GenAI के सहारे Deutsche Börse का 2,000+ Zeppelin नोटबुक माइग्रेशन

1. Structural conversion (नियम आधारित)

Zeppelin नोटबुक के कई हिस्से पूरी तरह तकनीकी और पूर्वानुमेय होते हैं, जैसे:

• Zeppelin के paragraphs को Databricks notebook cells में बदलना
• interpreter syntax को ट्रांसलेट करना
• metadata को नए फॉर्मेट में ढालना

क्योंकि ये कार्य नियमों पर आधारित हैं, इन्हें डिटर्मिनिस्टिक कोड और ऑटोमेशन से संभाला गया, न कि AI से।

2. Logic reconstruction (AI की मदद से)

असल जटिलता नोटबुक के अंदर मौजूद बिज़नेस लॉजिक में होती है—डेटा ट्रांसफॉर्मेशन, एनालिटिक्स स्टेप्स और विश्लेषण का उद्देश्य।

यहाँ सिस्टम context‑aware prompts तैयार करता है, जिन्हें Databricks Genie जैसे AI टूल्स के साथ उपयोग किया जाता है। इससे उपयोगकर्ता नोटबुक के हर चरण की मंशा को समझकर उसे नए सिस्टम में फिर से बना सकते हैं।

इस तरीके से:

• संरचना को पूरी तरह ऑटोमेट किया गया
• लॉजिक को AI + मानव समीक्षा के साथ बनाया गया

Databricks App की आर्किटेक्चर

पूरा माइग्रेशन टूल Databricks App के रूप में बनाया गया था। इसका मतलब है कि उपयोगकर्ता सीधे Databricks वातावरण के भीतर ही माइग्रेशन प्रक्रिया चला सकते थे।

इस सिस्टम में मुख्य घटक शामिल थे:

• एक यूज़र इंटरफ़ेस जो माइग्रेशन प्रक्रिया को स्टेप‑बाय‑स्टेप गाइड करता है
• ऑटोमेशन जो Zeppelin नोटबुक की संरचना को Databricks फ़ॉर्मेट में बदलता है
• AI‑प्रॉम्प्टिंग सिस्टम जो लॉजिक को पुनर्निर्मित करने में मदद करता है
• human‑in‑the‑loop वैलिडेशन ताकि अंतिम परिणाम सही रहे

इससे बिज़नेस यूज़र्स भी अपने नोटबुक माइग्रेट करने की प्रक्रिया में सीधे भाग ले सके।

माइग्रेशन का स्टेप‑बाय‑स्टेप वर्कफ़्लो

सामान्य तौर पर प्रक्रिया चार चरणों में पूरी होती थी।

1. Notebook ingestion
यूज़र Zeppelin नोटबुक्स को एक्सपोर्ट करके Databricks App में अपलोड करते थे।

2. Structural conversion
ऑटोमेशन नोटबुक की संरचना—paragraphs, interpreter syntax और metadata—को Databricks के अनुरूप बदल देता था।

3. AI‑assisted logic reconstruction
AI‑जनरेटेड प्रॉम्प्ट्स की मदद से एनालिटिकल लॉजिक को Databricks टूल्स के साथ दोबारा बनाया जाता था।

4. Human validation
अंतिम चरण में उपयोगकर्ता नोटबुक की समीक्षा कर उसे फाइनल करते थे। इससे डोमेन नॉलेज और कंप्लायंस सुरक्षित रहते थे।

इस टूल से कितना समय बचा

टूल लागू होने से पहले एक नोटबुक को दोबारा बनाने में कई घंटे लग जाते थे।

नई प्रक्रिया के बाद वही काम लगभग 15–20 मिनट प्रति नोटबुक में पूरा होने लगा।

2,000 नोटबुक्स के पैमाने पर इसका अर्थ है:

• कुल लगभग 500–667 घंटे का काम
• जबकि मैन्युअल प्रक्रिया में यह समय कई हजार घंटे तक पहुँच सकता था

हालाँकि कुल समय‑बचत का आधिकारिक आँकड़ा सार्वजनिक नहीं किया गया है।

GenAI का यह उपयोग क्यों खास है

कई जनरेटिव AI प्रोजेक्ट्स व्यावहारिक लाभ दिखाने में संघर्ष करते हैं। Deutsche Börse का यह उदाहरण इसलिए अलग है क्योंकि यह सीधे एक महँगे इंजीनियरिंग बॉटलनेक को हल करता है।

इस मॉडल की कुछ प्रमुख विशेषताएँ हैं:

• स्पष्ट उद्देश्य: लेगेसी नोटबुक्स का माइग्रेशन
• हाइब्रिड ऑटोमेशन: जहाँ नियम काम करते हैं वहाँ सॉफ़्टवेयर, जहाँ व्याख्या चाहिए वहाँ AI
• मानव निगरानी: वित्तीय क्षेत्र में आवश्यक गवर्नेंस बनाए रखना

व्यापक क्लाउड ट्रांसफॉर्मेशन का हिस्सा

यह माइग्रेशन Deutsche Börse की बड़ी क्लाउड रणनीति का भी हिस्सा है। कंपनी धीरे‑धीरे अपने डेटा और एनालिटिक्स सिस्टम को क्लाउड प्लेटफ़ॉर्म्स पर स्थानांतरित कर रही है।

उदाहरण के लिए, कंपनी ने अपने DAX इन्फ्रास्ट्रक्चर को Google Cloud पर फिर से बनाया, जिससे:

• कुल लागत (TCO) में लगभग 33% कमी
• 60 से अधिक एप्लिकेशन माइग्रेट
• महत्वपूर्ण SAP सिस्टम्स के disaster‑recovery समय में 85% कमी

जैसे परिणाम मिले।

कंपनी यह भी बता चुकी है कि उसके 50% से अधिक वर्कलोड अब क्लाउड पर चल रहे हैं, जो डिजिटल इंफ्रास्ट्रक्चर के बड़े बदलाव को दिखाता है।

मुख्य सीख

Deutsche Börse का यह प्रोजेक्ट एंटरप्राइज़ इंजीनियरिंग में GenAI के उपयोग का एक व्यावहारिक मॉडल पेश करता है:

• नियम‑आधारित कार्यों को पारंपरिक ऑटोमेशन से संभालें
• व्याख्या‑आधारित कामों में AI का उपयोग करें
• महत्वपूर्ण बिज़नेस लॉजिक पर मानव निगरानी बनाए रखें

इस रणनीति ने एक विशाल मैन्युअल माइग्रेशन परियोजना को तेज़, अर्ध‑स्वचालित वर्कफ़्लो में बदल दिया—और हर नोटबुक के पुनर्निर्माण का समय घंटों से घटाकर मिनटों में ला दिया।