मजबूत प्रशासन के बिना GenAI क्यों ठप्प पड़ गया?

चूंकि कंपनियां जनरेटिव एआई परियोजनाओं को प्रयोग से उत्पादन में बदलने के लिए संघर्ष कर रही हैं - कई व्यवसाय पायलट मोड में ही अटके हुए हैं। जैसा कि हमारे हालिया शोध में बताया गया है, 92% संगठनों को चिंता है कि GenAI के पायलट मूलभूत डेटा मुद्दों से निपटने के बिना ही काम में तेजी ला रहे हैंइससे भी ज़्यादा चौंकाने वाली बात यह है कि 67% कंपनियां अपने आधे पायलटों को भी उत्पादन में नहीं बदल पाई हैं। यह उत्पादन अंतर तकनीकी परिपक्वता से कम और अंतर्निहित डेटा की तत्परता से ज़्यादा जुड़ा हुआ है। GenAI की क्षमता इस बात पर निर्भर करती है कि वह किस आधार पर खड़ी है। और आज, ज़्यादातर संगठनों के लिए, वह आधार सबसे ज़्यादा अस्थिर है।

GenAI पायलट में क्यों अटका हुआ है?

यद्यपि GenAI समाधान निश्चित रूप से शक्तिशाली हैं, वे केवल उतने ही प्रभावी हैं जितना कि उन्हें दिया गया डेटा। "कचरा अंदर, कचरा बाहर" की पुरानी कहावत आज पहले से कहीं ज़्यादा सच है। भरोसेमंद, पूर्ण, हकदार और व्याख्या योग्य डेटा के बिना, GenAI मॉडल अक्सर ऐसे परिणाम देते हैं जो गलत, पक्षपाती या उद्देश्य के लिए अनुपयुक्त होते हैं।

दुर्भाग्य से, संगठनों ने कम प्रयास वाले उपयोग के मामलों को लागू करने में जल्दबाजी की है, जैसे कि AI-संचालित चैटबॉट जो विभिन्न आंतरिक दस्तावेजों से अनुकूलित उत्तर प्रदान करते हैं। और जबकि ये कुछ हद तक ग्राहक अनुभव में सुधार करते हैं, वे कंपनी के डेटा इंफ्रास्ट्रक्चर में बड़े बदलाव की मांग नहीं करते हैं। लेकिन GenAI को रणनीतिक रूप से स्केल करने के लिए, चाहे वह स्वास्थ्य सेवा, वित्तीय सेवाएँ या आपूर्ति श्रृंखला स्वचालन हो, डेटा परिपक्वता के एक अलग स्तर की आवश्यकता होती है।

वास्तव में, 56% मुख्य डेटा अधिकारी डेटा विश्वसनीयता को एआई की तैनाती में एक प्रमुख बाधा मानते हैंअन्य मुद्दे हैं अधूरा डेटा (53%), गोपनीयता के मुद्दे (50%), और बड़ा एआई गवर्नेंस अंतराल (36%)।

कोई शासन नहीं, कोई जेनएआई नहीं

GenAI को पायलट चरण से आगे ले जाने के लिए, कंपनियों को डेटा गवर्नेंस को अपने व्यवसाय के लिए एक रणनीतिक अनिवार्यता के रूप में मानना ​​होगा। उन्हें यह सुनिश्चित करने की आवश्यकता है कि डेटा AI मॉडल को सशक्त बनाने के काम के लिए उपयुक्त है, और इसके लिए निम्नलिखित प्रश्नों पर ध्यान देने की आवश्यकता है:

• क्या मॉडल को प्रशिक्षित करने के लिए प्रयुक्त डेटा सही प्रणालियों से आ रहा है?
• क्या हमने व्यक्तिगत पहचान योग्य जानकारी हटा दी है और सभी डेटा और गोपनीयता विनियमों का पालन किया है?
• क्या हम पारदर्शी हैं, और क्या हम मॉडल द्वारा प्रयुक्त डेटा की वंशावली को प्रमाणित कर सकते हैं?
• क्या हम अपनी डेटा प्रक्रियाओं का दस्तावेजीकरण कर सकते हैं और यह दिखाने के लिए तैयार हो सकते हैं कि डेटा में कोई पूर्वाग्रह नहीं है?

डेटा गवर्नेंस को भी संगठन की संस्कृति में समाहित किया जाना चाहिए। ऐसा करने के लिए, सभी टीमों में एआई साक्षरता का निर्माण आवश्यक है। यूरोपीय संघ का एआई अधिनियम इस ज़िम्मेदारी को औपचारिक रूप देता है, और एआई प्रणालियों के प्रदाताओं और उपयोगकर्ताओं, दोनों के लिए यह सुनिश्चित करने के सर्वोत्तम प्रयास करने की आवश्यकता है कि कर्मचारी पर्याप्त रूप से एआई-साक्षर हों, यह सुनिश्चित करें कि वे समझें कि ये प्रणालियाँ कैसे काम करती हैं और उनका ज़िम्मेदारी से उपयोग कैसे करें। हालाँकि, एआई को प्रभावी रूप से अपनाना तकनीकी जानकारी से कहीं आगे जाता है। इसके लिए डेटा गवर्नेंस को समझने से लेकर विश्लेषणात्मक प्रश्न तैयार करने तक, डेटा कौशल में एक मज़बूत आधार की भी आवश्यकता होती है। एआई साक्षरता को डेटा साक्षरता से अलग करके देखना अदूरदर्शिता होगी, क्योंकि ये दोनों आपस में कितनी गहराई से जुड़े हुए हैं।

डेटा गवर्नेंस के मामले में अभी भी काम किया जाना बाकी है। जो व्यवसाय अपने डेटा प्रबंधन निवेश को बढ़ाना चाहते हैं, 47% लोग इस बात से सहमत हैं कि डेटा साक्षरता की कमी सबसे बड़ी बाधा हैयह इस बात पर प्रकाश डालता है कि शीर्ष-स्तरीय समर्थन का निर्माण करना और संगठन में सही कौशल विकसित करना महत्वपूर्ण है। इन नींवों के बिना, सबसे शक्तिशाली एलएलएम भी काम करने में संघर्ष करेंगे।

ऐसे AI का विकास करना जो उत्तरदायी हो

वर्तमान नियामक परिवेश में, अब एआई के लिए "सिर्फ़ काम करना" ही काफ़ी नहीं है, बल्कि उसे जवाबदेह और स्पष्ट भी बनाए जाने की ज़रूरत है। यूरोपीय संघ एआई अधिनियम और ब्रिटेन का प्रस्तावित एआई एक्शन प्लान उच्च जोखिम वाले एआई उपयोग मामलों में पारदर्शिता की आवश्यकता है। अन्य लोग भी इसी का अनुसरण कर रहे हैं, और 1,000 देशों में 69 से अधिक संबंधित नीतिगत विधेयक एजेंडे में हैं.

जवाबदेही की दिशा में यह वैश्विक आंदोलन एल्गोरिदम में निष्पक्षता के लिए उपभोक्ता और हितधारकों की बढ़ती मांगों का प्रत्यक्ष परिणाम है। उदाहरण के लिए, संगठनों को यह बताने में सक्षम होना चाहिए कि किसी ग्राहक को ऋण देने से क्यों मना कर दिया गया या प्रीमियम बीमा दर क्यों ली गई। ऐसा करने में सक्षम होने के लिए, उन्हें यह जानना होगा कि मॉडल ने यह निर्णय कैसे लिया, और यह बदले में उस डेटा का स्पष्ट, ऑडिट करने योग्य निशान होने पर निर्भर करता है जिसका उपयोग इसे प्रशिक्षित करने के लिए किया गया था।

जब तक स्पष्टीकरण नहीं होगा, तब तक व्यवसायों को ग्राहकों का भरोसा खोने के साथ-साथ वित्तीय और कानूनी नतीजों का सामना करने का जोखिम भी उठाना पड़ेगा। नतीजतन, डेटा वंशावली की पता लगाने योग्यता और परिणामों का औचित्य “अच्छा होना” नहीं है, बल्कि अनुपालन की आवश्यकता है।

और जैसे-जैसे GenAI का विस्तार सरल उपकरणों से आगे बढ़कर पूर्ण विकसित एजेंटों के रूप में हो रहा है जो निर्णय ले सकते हैं और उन पर कार्रवाई कर सकते हैं, मजबूत डेटा गवर्नेंस के लिए दांव और भी अधिक बढ़ रहे हैं।

भरोसेमंद AI बनाने के लिए कदम

तो, अच्छा क्या दिखता है? GenAI को जिम्मेदारी से बढ़ाने के लिए, संगठनों को तीन स्तंभों में एक ही डेटा रणनीति अपनाने पर विचार करना चाहिए:

• व्यवसाय के लिए AI को अनुकूलित करेंअपने डेटा को प्रमुख व्यावसायिक उद्देश्यों के आधार पर सूचीबद्ध करें, यह सुनिश्चित करते हुए कि यह आपके व्यवसाय के लिए विशिष्ट संदर्भ, चुनौतियों और अवसरों को प्रतिबिंबित करता है।
• एआई में विश्वास स्थापित करेंनैतिक और जिम्मेदार एआई परिनियोजन के अनुपालन और निरीक्षण के लिए नीतियां, मानक और प्रक्रियाएं स्थापित करना।
• एआई डेटा-तैयार पाइपलाइन बनाएं: पूर्वनिर्मित GenAI कनेक्टिविटी में मजबूत AI बेकिंग के लिए अपने विविध डेटा स्रोतों को एक लचीले डेटा फाउंडेशन में संयोजित करें।

जब संगठन इसे सही तरीके से करते हैं, तो शासन एआई मूल्य को बढ़ाता है। उदाहरण के लिए, वित्तीय सेवाओं में, हेज फंड स्टॉक मूल्य भविष्यवाणी में मानव विश्लेषकों से बेहतर प्रदर्शन करने के लिए जनरल एआई का उपयोग करना जबकि लागत में उल्लेखनीय कमी आती है। विनिर्माण क्षेत्र में, AI द्वारा संचालित आपूर्ति श्रृंखला अनुकूलन संगठनों को भू-राजनीतिक परिवर्तनों और पर्यावरणीय दबावों पर वास्तविक समय में प्रतिक्रिया करने में सक्षम बनाता है।

और ये सिर्फ भविष्योन्मुखी विचार नहीं हैं, ये विश्वसनीय आंकड़ों के आधार पर अभी घटित हो रहे हैं।

मजबूत डेटा नींव के साथ, कंपनियां मॉडल बहाव को कम करती हैं, पुनः प्रशिक्षण चक्रों को सीमित करती हैं, और मूल्य तक पहुँचने की गति को बढ़ाती हैं। यही कारण है कि शासन कोई बाधा नहीं है; यह नवाचार को सक्षम बनाता है।

आगे क्या होगा?

प्रयोग के बाद, संगठन चैटबॉट से आगे बढ़ रहे हैं और परिवर्तनकारी क्षमताओं में निवेश कर रहे हैं। ग्राहक इंटरैक्शन को व्यक्तिगत बनाने से लेकर चिकित्सा अनुसंधान में तेजी लाना, मानसिक स्वास्थ्य में सुधार और विनियामक प्रक्रियाओं को सरल बनाकर, GenAI विभिन्न उद्योगों में अपनी क्षमता प्रदर्शित करने लगा है।

फिर भी ये लाभ पूरी तरह से उनके आधारभूत डेटा पर निर्भर करते हैं। GenAI मजबूत डेटा गवर्नेंस के माध्यम से एक मजबूत डेटा नींव बनाने से शुरू होता है। और जबकि GenAI और एजेंटिक AI विकसित होते रहेंगे, यह जल्द ही मानवीय निगरानी की जगह नहीं लेगा। इसके बजाय, हम संरचित मूल्य निर्माण के चरण में प्रवेश कर रहे हैं, जहाँ AI एक विश्वसनीय सह-पायलट बन जाता है। डेटा गुणवत्ता, शासन और संस्कृति में सही निवेश के साथ, व्यवसाय अंततः GenAI को एक आशाजनक पायलट से ऐसी चीज़ में बदल सकते हैं जो पूरी तरह से ज़मीन पर उतर जाए।