NetApp ના CEO જ્યોર્જ કુરિયનનું કહેવું છે કે જેમ જેમ AI મોડેલ્સ સરળતાથી ઉપલબ્ધ થઈ રહ્યા છે, તેમ તેમ સંસ્થાનો પોતાનો ડેટા જ તેમની મુખ્ય સ્પર્ધાત્મક તાકાત બનશે. રોકાણકારો માટે, આનો અર્થ છે કે એન્ટરપ્રાઇઝ ટેક્નોલોજી ખર્ચ ડેટા મેનેજમેન્ટ, સુરક્ષા અને ઇન્ફ્રાસ્ટ્રક્ચર તરફ ખસશે.
શું થયું?
NetApp ના CEO જ્યોર્જ કુરિયને જણાવ્યું છે કે AI મોડેલ ડેવલપમેન્ટ પર ચાલી રહેલું ધ્યાન ટેકનોલોજી લેન્ડસ્કેપમાં વધુ મોટા બદલાવને ચૂકી શકે છે. જેમ જેમ જનરેટિવ AI મોડેલ્સ વ્યાપકપણે ઉપલબ્ધ થઈ રહ્યા છે, તેમ તેમ તે કોમોડિટી (સામન્ય વસ્તુ) બની રહ્યા છે. કુરિયન દલીલ કરે છે કે AI યુગમાં લાંબા ગાળાના વિજેતાઓ તે નથી જે શ્રેષ્ઠ મોડેલ્સ બનાવે છે, પરંતુ તે છે જે પોતાના અનન્ય, માલિકીના ડેટાને અસરકારક રીતે મેનેજ કરે છે અને તેનો ઉપયોગ કરે છે.
મોડેલ્સથી ડેટા પર ફોકસ કેમ બદલાઈ રહ્યું છે?
મોટાભાગના વ્યવસાયો માટે, હવે સમસ્યા એડવાન્સ્ડ AI ક્ષમતાઓ મેળવવાની નથી, કારણ કે તે મુખ્ય ટેક પ્રોવાઇડર્સ દ્વારા સરળતાથી ઉપલબ્ધ છે. તેના બદલે, સમસ્યા એ ડેટાની ગુણવત્તામાં રહેલી છે જે આ મોડેલ્સ વાપરે છે. મોડેલ ફક્ત તે માહિતી જેટલું જ અસરકારક છે જે તે પ્રોસેસ કરે છે. પબ્લિક મોડેલ્સ સામાન્ય જ્ઞાન આપે છે, પરંતુ તેમાં કંપનીની કામગીરી, ગ્રાહક વર્તણૂક અને આંતરિક ઇતિહાસની ચોક્કસ, ખાનગી આંતરદૃષ્ટિનો અભાવ હોય છે. કુરિયન મુજબ, આ આંતરિક ડેટાને ગોઠવવાની, નિયંત્રિત કરવાની અને સુરક્ષિત કરવાની ક્ષમતા સંસ્થાઓ માટે નવો "સ્પર્ધાત્મક ગઢ" (competitive moat) છે, જે એક એવી અવરોધ છે જેને હરીફો સરળતાથી નકલ કરી શકતા નથી.
એન્ટરપ્રાઇઝ ટેક્નોલોજી ખર્ચ પર અસર
આ "ડેટા-ફર્સ્ટ" અભિગમ કંપનીઓ તેમના ટેકનોલોજી બજેટ કેવી રીતે ફાળવે છે તેના પર નોંધપાત્ર અસર કરે છે. ભાર ડેટા ઇન્ફ્રાસ્ટ્રક્ચર તરફ ખસી રહ્યો છે - જે સિસ્ટમ્સ સંવેદનશીલ માહિતીનો સંગ્રહ, પુનઃપ્રાપ્તિ અને રક્ષણ કરે છે. જેમ જેમ કંપનીઓ સમજે છે કે અસરકારક AI માટે સ્વચ્છ, સુલભ અને સુરક્ષિત ડેટાનો મજબૂત પાયો જરૂરી છે, તેમ તેમ ડેટા ગવર્નન્સ, સ્ટોરેજ અને ક્લાઉડ-ઇન્ટિગ્રેટેડ ઇન્ફ્રાસ્ટ્રક્ચર પરનો ખર્ચ ફક્ત બાહ્ય AI મોડેલ્સ લાયસન્સ કરવા કરતાં વધુ પ્રાધાન્ય બની જશે.
IT સેવાઓ અને ઇન્ફ્રાસ્ટ્રક્ચરની ભૂમિકા
આ વ્યૂહરચનામાં ફેરફાર IT સેવા ક્ષેત્ર માટે પણ સંબંધિત છે, જેમાં ઘણી મોટી ભારતીય ટેક્નોલોજી કંપનીઓનો સમાવેશ થાય છે જે વૈશ્વિક ગ્રાહકો માટે ડિજિટલ ટ્રાન્સફોર્મેશનનું સંચાલન કરે છે. ડેટા-કેન્દ્રિત AI વ્યૂહરચના લાગુ કરવા માટે નોંધપાત્ર બેકએન્ડ કાર્યની જરૂર પડે છે, જેમ કે ડેટા માઇગ્રેશન, આધુનિકીકરણ અને સુરક્ષિત ડેટા પાઇપલાઇન્સ સ્થાપિત કરવી. જે ફર્મ્સ આ જટિલ ડેટા પર્યાવરણોના સંચાલનમાં નિષ્ણાત છે, તે કંપનીઓને AI મોડેલ્સ સાથે પ્રયોગ કરવાથી તેમને મોટા પાયે ગોઠવવા તરફ સંક્રમણ કરવામાં મદદ કરવા માટે તૈયાર છે.
વ્યવસાયિક જોખમો અને નિયમનકારી પડકારો
જ્યારે ડેટા એક મૂલ્યવાન સંપત્તિ છે, ત્યારે તે જોખમો પણ ધરાવે છે. માલિકીની માહિતીના મોટા જથ્થાનું કેન્દ્રીકરણ, જેમાં નાણાકીય રેકોર્ડ્સ, ક્લિનિકલ ડેટા અને ગ્રાહક આંતરદૃષ્ટિનો સમાવેશ થાય છે, સુરક્ષા જોખમો માટે સપાટી વિસ્તાર વધારે છે. વધુમાં, "ડેટા સાર્વભૌમત્વ" (data sovereignty) ની જરૂરિયાત - સ્થાનિક અને આંતરરાષ્ટ્રીય નિયમોનું પાલન કરતી વખતે સંવેદનશીલ માહિતી પર નિયંત્રણ જાળવી રાખવું - સતત અનુપાલન પડકાર રજૂ કરે છે. ડેટા ગવર્નન્સનું અસરકારક રીતે સંચાલન કરવામાં નિષ્ફળ જતી કંપનીઓ નોંધપાત્ર કાનૂની, નાણાકીય અને પ્રતિષ્ઠા સંબંધિત પરિણામોનો સામનો કરી શકે છે.
રોકાણકારોએ શું ટ્રેક કરવું જોઈએ?
રોકાણકારો કોર્પોરેટ ખર્ચમાં ડેટા ઇન્ફ્રાસ્ટ્રક્ચર વિરુદ્ધ AI એપ્લિકેશન ખર્ચના વલણો પર નજર રાખી શકે છે. મુખ્ય ટ્રેક કરવા યોગ્ય બાબતોમાં ડેટા ગવર્નન્સ નિયમોમાં અપડેટ્સ, સ્ટોરેજ-એઝ-એ-સર્વિસ મોડેલ્સનો વિકાસ અને ડેટા આધુનિકીકરણ પ્રોજેક્ટ્સની માંગ અંગે IT સેવા પ્રદાતાઓ તરફથી ટિપ્પણીઓનો સમાવેશ થાય છે. એન્ટરપ્રાઇઝ AI ની સફળતા સંભવતઃ કંપનીઓ તેમના કાચા, અલગ ડેટા અને આધુનિક AI સિસ્ટમ્સની જરૂરિયાતો વચ્ચેના અંતરને સફળતાપૂર્વક પુલ કરી શકે છે કે કેમ તેના પર નિર્ભર રહેશે.