स्टीव नेमज़र, वरिष्ठ निदेशक, एआई ग्रोथ एंड इनोवेशन, TELUS डिजिटल – साक्षात्कार श्रृंखला

स्टीव नेमज़र, वरिष्ठ निदेशक, एआई ग्रोथ एंड इनोवेशन, TELUS डिजिटल, अगली पीढ़ी की कृत्रिम बुद्धिमत्ता प्रणालियों के लिए एआई प्रशिक्षण डेटा और बुनियादी ढांचे को आगे बढ़ाने पर केंद्रित पहलों का नेतृत्व करते हैं। उनका कार्य गहन शोध मॉडल, सुदृढीकरण शिक्षण वातावरण, वर्ल्ड-मॉडल डेटा, संप्रभु एआई पहल और एआई जोखिम शमन ढांचे के लिए डेटासेट विकसित करना शामिल है, जिसमें डेटासेट पूर्वाग्रह को संबोधित करने और एआई प्रशिक्षकों के लिए उचित कार्य परिस्थितियों का समर्थन करने जैसी जिम्मेदार एआई प्रथाओं पर जोर दिया जाता है। अपने करियर की शुरुआत में, नेमज़र ने VeriTest Labs की स्थापना की, जिसने Microsoft, Intel, Oracle, और Sun Microsystems सहित प्रारंभिक प्रौद्योगिकी नेताओं को कंपनी के Lionbridge द्वारा अधिग्रहित किए जाने से पहले संपन्न तृतीय-पक्ष सॉफ़्टवेयर पारिस्थितिकी तंत्र बनाने में मदद की। TELUS डिजिटल एक वैश्विक प्रौद्योगिकी सेवा कंपनी है जो संगठनों को डिजिटल प्लेटफॉर्म और एआई-संचालित समाधान डिजाइन करने, बनाने और संचालित करने में मदद करती है। दर्जनों देशों में कार्य करते हुए, कंपनी एआई प्रशिक्षण डेटा और एनोटेशन, डिजिटल उत्पाद इंजीनियरिंग और ग्राहक अनुभव प्रबंधन जैसी सेवाएं प्रदान करती है। इसके प्लेटफॉर्म और सेवाएं प्रौद्योगिकी, वित्त, स्वास्थ्य सेवा, दूरसंचार और गेमिंग सहित उद्योगों में उद्यमों का समर्थन करते हैं क्योंकि वे अपने संचालन को आधुनिक बनाते हैं और उन्नत एआई क्षमताओं को तैनात करते हैं। एआई परीक्षण, डेटा सत्यापन और जिम्मेदार तैनाती में आपकी पृष्ठभूमि को देखते हुए, आप भाषा-संचालित जेनरेटिव एआई से वास्तविक दुनिया की स्थितियों और परिणामों के बारे में तर्क करने का लक्ष्य रखने वाले वर्ल्ड मॉडल की ओर बदलाव को कैसे देखते हैं, विशेष रूप से TELUS डिजिटल में आपकी वर्तमान भूमिका में? बड़े भाषा मॉडल (एलएलएम) मूल रूप से पैटर्न पूर्वानुमान प्रणालियाँ हैं। वे बड़े, स्थिर कोष से सीखे गए पैटर्न के आधार पर अगले टोकन की भविष्यवाणी करके प्रतिक्रियाएँ उत्पन्न करते हैं। हालांकि यह तर्क जैसा प्रतीत हो सकता है, मॉडल वास्तव में यह मॉडलिंग नहीं कर रहा है कि कार्य दुनिया की स्थिति को कैसे बदलते हैं। वर्ल्ड मॉडल एक अलग दृष्टिकोण अपनाते हैं। अगले शब्द या टोकन की भविष्यवाणी करने के बजाय, वे स्टेट ट्रांजिशन को मॉडल करके किसी सिस्टम की अगली स्थिति की भविष्यवाणी करने का लक्ष्य रखते हैं। यह सिस्टम को यह अनुकरण करने की अनुमति देता है कि कार्यों के जवाब में वातावरण कैसे विकसित होते हैं। व्यवहार में, यह काल्पनिक तर्क के लिए द्वार खोलता है, जहां एक मॉडल निर्णय लेने से पहले विभिन्न संभावित परिणामों का मूल्यांकन कर सकता है। इंटरैक्टिव सिस्टम के लिए, यह अधिक विश्वसनीय निर्णय लेने और योजना बनाने का समर्थन कर सकता है। यह बदलाव यह भी बदल देता है कि हम जिम्मेदार तैनाती के बारे में कैसे सोचते हैं। पारंपरिक जेनरेटिव एआई सिस्टम के साथ, अधिकांश ध्यान पूर्वाग्रह और हेलुसिनेशन जैसे मुद्दों पर रहा है। जैसे-जैसे मॉडल वातावरण और कार्यों के बारे में तर्क करने की ओर बढ़ते हैं, अन्य जोखिम अधिक प्रमुख हो जाते हैं। उदाहरण के लिए, संगठनों को “सिम-टू-रियल” गैप पर विचार करने की आवश्यकता है, जहां सिम्युलेटेड वातावरण में सीखे गए व्यवहार वास्तविक दुनिया की स्थितियों में साफ-साफ स्थानांतरित नहीं हो सकते हैं। डिस्ट्रीब्यूशन शिफ्ट भी एक प्रमुख चिंता बन जाती है, क्योंकि तैनाती में मॉडल जिन वातावरणों का सामना करते हैं, वे उन डेटा से भिन्न हो सकते हैं जिन पर उन्हें प्रशिक्षित किया गया था। यह वह जगह है जहां परीक्षण और सत्यापन महत्वपूर्ण हो जाते हैं, जो TELUS डिजिटल में मेरी भूमिका का एक बड़ा फोकस है। जैसे-जैसे एआई सिस्टम भाषा जनरेशन से आगे बढ़कर ऐसी प्रणालियों में आते हैं जो वातावरण के साथ इंटरैक्ट करती हैं और निर्णय लेती हैं, संगठनों को यह सुनिश्चित करने के लिए कठोर मूल्यांकन ढांचे की आवश्यकता होती है कि मॉडल वास्तविक दुनिया की स्थितियों में विश्वसनीय रूप से व्यवहार करें। बहुत से लोग बड़े भाषा मॉडल से परिचित हैं, लेकिन वर्ल्ड मॉडल को समझने वाले कहीं कम हैं। सरल शब्दों में, वर्ल्ड मॉडल किस समस्या को हल करने का प्रयास कर रहे हैं जिससे एलएलएम मूल रूप से जूझते हैं? एक वर्ल्ड मॉडल एक ऐसी प्रणाली है जो वर्तमान स्थिति और एक कार्रवाई दिए जाने पर “आगे क्या होता है” की भविष्यवाणी कर सकती है। सूत्र है: स्थिति + कार्रवाई → अगली स्थिति यदि मैं एक सेब पकड़े हुए हूं और मैं उसे छोड़ देता हूं, तो एक वर्ल्ड मॉडल भविष्यवाणी करता है कि सेब गिरता है। यह सिर्फ यह नहीं जानता कि सेब कैसे “दिखते हैं” या लोग सेब गिराने के बारे में “क्या कहते हैं” – यह भौतिकी की समझ के आधार पर परिणाम की भविष्यवाणी करता है। एक परिष्कृत वर्ल्ड मॉडल यह भविष्यवाणी करेगा कि यदि मैं पृथ्वी की सतह पर होने के विपरीत अंतर्राष्ट्रीय अंतरिक्ष स्टेशन पर होते हुए भी वही काम करता हूं तो क्या होगा। यह एक एलएलएम से अलग है। एक एलएलएम भविष्यवाणी करता है: “टोकन के इस क्रम को देखते हुए, अगला टोकन क्या आता है?” इसे पाठ पर प्रशिक्षित किया जाता है – मनुष्यों ने दुनिया के बारे में क्या लिखा, दुनिया के बारे में नहीं। यह आपको बता सकता है कि गिराए गए सेब गिरते हैं क्योंकि उसने इसके बारे में पढ़ा है। लेकिन इसमें कोई आंतरिक भौतिकी इंजन नहीं है जो गिरावट का अनुकरण करता हो। दूसरे शब्दों में, एलएलएम किसी प्रश्न के उत्तर में अगले शब्द की सांख्यिकीय रूप से भविष्यवाणी करने में अच्छे हैं, लेकिन वास्तविक दुनिया को समझना भाषा विवरण और सामंजस्य से परे है। वर्ल्ड मॉडल का लक्ष्य यह समझना है कि स्थितियां कदम दर कदम कैसे विकसित होती हैं, वर्तमान स्थिति और होने वाली कार्रवाई को देखते हुए अगली स्थिति क्या है, क्या बाधाएं हैं। वर्ल्ड मॉडल को अक्सर एआई सिस्टम को कार्रवाई करने से पहले परिणामों का अनुकरण करने में सक्षम बनाने के रूप में वर्णित किया जाता है। व्यवहार में यह कैसा दिखता है, और शोध वातावरण के बाहर इसे विश्वसनीय रूप से काम करते देखने के हम कितने करीब हैं? इस प्रश्न का उत्तर देने में एक चुनौती यह है कि “वर्ल्ड मॉडल” शब्द का प्रयोग काफी ढीले ढंग से किया जाता है, और अर्थ संदर्भ के आधार पर बदलता रहता है। एक सरल वर्ल्ड मॉडल परिभाषा यह है कि वे एक एजेंट को अपने वर्तमान स्थिति वातावरण का अनुकरण करने और भविष्य की स्थितियों की भविष्यवाणी करने, और डाउनस्ट्रीम परिणामों के बारे में तर्क करने की अनुमति देते हैं। शोधकर्ता अपने प्रतिनिधित्व और प्रसंस्करण विधियों के आधार पर वर्ल्ड मॉडल को थोड़ा अधिक सूक्ष्म रूप से वर्गीकृत करते हैं। लेटेंट वर्ल्ड मॉडल हैं, जो किसी वातावरण के “सार” को एक संक्षिप्त केंद्रित स्थान में शुद्ध करते हैं। जेनरेटिव वर्ल्ड मॉडल हैं जो फ्रेम-दर-फ्रेम दृश्य प्रतिनिधित्व बनाने के लिए भौतिकी को “समझते” हैं, और जॉइंट-एम्बेडिंग प्रेडिक्टिव आर्किटेक्चर (जेईपीए) मॉडल हैं जो पिछली कार्रवाइयों से परिणामों की भविष्यवाणी करते हैं। लेटेंट वर्ल्ड मॉडल पहले ही शोध प्रयोगशाला से बाहर हैं और स्वायत्त ड्राइविंग, वेयरहाउस संचालन, औद्योगिक संचालन और कृषि जैसे अनुप्रयोगों में सहायता कर रहे हैं। जेनरेटिव वर्ल्ड मॉडल गेम इंजन विकास के लिए सिंथेटिक डेटा निर्माण, स्व-ड्राइविंग उपयोग मामलों, मानव जैसी गतिविधियों के वीडियो सिमुलेशन के लिए एम्बॉडीड एआई उपयोग मामलों, और वास्तुशिल्प रेंडरिंग बनाने के लिए दिखाई दे रहे हैं। जेईपीए दृष्टिकोण, जिसे यान लेकुन जैसे उद्योग दिग्गज पसंद करते हैं, पिक्सेल उत्पन्न करने के बजाय एक अमूर्त प्रतिनिधित्व स्थान में परिणामों की भविष्यवाणी करता है। रोबोट काफी हद तक नियंत्रित वातावरण तक ही सीमित रहे हैं, लेकिन जेईपीए इसे बदल रहा है, जिससे रोबोट खुले-समाप्त, वास्तविक दुनिया की सेटिंग्स की ओर बढ़ सकते हैं। स्वायत्त वाहन एक अच्छा उदाहरण हैं – कुछ प्रशिक्षण के लिए और निर्माण क्षेत्रों जैसी दुर्लभ घटनाओं को बेहतर ढंग से संभालने के लिए अति-यथार्थवादी, इंटरैक्टिव सिमुलेशन उत्पन्न करने के लिए जेनी 3 का लाभ उठा रहे हैं। जाहिर है, इन मॉडलों को सैंडबॉक्स वातावरण से बाहर निकालकर वास्तविक दुनिया में लाने के लिए बहुत अधिक सुरक्षा और विश्वसनीयता परीक्षण की आवश्यकता है। एक उद्यम के दृष्टिकोण से, आप उम्मीद करते हैं कि वर्ल्ड मॉडल पहले सार्थक मूल्य प्रदान करेंगे, चाहे वह रोबोटिक्स, स्व