लाभ:
- चार परतों (वर्गीकरण, गुमनामीकरण, वाहन चयन, न्यूनतम डेटा) में डेटा की सुरक्षा करने और केवीकेके जिम्मेदारी को पूरा करने की क्षमता
- जोखिम स्तर के अनुसार आउटपुट को सत्यापित करने और निष्पक्षता और पूर्वाग्रह के माध्यम से लोगों को प्रभावित करने वाली सिफारिशों को फ़िल्टर करने की क्षमता
- एक सरल एआई शासन ढांचा स्थापित करने और यह सुनिश्चित करने की क्षमता कि एआई आउटपुट वित्तीय/कानूनी/एचआर/अनुपालन निर्णयों में विशेषज्ञ अनुमोदन को प्रतिस्थापित नहीं करता है
एक प्रबंधक के रूप में, आपने अपने व्यवसाय के हर कोने में एआई का उपयोग करना सीखा है: रिपोर्टिंग, केपीआई, स्वचालन, संचालन, खरीद, संचार, सारांश, परिदृश्य। अब हम इस शक्ति का जिम्मेदारीपूर्वक उपयोग करने की रूपरेखा स्थापित कर रहे हैं। क्योंकि जब एआई का गलत तरीके से उपयोग किया जाता है, तो गति और सुविधा गंभीर जोखिम में बदल जाती है: एक लीक हुई ग्राहक सूची, एक बनी-बनाई संख्या के आधार पर निर्णय, एक भेदभावपूर्ण सुझाव, एक केवीकेके उल्लंघन। यह इकाई सुरक्षा जाल है जो पूरे मॉड्यूल को एक साथ रखती है। एक वाक्य में मुख्य सिद्धांत: एआई एक सहायक है; डेटा की गोपनीयता, आउटपुट की सटीकता और निर्णय की नैतिकता हमेशा प्रबंधक की जिम्मेदारी होती है।
डेटा गोपनीयता: सुरक्षा की चार परतें
व्यावसायिक डेटा मूल्यवान है और इसका अधिकांश भाग गोपनीय है। चार परतों में गोपनीयता की रक्षा करें। पहली परत—वर्गीकरण: डेटा के प्रत्येक टुकड़े को "सार्वजनिक/आंतरिक उपयोग/गोपनीय/व्यक्तिगत" के रूप में लेबल करें। गोपनीय और व्यक्तिगत डेटा पर विशेष ध्यान देने की आवश्यकता है। दूसरी परत - गुमनामीकरण: एआई (कर्मचारी ए, ग्राहक 1) को देने से पहले नाम, आईडी, ग्राहक का नाम, आपूर्तिकर्ता मूल्य जैसे पहचानकर्ताओं का कोड में अनुवाद करें। तीसरी परत - उपकरण चयन: यदि संभव हो, तो कंपनी द्वारा अनुमोदित कॉर्पोरेट एआई टूल का उपयोग करें जो मॉडल प्रशिक्षण के लिए डेटा संग्रहीत नहीं करते हैं; निःशुल्क सार्वजनिक रूप से उपलब्ध टूल को गोपनीय डेटा प्रदान न करें। चौथी परत - न्यूनतम डेटा: कार्य करने के लिए आवश्यक न्यूनतम डेटा दें, इससे अधिक नहीं।
KVKK (व्यक्तिगत डेटा संरक्षण कानून) आपके कर्मचारी और ग्राहक के व्यक्तिगत डेटा के प्रसंस्करण को नियंत्रित करता है; उल्लंघन से कानूनी प्रतिबंध और प्रतिष्ठा की हानि दोनों होती है। किसी ग्राहक सूची या पेरोल को खुले चैट बॉक्स में चिपकाना एक बंद फ़ाइल को सड़क पर छोड़ने जैसा है।
सावधानी: "यह उपकरण सुरक्षित प्रतीत होता है" कोई आश्वासन नहीं है। एआई को कोई भी डेटा देने से पहले पूछें: "अगर यह जानकारी लीक हो गई तो कंपनी को क्या नुकसान होगा?" यदि क्षति गंभीर है, तो या तो डेटा को अज्ञात रखें या इसे बिल्कुल भी जारी न करें। यदि संदेह हो तो न दें।
सत्यापन: अहस्ताक्षरित आउटपुट कोई निर्णय नहीं है
पूरे मॉड्यूल में दोहराया गया अनुशासन यहां एक छत के नीचे एकत्र किया गया है। प्रत्येक एआई आउटपुट को तीन चरणों में सत्यापित करें: स्रोत (क्या यह मेरे द्वारा प्रदान किए गए डेटा से संख्या है?), पुनर्गणना करें (अंकगणित की जांच करें), प्रबंधकीय फ़िल्टर (क्या यह मेरे उद्योग ज्ञान और क्षेत्र से मेल खाता है?)। एआई मतिभ्रम पैदा कर सकता है - प्रेरक भाषा के साथ गैर-मौजूद संख्याओं, स्रोतों या तथ्यों का आविष्कार कर सकता है। प्रवाह सटीकता नहीं है. निर्णय जितना महत्वपूर्ण होगा, सत्यापन उतना ही कठोर होना चाहिए।
तीन स्तरों पर जोखिम पर विचार करें. कम जोखिम वाली डिलिवरेबल्स (आंतरिक रूपरेखा, स्वरूपण, सारांश): एक त्वरित नज़र पर्याप्त है। मध्यम जोखिम डिलिवरेबल्स (प्रबंधन को रिपोर्ट, KPI टिप्पणी): प्रत्येक संख्या मान्य है। उच्च जोखिम वाली डिलिवरेबल्स (वित्तीय निर्णय, अनुबंध, अनुपालन दस्तावेज़, एचआर लेनदेन): एआई केवल ड्राफ्ट तैयार करता है; सक्षम विशेषज्ञ समीक्षा, कानूनी/वित्तीय नियंत्रण और हस्ताक्षर अनिवार्य हैं। इन क्षेत्रों में, एआई आउटपुट कभी भी सक्षम विशेषज्ञ अनुमोदन की जगह नहीं ले सकता।
नैतिकता और पूर्वाग्रह: तेज़ लेकिन निष्पक्ष
एआई ऐतिहासिक डेटा से सीखता है; यदि कोई पिछला पूर्वाग्रह है, तो एआई उसे दोहराएगा या उसे सुदृढ़ भी करेगा। नियुक्ति, पदोन्नति, या ग्राहक प्राथमिकता की सिफ़ारिश अनजाने में किसी समूह को नुकसान पहुँचा सकती है। इसलिए मनुष्यों को प्रभावित करने वाले हर एआई प्रस्ताव को निष्पक्षता के फिल्टर के माध्यम से रखें: "क्या यह प्रस्ताव गलत तरीके से एक समूह को बाहर करता है? क्या औचित्य बचाव योग्य है?" एआई से स्पष्ट रूप से पूछें "इस प्रस्ताव से किन समूहों को नुकसान हो सकता है?" पूछना।
दो और नैतिक सिद्धांत: पारदर्शिता - महत्वपूर्ण एआई-जनित आउटपुट को छिपाएं नहीं; आपको यह समझाने में सक्षम होना चाहिए कि निर्णय कैसे लिया गया। जवाबदेही - "एआई ने ऐसा कहा" कोई बहाना नहीं है। जिम्मेदारी उपकरण का उपयोग करने वाले प्रबंधक की है। जब एआई कोई गलती करता है, तो आप जवाबदेह होते हैं; इसलिए उसे एक पर्यवेक्षित सहायक के रूप में उपयोग करें, न कि एक अंधे प्राधिकारी के रूप में।
एआई शासन: एक संस्थागत ढांचा
व्यक्तिगत सद्भावना ही पर्याप्त नहीं है; व्यवसाय के लिए एक सरल एआई शासन ढांचा स्थापित करें: कौन सा डेटा किस टूल को दिया जा सकता है, कौन से निर्णय एआई द्वारा समर्थित हो सकते हैं, जो केवल विशेषज्ञ के हैं, आउटपुट कैसे मान्य हैं, कौन जिम्मेदार है। एक लिखित, सरल नीति पूरी टीम की सुरक्षा करती है और अगली इकाई पर आपदा को रोकती है।
तीन मिनी मामले
केस 1 - रिसाव के कगार से लौटना। एक बिक्री प्रबंधक वास्तविक ग्राहक नाम और टर्नओवर के साथ एक सूची को एक मुफ्त एआई टूल में पेस्ट करेगा। झिझक के क्षण में उन्होंने पूछा, "अगर यह लीक हो गया तो क्या होगा?" उन्होंने ग्राहकों के नाम कोड करने और टर्नओवर को टेप में बदलने के लिए कहा। विश्लेषण उसी गुणवत्ता के साथ सामने आया; कोई वास्तविक डेटा बाहर नहीं गया. एक छोटी सी आदत ने एक बड़े केवीकेके जोखिम को रोक दिया।
केस 2 - निर्मित नंबर की लागत। एक मुख्य वित्तीय अधिकारी ने YZ द्वारा दिए गए "उद्योग औसत 23 प्रतिशत" का आंकड़ा बिना सत्यापित किए बोर्ड को प्रस्तुत किया। संख्या बनी हुई थी; एआई ने निश्चित रूप से एक ऐसा नंबर तैयार किया था जिसका कोई स्रोत नहीं था। गलत आंकड़ों के आधार पर निवेश विवाद शुरू हो गया और इसे पलटने में समय लगा। सबक: बाहर से आने का दावा करने वाले हर नंबर को वास्तविक स्रोत से जोड़े बिना इस्तेमाल नहीं किया जा सकता।
केस 3 - पक्षपातपूर्ण सिफ़ारिश पकड़ना। एक मानव संसाधन प्रबंधक ने एआई से उम्मीदवारों को रैंक करने के लिए कहा। एआई ऐतिहासिक डेटा के आधार पर किसी विशेष स्कूल के स्नातकों को उजागर करेगा। प्रबंधक पूछता है, "यह प्रस्ताव किन समूहों को बाहर रखता है?" उसने पूछा; उन्होंने पाया कि एआई पिछले पूर्वाग्रह को दोहराता है। उन्होंने रैंकिंग को पूरी तरह से नौकरी से संबंधित, रक्षात्मक मानदंडों पर आधारित किया और अंतिम निर्णय लोगों की समिति पर छोड़ दिया।
चार प्रतिलिपि योग्य टेम्पलेट
1) डेटा गोपनीयता स्क्रीनिंग:
आपकी भूमिका: डेटा गोपनीयता सलाहकार। मैं आपको थोड़ी देर में एक डेटा सेट दूंगा। सबसे पहले, व्यक्तिगत/गोपनीय फ़ील्ड (नाम, आईडी, ग्राहक, मूल्य, वेतन) सूचीबद्ध करें और सुझाव दें कि उनमें से प्रत्येक को कैसे गुमनाम किया जाए। KVKK के संदर्भ में इस डेटा को AI को देने के जोखिमों को संक्षेप में लिखें। अभी विश्लेषण मत करो.
2) सत्यापन चेकलिस्ट:
प्रबंधन के सामने प्रस्तुत करने से पहले मुझे निम्नलिखित एआई आउटपुट को सत्यापित करना होगा। आउटपुट में प्रत्येक संख्यात्मक दावे और बाहरी स्रोत दावे को सूचीबद्ध करें। प्रत्येक से पूछें, "क्या मेरे द्वारा प्रदान किए गए डेटा का स्रोत है या क्या यह वह जानकारी है जिसे एआई ने स्वयं निर्मित/गढ़ा होगा?" अज्ञात स्रोतों वाले लोगों को 'सत्यापित करें' शीर्षक के अंतर्गत एकत्रित करें।
3) नैतिकता/न्याय फ़िल्टर:
निम्नलिखित एआई प्रस्ताव लोगों को प्रभावित करता है: [प्रस्ताव]। इस प्रस्ताव से किन समूहों को अनुचित नुकसान हो सकता है? क्या सिफ़ारिश ऐतिहासिक डेटा के आधार पर पक्षपाती हो सकती है? निर्णय को केवल व्यवसाय-संबंधी, रक्षात्मक मानदंडों पर आधारित करने के लिए मुझे क्या बदलना चाहिए? ईमानदार रहें, सुझाव का बचाव न करें।
4) एआई उपयोग जोखिम वर्गीकरण:
मैं एआई के साथ निम्नलिखित कार्य करूंगा: [कार्य]। इसे जोखिम स्तर पर रखें: निम्न (आंतरिक ड्राफ्ट), मध्यम (प्रबंधन के लिए आउटगोइंग), उच्च (वित्तीय/कानूनी/एचआर परिणाम)। मुझे बताएं कि जोखिम स्तर के आधार पर कौन से सत्यापन और अनुमोदन चरण आवश्यक हैं। यदि यह उच्च जोखिम है, तो याद दिलाएँ कि विशेषज्ञ की मंजूरी अनिवार्य है।
कमजोर संकेत/मजबूत संकेत
कमजोर संकेत:
मुझे इस ग्राहक डेटा के साथ एक विश्लेषण दीजिए। [वास्तविक नामित डेटा]
ओपन टूल को वास्तविक व्यक्तिगत डेटा प्रदान करता है; इसमें केवीकेके उल्लंघन और रिसाव का जोखिम है। आउटपुट को मान्य करने की भी कोई योजना नहीं है।
शक्तिशाली संकेत:
आपकी भूमिका: विश्लेषक. मैंने आपको जो डेटा दिया है, उसमें सभी नाम कोडित हैं (ग्राहक 1-50) और रकम को टेप में बदल दिया गया है। इस अनाम डेटा के साथ खंड विश्लेषण करें। बस मेरे द्वारा दिए गए नंबरों का उपयोग करें, बाहरी क्षेत्र के नंबर न जोड़ें; यदि आप इसे जोड़ते हैं, तो कृपया स्रोत स्पष्ट रूप से बताएं ताकि मैं इसे सत्यापित कर सकूं।
आकार
ख़राब दृष्टिकोण
मजबूत दृष्टिकोण
डेटा
असली नाम
गुमनाम
केवीकेके जोखिम
उच्च
कम
स्रोत नियंत्रण
कोई नहीं
अनिवार्य
सत्यापनीयता
कम
उच्च
जिम्मेदारी
अनिश्चित
स्पष्ट किया
सामान्य गलतियाँ
- ओपन टूल को वास्तविक गोपनीय/व्यक्तिगत डेटा देना। पहले वर्गीकृत करें और अज्ञात करें।
- बाहरी स्रोत के दावों की पुष्टि नहीं की जा रही है. एआई "उद्योग औसत" जैसे आंकड़े बना सकता है; स्रोत से जुड़ें.
- पूर्वाग्रह को नजरअंदाज करना. ऐसे प्रस्ताव रखें जो निष्पक्षता के फ़िल्टर के माध्यम से लोगों को प्रभावित करें।
- "एआई ने ऐसा कहा" बहाना। जिम्मेदारी उपयोगकर्ता की है; जवाबदेही मानें.
- उच्च जोखिम वाले निर्णय पर विशेषज्ञ की मंजूरी छोड़ना। वित्तीय/कानूनी/मानव संसाधन/अनुपालन आउटपुट के लिए विशेषज्ञ अनुमोदन की आवश्यकता होती है।
सावधानी: इस मॉड्यूल का सबसे महत्वपूर्ण वाक्य: अनुपालन, वित्त, कानूनी और मानव संसाधन जैसे परिणामी क्षेत्रों में एआई आउटपुट सक्षम विशेषज्ञ अनुमोदन का विकल्प नहीं है। AI आपकी गति बढ़ाता है, यह आपके विशेषज्ञ को नौकरी से नहीं निकालता। एक असत्यापित एआई आउटपुट एक अहस्ताक्षरित निर्णय जितना ही जोखिम भरा है।
सारांश
जिम्मेदार AI का उपयोग तीन स्तंभों पर टिका है: गोपनीयता, प्रमाणीकरण और नैतिकता। चार परतों (वर्गीकरण, गुमनामीकरण, उपकरण चयन, न्यूनतम डेटा) में डेटा को सुरक्षित रखें और केवीकेके जिम्मेदारी याद रखें। स्रोत लिंकिंग, पुनर्गणना और प्रशासनिक फ़िल्टरिंग के साथ प्रत्येक आउटपुट को मान्य करें; जोखिम स्तर के आधार पर परिश्रम बढ़ाएँ। ऐसे प्रस्ताव रखें जो निष्पक्षता के माध्यम से लोगों को प्रभावित करें और पारदर्शिता और जवाबदेही बनाए रखें। एक सरल एआई शासन ढांचा पूरी टीम की सुरक्षा करता है। और हमेशा: उच्च जोखिम वाले, परिणामी क्षेत्रों में, एआई सक्षम विशेषज्ञ अनुमोदन का कोई विकल्प नहीं है।
आवेदन कार्य
अपने व्यवसाय के लिए "एआई उपयोग दिशानिर्देश" का आधे पृष्ठ का मसौदा लिखें। इसमें शामिल करें: कौन सा डेटा किस टूल को दिया जा सकता है, डेटा को कैसे गुमनाम किया जाएगा, कौन से आउटपुट को मान्य किया जाना चाहिए, कौन से निर्णय पूरी तरह से विशेषज्ञ के हैं और कौन जिम्मेदार है। उपरोक्त "एआई उपयोग जोखिम वर्गीकरण" टेम्पलेट का उपयोग करते हुए, पिछले सप्ताह एआई के साथ आपके द्वारा किए गए 5 कार्यों को जोखिम स्तर में रखें और प्रत्येक के लिए सही सत्यापन चरण लिखें।
चेकलिस्ट
- [ ] क्या मैंने डेटा को वर्गीकृत और अज्ञात किया है?
- [ ] क्या मैंने कंपनी द्वारा अनुमोदित/सुरक्षित उपकरण और न्यूनतम डेटा का उपयोग किया?
- [ ] क्या मैंने प्रत्येक आउटपुट को जोखिम स्तर के विरुद्ध मान्य किया है?
- [ ] क्या मैंने निष्पक्षता के माध्यम से लोगों को प्रभावित करने वाले प्रस्तावों को फ़िल्टर किया है?
- [ ] क्या मुझे उच्च जोखिम वाले निर्णयों के लिए विशेषज्ञ की मंजूरी की आवश्यकता है?
मॉड्यूल परीक्षा
1. एआई को नौकरी आउटसोर्स करने से पहले एक प्रबंधक को काम की परत (यांत्रिक/विश्लेषणात्मक/निर्णय) और सत्यापन कठोरता निर्धारित करने के लिए क्या प्रश्न पूछना चाहिए?
- ए) यदि यह आउटपुट गलत है तो परिणाम क्या होगा? ✔
- बी) क्या कृत्रिम बुद्धिमत्ता इस काम को जल्द से जल्द पूरा कर सकती है?
- ग) क्या यह टूल मुफ़्त है?
- घ) क्या यह कार्य पहले कभी किया गया है?
विवरण: सही उपयोग का आधार कार्य को जोखिम के स्तर के अनुसार वर्गीकृत करना है। 'यदि यह आउटपुट गलत है तो परिणाम क्या होगा?' प्रश्न यह निर्धारित करता है कि क्या कार्य यांत्रिक, विश्लेषणात्मक या एक जिम्मेदार निर्णय है और इसलिए कितने सत्यापन की आवश्यकता है।
2. कृत्रिम बुद्धिमत्ता द्वारा दिया गया 'उद्योग औसत 23 प्रतिशत' का आंकड़ा बिना सत्यापन के निदेशक मंडल के सामने प्रस्तुत किया जाता है और पता चलता है कि यह आंकड़ा मनगढ़ंत है। इस मामले में किस बुनियादी अनुशासन की अनदेखी की गई?
- ए) कृत्रिम बुद्धिमत्ता का उपयोग केवल सुबह के समय करने का नियम
- बी) आउटपुट को स्रोत से जोड़कर सत्यापित करने का अनुशासन ✔
- सी) रिपोर्ट को रंग तालिका में परिवर्तित करना
- डी) एक लंबा प्रॉम्प्ट लिखना
स्पष्टीकरण: कृत्रिम बुद्धिमत्ता कभी-कभी ठोस भाषा (मतिभ्रम) में एक गैर-मौजूद संख्या उत्पन्न करती है। आउटपुट को स्रोत से जोड़ने का चरण यह जांचता है कि क्या प्रत्येक संख्या वास्तविक स्रोत से आती है या बनाई गई हो सकती है। जब इसे छोड़ दिया जाता है, तो गलत निर्णयों का खतरा होता है।
3. जबकि एक ई-कॉमर्स कंपनी में कुल टर्नओवर स्थिर दिखाई देता है, सेगमेंट ब्रेकडाउन से पता चलता है कि उच्च-लाभकारी श्रेणी में 22 प्रतिशत की कमी आई है, और कम-लाभकारी बिक्री इस पर पर्दा डालती है। यह उदाहरण किस सिद्धांत को दर्शाता है?
- ए) कुल संख्या हमेशा सबसे विश्वसनीय संकेतक होती है
- बी) लाभप्रदता महत्वहीन है, केवल टर्नओवर महत्वपूर्ण है
- सी) कुल संख्याएँ उलटफेर को छिपा सकती हैं; खंड विखंडन से सच्चाई का पता चलता है ✔
- डी) सेगमेंट विश्लेषण केवल बड़ी कंपनियों के लिए मान्य है
स्पष्टीकरण: कुल संख्याएँ आंतरिक उत्क्रमण को छिपा सकती हैं। निर्णय समर्थन कार्य में कुल के बजाय ब्रेकडाउन (खंड विश्लेषण) को देखने से सच्चाई का पता चलता है; एक निश्चित कुल के अंतर्गत बड़े बदलाव छिपे हो सकते हैं।
4. एक कैफे प्रबंधक इस निष्कर्ष की व्याख्या करता है कि 'सप्ताहांत की बिक्री तापमान के साथ बढ़ती है' क्योंकि 'गर्म मौसम बिक्री बढ़ाता है' और एयर कंडीशनिंग को बंद कर देता है; हालाँकि, असली कारण सप्ताहांत में ग्राहकों की बढ़ती आवाजाही थी। यह त्रुटि क्या है?
- ए) सहसंबंध को कार्य-कारण समझने की भूल ✔
- बी) पर्याप्त डेटा एकत्र नहीं करना
- सी) गलत चार्ट प्रकार का चयन करना
- डी) डेटा को अज्ञात नहीं करना
स्पष्टीकरण: सिर्फ इसलिए कि दो चीजें एक साथ कार्य करती हैं (सहसंबंध) इसका मतलब यह नहीं है कि एक दूसरे का कारण बनती है (कारण)। तापमान और बिक्री संयोगवश एक ही दिशा में चली गई; सामान्य कारण सप्ताहांत यातायात था। कृत्रिम बुद्धिमत्ता द्वारा पाए गए रिश्ते सबूत नहीं हैं, बल्कि परीक्षण की जाने वाली परिकल्पनाएँ हैं।
5. एक अच्छी प्रबंधन रिपोर्ट की 'पिरामिड' संरचना के शीर्ष पर क्या है?
- ए) कच्चा डेटा टेबल
- बी) कार्यकारी सारांश ✔
- सी) अतिरिक्त दस्तावेज़ और फ़ुटनोट
- डी) पिछले वर्षों के सभी आंकड़े
स्पष्टीकरण: एक अच्छी रिपोर्ट एक पिरामिड है: शीर्ष पर, कार्यकारी सारांश (3-5 बुलेट पॉइंट) जिसे सबसे व्यस्त पाठक के लिए 30 सेकंड में समझने के लिए डिज़ाइन किया गया है; नीचे महत्वपूर्ण निष्कर्ष; सबसे नीचे सहायक विवरण है. इस प्रकार, शीर्ष प्रबंधक केवल शीर्ष को पढ़ता है, और जो कोई भी जिज्ञासु होता है वह नीचे आ जाता है।
6. जब कोई कॉल सेंटर 'प्रति दिन उत्तरित कॉलों की संख्या' को KPI बनाता है, तो प्रतिनिधि कॉलों में तेजी लाते हैं और ग्राहकों की संतुष्टि को कम करते हैं। यह स्थिति किस सिद्धांत को दर्शाती है?
- ए) जितने अधिक केपीआई, उतना बेहतर प्रबंधन
- बी) केपीआई का उपयोग कॉल सेंटर में नहीं किया जा सकता है
- सी) गति हमेशा गुणवत्ता से पहले आती है
- डी) एक KPI जिसमें हेरफेर किया जा सकता है, परिणाम को मापने के बजाय प्रतिकूल व्यवहार को प्रोत्साहित कर सकता है ✔
स्पष्टीकरण: जब कोई संकेतक लक्ष्य बन जाता है, तो लोग उसे धोखा देने के तरीके ढूंढते हैं (गुडहार्ट का नियम)। 'कॉल काउंट' में आसानी से हेरफेर किया जा सकता है और यह वास्तविक परिणाम (रिज़ॉल्यूशन, संतुष्टि) को नहीं मापता है। इसलिए KPI चुनने से पहले आपको पूछना चाहिए कि 'यह किस प्रतिकूल व्यवहार को प्रोत्साहित करता है?' पूछा जाना चाहिए.
7. प्रक्रिया स्वचालन में 'पहले प्रक्रिया को सरल बनाएं, बाद में स्वचालित करें' नियम का क्या कारण है?
- ए) स्वचालन एक टूटी हुई प्रक्रिया में विफलता को भी तेज करता है; प्रक्रिया को पहले ठीक किया जाना चाहिए ✔
- बी) सरलीकरण स्वचालन को असंभव बना देता है
- C) सरलीकरण केवल एक कानूनी दायित्व है
- डी) स्वचालन हमेशा सरलीकरण से सस्ता होता है
विवरण: स्वचालन से प्रक्रिया की गति बढ़ जाती है; यदि प्रक्रिया दूषित है तो यह त्रुटि को भी तेज कर देता है। जब एक लेखांकन इकाई में 5 अनावश्यक चरणों की प्रक्रिया स्वचालित हो गई, तो अनावश्यक चरण तेजी से काम करने लगे। पहले प्रक्रिया को सरल बनाया जाए, फिर तेज किया जाए।
8. ग्राहक को स्वचालित प्रतिक्रियाओं में 'ह्यूमन-इन-द-लूप' डिज़ाइन का उद्देश्य क्या है?
- ए) स्वचालन को पूरी तरह से रोकना
- B) कृत्रिम बुद्धिमत्ता के निर्णय अधिकार को बढ़ाना
- सी) अधिकांश गति को बनाए रखते हुए महत्वपूर्ण बिंदु पर मानवीय अनुमोदन से त्रुटि को बचने से रोकना ✔
- डी) मानव कार्यबल को पूरी तरह से समाप्त करना
स्पष्टीकरण: मानव-इन-द-लूप डिज़ाइन स्वचालित प्रक्रिया के महत्वपूर्ण बिंदु पर एक मानव अनुमोदन है। एआई ड्राफ्ट तैयार करता है, मानव इसे तुरंत मंजूरी देता है, फिर इसे भेजा जाता है। यह अधिकांश गति को संरक्षित करते हुए बग को सीधे बाहर जाने से रोकता है; जब एक टीम ने इस मंजूरी को हटा दिया तो ग्राहक तक गलत जानकारी पहुंच गई.
9. फर्नीचर कार्यशाला में उत्पादन धीमा है; प्रबंधक सबसे महंगी मशीन (कटिंग) को बदलना चाहता है, लेकिन विश्लेषण से पता चलता है कि बाधा रंगाई-सुखाने का चरण है। संचालन विश्लेषण का मूल सिद्धांत क्या है?
- ए) सबसे महंगे कदम में हमेशा सुधार किया जाना चाहिए
- बी) सुधार को उस बाधा पर लक्षित किया जाना चाहिए जो संपूर्ण प्रवाह को धीमा कर देती है ✔
- सी) सभी कदम समान रूप से तेज किये जाने चाहिए
- डी) टोंटी की अवधारणा केवल उत्पादन लाइनों पर मान्य है
स्पष्टीकरण: किसी प्रक्रिया की गति उसके सबसे धीमे चरण (अड़चन) की गति है। अड़चन के बाहर तेजी से कदम बढ़ाना पैसे और प्रयास की बर्बादी है; एकमात्र चीज जो काम करती है वह है अड़चन को चौड़ा करना। जब प्रबंधक ने वध करने के बजाय दूसरे सुखाने वाले ओवन में निवेश किया, तो गति 28 प्रतिशत बढ़ गई।
10. खरीदारी करते समय, एक प्रबंधक सबसे सस्ते कच्चे माल आपूर्तिकर्ता पर स्विच करता है लेकिन आपूर्तिकर्ता की खराब वितरण विश्वसनीयता को नजरअंदाज कर देता है; दो प्रमुख देरी के कारण उत्पादन रुक रहा है। इस स्थिति से क्या सबक मिलता है?
- ए) हमेशा सबसे महंगे आपूर्तिकर्ता को चुना जाना चाहिए
- बी) वितरण विश्वसनीयता अप्रासंगिक है
- सी) आपूर्तिकर्ता का मूल्यांकन एक आयाम (केवल कीमत) में नहीं किया जाना चाहिए, बल्कि विश्वसनीयता और जोखिम सहित कई आयामों में किया जाना चाहिए।
- डी) आपूर्तिकर्ता निर्णय पूरी तरह से कृत्रिम बुद्धिमत्ता पर छोड़ दिया जाना चाहिए
विवरण: आपूर्तिकर्ता चयन बहुआयामी है: कीमत, गुणवत्ता, डिलीवरी समय, विश्वसनीयता, वित्तीय सुदृढ़ता और जोखिम का एक साथ मूल्यांकन किया जाना चाहिए। केवल कीमत देखने से अर्जित छूट से कई गुना अधिक नुकसान हो सकता है; उत्पादन घटने से छूट समाप्त हो गई।
11. लगातार देर से आने वाली टीम को क्रोधपूर्ण, कठोर ईमेल भेजने से पहले प्रबंधक के लिए सबसे अच्छी बात क्या है?
- ए) संदेश को वैसे ही भेजना जैसे वह है, क्योंकि भावनाएँ वास्तविक हैं
- बी) कृत्रिम बुद्धि के साथ स्वर को समाधान-उन्मुख बनाना और फिर इसे मानव फ़िल्टर के माध्यम से पारित करना ✔
- सी) संदेश बिल्कुल न भेजना और समस्या को नजरअंदाज करना
- डी) संदेश को मजबूत बनाना
स्पष्टीकरण: क्रोधित होने पर लिखे गए संदेशों को तुरंत नहीं भेजना चाहिए। कृत्रिम बुद्धिमत्ता को यह बताना कि 'समान अपेक्षाओं और सीमाओं को बनाए रखते हुए स्वर को सम्मानजनक और समाधान-उन्मुख स्वर में बदलें' संदेश के सार को संरक्षित करता है, उसके स्वर को सही करता है और मुश्किल से उबरने वाली नाराजगी को रोकता है; फिर आउटपुट मानव-फ़िल्टर किया जाता है।
12. एक बैठक सारांश में कहा गया है कि एआई 'बजट वृद्धि स्वीकृत' है; हालांकि, बैठक में कहा गया कि 'बजट बढ़ोतरी का मूल्यांकन किया जाएगा.' इस खतरे से बचने का सही तरीका क्या है?
- ए) सारांश को बिना पढ़े तुरंत वितरित करें
- बी) सारांश को सत्यापित करें, निर्णय को संभावना से अलग करें और प्रतिभागियों द्वारा इसकी पुष्टि करें ✔
- ग) बैठक का सारांश बिल्कुल नहीं बनाना
- D) सबसे लंबे वाक्य को ही निर्णय मानना
विवरण: एआई निर्णयों को ग़लत बता सकता है; 'मूल्यांकन किया जाना' और 'अनुमोदित' के बीच का अंतर महत्वपूर्ण है। बैठक का सारांश अक्सर 'आधिकारिक स्मृति' होता है, इसलिए प्रत्येक सारांश को पढ़ा जाना चाहिए, निर्णय से अलग किया जाना चाहिए, और वितरित करने से पहले प्रतिभागियों के साथ इसकी पुष्टि की जानी चाहिए।
13. परिदृश्य नियोजन में, भविष्य को एक भविष्यवाणी (उदाहरण के लिए, 'हम 15 प्रतिशत की दर से बढ़ेंगे') से बांधने के बजाय कम से कम तीन परिदृश्य (आशावादी, बुनियादी, निराशावादी) स्थापित करने का उद्देश्य क्या है?
- ए) कृत्रिम बुद्धिमत्ता भविष्य की सटीक भविष्यवाणी कर सकती है
- बी) इससे कोई फर्क नहीं पड़ता कि सच्चाई किस दिशा में जा रही है, घबराएं नहीं और घबराने के बजाय योजना को क्रियान्वित करें ✔
- सी) कम डेटा एकत्र करें
- डी) पहले से ही एक सही भविष्य चुनना
स्पष्टीकरण: वास्तविकता एक अंतराल है; यदि किसी एक अनुमान पर आधारित योजना साकार नहीं हुई तो वह ध्वस्त हो जायेगी। कई परिदृश्यों के लिए पहले से प्रतिक्रियाएँ तैयार करना यह सुनिश्चित करता है कि घबराने की बजाय एक योजना लागू की जा सकती है, चाहे वास्तविकता किसी भी दिशा में क्यों न हो। उद्देश्य भविष्य जानना नहीं है, बल्कि बिना तैयारी के पकड़े नहीं जाना है।
14. व्यवसाय प्रबंधन में कृत्रिम बुद्धिमत्ता के उपयोग के बारे में निम्नलिखित में से कौन सा सत्य है?
- ए) कृत्रिम बुद्धिमत्ता आउटपुट उन निर्णयों में सक्षम विशेषज्ञ अनुमोदन को प्रतिस्थापित नहीं करता है जिनके वित्तीय, कानूनी और मानव संसाधन परिणाम होते हैं ✔
- बी) यदि कृत्रिम बुद्धिमत्ता आउटपुट सही है, तो विशेषज्ञ अनुमोदन की कोई आवश्यकता नहीं है
- सी) वास्तविक ग्राहक डेटा को खुले टूल में तब तक दिया जा सकता है जब तक वह सुरक्षित प्रतीत होता है
- डी) 'एआई ने ऐसा कहा' जवाबदेही के लिए एक वैध औचित्य है
प्रकटीकरण: एआई आउटपुट अनुपालन, वित्त, कानूनी और मानव संसाधन जैसे परिणामी क्षेत्रों में सक्षम विशेषज्ञ अनुमोदन का विकल्प नहीं है। कृत्रिम बुद्धिमत्ता गति बढ़ाने वाली सहायक है; डेटा की गोपनीयता, आउटपुट की सटीकता और निर्णय की नैतिकता हमेशा प्रबंधक की जिम्मेदारी होती है। एक असत्यापित आउटपुट एक अहस्ताक्षरित निर्णय जितना ही जोखिम भरा है।