विल्सन पांग, रियल वर्ल्ड एआई – साक्षात्कार श्रृंखला के सह-लेखक

विल्सन पांग ने नवंबर 2018 में अपेन में सीटीओ के रूप में ज्वाइन किया और कंपनी के उत्पादों और प्रौद्योगिकी के लिए जिम्मेदार हैं। विल्सन के पास सॉफ्टवेयर इंजीनियरिंग और डेटा साइंस में उन्नीस साल से अधिक का अनुभव है। अपेन में शामिल होने से पहले, विल्सन चीन में सीट्रिप के मुख्य डेटा अधिकारी थे, जो दुनिया की दूसरी सबसे बड़ी ऑनलाइन यात्रा एजेंसी कंपनी है, जहां उन्होंने डेटा इंजीनियरों, विश्लेषकों, डेटा उत्पाद प्रबंधकों और वैज्ञानिकों का नेतृत्व किया ताकि उपयोगकर्ता अनुभव में सुधार हो और संचालन की दक्षता बढ़े, जिससे व्यवसाय बढ़ा। इससे पहले, वह कैलिफोर्निया में ईबे में इंजीनियरिंग के वरिष्ठ निदेशक थे और विभिन्न डोमेन में नेतृत्व प्रदान किया, जिनमें डेटा सेवा और समाधान, खोज विज्ञान, मार्केटिंग प्रौद्योगिकी और बिलिंग सिस्टम शामिल थे। उन्होंने आईबीएम में एक आर्किटेक्ट के रूप में काम किया था trước ईबे, जिसमें विभिन्न ग्राहकों के लिए प्रौद्योगिकी समाधान बनाए गए थे। विल्सन ने चीन के जेजियांग विश्वविद्यालय से इलेक्ट्रिकल इंजीनियरिंग में अपनी मास्टर और बैचलर की डिग्री प्राप्त की।

हम उनकी नई पुस्तक पर चर्चा करते हैं: द रियल वर्ल्ड ऑफ एआई: एक प्रैक्टिकल गाइड फॉर रेस्पॉन्सिबल मशीन लर्निंग

आप बताते हैं कि जब आप ईबे की खोज विज्ञान टीम का नेतृत्व कर रहे थे, तो मशीन लर्निंग के साथ आपका पहला सबक यह समझना था कि कौन से मेट्रिक्स को मापना है। उदाहरण में “प्रति सत्र खरीद” मेट्रिक का उल्लेख किया गया है, जो आइटम के मौद्रिक मूल्य के लिए खाता नहीं है। कंपनियां सबसे अच्छी तरह से कैसे समझ सकती हैं कि कौन से मेट्रिक्स को मापने की आवश्यकता है ताकि वे इसी तरह के मुद्दों से बच सकें?

अपनी टीम द्वारा एआई मॉडल के लिए जिम्मेदार लक्ष्यों से शुरू करें – हमारे मामले में, हम मशीन लर्निंग के साथ अधिक राजस्व चलाना चाहते थे। जब आप लक्ष्यों को मेट्रिक्स से जोड़ते हैं, तो उन यांत्रिकी के बारे में सोचें जो वे उत्पादित करेंगे, एक बार जब आप मॉडल को रिलीज़ करते हैं और लोग इसके साथ बातचीत करना शुरू करते हैं, लेकिन अपने अनुमानों का भी ध्यान रखें। हमारे मामले में, हमने माना कि मॉडल राजस्व के लिए अनुकूलित होगा, लेकिन प्रति सत्र खरीद मेट्रिक ने इसका खाता नहीं लिया, क्योंकि मॉडल उच्च संख्या में कम-टिकट मूल्य की बिक्री के लिए अनुकूलित था, और अंत में हम अधिक पैसा नहीं कमा रहे थे। एक बार जब हमें यह एहसास हुआ, तो हम मॉडल को सही दिशा में बदलने में सक्षम थे। इसलिए, विस्तृत मेट्रिक्स का निर्धारण करना और अनुमानों को नोट करना परियोजना की सफलता के लिए महत्वपूर्ण है।

आपको इस पुस्तक के शोध और लेखन से व्यक्तिगत रूप से क्या सीखने को मिला?

हमारे पास विभिन्न कंपनियों और उद्योगों से विभिन्न प्रकार की समस्याएं हैं जिन्हें एआई द्वारा हल किया जा सकता है। उपयोग के मामले बहुत अलग हो सकते हैं, एआई समाधान अलग हो सकता है, एआई समाधान को प्रशिक्षित करने के लिए डेटा अलग हो सकता है। हालांकि, इन सभी अंतरों के बावजूद, लोगों द्वारा अपनी एआई यात्रा के दौरान की गई गलतियां बहुत समान हैं। ये गलतियां सभी प्रकार की कंपनियों में और सभी प्रकार के उद्योगों में बार-बार हुईं।

हमने एआई परियोजनाओं को लागू करते समय कुछ सामान्य सर्वोत्तम प्रथाओं को साझा किया है, जिससे अधिक लोगों और कंपनियों को उन गलतियों से बचने और जिम्मेदार एआई तैनात करने में आत्मविश्वास प्राप्त करने में मदद मिल सके।

आपको लगता है कि लोग इस पुस्तक को पढ़ने से क्या सबसे महत्वपूर्ण सबक ले सकते हैं?

हमें विश्वास है कि मशीन लर्निंग प्रौद्योगिकी का सोच-समझकर, जिम्मेदार और नैतिक उपयोग दुनिया को अधिक न्यायसंगत, न्यायसंगत और समावेशी बना सकता है। मशीन लर्निंग प्रौद्योगिकी व्यवसाय जगत में सब कुछ को फिर से आकार देने का वादा करती है, लेकिन इसके लिए कड़ी मेहनत करने की जरूरत नहीं है। ऐसे तरीके और प्रक्रियाएं हैं जिनका पालन टीमें कर सकती हैं और उत्पादन में तैनात करने के लिए आत्मविश्वास प्राप्त कर सकती हैं।

एक और महत्वपूर्ण सबक यह है कि व्यवसाय के मालिक (जैसे उत्पाद प्रबंधक) और अधिक तकनीकी पक्ष (जैसे इंजीनियर और डेटा वैज्ञानिक) के सदस्यों को एक सामान्य भाषा बोलने की आवश्यकता है। एआई को सफलतापूर्वक तैनात करने के लिए, नेताओं को टीमों के बीच की खाई को पाटना होगा, व्यवसाय विशेषज्ञों और सी-स्तर के लिए पर्याप्त संदर्भ प्रदान करना होगा ताकि वे तकनीकी लागूकर्ताओं के साथ कुशलता से बातचीत कर सकें।

लोग अक्सर एआई के बारे में सोचते समय कोड के बारे में सोचते हैं। पुस्तक में एक महत्वपूर्ण सबक यह है कि डेटा एआई मॉडल की सफलता के लिए महत्वपूर्ण है। डेटा के साथ बहुत कुछ होता है, जिसमें संग्रह, लेबलिंग, भंडारण और प्रत्येक चरण शामिल है जो मॉडल की सफलता को प्रभावित करेगा। सबसे सफल एआई तैनाती वे हैं जो डेटा पर उच्च जोर देते हैं और इस पहलू को लगातार बेहतर बनाने का प्रयास करते हैं।

वास्तविक दुनिया में एआई के लिए केवल एक क्रॉस-फंक्शनल टीम और एक नवाचारी भावना की आवश्यकता होती है।

चर्चा में एआई मॉडल की सटीकता को पर्याप्त रूप से उच्च होने के लिए निर्धारित करना शामिल है। सटीकता की आवश्यकता के प्रकार का आकलन करने का सबसे आसान तरीका क्या है?

यह आपके उपयोग के मामलों और जोखिम सहनशीलता पर निर्भर करता है। एआई विकसित करने वाली टीमें हमेशा एक परीक्षण चरण होना चाहिए जहां वे अपने संगठन और हितधारकों के लिए सटीकता स्तर और स्वीकार्य सीमा निर्धारित करती हैं। जीवन-मृत्यु उपयोग के मामलों के लिए – जहां गलत होने पर एआई के लिए संभावित नुकसान होता है, जैसे कि सजा सॉफ्टवेयर, स्व-ड्राइविंग कारें, चिकित्सा उपयोग के मामलों में, सीमा बहुत, बहुत अधिक है – और टीमों को मॉडल गलत होने पर सावधानियां रखनी चाहिए। अधिक दोषपूर्ण उपयोग के मामलों के लिए, जहां विषयवस्तु में बहुत अधिक विषयवस्तु है, जैसे कि सामग्री, खोज या विज्ञापन प्रासंगिकता, टीमें उपयोगकर्ता प्रतिक्रिया पर भरोसा कर सकती हैं ताकि वे अपने मॉडल को समायोजित करना जारी रख सकें, भले ही वे उत्पादन में हों। निश्चित रूप से, यहां कुछ उच्च-जोखिम वाले उपयोग के मामले भी हैं, जहां अवैध या अनैतिक सामग्री उपयोगकर्ताओं को दिखाई जा सकती है, इसलिए सावधानियां और प्रतिक्रिया तंत्र भी यहां स्थापित किए जाने चाहिए।

क्या आप परियोजना के लिए सफलता को परिभाषित करने के महत्व को परिभाषित कर सकते हैं?

यह उतना ही महत्वपूर्ण है कि व्यवसायिक समस्या के साथ शुरू किया जाए, जितना कि सफलता को परिभाषित करना है, क्योंकि दोनों हाथ से हाथ मिलाते हैं। पुस्तक में ऑटोमोटिव डीलर के बारे में उदाहरण का पालन करें, जो छवियों को लेबल करने के लिए एआई का उपयोग करता है, उन्होंने यह नहीं निर्धारित किया कि सफलता क्या दिखती है, क्योंकि उन्होंने एक व्यवसायिक समस्या को हल करने के लिए नहीं सोचा था। उनके लिए सफलता कई अलग-अलग चीजें हो सकती थी, जो समस्या को हल करने के लिए टीमों के लिए, यहां तक कि एक मशीन लर्निंग मॉडल के लिए भी मुश्किल बना देती है, जिसका दायरा निर्धारित किया गया है। यदि उन्होंने उन वाहनों को लेबल करने का लक्ष्य निर्धारित किया था जिनमें दाग थे, तो मरम्मत के लिए वाहनों की सूची बनाने के लिए, और सफलता को 80% वाहन दाग को सटीक रूप से लेबल करने के रूप में परिभाषित किया था, तो जब वे 85% सटीक रूप से लेबल करेंगे, तो टीम इसे सफलता कहेगी। लेकिन अगर यह सफलता व्यवसायिक समस्या से जुड़ी नहीं है और सीधे व्यवसायिक प्रभाव से जुड़ी नहीं है, तो परियोजना का मूल्यांकन करना मुश्किल है, लेबलिंग सटीकता के फोकस्ड परिभाषा से परे। यहां, व्यवसायिक समस्या अधिक जटिल थी, और दाग लेबलिंग केवल इसका एक हिस्सा था। उनके मामले में, उन्हें सफलता को दावा प्रक्रिया पर समय/पैसे की बचत या मरम्मत प्रक्रिया को X% द्वारा अनुकूलन के रूप में परिभाषित करने से बेहतर होगा, और फिर लेबलिंग प्रभाव को वास्तविक व्यवसायिक परिणामों में अनुवादित किया जाएगा।

उत्पादन तैनाती में होने वाले सभी उपयोग के मामलों को कवर करने के लिए प्रशिक्षण डेटा उदाहरणों को सुनिश्चित करना कितना महत्वपूर्ण है?

यह बहुत महत्वपूर्ण है कि मॉडल को प्रशिक्षित किया जाए ताकि यह सभी उपयोग के मामलों को कवर कर सके और पूर्वाग्रह से बचा जा सके। लेकिन यह भी महत्वपूर्ण है कि उत्पादन डेटा के साथ-साथ प्रशिक्षण डेटा को समझने के लिए टीमों की आवश्यकता है, ताकि वे एआई को प्रशिक्षित कर सकें जो उन्हें उत्पादन में मिलेगा। विभिन्न उपयोग के मामलों वाले बड़े और विविध समूहों से प्रशिक्षण डेटा तक पहुंच होना मॉडल की सफलता के लिए महत्वपूर्ण है। उदाहरण के लिए, एक मॉडल जो एक अपलोड की गई छवि में लोगों के पालतू जानवरों को पहचानने के लिए प्रशिक्षित है, को सभी प्रकार के पालतू जानवरों पर प्रशिक्षित किया जाना चाहिए; कुत्ते, बिल्ली, पक्षी, छोटे स्तनधारी, छिपकली आदि। यदि मॉडल को केवल कुत्तों, बिल्लियों और पक्षियों पर प्रशिक्षित किया जाता है, तो जब कोई अपने गिनी सूअर के साथ एक छवि अपलोड करता है, तो मॉडल इसे पहचान नहीं पाएगा। यह एक बहुत ही सरल उदाहरण है, लेकिन यह दिखाता है कि संभावित उपयोग के मामलों के लिए प्रशिक्षण कितना महत्वपूर्ण है।

पुस्तक में शीर्ष से अच्छी डेटा स्वच्छता आदतों को विकसित करने की आवश्यकता का उल्लेख किया गया है। कुछ सामान्य पहले कदम क्या हैं जो इस आदत को प्रोत्साहित करने के लिए?

अच्छी डेटा स्वच्छता आदतें आंतरिक डेटा की उपयोगिता को बढ़ाएंगी और इसे एमएल उपयोग के मामलों के लिए तैयार करेंगी। पूरी कंपनी को अपने डेटासेट को व्यवस्थित करने और ट्रैक करने में अच्छा होना चाहिए। इसे प्राप्त करने का एक तरीका यह है कि इसे एक व्यवसायिक आवश्यकता बनाना और कार्यान्वयन को ट्रैक करना ताकि बहुत कम रिपोर्टें हों जो कस्टम जॉब हों, और टीमें अधिक से अधिक डेटा पाइपलाइनों के साथ काम करें जो एक केंद्रीय भंडार में निर्देशित हों, जिसमें एक स्पष्ट ओन्टोलॉजी हो। एक और अच्छी प्रथा यह है कि डेटा कब और कहां एकत्र किया गया था और इसे डेटाबेस में रखे जाने से पहले इसके साथ क्या हुआ, साथ ही साथ अनुपयोगी या स्टेल डेटा को नियमित रूप से साफ करने के लिए प्रक्रियाओं को स्थापित करना।

धन्यवाद इस महान साक्षात्कार के लिए, जो पाठक अधिक जानने में रुचि रखते हैं, मैं उन्हें पुस्तक पढ़ने की सलाह देता हूं द रियल वर्ल्ड ऑफ एआई: एक प्रैक्टिकल गाइड फॉर रेस्पॉन्सिबल मशीन लर्निंग।