భారత్ కృత్రిమ మేధస్సు (AI) రంగంలో పునాది మోడల్స్ (Foundational Models) ను నిర్మించే పోటీలో కాకుండా, నిజ జీవిత సమస్యలను పరిష్కరించడానికి AI టెక్నాలజీని అమలు చేయడంపై దృష్టి పెట్టాలని NetApp CEO జార్జ్ కురియన్ సూచించారు. ఇది AI అమలు, పారిశ్రామిక అనుసంధానానికి మారడాన్ని సూచిస్తుంది.
అసలు AIలో భారత్ ఏం చేయాలి?
గ్లోబల్ ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (AI) రంగంలో భారత్ పాత్రపై NetApp CEO జార్జ్ కురియన్ ఒక ఆచరణాత్మకమైన ఆలోచనను వివరించారు. ప్రస్తుతం అమెరికా, చైనా వంటి దేశాలు ఆధిపత్యం చెలాయిస్తున్న ChatGPT వంటి పునాది మోడల్స్ (Foundational Models) ను నిర్మించే ఖరీదైన, తీవ్రమైన పోటీలో పాల్గొనడం కంటే, భారత్ తన పూర్తి సామర్థ్యాన్ని, ఆర్థిక అవకాశాలను అప్లికేషన్ లేయర్పైనే కేంద్రీకరించాలని ఆయన సూచించారు. అంటే, ప్రస్తుతం అందుబాటులో ఉన్న AI టెక్నాలజీని ఉపయోగించి ఆరోగ్యం, తయారీ, ఆహార భద్రత వంటి రంగాల్లోని క్లిష్టమైన స్థానిక సమస్యలను పరిష్కరించడం ద్వారా సాంకేతిక సామర్థ్యాన్ని వాస్తవ వ్యాపార, సామాజిక ఫలితాలుగా మార్చడం.
వ్యాపారానికి ఈ వ్యూహం ఎందుకు ముఖ్యం?
భారత టెక్నాలజీ రంగానికి, ఇది భవిష్యత్ వృద్ధిని చూసేందుకు ఒక మెరుగైన మార్గాన్ని అందిస్తుంది. AI గురించి ఎక్కువగా జరిగే చర్చ ఎవరు అత్యంత శక్తివంతమైన లాంగ్వేజ్ మోడల్స్ను నిర్మిస్తారు అనే దానిపైనే కేంద్రీకృతమై ఉంది. అయితే, కురియన్ విధానం 'AI ఆర్కెస్ట్రేషన్' వైపు దృష్టి సారిస్తుంది. అంటే, ఈ మోడల్స్ను తీసుకుని, వాటిని ప్రస్తుత ఎంటర్ప్రైజ్ వర్క్ఫ్లోలలోకి ఇంటిగ్రేట్ చేయగల సామర్థ్యం. ఇది చాలా భారతీయ IT సర్వీసెస్ కంపెనీలు, గ్లోబల్ క్యాపబిలిటీ సెంటర్స్ (GCCs) యొక్క ప్రధాన సామర్థ్యానికి అనుగుణంగా ఉంటుంది. వీరు చారిత్రాత్మకంగా ప్రపంచ క్లయింట్ల కోసం సంక్లిష్టమైన టెక్నాలజీ సిస్టమ్స్ను నిర్వహించడం, స్కేల్ చేయడం, మెయింటెయిన్ చేయడంలో రాణించారు. పెట్టుబడిదారులు గమనించాల్సిన విషయం ఏమిటంటే, AI స్వీకరణ యొక్క తదుపరి దశలో నిజమైన విలువ మోడల్ పరిశోధన నుండి రాకపోవచ్చు, కానీ ప్రస్తుత పారిశ్రామిక ప్రక్రియలు, సప్లై చెయిన్లు, వినియోగదారు సేవల్లోకి ఇంటెలిజెన్స్ను పొందుపరిచే సామర్థ్యం నుండి వస్తుంది.
భారతదేశ పర్యావరణ వ్యవస్థ బలం
భారతదేశ పోటీతత్వ ప్రయోజనం నిర్దిష్ట నిర్మాణ పునాదులపై నిర్మించబడిందని కురియన్ ఎత్తి చూపారు. దేశం వద్ద పెద్ద మొత్తంలో సాఫ్ట్వేర్ ఇంజనీరింగ్ ప్రతిభ ఉంది, ఇది ఇప్పటికే సంక్లిష్టమైన గ్లోబల్ ప్రాజెక్టులపై పనిచేయడానికి అలవాటు పడింది. అంతేకాకుండా, భారతదేశం అధిక-నాణ్యత, విశ్వసనీయమైన డేటాను రూపొందించే బలమైన డిజిటల్ పబ్లిక్ ఇన్ఫ్రాస్ట్రక్చర్ను స్థాపించింది. శక్తివంతమైన స్టార్టప్ పర్యావరణ వ్యవస్థతో కలిపి, ఈ అంశాలు AI-ఆధారిత పరిష్కారాలను వేగంగా స్కేల్ చేయగల వాతావరణాన్ని సృష్టిస్తాయి. ఇతర దేశాలు ఏమి చేస్తున్నాయో ప్రతిబింబించడానికి ప్రయత్నించడానికి బదులుగా, ఈ ప్రత్యేక కలయిక AIని అందుబాటు ధరలో, బాధ్యతాయుతంగా మార్చడంలో భారతదేశం నాయకుడిగా వ్యవహరించడానికి అనుమతిస్తుందని, ఇతర అభివృద్ధి చెందుతున్న ఆర్థిక వ్యవస్థలకు స్వీకరించడానికి ఒక బ్లూప్రింట్ను సృష్టించే అవకాశం ఉందని కురియన్ విశ్వసిస్తున్నారు.
సంభావ్య నష్టాలు మరియు అమలు సవాళ్లు
AI-ఫస్ట్ ఎకానమీకి మారడం సవాళ్లు లేకుండా ఉండదు. అప్లికేషన్లపై దృష్టి సారించే వ్యూహం తార్కికంగా ఉన్నప్పటికీ, అమలులో అంతరం (execution gap) ఒక ఆందోళనగా మిగిలిపోయింది. భారతీయ సంస్థలు తరచుగా పాతబడిన లెగసీ సిస్టమ్లను నావిగేట్ చేయడం, కొత్త అసమర్థ డేటా సైలోలను సృష్టించకుండా AIని ఇంటిగ్రేట్ చేయడం వంటి ద్వంద్వ సవాళ్లను ఎదుర్కొంటాయి. అంతేకాకుండా, ప్రతిభావంతులైన వారి సంఖ్య ఎక్కువగా ఉన్నప్పటికీ, AI టెక్నాలజీ అభివృద్ధి చెందే వేగం సాధారణ కార్పొరేట్ ప్రణాళిక చక్రాల కంటే గణనీయంగా వేగంగా ఉంటుంది. స్పష్టమైన ఆర్కిటెక్చరల్ వ్యూహం లేకుండా AI పైలట్ ప్రాజెక్టులలోకి తొందరపడే కంపెనీలు నిర్వహించడం కష్టంగా ఉండే విచ్ఛిన్నమైన సిస్టమ్లతో మిగిలిపోయే అవకాశం ఉంది. పెట్టుబడిదారులకు, ఈ సంస్థలు 'AI సంభావ్యత' (AI potential) మరియు 'కార్యాచరణ సామర్థ్యం' (operational efficiency) మధ్య అంతరాన్ని ఎంత సమర్థవంతంగా తగ్గించగలవో పర్యవేక్షించడం కీలకం.
పెట్టుబడిదారులు తదుపరిగా ఏమి ట్రాక్ చేయాలి?
భారతీయ IT కంపెనీలు, పెద్ద సంస్థలు AI-ఆధారిత ప్రాజెక్టులలో వారి పురోగతిని ఎలా నివేదిస్తాయో పెట్టుబడిదారులు పర్యవేక్షించవచ్చు. 'ప్రూఫ్ ఆఫ్ కాన్సెప్ట్' (AI సాధనాలను పరీక్షించే చోట) నుండి తయారీ, ఆరోగ్య సంరక్షణ వంటి రంగాలలో వాస్తవ ఆదాయాన్ని సంపాదించే విస్తరణలకు మారడం కీలకం. AI-సంబంధిత ఆదాయం యొక్క స్థాయి, మేనేజ్డ్ సర్వీసెస్లోకి AIని ఇంటిగ్రేట్ చేసే సామర్థ్యంపై మేనేజ్మెంట్ వ్యాఖ్యలు, కంపెనీలు విజయవంతంగా విలువ గొలుసులో పైకి వెళుతున్నాయా అనే దానిపై అంతర్దృష్టిని అందిస్తాయి. చివరిగా, డేటా ఇన్ఫ్రాస్ట్రక్చర్, సైబర్ సెక్యూరిటీ చర్యల స్వీకరణను ట్రాక్ చేయడం కీలకంగా ఉంటుంది, ఎందుకంటే పెద్ద ఎత్తున AI అప్లికేషన్లను సమర్థవంతంగా అమలు చేయాలనుకునే ఏదైనా కంపెనీకి ఇవి పునాది అవసరాలు.