बुनियादी ढांचा कम्पनियों को जनरेटिव एआई से लाभ कब मिलेगा?

जनरेटिव एआई की स्थिति के बारे में अभी बहुत सारे सवाल घूम रहे हैं। कंपनियां अपने खास जेनएआई प्रयासों में कितनी आगे हैं? क्या संगठन वास्तव में अपने खुद के स्वामित्व वाले डेटा का उपयोग करके ऐसे एआई एप्लिकेशन बना रहे हैं जो सुई को आगे बढ़ा सकें? किस तरह की वास्तुकला की आवश्यकता है?

ये प्रश्न आश्चर्यजनक नहीं हैं - एआई के बारे में लोगों की राय बहुत व्यापक है, जिसमें असीम आशावाद से लेकर क्षीण संदेहवाद तक, तथा बहुत अधिक प्रचार भी शामिल है।

मैंने पाया है कि यह तीन क्षेत्रों में GenAI बाज़ार की स्थिति को स्पष्ट करने में मदद करता है: बाज़ार क्या देखना चाहता है, क्या हो सकता है इसके बारे में आशंकाएँ, और 2024 में क्या होगा (और कैसे)।

हर कोई क्या चाहता है - और वे किससे डरते हैं?

GenAI 2022 के आखिर में तब चर्चा में आया जब OpenAI ने ChatGPT जारी किया और दिखाया कि इस तरह की तकनीक कितनी शक्तिशाली और सुलभ हो सकती है। AI के संभावित लाभ के बारे में हर जगह उत्साह था। कुछ ही समय में, GenAI को हर उद्यम में हर एप्लिकेशन में शामिल किया जाने वाला था। निवेशकों ने GenAI को सपोर्ट करने के लिए इंफ्रास्ट्रक्चर प्रदान करने वाली कंपनियों के लिए हॉकी-स्टिक जैसी ग्रोथ कर्व की कल्पना की।

दूसरी ओर, नकारात्मक लोगों ने एक डायस्टोपियन एआई भविष्य की कल्पना की जो "वेस्टवर्ल्ड" और "ब्लैक मिरर" के बीच का मिश्रण है। अन्य लोग एआई बुलबुले की चेतावनी देते हैं । निवेश के दृष्टिकोण से, कुछ लोग कहते हैं कि यह फिर से क्रिप्टो की तरह है - बहुत उत्साह और प्रचार, और फिर एक धुआँधार गड्ढा।

मुझे लगता है कि ये दोनों ही आशंकाएँ निराधार हैं। निश्चित रूप से, हर नई प्रौद्योगिकी लहर के साथ, GenAI का गलत कारणों से उपयोग करने वाले बुरे लोग होंगे। और GenAI की संभावनाओं के बारे में उत्साह हर जगह है; इसमें एक "बुलबुला" जैसा एहसास है, और यह क्रिप्टो चर्चा से भी अधिक तीव्र हो सकता है।

लेकिन GenAI और क्रिप्टो के बीच बड़ा अंतर यह है कि संगठनों और उद्योगों में पूर्व के लिए कई, कई वास्तविक उपयोग के मामले हैं। क्रिप्टो में, एक मजबूत उपयोग का मामला था: अविश्वसनीय पक्षों (उर्फ मनी लॉन्ड्रिंग) के बीच वित्तीय लेनदेन। यह कुछ ऐसा है जिसमें मुख्यधारा की उतनी दिलचस्पी नहीं है।

अभी, GenAI अनुप्रयोगों के लिए स्थिति मुझे 1990 के दशक के अंत में ई-कॉमर्स की याद दिलाती है , जब कंपनियाँ यह पता लगाने की कोशिश कर रही थीं कि इंटरनेट पर क्रेडिट कार्ड का उपयोग करना कैसे सुरक्षित बनाया जाए। संगठनों को यह पता लगाने में थोड़ा समय लगा कि इसे सुरक्षित तरीके से कैसे किया जाए, लेकिन एक बार जब उन्होंने ऐसा कर लिया, तो अचानक सभी के पास एक ई-कॉमर्स साइट थी।

GenAI में मैं अभी जो समानता देख रहा हूँ: यह कैसे सुनिश्चित किया जाए कि भाषा मॉडल भ्रम पैदा करके गलत प्रतिक्रिया न दें। अच्छी खबर? इसका पता लगा लिया गया है ( पुनर्प्राप्ति-संवर्धित पीढ़ी , या RAG के लिए धन्यवाद; इसके बारे में नीचे और अधिक जानकारी दी गई है)।

हम अभी कहां हैं और कहां जा रहे हैं?

पिछले साल हमने जो कुछ देखा, वह जेनएआई प्रोजेक्ट्स की अवधारणा के प्रमाण थे: कंपनी के नेतृत्व को यह दिखाने के लिए ऐप कि क्या संभव है। लेकिन बहुत कम कंपनियाँ इससे आगे बढ़कर ऐसे एप्लिकेशन बनाने में सफल रही हैं जो पूर्ण उत्पादन में हैं। "उत्पादन" से मेरा मतलब है कि किसी संगठन के पास एक एआई एप्लिकेशन है जिसका उपयोग ग्राहकों या कर्मचारियों द्वारा गैर-प्रोटोटाइप तरीके से किया जा रहा है।

दूसरे शब्दों में, यह व्यवसाय संचालन के कुछ खंडों में गतिविधियों के नियमित भाग के रूप में उपलब्ध है। यह फ्रंट ऑफिस हो सकता है, यह ग्राहक सेवा के लिए कॉल के पीछे की बात हो सकती है, लेकिन यह व्यवसाय के मुख्यधारा वाले हिस्से के करीब है।

वॉलमार्ट इसका एक अच्छा प्रारंभिक उदाहरण है। रिटेलर ने जनवरी में घोषणा की कि उसने अपने शॉपिंग ऐप में GenAI-संचालित खोज को जोड़ा है। Apple कथित तौर पर अपने कर्मचारियों को तेज़ तकनीकी सहायता प्रदान करने में मदद करने के लिए GenAI टूल का परीक्षण कर रहा है। जब तक हम इस तरह के और उदाहरण नहीं देखते, तब तक GenAI गार्टनर द्वारा कहे जाने वाले " हाइप साइकिल " के शुरुआती चरण में थोड़ा और समय बिताने वाला है।

वोक्सवैगन ने हाल ही में अपने ऑटोमोबाइल के लिए नेविगेशन और इन्फोटेनमेंट अनुप्रयोगों हेतु GenAI ऐप विकसित करने हेतु एक इन-हाउस लैब की घोषणा की है।

ऐसा कहा जाता है कि हम “उत्पादकता के पठार” तक पहुँचने से उतने दूर नहीं हैं जितना कुछ लोग सोच सकते हैं। जैसा कि मैंने पहले उल्लेख किया है, मॉडल के आउटपुट पर भरोसा करना उन संगठनों के लिए एक बाधा रहा है जो अभी भी इस बात से जूझ रहे हैं कि मतिभ्रम को कम करके प्रासंगिक और सटीक बड़े भाषा मॉडल (एलएलएम) प्रतिक्रियाओं का उत्पादन कैसे किया जाए।

RAG, जो अन्य स्रोतों से वास्तविक समय में अतिरिक्त डेटा या संदर्भ के साथ मॉडल प्रदान करता है - सबसे अधिक बार, एक डेटाबेस जो वैक्टर को संग्रहीत कर सकता है - अब इस समस्या को हल करने में मदद करने के लिए उपयोग किया जा रहा है। यह प्रौद्योगिकी उन्नति संगठनों की सबसे मूल्यवान संपत्ति: उनके स्वयं के डेटा पर निर्मित डोमेन-विशिष्ट, बेस्पोक GenAI अनुप्रयोगों को विकसित करने की कुंजी है।

जबकि RAG GenAI अनुप्रयोगों में एंटरप्राइज़ संदर्भ प्राप्त करने के लिए वास्तविक विधि के रूप में उभरा है, फ़ाइन-ट्यूनिंग - जब एक पूर्व-प्रशिक्षित मॉडल को डेटा के सबसेट पर आगे प्रशिक्षित किया जाता है - का भी अक्सर उल्लेख किया जाता है। ऐसे समय होते हैं जब यह विधि उपयोगी हो सकती है , लेकिन अगर गोपनीयता, सुरक्षा या गति के लिए कोई चिंता है तो RAG सही विकल्प है।

इस बात पर ध्यान दिए बिना कि एप्लिकेशन में संदर्भ को कैसे जोड़ा गया है, जिन निवेशकों के साथ मैं बात करता हूं, उनसे मुझे अक्सर एक बड़ा सवाल मिलता है कि कंपनियां GenAI ऐप्स से पैसा कब कमाना शुरू करेंगी?

मेरा जवाब: आप जिन उद्यमों पर नज़र रखते हैं, उनमें से ज़्यादातर उपभोग-आधारित व्यवसाय हैं। कई अब प्रयोगों, अवधारणा के प्रमाण (POCs) और अपने ग्राहकों द्वारा बनाए गए खास ऐप का समर्थन कर रहे हैं; वे उपभोग के मामले में ज़्यादा कुछ नहीं करते हैं।

लेकिन यह बदलाव शुरू हो रहा है क्योंकि प्रमुख AI अनुप्रयोग POC से वास्तविक उत्पादन में जाने लगे हैं। मेरा अनुमान है कि यह 2024 के अंत तक महत्वपूर्ण तरीके से होने जा रहा है। यह 2024 की दूसरी छमाही में दो स्थानों पर शुरू होकर फलित होगा।

सबसे पहले, यह खुदरा क्षेत्र में अपनी पकड़ बना रहा है (पहले उल्लेखित वॉलमार्ट उदाहरण देखें)। आप इसे "एआई इंट्रानेट" क्षेत्र में भी व्यापक रूप से अपनाते हुए देखेंगे: पीडीएफ, नॉलेज बेस और आंतरिक कॉल सेंटर के साथ चैट।

इस तरह के ऐप की खपत को देखते हुए, माइक्रोसॉफ्ट , गूगल और यहां तक कि ओरेकल जैसी कंपनियां एआई से होने वाले परिणामों की रिपोर्ट करना शुरू कर रही हैं। हाइपरस्केलर्स के दायरे से बाहर, अन्य एआई इंफ्रास्ट्रक्चर कंपनियां अगले साल जनवरी, फरवरी और मार्च में जारी होने वाली आय रिपोर्ट में वृद्धि को उजागर करना शुरू कर देंगी।

GenAI अनुप्रयोगों के लिए उत्पादन का मार्ग

उपभोग-आधारित AI इंफ्रास्ट्रक्चर कंपनियों के लिए पहले से ही आधार तैयार किया जा चुका है। हमने पहले से ही मजबूत, व्यावसायिक प्रमाण बिंदु देखे हैं जो दिखाते हैं कि डोमेन-विशिष्ट, बेस्पोक अनुप्रयोगों के बड़े आधार के लिए क्या संभव है। क्रिएटिव AI ऐप्स से - मिडजर्नी, एडोब फायरफ्लाई और अन्य इमेज जेनरेटर, उदाहरण के लिए - GitHub Copilot ( 1 मिलियन से अधिक डेवलपर्स इसका उपयोग करते हैं ), ग्लेन और अन्य जैसे ज्ञान ऐप तक, इन अनुप्रयोगों को बहुत अधिक अपनाया गया है और महत्वपूर्ण उत्पादकता लाभ हुआ है।

कस्टम ऐप्स पर प्रगति उन उद्योगों और उपयोग मामलों में सबसे उन्नत है, जिन्हें बातचीत के बिंदु तक ज्ञान पहुंचाने की सुविधा की आवश्यकता है। ज्ञान उनके अपने डेटा से आएगा, ऑफ-द-शेल्फ मॉडल (या तो ओपन सोर्स या मालिकाना), आरएजी और उनकी पसंद के क्लाउड प्रदाता का उपयोग करके।

उद्यमों के लिए विशिष्ट GenAI ऐप्स बनाने के लिए तीन तत्वों की आवश्यकता होती है जो उत्पादन पैमाने पर कार्य करने की कठिनाइयों के लिए तैयार हों: स्मार्ट संदर्भ, प्रासंगिकता और मापनीयता।

स्मार्ट संदर्भ

आइए एक त्वरित नज़र डालें कि GenAI अनुप्रयोगों में उपयोगी, प्रासंगिक और सटीक प्रतिक्रियाएं उत्पन्न करने के लिए मालिकाना डेटा का उपयोग कैसे किया जाता है।

अनुप्रयोग सभी प्रकार के डेटा के रूप में उपयोगकर्ता इनपुट लेते हैं और इसे एक एम्बेडिंग इंजन में फीड करते हैं, जो अनिवार्य रूप से डेटा से अर्थ निकालता है, RAG का उपयोग करके वेक्टर डेटाबेस से जानकारी प्राप्त करता है, और "स्मार्ट संदर्भ" का निर्माण करता है जिसका उपयोग LLM एक प्रासंगिक, भ्रम-मुक्त प्रतिक्रिया उत्पन्न करने के लिए कर सकता है जो वास्तविक समय में उपयोगकर्ता को प्रस्तुत की जाती है।

प्रासंगिकता

यह ऐसा विषय नहीं है जिसके बारे में आप ऑपरेशनल डेटाबेस कंपनियों में ज़्यादा सुनते हैं। लेकिन AI और वेक्टर डेटाबेस के क्षेत्र में, प्रासंगिकता याद और सटीकता का मिश्रण है जो उपयोगी, सटीक, गैर-भ्रमकारी प्रतिक्रियाएँ तैयार करने के लिए महत्वपूर्ण है।

पारंपरिक डेटाबेस संचालन के विपरीत, वेक्टर डेटाबेस अर्थपूर्ण या समानता खोज को सक्षम करते हैं, जो प्रकृति में गैर-निर्धारक है। इस वजह से, एक ही क्वेरी के लिए लौटाए गए परिणाम संदर्भ और खोज प्रक्रिया को निष्पादित करने के तरीके के आधार पर भिन्न हो सकते हैं। यह वह जगह है जहाँ सटीकता और प्रासंगिकता वास्तविक दुनिया के अनुप्रयोगों में वेक्टर डेटाबेस के संचालन में महत्वपूर्ण भूमिका निभाती है। प्राकृतिक अंतःक्रिया के लिए आवश्यक है कि समानता खोज पर लौटाए गए परिणाम सटीक और अनुरोधित क्वेरी के लिए प्रासंगिक हों।

अनुमापकता

GenAI ऐप जो POC से आगे बढ़कर उत्पादन में जाते हैं, उन्हें उच्च थ्रूपुट की आवश्यकता होती है। थ्रूपुट अनिवार्य रूप से डेटा की वह मात्रा है जिसे किसी निश्चित समय में संग्रहीत, एक्सेस या पुनर्प्राप्त किया जा सकता है। उच्च थ्रूपुट बड़े पैमाने पर वास्तविक समय, इंटरैक्टिव, डेटा-गहन सुविधाएँ प्रदान करने के लिए महत्वपूर्ण है; लेखन में अक्सर कई स्रोतों से अरबों वेक्टर शामिल होते हैं, और GenAI एप्लिकेशन प्रति सेकंड भारी मात्रा में अनुरोध उत्पन्न कर सकते हैं।

ऊपर लपेटकर

प्रौद्योगिकी नवाचार की पिछली लहरों की तरह, GenAI एक स्थापित पैटर्न का अनुसरण कर रहा है, और सभी संकेत इस ओर इशारा करते हैं कि यह पिछली तकनीकी क्रांतियों की तुलना में और भी तेज़ी से आगे बढ़ रहा है। यदि आप इसके बारे में सभी नकारात्मक और सकारात्मक प्रचार को हटा दें, तो यह स्पष्ट है कि अपने POC GenAI ऐप्स को उत्पादन में ले जाने के लिए काम करने वाली कंपनियों द्वारा आशाजनक प्रगति की जा रही है।

और मेरी नियोक्ता कंपनी डेटास्टैक्स जैसी कंपनियां, जो इन ऐप्स के लिए स्केलेबल, निर्माण में आसान आधार प्रदान करती हैं, उन्हें अपने ग्राहकों के उपभोग का लाभ कुछ लोगों की अपेक्षा से भी पहले दिखाई देने लगेगा।

एड एनफ, डेटास्टैक्स द्वारा

इस बारे में अधिक जानें कि डेटास्टैक्स किस प्रकार ग्राहकों को अपने GenAI ऐप्स को उत्पादन में लाने में सक्षम बनाता है ।