Alex Smola, Boson AI के सह-संस्थापक – साक्षात्कार शृंखला

Alex Smola Boson AI के सह-संस्थापक हैं, जहाँ वे संवादात्मक वॉइस AI और मल्टीमॉडल प्रणालियों पर काम करते हैं। उनका करियर Carnegie Mellon University में अकादमिक शोध से लेकर AWS में बड़े पैमाने की AI पहलों तक फैला है। शोध और उत्पाद-विकास के इस अनुभव के मेल का उपयोग वे ऐसे सहायक बनाने में करते हैं जो बातचीत के संकेतों को समझ सकें, बीच में आने वाली बाधाओं को संभाल सकें और उपयोगी काम कर सकें।

Boson AI वॉइस, ऑडियो और मल्टीमॉडल संवाद के लिए फ़ाउंडेशन मॉडल और टूल विकसित करता है। इसका Higgs Realtime मॉडल लाइव स्पीच-टू-स्पीच बातचीत को सक्षम बनाता है, जबकि इसके व्यापक प्लेटफ़ॉर्म में भावपूर्ण वाणी निर्माण, अवतार और उद्यमों के लिए वॉइस एजेंट शामिल हैं। इस साक्षात्कार में Smola संवादात्मक बुद्धिमत्ता, बहुभाषी प्रदर्शन, इन्फ़रेंस की अर्थव्यवस्था और वॉइस एजेंटों को वास्तविक व्यावसायिक कार्यप्रवाहों में शामिल करने के लिए ज़रूरी सुरक्षा उपायों पर चर्चा करते हैं।

आपका करियर Carnegie Mellon University में अकादमिक शोध से लेकर AWS में बड़े पैमाने की AI पहलों का नेतृत्व करने और अब Boson AI की सह-स्थापना तक पहुँचा है। संवादात्मक वॉइस AI पर ध्यान केंद्रित करने की प्रेरणा आपको कहाँ से मिली, और मानव-AI संवाद की किन बुनियादी सीमाओं को आप दूर करना चाहते हैं?

इंसान सिर्फ़ शब्दों के ज़रिए संवाद नहीं करते। किसी की आवाज़ में अनिश्चितता सुनाई दे सकती है या यह दिखाई दे सकता है कि वह कोई बात समझ नहीं पाया है। एक छोटी-सी हामी आपको बता सकती है कि बोलते रहना चाहिए। हम बिना सोचे-समझे ऐसे संकेतों को समझ लेते हैं, लेकिन कंप्यूटरों को इन्हें पहचानना सिखाने का काम अभी जारी है।

मुझे इस क्षेत्र में दिलचस्पी इसी वजह से है। अब हमारे पास काफ़ी बुद्धिमान प्रणालियाँ हैं, लेकिन उनसे संवाद करना अब भी अटपटा लग सकता है। मैं चाहता हूँ कि लोग सॉफ़्टवेयर से बात करने का तरीका सीखने की चिंता किए बिना, अपनी ज़रूरतें अपने शब्दों में बता सकें।

AWS में मैंने इस बात पर बारीकी से ध्यान देना सीखा कि ग्राहक क्या करना चाहते हैं और उत्पाद उन्हें ऐसा करने में मदद करता है या नहीं। हमने Boson में भी यही तरीका अपनाया है, और शोध में प्रगति के साथ तेज़ी से आगे बढ़ने की आज़ादी भी हमारे पास है।

वॉइस और वीडियो से हमें काम करने के लिए अधिक जानकारी मिलती है। अगर कोई उलझन में दिखे या बोलने से पहले झिझके, तो बातचीत भटकने से पहले सहायक को जवाब देने का अवसर मिलता है। रोज़मर्रा की ऐसी बातचीत को बेहतर ढंग से संभालना हमारी महत्वाकांक्षा का एक बड़ा हिस्सा है।

Boson AI ने हाल ही में Higgs Realtime पेश किया, जिसे स्वाभाविक, रीयल-टाइम स्पीच-टू-स्पीच संवाद संभव बनाने के लिए तैयार किया गया है। यह तरीका उन पारंपरिक प्रणालियों से बुनियादी तौर पर कैसे अलग है जो स्पीच रिकग्निशन, भाषा मॉडल और टेक्स्ट-टू-स्पीच को जोड़ती हैं? और AI सहायकों के भविष्य के लिए यह अंतर क्यों मायने रखता है?

पारंपरिक प्रक्रिया में स्पीच रिकग्निशन आपके बोले हुए शब्दों को टेक्स्ट में बदलता है, भाषा मॉडल जवाब तैयार करता है और स्पीच मॉडल उसे बोलकर सुनाता है। हर चरण उससे पहले वाले चरण पर निर्भर करता है, जिससे बातचीत धीमी और टूटी-फूटी लग सकती है।

Higgs Realtime ऑडियो-आधारित स्पीच-टू-स्पीच मॉडल है, जिसे लाइव संवाद के लिए बनाया गया है। इसकी ट्रेनिंग में बातचीत के व्यवहार को शामिल किया गया है, जैसे बारी-बारी से बोलना और बदलते अनुरोधों का जवाब देना। यह किसी टेक्स्ट चैटबॉट को आवाज़ देने से बिल्कुल अलग है।

सोचिए, आप किसी से कोई मुश्किल सवाल पूछते हैं। उस पर काम करते हुए वह कह सकता है, “मुझे यह ढूँढ़ने दीजिए।” आपको पता रहता है कि उसने आपकी बात सुन ली है और उस पर काम कर रहा है। जानकारी जुटाते समय या किसी टूल का इस्तेमाल करते हुए AI सहायक को भी ऐसा ही करना चाहिए, ताकि आप यह सोचते न रह जाएँ कि उसने आपकी बात समझी या काम करना बंद कर दिया।

लंबे कामों में यह और भी ज़रूरी हो जाता है। सहायक को काम करते समय आपको बताते रहना चाहिए कि वह क्या कर रहा है, और आपके सवाल पूछने या अपना इरादा बदलने पर जवाब देना चाहिए।

संवादात्मक AI की सबसे बड़ी चुनौतियों में से एक है यह समझना कि कब बोलना है, कब सुनना है और बीच में आने वाली बाधाओं या बातचीत की दिशा में बदलाव को कैसे संभालना है। Boson AI इन चुनौतियों से कैसे निपट रहा है, और AI के साथ बातचीत को सचमुच स्वाभाविक बनाने के लिए अभी किन तकनीकी सफलताओं की ज़रूरत है?

किसी बात की हामी भरना और बीच में टोकना सुनने में काफ़ी मिलता-जुलता हो सकता है, लेकिन इनके जवाब अलग-अलग होने चाहिए। अगर आपके बोलते समय कोई “हाँ” कहता है, तो हो सकता है कि वह चाहता हो कि आप बोलते रहें। लेकिन अगर वह अपने फ़ोन नंबर का कोई अंक ठीक करता है, तो आपको रुककर सही नंबर इस्तेमाल करना चाहिए। AI सहायक को इन दोनों स्थितियों में अंतर समझ पाना चाहिए।

Higgs Realtime यह तय करने में मदद के लिए किसी व्यक्ति की कही बात का अर्थ समझता है कि उसने बोलना पूरा कर लिया है या बस थोड़ी देर रुका है। तेज़ी से जवाब देना अहम है, लेकिन यह जानना भी उतना ही ज़रूरी है कि जवाब कैसे देना है।

हर बार इसे सही ढंग से कर पाना अब भी काफ़ी मुश्किल है। लोग करीने से बारी-बारी से नहीं बोलते और बातचीत के संदर्भ के अनुसार एक ही शब्द के अलग-अलग अर्थ हो सकते हैं। सहायक को समझना होता है कि क्या बदला है और वह क्या कर रहा था, यह याद रखना होता है।

Boson AI ने IHBench जैसे मानक विकसित किए हैं, ताकि यह मापा जा सके कि वॉइस एजेंट बीच में आने वाली बाधाओं से कैसे उबरते हैं। इन आकलनों से आज के अग्रणी वॉइस मॉडलों की कमज़ोरियों के बारे में क्या पता चला है, और संवादात्मक बुद्धिमत्ता को मापने के तरीक़े पर उद्योग को नए सिरे से कैसे विचार करना चाहिए?

हमने यह जाँचने के लिए IHBench बनाया कि किसी के वॉइस एजेंट को बीच में टोकने पर क्या होता है। अगर बुकिंग के बीच में आप किसी बात को सुधारते हैं, तो एजेंट को उस सुधार को स्वीकार करके सही जगह से आगे बढ़ना चाहिए। आपको फिर से शुरुआत नहीं करनी चाहिए और न ही वह जानकारी दोबारा सुननी चाहिए जो एजेंट पहले ही दे चुका है। नतीजे मॉडल और टोकने के तरीके के आधार पर काफ़ी अलग-अलग थे। एक निष्कर्ष जिसे प्रकाशित करने में हमें खास खुशी नहीं हुई: आम तौर पर बंद-वेट सिस्टम ने बीच में टोके जाने को बेहतर ढंग से संभाला और बातचीत जितनी आगे बढ़ चुकी थी, उसमें टोके जाने पर भी उनका प्रदर्शन उतना ही बेहतर बना रहा।

ओपन इकोसिस्टम में यह एक वास्तविक कमी है, और हम यह दिखावा करने के बजाय कि यह कमी मौजूद नहीं है, इसे सबके सामने मापना पसंद करेंगे। बेंचमार्क बनाने का मुख्य कारण भी यही है। जिस कमी को मापने का तरीका तय ही न हुआ हो, उसे दूर नहीं किया जा सकता। हमने यह बेंचमार्क प्रकाशित किया था, तब इसमें हमारा अपना कोई मॉडल शामिल नहीं था। जब हमने इसमें अपना मॉडल शामिल किया, तो रिकवरी की गुणवत्ता में Higgs Realtime ने 71.2 अंक हासिल किए—GPT Realtime 1.5 के 65.5, GPT Realtime 2 के 62.4 और Gemini 3.1 Flash Live के 61.1 अंकों से आगे। इसलिए इस कमी को दूर किया जा सकता है, और एक ओपन-वेट मॉडल ने इसे दूर करके दिखाया।

मैं यह बात ऐसे परीक्षण से दिखाना पसंद करूँगा जिसे हमने कठिन बनाया था और जिस पर हमारे पास दिखाने के लिए कुछ भी होने से पहले ही प्रकाशित कर दिया था। व्यापक रूप से देखें, तो मुझे लगता है कि यह क्षेत्र गलत चीज़ों को माप रहा है। किसी की आवाज़ पूरी तरह स्वाभाविक सुनाई दे सकती है, फिर भी वह काम पूरा करने में नाकाम हो सकती है, क्योंकि असली कसौटी यह है कि एजेंट कार्य पूरा करता है या नहीं। अगर आपको उसे बार-बार याद दिलाना पड़े कि आप क्या कर रहे थे, तो आवाज़ कितनी अच्छी लगती है, यह बात बहुत जल्दी मायने खो देती है।

प्रभावशाली वॉइस एआई प्रदर्शन और वास्तविक ग्राहकों से बातचीत संभाल सकने वाले स्वायत्त एजेंट के बीच बड़ा अंतर है। इन दोनों में क्या फ़र्क है, और कारोबार के लिए बेहद अहम कार्यप्रवाहों में वॉइस एजेंट तैनात करने का भरोसा उद्यमों को दिलाने से पहले किन क्षमताओं में सुधार होना चाहिए?

आपको आख़िरी बार अपनी केबल कंपनी को फ़ोन करके कब अच्छा लगा था? ज़्यादातर लोगों का जवाब होगा—कभी नहीं। आपको एक व्यक्ति से दूसरे व्यक्ति के पास भेजा जाता है और हर बार आपको अपना नाम, जन्मतिथि और समस्या फिर से बतानी पड़ती है, ताकि अगला व्यक्ति आपसे ये सारी बातें दोबारा पूछ सके। अब उसी समस्या के बारे में चौथी बार किए गए फ़ोन की कल्पना कीजिए। आप चाहेंगे कि एजेंट को पता हो कि पहली तीन बार क्या हुआ था। अगर राउटर रीस्टार्ट करने से समस्या हल नहीं हुई है, तो शायद अब तकनीशियन भेजने का समय है; और आपको खुद यह बात मनवाने की ज़रूरत नहीं होनी चाहिए। ऐसा करने के लिए एजेंट को आपके खाते का इतिहास और मुलाक़ात तय करने वाली प्रणाली तक पहुँच चाहिए।

बुकिंग न हो पाने की स्थिति को भी उसे संभालना चाहिए और यह जानना चाहिए कि समस्या वास्तव में हल कर सकने वाले किसी व्यक्ति के पास आपको कब भेजना है। ग्राहक कॉल संभालने के लिए एजेंट तैनात करने से पहले कारोबार को ऐसी स्थितियों की जाँच करनी चाहिए। इसके बाद उसे चलाने की लागत का सवाल आता है। कोई सिस्टम प्रदर्शन के दौरान शानदार ढंग से काम कर सकता है, लेकिन रोज़ाना हज़ारों कॉल संभालने के लिए उसे चलाना बेहद महँगा पड़ सकता है। इसलिए दक्षता कारोबार में इस्तेमाल के लिए तैयार होने का हिस्सा है, कोई अलग चिंता नहीं।

हम कई महीनों से एक वैश्विक बीमा कंपनी के साथ इसी परिदृश्य पर काम कर रहे हैं। यह वास्तविक सिस्टम के साथ-साथ चल रहा कोई परीक्षण नहीं है। कंपनी के संपर्क केंद्र में यह उनके मानव बिक्री एजेंटों के साथ मिलकर ग्राहकों की आने वाली और बाहर जाने वाली, दोनों तरह की लाइव बातचीत संभालता है। एक साथ हज़ारों कॉल, और एक मानव एजेंट की लागत के लगभग एक-तिहाई पर।

लागत से भी ज़्यादा दिलचस्प बात मेरे लिए यह है कि सिस्टम ने काम करते-करते ही सुधार किया। जब हमने शुरुआत की, तो कंपनी के अपने मूल्यांकन में हमारी बातचीत की गुणवत्ता को 30 अंक मिले। पाँच महीने बाद यह स्कोर 80 था—यही वह स्कोर है जिसे वे योग्य मानव टेलीमार्केटर के लिए मानक मानते हैं। उसी मूल्यांकन में GPT-4o Realtime को 55 अंक मिले। हमने प्रयोगशाला में मॉडल को समायोजित करके यह नतीजा हासिल नहीं किया। जिस वास्तविक कॉल-ट्रैफ़िक को सिस्टम संभाल रहा था, उसी के आधार पर उसका प्रदर्शन बेहतर हुआ—और संपर्क केंद्र के लिए सुधार का यही एकमात्र मायने रखने वाला तरीका है।

जैसे-जैसे वॉइस एजेंट सवालों के जवाब देने से आगे बढ़कर काम पूरे करने, ग्राहकों की जानकारी तक पहुँचने और उद्यम प्रणालियों के साथ संवाद करने लगे हैं, डेवलपर स्वायत्तता और मानवीय निगरानी के बीच संतुलन कैसे बनाएँ? इन प्रणालियों पर लंबे समय तक भरोसा कायम करने के लिए कौन-से सुरक्षा उपाय ज़रूरी हैं?

मैं सबसे पहले पूछूँगा कि आप एजेंट पर किस काम के लिए भरोसा करना चाहते हैं। उसे खाते का बैलेंस देखने देना, उसे पैसे ट्रांसफ़र करने या किसी सेवा को रद्द करने की अनुमति देने से बिल्कुल अलग है। अनुमतियाँ इसी के अनुरूप होनी चाहिए, और जिन प्रणालियों से एजेंट जुड़ता है, उन्हें इन अनुमतियों को लागू करना चाहिए। यह सारी ज़िम्मेदारी केवल प्रॉम्प्ट में दिए गए निर्देश पर नहीं छोड़ी जा सकती।

लोगों को यह भी पता होना चाहिए कि वे किस बात के लिए सहमति दे रहे हैं। ऐसा कोई बदलाव करने से पहले जिसे पलटना मुश्किल हो, एजेंट को उसके नतीजे समझाने चाहिए और पुष्टि माँगनी चाहिए। इस तरह, जब एजेंट अटक जाए, तो किसी व्यक्ति को शामिल करना आसान होना चाहिए।

फिर भी गड़बड़ियाँ होंगी। ऐसा होने पर आपको यह देख पाने में सक्षम होना चाहिए कि एजेंट ने क्या किया और वह कहाँ रुक गया, ताकि कोई उसे ठीक कर सके। आत्मविश्वास से बोलने वाली आवाज़ हमें यह मानने पर मजबूर कर सकती है कि सिस्टम को पता है कि वह क्या कर रहा है, लेकिन हमें उसके भरोसेमंद व्यवहार के ज़रिए यह भरोसा अर्जित करना होगा।

Higgs Realtime 100 से अधिक भाषाओं का समर्थन करता है और बातचीत के दौरान भाषा बदलने की सुविधा भी देता है। अलग-अलग भाषाओं, लहजों और संवाद शैलियों में एकसमान संवाद-बुद्धिमत्ता उपलब्ध कराने में सबसे बड़ी तकनीकी चुनौतियाँ क्या हैं—खासकर भावनात्मक संदर्भ और उपयोगकर्ता की मंशा समझने के मामले में?

भाषाओं की कवरेज सुनने में किसी सूची जैसी लगती है, लेकिन मामला ऐसा नहीं है। कुछ समय पहले एक ग्राहक को थाई भाषा की ज़रूरत थी। हमारी कवरेज आंशिक थी, और सबसे पहले हमें पता चला कि हमें थाई भाषा के बारे में बिल्कुल कुछ नहीं मालूम था। शुरुआत इस तथ्य से हुई कि लिखित थाई में लगभग विराम-चिह्न होते ही नहीं हैं। इससे वाक्यों की सीमाओं के बारे में वे धारणाएँ टूट जाती हैं जिन पर ज़्यादातर वाक् प्रणालियाँ आधारित होती हैं। हम उस बाज़ार में प्रवेश टाल सकते थे। इसके बजाय, हमने थाई बोलने वाले कंप्यूटर वैज्ञानिकों को ढूँढ़ा और भाषा को संभालने का तरीका नए सिरे से सही ढंग से बनाया।

लगभग छह हफ़्ते बाद हम इसका प्रदर्शन करने बैंकॉक में थे। प्रदर्शन के दौरान मैं समझ नहीं पा रहा था कि यह कैसा चल रहा है—मैं ऐसे लोगों को एक प्रणाली आज़माते सुन रहा था जिनकी भाषा मैं नहीं बोलता—और बाद में उन्होंने कहा कि यह अच्छा रहा, जिससे मुझे काफ़ी राहत मिली। भाषा के चलन उतने ही अलग होते हैं जितनी शब्दावली। जापानी में, जब आप बोल रहे होते हैं, तो सुनने वाले यह दिखाने के लिए बीच-बीच में छोटी-छोटी प्रतिक्रियाएँ देते हैं कि वे आपकी बात समझ रहे हैं। अगर सहायक हर बार अपनी बारी देने के लिए रुक जाए, तो बातचीत की लय टूट जाती है।

शब्द बिल्कुल सही हो सकते हैं, फिर भी बातचीत नाकाम हो सकती है। और आप कुछ कैसे कहते हैं, यह उतना ही मायने रखता है जितना कि आप क्या कहते हैं। आप ठीक उन्हीं शब्दों का इस्तेमाल स्नेह जताने या व्यंग्य करने के लिए कर सकते हैं, और दोनों के लिए उपयुक्त जवाब बिल्कुल अलग होगा। वाक्य के बीच में भाषा बदल जाने पर भी लहजे और संदर्भ को बनाए रखना, मेरे लिए इस काम को दिलचस्प बनाने वाली बड़ी बातों में से एक है।

OpenAI और Google जैसी कंपनियाँ रीयल-टाइम मल्टीमॉडल एआई में भारी निवेश कर रही हैं। Boson AI जैसी विशेषज्ञ कंपनी, कहीं अधिक कंप्यूटिंग संसाधनों वाले संगठनों से कैसे प्रतिस्पर्धा कर सकती है, और मॉडल आर्किटेक्चर, प्रदर्शन तथा अनुमान की अर्थव्यवस्था में अलग पहचान बनाने के सबसे बड़े अवसर आपको कहाँ दिखते हैं?

ज़्यादा कंप्यूटिंग संसाधन होने का यह मतलब नहीं कि आप उनका अच्छा इस्तेमाल भी कर रहे हैं। किसी लाइव बातचीत में, किसी के “हम्म” या “हाँ, शायद” कहने को संसाधित करने के लिए भी आप बहुत शक्तिशाली मॉडल चलाने पर काफ़ी पैसा खर्च कर सकते हैं। वह मॉडल अपनी बुद्धिमत्ता का बड़ा हिस्सा ऐसे भराव शब्दों को सुनने में लगा देगा। दिमाग़ महँगे होते हैं, वे बहुत ऊर्जा खाते हैं और अनुमान लगाने में भी बहुत ऊर्जा लगती है। आख़िरकार, इसका खर्च ग्राहक ही उठाता है।

इंसान ध्यान बाँटकर इस समस्या का हल निकालते हैं। आप किसी कॉफ़ी शॉप में थोड़ी उबाऊ बातचीत कर रहे हो सकते हैं, जबकि आपके दिमाग़ का एक हिस्सा यह सोच रहा हो कि रात के खाने में क्या पकाना है। आपके ध्यान का एक हिस्सा बातचीत संभालता है। फिर दूसरा व्यक्ति आपसे सचमुच कोई कठिन सवाल पूछता है और आप पूरी तरह उसमें डूब जाते हैं, अपना सारा ध्यान उसी पर लगा देते हैं। हम संवाद प्रणालियाँ भी इसी तरह बनाते हैं।

बातचीत के शुरुआती हिस्से को एक कम खर्चीला मॉडल संभालता है, और जब काम की सचमुच ज़रूरत हो, तभी अधिक महँगी तर्क-प्रक्रिया और टूल कॉल का इस्तेमाल किया जाता है। इसका दूसरा पहलू यह है कि हमने कंप्यूटिंग संसाधन किराए पर लेने के बजाय ख़रीदे। हिसाब मुश्किल नहीं है: क्लाउड इंस्टेंस की प्रति घंटा लागत को साल के घंटों से गुणा करें, तो नतीजा हार्डवेयर को एकमुश्त ख़रीदने की लागत के क़रीब पहुँचता है। हमने हर घटक के लिए लागत बराबर होने का बिंदु निकाला और उसी आधार पर आगे बढ़े। यह सुनने में जितना आसान लगता है, उससे कहीं कठिन था और सब कुछ पूरी तरह ठीक भी नहीं हुआ। लेकिन इससे अंधाधुंध बड़े पैमाने पर विस्तार करने का विकल्प हट जाता है, यानी हर सुधार बेहतर डेटा और बेहतर आर्किटेक्चर से ही आना चाहिए। यह भी पता चला कि इस तरीके ने हमारी रक्षा की: जिन घटकों के लिए हमें 100,000 डॉलर से कम के दाम बताए गए थे, उनकी कीमत छह महीने बाद लगभग दोगुनी हो गई। हम तेज़ी से आगे बढ़ सकते हैं, क्योंकि हम एक छोटी टीम हैं और एक ही चीज़ पर काम कर रहे हैं। कोई शोधकर्ता विचार लेकर उसे परख सकता है और ख़ुद ही उसे उत्पाद में शामिल कर सकता है। हमें खुले शोध समुदाय से फ़ायदा होता है और हम उसमें अपना योगदान भी देते हैं, जिससे एक छोटी टीम अपने आकार से कहीं ज़्यादा काम कर पाती है।

ProactBench पर आपका शोध संवादात्मक बुद्धिमत्ता के एक अहम पहलू की पड़ताल करता है: यह पहचानना कि उपयोगकर्ताओं को क्या चाहिए, भले ही उन्होंने स्पष्ट रूप से उसकी माँग न की हो। आपके विचार में वॉइस एजेंट प्रतिक्रियाशील सहायकों से आगे बढ़कर सक्रिय सहयोगियों के रूप में कैसे विकसित होंगे, और उपयोगकर्ता की ज़रूरतों का पहले से अनुमान लगाने तथा हद से आगे बढ़ने के बीच की सीमा कहाँ होनी चाहिए?

मान लीजिए कि आप डॉक्टर से मिलने का समय तय कर रहे हैं और बातचीत की शुरुआत में बताते हैं कि आप गाड़ी नहीं चला सकते। एक अच्छा सहायक यह बात याद रखेगा और दूर से परामर्श का सुझाव देगा या आने-जाने के इंतज़ाम में मदद करेगा। आपको यह जानकारी दोहरानी नहीं पड़नी चाहिए।

ProactBench में हम इसी बात का अध्ययन कर रहे हैं—क्या कोई सहायक आपकी बताई हुई जानकारी का इस्तेमाल आपकी ज़रूरतों का पहले से अनुमान लगाने और ऐसी मदद देने के लिए कर सकता है, जिसकी आपने सीधे तौर पर माँग नहीं की है।

बेशक, हो सकता है कि आपने डॉक्टर के पास जाने के लिए सवारी का इंतज़ाम पहले ही कर लिया हो। सहायक को विकल्प सुझाना चाहिए और फ़ैसला आप पर छोड़ना चाहिए, न कि यह मान लेना चाहिए कि उसे आपकी योजनाएँ पता हैं। मैं चाहता हूँ कि ये प्रणालियाँ लोगों की मेहनत कम करें, लेकिन जो होता है उस पर उनका नियंत्रण बनाए रखें।

आने वाले पाँच वर्षों को देखते हुए, क्या आपको लगता है कि वॉइस वह प्रमुख माध्यम बन जाएगी जिसके ज़रिए लोग एआई और सॉफ़्टवेयर के साथ संवाद करेंगे? अगर ऐसा हुआ, तो इस बदलाव से पारंपरिक ऐप्लिकेशन, एंटरप्राइज़ सॉफ़्टवेयर और स्क्रीन तथा ग्राफ़िकल यूज़र इंटरफ़ेस की भूमिका किस तरह बदल सकती है?

मुझे लगता है कि हम कंप्यूटर से कहीं ज़्यादा बात करेंगे और अक्सर वीडियो का भी इस्तेमाल होगा। जब आप किसी को उलझन में देखते हैं, तो समझ जाते हैं कि शायद आपको बात किसी दूसरे तरीके से समझानी चाहिए। हमारा ऑडियो-वीडियो डेमो इस तरह की बातचीत की शुरुआत दिखाता है, जिसमें एआई जो सुनता है उसके साथ-साथ जो देखता है, उस पर भी प्रतिक्रिया देता है।

कोड लिखने के लिए मुझे अब भी कीबोर्ड बेहतर लगता है, और अगर मैं जानकारी की तुलना कर रहा हूँ, तो हो सकता है कि मैं उसे स्क्रीन पर देखना चाहूँ, ताकि अपनी गति से उसकी पड़ताल कर सकूँ।

व्यावसायिक सॉफ़्टवेयर में, मैं कल्पना कर सकता हूँ कि कोई काम शुरू करते समय मैं बताऊँ कि मुझे क्या चाहिए, फिर स्क्रीन पर नतीजे की समीक्षा करूँ और सीधे उसमें बदलाव करूँ। अगले पाँच वर्षों में, मुझे लगता है कि काम करने के इन तरीकों के बीच आना-जाना बहुत आसान हो जाएगा। सुविधा के समय आप बोलकर काम कर सकते हैं और जब आपको सटीकता की ज़रूरत हो, तब स्क्रीन का इस्तेमाल कर सकते हैं।

इस बेहतरीन साक्षात्कार के लिए धन्यवाद। संवादात्मक वॉइस एआई और उद्यम-स्तरीय वॉइस एजेंट के बारे में जानने के इच्छुक पाठक Boson AI पर जाएँ।