एंड्रियास हेलेंडर, स्केलआउट सिस्टम्स के सीईओ और सह-संस्थापक – साक्षात्कार श्रृंखला

एंड्रियास हेलेंडर स्केलआउट सिस्टम्स के सीईओ और सह-संस्थापक हैं, जो एक कंपनी है जो एज एआई और फेडरेटेड लर्निंग के लिए इन्फ्रास्ट्रक्चर बना रही है जो वितरित, संवेदनशील डेटा पर मॉडल को प्रशिक्षित करती है बिना इसे केंद्रीकृत किए। उनकी कंपनी ने नाटो और रक्षा प्राइम्स जैसे बीएई सिस्टम्स के साथ काम किया है। उन्होंने वैज्ञानिक गणना में पीएचडी और जैव प्रौद्योगिकी इंजीनियरिंग में एमएससी की है, और वे उप्साला विश्वविद्यालय में एक एसोसिएट प्रोफेसर हैं, जहां उन्होंने स्केलआउट की स्थापना से पहले सूचना प्रौद्योगिकी विभाग में एक शीर्ष अनुसंधान समूह बनाया था।

आपने उप्साला विश्वविद्यालय में वितरित कंप्यूटिंग, क्लाउड इन्फ्रास्ट्रक्चर और वैज्ञानिक गणना में शोध के वर्षों के बाद स्केलआउट की सह-स्थापना की। फेडरेटेड लर्निंग और एज एआई को अकादमिक से परे एक व्यावसायिक मंच में बदलने का क्षण कब था?

वितरित प्रणालियों पर बड़े पैमाने पर अनुसंधान ने एक बात स्पष्ट कर दी: जैसे ही एमएल ने विभिन्न उद्योगों में वास्तविक आश्वासन दिखाना शुरू किया, इसे जिम्मेदारी से लागू करने के लिए डेटा समस्या को पहले हल करना आवश्यक था। कई संगठनों के लिए, सबसे मूल्यवान डेटा को केंद्रीकृत नहीं किया जा सकता है, चाहे वह नियामक, व्यावहारिक या सुरक्षा कारणों से हो। फेडरेटेड लर्निंग इस प्रतिबंध के लिए एक अनुसंधान प्रतिक्रिया के रूप में उभरा। हमारा फेडरेटेड लर्निंग सॉफ्टवेयर उप्साला विश्वविद्यालय में एक अनुसंधान प्रोटोटाइप के रूप में शुरू हुआ और कुछ बिंदु पर यह स्पष्ट हो गया कि समय इसके आगे बढ़ने के लिए सही था। सुरक्षित और सुरक्षित एमएल के लिए आवश्यक इन्फ्रास्ट्रक्चर संवेदनशील डेटा के लिए किसी भी उत्पादन-तैयार रूप में मौजूद नहीं था, और हमें लगा कि हम इसे बनाने के लिए अच्छी स्थिति में हैं। स्केलआउट की स्थापना इसे करने के लिए की गई थी।

स्केलआउट की एआई वर्से के साथ साझेदारी सिंथेटिक युद्ध क्षेत्र डेटा पीढ़ी को टैक्टिकल एज पर फेडरेटेड लर्निंग के साथ जोड़ती है। पारंपरिक दृष्टिकोण की तुलना में जो केंद्रीकृत डेटासेट पर निर्भर करते हैं, यह सैन्य एआई प्रणालियों के विकास को कैसे बदल देगा?

पारंपरिक दृष्टिकोण यह रहा है कि आप ऑपरेशनल फुटेज इकट्ठा करते हैं, इसे केंद्रीकृत करते हैं, प्रशिक्षित करते हैं और फिर से तैनात करते हैं। प्रत्येक चरण एक बोतलनेक पेश करता है। हमने एआई वर्से, एक नाटो-समर्थित सिंथेटिक डेटा फर्म के साथ साझेदारी की है, ताकि पहली बाधा को दूर किया जा सके। एआई वर्से का जीएआईए प्लेटफ़ॉर्म मांग पर फोटोरियलिस्टिक, पूरी तरह से एनोटेटेड रेड, ग्रीन, ब्लू (आरजीबी) और इन्फ्रारेड (आईआर) इमेजरी प्रदान करता है, जो फील्ड संग्रह, मैनुअल लेबलिंग और लंबे समय तक प्रतीक्षा की आवश्यकता को दूर करता है। स्केलआउट दूसरे छोर पर प्रशिक्षण बोतलनेक को दूर करता है। एक बार तैनात होने के बाद, मॉडल लाइव एज डेटा से निरंतर सुधार करते हैं बिना कुछ भी केंद्रीकृत किए। संयुक्त प्रभाव यह है कि संगठन किसी प्रतिबंधित ऑपरेशनल डेटा को छूने के बिना कोई मॉडल नहीं होने से लेकर एक क्षेत्र में तैनात, सुधार मॉडल तक जा सकते हैं।

रक्षा एआई में सबसे बड़ी चुनौतियों में से एक यह है कि युद्ध की स्थिति प्रशिक्षण चक्रों की तुलना में तेजी से विकसित होती है। एज-आधारित सीखने से सैन्य प्रणालियों को नए ड्रोन, वाहनों और खतरों के अनुकूल बनाने में कैसे मदद मिल सकती है बिना केंद्रीकृत पुनः प्रशिक्षण की प्रतीक्षा किए?

काउंटर-यूएएस और इंटेलिजेंस, सर्विलांस और रिकोनिसेंस (आईएसआर) के लिए कंप्यूटर विजन आजकल केंद्रीकृत रूप से प्रशिक्षित होता है, एक बार तैनात होता है और फिर पुराना हो जाता है। केंद्रीकृत पुनः प्रशिक्षण एक बैच प्रक्रिया है जिसमें डेटा संग्रह, लेबलिंग, मॉडल पुनः प्रशिक्षण, परीक्षण और फिर से तैनाती शामिल है। यह चक्र सप्ताह या महीनों में लगता है। इस बीच, पता लगाने वाले मॉडल मौसम, सेंसर, वातावरण और प्रतिद्वंद्वी रणनीतियों के बदलने के साथ खराब हो जाते हैं।

कई एआई प्रणालियां अभी भी भारी मात्रा में क्लाउड इन्फ्रास्ट्रक्चर पर निर्भर करती हैं। आप क्यों मानते हैं कि रक्षा एआई का भविष्य विकेंद्रीकृत और डिस्कनेक्टेड वातावरण की ओर बढ़ेगा, न कि केंद्रीकृत क्लाउड आर्किटेक्चर की ओर?

इसके तीन संरचनात्मक कारण हैं। पहला, वर्गीकरण सीमाएं यह意味 करती हैं कि ऑपरेशनल सेंसर डेटा अक्सर साइट से बाहर नहीं जा सकता है। दूसरा, विवादित वातावरण का अर्थ है कि नेटवर्क लिंक को माना नहीं जा सकता है। और अंत में, एक मॉडल जो कार्य करने के लिए क्लाउड कनेक्टिविटी पर निर्भर करता है, सटीक वातावरण में एक एकल बिंदु है जहां यह सबसे अधिक आवश्यक है। ये पसंद नहीं हैं, वे प्रतिबंध हैं जो शुरू से ही क्लाउड-पहले वाले आर्किटेक्चर को अयोग्य ठहराते हैं।

सिंथेटिक डेटा एआई विकास के लिए एक महत्वपूर्ण उपकरण बन रहा है। रक्षा अनुप्रयोगों में, जहां सटीकता का जीवन या मृत्यु परिणाम हो सकता है, सिंथेटिक युद्ध क्षेत्र डेटा का उपयोग करके कंप्यूटर विजन मॉडल को प्रशिक्षित करने की ताकत और सीमाएं क्या हैं?

सिंथेटिक डेटा के कई महत्वपूर्ण लाभ हैं। यह उन परिदृश्यों को उत्पन्न कर सकता है जो क्षेत्र में इकट्ठा करना असंभव या अव्यावहारिक है, उदाहरण के लिए, दुर्लभ खतरे वर्ग, आईआर, प्रतिकूल परिस्थितियां और सटीक सेंसर ज्यामिति। यह मैनुअल लेबलिंग, ऑपरेशनल डेटा जोखिम को भी समाप्त करता है और यह तुरंत बढ़ाया जा सकता है।

स्केलआउट ने वर्षों से फेडरेटेड लर्निंग प्रौद्योगिकियों पर काम किया है जो संगठनों को संवेदनशील डेटा को हिलाए बिना एआई को प्रशिक्षित करने की अनुमति देता है। स्वास्थ्य सेवा, औद्योगिक एआई और अन्य नियंत्रित क्षेत्रों से कौन से सबक अब रक्षा तैनाती में मूल्यवान साबित हो रहे हैं?

जैसे ही एमएल को विनियमित उद्योगों में लागू किया जाने लगा, एक सामान्य पैटर्न उभरा। जो डेटा मॉडल को सबसे अधिक सुधारेगा, वह भी वही डेटा था जिसे हिलाया नहीं जा सकता था।

नाटो और सहयोगी देश तकनीकी संप्रभुता पर बढ़ते ध्यान केंद्रित कर रहे हैं। क्या आप फेडरेटेड लर्निंग को एक रणनीतिक क्षमता के रूप में देखते हैं जो सहयोगी देशों को संवेदनशील ऑपरेशनल डेटा साझा किए बिना एआई विकास पर सहयोग करने की अनुमति देती है?

हाँ, और यह पहले से ही हो रहा है। नाटो डीआईएएनए के तहत एफडीएआईआर कार्यक्रम सीधे तौर पर यह परीक्षण कर रहा है कि क्या सहयोगी देश साझा एआई क्षमता में सुधार कर सकते हैं बिना वर्गीकृत सेंसर डेटा का आदान-प्रदान किए। आर्किटेक्चर का उत्तर है हाँ। प्रत्येक राष्ट्र अपने डेटा पर प्रशिक्षित होता है, वजन अद्यतनों को एक साझा एग्रीगेशन बिंदु में योगदान देता है, और एक सुधारित वैश्विक मॉडल प्राप्त करता है। कोई भी कच्चा डेटा राष्ट्रीय सीमाओं को पार नहीं करता है।

काउंटर-ड्रोन प्रणालियां आधुनिक युद्ध में एआई के सबसे महत्वपूर्ण अनुप्रयोगों में से एक के रूप में उभर रही हैं। विविध और तेजी से बदलते युद्ध के मैदान में संचालित करने के लिए एआई-संचालित काउंटर-ड्रोन प्लेटफ़ॉर्म के लिए अभी भी कौन से तकनीकी बाधाएं हैं?

हमारे दृष्टिकोण से, काउंटर-ड्रोन एआई में तकनीकी चुनौतियां महत्वपूर्ण और संभावित रूप से कम आंकी जाती हैं। सेंसर परिदृश्य ही जटिल है। विभिन्न सेंसर मॉडल विभिन्न डेटा विशेषताओं का उत्पादन करते हैं, और एक मॉडल जो एक पर प्रशिक्षित होता है दूसरे पर साफ़ नहीं हो सकता है। खतरे की विविधता इसे जटिल बनाती है। कम लागत वाले व्यावसायिक मंचों का प्रसार यह意味 करता है कि वस्तुओं की आबादी जिसे एक प्रणाली का पता लगाने और वर्गीकृत करने की आवश्यकता है, वह अधिकांश प्रशिक्षण डेटासेट की तुलना में तेजी से बढ़ रही है।

स्वायत्त प्रणालियों और एआई-सहायता प्राप्त निर्णय लेने के साथ युद्ध बढ़ता है, तो सैन्य संगठनों को क्षेत्र में निरंतर सीखने की आवश्यकता के साथ विश्वसनीयता, पूर्वानुमान और मानव पर्यवेक्षण की आवश्यकता कैसे संतुलित करना चाहिए?

प्लेटफ़ॉर्म को मौजूदा कमांड और नियंत्रण के पूरक के रूप में डिज़ाइन किया गया है, न कि इसका प्रतिस्थापन। पता लगाने वाले टैक्टिकल असॉल्ट किट (टीएके) और मानक कमांड और नियंत्रण (सी2) प्रणालियों में फीड करते हैं मानकीकृत डेटा प्रारूपों और प्रोटोकॉल का उपयोग करके, उन्हें मौजूदा ऑपरेशनल कार्यप्रवाह के भीतर दृश्यीकृत और अभिनय करने की अनुमति देता है। एआई मानव निर्णय लेने की क्षमता को बढ़ाता है, इसे प्रतिस्थापित नहीं करता है।

आगे देखते हुए पांच साल, वर्तमान में तैनात की जा रही सबसे उन्नत सैन्य एआई आर्किटेक्चर से क्या अलग होगा, और कौन सी प्रौद्योगिकियां भविष्य की रक्षा क्षमताओं पर सबसे बड़ा प्रभाव डालेंगी?

वर्तमान विभाजन उन प्रणालियों के बीच है जो क्षेत्र में अनुकूलन कर सकती हैं और जो नहीं कर सकती हैं। आज तैनात की जा रही अधिकांश प्रणालियां स्थिर हैं। पांच साल में, अंतर यह होगा कि अनुकूलन कितनी अच्छी तरह शासित है। जो देश और कार्यक्रम अब इस इन्फ्रास्ट्रक्चर का निर्माण करेंगे, उन्हें एक समग्र लाभ होगा: मॉडल जो ऑपरेशनल डेटा से सुधारित होते हैं, राष्ट्रीय नियंत्रण में, किसी भी विक्रेता के अद्यतन चक्र या किसी भी क्लाउड प्रदाता की उपलब्धता पर निर्भर नहीं है।

साक्षात्कार के लिए धन्यवाद, पाठक जो अधिक जानना चाहते हैं उन्हें स्केलआउट सिस्टम्स पर जाना चाहिए।