इस लेख में (4)
नडेला का कहना है कि आपकी मॉडल चॉइस मायने नहीं रखती। तो फिर क्या मायने रखता है?
मुख्य बातें
- मॉडल चयन एक सामान्य निर्णय है; स्थायी AI लाभ एक ऐसा फीडबैक लूप बनाने से आता है जो आपकी अनूठी डोमेन विशेषज्ञता को लगातार सिस्टम सुधारों में बदलता है।
- लर्निंग लूप तभी काम करता है जब आपका संगठन वास्तव में इसे पूरा करे: अलग-थलग टीमें और गायब फीडबैक पाइपलाइन केवल संस्कृति की समस्याएं नहीं हैं, बल्कि आर्किटेक्चर की समस्याएं हैं।
- अपना अगला मॉडल मूल्यांकन करने से पहले, यह जांचें कि मानव विशेषज्ञों के सुधार संकेत अभी कहां जाते हैं। यदि आप इसे पांच मिनट में नहीं समझा सकते, तो वही आपकी असली बाधा है।
माइक्रोसॉफ्ट के सीईओ का तर्क है कि असली एंटरप्राइज़ AI लाभ आपके बेंचमार्क स्कोरकार्ड में नहीं, बल्कि आपके डेटा फीडबैक आर्किटेक्चर में छिपा है।
माइक्रोसॉफ्ट के CEO का तर्क है कि असली एंटरप्राइज़ AI लाभ आपके बेंचमार्क स्कोरकार्ड में नहीं, बल्कि आपके डेटा फीडबैक आर्किटेक्चर में छिपा है।
हर एंटरप्राइज़ AI बातचीत आखिरकार उसी बहस पर आकर टिक जाती है: GPT-4o या Claude? Gemini या Llama? कौन-सा मॉडल बेंचमार्क जीतता है? Satya Nadella, जिन्होंने 18 मार्च 2025 को Madrona की Annual Meeting में बात की, चाहते हैं कि आप यह समझें कि यह बहस अधिकांशतः एक भटकाव है।
वह दावा जो आपकी खरीद-बैठक को नए नज़रिए से देखने पर मजबूर कर दे
Nadella का मुख्य तर्क, जैसा कि Madrona ने रिपोर्ट किया और Firstpost के विश्लेषण में कवर किया गया, यह है कि AI युग में प्रतिस्पर्धात्मक लाभ इस बात में नहीं है कि कोई संगठन कौन-सा फ़ाउंडेशन मॉडल लाइसेंस करता है। वह लाभ उस लूप में रहता है: वह निरंतर चक्र जिसमें किसी संगठन की मानवीय विशेषज्ञता और उसके AI-जनित आउटपुट एक-दूसरे को पोषित करते हैं, संयुक्त होते हैं, और समय के साथ बेहतर होते जाते हैं।
Firstpost इसे Nadella के उस नज़रिए के रूप में वर्णित करता है जिसमें "human capital" और "token capital" एक learning loop के भीतर काम करते हैं, जहाँ दोनों अब गहराई से जुड़े हुए हैं।
यह निहितार्थ उन लोगों के लिए असहज करने वाला है जिन्होंने छह महीने मॉडल मूल्यांकन में लगाए हैं: यदि हर संगठन एक API के ज़रिए समान फ्रंटियर मॉडल तक पहुँच सकता है, तो मॉडल स्वयं कोई स्थायी अंतर नहीं बना सकता। मॉडल के आसपास की प्रणाली ही वह जगह है जहाँ असली मज़बूती बनती है।
यह ML की शिक्षा-जगत में कोई नई बात नहीं है — feedback loops और continual learning वर्षों से शोध के प्रमुख विषय रहे हैं — लेकिन यह बात तब काफी धारदार हो जाती है जब यह किसी ऐसी कंपनी के CEO की तरफ से आती है जिसका मूल्यांकन Madrona की उसी इवेंट की कवरेज के अनुसार लगभग $3 ट्रिलियन है। जब वह व्यक्ति जो आपको Azure AI सेवाएँ बेच रहा है, यह कहे कि मॉडल एक सामान्य वस्तु है, तो आपको उस वाक्य का दूसरा हिस्सा ज़रूर सुनना चाहिए।
व्यवहार में एक Learning Loop वास्तव में कैसा दिखता है
ब्रांडिंग को हटा दें तो एक learning loop एक विशिष्ट आर्किटेक्चरल पैटर्न है, कोई प्रेरणादायक पोस्टर नहीं। Firstpost की Nadella के फ्रेमवर्क पर कवरेज के अनुसार, यह संरचना लगभग इस प्रकार काम करती है: कोई संगठन अपनी अनूठी डोमेन विशेषज्ञता और स्वामित्व डेटा को एक AI प्रणाली में लाता है; प्रणाली आउटपुट तैयार करती है; मनुष्य उन आउटपुट का मूल्यांकन करते हैं, उन्हें सुधारते हैं और लागू करते हैं; और इससे मिलने वाला संकेत वापस प्रवाहित होकर प्रणाली के अगले पुनरावृत्ति को बेहतर बनाता है।
प्रत्येक चक्र संगठन के लाभ को संयुक्त करता है क्योंकि फीडबैक डेटा, परिभाषा के अनुसार, कुछ ऐसा है जिसे कोई प्रतिस्पर्धी किसी सार्वजनिक बेंचमार्क से दोहरा नहीं सकता।
Nadella ने Madrona की Annual Meeting में इस बात को और मज़बूती दी, यह तर्क देते हुए कि केवल देशों को नहीं बल्कि कंपनियों को भी अपनी खुद की AI क्षमताएँ बनानी होंगी, और कि जो संगठन सबसे अच्छी स्थिति में हैं वे वही हैं जो बुद्धिमान प्रणालियों के भीतर अपनी अनूठी विशेषज्ञता का लाभ उठा सकते हैं।
वह अंतिम वाक्यांश ही असली काम करता है। "बुद्धिमान प्रणालियों के भीतर अनूठी विशेषज्ञता" — यह एक data flywheel का वर्णन है, कोई खरीद निर्णय नहीं। आप कोई लाभ खरीद नहीं रहे; आप उसे बना रहे हैं — पुनरावृत्ति रूप से, अंदर से बाहर की ओर।
संस्कृति आर्किटेक्चर का हिस्सा क्यों है
यहीं पर Nadella का तर्क बिल्डर्स के लिए वास्तव में दिलचस्प हो जाता है, और जहाँ यह एक सामान्य systems-design वार्ता से अलग हो जाता है। Madrona की Annual Meeting में, वे स्पष्ट थे कि मिशन और संस्कृति रणनीति को परिभाषित करती है, जो संगठनात्मक व्यवहार को तकनीकी निर्णयों से पहले रखता है।
यह केवल leadership book की भराई नहीं है। learning loops के संदर्भ में इसका एक सटीक अर्थ है: एक लूप तभी संयुक्त होता है जब संगठन के लोग वास्तव में उसे बंद करते हैं। यदि सुधार संकेत कभी प्रणाली में वापस नहीं जाता — क्योंकि टीमें साइलो में हैं, प्रोत्साहन गलत तरीके से संरेखित हैं, या फीडबैक पाइपलाइन का कोई मालिक नहीं है — तो आपके पास learning loop नहीं है। आपके पास एक बहुत महंगा autocomplete टूल है।
यह उस विषय से जुड़ता है जिस पर Nadella लगातार लौटते रहे हैं, जिसमें "know-it-all" के बजाय "learn-it-all" संस्कृति बनाने पर उनका दीर्घकालिक जोर भी शामिल है — एक नज़रिया जिसे Next Big Idea Club ने विस्तार से कवर किया है। संगठनात्मक रवैया और तकनीकी आर्किटेक्चर अलग-अलग चिंताएँ नहीं हैं। वे एक ही चिंता हैं, जो अलग-अलग शब्दावलियों में व्यक्त की गई है।
इसका मतलब AI सिस्टम बनाने या मूल्यांकन करने वाले किसी के लिए क्या है
यदि आप एक ML इंजीनियर, प्रोडक्ट मैनेजर, या तकनीकी लीड हैं और अभी एंटरप्राइज़ AI के बारे में सोच रहे हैं, तो Nadella का फ्रेमवर्क एक विशिष्ट ऑडिट का सुझाव देता है जो आपको किसी भी AI पहल पर चलाना चाहिए।
पूछें: फीडबैक कहाँ जाता है? उपयोगकर्ता संतुष्टि सर्वेक्षण वाला फीडबैक नहीं, बल्कि वह ठोस संकेत कि कब प्रणाली गलत थी, कब वह ऐसे तरीके से सही थी जिसने मनुष्यों को चौंका दिया, और कब डोमेन विशेषज्ञों को उसे ओवरराइड करना पड़ा। यदि उत्तर है "कहीं नहीं, किसी संरचित तरीके से नहीं," तो लूप टूटा हुआ है, और कोई भी मॉडल अपग्रेड इसे ठीक नहीं करेगा।
Madrona में Nadella ने यह भी तर्क दिया कि AI अभी भी अपने शुरुआती दिनों में है — जो आपकी वर्तमान sprint velocity के आधार पर या तो आश्वस्त करने वाला है या चिंताजनक। किसी भी तरह से, शुरुआती दिनों का मतलब है कि अच्छी तरह से डिज़ाइन की गई फीडबैक आर्किटेक्चर का संयुक्त लाभ अभी भी उन संगठनों के लिए उपलब्ध है जो सोच-समझकर आगे बढ़ते हैं।
जो संगठन मॉडल को एक-दूसरे के खिलाफ बेंचमार्क कर रहे हैं, वे उस आयाम पर प्रतिस्पर्धा कर रहे हैं जो सामान्य वस्तु बन जाएगी। जो लोग चुपचाप अपने human-AI सुधार चक्रों को इंस्ट्रूमेंट कर रहे हैं, वे कुछ ऐसा बना रहे हैं जिसे Hugging Face से डाउनलोड नहीं किया जा सकता।
सीखने वालों के लिए व्यावहारिक अगला कदम: अपना अगला मॉडल मूल्यांकन करने से पहले, अपनी वर्तमान फीडबैक पाइपलाइन का नक्शा बनाएँ। यदि आप इसे पाँच मिनट से कम में व्हाइटबोर्ड पर नहीं बना सकते, तो आपको असली समस्या मिल गई। आप जो मॉडल चुनते हैं वह आसान हिस्सा है।
