Randall Newman, CPTO और Satisfi Labs के सह-संस्थापक – साक्षात्कार श्रृंखला

Randall Newman, CPTO और Satisfi Labs के सह-संस्थापक, एक प्रौद्योगिकी और उत्पाद नेता हैं जिनके पास AI प्लेटफ़ॉर्म, वित्तीय प्रौद्योगिकी और उच्च-प्रदर्शन प्रणालियों का निर्माण करने का व्यापक अनुभव है। Satisfi Labs की सह-स्थापना के बाद, Newman ने कंपनी की वार्तालापीय AI प्रौद्योगिकी की कल्पना, डिजाइन और स्केलिंग में केंद्रीय भूमिका निभाई है, साथ ही उत्पाद विकास, वास्तुकला, इंजीनियरिंग टीमों और रणनीतिक एकीकरणों की देखरेख की है। Satisfi Labs से पहले, उन्होंने Satisfi Inc. में हेड ऑफ प्रोडक्ट के रूप में कार्य किया और मोबाइल मार्केटिंग कंपनी Right On Mobile की सह-स्थापना की। अपने करियर के शुरुआती चरण में, Newman ने CIBC World Markets में 17 से अधिक वर्षों तक काम किया, जहाँ उन्होंने रणनीतिक जोखिम, हाई-फ़्रीक्वेंसी ट्रेडिंग और इक्विटी आर्बिट्रेज सहित वरिष्ठ नेतृत्व भूमिकाएँ संभालीं, और मात्रात्मक ट्रेडिंग विशेषज्ञता को व्यावहारिक प्रौद्योगिकी विकास के साथ जोड़ा।

Satisfi Labs एक AI कंपनी है जो खेल, मनोरंजन, पर्यटन, आकर्षण और अन्य लाइव-एक्सपीरियंस व्यवसायों के लिए विशेष AI एजेंटों को तैनात करने पर केंद्रित है। 2016 में स्थापित, कंपनी ने वार्तालापीय AI और उसके Answer Engine से विकसित होकर एक एजेंटिक प्लेटफ़ॉर्म बनाया है, जिसका उद्देश्य संगठनों को अतिथि समर्थन को स्वचालित करने, टिकट और वाणिज्य रूपांतरण बढ़ाने, और ग्राहक वार्तालापों से अंतर्दृष्टि निकालने में मदद करना है। इसके AI एजेंट 50 से अधिक भाषाओं में कार्य कर सकते हैं और टिकटिंग, CRM, कंटेंट मैनेजमेंट और अन्य व्यावसायिक प्रणालियों से जुड़कर टिकट बेचने, वार्तालाप को मानव स्टाफ को बढ़ाने, ग्राहक जानकारी एकत्र करने और व्यक्तिगत उत्तर देने जैसी क्रियाएँ करते हैं। Satisfi Labs के अनुसार, अब इसकी प्रौद्योगिकी 775 से अधिक ब्रांडों द्वारा भरोसा की जाती है, जिसमें Ticketmaster, Simpleview, MappedIn, Ventrata और Vozzi जैसी कंपनियों के साथ एकीकरण और साझेदारियाँ शामिल हैं।

आपने वित्तीय बाजारों में लगभग दो दशकों तक काम किया, जिसमें CIBC में कम विलंबता वाले ट्रेडिंग सिस्टम बनाना और हाई-फ़्रीक्वेंसी ट्रेडिंग रणनीतियों का नेतृत्व करना शामिल था, इससे पहले कि आप प्रौद्योगिकी उद्यमिता की ओर बढ़ें और अंततः Satisfi Labs की सह-स्थापना करें। उन ऑपरेटिंग सिस्टमों से कौन सी सीख, जहाँ गति, विश्वसनीयता और जोखिम प्रबंधन महत्वपूर्ण थे, आज आपके उत्पादन-स्तर के AI एजेंटों के निर्माण को सबसे अधिक प्रभावित करती हैं?

ट्रेडिंग ने मुझे सिखाया कि एक अच्छा विचार और एक अच्छा व्यवसाय दो अलग चीज़ें हैं। आप सही अवसर की पहचान कर सकते हैं और फिर भी पैसे खो सकते हैं क्योंकि आपका निष्पादन धीमा है, लागत बहुत अधिक है, या जोखिम मान्यताएँ गलत हैं। AI भी ऐसा ही है। मॉडल क्षमता केवल एक इनपुट है। व्यवसाय इस बात पर निर्भर करता है कि क्या आप उस क्षमता को स्वीकार्य लागत और जोखिम पर दोहराने योग्य परिणाम में बदल सकते हैं।

एक इंडेक्स आर्बिट्रेज बुक चलाना भी आपको व्यक्तिगत निर्णयों से परे देखने की सीख देता है। एक छोटा त्रुटि जो पोर्टफ़ोलियो में दोहराई जाती है, वह बहुत बड़ा जोखिम बन जाता है। AI के साथ, आप हजारों एजेंट रख सकते हैं जो व्यक्तिगत रूप से उचित निर्णय लेते हैं, लेकिन सामूहिक रूप से समस्या उत्पन्न करते हैं। वे सभी एक ही खराब डेटा पर निर्भर होते हैं, या वे सभी एक ही विफल सेवा को पुनः प्रयास करते हैं। आपको केवल व्यक्तिगत प्रतिक्रिया नहीं, बल्कि पूरे सिस्टम का प्रबंधन करना चाहिए।

और गति केवल तब मायने रखती है जब वह परिणाम को सुधारती है। ट्रेडिंग में ऐसे क्षण होते थे जहाँ माइक्रोसेकंड महत्वपूर्ण थे। AI में, मैं एक सेकंड और ले कर लेनदेन की पुष्टि करना पसंद करूंगा बजाय तुरंत गलत परिणाम देने के। अनुशासन यह जानना है कि गति कहाँ मूल्य बनाती है और कहाँ केवल गलती को तेज़ करती है।

आखिरी सीख वही है जिसने पूरे व्यवसाय की शुरुआत की। प्रतिस्पर्धात्मक लाभ तब मिलता है जब आप किसी मूल्य असमानता को सभी से पहले पहचान लेते हैं। मेरा मानना है कि वर्तमान में मूल्य असमानता यह है कि अधिकांश व्यवसाय AI एजेंटों को समर्थन लागत कम करने का साधन मानते हैं। Satisfi Labs में, हम उन्हें राजस्व चैनल के रूप में देखते हैं। हमारे खेल स्थल पर, एजेंट वार्तालापों का लगभग 40 प्रतिशत टिकटों से संबंधित है। ये प्रशंसक शिकायत करने नहीं आते; वे हाथ में पैसे लेकर आते हैं और पूछते हैं कि कहाँ बैठें। बाजार में गलत मूल्यांकित चीज़ को खोजें और उसे पकड़ें। यह आर्बिट्रेज व्यवसाय की वही प्रवृत्ति है।

Satisfi Labs की स्थापना 2017 में हुई, जो वर्तमान जेनरेटिव AI बूम से काफी पहले है, और यह संदर्भात्मक प्राकृतिक भाषा प्रसंस्करण और वार्तालापीय AI से विकसित होकर एक एजेंटिक प्लेटफ़ॉर्म बन गया है। प्रश्नों के उत्तर देने के लिए मुख्यतः डिजाइन किए गए सिस्टमों से उपयोगकर्ताओं की ओर से कार्रवाई करने योग्य एजेंटों में बदलने के लिए सबसे बड़े वास्तुशिल्पीय परिवर्तन क्या थे?

हमने एक दशक में 800 से अधिक एंटरप्राइज़ ग्राहकों, जिनमें MLB/NFL टीमें, मनोरंजन स्थल और पर्यटन संगठन शामिल हैं, के लिए हजारों AI एजेंट बनाए। सबसे बड़ा परिवर्तन यह है कि आप सिस्टम को केवल जानकारी नहीं, बल्कि अधिकार दे रहे हैं।

यदि एक सहायक आपको बताता है कि कौन से टिकट उपलब्ध हैं, तो वह उत्तर प्रदान कर रहा है। यदि वह आपके टिकटों का विनिमय करता है, तो वह इन्वेंट्री, ग्राहक रिकॉर्ड और संभावित रूप से धन को बदल रहा है। अब आपको यह जानना होगा कि किसने कार्रवाई को अधिकृत किया, वास्तव में क्या हुआ, और यदि प्रक्रिया बीच में रुक जाए तो कैसे पुनर्प्राप्त किया जाए।

इसलिए हम मॉडल के निर्णय को कार्यान्वयन के अधिकार से अलग करते हैं। मॉडल अनुरोध को समझ सकता है और अगला कदम प्रस्तावित कर सकता है। उसके नीचे की प्रणालियाँ अनुमतियों, व्यावसायिक नियमों और लेनदेन सीमाओं को लागू करती हैं। मॉडल की प्रभावशाली व्याख्या इन नियंत्रणों को ओवरराइड नहीं कर सकती।

आपको “एजेंट ने कहा कि उसने कार्य पूरा कर दिया” और “व्यावसायिक प्रणाली ने पूर्णता की पुष्टि की” के बीच स्पष्ट अंतर भी बनाना होगा। ये दो अलग चीज़ें हैं। यदि खरीद अनुरोध का समय समाप्त हो जाता है, तो पुनः प्रयास करने से पहले यह पता लगाना बेहतर होगा कि खरीदारी हुई थी या नहीं।

और रणनीतिक रूप से, बेहतर मॉडल्स को आपके व्यापार नियंत्रणों को फिर से बनाना नहीं चाहिए। मैं हर तर्कसंगत सुधार का लाभ उठाना चाहता हूँ बिना हर बार नया मॉडल जारी होने पर सिस्टम को क्या करने की अनुमति है, इसे फिर से बातचीत किए।

“एजेंटिक एआई” शब्द अब विभिन्न प्रकार के उत्पादों पर लागू किया जा रहा है। इंजीनियरिंग दृष्टिकोण से, आप उन्नत चैटबॉट, एआई कोपायलट और वास्तव में स्वायत्त एआई एजेंट के बीच सीमा कहाँ निर्धारित करते हैं?

मैं एक प्रश्न पूछूँगा: व्यक्ति ने वास्तव में कौन सी जिम्मेदारी सौंप दी है?

एक चैटबॉट जानकारी प्रदान करता है। एक कोपायलट आपको काम पूरा करने में मदद करता है, लेकिन आप अभी भी महत्वपूर्ण चरणों को निर्देशित और अनुमोदित करते हैं। एक स्वायत्त एजेंट को कुछ निर्णय स्वयं लेने की अनुमति होती है जबकि वह एक लक्ष्य की ओर अग्रसर रहता है।

इंटरफ़ेस यह नहीं बताता कि आप किसे देख रहे हैं। एक संवादात्मक उत्पाद के पीछे वास्तविक स्वायत्तता हो सकती है। जो कुछ एजेंट के रूप में विपणन किया जाता है, उसे अभी भी प्रत्येक उपयोगी कार्रवाई को अनुमोदित करने के लिए व्यक्ति की आवश्यकता हो सकती है।

एक एंटरप्राइज़ के लिए, स्वायत्तता एक विशिष्ट समझौता होना चाहिए: यह सिस्टम इन उपयोगकर्ताओं के लिए, इन सीमाओं के भीतर, ये कार्य कर सकता है, और इन शर्तों के तहत रुकना चाहिए। यह कुछ ऐसा है जिसे आप वास्तव में परीक्षण और शासन कर सकते हैं।

मैं भी अधिकतम स्वायत्तता को लक्ष्य नहीं बनाऊँगा। कभी‑कभी सबसे अच्छा उत्पाद एक समय पर सही प्रश्न पूछता है और बाकी सब संभाल लेता है। उस प्रश्न को हटाने से डेमो अधिक प्रभावशाली बन जाता है और व्यवसाय कम सुरक्षित हो जाता है। लक्ष्य अनावश्यक मानव कार्य को हटाना है, न कि आवश्यक मानव निर्णय को।

Satisfi Labs ने हाल ही में Satisfi Forward लॉन्च किया, एक फॉरवर्ड‑डिप्लॉयड इंजीनियरिंग प्रैक्टिस। एक सक्षम एआई प्लेटफ़ॉर्म बनाने और ग्राहकों के वास्तविक‑विश्व वातावरण में एजेंट्स को विश्वसनीय रूप से काम करने के बीच आप कौन सा अंतर देख रहे थे, जिसने आपको यह मॉडल बनाने के लिए प्रेरित किया?

अंतिम चरण बाधा बन रहा था। एक प्लेटफ़ॉर्म बहुत कुछ मानकीकृत कर सकता है, लेकिन वह यह मान नहीं सकता कि हर ग्राहक का व्यवसाय एक ही तरह काम करता है। उनके टिकटिंग सिस्टम में कुछ सीमाएँ हैं। उनका अनुमोदन प्रक्रिया तीन विभागों से होकर गुजरती है। एक योग्य लीड की उनकी परिभाषा अगले ग्राहक से अलग है। ये विवरण तय करते हैं कि डिप्लॉयमेंट वास्तव में उपयोगी है या नहीं।

आप एक तैयार‑प्लेटफ़ॉर्म खरीद सकते हैं और ऐसा डेमो बना सकते हैं जो लोगों को प्रभावित करे। इसे वास्तविक उपयोगकर्ताओं के लिए एक मजबूत अनुभव के रूप में व्यावसायिक बनाना, अलग बात है। यहाँ फॉरवर्ड‑डिप्लॉयड इंजीनियर आते हैं। Satisfi Forward की हमारी टीम का काम परिणाम को समझना, बाधाओं की पहचान करना, और प्लेटफ़ॉर्म के ऊपर वर्कफ़्लो और इंटीग्रेशन बनाना है जो इसे संभव बनाते हैं।

लेकिन हम हर सहभागिता के चारों ओर स्पष्ट सीमाएँ निर्धारित करते हैं। निर्माण से पहले, हम सफलता का अर्थ, व्यापार प्रक्रिया का स्वामित्व, ग्राहक पर निर्भरता, और लॉन्च के बाद रखरखाव को तय करते हैं। अन्यथा अंतिम‑मील प्रोजेक्ट एक अनिश्चित प्रतिबद्धता बन जाता है। और सहभागिता कोड के शिप होने पर समाप्त नहीं होती। यह तब समाप्त होती है जब वर्कफ़्लो ग्राहक के संचालन में काम करता है और कोई इसे चलाते रहने के लिए जिम्मेदार होता है।

कोड बनाना अब बहुत सस्ता हो गया है, जिससे यह मॉडल पहले की तुलना में कहीं अधिक व्यावहारिक हो गया है। लेकिन मैं Satisfi Forward को SaaS उत्पाद पर जुड़ी सेवा शाखा के रूप में नहीं देखता। हर सहभागिता हमें अगला उत्पाद क्या होना चाहिए, यह सिखाती है। जब तीन ग्राहक एक ही वर्कफ़्लो की मांग करते हैं, तो यह समर्थन बोझ नहीं है। यह रोडमैप स्वयं लिख रहा है, साथ में भुगतान करने वाले ग्राहक जुड़े हुए हैं। पुराना SaaS मॉडल फीचर का अनुमान लगाता था और साक्ष्य का इंतज़ार करता था। इस तरह हम पहले साक्ष्य प्राप्त करते हैं, और उसी दौरान राजस्व भी। मेरा मानना है कि यही AI युग में उत्पाद कंपनियों का निर्माण तरीका है।

आपके एजेंट टिकटिंग सिस्टम, ग्राहक संबंध प्रबंधन प्लेटफ़ॉर्म, कंटेंट मैनेजमेंट सिस्टम और अन्य रीयल‑टाइम जानकारी स्रोतों से जुड़ सकते हैं। जैसे-जैसे एजेंट्स को लेन‑देन करने और कार्रवाई ट्रिगर करने की क्षमता मिलती है, आप रीयल‑टाइम डेटा एक्सेस और कम लेटेंसी को ग्राउंडिंग, सुरक्षा और गलत कार्यों के खिलाफ सुरक्षा के साथ कैसे संतुलित करते हैं?

पहले, मैं कभी भी गति को सुरक्षा विफलता की भरपाई नहीं करने दूँगा। कुछ आवश्यकताएँ प्रतिबंध हैं। आप उनके भीतर अनुकूलन करते हैं।

फिर आप कार्य के प्रकारों में अंतर करते हैं। पार्किंग प्रश्न का उत्तर देना और टिकट खरीद पूरी करना समान डेटा ताज़गी या समान नियंत्रण की आवश्यकता नहीं रखते। आप स्थिर जानकारी को कैश कर सकते हैं। जब पैसे का लेन‑देन होता है, तो आपको मूल्य, उपलब्धता और पूर्णता की पुष्टि करने के लिए प्राधिकृत ट्रांज़ैक्शन सिस्टम की आवश्यकता होती है।

खतरनाक मामलों में वह सिस्टम है जो नहीं जानता क्या हुआ। बैकएंड एक खरीद को स्वीकार करता है, लेकिन प्रतिक्रिया कभी नहीं आती। यदि एजेंट विफलता मान ले और पुनः प्रयास करे, तो आपके पास दो खरीदें हो जाती हैं। यह भाषा समस्या नहीं है। यह लेन‑देन‑रिकवरी समस्या है।

और आप अनुभव को उन शर्तों के तहत मापते हैं जो वास्तव में मायने रखते हैं। एक शांत मंगलवार की औसत लेटेंसी आपको लगभग कुछ नहीं बताती। यदि कोई इवेंट रद्द हो जाता है, तो अचानक हजारों लोग पूछते हैं कि उनके टिकटों का क्या होगा, एक साथ। यदि आप केवल प्रति मिनट औसत ट्रैफ़िक के आधार पर योजना बनाते हैं, तो आप उस बर्स्ट में आवश्यक क्षमता को चूक जाएंगे। मैंने यह सीधे ट्रेडिंग सिस्टम से सीखा।

यहाँ भी एक लागत संबंधी निर्णय है। हर अनुरोध को सबसे महंगे मॉडल या एजेंटों की श्रृंखला की आवश्यकता नहीं होती। वह सबसे सरल मार्ग उपयोग करें जो आवश्यकता को पूरा करता हो, और अतिरिक्त समय या गणना को वहीं खर्च करें जहाँ वह निर्णय को सार्थक रूप से सुधारता हो। उपयोगकर्ता को एक ईमानदार परिणाम मिलना चाहिए, जिसमें यह स्पष्ट बयान भी शामिल हो कि कुछ पुष्टि नहीं हो सका।

Satisfi Labs एक मॉडल का वर्णन करता है जिसमें विशेषीकृत एजेंट एक AI कार्यबल के रूप में साथ काम कर सकते हैं। कई विशेषीकृत एजेंटों को समन्वयित करने में सबसे कठिन तकनीकी समस्याएँ क्या हैं, विशेष रूप से रूटिंग, साझा संदर्भ, विरोधी निर्णय, और यह निर्धारित करने के बारे में कि कौन सा एजेंट कार्य करे?

सबसे कठिन हिस्सा यह है कि काम वितरित करते समय जवाबदेही बनाए रखी जाए।

सबसे पहले पूछें कि क्या आपको वास्तव में एक और एजेंट की आवश्यकता है। कभी‑कभी आपको एक विशेषज्ञ चाहिए होता है। कभी‑कभी आपको केवल एक टूल कॉल या साधारण वर्कफ़्लो चाहिए होता है। आप जितने भी एजेंट जोड़ते हैं, वे अनुरोध की एक नई व्याख्या, एक नई निर्भरता और एक नई त्रुटि की संभावना बनाते हैं। और पर्दे के पीछे चल रहे एजेंटों की संख्या उपयोगकर्ता के लिए अदृश्य रहनी चाहिए।

जब कई एजेंटों का उपयोग उचित हो, तो मैं चाहता हूँ कि एक एजेंट ही बातचीत का प्रभारी हो। विशेषज्ञ जानकारी प्रदान कर सकते हैं या सीमित कार्य कर सकते हैं। टिकटिंग एजेंट इन्वेंट्री और एक्सचेंज संभालता है, ग्राहक‑सेवा एजेंट नीतियों को संभालता है। लेकिन किसी न किसी को परिणामों को मिलाना होगा और यह तय करना होगा कि उपयोगकर्ता वास्तव में वह प्राप्त कर पाया जो वह चाहता था।

रूटिंग कठिन है क्योंकि लोग प्रश्नों को स्पष्ट श्रेणियों में नहीं पूछते। एक अनुरोध तीन एजेंटों को भी छू सकता है। सिस्टम को तय करना पड़ता है: क्या एक ही एजेंट इसे संभाल सकता है, कई को क्रम में चलना चाहिए, या कुछ करने से पहले उपयोगकर्ता से एक और प्रश्न पूछना चाहिए?

संदर्भ के साथ भी यही बात लागू होती है। आप सब कुछ हर एजेंट को नहीं भेजते। इससे विलंब बढ़ता है, शोर उत्पन्न होता है, और ऐसी जानकारी उजागर हो सकती है जिसकी एजेंट को आवश्यकता नहीं है। और एक एजेंट का अनुमान केवल इसलिए तथ्य नहीं बनना चाहिए क्योंकि उसे अगले एजेंट को पास कर दिया गया है।

यदि दो एजेंट असहमत हों, तो मैं नहीं चाहता कि वे तब तक तर्क-वितर्क करें जब तक एक अधिक विश्वसनीय न लगने लगे। एक स्पष्ट अधिकार मॉडल होना आवश्यक है। टिकटिंग सिस्टम उपलब्धता निर्धारित करता है। व्यवसाय एक्सचेंज नीति स्थापित करता है। वास्तविक‑समय डेटा कैश्ड डेटा से बेहतर है, व्यापार नियम मॉडल के निर्णय से बेहतर हैं, और यदि फिर भी समाधान नहीं निकलता, तो आप उपयोगकर्ता से पूछते हैं या किसी व्यक्ति को शामिल करते हैं। कठिन हिस्सा यह नहीं है कि एजेंट आपस में बात करें, बल्कि यह है कि ठीक‑ठीक पता लगाया जा सके कि किस एजेंट ने क्या किया और जिम्मेदारी कहाँ थी।

Satisfi Labs ने एजेंटों को वार्तालाप मात्रा जैसे मीट्रिक की बजाय उद्देश्यों और व्यावसायिक परिणामों के आधार पर मापने पर अधिक ध्यान केंद्रित किया है। कंपनियों को वास्तव में क्या मापना चाहिए ताकि यह निर्धारित किया जा सके कि एक AI एजेंट अच्छा प्रदर्शन कर रहा है, और एजेंट को अधिक स्वायत्तता देने से पहले विश्वसनीयता का मूल्यांकन कैसे किया जाए?

पहले व्यावसायिक परिणाम को देखें, फिर पूछें कि वह परिणाम एजेंट ने वास्तव में कितना उत्पन्न किया।

यदि कोई व्यक्ति एजेंट से बात करने के बाद टिकट खरीदता है, तो इसका यह अर्थ नहीं है कि एजेंट ने बिक्री बनाई। वह व्यक्ति शायद वैसे भी खरीद लेता। जहाँ संभव हो, आपको नियंत्रित तुलना या विश्वसनीय बेसलाइन चाहिए, न कि केवल अंतिम इंटरैक्शन को श्रेय देना। एक टिकटिंग क्लाइंट के लिए इसका मतलब है यह मापना कि प्रशंसक को अंत में सीटें मिलीं या नहीं, न कि एजेंट ने शिष्टता से उत्तर दिया या नहीं। बॉक्स ऑफिस पर कतारें कम करने की कोशिश कर रहे स्थल के लिए इसका अर्थ है यह मापना कि एजेंट ने क्या हल किया, इससे पहले कि कोई व्यक्ति खड़ा हो।

फिर सफल परिणाम की आर्थिक पक्ष देखें: मॉडल की लागत, इन्फ्रास्ट्रक्चर, मानव समीक्षा, एस्केलेशन, और त्रुटियों को सुधारने की लागत। एक एजेंट जो काम ठीक करने वाले लोगों की लागत गिनने तक सस्ता दिखता है, वास्तव में सस्ता नहीं होता।

विश्वसनीयता के लिए एक अलग स्कोरकार्ड चाहिए। पूर्णता, शुद्धता, अनधिकृत कार्य, विफलताओं से पुनर्प्राप्ति, एस्केलेशन की गुणवत्ता। आप एक गंभीर गोपनीयता घटना को अच्छे रूपांतरण दर में औसत नहीं कर सकते।

अधिक स्वायत्तता के लिए, मैं उस विशिष्ट कार्य वर्ग के सबूत चाहता हूँ जिसे सौंपा जा रहा है। इसे परीक्षण करें, निगरानी में देखें, सीमाओं के भीतर विस्तार करें, और इसे रोकने का कोई तरीका रखें। एक अच्छा समग्र सटीकता स्कोर यह सिद्ध नहीं करता कि सिस्टम हर लेन‑देन के लिए तैयार है। और प्रोत्साहनों के साथ सावधान रहें। कभी‑कभी व्यक्ति को शामिल करना सही परिणाम होता है। यदि आप एजेंट को केवल हैंडऑफ़ से बचने के लिए पुरस्कृत करते हैं, तो आश्चर्य न करें जब वह उन समस्याओं को रखे जो उसे एस्केलेट करनी चाहिए थी।

आपने हाल ही में तर्क दिया था कि वॉयस AI को मापने योग्य परिणामों के आसपास डिजाइन किया जाना चाहिए, न कि मौजूदा चैटबॉट के लिए एक और इंटरफ़ेस के रूप में माना जाना चाहिए। जटिल, वास्तविक‑समय इंटरैक्शन के लिए वॉयस एजेंटों को मुख्य इंटरफ़ेस बनने से पहले किन तकनीकी प्रगति की अभी आवश्यकता है, विशेष रूप से स्टेडियम, आकर्षण स्थल और लाइव इवेंट जैसे वातावरण में?

कई क्लाइंट पूछते हैं, क्या आप चैट एप्लिकेशन को लेकर उसमें वॉयस जोड़ सकते हैं? हम कर सकते हैं। लेकिन इसका यह मतलब नहीं कि अनुभव अच्छा होगा। अगला वास्तविक सुधार अधिक मानव‑समान आवाज़ नहीं है। यह वह इंटरैक्शन है जो उन परिस्थितियों में भी काम करे जहाँ लोग वास्तव में इसका उपयोग करते हैं।

एक स्टेडियम में, कोई भीड़ के शोर के ऊपर बात कर रहा है, अपरिचित खिलाड़ी का नाम उपयोग कर रहा है, वाक्य के बीच में अपना मन बदल रहा है, और गेट खुलने से पहले खरीदारी पूरी करने की कोशिश कर रहा है। सिस्टम को बाधा, अनिश्चितता और बैकएंड देरी को संभालना होगा बिना कार्य खोए।

महत्वपूर्ण विवरणों पर विशेष ध्यान दें। एक साधारण वाक्यांश को गलत सुनना एक बात है। टिकटों की संख्या या कार्यक्रम की तिथि को गलत सुनना दूसरी बात है। एजेंट को उन विवरणों की पुष्टि करनी चाहिए जो कार्रवाई के परिणाम को बदलते हैं, बिना पूरी बातचीत को उबाऊ बनाए।

और आवाज़ को हर चीज़ करने के लिए मजबूर नहीं किया जाना चाहिए। बीस सीट विकल्पों की तुलना स्क्रीन पर करना बेहतर है। कोई व्यक्ति टाइप करके शुरू कर सकता है, कार में बैठ सकता है, और फिर वही बातचीत बोलकर जारी रखना चाहता है। सिस्टम को उस संदर्भ को बनाए रखना चाहिए और आवाज़, टेक्स्ट तथा दृश्य सामग्री का उपयोग उस समय के अनुसार सबसे उपयुक्त तरीके से करना चाहिए।

इनमें से कुछ को बेहतर मॉडलों की जरूरत है। बहुत हिस्से को बेहतर एकीकरण और इंटरैक्शन डिज़ाइन की आवश्यकता है। एक ब्रेकथ्रू का इंतज़ार करना उस कार्यप्रवाह को ठीक नहीं करेगा जो टेक्स्ट के आसपास डिज़ाइन किया गया था और फिर ज़ोर से पढ़ा जाता है। मैं प्रगति को इस तरह आंकूँगा: क्या लोग कार्य को सटीक रूप से, कम प्रयास से, वास्तविक परिस्थितियों में पूरा कर पाते हैं?

जैसे ही एजेंट जानकारी प्रदान करने से टिकट बेचने, ग्राहक डेटा एकत्र करने, अनुभवों को निजी बनाने और संचालन प्रणालियों के साथ इंटरैक्ट करने की ओर बढ़ते हैं, कंपनियों को यह कैसे तय करना चाहिए कि कौन‑से निर्णय एजेंट स्वायत्त रूप से ले सकता है और कौन‑से हमेशा मानव निगरानी की आवश्यकता रखते हैं?

यह जोखिम प्रबंधन है। यदि यह गलत दिशा में जाता है, तो यह कितना नुकसान पहुँचा सकता है? क्या एजेंट ऐसा दरवाज़ा खोलता है जिसे वह बंद नहीं कर सकता?

पुनरावर्तनीयता एक उपयोगी प्रारम्भिक परीक्षण है, लेकिन कुल एक्सपोज़र पर भी विचार करें। एक रिफंड छोटा और पुनरावर्तनीय हो सकता है। दस हज़ार गलत रिफंड, जब तक कोई नोटिस न करे, एक अलग समस्या है। आपको व्यक्तिगत कार्यों और सिस्टम की समग्र गतिविधि दोनों पर सीमाएँ निर्धारित करनी चाहिए।

यदि कार्रवाई कम‑जोखिम वाली और पुनरावर्तनीय है, तो उसे अधिक स्वायत्तता दें: पसंद को अपडेट करना, आदेश की जाँच करना, आइटम को रोकना। जैसे‑जैसे परिणाम बढ़ते हैं, पुष्टि या अनुमोदन जोड़ें। खरीदारी के लिए ग्राहक को कीमत की पुष्टि करनी पड़ सकती है। बड़े रिफंड के लिए कर्मचारी की स्वीकृति आवश्यक हो सकती है। सुरक्षा खतरे को तुरंत बढ़ाया जाता है। और कुछ निर्णय केवल व्यक्ति के पास ही रहने चाहिए, बस।

ग्राहक की सहमति और कंपनी की स्वीकृति अलग‑अलग चीज़ें हैं, वैसे। ग्राहक द्वारा खरीदारी की पुष्टि करना एजेंट को कंपनी की नीति को बायपास करने का अधिकार नहीं देता। कर्मचारी द्वारा अपवाद को मंजूरी देना यह नहीं दर्शाता कि ग्राहक ने शुल्क को स्वीकार किया है।

सीमाओं को उन सिस्टमों द्वारा लागू किया जाना चाहिए जो कार्रवाई को निष्पादित करते हैं, केवल प्रॉम्प्ट में वर्णन करने से नहीं। आप एजेंट को व्यापक पहुंच नहीं दे सकते और फिर प्रॉम्प्ट पर भरोसा कर सकते हैं कि वह सावधान रहेगा। और जब व्यक्ति की आवश्यकता हो, तो उन्हें वास्तविक निर्णय लेने के लिए पर्याप्त संदर्भ दें। किसी को सैकड़ों अनुमोदन बिना जानकारी के सौंप दें, तो आपने एक रबर स्टैम्प बना दिया, न कि निगरानी। मानव ध्यान को उन जगहों पर रखें जहाँ वह सार्थक जोखिम को कम करता है। इसे हर इंटरैक्शन में पतला न फैलाएँ।

आगे देखते हुए, क्या आप उम्मीद करते हैं कि मॉडल कॉन्टेक्स्ट प्रोटोकॉल और एजेंट‑टू‑एजेंट संचार जैसी तकनीकें एंटरप्राइज़ AI सिस्टम के निर्माण को मूल रूप से बदल देंगी, जिससे हम अलग‑अलग एजेंटों से उन इकोसिस्टम्स की ओर बढ़ेंगे जहाँ एजेंट टूल खोज सकते हैं, संदर्भ का आदान‑प्रदान कर सकते हैं, और कंपनियों व प्लेटफ़ॉर्मों के बीच कार्यों का समन्वय कर सकते हैं?

मुझे लगता है कि प्रोटोकॉल एक साधन हैं। MCP AI एप्लिकेशन को टूल और संदर्भ तक पहुँचने का एक सामान्य तरीका प्रदान करता है। एजेंट‑टू‑एजेंट प्रोटोकॉल एजेंटों के बीच सहयोग को संभालते हैं। यह मूल्यवान है। आपको हर बार जब एजेंट को टूल चाहिए, एक कस्टम इंटीग्रेशन बनाने की ज़रूरत नहीं होनी चाहिए। यह उसी तरह है जैसा APIs ने सॉफ़्टवेयर इंटीग्रेशन के लिए किया।

लेकिन एक सामान्य फ़ॉर्मेट यह नहीं दर्शाता कि दो व्यवसाय इस बात पर सहमत हैं कि कोई कार्रवाई क्या मतलब रखती है, कौन इसे अधिकृत कर सकता है, या विफल होने पर क्या होता है। केवल इसलिए कि एजेंट टूल खोज सकता है, इसका मतलब यह नहीं कि उसे उसका उपयोग करने की अनुमति हो। आपको अभी भी पहचान, अनुमतियाँ, भरोसा, उत्तरदायित्व तय करने हैं। यदि एक एजेंट दूसरे को कुछ करने को कहता है और वह गलत हो जाता है, तो उस निर्णय की जिम्मेदारी किसकी होगी?

यहाँ वह चीज़ है जो वास्तव में बदलती है। आज, एक स्थल के पास एक वेबसाइट और एक ऐप है। कुछ वर्षों में, उसके पास एक एजेंट होगा जिसके साथ अन्य एजेंट बातचीत करेंगे। एक प्रशंसक का व्यक्तिगत सहायक स्थल के एजेंट से दो सीटें एक निश्चित कीमत पर, साथ में एक पार्किंग पास के लिए पूछता है, और पूरी लेन‑देन दो एजेंटों के बीच होती है। सही क्षमताओं को ढूँढना आसान कदम है। ग्राहक की खर्च करने की क्षमता को जानना, संयुक्त कीमत की पुष्टि करना, और ऐसी स्थिति को संभालना जहाँ टिकट सफल हों लेकिन पार्किंग विफल हो, यही वास्तविक समस्याएँ हैं।

और मैं नहीं मानता कि एजेंट चलाने से स्वचालित रूप से ग्राहक संबंध आपके पास आ जाता है। इसे अर्जित करना पड़ता है। लेकिन मैं यह भी नहीं मानता कि स्थल इन लेन‑देन को किसी खोज कंपनी या टिकटिंग मार्केटप्लेस को सौंप देंगे। Satisfi Labs में हमारा लक्ष्य वह एजेंट बनना है जो उस इकोनॉमी में स्थल का प्रतिनिधित्व करे, इतना भरोसेमंद कि कोई व्यवसाय अपना नाम उस पर रखे। विश्वसनीयता, अनुमतियों और उत्तरदायित्व के आसपास हमने जो सब कुछ बनाया है, वही इस स्थान को अर्जित करता है।

उत्कृष्ट साक्षात्कार के लिए धन्यवाद, जो पाठक अधिक जानना चाहते हैं उन्हें Satisfi Labs पर जाना चाहिए।