ભારતમાં બેંકો અને NBFCs હવે આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) પ્રોજેક્ટ્સને સફળ બનાવવા માટે એક નવી પદ્ધતિ અપનાવી રહ્યા છે. આ 'ફોરવર્ડ ડિપ્લોઇડ એન્જિનિયર' મોડેલ હેઠળ, કંપનીઓ ખાસ એન્જિનિયર્સને સીધા બિઝનેસ યુનિટ્સમાં મૂકશે જેથી AIના પ્રયોગો (pilots) વાસ્તવિક કાર્યક્ષમ સાધનો બની શકે.
શું થયું?
ભારતીય ફાઇનાન્સિયલ સંસ્થાઓ, જેમાં અનેક બેંકો, નોન-બેંકિંગ ફાઇનાન્સિયલ કંપનીઓ (NBFCs) અને ગ્લોબલ કેપેબિલિટી સેન્ટર્સ (GCCs) સામેલ છે, તેઓ AI પ્રોજેક્ટ્સને પાઇલટ સ્ટેજથી આગળ વધારવામાં મુશ્કેલી અનુભવી રહ્યા હતા. આ સમસ્યાના સમાધાન માટે, તેઓ હવે 'ફોરવર્ડ ડિપ્લોઇડ એન્જિનિયર' મોડેલ અપનાવી રહ્યા છે. આ વ્યૂહરચનામાં, સિનિયર એન્જિનિયર્સને સીધા જ તે બિઝનેસ યુનિટ્સમાં રાખવામાં આવે છે જેમને તેઓ સેવા આપે છે.
આ પરંપરાગત IT ભૂમિકાઓથી અલગ છે, જ્યાં ટીમો અલગ રહીને કામ કરે છે. આ નવા રોલમાં, એન્જિનિયર્સ પ્રોડક્ટ મેનેજમેન્ટ, એન્જિનિયરિંગ અને બેંકિંગ ઓપરેશન્સના સંયોજન પર કામ કરે છે. તેમનો મુખ્ય ઉદ્દેશ્ય એ સુનિશ્ચિત કરવાનો છે કે AI ટૂલ્સ, જેમ કે ઓટોમેટેડ ક્રેડિટ અંડરરાઇટિંગ અથવા ફ્રોડ ડિટેક્શન સિસ્ટમ્સ, વાસ્તવિક બેંકિંગ પ્રક્રિયાઓ, નિયમો અને જૂની સિસ્ટમ્સની મર્યાદાઓમાં અસરકારક રીતે કાર્ય કરી શકે.
AI પાઇલટ્સ શા માટે અટકી જાય છે?
રોકાણકારો માટે, મુખ્ય મુદ્દો એ છે કે જો ટેકનોલોજી સોફ્ટવેરને દૈનિક કામગીરીમાં એકીકૃત કરી શકાતું નથી, તો ફાઇનાન્સમાં ટેકનોલોજી ખર્ચ પર વળતર મળતું નથી. એક મોટી અડચણ 'સંદર્ભ' (context) નો અભાવ છે. એક AI મોડેલ ટેસ્ટ એન્વાયર્નમેન્ટમાં સચોટ હોઈ શકે છે, પરંતુ શાખા અથવા સંપર્ક કેન્દ્રમાં નિષ્ફળ થઈ શકે છે કારણ કે તેમાં યોગ્ય ગ્રાહક ડેટાની ઍક્સેસનો અભાવ છે અથવા તે હાલની અનુપાલન નીતિઓ સાથે વિરોધાભાસી છે.
જ્યારે આવા ઇન્ટિગ્રેશન ગેપ્સ થાય છે, ત્યારે AI પ્રોજેક્ટ્સ ઘણીવાર ઉપયોગમાં લેવાયા વિનાના રહે છે. આનાથી એવા સોફ્ટવેર પર મૂડી ખર્ચ વેડફાય છે જે ક્યારેય મોટા પાયે ઉપયોગમાં લેવાતું નથી. ફોરવર્ડ ડિપ્લોઇડ મોડેલ આ નિષ્ફળતાનો સીધો પ્રતિસાદ છે, જે ઇજનેરોને ફિલ્ડમાં મૂકીને આ ઇન્ટિગ્રેશન અવરોધોને રીઅલ-ટાઇમમાં ઓળખવા અને તેને ઠીક કરવા માટે છે.
બિઝનેસ અને કાર્યક્ષમતા પર અસર
આ પરિવર્તન ફાઇનાન્સિયલ ફર્મ્સ તેમના ટેક ટીમોની સફળતાને કેવી રીતે માપે છે તેમાં ફેરફાર સૂચવે છે. અગાઉ, સફળતા ફક્ત પ્રોજેક્ટ પૂર્ણ કરવા અથવા કોડ પહોંચાડવા દ્વારા માપવામાં આવતી હતી. નવા મોડેલ હેઠળ, સફળતા 'એડોપ્શન' અને 'ઓપરેશનલ પરિણામો' સાથે જોડાયેલી છે.
જો બેંકો અને NBFCs આ મોડેલને સફળતાપૂર્વક લાગુ કરી શકે, તો તે વધુ સારી ઓપરેશનલ કાર્યક્ષમતા તરફ દોરી શકે છે. અસરકારક AI અમલીકરણ ક્રેડિટ નિર્ણયો લેવાનો સમય ઘટાડી શકે છે અથવા ફ્રોડ નુકસાન ઘટાડી શકે છે. રોકાણકારો માટે, આનો અર્થ એ છે કે બેંકો આખરે વધુ સારા કોસ્ટ-ટુ-ઇન્કમ રેશિયો જોઈ શકે છે, જોકે આવા વિશેષ એન્જિનિયરોને હાયર કરવા અથવા તાલીમ આપવાનો પ્રારંભિક ખર્ચ નોંધપાત્ર છે.
IT પ્રદાતાઓ માટે તકો અને જોખમો
IT સેવા ફર્મ્સ અને કન્સલ્ટિંગ કંપનીઓ માટે, આ એક નવી સેવા વિતરણ તક બનાવે છે. પરંપરાગત પ્રોજેક્ટ-આધારિત બિલિંગને બદલે, જ્યાં કંપની કામના નિશ્ચિત રકમ માટે ચૂકવણી કરે છે, આ મોડેલ ક્ષમતા સ્થાનાંતરણ પર ધ્યાન કેન્દ્રિત કરતા લાંબા ગાળાની ભાગીદારીને પ્રોત્સાહન આપે છે.
જોકે, જોખમો પણ છે. આ અભિગમ માટે એવા પ્રતિભાની જરૂર છે જે જટિલ કોડિંગ અને નાણાકીય નિયમો બંનેને સમજે છે. આ જોખમ રહેલું છે કે કંપનીઓ આવી વિશેષ પ્રતિભા શોધવામાં અથવા તેને પરવડી શકે તેમ ન હોવાને કારણે ખર્ચ વધી શકે છે. વધુમાં, કોઈપણ ઇન્ટિગ્રેશન પ્રયાસમાં ડેટા સુરક્ષામાં ક્ષતિઓ અથવા નિયમનકારી દબાણનું જોખમ રહેલું છે જો AI સિસ્ટમ્સ અનુપાલન ધોરણોનું સખતપણે પાલન ન કરે.
રોકાણકારોએ આગળ શું ટ્રૅક કરવું જોઈએ?
રોકાણકારો જોઈ શકે છે કે ફાઇનાન્સિયલ સંસ્થાઓ આ વધુ ખર્ચાળ, પરંતુ સંભવિત રૂપે વધુ અસરકારક, પ્રતિભા વ્યૂહરચનાને સમાવવા માટે તેમના IT બજેટને કેવી રીતે સમાયોજિત કરે છે. મુખ્ય નિરીક્ષણોમાં શામેલ છે:
- ટેકનોલોજી ROI: શું બેંકો આ એમ્બેડેડ મોડેલ્સ અપનાવ્યા પછી ગ્રાહક સેવા અથવા ક્રેડિટ રિસ્કમાં સુધારેલા મેટ્રિક્સની જાણ કરે છે.
- IT સેવા કરારો: શું મોટી IT પ્રદાતાઓ તેમના કરારોને ફક્ત 'કામના કલાકો' અથવા 'પ્રોજેક્ટ ડિલિવરી'ને બદલે 'પરિણામો' પર વધુ ધ્યાન કેન્દ્રિત કરવા માટે બદલી રહ્યા છે.
- પ્રતિભા ખર્ચ: શું ટેક ક્ષેત્રમાં વેતન ફુગાવો, ખાસ કરીને ઉચ્ચ-સ્તરની AI ભૂમિકાઓ માટે, નાણાકીય સેવા ફર્મ્સના માર્જિન પર દબાણ લાવી રહ્યો છે.
- નિયમનકારી અપડેટ્સ: નિયમનકારો મુખ્ય બેંકિંગ કાર્યોમાં AI ના વધતા ઉપયોગ પર કેવી પ્રતિક્રિયા આપે છે, કારણ કે અનુપાલન જરૂરિયાતો AI ને લાઇવ ફાઇનાન્સિયલ સિસ્ટમ્સમાં એકીકૃત કરવા માટે સૌથી મોટી અડચણ છે.