स्मार्ट एंटरप्राइज: जेनरेटिव एआई को एंटरप्राइज-रेडी बनाना

आइए यहां से शुरू करें: हाँ, जेनरेटिव एआई (जेनएआई) के अवसर विशाल हैं। हाँ, यह दुनिया को जैसा हम जानते हैं (और अधिकांश लोगों की तुलना में तेजी से) बदल रहा है। और हाँ, प्रौद्योगिकी अधिक चतुर हो रही है। हालांकि, जेनएआई के लिए, जो पाठ, छवियों और कथाओं का निर्माण कर सकता है, का उद्यमों और व्यवसायों पर प्रभाव सामान्य जनता पर प्रभाव से बहुत अलग है – आखिरकार, अधिकांश व्यवसाय कविताएं या कहानियां नहीं लिखते हैं (जो चैटजीपीटी उपयोगकर्ताओं के साथ लोकप्रिय है), वे अपने ग्राहकों की सेवा करते हैं।

कई कंपनियों के पास प्राकृतिक भाषा प्रसंस्करण (एनएलपी) और कम-स्तरीय चैटबॉट्स का अनुभव है, लेकिन जेनएआई डेटा को एकीकृत करने, व्याख्या करने और व्यवसायिक परिणामों में परिवर्तित करने की गति को तेज कर रहा है। इसलिए, उन्हें जल्दी से यह निर्धारित करने की आवश्यकता है कि जेनएआई के कौन से उपयोग मामले उनकी सबसे दबाव वाली व्यवसायिक चुनौतियों का समाधान करेंगे और विकास को बढ़ावा देंगे। यह समझने के लिए कि उद्यम जेनएआई को अपने डेटा के साथ एंटरप्राइज-रेडी बना सकते हैं, यह महत्वपूर्ण है कि हम इस बिंदु पर कैसे पहुंचे।

एनएलपी से लार्ज लैंग्वेज मॉडल (एलएलएम) तक की यात्रा

प्रौद्योगिकी दशकों से प्राकृतिक भाषाओं को समझने की कोशिश कर रही है। जबकि मानव भाषा स्वयं मानव अभिव्यक्ति का एक विकसित रूप है, यह तथ्य कि मानवों ने दुनिया भर में इतने सारे बोलियों में विकसित किया है – प्रतीकों और ध्वनियों से सिलेबल्स, फोनेटिक्स और भाषाओं में – प्रौद्योगिकी को अधिक सरल डिजिटल संचार विधियों पर निर्भर करने के लिए छोड़ दिया है, जैसे कि बिट्स और बाइट्स, आदि, जब तक कि हाल के दिनों में।

मैं लगभग एक दशक पहले एनएलपी प्रोग्राम पर काम करना शुरू किया था। उस समय, यह सभी भाषा कर्तव्यशास्त्र और ऑन्टोलॉजी, इकाई निष्कर्षण, और एक प्राचीन रूप से ग्राफ डेटाबेस (मुख्य रूप से एक्सएमएल में) के बारे में था ताकि विभिन्न इकाइयों के बीच जटिल संबंधों और संदर्भ को बनाए रखने का प्रयास किया जा सके, खोज प्रश्नों को समझने का प्रयास किया जा सके, एक शब्द बादल उत्पन्न किया जा सके, और परिणाम प्रस्तुत किया जा सके। इसमें कुछ गणितीय नहीं था। इसमें ह्यूमन इन द लूप का बहुत अधिक उपयोग करने की आवश्यकता थी ताकि टैक्सोनॉमी डेटाबेस का निर्माण किया जा सके, बहुत सारे एक्सएमएल पार्सिंग, और सबसे महत्वपूर्ण बात, बहुत सारे कंप्यूट और मेमोरी का खेल। यह कहना जरूरी नहीं है कि कुछ कार्यक्रम सफल रहे, और अधिकांश नहीं थे। मशीन लर्निंग इसके बाद आई, जिसमें गहरे शिक्षण और न्यूरल नेट्स आदि के लिए कई दृष्टिकोण थे, जो प्राकृतिक भाषा समझ (एनएलयू) और प्राकृतिक भाषा अनुमान (एनएलआई) को तेज कर रहे थे। हालांकि, तीन सीमित कारक थे – जटिल मॉडलों को संसाधित करने के लिए कंप्यूट शक्ति, मशीनों को सिखाने के लिए डेटा की मात्रा तक पहुंच, और मुख्य रूप से, एक मॉडल जो स्वयं सीख सकता है और स्वयं सुधार कर सकता है वाक्यांशों के बीच अस्थायी संबंध बनाकर।

दो दशक बाद, और जीपीयू विशाल कंप्यूट शक्ति प्रदान करते हैं, स्व-शिक्षित और विकसित न्यूरल नेटवर्क सामान्य हैं, पर्यवेक्षित / अप्रत्यक्ष / अर्ध-पर्यवेक्षित शिक्षण मॉडल सभी मौजूद हैं, और सबसे महत्वपूर्ण बात, विभिन्न भाषाओं में विशाल मात्रा में डेटा तक पहुंच है, जिसमें विभिन्न सोशल मीडिया प्लेटफॉर्म शामिल हैं, जिन पर ये मॉडल प्रशिक्षित हो सकते हैं। परिणाम एआई इंजन हैं जो आपकी प्राकृतिक भाषा में आपके साथ जुड़ सकते हैं, आपके प्रश्नों के पीछे भावना और अर्थ को समझ सकते हैं, एक मानव की तरह लगते हैं, और एक मानव की तरह प्रतिक्रिया करते हैं।

हम सभी ने, अपनी सोशल मीडिया उपस्थिति के माध्यम से, इन इंजनों को प्रशिक्षित करने के लिए एक ‘मानव’ के रूप में कार्य किया है। हम अब उन इंजनों को देख रहे हैं जो ट्रिलियन पैरामीटर पर प्रशिक्षित होने का दावा करते हैं, सैकड़ों और हजारों इनपुट पैरामीटर ले सकते हैं जो मल्टी-मॉडल हैं और आपकी भाषा में प्रतिक्रिया कर सकते हैं। चाहे यह जीपीटी 4/5, पालएम 2, लामा या कोई अन्य एलएलएम हो जो अब तक प्रकाशित हुआ है, वे अधिक संदर्भित ऊर्ध्वाधर समस्या समाधानकर्ता के रूप में उभर रहे हैं।

सिस्टम ऑफ एंगेजमेंट और सिस्टम ऑफ रिकॉर्ड

जबकि एनएलपी से एलएलएम तक की यात्रा सिलिकॉन विकास के कारण महान रही है, डेटा मॉडल और हमारे द्वारा उत्पन्न विशाल मात्रा में प्रशिक्षण डेटा की उपलब्धता के कारण, उद्यमों – खुदरा प्रदाता, निर्माता, बैंकिंग, आदि – प्रत्येक को इस प्रौद्योगिकी के बहुत अलग अनुप्रयोगों की आवश्यकता है। सबसे पहले उद्यमों को एआई हॉलुसिनेशन का खर्च नहीं उठाया जा सकता है – उन्हें 0% हॉलुसिनेशन और उपयोगकर्ताओं के लिए 100% सटीकता की आवश्यकता है जो एआई के साथ बातचीत करते हैं। कई प्रश्न हैं जिन्हें व्यवसायिक उपयोग के लिए पूर्ण सटीकता की आवश्यकता होती है – उदाहरण के लिए, आपके होटल में कितने कमरे उपलब्ध हैं? क्या आपके पास एक प्रथम श्रेणी का टिकट उपलब्ध है?

एआई हॉलुसिनेशन का मुकाबला करने के लिए, सिस्टम ऑफ एंगेजमेंट और सिस्टम ऑफ रिकॉर्ड की पुरानी अवधारणा में प्रवेश करें। सिस्टम ऑफ एंगेजमेंट, चाहे वह आपके ग्राहकों, आपूर्तिकर्ताओं या कर्मचारियों के साथ हो, व्यावसायिक-विशिष्ट प्रॉम्प्ट के लिए प्रशिक्षित होने के बाद एक जेनएआई-आधारित कॉन्वर्सेशनल प्लेटफॉर्म का लाभ उठा सकता है – यह “आसान” भाग है। चुनौती मूल्य श्रृंखला में सिस्टम ऑफ रिकॉर्ड को एम्बेड करना है। कई व्यवसाय अभी भी एक स्थिर तालिका और इकाई-आधारित दुनिया में हैं और वे उसी तरह से रहेंगे क्योंकि अधिकांश उद्यम संगठनात्मक या कॉर्पोरेट स्तर पर स्थिर हैं, जबकि घटनाएं और कार्य प्रवाह उन्हें लेन-देन स्तर पर गतिशील बनाते हैं।

यह वह जगह है जहां हम अगली पीढ़ी के कॉन्वर्सेशनल प्लेटफॉर्म के बारे में बात करते हैं जो न केवल बातचीत, इंटरफेस और प्रश्नों को संबोधित करते हैं, बल्कि ग्राहक यात्रा को पूर्ति तक ले जाते हैं। ऐसे कॉन्वर्सेशनल प्लेटफॉर्म के लिए विभिन्न वास्तुकला दृष्टिकोण हैं। एक तुरंत विकल्प हाइब्रिड मिडलवेयर का उपयोग करना है जो वेक्टरीकृत और लेबल वाले उद्यम डेटा और एलएलएम-ड्राइवन कॉन्वर्सेशनल प्रॉम्प्ट के बीच एक समेकक के रूप में कार्य करता है और उपभोक्ताओं को 0% हॉलुसिनेशन परिणाम प्रदान करता है।

उद्यमों को जेनएआई इंजन के लिए डेटा को समझने योग्य बनाने के लिए एक बड़ी मात्रा में डेटा तैयारी कार्य की आवश्यकता है। हम इसे पारंपरिक तालिका और इकाई-आधारित डेटा मॉडल को समतल करने के रूप में कहते हैं। ग्राफ डेटाबेस, जो संबंधों और संदर्भ को परिभाषित करने वाले संबंधों के साथ डेटा का प्रतिनिधित्व और संग्रहीत करते हैं जो संबंधपरक डेटाबेस नहीं कर सकते हैं, इस यात्रा में एक नए उद्देश्य को पा रहे हैं। लक्ष्य उद्यम डेटाबेस को अधिक समझने योग्य ग्राफ डेटाबेस में परिवर्तित करना है जो संदर्भ और अर्थ को परिभाषित करने वाले संबंधों को परिभाषित करते हैं, जिससे एलएलएम इंजन के लिए सीखना और इसलिए कॉन्वर्सेशनल और रियल-टाइम प्रश्नों के संयोजन के माध्यम से अंतिम ग्राहकों से प्रॉम्प्ट का जवाब देना आसान हो जाता है। जेनएआई के लिए उद्यम डेटा को सक्षम करने का यह कार्य सिस्टम ऑफ एंगेजमेंट से सिस्टम ऑफ रिकॉर्ड तक एक अंत-टू-एंड अनुभव प्रदान करने और उपयोगकर्ता अनुभवों को पूर्ति तक ले जाने की कुंजी है।

आगे क्या है

इस बिंदु पर, डेटा और एआई में इन प्रगति के साथ, सबसे तुरंत प्रभाव सॉफ्टवेयर कोड जेनरेशन के क्षेत्र में आता है – जैसा कि माइक्रोसॉफ्ट कोपायलट, अमेज़ॅन कोडव्हिस्परर और डेवलपर्स के बीच अन्य टूल्स के उदय से साबित होता है। ये टूल विरासत आधुनिकीकरण कार्यक्रमों को शुरू कर रहे हैं, जिनमें से कई अक्सर समय और लागत के चिंताओं के कारण रुके हुए हैं। जेनएआई द्वारा संचालित कोड जेनरेशन टूल के साथ, हम देख रहे हैं कि आधुनिकीकरण परियोजनाएं अपने समय सारिणी में 20-40% की तेजी ला रही हैं। ग्रीनफील्ड कोड विकास परियोजनाओं में, ये टूल डेवलपर्स को डिज़ाइन सोच और अधिक नवाचार परियोजनाओं की ओर समय और उत्पादकता की बचत की अनुमति देंगे।

सॉफ्टवेयर कोड विकास से परे, जेनएआई टूल नए ऊर्ध्वाधर उपयोग मामलों और परिदृश्यों के निर्माण की ओर ले जा रहे हैं जो उद्यमों की सबसे दबाव वाली चुनौतियों का समाधान करने के लिए हैं, और हम अभी भी इस रुझान का लाभ उठाने के लिए क्या करने की आवश्यकता है इसकी केवल शुरुआत कर रहे हैं। फिर भी, हम पहले से ही खुदरा और लॉजिस्टिक्स क्षेत्र में जेनएआई का लाभ उठाकर कई समस्याओं और प्रश्नों का समाधान कर रहे हैं:

मेरे पास गोदाम में कितना इन्वेंट्री है, और मुझे कब पुनःपूर्ति ट्रिगर करनी चाहिए? क्या अग्रिम में स्टॉक करना लाभदायक है? क्या मेरी लैंडेड कीमत सही है या यह बढ़ने वाली है? मैं कौन से आइटम बंडल कर सकता हूं या मुझे अपने लाभ को बढ़ाने के लिए किस प्रकार का व्यक्तिगतकरण प्रदान कर सकता हूं?

इन प्रकार के प्रश्नों का उत्तर देने के लिए कॉन्वर्सेशनल फ्रंट एंड, बैक एंड में उच्च सटीकता वाले डेटा-चालित प्रश्नों और एक डोमेन-भारी मशीन लर्निंग मॉडल के संयोजन की आवश्यकता होती है जो भविष्यवाणियां और भविष्य के मार्गदर्शन प्रदान करता है। इसलिए, मेरी सलाह उद्यमों के लिए यह होगी कि चाहे आप एक एआई एक्सप्लोरर हों या जेनरेटिव एआई डिसरप्टर, सेवा प्रदाताओं के साथ साझेदारी करें जिनके पास सिद्ध एआई विशेषज्ञता और मजबूत डेटा और विश्लेषण क्षमताएं हैं जो आपको जेनएआई मॉडल का लाभ उठाने में मदद कर सकती हैं जो आपके व्यवसायिक आवश्यकताओं के अनुरूप हैं और आपको वक्र से आगे रखें।