સત્યનો સ્ત્રોત સમસ્યા (The Source of Truth Problem)

એન્ટરપ્રાઇઝ AI ટીમો એક મુશ્કેલ પ્રશ્નનો સામનો કરે છે.

"સાચો જવાબ શું છે?"

આ પ્રશ્ન મોડેલમાંથી આવતો નથી. તે બિઝનેસમાંથી આવે છે.

નાના પાયે, આ સરળ લાગે છે. એન્ટરપ્રાઇઝ સ્કેલ પર, તે એક વિશાળ આર્કિટેક્ચરલ સમસ્યા બની જાય છે. મોટાભાગની કંપનીઓ પાસે સત્યનો એક જ સ્ત્રોત હોતો નથી. તેમની પાસે ઘણા હોય છે.

કંપનીઓ ઘણી સિસ્ટમ્સનો ઉપયોગ કરે છે:

  • CRM
  • ERP
  • ટિકિટિંગ સિસ્ટમ્સ (Ticketing systems)
  • આંતરિક ડેટાબેઝ (Internal databases)
  • સ્પ્રેડશીટ્સ (Spreadsheets)
  • ડોક્યુમેન્ટેશન પ્લેટફોર્મ્સ (Documentation platforms)

દરેક સિસ્ટમમાં ડેટા હોય છે. દરેક સિસ્ટમ સમય જતાં બદલાય છે. એક ગ્રાહક ત્રણ અલગ-અલગ સ્થળોએ ત્રણ અલગ-અલગ સ્ટેટસ સાથે હોઈ શકે છે.

AI આ સમસ્યાઓ ઊભી કરતું નથી. તે તેને ખુલ્લી પાડે છે.

AI પહેલાં, માણસો અસ્તવ્યસ્ત ડેટા સંભાળતા હતા. કર્મચારીઓ જાણતા હતા કે કયા રિપોર્ટ્સ જૂના છે. તેઓ જાણતા હતા કે કયા ડેટાબેઝ પર વિશ્વાસ કરવો.

AI માં આ અંતર્જ્ઞાનનો અભાવ છે. જ્યારે AI બહુવિધ સ્ત્રોતોમાંથી ડેટા મેળવે છે, ત્યારે તે સત્યના દરેક વર્ઝનને એકસાથે જુએ છે.

જો એક સિસ્ટમ કહે કે ગ્રાહક "Active" છે અને બીજી કહે કે "Suspended" છે, તો AI અટકી જાય છે. બંનેમાંથી કોઈ સિસ્ટમ ખામીયુક્ત નથી. સમસ્યા માલિકીની (ownership) છે.

એક સામાન્ય ભૂલ એ છે કે વધુ ડેટા AI ને સુધારે છે તેમ વિચારવું. ઘણીવાર, વધુ ડેટા વધુ મૂંઝવણ પેદા કરે છે. વધુ ઇન્ટિગ્રેશનથી વધુ ડુપ્લીકેટ્સ અને વધુ વિવાદો થાય છે.

રિટ્રીવલ સિસ્ટમ્સ સુસંગત ડેટા શોધે છે. તેઓ અધિકૃત (authoritative) ડેટા શોધતા નથી.

તમારે નક્કી કરવું પડશે:

  • કઈ સિસ્ટમ ગ્રાહકના સ્ટેટસની માલિક છે?
  • કઈ સિસ્ટમ પ્રાઇસિંગની માલિક છે?
  • કઈ સિસ્ટમ ઇન્વેન્ટરીની માલિક છે?

આ નિર્ણયો ગવર્નન્સના છે, અલ્ગોરિધમ્સના નહીં.

આને સુધારવા માટે, તમારે સ્ત્રોત શ્રેણિ (source hierarchy) વ્યાખ્યાયિત કરવી જોઈએ. બધી સિસ્ટમ્સ સમાન હોતી નથી. તમારે તેમને લેબલ કરવા જોઈએ:

  • પ્રાથમિક સ્ત્રોત (Primary source)
  • ગૌણ સ્ત્રોત (Secondary source)
  • ફોલબેક સ્ત્રોત (Fallback source)

આ અંદાજ લગાવવાની જરૂરિયાત દૂર કરે છે. મોડેલ ડેટા જોતા પહેલા જ ઇન્ફ્રાસ્ટ્રક્ચર સત્ય નક્કી કરે છે.

એન્ટરપ્રાઇઝ AI ની સફળતા મોડેલ પસંદગી કરતાં ગવર્નન્સ પર વધુ આધાર રાખે છે. જો તમે માલિકી વ્યાખ્યાયિત નહીં કરો, તો તમારે આનો સામનો કરવો પડશે:

  • અસંગત જવાબો
  • વિરોધાભાસી પરિણામો
  • અવિશ્વસનીય ઓટોમેશન
  • વપરાશકર્તાનો ઓછો વિશ્વાસ

જો વપરાશકર્તાઓ AI ને પોતાનો નિર્ણય બદલતા જોશે, તો તેઓ તેનો ઉપયોગ કરવાનું બંધ કરી દેશે.

AI ને રિટ્રીવલ સમસ્યા તરીકે જોવાનું બંધ કરો. તેને ડેટા માલિકીની સમસ્યા તરીકે જોવાનું શરૂ કરો.

સૌથી મુશ્કેલ પ્રશ્ન એ નથી કે મોડેલે શું જવાબ આપવો જોઈએ. સૌથી મુશ્કેલ પ્રશ્ન એ છે કે વાસ્તવમાં સત્ય શું છે.

Source: https://dev.to/karan2598/the-source-of-truth-problem-every-enterprise-ai-team-faces-2m2k

Optional learning community: https://t.me/GyaanSetuAi