माइक कैप्स, डाइवप्लेन के सह-संस्थापक और सीईओ – साक्षात्कार श्रृंखला

डॉ माइकल कैप्स एक प्रसिद्ध प्रौद्योगिकीविद् और डाइवप्लेन कॉर्पोरेशन के सीईओ हैं। डाइवप्लेन की सह-स्थापना से पहले, माइक ने वीडियोगेम उद्योग में एपिक गेम्स के राष्ट्रपति के रूप में एक दिग्गज करियर बनाया था, जो फोर्टनाइट और गियर्स ऑफ वार जैसे ब्लॉकबस्टर बनाने वाले थे। उनके कार्यकाल में सौ से अधिक गेम-ऑफ-द-ईयर पुरस्कार, दर्जनों सम्मेलन की मुख्य भाषण, एक लाइफटाइम अचीवमेंट पुरस्कार और यूएस सुप्रीम कोर्ट में वीडियोगेम की स्वतंत्र भाषण का सफल बचाव शामिल था।

डाइवप्लेन विभिन्न उद्योगों में एआई-संचालित व्यवसाय समाधान प्रदान करता है। छह पेटेंट अनुमोदित और कई लंबित होने के साथ, डाइवप्लेन का समझने योग्य एआई नैतिक एआई नीतियों और डेटा गोपनीयता रणनीतियों के समर्थन में पूर्ण समझ और निर्णय पारदर्शिता प्रदान करता है।

आप वीडियो गेम उद्योग में एपिक गेम्स में एक सफल करियर से सफलतापूर्वक सेवानिवृत्त हुए, एआई पर ध्यान केंद्रित करने के लिए सेवानिवृत्ति से बाहर निकलने के लिए आपको क्या प्रेरित किया?

गेम बनाना एक धमाका था, लेकिन – कम से कम उस समय – एक नए परिवार के साथ एक आदर्श करियर नहीं था। मैंने बोर्ड सीटों और सलाहकार भूमिकाओं के साथ व्यस्त रखा, लेकिन यह संतोषजनक नहीं था। इसलिए, मैंने तीन प्रमुख समस्याओं की सूची बनाई जो दुनिया का सामना कर रही थीं जिन पर मैं प्रभाव डाल सकता था – और इसमें ब्लैक-बॉक्स एआई सिस्टम का प्रसार शामिल था। मेरी योजना थी कि मैं एक-एक करके एक साल बिताऊंगा, लेकिन कुछ हफ्ते बाद, मेरे बुद्धिमान मित्र क्रिस हाजार्ड ने मुझे बताया कि उन्होंने एक पारदर्शी, पूरी तरह से समझने योग्य एआई प्लेटफ़ॉर्म पर गुप्त रूप से काम किया था। और यहाँ हम हैं।

डाइवप्लेन की शुरुआत एआई में मानवता लाने के मिशन के साथ हुई, आप विशेष रूप से इसका क्या अर्थ है?

हाँ। यहाँ हम मानवता का अर्थ “मानवता” या “सहानुभूति” से लेते हैं। अपने एआई मॉडल में मानवता का सर्वश्रेष्ठ हिस्सा सुनिश्चित करने के लिए, आप बस प्रशिक्षित, थोड़ा परीक्षण करें और आशा करें कि यह ठीक है।

हमें इनपुट डेटा, मॉडल खुद, और मॉडल के आउटपुट की सावधानीपूर्वक समीक्षा करने की आवश्यकता है, और सुनिश्चित करें कि यह हमारी मानवता का सर्वश्रेष्ठ प्रतिबिंबित करता है। अधिकांश सिस्टम जो ऐतिहासिक या वास्तविक दुनिया के डेटा पर प्रशिक्षित होते हैं, वे पहली बार में सही नहीं होंगे, और वे अनिवार्य रूप से पूर्वाग्रह से मुक्त नहीं होंगे। हम मानते हैं कि एक मॉडल में पूर्वाग्रह को दूर करने का एकमात्र तरीका – अर्थात सांख्यिकीय त्रुटियों और पूर्वाग्रह का संयोजन – पारदर्शिता, लेखा परीक्षा और मानव-व्याख्या योग्य व्याख्या है।

डाइवप्लेन में कोर तकनीक को रिएक्टर कहा जाता है, यह मशीन लर्निंग को समझने योग्य बनाने के लिए एक नावेल दृष्टिकोण क्या बनाता है?

मशीन लर्निंग आमतौर पर एक विशिष्ट प्रकार के निर्णय लेने के लिए एक मॉडल बनाने के लिए डेटा का उपयोग करने के लिए होती है। निर्णयों में वाहन के पहियों को मोड़ने के लिए कोण, किसी खरीद को मंजूरी देने या अस्वीकार करने या इसे धोखाधड़ी के रूप में चिह्नित करने, या किसी व्यक्ति को कौन सा उत्पाद सिफारिश करने के लिए शामिल हो सकते हैं। यदि आप जानना चाहते हैं कि मॉडल ने निर्णय कैसे लिया, तो आपको आमतौर पर मॉडल से कई समान निर्णय पूछने होंगे और फिर से प्रयास करना होगा कि मॉडल खुद क्या कर सकता है। मशीन लर्निंग तकनीकें या तो सीमित हैं जो वे पेशकश कर सकती हैं विचार, या वे कम सटीकता के साथ हैं।

रिएक्टर के साथ काम करना काफी अलग है। रिएक्टर आपके डेटा की अनिश्चितता की विशेषता है, और आपका डेटा मॉडल बन जाता है। एक प्रकार के निर्णय के लिए एक मॉडल बनाने के बजाय, आप रिएक्टर से पूछते हैं कि आप क्या निर्णय लेना चाहते हैं – यह डेटा से संबंधित कुछ भी हो सकता है – और रिएक्टर पूछता है कि किसी दिए गए निर्णय के लिए क्या डेटा की आवश्यकता है। रिएक्टर हमेशा आपको दिखा सकता है कि यह किस डेटा का उपयोग किया गया है, यह कैसे उत्तर से संबंधित है, हर पहलू की अनिश्चितता, विरोधाभासी तर्क, और लगभग कोई अतिरिक्त प्रश्न जो आप पूछना चाहते हैं। चूंकि डेटा मॉडल है, आप डेटा को संपादित कर सकते हैं और रिएक्टर तुरंत अपडेट हो जाएगा। यह आपको दिखा सकता है कि क्या कोई डेटा था जो असामान्य दिखता था जो निर्णय में गया था, और संपादन के स्रोत तक हर संपादन का पता लगा सकता है। रिएक्टर पूरी तरह से संभाव्यता सिद्धांत का उपयोग करता है, जिसका अर्थ है कि हम आपको इसके संचालन के हर हिस्से की माप की इकाइयाँ बता सकते हैं। और अंत में, आप केवल डेटा का उपयोग करके किसी भी निर्णय को पुन: उत्पन्न और सत्यापित कर सकते हैं जो निर्णय की ओर ले जाता है और अनिश्चितताओं के साथ, रिएक्टर की आवश्यकता के बिना अपेक्षाकृत सरल गणित का उपयोग करके।

रिएक्टर यह सब करते हुए उच्च प्रतिस्पर्धी सटीकता को बनाए रखता है, विशेष रूप से छोटे और दुर्लभ डेटा सेट के लिए।

जेमिनाई एक उत्पाद है जो एक डेटासेट का एक डिजिटल ट्विन बनाता है, इसका क्या अर्थ है और यह डेटा गोपनीयता को कैसे सुनिश्चित करता है?

जब आप जेमिनाई को एक डेटासेट देते हैं, तो यह उस डेटा के सांख्यिकीय आकार का गहरा ज्ञान बनाता है। आप इसका उपयोग एक सिंथेटिक ट्विन बनाने के लिए कर सकते हैं जो मूल डेटा की संरचना की नकल करता है, लेकिन सभी रिकॉर्ड नए बनाए जाते हैं। लेकिन सांख्यिकीय आकार समान है। इसलिए, उदाहरण के लिए, दोनों सेटों में रोगियों की औसत हृदय गति लगभग समान होगी, जैसे कि अन्य सभी सांख्यिकीय। इसलिए, मूल डेटा के रूप में ही सिंथेटिक ट्विन का उपयोग करके कोई भी डेटा विश्लेषण समान उत्तर देगा, जिसमें एमएल मॉडल को प्रशिक्षित करना शामिल है।

और यदि किसी के पास मूल डेटा में एक रिकॉर्ड है, तो सिंथेटिक ट्विन में उनके लिए कोई रिकॉर्ड नहीं होगा। हम केवल नाम को हटा नहीं रहे हैं – हम यह सुनिश्चित कर रहे हैं कि मूल और सिंथेटिक सेट दोनों में कोई रिकॉर्ड नहीं है जो एक दूसरे के “निकट” है। अर्थात्, कोई रिकॉर्ड नहीं है जो दोनों सेटों में पहचानने योग्य है।

और इसका मतलब है कि सिंथेटिक डेटा सेट को अधिक स्वतंत्र रूप से साझा किया जा सकता है बिना किसी गोपनीय जानकारी को अनुचित रूप से साझा करने के जोखिम के। यह कोई फर्क नहीं पड़ता कि यह व्यक्तिगत वित्तीय लेनदेन, रोगी स्वास्थ्य जानकारी, वर्गीकृत डेटा है – जब तक डेटा के सांख्यिकीय नहीं हैं गोपनीय, सिंथेटिक ट्विन गोपनीय नहीं है।

जेमिनाई डिफरेंशियल प्राइवेसी का उपयोग करने से बेहतर समाधान क्यों है?

डिफरेंशियल प्राइवेसी एक तकनीकों का सेट है जो किसी एक व्यक्ति को सांख्यिकीयों पर प्रभाव डालने से रोकता है, और यह लगभग किसी भी डेटा गोपनीयता समाधान में एक मूलभूत टुकड़ा है। हालांकि, जब डिफरेंशियल प्राइवेसी का उपयोग अकेले किया जाता है, तो डेटा के लिए एक गोपनीयता बजट का प्रबंधन करने की आवश्यकता होती है, जिसमें प्रत्येक प्रश्न में पर्याप्त शोर जोड़ा जाता है। एक बार जब यह बजट उपयोग किया जाता है, तो डेटा को फिर से उपयोग किए बिना गोपनीयता जोखिमों के बिना उपयोग नहीं किया जा सकता है।

इस बजट को पार करने का एक तरीका है कि डिफरेंशियल प्राइवेसी का उपयोग करके एक मशीन लर्निंग मॉडल को प्रशिक्षित किया जाए जो सिंथेटिक डेटा उत्पन्न कर सके। विचार यह है कि यह मॉडल, जो डिफरेंशियल प्राइवेसी का उपयोग करके प्रशिक्षित किया गया है, का उपयोग अपेक्षाकृत सुरक्षित रूप से किया जा सकता है। हालांकि, डिफरेंशियल प्राइवेसी का उचित अनुप्रयोग मुश्किल हो सकता है, खासकर यदि विभिन्न व्यक्तियों के लिए डेटा की मात्रा भिन्न होती है और अधिक जटिल संबंध होते हैं, जैसे कि एक ही घर में रहने वाले लोग। और इस मॉडल से उत्पन्न सिंथेटिक डेटा अक्सर दुर्भाग्य से वास्तविक डेटा शामिल कर सकता है जो किसी व्यक्ति द्वारा अपना होने का दावा कर सकता है क्योंकि यह बहुत समान है।

जेमिनाई इन समस्याओं और अधिक को हल करता है कई गोपनीयता तकनीकों को सिंथेटिक डेटा बनाते समय जोड़कर। यह विभिन्न प्रकार के डेटा प्रकारों को समायोजित करने में सक्षम एक व्यावहारिक रूप से डिफरेंशियल प्राइवेसी का उपयोग करता है। यह हमारे रिएक्टर इंजन पर बनाया गया है, इसलिए यह जानता है कि किसी भी डेटा के टुकड़े को एक दूसरे के साथ भ्रमित किया जा सकता है, और सिंथेटिक डेटा को सुनिश्चित करता है कि यह हमेशा मूल डेटा से पर्याप्त रूप से अलग है। इसके अलावा, यह प्रत्येक क्षेत्र, प्रत्येक डेटा को संभावित रूप से संवेदनशील या पहचान करने योग्य मानता है, इसलिए यह उन क्षेत्रों के लिए व्यावहारिक रूप से डिफरेंशियल प्राइवेसी का उपयोग करता है जिन्हें आमतौर पर संवेदनशील नहीं माना जाता है लेकिन एक व्यक्ति की अनोखी पहचान कर सकते हैं, जैसे कि 2 am और 3 am के बीच 24 घंटे की दुकान में एकमात्र लेनदेन। हम अक्सर इसे गोपनीयता क्रॉस-श्रेडिंग कहते हैं।

जेमिनाई लगभग किसी भी उद्देश्य के लिए उच्च सटीकता प्राप्त करने में सक्षम है, जो मूल डेटा की तरह दिखता है, लेकिन किसी को भी सिंथेटिक डेटा खोजने से रोकता है जो सिंथेटिक डेटा के लिए बहुत समान है।

डाइवप्लेन डेटा और ट्रस्ट एलायंस की सह-स्थापना में महत्वपूर्ण था, यह गठबंधन क्या है?

यह एक अविश्वसनीय समूह है प्रौद्योगिकी सीईओ, जो जिम्मेदार डेटा और एआई प्रथाओं को विकसित करने और अपनाने के लिए सहयोग कर रहे हैं। विश्व श्रेणी के संगठन जैसे कि आईबीएम, जॉनसन एंड जॉनसन, मास्टरकार्ड, यूपीएस, वॉलमार्ट, और डाइवप्लेन। हम इसके शुरुआती चरणों में होने और हमारी सामूहिक पहल पर काम करने पर बहुत गर्व महसूस करते हैं।

डाइवप्लेन ने हाल ही में एक सफल श्रृंखला ए फंडिंग राउंड जुटाया, यह कंपनी के भविष्य के लिए क्या मतलब है?

हम अपने उद्यम परियोजनाओं के साथ सफल रहे हैं, लेकिन दुनिया को एक उद्यम tại एक समय में बदलना मुश्किल है। हम इस समर्थन का उपयोग अपनी टीम का निर्माण करने, अपना संदेश साझा करने और समझने योग्य एआई को जितनी जगहों पर हो सके उतनी जगहों पर ले जाने के लिए करेंगे!

क्या डाइवप्लेन के बारे में कुछ और है जो आप साझा करना चाहेंगे?

डाइवप्लेन एआई को सही तरीके से करने के बारे में है क्योंकि यह प्रसारित होता है। हम न्यायसंगत, पारदर्शी और समझने योग्य एआई के बारे में हैं, निर्णय लेने वाले कारकों को प्रोक्रैस्टिनेटिंग दिखा रहे हैं, और एआई में “ब्लैक बॉक्स मानसिकता” से दूर जा रहे हैं जो अन्यायपूर्ण, अनैतिक और पूर्वाग्रही होने की क्षमता रखता है। हम मानते हैं कि व्याख्या एआई का भविष्य है, और हम इसके आगे बढ़ने में एक महत्वपूर्ण भूमिका निभाने के लिए उत्साहित हैं!

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