بلاير نيومان، الرئيس التنفيذي للتقنية في Neuton – سلسلة المقابلات

بلاير نيومان هو الرئيس التنفيذي للتقنية في Neuton، وهي إطار شبكة عصبية مدمر وآلة تعلم آلي متوافق (AutoML) أكثر فعالية من أي إطار أو منتج آلي متوافق متاح في السوق. إنه يجعل الذكاء الاصطناعي (AI) متاحًا للجميع.

ما الذي جذبك في البداية إلى تعلم الآلة وعلوم البيانات؟

من وجهة نظر شخصية، لقد كنت دائمًا مهتمًا بإمكانيات ما يمكن أن توفره علوم البيانات وتعلم الآلة، مثل المدن الذكية والسيارات المتوصلة، والآن ما يمكن أن تقدمه TinyML. الآن، مع توفير الذكاء الاصطناعي، نحن نشهد حرفيًا تعلم الآلة في كل مكان.

يمكنك أن تشاركنا قصة نشأة Neuton؟

قررنا أن نبدأ رحلة جعل الذكاء الاصطناعي متاحًا “لجميع الناس” بعد العديد من السنوات من تنفيذ مشاريع متعددة من منظور تعلم الآلة. خلال هذه الفترة، حددنا عددًا من الحواجز المختلفة التي تحد من النمو المتسارع. لذلك، من أجل جعل تعلم الآلة متاحًا حقًا للجميع… كنا بحاجة إلى معالجة بعض الحواجز الفنية الموجودة…. المتطلبات الكبيرة للبيانات للتدريب… حل سحابي آلي لتحقيق التخفيض الحاجة إلى الخبرة الفنية…. ثم أخيرًا، جعل منصتنا متاحة مجانًا لإزالة الحاجز الأخير.

للمقابلين الذين قد يكونون غير مألوفين مع هذه المصطلحات، يمكنك أن تعرفنا ما هو TinyML؟

أنا عادة ما أحافظ على البساطة…. العالم المادي يلتقي العالم الرقمي…. وال地点 الذي تتقاطع فيه هذه الكائنات هو عالم TinyML…. TinyML يجلب الذكاء مباشرة إلى هذا الحد.

ما الذي يمنع تسريع TinyML في مجتمع الذكاء الاصطناعي؟

TinyML يتطلب عادةً كمية هائلة من رأس المال من وجهة نظر الموارد. HW، مهندسي التضمين، مهندسي تعلم الآلة، مطورو البرمجيات للتكامل…. واحدة من المناطق التي نتفوق فيها هي أننا نخفض هذه المتطلبات بشكل كبير.

كيف يخلق Neuton نماذج مضغوطة دون المساس بالدقة؟

الإطارات التقليدية والأكثر شهرة (مثل TensorFlow) تبدأ مع هيكل موجود مسبقًا الذي يتضمن بالفعل الفاقد. بالإضافة إلى ذلك، بناء نموذج غالبًا ما يكون عملية تكرارية جدًا والتي، بمجرد بناء النموذج، يجب تحسينه قبل التكامل. هذا ما أسميه نهجًا من أعلى إلى أسفل. مع Neuton، نقلب هذا المفهوم رأسًا على عقب، حيث نبني كل نموذج من الأسفل إلى الأعلى، neurone واحد في كل مرة، مما يؤدي إلى القضاء على الفاقد المتأصل في الإطارات الأخرى. هذا يعني أن هيكل الشبكة ليس محددًا مسبقًا، ولكنه ينمو من neurone واحد خلال التدريب. نقترن هذا النهج بالتحقق المتواصل مع كل neurone يطبق على النموذج الناتج. لذلك، النموذج النهائي دائمًا ما يتم بناؤه لغرض محدد، بدون فاقد ودقيق عند الانتهاء.

Neuton لا يستخدم التخفيض العكسي أو الانحدار العشوائي، ما هو التفكير خلف تجنب هذه المناهج الشائعة؟

نهجنا المملوك بالبراءة يستخدم منهجية تحسين عالمية، مما يؤدي إلى القضاء على الحاجة لتطبيق هذه المناهج.

كم عدد مرات كفاءة حل Neuton مقارنة bằng Approaches تعلم الآلة التقليدية؟

في جميع المعايير الرئيسية مثل وقت إنشاء النموذج، الدقة، حجم النموذج، وبالتالي وقت التسويق. نحن نرى باستمرار أننا نتفوق على الإطارات والمنصات الأخرى…. عادة ما نرى أن نماذجنا تكون أصغر 1000 مرة مع تقليل وقت التسويق بنسبة تزيد عن 70%. أخيرًا، مكتبنا لتوضيح الذكاء الاصطناعي هو الأفضل في تقديم الشفافية الكاملة لأ我们的 نماذج، مع كل تنبؤ فردي.

يمكنك أن تقدم بعض التفاصيل حول توضيح الذكاء الاصطناعي الذي تقدمه منصة Neuton؟

مكتبنا لتوضيح الذكاء الاصطناعي يأتي في عدة أشكال. بدءًا من أداة تحليل البيانات الاستكشافي (EDA) التي توفر نظرة أولية على إحصائيات البيانات قبل التدريب. من هناك، يسمح لنا جدول أهمية الميزة بتحديد أفضل 10 ميزات التي تؤثر على تنبؤاتك وأيضًا الميزات العشر السفلى التي تؤثر بشكل ضعيف على تنبؤاتك. من هناك، نقدم لزبائننا مستوى إضافي من الشفافية إلى النماذج الناتجة، حيث يمكنهم تحليل كل تنبؤ فردي لمعرفة كيف يمكن أن يتغير التنبؤ إذا تغيرت قيمة ميزة معينة. أخيرًا، نقدم أداة إدارة دورة حياة (مؤشر صحة النموذج إلى البيانات) التي تنبه زبائننا بشكل استباقي عندما يبدأ نموذجهم في التدهور ويتطلب إعادة التدريب.

هل هناك أي شيء آخر تود أن تشاركه حول Neuton؟

مهمتنا هنا في Neuton هي جعل الذكاء الاصطناعي متاحًا للجميع. نحن نعتقد أننا قد نجحنا في开始 تحقيق هذه الإمكانيات. سواء كان ذلك من خلال تمكين غير علماء البيانات أو تمكين علماء البيانات المخضرمين من خلال تقديم حل سحابي آلي بدون رمز. الآن، مع تسريع TinyML، نحن على الطريق الصحيح لتحقيق الديمقراطية الحقيقية للذكاء الاصطناعي.

شكرًا على المقابلة الرائعة، القراء الذين يرغبون في معرفة المزيد يمكنهم زيارة Neuton.