AI സോഫ്റ്റ്വെയർ നിർമാണച്ചെലവ് കുറയ്ക്കുമ്പോൾ മത്സരനേട്ടത്തിനായി പ്രവർത്തന മോഡൽ മാറണം. AI സഹായികളെ വിന്യസിക്കുന്നതിൽ ഒതുങ്ങാതെ ടീമുകളുടെ പ്രവർത്തനം പുനഃക്രമീകരിക്കുന്ന സ്ഥാപനങ്ങൾക്ക് സുസ്ഥിര നേട്ടങ്ങൾ കൂടുതൽ സാധ്യമാണ്.
AI അധിഷ്ഠിത എൻജിനീയറിംഗിന് പരസ്പരപൂരകമായ രണ്ടു ശേഷികൾ വേണം: ഉപഭോക്താക്കളോടും പ്രശ്നങ്ങളോടും അടുത്തുനിൽക്കുന്ന ആപ്ലിക്കേഷൻ ടീമുകൾ; മനുഷ്യർക്കും AI ഏജന്റുകൾക്കും സുരക്ഷിതമായി വ്യാപകമായി പ്രവർത്തിക്കാൻ പശ്ചാത്തലവും നിയന്ത്രണങ്ങളും വിലയിരുത്തലും മേൽനോട്ടവും നൽകുന്ന പ്ലാറ്റ്ഫോം അഥവാ “ഹാർനെസ്” ടീമുകൾ.
സാങ്കേതിക നേതൃത്വം നിർവഹണശേഷിയുടെ നിയന്ത്രണത്തിൽനിന്ന് നിർവഹണസംവിധാനത്തിന്റെ രൂപകൽപ്പനയിലേക്ക് മാറുന്നു. നാല് കാര്യങ്ങൾ നേതാക്കൾ വ്യക്തമാക്കണം: ആപ്ലിക്കേഷൻ ടീമുകളുടെ ചുമതല, പങ്കിടേണ്ട പശ്ചാത്തലവും നിയന്ത്രണങ്ങളും, ഏജന്റുകൾക്ക് മനുഷ്യാനുമതി വേണ്ടിടങ്ങൾ, തെളിവുറ്റ പഠനവും ഉപഭോക്തൃമൂല്യവും അളക്കുന്ന രീതി.
സോഫ്റ്റ്വെയർ നിർമാണം ചെലവേറിയ കാലത്താണ് ആധുനിക എൻജിനീയറിംഗ് രീതികൾ ഏറെയും രൂപപ്പെട്ടത്. മുഖ്യചോദ്യം ഇതായിരുന്നു: കൂടുതൽ ടീമുകൾക്ക് കൂടുതൽ സോഫ്റ്റ്വെയർ എങ്ങനെ മുൻകൂട്ടി ആസൂത്രണം ചെയ്തപോലെ നൽകാം? ടീം ഘടനയും പ്ലാറ്റ്ഫോം ധനസഹായവും നിർവഹണം അളക്കലും ആ ധാരണയെ ആശ്രയിച്ചു. വികസനം പലപ്പോഴും കൂടുതൽ ആളുകളെ ചേർക്കലായിരുന്നു; പൂർത്തിയാക്കിയ ജോലിയുടെ അളവിലായിരുന്നു വിജയം.
AI ആ ധാരണ മാറ്റുന്നു. മികച്ച ഉപകരണങ്ങളുള്ള പരമ്പരാഗത എൻജിനീയറിംഗല്ല AI അധിഷ്ഠിത എൻജിനീയറിംഗ് എന്നാണ് ഞങ്ങളുടെ കാഴ്ചപ്പാട്. വേറൊരു പ്രവർത്തന മോഡൽ വേണം: ഉപഭോക്തൃപ്രശ്നങ്ങളോടടുത്ത ചെറിയ ആപ്ലിക്കേഷൻ ടീമുകൾക്ക് പ്ലാറ്റ്ഫോം അഥവാ “ഹാർനെസ്” ടീമുകളുടെ പിന്തുണ. AI സുരക്ഷിതമായി വ്യാപകമായി ഉപയോഗിക്കാൻ മനുഷ്യർക്കും ഏജന്റുകൾക്കും പശ്ചാത്തലം, ഉപകരണങ്ങൾ, അനുമതികൾ, പ്രതികരണചക്രങ്ങൾ, പരിധികൾ എന്നിവ നൽകുന്ന നിയന്ത്രിത പരിസരത്തെയാണ് ഞങ്ങൾ ‘ഹാർനെസ്’ എന്നു വിളിക്കുന്നത്.
വ്യക്തിഗത ഉൽപ്പാദനക്ഷമത മാത്രം സ്ഥാപനമാകെയുള്ള സുരക്ഷിത സ്വീകാര്യത ഉറപ്പാക്കില്ല എന്നത് സാങ്കേതിക, ഡാറ്റാ നേതാക്കൾക്ക് പ്രധാനമാണ്. ആസൂത്രിത പ്രവർത്തന മോഡൽ ഇല്ലെങ്കിൽ ഉപകരണങ്ങളിലെ വിഘടനം, ആവർത്തിച്ച നിർമാണം, അവ്യക്തമായ ഉത്തരവാദിത്വം, ഡാറ്റാചോർച്ച, ഗുണനിലവാര വ്യത്യാസം എന്നിവയുണ്ടാകാം.
സ്ഥാപനങ്ങളുടെ ചോദ്യം “AI ഉപയോഗിക്കാൻ എൻജിനീയർമാരെ എങ്ങനെ സഹായിക്കാം?” എന്നതിൽനിന്ന് “മനുഷ്യരും ഏജന്റുകളും സ്ഥാപനമാകെ സുരക്ഷിതമായി മൂല്യം സൃഷ്ടിക്കേണ്ടതിന് എൻജിനീയറിംഗ് സംവിധാനം എങ്ങനെ പുനഃക്രമീകരിക്കണം?” എന്നതിലേക്ക് മാറണം.
കൂടുതൽ ആശയങ്ങൾ അന്വേഷിക്കാനും വേഗത്തിൽ പരീക്ഷണമാതൃകകൾ നിർമിക്കാനും കൂടുതൽ സമീപനങ്ങൾ പരിശോധിക്കാനും AI സഹായിക്കുന്നു. കൂടുതൽ ഉൽപ്പാദനം സ്വയമേവ കൂടുതൽ മൂല്യവത്താകുന്നില്ല. വിവേചനവും പ്രസക്തമായ പശ്ചാത്തലവും ഫലപ്രദമായ വിലയിരുത്തലുമില്ലെങ്കിൽ എന്ത് വിശ്വസിക്കണം, വിന്യസിക്കണം, പഠിക്കണം എന്ന് തീരുമാനിക്കാനാകുന്നതിലുമധികം വേഗത്തിൽ ജോലി പെരുകാം.
കോഡ് സൃഷ്ടിക്കാനും പരീക്ഷണങ്ങൾ നടത്താനുമുള്ള ചെലവ് AI കുറയ്ക്കാം. മൊത്തച്ചെലവ് കുറയുമോ എന്നത് പരിശോധന, സംയോജനം, നടത്തിപ്പ്, പരിപാലനം, പുനർജോലി എന്നിവയ്ക്ക് ശേഷിക്കുന്ന അധ്വാനത്തെ ആശ്രയിക്കും.
എൻജിനീയറിംഗ് മുൻതൂക്കം കൂടുതലായി നാല് കഴിവുകളെ ആശ്രയിക്കുമെന്നാണ് ഞങ്ങളുടെ പ്രതീക്ഷ:
എന്ത്, എങ്ങനെ നിർമിക്കണം, തീരുമാനങ്ങൾ എങ്ങനെ രേഖപ്പെടുത്തണം എന്നു നിശ്ചയിക്കൽ.
മനുഷ്യരെയും AI സംവിധാനങ്ങളെയും ശരിയായ സ്ഥാപനവിജ്ഞാനത്തിൽ ഉറപ്പിച്ചുനിർത്തൽ.
പൊതുപ്ലാറ്റ്ഫോമും നിയന്ത്രണവും വിലയിരുത്തലും വഴി സുരക്ഷിതമായി വിപുലീകരിക്കൽ.
പുതിയ ഉപകരണങ്ങളും ഘടകങ്ങളും തുടർച്ചയായ തടസ്സങ്ങളില്ലാതെ ഉൾക്കൊള്ളുന്ന ഘടനകൾ രൂപകൽപ്പന ചെയ്യൽ.
ദുർലഭശേഷി ഉൽപ്പാദനത്തിൽനിന്ന് ഫലപ്രാപ്തിയിലേക്ക് മാറുന്നു: ശരിയായ ജോലി തിരഞ്ഞെടുക്കുക, പശ്ചാത്തലത്തിൽ ഉറപ്പിക്കുക, ഫലം പരിശോധിക്കുക, എന്ത് പുറത്തിറക്കരുതെന്ന് അറിയുക.
പരീക്ഷണച്ചെലവ് കുറയുമ്പോൾ തീരുമാനരേഖകളുടെ മൂല്യവും കൂടുന്നു. എന്ത് പരീക്ഷിച്ചു, പരാജയപ്പെട്ടു, പഠിച്ചു, എന്തുകൊണ്ട് ഒരു വഴി തിരഞ്ഞെടുത്തു എന്നിവ സ്ഥാപനങ്ങൾ അറിയണം.
നിർവഹണവേഗം മാത്രമല്ല, ദ്രുതസാധൂകരണം, സുരക്ഷിത പരിഷ്കരണം, രേഖപ്പെടുത്തിയ പഠനം എന്നിവയ്ക്കും എൻജിനീയറിംഗ് മുൻഗണന നൽകണം. ഇത് എൻജിനീയറുടെ ചുമതലയും ചുറ്റുമുള്ള ടീമും മാറ്റുന്നു.
എൻജിനീയർമാരുടെ കാര്യത്തിൽ, നിർമാണത്തിൽനിന്നുള്ള പിന്മാറ്റമല്ല ഇത്; നിർമിക്കുന്നവയ്ക്ക് രൂപം നൽകാനും അവ വിലയിരുത്താനും ഏകോപിപ്പിക്കാനുമുള്ള മാറ്റമാണ്.
AI സൃഷ്ടിക്കുന്ന സോഫ്റ്റ്വെയർ, എൻജിനീയർമാരുടെ ആവശ്യം ഇല്ലാതാക്കുന്നില്ല. പരിമിതികൾ മനസ്സിലാക്കാനും ഇന്റർഫേസുകളും വിലയിരുത്തലുകളും രൂപകൽപ്പന ചെയ്യാനും മനുഷ്യരെയും ഏജന്റുകളെയും ഏകോപിപ്പിക്കാനും കഴിയുന്നവരുടെ പ്രാധാന്യം കൂടുന്നു. വ്യക്തിഗത ഘടകങ്ങൾ നിർമിക്കുന്നതിൽ മാത്രം ശ്രദ്ധിക്കുന്നവരെക്കാൾ സാങ്കേതിക ആഴം, വിവേചനം, ഉൽപ്പന്നധാരണ, വിലയിരുത്തൽശേഷി എന്നിവയുള്ള എൻജിനീയർമാർ പലപ്പോഴും കൂടുതൽ മൂല്യം സൃഷ്ടിക്കും.
മുമ്പ്, എന്ത് നിർമിക്കണമെന്ന് ഉൽപ്പന്ന ടീമും എങ്ങനെയെന്ന് എൻജിനീയറിംഗ് ടീമും തീരുമാനിച്ചിരുന്നു. ഇന്ന് പല സ്ഥാപനങ്ങളും ഉൽപ്പന്നം, രൂപകൽപ്പന, എൻജിനീയറിംഗ് എന്നിവ ഒന്നിപ്പിക്കുന്നു. AI കൊണ്ടുള്ള മാറ്റം ആ ടീമിനുള്ളിലാണ്: ചെലവുകുറഞ്ഞ പരീക്ഷണമാതൃകകൾ പ്രശ്നനിർവചനവും നടപ്പാക്കലും വിലയിരുത്തലും ഒരേ ചക്രത്തിൽ സാധ്യമാക്കുന്നു. ടീമുകൾക്ക് കൂടുതൽ വഴികൾ പരിശോധിക്കാം, ദുർബല ആശയങ്ങൾ നേരത്തേ ഒഴിവാക്കാം, സാധൂകരിച്ചവ യഥാർഥ ഉപയോഗത്തിലേക്ക് കൊണ്ടുപോകാം.
ഉൽപ്പന്ന, രൂപകൽപ്പന, എൻജിനീയറിംഗ്, മേഖലാ വിദഗ്ധർ ഒരേ പഠനചക്രത്തിൽ പ്രവർത്തിക്കുന്ന ചെറിയ സംയുക്ത ടീമുകൾക്ക് ഇത് അനുകൂലമാണ്. ഉൽപ്പന്നപരവും സാങ്കേതികവുമായ വിവേചനം ഒറ്റച്ചുമതലയാകുന്നില്ല; എന്നാൽ കൂടുതൽ അടുത്തുനിൽക്കണം. പരീക്ഷണമാതൃകകൾ നിർമിക്കാനും വഴികൾ വിലയിരുത്താനും വേണ്ട സാങ്കേതികപരിചയം ഉൽപ്പന്ന നേതാക്കൾക്ക് വേണം. നിശ്ചിത ഉത്തരം നടപ്പാക്കുന്നതിലൊതുങ്ങാതെ പ്രശ്നം നിർവചിക്കാൻ എൻജിനീയർമാർക്ക് വേണ്ടുവോളം ഉപഭോക്തൃ-ബിസിനസ് പശ്ചാത്തലം അറിയാനാകണം.
എൻജിനീയറിംഗ് സ്ഥാപനങ്ങൾ പരമ്പരാഗതമായി കോഡിനെ മുഖ്യ ആസ്തിയായി കണ്ടിരുന്നു. കോഡ് സൃഷ്ടിക്കൽ എളുപ്പമാകുന്നതോടെ ദീർഘകാല മൂല്യം അതിന്റെ പശ്ചാത്തലത്തിലേക്ക് മാറുന്നു: മേഖലാവിജ്ഞാനം, ഉപഭോക്തൃധാരണ, പ്രവർത്തനപരിചയം, സ്വന്തമായ ഡാറ്റ, വിലയിരുത്തൽ ഡാറ്റാസമുച്ചയങ്ങൾ, യന്ത്രവായനയ്ക്കുള്ള നയങ്ങൾ, സംവിധാനത്തിന്റെ പ്രവർത്തനം വിശദീകരിക്കുന്ന ഘടനാതീരുമാനങ്ങളുടെ ചരിത്രം.
കഷ്ടപ്പെട്ട് നേടിയ ബിസിനസ്-ഉപഭോക്തൃ അറിവ് ഉൾക്കൊള്ളുന്നതും കോഡ് ശേഖരങ്ങളെ പ്രധാനമാക്കുന്നു. കോഡ് നിർമാണശ്രമം AI മാറ്റുന്നു; എന്നാൽ ആ അറിവ് നേടാനുള്ള അധ്വാനം അത് ഇല്ലാതാക്കുന്നില്ല. അതിനാൽ, സ്ഥാപനങ്ങൾ കോഡിന്റെ അളവിൽ മാത്രം ശ്രദ്ധ കേന്ദ്രീകരിക്കാതെ, കാലക്രമേണ കൂടുതൽ മൂല്യം സൃഷ്ടിക്കുന്ന ഈ ആസ്തികളിൽ നിക്ഷേപിക്കണം: നന്നായി നിയന്ത്രിച്ച സ്വന്തം ഡാറ്റ, ഉപയോഗക്ഷമമായ വിജ്ഞാനസംവിധാനങ്ങൾ, ഉപഭോക്താക്കളെക്കുറിച്ചുള്ള ആഴത്തിലുള്ള ധാരണ, വ്യക്തമായ തീരുമാനരേഖകൾ.
വിവര-ഡാറ്റാ മേധാവികൾക്ക് വിവരഘടനയും ഡാറ്റാ മേൽനോട്ടവും എൻജിനീയറിംഗ് പ്രകടനത്തിന്റെ കേന്ദ്രമാകുന്നു. അനുമതിയുള്ളതും മനസ്സിലാക്കാവുന്നതുമായ പശ്ചാത്തലമേ AI ഏജന്റുകൾക്ക് ഉപയോഗിക്കാനാകൂ. ചിതറിയ അറിവും അവ്യക്തമായ ഡാറ്റാ ഉടമസ്ഥതയും പൊരുത്തമില്ലാത്ത അനുമതികളും വിവരനിർവഹണ പ്രശ്നങ്ങൾ മാത്രമല്ല, എൻജിനീയറിംഗ് പരിമിതികളുമാകുന്നു.
നിർമാണസംവിധാനത്തിന്റെ ഭാഗമാകുന്ന പശ്ചാത്തലം നിഷ്ക്രിയ രേഖകളായി തുടരാനാവില്ല. അത് പ്ലാറ്റ്ഫോമിന്റെ കഴിവാകുന്നു.
പശ്ചാത്തലവും വിലയിരുത്തലും മേൽനോട്ടവും നിർമാണസംവിധാനത്തിന്റെ ഭാഗമാകുമ്പോൾ AI നിർവഹണം പൂർണമായി ടീമുകൾക്ക് വിടാനാവില്ല. ഉപഭോക്തൃപ്രശ്നങ്ങളുമായുള്ള ബന്ധം നഷ്ടപ്പെടുംവിധം കേന്ദ്രീകരിക്കാനും പാടില്ല.
കൂട്ടായ വികേന്ദ്രീകൃത മാതൃക ഈ ആവശ്യങ്ങളെ സന്തുലിതമാക്കുന്നു. സ്വതന്ത്ര ആപ്ലിക്കേഷൻ ടീമുകൾ പ്രശ്നത്തോടടുത്തുനിൽക്കും. പൊതു പ്ലാറ്റ്ഫോമും ഹാർനെസും പുനരുപയോഗിക്കാവുന്ന ഉപകരണങ്ങൾ, നിയന്ത്രിത പശ്ചാത്തലപ്രവേശനം, വിലയിരുത്തൽരീതികൾ, അനുമതികൾ, മേൽനോട്ടം എന്നിവ നൽകും. ചുമതലകൾ വ്യക്തമായാലേ വികേന്ദ്രീകരണം വിജയിക്കൂ: പ്രവർത്തനക്രമവും ഫലവും ആപ്ലിക്കേഷൻ ടീമിന്; സുരക്ഷിത പുരോഗതിക്കുള്ള പൊതുശേഷികൾ ഹാർനെസ് ടീമിന്; സ്വതന്ത്ര മേൽനോട്ടം അപകടനിയന്ത്രണ, സുരക്ഷാ, ഭരണവിഭാഗങ്ങൾക്ക്.
ജോലിക്കനുസൃതമായ പരിശോധനാകേസുകളെയും സ്വീകാര്യതാമാനദണ്ഡങ്ങളെയും നിർവചിക്കേണ്ടത് ആപ്ലിക്കേഷൻ ടീമും മേഖലാ വിദഗ്ധരുമാണ്. സ്ഥിരതയുള്ള വിലയിരുത്തലിനായി അടിസ്ഥാനസൗകര്യവും പൊതുനിയന്ത്രണങ്ങളും റിപ്പോർട്ടിംഗും ഹാർനെസ് ടീം നൽകണം.
മേഖല | ആപ്ലിക്കേഷൻ ടീം | ഹാർനെസ് ടീം | അപകടനിയന്ത്രണം, സുരക്ഷ, മേൽനോട്ടം |
|---|---|---|---|
ഉൽപ്പന്നവും ഫലവും | പ്രശ്നം, പ്രവർത്തനക്രമം, ഉപയോക്തൃ അനുഭവം, വിജയമാനദണ്ഡങ്ങൾ എന്നിവ തിരഞ്ഞെടുക്കുന്നു; ഉപഭോക്തൃ-ബിസിനസ് ഫലങ്ങളുടെ ചുമതല വഹിക്കുന്നു | പുനരുപയോഗിക്കാവുന്ന രീതികളും ടൂളും ടെലിമെട്രിയും നൽകുന്നു | ഉപയോഗം ഗണ്യമായ അപകടമുണ്ടാക്കുന്നിടത്ത് പരിധികൾ നിശ്ചയിക്കുന്നു |
പശ്ചാത്തലവും പ്രവേശനവും | പ്രവർത്തനക്രമത്തിന് വേണ്ട വിവരവും നടപടികളും വ്യക്തമാക്കുന്നു | പശ്ചാത്തല ഇന്റർഫേസുകൾ, ഏജന്റ് തിരിച്ചറിയൽ, ഉപകരണ അനുമതികൾ എന്നിവ നൽകുന്നു | സംവേദനക്ഷമ ഡാറ്റയിലേക്കുള്ള പ്രവേശനവും പരിധികളും അംഗീകരിക്കുന്നു |
വിലയിരുത്തലും റിലീസും | സ്വീകാര്യതാമാനദണ്ഡങ്ങൾ നിശ്ചയിച്ച് ഫലം പരിശോധിക്കുന്നു | വിലയിരുത്തൽ സമുച്ചയം, ഓഡിറ്റ് രേഖ, അംഗീകൃത വിന്യാസമാർഗങ്ങൾ എന്നിവ പരിപാലിക്കുന്നു | അപകടസാധ്യതയേറിയ ഉപയോഗങ്ങളും ഇളവുകളും ഗണ്യമായ മാറ്റങ്ങളും അംഗീകരിക്കുന്നു |
ധനസഹായവും ഉത്തരവാദിത്വവും | ആപ്ലിക്കേഷന്റെ ഫലത്തിന് പണം ലഭ്യമാക്കുന്നു, ഉത്തരവാദിത്വം വഹിക്കുന്നു | പൊതുശേഷിയായി പണം നൽകുന്നു; പുനരുപയോഗം, വ്യാപ്തി, സുരക്ഷിത ഉപയോഗത്തിനെടുക്കുന്ന സമയം എന്നിവയിൽ വിലയിരുത്തുന്നു | സ്വതന്ത്ര മേൽനോട്ട, നിയന്ത്രണതീരുമാന ചുമതല |
പ്രവർത്തനതാളവും പഠനവും | മേഖലാവിദഗ്ധർക്കൊപ്പം പരിഷ്കരിക്കുന്നു; ഫലവും മനുഷ്യ ഇടപെടലും സംഭവങ്ങളും പരിശോധിക്കുന്നു | പഠിച്ചവയെ പുതിയ പരിശോധനയും നിയന്ത്രണവും പുനരുപയോഗിക്കാവുന്ന കഴിവുകളുമാക്കുന്നു | നിശ്ചിത അംഗീകാരഘട്ടങ്ങളിൽ സംഭവങ്ങളും മാറ്റങ്ങളും പരിശോധിക്കുന്നു |
ടീമിന്റെ വലുപ്പത്തെക്കുറിച്ചുള്ള നേതാക്കളുടെ കാഴ്ചപ്പാടും ഇതോടെ മാറണം. ചെറിയ ടീമുകൾ കൂടുതൽ സോഫ്റ്റ്വെയർ നിർമിക്കുക എന്നതല്ല ആത്യന്തിക ലക്ഷ്യം. മനുഷ്യവിവേചനം ഏറ്റവും മൂല്യമുള്ളിടത്ത് വിനിയോഗിക്കുകയാണ് ലക്ഷ്യം: ആപ്ലിക്കേഷൻ ടീമുകളിൽ പ്രശ്നങ്ങളോട് അടുത്തും, നിയന്ത്രണം നഷ്ടപ്പെടാതെ വേഗത്തിൽ പ്രവർത്തിക്കാൻ ആ ടീമുകളെ പ്രാപ്തരാക്കുന്ന പൊതുവായ പിന്തുണാ സംവിധാനങ്ങൾക്കുള്ളിലും.
ആപ്ലിക്കേഷൻ ടീമുകൾ ചെറുതും കൂടുതൽ AI സഹായമുള്ളതുമായി മാറുന്നതിനാൽ, സുരക്ഷയും സ്ഥിരതയും ഉത്തരവാദിത്വവും ഉറപ്പാക്കാൻ സ്ഥാപനങ്ങൾക്ക് ശക്തമായ പൊതുസംവിധാനങ്ങൾ വേണം.
മുമ്പ് പ്ലാറ്റ്ഫോം എൻജിനീയറിംഗ് ഡെവലപ്പറുടെ ഉൽപ്പാദനക്ഷമതയ്ക്കാണ് പ്രാധാന്യം കൊടുത്തത്, പ്രധാന ഉപയോക്താക്കൾ മനുഷ്യരായിരുന്നു. AI അധിഷ്ഠിത പ്ലാറ്റ്ഫോം മനുഷ്യരെയും ഏജന്റുകളെയും പിന്തുണയ്ക്കണം.
മനുഷ്യരെപ്പോലെയല്ല ഒരു ഏജന്റ് ഡെവലപ്പർ പ്ലാറ്റ്ഫോം ഉപയോഗിക്കുന്നത്. യന്ത്രങ്ങൾക്ക് ലഭ്യമായ നിർദേശങ്ങളും ഉപകരണങ്ങളും വ്യക്തമായ അനുമതികളും വിശ്വസനീയമായ വിലയിരുത്തലും അതിന് വേണം. നിരീക്ഷണക്ഷമത, സുരക്ഷ, നിയമപാലനം, വിജ്ഞാനനിർവഹണം എന്നിവയും ഹാർനെസ് പരിഗണിക്കണം. നടപ്പാക്കാവുന്ന വ്യക്തമായ പരിധികളിലൂടെ സ്വയംഭരണം ഉപകാരപ്രദമാക്കുകയാണ് ലക്ഷ്യം.
കാർഡ് ഇടപാടുതർക്ക അന്വേഷണങ്ങളിൽ AI സഹായം ഏർപ്പെടുത്തുന്ന ബാങ്കിന്റെ കാര്യമെടുക്കാം. ആപ്ലിക്കേഷൻ ടീം ചെറിയൊരു ജോലി തിരഞ്ഞെടുക്കുന്നു: കേസ് വർഗീകരിക്കുക, ബാധകമായ നയം കണ്ടെത്തുക, മനുഷ്യ സപ്പോർട്ട് ഏജന്റിനായി മറുപടി തയ്യാറാക്കുക. പ്രവർത്തനക്രമം, ഉപയോക്തൃ അനുഭവം, മേൽതലത്തിലേക്ക് വിടാനുള്ള പരിധികൾ, വിജയമാനദണ്ഡങ്ങൾ എന്നിവ ടീം നിശ്ചയിക്കുന്നു. ടീം നിയന്ത്രണനയങ്ങൾ നിശ്ചയിക്കുകയോ ഏജന്റിന് പുതിയ അനുമതി നൽകുകയോ ചെയ്യുന്നില്ല.
ഈ ഉദാഹരണത്തിൽ, ഏജന്റുകൾക്ക് നടപ്പാക്കലിൽ സഹായിക്കാനും ജോലിക്കനുസൃതമായ പരിശോധനകൾ നടത്താനും റിലീസ് തയ്യാറാക്കാനും കഴിയും. എങ്കിലും യഥാർഥ ഉപയോഗത്തിന് മനുഷ്യ അനുമതി വേണം. അതിന്റെ ഫലങ്ങളാകട്ടെ തുടർവിലയിരുത്തലിനും വികസനത്തിനും വഴികാട്ടും. പ്രവർത്തനസമയ നിയന്ത്രണങ്ങൾ വേറിട്ടുതന്നെ നിൽക്കും: ഉപഭോക്തൃ പിന്തുണാ ഏജന്റ് നിശ്ചിത അനുമതികൾക്കും മേൽതല നടപടികൾക്കും വിധേയമായി, അംഗീകൃത ഉപകരണങ്ങളും ഡാറ്റയും മാത്രം ഉപയോഗിക്കണം.
പശ്ചാത്തലം: നിലവിലെ കേസ്, ആവശ്യമായ മിനിമം ഉപഭോക്തൃവിവരം, അംഗീകൃത ഉൽപ്പന്ന-പരാതി നടപടികൾ, മെഷീന് വായിച്ചെടുക്കാൻ കഴിയുന്ന മേൽതലത്തിലേക്കുള്ള കൈമാറൽ നിയമങ്ങൾ എന്നിവ ഏജന്റിന് ലഭിക്കും. പണമടയ്ക്കാനുള്ള രഹസ്യവിവരമോ ബന്ധമില്ലാത്ത ഉപഭോക്തൃ രേഖകളോ ലഭിക്കില്ല; കേസ്-മാനേജ്മെന്റ് സംവിധാനത്തിൽ മാറ്റവും വരുത്താനാവില്ല.
വിലയിരുത്തൽ: പ്രതിനിധാന സ്വഭാവമുള്ള പഴയ കേസുകളും വിദഗ്ധർ അടയാളപ്പെടുത്തിയ അപൂർവകേസുകളും ഉപയോഗിച്ച് വർഗ്ഗീകരണ കൃത്യത, നയപാലനം, ഉചിതമായ പിന്മാറ്റം, സ്വകാര്യവിവര ചോർച്ച, പരാതികളും ധനകാര്യപ്രശ്നങ്ങളും മേൽതലത്തിലേക്ക് കൈമാറൽ എന്നിവ റിലീസിനുമുമ്പ് പരിശോധിച്ച് വിജയിക്കണം.
അംഗീകാരം: ഉൽപ്പന്നതീരുമാനം ആപ്ലിക്കേഷൻ ടീമിന്റേതാണ്. അപകടനിയന്ത്രണ, സുരക്ഷാ, നിയമപാലന വിഭാഗങ്ങൾ ഡാറ്റാപ്രവേശനം, നയബന്ധം, വിന്യാസമാർഗം എന്നിവ അംഗീകരിക്കുന്നു. പുറത്തേക്കുള്ള എല്ലാ സന്ദേശവും ഒരു മനുഷ്യ ഏജന്റ് അംഗീകരിക്കും; ഉപഭോക്താവിന്റെ പണത്തെയും അവകാശങ്ങളെയും ബാധിക്കുന്ന തീരുമാനങ്ങൾ ഏജന്റിന് വിട്ടുകൊടുക്കില്ല.
ഹാർനെസ് രേഖ: ഓരോ പ്രവർത്തനത്തിലും ഏജന്റിനെ തിരിച്ചറിയൽ, മോഡൽ പതിപ്പ്, ലഭ്യമാക്കിയ പശ്ചാത്തലവും ഉറവിടവും, ഉപയോഗിച്ച ഉപകരണങ്ങൾ, നയപരിശോധനകൾ, വിലയിരുത്തൽ, മനുഷ്യരുടെ തിരുത്തലുകൾ, സംഭവങ്ങൾ എന്നിവ രേഖപ്പെടുത്തുന്നു. ഫലപ്രദമായവയെ പുനരുപയോഗിക്കാവുന്ന പശ്ചാത്തല ഇന്റർഫേസുകൾ, പരിശോധനകൾ, അനുമതിമാതൃകകൾ, വിന്യാസമാർഗങ്ങൾ എന്നിവയാക്കുന്നു. പരാജയങ്ങളും മനുഷ്യരുടെ ഇടപെടലുകളും പുതിയ പരിശോധനകൾക്കും മെച്ചപ്പെടുത്തലുകൾക്കും വഴിയൊരുക്കുന്നു.
അംഗീകൃത പശ്ചാത്തലവും ഉപകരണങ്ങളും വഴി ഏജന്റിന് പ്രവർത്തിക്കാനുള്ള സ്വാതന്ത്ര്യം എങ്ങനെ നൽകാമെന്ന് ഇത് വ്യക്തമാക്കുന്നു. ഒപ്പം, പ്രധാന പരിധികളെല്ലാം പുനഃപരിശോധനയ്ക്കും പുനരുപയോഗത്തിനുമുള്ള തെളിവുകൾ സൃഷ്ടിക്കുന്നു. നിർണായക തീരുമാനങ്ങളുടെ ഉത്തരവാദിത്വം മനുഷ്യർക്കുതന്നെ. ഏജന്റിന്റെ വിജയങ്ങളും പരാജയങ്ങളും മനുഷ്യർ ഇടപെട്ട കേസുകളും പഠിച്ച് ബാങ്കിന് പ്രവർത്തനം മെച്ചപ്പെടുത്താനും അധികാരപരിധി വിപുലീകരിക്കണോ എന്നു തീരുമാനിക്കാനും കഴിയും. പരിമിത സ്വയംഭരണവും തെളിവുറ്റ പഠനവും പ്രായോഗികമായി ഇങ്ങനെയാണ്.
ഹാർനെസ് ടീമിന്റെ സംവിധാനങ്ങളിലും നിയന്ത്രണങ്ങളിലും ഈ ചുമതലവിഭജനം പ്രതിഫലിക്കുന്നു. ഹാർനെസ് ടീമിന്റെ ചുമതലകളാകാവുന്നവ:
ഏജന്റ് തിരിച്ചറിയൽ: സേവനതിരിച്ചറിയൽ നൽകുക; ഉടമസ്ഥതയും പരിസരവും രേഖപ്പെടുത്തുക; ഓരോ ഏജന്റും ഉപയോഗിക്കുന്ന മോഡൽ, പ്രോംപ്റ്റ്, ഉപകരണ പതിപ്പുകൾ എന്നിവ പിന്തുടരുക.
ഉപകരണ അനുമതികൾ: ഏജന്റിനായി വായന-എഴുത്ത്, ഡാറ്റാപ്രവേശന പരിധികൾ, നിരക്ക് പരിധികൾ, അംഗീകാരഘട്ടങ്ങൾ, അനുമതിയില്ലെങ്കിൽ നിഷേധിക്കൽ എന്നിവ നിശ്ചയിക്കുക.
പശ്ചാത്തല ഇന്റർഫേസുകൾ: പതിപ്പും അനുമതിയും നിയന്ത്രിച്ച്, ഉറവിടവും പുതുമയും വ്യക്തമാക്കിയ അംഗീകൃത അറിവും ഡാറ്റയും നൽകുക.
വിലയിരുത്തൽ സമുച്ചയങ്ങൾ: മാതൃകകൾ, അപൂർവകേസുകൾ, സുരക്ഷാ-റിഗ്രഷൻ പരിശോധനകൾ, റിലീസ് മാനദണ്ഡങ്ങൾ എന്നിവ പരിപാലിക്കുക.
ഓഡിറ്റ് രേഖകളും നിരീക്ഷണക്ഷമതയും: ഏജന്റ്, പശ്ചാത്തലം, ഉപകരണങ്ങൾ, ഫലങ്ങൾ, അംഗീകാരങ്ങൾ, ഇടപെടലുകൾ, പരാജയങ്ങൾ, സംഭവങ്ങൾ എന്നിവ രേഖപ്പെടുത്തുക; ഉചിതമായ സംഭരണവും പ്രവേശനവും നിയന്ത്രിക്കുക.
അംഗീകൃത വിന്യാസം: ഒറ്റപ്പെട്ട, സമാന്തര, ഘട്ടംഘട്ടമായ, യഥാർഥ ഉപയോഗപരിസരങ്ങൾ നൽകുക; സ്വയം പരിശോധനയും തിരിച്ചുപോകലും മാറ്റനിയന്ത്രണവും ഉറപ്പാക്കുക.
നിലവിലെ എല്ലാ പ്ലാറ്റ്ഫോം പ്രവർത്തനങ്ങളുടെയും പുതിയ പേരല്ല ഹാർനെസ് ടീം. യന്ത്രപഠന നടത്തിപ്പ്, സുരക്ഷ, മേൽനോട്ടം, പ്ലാറ്റ്ഫോം ടീമുകൾക്ക് സ്വന്തം ചുമതലകൾ തുടരും. AI പ്രവർത്തനക്രമങ്ങളുമായി നിയന്ത്രണങ്ങളെ ബന്ധിപ്പിക്കുകയാണ് ഹാർനെസ് ടീമിന്റെ ജോലി: നയങ്ങൾക്ക് അനുമതികൾ, പശ്ചാത്തലത്തിന് നിയന്ത്രിത ഇന്റർഫേസുകൾ, വിലയിരുത്തലിന് പരിശോധനകൾ, ഓഡിറ്റിനും പുനരുപയോഗത്തിനും രേഖകൾ.

ആപ്ലിക്കേഷൻ ഡെലിവറി, പൊതുവായ പിന്തുണാ സംവിധാനങ്ങൾ എന്നിങ്ങനെ എൻജിനീയറിംഗ് ജോലി വേർപിരിയുകയാണെങ്കിൽ, അതിനനുസരിച്ച് നിയമനവും നേതൃത്വവും അളവെടുപ്പും മാറണം.
ആപ്ലിക്കേഷൻ ടീമുകൾക്ക് പ്രശ്നത്തോടടുത്ത ഉൽപ്പന്ന, എൻജിനീയറിംഗ്, മേഖലാപരമായ വിവേചനം വേണം. മനുഷ്യരെയും ഏജന്റുകളെയും വ്യാപകമായി പിന്തുണയ്ക്കുന്ന പൊതുപരിസരം രൂപകൽപ്പന ചെയ്ത് നടത്താൻ കഴിവുള്ളവർ പ്ലാറ്റ്ഫോം, ഹാർനെസ് ടീമുകളിൽ വേണം.
സാങ്കേതിക, ഡാറ്റാ, വിവരവിഭാഗ മേധാവികൾ എന്ത് കേന്ദ്രീകരിക്കണം, എന്ത് ടീമുകൾക്ക് വിടണം എന്നു തീരുമാനിക്കണം.
വേഗത്തിൽ പ്രവർത്തിക്കാനും ഉപഭോക്താക്കളോട് അടുത്തുനിൽക്കാനും ആപ്ലിക്കേഷൻ ടീമുകൾക്ക് സ്വാതന്ത്ര്യം വേണം. സുരക്ഷിത ഡാറ്റാപ്രവേശനം, നിരീക്ഷണം, വിലയിരുത്തൽ, മേൽനോട്ടം എന്നിവ അവർ വീണ്ടും നിർമിക്കേണ്ടതില്ല.
AI അധിഷ്ഠിത സ്ഥാപനങ്ങളിൽ സാങ്കേതിക നേതാക്കൾ നിർവഹണശേഷി നിയന്ത്രിക്കുന്നതിൽനിന്ന് നിർവഹണസംവിധാനം രൂപകൽപ്പന ചെയ്യുന്നതിലേക്കും ശ്രദ്ധ മാറ്റണം. ഇതിൽ ഉൾപ്പെടുന്നത്:
വിവേചനവും തീരുമാനഗുണവും മുൻനിർത്തിയുള്ള നിയമനവും പരിശീലനവും;
പൊതു AI പ്ലാറ്റ്ഫോം, വിലയിരുത്തൽ, സുരക്ഷാനിയന്ത്രണം, അംഗീകൃത മാർഗം, വിജ്ഞാനപ്രവാഹം, പ്രവേശനരീതി എന്നിവയിൽ നിക്ഷേപം;
ഏജന്റുകൾക്കും മനുഷ്യർക്കും സംയുക്ത പ്രവർത്തനക്രമങ്ങൾക്കും പരിധി നിശ്ചയിക്കൽ;
തെളിവുറ്റ പഠനം, വിശ്വസനീയത, ഉപഭോക്തൃപ്രഭാവം, സുരക്ഷിത പുനരുപയോഗം എന്നിവ അളക്കൽ;
നിർവഹണച്ചെലവിൽ AI യഥാർഥ മാറ്റമുണ്ടാക്കുന്നതെവിടെയെന്ന് മനസ്സിലാക്കാനുള്ള സാങ്കേതിക അടുപ്പം.
നല്ല സംവിധാനം ഉചിതമായ പശ്ചാത്തലം നേടാനും AI സൃഷ്ടികൾ പരിശോധിക്കാനും തെളിയിച്ച രീതികൾ പുനരുപയോഗിക്കാനും മനുഷ്യാനുമതി വേണ്ടിടം തിരിച്ചറിയാനും സഹായിക്കും.
സോഫ്റ്റ്വെയർ നിർമാണം മുഖ്യപരിമിതിയായിരുന്ന കാലത്താണ് പല എൻജിനീയറിംഗ് അളവുകളും രൂപപ്പെട്ടത്. വേഗം, സ്റ്റോറി പോയിന്റുകൾ, ത്രൂപുട്ട്, വിന്യാസ ആവൃത്തി എന്നിവ ഇപ്പോഴും പ്രയോജനകരമാണ്. എന്നാൽ സോഫ്റ്റ്വെയർ നിർമാണശ്രമം AI കുറയ്ക്കുന്നതിനനുസരിച്ച് അവ മാത്രം മതിയാകില്ല.
കൂടുതൽ കോഡും പരീക്ഷണങ്ങളും സൃഷ്ടിച്ചാലും ടീം തെറ്റായ തീരുമാനങ്ങളെടുക്കുകയോ സങ്കീർണതയും അപകടവും കൂട്ടുകയോ ചെയ്യാം.
സോഫ്റ്റ്വെയറിന്റെ അളവും AI ഉപയോഗത്തിന്റെ വ്യാപ്തിയും മാത്രമല്ല സാങ്കേതിക നേതാക്കൾ അന്വേഷിക്കേണ്ടത്. വേഗത്തിലുള്ള പഠനത്തിനും മെച്ചപ്പെട്ട ഉപഭോക്തൃഫലങ്ങൾക്കും നിശ്ചിത പരിധികൾക്കുള്ളിലെ വിശ്വസനീയ പ്രവർത്തനത്തിനും AI സഹായിക്കുന്നുണ്ടോ എന്നറിയണം.
ആപ്ലിക്കേഷൻ ടീമുകൾക്കുള്ള അളവുകളാകാവുന്നവ:
തെളിവുറ്റ പഠനത്തിനുള്ള സമയം;
ഉപഭോക്തൃഫലങ്ങളിലെ മെച്ചം;
നേടിയ ബിസിനസ് മൂല്യം;
സ്വീകാര്യതയും പെരുമാറ്റമാറ്റവും;
പരീക്ഷണങ്ങൾ തെളിവാധിഷ്ഠിത തീരുമാനങ്ങളാകുന്ന നിരക്ക്.
പരീക്ഷണം തുടങ്ങുന്നതുമുതൽ തീരുമാനത്തിന് മതിയായ തെളിവ് ലഭിക്കുന്നതുവരെയുള്ള സമയമാണ് തെളിവുറ്റ പഠനത്തിന്റെ ദൈർഘ്യം. തിങ്കളാഴ്ച തുടങ്ങി ബുധനാഴ്ച വിന്യസിച്ച് വെള്ളിയാഴ്ച തെളിവുറ്റ തീരുമാനമെടുത്താൽ പഠനചക്രം ഒരാഴ്ചയാണ്; രണ്ടുദിവസത്തെ നിർവഹണചക്രമല്ല.
പ്ലാറ്റ്ഫോം, ഹാർനെസ് ടീമുകൾക്കുള്ള അളവുകളാകാവുന്നവ:
അംഗീകൃത AI രീതികളുടെ പുനരുപയോഗം;
വിലയിരുത്തലിന്റെ വ്യാപ്തി, ഫലപ്രാപ്തി;
AI സംബന്ധമായ പ്രശ്നങ്ങൾ, പുനർജോലി;
ആശയം മുതൽ സുരക്ഷിത ഉൽപ്പാദനം വരെ;
ഏജന്റ് പ്രവർത്തന നിരീക്ഷണക്ഷമത;
ഓഡിറ്റും നയപാലന സന്നദ്ധതയും.
ഓരോ വിജയത്തിന്റെയും ചെലവിൽ മോഡൽ ഉപയോഗം, മനുഷ്യപരിശോധന, പരാജയശ്രമങ്ങൾ, പുനർജോലി, നടത്തിപ്പുപിന്തുണ എന്നിവ ഉൾപ്പെടണം.
ഈ അളവുകൾക്ക് വ്യക്തമായ നിർവചനങ്ങളും അടിസ്ഥാനനിലകളും വിലയിരുത്തൽരീതികളും വേണം. ഒരു പൊതുസ്കോർകാർഡിന് പകരം മറ്റൊന്നല്ല ലക്ഷ്യം; നിർവഹണസംവിധാനം വിശ്വസനീയ ഫലങ്ങൾ നൽകുന്നുണ്ടോ എന്ന് അളക്കലാണ്.
AI അധിഷ്ഠിത എൻജിനീയറിംഗിന്റെ ഇന്നത്തെ ഘട്ടത്തിനുള്ള ഒരു സമീപനമാണ് ആപ്ലിക്കേഷൻ-ഹാർനെസ് മോഡൽ. ഇത് ശാശ്വതമായ അന്തിമരൂപമല്ല.
എൻജിനീയറിംഗ് ജോലിയുടെ അടിസ്ഥാനഘടകം വീണ്ടും മാറ്റാവുന്ന നിരവധി പ്രവണതകളുണ്ട്:
മുഴുവൻ പ്രവർത്തനക്രമങ്ങളും ഏജന്റുകൾ ഏറ്റെടുക്കൽ;
വർഷങ്ങളോളം പരിപാലിക്കുന്നതിനുപകരം ചില സോഫ്റ്റ്വെയറുകൾ താൽക്കാലികമാകൽ;
ആപ്ലിക്കേഷൻ ഇന്റർഫേസിൽനിന്ന് ഏജന്റ് നയിക്കുന്ന അനുഭവത്തിലേക്കുള്ള മാറ്റം;
അടിസ്ഥാന മോഡലുകൾ കൂടുതൽ പ്ലാറ്റ്ഫോം കഴിവുകൾ ഉൾക്കൊള്ളൽ;
ചട്ടങ്ങൾ ഓഡിറ്റ് സാധ്യതയും ഉത്തരവാദിത്വവും പ്രധാന എൻജിനീയറിംഗ് നിബന്ധനകളാക്കൽ.
ഇവ സാധ്യതകളാണ്, ഉറപ്പായ ഫലങ്ങളല്ല. ഇവ യാഥാർഥ്യമായാൽ ആപ്ലിക്കേഷൻ-പ്ലാറ്റ്ഫോം ടീം വിഭജനംപോലും അപര്യാപ്തമാകാം.
ഈ അനിശ്ചിതത്വത്തിന് സജ്ജമായ സ്ഥാപനങ്ങൾ പ്രവർത്തന മോഡലിനെ മാറ്റങ്ങൾക്ക് വഴങ്ങുന്നതായി കാണും. സ്ഥിരമായ ടീമുകളോ ഉപകരണങ്ങളോ അല്ല, വ്യക്തമായ തത്ത്വങ്ങൾ, ശക്തമായ പശ്ചാത്തലം, പരിമിത സ്വയംഭരണം, വേഗത്തിലുള്ള പഠനം എന്നിവയാകും അവയുടെ അടിത്തറ.
എൻജിനീയറിംഗ് സംവിധാനങ്ങളുടെ പ്രാധാന്യം AI കുറയ്ക്കുന്നില്ല. നല്ല രൂപകൽപ്പനയുടെ മൂല്യം ഉയർത്തുകയാണ്.
നിർമാണച്ചെലവ് കുറയുമ്പോൾ മികച്ച തീരുമാനങ്ങളും വളരുന്ന പശ്ചാത്തല അറിവും സുരക്ഷിത പ്രവർത്തനവുമുള്ള സ്ഥാപനങ്ങൾ മുന്നിലെത്തും. AI ഉപകരണങ്ങൾ ഉപയോഗിച്ചതുകൊണ്ടുമാത്രം എൻജിനീയറിംഗ് AI അധിഷ്ഠിതമാകില്ല. തീരുമാനഗുണം, പങ്കിട്ട പശ്ചാത്തലം, പരിമിത സ്വയംഭരണം, വേഗത്തിലുള്ള പഠനം എന്നീ പുതിയ ആവശ്യങ്ങൾക്കനുസരിച്ച് അത് മാറണം.
നാല് കാര്യങ്ങൾ വ്യക്തമാക്കി സാങ്കേതിക നേതാക്കൾക്ക് തുടങ്ങാം:
ഏത് ഉപഭോക്തൃ-ഉൽപ്പന്ന തീരുമാനങ്ങൾ ആപ്ലിക്കേഷൻ ടീമുകൾക്കരികിൽ തുടരണം?
ഏത് പശ്ചാത്തലവും നിയന്ത്രണങ്ങളും വിലയിരുത്തൽശേഷിയും പങ്കിടണം?
ഏജന്റുകൾക്ക് എവിടെ സ്വതന്ത്രമായി പ്രവർത്തിക്കാം, എവിടെ മനുഷ്യാനുമതി വേണം?
തെളിവുറ്റ പഠനം, ഉപഭോക്തൃമൂല്യം, സുരക്ഷിത പ്രവർത്തനം എന്നിവ ഏത് അളവുകൾ വ്യക്തമാക്കും?
സ്ഥാപനം വിന്യസിക്കുന്ന സഹായികളുടെ എണ്ണത്തെക്കാൾ ഈ ഉത്തരങ്ങളാണ് AI സ്വീകരിക്കുന്നതിന്റെ മൂല്യം നിർണയിക്കുക.
