अलोन एयरेव, एमसीई सिस्टम्स के सीटीओ (एआई) – साक्षात्कार श्रृंखला

अलोन एयरेव, एमसीई सिस्टम्स के सीटीओ (एआई), कंपनी की एआई रणनीति और एंड-टू-एंड प्रौद्योगिकी स्टैक का नेतृत्व करते हैं, जिसमें आर्किटेक्चर, मॉडल विकास, इन्फ्रास्ट्रक्चर, उत्पाद एकीकरण और आंतरिक संचालन में एआई का व्यापक अपनाना शामिल है। उन्होंने पहले इंटेल (INTC ) में नौ साल से अधिक समय बिताया, जहां उन्होंने सीनियर सॉफ्टवेयर इंजीनियर और सॉफ्टवेयर आर्किटेक्ट से लेकर लीड नेचरल लैंग्वेज प्रोसेसिंग (एनएलपी) रिसर्च साइंटिस्ट तक की भूमिका निभाई, जहां उन्होंने ज्ञान-निष्कर्षण अनुसंधान का निर्देशन किया, बहु-वर्षीय परियोजनाओं के लिए धन सुरक्षित किया, प्रमुख एनएलपी सम्मेलनों में पत्र प्रकाशित किए और इंटेल इग्नाइट के माध्यम से स्टार्टअप्स को सलाह दी। अपने करियर की शुरुआत में, एयरेव ने टेलमैप में व्यक्तिगत सहायक प्रौद्योगिकी विकसित करने में मदद की, जो बाद में इंटेल का हिस्सा बन गया, और उन्होंने तब से प्रारंभिक चरण की एआई कंपनियों को सलाह दी है जबकि कई इज़राइली विश्वविद्यालयों में कंप्यूटर विज्ञान, वस्तु-उन्मुख प्रोग्रामिंग, डेटा माइनिंग और सूचना पुनर्प्राप्ति सिखाई है।

एमसीई सिस्टम्स दूरसंचार प्रदाताओं के लिए एक एआई-मूल निवासी अनुभव परत विकसित करता है, जो विरासत प्रणालियों, वास्तविक समय डेटा और बुद्धिमान कार्य प्रवाहों को कई टचपॉइंट्स पर ग्राहक इंटरैक्शन का समर्थन करने के लिए जोड़ती है। 2005 में स्थापित, कंपनी ने अपना व्यवसाय डिजिटल डिवाइस लाइफसाइकल प्रबंधन के आसपास बनाया, जिसमें डिवाइस निदान और देखभाल, व्यापार-इन कार्यक्रम, दूरस्थ डिवाइस ग्रेडिंग और रिटर्न शामिल हैं। एमसीई इन कार्य प्रवाहों में उत्पन्न और एजेंटिक एआई को बढ़ते रूप से लागू कर रहा है, जो ऑपरेटरों को डिवाइस समस्याओं का पता लगाने, ग्राहकों को संभावित समाधानों के माध्यम से मार्गदर्शन करने और डिजिटल और सहायता प्राप्त चैनलों में अधिक जटिल सेवा यात्राओं के समन्वय में मदद करता है।

आप लगभग एक दशक तक इंटेल में एनएलपी, ज्ञान निष्कर्षण, सूचना पुनर्प्राप्ति और यहां तक कि व्यक्तिगत सहायक प्रौद्योगिकियों पर काम करते थे जो टेलमैप में उत्पन्न हुई थीं और बाद में इंटेल का हिस्सा बन गईं। पीछे मुड़कर देखें, तो उन शुरुआती एआई प्रणालियों से कौन से विचार समय से पहले निकले और किन धारणाओं को उद्योग ने पूरी तरह से गलत साबित किया?

एक विचार जो स्पष्ट रूप से समय से पहले था, वह व्यक्तिगत सहायक था जिस पर हम एलएलएम युग से पहले काम कर रहे थे। ये प्रणालियां इरादे को समझती थीं, कार्यों के पार संदर्भ को जोड़ती थीं और उपयोगकर्ताओं को स्वाभाविक रूप से लक्ष्यों को प्राप्त करने में मदद करती थीं। उनके पास आज के एजेंटों की समान महत्वाकांक्षाएं थीं। अंतर यह था कि अंतर्निहित दृष्टिकोण: हमने भाषा मॉडल के बजाय मशीन लर्निंग और एल्गोरिदम के संयोजन पर निर्भर किया था ताकि उपयोगकर्ता के इरादे का अनुमान लगाया जा सके। यह विधि, हालांकि, बड़े पैमाने पर लागू करने में कठिन साबित हुई जब विभिन्न तरीकों से उपयोगकर्ता एक ही अनुरोध को फ्रेम करते हैं। एलएलएम ने सब कुछ बदल दिया। आज, उपयोगकर्ता के इरादे को समझने की समस्या का समाधान हो गया है। इसलिए हमारे रूपक में, प्रतिनिधि अब लचीला है और लाखों ग्राहकों से बात कर सकता है।

मैं यह नहीं कहूंगा कि उद्योग ने कुछ पूरी तरह से गलत किया है, लेकिन मुझे लगता है कि कई लोगों ने यह अनुमान नहीं लगाया कि भाषा मॉडल कितने केंद्रीय हो जाएंगे। मुख्य छलांग तब आई जब पहले भाषा मॉडल जैसे कि ईएलएमओ, बीईआरटी और रोबर्टा पेश किए गए थे। उस समय, कुछ लोग वास्तव में यह समझते थे कि जो परिवर्तन आ रहा था वह कितना बड़ा था। वे आधुनिक एलएलएम के पीछे मॉडल थे जिन्हें हम हर दिन उपयोग करते हैं और जिनके बिना हम कल्पना नहीं कर सकते।

ज्यादातर कंपनियों ने इन शुरुआती मॉडलों को संकीर्ण अनुप्रयोगों में उपयोगी घटकों के रूप में देखा, न कि एक पूरी तरह से नए कंप्यूटिंग परिदृश्य के आधार के रूप में। पीछे मुड़कर देखें, तो उनमें से कई ने खुद को प्रमुख एआई खिलाड़ियों के रूप में स्थिति बनाने का अवसर चूक गए।

आपके शोध करियर के दौरान, आपने बहु-दस्तावेज़ ज्ञान निष्कर्षण और घटना समझ पर ध्यान केंद्रित किया। क्योंकि उद्यम बड़े पैमाने पर भाषा मॉडल पर अधिक भरोसा कर रहे हैं, आप क्यों मानते हैं कि संरचित ज्ञान निष्कर्षण इतनी महत्वपूर्ण चुनौती बनी हुई है?

एलएलएम शक्तिशाली उपकरण हैं जो विभिन्न विषयों पर ध्यान केंद्रित कर सकते हैं, लेकिन उद्यम अनुप्रयोगों और अंतिम उपयोगकर्ताओं को एक विशिष्ट समस्या को हल करने के लिए विशेषज्ञता की आवश्यकता होती है, जिसमें ज्ञान तक पहुंच की आवश्यकता होती है। यह संदर्भ प्रोप्राइटरी ज्ञान मॉडल के प्रशिक्षण डेटा में आमतौर पर नहीं है, इसलिए एक एलएलएम को एक उद्यम में तैनात करने का मतलब है कि संभावित रूप से लाखों आंतरिक डेटा बिंदुओं के पार ज्ञान को इकट्ठा करना। आज के एलएलएम मुख्य रूप से तकनीकी और पहुंच सीमाओं के कारण महत्वपूर्ण संदर्भ की कमी के साथ संघर्ष करते हैं, और यह अंतर उनके प्रभाव को सीमित करता है।

एमसीई में, उदाहरण के लिए, हम एक ग्राहक देखभाल एआई एजेंट समाधान प्रदान करते हैं। इसका एक लक्ष्य दूरसंचार वाहक को अपने ग्राहकों को मोबाइल डिवाइस समस्याओं को हल करने में मदद करने के लिए सशक्त बनाना है ताकि मानव हस्तक्षेप की आवश्यकता न हो। एआई एजेंट को संदर्भित तकनीकी जानकारी प्रदान किए बिना, एआई एजेंट केवल सामान्य परिणाम प्रदान करेगा जो समस्या का समाधान नहीं करते हैं या अप्रासंगिक हैं और फिर ग्राहक को मानव सहायता की तलाश करने के लिए मजबूर करेगा। यह वह ज्ञान निष्कर्षण समस्या है जिसे हमें अपने ग्राहकों के साथ एआई तैनात करने के लिए हल करना था और यह वह जगह है जहां संगठन अक्सर वांछित परिणाम प्राप्त करने में विफल रहते हैं।

मेरा अपना शोध बहु-दस्तावेज़ ज्ञान निष्कर्षण और सूचना पुनर्प्राप्ति से संबंधित था, जिसमें “घटनाओं” के बीच संबंध का अन्वेषण किया गया था, जो एआई के क्षेत्र में किसी भी प्रकार की जानकारी के प्रतिनिधित्व के लिए अंतर्निहित कारण और समय-सीमा को परिभाषित करने के लिए एक शब्द है। हम इसे एमसीई में मानव इंटरैक्शन के लिए हमारे एआई समाधानों के भीतर लागू करते हैं जो एक संरचित समझ बनाने में मदद करता है जो एलएलएम को ज्ञान को बेहतर ढंग से सारांशित करने, प्रस्तुत करने और खोजने में मदद कर सकता है ताकि ग्राहक की समस्या का समाधान हो सके।

आप एसीएसएल, ईएमएनएलपी, और एनएएसीएल जैसे शीर्ष एनएलपी सम्मेलनों में शोध प्रकाशित किया है। पिछले पांच वर्षों में कौन से नए अविष्कार सबसे बड़ा वास्तविक दुनिया का प्रभाव डालेंगे, और कौन से अत्यधिक प्रचारित प्रगति वर्तमान में अतिरंजित हैं?

कुछ नए अविष्कार हैं जो मुझे खड़े होने के लिए खड़े हैं। वे एलएलएम के विकास के साथ होते हैं।

पहला निर्देश ट्यूनिंग और प्रॉम्प्ट इंजीनियरिंग के आसपास था। इसे पहले हल करने की जरूरत थी इससे पहले कि हम व्यापक अपनाने तक पहुंच सकें। हम सभी वहां रहे हैं जहां आप एक एलएलएम से कुछ विशिष्ट पूछते हैं और यह चक्र में जाता है, करीब पहुंचता है लेकिन आपको वह प्रतिक्रिया नहीं मिलती जिसकी आपको जरूरत है। तो यह पता लगाना कि मॉडल प्रॉम्प्ट को कैसे समझ सकता है और सटीक परिणाम दे सकता है, यह एक बड़ा कदम था।

इसके विस्तार से, अगला अविष्कार एजेंटों के लिए था, जिन्हें एलएलएम को एक बार के प्रेरित कार्यों से परे जाने और वास्तव में कुछ चीजें करने की आवश्यकता थी: योजना बनाना, अंतिम उपयोगकर्ता के साथ बातचीत करना, उपकरणों का उपयोग करना, स्मृति का उपयोग करना और ज्ञान तक पहुंचाना। यह आवश्यक था कि हम आज जहां हैं वहां पहुंचें।

लेकिन अगला अविष्कार, जो कि आंशिक रूप से हल किया गया है लेकिन प्रगति में है, पूरी तरह से हॉलुसिनेशन समस्या को हल करना है। अब तक, इस मुद्दे पर बहुत काम हुआ है कि हम एलएलएम पर पहले से अधिक भरोसा कर सकते हैं। लेकिन अभी भी काम करने की जरूरत है और यही कारण है कि मानव पर्यवेक्षण और गार्डरेल आवश्यक हैं।

जो अतिरंजित है वह एजेंटों की स्वायत्तता की डिग्री है जिसका दावा लोग कर रहे हैं। पूरी तरह से स्वायत्त प्रणालियां जो जटिल व्यावसायिक वातावरण में मानव पर्यवेक्षण के बिना संचालित होती हैं, मेरे विचार में, अभी भी विश्वसनीय नहीं हैं। मुझे जो अधिक उत्पादक लगता है वह एआई को उच्च मूल्य वाले कार्यों को करने के लिए डिज़ाइन करना है, अनिश्चितता को बढ़ाना और अपने तर्क की व्याख्या करना, मानव नियंत्रण को समग्र प्रवाह से कभी भी छोड़ देने के बिना। यही वह जगह है जहां एजेंटिक एआई अल्पावधि में सबसे वास्तविक दुनिया का मूल्य बनाएगा।

आप एक शोधकर्ता, सॉफ्टवेयर आर्किटेक्ट, इंजीनियरिंग नेता, स्टार्टअप सलाहकार, व्याख्याता और अब मुख्य एआई अधिकारी के रूप में काम कर चुके हैं। आपके करियर के विभिन्न चरणों में, सफल एआई की आपकी परिभाषा कैसे विकसित हुई है?

मेरे करियर के दौरान, मैंने सीखा है कि सफल एआई की परिभाषा जारी रूप से विकसित होती रहती है और विभिन्न अनुशासनों में मूल मूल्य होते हैं। अनुप्रयुक्त अनुसंधान और वास्तुकला ने मुझे सिखाया कि एआई को वास्तविक दुनिया की सीमाओं के तहत काम करना चाहिए। अकादमिक अनुसंधान ने मुझे सख्ती और मूल्यांकन के महत्व की सिखाया। इंजीनियरिंग नेतृत्व ने मुझे दिखाया कि कार्यान्वयन और संचालन अनुशासन मॉडल के रूप में महत्वपूर्ण हैं। स्टार्टअप्स को सलाह देने से मुझे यह सिखाया गया कि एआई तब सबसे बड़ा प्रभाव डालता है जब यह एक वास्तविक समस्या का समाधान करता है और एक स्पष्ट गोद लेने का मार्ग होता है।

आज, एमसीई में एआई प्रमुख के रूप में, मैं सफलता को एआई के रूप में परिभाषित करता हूं जो मूल्य बनाता है जबकि अंतिम उपयोगकर्ता का विश्वास अर्जित करता है। यह ग्राहकों, कर्मचारियों और व्यवसाय के लिए परिणामों में सुधार करना चाहिए, उत्पादन के लिए पर्याप्त विश्वसनीय होना चाहिए, शासन के लिए पर्याप्त पारदर्शी होना चाहिए और उपयोगी होना चाहिए ताकि लोग वास्तव में इसका उपयोग करें। इस अर्थ में, मेरी परिभाषा “क्या प्रौद्योगिकी काम करती है?” से “क्या यह जिम्मेदारी से, बार-बार और पैमाने पर मूल्य बनाता है?” में बदल गई है।

यह वह परिवर्तन है जिसे हमने एमसीई में किया है, जो दो साल पहले शुरू हुआ और अब यहां है। बाद का मूल्य यह है कि हम एआई के बारे में अब सोचते हैं, न केवल आंतरिक उपयोग के मामलों के लिए बल्कि हमारे दूरसंचार ग्राहकों के लिए भी।

एमसीई सिस्टम्स दूरसंचार ग्राहक अनुभव, ग्राहक देखभाल और विपणन के लिए एआई को लागू कर रहा है। दूरसंचार उद्योग के भीतर वर्तमान में कौन से सबसे प्रेरक एआई उपयोग के मामले उभर रहे हैं?

संचार सेवा प्रदाता (सीएसपी), या “वाहक” जैसा कि वे आमतौर पर कहे जाते हैं, एक कठिन स्थिति में हैं, जहां वे कमोडिटीकरण समस्या का सामना कर रहे हैं। मूल्य वास्तव में नए ग्राहकों को आकर्षित करने या उन्हें बनाए रखने के लिए आकर्षक बल है, लेकिन यह टिकाऊ नहीं है। यदि आप अन्य दिग्गजों को देखते हैं जो उपभोक्ता उत्पाद या सेवाएं बेचते हैं, जैसे कि एप्पल (AAPL ), अमेज़ॅन (AMZN ) या नेटफ्लिक्स (NFLX ), उन्होंने एक उत्कृष्ट उत्पाद और उसके चारों ओर एक अनुभव बनाया है। यह वित्त में स्पष्ट रूप से खेला गया, जहां बैंकों को नए लचीले खिलाड़ियों द्वारा अपने बचत और निवेश उत्पादों के अलावा एक पूर्ण डिजिटल अनुभव प्रदान करने के लिए मजबूर किया गया था। दूरसंचार के साथ भी ऐसा ही है।

तो हमारी दृष्टि है कि सीएसपी के ग्राहकों के लिए अतिरिक्त मूल्य लाने में मदद करना जो वे पहले से ही प्रदान करते हैं उस महान कनेक्टिविटी उत्पाद के शीर्ष पर एक बेहतर अनुभव के साथ। इसका मतलब है कि ग्राहकों के साथ उनके समग्र नेटवर्क और डिवाइस अनुभव के बारे में अधिक proactively और संवाद करना। और हमारे लिए, एआई अंततः उन्हें ऐसा करने में सक्षम बनाता है।

उद्योग में, हालांकि, यह मुख्य रूप से एक रक्षात्मक उपकरण बन गया है जो कॉल सेंटर श्रम लागत को काटने या कर्मचारियों को अधिक उत्पादक बनाने के लिए है। लेकिन हमारे लिए, एआई एक आक्रामक उपकरण भी है जो ग्राहक देखभाल में proactively है और सेवा को व्यक्तिगत बनाता है, जो सभी ग्राहक के मोबाइल डिवाइस पर होता है।

उदाहरण के लिए, एक डिवाइस या कनेक्टिविटी समस्या या बैटरी क्षय समस्या का पता लगाने से पहले कि ग्राहक इसे नोटिस करता है और उन्हें इसे ठीक करने में मदद करना। ऐसे अनुभव वास्तविक वफादारी बनाते हैं। ग्राहक की स्थिति को पर्याप्त रूप से जानने के लिए सही ब्रॉडबैंड बंडल, डेटा ऐड-ऑन या लाइफस्टाइल उत्पाद की पेशकश करने का सही क्षण उच्च रूपांतरण चलाता है। और नेटवर्क संपत्ति, सीआरएम और डिवाइस डेटा में संकेतों को एक साथ लाकर चूर्न की सटीक भविष्यवाणी करना और फिर जल्दी से कार्रवाई करना शायद उनमें से सभी का सबसे शक्तिशाली उपयोग मामला है। सीएसपी जो इसे सही बनाते हैं उन्हें एक महत्वपूर्ण बढ़त मिलेगी।

एआई-मूल” या “एआई तैयार” बनने के बारे में बहुत चर्चा है। एमसीई इस परिदृश्य को कैसे देख रहा है और संगठन इस परिवर्तन में किन बिंदुओं को सबसे ज्यादा याद करते हैं?

जो बातें कई लोग याद करते हैं वह यह है कि एआई परिवर्तन केवल एक प्रौद्योगिकी तैनाती नहीं है, बल्कि एक मोडस ऑपरेंडी परिवर्तन है। सर्वोत्तम अवसर वे हैं जहां अपनाना स्वाभाविक लगता है: कार्यप्रवाह पहले से मौजूद है, दर्द मापने योग्य है और एआई स्पष्ट रूप से गति, गुणवत्ता या निर्णय लेने में सुधार कर सकता है। एमसीई इस परिदृश्य को कुछ विचारों के साथ देख रहा है।

हमने एआई टूल परिपक्वता और कर्मचारी उत्पादकता को गुणा करने के तरीकों को अपनाने से शुरुआत की। हमने यह पूछा कि हम अपनी टीमों को कैसे शिक्षित कर सकते हैं, स्पष्ट उपयोग दिशानिर्देशों को परिभाषित कर सकते हैं और एआई को आंतरिक प्रणालियों से जोड़ सकते हैं जहां यह वास्तव में अंतर ला सकता है।

एक बार जब हमने अपने उपकरण के आधार का मूल्यांकन किया, तो हमने कार्यप्रवाह स्वचालन की ओर देखा और पहचान की कि एजेंट मैनुअल कार्य को कैसे कम कर सकते हैं। स्वाभाविक रूप से, हमने पाया कि हम विकास के समय को काफी कम कर सकते हैं। एक उदाहरण में, एक उच्च कार्यात्मक, प्रोटोटाइप ऐप का निर्माण कुछ दिनों में हुआ जो अन्यथा दो या तीन सप्ताह लेता।

जो अक्सर आंतरिक उत्पादकता के लिए कम अनुमानित है वह डेटा लोकतंत्रीकरण है। हम अपने आंतरिक डेटा का बेहतर उपयोग करने पर काम कर रहे हैं ताकि मानव और एआई प्रणालियां बेहतर निर्णय ले सकें। इसमें ग्राहक की जरूरतों को समझना, संचालन में सुधार करना और पिछले अनुभवों से सीखने वाले उत्पादों का निर्माण करना शामिल है। यह अभी भी एक काम प्रगति में है, क्योंकि यह एक प्रक्रिया है जिसे मूल्यांकन करने के लिए विश्लेषणात्मक है कि क्या काम करता है और क्या नहीं।

कई संगठन स्वायत्त एआई एजेंटों को तैनात करने की दौड़ में हैं। आपने वास्तव में मूल्य बनाने के लिए स्वायत्त एआई के साथ-साथ मानव पर्यवेक्षण की आवश्यकता के बारे में क्या व्यावहारिक सबक सीखा है?

स्वचालन के हYPE में फंसना आसान है। लेकिन मैं एजेंटों को विधिपूर्वक दृष्टिकोण करने में विश्वास करता हूं। मैं सलाह दूंगा कि कभी भी स्वचालन के लक्ष्य स्तर के साथ शुरुआत न करें; इसके बजाय, उन कार्यप्रवाहों की पहचान करें जहां एजेंट मूल्य बना सकते हैं, उन्हें छोटे टुकड़ों में तोड़ दें और पूछें कि कौन से टुकड़े पूरी तरह से स्वचालित किए जा सकते हैं, कौन से अर्ध-स्वचालित हो सकते हैं और जहां मानव निर्णय की आवश्यकता है।

अभ्यास में, हम पाते हैं कि एजेंट तब सबसे अधिक मूल्य बनाते हैं जब उन्हें उच्च परिभाषित कार्यों में उपयोग किया जाता है, जो जानकारी एकत्र करने, इनपुट विश्लेषण करने, सिफारिशें तैयार करने और अगले चरण के लिए आउटपुट तैयार करने तक होता है। जटिल प्रक्रिया को स्वचालित करने की कोशिश करने के बजाय सरल कार्यों में सूक्ष्म रूप से ट्यून की गई स्वचालन बहुत बेहतर काम करती है।

मानव जहां आवश्यक रहते हैं वह पर्यवेक्षण, अपवाद संभंधन, ग्राहक-संवेदनशील निर्णय और सामान्य रूप से ऐसी स्थितियां हैं जहां जवाबदेही महत्वपूर्ण है। लक्ष्य मानव निर्णय लेने को कभी भी प्रतिस्थापित नहीं करना है, बल्कि एजेंटों को उन हिस्सों को संभालने देना है जहां वे विश्वसनीय रूप से मूल्य बना सकते हैं जबकि मानव को उन निर्णयों को संभालने देना है जिनमें जवाबदेही की आवश्यकता होती है।

एमसीई ने डिवाइस अनुभवों को अधिक व्यक्तिगत बनाने और मोबाइल ऑपरेटरों के लिए संचालन की दक्षता में सुधार करने के लिए एआई का उपयोग करने के बारे में बात की है। आप व्यक्तिगतकरण के साथ बढ़ती चिंताओं के बीच संतुलन कैसे बनाते हैं? गोपनीयता, पारदर्शिता और उपयोगकर्ता विश्वास?

क्योंकि एआई मानव की तरह लगता है, उपयोगकर्ता इसे उन तरीकों से बातचीत करते हैं जो अक्सर अधिक प्रकट करते हैं जितना वे कभी-कभी चाहते हैं। यह संगठनों पर वास्तविक जिम्मेदारी डालता है कि वे संग्रहीत डेटा के बारे में सावधान और पारदर्शी रहें। एक सरल उदाहरण: जब एक ग्राहक समस्या निवारण प्रक्रिया के हिस्से के रूप में एक स्क्रीनशॉट जमा करता है, तो उस छवि में अनजाने में व्यक्तिगत जानकारी को पकड़ सकता है जो उनकी स्क्रीन पर दिखाई दे रही है। यह आवश्यक है कि संगठन ऐसे सुरक्षा उपाय लागू करें जो छवि को अतिरिक्त दिखाई देने वाली सामग्री को हटाने के लिए फसल देते हैं, जो कि बातचीत के बारे में ही ध्यान केंद्रित करते हैं और अनावश्यक डेटा एक्सपोजर को कम करते हैं।

मेरे लिए, हम जो भी डेटा एकत्र करते हैं वह स्पष्ट रूप से ग्राहक के हितों और जरूरतों की सेवा करनी चाहिए। इसे केवल तभी एकत्र किया जाना चाहिए जब यह एक विशिष्ट उद्देश्य का समर्थन करता है, जैसे कि ग्राहक की पूछताछ का समाधान करना या एक विशिष्ट डिग्री का व्यक्तिगतकरण प्रदान करना। साथ ही, डेटा को गोपनीयता-संरक्षण तरीके से संभाला जाना चाहिए, वास्तविक दुनिया की पहचान से अनावश्यक लिंकेज से बचना।

उदाहरण के लिए, हमारे मामले में, एक गोपनीयता-अनुपालन संगठन के रूप में, यह हमारे व्यवसाय के संबंध में मोबाइल डिवाइस की स्थिति और उपयोगकर्ता व्यवहार को समझने के बारे में है, न कि ग्राहक की पहचान और अन्य प्रकार के व्यवहार के बारे में।

जो भी मायने रखता है वह ग्राहक के साथ बातचीत में है। गार्डरेल यहां महत्वपूर्ण हैं क्योंकि वे उद्देश्य, ब्रांड आवाज और वास्तव में उन चीजों से परे नहीं जाने में मदद करते हैं जिनके लिए संगठन तैयार हैं और शासन कर सकते हैं। अभ्यास में, गार्डरेल कानूनी या नियामक उल्लंघनों और नकारात्मक ग्राहक अनुभव से बचने में मदद करते हैं। कभी-कभी वे थकाऊ प्रक्रियाएं हो सकती हैं, लेकिन वे आवश्यक हैं।

आपने कंप्यूटर विज्ञान के विषयों की एक श्रृंखला को सिखाया है, जिसमें कंप्यूटर विज्ञान की मूल बातें, सूचना पुनर्प्राप्ति और डेटा माइनिंग शामिल हैं। यदि आप आज के कर्मचारियों के लिए एक एआई पाठ्यक्रम डिज़ाइन कर रहे थे, तो आप किन विषयों को प्राथमिकता देंगे और किन पुराने अवधारणाओं को हटा देंगे?

पाठ्यक्रम को दो तरीकों से बदलने की आवश्यकता है। विषय जो पहले स्नातक कार्यक्रमों तक सीमित थे, जैसे कि न्यूरल नेटवर्क, ट्रांसफॉर्मर, बड़े भाषा मॉडल, पुनर्प्राप्ति-संवर्धित पीढ़ी, मूल्यांकन, संरेखण और जिम्मेदार एआई, अब स्नातक कार्यक्रमों में मूल विषय बन जाने चाहिए। छात्रों को यह समझने की आवश्यकता है कि ये प्रणालियां कैसे काम करती हैं और उन्हें महत्वपूर्ण रूप से कैसे मूल्यांकन किया जाता है।

छात्रों को यह भी सीखने की आवश्यकता है कि एआई का उपयोग जिम्मेदारी से एक उपकरण के रूप में कैसे किया जाए और शोध के लिए। इसका मतलब है कि आउटपुट का प्रश्न करना, स्रोतों की पुष्टि करना, सीमाओं को समझना और एआई को एक सोच सहयोगी के रूप में मानना, न कि घरेलू कार्य का एक शॉर्टकट।

जो मैं नहीं काटूंगा वह गणित और एल्गोरिदम की मूल बातें हैं। मैं तर्क दूंगा कि वे अब भी उतने ही महत्वपूर्ण हैं। जो मैं कम करूंगा वह यांत्रिक कार्यान्वयन को पुरस्कृत करने वाले असाइनमेंट हैं जो महत्वपूर्ण सोच को प्रदर्शित नहीं करते हैं। फोकस समस्या के निरूपण, मूल्यांकन, प्रणाली डिजाइन और जिम्मेदार उपयोग पर स्थानांतरित होना चाहिए।

एआई रणनीति पर कई स्टार्टअप्स को सलाह देने के बाद, एआई उत्पादों का निर्माण करते समय संस्थापकों द्वारा की जाने वाली सबसे सामान्य गलतियां क्या हैं, और कंपनियां किन कारकों से प्रोटोटाइप से उत्पादन में सफलतापूर्वक संक्रमण करती हैं?

सबसे आम गलती जो मैं देखता हूं वह यह है कि प्रौद्योगिकी से पहले समस्या या ग्राहक या गोद लेने के मार्ग को समझने से पहले प्यार में पड़ना है। एक करीबी दूसरा यह है कि एआई की सीमाओं को पर्याप्त रूप से नहीं जानना और इसे उन उपयोग के मामलों में मजबूर करना जहां यह अभी तक परिपक्व नहीं है।

जो संस्थापकों को उत्पादन में सफलतापूर्वक स्थानांतरित करने में अलग करता है वह गहरा डोमेन विशेषज्ञता और एक अनुसंधान दृष्टिकोण है। सर्वोत्तम एआई उत्पाद उन संस्थापकों से आते हैं जो एक विशिष्ट ऊर्ध्वाधर को पर्याप्त रूप से समझते हैं कि वे एक वास्तविक प्रौद्योगिकी अंतराल की पहचान कर सकते हैं। वे “एआई के साथ हम क्या कर सकते हैं?” से शुरू नहीं होते हैं, बल्कि “यह एक विशिष्ट समस्या है, यहां बताया गया है कि क्यों मौजूदा समाधान बाजार में कम पड़ते हैं और यहां बताया गया है कि एआई अब इसे स्थायी रूप से कैसे हल कर सकता है।”

इसके अलावा, सफल संस्थापक ग्राहकों, प्रतिस्पर्धियों, सलाहकारों और विफल प्रयासों से लगातार सीखते हैं। वे यह अध्ययन करते हैं कि निर्णय कैसे किए जाते हैं, बजट कैसे चलते हैं और उनके लक्ष्य दर्शकों के लिए विश्वास क्या बनाता है। अंत में, वे केवल एक उत्पाद नहीं बना रहे हैं, वे कुछ ऐसा बना रहे हैं जिसे वास्तविक दुनिया के वातावरण में जीवित रहने की आवश्यकता है, न कि अपने आप में।

पांच साल की अवधि में, क्या आप मानते हैं कि एआई का सबसे बड़ा प्रभाव अधिक शक्तिशाली फाउंडेशन मॉडल, एजेंटिक सिस्टम, मल्टीमॉडल एआई, ऑन-डिवाइस इंटेलिजेंस या उद्योग द्वारा वर्तमान में कम अनुमानित एक अलग रुझान से आएगा?

सबसे बड़ा प्रभाव केवल फाउंडेशन मॉडल में सुधार से नहीं आएगा, बल्कि मॉडल को उन प्रणालियों में एम्बेड करने से आएगा जो वास्तविक कार्यप्रवाह में देख सकती हैं और कार्य कर सकती हैं और सुधार कर सकती हैं। मॉडल से सक्षम प्रणाली में यह परिवर्तन है जहां मैं अपेक्षा करता हूं कि सबसे महत्वपूर्ण निकट अवधि की प्रगति होगी।

यह विशेष रूप से तब मजबूत होगा जब प्रणालियां पूरी तरह से मल्टीमॉडल हो जाएंगी, जब वे पाठ, आवाज, छवियों, वीडियो और अन्य संदर्भ संकेतों पर कारण बनाने में सक्षम होंगे जो वास्तविक दुनिया के संकेतों के करीब होंगे। यह ग्राहक सहायता, स्वास्थ्य सेवा, विनिर्माण आदि में नए अवसर खोलेगा।

एक और उभरती प्रौद्योगिकी जिस पर मुझे विश्वास है कि विनाशकारी होगी वे एजेंट हैं जो भौतिक दुनिया के साथ बातचीत करते हैं। कंपनियां जैसे बोस्टन डायनामिक्स पहले से ही संभावनाओं का प्रदर्शन कर रही हैं और जब धारणा, तर्क, योजना और शारीरिक क्रिया एक साथ आती है तो इसका क्या потен्षियल है। चाहे वह मानवनुमा रूप में हो या विशेषज्ञता वाली रोबोटिक प्रणालियों में, एजेंट जो शारीरिक दुनिया के साथ बातचीत कर सकते हैं वे एआई के सबसे तंगी और क्रांतिकारी अभिव्यक्तियों में से एक साबित हो सकते हैं जिन्हें हम अगले पांच वर्षों में देखेंगे। एमसीई के लिए, यह लॉजिस्टिक्स और संचालन कार्यप्रवाह में अवसर पैदा करता है, जहां अभी भी कई दोहराए जाने वाले कार्य हैं जिन्हें मानवीय रूप से शारीरिक रूप से जुड़ने की आवश्यकता है। उदाहरणों में डिवाइस उठाना, बटन दबाना, केबल्स कनेक्ट करना या डिवाइस को स्टेशनों के बीच ले जाना शामिल है। ये रोबोटिक्स और एआई के माध्यम से स्वचालन के लिए आदर्श उम्मीदवार हैं जो प्रणालियों को अधिक कुशल, संगत और अधिक मात्रा में संभालने में सक्षम बनाते हैं।

दूरसंचार के लिए, ग्राहक पलायन की भविष्यवाणी करने और एआई मॉडल के साथ इसके बारे में कार्रवाई करने में सक्षम होने के लिए यही पैसा होगा जो अगले कुछ वर्षों में होगा। यदि आप एक विश्वसनीय मॉडल बना सकते हैं जो सभी विभिन्न ग्राहक बिंदुओं से डेटा को एकीकृत कर सकता है, पलायन संभावना का सटीक मूल्यांकन कर सकता है और फिर इसके बारे में कार्रवाई कर सकता है, तो आप प्रदाताओं के लिए एक ठहराव वाले मुद्दे का समाधान करेंगे।

धन्यवाद महान साक्षात्कार के लिए, पाठक जो अधिक जानना चाहते हैं उन्हें एमसीई सिस्टम्स पर जाना चाहिए。