जटिल काम बेहतर निर्णयों का हकदार है।

इसकी शुरुआत एयरोस्पेस में हुई।

IAG हमारे पास व्यापार के सबसे चुनौतीपूर्ण वातावरणों में से एक की समस्या लेकर आया: विमानन।

विमान, हवाई अड्डे, रूट, रखरखाव, मौसम, क्षमता, ईंधन, चालक दल, सुरक्षा और यात्री अनुभव—ये सभी एक-दूसरे के साथ परस्पर क्रिया करते हैं। एक निर्णय जो सिस्टम के एक हिस्से में अच्छा दिखता है, कहीं और जोखिम पैदा कर सकता है। एयरोस्पेस में जटिलता कोई अपवाद नहीं है। यह संचालन का वातावरण ही है।

मूल कार्यभार एयरोस्पेस उद्योग की जटिल और महत्वपूर्ण डिज़ाइन के लिए तैयार किया गया समाधान प्रस्तुत करना था। इस काम के लिए एक चैटबॉट से अधिक, एक डैशबोर्ड से अधिक और एक स्प्रेडशीट से अधिक की आवश्यकता थी। इसके लिए संभावित भविष्य का पता लगाने, ट्रेडऑफ़ को समझने, अनुशंसाओं के पीछे के तर्क को संरक्षित करने और निर्णयों को समन्वित कार्रवाई में बदलने का एक तरीका चाहिए था।

हमने उस दुनिया के लिए AeroGenie बनाया। फिर हमें एहसास हुआ कि यही पैटर्न हर उस जगह दिखाई देता है जहाँ उच्च-जोखिम वाले निर्णय लिए जाते हैं।

सप्लाई चेन को ऐसे झटकों का सामना करना पड़ता है जो उन्होंने पहले कभी नहीं देखे। फाइनेंस टीमों को बिखरे हुए डेटा के साथ अनिश्चितता में निर्णय लेना पड़ता है। सुरक्षा टीमों को शासन खोए बिना तेज़ी से आगे बढ़ना होता है। ग्राहक टीमों को यह तय करना होता है कि किन खातों में हस्तक्षेप की आवश्यकता है, क्या कार्रवाई करनी है, और क्यों। उद्योग बदलता है, लेकिन निर्णय की समस्या दोहराई जाती है।

सिमुलेशन क्यों मायने रखते हैं।

सिमुलेशन स्केलेबल रीज़निंग लेयर है। मशीन लर्निंग लक्षित परिशोधन लेयर है।

AeroGenie वैज्ञानिक-स्तर की रीज़निंग के लिए बनाया गया है: सिमुलेशन, ऑप्टिमाइज़ेशन, प्रायिकता, पूर्वानुमान, संख्यात्मक विश्लेषण और अनिश्चितता मॉडलिंग के लिए हज़ारों Mojo-त्वरित फ़ंक्शनों के साथ एक उच्च-प्रदर्शन गणितीय रनटाइम।

यह इसलिए मायने रखता है क्योंकि वास्तविक निर्णय अक्सर वैज्ञानिक समस्याओं की तरह व्यवहार करते हैं। टीमों को धारणाओं का परीक्षण करना, प्रयोग चलाना, परिणामों की तुलना करना, अनिश्चितता को मापना और यह समझाना होता है कि एक रास्ता दूसरे से बेहतर क्यों है। AeroGenie उस वैज्ञानिक पद्धति को एंटरप्राइज़ निर्णय-प्रक्रिया में लाता है।

मशीन लर्निंग शक्तिशाली है, लेकिन यह आमतौर पर एक विशिष्ट प्रश्न से शुरू होती है। आप किसी उपयोग-मामले के लिए एक मॉडल बनाते हैं, उपलब्ध डेटा पर उसे प्रशिक्षित करते हैं, उसे मान्य करते हैं, उसे ट्यून करते हैं और परिष्कृत करते हैं। यदि प्रश्न में महत्वपूर्ण बदलाव होता है, या यदि टीम तय करती है कि नई विशेषताएँ मायने रखती हैं, तो मॉडल को फिर से भरोसेमंद बनाने से पहले अक्सर उसे फिर से बनाना, फिर से प्रशिक्षित करना या फिर से मान्य करना पड़ता है।

इससे ML मूल्यवान बनती है, लेकिन असीमित रूप से लचीली नहीं। एक मॉडल विलंब जोखिम, चर्न, माँग, विफलता प्रायिकता या मूल्य संवेदनशीलता का पूर्वानुमान लगाने में बहुत अच्छा हो सकता है। लेकिन जब निर्णय-स्वामी कई अलग-अलग परिदृश्यों में कई अलग-अलग प्रश्न पूछने लगते हैं, तो मॉडल निर्णय की समस्या से अधिक संकीर्ण हो जाता है।

सिमुलेशन अलग तरीके से काम करता है। एक सिमुलेशन सिस्टम से ही शुरू होता है: वे नियम, बाधाएँ, यांत्रिकी, प्रवाह, प्रायिकताएँ, निर्भरताएँ और संचालन संबंधी धारणाएँ जो वर्णन करती हैं कि दुनिया कैसे काम करती है। एक बार सिमुलेशन बन जाने के बाद, टीमें उसी निर्णय-वातावरण से कई प्रश्न पूछ सकती हैं। वे इनपुट बदल सकती हैं, धारणाओं का स्ट्रेस-टेस्ट कर सकती हैं, एज केस का पता लगा सकती हैं और हर प्रश्न के लिए एक अलग ML मॉडल फिर से बनाए बिना रास्तों की तुलना कर सकती हैं।

यही कारण है कि सिमुलेशन निर्णय-कार्य के लिए इतनी अच्छी तरह स्केल करता है। यह उन भविष्य का पता लगा सकता है जो पहले कभी नहीं हुए, जिनमें नए हवाई अड्डे के डिज़ाइन, नई सप्लाई चेन के झटके, नई बाज़ार स्थितियाँ, नई संचालन नीतियाँ, या ऐसी घटनाओं के संयोजन शामिल हैं जिनका बहुत कम ऐतिहासिक उदाहरण है। ML मुख्य रूप से जो हुआ है उससे सीखती है। सिमुलेशन टीमों को इस बारे में तर्क करने देता है कि क्या हो सकता है।

आउटपुट भी अलग होता है। ML आमतौर पर एक पॉइंट प्रेडिक्शन देती है: मॉडल के अनुसार सबसे संभावित उत्तर। सिमुलेशन एक प्रायिकता वितरण उत्पन्न कर सकता है: निचली सीमा, ऊपरी सीमा, सबसे संभावित परिणाम, और बीच के परिणामों की संभावना। यह तब मायने रखता है जब नेताओं को केवल एक संख्या की आवश्यकता नहीं होती। उन्हें संभावित परिणामों की सीमा, नकारात्मक जोखिम, और परिणाम को प्रभावित करने वाली धारणाओं को समझने की आवश्यकता होती है।

AeroGenie दोनों को जोड़ता है। यह निर्णय-स्थान को संकीर्ण करने, मायने रखने वाले चरों की पहचान करने, अनिश्चितता को उजागर करने, और यह प्रकट करने के लिए सिमुलेशन का उपयोग करता है कि कौन-सी विशेषताएँ मॉडलिंग के योग्य हैं। जब ML उपयोगी होती है, तो AeroGenie बिना अनुमान के मॉडल बनाने और परिष्कृत करने में मदद करता है। सिमुलेशन मॉडल के आउटपुट के इर्द-गिर्द परिदृश्य संदर्भ, प्रायिकता सीमाएँ और व्याख्या-योग्य धारणाएँ जोड़कर ML को समृद्ध भी कर सकता है।

परिणाम सिमुलेशन के बजाय ML, या ML के बजाय सिमुलेशन नहीं है। यह एक शासित डिसीज़न इंजन है जहाँ सिमुलेशन रीज़निंग का वातावरण प्रदान करता है, ML लक्षित पूर्वानुमान-वृद्धि प्रदान करती है, एजेंट वर्कफ़्लो का समन्वय करते हैं, और लोग अंतिम निर्णय पर नियंत्रण बनाए रखते हैं।

कोई पॉइंट प्रेडिक्शन नहीं। एक प्रायिकता-जागरूक निर्णय।

कच्चे डेटा से शासित कार्रवाई तक।

AeroGenie एंटरप्राइज़ सिस्टम, डेटाबेस, फ़ाइलों और बाहरी संकेतों से जुड़ता है। यह बड़े और जटिल डेटासेट का विश्लेषण करता है, उच्च-मात्रा वाले व्हाट-इफ़ सिमुलेशन चलाता है, संरचित निर्णय योजनाएँ बनाता है, अनुमोदनों को रूट करता है, एक ऑडिट ट्रेल को संरक्षित करता है, और निर्णय को निष्पादित करने के लिए आवश्यक कार्रवाइयों का समन्वय करता है।

डेटा को पढ़ने के लिए बनाया गया, सरसरी तौर पर देखने के लिए नहीं।

चैटबॉट त्वरित उत्तरों के लिए उपयोगी होते हैं, लेकिन उच्च-जोखिम वाले निर्णयों के लिए अक्सर तेज़ प्रतिक्रिया से अधिक की आवश्यकता होती है। जब किसी सिस्टम को तुरंत उत्तर देना होता है, तो वह काम को संपीड़ित कर सकता है: कम पेज पढ़ना, कम टेबल जोड़ना, कम परिदृश्यों का निरीक्षण करना, या एक छोटे संदर्भ-विंडो पर निर्भर रहना। एजेंट वर्कफ़्लो को भी यही बाधा झेलनी पड़ सकती है, जिसमें टोकन, समय, टूल और संगणना के बजट होते हैं।

AeroGenie विपरीत पैटर्न के लिए बनाया गया है। Mojo और अन्य प्रदर्शन ऑप्टिमाइज़ेशन का उपयोग करते हुए, यह पूरे निर्णय-संदर्भ को गति से ग्रहण और विश्लेषण करने के लिए डिज़ाइन किया गया है: दस्तावेज़, टेबल, संरचित रिकॉर्ड, सिमुलेशन और संचालन संबंधी डेटा। लक्ष्य तेज़ी से उत्तर देने के लिए कोनों को काटना नहीं है। लक्ष्य डेटा को पढ़ना, तर्क को संरक्षित करना, और फिर भी मिलीसेकंड में आगे बढ़ना है।

यह प्लेटफ़ॉर्म निर्णय के स्वामी लोगों को प्रतिस्थापित करने के लिए डिज़ाइन नहीं किया गया है। यह उन्हें निर्णय लेने से पहले एक गहरा दृष्टिकोण देने के लिए डिज़ाइन किया गया है। यह विकल्पों, ट्रेडऑफ़, जोखिमों, धारणाओं और अनुशंसित रास्तों को सामने लाता है, फिर जैसे-जैसे निर्णय विश्लेषण से कार्रवाई की ओर बढ़ता है, संगठन को संरेखित रखता है।

यह अंतर मायने रखता है। एक डैशबोर्ड टीम को बताता है कि क्या हुआ। एक मॉडल पूर्वानुमान लगाता है कि क्या हो सकता है। AeroGenie टीम को यह तय करने में मदद करता है कि आगे क्या करना है।

व्याख्या-योग्यता एक विशेषता है, कोई फ़ुटनोट नहीं।

महत्वपूर्ण निर्णयों के लिए भरोसे की आवश्यकता होती है। टीमों को यह जानने की आवश्यकता होती है कि कौन-सा डेटा उपयोग किया गया, कौन-सी धारणाएँ मायने रखती थीं, कौन-से परिदृश्यों का परीक्षण किया गया, किसने रास्ते को मंज़ूरी दी, और निष्पादन शुरू होने के बाद क्या बदला। AeroGenie फिर से चलाने योग्य निर्णय-इतिहास के इर्द-गिर्द बनाया गया है ताकि संगठन निर्णयों से सीख सके, बजाय उन्हें मीटिंग, स्प्रेडशीट और संदेशों में खो देने के।

गति केवल तभी मायने रखती है जब यह विवेक को संरक्षित करे।

ऑटोमेशन तब मूल्यवान होता है जब यह काम के उन हिस्सों से घर्षण हटाता है जो लोगों को धीमा करते हैं। यह तब खतरनाक होता है जब यह अनिश्चितता को छिपाता है या जवाबदेही को दरकिनार करता है। AeroGenie मनुष्य को लूप में रखता है, साथ ही उस मनुष्य को इलाके का कहीं बेहतर नक्शा देता है।

एंटरप्राइज़ निर्णय-प्रक्रिया।

वही निर्णय-वास्तुकला हर उस जगह लागू होती है जहाँ जटिलता, अनिश्चितता और जवाबदेही मिलते हैं।

सप्लाई चेन व्यवधान की प्रतिक्रिया में, AeroGenie आपूर्तिकर्ता, लॉजिस्टिक्स, इन्वेंट्री और माँग के डेटा को जोड़ सकता है, व्यवधान परिदृश्यों का सिमुलेशन कर सकता है, ट्रेडऑफ़ को माप सकता है, और प्रोक्योरमेंट, ऑपरेशंस, फाइनेंस, लॉजिस्टिक्स और ग्राहक टीमों के बीच निष्पादन का समन्वय कर सकता है।

प्राइसिंग रणनीति में, यह आंतरिक सिस्टम, बाहरी बाज़ार संकेतों, डेटाबेस और प्राइसिंग मॉडल को जोड़ सकता है, फिर राजस्व, मार्जिन, चर्न, ग्राहक भरोसे और नकारात्मक जोखिम के आधार पर प्राइसिंग रास्तों की तुलना कर सकता है।

साइबर सुरक्षा प्रतिक्रिया में, यह अलर्ट, लॉग, संकेत और घटना डेटा को ग्रहण कर सकता है, ब्लास्ट रेडियस का आकलन कर सकता है, भौतिक खतरों को प्राथमिकता दे सकता है, अनुमोदनों को रूट कर सकता है, और इंजीनियरिंग, लीगल, कम्युनिकेशंस और नेतृत्व के बीच उपचार का समन्वय कर सकता है।

फाइनेंस में, यह क्लोज़ त्वरण, राजस्व मान्यता निर्णयों, नकदी पूर्वानुमान, विचलन जाँच, ऑडिट तैयारी, कार्यशील पूँजी ऑप्टिमाइज़ेशन, पूँजी आवंटन और बोर्ड रिपोर्टिंग का समर्थन कर सकता है।

ग्राहक संचालन में, यह स्वास्थ्य संकेतों का विश्लेषण कर सकता है, चर्न और विस्तार परिदृश्यों का सिमुलेशन कर सकता है, जोखिम-समायोजित मूल्य के आधार पर खातों को प्राथमिकता दे सकता है, और स्पष्ट तर्क के साथ हस्तक्षेप योजनाएँ बना सकता है।

ये अलग-अलग उत्पाद नहीं हैं। ये एक ही सिस्टम की अभिव्यक्तियाँ हैं: साक्ष्य को ग्रहण करना, अनिश्चितता को मॉडल करना, रास्तों की तुलना करना, निर्णय का शासन करना, और काम को निष्पादित करना।

अभी क्यों।

संगठनों के पास पहले से कहीं अधिक डेटा है, लेकिन कठिन हिस्सा बदल गया है। अड़चन अब जानकारी तक पहुँच नहीं है। यह तय करना है कि जब सिस्टम जटिल हो, भविष्य अनिश्चित हो, और गलत होने की कीमत वास्तविक हो, तब जानकारी के साथ क्या किया जाए।

जेनेरिक AI सारांश दे सकता है, ड्राफ़्ट बना सकता है, और उत्तर दे सकता है। बिज़नेस इंटेलिजेंस मेट्रिक्स प्रदर्शित कर सकती है। स्प्रेडशीट धारणाओं के एक संकीर्ण सेट को मॉडल कर सकती हैं। लेकिन महत्वपूर्ण काम के लिए ऐसी किसी चीज़ की आवश्यकता है जो निर्णय की कड़ी खोए बिना इन सभी तरीकों के बीच आगे बढ़ सके।

AeroGenie उसी क्षण के लिए मौजूद है। वह क्षण जब किसी टीम के पास अभिभूत होने के लिए पर्याप्त डेटा हो, सतर्क रहने के लिए पर्याप्त जोखिम हो, कार्य करने के लिए पर्याप्त तात्कालिकता हो, और अनुशंसा के पीछे के गणित की आवश्यकता महसूस करने के लिए पर्याप्त जवाबदेही हो।