ખરીદી, બિલ્ડ-પરચેઝ અને સપ્લાયર મેનેજમેન્ટ

નફો:

• મુખ્ય ભિન્નતા ક્ષમતાઓ બનાવીને અને પ્રમાણભૂત ક્ષમતાઓ ખરીદીને યોગ્ય મેક/બાય નિર્ણય લેવો
• ડેટા સુરક્ષા, અનુપાલન, બહાર નીકળવાની સરળતા અને કિંમત કરતાં કુલ ખર્ચ માપદંડ સાથે સપ્લાયર્સનું મૂલ્યાંકન કરવાની ક્ષમતા
• વિક્રેતા લોક-ઇન સામે રક્ષણ કરો અને પૂર્વ-મુખ્ય કરાર પાઇલટ સાથે મૂલ્ય સાબિત કરો

મોટાભાગની સંસ્થાઓ તેમની મોટાભાગની AI પ્રતિભાને આઉટસોર્સ કરે છે: ઑફ-ધ-શેલ્ફ મૉડલ, પ્લેટફોર્મ, સૉફ્ટવેર સેવાઓ, કન્સલ્ટિંગ. આ ખરીદી નિર્ણયો મોટા બજેટ, લાંબા કરારો અને કાયમી અવલંબન બનાવે છે; જ્યારે ખોટું થાય, ત્યારે પાછા આવવું મોંઘું પડે છે. આ એકમમાં, તમે શીખી શકશો કે સિનિયર એક્ઝિક્યુટિવ કેવી રીતે બુદ્ધિપૂર્વક AI સોલ્યુશન્સ ખરીદી શકે છે, ટેલેન્ટનું નિર્માણ કરવું કે આઉટસોર્સ કરવું અને સપ્લાયર્સનું સંચાલન કેવી રીતે કરવું તે નક્કી કરી શકે છે. ઉદ્દેશ્ય સૌથી સસ્તું અથવા સૌથી આકર્ષક ટૂલ પસંદ કરવાનો નથી, પરંતુ સંસ્થાની જરૂરિયાતો, જોખમો અને વ્યૂહરચના માટે શ્રેષ્ઠ અનુરૂપ હોય તે સાધન પસંદ કરવાનું છે.

બનાવો કે ખરીદો?

મુખ્ય નિર્ણય: તમારે આંતરિક રીતે AI પ્રતિભા વિકસાવવી જોઈએ કે તેને આઉટસોર્સ કરવી જોઈએ? નિયમ સરળ છે પરંતુ વારંવાર ઉલ્લંઘન કરવામાં આવે છે: સ્પર્ધાત્મક લાભ પેદા કરતી સંસ્થા માટે મુખ્ય ક્ષમતાઓને અનન્ય બનાવો; પ્રમાણભૂત, સામાન્ય, બિન-વિભેદક કુશળતા ખરીદો. તમારા પોતાના ગ્રાહક ડેટા સાથેનું અનુમાનિત મોડેલ કે જે તમારા હરીફ બનાવી શકતા નથી તે મુખ્ય છે; ટેક્સ્ટ સારાંશનું સાધન પ્રમાણભૂત છે અને ખરીદી માટે ઉપલબ્ધ છે.

માપદંડ

બિલ્ડ

ખરીદો

તફાવત

ઉચ્ચ, કોર

નીચું, પ્રમાણભૂત

ઝડપ

ધીમું

ઝડપી

ખર્ચ

ઉચ્ચ અપફ્રન્ટ રોકાણ

અનુમાનિત સબ્સ્ક્રિપ્શન

નિયંત્રણ

સંપૂર્ણ

મર્યાદિત

વ્યસન

નીચું

ઉચ્ચ

સંકેત: "શું હું આ ક્ષમતા વિના મારી જાતને મારા પ્રતિસ્પર્ધીથી અલગ કરી શકું?" પૂછો જો જવાબ "હા" છે, તો ખરીદો; જો તે "ના, તે મારો તફાવત છે", તો તેને કરવાનું ગંભીરતાથી વિચારો. આઉટસોર્સિંગ કોર ટેલેન્ટ એટલે લાંબા ગાળે સ્પર્ધાત્મક શક્તિની ભરતી કરવી.

સપ્લાયર પસંદગી માપદંડ

માત્ર કિંમત અને સુવિધાઓના આધારે AI વિક્રેતાની પસંદગી જોખમી છે. મેનેજરને આ માપદંડો વિશે પણ પૂછવું જોઈએ:

1. ડેટા સુરક્ષા અને ગોપનીયતા: અમારા ડેટાની પ્રક્રિયા, સંગ્રહ, શિક્ષણમાં ક્યાં ઉપયોગ થાય છે?
2. પાલન: શું સપ્લાયર KVKK/EU AI કાયદાની આવશ્યકતાઓને સમર્થન આપે છે?
3. પારદર્શિતા: મોડેલ કેવી રીતે કાર્ય કરે છે, તેની મર્યાદા શું છે, શું તેનું સ્વતંત્ર રીતે ઓડિટ કરવામાં આવ્યું છે?
4. એકીકરણ: તે આપણી હાલની સિસ્ટમો સાથે કેટલી સરળતાથી જોડાય છે?
5. બહાર નીકળવાની સરળતા: જો આપણે છોડીએ તો શું આપણે આપણો ડેટા અને વર્કફ્લો ખસેડી શકીએ?
6. ટકાઉપણું: શું સપ્લાયર નાણાકીય રીતે મજબૂત છે, શું તે આવતીકાલે અદૃશ્ય થઈ જશે?
7. માલિકીની કુલ કિંમત: લાઇસન્સ + એકીકરણ + તાલીમ + દેખરેખ (યુનિટ 5).

સપ્લાયર લૉક-ઇનનું જોખમ

એક નિર્ણાયક ખ્યાલ: વિક્રેતા લૉક-ઇન પ્રદાતા પર એટલું નિર્ભર બની રહ્યું છે કે છોડવું વ્યવહારીક રીતે અશક્ય છે (ઉંચી કિંમત, ડેટા પોર્ટેબિલિટી, એકીકરણ જટિલતાને કારણે). આ તમને કિંમતમાં વધારો, નબળી સેવા અને નવીનતાની ખોટ માટે ખુલ્લા છોડી દે છે. આને ઘટાડવા માટે: કરારમાં ડેટા પોર્ટેબિલિટી મૂકો, ઓપન સ્ટાન્ડર્ડ પસંદ કરો, જો શક્ય હોય તો બહુવિધ વિક્રેતાઓ સાથે કામ કરો અને એક્ઝિટ પ્લાન તૈયાર કરો.

પગલું દ્વારા પગલું: ખરીદી પ્રક્રિયા

1. જરૂરિયાત સ્પષ્ટપણે વ્યાખ્યાયિત કરો. કઈ વ્યવસાય સમસ્યા, કઈ મેટ્રિક? (એકમ 4-5)

2. તમારા બનાવવા/ખરીદીનો નિર્ણય લો. કોર અથવા પ્રમાણભૂત?

3. માપદંડોની સૂચિ સાથે સપ્લાયર્સનું મૂલ્યાંકન કરો. કિંમત ઉપરાંત સુરક્ષા, પાલન, બહાર નીકળો, TCO.

4. તેને પાયલોટ સાથે અજમાવી જુઓ. મોટા કરાર પહેલાં નાના, માપી શકાય તેવા અજમાયશ સાથે તેને સાબિત કરો.

5. રક્ષકો સાથે કરાર પર સહી કરો. ડેટા માલિકી, ગોપનીયતા, બહાર નીકળો, સેવા સ્તર (SLA) કલમો.

ત્રણ નાના કેસો

કેસ 1 - કોર ઇજેક્શન ભૂલ. લોજિસ્ટિક્સ કંપનીએ રૂટ ઓપ્ટિમાઇઝેશન, તેનો સૌથી મોટો સ્પર્ધાત્મક ફાયદો, સંપૂર્ણપણે બાહ્ય સપ્લાયરને સોંપ્યો છે. બે વર્ષ પછી સપ્લાયરએ કિંમત બમણી કરી; કંપનીને તાળું મારી દેવામાં આવ્યું હતું, તેની પાસે પોતાનો કોઈ ડેટા અને મોડલ નહોતું. આખરે તેને એક મોંઘી સ્વીચ વડે ઘરની અંદર ઇન્સ્ટોલ કરવું પડ્યું. મુખ્ય પ્રતિભા ખરીદવી ન જોઈએ.

કેસ 2 - ગોપનીયતા પ્રશ્ને ખરીદી બદલાઈ ગઈ. હેલ્થકેર કંપની એઆઈ ટૂલ ખરીદે તે પહેલાં, તે પૂછે છે કે "શું અમારો ડેટા તાલીમમાં વપરાય છે?" તેણે પૂછ્યું. જવાબ "હા, મૂળભૂત રીતે" હતો; દર્દીના ડેટા માટે આ અસ્વીકાર્ય હતું. કંપનીએ એવા વિકલ્પ તરફ વળ્યા જે શિક્ષણમાં ડેટાનો ઉપયોગ કરતું નથી અને સ્થાનિક રીતે તેની પ્રક્રિયા કરે છે. એક યોગ્ય પ્રશ્ને ગંભીર અનુપાલન ઉલ્લંઘનને અટકાવ્યું.

કેસ 3 - પાઇલટની બચત. એક રિટેલર ફેન્સી આર્ટિફિશિયલ ઇન્ટેલિજન્સ પ્લેટફોર્મ માટે 3-વર્ષ, 4 મિલિયન TL કરાર પર હસ્તાક્ષર કરવાના હતા. પ્રથમ તેણે 8-અઠવાડિયાના પેઇડ પાઇલોટ કર્યું; પ્લેટફોર્મ વેચાણ ટીમોના વાસ્તવિક વર્કફ્લોમાં બંધબેસતું નહોતું, અપનાવવાનું ઓછું રહ્યું. મુખ્ય કરાર રદ થયો, લાખો પાઉન્ડ અને વર્ષોની મડાગાંઠ ટાળી. પાયલોટ સૌથી સસ્તો વીમો હતો.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) વિશ્લેષણ કરો/ખરીદો:

તમારી ભૂમિકા: ટેકનોલોજી ખરીદી સલાહકાર. નીચેની AI પ્રતિભા માટે મેક-ઓર-બાય નિર્ણયનું વિશ્લેષણ કરો: [પ્રતિભા]. તફાવત, ઝડપ, કિંમત, નિયંત્રણ અને નિર્ભરતાના સંદર્ભમાં મૂલ્યાંકન કરો; પ્રશ્ન કરો કે આ અમારા માટે મુખ્ય કે પ્રમાણભૂત છે અને એક સૂચન આપો.

2) સપ્લાયર મૂલ્યાંકન માપદંડોની સૂચિ:

નીચેના AI સોલ્યુશન ખરીદવા માટે સપ્લાયરનું મૂલ્યાંકન કરવા માટે એક ચેકલિસ્ટ તૈયાર કરો: ડેટા સુરક્ષા/ગોપનીયતા, પાલન (KVKK/EU AI કાયદો), પારદર્શિતા, એકીકરણ, બહાર નીકળવાની સરળતા, ટકાઉપણું, કુલ કિંમત. દરેક માપદંડ માટે, સપ્લાયરને પૂછવા માટે સ્પષ્ટ પ્રશ્ન લખો. ઉકેલ: [ટેક્સ્ટ]

3) કરાર સંરક્ષણ કલમો:

AI વિક્રેતા કરારમાં મને જોઈતી સુરક્ષા કલમોની સૂચિ બનાવો: ડેટા માલિકી, શિક્ષણમાં ડેટાનો બિન-ઉપયોગ, ગોપનીયતા, સેવા સ્તર (SLA), નાપસંદ અને ડેટા પોર્ટેબિલિટી, જવાબદારી. દરેક કલમ માટે, તે શા માટે મહત્વપૂર્ણ છે તે એક વાક્યમાં સમજાવો.

4) પાયલોટ ડિઝાઇન:

મોટા કોન્ટ્રાક્ટ પહેલાં આ AI ટૂલને ચકાસવા માટે 6-8 અઠવાડિયાના પાયલોટને ડિઝાઇન કરો: કયા માપદંડો, કયા વપરાશકર્તા જૂથ, સફળતાની થ્રેશોલ્ડ શું છે, હું કયા પરિણામને આધારે નિર્ણય (સાઇન/રદ) કરીશ? સાધન: [ટેક્સ્ટ]

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળું: "મારે કયું AI ટૂલ ખરીદવું જોઈએ?"

પરિણામ: સંદર્ભ વિના સુપરફિસિયલ જવાબ, સુરક્ષા અને નિર્ભરતાને અવગણીને, સંભવતઃ "શું લોકપ્રિય છે" સૂચવે છે.

Güçlü: "અમે એક હેલ્થકેર કંપની છીએ જે દર્દીના ડેટા સાથે કામ કરે છે, અમે KVKK ને આધીન છીએ. અમે એક આર્ટિફિશિયલ ઇન્ટેલિજન્સ સોલ્યુશનનું મૂલ્યાંકન કરી રહ્યા છીએ જે ક્લિનિકલ નોંધોનો સારાંશ આપશે. વિશ્લેષણ કરો કે આ અમારા માટે મુખ્ય છે કે પ્રમાણભૂત; જો અમે ખરીદી કરવા જઈ રહ્યા છીએ, તો નિર્ણાયક પ્રશ્નો હું સપ્લાયરોને ડેટા સુરક્ષા વિશે પૂછીશ, શિક્ષણની કુલ કિંમતમાં ડેટાનો ઉપયોગ કરવા અને સ્થાનિક ખર્ચની પ્રક્રિયામાં સરળતા અને ડિઝાઈનમાં પણ સરળતા. મોટા કરાર પહેલા."

પરિણામ: સંદર્ભ, નિયમનકારી અને જોખમ પ્રત્યે સંવેદનશીલ; બનાવો/ખરીદો, એક ખરીદીનો અભિગમ જે માપદંડ અને પાઇલટને એકસાથે ધ્યાનમાં લે છે.

સામાન્ય ભૂલો

• મુખ્ય પ્રતિભા ખરીદી. તમારા સ્પર્ધાત્મક લાભને ભાડે આપવાથી લાંબા ગાળે ખર્ચાળ નિર્ભરતા સર્જાય છે.
• માત્ર કિંમત અને સુવિધાઓ જોઈ રહ્યા છીએ. સલામતી, પાલન, બહાર નીકળવું અને કુલ ખર્ચને નજરઅંદાજ કરવામાં આવે તો સસ્તું વાહન મોંઘું બની જાય છે.
• ડેટાનો ઉપયોગ કેવી રીતે થાય છે તે પૂછતા નથી. "શું અમારા ડેટાનો ઉપયોગ શિક્ષણમાં થાય છે?" પ્રશ્ન શરૂઆતથી જ મોટાભાગના અનુપાલન જોખમોને કેપ્ચર કરે છે.
• પાઇલોટ્સ વિના મુખ્ય કરાર. નાની અજમાયશ સાથે તેને સાબિત કર્યા વિના વર્ષો સુધી લૉકમાં રહેવું એ એક મોટું જોખમ છે.
• કોઈ એક્ઝિટ પ્લાન વિના હસ્તાક્ષર. તમે જેની સાથે ભાગ ન લઈ શકો તે સપ્લાયર તમને કિંમત અને સેવા માટે સંવેદનશીલ બનાવે છે.

સાવધાન: AI ખરીદી વિશ્લેષણ અથવા સપ્લાયર માપદંડોની સૂચિ બનાવી શકે છે; પરંતુ કરારની શરતો, ડેટા સુરક્ષા પ્રતિબદ્ધતાઓ અને કાનૂની કલમોની કાયદાકીય અને સુરક્ષા ટીમો દ્વારા સમીક્ષા થવી જોઈએ. તેના ઉત્પાદન વિશે સપ્લાયરના દાવાઓ સ્વતંત્ર રીતે ચકાસવાની (પાયલોટ, સંદર્ભ, ઓડિટ) કરવાની જવાબદારી પણ મેનેજરની છે; માર્કેટિંગ વચન પુરાવા નથી.

સારાંશમાં

મોટાભાગની AI પ્રતિભા બાહ્ય રીતે ખરીદવામાં આવે છે અને આ નિર્ણયો મોટા, કાયમી અને ખર્ચાળ હોય છે. મૂળભૂત સિદ્ધાંત: મુખ્ય બનાવો, ક્ષમતાઓને અલગ કરો; પ્રમાણભૂત ખરીદો. સપ્લાયર્સ માત્ર કિંમત અને સુવિધાઓ દ્વારા આકર્ષાય છે; ડેટા સુરક્ષા, અનુપાલન, પારદર્શિતા, એકીકરણ, બહાર નીકળવાની સરળતા, ટકાઉપણું અને કુલ ખર્ચ સાથે મૂલ્યાંકન કરો. ડેટા પોર્ટેબિલિટી, ઓપન સ્ટાન્ડર્ડ્સ અને એક્ઝિટ પ્લાન સાથે વેન્ડર લૉક-ઇન સામે રક્ષણ આપો. મોટા કરાર પહેલાં પાઇલટ સાથે તેને સાબિત કરવાની ખાતરી કરો. આગામી અને અંતિમ એકમમાં, અમે પરિવર્તન વ્યવસ્થાપનને આવરી લઈશું, જે આ સમગ્ર વ્યૂહરચનાને વાસ્તવિક અપનાવવામાં ફેરવે છે.

એપ્લિકેશન કાર્ય

AI ક્ષમતા પસંદ કરો અને તે કોર છે કે સ્ટાન્ડર્ડ છે તે નક્કી કરવા માટે નમૂના 1 સાથે મેક/બાય વિશ્લેષણ કરો. તમે જે સોલ્યુશન ખરીદવાનું નક્કી કરો છો તેના માટે તમે 2જી નમૂના સાથે સપ્લાયરને પૂછશો તે જટિલ પ્રશ્નો બનાવો (ડેટા સુરક્ષા અને બહાર નીકળવાની સરળતા શામેલ કરવાની ખાતરી કરો). છેલ્લે, એક ફકરામાં પ્રી-મેજર કોન્ટ્રાક્ટ પાઇલટ માટે માપદંડ, સમયગાળો અને નિર્ણય થ્રેશોલ્ડનું વર્ણન કરો.

ચેકલિસ્ટ

• [ ] મેં નક્કી કર્યું કે કૌશલ્ય મુખ્ય છે કે પ્રમાણભૂત.
• [] મેં બનાવવા/ખરીદીના નિર્ણયને યોગ્ય ઠેરવ્યો.
• [ ] મેં કિંમત કરતાં વધુ માપદંડો સાથે સપ્લાયર્સનું મૂલ્યાંકન કર્યું.
• [ ] "શું અમારા ડેટાનો ઉપયોગ શિક્ષણમાં થાય છે?" મેં પ્રશ્ન પૂછ્યો.
• [ ] મેં બહાર નીકળવાની સરળતા અને સપ્લાયર નિર્ભરતાનું મૂલ્યાંકન કર્યું.
• [ ] મેં મોટા કોન્ટ્રાક્ટ પહેલાં પાઇલટ ડિઝાઇન કર્યું હતું.
• [ ] મેં કરાર અને ડેટા કલમોની કાનૂની/સુરક્ષા સમીક્ષા કરવાની યોજના બનાવી છે.