ఎంటర్ప్రైజ్ AI రంగం మారిపోయింది. కొన్ని సంవత్సరాల క్రితం, మెషిన్ లెర్నింగ్ను పరీక్షించమని నాయకత్వాన్ని ఒప్పించడం ఒక కష్టమైన పనిగా ఉండేది. ఇప్పుడు బడ్జెట్లు అందుబాటులో ఉన్నాయి. పైలట్ ప్రాజెక్టులకు అనుమతులు లభిస్తున్నాయి. రోడ్మ్యాప్లలో యూజ్ కేస్లు పేరుకుపోతున్నాయి. అయినప్పటికీ, ఈ ప్రాజెక్టులలో చాలా వరకు వ్యాపారం నడిచే విధానాన్ని ఎన్నటికీ మార్చలేని ఖరీదైన ప్రయోగాలగానే మిగిలిపోతున్నాయి. మోడల్స్ బాగున్నాయి. సమస్య మాత్రం మిగిలిన అంశాల్లో ఉంది.
పైలట్ ప్రాజెక్టులు ఎక్కడ విఫలమవుతాయి
డెమో అంటే అందరికీ ఇష్టం. ప్రోటోటైప్ అద్భుతమైన ఖచ్చితత్వంతో 'churn'ను అంచనా వేస్తుంది. బోర్డు సభ్యులు సమ్మతిస్తారు. నిధులు అందుతాయి. ఆ తర్వాత నిశ్శబ్దం. 'proof of concept' ఆమోదించబడుతుంది, కానీ పురోగతి ఆగిపోతుంది. అసలు ఏం జరిగింది?
బిజినెస్ టీమ్లు ఒక డాష్బోర్డ్ను చూస్తూ, అది తమ రోజువారీ పని విధానానికి (workflow) ఎలా సరిపోతుందో అర్థం చేసుకోలేకపోతున్నారు. మోడల్కు డేటాను అందించే డేటా పైప్లైన్ అనేది ఎవరూ బాధ్యత వహించని ఒకేసారి చేసిన మాన్యువల్ ఎక్స్ట్రాక్ట్ మాత్రమే. మధ్యలో కంప్లయన్స్ నిబంధనలు మారిపోతాయి. CRM ఎన్నడూ అందించని క్లీన్ ఇన్పుట్లను సిస్టమ్ కోరుకుంటుంది. AI ఒక నోట్బుక్లో బాగా పనిచేస్తుంది, కానీ సంస్థ దానితో ఏమి చేయాలో తెలియదు.
ఇది డెలివరీ వైఫల్యం. 95 శాతం ఖచ్చితత్వాన్ని చూపే మోడల్ ఒక హ్యాకథాన్లో గెలవచ్చు. కానీ మిగిలిన ఐదు శాతం వల్ల ఆడిట్ సమస్యలు లేదా భద్రతా ఉల్లంఘనలు తలెత్తితే, ఆపరేషన్స్ టీమ్ దానిని నిలిపివేస్తుంది. ఇంజనీర్లు సాంకేతిక మైలురాళ్లను (technical milestones) జరుపుకుంటారు. బిజినెస్ యూనిట్లు ఎప్పటికీ రాని ఫలితాల కోసం వేచి చూస్తుంటాయి. ఈ రెండింటి మధ్య ఉన్న అంతరమే ప్రాజెక్టులు విఫలమయ్యే చోటు.
అర్థం చేసుకునే విధానంలో ఉన్న అంతరం (The Translation Gap)
దీనిని ఉన్నది ఉన్నట్లుగా పిలుద్దాం. ఎగ్జిక్యూటివ్లు రెవెన్యూ వృద్ధిని లేదా ఖర్చు తగ్గింపును కోరుకుంటారు. ఆపరేషన్స్ టీమ్ గందరగోళం లేకుండా వేగాన్ని కోరుకుంటుంది. డేటా టీమ్లు అర్థవంతమైన స్కీమాస్ను (schemas) కోరుకుంటాయి. ఇంజనీర్లు uptime మరియు క్లీన్ APIలను కోరుకుంటారు. ఈ కోరికలు ఏవీ సహజంగా ఒకదానితో ఒకటి సరిపోవు.
ప్రతి గ్రూపును విడివిడిగా వదిలేస్తే, వారు వేర్వేరు అంశాల కోసం ప్రయత్నిస్తారు. UI వల్ల అయోమయానికి గురవుతున్న సేల్స్ టీమ్ ఇంకా ప్రతిదీ Excelకు ఎక్స్పోర్ట్ చేస్తుంటే, ఒక ఇంజనీర్ prediction endpoint నుండి latencyని తగ్గించడానికి వారాల తరబడి సమయం వెచ్చించవచ్చు. వేర్హౌస్ టీమ్ ఆరు నెలలుగా ఒక ముఖ్యమైన ఫీల్డ్లో nulls నమోదు చేస్తూ ఉండగా, ఒక డేటా సైంటిస్ట్ AUC యొక్క నాలుగవ దశాంశ స్థానం (fourth decimal place) గురించి అతిగా ఆలోచించవచ్చు. ఎవరూ తప్పు చేయలేదు. వారు కేవలం వేర్వేరు భాషలు మాట్లాడుతున్నారు.
పైలట్ దశ తర్వాత AI నిలిచిపోవడానికి ఈ అసమతుల్యతే అతిపెద్ద కారణం. ఇది GPU కొరత వల్ల కాదు. PhD హోదాలు లేకపోవడం వల్ల కూడా కాదు. ఈ గ్రూపుల మధ్య ఉండి, అందరికీ అర్థమయ్యేలా ఒక ఉమ్మడి వాస్తవికతను (shared reality) నిర్మించగలిగే వ్యక్తి లేకపోవడం వల్ల ఇది జరుగుతుంది.
ఫార్వర్డ్ డిప్లాయ్డ్ ఇంజనీర్లు (Forward Deployed Engineers) నిజంగా ఏం చేస్తారు
ఫార్వర్డ్ డిప్లాయ్డ్ ఇంజనీర్లు ఆ వారధిలా పనిచేస్తారు. వారు మీ డేటా సైంటిస్ట్లను లేదా ప్లాట్ఫారమ్ ఇంజనీర్లను భర్తీ చేయరు. సాంకేతికత అందుబాటులోకి రాకముందే దానిని దెబ్బతీసే సంస్థాగత ఘర్షణలను (organizational friction) సరిదిద్దడానికి వారు బిజినెస్, ఇంజనీరింగ్, డేటా మరియు ప్రొడక్ట్ టీమ్లతో కలిసి పనిచేస్తారు.
ఒక FDE ప్రాజెక్ట్లో అడుగుపెట్టినప్పుడు, వారు కొన్ని కఠినమైన ప్రశ్నలతో ప్రారంభిస్తారు. ఈ టూల్ను ఉపయోగించే వ్యక్తికి విజయవంతమైన మంగళవారం ఉదయం ఎలా ఉంటుంది? ఏ మూడు legacy systems నిజంగా ఈ డేటా స్ట్రీమ్ను అందిస్తాయి? మోడల్ తప్పుగా ఉంటే ప్రక్రియకు ఏమవుతుంది? వారు సమాధానాలను సాంకేతిక నిర్ణయాలుగా మారుస్తారు, తద్వారా టీమ్లు తప్పుడు పరిష్కారాన్ని నిర్మించడానికి నెలల తరబడి సమయాన్ని వృధా చేయకుండా ఉంటారు.
ఒక సాధారణ ప్రాజెక్ట్లో, ఒక FDE ఈ క్రింది పనులు చేస్తారు:
- అస్పష్టమైన ఆదేశాలను అంగీకరించే బదులు, స్టేక్హోల్డర్లతో లక్ష్యాలను స్పష్టం చేయడం
- ఏ Jira టికెట్ కూడా గుర్తించలేని అడ్డంకులను (bottlenecks) కనుగొనడానికి ప్రాసెస్ ఫ్లోర్ను పరిశీలించడం
- ఉన్న డాక్యుమెంటేషన్లో లేని డేటా ఆధారిత అంశాలను (data dependencies) గుర్తించడం
- ఆ అవసరాలను స్పష్టమైన సాంకేతిక నిర్ణయాలుగా మార్చడం
- అవుట్పుట్ను ఉపయోగించే ఆపరేషన్స్ టీమ్తో చర్చించడం ద్వారా అంచనాలను ముందుగానే ధృవీకరించడం
FDEలు కేవలం సాంకేతిక సమస్యలనే కాకుండా, సంస్థాగత సమస్యలను కూడా పరిష్కరిస్తారు. ఉదాహరణకు, ట్రైనింగ్ డేటా ఎంపికలో చేర్చబడనందున ఒక ఆపరేషన్స్ మేనేజర్ మోడల్ను నమ్మకపోవడాన్ని వారు గమనించవచ్చు. అప్పుడు వారు ఆమెకు అర్థమయ్యేలా ఒక ఫీడ్బ్యాక్ లూప్ను నిర్మిస్తారు. ఒక వర్క్ఫ్లోకు రెండు ఆమోదాలు అవసరమని, కానీ కొత్త సిస్టమ్ వాటిని విస్మరిస్తోందని వారు గమనిస్తే, ఆ టూల్ను విఫలమైన ప్రక్రియలోకి నెట్టేయకుండా, handoff విధానాన్ని తిరిగి రూపొందిస్తారు.
కేవలం ఖచ్చితత్వాన్ని మాత్రమే కాదు, అడాప్షన్ను (Adoption) కూడా కొలవండి
అత్యంత విజయవంతమైన AI ప్రోగ్రామ్లు వేరే స్కోర్కార్డ్ను అనుసరిస్తాయి. మోడల్ మెట్రిక్స్ ఇప్పటికీ ముఖ్యమే, కానీ అసలైన సూచికలు దాని తర్వాత దశల్లో ఉంటాయి. ప్రజలు ఉపయోగిస్తున్నారా