அளவீடுகளைச் சேர்ப்பது புரிதலை அவசியமாக மேம்படுத்தாது. பல டாஷ்போர்டுகளில் ஒரே அடிப்படை நடத்தைக்கான பல அளவீடுகள் உள்ளன. செலவுடன் தரம், கட்டுப்பாடுடன் உணர்வு, அல்லது துல்லியத்துடன் தாமதம் போன்ற, ஒன்றுக்கொன்று முரண்படும் ஜோடிகளாக இணைக்கப்படும்போது அளவீடுகள் மேலும் கண்டறியும் தன்மை கொண்டவையாக மாறுகின்றன.
ஒரு AI தயாரிப்பு முன்னோட்ட நிலையிலிருந்து உற்பத்தி நிலைக்கு நகரும்போது, சரியான ஜோடிகள் மாறுகின்றன. ஒவ்வொரு கட்டத்திலும் அணி எடுக்க வேண்டிய முடிவுகளை அளவீடு பின்பற்ற வேண்டும்.
செயல்பாட்டு கண்காணிப்பும் மூலோபாய அளவீடும் வெவ்வேறு நோக்கங்களுக்குப் பயன்படுகின்றன. குழுக்கள் நூற்றுக்கணக்கான அமைப்பு சமிக்ஞைகளைக் கண்காணிக்கலாம், ஆனால் தயாரிப்பு முடிவுகளுக்கு வழிகாட்ட ஒரு சில ஜோடிகளை மட்டுமே பயன்படுத்தலாம்.
தலைப்புச் செய்திகள் ஒரு கவர்ச்சிகரமான கதையைச் சொல்லக்கூடும், அதே நேரத்தில் ஒரு முக்கியமான தயாரிப்பு முடிவைத் தீர்க்கப்படாமல் விட்டுவிடும்.
Klarnaவின் AI உதவியாளர், மனித ஏஜென்ட்களுக்கு நிகரான அதிக த்ரூபுட், குறைந்த செலவுகள் மற்றும் வாடிக்கையாளர் திருப்தி மதிப்பெண்களுடன் பகிரங்கமாகத் தொடர்புபடுத்தப்பட்டது. அடுத்த ஆண்டு, செலவுக் குறைப்புக்கு அதிக முக்கியத்துவம் கொடுக்கப்பட்டதை அதன் தலைமை நிர்வாகி ஒப்புக்கொண்ட நிலையில், நிறுவனம் மனிதவள ஆதரவிற்கான அணுகலை அதிகரிக்க முடிவு செய்தது.
இது AI உதவியாளரையோ அதன் அடிப்படைத் தொழில்நுட்பத்தையையோ நிராகரித்தது அல்ல. தயாரிப்பை இயக்குவதன் மூலம் நிறுவனம் கற்றுக்கொண்டதால், தானியக்கத்திற்கும் மனித சேவைக்கும் இடையிலான சமநிலையைச் சரிசெய்ய வேண்டியிருந்தது. தானியக்கமானது அதிக அளவிலான, எளிமையான வினவல்களைக் கையாளத் தொடங்கியதால், Klarna வுக்குத் தேவைப்பட்ட மனித agent கள், சிக்கலான மற்றும் நுட்பமான வழக்குகளைக் கையாளும் திறன் கொண்டவர்களாக இருந்தனர்.
ஒரு தயாரிப்பு எதை அடைய வேண்டும் என்பதைத் தொடக்கத்திலேயே வரையறுத்துவிட்ட போதிலும், AI தயாரிப்புகளை உருவாக்கும் பெரும்பாலான நிறுவனங்கள் இறுதியில் ஒரே கேள்வியை எதிர்கொள்ளும்: அது உண்மையில் செயல்படுகிறதா?
பதில் தெளிவாக இல்லாதபோது, மேலும் அளவீடுகளைச் சேர்க்க வேண்டும் என்ற உள்ளுணர்வு ஏற்படுவது வழக்கம். மூன்று பத்தாகிறது, பிறகு பத்து முப்பதாகிறது. டாஷ்போர்டு செழுமையடைகிறது, ஆனால் குழுவின் புரிதல் மேம்படாமல் போகலாம்.
சிக்கல் எப்போதும் தனிப்பட்ட அளவீடுகளின் தரத்தில் இல்லை; அவற்றுக்கிடையேயான உறவில்தான் உள்ளது. வாடிக்கையாளர் திருப்தி, நிகர ஊக்குவிப்பு மதிப்பெண், மதிப்புரைகள் மற்றும் விருப்பு விகிதங்கள் ஆகிய அனைத்தும் பயனுள்ள சமிக்ஞைகளை வழங்கக்கூடும், ஆனால் அவை ஒட்டுமொத்த மனநிலையில் ஏற்படும் ஒத்த மாற்றங்களையே பிரதிபலிக்கலாம். அவை ஒன்றாக நகரும்போது, ஏதோ ஒன்று நடந்துள்ளது என்பதை உறுதிப்படுத்துகின்றன; ஆனால் அதற்கான காரணத்தை அவை அவசியம் விளக்குவதில்லை.
எனவே, AI குழுக்கள் ஒன்றுடன் ஒன்று ஒத்துப்போகும் அளவீடுகளைத் தாண்டி, போட்டியிடும் விளைவுகளை வெளிப்படுத்தும் அளவீடுகளைக் கண்டறிய வேண்டும். ஒன்றையொன்று பாதிக்கும் இந்த ஜோடிகள், தயாரிப்பின் செயல்திறனுக்குப் பின்னால் உள்ள சமரசங்களின் தாக்கத்தை வெளிப்படுத்தி, கண்காணிக்க உதவுவதன் மூலம் சிறந்த முடிவுகளை எடுக்க வழிவகுக்கின்றன.
வெளியீட்டுக்கு முந்தைய ஒரு செயல்படுத்தலில், இணைந்த குழு உள்வரும் வாடிக்கையாளர் ஆதரவு அழைப்புகளுக்காக நிகழ்நேர AI குரல் ஏஜென்ட்டை உருவாக்கிக் கொண்டிருந்தது. மிகவும் கடினமான கேள்விகளில் ஒன்று மாடல் தேர்வு அல்லது ஆர்கெஸ்ட்ரேஷன் பற்றியது அல்ல. வாடிக்கையாளர்கள் அதை பெரிய அளவில் பயன்படுத்தத் தொடங்கியதும், தயாரிப்பு செயல்படுகிறதா என்பதை நிறுவனம் எவ்வாறு அறியும் என்பதுதான்.
ஆரம்ப கட்டமைப்பு மூன்று அளவுகோல்களைப் பயன்படுத்தியது:
சுயமாகத் தீர்க்கும் விகிதம்: அழைப்பை ஒரு நபரிடம் மாற்றாமல் எவ்வாறு அது தீர்க்கிறது என்பது பற்றியது.
எஸ்கலேஷன் விகிதம் (மேல்நிலைப் பரிந்துரை விகிதம்) : ஒரு அழைப்பு மனித ஏஜென்ட்டிடம் எத்தனை முறை மாற்றப்படுகிறது.
நிறைவேற்ற விகிதம்: வாடிக்கையாளரின் பிரச்சினை இறுதியில் எவ்வளவு அடிக்கடி தீர்க்கப்படுகிறது.
ஒவ்வொரு அளவீடும் நியாயமானதாக இருந்தது. ஆனால், அவை ஒன்றாகச் சேர்ந்து ஒரு வெளிப்படையான கேள்விக்குப் பதிலளிக்க முடியவில்லை: தீவிரம் அதிகரித்தால், அது நமக்கு என்ன சொல்கிறது?
குழு எஸ்கலேஷனை எட்டு துணை வகைகளாகப் பிரித்தது. பின்னர், கைவிடல், பயண மற்றும் நேர அளவீடுகள், மொழிப் புரிதல் மதிப்பெண்கள், மற்றும் வினவல் வகைப்படியான நிறைவேற்றம் ஆகியவற்றைச் சேர்த்தது. இறுதியில், இந்தக் கட்டமைப்பில் ஆறு வகைகளில் 31 அளவீடுகள் இருந்தன.
அது தீவிரமடைதலை விரிவாக விவரிக்க முடிந்தது, ஆனால் அதன் காரணத்தை நம்பகமாகக் கண்டறிய முடியவில்லை. பெரும்பாலான அளவீடுகள் ஒரே நடத்தைமுறையின் மாறுபாடுகளாக இருந்ததால், போட்டியிடும் விளக்கங்களைச் சோதிப்பதற்குப் பதிலாக அவை ஒன்றாகவே மாறின.
டாஷ்போர்டு, நோயறிதலுக்கு மாறாக உற்றுநோக்கும் தன்மையுடையதாக மாறியிருந்தது.
அணிக்குத் தேவைப்பட்டது சிதைவின் மற்றொரு அடுக்கு அல்ல. ஒன்றுக்கொன்று கட்டுப்படுத்தும் அளவீடுகள் அதற்குத் தேவைப்பட்டன.
இவற்றை நாம் ஒன்றையொன்று அழிக்கும் ஜோடிகள் என்று அழைக்கிறோம்: அதாவது, இவற்றில் ஒன்றை மட்டும் மேம்படுத்துவது, மற்றொன்றின் விளைவைச் சேதப்படுத்தக்கூடும். இந்தப் பெயர் விரும்பிய நிலையை அல்ல, ஒருதலைப்பட்சமான உகப்பாக்கத்தால் உருவாகும் தோல்வி முறையை விவரிக்கிறது.
இரு தரப்பினரும் நலமாக இருக்கும்போது, அந்தத் தயாரிப்பு நிலைத்தன்மையுடன் இயங்கக்கூடும். அவை வேறுபட்டால், அந்த வேறுபாட்டின் திசை எங்கு ஆய்வு செய்ய வேண்டும் என்பதைத் தீர்மானிக்க குழுவுக்கு உதவும்.
எங்களிடம் இருந்தது | ஒன்றையொன்று அழிக்கும் ஜோடி | அந்த ஜோடி என்ன வெளிப்படுத்தக்கூடும் |
|---|---|---|
எஸ்கலேஷன் விகிதம் எட்டு துணை வகைகளாகப் பிரிக்கப்பட்டுள்ளது | எஸ்கலேஷன் (மேல்நிலைப் பரிந்துரை) விகிதம் ↔ மேல்நிலைக்கு எடுத்துச் செல்லும் நேரம் | உடனடிப் பிரச்சினை தீவிரமடைவது, நம்பகத்தன்மை அல்லது கட்டமைத்தல் சிக்கலைக் குறிக்கலாம்; தாமதமான பிரச்சினை தீவிரமடைதல், அந்த அமைப்பால் பணியை முடிக்க இயலாது என்பதைக் குறிக்கலாம். |
கட்டுப்பாட்டு விகிதம் மற்றும் நிறைவேற்ற விகிதம் தனித்தனியாக அறிவிக்கப்பட்டுள்ளன | தன்னிறைவு விகிதம் ↔ வாடிக்கையாளர் மனநிலை | கட்டுப்படுத்தல் திருப்திகரமான தீர்வைக் குறிக்கிறதா அல்லது வாடிக்கையாளர் முயற்சியைக் கைவிடுவதைக் குறிக்கிறதா. |
நோக்க வகை வாரியான நிறைவேற்ற விகிதம் | நிறைவேற்றல் விகிதம் ↔ உரையாடல் ஆழம் | வெற்றிகரமான தீர்வு திறமையானதா அல்லது சோர்வூட்டும் உரையாடலை அவசியமாக்குகிறதா என்பது. |
இது எவ்வாறு வெளிப்படுகிறது மற்றும் இந்த நுண்ணறிவை என்ன செய்வது என்பதை மேலும் ஆழமாகப் பார்ப்பதற்கு, மேல்நிலைக்கு அனுப்பும் விகிதம் மற்றும் மேல்நிலைக்கு அனுப்புவதற்கான நேரத்தைக் கருத்தில் கொள்வோம். உண்மையான அழைப்புகள் வரும்வரை வாடிக்கையாளர்கள் எவ்வாறு நடந்து கொள்கிறார்கள் என்பதை குழுவால் அறிய முடியாது, ஆனால் சோதிக்க வேண்டிய கருதுகோள்களை அது வரையறுக்க முடியும்.
அதிக அழைப்புகள் எஸ்கலேட் செய்யப்படத் (மேல்நிலைக்கு அனுப்ப) தொடங்கி, வாடிக்கையாளர்கள் முதல் 30 வினாடிகளுக்குள் AI அனுபவத்திலிருந்து வெளியேறினால், குழு நம்பிக்கை, வெளிப்படுத்தல், தொனி மற்றும் தொடக்க இடைச்செயல்பாடுகளை ஆராய வேண்டும். ஒரு பணியைச் செய்ய பல நிமிடங்கள் செலவழித்த பிறகு வாடிக்கையாளர்கள் பிரச்சினையை அடுத்த கட்டத்திற்கு எடுத்துச் சென்றால், திறன் அல்லது பணிப்பாய்வு முழுமையின்மையே மிகவும் சாத்தியமான பிரச்சினையாகிறது.
தலைப்பில் குறிப்பிடப்பட்ட உயர்வுக்கான எண் ஒன்றே. தயாரிப்பு தொடர்பான முடிவு வேறுபட்டது.
பயனுள்ள ஒரு ஜோடி மட்டுமே காரணத்தை நிரூபித்துவிடாது. அது விசாரணையைச் சுருக்கி, அடுத்த முடிவை மேலும் தெளிவாக்குகிறது.
முன்னர் அறிமுகப்படுத்தப்பட்ட Klarna உதாரணம், செலவும் சேவைத் தரமும் ஒன்றுடன் ஒன்று தொடர்புகொள்ளும்போது இந்தக் கோட்பாடு எவ்வாறு பொருந்துகிறது என்பதைக் காட்டுகிறது. ஒரு நிறுவனம் சமரசங்களின் தாக்கத்தைக் கண்காணித்து, அதன் பயன்பாட்டிலிருந்து கற்றுக்கொள்ளும்போது, AI-இயக்கப்பட்ட செயல்பாட்டு மாடல் எவ்வாறு வளர்ச்சியடைய முடியும் என்பதை இது விளக்குகிறது.
பிப்ரவரி 2024- இல், அந்நிறுவனம் தனது AI உதவியாளர் அதன் முதல் மாதத்தில் 23 இலட்சம் உரையாடல்களைக் கையாண்டதாகவும், 700 முழுநேர ஏஜென்ட்களுக்கு இணையான பணியைச் செய்ததாகவும், மேலும் மனித ஏஜென்ட்களுக்கு இணையான வாடிக்கையாளர் திருப்தி மதிப்பெண்களைப் பெற்றதாகவும் அறிவித்தது. 2024 இல் இலாப மேம்பாட்டில் இந்த உதவியாளர் $40 மில்லியன் பங்களிப்பார் என Klarna மதிப்பிட்டது. இவை சுயாதீன மதிப்பீட்டின் முடிவுகள் அல்ல; Klarna தானே தெரிவித்த முடிவுகள்.
மே 2025இல், Klarna-வின் தலைமை நிர்வாகி, வாடிக்கையாளர் சேவையில் செலவுக் குறைப்புக்கு நிறுவனம் அதிக முக்கியத்துவம் அளித்ததாகக் கூறி, மனித ஆதரவுக்கான அணுகலை அதிகரிக்கும் திட்டங்களை விவரித்தார். இது AI உதவியாளரையோ அதன் அடிப்படைத் தொழில்நுட்பத்தையோ நிராகரிப்பதற்குப் பதிலாக, தானியங்கிச் சேவை மற்றும் மனிதச் சேவைக்கு இடையிலான சமநிலையில் ஒரு சரிசெய்தலைக் குறித்தது.
பொதுவில் கிடைக்கும் ஆதாரங்கள், பல்வேறு வாடிக்கையாளர்கள் மற்றும் தொடர்புகளின் தேவைகளுடன் சேர்த்து செயல்திறன் அளவீடுகளையும் ஏன் கருத்தில் கொள்ள வேண்டும் என்பதை விளக்குகின்றன. ஒரு AI அமைப்பு சராசரியாக சிறப்பாகச் செயல்படக்கூடும் என்றாலும், சில சிக்கலான, நுட்பமான அல்லது அசாதாரணமான நேர்வுகளில், எளிதில் அணுகக்கூடிய மனிதத் தொடர்பு மூலம் பயனடைகிறது.
அந்த உறவின் இரு தரப்புகளையும் கண்காணிப்பது, தானியக்கமாக்கல் எங்கு மதிப்பை உருவாக்குகிறது, மனித ஆதரவு எங்கு முக்கியமாகத் தொடர்கிறது, மேலும் புதிய ஆதாரங்கள் வெளிப்படும்போது அந்தச் சமநிலை எவ்வாறு மாற வேண்டும் என்பதை ஒரு நிறுவனம் தீர்மானிக்க உதவுகிறது.
AI தயாரிப்புகளில் ஒன்றுக்கொன்று அழிவை ஏற்படுத்தக்கூடிய பிற ஜோடிகள் பின்வருவனவற்றை உள்ளடக்கலாம்:
ஒன்றுக்கொன்று அழிவை ஏற்படுத்தும் ஜோடி | ஆபத்தை ஏற்கவும்; அது வெளிப்படுத்த உதவும் |
|---|---|
பதிலின் துல்லியம் ↔ பதில் தாமதம் | தொழில்நுட்ப ரீதியாகத் துல்லியமான, ஆனால் பணிப்பாய்வுக்கு மிகவும் மெதுவான ஒரு அமைப்பு. |
பணி நிறைவு ↔ பயனர் மீறல் விகிதம் | பயனர்கள் மீண்டும் மீண்டும் செய்யும் பணிகளை முடிக்கும் ஒரு AI பணிப்பாய்வு. |
ஒரு தொடர்புக்கான செலவு ↔ மதிப்பிடப்பட்ட வெளியீட்டுத் தரம் | வாடிக்கையாளர் அல்லது பணியாளர் அனுபவத்தைத் தரமிறக்குவதன் மூலம் அடையப்படும் சேமிப்புகள். |
ஏற்றுக்கொள்ளல் ↔ மதிப்பைப் பெறும் நேரம் | பயனர்களுக்கு அதற்கேற்ற மதிப்பு இல்லாமல் பதிவுகளின் வளர்ச்சி. |
இரண்டு அளவீடுகளும் காலவரையின்றி அதிகரிப்பதே நோக்கமல்ல. ஒருதலைப்பட்சமான உகப்பாக்கம் செயல்பாட்டுச் சிக்கலை உருவாக்கும் முன், அதிலுள்ள பரிமாற்றத்தைத் தெளிவாகக் காட்டுவதே நோக்கம்.
ஒரு மொபைல் கேம்ஸ் நிறுவனத்தின் பிளேயர்-சப்போர்ட் டிப்ளாய்மென்ட்டில் இது தொடர்பான ஒரு சவால் தோன்றியது. முன்னேற்ற இழப்பு, பணம் செலுத்துவதில் உள்ள தகராறுகள் மற்றும் கணக்கு அணுகல் போன்ற அதிக எண்ணிக்கையிலான சிக்கல்களை இந்த அமைப்பு கையாண்டது.
அமைப்பு பெரிய அளவில் இயங்கியதால், செயல்திறன் அளவீடுகள் முக்கியத்துவம் பெற்றன. ஆனால், வீரர்களுக்கான ஆதரவு என்பது வெறுமனே ஒரு செயல்பாட்டுக் காத்திருப்பு வரிசை அல்ல. தங்களது அனுபவத்தில் வேறு எங்காவது ஏற்கனவே ஏதோவொன்று தவறாக நடந்திருப்பதால், ஆட்டக்காரர்கள் பெரும்பாலும் விரக்தியுடன் வருகிறார்கள்.
அந்த தொடக்கநிலை, வாடிக்கையாளர் திருப்தித் தரவை எவ்வாறு புரிந்துகொள்ள வேண்டும் என்பதை மாற்றுகிறது. ஒரு வீரரின் பிரச்சினை சரியாகத் தீர்க்கப்பட்ட பிறகும், அவர் தொடக்கத்திலேயே முன்னேற்றத்தை இழந்ததால், அவருக்குக் குறைந்த திருப்தியே ஏற்படக்கூடும். சூழல் இல்லாமல் அந்த மதிப்பீட்டைப் படிப்பது, வாடிக்கையாளர் பயணத்தின் ஆரம்பத்தில் ஏற்பட்ட விரக்திக்காக ஆதரவு உரையாடலுக்குப் பாதிப்பை ஏற்படுத்தக்கூடும்.
எனவே, வாடிக்கையாளரின் ஆரம்ப மனநிலையையும் ஆதரவு அனுபவத்தின் தாக்கத்தையும் குழு வேறுபடுத்திக் காட்ட வேண்டியிருந்தது. மிகவும் பயனுள்ள கேள்வி, “வீரர் மகிழ்ச்சியாக இருந்தாரா?” என்பது அல்ல. அது, “வீரர் தொடங்கிய நிலையுடன் ஒப்பிடும்போது, இந்த தொடர்பு நிலைமையை மேம்படுத்தியதா?” என்பதாக இருந்தது.
இரண்டையும் அளவிட அணியிடம் நம்பகமான வழி இருந்தால், அந்த ஒப்பீடு தயாரிப்பு மீதான விரக்தியையும் ஆதரவின் தரத்தையும் வேறுபடுத்த உதவும்.
AI தயாரிப்புகள் மாறுகின்றன, ஆனால் அவற்றின் அளவீடுகள் பெரும்பாலும் மாறாமல் இருக்கின்றன.
ஒரு முன்னோட்டத்தின் போது, தொடர்ச்சியான முதலீட்டை நியாயப்படுத்தும் அளவுக்கு அந்த அமைப்பு நம்பகமானதா என்பதே மையக் கேள்வியாக எழலாம்:
அது முக்கியப் பணியை நம்பகத்தன்மையுடன் நிறைவு செய்கிறதா?
பயனர்கள் அதைத் தொடர்ந்து பயன்படுத்தும் அளவுக்கு நம்புகிறார்களா?
மிகவும் பொதுவான சூழல்களுக்கு வெளியே இது எவ்வாறு செயல்படுகிறது?
செயலிழப்புகளைக் கண்டறிந்து பாதுகாப்பாகச் சரிசெய்ய முடியுமா?
அந்தக் கேள்விகள் பின்வரும் ஜோடிகளுக்குச் சாதகமாக உள்ளன:
முக்கியப் பணி வெற்றி ↔ விளிம்புநிலைச் செயல்திறன்;
தானியக்க விகிதம் ↔ மனிதத் தலையீட்டு விகிதம்; மற்றும்
நிறைவுசெய்யும் வேகம் ↔ பயனர் நம்பிக்கை.
தயாரிப்பு செயல்பாட்டு ரீதியாக முக்கியமானதாக மாறியதும், கேள்விகள் மாறுகின்றன:
தரத்தைக் குறைக்காமல் இதை விரிவாக்க முடியுமா?
பயன்பாட்டுடன் அதன் பொருளாதாரம் மேம்படுகிறதா?
பயன்பாடு அதிகரிக்கும்போது செயல்திறன் நிலையாக இருக்கிறதா?
மனிதத் தலையீடுகள் சரியான இடங்களில் நடைபெறுகின்றனவா?
தொடர்புடைய ஜோடிகள் பின்வருவனவற்றை நோக்கி நகரக்கூடும்:
ஒவ்வொரு ஊடாடலுக்கான செலவு ↔ மதிப்பிடப்பட்ட வெளியீட்டுத் தரம்;
ஏற்றுக்கொள்ளலின் பரவல் ↔ பயன்பாட்டின் ஆழம்; மற்றும்
தானியக்க விகிதம் ↔ செயல்பாட்டு அபாய வெளிப்பாடு.
ஆரம்பகால அளவீடுகள் தவறானவை என்று சொல்ல முடியாது. அவை முந்தைய கட்டத்தில் முக்கியமான கேள்விகளுக்கு பதிலளிக்கின்றன.
மாற்றக் காலத்தில்தான் ஆபத்து ஏற்படுகிறது. முன்னோட்ட அளவீடுகள் பெரும்பாலும் நீடிக்கின்றன, ஏனெனில் அவற்றை எவ்வாறு அறிக்கையிடுவது என்பது குழுக்களுக்குத் தெரியும், மேலும் அவற்றை நீக்கும் முடிவுக்கு யாரும் பொறுப்பேற்பதில்லை. ஒரு காலத்தில் கற்றலுக்கு ஆதரவளித்த அளவீடுகள், நாளடைவில் தற்பெருமைக்கான அளவீடுகளாக மாறிவிடக்கூடும்.
எனவே, ஜோடிகளுக்கு ஒரு வாழ்க்கைச் சுழற்சி இருக்க வேண்டும். குழுக்கள் ஒரு வரையறுக்கப்பட்ட முடிவிற்காக அவற்றை அறிமுகப்படுத்தி, அவை இன்னமும் ஒரு குறிப்பிடத்தக்க சமரசத்தை ஏற்படுத்துகின்றனவா என்பதை மதிப்பாய்வு செய்து, தயாரிப்போ அல்லது முடிவோ மாறும் போது அவற்றை நீக்கிவிட வேண்டும்.
AI அமைப்புகளுக்கு விரிவான கண்காணிப்புத் திறன், எச்சரிக்கைகள், தர உறுதிப்படுத்தல் மற்றும் மதிப்பீடு தேவை. அந்தச் சமிக்ஞைகளை அகற்றுவது, தயாரிப்பைப் பாதுகாப்பாக இயக்குவதை மேலும் கடினமாக்கும். ஆனால் செயல்பாட்டு கண்காணிப்பு என்பது தலைமைத்துவ அளவீட்டைப் போன்றது அல்ல.
கண்காணிப்பு, நிகழ்வுகளைக் கண்டறியவும், தோல்விகளின் தடத்தைப் பின்தொடரவும், அமைப்பின் செயல்பாட்டைப் புரிந்துகொள்ளவும் குழுக்களுக்கு உதவுகிறது. முதலீடு செய்வதா, தலையிடுவதா, திசையை மாற்றுவதா அல்லது ஒரு சமரசத்தை ஏற்றுக்கொள்வதா என்பதைத் தீர்மானிக்க, தயாரிப்பு மற்றும் வணிகத் தலைவர்களுக்கு முடிவெடுக்கும் அளவீடுகள் உதவுகின்றன.
ஒரு நிறுவனம் நூற்றுக்கணக்கான தொழில்நுட்ப மற்றும் செயல்பாட்டு சமிக்ஞைகளைக் கண்காணித்தாலும், ஒரு குறிப்பிட்ட தயாரிப்பு முடிவிற்காக, ஒன்றுக்கொன்று முரண்படும் இரண்டு அல்லது மூன்று ஜோடிகளை மட்டுமே முதன்மைப்படுத்தலாம். அந்த முடிவு அடுக்கைச் சிறியதாக வைத்திருப்பது முன்னுரிமை நிர்ணயிப்பதை எளிதாக்குகிறது.
பொருத்தமான மதிப்பாய்வு கால இடைவெளி, தயாரிப்பைப் பொறுத்து அமையும். ஒரு புதிய அல்லது வேகமாக மாறிவரும் அமைப்புக்கு வாராந்திர முடிவு மதிப்பாய்வுகள் தேவைப்படலாம், அதேசமயம் ஒரு முதிர்ந்த தயாரிப்பு மாதாந்திர அல்லது காலாண்டு கால அட்டவணையை ஆதரிக்கக்கூடும். இடைவெளியை விட கொள்கையே முக்கியமானது: பரிமாற்றம் செலவு மிக்கதாகவோ அல்லது பாதுகாப்பற்றதாகவோ மாறுவதற்கு முன்பே செயல்படுவதற்கு, அந்த இணையை போதுமான அளவு அடிக்கடி மதிப்பாய்வு செய்யுங்கள்.
ஒரு ஜோடி சீர்குலைந்தால் என்ன நடக்கும் என்பதை நிறுவனம் ஒப்புக்கொண்டால் மட்டுமே அது பயனுள்ளதாக அமையும்.
அதற்கு, வேறுபாட்டிற்கான ஒரு சிவப்புக் கோட்டை வரையறுப்பதைவிட அதிகம் தேவைப்படுகிறது. அணிகள் மூன்று நிபந்தனைகளைக் கருத்தில் கொள்ள வேண்டும்:
முழுமையான தோல்வி: மற்ற அளவீடு எதுவாக இருந்தாலும், ஒரு அளவீடு ஏற்றுக்கொள்ள முடியாத வரம்பைக் கடக்கிறது.
வேறுபாடு: ஒரு அளவீடு மேம்படும்போது, அதைச் சமநிலைப்படுத்தும் அளவீடு மோசமடைகிறது.
இணைப்புச் சிதைவு: இரு பக்கங்களும் சரிவடைவது, ஒரு பரந்த தயாரிப்பு அல்லது இயக்கச் சிக்கலைச் சுட்டிக்காட்டுகிறது.
ஒவ்வொரு ஜோடியிலும் பின்வருவன இருக்க வேண்டும்:
பெயரிடப்பட்ட உரிமையாளர்;
அது ஆதரிக்கும் ஒரு தெளிவான முடிவு;
ஒப்புக்கொள்ளப்பட்ட வரம்புகள் அல்லது மதிப்பீட்டு அளவுகோல்கள்;
ஒரு விசாரணைப் பாதை; மற்றும்
சாத்தியமான தலையீடுகளின் ஒரு தொகுப்பு.
அந்தக் கூறுகள் இல்லாமல், நிறுவனம் தயாரிப்பை நிர்வகிப்பதற்குப் பதிலாக அதைக் கண்காணிக்கிறது.
மற்றொரு அளவீட்டைச் சேர்ப்பதற்கு முன், ஒரு முக்கியமான தயாரிப்பு முடிவைத் தேர்ந்தெடுத்து, இந்தக் கேள்விகளைப் பரிசீலிக்கவும். மதிப்பாய்வு ஒப்புக்கொள்ளப்பட்ட அடுத்த படியுடன் முடிவடையுமாறு பதில்களை எழுதிவைக்கவும்.
1. எந்த முடிவை எடுப்பதற்கு இந்த அளவீடுகளின் உதவி நமக்குத் தேவைப்படுகிறது?
குறிப்பாகச் சொல்லுங்கள்: தானியக்கத்தை விரிவுபடுத்துவதா, ஒரு மாடலை மாற்றுவதா, அல்லது மனிதரிடம் ஒப்படைக்கும் செயல்முறையை மேம்படுத்துவதா என்பதை நாம் முடிவு செய்கிறோமா? நடவடிக்கைகளைத் தேர்ந்தெடுப்பதற்கு முன், முடிவின் பெயரைக் குறிப்பிடவும்.
2. இந்த எண்ணிக்கை மேம்பட்டால், நிலைமை இன்னும் மோசமாகுமா?
நீங்கள் பாதுகாக்க வேண்டிய விளைவையும், பாதிப்பை வெளிப்படுத்தும் ஒரு அளவீட்டையும் அடையாளம் காணுங்கள். உதாரணமாக, மலிவான பதில்கள் இன்னும் பயனுள்ளதாக உள்ளனவா என்பதைச் சரிபார்க்க, ஒவ்வொரு தொடர்புக்குமான செலவை மதிப்பிடப்பட்ட வெளியீட்டுத் தரத்துடன் இணைக்கவும்.
3. முக்கிய புள்ளிவிவரங்கள் எதை மறைக்கக்கூடும்?
ஒரே பயனர்கள், பணிகள் மற்றும் காலப்பகுதிக்கான இரண்டு அளவீடுகளையும் படித்து, மோசமான விளைவுகளை அனுபவிக்கும் குழுக்களைக் கண்டறியுங்கள். தொடக்க நிலைகளையும் கருத்தில் கொள்ளுங்கள்: குறைந்த திருப்தி, ஆதரவு தொடர்புக்கு முன்பே இருந்த விரக்தியைப் பிரதிபலிக்கலாம்.
4. நாம் நடவடிக்கை எடுக்க எது காரணமாக இருக்கும், அந்தப் பதிலுக்குப் பொறுப்பானவர் யார்?
ஒரு அளவீடு ஏற்றுக்கொள்ள முடியாத வரம்பை மீறும்போது, ஒன்று மேம்பட்டு மற்றொன்று மோசமடையும்போது அல்லது இரண்டும் சீர்குலையும்போது நடவடிக்கை எடுப்பதற்கான அளவுகோல்களை அமைக்கவும். யார் விசாரிப்பார்கள், அவர்கள் முதலில் எதைச் சரிபார்ப்பார்கள், எப்போது பதில் அறிக்கை அளிப்பார்கள் என்பனவற்றை முடிவு செய்யுங்கள்.
5. இந்த ஜோடி, தயாரிப்பின் தற்போதைய நிலைக்கு இன்னும் பொருத்தமாக உள்ளதா?
அதைத் தக்கவைத்துக்கொள்வதா, மாற்றுவதா அல்லது ஓய்வுபடுத்துவதா என்பதைத் தீர்மானிக்கவும். ஒரு முன்னோட்டச் சோதனை, பணியின் நம்பகத்தன்மை மற்றும் பயனர் நம்பிக்கையில் கவனம் செலுத்தலாம்; செயல்பாட்டிலுள்ள ஒரு சேவைக்கு செலவு மற்றும் தரத்தை இன்னும் நெருக்கமாக ஆய்வு செய்ய வேண்டியிருக்கலாம். அந்தத் தேர்வை மறுபரிசீலனை செய்ய ஒரு தேதியை நிர்ணயிக்கவும்.
AI தயாரிப்பு அளவீடு செயல்திறனை விவரிப்பதைவிட அதிகம் செய்ய வேண்டும். நிறுவனம் மேற்கொள்ளும் சமரசங்களை அது வெளிப்படுத்தி, அடுத்த முடிவை மேலும் தெளிவாக்க வேண்டும்.