బెంగళూరులో జరిగిన తన క్లౌడ్ మరియు AI ఇన్నోవేషన్ డే (Cloud and AI Innovation Day) లో మైక్రోసాఫ్ట్ ఏజెంట్-సెంట్రిక్ AI స్టాక్ను వెల్లడించింది. ఇందులో Microsoft IQ, Fabric IQ, ఒక ఆంటాలజీ లేయర్ (Ontology layer) మరియు Agent 365 గవర్నెన్స్ను పరిచయం చేసింది. ఈ చర్యతో దృష్టి కేవలం చాట్బాట్ల నుండి, కంపెనీ క్లౌడ్ సర్వీసులలో పనిచేసే స్వయంప్రతిపత్త "ఏజెంట్ల" (agents) వైపు మళ్లుతోంది. ఇది సంస్థలు AIని ఎలా నిర్మించాలి, ఎలా నడపాలి మరియు ఎలా నియంత్రించాలి అనే అంశాలపై మళ్లీ ఆలోచించేలా చేస్తోంది.
ఈ మార్పు ఇప్పుడు ఎందుకు ముఖ్యం
చాలా సంస్థలు ప్రూఫ్-ఆఫ్-కాన్సెప్ట్ (proof-of-concept) నుండి పూర్తి స్థాయి అమలు (full deployment) మధ్య ఆగిపోతున్నాయి. ఇక్కడ అడ్డంకి మోడల్స్ కాదు; ఏజెంట్ను నమ్మదగినదిగా మరియు నిబంధనలకు అనుగుణంగా ఉంచే గవర్నెన్స్, ఐడెంటిటీ మరియు అబ్జర్వబిలిటీ వంటి మౌలిక అంశాలు (plumbing). మైక్రోసాఫ్ట్ యొక్క కొత్త స్టాక్ ఈ మౌలిక అవసరాలను తీరుస్తుంది, ఇది ఏ డేటా ప్లాట్ఫామ్ మరియు ఏ లార్జ్-లాంగ్వేజ్ మోడల్ (LLM) పైనైనా పనిచేసే ఒక పునర్వినియోగపరచదగిన ఇంటెలిజెన్స్ లేయర్ను అందిస్తుంది.
మైక్రోసాఫ్ట్ పరిచయం చేసిన కీలక అంశాలు
- Microsoft IQ – ఇది కస్టమర్ టెనెంట్ (tenant) లో ఉండే ఒక ఇంటెలిజెన్స్ లేయర్, ఇది ప్రాంప్ట్లు, మెమరీ మరియు పాలసీలపై వారికి ప్రత్యక్ష నియంత్రణను అందిస్తుంది.
- Fabric IQ – ఇదే సామర్థ్యం మైక్రోసాఫ్ట్ యొక్క డేటా-ఫాబ్రిక్ (data-fabric) ఆఫరింగ్లో అంతర్భాగంగా ఉంటుంది, తద్వారా అనలిటిక్స్ మరియు AI ఒకే విధమైన సందర్భాన్ని (context) పంచుకుంటాయి.
- Ontology – ఇది వ్యాపార ప్రక్రియలు, ఎంటిటీలు మరియు సంబంధాల యొక్క లైవ్, మెషిన్-రీడబుల్ మోడల్. ఇది నియమాలను హార్డ్-కోడ్ చేయకుండానే, ఏజెంట్లు "ఎవరు ఏమి చేస్తారు" అనేది అర్థం చేసుకోవడానికి అనుమతిస్తుంది.
- Agent 365 – ఇది ప్రతి AI ఏజెంట్కు ఐడెంటిటీ, రోల్-బేస్డ్ యాక్సెస్ మరియు ఆడిట్ ట్రైల్స్ను జోడించే ఒక గవర్నెన్స్ ఫ్రేమ్వర్క్. దీనివల్ల ఏజెంట్ను HR లేదా సెక్యూరిటీ సిస్టమ్స్లోని ఉద్యోగిలా పరిగణించవచ్చు.
ఇవన్నీ కలిసి ఒక "చాట్బాట్"ను డేటాను సేకరించే, వర్క్ఫ్లోలను ప్రారంభించే మరియు సంస్థాగత పరిధిలో నిర్ణయాలు తీసుకునే ఒక "డిజిటల్ సహోద్యోగి"గా మారుస్తాయి.
నిపుణులు (practitioners) నేడు గ్రహించవలసిన అంశాలు
- ఏజెంట్ యొక్క జాబ్ డిస్క్రిప్షన్ను నిర్వచించండి – ప్రతి AI అసిస్టెంట్ను స్పష్టమైన నైపుణ్యాలు, సూచనలు మరియు ప్రత్యేక గుర్తింపు కలిగిన ఒక పాత్రగా పరిగణించండి. ఏజెంట్ తప్పుగా ప్రవర్తించినప్పుడు, కేవలం దానిని ప్రేరేపించిన ప్రాంప్ట్ను మాత్రమే కాకుండా, దాని నిర్వచించబడిన బాధ్యతలను కూడా తనిఖీ చేయండి.
- మోడల్ను మార్చుకోగలిగేలా (interchangeable) చేయండి – LLMను చుట్టూ ఉన్న ఇన్ఫ్రాస్ట్రక్చర్ నుండి వేరు చేయడం ద్వారా, ఒక కంపెనీ మొత్తం స్టాక్ను మళ్లీ నిర్మించకుండానే GPTని Claude, Llama లేదా ఏదైనా భవిష్యత్తు మోడల్తో మార్చుకోవచ్చు. పెట్టుబడి మోడల్లో కాకుండా ఆర్కెస్ట్రేషన్ లేయర్లో ఉంటుంది.
- పాత వాటిని తొలగించకండి, వాటికి అనుసంధానించండి (Wrap, don’t rip) – పాత (Legacy) సిస్టమ్లను అడాప్టర్ల ద్వారా AIకి అనుసంధానించవచ్చు. కోటక్ మహీంద్రా తన ప్రస్తుత టెలిఫోనీ సెటప్పై Azure Voice Liveని లేయర్గా ఉపయోగించి దీనిని నిరూపించింది, అంటే పూర్తి మార్పు అవసరం లేదని నిరూపించింది.
- ట్యూనింగ్ను నిరంతర ప్రక్రియగా పరిగణించండి – ఫైన్-ట్యూనింగ్ (Fine-tuning) కోసం డేటాను సిద్ధం చేయడం, శిక్షణ ఇవ్వడం, మూల్యాంకనం చేయడం మరియు పనితీరును పర్యవేక్షించే ఒక లూప్ అవసరం. ఎవాల్యుయేషన్ పైప్లైన్ లేకపోతే, ఏ ట్యూనింగ్ ప్రయత్నం కూడా ఫలితాన్ని ఇవ్వదు.
- శుభ్రమైన డేటాతో ప్రారంభించండి – ఒక భాగస్వామి చెప్పిన దాని ప్రకారం, వారి నివేదికలలో పావు వంతు కూడా ఎప్పుడూ ఉపయోగించబడలేదు. గందరగోళంగా ఉన్న డేటాను ఏజెంట్కు అందించడం అంటే ఆ గందరగోళాన్ని ఆటోమేట్ చేయడమే. భారీ స్థాయిలో AI అమలు కంటే ముందు డేటా-క్వాలిటీ కార్యక్రమాలు మరియు రిపోర్ట్ రాషనలైజేషన్ (report rationalization) జరగాలి.
ఎంటర్ప్రైజ్ స్టాక్ కోసం కొన్ని వాస్తవిక ఆలోచనలు
- AIకి సంబంధించిన ఖర్చులు, లాటెన్సీ (latency) మరియు పైప్లైన్ల ఆరోగ్యాన్ని ట్రాక్ చేసే ఒక ఏకీకృత అబ్జర్వబిలిటీ డాష్బోర్డ్ను నిర్మించండి.
- అంతర్గత డేటా వేర్హౌస్లను ఏజెంట్లకు అందుబాటులోకి తెచ్చేందుకు MCP ప్రోటోకాల్లను ఉపయోగించండి, తద్వారా డేటా కదలిక సురక్షితంగా మరియు ఆడిట్ చేయదగినదిగా ఉంటుంది.
- ఖర్చు-నిర్వహణ ప్రశ్నలను సహజ భాషలోకి అనువదించే సెమాంటిక్ మోడల్లను సృష్టించండి. దీనివల్ల ఫైనాన్స్ టీమ్లు "గత త్రైమాసికంలో మన క్లౌడ్ ఖర్చు ఎంత?" అని అడిగితే వెంటనే సమాధానం పొందవచ్చు.
- కోడ్ రివ్యూలను ఆటోమేట్ చేయడానికి డెవలప్మెంట్ టీమ్లలో GitHub Copilotను పైలట్ ప్రాజెక్ట్గా ప్రారంభించండి, తద్వారా వేగం పెరగడం మరియు లోపాలు తగ్గడాన్ని కొలవవచ్చు.