आर्टिफिशियल इंटेलिजेंस और आईटी क्षेत्र: रूटीन कार्यों का ऑटोमेशन और नई इंजीनियरिंग कुशलता का उदय

सूचना प्रौद्योगिकी (Information Technology - IT) के क्षेत्र में दशकों से चली आ रही कार्यपद्धति अभी एक ऐतिहासिक परिवर्तन से गुजर रही है। हाल ही में बिजनेस स्टैंडर्ड की एक रिपोर्ट के अनुसार, आईटी सेवा क्षेत्र की अग्रणी कंपनी LTM के चीफ डिलीवरी ऑफिसर गुरुराज देशपांडे ने बताया है कि आर्टिफिशियल इंटेलिजेंस (AI) के आगमन के चलते पारंपरिक एंट्री-लेवल इंजीनियरिंग भूमिकाएं समाप्त हो गई हैं। कंपनियां अब पारंपरिक एंट्री-लेवल नौकरियों से दूर जा रही हैं क्योंकि एआई उनके सर्विस डिलीवरी मॉडल को नए सिरे से तैयार कर रहा है।

यह परिवर्तन सामान्य सॉफ्टवेयर डेवलपर या आईटी इंजीनियर के लिए अत्यंत महत्वपूर्ण है। पहले कॉलेज से निकलने वाले नए इंजीनियरों को सामान्य कोड लिखने, बग्स जांचने, डेटाबेस का बुनियादी प्रबंधन करने या दैनिक परीक्षणों (testing) जैसे कार्य सौंपे जाते थे। अब ये सभी नियमित और पुनरावृत्ति वाले कार्य उन्नत एआई सिस्टम द्वारा क्षणों में पूरे किए जा रहे हैं, जिसके कारण टेक उद्योग में रोजगार की परिभाषा ही बदल गई है।

ऐतिहासिक पृष्ठभूमि: कंप्यूटिंग से लेकर आधुनिक एआई तक का सफर

सूचना प्रौद्योगिकी शब्द का आधुनिक संदर्भ में सर्वप्रथम उपयोग 1958 में हार्वर्ड बिजनेस रिव्यू के एक लेख में हेरोल्ड जे. लीविट और थॉमस एल. व्हिस्लर द्वारा किया गया था। उन्होंने प्रोसेसिंग की तकनीकों, निर्णय लेने के लिए गणितीय पद्धतियों और कंप्यूटर प्रोग्राम द्वारा उच्च-स्तरीय विचार प्रक्रिया के अनुकरण को आईटी के रूप में परिभाषित किया था। कंप्यूटर विज्ञान की नींव 1940 के दशक में ज्यूस जेड3 (Zuse Z3), कोलोसस (Colossus) और 1948 के मैनचेस्टर बेबी जैसी मशीनों द्वारा रखी गई थी। 1956 में डार्टमाउथ सम्मेलन के साथ आर्टिफिशियल इंटेलिजेंस एक स्वतंत्र शैक्षणिक विषय के रूप में स्थापित हुआ था।

एआई के इतिहास में कई उतार-चढ़ाव आए, जिन्हें 'एआई विंटर' (AI winter) यानी अनुसंधान और फंडिंग में मंदी का काल कहा जाता है। लेकिन 2012 के बाद जब ग्राफिक्स प्रोसेसिंग यूनिट्स (GPUs) का उपयोग न्यूरल नेटवर्क्स को तेज करने के लिए किया गया, तब डीप लर्निंग पद्धतियों ने पिछली सभी तकनीकों को पीछे छोड़ दिया। इसके बाद 2017 में ट्रांसफॉर्मर आर्किटेक्चर (transformer architecture) के आगमन से मशीन लर्निंग की क्षमता में विस्फोटक प्रगति हुई। 2020 के दशक में जेनरेटिव एआई (Generative AI) और 2024 तक रीजनिंग मॉडल्स (reasoning models) के विकास ने कोडिंग और गणितीय समस्याओं को हल करने में मानव के समकक्ष प्रदर्शन करना शुरू कर दिया है।

रूटीन कार्यों का ऑटोमेशन कैसे काम करता है?

कंप्यूटिंग सिस्टम पहले केवल पूर्व-निर्धारित नियमों (rule-based programming) पर काम करते थे। पारंपरिक सॉफ्टवेयर में इंजीनियर को प्रत्येक संभावित स्थिति के लिए स्पष्ट कोड लिखना पड़ता था। लेकिन आधुनिक लार्ज लैंग्वेज मॉडल्स (Large Language Models - LLMs) अरबों वेबसाइटों और पुस्तकों के डेटा पर प्रशिक्षित होते हैं। इनमें 'चेन ऑफ थॉट' (chain of thought) यानी चरणबद्ध तरीके से सोचने का प्रशिक्षण दिया जाता है, जो जटिल गणितीय और प्रोग्रामिंग तर्क को हल करने में सक्षम है।

उदाहरण के लिए, वित्तीय सेवाओं में ऋण के लिए मासिक किस्त (EMI) की गणना करना, SIP के माध्यम से निवेश पर रिटर्न का अनुमान लगाना, पब्लिक प्रोविडेंट फंड (PPF) या फिक्स्ड डिपॉजिट (FD) की परिपक्वता पर ब्याज की जांच करना, या नेशनल पेंशन सिस्टम (NPS) के तहत पेंशन फंड का अनुमान प्राप्त करने जैसे कार्यों के लिए पहले मानव इंजीनियरों को अलग-अलग एल्गोरिदम और इंटरफेस तैयार करने पड़ते थे। आज एआई इस प्रकार की नियमित गणनाओं और उनसे संबंधित सॉफ्टवेयर मॉड्यूल्स को स्वचालित रूप से और तुरंत बना देता है।

डेटा और कंप्यूटेशनल क्षमता में हुआ विस्फोट

सूचना प्रौद्योगिकी के इतिहास पर नजर डालें तो सूचना भंडारण और प्रसंस्करण की क्षमता लगातार बढ़ती रही है। मार्टिन हिल्बर्ट और प्रिसिला लोपेज के अध्ययन के अनुसार, दुनिया की जनरल-पर्पज कंप्यूटिंग क्षमता 1986 से 2007 के दौरान हर 18 महीने में दोगुनी होती रही है। उसी अवधि में एप्लिकेशन-विशिष्ट क्षमता हर 14 महीने में दोगुनी हुई थी, जबकि वैश्विक भंडारण क्षमता हर 40 महीने में दोगुनी हुई थी।

वर्ष 2002 तक अधिकांश वैश्विक जानकारी एनालॉग उपकरणों पर संग्रहीत होती थी, लेकिन उस वर्ष डिजिटल भंडारण क्षमता एनालॉग से पहली बार अधिक हो गई। 2007 तक दुनिया का लगभग 94% डेटा डिजिटल रूप में संग्रहीत हो चुका था, जिसमें हार्ड ड्राइव और ऑप्टिकल माध्यम मुख्य थे। डेटा स्टोरेज क्षमता 1986 में 3 एक्साबाइट्स से कम थी जो बढ़कर 2007 में 295 एक्साबाइट्स हो गई थी। इस विशाल डेटाबेस और निरंतर कंप्यूटिंग क्षमता ने ही आज के आधुनिक एआई मॉडल्स को प्रशिक्षित करने का मार्ग प्रशस्त किया है।

एआई-नेटिव इंजीनियरिंग स्किल्स: बदलती मांग और प्रीमियम वेतन

टाइम्स ऑफ इंडिया की रिपोर्ट के अनुसार, जब नियमित आईटी कार्यों का ऑटोमेशन हो रहा है, तब विशिष्ट कौशल रखने वाले पेशेवर बाजार में उच्च वेतन की मांग कर सकते हैं। अब केवल सामान्य जावा या पायथन कोडिंग आना पर्याप्त नहीं है। कंपनियों को अब ऐसे इंजीनियरों की जरूरत है जो एआई-नेटिव (AI-native) सोच रखते हों, यानी जो एआई एजेंट्स का प्रबंधन कर सकें और सिस्टम आर्किटेक्चर का निर्माण कर सकें।

एआई रिसर्च में एजेंट्स (Agents) ऐसी प्रणालियां हैं जो वातावरण को समझकर विशिष्ट लक्ष्यों को प्राप्त करने के लिए कदम उठाती हैं। आधुनिक इंजीनियरिंग में अब मशीन लर्निंग के विभिन्न प्रकारों जैसे कि सुपरवाइज्ड लर्निंग (डेटा वर्गीकरण), अनसुपरवाइज्ड लर्निंग (पैटर्न खोजना), और रिइंफोर्समेंट लर्निंग (पुरस्कार और दंड आधारित सीखना) की गहरी समझ अनिवार्य हो गई है। जो पेशेवर एआई मॉडल्स की खामियों जैसे कि 'हैलुसिनेशन' (hallucination - असत्य या काल्पनिक आउटपुट देना) को नियंत्रित कर सकते हैं, उनकी मांग उच्चतम स्तर पर पहुंच गई है।

भारतीय आईटी क्षेत्र और सामान्य पेशेवरों के लिए प्रभाव

भारत का आईटी क्षेत्र लाखों युवाओं को रोजगार प्रदान करने वाला सबसे बड़ा संगठित क्षेत्र है। पहले हर साल लाखों इंजीनियरिंग स्नातकों को सर्विस कंपनियों में प्रशिक्षण देकर बैक-ऑफिस कोडिंग या रखरखाव के कार्यों में नियुक्त किया जाता था। गुरुराज देशपांडे के बयान स्पष्ट संकेत देते हैं कि यह पारंपरिक हायरिंग मॉडल अब हमेशा के लिए बदल चुका है।

नए स्नातकों के लिए यह एक बड़ी चुनौती है, लेकिन साथ ही एक नया अवसर भी है। भारतीय इंजीनियरों को अब सिस्टम ऑप्टिमाइजेशन, नेचुरल लैंग्वेज प्रोसेसिंग (NLP), कंप्यूटर विजन और आर्टिफिशियल जनरल इंटेलिजेंस (AGI) की दिशा में काम कर रहे वैश्विक इकोसिस्टम के साथ कदम मिलाना होगा। कंपनियां अब कर्मचारियों की संख्या बढ़ाने के बजाय उत्पादकता बढ़ाने पर ध्यान केंद्रित कर रही हैं, जिसका अर्थ है कि एक कुशल एआई-नेटिव इंजीनियर पहले की दस सदस्यों वाली टीम के बराबर परिणाम दे सकता है।