Decision Intelligence: From Data to Action at Enterprise Scale

2018 માં, ગૂગલે એક અસામાન્ય વસ્તુ કરી: તેમણે એક નવી નોકરીનું નામ બનાવ્યું. કેસી કોઝર્કોવ કંપનીના ચીફ ડિસિઝન સાયન્ટિસ્ટ બન્યા — ચીફ ડેટા ઓફિસર, એનાલિટિક્સના વાઇસ પ્રેસિડેન્ટ, પરંતુ એવી વ્યક્તિ જેનો સ્પષ્ટ કાર્ય સંગઠનને વધુ સારા નિર્ણયો લેવામાં મદદ કરવાનો હતો.

કેમ? કારણ કે ગૂગલે એવું શોધી કાઢ્યું હતું જે મોટાભાગના સંગઠનોએ હજુ સુધી શોધ્યું નથી: ડેટા ધરાવવો એ ડેટાનો સારી રીતે ઉપયોગ કરવા જ સમાન નથી. તેમની પાસે પેટાબાઈટની માહિતી, ડેટા વિજ્ઞાનીઓની સેનાઓ અને વર્લ્ડ-ક્લાસ એમએલ ઇન્ફ્રાસ્ટ્રક્ચર હતું. પરંતુ તેઓ હંમેશા એક જ પેટર્ન જોતા હતા: બધા વિશ્લેષણ જેના પર કોઈ કાર્યવાહી કરતું ન હતું, ડેશબોર્ડ જેના કારણે કોઈ વર્તન બદલાતું ન હતું, AI મોડેલો જે અંતર્દૃષ્ટિ આપતા હતા પરંતુ કોઈ અસર પડતી ન હતી.

"નિર્ણય બુદ્ધિમત્તા એ માહિતીને વધુ સારી ક્રિયામાં રૂપાંતરિત કરવાની શિસ્ત છે, કોઈપણ સ્થળે, કોઈપણ સ્થળે."

આ માત્ર જૂના વિચારો માટેનું નવું લેબલ નથી. નિર્ણય બુદ્ધિમત્તા એ સંગઠનો કેવી રીતે ડેટા, વિશ્લેષણ અને ક્રિયા વચ્ચેના સંબંધો વિશે વિચારે છે તેમાં એક મૂળભૂત ફેરફારનું પ્રતિનિધિત્વ કરે છે. જો તમે આપણા સહયોગી નિર્ણય લેવાના માર્ગદર્શન વાંચ્યા છે, તો તમને આ સમીકરણનો માનવ પાસો જોયો છે — 240 વર્ષન� કોન્ડોર્સેટથી ગૂગલ પ્રોજેક્ટ એરિસ્ટોટલ સુધીનો સંશોધન જે દર્શાવે છે કે વિવિધ દૃષ્ટિકોણો, યોગ્ય રીતે એકત્રિત, વ્યક્તિગત નિર્ણયથી વધુ સારા છે.

નિર્ણય બુદ્ધિમત્તા આ પાયાનો ઉપયોગ કરે છે અને પૂછે છે: જ્યારે અમે AI, કારણ-અસર મોડેલિંગ અને સિસ્ટમેટિક ફીડબેક લૂપ્સનો ઉમેરો કરીએ ત્યારે શું થાય છે?

3.1 ટ્રિલિયન ડોલરની સમસ્યા: અંતર્દૃષ્ટિ વિના ક્રિયા

આ એક એવો આંકડો છે જે દરેક કાર્યકારી અધિકારીને ચિંતામાં નાખી દેવો જોઈએ: 65% સંગઠનો હજી પણ નિર્ણયો લેવા માટે ડેટાનો ચકાસવાનો ઉપયોગ કરે છે જે તેઓ પહેલેથી લઈ ચૂક્યા છે, ડેટાને નિર્ણયો લેવા માટે ઉપયોગમાં લેવાને બદલે. તેમની પાસે બિઝનેસ ઇન્ટેલિજેન્સ ડેશબોર્ડ છે. તેમની પાસે ડેટા સાયન્સ ટીમ છે. પરંતુ ડેટા વર્તનમાં ફેરફાર કરતો નથી.

આ એ સમસ્યા છે જેનું નિર્ણય બુદ્ધિમત્તા સમાધાન કરે છે. વધુ ડેશબોર્ડ અથવા વધુ ML મોડેલ્સ ઉમેરીને નહીં — પરંતુ માહિતીથી ક્રિયા સુધીના સમગ્ર પ્રવાહને ફરીથી ડિઝાઇન કરીને.

એક ટૂંકો ઇતિહાસ: નિર્ણય એન્જિનિયરિંગથી નિર્ણય બુદ્ધિમત્તા સુધી

નિર્ણય બુદ્ધિમત્તાના સંકલ્પનાત્મક મૂળ 1950 ના દાયકામાં જોઈ શકાય છે — તે જ યુગ જ્યારે અમને કૃત્રિમ બુદ્ધિમત્તા, ઓપરેશનલ સંશોધન અને હર્બર્ટ સાયમનના બાઉન્ડેડ તર્કના કાર્ય માટે નોબેલ પુરસ્કાર મળ્યો હતો. પરંતુ આધુનિક શિસ્ત બે સમાંતર ટ્રેક્સથી ઉદ્ભવી છે:

આ અભિપ્રાય થયો કારણ કે બંને ટ્રેક્સે એક જ દિવાલને અથડાવ્યો: તકનીકી સુધારો વિના નિર્ણય અસર. પ્રાટ્ટના શૈક્ષણિક કાર્યે દર્શાવ્યું કે કેમ (ગુમ કારણ-અસર યુક્તિ); કોઝર્કોવના ઉદ્યોગના કાર્યે દર્શાવ્યું કે તેને કેવી રીતે ઠીક કરવું.

વ્યવસાય બુદ્ધિમત્તા વર્સસ ડેટા વિજ્ઞાન વર્સસ નિર્ણય બુદ્ધિમત્તા

DI સમજવાનો સૌથી સ્પષ્ટ રસ્તો એ છે કે તે અન્ય બંને શિસ્તો સાથે કેવી રીતે અલગ છે:

મૂળ અંતર્દૃષ્ટિ: DI BI અથવા ડેટા સાયન્સને બદલે તેને પૂર્ણ કરે છે. BI ઐતિહાસિક સંદર્ભ પૂરો પાડે છે. ડેટા સાયન્સ આગાહી પૂરી પાડે છે. DI નિર્ણય તર્ક, ક્રિયાની ભલામણ અને અંતર્દૃષ્ટિ અને અસર વચ્ચેના ખાઈને ભરતી કરતી પ્રતિક્રિયા લૂપનો ઉમેરો કરે છે.

નિર્ણય બુદ્ધિમત્તા ફ્રેમવર્ક

તેના કેન્દ્રમાં, DI એક સરળ પરંતુ શક્તિશાળી મોડેલ પર કાર્ય કરે છે:

આ દેખાવમાં લશ્કરી વ્યૂહરચનાથી OODA લૂપ (અવલોકન-ઓરિએન્ટ-નિર્ણય-ક્રિયા) જેવું દેખાય છે. પરંતુ એક મહત્વપૂર્ણ તફાવત છે: શીખવું પગલું. OODA વાસ્તવિક-સમય નિર્ણયો માટે ડિઝાઇન કરાયેલ હતું જ્યાં તમે પરિણામોને માપવા માટે થાપણો ન મૂકી શકો; DI સંગઠનાત્મક નિર્ણયો માટે ડિઝાઇન કરાયેલ છે જ્યાં તમે — અને જોઈએ — પરિણામોને સિસ્ટમેટિકલી શીખવું.

કારણ-અસર નિર્ણય ચિત્રો: કારણ-અસર નકશો જોવો

નિર્ણય બુદ્ધિમત્તાનું હૃદય કારણ-અસર યુક્તિ છે — માત્ર એ જોવા માટે કે શું કરણી કરે છે, પરંતુ શું વાસ્તવમાં શું કરે છે. આ એ તફાવત છે:

કારણ-અસર નિર્ણય ચિત્ર (CDD) આ કારણ-અસર સંબંધોને દર્શાવે છે. તે દર્શાવે છે:

• લક્ષ્યો: અમે શું પ્રાપ્ત કરવાનો પ્રયાસ કરી રહ્યા છીએ
• લીવર: અમે શું ક્રિયાઓ કરી શકીએ છીએ
• મધ્યવર્તી: લીવર અને લક્ષ્ય વચ્ચેનો અસરનો સરળ અંતર
• બાહ્ય: અમુક પરિબળો જેને અમે નિયંત્રિત કરી શકતા નથી પરંતુ જેનું અમે ધ્યાન રાખવું જોઈએ

"નિર્ણય લેવાની માહિતીને નિર્ણય લેવાની માહિતીની આસપાસ ગોઠવવી કરતાં માહિતીને નિર્ણય લેવાની આસપાસ ગોઠવવી વધુ સારી છે."

એઆઈ ક્યાં ફિટ થાય છે: વધારણ, બદલીનાં નહીં

આ એવી જગ્યા છે જ્યાં નિર્ણય બુદ્ધિમત્તા બંને "એઆઈ દરેક વસ્તુને સ્વયંસંચાલિત કરશે" હાઇપ અને "માનવોએ હંમેશા નિર્ણય લેવો જોઈએ" પરંપરાગતતાથી સૌથી વધુ અલગ છે. ડીઆઈનું સ્થાન: એઆઈ માનવ નિર્ણય લેવાને વધારે ચૂંટે છે; માનવો જવાબદારી રાખે છે.

નેટફ્લિક્સ એક ઉત્તમ ઉદાહરણ છે. તેમનું રિકમેન્ડેશન એન્જિન (એઆઈ) 300 મિલિયન ગ્રાહકોના જોવાના પેટર્નને પ્રક્રિયા કરે છે. તેણે એક પણ એપિસોડ ફિલ્માંકન કરતાં પહેલાં અનુમાન લગાવ્યું હતું કે હાઉસ ઓફ કાર્ડ્સ સફળ થશે. પરંતુ માનવો - સ્ટુડિયોના અધિકારીઓ - વાસ્તવિક નિર્ણય લીધો હતો $100 મિલિયનના ઉત્પાદનને હરી ઝેન્ડી આપવાનો. એઆઈએ પેટર્ન શોધના જ્ઞાનને સંભાળ્યું; માનવોએ જવાબદારી સંભાળી.

નેટફ્લિક્સ પર જોવામાં આવતા 80% કંટેન્ટ રિકમેન્ડેશન એન્જિનથી આવે છે. પરંતુ નેટફ્લિક્સ એ વાતને ટેકો આપે છે કે "મશીનો, માનવો નહીં, અંતિમ નિર્ણાયકો છે."

2025-2030 અપનાવવાની લહેર

નિર્ણય બુદ્ધિમત્તા શાસ્ત્રીય સિદ્ધાંતથી વ્યવસાયિક અપનાવવા સૌથી વધુ શીખવામાં આવી છે:

2025 ગાર્ટનર એઆઈ હાઇપ સાયકલ નિર્ણય બુદ્ધિમત્તાને એક પરિવર્તનકારી તકનીક તરીકે ઓળખે છે — તેને 5-20% હાલની અપનાવવા સાથે 2-5 વર્ષમાં મુખ્યપ્રવાહની પક્વતાની અપેક્ષા રાખે છે. હાલ ડીઆઈ ક્ષમતા બનાવનારી સંસ્થાઓને તે સમયે સુધારેલી પ્રક્રિયાઓ અને સંસ્થાકીય નિપુણતા મળી શકશે.

સહયોગી નિર્ણય લેવાથી નિર્ણય બુદ્ધિમત્તા સુધી

જો તમે આપણા સહયોગી નિર્ણય લેવાનું માર્ગદર્શિકા વાંચી હોય, તો તમને ડીઆઈ પર આધારિત પાયો ઓળખાશે:

તેને આ રીતે વિચારો: સીડીએમ માનવ-કેન્દ્રિત પાયો છે; ડીઆઈ તે પાયા પર બાંધવામાં આવેલું તકનીકી-વધારાયેલું સિસ્ટમ છે. તમે સારી ડીઆઈ વિના સહયોગી નિર્ણય સિદ્ધાંતો વિના ઇચ્છા કરી શકતા નથી. પરંતુ તમે ડીઆઈની ક્ષમતાઓને ઉમેરીને સીડીએમની શક્તિને નાટકીય રીતે વિસ્તારી શકો છો.

આર્ગ્યુમેન્ટ્રી કેવી રીતે નિર્ણય બુદ્ધિમત્તાને અમલમાં મૂકે છે

આર્ગ્યુમેન્ટ્રી વાસ્તવિક સંગઠનાત્મક નિર્ણય લેવા માટે નિર્ણય બુદ્ધિમત્તાના સિદ્ધાંતોનો ઉપયોગ કરે છે. નિર્ણયોને એકવારની ઘટના તરીકે માનવાના બદલે, પ્લેટફોર્મ એક નિરંતર શીખવાનું સિસ્ટમ બનાવે છે:

પરિણામ: દરેક નિર્ણય એક શીખવાનું તક બની જાય છે. ટીમો સંગઠનાત્મક સ્મૃતિ બાંધે છે. નવા સભ્યો માત્ર શું નક્કી કરવામાં આવ્યું હતું તેને સમજી શકે છે, પરંતુ શા માટે — અને કે તાર્કિકતા વાસ્તવિકતા સામે ટકી શકે છે કે નહીં.

સંપૂર્ણ માર્ગદર્શિકા

આ પોસ્ટ નિર્ણય બુદ્ધિમત્તાના મૂળભૂત ઘટકોને આવરી લે છે. સંપૂર્ણ ઊંડાણ - સંપૂર્ણ ફ્રેમવર્ક આર્કિટેક્ચર, અમલીકરણ પેટર્ન, કારણ-પરિણામી મોડલિંગ તકનીકો, એઆઈ એકીકરણ પેટર્ન, સંગઠનાત્મક અમલીકરણ, અને તમામ પાછળના સંશોધન માટે - આપણી નિર્ણાયક સંસાધન જુઓ: