یہ SaaS کے نفاذ (implementation) کے دوسرے ہفتے کی جمعرات کی سہ پہر ہے۔ آپ پروجیکٹ مینیجر ہیں؛ ڈیلیوری لیڈ دن کے اختتام تک کام کی پیش رفت کی ایک واضح رپورٹ (status deck) مانگ رہا ہے، اور کسٹمر سکسیس مینیجر کو کل ہونے والی اسٹیئرنگ میٹنگ سے پہلے باہمی انحصار (dependency) سے متعلق اپ ڈیٹ درکار ہے۔ ٹیم ایک فیصلے پر اٹکی ہوئی ہے۔ کیا آپ تعلقات کو برقرار رکھنے کے لیے دستی طور پر اپ ڈیٹس کا پیچھا کرتے رہیں گے، یا آپ کام روک کر اس آپریٹنگ سسٹم کو درست کریں گے جو بار بار اضافی کام (rework) کا باعث بن رہا ہے؟ ہر بار جب آپ پہلے آپشن کا انتخاب کرتے ہیں، تو لاگت (وقت اور محنت کا ضیاع) بڑھتی جاتی ہے۔ لوگ ہفتے کے 12 گھنٹے ٹولز سے ڈیٹا نکالنے، متضاد نوٹس میں مطابقت پیدا کرنے، اور انہی خطرات (risks) کو تین مختلف جگہوں پر دوبارہ لکھنے میں صرف کر دیتے ہیں۔ معاملات کو اعلیٰ حکام تک پہنچانے (escalation) میں تاخیر ہوتی ہے کیونکہ کوئی بھی اس مسئلے کے پیٹرن کو بروقت نہیں دیکھ پاتا۔ یہ کورس آپ میں وہ بصیرت اور طریقہ کار پیدا کرتا ہے جن سے اس ضیاع کو روکا جا سکے۔ آپ آپریشنل ضیاع کی نشاندہی کریں گے، اپنی گورننس کے مطابق AI سپورٹ کے طریقے منتخب کریں گے، ‘ہیومن-اِن-دی-لوپ’ (human-in-the-loop) آپریٹنگ ماڈل ڈیزائن کریں گے، اور ‘آپریشنز آپٹیمائزیشن بیک لاگ’ چلائیں گے جو ٹول کے استعمال کے بجائے بچائے گئے وقت اور فیصلوں کے معیار کی پیمائش کرتا ہے۔
ٹائم لائن پڑھنے سے پہلے، اندازہ لگائیں کہ یہ عمل (سائیکل) اصل میں کہاں ٹوٹتا ہے اور سب سے زیادہ اضافی کام (rework) کا باعث بنتا ہے۔
اصل تکلیف دہ مرحلہ رپورٹنگ میٹنگ نہیں، بلکہ اس کے گرد و پیش ہونے والا پوشیدہ کام ہے۔ ایک کوآرڈینیٹر ٹکٹنگ سسٹم سے اسپریڈ شیٹ برآمد (export) کرتا ہے۔ ٹیم لیڈ چیٹ سے نوٹس کاپی کرتا ہے۔ کوئی سلائیڈ اپ ڈیٹ کرتا ہے، پھر کوئی اسٹیک ہولڈر کسی ہندسے پر اعتراض اٹھاتا ہے، جس کے بعد ٹیم کو ڈیٹا دوبارہ نکالنا پڑتا ہے۔ جب سب لوگ اسٹیٹس (صورتحال) کو بہتر بنانے میں مصروف ہوتے ہیں، تو مختلف ٹیموں کے درمیان باہمی انحصار (cross-team dependency) کا معاملہ نظر انداز ہو جاتا ہے۔ چونکہ یہ انحصار اسٹیٹس کی تفصیلات سے منسلک نہیں ہوتا، اس لیے معاملے کو اعلیٰ سطح پر اٹھانے (escalation) کا عمل اسٹیئرنگ میٹنگ تک ملتوی رہتا ہے، تب تک بہت سے متبادل راستے ختم ہو چکے ہوتے ہیں۔ آپریشنل مشکلات کو ناپا جا سکتا ہے۔ ڈیٹا کی مطابقت پیدا کرنے (reconciliation) کا وقت، ڈپلیکیٹ اندراج، اور مسائل کے اشاروں کا دیر سے پتہ چلنا؛ یہ سب اوور ٹائم، کام کی منتقلی میں کوتاہیوں، اور کمزور پیش گوئیوں کی صورت میں ظاہر ہوتے ہیں۔
جب کوئی ٹیم کہتی ہے کہ وہ پروجیکٹ آپریشنز میں AI چاہتی ہے، تو عام طور پر ان کا مطلب یہ ہوتا ہے کہ وہ کام میں کم رکاوٹیں چاہتے ہیں۔ AI مدد کر سکتا ہے، لیکن صرف تب جب آپ اس کی صلاحیت کو درپیش مسئلے یا ناکامی کے مطابق استعمال کریں۔
پروجیکٹ آپریشنز میں AI کا کردار عام طور پر پانچ طریقوں سے ادا ہوتا ہے:
ایک فطری غلطی یہ ہوتی ہے کہ سب سے نمایاں آؤٹ پٹ (یعنی اسٹیٹس پریزنٹیشن یا ڈیک) کو تو خودکار بنا دیا جائے لیکن ان پٹ (بنیادی ڈیٹا) کو بے ترتیب چھوڑ دیا جائے۔ یہ عمل کارآمد محسوس ہوتا ہے کیونکہ مطلوبہ رپورٹ تیزی سے تیار ہو جاتی ہے، لیکن اس سے ناقص ڈیٹا مستقل ہو جاتا ہے اور ایسی غلط معلومات جنم لیتی ہیں جو بظاہر درست اور پراعتماد لگتی ہیں۔ ایک محفوظ اصول یہ ہے کہ کوئی بھی ایسی چیز جو وعدوں، بجٹ، یا بیرونی مواصلات میں تبدیلی لائے، اس کا اختیار انسان کے پاس ہی رہنا چاہیے۔ AI فیصلہ سازی کے لیے تیاری تو کر سکتا ہے، لیکن حتمی فیصلہ خود نہیں کرتا۔
اس موازنے کا استعمال کرتے ہوئے ایسے استعمال کے مواقع (use cases) منتخب کریں جو افادیت اور ناکامی کی نوعیت پر مبنی ہوں، نہ کہ محض جدت یا نیاپن پر۔
جب کسی عمل (use case) کی اہمیت زیادہ ہو لیکن غلطی کی صورت میں اس کے نقصانات بھی سنگین ہوں، تو اسے ‘فیصلے میں معاونت’ (decision support) کے طور پر لیا جاتا ہے۔ اس میں آپ تصدیقی مراحل وضع کرتے ہیں، بنیادی سسٹمز (source systems) تک ٹریس ایبلٹی (traceability) کو یقینی بناتے ہیں، اور AI کی تیار کردہ معلومات کا ریکارڈ رکھتے ہیں۔ جب ممکنہ نقصان معمولی ہو، مثلاً اندرونی نوٹس تیار کرنا، تو آپ زیادہ آٹومیشن کی اجازت دے سکتے ہیں اور گورننس (انتظامی نگرانی) کو رسائی کے کنٹرول اور ڈیٹا ہینڈلنگ پر مرکوز کر سکتے ہیں۔
ہیومن-اِن-دی-لوپ (human-in-the-loop) آپریٹنگ ماڈل فیصلے کی تیاری اور حتمی فیصلے کے عمل کو الگ کرتا ہے۔ فیصلے کی تیاری سے مراد اشاریوں (signals) کو اکٹھا کرنا، انہیں ترتیب دینا اور متبادل آپشنز پیش کرنا ہے۔ فیصلے کرنے سے مراد پروجیکٹ کو کسی خاص سمت میں گامزن کرنا، خطرہ مول لینا، یا کسی اسٹیک ہولڈر کو کوئی وعدہ یا یقین دہانی کروانا ہے۔
خطرے سے متعلق الرٹ (risk alert) کی مثال لیں۔ AI مسائل کے رجحانات کا جائزہ لے سکتا ہے اور رسک رجسٹر میں ایک نئی انٹری تیار کر سکتا ہے، جس میں تجویز کردہ ‘امکان’ (Probability)، ‘اثر’ (Impact) اور ‘رسک اونر’ (Risk Owner) شامل ہوں۔ اس کے بعد کوئی فرد ذرائع کی جانچ پڑتال کرتا ہے، درجہ بندی (ratings) میں ردوبدل کرتا ہے، اور فیصلہ کرتا ہے کہ آیا یہ خطرہ ‘ایسکلیشن تھریش ہولڈ’ (اعلیٰ سطح پر رپورٹنگ کی حد) کو عبور کرتا ہے یا نہیں۔ یہ حد (threshold) پہلے سے طے شدہ پیمانہ ہوتی ہے، جیسے کہ کسی خاص مالی مالیت سے زیادہ کا اثر، طے شدہ دنوں سے زیادہ کی تاخیر (milestone slip)، یا کوئی ایسا خطرہ جو معاہدے کی پاسداری پر اثر انداز ہو۔ آڈٹ ٹریل (ریکارڈ) اس لیے اہم ہے کیونکہ آپ کو یہ بتانا پڑ سکتا ہے کہ کس نے، کب، اور کن شواہد کی بنیاد پر کیا منظوری دی۔
ہر سرگرمی کے لیے آٹومیشن کی سطح کا انتخاب اس کے ممکنہ نتائج اور منظوری کی ضرورت کو مدنظر رکھتے ہوئے کریں۔