साक्षात्कार
विक्टर थू, डेटाट्रॉन के अध्यक्ष – साक्षात्कार श्रृंखला
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
विक्टर थू डेटाट्रॉन के अध्यक्ष हैं, एक प्लेटफ़ॉर्म जो उद्यमों को मशीन लर्निंग की शक्ति का लाभ उठाने में मदद करता है, तैनाती को तेज़ करता है, समस्याओं का पता लगाता है और बड़े पैमाने पर कई मॉडलों के प्रबंधन की दक्षता बढ़ाता है।
आपकी पृष्ठभूमि उत्पाद विपणन, जाने के लिए बाजार, और उत्पाद प्रबंधन में है, यह पृष्ठभूमि आपको मशीन लर्निंग और एआई में काम करने के लिए कैसे ले आई?
मुझे प्रौद्योगिकी से प्यार है और मेरे कुछ करीबी दोस्त मुझे “प्रौद्योगिकी-सफ़र” भी कहते हैं। मुझे जटिल प्रौद्योगिकी विषयों को लोगों के लिए समझने योग्य भाषा में अनुवादित करने में आनंद आता है, और नई प्रौद्योगिकियों के बारे में सीखने में मुझे आनंद आता है ताकि मैं “क्यों” के पीछे के कारणों को समझ सकूं।
मेरा “आधुनिक एआई” के साथ पहला सामना तब हुआ जब मैं स्टैनफोर्ड एआई प्रोफेसर डॉ. फेई-फेई ली की एक कीनोट प्रस्तुति देख रहा था। डॉ. ली की कीनोट प्रस्तुति इतनी आकर्षक थी कि यह मेरे करियर में एक महत्वपूर्ण मोड़ बन गई। उस प्रस्तुति ने मुझे यह महसूस कराया कि यह वह जगह है जहां मैं अगले होना चाहता हूं। मैं एआई और एमएल का उपयोग करके व्यवसायिक चुनौतियों का समाधान करने का हिस्सा बनना चाहता था।
तब से, मैं कई एआई/एमएल स्टार्टअप्स के साथ रहा हूं, जो वास्तविक व्यवसायिक आवश्यकताओं को पूरा करने के लिए प्रौद्योगिकी का उपयोग करने का प्रयास कर रहे हैं। मैंने पीएचडी स्तर के एमएल वैज्ञानिकों के साथ बहुत करीब से काम किया है, जिन्होंने मुझे एआई/एमएल में बहुत ज्ञान प्रदान किया है। और मैं अभी भी सीख रहा हूं क्योंकि यह क्षेत्र बहुत तेजी से विकसित हो रहा है।
इसलिए, यह वास्तव में मेरा प्रौद्योगिकी के प्रति जुनून और दूसरों की मदद करने के लिए इसका लाभ उठाने की मेरी इच्छा थी जो मुझे एआई/एमएल के साथ काम करने के लिए ले आई।
डेटाट्रॉन एमएलओप्स पर केंद्रित है, जो पाठकों को इस शब्द से परिचित नहीं हैं, आप विशेष रूप से इसका वर्णन कर सकते हैं?
एमएलओप्स मूल रूप से एआई और एमएल मॉडलों को प्रोटोटाइप से उत्पादन में लाने की अत्यधिक कारीगरी प्रक्रिया को संकेतित और सरल बनाने के लिए है।
एक बड़ा भ्रम यह है कि एक बार डेटा वैज्ञानिकों ने अपने एआई मॉडल बना लिए हैं, तो वे उन्हें जल्दी से उत्पादन में ला सकते हैं। हालांकि, वास्तविकता यह है कि एक मॉडल को तैनात होने में एक साल तक का समय लग सकता है।
इस देरी का मुख्य कारण यह है कि मॉडल विकसित करने में विशेषज्ञता रखने वाले लोगों के पास आवश्यक रूप से सॉफ्टवेयर इंजीनियरिंग कौशल नहीं होता है। एक अच्छा तुलना यह है कि जो वास्तुकार ऊंची इमारतों को डिज़ाइन करते हैं – वे उन्हें निर्माण करने वाले विकासकर्ता नहीं होते हैं।
एमएलओप्स मूल रूप से मॉडल विकासकर्ताओं और सॉफ्टवेयर इंजीनियरिंग के बीच एक पुल है। इसके बजाय 12 महीने से अधिक समय लेने के, एमएलओप्स इस लंबी प्रक्रिया को कुछ दिनों में ही कम कर सकता है।
सितंबर 2021 में आपके द्वारा हमारे लिए लिखे गए एक लेख में, आपने बताया कि “सolutions को उत्पादन में लाने का मुख्य बाधा मॉडलों की गुणवत्ता नहीं है, बल्कि कंपनियों को ऐसा करने के लिए बुनियादी ढांचे की कमी है।” यह अधिकांश कंपनियों के लिए ऐसा क्यों है?
कुछ योगदान कारक हैं जो इसे एक बाधा बनाते हैं:
- “मुफ्त” खुले स्रोत सॉफ़्टवेयर का अति रोमांटिककरण। मैं पहले यह强調 करना चाहता हूं कि हम खुले स्रोत सॉफ़्टवेयर से प्यार करते हैं और मजबूती से मानते हैं कि यह उद्योग को आगे बढ़ाने में मदद करता है। हालांकि, कई लोग एआई और एमएल के संबंध में खुले स्रोत की जटिलता को नहीं समझते हैं। आज, एआई/एमएल प्रतिभा की एक गंभीर कमी है। जब आप इसे एमएल इंजीनियरों या एमएलओप्स इंजीनियरों को ढूंढने की कोशिश करते हैं जो एआई/एमएल कोड के विशिष्ट गुणों को संभाल सकते हैं, तो 300+ खुले स्रोत एमएलओप्स परियोजनाओं को समझने की कोशिश करना और फिर एक एंटरप्राइज़-स्तरीय एमएलओप्स प्लेटफ़ॉर्म को आंतरिक रूप से बनाने की कोशिश करना असफलता के लिए तैयार करना है।
- इंजीनियरिंग टीमों को समर्थन देने के लिए बुनियादी ढांचे की कमी। कंपनियों को इंजीनियरों को सफल बनाने के लिए एक बेहतर वातावरण की आवश्यकता है। उचित बैंडविथ और बजट प्रदान करने के लिए सही उपकरण होने चाहिए। एआई एक tương đối नई प्रौद्योगिकी है। एआई करने वाले उद्यमों को हमेशा यह नहीं पता होता है कि मॉडलों को जल्दी से तैनात करने के लिए उन्हें क्या करने की आवश्यकता है, जो एमएलओप्स को इतना महत्वपूर्ण बनाता है।
एमएलओप्स बुनियादी ढांचे की कमी को कैसे हल करता है?
एमएलओप्स चार तरीकों से बुनियादी ढांचे की कमी को हल करता है:
- कोई प्रोप्राइटरी कोड परिवर्तन नहीं: डेटा वैज्ञानिकों को व्यावसायिक उपयोग के मामलों में मॉडल बनाने के लिए लचीलापन चाहिए, इसलिए कोई भी एमएलओप्स प्रक्रिया जो कोड परिवर्तन की आवश्यकता होती है वह मॉडलों की अखंडता को जटिल बना देती है।
- स्वचालन/स्क्रिप्टिंग: कई टीमें मॉडलों को हार्ड-कोडेड तरीके से स्क्रिप्ट कर रही हैं, जिसमें बहुत समय लगता है। एमएलओप्स पूरी प्रक्रिया को स्वचालित करता है, जिससे बहुत समय और ऊर्जा की बचत होती है।
- अद्यतनों को सुव्यवस्थित करें: एआई मॉडल नियमित रूप से अपने वातावरण के अनुकूल होने के लिए बदलते रहते हैं। कभी-कभी डेटा वैज्ञानिकों को मॉडलों को अक्सर अपडेट करने के लिए वापस जाना पड़ता है। एमएलओप्स के बिना, इस पुनरावृत्ति अद्यतन से बचने का कोई तरीका नहीं है।
- अंतर्निहित बुनियादी ढांचे का प्रबंधन: मॉडलों को तैनात करने के लिए, आपको नेटवर्क और स्टोरेज की गणना करने की आवश्यकता होती है, जिसमें एआई/एमएल मॉडलों के विशिष्ट गुणों की आवश्यकता होती है। एमएलओप्स टूल्स में संसाधनों तक पहुंचने और उन्हें उनके अनुसार स्केल करने की क्षमता है।
इसके अलावा, एमएलओप्स टूल बनाने के दौरान अक्सर विचार नहीं किए जाने वाले उद्यम आवश्यकताएं हैं जैसे कि भूमिका-आधारित पहुंच नियंत्रण (आरबीएसी), एकीकरण और अंतरपरिवर्तनीयता, विभिन्न एमएल टूल्स के लिए समर्थन, सुरक्षा कमजोरियों को संबोधित करना और मुख्य टीम के सदस्यों के अप्रत्याशित प्रस्थान को संबोधित करना।
एआई शासन के महत्व पर आपके व्यक्तिगत विचार क्या हैं?
एआई मॉडलों के ठीक से काम न करने की कई दुर्भाग्यपूर्ण कहानियां हैं, जिनमें कुछ समूहों को गलत लेबल करना और सार्वजनिक रूप से कारोबार करने वाली कंपनियों के लिए बड़े वित्तीय नुकसान शामिल हैं।
एआई शासन व्यवसायों के लिए एआई मॉडलों को उत्पादन में चलाने के लिए बहुत महत्वपूर्ण है। कहा जा रहा है, यह अन्य आईटी या व्यवसाय शासन से अलग नहीं है। आज जब आपका आईटी क्लाउड में या अपने डेटा सेंटर में एप्लिकेशन चलाता है, तो आपके पास यह सुनिश्चित करने के लिए कई उपकरण हैं कि एप्लिकेशन ठीक से काम कर रहे हैं।
एक बार जब आपके पास उत्पादन में एआई मॉडल चल रहे हों, तो आपको व्यवसाय और डेटा वैज्ञानिकों को यह देखने में मदद करने के लिए तंत्र और उपकरण होने चाहिए कि मॉडल क्या कर रहे हैं।
विशेष रूप से एआई/एमएल के इस नासिर चरण में, कोई ‘सेट करें और भूल जाएं’ विकल्प नहीं है। शुरुआत में, आपको यह देखने की आवश्यकता है कि आपका मॉडल कैसा व्यवहार कर रहा है और उचित समायोजन करें। उचित निगरानी क्षमता होना महत्वपूर्ण है ताकि जब आपके मॉडल इच्छित सीमाओं से बाहर व्यवहार कर रहे हों तो यह आपको अलर्ट कर सके।
मॉडल जोखिम प्रबंधन (एमआरएम) को मॉडल विकास और तैनाती में शामिल विभिन्न व्यक्तियों पर विचार करने की आवश्यकता है। आपने मॉडलों की अखंडता सुनिश्चित करने के लिए क्या पहुंच नियंत्रण रखा है? या आप कैसे सुनिश्चित करते हैं कि विभिन्न समूहों के व्यक्ति आपके मॉडलों का उपयोग उनके लिए डिज़ाइन किए गए उपयोग के मामलों के लिए नहीं करते हैं? ये सभी प्रश्न हैं जिन्हें टीमों को खुद से पूछना चाहिए।
डेटाट्रॉन मॉडल जोखिम प्रबंधन में कैसे मदद करता है?
एमएलओप्स मॉडल अद्यतन और परिवर्तन की अनुमति देता है। उदाहरण के लिए, यदि एक मॉडल ऋण आवेदन पर लोगों को अनुचित रूप से अस्वीकार कर रहा है, तो एमएलओप्स आपको मॉडल वापस लेने और एक नया पेश करने की अनुमति देता है, जोखिम को एक सरल तरीके से प्रबंधित करता है।
यह मॉडलों को पूर्वाग्रह ड्रिफ्ट से बचाता है और उत्पादन में मेट्रिक्स को बनाए रखता है, जो एक सरल डैशबोर्ड के माध्यम से व्यावसायिक निर्णय लेने वालों द्वारा आसानी से समझा जा सकता है।
डेटाट्रॉन प्लेटफ़ॉर्म एआई शासन एक सामान्य निगरानी क्षमता से ऊपर एक स्तर प्रदान करता है, जो मॉडलों के लिए ग्राहक के उपयोग के मामलों से अधिक प्रासंगिक स्पष्ट दृश्यता प्रदान करता है।
डेटाट्रॉन पर एक ब्लॉग पोस्ट में, आपने बताया कि डेटाट्रॉन विश्वसनीय एआई™ का मंत्र अपना रहा है। आप अपने दृष्टिकोण से इसका वर्णन कर सकते हैं?
जब हमने इसके बारे में सोचा, तो हमने यह सोचा कि हम व्यावसायिक विमानों में उड़ने में कितने सहज हैं क्योंकि वे बहुत विश्वसनीय हैं।
नैतिक एआई, जिम्मेदार एआई आदि की सभी बातचीत के बावजूद, मुख्य आवश्यकता यह है कि व्यवसाय एआई/एमएल का उपयोग विश्वसनीय रूप से कर सकें – जैसे कि उनके कर्मचारी एक व्यावसायिक विमान में चढ़ रहे हों।
नैतिक, जिम्मेदार एआई जैसे शब्दों का उपयोग वास्तव में इस मुद्दे से उपजा है कि वर्तमान एआई मॉडल वह नहीं कर रहे हैं जो उन्हें करना चाहिए, और इसलिए उन्हें अविश्वसनीय माना जाता है। व्यवसाय एआई का उपयोग करने को तैयार नहीं हैं क्योंकि उन्हें विश्वास नहीं है कि उनके मॉडल पूर्वाग्रह से मुक्त हैं। इसका मतलब है कि उनके मॉडल अविश्वसनीय हैं और डेटाट्रॉन इसे बदलने के लिए तैयार है।
क्या डेटाट्रॉन के बारे में आप कुछ और साझा करना चाहेंगे?
हम कुछ एमएलओप्स खिलाड़ियों में से हैं जो सुपर बाउल सिद्ध हैं – एक उच्च तनाव वाले परिदृश्य में, जो एक स्टार्टअप या खुले स्रोत उपकरण के लिए असामान्य है। ग्राहक, डोमिनोज़ पिज़्ज़ा, डेटाट्रॉन के साथ काम करता है ताकि उत्पादन में एआई मॉडलों को आसानी से और तेजी से परिचालन कर सकें, जो फिर सुपर बाउल के दौरान अंतिम परीक्षण में रखे गए थे।
एमएलओप्स वास्तव में एआई/एमएल मॉडलों को उत्पादन में लाने में मदद करने का तरीका है, संसाधनों को संरक्षित करते हुए और लागत को कम करते हुए। हम सफल एआई/एमएल मॉडलों के लिए एक स्थायी स्रोत हैं और राजस्व के लिए एक उत्प्रेरक के रूप में कार्य करते हैं। कंपनियां अब अपने एआई और एमएल परियोजनाओं से अपना रिटर्न प्राप्त कर सकती हैं। आपके मार्जिन की परवाह किए बिना, आप एमएलओप्स का उपयोग करके परिणाम प्राप्त कर सकते हैं।
साक्षात्कार के लिए धन्यवाद, पाठक जो अधिक जानना चाहते हैं उन्हें डेटाट्रॉन पर जाना चाहिए。
