विनय कुमार संकरापु, आर्या.एआई के सह-संस्थापक और सीईओ – साक्षात्कार श्रृंखला

विनय कुमार संकरापु, आर्या.एआई के सह-संस्थापक और सीईओ हैं, जो बैंकों, बीमा कंपनियों और वित्तीय सेवा संस्थानों (बीएफएसआई) के लिए ‘एआई’ क्लाउड प्रदान करता है ताकि वे सही एआई एपीआई, विशेषज्ञ एआई समाधान और विश्वसनीय और स्व-शिक्षित एआई इंजन तैनात करने के लिए आवश्यक व्यापक एआई गवर्नेंस टूल्स प्राप्त कर सकें।

आपकी पृष्ठभूमि गणित, भौतिकी, रसायन विज्ञान और यांत्रिक इंजीनियरिंग में है, क्या आप कंप्यूटर विज्ञान और एआई में संक्रमण के बारे में चर्चा कर सकते हैं?

आईआईटी बॉम्बे में, हमारे पास ‘डुअल डिग्री प्रोग्राम’ है जो 5 साल के पाठ्यक्रम में बैचलर ऑफ टेक्नोलॉजी और मास्टर ऑफ टेक्नोलॉजी दोनों को कवर करता है। मैंने यांत्रिक इंजीनियरिंग में स्नातक किया, जिसमें ‘कंप्यूटर एडेड डिज़ाइन और मैन्युफैक्चरिंग’ में विशेषज्ञता है, जहां कंप्यूटर विज्ञान हमारे पाठ्यक्रम का हिस्सा है। अपने स्नातक अनुसंधान के लिए, मैंने गहरे शिक्षण पर काम करने का विकल्प चुना। जबकि मैंने डीएल का उपयोग करके एक विफलता पूर्वानुमान फ्रेमवर्क बनाने के लिए शुरू किया, मैंने अपने शोध को सीएनएन का उपयोग करके आरयूएल पूर्वानुमान पर पूरा किया। यह 2013/14 के आसपास था।

आपके द्वारा आर्या.एआई की स्थापना कॉलेज में रहते हुए की गई थी, क्या आप इस स्टार्टअप के पीछे की उत्पत्ति कहानी साझा कर सकते हैं?

शैक्षणिक अनुसंधान के हिस्से के रूप में, हमें 3-4 महीने का साहित्य समीक्षा करनी थी ताकि हम अपने शोध के विषय पर एक विस्तृत अध्ययन तैयार कर सकें। 2012/13 के दौरान, हमने जो उपकरण उपयोग किए थे वे बहुत मूलभूत थे। गूगल स्कॉलर और स्कोपस जैसे खोज इंजन केवल कीवर्ड खोज कर रहे थे। यह वास्तव में समझना मुश्किल था कि कितना ज्ञान उपलब्ध था। मुझे लगा कि यह समस्या और भी खराब होने वाली है। 2013 में, मुझे लगता है कि कम से कम 30+ पेपर प्रति मिनट प्रकाशित किए गए थे। आज, यह कम से कम 10 गुना अधिक है।

हम एक ‘एआई’ सहायक बनाना चाहते थे जैसे कि शोधकर्ताओं के लिए एक ‘प्रोफेसर’ जो उन्हें शोध का विषय सुझा सकता है, सबसे अद्यतन पेपर खोज सकता है और स्टेम शोध के आसपास कुछ भी कर सकता है। हमारे गहरे शिक्षण के अनुभव के साथ, हमने सोचा कि हम इस समस्या का समाधान कर सकते हैं। 2013 में, हमने आर्या.एआई की स्थापना 3 लोगों की टीम के साथ की और फिर 2014 में यह 7 लोगों तक बढ़ गया जब मैं अभी भी कॉलेज में था।

हमारे उत्पाद का पहला संस्करण 30 मिलियन से अधिक पेपर और अमूर्तता को स्क्रैप करके बनाया गया था। हमने उस समय की गहरे शिक्षण में राज्य-कला तकनीकों का उपयोग करके एक एआई स्टेम शोध सहायक और स्टेम के लिए एक संदर्भ खोज इंजन बनाया। लेकिन जब हमने एआई सहायक को कुछ प्रोफेसरों और साथियों को दिखाया, तो हमें एहसास हुआ कि हम बहुत जल्दी थे। बातचीत के प्रवाह सीमित थे, और उपयोगकर्ता निरंतर और निर्बाध बातचीत की उम्मीद कर रहे थे। उस समय (2014/15) की अपेक्षाएं बहुत अवास्तविक थीं, भले ही यह जटिल प्रश्नों का उत्तर दे रहा था।

इसके बाद, हमने अपने शोध और शोधकर्ताओं और उद्यमों के लिए एमएल टूल्स पर ध्यान केंद्रित करने के लिए पिवोट किया और एक कार्यस्थल के रूप में गहरे शिक्षण को लोकतंत्रित करने के लिए। लेकिन फिर से, 2016 में बहुत कम डेटा वैज्ञानिक डीएल का उपयोग कर रहे थे। इसलिए, हमने इसे एक ऊर्ध्वाधर के लिए विशेषज्ञता प्राप्त करने और वित्तीय सेवा संस्थानों (एफएसआई) के लिए विशेषज्ञता वाले उत्पाद परतों का निर्माण करने का फैसला किया। हमें पता था कि यह काम करेगा क्योंकि जबकि बड़े खिलाड़ी क्षैतिज खेल जीतने का लक्ष्य रखते हैं, ऊर्ध्वाधरीकरण स्टार्टअप के लिए एक बड़ा यूएसपी बना सकता है। इस बार हम सही थे!

हम बैंकों, बीमा कंपनियों और वित्तीय सेवा संस्थानों के लिए एआई क्लाउड बना रहे हैं जो सबसे विशेषज्ञता वाले ऊर्ध्वाधर परतों के साथ विश्वसनीय और जिम्मेदार एआई समाधान प्रदान करता है।

वित्त में एआई ब्लैक बॉक्स समस्या कितनी बड़ी है?

बहुत महत्वपूर्ण! केवल 30% वित्तीय संस्थान ‘एआई’ का पूरी क्षमता से उपयोग कर रहे हैं। जबकि एक कारण पहुंच है, दूसरा ‘एआई’ विश्वास और लेखा परीक्षा की कमी है। नियमों में अब कुछ भौगोलिक क्षेत्रों में ‘एआई’ के उपयोग के लिए कानूनी बातें स्पष्ट हैं – निम्न, मध्यम और उच्च-संवेदनशील उपयोग के मामलों के लिए। यह यूरोपीय संघ में उच्च-जोखिम वाले उपयोग के मामलों के लिए पारदर्शी मॉडल का उपयोग करने के लिए कानून द्वारा आवश्यक है। वित्तीय संस्थानों में कई उपयोग के मामले उच्च-जोखिम वाले उपयोग के मामले हैं। इसलिए, उन्हें सफेद-बॉक्स मॉडल का उपयोग करने की आवश्यकता है।

हYPE चक्र भी एआई समाधानों के साथ पहले के अनुभवों के कारण बस रहे हैं। हाल के समय में एआई का उपयोग करने के प्रभावों के बारे में कई उदाहरण हैं, एआई की विफलता के कारण निगरानी की कमी और कानूनी और जोखिम प्रबंधकों के साथ चुनौतियों के कारण सीमित लेखा परीक्षा के कारण।

क्या आप एमएल निगरानी और एमएल दृश्यता के बीच के अंतर के बारे में चर्चा कर सकते हैं?

निगरानी उपकरण का काम बस निगरानी और अलर्ट करना है। और दृश्यता उपकरण का काम न केवल निगरानी और रिपोर्ट करना है, बल्कि सबसे महत्वपूर्ण बात यह है कि विफलता या विफलताओं के कारणों को खोजने के लिए पर्याप्त साक्ष्य प्रदान करना है।

एआई/एमएल में, ये उपकरण एक महत्वपूर्ण भूमिका निभाते हैं। जबकि ये उपकरण आवश्यक भूमिकाएं या निगरानी प्रदान कर सकते हैं, एमएल दृश्यता का दायरा…

उद्योग-विशिष्ट मंचों की आवश्यकता क्यों है एमएल दृश्यता के लिए सामान्य उद्देश्य मंचों के विपरीत?

सामान्य-उद्देश्य मंच हर किसी के लिए और किसी भी उपयोग के मामले के लिए डिज़ाइन किए गए हैं, चाहे वह उद्योग कुछ भी हो। इन मंचों के ग्राहक आमतौर पर डेवलपर, डेटा वैज्ञानिक आदि होते हैं। हालांकि, ये मंच हितधारकों के लिए कई चुनौतियां पैदा करते हैं क्योंकि उनकी जटिल प्रकृति और ‘एक आकार फिट बैठता है’ दृष्टिकोण के कारण।

दुर्भाग्य से, आज अधिकांश व्यवसायों को सामान्य-उद्देश्य मंचों का उपयोग करने के लिए डेटा विज्ञान विशेषज्ञों की आवश्यकता होती है और मॉडल को ‘उपयोगकर्ता-योग्य’ बनाने के लिए अतिरिक्त समाधान/उत्पाद परतों की आवश्यकता होती है। इसमें व्याख्या, लेखा परीक्षा, खंड/दृश्य, मानव-इन-द-लूप प्रक्रियाएं, प्रतिक्रिया लेबलिंग, लेखा परीक्षा, उपकरण-विशिष्ट पाइपलाइन आदि शामिल हैं।

यहीं पर उद्योग-विशिष्ट एआई मंच आते हैं जो एक लाभ के रूप में काम करते हैं। एक उद्योग-विशिष्ट एआई मंच पूरे कार्यप्रवाह को स्वामित्व लेता है ताकि लक्षित ग्राहक की आवश्यकताओं या उपयोग के मामलों का समाधान हो सके और यह एक पूर्ण उत्पाद के रूप में विकसित किया जाता है जो अंत से अंत तक व्यावसायिक आवश्यकताओं को समझने से लेकर उत्पाद प्रदर्शन की निगरानी तक है। कई उद्योग-विशिष्ट बाधाएं हैं, जैसे कि नियामक और अनुपालन ढांचे, डेटा गोपनीयता आवश्यकताएं, लेखा परीक्षा और नियंत्रण आवश्यकताएं आदि। उद्योग-विशिष्ट एआई मंच और प्रस्ताव एआई अपनाने को तेज करते हैं और एआई रोलआउट में विकास समय और संबंधित जोखिमों को कम करके उत्पाद के रूप में पूरा करने का मार्ग प्रदान करते हैं। इसके अलावा, यह उद्योग में एआई विशेषज्ञता को एक उत्पाद परत के रूप में एक साथ लाने में मदद करेगा जो एआई की स्वीकृति में सुधार करने में मदद करता है, अनुपालन प्रयासों को बढ़ावा देता है और नैतिकता, विश्वास और प्रतिष्ठा संबंधी चिंताओं के लिए सामान्य दृष्टिकोण तय करने में मदद करता है।

क्या आप आर्या.एआई द्वारा प्रदान की जाने वाली एमएल दृश्यता मंच के बारे में कुछ विवरण साझा कर सकते हैं?

हम वित्तीय सेवा संस्थानों में 6+ वर्षों से काम कर रहे हैं। 2016 से। इससे हमें एआई को वित्तीय सेवा संस्थानों में तैनात करने में आने वाली अनूठी चुनौतियों का पहले से ही सामना करना पड़ा था। एक महत्वपूर्ण चुनौती ‘एआई’ स्वीकृति थी। अन्य क्षेत्रों के विपरीत, किसी भी सॉफ़्टवेयर (एआई समाधानों के लिए भी लागू) का उपयोग करने के लिए कई नियम हैं, डेटा गोपनीयता, नैतिकता और सबसे महत्वपूर्ण बात, व्यवसाय पर वित्तीय प्रभाव। इन चुनौतियों का समाधान करने के लिए, हमें लगातार नए स्तरों का आविष्कार करना और हमारे समाधानों पर व्याख्या, लेखा परीक्षा, उपयोग जोखिम और जवाबदेही जोड़ना पड़ा। दावा प्रसंस्करण, अंडरराइटिंग, धोखाधड़ी निगरानी आदि पर। समय के साथ, हमने वित्तीय सेवा उद्योग में विभिन्न हितधारकों के लिए एक स्वीकार्य और मापनीय एमएल दृश्यता फ्रेमवर्क बनाया।

हम अब इस फ्रेमवर्क का एक डीआईवाई संस्करण आर्यैक्सएआई (xai.arya.ai) के रूप में जारी कर रहे हैं। कोई भी एमएल या व्यवसाय टीम आर्यैक्सएआई का उपयोग करके मिशन-महत्वपूर्ण उपयोग के मामलों के लिए एक अत्यधिक व्यापक एआई गवर्नेंस बना सकती है। यह मंच आपके एआई समाधानों में पारदर्शिता और लेखा परीक्षा लाता है जो प्रत्येक हितधारक को स्वीकार्य है। आर्यैक्सएआई मिशन-महत्वपूर्ण उपयोग के मामलों के लिए एआई को सुरक्षित और स्वीकार्य बनाता है bằng विश्वसनीय और सटीक व्याख्या प्रदान करके, नियामक दiligence का समर्थन करने के लिए साक्ष्य प्रदान करके, उन्नत नीति नियंत्रणों के माध्यम से एआई अनिश्चितता का प्रबंधन करके और डेटा या मॉडल ड्रिफ्ट की निगरानी करके और उपयोगकर्ताओं को मूल कारण विश्लेषण के साथ अलर्ट करके उत्पादन में स्थिरता सुनिश्चित करके।

आर्यैक्सएआई डेटा विज्ञान, आईटी, जोखिम, संचालन और अनुपालन टीमों सहित सभी हितधारकों द्वारा स्वीकार्य अंतर्दृष्टि प्रदान करते हुए एक सामान्य कार्यप्रवाह के रूप में कार्य करता है, जिससे एआई/एमएल मॉडल के रोलआउट और रखरखाव को सहज और अव्यवस्थित बनाया जा सकता है।

एक अन्य समाधान जो प्रदान किया जाता है वह एक मंच है जो संदर्भ नीति कार्यान्वयन के साथ एमएल मॉडल की उपयोगिता को बढ़ाता है। क्या आप यह विशेष रूप से वर्णन कर सकते हैं?

उत्पादन में एमएल मॉडल की निगरानी और नियंत्रण करना कठिन हो जाता है क्योंकि विशेषताओं और पूर्वानुमानों की भारी मात्रा। इसके अलावा, मॉडल के व्यवहार की अनिश्चितता इसे प्रबंधित और मानकीकृत करने में चुनौतीपूर्ण बनाती है। ऐसे मॉडल की विफलता के परिणामस्वरूप भारी प्रतिष्ठा और वित्तीय नुकसान हो सकते हैं।

आर्यैक्सएआई ‘नीति/जोखिम नियंत्रण’ प्रदान करता है, जो एक महत्वपूर्ण घटक है जो व्यवसाय और नैतिक हितों की रक्षा करता है एआई पर नीतियों को लागू करके। उपयोगकर्ता नीतियों को जोड़ें, संपादित करें या संशोधित कर सकते हैं ताकि नीति नियंत्रण प्रशासित किया जा सके। यह क्रॉस-फ़ंक्शनल टीमों को नीति गार्डरेल को परिभाषित करने में सक्षम बनाता है ताकि जोखिम मूल्यांकन को निरंतर बनाया जा सके और व्यवसाय को एआई अनिश्चितता से बचाया जा सके।

इन उत्पादों के लिए कुछ उपयोग के मामले क्या हैं?

आर्यैक्सएआई को विभिन्न मिशन-महत्वपूर्ण प्रक्रियाओं के लिए विभिन्न उद्योगों में लागू किया जा सकता है। सबसे सामान्य उदाहरण हैं:

बीएफएसआई: एक नियामक सख्त वातावरण में, आर्यैक्सएआई बीएफएसआई उद्योग को आवश्यकताओं पर संरेखित करने और जोखिम और अनुपालना का प्रबंधन करने के लिए आवश्यक साक्ष्य एकत्र करने में मदद करता है।

• सुरक्षित/असुरक्षित ऋण के लिए क्रेडिट अंडरराइटिंग
• धोखाधड़ी/संदिग्ध लेनदेन की पहचान करना
• लेखा परीक्षा
• ग्राहक जीवन चक्र प्रबंधन
• क्रेडिट निर्णय

स्वायत्त वाहन: स्वायत्त वाहनों को नियामक सख्तता, परिचालन सुरक्षा और वास्तविक समय के निर्णयों में व्याख्या में अनुपालन करने की आवश्यकता है। आर्यैक्सएआई वाहन के साथ एआई प्रणाली की बातचीत को समझने में सक्षम बनाता है।

• निर्णय विश्लेषण
• स्वायत्त वाहन संचालन
• वाहन स्वास्थ्य डेटा
• एआई ड्राइविंग सिस्टम की निगरानी

स्वास्थ्य सेवा: आर्यैक्सएआई चिकित्सा, तकनीकी, कानूनी और रोगी दृष्टिकोण से गहरी अंतर्दृष्टि प्रदान करता है। दवा खोज से लेकर निर्माण, बिक्री और विपणन तक, आर्या-एक्सएआई बहु-विषयक सहयोग को बढ़ावा देता है।

• दवा खोज
• नैदानिक अनुसंधान
• नैदानिक परीक्षण डेटा मान्यकरण
• उच्च गुणवत्ता वाली देखभाल

आपकी वित्त में मशीन लर्निंग के भविष्य के लिए क्या दृष्टि है?

पिछले दशक में, ‘एआई’ के बारे में एक बड़ा शिक्षा और विपणन हुआ है। हमने इस समय के दौरान कई हYPE चक्र देखे हैं। हम शायद अब 4थे या 6वें हYPE चक्र में हैं। पहला तब है जब गहरे शिक्षण ने 2011/12 में इमेजनेट जीता था, उसके बाद छवि/पाठ वर्गीकरण, भाषण मान्यता, स्वायत्त वाहन, उत्पन्न एआई और वर्तमान में बड़े भाषा मॉडल के साथ काम किया था। पीक हYPE और बड़े पैमाने पर उपयोग के बीच का अंतर हर हYPE चक्र के साथ कम हो रहा है क्योंकि उत्पाद, मांग और वित्त पोषण के आसपास के पुनरावृत्ति के कारण।

इन तीन चीजों को अब पूरा किया गया है:

1. मुझे लगता है कि हमने एआई समाधानों के लिए स्केल के फ्रेमवर्क को कुछ विशेषज्ञों द्वारा तोड़ दिया है। उदाहरण के लिए, ओपन एआई वर्तमान में एक गैर-राजस्व उत्पादक संगठन है, लेकिन वे 2 वर्षों के भीतर $1 बिलियन का राजस्व करने का अनुमान लगा रहे हैं। जबकि प्रत्येक एआई कंपनी समान स्केल हासिल नहीं कर सकती है, स्केलेबिलिटी का टेम्पलेट स्पष्ट है।
2. आइडियल एआई समाधानों की परिभाषा लगभग सभी क्षैतिजों द्वारा स्पष्ट है। पहले के विपरीत, जहां उत्पाद प्रत्येक उपयोग के मामले और प्रत्येक संगठन के लिए प्रयोगों के माध्यम से बनाया गया था, हितधारकों को अब एआई समाधानों से क्या चाहिए, इसकी शिक्षा दी जा रही है।
3. नियम अब पकड़ रहे हैं: डेटा गोपनीयता और एआई उपयोग के लिए स्पष्ट नियमों की आवश्यकता अब बड़ी प्रगति कर रही है। शासी निकाय और नियामक निकाय एआई के सुरक्षित, नैतिक और जिम्मेदार उपयोग के लिए आवश्यक फ्रेमवर्क प्रकाशित करने में सक्षम हैं या प्रक्रिया में हैं।

क्या आगे है?

‘मॉडल-ए-ए-सर्विस’ (एमएएएस) का विस्फोट:

हम एमएएएस प्रस्तावों की मांग में वृद्धि देखेंगे, न केवल क्षैतिज रूप से बल्कि ऊर्ध्वाधर रूप से। जबकि ‘ओपनएआई’ क्षैतिज एमएएएस का एक अच्छा उदाहरण है, आर्या.एआई एक ऊर्ध्वाधर एमएएएस का उदाहरण है। तैनाती और डेटासेट के अनुभव के साथ, आर्या.एआई ने महत्वपूर्ण ऊर्ध्वाधर डेटासेट एकत्र किए हैं जो मॉडल को प्रशिक्षित करने और उन्हें प्लग-एंड-यूज़ या पूर्व-प्रशिक्षित मॉडल के रूप में प्रदान करने के लिए उपयोग किए जाते हैं।

ऊर्ध्वाधरीकरण नई क्षैतिज है: हमने ‘क्लाउड अपनाने’ में इस प्रवृत्ति को देखा है। जबकि क्षैतिज क्लाउड खिलाड़ी ‘प्लेटफ़ॉर्म-फ़ॉर-एवरीवन’ पर ध्यान केंद्रित करते हैं, ऊर्ध्वाधर खिलाड़ी अंतिम उपयोगकर्ता की आवश्यकताओं पर ध्यान केंद्रित करते हैं और उन्हें एक विशेषज्ञता उत्पाद परत के रूप में प्रदान करते हैं। यह एमएएएस प्रस्तावों के लिए भी सच है।

एक्सएआई और एआई गवर्नेंस उद्यमों में एक मानक बन जाएगा: प्रत्येक ऊर्ध्वाधर को नियामक संवेदनशीलता के आधार पर एक स्वीकार्य एक्सएआई और गवर्नेंस फ्रेमवर्क हासिल करना होगा जो डिज़ाइन के हिस्से के रूप में लागू किया जाएगा, न कि आज की तरह एक ऐड-ऑन के रूप में।

पारंपरिक डेटा सेट जैसे टेबुलर और बहु-आयामी डेटा पर जनरेटिव एआई हYPE चक्र देख सकता है: सिंथेटिक डेटासेट बनाना कथित तौर पर उद्यमों में डेटा-संबंधी चुनौतियों का समाधान करने के लिए एक आसान-से-लागू-समाधान है। डेटा विज्ञान टीमें इसे बहुत पसंद करेंगी क्योंकि समस्या उनके नियंत्रण में है, व्यवसाय पर निर्भर नहीं है क्योंकि वे समय ले सकते हैं, महंगे हो सकते हैं और डेटा एकत्र करते समय सभी कदमों का पालन नहीं कर सकते हैं। सिंथेटिक डेटा पूर्वाग्रह मुद्दों, डेटा असंतुलन, डेटा गोपनीयता और अपर्याप्त डेटा का समाधान करता है। बेशक, इस दृष्टिकोण की प्रभावशीलता अभी भी सिद्ध की जानी बाकी है। फिर भी, नए तकनीकों जैसे ट्रांसफ़ॉर्मर में अधिक परिपक्वता के साथ, हम पारंपरिक डेटा सेट जैसे टेबुलर और बहु-आयामी डेटा पर प्रयोग देख सकते हैं। इस दृष्टिकोण का सफल होना उद्यमों और एमएएएस प्रस्तावों पर एक महत्वपूर्ण प्रभाव डाल सकता है।

क्या आप आर्या.एआई के बारे में और कुछ साझा करना चाहेंगे?

आर्या.एआई का फोकस बैंकों, बीमा कंपनियों और वित्तीय सेवा संस्थानों के लिए ‘एआई’ का समाधान करना है। हमारा दृष्टिकोण तकनीक को अंतिम परत तक ऊर्ध्वाधर करना और इसे प्रत्येक संगठन और हितधारक द्वारा स्वीकार्य और उपयोगी बनाना है।

आर्यैक्सएआई (xai.arya.ai) एफएसआई ऊर्ध्वाधर में द्रव्यमान तक पहुंचने में महत्वपूर्ण भूमिका निभाएगा। हमारे सिंथेटिक डेटा पर जारी शोध ने कुछ उपयोग के मामलों में सफलता प्राप्त की है, लेकिन हम इसे एक अधिक व्यवहार्य और स्वीकार्य विकल्प बनाने का लक्ष्य रखते हैं। हम अपने ‘एआई’ क्लाउड में और अधिक परतें जोड़ना जारी रखेंगे ताकि हमारे मिशन की सेवा हो सके।

मुझे लगता है कि हम आर्या.एआई जैसे और अधिक स्टार्टअप देखेंगे, न केवल एफएसआई ऊर्ध्वाधर में बल्कि हर ऊर्ध्वाधर में।

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