A hybrid PLS-SEM and convolutional neural network analysis of artificial intelligence adoption intention in SMEs
यह अध्ययन एक एकीकृत दो-चरणीय ढांचे को प्रस्तुत करता है जो नाइजीरियाई एसएमई (SMEs) में एआई (AI) अपनाने का विश्लेषण करने के लिए पार्शियल लीस्ट स्क्वायर्स स्ट्रक्चरल इक्वेशन मॉडलिंग (PLS-SEM) को एक कनवल्शनल न्यूरल नेटवर्क (CNN) के साथ एकीकृत करता है, यह प्रदर्शित करते हुए कि जहाँ PLS-SEM सैद्धांतिक संबंधों की पुष्टि करता है, वहीं CNN समान डेटा फोल्ड्स पर दोनों मॉडलों के कठोर बेंचमार्किंग के दौरान आउट-ऑफ-सैंपल भविष्य कहनेवाला सटीकता (predictive accuracy) को महत्वपूर्ण रूप से बढ़ाता है।
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
लघु उद्योग वैश्विक अर्थव्यवस्था की रीढ़ हैं, जो दुनिया के आधे कार्यबल को रोजगार देते हैं और हर जगह कंपनियों का एक बड़ा हिस्सा बनाते हैं। फिर भी, जब आर्टिफिशियल इंटेलिजेंस जैसी नई तकनीकों को अपनाने की बात आती है, तो ये छोटे उद्यम अक्सर अपने बड़े समकक्षों से पीछे रह जाते हैं। यह अंतर आमतौर पर इसलिए नहीं होता कि तकनीक उपलब्ध नहीं है या बहुत महंगी है; बल्कि यह इच्छाशक्ति का मामला है। छोटे व्यवसायों के निर्णय लेने वालों को पहले यह समझना होगा कि तकनीक क्या कर सकती है और फिर यह तय करना होगा कि वे इसका उपयोग करना चाहते हैं या नहीं। शोधकर्ता लंबे समय से उन कारकों का मानचित्र बनाने की कोशिश कर रहे हैं जो इस निर्णय को प्रभावित करते हैं, जैसे कि क्या एक व्यवसाय का मालिक तकनीक पर भरोसा करता है, क्या उनके पास आवश्यक डिजिटल कौशल है, या क्या वे प्रतिस्पर्धियों से दबाव महसूस करते हैं। पारंपरिक रूप से, वैज्ञानिक इन कारकों और अपनाने के अंतिम निर्णय के बीच सीधी रेखाएं खींचने के लिए सांख्यिकीय उपकरणों का उपयोग करते हैं, यह मानते हुए कि संबंध सरल और सीधा है। हालांकि, मानवीय व्यवहार और व्यावसायिक वातावरण शायद ही कभी इतने सरल होते हैं, और उनका अध्ययन करने के लिए उपयोग किए जाने वाले उपकरण अक्सर उस जटिल, गैर-रैखिक वास्तविकता को पकड़ने में संघर्ष करते हैं कि लोग वास्तव में चुनाव कैसे करते हैं।
नाइजीरिया और यूनाइटेड किंगडम के शोधकर्ताओं की एक टीम ने यह परीक्षण करने के लिए एक टीम बनाई कि क्या एक अधिक परिष्कृत दृष्टिकोण यह स्पष्ट चित्र प्रस्तुत कर सकता है कि छोटे व्यवसाय आर्टिफिशियल इंटेलिजेंस का उपयोग करने का निर्णय कैसे लेते हैं। उन्होंने नाइजीरिया में लघु और मध्यम उद्यमों के 1,210 विशिष्ट समूह पर ध्यान केंद्रित किया, जिसमें मालिकों और प्रबंधकों का विभिन्न AI उपकरणों के प्रति जागरूकता, तकनीक में उनके विश्वास और इसे अपनाने के इरादे के बारे में सर्वेक्षण किया गया। शोधकर्ताओं ने विश्लेषण के दो अलग-अलग तरीकों को जोड़ा। पहला एक मानक सांख्यिकीय दृष्टिकोण था जो इस बारे में एक पूर्व-निर्धारित सिद्धांत का परीक्षण करता है कि विभिन्न कारक कैसे जुड़ते हैं। दूसरा एक प्रकार का आर्टिफिशियल इंटेलिजेंस है जिसे 'कन्वोल्यूशनल न्यूरल नेटवर्क' कहा जाता है, जो एक ऐसी प्रणाली है जिसे डेटा में जटिल पैटर्न खोजने के लिए डिज़ाइन किया गया है जिन्हें मानक सांख्यिकी मिस कर सकती है। महत्वपूर्ण रूप से, टीम ने केवल इन दो विधियों को अलग-अलग डेटा सेटों पर एक के बाद एक नहीं चलाया। इसके बजाय, उन्होंने एक एकीकृत प्रणाली बनाई जहाँ पहले तरीके के परिणाम दूसरे के इनपुट को आकार देते थे, और उन्होंने निष्पक्ष तुलना सुनिश्चित करने के लिए दोनों मॉडलों का परीक्षण बिल्कुल एक ही डेटा के टुकड़ों पर किया।
अध्ययन ने पंद्रह अलग-अलग कारकों के एक सेट की पुष्टि करके शुरुआत की जो किसी व्यवसाय के निर्णय को प्रभावित कर सकते थे। इसमें तकनीकी पहलू जैसे कि उपकरण कितने उपयोगी या आसान प्रतीत होते हैं, संगठनात्मक कारक जैसे कि शीर्ष प्रबंधन का समर्थन और कर्मचारियों की डिजिटल साक्षरता, और पर्यावरणीय कारक जैसे कि सरकारी सहायता और प्रतिस्पर्धी दबाव शामिल थे। शोधकर्ताओं ने यह भी मापा कि व्यवसाय के मालिक AI पर कितना भरोसा करते हैं और बाजार में उपलब्ध विशिष्ट उपकरणों के प्रति वे कितने जागरूक हैं। जब उन्होंने डेटा का विश्लेषण किया, तो उन्होंने पाया कि इनमें से लगभग हर एक पंद्रह कारकों ने भूमिका निभाई। सबसे मजबूत चालक तकनीक में विश्वास और कंपनी के भीतर डिजिटल साक्षरता का स्तर थे। दिलचस्प बात यह है कि शोधकर्ताओं ने पाया कि ये कारक शायद ही कभी AI अपनाने के निर्णय को सीधे प्रभावित करते थे। इसके बजाय, वे पहले व्यवसाय के मालिक की इस बात की जागरूकता बढ़ाकर काम करते थे कि AI क्या कर सकता है। एक बार जब निर्णय लेने वाला तकनीक के प्रति जागरूक हो जाता है, तो वह जागरूकता अपनाने के इरादे के लिए प्राथमिक प्रवेश द्वार बन जाती है। विश्वास एकमात्र ऐसा कारक था जो दो तरह से काम करता था: इसने जागरूकता को बढ़ाया, लेकिन इसने जागरूकता से स्वतंत्र रूप से अपनाने की इच्छा को भी सीधे बढ़ावा दिया।
शोधकर्ताओं ने फिर यह परीक्षण किया कि क्या उनका जटिल आर्टिफिशियल इंटेलिजेंस मॉडल मानक सांख्यिकीय मॉडल की तुलना में अपनाने के इरादे की भविष्यवाणी बेहतर तरीके से कर सकता है। उन्होंने पाया कि न्यूरल नेटवर्क ने वास्तव में थोड़ा बेहतर प्रदर्शन किया, जिससे इसके भविष्यवाणियों में मानक मॉडल की तुलना में लगभग दो प्रतिशत की कमी आई। यह सुधार सांख्यिकीय रूप से महत्वपूर्ण था, जिसका अर्थ है कि इसकी संभावना कम थी कि यह कोई इत्तेफाक हो। हालांकि, अध्ययन ने एक आश्चर्यजनक सीमा भी प्रकट की। जब शोधकर्ताओं ने न्यूरल नेटवर्क की तुलना अन्य सरल मशीन लर्निंग उपकरणों, जैसे कि रैंडम फॉरेस्ट एल्गोरिदम या एक बुनियादी फीड-फॉरवर्ड नेटवर्क से की, तो न्यूरल नेटवर्क ने कोई बेहतर प्रदर्शन नहीं किया। यह सुझाव देता है कि सुधार न्यूरल नेटवर्क की विशिष्ट, जटिल वास्तुकला से नहीं आया था, बल्कि केवल इस तथ्य से आया था कि इसने गैर-रैखिक संबंधों की अनुमति दी, जिसे मानक सांख्यिकीय मॉडल नहीं पकड़ सका। अध्ययन में यह भी पाया गया कि सर्वेक्षण प्रश्नों को समूहबद्ध करने के लिए एक मान्य माप मॉडल का उपयोग करना आवश्यक था। जब उन्होंने सिद्धांत के अनुसार डेटा को व्यवस्थित किए बिना सभी कच्चे सर्वेक्षण प्रश्नों का उपयोग करके अपनाने की भविष्यवाणी करने की कोशिश की, तो परिणाम काफी खराब थे, जिससे सिद्ध हुआ कि डेटा को व्यवस्थित करना भविष्यवाणी पद्धति जितना ही महत्वपूर्ण है।
अंततः, यह शोध इस बात पर प्रकाश डालता है कि छोटे व्यवसायों के लिए, आर्टिफिशियल इंटेलिजेंस अपनाने का मार्ग जागरूकता से बना है। प्रासंगिक कारक जैसे सरकारी सहायता, वित्तीय तत्परता, या प्रतिस्पर्धी दबाव व्यवसाय को सीधे AI अपनाने के लिए प्रेरित नहीं करते हैं; वे पहले व्यवसाय के मालिक को तकनीक के प्रति जागरूक होने के लिए प्रेरित करते हैं। एक बार जब वह जागरूकता स्थापित हो जाती है, तो अपनाने का इरादा उसके बाद आता है। यह अध्ययन वैज्ञानिक समुदाय के लिए एक पद्धतिगत सबक के रूप में भी कार्य करता है। यह दर्शाता है कि हालांकि उन्नत मशीन लर्निंग उपकरण भविष्यवाणी में थोड़ा लाभ दे सकते हैं, लेकिन उन्हें यह समझने के लिए सरल विकल्पों के विरुद्ध निष्पक्ष रूप से परीक्षण किया जाना चाहिए कि वास्तव में सुधार को क्या संचालित कर रहा है। इस मामले में, लाभ न्यूरल नेटवर्क की विशिष्ट जटिलता से नहीं, बल्कि डेटा को अपनी स्वयं की जटिल, गैर-रैखिक आवाज बोलने देने से आया था, न कि उसे एक सीधी रेखा में मजबूर करने से। निष्कर्ष पुष्टि करते हैं कि सिद्धांत अभी भी मायने रखता है: स्थापित अवधारणाओं के आधार पर डेटा को व्यवस्थित करना सबसे उन्नत एल्गोरिदम को भी दुनिया का बेहतर अर्थ समझने में मदद करता है।
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।