Vivek Desai, Karmendê Teknolojiya Serekê, Amerîkaya Bakur li RLDatix - Rêzeya Hevpeyvînê

Vivek Desai e ji Berpirsê Technology Amerîkaya Bakur li RLDatix, a Pargîdaniya nermalava û karûbarên karûbarên tenduristiyê yên girêdayî. RLDatix li ser mîsyonek e ku lênihêrîna tenduristiyê biguhezîne. Ew ji rêxistinan re dibin alîkar ku lênihêrîna ewledar, bikêrhatîtir bi peydakirina amûrên rêveberî, xetere û lihevhatinê yên ku başbûn û ewlehiya giştî dimeşînin.

Di destpêkê de çi we bala zanistiya computer û ewlehiya sîber kişand?

Ez ber bi tevliheviyên tiştên ku zanistiya computer û ewlehiya sîber hewl didin çareser bikin hatim kişandin - her gav dijwariyek derdikeve holê ku were vekolîn. Nimûneyek girîng a vê yekê ev e ku gava ewr yekem car dest bi kişandinê kir. Ew soza mezin da, lê di heman demê de hin pirs li ser ewlehiya bargiraniya kar jî derxist. Ji zû de pir zelal bû ku rêbazên kevneşopî rawestgehek bûn, û ku rêxistinên li seranserê panelê hewce ne ku pêvajoyên nû pêş bixin da ku bi bandor bargiraniyên xebatê di ewr de ewle bikin. Rêwîtina van rêbazên nû ji bo min û gelek kesên din ên ku di vî warî de dixebitin rêwîtiyek bi taybetî balkêş bû. Ew pîşesaziyek dînamîk û pêşkeftî ye, ji ber vê yekê her roj tiştek nû û balkêş tîne.

Ma hûn dikarin hin berpirsiyariyên heyî yên ku we wekî CTO ya RLDatix hene parve bikin?  

Heya nuha, ez li ser rêberiya stratejiya daneya me û dîtina awayên ku di navbera hilberên me û daneyên ku ew digirin de hevrêziyê biafirînim, ji bo baştir fêmkirina meylên me disekinim. Gelek hilberên me celebên daneyên mîna hev hene, ji ber vê yekê karê min ev e ku ez riyan bibînim ku wan siloyan bişkînim û ji xerîdarên me re, hem nexweşxane û hem jî pergalên tenduristiyê, gihandina daneyan hêsantir bikim. Bi vê yekê, ez li ser stratejiya meya îstîxbarata sûnî ya gerdûnî (AI) jî dixebitim da ku vê gihîştina daneyê û karanîna li seranserê ekosîstemê agahdar bikim.

Li ser meylên pêşkeftî yên di pîşesaziyên cihêreng de sekinîn aliyekî din ê girîng ê rola min e, da ku piştrast bikim ku em di rêça stratejîk a rast de diçin. Ez niha çavê xwe li ser modelên zimanên mezin (LLM) dikim. Wekî pargîdaniyek, em dixebitin ku rêyên yekkirina LLM-an di teknolojiya xwe de bibînin, ji bo hêzdarkirin û pêşvebirina mirovan, nemaze peydakirên lênihêrîna tenduristî, bargiraniya wan a cognitive kêm bikin û rê bidin wan ku balê bikişînin ser lênihêrîna nexweşan.

Di posta weya blogê ya LinkedIn de bi sernavê "Nêrînek li ser sala min a 1mîn wekî CTO," we nivîsand, "CTO bi tenê naxebitin. Ew beşek ji tîmekê ne.” Ma hûn dikarin li ser hin kêşeyên ku hûn rû bi rû mane û çawa we li ser projeyên ku ji hêla teknîkî ve dijwar in bi delegasyon û xebata tîmê re mijûl bûne berfireh bikin?

Rola CTO di deh salên dawî de bi bingehîn guherî. Rojên xebatê di jûreyek serverê de derbas bûne. Niha, kar pir bêtir hevkar e. Bi hev re, li seranserê yekeyên karsaziyê, em li ser pêşengên rêxistinî tevdigerin û wan xwestekan vediguherînin pêdiviyên teknîkî yên ku me pêşde diçin. Nexweşxane û pergalên tenduristiyê naha ew qas pirsgirêkên rojane rêve dibin, ji rêveberiya hêza kar bigire heya astengiyên darayî, û pejirandina teknolojiya nû dibe ku her gav ne pêşînek sereke be. Armanca meya herî mezin ev e ku em destnîşan bikin ka teknolojî çawa dikare ji kêmkirina van pirsgirêkan re bibe alîkar, li şûna ku li wan zêde bike, û nirxa giştî ya ku ew ji karsaziya wan, karmend û nexweşan re bi gelemperî tîne. Ev hewildan nikare bi tenê an jî di nav tîmê min de were kirin, ji ber vê yekê hevkarî di nav yekîneyên pirzimanî de derbas dibe da ku stratejiyek hevgirtî pêşve bixe ku dê wê nirxê nîşan bide, gelo ew ji dayîna xerîdaran ji têgihîştina daneyên vekirî an çalakkirina pêvajoyên ku ew niha nekarin pêk bînin. .

Rola îstîxbarata sûnî di paşeroja operasyonên lênihêrîna tenduristî yên girêdayî de çi ye?

Her ku daneyên yekbûyî bi AI-ê re bêtir berdest dibe, ew dikare were bikar anîn da ku pergalên cihêreng ve girêbide û ewlehî û rastbûna li seranserê lênihêrînê baştir bike. Ev konsepta operasyonên lênihêrîna tenduristî yên girêdayî kategoriyek e ku em li RLDatix li ser disekinin ji ber ku ew ji bo biryardêrên lênihêrîna tenduristiyê dane û têgihîştina çalak vedike - û AI ji bo pêkanîna wê yekê yekpare ye.

Aliyek ne-gotûbêjî ya vê entegrasyonê ev e ku ew karanîna daneyê ewledar û lihevhatî ye, û xetere têne fam kirin. Em di siyaset, xetere û ewlehiyê de rêberê bazarê ne, ku tê vê wateyê ku me gelek dane hene ku LLM-yên bingehîn bi rastbûn û pêbaweriya bêtir perwerde bikin. Ji bo bidestxistina operasyonên lênihêrîna tenduristî yên girêdayî rast, gava yekem yekkirina çareseriyên cihêreng e, û ya duyemîn derxistina daneyan û normalîzekirina wê di nav wan çareseriyan de ye. Nexweşxane dê ji komek çareseriyên pevgirêdayî sûd werbigirin ku dikarin berhevokên daneyê berhev bikin û nirxa çalak ji bikarhêneran re peyda bikin, li şûna ku berhevokên daneyên cihêreng ji çareseriyên xalên kesane biparêzin.

Di gotarek sereke ya vê dawiyê de, Berpirsiyarê Hilberînê Barbara Staruk parve kir ku RLDatix çawa AI-ya hilberîner û modelên zimanên mezin bi kar tîne da ku raporkirina bûyera ewlehiya nexweş xweş bike û otomatîk bike. Hûn dikarin berfirehtir bikin ka ev çawa dixebite?

Ev ji bo RLDatix însiyatîfek bi rastî girîng e û mînakek girîng e ku em çawa potansiyela LLM-an zêde dikin. Dema ku nexweşxane û pergalên tenduristiyê raporên bûyerê temam dikin, niha sê formên standard hene ji bo destnîşankirina asta zirarê ku di raporê de hatine destnîşan kirin: Ajansa Lêkolînên Tenduristî û Formên Hevbeş ên Qalîteyê, Encumena Hevrêziya Neteweyî ya Raporkirina Çewtiya Derman û Pêşîlêgirtinê û Performansa Lênihêrîna Tenduristiyê. Pêşveçûn (HPI) Dabeşkirina Bûyera Ewlehiyê (SEC). Naha, em dikarin bi hêsanî LLMek perwerde bikin ku di raporek bûyerê de nivîsê bixwîne. Mînakî, heke nexweşek bimire, LLM dikare bêkêmasî wê agahiyê hilbijêre. Lêbelê, kêşe di perwerdekirina LLM de ye ku çarçoveyek diyar bike û cûdahiya di navbera kategoriyên tevlihevtir de, wek zirara giran a daîmî, taksonomiyek ku di HPI SEC-ê de ye, mînakî, li hember zirara demkî ya giran. Ger kesê ku rapor dike çarçoveyek têr nake, LLM dê nikaribe asta kategoriya guncan a zirarê ji bo wê bûyera ewlehiya nexweşê diyar bike.

RLDatix armanc dike ku li seranserê portfoliyoya me, bi kategoriyên berbiçav ên ku ji hêla LLM-ê ve bi hêsanî têne cûda kirin, taksonomiyek hêsantir, gerdûnî, bicîh bike. Bi demê re, bikarhêner dê karibin bi tenê tiştên ku qewimîn binivîsin û LLM wê ji wir bi derxistina hemî agahdariya girîng û pêşîgirtina formên bûyerê bigire dest. Ev ne tenê ji bo hêzek xebatkar a ku ji berê ve hatî teng kirin demek girîng e, lê her ku model hîn pêşdetir dibe, em ê di heman demê de karibin meylên krîtîk jî nas bikin ku dê rê bidin rêxistinên lênihêrîna tenduristiyê ku li seranserê panelê biryarên ewledar bistînin.

Hin awayên din çi ne ku RLDatix dest bi tevlêkirina LLM-an di karûbarên xwe de kiriye?

Rêyek din a ku em LLM-yên hundurîn bikar tînin ev e ku meriv pêvajoya pêbawerkirinê xweş bike. Nasnameyên her pêşkêşker bi rengek cûda têne şekil kirin û agahdariya bêhempa dihewîne. Ji bo ku hûn wê di perspektîfê de binirxînin, bifikirin ka rezûmaya her kesî çawa cûda xuya dike - ji tîpan, heya ezmûna xebatê, heya perwerdehiyê û bi tevahî formatkirin. Bawerkirin bi heman rengî ye. Pêşkêşkar li ku derê beşdarî zanîngehê bû? Sertîfîkaya wan çi ye? Di kîjan gotaran de têne weşandin? Her pisporê lênihêrîna tenduristiyê dê wê agahiyê bi awayê xwe peyda bike.

Li RLDatix, LLM rê dide me ku em van pêbaweriyan bixwînin û hemî wan daneyan bi rengek standardî derxînin da ku yên ku di ketina daneyê de dixebitin ne hewce ne ku bi berfirehî li wê bigerin, ji wan re dihêlin ku kêmtir wext li beşa îdarî derbas bikin û bala xwe bidin. dem li ser karên watedar ên ku nirxê zêde dikin.

Ewlehiya sîber her gav dijwar bûye, nemaze digel guheztina teknolojiyên bingehîn ên ewr, hûn dikarin hin ji van pirsgirêkan nîqaş bikin?

Pîroz is dijwar, ji ber vê yekê girîng e ku hûn bi hevalbendê rast re bixebitin. Dema ku meriv vê teknolojiyê bi kar tîne dabînkirina LLM-ê ewledar û lihevhatî mayîna herî girîng e. Ger rêxistina we di hundurê xwe de xebatkarên dilsoz tune ku vê yekê bikin, ew dikare pir dijwar û demdirêj be. Ji ber vê yekê em bi Karûbarên Webê yên Amazon (AWS) re li ser piraniya destpêşxeriyên ewlehiya sîber dixebitin. AWS ji me re dibe alîkar ku em ewlehî û lihevhatinê wekî prensîbên bingehîn di nav teknolojiya xwe de bicîh bikin da ku RLDatix karibe balê bikişîne ser tiştê ku em bi rastî baş dikin - ku ji bo xerîdarên me di hemî vertîkalên me yên têkildar de hilberên hêja ava dike.

Hin tehdîdên ewlehiyê yên nû yên ku we bi pejirandina bilez a vê dawiyê ya LLM-an dîtiye çi ne?

Ji perspektîfek RLDatix, ji ber ku em LLM-an pêşve dibin û perwerde dikin, gelek nêrîn hene ku em bi wan re dixebitin. Ji bo me xalek girîng kêmkirina nelirêtî û neheqiyê ye. LLM tenê bi qasî daneyên ku ew li ser têne perwerde kirin baş in. Faktorên wekî zayend, nijad û demografîkên din dikarin gelek nerastiyên xwerû tê de bin ji ber ku databas bixwe beralî ye. Mînakî, bifikirin ka başûrê rojhilatê Dewletên Yekbûyî çawa peyva "y'all" di zimanê rojane de bikar tîne. Ev yek alîgiriya zimanî ya bêhempa ye ku ji nifûsa nexweşek taybetî re ye ku divê lêkolîner dema ku LLM perwerde dikin bihesibînin da ku nuwazeyên ziman li gorî deverên din bi rengek rast veqetînin. Dema ku dor tê ser karanînkirina LLMS-ê di nav lênihêrîna tenduristiyê de, pêdivî ye ku bi van cûreyên netewandî re bi pîvan were çareser kirin, ji ber ku perwerdekirina modelek di nav nifûsek nexweş de ne hewce ye ku ew model di yekî din de bixebite.

Parastina ewlehî, şefafî û berpirsiyariyê jî ji bo rêxistina me xalên girîng in, û her weha kêmkirina her fersendên halusînasyonan û dezînformasyonê. Piştrastkirina ku em bi aktîvî li ser her fikarên nepenîtiyê radiwestin, ku em fam dikin ka modelek çawa gihîştiye bersivek diyar û ku me çerxeyek pêşkeftinê ya ewledar di cîh de ye, hemî pêkhateyên girîng ên pêkanîn û domandina bi bandor in.

Hin algorîtmayên fêrbûna makîneyê yên din ên ku li RLDatix têne bikar anîn çi ne?

Bikaranîna fêrbûna makîneyê (ML) ji bo vedîtina nerînên plansazkirina krîtîk ji bo rêxistina me dozek karanîna balkêş bû. Bi taybetî li Keyaniya Yekbûyî, me lêkolîn kir ka meriv çawa ML-yê bi kar tîne da ku çêtir fam bike ka çawa lîstekirin, an plansazkirina hemşîre û bijîjkan pêk tê. RLDatix ji deh salên borî de gihîştina hejmareke mezin ji daneyên plansazkirinê heye, lê em dikarin bi hemî wan agahdarî re çi bikin? Li vir tê ML. Em modelek ML bikar tînin da ku ew daneyên dîrokî analîz bikin û têgihîştinek peyda bikin ka rewşek karmendî dikare du hefte şûnde çawa xuya bike, li nexweşxaneyek taybetî an herêmek diyar.

Ew doza karanîna taybetî modelek ML-ya pir bi destkeftî ye, lê em bi girêdana wê bi bûyerên jiyanî re hê bêtir derziyê dikişînin. Mînakî, heke me li her bernameyek futbolê ya li herêmê binêre çi? Em ji zû de dizanin ku bûyerên werzîşê bi gelemperî dibe sedema bêtir birîndaran û ku nexweşxaneyek herêmî dibe ku di roja bûyerê de li gorî rojek gelemperî bêtir nexweşên hundurîn hebin. Em bi AWS û hevkarên din re dixebitin da ku vekolin ka kîjan daneyên gelemperî em dikarin bişopînin da ku bername hê hêsantir bikin. Jixwe daneyên me hene ku pêşniyar dikin ku em ê li dora bûyerên werzîşê yên mezin an tewra hewaya nebaş jî zêdebûnek nexweşan bibînin, lê modela ML dikare bi girtina wan daneyan û destnîşankirina meylên krîtîk ên ku dê bibin alîkar ku nexweşxane bi têra xwe pê ewle bin. karmend, di dawiyê de tengasiya li ser hêza karmendê me kêm dike û pîşesaziya me ji bo bidestxistina lênihêrîna ewledartir ji bo hemîyan gavek pêş de diçe.

Spas ji bo hevpeyivîna hêja, xwendevanên ku dixwazin bêtir fêr bibin divê biçin RLDatix.