Etienne Bernard, Co-Founder & CEO of NuMind – Interview Series

Etienne Bernard, ist der Co-Founder & CEO von NuMind einem Softwareunternehmen, das im Juni 2022 gegründet wurde und sich auf die Entwicklung von Machine-Learning-Tools spezialisiert hat. Etienne ist ein Experte in AI & Machine Learning. Nach einem PhD (ENS) & Postdoc (MIT) in statistischer Physik, trat Etienne Wolfram Research bei, wo er zum Leiter des Machine Learning für 7 Jahre wurde. Während dieser Zeit leitete Etienne die Entwicklung von automatischen Lernalgorithmen, einer benutzerfreundlichen Deep-Learning-Framework und verschiedenen Machine-Learning-Anwendungen.

Was hat Sie ursprünglich zum Machine Learning hingezogen?

Das erste Mal, als ich den Begriff “Machine Learning” hörte, war 2009, glaube ich, dank des Netflix-Preises. Ich fand die Idee, dass Maschinen lernen können, faszinierend und leistungsfähig. Es war bereits klar für mich, dass dies zu vielen wichtigen Anwendungen führen würde – einschließlich der spannenden Möglichkeit, künstliche Intelligenz zu schaffen. Ich entschied mich sofort, mich damit zu beschäftigen, und kehrte nie zurück.

Nachdem Sie einen PhD (ENS) & Postdoc (MIT) in statistischer Physik abgeschlossen hatten, traten Sie Wolfram Research bei, wo Sie zum Leiter des Machine Learning für 7 Jahre wurden. Welche waren einige der interessanteren Projekte, an denen Sie gearbeitet haben?

Mein Lieblingsprojekt bei Wolfram war die Entwicklung automatischer Machine-Learning-Funktionen für die Wolfram Language (a.k.a. Mathematica). Das erste war Classify, bei dem Sie einfach die Daten angeben und es einen Klassifizierer zurückgibt. Für mich war Machine Learning immer schon automatisch. Sie stellen die Hyperparameter Ihres menschlichen Schülers nicht ein, und Sie sollten es auch nicht für Ihre Maschine tun! Es war sehr herausfordernd von wissenschaftlicher und softwaretechnischer Seite, wirklich robuste und effiziente automatische Machine-Learning-Funktionen zu erstellen.

Die Erstellung eines High-Level-Neural-Network-Frameworks war auch ein sehr interessantes Projekt. Viele schwierige Designentscheidungen darüber, wie man neuronale Netze symbolisch darstellt, wie man sie visualisiert und wie man sie manipuliert (d.h. in der Lage ist, einige Teile zu schneiden, andere zusammenzufügen, Schichten zu ersetzen usw.). Ich denke, wir haben es ganz gut gemacht, und wenn es Open Source wäre, bin ich sicher, dass es stark genutzt würde 😉

Während dieser Zeit haben Sie auch ein grundlegendes Buch mit dem Titel “Introduction to Machine Learning” geschrieben, welche waren einige der Herausforderungen hinter der Erstellung eines so umfassenden Buches?

Oh, es gab viele! Es dauerte zwei Jahre, um es zu schreiben. Ich könnte mich entschieden haben, einfach ein “Wie-mach-ich-es”-Buch zu schreiben, was einfacher gewesen wäre, aber ein Teil meiner Reise bei Wolfram war es, Machine Learning zu lernen, und ich fühlte den Bedarf, es weiterzugeben. Also war die Hauptschwierigkeit, herauszufinden, worüber ich genau sprechen sollte und in welcher Reihenfolge, um es interessant und leicht verständlich zu machen. Dann gab es die pädagogischen Details: Sollte ich für dieses Konzept eine mathematische Formel verwenden? Oder einige Code? Oder einfach eine Visualisierung? Ich wollte dieses Buch so zugänglich wie möglich machen, und das gab mir viele Kopfschmerzen. Insgesamt bin ich mit dem Ergebnis zufrieden. Ich hoffe, es wird vielen nützlich sein!

Können Sie die Genesis-Geschichte hinter NuMind teilen?

Okay. Ich wollte schon seit längerem ein Startup gründen, ursprünglich 2012, um ein Auto-ML-Tool zu erstellen, aber die Arbeit bei Wolfram machte zu viel Spaß. Dann, um 2019-2020, erschienen die ersten großen Sprachmodelle (LLMs), wie GPT-2 und dann GPT-3. Es war ein Schock für mich, wie gut sie Text verstehen und generieren konnten. Gleichzeitig konnte ich sehen, wie schmerzhaft es war, NLP-Modelle zu erstellen: Sie mussten mit einer Annotationsteam, mit Experten, die viele Experimente durchführten, usw. arbeiten. Ich dachte, dass es einen Weg geben sollte, diese LLMs durch ein Tool zu nutzen, um die Erfahrung der Erstellung von NLP-Modellen dramatisch zu verbessern. Mein Co-Founder, Samuel (der zufällig mein Cousin ist), teilte die gleiche Vision, und so entschieden wir uns, dieses Tool zu erstellen.

Das Ziel von NuMind ist es, die Verwendung von Machine Learning – und künstlicher Intelligenz im Allgemeinen – durch die Erstellung einfacher, aber leistungsfähiger Tools zu verbreiten. Welche Tools sind derzeit verfügbar?

Ja. Unser erstes Tool ist für die Erstellung von benutzerdefinierten NLP-Modellen. Zum Beispiel sagen wir, dass Sie die Stimmung Ihrer Benutzer aus ihren Feedbacks analysieren möchten. Die Verwendung eines Standardmodells ist normalerweise nicht großartig, da es auf einer anderen Art von Daten trainiert wurde und für eine leicht andere Aufgabe (Stimmungsanalyse-Aufgaben sind überraschend unterschiedlich voneinander!). Stattdessen möchten Sie ein benutzerdefiniertes Modell trainieren, das auf Ihren Daten gut funktioniert. Unser Tool ermöglicht es Ihnen, dies auf eine extrem einfache und effiziente Weise zu tun. Im Wesentlichen laden Sie Ihre Daten, führen eine kleine Annotation durch und erhalten ein Modell, das Sie über eine API bereitstellen können. Dies ist möglich dank der Verwendung von LLMs, aber auch dieser neuen Lernparadigmen, die wir Interactive AI Development nennen.

Welche benutzerdefinierten Modelle sehen Sie derzeit bei den ersten Kunden von NuMind?

Es gab einige Stimmungsanalysatoren. Zum Beispiel überwacht ein Kunde die Stimmung von Gruppenchats, in denen Menschen sich gegenseitig helfen, ihre Sucht zu überwinden. Diese Analyse ist erforderlich, um im seltenen Fall, in dem die Stimmung abnimmt, einzugreifen. Ein anderer Kunde verwendet uns, um herauszufinden, welche Jobangebote für ein bestimmtes Lebenslauf am besten geeignet sind – und ich glaube, dass es ein großes Potenzial in diesen Arten von Matchmaking-AIs gibt. Wir haben auch Kunden, die Informationen aus medizinischen und juristischen Dokumenten extrahieren.

Wie viel Zeitersparnis können Unternehmen durch die Verwendung von NuMind-Tools sehen?

Es hängt natürlich von der Anwendung ab, aber im Vergleich zu herkömmlichen Lösungen (Daten beschriften und ein Modell separat trainieren) sehen wir bis zu 10-mal schnellere Verbesserungen, um ein Modell zu erhalten und es in Produktion zu bringen. Ich erwarte, dass diese Zahl sich verbessern wird, wenn wir das Produkt weiterentwickeln. Schließlich glaube ich, dass Projekte, die Monate gedauert hätten, in Tagen abgeschlossen werden können, und mit besserer Leistung.

Können Sie erklären, wie NuMinds Interactive AI Development funktioniert?

Die Idee der Interactive AI Development kommt von der Art und Weise, wie Menschen einander unterrichten. Zum Beispiel sagen wir, dass Sie einen Praktikanten einstellen, um Ihre E-Mails zu klassifizieren. Sie würden zunächst die Aufgabe und ihren Zweck beschreiben. Dann würden Sie vielleicht einige gute Beispiele geben, einige Randfälle vielleicht. Dann würde Ihr Praktikant beginnen, E-Mails zu beschriften, und ein Gespräch würde beginnen. Ihr Praktikant würde zurückkommen mit Fragen wie “Wie soll ich diese beschriften?” oder “Ich denke, wir sollten ein neues Label für diese erstellen” oder sogar fragen “warum” wir auf eine bestimmte Weise beschriften sollten. Ähnlich könnten Sie Fragen an Ihren Praktikanten stellen, um ihre Wissenslücken zu identifizieren und zu korrigieren. Diese Art des Unterrichtens ist sehr natürlich und extrem effizient in Bezug auf den Informationsaustausch. Wir versuchen, diesen Workflow nachzubilden, um es Menschen zu ermöglichen, Maschinen effizient zu unterrichten.

In technischer Hinsicht ist dieser Workflow eine niedrige Latenz, hohe Bandbreite, multimodale und bidirektionale Kommunikation zwischen Mensch und Maschine, und wir entschieden uns, es Interactive AI Development zu nennen, um die Bidirektionalität und Niedriglatenzaspekte zu betonen. Ich sehe dies als ein drittes Paradigma, um Maschinen zu unterrichten, nach klassischer Programmierung und klassischem Machine Learning (wo Sie einfach eine Menge Beispiele der Aufgabe für den Computer geben, um herauszufinden, was zu tun ist).

Dieses neue Paradigma wird durch LLMs freigeschaltet. Tatsächlich benötigen Sie bereits etwas, das in der Maschine intelligent ist, um effizient mit ihr zu interagieren. Ich glaube, dass dieses Paradigma in naher Zukunft allgemein üblich werden wird, und wir können bereits einen Blick darauf werfen, mit chatbasierten LLMs und mit unserem Tool.

Wir wenden dieses Paradigma auf die Erstellung von NLP-Aufgaben an, aber es kann – und wird – für viel mehr verwendet, einschließlich der Entwicklung von Software.

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

Vielleicht, dass es ein Tool ist, das sowohl von Experten als auch von Nicht-Experten im Machine Learning verwendet werden kann, dass es mehrsprachig ist, dass Sie Ihre Modelle besitzen und dass die Daten auf Ihrem Rechner bleiben können!

Ansonsten sind wir in einer privaten Beta-Phase, also wenn Sie NLP-Bedürfnisse haben, würden wir uns freuen, mit Ihnen zu sprechen und herauszufinden, ob/wie wir Ihnen helfen können!

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