micro1 के संस्थापक और सीईओ Ali Ansari – साक्षात्कार शृंखला

Ali Ansari micro1 के संस्थापक और सीईओ हैं। वहाँ उनका ध्यान मानव विशेषज्ञता को उन्नत एआई प्रणालियों के लिए प्रशिक्षण डेटा और मूल्यांकन में बदलने पर है। उद्यमिता के क्षेत्र में उनकी पृष्ठभूमि में एक सॉफ़्टवेयर विकास एजेंसी बनाना और peerlinc की स्थापना करना शामिल है; इसके बाद उन्होंने 2022 में micro1 की शुरुआत की। उन्होंने UC Berkeley और Stanford में कंप्यूटर विज्ञान की पढ़ाई की, जिसमें उनका विशेष ध्यान रीइन्फोर्समेंट लर्निंग पर था। अब वे एआई विकास में विशेषज्ञों के योगदान को जुटाने, परखने और समन्वित करने के लिए आवश्यक प्रणालियों पर काम करते हैं।

micro1 एक डेटा लैब है, जो विशेषज्ञों के मानवीय योगदान और वास्तविक कार्य परिवेशों का उपयोग करके अत्याधुनिक एआई मॉडल को प्रशिक्षित करने और एआई एजेंटों का मूल्यांकन करने में मदद करती है। इसका प्लेटफ़ॉर्म कानून, स्वास्थ्य सेवा, वित्त, इंजीनियरिंग और विज्ञान सहित विभिन्न क्षेत्रों में विशेषज्ञों की भर्ती, डेटा तैयार करने, गुणवत्ता की समीक्षा और मॉडल के मूल्यांकन को एक साथ लाता है। इस साक्षात्कार में Ansari बताते हैं कि मानव विशेषज्ञता की माँग क्यों बढ़ रही है, परिचालन डेटा रीइन्फोर्समेंट लर्निंग में कैसे मदद करता है, और एआई प्रशिक्षण तथा मूल्यांकन के क्षेत्र में करियर के कौन-से अवसर उभर रहे हैं।

आपने पहले peerlinc बनाया और उसे बेचने के बाद 2022 में micro1 की स्थापना की। शुरुआत में आप किस समस्या का समाधान करना चाहते थे, और micro1 विकसित होकर अत्याधुनिक एआई मॉडल के प्रशिक्षण और मूल्यांकन पर केंद्रित कंपनी कैसे बनी?

शुरुआत में यह मेरे अपने कारोबार की एक समस्या थी। मैं एक सॉफ़्टवेयर विकास एजेंसी चला रहा था और हर नए प्रोजेक्ट के लिए मुझे और इंजीनियर ढूँढ़ने और उनके साक्षात्कार लेने पड़ते थे। इसमें मेरा बहुत सारा समय जाता था। इसलिए हमने मदद के लिए Zara नाम का एक एआई साक्षात्कारकर्ता बनाया, और आगे चलकर वही micro1 बन गया।

हमने भर्ती सॉफ़्टवेयर बेचना और जाँचे-परखे प्रतिभाशाली लोगों का एक बाज़ार बनाना शुरू किया। फिर एक ग्राहक हमारे पास आया, जिसे एआई मॉडल प्रशिक्षित करने के लिए सैकड़ों इंजीनियरों की ज़रूरत थी। हमने यह जानने की कोशिश की कि उन्हें इतने लोगों की ज़रूरत क्यों थी और हमें एहसास हुआ कि मॉडल विकास के पीछे मानव विशेषज्ञता की भारी माँग है।

हम पहले ही बड़े पैमाने पर लोगों को खोजने और उनकी जाँच करने की क्षमता विकसित करने में कई साल लगा चुके थे। मानव-आधारित डेटा उस बुनियादी ढाँचे का एक बेहद प्रभावी उपयोग था। इसलिए हमने पूरी तरह इसी दिशा में काम करने का फैसला किया, विशेषज्ञ प्रतिभाओं को खोजने और परखने के लिए अपने एआई भर्ती सॉफ़्टवेयर का इस्तेमाल किया, और इसके इर्द-गिर्द अन्य डेटा प्लेटफ़ॉर्म तथा गुणवत्ता प्रणालियाँ बनाईं। आज हम लैबों को उस विशेषज्ञता को बेहतर मॉडल क्षमताओं में बदलने में मदद करते हैं।

आपने कहा है कि जैसे-जैसे एआई मॉडल अधिक सक्षम होते जा रहे हैं, मानव विशेषज्ञता की माँग घटने के बजाय वास्तव में बढ़ रही है। इस संबंध की वजह क्या है?

यहाँ दो-एक बातें हो रही हैं। पहली, जैसे-जैसे मॉडल बेहतर होते हैं, हम उनसे और कठिन काम करने को कहते हैं। किसी सवाल का जवाब देने में सक्षम मॉडल उपयोगी है। लेकिन पूरे कार्यप्रवाह को संभाल सकने वाला मॉडल कहीं अधिक उपयोगी है; हालाँकि, वहाँ तक पहुँचने के लिए विशेषज्ञों के कहीं अधिक योगदान की ज़रूरत होती है।

दूसरी बात, मनुष्य लगातार नए काम पैदा करते रहते हैं। अगर कोई वकील अपने दिन का बड़ा हिस्सा लेने वाले कई कामों के लिए एआई का इस्तेमाल कर सकता है, तो उसके पास अधिक पेचीदा समस्याओं पर काम करने या ग्राहकों के लिए कोई नई सेवा विकसित करने का समय होता है। फिर इन बिल्कुल नए कार्यों को भी हम मॉडल में समाहित करना चाहते हैं। इसी को हम “अंतिम पड़ाव नहीं” कहते हैं। काम लगातार बदलता रहता है।

सिंथेटिक डेटा इस प्रक्रिया को और दिलचस्प बना देता है। इसका इस्तेमाल विशेषज्ञों द्वारा तैयार किए गए कार्यों और फ़ीडबैक का विस्तार करने के लिए किया जा सकता है, जिससे शुरुआती मानवीय योगदान और उपयोगी हो जाता है। मुझे लगता है कि यही मेल है, जिसकी वजह से मॉडल की क्षमता के साथ-साथ मानव विशेषज्ञता की माँग भी बढ़ती रहती है।

micro1 कानून, स्वास्थ्य सेवा, वित्त, इंजीनियरिंग और विज्ञान जैसे क्षेत्रों के विषय-विशेषज्ञों के साथ काम करती है। ये पेशेवर एआई प्रणालियों को ऐसा क्या दे सकते हैं, जो मौजूदा ऑनलाइन डेटा से ही नहीं सीखा जा सकता?

किसी व्यक्ति को बेहतरीन डॉक्टर, वकील या इंजीनियर बनाने वाली कई खूबियाँ काम करते हुए विकसित उनके विवेक से आती हैं। इस विवेक का कुछ हिस्सा दस्तावेज़ों में दर्ज होता है, लेकिन इसका बड़ा हिस्सा इस बात में दिखता है कि वे किसी असामान्य मामले को कैसे सँभालते हैं, अधूरी जानकारी को कैसे पहचानते हैं, या यह कैसे तय करते हैं कि कौन-सा विवरण वास्तव में मायने रखता है।

मॉडलों को प्रशिक्षित करने के लिए यह बेहद मूल्यवान है। कोई विशेषज्ञ कठिन कार्य तैयार कर सकता है, समझा सकता है कि अच्छे नतीजे कैसे दिखने चाहिए, और ठीक-ठीक पहचान सकता है कि मॉडल कहाँ चूकता है। कोई जवाब सुनने में बहुत भरोसेमंद लग सकता है, फिर भी वह उस सबसे महत्वपूर्ण बात को छोड़ सकता है जिसे उस काम को करने वाला व्यक्ति पहचानता है।

इन बारीक फ़र्कों को समझने के लिए हमें विशेषज्ञों की ज़रूरत है। हमें अनेक दृष्टिकोणों और समीक्षा की एक सशक्त प्रक्रिया की भी ज़रूरत है, क्योंकि किसी एक व्यक्ति का विवेक हर मामले को नहीं समेट सकता। लक्ष्य उस अनुभव को ऐसे संकेत में बदलना है, जिससे मॉडल सीख सके। साथ ही, हर क्षेत्र के भीतर अपार बारीकियाँ होती हैं। उदाहरण के लिए, कानूनी विशेषज्ञता कोई एक चीज़ नहीं है: यह वकालत के क्षेत्र, राज्य या अधिकार-क्षेत्र और अलग-अलग देशों की कानूनी प्रणालियों के अनुसार बदलती है। हर स्तर पर अधिक विशिष्ट ज्ञान और विवेक की आवश्यकता होती है। हर क्षेत्र और उसके अनेक उपक्षेत्रों में भी इतनी ही गहराई है; इसीलिए हमें ऐसे विशेषज्ञों की ज़रूरत है जो समझते हों कि व्यवहार में इन फ़र्कों का क्या अर्थ है।

जैसे-जैसे उद्योग का ध्यान प्रशिक्षण-पश्चात चरण, रीइन्फोर्समेंट लर्निंग और मूल्यांकन की ओर अधिक जा रहा है, आज अत्याधुनिक मॉडलों को बेहतर बनाने में सबसे बड़ी अड़चनें आपको कहाँ दिखती हैं?

मुझे लगता है कि वास्तविक परिस्थितियों से मेल खाने वाले डेटा तक पहुँच सबसे बड़ी अड़चनों में से एक है। कंपनियों ने समस्याएँ सुलझाने, फ़ैसले लेने और अपवादों को सँभालने में कई साल लगाए हैं; उनका यह अनुभव दस्तावेज़ों, प्रणालियों और कार्यप्रवाहों में दर्ज है। अगर आप चाहते हैं कि कोई मॉडल असल काम करना सीखे, तो यह अनुभव बेहद मूल्यवान है।

इसीलिए हमने अपना Company Data Partnerships (CDP) कार्यक्रम बनाया। हम कंपनियों को उनके परिचालन डेटा का लाइसेंस लेने के लिए भुगतान करते हैं। इसमें आंतरिक दस्तावेज़, परियोजनाओं का इतिहास, CRM रिकॉर्ड और काम पूरा करने के लिए लोग जिन प्रक्रियाओं का पालन करते हैं, वे शामिल हो सकती हैं। मूल्यवान कंपनी डेटासेट के लिए हम 2 मिलियन डॉलर से अधिक का भुगतान कर रहे हैं; राशि डेटा और साझेदारी पर निर्भर करती है।

हम इस सामग्री का इस्तेमाल प्रशिक्षण और मूल्यांकन के ऐसे परिवेश बनाने में करते हैं जो वास्तविक परिस्थितियों जैसे हों। ग्राहक की समस्या सुलझाने के बारे में सोचिए: आपको खाते का इतिहास देखना पड़ सकता है, संबंधित नीति ढूँढ़नी पड़ सकती है और यह तय करना पड़ सकता है कि कौन-सा कदम उठाया जाए। उस कार्यप्रवाह के आधार पर बनाया गया परिवेश मॉडल को इन चरणों का अभ्यास करने की जगह देता है। विशेषज्ञ कार्य तय करते हैं और यह भी कि उसे सफलतापूर्वक पूरा किया गया या नहीं, इसका आकलन कैसे किया जाए। यही प्रतिक्रिया इस परिवेश को सुदृढीकरण अधिगम के लिए उपयोगी बनाती है।

कंपनियों के पास अपने मूल डेटा का स्वामित्व बना रहता है। हम दायरे और डेटा-प्रबंधन संबंधी आवश्यकताओं पर सहमति बनाते हैं, जिनमें निजता की सुरक्षा भी शामिल है, और फिर डेटा को उसके निर्धारित उपयोग के लिए तैयार करते हैं।

इस डेटा का मूल्य उन अनुभवों में है जिन्हें ये रिकॉर्ड समेटे हुए हैं। CDP कंपनियों को उस अनुभव से राजस्व अर्जित करने का रास्ता देता है और साथ ही मॉडलों को कहीं अधिक वास्तविक परिस्थितियों में काम करना सीखने में मदद करता है।

आपके विचार से, मानवीय विवेक या विशेषज्ञता के कौन-से रूप एआई प्रणालियों के लिए दोहराना विशेष रूप से कठिन बने रहेंगे, भले ही मॉडल काफी अधिक सक्षम हो जाएँ?

मुझे लगता है कि मानवीय रुचि-बोध और रचनात्मकता ऐसे क्षेत्र हैं जिनमें मॉडलों को खास तौर पर कठिनाई होगी। इसकी वजह प्रशिक्षण डेटा बनाने के तरीके से जुड़ी है।

कई कामों में हम विशेषज्ञों को साथ लाकर इस बात पर सहमत करा सकते हैं कि अच्छा काम कैसा दिखता है। इससे हमें प्रशिक्षण के लिए एक उपयोगी संकेत मिलता है। लेकिन अगर आप लोगों से पूछें कि किसी बेहतरीन तस्वीर, फिल्म या आकर्षक डिज़ाइन को क्या खास बनाता है, तो वे जितनी अधिक चर्चा करते हैं, उनके विचारों में उतना ही अधिक अंतर आ सकता है। हर बार ऐसा कोई एक जवाब नहीं होता जिस पर सब सहमत हो सकें।

इन क्षेत्रों में भी एआई बहुत उपयोगी हो सकता है। लेकिन आप क्या बनाना चाहते हैं, वह किसके लिए है और क्या वह वाकई लोगों को प्रभावित करता है—यह तय करने में बहुत अधिक मानवीय विवेक की ज़रूरत होती है। मुझे लगता है कि जैसे-जैसे इन औज़ारों से चीज़ें बनाना आसान होता जाएगा, यह विवेक और भी महत्वपूर्ण हो जाएगा।

आप देख रहे हैं कि पेशेवर लोग एआई प्रशिक्षण और मूल्यांकन को अतिरिक्त काम के बजाय गंभीर पेशेवर कार्य के रूप में तेजी से अपना रहे हैं। क्या इससे रोज़गार की एक बिल्कुल नई श्रेणी विकसित हो सकती है, और ये करियर कैसे दिख सकते हैं?

बिल्कुल। यह पहले से ही अरबों डॉलर का नया कार्य-क्षेत्र है। विशेषज्ञ अपने करियर के दौरान अर्जित ज्ञान का इस्तेमाल एआई को प्रशिक्षित और उसका मूल्यांकन करने में कर रहे हैं। कुछ लोगों के लिए यह उनके कामकाजी जीवन का एक बड़ा हिस्सा बनता जा रहा है।

यह काम अपने आप में बहुत गहन हो सकता है। कोई वकील एक कठिन परिस्थिति तैयार कर सकता है और यह तय कर सकता है कि मॉडल की प्रतिक्रिया का आकलन कैसे किया जाए। कोई इंजीनियर ऐसा कार्य बना सकता है जो किसी एजेंट को पूरे सॉफ़्टवेयर कार्यप्रवाह से गुज़ारे। इसके अलावा, कुछ लोग डेटा की समीक्षा करते हैं, मूल्यांकन के मानदंड बेहतर बनाते हैं और विशेषज्ञों की टीमों का नेतृत्व करते हैं। यह काम लोगों को उस क्षेत्र पर ध्यान देने की अधिक गुंजाइश भी दे सकता है जिसकी ओर वे मूल रूप से आकर्षित हुए थे। ज़्यादातर नौकरियों में समय का बड़ा हिस्सा प्रशासनिक कामों और ऐसी ज़िम्मेदारियों में चला जाता है जो लोगों को सबसे अधिक अर्थपूर्ण लगने वाले काम से अलग होती हैं। अपने क्षेत्र में एआई को प्रशिक्षित करने से उनकी विशेषज्ञता उनके काम के केंद्र में आ सकती है: कठिन समस्याओं पर काम करना, अपने विवेक का इस्तेमाल करना और अपने अनुभव से मिली सीख साझा करना। इससे उन्हें उन कामों पर अधिक समय देने का अवसर मिलता है जिनकी उन्हें परवाह है और जिन्हें वे सबसे अच्छी तरह करते हैं, साथ ही वे यह आकार देने में भी मदद करते हैं कि एआई उस काम को किस तरह करे।

मुझे लगता है कि इन सबके इर्द-गिर्द करियर के वास्तविक रास्ते विकसित होंगे। आप अपनी क्षेत्र-विशेषज्ञता को प्रशिक्षण डेटा में ढालने में बहुत कुशल हो सकते हैं, या डेटा पाइपलाइन चलाने और यह समझने में कि मॉडलों को कहाँ मदद चाहिए। ये मूल्यवान कौशल हैं, और इन भूमिकाओं का स्वरूप कैसा होगा, यह समझने की शुरुआत ही हुई है।

जब कंपनियाँ एआई मॉडलों को बेहतर बनाने के लिए डॉक्टरों, वकीलों, इंजीनियरों, वैज्ञानिकों और अन्य विशेषज्ञों की भर्ती करती हैं, तो आप उनकी विशेषज्ञता की पुष्टि कैसे करते हैं और यह कैसे सुनिश्चित करते हैं कि उनसे मिला प्रशिक्षण डेटा सटीक और एकरूप हो?

हमने इसके लिए एक पूरी व्यवस्था बनाई है। इसकी शुरुआत Zara से होती है, जो हमारा एआई भर्ती-सहायक है और किसी परियोजना के लिए ज़रूरी कौशल वाले विशेषज्ञों को ढूँढ़ने और उनकी जाँच करने में मदद करता है। इसके बाद हमारा Merit टूल समय के साथ उनके योगदान की गुणवत्ता, गति और विश्वसनीयता पर नज़र रखने में मदद करता है। यह समझना ज़रूरी है कि किसी व्यक्ति के पास कैसी विशेषज्ञता है और वह विशेषज्ञता उसके तैयार किए गए डेटा में किस तरह दिखती है।

हमारा flow मंच विशेषज्ञों के काम को उन मॉडलों के साथ जोड़ता है जिन्हें हमने डेटा बनाने और उसकी समीक्षा में सहायता के लिए विकसित किया है। विशेषज्ञ कार्य तय करते हैं और बताते हैं कि अच्छा परिणाम कैसा होना चाहिए। फिर flow gen शुरुआती आधार को नए उदाहरणों और विविध रूपों में विस्तारित करता है। flow qc डेटा में ग़ायब प्रमाण या किसी कार्य और उसके अंकन-मापदंडों के बीच बेमेल जैसी समस्याओं की जाँच करता है। और flow grader इन मापदंडों के आधार पर मॉडल के प्रदर्शन का मूल्यांकन करता है।

महत्वपूर्ण बात यह है कि जब कोई विशेषज्ञ गलती पकड़ता है, तो उसके बाद क्या होता है। उस सुधार से प्रशिक्षण डेटा बेहतर हो सकता है, लेकिन इससे हमें डेटा बनाने वाले तंत्र और गुणवत्ता-जाँच को भी बेहतर करने में मदद मिल सकती है। हम बार-बार होने वाली गलतियों को अगले संस्करण के परीक्षणों में बदल सकते हैं।

यही सिंथेटिक डेटा का वह स्व-प्रवर्धित चक्र है जिसे हम बना रहे हैं। मानव विशेषज्ञता हमें शुरुआती आधार और निर्णय-क्षमता देती है। हमारे उपकरण इसे बड़े पैमाने पर लागू करने में मदद करते हैं, और विशेषज्ञों की प्रतिक्रिया अगले चक्र को बेहतर बनाने में सहायक होती है। इसके बाद हम जाँचते हैं कि क्या इन बदलावों से वास्तव में मॉडल का प्रदर्शन बेहतर होता है। इसी वजह से यह चक्र मूल्यवान है।

एआई एजेंटों को अब केवल जवाब तैयार करने के बजाय जटिल, कई चरणों वाले काम करने की ज़रूरत बढ़ती जा रही है। इन प्रणालियों को प्रशिक्षित और परखने का तरीका, पारंपरिक बड़े भाषा मॉडल को बेहतर बनाने के लिए किए जाने वाले काम से किस तरह अलग है?

सबसे बड़ा अंतर काम की अवधि का है। किसी उपयोगी नतीजे तक पहुँचने से पहले एजेंट को अलग-अलग उपकरणों के ज़रिए कई कार्रवाइयाँ करनी पड़ सकती हैं। वह शुरुआती कुछ चरण अच्छी तरह पूरा कर सकता है, फिर भी पूरा काम विफल हो सकता है, क्योंकि गलतियाँ एक-दूसरे पर असर डालती जाती हैं।

इसलिए हमें ऐसे परिवेश चाहिए जहाँ मॉडल पूरे कार्यप्रवाह का अभ्यास कर सके, और ऐसे मूल्यांकन चाहिए जो बताएँ कि वह कहाँ चूकता है। क्या उसे सही जानकारी मिली? क्या उसने उपकरण का सही इस्तेमाल किया? क्या वह वांछित नतीजे तक पहुँचा?

इसके बाद आती है कंपनी की अपनी परिस्थितियाँ। किसी एक व्यवसाय के भीतर काम करने वाले एजेंट को उस व्यवसाय की प्रक्रियाओं और अपेक्षाओं को समझना चाहिए। सामान्य क्षमता से एक सीमा तक ही काम चलता है।

यहीं विषय-विशेषज्ञ बेहद अहम हो जाते हैं। वे विफलताओं का पता लगाने और उन्हें बेहतर बनाने के लिए डेटा तैयार करने में हमारी मदद करते हैं। आप मूल्यांकन करते हैं, कमियाँ पहचानते हैं, उन कमियों को दूर करने के लिए प्रशिक्षण देते हैं और फिर से मूल्यांकन करते हैं। जैसे-जैसे एजेंट अधिक काम सँभालता है, यह प्रक्रिया जारी रहती है।

जैसे-जैसे अत्याधुनिक मॉडल अधिक सक्षम होते जा रहे हैं, उन्हें जिस मानव-निर्मित डेटा की ज़रूरत है, उसका स्वरूप कैसे बदल रहा है? और आने वाले कुछ वर्षों में किस तरह की विशेषज्ञता या मूल्यांकन का महत्व काफी बढ़ने की उम्मीद है?

दो बातें लगातार अधिक मायने रखती जा रही हैं: काम कितना लंबा है और वह वास्तविक दुनिया से कितना मेल खाता है। मॉडल बेहतर होते जा रहे हैं, इसलिए उपयोगी प्रशिक्षण डेटा का रुझान ऐसे जटिल कार्यप्रवाहों की ओर बढ़ रहा है जिनमें अधिक निर्णय, अधिक संदर्भ और गलती की अधिक गुंजाइश हो।

इससे संचालन संबंधी विशेषज्ञता बेहद मूल्यवान हो जाती है। जो व्यक्ति वर्षों से कोई काम कर रहा हो, वह उन अपवादों और परस्पर निर्भरताओं को समझता है जिन्हें बाहर से कोई काम तैयार करते समय आसानी से नज़रअंदाज़ कर सकता है। वह यह भी बता सकता है कि एजेंट का नतीजा व्यवसाय के भीतर वास्तव में कारगर होगा या नहीं।

मेरा मानना है कि समय के साथ उद्यमों के लिए मूल्यांकन का बाज़ार बहुत बड़ा हो जाएगा और इसका आकार सालाना एक ट्रिलियन डॉलर तक पहुँच सकता है। एजेंट तैनात करने वाली हर कंपनी को यह समझना होगा कि वे कहाँ काम करते हैं, कहाँ विफल होते हैं और उन्हें बेहतर कैसे बनाया जाए। जो लोग अपने ज्ञान को उपयोगी मूल्यांकनों में बदल सकते हैं, वे इसमें केंद्रीय भूमिका निभाएँगे। इसकी ज़रूरत लगातार बनी रहेगी, क्योंकि कंपनियाँ, मॉडल और काम—सब बदलते रहते हैं।

हो सकता है कि कुछ पेशेवर अपने काम के कुछ हिस्से करने के लिए एआई प्रणालियों को प्रशिक्षित करने में प्रभावी रूप से मदद कर रहे हों। आप इस तनाव को किस तरह देखते हैं, और अगले तीन से पाँच वर्षों में मानव विशेषज्ञता और एआई के बीच संबंध कैसा होगा?

मुझे लगता है कि हम यह कम आँकते हैं कि इन उपकरणों के हाथ में आने पर लोग कितना नया काम पैदा करेंगे।

भर्ती का उदाहरण लें। अगर कोई एजेंट शुरुआती छँटाई का अधिक काम सँभाल सकता है, तो भर्ती करने वाला व्यक्ति उम्मीदवारों के साथ संबंध बनाने या उन लोगों को आकर्षित करने के तरीके खोजने में अधिक समय लगा सकता है जिन तक कंपनी पहले नहीं पहुँच पाती थी। उनकी भूमिका बदल जाती है और वे उतने ही समय में अधिक काम कर सकते हैं।

मुझे लगता है कि कई दूसरे पेशों में भी कुछ ऐसा ही होगा। अगले तीन से पाँच वर्षों में एजेंट धीरे-धीरे ऐसे सहकर्मी बन जाएँगे जिन्हें लोग निर्देश देंगे, संदर्भ समझाएँगे और जिनके काम का मूल्यांकन करेंगे। ऐसा होने के साथ लोग नई ज़िम्मेदारियाँ सँभालेंगे।

इसीलिए मैं आशावादी हूँ। हम पहले ही एआई को प्रशिक्षित करने और उसका मूल्यांकन करने से जुड़े नए काम उभरते देख रहे हैं। मेरा मानना है कि लोग जब यह जानेंगे कि वे इसके साथ क्या बना और हासिल कर सकते हैं, तो आगे ऐसे और भी अवसर पैदा होंगे।

शानदार साक्षात्कार के लिए धन्यवाद। विशेषज्ञों के नेतृत्व में तैयार किए जाने वाले प्रशिक्षण डेटा, एआई मूल्यांकन और अपने क्षेत्र का ज्ञान साझा करने के अवसरों के बारे में अधिक जानने के इच्छुक पाठक micro1 पर जाएँ।