पाब्लो ओर्माचा, मोटस के डेटा के वीपी – साक्षात्कार श्रृंखला

पाब्लो ओर्माचा, मोटस में डेटा के वीपी, एंटरप्राइज़ एआई और एनालिटिक्स सिस्टम बनाते हैं जो तेजी से चलते हैं और नियामक और वित्तीय जांच का सामना करते हैं। वह पूरी तरह से रिमोट, क्रॉस-फंक्शनल टीमों का नेतृत्व करते हैं और साक्ष्य-आधारित निर्णय प्रणालियों पर ध्यान केंद्रित करते हैं जो रिटेंशन में सुधार करते हैं, मार्जिन का विस्तार करते हैं और मापनीय आरओआई प्रदान करते हैं। मोटस में, उन्होंने 350,000 से अधिक ड्राइवरों के लिए विश्लेषण को पुनः इंजीनियर किया, 60× तेजी से रिपोर्टिंग के साथ शून्य टाइमआउट हासिल किया, और एआई/एमएल सिस्टम को शिप किया जिसमें विचलन का पता लगाना और ग्राहकों की छूट की भविष्यवाणी शामिल है, जिससे ग्राहकों को लाखों की बचत हुई। उन्होंने मोटस के एआई गवर्नेंस फ्रेमवर्क को भी सह-लिखा, जिससे सुरक्षित एलएलएम प्रयोग के लिए स्पष्ट डिफ़ॉल्ट, मजबूत ऑडिटेबिलिटी और डेटा स्टैक में सुसंगत व्यावसायिक तर्क के साथ सुरक्षित एलएलएम प्रयोग संभव हुआ।

मोटस एक वर्कफोर्स मैनेजमेंट और मोबिलिटी सॉफ्टवेयर कंपनी है जो संगठनों को वाहन प्रतिपूर्ति, माइलेज ट्रैकिंग और मोबाइल वर्कफोर्स ऑपरेशनों का प्रबंधन करने में मदद करती है। इसका क्लाउड प्लेटफ़ॉर्म कर-लाभकारी प्रतिपूर्ति कार्यक्रमों को स्वचालित करता है, वास्तविक समय की रिपोर्टिंग और अंतर्दृष्टि प्रदान करता है, और उद्यमों को लागत कम करने, उत्पादकता में सुधार करने और कर्मचारियों के लिए अनुपालन प्रबंधन करने में मदद करता है जो अपने काम के हिस्से के रूप में ड्राइव करते हैं।

आपके पास एआई इंजीनियरिंग, डेटा रणनीति और नियमन के बीच एक अनोखा करियर है — हार्वर्ड लॉ से मोटस में डेटा और एआई का नेतृत्व करने तक। आपके दृष्टिकोण को आकार देने वाले मुख्य अनुभव क्या थे जो तकनीकी रूप से उन्नत और सख्त नियामक ढांचे के अनुरूप एआई प्रणालियों के निर्माण के लिए थे?

मैंने जल्दी से सीखा कि अनुपालन को एक इंजीनियरिंग प्रतिबंध के रूप में माना जाना चाहिए, न कि एक कानूनी बाद के रूप में। यदि आप राजमार्ग बनाते हैं, तो आप राजमार्ग की गति से चल सकते हैं। यदि आप इसे गंदे सड़क के रूप में मानते हैं और फिर भी तेजी से चलते हैं, तो आप तेजी से नहीं चलते हैं। आप बस जल्दी दुर्घटनाग्रस्त हो जाते हैं।

हार्वर्ड लॉ ने आश्चर्यजनक तरीके से मदद की क्योंकि सामान्य कानून प्रणाली मूल रूप से अवशेष-चालित शिक्षा है। एक नियम वास्तविकता से मिलता है। किनारे के मामले बताते हैं कि यह कहां विफल रहता है। सिद्धांत को परिष्कृत किया जाता है।

यह वही मानसिक मॉडल है जिसका मैं उत्पादन में एआई के लिए उपयोग करता हूं। प्रत्येक अवशेष एक उपहार है। यह आपको बताता है कि आपके अनुमान वास्तविक दुनिया से कैसे भिन्न हैं, और यह आपको प्रणाली को कसकर बांधने के लिए एक ठोस मार्ग प्रदान करता है।

तो मैं एक ही समय में दो चीजों के लिए अनुकूलित करता हूं: शिपिंग वेग और बोझ-सबूत। लक्ष्य “नवाचार बनाम अनुपालन” नहीं है। लक्ष्य ऐसी प्रणालियों का निर्माण करना है जो तेजी से चल सकती हैं और अभी भी स्पष्ट रूप से और दोहराने योग्य रूप से “आप कैसे जानते हैं?” का उत्तर दे सकती हैं।

आपने मोटस की एआई गवर्नेंस नीति को सह-लिखा, जिसने अनुमोदन को सुव्यवस्थित किया जबकि मजबूत नियंत्रण बनाए रखे। जब आप उस नीति को डिजाइन करते समय किन सिद्धांतों का मार्गदर्शन किया, और आप नवाचार की गति के साथ लेखा परीक्षा तैयारी को कैसे संतुलित करते हैं?

हमने नियम लिखने का इरादा नहीं किया। हमने एक मानचित्र बनाया। जब एआई अपनाया जाता है, तो रुचि हर दिशा से आती है, और वेग शोर में बदल सकता है, या बदतर, देयता में। इसलिए पहला काम स्पष्टता है: एलएलएम कहां चल सकती हैं और कहां नहीं, कौन सा डेटा सख्ती से अंदर रहता है, और किस प्रकार के प्रयोग सुरक्षित लेन में अनुमत हैं।

संतुलन सुरक्षित मार्ग को आसान बनाने से आता है। शासन विफल हो जाता है जब यह एक समिति है। यह तब काम करता है जब यह डिफ़ॉल्ट बन जाता है: अनुमोदित उपकरण, स्पष्ट डेटा सीमाएं, मानक लॉगिंग, और किनारे के मामलों के लिए तेजी से अनुमोदन लेन। लक्ष्य यह है कि निर्माताओं को हर बार जब वे जहाज भेजते हैं तो सुरक्षा को पुनः समझौता करने की आवश्यकता नहीं होती है।

फिर लेखा परीक्षा तैयारी एक उपोत्पाद बन जाती है। आप साक्ष्य एकत्र करने के लिए बाद में संघर्ष नहीं कर रहे हैं क्योंकि प्रणाली साक्ष्य का उत्पादन करती है क्योंकि यह चलती है।

आपका कहना है कि एआई प्रथाओं को “यहां तक कि आईआरएस स्तर की जांच” का सामना करना चाहिए। क्या आप एक उदाहरण साझा कर सकते हैं जहां नियामक विचारों ने सीधे मोटस में एक तकनीकी एआई या एमएल निर्णय को प्रभावित किया?

नियंत्रित कार्य प्रवाह में, प्रश्न यह नहीं है कि “क्या मॉडल सटीक है?” यह “क्या आप बाद में अपना काम दिखा सकते हैं?” यह वास्तविकता मोटस में “अच्छा” दिखता है कि क्या लगता है।

यह डिज़ाइन विकल्पों को बदलता है। कुछ उपयोग के मामलों के लिए, हम व्याख्या योग्य, पुनरावृत्ति योग्य और ऑडिट करने में आसान दृष्टिकोण की ओर पूर्वाग्रह रखते हैं। कभी-कभी इसका अर्थ सरल मॉडल परिवार होता है। अक्सर इसका अर्थ निर्धारित गार्डरेल, संस्करण सुविधाएं और लॉगिंग इनपुट और आउटपुट होता है जो वास्तविक पुनरावृत्ति का समर्थन करता है।

एक ठोस उदाहरण: जब हमने अपने प्रतिपूर्ति तर्क और रिपोर्टिंग के हिस्सों को अद्यतन किया, तो हमने महत्वपूर्ण निर्णय बिंदुओं पर ट्रेसबिलिटी पर जोर दिया। हम चाहते थे कि प्रणाली मांग पर बता सके कि कौन सा नियम सक्रिय हुआ, कौन सा डेटा इसका उपयोग किया, कौन सा संस्करण चल रहा था, और क्या परिणाम को बदल देगा। इससे एआई घटक अधिक उपयोगकर्ता-मित्री हो गए, और पूरे कार्य प्रवाह का बचाव करना आसान हो गया।

पेआफ़ जोड़ता है। जब आप व्यवहार को पुनः चला सकते हैं और त्रुटियों को स्लाइस कर सकते हैं, तो अवशेष रहस्यमय नहीं होते हैं। वे एक प्राथमिकता वाली बैकलॉग बन जाते हैं: क्या विफल रहा, कहां, क्यों और क्या परिवर्तन अंतराल को बंद कर देता है।

मोटस वाहन प्रतिपूर्ति और जोखिम मिटigation समाधानों का संचालन करता है जो आईआरएस और अन्य नियामक आवश्यकताओं को संतुष्ट करना चाहिए। एआई इन उद्यम उपयोग मामलों में अनुपालन और सटीकता में कैसे सुधार करता है?

एआई दो तरह से मदद करता है: यह मैनुअल घर्षण को कम करता है, और यह रक्षात्मकता को मजबूत करता है।

प्रतिपूर्ति पर, मूल्य केवल स्वचालन नहीं है, यह सुसंगतता है। एआई यात्राओं को वर्गीकृत करने, विचलन का पता लगाने और असंगत जानकारी को पहले से ही सतह पर लाने में मदद कर सकता है, जिससे नीचे की पुनर्मूल्यांकन कम हो जाता है। कोई भी प्रतिपूर्ति को मासिक पुरातत्व परियोजना नहीं बनाना चाहता है। अनुपालन लाभ बेहतर माप और बेहतर प्रलेखन से आता है। आप परिणामों को स्पष्ट रिकॉर्ड के साथ समर्थन करते हैं न कि बाद के पुनर्निर्माण पर निर्भर करते हैं।

जोखिम पर, एआई उपयोगी है क्योंकि समय-समय पर जांच पर्याप्त नहीं है। उद्यमों को यह जानने में रुचि रखते हैं कि क्या बदल गया है, क्या असामान्य लगता है, और क्या ध्यान देने की आवश्यकता है। यहां सर्वोत्तम एआई प्रणाली नाटकीय नहीं हैं। वे शांत, सुसंगत और मापनीय हैं।

कानूनी, सुरक्षा, वित्त और उत्पाद के साथ सहयोग करने वाली दूरस्थ, क्रॉस-फंक्शनल टीमों का नेतृत्व करना एक छोटा काम नहीं है। आपने डेटा और एआई पहलों के आसपास इन समूहों को संरेखित करने में सबसे बड़ी चुनौतियों का सामना किया है?

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

सुरक्षा जोखिम के संपर्क में चिंतित है। कानूनी जोखिम के लिए चिंतित है। वित्त लागत और भविष्यवाणी के बारे में चिंतित है। उत्पाद गति और ग्राहक मूल्य के बारे में चिंतित है। डेटा और इंजीनियरिंग व्यवहार्यता और विश्वसनीयता के बारे में चिंतित हैं। यदि आप उन्हें प्रतिस्पर्धी एजेंडे के रूप में मानते हैं, तो आप रुक जाते हैं।

सुधार साझा भाषा और स्पष्ट लेन में है। हम निर्णय पर सहमत होते हैं जो दांव पर है, सीमाओं को परिभाषित करते हैं, और यह तय करते हैं कि “अच्छा” के लिए क्या साक्ष्य की आवश्यकता है। फिर हम डिफ़ॉल्ट बनाते हैं ताकि अधिकांश काम बिना समारोह के हो सके।

मैंने पाया है कि स्पष्टता प्रभावशीलता से बेहतर है। जब लोग मानचित्र देख सकते हैं, तो संरेखण बहुत आसान हो जाता है।

आपने 60× तेजी से रिपोर्टिंग के लिए 350,000+ ड्राइवरों और ग्राहकों के लिए लाखों की बचत जैसे प्रमुख प्रदर्शन में सुधार किया है। आप एआई/एमएल परियोजनाओं को कैसे प्राथमिकता देते हैं जो दोनों रणनीतिक मूल्य और सामरिक प्रभाव के लिए हैं?

मैं उन परियोजनाओं को प्राथमिकता देता हूं जो तीन परीक्षणों को पास करती हैं।

पहले, उन्हें एक वास्तविक निर्णय या कार्य प्रवाह बदलना चाहिए, न कि केवल एक चतुर स्कोर उत्पन्न करना चाहिए। यदि आउटपुट व्यवहार को विश्वसनीय रूप से नहीं बदलता है, तो यह एक डेमो है, एक उत्पाद नहीं है।

दूसरा, उन्हें मापनीय होना चाहिए। मेरे दादा-दादी कहते थे “सही मापा जाता है, आधा किया जाता है।” नियंत्रित सेटिंग्स में, यह आधे से अधिक है। यदि हम पहले से सफलता, त्रुटि मोड और निगरानी को परिभाषित नहीं कर सकते हैं, तो इसका अर्थ है कि हम अभी तक काम को नहीं समझते हैं।

तीसरा, उन्हें जांच के तहत रक्षात्मक होना चाहिए। इसमें डेटा उत्पत्ति, पहुंच सीमाएं और परिणामों को समझाने और पुनः चलाने की क्षमता शामिल है।

जब एक परियोजना इन परीक्षणों को पास करती है, तो यह आमतौर पर दोनों रणनीतिक और सामरिक जीत प्रदान करती है। मोटस में, यह हमें क्रांतिकारी सुधार देने में मदद करता है, जिसमें स्केल पर महत्वपूर्ण रूप से तेजी से रिपोर्टिंग, कम अपवाद और स्वचालन शामिल है जो वास्तविक ग्राहक समय की बचत में अनुवाद करता है।

विश्वास और व्याख्या उद्यम एआई अपनाने के लिए महत्वपूर्ण हैं। आपकी टीम कैसे सुनिश्चित करती है कि मॉडल व्यवसायिक इकाइयों में हितधारकों के लिए विश्वसनीय और व्याख्या योग्य हैं?

विश्वास स्पष्टता, सुसंगतता और एक प्रणाली से आता है जो दबाव में खुद को समझा सकती है।

हम प्रणालियों को एक पुनरावृत्ति बटन के साथ डिज़ाइन करते हैं। समान इनपुट, समान संस्करण, समान आउटपुट, प्लस एक साक्ष्य ट्रेल जो बताता है कि समय के साथ क्या बदल गया है। हम अवशेषों को भी दिखाई देते हैं। प्रत्येक मिस एक जानकारी है। यदि आप त्रुटियों को ठीक से इंस्ट्रूमेंट करते हैं, तो आप व्यवहार को स्पष्ट भाषा में समझा सकते हैं और एक अनुशासित तरीके से सुधार सकते हैं।

जब एक निर्णय को लेखा परीक्षा जोखिम का सामना करना पड़ता है, तो हम जटिल जटिलता की तुलना में सरल मॉडल और मजबूत माप की ओर पूर्वाग्रह करते हैं। व्यावहारिक रूप से, इसका अर्थ है स्पष्ट डेटा परिभाषाएं, मूल्यांकन जो प्रदर्शन को महत्वपूर्ण खंडों द्वारा काटता है, ड्रिफ्ट के लिए निगरानी, और एक प्रलेखित परिवर्तन प्रक्रिया। हितधारकों को हर तकनीकी विवरण की आवश्यकता नहीं है। उन्हें यह विश्वास होना चाहिए कि प्रणाली मापी जाती है, सीमित है और सुधार कर रही है।

उद्यम सेटिंग्स में, व्याख्या एक दार्शनिक वरीयता नहीं है। यह अपनाने के लिए एक आवश्यकता है, और यह तब महत्वपूर्ण है जब ग्राहकों को भविष्य की लेखा परीक्षा का सामना करना पड़ता है।

नियंत्रित उद्योगों में काम करने वाले अन्य एआई नेताओं के लिए, आप क्या सर्वोत्तम अभ्यास की सिफारिश करेंगे?

कुछ सिद्धांत जो अच्छी तरह से यात्रा करते हैं:

• अनुपालन को राजमार्ग के रूप में मानें। तेजी से चलने के लिए टीमों के लिए सड़कें बनाएं।
• सीमाएं जल्दी से परिभाषित करें। एलएलएम कहां चल सकती हैं, कौन सा डेटा सख्ती से अंदर रहता है, और किस प्रकार के प्रयोग सुरक्षित लेन में अनुमत हैं, इस बारे में स्पष्ट रहें।
• साक्ष्य को स्वचालित करें। लॉगिंग, लाइनेज और संस्करणनाम को डिफ़ॉल्ट बनाएं, न कि लेखा परीक्षा के दौरान संघर्ष करें।
• मापें इससे पहले कि आप स्केल करें। अच्छी तरह से मापा जाता है, आधा किया जाता है। आप जो देख नहीं सकते हैं उसे सुधारा नहीं जा सकता है।
• अवशेषों को संचालित करें। त्रुटियों को एक त्रुटि टैक्सोनॉमी और एक प्राथमिकता वाली सुधार बैकलॉग में बदलें।
• गोद लेने के लिए डिज़ाइन करें। महान मॉडल आंशिक रूप से आंकड़े, आंशिक रूप से साझेदारी और आंशिक रूप से परिवर्तन प्रबंधन हैं।

यदि आपका शासन एक पीडीएफ में रहता है, तो यह स्केल नहीं करेगा। यदि यह प्रणाली में रहता है, तो यह करेगा।

वाहन प्रतिपूर्ति और जोखिम समाधानों के क्षेत्र में मोटस के अग्रणी होने के साथ, आप अगले 3-5 वर्षों में इस स्थान में एआई के विकास को कैसे देखते हैं?

मैं दो बड़े बदलावों की अपेक्षा करता हूं, और वे एक दूसरे को मजबूत करते हैं।

पहले, जोखिम बिंदु-समय जांच से निर्णय-ग्रेड संकेतों तक चलेगा। आज, अधिकांश संगठन अभी भी बहुत देर से या बिंदु-समय की समीक्षा के बाद ड्राइवर जोखिम के बारे में सीखते हैं। अगली लहर उन प्रणालियों की है जो जोखिम को पहले और अधिक सटीक रूप से सामने लाती हैं, जो संचालन में मौजूद पैटर्न का उपयोग करती हैं: पात्रता में परिवर्तन, कवरेज अंतराल, असामान्य माइलेज पैटर्न और अपेक्षित और देखे गए व्यवहार के बीच विसंगतियां। लक्ष्य निर्णय लेने की क्षमता को प्रतिस्थापित करना नहीं है। यह सुरक्षा, एचआर, वित्त और ऑपरेशनों को एक स्पष्ट早 चेतावनी पैनल देना है, जिसमें कम झूठी चेतावनी और बेहतर प्रलेखन है कि क्यों कुछ चिह्नित किया गया था।

दूसरा, प्रतिपूर्ति कागजी कार्रवाई से कार्य प्रवाह में बदल जाएगी। उद्यम अभी भी प्रस्तुतियों, सुधार, अनुमोदन और बाद के स्वच्छता के लिए एक आश्चर्यजनक राशि खो देते हैं। मैं अगले कुछ वर्षों में प्रतिपूर्ति जीवन चक्र में अधिक स्वचालन की अपेक्षा करता हूं: जो भरा जा सकता है उसे पूर्व-भरना, असंगत या लापता इनपुट को जल्दी से पकड़ना, अपवादों को सही अनुमोदनकर्ता के साथ संदर्भ के साथ मार्गदर्शन करना और मैनुअल आगे और पीछे को कम करना। सही ढंग से किया गया, यह प्रतिपूर्ति को तेजी से और अधिक रक्षात्मक बनाता है क्योंकि साक्ष्य ट्रेल प्रक्रिया के हिस्से के रूप में उत्पन्न होता है, न कि बाद में पुनर्निर्मित होता है।

जो इसे रोमांचक बनाता है वह यह है कि वे कैसे एक साथ आते हैं जब नींव सही होती है। जब सीमाएं स्पष्ट होती हैं और अवशेष दिखाई देते हैं, तो आपको एक प्रतिकार का चक्र मिलता है: कम अपवाद, साफ़ सबमिशन, तेजी से अनुमोदन, बेहतर जोखिम संकेत और निर्णय लेने के तरीके का एक स्पष्ट रिकॉर्ड।

भविष्य “एआई हर जगह” नहीं है। यह सही क्षणों में एआई है, मजबूत माप और प्रतिक्रिया लूप के साथ जो लगातार सुधार करते हैं।

कानून, तंत्रिका विज्ञान, सांख्यिकी और अनुप्रयुक्त एआई के माध्यम से अपनी यात्रा के आधार पर, जटिल व्यावसायिक वातावरण में डेटा और एआई का नेतृत्व करने के लिए आकांक्षी युवा पेशेवरों को आप क्या मार्गदर्शन देंगे?

सिस्टम बनाना सीखें, न कि केवल मॉडल। या, दूसरे शब्दों में, राजमार्ग बनाएं, अवशेषों को इंस्ट्रूमेंट करें और मानचित्र को अद्यतित रखें।

परिणाम के जीने वाले लोगों के करीब जाएं। फ्रंटलाइन ऑपरेटर अक्सर आपके डेटा से पहले संकेत देखते हैं। उनकी प्रतिक्रिया “कथात्मक” नहीं है। यह अक्सर लापता सुविधा सेट है।

माप के साथ सहजता विकसित करें, और त्रुटि के बारे में विनम्रता रखें। अवशेष उपहार हैं यदि आप सुनने को तैयार हैं। नियंत्रित वातावरण में, बोझ-सबूत की अनुशासन जोड़ें: आप जो बनाते हैं उसे समझाने, यह व्यवहार क्यों किया और जब यह बदल जाएगा तो क्या करेंगे।

अंत में, याद रखें कि गोद लेना काम का एक हिस्सा है। परिवर्तन प्रबंधन एक नरम जोड़ नहीं है। यह एक मूल आवश्यकता है यदि आप चाहते हैं कि आपका एआई उपयोग किया जाए। इसका अर्थ है कि यह पर्याप्त नहीं है कि आप डेटा, मॉडल और एल्गोरिदम पर मजबूत हों। आपको व्यावसायिक इकाइयों में काम करना, विश्वास हासिल करना और मानव मार्ग का नेविगेट करना होगा जो एक अच्छा मॉडल एक वास्तविक क्षमता में बदल देता है। यदि आप ऐसा कर सकते हैं, तो आप न केवल मॉडल बनाएंगे, आप विश्वास बनाएंगे।

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