AI Strategy: How to Choose What AI Product to Implement
यह शोध पत्र अपेक्षित आरओआई (eROI) ढांचे को प्रस्तुत करता है, जो फर्मों को प्रत्येक विचार के संभावित मूल्य, सफलता की संभावना और कार्यान्वयन लागत का अलग-अलग मूल्यांकन करके उच्च-क्षमता वाले दांवों का एक मजबूत पोर्टफोलियो बनाने में मदद करता है, जिससे वे एआई प्रोजेक्ट चयन की अनिश्चितता पर विजय पा सकें।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक विशाल अंतरिक्ष यान के कप्तान हैं, और आपके पास ईंधन की सीमित आपूर्ति है। आपको यह तय करना है कि किन दूर स्थित ग्रहों की यात्रा करनी है। कुछ ग्रह अपने रडार पर चमकदार और आशाजनक दिख रहे हैं, जबकि कुछ रहस्यमय और संभावित रूप से खतरनाक लग रहे हैं। व्यवसाय की दुनिया में, यह "ईंधन" पैसा और समय है, और "ग्रह" नए प्रोजेक्ट्स हैं। लंबे समय से, आर्टिफिशियल इंटेलिजेंस (AI) का उपयोग करने वाली कंपनियाँ उन कप्तानों की तरह रही हैं जो यह अनुमान लगाने की कोशिश करती हैं कि किस ग्रह पर जाना है, केवल इस आधार पर कि वह ग्रह कितना शानदार दिखता है, बजाय इसके कि वे यह जाँच सकें कि क्या वे वास्तव में वहाँ उतर सकते हैं या क्या वहां की यात्रा करना सार्थक भी है। यह शोध पत्र ठीक इसी समस्या में गहराई से उतरता है: आप किस AI प्रोजेक्ट को बनाने का निर्णय कैसे लें जब आप 100% सुनिश्चित नहीं हो सकते कि वह काम करेगा या नहीं? लेखक एक नया सोचने का तरीका पेश करते हैं जिसे "eROI" (एक्सपेक्टेड रिटर्न ऑन इन्वेस्टमेंट) कहा जाता है। लाभ के लिए किसी एक जादुई संख्या का अनुमान लगाने के बजाय, वे सुझाव देते हैं कि निर्णय को तीन सरल प्रश्नों में विभाजित किया जाए: यदि यह सफल रहा तो हम कितना पैसा कमाएंगे? इसके सफल होने की कितनी संभावना है? और इसे बनाने की लागत कितनी होगी? यह डॉक छोड़ने से पहले ही एक नक्शा, मौसम की रिपोर्ट और बजट की जांच करने जैसा है।
लेखक, जो व्यवसाय और डेटा विज्ञान के विशेषज्ञ हैं, उनका तर्क है कि अधिकांश कंपनियाँ AI में इसलिए विफल होती हैं क्योंकि उनकी तकनीक बहुत कठिन नहीं है, बल्कि इसलिए कि वे शुरू करने के लिए गलत प्रोजेक्ट चुनती हैं। वे एक फ्रेमवर्क प्रस्तावित करते हैं जिसे eROI (एक्सपेक्टेड रिटर्न ऑन इन्वेस्टमेंट) कहा जाता है ताकि लीडर्स को सैकड़ों विचारों में से विजेताओं को चुनने में मदद मिल सके। इसका मूल विचार सरल लेकिन शक्तिशाली है: सब कुछ एक भ्रमित करने वाली संख्या में मिलाने की कोशिश करना बंद करें। इसके बजाय, अपने निर्णय को तीन अलग-अलग स्तंभों में विभाजित करें।
पहला, पूछें: "यदि यह सफल रहा तो यह कितना मूल्यवान होगा?" यह केवल तत्काल नकदी के बारे में नहीं है; यह इस बारे में है कि क्या प्रोजेक्ट कंपनी के बड़े लक्ष्यों के अनुकूल है, क्या यह भविष्य के लिए नए डेटा एसेट्स बनाता है, या क्या यह टीम को कुछ नया सिखाता है।
दूसरा, पूछें: "इसके सफल होने की कितनी संभावना है?" यह पेचीदा हिस्सा है। AI वैज्ञानिक अनिश्चितता से भरा हुआ है। सिर्फ इसलिए कि आपके पास डेटा है, इसका मतलब यह नहीं है कि कंप्यूटर पैटर्न को समझ पाएगा। लेखक इसे चार जाँचों में विभाजित करते हैं: क्या ग्राहक इसका उपयोग करेंगे? क्या हमारे इंजीनियर इसे बना सकते हैं? क्या हमारे पास सही डेटा है? और सबसे महत्वपूर्ण बात, क्या विज्ञान वास्तव में संभव है? यदि इनमें से किसी का भी उत्तर "शायद नहीं" है, तो पूरा प्रोजेक्ट जोखिम भरा है।
तीसरा, पूछें: "इसकी लागत क्या होगी?" इसमें केवल सॉफ्टवेयर की कीमत शामिल नहीं है। इसमें आपकी टीम द्वारा बिताया गया समय, नया डेटा खरीदने की लागत, और इस नए टूल को आपकी मौजूदा दैनिक दिनचर्या में फिट करने की कड़ी मेहनत भी शामिल है।
इसे समझाने के लिए, लेखक एक रियल एस्टेट कंपनी 'कॉम्पस' (Compass) की कहानी बताते हैं। उन्होंने तीन अलग-अलग AI विचारों को देखा जिन पर कंपनी विचार कर रही थी:
"जल्द बिकने वाला" (Likely-to-Sell) टूल: यह एक ऐसा सिस्टम था जो एक एजेंट की संपर्क सूची को देखता था और उन लोगों को चिह्नित करता था जिनके घर जल्द ही बिक्री के लिए रखे जाने की सबसे अधिक संभावना थी।
- निर्णय: यह एक बड़ी सफलता थी। यह बहुत उच्च मूल्य (Very High Value) वाला था क्योंकि इसने सीधे तौर पर एजेंटों को अधिक बिक्री करने में मदद की। इसकी सफलता की संभावना (Likelihood of Success) उच्च थी क्योंकि डेटा स्पष्ट था और विज्ञान सीधा था। इसकी लागत (Cost) मध्यम थी क्योंकि टीम के पास इसे बनाने के लिए पहले से ही उपकरण मौजूद थे।
- परिणाम: कंपनी ने इसे बनाया, और इसने अंततः सैकड़ों मिलियन डॉलर का अतिरिक्त राजस्व उत्पन्न किया।
"मार्केट में रहने का समय" (Time-on-Market) टूल: यह एक फैंसी कैलकुलेटर था जो यह अनुमान लगाने की कोशिश करता था कि एक विशिष्ट कीमत पर घर बाजार में ठीक कितना समय तक रहेगा।
- निर्णय: यह एक जाल था। हालांकि कागजों पर यह उच्च मूल्य (High Value) वाला दिखता था, लेकिन इसकी सफलता की संभावना (Likelihood of Success) कम थी। क्यों? क्योंकि इसके पीछे का विज्ञान टूटा हुआ था। यह अनुमान लगाने के लिए कि कीमत कारण बनती है कि घर तेजी से बिकेगा, आपको यह जानना होगा कि यदि कीमत अलग होती तो क्या होता। लेकिन आप वास्तविक जीवन में उस "क्या होता अगर" वाले परिदृश्य को कभी देख नहीं सकते। लेखक इसे एक "कॉज़ल" (causal) समस्या कहते हैं, और विशेष प्रयोगों के बिना, AI इसे हल नहीं कर सकता था।
- परिणाम: कंपनी ने बुद्धिमानी से इस विचार को स्थगित कर दिया। इसे बनाना पैसे की बर्बादी होती क्योंकि विज्ञान अभी तक वहां तक नहीं पहुँचा था।
"रिनोवेशन विज़ुअलाइज़ेशन" (Renovation Visualization) टूल: यह एक जेनेरेटिव AI टूल था जो एक पुरानी रसोई की फोटो लेगा और दिखाएगा कि नवीनीकरण के बाद वह कैसी दिखेगी।
- निर्णय: यह एक "शायद" था। इसका मूल्य (Value) कम से मध्यम था क्योंकि इसे करने के अन्य सस्ते तरीके (जैसे वर्चुअल स्टेजिंग) पहले से मौजूद थे। इसकी संभावना (Likelihood) मध्यम थी क्योंकि AI कुछ अजीब गलतियाँ कर सकता था जिससे खरीदार नाराज हो सकते थे। इसकी लागत (Cost) मध्यम थी।
- परिणाम: भले ही यह सुनने में बहुत कूल लगा और इसमें नवीनतम "जेनेरेटिव AI" शब्द का उपयोग किया गया था, लेकिन गणित मेल नहीं खा रहा था। कंपनी ने इसका एक संस्करण बनाया, लेकिन यह सफल नहीं हुआ क्योंकि लाभ की तुलना में त्रुटियों का जोखिम बहुत अधिक था।
शोध पत्र सुझाव देता है कि सफलता का रहस्य केवल एक महान विचार या सबसे स्मार्ट इंजीनियर होना नहीं है। यह पोर्टफोलियो (ब शेयरों का समूह) रखने के बारे में है। आप अपना सारा ईंधन एक ही "सर्वश्रेष्ठ" प्रोजेक्ट में नहीं लगाते हैं। इसके बजाय, आप कुछ पक्के कामों (Quick Wins), कुछ बड़े जोखिम भरे सपनों (Moonshots), और कुछ रिसर्च प्रोजेक्ट्स का मिश्रण करते हैं ताकि यह पता चल सके कि क्या वे बड़े सपने वास्तव में संभव हैं।
लेखक सावधानी बरतते हुए कहते हैं कि इस उपयोग के लिए आपको सटीक गणित की आवश्यकता नहीं है। आपको प्रत्येक तीन स्तंभों के लिए सटीक लाभ तक की गणना करने की आवश्यकता नहीं है। आपको बस प्रत्येक स्तंभ के लिए "कम," "मध्यम," "उच्च," या "बहुत उच्च" जैसी सरल रेटिंग का उपयोग करने की आवश्यकता है। यह टीमों को इस बात पर बहस करने से रोकता है कि कोई प्रोजेक्ट "अच्छा" है या "बुरा" और उन्हें यह समझने के बारे में वास्तविक बातचीत करने में मदद करता है कि वह क्यों विफल या सफल हो सकता है।
अंत में, यह शोध पत्र हमें सिखाता है कि एक AI प्रोजेक्ट चुनना एक रोड ट्रिप की योजना बनाने जैसा है। आप केवल सुंदर तस्वीर वाले गंतव्य को ही नहीं चुन सकते। आपको यह भी जांचना होगा कि क्या कार सड़क को संभाल सकती है (तकनीकी निश्चितता), क्या आपके पास पर्याप्त गैस है (निवेश), और क्या गंतव्य वास्तव में उस यात्रा के लायक है (मूल्य)। इन प्रश्नों को अलग करके, कंपनियाँ उन प्रोजेक्ट्स पर पैसा बर्बाद करना बंद कर सकती हैं जो अच्छे दिखते हैं लेकिन जिन्हें बनाना असंभव है, और उन प्रोजेक्ट्स को फंड करना शुरू कर सकती हैं जो वास्तव में खेल बदल देंगे।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।