पेड्रो अल्वेस, ओपल.एआई के सीईओ और संस्थापक – साक्षात्कार श्रृंखला

पेड्रो अल्वेस ओपल.एआई के सीईओ और संस्थापक हैं, जो एक प्लेटफ़ॉर्म है जो विश्लेषकों और विषय विशेषज्ञों को शक्तिशाली पूर्वानुमानिक विश्लेषण से सशक्त बनाता है। यह प्लेटफ़ॉर्म दुनिया के प्रमुख डेटा वैज्ञानिकों के ज्ञान और विशेषज्ञता से सुसज्जित है, ताकि उपयोगकर्ता अपनी वास्तविक क्षमता पर ध्यान केंद्रित कर सकें: व्यवसायिक प्रभाव पैदा करना।

आपको शुरू में डेटा साइंस में क्या आकर्षित किया?

2001 में, मैंने मशीन लर्निंग और आर्टिफ़िशियल इंटेलिजेंस में बहुत बड़ी संभावनाएं देखीं। कंप्यूटर साइंस के एक अंडरग्रेजुएट के रूप में अध्ययन करते हुए, और यह तय करने के लिए कि कौन सा उपक्षेत्र आगे बढ़ना है, मैंने सोचा: ठीक है, एआई/एमएल कंप्यूटर साइंस का एक क्षेत्र है जो मुझे दिलचस्प लगता है – आप किसी भी क्षेत्र में घटनाओं की भविष्यवाणी करने में मदद कर सकते हैं। चाहे आप जीव विज्ञान, चिकित्सा, या वित्त में हों, यदि आपके पास मशीन लर्निंग और एआई है, तो आप उन क्षेत्रों में काफी प्रगति कर सकते हैं। मैंने हमेशा सोचा था कि इसके पीछे की गणित दिलचस्प है।

जैसे ही मैं ग्रेजुएट स्कूल में गया, मैंने तय किया कि मशीन लर्निंग में अपनी विशेषज्ञता में सुधार करने का सबसे अच्छा तरीका यह होगा कि मैं सीखूं कि इसे कैसे लागू किया जाए। मैं हमेशा व्यावहारिक रहा; मैं सिर्फ सिद्धांत के लिए सिद्धांत नहीं सीखना चाहता था। मैंने जेनोमिक्स और प्रोटिओमिक्स के क्षेत्र में मशीन लर्निंग का अध्ययन करने का विकल्प चुना। मेरा सारा ग्रेजुएट काम कम्प्यूटेशनल जीव विज्ञान में था, लेकिन फोकस मशीन लर्निंग पर था।

इसके तुरंत बाद, मैं स्वास्थ्य सेवा उद्योग में गया, जहां मैंने एआई/एमएल अनुप्रयोगों के लिए बड़ी संभावनाएं देखीं। यह तब था जब मैंने उन समस्याओं को देखा जो एआई को वास्तविक दुनिया में थीं, न कि अकादमिक दुनिया में। मैंने एआई की वास्तविकता का अनुभव किया और सीखा कि यह वास्तविक दुनिया में कितनी अप्रभावी ढंग से लागू की गई थी, और इसके तकनीकी मुद्दों के कारण नहीं। इसलिए, मैं तब समस्या को हल करने के लिए आकर्षित हुआ।

आप बान्जो में मुख्य डेटा वैज्ञानिक थे, जहां आपने सामाजिक नेटवर्क क्षेत्र में चुनौतियों का सामना किया। कुछ चुनौतियों पर चर्चा कर सकते हैं?

एक कंपनी के रूप में, हम सामाजिक मीडिया पर दर्ज की गई घटनाओं का पता लगाते थे, विशेष रूप से उन घटनाओं को जो संभावित खतरे के रूप में उजागर करने की आवश्यकता थी, जैसे कि एक निकटवर्ती कार दुर्घटना या एक जलती हुई इमारत। हम उन घटनाओं को झंडा दिखाकर मदद करते थे, ताकि हम पहले उत्तरदाताओं को तैनात कर सकें। हम सामाजिक मीडिया का उपयोग अच्छे के लिए कर रहे थे।

इनमें से कई घटनाएं सामाजिक मीडिया डेटा के संबंध में दुर्लभ हैं। उदाहरण के लिए, किसी भी शहर में प्रतिदिन कई दुर्घटनाएं होती हैं, लेकिन जब आप सामाजिक मीडिया डेटा की मात्रा देखते हैं, तो एक कार दुर्घटना की तस्वीर काफी छोटी हो जाती है। एक कार दुर्घटना की तस्वीर, और कुछ मिनटों में लाखों तस्वीरें – पिल्लों, भोजन, सेल्फी की तस्वीरें। बान्जो में, हम सुई को ढूंढ रहे थे घास में।

तो एक चुनौती जो उत्पन्न हुई थी वह कंप्यूटर विजन के बारे में थी। हालांकि कंप्यूटर विजन उस समय अच्छा था, जब आप एक करोड़ में से एक को ढूंढने की कोशिश करते हैं, तो भी एक छोटी सी त्रुटि दर संभावना आपके उन दुर्लभ घटनाओं का पता लगाने की संभावना को पूरी तरह से नष्ट कर सकती है।

उदाहरण के लिए, एक सार्वजनिक डेटासेट था जो न्यूरल नेटवर्क को रंग की पहचान करने में असमर्थ बना देता था। भले ही एक तस्वीर में रंगीन होती, और न्यूरल नेटवर्क सभी आरजीबी देख रहा होता, यह रंग को एक संकेतक के रूप में उपयोग नहीं करता था। एक पारंपरिक पुलिस कार और एक पारंपरिक टैक्सी – दोनों मूल रूप से एक ही कार मॉडल होती हैं और ऊपर एक अतिरिक्त टुकड़ा मशीनरी (जैसे पुलिस कार पर सायरन या टैक्सी पर फ्री/बजी सिग्नल) होती है। लेकिन अगर आप रंग देखते हैं, तो दोनों के बीच का अंतर स्पष्ट है। क्योंकि इस उदाहरण से, हम समझने में सक्षम थे कि एक उचित डेटासेट बनाना कितना महत्वपूर्ण है।

2017 में, आपने ओपल लॉन्च किया। इस स्टार्टअप की उत्पत्ति कहानी क्या है?

मैं चाहता था कि कंपनियां एआई को लागू करने से एक ठोस आरओआई प्राप्त करें। गार्टनर के अनुसार, 80 से 90 प्रतिशत एआई परियोजनाएं कभी भी प्रकाश में नहीं आती हैं। इसका कोई लेना-देना तकनीकी पहलुओं से नहीं है, जैसे कि मॉडल की सटीकता। यह आमतौर पर कंपनी की संस्कृति या कंपनी के भीतर प्रक्रियात्मक पहलुओं से संबंधित होता है।

यह डेटा साइंस टीम और व्यवसाय उपयोगकर्ता के बीच पर्याप्त संचार की कमी के कारण हो सकता है, जिससे ऐसे मॉडल बनते हैं जो व्यवसाय टीम की जरूरतों को पूरा नहीं करते हैं। या यदि वे सही मॉडल बनाते हैं, तो जब डेटा साइंस टीम समाप्त हो जाती है, तो व्यवसाय टीम भविष्यवाणियों का लाभ नहीं उठाती है। अधिकांश कंपनियों में, बिक्री, विपणन और लॉजिस्टिक्स जैसे विभाग वास्तव में एआई का उपयोग करने वाले होने चाहिए, लेकिन यह डेटा साइंस टीम है जो मॉडल को समझती है। जब ये टीमें मॉडल को नहीं समझती हैं जो उनके लिए बनाए जा रहे हैं, तो वे इसकी भविष्यवाणियों पर विश्वास नहीं करती हैं और इसलिए इसका उपयोग नहीं करती हैं।

तो अगर एआई व्यवसाय को बदलने में मदद नहीं कर रहा है, तो इसका क्या मतलब है?

हम एक ऐसा प्लेटफ़ॉर्म बनाना चाहते थे जो इस समस्या का समाधान करे – हम डेटा साइंस टीम या व्यवसाय विश्लेषकों, डेटा विश्लेषकों, किसी को भी जो इस प्रक्रिया में शामिल है – सही परियोजनाओं का निर्माण करने में मदद करना चाहते हैं और कर्मचारियों को मॉडल को समझने और विश्वास करने में मदद करना चाहते हैं। यदि हम इस समस्या को हल कर सकते हैं, तो मुझे विश्वास है कि डेटा साइंस वास्तव में कंपनियों के लिए मूल्यवान हो सकता है।

आपके अनुसार, डेटा वैज्ञानिक उन कार्यों पर कीमती समय बर्बाद कर रहे हैं जिन्हें एआई के साथ स्वचालित किया जा सकता है। कुछ उदाहरण दे सकते हैं जो कार्य स्वचालित किए जाने चाहिए?

एक डेटा वैज्ञानिक आमतौर पर एक मॉडल को पूरा करने में कई महीने लेता है, और एक बार जब यह समाप्त हो जाता है, तो कंपनी मॉडल को लागू करती है, हालांकि यह उतना सटीक नहीं होगा जितना कि संभव है। मॉडल को लागू करने के बाद के महीनों में, डेटा वैज्ञानिक मॉडल को और अधिक सटीक बनाने के लिए काम करता है, जो कि छोटे चरणों में होता है। यह आमतौर पर वह जगह है जहां अधिकांश डेटा वैज्ञानिक अपना समय बिताते हैं जब वे अन्य कार्यों पर समय बिता सकते हैं, जैसे कि यह सुनिश्चित करना कि कर्मचारी मॉडल को समझें, विश्वास करें और एआई मॉडल का उपयोग करें। सभी समय जो फीचर इंजीनियरिंग, मॉडल प्रशिक्षण, पैरामीटर ट्यूनिंग और एल्गोरिदम चयन जैसे कार्यों पर बिताया जाता है, जो मॉडल की सटीकता बढ़ाने की कोशिश करते हैं, उन्हें आसानी से एआई के साथ स्वचालित किया जा सकता है।

मेटा-लर्निंग क्या है और ओपल इसे कैसे लागू करता है, इसका वर्णन कर सकते हैं?

मेटा-लर्निंग को समझने से पहले, यह पहले मशीन लर्निंग की पहली परत को समझना महत्वपूर्ण है। कहें, आपके पास एक डेटासेट है जो कारखाने के फर्श पर मशीनों के टूटने की भविष्यवाणी करता है। मशीन कर्मचारियों को सूचित करती है कि यह टूटने वाली है, ताकि वे रोकथाम उपाय कर सकें। यह पहली परत का सीखना है।

मेटा-लर्निंग, जिसे अक्सर “सीखने के लिए सीखना” कहा जाता है, उस सीखने की प्रक्रिया को और बेहतर ढंग से समझना है। तो जब आप मॉडल को मशीनों के टूटने की भविष्यवाणी करने के लिए प्रशिक्षित कर रहे हैं, तो आपके पास एक और मॉडल है जो देख रहा है। उदाहरण के लिए, दूसरा मॉडल व्यवसायों को यह समझने में मदद कर सकता है कि पूर्वानुमानिक रखरखाव मॉडल किन पैरामीटरों को अच्छी तरह से सीख रहा है और कौन से पैरामीटर अच्छी तरह से काम नहीं कर रहे हैं। जब आप मेटा-लर्निंग करते हैं, तो आप अधिक कुशल मॉडल बनाने में बेहतर हो जाते हैं, तेजी से।

सिंथेटिक डेटा पर आपके विचार क्या हैं?

सिंथेटिक डेटा को सही ढंग से निष्पादित किए जाने पर बहुत मुश्किल हो सकता है।

कहें, आपके पास चिकित्सा रिकॉर्ड डेटा है – आपके पास 20 रोगियों के लिए उनकी उम्र, लिंग, वजन, ऊंचाई, रक्तचाप, दवाओं की सूची आदि है। यह संभव है कि मशीन लर्निंग के साथ इन चिकित्सा रिकॉर्ड के आधार पर सिंथेटिक डेटा बनाया जा सकता है। हालांकि, यदि आप केवल मशीन लर्निंग या सांख्यिकी पर निर्भर करते हैं, तो आप असंगत सिंथेटिक डेटा के साथ समाप्त हो सकते हैं। यह एक यादृच्छिक मिश्रण और मैच बना सकता है जैसे कि तीन साल का एक व्यक्ति जो छह फीट लंबा है या चार फुट लंबा व्यक्ति जो एक हजार पाउंड वजन का है। जबकि एआई/एमएल अधिकांश मामलों में विश्वसनीय हैं, चिकित्सा रिकॉर्ड के लिए सिंथेटिक डेटा का उपयोग करने के लिए एक डॉक्टर की भागीदारी की आवश्यकता होगी।

तो आप एक चिकित्सा पेशेवर को शामिल करते हैं ताकि वे पैरामीटर बना सकें जैसे कि “यदि व्यक्ति इस उम्र का है, तो वास्तविक ऊंचाई और वजन क्या है” या “यदि वे इस दवा का सेवन कर रहे हैं, तो उन्हें किन दवाओं का सेवन नहीं करना चाहिए”। यह प्रक्रिया एक विशाल प्रयास बन जाएगी और सभी संभावनाओं को मैप करने के लिए बहुत जटिल होगी, जैसा कि प्रत्येक रोगी के चिकित्सा रिकॉर्ड से संबंधित है।

छवियों के क्षेत्र में, हालांकि, सिंथेटिक डेटा को समझना और बनाना बहुत आसान हो सकता है। कहें, आपके पास एक कार की तस्वीर है, और कार ऊपरी बाएं कोने में है। आपको विशेषज्ञ होने की आवश्यकता नहीं है कि वही कार नीचे बाएं कोने, ऊपरी दाएं कोने या केंद्र में हो सकती है। न केवल व्यक्ति कैमरे को कई तरीकों से इंगित कर सकता है, बल्कि वे तस्वीर को भी पुनः संरेखित कर सकते हैं। तस्वीर के फोकस को बदलना, ताकि कार सभी अलग-अलग कोनों में हो, सिंथेटिक डेटा बनाना है – एक और सरल तरीका है घूर्णन का उपयोग करना।

कुछ उदाहरण दे सकते हैं कि ओपल ने उद्यमों को उनकी डेटा आवश्यकताओं में कैसे मदद की?

ओपल.एआई उद्यमों को संगठन के सभी स्तरों पर गहन डेटा विश्लेषण का लाभ उठाने और अपने कर्मचारियों को एआई के मूल्य को अनलॉक करने का अवसर प्रदान करने की क्षमता प्रदान करता है, बस कुछ क्लिक के साथ। जैसा कि संगठन डेटा वैज्ञानिकों की एक छोटी टीम पर निर्भर करते हैं ताकि वे एआई को कल्पना करें और लागू करें, ओपल.एआई प्लेटफ़ॉर्म विभिन्न विभागों में कर्मचारियों को अपने डेटा से अंतर्दृष्टि तक पहुंचने और अपनी दैनिक दक्षता बढ़ाने के लिए उपकरण प्रदान करता है।

इसके साथ कहा, एक बड़ा बाधा जो संगठन अक्सर एआई को लागू करते समय面 करते हैं वह मॉडल व्याख्या है। यह आवश्यक है कि उद्यमों को ऐसा एआई प्रदान करें जिसे उनके कर्मचारी समझ सकें और अधिक महत्वपूर्ण रूप से, विश्वास करें। मॉडल व्याख्या इसमें मदद करती है। ओपल.एआई प्लेटफ़ॉर्म का हमारा लक्ष्य उन कर्मचारियों को अवसर प्रदान करना है जो एआई या तकनीक-सawy नहीं हो सकते हैं, मॉडल को आसानी से समझने का अवसर प्रदान करना कि मॉडल भविष्यवाणियां कैसे करता है और क्यों। मॉडल व्याख्या बनाने से उद्यमों के लिए दीर्घकालिक परिणाम प्राप्त होंगे।

इसके अलावा, मॉडल से कंपनियों को जो मूल्य मिलता है वह भविष्यवाणियां करने से परे है। एआई संभावित समस्याओं या उन क्षेत्रों को उजागर कर सकता है जिन पर पूंजी लगाई जा सकती है। हम इसे डेटा व्याख्या कहते हैं – यह विभिन्न तरीकों से है जिसमें एक मॉडल डेटा के बारे में बुद्धिमान अंतर्दृष्टि साझा कर सकता है जो कंपनी के लिए मूल्यवान है। यह एक बड़ा तरीका है जिसमें एआई व्यवसायों में मदद कर सकता है, और एक क्षेत्र जिसमें हम प्रतिस्पर्धा के संबंध में आगे बढ़ रहे हैं।

साक्षात्कार के लिए धन्यवाद, पाठक जो अधिक जानना चाहते हैं उन्हें ओपल.एआई पर जाना चाहिए।