Blair Newman, CTO společnosti Neuton – Rozhovor

Blair Newman je CTO společnosti Neuton, která nabízí disruptivní framework neuronových sítí a automatizované strojové učení (AutoML), který je daleko účinnější než jakýkoli jiný framework, ne-neuronový algoritmus nebo produkt AutoML dostupný na trhu. Umožňuje dostupnost umělé inteligence (AI) pro každého.

Co vás původně přitáhlo k strojovému učení a datové vědě?

Z osobní perspektivy mě vždy fascinovaly možnosti, které může strojové učení a datová věda nabídnout, jako například chytrá města, propojená vozidla a nyní i to, co může nabídnout TinyML. Nyní s demokratizací AI vidíme, že strojové učení je skutečně všude.

Můžete sdílet příběh o vzniku Neutonu?

Rozešli jsme se na cestě za dostupností AI pro každého po mnoha letech práce na různých projektech z hlediska strojového učení. Během této doby jsme identifikovali řadu různých bariér, které limitovaly exponenciální růst. Abychom mohli skutečně učinit strojové učení dostupným pro každého, museli jsme řešit některé technické bariéry, které existovaly… Požadavky na velké množství dat pro školení… Automatizované SaaS řešení pro eliminaci potřeby technických znalostí… A nakonec zpřístupnění naší platformy zdarma, aby se odstranila poslední bariéra.

Pro čtenáře, kteří nemusí být seznámeni s touto terminologií, můžete vysvětlit, co je TinyML?

Obvykle se snažím věci udržet jednoduché… Fyzický svět se setkává s digitálním světem… A tam, kde se tyto dvě entity setkávají… je svět TinyML… TinyML přináší inteligenci přímo na okraji.

Co brání urychlení TinyML v komunitě AI?

TinyML obvykle vyžaduje enormní množství kapitálu z hlediska zdrojů. HW, vestavěné inženýry, inženýry strojového učení, softwarové vývojáře pro integraci… Jednou z oblastí, ve které vynikáme, je, že tyto požadavky výrazně redukujeme.

Jak Neuton vytváří kompaktní modely bez kompromisů v přesnosti?

Tradiční a více známé frameworky (například TensorFlow) začínají s předem existující strukturou, která zahrnuje odpad. Kromě toho je stavba modelu často velmi iterativním procesem, který poté, co je model postaven, musí být optimalizován před integrací. To je to, co nazývám top-down přístupem. S Neutonem otočíme tento paradigma úplně na hlavu, protože stavíme každý model odspodu, neuron po neuronu, efektivní eliminací odpadů, které jsou spojeny s ostatními frameworky. Říkáme, že struktura sítě není předem definována, ale je vytvořena z jediného neuronu během školení. Kombinujeme tento přístup s konstantní křížovou validací, jakmile je aplikován každý neuron na výsledný model. Takže, konečný model je vždy postaven pro účel, bez odpadu a přesný při dokončení.

Neuton nepoužívá zpětnou propagaci nebo stochastický gradientní sestup, jaký byl důvod pro vyhnout se těmto populárním metodám?

Naše patentovaná metoda používá globální optimalizační metodologii, která efektivní eliminuje potřebu aplikovat tyto metody.

Jak mnohem efektivnější je řešení Neuton ve srovnání s tradičními přístupy strojového učení?

V všech klíčových metrikách, jako je doba tvorby modelu, přesnost, velikost modelu a následně doba uvedení na trh. Konsistentně vidíme, že naše výsledky překonávají ostatní frameworky a platformy… Obvykle naše modely dosahují velikosti 1000krát menší s redukcí doby uvedení na trh o více než 70%. Nakonec naše Explainability Office je druhá k ničemu v poskytování úplné transparentnosti našich modelů spolu s každým jednotlivým předpovězením.

Můžete poskytnout některé podrobnosti o vysvětlitelnosti AI, kterou nabízí platforma Neuton?

Naše Explainability office přichází v několika formách. Začíná naší EDA (Exploratory Data Analysis) nástrojem, který poskytuje počáteční pohled na statistiku vašich dat před školením. Odtud naše Feature Importance Matrix umožňuje našim zákazníkům identifikovat, které jsou top 10 funkcí, které ovlivňují jejich předpovědi, a které jsou bottom 10 funkcí, které mají minimální vliv na vaše předpovědi. Odtud nabízíme našim zákazníkům další úroveň transparentnosti jejich výsledných modelů, protože jsou schopni analyzovat každou předpověď jednotlivě, aby viděli, jak se jejich předpověď může změnit, pokud se změní hodnota určité funkce. Nakonec poskytujeme nástroj pro správu životního cyklu (Model-To-Data-Relevance Indicator), který proaktivně upozorňuje naše zákazníky, když jejich model začíná degradovat a jejich model potřebuje být přeučen.

Je něco jiného, co byste rádi sdíleli o Neutonu?

Naše mise zde v Neutonu je přivést AI každému. Věříme, že jsme byli úspěšní v začínajícím realizování těchto možností. Buď tím, že umožňujeme přístup k AI pro ty, kteří nejsou odborníky na data, nebo tím, že poskytujeme Zero Code SaaS řešení pro zkušené odborníky na data. Nyní s urychlením TinyML jsme na dobré cestě k tomu, aby se AI skutečně demokratizovala.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit Neuton.