ગાર્ટનરના રિપોર્ટ મુજબ, ડેટાની નબળી ગુણવત્તા AI પ્રોજેક્ટ્સને નિષ્ફળ બનાવી રહી છે. ભારતીય કંપનીઓ માટે લેગસી સિસ્ટમ્સ અને ડેટા સાઇલો મુખ્ય પડકાર છે, ભલે ₹10,371 કરોડનું IndiaAI મિશન જાહેર થયું હોય.
AI પ્રોજેક્ટ્સમાં ડેટા ક્વોલિટીનો વધતો પ્રભાવ
ટેકનોલોજી જગતમાં એક નવી વાત સામે આવી રહી છે કે જનરેટિવ AI (Generative AI) પ્રોજેક્ટ્સની નિષ્ફળતાનું મુખ્ય કારણ અત્યાધુનિક એલ્ગોરિધમ્સનો અભાવ નથી, પરંતુ ડેટાની નબળી ગુણવત્તા છે. રિસર્ચ સૂચવે છે કે ભલે કંપનીઓ પાસે અત્યંત આધુનિક AI મોડલ્સ હોય, પણ જો ડેટા ખરાબ હોય તો પરિણામો સારા મળતા નથી. આ સમસ્યા ભારતીય કંપનીઓ માટે ખાસ કરીને ચિંતાનો વિષય છે, જેઓ પોતાના કારોબારમાં AI ને ઝડપથી સામેલ કરવા માંગે છે.
ભારતમાં ડેટાના પડકારો
ભારત UPI અને અન્ય મોટા પાયાની સિસ્ટમ્સ દ્વારા વિશાળ પ્રમાણમાં ડિજિટલ માહિતી ઉત્પન્ન કરે છે. જોકે, આ ડેટા ઘણીવાર જૂની સિસ્ટમ્સ (legacy systems) માં ફસાયેલો રહે છે. ઘણી કંપનીઓને AI ના ઉપયોગ માટે આ માહિતીને સાફ કરવામાં અને વ્યવસ્થિત કરવામાં મુશ્કેલી પડે છે. ટેકનિકલ અથવા પ્રતિભા સંબંધિત ખામીઓને હાયરિંગ (hiring) કે તાલીમ દ્વારા દૂર કરી શકાય છે, પરંતુ ઇન્ફ્રાસ્ટ્રક્ચર (infrastructure) ની ખામીઓ માટે ડેટા કેવી રીતે સ્ટોર, ગવર્ન (govern) અને એક્સેસ (access) થાય છે તેમાં મૂળભૂત ફેરફારોની જરૂર પડે છે. સંશોધન મુજબ, ઇન્ટિગ્રેશન (integration) ની મુશ્કેલીઓ અને એકીકૃત ડેટા ધોરણોનો અભાવ સ્થાનિક કંપનીઓ માટે આધુનિકીકરણના માર્ગમાં મોટા અવરોધો છે.
રાષ્ટ્રીય પહેલ અને રોકાણ
આ અંતરને ભરવા માટે, ભારત સરકારે માર્ચ 2024 માં ₹10,371 કરોડના ફાળવણી સાથે IndiaAI મિશન શરૂ કર્યું છે. આ પહેલનો ઉદ્દેશ્ય એક રાષ્ટ્રીય ડેટાસેટ પ્લેટફોર્મ બનાવવાનો અને 38,000 થી વધુ GPU પૂરા પાડીને કમ્પ્યુટ ક્ષમતા (compute capacity) વધારવાનો છે. જોકે, વિશ્લેષકો જણાવે છે કે આ રાષ્ટ્રીય રોકાણ ફક્ત એક ભાગ છે. વ્યક્તિગત કંપનીઓ માટે, આંતરિક ડેટા પાઇપલાઇન્સ (data pipelines) અને ગવર્નન્સ ફ્રેમવર્ક (governance frameworks) બનાવવાની જવાબદારી યથાવત રહે છે. જો સિસ્ટમમાં ફીડ થતો ડેટા અસંગત અથવા અવિશ્વસનીય હોય તો ફક્ત બાહ્ય કમ્પ્યુટ સંસાધનો પર આધાર રાખવો પૂરતો નથી.
નાણાકીય અસર અને ઇન્ફ્રાસ્ટ્રક્ચર પસંદગી
AI પર વૈશ્વિક ખર્ચમાં નોંધપાત્ર વધારો થવાની અપેક્ષા છે, જેમાં મોટાભાગનો હિસ્સો ઇન્ફ્રાસ્ટ્રક્ચર તરફ જશે. ઘણી ભારતીય કંપનીઓ માટે, Microsoft Azure, AWS અને Google Cloud જેવા ક્લાઉડ પ્રોવાઇડર્સ (cloud providers) સ્કેલેબલ (scalable) ઇન્ફ્રાસ્ટ્રક્ચર ઓફર કરીને પ્રવેશના નાણાકીય અવરોધોને ઘટાડી રહ્યા છે. આ પ્લેટફોર્મનો ઉપયોગ કરીને, કંપનીઓ મોટા પ્રમાણમાં પ્રારંભિક મૂડી ખર્ચ ટાળી શકે છે. જોકે, આ AI પ્રોજેક્ટ્સની નાણાકીય કાર્યક્ષમતા ડેટા મેચ્યોરિટી (data maturity) સાથે જોડાયેલી રહે છે. જે કંપનીઓ ડેટા ગવર્નન્સને પ્રાધાન્ય આપે છે - તેને નાણાકીય રિપોર્ટિંગ જેટલી જ ગંભીરતાથી લે છે - તેઓ તેમના AI રોકાણ પર વળતર મેળવી શકે તેવી શક્યતા વધારે છે. રોકાણકારોએ કંપનીઓ તેમના ટેકનોલોજી બજેટને ફ્રન્ટ-એન્ડ AI ટૂલ્સ અને જરૂરી બેક-એન્ડ ડેટા ઇન્ફ્રાસ્ટ્રક્ચર વચ્ચે કેવી રીતે ફાળવે છે તેના પર નજર રાખવી જોઈએ, કારણ કે તે તેમના ડિજિટલ ટ્રાન્સફોર્મેશન (digital transformation) પ્રયાસોની ટકાઉપણું નક્કી કરશે.