Juan E. Riojas, Bland में मुख्य सूचना अधिकारी — साक्षात्कार शृंखला

Juan E. Riojas, Bland में मुख्य सूचना अधिकारी हैं। उन्हें प्रौद्योगिकी और डेटा के क्षेत्र में नेतृत्व का व्यापक अनुभव है। उनका करियर उद्यम आईटी, डेटा प्रबंधन, विश्लेषिकी, संचालन और डिजिटल रूपांतरण तक फैला है। दिसंबर 2025 में Bland से जुड़ने से पहले, वह Twilio और Rackspace Technology में मुख्य सूचना अधिकारी रहे। इससे पहले उन्होंने Informatica में मुख्य डेटा अधिकारी और Gogo में डेटा प्रबंधन एवं विश्लेषिकी के उपाध्यक्ष के रूप में नेतृत्वकारी भूमिकाएँ निभाईं। Dell, Accenture, Expeditors International, OfficeMax और AxonGroup में वरिष्ठ परिचालन एवं प्रबंधन पदों पर भी उन्होंने काम किया है। इस अनुभव ने उन्हें बड़े पैमाने के संगठनों में प्रौद्योगिकी और डेटा संबंधी पहलों का प्रबंधन करने की व्यापक समझ दी है।

Bland उद्यमों के लिए वॉइस एआई कंपनी है, जो ऐसे एआई एजेंट बनाती है जो आने वाली और की जाने वाली फ़ोन बातचीत, ग्राहक सहायता, समय-निर्धारण, जानकारी जुटाने, कॉल रूट करने और अन्य जटिल कार्यप्रवाहों को संभाल सकते हैं। इसका प्लेटफ़ॉर्म अंतर्निहित प्रौद्योगिकी स्टैक पर नियंत्रण को प्राथमिकता देता है। Bland अपने वॉइस, भाषा और वाक् मॉडल विकसित और संचालित करती है, जबकि Bland Cloud, निजी वर्चुअल प्राइवेट क्लाउड या पूरी तरह से स्व-होस्ट किए गए और बाहरी नेटवर्क से अलग उद्यम परिवेशों के ज़रिए तैनाती का विकल्प भी देती है। कंपनी का विशेष ध्यान विनियमित और सुरक्षा-संवेदनशील उपयोगों पर है। इसके लिए वह बातचीत के मार्ग, मौजूदा टेलीफ़ोनी प्रणालियों के साथ एकीकरण, कॉन्फ़िगर किए जा सकने वाले डेटा प्रतिधारण, भूमिका-आधारित पहुँच नियंत्रण और उद्यम अनुपालन संबंधी क्षमताएँ उपलब्ध कराती है।

आपने Twilio और Rackspace में मुख्य सूचना अधिकारी की भूमिकाएँ निभाई हैं, Informatica में मुख्य डेटा अधिकारी के रूप में काम किया है और अपने करियर का बड़ा हिस्सा संचार अवसंरचना तथा उद्यम डेटा से जुड़े काम में बिताया है। इन अनुभवों से आपको एआई अपनाने में उद्यमों के सामने आने वाली बाधाओं के बारे में क्या सीख मिली? और अब Bland में जो स्व-होस्टेड प्लेटफ़ॉर्म आप बना रहे हैं, उसे आकार देने में इन अनुभवों की क्या भूमिका रही है?

Twilio, Rackspace और Informatica में मेरे अनुभव ने मुझे सिखाया कि उद्यमों में एआई अपनाने की सबसे बड़ी बाधा प्रौद्योगिकी नहीं, बल्कि भरोसा, नियंत्रण और बड़े पैमाने पर सुरक्षित ढंग से काम करने की क्षमता है। कंपनियों को यह पता होना चाहिए कि उनका डेटा कहाँ रखा है, उसे कौन नियंत्रित करता है और क्या एआई को उन सुरक्षा एवं शासन ढाँचों के भीतर इस्तेमाल किया जा सकता है जिन्हें बनाने में उन्होंने वर्षों लगाए हैं। इसी से Bland में हमारा दृष्टिकोण तय हुआ है: कंपनियों को ऐसा स्व-होस्टेड प्लेटफ़ॉर्म देना जो एआई की क्षमता उपलब्ध कराए, लेकिन उन्हें अपने अवसंरचना या डेटा पर नियंत्रण छोड़ने के लिए मजबूर न करे।

Bland एकमात्र स्व-होस्टेड वॉइस एआई प्लेटफ़ॉर्म है। इसका मतलब है कि एआई ऑर्केस्ट्रेशन की हर परत—वाक् से पाठ, LLM इन्फ़रेंस और पाठ से वाक्—पर आपका स्वामित्व होता है। Bland ने यह रास्ता क्यों चुना, और पूरे वॉइस एआई स्टैक का स्वामित्व अपने हाथ में लेने में सबसे कठिन तकनीकी चुनौतियाँ क्या थीं?

हमने स्वचालित वाक् पहचान (ASR) से लेकर बड़े भाषा मॉडल (LLM) के तर्क-विचार और पाठ से वाक् (TTS) तक, हर परत को स्व-होस्ट करने और उसका स्वामित्व अपने पास रखने का निर्णय तीन कारणों से लिया: एक सेकंड से कम की संवाद विलंबता, डेटा गोपनीयता की सख़्त सीमाएँ और उच्च परिचालन विश्वसनीयता।

जब आप अलग-अलग बाहरी विक्रेताओं की सेवाओं को एक के बाद एक जोड़ते हैं, तो देरी बढ़ती जाती है। नेटवर्क पर आने-जाने में लगने वाला समय, हर सेवा की कतार में अलग-अलग प्रतीक्षा और कोल्ड स्टार्ट—ये सब एक-दूसरे के ऊपर जुड़ते जाते हैं। नतीजतन, बातचीत के प्रवाह को तोड़ने वाला अस्वाभाविक विराम पैदा होता है।

अपने मॉडलों को एकीकृत रनटाइम में साथ रखकर और तृतीय-पक्ष एपीआई पर निर्भरता हटाकर, हम नेटवर्क के उन चक्करों से बचते हैं। इससे हमें डेटा पर पूरा संप्रभु नियंत्रण भी मिलता है, और संवेदनशील वॉइस स्ट्रीम तथा प्रतिलिपियाँ बाहरी अत्याधुनिक मॉडल प्रदाताओं तक कभी नहीं पहुँचतीं।

सबसे कठिन तकनीकी चुनौतियाँ विलंबता के समन्वय, स्ट्रीमिंग के तालमेल और उच्च समवर्तीता वाले GPU शेड्यूलिंग से जुड़ी थीं। वास्तविक समय में दोतरफ़ा वॉइस संचार के लिए टोकन का निर्बाध स्ट्रीमिंग के साथ निर्माण ज़रूरी है। TTS इंजन को वाक्य का निर्माण LLM द्वारा पूरा किए जाने से पहले ही ऑडियो संश्लेषित करना शुरू करना पड़ता है।

इसे संभव बनाने के लिए हमने कस्टम इन्फ़रेंस इंजन, कम विलंबता वाली अनुमान-आधारित डिकोडिंग पाइपलाइनें और ध्वनिक मॉडल के अनुकूलित रूप विकसित किए। ये मिलकर आवाज़ में होने वाले झटकों को रोकते हैं, बोलने की बारी का प्रबंधन करते हैं और उपयोगकर्ता के बीच में बोलने पर सहजता से प्रतिक्रिया देते हैं—वह भी GPU मेमोरी को पूरी तरह भरे बिना।

कई वॉइस एआई प्लेटफ़ॉर्म, प्रतिलेखन, तर्क-विचार और वाक्-निर्माण के लिए अलग-अलग तृतीय-पक्ष प्रदाताओं की सेवाओं को जोड़ते हैं। Bland द्वारा इस स्टैक का अधिक हिस्सा अपने हाथ में लेकर संचालित करने से क्या लाभ मिलते हैं, और इसके लिए इंजीनियरिंग के स्तर पर किन समझौतों की ज़रूरत पड़ती है?

सबसे बड़ा लाभ शुरू से अंत तक विलंबता पर नियंत्रण है। ASR, LLM और TTS के बीच नेटवर्क का कोई अतिरिक्त विलंब नहीं होता, इसलिए हम एकीकृत स्ट्रीमिंग पाइपलाइन चला सकते हैं, विभिन्न परतों में अनुकूलन कर सकते हैं और पहला बाइट मिलने तक के समय पर कड़ा नियंत्रण रख सकते हैं। जब हर हिस्सा किसी अलग विक्रेता से आता हो, तो इस स्तर का नियंत्रण हासिल नहीं किया जा सकता।

दूसरा लाभ सुरक्षा और अनुपालन की एकीकृत सीमा है। डेटा हमारे नियंत्रित परिवेश से बाहर नहीं जाता, इसलिए ग्राहक का ऑडियो और उसकी प्रतिलिपियाँ हमारी सत्यापित सुरक्षा-सीमा के भीतर रहती हैं। इससे तृतीय-पक्ष उप-प्रोसेसरों से जुड़े जोखिम खत्म होते हैं और HIPAA, SOC 2 तथा PCI DSS का अनुपालन करना बहुत आसान हो जाता है। जो भी व्यक्ति किसी विक्रेता की सुरक्षा समीक्षा से गुज़रा है, वह जानता है कि यह कितना महत्वपूर्ण है।

तीसरा लाभ लागत का पूर्वानुमान लगा पाना है। बाहरी आधारभूत मॉडल एपीआई के लिए हमें प्रति टोकन या प्रति मिनट अतिरिक्त शुल्क नहीं देना पड़ता, इसलिए उद्यम स्तर पर हमारी प्रति-इकाई लागत का अनुमान लगाया जा सकता है। और चूँकि मॉडल हमारे अपने हैं, हम ध्वनिकी, स्वर-लय और कार्य-विशिष्ट तर्क के वेट को सीधे बेहतर ढंग से अनुकूलित कर सकते हैं।

हालाँकि, इनमें से कुछ भी मुफ्त नहीं मिलता। इस तरीके में बुनियादी ढाँचे और GPU पर भारी पूंजी निवेश करना पड़ता है। समर्पित GPU के बड़े बेड़े का प्रबंधन करने के लिए परिष्कृत शेड्यूलिंग, ऑर्केस्ट्रेशन और कई क्षेत्रों में फ़ेलओवर की व्यवस्था चाहिए, और हार्डवेयर का खर्च भी अधिक होता है।

मॉडल के रखरखाव और उन्हें विशिष्ट ज़रूरतों के अनुरूप ढालने का भार भी हम खुद उठाते हैं। अग्रणी स्तर के अनुसंधान की ज़िम्मेदारी हम बाहरी विक्रेताओं को नहीं सौंप सकते। इसके बजाय, हम अलग-अलग लहजों, पृष्ठभूमि के शोर की स्थितियों और भाषाओं के लिए अपने आंतरिक मॉडलों को प्रशिक्षित करने, उनका मूल्यांकन करने और उनका रखरखाव करने का निरंतर इंजीनियरिंग कार्य करते हैं।

हमारे लिए यह समझौता इसके लायक है।

Bland को अगस्त में FedRAMP 20x Class A प्रमाणन मिला, और कंपनी का कहना है कि यह प्रमाणन पाने वाला वह पहला वॉइस AI प्लेटफ़ॉर्म है। ज़्यादातर पाठकों को FedRAMP 20x और पुराने FedRAMP के बीच का अंतर मालूम नहीं होगा। Class A क्या है, और इसे पाने के लिए आपको वास्तव में क्या साबित करना पड़ा?

FedRAMP 20x, 2026 के FedRAMP समेकित नियमों (CR26) के तहत शुरू किया गया आधुनिक, क्लाउड-नेटिव ढाँचा है। पुरानी प्रक्रिया में हर चीज़ को FIPS 199 के प्रभाव स्तरों—Low, Moderate और High—में वर्गीकृत किया जाता था, और उसमें कागजी कार्रवाई बहुत अधिक होती थी। 20x ने इनकी जगह अक्षर-आधारित प्रमाणन श्रेणियाँ—A, B, C और D—दी हैं।

Class A शुरुआती स्तर की श्रेणी है। इसे खास तौर पर उन वाणिज्यिक क्लाउड सेवा प्रदाताओं (CSPs) के लिए बनाया गया है जिनके सुरक्षा कार्यक्रम पहले से परिपक्व हैं और जो संघीय बाज़ार में प्रवेश करना चाहते हैं। इसे स्थायी मंज़िल के बजाय प्रवेश-पथ समझें। आपको FedRAMP प्रोग्राम प्रबंधन कार्यालय (PMO) से सीधे मान्यता प्राप्त प्रोग्राम प्रमाणन मिलता है, जिसके बाद आपके पास Class B, C या D में जाने के लिए 2 साल का समय होता है।

इस मुकाम तक पहुँचने के लिए हमें चार बातें साबित करनी पड़ीं। पहली, सुरक्षा, गोपनीयता और उपलब्धता के मूल सिद्धांतों को शामिल करने वाली SOC 2 Type II की वर्तमान और सत्यापित जाँच। दूसरी, संघीय क्लाउड सेवा की स्पष्ट रूप से परिभाषित और तार्किक रूप से अलग रखी गई सीमा, जिसमें हमारी वॉइस, SMS और चैट सेवाएँ शामिल थीं।

तीसरी, अनिवार्य FedRAMP 20x प्रमुख सुरक्षा संकेतकों (KSIs) को आधारभूत स्तर पर लागू करना, साथ ही निरंतर निगरानी के लिए तैयार रहना। इसमें कमज़ोरियों की स्कैनिंग, घटना-प्रतिक्रिया प्रक्रियाएँ, पहुँच नियंत्रण लागू करना और मशीन-पठनीय, निरंतर सुरक्षा रिपोर्टिंग शामिल है।

चौथी बात में हमारी पूरी तकनीकी संरचना पर हमारा अपना नियंत्रण वास्तव में काम आया। हमें यह सत्यापित करना पड़ा कि लिखित प्रतिलेख तैयार करने, तर्क करने और वाणी संश्लेषण की सारी प्रक्रियाएँ केवल Bland की अधिकृत कंटेनर सीमा के भीतर चलें और संघीय डेटा बिना जाँचे-परखे बाहरी अग्रणी AI प्रदाताओं को न भेजें। बाहरी विक्रेताओं के समाधानों को जोड़कर बने किसी प्लेटफ़ॉर्म के लिए इस शर्त को पूरा करना बहुत मुश्किल होता।

Bland निजी क्लाउड VPC से लेकर समर्पित, परिसर में स्थापित GPU बुनियादी ढाँचे तक कई तरह की तैनाती का समर्थन करता है। इन तैनाती मॉडलों के बीच बदलाव के साथ, खासकर विलंबता, विस्तार क्षमता और बुनियादी ढाँचे की ज़रूरतों के लिहाज़ से, आर्किटेक्चर कैसे बदलता है?

संक्षेप में, परिसर में तैनाती के जितना करीब जाते हैं, विलंबता और नियंत्रण के मामले में उतना ही अधिक लाभ मिलता है, लेकिन लचीले ढंग से क्षमता बढ़ाने-घटाने की गुंजाइश उतनी ही कम हो जाती है।

विलंबता से शुरुआत करें। परिसर में तैनाती और समर्पित VPC, दोनों में बाहरी नेटवर्क से होकर जाने वाले डेटा का आवागमन कम से कम रहता है, क्योंकि वे उद्यम की आंतरिक टेलीफ़ोनी ट्रंक लाइनों और SIP गेटवे के बिल्कुल पास होते हैं। उदाहरण के लिए, AWS या GCP पर निजी क्लाउड VPC में विलंबता क्षेत्र के भीतर नेटवर्किंग और क्लाउड इंटरकनेक्ट पर निर्भर करती है। परिसर में लगा समर्पित बेयर-मेटल हार्डवेयर इससे भी आगे जाता है। यह हाइपरवाइज़र वर्चुअलाइज़ेशन की परतों और सार्वजनिक इंटरनेट के रूटिंग को पूरी तरह हटा देता है, जिससे ध्वनिक जिटर न्यूनतम संभव स्तर पर रहता है।

क्षमता बढ़ाने के मामले में यह समझौता स्पष्ट दिखता है। क्लाउड VPC में हम लचीले ऑर्केस्ट्रेशन के ज़रिए क्षैतिज रूप से क्षमता बढ़ाते हैं; उदाहरण के लिए, क्लाउड GPU इंस्टेंस पर चलने वाले Kubernetes क्लस्टर का ऑटोस्केलिंग किया जाता है, ताकि कॉल की संख्या अचानक बढ़ने पर क्षमता अपने आप समायोजित हो जाए। परिसर में तैनाती इस तरह काम नहीं करती। वहाँ GPU की भौतिक क्षमता की एक तय सीमा होती है, इसलिए कॉल स्वीकार करने पर सख्त नियंत्रण, कतार प्रबंधन नीतियाँ और एक साथ चलने वाली कॉलों की अधिकतम संख्या के आधार पर हार्डवेयर की पहले से तय व्यवस्था ज़रूरी होती है। आपको सबसे व्यस्त दिन के लिए पहले से योजना बनानी पड़ती है।

बुनियादी ढाँचे की ज़रूरतें भी काफ़ी अलग होती हैं। निजी VPC तैनाती में प्रबंधित क्लाउड स्टोरेज, नेटिव IAM और क्लाउड में प्रबंधित सीक्रेट्स का इस्तेमाल किया जा सकता है। परिसर में इंस्टॉलेशन के लिए समर्पित रैक-माउंटेड GPU क्लस्टर (उदाहरण के लिए, NVIDIA के उद्यम-स्तरीय एक्सेलरेटर), उच्च-थ्रूपुट वाले स्थानीय नेटवर्क, हार्डवेयर सुरक्षा मॉड्यूल (HSMs) या स्थानीय की वॉल्ट और स्थानीय टेलीमेट्री कलेक्टर चाहिए। और यह सब ऐसे उद्यम कंटेनर रनटाइम पर चलना चाहिए जो पूरी तरह एयर-गैप्ड या सीमित बाहरी कनेक्टिविटी वाले वातावरण में काम कर सकें।

Bland उद्यमों को सॉफ़्टवेयर रिलीज़ पर नियंत्रण रखने, अलग-अलग परीक्षण परिवेश बनाए रखने और नए संस्करणों को व्यापक रूप से जारी करने से पहले वास्तविक कॉलों के एक हिस्से पर कैनरी के रूप में आज़माने की सुविधा देता है। जैसे-जैसे AI एजेंट ग्राहकों के सीधे संपर्क वाले उत्पादन परिवेशों में पहुँच रहे हैं, पारंपरिक सॉफ़्टवेयर रिलीज़ प्रक्रियाएँ खास तौर पर क्यों अहम होती जा रही हैं?

क्योंकि AI एजेंट पारंपरिक उद्यम सॉफ़्टवेयर की तरह व्यवहार नहीं करते।

नियतात्मक सॉफ़्टवेयर हर बार एक जैसा काम करता है। जनरेटिव AI एजेंट संभाव्य और अनियतात्मक होते हैं। प्रॉम्प्ट में मामूली बदलाव, मॉडल के वेट अपडेट या कार्य-प्रवाह में परिवर्तन से अनजाने में बातचीत की गुणवत्ता में गिरावट, मनगढ़ंत जानकारी या अनुपालन नीति का उल्लंघन हो सकता है। अक्सर, बदलाव में ही ऐसा कोई संकेत नहीं होता जिससे पता चले कि ऐसा होने वाला है।

इसीलिए पुराने रिलीज़ अनुशासन का महत्व अब कम नहीं, बल्कि और बढ़ गया है। अलग-थलग स्टेजिंग परिवेश और ऐतिहासिक कॉल कॉर्पस के विरुद्ध कठोर प्रतिगमन परीक्षण, किसी भी चीज़ के लाइव होने से पहले ही कई समस्याएँ पकड़ लेते हैं। कैनरी परिनियोजन इस प्रक्रिया को एक कदम आगे ले जाते हैं। नए संस्करण को लाइव कॉल के एक नियंत्रित प्रतिशत पर लागू किया जाता है और भावना में गिरावट, लक्ष्य-पूर्ति दर, विलंबता में अचानक उछाल और एस्केलेशन या हस्तांतरण के संकेतों जैसे वास्तविक समय के मापदंडों पर नज़र रखी जाती है। यह सब व्यापक ग्राहक आधार के इसके संपर्क में आने से पहले किया जाता है।

दाँव पर लगी चीज़ें ही इसे अनिवार्य बनाती हैं। ग्राहक सेवा, दावों या खाता प्रबंधन में किसी विफलता का मतलब नियामकीय जोखिम या ब्रांड को गंभीर नुकसान हो सकता है। अनुशासित कैनरी गेटिंग और तुरंत रोलबैक से ही किसी खराब अपडेट को नकारात्मक सुर्खी बनने से रोका जा सकता है।

बैंकों, स्वास्थ्य सेवा संगठनों, बीमा कंपनियों और सरकारी एजेंसियों को अक्सर अन्य व्यवसायों की तुलना में जनरेटिव एआई लागू करने में कहीं अधिक बाधाओं का सामना करना पड़ता है। इन संगठनों के साथ आपकी बातचीत में, आज वॉइस एआई के अधिक परिनियोजन में वास्तव में कौन-सी चीज़ बाधा बन रही है: सुरक्षा, डेटा संप्रभुता, विश्वसनीयता, एकीकरण की जटिलता, खरीद प्रक्रिया या कुछ और?

काफ़ी बड़े अंतर से सुरक्षा और डेटा संप्रभुता सबसे बड़ी बाधाएँ हैं; इनके बाद एकीकरण की जटिलता और पुरानी संरचना आती हैं। बैंकिंग, स्वास्थ्य सेवा, बीमा और सरकारी क्षेत्र में हमारी बातचीत के दौरान यह बात लगातार सामने आई है।

सुरक्षा के मामले में, कड़े नियमन वाले संगठन ऐसी संरचना बिल्कुल बर्दाश्त नहीं कर सकते जिसमें संवेदनशील ऑडियो स्ट्रीम, PHI या गैर-सार्वजनिक व्यक्तिगत जानकारी बाहरी API की सीमाओं के पार जाए या तीसरे पक्ष के मॉडल प्रदाता उसे प्रशिक्षण के लिए अपने पास रखें। इन खरीदारों के लिए ऑडिट की सुविधा, डेटा बिल्कुल न रखने की गारंटी और HIPAA, FedRAMP तथा PCI DSS जैसी सख्त अनुपालन सीमाएँ कोई अतिरिक्त लाभ नहीं हैं। वे बुनियादी अनिवार्य शर्तें हैं। यदि आप इन्हें पूरा नहीं कर सकते, तो आम तौर पर बातचीत वहीं समाप्त हो जाती है।

अगली बाधा एकीकरण है। इनमें से कई बड़े संगठन अब भी पुराने ऑन-प्रिमाइज़ PBX सिस्टम, जटिल IVR और बिखरी हुई मुख्य रिकॉर्ड प्रणालियों पर निर्भर हैं—जैसे स्वास्थ्य सेवा में Epic या Cerner, अथवा बैंकिंग में मेनफ्रेम प्रणालियाँ। इन परिवेशों में संवाद के रास्तों को वास्तविक समय में, कम विलंबता वाली, पढ़ने और लिखने की द्विदिशीय API पहुँच से जोड़ने पर एकीकरण का काफ़ी अतिरिक्त बोझ पैदा होता है।

इसके बाद विश्वसनीयता और मनगढ़ंत जवाब देने का जोखिम आता है। कानूनी, जोखिम और खरीद टीमें इस बात को लेकर स्वाभाविक रूप से चिंतित रहती हैं कि कोई स्वायत्त वॉइस एजेंट वित्तीय, चिकित्सा या नियामकीय मामलों में गलत सलाह दे सकता है। बड़े पैमाने पर उत्पादन इस्तेमाल को मंज़ूरी देने से पहले वे विस्तृत सुरक्षा नियंत्रण, निश्चित व्यवहार वाले संवादात्मक वैकल्पिक रास्ते और ज़रूरत पड़ने पर इंसान तक पहुँचाने की स्पष्ट प्रक्रियाएँ चाहती हैं।

बेहतरीन साक्षात्कार के लिए धन्यवाद। जो पाठक और जानना चाहते हैं, वे Bland पर जा सकते हैं।