భారతదేశంలో ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (AI) ప్రాజెక్టులు విఫలం కావడానికి ప్రధాన కారణం డేటా నాణ్యత లోపించడమేనని గార్ట్నర్ నివేదిక వెల్లడించింది. ఎంత టెక్నికల్ టాలెంట్ ఉన్నా, ఈ సమస్య ఇన్వెస్టర్లను ఇబ్బంది పెడుతుంది. ముఖ్యంగా, పాత సిస్టమ్స్, డేటా సైలోస్ (Data Silos) కారణంగా భారత కంపెనీలు ఈ సవాలును ఎదుర్కొంటున్నాయి. దీనిని అధిగమించేందుకు కేంద్రం **₹10,371 కోట్ల** IndiaAI మిషన్ను ప్రకటించినప్పటికీ, సమస్య ఇంకా కొనసాగుతూనే ఉంది.
కార్పొరేట్ టెక్నాలజీ రంగంలో ఒక ఆందోళనకరమైన ట్రెండ్ బయటపడింది. అధునాతన అల్గారిథమ్స్ (Advanced Algorithms) లోపం వల్ల కాకుండా, పేలవమైన డేటా నాణ్యత (Poor Data Quality) కారణంగానే అనేక జెనరేటివ్ AI ప్రాజెక్టులు విఫలమవుతున్నాయని పరిశ్రమ నివేదికలు సూచిస్తున్నాయి. అత్యంత స్మార్ట్ AI మోడల్స్ కూడా నాసిరకం డేటాను సరిచేయలేవని కంపెనీలు గ్రహిస్తున్నాయి. ఈ సమస్య భారతదేశంలో AIని తమ వ్యాపారాలలోకి తీసుకురావాలని చూస్తున్న సంస్థలకు మరింత కీలకంగా మారింది.
భారతదేశంలో డేటా అడ్డంకులు - వాస్తవమెంటీ?
UPI వంటి ప్లాట్ఫామ్స్ ద్వారా, ఇతర భారీ ప్రభుత్వ వ్యవస్థల ద్వారా భారతదేశం భారీ మొత్తంలో డిజిటల్ సమాచారాన్ని ఉత్పత్తి చేస్తున్నప్పటికీ, ఆ డేటా ఎక్కువగా పాత సిస్టమ్స్లో (Legacy Systems) చిక్కుకుపోతోంది. చాలా కంపెనీలు ఈ సమాచారాన్ని AI వినియోగానికి శుభ్రపరచడంలో, క్రమబద్ధీకరించడంలో ఇబ్బందులు పడుతున్నాయి. టెక్నికల్ లేదా టాలెంట్ పరమైన లోపాలను నియామకాలు లేదా శిక్షణ ద్వారా పరిష్కరించవచ్చు. కానీ, ఈ మౌలిక సదుపాయాల లోపాలను (Infrastructure Deficiencies) అధిగమించాలంటే, డేటాను ఎలా స్టోర్ చేయాలి, పాలించాలి, యాక్సెస్ చేయాలి అనే దానిపై ప్రాథమిక మార్పులు అవసరం. ఇంటిగ్రేషన్ కష్టాలు, ఏకీకృత డేటా ప్రమాణాలు (Unified Data Standards) లేకపోవడం వంటివి స్థానిక సంస్థలు ఆధునీకరణకు ప్రయత్నించడంలో పెద్ద అడ్డంకులుగా నిలుస్తున్నాయని పరిశోధనలు చెబుతున్నాయి.
ప్రభుత్వ పెట్టుబడులు vs. సంస్థాగత బాధ్యత
ఈ అంతరాలను తగ్గించడానికి, భారత ప్రభుత్వం మార్చి 2024లో ₹10,371 కోట్లతో ఇండియాAI మిషన్ను ప్రారంభించింది. దీని లక్ష్యం జాతీయ డేటాసెట్ ప్లాట్ఫామ్ను నిర్మించడం, 38,000 కంటే ఎక్కువ GPUs అందించడం ద్వారా కంప్యూట్ సామర్థ్యాన్ని పెంచడం. అయితే, విశ్లేషకులు ఈ జాతీయ స్థాయి పెట్టుబడులు కేవలం పరిష్కారంలో ఒక భాగం మాత్రమే అని అంటున్నారు. వ్యక్తిగత కంపెనీలకు, అంతర్గత డేటా పైప్లైన్లు, గవర్నెన్స్ ఫ్రేమ్వర్క్లను నిర్మించుకోవాల్సిన బాధ్యత అలాగే ఉంటుంది. అంతర్గత డేటా స్థిరంగా, నమ్మకంగా లేనప్పుడు కేవలం బయటి కంప్యూట్ వనరులపై ఆధారపడటం సరిపోదు.
ఆర్థిక ప్రభావం, మౌలిక సదుపాయాల ఎంపికలు
AIపై ప్రపంచవ్యాప్త ఖర్చు గణనీయంగా పెరుగుతుందని అంచనా. ఇందులో ఎక్కువ భాగం మౌలిక సదుపాయాలకే కేటాయించబడుతోంది. చాలా భారతీయ సంస్థలకు, Microsoft Azure, AWS, Google Cloud వంటి క్లౌడ్ ప్రొవైడర్లు స్కేలబుల్ ఇన్ఫ్రాస్ట్రక్చర్ను అందించడం ద్వారా పెట్టుబడి అడ్డంకులను తగ్గించాయి. ఈ ప్లాట్ఫామ్లను ఉపయోగించడం ద్వారా, కంపెనీలు భారీ మూలధన వ్యయాన్ని (Capital Spending) నివారించవచ్చు. అయితే, ఈ AI ప్రాజెక్టుల ఆర్థిక సామర్థ్యం డేటా పరిపక్వతపై (Data Maturity) ఆధారపడి ఉంటుంది. ఆర్థిక నివేదికలతో సమానమైన కఠినత్వంతో డేటా గవర్నెన్స్కు ప్రాధాన్యతనిచ్చే కంపెనీలు తమ AI పెట్టుబడులపై మంచి రాబడిని పొందే అవకాశం ఉంది. పెట్టుబడిదారులు సంస్థలు తమ టెక్నాలజీ బడ్జెట్లను ఫ్రంట్-ఎండ్ AI టూల్స్ మరియు అవసరమైన బ్యాక్-ఎండ్ డేటా ఇన్ఫ్రాస్ట్రక్చర్ మధ్య ఎలా కేటాయిస్తున్నాయో పర్యవేక్షించాలి. ఇది వారి డిజిటల్ పరివర్తన (Digital Transformation) ప్రయత్నాల స్థిరత్వాన్ని నిర్ణయిస్తుంది.