Microsoft ने बेंगलुरु में अपने Cloud and AI Innovation Day में एक एजेंट-केंद्रित (agent-centric) AI स्टैक का अनावरण किया, जिसमें उसने Microsoft IQ, Fabric IQ, एक Ontology layer और Agent 365 governance पेश किया। यह कदम स्टैंडअलोन चैटबॉट्स से हटकर स्वायत्त "एजेंटों" (autonomous agents) पर ध्यान केंद्रित करता है जो कंपनी की क्लाउड सेवाओं में काम करते हैं, जिससे उद्यमों को यह सोचने पर मजबूर होना पड़ेगा कि वे AI को कैसे बनाते, चलाते और नियंत्रित करते हैं।
यह बदलाव अब क्यों महत्वपूर्ण है
अधिकांश कंपनियाँ proof-of-concept और पूर्ण तैनाती (full deployment) के बीच अटक जाती हैं। बाधा मॉडल नहीं है; बल्कि 'प्लंबिंग' (plumbing) है—यानी गवर्नेंस, पहचान (identity) और ऑब्जर्वेबिलिटी (observability), जो एक एजेंट को विश्वसनीय और अनुपालन (compliant) बनाए रखती है। Microsoft का नया स्टैक उस कमी को पूरा करता है, जो एक पुन: प्रयोज्य (reusable) इंटेलिजेंस लेयर प्रदान करता है जो किसी भी डेटा प्लेटफॉर्म और किसी भी लार्ज-लैंग्वेज मॉडल (LLM) पर काम कर सकती है।
Microsoft द्वारा पेश किए गए मुख्य घटक
- Microsoft IQ – एक इंटेलिजेंस लेयर जो ग्राहक के टेनेंट (tenant) में रहती है, जिससे उन्हें प्रॉम्प्ट, मेमोरी और पॉलिसी पर सीधा नियंत्रण मिलता है।
- Fabric IQ – यही क्षमता Microsoft के डेटा-फैब्रिक (data-fabric) ऑफरिंग में शामिल है, ताकि एनालिटिक्स और AI एक ही संदर्भ (context) साझा कर सकें।
- Ontology – किसी व्यवसाय की प्रक्रियाओं, संस्थाओं (entities) और संबंधों का एक लाइव, मशीन-पठनीय मॉडल, जो एजेंटों को बिना किसी हार्ड-कोडेड नियमों के यह समझने की अनुमति देता है कि "कौन क्या करता है"।
- Agent 365 – एक गवर्नेंस फ्रेमवर्क जो प्रत्येक AI एजेंट के साथ पहचान, भूमिका-आधारित एक्सेस (role-based access) और ऑडिट ट्रेल जोड़ता है, जिससे एजेंट को HR या सुरक्षा प्रणालियों में एक कर्मचारी की तरह माना जा सकता है।
ये सभी घटक मिलकर एक "चैटबॉट" को "डिजिटल सहकर्मी" (digital coworker) में बदल देते हैं जो डेटा प्राप्त करता है, वर्कफ़्लो शुरू करता है और संगठनात्मक सीमाओं के भीतर निर्णय लेता है।
आज विशेषज्ञ (practitioners) इससे क्या सीख सकते हैं
- एजेंट का जॉब डिस्क्रिप्शन (job description) परिभाषित करें – प्रत्येक AI असिस्टेंट को स्पष्ट कौशल, निर्देशों और एक विशिष्ट पहचान वाली एक भूमिका के रूप में मानें। जब कोई एजेंट गलत व्यवहार करता है, तो केवल उसे ट्रिगर करने वाले प्रॉम्प्ट को ही नहीं, बल्कि उसकी परिभाषित जिम्मेदारियों की भी जाँच करें।
- मॉडल को इंटरचेंजेबल (interchangeable) बनाएं – LLM को आसपास के इंफ्रास्ट्रक्चर से अलग करके, एक कंपनी पूरे स्टैक को फिर से बनाए बिना GPT को Claude, Llama या किसी भी भविष्य के मॉडल से बदल सकती है। निवेश ऑर्केस्ट्रेशन लेयर (orchestration layer) में रहता है, न कि स्वयं मॉडल में।
- रैप करें, हटाएँ नहीं (Wrap, don't rip) – पुराने (legacy) सिस्टम को एडेप्टर के माध्यम से AI से जोड़ा जा सकता है। कोटक महिंद्रा ने अपने मौजूदा टेलीफोनी सेटअप पर Azure Voice Live का उपयोग करके इसे प्रदर्शित किया, जिससे यह साबित हुआ कि पूर्ण बदलाव (overhaul) की आवश्यकता नहीं है।
- ट्यूनिंग को एक निरंतर प्रक्रिया के रूप में मानें – फाइन-ट्यूनिंग के लिए एक लूप की आवश्यकता होती है जो डेटा तैयार करता है, प्रशिक्षण देता है, मूल्यांकन करता है और प्रदर्शन की निगरानी करता है। मूल्यांकन पाइपलाइन के बिना, ट्यूनिंग का कोई भी प्रयास अंधाधुंध है।
- साफ डेटा के साथ शुरुआत करें – एक प्रतिभागी ने खुलासा किया कि उनकी एक चौथाई रिपोर्टों का कभी उपयोग ही नहीं हुआ। एजेंट में अव्यवस्थित (messy) डेटा डालने से केवल अव्यवस्था ही ऑटोमेट होती है। बड़े पैमाने पर AI रोलआउट से पहले डेटा-गुणवत्ता पहल और रिपोर्ट युक्तिकरण (rationalization) किया जाना चाहिए।
एंटरप्राइज स्टैक के लिए ठोस विचार
- AI से संबंधित लागत, लेटेंसी (latency) और पाइपलाइनों के स्वास्थ्य को ट्रैक करने के लिए एक एकीकृत ऑब्जर्वेबिलिटी डैशबोर्ड बनाएं।
- एजेंटों को आंतरिक डेटा वेयरहाउस तक पहुँच प्रदान करने के लिए MCP प्रोटोकॉल का उपयोग करें, जिससे डेटा मूवमेंट सुरक्षित और ऑडिट करने योग्य बना रहे।
- ऐसे सिमेंटिक मॉडल बनाएं जो लागत-प्रबंधन (cost-management) संबंधी प्रश्नों को प्राकृतिक भाषा में अनुवादित कर सकें, जिससे फाइनेंस टीमें "पिछली तिमाही में हमारा क्लाउड खर्च कितना था?" जैसे प्रश्न पूछ सकें और तुरंत उत्तर प्राप्त कर सकें।
- कोड समीक्षा (code reviews) को स्वचालित करने के लिए विकास टीमों में GitHub Copilot का पायलट प्रोजेक्ट चलाएं, और गति में वृद्धि तथा दोषों (defects) में कमी, दोनों को मापें।