இந்திய வங்கிகள் மற்றும் NBFC-கள், தேங்கி நிற்கும் AI ப்ராஜெக்ட்களை சரிசெய்ய 'Forward Deployed Engineer' முறையை கையாள்கின்றன. நிபுணர்களை நேரடியாக களமிறக்குவதன் மூலம், AI-ஐ வெறும் சோதனையில் இருந்து நிஜமான கருவிகளாக மாற்ற நிறுவனங்கள் இலக்கு வைத்துள்ளன. இது முதலீட்டாளர்களுக்கு, தொழில்நுட்ப செலவினங்களில் அதிக பொறுப்புணர்வை கொண்டு வருவதற்கான அறிகுறியாகும், இது நிதி நிறுவனங்களின் செயல்திறனை மேம்படுத்தவும், IT சேவை வழங்குநர்களின் வருவாய் மாதிரிகளை மாற்றவும் கூடும்.
என்ன நடந்தது?
இந்தியாவில் உள்ள நிதி நிறுவனங்கள், செயற்கை நுண்ணறிவு (AI) திட்டங்களை செயல்படுத்துவதில் தங்கள் அணுகுமுறையை மாற்றி வருகின்றன. பல வங்கிகள், வங்கி அல்லாத நிதி நிறுவனங்கள் (NBFCs) மற்றும் குளோபல் கேபபிலிட்டி சென்டர்கள் (GCCs) AI திட்டங்களை வெறும் சோதனை கட்டத்திற்கு அப்பால் நகர்த்துவதில் சிரமங்களை எதிர்கொண்டுள்ளன. இதை சரிசெய்ய, இந்த நிறுவனங்கள் தற்போது 'Forward Deployed Engineer' முறையை ஏற்றுக்கொள்கின்றன. இந்த உத்தி, தங்களுக்கு சேவை செய்யும் வணிகப் பிரிவுகளில் மூத்த பொறியாளர்களை நேரடியாக உட்படுத்துவதை உள்ளடக்கியது.
பாரம்பரிய IT வேலைகளில் குழுக்கள் தனித்தனியாக வேலை செய்வதைப் போலல்லாமல், இந்த பொறியாளர்கள் தயாரிப்பு மேலாண்மை, பொறியியல் மற்றும் வங்கிச் செயல்பாடுகளின் சந்திப்பில் செயல்படுகிறார்கள். தானியங்கு கடன் மதிப்பீடு அல்லது மோசடி கண்டறிதல் அமைப்புகள் போன்ற AI கருவிகள், நிஜ உலக வங்கிப் பணிப்பாய்வுகள், விதிமுறைகள் மற்றும் பழைய அமைப்புகளின் கட்டுப்பாடுகளுக்குள் உண்மையில் செயல்படுவதை உறுதி செய்வதே அவர்களின் முதன்மை நோக்கமாகும்.
AI சோதனைகள் ஏன் அடிக்கடி தேங்கி நிற்கின்றன?
முதலீட்டாளர்களுக்கு, முக்கியப் பிரச்சினை என்னவென்றால், மென்பொருளை அன்றாட செயல்பாடுகளில் ஒருங்கிணைக்க முடியாவிட்டால், நிதித்துறையில் தொழில்நுட்ப செலவினங்கள் பெரும்பாலும் வருவாயை உருவாக்குவதில்லை. முக்கிய தடை 'சூழல்' (context) இல்லாமையே. ஒரு AI மாதிரி சோதனை சூழலில் துல்லியமாக இருக்கலாம், ஆனால் கிளையில் அல்லது தொடர்பு மையத்தில் செயலிழக்கக்கூடும், ஏனெனில் அதற்கு சரியான வாடிக்கையாளர் தரவு அணுகல் இல்லை அல்லது தற்போதுள்ள இணக்கக் கொள்கைகளுடன் முரண்படுகிறது.
இந்த ஒருங்கிணைப்பு இடைவெளிகள் நிகழும்போது, AI திட்டங்கள் பெரும்பாலும் பயன்படுத்தப்படாமல் இருக்கின்றன. இது ஒருபோதும் பெரிய அளவில் பயன்படுத்தப்படாத மென்பொருளில் மூலதனச் செலவை வீணடிக்கிறது. Forward Deployed மாதிரி இந்த தோல்விக்கு நேரடி பதிலாகும், இது பொறியாளர்களை களத்தில் இறக்கி, இந்த ஒருங்கிணைப்பு தடைகளை நிகழ்நேரத்தில் கண்டறிந்து சரிசெய்ய உதவுகிறது.
வணிகம் மற்றும் செயல்திறனில் தாக்கம்
இந்த மாற்றம், நிதி நிறுவனங்கள் தங்கள் தொழில்நுட்பக் குழுக்களின் வெற்றியை அளவிடும் விதத்தில் ஒரு மாற்றத்தைக் குறிக்கிறது. முன்பு, ஒரு திட்டத்தை முடிப்பது அல்லது குறியீட்டை வழங்குவது போன்ற எளிய வழிகளில் வெற்றி அளவிடப்பட்டிருக்கலாம். புதிய மாதிரியின் கீழ், வெற்றி 'தத்தெடுப்பு' (adoption) மற்றும் 'செயல்பாட்டு விளைவுகள்' (operational outcomes) உடன் பிணைக்கப்பட்டுள்ளது.
வங்கிகள் மற்றும் NBFC-கள் இந்த மாதிரியை வெற்றிகரமாக செயல்படுத்தினால், சிறந்த செயல்பாட்டுத் திறனுக்கு வழிவகுக்கும். பயனுள்ள AI செயலாக்கம் கடன் முடிவுகளுக்கு எடுக்கும் நேரத்தைக் குறைக்கலாம் அல்லது மோசடி இழப்புகளைக் குறைக்கலாம். முதலீட்டாளர்களுக்கு, வங்கிகள் இறுதியில் சிறந்த செலவு-வருவாய் விகிதங்களைக் காணக்கூடும் என்று இது பொருள்படும், இருப்பினும் இந்த சிறப்புப் பொறியாளர்களை பணியமர்த்துவது அல்லது பயிற்சிப்பதற்கான ஆரம்பச் செலவு குறிப்பிடத்தக்கது.
IT வழங்குநர்களுக்கான வாய்ப்புகள் மற்றும் அபாயங்கள்
IT சேவை நிறுவனங்கள் மற்றும் ஆலோசனை நிறுவனங்களுக்கு, இது ஒரு புதிய சேவை வழங்கல் வாய்ப்பை உருவாக்குகிறது. ஒரு நிறுவனம் குறிப்பிட்ட அளவு வேலைக்கு பணம் செலுத்தும் பாரம்பரிய ப்ராஜெக்ட் அடிப்படையிலான பில்லிங்கிற்கு பதிலாக, இந்த மாதிரி திறன் பரிமாற்றத்தை மையமாகக் கொண்ட நீண்டகால கூட்டாண்மைகளை ஊக்குவிக்கிறது.
இருப்பினும், அபாயங்களும் உள்ளன. இந்த அணுகுமுறைக்கு சிக்கலான கோடிங் மற்றும் நிதி விதிமுறைகள் இரண்டையும் புரிந்துகொள்ளும் திறமை தேவை. நிறுவனங்கள் இதுபோன்ற சிறப்புத் திறமையைக் கண்டுபிடிப்பதில் அல்லது வாங்க முடியாமல் திணறக்கூடும் என்ற ஆபத்து உள்ளது, இது செலவு அதிகமாக வழிவகுக்கும். மேலும், எந்தவொரு ஒருங்கிணைப்பு முயற்சியும், AI அமைப்புகள் இணக்க விதிமுறைகளை கண்டிப்பாக பின்பற்றவில்லை என்றால், தரவு பாதுகாப்பு குறைபாடுகள் அல்லது ஒழுங்குமுறை பின்னடைவுகளின் அபாயத்தை உள்ளடக்கியது.
முதலீட்டாளர்கள் அடுத்து என்ன கண்காணிக்க வேண்டும்?
முதலீட்டாளர்கள், நிதி நிறுவனங்கள் தங்கள் IT வரவு செலவுத் திட்டங்களை இந்த அதிக செலவு, ஆனால் சாத்தியமான மிகவும் பயனுள்ள திறமை உத்தியை இடமளிக்க எவ்வாறு சரிசெய்கின்றன என்பதைக் கண்காணிக்கலாம். முக்கியமாக கண்காணிக்க வேண்டியவை:
- தொழில்நுட்ப ROI: வங்கிகள் இந்த உட்பொதிக்கப்பட்ட மாதிரிகளை ஏற்றுக்கொண்ட பிறகு வாடிக்கையாளர் சேவை அல்லது கடன் அபாயத்தில் மேம்பட்ட அளவீடுகளைப் புகாரளிக்கின்றனவா.
- IT சேவை ஒப்பந்தங்கள்: பெரிய IT வழங்குநர்கள் தங்கள் ஒப்பந்தங்களை வெறும் 'மணிநேர வேலை' அல்லது 'ப்ராஜெக்ட் டெலிவரி'யை விட 'விளைவுகளில்' (outcomes) கவனம் செலுத்தும் வகையில் மாற்றுகிறார்களா.
- திறமை செலவுகள்: தொழில்நுட்பத் துறையில், குறிப்பாக உயர்நிலை AI பாத்திரங்களுக்கான ஊதிய பணவீக்கம், நிதி சேவை நிறுவனங்களின் லாப வரம்புகளை அழுத்துகிறதா.
- ஒழுங்குமுறை புதுப்பிப்புகள்: முக்கிய வங்கிச் செயல்பாடுகளில் AI பயன்பாடு அதிகரித்ததற்கு அதிகாரிகள் எவ்வாறு பதிலளிக்கிறார்கள், ஏனெனில் இணக்கத் தேவைகள் AI-ஐ நேரடி நிதி அமைப்புகளில் ஒருங்கிணைப்பதற்கான மிகப்பெரிய தடையாக உள்ளன.