سوات قائدین
بینک کو توڑے بغیر اپنے کاروبار میں AI کو نافذ کرنے کے 5 اقدامات
مصنوعی ذہانت عروج پر رہتی ہے، اور اگر یہ ہر صنعت میں پھیلتی رہتی ہے، تو یہ ہمارے رہنے کے انداز کو مکمل طور پر بدل دے گی۔
اس کے نتیجے میں، AI کو ان کی کمپنیوں میں ضم کرنا بہت سے بانیوں کے لیے ایک انتہائی ترجیح بن گیا ہے۔ یہاں تک کہ افراد اپنی ذاتی زندگی کو بہتر بنانے کے لیے AI کا فائدہ اٹھانے کے طریقے تلاش کر رہے ہیں۔
ہائپ اس طرح ہے کہ کولنز ڈکشنری، ایک تاریخی زبان کی اتھارٹی نے نام دیا ہے۔ AI سال کی اصطلاح کے طور پر، اس کی مقبولیت میں اضافے کی وجہ سے۔
یہ کہنے کے بعد، زیادہ تر تنظیموں کے لیے، اپنے عمل میں AI کو شامل کرنے کی کوشش کرتے وقت خیال اور حقیقت کے درمیان بہت بڑا فرق ہوتا ہے، کیونکہ راستہ اتنا سیدھا نہیں ہے جتنا لگتا ہے، اور یہ بہت مہنگا بھی ہو سکتا ہے، دونوں سرمائے کے اخراجات کے لحاظ سے۔ ضرورت اور وقت ضائع کرنا، کیونکہ پیش رفت متوقع نتائج نہیں لائے گی۔ یہ اترا ہے۔ مشکل میں کئی کاروبار. مثال کے طور پر، CNET AI کے لکھے ہوئے مضامین کے ساتھ تجربہ کیا۔، اور وہ خامیوں سے بھرے ہوئے نکلے۔ دیگر کمپنیاں، جیسے آئی ٹیوٹر گروپ، بھاری جرمانے کا سامنا کرنا پڑا ان کے ناقص AI نفاذ کی وجہ سے عوامی تضحیک کے علاوہ۔
جیسا کہ یہ معاملات ظاہر کرتے ہیں، کاروبار AI کے ساتھ بہت ساری غلطیاں کر سکتے ہیں، اور جب تک کہ کسی منصوبے میں ایمیزون، گوگل، مائیکروسافٹ، یا میٹا کا مالی تعاون نہ ہو، یہ ناکام تجربات کسی کمپنی کو مؤثر طریقے سے دیوالیہ کر سکتے ہیں۔
اگر آپ ایک بانی یا کاروبار کے مالک ہیں، تو یہاں آپ کے کاروبار میں AI کو لاگو کرنے میں آپ کی مدد کرنے کے لیے پانچ مراحل کے ساتھ ایک گائیڈ ہے، یہ سب کچھ اپنے وسائل کا دانشمندانہ استعمال کرتے ہوئے—پیسہ اور وقت، جو بالآخر پیسہ ہے—اور مہلک ہونے کے امکان کو کم کرتے ہوئے غلطیاں
1. اس مسئلے پر واضح رہیں جسے آپ حل کرنے کی کوشش کر رہے ہیں۔
کوئی بھی کمپنی AI کی ناکامیوں سے محفوظ نہیں ہے۔ اور جیسا کہ ایمیزون کو تکلیف دہ طور پر پایا جاتا ہے – اس کے فلاؤنڈرنگ کیشئر لیس اسٹورز ایمیزون گو کے ذریعے۔ہر کاروباری معاملے کو AI کی ضرورت نہیں ہے۔.
لہذا، یہ ضروری ہے کہ آپ اس مسئلے کی وضاحت کریں جسے آپ AI کے ساتھ حل کرنا چاہتے ہیں۔ اس کو ہر ممکن حد تک واضح طور پر بیان کرنے کی ضرورت ہے۔
مثال کے طور پر، AI کی ایک عام درخواست کسٹمر سپورٹ ہے۔ ایسی صورت میں AI کو لاگو کرنا اس طریقے سے ممکن ہے جس کے مخصوص نتائج ہوں، مثال کے طور پر، کال سینٹر کے اخراجات کو ماہانہ X رقم سے کم کرنا یا صارفین کے سوالات کو X منٹ تک حل کرنے میں لگنے والے اوسط وقت کو تیز کرنا۔ اس نقطہ نظر کے ساتھ، ہمارے پاس پیسے یا وقت کی شکل میں ایک قابل پیمائش اشارے ہے، جسے ہم AI کو لاگو کرکے حاصل کرنے کی کوشش کریں گے اور دیکھیں گے کہ آیا اس کا کوئی اثر ہوتا ہے۔
مختلف طریقے ہیں جن میں یہ ہو سکتا ہے۔ مثال کے طور پر، چیٹ بوٹ کے بجائے، ہم ایک ایسی سروس تیار یا خرید سکتے ہیں جو اس بات کا تعین کرے گی کہ آیا گاہک کے سوال کا جواب اکثر پوچھے گئے سوالات کے صفحہ سے دیا جا سکتا ہے۔ یہ اس طرح کام کرے گا۔ جب کوئی گاہک کوئی پیغام لکھتا ہے، تو ہم اس ماڈل کو چلاتے ہیں اور یہ یا تو ہمیں بتاتا ہے کہ ہمیں اس بات چیت کو کسی ایجنٹ کو منتقل کرنے کی ضرورت ہے، یا انہیں ان کے سوال کے جواب کے ساتھ ایک متعلقہ صفحہ دکھاتا ہے۔ اس ماڈل کو تیار کرنا شروع سے ایک پیچیدہ چیٹ بوٹ بنانے سے زیادہ تیز اور سستا ہے۔ اگر یہ عمل درآمد کامیاب ہو جاتا ہے، تو ہم چیٹ بوٹ تیار کرنے کے اخراجات کے مقابلے میں اپنے AI سے متعلقہ سرمائے کے اخراجات کو بہتر بناتے ہوئے اخراجات کو کم کرنے کے اپنے ہدف کو پورا کر لیں گے۔
اس نقطہ نظر کا ایک علمبردار میٹن لا تھا، جو کیلیفورنیا میں قائم ایک قانونی فرم ہے۔ AI سے چلنے والا مربوط بہت سے کاموں کو خودکار کرنے میں معاون، وکلاء کو صارفین کی بات سننے اور کیس کے ان پہلوؤں کا مطالعہ کرنے میں زیادہ وقت دینے کے قابل بناتا ہے جو سب سے زیادہ متعلقہ تھے۔ یہ واضح کرتا ہے کہ انتہائی سخت شعبوں کو بھی AI کے ذریعے اس طرح سے روکا جا سکتا ہے جس سے صارف کے تجربے کو تقویت ملتی ہے، انسانی رابطے کو بڑھا کر جہاں اس کی سب سے زیادہ ضرورت ہے۔
اضافی عام مسائل جن کو AI کی مدد سے حل کیا جا سکتا ہے ان میں ڈیٹا کا تجزیہ اور اپنی مرضی کے مطابق پیشکشوں کی تخلیق شامل ہے۔ Spotify ایک ایسی کمپنی کی ایک غیر معمولی مثال ہے جو موسیقی کی سفارشات کے لیے ایک ذہین نظام تیار کرنے کے لیے AI کا کامیابی سے فائدہ اٹھاتی ہے، جو دن کے اس وقت کو مدنظر رکھتے ہوئے جس میں کوئی ایک مخصوص صنف کو سنتا ہے۔.
مذکورہ بالا دونوں صورتوں میں، AI کسٹمر کے لیے ایک بہتر تجربہ فراہم کرنے میں مدد کر رہا ہے۔ تاہم، ان کمپنیوں نے AI کو کامیابی کے ساتھ استعمال کرنے کی وجہ یہ تھی کہ وہ ان پہلوؤں کے بارے میں بالکل واضح تھیں جنہیں AI کے حوالے کرنے کی ضرورت تھی۔
2. اس ڈیٹا کے بارے میں فیصلہ کریں جس کا آپ کو تجزیہ کرنے کی ضرورت ہوگی۔
ایک بار جب بنیادی مسئلہ اچھی طرح سے واضح ہو جائے تو، ہمیں اس ڈیٹا کو مدنظر رکھنا ہوگا جس کے ساتھ ہمیں سسٹم کو فیڈ کرنے کی ضرورت ہے۔ یہ یاد رکھنے کی کلید ہے کہ AI ایک الگورتھم ہے، جو ہمارے فراہم کردہ ڈیٹا کا تجزیہ اور ایڈجسٹ کرتا ہے۔ ڈیٹا اکٹھا کرنے کا بنیادی منظر نامہ حسب ذیل ہے:
-
سمجھیں کہ ہمیں AI کو لاگو کرنے کے لیے کس ڈیٹا کی ضرورت ہو سکتی ہے۔
-
دیکھیں کہ آیا ہمارے کاروبار میں وہ ڈیٹا موجود ہے۔
-
اگر ایسا ہوتا ہے - بہت اچھا۔
-
اگر نہیں، تو ہمیں بیٹھ کر یہ معلوم کرنے کی ضرورت ہے کہ کیا ہم اندرون ملک ڈیٹا اکٹھا کرنے کا صحیح عمل شروع کر سکتے ہیں۔ ایک اور امکان کے طور پر، اگر ہم ابھی تک ایسا نہیں کر رہے ہیں تو ہم ڈویلپرز سے ہمیں مطلوبہ ڈیٹا کو محفوظ کرنے کے لیے کہہ سکتے ہیں۔
-
یہاں ایک مثال ہے۔ ہم ایک کافی شاپ کے مالک ہیں، اور ہمیں اس ڈیٹا کی ضرورت ہے کہ کتنے سرپرست اس پر جاتے ہیں۔ ہم ذاتی لائلٹی کارڈز کو لاگو کر کے ایسا کر سکتے ہیں جو صارفین خریداری کرتے وقت پیش کریں گے۔ اس طرح، ہمارے پاس وہ ڈیٹا ہوگا جس کی ہمیں ضرورت ہے، جیسے کہ کون سے گاہک آئے، وہ کب آئے، انہوں نے کیا خریدا، اور کتنی مقدار میں۔ ایک بار جب ہمارے پاس یہ ہو جائے تو، ہم اس ڈیٹا کو AI کو لاگو کرنے کے لیے استعمال کر سکتے ہیں۔ تاہم، ایسے اوقات ہوتے ہیں جب یہ ڈیٹا اکٹھا کرنا بہت مہنگا پڑ سکتا ہے۔ اور اسی وقت AI ہمارے بچاؤ کے لیے آ سکتا ہے۔ مثال کے طور پر، اگر ہمارے پاس اپنی کافی شاپ میں کیمرہ نصب ہے- جسے ہم کم از کم حفاظتی مقاصد کے لیے کر سکتے ہیں، تو ہم اپنے آنے والے سرپرستوں سے ڈیٹا اکٹھا کرنے کے لیے اس کا فائدہ اٹھا سکتے ہیں۔ مجھے یہ کہنا ضروری ہے کہ اس کو لاگو کرنے سے پہلے، ذاتی ڈیٹا قوانین، جیسے GDPR سے مشورہ کرنا ضروری ہے، کیونکہ یہ طریقہ ہر ملک میں کام نہیں کر سکتا۔ لیکن ان دائرہ اختیار میں جن میں اس کی اجازت ہے، یہ آپ کو درکار معلومات اکٹھا کرنے اور اس کا تجزیہ کرنے اور اس پر کارروائی کرنے کے لیے AI کی مدد حاصل کرنے کا ایک ہموار طریقہ ہو سکتا ہے۔
اگر آپ سوچ رہے ہیں تو یہ ذاتی لائلٹی پروگرام ہے۔ اسٹاربکس نے کیا کیا۔، بڑی کامیابی کے ساتھ۔ سٹاربکس کی انعامی اسکیم ذاتی نوعیت کی مراعات فراہم کرنے تک تھی جب بھی کوئی صارف اپنے پسندیدہ مقام پر جاتا یا اپنے پسندیدہ مشروب کا آرڈر دیتا۔
3. ایک مفروضے کی وضاحت کریں۔
ایسے حالات ہوسکتے ہیں جن میں آپ کو غیر یقینی محسوس ہوتا ہے کہ AI کے ذریعہ کون سے عمل کو بہتر بنانے کی ضرورت ہے۔
اگر یہ آپ کا معاملہ ہے، تو، آپ اپنے پورے عمل کو مراحل میں تقسیم کر کے شروع کر سکتے ہیں، اور ان مراحل کی نشاندہی کر سکتے ہیں جن میں آپ کو لگتا ہے کہ آپ کا کاروبار کم کارکردگی کا مظاہرہ کر رہا ہے۔ وہ کون سے شعبے ہیں جن پر آپ بہت زیادہ رقم خرچ کر رہے ہیں؟ کیا معمول سے زیادہ وقت لگ رہا ہے؟ ان سوالات کے جوابات دے کر، آپ بہتری کے لیے اہم شعبوں کی نشاندہی کر سکتے ہیں، اور فیصلہ کر سکتے ہیں کہ آیا AI مددگار ثابت ہو سکتا ہے۔
جیسا کہ آپ دیکھیں گے، ایسی مثالیں موجود ہیں جن میں روایتی حل زیادہ موثر ہو سکتے ہیں۔ اگر آپ اس کے ساتھ جدوجہد کر رہے ہیں کہ آپ کے صارفین کو کس پروڈکٹ کی پیشکش کو نمایاں کرنا ہے تو، سب سے زیادہ مقبول مصنوعات پر مبنی تجاویز صارف کے رویے کی پیشن گوئی کرنے کی کوششوں کے مقابلے میں مارکیٹ پلیس کے سفارشی نظاموں میں اکثر زیادہ مؤثر ثابت ہوتی ہیں۔ لہذا، سب سے پہلے اس کی کوشش کریں. ایک بار جب آپ کے پاس کوئی نتیجہ آجائے - چاہے وہ مثبت ہو یا منفی - تو آپ AI ٹیسٹنگ کے لیے ایک مفروضہ رکھ سکتے ہیں۔ بصورت دیگر، عمل کا میدان بہت مبہم ہو جائے گا، اور آپ کا وقت اور پیسہ ضائع ہو سکتا ہے۔
4. پہلے سے موجود حلوں کا فائدہ اٹھائیں۔
بہت سی کمپنیوں کا مقصد، فوراً، اپنے مشین لرننگ الگورتھم کو ڈیزائن کرنا ہے۔ تاہم، اگر آپ انہیں طویل عرصے تک بڑے ڈیٹا سیٹ کے ساتھ تربیت دینے کا ارادہ نہیں رکھتے ہیں، تو ایسا نہ کریں۔ یہ بہت مہنگا اور وقت طلب ہوگا۔
اس کے بجائے، میں تجویز کرتا ہوں کہ آپ ان حلوں پر توجہ مرکوز کریں جو پہلے سے دستیاب ہیں۔ Amazon، Google، Microsoft، اور بہت سی دوسری کمپنیوں کے پاس AI سے چلنے والے ٹولز ہیں جو آپ کو بہت سے مقاصد کو پورا کرنے میں مدد کر سکتے ہیں۔ پھر، آہستہ آہستہ، آپ ان میں سے کسی ایک کے ساتھ ایک معاہدے پر دستخط کر سکتے ہیں، اور ضروری API درخواستوں کو مہارت سے ترتیب دینے کے لیے ایک اندرونی ڈویلپر کی خدمات حاصل کر سکتے ہیں۔
بنیادی خیال یہ ہے کہ ان ٹولز کو کاروباری ڈویلپرز (ایم ایل ماہرین نہیں) کے ذریعے مربوط کیا جا سکتا ہے، جو ہمیں فوری طور پر اس مفروضے کی جانچ کرنے کی اجازت دے گا کہ آیا AI متوقع اثر لاتا ہے یا نہیں۔ اگر یہ ایسا کرنے میں ناکام ہو جاتا ہے، تو ہم ان ٹولز کو آسانی سے غیر فعال کر سکتے ہیں، اور ہمارے مفروضے کو جانچنے کی ہماری لاگت صرف ڈویلپر کا وہ وقت ہو گا جو ہم نے اس سروس کے ساتھ ضم کرنے میں صرف کیا اور وہ رقم جو ہم نے ٹول کو استعمال کرنے کے لیے ادا کی۔ اگر ہم ایک ماڈل تیار کر رہے تھے، تو ہم ML ماہر کی تنخواہ اس وقت خرچ کریں گے جتنا وہ ماڈل کو تیار کرنے میں کسی بھی بنیادی ڈھانچے کے اخراجات کے علاوہ خرچ کرتے ہیں۔ اور پھر یہ واضح نہیں ہے کہ ڈویلپر اور ماڈل کے ساتھ کیا کرنا ہے، اگر آخر میں، متوقع اثر نہیں ہوتا ہے۔
اگر ہمارا مفروضہ ثابت ہو جاتا ہے، اور AI سے چلنے والا ٹول متوقع اثر لاتا ہے، تو ہم خوش ہوتے ہیں اور ایک نئے مفروضے کے ساتھ آتے ہیں۔ مستقبل میں، اگر ہم دیکھتے ہیں کہ اس آلے کی لاگت میں نمایاں اضافہ ہوتا ہے، تو ہم خود اس ماڈل کو تیار کرنے کے بارے میں سوچ سکتے ہیں، اور اس طرح اخراجات کو اور بھی کم کر سکتے ہیں۔ لیکن ہمیں پہلے اس بات کا جائزہ لینے کی ضرورت ہے کہ کیا ترقی کی لاگت درحقیقت اس سے کم ہے جو ہم کسی دوسری کمپنی کے ٹول کو استعمال کرنے کے لیے ادا کریں گے جو ان ٹولز کو تیار کرنے میں مہارت رکھتی ہے۔
میرا مشورہ یہ ہے کہ آپ اپنی مشین لرننگ پروڈکٹ تیار کرنے پر غور کریں جب آپ نے اوپر بیان کردہ ٹولز کے ساتھ AI کے استعمال سے اچھے نتائج حاصل کیے ہوں، اور ایک بار جب آپ کو یقین ہو جائے کہ AI طویل مدت میں آپ کے مسئلے کو حل کرنے کا صحیح طریقہ ہے۔ بصورت دیگر، آپ کا ایم ایل پروجیکٹ وہ قیمت نہیں دے گا جس کی آپ تلاش کر رہے ہیں، اور ہارورڈ بزنس ریویو کے ایک شاندار حالیہ ٹکڑے کے طور پر، AI ہائپ صرف آپ کو آپ کے مشن سے ہٹا دے گا۔، جس کو AI کی ضرورت نہیں ہے۔
5. AI ماہرین سے مشورہ کریں۔
اسی سلسلے میں، ایک اور بہت عام غلطی جو بانیوں اور کاروباری مالکان کرتے ہیں وہ یہ ہے کہ وہ ہر کام گھر میں کرنے کی کوشش کرتے ہیں۔ وہ ایک AI چیف انجینئر یا محقق کی خدمات حاصل کرتے ہیں، اور پھر ایک ٹیم بنانے کے لیے مزید لوگوں کی خدمات حاصل کرتے ہیں جو ایک جدید پروڈکٹ تیار کر سکے۔ تاہم، وہ ٹیکنالوجی آپ کی کمپنی کے مقصد کے لیے بیکار ہو جائے گی اگر آپ کے پاس AI کے نفاذ کی مناسب حکمت عملی نہیں ہے۔ ایک ایسا معاملہ بھی ہے جب وہ ایک جونیئر ایم ایل انجینئر کی خدمات حاصل کرتے ہیں، زیادہ تجربہ کار ماہر کی خدمات حاصل کرنے کے مقابلے میں پیسے بچانے کے لیے۔ یہ خطرناک بھی ہے، کیونکہ تجربہ نہ رکھنے والا شخص ایم ایل سسٹم کی ڈیولپمنٹ اور ڈیزائن کی باریکیوں کو نہیں جانتا ہو سکتا ہے اور "روکی غلطیاں" کر سکتا ہے، جس کے لیے کمپنی کو بہت زیادہ قیمت ادا کرنی پڑے گی، تقریباً ہمیشہ کسی تجربہ کار کی خدمات حاصل کرنے کی قیمت سے زیادہ۔ ایم ایل ماہر۔
لہذا، میری سفارش یہ ہے کہ آپ سب سے پہلے ایک AI ماہر کی خدمات حاصل کریں، جیسا کہ ایک مشیر، جو راستے میں آپ کی رہنمائی کرے گا اور آپ کے AI کو اپنانے کے عمل کا جائزہ لے گا۔ اس بات کو یقینی بنانے کے لیے ان کی مہارت کا فائدہ اٹھائیں کہ آپ جس مسئلے پر کام کر رہے ہیں اس کے لیے AI کی ضرورت ہے، اور یہ کہ آپ کے مفروضے کو ثابت کرنے کے لیے ٹیکنالوجی کو مؤثر طریقے سے پیمانہ بنایا جا سکتا ہے۔
اگر آپ ابتدائی مرحلے کا آغاز ہیں، اور فنڈنگ کے بارے میں فکر مند ہیں، تو اس کے لیے ایک ہیک LinkedIn پر AI انجینئرز سے مخصوص سوالات کے ساتھ رابطہ کر رہا ہے۔ یقین کریں یا نہ مانیں، بہت سے ML اور AI ماہرین مدد کرنا پسند کرتے ہیں، دونوں اس لیے کہ وہ واقعی موضوع میں ہیں، اور اس لیے کہ اگر وہ آپ کی مدد کرنے میں کامیاب ہو جاتے ہیں، تو وہ اسے اپنے مشاورتی پورٹ فولیو کے لیے ایک مثبت کیس اسٹڈی کے طور پر استعمال کر سکتے ہیں۔
فائنل خیالات
AI کے ارد گرد موجود تمام ہائپ کے ساتھ، یہ عام بات ہے کہ آپ اسے اپنے کاروبار میں شامل کرنے اور AI سے چلنے والا حل تیار کرنے کے لیے بے چین ہوں گے جو آپ کو اگلے درجے تک لے جائے گا۔ تاہم، آپ کو ذہن میں رکھنے کی ضرورت ہے کہ ہر کوئی AI کے بارے میں بات کر رہا ہے اس کا مطلب ہے کہ آپ کے کاروبار کو AI کی ضرورت ہے۔ بہت سے کاروبار، بدقسمتی سے، ذہن میں واضح مقصد کے بغیر AI کو ضم کرنے میں جلدی کرتے ہیں، اور بہت زیادہ رقم اور وقت ضائع کرتے ہیں۔ کچھ معاملات میں، خاص طور پر ابتدائی مرحلے کی کمپنیوں کے لیے، اس کا مطلب ان کے انتقال کا ہو سکتا ہے۔ کسی مسئلے کو واضح طور پر بیان کرکے، متعلقہ ڈیٹا اکٹھا کرکے، ایک مفروضے کی جانچ کرکے، اور کسی ماہر کی مدد سے پہلے سے دستیاب ٹولز کا استعمال کرکے، آپ اپنی فرم کے مالی وسائل کو ضائع کیے بغیر AI کو مربوط کرسکتے ہیں۔ پھر، اگر حل کام کرتا ہے، تو آپ آہستہ آہستہ AI کو ان شعبوں میں شامل کر سکتے ہیں جن میں یہ آپ کی کمپنی کی کارکردگی یا منافع کو بڑھاتا ہے۔
