தற்போது நிறுவனங்கள் சோதனைக் கட்டத்தைத் தாண்டி, மிகத் துல்லியமான, முக்கிய பணிகளுக்குத் தேவையான AI சிஸ்டம்களை நோக்கி நகர்கின்றன. இது இந்திய IT நிறுவனங்களின் உத்திகளை மாற்றியமைக்க வேண்டிய கட்டாயத்தை ஏற்படுத்தியுள்ளது. முதலீட்டாளர்களுக்கு, இனி AI பைலட் ப்ராஜெக்ட்களின் எண்ணிக்கையை விட, நம்பகமான ROI (Return on Investment) மற்றும் டேட்டா கவர்னன்ஸ் (Data Governance) திறனை நிரூபிப்பதே முக்கியமாகிறது.
உலகளவில் நிறுவனங்களுக்கான செயற்கை நுண்ணறிவு (Artificial Intelligence - AI) களம் ஒரு புதிய, தீவிரமான கட்டத்திற்குள் நுழைந்துள்ளது. கடந்த இரண்டு ஆண்டுகளாக, நிறுவனங்கள் ஓரளவுக்கு ஏற்றுக்கொள்ளக்கூடிய AI மாடல்களைப் பரிசோதிப்பதில் கவனம் செலுத்தி வந்தன. அவ்வப்போது ஏற்படும் தவறுகளை ஏற்றுக்கொண்டு, ஆரம்பகால உற்பத்தித்திறன் ஆதாயங்களைப் பெற்றனர். ஆனால், இந்தக் காலகட்டம் இப்போது முடிவுக்கு வருகிறது.
நிறுவனங்கள் நிதி பரிவர்த்தனைகள், மருத்துவ நோயறிதல் மற்றும் சட்ட இணக்கம் போன்ற முக்கிய செயல்பாடுகளில் AI-ஐ ஒருங்கிணைப்பதால், சோதனைக் கட்டத்தில் இருந்து, பிழையற்ற துல்லியத்திற்கான தேவை அதிகரித்து வருகிறது.
இந்திய IT நிறுவனங்களுக்கு இது ஏன் முக்கியம்?
TCS, Infosys, Wipro, HCLTech போன்ற இந்திய IT சேவை நிறுவனங்களுக்கு இந்த மாற்றம் மிகவும் முக்கியத்துவம் வாய்ந்தது. உலகளாவிய வாடிக்கையாளர்களுக்கு நிறுவன AI சிஸ்டம்களை வடிவமைப்பதில் இவர்கள் முக்கியப் பங்கு வகிக்கின்றனர். முன்பு, மென்பொருள் மேம்பாட்டை (Software Development) அளவிடுவது (scaling) இவர்களுக்கான போட்டியாக இருந்தது. ஆனால் இப்போது, புத்திசாலித்தனமான சிஸ்டம்களை உருவாக்குவது மட்டுமல்லாமல், நம்பகமான முறையில் சரியான முடிவுகளைத் தரும் சிஸ்டம்களை உருவாக்குவதே முக்கிய differentiator ஆக மாறியுள்ளது.
நம்பகமான முடிவுகளை நோக்கிய நகர்வு
ஒரு IT சேவை நிறுவனத்தைப் பொறுத்தவரை, ஒரு சாட்பாட் (Chatbot) உருவாக்குவது இனி வெற்றியின் அளவுகோல் இல்லை. புதிய தரநிலை, 'என்டர்பிரைஸ்-கிரேட்' (enterprise-grade) துல்லியத்தை கோருகிறது. இதற்காக, Retrieval-Augmented Generation போன்ற நுட்பங்கள் பயன்படுத்தப்படுகின்றன. இது, AI மாடல்களை ஒரு நிறுவனத்தின் சரிபார்க்கப்பட்ட உள் தரவுகளுடன் (specific financial policies, customer history) இணைக்கிறது. இதனால், மாடல் தவறான அல்லது கற்பனையான தகவல்களை உருவாக்குவதைத் தடுக்கிறது. வாடிக்கையாளர்களுக்கு, 80% துல்லியமான AI ஒரு விளையாட்டுப் பொம்மை என்றால், 99.9% துல்லியமான AI ஒரு வணிகக் கருவியாகும்.
முதலீட்டாளர்கள் கவனிக்க வேண்டியது என்னவென்றால், இந்த மாற்றம் வாடிக்கையாளர்களையும் தங்கள் AI பட்ஜெட்களை மறுபரிசீலனை செய்யத் தூண்டுகிறது. பல மாத சோதனைக்குப் பிறகு, உலகளாவிய பல நிறுவனங்கள் இப்போது இந்த ப்ராஜெக்ட்களில் இருந்து கிடைக்கும் அளவிடக்கூடிய நிதி வருவாயை (measurable financial returns) ஆராய்ந்து வருகின்றன. AI செலவினங்களில் 'எளிதாக பணம் சம்பாதிக்கும்' காலம் மெதுவாகி வருகிறது. IT பார்ட்னர்கள், தங்கள் AI கருவிகளை எத்தனை ஊழியர்கள் பயன்படுத்துகிறார்கள் என்பதைக் காட்டுவதை விட, தங்கள் AI சிஸ்டம்கள் எப்படி லாப வரம்பை (profit margins) மேம்படுத்துகின்றன அல்லது செயல்பாட்டுச் செலவுகளைக் (operational costs) குறைக்கின்றன என்பதை நிரூபிக்க வேண்டும் என்று வாடிக்கையாளர்கள் கோருகின்றனர்.
IT வழங்குநர்களுக்கான சவால்கள் மற்றும் இடர்பாடுகள்
IT நிறுவனங்களுக்கு உள்ள மிகப்பெரிய தடைகளில் ஒன்று, ஆய்வாளர்கள் 'என்டர்பிரைஸ் டெப்ட்' (enterprise debt) என்று அழைப்பது. இது, நிறுவனங்களிடம் உள்ள ஒழுங்கற்ற, பயன்படுத்தப்படாத அல்லது காலாவதியான உள் தரவுகளின் பெரும் தொகுப்பைக் குறிக்கிறது. தரமான தரவு வழங்கப்படாவிட்டால் AI துல்லியமாக இருக்க முடியாது. வாடிக்கையாளர்களின் தரவைச் சுத்தம் செய்வதிலும் ஒழுங்கமைப்பதிலும் திறம்பட உதவக்கூடிய IT நிறுவனங்கள், வெறும் AI மென்பொருள் செயலாக்கத்தை (software implementation) வழங்குபவர்களை விட வலுவான நிலையில் உள்ளன.
'கவர்னன்ஸ் கேப்ஸ்' (governance gaps) என்ற ஆபத்தும் உள்ளது. AI சிஸ்டம்கள் மேலும் தன்னாட்சி பெறுவதால், உலகெங்கிலும் உள்ள ஒழுங்குமுறை அமைப்புகள் விதிகளை இறுக்குகின்றன. ஒரு IT நிறுவனத்தின் சிஸ்டம் ஒரு முக்கியமான பிழையைச் செய்தால், அதன் நற்பெயர் மற்றும் நிதிப் பொறுப்பு மிகப்பெரியதாக இருக்கும். இது, IT நிறுவனங்கள் தாங்கள் செயல்படுத்துவதில் கடுமையான தணிக்கைப் பாதைகளையும் (audit trails) பாதுகாப்புச் சோதனைகளையும் உருவாக்க வேண்டிய அழுத்தத்தை அதிகரிக்கிறது.
முதலீட்டாளர்கள் எதைக் கண்காணிக்க வேண்டும்?
இந்திய IT துறையைப் பின்தொடரும் முதலீட்டாளர்களுக்கு, அடுத்த கட்ட வளர்ச்சி என்பது அறிவிக்கப்படும் AI பார்ட்னர்ஷிப்களின் எண்ணிக்கையால் அளவிடப்படாமல், இந்த ஒப்பந்தங்களின் தரத்தால் அளவிடப்பட வாய்ப்புள்ளது. சந்தை ஆய்வாளர்கள், 'புரொடக்ஷன்-கிரேட்' (production-grade) டெப்ளாய்மென்ட்கள் பற்றிய விவரங்களுக்கு நிர்வாகத்தின் கருத்துகளைக் கண்காணிக்க வேண்டும். குறிப்பாக, பைலட் ப்ரோகிராம்களுக்கு அப்பால் சென்று, வாடிக்கையாளர்களின் முக்கிய வணிகப் பணிப்பாய்வுகளில் (core business workflows) AI-ஐ வெற்றிகரமாக ஒருங்கிணைக்கும் நிறுவனங்களைத் தேடுங்கள்.
லாப வரம்பு அழுத்தத்திற்கான (margin pressure) அறிகுறிகளையும் கவனிப்பது முக்கியம். உயர்தர AI பணிகளுக்கு விலை உயர்ந்த திறமையாளர்கள் மற்றும் பாதுகாப்பான கம்ப்யூட்டிங் உள்கட்டமைப்பில் (secure computing infrastructure) கணிசமான முதலீடு தேவைப்படுகிறது. ஒரு IT நிறுவனம் இந்தச் செலவுகளை வாடிக்கையாளரிடம் செலுத்த முடியாவிட்டால், அல்லது அவர்களின் AI தீர்வுகள் உண்மையில் வாடிக்கையாளரின் பணத்தைச் சேமிக்கின்றன என்பதை நிரூபிக்கத் தவறினால், அது அவர்களின் லாப வரம்புகளை எதிர்மறையாகப் பாதிக்கலாம். இந்த புதிய சகாப்தத்தில் வெற்றி பெறும் நிறுவனங்கள், AI-ஐ ஒரு புதுமையிலிருந்து சரிபார்க்கப்பட்ட, நம்பகமான வணிகத் திறனுக்கான இன்ஜினாக மாற்றியமைக்கக்கூடியவையாக இருக்கும்.