Research on Optimization Paths for Enterprise Decision Support Systems Based on Big Data and Artificial Intelligence
108 उद्यमों के डेटा का उपयोग करते हुए, यह अध्ययन एक नवीन "तकनीकी-प्रबंधन द्वि-कुंडली" (technical-management dual-helix) मॉडल प्रस्तावित करता है जो डेटा फैब्रिक, व्याख्यात्मक एआई (explainable AI), और संगठनात्मक शिक्षण तंत्र को एकीकृत करता है ताकि डेटा अलगाव, एल्गोरिदम की अपारदर्शिता और संरचनात्मक अनम्यता को दूर किया जा सके, जिससे विनिर्माण, वित्त और खुदरा क्षेत्रों में निर्णय की गुणवत्ता और प्रतिक्रिया की गति को बढ़ाया जा सके।
मूल पेपर CC BY 4.0 (https://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
प्रत्येक आधुनिक कंपनी एक डिजिटल तंत्रिका तंत्र (डिजिटल नर्वस सिस्टम) पर निर्भर करती है जिससे निर्णय लिए जाते हैं, चाहे वह एक कारखाने द्वारा यह तय करना हो कि कितने पुर्जे बनाने हैं या एक बैंक द्वारा ऋण को मंजूरी देना हो। वर्षों तक, यह धारणा थी कि यदि कोई व्यवसाय पर्याप्त शक्तिशाली सॉफ़्टवेयर खरीद ले और पर्याप्त डेटा एकत्र कर ले, तो उसके निर्णय स्वतः ही अधिक स्मार्ट हो जाएंगे। फिर भी, एक निरंतर अंतराल उभर कर आया है: कंपनियाँ तकनीक पर अरबों खर्च कर रही हैं, लेकिन उनके नेता अक्सर अभी भी प्रभावी विकल्प चुनने के लिए संघर्ष करते हैं। समस्या जानकारी की कमी नहीं है, बल्कि उन उपकरणों और जिस तरह से उनके संगठन बने हैं, उनके बीच का तालमेल न होना है। डेटा अक्सर अलग-थलग पड़े साइलो (silos) में रहता है, वे एल्गोरिदम जो इसे प्रोसेस करते हैं वे अपारदर्शी 'ब्लैक बॉक्स' बने रहते हैं जिन्हें मनुष्य विश्वास नहीं कर पाते, और कंपनियों के ढांचे स्वयं नए निष्कर्षों के अनुकूल होने के लिए बहुत कठोर होते हैं। यह विच्छेद ऐसी स्थिति पैदा करता है जहाँ तकनीक मौजूद तो है, लेकिन उससे मिलने वाला मूल्य लॉक रहता है।
शोधकर्ता यिक्सुआन याओ और लियांग चेन ने, जो युन्नान कॉलेज ऑफ बिजनेस मैनेजमेंट से हैं, इस पहेली को सुलझाने के लिए यह देखने का प्रयास किया कि कैसे तकनीक और प्रबंधन को अलग-अलग रहने के बजाय एक साथ विकसित होना चाहिए। वे प्रस्तावित करते हैं कि एक निर्णय सहायता प्रणाली (डिसीजन सपोर्ट सिस्टम) केवल एक अतिरिक्त उपकरण नहीं हो सकती; इसे उन लोगों और प्रक्रियाओं के साथ तालमेल बिठाते हुए विकसित होना चाहिए जिनकी यह सेवा करती है। इसका परीक्षण करने के लिए, उन्होंने विनिर्माण (मैन्युफैक्चरिंग), वित्त और खुदरा (रिटेल) क्षेत्रों के 108 उद्यमों का अध्ययन किया, नेताओं का साक्षात्कार लिया और वर्षों के परिचालन डेटा का विश्लेषण किया। उनका कार्य इस विचार से आगे बढ़ता है कि केवल बेहतर एल्गोरिदम ही टूटे हुए निर्णय लेने की प्रक्रिया को ठीक कर सकते हैं। इसके बजाय, उन्होंने पाया कि सफलता एक दोहरी पद्धति से आती है: एक धागा डेटा को सुलभ बनाने और AI के पीछे के तर्क को पारदर्शी बनाने पर केंद्रित है, जबकि दूसरा धागा संगठन को इन नए उपकरणों पर भरोसा करने और उपयोग करने के लिए प्रशिक्षित करने पर केंद्रित है। इन दोनों धागों को आपस में बुनकर, कंपनियाँ अपने निर्णय लेने की प्रक्रिया को एक स्थिर, त्रुटिपूर्ण प्रक्रिया से बदलकर एक गतिशील, सीखने वाली प्रणाली में बदल सकती हैं जो परिवर्तन के अनुकूल होती है।
शोधकर्ताओं ने पाया कि सबसे प्रभावी मार्ग में सुधार के दो परस्पर जुड़े हुए स्पाइरल (कुंडली) शामिल हैं। पहला स्पाइरल तकनीकी है। यह एक "डेटा फैब्रिक" (data fabric) से शुरू होता है, जो एक लचीला आर्किटेक्चर है जो विभिन्न विभागों से बिखरी हुई जानकारी को एक एकल, सुसंगत दृश्य में जोड़ता है, ठीक वैसे ही जैसे एक यात्री के लिए एक एकीकृत मानचित्र होता है। इस आधार के ऊपर, उन्होंने 'व्याख्यात्मक कृत्रिम बुद्धिमत्ता' (एक्सप्लेनेबल आर्टिफिशियल इंटेलिजेंस) पेश की। पारंपरिक प्रणालियों के विपरीत जो बिना कारण बताए केवल एक सिफारिश देती हैं, ये नई इंजन अपने सुझावों के पीछे के तर्क को प्रकट करती हैं। वे दिखाते हैं कि किन कारकों ने निर्णय को प्रभावित किया, जैसे कि किसी आपूर्तिकर्ता की देरी या मौसमी रुझान, जिससे मानव प्रबंधक तर्क को समझ सकें और आउटपुट की विश्वसनीयता की पुष्टि कर सकें। यह पारदर्शिता एल्गोरिदम को एक रहस्यमय भविष्यवक्ता से बदलकर एक सहयोगात्मक भागीदार बना देती है जिसे प्रबंधक सवाल कर सकते हैं और जिससे सीख सकते हैं।
दूसरा स्पाइरल संगठनात्मक है। यदि उपयोग करने वाले लोग तैयार नहीं हैं, तो तकनीक अकेले विफल हो जाती है। अध्ययन में पाया गया कि सफल कंपनियाँ एक "संदर्भ-जागरूक" (context-aware) प्रणाली बनाती हैं जो बाजार के बदलावों से लेकर आंतरिक बाधाओं तक, व्यावसायिक वातावरण की लगातार निगरानी करती है। इससे भी महत्वपूर्ण बात यह है कि वे निरंतर सीखने की संस्कृति विकसित करती हैं। जब कोई निर्णय लिया जाता है, तो संगठन केवल आगे नहीं बढ़ता; वह परिणाम की समीक्षा करता है, सबक निकालता है और अपने आंतरिक ज्ञान आधार को अपडेट करता है। यह एक फीडबैक लूप बनाता है जहाँ संगठन हर चुनाव के साथ स्मार्ट होता जाता है। शोधकर्ताओं ने "परिवर्तन प्रतिरोध सूचकांक" (change resistance index) नामक एक विशिष्ट मीट्रिक को मापा, जो यह ट्रैक करता है कि कर्मचारी नए उपकरणों से कितना डरते हैं या उन्हें अस्वीकार करते हैं। जिन कंपनियों ने उनके दोहरे-स्पाइरल मॉडल का पालन किया, उनमें समय के साथ यह प्रतिरोध काफी कम हो गया, क्योंकि कर्मचारी इसे एक खतरे के रूप में देखने के बजाय एक ऐसे उपकरण के रूप में देखने लगे जो उनकी अपनी विशेषज्ञता को बढ़ाता है।
यह सिद्ध करने के लिए कि यह दृष्टिकोण काम करता है, टीम ने अपने नए दोहरे-स्पाइरल मॉडल का उपयोग करने वाली कंपनियों और पारंपरिक, एकल-केंद्रित अपग्रेडों का पालन करने वाली कंपनियों के बीच एक विस्तृत तुलना की। एक विनिर्माण सेटिंग में, एक कंपनी जिसने पूर्ण मॉडल अपनाया, उसने मांग के पूर्वानुमान की सटीकता को 68% से बढ़ाकर 89% कर दिया, जबकि केवल पारंपरिक सॉफ़्टवेयर का उपयोग करने वाली समान कंपनी केवल 75% तक ही सुधार कर पाई। नए मॉडल ने निर्णय लेने में लगने वाले समय को चार घंटे से घटाकर दो घंटे से भी कम कर दिया। वित्तीय क्षेत्र में, इस दृष्टिकोण का उपयोग करने वाले एक बैंक ने अपनी जोखिम प्रतिक्रिया समय को 48 घंटे से घटाकर मात्र 15 मिनट कर दिया, और साथ ही उन सख्त नए नियामक आवश्यकताओं को पूरा किया जो पहले असंभव लगती थीं। रिटेल में, स्टोर की एक श्रृंखला ने अपने उत्पाद लॉन्च चक्र को आधा कर दिया और अपने मार्केटिंग निवेश पर रिटर्न (ROI) को 1:3.2 से बढ़ाकर 1:5.8 कर दिया। ये सुधार केवल गति के बारे में नहीं थे; ये लिए गए निर्णयों की गुणवत्ता और उन पर टीमों के भरोसे के बारे में थे।
अध्ययन ने यह भी रेखांकित किया कि कोई एक "एक ही आकार सभी के लिए उपयुक्त" (one-size-fits-all) समाधान नहीं है। एक कंपनी द्वारा लिया जाने वाला रास्ता उसके शुरुआती बिंदु पर बहुत अधिक निर्भर करता है। एक कारखाना जिसके पास अव्यवस्थित डेटा और जटिल आपूर्ति श्रृंखलाएं हैं, उसे सबसे पहले अपनी जानकारी को साफ करने और जोड़ने पर ध्यान केंद्रित करने की आवश्यकता है। एक बैंक जिसके पास सख्त नियम हैं, उसे नए स्वचालन (ऑटोमेशन) जोड़ने से पहले गवर्नेंस और विश्वास निर्माण को प्राथमिकता देनी होगी। रुझानों का सामना कर रही एक रिटेलर को एक चुस्त संरचना की आवश्यकता है जो तीव्र परीक्षण और पुनरावृत्ति की अनुमति दे सके। शोधकर्ताओं ने एक कंपनी की विशिष्ट स्थिति का निदान करने के लिए एक विधि विकसित की—यह देखना कि उसके निर्णय कितने जटिल हैं, उसका डेटा कितना परिपक्व है, और उसका संगठन कितना लचीला है—और फिर उसे सही तकनीकी और प्रबंधन चरणों के संयोजन से मिलाया। यह सुनिश्चित करता है कि गलत सुधारों पर संसाधन बर्बाद न हों।
हालाँकि परिणाम उत्साहजनक हैं, शोधकर्ता अपने निष्कर्षों की सीमाओं के प्रति सावधान हैं। अध्ययन 85 वैध प्रतिक्रियाओं और विशिष्ट मामलों के गहन अध्ययन से प्राप्त वास्तविक दुनिया के डेटा पर आधारित था, लेकिन यह एक रैंडमाइज्ड प्रयोग नहीं था जहाँ कंपनियों को अलग-अलग समूहों में बेतरतीब ढंग से रखा गया हो। इसका मतलब है कि देखे गए सुधार नए मॉडल के साथ मजबूती से जुड़े हुए हैं, लेकिन अन्य कारक जैसे सामान्य बाजार रुझान या आंतरिक नेतृत्व परिवर्तन भी इसमें भूमिका निभा सकते हैं। डेटा मुख्य रूप से चीनी उद्यमों से आता है, और शोधकर्ता स्वीकार करते हैं कि तकनीक पर लोगों के विश्वास में सांस्कृतिक अंतर होने के कारण दुनिया के अन्य हिस्सों में परिणाम अलग दिख सकते हैं। वे यह भी बताते हैं कि तकनीकी परिदृश्य तेजी से बदल रहा है, और क्वांटम कंप्यूटिंग तथा जनरेटिव आर्टिफिशियल इंटेलिजेंस जैसे नए विकास क्षितिज पर हैं जो इन प्रणालियों को फिर से नया रूप दे सकते हैं।
इन चेतावनियों के बावजूद, मूल संदेश स्पष्ट है: एक सॉफ़्टवेयर पैकेज खरीदने और तत्काल बुद्धिमत्ता की उम्मीद करने का युग समाप्त हो गया है। निर्णय लेने का भविष्य तकनीक को मानव संगठन के साथ संरेखित करने के धीमे और विचारशील कार्य में निहित है। इसके लिए ऐसे सिस्टम बनाने की आवश्यकता है जो इतने पारदर्शी हों कि उन पर भरोसा किया जा सके और ऐसे संगठन जो इतने लचीले हों कि सीख सकें। तकनीक और प्रबंधन को एक ही सिक्के के दो पहलुओं के रूप में देखते हुए, उन्हें अलग होने के बजाय एक साथ विकसित होने देकर, कंपनियाँ अंततः अपने डेटा की वास्तविक क्षमता को अनलॉक कर सकती हैं। आगे का रास्ता एक एकल छलांग नहीं है, बल्कि एक निरंतर, सर्पिल चढ़ाई है जहाँ तकनीक में हर कदम मानव क्षमता के एक कदम से मेल खाता है, जिससे एक ऐसा निर्णय लेने वाला इंजन बनता है जो शक्तिशाली भी है और बुद्धिमान भी।
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।