CTO समिट 2026 मध्ये Oracle सह भागीदारीत Inc42 ने आयोजित केलेल्या गोलमेजमध्ये, तंत्रज्ञान नेत्यांनी AI साठी एंटरप्राइझ डेटा फाउंडेशन मोठ्या प्रमाणावर तयार करण्यावर चर्चा केली.
खंडित डेटा, गहाळ संदर्भ आणि अस्पष्ट प्रवेश परवानग्या एंटरप्राइझच्या एआय स्केल करण्याच्या क्षमतेला सुरुवातीच्या वापराच्या प्रकरणांपेक्षा मर्यादित करू शकतात.
चर्चेमध्ये वापर-केस-लेड आणि प्लॅटफॉर्म-फर्स्ट डेव्हलपमेंट, सिमेंटिक लेयर्स तयार करणे, एजंटचा प्रशासक प्रवेश आणि व्यवसाय मूल्याशी जुळणारे मॉडेल खर्च यामधील निवड करणे समाविष्ट होते.
एंटरप्रायझेसने डेटा जमा करण्यात वर्षे घालवली आहेत. ते AI साठी वापरण्यायोग्य बनवणे कठीण होत आहे.
वेगवेगळ्या टीम्स, फंक्शन्स आणि वापर केसेससाठी बनवलेल्या सिस्टम्समध्ये डेटाबेस, ऍप्लिकेशन्स आणि वर्कफ्लोमध्ये विखुरलेली माहिती असते. एआय सिस्टीमसाठी एखाद्या संस्थेमध्ये तर्क करणे अपेक्षित आहे, कुठेतरी डेटा असणे पुरेसे नाही. त्यांना ते शोधणे, त्याचा अर्थ समजून घेणे आणि योग्य संदर्भात वापरणे आवश्यक आहे.
भारतीय व्यवसाय एआयला वैमानिकांकडून उत्पादनाकडे नेत असल्याने ही दरी स्पष्ट होत आहे. त्यानुसार ए डन आणि ब्रॅडस्ट्रीट सर्वेक्षणसर्वेक्षण केलेल्या 73% भारतीय व्यवसायांनी AI गुंतवणुकीतून काही मोजता येणारा परतावा नोंदवला आहे, परंतु केवळ 4% लोक म्हणतात की त्यांचा एंटरप्राइझ डेटा मोठ्या प्रमाणावर AI ला समर्थन देण्यासाठी पूर्णपणे तयार आहे.
हे तत्परतेचे अंतर बंद करणे म्हणजे अनेक वर्षांच्या जमा झालेल्या डेटा कर्जाचे निराकरण करणे. ग्राहकांच्या ओळखी सिस्टीममध्ये विखुरल्या जाऊ शकतात, ऑपरेशनल डेटा सायलोड राहू शकतो आणि रिपोर्टिंगसाठी आयोजित केलेली माहिती कदाचित AI सिस्टीमच्या गरजा पूर्ण करू शकत नाही जी ती पुनर्प्राप्त करण्यासाठी आणि त्यावर कार्य करेल.
ही विखुरलेली माहिती एकत्र आणणे ही फक्त पहिली पायरी आहे. ते AI साठी वापरण्यायोग्य बनवण्यासाठी, एंटरप्रायझनी निर्धारित करणे आवश्यक आहे की कोणता डेटा रिअल टाइममध्ये उपलब्ध असणे आवश्यक आहे, एजंट त्याचे संदर्भ कसे समजून घेतील आणि कोणत्या परवानग्या प्रवेश नियंत्रित केल्या पाहिजेत. हे निर्णय प्रत्येक वापराच्या केससाठी आवश्यक असलेल्या पायाभूत सुविधा आणि मॉडेल्सना देखील आकार देतात, AI तैनात करण्याचे मूल्य त्याच्या किंमतीला न्याय्य आहे की नाही यावर प्रभाव टाकतात.
उद्योगांनी या निर्णयांकडे कसे जायचे याकडे लक्ष वेधले गेले “एआयसाठी डेटा फाउंडेशन मोठ्या प्रमाणावर तयार करणे”Inc42 द्वारे ओरॅकल सह भागीदारीमध्ये आयोजित केलेले गोलमेज CTO समिट 2026.
गोलमेज वैशिष्ट्यीकृत:
- अभिमन्यू सक्सेना, सहसंस्थापक, इंटरव्ह्यूबिट आणि स्केलर
- ध्रुव गुप्ता, सहसंस्थापक, ऑर्चर्ड हेल्थकेअर
- हिमांशू गर्ग, सीटीओ, कॅप्चर सीएक्स
- नवीन डाचुरी, सीटीओ, युलू
- पलानिवेल सरवणन, इन्फ्रास्ट्रक्चर क्लाउड इंजिनिअरिंगचे प्रमुख, ओरॅकल
- Priyanka Nahata, founder, CodeKarma Technologies
- सय्यद मोहम्मद बिलाल, डेटा सायन्सचे प्रमुख, Perfios
- विनय मूर्ती, उत्पादनाचे वरिष्ठ संचालक, Zeta
एलेक्सी थॉमस, पार्टनर, टेक्नॉलॉजी कन्सल्टिंग, EY इंडिया यांनी संचलन केले, या चर्चेत व्यवसायाच्या गरजा डेटा आर्किटेक्चर, एजंट ऍक्सेस आणि उपयोजन खर्च कसे मार्गदर्शन करतात याचे परीक्षण केले.
आर्किटेक्चरच्या आधी परिणाम
ऑर्चर्ड हेल्थकेअरच्या गुप्ता यांच्यासाठी, व्यवसायाला सोडवायची असलेली समस्या हा प्रारंभिक बिंदू आहे. याचा अर्थ तंत्रज्ञानाचा अवलंब करून वापर प्रकरण शोधण्याऐवजी अपेक्षित परिणामापासून मागे काम करणे.
“आपण त्याबद्दल विचार करण्याचा मार्ग मागे आहे. कोणती समस्या सोडवायची आहे?”
गुप्ता म्हणाले की त्यांच्या टीमने ग्राहक डेटा प्लॅटफॉर्म तयार करताना हा दृष्टिकोन अवलंबला. सहा महिन्यांचा प्रकल्प टीमने ग्राहकांची समज, धारणा आणि व्यापक व्यवसाय कसा सुधारू शकतो हे स्थापित केल्यानंतरच सुरू झाला.
परफिओसच्या बिलालने साधने निवडण्यापूर्वी परिणाम निश्चित करण्यावर जोर दिला.
“परिणाम फोकसपासून प्रारंभ करा आणि नंतर प्रथम साधनांचा विचार करण्याऐवजी काय तयार करायचे ते शोधा.”
तथापि, एखाद्या निकालावर सहमत होणे, तरीही, वास्तुशास्त्रीय निवडीसह उपक्रम सोडतात: त्या विशिष्ट वापरासाठी तयार करा किंवा एकाधिक अनुप्रयोगांना समर्थन देणाऱ्या प्लॅटफॉर्ममध्ये गुंतवणूक करा. बिलालने ट्रेड-ऑफची रूपरेषा दिली: वापर-केस-नेतृत्व विकास तत्काळ गरजा पूर्ण करतो, तर प्लॅटफॉर्म-प्रथम दृष्टीकोन भविष्यातील अनुप्रयोगांसाठी एक व्यापक पाया प्रदान करतो.
Zeta च्या मूर्ती यांनी असा युक्तिवाद केला की AI व्यापक व्यासपीठाकडे दुर्लक्ष करणे कठीण करत आहे. कर्मचारी आणि सिस्टीम एजंट तयार करू लागल्यावर, कंपन्यांना प्रत्येक वापर केस किंवा प्रत्येक एजंटला आवश्यक असलेल्या डेटाचा अंदाज लावण्यासाठी संघर्ष करावा लागतो.
“एआयला काय मिळते ते म्हणजे वापराची प्रकरणे आता तुमच्या नियंत्रणात नाहीत,” मूर्ती म्हणाले.
ही अप्रत्याशितता अंतर्निहित प्लॅटफॉर्मवर अधिक मागणी ठेवते. एंटरप्राइझने अद्याप परिभाषित केलेल्या गरजांसाठी नवीन एजंटना डेटा शोधण्याची आणि त्याचा अर्थ लावण्याची परवानगी देताना हे ज्ञात अनुप्रयोगांना सेवा देणे आवश्यक आहे.
<. sans-serif; अक्षर-अंतर: 0 !महत्त्वपूर्ण; .कोड-ब्लॉक. padding:20px 10px; .code-block.code-55 .recomended-title { font-size: 16px; margin-bottom: 10px } .code-block.code-block-55; .code-block.code-block-55 { बॉर्डर-रेडियस: 12px; 0 किमान-उंची: 120px !महत्त्वाचे-फिट: कव्हर; .कोड-ब्लॉक. auto !महत्त्वपूर्ण; लाइन-उंची: 15px; } .single .code-block.code-block-55 .entry-title.recommended-block-head a { font-size: 12px !महत्वपूर्ण } .-carlock. मेटा-रॅपर
.code-block.code-block-55 .type-post .card-rapper .card-content .entry-title.recommended-block-head { line-height: 14px !महत्वाचे; समास: 5px 0 10px !महत्त्वाचे; } .code-block.code-block-55 .card-wrapper.common-card .meta-wrapper span { फॉन्ट-आकार: 6px; समास: 0; } .code-block.code-block-55 .large-4.medium-4.small-6.column { कमाल-रुंदी: 48%; } .code-block.code-block-55 .sponsor-tag-v2>span { पॅडिंग: 2px 5px !महत्त्वाचे; फॉन्ट-आकार: 8px !महत्त्वाचे; फॉन्ट-वजन: 400; सीमा-त्रिज्या: 4px; फॉन्ट-वजन: 400; फॉन्ट-शैली: सामान्य; font-family: noto sans, sans-serif; रंग: #fff; अक्षर-अंतर: 0; उंची: स्वयं !महत्वाचे; } .code-block.code-block-55 .tagged { समास: 0 0 -4px; रेखा-उंची: 22px; पॅडिंग: 0; } .code-block.code-block-55 a.sponsor-tag-v2 { समास: 0; } } ))))>))>
डेटामध्ये संदर्भ तयार करणे
या नवीन वापरांना समर्थन देण्यासाठी डेटाबेस कनेक्शनपेक्षा अधिक आवश्यक आहे. माहिती कशी व्यवस्थित केली जाते, तिचा अर्थ काय आणि ती कार्यक्षमतेने कशी मिळवायची हे एजंटने समजून घेतले पाहिजे.
ओरॅकलच्या पलानिवेलने Oracle, MySQL, PostgreSQL, आणि MongoDB सारख्या डेटाबेसमध्ये पसरलेल्या माहितीकडे तसेच असंरचित ज्ञानाकडे लक्ष वेधले. एजंटला या सिस्टीमशी थेट जोडणे हे दुसरे आव्हान आहे – ते डेटाबेस स्कीमा समजू शकत नाही किंवा डेटाबेस कार्यक्षमतेने हाताळू शकेल अशा क्वेरी निर्माण करू शकत नाही.
त्यामुळे एजंट आणि डेटामधील लेयरला त्याची रचना आणि अर्थ समजून घेणे आवश्यक आहे आणि माहिती कशी पुनर्प्राप्त करायची याचे नियोजन करणे आवश्यक आहे.
पलानिवेल यांनी स्पष्ट केले की पारंपारिक प्रणाली व्यवसाय निर्णयांशी ऑपरेशनल डेटा कनेक्ट करण्यासाठी मानवांवर अवलंबून असतात. स्वायत्त एजंट्ससाठी, त्यातील काही तर्क डेटा लेयरमध्येच एन्कोड करणे आवश्यक आहे, ज्यामुळे सिमेंटिक लेयर अधिक महत्त्वपूर्ण बनते.
“एजंटच्या तर्काचे समर्थन करण्यासाठी सिमेंटिक लेयर फक्त आवश्यक आहे किंवा अनिवार्य होत आहे,” तो म्हणाला.
एजंटना माहितीचा अर्थ लावण्यात मदत करण्यापलीकडे, शब्दार्थ देखील पुनर्प्राप्ती अधिक केंद्रित करू शकतात. परफिओस बिलाल यांनी सुचवले की ते एआय मॉडेलला शोधण्यासाठी आवश्यक असलेली माहिती संकुचित करू शकते, ज्यामुळे संबंधित डेटा पुनर्प्राप्त करण्यात मदत होईल.
हा संदर्भ तयार करण्यासाठी डेटा समजणाऱ्या लोकांकडून इनपुट आवश्यक आहे. बिलालने असा युक्तिवाद केला की जे लोक त्याच्या जवळ काम करतात त्यांना त्याचा अर्थ परिभाषित करण्यासाठी सर्वोत्तम स्थान दिले जाते आणि ही समज साधने आणि प्लॅटफॉर्मवर सुसंगत असावी.
परंतु माहिती समजण्यायोग्य बनवण्याचा अर्थ असा नाही की प्रत्येक एजंटला ती वापरता आली पाहिजे. एजंट कोणाच्या डेटामध्ये प्रवेश करू शकतो आणि कोणत्या उद्देशाने एंटरप्रायझेशनला सीमांची आवश्यकता असते.
गव्हर्निंग एजंट प्रवेश
इंटरव्ह्यूबिट आणि स्केलरच्या सक्सेना यांनी एका प्रश्नासह हे आव्हान स्पष्ट केले – जर मॉडेलने बँक A च्या डेटावरून शिकले तर ते ज्ञान बँक B साठी वापरता येईल का? एआय सिस्टीम प्रशिक्षित करण्यासाठी किंवा सुधारण्यासाठी एंटरप्राइझ डेटा वापरणे, कायदेशीर आणि तांत्रिक दोन्ही परिणाम आहेत, असे त्यांनी नमूद केले.
जेव्हा कर्मचारी व्यवसाय माहितीसह कार्य करण्यासाठी AI साधनांचा वापर करतात तेव्हा संस्थेमध्ये असेच प्रश्न उद्भवतात. कॅप्चर CX च्या गर्ग यांनी असा युक्तिवाद केला की संस्था कर्मचाऱ्यांना फ्रंटियर मॉडेल्स वापरण्यापासून रोखू शकत नाहीत, त्या वापराभोवती नियंत्रणे गंभीर बनवतात.
“मग तुम्ही या अधिकाराभोवती प्रशासन कसे तयार कराल? ही सर्वात गंभीर गोष्ट आहे,” तो म्हणाला.
कॅप्चरसाठी, याचा अर्थ त्याचे एजंट वापरत असलेल्या ज्ञान आणि संदर्भ आलेखांवर प्रवेश नियंत्रणे लागू करणे. या नियंत्रणांसोबतच, गर्ग म्हणाले की कंपनी चाचणी आणि मूल्यांकन स्वयंचलित करण्यासाठी एजंट हार्नेस तयार करत आहे.
अर्थशास्त्र कार्य करणे
परवानग्या आणि चाचणी पत्ता एजंट कसे कार्य करतात, परंतु एंटरप्राइझनी हे देखील स्थापित केले पाहिजे की प्रत्येक उपयोजन त्याच्या चालू खर्चाचे समर्थन करण्यासाठी पुरेसे मूल्य प्रदान करते.
युलूच्या डाचुरीने अंतर्गत एआय टूल्समध्ये फरक केला, जिथे कंपन्या बजेट सेट करू शकतात आणि एआय ग्राहकासमोरील उत्पादनांमध्ये एम्बेड केलेले आहेत, जिथे वापर आणि खर्चाचा अंदाज लावणे कठीण आहे.
युलूच्या बाइक-दुरुस्ती वापर केससाठी, गणना अधिक मोजता येण्याजोगी आहे. कंपनी मॅन्युअल टचपॉइंट्समधील कपात आणि एआय तैनात करण्याच्या खर्चाच्या तुलनेत टर्नअराउंड वेळेचे वजन करू शकते.
“म्हणून मूल्य विरुद्ध खर्च शिल्लक. हे सर्वात महत्वाचे आहे,” तो म्हणाला.
ही शिल्लक नियंत्रणात ठेवण्यासाठी कार्यास अनुकूल मॉडेल निवडणे देखील आवश्यक आहे. कॅप्चर, उदाहरणार्थ, प्रत्येक परस्परसंवादासाठी फ्रंटियर मॉडेल्सवर अवलंबून न राहता, ऑर्डर-स्टेटस क्वेरी यासारख्या अंदाज करण्यायोग्य कार्यांसाठी लहान मॉडेल्स वापरत आहे.
Oracle's Palanivel ने नमूद केले की संस्था एक-आकार-फिट-सर्व फ्रंटियर-मॉडेल दृष्टिकोनापासून दूर जात आहेत, ओपन-वेट मॉडेल काही वर्कलोड्ससाठी अधिक अंदाजे खर्चाची रचना देतात.
मॉडेलची निवड, डेटा आणि प्रशासनाच्या निर्णयांसोबत बसते जे AI उत्पादनात विश्वासार्हपणे कार्य करू शकते की नाही हे निर्धारित करते. एंटरप्रायझेसला संबंधित संदर्भ प्रदान करणे, प्रवेश नियंत्रणे लागू करणे आणि एजंटच्या वर्तनाचे मूल्यमापन करणे आवश्यक आहे, तसेच पायाभूत सुविधा आणि मॉडेल खर्च व्यवसाय मूल्याशी संरेखित करणे आवश्यक आहे.
सुरुवातीच्या AI प्रकल्पांमधून परतावा पाहणाऱ्या व्यवसायांसाठी, ते नफा मोजणे म्हणजे या घटकांना एकत्र काम करणे. फाऊंडेशनने आज परिभाषित केलेल्या वापराच्या केसेस आणि नवीन एजंट त्यांच्या डेटावर ठेवतील अशा मागण्या या दोन्हींचे समर्थन केले पाहिजे.
जर (window.location.pathname === ” || window.location.pathname === “/datalabs/pricing/” || window.location.pathname === “/datalabs/demo/” ) { !function(f,b,e,v,n,t,s) {if(f.fbq)return;n=f.fbq=function(){n.callMethod.apply(n,arguments):n.queue.push(arguments)}; if(!f._fbq)f._fbq=n;n.pushed=n.';=0; n.queue=();t=b.createElement(e);t.async=!0; t.src=v;s=b.getElementsByTagName(e)(0); s.parentNode.insertBefore(t,s)}(विंडो, डॉक्युमेंट,'स्क्रिप्ट', 'fbq,'76}58); कार्य if(!f._fbq)f._fbq=n;n.push=n;n.loaded=!0;n.version='2.0'; n.queue=();t=b.createElement(e);t.async=!0; t.src=v;s=b.getElementsByTag(0); s.parentNode.insertBefore(t,s)}(विंडो, दस्तऐवज,'स्क्रिप्ट', 'fbq('init', '862840770475518');
Comments are closed.