एंड्रू मिस्से, कॉन्वोस के सीटीओ और सह-संस्थापक – साक्षात्कार श्रृंखला

एंड्रू मिस्से, कॉन्वोस के सीटीओ और सह-संस्थापक, एक सॉफ्टवेयर इंजीनियर और उत्पाद नेता हैं जिनका अनुभव एआई उत्पाद विकास, सॉफ्टवेयर आर्किटेक्चर, नेटवर्किंग और फुल-स्टैक इंजीनियरिंग में है। कॉन्वोस की सह-स्थापना से पहले, उन्होंने फोरम3 में दो एआई-संचालित रचनात्मक और विपणन मंचों को विकसित और लॉन्च करने में मदद की, जिसमें हाथों-हाथ इंजीनियरिंग के साथ तकनीकी उत्पाद प्रबंधन शामिल था। उनके पिछले भूमिकाओं में एन-एबल [सिक्योरिटीज़_स्टॉक_प्राइस_टैग सимвोल = “एनएबीएल” एक्सचेंज = “एनवाईएसई”], ऑटोशॉप सॉल्यूशंस, और ब्रांड आईक्यू शामिल थे, जिनमें स्वेल्टे, नेस्टजेएस, एंगुलर, और जावास्क्रिप्ट जैसी प्रौद्योगिकियों का उपयोग करके फ्रंटेंड अनुप्रयोग, बैकेंड सिस्टम, क्लाइंट डैशबोर्ड, और आंतरिक सॉफ्टवेयर उपकरण बनाना शामिल था। इस बहुस्तरीय पृष्ठभूमि ने उन्हें तकनीकी निष्पादन के साथ उत्पाद रणनीति को जोड़ने में सक्षम बनाया है क्योंकि वे कॉन्वोस के एआई-संचालित संचार मंच का विकास करते हैं। (NABL )

कॉन्वोस एक नियंत्रित एआई-संचालित टेक्स्टिंग प्लेटफ़ॉर्म है जो राजनीतिक अभियानों और संचार कंपनियों को एक-तरफ़ा द्रव्यमान संदेशों को व्यक्तिगत, दो-तरफ़ा मतदाता वार्ता में बदलने में मदद करने के लिए डिज़ाइन किया गया है। प्लेटफ़ॉर्म प्रतिक्रियाओं को वास्तविक समय की भावना विश्लेषण, विषय वर्गीकरण, कॉल-टू-एक्शन परिणाम, जुड़ाव मेट्रिक्स, और संरचित मतदाता अंतर्दृष्टि में परिवर्तित करता है जिसका उपयोग अभियान अपनी पहुंच को परिष्कृत करने के लिए कर सकते हैं। इसकी बंद-सिस्टम एआई अभियान-अनुमोदित सामग्री और संदेश गार्डरेल के भीतर संचालित होती है, जबकि संपर्क खंड, वार्ता इतिहास, लिंक ट्रैकिंग, डेटा निर्यात, और अनुपालन-केंद्रित ऑडिट ट्रेल जैसी सुविधाएं प्रदान करती है। कॉन्वोस एक संगठन के मौजूदा टेक्स्टिंग बुनियादी ढांचे के पूरक हो सकता है, बजाय इसके कि यह अपनी वर्तमान संचार प्रणाली को बदलने की आवश्यकता हो।

आप कॉन्वोस की सह-स्थापना राजनीतिक और संगठनात्मक टेक्स्टिंग को मुख्य रूप से एक-तरफ़ा संचार के रूप में देखने के बाद की। मूल अंतर्दृष्टि क्या थी जिसने आपको यह महसूस कराया कि बड़े पैमाने पर टेक्स्टिंग को एआई-संचालित वार्ता में बदलने का अवसर है, और आपने प्लेटफ़ॉर्म बनाने में सबसे बड़ी तकनीकी चुनौतियों का सामना किया?

अंतर्दृष्टि इसके प्राप्तकर्ता होने से आई।

2024 के चुनाव के आसपास, मुझे राजनीतिक टेक्स्ट की बमबारी हो रही थी, जैसा कि कई लोगों के साथ हुआ था। किसी बिंदु पर, मैंने उन्हें जवाब देना शुरू किया। मैंने एक प्रश्न पूछा या प्रतिक्रिया दी, और कभी कोई प्रतिक्रिया नहीं मिली। संदेश लाखों की संख्या में जा रहे थे, लेकिन जब आप वास्तविक आदान-प्रदान करने की कोशिश करते हैं, तो वहां कोई नहीं था।

मुझे यह एक बड़ा खोया हुआ अवसर लगा। दूसरी तरफ का व्यक्ति पहले से ही शामिल था। वे एक वास्तविक प्रश्न पूछ रहे थे। लेकिन कभी कोई प्रतिक्रिया नहीं भेजी जाएगी।

कॉन्वोस के पीछे का विचार सरल था। प्रसारण को वास्तविक वार्ता में बदलना, पैमाने पर, बिना इसके लिए एक कमरे में लोगों की जरूरत के।

सबसे बड़ी तकनीकी चुनौतियां तीन चीजों पर निर्भर करती थीं: पैमाने, विलंबता, और अनुपालन।

पैमाना स्पष्ट है। आप एक ही समय में हजारों वार्ताओं का प्रबंधन कर रहे हैं, और प्रत्येक की अपनी स्थिति और इतिहास है। विलंबता का अधिक मायने है जितना लोग उम्मीद करते हैं। यदि कोई व्यक्ति प्रतिक्रिया देता है और प्रतिक्रिया लेने में बहुत समय लगता है, तो क्षण चला जाता है। टेक्स्टिंग लगभग तात्कालिक लगती है, और अनुभव को उसी के अनुसार मेल खाना चाहिए।

अनुपालन सबसे कठिन हिस्सा था, और यह कुछ ऐसा था जिस पर हमने शुरू से ही प्राथमिकता दी थी। राजनीतिक टेक्स्टिंग भारी रूप से नियंत्रित है, और इसे गलत करना विकल्प नहीं है। हमारे शुरुआती इंजीनियरिंग का एक बड़ा हिस्सा सुनिश्चित करने में गया कि प्रणाली संदेश पर बनी रही और सहमति और ऑप्ट-आउट का सम्मान करती है, जो केवल “स्टॉप” शब्द को पकड़ने से परे है।

कॉन्वोस वार्तात्मक एआई, बड़े पैमाने पर संदेश, और वास्तविक समय की भावना विश्लेषण के बीच के संगम पर काम करता है। आपने सीखा है कि क्या सबक हैं जो आप उन एआई प्रणालियों को तैनात करते समय सीखते हैं जो एक ही समय में हजारों लोगों को शामिल करते हुए व्यक्तिगत और प्रामाणिक महसूस करते हैं?

सबसे बड़ा सबक यह है कि “व्यक्तिगत पैमाने पर” कुछ ऐसा है जिसके लिए आपको इंजीनियरिंग करनी होगी। यह डिफ़ॉल्ट रूप से नहीं होता है।

जब आप एक ही समय में हजारों वार्ताओं को चला रहे होते हैं, तो उन्हें एक बड़े बैच के रूप में मानने का प्रलोभन होता है। लेकिन जो व्यक्ति टेक्स्ट प्राप्त करता है उसे आपके बैच की परवाह नहीं है। उन्हें यह एक-एक वार्ता के रूप में लगता है, और यह उसी तरह से महसूस करना चाहिए। इसका मतलब है कि प्रत्येक वार्ता को अपना संदर्भ और इतिहास ले जाना होगा, ताकि एक प्रतिक्रिया वास्तव में उस विशिष्ट व्यक्ति की बात का जवाब दे जो कहा गया था, न कि हर किसी के औसत का।

हमने यह भी सीखा कि लोग हमें वास्तव में क्या बता रहे हैं इस पर ध्यान देने के लिए। एक प्रतिक्रिया केवल एक प्रतिक्रिया नहीं है। यह भावना ले जाती है। कोई उत्साह, निराशा, या स्पष्ट संकेत के साथ प्रतिक्रिया दे सकता है कि वे अकेले छोड़ दिए जाना चाहते हैं। उन न्यांसों को सही ढंग से पढ़ना ही बातचीत को तोड़ देता है।

अंत में, प्रामाणिकता सुनने से आती है, न कि चतुर ध्वनि से। जो आदान-प्रदान सबसे मानवीय लगता है वह वास्तविक प्रश्न का उत्तर देता है और व्यक्ति के समय का सम्मान करता है।

आपका तर्क है कि कई संगठन मॉडल बेंचमार्क पर बहुत अधिक ध्यान केंद्रित करते हैं जबकि व्यक्तित्व और संचार शैली की उपेक्षा करते हैं। आपके अनुसार, व्यक्तित्व क्यों एक महत्वपूर्ण कारक बन रहा है एंटरप्राइज़ एआई तैनाती में, और संगठनों को इसे कैसे मूल्यांकन करना चाहिए?

बेंचमार्क क्षमता को मापते हैं। वे फिट नहीं मापते हैं।

एक मॉडल तर्क या कोडिंग पर बहुत अच्छा स्कोर कर सकता है और फिर भी एक वार्ता के लिए गलत विकल्प हो सकता है। यह जिस तरह से चीजों को व्यक्त करता है, कितना गर्म या औपचारिक लगता है, यह जानता है कि कब संक्षिप्त होना है, यह सभी बहुत महत्वपूर्ण है जब वास्तविक व्यक्ति दूसरी तरफ होता है।

हमारी दुनिया में, मॉडल गणित की समस्या नहीं हल कर रहा है। यह एक अभियान का प्रतिनिधित्व कर रहा है एक टेक्स्ट संदेश में। प्रत्येक अभियान की अपनी आवाज है, और मॉडल को इसे मेल खाना होगा, न कि अपनी खुद की थोपी हुई। यदि स्वर सही नहीं है, तो यह नहीं मायने रखता कि कितना चतुर अंतर्निहित मॉडल है। बातचीत विफल हो जाती है।

इसके अलावा, एक क्षमता पक्ष है जिसे बेंचमार्क याद करते हैं। एक अभियान मॉडल को विस्तृत मार्गदर्शन दे सकता है कि क्या कहना है, क्या避ना है, और विशिष्ट विषयों से कैसे निपटना है। मॉडल को सभी का पालन करना होगा, लगातार, एक लंबी बातचीत के दौरान। कुछ मॉडल दूसरों की तुलना में जटिल निर्देशों का पालन करने में बहुत बेहतर हैं बिना बातचीत के बीच में भटके हुए। यह क्षमता व्यक्तित्व का हिस्सा भी है, क्योंकि एक मॉडल जो महान लगता है लेकिन अपने निर्देशों का पालन करना बंद कर देता है वह वास्तविक लोगों के सामने नहीं रखा जा सकता है।

यही कारण है कि व्यक्तित्व एंटरप्राइज़ तैनाती में एक वास्तविक कारक बन रहा है। जैसे-जैसे मॉडल अधिक क्षमतावान होते जाते हैं, रॉ क्षमता अंतर उनमें से बीच सिकुड़ जाता है। जो बचा है वह चरित्र है। वे कैसे संवाद करते हैं, और क्या वे रेखाओं के भीतर रहते हैं जिन्हें आप उन्हें निर्धारित करते हैं।

इसे मूल्यांकन करने का तरीका एक लीडरबोर्ड पर नहीं है। यह अपने वास्तविक उपयोग केस पर मॉडल का परीक्षण करना है, अपनी वास्तविक सामग्री के साथ, और आउटपुट को उसी तरह पढ़ना है जिस तरह आपका अंतिम उपयोगकर्ता करेगा। हम मॉडल को वास्तविक उत्पादन में संभालने वाली Exactly जैसी बातचीत के माध्यम से रखते हैं और判断 करते हैं कि क्या बातचीत सही लगती है। यह एक बेंचमार्क स्कोर से कहीं अधिक बताता है।

आपकी टीम ने कई अग्रणी मॉडलों का परीक्षण किया है और उनमें कार्यों के पारित करने में महत्वपूर्ण अंतर देखा है। आज के प्रमुख एलएलएम की ताकत और कमजोरियों के बारे में आपने क्या सीखा है, और कुछ मॉडल अन्य लोगों की तुलना में संवादात्मक कार्य के लिए बेहतर क्यों हैं?

जो हमने सीखा है वह यह है कि कोई एक सर्वश्रेष्ठ मॉडल नहीं है। केवल एक दिए गए कार्य के लिए सबसे अच्छा मॉडल है।

कुछ मॉडल सटीक निर्देशों का पालन करने में उत्कृष्ट हैं, जो सख्त सीमाओं के भीतर रहने के लिए महत्वपूर्ण है। कुछ प्राकृतिक, संवादात्मक स्वर में मजबूत हैं। कुछ तेज़ हैं, जो अनुभव का हिस्सा है जब विलंबता मायने रखती है। अन्य जटिल अनुरोधों के माध्यम से तर्क देने में बेहतर हैं लेकिन एक अनौपचारिक आदान-प्रदान में स्टिफ या बहुत लंबा जवाब देते हैं।

विशेष रूप से संवादात्मक कार्य के लिए, जो गुण महत्वपूर्ण हैं वे हमेशा वे नहीं होते हैं जो हेडलाइंस बनाते हैं। गति महत्वपूर्ण है। स्थिरता महत्वपूर्ण है। यह जानना महत्वपूर्ण है कि कब संक्षिप्त होना है। एक मॉडल जो तीन-paragraph उत्तर लिखता है अक्सर एक वाक्य के सही उत्तर के लिए गलत विकल्प होता है।

इनमें से कोई भी एक लीडरबोर्ड पर नहीं दिखता है। आप केवल मॉडल को वास्तविक काम के सामने रखकर सीखते हैं और यह देखते हुए कि यह इसे कैसे संभालता है।

कई कंपनियां एकल एआई प्रदाता पर निर्भर रहने के बजाय बहु-मॉडल रणनीतियों को अपना रही हैं। मॉडल के बीच स्विच करने में सक्षम प्रणालियों का निर्माण करने के फायदे क्या हैं, और इसे संभव बनाने के लिए कौन से वास्तुकला विचार आवश्यक हैं?

मुख्य लाभ यह है कि आप बंद नहीं हैं।

यदि आप सब कुछ एक प्रदाता के आसपास बनाते हैं, तो आप उनके सभी प्रतिबंध विरासत में मिलते हैं। उनकी कीमतें, उनकी दर सीमाएं, उनकी विलंबता, उनके आउटेज, और उनके रिलीज़ शेड्यूल आपके हो जाते हैं। एक बहु-मॉडल दृष्टिकोण आपको प्रत्येक कार्य को उस मॉडल में रूट करने की अनुमति देता है जो इसे सबसे अच्छा संभालता है, और यह आपको किसी प्रदाता के बुरे दिन पर जाने के लिए एक जगह देता है।

यह आपको लागत को कार्य से मेल खाने देता है। प्रत्येक इंटरैक्शन के लिए आपको अपने सबसे शक्तिशाली और सबसे महंगे मॉडल की आवश्यकता नहीं है। एक हल्के मॉडल में सरल काम भेजने और कठिन मामलों के लिए भारी मॉडल को आरक्षित रखने से वास्तविक अंतर आता है।

वास्तुकला ही यह संभव बनाती है, और मुख्य निर्णय अपने अनुप्रयोग और किसी विशिष्ट मॉडल के बीच एक अभिव्यक्ति परत बनाना है। आपका सिस्टम सीधे एक प्रदाता के एपीआई से बात नहीं कर रहा होना चाहिए। यह अपने आंतरिक इंटरफ़ेस से बात कर रहा होना चाहिए, और वह इंटरफ़ेस तय करता है कि वास्तव में कौन सा मॉडल अनुरोध को संभालता है।

एक बार जब आपके पास यह हो, तो आप मार्ग निर्देशिका, विफलता के लिए पallbacks, और मॉडल को बिना अपने अनुप्रयोग को पुनः लिखे स्वैप करने की क्षमता जोड़ सकते हैं। आपको मॉडल के पार में प्रॉम्प्ट और आउटपुट के साथ संगत हैंडलिंग की भी आवश्यकता है, क्योंकि प्रत्येक का व्यवहार थोड़ा अलग है, और आपका सिस्टम उन अंतरों को चिकना करना होगा।

यह आगे काम है। लेकिन यह लचीलापन खरीदता है जो बाद में जोड़ना बहुत मुश्किल है।

हाल ही में आपने बताया कि एआई मॉडल कितनी तेजी से विकसित हो रहे हैं, कभी-कभी अप्रत्याशित तरीकों से प्रदर्शन विशेषताओं में परिवर्तन हो रहा है। एआई मॉडल को अपनाने की इच्छा के साथ स्थिरता, विश्वसनीयता और पूर्वानुमान योग्य प्रदर्शन की आवश्यकता को कैसे संतुलित करें?

ईमानदार उत्तर यह है कि एक नया मॉडल तब तक एक अपग्रेड नहीं है जब तक आप इसे साबित नहीं कर लेते।

प्रत्येक रिलीज़ रोमांचक है, और नवीनतम चीज़ को तुरंत अपनाने के लिए वास्तविक दबाव है। लेकिन हमने देखा है कि नए मॉडल व्यवहार में अप्रत्याशित तरीके से परिवर्तन करते हैं। कुछ ऐसा जो विश्वसनीय रूप से काम करता था अब थोड़ा अलग प्रतिक्रिया देना शुरू कर देता है, और एक उत्पादन प्रणाली में वे छोटे परिवर्तन जोड़ लेते हैं।

हम इसे कैसे संभालते हैं यह सरल है। कोई मॉडल हमारी पाइपलाइन में नहीं जाता है जब तक कि हमने इसे स्वयं हाथ से परीक्षण नहीं किया है। जब एक नई रिलीज़ आती है, तो हम बेंचमार्क या घोषणा पर विश्वास नहीं करते हैं। हम बैठते हैं और इसे उन्हीं प्रकार की बातचीत के माध्यम से चलाते हैं जिन्हें यह उत्पादन में संभालने वाला है, और हम स्वयं आउटपुट पढ़ते हैं।

यह हाथों-हाथ चरण हमारे लिए वैकल्पिक नहीं है। एक मॉडल कागज़ पर बेहतर दिख सकता है और फिर भी एक वास्तविक आदान-प्रदान को एक ऐसे तरीके से संभाल सकता है जिसे हम मतदाताओं के सामने रखने में सहज नहीं हैं। यह जानने का एकमात्र तरीका है कि वास्तविक स्थितियों में इसका परीक्षण करना है जो हमारी प्रणाली हर दिन निपटती है।

यह एक और स्थान है जहां अभिव्यक्ति परत अपना मूल्य साबित करती है। क्योंकि हमारा अनुप्रयोग एक विशिष्ट मॉडल पर निर्भर नहीं करता है, हम एक नई रिलीज़ ला सकते हैं, इसे वास्तविक बातचीत के खिलाफ परीक्षण कर सकते हैं जो हम संभालते हैं, और ईमानदारी से इसकी तुलना करते हैं जो हम पहले से ही चला रहे हैं। यदि यह बार Clears, तो हम स्विच करते हैं। यदि नहीं, तो हम प्रतीक्षा करते हैं।

हैलुसिनेशन एंटरप्राइज़ एआई अपनाने के लिए सबसे बड़ी बाधाओं में से एक है, खासकर जब मॉडल बड़े डेटासेट और जटिल जानकारी के साथ काम करते हैं। उत्पादन वातावरण में हैलुसिनेशन को कम करने में सबसे प्रभावी सिद्ध होने वाली व्यावहारिक तकनीकें क्या हैं?

सबसे प्रभावी तकनीक जिसे हमने पाया है वह यह है कि मॉडल को क्या जानने की अनुमति है इसे सीमित करना।

बहुत सारे हैलुसिनेशन तब होते हैं जब आप मॉडल से अपने सामान्य ज्ञान से उत्तर देने के लिए कहते हैं, जहां यह खुशी से खाली जगहों को कुछ ऐसा भर देगा जो सही लगता है। हम इसके विपरीत करते हैं। हमारा एआई केवल उस जानकारी से काम करता है जो अभियान ने प्रदान की है। यह खुले इंटरनेट तक नहीं पहुंचता है, और यह किसी अस्पष्ट दुनिया की याद में नहीं खो जाता है।

यदि उत्तर प्रदान की गई सामग्री में नहीं है, तो सही प्रतिक्रिया यह कहना है कि यह जानकारी नहीं है। यह एकल सीमा एक बड़ा जोखिम दूर करती है।

हम वहीं नहीं रुकते हैं, हालांकि। हमारे पास मॉडल द्वारा उत्पन्न प्रतिक्रिया की जांच करने के लिए कई जांच हैं ताकि यह सुनिश्चित किया जा सके कि यह अभियान की जानकारी से मेल खाती है। यहां तक कि मॉडल एक प्रतिक्रिया उत्पन्न करने के बाद, उस प्रतिक्रिया को अभियान की जानकारी के खिलाफ प्रतिक्रिया के रूप में जांचा जाता है इससे पहले कि यह कहीं भी जाए। यदि कुछ नहीं जोड़ता है, तो यह नहीं भेजा जाता है।

इसके अलावा, व्यावहारिक तकनीकें जमीनी और गार्डरेल के बारे में हैं। मॉडल को कार्य के सामने विशिष्ट, प्रासंगिक संदर्भ दें, न कि एक बड़े, अविभेदित डेटा पाइल। जानकारी जितनी अधिक केंद्रित होगी, उतनी ही कम जगह होगी जहां यह भटक सकता है।

हम यह भी सुनिश्चित करते हैं कि प्रणाली को क्या करने की अनुमति है और क्या कहने की स्पष्ट सीमाएं हैं, और हम वास्तविक बातचीत की निगरानी करते हैं न कि यह मानकर कि सब कुछ ठीक है। आप मॉडल पर विश्वास करके समस्याओं को नहीं पकड़ते हैं। आप आउटपुट को देखकर उन्हें पकड़ते हैं।

एक नियंत्रित स्थान में जैसे राजनीतिक टेक्स्टिंग में, एक बनाया गया उत्तर दायित्व है। इसलिए हमने प्रणाली को पारदर्शिता पर अनुमान को प्राथमिकता दी।

जैसे ही संगठन ग्राहक सहायता, संचार, विपणन और संचालन में एआई एजेंटों को तैनात करते हैं, टीमें पायलट परियोजनाओं से उत्पादन-स्तर की तैनाती में स्थानांतरित करते समय कौन सी गलतियां दोहराती रहती हैं?

मैं जो सबसे अधिक देखता हूं वह यह है कि टीमें यह परीक्षण करती हैं कि उनका एजेंट काम करता है या नहीं, लेकिन यह नहीं कि यह टूट सकता है या नहीं।

मैं गिन नहीं सकता कि कितनी बार एक कंपनी ने एक एआई चैटबॉट जारी किया है, और एक दिन के भीतर किसी ने ऑनलाइन इसे जेलब्रोकन किया है ताकि यह कुछ ऐसा कहे जो यह कभी नहीं कहना था। यह अपने निर्देशों से बाहर निकल जाता है, इसे ऑफ-स्क्रिप्ट में ले जाया जाता है, या इसे ब्रांड का प्रतिनिधित्व करने के लिए हेरफेर किया जाता है जो एक स्क्रीनशॉट के रूप में हर किसी के पास जाता है।

यह इसलिए होता है क्योंकि एक पायलट में, हर कोई वेल-बिहेव्ड होता है। आप एजेंट का परीक्षण कर रहे हैं तर्कसंगत प्रश्न पूछने वाले लोगों के साथ, और यह महान दिखता है। उत्पादन इसके विपरीत है। जैसे ही कुछ सार्वजनिक होता है, लोगों का एक हिस्सा जो इसके साथ बातचीत कर रहा है जानबूझकर इसे तोड़ने की कोशिश कर रहा है।

यदि आपने उस प्रतिद्वंद्वी मामले के लिए परीक्षण नहीं किया है, तो आपने वास्तव में परीक्षण नहीं किया है। आपको अपनी खुद की प्रणाली को तोड़ने की कोशिश करनी होगी इससे पहले कि कोई और ऐसा करे। इसे धक्का दें, इसे अजीब और शत्रुतापूर्ण इनपुट खिलाएं, और देखें कि क्या यह अपनी सीमाओं को बनाए रखता है जब कोई जानबूझकर इसके खिलाफ काम कर रहा हो।

दोहराई जाने वाली दूसरी गलती यह है कि एक डेमो जो काम करता है एक प्रणाली है जो काम करती है। एक पायलट एक हाथ से देखी जाने वाली खुशी पथ की बातचीत है। उत्पादन हजारों लोग हैं जो हर घंटे अप्रत्याशित तरीके से व्यवहार कर रहे हैं, और जो किनारे के मामले आप तरीके से दूर कर देते हैं वे दैनिक घटनाएं हो जाती हैं।

मेरी सलाह है कि डेमो को बेहतर बनाने पर कम समय बिताएं और अपनी खुद की चीज़ को तोड़ने की कोशिश करने में अधिक समय बिताएं। यदि यह आपके हमलों का सामना नहीं कर सकता है, तो यह सार्वजनिक होने पर नहीं करेगा।

एआई एजेंट वे बातचीत संभाल रहे हैं जिन्हें पहले मानव कर्मचारियों की आवश्यकता थी। अगले पांच वर्षों में स्वचालन और मानव पर्यवेक्षण के बीच संतुलन कहां देखते हैं, और कौन से कार्यप्रवाह में हमेशा एक मानव को शामिल करना चाहिए?

यह एक कठिन है, और मुझे नहीं लगता कि कोई वास्तव में जानता है कि पांच साल में रेखा कहां आती है। मैं इसे कैसे सोचता हूं, एआई का वास्तविक मूल्य एक बल गुणक के रूप में है। यह एक छोटे समूह को अकेले कभी नहीं कर सकता है जो बहुत अधिक करने देता है।

जो टीमें इन उपकरणों से सबसे अधिक प्राप्त कर रही हैं वे उन्हें उसी तरह से उपयोग कर रही हैं। एआई आयतन और पुनरावृत्ति लेता है, और लोग अपना समय निर्णय, रणनीति, और वास्तव में मानवीय होने वाली स्थितियों पर खर्च करते हैं। यह पूरी तरह से अलग लक्ष्य है जो लोगों को चित्र से बाहर निकालने की कोशिश कर रहा है।

जब लक्ष्य शुद्ध प्रतिस्थापन होता है, तो आप प्रौद्योगिकी को उसकी क्षमता से परे धकेल देते हैं, और यह दिखाई देने वाले और महंगे तरीकों से विफल हो जाता है। जब लक्ष्य लोगों को गुणा करना होता है, तो आप एआई को वह करने देते हैं जो यह अच्छा है, और मानवों को जहां वे सबसे अधिक मूल्य जोड़ते हैं वहां रखते हैं। दूसरा दृष्टिकोण बेहतर काम करता है, और यह आज की प्रौद्योगिकी के बारे में अधिक ईमानदार है।

अगले पांच वर्षों में, मुझे उम्मीद है कि एजेंट अधिक और अधिक दैनिक संवादात्मक भार ले लेंगे, और उन्हें करना चाहिए। उस काम को एक व्यक्ति की निगरानी की आवश्यकता नहीं है।

जो कार्यप्रवाह हमेशा मानवीय शामिल होना चाहिए वे वे हैं जहां दांव उच्च हैं या स्थिति वास्तव में नई है। कुछ भी जो सहमति को छूता है, अनुपालन, या एक निर्णय जिसे वापस लेना मुश्किल होगा। एक व्यक्ति को दिशा का मालिक होना चाहिए, और एआई को उन्हें ज़मीन को कवर करने में मदद करनी चाहिए जो वे अन्यथा नहीं कर पाएंगे।

आगे देखते हुए, संवादात्मक एआई में कौन से विकास आपको सबसे ज्यादा उत्साहित करते हैं, और कैसे आप मॉडल अधिक क्षमतावान, बहुसंचारी और स्वायत्त होते हुए प्लेटफ़ॉर्म जैसे कॉन्वोस के विकसित होने की कल्पना करते हैं?

जो मुझे सबसे ज्यादा उत्साहित करता है वह यह है कि बातचीत और बेहतर होती रहेंगी।

जैसे-जैसे मॉडल बेहतर होते हैं, हमारे प्लेटफ़ॉर्म द्वारा संभाली जाने वाली बातचीत अधिक प्राकृतिक और अधिक उपयोगी हो जाती है, बिना हमें हर बार नींव का पुनर्निर्माण किए। क्योंकि हमने प्रणाली को मॉडल के बीच ले जाने के लिए डिज़ाइन किया है, हम उन सुधारों को ला सकते हैं क्योंकि वे आते हैं।

बहुसंचारी यह है जिस पर मैं सबसे करीब से देख रहा हूं। अभी तक बातचीत पाठ है। जैसे-जैसे मॉडल चित्रों और अन्य प्रारूपों को अधिक कुशलता से संभालने लगते हैं, वार्ता को समृद्ध बनाने का एक वास्तविक अवसर है जबकि टेक्स्टिंग की तत्कालता को बनाए रखना।

स्वायत्तता पर, मैं आशावादी हूं लेकिन सावधान हूं। अधिक क्षमतावान एजेंटों को हर महीने जारी किया जा रहा है, और वे बहुत कुछ स्वयं संभाल पाएंगे। लेकिन एक नियंत्रित स्थान में, अधिक स्वायत्तता का मतलब अधिक अनुशासन होना चाहिए, कम नहीं। सीमाएं अधिक मायने रखती हैं क्योंकि क्षमता बढ़ती है।

मैं इस कारण से इसमें शामिल हुआ क्योंकि मैं खाली में टेक्स्ट करने वाला व्यक्ति था और कुछ वापस नहीं मिल रहा था। यह अभी भी वह समस्या है जिसकी मुझे सबसे ज्यादा परवाह है। चाहे मॉडल कितने भी क्षमतावान हो जाएं, मैं जिस मापदंड पर वापस आता हूं वह सरल है। क्या दूसरी तरफ का व्यक्ति सुना हुआ महसूस करता है? धन्यवाद महान साक्षात्कार के लिए, पाठक जो अधिक जानना चाहते हैं उन्हें कॉन्वोस पर जाना चाहिए।

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