ਭਾਰਤ ਦੇ ਬੈਂਕ ਅਤੇ NBFC ਹੁਣ AI ਪ੍ਰੋਜੈਕਟਾਂ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ 'ਫਾਰਵਰਡ ਡਿਪਲੋਇਡ ਇੰਜੀਨੀਅਰ' ਮਾਡਲ ਅਪਣਾ ਰਹੇ ਹਨ। ਕੰਪਨੀਆ ਨੇ ਮਾਹਿਰਾਂ ਨੂੰ ਸਿੱਧਾ ਕੰਮਕਾਜ ਵਿੱਚ ਲਾ ਕੇ AI ਪਾਇਲਟਾਂ ਨੂੰ ਕਾਰਜਸ਼ੀਲ ਟੂਲ ਬਣਾਉਣ ਦਾ ਟੀਚਾ ਰੱਖਿਆ ਹੈ। ਨਿਵੇਸ਼ਕਾਂ ਲਈ, ਇਹ ਤਬਦੀਲੀ ਟੈਕਨਾਲੋਜੀ ਖਰਚਿਆਂ ਵਿੱਚ ਵੱਧ ਜਵਾਬਦੇਹੀ ਦਾ ਸੰਕੇਤ ਦਿੰਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਵਿੱਤੀ ਸੰਸਥਾਵਾਂ ਦੀ ਕਾਰਜਕਾਰੀ ਕੁਸ਼ਲਤਾ ਵਿੱਚ ਸੁਧਾਰ ਹੋ ਸਕਦਾ ਹੈ ਅਤੇ IT ਸੇਵਾ ਪ੍ਰਦਾਤਾਵਾਂ ਲਈ ਮਾਲੀਆ ਮਾਡਲ ਬਦਲ ਸਕਦੇ ਹਨ।
ਕੀ ਹੋਇਆ?
ਭਾਰਤ ਵਿੱਚ ਵਿੱਤੀ ਸੰਸਥਾਵਾਂ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੇ ਆਪਣੇ ਤਰੀਕਿਆਂ ਨੂੰ ਬਦਲ ਰਹੀਆਂ ਹਨ। ਕਈ ਬੈਂਕਾਂ, ਨਾਨ-ਬੈਂਕਿੰਗ ਵਿੱਤੀ ਕੰਪਨੀਆਂ (NBFCs) ਅਤੇ ਗਲੋਬਲ ਕੈਪੇਬਿਲਟੀ ਸੈਂਟਰ (GCCs) AI ਪ੍ਰੋਜੈਕਟਾਂ ਨੂੰ ਪਾਇਲਟ ਪੜਾਅ ਤੋਂ ਅੱਗੇ ਵਧਾਉਣ ਵਿੱਚ ਸੰਘਰਸ਼ ਕਰ ਰਹੇ ਹਨ। ਇਸ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ, ਇਹ ਫਰਮਾਂ ਹੁਣ 'ਫਾਰਵਰਡ ਡਿਪਲੋਇਡ ਇੰਜੀਨੀਅਰ' ਮਾਡਲ ਅਪਣਾ ਰਹੀਆਂ ਹਨ। ਇਹ ਇੱਕ ਅਜਿਹੀ ਰਣਨੀਤੀ ਹੈ ਜਿਸ ਵਿੱਚ ਸੀਨੀਅਰ ਇੰਜੀਨੀਅਰਾਂ ਨੂੰ ਸਿੱਧਾ ਉਹਨਾਂ ਬਿਜ਼ਨਸ ਯੂਨਿਟਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਦੀ ਉਹ ਸੇਵਾ ਕਰਦੇ ਹਨ।
ਰਵਾਇਤੀ IT ਭੂਮਿਕਾਵਾਂ ਦੇ ਉਲਟ, ਜਿੱਥੇ ਟੀਮਾਂ ਇਕੱਲਿਆਂ ਕੰਮ ਕਰਦੀਆਂ ਹਨ, ਇਹ ਇੰਜੀਨੀਅਰ ਪ੍ਰੋਡਕਟ ਮੈਨੇਜਮੈਂਟ, ਇੰਜੀਨੀਅਰਿੰਗ ਅਤੇ ਬੈਂਕਿੰਗ ਕਾਰਜਾਂ ਦੇ ਮਿਲਾਨ ਬਿੰਦੂ 'ਤੇ ਕੰਮ ਕਰਦੇ ਹਨ। ਉਹਨਾਂ ਦਾ ਮੁੱਖ ਟੀਚਾ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਹੈ ਕਿ AI ਟੂਲ, ਜਿਵੇਂ ਕਿ ਆਟੋਮੇਟਿਡ ਕ੍ਰੈਡਿਟ ਅੰਡਰਰਾਈਟਿੰਗ ਜਾਂ ਧੋਖਾਧੜੀ ਦਾ ਪਤਾ ਲਗਾਉਣ ਵਾਲੇ ਸਿਸਟਮ, ਅਸਲ-ਦੁਨੀਆ ਦੀਆਂ ਬੈਂਕਿੰਗ ਕਾਰਜ-ਪ੍ਰਣਾਲੀਆਂ, ਨਿਯਮਾਂ ਅਤੇ ਪੁਰਾਣੇ ਸਿਸਟਮਾਂ ਦੀਆਂ ਸੀਮਾਵਾਂ ਦੇ ਅੰਦਰ ਅਸਲ ਵਿੱਚ ਕੰਮ ਕਰਨ।
AI ਪਾਇਲਟ ਅਕਸਰ ਕਿਉਂ ਰੁਕ ਜਾਂਦੇ ਹਨ?
ਨਿਵੇਸ਼ਕਾਂ ਲਈ, ਮੁੱਖ ਮੁੱਦਾ ਇਹ ਹੈ ਕਿ ਜੇਕਰ ਸਾਫਟਵੇਅਰ ਨੂੰ ਰੋਜ਼ਾਨਾ ਕਾਰਜਾਂ ਵਿੱਚ ਏਕੀਕ੍ਰਿਤ (Integrate) ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਤਾਂ ਵਿੱਤ ਵਿੱਚ ਟੈਕਨਾਲੋਜੀ ਖਰਚੇ ਅਕਸਰ ਰਿਟਰਨ ਪੈਦਾ ਕਰਨ ਵਿੱਚ ਅਸਫਲ ਰਹਿੰਦੇ ਹਨ। ਇੱਕ ਵੱਡੀ ਰੁਕਾਵਟ 'ਸੰਦਰਭ' (Context) ਦੀ ਘਾਟ ਹੈ। ਇੱਕ AI ਮਾਡਲ ਟੈਸਟ ਵਾਤਾਵਰਣ ਵਿੱਚ ਸਹੀ ਹੋ ਸਕਦਾ ਹੈ ਪਰ ਸ਼ਾਖਾ ਜਾਂ ਸੰਪਰਕ ਕੇਂਦਰ ਵਿੱਚ ਅਸਫਲ ਹੋ ਸਕਦਾ ਹੈ ਕਿਉਂਕਿ ਇਸ ਕੋਲ ਸਹੀ ਗਾਹਕ ਡਾਟਾ ਤੱਕ ਪਹੁੰਚ ਨਹੀਂ ਹੁੰਦੀ ਜਾਂ ਮੌਜੂਦਾ ਪਾਲਣ ਨੀਤੀਆਂ ਨਾਲ ਟਕਰਾਅ ਹੁੰਦਾ ਹੈ।
ਜਦੋਂ ਇਹ ਏਕੀਕਰਨ ਗੈਪ ਵਾਪਰਦੇ ਹਨ, ਤਾਂ AI ਪ੍ਰੋਜੈਕਟ ਅਕਸਰ ਅਣਵਰਤੇ ਰਹਿ ਜਾਂਦੇ ਹਨ। ਇਸ ਨਾਲ ਉਹਨਾਂ ਸਾਫਟਵੇਅਰਾਂ 'ਤੇ ਪੂੰਜੀ ਖਰਚਾ (Capital Expenditure) ਬਰਬਾਦ ਹੁੰਦਾ ਹੈ ਜੋ ਕਦੇ ਵੀ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਨਹੀਂ ਪਹੁੰਚ ਪਾਉਂਦੇ। ਫਾਰਵਰਡ ਡਿਪਲੋਇਡ ਮਾਡਲ ਇਸ ਅਸਫਲਤਾ ਦਾ ਸਿੱਧਾ ਜਵਾਬ ਹੈ, ਜੋ ਇੰਜੀਨੀਅਰਾਂ ਨੂੰ ਇਹਨਾਂ ਏਕੀਕਰਨ ਰੁਕਾਵਟਾਂ ਦੀ ਰੀਅਲ-ਟਾਈਮ ਵਿੱਚ ਪਛਾਣ ਕਰਨ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਠੀਕ ਕਰਨ ਲਈ ਮੈਦਾਨ ਵਿੱਚ ਉਤਾਰਦਾ ਹੈ।
ਕਾਰੋਬਾਰ ਅਤੇ ਕੁਸ਼ਲਤਾ 'ਤੇ ਪ੍ਰਭਾਵ
ਇਹ ਤਬਦੀਲੀ ਇਸ ਗੱਲ ਵਿੱਚ ਇੱਕ ਬਦਲਾਅ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ ਕਿਵੇਂ ਵਿੱਤੀ ਫਰਮਾਂ ਆਪਣੀਆਂ ਟੈਕ ਟੀਮਾਂ ਦੀ ਸਫਲਤਾ ਨੂੰ ਮਾਪਦੀਆਂ ਹਨ। ਪਹਿਲਾਂ, ਸਫਲਤਾ ਨੂੰ ਸਿਰਫ ਇੱਕ ਪ੍ਰੋਜੈਕਟ ਨੂੰ ਪੂਰਾ ਕਰਨ ਜਾਂ ਕੋਡ ਪ੍ਰਦਾਨ ਕਰਨ ਦੁਆਰਾ ਮਾਪਿਆ ਜਾ ਸਕਦਾ ਸੀ। ਨਵੇਂ ਮਾਡਲ ਦੇ ਤਹਿਤ, ਸਫਲਤਾ 'ਅਪਣਾਉਣ' (Adoption) ਅਤੇ 'ਕਾਰਜਕਾਰੀ ਨਤੀਜਿਆਂ' (Operational Outcomes) ਨਾਲ ਜੁੜੀ ਹੋਈ ਹੈ।
ਜੇਕਰ ਬੈਂਕ ਅਤੇ NBFC ਇਸ ਮਾਡਲ ਨੂੰ ਸਫਲਤਾਪੂਰਵਕ ਲਾਗੂ ਕਰ ਸਕਦੇ ਹਨ, ਤਾਂ ਇਸ ਨਾਲ ਕਾਰਜਕਾਰੀ ਕੁਸ਼ਲਤਾ ਵਿੱਚ ਸੁਧਾਰ ਹੋ ਸਕਦਾ ਹੈ। ਪ੍ਰਭਾਵਸ਼ਾਲੀ AI ਲਾਗੂਕਰਨ ਕ੍ਰੈਡਿਟ ਫੈਸਲਿਆਂ ਲਈ ਲੱਗਣ ਵਾਲੇ ਸਮੇਂ ਨੂੰ ਘਟਾ ਸਕਦਾ ਹੈ ਜਾਂ ਧੋਖਾਧੜੀ ਦੇ ਨੁਕਸਾਨ ਨੂੰ ਘੱਟ ਕਰ ਸਕਦਾ ਹੈ। ਨਿਵੇਸ਼ਕਾਂ ਲਈ, ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਬੈਂਕਾਂ ਨੂੰ ਅੰਤ ਵਿੱਚ ਬਿਹਤਰ ਲਾਗਤ-ਤੋਂ-ਆਮਦਨ ਅਨੁਪਾਤ (Cost-to-Income Ratios) ਦੇਖਣ ਨੂੰ ਮਿਲ ਸਕਦੇ ਹਨ, ਹਾਲਾਂਕਿ ਇਹਨਾਂ ਵਿਸ਼ੇਸ਼ ਇੰਜੀਨੀਅਰਾਂ ਨੂੰ ਨਿਯੁਕਤ ਕਰਨ ਜਾਂ ਸਿਖਲਾਈ ਦੇਣ ਦੀ ਸ਼ੁਰੂਆਤੀ ਲਾਗਤ ਮਹੱਤਵਪੂਰਨ ਹੈ।
IT ਪ੍ਰਦਾਤਾਵਾਂ ਲਈ ਮੌਕੇ ਅਤੇ ਜੋਖਮ
IT ਸੇਵਾ ਫਰਮਾਂ ਅਤੇ ਸਲਾਹਕਾਰ ਕੰਪਨੀਆਂ ਲਈ, ਇਹ ਇੱਕ ਨਵੀਂ ਸੇਵਾ ਪ੍ਰਦਾਨ ਕਰਨ ਦਾ ਮੌਕਾ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਰਵਾਇਤੀ ਪ੍ਰੋਜੈਕਟ-ਆਧਾਰਿਤ ਬਿਲਿੰਗ ਦੇ ਬਜਾਏ, ਜਿੱਥੇ ਇੱਕ ਕੰਪਨੀ ਕੰਮ ਦੀ ਇੱਕ ਨਿਰਧਾਰਤ ਮਾਤਰਾ ਲਈ ਭੁਗਤਾਨ ਕਰਦੀ ਹੈ, ਇਹ ਮਾਡਲ ਸਮਰੱਥਾ ਟ੍ਰਾਂਸਫਰ 'ਤੇ ਕੇਂਦ੍ਰਿਤ ਲੰਬੇ-ਸਮੇਂ ਦੀਆਂ ਭਾਈਵਾਲੀ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਦਾ ਹੈ।
ਹਾਲਾਂਕਿ, ਜੋਖਮ ਹਨ। ਇਸ ਪਹੁੰਚ ਲਈ ਅਜਿਹੀ ਪ੍ਰਤਿਭਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਜੋ ਗੁੰਝਲਦਾਰ ਕੋਡਿੰਗ ਅਤੇ ਵਿੱਤੀ ਨਿਯਮਾਂ ਦੋਵਾਂ ਨੂੰ ਸਮਝਦੀ ਹੋਵੇ। ਇਸ ਗੱਲ ਦਾ ਜੋਖਮ ਹੈ ਕਿ ਕੰਪਨੀਆਂ ਅਜਿਹੀ ਵਿਸ਼ੇਸ਼ ਪ੍ਰਤਿਭਾ ਲੱਭਣ ਜਾਂ ਉਸਦਾ ਖਰਚਾ ਚੁੱਕਣ ਵਿੱਚ ਸੰਘਰਸ਼ ਕਰ ਸਕਦੀਆਂ ਹਨ, ਜਿਸ ਨਾਲ ਲਾਗਤ ਵੱਧ ਸਕਦੀ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਕਿਸੇ ਵੀ ਏਕੀਕਰਨ ਯਤਨ ਵਿੱਚ ਡਾਟਾ ਸੁਰੱਖਿਆ ਵਿੱਚ ਕੁਤਾਹੀ ਜਾਂ ਰੈਗੂਲੇਟਰੀ ਧੱਕੇਸ਼ਾਹੀ ਦਾ ਜੋਖਮ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ ਜੇਕਰ AI ਸਿਸਟਮ ਪਾਲਣ ਨਿਯਮਾਂ ਦੀ ਸਖਤੀ ਨਾਲ ਪਾਲਣਾ ਨਹੀਂ ਕਰਦੇ ਹਨ।
ਨਿਵੇਸ਼ਕਾਂ ਨੂੰ ਅੱਗੇ ਕੀ ਟਰੈਕ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ?
ਨਿਵੇਸ਼ਕ ਦੇਖ ਸਕਦੇ ਹਨ ਕਿ ਵਿੱਤੀ ਸੰਸਥਾਵਾਂ ਇਸ ਵਧੇਰੇ ਮਹਿੰਗੇ, ਪਰ ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਵਧੇਰੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ, ਪ੍ਰਤਿਭਾ ਰਣਨੀਤੀ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਲਈ ਆਪਣੇ IT ਬਜਟ ਨੂੰ ਕਿਵੇਂ ਵਿਵਸਥਿਤ ਕਰਦੀਆਂ ਹਨ। ਮੁੱਖ ਟਰੈਕ ਕਰਨ ਯੋਗ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ:
- ਟੈਕਨਾਲੋਜੀ ROI: ਕੀ ਬੈਂਕ ਇਹਨਾਂ ਏਮਬੇਡਡ ਮਾਡਲਾਂ ਨੂੰ ਅਪਣਾਉਣ ਤੋਂ ਬਾਅਦ ਗਾਹਕ ਸੇਵਾ ਜਾਂ ਕ੍ਰੈਡਿਟ ਜੋਖਮ ਵਿੱਚ ਸੁਧਰੇ ਹੋਏ ਮੈਟ੍ਰਿਕਸ ਦੀ ਰਿਪੋਰਟ ਕਰਦੇ ਹਨ।
- IT ਸੇਵਾ ਇਕਰਾਰਨਾਮੇ: ਕੀ ਵੱਡੇ IT ਪ੍ਰਦਾਤਾ ਆਪਣੇ ਇਕਰਾਰਨਾਮਿਆਂ ਨੂੰ ਸਿਰਫ਼ 'ਘੰਟੇ ਕੰਮ ਕੀਤੇ' ਜਾਂ 'ਪ੍ਰੋਜੈਕਟ ਡਿਲਿਵਰੀ' ਦੀ ਬਜਾਏ 'ਨਤੀਜਿਆਂ' 'ਤੇ ਵਧੇਰੇ ਕੇਂਦ੍ਰਿਤ ਕਰਨ ਲਈ ਬਦਲਦੇ ਹਨ।
- ਪ੍ਰਤਿਭਾ ਲਾਗਤਾਂ: ਕੀ ਟੈਕ ਸੈਕਟਰ ਵਿੱਚ ਤਨਖਾਹ ਵਾਧਾ, ਖਾਸ ਤੌਰ 'ਤੇ ਉੱਚ-ਅੰਤ ਦੀਆਂ AI ਭੂਮਿਕਾਵਾਂ ਲਈ, ਵਿੱਤੀ ਸੇਵਾ ਫਰਮਾਂ ਦੇ ਮਾਰਜਿਨ 'ਤੇ ਦਬਾਅ ਪਾਉਂਦਾ ਹੈ।
- ਰੈਗੂਲੇਟਰੀ ਅਪਡੇਟਸ: ਰੈਗੂਲੇਟਰ ਮੁੱਖ ਬੈਂਕਿੰਗ ਕਾਰਜਾਂ ਵਿੱਚ AI ਦੀ ਵਧੀ ਹੋਈ ਵਰਤੋਂ 'ਤੇ ਕਿਵੇਂ ਪ੍ਰਤੀਕਿਰਿਆ ਕਰਦੇ ਹਨ, ਕਿਉਂਕਿ ਪਾਲਣ ਲੋੜਾਂ AI ਨੂੰ ਲਾਈਵ ਵਿੱਤੀ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ ਏਕੀਕ੍ਰਿਤ ਕਰਨ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਡਾ ਰੁਕਾਵਟ ਹਨ।