Whalesbook
Salesforce ज्या मुख्य आव्हानाला सोडवू इच्छित आहे, ते म्हणजे लार्ज लँग्वेज मॉडेल्स (LLMs) चे नियंत्रित बेंचमार्क चाचण्यांमधील परफॉर्मन्स आणि एंटरप्राइज ऑपरेशन्समधील अनपेक्षित वातावरणात त्यांचे वास्तविक वर्तन यातील मोठे अंतर. श्रीनी तल्लाप्रगडा, प्रेसिडेंट आणि चीफ इंजिनिअरिंग आणि कस्टमर सक्सेस ऑफिसर यांनी निदर्शनास आणले की LLMs मूलभूत असले तरी, उत्कृष्ट बेंचमार्क स्कोअर आपोआप सातत्यपूर्ण व्यावसायिक परिणाम सुनिश्चित करत नाहीत.
AI परफॉर्मन्स गॅप भरणे
अनेक वर्षांपासून, अनेक मोठ्या कंपन्या AI पायलेट्स आणि डेमोवर लक्ष केंद्रित करत होत्या. तथापि, या प्रयत्नांमध्ये अनेकदा अडथळे येत होते आणि फारच कमी सिस्टीम्स पूर्णपणे प्रोडक्शनमध्ये यशस्वीरित्या संक्रमण करू शकल्या. तल्लाप्रगडा यांनी याला "लास्ट माइल" समस्या म्हणून ओळखले. या अंतिम टप्प्यामध्ये AI सिस्टीम्सना विविध एज केसेसमध्ये, विस्तारित कालावधीसाठी आणि कठोर नियामक निरीक्षणाखाली, अटळ अंदाजानुसार कार्य करणे आवश्यक आहे, जे अनेकदा पूर्णपणे संभाव्य (probabilistic) AI मॉडेल्सद्वारे पूर्ण केले जात नाही.
हायब्रिड AI सिस्टीम्सची गरज
LLMs, त्यांच्या संभाव्यतेच्या स्वभावामुळे, सूक्ष्मता आणि संदर्भ समजून घेण्यात उत्कृष्ट असतात, परंतु जेव्हा संपूर्ण निश्चितता आवश्यक असते तेव्हा ते अयशस्वी होऊ शकतात. तल्लाप्रगडा यांनी नमूद केले की LLMs 97% वेळा नियमांचे पालन करू शकत असले तरी, एंटरप्राइज वर्कफ्लो, विशेषतः आर्थिक सेवा किंवा ग्राहक परतावा यांसारख्या संवेदनशील क्षेत्रांमध्ये, 100% अनुपालनाची आवश्यकता असते. हे सोडवण्यासाठी, Salesforce जनरेटिव्ह AI ला नियतात्मक (deterministic) सिस्टीम्ससह एकत्रित करत आहे. हा हायब्रिड दृष्टिकोन लवचिकता, तर्क आणि सहानुभूती आवश्यक असलेल्या कामांसाठी LLMs चा वापर करतो, तर नियम-आधारित लॉजिक (rule-based logic) अनुपालन-केंद्रित किंवा ऑडिट-संवेदनशील प्रक्रियांसाठी वापरतो.
बेंचमार्क्स आणि भविष्यातील दृष्टिकोन यावर सावधगिरी
तल्लाप्रगडा यांनी उद्योग बेंचमार्क्सबद्दल सावधगिरी बाळगण्याचा सल्ला दिला, कारण त्यापैकी बरेच सैद्धांतिक आहेत आणि त्यांमध्ये फेरफार केली जाऊ शकते, ज्यामुळे विश्वासार्हतेची खोटी भावना निर्माण होते. बेंचमार्कवरील परिपूर्ण स्कोअर प्रत्यक्ष-जगातील कार्यक्षमतेशी समतुल्य नसतो, असे ते म्हणाले. या अधिक शिस्तबद्ध दृष्टिकोन असूनही, Salesforce LLMs चा वापर वाढवत आहे, विविध मॉडेल्समध्ये परफॉर्मन्स, खर्च आणि टिकाऊपणासाठी ऑप्टिमाइझ करत आहे. कंपनीला 2026 हे वर्ष एंटरप्राइज AI एडॉप्शनसाठी एक महत्त्वपूर्ण टर्निंग पॉइंट ठरेल अशी अपेक्षा आहे, ज्यामुळे सुरुवातीच्या उत्साहाकडून प्रत्यक्ष व्यावसायिक मूल्य वितरणावर लक्ष केंद्रित केले जाईल.