सभी आकार के संगठन अपनी डिजिटल परिवर्तन यात्रा को सशक्त बनाने के लिए एआई को एक परिवर्तनकारी तकनीक के रूप में अपना रहे हैं। फिर भी एआई को बड़े पैमाने पर संचालित करने की चुनौतियाँ अभी भी दुर्गम लग सकती हैं बड़ी संख्या में परियोजनाओं के विफल होने का.

मैंने कई संगठनों के साथ बड़े डेटा और एआई में काम किया है और कुछ स्पष्ट रुझान देखे हैं कि एक उत्साही शुरुआत के बाद एआई प्रयास क्यों लड़खड़ा रहे हैं। ये बड़े स्थापित संगठन हैं जिन्होंने एआई-संचालित परिवर्तन यात्रा शुरू करने के लिए अपने बोर्ड, सी-सूट, व्यावसायिक हितधारकों और यहां तक ​​कि ग्राहकों से समर्थन हासिल करने का अद्भुत काम किया है। संभवतः उन्होंने एआई के लिए कुछ प्रकार के उत्कृष्टता केंद्र (सीओई) की स्थापना की है, जिसमें नेतृत्व और तकनीकी दोनों भूमिकाओं में प्रमुख नियुक्तियां की गई हैं, और सीमित पैमाने पर कुछ मशीन लर्निंग परियोजनाओं का उपयोग करके एआई के वादे को प्रदर्शित किया है। फिर वे किसी परियोजना को बड़े पैमाने पर उत्पादन में लगाने के लिए आगे बढ़ते हैं, और वे फंस जाते हैं।

एआई को स्केल करना इतना चुनौतीपूर्ण होने के कारण चार विषयों के अंतर्गत आते हैं: अनुकूलन, डेटा, प्रतिभा और विश्वास।

अनुकूलन। व्यावसायिक परिणामों को आगे बढ़ाने के लिए मशीन लर्निंग (एमएल) के साथ समस्याओं को हल करने के लिए अनुकूलन की आवश्यकता होती है। एआई समस्याओं को हल करने के लिए अधिकांश मॉडल - एमएल, डीप लर्निंग (डीएल), और प्राकृतिक भाषा प्रसंस्करण (एनएलपी), उदाहरण के लिए - खुले स्रोत या स्वतंत्र रूप से उपलब्ध हैं। और ये मॉडल स्वयं उत्पादन-ग्रेड की समस्याओं को हल करने में महत्वपूर्ण कारक नहीं हैं। आपकी टीम को आपकी विशिष्ट समस्या, डेटा और डोमेन के अनुरूप प्रत्येक मॉडल को अनुकूलित और प्रशिक्षित करने की आवश्यकता होगी। फिर आपको मॉडल मापदंडों को अनुकूलित करने की आवश्यकता है ताकि वे आपके व्यवसाय के लक्ष्य परिणामों/मुख्य प्रदर्शन संकेतक (केपीआई) के अनुरूप हों। फिर, अपने मॉडलों को तैनात करने के लिए, आपको उन्हें अपने मौजूदा आईटी आर्किटेक्चर में एकीकृत करना होगा। प्रत्येक समस्या और डोमेन के लिए नए सिरे से एआई सिस्टम बनाने के लिए ढेर सारे अनुकूलन कार्य की आवश्यकता होती है। या, यदि आप इसके बजाय ऑफ-शेल्फ समाधान खरीदने का विकल्प चुनते हैं जो आपकी विशिष्ट आवश्यकताओं के लिए अनुकूलित नहीं हैं, तो आप प्रदर्शन और परिणामों से समझौता करते हैं। दोनों रास्तों के अपने फायदे और नुकसान हैं, लेकिन यह पहचानना महत्वपूर्ण है कि एआई को हर परियोजना और हर व्यावसायिक समस्या के लिए अनुकूलन की आवश्यकता होती है, और एआई को संचालित करने का एक महत्वपूर्ण हिस्सा अनुकूलन प्रक्रिया को यथासंभव कुशल बनाना है।

डेटा। मैंने कई संगठनों को एआई में विफल होते देखा है क्योंकि उन्होंने इन परियोजनाओं को उत्पादन पैमाने पर चलाने के लिए डेटा का उपयोग करने, तैयार करने और उस तक पहुंचने के लिए आवश्यक प्रयास को कम करके आंका, और यह एक खरगोश का बिल बन गया। ऐसे अधिकांश मामलों में, उन्हें एहसास होता है कि उनके पास मानकीकृत डेटा परिभाषाएँ या उचित डेटा प्रबंधन नहीं है, या वे वितरित डेटा स्रोतों के साथ संघर्ष करते हैं। यह एक बहु-वर्षीय परिवर्तन यात्रा की शुरुआत करता है। हालाँकि इन अलग-अलग डेटासेट तक पहुँचने, व्यवस्थित करने और क्यूरेट करने के लिए बड़ी संख्या में बड़ी डेटा परियोजनाएँ मौजूद हैं, लेकिन ये इस समस्या के लिए स्केलेबल समाधान प्रदान करने के लिए पर्याप्त नहीं हैं। उत्पादन में एआई पायलटों को प्राप्त करने में इस रुकावट को खत्म करने के लिए उत्पादन में छोटे डेटा सेट और शोर डेटा के साथ काम करने के लिए उन्नत मशीन लर्निंग तकनीकों की भी आवश्यकता है। 

प्रतिभा। अधिकांश संगठन जहां मैंने एआई परियोजनाएं देखी हैं, वे काम पर रखे गए एमएल इंजीनियरों और डेटा वैज्ञानिकों को स्केल करने में विफल रहे हैं और मुझे एहसास हुआ कि किसी ऐसे व्यक्ति को ढूंढना असंभव है जिसके पास सांख्यिकीय (एमएल) कौशल, डोमेन विशेषज्ञता (व्यावसायिक डोमेन और प्रक्रिया डोमेन दोनों में) का संयोजन हो ), और सॉफ्टवेयर विकास का अनुभव। इसलिए, क्लासिक संगठनात्मक डिज़ाइन का उपयोग करके, वे इसके आसपास काम करने का प्रयास करते हैं। यदि आप इस अत्यधिक प्रतिष्ठित प्रतिभा को बनाए रख सकते हैं और विकसित कर सकते हैं, तो अंततः आप एक जबरदस्त घरेलू क्षमता बना लेंगे, लेकिन एक टीम को तैयार करने की आवश्यकता एआई के साथ आपके मूल्य प्राप्ति में देरी करती है। इससे आपकी तेजी से नवप्रवर्तन करने की क्षमता प्रभावित होती है। मैं इसे "एआई थ्रूपुट" कहता हूं, एआई परियोजनाओं की संख्या जिन्हें उत्पादन में लगाया जा सकता है। इन टीमों को वास्तविक परिणाम देने में वर्षों लग जाते हैं। अधिक सफल संगठनों ने तेजी से पायलट-टू-प्रोडक्शन पथ डिजाइन करने और एआई थ्रूपुट में सुधार करने के लिए बाहरी भागीदारों के साथ आंतरिक एआई टीमों को बढ़ाकर प्रतिभा को बढ़ाने के लिए एक समग्र पारिस्थितिकी तंत्र दृष्टिकोण लाया है।

ट्रस्ट. दुनिया भर में लोगों में एआई के प्रति मिश्रित भावनाएं हैं और उन्हें डर है कि इससे उनकी नौकरियां अप्रचलित या अप्रासंगिक हो सकती हैं। इसलिए मानव-मशीन सहयोग पर जोर देने वाले एआई सिस्टम को डिजाइन करना इन संगठनों में एआई को बढ़ाने के लिए मूलभूत है। यद्यपि एआई के माध्यम से पूर्ण स्वचालन कई व्यावसायिक चुनौतियों का समाधान हो सकता है, सबसे प्रभावशाली और उच्च-अल्फा प्रक्रियाएं अभी भी वे हैं जो मनुष्य चलाते हैं। किसी संगठन में एआई को बड़े पैमाने पर अपनाने के लिए, आपको कई व्यावसायिक प्रक्रियाओं, आईटी प्रणालियों और हितधारक वर्कफ़्लोज़ में खरीद-फरोख्त, समर्थन और एकीकरण की आवश्यकता होती है। व्यावसायिक प्रक्रियाओं में एआई कार्यान्वयन भी विभिन्न प्रकार के जोखिम पेश करता है। एक जोखिम उन मामलों में व्यावसायिक प्रदर्शन के लिए है जहां एआई प्रणाली का व्यावसायिक प्रभाव अस्पष्ट है, जिससे संगठनों का समय, संसाधन और अवसर लागत खर्च होती है। एक अन्य जोखिम आंतरिक ऑडिट और नियामक आवश्यकताओं का अनुपालन बनाए रखना है, एक ऐसा क्षेत्र जो काफी हद तक तेजी से विकसित हो रहा है। तीसरे प्रकार का जोखिम प्रतिष्ठित है, इस चिंता के साथ कि पक्षपातपूर्ण निर्णय या ब्लैक बॉक्स एल्गोरिदम द्वारा लिए गए निर्णय हितधारक के अनुभवों पर नकारात्मक प्रभाव डाल सकते हैं। यह एक गंभीर बाधा है जिसका सामना सबसे उन्नत टीमें भी अपने संगठनों में एआई को बढ़ाने की कोशिश करते समय करेंगी।

जिन चुनौतियों को मैंने यहां रेखांकित किया है उन पर काबू पाने के लिए केवल प्रौद्योगिकी और टूलसेट से कहीं अधिक की आवश्यकता है। इसमें संगठनात्मक प्रक्रियाओं का संयोजन, विभिन्न टीमों को साथ लाने में सक्षम होना और आंतरिक और बाहरी भागीदारों के एक क्यूरेटेड पारिस्थितिकी तंत्र के साथ सक्रिय रूप से सहयोग करना शामिल है। $ 15.7 खरब एआई के साथ अवसर हमारे सामने हैं, लेकिन इन प्रमुख चुनौतियों को हल करने के लिए हमें एक उद्योग के रूप में एक साथ आने की आवश्यकता है। मैं भविष्य की पोस्टों में कुछ सर्वोत्तम प्रथाओं को साझा करने पर ध्यान केंद्रित करते हुए इन क्षेत्रों की खोज करूंगा।

गणेश पद्मनाभन वीपी, ग्लोबल बिजनेस डेवलपमेंट एंड स्ट्रेटेजिक पार्टनरशिप एट परे। वह का सदस्य भी है संज्ञानात्मक दुनिया थिंक टैंक एंटरप्राइज ए.आई.