अमर नूर-एल्डिन, एलएक्सटी में प्रौद्योगिकी के उपाध्यक्ष - साक्षात्कार श्रृंखला

अम्र नूर-एल्डिन, प्रौद्योगिकी के उपाध्यक्ष हैं LXT. अमर पीएच.डी. हैं। ऑटोमैटिक स्पीच रिकग्निशन (एएसआर) के संदर्भ में स्पीच/ऑडियो प्रोसेसिंग और मशीन लर्निंग के क्षेत्र में 16 साल से अधिक के पेशेवर अनुभव वाले अनुसंधान वैज्ञानिक, हाल के वर्षों में स्ट्रीमिंग एंड के लिए गहन शिक्षण तकनीकों पर विशेष ध्यान और व्यावहारिक अनुभव के साथ -टू-एंड वाक् पहचान।

LXT वैश्विक संगठनों के लिए बुद्धिमान प्रौद्योगिकी को सशक्त बनाने के लिए एआई प्रशिक्षण डेटा में एक उभरता हुआ नेता है। योगदानकर्ताओं के एक अंतरराष्ट्रीय नेटवर्क के साथ साझेदारी में, एलएक्सटी उद्यम द्वारा आवश्यक गति, पैमाने और चपलता के साथ कई तौर-तरीकों में डेटा एकत्र और एनोटेट करता है। उनकी वैश्विक विशेषज्ञता 145 से अधिक देशों और 1000 से अधिक भाषा स्थानों तक फैली हुई है।

आपने मैकगिल यूनिवर्सिटी से सिग्नल प्रोसेसिंग में पीएचडी की, शुरुआत में इस क्षेत्र में आपकी रुचि किस वजह से थी?

मैं हमेशा इंजीनियरिंग का अध्ययन करना चाहता था, और सामान्य रूप से प्राकृतिक विज्ञान वास्तव में पसंद करता था, लेकिन विशेष रूप से गणित और भौतिकी की ओर आकर्षित था। मैंने पाया कि मैं हमेशा यह जानने की कोशिश करता रहता हूं कि प्रकृति कैसे काम करती है और प्रौद्योगिकी बनाने के लिए उस समझ को कैसे लागू किया जाए। हाई स्कूल के बाद, मुझे चिकित्सा और अन्य व्यवसायों में जाने का अवसर मिला, लेकिन विशेष रूप से इंजीनियरिंग को चुना क्योंकि यह मेरे दिल के सबसे करीब दो क्षेत्रों: गणित और भौतिकी में सिद्धांत और अनुप्रयोग दोनों के मेरे दृष्टिकोण में सही संयोजन का प्रतिनिधित्व करता था। और फिर एक बार जब मैंने इसे चुन लिया, तो कई संभावित रास्ते थे - यांत्रिक, नागरिक, इत्यादि। लेकिन मैंने विशेष रूप से इलेक्ट्रिकल इंजीनियरिंग को चुना क्योंकि यह मेरे विचार में गणित और भौतिकी की समस्याओं के सबसे करीब और सबसे कठिन है, जिन्हें मैं हमेशा चुनौतीपूर्ण मानता था और इसलिए, अधिक आनंद लेता था, साथ ही आधुनिक तकनीक की नींव भी रखता था जो हमेशा प्रेरित करती रही है। मुझे।

इलेक्ट्रिकल इंजीनियरिंग के भीतर, चुनने के लिए विभिन्न विशेषज्ञताएं हैं, जो आम तौर पर दो छतरियों के अंतर्गत आती हैं: दूरसंचार और सिग्नल प्रोसेसिंग, और बिजली और इलेक्ट्रिकल इंजीनियरिंग। जब उन दोनों के बीच चयन करने का समय आया, तो मैंने दूरसंचार और सिग्नल प्रोसेसिंग को चुना क्योंकि यह भौतिकी और समीकरणों के माध्यम से प्रकृति का वर्णन करने के तरीके के करीब है। आप संकेतों के बारे में बात कर रहे हैं, चाहे वह ऑडियो, चित्र या वीडियो हो; यह समझना कि हम कैसे संवाद करते हैं और हमारी इंद्रियां क्या अनुभव करती हैं, और उस जानकारी को गणितीय रूप से इस तरह से कैसे प्रस्तुत किया जाए जिससे हमें प्रौद्योगिकी बनाने और सुधारने के लिए उस ज्ञान का लाभ उठाने की अनुमति मिल सके।

क्या आप कृत्रिम बैंडविड्थ विस्तार (बीडब्ल्यूई) के सूचना-सैद्धांतिक पहलू पर मैकगिल विश्वविद्यालय में अपने शोध पर चर्चा कर सकते हैं?

अपनी स्नातक की डिग्री पूरी करने के बाद, मैं अकादमिक रूप से सिग्नल प्रोसेसिंग क्षेत्र में आगे बढ़ना चाहता था। भौतिकी में मास्टर डिग्री के हिस्से के रूप में फोटोनिक्स का अध्ययन करने के एक वर्ष के बाद, मैंने भाषण पहचान पर ध्यान केंद्रित करते हुए ऑडियो और स्पीच सिग्नल प्रोसेसिंग में मास्टर डिग्री हासिल करने के लिए इंजीनियरिंग में वापस जाने का फैसला किया। जब मेरी पीएचडी करने का समय आया, तो मैं केवल भाषण पहचान एप्लिकेशन पर ध्यान केंद्रित करने के बजाय, अपने क्षेत्र को सामान्य ऑडियो और भाषण प्रसंस्करण के साथ-साथ मशीन लर्निंग और सूचना सिद्धांत के निकट-संबंधित क्षेत्रों में थोड़ा विस्तारित करना चाहता था।

मेरी पीएचडी का माध्यम नैरोबैंड भाषण का बैंडविड्थ विस्तार था। नैरोबैंड भाषण पारंपरिक टेलीफोनी भाषण को संदर्भित करता है। भाषण की आवृत्ति सामग्री लगभग 20 किलोहर्ट्ज़ तक फैली हुई है, लेकिन अधिकांश सूचना सामग्री केवल 4 किलोहर्ट्ज़ तक केंद्रित है। बैंडविड्थ एक्सटेंशन का तात्पर्य भाषण सामग्री को 3.4 किलोहर्ट्ज़ से कृत्रिम रूप से विस्तारित करना है, जो पारंपरिक टेलीफोनी में बंधी ऊपरी आवृत्ति है, उससे ऊपर, आठ किलोहर्ट्ज़ या उससे अधिक तक। केवल उपलब्ध संकीर्ण बैंड सामग्री को देखते हुए उस अनुपलब्ध उच्च आवृत्ति सामग्री को बेहतर ढंग से पुनर्निर्माण करने के लिए, किसी को पहले दो आवृत्ति बैंड में भाषण सामग्री के बीच पारस्परिक जानकारी को मापना होगा, फिर उस जानकारी का उपयोग उस मॉडल को प्रशिक्षित करने के लिए करना होगा जो उस साझा जानकारी को सीखता है; एक मॉडल, जिसे एक बार प्रशिक्षित कर लिया जाए, तो उसका उपयोग केवल नैरोबैंड स्पीच को देखते हुए हाईबैंड सामग्री उत्पन्न करने के लिए किया जा सकता है और मॉडल ने उस उपलब्ध नैरोबैंड स्पीच और गायब हाईबैंड सामग्री के बीच संबंध के बारे में क्या सीखा। साझा की गई "पारस्परिक जानकारी" को मात्राबद्ध करना और उसका प्रतिनिधित्व करना वह जगह है जहां सूचना सिद्धांत आता है। सूचना सिद्धांत किसी भी सिग्नल में जानकारी की मात्रा निर्धारित करने और उसका प्रतिनिधित्व करने का अध्ययन है। इसलिए मेरा शोध भाषण के कृत्रिम बैंडविड्थ विस्तार को बेहतर बनाने के लिए सूचना सिद्धांत को शामिल करने के बारे में था। इस प्रकार, मेरी पीएचडी एक अंतःविषय अनुसंधान गतिविधि थी जहां मैंने सिग्नल प्रोसेसिंग को सूचना सिद्धांत और मशीन लर्निंग के साथ जोड़ा।

आप 16 वर्षों से अधिक समय तक नुअंस कम्युनिकेशंस, जो अब माइक्रोसॉफ्ट का एक हिस्सा है, में प्रधान भाषण वैज्ञानिक थे, इस अनुभव से आपके कुछ मुख्य निष्कर्ष क्या थे?

मेरे दृष्टिकोण से, सबसे महत्वपूर्ण लाभ यह था कि मैं हमेशा सिग्नल प्रोसेसिंग और मशीन लर्निंग में अत्याधुनिक, अत्याधुनिक तकनीकों पर काम कर रहा था और उस तकनीक को वास्तविक दुनिया के अनुप्रयोगों में लागू कर रहा था। मुझे उन तकनीकों को कई डोमेन में कन्वर्सेशनल एआई उत्पादों पर लागू करने का मौका मिला। ये डोमेन उद्यम से लेकर स्वास्थ्य सेवा, ऑटोमोटिव और मोबिलिटी सहित अन्य तक थे। कुछ विशिष्ट अनुप्रयोगों में वर्चुअल असिस्टेंट, इंटरैक्टिव वॉयस रिस्पॉन्स, टेक्स्ट पर वॉयसमेल और अन्य शामिल हैं जहां उचित प्रतिनिधित्व और ट्रांसक्रिप्शन महत्वपूर्ण है, जैसे डॉक्टर/रोगी के साथ स्वास्थ्य देखभाल में बातचीत। उन 16 वर्षों के दौरान, मुझे प्रत्यक्ष रूप से देखने और संवादात्मक एआई के विकास का हिस्सा बनने का सौभाग्य प्राप्त हुआ, हिडन मार्कोव मॉडल का उपयोग करके सांख्यिकीय मॉडलिंग के दिनों से लेकर, डीप लर्निंग के क्रमिक अधिग्रहण के माध्यम से, अब तक जहां डीप लर्निंग का प्रसार होता है और लगभग सभी पर हावी हो जाता है। एआई के पहलू, जिनमें जेनरेटिव एआई के साथ-साथ पारंपरिक भविष्य कहनेवाला या भेदभावपूर्ण एआई भी शामिल है। उस अनुभव से एक और महत्वपूर्ण बात यह है कि डेटा मात्रा और गुणवत्ता के माध्यम से एआई मॉडल क्षमताओं और प्रदर्शन के प्रमुख चालक के रूप में महत्वपूर्ण भूमिका निभाता है।

आपने आईईईई जैसे प्रशंसित प्रकाशन सहित एक दर्जन पत्र प्रकाशित किए हैं। आपकी राय में, आपके द्वारा प्रकाशित सबसे महत्वपूर्ण पेपर कौन सा है और यह महत्वपूर्ण क्यों था?

गूगल स्कॉलर के अनुसार उद्धरणों की संख्या के हिसाब से सबसे प्रभावशाली 2008 का पेपर होगा जिसका शीर्षक है "नैरोबैंड स्पीच का मेल-फ़्रीक्वेंसी सेप्स्ट्रल गुणांक-आधारित बैंडविड्थ विस्तार”। उच्च स्तर पर, इस पेपर का फोकस इस बात पर है कि फीचर प्रतिनिधित्व का उपयोग करके भाषण सामग्री का पुनर्निर्माण कैसे किया जाए जो कि स्वचालित भाषण मान्यता (एएसआर), मेल-फ़्रीक्वेंसी सेप्स्ट्रल गुणांक के क्षेत्र में व्यापक रूप से उपयोग किया जाता है।

हालाँकि, मेरे विचार में अधिक नवीन पेपर, दूसरा सबसे अधिक उद्धरण वाला पेपर है, 2011 का पेपर जिसका शीर्षक है "नैरोबैंड स्पीच के बैंडविड्थ विस्तार के लिए गॉसियन मिक्सचर मॉडल फ्रेमवर्क का मेमोरी-आधारित अनुमान“. उस कार्य में, मैंने एक नई सांख्यिकीय मॉडलिंग तकनीक का प्रस्ताव रखा जो भाषण में अस्थायी जानकारी को शामिल करती है। उस तकनीक का लाभ यह है कि यह न्यूनतम अतिरिक्त जटिलता के साथ भाषण में दीर्घकालिक जानकारी को मॉडलिंग करने की अनुमति देता है और यह अभी भी स्ट्रीमिंग या वास्तविक समय फैशन में वाइडबैंड भाषण की पीढ़ी की अनुमति देता है।

जून 2023 में आप थे LXT में प्रौद्योगिकी के उपाध्यक्ष के रूप में भर्ती किया गया, किस चीज़ ने आपको इस पद की ओर आकर्षित किया?

एलएक्सटी से पहले अपने शैक्षणिक और व्यावसायिक अनुभव के दौरान, मैंने हमेशा डेटा के साथ सीधे काम किया है। वास्तव में, जैसा कि मैंने पहले उल्लेख किया था, भाषण विज्ञान और मशीन लर्निंग के साथ मेरे काम से मेरे लिए एक महत्वपूर्ण उपलब्धि एआई मॉडल जीवन चक्र में निभाई गई महत्वपूर्ण भूमिका डेटा थी। सही प्रारूप में पर्याप्त गुणवत्ता वाला डेटा होना अत्याधुनिक डीप-लर्निंग-आधारित एआई की सफलता के लिए महत्वपूर्ण था और रहेगा। जैसे, जब मैं अपने करियर के एक ऐसे चरण में था जहां मैं एक स्टार्टअप जैसे माहौल की तलाश कर रहा था जहां मैं सीख सकूं, अपने कौशल का विस्तार कर सकूं, साथ ही अपने भाषण और एआई अनुभव का सबसे अधिक प्रभाव डाल सकूं, मैं भाग्यशाली था LXT में शामिल होने का अवसर पाने के लिए। यह एकदम फिट था. एलएक्सटी न केवल एक एआई डेटा प्रदाता है जो प्रभावशाली और निरंतर गति से बढ़ रहा है, बल्कि मैंने इसे एआई ज्ञान के साथ-साथ ग्राहक आकार और विविधता में वृद्धि के मामले में भी सही चरण में देखा है, और इसलिए एआई में भी और AI डेटा प्रकार। मुझे इसकी विकास यात्रा में शामिल होने और मदद करने का अवसर मिला; उन सभी वर्षों तक एआई डेटा वैज्ञानिक उपयोगकर्ता रहने के बाद डेटा अंतिम उपयोगकर्ता के परिप्रेक्ष्य को लाकर एक बड़ा प्रभाव डालना।

LXT पर आपका औसत दिन कैसा दिखता है?

मेरा औसत दिन किसी न किसी विषय पर नवीनतम शोध को देखने से शुरू होता है, जो हाल ही में जेनरेटिव एआई पर केंद्रित है, और हम इसे अपने ग्राहकों की जरूरतों पर कैसे लागू कर सकते हैं। सौभाग्य से, मेरे पास एक उत्कृष्ट टीम है जो हमारे ग्राहकों की अक्सर विशिष्ट एआई डेटा आवश्यकताओं के लिए समाधान बनाने और तैयार करने में बहुत कुशल है। इसलिए, मैं उस एजेंडे को निर्धारित करने के लिए उनके साथ मिलकर काम करता हूं।

बेशक, रणनीतिक वार्षिक और त्रैमासिक योजना भी है, और रणनीतिक उद्देश्यों को व्यक्तिगत टीम के लक्ष्यों में विभाजित करना और उन योजनाओं के साथ विकास में तेजी बनाए रखना है। जहां तक ​​हम जो फीचर विकास कर रहे हैं, उसके लिए हमारे पास आम तौर पर दो प्रौद्योगिकी ट्रैक हैं। एक यह सुनिश्चित करना है कि हमारी वर्तमान और नई आने वाली परियोजनाओं पर सर्वोत्तम परिणाम देने के लिए हमारे पास सही टुकड़े मौजूद हैं। दूसरा ट्रैक हमारी प्रौद्योगिकी क्षमताओं में सुधार और विस्तार कर रहा है, जिसमें मशीन लर्निंग को शामिल करने पर ध्यान केंद्रित किया गया है।

क्या आप मशीन लर्निंग एल्गोरिदम के प्रकारों पर चर्चा कर सकते हैं जिन पर आप एलएक्सटी पर काम करते हैं?

कृत्रिम बुद्धिमत्ता समाधान सभी उद्योगों में व्यवसायों को बदल रहे हैं, और हम एलएक्सटी में मशीन लर्निंग एल्गोरिदम को प्रशिक्षित करने के लिए उच्च गुणवत्ता वाले डेटा प्रदान करने के लिए सम्मानित हैं जो उन्हें शक्ति प्रदान करते हैं। हमारे ग्राहक अनुप्रयोगों की एक विस्तृत श्रृंखला पर काम कर रहे हैं, जिनमें संवर्धित और आभासी वास्तविकता, कंप्यूटर विज़न, संवादात्मक एआई, जेनरेटिव एआई, खोज प्रासंगिकता और भाषण और प्राकृतिक भाषा प्रसंस्करण (एनएलपी) शामिल हैं। हम हर भाषा, संस्कृति और तौर-तरीकों में डेटा उत्पादन और संवर्द्धन के माध्यम से भविष्य की मशीन लर्निंग एल्गोरिदम और प्रौद्योगिकियों को सशक्त बनाने के लिए समर्पित हैं।

आंतरिक रूप से, हम अपनी आंतरिक प्रक्रियाओं को बेहतर बनाने और अनुकूलित करने के लिए मशीन लर्निंग को भी शामिल कर रहे हैं, जिसमें हमारे डेटा गुणवत्ता सत्यापन को स्वचालित करने से लेकर हमारे द्वारा काम किए जाने वाले सभी डेटा तौर-तरीकों में मानव-इन-द-लूप लेबलिंग मॉडल को सक्षम करना शामिल है।

जब अंग्रेजी और विशेष रूप से श्वेत पुरुषों की बात आती है तो भाषण और ऑडियो प्रसंस्करण तेजी से पूर्णता के करीब पहुंच रहा है। आप कब तक अनुमान लगाते हैं कि यह सभी भाषाओं, लिंगों और जातीयताओं के लिए एक समान खेल का मैदान बनने तक ऐसा होगा?

यह एक जटिल प्रश्न है, और आर्थिक, राजनीतिक, सामाजिक और तकनीकी सहित कई कारकों पर निर्भर करता है। लेकिन जो स्पष्ट है वह यह है कि अंग्रेजी भाषा की व्यापकता ने ही एआई को वहां तक ​​पहुंचाया है जहां हम अभी हैं। इसलिए ऐसी जगह पर पहुंचना जहां समान स्तर का खेल हो, वास्तव में उस गति पर निर्भर करता है जिस गति से विभिन्न जातियों और आबादी से डेटा का प्रतिनिधित्व ऑनलाइन बढ़ता है, और जिस गति से यह बढ़ता है वह यह निर्धारित करेगा कि हम वहां कब पहुंचेंगे।

हालाँकि, LXT और इसी तरह की कंपनियों का हमें अधिक समान अवसर की ओर ले जाने में बड़ा हाथ हो सकता है। जब तक कम अच्छी तरह से प्रतिनिधित्व वाली भाषाओं, लिंगों और जातीयताओं के डेटा तक पहुंचना मुश्किल है या उपलब्ध नहीं है, तब तक परिवर्तन अधिक धीरे-धीरे आएगा। लेकिन हम अपना काम करने की कोशिश कर रहे हैं. 1,000 से अधिक भाषा स्थानों के लिए कवरेज और 145 देशों में अनुभव के साथ, एलएक्सटी अधिक भाषा डेटा तक पहुंच को संभव बनाने में मदद करता है।

एलएक्सटी विभिन्न ग्राहकों के लिए एआई प्रयासों को कैसे तेज कर सकता है, इसके बारे में आपका दृष्टिकोण क्या है?

LXT में हमारा लक्ष्य डेटा समाधान प्रदान करना है जो कुशल, सटीक और तेज़ AI विकास को सक्षम बनाता है। एआई डेटा क्षेत्र में हमारे 12 वर्षों के अनुभव के माध्यम से, हमने न केवल डेटा से संबंधित सभी पहलुओं के संदर्भ में ग्राहकों की जरूरतों के बारे में व्यापक जानकारी हासिल की है, बल्कि हमने उच्चतम परिणाम देने के लिए अपनी प्रक्रियाओं को लगातार दुरुस्त भी किया है। त्वरित गति और सर्वोत्तम मूल्य बिंदुओं पर गुणवत्तापूर्ण डेटा। नतीजतन, अपने ग्राहकों को एआई डेटा गुणवत्ता, दक्षता और मूल्य निर्धारण का इष्टतम संयोजन प्रदान करने की हमारी दृढ़ प्रतिबद्धता के परिणामस्वरूप, हम एक विश्वसनीय एआई डेटा भागीदार बन गए हैं, जैसा कि हमारे बार-बार आने वाले ग्राहकों से स्पष्ट है जो हमेशा एलएक्सटी पर वापस आते रहते हैं। एआई डेटा ज़रूरतें बढ़ रही हैं और विकसित हो रही हैं। मेरी दृष्टि उस LXT "MO" को डेटा के सभी तौर-तरीकों के साथ-साथ उन सभी प्रकार के AI विकास के लिए मजबूत करना, सुधारना और विस्तारित करना है, जिन पर हम अब काम करते हैं, जिसमें जेनरेटिव AI भी शामिल है। इस लक्ष्य को प्राप्त करना प्रौद्योगिकी के साथ-साथ संसाधनों के संदर्भ में हमारी अपनी मशीन लर्निंग और डेटा विज्ञान क्षमताओं को रणनीतिक रूप से विस्तारित करने के इर्द-गिर्द घूमता है।

बेहतरीन साक्षात्कार के लिए धन्यवाद, जो पाठक अधिक जानना चाहते हैं, उन्हें अवश्य आना चाहिए LXT.