Babak Hodjat, Cognizant में मुख्य AI अधिकारी: एक पुनः वार्तालाप

Babak Hodjat, Cognizant में मुख्य AI अधिकारी, कंपनी के AI रिसर्च लैब्स का नेतृत्व करते हैं, जहाँ उनका कार्य एजेंटिक AI, विकासात्मक गणना, वितरित बुद्धिमत्ता, और बड़े पैमाने पर उद्यमीय तैनाती के लिए डिज़ाइन किए गए AI सिस्टमों के विकास को शामिल करता है। एक दीर्घकालिक AI शोधकर्ता, आविष्कारक और उद्यमी के रूप में, Hodjat ने पहले Sentient Technologies की सह-स्थापना की, जहाँ उन्होंने दुनिया के सबसे बड़े वितरित AI सिस्टमों में से एक के निर्माण में मदद की, और पहले Dejima की सह-स्थापना की, जहाँ उन्होंने एजेंट-उन्मुख प्राकृतिक भाषा प्रौद्योगिकी विकसित की, जिसने Apple के Siri की नींव में योगदान दिया।

जब हमने पहले Babak Hodjat से बात की थी, हमारी चर्चा ने उनके AI में करियर, जटिल निर्णय‑निर्धारण के लिए विकासात्मक दृष्टिकोण, Cognizant के AI को जलवायु और भूमि‑उपयोग चुनौतियों पर लागू करने के कार्य, और उद्यम में AI के बढ़ते लोकतंत्रीकरण की जांच की। इस अनुवर्ती वार्तालाप में, फोकस तेजी से उभरते एजेंटिक एंटरप्राइज़ की ओर स्थानांतरित होता है। उनके हालिया पुस्तक, The Agentic Enterprise से प्रेरित विषयों को देखते हुए, Hodjat यह जांचते हैं कि वास्तुकला मॉडल की क्षमता से अधिक क्यों महत्वपूर्ण हो सकती है, संगठन कैसे बढ़ते जटिल AI एजेंट नेटवर्क को समन्वयित कर सकते हैं, केंद्रीकृत विश्वास और शासन विकेंद्रीकृत एजेंट इकोसिस्टम में कैसे फिट होते हैं, और स्वायत्त प्रणालियों को न्यूनतम मानव हस्तक्षेप के साथ दीर्घकालिक उद्देश्यों को विश्वसनीय रूप से प्रबंधित करने से पहले अभी क्या परिवर्तन आवश्यक हैं।

आपका करियर बुद्धिमान एजेंटों पर शुरुआती कार्यों में से कुछ को समेटे हुए है, Dejima की प्राकृतिक‑भाषा तकनीक से जो Siri को प्रेरित करने में मदद करती थी, Sentient में विशाल वितरित AI सिस्टम बनाने तक, और अब Cognizant में मुख्य AI अधिकारी के रूप में सेवा देना। इस यात्रा में “AI एजेंट” की आपकी परिभाषा कैसे विकसित हुई, और आज के डेवलपर्स इन प्रारंभिक एजेंट‑आधारित प्रणालियों की पीढ़ियों से क्या सीख सकते हैं?

परिभाषा वही रही है, लेकिन आज के एजेंटों की क्षमताएँ यह दर्शाती हैं कि 90 के दशक में हमें कोड करना पड़ने वाले कई बुनियादी कार्य अब LLMs के साथ बॉक्स से बाहर उपलब्ध हैं। इसलिए LLM‑आधारित एजेंट अब मानक बन गए हैं, और जब लोग एजेंटों की बात करते हैं, तो वे मानते हैं कि उसके इंटरफ़ेस और तर्क को चलाने वाला एक LLM है।

अपने हालिया पुस्तक, The Agentic Enterprise में, आप तर्क देते हैं कि उद्यम AI सिस्टम अक्सर उनकी वास्तुकला के कारण सफल या विफल होते हैं, न कि अंतर्निहित मॉडल की कच्ची क्षमता के कारण। जब कंपनियाँ मानती हैं कि अधिक शक्तिशाली मॉडल में अपग्रेड करने से उनके एजेंटिक AI समस्याएँ हल हो जाएँगी, तो वे क्या गलत कर रही हैं?

जैसे हार्नेस (अर्थात, एजेंट के गैर‑LLM भाग) एक कोडिंग एजेंट को सफल या असफल बना सकते हैं, उसी प्रकार एक मल्टी‑एजेंटिक सिस्टम की वास्तुकला उसकी सफलता के लिए महत्वपूर्ण होती है। इसका कारण यह है कि वास्तुकला उस संदर्भ को प्रतिबिंबित करती है जिसमें एजेंटों को कार्य करना चाहिए—जैसे वह ढांचा जो एजेंटिक एंटरप्राइज़ को एक साथ रखता है। इसके बिना, एजेंट उद्यम संचालन, डेटा, कार्यप्रवाह और प्रक्रियाओं की वास्तविकताओं से असंबद्ध रह जाते हैं। यह किसी हद तक व्यवसाय की संगठनात्मक संरचना के समान है, जिसमें कर्मचारियों के लिए नौकरी विवरण, प्रक्रिया परिभाषाएँ और संचार प्रोटोकॉल शामिल होते हैं।

आपने इस बात पर ज़ोर दिया है कि आसपास का सिस्टम, जिसमें एक्सेस कंट्रोल, जवाबदेही, ऑर्केस्ट्रेशन, अवेरेबिलिटी और ओवरसाइट शामिल हैं, मॉडल स्वयं से अधिक महत्वपूर्ण हो सकता है। एक प्रोडक्शन‑रेडी एजेंटिक वास्तुकला को वास्तव में क्या चाहिए जो अधिकांश प्रूफ़‑ऑफ़‑कॉन्सेप्ट डिप्लॉयमेंट्स में अनुपस्थित है?

प्रूफ़‑ऑफ़‑कॉन्सेप्ट (PoC) अक्सर आधारहीन होते हैं, इसलिए शुरू करने के लिए हमें एजेंटों को ऐसे वातावरण में कार्य करने की आवश्यकता है जहाँ उन्हें कंपनी के आंतरिक डेटा और अनुप्रयोगों तक पहुँच हो। महत्वपूर्ण प्रश्न पूछे जाने चाहिए, जैसे कि कौन से डेटा और अनुप्रयोग हम एजेंटों को एक्सेस देने के लिए तैयार हैं, और किन निर्णयों को हम एजेंटों को करने की अनुमति देने में सहज हैं ताकि प्रणाली सुरक्षित और सुरक्षित रहे, जबकि हम जो गुणवत्ता और उत्पादकता लाभ अपेक्षित करते हैं वे अभी भी प्राप्त हो सकें? PoC सेटिंग में इन प्रश्नों के उत्तर निर्धारित करना कठिन है। इसके अलावा, गार्डरेल्स और ओवरसाइट केवल तभी सार्थक हो सकते हैं जब एक एजेंटिक सिस्टम कंपनी के भीतर अन्य मानव या एजेंटिक प्रक्रियाओं के साथ मिलकर कार्य कर रहा हो। इसलिए, सैंडबॉक्सिंग PoC से डिप्लॉयमेंट की ओर प्रभावी रूप से आगे बढ़ने की प्रक्रिया में एक महत्वपूर्ण कदम है।

Cognizant ने AI एजेंटों के नेटवर्क को समन्वयित करने के लिए “Agent Operating System” के उदय का वर्णन किया है। ऐसी परत को कौन‑से कार्य करने चाहिए, और क्या आप अपेक्षा करते हैं कि एजेंट ऑर्केस्ट्रेशन अंततः उद्यम कंप्यूटिंग में ऑपरेटिंग सिस्टम और क्लाउड प्लेटफ़ॉर्म की तरह मूलभूत बन जाएगा?

एजेंटों का समन्वय महत्वपूर्ण है: यदि इसे बहुत कठोर बना दिया जाए, तो आपका सिस्टम घटित और नाज़ुक हो जाता है। यदि समन्वय पूरी तरह एजेंट को सौंप दिया जाए और बहुत खुला हो, तो आप एजेंट के कार्य को अत्यधिक जटिल या जोखिमपूर्ण बना सकते हैं। एक अच्छा समन्वय तंत्र एजेंटों को विभिन्न परिस्थितियों के जवाब में स्वाभाविक रूप से टीमों का गठन करने की अनुमति देता है, जिससे एक मजबूत और लचीला संगठनात्मक अनुशासन बनता है। मैं वितरित समन्वय का समर्थक हूँ। यह मानव संगठन को उसकी जिम्मेदारी के क्षेत्र में कुछ स्तर की अधिकारिता प्रदान करने के समान है। जब कोई संदर्भ उत्पन्न होता है, तो संगठन के सदस्य संगठनात्मक संरचना के माध्यम से संवाद और समन्वय करते हैं ताकि स्थिति को संभालने के लिए जिम्मेदार व्यक्तियों का निर्धारण किया जा सके, और प्रतिक्रिया को संगठित नोड्स के बीच संकलित, समन्वित और एकीकृत किया जाता है। अच्छी बात यह है कि एजेंटिक सिस्टम पर सख्त नियंत्रण और सुरक्षा उपाय लागू किए जा सकते हैं ताकि ऐसी लचीलापन जोखिमपूर्ण व्यवहार न पैदा करे।

मुझे लगता है, जैसे MCP तेज़ी से एजेंटिक एप्लिकेशन एक्सेस के लिए डि फ़ैक्टो मानक बन गया है, समन्वय प्रोटोकॉल भी उभरेंगे और एजेंटिक प्लेटफ़ॉर्म्स में मानकीकृत हो जाएंगे ताकि एजेंटिक सिस्टम सीमाओं के पार स्वाभाविक मल्टी‑एजेंट प्रक्रियाओं को संभव बनाया जा सके। ऑपरेटिंग सिस्टम और क्लाउड प्लेटफ़ॉर्म यहाँ शायद सबसे अच्छा उपमा नहीं हैं; बल्कि, मल्टी‑एजेंट परिभाषा और समन्वय प्रोटोकॉल के लिए व्यापक रूप से सहमत मानक उभरने चाहिए ताकि एंटरप्राइज़ में एजेंटिफिकेशन का अधिक प्रसार और विकास हो सके।

जैसे ही उद्यम व्यक्तिगत कोपायलट से उन नेटवर्कों की ओर बढ़ते हैं जिनमें दर्जनों या यहाँ तक कि सैकड़ों विशेषीकृत एजेंट होते हैं, संगठनों को यह कैसे तय करना चाहिए कि कौन‑सी ज़िम्मेदारियाँ व्यक्तिगत एजेंटों को सौंपनी हैं और कौन‑सी केंद्रीकृत रहनी चाहिए?

इंटरनेट फ़ायरवॉल और सुरक्षा उपकरणों की तरह, नीतियों के विरुद्ध लाइव ऑडिटिंग और एजेंटिक सिस्टम पर सुरक्षा रेखाओं को लागू करके विश्वास की स्थापना व्यवसाय के भीतर एक केंद्रीकृत कार्य होना चाहिए, जिसे कंपनी के भीतर एक ही इकाई द्वारा परिभाषित और बनाए रखा जाता है। अन्य सभी एजेंटिक सिस्टम को विकेंद्रीकृत तरीके से प्रदान या लागू किया जा सकता है, लेकिन इन सिस्टम को संचालन की अनुमति पाने के लिए विश्वास प्रणाली में पंजीकरण करना होगा।

Cognizant ने आंतरिक रूप से एक मल्टी‑एजेंट सिस्टम लागू किया है जो लगभग 350,000 कर्मचारियों वाले संगठन में लगभग 200 एजेंटों को जोड़ता है। इस पैमाने पर संचालन करने से एजेंटिक AI के बारे में क्या खुलासा हुआ जो छोटे पायलट प्रोजेक्ट्स से पता लगाना कठिन होता?

हमें स्केलेबिलिटी, विस्तारशीलता, लागत दक्षता और उचित प्रतिक्रिया समय के लिए डिजाइन करना पड़ा। ऐसे बड़े पैमाने के प्रोजेक्ट्स में अक्सर आपको ऐसी चीज़ें बनानी पड़ती हैं जो छोटे, सीमित एजेंटिक सिस्टमों में, जिनके उपयोगकर्ता कम होते हैं, आवश्यक नहीं होतीं। उदाहरण के तौर पर, आपको एजेंटों के बीच समन्वय को व्यक्तिगत और कुशल बनाना पड़ता है, ताकि अतिरिक्त चरणों और लागत से बचा जा सके। साथ ही, सिस्टम को कस्टम‑बिल्ट एप्लिकेशन और तृतीय‑पक्ष सिस्टम एवं एजेंटों को भी शामिल करने में सक्षम होना चाहिए, इसलिए इंटरऑपरेबिलिटी महत्वपूर्ण है और यह समय और पैसे की बचत कर सकती है।

जब स्वायत्त एजेंट API कॉल कर सकते हैं, एंटरप्राइज़ सिस्टम तक पहुंच सकते हैं, अन्य एजेंटों के साथ संवाद कर सकते हैं, और मशीन गति पर कार्रवाई कर सकते हैं, तो पारंपरिक AI गवर्नेंस बहुत कठिन हो जाता है। मानव निगरानी को कहाँ अनिवार्य रहना चाहिए, और कहाँ संगठन सुरक्षित रूप से एजेंटों को स्वतंत्र रूप से कार्य करने की अनुमति दे सकते हैं?

मेरा मानना है कि यह तय करने का अंतिम मानदंड कि मानव निगरानी कहाँ आवश्यक और अनिवार्य है, वह भरोसा है। जैसे-जैसे ये सिस्टम अधिक भरोसेमंद होते जाएंगे, हम उन्हें अधिक स्वायत्तता देंगे, और जब तक कानूनी रूप से अनिवार्य न हो (जैसे AI के पास व्यक्तित्व न होने के कारण), हम एजेंटों पर भरोसा करने में सहज रहेंगे। इसलिए भरोसे और जोखिम को मापना महत्वपूर्ण है और यह स्वायत्तता और मानव निगरानी के बीच की सीमा को निर्धारित करने में मदद कर सकता है — ऐसी सीमा जो इन सिस्टमों के अधिक भरोसेमंद और कम जोखिमपूर्ण स्वायत्त संचालन के साथ बदल सकती है।

आपके पहले के अधिकांश शोध ने विकासात्मक गणना और चयन एवं अनुकूलन के माध्यम से सुधार करने वाली प्रणालियों पर केंद्रित थे। निरंतर सुधार करने वाले एजेंट बनाने के प्रयास में, जहाँ केवल पूर्वनिर्धारित कार्यप्रवाहों को निष्पादित किया जाता है, विकासात्मक दृष्टिकोण बड़े भाषा मॉडल और प्रबलन शिक्षण को कैसे पूरक कर सकते हैं?

आज AI में मुख्यधारा ग्रेडिएंट डिसेंट विधियों द्वारा नियंत्रित है, जो पहाड़ी‑चढ़ाई खोज का एक रूप है और बहुत रचनात्मक नहीं है। विकासात्मक गणना जटिल खोज स्थानों में अत्यधिक कुशल है और मुख्यधारा विधियों को पूरक कर सकती है। उदाहरण के तौर पर, हमारे प्रयोगशाला ने इस संबंध में हाल ही में एक बड़ी उपलब्धि हासिल की है: हमने दिखाया है कि अधिकांश LLM पोस्ट‑ट्रेनिंग के लिए विकासात्मक रणनीतियाँ प्रबलन शिक्षण से श्रेष्ठ हैं, जिससे समान या बेहतर गुणवत्ता वाले मॉडल बहुत कम लागत पर प्राप्त होते हैं। विकासात्मक दृष्टिकोण टेस्ट‑टाइम ट्रेनिंग में भी मदद कर सकते हैं, जिसका लक्ष्य LLM को तैनाती के बाद सीखने में सक्षम बनाना है।

Cognizant के शोध ने उन वातावरणों की जाँच की है जहाँ परस्पर क्रिया करने वाले एजेंट सहयोग, प्रतिस्पर्धा, साझा ज्ञान और यहाँ तक कि धोखेबाज़ रणनीतियाँ विकसित करते हैं। जैसे-जैसे मल्टी‑एजेंट सिस्टम अधिक जटिल होते जाते हैं, क्या उभरती हुई व्यवहार एंटरप्राइज़ AI को पूर्वानुमेय और संगठनात्मक लक्ष्यों के अनुरूप रखने में सबसे बड़ी चुनौतियों में से एक बन सकता है?

यह पहले से ही सच है, जैसा कि हालिया बहुत प्रचारित OpenAI/Hugging Face घटना से स्पष्ट है। हम सोच सकते हैं कि एजेंट, जो अपने प्रॉम्प्ट और संदर्भों तक सीमित हैं, और ऐसे LLMs का उपयोग करते हैं जो रनटाइम में सीखते नहीं हैं, अपने व्यवहार में अधिकतर स्थिर रहेंगे। हालांकि, तथ्य यह है कि एजेंट का पर्यावरण और प्रेरणाएँ बदल सकती हैं, अक्सर एजेंट की अपनी क्रियाओं के परिणामस्वरूप, जिससे अप्रत्याशित व्यवहार उत्पन्न होता है। यह कई एजेंटों के अंतःक्रिया करने पर और अधिक संभावना बन जाता है, इसलिए यह हमारे लिए आवश्यक है कि हम सुरक्षित सैंडबॉक्स सेटिंग्स में स्वायत्त एजेंटों का निरीक्षण करें ताकि हम उनकी उभरती प्रवृत्तियों की सीमा और पैमाना निर्धारित कर सकें, और इसे अपने एजेंटिक डिज़ाइन और सुरक्षा उपायों में शामिल कर सकें। हमारा सार्वजनिक रूप से उपलब्ध सिस्टम, TerraLingua, जहाँ आप एजेंट, कलाकृतियाँ, और यहाँ तक कि एजेंट का रूप धारण करके उनके व्यक्तिगत और सामूहिक व्यवहार को देख सकते हैं, इस दिशा में एक कदम है।

आज के एजेंटिक AI की लहर से आगे देखते हुए, आपका क्या मानना है कि कौन सी तकनीकी प्रगति या वास्तुशिल्पीय परिवर्तन अभी भी अनुपलब्ध है, जिससे हम न्यूनतम मानव हस्तक्षेप के साथ दीर्घकालिक, जटिल उद्देश्यों को विश्वसनीय रूप से प्रबंधित करने में सक्षम AI सिस्टम बना सकें?

आज के एजेंटों की कई सीमाएँ AI में वर्तमान अत्याधुनिक तकनीक की सीमाओं से उत्पन्न होती हैं। LLMs प्रशिक्षण के बाद लगभग स्थिर रहते हैं और नई जानकारी मिलने पर अपनी राय नहीं बदल सकते। LLMs एक साथ सब कुछ और सभी होते हैं, इसलिए उन्हें संदर्भ और प्रॉम्प्ट के साथ तैयार किया जाना चाहिए और वे इस तैयारी के प्रति अत्यधिक संवेदनशील होते हैं। LLMs की संदर्भ विंडो सीमित होती है और उन्हें प्रत्येक शब्द या कार्रवाई के लिए सब कुछ फिर से फीड करना पड़ता है। बहु-एजेंट स्तर पर, मेरा मानना है कि हमें व्यापक रूप से स्वीकृत वितरित समन्वय प्रोटोकॉल, विश्वास सुरक्षा रेखाएँ और नीतियाँ, तथा लेनदेन मध्यस्थ प्रणाली की आवश्यकता है ताकि एजेंटिक भविष्य अपनी पूरी क्षमता तक पहुँच सके।

उत्कृष्ट साक्षात्कार के लिए धन्यवाद, जो पाठक अधिक जानना चाहते हैं उन्हें Cognizant या हमारा पिछला साक्षात्कार देखना चाहिए।