कॉज़ल मशीन लर्निंग: कॉर्पोरेट निर्णय लेने की नई सीमा

कारण-प्रभाव लिंक की खोज: निर्णय लेने में सुधार करने और अधिक सटीक भविष्यवाणियां करने की रणनीतियां

मिट स्लोअन मैनेजमेंट रिव्यू इटली, मई/जून/जुलाई 2025 पर प्रकाशित।

दमशीन लर्निंगअब व्यापक रूप से उपयोग किया जाता हैनिर्णयों का मार्गदर्शन करेंऐसी प्रक्रियाओं में जहां किसी विशिष्ट परिणाम की संभावना को मापने के लिए यह पर्याप्त है, उदाहरण के लिए, क्या कोई ग्राहक ऋण चुकाएगा। हालाँकि, क्योंकि प्रौद्योगिकी, अपने पारंपरिक अनुप्रयोग में, भविष्यवाणियाँ करने के लिए सहसंबंधों पर निर्भर करती है, जब व्यावसायिक परिणामों पर विभिन्न विकल्पों के प्रभाव का अनुमान लगाने की बात आती है, तो प्रबंधकों को जो अंतर्दृष्टि प्रदान करती है, वह अपूर्ण होती है (फ्यूरीगेल)एट अल।, 2022ए).

एक बड़ी कंपनी के अधिकारियों पर विचार करें जिन्हें यह तय करना है कि अगले वर्ष अनुसंधान एवं विकास (आरएंडडी) में कितना निवेश करना है। विश्लेषण पद्धति का उपयोग करनामशीन लर्निंग (एमएल)परंपरागत, उन्हें आश्चर्य हो सकता है कि जब वे खर्च बढ़ाएंगे तो क्या होगा। जब अर्थव्यवस्था बढ़ रही हो तो उन्हें निवेश के उच्च स्तर और उच्च राजस्व के बीच एक मजबूत संबंध मिल सकता है। और वे यह निष्कर्ष निकाल सकते हैं कि चूंकि आर्थिक स्थितियाँ अनुकूल हैं, इसलिए उन्हें अपना अनुसंधान एवं विकास बजट बढ़ाना चाहिए।

लेकिन क्या उन्हें वास्तव में ऐसा करना चाहिए? और यदि हां, तो कितना? बाहरी कारक, जैसे उपभोक्ता खर्च का स्तर, प्रतिस्पर्धियों से तकनीकी लाभ और ब्याज दरें भी राजस्व वृद्धि को प्रभावित करते हैं। इन अन्य चरों को ध्यान में रखते हुए, निवेश के विभिन्न स्तर राजस्व को कैसे प्रभावित कर सकते हैं, इसकी तुलना करना, प्रबंधक के लिए अनुसंधान एवं विकास बजट निर्धारित करने की कोशिश करने के लिए उपयोगी है जो कंपनी को सबसे अधिक लाभ पहुंचाएगा।

कारण एमएल, एमशीन लर्निंग का उभरता हुआ क्षेत्र,इन सवालों के जवाब देने में मदद कर सकता हैक्या होगा अगरकारण अनुमान के माध्यम से। ठीक उसी प्रकार जैसे विपणक ए/बी परीक्षण का उपयोग यह पता लगाने के लिए करते हैं कि दो विज्ञापनों में से कौन सा विज्ञापन अधिक बिक्री उत्पन्न करने की संभावना रखता है,कॉज़ल एमएल यह बता सकता है कि यदि प्रबंधक कोई विशेष कार्रवाई करें तो क्या हो सकता है(फ्यूरीगेलएट अल।, 2022बी).

यह बनाता हैकई में उपयोगी तकनीकउसी काव्यावसायिक कार्य जो पारंपरिक एमएल का उपयोग करते हैं,उत्पाद विकास, विनिर्माण, वित्त, मानव संसाधन और विपणन (वॉन ज़ैन) सहितएट अल।, 2024). पारंपरिक एमएलअभी भी हैआदर्श दृष्टिकोणजब एकमात्र उद्देश्य हैभविष्यवाणियां करें,जैसे कि क्या स्टॉक की कीमतें बढ़ेंगी या ग्राहकों द्वारा कौन से उत्पाद खरीदने की सबसे अधिक संभावना है। जब कोई कंपनी चाहेभविष्यवाणीक्या होगा यदि उसने एक निर्णय के बजाय दूसरा निर्णय लिया हो, उदाहरण के लिए यदि 10% या कोई छूट नहीं होने से ग्राहक को बार-बार खरीदारी करने की अधिक संभावना है, तो उसे एक की आवश्यकता हैकारण एमएल.

मशीन लर्निंग और एआई में हमारा शोध और कंपनियों को कारण एमएल बिंदु लागू करने में मदद करने वाला हमारा अनुभवइस तकनीक का सफलतापूर्वक उपयोग करने का मार्ग(बॉक्स द रिसर्च)। व्यवसायों को भी इसकी आवश्यकता होगीसही कौशलऔर उन्हें करना होगाकर्मचारी कारण एमएल साक्षरता बढ़ाएँ।

कारण एमएल क्या कर सकता है और क्या नहीं

कॉज़ल एमएल एक शक्तिशाली उपकरण है, लेकिन प्रबंधकों को नाम भ्रामक लग सकता है। लेबल'प्रतितथ्यात्मक भविष्यवाणी'अधिक सटीकता से प्रतिबिंबित करेगा कि यह क्या करता है:काल्पनिक कार्यों के आधार पर परिणामों की भविष्यवाणी करें।प्रौद्योगिकी को निश्चित उत्तरों के स्रोत के बजाय बेहतर परिकल्पना बनाने के तरीके के रूप में बेहतर समझा जाता है। इसे इस प्रकार तैयार करके, प्रबंधकों को याद दिलाया जा सकता हैपरिणामों की अधिक व्याख्या न करें।

यह इसका उपयोग करके ऐसा करता हैकारण अनुमान,जो चरों के बीच कारण-और-प्रभाव संबंधों को समझने के लिए पिछले परिणामों की जांच करता है। कुछ क्यों हुआ, इस पर ध्यान केंद्रित करने के बजाय, कॉज़ल एमएल हस्तक्षेपों के प्रभावों की भविष्यवाणी करने के लिए इन संबंधों को लागू करता हैनए और भविष्योन्मुखी संदर्भ।

हालाँकि, विधि यह नहीं समझा सकती है कि किसी विशेष कारक और उसके द्वारा प्रभावित परिणाम के बीच एक कारण संबंध क्यों मौजूद है। उदाहरण के लिए, एक कॉसल एमएल मॉडल भविष्यवाणी कर सकता है कि आर एंड डी बजट को कम करने से राजस्व में कमी आएगी, लेकिन यह यह नहीं बताएगा कि यह संबंध क्यों मौजूद है या क्या भ्रमित करने वाले कारक - जो निर्णय और परिणाम दोनों को प्रभावित करते हैं - बदल सकते हैं और भविष्यवाणी को अमान्य कर सकते हैं। प्रबंधकों को चाहिएउनके अनुभव का उपयोग करेंउद्योग में यह मूल्यांकन करने के लिए कि क्या एक निश्चित पूर्वानुमान समझ में आता है। यह दृष्टिकोण यह सुनिश्चित करने में मदद करता है कि मॉडल भविष्यवाणियों की सही ढंग से व्याख्या की जाती है और वास्तविक दुनिया के निर्णयों के लिए प्रासंगिक बनी रहती है। पारंपरिक मशीन लर्निंग की तरह,कॉज़ल एमएल तब अधिक प्रभावी होता है जब प्रबंधकों के पास बड़ी मात्रा में डेटा होता है,विकल्प स्पष्ट रूप से परिभाषित हैं और वांछित परिणाम अच्छी तरह से समझा गया है।यह आमतौर पर निर्णयों के लिए उपयुक्त नहीं हैएकमुश्तऔर ऐसे परिदृश्य जिनमें अंतर्ज्ञान या रचनात्मकता की आवश्यकता होती है।

सही समस्या और डेटा चुनें

कॉज़ल एमएल इसके लिए सबसे उपयुक्त हैसरल निर्णयों के परिणामों की भविष्यवाणी करेंजो आंतरिक और बाह्य स्रोतों से व्यापक ऐतिहासिक डेटा द्वारा समर्थित हैं। संचालन प्रश्न इस दृष्टिकोण के लिए अच्छे उम्मीदवार हो सकते हैं क्योंकि वे अक्सर पूछे जाते हैं और कंपनियों के पास उनका समर्थन करने के लिए बहुत सारा डेटा होता है (वॉन क्रोग, बेन-मेनहेम, और श्रेष्ठ, 2021)। इस संदर्भ में कॉज़ल एमएल का उपयोग करने के कुछ उदाहरण नीचे दिए गए हैं:

Booking.com हर घंटे हजारों होटल आरक्षणों से डेटा एकत्र करता है। कंपनी के विपणक इसका उपयोग करते हैंकारण विश्लेषण विधिन केवल यह निर्धारित करने के लिए कि क्याअनुदान छूट,लेकिन यह भीकिन ग्राहकों को इन्हें मिलना चाहिए।चॉकलेट निर्माता लिंड्ट के पास पर्यावरणीय स्थितियों, उपकरण, पैकेजिंग और अन्य कारकों पर व्यापक डेटा है जो इसके विश्व प्रसिद्ध ट्रफ़ल्स की गुणवत्ता को प्रभावित करते हैं। उत्पादन प्रबंधक इसका उपयोग करते हैंकारण एमएलजैसे मापदंडों को ठीक करने में उनकी मदद करने के लिएमशीनों का तापमानऔरमोल्ड कॉन्फ़िगरेशनट्रफल्स के लिए (ईटीएच एआई सेंटर, 2023)।हिताची एबीबी पावर ग्रिड ने मशीन प्रदर्शन डेटा का उपयोग करके अपनी सेमीकंडक्टर निर्माण प्रक्रिया में विफलता दर को कम करने के लिए कॉज़ल एमएल पर भरोसा किया। यह उन मशीनों के संयोजन की पहचान करके उपज हानि को आधा करने में सक्षम था जो लगातार सर्वोत्तम गुणवत्ता वाले चिप्स का उत्पादन करती थीं (सेनोनर, नेटलैंड, और फ्यूरीगेल, 2022)।

नोवार्टिस में, विभिन्न प्रकार के एमएल की क्षमताओं पर शिक्षित प्रबंधक कई निर्णय लेने वाले कार्यों की पहचान करने में सक्षम थे, जहां पारंपरिक एमएल को कॉज़ल एमएल के साथ बदलने से महत्वपूर्ण लाभ मिले। उन्होंने पारंपरिक एमएल मॉडल से पूछा था कि क्या मार्केटिंग बजट बढ़ाने से बिक्री बढ़ेगी, लेकिन इसकी भविष्यवाणियों ने उन्हें यह तय करने में मदद नहीं की कि उस बजट को कैसे आवंटित किया जाए। उन्होंने यह मूल्यांकन करने के लिए कॉज़ल एमएल का उपयोग करने का निर्णय लिया कि विभिन्न प्रचार अभियान भविष्य की बिक्री को कैसे प्रभावित कर सकते हैं। उन्होंने उन अभियानों के लिए संसाधन आवंटित करने के लिए पूर्वानुमानों का उपयोग किया जिनके सबसे प्रभावी होने की संभावना थी।

कॉज़ल एमएल के लिए उपयुक्त निर्णय को एक संख्या या बाइनरी विकल्प के रूप में व्यक्त किया जा सकता है(उदाहरण के लिए, राजस्व की राशि या खरीद/कब्जा)। इसे एक प्रश्न के रूप में भी व्यक्त किया जा सकता है कि क्या कार्रवाई की जाए: अगली तिमाही के लिए $10,000 या $15,000 का मार्केटिंग बजट आवंटित करें, या किसी उत्पाद पर 10% या कोई छूट न दें (वासेरबैकर और स्पिंडलर, 2022)।

साथ ही, विधिकॉज़ल एमएल सभी संभावित उपयोग मामलों को प्रभावी ढंग से संबोधित नहीं कर सकता है, भले ही स्पष्ट रूप से यह इस उद्देश्य के लिए उपयुक्त लगता हो।संस्थापक- वे चर जो परिणाम और निर्णय दोनों को प्रभावित करते हैं -विकृतियां प्रस्तुत करें जो पूर्वानुमानों को प्रभावित करती हैंऔर इसे ध्यान में रखा जाना चाहिए। उनका परीक्षण करना और भविष्यवाणियों की सटीकता को प्रभावित करना कठिन या असंभव हो सकता है। उदाहरण के लिए, यदि डेटा केवल आर्थिक विकास चरण के दौरान उत्पाद की बिक्री के लिए उपलब्ध है, तो मंदी के दौरान उत्पाद की बिक्री के पूर्वानुमान कम विश्वसनीय होंगे।

जब प्रबंधकों ने यह निर्धारित कर लिया है कि वे क्या निर्णय लेना चाहते हैं, पहचान लिया है कि वे परिणाम को कैसे मापेंगे, और पुष्टि की है कि उनके पास पर्याप्त डेटा है, तो वे अपने कॉज़ल एमएल मॉडल के निर्माण के लिए डेटा को इकट्ठा करने और वर्गीकृत करने के लिए डेटा वैज्ञानिकों के साथ काम करना शुरू कर सकते हैं। व्यावसायिक नेता और डोमेन ज्ञान वाले अन्य लोग विश्वसनीय परिणाम देने वाले कारणात्मक एमएल मॉडल के निर्माण में डेटा वैज्ञानिकों और एमएल विशेषज्ञों के आवश्यक भागीदार हैं।

मॉडल को समझने के लिए प्रशिक्षित करनाजटिल कारण-प्रभाव संबंधकम से कम कुछ दर्जन और आदर्श रूप से सैकड़ों या हजारों ऐतिहासिक निर्णयों के डेटा की आवश्यकता है। एक के साथविशाल मात्रा में डेटा,मॉडल उन चरों के बीच संबंधों को उजागर कर सकता है जो प्रबंधकों के लिए अज्ञात हो सकते हैं या जिनकी मात्रा निर्धारित करना मुश्किल हो सकता है। कम डेटा से कम सटीक भविष्यवाणियाँ होती हैं।

सिद्धांत रूप में,कारण विश्लेषण पद्धति के लिए तीन श्रेणियों के डेटा की आवश्यकता होती हैजिसका पहले उल्लेख किया गया था:निर्णय, परिणाम और भ्रमित करने वाले कारक।निर्णय डेटा में प्रबंधकों ने अतीत में क्या किया है, जैसे स्टाफिंग स्तर या बजट सेट, दी गई छूट, किए गए निवेश, या बदली हुई प्रक्रियाएं शामिल हैं। परिणाम डेटा में कोई भी मापने योग्य व्यावसायिक परिणाम शामिल हो सकता है, जैसे बिक्री की मात्रा, राजस्व वृद्धि, गुणवत्ता मेट्रिक्स, या उत्पादकता।

भ्रमित करने वाले कारक आंतरिक या बाहरी स्रोतों से आ सकते हैं। उनमें आर्थिक स्थितियाँ, कार्यबल की संरचना और प्रतिस्पर्धियों का व्यवहार शामिल हो सकते हैं, और लिए जाने वाले निर्णय के आधार पर भिन्न हो सकते हैं। मार्केटिंग निर्णय के लिए, ग्राहकों द्वारा उपयोग किए जाने वाले डिवाइस का प्रकार एक जटिल कारक हो सकता है, क्योंकि जिनके पास अधिक महंगा स्मार्टफोन है, वे अधिक खर्च कर सकते हैं, भले ही वे प्रोत्साहन के लिए योग्य हों या नहीं।

उदाहरण के लिए, स्विट्जरलैंड के सबसे बड़े सर्कुलेशन अखबार को प्रकाशित करने वाली एक अंतरराष्ट्रीय मीडिया कंपनी न्यू ज़ुर्चर ज़ितुंग ने संपादकों के सामग्री प्रचार निर्णयों की प्रभावशीलता में सुधार के लिए कॉसल एमएल को लागू किया। निर्णय परिवर्तनीय दो मुखपृष्ठों में से एक पर एक ऑनलाइन लेख का प्रचार था जो पाठकों को परोसा गया था। परिणाम चर एक प्रदर्शन स्कोर था जो वेबसाइट ट्रैफ़िक, पाठक सहभागिता और सदस्यता सब्सक्रिप्शन को जोड़ता था। कन्फ़ाउंडर्स में अस्थायी कारक (जैसे दिन का समय), सामग्री विशेषताएँ (जैसे लेख प्रारूप), पिछले प्रदर्शन संकेतक (क्लिक सहित), और पिछले प्रचार निर्णय (इसमें यह भी शामिल है कि लेख को कहीं और प्रचारित किया गया था) शामिल थे।

संभावित कारण कारकों की पहचान करें

हमारे काम का एक मूल्यवान सबक रूपरेखा की उपयोगिता थीकारण ग्राफएक व्हाइटबोर्ड पर जो मॉडल विकास प्रक्रिया की शुरुआत में परिणाम, निर्णय और भ्रमित करने वाले कारकों के बीच अपेक्षित संबंधों को दर्शाता है। प्रबंधकों का ज्ञान और अनुभव यहां आवश्यक है, क्योंकि उन्होंने बार-बार निर्णय लिए हैं और कुछ परिणामों की आशा करना सीखा है।

कारण ग्राफ डेटा वैज्ञानिकों (जिन्हें कारण अनुमान में विशेषज्ञ होना चाहिए) को बताता है कि क्यामॉडल में एक चर को एक कारण या प्रभाव के रूप में मानें।इस तरह, टीम विपरीत कारण संबंधी त्रुटियों से इंकार कर सकती है। दूसरे शब्दों में, यह सुनिश्चित कर सकता है कि मॉडल एक चर को दूसरे चर के कारण के रूप में गलत व्याख्या नहीं करता है, जबकि वास्तव में, प्रभाव विपरीत होता है।

सोशल मीडिया पर लाखों फॉलोअर्स वाले एक सेलिब्रिटी की कल्पना करें। अगर हम सोशल मीडिया या सेलिब्रिटी के बारे में ज्यादा नहीं जानते हैं, तो हम यह निष्कर्ष निकाल सकते हैं कि प्रसिद्धि अधिक संख्या में फॉलोअर्स से आती है। इसके विपरीत सत्य होने की अधिक संभावना है। जैसा कि एक औसत किशोर ने भी देखा, लाखों अजनबियों को अपने सोशल मीडिया अकाउंट पर फॉलो करने के लिए, उन्हें पहले कुछ ऐसा करना होगा जिससे वे ध्यान में आ सकें। अनुसंधान एवं विकास व्यय के बारे में हमारे प्रश्न के मामले में,बजट राजस्व को प्रभावित करता है, अन्यथा नहीं।इस बीच, आर्थिक माहौल, बाजार के रुझान या टीम विशेषज्ञता जैसे जटिल कारकों को ऐसे कारकों के रूप में पहचाना जाता है जो बजट निर्णय और व्यावसायिक परिणाम दोनों को संचालित करते हैं, लेकिन किसी से भी प्रभावित नहीं होते हैं। मॉडल इन सबको ध्यान में रखेगा (चित्र 1)।

निकास चुनें

अगला, प्रबंधकों को चुनना होगाप्रतिक्रिया का प्रकारमॉडल को प्रश्न के उत्तर में (आंकड़ों में, आउटपुट या अनुमान) प्रदान करना होगा: यह किसी निर्णय के अंतिम परिणाम या दूसरे की तुलना में किसी विकल्प के सापेक्ष लाभ की भविष्यवाणी कर सकता है।

इनमें से प्रत्येक परिणाम उपयोगी हो सकता है, यह इस पर निर्भर करता है कि प्रबंधक किसी निर्णय के बारे में कैसे सोच रहा है।अंतिम परिणामों पर ध्यान दें,जैसे कि विभिन्न बजट परिदृश्यों में संभावित राजस्व या व्यक्तिगत ग्राहकों के लिए अनुकूलित प्रोत्साहन, यह रणनीतिक योजना बनाने में मदद करता है। हालाँकि, विभिन्न निर्णयों के वृद्धिशील प्रभावों की तुलना करना अक्सर एक निर्णय लेने के लिए पर्याप्त होता है: यदि कोई प्रबंधक यह जानना चाहता है कि दो विज्ञापनों में से कौन सा विज्ञापन अधिक प्रभावी ढंग से बिक्री बढ़ा सकता है, तो उसे प्रत्येक प्रकार से उत्पन्न होने वाले राजस्व की मात्रा का अनुमान लगाने की आवश्यकता नहीं है। उसे बस सापेक्ष लाभ जानने की जरूरत है: कि एक विज्ञापन दूसरे की तुलना में तीन गुना अधिक राजस्व उत्पन्न करने में सक्षम है। इसके अलावा,लाभों पर ध्यान देंरिश्तेदार अंतिम परिणामों पर ध्यान केंद्रित करने की तुलना में अधिक विश्वसनीय भविष्यवाणियां उत्पन्न करते हैं। हम केवल आवश्यक विवरणात्मकता अपनाने की अनुशंसा करते हैं।

न्यू ज़ुर्चर ज़ितुंग के संपादक प्रत्येक प्रचारित आइटम के लिए वास्तविक क्लिक-थ्रू दरों की भविष्यवाणी करने में रुचि रखते थे, लेकिन कंपनी ने इसके बजाय किसी आइटम को बढ़ावा देने से संभावित शुद्ध प्रदर्शन लाभ की भविष्यवाणी करने का विकल्प चुना। इस दृष्टिकोण ने कॉज़ल एमएल को इस बारे में अधिक सटीक भविष्यवाणी करने की अनुमति दी कि यदि प्रचारित किया जाए तो कौन सी सामग्री क्लिक और सदस्यता बढ़ाएगी। संपादकों को पता चला कि प्रधान संपादक द्वारा लिखे गए लेखों को बढ़ावा देने से दोनों परिणामों में उल्लेखनीय वृद्धि हुई (पर्सन, फ्यूरीगेल, और कादर, 2023)। संपादकों ने प्रधान संपादक के लेखों को संयमित ढंग से प्रचारित किया था, और परिणाम उनकी प्रचार रणनीति की समीक्षा के लिए शुरुआती बिंदु के रूप में कार्य करते थे।

मॉडल का प्रशिक्षण, परीक्षण और सत्यापन

एक बार प्रबंधकों के पास हैपरिभाषितवह निर्णय जो वे लेना चाहते हैंऔर जिस प्रकार का आउटपुट वे पसंद करते हैं, डेटा और मशीन लर्निंग वैज्ञानिक चुन सकते हैंकारण एमएल मॉडल नौकरी के लिए सबसे उपयुक्त है।एक बार मॉडल लागू हो जाने के बाद, मशीन लर्निंग इंजीनियर पहले से वर्गीकृत डेटा का उपयोग करके इसे प्रशिक्षित करेंगे।

अंतिम चरण व्यवहार में कॉसल एमएल मॉडल का परीक्षण और सत्यापन करना है, यह सुनिश्चित करने के लिए कि यह विश्वसनीय है और इसकी भविष्यवाणियाँ बेहतर व्यावसायिक प्रदर्शन में तब्दील होती हैं। सत्यापन अधिकारियों सहित निर्णय निर्माताओं को अपनी भविष्यवाणियों पर विश्वास हासिल करने का अवसर भी प्रदान करता है। अपेक्षाकृत सरल, रैखिक समस्याओं से शुरू करना, जहां स्पष्ट निर्णय विकल्पों की पहचान और मूल्यांकन किया जा सकता है, इस चरण को पूरा करना आसान बनाता है।

परीक्षण और सत्यापन पर ध्यान देने की आवश्यकता हैक्योंकि प्रबंधक केवल वास्तविक दुनिया में लिए गए निर्णय के परिणाम का निरीक्षण कर सकते हैं। उनके पास यह जानने का कोई तरीका नहीं है कि यदि कोई अलग निर्णय लिया गया होता तो परिणाम क्या होता। दो रणनीतियाँ,पाश में मानवऔर प्रसिद्ध ए/बी परीक्षण दृष्टिकोण,सफल साबित हुए हैं।

न्यू ज़ुर्चर ज़ितुंग ने मॉडल की सिफारिशों को मानव निर्णय लेने की प्रक्रियाओं के साथ एकीकृत करने के लिए चुना है (वही). कॉज़ल एमएल मॉडल अनुशंसा करता है कि किस सामग्री को बढ़ावा दिया जाए, लेकिन संपादक अंतिम निर्णय लेते हैं। यह मॉडल उसी जानकारी पर आधारित है जिसका उपयोग संपादक पहले अपने प्रचार संबंधी निर्णय लेने के लिए करते थे; इसलिए, वे भरोसा कर सकते हैं कि मॉडल में प्रमुख तत्वों की कमी नहीं है। कॉज़ल एमएल मॉडल अनुशंसाएँ आम तौर पर संपादकों की भावनाओं से मेल खाती हैं, जो उन्हें मॉडल की विश्वसनीयता में विश्वास दिलाती है।

कुछ निर्णय कठिन होते हैं, और संपादक जानते हैं कि उनका निर्णय सही नहीं है। ऐसे मामलों में जहां कॉज़ल एमएल उनके द्वारा लिए गए निर्णय से भिन्न निर्णय की अनुशंसा करता है, संपादक अनुशंसा का परीक्षण कर सकते हैं और परिणाम देख सकते हैं।समय के साथ, उन्हें यह देखना चाहिए कि कॉज़ल एमएल पद्धति अस्पष्ट स्थितियों में विश्वसनीय सिफारिशें प्रदान कर सकती है।तब वे अपनी प्रवृत्ति के बजाय कॉज़ल एमएल की सिफारिशों का अधिक बार पालन करने में सक्षम होंगे।

हिताची एबीबी ने विनिर्माण गुणवत्ता में सुधार के लिए बनाए गए कॉसल एमएल मॉडल को मान्य करने के लिए ए/बी परीक्षण का उपयोग किया। एक एप्लिकेशन में, प्रबंधकों ने यह अनुमान लगाने के लिए मॉडल का उपयोग किया कि सेमीकंडक्टर निर्माण प्रक्रिया के नक़्क़ाशी और आरोपण चरणों में कई मशीनों में से कौन सी मशीन सबसे अच्छी गुणवत्ता का उत्पादन करेगी, जो समग्र रूप से उच्च गुणवत्ता वाले उत्पादन में योगदान करेगी। भविष्यवाणियों की विश्वसनीयता की पुष्टि करने के लिए, प्रबंधकों ने एक नियंत्रित प्रयोग किया जिसमें उन्होंने नक़्क़ाशी और प्रत्यारोपण के लिए उपयोग की जाने वाली मशीन को बदल दिया, जबकि अन्य प्रक्रियाओं के लिए उपयोग की जाने वाली मशीनों को अपरिवर्तित रखा। उन्होंने पाया कि चीरा लगाने और प्रत्यारोपण के लिए सबसे अच्छी मशीन वही थी जिसकी कारण एमएल मॉडल ने भविष्यवाणी की थी। कॉज़ल एमएल के लिए धन्यवाद, प्रबंधक उत्पादन समस्याओं के स्रोत को मैन्युअल तरीकों या पारंपरिक एमएल (सेनोनर) की तुलना में अधिक कुशलता से ढूंढने और हल करने में सक्षम थे।एट अल।, 2021)।

संगठन तैयार करें

हालांकि कॉज़ल एमएल में निर्णयों को बेहतर बनाने की क्षमता है,इन प्रणालियों को लागू करने के लिए कार्यबल में उच्च स्तर की एआई साक्षरता की आवश्यकता होती है,विशेष तकनीकी कौशल और धैर्य, क्योंकिइन परियोजनाओं को विकसित होने में पारंपरिक एमएल अनुप्रयोगों की तुलना में अधिक समय लग सकता है।प्रबंधक खुद को और अपने कार्यबल को कारणात्मक एआई के बारे में शिक्षित करके और अनुप्रयोगों को विकसित करने के लिए आवश्यक अंतःविषय टीमों का निर्माण करके अपने संगठनों को तैयार कर सकते हैं।

आज कई कंपनियां प्रतिस्पर्धी और नवीन बने रहने के लिए पारंपरिक एमएल और जेनरेटिव एआई मॉडल (जैसे चैटजीपीटी) पर कर्मचारी प्रशिक्षण में भारी निवेश करती हैं।यदि आपका संगठन कॉज़ल एमएल का उपयोग करने का इरादा रखता है, तो उसे अपने एआई साक्षरता प्रयासों में इस तकनीक को शामिल करना होगा।जो कर्मचारी एआई के विभिन्न दृष्टिकोणों की ताकत और सीमाओं के प्रति चौकस हैं, वे उन्हें प्रभावी ढंग से उपयोग करने के अवसर पा सकेंगे।

हमने पाया है कि कॉज़ल एमएल का उपयोग करने में उत्कृष्टता प्राप्त करने के लिए टीमों को एक की आवश्यकता होती हैडेटा विज्ञान और मशीन लर्निंग में मजबूत अनुभव,साथ ही सेक्टर ज्ञान। हालाँकि, इन टीमों का निर्माण महंगा हो सकता है, खासकर जब कंपनियों को डेटा वैज्ञानिकों को नियुक्त करने या बाहरी सलाहकारों और भागीदारों की ओर रुख करने की आवश्यकता होती है।

इसके अतिरिक्त, डेटा वैज्ञानिकों और मशीन लर्निंग इंजीनियरों को आम तौर पर अलग-अलग टीमों को सौंपा जाता है। कॉज़ल एमएल मॉडल को विकसित और कार्यान्वित करते समय उन्हें बारीकी से काम करना चाहिए और डोमेन ज्ञान रखने वाले व्यावसायिक हितधारकों के साथ मजबूत जुड़ाव रखना चाहिए। (पारंपरिक मशीन लर्निंग में डोमेन ज्ञान भी आवश्यक है, लेकिन अक्सर इसे कम कठोरता से लागू किया जाता है क्योंकि मॉडल बनाते समय टीमें चर के बीच अंतर्निहित संबंधों पर पूरी तरह से विचार नहीं करती हैं।)

उदाहरण के लिए, न्यू ज़ुर्चर ज़िटुंग में, संपादकीय प्रक्रियाओं, ग्राहक प्राथमिकताओं और दीर्घकालिक ब्रांड लक्ष्यों के बारे में संपादकों और विपणक का ज्ञान डेटा वैज्ञानिकों को उन चर को परिभाषित करने में मदद करता है जो इन कारकों को मापते हैं। हिताची एबीबी में, इंजीनियर मॉडल में शामिल करने के लिए विनिर्माण चर को परिभाषित करने के लिए आवश्यक जानकारी प्रदान करते हैं।

अंतरविषयक टीमें अक्सर सामान्य समझ, शब्दावली और काम करने के तरीकों की कमी से त्रस्त होती हैं।प्रबंधकों को ऐसे वातावरण को बढ़ावा देना चाहिए जहां क्रॉस-फ़ंक्शनल सहयोग पनप सकेऔर जिसमें सभी इच्छुक पक्ष मॉडल विकास प्रक्रिया में शामिल होते हैं। नियमित कार्यशालाएं, बैठकें और प्रशिक्षण सत्र जहां डेटा वैज्ञानिक, मशीन लर्निंग इंजीनियर और डोमेन विशेषज्ञ एक साथ समस्याओं का पता लगाते हैं, मॉडल को परिष्कृत करते हैं और निष्कर्षों के निहितार्थों पर एक साथ चर्चा करते हैं, ऐसे वातावरण को बढ़ावा दे सकते हैं जहां क्रॉस-फ़ंक्शनल सहयोग पनपता है।

मशीन लर्निंगने कई संगठनों के निर्णय लेने के तरीके को बदल दिया है;कॉज़ल एमएल व्यावसायिक परिणामों पर विभिन्न विकल्पों के प्रभावों की भविष्यवाणी करके ज्ञान को और गहरा कर सकता है। जब निर्णय लेने वाले परिणामों पर भरोसा करते हैं तो व्यवसायों को मशीन लर्निंग से लाभ होने की अधिक संभावना होती है। यह जानने से कि कॉज़ल एमएल क्या कर सकता है और यह पारंपरिक एमएल से कैसे तुलना करता है, आपको प्रत्येक तकनीक के लिए सही प्रोजेक्ट चुनने और अपनी सफलता दर बढ़ाने में मदद मिल सकती है।

जब प्रबंधक सरलतम निर्णयों के लिए विकल्प तलाशने के लिए कॉज़ल एमएल का विवेकपूर्ण ढंग से उपयोग करते हैं, तो वे अपने संचालन और अंततः, अपने वित्तीय परिणामों में उल्लेखनीय सुधार कर सकते हैं।

ग्रंथ सूची

एस. फ्यूरीगेल, वाई.आर. श्रेष्ठ, जी. वॉन क्रॉघ, एट अल., "बिजनेस मैनेजमेंट में आर्टिफिशियल इंटेलिजेंस लाना," नेचर मशीन इंटेलिजेंस 4, संख्या। 7 (जुलाई 2022): 611-613; और पी. हुनेरमुंड, जे. कमिंसकी, और सी. श्मिट, "कॉज़ल मशीन लर्निंग और व्यावसायिक निर्णय लेना“, एसएसआरएन, 19 फरवरी 2022 को अपडेट किया गया,https://ssrn.com.

सेंट. फ्यूएरीगेल, डी. फ्रौएन, वी. मेल्निचुक, एट अल., "उपचार परिणामों की भविष्यवाणी के लिए कॉसल मशीन लर्निंग," नेचर मेडिसिन 30 (अप्रैल 2024): 958-968; वी. चेर्नोझुकोव, सी. हैनसेन, एन. कल्लस, और अन्य, "एमएल और एआई द्वारा संचालित एप्लाइड कॉज़ल इंफ़ेक्शन", पीडीएफ फ़ाइल (28 जुलाई, 2024 को लेखकों द्वारा प्रकाशित), https:causalml-book.org; और सी. फर्नांडीज-लोरिया और एफ. प्रोवोस्ट, "कारण निर्णय लेना और कारण प्रभाव का अनुमान समान नहीं हैं... और यह क्यों मायने रखता है," डेटा साइंस जर्नल 1, संख्या को सूचित करता है। 1 (अप्रैल-जून 2022): 4-16।

एम. वॉन ज़हान, के. बाउर, सी. मिहले-विल्सन, और अन्य, "स्मार्ट ग्रीन न्यूडिंग: डिजिटल फ़ुटप्रिंट्स और कॉज़ल मशीन लर्निंग के माध्यम से उत्पाद रिटर्न को कम करना," मार्केटिंग साइंस, आर्टिकल्स इन एडवांस, 8 अगस्त, 2024 को ऑनलाइन प्रकाशित; ई. अस्कार्ज़ा, "प्रतिधारण निरर्थकता: उच्च जोखिम वाले ग्राहकों को लक्षित करना अप्रभावी हो सकता है," जर्नल ऑफ़ मार्केटिंग रिसर्च 55, संख्या। 1 (फरवरी 2018): 80-98; जे. यांग, डी. एक्लेस, पी. ढिल्लन, और अन्य, "दीर्घकालिक परिणामों के लिए लक्ष्यीकरण," प्रबंधन विज्ञान 70, संख्या। 6 (जून 2024): 3841-3855; और एम. क्रॉस, एस. फ्यूएरीगेल, और एम. सार-त्सेचांस्की, "मधुमेह मेलिटस प्रकार II के अनुप्रयोग के साथ निवारक देखभाल का डेटा-संचालित आवंटन," विनिर्माण और सेवा संचालन प्रबंधन 26, संख्या। 1 (जनवरी-फरवरी 2024): 137-153।

जी. वॉन क्रोग, एस.एम. बेन-मेनहेम और वाई.आर. श्रेष्ठ, "रणनीतिक प्रबंधन में कृत्रिम बुद्धिमत्ता: संभावनाएँ और चुनौतियाँ," "रणनीतिक प्रबंधन: क्षेत्र की स्थिति और इसका भविष्य," संस्करण। आई.एम. डुहाइम, एम.ए. हिट और एम.ए. लाइल्स। (न्यूयॉर्क: ऑक्सफोर्ड यूनिवर्सिटी प्रेस, 2021), 625-646।

"प्रीमियम चॉकलेट उत्पादन परिपूर्ण: गुणवत्ता उत्कृष्टता में एआई की भूमिका", ईटीएच एआई केंद्र, 11 दिसंबर 2023,https://ai.ethz.ch.

जे. सेनोनर, टी. नेटलैंड, और एस. फ्यूरीगेल, "प्रक्रिया की गुणवत्ता में सुधार के लिए व्याख्या योग्य कृत्रिम बुद्धिमत्ता का उपयोग: सेमीकंडक्टर विनिर्माण से साक्ष्य," प्रबंधन विज्ञान 68, संख्या। 8 (अगस्त 2022): 5704-5723।

एच. वासेरबैकर और एम. स्पिंडलर, "वित्तीय पूर्वानुमान, योजना और विश्लेषण के लिए मशीन लर्निंग: हालिया विकास और नुकसान," डिजिटल फाइनेंस 4 (मार्च 2022): 63-88।

जे. पर्सन, एस. फ्यूरीगेल और सी. कादर, "दर्शक-व्यापी सामग्री प्रचार के लिए ऑफ-पॉलिसी लर्निंग“, कामकाजी दस्तावेज़, 2023।

सेनोनर एट अल., "एक्सप्लेनेबल आर्टिफिशियल इंटेलिजेंस का उपयोग करना," 5704-5723।