छोटा जवाब: ‘AI’ कोई एक चीज़ नहीं है। यह एक सीढ़ी है। सबसे निचला पायदान सीधे-सादे नियम हैं, वैसे ही जो आपके PLC में पहले से चल रहे हैं। उसके ऊपर मशीन लर्निंग है, जो डेटा से पैटर्न सीखती है, फिर डीप लर्निंग, जो इमेज, आवाज़ और लंबी सेंसर धाराओं से सीखती है। जेनरेटिव AI टेक्स्ट और इमेज बनाता है। एजेंटिक AI टूल इस्तेमाल करता है और किसी लक्ष्य की ओर कदम उठाता है। सबसे ऊपर AGI है, एक सामान्य बुद्धि जो इंसान जैसा कुछ भी कर सके, और यह अभी मौजूद नहीं है। बेवरेज प्लांट को सबसे ऊपरी पायदान छोड़कर हर पायदान से फ़ायदा मिलता है। हुनर यह है कि सामने की समस्या हल करने वाला सबसे निचला पायदान चुना जाए।
एक प्लांट मैनेजर ने एक बार मुझसे पूछा कि लेबलर पर लगा नया विज़न सिस्टम ‘AI है या बस एक कैमरा’। वाजिब सवाल। वेंडर उसे AI कहता था। मेंटेनेंस लीड उसे कैमरा कहता था। क्वालिटी मैनेजर उसे वह चीज़ कहता था जो बिना वजह लाइन रोक देती है। तीनों सही थे, और किसी के पास भी यह साझा तस्वीर नहीं थी कि AI असल में है क्या।
यह AI for Operational Excellence in Beverage Plants की पहली पोस्ट है, आठ भागों की एक सीरीज़ जो बुनियादी बातों से शुरू होकर वर्क ऑर्डर का मसौदा बनाने वाले एजेंटों पर ख़त्म होती है। यह ब्रुअरी, वाइनरी, डिस्टिलरी और उनकी साझा पैकेजिंग लाइनों को कवर करती है। OEE और एजेंटों तक पहुँचने से पहले हमें इन शब्दों के मतलब की एक साफ़ तस्वीर चाहिए। तो यह रही, पायदान दर पायदान।
पायदान 1: नियम
हर बेवरेज प्लांट पहले से ही सबसे पुराने तरह की आर्टिफ़िशियल इंटेलिजेंस पर चलता है: किसी इंसान के लिखे नियम। अगर एयर प्रेशर सेटपॉइंट से नीचे गिरे, तो फ़िलर रोको। अगर पाश्चराइज़र की PU वैल्यू न्यूनतम से नीचे जाए, तो पैक को डायवर्ट करो। अगर CIP रिटर्न की कंडक्टिविटी अपने लक्ष्य तक नहीं पहुँची, तो कॉस्टिक स्टेप बढ़ाओ।
अब कोई इसे AI नहीं कहता, पर किताबी अर्थ में यह AI ही है। नियम-आधारित सिस्टम वे फ़ैसले लेता है जिनके लिए वरना एक इंसान चाहिए होता, और इसके लिए वह किसी इंसान का लिखा तर्क इस्तेमाल करता है।
नियमों की दो बड़ी ताकतें हैं। वे अनुमान लगाने लायक होते हैं और उनका ऑडिट हो सकता है। जब फ़िलर रुकता है, तो आप तर्क की उस लाइन पर उँगली रख सकते हैं जिसने उसे रोका। सुरक्षा और फ़ूड-सेफ़्टी के फ़ैसलों के लिए आप ठीक यही चाहते हैं, और इसीलिए सबसे निचला पायदान कहीं नहीं जाने वाला।
इनकी कमज़ोरी यह है कि किसी को नियम पता होना चाहिए। जब पैटर्न लिखने के लिए बहुत जटिल हो, तो आपको अगला पायदान चाहिए।
पायदान 2: मशीन लर्निंग
मशीन लर्निंग ऐसा सॉफ़्टवेयर है जो नियम बताए जाने के बजाय उसे डेटा से सीखता है।
एक पाश्चराइज़र पंप लीजिए। कोई ऐसा नियम नहीं लिख सकता कि ‘वाइब्रेशन, मोटर करंट और तापमान का यह मेल बताता है कि बेयरिंग लगभग दस दिन में फ़ेल होगा’। पर अगर आपके पास कुछ सालों का सेंसर डेटा हो और एक मेंटेनेंस लॉग जिसमें दर्ज हो कि बेयरिंग कब फ़ेल हुए, तो मशीन लर्निंग मॉडल वह पैटर्न ढूँढ सकता है। वह सीखता है कि ‘सामान्य’ कैसा दिखता है और फ़ेल होने से पहले भटकाव को चिह्नित कर देता है।
यही मूल विचार है, और आज प्लांट्स में काम आने वाला ज़्यादातर AI इसी में आता है: डाउनटाइम का अनुमान, डिमांड का फ़ोरकास्ट, किसी ऐसे मान का अनुमान जिसे आप सीधे माप नहीं सकते, किसी असामान्य बैच को पहचानना। मैंने डिस्टिलरों के लिए इसका एक लंबा, सरल भाषा वाला वर्शन What Is Machine Learning? में लिखा है, और वह कैनिंग लाइन पर भी उतना ही लागू होता है।
पेच ‘अगर आपके पास डेटा हो’ वाले हिस्से में है। मशीन लर्निंग को उदाहरण चाहिए, अच्छी तरह लेबल किए हुए, ऐसे प्रोसेस से जो उनके नीचे बदला न हो। जिस भी प्लांट में मैंने काम किया है, वहाँ यही मुश्किल हिस्सा निकला।
पायदान 3: डीप लर्निंग
डीप लर्निंग कई परतों वाले न्यूरल नेटवर्क के साथ की गई मशीन लर्निंग है। इसे अपना अलग पायदान इसलिए मिलता है क्योंकि यह उन बिखरे, भारी-भरकम संकेतों से सीख सकती है जिनसे पुराने तरीके जूझते हैं: इमेज, आवाज़ और सेंसर डेटा की लंबी धाराएँ।
पैकेजिंग लाइन पर यह वह कैमरा है जो 40,000 प्रति घंटे की रफ़्तार पर हर बोतल का फ़िल लेवल, कैप की स्थिति और लेबल का अलाइनमेंट जाँचता है। फ़िलर पर यह एक एकॉस्टिक मॉडल हो सकता है जो अटकने लगे वाल्व की आवाज़ सुन ले। माल्ट हाउस में यह माइक्रोस्कोप के नीचे एक्रोस्पायर गिन सकता है।
डीप लर्निंग को क्लासिक मशीन लर्निंग से भी ज़्यादा डेटा चाहिए, और इसे समझाना ज़्यादा मुश्किल है। जब विज़न सिस्टम कोई बोतल रिजेक्ट करता है, तो वह शब्दों में वजह नहीं बता सकता। वह आपको इमेज दिखा सकता है। जब किसी क्वालिटी मैनेजर को रिजेक्ट रेट का बचाव करना हो, तो यह फ़र्क मायने रखता है।
पायदान 4: जेनरेटिव AI
जेनरेटिव AI वह डीप लर्निंग है जिसे नई सामग्री बनाने के लिए ट्रेन किया गया है: टेक्स्ट, इमेज, कोड, आवाज़। ChatGPT, Claude, Gemini और Copilot के पीछे के लार्ज लैंग्वेज मॉडल इसके सबसे जाने-माने उदाहरण हैं।
यहाँ बदलाव यह है कि आउटपुट कोई संख्या या लेबल नहीं, भाषा है। प्लांट फ़्लोर पर यह उन जगहों पर काम आता है जहाँ निचले पायदान कभी नहीं पहुँचे:
- रात की शिफ़्ट के लॉग और ऑपरेटर नोट्स को साफ़ हैंडओवर में बदलना
- SOP से ‘ब्राइट बीयर टैंक CIP के लिए कॉस्टिक कंसंट्रेशन कितना है?’ का जवाब देना, पेज के हवाले के साथ
- लाइन स्टॉप के बाद फ़ाइव-व्हाइज़ विश्लेषण का पहला मसौदा बनाना
- बहुभाषी क्रू के लिए वन-पॉइंट लेसन का अनुवाद करना
हैलुसिनेशन भी यहीं आता है। ये मॉडल धाराप्रवाह, आत्मविश्वासी टेक्स्ट बनाते हैं, चाहे वह सच हो या न हो। अगली पोस्ट एक CIP लॉग और एक SOP के ज़रिए बताती है कि ऐसा क्यों होता है।
पायदान 5: एजेंटिक AI
एजेंट एक लैंग्वेज मॉडल है जो टूल इस्तेमाल कर सकता है और किसी लक्ष्य की ओर कदम उठा सकता है। एक सवाल का जवाब देने के बजाय वह योजना बनाता है, कोई टूल बुलाता है, नतीजा देखता है और तय करता है कि आगे क्या करना है।
प्लांट फ़्लोर पर एक सरल एजेंट लाइन स्टॉप लॉग पर नज़र रख सकता है, देख सकता है कि लेबलर की एक ही ख़राबी ने इस हफ़्ते छह बार लाइन रोकी, मेंटेनेंस सिस्टम में उस एसेट को खोज सकता है, जाँच सकता है कि कोई वर्क ऑर्डर पहले से है या नहीं, और अगर नहीं, तो प्लानर की मंज़ूरी के लिए एक मसौदा बना सकता है।
वह आख़िरी हिस्सा ही पूरा डिज़ाइन है। मसौदा बनाने वाला एजेंट उपयोगी है। PLC में लिखने वाला एजेंट एक होने वाला सेफ़्टी इंसिडेंट है। इस सीरीज़ की पोस्ट 3 बताती है कि एजेंट कैसे काम करते हैं, और पोस्ट 7 गार्डरेल्स को विस्तार से कवर करती है।
पायदान 6: AGI
AGI, यानी आर्टिफ़िशियल जनरल इंटेलिजेंस, का मतलब है ऐसा सिस्टम जो किसी भी क्षेत्र में, भरोसे के साथ, कोई भी बौद्धिक काम उतना ही सीख और कर सके जितना एक इंसान। सुर्खियाँ इसी पायदान को मिलती हैं।
2026 में यह मौजूद नहीं है। सबसे अच्छे लैंग्वेज मॉडल व्यापक हैं और अक्सर प्रभावशाली हैं, फिर भी वे बुनियादी गलतियाँ करते हैं, उन्हें अब भी जाँचना पड़ता है, और वे किसी नए ऑपरेटर की तरह काम के एक दिन से नहीं सीखते। गंभीर शोधकर्ता इस पर असहमत हैं कि AGI कितनी दूर है, और इस पर भी कि मौजूदा तरीका वहाँ तक ले भी जाएगा या नहीं।
मुझे क्यों लगता है कि सोमवार सुबह के प्लांट मैनेजर के लिए यह बहस ज़्यादा मायने नहीं रखती: इस सीरीज़ की हर काम की चीज़ AGI से नीचे के पायदानों पर चलती है। फ़िलर को सामान्य बुद्धि नहीं चाहिए। उसे एक अच्छा नियम चाहिए, बेयरिंग की घिसावट पहचानने वाला मॉडल, टेढ़े लेबल देखने वाला कैमरा और ठीक-ठाक हैंडओवर लिखने वाला असिस्टेंट। अगर AGI आया, तो उसे भी वही साफ़ डेटा और वही मंज़ूरियाँ चाहिए होंगी। उन्हें अभी बनाना किसी भी हाल में बेकार नहीं जाएगा।
सीढ़ी का इस्तेमाल कैसे करें
जब कोई प्लांट की समस्या के लिए ‘AI’ सुझाए, तो पूछिए कि कौन-सा पायदान। फिर पूछिए कि क्या कोई निचला पायदान काम कर देगा।
- तापमान के भटकाव के लिए नियम और अलार्म चाहिए, मॉडल नहीं।
- बिना चेतावनी फ़ेल होने वाले पंप को शायद मशीन लर्निंग चाहिए।
- लाइन स्पीड पर टेढ़े लेबल के लिए डीप लर्निंग चाहिए।
- जिस शिफ़्ट लॉग को कोई नहीं पढ़ता, उसे शायद जेनरेटिव AI चाहिए।
- जिस नुकसान पर कोई कदम उठाने से पहले कई सिस्टम जाँचने पड़ें, उसे शायद एजेंट चाहिए।
पायदान जितना निचला, समाधान उतना सस्ता, उतना अनुमान लगाने लायक और ऑडिट करने में उतना आसान। AI से फ़ायदा उठाने वाले प्लांट आमतौर पर वही होते हैं जो इस बारे में ईमानदार रहते हैं। मेरी पिछली पोस्ट AI vs Machine Learning vs Generative AI डिस्टिलरी के लिए यही बात कहती है।
यह कहाँ टूटता है
असली प्रोडक्ट्स में पायदान धुँधले हो जाते हैं। एक आधुनिक विज़न सिस्टम ख़राबी ढूँढने के लिए डीप लर्निंग और रिजेक्ट करने का फ़ैसला लेने के लिए नियम इस्तेमाल कर सकता है। कोई ‘GenAI असिस्टेंट’ अंदर ही अंदर मशीन लर्निंग मॉडल बुला सकता है। सीढ़ी सोचने का एक तरीका है, प्रोडक्ट की श्रेणी नहीं।
वेंडर हर चीज़ पर AI का लेबल लगाते हैं। नए डैशबोर्ड वाला थ्रेशोल्ड अलार्म फिर भी थ्रेशोल्ड अलार्म ही है। कोई प्रोडक्ट किस पायदान पर है, यह पूछना सबसे तेज़ तरीका है यह जानने का कि आप असल में क्या ख़रीद रहे हैं।
ऊँचा होना बेहतर होना नहीं है। फ़ूड-सेफ़्टी का फ़ैसला नियम से हटाकर मॉडल को देने से उसका ऑडिट मुश्किल हो जाता है। कुछ फ़ैसले जान-बूझकर सबसे निचले पायदान पर ही रहने चाहिए।
AGI की बातें फ़ैसलों को जमा सकती हैं। ‘जब AGI आने वाला है तो अभी निवेश क्यों करें?’ एक आम और महँगा सवाल है। आज आप जो डेटा नींव, सेंसर क्वालिटी और मंज़ूरी प्रक्रियाएँ बनाते हैं, भविष्य के किसी भी सिस्टम को वही चाहिए होंगी।
निचोड़
AI एक सीढ़ी है, कोई अकेली टेक्नोलॉजी नहीं। नियम, मशीन लर्निंग, डीप लर्निंग, जेनरेटिव AI और एजेंट, सबके पास बेवरेज प्लांट फ़्लोर पर असली काम है। AGI अभी मौजूद नहीं है, और इनमें से किसी के काम करने के लिए उसका होना ज़रूरी भी नहीं। समस्या हल करने वाला सबसे निचला पायदान चुनिए, और ऊपर तभी जाइए जब समस्या, और डेटा, आपसे ऐसा करने को कहें।
अगली पोस्ट: जेनरेटिव AI और लार्ज लैंग्वेज मॉडल असल में क्या हैं, एक CIP लॉग के ज़रिए समझाया गया। इन बुनियादी बातों के डिस्टिलरी वर्शन के लिए देखिए What Is AI, Really? A Distiller’s Plain-Language Guide। पूरी सूची सीरीज़ पेज पर है।
अक्सर पूछे जाने वाले सवाल
AI, मशीन लर्निंग और जेनरेटिव AI में क्या फ़र्क है? AI हर उस सॉफ़्टवेयर के लिए छतरी शब्द है जो ऐसा काम करता है जिसे हम बुद्धिमानी वाला कहेंगे। मशीन लर्निंग AI का वह हिस्सा है जो किसी के लिखे नियम मानने के बजाय डेटा से पैटर्न सीखता है। जेनरेटिव AI एक तरह की मशीन लर्निंग है जो अनुमान या लेबल के बजाय नई सामग्री, जैसे टेक्स्ट या इमेज, बनाती है। हर एक उसी सीढ़ी का एक पायदान है, कोई अलग टेक्नोलॉजी नहीं।
क्या 2026 में AGI मौजूद है? नहीं। AGI, यानी आर्टिफ़िशियल जनरल इंटेलिजेंस, का मतलब है ऐसा सिस्टम जो कोई भी बौद्धिक काम, किसी भी क्षेत्र में, भरोसे के साथ उतना ही सीख और कर सके जितना एक इंसान। आज के लार्ज लैंग्वेज मॉडल प्रभावशाली और व्यापक हैं, पर वे अब भी बुनियादी गलतियाँ करते हैं, बिना जाँच के उन पर भरोसा नहीं किया जा सकता, और वे काम करते-करते इंसान की तरह नहीं सीखते। बेवरेज प्लांट के लिए AGI एक बहस है जिस पर नज़र रखें, योजना बनाने लायक टूल नहीं।
ब्रुअरी या बॉटलिंग प्लांट को किस तरह के AI से शुरुआत करनी चाहिए? आमतौर पर सबसे निचले पायदान से जो समस्या हल कर दे। प्लांट की कई समस्याएँ बेहतर नियमों और स्टैटिस्टिकल प्रोसेस कंट्रोल से हल हो जाती हैं। मशीन लर्निंग वहाँ मदद करती है जहाँ पैटर्न नियमों के लिए बहुत जटिल हों, जैसे पंप फ़ेल होने का अनुमान। जेनरेटिव AI टेक्स्ट में मदद करता है: SOP, हैंडओवर और रूट-कॉज़ नोट्स। एजेंटिक AI सबसे आख़िर में आता है, जब डेटा और मंज़ूरियाँ अपनी जगह हों।