احمد رشاد لکھتے ہیں: تنظیموں کے لیے مصنوعی ذہانت ایک آپریشنل مسئلہ ہے، نہ صرف بنیادی مسئلہ۔

مصنوعی ذہانت کو اکثر تنظیموں کے لیے ایک "اہم" مسئلہ قرار دیا جاتا ہے۔ ستم ظریفی یہ ہے کہ ٹیکنالوجی کے بہت سے رہنما، اپنے واضح جوش اور ٹکنالوجی میں نمایاں سرمایہ کاری کے باوجود، اسے ایک حقیقی انٹرپرائز ایپلی کیشن کے بجائے محض ایک تجربہ سمجھتے ہیں۔

شواہد بڑھ رہے ہیں کہ بہت سے AI پروجیکٹس تجرباتی یا پروٹو ٹائپ مرحلے سے آگے بڑھنے میں ناکام رہتے ہیں۔ گارٹنر کے تخمینوں کے مطابق، 2027 کے آخر تک 40% سے زیادہ ایجنٹ AI پروجیکٹس منسوخ کر دیے جائیں گے، اکثر کمزور رسک کنٹرول اور سرمایہ کاری پر غیر یقینی منافع کی وجہ سے۔گارٹنر نے پیش گوئی کی ہے کہ 40% سے زیادہ پراکسی AI پروجیکٹس 2027 کے آخر تک منسوخ ہو جائیں گے۔]

لانچ کرنے میں یہ ناکامی نہ صرف سرمایہ کاری کے نقصان کی نمائندگی کرتی ہے بلکہ طویل مدتی میں ٹیکنالوجی پر اعتماد میں کمی کا باعث بھی بنتی ہے۔

اس طرح، دو قسموں کی تنظیموں کے درمیان ایک بڑھتا ہوا خلا پیدا ہو رہا ہے: وہ لوگ جو انٹرپرائز کی سطح پر AI کو اپنانے کی طرف مستقل طور پر آگے بڑھ رہے ہیں، اور وہ جو اسے تعینات کرنے کا کامیاب طریقہ تلاش کرنے کے لیے جدوجہد کر رہے ہیں۔ یہ خلا مزید وسیع ہونے کا امکان ہے کیونکہ ہم جنریٹو AI کے دور سے پراکسی AI کے دور میں منتقل ہو رہے ہیں۔

واضح وژن کا ہونا بلاشبہ مصنوعی ذہانت میں کامیابی کی کلید ہے، جیسا کہ آپ کی تنظیم کے لیے مخصوص حکمت عملی بنانے کے لیے ضروری ڈیٹا کا ہونا۔ یہ، کچھ ابتدائی سرمایہ کاری کے ساتھ، ایک متاثر کن پروٹو ٹائپ فراہم کرنے کے لیے کافی ہو سکتا ہے۔

لیکن کیا یہ پوری تنظیم میں کامیابی کی ضمانت دینے کے لیے کافی ہے؟ گارٹنر کے نمبر واضح طور پر جواب دیتے ہیں: نہیں۔

تو کیا غائب ہے؟ ٹیکنالوجی کے رہنماؤں کو اس بات کو یقینی بنانے کے لیے کیا کرنا چاہیے کہ مصنوعی ذہانت صرف شاندار کرنے کا ایک آلہ نہیں ہے، بلکہ نتائج حاصل کرنے کا ایک حقیقی ذریعہ ہے؟

جواب "آپریشنل تیاری" میں ہے" مصنوعی ذہانت کے لیے۔ سیدھے الفاظ میں: مصنوعی ذہانت کو تعینات کرنے، ان کا انتظام کرنے اور اسکیل کرنے کی صلاحیت، تاکہ یہ لیبارٹریوں اور چھوٹی لیبز کی حدود سے تنظیم کے تمام حصوں تک منتقل ہو جائے۔

اس کا مطلب یہ ہے کہ پراجیکٹ کی کامیاب لیکن الگ تھلگ تجربے سے تنظیم کی کارروائیوں کے بنیادی، مربوط عنصر میں منتقلی کو یقینی بنانے کے لیے ضروری کوشش کرنا۔ یہ ایک متحد اور مربوط پلیٹ فارم پر مصنوعی ذہانت کی تعیناتی سے حاصل کیا جاتا ہے جو کمپیوٹنگ کی صلاحیتوں، ڈیٹا مینجمنٹ، اور سیکیورٹی گورننس کو یکجا کرتا ہے۔ اہم طور پر، اس پلیٹ فارم کو تنظیم کے اندر کہیں بھی تعینات اور استعمال کرنے کے لیے ڈیزائن کیا گیا ہے، چاہے آن پریمیس ڈیٹا سینٹرز میں، کلاؤڈ سروسز کے ذریعے، یا کنارے پر بھی۔

یہ تصور ہمارے لیے نیا نہیں ہے۔ کمپنی کے کسی بھی اہم نظام کو کامیابی سے چلانے کے لیے - جیسے کہ انٹرپرائز ریسورس پلاننگ (ERP) یا کسٹمر ریلیشن شپ مینجمنٹ (CRM) سسٹمز - سب سے پہلے توجہ آپریشنل انفراسٹرکچر کی مضبوطی پر ہونی چاہیے۔ مصنوعی ذہانت پر بھی یہی بات لاگو ہوتی ہے، لیکن ایک اہم فرق کے ساتھ۔

یہاں انوکھے چیلنجز ہیں جن کو نظر انداز نہیں کیا جا سکتا جب ہم اس منطق کو مصنوعی ذہانت پر لاگو کرتے ہیں۔

AI انفراسٹرکچر مساوات کو صرف GPUs تک کم کرنا آسان ہے، لیکن حقیقت اس سے کہیں زیادہ وسیع ہے۔ ہائی بینڈوڈتھ میموری، انتہائی تیز اسٹوریج، اور مضبوط نیٹ ورکنگ سب یکساں طور پر اہم عناصر ہیں۔ دوسرے پروسیسرز اور ایکسلریٹر کے کردار کا ذکر نہ کرنا، جو ورک فلو کے مخصوص مرحلے کے لحاظ سے مختلف ہوتے ہیں۔

سب سے اہم بات یہ ہے کہ یہ انفراسٹرکچر—چاہے آن پریمیسس ہو، کلاؤڈ بیسڈ ہو، یا ہائبرڈ—اس قابل ہونا چاہیے کہ پراجیکٹ کے تیار ہونے کے ساتھ ساتھ بڑھنے اور موافقت پذیر ہو۔ محدود پائلٹ مرحلے میں کامیاب ہونا کافی نہیں ہے۔ جب پروجیکٹ مکمل پیمانے پر، انٹرپرائز وسیع پیداواری نظام میں تبدیل ہوتا ہے تو اسے آزمائش کا بھی سامنا کرنا پڑتا ہے۔ اور مصنوعی ذہانت، اپنی نوعیت کے اعتبار سے، روایتی کاروباری نظاموں سے زیادہ باہم مربوط اور پیچیدہ ہے۔

لیکن مسئلہ پروسیسنگ پاور اور اسٹوریج کی صلاحیت سے کہیں آگے ہے۔ جب ہم انٹرپرائز کی سطح پر AI کے بارے میں بات کرتے ہیں، تو سیکورٹی اور گورننس ایک سرخ لکیر بن جاتی ہے جسے عبور نہیں کیا جا سکتا۔ کسی تنظیم کا ڈیٹا اور ملکیتی ماڈل مستقبل کے لیے اس کا حقیقی سرمایہ ہوتے ہیں، اور انہیں اس کے قبضے میں محفوظ رہنا چاہیے۔

یہاں، ڈیٹا کی خودمختاری کے قوانین اور مصنوعی ذہانت کو کنٹرول کرنے والے بڑھتے ہوئے ضوابط کے ساتھ معاملات اور بھی پیچیدہ ہو جاتے ہیں۔ ٹکنالوجی کے رہنماؤں کے لیے محض اعتماد کرنا اب قابل قبول نہیں ہے۔ انہیں اس بارے میں مکمل یقین ہونا چاہیے کہ ان کا ڈیٹا کہاں محفوظ ہے اور اس بات کا قطعی علم ہونا چاہیے کہ کس کو اس تک رسائی حاصل ہے اور کس کو رسائی سے انکار ہے۔

اگرچہ مصنوعی ذہانت کی صلاحیت لامحدود ہے، اسی طرح اگر اس انفراسٹرکچر کو غلط طریقے سے منظم کیا جاتا ہے تو اخراجات بھی ہوتے ہیں۔ پروسیسنگ یونٹس اور توانائی کی کھپت کے لیے بھاری قیمت ادا کرنے کا تصور کریں، صرف ان وسائل کو بیکار چھوڑنے کے لیے۔ یہ نہ صرف سرمایہ کاری کے بدلے میں فرق پیدا کرتا ہے بلکہ تنظیم کے ماحولیاتی اور سماجی وابستگیوں کو بھی نقصان پہنچاتا ہے۔

آپریشنل توسیع

ٹکنالوجی کے رہنماؤں کو شروع سے ہی منصوبہ بندی کرنی چاہیے کہ کس طرح تکنیکی صلاحیت کو بڑھایا جائے — اور جب ضروری ہو تو اسے کم کیا جائے — اور اس کے علاوہ، وہ درست طریقے سے لاگت کا انتظام اور پیشن گوئی کرنے کے قابل ہوں۔ اس کے لیے انہیں ایک پلیٹ فارم اور ٹولز کی ضرورت ہے جو انہیں یہ سب کچھ آسانی اور آسانی سے کرنے کا اعتماد فراہم کریں۔

یہ ضرورت AI ایجنٹوں کے متعارف ہونے کے ساتھ اور زیادہ دباؤ بن جاتی ہے۔ ان ایجنٹوں کی موجودگی کا مطلب یہ ہے کہ خودکار نظام ڈیٹا تک رسائی حاصل کریں گے، نئی معلومات پیدا کریں گے، اور فیصلے کریں گے۔ سیکورٹی، گورننس، اور تعمیل کو سخت اور غیر سمجھوتہ رہنا چاہیے۔ بنیادی ڈھانچہ ان ایجنٹوں کو ایڈجسٹ کرنے اور مانگ میں اچانک اضافے سے نمٹنے کے قابل ہونا چاہیے کیونکہ وہ اپنے کام انجام دیتے ہیں۔ مزید برآں، توانائی کی کھپت کو معقول حدود کے اندر رکھتے ہوئے حقیقی وقت کے تخمینہ کے کام کے بوجھ کے لیے ردعمل کے اوقات کو کم سے کم کرنے کے لیے تکنیکی اثاثوں کی جگہ پر احتیاط سے غور کرنا چاہیے۔

جب ہم ان تمام باتوں کو مدنظر رکھتے ہیں تو مصنوعی ذہانت کے دور میں آپریشنل تیاری کی حقیقی تصویر واضح ہو جاتی ہے۔

اس تیاری کے لیے ایک جامع، استعمال کے لیے تیار نقطہ نظر کی ضرورت ہے: ایک مضبوط پلیٹ فارم جو GPUs اور دیگر ضروری ایکسلریٹروں کو ایڈجسٹ کرنے کے قابل ہو۔ اس پلیٹ فارم میں مضبوط سیکیورٹی کنٹرولز اور گورننس کے ساتھ مصنوعی ذہانت کے لیے درکار تمام فارمیٹس کو سپورٹ کرنے والی مربوط ڈیٹا سروسز کو شامل کرنا چاہیے۔ اسے ورچوئل مشینوں اور کنٹینرز دونوں کو بھی سپورٹ کرنا چاہیے، ان کے آپریشن کو مربوط کرنے کی صلاحیت کے ساتھ۔

مصنوعی ذہانت کو تعینات کرنے اور اس سے فائدہ اٹھانے کی دوڑ کافی تھکا دینے والی ہے، اور کوئی بھی ایک ہی وقت میں کلاؤڈ مقامی انفراسٹرکچر کی طرف ہجرت کی جنگ لڑنا نہیں چاہتا ہے۔

اگرچہ بڑے لینگوئج ماڈلز (LLMs) ہمیشہ ایک جیسے جوابات فراہم نہیں کر سکتے ہیں، لیکن مصنوعی ذہانت کا بنیادی ڈھانچہ — تخلیقی اور کٹوتی — اس کے برعکس ہونا چاہیے: دوبارہ قابل اور معیاری۔ یہ کسی بھی کمپنی کے لیے ایک بنیادی ضرورت ہے جو بڑھتی ہوئی طلب کو پورا کرنے کے لیے پیمانہ حاصل کرنا چاہتی ہے، چاہے وہ کلاؤڈ میں ہو، آن پریمیسس، یا کنارے پر۔

جب ٹیکنالوجی کے رہنماؤں کے پاس صحیح پلیٹ فارم اور ٹولز ہوتے ہیں، تو وہ اپنی ٹیموں کی حتمی مقصد کی طرف رہنمائی کر سکتے ہیں: ایک کامیاب پائلٹ پروجیکٹ کو جامع انٹرپرائز حکمت عملی میں تبدیل کرنے کے لیے وقت اور وسائل کو ضائع کرنے کے بجائے، AI سرمایہ کاری سے حاصل ہونے والی قدر کو مستقل طور پر زیادہ سے زیادہ کرنا۔

بالآخر، چاہے وہ ہر چیز کو مصنوعی ذہانت پر لگائیں یا اپنی وسیع تر ٹول کٹ میں اسے صرف ایک ٹول سمجھیں، ایک چیز یقینی ہے: ٹیکنالوجی کے رہنماؤں کو ایک ناگزیر سچائی کو تسلیم کرنا چاہیے: AI فطری طور پر ایک انٹرپرائز ایپلی کیشن ہے۔ اور انٹرپرائز ایپلی کیشنز کمزور یا عارضی حل کو برداشت نہیں کرتی ہیں۔ انہیں انٹرپرائز سطح کے بنیادی ڈھانچے کی ضرورت ہوتی ہے جو اس منصوبے کو اس کے ابتدائی تجرباتی مرحلے سے اصل پیداوار کے ذریعے اور مستقبل میں مدد فراہم کرنے کے قابل ہو۔

کیونکہ یہ صرف ان کے اداروں کی بقا اور طویل مدت میں جاری رہنے کو یقینی بنائے گا۔

  از: احمد رشاد، مصنوعی ذہانت کے ماہر نیوٹینکس

نابڈ نیٹ ورک پر ابھی ہمیں فالو کریں۔