Amazon में मशीन लर्निंग के उपाध्यक्ष राजीव रस्तोगी ने व्यावसायिक प्रौद्योगिकी में एक गहरे परिवर्तन पर प्रकाश डाला, यह बताते हुए कि पूरा परिचालन स्तर एजेंटिक बन रहा है।
यह स्थिर सॉफ़्टवेयर से स्वायत्त प्रणालियों में बदलाव का प्रतीक है जो प्राकृतिक भाषा में दिए गए निर्देशों की व्याख्या कर सकती हैं। पारंपरिक सॉफ़्टवेयर के विपरीत, जो कठोर, पहले से निर्धारित परिदृश्यों का पालन करता है, एजेंटिक सिस्टम गतिशील निष्पादन पथ रखते हैं।
TechSparks कार्यक्रम के दौरान बातचीत में, रस्तोगी ने समझाया कि एजेंट कार्यों को हल करने के लिए स्वयं योजनाएँ विकसित करते हैं और उपयुक्त उपकरणों को सक्रिय करते हैं। मानव हस्तक्षेप के निरंतर प्रयास के बजाय, ये स्वायत्त एजेंट अनुरोधों का विश्लेषण करते हैं, कार्रवाई का क्रम बनाते हैं और जटिल प्रक्रियाओं को शुरू से अंत तक पूरा करने के लिए विशेष डिजिटल उपकरणों का उपयोग करते हैं।
Amazon के भीतर, इस परिचालन परत का उपयोग Rufus जैसी प्रणालियों में किया जाता है, जो खरीदारी सहायक है और ग्राहकों के अनुरोधों को समझने, मूल्य फ़िल्टर लागू करने, खोज इंजन को कॉल करने और उत्पादों की तुलना और ऑर्डर देने के माध्यम से उपयोगकर्ताओं को निर्देशित करने में सक्षम है। इसी तरह, विक्रेता सहायक स्वायत्त रूप से उत्पाद कार्ड भरने, स्टॉक की निगरानी करने और अंतर्राष्ट्रीय निर्यात नियमों के अनुपालन पर छोटे व्यवसायों को सलाह देने में मदद करते हैं।
जेनरेटिव आर्टिफिशियल इंटेलिजेंस (Gen AI) के प्रति बाजार के बड़े उत्साह के बावजूद, रस्तोगी ने इस बात पर जोर दिया कि जेनरेटिव मॉडल सभी कम्प्यूटेशनल समस्याओं के लिए सार्वभौमिक समाधान नहीं हैं। जेनरेटिव एआई जटिल तर्क, पाठ सारांश, समीक्षा विश्लेषण और रचनात्मक कार्यों, जैसे उत्पाद छवियों की पृष्ठभूमि को संपादित करने में उत्कृष्टता प्राप्त करता है। हालांकि, यह उच्च थ्रूपुट और कम विलंबता की आवश्यकता वाले अनुप्रयोगों में कठिनाई का सामना करता है।
रस्तोगी ने उल्लेख किया कि कुछ कार्यों के लिए, पारंपरिक मशीन लर्निंग मॉडल का प्रदर्शन जेनरेटिव मॉडलों के प्रदर्शन से कभी मेल नहीं खाएगा। ग्रेडिएंट बूस्टिंग ट्रीज़ या मानक न्यूरल नेटवर्क जैसे क्लासिक एल्गोरिदम संरचित संख्यात्मक डेटा को असाधारण गति से संसाधित करते हैं।
ई-कॉमर्स में उत्पाद खोजने जैसे बड़े पैमाने पर परिचालन आवश्यकताओं के लिए, जहां दर्जनों या सैकड़ों अरबों आइटम संसाधित करने होते हैं, जेनरेटिव मॉडल अत्यधिक कम्प्यूटेशनल लागत और धीमी प्रतिक्रिया समय का सामना करते हैं। इसलिए, उच्च-प्रदर्शन आर्किटेक्चर मानव इरादों को समझने के लिए एजेंट प्रकार के ऑर्केस्ट्रेटर का उपयोग करते हैं, जबकि त्वरित डेटा पुनर्प्राप्ति के लिए बुनियादी खोज प्रणालियों पर भरोसा करते हैं।
जब वास्तव में जेनरेटिव क्षमताओं की आवश्यकता होती है, तो उद्यम नेताओं को जरूरी नहीं है कि वे पूरी तरह से विशाल मूलभूत प्रणालियों पर निर्भर रहें। फ्रंटियर मॉडल, जो सबसे बड़े और सबसे संसाधन-गहन एआई आर्किटेक्चर का प्रतिनिधित्व करते हैं, महत्वपूर्ण परिचालन लागत वहन करते हैं। रस्तोगी ने एक अधिक किफायती विकल्प सुझाया, यह बताते हुए कि 'कुछ खुले आधारभूत मॉडलों को फाइन-ट्यून करना... आपको ऐसे मॉडल दे सकता है जो इन बड़े मॉडलों में से कुछ की तुलना में कहीं बेहतर काम करते हैं... एक पांचवें या दसवें हिस्से की लागत पर'।
फाइन-ट्यूनिंग में Qwen जैसे छोटे, सार्वजनिक रूप से उपलब्ध खुले मॉडल लेना और उन्हें विशिष्ट मालिकाना एप्लिकेशन डेटा पर प्रशिक्षित करना शामिल है। खुले फाइन-ट्यून्ड मॉडल को अपनाकर, कंपनियां विशाल बंद मॉडल जैसे Claude या ChatGPT की तुलना में विशिष्ट वर्गीकरण या पूर्वानुमान कार्यों के लिए समान या बेहतर सटीकता प्राप्त कर सकती हैं, जबकि अपनी कम्प्यूटेशनल लागत को काफी कम कर सकती हैं।
तकनीकी उद्यमियों और उद्यम वास्तुकारों के लिए सबसे आशाजनक अवसर मौलिक मॉडल बनाने के प्रयासों में नहीं, बल्कि वर्टिकल वर्कफ़्लो के स्वचालन में निहित हैं। नए फ्रंटियर मॉडल विकसित करने के लिए अस्थिर वित्तीय पूंजी और कम्प्यूटेशनल बुनियादी ढांचे की आवश्यकता होती है। इसके बजाय, रस्तोगी सलाह देते हैं: 'फ्रंटियर मॉडलों के ऊपर निर्माण करना, डोमेन में वर्कफ़्लो को स्वचालित करने के लिए एजेंटिक एआई का उपयोग करना... निश्चित रूप से आशाजनक है'।
Cursor जैसे कोडिंग उपकरणों से प्रेरणा लेते हुए, विशेष क्षेत्रों जैसे कानून, वित्त, स्वास्थ्य सेवा, कृषि और मानव संसाधन में बड़ी संभावनाएं मौजूद हैं। एक विशेष रूप से मूल्यवान अनछुआ क्षेत्र मानक परिचालन प्रक्रियाओं का स्वचालन है - प्राकृतिक भाषा दस्तावेज़ जो कर्मचारियों के लिए जटिल परिचालन समस्याओं को हल करने के लिए चरण-दर-चरण निर्देश का विस्तार से वर्णन करते हैं।
एजेंटिक ऑटोमेशन प्लेटफॉर्म खराब लिखे गए निर्देशों को आंतरिक ज्ञानकोष का उपयोग करके परिष्कृत करने, लंबी प्रक्रियाओं को प्रबंधनीय उप-कार्यों में तोड़ने और उन्हें विशेष सब-एजेंटों के नेटवर्क को सौंपने में सक्षम है, जो स्वचालित रूप से आंतरिक उपकरणों की समीक्षा करते हैं, दस्तावेजों से डेटा निकालते हैं, छवियों का विश्लेषण करते हैं और समस्याओं का समाधान करते हैं।
भविष्य में झाँकते हुए, एआई मॉडल की मूल संरचना को स्थिरता बनाए रखने के लिए विकसित होना आवश्यक है। आधुनिक फ्रंटियर मॉडल गंभीर भौतिक और वित्तीय सीमाओं का सामना करते हैं। रस्तोगी ने टिप्पणी की: 'आज फ्रंटियर मॉडल बहुत बड़े हैं, कम्प्यूटेशनल रूप से बहुत महंगे हैं, बहुत अधिक ऊर्जा और संसाधनों का उपभोग करते हैं... और मुझे नहीं लगता कि यह टिकाऊ है'।
इसके अलावा, आज के मोनोलिथिक मॉडल मुख्य रूप से अगले टोकन की सांख्यिकीय भविष्यवाणी तंत्र के रूप में कार्य करते हैं, अनुक्रम में अगले सबसे संभावित शब्द का अनुमान लगाते हैं, जिसमें भौतिकी के नियमों, त्रि-आयामी ज्यामिति या कारण संबंधों की वास्तविक समझ नहीं होती है। रस्तोगी के अनुसार, इन सीमाओं को पार करने के लिए भविष्य का परिदृश्य छोटे, विषय-उन्मुख मॉडल के नेटवर्क की ओर बढ़ेगा, जिन्हें केंद्रीय रूटिंग ऑर्केस्ट्रेटरों द्वारा नियंत्रित किया जाएगा। विशाल मॉडल के मापदंडों में दुनिया के विशाल ज्ञान को संग्रहीत करने के बजाय, भविष्य के एआई आर्किटेक्चर तर्क क्षमता और डेटा भंडारण को अलग करेंगे, जानकारी निकालने के लिए बाहरी हाई-स्पीड खोज प्रणालियों पर भरोसा करेंगे। अंततः, उद्योग आंतरिक रूप से भौतिक स्थानों और पर्यावरण व्यवहार की समझ वाले सच्चे विश्व मॉडल की ओर बढ़ेगा, जिससे कॉर्पोरेट स्वचालन के लिए एक व्यावहारिक और आर्थिक रूप से कुशल आधार बनेगा।