Microsoft ਨੇ ਬੈਂਗਲੁਰੂ ਵਿੱਚ ਆਪਣੇ Cloud and AI Innovation Day 'ਤੇ ਇੱਕ agent-centric AI stack ਦਾ अनाਹਾਰ ਕੀਤਾ, ਜਿਸ ਵਿੱਚ Microsoft IQ, Fabric IQ, ਇੱਕ Ontology layer ਅਤੇ Agent 365 governance ਵਰਗੀਆਂ ਚੀਜ਼ਾਂ ਪੇਸ਼ ਕੀਤੀਆਂ ਗਈਆਂ ਹਨ। ਇਹ ਕਦਮ ਫੋਕਸ ਨੂੰ ਸਟੈਂਡਅਲੋਨ ਚੈਟਬੋਟਸ ਤੋਂ ਹਟਾ ਕੇ ਖੁਦਮੁਖਤਿਆਰ "agents" ਵੱਲ ਲੈ ਜਾਂਦਾ ਹੈ ਜੋ ਕੰਪਨੀ ਦੀਆਂ ਕਲਾਉਡ ਸੇਵਾਵਾਂ ਵਿੱਚ ਕੰਮ ਕਰਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਉੱਦਮਾਂ (enterprises) ਨੂੰ ਇਹ ਮੁੜ ਸੋਚਣ ਲਈ ਮਜਬੂਰ ਹੋਣਾ ਪਵੇਗਾ ਕਿ ਉਹ AI ਨੂੰ ਕਿਵੇਂ ਬਣਾਉਂਦੇ, ਚਲਾਉਂਦੇ ਅਤੇ ਨਿਯੰਤਰਿਤ ਕਰਦੇ ਹਨ।
ਇਹ ਬਦਲਾਅ ਹੁਣ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ
ਜ਼ਿਆਦਾਤਰ ਫਰਮਾਂ proof-of-concept ਅਤੇ ਪੂਰੀ ਤਰ੍ਹਾਂ ਲਾਗੂ ਕਰਨ (deployment) ਦੇ ਵਿਚਕਾਰ ਰੁਕ ਜਾਂਦੀਆਂ ਹਨ। ਰੁਕਾਵਟ ਮਾਡਲ ਨਹੀਂ ਹਨ; ਇਹ 'plumbing' ਹੈ—ਗਵਰਨੈਂਸ, ਪਛਾਣ (identity) ਅਤੇ observability ਜੋ ਇੱਕ agent ਨੂੰ ਭਰੋਸੇਯੋਗ ਅਤੇ ਨਿਯਮਾਂ ਅਨੁਸਾਰ ਰੱਖਦੀ ਹੈ। Microsoft ਦਾ ਨਵਾਂ stack ਉਸ 'plumbing' ਨੂੰ ਪੂਰਾ ਕਰਦਾ ਹੈ, ਜੋ ਇੱਕ ਦੁਬਾਰਾ ਵਰਤੋਂਯੋਗ (reusable) ਇੰਟੈਲੀਜੈਂਸ ਲੇਅਰ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜੋ ਕਿਸੇ ਵੀ ਡੇਟਾ ਪਲੇਟਫਾਰਮ ਅਤੇ ਕਿਸੇ ਵੀ large-language model (LLM) 'ਤੇ ਕੰਮ ਕਰ ਸਕਦੀ ਹੈ।
Microsoft ਦੁਆਰਾ ਪੇਸ਼ ਕੀਤੇ ਗਏ ਬਿਲਡਿੰਗ ਬਲਾਕਸ
- Microsoft IQ – ਇੱਕ ਇੰਟੈਲੀਜੈਂਸ ਲੇਅਰ ਜੋ ਗਾਹਕ ਦੇ tenant ਵਿੱਚ ਰਹਿੰਦੀ ਹੈ, ਜੋ ਉਹਨਾਂ ਨੂੰ prompts, memory ਅਤੇ policy 'ਤੇ ਸਿੱਧਾ ਕੰਟਰੋਲ ਦਿੰਦੀ ਹੈ।
- Fabric IQ – ਉਹੀ ਸਮਰੱਥਾ ਜੋ Microsoft ਦੇ data-fabric offering ਵਿੱਚ ਸ਼ਾਮਲ ਹੈ, ਤਾਂ ਜੋ analytics ਅਤੇ AI ਇੱਕ ਸਾਂਝਾ ਸੰਦਰਭ (context) ਸਾਂਝਾ ਕਰ ਸਕਣ।
- Ontology – ਕਿਸੇ ਕਾਰੋਬਾਰ ਦੀਆਂ ਪ੍ਰਕਿਰਿਆਵਾਂ, ਇਕਾਈਆਂ (entities) ਅਤੇ ਸਬੰਧਾਂ ਦਾ ਇੱਕ ਲਾਈਵ, ਮਸ਼ੀਨ-ਪੜ੍ਹਨਯੋਗ ਮਾਡਲ, ਜੋ agents ਨੂੰ ਨਿਯਮਾਂ ਨੂੰ hard-code ਕੀਤੇ ਬਿਨਾਂ ਇਹ ਸਮਝਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ ਕਿ "ਕੌਣ ਕੀ ਕਰਦਾ ਹੈ"।
- Agent 365 – ਇੱਕ ਗਵਰਨੈਂਸ ਫਰੇਮਵਰਕ ਜੋ ਹਰ AI agent ਨਾਲ ਪਛਾਣ, ਭੂਮਿਕਾ-ਅਧਾਰਤ ਪਹੁੰਚ (role-based access) ਅਤੇ audit trails ਨੂੰ ਜੋੜਦਾ ਹੈ, ਜਿਸ ਨਾਲ agent ਨੂੰ HR ਜਾਂ ਸੁਰੱਖਿਆ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ ਇੱਕ ਕਰਮਚਾਰੀ ਵਾਂਗ ਮੰਨਿਆ ਜਾ ਸਕਦਾ ਹੈ।
ਇਕੱਠੇ ਹੋ ਕੇ ਇਹ ਹਿੱਸੇ ਇੱਕ "chatbot" ਨੂੰ ਇੱਕ "digital coworker" ਵਿੱਚ ਬਦਲ ਦਿੰਦੇ ਹਨ ਜੋ ਡੇਟਾ ਲਿਆਉਂਦਾ ਹੈ, workflows ਨੂੰ ਸ਼ੁਰੂ ਕਰਦਾ ਹੈ ਅਤੇ ਸੰਗਠਨਾਤਮਕ ਸੀਮਾਵਾਂ ਦੇ ਅੰਦਰ ਫੈਸਲੇ ਲੈਂਦਾ ਹੈ।
ਅੱਜ ਅਭਿਆਸਕਰਤਾ (practitioners) ਕੀ ਸਿੱਖ ਸਕਦੇ ਹਨ
- Agent ਦੀ job description ਤੈਅ ਕਰੋ – ਹਰੇਕ AI ਸਹਾਇਕ ਨੂੰ ਸਪੱਸ਼ਟ ਹੁਨਰ, ਨਿਰਦੇਸ਼ਾਂ ਅਤੇ ਇੱਕ ਵਿਲੱਖਣ ਪਛਾਣ ਵਾਲੀ ਇੱਕ ਭੂਮਿਕਾ ਵਜੋਂ ਮੰਨੋ। ਜਦੋਂ ਕੋਈ agent ਗਲਤ ਵਿਵਹਾਰ ਕਰਦਾ ਹੈ, ਤਾਂ ਪਹਿਲਾਂ ਉਸਦੀਆਂ ਨਿਰਧਾਰਤ ਜ਼ਿੰਮੇਵਾਰੀਆਂ ਦੀ ਜਾਂਚ ਕਰੋ, ਨਾ ਕਿ ਸਿਰਫ਼ ਉਸ prompt ਦੀ ਜਿਸ ਨੇ ਉਸਨੂੰ ਚਾਲੂ ਕੀਤਾ ਸੀ।
- ਮਾਡਲ ਨੂੰ interchangeable ਬਣਾਓ – LLM ਨੂੰ ਆਲੇ-ਦੁਆਲੇ ਦੇ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਤੋਂ ਅਲਗ ਕਰਕੇ, ਇੱਕ ਕੰਪਨੀ ਪੂਰੇ stack ਨੂੰ ਮੁੜ ਬਣਾਏ ਬਿਨਾਂ GPT ਨੂੰ Claude, Llama ਜਾਂ ਕਿਸੇ ਵੀ ਭਵਿੱਖੀ ਮਾਡਲ ਨਾਲ ਬਦਲ ਸਕਦੀ ਹੈ। ਨਿਵੇਸ਼ orchestration layer ਵਿੱਚ ਰਹਿੰਦਾ ਹੈ, ਨਾ ਕਿ ਖੁਦ ਮਾਡਲ ਵਿੱਚ।
- Wrap ਕਰੋ, rip (ਤੋੜੋ) ਨਹੀਂ – ਪੁਰਾਣੇ (Legacy) ਸਿਸਟਮ ਅਡੈਪਟਰਾਂ ਰਾਹੀਂ AI ਨਾਲ ਜੁੜ ਸਕਦੇ ਹਨ। Kotak Mahindra ਨੇ ਆਪਣੇ ਮੌਜੂਦਾ ਟੈਲੀਫੋਨੀ ਸੈੱਟਅੱਪ ਦੇ ਉੱਪਰ Azure Voice Live ਦੀ ਲੇਅਰ ਲਗਾ ਕੇ ਇਹ ਸਾਬਤ ਕੀਤਾ, ਜੋ ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਪੂਰੇ ਸਿਸਟਮ ਨੂੰ ਬਦਲਣ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ।
- Tuning ਨੂੰ ਇੱਕ ਨਿਰੰਤਰ ਪ੍ਰਕਿਰਿਆ ਵਜੋਂ ਮੰਨੋ – Fine-tuning ਲਈ ਇੱਕ ਲੂਪ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਜੋ ਡੇਟਾ ਤਿਆਰ ਕਰਦਾ ਹੈ, ਸਿਖਲਾਈ ਦਿੰਦਾ ਹੈ, ਮੁਲਾਂਕਣ ਕਰਦਾ ਹੈ ਅਤੇ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਨਿਗਰਾਨੀ ਕਰਦਾ ਹੈ। Evaluation pipeline ਤੋਂ ਬਿਨਾਂ, ਕੋਈ ਵੀ tuning ਕੋਸ਼ਿਸ਼ ਅੰਨ੍ਹੀ ਹੁੰਦੀ ਹੈ।
- ਸਾਫ਼ ਡੇਟਾ ਨਾਲ ਸ਼ੁਰੂ ਕਰੋ – ਇੱਕ ਭਾਗੀਦਾਰ ਨੇ ਦੱਸਿਆ ਕਿ ਉਨ੍ਹਾਂ ਦੀਆਂ ਰਿਪੋਰਟਾਂ ਦਾ ਇੱਕ ਚੌਥਾਈ ਹਿੱਸਾ ਕਦੇ ਵਰਤਿਆ ਹੀ ਨਹੀਂ ਗਿਆ। ਇੱਕ agent ਵਿੱਚ ਗਲਤ (messy) ਡੇਟਾ ਪਾਉਣ ਨਾਲ ਸਿਰਫ਼ ਉਸ ਗੜਬੜ ਨੂੰ ਹੀ ਆਟੋਮੇਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਵੱਡੇ ਪੱਧਰ 'ਤੇ AI rollout ਤੋਂ ਪਹਿਲਾਂ ਡੇਟਾ-ਗੁਣਵੱਤਾ ਦੀਆਂ ਪਹਿਲਕਦਮੀਆਂ ਅਤੇ ਰਿਪੋਰਟ rationalization ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ।
ਐਂਟਰਪ੍ਰਾਈਜ਼ ਸਟੈਕ ਲਈ ਵਿਸ਼ੇਸ਼ ਵਿਚਾਰ
- AI ਨਾਲ ਸਬੰਧਤ ਲਾਗਤਾਂ, latency ਅਤੇ pipelines ਦੀ ਸਿਹਤ ਨੂੰ ਟ੍ਰੈਕ ਕਰਨ ਲਈ ਇੱਕ ਇਕਜੁੱਟ observability dashboard ਬਣਾਓ।
- ਅੰਦਰੂਨੀ ਡੇਟਾ ਵੇਅਰਹਾਊਸਾਂ ਨੂੰ agents ਲਈ ਉਪਲਬਧ ਕਰਵਾਉਣ ਲਈ MCP protocols ਦੀ ਵਰਤੋਂ ਕਰੋ, ਤਾਂ ਜੋ ਡੇਟਾ ਦੀ ਹਰਕਤ ਸੁਰੱਖਿਅਤ ਅਤੇ auditable ਰਹੇ।
- ਅਜਿਹੇ semantic models ਬਣਾਓ ਜੋ cost-management queries ਨੂੰ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਵਿੱਚ ਬਦਲ ਸਕਣ, ਜਿਸ ਨਾਲ ਵਿੱਤ (finance) ਟੀਮਾਂ "ਪਿਛਲੀ ਤਿਮਾਹੀ ਵਿੱਚ ਸਾਡਾ ਕਲਾਉਡ ਖਰਚਾ ਕੀ ਸੀ?" ਵਰਗੇ ਸਵਾਲ ਪੁੱਛ ਸਕਣ ਅਤੇ ਤੁਰੰਤ ਜਵਾਬ ਪ੍ਰਾਪਤ ਕਰ ਸਕਣ।
- ਕੋਡ ਰਿਵਿਊਜ਼ ਨੂੰ ਆਟੋਮੇਟ ਕਰਨ ਲਈ ਡਿਵੈਲਪਮੈਂਟ ਟੀਮਾਂ ਵਿੱਚ GitHub Copilot ਦਾ ਪਾਇਲਟ ਪ੍ਰੋਜੈਕਟ ਚਲਾਓ, ਅਤੇ ਰਫ਼ਤਾਰ ਵਿੱਚ ਵਾਧੇ ਅਤੇ 결ਣ (defect) ਵਿੱਚ ਕਮੀ ਦੋਵਾਂ ਨੂੰ ਮਾਪੋ।