ਭਾਰਤ ਦੀ AI ਦੌੜ 'ਤੇ ਇਨਫ్రాਸਟ੍ਰਕਚਰ ਦੀ ਦੀਵਾਰ: ਪਾਇਲਟ ਪ੍ਰੋਜੈਕਟ ਵੀ ਲਟਕ ਰਹੇ

ਸੰਚਾਲਨ ਵਿੱਚ ਵੱਡੀ ਖਾਮੀ

ਭਾਰਤੀ ਕਾਰਪੋਰੇਟ ਜਗਤ ਵਿੱਚ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਨੂੰ ਜੋੜਨ ਦੀ ਦੌੜ, ਇਸਦੇ ਪਿੱਛੇ ਦੇ ਤਕਨੀਕੀ ਹਕੀਕਤ ਨਾਲੋਂ ਕਾਫੀ ਅੱਗੇ ਨਿਕਲ ਗਈ ਹੈ। ਹਾਲਾਂਕਿ ਬਾਜ਼ਾਰ ਦਾ ਰੁਝਾਨ ਬੇਹੱਦ ਤੇਜ਼ੀ ਵਾਲਾ ਹੈ, ਪਰ 'ਪਰੂਫ-ਆਫ-ਕੌਂਸੈਪਟ' (proof-of-concept) ਪ੍ਰਯੋਗਾਂ ਤੋਂ ਅਸਲ ਵਰਤੋਂ ਤੱਕ ਦਾ ਸਫ਼ਰ ਬੁਰੀ ਤਰ੍ਹਾਂ ਫੇਲ੍ਹ ਹੋ ਰਿਹਾ ਹੈ। ਤਾਜ਼ਾ ਉਦਯੋਗਿਕ ਰਿਪੋਰਟਾਂ ਮੁਤਾਬਕ, ਸਿਰਫ਼ 5% ਸੰਸਥਾਵਾਂ ਹੀ AI ਨੂੰ ਆਪਣੇ ਮੁੱਖ ਕਾਰੋਬਾਰ ਦਾ ਹਿੱਸਾ ਬਣਾ ਸਕੀਆਂ ਹਨ। ਇਹ ਬੋਰਡ-ਪੱਧਰ ਦੇ ਡਿਜੀਟਲ ਪਰਿਵਰਤਨ ਦੇ ਟੀਚਿਆਂ ਅਤੇ ਡਾਟਾ ਸੈਂਟਰਾਂ ਦੀ ਅਸਲੀਅਤ ਵਿਚਾਲੇ ਇੱਕ ਵੱਡਾ ਪਾੜਾ ਦਰਸਾਉਂਦਾ ਹੈ।

ਇਨਫਰਾਸਟ੍ਰਕਚਰ ਬਣਿਆ ਚੁੱਪ ਖਾਮੀ

ਲਾਰਜ ਲੈਂਗੂਏਜ ਮਾਡਲਾਂ (Large Language Models) ਦੇ ਹਾਈਪ ਤੋਂ ਪਰ੍ਹੇ, ਸਭ ਤੋਂ ਵੱਡੀ ਰੁਕਾਵਟ ਉੱਚ-ਪ੍ਰਦਰਸ਼ਨ ਕੰਪਿਊਟ (high-performance compute) ਅਤੇ ਮਜ਼ਬੂਤ ਨੈੱਟਵਰਕਿੰਗ ਦੀ ਕਮੀ ਹੈ। ਜਿਵੇਂ-ਜਿਵੇਂ ਕੰਪਨੀਆਂ ਵਿਭਾਗੀ ਸੀਮਾਵਾਂ ਤੋਂ ਅੱਗੇ ਵਧਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੀਆਂ ਹਨ, ਉਹਨਾਂ ਨੂੰ GPU (Graphics Processing Unit) ਦੀ ਉਪਲਬਧਤਾ ਅਤੇ ਊਰਜਾ ਦੀ ਕੁਸ਼ਲਤਾ ਵਿੱਚ ਗੰਭੀਰ ਸੀਮਾਵਾਂ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪੈ ਰਿਹਾ ਹੈ। ਹੁਣ ਚੁਣੌਤੀ ਸਿਰਫ਼ ਮਾਡਲ ਬਣਾਉਣ ਲਈ ਪ੍ਰਤਿਭਾ ਲੱਭਣਾ ਨਹੀਂ ਹੈ; ਇਹ ਉਹਨਾਂ ਨੂੰ ਸਾਂਭਣ ਲਈ ਲੋੜੀਂਦੇ ਭੌਤਿਕ ਅਤੇ ਤਰਕਪੂਰਨ ਢਾਂਚੇ ਬਾਰੇ ਹੈ। ਰੀਅਲ-ਟਾਈਮ ਡਾਟਾ ਪ੍ਰੋਸੈਸਿੰਗ, ਜੋ ਕਿ ਅਰਥਪੂਰਨ AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਜ਼ਰੂਰੀ ਹੈ, ਉਨ੍ਹਾਂ ਫਰਮਾਂ ਲਈ ਅਜੇ ਵੀ ਇੱਕ ਸੁਪਨਾ ਹੈ ਜੋ ਪੁਰਾਣੇ ਹਾਈਬ੍ਰਿਡ ਕਲਾਉਡ ਵਾਤਾਵਰਣਾਂ ਵਿੱਚ ਫਸੀਆਂ ਹੋਈਆਂ ਹਨ ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਲੋੜੀਂਦੀ ਇੰਟਰਕਨੈਕਟੀਵਿਟੀ ਦੀ ਕਮੀ ਹੈ।

ਗਵਰਨੈਂਸ ਅਤੇ ਆਡਿਟੇਬਿਲਟੀ ਦਾ ਜਾਲ

ਕਾਰਪੋਰੇਟ ਮਾਹੌਲ ਵਿੱਚ AI ਨੂੰ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਲਾਗੂ ਕਰਨ ਲਈ ਸਿਰਫ਼ ਪ੍ਰੋਸੈਸਿੰਗ ਪਾਵਰ ਤੋਂ ਵੱਧ ਦੀ ਲੋੜ ਹੈ। ਇਸ ਲਈ ਡਾਟਾ ਲੀਨੀਏਜ (data lineage), ਸੁਰੱਖਿਆ ਅਤੇ ਨਿਰਧਾਰਤ ਨਤੀਜਿਆਂ (deterministic outcomes) ਲਈ ਇੱਕ ਸਖ਼ਤ ਢਾਂਚੇ ਦੀ ਲੋੜ ਹੈ। ਵਰਤਮਾਨ ਵਿੱਚ, AI ਵਿਕਾਸ ਚੱਕਰ ਦਾ ਆਖ਼ਰੀ 20% - ਉਹ ਪੜਾਅ ਜਿੱਥੇ ਇੱਕ ਪ੍ਰੋਟੋਟਾਈਪ ਨੂੰ ਇੱਕ ਭਰੋਸੇਯੋਗ, ਆਡਿਟ ਕਰਨ ਯੋਗ ਅਤੇ ਐਂਟਰਪ੍ਰਾਈਜ਼-ਗ੍ਰੇਡ ਟੂਲ ਵਿੱਚ ਬਦਲਿਆ ਜਾਂਦਾ ਹੈ - ਜ਼ਿਆਦਾਤਰ ਪੂੰਜੀ ਖਰਚ ਅਤੇ ਮਨੁੱਖੀ ਸਰੋਤਾਂ ਦੀ ਵਰਤੋਂ ਕਰ ਰਿਹਾ ਹੈ। ਬਹੁਤ ਸਾਰੇ ਸੰਗਠਨਾਂ ਨੇ ਬਾਜ਼ਾਰ ਵਿੱਚ ਜਲਦੀ ਪਹੁੰਚਣ ਲਈ ਸ਼ੁਰੂਆਤੀ ਗਵਰਨੈਂਸ ਪ੍ਰੋਟੋਕਾਲਾਂ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕੀਤਾ ਹੈ, ਜਿਸ ਨਾਲ ਇੱਕ ਤਕਨੀਕੀ ਕਰਜ਼ਾ (technical debt) ਪੈਦਾ ਹੋ ਗਿਆ ਹੈ ਜੋ ਇਨ੍ਹਾਂ ਡਿਪਲਾਇਮੈਂਟਾਂ ਦੀ ਲੰਬੇ ਸਮੇਂ ਦੀ ਵਿਹਾਰਕਤਾ ਨੂੰ ਖਤਰੇ ਵਿੱਚ ਪਾਉਂਦਾ ਹੈ। ਕੰਪਨੀਆਂ ਹੁਣ ਇਨ੍ਹਾਂ ਏਜੰਟਾਂ ਨੂੰ ਆਧੁਨਿਕ, AI-ਨੇਟਿਵ ਧਮਕੀਆਂ ਤੋਂ ਸੁਰੱਖਿਅਤ ਕਰਨ ਲਈ ਸੰਘਰਸ਼ ਕਰ ਰਹੀਆਂ ਹਨ ਜੋ ਖਰਾਬ ਤਰੀਕੇ ਨਾਲ ਗਵਰਨ ਕੀਤੇ ਗਏ ਡਾਟਾ ਪਾਈਪਲਾਈਨਾਂ ਵਿੱਚ ਕਮਜ਼ੋਰੀਆਂ ਦਾ ਫਾਇਦਾ ਉਠਾਉਂਦੀਆਂ ਹਨ।

ਫੋਰੈਂਸਿਕ ਬੇਅਰ ਕੇਸ: ਢਾਂਚਾਗਤ ਕਮਜ਼ੋਰੀਆਂ

AI ਵਿੱਚ ਹਮਲਾਵਰ ਧੱਕਾ ਉਨ੍ਹਾਂ ਫਰਮਾਂ ਲਈ ਮਹੱਤਵਪੂਰਨ ਜੋਖਮ ਲੈ ਕੇ ਆਉਂਦਾ ਹੈ ਜੋ ਆਪਣੇ ਇਨਫਰਾਸਟ੍ਰਕਚਰ ਨੂੰ ਆਪਣੇ ਕਾਰੋਬਾਰੀ ਟੀਚਿਆਂ ਨਾਲ ਜੋੜਨ ਵਿੱਚ ਅਸਫਲ ਰਹਿੰਦੀਆਂ ਹਨ। ਇੱਕ ਮੁੱਖ ਚਿੰਤਾ ਭਾਰੀ ਮਾਰਜਿਨ ਕੰਪਰੈਸ਼ਨ ਦੀ ਸੰਭਾਵਨਾ ਹੈ; ਬਹੁਤ ਸਾਰੀਆਂ ਫਰਮਾਂ AI ਕੰਪਿਊਟ ਸਰੋਤਾਂ ਵਿੱਚ ਜ਼ਿਆਦਾ ਨਿਵੇਸ਼ ਕਰ ਰਹੀਆਂ ਹਨ ਜੋ ਵਰਤਮਾਨ ਵਿੱਚ ਘੱਟ ਮਾਡਲ ਉਪਯੋਗਤਾ ਦਰਾਂ (utilization rates) ਕਾਰਨ ਨਾਮਾਤਰ ਰਿਟਰਨ ਆਨ ਇਨਵੈਸਟਮੈਂਟ (ROI) ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦੇ ਹਨ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਮਿਆਰੀ, ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੇ ਡਾਟਾ ਦੀ ਘਾਟ ਅਕਸਰ ਇਨ੍ਹਾਂ ਮਹਿੰਗੇ ਡਿਪਲਾਇਮੈਂਟਾਂ ਨੂੰ ਬੇਅਸਰ ਬਣਾ ਦਿੰਦੀ ਹੈ, ਜਿਸ ਨਾਲ 'ਗਾਰਬੇਜ ਇਨ, ਗਾਰਬੇਜ ਆਊਟ' (garbage in, garbage out) ਵਰਗੀਆਂ ਸਥਿਤੀਆਂ ਪੈਦਾ ਹੁੰਦੀਆਂ ਹਨ। ਗਲੋਬਲ ਹਾਈਪਰਸਕੇਲਰਾਂ (hyperscalers) ਦੇ ਉਲਟ ਜੋ ਵਰਟੀਕਲੀ ਇੰਟੀਗ੍ਰੇਟਡ ਡਾਟਾ ਸੈਂਟਰਾਂ ਨਾਲ ਕੰਮ ਕਰਦੇ ਹਨ, ਬਹੁਤ ਸਾਰੇ ਭਾਰਤੀ ਉੱਦਮ ਖੰਡਿਤ ਸੇਵਾ ਪ੍ਰਦਾਤਾਵਾਂ (fragmented service providers) 'ਤੇ ਨਿਰਭਰ ਕਰ ਰਹੇ ਹਨ, ਜਿਸ ਨਾਲ ਤੀਜੇ-ਪੱਖੀ ਜੋਖਮ (third-party risk) ਅਤੇ ਲੇਟੈਂਸੀ (latency) ਦੇ ਮੁੱਦੇ ਪੈਦਾ ਹੁੰਦੇ ਹਨ। ਕਾਰਜਕਾਰੀ ਜੋ ਡਾਟਾ ਸਫਾਈ ਅਤੇ ਸੁਰੱਖਿਆ ਦੇ ਬੁਨਿਆਦੀ ਕੰਮ ਦੀ ਬਜਾਏ ਚਮਕਦਾਰ, ਖਪਤਕਾਰ-ਮੁਖੀ ਇੰਟਰਫੇਸ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦੇ ਹਨ, ਉਹਨਾਂ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਰੈਗੂਲੇਟਰੀ ਜਾਂਚ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪੈਣ ਦੀ ਸੰਭਾਵਨਾ ਹੈ ਕਿਉਂਕਿ ਡਾਟਾ ਗੋਪਨੀਯਤਾ ਕਾਨੂੰਨ ਵਿਕਸਿਤ ਹੁੰਦੇ ਰਹਿੰਦੇ ਹਨ, ਖਾਸ ਕਰਕੇ ਸੰਵੇਦਨਸ਼ੀਲ ਉਦਯੋਗ ਵਰਟੀਕਲਜ਼ ਦੇ ਅੰਦਰ AI ਏਜੰਟਾਂ ਦੀ ਪਾਲਣਾ ਦੇ ਸੰਬੰਧ ਵਿੱਚ।