योआव नवेह, Reindeer के सह-संस्थापक और सह-सीईओ – साक्षात्कार शृंखला

योआव नवेह Reindeer के सह-संस्थापक और सह-सीईओ हैं। उन्हें प्रौद्योगिकी कंपनियाँ बनाने, कारोबार का विस्तार करने और संस्थापकों में निवेश करने का अनुभव है। Reindeer से पहले, उन्होंने ConvertMedia की स्थापना की, Taboola में अपना काम आगे बढ़ाया और INT3 के ज़रिए निवेश किया। आज उनका ध्यान उद्यमों को अलग-अलग AI तैनातियों से आगे बढ़ाकर ऐसे एजेंटों तक पहुँचने में मदद करने पर है, जो जटिल परिचालन कार्य संभाल सकें, मानव विशेषज्ञता से सीख सकें और व्यावसायिक प्रक्रियाओं में बदलाव के बावजूद भरोसेमंद बने रहें।

Reindeer वित्त, आपूर्ति शृंखला, लॉजिस्टिक्स और साझा सेवाओं जैसे क्षेत्रों में मुख्य परिचालनों के लिए उद्यम-स्तरीय AI एजेंट विकसित करता है। इसका मंच कार्यप्रवाह के निष्पादन को विशेषज्ञों की प्रतिक्रिया, मूल्यांकन और मानव अनुमोदन के साथ जोड़ता है, ताकि एजेंट अपवादों और बदलती नीतियों के अनुसार खुद को ढाल सकें। इस साक्षात्कार में, नवेह इंजीनियरिंग पर अत्यधिक निर्भर तैनाती मॉडलों की सीमाओं, संस्थागत ज्ञान को एजेंट के संदर्भ में बदलने की प्रक्रिया और समय के साथ मानव श्रम की कुल आवश्यकता घटाने के लिए ज़रूरी शासन और मापन पर चर्चा करते हैं।

ConvertMedia बनाने, Taboola में कारोबार का विस्तार करने और INT3 के ज़रिए अन्य संस्थापकों में निवेश करने के बाद, किस समस्या ने आपको फिर से कंपनी बनाने के लिए प्रेरित किया, और इसने Reindeer का सह-संस्थापक बनने के आपके निर्णय को कैसे आकार दिया?

AI का बाज़ार इतना रोमांचक था कि हम किनारे बैठकर उसे देखते नहीं रह सकते थे। मेरे सह-संस्थापक यायर और मेरी गहरी दिलचस्पी इस अंतर को समझने में हुई कि AI हमारे व्यक्तिगत उपयोग में कितना उपयोगी हो गया है, जबकि उद्यमों के लिए उसे बड़े पैमाने पर अपनाना अब भी कितना मुश्किल है। प्रौद्योगिकी बेहद तेज़ी से आगे बढ़ रही है, फिर भी अधिकांश संगठनों को इस क्षमता को सार्थक परिचालन बदलाव में बदलने में अब भी कठिनाई हो रही है।

AI कंपनियों के कामकाज को बदल देगा, लेकिन वहाँ तक पहुँचने के लिए बेहतर प्रौद्योगिकी से कहीं अधिक की ज़रूरत है। इसके लिए ऐसे नेतृत्व की आवश्यकता है जो काम करने के तरीकों पर नए सिरे से विचार करने को तैयार हो, साथ ही AI को रोज़मर्रा के कामकाज में शामिल करने का ऐसा व्यावहारिक तरीका भी चाहिए जिससे जटिलता की नई परतें न जुड़ें।

इसी चुनौती ने Reindeer को आकार दिया। हमने ऐसा मंच बनाया है जो उद्यमों को उनके पहले एजेंट से लेकर एजेंटों के पूरे समूह तक पहुँचने में मदद करता है—ऐसे एजेंट जो मानवीय प्रतिक्रिया से सीखते हैं और समय के साथ बेहतर होते जाते हैं। हमारा लक्ष्य AI की क्षमता और वास्तविक दुनिया में उसके इस्तेमाल के बीच की दूरी पाटना है, ताकि कंपनियाँ हर एजेंट को नए सिरे से बनाए या लगातार उसका रखरखाव किए बिना अपने मुख्य परिचालनों को एजेंट-आधारित AI कार्यबल में बदल सकें।

आपने कहा है कि अग्रिम-पंक्ति में तैनात इंजीनियरिंग मॉडल से उद्यमों में AI एक श्रम-सघन सेवा व्यवसाय बन सकता है। किन परिस्थितियों में एकीकृत इंजीनियरिंग स्थायी मूल्य पैदा करती है, और कब वह ऐसी निर्भरता बन जाती है जो ग्राहकों को विस्तार करने से रोकती है?

अग्रिम-पंक्ति में तैनात इंजीनियर जटिल एकीकरण करने और शुरुआती एजेंटों को उत्पादन में लाने के लिए उपयोगी होते हैं। समस्या तब शुरू होती है जब काम की प्रक्रियाएँ ही बदल जाती हैं और उन एजेंटों को काम करते रहने के लिए FDEs की स्थायी आवश्यकता पड़ने लगती है—खासकर बड़े पैमाने पर। पाँच एजेंटों के साथ FDE मॉडल कारगर है। सौ एजेंट होने पर यह लड़खड़ा जाता है।

अगर हर नए कार्यप्रवाह या अप्रत्याशित अपवाद के लिए और इंजीनियरिंग की ज़रूरत पड़े, तो आप सॉफ़्टवेयर का विस्तार नहीं कर रहे हैं; आप महँगे मानवीय श्रम का विस्तार कर रहे हैं।

FDEs तैनात करने वाली अधिकांश कंपनियाँ दावा करती हैं कि उनके इंजीनियर अंततः दूसरे कामों पर चले जाते हैं। FDEs की आवश्यकता वाला अनुबंध करने से पहले उद्यमों को इस दावे का प्रमाण माँगना चाहिए। हमने पहले ही देखा है कि व्यावसायिक प्रक्रियाएँ बदलने पर RPA कितना नाज़ुक साबित हुआ। हमें यह नहीं मानना चाहिए कि हाथ से बनाए गए एजेंट इससे अलग होंगे।

उद्यमों के कार्यप्रवाहों में अक्सर ऐसे अपवाद होते हैं जिनका दस्तावेज़ीकरण नहीं किया गया है, और अलग-अलग टीमें परस्पर विरोधी तरीकों से काम करती हैं। Reindeer यह कैसे समझता है कि काम वास्तव में किस तरह किया जाता है, और साथ ही उपयोगी संस्थागत ज्ञान को उन आदतों से कैसे अलग करता है जिन्हें स्वचालित नहीं किया जाना चाहिए?

अधिकांश उद्यमों के पास संस्थागत ज्ञान का विशाल भंडार है, जिसका कहीं भी दस्तावेज़ीकरण नहीं हुआ है। यह ज्ञान कर्मचारियों के दिमाग़ में रहता है। हमारे एजेंट अधूरे ज्ञान के साथ शुरुआत करते हैं और वास्तविक मामलों से सीखते हैं। अपरिचित परिस्थितियों का सामना होने पर वे विषय-विशेषज्ञों से मार्गदर्शन माँगते हैं।

लेकिन किसी कर्मचारी से सीखने का मतलब उसके व्यवहार की आँख मूँदकर नकल करना नहीं है। हमारा सिस्टम किसी व्यक्ति के विशिष्ट अपवादों और बार-बार दिखने वाले पैटर्न में अंतर करता है, और व्यापक बदलावों के प्रस्ताव मानव अनुमोदन के लिए रखता है।

हम हर आदत को स्वचालित करने की कोशिश नहीं कर रहे हैं। हम मूल्यवान संस्थागत ज्ञान को भरोसेमंद बुद्धिमत्ता में बदलना चाहते हैं—वह भी इस आवश्यकता के बिना कि इंजीनियरों को पहले से हर संभावित स्थिति का अनुमान लगाना पड़े।

अधिकांश एजेंट-आधारित AI कंपनियाँ पहले प्रक्रिया का दस्तावेज़ीकरण करती हैं, फिर लोगों के साक्षात्कार लेकर और पुराने डेटा की बारीकी से जाँच करके उसे कोड में ढालती हैं। लेकिन हक़ीक़त में, किसी प्रक्रिया को सीखने का सबसे प्रभावी तरीका वही है जो हर बार किसी नए टीम सदस्य के जुड़ने पर अपनाया जाता है—वे एक साल का डेटा या 3,000 पन्नों की SOP याद नहीं करते। वे कुछ कौशल सीखते हैं, कुछ उदाहरण देखते हैं, काम शुरू करते हैं, कुछ समझ न आने पर सवाल पूछते हैं और धीरे-धीरे अपना ज्ञान बढ़ाते हैं। हमने यही प्रक्रिया बनाई है।

एजेंट-आधारित AI कंपनियों को किसी प्रक्रिया को ज्यों का त्यों स्वचालित करने के बजाय उस पर नए सिरे से विचार करने का अवसर भी देता है। केवल मनुष्यों वाली टीमें, नियम-आधारित स्वचालन और पारंपरिक सॉफ़्टवेयर—इन सभी ने अपनी-अपनी सीमाओं के अनुसार प्रक्रियाओं को आकार दिया है। विशेषज्ञों के साथ सीखने वाले एजेंटों की मदद से, Reindeer उद्यमों को इस पर फिर से विचार करने में मदद करता है कि कोई प्रक्रिया कैसे काम करनी चाहिए—किन तरीकों को बनाए रखना है, किन्हें छोड़ना है और किन कामों में एजेंट तथा लोग सबसे अधिक मूल्य जोड़ते हैं।

जब आप कहते हैं कि Reindeer के एजेंट प्रोडक्शन में लगातार सीखते रहते हैं, तो वास्तव में क्या बदलता है—मॉडल के वेट, मेमोरी, वर्कफ़्लो का लॉजिक या स्पष्ट नीतियाँ? क्या आप किसी ऐसे अपवाद का उदाहरण दे सकते हैं जिससे एजेंट भविष्य के मामलों को अलग ढंग से संभालना सीखता है?

एजेंट का संदर्भ और कौशल बदलते हैं: वर्कफ़्लो का लॉजिक, नीतियाँ और यह निर्देश कि हर नीति कब लागू करनी है।

एक इनवॉइस एजेंट का उदाहरण लें। उसे ऐसा इनवॉइस मिलता है जो खरीद आदेश से 4% अधिक है, और उसे ऐसी कोई नीति नहीं मिलती जो इस मामले पर लागू हो। उसे प्रोसेस करने के बजाय, एजेंट मामला किसी विशेषज्ञ के पास भेज देता है। विशेषज्ञ बताता है कि इस आपूर्तिकर्ता को ईंधन अधिभार के लिए स्वीकृत छूट मिली हुई है। एजेंट उस मामले का समाधान करता है और स्पष्टीकरण को केवल उसी आपूर्तिकर्ता के संदर्भ के रूप में सहेजता है।

अगर दूसरे आपूर्तिकर्ताओं के साथ भी इसी तरह का अपवाद सामने आता है और दूसरे विशेषज्ञ उसका उसी तरह समाधान करते हैं, तो सिस्टम नीति में बदलाव का प्रस्ताव देता है, जैसे, “अनुबंध की अनुमति होने पर 5% तक का ईंधन अधिभार स्वीकार्य है।” एजेंट द्वारा इसका इस्तेमाल किए जाने से पहले इस प्रस्ताव की जाँच और मानव स्वीकृति आवश्यक है। किसी एक विशेषज्ञ का जवाब एक मामले का समाधान करता है। कई मामलों में दिखने वाला पैटर्न नए नियम का संभावित आधार बनता है।

किसी कर्मचारी का निर्णय एक ग्राहक या लेन-देन के लिए उचित हो सकता है, लेकिन ज़रूरी नहीं कि वह सामान्य नियम के रूप में भी उपयुक्त हो। आप कैसे तय करते हैं कि प्रतिक्रिया को एक बार के अपवाद तक सीमित रखना चाहिए या उसे प्रस्तावित नीतिगत बदलाव बनाना चाहिए?

हम किसी एक मामले का समाधान करने और भविष्य में एजेंट के काम करने के तरीके को बदलने के बीच अंतर रखते हैं।

कोई कर्मचारी एक ग्राहक के लिए अपवाद को मंज़ूरी दे सकता है, लेकिन इसका यह मतलब नहीं कि वही अपवाद सभी पर लागू होना चाहिए। मैं तो यह भी कहूँगा कि दो अलग-अलग कर्मचारी एक ही ग्राहक के अपवाद का अलग-अलग समाधान कर सकते हैं। हमारा सिस्टम परिस्थितियों का आकलन करता है, बार-बार दिखने वाले पैटर्न पहचानता है, विरोधाभासों का समाधान करता है और मौजूदा नीतियों के साथ संभावित टकराव तलाशता है।

जब किसी व्यापक बदलाव के समर्थन में सबूत मिलते हैं, तो हम अपने मूल्यांकन प्लेटफ़ॉर्म के ज़रिए एजेंट को चलाते हैं—इसे चाहें तो एजेंटों के लिए “ट्रूमैन शो” कह लें—और मानवीय स्वीकृति के लिए अपडेट का प्रस्ताव रखते हैं।

लक्ष्य इंसानों से सीखना है, उनके फैसलों की आँख मूँदकर नकल करना नहीं। वरना आप बस गलतियों को स्वचालित कर रहे होंगे।

कोई एजेंट हाल के मामलों में बेहतर हो सकता है, लेकिन उन परिस्थितियों में कम भरोसेमंद बन सकता है जिन्हें वह पहले सही ढंग से संभालता था। प्रस्तावित बदलाव को प्रोडक्शन तक पहुँचने से पहले किन जाँचों और स्वीकृति प्रक्रियाओं से गुज़रना होता है, और आप प्रदर्शन में गिरावट का पता लगाकर उसे कैसे पलटते हैं?

नियंत्रण के बिना लगातार सीखना खतरनाक है, इसलिए हर प्रस्तावित बदलाव तीन सुरक्षा उपायों से गुज़रता है: रिग्रेशन परीक्षण, मानवीय स्वीकृति और एक भरोसा-सीमा, जो तय करती है कि एजेंट अपने आप कब कार्रवाई कर सकता है।

जाँच सबसे पहले आती है, और यह सुनने में जितनी आसान लगती है, उससे कहीं कठिन है, क्योंकि परिचालन कार्यों के लिए कोई तयशुदा सही जवाब नहीं होता। हम विशेषज्ञों की प्रतिक्रिया के आधार पर प्रतिनिधि मामले चुनते हैं, नतीजों की तुलना करने के मानदंड तय करते हैं और उन मामलों को मौजूदा एजेंट तथा प्रस्तावित संस्करण—दोनों पर दोबारा चलाते हैं। ईमेल भेजने जैसी ऐसे परिणामों वाली कार्रवाइयाँ, जिनका असर आगे तक पड़ता है, पुराने रन से बने सिम्युलेटर में चलाई जाती हैं; और जो परीक्षण मामले अब मौजूदा नीति से मेल नहीं खाते, उन्हें हटा दिया जाता है। इससे हम बदलाव के वास्तविक प्रभाव को माप पाते हैं। एजेंटों को यह मानना होगा कि वे वास्तविक दुनिया में काम कर रहे हैं, जहाँ उनकी कार्रवाइयों के वास्तविक नतीजे होते हैं—जैसे SAP में कोई रिकॉर्ड दर्ज होना या ग्राहक को ईमेल भेजा जाना। हर एजेंट के लिए वास्तविक मूल्यांकन ढाँचा बनाने का यही एकमात्र तरीका है।

इसके बाद एक मानव प्रबंधक बदलाव, उसके पीछे मौजूद साक्ष्यों और परीक्षण के नतीजों की समीक्षा करता है और उसे मंज़ूर, संशोधित या अस्वीकार कर सकता है। उस स्वीकृति से पहले एजेंट के काम करने के तरीके में कोई बदलाव नहीं होता।

बदलाव लागू होने के बाद भरोसा-सीमा व्यवसाय की सुरक्षा करती है। एजेंट अपने आप तभी कार्रवाई करता है जब उसका भरोसा तय सीमा से ऊपर हो; इससे कम भरोसे वाले हर मामले को किसी विशेषज्ञ के पास भेजा जाता है। परिचालन टीमें इस सीमा को खुद समायोजित करती हैं, इसलिए वे शुरुआत में सतर्क रह सकती हैं और एजेंट का काम करने का रिकॉर्ड बेहतर होने के साथ उसे अधिक स्वायत्तता दे सकती हैं।

अगर बदलाव के बाद गुणवत्ता घटती है, तो सिस्टम समीक्षा की सीमाएँ अपने आप सख्त कर देता है, ताकि अधिक मामले विशेषज्ञों के पास जाएँ। उनकी प्रतिक्रिया उसी प्रक्रिया के ज़रिए समस्या सामने लाती है, जिससे बदलाव का प्रस्ताव आया था। हर नीतिगत बदलाव का संस्करण दर्ज होता है, उसका श्रेय तय किया जा सकता है और उसका लॉग रखा जाता है; इसलिए टीम देख सकती है कि क्या बदला, किसने मंज़ूरी दी और क्यों, और ज़रूरत पड़ने पर पिछले संस्करण पर लौट सकती है।

इंजीनियरिंग का काम घटाने के बावजूद, अपवादों की समीक्षा करने और एजेंटों को सुधारने का काफी काम परिचालन टीमों के पास रह सकता है। आप कैसे मापते हैं कि Reindeer लोगों के कुल काम को घटाता है, न कि उस काम को किसी दूसरी टीम पर डाल देता है?

हकीकत यह है कि ज़्यादातर कंपनियों में पहले से ही लोगों की एक टीम यह काम हाथ से कर रही होती है। हमारा लक्ष्य उस काम का बोझ किसी दूसरी टीम पर डालना नहीं, बल्कि समय के साथ उसे घटाना है। हम मौजूदा टीम के सबसे अनुभवी लोगों को चुनते हैं और उन्हें सशक्त बनाते हैं, ताकि वे एजेंट को अपवाद संभालना और स्वतंत्र रूप से बेहतर निर्णय लेना सिखा सकें।

FDE मॉडल की समस्या यह है कि इसमें अक्सर काम अपेक्षाकृत कम लागत वाले परिचालन कर्मचारियों से लेकर महँगे इंजीनियरों को सौंप दिया जाता है। इससे श्रम की समस्या हल नहीं होती, बल्कि वह और महँगी हो जाती है। Reindeer इस समीकरण में इंजीनियरों को शामिल नहीं करता। इसके बजाय, हम सफलता को इस आधार पर मापते हैं कि समय के साथ एजेंट स्वतंत्र रूप से कितना अधिक काम हल कर पाते हैं और पूरी प्रक्रिया में मानवीय दखल की कितनी कम ज़रूरत पड़ती है।

हम तीन चीज़ों पर नज़र रखते हैं: ऐसे मामलों का अनुपात जिन्हें एजेंट बिना किसी मानवीय सहायता के शुरू से अंत तक हल करता है, हर मामले में विशेषज्ञों को कितनी बार हस्तक्षेप करना पड़ता है, और एजेंटों तथा लोगों—दोनों को मिलाकर—हर मामले को संभालने में लगने वाला कुल समय। अगर तीसरी संख्या कम नहीं हो रही, तो हम बस काम को इधर-उधर बाँट रहे हैं।

क्या आप Hellmann Worldwide Logistics या Papaya Global में किसी एक तैनाती का उदाहरण लेकर बता सकते हैं कि शुरुआत से लेकर नियमित संचालन तक क्या बदला? सटीकता, अपवाद दरों, काम पूरा होने में लगने वाले समय और आवश्यक मानवीय हस्तक्षेप की मात्रा में क्या बदलाव आया?

Hellmann Worldwide Logistics इस बात का बेहतरीन उदाहरण है कि एजेंट समय के साथ वास्तविक दुनिया के परिचालनों को कैसे बेहतर बना सकते हैं। उनकी मूल्य-निर्धारण टीम ईमेल, स्प्रेडशीट और अन्य दस्तावेज़ों में आए शिपिंग अनुरोधों को हाथ से संसाधित करने में बहुत अधिक समय लगा रही थी; एक कोटेशन तैयार करने में अक्सर कई दिन लग जाते थे।

हमने कार्यप्रवाह को समझने और एजेंट को प्रशिक्षित करने के लिए लगभग 20 नमूना अनुरोधों से शुरुआत की। इसके बाद Hellmann के मूल्य-निर्धारण विशेषज्ञों ने सीधे सिस्टम के साथ काम करना शुरू किया, प्रतिक्रिया दी और अपवादों से निपटने में उसकी मदद की। परीक्षण के दौरान हमने सटीकता और गति पर नज़र रखी और एजेंट के उत्पादन में काम शुरू करने के बाद भी उसके प्रदर्शन की निगरानी जारी रखी।

आज नियमित अनुरोध अपने आप संभाले जाते हैं, जबकि अधिक जटिल मामलों को टीम के पास भेज दिया जाता है। अहम बात यह है कि एजेंट अनुमान लगाने के बजाय पहचान लेता है कि जानकारी अधूरी है, जिससे कर्मचारी वहीं हस्तक्षेप कर सकते हैं जहाँ उनकी विशेषज्ञता की वास्तव में ज़रूरत होती है।

इसका नतीजा यह हुआ है कि कोटेशन तैयार करने में लगने वाला समय घटा है, डेटा को हाथ से दर्ज करने के काम कम हुए हैं और ग्राहकों के साथ सीधे काम करने के लिए अधिक समय मिला है। Hellmann ने कोटेशन जीतने की दर में भी सुधार देखा है। उद्देश्य प्रक्रिया से इंसानों को हटाना नहीं, बल्कि उनके हस्तक्षेप की ज़रूरत वाले नियमित काम की मात्रा को लगातार कम करना है।

इस तरीके की सीमाओं के बारे में आपने क्या सीखा है? कार्यप्रवाह की कौन-सी विशेषताएँ बताती हैं कि वह अनुकूलनशील एजेंट के लिए तैयार है, और कौन-सी यह संकेत देती हैं कि कारोबार को पहले प्रक्रिया का नए सिरे से डिज़ाइन करना चाहिए या पारंपरिक स्वचालन बनाए रखना चाहिए?

हर प्रक्रिया को AI एजेंट की ज़रूरत नहीं होती। सबसे बड़े अवसर उन दोहराव वाले, अधिक मात्रा के कार्यप्रवाहों में हैं जिनमें संदर्भ के आधार पर निर्णय लेना पड़ता है—खासकर वहाँ, जहाँ जानकारी कई सिस्टमों में फैली हो और कर्मचारियों को नियमित रूप से अपवादों से निपटना पड़ता हो।

हमारी तैनातियों से मिला सबसे स्पष्ट सबक यह है कि उद्यमों के भीतर एक नया कार्यक्षेत्र उभर रहा है—ठीक वैसे ही, जैसे CRM के साथ राजस्व संचालन और Cloud के साथ Dev Ops का विकास हुआ। जब कंपनियाँ कुछ एजेंटों से बढ़कर बड़ी संख्या में एजेंटों का इस्तेमाल करने लगती हैं, तो उन्हें ऐसे व्यक्ति या टीम की ज़रूरत होती है जो एजेंटों का प्रबंधन उसी तरह करे, जैसे विभाग का प्रमुख कार्यबल का करता है: उनके KPI और ROI के लिए जवाबदेह हो, तय करे कि एजेंटों को कौन-से काम सौंपे जाने चाहिए और कौन-से नहीं, और यह मंज़ूर करे कि उनमें बदलाव कैसे किए जाएँ। जो कंपनियाँ पहले से ही यह कार्यक्षेत्र बना रही हैं, वे सबसे तेज़ी से आगे बढ़ रही हैं और जीतने की बेहतर स्थिति में हैं।

परस्पर विरोधी कार्य-पद्धतियाँ इंतज़ार करने की वजह नहीं हैं। लगभग हर संचालन में विशेषज्ञों के बीच मतभेद होते हैं, और हमारा सिस्टम इन विरोधाभासों को सामने लाने और उन्हें नीतिगत प्रस्तावों में बदलने के लिए बनाया गया है। उन्हें सुलझाना उस जिम्मेदार व्यक्ति के काम का हिस्सा है; एजेंटों को बड़े पैमाने पर लागू करने से पहले यह भूमिका स्थापित करने की एक और वजह यही है।

इस तरीके की भी अपनी सीमा है। मुख्य परिचालन पूरी तरह स्वचालित नहीं होंगे और हमारा लक्ष्य भी ऐसा करना नहीं है। एजेंट धीरे-धीरे अधिक काम संभालने लगते हैं, जबकि जोखिम वाले मामलों को सोच-समझकर लोगों के पास ही रखा जाता है।

जैसे-जैसे फ़ाउंडेशन मॉडल और एजेंट बनाने के टूल बेहतर होते जाएँगे, उद्यमों में तैनाती के कौन-से हिस्से आपको सामान्य और आसानी से उपलब्ध होते दिखते हैं, और Reindeer किस क्षेत्र में ऐसा लाभ बना रहा है जो हर उत्पादन तैनाती के साथ और मज़बूत होता जाता है?

फ़ाउंडेशन मॉडल सस्ते, तेज़ और अधिक सक्षम होते जाएँगे, इसलिए उनके बीच अदला-बदली करना लगातार आसान होगा। बुनियादी एजेंट बनाना और उन्हें उद्यमों के सिस्टम से जोड़ना भी पहले से आसान होता जा रहा है।

लेकिन एजेंट बना लेना और जटिल कारोबार में उसे लंबे समय तक भरोसेमंद बनाए रखना एक ही बात नहीं है।

असल प्रतिस्पर्धी लाभ इस विशिष्ट ज्ञान में है कि कोई उद्यम वास्तव में कैसे काम करता है—और यह लगातार बदलता रहता है। उत्पादन में आने वाला हर मामला हमारे एजेंटों को सीखने, भविष्य के अपवादों को हल करने और मानवीय हस्तक्षेप कम करने का अवसर देता है।

मॉडल सस्ते होते जाएँगे। एजेंट बनाना आसान होता जाएगा।

विजेता उन महँगे मानवीय इंजीनियरिंग ढाँचों को खत्म कर देंगे जिनकी एजेंटों को समय के साथ काम करते रहने और प्रासंगिक बने रहने के लिए ज़रूरत होती है।

इस बेहतरीन बातचीत के लिए धन्यवाद। अनुकूलनशील उद्यम AI एजेंटों, परिचालन स्वचालन और मानव-निर्देशित सीखने के बारे में अधिक जानने के इच्छुक पाठक Reindeer की वेबसाइट पर जाएँ।