Sentinelbi AI: an AI-Powered Business Intelligence System for Revenue Monitoring and Anomaly Detection

ऑनलाइन शॉपिंग की हलचल भरी दुनिया में, हर सेकंड लेनदेन की एक निरंतर धारा बहती है, जो लोगों के क्या खरीदने, कब खरीदने और कितना खर्च करने का एक विशाल, जटिल रिकॉर्ड बनाती है। व्यवसाय मालिकों के लिए, यह डेटा एक खजाने के समान है, लेकिन यह एक चुनौती भी है। अधिकांश लघु और मध्यम आकार की कंपनियां सरल चार्टों पर निर्भर करती हैं जो कुल बिक्री दिखाते हैं, जो बिल्कुल एक कार के स्पीडोमीटर की तरह है जो केवल वर्तमान गति प्रदर्शित करता है। ये चार्ट एक प्रबंधक को बताते हैं कि वे अभी कितनी तेजी से जा रहे हैं, लेकिन वे उन्हें यह चेतावनी नहीं देते कि इंजन लड़खड़ा रहा है या कार अचानक रास्ता भटक रही है। असली खतरा अप्रत्याशित में छिपा होता है: बिक्री में अचानक आया उछाल जो मूल्य निर्धारण की त्रुटि का संकेत दे सकता है, एक शांत गिरावट जो स्टॉक की कमी का सुझाव देती है, या एक अजीब पैटर्न जो धोखाधड़ी का संकेत देता है। इन मुद्दों को पकड़ने के लिए, व्यवसायों को केवल वर्तमान के एक स्नैपशॉट की आवश्यकता नहीं है; उन्हें एक ऐसे सिस्टम की आवश्यकता है जो समझ सके कि समय के साथ "सामान्य" क्या दिखता है और जब व्यवसाय की लय टूट जाए तो तुरंत पहचान सके। यह विसंगति का पता लगाने (anomaly detection) का क्षेत्र है, जहाँ कंप्यूटर डेटा के सामान्य पैटर्न को पहचानना सीखते हैं ताकि असामान्य होने पर वे तुरंत अलार्म बजा सकें।

भारत के चैतन्या भारती इंस्टीट्यूट ऑफ टेक्नोलॉजी के दो शोधकर्ताओं ने ठीक इसी समस्या को ऑनलाइन रिटेलर्स के लिए हल करने हेतु एक नया टूल बनाया है। वे अपनी इस रचना को 'सेंटिनलबीआई एआई' (SentinelBI AI) कहते हैं, एक ऐसा सिस्टम जो राजस्व धाराओं के लिए एक सतर्क संरक्षक के रूप में कार्य करता है। किसी एक कठोर नियम पर निर्भर रहने के बजाय कि क्या गलत है, यह सिस्टम दो अलग-अलग प्रकार के आर्टिफिशियल इंटेलिजेंस के मिलकर काम करने का उपयोग करता है। एक प्रकार उन अजीब व्यक्तिगत दिनों को पहचानने में अच्छा है, जैसे कि बिक्री में अचानक आया एक अलग उछाल जो उस दिन के विशिष्ट प्रोफाइल में फिट नहीं बैठता। दूसरा प्रकार समय के प्रवाह को समझने में बेहतर है, यह पहचानता है कि कब दिनों का एक क्रम एक अजीब पैटर्न का अनुसरण करता है जिसे एक इंसान शायद मिस कर दे। दोनों के अंतर्दृष्टि को जोड़कर, यह सिस्टम एक तीन-स्तरीय चेतावनी स्केल बनाता है: सामान्य, चेतावनी, और गंभीर। यह दृष्टिकोण व्यवसाفاظों को रोजमर्रा के उतार-चढ़ाव के शोर को छानने और केवल उन दिनों पर ध्यान केंद्रित करने की अनुमति देता है जिन्हें वास्तव में ध्यान देने की आवश्यकता है।

शोधकर्ताओं ने अपने सिस्टम का परीक्षण एक प्रमुख ऑनलाइन गिफ्ट रिटेलर के वास्तविक डेटासेट का उपयोग करके किया, जिसमें 2009 के अंत से 2011 के अंत तक के दस लाख से अधिक व्यक्तिगत लेनदेन शामिल थे। उन्होंने डेटा के इस विशाल लॉग को साफ किया और इसे 731 दैनिक सारांशों में व्यवस्थित किया, जिसमें कुल राजस्व, बेची गई वस्तुओं की संख्या, लेनदेन की संख्या और सक्रिय ग्राहकों की संख्या जैसे प्रमुख मेट्रिक्स को ट्रैक किया गया। उन्होंने यह भी गणना की कि प्रत्येक दिन का राजस्व पिछले सप्ताह के औसत से कितना भिन्न था। इस तैयार की गई जानकारी के साथ, उन्होंने अपने दो आर्टिफिशियल इंटेलिजेंस मॉडल को प्रशिक्षित किया। पहला मॉडल, जिसे 'आइसोलेशन फॉरेस्ट' (Isolation Forest) के रूप में जाना जाता है, ने उस एकल दिन के नंबरों के विशिष्ट संयोजन को देखकर असामान्य दिनों की पहचान करना सीखा। दूसरे मॉडल, एक 'एलएसटीएम ऑटोएनकोडर' (LSTM Autoencoder) ने तीस दिनों की विंडो में राजस्व के सामान्य आकार को सीखा, जिससे यह पता चल सका कि हालिया बिक्री का इतिहास कब गलत दिख रहा है, भले ही एक दिन के आंकड़े ठीक लग रहे हों।

जब सिस्टम ने व्यवसाय के इतिहास के 731 दिनों पर अपना विश्लेषण चलाया, तो उसने पाया कि दोनों मॉडल अधिकांश दिनों पर सहमत थे, और सही ढंग से पहचान की कि अधिकांश समय सामान्य व्यवसाय था। हालांकि, वास्तविक मूल्य उन दिनों में दिखाई दिया जहाँ मॉडल असहमत थे या जहाँ दोनों ने अलार्म बजाया। सिस्टम ने 19 दिनों को "गंभीर" (Critical) के रूप में चिह्नित किया, जिसका अर्थ है कि दोनों मॉडल सहमत थे कि कुछ गंभीर रूप से गलत है। इसने अन्य 32 दिनों को "चेतावनी" (Warning) के रूप में पहचाना, जहाँ एक मॉडल ने अलार्म बजाया लेकिन दूसरे ने नहीं। शेष 680 दिनों को सामान्य वर्गीकृत किया गया। यह दोहरा-मॉडल दृष्टिकोण एक साधारण, स्थिर नियम की तुलना में अधिक सटीक साबित हुआ जो केवल बहुत अधिक या बहुत कम नंबरों को देखता है। जबकि एक बुनियादी नियम ने 41 दिनों को चिह्नित किया था जिसकी वास्तविक असामान्य घटनाओं से मिलान करने की सफलता दर कम थी, शोधकर्ताओं के स्मार्ट सिस्टम ने कम दिन चिह्नित किए लेकिन वास्तविक समस्याओं का उच्च प्रतिशत पकड़ा, जिसमें दोनों मॉडलों ने 50 प्रतिशत से अधिक की मैच रेट हासिल की।

इन निष्कर्षों को वास्तविक व्यावसायिक लोगों के लिए उपयोगी बनाने के लिए, शोधकर्ता केवल कंप्यूटर कोड तक ही सीमित नहीं रहे। उन्होंने एक पूर्ण, इंटरैक्टिव डैशबोर्ड बनाया जिसे कोई भी वेब ब्राउज़र में उपयोग कर सकता है, बिना यह जाने कि प्रोग्रामिंग कैसे की जाती है। इस डैशबोर्ड के पांच पेज हैं। एक पेज प्रबंधिकों (executives) के लिए उच्च-स्तरीय अवलोकन प्रदान करता है, जबकि अन्य विशिष्ट विसंगतियों की गहराई में जाते हैं। एक विशेष रूप से अभिनव विशेषता एक 'नेचुरल-लैंग्वेज क्वेरी टूल' है। यह उपयोगकर्ता को सरल अंग्रेजी में प्रश्न टाइप करने की अनुमति देता है, जैसे कि किसी विशिष्ट देश में शीर्ष उत्पाद बेचने वाले उत्पादों के बारे में पूछना, और सिस्टम स्वचालित रूप से उस प्रश्न को आवश्यक डेटाबेस कमांड में अनुवादित कर देता है ताकि उत्तर मिल सके। यह तकनीकी शब्दावली की बाधा को हटा देता है, जिससे प्रबंधकों को सवाल पूछने और तुरंत जवाब पाने की सुविधा मिलती है।

अध्ययन ने इस बारे में स्पष्ट अंतर्दृष्टि दी कि व्यवसाय की निगरानी करने का सबसे अच्छा तरीका क्या है। विसंगति को पकड़ने में सबसे महत्वपूर्ण कारक कुल पैसा कमाना नहीं था, बल्कि यह था कि उस दिन का राजस्व हाल के अतीत से कितना भिन्न था। एक दिन जिसमें उच्च बिक्री होती है, वह समस्या नहीं है यदि वह पिछले सप्ताह के पैटर्न में फिट बैठता है; एक दिन तभी अजीब होता है जब वह लय को तोड़ता है। सिस्टम ने यह भी दिखाया कि यूनाइटेड किंगडम, जो डेटा का प्राथमिक बाजार था, राजस्व में हावी था, जिससे पता चलता है कि उच्च-वॉल्यूम वाले देशों में विसंगतियों पर सबसे अधिक ध्यान देने की आवश्यकता है। दो अलग-अलग आर्टिफिशियल इंटेलिजेंस विधियों की शक्तियों को जोड़कर, शोधकर्ताओं ने एक ऐसा टूल बनाया है जो सटीक और व्यावहारिक दोनों है। यह जटिल, अनसुपरवाइज्ड मशीन लर्निंग को एक सरल, कार्रवाई योग्य मार्गदर्शिका में बदल देता है, जिससे व्यवसायों को केवल अपने बिक्री नंबरों को देखने से लेकर अपने वित्तीय स्वास्थ्य को सक्रिय रूप से समझने और सुरक्षित करने की ओर बढ़ने में मदद मिलती है।