ബംഗളൂരുവിൽ നടന്ന ക്ലൗഡ് ആൻഡ് എഐ ഇന്നൊവേഷൻ ഡേയിൽ (Cloud and AI Innovation Day) മൈക്രോസോഫ്റ്റ് ഒരു ഏജന്റ് കേന്ദ്രീകൃത എഐ സ്റ്റാക്ക് (agent-centric AI stack) അവതരിപ്പിച്ചു. ഇതിനായി Microsoft IQ, Fabric IQ, ഒരു ഓന്റോളജി ലെയർ (Ontology layer), Agent 365 ഗവേണൻസ് എന്നിവ അവർ പുറത്തിറക്കി. ഈ നീക്കം നിലവിലുള്ള സ്റ്റാൻഡ്ലോൺ ചാറ്റ്ബോട്ടുകളിൽ നിന്ന് കമ്പനിയുടെ ക്ലൗഡ് സേവനങ്ങളിൽ സ്വയം പ്രവർത്തിക്കുന്ന "ഏജന്റുകളിലേക്ക്" ശ്രദ്ധ മാറ്റുന്നു. ഇത് എഐ എങ്ങനെ നിർമ്മിക്കണം, പ്രവർത്തിപ്പിക്കണം, നിയന്ത്രിക്കണം എന്നതിനെക്കുറിച്ച് സംരംഭങ്ങൾ പുനർചിന്തനം ചെയ്യാൻ പ്രേരിപ്പിക്കുന്നു.
ഈ മാറ്റം ഇപ്പോൾ പ്രധാനമാകുന്നത് എന്തുകൊണ്ട്
മിക്ക കമ്പനികളും ഒരു പ്രൂഫ്-ഓഫ്-കോൺസെപ്റ്റിൽ (proof-of-concept) നിന്ന് പൂർണ്ണമായ വിന്യാസത്തിലേക്ക് (full deployment) എത്തുമ്പോൾ തടസ്സങ്ങൾ നേരിടുന്നു. ഇവിടെ തടസ്സം മോഡലുകളല്ല; മറിച്ച് ഒരു ഏജന്റിനെ വിശ്വസനീയവും നിയമവിധേയവുമാക്കി നിലനിർത്തുന്ന ഗവേണൻസ്, ഐഡന്റിറ്റി, ഒബ്സർവബിലിറ്റി (observability) തുടങ്ങിയ അടിസ്ഥാന സംവിധാനങ്ങളാണ്. മൈക്രോസോഫ്റ്റിന്റെ പുതിയ സ്റ്റാക്ക് ഈ കുറവുകൾ പരിഹരിക്കുന്നു. ഏത് ഡാറ്റാ പ്ലാറ്റ്ഫോമിലും ഏത് ലാർജ് ലാംഗ്വേജ് മോഡലിലും (LLM) പ്രവർത്തിക്കാൻ കഴിയുന്ന ഒരു പുനരുപയോഗിക്കാവുന്ന ഇന്റലിജൻസ് ലെയർ ഇത് വാഗ്ദാനം ചെയ്യുന്നു.
മൈക്രോസോഫ്റ്റ് അവതരിപ്പിച്ച ഘടകങ്ങൾ
- Microsoft IQ – ഉപഭോക്താവിന്റെ ടെനന്റിൽ (tenant) പ്രവർത്തിക്കുന്ന ഒരു ഇന്റലിജൻസ് ലെയർ. ഇത് പ്രോംപ്റ്റുകൾ (prompts), മെമ്മറി, പോളിസി എന്നിവയിൽ നേരിട്ടുള്ള നിയന്ത്രണം നൽകുന്നു.
- Fabric IQ – മൈക്രോസോഫ്റ്റിന്റെ ഡാറ്റാ-ഫാബ്രിക് (data-fabric) സേവനങ്ങളിൽ ഉൾപ്പെടുത്തിയിരിക്കുന്ന ഇതേ ശേഷി. ഇത് അനലിറ്റിക്സും എഐയും ഒരേ പശ്ചാത്തലത്തിൽ പ്രവർത്തിക്കാൻ സഹായിക്കുന്നു.
- Ontology – ഒരു ബിസിനസ്സിന്റെ പ്രക്രിയകൾ, എൻ്റേറ്റികൾ (entities), ബന്ധങ്ങൾ എന്നിവയുടെ മെഷീൻ-റീഡബിൾ ആയ ഒരു മാതൃക. ഇത് നിയമങ്ങൾ മുൻകൂട്ടി നിശ്ചയിക്കാതെ തന്നെ "ആരാണ് എന്ത് ചെയ്യുന്നത്" എന്ന് മനസ്സിലാക്കാൻ ഏജന്റുകളെ സഹായിക്കുന്നു.
- Agent 365 – ഓരോ എഐ ഏജന്റിനും ഐഡന്റിറ്റി, റോൾ അടിസ്ഥാനമാക്കിയുള്ള ആക്സസ്, ഓഡിറ്റ് ട്രയലുകൾ എന്നിവ നൽകുന്ന ഒരു ഗവേണൻസ് ഫ്രെയിംവർക്ക്. ഇത് ഒരു ഏജന്റിനെ എച്ച്ആർ (HR) അല്ലെങ്കിൽ സെക്യൂരിറ്റി സിസ്റ്റങ്ങളിലെ ഒരു ജീവനക്കാരനെപ്പോലെ പരിഗണിക്കാൻ അനുവദിക്കുന്നു.
ഈ ഘടകങ്ങൾ ഒത്തുചേരുമ്പോൾ ഒരു "ചാറ്റ്ബോട്ട്" എന്നത് ഡാറ്റ ശേഖരിക്കാനും വർക്ക്ഫ്ലോകൾ (workflows) ആരംഭിക്കാനും സ്ഥാപനത്തിന്റെ പരിധിക്കുള്ളിൽ നിന്ന് തീരുമാനങ്ങൾ എടുക്കാനും കഴിയുന്ന ഒരു "ഡിജിറ്റൽ സഹപ്രവർത്തകൻ" (digital coworker) ആയി മാറുന്നു.
പ്രായോഗികമായി നടപ്പിലാക്കുന്നവർക്ക് ഇന്ന് മനസ്സിലാക്കാൻ കഴിയുന്ന കാര്യങ്ങൾ
- ഏജന്റിന്റെ ജോബ് ഡിസ്ക്രിപ്ഷൻ നിർവചിക്കുക – ഓരോ എഐ അസിസ്റ്റന്റിനെയും വ്യക്തമായ കഴിവുകളും നിർദ്ദേശങ്ങളും സവിശേഷമായ ഐഡന്റിറ്റിയുമുള്ള ഒരു പദവിയായി കാണുക. ഒരു ഏജന്റ് തെറ്റായ രീതിയിൽ പ്രവർത്തിക്കുമ്പോൾ, അതിന് കാരണമായ പ്രോംപ്റ്റ് മാത്രം നോക്കാതെ, അതിന്റെ നിർവചിക്കപ്പെട്ട ഉത്തരവാദിത്തങ്ങൾ ആദ്യം പരിശോധിക്കുക.
- മോഡലുകൾ മാറ്റാൻ സാധിക്കുന്നതാക്കുക – LLM-നെ ചുറ്റുമുള്ള ഇൻഫ്രാസ്ട്രക്ചറിൽ നിന്ന് വേർതിരിക്കുന്നതിലൂടെ, മുഴുവൻ സ്റ്റാക്കും വീണ്ടും നിർമ്മിക്കാതെ തന്നെ ഒരു കമ്പനിക്ക് GPT-ക്ക് പകരം Claude, Llama അല്ലെങ്കിൽ ഭാവിയിലെ ഏതെങ്കിലും മോഡൽ ഉപയോഗിക്കാം. നിക്ഷേപം മോഡലിലല്ല, മറിച്ച് ഓർക്കസ്ട്രേഷൻ ലെയറിലാണ് (orchestration layer) നിലനിൽക്കുന്നത്.
- മാറ്റുന്നതിന് പകരം കൂട്ടിചേർക്കുക (Wrap, don’t rip) – പഴയ സിസ്റ്റങ്ങളെ (Legacy systems) അഡാപ്റ്ററുകൾ വഴി എഐയുമായി ബന്ധിപ്പിക്കാം. കോടക് മഹീന്ദ്ര (Kotak Mahindra) തങ്ങളുടെ നിലവിലുള്ള ടെലിഫോണി സംവിധാനത്തിന് മുകളിൽ Azure Voice Live ഉപയോഗിച്ചുകൊണ്ട് ഇത് തെളിയിച്ചു; അതായത് പഴയ സംവിധാനങ്ങളെ പൂർണ്ണമായും മാറ്റേണ്ടതില്ലെന്ന് ഇതിലൂടെ വ്യക്തമായി.
- ട്യൂണിംഗ് ഒരു തുടർച്ചയായ പ്രക്രിയയായി കാണുക – ഫൈൻ ട്യൂണിംഗിന് (Fine-tuning) ഡാറ്റ തയ്യാറാക്കുക, പരിശീലിപ്പിക്കുക, വിലയിരുത്തുക, പ്രവർത്തനം നിരീക്ഷിക്കുക എന്നിവ ഉൾപ്പെടുന്ന ഒരു ലൂപ്പ് ആവശ്യമാണ്. ഒരു ഇവാലുവേഷൻ പൈപ്പ്ലൈൻ (evaluation pipeline) ഇല്ലാതെ നടത്തുന്ന ട്യൂണിംഗ് ശ്രമങ്ങൾ ഫലപ്രദമാകില്ല.
- വൃത്തിയുള്ള ഡാറ്റയിൽ നിന്ന് തുടങ്ങുക – തങ്ങളുടെ റിപ്പോർട്ടുകളിൽ കാൽഭാഗവും ഒരിക്കലും ഉപയോഗിക്കപ്പെട്ടിട്ടില്ലെന്ന് ഒരു പങ്കാളി വെളിപ്പെടുത്തി. അലങ്കോലമായ ഡാറ്റ ഒരു ഏജന്റിന് നൽകുന്നത് ആ അലങ്കോലത്തെ കൂടുതൽ വേഗത്തിലാക്കുകയേ ഉള്ളൂ. വലിയ തോതിലുള്ള എഐ വിന്യാസത്തിന് മുമ്പ് ഡാറ്റാ ഗുണനിലവാര പ്രവർത്തനങ്ങളും റിപ്പോർട്ടുകളുടെ യുക്തിസഹമായ ക്രമീകരണവും നടത്തണം.
എന്റർപ്രൈസ് സ്റ്റാക്കിനായി ചില പ്രായോഗിക ആശയങ്ങൾ
- എഐയുമായി ബന്ധപ്പെട്ട ചിലവുകൾ, ലേറ്റൻസി (latency), പൈപ്പ്ലൈനുകളുടെ പ്രവർത്തനം എന്നിവ നിരീക്ഷിക്കുന്നതിനുള്ള ഒരു ഏകീകൃത ഒബ്സർവബിലിറ്റി ഡാഷ്ബോർഡ് (observability dashboard) നിർമ്മിക്കുക.
- ഡാറ്റാ കൈമാറ്റം സുരക്ഷിതവും ഓഡിറ്റ് ചെയ്യാൻ കഴിയുന്നതുമാക്കാൻ, ആന്തരിക ഡാറ്റാ വെയർഹൗസുകളെ ഏജന്റുകൾക്ക് ലഭ്യമാക്കാൻ MCP പ്രോട്ടോക്കോളുകൾ ഉപയോഗിക്കുക.
- ചിലവ് മാനേജ്മെന്റ് സംബന്ധമായ ചോദ്യങ്ങളെ സ്വാഭാവിക ഭാഷയിലേക്ക് മാറ്റുന്ന സെമാന്റിക് മോഡലുകൾ (semantic models) നിർമ്മിക്കുക. ഇത് ഫിനാൻസ് ടീമുകൾക്ക് "കഴിഞ്ഞ പാദത്തിൽ നമ്മുടെ ക്ലൗഡ് ചിലവ് എത്രയായിരുന്നു?" എന്ന് ചോദിച്ചാൽ ഉടനടി ഉത്തരം ലഭിക്കാൻ സഹായിക്കും.
- കോഡ് റിവ്യൂകൾ ഓട്ടോമേറ്റ് ചെയ്യുന്നതിനായി ഡെവലപ്മെന്റ് ടീമുകളിൽ GitHub Copilot പരീക്ഷണാടിസ്ഥാനത്തിൽ നടപ്പിലാക്കുക; ഇതിലൂടെ വേഗതയിലുണ്ടാകുന്ന വർദ്ധനവും പിഴവുകൾ കുറയുന്നതും അളക്കാൻ സാധിക്കും.