Applying Artificial Intelligence and Big Data Analytics in Forecasting the Effectiveness of Managerial Strategic Decision Making

आधुनिक व्यावसायिक जगत में, नेता एक निरंतर चुनौती का सामना करते हैं: एक ऐसे परिदृश्य में उच्च-दांव वाले निर्णय लेना जो किसी एक व्यक्ति की निगरानी करने की क्षमता से कहीं अधिक तेज़ी से बदलता है। इस राह पर चलने के लिए, कई संगठन आर्टिफिशियल इंटेलिजेंस और बिग डेटा एनालिटिक्स की ओर मुड़ रहे हैं। ये केवल फाइलों को छाँटने के उपकरण नहीं हैं; ये उन प्रणालियों के रूप में डिज़ाइन किए गए हैं जो सूचनाओं की विशाल मात्रा में पैटर्न खोजने के लिए बनाई गई हैं जो एक मानव मस्तिष्क को अभिभूत कर सकती हैं। हालाँकि, एक महत्वपूर्ण प्रश्न बना हुआ है: क्या ये डिजिटल प्रणालियाँ ऐसे निर्णय ले सकती हैं जो न केवल स्मार्ट हों बल्कि कानूनी रूप से भी सुदृढ़ और रणनीतिक रूप से प्रभावी हों? उत्तर सरल नहीं है। एक निर्णय कुशल हो सकता है लेकिन किसी नियम का उल्लंघन कर सकता है, या यह कानून का पालन कर सकता है लेकिन किसी व्यावसायिक लक्ष्य को प्राप्त करने में विफल हो सकता है। शोधकर्ता अब डेटा विश्लेषण की कच्ची शक्ति और कानूनी अनुपालन की सख्त सीमाओं के बीच एक सेतु बनाने का प्रयास कर रहे हैं, यह सवाल उठाते हुए कि क्या एक कंप्यूटर एक व्यावसायिक लक्ष्य के महत्व और कानूनी दंड के जोखिम के बीच संतुलन बनाना सीख सकता है।

वियतनाम के ताय डो विश्वविद्यालय के एक शोधकर्ता ने इस विचार का परीक्षण करने के लिए एक डिजिटल प्रणाली बनाने के उद्देश्य से काम शुरू किया, जिसे एक प्रबंधक द्वारा रणनीतिक विकल्प चुनने के तरीके का अनुकरण करने के लिए डिज़ाइन किया गया था। उन्होंने एक आभासी वातावरण बनाया जहाँ एक आर्टिफिशियल इंटेलिजेंस एजेंट को सूचना प्रौद्योगिकी कानूनों पर आधारित नियमों के एक जटिल सेट के माध्यम से नेविगेट करना था। लक्ष्य यह देखना था कि क्या सिस्टम यह अनुमान लगा सकता है कि एक निर्णय कितना अच्छा प्रदर्शन करेगा, जिसे 'की परफॉरमेंस इंडिकेटर' (KPI) नामक एक मानक व्यावसायिक स्कोर द्वारा मापा जाता है। ऐसा करने के लिए, शोधकर्ता ने कंप्यूटर को केवल कच्चे नंबर नहीं दिए। इसके बजाय, उन्होंने सिस्टम को इस तरह से डिज़ाइन किया कि वह मानव मस्तिष्क द्वारा सूचनाओं को संसाधित करने के पांच विशिष्ट तरीकों की नकल कर सके: संसाधनों का प्रबंधन करने की क्षमता, अपने स्वयं के चिंतन के बारे में सोचने की क्षमता (मेटाकॉग्निशन), महत्वपूर्ण चीजों पर ध्यान केंद्रित करने का कौशल, नए नियमों को सीखने की गति, और सामाजिक एवं संगठनात्मक मानदंडों को समझने की क्षमता। इन पांच मानसिक कौशलों को कंप्यूटर की निर्णय लेने की प्रक्रिया के निर्माण खंडों (बिल्डिंग ब्लॉक्स) के रूप में माना गया।

शोधकर्ता ने अपने विचार का परीक्षण करने के लिए एक विशाल डिजिटल पाइपलाइन का निर्माण किया। सबसे पहले, सिस्टम ने विभिन्न दस्तावेजों, जैसे कानूनी रिपोर्ट और नीति पत्रों से टेक्स्ट एकत्र किया और उन्हें साफ किया ताकि कंप्यूटर उन्हें पढ़ सके। फिर, इसने लिखित नियमों को एक ऐसे प्रारूप में अनुवादित किया जिसे मशीन समझ सके, जिसमें डेटा गोपनीयता या कार्यकारी संरेखण जैसी विभिन्न आवश्यकताओं को भार (वेट्स) दिया गया। इसके बाद, सिस्टम ने 1,500 अलग-अलग निर्णय लेने वाले परिदृश्यों का एक सिम्युलेटेड डेटासेट तैयार किया। प्रत्येक परिदृश्य में, कंप्यूटर को अपने पांच संज्ञानात्मक कौशलों के विरुद्ध कानूनी नियमों को संतुलित करके एक अंतिम स्कोर उत्पन्न करना था। यह स्कोर उस निर्णय की सफलता का प्रतिनिधित्व करता था, जो शून्य से सौ तक होता है। शोधकर्ता ने फिर इस डेटा पर एक मशीन लर्निंग मॉडल को प्रशिक्षित किया, जिससे उसे पांच संज्ञानात्मक कौशलों को देखकर यह अनुमान लगाने की शिक्षा दी गई कि अंतिम स्कोर क्या होगा। उन्होंने एक ऐसी विधि का उपयोग किया जो कई छोटे 'डिसीजन ट्री' (निर्णय वृक्ष) बनाती है ताकि पैटर्न खोजे जा सकें, इस उम्मीद में कि कंप्यूटर यह सीख सकेगा कि कैसे एक सिस्टम के सोचने के तरीके और उसके प्रदर्शन के बीच छिपे हुए संबंध होते हैं।

जब शोधकर्ता ने अपने मॉडल का परीक्षण किया, तो परिणामों ने इस तकनीक की वर्तमान स्थिति के बारे में एक कठिन सत्य का खुलासा किया। सिस्टम पूरे प्रक्रम को सुचारू रूप से चलाने में सक्षम था, दस्तावेज़ों को पढ़ने से लेकर अंतिम अनुमानित स्कोर की सूची बनाने तक। हालाँकि, जब शोधकर्ता ने अनुमानों की सटीकता की जाँच की, तो उन्होंने पाया कि मॉडल समस्या की वास्तविक जटिलता को पकड़ने में संघर्ष कर रहा है। कंप्यूटर के अनुमान अक्सर एक बड़े अंतर से गलत थे, और कुछ सांख्यिकीय पैमानों में, मॉडल का प्रदर्शन हर स्थिति के लिए केवल औसत स्कोर का अनुमान लगाने से भी खराब था। डेटा ने दिखाया कि वास्तविक परिणाम दो अलग-अलग समूहों में बँटे हुए थे—ऐसे निर्णय जिनका स्कोर बहुत कम था और ऐसे निर्णय जिनका स्कोर बहुत अधिक था—जबकि कंप्यूटर के अनुमान बीच में केंद्रित होने की प्रवृत्ति रखते थे, जिससे वे चरम स्थितियों को पूरी तरह से चूक गए। यह सुझाव देता है कि हालांकि सिस्टम सूचना को संसाधित कर सकता था, लेकिन इसमें एक सुरक्षित, औसत विकल्प और एक उच्च-जोखम, उच्च-पुरस्कार वाली रणनीति के बीच अंतर करने के लिए आवश्यक गहरा संदर्भ की कमी थी।

अध्ययन यह निष्कर्ष निकालता है कि हालांकि आर्टिफिशियल इंटेलिजेंस को कानूनी शासन के साथ जोड़ने का ढांचा व्यवहार्य है, लेकिन यह तकनीक इन जटिल क्षेत्रों में मानवीय निर्णय लेने की जगह लेने के लिए अभी तैयार नहीं है। शोधकर्ता ने पाया कि वर्तमान मॉडल उन छिपे हुए चरों (वेरियबल्स) को पूरी तरह से ध्यान में नहीं रख सकते जो एक निर्णय को "उच्च जोखिम" या "उच्च पुरस्कार" की श्रेणी में धकेलते हैं। उन्होंने नोट किया कि सिस्टम तब सबसे अच्छा काम करता है जब वह मध्य मार्ग पर रहता है, चरम परिणामों से बचता है, जो कि रणनीतिक योजना के लिए एक सुरक्षित लेकिन सीमित दृष्टिकोण है। शोधकर्ता का सुझाव है कि भविष्य के कार्यों को अधिक विस्तृत जानकारी जोड़ने पर ध्यान केंद्रित करना चाहिए, जैसे कि प्रत्येक निर्णय के विशिष्ट कानूनी संदर्भ को मापने के बेहतर तरीके, और ऐसे मॉडल विकसित करना जो अपने तर्क को अधिक स्पष्ट रूप से समझा सकें। फिलहाल, यह शोध एक 'प्रूफ ऑफ कॉन्सेप्ट' के रूप में कार्य करता है, जो यह प्रदर्शित करता है कि कानूनी नियमों को डिजिटल डेटा में अनुवादित करना संभव है, लेकिन यह भी रेखांकित करता है कि वास्तव में स्वायत्त, अनुपालनकारी रणनीतिक निर्णय लेने के मार्ग के लिए केवल प्रसंस्करण शक्ति (प्रोसेसिंग पावर) से कहीं अधिक की आवश्यकता है।