Birago Jones, medstifter og administrerende direktør for Pienso – Intervju-serie

Birago Jones er administrerende direktør og medstifter af Pienso, en no-code/low-code-platform for virksomheder til at træne og implementere AI-modeller uden behov for avancerede datavidenskabs- eller programmeringsfærdigheder. I dag inkluderer Biragos kunder den amerikanske regering og Sky, den største tv-station i Storbritannien. Pienso er baseret på Biragos forskning fra Massachusetts Institute of Technology (MIT), hvor han og hans medstifter Karthik Dinakar fungerede som forskningsassistenter i MIT Media Lab. Han er en anerkendt autoritet i intersectionen af kunstig intelligens (AI) og menneske-computer-interaktion (HCI) og en forkæmper for ansvarlig AI.

Pienso‘s interaktive læringsgrænseflade er designet til at enable brugere til at udnytte AI til dens fulde potentiale uden nogen kodning. Platformen guider brugere gennem processen med at træne og implementere store sprogmodeller (LLM’er), der er præget af deres ekspertise og finjusteret til at besvare deres specifikke spørgsmål.

Hvad var det, der oprindeligt tiltrak dig til at forfølge dine studier i AI, HCI (Human Computer Interaction) og brugeroplevelse?

Jeg havde allerede udviklet personlige projekter, der fokuserede på at skabe tilgængelighedsværktøjer og -applikationer for blinde, såsom en digital blindskriftlæser, der bruger en smartphone, og et indendørs vejvisningssystem (digital stav). Jeg troede, at AI kunne forbedre og støtte disse bestræbelser.

Pienso blev oprindeligt konceptualiseret under din tid på MIT, hvordan opstod konceptet om at træne maskinlæringsmodeller til at være tilgængelige for ikke-tekniske brugere?

Min medstifter Karthik og jeg mødte hinanden på gradskole, mens vi begge udførte forskning i MIT Media Lab. Vi havde samarbejdet om et klasserprojekt for at bygge et værktøj, der kunne hjælpe sociale medie-platforme med at moderere og flagge indhold, der var krænkende. Værktøjet fik stor opmærksomhed, og vi blev endda inviteret til Det Hvide Hus for at demonstrere teknologien under en cyber-mobningstopmøde.

Der var dog et problem: selvom modellen i sig selv fungerede, som den skulle, var den ikke trænet på de rigtige data, så den kunne ikke identificere skadeligt indhold, der brugte teenage-slang. Karthik og jeg arbejdede sammen for at løse problemet, og vi indså senere, at vi kunne løse dette problem, hvis vi fandt en måde for teenagerne selv at træne modellens data.

Dette var det “Aha”-øjeblik, der senere inspirerede Pienso: fagfolk, ikke AI-ingeniører som os, skulle være i stand til at give input på modellens træningsdata. Vi udviklede point-og-klik-værktøjer, der tillader ikke-eksperter at træne store mængder data i stor skala. Vi tog derefter denne teknologi til lokale skoler i Cambridge, Massachusetts, og fik hjælp af lokale teenager til at træne deres algoritmer, hvilket gjorde det muligt for os at fange mere nuance i algoritmernes end tidligere.

Kan du dele historien om, hvordan Pienso blev spunnet ud af MIT som et selvstændigt selskab?

Vi vidste altid, at denne teknologi kunne give værdi ud over det tilfælde, vi byggede, men det var ikke før 2016, at vi endelig sprang ud og kommercialiserede det, da Karthik afsluttede sin ph.d. På det tidspunkt eksploderede dyb læring i popularitet, men det var primært AI-ingeniører, der brugte det, fordi ingen andre havde den nødvendige ekspertise til at træne og implementere disse modeller.

Hvad er de væsentlige innovationer og algoritmer, der muliggør Pienso’s no-code-grænseflade for opbygning af AI-modeller? Hvordan sikrer Pienso, at domæne-eksperter uden teknisk baggrund kan effektivt træne AI-modeller?

Pienso eliminerer barriererne for “MLOps” – datarensning, datamærkning, modeltræning og implementering. Vores platform bruger en semi-overvåget maskinlæringsmetode, der tillader brugere at starte med umærkede træningsdata og derefter bruge menneskelig ekspertise til at annotere store mængder tekstdata hurtigt og nøjagtigt uden at skulle skrive nogen kode. Denne proces træner dyb læring-modeller, der er i stand til at klassificere og generere nye tekster nøjagtigt.

Hvordan tilbyder Pienso tilpasning i AI-modeludvikling for at imødekomme de specifikke behov for forskellige organisationer?

Vi er overbeviste om, at ingen model kan løse alle problemer for alle virksomheder. Vi må være i stand til at bygge og træne brugertilpassede modeller, hvis vi ønsker, at AI skal forstå nuancerne i hver specifik virksomhed og brugs tilfælde. Derfor gør Pienso det muligt at træne modeller direkte på en organisations eget data. Dette lettet bekymringer omkring privatlivets beskyttelse ved brug af grundlæggende modeller og kan også levere mere præcise indsigt.

Pienso integrerer også med eksisterende virksomhedssystemer gennem API’er, hvilket tillader, at resultater fra slutledning kan leveres i forskellige formater. Pienso kan også fungere uden at afhænge af tredjeparts-tjenester eller API’er, hvilket betyder, at data aldrig behøver at blive overført uden for en sikker omgang. Det kan implementeres på større cloud-leverandører samt på stedet, hvilket gør det til en ideel løsning for brancher, der kræver stærke sikkerheds- og overholdelsespraksis, såsom regeringsagenturer eller finans.

Hvordan ser du platformen udvikle sig i de næste par år?

I de næste par år vil Pienso fortsætte med at udvikle sig ved at fokusere på endnu større skalerbarhed og effektivitet. Da efterspørgslen efter høj-volumen tekst-analyse vokser, vil vi forbedre vores evne til at håndtere større datasets med hurtigere slutledningstider og mere kompleks analyse. Vi er også dedikeret til at reducere omkostningerne forbundet med at skalerer store sprogmodeller, så virksomheder får værdi uden at gå på kompromis med hastighed eller præcision.

Vi vil også presse yderligere på for at demokratisere AI. Pienso er allerede en no-code/low-code-platform, men vi forestiller os at udvide tilgængeligheden af vores værktøjer endnu mere. Vi vil kontinuerligt forfine vores grænseflade, så en bredere række af brugere, fra forretningsanalytikere til tekniske hold, kan fortsætte med at træne, finjustere og implementere modeller uden at skulle have dyb teknisk ekspertise.

Da vi arbejder med flere kunder på tværs af forskellige brancher, vil Pienso tilpasse sig for at tilbyde mere tilpassede løsninger. Uanset om det er finans, sundhedspleje eller regering, vil vores platform udvikle sig for at inkorporere branch-specifikke skabeloner og moduler for at hjælpe brugere med at finjustere deres modeller mere effektivt til deres specifikke brugs tilfælde.

Pienso vil blive endnu mere integreret i den bredere AI-økosystem, arbejdende sammen med løsninger og værktøjer fra større cloud-leverandører og på stedet. Vi vil fokusere på at bygge stærkere integrationer med andre data-platforme og værktøjer, muliggørende en mere samlet AI-arbejdsgang, der passer ind i eksisterende virksomhedsteknologistakke.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Pienso.