पाब्लो ओर्माचेया, मोटस में डेटा के उपाध्यक्ष – साक्षात्कार श्रृंखला

पाब्लो ओर्माचेया, मोटस में डेटा के उपाध्यक्ष, उद्यम-स्तरीय AI और एनालिटिक्स सिस्टम बनाते हैं जो तेजी से आगे बढ़ने के लिए डिज़ाइन किए गए हैं, साथ ही वे नियामक और वित्तीय जांच का सामना कर सकते हैं। वह पूरी तरह से दूरस्थ, क्रॉस-फंक्शनल टीमों का नेतृत्व करते हैं और साक्ष्य-संचालित निर्णय प्रणालियों पर ध्यान केंद्रित करते हैं जो प्रतिधारण में सुधार करती हैं, मार्जिन का विस्तार करती हैं और मापने योग्य ROI प्रदान करती हैं। मोटस में, उन्होंने 350,000 से अधिक ड्राइवरों के लिए एनालिटिक्स का पुनः इंजीनियरिंग किया, जीरो टाइमआउट के साथ रिपोर्टिंग 60 गुना तेज हासिल की, और एआई/एमएल सिस्टम शिप किए जिनमें विसंगति पहचान और चर्न पूर्वानुमान शामिल हैं, जिन्होंने ग्राहकों के लाखों बचाए हैं। उन्होंने मोटस के AI गवर्नेंस फ्रेमवर्क के सह-लेखक भी हैं, जो स्पष्ट डिफॉल्ट, मजबूत ऑडिट क्षमता और डेटा स्टैक में सुसंगत बिजनेस लॉजिक के साथ सुरक्षित LLM प्रयोग को सक्षम बनाता है।

मोटस एक वर्कफोर्स मैनेजमेंट और मोबिलिटी सॉफ्टवेयर कंपनी है जो संगठनों को वाहन प्रतिपूर्ति, माइलेज ट्रैकिंग और मोबाइल वर्कफोर्स संचालन प्रबंधित करने में मदद करती है। इसका क्लाउड प्लेटफॉर्म कर-लाभ वाले प्रतिपूर्ति कार्यक्रमों को स्वचालित करता है, रीयल-टाइम रिपोर्टिंग और अंतर्दृष्टि प्रदान करता है, और उन उद्यमों को लागत कम करने, उत्पादकता बढ़ाने और उन कर्मचारियों के लिए अनुपालन प्रबंधित करने में मदद करता है जो अपनी नौकरी के हिस्से के रूप में गाड़ी चलाते हैं।

आपने AI इंजीनियरिंग, डेटा रणनीति और विनियमन के प्रतिच्छेदन पर एक अनूठा करियर बनाया है — हार्वर्ड लॉ से लेकर मोटस में डेटा और AI का नेतृत्व करने तक। किन प्रमुख अनुभवों ने ऐसे AI सिस्टम बनाने के आपके दृष्टिकोण को आकार दिया जो तकनीकी रूप से उन्नत होने के साथ-साथ सख्त नियामक ढांचों का अनुपालन भी करते हैं?

मैंने जल्दी ही सीख लिया कि अनुपालन को एक इंजीनियरिंग बाधा की तरह माना जाए, कानूनी बाद की सोच की तरह नहीं। यदि आप हाईवे बनाते हैं, तो आप हाईवे की गति से गाड़ी चला सकते हैं। यदि आप इसे एक कच्ची सड़क मानकर फिर भी पूरी गति से चलाते हैं, तो आप तेजी से नहीं चलते। आप बस जल्दी दुर्घटनाग्रस्त हो जाते हैं।

हार्वर्ड लॉ ने एक आश्चर्यजनक तरीके से मदद की क्योंकि कॉमन लॉ सिस्टम मूलतः अवशिष्ट-संचालित सीख है। एक नियम वास्तविकता से मिलता है। एज केस उजागर करते हैं कि वह कहाँ विफल होता है। सिद्धांत परिष्कृत होता है।

यह वही मानसिक मॉडल है जो मैं प्रोडक्शन में AI के लिए उपयोग करता हूँ। हर अवशिष्ट एक उपहार है। यह आपको बताता है कि आपकी धारणाएँ वास्तविक दुनिया से कहाँ भिन्न हैं, और यह आपको सिस्टम को कसने का एक ठोस रास्ता देता है।

इसलिए, मैं एक साथ दो चीजों के लिए अनुकूलन करता हूँ: शिपिंग वेलोसिटी और सबूत का बोझ। लक्ष्य “नवाचार बनाम अनुपालन” नहीं है। लक्ष्य ऐसी प्रणालियाँ बनाना है जो तेजी से आगे बढ़ सकें और फिर भी स्पष्ट और दोहराए जाने योग्य तरीके से जवाब दे सकें, “आप कैसे जानते हैं?”

आपने मोटस की AI गवर्नेंस नीति के सह-लेखक हैं जिसने मजबूत नियंत्रण बनाए रखते हुए अनुमोदनों को सुव्यवस्थित किया। उस नीति को डिजाइन करते समय आपको किन सिद्धांतों ने मार्गदर्शन दिया, और आप नवाचार की गति को ऑडिट तत्परता के साथ कैसे संतुलित करते हैं?

हमने नियम लिखने का लक्ष्य नहीं रखा। हमने एक नक्शा बनाया। जब AI अपनाना शुरू होता है, तो हर दिशा से रुचि आती है, और वेग शोर में बदल सकता है, या इससे भी बदतर, दायित्व में। इसलिए पहला काम स्पष्टता है: LLM कहाँ चल सकते हैं और कहाँ नहीं, कौन सा डेटा सख्ती से अंदर रहता है, और किस तरह के प्रयोग एक सुरक्षित लेन में अनुमत हैं।

संतुलन सुरक्षित रास्ते को आसान रास्ता बनाने से आता है। गवर्नेंस तब विफल होती है जब वह एक समिति होती है। यह तब काम करती है जब यह डिफॉल्ट बन जाती है: अनुमोदित टूल, स्पष्ट डेटा सीमाएँ, मानक लॉगिंग, और एज केस के लिए एक तेज अनुमोदन लेन। लक्ष्य यह है कि बिल्डरों को हर बार शिप करने पर सुरक्षा पर फिर से बातचीत न करनी पड़े।

फिर ऑडिट तत्परता एक उप-उत्पाद बन जाती है। आप बाद में सबूत जुटाने के लिए हाथ-पैर नहीं मार रहे होते क्योंकि सिस्टम चलते समय सबूत उत्पन्न करता है।

आपने कहा है कि AI प्रथाओं को “IRS स्तर की जांच भी पूरी करनी चाहिए।” क्या आप एक उदाहरण साझा कर सकते हैं जहां नियामक विचारों ने सीधे तौर पर मोटस में एक तकनीकी AI या ML निर्णय को प्रभावित किया?

विनियमित वर्कफ्लो में, सवाल सिर्फ “क्या मॉडल सटीक है?” नहीं है। यह है “क्या आप बाद में अपना काम दिखा सकते हैं?” यह वास्तविकता मोटस में “अच्छा” कैसा दिखता है, इसे आकार देती है।

यह डिजाइन विकल्पों को बदल देता है। कुछ उपयोग मामलों के लिए, हम उन दृष्टिकोणों की ओर झुकाव रखते हैं जो समझाने योग्य, पुनः चलाने योग्य और ऑडिट करने में आसान हैं। कभी-कभी इसका मतलब सरल मॉडल परिवार होता है। अक्सर इसका मतलब निर्धारक गार्डरेल, संस्करणित फीचर्स, और इनपुट और आउटपुट को इस तरह से लॉग करना होता है जो सच्चे पुनर्चालन का समर्थन करता है।

एक ठोस उदाहरण: जब हमने अपने प्रतिपूर्ति लॉजिक और रिपोर्टिंग के कुछ हिस्सों को अपडेट किया, तो हमने प्रमुख निर्णय बिंदुओं पर ट्रेसबिलिटी पर जोर दिया। हम चाहते थे कि सिस्टम मांग पर जवाब दे सके, कौन सा नियम लागू हुआ, उसने कौन सा डेटा इस्तेमाल किया, कौन सा संस्करण चल रहा था, और क्या परिणाम बदल देगा। इसने AI घटकों को अधिक उपयोगी बना दिया, और पूरे वर्कफ्लो को बचाव करने में आसान बना दिया।

इसका लाभ बढ़ता जाता है। जब आप व्यवहार को दोहरा सकते हैं और त्रुटियों को विभाजित कर सकते हैं, तो अवशिष्ट रहस्यमय नहीं रह जाते। वे एक प्राथमिकता वाली बैकलॉग बन जाते हैं: क्या विफल हुआ, कहाँ, क्यों, और कौन सा परिवर्तन अंतर को बंद करेगा।

मोटस वाहन प्रतिपूर्ति और जोखिम शमन के लिए समाधान संचालित करता है जो IRS और अन्य नियामक आवश्यकताओं को पूरा करने चाहिए। इन उद्यम उपयोग मामलों में AI अनुपालन और सटीकता को कैसे सुधारता है?

AI दो तरह से मदद करता है: यह मैनुअल घर्षण को कम करता है, और बचाव क्षमता को मजबूत करता है।

प्रतिपूर्ति पर, मूल्य सिर्फ स्वचालन नहीं है, यह स्थिरता है। AI यात्राओं को वर्गीकृत करने, विसंगतियों का पता लगाने और गुम या असंगत जानकारी को पहले ही सतह पर लाने में मदद कर सकता है, जिससे डाउनस्ट्रीम समाधान कम हो जाता है। कोई भी नहीं चाहता कि प्रतिपूर्ति एक मासिक पुरातात्विक परियोजना बन जाए। अनुपालन लाभ बेहतर माप और बेहतर दस्तावेजीकरण से आता है। आप परिणामों का समर्थन एक स्पष्ट रिकॉर्ड के साथ करते हैं, बजाय बाद में पुनर्निर्माण पर निर्भर रहने के।

जोखिम पर, AI उपयोगी है क्योंकि समय-बिंदु जांच पर्याप्त नहीं है। उद्यम यह जानना चाहते हैं कि क्या बदला, क्या अजीब लग रहा है, और किस पर ध्यान देने की आवश्यकता है। यहाँ सबसे अच्छे AI सिस्टम नाटकीय नहीं होते। वे शांत, सुसंगत और मापने योग्य होते हैं।

दूरस्थ, क्रॉस-फंक्शनल टीमों का नेतृत्व करना जो लीगल, सिक्योरिटी, फाइनेंस और प्रोडक्ट के साथ सहयोग करती हैं, कोई छोटी उपलब्धि नहीं है। डेटा और AI पहलों के इर्द-गिर्द इन समूहों को संरेखित करने में आपको सबसे बड़ी चुनौतियाँ क्या मिली हैं?

सबसे कठिन हिस्सा यह है कि प्रत्येक समूह तर्कसंगत है, और वे अलग-अलग जोखिमों के लिए अनुकूलन करते हैं।

सुरक्षा एक्सपोजर की चिंता करती है। लीगल बचाव क्षमता की चिंता करती है। फाइनेंस लागत और पूर्वानुमेयता की चिंता करता है। प्रोडक्ट गति और ग्राहक मूल्य की चिंता करता है। डेटा और इंजीनियरिंग व्यवहार्यता और विश्वसनीयता की चिंता करते हैं। यदि आप उन्हें प्रतिस्पर्धी एजेंडे के रूप में मानते हैं, तो आप अटक जाते हैं।

इसका समाधान साझा भाषा और स्पष्ट लेन है। हम दांव पर लगे निर्णय पर संरेखित होते हैं, सीमाओं को परिभाषित करते हैं, और इस पर सहमत होते हैं कि “अच