डैनी चेरकास्की, कार्डोम के सीईओ और सह-संस्थापक – साक्षात्कार श्रृंखला

डैनी चेरकास्की, कार्डोम के सीईओ और सह-संस्थापक, ध्वनि प्रौद्योगिकी नवाचार के क्षेत्र में अकουσ्टिक्स, सिग्नल प्रोसेसिंग और एल्गोरिदम विकास में दो दशक से अधिक का अनुभव लाते हैं। कार्डोम की स्थापना से पहले, उन्होंने सिलेंटियम लिमिटेड में सीटीओ के रूप में काम किया, जहां उन्होंने टियर 1 कंपनियों और शोध संस्थानों के साथ अनुसंधान और विकास सहयोग का नेतृत्व किया। बार-इलान विश्वविद्यालय से माइक्रोफोन एरे प्रोसेसिंग में पीएचडी के साथ, चेरकास्की गहरी तकनीकी विशेषज्ञता के साथ एक स्पष्ट मिशन को जोड़ती है – आधुनिक वॉयस इंटरैक्शन के निराशाओं को समाप्त करने के लिए प्रौद्योगिकी बनाने के लिए जो वास्तव में लोगों को सुनती है, न कि उनके आसपास के शोर को।

कार्डोम एआई-संचालित स्थानिक श्रवण समाधानों का नेतृत्व कर रहा है जो किसी भी वातावरण में स्पष्ट, व्यक्तिगत वॉयस इंटरैक्शन प्रदान करते हैं – कारों और सम्मेलन कक्षों से लेकर स्मार्ट घरों और सार्वजनिक स्थानों तक। इसकी प्रोप्राइटरी स्पीच-क्लस्टरिंग प्रौद्योगिकी स्थान के आधार पर आवाजों को अलग करती है, जिससे डिवाइस प्रत्येक वक्ता को समझता है जैसे कि वे एकमात्र व्यक्ति बोल रहे हों। हार्डवेयर-एज्नोस्टिक और एज-रेडी होने के लिए डिज़ाइन किया गया, कार्डोम का प्लेटफ़ॉर्म भाषा पहचान सटीकता, सुरक्षा और उपयोगकर्ता अनुभव को बढ़ाता है, मानव-मशीन संचार की अगली पीढ़ी को संचालित करता है।

आपको और डॉ. अलोन स्लापाक को कार्डोम की स्थापना करने के लिए क्या प्रेरित किया?

कार्डोम के लिए प्रेरणा हमारी पृष्ठभूमि में से एक मिली-जुली थी, जिसमें भाषण और ऑडियो दोनों शामिल थे, जो अकादमिक और उद्योग दोनों में थे। हमें भाषण मान्यता में प्रगति से रोमांचित किया गया था, विशेष रूप से जब गहरे तंत्रिका नेटवर्क दृश्य में प्रवेश किया।

एक शांत प्रयोगशाला में, प्रौद्योगिकी अद्भुत थी। लेकिन जब आप वास्तविक दुनिया में कदम रखते हैं, तो वह जादू गायब हो जाता है। हमने देखा कि एक शोरगुल वाली कार, एक व्यस्त कार्यालय, या एक अराजक घर में, राज्य-ऑफ-द-आर्ट, उन्नत प्रणालियां 1990 के दशक की प्रौद्योगिकी से अधिक नहीं थीं। यह प्रगति के लिए एक बड़ा बाधा था।

वॉइस सबसे प्राकृतिक तरीका है जिससे हम अपने उपकरणों के साथ बातचीत करते हैं, टचस्क्रीन के वास्तविक उत्तराधिकारी। लेकिन इसके लिए होने के लिए, प्रौद्योगिकी को वास्तविक जीवन के अराजकता को पार करना होगा। हमने फैसला किया कि हमारा मिशन बन जाए। हमने एक साल गैरेज में बिताया, ध्वनि तरंग प्रसार समीकरणों से जूझते हुए और नए विचारों का परीक्षण करते हुए, जब तक कि हमें एक सफलता नहीं मिली: जो अब कार्डोम की स्थानिक श्रवण प्रौद्योगिकी के रूप में जाना जाता है।

उस क्षण में, हमें पता था कि हमारे पास चाबी है। हमने कार्डोम की स्थापना नहीं की थी, लेकिन एक क्रांति शुरू करने के लिए, जिस तरह से लोग और मशीनें संवाद करते हैं।

कई वॉयस असिस्टेंट ओवरलैपिंग आवाजों या पृष्ठभूमि शोर के कारण उपयोगकर्ताओं को परेशान करते हैं और अक्सर निराश करते हैं। वास्तविक दुनिया की स्थितियों में पारंपरिक तरीके इतनी खराब प्रदर्शन क्यों करते हैं?

पारंपरिक वॉयस यूआई वास्तविक दुनिया में खराब प्रदर्शन करते हैं क्योंकि उनके सॉफ़्टवेयर में ध्वनि को समझने के लिए एक अत्यधिक सरलीकृत तरीका है। अधिकांश प्रणालियां ध्वनि की दिशा निर्धारित करने के लिए कई माइक्रोफ़ोन का उपयोग करती हैं, जो केवल ध्वनि के कोण पर ध्यान केंद्रित करती है और 3डी स्थानिक जानकारी को अनदेखा करती है। यह दृष्टिकोण तुरंत विफल हो जाता है क्योंकि वास्तविक दुनिया की स्थितियों में, जैसे कि कार, कार्यालय या लिविंग रूम में, जहां प्रतिध्वनि होती है, जहां ध्वनि तरंगें हर प्रतिबिंबित सतह से टकराती हैं।

यह एक भ्रमित करने वाला प्रभाव पैदा करता है, जैसे कि डिवाइस ‘अकाउस्टिक मिरर’ के हॉल में है, जहां एक ही आवाज सैकड़ों दिशाओं से आ रही है। प्रतिबिंबों के तूफान से अलग वक्ताओं की विशिष्ट आवाजों को पहचानने में असमर्थ, प्रणाली ध्वनि दृश्य को ठीक से डिकोड नहीं कर सकती है। यह मूलभूत सीमा है जो वास्तविक दुनिया की अराजक परिदृश्यों में वर्तमान वॉयस प्रौद्योगिकियों की इतनी खराब धारणा का कारण बनती है और अंततः विश्वसनीय रूप से प्रदर्शन करने में विफल रहती है।

कार्डोम की प्रौद्योगिकियां प्रत्येक व्यक्ति को कमरे में एकमात्र बोलते हुए व्यक्ति के रूप में मानती हैं। यह संभव बनाने वाली तकनीकी सफलता क्या है, और यह पारंपरिक दूर-क्षेत्र वॉयस मान्यता से कैसे भिन्न है?

हमारी तकनीकी सफलता एक प्रोप्राइटरी प्रौद्योगिकी है जिसे स्पेशल हियरिंग एआई कहा जाता है, जो पारंपरिक तरीकों से आगे निकल जाती है जो केवल ध्वनि की दिशा का पता लगाती है और इसके बजाय तीन-आयामी स्थान में इसके सटीक स्थान का पता लगाती है। यह काम करता है ध्वनि के प्रतिबिंब पैटर्न का विश्लेषण करके जो एक आवाज एक कमरे के भीतर बनाती है, जिसे एक विशिष्ट “अकाउस्टिक फिंगरप्रिंट” के रूप में मानती है जो उस स्थिति के लिए विशिष्ट है। हमारा एआई तुरंत और निष्क्रिय रूप से प्रत्येक ध्वनि स्रोत के लिए इस फिंगरप्रिंट का अनुमान लगाता है, प्रभावी रूप से पर्यावरण को मैप करता है। यह दृष्टिकोण पारंपरिक दिशा-चालित प्रणालियों से मूलभूत रूप से भिन्न है, जो प्रतिबिंबों से आसानी से भ्रमित हो जाती हैं जिन्हें हम मूल्य के रूप में उपयोग करते हैं। जबकि वे एक ही वक्ता को कई प्रतिबिंबों के रूप में सुनते हैं, हमारी प्रौद्योगिकी पूरे प्रतिबिंब पैटर्न का उपयोग करके वास्तविक स्रोत को इंगित करती है। व्यावहारिक परिणाम यह है कि एक कार्डोम-सक्षम डिवाइस एक शोरगुल वाले वातावरण में एक व्यक्ति पर ध्यान केंद्रित कर सकता है और उन्हें सुन सकता है जैसे कि वे एक शांत कमरे में अकेले बोल रहे हों। इसके अलावा, कॉग्निशन एआई सुनिश्चित करता है कि प्रणाली न केवल शब्दों को सुनती है, बल्कि यह भी समझती है कि किसने उन्हें कहा और किस संदर्भ में उन्हें कहा।

वॉयस एआई को अपना “आइफ़ोन पल” होने के लिए कहा जा रहा है। आपके दृष्टिकोण से, इसका क्या अर्थ है, और हम वास्तविक मुख्यधारा की अपनाने से कितनी दूर हैं?

मेरे लिए, “आइफ़ोन पल” का अर्थ है कि वॉयस आखिरकार हमारे उपकरणों के साथ बातचीत करने का मानक तरीका बनने के लिए तैयार है।

मैं निर्माताओं को अपने पूरे उत्पाद लाइनों में वॉयस एआई प्रौद्योगिकियों को एकीकृत करने के लिए दौड़ते हुए देखता हूं। कारें सुरक्षा कारणों से वॉयस-फ़र्स्ट इंटरफ़ेस बन रही हैं। स्मार्ट घरों को वॉयस यूज़र इंटरफ़ेस की आवश्यकता है क्योंकि यह हर जगह टचस्क्रीन रखना व्यावहारिक नहीं है। पारंपरिक इलेक्ट्रॉनिक्स भी वॉयस क्षमताओं को जोड़ रहे हैं क्योंकि यह अक्सर मेनू को नेविगेट करने से तेज़ है। कई प्रौद्योगिकियां वॉयस की अपनाने को बढ़ावा दे रही हैं, लेकिन वास्तविक क्रांति रोबोटिक्स द्वारा निर्देशित की जाएगी। जैसे ही रोबोट हमारे घरों और कार्यस्थलों में एकीकृत होते हैं, वॉयस इंटरफ़ेस के रूप में उभरेगा जो वास्तव में प्रभावी और प्राकृतिक है।

इस सहजता के लिए, रोबोटों को मानव स्तर पर हमें समझने की आवश्यकता है। उन्हें संदर्भ और प्राकृतिक भाषण की न्यूनतम समझने की आवश्यकता है, न कि केवल कीवर्ड। उन्हें एक स्थानिक जागरूकता की आवश्यकता है जो जादुई लगती है – यह जानने के लिए कि आप उनसे बात कर रहे हैं, भले ही एक शोरगुल वाले कमरे में। गंभीरता से, यह बुद्धिमत्ता को एज पर काम करने की आवश्यकता है ताकि तुरंत, निजी और विश्वसनीय संचार हो सके।

यह एक क्रमिक सुधार नहीं है; यह मानवों और मशीनों के बीच बातचीत के तरीके में एक मूलभूत परिवर्तन है। हम उस पुनर्परिभाषा का नेतृत्व करने वाली प्रौद्योगिकी बना रहे हैं। मैं कहूंगा कि हम उस बिंदु से लगभग 24 महीने दूर हैं जहां वॉयस एक अपेक्षित इंटरफ़ेस बन जाएगा, न कि एक अच्छा सुविधा सुविधा।

व्यावहारिक रूप से, आप कारों, स्मार्ट घरों, वियरेबल्स और सार्वजनिक स्थानों जैसे दैनिक उपकरणों को स्थानिक श्रवण और संज्ञान एआई द्वारा कैसे बदलने की कल्पना करते हैं?

परिवर्तन यह है कि आप अपने व्यवहार को प्रौद्योगिकी के अनुकूल बनाने के बिना प्राकृतिक बातचीत कर सकते हैं। कारों में, इसका अर्थ है वास्तव में हाथों से मुक्त नियंत्रण जो राजमार्ग की गति से ड्राइविंग करते समय संगीत बजाते हुए और यात्रियों के साथ बातचीत करते हुए काम करता है। स्मार्ट घर वास्तव में बुद्धिमान हो जाते हैं जब वे यह समझ सकते हैं कि कौन बोल रहा है और कहां से, बिना भ्रम के एक साथ कई अनुरोधों को संभाल सकते हैं।

मुख्य अंतर्दृष्टि यह है कि स्थानिक श्रवण एआई वॉयस मान्यता में सुधार नहीं करता है – यह पूरी तरह से नए इंटरैक्शन पैराडिग्म को सक्षम बनाता है। जब डिवाइस पूरे ध्वनि दृश्य को समझ सकते हैं, तो वे मानव संचार के प्राकृतिक प्रवाह में भाग ले सकते हैं, कünstlichen प्रतिबंधों पर निर्भर नहीं हैं। वियरेबल्स तब अधिक उपयोगी हो जाते हैं जब वे आपकी आवाज़ को आसपास की बातचीत से अलग कर सकते हैं, और सार्वजनिक स्थान व्यक्तिगत लेकिन निजी वॉयस सहायता प्रदान कर सकते हैं। जैसा कि रोबोटिक्स के लिए उल्लेख किया गया है, यह मानवों और मशीनों के बीच बातचीत के तरीके में एक मूलभूत परिवर्तन है जो हमारे जीवन में एकीकृत हो जाते हैं।

गोपनीयता हमेशा सुनने वाले उपकरणों के साथ बढ़ती चिंता है। कार्डोम प्रदर्शन और सटीकता की आवश्यकता के साथ डिवाइस पर प्रोसेसिंग की मांग को कैसे संतुलित करता है?

आज के वॉयस एआई समाधानों का अधिकांश हिस्सा एक हाइब्रिड मॉडल पर काम करता है, जो एक डिवाइस (एज) घटक और एक क्लाउड-आधारित घटक से बना होता है। जबकि एज प्रोसेसिंग को गोपनीयता के मुद्दे नहीं हैं क्योंकि डेटा उपयोगकर्ता के डिवाइस से कभी नहीं निकलता है, क्लाउड प्रोसेसिंग डेटा गोपनीयता के लिए एक महत्वपूर्ण चुनौती पेश करती है।

कार्डोम इस चुनौती का समाधान करता है bằng एज घटक की क्षमताओं को काफी बढ़ाकर। डिवाइस पर अधिक डेटा को स्थानीय रूप से संसाधित करके और क्लाउड पर निर्भरता को कम करके, कार्डोम यह सुनिश्चित करता है कि संवेदनशील वॉयस डेटा कभी डिवाइस से बाहर नहीं जाता है, जिससे बाजार में अन्य प्रणालियों की तुलना में बेहतर गोपनीयता सुरक्षा मिलती है।

एक “हमेशा सुनने वाले” डिवाइस के साथ एक बड़ा चिंता का विषय नहीं है माइक्रोफ़ोन द्वारा ऑडियो कैप्चर करना है, बल्कि यह जोखिम है कि उस ऑडियो को विश्लेषण के लिए क्लाउड में अपलोड किया जा सकता है। व्यावहारिक रूप से, निरंतर क्लाउड प्रोसेसिंग की प्रतिबंधक लागत का अर्थ है कि अधिकांश व्यावहारिक प्रणालियां इसे避ंती हैं, लेकिन इसकी कीमत एक कम गुणवत्ता वाली और कम प्रतिक्रियाशील वॉयस यूआई है।

कार्डोम इस व्यापार-बंद को हल करता है द्वारा शक्तिशाली और हमेशा चालू भाषा मॉडल को एज डिवाइस पर लाने। हमारी प्रौद्योगिकी के साथ, ध्वनि दृश्य, प्राकृतिक भाषण और संदर्भ सभी वास्तविक समय में डिवाइस पर विश्लेषण किए जाते हैं। कोई वॉयस डेटा कभी भी अपलोड या सहेजा नहीं जाता है। यह अभिनव दृष्टिकोण कार्डोम को दोनों मजबूत डेटा गोपनीयता और एक उच्च कुशल वॉयस यूआई प्रदान करने की अनुमति देता है, जो उपयोगकर्ताओं को वर्तमान में सामना करने वाले समझौते को समाप्त करता है।

उद्योग को और व्यापक रूप से देखते हुए, वॉयस एआई को उपभोक्ता इलेक्ट्रॉनिक्स में प्रमुख इंटरफ़ेस बनने से पहले कौन से सबसे बड़े बाधाएं हैं?

सबसे बड़ी बाधा यह है कि वॉयस एआई अभी तक मानवों की तरह संवाद नहीं करता है। जब तक वॉयस एआई मानवों की तरह सुनने और समझने में सक्षम नहीं हो जाता, साथ ही साथ संदर्भ जागरूकता और बातचीत के प्रवाह को समझने में सक्षम नहीं हो जाता, यह प्राथमिक इंटरफ़ेस नहीं बनेगा जो लोग इसे बनना चाहते हैं। एक महत्वपूर्ण तकनीकी बाधा यह है कि अधिकांश वॉयस एआई प्रौद्योगिकी क्लाउड-आधारित है। यह स्वाभाविक रूप से निरंतर सुनने और इस प्रकार बातचीत के प्रवाह को समझने से रोकता है।

यह सफलता तब आएगी जब वॉयस सिस्टम मानवों की तरह संवाद करने में सक्षम होंगे, जिसमें संदर्भ जागरूकता और बातचीत के प्रवाह की समझ शामिल है। यही वह समय होगा जब वॉयस प्रमुख इंटरफ़ेस बन जाएगा।

आपको कैसे लगता है कि वॉयस असिस्टेंट के साथ उपभोक्ताओं का संबंध तब बदल जाएगा जब शोरगुल वाले वातावरण में सटीकता और विश्वसनीयता का समाधान हो जाएगा?

एक बार जब सटीकता और विश्वसनीयता का समाधान हो जाएगा, तो वॉयस असिस्टेंट नोवेल्टी सुविधाओं से आवश्यक इंटरफ़ेस में बदल जाएंगे जिन पर लोग अपने दिन-प्रतिदिन के जीवन में निर्भर करते हैं। जब लोगों को यह पता चलता है कि वॉयस एआई उन्हें पहली बार में सही ढंग से समझेगा, भले ही वे चुनौतीपूर्ण वातावरण में हों, तो वे प्रौद्योगिकी के अनुकूल होने के बजाय इसे स्वाभाविक रूप से और संदर्भ में बातचीत करना शुरू कर देंगे।

वॉयस इंटरैक्शन का भविष्य भविष्यवाणी करने वाला और प्रोएक्टिव होगा। कल्पना कीजिए कि आपका डिवाइस न केवल आपके शब्दों को समझता है, बल्कि आपके स्वर, भावनात्मक संकेतों और संवादात्मक उपसंदेशों को भी समझता है। वर्तमान प्रणालियां प्राकृतिक बातचीत की लय से संघर्ष करती हैं और बाधाओं, मोड़ लेने और संदर्भ समझने में असमर्थ हैं। मानव अनुकूलन करते हैं जब उन्हें बाधित किया जाता है; वॉयस एआई अक्सर भ्रमित हो जाता है। ओईएम के लिए, चुनौती यह है कि वॉयस एआई एकीकृत करना है जो इस भविष्य के इंटरफ़ेस को वितरित कर सकता है बिना आज के समाधानों की जटिलता और हार्डवेयर आवश्यकताओं के।

अंत में, आप कार्डोम और वॉयस एआई पारिस्थितिकी तंत्र को पांच साल में कहां देखते हैं, और कौन से मील के पत्थर यह निर्धारित करेंगे कि क्या हम वास्तव में वॉयस-फ़र्स्ट कंप्यूटिंग के युग में प्रवेश कर चुके हैं?

पांच साल में, वॉयस एआई टचस्क्रीन और कीबोर्ड की तरह ही सर्वव्यापी होगा, और यह लगभग हर कंप्यूटिंग डिवाइस में अपेक्षित होगा। कार्डोम वह ऑपरेटिंग सिस्टम होगा जो उपयोगकर्ताओं को किसी भी डिवाइस, रोबोट, स्मार्ट चश्मे, कारों से लेकर किसी भी वातावरण में वॉयस द्वारा संचालित करने की अनुमति देगा।

मील के पत्थर व्यवहार संबंधी होंगे, न कि तकनीकी। हमें पता चलेगा कि हमने वॉयस-फ़र्स्ट कंप्यूटिंग हासिल कर ली है जब लोग वॉयस कमांड के बारे में सोचने के बजाय अपने पर्यावरण के साथ प्राकृतिक बातचीत करना शुरू कर देंगे, जब मल्टी-यूज़र वातावरण सहजता से काम करेंगे, और जब बच्चे किसी भी डिवाइस के साथ प्राकृतिक रूप से बात करने की उम्मीद करना शुरू कर देंगे। अंतिम उपाय यह नहीं होगा कि हमारी प्रौद्योगिकी कितनी जटिल हो जाती है, बल्कि यह है कि मानव कितनी प्राकृतिक रूप से डिजिटल दुनिया के साथ बातचीत करते हैं।

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