Andrei Kulik, XENOM के सह-संस्थापक – साक्षात्कार शृंखला

Andrei Kulik XENOM के सह-संस्थापक और सीईओ हैं। वे औद्योगिक परिचालनों में डिवाइस पर ही चलने वाले एआई, वितरित प्रणालियों और मशीन लर्निंग का अनुभव लेकर आए हैं। इससे पहले, उन्होंने AIMatter की सह-स्थापना की थी, जिसे Google ने अधिग्रहित कर लिया था। उन्होंने Google में उपभोक्ता उपकरणों के लिए एआई प्रणालियों पर भी काम किया। उनका करियर वास्तविक दुनिया के हार्डवेयर और परिवेश की व्यावहारिक सीमाओं के भीतर उन्नत एआई को विश्वसनीय ढंग से काम करने योग्य बनाने पर केंद्रित रहा है।

XENOM एक औद्योगिक एआई प्लेटफ़ॉर्म विकसित करता है, जो सॉफ़्टवेयर को स्मार्ट सुरक्षात्मक उपकरणों के साथ जोड़कर ऑपरेटरों को अपने कार्यस्थलों की वास्तविक समय की जानकारी देता है। इसकी प्रणाली में लोकेशन निर्धारण, कार्यबल संचार, पर्यावरण संवेदन और सुरक्षा संबंधी डेटा एक साथ शामिल हैं। इस साक्षात्कार में Kulik, एज एआई, स्मार्ट हेलमेट, मानवीय निगरानी, कामगारों की निजता और औद्योगिक निगरानी से आगे बढ़कर पूर्वानुमान-आधारित निर्णय सहायता तक पहुँचने के रास्ते पर चर्चा करते हैं।

आपने पहले AIMatter की सह-स्थापना की थी, जिसे Google ने अधिग्रहित कर लिया था, और उपभोक्ता उपकरणों पर सीधे चलने के लिए डिज़ाइन की गई एआई प्रणालियाँ विकसित करने में कई साल बिताए। XENOM की सह-स्थापना करने की प्रेरणा आपको कहाँ से मिली, और Google में आपके अनुभव ने औद्योगिक परिवेश में एआई लाने की आपकी परिकल्पना को किस तरह आकार दिया?

अधिग्रहण के बाद, मैंने एक खास समस्या पर काम करते हुए कई साल बिताए: सीमित बैटरी, अनिश्चित कनेक्टिविटी और ऐसी वास्तविक परिस्थितियों के बीच, जिनका प्रयोगशाला में पूरी तरह अनुकरण नहीं किया जा सकता, जेब में समा जाने वाले डिवाइस पर उन्नत एआई को विश्वसनीय ढंग से कैसे चलाया जाए। हमने इस तकनीक को फ़ोन, चश्मों और ईयरबड्स—अरबों उपकरणों—में उपलब्ध कराया। कुछ समय बाद मैंने खुद से पूछना शुरू किया कि यह आर्किटेक्चर और कहाँ उपयोगी हो सकता है। उपभोक्ता उपकरण सुविधाजनक हैं, लेकिन औद्योगिक स्थलों पर गलत निर्णय—या कोई निर्णय न लेने—की कीमत इंसानी जानों और उत्पादकता में लाखों के नुकसान के रूप में चुकानी पड़ती है। आज भी ज़्यादातर औद्योगिक स्थलों पर वहाँ क्या हो रहा है, इसकी वास्तविक समय की तस्वीर उपलब्ध नहीं है। यह कमी हमें उस तकनीक के लिए बिल्कुल सही समस्या लगी, जिसे विकसित करने में हमने कई साल लगाए थे।

XENOM एआई-संचालित सॉफ़्टवेयर को स्मार्ट सुरक्षात्मक उपकरणों के साथ जोड़कर औद्योगिक परिचालनों की वास्तविक समय में जानकारी देता है। पारंपरिक औद्योगिक सुरक्षा प्रणालियों में सबसे बड़ी कमियाँ क्या हैं, और आपका प्लेटफ़ॉर्म उन चुनौतियों से निपटने में किस तरह मदद करता है जिन्हें हल करने में पारंपरिक निगरानी तकनीकों को कठिनाई होती है?

बुनियादी समस्या यह है कि ज़्यादातर प्रणालियाँ इस बात का रिकॉर्ड रखने के लिए बनाई गई थीं कि क्या हुआ, न कि उसे होने से रोकने के लिए। किसी कामगार की लोकेशन हर कुछ मिनट में अपडेट होती है। शिफ़्ट के अंत में टाइमशीट भरी जाती है। सुरक्षा उल्लंघनों का रिकॉर्ड घटना की रिपोर्ट दर्ज होने के बाद बनाया जाता है। जब तक प्रबंधक को डेटा दिखाई देता है, तब तक शिफ़्ट खत्म हो चुकी होती है या दुर्घटना हो चुकी होती है। दूसरी बड़ी कमी है—बिखराव। किसी कंपनी के पास गैस निगरानी की एक प्रणाली, उससे अलग प्रवेश-नियंत्रण प्रणाली, कागज़ पर आधारित PPE जाँच-सूची और टाइमशीट भरने की मैन्युअल प्रक्रिया हो सकती है; इनमें से कोई भी एक-दूसरे से संवाद नहीं करता। XENOM इन सभी की जगह स्थल से लगातार मिलने वाले डेटा की एक ही धारा उपलब्ध कराता है। इस डेटा का वास्तविक समय में विश्लेषण होता है, जिससे प्रबंधक को पाँच अलग-अलग, असंबद्ध तस्वीरों के बजाय एक सुसंगत तस्वीर मिलती है।

आपके करियर का बड़ा हिस्सा सीमित संसाधनों वाले उपकरणों के लिए मशीन लर्निंग और एलएलएम इन्फरेंस को बेहतर बनाने पर केंद्रित रहा है। आप इन सिद्धांतों को औद्योगिक परिवेश में कैसे लागू कर रहे हैं, और क्लाउड ढाँचे पर निर्भर रहने के बजाय एज पर एआई कार्यभार संसाधित करने के तकनीकी लाभ क्या हैं?

सीमित संसाधनों वाले उपकरणों के साथ काम करने से एक अनुशासन सीखने को मिलता है: हर मिलीसेकंड, हर मिलीवॉट और हर बाइट का औचित्य होना चाहिए। औद्योगिक हेलमेट के लिए यही सोच ज़रूरी है, क्योंकि इसे पूरी शिफ़्ट पहना जाता है और इसे ग्यारहवें घंटे में भी उतनी ही निरंतरता से काम करना होता है जितनी पहले घंटे में। हम काम को सोच-समझकर बाँटते हैं: आवाज़ की धारा और सेंसर संकेतों को संसाधित करने या गिरने और टकराने की घटनाओं का पता लगाने जैसे समय-संवेदी, डेटा-प्रधान काम हेलमेट के NPU पर चलते हैं। इसके लिए ऐसे मॉडल इस्तेमाल किए जाते हैं जिन्हें उस हार्डवेयर के लिए संपीड़ित और अनुकूलित किया गया है। वहीं, पूरे स्थल की तस्वीर और गहन विश्लेषण प्लेटफ़ॉर्म पर तैयार किए जाते हैं।

एज पर संसाधन करने से हमें चार व्यावहारिक लाभ मिलते हैं। पहला है गति: सर्वर से संपर्क करके वापस आने की प्रतीक्षा किए बिना डिवाइस किसी घटना पर तुरंत प्रतिक्रिया देता है। दूसरा है विश्वसनीयता: डिवाइस पर चलने वाला सरल मॉडल अनुमानित ढंग से काम करता है, जबकि प्रक्रिया की हर अतिरिक्त कड़ी विफलता का एक और संभावित कारण बनती है। तीसरा है नेटवर्क पर कम भार: सैकड़ों हेलमेट लगातार कच्ची ऑडियो और सेंसर जानकारी स्ट्रीम नहीं कर सकते, इसलिए हर हेलमेट विश्लेषण का नतीजा भेजता है। चौथा है बैटरी की अवधि: डेटा भेजना डिवाइस में सबसे अधिक ऊर्जा खपत करने वाले कामों में से एक है, इसलिए डिवाइस पर ही संसाधन करके कम डेटा भेजने से काम करने का समय बढ़ता है।

XENOM ने ऐसे स्मार्ट हेलमेट विकसित किए हैं जिनमें लोकेशन निर्धारण, संचार, पर्यावरण संवेदन और एआई क्षमताएँ एकीकृत हैं। इन तकनीकों को एक साथ जोड़ने में सबसे कठिन इंजीनियरिंग चुनौतियाँ क्या थीं—खासकर ऐसे परिवेश में जहाँ कनेक्टिविटी, बैटरी की अवधि और विश्वसनीयता अनिश्चित हो सकती है?

सबसे बड़ी चुनौती कोई एक तकनीक नहीं थी—बल्कि ऐसी परिस्थितियों में इन सभी को एक ही उपकरण में भरोसेमंद ढंग से साथ काम करने लायक बनाना था, जो अधिकांश उपभोक्ता इलेक्ट्रॉनिक्स को खराब कर सकती हैं। औद्योगिक स्थल गंदे होते हैं, वहाँ शारीरिक श्रम कठिन होता है और तापमान भी चरम पर पहुँच सकता है। हेलमेट गिरता है, बारिश में भीगता है और बारह घंटे की शिफ्ट में पहना जाता है। जब पोज़िशनिंग, सेंसर, संचार और AI अनुमान एक साथ चल रहे हों, तब बैटरी की अवधि एक वास्तविक सीमा बन जाती है। फिर कनेक्टिविटी की संरचना की चुनौती थी: बाहर RTK उपग्रह पोज़िशनिंग और अंदर हमारे स्वामित्व वाले UWB मेश नेटवर्क के बीच निर्बाध रूप से स्विच करना ज़रूरी था, ताकि किसी कर्मचारी के एक से दूसरे क्षेत्र में जाने पर सटीकता में कोई कमी न आए। इस बदलाव को अपने-आप, भरोसेमंद ढंग से और वास्तविक समय में करना हमारे लिए सबसे तकनीकी रूप से चुनौतीपूर्ण कामों में से एक था।

आपकी टीम ने एक ऐसा वॉइस AI मॉडल विकसित किया है, जो बोलने के ढंग से शराब के नशे के संकेत पहचान सकता है। इसके प्रदर्शन के बारे में बताया गया है कि वह पहले के अकादमिक मानकों से बेहतर है। इसे संभव बनाने वाली तकनीकी प्रगति क्या थीं, और अलग-अलग भाषाओं, लहजों, पृष्ठभूमि के शोर के स्तरों तथा वास्तविक कामकाजी परिस्थितियों में आप इस प्रणाली की विश्वसनीयता की पुष्टि कैसे करते हैं?

मुख्य बात यह समझना था कि नशे की स्थिति बोलने के सूक्ष्म ढर्रों में पहचानने योग्य संकेत छोड़ती है—शब्दों में नहीं, बल्कि ध्वनि-संबंधी विशेषताओं में: बोलने की गति, आवाज़ के उतार-चढ़ाव और उच्चारण की स्पष्टता में। हमने एक ऐसा मॉडल बनाया, जो सामान्य वॉइस संचार के दौरान पृष्ठभूमि में इन ढर्रों का विश्लेषण करता है; इसके लिए किसी खास जाँच या कर्मचारी की ओर से कोई कार्रवाई आवश्यक नहीं होती। 86.7% सटीकता का आँकड़ा प्रकाशित अकादमिक डेटासेट के आधार पर कठोर मानक-परीक्षणों से प्राप्त हुआ। वास्तविक परिस्थितियों में पुष्टि के लिए हम अलग-अलग भाषाओं, लहजों और पृष्ठभूमि के शोर वाली परिस्थितियों में परीक्षण करते हैं, जो वास्तविक औद्योगिक स्थलों—भारी मशीनों, हवा और एक साथ बोलते कई लोगों—की स्थिति का प्रतिनिधित्व करती हैं। मॉडल को इतना सक्षम होना था कि वह ऐसी परिस्थितियों में भी काम करे, जो नियंत्रित अध्ययन से बिल्कुल अलग हैं। इसके लिए प्रशिक्षण डेटा में व्यापक विविधता और बार-बार सुधार की ज़रूरत पड़ी।

कर्मचारियों में काम करने की अक्षमता या थकान पहचानने के लिए बनाई गई AI प्रणालियाँ गलत सकारात्मक नतीजों और जवाबदेही को लेकर गंभीर सवाल खड़े करती हैं। शुरुआती जोखिम-पहचान और मानवीय पुष्टि की ज़रूरत के बीच XENOM संतुलन कैसे बनाता है, और गलत AI आकलन से किसी कर्मचारी पर अनुचित असर पड़ने से रोकने के लिए कौन-से सुरक्षा उपाय हैं?

हमने शुरुआत से ही इस बारे में बहुत सोच-समझकर काम किया। यह प्रणाली किसी चिंता की सूचना पर्यवेक्षक को देने के लिए बनाई गई है, न कि अपने-आप कोई कार्रवाई करने के लिए। संभावित अक्षमता के बारे में AI का आकलन होने पर इंसान जाँच करता है—पर्यवेक्षक कर्मचारी को सीधे देख सकता है, सवाल पूछ सकता है या ज़रूरत पड़ने पर शारीरिक जाँच का अनुरोध कर सकता है। AI किसी को कार्यस्थल से नहीं हटाता। यह इंसान को वह जानकारी देता है, जिसकी मदद से वह अन्यथा की तुलना में अधिक तेज़ी से निर्णय ले सकता है। हम तैनाती के दौरान गलत सकारात्मक नतीजों की दर पर भी नज़र रखते हैं और मॉडल में लगातार सुधार करते हैं। लक्ष्य उन घटनाओं की संख्या घटाना है जो इसलिए होती हैं क्योंकि किसी का ध्यान उन पर नहीं गया—न कि ऐसी प्रणाली बनाना जो केवल किसी एल्गोरिदम के आधार पर कर्मचारियों को दंडित करे।

XENOM की स्थापना से पहले, आपने OneSoil के CTO के रूप में काम किया, जहाँ आपने कृषि की निगरानी और उत्पादकता विश्लेषण के लिए कंप्यूटर विज़न और मशीन लर्निंग का इस्तेमाल किया। कृषि क्षेत्र में AI तैनात करने से मिले कौन-से सबक निर्माण स्थलों, खदानों, बंदरगाहों और ऊर्जा सुविधाओं के लिए बुद्धिमान प्रणालियाँ बनाते समय सबसे उपयोगी साबित हुए हैं?

वास्तविक दुनिया में AI तैनात करना, सॉफ़्टवेयर में इसे लागू करने से बुनियादी तौर पर अलग चुनौती है। वहाँ परिस्थितियाँ बदलती रहती हैं, उपकरण हर बार एक जैसा व्यवहार नहीं करते और ऐसे संचालक होते हैं जो दशकों से अपना काम कर रहे हैं तथा उन्हें अलग ढंग से काम करने को कहने वाली किसी भी चीज़ पर गहरा संदेह करते हैं। औद्योगिक स्थलों पर भी यही स्थिति रहती है। तकनीक को लोगों की अपेक्षा से अधिक बार भरोसेमंद ढंग से सही साबित होकर उनका विश्वास जीतना होता है। साथ ही, इसे इतना सरल होना चाहिए कि पचास लोगों की टीम संभालने वाला व्यक्ति बिना प्रशिक्षण के भी इसका इस्तेमाल कर सके। एक और सबक यह है कि वास्तविक कार्यस्थल पर डेटा की गुणवत्ता लगभग हमेशा आपकी अपेक्षा से खराब होती है। आपको ऐसी प्रणालियाँ बनानी होती हैं जो शोर, डेटा की कमी और उन अपवादस्वरूप स्थितियों के बावजूद भरोसेमंद ढंग से काम करें, जो स्वच्छ डेटासेट में कभी दिखाई नहीं देतीं।

औद्योगिक AI प्लेटफ़ॉर्म कर्मचारियों के स्थान, गतिविधियों, संचार और उत्पादकता के बारे में विस्तृत जानकारी जुटा सकते हैं। इन तकनीकों से सुरक्षा और परिचालन दक्षता में वास्तविक सुधार सुनिश्चित करते हुए आप डेटा गोपनीयता, कर्मचारियों की सहमति और कार्यस्थल पर निगरानी की आशंका से कैसे निपटते हैं?

हम इस बारे में उद्देश्य-सीमा के सिद्धांत के तहत सोचते हैं। XENOM जो डेटा जुटाता है, उसका उपयोग सुरक्षा और परिचालन संबंधी जानकारी के लिए होता है—यह उत्पादकता पर निगरानी रखने का साधन नहीं है और इसका इस्तेमाल इस उद्देश्य से नहीं किया जाना चाहिए। तैनाती से पहले हम संचालकों के साथ मिलकर डेटा के प्रबंधन की स्पष्ट नीतियाँ तय करते हैं: क्या जुटाया जाएगा, उसे कितने समय तक रखा जाएगा, किसे उस तक पहुँच होगी और किन परिस्थितियों में उसका उपयोग कर्मचारियों से जुड़े किसी निर्णय में किया जा सकता है। उत्पादकता के विश्लेषण के लिए कर्मचारियों के स्थान से जुड़ा डेटा एकत्रित और गुमनाम किया जाता है। आपात स्थिति में कार्रवाई के लिए सुरक्षा पर्यवेक्षकों को किसी व्यक्ति की स्थिति जानने की सुविधा होती है, लेकिन प्रदर्शन के मूल्यांकन के लिए लाइन मैनेजरों को ऐसी सुविधा नहीं दी जाती। जैसे-जैसे EU AI Act का दायरा औद्योगिक AI प्रणालियों तक बढ़ेगा, हमें उम्मीद है कि नियामक ढाँचे इनमें से कई बातों को औपचारिक रूप देंगे। हम नियमों का पालन करने के लिए आखिरी समय में भाग-दौड़ करने के बजाय उनसे पहले ही तैयारी करना पसंद करेंगे।

नियंत्रित प्रयोगशाला परिवेशों से AI को सुरक्षा-महत्वपूर्ण औद्योगिक संचालन में लाने पर ऐसी चुनौतियाँ सामने आती हैं, जिनका सामना केवल सॉफ़्टवेयर बनाने वाली AI कंपनियों को शायद ही कभी करना पड़ता है। XENOM की वास्तविक परिस्थितियों में तैनाती के दौरान आपको सबसे ज़्यादा किस बात ने चौंकाया, और आप कैसे मापते हैं कि यह तकनीक दुर्घटनाओं की रोकथाम, परिचालन दक्षता और कार्यबल की उत्पादकता में सार्थक सुधार ला रही है या नहीं?

सबसे बड़ा आश्चर्य यह है कि लोगों की मौजूदगी और समय के उपयोग की सटीक तस्वीर भर से कितना फ़ायदा हो सकता है। हमें लगा था कि ऑपरेटरों के साथ बातचीत में सुरक्षा का मुद्दा सबसे प्रमुख होगा। लेकिन हमने पाया कि उत्पादकता की स्पष्ट जानकारी—जैसे यह समझना कि शिफ़्टों में समय कहाँ नष्ट हो रहा है, कुछ दल दूसरे दलों से बेहतर प्रदर्शन क्यों करते हैं और अड़चनें कहाँ हैं—अक्सर निवेश पर तेज़ी से प्रतिफल देती है और मंच के लिए संगठन के भीतर समर्थक भी कहीं जल्दी तैयार करती है। दूसरा आश्चर्य यह है कि अलग-अलग उद्योगों के बीच, और एक ही उद्योग के अलग-अलग कार्यस्थलों के बीच भी, कितना अंतर होता है। जर्मनी में निर्माण क्षेत्र का कामकाज संयुक्त अरब अमीरात के निर्माण क्षेत्र से बहुत अलग है। काफ़ी बदलाव किए बिना एक ही उत्पाद बनाकर यह मान लेना संभव नहीं कि वह हर जगह उपयुक्त होगा।

आगे की ओर देखते हुए, XENOM ऐसे औद्योगिक AI सह-पायलट की कल्पना करता है जो निगरानी से आगे बढ़कर जोखिमों का अनुमान लगा सके और परिचालन संबंधी फैसलों की सिफ़ारिश कर सके। आपके विचार में अगले पाँच वर्षों में भौतिक AI किस तरह विकसित होगा, और अधिक स्वायत्तता से काम करने के साथ-साथ मानवीय निगरानी बनाए रखने के लिए औद्योगिक AI प्रणालियों को अभी किन तकनीकी सफलताओं की ज़रूरत है?

औद्योगिक AI की मौजूदा स्थिति मुख्यतः दृश्यता तक सीमित है—यानी यह जानना कि क्या हो रहा है। अगला चरण पूर्वानुमान का है: किसी घटना या उत्पादकता में गिरावट से पहले उन संकेतों की पहचान करना जो उसकी आशंका जताते हैं। इसके लिए समय के साथ बड़े पैमाने पर संरचित और लेबलयुक्त डेटा जमा करना ज़रूरी है; XENOM पहले दिन से यही कर रहा है। उसके बाद का चरण सिफ़ारिशों का है: प्रणाली केवल यह नहीं बताती कि क्या होने की संभावना है, बल्कि यह भी सुझाती है कि उसके बारे में क्या किया जाए—लोगों को दूसरी जगह कैसे तैनात करें, कोई काम कब रोकें और किसी दिए गए कार्य के लिए किस दल-संयोजन से सबसे अच्छे नतीजे मिलेंगे। Industrial AI Copilot के ज़रिए हम इसी तीसरे चरण की ओर बढ़ रहे हैं। इसके लिए ज़रूरी तकनीकी सफलता मुख्यतः मॉडलिंग में प्रगति का मामला नहीं, बल्कि डेटा का मामला है। ऐसा मॉडल प्रशिक्षित करने के लिए आपको पर्याप्त विविध कार्यस्थलों से उच्च गुणवत्ता वाला पर्याप्त परिचालन डेटा चाहिए, जो भरोसेमंद ढंग से अन्य जगहों पर भी लागू हो सके। जो कंपनियाँ अभी से यह डेटा जुटाना शुरू करेंगी, उन्हें ऐसा लाभ मिलेगा जिसकी बाद में बराबरी करना बेहद मुश्किल होगा।

इस शानदार साक्षात्कार के लिए धन्यवाद। एज AI, स्मार्ट सुरक्षात्मक उपकरणों और औद्योगिक सुरक्षा की वास्तविक समय में निगरानी के बारे में जानने के इच्छुक पाठक XENOM की वेबसाइट पर जाएँ।