பெங்களூருவில் நடைபெற்ற அதன் கிளவுட் மற்றும் AI கண்டுபிடிப்பு தினத்தில் (Cloud and AI Innovation Day), மைக்ரோசாப்ட் முகவர் சார்ந்த (agent-centric) AI தொகுப்பை (stack) அறிமுகப்படுத்தியது. இதில் Microsoft IQ, Fabric IQ, ஒரு Ontology அடுக்கு மற்றும் Agent 365 நிர்வாகம் (governance) ஆகியவற்றை அறிமுகப்படுத்தியுள்ளது. இந்த நகர்வு, தனித்திருக்கும் சாட்பாட்களிலிருந்து (standalone chatbots), நிறுவனத்தின் கிளவுட் சேவைகளில் இயங்கும் தன்னாட்சி பெற்ற "முகவர்கள்" (agents) நோக்கி கவனத்தைத் திருப்புகிறது. இது நிறுவனங்கள் எவ்வாறு AI-ஐ உருவாக்குகின்றன, இயக்குகின்றன மற்றும் கட்டுப்படுத்துகின்றன என்பதைப் பற்றி மறுபரிசீலனை செய்யத் தூண்டுகிறது.

இந்த மாற்றம் இப்போது ஏன் முக்கியமானது

பெரும்பாலான நிறுவனங்கள் ஒரு கருத்தியல் சோதனைக்கும் (proof-of-concept) முழுமையான பயன்பாட்டிற்கும் (full deployment) இடையில் தேங்கி நிற்கின்றன. இங்கு தடையானது மாடல்கள் அல்ல; மாறாக ஒரு முகவரை நம்பகமானதாகவும், விதிமுறைகளுக்கு உட்பட்டதாகவும் வைத்திருக்கும் அடிப்படை கட்டமைப்புதான் (plumbing)—அதாவது நிர்வாகம் (governance), அடையாளம் (identity) மற்றும் கண்காணிப்புத் தன்மை (observability). மைக்ரோசாப்டின் புதிய தொகுப்பு அந்த அடிப்படை கட்டமைப்பை நிறைவு செய்கிறது. இது எந்தவொரு தரவுத் தளத்திலும் (data platform) மற்றும் எந்தவொரு பெரிய மொழி மாதிரியிலும் (LLM) இயங்கக்கூடிய ஒரு மீண்டும் பயன்படுத்தக்கூடிய அறிவுசார் அடுக்கை (reusable intelligence layer) வழங்குகிறது.

Microsoft அறிமுகப்படுத்திய கட்டுமானக் கூறுகள்

  • Microsoft IQ – வாடிக்கையாளரின் டெனன்ட்டில் (tenant) இயங்கும் ஒரு அறிவுசார் அடுக்கு, இது அவர்களுக்கு ப்ராம்ப்ட்கள் (prompts), நினைவகம் (memory) மற்றும் கொள்கைகள் (policy) ஆகியவற்றின் மீது நேரடி கட்டுப்பாட்டை வழங்குகிறது.
  • Fabric IQ – Microsoft-ன் டேட்டா-ஃபேப்ரிக் (data-fabric) சேவையில் இணைக்கப்பட்டுள்ள அதே திறன், இதன் மூலம் பகுப்பாய்வு (analytics) மற்றும் AI ஆகியவை பொதுவான சூழலைப் (common context) பகிர்ந்து கொள்கின்றன.
  • Ontology – ஒரு வணிகத்தின் செயல்முறைகள், நிறுவனங்கள் மற்றும் உறவுகளைக் கொண்ட ஒரு நேரடி, இயந்திரம் வாசிக்கக்கூடிய மாதிரி (machine-readable model). இது விதிகளைத் தனியாகக் குறியீடாக்காமல் (hard-coding), "யார் என்ன செய்கிறார்கள்" என்பதை முகவர்கள் புரிந்துகொள்ள அனுமதிக்கிறது.
  • Agent 365 – ஒவ்வொரு AI முகவருக்கும் அடையாளம், பங்கு அடிப்படையிலான அணுகல் (role-based access) மற்றும் தணிக்கைப் பதிவுகளை (audit trails) இணைக்கும் ஒரு நிர்வாகக் கட்டமைப்பு. இது ஒரு முகவரை HR அல்லது பாதுகாப்பு அமைப்புகளில் உள்ள ஒரு ஊழியரைப் போலவே நடத்த அனுமதிக்கிறது.

இவை அனைத்தும் இணைந்து, ஒரு "சாட்பாட்டை" (chatbot) தரவுகளைத் திரட்டும், பணிப்பாய்வுகளைத் (workflows) தூண்டும் மற்றும் நிறுவனத்தின் எல்லைகளுக்குள் முடிவுகளை எடுக்கும் ஒரு "டிஜிட்டல் சக ஊழியராக" (digital coworker) மாற்றுகின்றன.

பயிற்சியாளர்கள் இன்று கற்றுக்கொள்ள வேண்டியவை

  1. முகவரின் பணி விளக்கத்தை வரையறுக்கவும் – ஒவ்வொரு AI உதவியாளரையும் தெளிவான திறன்கள், அறிவுறுத்தல்கள் மற்றும் தனித்துவமான அடையாளத்துடன் கூடிய ஒரு பணியாகக் கருதவும். ஒரு முகவர் தவறாகச் செயல்படும்போது, அதைத் தூண்டிய ப்ராம்ப்ட்டை மட்டும் பார்க்காமல், முதலில் அதன் வரையறுக்கப்பட்ட பொறுப்புகளைச் சரிபார்க்கவும்.
  2. மாதிரியை மாற்றக்கூடியதாக மாற்றவும் – LLM-ஐச் சுற்றியுள்ள உள்கட்டமைப்பிலிருந்து பிரிப்பதன் மூலம், ஒரு நிறுவனம் முழுத் தொகுப்பையும் (stack) மீண்டும் உருவாக்காமல் GPT-க்கு பதிலாக Claude, Llama அல்லது எதிர்கால மாதிரிகளை மாற்றிக்கொள்ள முடியும். முதலீடு மாடலில் அல்ல, ஒருங்கிணைப்பு அடுக்கில் (orchestration layer) இருக்கும்.
  3. பழையவற்றை மாற்றாமல் இணைக்கவும் (Wrap, don’t rip) – பழைய அமைப்புகளை (Legacy systems) அடாப்டர்கள் (adapters) மூலம் AI உடன் இணைக்க முடியும். கோடக் மஹிந்திரா (Kotak Mahindra) தனது தற்போதைய டெலிபோனி அமைப்பின் மேல் Azure Voice Live-ஐப் பயன்படுத்துவதன் மூலம் இதை நிரூபித்தது; முழுமையான மாற்றீடு தேவையில்லை என்பதை இது காட்டுகிறது.
  4. டியூனிங்கை (tuning) ஒரு தொடர்ச்சியான செயல்முறையாகக் கருதவும் – ஃபைன்-டியூனிங் (Fine-tuning) செய்வதற்கு தரவைத் தயாரித்தல், பயிற்சி அளித்தல், மதிப்பீடு செய்தல் மற்றும் செயல்திறனைக் கண்காணித்தல் ஆகியவற்றை உள்ளடக்கிய ஒரு சுழற்சி தேவை. மதிப்பீட்டுப் பாதை (evaluation pipeline) இல்லாமல் செய்யப்படும் எந்தவொரு டியூனிங் முயற்சியும் பயனற்றது.
  5. சுத்தமான தரவுகளுடன் தொடங்கவும் – ஒரு பங்கேற்பாளர், தங்களது அறிக்கைகளில் கால் பகுதி கூடப் பயன்படுத்தப்படவில்லை என்பதைத் தெரிவித்தார். குழப்பமான தரவுகளை ஒரு முகவருக்கு வழங்குவது அந்த குழப்பத்தையே தானியக்கமாக்கும் (automates the mess). பெரிய அளவிலான AI பயன்பாட்டிற்கு முன்னதாக, தரவுத் தரம் சார்ந்த முயற்சிகளும் மற்றும் அறிக்கைகளைச் சீரமைப்பதும் (report rationalization) மேற்கொள்ளப்பட வேண்டும்.

நிறுவனத் தொகுப்பிற்கான (enterprise stack) நடைமுறை யோசனைகள்

  • AI தொடர்பான செலவுகள், தாமதம் (latency) மற்றும் பணிப்பாதைகளின் (pipelines) ஆரோக்கியத்தைக் கண்காணிக்கும் ஒரு ஒருங்கிணைந்த கண்காணிப்புத் தளத்தை (observability dashboard) உருவாக்கவும்.
  • தரவுப் பரிமாற்றத்தைப் பாதுகாப்பாகவும் தணிக்கை செய்யக்கூடியதாகவும் வைத்திருக்க, உள் தரவுக் கிடங்குகளை (internal data warehouses) முகவர்களுக்குக் கொண்டு செல்ல MCP நெறிமுறைகளைப் (protocols) பயன்படுத்தவும்.
  • செலவு மேலாண்மை வினவல்களை (queries) இயல்பான மொழியாக மாற்றும் செமாண்டிக் மாதிரிகளை (semantic models) உருவாக்கவும். இது நிதித் குழுவினர் "கடந்த காலாண்டில் நமது கிளவுட் செலவு எவ்வளவு?" என்று கேட்டால் உடனடியாகப் பதிலைப் பெற உதவும்.
  • குறியீடு ஆய்வுகளைத் (code reviews) தானியக்கமாக்க, மேம்பாட்டுக் குழுக்களிடையே GitHub Copilot-ஐ முன்னோடித் திட்டமாக (pilot) செயல்படுத்தி, அதன் மூலம் வேகம் அதிகரிப்பதையும் குறைபாடுகள் குறைவதையும் அளவிடவும்.