Birago Jones, Co-Founder og CEO af Pienso – Interview Serie

Birago Jones er CEO og Co-Founder af Pienso, en no-code/low-code platform for virksomheder til at træne og implementere AI-modeller uden behov for avanceret datavidenskab eller programmeringsevner. I dag inkluderer Biragos kunder den amerikanske regering og Sky, den største udsender i Storbritannien. Pienso er baseret på Biragos forskning fra Massachusetts Institute of Technology (MIT), hvor han og hans co-founder 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 læringsinterface 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 med 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 haptisk digital blindskriftlæser med en smartphone og et indendørs vejvisningssystem (digital kødske). Jeg troede, at AI kunne forbedre og støtte disse bestræbelser.

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

Min co-founder 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 flagre mobningindhold. Værktøjet fik stor opmærksomhed, og vi blev endda inviteret til Det Hvide Hus for at demonstrere teknologien under en cybermobningstoppmøde.

Der var bare ét 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 finde en løsning, 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: fageksperter, ikke AI-ingeniører som os, skulle kunne give input på modellens træningsdata. Vi udviklede point-and-click-værktøjer, der tillod 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. Med denne teknologi arbejdede vi med organisationer som MTV og Brigham and Women’s Hospital.

Kan du dele historien om, hvordan Pienso blev spunnet ud af MIT til sin egen virksomhed?

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

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

Pienso eliminerer barriererne for “MLOps” – datarensning, datamærkning, modeltræning og -implementering. Vores platform anvender en semi-overvåget maskinelæringsmetode, der tillader brugere at starte med umærket 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 læringmodeller, der er i stand til at klassificere og generere ny tekst nøjagtigt.

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

Vi er overbeviste om, at ingen model kan løse alle problemer for alle virksomheder. Vi skal kunne bygge og træne brugerdefinerede modeller, hvis vi vil have, at AI skal forstå nuancerne i hver enkelt virksomhed og brugssag. Det er derfor, Pienso gør det muligt at træne modeller direkte på en virksomheds egen data. Dette lettet bekymringer omkring brug af grundlæggende modeller og kan også levere mere præcise indsigt.

Pienso integrerer også med eksisterende virksomhedssystemer via API’er, hvilket tillader, at resultater fra slutledning kan leveres i forskellige formater. Pienso kan også fungere uden at afhænge af tredjepartstjenester eller API’er, hvilket betyder, at data aldrig behøver at overføres uden for en sikker omgang. Det kan implementeres på store cloud-udbydere såvel som på stedet, hvilket gør det til en ideal løsning for brancher, der kræver stærk sikkerhed og overholdelse af regler, såsom regeringsagenturer eller finans.

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

I de næste få år vil Pienso fortsætte med at udvikle sig ved at fokusere på endnu større skalerbarhed og effektivitet. Da efterspørgslen efter højvolumen tekstanalyse vokser, vil vi forbedre vores evne til at håndtere større datasæt 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, justere og implementere modeller uden at skulle have dyb teknisk ekspertise.

Da vi arbejder med flere kunder på tværs af diverse 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 branche-specifikke skabeloner og moduler for at hjælpe brugere med at finjustere deres modeller mere effektivt til deres specifikke brugssager.

Pienso vil blive endnu mere integreret i den bredere AI-økosystem, og vil samarbejde nært med løsninger/værktøjer fra de største cloud-udbydere og på stedet. Vi vil fokusere på at bygge stærkere integrationer med andre data-platforme og -værktøjer, hvilket muliggør en mere samlet AI-arbejdsgang, der passer ind i eksisterende virksomheds-teknologi-stacks.

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