लिरान हेसन, एपोरिया के सह-संस्थापक और सीईओ – साक्षात्कार श्रृंखला

लिरान हेसन एपोरिया के सह-संस्थापक और सीईओ हैं, जो एक फुल-स्टैक एमएल ऑब्जर्वेबिलिटी प्लेटफ़ॉर्म है जिसका उपयोग फॉर्च्यून 500 कंपनियों और दुनिया भर की डेटा साइंस टीमों द्वारा जिम्मेदार एआई सुनिश्चित करने के लिए किया जाता है। एपोरिया किसी भी एमएल इंफ्रास्ट्रक्चर के साथ सहजता से एकीकृत होता है। चाहे वह कुबेरनेट्स पर फास्टएपीआई सर्वर हो, एमएलफ्लो जैसा ओपन-सोर्स डिप्लॉयमेंट टूल हो, या एडब्ल्यूएस सेजमेकर जैसा मशीन लर्निंग प्लेटफ़ॉर्म हो

एपोरिया की स्थापना से पहले, लिरान एडलोम में एमएल आर्किटेक्ट थे, जिसे माइक्रोसॉफ्ट ने खरीदा था, और बाद में वर्टेक्स वेंचर्स में निवेशक थे।

आपने 10 साल की उम्र में कोडिंग शुरू कर दी थी, कंप्यूटर में आपको सबसे पहले क्या आकर्षित किया, और आप क्या कर रहे थे?

यह 1999 था, और मेरे एक दोस्त ने मुझे फोन किया और कहा कि उन्होंने एक वेबसाइट बनाई है। अपने ब्राउज़र में 200 अक्षर लंबे पते को टाइप करने के बाद, मैंने एक वेबसाइट देखी जिस पर उनका नाम था। मुझे यह बात बहुत आश्चर्यजनक लगी कि उन्होंने अपने कंप्यूटर पर कुछ बनाया और मैं अपने कंप्यूटर पर देख सकता था। इससे मुझे यह जानने की बहुत उत्सुकता हुई कि यह कैसे काम करता है और मैं ऐसा कैसे कर सकता हूं। मैंने अपनी मां से एक एचटीएमएल पुस्तक खरीदने के लिए कहा, जो मेरा पहला कदम प्रोग्रामिंग में था।

मुझे तकनीकी चुनौतियों का सामना करने में बहुत आनंद आता है, और समय के साथ मेरी जिज्ञासा और बढ़ गई। मैंने एएसपी, पीएचपी, और विजुअल बेसिक सीखा, और वास्तव में सब कुछ सीखने की कोशिश की।

जब मैं 13 साल का था, तब मैं पहले से ही कुछ फ्रीलांस नौकरियां कर रहा था, वेबसाइट और डेस्कटॉप एप्स बना रहा था।

जब मेरे पास कोई सक्रिय काम नहीं था, तो मैं अपनी खुद की परियोजनाओं पर काम कर रहा था – आमतौर पर विभिन्न वेबसाइट और एप्लिकेशन जो लोगों को अपने लक्ष्य हासिल करने में मदद करने के लिए बनाए गए थे:

ब्लू-व्हाइट प्रोग्रामिंग – यह एक हिब्रू प्रोग्रामिंग भाषा है, जो एचटीएमएल के समान है, जिसे मैंने यह महसूस करने के बाद बनाया कि इज़राइल में अंग्रेजी में पर्याप्त दक्षता न रखने वाले बच्चे कोडिंग की दुनिया से सीमित या दूर रह जाते हैं।

ब्लिंकी – मेरे दादा-दादी बहरे हैं और साइन लैंग्वेज का उपयोग करके अपने दोस्तों से संवाद करते हैं। जब स्काइप और ओओवीओ जैसे वीडियो कॉन्फ्रेंसिंग सॉफ्टवेयर आए, तो वे पहली बार एक ही कमरे में न होते हुए भी दोस्तों से बात कर सके, जैसा हम फोन पर करते हैं। लेकिन सुन न पाने के कारण उन्हें आने वाली कॉल का पता नहीं चलता था। इसलिए मैंने ऐसा सॉफ्टवेयर लिखा जो आने वाली वीडियो कॉल पहचानता था और मेरे बनाए छोटे हार्डवेयर उपकरण में लगी एलईडी सरणी को चमकाकर उन्हें सूचित करता था। यह उपकरण उनके कंप्यूटर से जुड़ा था।

ये कुछ परियोजनाएं हैं जिन पर मैंने एक किशोर के रूप में काम किया था। मेरी जिज्ञासा कभी नहीं रुकी और मैंने सी, सी++, असेंबली, और ऑपरेटिंग सिस्टम के काम करने के तरीके सीखने की कोशिश की।

क्या आप माइक्रोसॉफ्ट (MSFT ) द्वारा खरीदी गई एडलोम में एमएल आर्किटेक्ट के रूप में अपनी यात्रा की कहानी साझा कर सकते हैं?

मैंने एडलोम में अपनी यात्रा शुरू की सैन्य सेवा के बाद की। सेना में कैप्टन के रूप में 5 साल बिताने के बाद मुझे उभरती कंपनी और बाजार से शुरुआती कर्मचारियों में से एक के रूप में जुड़ने का शानदार अवसर मिला। कंपनी का नेतृत्व महान संस्थापकों ने किया था, जिन्हें मैं अपनी सैन्य सेवा से जानता था, और शीर्ष-स्तरीय वीसी द्वारा समर्थित था – जैसे सिकोइया। क्लाउड प्रौद्योगिकियों का बाजार में आगमन अभी भी अपनी प्रारंभिक अवस्था में था, और हम उस समय के पहले क्लाउड सुरक्षा समाधानों में से एक बना रहे थे। उद्यम अभी भी ऑन-प्रिमाइस से क्लाउड में स्थानांतरित हो रहे थे, और हमने नए उद्योग मानकों को उभरते हुए देखा – जैसे कि ऑफिस 365, ड्रॉपबॉक्स (DBX ), मार्केटो, सेल्सफोर्स, और अन्य।

मेरे पहले कुछ हफ्तों में, मुझे पता था कि मैं एक दिन अपनी खुद की कंपनी शुरू करना चाहता हूं। मुझे लगता था कि मैं तकनीकी रूप से किसी भी चुनौती का सामना करने के लिए तैयार हूं, और अगर मैं नहीं हूं, तो मुझे पता है कि सही लोगों को मदद के लिए कहां से बुलाना है।

एडलोम को किसी ऐसे व्यक्ति की आवश्यकता थी जो गहराई से तकनीकी ज्ञान रखता हो लेकिन साथ ही ग्राहकों के साथ बातचीत भी कर सके। एक महीने बाद, मैं जीवन में पहली बार अमेरिका जा रहा था, लिंक्डइन (प्री-माइक्रोसॉफ्ट) के लोगों से मिलने के लिए एक विमान में था। कुछ हफ्तों बाद, वे अमेरिका में हमारे पहले भुगतान करने वाले ग्राहक बन गए। यह कई बड़ी निगमों में से एक था – नेटफ्लिक्स, डिज़नी, और सेफवे – जिनके लिए मैं महत्वपूर्ण क्लाउड मुद्दों का समाधान कर रहा था। यह बहुत शिक्षाप्रद और आत्मविश्वास बढ़ाने वाला था।

मेरे लिए, एडलोम में शामिल होना वास्तव में एक ऐसी जगह में शामिल होने के बारे में था जहां मैं बाजार में विश्वास करता था, मैं टीम में विश्वास करता था, और मैं दृष्टि में विश्वास करता था। मैं वहां मुझे दी गई अवसर के लिए बहुत आभारी हूं।

मैं जो करता हूं उसका उद्देश्य पहले भी और आज भी बहुत महत्वपूर्ण है। मेरे लिए, यह सेना में भी महत्वपूर्ण था, यह हमेशा महत्वपूर्ण था। मैं आसानी से देख सकता था कि एडलोम का सास समाधानों से जुड़ने का दृष्टिकोण, फिर उपयोगकर्ताओं और संसाधनों की गतिविधि की निगरानी करना, असामान्यताएं खोजना, और इस तरह के काम करने का तरीका था। मुझे एहसास हुआ कि यह भविष्य का तरीका होगा। इसलिए, मैंने निश्चित रूप से एडलोम को एक कंपनी के रूप में देखा जो सफल होने जा रही थी।

मैं हमारे एमएल इंफ्रास्ट्रक्चर के पूरे आर्किटेक्चर के लिए जिम्मेदार था। और मैंने पहले से ही इकोसिस्टम के लिए उचित टूलिंग की कमी को देखा और अनुभव किया। हाँ, मुझे यह स्पष्ट था कि एक समर्पित समाधान होना चाहिए जो एक केंद्रीकृत स्थान पर सभी मॉडलों को देख सके, जहां आप देख सकें कि मॉडल आपके व्यवसाय के लिए क्या निर्णय ले रहे हैं, और अपने एमएल लक्ष्यों की प्रगति पर नजर रखकर सक्रिय कदम उठा सकें। उदाहरण के लिए, हमारे पास ऐसे समय थे जब हमें अपने मशीन लर्निंग मॉडल में मुद्दों के बारे में बहुत देर से पता चला, और यह उपयोगकर्ताओं और व्यवसाय के लिए अच्छा नहीं था। यह वह जगह है जहां एपोरिया का विचार शुरू हुआ।

क्या आप एपोरिया के पीछे की उत्पत्ति की कहानी साझा कर सकते हैं?

मेरा अपना मशीन लर्निंग का अनुभव 2008 में शुरू हुआ, जब मैंने वेइज़मैन इंस्टीट्यूट में एक सहयोगी परियोजना में भाग लिया, जिसमें बाथ विश्वविद्यालय और एक चीनी अनुसंधान केंद्र शामिल था। वहां, मैंने एक बायोमेट्रिक पहचान प्रणाली बनाई जो आईरिस की छवियों का विश्लेषण करके 94% सटीकता प्राप्त कर सकती थी। यह परियोजना एक शोध दृष्टिकोण से सफल थी, लेकिन मेरे लिए, मैं 10 साल की उम्र से ही सॉफ्टवेयर बना रहा था, और कुछ ऐसा था जो वास्तविक नहीं लगा। आप वास्तविक जीवन में उस बायोमेट्रिक पहचान प्रणाली का उपयोग नहीं कर सकते थे जिसे मैंने बनाया था क्योंकि यह केवल उस विशिष्ट डेटासेट के लिए काम करती थी जिसका उपयोग मैंने किया था। यह पर्याप्त निर्धारित नहीं था।

यह थोड़ी पृष्ठभूमि है। उदाहरण के लिए, बायोमेट्रिक पहचान का मशीन लर्निंग सिस्टम बनाते समय आप चाहते हैं कि पूर्वानुमान निश्चित हों और सिस्टम किसी व्यक्ति की सही पहचान करे। जैसे आपका आईफोन सही व्यक्ति को सही कोण पर पहचान न पाने पर अनलॉक नहीं होता, वही वांछित परिणाम है। लेकिन जब मैंने इस क्षेत्र में शुरुआत की थी, तब मशीन लर्निंग में ऐसा नहीं था।

लगभग सात साल बाद, मैं एडलोम में उत्पादन मॉडल के साथ काम कर रहा था, जो हमारे व्यवसाय के लिए निर्णय ले रहे थे और जिनके लिए भरोसेमंद सुरक्षा उपाय नहीं थे और जिनके निर्णय हमारे ग्राहकों को प्रभावित करते थे। उसके बाद, मैं तीन साल तक वर्टेक्स वेंचर्स में निवेशक के रूप में काम किया। मैंने देखा कि अधिक से अधिक संगठन एमएल का उपयोग कर रहे हैं, और कंपनियां एमएल के बारे में बात करने से वास्तव में मशीन लर्निंग करने की ओर बढ़ रही हैं। हालांकि, इन कंपनियों ने एमएल अपनाया, लेकिन उन्हें उन्हीं समस्याओं का सामना करना पड़ा जिनसे हम एडलोम में जूझ रहे थे।

हर कोई एमएल का उपयोग करने के लिए दौड़ रहा था, और वे कंपनी के भीतर निगरानी प्रणाली बनाने की कोशिश कर रहे थे। जाहिर है, यह उनका मुख्य व्यवसाय नहीं था, और ये चुनौतियां बहुत जटिल थीं। यह वह जगह है जहां मुझे एहसास हुआ कि यह मेरे लिए एक बड़ा प्रभाव डालने का अवसर है।

एआई लगभग हर उद्योग में अपनाया जा रहा है, जिसमें स्वास्थ्य सेवा, वित्तीय सेवाएं, ऑटोमोटिव, और अन्य शामिल हैं, और यह सभी के जीवन को छूएगा और हमें प्रभावित करेगा। यह वह जगह है जहां एपोरिया अपनावास्तविक मूल्य दिखाता है – इन सभी जीवन-परिवर्तनकारी उपयोग के मामलों को काम करने में सक्षम बनाना और समाज में सुधार करने में मदद करना। क्योंकि किसी भी सॉफ्टवेयर की तरह, आपको बग मिलेंगे, और मशीन लर्निंग अलग नहीं है। यदि अनियंत्रित छोड़ दिया जाए, तो इन एमएल मुद्दों से व्यवसायिक निरंतरता और समाज पर अनजाने पूर्वाग्रह के परिणाम प्रभावित हो सकते हैं। अमेज़ॅन के एआई भर्ती उपकरण लागू करने के प्रयास (AMZN ) को लें – अनजाने पूर्वाग्रह के कारण मशीन लर्निंग मॉडल ने पुरुष उम्मीदवारों को महिला उम्मीदवारों की तुलना में भारी मात्रा में अनुशंसा की। यह एक अवांछित परिणाम है। इसलिए, अनजाने पूर्वाग्रह का पता लगाने के लिए एक समर्पित समाधान की आवश्यकता है इससे पहले कि यह समाचार में आता है और अंतिम उपयोगकर्ताओं को प्रभावित करता है।

संगठनों को मशीन लर्निंग पर सही ढंग से भरोसा करने और इसके लाभों का आनंद लेने के लिए, उन्हें यह जानने की आवश्यकता है कि जब यह सही ढंग से काम नहीं कर रहा है, और अब नए नियमों के साथ, अक्सर एमएल उपयोगकर्ताओं को अपने मॉडल की भविष्यवाणियों को समझाने के तरीके की आवश्यकता होगी। अंत में, यह महत्वपूर्ण है कि नए मॉडल और नवाचार परियोजनाओं को अनुसंधान और विकसित करने के लिए, लेकिन जब वे वास्तविक दुनिया में मिलते हैं और लोगों, व्यवसायों और समाज के लिए वास्तविक निर्णय लेते हैं, तो एक व्यापक ऑब्जर्वेबिलिटी समाधान की आवश्यकता होती है जो सुनिश्चित करे कि वे एआई पर भरोसा कर सकते हैं।

पारदर्शी और समझने योग्य एआई के महत्व को समझाएं?

पारंपरिक सॉफ्टवेयर और मशीन लर्निंग के बीच एक महत्वपूर्ण अंतर है। सॉफ्टवेयर में, आपके पास एक सॉफ्टवेयर इंजीनियर होता है जो कोड लिखता है, एप्लिकेशन की तर्क को परिभाषित करता है, हम जानते हैं कि कोड के प्रत्येक प्रवाह में क्या होगा। यह निर्धारित है। यह वह तरीका है जिस पर सॉफ्टवेयर आमतौर पर बनाया जाता है, इंजीनियर टेस्ट केस बनाते हैं, एज केस का परीक्षण करते हैं, 70% – 80% कवरेज प्राप्त करते हैं – आप महसूस करते हैं कि आप पर्याप्त हैं कि आप उत्पादन में जारी कर सकते हैं। यदि कोई अलर्ट सामने आता है, तो आप आसानी से डीबग कर सकते हैं और समझ सकते हैं कि कौन सा प्रवाह गलत हुआ और इसे ठीक कर सकते हैं।

यह मशीन लर्निंग के साथ नहीं है। इसके बजाय, मानव द्वारा तर्क को परिभाषित करने के बजाय, यह मॉडल के प्रशिक्षण प्रक्रिया के दौरान परिभाषित किया जाता है। जब हम तर्क की बात करते हैं, तो यह पारंपरिक सॉफ्टवेयर की तरह नियमों का एक सेट नहीं है, बल्कि मशीन लर्निंग मॉडल के दिमाग का प्रतिनिधित्व करने वाली लाखों और अरबों संख्याओं का एक मैट्रिक्स है। और यह एक ब्लैक बॉक्स है, हम वास्तव में नहीं जानते हैं कि इस मैट्रिक्स में प्रत्येक और हर संख्या का क्या अर्थ है। लेकिन हम जानते हैं कि सांख्यिकीय रूप से, इसलिए यह निर्धारित नहीं है, यह संभाव्य है। यह 83% या 93% समय में सटीक हो सकता है। यह कई प्रश्न उठाता है, है ना? पहला, हम एक ऐसी प्रणाली पर कैसे भरोसा कर सकते हैं जिसकी भविष्यवाणियों को हम समझा नहीं सकते? दूसरा, हम उच्च नियामक उद्योगों के लिए भविष्यवाणियों को कैसे समझा सकते हैं – जैसे कि वित्तीय क्षेत्र। उदाहरण के लिए, संयुक्त राज्य अमेरिका में, वित्तीय फर्मों को कानून द्वारा बाध्य किया जाता है कि वे अपने ग्राहकों को बताएं कि उन्हें ऋण आवेदन क्यों अस्वीकार कर दिया गया था।

मशीन लर्निंग भविष्यवाणियों को मनुष्यों के पढ़ने योग्य पाठ में समझाने में असमर्थता उद्योगों में एमएल के व्यापक अपनाने के लिए एक प्रमुख बाधा हो सकती है। हम चाहते हैं कि हम जानें कि मॉडल पूर्वाग्रहित निर्णय नहीं ले रहा है। हम यह सुनिश्चित करना चाहते हैं कि हम समझते हैं कि मॉडल को एक विशिष्ट निर्णय तक पहुंचाने के लिए क्या ले जा रहा है। यह वह जगह है जहां समझने योग्य और पारदर्शी एआई बहुत महत्वपूर्ण है।

एपोरिया के पारदर्शी और समझने योग्य एआई टूलबॉक्स समाधान कैसे काम करता है?

एपोरिया का समझने योग्य एआई टूलबॉक्स एक एकीकृत मशीन लर्निंग ऑब्जर्वेबिलिटी सिस्टम के हिस्से के रूप में काम करता है। उत्पादन मॉडल और एक विश्वसनीय निगरानी और अलर्टिंग समाधान की गहरी दृश्यता के बिना, समझने योग्य एआई अंतर्दृष्टि पर भरोसा करना मुश्किल है – यदि आउटपुट विश्वसनीय नहीं है, तो भविष्यवाणियों को समझाने की कोई आवश्यकता नहीं है। और इसलिए, यह वह जगह है जहां एपोरिया आता है, जो सभी चल रहे मॉडलों पर एक ही पैनल में दृश्यता प्रदान करता है, अनुकूलन योग्य निगरानी, अलर्टिंग क्षमताएं, डीबगिंग टूल, रूट कारण जांच, और समझने योग्य एआई। किसी भी और सभी मुद्दों के लिए एक समर्पित, फुल-स्टैक ऑब्जर्वेबिलिटी समाधान जो उत्पादन में आता है।

एपोरिया प्लेटफ़ॉर्म एग्नोस्टिक है और एआई-ओरिएंटेड व्यवसायों, डेटा साइंस और एमएल टीमों को एक केंद्रीकृत डैशबोर्ड और उनके मॉडल के स्वास्थ्य, भविष्यवाणियों और निर्णयों में पूरी दृश्यता प्रदान करता है – जिससे उन्हें अपने एआई पर भरोसा करने में सक्षम बनाता है। एपोरिया के समझने योग्य एआई का उपयोग करके, संगठन एक क्लिक के साथ मशीन लर्निंग निर्णयों को समझाकर सभी संबंधित हितधारकों को जानकारी दे सकते हैं – विशिष्ट मॉडल भविष्यवाणियों पर मनुष्यों के पढ़ने योग्य अंतर्दृष्टि प्राप्त कर सकते हैं या “क्या होगा अगर” स्थितियों का अनुकरण कर सकते हैं। इसके अलावा, एपोरिया मॉडल में डाले जाने वाले डेटा और उसकी भविष्यवाणियों को लगातार ट्रैक करता है और महत्वपूर्ण घटनाओं पर अलर्ट भेजता है, जिनमें प्रदर्शन ह्रास, अनजाने पूर्वाग्रह, डेटा ड्रिफ्ट और यहां तक कि मॉडल में सुधार के अवसर भी शामिल हैं। अंत में, एपोरिया के जांच टूलबॉक्स के साथ, आप किसी भी घटना के मूल कारण का पता लगा सकते हैं और उत्पादन में किसी भी मॉडल में सुधार कर सकते हैं।

डेटा पॉइंट्स और टाइम सीरीज़ जांच टूल जैसी कुछ कार्यक्षमता जो पेश की जाती है, वे एआई पूर्वाग्रह और ड्रिफ्ट को रोकने में कैसे मदद करते हैं?

डेटा पॉइंट्स मॉडल को मिलने वाले डेटा और व्यवसाय के लिए की जाने वाली भविष्यवाणियों का लाइव दृश्य प्रदान करता है। आप इसका लाइव फीड प्राप्त कर सकते हैं और समझ सकते हैं कि आपके व्यवसाय में क्या हो रहा है। इसलिए, यह दृश्यता की क्षमता पारदर्शिता के लिए बहुत महत्वपूर्ण है। कभी-कभी चीजें समय के साथ बदलती हैं और समय के साथ कई बदलावों के बीच संबंध होता है – यह समय श्रृंखला जांच की भूमिका है।

हाल ही में प्रमुख खुदरा विक्रेताओं के सभी एआई पूर्वानुमान उपकरण आपूर्ति श्रृंखला की समस्याओं का अनुमान लगाने में विफल रहे, एपोरिया प्लेटफ़ॉर्म इसे कैसे हल करेगा?

इस तरह के मुद्दों की पहचान करने में मुख्य चुनौती यह है कि हम भविष्य की भविष्यवाणियों के बारे में बात कर रहे हैं। इसका मतलब है कि हमने भविष्य में कुछ होने या नहीं होने की भविष्यवाणी की है। उदाहरण के लिए, कितने लोग एक विशिष्ट शर्ट खरीदेंगे या एक नया प्लेस्टेशन खरीदेंगे।

तब यह वास्तविक परिणामों को इकट्ठा करने में कुछ समय लगता है – कुछ हफ्तों से अधिक। तब, हम सारांशित कर सकते हैं और कह सकते हैं, ठीक है, यह वास्तविक मांग थी जिसे हमने देखा। यह समयरेखा, हम कुल कुछ महीनों की बात कर रहे हैं। यह वह समय है जो भविष्यवाणी करने वाले मॉडल से लेकर व्यवसाय को यह जानने तक लगता है कि क्या यह सही था या गलत। और उस समय तक, यह आमतौर पर बहुत देर हो चुकी होती है, व्यवसाय या तो संभावित राजस्व खो देता है या मार्जिन को कम करने के लिए अतिरिक्त स्टॉक को भारी छूट पर बेचने के लिए मजबूर होता है।

यह एक चुनौती है। और यह वह जगह है जहां एपोरिया तस्वीर में आता है और बहुत, बहुत मददगार साबित होता है। पहले, यह संगठनों को आसानी से दृश्यता और निर्णय लेने वाली प्रणाली में दृश्यता प्राप्त करने की अनुमति देता है – क्या कोई उतार-चढ़ाव है? क्या कुछ ऐसा है जो समझ में नहीं आता है? दूसरा, जैसा कि हम बड़े खुदरा विक्रेताओं के बारे में बात कर रहे हैं, हम बड़े, बहुत बड़े स्टॉक की बात कर रहे हैं, और उन्हें मैनुअल रूप से ट्रैक करना लगभग असंभव है। यह वह जगह है जहां व्यवसाय और मशीन लर्निंग टीमें एपोरिया को सबसे ज्यादा महत्व देती हैं, एक 24/7 स्वचालित और अनुकूलन योग्य निगरानी प्रणाली के रूप में। एपोरिया डेटा और भविष्यवाणियों को लगातार ट्रैक करता है, यह भविष्यवाणियों के सांख्यिकीय व्यवहार का विश्लेषण करता है, और यह उपभोक्ताओं और डेटा के व्यवहार में बदलाव का अनुमान लगा सकता है और उसकी पहचान कर सकता है जैसे ही यह होता है। इसके बजाय छह महीने तक प्रतीक्षा करने के बजाय कि मांग पूर्वानुमान गलत था, आप कुछ दिनों में पहचान सकते हैं कि हम अपने मांग पूर्वानुमान के साथ गलत रास्ते पर हैं। इस तरह एपोरिया यह अवधि कुछ महीनों से घटाकर कुछ दिन कर देता है। यह हर एमएल पेशेवर के लिए बड़ा बदलाव है।

क्या आप एपोरिया के बारे में और कुछ साझा करना चाहेंगे?

हम लगातार बढ़ रहे हैं और एपोरिया यात्रा में शामिल होने के लिए अद्भुत लोगों की तलाश में हैं जो उत्कृष्ट दिमाग रखते हैं। हमारी रिक्त पद देखें।

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