AI ਇੰਡਸਟਰੀ ਦਾ ਨਵਾਂ ਪਲੇਬੁੱਕ: ਖਰਚੇ ਘਟਾਉਣਾ ਹੀ ਬਣਿਆ ਸਭ ਤੋਂ ਵੱਡਾ ਫੋਕਸ!

AI ਇੰਡਸਟਰੀ ਹੁਣ ਵੱਡੇ ਖਰਚਿਆਂ ਦੀ ਥਾਂ 'ਤੇ ਕਾਰਜਕਾਰੀ ਕੁਸ਼ਲਤਾ (Operational Efficiency) 'ਤੇ ਜ਼ਿਆਦਾ ਧਿਆਨ ਦੇ ਰਹੀ ਹੈ। ਨਿਵੇਸ਼ਕਾਂ (Investors) ਲਈ, ਇਹ ਇੱਕ ਵੱਡਾ ਬਦਲਾਅ ਹੈ, ਜਿੱਥੇ ਹੁਣ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਪੈਸਾ ਲਗਾਉਣ ਦੀ ਬਜਾਏ ਘੱਟ ਲਾਗਤ 'ਤੇ ਹਾਈ-ਪਰਫਾਰਮੈਂਸ AI ਦੇਣ ਵਾਲੀਆਂ ਕੰਪਨੀਆਂ ਨੂੰ ਤਰਜੀਹ ਦਿੱਤੀ ਜਾਵੇਗੀ, ਕਿਉਂਕਿ ਮੋਨਟਾਈਜ਼ੇਸ਼ਨ (Monetization) ਅਜੇ ਵੀ ਇੱਕ ਵੱਡਾ ਸਵਾਲ ਬਣਿਆ ਹੋਇਆ ਹੈ।

ਕੀ ਹੋਇਆ?

ਆਰਟੀਫਿਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਦੀ ਦੁਨੀਆ ਵਿੱਚ ਇੱਕ ਵੱਡਾ ਰਣਨੀਤਕ ਬਦਲਾਅ ਦੇਖਣ ਨੂੰ ਮਿਲ ਰਿਹਾ ਹੈ। ਪਿਛਲੇ ਕੁਝ ਸਾਲਾਂ ਤੋਂ, ਗੱਲਬਾਤ ਮੁੱਖ ਤੌਰ 'ਤੇ ਡਾਟਾ ਸੈਂਟਰਾਂ, ਵੱਡੇ ਡਾਟਾਸੈੱਟਾਂ ਅਤੇ ਵਿਸ਼ਾਲ ਮਾਡਲਾਂ 'ਤੇ ਕੀਤੇ ਜਾ ਰਹੇ ਭਾਰੀ ਕੈਪੀਟਲ ਖਰਚਿਆਂ (Capital Spending) 'ਤੇ ਕੇਂਦਰਿਤ ਸੀ। ਪਰ ਹੁਣ, ਇੰਡਸਟਰੀ ਦੇ ਲੀਡਰ ਇੱਕ ਨਵੇਂ ਮਾਪਦੰਡ ਵੱਲ ਵਧ ਰਹੇ ਹਨ: ਕੁਸ਼ਲਤਾ (Efficiency)। ਹੁਣ ਮੁੱਖ ਟੀਚਾ ਸਿਰਫ ਸਭ ਤੋਂ ਵੱਡਾ AI ਮਾਡਲ ਬਣਾਉਣਾ ਨਹੀਂ, ਬਲਕਿ ਘੱਟ ਲਾਗਤ 'ਤੇ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੀ ਇੰਟੈਲੀਜੈਂਸ ਪ੍ਰਦਾਨ ਕਰਨਾ ਹੈ। ਇਸ ਵਿੱਚ 'ਇੰਟੈਲੀਜੈਂਸ ਪਰ ਟੋਕਨ' (Intelligence per token) ਜਾਂ 'ਇੰਟੈਲੀਜੈਂਸ ਪਰ ਵਾਟ' (Intelligence per watt) ਵਰਗੇ ਮੈਟ੍ਰਿਕਸ 'ਤੇ ਫੋਕਸ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ, ਜੋ ਇਹ ਮਾਪਦੇ ਹਨ ਕਿ ਟੈਕਨਾਲੋਜੀ 'ਤੇ ਖਰਚੇ ਗਏ ਪੈਸੇ ਅਤੇ ਊਰਜਾ ਦੀ ਹਰ ਇਕਾਈ ਲਈ ਕਿੰਨੀ ਕੀਮਤ ਬਣਾਈ ਜਾਂਦੀ ਹੈ।

ਨਿਵੇਸ਼ਕਾਂ ਲਈ ਇਹ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ?

ਨਿਵੇਸ਼ਕ ਟੈੱਕ ਕੰਪਨੀਆਂ ਦੁਆਰਾ AI ਇਨਫਰਾਸਟਰਕਚਰ 'ਤੇ ਖਰਚੇ ਜਾ ਰਹੇ ਪੈਸੇ 'ਤੇ ਨੇੜੀਓਂ ਨਜ਼ਰ ਰੱਖ ਰਹੇ ਹਨ। ਜਦੋਂ ਕਿ ਇਹ ਖਰਚਾ ਬੁਨਿਆਦੀ ਸਮਰੱਥਾਵਾਂ ਬਣਾਉਣ ਲਈ ਜ਼ਰੂਰੀ ਸੀ, ਇਹ ਕਾਫੀ ਵਿੱਤੀ ਦਬਾਅ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਜੇਕਰ ਕੰਪਨੀਆਂ AI ਮਾਡਲਾਂ ਨੂੰ ਛੋਟਾ ਅਤੇ ਵਧੇਰੇ ਕੁਸ਼ਲ ਬਣਾ ਸਕਦੀਆਂ ਹਨ, ਤਾਂ ਉਹ ਡਾਟਾ ਸੈਂਟਰ ਸਮਰੱਥਾ ਦੇ ਨਿਰੰਤਰ, ਭਾਰੀ ਅੱਪਗਰੇਡਾਂ ਦੀ ਲੋੜ ਨੂੰ ਘਟਾ ਸਕਦੀਆਂ ਹਨ। ਸ਼ੇਅਰਧਾਰਕਾਂ (Shareholders) ਲਈ ਇਹ ਇਸ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿਉਂਕਿ ਇਹ ਆਖਿਰਕਾਰ ਬਿਹਤਰ ਪ੍ਰੋਫਿਟ ਮਾਰਜਿਨ (Profit Margins) ਵੱਲ ਲੈ ਜਾ ਸਕਦਾ ਹੈ। ਜੇਕਰ ਕੋਈ ਕੰਪਨੀ ਘੱਟ ਬਿਜਲੀ ਅਤੇ ਘੱਟ ਹਾਰਡਵੇਅਰ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਉਹੀ AI ਪ੍ਰਦਰਸ਼ਨ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੀ ਹੈ, ਤਾਂ ਇਸ ਨਾਲ ਚੱਲ ਰਹੇ ਸੰਚਾਲਨ ਖਰਚਿਆਂ (Operating Costs) 'ਤੇ ਪੈਸੇ ਦੀ ਬਚਤ ਹੁੰਦੀ ਹੈ, ਜੋ ਕਿ ਲੰਬੇ ਸਮੇਂ ਦੀ ਵਿਕਾਸ (Growth) ਨੂੰ ਕਾਇਮ ਰੱਖਣ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਕਾਰਕ ਹੈ।

ਐਜ ਕੰਪਿਊਟਿੰਗ (Edge Computing) ਵੱਲ ਵਧਣਾ

ਕੁਸ਼ਲਤਾ ਲਈ ਮੌਜੂਦਾ ਧੱਕਾ 'ਐਜ ਕੰਪਿਊਟਿੰਗ' (Edge Computing) ਨੂੰ ਅਪਣਾਉਣ ਲਈ ਵੀ ਪ੍ਰੇਰਿਤ ਕਰ ਰਿਹਾ ਹੈ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਨੂੰ ਹਰ ਕੰਮ ਨੂੰ ਇੱਕ ਵਿਸ਼ਾਲ, ਊਰਜਾ-ਭੁੱਖੇ ਕਲਾਉਡ ਸਰਵਰ ਰਾਹੀਂ ਭੇਜਣ ਦੀ ਬਜਾਏ, ਫੋਨ, ਲੈਪਟਾਪ ਅਤੇ ਸਥਾਨਕ ਫੈਕਟਰੀ ਸੈਂਸਰਾਂ ਵਰਗੇ ਨਿੱਜੀ ਡਿਵਾਈਸਾਂ 'ਤੇ ਸਿੱਧੇ ਚਲਾਉਣਾ। AI ਨੂੰ ਸਥਾਨਕ ਤੌਰ 'ਤੇ ਚਲਾ ਕੇ, ਕੰਪਨੀਆਂ ਲੇਟੈਂਸੀ (Latency - AI ਦੁਆਰਾ ਜਵਾਬ ਦੇਣ ਵਿੱਚ ਲੱਗਣ ਵਾਲਾ ਸਮਾਂ) ਨੂੰ ਘਟਾ ਸਕਦੀਆਂ ਹਨ ਅਤੇ 'ਇਨਫਰੈਂਸ' (Inference - ਕਿਸੇ ਕੰਮ ਨੂੰ ਕਰਨ ਲਈ AI ਮਾਡਲ ਚਲਾਉਣ ਦੀ ਲਾਗਤ) ਦੀ ਲਾਗਤ ਨੂੰ ਕਾਫੀ ਹੱਦ ਤੱਕ ਘਟਾ ਸਕਦੀਆਂ ਹਨ। ਕਾਰੋਬਾਰਾਂ ਲਈ, ਇਹ ਕਦਮ ਪ੍ਰਦਰਸ਼ਨ ਲੋੜਾਂ ਨੂੰ ਬਜਟ ਦੇ ਨਾਲ ਸੰਤੁਲਿਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਉਹ AI ਨੂੰ ਮਹਿੰਗੇ ਲੈਬ ਵਾਤਾਵਰਣ ਤੱਕ ਸੀਮਤ ਰੱਖਣ ਦੀ ਬਜਾਏ, ਵਿਹਾਰਕ, ਰੋਜ਼ਾਨਾ ਸਥਿਤੀਆਂ ਵਿੱਚ ਲਾਗੂ ਕਰ ਸਕਦੇ ਹਨ।

ਮੋਨਟਾਈਜ਼ੇਸ਼ਨ (Monetization) ਦੀ ਪਹੇਲੀ

ਜਦੋਂ ਕਿ ਟੈਕਨਾਲੋਜੀ ਤੇਜ਼ੀ ਨਾਲ ਵਿਕਸਤ ਹੋ ਰਹੀ ਹੈ, ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਜੋਖਮ ਬਣਿਆ ਹੋਇਆ ਹੈ: ਇਹ ਅਨਿਸ਼ਚਿਤਤਾ ਕਿ ਕੰਪਨੀਆਂ ਅਸਲ ਵਿੱਚ ਇਹਨਾਂ ਸਾਧਨਾਂ ਤੋਂ ਪੈਸਾ ਕਿਵੇਂ ਕਮਾਉਣਗੀਆਂ। AI ਸਿਸਟਮ ਬਣਾਉਣ ਅਤੇ ਬਣਾਈ ਰੱਖਣ ਦੇ ਉੱਚ ਖਰਚਿਆਂ ਦੇ ਬਾਵਜੂਦ, ਸਪੱਸ਼ਟ ਅਤੇ ਸਥਿਰ ਮਾਲੀਆ ਮਾਡਲ (Revenue Models) ਅਜੇ ਵੀ ਵਿਕਾਸ ਅਧੀਨ ਹਨ। ਬਹੁਤ ਸਾਰੇ ਉੱਦਮ 'ਵੈਂਡਰ ਲਾਕ-ਇਨ' (Vendor Lock-in) ਬਾਰੇ ਸਾਵਧਾਨ ਹਨ, ਜਿੱਥੇ ਉਹ ਇੱਕੋ ਪ੍ਰਦਾਤਾ ਦੀ ਮਹਿੰਗੀ, ਮਲਕੀਅਤੀ ਟੈਕਨਾਲੋਜੀ ਦੀ ਵਰਤੋਂ ਕਰਨ ਵਿੱਚ ਫਸ ਸਕਦੇ ਹਨ। ਨਤੀਜੇ ਵਜੋਂ, ਕਾਰੋਬਾਰ ਲਚਕੀਲੇ, ਮਲਟੀ-ਮਾਡਲ ਵਾਤਾਵਰਣਾਂ ਨੂੰ ਤਰਜੀਹ ਦੇ ਰਹੇ ਹਨ ਜਿੱਥੇ ਉਹ ਆਪਣੀਆਂ ਖਾਸ ਲੋੜਾਂ ਲਈ ਲਾਗਤ ਅਤੇ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਸਭ ਤੋਂ ਵਧੀਆ ਸੰਤੁਲਨ ਚੁਣ ਸਕਦੇ ਹਨ।

ਵੱਡਾ ਕਾਰੋਬਾਰੀ ਸੰਦਰਭ (Business Context)

AI ਵਿੱਚ ਸੱਚੀ ਕੀਮਤ ਨੂੰ ਇਸ ਗੱਲ ਤੋਂ ਮਾਪਿਆ ਜਾ ਰਿਹਾ ਹੈ ਕਿ ਇਹ ਮੌਜੂਦਾ ਕਾਰੋਬਾਰੀ ਵਰਕਫਲੋਜ਼ (Workflows) ਵਿੱਚ ਕਿੰਨੀ ਚੰਗੀ ਤਰ੍ਹਾਂ ਏਕੀਕ੍ਰਿਤ ਹੁੰਦਾ ਹੈ। ਇਸ ਖੇਤਰ ਦੇ ਲੀਡਰਾਂ ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ ਜੇਤੂ ਜ਼ਰੂਰੀ ਤੌਰ 'ਤੇ ਉਹ ਨਹੀਂ ਹੋਣਗੇ ਜਿਨ੍ਹਾਂ ਨੇ ਇਨਫਰਾਸਟਰਕਚਰ 'ਤੇ ਸਭ ਤੋਂ ਵੱਧ ਖਰਚ ਕੀਤਾ ਹੈ, ਬਲਕਿ ਉਹ ਹੋਣਗੇ ਜੋ ਨਿਵੇਸ਼ ਦੀ ਹਰ ਇਕਾਈ ਤੋਂ ਸਭ ਤੋਂ ਵੱਧ ਮੁੱਲ ਕੱਢ ਸਕਦੇ ਹਨ। ਇਸ ਲਈ, ਸਿਰਫ AI ਨੂੰ ਇੱਕ ਅਲੱਗ ਟੈਕਨਾਲੋਜੀ ਪ੍ਰੋਜੈਕਟ ਵਜੋਂ ਦੇਖਣ ਦੀ ਬਜਾਏ, ਕਾਰਜਕਾਰੀ ਵਰਕਫਲੋਜ਼ ਦੀ ਡੂੰਘੀ ਸਮਝ ਦੀ ਲੋੜ ਹੈ। ਉਹ ਕੰਪਨੀਆਂ ਜੋ ਕੁਸ਼ਲਤਾ ਨਾਲ ਖਾਸ ਕਾਰੋਬਾਰੀ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦੀਆਂ ਹਨ, ਉਹ ਆਮ, ਉੱਚ-ਲਾਗਤ ਵਾਲੇ ਹੱਲ ਪੇਸ਼ ਕਰਨ ਵਾਲਿਆਂ ਨਾਲੋਂ ਵਧੇਰੇ ਸਵੀਕਾਰਯੋਗ ਬਾਜ਼ਾਰ ਲੱਭਣ ਦੀ ਸੰਭਾਵਨਾ ਹੈ।

ਨਿਵੇਸ਼ਕਾਂ ਨੂੰ ਕੀ ਟਰੈਕ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ?

ਜਿਵੇਂ AI ਬਾਜ਼ਾਰ ਪਰਿਪੱਕ (Mature) ਹੋ ਰਿਹਾ ਹੈ, ਨਿਵੇਸ਼ਕ ਨਿਗਰਾਨੀ ਕਰ ਸਕਦੇ ਹਨ ਕਿ ਕੰਪਨੀਆਂ ਆਪਣੀ ਤਰੱਕੀ ਦੀ ਰਿਪੋਰਟ ਕਿਵੇਂ ਕਰਦੀਆਂ ਹਨ। ਦੇਖਣਯੋਗ ਇੱਕ ਮੁੱਖ ਸੂਚਕ ਇਹ ਹੈ ਕਿ ਕੀ ਮੈਨੇਜਮੈਂਟ ਕੁੱਲ ਪੂੰਜੀ ਖਰਚੇ ਦੀ ਰਿਪੋਰਟ ਕਰਨ ਦੀ ਬਜਾਏ, ਆਪਣੀ ਕਮਾਈ ਅਪਡੇਟਾਂ ਵਿੱਚ 'ਇਨਫਰੈਂਸ ਲਾਗਤਾਂ' (Inference Costs) ਅਤੇ 'ਕਾਰਜਕਾਰੀ ਕੁਸ਼ਲਤਾ' (Operational Efficiency) 'ਤੇ ਜ਼ੋਰ ਦੇਣਾ ਸ਼ੁਰੂ ਕਰਦੀ ਹੈ। ਹੋਰ ਮਹੱਤਵਪੂਰਨ ਨਿਗਰਾਨੀਯੋਗ ਚੀਜ਼ਾਂ ਵਿੱਚ ਐਜ ਡਿਵਾਈਸਾਂ 'ਤੇ AI ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਕੰਪਨੀਆਂ ਦੀ ਯੋਗਤਾ, ਮਾਡਲ ਕੰਪ੍ਰੈਸ਼ਨ ਟੈਕਨਾਲੋਜੀਆਂ ਵਿੱਚ ਤਰੱਕੀ, ਅਤੇ ਉਹਨਾਂ ਦੀਆਂ AI ਪੇਸ਼ਕਸ਼ਾਂ ਤੋਂ ਸਥਾਈ ਮਾਲੀਆ ਸਟ੍ਰੀਮ ਦਾ ਸਬੂਤ ਸ਼ਾਮਲ ਹੈ। ਉੱਚ-ਪ੍ਰਦਰਸ਼ਨ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਬਣਾਈ ਰੱਖਦੇ ਹੋਏ ਲਾਗਤਾਂ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਨ ਦੀ ਯੋਗਤਾ ਆਉਣ ਵਾਲੇ ਸਾਲਾਂ ਵਿੱਚ ਇੱਕ ਮੁੱਖ ਅੰਤਰਕ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ ਹੈ।