जुलियन सालिनास, एनएलपी क्लाउड के संस्थापक और सीटीओ – साक्षात्कार श्रृंखला

जुलियन सालिनास एनएलपी क्लाउड के संस्थापक और सीटीओ हैं। एनएलपी क्लाउड प्लेटफ़ॉर्म स्पेसी और हगिंग फ़ेस ट्रांसफ़ॉर्मर्स पर आधारित उच्च प्रदर्शन उत्पादन-तैयार एनएलपी मॉडल प्रदान करता है, जिसमें एनईआर, भावना विश्लेषण, पाठ वर्गीकरण, सारांश, प्रश्न उत्तर, पाठ जनरेशन, अनुवाद, भाषा पता लगाने, व्याकरण और वर्तनी सुधार, इरादा वर्गीकरण और सेमेंटिक समानता जैसे कई उपयोग के मामले शामिल हैं।

आपको कंप्यूटर विज्ञान में क्या आकर्षित किया?

मैंने व्यवसाय स्कूल में प्रोग्रामिंग शुरू की! मुझे पता है कि यह आश्चर्यजनक लगता है। वास्तव में, मैं जल्द ही महसूस किया कि व्यवसाय स्वयं उबाऊ था और मैं जल्द ही सीमित हो जाऊंगा अगर मेरे पास अपनी परियोजनाओं को पूरा करने के लिए तकनीकी कौशल नहीं था।

उस समय का पहला परियोजना मेरे संगीत शिक्षक के लिए एक छोटी सी वेबसाइट थी, फिर मेरे परिवार के लिए एक और, फिर मैंने पाइथन सीखना शुरू किया… और इसी तरह। अब मैं 15 वर्षों से पाइथन/गो डेवलपर और डेवओप्स हूं।

एनएलपी क्लाउड की उत्पत्ति की कहानी साझा कर सकते हैं?

यह 2 साल पहले शुरू हुआ जब मुझे एहसास हुआ कि एक डेवलपर के रूप में, मशीन लर्निंग मॉडल को उत्पादन में ठीक से तैनात करना मुश्किल था।

मैं हगिंग फ़ेस ट्रांसफ़ॉर्मर्स और स्पेसी जैसे फ्रेमवर्क द्वारा की गई प्रगति से आश्चर्यचकित था, और मैं अपनी परियोजनाओं में बहुत उन्नत एनएलपी मॉडल का लाभ उठाने में सक्षम था। लेकिन इन मॉडलों का उपयोग उत्पादन में करना एक और जानवर था, और आश्चर्य की बात यह है कि मुझे बाजार में एनएलपी के लिए कोई दिलचस्प नो-ओप्स क्लाउड नहीं मिला।

इसलिए, मैंने अपने लिए एनएलपी मॉडल तैनाती के लिए एक मंच शुरू करने का फैसला किया। बहुत जल्द हमें ग्राहक प्रतिक्रिया मिली और हमने इन प्रतिक्रियाओं के आधार पर कई सुविधाएं जोड़ीं (पूर्व-प्रशिक्षित मॉडल, फ़ाइन-ट्यूनिंग, प्लेग्राउंड…)।

एनएलपी क्लाउड प्लेटफ़ॉर्म जीपीटी-3 के ओपन-सोर्स विकल्प जीपीटी-जे का समर्थन करता है। जीपीटी-जे विशेष रूप से क्या है?

जीपीटी-जे को जून में एल्यूथेरएआई नामक शोधकर्ताओं की एक टीम द्वारा जारी किया गया था। वे मानते हैं कि जीपीटी-3 एक ओपन-सोर्स मॉडल होना चाहिए, जैसे कि इसके पूर्ववर्ती (जीपीटी और जीपीटी-2)। वे दावा करते हैं कि भले ही हमें शक्तिशाली एआई मॉडल जैसे जीपीटी के संभावित दुरुपयोग के बारे में चिंतित होना चाहिए, लेकिन यह एक अच्छा कारण नहीं है कि इन मॉडलों को ओपन-सोर्स न बनाया जाए। इसके विपरीत: वे मानते हैं कि यदि एआई मॉडल ओपन-सोर्स रहते हैं, तो यह समुदाय के लिए यह समझने का सबसे अच्छा तरीका है कि ये मॉडल कैसे काम करते हैं, और फिर सुनिश्चित करें कि ये मॉडल गलत तरीके से व्यवहार नहीं करते हैं (लिंगवाद, नस्लवाद, …)।

जीपीटी-जे जीपीटी-3 करी के समान है, दोनों लगभग 6 बिलियन पैरामीटर पर प्रशिक्षित हैं।

दोनों का लगभग समान रूप से उपयोग किया जा सकता है।

जीपीटी-जे जीपीटी-3 का एक श्रेष्ठ विकल्प क्यों है?

जीपीटी-3 माइक्रोसॉफ्ट का है और लोगों के लिए इसका उपयोग करने का एकमात्र तरीका आधिकारिक जीपीटी-3 एपीआई के माध्यम से है।

लेकिन यह एपीआई बहुत महंगा है, और बहुत प्रतिबंधक है: आपको एपीआई तक पहुंच का अनुरोध करना होगा और, भले ही आपका अनुप्रयोग स्वीकृत हो जाए, आपकी पहुंच को बंद कर दिया जा सकता है अगर वे मानते हैं कि आपका व्यवसाय मॉडल उनके दिशानिर्देशों के अनुरूप नहीं है। उदाहरण के लिए, आप “ओपन-एंडेड” पाठ (कई अनुच्छेदों से बना लंबा पाठ) नहीं बना सकते हैं क्योंकि यह उनकी नीति के खिलाफ है।

जीपीटी-जे के साथ ऐसी कोई प्रतिबंध नहीं है क्योंकि यह ओपन-सोर्स है और कोई भी इसे स्थापित कर सकता है और इसका उपयोग कर सकता है।

जीपीटी-जे को एनएलपी क्लाउड पर एकीकृत करने में कुछ तकनीकी चुनौतियाँ क्या थीं?

जीपीटी-जे को स्थापित करना जटिल है क्योंकि इसकी उच्च संसाधन खपत (रैम, सीपीयू, जीपीयू…) के कारण। यह जीपीयू के बिना काम करता है लेकिन इतना धीमा है कि यह बहुत अव्यावहारिक है।

अंत में, जीपीटी-जे को चलाने के लिए आवश्यक हार्डवेयर बहुत महंगा है, इसलिए हमें लागत को कम करने के लिए कई कार्यान्वयन विवरण पर काम करना पड़ा।

इसके अलावा, जीपीटी-जे को एनएलपी क्लाउड पर उच्च उपलब्धता सुनिश्चित करने और इसे उत्पादन के लिए उपयुक्त बनाने के लिए, हमें जीपीटी-जे के लिए अपटाइम और फेलओवर रणनीतियों पर काम करना पड़ा, जो कि बहुत चुनौतीपूर्ण हो सकता है।

कुछ पूर्व-प्रशिक्षित एआई मॉडल जो पेश किए जाते हैं उन पर चर्चा कर सकते हैं?

हम प्रत्येक उपयोग के मामले के लिए सबसे अच्छा पूर्व-प्रशिक्षित एआई मॉडल चुनने का अपना सर्वश्रेष्ठ प्रयास करते हैं।

पाठ सारांश के लिए, हमारे विचार में सबसे अच्छा फेसबुक का बार्ट लार्ज सीएनएन है, जो बहुत अच्छे परिणाम देता है लेकिन जीपीयू के बिना बहुत धीमा हो सकता है।

पाठ वर्गीकरण के लिए, हमने फेसबुक के बार्ट लार्ज एमएनएलआई (अंग्रेजी वर्गीकरण के लिए) और जो डेविसन के एक्सएलएम रॉबर्टा लार्ज एक्सएलएनआई (गैर-अंग्रेजी भाषाओं के लिए) को लागू किया है। दोनों तेज़ और बहुत सटीक हैं।

प्रश्न उत्तर के लिए, हम डीपसेट के रॉबर्टा बेस स्क्वाड 2 का उपयोग करते हैं। यह तेज़ और सटीक है, लेकिन अधिक उन्नत प्रश्न उत्तर के लिए आपको जीपीटी-जे का उपयोग करना पड़ सकता है।

और कई अन्य!

एनएलपी क्लाउड के लिए कुछ सर्वश्रेष्ठ उपयोग के मामले क्या हैं?

जो उपयोग के मामले सबसे अधिक उपयोग किए जाते हैं वे पाठ सारांश, पाठ वर्गीकरण और जीपीटी-जे के साथ पाठ जनरेशन हैं, जैसे उत्पाद विवरण जनरेशन, परिफ्रेज़, लेख जनरेशन…

लेकिन हमारे ग्राहकों के बीच उपयोग के मामले बहुत विविध हैं, और यह देखना बहुत प्रभावशाली है कि इतने सारे शानदार विचार सामने आ रहे हैं!

क्या एनएलपी क्लाउड के बारे में और कुछ साझा करना चाहते हैं?

यह लगता है कि पाठ समझने और पाठ जनरेशन के लिए एआई अंततः वास्तविक उत्पादों या आंतरिक कार्य प्रवाह में उपयोग किया जा रहा है, अधिक से अधिक कंपनियों द्वारा।

यह देखना अच्छा है कि एनएलपी अब केवल एक शोध क्षेत्र नहीं है, बल्कि वास्तविक व्यवसाय उपयोग के मामले हैं जो एनएलपी का लाभ उठा सकते हैं।

एनएलपी क्लाउड पर, हम यह सुनिश्चित करने के लिए अपना सर्वश्रेष्ठ प्रयास करते रहेंगे कि कोई भी एनएलपी को उत्पादन में परीक्षण और उपयोग करने में आसानी से सक्षम हो।

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