Blair Newman, CTO von Neuton – Interview-Serie

Blair Newman ist der CTO von Neuton, einem disruptiven Neural Network Framework und einer automatisierten Machine Learning (AutoML)-Lösung, die effektiver ist als jedes andere Framework, nicht-neuronale Algorithmen oder AutoML-Produkte auf dem Markt. Es macht künstliche Intelligenz (KI) für jeden zugänglich.

Was hat Sie ursprünglich zum Maschinellen Lernen und zur Datenwissenschaft hingezogen?

Aus persönlicher Sicht bin ich immer von den Möglichkeiten fasziniert gewesen, die ML/Datenwissenschaft bieten können, wie z. B. intelligente Städte, vernetzte Autos und jetzt auch TinyML. Mit der Demokratisierung von KI sehen wir buchstäblich ML überall.

Können Sie die Entstehungsgeschichte hinter Neuton teilen?

Wir beschlossen, die Reise zu beginnen, um KI für “jeden” zugänglich zu machen, nach vielen Jahren, in denen wir aus der Perspektive des Maschinellen Lernens multiple Projekte durchgeführt hatten. Während dieser Zeit identifizierten wir eine Reihe von Barrieren, die das exponentielle Wachstum behinderten. Um KI also wirklich für jeden zugänglich zu machen, mussten wir einige der technischen Barrieren angehen, die es gab… Die Anforderungen an große Mengen an Daten für die Ausbildung… Eine automatisierte SaaS-Lösung, um die Notwendigkeit technischer Expertise zu eliminieren… Und schließlich unsere Plattform kostenlos anzubieten, um die letzte Barriere zu beseitigen.

Für Leser, die mit dieser Terminologie möglicherweise nicht vertraut sind, können Sie bitte definieren, was TinyML ist?

Ich bevorzuge es normalerweise, es einfach zu halten… Die physische Welt trifft auf die digitale Welt… Und wo diese beiden Entitäten sich kreuzen… ist die Welt von TinyML… TinyML bringt Intelligenz direkt an diesen Rand.

Was verhindert die Beschleunigung von TinyML in der KI-Gemeinschaft?

TinyML erfordert normalerweise enorme Kapazitäten von einem Ressourcenstandpunkt aus. HW, Embedded-Engineer, Maschinelles Lernen-Engineer, Software-Entwickler für die Integration… Einer der Bereiche, in denen wir hervorragend sind, ist, dass wir diese Anforderungen erheblich reduzieren.

Wie erstellt Neuton kompakte Modelle, ohne die Genauigkeit zu beeinträchtigen?

Die traditionellen und besser bekannten Frameworks (z. B. TensorFlow) beginnen mit einer vordefinierten Struktur, die inhärenten Abfall beinhaltet. Darüber hinaus ist das Erstellen eines Modells oft ein sehr iterativer Prozess, der, sobald das Modell erstellt ist, vor der Integration optimiert werden muss. Dies nenne ich einen Top-Down-Ansatz. Bei Neuton drehen wir dieses Paradigma vollständig auf den Kopf, indem wir jedes Modell von unten nach oben, Neuron für Neuron, aufbauen und den inhärenten Abfall, der bei anderen Frameworks auftritt, effektiv eliminieren. Dies bedeutet, dass die Netzwerkstruktur nicht vordefiniert ist, sondern während der Ausbildung von einem einzelnen Neuron wächst. Wir kombinieren diesen Ansatz mit konstanter Kreuzvalidierung, wenn jedes Neuron auf das resultierende Modell angewendet wird. Das endgültige Modell ist also immer zweckgebunden, ohne Abfall und genau, wenn es abgeschlossen ist.

Neuton verwendet weder Backpropagation noch stochastischen Gradientenabstieg, was war die Begründung für die Vermeidung dieser gängigen Methoden?

Unsere patentierte Methode verwendet eine globale Optimierungsmethode, die effektiv die Notwendigkeit, diese Methoden anzuwenden, eliminiert.

Wie viel effizienter ist die Neuton-Lösung im Vergleich zu herkömmlichen maschinellen Lernansätzen?

In allen wichtigen Metriken wie Zeit bis zur Modellerstellung, Genauigkeit, Modellgröße und Zeit bis zur Markteinführung sehen wir konsistent, dass wir andere Frameworks und Plattformen überbieten… Normalerweise sehen wir, dass unsere Modelle etwa 1000-mal kleiner sind und die Zeit bis zur Markteinführung um über 70 % reduziert ist. Schließlich bietet unser Explainability Office eine vollständige Transparenz für unsere Modelle und jede einzelne Vorhersage.

Können Sie einige Details zu AI-Erklärbarkeit anbieten, die die Neuton-Plattform bietet?

Unser Explainability Office ist in mehreren Formen verfügbar. Beginnend mit unserem EDA-Tool (Exploratory Data Analysis), das einen ersten Überblick über die Statistik Ihrer Daten vor der Ausbildung bietet. Von dort aus ermöglicht unser Feature Importance Matrix unseren Kunden, die Top-10-Funktionen zu identifizieren, die ihre Vorhersagen beeinflussen, und auch die unteren 10 Funktionen, die minimalen Einfluss auf Ihre Vorhersagen haben. Von dort aus bieten wir unseren Kunden ein nächstes Level an Transparenz für ihre resultierenden Modelle, da sie jede Vorhersage individuell analysieren können, um zu sehen, wie ihre Vorhersage sich ändern würde, wenn der Wert einer bestimmten Funktion geändert wird. Schließlich bieten wir ein Lebenszyklus-Management-Tool (Modell-zu-Daten-Relevanz-Indikator), das unsere Kunden proaktiv benachrichtigt, wenn ihr Modell beginnt, zu veralten, und ihr Modell neu trainiert werden muss.

Gibt es noch etwas, das Sie über Neuton teilen möchten?

Unsere Mission bei Neuton ist es, buchstäblich KI für jeden zugänglich zu machen. Wir glauben, dass wir erfolgreich darin waren, diese Möglichkeiten zu beginnen. Ob es darum geht, den Nicht-Datenwissenschaftler zu ermöglichen oder den erfahrenen Datenwissenschaftler zu befähigen, indem wir eine Zero-Code-SaaS-Basislösung bereitstellen. Jetzt, mit der Beschleunigung von TinyML, sind wir gut auf dem Weg, KI wirklich zu demokratisieren.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Neuton besuchen: Neuton.