انٹرپرائز AI (Enterprise AI) بدل چکا ہے۔ چند سال پہلے، قیادت کو مشین لرننگ کا تجربہ کرنے کے لیے راضی کرنا ایک مشکل کام تھا۔ اب بجٹ موجود ہیں۔ پائلٹ پروجیکٹس کو منظوری مل رہی ہے۔ روڈ میپس پر استعمال کے کیسز (use cases) کا ڈھیر لگ رہا ہے۔ پھر بھی، ان میں سے بہت سے پروجیکٹس مہنگے تجربات بن کر رہ جاتے ہیں جو اصل میں کاروبار کے طریقہ کار کو تبدیل نہیں کر پاتے۔ ماڈلز ٹھیک ہیں۔ مسئلہ باقی سب چیزوں میں ہے۔

جہاں پائلٹ پروجیکٹس دم توڑ دیتے ہیں

ہر کوئی ڈیمو (demo) پسند کرتا ہے۔ پروٹو ٹائپ حیرت انگیز درستگی کے ساتھ 'چرن' (churn) کی پیش گوئی کرتا ہے۔ بورڈ سر اثبات میں سر ہلاتا ہے۔ فنڈز جاری ہو جاتے ہیں۔ پھر خاموشی چھا جاتی ہے۔ 'پروف آف کانسیپٹ' (proof of concept) منظور ہو جاتا ہے، لیکن پیش رفت رک جاتی ہے۔ آخر ہوا کیا؟

بزنس ٹیمیں ڈیش بورڈ کو دیکھتی رہ جاتی ہیں اور سمجھ نہیں پاتیں کہ یہ ان کے روزمرہ کے کام کے بہاؤ (workflow) میں کیسے فٹ بیٹھتا ہے۔ وہ ڈیٹا پائپ لائن جس نے ماڈل کو ڈیٹا فراہم کیا، ایک بار کا دستی اخراج (manual extract) تھا جس کا کوئی ذمہ دار نہیں تھا۔ تعمیل کے قوانین (compliance rules) درمیان میں ہی بدل جاتے ہیں۔ سسٹم ایسے صاف ستھرے ان پٹس کا مطالبہ کرتا ہے جو CRM نے کبھی فراہم نہیں کیے۔ AI ایک نوٹ بک میں تو کام کرتا ہے، لیکن تنظیم کو سمجھ نہیں آتا کہ اس کا کیا کرنا ہے۔

یہ ڈیلیوری کی ناکامی ہے۔ ایک ماڈل جو 95 فیصد درستگی دکھاتا ہے وہ شاید ہیکاتھون جیت جائے، لیکن اگر باقی پانچ فیصد آڈٹ کے مسائل یا حفاظتی خلاف ورزیوں کا سبب بن جائے، تو آپریشنز اسے بند کر دیں گے۔ انجینئرز تکنیکی سنگ میلوں کا جشن مناتے ہیں، جبکہ بزنس یونٹس ان نتائج کا انتظار کرتے ہیں جو کبھی نہیں آتے۔ ان دونوں کے درمیان کا یہ خلا ہی وہ جگہ ہے جہاں پروجیکٹس ختم ہو جاتے ہیں۔

ترجمانی کا خلا (The Translation Gap)

اسے جو بھی کہیں، حقیقت یہی ہے۔ ایگزیکٹوز آمدنی میں اضافہ یا اخراجات میں کمی چاہتے ہیں۔ آپریشنز بغیر کسی افراتفری کے تیزی چاہتے ہیں۔ ڈیٹا ٹیمیں ایسے اسکیموں (schemas) کی خواہاں ہیں جو سمجھ میں آئیں۔ انجینئرز uptime اور صاف ستھرے APIs چاہتے ہیں۔ ان میں سے کوئی بھی خواہش قدرتی طور پر ایک دوسرے سے میل نہیں کھاتی۔

اگر انہیں اکیلا چھوڑ دیا جائے، تو ہر گروپ کسی مختلف چیز کو بہتر بنانے کی کوشش کرتا ہے۔ ایک انجینئر شاید کسی prediction endpoint سے لیٹنسی (latency) کم کرنے میں ہفتوں گزار دے، جبکہ سیلز ٹیم اب بھی سب کچھ Excel میں ایکسپورٹ کر رہی ہو کیونکہ UI انہیں الجھا دیتا ہے۔ ایک ڈیٹا سائنٹسٹ شاید AUC کے چوتھے اعشاریہ پر توجہ مرکوز کیے ہوئے ہو، جبکہ ویئر ہاؤس ٹیم چھ ماہ سے ایک اہم فیلڈ میں nulls درج کر رہی ہو۔ کوئی غلط نہیں ہے۔ وہ بس مختلف زبانیں بول رہے ہیں۔

یہ عدم مطابقت ہی وہ واحد بڑی وجہ ہے جس کی وجہ سے پائلٹ مرحلے کے بعد AI رک جاتا ہے۔ یہ GPU کی کمی نہیں ہے۔ یہ PhDs کی کمی نہیں ہے۔ یہ اس شخص کی عدم موجودگی ہے جو ان گروپس کے درمیان بیٹھ کر ایک مشترکہ حقیقت تعمیر کر سکے۔

فارورڈ ڈیپلائڈ انجینئرز (Forward Deployed Engineers) اصل میں کیا کرتے ہیں

فارورڈ ڈیپلائڈ انجینئرز (FDEs) وہی پل ہیں۔ وہ آپ کے ڈیٹا سائنٹسٹ یا پلیٹ فارم انجینئرز کی جگہ نہیں لیتے۔ وہ بزنس، انجینئرنگ، ڈیٹا اور پروڈکٹ ٹیموں کے درمیان کام کرتے ہیں تاکہ اس تنظیمی رکاوٹ (organizational friction) کو دور کیا جا سکے جو ٹیکنالوجی کو مارکیٹ میں آنے سے پہلے ہی ختم کر دیتی ہے۔

جب ایک FDE کسی پروجیکٹ میں قدم رکھتا ہے، تو وہ مشکل سوالات پوچھنے سے آغاز کرتا ہے۔ اس ٹول کو استعمال کرنے والے شخص کے لیے ایک کامیاب منگل کی صبح کیسی ہوتی ہے؟ کون سے تین لیگیسی سسٹم (legacy systems) اصل میں اس ڈیٹا اسٹریم کو فراہم کرتے ہیں؟ اگر ماڈل غلط ہو جائے تو عمل کا کیا ہوگا؟ وہ ان جوابات کو تکنیکی فیصلوں میں تبدیل کرتے ہیں تاکہ ٹیمیں غلط حل بنانے میں مہینوں ضائع نہ کریں۔

ایک عام انگیجمنٹ (engagement) میں، ایک FDE یہ کام کرے گا:

  • مبہم احکامات قبول کرنے کے بجائے اسٹیک ہولڈرز (stakeholders) کے ساتھ اہداف کو واضح کرنا
  • عمل کے دوران ان رکاوٹوں (bottlenecks) کو تلاش کرنے کے لیے فیلڈ کا جائزہ لینا جنہیں کوئی Jira ٹکٹ نہیں پکڑ پاتا
  • ڈیٹا کے ان انحصار (dependencies) کی نشاندہی کرنا جنہیں موجودہ دستاویزات میں فراموش کر دیا گیا ہو
  • ان ضروریات کو ٹھوس تکنیکی فیصلوں میں تبدیل کرنا
  • مفروضوں کی جلد تصدیق کرنا، اکثر آپریشنز ٹیم کے ساتھ کال میں شامل ہو کر جو اس آؤٹ پٹ کو استعمال کرے گی

FDEs صرف تکنیکی مسائل ہی نہیں بلکہ تنظیمی مسائل بھی حل کرتے ہیں۔ وہ شاید یہ محسوس کریں کہ ایک آپریشنز مینیجر ماڈل پر بھروسہ نہیں کرتی کیونکہ اسے ٹریننگ ڈیٹا کے انتخاب میں شامل نہیں کیا گیا تھا۔ چنانچہ وہ ایک ایسا فیڈ بیک لوپ (feedback loop) بناتے ہیں جسے وہ سمجھ سکے۔ وہ یہ بھی دیکھ سکتے ہیں کہ ایک ورک فلو میں دو منظوریوں کی ضرورت ہے جسے نیا سسٹم نظر انداز کر رہا ہے، اور وہ ٹول کو ایک ٹوٹے ہوئے عمل میں زبردستی ٹھونسنے کے بجائے ہینڈ آف (handoff) کو دوبارہ ڈیزائن کرتے ہیں۔

صرف درستگی نہیں، بلکہ اپنائی جانے والی شرح (Adoption) کی پیمائش کریں

سب سے کامیاب AI پروگرام ایک مختلف اسکور کارڈ پر نظر رکھتے ہیں۔ ماڈل کے میٹرکس (metrics) اب بھی اہم ہیں، لیکن اصل اشارے بعد کے مراحل (downstream) میں ملتے ہیں۔ کیا لوگ استعمال کر رہے ہیں