डैनियल सियोलेक, इनवगेट के रिसर्च और डेवलपमेंट के प्रमुख – साक्षात्कार श्रृंखला

डैनियल एक उत्साही आईटी पेशेवर हैं जिनके पास उद्योग में 15 से अधिक वर्षों का अनुभव है। उनके पास कंप्यूटर विज्ञान में पीएचडी है और प्रौद्योगिकी अनुसंधान में लंबा करियर है। उनकी रुचि कई क्षेत्रों में है, जैसे कि आर्टिफिशियल इंटेलिजेंस, सॉफ्टवेयर इंजीनियरिंग और हाई परफॉर्मेंस कंप्यूटिंग।

डैनियल इनवगेट में रिसर्च और डेवलपमेंट के प्रमुख हैं, जहां वे आरएंडडी पहलों का नेतृत्व करते हैं। वह उत्पाद और व्यवसाय विकास टीमों के साथ मिलकर कंपनी की आरएंडडी रणनीति को डिजाइन, लागू और निगरानी करने के लिए काम करते हैं। जब वह अनुसंधान नहीं कर रहे होते हैं, तो वह पढ़ाते हैं।

इनवगेट संगठनों को विभागों में सेवा प्रदान करने के लिए उपकरण प्रदान करके उन्हें सशक्त बनाता है, आईटी से लेकर सुविधाओं तक।

आपको कंप्यूटर विज्ञान में रुचि कब और कैसे हुई?

मेरी कंप्यूटर विज्ञान में रुचि मेरे बचपन से ही शुरू हुई। मैं इलेक्ट्रॉनिक उपकरणों से हमेशा आकर्षित था, और अक्सर उनके काम करने के तरीके को समझने की कोशिश करता था। जैसे-जैसे मैं बड़ा हुआ, यह जिज्ञासा मुझे कोडिंग की ओर ले गई। मुझे अभी भी याद है जब मैंने अपने पहले कार्यक्रम लिखे थे। उस पल से, मुझे पता था कि मैं कंप्यूटर विज्ञान में करियर बनाना चाहता हूं।

आप वर्तमान में आरएंडडी पहलों का नेतृत्व कर रहे हैं और नए जनरेटिव एआई अनुप्रयोगों को लागू कर रहे हैं। क्या आप अपने कुछ काम के बारे में बता सकते हैं?

बिल्कुल। हमारे आरएंडडी विभाग में, हम जटिल समस्याओं का सामना करते हैं जो कुशलता से प्रस्तुत और हल करना मुश्किल हो सकता है। हमारा काम जनरेटिव एआई अनुप्रयोगों तक सीमित नहीं है, लेकिन इस क्षेत्र में हाल की प्रगति ने हमें कई अवसर प्रदान किए हैं जिनका हम फायदा उठाना चाहते हैं।

इनवगेट में हमारा एक मुख्य उद्देश्य हमारे सॉफ्टवेयर की उपयोगिता को अनुकूलित करना है। हम ऐसा करके इसका उपयोग कैसे किया जा रहा है, इसकी निगरानी करते हैं, और जो बाधाएं हैं उन्हें दूर करने के लिए काम करते हैं। हमें अक्सर एक बाधा का सामना करना पड़ता है जो प्राकृतिक भाषा की समझ और उपयोग से संबंधित है। यह समस्या लार्ज लैंग्वेज मॉडल (एलएलएम) के बिना हल करना मुश्किल था।

हालांकि, लागत-प्रभावी एलएलएम के हाल के उद्भव के साथ, हम इन उपयोग के मामलों को सुव्यवस्थित करने में सक्षम हुए हैं। हमारी क्षमताओं में अब लेखन सिफारिशें प्रदान करना, स्वचालित रूप से ज्ञान आधार लेख तैयार करना, और विस्तृत पाठ का सारांश शामिल है, साथ ही कई अन्य भाषा-आधारित सुविधाएं शामिल हैं।

इनवगेट में आपकी टीम एक रणनीति का पालन करती है जिसे “अज्ञेय एआई” कहा जाता है। आप इसका क्या अर्थ समझाते हैं और यह महत्वपूर्ण क्यों है?

अज्ञेय एआई मूल रूप से लचीलेपन और अनुकूलन के बारे में है। मूल रूप से, यह एक ही एआई मॉडल या प्रदाता के लिए प्रतिबद्ध नहीं होने के बारे में है। इसके बजाय, हम अपने विकल्पों को खुला रखते हैं, प्रत्येक एआई प्रदाता की पेशकश की जाने वाली सर्वोत्तम चीजों का लाभ उठाते हुए, एक ही प्रणाली में तालमेल बैठाने के जोखिम से बचते हैं।

आप इसे ऐसे सोच सकते हैं: क्या हम अपनी जनरेटिव एआई सुविधाओं के लिए ओपनएआई के जीपीटी, गूगल के जेमिनी, या मेटा के लामा-2 का उपयोग करना चाहिए? क्या हम एक पे-एज़-यू-गो क्लाउड डिप्लॉयमेंट, एक प्रबंधित उदाहरण, या एक स्व-होस्ट किए गए डिप्लॉयमेंट का विकल्प चुनना चाहिए? ये महत्वपूर्ण निर्णय नहीं हैं, और वे समय के साथ बदलते रहते हैं क्योंकि नए मॉडल जारी किए जाते हैं और नए प्रदाता बाजार में प्रवेश करते हैं।

अज्ञेय एआई दृष्टिकोण सुनिश्चित करता है कि हमारी प्रणाली हमेशा अनुकूलन के लिए तैयार है। हमारे कार्यान्वयन में तीन मुख्य घटक हैं: एक इंटरफेस, एक राउटर, और एआई मॉडल स्वयं। इंटरफेस एआई प्रणाली के कार्यान्वयन विवरण को स abstracts करता है, जिससे अन्य सॉफ्टवेयर के हिस्सों के लिए इसे बातचीत करना आसान हो जाता है। राउटर विभिन्न कारकों जैसे अनुरोध के प्रकार और उपलब्ध एआई मॉडल की क्षमताओं के आधार पर प्रत्येक अनुरोध को कहां भेजने का निर्णय लेता है। अंत में, मॉडल वास्तविक एआई कार्य करते हैं, जिनमें कस्टम डेटा प्री-प्रोसेसिंग और परिणाम स्वरूप प्रक्रियाएं शामिल हो सकती हैं।

क्या आप विशिष्ट एआई मॉडल और प्रदाताओं का चयन करने के लिए अपनी निर्णय लेने की प्रक्रिया के तरीकों का वर्णन कर सकते हैं?

प्रत्येक नई सुविधा के लिए जिसे हम विकसित करते हैं, हम एक मूल्यांकन बेंचमार्क बनाना शुरू करते हैं। यह बेंचमार्क कार्य को कुशलता से हल करने में विभिन्न एआई मॉडल की प्रभावशीलता का मूल्यांकन करने के लिए डिज़ाइन किया गया है। लेकिन हम केवल प्रदर्शन पर ध्यान केंद्रित नहीं करते हैं, हम लागत और प्रत्येक मॉडल की गति को भी考虑 में लेते हैं। इससे हमें प्रत्येक मॉडल के मूल्य का एक समग्र दृष्टिकोण मिलता है, जिससे हम अनुरोधों को रूट करने के लिए सबसे लागत प्रभावी विकल्प चुन सकते हैं।

हालांकि, हमारी प्रक्रिया वहीं समाप्त नहीं होती। एआई के तेजी से विकसित होते क्षेत्र में, नए मॉडल लगातार जारी किए जा रहे हैं और मौजूदा मॉडल नियमित रूप से अपडेट किए जा रहे हैं। इसलिए, जब भी एक नया या अद्यतन मॉडल उपलब्ध होता है, हम अपने मूल्यांकन बेंचमार्क को फिर से चलाते हैं। इससे हम नए या अद्यतन मॉडल के प्रदर्शन की तुलना हमारे वर्तमान चयन से करने में मदद मिलती है। यदि एक नया मॉडल वर्तमान एक से बेहतर प्रदर्शन करता है, तो हम अपने राउटर मॉड्यूल को इस परिवर्तन को प्रतिबिंबित करने के लिए अपडेट करते हैं।

विभिन्न एआई मॉडल और प्रदाताओं के बीच चिकनी ढंग से स्विच करने की कुछ चुनौतियां क्या हैं?

विभिन्न एआई मॉडल और प्रदाताओं के बीच स्विच करना वास्तव में एक अनूठी चुनौती प्रस्तुत करता है।

पहले, प्रत्येक एआई प्रदाता को विशिष्ट तरीके से इनपुट की आवश्यकता होती है, और एआई मॉडल एक ही अनुरोध के प्रति अलग तरह से प्रतिक्रिया कर सकते हैं। इसका मतलब है कि हमें प्रत्येक मॉडल के लिए व्यक्तिगत रूप से अनुकूलन करने की आवश्यकता है, जो दिए गए विकल्पों की विविधता को देखते हुए काफी जटिल हो सकता है।

दूसरा, एआई मॉडल की अलग-अलग क्षमताएं होती हैं। उदाहरण के लिए, कुछ मॉडल जेएसओएन प्रारूप में आउटपुट उत्पन्न कर सकते हैं, जो हमारे कार्यान्वयन में बहुत उपयोगी साबित होता है। अन्य बड़ी मात्रा में पाठ को संसाधित कर सकते हैं, जिससे हम कुछ कार्यों के लिए अधिक व्यापक संदर्भ का उपयोग कर सकते हैं। इन क्षमताओं का प्रबंधन करके प्रत्येक मॉडल की क्षमता का अधिकतम लाभ उठाना हमारे काम का एक महत्वपूर्ण हिस्सा है।

अंत में, हमें यह सुनिश्चित करने की आवश्यकता है कि एआई द्वारा उत्पन्न प्रतिक्रियाएं उपयोग करने के लिए सुरक्षित हैं। जनरेटिव एआई मॉडल कभी-कभी “हॉलुसिनेशन” उत्पन्न कर सकते हैं, या झूठे, संदर्भ से बाहर, या संभावित रूप से हानिकारक प्रतिक्रियाएं उत्पन्न कर सकते हैं। इसे कम करने के लिए, हम अनुचित प्रतिक्रियाओं का पता लगाने और उन्हें फिल्टर करने के लिए कठोर पोस्ट-प्रोसेसिंग सैनिटाइजेशन फिल्टर लागू करते हैं।

अज्ञेय एआई प्रणाली के भीतर इंटरफेस को कैसे डिजाइन किया जाता है ताकि यह अंतर्निहित एआई प्रौद्योगिकियों की जटिलताओं को प्रभावी ढंग से उपयोगकर्ता-मित्री इंटरैक्शन के लिए स abstracts करे?

हमारे अज्ञेय एआई प्रणाली के भीतर इंटरफेस का डिजाइन आरएंडडी और इंजीनियरिंग टीमों के बीच एक संयुक्त प्रयास है। हम प्रत्येक सुविधा के लिए आवश्यकताओं और उपलब्ध डेटा को परिभाषित करने के लिए काम करते हैं। फिर, हम एक एपीआई डिजाइन करते हैं जो हमारे उत्पाद के साथ सहजता से एकीकृत होता है, इसे हमारे आंतरिक एआई-सेवा में लागू करता है। इससे इंजीनियरिंग टीमों को व्यवसायिक तर्क पर ध्यान केंद्रित करने की अनुमति मिलती है, जबकि हमारी एआई-सेवा एआई प्रदाताओं के साथ जटिलताओं को संभालती है।

यह प्रक्रिया अग्रिम अनुसंधान पर निर्भर नहीं करती है, बल्कि सिद्ध सॉफ्टवेयर इंजीनियरिंग प्रथाओं के अनुप्रयोग पर निर्भर करती है।

वैश्विक संचालन को ध्यान में रखते हुए, इनवगेट क्षेत्रीय उपलब्धता और स्थानीय डेटा नियमों के अनुपालन की चुनौती को कैसे संभालता है?

क्षेत्रीय उपलब्धता और स्थानीय डेटा नियमों के अनुपालन को सुनिश्चित करना इनवगेट में हमारे संचालन का एक महत्वपूर्ण हिस्सा है। हम उन एआई प्रदाताओं का चयन सावधानी से करते हैं जो न केवल पैमाने पर काम कर सकते हैं, बल्कि शीर्ष सुरक्षा मानकों का पालन करते हैं और क्षेत्रीय नियमों का अनुपालन करते हैं।

उदाहरण के लिए, हम केवल उन प्रदाताओं पर विचार करते हैं जो यूरोपीय संघ में जनरल डेटा प्रोटेक्शन रेगुलेशन (जीडीपीआर) जैसे नियमों का पालन करते हैं। इससे हमें विश्वास होता है कि हम विभिन्न क्षेत्रों में अपनी सेवाओं को तैनात कर सकते हैं, यह जानते हुए कि हम स्थानीय कानूनी ढांचे के भीतर काम कर रहे हैं।

प्रमुख क्लाउड प्रदाता जैसे एएमडब्ल्यूएस, एज़्योर, और गूगल क्लाउड इन आवश्यकताओं को पूरा करते हैं और व्यापक एआई कार्यक्षमता प्रदान करते हैं, जिससे वे हमारे वैश्विक संचालन के लिए उपयुक्त भागीदार बन जाते हैं। इसके अलावा, हम स्थानीय डेटा नियमों में परिवर्तनों की निरंतर निगरानी करते हैं ताकि यह सुनिश्चित किया जा सके कि हम लगातार अनुपालन बनाए रखें।

पिछले दशक में, विशेष रूप से जनरेटिव एआई के एकीकरण के साथ, इनवगेट का आईटी समाधानों के विकास के दृष्टिकोण में कैसे विकास हुआ है?

पिछले दशक में, इनवगेट का आईटी समाधानों के विकास के दृष्टिकोण में काफी विकास हुआ है। हमने अपने सुविधा आधार का विस्तार उन्नत क्षमताओं जैसे स्वचालित कार्य प्रवाह, डिवाइस खोज, और कॉन्फ़िगरेशन मैनेजमेंट डेटाबेस (सीएमडीबी) के साथ किया है। ये सुविधाएं हमारे उपयोगकर्ताओं के लिए आईटी संचालन को बहुत सरल बनाती हैं।

हाल ही में, हमने अपने उत्पादों में जनरेटिव एआई को एकीकृत करना शुरू किया है। यह लागत-प्रभावी समाधान प्रदान करने वाले एलएलएम प्रदाताओं के हाल के आगमन के कारण संभव हुआ है। जनरेटिव एआई का एकीकरण हमें अपने उत्पादों को एआई-संचालित समर्थन के साथ समृद्ध करने की अनुमति देता है, जिससे हमारे समाधान अधिक कुशल और उपयोगकर्ता-मित्री हो जाते हैं।

यह अभी भी शुरुआती दिन हैं, लेकिन हम भविष्यवाणी करते हैं कि एआई आईटी संचालन में एक सर्वव्यापी उपकरण बन जाएगा। इसलिए, हम अपने उत्पादों को और विकसित करने की योजना बना रहे हैं और आगे एआई प्रौद्योगिकियों को एकीकृत करने के लिए।

एआई हब में जनरेटिव एआई सामान्य आईटी घटनाओं की प्रतिक्रिया की गति और गुणवत्ता को कैसे बढ़ाता है?

एआई हब में जनरेटिव एआई सामान्य आईटी घटनाओं की प्रतिक्रिया की गति और गुणवत्ता को काफी बढ़ाता है। यह एक बहु-चरणीय प्रक्रिया के माध्यम से ऐसा करता है:

प्रारंभिक संपर्क: जब कोई उपयोगकर्ता समस्या का सामना करता है, तो वे हमारे एआई-संचालित वर्चुअल एजेंट (वीए) के साथ चैट खोल सकते हैं और समस्या का वर्णन कर सकते हैं। वीए स्वचालित रूप से कंपनी के ज्ञान आधार और सार्वजनिक आईटी समस्या निवारण मार्गदर्शिका के माध्यम से खोज करता है, और मार्गदर्शन प्रदान करता है। यह अक्सर समस्या को जल्दी और कुशलता से हल करता है।

टिकट निर्माण: यदि समस्या अधिक जटिल है, तो वीए टिकट बना सकता है, स्वचालित रूप से बातचीत से प्रासंगिक जानकारी निकाल सकता है।

टिकट असाइनमेंट: प्रणाली टिकट को एक समर्थन एजेंट को असाइन करती है, जो टिकट की श्रेणी, प्राथमिकता और एजेंट के अनुभव के आधार पर होता है।

एजेंट इंटरैक्शन: एजेंट अतिरिक्त जानकारी के लिए उपयोगकर्ता से संपर्क कर सकता है या उन्हें सूचित कर सकता है कि समस्या हल हो गई है। इंटरैक्शन में एआई द्वारा लेखन सिफारिशें शामिल होती हैं जो संचार में सुधार करती हैं।

एस्केलेशन: यदि समस्या को एस्केलेट करने की आवश्यकता है, तो स्वचालित सारांश सुविधा प्रबंधकों को समस्या को जल्दी से समझने में मदद करती है।

मृत्यु-पश्चात विश्लेषण: टिकट बंद होने के बाद, एआई मूल कारण विश्लेषण करता है, जो मृत्यु-पश्चात विश्लेषण और रिपोर्ट में सहायक होता है। एजेंट एआई का उपयोग करके ज्ञान आधार लेख तैयार कर सकता है, जो भविष्य में समान समस्याओं को हल करने में मदद करता है।

हमने इनमें से अधिकांश सुविधाओं को पहले ही लागू कर दिया है, और हम लगातार सुधार और उन्नति पर काम कर रहे हैं।

आगामी सुविधाओं जैसे कि स्मार्टर एमएस टीम्स वर्चुअल एजेंट के साथ, संवादात्मक समर्थन अनुभव में क्या अपेक्षित सुधार हैं?

एक आशाजनक दिशा यह है कि संवादात्मक अनुभव को एक “कोपायलट” में विस्तारित करना, न केवल प्रश्नों का उत्तर देने और सरल कार्य करने में सक्षम, बल्कि उपयोगकर्ताओं की ओर से अधिक जटिल कार्य भी करने में सक्षम। यह उपयोगकर्ताओं की स्व-सेवा क्षमताओं में सुधार करने में मदद कर सकता है, साथ ही साथ एजेंटों के लिए अतिरिक्त शक्तिशाली उपकरण प्रदान कर सकता है। अंततः, ये शक्तिशाली संवादात्मक इंटरफेस एआई को एक सर्वव्यापी साथी बना देंगे।

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