यांनी सादर केले EdgeVerve
बऱ्याच संस्थांसाठी, AI दत्तक घेणे एका सरळ महत्वाकांक्षेने सुरू होते: स्वयंचलित कार्य जलद, स्वस्त आणि प्रमाणात. चॅटबॉट्सने मूलभूत सेवा विनंत्या बदलल्या आहेत, मशीन लर्निंग मॉडेल्सने अंदाज सुधारला आहे आणि विश्लेषणात्मक डॅशबोर्ड अधिक तीव्र अंतर्दृष्टीचे वचन देतात. तथापि, बऱ्याच संस्था आता शोधत आहेत की वैयक्तिक एआय सोल्यूशन्स तैनात केल्याने आपोआप एंटरप्राइझ-व्यापी प्रभावामध्ये अनुवादित होत नाही. प्रायोगिक विमाने वाढतात, परंतु ते स्थिरतेला महत्त्व देतात.
एआय मॅच्युरिटीचा पुढचा टप्पा अधिक मॉडेल्स तैनात करण्याबाबत नाही. हे बदलत्या व्यवसायाची उद्दिष्टे, नियामक अपेक्षा, ऑपरेटिंग परिस्थिती आणि ग्राहक संदर्भांमध्ये AI चे सतत रुपांतर करण्याबद्दल आहे. हे परिवर्तन ग्लोबल बिझनेस सर्व्हिसेस (GBS) सारख्या जटिल, जागतिक स्तरावर वितरीत संस्थांसाठी विशेषतः गंभीर आहे, जेथे परिणाम कार्ये, क्षेत्रे, प्रणाली आणि भागधारकांवरील कामाच्या समन्वयावर अवलंबून असतात.
ऑटोमेशन पासून अनुकूलन पर्यंत
स्वतंत्र कार्यांना गती देण्यासाठी AI ला यापुढे एकटे साधन म्हणून मानले जाऊ शकत नाही. स्पर्धात्मक राहण्यासाठी, संस्थांनी वेगळ्या, एकल-उद्देशीय मॉडेल्समधून अशा सिस्टमकडे जाणे आवश्यक आहे जे संदर्भ समजण्यास, क्रियांचे समन्वय साधण्यास आणि कालांतराने विकसित होण्यास सक्षम आहेत.
येथेच अनुकूली एआय इकोसिस्टम कार्यात येतात. ॲडॉप्टिव्ह एआय इकोसिस्टम हे इंटरऑपरेबल एआय एजंट्स, मॉडेल्स, डेटा स्रोत आणि निर्णय सेवांचे नेटवर्क आहे जे डायनॅमिकरित्या एकत्र काम करतात. ही परिसंस्था नैसर्गिक भाषा प्रक्रिया, संगणक दृष्टी, भविष्यसूचक विश्लेषण आणि स्वायत्त निर्णय घेणे यासारख्या क्षमतांना एकत्रित करतात, तसेच मानवी देखरेख आणि एंटरप्राइझ गव्हर्नन्समध्ये आधारीत राहतात.
GBS संस्थांसाठी, महत्त्व स्पष्ट आहे. GBS स्केल, एकत्रीकरण आणि विविधीकरणाच्या छेदनबिंदूवर कार्य करते, नियमन, ग्राहक वर्तन आणि ऑपरेशनल मर्यादांमध्ये भिन्न असलेल्या बाजारपेठांमध्ये उच्च-वॉल्यूम ऑपरेशन्स व्यवस्थापित करते. अशा वातावरणात स्थिर ऑटोमेशन संघर्ष करते. याउलट, ॲडॉप्टिव्ह एआय जीबीएस संघांना एंड-टू-एंड ऑपरेशन्समध्ये समन्वय साधण्यास, बुद्धिमानपणे थेट कार्य करण्यास आणि रिअल-टाइम सिग्नलवर आधारित परिणामांमध्ये सतत सुधारणा करण्यास अनुमती देते.
एंटरप्राइझ एआय उपयोजन का थांबत आहेत?
मजबूत हेतू असूनही, एआय स्केल करणे हे एक आव्हान आहे. संशोधनात असे दिसून आले आहे की जरी अनेक संस्था उत्पादक आणि प्रभावी AI उपक्रमांमध्ये गुंतवणूक करत आहेत, तरी फार कमी संस्था त्यांना वर्कफ्लो आणि व्यावसायिक युनिट्समध्ये यशस्वीरित्या सक्रिय करत आहेत. मुद्दा क्वचित महत्वाकांक्षा आहे; हे किरकोळ आहे.
SSON चे संशोधन GBS मध्ये जनरेटिव्ह एआयचा अवलंब करण्यात येणाऱ्या अनेक अडथळ्यांना अधोरेखित करते, ज्यात खराब डेटा गुणवत्ता, तज्ञ कौशल्यांचा अभाव, डेटा गोपनीयतेची चिंता, अस्पष्ट ROI आणि बजेट मर्यादा यांचा समावेश आहे. या लक्षणांच्या खाली एक सामान्य कारण आहे: वेगळ्या वातावरणात. डेटा खंडित आहे, मालकी अस्पष्ट आहे आणि AI उपक्रम सामान्य कॉर्पोरेट रणनीतीऐवजी स्थानिक पातळीवर निर्देशित केले जातात.
परिणामी, कंपन्या एआय सोल्यूशन्स जमा करत आहेत जे सहजपणे एकत्र काम करू शकत नाहीत. मॉडेल्समध्ये सामायिक संदर्भ नसतो, निर्णय स्पष्ट करणे कठीण असते आणि शासन हे डिझाइन तत्त्वाऐवजी विचाराधीन बनते.
इकोसिस्टम आणि अनुकूली एआय प्लॅटफॉर्म: संबंध स्पष्ट करणे
एक अनुकूली एआय इकोसिस्टम एंटरप्राइझ-स्तरीय परिणामाचे वर्णन करते ज्यामध्ये एआय क्षमता संस्थेमध्ये कशा प्रकारे सहयोग करतात. अनुकूली एआय प्लॅटफॉर्म हा पाया आहे जो हे शक्य करतो.
प्लॅटफॉर्म सामायिक सेवा आणि रेलिंग प्रदान करते जे AI एजंट्स आणि मॉडेलना यासाठी परवानगी देतात:
-
क्युरेटेड आणि विश्वसनीय डेटामध्ये प्रवेश करा
-
सुरुवातीपासून शेवटपर्यंत ऑपरेशन्सचे समन्वय करा
-
सिस्टम आणि मानव यांच्यात बुद्धिमान एजंट हँडऑफ सक्षम करणे
-
आउट-ऑफ-द-बॉक्स कनेक्टरद्वारे प्रॉक्सी आणि लेगसी दोन्ही अनुप्रयोगांशी संवाद साधा
-
परिभाषित सुरक्षा, अनुपालन आणि नैतिक सीमांमध्ये कार्य करा
या प्लॅटफॉर्म स्तराशिवाय, अनुकूली इकोसिस्टम सैद्धांतिक राहतात. त्याद्वारे, कृत्रिम बुद्धिमत्ता संयोजित, आटोपशीर आणि स्केलेबल बनते.
अनुकूली एआय प्लॅटफॉर्मने काय सक्षम केले पाहिजे?
आधुनिक उद्योगांच्या, विशेषत: GBS उपक्रमांच्या मागण्या पूर्ण करण्यासाठी, अनुकूली एआय प्लॅटफॉर्मने मुख्य क्षमतांचा संच प्रदान करणे आवश्यक आहे.
रिअल-टाइम डेटा फॉरमॅटिंग हे महत्त्वाचे आहे. अनुकूली निर्णयांसाठी फंक्शन्स आणि क्षेत्रांमधील संरचित आणि असंरचित डेटामध्ये प्रवेश आवश्यक आहे. प्लॅटफॉर्मने अंगभूत मॉनिटरिंगसह युनिफाइड डेटा फाउंडेशन प्रदान करणे आवश्यक आहे, जेणेकरुन एआय सिस्टमला केवळ डेटाच नाही तर त्याची गुणवत्ता, वंश आणि महत्त्व समजेल. एज-टू-क्लाउड इन्फ्रास्ट्रक्चर्स येथे भूमिका बजावतात, हे सुनिश्चित करतात की परस्परसंवादाच्या ठिकाणी किंवा केंद्रीय निर्णय इंजिनमध्ये निर्णय घेतले जातात तेव्हा अंतर्दृष्टी उपलब्ध असते.
अनुकूली प्रक्रियेचा समन्वय तितकाच महत्त्वाचा आहे. GBS संस्था अधिकाधिक एआय प्लॅटफॉर्मवर अवलंबून आहेत जे व्यवसाय युनिट्स आणि सिस्टममध्ये वर्कफ्लो डायनॅमिकपणे समन्वयित करू शकतात. यामध्ये एकाधिक एआय एजंट्सचे समन्वय, निर्बाध एजंट-टू-एजंट आणि मानव-ते-मानव हस्तांतर सक्षम करणे आणि रिअल-टाइम परिस्थितीच्या प्रतिसादात प्रक्रिया मार्ग समायोजित करणे समाविष्ट आहे.
शासनासह संज्ञानात्मक ऑटोमेशन नियम-आधारित ऑटोमेशनच्या पलीकडे जाते. AI सिस्टीम किमान मानवी हस्तक्षेपासह संदर्भ-जागरूक निर्णय घेण्यास सक्षम असणे आवश्यक आहे, तरीही अर्थपूर्णता, आत्मविश्वास निर्देशक आणि नैतिक मर्यादा प्रदान करताना. मानवांना लूपमधून बाहेर काढणे हे उद्दिष्ट नाही, तर त्यांची भूमिका मॅन्युअल अंमलबजावणीपासून देखरेख आणि प्रशासनापर्यंत वाढवणे आहे.
निर्णय शासन आणि निरीक्षणक्षमता या क्षमतांना एकमेकांशी जोडतात. निर्णय कसे घेतले जातात याचा मागोवा घेण्यास, योगदान देणारे मॉडेल समजून घेण्यास आणि मार्केटमधील ऑडिट परिणाम शोधण्यात संस्था सक्षम असणे आवश्यक आहे. AI जोखीम व्यवस्थापन, डेटा संरक्षण आणि उत्तरदायित्व याभोवती नियामक अपेक्षा जागतिक स्तरावर वाढत असल्याने, प्लॅटफॉर्ममध्ये प्रशासन समाकलित करणे पर्यायी ऐवजी आवश्यक बनते.
व्यापक विश्वास निर्माण करा
ट्रस्ट हा स्केलेबल एआयचा पाया आहे. डेटा अखंडता, मॉड्यूलर वर्तन आणि नियामक अनुपालनाबाबत त्यांच्या AI प्रणालींवर विश्वास नसलेल्या कंपन्यांना पायलटिंगपासून शाश्वत दत्तक घेण्याकडे जाण्यासाठी संघर्ष करावा लागेल.
हा विश्वास निर्माण करण्यासाठी विचारपूर्वक गुंतवणूक करणे आवश्यक आहे. संस्थांनी स्पष्टीकरण करण्यायोग्य AI सुनिश्चित करणे आवश्यक आहे, जेथे निर्णय तर्कशास्त्र व्यवसाय आणि जोखीम भागधारकांसाठी पारदर्शक आहे, तसेच गोपनीयता आणि सुरक्षा-बाय-डिझाइन तत्त्वांसह जे संवेदनशील डेटाचे सुरुवातीपासून संरक्षण करतात. सातत्यपूर्ण पूर्वाग्रह शोधणे, मॉडेल विश्वसनीयता, कार्यप्रदर्शन व्यवस्थापन आणि उत्तरदायी आणि स्पष्टपणे परिभाषित एआय रेलिंग सातत्यपूर्ण आणि नैतिक परिणाम राखण्यासाठी महत्त्वपूर्ण आहेत.
स्पष्ट लक्ष्य ऑपरेटिंग मॉडेल असणे तितकेच महत्त्वाचे आहे. हे मॉडेल एआय लाइफसायकलमध्ये मालकी परिभाषित करते, भूमिका आणि वाढीचे मार्ग स्पष्ट करते आणि फ्रंट-लाइन टीम आणि कार्यकारी नेतृत्व यांच्याकडून जबाबदारी संरेखित करते. GBS वातावरणात जेथे AI-चालित निर्णय सहसा कार्ये, भौगोलिक आणि संस्थात्मक प्रणाली व्यापतात, या विश्वास यंत्रणा पर्यायी नसतात. ते आवश्यक आहे.
पुढे रस्ता
ज्या कंपन्या खंडित AI उपयोजनांवर आणि सायल्ड ऑपरेटिंग मॉडेल्सवर अवलंबून राहतात त्यांना प्रगतीसह गती राखणे अधिक कठीण जाईल. भविष्य हे अशा संस्थांचे आहे जे व्यासपीठ-आधारित दृष्टीकोन स्वीकारतात – जो त्यांना वाढीव कार्यक्षमतेच्या नफ्यांपासून परिवर्तनात्मक एंटरप्राइझ-व्यापी प्रभावाकडे जाण्यास सक्षम करतो.
यशाची व्याख्या एका मॉडेल किंवा वापराच्या केसद्वारे केली जाणार नाही. मजबूत एजंट आर्किटेक्चर्स, एजंट आणि लेगसी लँडस्केप्समध्ये इंटरऑपरेबल कनेक्टर्स आणि डेटा, ऑर्केस्ट्रेशन आणि गव्हर्नन्ससाठी सामान्य पायावर तयार केलेल्या अनुकूली एआय सिस्टमद्वारे त्याची व्याख्या केली जाईल. विशेषतः GBS संस्थांसाठी, हा दृष्टीकोन AI ला जबाबदारीने स्केलिंग करण्यासाठी आणि वाढत्या गुंतागुंतीच्या जगात लवचिकता, विश्वास आणि टिकाऊ मूल्य प्रदान करण्यासाठी एक स्पष्ट मार्ग प्रदान करतो. ज्या युगात बदल सतत होत असतो आणि छाननी वाढत असते; खरा प्रश्न यापुढे कंपन्या AI वापरत आहेत की नाही हा आहे, परंतु त्या खरोखरच त्याच्याशी जुळवून घेऊ शकतात का.
एन. शशिदार एजवेर्व्हचे वरिष्ठ उपाध्यक्ष आणि उत्पादन व्यवस्थापनाचे जागतिक प्रमुख आहेत.
प्रायोजित लेख ही पोस्टसाठी पैसे देणाऱ्या किंवा VentureBeat शी कार्यरत संबंध असलेल्या कंपनीद्वारे उत्पादित केलेली सामग्री असते आणि नेहमी स्पष्टपणे लेबल केलेली असते. अधिक माहितीसाठी, कॉल करा sales@venturebeat.com.
