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-neuronales Algorithmus oder AutoML-Produkt auf dem Markt. Es macht künstliche Intelligenz (KI) für jeden zugänglich.

Was hat Sie ursprünglich zur Maschinenlernen und Datenwissenschaft hingezogen?

Aus persönlicher Sicht war ich immer von den Möglichkeiten fasziniert, die ML/Datenwissenschaft bieten können, wie z.B. Smart Cities – Connected Cars und jetzt, was TinyML auch bieten kann. Jetzt, mit der Demokratisierung von KI, sehen wir buchstäblich ML überall.

Können Sie die Entstehungsgeschichte hinter Neuton teilen?

Wir entschieden uns, die Reise zu beginnen, um KI für “jeden” zugänglich zu machen, nach vielen Jahren, in denen wir aus einer Maschinenlernperspektive an zahlreichen Projekten gearbeitet haben. Während dieser Zeit identifizierten wir eine Reihe von Barrieren, die das exponentielle Wachstum begrenzten. Um KI also wirklich für jeden zugänglich zu machen… mussten wir einige der technischen Barrieren angehen, die es gab…. Die Anforderungen an große Datenmengen, um das Training durchzuführen… Eine automatisierte SaaS-Lösung, um die Notwendigkeit technischer Expertise zu eliminieren…. Dann schließlich unsere Plattform kostenlos anzubieten, um die letzte Barriere zu beseitigen.

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

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

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

TinyML erfordert typischerweise eine enorme Menge an Kapital aus ressourcenbezogener Sicht. HW, Embedded-Engineers, Machine-Learning-Engineer, Software-Entwickler für die Integration…. Eines der Gebiete, 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 vorherigen Struktur, die inhärenten Abfall enthält. Darüber hinaus ist das Erstellen eines Modells oft ein sehr iterativer Prozess, der dann, wenn das Modell erstellt ist, optimiert werden muss, bevor es integriert werden kann. Dies nenne ich einen Top-Down-Ansatz. Mit Neuton drehen wir dieses Paradigma vollständig auf den Kopf, da wir jedes Modell von unten nach oben, Neuron für Neuron, erstellen und damit den inhärenten Abfall, der bei anderen Frameworks auftritt, effektiv eliminieren. Dies bedeutet, dass die Netzwerkstruktur nicht vordefiniert ist, sondern während des Trainings aus einem einzelnen Neuron gewachsen ist. Wir kombinieren diesen Ansatz mit konstanter Kreuzvalidierung, während 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 keine Backpropagation oder stochastischen Gradientenabstieg, was war der Grund für die Vermeidung dieser beliebten 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 Machine-Learning-Ansätzen?

In allen wichtigen Metriken wie Zeit bis zur Modellerstellung, Genauigkeit, Modellgröße und Zeit bis zum Markteintritt. Wir sehen konsistent, dass wir andere Frameworks und Plattformen überbieten…. Normalerweise sehen wir, dass unsere Modelle oft 1000-mal kleiner sind, mit einer reduzierten Zeit bis zum Markteintritt von über 70%. Schließlich ist unser Explainability-Office in puncto Transparenz unserer Modelle und jeder einzelnen Vorhersage unübertroffen.

Können Sie einige Details zu AI-Explainability, die die Neuton-Plattform bietet, liefern?

Unser Explainability-Office kommt in mehreren Formen. Zunächst mit unserem EDA-Tool (Exploratory Data Analysis), das einen ersten Blick auf die Statistik Ihrer Daten vor dem Training 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 die nächste Ebene der 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 einen Lebenszyklus-Management-Tool (Model-To-Data-Relevance-Indicator) an, 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, zu realisieren. Ob es darum geht, den Nicht-Datenwissenschaftler zu ermöglichen oder den erfahrenen Datenwissenschaftler zu befähigen, indem wir eine Zero-Code-SaaS-Lösung 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.