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 करने से पहले, माइक ने एपिक गेम्स के अध्यक्ष के रूप में वीडियो गेम उद्योग में एक शानदार करियर बनाया था, जो फोर्टनाइट और गियर्स ऑफ वार जैसे ब्लॉकबस्टर्स के निर्माता हैं। उनके कार्यकाल में सौ गेम-ऑफ-द-इयर पुरस्कार, सम्मेलनों में दर्जनों मुख्य भाषण, एक लाइफटाइम अचीवमेंट पुरस्कार और यूएस सुप्रीम कोर्ट में वीडियोगेम्स के लिए एक सफल मुक्त भाषण रक्षा शामिल थी।

डाइवप्लेन विभिन्न उद्योगों में एआई-संचालित व्यवसाय समाधान प्रदान करता है। छह पेटेंटों को मंजूरी दी गई है और कई लंबित हैं, डाइवप्लेन के समझने योग्य एआई में नैतिक एआई नीतियों और डेटा गोपनीयता रणनीतियों के समर्थन में पूर्ण समझ और निर्णय पारदर्शिता है।

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

गेम बनाना बेहद मज़ेदार था, लेकिन – कम से कम उस समय – एक नए परिवार के साथ एक आदर्श करियर नहीं था। मैं निदेशक मंडल की सदस्यताओं और सलाहकार भूमिकाओं में व्यस्त रहा, लेकिन यह पूरी तरह से संतोषजनक नहीं था। इसलिए, मैंने तीन प्रमुख समस्याओं की एक सूची बनाई जो दुनिया का सामना कर रही थी जिसे मैं संभावित रूप से प्रभावित कर सकता था – और इसमें ब्लैक-बॉक्स एआई सिस्टम का प्रसार शामिल था। मेरी योजना थी कि मैं हर एक पर एक साल बिताऊंगा, लेकिन कुछ हफ्ते बाद, मेरे ब्रिलियंट दोस्त क्रिस हाजर्ड ने मुझे बताया कि उन्होंने गुप्त रूप से एक पारदर्शी और पूरी तरह से समझने योग्य एआई प्लेटफ़ॉर्म पर काम किया था। और यहाँ हम हैं।

डाइवप्लेन की शुरुआत एआई में मानवता लाने के मिशन के साथ हुई, आप इसका विशिष्ट अर्थ क्या समझाते हैं?

बिल्कुल। यहाँ मानवता से हमारा आशय मानवीय संवेदनशीलता या करुणा है। अपने एआई मॉडल में मानवता के सर्वोत्तम को सुनिश्चित करने के लिए, आप केवल मॉडल को प्रशिक्षित करके, थोड़ा परीक्षण करके यह उम्मीद नहीं कर सकते कि सब ठीक होगा।

हमें सावधानी से इनपुट डेटा, मॉडल खुद, और मॉडल के आउटपुट की समीक्षा करने की आवश्यकता है, और सुनिश्चित करने की आवश्यकता है कि यह हमारी मानवता के सर्वोत्तम को दर्शाता है। अधिकांश प्रणालियों को ऐतिहासिक या वास्तविक दुनिया के डेटा पर प्रशिक्षित किया जाता है, वे पहली बार में सही नहीं होंगे, और वे आवश्यक रूप से पूर्वाग्रह से मुक्त नहीं होंगे। हम मानते हैं कि पूर्वाग्रह को एक मॉडल में जड़ से निकालने का एकमात्र तरीका – जिसका अर्थ है सांख्यिकीय त्रुटियों और पूर्वाग्रह दोनों – पारदर्शिता, लेखा परीक्षा और मनुष्यों को समझ आने वाली व्याख्या का संयोजन है।

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

मशीन लर्निंग आमतौर पर डेटा का उपयोग करके एक मॉडल बनाने के लिए होता है जो एक विशिष्ट प्रकार का निर्णय लेता है। निर्णयों में शामिल हो सकते हैं वाहन के लिए पहियों को मोड़ने के लिए कोण, किसी खरीद को मंजूरी देने, अस्वीकार करने या धोखाधड़ी के रूप में चिह्नित करने के लिए, या किसी व्यक्ति को कौन सा उत्पाद सिफारिश करने के लिए। 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 कोशिश करनी होगी कि मॉडल खुद क्या करेगा। मशीन लर्निंग तकनीकों की सीमाएँ इस बात से जुड़ी होती हैं कि वे किस तरह की जानकारी दे सकती हैं, वह जानकारी निर्णय लेने में मॉडल की वास्तविक प्रक्रिया को कितना दर्शाती है, या उनकी सटीकता कम होने से।

रिएक्टर के साथ काम करना बहुत अलग है। रिएक्टर आपके डेटा की अनिश्चितता का स्वरूप बताता 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 चाहते हैं कि यह निर्णय ले – यह डेटा से संबंधित कुछ भी हो सकता है – और रिएक्टर पूछता है कि किसी दिए गए निर्णय के लिए कौन सा डेटा आवश्यक है। रिएक्टर हमेशा आपको दिखा सकता है कि यह किस डेटा का उपयोग करता है, यह उत्तर से कैसे संबंधित है, अनिश्चितता का हर पहलू, प्रतितथ्यात्मक 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 डेटा और इसके स्रोत के लिए 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 बनाए रखता है, विशेष रूप से छोटे और विरल डेटा सेट के लिए।

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

जब आप जेमिनाई को एक डेटासेट फीड करते हैं, तो यह उस डेटा के सांख्यिकीय आकार का गहरा ज्ञान प्राप्त करता 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, जैसा कि सभी अन्य आंकड़े होंगे। इसलिए, सिंथेटिक ट्विन का उपयोग करके किए गए किसी भी डेटा विश्लेषण से मूल डेटा के समान उत्तर मिलेगा, जिसमें एमएल मॉडल को प्रशिक्षित करना भी 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 सुनिश्चित करते हैं कि सूचना-स्थान में कोई नया रिकॉर्ड उनके रिकॉर्ड या अन्य मूल रिकॉर्डों के करीब न हो। अर्थात्, ऐसा कोई रिकॉर्ड नहीं होता जिसे मूल और सिंथेटिक दोनों सेटों में पहचाना जा सके।

और इसका मतलब है कि सिंथेटिक डेटा सेट को अधिक स्वतंत्र रूप से साझा किया जा सकता है, बिना गोपनीय जानकारी को अनुचित रूप से साझा करने के जोखिम के। यह मायने नहीं रखता कि यह व्यक्तिगत वित्तीय लेनदेन, रोगी स्वास्थ्य जानकारी, गोपनीय श्रेणी का डेटा है – जब तक डेटा के आंकड़े गोपनीय नहीं हैं, सिंथेटिक ट्विन गोपनीय नहीं है।

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

डिफरेंशियल गोपनीयता तकनीकों का एक समूह है जो इस संभावना को सीमित करता है कि कोई एक व्यक्ति आँकड़ों को मामूली मात्रा से अधिक प्रभावित करे, और यह लगभग किसी भी डेटा गोपनीयता समाधान में एक मूलभूत टुकड़ा है। हालांकि, जब डिफरेंशियल गोपनीयता 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 जोड़ना शामिल है। एक बार जब यह बजट उपयोग किया जाता है, तो गोपनीयता के जोखिम उठाए बिना डेटा का दोबारा उपयोग नहीं किया जा सकता।

इस बजट की सीमा से निपटने का एक तरीका है पूरा गोपनीयता बजट एक साथ इस्तेमाल करके सिंथेटिक डेटा उत्पन्न करने वाला मशीन लर्निंग मॉडल प्रशिक्षित करना। विचार यह है कि यह मॉडल, जो डिफरेंशियल गोपनीयता का उपयोग करके प्रशिक्षित किया गया है, का उपयोग सिंथेटिक डेटा उत्पन्न करने के लिए किया जा सकता है जो अपेक्षाकृत सुरक्षित है। हालांकि, डिफरेंशियल गोपनीयता का उचित अनुप्रयोग मुश्किल हो सकता है, विशेष रूप से यदि विभिन्न व्यक्तियों के लिए विभिन्न डेटा वॉल्यूम हैं और अधिक जटिल संबंध हैं, जैसे कि एक ही घर में रहने वाले लोग। और इस मॉडल से उत्पन्न सिंथेटिक डेटा अक्सर संयोग से वास्तविक डेटा शामिल कर सकता है जिसे कोई व्यक्ति अपना दावा कर सकता है क्योंकि यह बहुत समान है।

GEMINAI डेटा का संश्लेषण करते समय गोपनीयता की कई तकनीकें मिलाकर इन और अन्य समस्याओं को हल करता है। यह डिफरेंशियल गोपनीयता का ऐसा उपयुक्त व्यावहारिक रूप उपयोग करता है जो विभिन्न प्रकार के डेटा को संभाल सकता है। यह हमारे REACTOR इंजन पर आधारित है, इसलिए यह भी जानता है कि डेटा के किन हिस्सों के आपस में भ्रमित होने की कितनी संभावना है। यह सुनिश्चित करता है कि संश्लेषित डेटा सबसे मिलते-जुलते मूल डेटा से भी हमेशा पर्याप्त रूप से अलग रहे। इसके अतिरिक्त, यह हर फ़ील्ड और हर डेटा तत्व को संभावित रूप से संवेदनशील या पहचान बताने वाला मानता है। इसलिए यह उन फ़ील्डों पर भी डिफरेंशियल गोपनीयता के व्यावहारिक रूप लागू करता है जिन्हें सामान्यतः संवेदनशील नहीं माना जाता, लेकिन जो किसी व्यक्ति की विशिष्ट पहचान बता सकती हैं—जैसे चौबीसों घंटे खुली दुकान में रात दो से तीन बजे के बीच हुआ इकलौता लेनदेन। हम इसे अक्सर गोपनीयता के लिए सूचना का आड़ा-तिरछा विखंडन कहते हैं।

GEMINAI लगभग किसी भी उद्देश्य के लिए उच्च सटीकता प्राप्त कर सकता है। उसका डेटा मूल डेटा जैसा दिखता है, लेकिन वह किसी को ऐसा सिंथेटिक डेटा खोजने से रोकता है जो सिंथेटिक डेटा से बहुत मिलता-जुलता हो।

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

यह एक अविश्वसनीय रूप से महान समूह है जिसमें प्रौद्योगिकी सीईओ शामिल हैं, जो जिम्मेदार डेटा और एआई प्रथाओं को विकसित करने और अपनाने के लिए सहयोग कर रहे हैं। विश्वस्तरीय संगठन जैसे कि आईबीएम, जॉनसन एंड जॉनसन, मास्टरकार्ड (MA ), यूपीएस, वॉलमार्ट (WMT ) और डाइवप्लेन। हमें अपने प्रारंभिक चरणों में हिस्सा लेने और हमारी पहलों पर सामूहिक रूप से किए गए काम पर गर्व है।

डाइवप्लेन ने हाल ही में एक सफल श्रृंखला ए राउंड जुटाई, इसका क्या अर्थ होगा कंपनी के भविष्य के लिए?

हमें अपने उद्यम परियोजनाओं में सफल होने में भाग्यशाली होने का सौभाग्य मिला है, लेकिन एक-एक उद्यम के साथ काम करके दुनिया बदलना मुश्किल है। हम इस समर्थन का उपयोग अपनी टीम का निर्माण करने, अपना संदेश साझा करने और समझने योग्य एआई को जहां भी संभव हो उतारने के लिए करेंगे!

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

डाइवप्लेन का उद्देश्य यह सुनिश्चित करना है कि एआई के प्रसार के साथ उसे सही तरीके से विकसित और इस्तेमाल किया जाए। हम न्यायसंगत, पारदर्शी और समझने योग्य एआई के बारे में हैं, सक्रिय रूप से दिखाते हैं कि निर्णयों के पीछे क्या कारक हैं और एआई में “ब्लैक बॉक्स मानसिकता” से दूर जा रहे हैं जो अनुचित, अनैतिक और पूर्वाग्रह से ग्रस्त हो सकता है। हम मानते हैं कि निर्णयों को समझाने की क्षमता एआई का भविष्य है, और हम इसे आगे बढ़ाने में एक महत्वपूर्ण भूमिका निभाने के लिए उत्साहित हैं!

इस शानदार साक्षात्कार के लिए धन्यवाद। अधिक जानने के इच्छुक पाठक डाइवप्लेन पर जा सकते हैं।