Blair Newman, CTO of Neuton – Intervieuserie

Blair Newman er CTO i Neuton, et disruptivt Neural Network Framework og Automated Machine Learning (AutoML)-løsning, der er langt mere effektiv end nogen anden ramme, ikke-neuralt algoritme eller AutoML-produkt, der er tilgængelig på markedet. Det gør Kunstig Intelligens (AI) tilgængelig for alle.

Hvad var det, der oprindeligt tiltrak dig til maskinlæring og datavidenskab?

Set fra en personlig synsvinkel har jeg altid været fascineret af de muligheder, som ML/Datavidenskab kan tilbyde, såsom – Fra Smarte Byer – Tilkoblede Biler og nu, hvad TinyML også kan tilbyde. Nu, med demokratiseringen af AI, ser vi bogstaveligt talt ML Overalt.

Kan du dele historien bag Neuton?

Vi besluttede at påbegynde rejsen med at gøre AI tilgængelig for “alle” efter mange års udførelse af flere projekter fra et maskinlæringsperspektiv. Under denne periode identificerede vi en række forskellige barrierer, der begrænsede eksponentiel vækst. For at gøre ML tilgængelig for alle … måtte vi adressere nogle af de tekniske barrierer, der eksisterede …. Kravene om betydelige mængder data til træning … En automatiseret SaaS-løsning for at eliminere behovet for teknisk ekspertise …. Herefter gjorde vi vores platform tilgængelig gratis for at fjerne den sidste barriere.

For læsere, der måske ikke er bekendt med denne terminologi, kan du definere, hvad TinyML er?

Jeg holder normalt af at holde det simpelt …. Den fysiske verden møder den digitale verden …. Og hvor disse to enheder mødes … er verden af TinyML …. TinyML bringer intelligens lige ved kanten.

Hvad forhindrer accelerationen af TinyML i AI-fællesskabet?

TinyML kræver typisk en enorm kapital fra et ressourceperspektiv. HW, indlejrede ingeniører, maskinlæringsingeniør, softwareudviklere til integration …. En af områderne, hvor vi excellerer, er, at vi reducerer disse krav betydeligt.

Hvordan skaber Neuton kompakte modeller uden at gå på kompromis med nøjagtigheden?

De traditionelle og mere kendte rammer (f.eks. TensorFlow) starter med en forhåndenværende struktur, der indeholder spild. Desuden er opbygning af en model ofte en meget iterativ proces, som derefter, når modellen er bygget, må optimeres før integration. Dette kalder jeg en top-down-tilgang. Med Neuton vender vi denne paradigme helt på hovedet, da vi bygger hver model fra bunden og op, en neuron ad gangen, og effektivt eliminerer det indbyggede spild, der opleves med andre rammer. Dette sagt – netværksstrukturen er ikke foruddefineret, men vokser fra en enkelt neuron under træning. Vi kombinerer denne tilgang med konstant krydskvalifikation, da hver neuron anvendes på den resulterende model. Sådan er den endelige model altid bygget til formålet, uden spild og nøjagtig ved afslutning.

Neuton bruger ikke backpropagation eller stokastisk gradientafstigning, hvad var årsagen til, at I undgik disse populære metoder?

Vores patenterede tilgang bruger en global optimeringsmetode, der effektivt eliminerer behovet for at anvende disse metoder.

Hvor meget mere effektiv er Neuton-løsningen i forhold til traditionelle maskinlæringsmetoder?

På alle nøgleparametre som tid til modeloprettelse, nøjagtighed, modelstørrelse og herefter tid til marked. Vi ser konsekvent, at vi overgår andre rammer og platforme …. Normalt oplever vi, at vores modeller ofte er 1000 gange mindre med en reduceret tid til marked på over 70%. Endelig er vores forklaringskontor det bedste i branche til at give fuld gennemsigtighed til vores modeller samt hver enkelt forudsigelse.

Kan du give nogle detaljer om AI-forklaringsmuligheder, som Neuton-platformen tilbyder?

Vores forklaringskontor kommer i multiple former. Først og fremmest vores EDA (Exploratory Data Analysis)-værktøj, der giver en initial visning af statistikken for jeres data før træning. Herefter giver vores Feature Importance Matrix vores kunder mulighed for at identificere, hvilke de top 10 funktioner er, der påvirker jeres forudsigelser, og hvilke de bottom 10 funktioner er, der har minimal indvirkning på jeres forudsigelser. Herefter tilbyder vi vores kunder næste niveau af gennemsigtighed til deres resulterende modeller, da de kan analysere hver forudsigelse individuelt for at se, hvordan deres forudsigelse kan ændre sig, hvis værdien af en given funktion ændres. Endelig giver vi en livscyklusmanagementværktøj (Model-To-Data-Relevance Indicator), der proaktivt underretter vores kunder, når deres model er begyndt at forfalle, og deres model har brug for at blive genoptrænet.

Er der noget andet, du gerne vil dele om Neuton?

Vores mission her på Neuton er at bringe AI til alle. Vi mener, vi har været succesfulde i at begynde at realisere disse muligheder. Enten det er at aktivere ikke-Data Scientist eller at styrke de erfarne Data Scientists ved at tilbyde en Zero Code SaaS-baseret løsning. Nu, med accelerationen af TinyML, er vi godt på vej til at demokratisere AI.

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