An integrated sociotechnical reference model for aligning artificial intelligence implementation in organizations
डिज़ाइन साइंस रिसर्च दृष्टिकोण का उपयोग करते हुए, यह अध्ययन मौजूदा प्रक्रियात्मक मॉडलों का विश्लेषण करके एआई कार्यान्वयन और संगठनात्मक परिवर्तन के बीच के बेमेल होने की समस्या को संबोधित करता है ताकि एकीकृत सामाजिक-तकनीकी एआई संदर्भ मॉडल (ISAR-M) का निर्माण किया जा सके, जो अनुशासन संबंधी साइलो (silos) को दूर करने और सफल एआई अपनाने को सुनिश्चित करने के लिए तकनीकी क्षमताओं को संगठनात्मक तत्परता के साथ समन्वित करता 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
आधुनिक कंपनियाँ आर्टिफिशियल इंटेलिजेंस (AI) को अपनाने की होड़ में लगी हैं, इस उम्मीद में कि ये स्मार्ट सिस्टम उनके काम करने के तरीके में क्रांति ला देंगे। फिर भी, उत्साह और इस तकनीक को दिए जाने वाले रणनीतिक महत्व के बावजूद, अधिकांश संगठन अपनी महत्वाकांक्षाओं को वास्तविक परिणामों में बदलने में विफल हो रहे हैं। समस्या शायद यह नहीं है कि कंप्यूटर कोड टूटा हुआ है या एल्गोरिदम बहुत कमजोर हैं। इसके बजाय, विफलता आमतौर पर तकनीक और उन लोगों के बीच के विच्छेद से उत्पन्न होती है जिन्हें इसका उपयोग करना है। जब कोई कंपनी एक नया सिस्टम स्थापित करती है, तो यह केवल एक तकनीकी अपग्रेड नहीं होता; यह पूरे संगठन के कार्य करने के तरीके में एक बदलाव है, जिसमें नए नियम, नई भूमिकाएँ और सोचने के नए तरीके शामिल होते हैं। यदि तकनीक उस गति से आगे निकल जाती है जिस गति से लोग खुद को ढाल सकते हैं, या यदि लोग नए उपकरणों के लिए तैयार नहीं हैं, तो सिस्टम रुक जाता है। मशीन क्या कर सकती है और एक संगठन उसे संभालने के लिए कितना तैयार है, इसके बीच का यह अंतर वह केंद्रीय चुनौती है जिसे शोधकर्ता हल करने की कोशिश कर रहे हैं।
म्यूनिख यूनिवर्सिटी ऑफ एप्लाइड साइंसेज के शोधकर्ताओं की एक टीम ने इस विच्छेद को ठीक करने के उद्देश्य से काम शुरू किया। उन्होंने देखा कि जहाँ आर्टिफिशियल इंटेलिजेंस बनाने के कई मार्गदर्शक (guides) मौजूद हैं और व्यवसाय रणनीति प्रबंधित करने के भी कई मार्गदर्शक हैं, वहीं कोई एक एकल, एकीकृत पथ नहीं है जो इन दोनों को जोड़ता हो। मौजूदा मार्गदर्शक अक्सर तकनीक और मानवीय पक्ष को अलग-अलग समस्याओं के रूप में देखते हैं। कुछ पूरी तरह से इंजीनियरिंग चरणों पर ध्यान केंद्रित करते हैं, जैसे डेटा क्लीनिंग और कोडिंग, जबकि यह अनदेखा कर देते हैं कि कर्मचारी इस पर कैसी प्रतिक्रिया देंगे। अन्य उच्च-स्तरीय व्यावसायिक लक्ष्यों पर ध्यान केंद्रित करते हैं लेकिन कार्यान्वयन के लिए कोई व्यावहारिक कदम नहीं बताते। यह अलगाव एक खतरनाक स्थिति पैदा करता है जहाँ एक कंपनी एक आदर्श तकनीकी समाधान बना सकती है जिसे उपयोग करने का तरीका किसी को नहीं पता या जिसे संभालने के लिए कंपनी तैयार नहीं है। इसे संबोधित करने के लिए, शोधकर्ताओं ने आर्टिफिशियल इंटेलिजेंस को पेश करने वाले चालीस-पाँच विभिन्न मॉडलों का विश्लेषण किया। उन्होंने केवल उन्हें पढ़ा ही नहीं; बल्कि उन्होंने यह देखने के लिए उन्हें तोड़-मरोड़ कर देखा कि उनमें कौन से चरण शामिल थे और वे क्या छोड़ गए थे।
विश्लेषण से पता चला कि वर्तमान दृष्टिकोणों में दो मुख्य कमियाँ हैं। पहला, कई मॉडल बहुत अधिक 'अंदरूनी' (inside) केंद्रित हैं, जो केवल इस बात पर ध्यान देते हैं कि क्या तकनीक काम करती है, बिना यह पूछे कि क्या यह बाजार या व्यापक व्यावसायिक आवश्यकताओं के अनुकूल है। दूसरा, वे अक्सर बहुत अधिक 'तकनीकी-केंद्रित' (technocratic) होते हैं, जिसका अर्थ है कि वे मानव अनुभव के ऊपर मशीन के प्रदर्शन को प्राथमिकता देते हैं। वे यह सुनिश्चित कर सकते हैं कि सॉफ्टवेयर तेज़ और सटीक है, लेकिन वे सिस्टम को इस तरह से डिज़ाइन करने में विफल रहते हैं कि वह मानव के लिए समझने या विश्वास करने में आसान हो। शोधकर्ताओं ने पाया कि हालांकि लगभग सभी मॉडल इस बात पर सहमत हैं कि डेटा की गुणवत्ता और व्यावसायिक मूल्य महत्वपूर्ण हैं, बहुत कम मॉडल मानवीय पक्ष को प्रबंधित करने के लिए ठोस, चरण-दर-चरण निर्देश प्रदान करते हैं, जैसे कि कर्मचारियों को प्रशिक्षित करना या उपयोगकर्ता के अनुकूल इंटरफेस डिजाइन करना।
इसे हल करने के लिए, टीम ने एक नया ढांचा बनाया जिसे 'इंटीग्रेटेड सोशियोटेक्निकल एआई रेफरेंस मॉडल' कहा गया। उन्होंने इसे शून्य से आविष्कार नहीं किया; इसके बजाय, उन्होंने अध्ययन किए गए चालीस-पाँच मॉडलों के सबसे अच्छे हिस्सों को जोड़ने वाले एक मास्टर बिल्डर की तरह काम किया। उन्होंने आधार के रूप में दो सबसे व्यापक मौजूदा मार्गदर्शकों को चुना और फिर अन्य मॉडलों से विशिष्ट, उच्च-गुणवत्ता वाले चरणों के साथ छूटे हुए हिस्सों को भरा। परिणाम एक एकल, सुसंगत रोडमैप है जो कंपनी को दो ट्रैक पर एक साथ आगे बढ़ने के लिए मजबूर करता है: तकनीकी ट्रैक और मानवीय ट्रैक।
यह नया मॉडल प्रक्रिया को चार मुख्य चरणों में विभाजित करता है: मूल्यांकन (Evaluate), डिजाइन (Design), साकार करना (Realize), और संचालित करना (Operate)। पहले चरण, मूल्यांकन में, किसी भी पैसे खर्च करने से पहले कंपनी को यह जांचना चाहिए कि क्या वह तैयार है। यह केवल एक तकनीकी जांच नहीं है; इसके लिए डेटा, कानूनी नियमों और लोगों को देखना आवश्यक है। मॉडल इस बिंदु पर एक सख्त "गेट" (द्वार) पेश करता है। यदि डेटा खराब है या कानूनी अनुमतियाँ स्पष्ट नहीं हैं, तो परियोजना तुरंत रुक जाती है। यह कंपनियों को उन विचारों पर संसाधन बर्बाद करने से रोकता है जो तकनीकी रूप से असंभव या कानूनी रूप से जोखिम भरे हैं। यह सुनिश्चित करता है कि व्यावसायिक रणनीति वास्तव में उस वास्तविकता द्वारा समर्थित है जिसके साथ कंपनी को काम करना है।
एक बार जब कोई परियोजना पहले गेट को पार कर लेती है, तो वह डिजाइन चरण में जाती है। यहाँ, मॉडल इस बात पर जोर देता है कि जो लोग सिस्टम का उपयोग करेंगे, उन्हें इसे बनाने में शामिल होना चाहिए। इंजीनियरों द्वारा लैब में एक उपकरण बनाने और बाद में उसे सौंप देने के बजाय, कंपनी को ऐसी कार्यशालाएं आयोजित करनी चाहिए जहाँ कर्मचारी यह डिजाइन करने में मदद करें कि सिस्टम कैसा दिखेगा और कैसा महसूस होगा। यह सुनिश्चित करता है कि उपकरण वास्तविक कार्य के अनुकूल हो। साथ ही, तकनीकी टीम सिस्टम आर्किटेक्चर का डिजाइन तैयार करती है। मॉडल यह आवश्यक बनाता है कि ये दोनों धाराएं समानांतर रूप से चलें। आगे बढ़ने से पहले, एक और गेट यह जांचता है कि क्या डिजाइन सुरक्षित, नैतिक और उन लोगों द्वारा विश्वसनीय है जो इसका उपयोग करेंगे। यदि कार्यकर्ता तैयार नहीं हैं या सिस्टम पर भरोसा नहीं करते हैं, तो कोड कितना भी अच्छा क्यों न हो, परियोजना आगे नहीं बढ़ सकती।
तीसरा चरण, 'साकार करना' (Realize), वह है जहाँ सिस्टम बनाया जाता है और उसका परीक्षण किया जाता है। मॉडल पहचानता है कि सॉफ्टवेयर को बहुत तेज़ी से अपडेट किया जा सकता है, लेकिन लोगों को सीखने और ढलने में अधिक समय लगता है। तकनीक को कर्मचारियों से बहुत आगे निकलने से रोकने के लिए, कंपनी प्रयोग के लिए सुरक्षित स्थान बनाती है। कर्मचारी वास्तविक काम के लिए उपयोग किए जाने से पहले एक कम-जोखिम वाले वातावरण में सिस्टम को आजमा सकते हैं। इससे उन्हें गलतियाँ करने के डर के बिना नए उपकरणों के साथ सहज होने में मदद मिलती है। मॉडल यह भी आवश्यक बनाता है कि सिस्टम का परीक्षण केवल गति के लिए ही नहीं, बल्कि निष्पक्षता और सुरक्षा के लिए भी किया जाए। एक अंतिम गेट यह जांचता है कि क्या सिस्टम लॉन्च के लिए तैयार है। यह एक सरल प्रश्न पूछता है: क्या सिस्टम द्वारा प्रदान किया जाने वाला मूल्य इसके रोलआउट की लागत को उचित ठहराता है? यदि उत्तर 'नहीं' है, तो परियोजना को रोक दिया जाता है।
अंतिम चरण, 'संचालित करना' (Operate), लंबे समय तक सिस्टम को चालू रखने के बारे में है। आर्टिफिशियल इंटेलिजेंस सिस्टम समय के साथ 'ड्रिफ्ट' (विचलित) हो सकते हैं, जिसका अर्थ है कि दुनिया बदलने के साथ वे कम सटीक हो जाते हैं। मॉडल इन परिवर्तनों को पकड़ने के लिए निरंतर निगरानी की आवश्यकता बताता है। लेकिन यह लोगों के लिए निरंतर देखभाल की भी आवश्यकता रखता है। कंपनी को कर्मचारियों के साथ निरंतर संवाद करना होगा, उनके डर को दूर करना होगा और उनके कौशल को अपडेट करना होगा। मॉडल एक विशिष्ट निगरानी समूह (oversight group) को शामिल करता है ताकि यह सुनिश्चित किया जा सके कि सिस्टम नैतिक बना रहे और मानव कर्मचारी तकनीक से अभिभूत न हों। यह चरण सुनिश्चित करता है कि जैसे-जैसे दोनों विकसित होते हैं, मशीन और संगठन के बीच का संबंध स्वस्थ बना रहे।
शोधकर्ताओं ने अपने नए मॉडल का परीक्षण कई काल्पनिक परिदृश्यों के माध्यम से किया। एक मामले में, उन्होंने एक कंपनी की कल्पना की जो यह जांचे बिना कि क्या उनका डेटा तैयार है, एक कस्टमर सर्विस बॉट लॉन्च करने की कोशिश कर रही थी। मॉडल के पहले गेट ने परियोजना को रोक दिया, जिससे कंपनी को एक महंगी विफलता से बचाया जा सका। दूसरे परिदृश्य में, उन्होंने एक ऐसी टीम की कल्पना की जिसने एक अत्यधिक सटीक सिस्टम बनाया लेकिन श्रमिकों के प्रशिक्षण को छोड़ दिया। मॉडल के अंतिम गेट ने लॉन्च को रोक दिया, जिससे टीम को पहले कर्मचारियों को प्रशिक्षित करने के लिए वापस जाने पर मजबूर होना पड़ा। इन परीक्षणों ने दिखाया कि मॉडल एक सुरक्षा तंत्र के रूप में काम करता है, जो आपदा बनने से पहले समस्याओं को पकड़ लेता है।
यह देखने के लिए कि क्या मॉडल वास्तविक दुनिया में काम करेगा, शोधकर्ताओं ने विभिन्न प्रकार की कंपनियों में आर्टिफिशियल इंटेलिजेंस परियोजनाओं का प्रबंधन करने वाले तीन विशेषज्ञों का साक्षात्कार लिया। इन विशेषज्ञों ने पुष्टि की कि तकनीकी और मानवीय ट्रैक को साथ-साथ चलाने का विचार आवश्यक है। उन्होंने उल्लेख किया कि कई वर्तमान परियोजनाओं में, लोगों और संस्कृति के प्रबंधन का कार्य अक्सर अदृश्य होता है और बजट से काट दिया जाता है। मॉडल इस कार्य को दृश्यमान और अनिवार्य बनाता है। हालाँकि, विशेषज्ञों ने यह भी बताया कि मॉडल को लचीला होने की आवश्यकता है। तेजी से बढ़ते स्टार्टअप्स में, प्रक्रिया को मानक चरणों की तुलना में अधिक तेज़ी से आगे-पीछे घूमने की आवश्यकता हो सकती है। शोधकर्ताओं ने मॉडल में इन फीडबैक लूप्स को शामिल करने के लिए समायोजन किया, जिससे यह सुनिश्चित हुआ कि इसका उपयोग बड़े, स्थिर निगमों और छोटी, फुर्तीली टीमों दोनों द्वारा किया जा सके।
अध्ययन निष्कर्ष निकालता है कि आर्टिफिशियल इंटेलिजेंस के लिए सबसे बड़ी बाधा तकनीक नहीं है, बल्कि इसका प्रबंधन करने की प्रक्रिया है। सफलता इस बात पर निर्भर करती है कि एक कंपनी अपनी इंजीनियरिंग की गति को अपने लोगों के अनुकूलन की गति के साथ कितनी अच्छी तरह तालमेल बिठा सकती है। नया मॉडल इसे करने के लिए एक संरचित तरीका प्रदान करता है, जो नैतिकता और संस्कृति के अमूर्त विचारों को ठोस चरणों में बदल देता है जिन्हें जांचा और सत्यापित किया जा सकता है। यह सुझाव देता है कि व्यवसाय में आर्टिफिशियल इंटेलिजेंस का भविष्य इस बात से परिभाषित नहीं होगा कि एल्गोरिदम कितने स्मार्ट हैं, बल्कि इस बात से होगा कि संगठन अपनी तकनीक को अपने मानव कार्यबल के साथ कितनी अच्छी तरह संरेखित कर सकते हैं। इस एकीकृत पथ का पालन करके, कंपनियाँ शक्तिशाली उपकरण बनाने के सामान्य जाल से बच सकती हैं, जिससे यह सुनिश्चित होता है कि उनके आर्टिफिशियल इंटेलिजेंस में निवेश वास्तव में मूल्य प्रदान 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।