NetApp चे CEO जॉर्ज कुरियन यांच्या मते, AI मॉडेल्स सहज उपलब्ध होत असल्याने, कंपन्यांचा स्वतःचा खासगी 'डेटा' हाच त्यांच्या स्पर्धेत टिकून राहण्याचा एकमेव मार्ग ठरेल. गुंतवणूकदारांसाठी, हे तंत्रज्ञान खर्चात बदलाचे संकेत देते, जिथे डेटा व्यवस्थापन, सुरक्षा आणि पायाभूत सुविधांना अधिक महत्त्व मिळेल.
काय आहे घडामोड?
NetApp चे CEO जॉर्ज कुरियन यांनी एक महत्त्वाचे विधान केले आहे. त्यांच्या मते, सध्या AI मॉडेल्सच्या विकासावर जो भर दिला जात आहे, तो तंत्रज्ञानातील एका मोठ्या बदलाकडे दुर्लक्ष करत आहे. जनरेटिव्ह AI मॉडेल्स आता सहज उपलब्ध होत असल्यामुळे, ते एका 'कमोडिटी' (Commodity) प्रमाणे बनत चालले आहेत. कुरियन यांच्या दाव्यानुसार, AI युगात जे जिंकतील ते सर्वोत्तम मॉडेल्स बनवणारे नसून, ते कंपन्या ज्या आपल्या खासगी आणि युनिक डेटाचे प्रभावीपणे व्यवस्थापन करतील.
मॉडेल्सऐवजी डेटावर लक्ष का?
बहुतेक व्यवसायांसाठी, आता अत्याधुनिक AI क्षमता मिळवणे हे आव्हान राहिलेले नाही, कारण हे प्रमुख टेक प्रोव्हायडर्सद्वारे सहज उपलब्ध आहेत. खरे आव्हान हे AI मॉडेल्स वापरत असलेल्या डेटाच्या गुणवत्तेचे आहे. कोणताही AI मॉडेल तो ज्या माहितीवर प्रक्रिया करतो, तितकाच प्रभावी असतो. सार्वजनिक मॉडेल्स सामान्य ज्ञान देतात, पण त्यात कंपनीच्या कामकाजाची, ग्राहकांच्या वर्तनाची किंवा अंतर्गत इतिहासाची खासगी माहिती नसते. कुरियन यांच्या मते, या अंतर्गत डेटाचे संघटन करणे, त्यावर नियंत्रण ठेवणे आणि त्याची सुरक्षा करणे, हीच आता कंपन्यांसाठी 'स्पर्धात्मक धार' (Competitive Moat) ठरेल, ज्याला प्रतिस्पर्धी सहज भेदू शकणार नाहीत.
एंटरप्राइज तंत्रज्ञान खर्चावर परिणाम
या 'डेटा-फर्स्ट' दृष्टिकोनाचा कंपन्या त्यांच्या तंत्रज्ञान बजेट वाटपावर मोठा परिणाम होतो. आता डेटा पायाभूत सुविधांवर (Data Infrastructure) अधिक लक्ष केंद्रित केले जात आहे - म्हणजेच, संवेदनशील माहिती साठवणारे, पुनर्प्राप्त करणारे आणि संरक्षित करणारे सिस्टम्स. कंपन्यांना हे लक्षात येत आहे की प्रभावी AI साठी स्वच्छ, सुलभ आणि सुरक्षित डेटाचा भक्कम पाया आवश्यक आहे. त्यामुळे, बाह्य AI मॉडेल्स परवाना घेण्यापेक्षा डेटा गव्हर्नन्स, स्टोरेज आणि क्लाउड-इंटिग्रेटेड इन्फ्रास्ट्रक्चरवरील खर्च अधिक प्राधान्याचा ठरू शकतो.
IT सेवा आणि पायाभूत सुविधांची भूमिका
या धोरणातील बदलाचा व्यापक IT सेवा क्षेत्रावरही परिणाम होत आहे. यात अनेक मोठ्या भारतीय तंत्रज्ञान कंपन्यांचा समावेश आहे, ज्या जागतिक क्लायंट्ससाठी डिजिटल ट्रान्सफॉर्मेशनचे व्यवस्थापन करतात. डेटा-केंद्रित AI स्ट्रॅटेजी लागू करण्यासाठी डेटा मायग्रेशन, आधुनिकीकरण आणि सुरक्षित डेटा पाइपलाइन स्थापित करणे यासारखे महत्त्वपूर्ण बॅकएंड काम आवश्यक आहे. या क्लिष्ट डेटा वातावरणाचे व्यवस्थापन करणाऱ्या कंपन्या, एंटरप्राइजेसना AI मॉडेल्सच्या प्रयोगातून ते मोठ्या प्रमाणावर तैनात करण्याच्या स्थितीत रूपांतरित करण्यासाठी मदत करू शकतील.
व्यावसायिक धोके आणि नियामक आव्हाने
डेटा ही एक मौल्यवान संपत्ती असली तरी, त्यात धोकेही आहेत. मोठ्या प्रमाणात खासगी माहिती, जसे की आर्थिक नोंदी, क्लिनिकल डेटा आणि ग्राहक अंतर्दृष्टी (Customer Insights) एकाच ठिकाणी जमा केल्याने, सुरक्षेच्या धोक्यांची शक्यता वाढते. याव्यतिरिक्त, 'डेटा सार्वभौमत्व' (Data Sovereignty) - स्थानिक आणि आंतरराष्ट्रीय नियमांचे पालन करताना संवेदनशील माहितीवर नियंत्रण ठेवण्याची आवश्यकता - एक सातत्यपूर्ण अनुपालन आव्हान निर्माण करते. डेटा गव्हर्नन्स प्रभावीपणे व्यवस्थापित करण्यात अयशस्वी ठरलेल्या कंपन्यांना महत्त्वपूर्ण कायदेशीर, आर्थिक आणि प्रतिष्ठेचे नुकसान सहन करावे लागू शकते.
गुंतवणूकदारांनी काय पाहावे?
गुंतवणूकदार कॉर्पोरेट खर्चातील डेटा पायाभूत सुविधा विरुद्ध AI ऍप्लिकेशन खर्चातील ट्रेंडवर लक्ष ठेवू शकतात. डेटा गव्हर्नन्स नियम, स्टोरेज-एज-ए-सर्व्हिस (Storage-as-a-Service) मॉडेल्सची वाढ आणि डेटा आधुनिकीकरण प्रकल्पांच्या मागणीबद्दल IT सेवा प्रदात्यांकडून येणारी भाष्ये हे तपासण्याचे मुख्य मुद्दे आहेत. एंटरप्राइझ AI चे यश, कंपन्या त्यांच्या कच्च्या, विखुरलेल्या डेटामधील अंतर भरून आधुनिक AI प्रणालींच्या गरजा पूर्ण करू शकतात की नाही यावर अवलंबून असेल.