स्मार्ट एंटरप्राइज: जेनरेटिव एआई को एंटरप्राइज-रेडी बनाना

आइए यहां से शुरू करें: हां, जेनरेटिव एआई (GenAI) के अवसर विशाल हैं। हां, यह दुनिया को बदल रहा है जैसा कि हम जानते हैं (और अधिकांश लोगों की तुलना में तेजी से)। और हां, प्रौद्योगिकी स्मार्ट हो रही है। हालांकि, जेनएआई के लिए, जो पाठ, छवियों और कथाओं को उत्पन्न कर सकता है, उद्यमों और व्यवसायों पर इसका प्रभाव सामान्य जनता पर इसके 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 के साथ 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 कौन से जेनएआई उपयोग मामले उनकी सबसे दबाव वाली व्यवसायिक चुनौतियों का समाधान करेंगे और वृद्धि को बढ़ावा देंगे। यह समझने के लिए कि उद्यम अपने डेटा के साथ जेनएआई को एंटरप्राइज-रेडी कैसे बना सकते हैं, यह जानना महत्वपूर्ण है कि हम इस बिंदु पर कैसे पहुंचे।

एनएलपी से लार्ज लैंग्वेज मॉडल (एलएलएम) तक का सफर

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 मानव इतनी सारी बोलियों में विकसित हो गए हैं – प्रतीकों और ध्वनियों से सिलेबल्स, फोनेटिक्स और भाषाओं में – ने प्रौद्योगिकी को अधिक सरल डिजिटल संचार विधियों पर निर्भर करने के लिए छोड़ दिया है जो बिट्स और बाइट्स हैं, आदि।

मैं लगभग एक दशक पहले एनएलपी प्रोग्राम पर काम करना शुरू किया था। उस समय, यह भाषा टैक्सोनॉमी और ऑन्टोलॉजी, एंटिटी निष्कर्षण और एक प्रिमिटिव फॉर्म के बारे में था एक ग्राफ डेटाबेस (मुख्य रूप से एक्सएमएल में) जटिल संबंधों और संदर्भों को विभिन्न एंटिटी के बीच बनाए रखने की कोशिश करने के लिए, खोज प्रश्नों को समझने के लिए, एक शब्द क्लाउड उत्पन्न करने के लिए और परिणाम देने के लिए। इसमें कुछ भी गणितीय नहीं था। इसमें मानव को लूप में रखने के लिए बहुत कुछ था टैक्सोनॉमी डेटाबेस बनाने के लिए, बहुत सारे एक्सएमएल पार्सिंग, और सबसे महत्वपूर्ण बात, बहुत सारे कंप्यूट और मेमोरी खेल में। 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 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 कंप्यूटिंग शक्ति, मशीनों को सिखाने के लिए डेटा की मात्रा तक पहुंच, और मुख्य रूप से एक मॉडल जो स्व-शिक्षित और स्व-सुधार कर सकता है वाक्यांशों के बीच समय संबंध बनाकर।

दो दशकों की तेजी से, और जीपीयू विशाल कंप्यूटिंग शक्ति प्रदान करते हैं, स्व-शिक्षित और विकसित होने वाले न्यूरल नेटवर्क सामान्य हो गए हैं, पर्यवेक्षित / अप्रशिक्षित / अर्ध-पर्यवेक्षित शिक्षण मॉडल सभी मौजूद हैं, और सबसे ऊपर, विभिन्न भाषाओं में विशाल मात्रा में डेटा तक अधिक पहुंच है, जिसमें विभिन्न सोशल मीडिया प्लेटफ़ॉर्म 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 के भावना और अर्थ को समझ सकते हैं, एक मानव की तरह ध्वनि कर सकते हैं और एक मानव की तरह प्रतिक्रिया कर सकते हैं।

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

सिस्टम ऑफ़ इंगेजमेंट और सिस्टम ऑफ़ रिकॉर्ड

जबकि एनएलपी से एलएलएम तक का सफर सिलिकॉन विकास के कारण अच्छा रहा है, डेटा मॉडल और हमारे द्वारा उत्पन्न किए गए विशाल मात्रा में प्रशिक्षण डेटा के कारण, उद्यमों – खुदरा प्रदाता, निर्माता, बैंकिंग, आदि – को इस प्रौद्योगिकी के बहुत अलग अनुप्रयोगों की आवश्यकता है। सबसे पहले, उद्यमों को एआई हॉल्यूसिनेशन का खर्च नहीं उठाना पड़ सकता है – उन्हें 0% हॉल्यूसिनेशन और 100% सटीकता की आवश्यकता है जो एआई के साथ बातचीत करने वाले उपयोगकर्ताओं के लिए है। कई प्रश्न हैं जो व्यवसायिक उपयोग के लिए किसी भी प्रकार के होने के लिए निरपेक्ष सटीकता की मांग करते हैं – उदाहरण के लिए, मेरे होटल में कितने कमरे उपलब्ध हैं? क्या मेरे पास एक प्रथम श्रेणी का टिकट उपलब्ध है?

एआई हॉल्यूसिनेशन का मुकाबला करने के लिए, सिस्टम ऑफ़ इंगेजमेंट और सिस्टम ऑफ़ रिकॉर्ड की पुरानी अवधारणा में प्रवेश करें। सिस्टम ऑफ़ इंगेजमेंट, चाहे वह आपके ग्राहकों, आपूर्तिकर्ताओं या कर्मचारियों के साथ हो, एक जेनएआई-आधारित वार्तालाप मंच का लाभ उठा सकता है जो व्यवसाय-विशिष्ट प्रॉम्प्ट के लिए प्रशिक्षित है – यह “आसान” हिस्सा है। चुनौती मूल्य श्रृंखला में सिस्टम ऑफ़ रिकॉर्ड को एम्बेड करना है। कई व्यवसाय अभी भी एक स्थिर तालिका और एंटिटी-आधारित दुनिया में हैं और संगठनात्मक या कॉर्पोरेट स्तर पर स्थिर होने के कारण ऐसा ही रहेगा, जबकि घटनाएं और कार्य प्रवाह उन्हें लेन-देन स्तर पर गतिशील बनाते हैं।

यह वह जगह है जहां हम अगली पीढ़ी के वार्तालाप मंचों के बारे में बात करते हैं जो न केवल बातचीत, इंटरफेस और प्रश्नों को संबोधित करते हैं, बल्कि ग्राहक यात्राओं को पूर्ति तक ले जाते हैं। ऐसे वार्तालाप मंचों 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 वार्तालाप प्रॉम्प्ट के बीच एक प्रकार के समेकन के रूप में कार्य करता है और उपभोक्ताओं को 0% हॉल्यूसिनेशन परिणाम प्रदान करता है।

उद्यमों को अपने डेटा को एलएलएम इंजन के लिए बुद्धिमान बनाने के लिए एक बड़ी मात्रा में डेटा तैयारी कार्य की आवश्यकता है। हम इसे पारंपरिक तालिका और एंटिटी-चालित डेटा मॉडल को समतल करने के रूप में कहते हैं। ग्राफ डेटाबेस, जो संबंधों और संदर्भों को परिभाषित करने और अर्थ को परिभाषित करने वाले संबंधों के साथ डेटा का प्रतिनिधित्व और संग्रहीत करते हैं, इस यात्रा में एक नए उद्देश्य को खोज रहे हैं। उद्देश्य उद्यम डेटाबेस को एलएलएम इंजन के लिए अधिक बुद्धिमान ग्राफ डेटाबेस में परिवर्तित करना है जो संदर्भ और अर्थ को परिभाषित करने वाले संबंधों के साथ, जिससे एलएलएम इंजन के लिए सीखना और इसलिए अंतिम उपयोगकर्ताओं से वार्तालाप प्रॉम्प्ट का जवाब देना आसान हो जाता है। यह कार्य एलएलएम-तैयार उद्यम डेटा को सक्षम करने के लिए एक एंड-टू-एंड सिस्टम ऑफ़ इंगेजमेंट से सिस्टम ऑफ़ रिकॉर्ड 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 प्रगतियों के साथ, सबसे तुरंत प्रभाव सॉफ्टवेयर कोड जेनरेशन के क्षेत्र में आता है – जैसा कि माइक्रोसॉफ्ट कोपायलट, अमेज़ॉन कोडव्हिस्परर और अन्य टूल्स के उदय से साबित होता है। इन टूल्स के साथ विकासकर्ता विरासत आधुनिकीकरण कार्यक्रमों को तेजी से आगे बढ़ाने के लिए तैयार हो रहे हैं, जिनमें से अधिकांश अक्सर समय और लागत के बारे में चिंताओं के कारण रुके हुए हैं। जेनएआई द्वारा संचालित कोड जेनरेशन टूल्स के साथ, हम देख रहे हैं कि आधुनिकीकरण परियोजनाएं अपने समय सारिणी में 20-40% की तेजी ला रही हैं। हरित क्षेत्र कोड विकास परियोजनाओं में, ये टूल विकासकर्ताओं को डिज़ाइन सोच और अधिक नवाचारी परियोजनाओं की ओर समय और उत्पादकता की बचत की अनुमति देंगे।

सॉफ्टवेयर कोड विकास से परे, जेनएआई टूल उद्यमों की सबसे दबाव वाली चुनौतियों का समाधान करने के लिए नए ऊर्ध्वाधर उपयोग मामलों और परिदृश्यों के निर्माण की ओर ले जा रहे हैं, और हम अभी तक 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 किन आइटमों को बंडल कर सकता हूं या मुझे अपने लाभ को बढ़ाने के लिए किस प्रकार का व्यक्तिगतीकरण प्रदान कर सकता हूं?

इन प्रकार के प्रश्नों का उत्तर देने के लिए वार्तालाप 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 की मार्गदर्शन प्रदान करता है। इसलिए, मेरी सलाह उद्यमों के लिए यह होगी कि चाहे आप एक एआई अन्वेषक हों या एक जेनरेटिव एआई विकसितकर्ता हों, सेवा प्रदाताओं के साथ साझेदारी करें जिनके पास सिद्ध एआई विशेषज्ञता और मजबूत डेटा और विश्लेषण क्षमताएं हैं जो आपको अपने व्यवसायिक आवश्यकताओं के अनुकूल जेनएआई मॉडल पर पूंजीकरण करने और अपने प्रतिस्पर्धियों से आगे रहने में मदद कर सकते हैं।