऐसा करने के लिए बहुत कुछ कर सकते हैं जो उन्हें अच्छी स्थिति में रखे, एआई असंतुलन को ठीक करें (या रोकें), और आगे बढ़ें।

डेटा के साथ अंतर को भरना।

जोखिम के बिना, नेताओं के लिए एआई असंतुलन से बचने के लिए सबसे अच्छी बात यह है कि वे किसी भी एआई-संचालित समाधान के साथ आगे बढ़ने से पहले अपना उचित परिश्रम करें। किसी नए टूल को तैनात करने से पहले, डेटा के स्रोत और इसके निर्माण के बारे में जानने के लिए समय लें।
यदि आपके समाधान प्रदाता या लीड इंजीनियर डेटा के स्रोत, गुणवत्ता या मात्रा के बारे में सीधा उत्तर नहीं दे सकते हैं, तो यह चेतावनी की घंटी बजानी चाहिए। चैनल भागीदारों और एकीकृतकर्ताओं से दूसरी या तीसरी राय प्राप्त करें। रेडिट और डिस्कोर्ड जैसे उपयोगकर्ता चर्चा नेटवर्क में बुद्धिमत्ता को भीड़-स्रोत करें; देखें कि अन्य अपनाता कहां-कहां पर रुकावटों या रोडब्लॉक में चले गए। जानना कि निर्णय लेने से पहले किन लाल झंडों की तलाश करनी है, नेताओं को सिरदर्द और उम्मीदों की कमी की दुनिया से बचने में मदद कर सकता है।
बिल्कुल, यह दूरदर्शिता हमेशा संभव नहीं है और उन संगठनों की मदद नहीं करेगी जो एआई डेटा की कमी के बीच में हैं। यदि मौजूदा समाधान को खत्म करना विकल्प नहीं है, तो अगली सबसे अच्छी बात यह है कि टूल को अधिक डेटा के साथ इंजेक्ट करने का एक तरीका खोजें ताकि यह अधिक संदर्भ, पैटर्न और अंतर्दृष्टि प्राप्त कर सके।
सिंथेटिक डेटा यहां एक विकल्प है, लेकिन यह एक इलाज-ऑल नहीं है। सिंथेटिक डेटा की सटीक उत्पत्ति का पता लगाना मुश्किल हो सकता है, इसलिए यह हमेशा आगे बढ़ने का सबसे अच्छा मार्ग नहीं हो सकता है। कहा जा रहा है, सिंथेटिक डेटा के लिए एक समय और स्थान है। उदाहरण के लिए, यह एआई सुरक्षा मॉडल को प्रशिक्षित करने में, विशेष रूप से एक प्रतिद्वंद्वी तरीके से, उत्कृष्टता प्राप्त करता है। जैसा कि हमेशा, आगे बढ़ने से पहले शोध करना नेताओं को अपने व्यवसाय के लिए सर्वोत्तम निर्णय लेने में मदद करेगा।
खुदरा या त्वरित सेवा रेस्तरां (क्यूएसआर) जैसे उद्योगों के लिए, मानव डेटा पसंद किया जाता है। इन उद्योगों में व्यवसाय एआई का उपयोग ग्राहक अनुभव को अनुकूलित करने में मदद करने के लिए कर रहे हैं, इसलिए उनके टूल्स को मानव व्यवहारिक डेटा पर प्रशिक्षित किया जाना चाहिए। उदाहरण के लिए, यदि आप उपयोगकर्ताओं को एक पृष्ठ पर कितनी दूर तक स्क्रॉल करने की भविष्यवाणी करना चाहते हैं, तो आप चाहेंगे कि एआई अपनी भविष्यवाणी को समान स्थितियों में मानव व्यवहार पर आधारित करे।
कुछ मामलों में, मानव डेटा प्राप्त करना उतना ही नहीं है जितना कि नया डेटा प्राप्त करना; यह मौजूदा डेटा को सक्रिय करने के बारे में है। साइट और ऐप आगंतुक पहले से ही मौजूद हैं – यह केवल उनके व्यवहारिक डेटा को पकड़ने, संरचित करने और विश्लेषण करने का вопрос है ताकि एआई टूल्स इसका उपयोग कर सकें।
अंत में, पर्याप्त डेटा होने से बेहतर है बुरा डेटा; संगठन जो कुछ भी अपने समाधानों को साफ करने के लिए कर सकते हैं वह बेहतर परिणामों को चलाने में मदद करेगा।

शुरू करने के लिए कहां।

एआई डेटा की कमी एक बड़ी चुनौती पेश कर सकती है किसी भी आकार के संगठनों के लिए, और यह सोचना भी डरावना हो सकता है कि अगले कदम क्या हो सकते हैं। लेकिन समस्या को पहचानना ही एक उपलब्धि है। वहां से, यह प्रबंधनीय, चरण-दर-चरण कदमों को खोजने के बारे में है जिन्हें आप एक-एक करके संबोधित कर सकते हैं।
एआई में एक बड़ा वादा है – लेकिन केवल उन लोगों के लिए जो इसके प्रत्येक प्रमुख घटक में निवेश करने के लिए तैयार हैं: बुनियादी ढांचे, अनुप्रयोग, और डेटा। इन परतों के बिना, यहां तक कि सबसे सुंदर एआई समाधान भी फ्लैट गिर जाएगा। जो संगठन अब डेटा अंतर को भरेंगे वे न केवल पीछे रहने से बचेंगे, बल्कि गति सेट करेंगे।