एंड्र्यू जॉनसन, Yardstik के सीईओ – साक्षात्कार श्रृंखला

Andrew Johnson, Yardstik के सीईओ, एक अनुभवी प्रौद्योगिकी कार्यकारी हैं जिनका पृष्ठभूमि तेज़ी से बढ़ते सॉफ़्टवेयर कंपनियों को स्केल करने, गो‑टू‑मार्केट संगठनों का निर्माण करने, और एंटरप्राइज़ राजस्व बढ़ाने में है। उन्होंने 2022 में Yardstik में मुख्य संचालन अधिकारी (Chief Operating Officer) के रूप में कार्य शुरू किया और अक्टूबर 2024 में सीईओ पद पर पदोन्नत हुए। पहले, Johnson ने Branch में मुख्य राजस्व अधिकारी (Chief Revenue Officer) के रूप में सेवा की, जहाँ उन्होंने कार्यबल भुगतान कंपनी को तेज़ विकास के चरण से गुजरने में मदद की, और Dialpad में पाँच से अधिक वर्षों तक काम किया, जिसमें एंटरप्राइज़ बिक्री प्रमुख (Head of Enterprise Sales) के रूप में उनके यू.एस. और कनाडाई बिक्री संचालन को बनाना शामिल था। अपने करियर की शुरुआत में, उन्होंने Compellent Technologies में व्यापार और साझेदार विकास भूमिकाएँ निभाई, जिसे 2011 में Dell ने लगभग $960 मिलियन में अधिग्रहित किया।

Yardstik एक मिनियापोलिस-आधारित कार्यबल ट्रस्ट प्रौद्योगिकी कंपनी है, जिसकी स्थापना 2020 में हुई, जो धोखाधड़ी रोकथाम, पहचान सत्यापन, पृष्ठभूमि स्क्रीनिंग, प्रमाणपत्र सत्यापन और अपने Human Trust Platform के माध्यम से निरंतर कार्यबल निगरानी प्रदान करती है। कंपनी एक API‑first आर्किटेक्चर के चारों ओर निर्मित है, जो उसकी तकनीक को सीधे आवेदक ट्रैकिंग सिस्टम, मानव पूँजी प्रबंधन प्लेटफ़ॉर्म, गिग मार्केटप्लेस और अन्य कार्यबल अनुप्रयोगों में एकीकृत करने की अनुमति देता है। Yardstik Model Context Protocol (MCP) को भी समर्थन देता है, जिससे AI एजेंट उसके ट्रस्ट इन्फ्रास्ट्रक्चर से जुड़कर पृष्ठभूमि जांच, पहचान सत्यापन, प्रमाणपत्र स्क्रीनिंग, पुनः‑स्क्रीनिंग और AI‑चलित भर्ती एवं ऑनबोर्डिंग सिस्टम में निर्णय प्रक्रियाओं जैसे कार्यप्रवाहों को स्वचालित कर सकते हैं।

Yardstik में शामिल होने से पहले, आपने Branch में पाँच से अधिक वर्षों तक कार्य किया, जहाँ आपने प्रत्यक्ष रूप से एक धोखाधड़ी समूह को देखा जिसने चोरी किए गए सोशल सिक्योरिटी नंबरों का उपयोग करके अन्य लोगों की पहचान के तहत नौकरियों को प्राप्त किया। इस अनुभव ने पृष्ठभूमि स्क्रीनिंग के बारे में आपके विचारों को कैसे बदल दिया, और आपने कब महसूस किया कि पहचान सत्यापन को केवल भर्ती के समय एक बार की जांच से परे विस्तारित करने की आवश्यकता है?

जब मैं Branch में था, हमारे सबसे बड़े ग्राहकों में से एक को वेनेजुएला से आने वाले एक धोखाधड़ी समूह ने प्रभावित किया, जो गिग प्लेटफ़ॉर्म पर अक्सर देखा जाता है। वे अमेरिकियों के सोशल सिक्योरिटी नंबरों को चुरा कर उन लोगों को बेच रहे थे जिनके पास यू.एस. में काम करने की स्थिति नहीं थी। कोई व्यक्ति चोरी की गई पहचान के तहत आवेदन करता, डिलीवरी शुरू करता, और सब कुछ टैक्स सीज़न तक ठीक लग रहा था, जब वास्तविक SSN धारक को उस काम के लिए 1099 बिल मिला जो उन्होंने कभी नहीं किया था। यह पहली बार था जब मैंने देखा कि धोखाधड़ी भर्ती निर्णय के बाद, न कि उसके दौरान, सामने आई।

वह क्षण वास्तव में मेरे लिए चीज़ों को पुनः परिभाषित कर गया। मुझे एहसास हुआ कि कितनी बार वे लोग जो पृष्ठभूमि जांच पास करते हैं, वही व्यक्ति नहीं होते जो नौकरी पर आते हैं। उदाहरण के लिए, एक साफ़ रिकॉर्ड वाला व्यक्ति स्क्रीनिंग पूरी करता है, फिर एक परिवार सदस्य जो इसे पास नहीं कर सकता था, वास्तविक शिफ़्ट ले लेता है। पृष्ठभूमि जांच इसे पकड़ने का कोई तरीका नहीं रखती, क्योंकि यह केवल कागज़ पर आवेदक को एक बार, शुरुआत में ही देखती है। जब मैं Yardstik में शामिल हुआ, तो मैंने Branch में अपने अनुभव से सीखा हुआ ज्ञान लेकर टीम के साथ मिलकर हमारे ग्राहकों के लिए निरंतर निगरानी दृष्टिकोण बनाया।

जनरेटिव AI ने नकली पहचान, जाली प्रमाणपत्र, सिंथेटिक प्रोफ़ाइल, और यहाँ तक कि विश्वसनीय डीपफ़ेक बनाने की बाधा को काफी हद तक कम कर दिया है। आज कौन-से AI-सक्षम धोखाधड़ी तकनीकें सबसे तेज़ी से विकसित हो रही हैं, और किनके लिए आप मानते हैं कि नियोक्ता सबसे कम तैयार हैं?

वर्तमान में सबसे तेज़ी से बढ़ता धोखाधड़ी चमकदार डीपफ़ेक वीडियो नहीं है। यह सिंथेटिक पहचान है: एक वास्तविक सोशल सिक्योरिटी नंबर को एक नकली नाम और एक बनावटी कार्य इतिहास के साथ मिलाकर, ऐसा कुछ तैयार किया जाता है जो पहली बार जांच पर साफ़ दिखता है। AI उपकरण जो एक परिष्कृत रिज़्यूमे और मिलते-जुलते प्रमाणपत्र बनाते हैं, जोड़ें, और आपके पास एक आवेदक हो जाता है।

नियोक्ताओं के लिए सबसे कम तैयार रहने वाला पहलू दूरस्थ, कभी व्यक्तिगत रूप से न मिले हुए नियुक्ति है। गिग प्लेटफ़ॉर्म, दूरस्थ आईटी भूमिकाएँ, वर्चुअल कॉल सेंटर। यदि कंपनी में कोई भी इस व्यक्ति को कभी नहीं देखता, तो वह सभी संकेत जो पहले धोखेबाज़ को पकड़ते थे (नर्वस इंटरव्यू, व्यक्तिगत रूप से थोड़ा असामान्य दिखने वाला ID) गायब हो जाते हैं। यही वह जगह है जहाँ दूरस्थ भर्ती धोखाधड़ी रिंग्स काम कर रही हैं और अधिकांश कंपनियाँ इसे दूसरों की समस्या मानती हैं जब तक कि यह उनके साथ नहीं हो जाता।

Yardstik ने पारंपरिक पृष्ठभूमि स्क्रीनिंग से एक व्यापक प्लेटफ़ॉर्म की ओर कदम बढ़ाया है जो AI धोखाधड़ी रोकथाम, पहचान सत्यापन, प्रमाणपत्र सत्यापन और निरंतर निगरानी को संयोजित करता है। इन संकेतों को जोड़ने में AI क्या भूमिका निभाता है, और सिस्टम क्या पता लगा सकता है जो एक सामान्य पृष्ठभूमि जांच नहीं कर सकती?

Yardstik एक पृष्ठभूमि स्क्रीनिंग कंपनी के रूप में शुरू हुआ, और अधिकांश ग्राहकों के लिए यह अभी भी हमारे कार्य का मूलभूत हिस्सा है। लेकिन पृष्ठभूमि जांच एक एकल लेनदेन है: इसे चलाएँ, उत्तर प्राप्त करें, डेटा फेंक दें। धोखाधड़ी रोकथाम, पहचान सत्यापन, प्रमाणपत्र जांच और निगरानी को एक साथ जोड़ने वाली बात यह है कि हम डेटा को नहीं फेंकते। हम समय के साथ उम्मीदवार की प्रोफ़ाइल बनाए रखते हैं, और प्रत्येक नई जांच इसे शून्य से शुरू करने के बजाय उसमें जोड़ती है।

यही वह कारण है जिससे हम ऐसी चीज़ें पकड़ सकते हैं जो एक बार की जांच कभी नहीं पकड़ सकती। उदाहरण के लिए, हमारे एक ग्राहक के साथ धोखेबाज़ लगातार एजेंट खातों में प्रवेश करने की कोशिश कर रहे थे, जिनके पास ग्राहक कर डेटा तक पहुँच थी। क्योंकि हम एक ही डिवाइस या थोड़ी बदलती हुई पहचान को कई प्रयासों में देख सकते थे, हम इसे स्क्रीनिंग निर्णय बनने से पहले रोक सके। एक बार की जांच प्रत्येक आवेदन को अलग‑अलग देखती और सभी को पास कर देती।

Yardstik व्यक्तिगत पहचान डेटा, भुगतान गतिविधि, और डिवाइस या स्थान संकेतकों जैसे संकेतों का उपयोग करके संभावित पहचान धोखाधड़ी का पता लगाता है। आप वास्तव में संदेहास्पद व्यवहार को असामान्य लेकिन वैध व्यवहार से कैसे अलग करते हैं, विशेषकर जब AI मॉडल जटिल पैटर्न का मूल्यांकन करने के लिए जिम्मेदार होते जा रहे हैं?

हम संदेहास्पद और असामान्य के बीच कठोर सीमा खींचने की कोशिश नहीं करते, क्योंकि अधिकांश समय जब हम इसे देखते हैं तो ऐसी कोई स्पष्ट सीमा नहीं होती। हम जो करते हैं वह है अंतर को उजागर करना। यदि किसी के आवेदन में एक स्कूल लिखा है, और एक साल बाद उसी पहचान के तहत नया आवेदन अलग स्कूल दिखाता है, तो यह दोबारा जांच का योग्य है। यदि कोई हमेशा iPhone से आवेदन करता रहा और अब Android पर नया IP पता दिखा रहा है, तो वही बात है। इनमें से कोई भी अकेले धोखाधड़ी नहीं दर्शाता, लेकिन कई संकेत मिलकर जोखिम प्रोफ़ाइल को बढ़ा देते हैं। हम वह परत हैं जो पिछले बार से क्या बदला है उसे चिन्हित करती है और नियोक्ताओं को अधिक डेटा प्रदान करती है ताकि वे सूचित निर्णय ले सकें।

Yardstik के अनुसार लगभग 30 में से 1 आवेदक सरकारी पहचान सत्यापन में असफल होता है, जबकि दैनिक आधार पर फ़्लैग किए गए या डुप्लिकेट सोशल सिक्योरिटी नंबर ब्लॉक किए जाते हैं। इस डेटा से आप कार्यबल धोखाधड़ी के विकास के बारे में क्या सीख रहे हैं, और आप कितनी बार ऐसा देखते हैं कि यह व्यवस्थित है न कि अवसरवादी?

यह डेटा बताता है कि भर्ती में पहचान धोखाधड़ी अब एक किनारी समस्या नहीं रही। यह किसी भी वास्तविक पैमाने पर व्यवसाय करने की मूल लागत बन गई है, बिलकुल उसी तरह जैसे भुगतान में चार्जबैक मूलभूत होते हैं। इसका एक महत्वपूर्ण हिस्सा व्यवस्थित दिखता है, न कि अवसरवादी। अवसरवादी धोखाधड़ी अक्सर एक बार की होती है: कोई रिज्यूमे में झूठ जोड़ता है, या स्नातक तिथि को बदल देता है। व्यवस्थित धोखाधड़ी में पैटर्न दिखता है, वही डिवाइस या लगभग समान पहचान विभिन्न नियोक्ताओं के लिए एक ही प्रकार की नौकरी का प्रयास करती है, कभी‑कभी एक‑एक विवरण बदलकर यह देखती है कि क्या पास हो जाता है। यही वह संस्करण है जिसे मैंने सालों पहले चोरी किए गए SSN को पुनः बेचते हुए देखा था, और आज भी देखता हूँ। अब यह केवल स्वचालित हो गया है, और जनरेटिव टूल्स ने नकली पहचान को सस्ता बना दिया है, इसलिए मात्रा बहुत अधिक है।

पहचान सत्यापन में अब सरकारी आईडी, बायोमेट्रिक्स, लिवनेस चेक, डिवाइस संकेत और अन्य जोखिम संकेत शामिल हो रहे हैं। जैसे-जैसे जनरेटिव मॉडल वास्तविक दस्तावेज़, चेहरे और आवाज़ें बनाने में अधिक सक्षम होते जा रहे हैं, कौन से संकेत आपके अनुसार हमलावरों के लिए नकली बनाना सबसे कठिन रहेगा?

एकल वस्तु—फ़ोटो, दस्तावेज़, या छोटा वीडियो—को आप जितना भी जनरेट कर सकते हैं, वह अधिक विश्वसनीय रूप से नकली बनाना आसान होता जा रहा है। जो चीज़ नकली बनाना कठिन रहती है वह है समय के साथ निरंतरता, विभिन्न स्थानों में जो कोई एक साथ नियंत्रित नहीं करता। एक सिंथेटिक पहचान एक लिवनेस चेक को पास कर सकती है यदि डीपफ़ेक पर्याप्त अच्छा हो। लेकिन उसी पहचान के पास समान डिवाइस इतिहास, समान स्थान पैटर्न, और ऐसा कार्य इतिहास होना बहुत कठिन है जो वास्तविक व्यक्ति के नियोक्ता और वर्षों के अनुसार मेल खाता हो। यही निरंतर मॉनिटरिंग के पीछे का विचार है, न कि एक बार के सत्यापन का। पारंपरिक चेक आपको एक फ़ोटो, एक फ्रेम, एक बार देता है। हमारा सिस्टम एक लाइव फ़ीड जैसा व्यवहार करता है, क्योंकि इसे इस तरह बनाया गया है कि जब फ्रेम आपस में मेल नहीं खाने लगें तो वह पहचान ले सके।

निरंतर मॉनिटरिंग एक बार की सत्यापन से लेकर कार्यकर्ता के जीवन‑चक्र में भरोसे का मूल्यांकन करने की दिशा में एक बड़ा बदलाव दर्शाती है। आप ऐसे सिस्टम को कैसे डिजाइन करते हैं कि अनावश्यक निगरानी, झूठी सकारात्मक परिणाम या ऐसे निर्णय न हों जिन्हें कार्यकर्ता समझ न सकें या चुनौती न दे सकें?

निगरानी का मतलब है किसी को देखना जो नहीं जानता कि उसे देखा जा रहा है। यही इस प्रक्रिया में नहीं होता। हम जिन प्रत्येक कार्यकर्ता की निगरानी करते हैं, उन्होंने लिखित सहमति दी होती है, उन्हें ठीक‑ठीक पता होता है कि क्या जांचा जा रहा है, और कानून के तहत हमें उन्हें हमारी खोज की एक प्रति देना अनिवार्य है तथा यदि वह गलत हो तो उसे चुनौती देने का तरीका भी देना पड़ता है। यह सब वैकल्पिक नहीं है। यह FCRA के तहत अनिवार्य है।

दूसरा पहलू यह है कि हम स्वयं निर्णय नहीं लेते। यदि हम जिस व्यक्ति की निगरानी कर रहे हैं, उस पर कोई गिरफ्तारी का रिकॉर्ड आता है, तो यह नियोक्ता के लिए एक संकेत है कि वह जांच करे, न कि अंतिम फैसला। उचित प्रक्रिया अभी भी लागू रहती है। नियोक्ताओं को उम्मीदवार को सूचित करना चाहिए, उसे जवाब देने का अवसर देना चाहिए, और फिर अंतिम निर्णय लेना चाहिए। हमारा काम केवल यह उजागर करना है कि कुछ बदल गया है; नियोक्ता तय करता है कि इसका क्या अर्थ है और क्या करना है, बिलकुल उसी तरह जैसे वे भर्ती के समय एक चेक के साथ करते हैं। हमने इसे जानबूझकर इस तरह बनाया है।

जैसे ही भर्ती और कार्यबल प्रबंधन अधिक स्वायत्त होते जा रहे हैं, AI एजेंट द्वारा भरोसे के संकेत एकत्र करने और मूल्यांकन करने तथा वास्तविक भर्ती निर्णय लेने के बीच सीमा कहाँ रखनी चाहिए?

मैं वह सीमा वहीं रखूँगा जहाँ कानून आज हमारे लिए निर्धारित करता है। हम खुद को AI कंपनी नहीं कहते क्योंकि हमारे उद्योग में यह कठोर आवश्यकता है कि किसी भी विवाद या प्रतिकूल निर्णय से जुड़ी चीज़ में एक मानव लूप में हो। एक एजेंट संकेत एकत्र कर सकता है, उन्हें स्कोर दे सकता है, और जो बदला है उसे फ़्लैग कर सकता है। लेकिन उसे अकेले यह तय नहीं करना चाहिए कि कोई व्यक्ति नौकरी नहीं पाएगा या नहीं रखेगा, क्योंकि यह निर्णय एक ऐसे व्यक्ति से जुड़ा होना चाहिए जो जिम्मेदार हो और चुनौती मिलने पर उसे समझा सके।

जैसे ही भर्ती पूरी तरह से स्वचालित हो जाती है, मुझे लगता है कि यह सीमा और अधिक महत्वपूर्ण हो जाती है, कम नहीं। जब एजेंट को पूरे फ़नल को चलाने की सुविधा मिलती है, तो अंत में उसे निर्णय लेने की इच्छा भी बढ़ती है। भरोसे के संकेत एकत्र करना और उनका मूल्यांकन करना वही काम है जो सॉफ़्टवेयर तेज़ी से कर सकता है। किसी व्यक्ति की आजीविका का निर्णय देना ऐसा कुछ नहीं है जिसे मैं सौंपूँगा।

नए $30 million Series B के साथ Yardstik की कुल फंडिंग $65 million हो गई है, अब आप किन AI और धोखाधड़ी रोकथाम क्षेत्रों को सबसे बड़े निवेश के योग्य मानते हैं, और निरंतर पहचान सत्यापन को बहुत बड़े पैमाने पर काम करने के लिए कौन‑सी तकनीकी समस्याएँ अभी भी हल करनी बाकी हैं?

हम नया पूँजी उन धोखाधड़ी रोकथाम के हिस्सों में लगा रहे हैं जो सबसे कम आकर्षक और सही ढंग से बनाने में सबसे महंगे हैं। मोटर वाहन रिपोर्ट और OIG बहिष्करण मॉनिटरिंग। जब भी लाइसेंस, बीमा पॉलिसी या प्रमाणपत्र समाप्त हो जाए, तुरंत स्वचालित अलर्ट, अगले नवीनीकरण चक्र का इंतजार करने के बजाय।

इस उद्योग में किसी ने भी जिस तकनीकी समस्या को हल नहीं किया है, वह लागत है। कई देशों और राज्यों में रिकॉर्ड निकालने के लिए अलग‑अलग शुल्क लिया जाता है, कभी‑कभी न्यूयॉर्क जैसे स्थान में एक बार निकालने पर $100 से अधिक भी हो जाता है, और यह लागत केवल इसलिए नहीं घटती कि आप किसी को अधिक बार जांचना चाहते हैं। निरंतर सत्यापन को इतना किफायती बनाना कि हजारों गिग‑वर्कर्स वाले कंपनी इसे साल में एक बार की बजाय मासिक चला सके, यह डेटा‑स्रोत और मूल्य निर्धारण की समस्या है जितनी कि मशीन‑लर्निंग की समस्या है। यही वह बात है जिस पर मैं अभी सबसे अधिक सोच रहा हूँ।

एक रोचक हथियार दौड़ उभर रही है: AI एक ही समय में पहचान धोखाधड़ी को आसान बना रहा है और प्लेटफ़ॉर्म को इसे पहचानने के बेहतर उपकरण दे रहा है। दोनों पक्षों के सुधार के साथ, क्या आप उम्मीद करते हैं कि यह साबित करना कि कोई व्यक्ति वास्तव में वही है जो वह दावा करता है, काफी कठिन हो जाएगा, या अंततः AI डिजिटल पहचान को पहले से अधिक भरोसेमंद बना देगा?

दोनों सत्य हैं, और मुझे नहीं लगता कि एक दूसरे को निरस्त करता है। हमारे ग्राहक अक्सर हमें बताते हैं कि वे चाहते हैं कि हम “आग से आग लड़ें”। वे जानते हैं कि हमें आधुनिक समस्याओं के लिए आधुनिक समाधान चाहिए। मेरा ईमानदार अनुमान है कि डिजिटल पहचान उन सिस्टमों के लिए अधिक भरोसेमंद हो जाएगी जो वर्षों और विभिन्न प्लेटफ़ॉर्म पर किसी को ट्रैक करने के लिए बनाए गए हैं, और वह कम भरोसेमंद हो जाएगी उन चीज़ों के लिए जो अभी भी एक ही समय‑बिंदु की जाँच पर निर्भर हैं। इसका मतलब है कि जो व्यवसाय केवल एक बार ही किसी को सत्यापित करते हैं, वे उजागर रहेंगे, और जो दीर्घकालिक दृष्टिकोण के लिए तैयार हुए हैं, वे hindsight में आज की तुलना में बहुत smarter दिखेंगे।

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