डेटा साइंस के 87% प्रोजेक्ट्स कभी भी प्रोडक्शन तक नहीं पहुंचते। कुछ प्रबंधन समर्थन की कमी के कारण असफल होते हैं, तो कुछ गुणवत्तापूर्ण डेटा और उपयुक्त अवसंरचना की कमी से। जो संगठन AI और मशीन लर्निंग से मूल्य पाना चाहते हैं, उन्हें AI प्रोजेक्ट्स को स्कोप करने और प्रबंधित करने में होने वाली आम गलतियों से अवगत होना चाहिए। फिर भी, कहना आसान है, करना कठिन। पारंपरिक सॉफ्टवेयर प्रोजेक्ट्स लागू करने का अनुभव रखने वाले भी AI प्रोजेक्ट्स की विशिष्ट प्रकृति के कारण चुनौतियों का सामना कर सकते हैं।
AI प्रोजेक्ट्स पारंपरिक सॉफ्टवेयर प्रोजेक्ट्स से अलग कैसे हैं?
एक पारंपरिक सॉफ्टवेयर प्रोजेक्ट में, प्रोग्रामर प्रोग्राम की लॉजिक को स्पष्ट रूप से कोड करता है, जो इनपुट लेकर आउटपुट देता है। उदाहरण के लिए, एक बैंकिंग सॉफ्टवेयर जो बड़े ऋण (इनपुट) के आवेदन पर उधारकर्ता के क्रेडिट स्कोर (आउटपुट) को घटा देता है।
दूसरी ओर, मशीन लर्निंग का उपयोग करने वाले AI प्रोजेक्ट्स में स्पष्ट रूप से कोड की गई लॉजिक की आवश्यकता नहीं होती। मशीन लर्निंग एल्गोरिद्म इनपुट और आउटपुट के बीच पैटर्न को व्यवस्थित रूप से सीखते हैं और फिर इनपुट के आधार पर आउटपुट का पूर्वानुमान लगाते हैं। उदाहरण के लिए, उधारकर्ता के क्रेडिट स्कोर और लिए गए ऋणों के योग के आधार पर डिफॉल्ट जोखिम का अनुमान लगाना।
जब कोई संगठन पहली बार अपने AI प्रोजेक्ट्स को लागू और प्रबंधित करता है, तो यह काफ़ी जड़ता पैदा कर सकता है। इसलिए, यह पोस्ट आपके अगले परिनियोज्य और लाभदायक AI प्रोजेक्ट के लिए कुछ दिशानिर्देश प्रदान करती है।
प्रारंभिक AI प्रोजेक्ट्स के लिए तीन विशेषताएँ
ये तीनों विशेषताएँ किसी कंपनी के पहले AI प्रोजेक्ट्स की सफलता की नींव रखती हैं। कारण यह हैं।
AI प्रोजेक्ट्स व्यवहार्य होने चाहिए
नए AI प्रोजेक्ट्स शुरू करने से पहले, संगठनों को अपनी डेटा मैच्योरिटी मापनी चाहिए ताकि वे ऐसे प्रोजेक्ट्स पर संसाधन न लगा दें जो व्यवहार्य न हों। डेटा मैच्योरिटी के स्तंभों में अवसंरचना, लोग, टूल्स, संगठन और प्रक्रियाएँ शामिल हैं। इन स्तंभों के इर्द-गिर्द उपयोगी प्रश्न संगठनों को यह प्राथमिकता तय करने में सक्षम बना सकते हैं कि कौन से प्रोजेक्ट्स सबसे अधिक व्यवहार्य हैं:
- क्या कंपनी के पास डेटा को विश्वसनीय रूप से एकत्र करने की क्षमता है?
- क्या कंपनी के पास डेटा को संग्रहित और साफ़ करने की अवसंरचना है?
- क्या टीम के पास विश्वसनीय, सटीक मॉडल परिणाम देने के लिए आवश्यक कौशल हैं?
- क्या कंपनी के पास प्रोडक्शन में मॉडलों की निगरानी के लिए प्रक्रियाएँ, टूल्स और कौशल हैं?
AI प्रोजेक्ट्स सरल होने चाहिए
तकनीकी रूप से सरल प्रोजेक्ट अपेक्षाकृत कम डेटा मैच्योरिटी वाले संगठन के लिए अधिक प्रबंधनीय होता है। तेज़ी से डिलीवर होने वाला सरल प्रोजेक्ट त्वरित सफलताएँ देता है, जो टीम के अनुभव का निर्माण करता है। इससे भविष्य के AI प्रोजेक्ट्स के लिए गति बनती है और कंपनी में उत्साह पैदा होता है, जो अधिक तकनीकी रूप से उन्नत AI प्रोजेक्ट्स के लिए सहमति जुटाता है। जैसे-जैसे कंपनी AI मैच्योरिटी में आगे बढ़ती है, वह लो-हैंगिंग फ्रूट से आगे बढ़कर अधिक जटिल प्रोजेक्ट्स पर काम कर सकती है।
AI प्रोजेक्ट्स मूल्यवान होने चाहिए
Harvard Business Review का मानना है कि एक मज़बूत AI प्रोजेक्ट की विशेषताओं में से एक है उसका सृजित किया गया मूल्य। यह तीन रूपों में आ सकता है—AI बेहतर निर्णय लेने में मदद कर सकता है, दोहराए जाने वाले मैन्युअल कार्यों का स्वचालन करके लागत घटा सकता है, या नए उत्पादों में उपयोग हो सकता है। सफल AI प्रोजेक्ट्स से प्राप्त ऐसा मूल्य हितधारकों को कंपनी की AI क्षमताओं में निवेश करने के लिए राज़ी कर सकता है।
सरल, मूल्यवान और व्यवहार्य प्रोजेक्ट खोजना आसान नहीं है। उपयुक्त प्रोजेक्ट्स खोजने के लिए, Succeeding with AI के लेखक वेल्ज्को क्रुनिच ने निम्नलिखित चरण सुझाए हैं।
- व्यावसायिक समस्याओं की पहचान करें।
- व्यावसायिक समस्याओं के AI समाधान पर विचार-विमर्श करें।
- प्रोजेक्ट की तकनीकी व्यवहार्यता और जटिलता का अनुमान लगाएँ।
- AI प्रोजेक्ट के मूल्य को मापने के लिए व्यावसायिक मैट्रिक्स तय करें।
- व्यावसायिक मैट्रिक्स के आधार पर व्यावसायिक मूल्य का अनुमान लगाएँ।
इन चरणों को लागू करना सिद्धांत में सरल है, पर व्यवहार में सूक्ष्मताओं से भरा। खासकर, व्यावसायिक मैट्रिक्स का चयन तुरंत स्पष्ट नहीं हो सकता। अगला खंड बताता है कि व्यावसायिक मैट्रिक्स कैसे चुने जा सकते हैं।
AI प्रोजेक्ट्स को व्यावसायिक मैट्रिक्स से मापें
AI प्रोजेक्ट का व्यावसायिक मूल्य उपयुक्त व्यावसायिक मैट्रिक्स से मापा जा सकता है। फिर भी, कई AI प्रैक्टिशनर्स के लिए AI सिस्टम के प्रदर्शन को व्यावसायिक मैट्रिक्स से मापना सहज नहीं होता।
मशीन लर्निंग मॉडलों को आम तौर पर ऐसे इवैल्यूएशन मैट्रिक्स से मापा जाता है जो डेटा सेट पर उनकी तकनीकी प्रदर्शन क्षमता को मापते हैं, न कि ऐसे व्यावसायिक मैट्रिक्स से जो बिज़नेस पर उनके मूल्य को मात्रात्मक बनाते हैं। अकादमिक जगत में यह सामान्य प्रथा है, जहाँ मशीन लर्निंग एल्गोरिद्म की प्रगति को परिमाणात्मक, वस्तुनिष्ठ तकनीकी बेंचमार्क्स से जोड़ा जाता है। लेकिन वास्तविक दुनिया में AI सिस्टम सटीकता से आगे बढ़कर राजस्व, लागत और ग्राहक संतुष्टि जैसे ठोस परिणामों से जुड़े होते हैं।
इसलिए, AI सिस्टम के तकनीकी प्रदर्शन को व्यावसायिक मैट्रिक्स से जोड़ने की आवश्यकता है। अक्सर, ऐसे संबंध तुरंत स्पष्ट नहीं होते। एंड्रयू एनजी, जो Google Brain के सह-संस्थापक हैं, के अनुसार, बिज़नेस लीडर्स और AI विशेषज्ञों को सहयोग करना चाहिए और ऐसे व्यावसायिक मैट्रिक पर सहमति बनानी चाहिए जिसका उपयोग AI सिस्टम के प्रदर्शन को मापने और ऑप्टिमाइज़ करने के लिए किया जा सके।
इस प्रक्रिया में, Data Science for Business पुस्तक में प्रस्तावित प्रॉफिट कर्व का उपयोग, व्यावसायिक और तकनीकी मैट्रिक्स के बीच संबंध को मात्रात्मक रूप से स्थापित करने में सहायक हो सकता है। यह तकनीकी प्रगति को व्यावसायिक शब्दों में अनुवादित करता है, जिससे लीडर्स ऐसे प्रश्नों के उत्तर दे सकते हैं जैसे ‘सटीकता में एक प्रतिशत वृद्धि से कितना अधिक राजस्व उत्पन्न होता है?’
चित्र 1: एक प्रॉफिट कर्व का चित्रण जो AI सिस्टम की सटीकता को प्राप्त लाभ से जोड़ता है
AI प्रोजेक्ट का मूल्य कैसे संप्रेषित करें
मशीन लर्निंग प्रैक्टिशनर्स के बीच संचार आमतौर पर मॉडलों के इर्द-गिर्द तकनीकी शब्दावली में होता है, और यह उचित भी है। लेकिन गैर-तकनीकी श्रोताओं के लिए यह समझ में नहीं आता, जो मॉडल की 1% सटीकता बढ़ोतरी की बजाय उसके व्यावसायिक प्रभाव में अधिक रुचि रखते हैं।
AI प्रैक्टिशनर इस गलती से बच सकते हैं यदि वे AI प्रोजेक्ट्स पर अपडेट देते समय लक्षित श्रोताओं को ध्यान में रखें। खासकर, उन्हें समझना चाहिए कि व्यावसायिक हितधारकों के लिए तकनीकी मैट्रिक्स की तुलना में व्यावसायिक मैट्रिक्स में सुधार अधिक प्राथमिकता रखता है। वे डेटा स्टोरीटेलिंग तकनीकों से भी लाभ उठा सकते हैं ताकि समझा सकें कि AI प्रोजेक्ट्स व्यावसायिक मैट्रिक्स में कैसे मदद करते हैं—चाहे वह ग्राहक अनुभव का सुधार हो, रिटेंशन रेट्स में वृद्धि, या लागत में कमी।
AI सिस्टम्स का कार्यान्वयन और मशीन लर्निंग पाइपलाइन्स साथ-साथ चलते हैं
हमने देखा कि AI सिस्टम पारंपरिक सॉफ्टवेयर सिस्टम से कैसे अलग है। विशेष रूप से, AI सिस्टम को प्रोग्रामर द्वारा लॉजिक को स्पष्ट रूप से कोड करने की आवश्यकता नहीं होती क्योंकि यह डेटा से पैटर्न सीख सकता है। ऐसा होने के लिए, पहले ऐसी पाइपलाइन बनानी होती है जो आवश्यक डेटा ले, उसे ट्रांसफॉर्म करे और AI सिस्टम को फीड करे।
इस प्रकार, AI सिस्टम्स केवल मशीन लर्निंग एल्गोरिद्म तक सीमित नहीं होते, बल्कि एक मशीन लर्निंग (ML) पाइपलाइन भी शामिल होती है। यह पाइपलाइन डेटा के आरंभ से अंत तक के प्रवाह का वर्णन करती है—कैसे उसे प्राप्त किया जाता है, परिवर्तित किया जाता है, इस्तेमाल किया जाता है, प्रस्तुत किया जाता है और मॉनिटर किया जाता है।
मशीन लर्निंग पाइपलाइन्स एक बड़े सॉफ्टवेयर सिस्टम का हिस्सा होती हैं। मशीन लर्निंग पाइपलाइन विकसित करने की प्रक्रियाएँ और एक सामान्य सॉफ्टवेयर सिस्टम काफी हद तक समान होते हैं। अन्य बातों के अलावा, कुशल डेटा इंजीनियर्स की आवश्यकता, DevOps जैसी सॉफ्टवेयर डेवलपमेंट प्रक्रियाओं का उपयोग, और सुरक्षा का महत्व—ये सब AI और सॉफ्टवेयर दोनों प्रकार के प्रोजेक्ट्स में समान रूप से महत्वपूर्ण हैं।
यहाँ एक कंप्यूटर विज़न सिस्टम की ML पाइपलाइन का उदाहरण है जो फोन निर्माण प्रक्रिया में विसंगतियों का पता लगाता है। यह सरलीकृत ML पाइपलाइन फ़ोटो का उपयोग करके फोन डिफेक्ट्स का पता लगाती है और क्वालिटी एश्योरेंस टीम के काम को सुगम बनाती है।
चित्र 2: एक फोन निर्माता की सरलीकृत ML पाइपलाइन
इस उदाहरण से स्पष्ट है कि मशीन लर्निंग पाइपलाइन का डिज़ाइन डेटा, एल्गोरिद्म और व्यावसायिक उपयोग के मामले पर अत्यधिक निर्भर होता है। शायद ही कोई एक-आकार-सबके-लिए उपयुक्त पाइपलाइन होती है।
एक पूर्ण पाइपलाइन में डेटा कलेक्शन, फीचर एक्सट्रैक्शन, डेटा वेरिफिकेशन, रिजल्ट मॉनिटरिंग आदि भी शामिल होते हैं, जिससे यह व्यापक और अत्यधिक जटिल बन जाती है, जैसा कि Google के अत्यधिक प्रभावशाली पेपर में कहा गया है। यही कारण है कि आम तौर पर एक मशीन लर्निंग इंजीनियरिंग टीम पाइपलाइन बनाने और बनाए रखने के लिए समर्पित होती है।
शुरू से ही सुदृढ़ ML सिस्टम बनाएं ताकि महँगे बदलावों की ज़रूरत कम हो
मशीन लर्निंग सिस्टम्स की डिप्लॉयमेंट अपेक्षा के अनुरूप नहीं भी जा सकती—संभवतः डेटा में बदलाव, मॉडल की कमजोरी, या पाइपलाइन में किसी दोष के कारण। जब ऐसा होता है, तो सिस्टम में सुधार चाहने वाले प्रैक्टिशनर्स मौजूदा पाइपलाइन में बड़े बदलावों का प्रस्ताव दे सकते हैं, परंतु खेद के साथ पता चलता है कि एक बार लागू होने के बाद मशीन लर्निंग पाइपलाइन्स जल्दी ही बदलावों के प्रति प्रतिरोधी हो जाती हैं।
वेल्ज्को क्रुनिच इस प्रक्रिया को “ML पाइपलाइन्स का कड़े होना (ossification)” कहते हैं। बदलाव की जड़ता, इतने तकनीकी रूप से जटिल प्रोजेक्ट के कोड को संशोधित करने की चुनौतियों से आती है। बिज़नेस टीमें, जिन्हें संचालन पर पाइपलाइन बदलावों के प्रभाव का अंदेशा होता है, वे भी बदलावों का विरोध कर सकती हैं। ऊपर दिए गए चित्र 2 के उदाहरण में, यदि एल्गोरिद्म की असामान्य फोनों को स्वतः फ़्लैग करने की क्षमता बहुत घट जाती है, तो मैन्युअल निरीक्षण के लिए अतिरिक्त जनशक्ति की भर्ती में हफ्तों लग सकते हैं।
कड़े हुए AI प्रोजेक्ट्स में बड़े बदलाव करना महँगा होता है। यदि एक अस्केलेबल प्रूफ़-ऑफ-कॉन्सेप्ट पाइपलाइन को प्रोडक्शन के लिए लागू कर दिया गया है, तो ओवरहॉल आवश्यक हो सकता है। फिर भी, ML पाइपलाइन्स का कड़ा होना कई बार अपरिहार्य होता है।
ऐसे में, AI प्रोजेक्ट्स का प्रबंधन करने वाले संगठनों को शुरू से ही सही पाइपलाइन लागू करने का लक्ष्य रखना चाहिए। मशीन लर्निंग मॉडल ऑपरशनलाइज़ेशन मैनेजमेंट (MLOps) एक उभरता हुआ क्षेत्र है जो संगठनों को यह लक्ष्य हासिल करने में मदद करता है। MLOps टूल्स और प्रथाएँ एक एंड-टू-एंड मशीन लर्निंग विकास प्रक्रिया प्रदान करती हैं ताकि पुनरुत्पाद्य, परीक्षणयोग्य और पुनरावृत्त ML संचालित सॉफ्टवेयर को डिज़ाइन, निर्माण और प्रबंधित किया जा सके। यह डेटा टीमों को अपनी ML पाइपलाइन्स के लिए कंटिन्युअस इंटीग्रेशन और कंटिन्युअस डिलीवरी लागू करने, डेटा ड्रिफ्ट्स की निगरानी करने, और अपनी पाइपलाइन्स की व्याख्येयता बनाए रखने में सक्षम बनाता है।
अपनी टीम की क्षमता का निर्माण करें ताकि AI प्रोजेक्ट्स को प्रभावी ढंग से प्रबंधित किया जा सके
AI प्रोजेक्ट का प्रबंधन आसान काम नहीं है। किसी संगठन को AI प्रोजेक्ट्स बनाने के लिए केवल सही तकनीकी प्रतिभा से अधिक की आवश्यकता होती है। AI को अपनाने के लिए व्यापक डेटा संस्कृति और मजबूत डेटा साक्षरता भी चाहिए। जैसे AI प्रोजेक्ट्स लागू करने में समय लगता है, वैसे ही डेटा साक्षरता सिखाने वाले कार्यक्रम भी लम्बे होते हैं।
यहीं पर DataCamp for Business मदद कर सकता है—ऐसी कंपनियों के लिए इंटरैक्टिव लर्निंग प्लेटफ़ॉर्म प्रदान करके जिन्हें अपने लोगों को डेटा स्किल्स में अपस्किल और रिस्किल करना है। डेटा इंजीनियरिंग से लेकर मशीन लर्निंग तक के विषयों के साथ, 1,600 से अधिक कंपनियाँ अपने टैलेंट को अपस्किल करने के लिए DataCamp for Business पर भरोसा करती हैं।
क्या आप अपनी टीम की डेटा क्षमताओं को लेकर आश्वस्त नहीं हैं? हमारा डेटा मैच्योरिटी असेसमेंट लें।