Ζουζάνα Σταμιρόφσκα, Συνιδρύτρια και Διευθύντρια της Pathway – Σειρά Συνεντεύξεων

Ζουζάνα Σταμιρόφσκα, Συνιδρύτρια και Διευθύντρια της Pathway, είναι μια ερευνήτρια που έχει γίνει κατασκευαστής και έχει εργαστεί στο παρελθόν σε φαινόμενα που εμφανίζονται και την εξέλιξη μεγάλων δικτύων. Τα έργα της έχουν αναγνωριστεί από την Αμερικανική Εθνική Ακαδημία Επιστημών και κατέχει διδακτορικό τίτλο στη Συμπλεγμένη Συστήματα. Η Ζουζάνα, μαζί με τον Τεχνικό Διευθυντή Jan Chorowski και τον Επιστημονικό Διευθυντή Adrian Kosowski, ηγείται μιας ομάδας που έχει ήδη κατασκευάσει ανοιχτά εργαλεία AI με περισσότερες από 62.000 αστέρια στο GitHub.

Pathway ανασχηματίζει τον τρόπο με τον οποίο τα μοντέλα AI σκέφτονται, με στόχο να δημιουργήσει συστήματα που λειτουργούν συνεχώς και προσαρμόζονται αντί να λειτουργούν σε dávες. Πίσω από τις κulis, τα εργαλεία και η αρχιτεκτονική της επιτρέπουν στα μοντέλα να επεξεργάζονται, να μαθαίνουν και να εξελίσσονται σε πραγματικό χρόνο. Η εταιρεία έχει προσελκύσει την υποστήριξη από διακεκριμένα ονόματα όπως ο Lukasz Kaiser (συνεφευρέτης των Transformers) και εξέχουσες εταιρείες κεφαλαίου.

Τι σας ώθησε να ξεκινήσετε την Pathway, και πώς η προηγούμενη εμπειρία σας στα συμπλεγμένα συστήματα, τη θεωρία παιγνίων και τα φαινόμενα που εμφανίζονται επηρέασαν την οπτική και την τεχνική κατεύθυνση της εταιρείας;

Θέλαμε να δημιουργήσουμε AI που σκέφτεται και προσαρμόζεται όπως οι άνθρωποι. Καταλάβαμε ότι αυτό σημαίνει AI συστήματα (μοντέλα Deep Learning ή πipelines Machine Learning που κατασκευάζονται από ένα μεγαλύτερο αριθμό τοιχοπλημάτων) που θα είναι ικανά να μαθαίνουν συνεχώς με βάση τα δεδομένα του περιβάλλοντος, να γίνονται καλύτερα με την εμπειρία, και đôi και να “διορθώνουν” τις προηγούμενες απόψεις τους για τον κόσμο. Πραγματικά, είχαμε αρκετή κάλυψη στο θέμα του “μηχανικού unlearning”. Επάνω από τα μοντέλα, τέτοια συστήματα χρειάζονταν ένα ολόκληρο επίπεδο μηχανικής, για να συλλάβουν τα δεδομένα στην πηγή και να τα τροφοδοτήσουν αμέσως στα δυναμικά συστήματα.

Όταν ξεκινήσατε την εταιρεία το 2020, ποίες ήταν οι πρώτες σας υποθέσεις σχετικά με το τι θα πρέπει να κάνουν διαφορετικά τα μελλοντικά συστήματα AI, και πώς έχουν εξελιχθεί αυτές οι απόψεις;

Είχαμε μια ισχυρή πεποίθηση από την αρχή ότι τα AI πρέπει να είναι ζωντανά, προσαρμόσιμα και ενταγμένα σε μεγάλης κλίμακας διαδικασίες. Θα πρέπει να μαθαίνουν trực tiếp από την πηγή, με τα πιο ακατέργαστα δεδομένα δυνατά.

Μπορείτε να μας οδηγήσετε μέσα από την αρχιτεκτονική “μετά-Transformer” που εισαγάγετε και πώς διαφέρει από τα τρέχοντα συστήματα που βασίζονται σε Transformers;

Η νέα αρχιτεκτονική μας, που ονομάζεται Baby Dragon Hatchling (BDH), συνδέει正式ώς τον τρόπο με τον οποίο τα Transformers επεξεργάζονται τις πληροφορίες με τον τρόπο με τον οποίο η σκέψη εμφανίζεται στον εγκέφαλο.

BDH συμπεριφέρεται σαν ένα φυσικό σύστημα: ένα εγκεφαλικό μοντέλο υπολογιστή στο οποίο οι νευρώνες κάνουν μια συνεργατική προσπάθεια να ανακαλύψουν το επόμενο, πιο σχετικό γεγονός. Η контекουαλιστική σκέψη δεν περιορίζεται από τις μηχανικές περιορισμοί, όπως το σταθερό μέγεθος του контекстου του Transformer, αλλά αντίθετα κλιμακώνεται με τον αριθμό των νευρώνων του μοντέλου.

Πώς η προσέγγισή σας εμπνέεται από την ανθρώπινη σκέψη, ιδιαίτερα στην ενεργοποίηση της προσαρμογής και της συνεχούς μάθησης χωρίς επανεκπαίδευση;

BDH φέρνει την φυσική νοημοσύνη και την φυσική νοημοσύνη πιο κοντά.

Αυτή η αρχιτεκτονική εμπνέεται από τον τρόπο με τον οποίο οι νευρώνες και οι συνάψεις λειτουργούν στον εγκέφαλο. Χαρτογραφεί τις βιολογικές μηχανισμούς προσοχής στο υπολογιστικό concept της προσοχής στη μηχανική μάθηση, δημιουργώντας μια κλιμακωτή γέφυρα μεταξύ των Transformers και του εγκεφάλου.

Τι είναι τα πιο πειστικά παραδείγματα που απαιτούν πραγματικά αυτό το επόμενο στάδιο της AI, και όπου τα τρέχοντα συστήματα που βασίζονται σε Transformers αποτυγχάνουν;

Πολλές καινοτομίες έχουν επεκτείνει τη λειτουργικότητα της γεννητικής AI για να προσαρμοστεί γρήγορα σε neue πληροφορίες και να βασιστεί βαθιά στην “ώρα στην εργασία”, αλλά τίποτα ακόμη δεν έχει μπορέσει να αντικαταστήσει την πρόσληψη ενός εξαιρετικά ταλαντούχου ατόμου.

Η πολύ γρήγορη και απλή απάντηση είναι ότι μιλάμε για οποιαδήποτε εργασία που απαιτεί περισσότερο από 2 ώρες και 17 λεπτά συνεχούς εργασίας από ένα ανθρώπινο εκπαιδευμένο άτομο. Αυτό είναι το τρέχον όριο του GPT5 σύμφωνα με το METER.

Έχουμε έχουν εξαιρετικές συζητήσεις με συνεργάτες σχεδιασμού στην επιχείρηση που απαιτούν βαθιά προσωποποίηση, μοντέλα που μαθαίνουν στην εργασία από σπάνια δεδομένα, και την ασφάλεια της ανάπτυξης.

BDH κάνει σχετικά εύκολο για μια επιχείρηση να αντιμετωπίσει πολύ σύνθετες διαδικασίες όπως:

• Κλείσιμο ενός trimester για μια δημόσια εταιρεία
• Δυναμική γεννήτρια της επόμενης καλύτερης σειράς ενεργειών σε υψηλού κινδύνου περιβάλλοντα είναι εξαιρετικά σχετική τόσο στις πωλήσεις όσο και στην άμυνα.
• Διαχείριση επενδύσεων

Το ΝΑΤΟ χρησιμοποιεί ήδη την τεχνολογία της Pathway για την επεξεργασία ζωντανών στρατιωτικών και κοινωνικών δεδομένων, επιτρέποντας την σχεδίαση συστημάτων που προσαρμόζονται καθώς εξελίσσονται οι καταστάσεις. Η La Poste χρησιμοποιεί την τεχνολογία Live AI της Pathway για τη δυναμική διαχείριση των λειτουργιών της σε πραγματικό χρόνο. Βιομηχανίες όπως η финάνες και η υγεία, όπου τα δεδομένα είναι σπάνια ή ευαίσθητα, μπορούν να ωφεληθούν από μοντέλα που απαιτούν λιγότερα δεδομένα αλλά παρέχουν βαθύτερες εντυπώσεις και πιο αξιόπιστες κρίσεις.

Μπορείτε να μοιραστείτε παραδείγματα του πώς οργανισμοί όπως το ΝΑΤΟ, η La Poste ή η Formula 1 έχουν εφαρμόσει την τεχνολογία σας και την επίδραση που έχει;

Το ΝΑΤΟ, η La Poste και οι ομάδες της Formula 1 είναι ήδη πρώτοι χρήστες της τεχνολογίας της Pathway.

Η Pathway προσφέρει στο ΝΑΤΟ ρομποτική και καινοτόμο τεχνολογία επεξεργασίας δεδομένων για να ξεκλειδώσει νέες ικανότητες για κρίσιμες χρήσεις σε κλίμακα. Με το λειτουργικό μας δείγμα, το Reinforcement Enablement Simulation Tool (REST), δημιουργήσαμε την γωνία για την περαιτέρω ανάπτυξη AI-υποστηριζόμενων λύσεων για το ΝΑΤΟ. Χρησιμοποιώντας την Pathway για να συνδέσει ανοιχτά δεδομένα, έχει επιταχύνει την συνειδητοποίηση της κατάστασης και την έχει οδηγήσει στο απαραίτητο επίπεδο που το ΝΑΤΟ χρειαζόταν για να λειτουργήσει επιτυχώς στη δεκαετία του 2020.

Η La Poste χρησιμοποιεί την Pathway για τη βελτίωση των διαδικασιών που σχετίζονται με τις μονάδες μεταφοράς. Με το Framework της Pathway, η La Poste προβλέπει τις λειτουργίες της αυτόματα σε πραγματικό χρόνο και γεννάει ζωντανή ποιοτική ανάλυση των λειτουργιών μεταφοράς. Με την Pathway, η εταιρεία έχει μπορέσει να βελτιώσει δυναμικά τις λογιστικές της, να μειώσει τους χρόνους παράδοσης, να μειώσει τους χρόνους επεξεργασίας / χρόνους οδηγίας, και να αυξήσει την αξιοπιστία. Επιπλέον, έχει επιτύχει σημαντικές μειώσεις στα λειτουργικά κόστη (50% μείωση στο TCO σε ορισμένες περιπτώσεις).

Η ομάδα της Formula 1 χρησιμοποιεί την Pathway για να προσαρμόσει την στρατηγική της υπό συνθήκες υψηλού πιέσεων και σε πραγματικό χρόνο. Η εταιρεία ήθελε μια πλατφόρμα για τους τελικούς χρήστες να δημιουργήσουν User-Defined Functions (UDFs) ανεξάρτητα, και να τροφοδοτήσουν διάφορες επιχειρηματικές ανάγκες από e-sports / sim-racing, μέχρι τα αυτοκίνητα και το ράλι. Το Framework Live Data της Pathway επιτρέπει προηγμένες μετασχηματίσεις δεδομένων στην ομάδα της Formula 1 με την χαμηλότερη καθυστέρηση (90 φορές ταχύτερη επεξεργασία δεδομένων από πριν).

Τι είναι τα μεγαλύτερα εμπόδια για την ανάπτυξη προσαρμόσιμων συστημάτων σε βιομηχανίες όπως η υγεία ή η άμυνα, και πώς τα αντιμετωπίζετε;

Με σχεδιασμό, τα τρέχοντα LLMs γεννάνε περιεχόμενο που είναι “νέο” χωρίς πραγματική κρίση – καλέστε το το “gen” της γεννητικής AI. Πολλές υψηλά ρυθμιζόμενες βιομηχανίες χρειάζονται διακυβέρνηση κατά definition, και είναι διστακτικές να αναπτύξουν AI-κίνητες επιχειρηματικές διαδικασίες χωρίς επαναληψιμότητα, εμπιστοσύνη και παρατηρησιμότητα. Ιронικά, για να αναπτύξουν AI, αυτές οι επιχειρήσεις συχνά “μείωναν” τη λειτουργικότητα και εισάγουν πρόσθετη πολυπλοκότητα για να διευκολύνουν τη συμμόρφωση με τους κανονισμούς.

Με σχεδιασμό, το BDH επιτρέπει σε μια επιχείρηση να παρατηρήσει και να προσαρμοστεί σε ότι συμβαίνει μέσα στο μοντέλο. Αυτή η παρατηρησιμότητα σε μεγάλα χρονικά διαστήματα “σκέψης” δίνει στην επιχείρηση την εμπιστοσύνη να αντιμετωπίσει μεγαλύτερες, πιο σύνθετες επιχειρηματικές διαδικασίες. Το BDH είναι, με σχεδιασμό, και παρατηρησιμότητα και επίγνωση του άξονα του χρόνου. Δεν χρειάζεται το τέλειο, τεράστιο σύνολο δεδομένων για μάθηση, δεν χρειάζεται极τικά μεγάλα παράθυρα контекστου, ή logic για παρατηρησιμότητα.

Τι ηθικές σκέψεις ή προφυλάξεις είναι απαραίτητες καθώς τα συστήματα AI αρχίζουν να μαθαίνουν και να προσαρμόζονται σε πραγματικό χρόνο;

Συστήματα που μαθαίνουν με την εμπειρία στην πραγματικότητα έχουν καλύτερες ευκαιρίες να είναι ασφαλή από τα τρέχοντα, Transformer-βασισμένα. Ένα στοιχείο αυτού είναι το γεγονός ότι με τη συνεχή μάθηση έχουν μια ευκαιρία να αυτο-διορθώσουν και να ενημερώσουν τις προηγούμενες απόψεις τους αν ήταν λάθος.

Για να εξασφαλίσουμε την ασφάλεια τέτοιων συστημάτων, πρέπει να λαμβάνουν ανατροφοδότηση με το χρόνο. Αυτό σημαίνει ότι πρέπει να συνεχίσουμε να τα τροφοδοτούμε με νέα δεδομένα, και πιθανώς να εξασφαλίσουμε ανατροφοδοτικές βρόχους για να κατανοήσουν τις επιπτώσεις της δικής τους λειτουργίας. Αυτό είναι κοντά στη Reinforcement Learning.

Δεύτερον, ένα μοντέλο που βασίζεται στο BDH προσφέρει ερμηνευσιμότητα που κάνει ευκολότερο να κατανοηθεί πώς λειτουργεί, δίνοντας στους ανθρώπους καλύτερη έλεγχο πάνω τους.

Τι θα χρειαζόταν για ένα “μετά-Transformer” παράδειγμα να γίνει κυρίαρχο σε ολόκληρη την κοινότητα AI;

Ένα μοντέλο που είναι εξαιρετικά χρήσιμο και έχει σημαντικά χαμηλότερα κόστη συναγωγής ενώ είναι ταχύτερο. Πιστεύουμε ότι υπάρχει ένα εμπορικό κέρδος να επιτευχθεί, ιδιαίτερα στην επιχείρηση.

Ευχαριστούμε για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν Pathway.