एलेक्सी आयलारोव, वॉक्सइम्प्लांट के सह-संस्थापक और सीईओ – साक्षात्कार श्रृंखला

एलेक्सी आयलारोव ने वॉक्सइम्प्लांट की स्थापना एक दशक बाद की जब उन्होंने संचार उपकरणों को बनाने के लिए जमीन से शुरू किया। उनके शुरुआती काम में आईपी पीबीएक्स विकास और अपनी खुद की दूरसंचार सॉफ्टवेयर कंपनी चलाना शामिल था, जो क्लाउड दूरसंचार मुख्यधारा बन गया था। जिंगाया इसके बाद आया, जिसने ब्राउज़र के अंदर क्लिक-टू-कॉल लाया। वॉक्सइम्प्लांट इसके बाद आया, जो एक सर्वरलेस प्लेटफ़ॉर्म में विकसित हुआ जिस पर डेवलपर्स वास्तविक समय के वॉयस और वीडियो के लिए भरोसा करते हैं। एलेक्सी वॉयस एआई के व्यावहारिक पक्ष के बारे में लिखते हैं, विशेष रूप से जहां बड़े भाषा मॉडल वैश्विक दूरसंचार की गंदी वास्तविकताओं के साथ टकराते हैं।

आपके करियर की शुरुआत 2000 के दशक के मध्य में वॉयपी इंजीनियर के रूप में हुई, जब वास्तविक समय के संचार में एआई प्रवेश नहीं किया था। उस समय आपको क्या बड़े अंतराल दिखाई दिए जो अंततः आपको वॉक्सइम्प्लांट की स्थापना करने के लिए प्रेरित किया?

मैं 2005 से वॉयपी सिस्टम से जुड़ा हुआ हूं। उस समय, विश्वसनीय संचार बनाना धीमा और जटिल था। मैंने देखा कि कई डेवलपर्स मेरी तरह से निराश थे – टीमें टेलीकॉम घटकों को तार करने की कोशिश कर रही थीं, बजाय इसके कि वे जिस उत्पाद अनुभव को वितरित करना चाहते थे। यह मुझे प्रोग्राममेबल संचार के विचार की ओर ले गया, जो डेवलपर्स के लिए है। हम एक उत्पाद बनाना चाहते थे जो हर किसी को बिना टेलीकॉम विशेषज्ञों के उत्पाद बनाने की अनुमति देगा।

वॉक्सइम्प्लांट से पहले, मैंने एसआईपी आधारित कॉलिंग सेवाओं फ्लैशफोन और जिंगाया की स्थापना की, जिन्होंने शुरुआती क्लिक-टू-कॉल उत्पादों की पेशकश की। मांग ने एक बार फिर से साबित किया कि टीमें प्रोग्राममेबल संचार चाहती थीं, लेकिन टूलिंग नहीं थी। यह सब 2013 में वॉक्सइम्प्लांट के निर्माण की ओर ले गया।

आज, हम एक समान अंतराल देख रहे हैं, लेकिन एक बड़े पैमाने पर। वॉयस एआई उत्पादन प्रवाह में प्रवेश कर रहा है, एलएलएम हर महीने विकसित हो रहे हैं, लेकिन वैश्विक फोन नेटवर्क अभी भी खंडित है। कोई एक विक्रेता सब कुछ अंत से अंत तक हल नहीं कर सकता। यही कारण है कि वॉक्सइम्प्लांट एक ऑर्केस्ट्रेशन लेयर के रूप में कार्य करता है, जो डेवलपर्स को नवीनतम और सबसे उन्नत उपकरणों के साथ प्रयोग करने और वास्तविक कॉल पर वॉयस एजेंटों को तैनात करने के लिए एक तेज़ और लागत प्रभावी तरीका प्रदान करता है, बिना टेलीफोनी इंफ्रास्ट्रक्चर या स्ट्रीमिंग जटिलता के बारे में चिंता किए।

वॉक्सइम्प्लांट खुद को एक ऑर्केस्ट्रेशन लेयर के रूप में प्रस्तुत करता है, न कि एक एकल एआई या टेलीफोनी प्रदाता के रूप में। आपने ऑर्केस्ट्रेशन को भविष्य के वॉयस एआई के लिए सही अभिसरण परत के रूप में क्यों माना?

यह हमारे लिए शुरू से ही महत्वपूर्ण था कि हम वैश्विक हों, और आप एक वैश्विक टेलीफोनी प्लेटफ़ॉर्म प्रदान नहीं कर सकते हैं बिना कुछ टेलीफोनी ऑर्केस्ट्रेशन के। तकनीकी आवश्यकताएं और बुनियादी ढांचा देश के अनुसार भिन्न होते हैं, और हम 190 से अधिक देशों में फोन नंबर प्रदान करते हैं, इसलिए इसका मतलब है कि हम बहुत सारे तकनीकी मध्यस्थता करते हैं।

इसके अलावा, टेलीफोनी मानक जैसे एसआईपी विभिन्न विक्रेताओं में विकसित हुए हैं। विभिन्न टेल्कोस और ग्राहक संचार बुनियादी ढांचे को जोड़ने के लिए लचीले प्रणाली की आवश्यकता होती है जो जल्दी से अनुकूलन कर सकती हैं। नए फोन नेटवर्क, जैसे कि व्हाट्सएप, यहां की जरूरतों को बढ़ावा देते हैं – और यह सब उन संचार नियंत्रण लॉजिक के ऊपर लागू होता है जो वास्तव में हमारे ग्राहकों के विशिष्ट अनुप्रयोग तर्क को निष्पादित करता है।

एआई के पक्ष में, बाजार बहुत तीव्र और तेजी से विकसित हो रहा है। आज का “सर्वश्रेष्ठ” विक्रेता अगले सप्ताह दूसरा या तीसरा स्थान हो सकता है। हमारा दृष्टिकोण है कि हम जितने संभव हो उतने प्रमुख प्रदाताओं का समर्थन करें। हम चाहते हैं कि हमारे ग्राहकों के पास हमेशा राज्य के अत्याधुनिक विकल्पों का एक पूरा सेट हो। वे अपने दिए गए अनुप्रयोग के लिए सही एआई प्रदाताओं का चयन कर सकते हैं – या यहां तक कि मिलान कर सकते हैं। हमारा ऑर्केस्ट्रेशन प्लेटफ़ॉर्म प्रदाताओं के बीच स्विच करना भी आसान बनाने का लक्ष्य रखता है – जबकि अभी भी उनकी क्षमताओं को उजागर करता है ताकि डेवलपर्स न्यूनतम सामान्य विशेषता सेट के साथ फंस न जाएं।

कई टीमें वॉयस एआई एजेंट के लिए वास्तविक फोन कॉल करने और प्रबंधित करने में कितनी कठिनाई होती है, इसका अनुमान लगाती हैं। आपके दृष्टिकोण से, वास्तविक दुनिया की टेलीफोनी को इतना चुनौतीपूर्ण बनाने वाली बात क्या है जो शुद्ध रूप से डिजिटल एआई इंटरैक्शन की तुलना में है?

फोन नेटवर्क अभी भी क्षेत्रों में खंडित और असंगत है, जो इसे और अधिक अप्रत्याशित बनाता है। कुछ देशों में, कुछ प्रोटोकॉल प्रतिबंधित या ब्लॉक किए जा सकते हैं, वाहक सामान्य संचालन के हिस्से के रूप में आउटेज का अनुभव करते हैं, और कॉल रूटिंग पैटर्न दिन भर में बदल सकते हैं। कुछ क्षेत्रों में क्लाउड टेलीफोनी कानूनी रूप से जटिल हो सकती है।

हमने मामलों को देखा है जहां बुनियादी ढांचा खुद ही बोतलनेक बन जाता है। उदाहरण के लिए, एक ऑस्ट्रेलियाई स्वास्थ्य स्टार्टअप जो बुजुर्ग कैंटोनीज़-बोलने वाले रोगियों की जांच के लिए एक एआई कॉलर बना रहा था, उसने उच्च लेटेंसी के साथ संघर्ष किया यूएस-आधारित वॉयस एआई प्रदाताओं (जैसे ओपनएआई या इलेवनलैब्स) के लिए, और उच्च गुणवत्ता वाले कैंटोनीज़ टीटीएस की सीमित उपलब्धता ने बातचीत को धीमा और अस्वाभाविक महसूस कराया।

विश्वसनीयता के अलावा, अनुपालन परत है। आवश्यकताएं देश से देश में बहुत भिन्न होती हैं और अक्सर हिप्पा, पीसीआई डीएसएस और जीडीपीआर जैसे ढांचे के साथ ओवरलैप होती हैं।

भाषण प्रदर्शन स्वयं सार्वभौमिक नहीं है। कोई एक एसटीटी या टीटीएस इंजन हर परिवेश में सबसे अच्छा काम नहीं करता है। उच्चारण, पृष्ठभूमि शोर, कॉल गुणवत्ता में उतार-चढ़ाव, या यहां तक कि प्रदाता क्षय भी सटीकता और उपयोगकर्ता अनुभव में अचानक गिरावट का कारण बन सकता है।

कुछ वॉयस एआई सिस्टम आज एलएलएम, स्पीच-टू-टेक्स्ट, टेक्स्ट-टू-स्पीच, और रूटिंग के लिए कई विक्रेताओं पर निर्भर करते हैं। विखंडन क्यों अपरिहार्य है, और एआई या भाषण प्रदाताओं को क्यों एक तेज़ कोड परिवर्तन के बजाय एक प्रमुख इंजीनियरिंग परियोजना के रूप में स्विच करना चाहिए?

वॉयस एआई की शुरुआत में, वास्तविक भाषण-से-भाषण विकल्प नहीं था, इसलिए आपको भाषण-से-पाठ, एलएलएम, और पाठ-से-भाषण को एक साथ रखना पड़ा। आज, कई एलएलएम विक्रेता सीधे भाषण को एकीकृत करते हैं (आमतौर पर कुछ बार्ग-इन समर्थन के साथ), जो पूरे पाइपलाइन को बनाने की आवश्यकता को दूर करता है। ये सिस्टम तेज़ और अत्यधिक इंटरैक्टिव हैं, लेकिन कार्यात्मक कॉलिंग जैसे पहलुओं के साथ सीमाएं हैं। हमें उम्मीद है कि भाषण-आधारित एलएलएम जल्द ही पाठ मॉडल के समान होंगे। इसके बाद भी, ग्राहक अपनी विशिष्ट आवश्यकताओं के लिए विभिन्न भाषण विक्रेताओं का उपयोग करना चाह सकते हैं।

हमारे प्लेटफ़ॉर्म पर एआई और भाषण विक्रेताओं को स्विच करना एक प्रमुख इंजीनियरिंग प्रयास नहीं है, लेकिन यह एक पंक्ति कोड परिवर्तन से अधिक है। भाषण विक्रेता कमोडिटीकरण के खिलाफ लड़ने के लिए अनोखे विशेषताओं को पेश करने के लिए लगातार संघर्ष कर रहे हैं। हम अपने कनेक्टरों को यथासंभव संगत रखते हुए प्रत्येक प्रदाता की क्षमताओं को उजागर करते हैं, इसलिए इन विशेष विशेषताओं का लाभ उठाने के लिए, प्रदाताओं को स्विच करने का अर्थ अक्सर कुछ पंक्तियों को बदलना होता है।

वॉयस एआई एजेंट ग्राहक सहायता, बिक्री, और अन्य बी2सी ऑपरेशन के आर्थिकी को कैसे बदलने लगे हैं, पारंपरिक कॉल सेंटर मॉडल की तुलना में?

यह ग्राहक सहायता के आर्थिकी में एक महत्वपूर्ण बदलाव के बारे में बात करने के लिए शायद बहुत जल्दी है, लेकिन यह निश्चित रूप से आ रहा है। आज, ऐसे क्षेत्र हैं जहां ग्राहक सहायता प्रतिनिधि एलएलएम-संचालित सेवाओं की तुलना में कम खर्चीले हैं, फिर भी यह मॉडल स्केलेबिलिटी, बर्नआउट, प्रबंधन, और संचालन के आसपास जाने जाने वाली चुनौतियों के साथ आता है। मैं मानता हूं कि एलएलएम अनुकूलन में सुधार के साथ आर्थिकी बदल जाएगी, हालांकि इसमें कुछ समय लगेगा।

वॉयस एआई उद्यमों के लिए मिशन-क्रिटिकल इंफ्रास्ट्रक्चर में प्रयोग से आगे बढ़ रहा है, इसका संकेत देने वाले संकेत क्या हैं?

यहां सबसे मजबूत संकेत वॉयस एआई इंफ्रास्ट्रक्चर में निवेश है, जो तेजी से बढ़ रहा है। वॉयस एआई-सक्षम कॉल या मिनटों को वैश्विक स्तर पर ट्रैक करने के तरीके हैं, यदि नहीं तो अनुमान के माध्यम से। जबकि मैं केवल वॉक्सइम्प्लांट के लिए सीधे ट्रैक कर सकता हूं, हम स्पष्ट रूप से मजबूत विकास देख रहे हैं।

वॉयस एआई और वॉयस प्रौद्योगिकियों के तेजी से विकसित होने के साथ डेवलपरों की अपेक्षाएं लचीलेपन और नियंत्रण के बारे में कैसे बदल गई हैं?

यह एक दिलचस्प प्रश्न है। जब गति की बात आती है, तो एआई इतिहास में किसी से भी मेल नहीं खाता। नियंत्रण और लचीलेपन कम सीधा है, जो इस बात पर निर्भर करता है कि हम इन शब्दों से क्या मतलब रखते हैं। जब नियंत्रण की बात आती है, तो कई जाने-माने चुनौतियां हैं, और उन्हें पार करना आसान नहीं है। अधिकांश एआई कंपनियां मॉडल गार्डरेल्स पर महत्वपूर्ण प्रयास करती हैं, लेकिन इसे अच्छी तरह से करने के लिए गहरी विशेषज्ञता की आवश्यकता होती है, और विभिन्न कंपनियों के स्पष्ट रूप से विभिन्न लक्ष्य होते हैं।

कंपनियां आमतौर पर वॉयस एआई एजेंटों को पारंपरिक टेलीफोनी सिस्टम पर सीधे तैनात करने के दौरान कौन सी गलतियां करती हैं?

पारंपरिक टेलीफोनी सिस्टम वॉयस एआई सेवाओं के साथ सीधे संगत नहीं हैं, इसलिए उन्हें आमतौर पर अतिरिक्त एकीकरण की आवश्यकता होती है, आमतौर पर एसआईपी प्रोटोकॉल या वेबसॉकेट के माध्यम से। सामान्य गलतियों में अपर्याप्त फेलओवर प्रबंधन, लेटेंसी मुद्दे (जो विभिन्न कारकों के कारण हो सकते हैं), और स्केलेबिलिटी चुनौतियां शामिल हैं।

टेलीफोनी स्वयं बहुत अच्छी तरह से स्केल करती है, विशेष रूप से वॉयपी के साथ। वॉयस एआई सेवाएं हार्डवेयर आवश्यकताओं के कारण चलाने के लिए एलएलएम की आवश्यकता के कारण स्केल करने में अधिक कठिन होती हैं, और यहां तक कि बड़े बुनियादी ढांचे के खिलाड़ियों जैसे अमेज़ॅन को भी यह संबंधित हार्डवेयर की क्षमता सीमाओं का सामना करना पड़ सकता है।

आगे देखते हुए, वास्तविक समय के एआई अधिक स्वायत्त होते हुए वॉयस एआई प्लेटफ़ॉर्म को किन क्षमताओं का समर्थन करना चाहिए?

मुझे लगता है कि वॉयस एआई प्लेटफ़ॉर्म को एसएलए पर ध्यान केंद्रित करने की आवश्यकता है, क्योंकि यह अभी भी कभी-कभी एक मुद्दा हो सकता है, और परीक्षण और दृश्यता के लिए अतिरिक्त उपकरणों पर।

अंततः, सबसे उन्नत प्लेटफ़ॉर्म में सब कुछ शामिल होगा जो आवश्यक है, लेकिन आज, हम अभी भी हर दिन नए सबक सीख रहे हैं, जिनमें से कई कोर स्टैक का हिस्सा बनना चाहिए। यदि आप बड़े उद्यमों या नियंत्रित वातावरण में काम करते हैं, तो अपने उत्पाद का एक ऑन-प्रीमिस संस्करण महत्वपूर्ण हो सकता है।

जब आप अपनी यात्रा को वॉयपी इंफ्रास्ट्रक्चर से लेकर आज वॉयस एआई प्लेटफ़ॉर्म का नेतृत्व करने तक देखते हैं, तो उद्योग के विकास में आपको क्या सबसे ज्यादा आश्चर्य हुआ है?

मुझे कई चीजें आश्चर्यजनक लगती हैं, लेकिन उनमें से एक यह है कि वॉयपी इंफ्रास्ट्रक्चर में परिवर्तन होने में वर्ष लगते हैं। एक अच्छा उदाहरण यह है कि टेलीफोनी अभी भी संकीर्ण-बैंड ऑडियो कोडेक (जी711, जी729) पर निर्भर करती है, जबकि लोग ऑनलाइन संचार सेवाओं जैसे ज़ूम, गूगल मीट, व्हाट्सएप आदि में वाइडबैंड ऑडियो की अभ्यस्त हैं।

अधिकांश एआई मॉडल वाइडबैंड ऑडियो डेटा पर भी प्रशिक्षित होते हैं। सभी आधुनिक मोबाइल फोन में वाइडबैंड ऑडियो कोडेक बिल्ट-इन होते हैं, लेकिन वाहक स्तर पर अभी भी वाइडबैंड ऑडियो को पारंपरिक फोन कॉल में उपयोग करने से रोकने के लिए महत्वपूर्ण अंतरसंचालन चुनौतियां हैं। यह नहीं है कि कोई प्रगति नहीं हुई है, लेकिन मेरे विचार में, यह बहुत मामूली रहा है।