એજેન્ટિક યુગમાં AI રોકાણોનું સંચાલન કેવી રીતે કરવું

OpenAI નું લક્ષ્ય સમય જતાં AIને વધુ સુલભ, સક્ષમ અને કિફાયતી બનાવવાનું છે. GPT‑4 થી GPT‑5.4 સુધી, 1,000,000 ટોકન દીઠ કિંમતમાં 97% ઘટાડો થયો. GPT‑5.6⁠ તે પ્રગતિને આગળ ધપાવે છે, આર્ટિફિશિયલ એનાલિસિસ કોડિંગ એજન્ટ ઇન્ડેક્સમાં 54% ઓછા આઉટપુટ ટોકન અને પ્રતિ કાર્ય 57% ઓછા સમય સાથે વધુ સારું પ્રદર્શન પ્રદાન કરે છે.

પરંતુ માત્ર ટોકન કિંમતથી AI મૂલ્ય ઊભું કરી રહ્યું છે કે નહીં તે દેખાતું નથી. લીડર્સે ડોલર દીઠ ઉપયોગી કામ પર ધ્યાન આપવું જોઈએ: પૂર્ણ થયેલા કાર્યો, બચેલો સમય, સુધરેલા નિર્ણયો અને સ્કેલ કરવા તૈયાર વર્કફ્લો.

જેમ જેમ ટીમો ચેટમાંથી લાંબા સમય સુધી ચાલતા કાર્યપ્રવાહો તરફ આગળ વધે છે, તેમ તેમ વ્યવસ્થાપકોને માંગ, ખર્ચ અને જોખમ અંગે વધુ સ્પષ્ટ દૃશ્યતા જોઈએ છે. 

વિશ્વાસ સાથે રોકાણ કરવાની પાંચ રીતો અહીં આપેલી છે.

એન્ટરપ્રાઇઝ લીડર્સને AI ના ઉપયોગ અંગેના સ્પષ્ટ ચિત્રની જરૂર છે: કોણ તેનો ઉપયોગ કરી રહ્યું છે, તેઓ કયા ઉત્પાદનો અથવા મોડલનો ઉપયોગ કરી રહ્યા છે, તેઓ કેટલી ક્ષમતાનો વપરાશ કરી રહ્યા છે અને તે વપરાશ કેવા પ્રકારના કાર્યમાં સહાય કરે છે. તે દૃશ્યતા વિના, વધતા જતા બિલને સમજવું મુશ્કેલ છે. તે બગાડ, ઉત્પાદક પ્રયોગો અથવા વ્યવસાય માટે અત્યંત મહત્વપૂર્ણ બનવા લાગેલો વર્કફ્લો દર્શાવી શકે છે.

ChatGPT Work⁠ લાંબા, બહુ-પગલાંવાળા કાર્યોને સપોર્ટ કરે છે, તેથી ઉપયોગ વર્કફ્લો પ્રમાણે બહુ બદલાઈ શકે છે. એડમિનને માત્ર વપરાયેલા ક્રેડિટ્સ નહીં, પણ તે ઉપયોગ પાછળનું કામ પણ દેખાવું જોઈએ. ChatGPT માં માંગનો શેર કરેલો દેખાવ હોવાથી આ શક્ય બને છે. ઉપયોગ એનાલિટિક્સ અને ખર્ચ નિયંત્રણો⁠ ના અપડેટ્સ એડમિન કન્સોલ⁠(નવી વિન્ડોમાં ખૂલે છે) માં એડમિનને વપરાશકર્તા, ઉત્પાદન અને મોડલ પ્રમાણે અપનાવ, ક્રેડિટ્સનો ઉપયોગ અને ખર્ચ જોવા; સમય સાથેના ટ્રેન્ડ ટ્રૅક કરવા; ઊભરતી પેટર્ન ઓળખવા; અને ઉપયોગ વ્યાપક અપનાવ, પાવર-યુઝર વર્કફ્લો કે વધુ રોકાણને પાત્ર હોઈ શકે તેવી પુનરાવર્તિત બિઝનેસ પ્રક્રિયા દર્શાવે છે કે નહીં તે સમજવામાં મદદ કરે છે.

વિવિધ સ્તરો પરની આંતરદૃષ્ટિઓ રોકાણ અને સક્ષમતા સંબંધિત નિર્ણયો લેવામાં મદદ કરે છે:

• વર્કસ્પેસ: શું અપનાવ અને ખર્ચ સાથે આગળ વધી રહ્યા છે?
• ટીમ અને વપરાશકર્તા: માંગ ક્યાં વધી રહી છે અને કોને વધુ સહાયની જરૂર પડી શકે છે?
• ઉત્પાદન અને મોડલ: વધુ ખર્ચાળ ઇન્ટેલિજન્સ ક્યાં ઉપયોગમાં લેવામાં આવી રહી છે અને શું તેની માંગ ટકી રહી છે?

એકસાથે, આ દૃશ્યો એડમિન્સને રોકાણ, માર્ગદર્શન અથવા મર્યાદાઓ નક્કી કરવા માટે મદદ કરે છે.

સૌથી નીચી ટોકન કિંમતથી હંમેશા સૌથી ઓછો કુલ ખર્ચ થતો નથી. ઓછા ખર્ચનું મોડલ નિષ્ફળ થઈ શકે છે, ફરી પ્રયાસ કરી શકે છે અથવા એવું કાર્ય બનાવી શકે છે જેને સુધારાની જરૂર હોય. વધુ સક્ષમ મોડલ પ્રતિ ટોકન વધુ ખર્ચાળ હોઈ શકે છે, પરંતુ ઓછા પ્રયાસો અને ઓછી સમીક્ષા સાથે સ્વીકાર્ય પરિણામ સુધી વધુ ઝડપથી પહોંચી શકે છે.

મોડલોએ જે કાર્ય કરવાનું હોય તેના આધારે તેમનું મૂલ્યાંકન કરો. વાસ્તવિક કાર્યોને પ્રતિબિંબિત કરતા મૂલ્યાંકનો⁠નો ઉપયોગ કરો, એજ કેસો સહિત અને પરીક્ષણ પહેલાં “પૂરતું સારું” શું છે તે વ્યાખ્યાયિત કરો. પછી તે ધોરણ સુધી પહોંચવાનો સંપૂર્ણ ખર્ચ માપો: મોડલ અને ટૂલનો ઉપયોગ, પ્રયાસો, પૂર્ણતા દર, લેટન્સી અને માનવીય સમીક્ષા.

પ્રાથમિકતા ધરાવતા વર્કફ્લો માટે, સ્વીકારેલા પરિણામ દીઠ ખર્ચ ટ્રૅક કરો. ગ્રાહક સપોર્ટમાં, તે ઉકેલાયેલ કેસ હોઈ શકે છે. એન્જિનિયરિંગમાં, તે સમીક્ષા પસાર કરતો ચકાસાયેલ ફેરફાર હોઈ શકે છે. તે ખર્ચને વ્યવસાયિક મૂલ્ય સાથે જોડો, જેમ કે બચેલો સમય, ઘટાડેલો ચક્ર સમય, સુરક્ષિત આવક, ટાળેલું જોખમ અથવા સર્જાયેલી ક્ષમતા.

મોડલની પસંદગી સમીકરણનો માત્ર એક ભાગ છે. સ્પષ્ટ સૂચનાઓ, કેન્દ્રિત ટૂલ્સ, પુનઃઉપયોગી સંદર્ભ અને સ્પષ્ટ રોકાવાની શરતો લૂપ્સ અને વેડફાયેલા ખર્ચને ઘટાડી શકે છે. લક્ષ્ય મોડલ અને વર્કફ્લોને કાર્ય સાથે મેળવાનું છે: ગુણવત્તા ધોરણ પૂરું થાય ત્યારે નાના અથવા ઝડપી મોડલ વાપરો અને જટિલ, અસ્પષ્ટ અથવા ઉચ્ચ-જોખમી કામ માટે અત્યાધુનિક ઇન્ટેલિજન્સ રાખો.

એન્ટરપ્રાઇઝ નેતાઓએ ગવર્નન્સને એવા સંચાલન સ્તર તરીકે માનવું જોઈએ જે નક્કી કરે છે કે કયા AI કાર્યો સ્કેલ થઈ શકે છે. વ્યવહારુ કામ એ નિર્ધારિત કરવાનું છે કે ChatGPT કયો સંદર્ભ વાપરી શકે, કયા ટૂલ્સ ઍક્સેસ કરી શકે, કઈ ક્રિયાઓ કરી શકે, વધુ જોખમવાળા પગલાં કોણ મંજૂર કરે અને ટીમોને મૂલ્યવાન વર્કફ્લો મળે ત્યારે વધારાની ક્ષમતા કેવી રીતે આપવામાં આવે.

જેમ જેમ ટીમો પ્લગઇન્સ, કનેક્ટર્સ, કમ્પ્યુટર ઉપયોગ અને એન્ટરપ્રાઇઝ સિસ્ટમ્સમાં કાર્ય કરી શકે તેવી અન્ય અત્યાધુનિક ક્ષમતાઓ અપનાવે છે, તેમ આ વધુ મહત્વપૂર્ણ બની જાય છે. ChatGPT કામ⁠ એડમિનને ઍક્સેસ, મંજૂર કરેલા સંદર્ભ, જોડાયેલા સાધનો, મંજૂર કરેલી ક્રિયાઓ, ઉપયોગ અને ખર્ચ માટે કેન્દ્રિત નિયંત્રણો આપે છે. વર્કસ્પેસ મૂળભૂત સેટિંગ્સ, જૂથ મર્યાદાઓ, વ્યક્તિગત છૂટછાટો અને પ્રોજેક્ટ સંદર્ભ સાથેની સમીક્ષા વિનંતીઓ જેવા ખર્ચ નિયંત્રણો નેતાઓને મર્યાદાઓ વ્યાપક રીતે વધાર્યા વિના હાઇ મૂલ્યવાન કામને સમર્થન આપવા મદદ કરે છે.

પ્રાથમિકતા ધરાવતા ડિપ્લોયમેન્ટ્સ માટે, OpenAI ના AI ડિપ્લોયમેન્ટ એન્જિનિયર્સ⁠(નવી વિન્ડોમાં ખૂલે છે) મૂલ્યાંકન, આર્કિટેક્ચર, લેટન્સી, વિશ્વસનીયતા અને વર્કફ્લો ડિઝાઇન પર ગ્રાહકો સાથે સીધા કામ કરી શકે છે જેથી પ્રદર્શન અને ખર્ચ કાર્યક્ષમતા બંનેમાં સુધારો થાય. ગોપનીયતા અને ગવર્નન્સ શરૂઆતથી જ તે કાર્યનો ભાગ હોવા જોઈએ: સંવેદનશીલ વર્કફ્લોને સ્કેલ થાય તે પહેલાં યોગ્ય ઍક્સેસ નિયંત્રણો, રિટેન્શન નીતિ, અનુપાલનની દૃશ્યતા અને મંજૂરીના માર્ગો જરૂરી છે. જ્યાં લાગુ પડે ત્યાં, OpenAI ના એન્ટરપ્રાઇઝ પ્રાઇવસી કન્ટ્રોલ્સ, જેમાં ઝીરો ડેટા રિટેન્શન⁠(નવી વિન્ડોમાં ખૂલે છે) વિકલ્પોનો સમાવેશ થાય છે, ગ્રાહકોને હાઇ-ટ્રસ્ટ એન્વાયર્નમેન્ટ્સમાં AI ડિપ્લોય કરવામાં મદદ કરી શકે છે.

એન્ટરપ્રાઇઝ લીડર્સે AI રોકાણોને પોર્ટફોલિયો તરીકે મેનેજ કરવા જોઈએ: રોજિંદી ઉત્પાદકતા માટે વ્યાપક ઍક્સેસ, પુનરાવર્તિત કામ સુધારતા કાર્ય-વિશિષ્ટ વર્કફ્લો અને કંપનીના માલિકીના સંદર્ભ પર આધારિત થોડાં વ્યૂહાત્મક દાવ. સૌથી મજબૂત ઉમેદવારો એવા કાર્યપ્રવાહો છે જે નોંધપાત્ર સ્તરે પુનરાવર્તિત થાય છે, જેમાં સ્પષ્ટ માલિકી હોય છે અને જેને ગુણવત્તા, જોખમ અને વ્યવસાયિક મૂલ્ય માટે માપી શકાય છે.

ભંડોળ પરિપક્વતાના સ્તરને અનુરૂપ મળવું જોઈએ. અન્વેષણમાં એ ચકાસવું જોઈએ કે મોડલ કાર્ય સંભાળી શકે છે કે નહીં; માન્યકરણમાં સ્પષ્ટ ગુણવત્તા માપદંડ સામે પ્રતિનિધિ કેસોનું પરીક્ષણ કરવું જોઈએ; પ્રોડક્શન ફંડિંગ દ્વારા સ્કેલ કરવા માટે જરૂરી ઇન્ટિગ્રેશન્સ, નિયંત્રણો, વિશ્વસનીયતા અને ફેરફાર વ્યવસ્થાપનને સમર્થન મળવું જોઈએ. ઓળખ, વિશ્વસનીય કનેક્ટર્સ, ક્યુરેટેડ જ્ઞાન, મૂલ્યાંકનો, અવલોકનક્ષમતા, મોડલ રાઉટિંગ અને ફરીથી ઉપયોગ કરી શકાય તેવી એજન્ટ પેટર્ન્સ જેવી શેર કરેલી ક્ષમતાઓ માટે કેન્દ્રિય રીતે ભંડોળ પૂરું પાડવું જોઈએ, જેથી દરેક નવો વર્કફ્લો લોન્ચ કરવો વધુ સરળ અને સુરક્ષિત બને.

એકવાર કોઈ વર્કફ્લો તેનું મૂલ્ય સાબિત કરે, પછી નેતાઓએ પ્રોડક્ટ, ક્ષમતા અને સપોર્ટ મોડલને તેની માંગને અનુરૂપ બનાવવું જોઈએ. ChatGPT કામ⁠ ચેટ, કોડિંગ, એજન્ટિક કાર્યપ્રવાહો, કનેક્ટર્સ, પ્લગઇન્સ, કમ્પ્યુટર ઉપયોગ અને સંચાલન માટે તૈયાર ક્ષમતાઓ પ્રદાન કરે છે. જ્યાં આ ઘટકો વિશિષ્ટ મૂલ્ય ઊભું કરે છે, ત્યાં કંપનીઓ માલિકી ડેટા, પરવાનગીઓ, મૂલ્યાંકનો અને વર્કફ્લો લોજિક સાથે તે પાયાને વિસ્તારી શકે છે.

પ્રોડક્શન વર્કલોડ માટે, વાણિજ્યિક માળખું ઉપયોગની પેટર્ન સાથે મેળ ખાતું હોવું જોઈએ: ઍક્સેસની નિશ્ચિતતાની જરૂર હોય તેવી પ્રોડક્શન સિસ્ટમ્સ અને એજન્ટ્સ માટે ગેરંટીકૃત ક્ષમતા⁠, અનુમાનિત હાઇ વોલ્યુમ API વર્કલોડ માટે વ્યાપકતાનું સ્તર⁠ અને અસિંક્રોનસ કાર્ય અથવા પુનરાવર્તિત સંદર્ભ માટે બેચ API⁠(નવી વિન્ડોમાં ખૂલે છે), ફ્લેક્સ પ્રોસેસિંગ⁠(નવી વિન્ડોમાં ખૂલે છે) અથવા પ્રોમ્પ્ટ કૅશિંગ⁠.

વધુ મોટા વ્યૂહાત્મક અમલીકરણો માટે, OpenAI Frontier⁠ અને Deployment Company⁠(નવી વિન્ડોમાં ખૂલે છે) એન્ટરપ્રાઇઝને એન્ટરપ્રાઇઝ સિસ્ટમ્સમાં AI સહકર્મીઓ બનાવવામાં, અમલમાં મૂકવામાં અને મેનેજ કરવામાં મદદ કરી શકે છે. આ અભિગમ નેતાઓને યોગ્ય પ્રોડક્ટ, ક્ષમતા અને સપોર્ટ મોડલ સાથે સાબિત થયેલા કાર્યને સ્કેલ કરવાની સગવડ આપે છે, જેથી દરેક વર્કફ્લોને પોતાનું ઇન્ફ્રાસ્ટ્રક્ચર ફરીથી બનાવવું ન પડે.