AI کس طرح کمپنیوں کی کارکردگی کے مسائل کو پکڑنے میں مدد کر سکتا ہے اس سے پہلے کہ وہ بڑے واقعات میں بدل جائیں۔

کارکردگی کی جانچ میں AI زیادہ تر انجینئرنگ تنظیموں میں پائلٹ مرحلے سے آگے بڑھ گیا ہے۔ IBM انسٹی ٹیوٹ فار بزنس ویلیو کے 2025 کے سی ای او اسٹڈی کے مطابق، جس نے 33 ممالک میں 2,000 CEOs کا سروے کیا، 61% کمپنیوں نے کہا کہ وہ فعال طور پر AI ایجنٹوں کو اپنا رہی ہیں اور بڑے پیمانے پر عمل درآمد کی تیاری کر رہی ہیں۔ رہنماؤں نے تسلیم کیا کہ دنوں میں ماپا جانے والے ریلیز سائیکل سہ ماہی ریلیز کے لیے بنائے گئے ٹیسٹنگ طریقوں سے آگے نکل گئے ہیں۔

گود لینے کے نتیجے میں ایک ہی رفتار نہیں ہے۔ اسی مطالعے سے پتا چلا ہے کہ پچھلے کچھ سالوں میں صرف 25% AI اقدامات نے متوقع ROI حاصل کیا، اور پورے انٹرپرائز میں صرف 16% کی پیمائش کی گئی۔ کارکردگی کی جانچ بہت سی ٹیموں کے لیے اس خلا میں آتی ہے، اور اسے بند کرنا اس بات پر زیادہ انحصار کرتا ہے کہ آپ اپنے ٹیسٹ کے طریقے کو کس طرح تبدیل کرتے ہیں اس سے کہ آپ کون سے ٹولز خریدتے ہیں۔

ہم ابھی بھی 2015 کی طرح جانچ کیوں کر رہے ہیں؟

بہت ساری تنظیمیں اب بھی ریلیز کے اختتام پر کارکردگی کی جانچ کو چیک پوائنٹ کے طور پر مانتی ہیں۔ ہم اس بات کو یقینی بنانے کے بعد جہاز بھیجتے ہیں کہ نظام متوقع بوجھ کے تحت کام کرتا ہے۔ تاہم، یہ فرض کرتا ہے کہ ماضی کا رویہ مستقبل کی کارکردگی کی پیشن گوئی کرتا ہے، اور یہ مفروضہ جیسے ہی پیمانے یا استعمال کے نمونے تبدیل ہوتے ہیں ٹوٹ جاتا ہے۔

جیسا کہ آپ دیکھ سکتے ہیں، صارف کا رویہ اب قابل قیاس نہیں ہے۔ ٹریفک میں اضافہ انتباہ کے بغیر ہوتا ہے۔ فنکشنز کو ایسے امتزاج میں استعمال کیا جاتا ہے جس کا معماروں نے کبھی تصور بھی نہیں کیا تھا۔ بنیادی ڈھانچہ ایک کنٹرول شدہ ماحول کے مقابلے میں حقیقی بوجھ کے تحت مختلف طریقے سے برتاؤ کرتا ہے۔

کارکردگی کے مسائل جو آپ کی ساکھ کو نقصان پہنچاتے ہیں وہ عام طور پر ایسے ہوتے ہیں جن کے لیے آپ جانچنے کا ارادہ نہیں رکھتے تھے۔ اس رد عمل کے نقطہ نظر کی حقیقی قیمتیں ہیں۔ لین دین ترک کر دیا جاتا ہے اور صارفین مایوس ہو جاتے ہیں جب کہ ٹیم بنیادی وجہ تلاش کرنے کے لیے جدوجہد کر رہی ہے۔

جب AI کسی مسئلے کی پیش گوئی کرتا ہے تو کیا ہوتا ہے؟

یہ اقدام رد عمل کی تصدیق سے پیش گوئی کرنے والی ذہانت کی طرف ایک تبدیلی ہے۔ مجھے سمجھانے دو۔

مشین لرننگ ماڈل ایسے نمونوں کو تلاش کرنے کے لیے تاریخی اعداد و شمار کا تجزیہ کرتے ہیں جو روایتی نگرانی کے ان کے پکڑے جانے سے بہت پہلے مسائل کا اشارہ دیتے ہیں۔ بے ضابطگی کا پتہ لگانے کے نظام لاکھوں ڈیٹا پوائنٹس کو فوری طور پر اسکین کرتے ہیں۔ یہ انحرافات کو جھنڈا دیتا ہے جس کی نشاندہی کرنے میں ایک انسانی تجزیہ کار کو کئی دن لگتے ہیں۔

کارکردگی میں کمی کو 30 سیکنڈ یا اس کے شروع ہونے کے 30 منٹ بعد پکڑنا کسی معمولی مسئلے اور بڑے واقعے میں فرق ہوسکتا ہے۔

نیٹ فلکس نے اسے برسوں پہلے اپنی ریلیز کے عمل میں بنایا تھا۔ خودکار کینری تجزیہ کا نظام، جو گوگل کے ذریعہ Kayenta کے ذریعہ کھلا ہے، چھوٹے کینری تعیناتیوں کا ایک مستحکم بیس لائن سے موازنہ کرتا ہے اور اس بات کا تعین کرتا ہے کہ آیا ریلیز کو آگے بڑھانا چاہئے۔ پیداوار میں چلنے والی 1,000 سے زیادہ پائپ لائنوں کے ساتھ، Netflix نے دریافت کیا کہ ہر کینری کا جائزہ لینے کے لیے انسانوں پر انحصار کرنا مسلسل ترسیل کو روکتا ہے۔ اور انجینئرز کہتے ہیں کہ نظام کی ترقی کو تیز کرتے ہوئے، بے ضابطگیوں کا زیادہ تیزی سے پتہ لگایا جا سکتا ہے۔

میٹا مزید درستگی کو بہتر بناتا ہے۔ FBDetect سسٹم تقریباً 800,000 ٹائم سیریز کو مانیٹر کرتا ہے جس میں تھرو پٹ، لیٹنسی، CPU اور میموری کے استعمال کا احاطہ کیا جاتا ہے اور شور پیدا کرنے والے ماحول میں 0.005% تک چھوٹے ریگریشنز کو کیپچر کرتا ہے۔ میٹا اسکیل پر، یہاں تک کہ چھوٹی ریگریشنز بامعنی سرور کی صلاحیت کو ضائع کرتی ہیں۔

پیشن گوئی یہاں صرف آدھی جنگ ہے۔ موافقت باقی نصف ہے۔

AI پر مبنی فریم ورک پیداواری رویے کی بنیاد پر پیرامیٹرز کو خود بخود ایڈجسٹ کر سکتا ہے۔ دستی اپ ڈیٹس کا انتظار کیے بغیر استعمال کے نئے نمونوں کو ایڈریس کریں۔ سیلف ہیلنگ آٹومیشن سسٹم کے بدلتے ہی مسائل کو حل کرتی ہے، اور دیکھ بھال کے کاموں کو ختم کرتی ہے جو فی الحال آپ کی QA ٹیم کو روک رہے ہیں۔

کیا آپ کا بنیادی ڈھانچہ اس کو سنبھال سکتا ہے؟

Reed Hastings نے Netflix کو لوگوں کو عمل اور اختراع کو کارکردگی سے زیادہ رکھنے کے سادہ اصولوں پر بنایا۔ جب رفتار ایک ترجیح ہوتی ہے تو، سخت عمل رکاوٹیں پیدا کرتے ہیں۔ AI کارکردگی کی جانچ کے لیے آپ کے بنیادی ڈھانچے پر دوبارہ غور کرنے کی ضرورت ہے۔ آپ کو ایک متحد ڈیٹا فن تعمیر کی ضرورت ہے۔ AI کو کارکردگی کے میٹرکس، صارف کے رویے، لاگز، اور کاروباری سیاق و سباق سب ایک جگہ پر رسائی کی ضرورت ہے۔

IBM کے ایک مطالعہ سے معلوم ہوا ہے کہ 68% CEOs ایک متحد ڈیٹا فن تعمیر کو اہم سمجھتے ہیں۔ تاہم، 50% نے اعتراف کیا کہ ان کی حالیہ سرمایہ کاری نے انہیں سسٹم سے منقطع کر دیا ہے۔ یہ منقطع ہونے کی وجہ سے AI اقدامات پیمانے پر ناکام رہتے ہیں۔ اگر AI ڈیٹا تک رسائی حاصل نہیں کرسکتا یا پائپ لائن کے ساتھ مربوط نہیں ہوسکتا ہے، تو یہ ایک مہنگا سائنس پروجیکٹ بن جاتا ہے۔ حکمت عملی ٹیکنالوجی سے زیادہ اہم ہے۔

LinkedIn ظاہر کرتا ہے کہ انضمام کیا ممکن بناتا ہے۔ ThirdEye پلیٹ فارم نے ممکنہ وجوہات کے ساتھ بے ضابطگیوں کو مربوط کرنے کے لیے کمپنی بھر کے ایونٹ ڈیٹا کے ساتھ اعلی جہتی ٹائم سیریز کو جوڑ دیا، اور LinkedIn نے پایا کہ بنیادی وجہ کا اندازہ نمایاں طور پر بہتر ہوا کیونکہ مزید ٹیموں نے اپنے سسٹمز کو جوڑ دیا۔ ایک ماڈل جو پروڈکشن ٹیلی میٹری نہیں دیکھ سکتا یا پائپ لائن میں ٹیسٹ نہیں چلا سکتا اسے ایک مہنگے تجربے کے طور پر دیکھا جاتا ہے جس پر کوئی بھروسہ نہیں کرتا ہے۔

جب انسانی فیصلہ اب بھی اہمیت رکھتا ہے۔

ایک خطرناک مفروضہ ہے کہ AI بالآخر QA ٹیموں کو متروک کر دے گا۔ یہ پیچھے کی طرف ہے۔ AI اس بات کو بڑھاتا ہے کہ ہنر مند انجینئر کیا کر سکتے ہیں۔ Transcend سے تعلق رکھنے والے برائن گلاس اس کو اچھی طرح سے کہتے ہیں: "اگر ہم 10 میں سے ایک مسئلہ بھی پکڑ لیتے ہیں اور انسان کو کسی چیز کا جائزہ لینے کی ضرورت کو کم کر دیتے ہیں، تو میں اسے کامیابی سمجھتا ہوں۔”

مقصد مکمل آٹومیشن نہیں ہے۔ مقصد آپ کی ٹیم کو بار بار پیٹرن کے ملاپ سے آزاد کرنا ہے۔ ہمیں ان کی ضرورت ہے کہ وہ ان معاملات پر توجہ مرکوز کریں جن کے لیے فیصلے کی ضرورت ہے۔

کیا کارکردگی کے مسائل درحقیقت آپ کے صارفین کے لیے اہمیت رکھتے ہیں، یا وہ صرف آپ کے چارٹ پر برا نظر آتے ہیں؟ تھرو پٹ یا تاخیر کو بہتر بنانے کی ضرورت ہے؟ کیا رسپانس ٹائم اسپائک ایک سنگین آرکیٹیکچرل خامی کی نشاندہی کرتا ہے، یا یہ صرف ایک انتہائی معاملہ ہے؟ AI اعداد و شمار کو ظاہر کرتا ہے۔ انسان اسٹریٹجک فیصلے کرتے ہیں۔

حقیقی ROI

میں یہ نہیں کہوں گا کہ AI کارکردگی کی جانچ کو مفت یا آسان بناتا ہے۔ یہ سچ نہیں ہے۔ ہمیں اب بھی ایسے لوگوں کی ضرورت ہے جو نظام کو سمجھتے ہوں۔ آپ کو ابھی بھی اس بارے میں سوچنے کی ضرورت ہے کہ آپ کس چیز کی جانچ کر رہے ہیں اور کیوں۔

لیکن AI ان لوگوں کو زیادہ پیداواری بنا سکتا ہے۔ سینئر انجینئرز ٹیسٹ سکرپٹ لکھنا بند کر دیتے ہیں اور مشکل مسائل کو حل کرنا شروع کر دیتے ہیں۔ آپ کے جونیئر انجینئر مہینوں کی تربیت کی ضرورت کے بغیر معنی خیز حصہ ڈال سکتے ہیں۔ ٹیسٹ زیادہ کیڑے پکڑتے ہیں کیونکہ وہ حقیقت پسندانہ منظرناموں پر مبنی ہوتے ہیں۔

ہم اسی ٹیم کے سائز کے ساتھ 3 گنا زیادہ کارکردگی کے ٹیسٹ چلا رہے ہیں۔ ہم پہلے ہی مسائل تلاش کر رہے ہیں۔ ہم انفراسٹرکچر پر اخراجات کم کر رہے ہیں۔ اور اگر پیداوار کے دوران کچھ غلط ہو جاتا ہے، تو آپ کو معلوم ہو جائے گا کہ کیوں تیزی سے۔

یہ وہی ہے جو AI کارکردگی کی جانچ کے لیے کرتا ہے۔ یہ کام کی جگہ نہیں لیتا۔ وقت اور پیسے کے ضیاع کو ختم کرکے، آپ اہم چیزوں کو بنانے پر توجہ مرکوز کر سکتے ہیں۔

کارکردگی کی جانچ میں AI زیادہ تر انجینئرنگ تنظیموں میں پائلٹ مرحلے سے آگے بڑھ گیا ہے۔ IBM انسٹی ٹیوٹ فار بزنس ویلیو کے 2025 کے سی ای او اسٹڈی کے مطابق، جس نے 33 ممالک میں 2,000 CEOs کا سروے کیا، 61% کمپنیوں نے کہا کہ وہ فعال طور پر AI ایجنٹوں کو اپنا رہی ہیں اور بڑے پیمانے پر عمل درآمد کی تیاری کر رہی ہیں۔ رہنماؤں نے تسلیم کیا کہ دنوں میں ماپا جانے والے ریلیز سائیکل سہ ماہی ریلیز کے لیے بنائے گئے ٹیسٹنگ طریقوں سے آگے نکل گئے ہیں۔

گود لینے کے نتیجے میں ایک ہی رفتار نہیں ہے۔ اسی مطالعے سے پتا چلا ہے کہ پچھلے کچھ سالوں میں صرف 25% AI اقدامات نے متوقع ROI حاصل کیا، اور پورے انٹرپرائز میں صرف 16% کی پیمائش کی گئی۔ کارکردگی کی جانچ بہت سی ٹیموں کے لیے اس خلا میں آتی ہے، اور اسے بند کرنا اس بات پر زیادہ انحصار کرتا ہے کہ آپ اپنے ٹیسٹ کے طریقے کو کس طرح تبدیل کرتے ہیں اس سے کہ آپ کون سے ٹولز خریدتے ہیں۔

ہم ابھی بھی 2015 کی طرح جانچ کیوں کر رہے ہیں؟

بہت ساری تنظیمیں اب بھی ریلیز کے اختتام پر کارکردگی کی جانچ کو چیک پوائنٹ کے طور پر مانتی ہیں۔ ہم اس بات کو یقینی بنانے کے بعد جہاز بھیجتے ہیں کہ نظام متوقع بوجھ کے تحت کام کرتا ہے۔ تاہم، یہ فرض کرتا ہے کہ ماضی کا رویہ مستقبل کی کارکردگی کی پیشن گوئی کرتا ہے، اور یہ مفروضہ جیسے ہی پیمانے یا استعمال کے نمونے تبدیل ہوتے ہیں ٹوٹ جاتا ہے۔