AI मुळे सॉफ्टवेअर निर्मिती स्वस्त होत असताना, स्पर्धात्मक आघाडीसाठी कार्यपद्धती बदलावी लागेल. फक्त AI सहाय्यक डिप्लॉय करण्याऐवजी टीम्सच्या कामाची पुनर्रचना करणाऱ्या संस्थांना टिकाऊ लाभ मिळण्याची शक्यता अधिक आहे.
AI-केंद्रित इंजिनिअरिंगला दोन पूरक क्षमता हव्यात: ग्राहक व समस्यांना जवळून ओळखणाऱ्या ॲप्लिकेशन टीम्स आणि मानव व AI एजंटच्या व्यापक सुरक्षित कामासाठी शेअर केलेले संदर्भ, सुरक्षामर्यादा, मूल्यमापन व प्रशासन पुरवणाऱ्या प्लॅटफॉर्म किंवा "हार्नेस" टीम्स.
तंत्रज्ञान लीडरशिपचा भर डिलिव्हरी क्षमता सांभाळण्याकडून डिलिव्हरी सिस्टम्स तयार करण्याकडे वळतो. लीडर्सने चार निर्णय स्पष्ट करावेत: ॲप्लिकेशन टीम्सची जबाबदारी काय असेल, शेअर केलेले संदर्भ व नियंत्रणे कोणती आहेत, एजंटला मानवी मंजुरीची गरज केव्हा असेल आणि सत्यापित शिक्षण व ग्राहक मूल्य यांचे मापन कसे होईल.
सॉफ्टवेअर बनवणे खर्चिक असताना आधुनिक इंजिनिअरिंगच्या अनेक पद्धती विकसित झाल्या. मुख्य प्रश्न होता: अधिक टीम्सने अधिक सॉफ्टवेअर अधिक निश्चितपणे कसे पुरवावे? या गृहितकाने टीम्सची रचना, प्लॅटफॉर्मसाठी निधी व डिलिव्हरीचे मापन ठरवले. विस्तार म्हणजे बहुधा मनुष्यबळ वाढवणे; यश म्हणजे व्यवस्थेतून किती काम पूर्ण झाले हे मोजणे.
AI हे गृहितक बदलते. आमच्या मते, AI-केंद्रित इंजिनिअरिंग म्हणजे उत्तम टूल्ससह पारंपरिक इंजिनिअरिंग नव्हे. यासाठी वेगळी कार्यपद्धती हवी: ग्राहकांच्या समस्यांशी जोडलेल्या छोट्या ॲप्लिकेशन टीम्स, ज्यांना प्लॅटफॉर्म किंवा "हार्नेस" टीम्सचा आधार असेल. "हार्नेस" म्हणजे मानव व एजंटला AI मोठ्या प्रमाणावर सुरक्षित वापरण्यासाठी आवश्यक संदर्भ, टूल्स, परवानग्या, अभिप्रायाची चक्रे व मर्यादा देणारे नियंत्रित पर्यावरण.
तंत्रज्ञान व डेटा लीडर्ससाठी हे महत्त्वाचे आहे: फक्त वैयक्तिक उत्पादकता वाढल्याने संस्थाभर सुरक्षित स्वीकार होत नाही. विचारपूर्वक कार्यपद्धती नसल्यास विखुरलेली टूल्स, डुप्लिकेट पॅटर्न, अस्पष्ट जबाबदारी, अनियंत्रित डेटा उघड होणे व असमान गुणवत्ता यांचा धोका असतो.
संस्थांनी स्वतःला विचारायचा प्रश्न "इंजिनिअर्सना AI वापरण्यात मदत कशी करावी?" यावरून "मानव व एजंट संस्थाभर सुरक्षितपणे मूल्य निर्माण करू शकतील अशी इंजिनिअरिंग व्यवस्थेची पुनर्रचना कशी करावी?" असा बदलायला हवा.
AI मुळे इंजिनिअर्स अधिक कल्पना तपासू शकतात, प्रोटोटाइप जलद बनवू शकतात व अधिक दृष्टिकोन आजमावू शकतात. पण अधिक निर्मिती म्हणजे आपोआप अधिक मूल्य नव्हे. उत्तम निर्णयक्षमता, संबंधित संदर्भ व प्रभावी मूल्यमापनाविना काम इतके वाढू शकते की कशावर विश्वास ठेवावा, काय डिप्लॉय करावे वा कशातून शिकावे हे ठरवणे मागे पडेल.
AI कोडनिर्मिती व प्रयोगांचा खर्च कमी करू शकते. एकूण सॉफ्टवेअर खर्च घटेल का, हे परीक्षण, इंटीग्रेशन, संचालन, देखभाल व फेरकामासाठी उरणाऱ्या श्रमांवर ठरते.
इंजिनिअरिंगमधील आघाडी पुढील चार क्षमतांवर अधिकाधिक अवलंबून राहील, असे आम्हाला वाटते:
काय व कसे बनवावे आणि त्या निवडी कशा नोंदवाव्यात हे ठरवणे.
मानव व AI सिस्टम्सना योग्य संस्थात्मक ज्ञानाचा आधार देणे.
शेअर केलेले प्लॅटफॉर्म, नियंत्रणे व मूल्यमापनातून सुरक्षित विस्तार करणे.
वारंवार व्यत्यय न आणता नवी टूल्स व घटक सामावून घेणारी रचना करणे.
दुर्मिळ क्षमता आउटपुट निर्मितीकडून तिची फलनिष्पत्ती वाढवण्याकडे वळते: योग्य काम निवडणे, संदर्भाचा आधार देणे, परिणाम तपासणे व काय रिलीझ करू नये हे ओळखणे.
प्रयोग करणे स्वस्त होताना निर्णयांच्या नोंदीही अधिक मोलाच्या ठरतात. काय प्रयत्न झाले, काय अपयशी ठरले, काय शिकायला मिळाले व दुसऱ्याऐवजी हाच मार्ग का निवडला, हे संस्थांना समजले पाहिजे.
इंजिनिअरिंग सिस्टम्सचा भर केवळ निर्मितीवेगावर नव्हे, तर जलद पडताळणी, सुरक्षित पुनरावृत्ती व शिकण्याच्या नोंदींवर हवा. यामुळे इंजिनिअर्सची भूमिका व त्यांची टीम दोन्ही बदलतात.
इंजिनिअर्स निर्मितीपासून दूर जात नाहीत; ते निर्मितीला आकार देणे, मूल्यमापन व समन्वय यांकडे वळतात.
AI-निर्मित सॉफ्टवेअरमुळे इंजिनिअर्सची गरज संपत नाही. सिस्टमच्या मर्यादा समजणारे, इंटरफेस व मूल्यमापन रचणारे आणि मानव-एजंट कामाचा समन्वय करणारे लोक अधिक महत्त्वाचे ठरतात. फक्त स्वतंत्र घटक बनवणाऱ्यांपेक्षा सखोल तांत्रिक ज्ञानासह निर्णयक्षमता, उत्पादनाची समज व मूल्यमापनकौशल्य असलेले इंजिनिअर बहुधा अधिक मूल्य निर्माण करतील.
पूर्वी उत्पादन टीम्स काय बनवायचे ते ठरवत आणि इंजिनिअरिंग टीम्स ते कसे बनवायचे ते शोधत. आता अनेक संस्था उत्पादन, डिझाइन व इंजिनिअरिंग यांना एकत्र आणतात. AI मुळे टीम्समध्ये आतून बदल होतो: स्वस्त प्रोटोटाइपमुळे एकाच चक्रात समस्येची मांडणी, अंमलबजावणी व मूल्यमापन करता येते. टीम्स अधिक पर्याय तपासू शकतात, कमकुवत कल्पना लवकर वगळू शकतात व पडताळलेल्या कल्पना प्रत्यक्ष वापरात पुढे नेऊ शकतात.
याचा फायदा छोट्या, विविध कार्यांतील टीम्सना होतो; त्यात उत्पादन, डिझाइन, इंजिनिअरिंग व विषयतज्ज्ञ एकाच शिकण्याच्या चक्रात काम करतात. उत्पादनविषयक व तांत्रिक निर्णय एका भूमिकेत विलीन होत नाहीत; मात्र त्यांत जवळचा समन्वय हवा. उत्पादन लीडर्सना प्रोटोटाइप बनवून पर्याय तपासण्याइतकी तांत्रिक जाण हवी. इंजिनिअर्सना फक्त पूर्वनिर्धारित उत्तर राबवण्याऐवजी समस्येला आकार देण्यासाठी ग्राहक व व्यवसायाचा पुरेसा संदर्भ हवा.
इंजिनिअरिंग संस्थांनी परंपरेने कोडला प्रमुख संपत्ती मानले आहे. कोडनिर्मिती सोपी होताना टिकाऊ मूल्य त्यामागच्या संदर्भात अधिक असते: विषयज्ञान, ग्राहकांची समज, संचालनानुभव, मालकीचा डेटा, मूल्यमापन डेटासंच, मशीनने वाचण्यासारखी धोरणे व सिस्टम अशी का काम करते हे सांगणारा संरचनात्मक निर्णयांचा इतिहास.
कोडबेसेस महत्त्वाचे असण्याचे एक कारण म्हणजे त्यांत कष्टाने मिळवलेले व्यवसाय व ग्राहकज्ञान सामावलेले असते. AI कोडनिर्मितीचे श्रम बदलते; ते ज्ञान मिळवण्याचे श्रम मात्र संपवत नाही. म्हणून संस्थांनी कोडच्या प्रमाणापलीकडे पाहून वाढते मूल्य देणाऱ्या संपत्तीत गुंतवणूक करावी: सुनियंत्रित मालकीचा डेटा, वापरण्याजोग्या ज्ञानाच्या सिस्टम्स, सखोल ग्राहकसमज व स्पष्ट निर्णयनोंदी.
माहिती व डेटा प्रमुखांसाठी यामुळे माहितीचे डिझाइन व डेटा प्रशासन इंजिनिअरिंग कामगिरीच्या केंद्रस्थानी येतात. AI एजंट फक्त परवानगी असलेला व अर्थ समजू शकणारा संदर्भ वापरू शकतात. विखुरलेले ज्ञान, डेटाची अस्पष्ट मालकी व विसंगत परवानग्या या फक्त माहितीव्यवस्थापनाच्या समस्या न राहता इंजिनिअरिंगच्या मर्यादा बनतात.
संदर्भ निर्मिती व्यवस्थेचा भाग बनल्यावर ती निष्क्रिय दस्तऐवज राहू शकत नाही. ती प्लॅटफॉर्मची क्षमता बनते.
संदर्भ, मूल्यमापन व प्रशासन निर्मितीच्या सिस्टममध्ये आल्यावर AI डिलिव्हरी संपूर्णपणे स्वतंत्र टीम्सवर सोडता येत नाही. तिचे इतके केंद्रीकरणही नको की टीम्सचा ग्राहकांच्या खऱ्या समस्यांशी संपर्क तुटेल.
संघीय मॉडेल या गरजांचा समतोल साधते. स्वायत्त ॲप्लिकेशन टीम्स समस्येशी जवळीक राखतात. शेअर केलेले प्लॅटफॉर्म व हार्नेस त्यांना पुनर्वापरयोग्य टूल्स, संदर्भाचा नियंत्रित ॲक्सेस, मूल्यमापन पद्धती, परवानग्या व प्रशासन पुरवतात. जबाबदारी स्पष्ट असेल तरच संघीय मॉडेल चालते: कार्यप्रवाह व निष्पत्ती ॲप्लिकेशन टीम्सची; सुरक्षित प्रगतीसाठी शेअर केलेली क्षमता हार्नेस टीम्सची जबाबदारी असते; तर स्वतंत्र देखरेखीखाली जोखीम, सुरक्षा व प्रशासन विभाग असतात.
ॲप्लिकेशन टीम व विषयतज्ज्ञांनी कामानुसार मूल्यमापन प्रकरणे व स्वीकाराची पातळी ठरवावी. हार्नेस टीमने सुसंगत मूल्यमापनासाठी पायाभूत सुविधा, शेअर केलेली नियंत्रणे व रिपोर्टिंग पुरवावे.
क्षेत्र | ॲप्लिकेशन टीम | हार्नेस टीम | जोखीम, सुरक्षा व प्रशासन |
|---|---|---|---|
उत्पादन व निष्पत्ती | समस्या, कार्यप्रवाह, वापरकर्ता अनुभव व यशमापन निवडतात; ग्राहक व व्यवसायाच्या निष्पत्तीची जबाबदारी घेते | पुनर्वापरयोग्य पॅटर्न, टूल्स व टेलीमेट्री पुरवते | वापरामुळे लक्षणीय जोखीम निर्माण होत असेल तर मर्यादा ठरवते |
संदर्भ व ॲक्सेस | कार्यप्रवाहाला लागणारी माहिती व कृती ठरवते | संदर्भ इंटरफेस, एजंटची ओळख व टूल्सच्या परवानग्या पुरवते | संवेदनशील डेटाचा ॲक्सेस व नियंत्रणसीमा मंजूर करते |
मूल्यमापन व रिलीझ | स्वीकाराचे निकष ठरवते व निष्कर्ष तपासते | मूल्यमापन सुईट, ऑडिट लॉग व डिप्लॉयमेंटचे मंजूर केलेले मार्ग सांभाळते | उच्च-जोखमीचे वापर, अपवाद व लक्षणीय बदल मंजूर करते |
निधी व जबाबदारी | ॲप्लिकेशनच्या निष्पत्तीसाठी निधी व जबाबदारी मिळते का | शेअर केलेली क्षमता म्हणून निधी मिळतो; पुनर्वापर, व्याप्ती व सुरक्षित प्रत्यक्ष वापरापर्यंतचा वेळ मोजला जातो का | स्वतंत्र देखरेख व नियंत्रण निर्णयांची जबाबदारी घेते |
कामाची लय व शिकणे | विषयतज्ज्ञांसह सुधारणा करते; निष्पत्ती, ओव्हरराइड व घटना तपासते | शिकण्यातून नव्या चाचण्या, नियंत्रणे व पुनर्वापरयोग्य क्षमता घडवते | मान्य मंजुरी-टप्प्यांवर घटना व बदल तपासते |
यामुळे लीडर्सचा टीम्सच्या आकाराकडे पाहण्याचा दृष्टिकोनही बदलायला हवा. छोट्या टीम्सने अधिक सॉफ्टवेअर बनवणे हेच अंतिम ध्येय नाही. मानवी निर्णयक्षमता सर्वाधिक मूल्य देईल तिथे वापरणे हे ध्येय आहे: समस्येच्या जवळ असलेल्या ॲप्लिकेशन टीम्समध्ये आणि नियंत्रण न गमावता त्यांना वेगाने काम करू देणाऱ्या शेअर केलेल्या क्षमतांत.
ॲप्लिकेशन टीम्स लहान होत असताना व AI-सहाय्य वाढताना, सुरक्षित, सुसंगत व जबाबदार कामासाठी संस्थांना शेअर केलेल्या क्षमता अधिक भक्कम हव्यात.
पारंपरिक प्लॅटफॉर्म इंजिनिअरिंगचा भर डेव्हलपर्सची उत्पादकता वाढवण्यावर होता; मुख्य वापरकर्ते माणसे होती. AI-केंद्रित प्लॅटफॉर्मने माणसे आणि एजंट दोघांना सपोर्ट केले पाहिजे.
डेव्हलपर प्लॅटफॉर्मचा वापर एजंट माणसांप्रमाणे करत नाही. त्याला मशीनसाठी ॲक्सेससिबल सूचना व टूल्स, स्पष्ट परवानग्या आणि काम तपासण्याच्या विश्वसनीय पद्धती हव्यात. हार्नेसमध्ये निरीक्षणक्षमता, सुरक्षा, अनुपालन व ज्ञानव्यवस्थापन यांचाही विचार हवा. स्पष्ट, अंमलबजावणीयोग्य मर्यादांमध्ये स्वायत्तता उपयुक्त करणे हा त्याचा हेतू आहे.
कार्ड व्यवहारांवरील विवादांच्या चौकशीसाठी बँक AI-सहाय्यित कार्यप्रवाह सुरू करत आहे, असे समजा. ॲप्लिकेशन टीम मर्यादित कामाने सुरुवात करण्याचे ठरवते: प्रकरणाचे वर्गीकरण करा, लागू धोरण शोधा आणि माणसाचा सपोर्ट असलेल्या एजंटसाठी उत्तराचा मसुदा बनवा. कार्यप्रवाह, वापरकर्ता अनुभव, वरिष्ठांकडे प्रकरण पाठवण्याचे निकष व यशमापन यांची जबाबदारी टीमची असते. टीम नियामक धोरण ठरवत नाही किंवा एजंटला नव्या परवानग्या देत नाही.
या उदाहरणात एजंट अंमलबजावणीला मदत करू शकतात, टास्क प्रमाणे चाचण्या घेऊ शकतात आणि रिलीझ तयार करू शकतात. प्रत्यक्ष वापरातील डिप्लॉयमेंटला मानवी मंजुरी लागेल; वापराचे निष्कर्ष पुढील मूल्यमापन व डेव्हलपमेंटला दिशा देतील. कार्यकाळातील नियंत्रणे वेगळी राहतात: ग्राहकसेवा एजंटने मंजूर टूल्स व डेटाच वापरावा, ज्याच्या परवानग्या आणि वरिष्ठांकडे पाठवण्याचे निकष ठरलेले असतील.
संदर्भ: एजंटला चालू प्रकरण, निवारणापुरती ग्राहक माहिती, मंजूर उत्पादन व तक्रार प्रक्रिया आणि मशीनला वाचता येण्यासारखे वरिष्ठ-संदर्भ नियम उपलब्ध असतात. मूळ पेमेंट क्रेडेन्शियल्स, असंबंधित ग्राहक नोंदी किंवा प्रकरण-व्यवस्थापन सिस्टममध्ये लेखन यांची परवानगी नसते.
मूल्यमापन: रिलीझपूर्वी प्रातिनिधिक जुन्या व तज्ज्ञांनी वर्गीकृत केलेल्या अपवादात्मक प्रकरणांपासून तयार झालेल्या सिस्टमच्या वर्गीकरण, धोरणपालन, योग्य वेळी उत्तर टाळणे, वैयक्तिक डेटाची गळती आणि तक्रारी वा आर्थिकदृष्ट्या संवेदनशील प्रकरणे वरिष्ठांकडे पाठवणे यांच्या चाचण्या उत्तीर्ण झाल्या पाहिजेत.
मंजुरी: उत्पादनाचा निर्णय ॲप्लिकेशन टीमचा असतो. जोखीम, सुरक्षा व अनुपालन विभाग डेटाचा ॲक्सेस, धोरणांशी सांगड व डिप्लॉयमेंटचे मार्ग मंजूर करतात. प्रत्येक बाहेर जाणारा संदेश सेवाकर्मचारी मंजूर करतो; ग्राहकाचे पैसे वा हक्कांवर परिणाम करणारे निर्णय एजंटच्या स्वायत्ततेबाहेर राहतात.
हार्नेसमधील नोंद: प्रत्येक फेरीत एजंटची ओळख, मॉडेलची आवृत्ती, मिळवलेले संदर्भ व स्रोत, वापरलेली टूल्स, धोरणतपासणी, मूल्यमापन, मानवी दुरुस्त्या वा निर्णयबदल व घटना नोंदतात. यशस्वी पद्धतींतून टीम पुनर्वापरयोग्य संदर्भ इंटरफेस, मूल्यमापन प्रकरणे, परवानगीच्या टेम्पलेट व डिप्लॉयमेंटचे मंजूर मार्ग तयार करतो. अपयश व ओव्हरराइडमधून नव्या चाचण्या आणि कार्यप्रवाहातील सुधारणा घडतात.
याने कळते की एजंटला कृतीचे स्वातंत्र्य देता येते, पण मंजूर संदर्भ व टूल्समधूनच. प्रत्येक महत्त्वाच्या मर्यादेवर याचा पुरावा मिळतो की परीक्षण कशाचे व्हावे आणि पुनर्वापरयोग्य कशाचा व्हावा. महत्त्वाच्या निर्णयांची जबाबदारी माणसांकडेच राहते. कालांतराने एजंटचे यश, मानवी हस्तक्षेप व अपयशाची प्रत्यक्ष प्रकरणे वापरून बँक कार्यप्रवाह सुधारू शकते आणि त्याची कार्यकक्षा वाढवावी का ते ठरवू शकते. मर्यादित स्वायत्तता व पडताळलेले शिकणे प्रत्यक्षात असे दिसते.
हार्नेस टीमच्या सिस्टम्स व नियंत्रणांतही ही विभागणी दिसते. हार्नेस टीम्सच्या जबाबदाऱ्यांत पुढील बाबी असू शकतात:
एजंटची ओळख: सेवा-ओळखी जारी करणे, जबाबदार मालक व पर्यावरण रेकॉर्ड करणे आणि प्रत्येक एजंटच्या मॉडेल, प्रॉम्प्ट व टूल्सच्या आवृत्त्यांना ट्रॅक करणे.
टूल्सच्या परवानग्या: वाचन-लेखन व्याप्ती, डेटा ॲक्सेस सीमा, वापरदर मर्यादा, मंजुरीचे टप्पे व स्पष्ट परवानगीविना कृती नाकारणारे नियम एजंटच्या कृतींसाठी ठरवणे.
संदर्भ इंटरफेस: आवृत्ती-नियंत्रित, परवानगी तपासणाऱ्या इंटरफेसमधून मंजूर ज्ञान व डेटा देणे; स्रोत व अपडेट्स स्पष्ट ठेवणे.
मूल्यमापन सुईट: प्रातिनिधिक व अपवादात्मक उदाहरणे, सुरक्षितता चाचण्या, बदलांमुळे बिघाड तपासणाऱ्या चाचण्या व रिलीझचे निकष राखणे.
ऑडिट लॉग व निरीक्षणक्षमता: एजंटची ओळख, संदर्भ, टूल्स, आउटपुट, मंजुऱ्या, मानवी ओव्हरराइड, अपयश व घटना नोंदणे; डेटा राखणे व ॲक्सेसच्या योग्य नियंत्रणांसह.
डिप्लॉयमेंटचे मंजूर मार्ग: सँडबॉक्स, समांतर निरीक्षण, स्टेजिंग व प्रत्यक्ष डिप्लॉयमेंटसाठी ऑटोमेटेड तपासणी, पूर्वस्थितीत येण्याची यंत्रणा व बदलनियंत्रण.
हार्नेस टीम हे विद्यमान प्लॅटफॉर्मच्या कार्यांचे नवे नाव नाही. मशीन लर्निंगचे संचालन, सुरक्षा, प्रशासन व प्लॅटफॉर्म टीम्सच्या स्वतंत्र जबाबदाऱ्या कायम राहतात. हार्नेस टीम ही नियंत्रणे AI कार्यप्रवाहांच्या डेव्हलपमेंट व संचालनाशी जोडते: धोरणांसाठी परवानग्या व मंजुरी, संदर्भासाठी नियंत्रित इंटरफेस, मूल्यमापनासाठी चाचणी संच आणि एजंटच्या वर्तनाचे परीक्षण व पुनर्वापर शक्य करणाऱ्या नोंदी.

इंजिनिअरिंगचे काम ॲप्लिकेशन डिलिव्हरी व शेअर केलेल्या सक्षमीकरणात विभागत असेल, तर मनुष्यबळ, नेतृत्व व मेट्रिक्सही बदलायला हवेत.
ॲप्लिकेशन टीम्सना समस्येशी निगडित उत्पादन, इंजिनिअरिंग व विषयक्षेत्रातील निर्णयक्षमता हवी. प्लॅटफॉर्म व हार्नेस टीम्सना माणसे व एजंट यांना मोठ्या प्रमाणावर आधार देणारे शेअर केलेले पर्यावरण रचणारे व चालवणारे लोक हवेत.
तंत्रज्ञान, डेटा व माहिती प्रमुखांपुढील आव्हान म्हणजे केंद्रीकृत काय करावे आणि स्वतंत्र टीम्सकडे काय सोपवावे हे ठरवणे.
ॲप्लिकेशन टीम्सना वेगाने काम करण्याचे व ग्राहकांशी जवळीक राखण्याचे स्वातंत्र्य हवे. डेटाचा सुरक्षित ॲक्सेस, निरीक्षणक्षमता, मूल्यमापन व प्रशासन या क्षमता त्यांनी नव्याने उभाराव्या लागू नयेत.
AI-केंद्रित संस्थेत तंत्रज्ञान लीडर्सने डिलिव्हरी क्षमता सांभाळण्यासोबत डिलिव्हरी सिस्टम डिझाइन करण्याकडेही लक्ष वळवावे. यात पुढील बाबी येतात:
विवेकबुद्धी व निर्णयगुणवत्तेसाठी लोकांची भरती व प्रशिक्षण;
शेअर केलेले AI प्लॅटफॉर्म, मूल्यमापन, सुरक्षामर्यादा, मंजूर मार्ग, ज्ञानप्रवाह व ॲक्सेस पद्धतींत गुंतवणूक;
एजंट, माणसे व संयुक्त कार्यप्रवाहांसाठी कार्यमर्यादा ठरवणे;
योग्य प्रशिक्षण, विश्वसनीयता, ग्राहकांवरील परिणाम व सुरक्षित पुनर्वापराचे मापन; आणि
AI डिलिव्हरीचे अर्थकारण कुठे खरोखर बदलते हे समजण्याइतका तंत्रज्ञानाशी संपर्क राखणे.
सुयोग्य व्यवस्था टीम्सना योग्य संदर्भ मिळवणे, AI-निर्मित काम तपासणे, सिद्ध पद्धती पुन्हा वापरणे व मानवी मंजुरीची गरज ओळखणे सोपे करते.
अनेक इंजिनिअरिंग मेट्रिक्स अशा काळात विकसित झाले जेव्हा सॉफ्टवेअर निर्मिती हाच मोठा अडथळा होता. कामाचा वेग, स्टोरी पॉइंट्स, थ्रुपुट व डिप्लॉयमेंटची वारंवारता उपयुक्त संकेत देतात. पण AI मुळे सॉफ्टवेअर निर्मितीचे श्रम घटताना ही मेट्रिक्स एकटी कमी माहिती देतात.
अधिक कोडिंग व प्रयोग करणारी टीमही चुकीचे निर्णय घेऊ शकते, अनावश्यक गुंतागुंत वा जोखीम वाढवू शकते.
म्हणून तंत्रज्ञान लीडर्सने सॉफ्टवेअरचे प्रमाण वा AI टूल्सचा वापर यापलीकडे प्रश्न विचारावेत. AI मुळे संस्थेमध्ये शिक्षण जलद होते का, ग्राहकांना चांगले परिणाम मिळतात का व मान्य मर्यादांत विश्वसनीय काम होते का, हे समजून घ्यावे.
ॲप्लिकेशन टीम्ससाठी उपयुक्त मापने ही असू शकतात:
शिक्षण सत्यापनाचा वेळ;
ग्राहकांनाच्या परिणामांत सुधारणा;
व्यावसायिक मूल्य;
स्वीकार व वर्तनबदल; आणि
प्रयोगांवरून पुराव्याधारित निर्णय होण्याचा दर.
प्रशिक्षण सत्यापनाचा वेळ म्हणजे प्रयोग सुरू केल्यापासून निर्णयासाठी पुरेसा पुरावा मिळेपर्यंतचा पूर्ण कालावधी. सोमवारी सुरुवात, बुधवारी डिप्लॉयमेंट व शुक्रवारी पुराव्याधारित निर्णय झाल्यास, टीमचे शिकण्याचे चक्र आठवडाभराचे असते; केवळ दोन दिवसांचे निर्मितीचक्र नव्हे.
प्लॅटफॉर्म व हार्नेस टीम्ससाठी उपयुक्त मापने ही असू शकतात:
मंजूर AI पॅटर्नचा पुनर्वापर;
मूल्यमापनाची व्याप्ती व परिणामकारकता;
AI-संबंधित घटना व फेरकाम;
कल्पना ते प्रत्यक्ष वापराचा वेळ;
एजंटच्या कृतींची निरीक्षणक्षमता; आणि
ऑडिट व अनुपालनाची तयारी.
खर्च मोजताना प्रत्येक यशस्वी निष्पत्तीसाठी मॉडेलचा वापर, मानवी परीक्षण, अयशस्वी प्रयत्न, फेरकाम व संचालन सहाय्य धरावे.
या मापनांनाही स्पष्ट व्याख्या, आधारमूल्ये व मूल्यमापन पद्धती हव्यात. एक सार्वत्रिक स्कोरकार्ड बदलून दुसरा आणणे नव्हे, तर डिलिव्हरी सिस्टममधून विश्वासार्ह परिणाम मिळतात का हे मोजणे ध्येय आहे.
ॲप्लिकेशन-हार्नेस मॉडेल हे AI-केंद्रित इंजिनिअरिंग सध्याच्या टप्प्याला एक प्रतिसाद आहे. याला कायमची अंतिम स्थिती समजू नये.
काही घडामोडींमुळे इंजिनिअरिंग कामाचे मूलभूत युनिट पुन्हा बदलू शकते:
एजंटने संपूर्ण कार्यप्रवाहाची जबाबदारी घेऊ लागणे;
काही सॉफ्टवेअर वर्षानुवर्षे सांभाळण्याऐवजी तात्पुरते बनणे;
वापरकर्ते ॲप्लिकेशन इंटरफेसऐवजी एजंट-संचालित अनुभवांकडे वळणे;
पायाभूत मॉडेलमध्ये अधिक प्लॅटफॉर्म क्षमता समाविष्ट होणे; आणि
नियमनामुळे ऑडिट होण्याची क्षमता व जबाबदारी इंजिनिअरिंगच्या प्रमुख मर्यादा बनणे.
या शक्यता आहेत, निश्चित परिणाम नाहीत. त्या प्रत्यक्षात आल्यास, ॲप्लिकेशन व प्लॅटफॉर्म टीम्समधील फरकही कमी होऊ शकतो.
या अनिश्चिततेसाठी सज्ज असलेल्या संस्था आपली कार्यपद्धती परिस्थितीनुसार बदलती ठेवतील. ठराविक टीम्स किंवा टूल्स ऐवजी स्पष्ट तत्त्वे, भक्कम संदर्भ, मर्यादित स्वायत्तता व जलद शिकणे यांभोवती त्या काम व्यवस्थित करतील.
AI मुळे इंजिनिअरिंग व्यवस्थांचे महत्त्व कमी होत नाही. त्यांचे सुयोग्य डिझाइन अधिक मोलाचे ठरते.
सॉफ्टवेअर निर्मिती स्वस्त होताना, चांगले निर्णय घेणाऱ्या, उपयुक्त संदर्भ वाढवत नेणाऱ्या व सुरक्षित काम करणाऱ्या संस्थांना आघाडी मिळते. केवळ AI टूल्स वापरणे म्हणजे AI-केंद्रित इंजिनिअरिंग नव्हे. निर्णयगुणवत्ता, शेअर केलेला संदर्भ, मर्यादित स्वायत्तता व जलद शिकणे या नव्या मर्यादांभोवती ती स्वतःची पुनर्रचना करते.
तंत्रज्ञान लीडर्स चार निर्णय स्पष्ट करून सुरुवात करू शकतात:
ग्राहक व उत्पादनासंबंधी कोणते निर्णय ॲप्लिकेशन टीम्सकडेच असले पाहिजेत?
कोणते संदर्भ, नियंत्रणे व मूल्यमापन क्षमता शेअर केलेल्या असल्या पाहिजेत?
एजंट कुठे स्वायत्त कृती करू शकतात व कुठे मानवी मंजुरी हवी?
सत्यापित शिक्षण, ग्राहकांसाठी मूल्य व सुरक्षित संचालन कोणत्या मापनांतून दिसते?
संस्थेने किती सहाय्यक डिप्लॉय केले यापेक्षा, या प्रश्नांची उत्तरे AI स्वीकाराचे मूल्य ठरवण्यात अधिक महत्त्वाची ठरतील.
