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

इस बिंदु पर, एआई अब नए 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 खेल रहे हैं, केवल निम्न-जोखिम वाले कार्यों के लिए एआई का उपयोग कर रहे हैं। ब्रांडों को गोता लगाने और लाभ उठाने से क्या रोक रहा है? एआई आकांक्षाओं और उपलब्धि के बीच का अंतर संरचनात्मक कमी के कारण है।

गायब हुआ कड़ी

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 है जहां सॉफ्टवेयर समाधान रहते हैं। यह वह स्थान है जहां एआई का मूल्य उत्पन्न होता है; यह वह स्थान है जहां उपयोगकर्ता (संभवतः 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 सभी डेटा शामिल हैं; डेटा जो अंतर्निहित एआई मॉडल में फिट होता है और जो अनुप्रयोगों के निर्माण को निर्देशित करता है। डेटा परत की गुणवत्ता सीधे अनुप्रयोग परत पर आउटपुट को प्रभावित करती है। उच्च गुणवत्ता, प्रचुर मात्रा में 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 या उन व्यवसायों के साथ साझेदारी नहीं कर सकते जो ऐसा करते हैं, वे एआई का अधिकतम मूल्य प्राप्त नहीं करेंगे।

असंतुलन के परिणाम

एआई का आउटपुट हमेशा उस डेटा पर निर्भर करेगा जो इसे दिया जाता है। यदि एक संगठन चाहता है कि उसका एआई सिंथेटिक अणु संरचनाओं की भविष्यवाणी करे, तो उन्हें इसे बहुत सारे भौतिकी डेटा के साथ खिलाना होगा। यदि एक रिटेलर चाहता है कि एआई उपयोगकर्ताओं के व्यवहार की भविष्यवाणी करे और डिजिटल अनुभवों में सुधार करे, तो उन्हें इसे व्यवहारिक डेटा के साथ खिलाना होगा।

यदि व्यवसाय (या उनके साझेदार) अपने एआई टूल्स को पर्याप्त डेटा के साथ समर्थन नहीं कर सकते हैं, तो परिणाम दूरगामी होंगे। सबसे पहले, एआई समाधान ही है। सबसे अच्छे मामले में, यह तकनीकी रूप से संचालित होगा, लेकिन वांछित स्तर पर नहीं। आउटपुट कमजोर, उदासीन, या पूरी तरह से अंतर्दृष्टि से रहित हो सकते हैं। इस “सबसे अच्छे मामले” के परिणाम से परे एक और अधिक संभावित परिणाम है: एआई हॉलुसिनेशन, त्रुटिपूर्ण आउटपुट, और नकारात्मक आरओआई। न केवल निवेश बर्बाद हो जाएगा, बल्कि संगठनों को नुकसान नियंत्रण के नाम पर अधिक खर्च करना पड़ सकता है।

तत्काल परिणामों से परे देखते हुए, हम देख सकते हैं कि डेटा-स्टार्व्ड एआई समाधान के व्यापक परिणाम।一般 रूप से, 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 हो जाता है, तो उन्होंने अपने स्वयं के विकास को अवरुद्ध कर दिया है, अपनी बाजार के साथ तालमेल बिठाने और प्रतिस्पर्धा से आगे निकलने की उनकी क्षमता को सीमित कर दिया है। इससे उन्हें नुकसान होगा और उन्हें खोए हुए समय, संसाधनों और – संभावित रूप से – ग्राहकों की भरपाई करने के लिए संघर्ष करना होगा।

लेकिन आशा नहीं खोई जानी चाहिए; संगठनों के लिए अपनी स्थिति को ठीक करने और आगे बढ़ने के लिए बहुत कुछ है।

सही डेटा के साथ अंतर को भरना

अतिसरलीकरण के जोखिम पर, नेताओं द्वारा एआई असंतुलन से बचने के लिए की जाने वाली सबसे अच्छी बात यह है कि वे किसी भी एआई-संचालित समाधान के साथ आगे बढ़ने से पहले अपना उचित परिश्रम करें। नए टूल को तैनात करने से पहले, डेटा की उत्पत्ति 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 डिस्कॉर्ड जैसे उपयोगकर्ता चर्चा नेटवर्क में बुद्धिमत्ता को भीड़-स्रोत करें; देखें कि अन्य अपनाने वालों ने कहां-कहां रुकावटों या रोडब्लॉक्स का सामना किया। निर्णय लेने से पहले लाल झंडे की पहचान करने में सक्षम होने से नेताओं को सिरदर्द और अपेक्षाओं की कमी से बचने में मदद मिल सकती 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 तरीका खोजें ताकि यह अधिक संदर्भ, पैटर्न और अंतर्दृष्टि प्राप्त कर सके।

सिंथेटिक डेटा यहां एक विकल्प है, लेकिन यह एक सर्व-समाधान 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 अग्रिम अनुसंधान करना व्यवसाय के लिए सर्वोत्तम निर्णय लेने में मदद करेगा।

रिटेल या तेजी से 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 भविष्यवाणी करना चाहते हैं कि उपयोगकर्ता एक पृष्ठ पर कितनी दूर स्क्रॉल करेंगे, तो आप चाहेंगे कि एआई अपनी भविष्यवाणी वास्तविक मानव व्यवहार पर आधारित करे जो समान परिस्थितियों में हो।

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 टूल इसका उपयोग कर सकें।

अंत में, अपर्याप्त डेटा होने से बेहतर है खराब डेटा; संगठन जो कुछ भी कर सकते हैं अपने समाधानों को साफ करने में मदद करेगा, जो बेहतर परिणामों को चलाएगा।

शुरुआत कहाँ से करें

एआई डेटा की कमी एक बड़ी चुनौती प्रस्तुत कर सकती है किसी भी आकार के संगठन के लिए, और यह सोचना भी कि अगले कदम क्या हो सकते हैं यह भयावह हो सकता है। लेकिन समस्या को पहचानना ही एक उपलब्धि है। उसके बाद, यह उन प्रबंधनीय, चरण-दर-चरण कदमों को खोजने के बारे में है जिन्हें एक-एक करके संबोधित किया जा सकता है।

एआई में आशावादी संभावनाएं हैं – लेकिन केवल उन लोगों के लिए जो इसके प्रत्येक मुख्य घटक में निवेश करने के लिए तैयार हैं: बुनियादी ढांचे, अनुप्रयोग, और डेटा। इन परतों के बिना, सबसे आकर्षक एआई समाधान भी फ्लैट हो जाएगा। जो संगठन अब डेटा अंतर को बंद कर देंगे, वे न केवल पिछड़ने से बचेंगे, बल्कि गति स्थापित करेंगे।