2018 ರಲ್ಲಿ, ಗೂಗಲ್ ಅಸಾಧಾರಣ ಏನನ್ನಾದರು ಮಾಡಿತು: ಅವರು ಸಂಪೂರ್ಣವಾಗಿ ಹೊಸ ಉದ್ಯೋಗ ಶೀರ್ಷಿಕೆಯನ್ನು ರಚಿಸಿದರು. ಕ್ಯಾಸ್ಸಿ ಕೊಜಿರ್ಕೊವ್ ಕಂಪನಿಯ ಮೊದಲ ಚೀಫ್ ಡೆಸಿಷನ್ ಸೈಂಟಿಸ್ಟ್ — ಚೀಫ್ ಡೇಟಾ ಅಧಿಕಾರಿ, ವಿಶ್ಲೇಷಣೆಯ ಉಪಾಧ್ಯಕ್ಷ ಅಲ್ಲ, ಆದರೆ ಸಂಸ್ಥೆಯು ಉತ್ತಮ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುವ ವ್ಯಕ್ತಿಯ ಸಂಪೂರ್ಣ ಉದ್ಯೋಗವಾಗಿದೆ.
ಏಕೆ? ಏಕೆಂದರೆ ಗೂಗಲ್ ಏನನ್ನು ಬಹುತೇಕ ಸಂಸ್ಥೆಗಳು ಇನ್ನೂ ಅರಿತುಕೊಂಡಿಲ್ಲ: ಡೇಟಾ ಇರುವುದು ಡೇಟಾವನ್ನು ಚೆನ್ನಾಗಿ ಬಳಸುವುದರಿಂದ ಭಿನ್ನವಾಗಿದೆ. ಅವರು ಪೆಟಾಬೈಟ್ಗಳಷ್ಟು ಮಾಹಿತಿ, ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳ ಸೈನ್ಯ ಮತ್ತು ವರ್ಲ್ಡ್-ಕ್ಲಾಸ್ ML ಮೂಲಸೌಕರ್ಯವನ್ನು ಹೊಂದಿದ್ದರು. ಆದರೆ ಅವರು ಅದೇ ನಮೂನೆಯನ್ನು ನೋಡುತ್ತಲೇ ಇದ್ದರು: ಯಾರು ಕ್ರಿಯೆ ತೆಗೆದುಕೊಳ್ಳದ ಪ್ರತಿಭಾವಂತ ವಿಶ್ಲೇಷಣೆ, ನಡವಳಿಕೆಯನ್ನು ಬದಲಾಯಿಸದ ಡ್ಯಾಶ್ಬೋರ್ಡ್ಗಳು, AI ಮಾದರಿಗಳು ಮೇಲ್ನೋಟಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತವೆ ಆದರೆ ಪರಿಣಾಮವನ್ನು ಉಂಟುಮಾಡುವುದಿಲ್ಲ.
"ನಿರ್ಧಾರ ಬುದ್ಧಿವಂತಿಕೆ ಎಂಬುದು ಯಾವುದೇ ಸ್ಥಳದಲ್ಲಿ ಮಾಹಿತಿಯನ್ನು ಉತ್ತಮ ಕ್ರಿಯೆಯನ್ನಾಗಿ ಪರಿವರ್ತಿಸುವ ವಿಭಾಗವಾಗಿದೆ."
ಇದು ಹಳೆಯ ಕಲ್ಪನೆಗಳಿಗೆ ಹೊಸ ಲೇಬಲ್ ಅಲ್ಲ. ನಿರ್ಧಾರ ಬುದ್ಧಿವಂತಿಕೆಯು ಸಂಸ್ಥೆಗಳು ಡೇಟಾ, ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ಕ್ರಿಯೆಯ ನಡುವಿನ ಸಂಬಂಧದ ಬಗ್ಗೆ ಯೋಚಿಸುವ ವಿಧಾನದಲ್ಲಿ ಮೂಲಭೂತ ಬದಲಾವಣೆಯನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ. ನೀವು ನಮ್ಮ ಸಹಕಾರದ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆಯ ಮಾರ್ಗದರ್ಶಿ ಅನ್ನು ಓದಿದ್ದರೆ, ನೀವು ಈ ಸಮೀಕರಣದ ಮಾನವ ಕೋಣೆಯನ್ನು ನೋಡಿದ್ದೀರಿ — ಕಾಂಡೋರ್ಸೆಟ್ನಿಂದ ಗೂಗಲ್ ಪ್ರಾಜೆಕ್ಟ್ ಅರಿಸ್ಟಾಟಲ್ನವರೆಗೆ 240 ವರ್ಷಗಳ ಸಂಶೋಧನೆಯು ಸರಿಯಾಗಿ ಸಂಗ್ರಹಿಸಲಾದ ವೈವಿಧ್ಯಮಯ ದೃಷ್ಟಿಕೋನಗಳು ವ್ಯಕ್ತಿಗತ ತೀರ್ಪುಗಳನ್ನು ಸೋಲಿಸುತ್ತವೆ.
ನಿರ್ಧಾರ ಬುದ್ಧಿವಂತಿಕೆಯು ಆ ಪರಿಶಿಷ್ಟವನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು AI, ಕಾರಣಾತ್ಮಕ ಮಾದರಿಗಳು ಮತ್ತು ವ್ಯವಸ್ಥಿತ ಫೀಡ್ಬ್ಯಾಕ್ ಲೂಪ್ಗಳನ್ನು ಸೇರಿಸಿದಾಗ ಏನಾಗುತ್ತದೆ?
ಅಂತರ್ದೃಷ್ಟಿ ಇಲ್ಲದ $3.1 ಟ್ರಿಲಿಯನ್ ಸಮಸ್ಯೆ
ಪ್ರತಿ ಕಾರ್ಯನಿರ್ವಾಹಕರಿಗೆ ಅಲರ್ಮ್ ಬೀಪ್ ಮಾಡಬೇಕಾದ ಸಂಖ್ಯೆ ಇದು: 65% ಸಂಸ್ಥೆಗಳು ಇನ್ನೂ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಡೇಟಾವನ್ನು ಆಯ್ಕೆಯಾಗಿ ಬಳಸುತ್ತವೆ. ಅವರು ವ್ಯಾಪಾರ ಬುದ್ಧಿವಂತಿಕೆ ಡ್ಯಾಶ್ಬೋರ್ಡ್ಗಳನ್ನು ಹೊಂದಿದ್ದಾರೆ. ಅವರು ಡೇಟಾ ವಿಜ್ಞಾನ ತಂಡಗಳನ್ನು ಹೊಂದಿದ್ದಾರೆ. ಆದರೆ ಡೇಟಾ ನಡವಳಿಕೆಯನ್ನು ಬದಲಾಯಿಸುವುದಿಲ್ಲ. (ಗಾರ್ಟ್ನರ್, 2024).
ವಿಶ್ಲೇಷಣೆ-ಕ್ರಿಯೆಯ ಅಂತರ
- BI ನಿಮಗೆ ಹೇಳುತ್ತದೆ: "ಮೂರನೇ ತ್ರೈಮಾಸಿಕದಲ್ಲಿ ಮಾರಾಟವು 12% ಕುಸಿಯಿತು."
- ಡೇಟಾ ಸೈನ್ಸ್ ನಿಮಗೆ ಹೇಳುತ್ತದೆ: "ನಾಲ್ಕನೇ ತ್ರೈಮಾಸಿಕದಲ್ಲಿ ಮಾರಾಟವು ಮತ್ತೊಮ್ಮೆ 8% ಕುಸಿಯಬಹುದು."
- ಯಾವುದೂ ನಿಮಗೆ ಹೇಳುವುದಿಲ್ಲ: ಯಾವ ನಿರ್ದಿಷ್ಟ ಕ್ರಿಯೆಯನ್ನು ತೆಗೆದುಕೊಳ್ಳಬೇಕು, ಯಾವ ಫಲಿತಾಂಶವನ್ನು ನಿರೀಕ್ಷಿಸಬೇಕು ಅಥವಾ ಅದು ಕೆಲಸ ಮಾಡಿದೆಯೇ ಎಂದು ನೋಡಲು ಹೇಗೆ.
ಮ್ಯಾಕ್ಕಿನ್ಸೆ ಅಂದಾಜಿಸಿದ ಪ್ರಕಾರ ಈ ವಿಶ್ಲೇಷಣೆ-ಕ್ರಿಯೆಯ ಅಂತರವು ಡೇಟಾ ಹೂಡಿಕೆಗಳಿಂದ ಸಂಸ್ಥೆಗಳಿಗೆ $3.1 ಟ್ರಿಲಿಯನ್ ವಾರ್ಷಿಕ ಅಪ್ರಾಪ್ತ ಮೌಲ್ಯವನ್ನು ವಿಧಿಸುತ್ತದೆ.
ಇದು ನಿರ್ಧಾರ ಬುದ್ಧಿವಂತಿಕೆಯು ಪರಿಹರಿಸುವ ಸಮಸ್ಯೆ. ಹೆಚ್ಚುವರಿ ಡ್ಯಾಶ್ಬೋರ್ಡ್ಗಳನ್ನು ಅಥವಾ ಹೆಚ್ಚುವರಿ ML ಮಾದರಿಗಳನ್ನು ಸೇರಿಸುವುದರ ಮೂಲಕ ಅಲ್ಲ — ಆದರೆ ಮಾಹಿತಿಯಿಂದ ಕ್ರಿಯೆಗೆ ಫಲಿತಾಂಶದ ಅಳತೆಯವರೆಗೆ ಸಂಪೂರ್ಣ ಹರಿವನ್ನು ಮರುವಿನ್ಯಾಸಗೊಳಿಸುವ ಮೂಲಕ.
ಒಂದು ಸಂಕ್ಷಿಪ್ತ ಇತಿಹಾಸ: ನಿರ್ಧಾರ ಎಂಜಿನಿಯರಿಂಗ್ನಿಂದ ನಿರ್ಧಾರ ಬುದ್ಧಿವಂತಿಕೆಗೆ
ನಿರ್ಧಾರ ಬುದ್ಧಿವಂತಿಕೆಯ ಪರಿಕಲ್ಪನೆಯ ಬೇರುಗಳು 1950 ರ ದಶಕದವರೆಗೆ ಹಿಂದಿರುಗುತ್ತವೆ — ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ, ಕಾರ್ಯಾಚರಣೆ ಸಂಶೋಧನೆ ಮತ್ತು ಹೆರ್ಬರ್ಟ್ ಸೈಮನ್ನ ಮಿತಿಗೊಂಡ ತಾರ್ಕಿಕತೆಯ ಮೇಲಿನ ನೊಬೆಲ್ ಪ್ರಶಸ್ತಿ ವಿಜೇತ ಕೆಲಸದ ಅದೇ ಯುಗದಿಂದ. ಆದರೆ ಆಧುನಿಕ ವಿಭಾಗವು ಎರಡು ಸಮಾಂತರ ಟ್ರ್ಯಾಕ್ಗಳಿಂದ ಹೊರಬಂದಿತು:
ಶೈಕ್ಷಣಿಕ ಟ್ರ್ಯಾಕ್
ಡಾ. ಲೋರಿಯನ್ ಪ್ರಾಟ್ (ರುಟ್ಜರ್ಸ್ PhD, ಮಾಜಿ DARPA ಸಂಶೋಧಕ) 2010 ರಲ್ಲಿ "ನಿರ್ಧಾರ ಎಂಜಿನಿಯರಿಂಗ್" ಎಂಬ ಪದವನ್ನು ಪರಿಚಯಿಸಿದರು, 2012 ರಲ್ಲಿ "ನಿರ್ಧಾರ ಬುದ್ಧಿವಂತಿಕೆ" ಎಂದು ಮರುನಾಮಕರಣ ಮಾಡಿದರು. ಅವರ ಕೆಲಸವು ಯಂತ್ರ ಕಲಿಕೆ, ಕಾರಣಾತ್ಮಕ ತರ್ಕ ಮತ್ತು ಸಂಸ್ಥೆಯ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆಯನ್ನು ಒಂದು ಏಕೀಕೃತ ಎಂಜಿನಿಯರಿಂಗ್ ವಿಭಾಗವಾಗಿ ಸಂಶ್ಲೇಷಿಸಿತು.
"ನಿರ್ಧಾರ ಎಂಜಿನಿಯರಿಂಗ್" ಎಂಬ ಪದವು ಮಾರಾಟವಾಗಲಿಲ್ಲ. ನಾವು ಎಲ್ಲಾ ಸಾಮಗ್ರಿಗಳನ್ನು ಬದಲಾಯಿಸಿದೆವು ಮತ್ತು ಸ್ಥಾನವನ್ನು ಬದಲಾಯಿಸಿದೆವು."
ಉದ್ಯಮ ಟ್ರ್ಯಾಕ್
ಕ್ಯಾಸ್ಸಿ ಕೊಜಿರ್ಕೊವ್ (ಡ್ಯೂಕ್ PhD, ಅಂಕಿಅಂಶಜ್ಞ) 2018-2023 ರವರೆಗೆ ಗೂಗಲ್ನ ನಿರ್ಧಾರ ಬುದ್ಧಿವಂತಿಕೆ ಕಾರ್ಯವನ್ನು ನಿರ್ಮಿಸಿದರು. ಅವರು ಹಾಜರಾಗಿದ್ದ ಸಂಶೋಧನೆ / ML ಮತ್ತು ಕಾರ್ಯನಿರ್ವಾಹಕ ವ್ಯವಹಾರದ ನಡುವೆ ಸಾವಿರಾರು ಗೂಗಲರ್ಗಳಿಗೆ DI ವಿಧಾನಗಳಲ್ಲಿ ತರಬೇತಿ ನೀಡಿದರು. ಗೂಗಲ್ ಇದನ್ನು "ನಿರ್ಧಾರ ಬುದ್ಧಿವಂತಿಕೆ ಎಂಜಿನಿಯರಿಂಗ್" ಎಂದು ಕರೆಯುತ್ತದೆ."
"ಡೇಟಾ ವಿಜ್ಞಾನ ಪ್ಲಸ್ ಸಾಮಾಜಿಕ ಮತ್ತು ವ್ಯವಸ್ಥಾಪನಾ ವಿಜ್ಞಾನ."
ಸಂಯೋಜನೆಯು ಎರಡೂ ಟ್ರ್ಯಾಕ್ಗಳು ಅದೇ ಗೋಡೆಯನ್ನು ಹೊಡೆದಾಗ ಸಂಭವಿಸಿತು: ತಾಂತ್ರಿಕ ಸೂಕ್ಷ್ಮತೆ ಇಲ್ಲದ ನಿರ್ಧಾರ ಪ್ರಭಾವ. ಪ್ರಾಟ್ನ ಶೈಕ್ಷಣಿಕ ಕೆಲಸವು ಯಾಕೆ (ಕಾರಣಾತ್ಮಕ ತರ್ಕವನ್ನು ಕಳೆದುಕೊಂಡಿತು) ಎಂದು ತೋರಿಸಿತು; ಕೊಜಿರ್ಕೊವ್ನ ಉದ್ಯಮ ಕೆಲಸವು ಹೇಗೆ ದೊಡ್ಡ ಪ್ರಮಾಣದಲ್ಲಿ ಅದನ್ನು ಸರಿಪಡಿಸಲಾಗುತ್ತದೆ ಎಂದು ತೋರಿಸಿತು.
ವ್ಯಾಪಾರ ಬುದ್ಧಿವಂತಿಕೆ ವರ್ಸಸ್ ಡೇಟಾ ಸೈನ್ಸ್ ವರ್ಸಸ್ ನಿರ್ಧಾರ ಬುದ್ಧಿವಂತಿಕೆ
DI ಅನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಸ್ಪಷ್ಟವಾದ ಮಾರ್ಗವೆಂದರೆ ಪ್ರತಿಯೊಂದರ ಮೂಲಕ. ಮೂರು ವಿಭಾಗಗಳು ಹೇಗೆ ಭಿನ್ನವಾಗಿವೆ ಎಂಬುದು ಇಲ್ಲಿದೆ:
| ಅಂಶ | ವ್ಯಾಪಾರ ಗುಪ್ತಚರ್ಯೆ | ಮಾಹಿತಿ ವಿಜ್ಞಾನ | ನಿರ್ಧಾರ ಗುಪ್ತಚರ್ಯೆ |
|---|---|---|---|
| ಮುಖ್ಯ ಪ್ರಶ್ನೆ | "ಏನು ಸಂಭವಿಸಿತು?" | "ಏನು ಸಂಭವಿಸಲಿದೆ?" | "ನಾವು ಏನು ಮಾಡಬೇಕು?" |
| ವಿಶ್ಲೇಷಣದ ಪ್ರಕಾರ | ವರ್ಣನೀಯ | ಮುನ್ಸೂಚನೆ | ನಿರ್ದೇಶಕ + ಪ್ರತಿಕ್ರಿಯೆ |
| ಫಲಿತಾಂಶ | ವರದಿಗಳು, ಡ್ಯಾಶ್ಬೋರ್ಡ್ಗಳು | ಮಾದರಿಗಳು, ಮುನ್ಸೂಚನೆಗಳು | ನಿರ್ಧಾರಗಳು + ಪರಿಣಾಮಗಳು |
| ಕಾಲದ ದೃಷ್ಟಿಕೋನ | ಕಳೆದ/ಪ್ರಸ್ತುತ | ಭವಿಷ್ಯ | ಸಂಪೂರ್ಣ ಚಕ್ರ (ಕಳೆದ → ಕ್ರಮ → ಭವಿಷ್ಯ → ಕಲಿತದ್ದು) |
| ಮಾನವ ಪಾತ್ರ | ವರದಿಗಳನ್ನು ಅರ್ಥೈಸಿಕೊಳ್ಳಿ | ಮುನ್ಸೂಚನೆಗಳನ್ನು ಅರ್ಥೈಸಿಕೊಳ್ಳಿ | ಸ್ವಾಮ್ಯ ಜವಾಬ್ದಾರಿ, ಮೌಲ್ಯಗಳು, ಟ್ರೇಡ್ಆಫ್ಗಳು |
ಪ್ರಮುಖ ಒಳನೋಟವೆಂದರೆ DI BI ಅಥವಾ ಡೇಟಾ ಸೈನ್ಸ್ನ್ನು ಬದಲಾಯಿಸುವುದಿಲ್ಲ — ಅದನ್ನು ಪೂರ್ಣಗೊಳಿಸುತ್ತದೆ. BI ಐತಿಹಾಸಿಕ ಸಂದರ್ಭವನ್ನು ಒದಗಿಸುತ್ತದೆ. ಡೇಟಾ ಸೈನ್ಸ್ ಮುನ್ಸೂಚನೆಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ. DI ನಿರ್ಧಾರ ತರ್ಕ, ಕ್ರಿಯೆಯ ಶಿಫಾರಸುಗಳು ಮತ್ತು ಒಳನೋಟ ಮತ್ತು ಪರಿಣಾಮದ ನಡುವಿನ ಅಂತರವನ್ನು ಮುಚ್ಚುವ ಫೀಡ್ಬ್ಯಾಕ್ ಲೂಪ್ ಅನ್ನು ಸೇರಿಸುತ್ತದೆ.
ನಿರ್ಧಾರ ಬುದ್ಧಿವಂತಿಕೆ ಫ್ರೇಮ್ವರ್ಕ್
ಅದರ ಕೇಂದ್ರದಲ್ಲಿ, DI ಸರಳವಾದ ಆದರೆ ಶಕ್ತಿಯುತವಾದ ಮಾದರಿಯ ಮೇಲೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ:
ಗమనిക്കുക
ಪ್ರಸ್ತುತ ಸ್ಥಿತಿಯ ಬಗ್ಗೆ ಮಾಹಿತಿಯನ್ನು ಸಂಗ್ರಹಿಸಿ
ರೂಪಿಸು
ಕಾರಣ-ಫಲ ಸಂಬಂಧಗಳನ್ನು ಗುರುತಿಸಿ
ನಿರ್ಧರಿಸು
ಅಂದಾಜು ಫಲಿತಾಂಶದೊಂದಿಗೆ ಸೂಕ್ತ ಕ್ರಮವನ್ನು ಆಯ್ಕೆ ಮಾಡಿ
ಕಲಿತುಕೊಳ್ಳಿ
ಫಲಿತಾಂಶವನ್ನು ಅಳೆಯಿರಿ, ಮಾದರಿಯನ್ನು ನವೀಕರಿಸಿ
ನಿರ್ಧಾರ ಬುದ್ಧಿವಂತಿಕೆ ಲೂಪ್: ಗಮನಿಸಿ → ಮಾದರಿ → ನಿರ್ಧಾರ → ಕಲಿಕೆ → (ಪುನರಾವರ್ತನೆ)
ಇದು ಮಿಲಿಟರಿ ತಂತ್ರದಿಂದ OODA ಲೂಪ್ (ಗಮನಿಸಿ-ಓರಿಯಂಟ್-ನಿರ್ಧಾರ-ಕ್ರಿಯೆ) ಗೆ ಮೇಲ್ಮೈಯಾಗಿ ಕಾಣಿಸಬಹುದು. ಆದರೆ ಒಂದು ಕ್ಲಿಷ್ಟವಾದ ವ್ಯತ್ಯಾಸವಿದೆ: ಕಲಿಕೆ ಹಂತ. OODA ವಾಸ್ತವಿಕ-ಸಮಯದ ಯುದ್ಧ ನಿರ್ಧಾರಗಳಿಗಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ, ಅಲ್ಲಿ ನೀವು ಫಲಿತಾಂಶಗಳನ್ನು ಅಳೆಯಲು ವಿರಾಮವನ್ನು ಹಾಕಲು ಸಾಧ್ಯವಿಲ್ಲ. DI ಸಂಸ್ಥೆಯ ನಿರ್ಧಾರಗಳಿಗಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ, ಅಲ್ಲಿ ನೀವು — ಮತ್ತು ಮಾಡಬೇಕು — ಫಲಿತಾಂಶಗಳಿಂದ ಸಕ್ರಿಯವಾಗಿ ಕಲಿಯಿರಿ.
ಕಾರಣಾತ್ಮಕ ನಿರ್ಧಾರ ರೇಖಾಚಿತ್ರಗಳು: ಕಾರಣ-ಪರಿಣಾಮ ನಕ್ಷೆಯನ್ನು ನೋಡುವುದು
ನಿರ್ಧಾರ ಬುದ್ಧಿವಂತಿಕೆಯ ಹೃದಯಭಾಗವೆಂದರೆ ಕಾರಣಾತ್ಮಕ ತರ್ಕ — ಏನು ಏನುಗಳೊಂದಿಗೆ ಸಂಬಂಧ ಹೊಂದಿದೆ ಎಂಬುದರ ಜೊತೆಗೆ ಏನು ನಿಜವಾಗಿ ಏನನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು. ಇದು ವ್ಯತ್ಯಾಸವಾಗಿದೆ:
ಸಂಬಂಧ-ಆಧಾರಿತ ವಿಶ್ಲೇಷಣೆ
"ಉತ್ಪನ್ನ A ಅನ್ನು ಖರೀದಿಸುವ ಗ್ರಾಹಕರು ಸಾಮಾನ್ಯವಾಗಿ ಉತ್ಪನ್ನ B ಅನ್ನು ಖರೀದಿಸುತ್ತಾರೆ."
ಸಮಸ್ಯೆ: ನಾವು B ಅನ್ನು ಉತ್ತೇಜಿಸಿದರೆ A ಮಾರಾಟವು ಹೆಚ್ಚಾಗುತ್ತದೆಯೇ?
ಕಾರಣಾತ್ಮಕ ನಿರ್ಧಾರ ರೇಖಾಚಿತ್ರ
"A ನ ಬೆಲೆ ಕಡಿತ → A ಮಾರಾಟವು ಹೆಚ್ಚಾಗುತ್ತದೆ → B ಮಾರಾಟವು ಹೆಚ್ಚಾಗುತ್ತದೆ (ಪೂರಕ ಬಳಕೆ)."
ಕ್ರಿಯಾಶೀಲ: ನಾವು ಲೀವರ್ (A ಬೆಲೆ) ಮತ್ತು ಕಾರ್ಯವಿಧಾನ (ಪೂರಕ ಪರಿಣಾಮ) ಅನ್ನು ತಿಳಿದಿದ್ದೇವೆ.
ಕಾರಣಾತ್ಮಕ ನಿರ್ಧಾರ ರೇಖಾಚಿತ್ರವು ಈ ಕಾರಣ-ಪರಿಣಾಮ ಸಂಬಂಧಗಳನ್ನು ದೃಶ್ಯಮಾನಗೊಳಿಸುತ್ತದೆ. ಇದು ತೋರಿಸುತ್ತದೆ:
- ಗುರಿಗಳು: ನಾವು ಸಾಧಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿರುವ ಫಲಿತಾಂಶಗಳು
- ಕಾರ್ಯಾಚರಣೆಗಳು: ನಾವು ಕೈಗೊಳ್ಳಬಹುದಾದ ಕ್ರಮಗಳು
- ಮಧ್ಯಂತರ ಹಂತಗಳು: ಕಾರ್ಯಾಚರಣೆ ಮತ್ತು ಗುರಿಯ ನಡುವಿನ ಪರಿಣಾಮಗಳ ಸರಣಿ
- ಬಾಹ್ಯ ಅಂಶಗಳು: ನಾವು ನಿಯಂತ್ರಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ ಆದರೆ ಲೆಕ್ಕಿಸಬೇಕಾದ ಅಂಶಗಳು
"ನಿರ್ಧಾರವನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಬದಲಿಗೆ ನಿರ್ಧಾರದ ಸುತ್ತಲಿನ ಡೇಟಾದ ಸುತ್ತ ಮಾಹಿತಿಯನ್ನು ವ್ಯವಸ್ಥೆಗೊಳಿಸುವುದು ಉತ್ತಮವಾಗಿದೆ."
ಎಲ್ಲಿ AI ಫಿಟ್ಸ್: ಆಗ್ಮೆಂಟೇಶನ್, ರಿಪ್ಲೇಸ್ಮೆಂಟ್ ಅಲ್ಲ
ಇದು ಡಿಸಿಷನ್ ಇಂಟೆಲಿಜೆನ್ಸ್ ಬಹುತೇಕವಾಗಿ ಎರಡೂ "AI ಎಲ್ಲವನ್ನು ಆಟೋಮೇಟ್ ಮಾಡುತ್ತದೆ" ಹೈಪ್ ಮತ್ತು "ಮಾನವರು ಯಾವಾಗಲೂ ನಿರ್ಧರಿಸಬೇಕು" ಸಾಂಪ್ರದಾಯಿಕತೆಯಿಂದ ಭಿನ್ನವಾಗಿದೆ. ಡಿಐ ಸ್ಥಾನ: AI ಮಾನವ ನಿರ್ಧಾರವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ; ಮಾನವರು ಜವಾಬ್ದಾರಿಯನ್ನು ಉಳಿಸಿಕೊಳ್ಳುತ್ತಾರೆ.
ಡಿಐನಲ್ಲಿ AI ಏನು ಚೆನ್ನಾಗಿ ಮಾಡುತ್ತದೆ
ಮಾಹಿತಿ ಸಂಶ್ಲೇಷಣೆ
ಮಾನವರಿಗೆ ಅಸಾಧ್ಯವಾದ ದೊಡ್ಡ ಪ್ರಮಾಣದ ದತ್ತಾಂಶವನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಿ. 10,000 ದಾಖಲೆಗಳನ್ನು ಸಂಬಂಧಿತ ಮಾಹಿತಿಯಾಗಿ ಸಾರಾಂಶ ಮಾಡಿ.
ಕ್ರಮಗಳ ಗುರುತಿಸುವಿಕೆ
ಹೆಚ್ಚಿನ ಆಯಾಮದ ದತ್ತಾಂಶದಲ್ಲಿ ಮಾನವರಿಗೆ ಕಾಣಿಸದ ಸಹಸಂಬಂಧಗಳು ಮತ್ತು ಅಸಾಮಾನ್ಯತೆಗಳನ್ನು ಹುಡುಕಿ.
ಫಲಿತಾಂಶ ಅನುಕರಣ
ಮಾನವ ಕೈಯಿಂದ ಮಾಡುವ ವಿಶ್ಲೇಷಣಕ್ಕಿಂತ ವೇಗವಾಗಿ ಮತ್ತು ಸಮಗ್ರವಾಗಿ "ಏನಾದರೂ ಸಂಭವಿಸಿದರೆ" ಎಂಬ ದೃಶ್ಯಾವಳಿಗಳನ್ನು ರೂಪಿಸಿ.
ಮಾನವರು AI ಮಾಡಲು ಸಾಧ್ಯವಿಲ್ಲ
ಮೌಲ್ಯಗಳು ಮತ್ತು ನೀತಿ
ಯಾವ ರೀತಿಯ ಹೊಂದಾಣಿಕೆಗಳನ್ನು ಸ್ವೀಕರಿಸಬಹುದು ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಿ. ವಿವಿಧ ಮಧ್ಯಸ್ಥಗಾರರ ಆಸಕ್ತಿಗಳ ನಡುವೆ ಸಮತೋಲನವನ್ನು ಕಾಪಾಡಿ.
ಪರಿಸ್ಥಿತಿ ಮತ್ತು ವಿವೇಚನೆ
ಸಂಸ್ಥೆಯ ಜ್ಞಾನ, ಸಂಬಂಧದ ಅರಿವು ಮತ್ತು ಪರಿಸ್ಥಿತಿಗೆ ಅನುಗುಣವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿ.
ಜವಾಬ್ದಾರಿ
ನಿಮ್ಮ ನಿರ್ಧಾರಕ್ಕೆ ನೀವು ಜವಾಬ್ದಾರರಾಗಿರಿ. ನಿಯಂತ್ರಕರು ಮತ್ತು ಮಧ್ಯಸ್ಥಗಾರರು ಬಯಸುವಂತೆ, ಮಾನವೀಯ ಅಂಶವನ್ನು ಒಳಗೊಂಡಿರುವ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಭಾಗವಹಿಸಿ.
ನೆಟ್ಫ್ಲಿಕ್ಸ್ ಒಂದು ಉತ್ತಮ ಉದಾಹರಣೆಯಾಗಿದೆ. ಅವರ ಶಿಫಾರಸು ಎಂಜಿನ್ (AI) 300 ಮಿಲಿಯನ್ ಗ್ರಾಹಕರ ವೀಕ್ಷಣಾ ಪಾಟರ್ನ್ಗಳನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುತ್ತದೆ. ಅದು ಒಂದು ಏಪಿಸೋಡ್ ಚಿತ್ರೀಕರಿಸುವ ಮೊದಲು ಹೌಸ್ ಆಫ್ ಕಾರ್ಡ್ಸ್ ಯಶಸ್ವಿಯಾಗುತ್ತದೆ ಎಂದು ಊಹಿಸಿತು. ಆದರೆ ಮಾನವರು — ಸ್ಟುಡಿಯೋ ಕಾರ್ಯನಿರ್ವಾಹಕರು — $100 ಮಿಲಿಯನ್ ನಿರ್ಮಾಣವನ್ನು ಹಸಿರು ಗುರುತಿಸಲು ನಿಜವಾದ ನಿರ್ಧಾರವನ್ನು ಮಾಡಿದರು. AI ಪ್ಯಾಟರ್ನ್ ಪತ್ತೆಯ ಜ್ಞಾನದ ಹೊರೆಯನ್ನು ನಿರ್ವಹಿಸಿತು; ಮಾನವರು ಜವಾಬ್ದಾರಿಯನ್ನು ನಿರ್ವಹಿಸಿದರು.
ನೆಟ್ಫ್ಲಿಕ್ಸ್ನಲ್ಲಿ ವೀಕ್ಷಿಸಲಾದ 80% ವಿಷಯವು ಶಿಫಾರಸು ಎಂಜಿನ್ನಿಂದ ಬರುತ್ತದೆ. ಆದರೆ ನೆಟ್ಫ್ಲಿಕ್ಸ್ ಹೇಳುತ್ತದೆ "ಮಾನವರು, ಯಂತ್ರಗಳಲ್ಲಿ, ಅಂತಿಮ ನಿರ್ಧಾರಕರು".
2025-2030 ದತ್ತಿ ತರಂಗ
ನಿರ್ಧಾರ ಬುದ್ಧಿವಂತಿಕೆಯು ವಿದ್ವತ್ಪೂರ್ಣ ಸಿದ್ಧಾಂತದಿಂದ ಉದ್ಯಮ ದತ್ತಿಗೆ ಹೆಚ್ಚಿನ ಶಿಸ್ತುಗಳಿಗಿಂತ ವೇಗವಾಗಿ ಚಲಿಸಿದೆ:
ಪ್ರಸ್ತುತ ಸ್ಥಿತಿ (ಗಾರ್ಟ್ನರ್, 2025)
- 33%ರಷ್ಟು ಸಂಸ್ಥೆಗಳು ಡಿಐ ಅನ್ನು ಅಳವಡಿಸಿಕೊಂಡಿವೆ
- 17% ಮುಂದಿನ 6 ತಿಂಗಳೊಳಗೆ ಪರೀಕ್ಷಾರ್ಥವಾಗಿ ಬಳಸಲು ಒಪ್ಪಿಕೊಂಡಿವೆ
- 19% ಮುಂದಿನ 6-12 ತಿಂಗಳೊಳಗೆ ಅಳವಡಿಸಿಕೊಳ್ಳುವುದನ್ನು ಪರಿಗಣಿಸುತ್ತಿವೆ
- 25% ಮುಂದಿನ 12-24 ತಿಂಗಳವರೆಗೆ ಅಧ್ಯಯನ ಮಾಡುತ್ತಿವೆ
- ಕೇವಲ 7% ಮಾತ್ರ ಆಸಕ್ತಿ ಇಲ್ಲ ಎಂದು ಹೇಳಿದ್ದಾರೆ
ಮಾರುಕಟ್ಟೆ ಪ್ರೊಜೆಕ್ಷನ್
2025 ಗಾರ್ಟ್ನರ್ AI ಹೈಪ್ ಸೈಕಲ್ ನಿರ್ಧಾರ ಬುದ್ಧಿವಂತಿಕೆಯನ್ನು ಪರಿವರ್ತನೆಯ ತಂತ್ರಜ್ಞಾನ ಎಂದು ಗುರುತಿಸುತ್ತದೆ — ಇದನ್ನು 5-20% ಪ್ರಸ್ತುತ ದತ್ತಿಯೊಂದಿಗೆ ಇರಿಸುತ್ತದೆ. ಮುಖ್ಯವಾಹಿನಿ ಪಕ್ವತೆಯು 2-5 ವರ್ಷಗಳಲ್ಲಿ ನಿರೀಕ್ಷಿಸಲಾಗಿದೆ. ಈಗ DI ಸಾಮರ್ಥ್ಯವನ್ನು ನಿರ್ಮಿಸುವ ಸಂಸ್ಥೆಗಳು ಅದು ಕೇಂದ್ರವಾಗುವಾಗ ಸುಧಾರಿತ ಪ್ರಕ್ರಿಯೆಗಳು ಮತ್ತು ಸಂಸ್ಥೆಯ ತಜ್ಞತೆಯನ್ನು ಹೊಂದಿರುತ್ತವೆ.
ಸಹಯೋಗದ ನಿರ್ಧಾರ ತಯಾರಿಕೆಯಿಂದ ನಿರ್ಧಾರ ಬುದ್ಧಿವಂತಿಕೆಗೆ
ನೀವು ನಮ್ಮ ಸಹಯೋಗದ ನಿರ್ಧಾರ ತಯಾರಿಕೆ ಮಾರ್ಗದರ್ಶಿ ಅನ್ನು ಓದಿದ್ದರೆ, ನೀವು DI ಮೇಲೆ ನಿರ್ಮಿಸುವ ಪಾದವನ್ನು ಗುರುತಿಸುತ್ತೀರಿ:
ಏನು CDM ಸ್ಥಾಪಿಸಿತು
- ವಿವಿಧ ದೃಷ್ಟಿಕೋನಗಳು ವೈಯಕ್ತಿಕ ತೀರ್ಮಾನಕ್ಕಿಂತ ಉತ್ತಮ (ಕಾಂಡೋರ್ಸೆ, 1785)
- ಮನೋವೈಜ್ಞಾನಿಕ ಸುರಕ್ಷತೆಯು ದೃಷ್ಟಿಕೋನಗಳನ್ನು ಹಂಚಿಕೊಳ್ಳಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ (ಗೂಗಲ್ ಪ್ರಾಜೆಕ್ಟ್ ಅರಿಸ್ಟಾಟಲ್)
- ವಿಭಿನ್ನ-ಒಗ್ಗೂಡುವ ಹಂತಗಳು ಗುಂಪು ಪರಿಶೀಲನೆಗೆ ರಚನೆಯನ್ನು ನೀಡುತ್ತವೆ
- ರಚನಾತ್ಮಕ ಚೌಕಟ್ಟಿನೊಂದಿಗೆ ಬೌದ್ಧಿಕ ಪಕ್ಷಪಾತಗಳನ್ನು ತಗ್ಗಿಸಬಹುದು
ಏನು DI ಸೇರಿಸುತ್ತದೆ
- ಕೃತಕ ಬುದ್ಧಿಮತ್ತಾಧಾರಿತ ವರ್ಧನೆ: ಮಾನವರು ನಿರ್ವಹಿಸಲು ಅಸಾಧ್ಯವಾದ ಮಾಹಿತಿ ಪರಿಮಾಣವನ್ನು ನಿಭಾಯಿಸುವುದು
- ಕಾರಣ-ಪರಿಣಾಮ ಮಾದರಿ: "ಏನಾದರೂ ಆದರೆ" ವಿಶ್ಲೇಷಣೆಗಾಗಿ ಕಾರಣ-ಪರಿಣಾಮ ಸಂಬಂಧಗಳನ್ನು ಗುರುತಿಸುವುದು
- ಪ್ರತಿಕ್ರಿಯೆ ಚಕ್ರಗಳು: ನಿರ್ಧಾರಗಳ ಫಲಿತಾಂಶಗಳ ವ್ಯವಸ್ಥಿತ ಅಳತೆ
- ನಿರ್ಧಾರ ಸ್ವಯಂಚಾಲನ: ದೈನಂದಿನ ನಿರ್ಧಾರಗಳನ್ನು ಮಾನವ ಮೇಲ್ವಿಚಾರಣೆಯೊಂದಿಗೆ ಕೃತಕ ಬುದ್ಧಿಮತ್ತಾಧಾರಿತ ತಂತ್ರಜ್ಞಾನದ ಮೂಲಕ ನಿಭಾಯಿಸುವುದು
ಇದನ್ನು ಹೀಗೆ ಯೋಚಿಸಿ: CDM ಮಾನವ-ಕೇಂದ್ರಿತ ಪಾದವಾಗಿದೆ; DI ಆ ಪಾದದ ಮೇಲೆ ನಿರ್ಮಿಸಲಾದ ತಂತ್ರಜ್ಞಾನ-ವರ್ಧಿತ ವ್ಯವಸ್ಥೆಯಾಗಿದೆ. ನೀವು ಸಹಯೋಗದ ನಿರ್ಧಾರ ಸೂತ್ರಗಳಿಲ್ಲದೆ ಉತ್ತಮ DI ಅನ್ನು ಹೊಂದಿರಲು ಸಾಧ್ಯವಿಲ್ಲ. ಆದರೆ ನೀವು DI ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಸೇರಿಸುವ ಮೂಲಕ CDM ಅನ್ನು ಗಮನಾರ್ಹವಾಗಿ ವಿಸ್ತರಿಸಬಹುದು.
ಆರ್ಗ್ಯುಮೆಂಟ್ರೀ ನಿರ್ಧಾರ ಬುದ್ಧಿವಂತಿಕೆಯನ್ನು ಅನುಷ್ಠಾನಗೊಳಿಸುತ್ತದೆ
ಆರ್ಗ್ಯುಮೆಂಟ್ರೀ ವಾಸ್ತವ ಸಂಸ್ಥೆಯ ನಿರ್ಧಾರ-ತಯಾರಿಕೆಗೆ ನಿರ್ಧಾರ ಬುದ್ಧಿವಂತಿಕೆಯ ಸೂತ್ರಗಳನ್ನು ಅನ್ವಯಿಸುತ್ತದೆ. ನಿರ್ಧಾರಗಳನ್ನು ಒಮ್ಮೆಯ ಘಟನೆಗಳಾಗಿ ಪರಿಗಣಿಸುವ ಬದಲು, ಪ್ಲಾಟ್ಫಾರ್ಮ್ ಒಂದು ನಿರಂತರ ಕಲಿಕಾ ವ್ಯವಸ್ಥೆಯನ್ನು ರಚಿಸುತ್ತದೆ:
ಪರಿಣಾಮ: ಪ್ರತಿ ನಿರ್ಧಾರವು ಕಲಿಕಾ ಅವಕಾಶವಾಗುತ್ತದೆ. ತಂಡಗಳು ಸಂಸ್ಥೆಯ ಮೆಮೊರಿಯನ್ನು ನಿರ್ಮಿಸುತ್ತವೆ. ಹೊಸ ಸದಸ್ಯರು ಕೇವಲ ಏನು ನಿರ್ಧಾರವಾಗಿದೆ ಎಂದು ಅರಿಯಬಹುದು, ಆದರೆ ಯಾಕೆ — ಮತ್ತು ಯುಕ್ತಿಯು ವಾಸ್ತವಿಕತೆಯ ವಿರುದ್ಧ ನಿಲ್ಲುತ್ತದೆಯೇ.
ಪೂರ್ಣ ಮಾರ್ಗದರ್ಶಿ
ಈ ಪೋಸ್ಟ್ ನಿರ್ಧಾರ ಬುದ್ಧಿವಂತಿಕೆಯ ಮೂಲಸೂತ್ರಗಳನ್ನು ಒಳಗೊಂಡಿದೆ. ಸಂಪೂರ್ಣ ಆಳವಾದ ಡೈವ್ — ಸಂಪೂರ್ಣ ಚೌಕಟ್ಟು ವಾಸ್ತುಶಿಲ್ಪವನ್ನು ಒಳಗೊಂಡಂತೆ, ಅನುಷ್ಠಾನ ಮಾದರಿಗಳು, ಕಾರಣಾತ್ಮಕ ರೇಖಾಚಿತ್ರದ ಟೆಂಪ್ಲೇಟ್ಗಳು ಮತ್ತು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ BI/DS ಮೂಲಸೌಕರ್ಯದೊಂದಿಗೆ ಏಕೀಕರಣ — ನಮ್ಮ ವಿಧಿವತ್ತಾದ ಸಂಪನ್ಮೂಲವನ್ನು ನೋಡಿ:
ನಿರ್ಧಾರ ಬುದ್ಧಿವಂತಿಕೆ ಏನು
ಪೂರ್ಣ ಉಲ್ಲೇಖ ಮಾರ್ಗದರ್ಶಿ
5,000+ ಪದಗಳು DI ಚೌಕಟ್ಟನ್ನು ಒಳಗೊಂಡಿವೆ: ಮೂಲಗಳು, ವಾಸ್ತುಶಿಲ್ಪವು, ಕಾರಣಾತ್ಮಕ ಮಾದರಿಗಳ ತಂತ್ರಗಳು, AI ಏಕೀಕರಣ ಮಾದರಿಗಳು, ಸಂಸ್ಥೆಯ ಅನುಷ್ಠಾನಗಳು ಮತ್ತು ಇದರ ಹಿಂದಿನ ಸಂಶೋಧನೆಯನ್ನು ಒಳಗೊಂಡಿದೆ.
ಪೂರ್ಣ ಮಾರ್ಗದರ್ಶಿಯನ್ನು ಓದಿ