साक्षात्कार
अहमद एल्समादिसी, नैरेटर.एआई के संस्थापक और सीईओ – साक्षात्कार श्रृंखला
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
अहमद एल्समादिसी नैरेटर.एआई के संस्थापक और सीईओ हैं, जो एक डेटा इंटेलिजेंस कंपनी है जो निर्णय लेने वालों को व्यक्तिगत और कार्रवाई योग्य अंतर्दृष्टि प्रदान करती है।
अहमद ने अपना करियर कॉर्नेल के स्वायत्त प्रणाली प्रयोगशाला में शुरू किया, जहां उन्होंने मानव-रोबोट इंटरैक्शन और बेयसियन डेटा फ्यूजन पर काम किया, साथ ही साथ स्वायत्त वाहनों के लिए एल्गोरिदम विकसित किए।
आपको एआई और डेटा साइंस में क्या आकर्षित किया?
मैंने देखा कि लोग निर्णय कैसे लेते हैं। मैंने मनोविज्ञान, सामाजिक इंजीनियरिंग, और अनिश्चितता के बारे में तर्क करने का अध्ययन किया। इससे मुझे बेयसियन गणित में गहराई से जाने का मौका मिला और दुनिया अधिक अर्थपूर्ण हो गई। मैंने निर्णय लेने की प्रक्रिया को दोहराने का फैसला किया।
आपके करियर में कॉर्नेल के स्वायत्त प्रणाली प्रयोगशाला में काम करने का अनुभव कैसा रहा?
कॉर्नेल की एएसएल में काम करना बहुत मजेदार था! हमने स्वायत्त वाहन और मोबाइल रोबोट्स पर काम किया, और मैंने एल्गोरिदम और हार्डवेयर को वास्तविक सेटिंग्स में बनाने, प्रोग्रामिंग और परीक्षण का अनुभव किया। मेरा पसंदीदा पल एक परियोजना थी जिसमें मैंने कॉर्नेल के छात्रों के साथ 20 प्रश्नों का खेल खेलने की कोशिश की। खेल सरल था, एक रोबोट एक वस्तु की तलाश में था और यह कॉर्नेल के छात्रों से हां/ना प्रश्न पूछकर वस्तु को खोजने में मदद कर सकता था। एक छोटा सा मोड़, मानव झूठ बोल सकते हैं।
इस स्थिति में, कोई वास्तविक जानकारी नहीं है, कुछ भी जो निश्चित रूप से सच है। मैंने एक एल्गोरिदम पर काम किया जो लोगों और सेंसर से जानकारी को मिलाकर बेहतर निर्णय ले सकता था। बाद में इस परियोजना को बिजनेस इनसाइडर द्वारा उठाया गया और इसे “झूठ बोलने वाला रोबोट” के रूप में जाना जाने लगा।
इन पलों में, जहां डेटा और एल्गोरिदम कुछ ऐसा कर सकते हैं जो आप आसानी से कल्पना नहीं कर सकते, यही बात इन परियोजनाओं को अद्भुत बनाती है।
नैरेटर का विचार आपके पिछले नियोक्ता वीवर्क में डेटा के साथ काम करने में आपकी निराशा से उत्पन्न हुआ। स्टार स्कीमा मॉडलिंग के साथ आपको क्या समस्याएं आ रही थीं?
(WE )हर कंपनी अपने डेटा मॉडल के लिए स्टार स्कीमा का उपयोग करती है। यह समझ में आता है! आप उन प्रश्नों के सेट का प्रतिनिधित्व करने वाली तालिकाएं बनाते हैं जिनका आप उत्तर देना चाहते हैं और फिर आप उन्हें लोगों को प्लॉट करने के लिए देते हैं। चुनौती यह है कि प्रश्न लगातार बढ़ रहे हैं और बदल रहे हैं, और इसलिए आप जो तालिकाएं बनाते हैं वे कभी भी सभी संभावित प्रश्नों का उत्तर देने के लिए पर्याप्त नहीं होतीं। एकमात्र समाधान अधिक तालिकाएं बनाना है, जो सत्य के स्रोत से विचलन का कारण बनता है।
मैं हमेशा “एयर फ्लो डेटा मॉडलिंग” को गूगल करता हूं ताकि लोगों को दिखा सकूं कि मॉडलिंग परत का सर्वोत्तम मामला क्या है और यह जटिल है। सैकड़ों तालिकाएं एक दूसरे पर निर्भर हैं।
उस ने कहा, यही एकमात्र विकल्प था। वीवर्क में, मैंने कई यूनिकॉर्न से बात की और हम जिस स्थिति का सामना कर रहे थे, वही देखा। हमने डेटा टूल्स पर लाखों डॉलर खर्च किए। हमने सैकड़ों मॉडल बनाए। डेटा अभी भी विश्वास खो रहा था और समय पर प्रश्नों का उत्तर देने में विफल हो रहा था। फिर हर 1-2 वर्ष में हम प्रणाली को नए उपकरणों का उपयोग करके फिर से बनाते थे, लेकिन同 एक ही दृष्टिकोण के साथ।
यदि हर कंपनी जिसने स्टार स्कीमा लागू की थी, उसने अपनी प्रणाली को फिर से बनाने की आवश्यकता महसूस की, तो फ्रेमवर्क में समस्या है।
आपको डेटा के साथ काम करने के लिए एक बेहतर समाधान कैसे मिला?
शुरुआत में, मैंने डेटा ब्लॉग्स से प्रेरणा ली। एक ब्लॉग में, एक कंपनी एक ग्राहक और विश्लेषण की कहानी सुना सकती है बिना अपने डेटा मॉडल को दिखाए। वे ग्राहकों को समय में कार्रवाई करने और एल्गोरिदम की व्याख्या करने के लिए उपयोग करते हैं। वास्तव में, ये सभी अवधारणाएं हैं जिन्हें हर कोई समझता है (एक उपयोगकर्ता ने वेबसाइट देखी, फिर एक बैठक बुक की)। मुझे आश्चर्य हुआ कि यह संरचना डेटा में क्यों नहीं उपयोग की जाती है, यदि यह कुछ भी प्रस्तुत करने की क्षमता रखती है। छोटा उत्तर यह है कि यह डेटा संरचना वास्तव में बीआई टूल्स द्वारा प्रश्नयोग्य नहीं है (जॉइन करने के लिए कुछ नहीं है)।
हमारा डेटा मॉडल, जिसे हम गतिविधि स्कीमा कहते हैं, वास्तव में दुनिया को बदलने की क्षमता रखता है। यह हर कंपनी को एक ही डेटा मॉडल दे सकता है जो कोई भी प्रश्न का उत्तर दे सकता है। हर कंपनी के पास एक ही डेटा मॉडल हो सकता है – इसलिए विश्लेषण और एल्गोरिदम कंपनियों के बीच साझा किए जा सकते हैं। और अंत में, यह डेटा लोगों के लिए एक सामान्य तरीका बना सकता है कि वे एक साथ कैसे काम करें और डेटा के बारे में बात करें।
मुझे लगा कि यह डेटा उद्योग को क्रांतिकारी बना सकता है, इसलिए मैं 2017 में वीवर्क छोड़कर गतिविधि स्कीमा को प्रश्नयोग्य बनाने के उद्देश्य से चला गया।
नैरेटर का आउटपुट डेटा अन्य लोगों की अपेक्षा काफी अलग तरीके से संरचित है। नैरेटिव क्या हैं और वे कैसे एक कहानी की तरह संरचित हैं?
नैरेटिव कार्रवाई योग्य विश्लेषण हैं जो एक कहानी प्रारूप में हैं।
हम, डेटा लोग, डैशबोर्ड के लिए इतने अभ्यस्त हैं:
- सैकड़ों अलग-अलग दृश्यीकरण को पढ़ने का तरीका जानें।
- डेटा को अपने दिमाग में मिलाएं ताकि यह पता लगाया जा सके कि वास्तव में क्या हो रहा है।
- डेटा के टुकड़ों को समझने के लिए अपने दिमाग में एक कहानी बनाएं।
- कार्रवाई करने का निर्णय लें।
इस प्रक्रिया की चुनौती यह है कि प्रत्येक व्यक्ति जो डैशबोर्ड देखता है वह एक अलग कहानी और अलग सिफारिश के साथ आएगा। यह एक प्राकृतिक पूर्वाग्रह है।
नैरेटर का उद्देश्य डेटा पर आधारित कार्रवाई करना था। जैसा कि हमने पुनरावृत्ति की, हमने देखा कि हमारे ग्राहकों को निर्णय लेने के लिए कहानियां और व्याख्याएं चाहिए और यही हमने उन्हें दिया।
नैरेटिव एक स्पष्ट लक्ष्य के साथ शुरू होते हैं। वे एक सिफारिश करते हैं। फिर वे आपको मुख्य बातें दिखाते हैं जो आप प्राप्त करेंगे। अंत में, वे विश्लेषण के माध्यम से जाते हैं। प्रत्येक अनुभाग कुछ सीखने के बारे में एक कहानी बताता है और डेटा का उपयोग समर्थन साक्ष्य के रूप में किया जाता है।
100 लोगों को एक ही नैरेटिव दिखाएं और वे सभी एक ही सिफारिश और व्याख्या के साथ वापस आएंगे।
नैरेटिव यह भी समझते हैं कि आपका व्यवसाय बदल रहा है, इसलिए वे हर हफ्ते चलाए जाते हैं ताकि यह देखा जा सके कि सिफारिशें और व्याख्याएं अभी भी मान्य हैं और वे स्वयं को अद्यतन करेंगे।
इस सब सीखने और नैरेटिव बनाने के बाद, हमने महसूस किया कि अधिकांश प्रमुख परामर्श कंपनियों ने भी同ी बात सीखी है। मैककिंसी आपको समान प्रस्तुतियां और दृष्टिकोण देता है, न कि केवल डैशबोर्ड। हम इसी स्तर की गुणवत्ता एक अंश के लिए प्रदान करने का प्रयास कर रहे हैं।
नैरेटर के लिए डेटा इंजीनियरों के लिए कुछ लाभ क्या हैं?
डेटा इंजीनियर हमारे सबसे बड़े समर्थक हैं! मुझे लगता है कि मैं एक डेटा इंजीनियर के रूप में शुरू हुआ, इसलिए नैरेटर को डेटा इंजीनियरों के लिए बनाया गया था।
नैरेटर में, डेटा मॉडलिंग वास्तव में आसान है – आप केवल स्रोत के सत्य से हमारे डेटा मॉडल में अवधारणाओं को मैप करते हैं। हम कई परीक्षण चलाते हैं ताकि यह सुनिश्चित किया जा सके कि यह काम करेगा और फिर आप उत्पादन में धक्का देते हैं। नैरेटर माइग्रेशन, सिंक्रोनाइजेशन, डेटा और तेजी से सब कुछ संभालता है।
नैरेटर के भीतर, आप किसी भी डेटासेट को मिनटों में इकट्ठा कर सकते हैं और इसे किसी को भी दे सकते हैं जो इसका अनुरोध कर रहा है।
हमने उन सभी छोटी चीजों के बारे में सोचा जिन्हें आपको चाहिए और सुनिश्चित किया कि आपको यह मिले:
- प्रोसेसिंग और नियंत्रण में पूरी पारदर्शिता प्राप्त करने के लिए रोकने, रद्द करने, चलाने आदि के लिए।
- रूपांतरण से पहले और बाद में कच्चे डेटा पर अलर्ट लगाने की क्षमता।
- प्रश्न में सभी परिवर्तनों का पूरा लॉग।
- तालिका में हर अपडेट के लिए पूरी दृश्यता।
- किसी भी डेटासेट को सामग्रित करने या गूगल शीट में भेजने के लिए 1 क्लिक।
- किसी भी प्रणाली में डेटा भेजने के लिए त्वरित वेबहुक सेटअप।
- समर्थन से संपर्क करें और आपको एक डेटा इंजीनियर मिलेगा जो आपकी मदद करेगा।
- नैरेटर द्वारा उत्पन्न प्रत्येक प्रश्न पठनीय और पारदर्शी है।
- किसी विशिष्ट ग्राहक के साथ होने वाली हर चीज की त्वरित समयरेखा के साथ किसी भी डेटा को डीबग करें।
- 1 डेटासेट बनाएं और इसके ऊपर कई एकत्रीकरण बनाएं (सीटीई में समान प्रश्न की प्रतिलिपि बनाने की आवश्यकता नहीं है)।
- यदि आप निर्माण खंडों में से किसी एक को बदल देते हैं, तो हम आपके सभी डेटा को संगत बनाते हैं।
डेटा इंजीनियरों के लिए और भी बहुत कुछ है जो आपको पसंद आएगा!
नैरेटर के साथ रिपोर्ट करने में कितना समय बचता है और पारंपरिक मॉडलिंग की तुलना में?
ईमानदारी से, नैरेटर की तुलना पारंपरिक मॉडलिंग से करना अनुचित है। नैरेटर में, आपका सभी डेटा केवल 1 दिन में मॉडल किया जाता है, न कि पारंपरिक स्टार स्कीमा में महीनों की योजना की तरह। नैरेटर में परिवर्तन कम जोखिम वाले और आसान हैं। नैरेटर में किसी भी तालिका का निर्माण तुरंत होता है क्योंकि आपको यह चिंता करने की आवश्यकता नहीं है कि क्या कोई विदेशी कुंजी है जो चीजों को एक साथ जोड़ती है।
विश्लेषण के संदर्भ में, नैरेटर में विशेषज्ञ द्वारा लिखे गए विश्लेषणों का एक पुस्तकालय है जिसे आप तुरंत चला सकते हैं। ये विश्लेषण अच्छी तरह से सोचे गए हैं, कई कंपनियों पर परीक्षण किए गए हैं, व्यवसाय में परिवर्तन के आधार पर अद्यतन किए जाते हैं, डेटा की व्याख्या करने के लिए एल्गोरिदम का लाभ उठाते हैं और एक कहानी प्रारूप में सुंदरता से प्रस्तुत किए जाते हैं। इस स्तर का काम अक्सर डेटा लोगों की टीमों द्वारा सप्ताहों में किया जाता है (जो हम करते हैं, लेकिन हम इसे एक बार करते हैं और फिर इसे सभी के लिए तुरंत उपलब्ध कराते हैं)।
नैरेटर के बारे में और कुछ है जो आप साझा करना चाहेंगे?
नैरेटर अलग है।
यह थोड़ा मुश्किल है कि यह कैसे और क्यों काम करता है, लेकिन एक बार जब आप इसके साथ शुरू कर देते हैं, तो यह क्लिक करेगा और आप कभी भी पीछे नहीं जा पाएंगे।
मैं नैरेटर द्वारा संभव की जा रही दुनिया से उत्साहित हूं और मैं किसी को भी सीखने के लिए पहुंचने का स्वागत करता हूं!
एक साथ, हम बेहतर निर्णय ले सकते हैं जो एक बेहतर दुनिया बनाएंगे।
साक्षात्कार के लिए धन्यवाद, पाठक जो अधिक जानना चाहते हैं उन्हें नैरेटर.एआई पर जाना चाहिए।
