ओनुर अल्प सोनेर, काउंटली के सीईओ और सह-संस्थापक – साक्षात्कार श्रृंखला

ओनुर अल्प सोनेर काउंटली के सह-संस्थापक और सीईओ हैं, जो एक डिजिटल विश्लेषण और ऐप में गहराई से जुड़ाव प्रदान करने वाला मंच है। एक प्रौद्योगिकीविद् और स्व-निर्मित उद्यमी, उन्होंने काउंटली को शून्य से शुरू किया ताकि कंपनियों को यह समझने और अपने उपयोगकर्ताओं के साथ जुड़ने के तरीके पर अधिक नियंत्रण दिया जा सके। उनके नेतृत्व में, काउंटली दुनिया भर के उद्यमों के लिए एक विश्वसनीय मंच में विकसित हुआ है जो तेजी से नवाचार करना चाहते हैं और साथ ही अपनी वृद्धि रणनीतियों के केंद्र में उपयोगकर्ता गोपनीयता को बनाए रखते हैं।

हमें उस पल पर ले जाएं जब आपने काउंटली की स्थापना की — मौजूदा विश्लेषणात्मक उपकरणों के साथ आपको क्या समस्या आई जिसने आपको यह विश्वास दिलाया कि डेटा स्वामित्व मॉडल मूल रूप से टूटा हुआ है?

लगभग १३ वर्ष पूर्व, जब मोबाइल ऐप्स उभरने लगे, तब उपलब्ध विश्लेषणात्मक उपकरण एक विशिष्ट मॉडल का पालन करते थे। उनमें से अधिकांश नि:शुल्क या अपेक्षाकृत सस्ते थे, लेकिन इसके बदले में प्लेटफ़ॉर्म आपका डेटा इकट्ठा करता था और विज्ञापन प्रणालियों में इसका मौद्रीकरण करता था। उस समय, यह स्वीकार किया गया था कि यह सामान्य रूप से काम करता है।

हालांकि, यह हमारे लिए सही नहीं था। एक छोटी कंपनी के रूप में, यह विचार कि हमें अपने उत्पाद के प्रदर्शन को समझने के लिए अपना सभी उपयोगकर्ता डेटा सौंपना होगा, तर्कसंगत नहीं था।

काउंटली इसी प्रतिक्रिया के रूप में शुरू हुआ। हमने ऐसे विश्लेषण बनाने का लक्ष्य रखा जिस पर कंपनियां पूरी तरह से स्वामित्व और नियंत्रण रख सकें। यही कारण है कि हमने इसे एक ओपन-सोर्स, स्व-होस्टेड प्लेटफ़ॉर्म के रूप में लॉन्च किया। विचार सरल था: संगठनों को यह समझने और अपने डेटा पर कार्रवाई करने में सक्षम होना चाहिए बिना इसे दूसरों को सौंपे। यह सिद्धांत आज भी काउंटली के मूल में है।

काउंटली की स्थापना के बाद से, एआई ने डेटा स्वामित्व को एक निश्चित चिंता से एक रणनीतिक आवश्यकता में बदल दिया है। आपको कब यह एहसास हुआ कि यह सिद्धांत विश्लेषण से परे महत्वपूर्ण होगा?

प्रारंभिक वर्षों में, डेटा स्वामित्व के चारों ओर अधिकांश चर्चाएं गोपनीयता या अनुपालन के माध्यम से की जाती थीं। यह मुख्य रूप से बैंकों, स्वास्थ्य सेवा प्रदाताओं और सरकारों के लिए एक गहरी चिंता थी जो गहराई से यह जानने में रुचि रखते थे कि उनका डेटा कहां रहता है और इसका नियंत्रण कौन रखता है। कई अन्य लोगों के लिए, विश्लेषण अभी भी एक सरल रिपोर्टिंग उपकरण के रूप में देखा जाता था, इसलिए स्वामित्व प्रश्न तात्कालिक नहीं लगता था।

यह दृष्टिकोण तब बदलना शुरू हुआ जब कंपनियों ने अपने उत्पादों को चलाने के लिए डेटा पर अधिक भारी निर्भरता विकसित की, न कि केवल उन्हें मापने के लिए। एक बार विश्लेषण रिपोर्टिंग से निर्णय लेने, व्यक्तिगतकरण, उत्पाद परिवर्तन और ग्राहक जुड़ाव में चला गया, तो डेटा पर नियंत्रण का महत्व स्पष्ट हो गया। प्रत्येक डिजिटल-पहली कंपनी, चाहे वह गतिशीलता हो या हॉस्पिटैलिटी, प्रभावी रूप से अपने फ्रंट-एंड अनुभव के बजाय डेटा पर प्रतिस्पर्धा करने लगी।

एआई ने इस एहसास को नाटकीय रूप से तेज किया है। आप एक एआई मॉडल लाइसेंस प्राप्त कर सकते हैं या बना सकते हैं, लेकिन आप अपने उत्पाद के साथ बातचीत करने वाले अपने ग्राहकों के व्यवहार को प्रतिबिंबित करने वाला डेटा नहीं खरीद सकते। यह डेटा प्रत्येक संगठन के लिए अद्वितीय है।

कई संगठन मानते हैं कि वे “एआई-तैयार” हैं क्योंकि उनके पास बड़ी मात्रा में डेटा है। वास्तविक कंपनियों के भीतर से आपको क्या लगता है कि आमतौर पर सतह के नीचे गायब है?

डेटा की कमी आमतौर पर समस्या नहीं है। वास्तविक समस्या डेटा की उपयोगिता की कमी है। कई संगठनों के पास जानकारी की बड़ी मात्रा है, लेकिन यह विभिन्न उपकरणों, टीमों और प्रणालियों में विखंडित है। उदाहरण के लिए, विपणन एक डेटासेट हो सकता है, उत्पाद एक और, और इंजीनियरिंग अपनी खुद की टेलीमेट्री हो सकती है, अक्सर अलग-अलग प्रारूपों में संग्रहीत की जाती है जिसमें बहुत कम साझा संरचना होती है।

एआई के लिए उपयोगी होने के लिए, नीचे के डेटा को साफ, सुसंगत और संदर्भिक होना चाहिए। यह पर्याप्त नहीं है कि केवल घटनाओं या लॉग को इकट्ठा किया जाए; आपको यह समझने की आवश्यकता है कि वे संकेत वास्तव में क्या प्रतिनिधित्व करते हैं। उस सेमांटिक परत के बिना, एआई प्रणाली मूल रूप से अनुमान लगा रही हैं।

एक और मुद्दा स्वामित्व है। आश्चर्यजनक रूप से, कई कंपनियां वास्तव में अपने स्वयं के डेटा पर नियंत्रण नहीं रखती हैं क्योंकि यह तीसरे पक्ष के प्लेटफार्मों में बैठता है। इससे डेटासेट को मिलाने, उपयोग के लिए शासन नियम लागू करने या सुरक्षित रूप से एआई मॉडल को लागू करने में कठिनाई होती है।

इसलिए, जब कंपनियां कहती हैं कि वे एआई-तैयार हैं क्योंकि उनके पास बहुत सारा डेटा है, तो वास्तविक प्रश्न यह है कि क्या उनके पास एक सुसंगत डेटा फाउंडेशन है।

पहली पार्टी का डेटा एआई प्रणालियों में एक टिकाऊ प्रतिस्पर्धी लाभ क्यों बनाता है, जबकि मॉडल स्वयं अधिक से अधिक अंतरपरिवर्तीय होते जा रहे हैं?

जो टिकाऊ लाभ बनाता है वह मॉडल स्वयं नहीं है, बल्कि पहली पार्टी के डेटा से उत्पन्न उपयोगकर्ताओं की समझ है। यह डेटा आपके उत्पाद के साथ बातचीत करने वाले लोगों के व्यवहार को प्रतिबिंबित करता है और प्रत्येक संगठन के लिए अद्वितीय है। मॉडल, दूसरी ओर, बढ़ते रूप से वस्तुओं बन रहे हैं। आप उन्हें लाइसेंस प्राप्त कर सकते हैं, उन्हें ठीक कर सकते हैं या प्रदाताओं के बीच स्विच कर सकते हैं जो अपेक्षाकृत आसानी से हो सकता है। जो चीज आप दोहरा नहीं सकते हैं वह आपके स्वयं के उपयोगकर्ताओं द्वारा उत्पन्न व्यवहारिक डेटा है जो समय के साथ आपके उत्पादों के साथ बातचीत करता है।

यह डेटा पैटर्न, संदर्भ और संकेतों को पकड़ता है जो वास्तव में ग्राहकों के व्यवहार को प्रतिबिंबित करते हैं। जब यह ठीक से संरचित और समझा जाता है, तो यह कंपनियों को ऐसी प्रणालियों का निर्माण करने की अनुमति देता है जो वास्तविक उपयोग से निरंतर सीखती हैं, सामान्य डेटासेट के बजाय।

आधुनिक विश्लेषण स्टैक एआई प्रणालियों के लिए रिपोर्टिंग, डैशबोर्ड और केपीआई के बजाय कैसे चुपचाप टूट जाते हैं?

वे आमतौर पर उस बिंदु पर टूट जाते हैं जहां डेटा को अवलोकन से कार्रवाई में ले जाने की आवश्यकता होती है। पारंपरिक विश्लेषण स्टैक मुख्य रूप से रिपोर्टिंग के लिए डिज़ाइन किए गए थे। वे डेटा इकट्ठा करते हैं और इसे डैशबोर्ड में प्रस्तुत करते हैं जो टीमों को यह समझने में मदद करते हैं कि कल या पिछले सप्ताह क्या हुआ।

एआई प्रणालियां, हालांकि, बहुत अलग तरीके से काम करती हैं। उन्हें वास्तविक समय में संरचित, संदर्भिक और उपलब्ध डेटा की आवश्यकता होती है ताकि वे सीधे प्रभावित कर सकें कि एक प्रणाली कैसे व्यवहार करती है। जब विश्लेषण पाइपलाइनें बैच प्रोसेसिंग और देरी से रिपोर्टिंग के चारों ओर बनाई जाती हैं, तो वे उन प्रणालियों का समर्थन करने के लिए संघर्ष करती हैं जिन्हें तुरंत प्रतिक्रिया देने की आवश्यकता होती है।

एआई को प्रयोग से उत्पादन में ले जाने की कोशिश करते समय, डेटा स्वामित्व की कमी का संचालन कैसे होता है?

यह आमतौर पर एक नियंत्रण समस्या के रूप में प्रकट होता है। अंततः, यदि आपके पास अपने डेटा पर नियंत्रण नहीं है, तो आपके पास अपने एआई पर नियंत्रण नहीं है। यह विशेष रूप से स्पष्ट हो जाता है जब टीमें प्रयोग से उत्पादन में जाती हैं। प्रयोग के दौरान, टीमें अक्सर छोटे डेटासेट या अस्थायी पाइपलाइनों के साथ काम कर सकती हैं, लेकिन उत्पादन प्रणालियों को संगठन भर में स्थिर डेटा तक निरंतर पहुंच की आवश्यकता होती है।

फिर, कई कंपनियों में, अंतर्निहित डेटा तीसरे पक्ष के प्लेटफ़ॉर्म जैसे विश्लेषणात्मक उपकरण, विपणन प्रणाली या क्लाउड सेवाओं में रहता है। इससे डेटासेट को मिलाने, शासन नियम लागू करने या प्रणालियों के बीच डेटा को नियंत्रित तरीके से स्थानांतरित करने में कठिनाई होती है। यह एक कारण है कि कई एआई परियोजनाएं पायलट चरणों में फंस जाती हैं। संरचित, संगठन-व्यापी डेटा के बिना, उत्पादन में एआई को विश्वसनीय रूप से तैनात करना मुश्किल हो जाता है।

यह निर्णय लेने के पीछे के सटीक डेटा स्थिति को पुनर्निर्माण करने या त्रुटियों को सही करने में भी कठिनाई पैदा करता है।

क्यों खराब डेटा संरचना, अर्थ और संदर्भ यहां तक कि सबसे सक्षम एआई मॉडल को भी कमजोर करते हैं?

यहां तक कि सबसे सक्षम एआई मॉडल भी केवल उतना ही अच्छा है जितना डेटा उन्हें मिलता है। यदि अंतर्निहित डेटा खराब संरचित है या संदर्भ की कमी है, तो मॉडल को यह समझने की बहुत कम क्षमता है कि वे संकेत वास्तव में क्या प्रतिनिधित्व करते हैं।

कई प्रणालियों में, डेटा को अकेले घटनाओं या लॉग के रूप में एकत्र किया जाता है जिसमें स्पष्ट अर्थ नहीं होता है। एक मॉडल हजारों इंटरैक्शन देख सकता है, लेकिन उचित संरचना और अर्थशास्त्र के बिना, यह महत्वपूर्ण और शोर के बीच अंतर नहीं कर सकता है।

संदर्भ भी उतना ही महत्वपूर्ण है। एआई प्रणालियों को यह समझने की आवश्यकता है कि विभिन्न डेटा के टुकड़े एक दूसरे से समय के साथ कैसे संबंधित हैं। बिना इस संदर्भ के, मॉडल अभी भी आउटपुट उत्पन्न कर सकते हैं, लेकिन वे अक्सर अविश्वसनीय होते हैं क्योंकि प्रणाली अधूरी जानकारी के साथ काम कर रही है।

कौन से चेतावनी संकेत यह दर्शाते हैं कि एक कंपनी जेनेरिक एआई परिणामों की ओर बढ़ रही है, भले ही वे अनुभव ग्राहकों के लिए जेनेरिक महसूस न करें?

सबसे बुनियादी चेतावनी संकेत यह है कि जब कंपनियां बाहरी एआई मॉडल और टूल्स पर बहुत अधिक निर्भर होती हैं लेकिन अपने स्वयं के डेटा फाउंडेशन को विकसित करने के लिए बहुत कम करती हैं। यदि संगठन एक ही मॉडल का उपयोग कर रहे हैं लेकिन उन्हें अपने स्वयं के उपयोगकर्ता और संदर्भ डेटा को खिलाने के लिए नहीं है, तो प्रणालियें मूल रूप से एक ही जेनेरिक इनपुट से काम कर रही हैं। इस स्थिति में, एआई केवल उच्च-स्तरीय या जेनेरिक परिणाम ही उत्पन्न कर सकता है। समय के साथ, यह उत्पादों को और अधिक समान महसूस कराता है क्योंकि उनके पीछे की बुद्धिमत्ता एक ही सीमित जानकारी पर आधारित है।

एक अन्य चेतावनी संकेत यह है कि जब संगठन एआई मॉडल को अपनाने पर बहुत अधिक ध्यान केंद्रित करते हैं लेकिन अपने डेटा की गुणवत्ता और संरचना पर बहुत कम ध्यान देते हैं। एआई जो कुछ भी प्राप्त करता है उसे बढ़ाता है। यदि अंतर्निहित डेटा गंदा है, विखंडित है या खराब संरचित है, तो प्रणाली केवल समस्या का एक अधिक परिष्कृत संस्करण उत्पन्न करेगी।

एआई के शीर्ष पर अपने स्वयं के डेटा का निर्माण करने का प्रयास करने वाले संगठनों के लिए, काउंटली वास्तव में पारंपरिक विश्लेषण और डेटा प्लेटफ़ॉर्म के विपरीत क्या सक्षम बनाता है?

मुख्य अंतर यह है कि नियंत्रण कैसे मंच में निर्मित है। कई विश्लेषणात्मक उत्पादों में, डेटा स्वामित्व एक विकल्प या सुविधा के रूप में दिखाई देता है। काउंटली के साथ, यह प्रणाली के मूल में बैठता है। प्लेटफ़ॉर्म इस तरह से डिज़ाइन किया गया है ताकि संगठनों को अपने डेटा पर नियंत्रण के लिए उन्नत कार्यक्षमता के लिए व्यापार न करना पड़े।

अभ्यास में, इसका अर्थ है कि कंपनियां अपने स्वयं के वातावरण में काउंटली चला सकती हैं, अपने डेटा स्टैक पर पूरा नियंत्रण बनाए रख सकती हैं, और फिर भी विश्लेषण, जुड़ाव और स्वचालन क्षमताओं तक पहुंच प्राप्त कर सकती हैं। यह विशेष रूप से महत्वपूर्ण हो जाता है जब संगठन अपने स्वयं के डेटा पर एआई बनाना चाहते हैं। कई पारंपरिक विश्लेषणात्मक उपकरण मुख्य रूप से रिपोर्टिंग के लिए बनाए जाते हैं, जिसका अर्थ है कि वे इकट्ठा करते हैं डेटा अक्सर तीसरे पक्ष के डैशबोर्ड के भीतर रहता है, न कि अन्य प्रणालियों के लिए एक उपयोगी फाउंडेशन बनता है। काउंटली एक अलग दृष्टिकोण अपनाता है और विश्लेषण को अंतर्निहित डेटा बुनियादी ढांचे के हिस्से के रूप में मानता है।

जैसे ही एआई प्रणालियां दैनिक निर्णय लेने में निहित हो जाती हैं, डेटा स्वामित्व को एक मूल डिज़ाइन सिद्धांत के रूप में माना जाना चाहिए, न कि नीति चेकबॉक्स के रूप में, तो नैतिक एआई की परिभाषा कैसे विकसित होनी चाहिए?

एक बार डेटा स्वामित्व एक डिज़ाइन सिद्धांत बन जाता है, तो नैतिक एआई अब मॉडल के बाद ऑडिट करने के बारे में नहीं है – यह उन प्रणालियों को इंजीनियरिंग करने के बारे में है जहां उपयोगकर्ता उन डेटा पर नियंत्रण बनाए रखते हैं जो उन्हें प्रशिक्षित करते हैं। नैतिकता बुनियादी ढांचा बन जाती है।

साक्षात्कार के लिए धन्यवाद, अधिक जानने के इच्छुक पाठकों को काउंटली पर जाना चाहिए।