Ετιέν Μπερνάρ, Συνιδρυτής & Διευθύνων Σύμβουλος της NuMind – Σειρά Συνεντεύξεων

Ο Ετιέν Μπερνάρ, είναι ο Συνιδρυτής & Διευθύνων Σύμβουλος της NuMind μια εταιρεία λογισμικού που ιδρύθηκε τον Ιούνιο του 2022 και ειδικεύεται στην ανάπτυξη εργαλείων μηχανικής μάθησης. Ο Ετιέν είναι εμπειρος στον τομέα της τεχνητής νοημοσύνης και της μηχανικής μάθησης. Μετά το διδακτορικό του (ENS) και το μεταδιδακτορικό του (MIT) στη στατιστική φυσική, ο Ετιέν εντάχθηκε στην εταιρεία Wolfram Research, όπου έγινε ο επικεφαλής της μηχανικής μάθησης για 7 χρόνια. Κατά τη διάρκεια αυτής της περιόδου, ο Ετιέν ηγήθηκε της ανάπτυξης αυτόματων εργαλείων μάθησης, ενός φιλικού προς τον χρήστη πλαισίου βαθιάς μάθησης και διάφορων εφαρμογών μηχανικής μάθησης.

Τι σας έκανε να ενδιαφερθείτε αρχικά για τη μηχανική μάθηση;

Η πρώτη φορά που άκουσα τον όρο «μηχανική μάθηση» ήταν το 2009, νομίζω, χάρη στο βραβείο της Netflix. Βρήκα την ιδέα ότι οι μηχανές μπορούν να μάθουν fascinující και ισχυρή. Ήταν ήδη σαφές ότι αυτό θα οδηγούσε σε πολλές σημαντικές εφαρμογές – συμπεριλαμβανομένης της ενθουσιώδους δυνατότητας δημιουργίας τεχνητής νοημοσύνης. Αποφάσισα αμέσως να το διερευνήσω και δεν γύρισα πίσω.

Μετά το διδακτορικό σας (ENS) και το μεταδιδακτορικό σας (MIT) στη στατιστική φυσική, εντάχθητε στην εταιρεία Wolfram Research, όπου έγινε ο επικεφαλής της μηχανικής μάθησης για 7 χρόνια. Ποια ήταν κάποια από τα πιο ενδιαφέροντα προγράμματα που εργάστηκα;

Το αγαπημένο μου είδος προγραμμάτων στην Wolfram ήταν η ανάπτυξη αυτόματων συναρτήσεων μηχανικής μάθησης για τη γλώσσα Wolfram (γνωστή και ως Mathematica). Το πρώτο ήταν το Classify, όπου σας δίνετε τα δεδομένα και επιστρέφει einen ταξινομητή. Για μένα, η μηχανική μάθηση έχει πάντα να κάνει με την αυτοματοποίηση. Δεν ρυθμίζετε τις υπερπαράμετρους του ανθρώπινου μαθητή σας και δεν πρέπει να το κάνετε ούτε για την μηχανή σας! Ήταν assez προκλητικό από επιστημονική και λογιστική πλευρά να δημιουργηθούν πραγματικά robust και αποτελεσματικά αυτόματα συναρτήσεων μηχανικής μάθησης.

Η δημιουργία ενός πλαισίου υψηλού επιπέδου για νευρωνικά δίκτυα ήταν επίσης ένα πολύ ενδιαφέρον πρόγραμμα. Πολλές δύσκολες αποφάσεις σχεδιασμού σχετικά με το πώς να αντιπροσωπεύουν νευρωνικά δίκτυα συμβολικά, πώς να τα οπτικοποιήσουν και πώς να τα χειριστούν (δηλαδή να μπορούν να κόψουν κάποια κομμάτια, να κολλήσουν άλλα μαζί, να αντικαταστήσουν στρώματα κ.λπ.). Νομίζω ότι κάναμε μια αξιοπρεπή δουλειά, και αν ήταν ανοικτό λογισμικό, είμαι σίγουρος ότι θα χρησιμοποιούνταν πολύ 😉

Κατά τη διάρκεια αυτής της περιόδου, έγραψα επίσης ένα σεμινάλ βιβλίο με τίτλο «Εισαγωγή στη Μηχανική Μάθηση», ποια ήταν κάποια από τα προβλήματα πίσω από τη συγγραφή ενός τόσο綜合 βιβλίου;

Ω, υπήρχαν πολλά! Πήρε δύο χρόνια συνολικά να γράψω. Θα μπορούσα να αποφασίσω να γράψω ένα «πώς να» βιβλίο, το οποίο θα ήταν ευκολότερο, αλλά μέρος του ταξιδιού μου στη Wolfram ήταν η μάθηση της μηχανικής μάθησης, και ένιωσα την ανάγκη να μεταφέρω这一點. Το κύριο πρόβλημα ήταν να καθορίσω τι να μιλήσω ακριβώς, και σε ποια σειρά, για να το κάνω ενδιαφέρον και εύκολο να κατανοηθεί. Τότε υπήρχε το pedagogical λεπτομέρειες: πρέπει να χρησιμοποιήσω eine μαθηματική формуλή για这一 концепτό; Ή κάποιο κώδικα; Ή απλά μια οπτικοποίηση; Ήθελα να κάνω αυτό το βιβλίο όσο το δυνατόν πιο προσιτό και αυτό με έκανε να πονάω πολύ. Συνολικά είμαι ευχαριστημένος με το αποτέλεσμα. Ελπίζω ότι θα είναι χρήσιμο σε πολλούς!

Μπορείτε να μοιραστείτε την ιστορία πίσω από τη NuMind;

Εντάξει. Ήθελα να δημιουργήσω μια εταιρεία για κάποιο χρόνο, αρχικά το 2012 για να δημιουργήσω ένα αυτόματο εργαλείο μηχανικής μάθησης, αλλά η δουλειά στη Wolfram ήταν πολύ διασκεδαστική. Τότε γύρω στο 2019-2020, τα πρώτα μεγάλα μοντέλα γλωσσών (LLMs) άρχισαν να εμφανίζονται, όπως το GPT-2 και το GPT-3. Ήταν ένα σοκ για μένα πόσο καλά μπορούσαν να κατανοήσουν και να δημιουργήσουν κείμενο. Ταυτόχρονα, μπορούσα να δω πόσο đauστό ήταν να δημιουργηθούν μοντέλα NLP: χρειαζόταν να αντιμετωπίσω μια ομάδα ανακοίνωσης, να έχω εμπειρογνώμονες που τρέχουν πολλά πειράματα κ.λπ. Σκέφτηκα ότι πρέπει να υπάρχει ένας τρόπος να χρησιμοποιηθούν αυτά τα LLMs μέσω eines εργαλείου για να βελτιώσουν δραματικά την εμπειρία δημιουργίας μοντέλων NLP. Ο συνιδρυτής μου, Σαμουέλ (ο οποίος happens να είναι ο ξάδερφός μου), μοιράστηκε την ίδια όραση, και έτσι αποφασίσαμε να δημιουργήσουμε αυτό το εργαλείο.

Ο στόχος της NuMind είναι να εξαπλώσει τη χρήση της μηχανικής μάθησης – και της τεχνητής νοημοσύνης γενικά – δημιουργώντας απλά αλλά ισχυρά εργαλεία. Ποια είναι κάποια από τα εργαλεία που είναι διαθέσιμα αυτή τη στιγμή;

Ναι. Το πρώτο μας εργαλείο είναι για τη δημιουργία προσαρμοσμένων μοντέλων NLP. Για παράδειγμα, ας πούμε ότι θέλετε να αναλύσετε τη στάση των χρηστών σας από τις ανατροφοδοτήσεις τους. Η χρήση eines off-the-shelf μοντέλου είναι γενικά δεν είναι καλό, επειδή έχει εκπαιδευτεί σε διαφορετικά δεδομένα και για một slightly διαφορετική εργασία (οι εργασίες ανάλυσης στάσεων είναι आश्चρηστά διαφορετικές μεταξύ τους!). Αντίθετα, θέλετε να εκπαιδεύσετε ένα προσαρμοσμένο μοντέλο που λειτουργεί καλά στα δεδομένα σας. Το εργαλείο μας επιτρέπει να κάνετε ακριβώς αυτό, με έναν εξαιρετικά απλό και αποτελεσματικό τρόπο. Βασικά, φορτώνετε τα δεδομένα σας, εκτελείτε μια μικρή ποσότητα ανακοίνωσης και λαμβάνετε ένα μοντέλο που μπορείτε να αναπτύξετε μέσω eines API. Αυτό είναι δυνατό χάρη στη χρήση LLMs, αλλά και σε这一 νέο παράδειγμα μάθησης που ονομάζουμε Interactive AI Development.

Τι είναι κάποια από τα προσαρμοσμένα μοντέλα που βλέπετε να αναπτύσσονται από τους πρώτους πελάτες της NuMind;

Υπήρξαν κάποια αναλυτές στάσεων. Για παράδειγμα, ένας πελάτης μας παρακολουθεί τη στάση των ομαδικών συζητήσεων όπου οι άνθρωποι βοηθούν ο ένας τον άλλον να καταπολεμήσουν τις εθιστικές τους τάσεις. Αυτή η ανάλυση χρειάζεται για να παρέμβει στην περίπτωση που η στάση είναι σε πτώση. Ένας άλλος πελάτης μας χρησιμοποιεί για να βρει ποια εργασίες είναι οι καλύτερες για ένα δεδομένο βιογραφικό. Νομίζω ότι υπάρχει πολύ δυναμική σε αυτά τα είδη matchmaking AIs. Έχουμε επίσης πελάτες που εξάγουν πληροφορίες από ιατρικά και νομικά έγγραφα.

Πόσο χρόνο μπορεί να εξοικονομήσουν οι εταιρείες χρησιμοποιώντας τα εργαλεία της NuMind;

Εξαρτάται φυσικά από την εφαρμογή, αλλά σε σύγκριση με τις παραδοσιακές λύσεις (αντιγραφή δεδομένων και εκπαίδευση μοντέλου ξεχωριστά), βλέπουμε μέχρι και 10 φορές βελτίωση της ταχύτητας για να λάβουμε ένα μοντέλο και να το τοποθετήσουμε σε παραγωγή. Περιμένω ότι αυτό το νούμερο θα βελτιωθεί καθώς συνεχίζουμε να αναπτύσσουμε το προϊόν. Τελικά, πιστεύω ότι προγράμματα που θα είχαν πάρει μήνες θα ολοκληρωθούν σε ημέρες και με καλύτερη απόδοση.

Μπορείτε να εξηγήσετε πώς λειτουργεί η Interactive AI Development της NuMind;

Η ιδέα της Interactive AI Development προέρχεται από το πώς οι άνθρωποι διδάσκουν ο ένας τον άλλον. Για παράδειγμα, ας πούμε ότι雇είτε έναν стажητή για να ταξινομήσει τα email σας. Θα σας εξηγήσετε την εργασία και το σκοπό της. Τότε μπορείτε να του δώσετε κάποια καλά παραδείγματα, κάποια περιπτώσεις vielleicht. Τότε ο стажητής σας θα αρχίσει να ταξινομήσει τα email και μια συζήτηση θα αρχίσει. Ο стажητής σας θα επιστρέψει με ερωτήσεις όπως «Πώς πρέπει να ταξινομήσω αυτό;» ή «Νομίζω ότι πρέπει να δημιουργήσουμε einen νέο ταξινομητή για αυτό» ή ακόμη και να σας ρωτήσει «γιατί» πρέπει να ταξινομήσουμε με έναν bestimmten τρόπο. Αντίστοιχα, μπορείτε να του κάνετε ερωτήσεις για να αναγνωρίσετε και να διορθώσετε τα κενά γνώσεων του. Αυτός ο τρόπος διδασκαλίας είναι πολύ φυσικός και εξαιρετικά αποτελεσματικός σε όρους ανταλλαγής πληροφοριών. Προσπαθούμε να μιμηθούμε αυτή τη ροή για να διδάξουμε τις μηχανές.

Σε τεχνικούς όρους, αυτή η ροή είναι μια χαμηλής καθυστέρησης, υψηλής ταχύτητας, πολυμορφική και διμελής επικοινωνία μεταξύ του ανθρώπου και της μηχανής, και αποφασίσαμε να την ονομάσουμε Interactive AI Development για να τονίσουμε τις διμελείς και χαμηλής καθυστέρησης πτυχές. Το βλέπω ως einen τρίτο παράδειγμα για να διδάξουμε τις μηχανές, μετά το κλασικό προγραμματισμό και το κλασικό machine learning (όπου σας δίνετε μια ποσότητα παραδειγμάτων της εργασίας για τον υπολογιστή να καταλάβει τι να κάνει).

Αυτό το νέο παράδειγμα είναι ανοικτό από τα LLMs. Πράγματι, χρειάζεστε να έχετε κάτι που είναι ήδη κάπως έξυπνο στη μηχανή για να μπορέσετε να互одействήσετε μαζί της αποτελεσματικά. Πιστεύω ότι αυτό το παράδειγμα θα γίνει κοινό στην κοντινή Zukunft, και ήδη βλέπουμε στιγμές του με τα chat-μπάσει LLMs και με το εργαλείο μας φυσικά.

Εφαρμόζουμε αυτό το παράδειγμα για να διδάξουμε εργασίες NLP, αλλά αυτό μπορεί – και θα – χρησιμοποιηθεί για πολύ περισσότερα, συμπεριλαμβανομένης της ανάπτυξης λογισμικού.

Υπάρχει κάτι άλλο που θα ήθελε να μοιραστείτε σχετικά με τη NuMind;

Ίσως ότι είναι ένα εργαλείο που μπορεί να χρησιμοποιηθεί τόσο από εμπειρογνώμονες όσο και από μη εμπειρογνώμονες στη μηχανική μάθηση, ότι είναι πολυγλωσσικό, ότι κατέχετε τα μοντέλα σας, και ότι τα δεδομένα μπορούν να παραμείνουν στη μηχανή σας!

Αλλιώς, βρισκόμαστε σε μια ιδιωτική φάση beta, οπότε αν έχετε κάποια ανάγκη NLP, θα ήμασταν χαρούμενοι να μιλήσουμε και να δούμε αν/πώς μπορούμε να σας βοηθήσουμε!

Ευχαριστώ πολύ για τη μεγάλη συνέντευξη, οι αναγνώστες που θέλουν να μάθουν περισσότερα πρέπει να επισκεφθούν NuMind.