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

पेड्रो अल्वेस ओपले.एआई के सीईओ और संस्थापक हैं, एक प्लेटफ़ॉर्म जो विश्लेषकों और विषय विशेषज्ञों को शक्तिशाली पूर्वानुमानिक विश्लेषण से सशक्त बनाता है। यह प्लेटफ़ॉर्म दुनिया के अग्रणी डेटा वैज्ञानिकों के ज्ञान और विशेषज्ञता से सुसज्जित है, ताकि उपयोगकर्ता अपने व्यवसाय को प्रभावित करने पर ध्यान केंद्रित कर सकें।

आपको डेटा साइंस में क्या आकर्षित किया?

2001 में, मैंने मशीन लर्निंग और आर्टिफ़िशियल इंटेलिजेंस में बड़ा संभावना देखी। कंप्यूटर साइंस का अध्ययन करते हुए, मैंने सोचा कि यह क्षेत्र मुझे रोचक 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 महत्वपूर्ण योगदान दे सकते हैं। मुझे हमेशा से इसके पीछे की गणित रोचक लगी है।

स्नातक स्कूल में प्रवेश करने के बाद, मैंने तय किया कि मशीन लर्निंग में अपनी विशेषज्ञता में सुधार करने का सबसे अच्छा तरीका इसका व्यावहारिक अनुप्रयोग सीखना होगा। मैं हमेशा व्यावहारिक रहा हूँ; मैं सिद्धांत के लिए सिद्धांत नहीं सीखना चाहता था। मैंने मशीन लर्निंग का अध्ययन किया जो जेनोमिक्स और प्रोटिओमिक्स के क्षेत्र में लागू होता है। मेरा सारा स्नातक कार्य कम्प्यूटेशनल जीव विज्ञान में था, लेकिन ध्यान मशीन लर्निंग पर था।

इसके तुरंत बाद, मैं स्वास्थ्य सेवा उद्योग में प्रवेश किया, जहाँ मैंने एआई/एमएल अनुप्रयोगों के लिए बड़ा संभावना देखी। यह तब था जब मैंने देखा कि एआई को व्यावहारिक रूप से कैसे लागू किया जा रहा था, अकादमिक दुनिया से बाहर। मैंने एआई की वास्तविकता का अनुभव किया और सीखा कि यह कैसे अकादमिक दुनिया से बाहर व्यावहारिक रूप से लागू किया जा रहा था, और इसके तकनीकी मुद्दों के कारण नहीं। इसलिए, मैंने समस्या को हल करने के लिए आकर्षित किया।

आप बान्जो में पूर्व मुख्य डेटा वैज्ञानिक थे, जहाँ आपने सामाजिक नेटवर्क क्षेत्र में चुनौतियों का सामना किया। कुछ चुनौतियों पर चर्चा करें।

एक कंपनी के रूप में, हम सोशल मीडिया पर दर्ज की गई घटनाओं का पता लगाते थे, विशेष रूप से उन घटनाओं को जिन्हें उजागर करने की आवश्यकता थी जो संभावित खतरे का संकेत देती थीं, जैसे कि एक पास की कार दुर्घटना या एक जलती हुई इमारत। हम पहले उत्तरदाताओं को सूचित करने में मदद करते थे ताकि वे इन घटनाओं को और अधिक प्रभावी ढंग से संबोधित कर सकें। हम सोशल मीडिया का उपयोग अच्छे के लिए कर रहे थे।

इनमें से कई घटनाएं सोशल मीडिया डेटा के संबंध में दुर्लभ होती हैं। उदाहरण के लिए, प्रतिदिन किसी भी शहर में कई दुर्घटनाएं होती हैं, लेकिन जब आप सोशल मीडिया डेटा की मात्रा को देखते हैं, तो एक कार दुर्घटना की तस्वीर बहुत ही कम हो जाती है। एक ही समय में कुत्तों, भोजन, सेल्फी और एक कार दुर्घटना की तस्वीर की लाखों तस्वीरें होती हैं। मूल रूप से, बान्जो में, हम सुई को ढूंढ रहे थे एक तिहाई में।

इसलिए, जो चुनौती उत्पन्न हुई वह कंप्यूटर विजन से संबंधित थी। हालांकि उस समय कंप्यूटर विजन अच्छा था, जब आप कुछ लाख में से एक को ढूंढने की कोशिश करते हैं, तो भी एक छोटी सी त्रुटि दर संभावना पूरी तरह से आपकी घटनाओं का पता लगाने की क्षमता को नष्ट कर सकती है।

उदाहरण के लिए, एक सार्वजनिक डेटासेट था जो न्यूरल नेटवर्क को रंग की पहचान करने में असमर्थ बना देता था। यहां तक कि अगर एक तस्वीर में रंगीन थी और न्यूरल नेटवर्क सभी आरजीबी देख रहा था, तो भी 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 हैं और शीर्ष पर एक अतिरिक्त मशीनरी (जैसे पुलिस कार पर सायरन या टैक्सी पर मुक्त/व्यस्त संकेत) है। लेकिन अगर आप रंग देखते हैं, तो दोनों के बीच का अंतर स्पष्ट है। इस उदाहरण से, हमें यह समझने में मदद मिली कि एक उचित डेटासेट बनाना कितना महत्वपूर्ण है।

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

मैं चाहता था कि कंपनियां एआई को लागू करने से ठोस आरओआई प्राप्त करें। गार्टनर के अनुसार, 80 से 90 प्रतिशत एआई परियोजनाएं कभी भी प्रकाश में नहीं आती हैं। यह तकनीकी पहलुओं, जैसे मॉडल की सटीकता से संबंधित नहीं है। यह आमतौर पर कंपनी की संस्कृति या 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 होते हैं, 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 भरोसा नहीं करते हैं और इसलिए इसका उपयोग नहीं करते हैं।

तो अगर एआई व्यवसाय को बदलने में नहीं 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, जो भी इस प्रक्रिया में शामिल हैं, की मदद करना चाहते थे ताकि वे सही परियोजनाओं का निर्माण कर सकें और कर्मचारियों को मॉडल को समझने और भरोसा करने में मदद मिल सके। अगर हम इसे ठीक कर दें, तो मुझे लगता है कि डेटा साइंस वास्तव में कंपनियों के लिए मूल्यवान हो सकता है।

आपने कहा है कि डेटा वैज्ञानिक उन कार्यों पर कीमती समय बर्बाद कर रहे हैं जिन्हें एआई के साथ स्वचालित किया जा सकता है। कुछ उदाहरण दें जो कार्य स्वचालित किए जाने चाहिए।

एक डेटा वैज्ञानिक आमतौर पर एक मॉडल को पूरा करने में कई महीने लगते हैं, और एक बार यह पूरा हो जाने के बाद, कंपनी इस मॉडल को लागू करती है, हालांकि यह संभवतः यथासंभव सटीक नहीं होगा। मॉडल को लागू करने के बाद के महीनों में, डेटा वैज्ञानिक इसे और अधिक सटीक बनाने के लिए काम करते रहेंगे। 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, भरोसा करें और एआई मॉडल का उपयोग करें। जैसे कि फीचर इंजीनियरिंग, मॉडल प्रशिक्षण, पैरामीटर ट्यूनिंग और एल्गोरिदम चयन जैसे कार्यों पर समय बिताना, जो मॉडल की सटीकता को बढ़ाने के लिए किया जा सकता है, आसानी से एआई के साथ स्वचालित किया जा सकता है।

मेटा-लर्निंग क्या है और ओपले इसका कैसे उपयोग करता है?

मेटा-लर्निंग से पहले मशीन लर्निंग की पहली परत को समझना महत्वपूर्ण है। मान लें कि 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 निवारक रखरखाव कर सकें। यह मशीन लर्निंग की पहली परत है।

मेटा-लर्निंग, जिसे अक्सर “सीखने के लिए सीखना” कहा जाता है, सीखने की प्रक्रिया को और अधिक समझना है। इसलिए, जब आप अपने मॉडल को मशीन त्रुटियों 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 किन पैरामीटरों को नहीं। जब आप मेटा-लर्निंग करते हैं, तो आप अधिक कुशल मॉडल बनाने में तेजी लाते हैं।

सिंथेटिक डेटा पर आपके विचार क्या हैं?

सिंथेटिक डेटा को सही से नियोजित करना बहुत मुश्किल हो सकता है।

मान लें कि 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 भरोसा करते हैं, तो आप अर्थहीन सिंथेटिक डेटा के साथ समाप्त हो सकते हैं। यह एक 3 साल के बच्चे को 6 फीट लंबा या 4 फीट लंबे व्यक्ति को 1000 पाउंड वजन दे सकता है। जबकि एआई/एमएल अधिकांश मामलों में विश्वसनीय हैं, चिकित्सा रिकॉर्ड के लिए सिंथेटिक डेटा का उपयोग करने से पहले एक डॉक्टर की सलाह लेनी चाहिए।

इसलिए, 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 होना चाहिए,” या “यदि वे इस दवा का सेवन कर रहे हैं, तो उन्हें किन दवाओं का सेवन नहीं करना चाहिए?” यह प्रक्रिया अंततः एक विशाल प्रयास में बदल जाएगी और प्रत्येक रोगी के चिकित्सा रिकॉर्ड से संबंधित सभी संभावनाओं को मैप करने के लिए बहुत जटिल हो जाएगी।

हालांकि, छवियों के क्षेत्र में, सिंथेटिक डेटा बनाना और समझना बहुत आसान हो सकता है। मान लें कि आपके पास एक कार की तस्वीर है और कार ऊपरी बाएं कोने में है। आपको विशेषज्ञ होने की जरूरत नहीं है कि वह कार नीचे बाएं कोने, ऊपरी दाएं कोने या केंद्र में हो सकती है। न केवल कैमरे को कई तरीकों से इशारा किया जा सकता है, बल्कि तस्वीर को भी पुनर्व्यवस्थित किया जा सकता है। तस्वीर के फोकस को बदलना, ताकि कार सभी कोनों में हो, सिंथेटिक डेटा बनाने का एक और सरल तरीका है – घूर्णन का उपयोग करना।

ओपले ने उद्यमों को उनकी डेटा आवश्यकताओं में कैसे मदद की?

ओपले.एआई उद्यमों को संगठन के सभी स्तरों पर गहन डेटा विश्लेषण का लाभ उठाने और अपने कर्मचारियों को एआई का मूल्य अनलॉक करने का अवसर प्रदान करने की क्षमता प्रदान करता है, केवल कुछ क्लिक के साथ। इसके अलावा, संगठन डेटा वैज्ञानिकों की एक छोटी टीम पर निर्भर नहीं रहते हैं जो एआई को लागू करने और व्याख्या करने के लिए जिम्मेदार होते हैं, ओपले.एआई प्लेटफ़ॉर्म विभिन्न विभागों के कर्मचारियों को अपने डेटा से अंतर्दृष्टि तक पहुंचने के लिए उपकरण प्रदान करता है, और इस प्रकार उनकी दैनिक कार्यक्षमता में वृद्धि करता है।

उपरोक्त के अलावा, एक बड़ा अवरोध जिसका सामना संगठन अक्सर एआई को लागू करते समय करते हैं वह मॉडल व्याख्या है। यह आवश्यक है कि उद्यम अपने कर्मचारियों को एआई प्रदान करें जिसे वे समझ सकें और सबसे महत्वपूर्ण बात, जिस पर वे भरोसा कर सकें। मॉडल व्याख्या इसमें मदद करती है। ओपले.एआई प्लेटफ़ॉर्म का उद्देश्य उन कर्मचारियों को आसानी से मॉडल की भविष्यवाणियों को समझने और यह जानने का अवसर प्रदान करना है कि मॉडल कैसे भविष्यवाणियां करता है और क्यों। मॉडल व्याख्या का निर्माण उद्यमों के लिए दीर्घकालिक परिणाम प्रदान करेगा।

इसके अतिरिक्त, मॉडल से कंपनियों को जो मूल्य मिलता है वह केवल भविष्यवाणी करने से परे है। एआई संभावित समस्याओं या पूंजीकरण के क्षेत्रों का खुलासा कर सकता है। हम इसे डेटा व्याख्या कहते हैं – यह विभिन्न तरीके हैं जिनसे एक मॉडल कंपनी के लिए मूल्यवान डेटा के बारे में बुद्धिमान अंतर्दृष्टि साझा कर सकता है। यह एक बड़ा तरीका है जिससे एआई व्यवसायों में मदद कर सकता है, और एक क्षेत्र जिसमें हम अपने प्रतिस्पर्धा के संबंध में आगे बढ़ रहे हैं।

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