Adoption Telemetry: Measuring Enterprise AI Adoption from Production Signals
यह शोध पत्र "अडॉप्शन टेलीमेट्री" (adoption telemetry) प्रस्तुत करता है, जो एक ढांचा और ओपन-सोर्स कार्यान्वयन (NANTE) है, जो उत्पादन उपयोग संकेतों (production usage signals) को परिवर्तन-प्रबंधन के पांच-चरणीय प्रगति क्रम में मैप करके उद्यम एआई (enterprise AI) अपनाने को मापता है, जबकि स्पष्ट रूप से इसकी सीमाओं को भविष्य के अनुभवजन्य सत्यापन के लिए परीक्षण योग्य रचनाओं (testable constructs) के रूप में रूपरेखाबद्ध करता है।
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
आधुनिक कार्यस्थल में, एक शांत विरोधाभास घर कर गया है। कंपनियों ने कार्यों को स्वचालित करने और काम करने के तरीके को नया रूप देने की आशा में आर्टिफिशियल इंटेलिजेंस (AI) टूल्स स्थापित करने की जल्दी की है। फिर भी, लगभग सार्वभौमिक तैनाती के बावजूद, परिणाम निराशाजनक रहे हैं। अध्ययन बताते हैं कि इनमें से अधिकांश परियोजनाएं मापने योग्य वित्तीय मूल्य प्रदान करने में विफल रहती हैं, और कई को पूरी तरह से छोड़ दिया जाता है। विशेषज्ञों का आम सहमति यह है कि तकनीक स्वयं समस्या नहीं है; मशीनें डिज़ाइन के अनुसार काम करती हैं। विफलता मानवीय तत्व में निहित है: संगठन इस बात को बदलने के लिए संघर्ष करते हैं कि उनके कर्मचारी वास्तव में अपना काम कैसे करते हैं। वे इस अंतर को नहीं पहचान पाते कि एक टीम जिसने केवल एक नया टूल आज़माया है और एक ऐसी टीम जिसने इसके इर्द-गिर्द अपनी दैनिक दिनचर्या को मौलिक रूप से पुनर्गठित किया है, के बीच क्या अंतर है। वर्तमान मापन उपकरण इस अंतर के प्रति अंधे हैं। वे गिन सकते हैं कि कितने लोगों ने बटन क्लिक किया या कितनी बार एक सिस्टम खोला गया, लेकिन वे यह नहीं देख सकते कि क्या स्वयं कार्य बदल गया है। यह अंतराल लीडर्स को अनुमान लगाने पर मजबूर कर देता है, जिससे वे यह समझने में असमर्थ हो जाते हैं कि अडॉप्शन (अपनाने की प्रक्रिया) क्यों रुक रही है या इसे कैसे ठीक किया जाए।
"अडॉप्शन टेलीमेट्री" (Adoption Telemetry) नामक एक नया दृष्टिकोण इसे एक दृश्य और मापने योग्य चीज़ बनाकर हल करने का प्रयास करता है। सर्वेक्षणों या सरल गतिविधि गणनाओं पर निर्भर रहने के बजाय, यह विधि अडॉप्शन को एक इंजीनियरिंग समस्या के रूप में देखती है। यह प्रस्तावित करता है कि संगठन यह समझ सकते हैं कि उनके लोग AI के प्रति कैसे अनुकूलित हो रहे हैं, इसके लिए उन डिजिटल पदचिह्नों का विश्लेषण करके जिनका वे रोज़ाना उपयोग किए जाने वाले सिस्टम में निशान छोड़ते हैं। इस कार्य के पीछे के शोधकर्ताओं ने, जिसका नेतृत्व डेमन ए. यंग (Damon A. Young) कर रहे हैं, एक ढांचा तैयार किया है जो इन उत्पादन संकेतों को पढ़ता है—जैसे कि टूल का कितनी बार उपयोग किया जाता है, एक सत्र (session) कितनी देर चलता है, और क्या कार्य सफलतापूर्वक पूरे हुए—और उन्हें परिवर्तन के विशिष्ट चरणों के साथ जोड़ता है। लक्ष्य केवल उपयोग को गिनना नहीं है, बल्कि सटीक रूप से यह पता लगाना है कि कर्मचारियों का एक समूह टूल के अस्तित्व को जानने से लेकर उसे अपने दैनिक कार्य का अभिन्न हिस्सा बनाने की यात्रा में कहाँ फंस जाता है।
इस नए ढांचे का मूल एक पांच-चरणीय मॉडल है जिसे NANTE कहा जाता है, जिसका अर्थ है: Notice (ध्यान देना), Attempt (प्रयास करना), Navigate (नेविगेट करना), Transform (परिवर्तित करना), और Embed (स्थापित करना)। प्रत्येक चरण एक व्यक्ति के नए क्षमता के साथ संबंध के एक विशिष्ट मील के पत्थर का प्रतिनिधित्व करता है। पहले तीन चरण—Notice, Attempt, और Navigate—व्यापकता (breadth) को मापते हैं। वे ट्रैक करते हैं कि क्या लोग जानते हैं कि टूल मौजूद है, क्या उन्होंने कम से कम एक बार इसे आज़माया है, और क्या वे बार-बार उपयोग करने के लिए वापस आए हैं। अंतिम दो चरण—Transform और Embed—गहराई (depth) को मापते हैं। यहाँ वास्तविक परिवर्तन होता है। "Transform" का अर्थ है कि टूल जटिल, बहु-चरणीय वर्कफ़्लो का हिस्सा बन गया है और वास्तविक कार्य पूरा करने के लिए इसका सफलतापूर्वक उपयोग किया जा रहा है। "Embed" का अर्थ है कि एकीकरण इतना गहरा है कि टूल को हटाने से टीम का आउटपुट बाधित हो जाएगा। शोधकर्ताओं ने पाया कि अधिकांश संगठन तीसरे और चौथे चरण के बीच की सीमा पर ही फंस जाते हैं। लोग टूल्स का उपयोग तो कर रहे हैं, लेकिन वे अपनी कार्य आदतों को नहीं बदल रहे हैं। यह नया सिस्टम इस विशिष्ट बाधा (cliff) को दृश्यमान बनाने के लिए डिज़ाइन किया गया है, जो एक ऐसी टीम के बीच अंतर करता है जो केवल अन्वेषण कर रही है और एक ऐसी टीम के बीच जिसने वास्तव में तकनीक को एकीकृत किया है।
यह परीक्षण करने के लिए कि क्या यह विचार काम करता है, शोधकर्ताओं ने एक ओपन-सोर्स टूलकिट बनाया और कृत्रिम आबादी (simulated populations) की एक श्रृंखला बनाई ताकि यह देखा जा सके कि क्या सिस्टम विभिन्न प्रकार की अडॉप्शन विफलताओं की सही पहचान कर सकता है। उन्होंने छह अलग-अलग परिदृश्य डिज़ाइन किए: एक स्वस्थ समूह जिसने टूल को सफलतापूर्वक अपनाया, और पांच समूह जो अडॉप्शन के विफल होने के सामान्य तरीकों का प्रतिनिधित्व करते हैं। इन विफलताओं में वे टीमें शामिल थीं जिन्होंने टूल को आज़माया लेकिन कभी गहराई तक नहीं गईं, वे टीमें जो टूल के बारे में जानती थीं लेकिन कभी शुरू नहीं हुईं, वे टीमें जिन्होंने इसका बार-बार उपयोग किया लेकिन कार्यों में विफल रहीं, और वे टीमें जहाँ केवल कुछ "चैंपियंस" ने टूल का उपयोग किया जबकि बाकी ने नहीं किया। सिमुलेशन के परिणामों ने दिखाया कि सिस्टम इन समूहों के बीच यांत्रिक रूप से अंतर कर सकता है। उदाहरण के लिए, यह एक स्वस्थ टीम और एक "शैलो प्लेटो" (उथले पठार) वाली टीम के बीच अंतर कर सकता है। एक मानक उपयोग डैशबोर्ड पर, दोनों समूह समान दिख सकते हैं क्योंकि दोनों में सक्रिय उपयोगकर्ताओं की संख्या अधिक होती है। हालाँकि, नया सिस्टम देख सकता है कि स्वस्थ टीम वर्कफ़्लो एकीकरण के गहरे चरणों में चली गई थी, जबकि दूसरी टीम सतह के स्तर पर ही रुक गई थी। इसने यह भी सही ढंग से पहचाना कि एक टीम कौशल की कमी के कारण विफल हो रही थी या प्रेरणा की कमी के कारण।
शोधकर्ता इस बात पर सावधानी बरतते हैं कि हालांकि यह सिस्टम सिमुलेशन में काम करता है, लेकिन प्रत्येक चरण को परिभाषित करने के लिए उपयोग किए जाने वाले विशिष्ट नंबर अभी तक प्रमाणित तथ्य नहीं हैं। थ्रेशोल्ड (सीमाएँ)—जैसे कि "पुनरावर्ती" (recurring) के रूप में गिने जाने के लिए कितने हफ्तों के उपयोग की आवश्यकता है—प्रस्तावित शुरुआती बिंदु हैं जिनका परीक्षण और समायोजन किया जा सकता है। वर्तमान साक्ष्य सिंथेटिक डेटा से आता है, वास्तविक दुनिया की कंपनियों से नहीं। लेखक स्पष्ट रूप से उल्लेख करते हैं कि उन्होंने इन नियमों को वास्तविक व्यावसायिक परिणामों के विरुद्ध सत्यापित नहीं किया है। वे इस सिस्टम का परीक्षण वास्तविक डेटा पर करने के लिए संगठनों को उनके साथ साझेदारी करने के लिए आमंत्रित कर रहे हैं, जिससे वे थ्रेशोल्ड को कैलिब्रेट कर सकेंगे और पुष्टि कर सकेंगे कि निदान वास्तविकता से मेल खाता है। तब तक, सिस्टम को एक अंतिम निर्णय के बजाय एक संरचित परिकल्पना (hypothesis) के रूप में देखा जाना चाहिए। शोधकर्ता यह भी स्वीकार करते हैं कि सिस्टम की सीमाएं हैं; यह यह नहीं माप सकता कि लोग क्या महसूस करते हैं या सोचते हैं, केवल यह कि वे क्या करते हैं। यह अभी तक यह पता नहीं लगा सकता कि क्या कोई टीम मैनेजर को संतुष्ट करने के लिए टूल का उपयोग करने का ढोंग कर रही है, न ही यह स्वायत्त एजेंटों (autonomous agents) की सफलता को पूरी तरह से माप सकता है जो मानवीय पहल के बिना काम करते हैं।
इस कार्य को जो महत्वपूर्ण बनाता है वह केवल टूल नहीं है, बल्कि यह तर्क है कि ऐसे टूल की कमी थी। शोधकर्ता बताते हैं कि अडॉप्शन को ठीक से मापने में विफलता एक दुर्घटना नहीं बल्कि एक संरचनात्मक समस्या है। वे अलग-अलग समूह जो आमतौर पर इन मापों को संभालते हैं—जो AI बनाते हैं, जो सॉफ़्टवेयर बेचते हैं, और जो संगठनात्मक परिवर्तन का प्रबंधन करते हैं—अलग-अलग साइलो (silos) में काम करते हैं। AI निर्माता इस बात पर ध्यान केंद्रित करते हैं कि कोड काम करता है या नहीं। सॉफ़्टवेयर विक्रेता इस बात पर ध्यान केंद्रित करते हैं कि लोग लॉग-इन कर रहे हैं या नहीं। परिवर्तन प्रबंधक उन सर्वेक्षणों पर ध्यान केंद्रित करते हैं जो लोग देते हैं। इनमें से किसी भी समूह ने ऐसा सिस्टम नहीं बनाया है जो तकनीकी डेटा को मानव व्यवहार परिवर्तन के मॉडल के साथ जोड़ता हो। यह नया ढांचा इन दृष्टिकोणों को एक एकल उपकरण में एकीकृत करके उस अंतर को पाटने का प्रयास करता है। यह सुझाव देता है कि एंटरप्राइज AI का अगला कदम बेहतर एल्गोरिदम नहीं, बल्कि यह बेहतर तरीके हैं कि मनुष्य वास्तव में अपने काम को कैसे बदल रहे हैं। इसे दृश्यमान बनाकर, संगठन अंततः तैनाती के शुरुआती उत्साह से आगे बढ़ सकते हैं और स्थायी अडॉप्शन की वास्तविक चुनौती का समाधान कर सकते हैं।
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।