AI ची व्यावसायिक भूमिका अधिक विश्लेषणात्मक होत आहे
IEEE Spectrum मध्ये प्रकाशित झालेला एक प्रोफाइल OpenAI अभियंता Sarang Gupta आणि कंपन्यांना खरेदीदार आकर्षित करण्यात तसेच विक्री सुधारण्यात मदत करणाऱ्या AI साधनांवरील त्यांच्या कामावर प्रकाश टाकतो. दिलेल्या स्रोत मजकुरानुसार, Gupta हे IEEE चे वरिष्ठ सदस्य आहेत आणि सॅन फ्रान्सिस्कोमधील OpenAI मध्ये डेटा सायन्स स्टाफवर काम करतात. हा प्रोफाइल मार्केटिंग टीमांच्या धोरणात्मक निर्णयांना बळकटी देण्याच्या त्यांच्या योगदानावर भर देतो.
तो भर देण्यासारखा मुद्दा आहे. व्यवसायातील जनरेटिव्ह AI संदर्भातील सार्वजनिक चर्चेचा मोठा भाग मजकूर लिहिणे, प्रतिमा तयार करणे किंवा ग्राहक सेवा वेगवान करणे यावर केंद्रित राहिला आहे. दिलेले वर्णन त्यापेक्षा थोड्या वेगळ्या व्यावसायिक वापराच्या प्रकरणाकडे निर्देश करते: मार्केटिंग संस्थांमध्ये निर्णय घेण्यास AI चा आधार घेणे.
ते का महत्त्वाचे आहे
मार्केटिंग हे व्यवसायातील सर्वाधिक डेटाने भरलेले कार्यक्षेत्रांपैकी एक आहे, आणि ते स्वच्छपणे ऑप्टिमाइझ करणे सर्वात कठीणही आहे. कोणते चॅनेल्स प्राधान्य द्यायचे, कोणते संदेश सर्वाधिक परिणामकारक ठरतात, कोणते संभाव्य ग्राहक रूपांतरित होण्याची शक्यता जास्त आहे, आणि खर्चाचा सर्वाधिक परिणाम कुठे होईल, हे निर्णय टीमांना सातत्याने घ्यावे लागतात. अशा निवडी संरचित करण्यात मदत करणारी AI प्रणाली, केवळ मोहिमेची सामग्री मसुदा करणाऱ्या साधनांपेक्षा अधिक मौल्यवान ठरू शकते.
दिलेला मजकूर लहान आहे, त्यामुळे Gupta यांच्या प्रणालींचे तांत्रिक तपशील तो देत नाही. पण तो एक मुख्य निष्कर्ष समर्थित करतो: उद्दिष्ट धोरणात्मक निर्णय सुधारणे आहे, केवळ आउटपुटचे प्रमाण वाढवणे नाही. हे एंटरप्राइझ AI मध्ये नवलाई निर्माण करण्यापासून ऑपरेशनल निर्णय-समर्थनाकडे होत असलेल्या मोठ्या संक्रमणाचे प्रतिबिंब आहे.
निर्णय-समर्थनाची व्यावहारिक आकर्षकता
AI प्रणाली खरेदी करणाऱ्या कंपन्यांसाठी, निर्णय-समर्थन हे अस्पष्ट परिवर्तनाच्या आश्वासनांपेक्षा अधिक सोप्या रीतीने न्याय्य ठरते. एखादे साधन टीमला संसाधने अधिक चांगल्या प्रकारे वाटप करण्यास, संभाव्य खरेदीदार अधिक अचूक ओळखण्यास, किंवा विक्री कार्यक्षमता सुधारण्यास मदत करू शकत असेल, तर व्यावसायिक कारण अधिक ठोस होते. विशेषतः मार्केटिंग संस्थांवर मोजण्याजोगे परतावे दाखवण्याचा सतत दबाव असतो, त्यामुळे AI-सहाय्यित विश्लेषणांसाठी त्या नैसर्गिक प्रारंभिक ग्राहक ठरतात.
डेटा सायन्स पार्श्वभूमी असलेला अभियंता अशा प्रकारच्या कामात मध्यवर्ती का असेल, हेही त्यातून स्पष्ट होते. समस्या फक्त भाषा निर्माण करण्याची नाही. ती सिग्नल काढणे, नमुन्यांचे अर्थ लावणे, आणि टीमांना प्रत्यक्षात वापरता येतील अशा पद्धतीने शिफारसी मांडणे ही आहे.
प्रोफाइल AI स्वीकाराबद्दल काय सूचित करते
व्यक्तिगत अभियंत्यांची प्रोफाइल्स क्वचितच मोठी बातमी ठरतात, पण संस्था मूल्य कुठे साचत आहे असे मानतात, हे त्या दाखवू शकतात. या प्रकरणात, मार्केटिंग धोरणावर दिलेला भर सूचित करतो की लागू AI आता एका एकमेव कार्याची जागा घेण्यापेक्षा व्यावसायिक प्रणाली संपूर्णपणे सुधारण्याकडे वळत आहे.
हा कल सुरू राहिला, तर एंटरप्राइझ AI स्पर्धेची पुढची लाट कोणते मॉडेल सर्वात प्रवाही मजकूर लिहिते यावर कमी आणि अरुंद क्षेत्रांमध्ये कोणती साधने चांगले व्यावसायिक निर्णय देतात यावर अधिक केंद्रित असू शकते. Gupta यांचा प्रोफाइल त्या बदलाचा एक लहानसा पण उपयुक्त दृष्टिकोन देतो. तो AI स्वीकाराच्या अधिक व्यवहार्य टप्प्याकडे निर्देश करतो, जिथे प्रश्न असा नसतो की मॉडेल आउटपुट तयार करू शकते का, तर ते कंपनीला अधिक परिणामकारकपणे निवड करण्यास मदत करू शकते का.
हा लेख IEEE Spectrum च्या वृत्तांकनावर आधारित आहे. मूळ लेख वाचा.
Originally published on spectrum.ieee.org