ਭਾਰਤ 'ਚ ਲਗਭਗ ਅੱਧੀ ਕੰਪਨੀਆਂ Artificial Intelligence (AI) ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੀਆਂ ਹਨ, ਪਰ ਸਿਰਫ 15% ਹੀ ਇਸ ਨੂੰ ਆਪਣੇ ਕਾਰੋਬਾਰਾਂ 'ਚ ਪੂਰੀ ਤਰ੍ਹਾਂ ਸਫਲਤਾਪੂਰਵਕ ਲਾਗੂ ਕਰ ਪਾਈਆਂ ਹਨ। ਡਾਟਾ ਇਨਫਰਾਸਟ੍ਰਕਚਰ ਅਤੇ ਪ੍ਰਕਿਰਿਆ ਡਿਜ਼ਾਈਨ ਦੀਆਂ ਚੁਣੌਤੀਆਂ ਕੰਪਨੀਆਂ ਨੂੰ ਪਿੱਛੇ ਖਿੱਚ ਰਹੀਆਂ ਹਨ।
ਭਾਰਤੀ ਕਾਰਪੋਰੇਸ਼ਨਾਂ ਲਈ Artificial Intelligence (AI) ਇੱਕ ਵੱਡਾ ਫੋਕਸ ਬਣ ਗਿਆ ਹੈ, ਪਰ ਸ਼ੁਰੂਆਤੀ ਟੈਸਟਿੰਗ ਤੋਂ ਲੈ ਕੇ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਕਾਰੋਬਾਰੀ ਪ੍ਰਭਾਵ ਤੱਕ ਦਾ ਸਫ਼ਰ ਕਾਫੀ ਔਖਾ ਸਾਬਤ ਹੋ ਰਿਹਾ ਹੈ। ਮੌਜੂਦਾ ਅੰਕੜਿਆਂ ਮੁਤਾਬਕ, ਭਾਰਤ ਦੀਆਂ 47% ਕੰਪਨੀਆਂ AI ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੀਆਂ ਹਨ, ਪਰ ਇਨ੍ਹਾਂ ਵਿੱਚੋਂ ਸਿਰਫ 15% ਹੀ ਇਸ ਟੈਕਨੋਲੋਜੀ ਨੂੰ ਕਈ ਵਿਭਾਗਾਂ ਜਾਂ ਕਾਰੋਬਾਰੀ ਕਾਰਜਾਂ ਵਿੱਚ ਸਫਲਤਾਪੂਰਵਕ ਏਕੀਕ੍ਰਿਤ (integrate) ਕਰ ਪਾਈਆਂ ਹਨ। ਇਸ ਤੋਂ ਪਤਾ ਲੱਗਦਾ ਹੈ ਕਿ ਜ਼ਿਆਦਾਤਰ ਸੰਗਠਨ ਸੀਮਤ ਟਰਾਇਲ ਪੜਾਵਾਂ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਪਾਇਲਟ ਪ੍ਰੋਜੈਕਟ ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਤੋਂ ਅੱਗੇ ਵਧ ਕੇ ਮਾਪਣਯੋਗ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਸੰਘਰਸ਼ ਕਰ ਰਹੇ ਹਨ।
ਫੈਸ਼ਨ ਤੋਂ ਉੱਪਰ ਬੁਨਿਆਦਾਂ
AI ਨੂੰ ਸਕੇਲ (scale) ਕਰਨ ਵਿੱਚ ਸਫਲਤਾ ਸ਼ਾਇਦ ਹੀ ਸਿਰਫ ਸੌਫਟਵੇਅਰ ਦੀ ਜਟਿਲਤਾ ਕਾਰਨ ਹੁੰਦੀ ਹੈ। ਇਸ ਦੀ ਬਜਾਏ, ਜੋ ਕੰਪਨੀਆਂ ਨਿਰੰਤਰ ਨਤੀਜੇ ਦਿੰਦੀਆਂ ਹਨ, ਜਿਵੇਂ ਕਿ Tata Steel ਅਤੇ Apollo Hospitals, ਉਨ੍ਹਾਂ ਨੇ ਸਾਲਾਂ ਦੇ ਬੁਨਿਆਦੀ ਕੰਮ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕੀਤਾ ਹੈ। Tata Steel, ਉਦਾਹਰਨ ਲਈ, ਆਪਣੇ ਡਾਟਾ ਇਨਫਰਾਸਟ੍ਰਕਚਰ ਨੂੰ ਬਣਾਉਣ ਵਿੱਚ ਲਗਭਗ ਇੱਕ ਦਹਾਕਾ ਬਿਤਾਇਆ ਅਤੇ ਹੁਣ 680 ਤੋਂ ਵੱਧ AI-ਡਰਾਈਵਨ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦਾ ਸੰਚਾਲਨ ਕਰਦੀ ਹੈ। ਇਹ ਰਣਨੀਤੀ ਮਨੁੱਖੀ ਉਤਪਾਦਕਤਾ ਨੂੰ ਵਧਾਉਣ 'ਤੇ ਜ਼ੋਰ ਦਿੰਦੀ ਹੈ, ਨਾ ਕਿ ਇਸਨੂੰ ਬਦਲਣ 'ਤੇ, ਜਿਸ ਲਈ ਵਿਸ਼ੇਸ਼ ਪ੍ਰਤਿਭਾ ਅਤੇ ਮਜ਼ਬੂਤ ਡਿਜੀਟਲ ਫਰੇਮਵਰਕ 'ਤੇ ਨਿਰੰਤਰ ਪੂੰਜੀ ਖਰਚ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
ਇਸੇ ਤਰ੍ਹਾਂ, Apollo Hospitals ਨੇ ਸਖਤ ਕਾਰਜਕਾਰੀ ਅਨੁਸ਼ਾਸਨ ਅਤੇ ਸ਼ਾਸਨ (governance) ਬਣਾਈ ਰੱਖ ਕੇ AI ਨੂੰ ਆਪਣੀਆਂ ਕਲੀਨਿਕਲ ਫੈਸਲੇ ਲੈਣ ਦੀਆਂ ਪ੍ਰਕਿਰਿਆਵਾਂ ਵਿੱਚ ਏਕੀਕ੍ਰਿਤ ਕੀਤਾ ਹੈ। ਉਨ੍ਹਾਂ ਦਾ ਮਾਡਲ EASE ਫਰੇਮਵਰਕ 'ਤੇ ਕੇਂਦ੍ਰਿਤ ਹੈ—ਜਿਸ ਵਿੱਚ ਨੈਤਿਕਤਾ, ਅਪਣਾਉਣ, ਉਚਿਤਤਾ ਅਤੇ ਸਪੱਸ਼ਟੀਕਰਨ (explainability) ਨੂੰ ਤਰਜੀਹ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ—ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਕਿ ਤਕਨਾਲੋਜੀ ਇੱਕ ਛੋਟੀ ਮਿਆਦ ਦੇ ਮਾਰਕੀਟਿੰਗ ਅਭਿਆਸ ਵਜੋਂ ਸੇਵਾ ਕਰਨ ਦੀ ਬਜਾਏ ਮਰੀਜ਼ਾਂ ਦੀ ਦੇਖਭਾਲ ਲਈ ਠੋਸ ਲਾਭ ਪੈਦਾ ਕਰੇ।
ਕਾਰਜਕਾਰੀ ਰੁਕਾਵਟ (Operational Hurdle)
ਬਹੁਤ ਸਾਰੀਆਂ ਕੰਪਨੀਆਂ ਨੂੰ ਉਹ ਚੀਜ਼ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪੈਂਦਾ ਹੈ ਜਿਸਨੂੰ ਵਿਸ਼ਲੇਸ਼ਕ 'ਸੈਂਡਬਾਕਸ ਟ੍ਰੈਪ' (sandbox trap) ਕਹਿੰਦੇ ਹਨ, ਜਿੱਥੇ ਸਫਲ ਛੋਟੇ-ਪੱਧਰ ਦੇ ਪ੍ਰਯੋਗ ਇਸ ਲਈ ਨਹੀਂ ਵਧਦੇ ਕਿਉਂਕਿ ਅੰਡਰਲਾਈੰਗ ਕੰਪਨੀ ਪ੍ਰਕਿਰਿਆਵਾਂ ਅਕਸ਼ਮ (inefficient) ਰਹਿੰਦੀਆਂ ਹਨ। ਇੱਕ ਪੁਰਾਣੇ ਜਾਂ ਟੁੱਟੇ ਹੋਏ ਵਰਕਫਲੋ ਵਿੱਚ ਸਿਰਫ਼ AI ਜੋੜਨ ਨਾਲ ਅਕਸਰ ਅਸਲ ਉਤਪਾਦਕਤਾ ਲਾਭ ਦੀ ਬਜਾਏ ਮੌਜੂਦਾ ਸਮੱਸਿਆਵਾਂ ਦਾ ਆਟੋਮੇਸ਼ਨ ਹੁੰਦਾ ਹੈ। IBM Consulting ਵਰਗੀਆਂ ਫਰਮਾਂ ਦੇ ਮਾਹਰਾਂ ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ ਕਾਰੋਬਾਰੀ ਕਾਰਜਾਂ ਨੂੰ ਮੁੜ-ਡਿਜ਼ਾਈਨ ਕਰਨ ਦੀ ਅਸਲ ਇੱਛਾ ਦੀ ਘਾਟ—ਅਕਸਰ AI ਦੀ ਵਰਤੋਂ ਸਿਰਫ ਜਨਤਕ ਅਕਸ ਜਾਂ ਬੋਰਡ-ਪੱਧਰ ਦੀ ਰਿਪੋਰਟਿੰਗ ਲਈ ਕਰਨਾ—ਸਕੇਲਿੰਗ ਵਿੱਚ ਉੱਚ ਅਸਫਲਤਾ ਦਰ ਦਾ ਇੱਕ ਮੁੱਖ ਕਾਰਨ ਹੈ।
ਮੋਹਰੀ ਕੰਪਨੀਆਂ ਜਿਨ੍ਹਾਂ ਨੇ ਆਪਣੇ ਮੁੱਖ ਕਾਰਜਾਂ ਨੂੰ ਮੁੜ-ਇੰਜੀਨੀਅਰ ਕਰਨ ਵਿੱਚ ਪ੍ਰਬੰਧਨ ਕੀਤਾ ਹੈ, ਜਿਵੇਂ ਕਿ Hindustan Unilever ਅਤੇ Airtel, ਉਨ੍ਹਾਂ ਨੇ ਸਪਲਾਈ ਚੇਨ ਪ੍ਰਬੰਧਨ ਅਤੇ ਨੈਟਵਰਕ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਬੁਨਿਆਦੀ ਰੂਪ ਵਿੱਚ ਬਦਲਣ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਹੈ। ਇਨ੍ਹਾਂ ਸੰਗਠਨਾਂ ਨੇ ਆਪਣੇ ਡਾਟਾ ਸਾਈਲੋਜ਼ (data silos) ਨੂੰ ਮੁੜ-ਵਿਵਸਥਿਤ ਕਰਨ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਨਿਵੇਸ਼ ਕੀਤਾ, ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦੇ ਹੋਏ ਕਿ ਆਟੋਮੇਟਿਡ ਫੈਸਲੇ ਲੈਣ ਨੂੰ ਸਮਰਥਨ ਦੇਣ ਲਈ ਜਾਣਕਾਰੀ ਕੰਪਨੀ ਭਰ ਵਿੱਚ ਸੁਤੰਤਰ ਰੂਪ ਵਿੱਚ ਵਹਿੰਦੀ ਰਹੇ।
ਨਿਵੇਸ਼ਕਾਂ ਲਈ ਭਵਿੱਖ ਦੇ ਨਿਗਰਾਨੀਯੋਗ (Future Monitorables)
ਨਿਵੇਸ਼ਕਾਂ ਲਈ ਕਾਰਪੋਰੇਟ ਬੌਟਮ ਲਾਈਨਾਂ 'ਤੇ AI ਦੇ ਪ੍ਰਭਾਵ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ, ਲਾਗਤ-ਬਚਤ ਪਾਇਲਟ ਅਤੇ ਅਸਲ ਸਕੇਲ ਵਿਚਕਾਰ ਦਾ ਅੰਤਰ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਕਾਰਪੋਰੇਟ ਰਿਪੋਰਟਿੰਗ ਦੇ ਅਗਲੇ ਪੜਾਅ ਵਿੱਚ ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ ਉਨ੍ਹਾਂ ਫਰਮਾਂ ਵਿਚਕਾਰ ਇੱਕ ਸਪਸ਼ਟ ਵੰਡ ਦੇਖਣ ਨੂੰ ਮਿਲੇਗੀ ਜਿਨ੍ਹਾਂ ਨੇ ਲੰਬੇ ਸਮੇਂ ਦੇ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦੇ ਨਿਵੇਸ਼ ਦੁਆਰਾ ਕਾਰਜਕਾਰੀ ਕੁਸ਼ਲਤਾ ਪ੍ਰਾਪਤ ਕੀਤੀ ਹੈ ਅਤੇ ਜੋ ਪ੍ਰਯੋਗਾਤਮਕ ਖਰਚੇ ਦੇ ਚੱਕਰਾਂ ਵਿੱਚ ਫਸੇ ਹੋਏ ਹਨ। ਨਿਵੇਸ਼ਕ ਇਹ ਟਰੈਕ ਕਰ ਸਕਦੇ ਹਨ ਕਿ ਕੀ ਕੰਪਨੀਆਂ ਸ਼ੁਰੂਆਤੀ ਪਾਇਲਟ ਪੜਾਵਾਂ ਤੋਂ ਪਰ੍ਹੇ AI-ਅਗਵਾਈ ਵਾਲੇ ਮਾਰਜਿਨ ਸੁਧਾਰਾਂ ਜਾਂ ਮਾਲੀਆ ਵਾਧੇ ਦਾ ਸਬੂਤ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦੀਆਂ ਹਨ। ਬਦਲਾਅ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨ, ਕਾਮੇ ਨੂੰ ਮੁੜ-ਸਿਖਲਾਈ ਦੇਣ, ਅਤੇ ਪਰਦੇ ਦੇ ਪਿੱਛੇ ਡਾਟਾ ਆਰਕੀਟੈਕਚਰ ਕੰਮ ਦੇ ਸਾਲਾਂ ਲਈ ਵਚਨਬੱਧ ਹੋਣ ਦੀ ਸਮਰੱਥਾ ਲੰਬੇ ਸਮੇਂ ਦੀ ਸਫਲਤਾ ਦਾ ਪ੍ਰਾਇਮਰੀ ਸੂਚਕ ਬਣਨਾ ਜਾਰੀ ਰਹੇਗੀ।