Blair Newman, CTO de Neuton – Serie de Entrevistas

Blair Newman, es el CTO de Neuton, un marco de red neuronal disruptivo y una solución de aprendizaje automático de máquina (AutoML) que es mucho más efectiva que cualquier otro marco, algoritmo no neuronal o producto AutoML disponible en el mercado. Hace que la Inteligencia Artificial (IA) esté disponible para todos.

¿Qué te atrajo inicialmente al aprendizaje automático y la ciencia de datos?

Desde una perspectiva personal, siempre me ha intrigado las posibilidades que el ML/Ciencia de datos puede proporcionar, como – Ciudades Inteligentes – Coches Conectados y ahora lo que TinyML también puede ofrecer. Ahora, con la democratización de la IA, literalmente estamos viendo ML en todas partes.

¿Puedes compartir la historia de génesis detrás de Neuton?

Decidimos embarcarnos en el viaje de hacer que la IA esté disponible para “todos” después de muchos años de ejecutar múltiples proyectos desde una perspectiva de aprendizaje automático. Durante este período, identificamos una serie de barreras diferentes que limitaban el crecimiento exponencial. Así que, para realmente hacer que el ML esté disponible para todos… Teníamos que abordar algunas de las barreras técnicas que existían…. Los requisitos para cantidades significativas de datos para realizar el entrenamiento… Una solución SaaS automatizada para eliminar la necesidad de experiencia técnica…. Luego, finalmente, hacer que nuestra plataforma esté disponible de forma gratuita para eliminar la última barrera.

Para los lectores que pueden no estar familiarizados con esta terminología, ¿puedes definir qué es TinyML?

Me gusta mantenerlo simple…. El mundo físico se encuentra con el mundo digital…. Y donde esas dos entidades se intersectan… es el mundo de TinyML…. TinyML lleva la inteligencia justo al borde.

¿Qué está impidiendo la aceleración de TinyML en la comunidad de IA?

TinyML requiere típicamente una cantidad tremenda de capital desde una perspectiva de recursos. HW, Ingenieros Embebidos, Ingenieros de Aprendizaje Automático, Desarrolladores de Software para integración…. Una de las áreas donde nosotros nos destacamos es que colapsamos esos requisitos significativamente.

¿Cómo crea Neuton modelos compactos sin comprometer la precisión?

Los marcos tradicionales y más conocidos (por ejemplo, TensorFlow) comienzan con una estructura preexistente que inherentemente incluye desperdicio. Además, construir un modelo es a menudo un proceso muy iterativo que una vez que el modelo está construido debe ser optimizado antes de la integración. Esto es lo que yo llamo un enfoque de arriba hacia abajo. Con Neuton, invertimos completamente este paradigma, ya que construimos cada modelo desde abajo hacia arriba, una neurona a la vez, efectivamente eliminando el desperdicio inherente experimentado con otros marcos. Esto dicho, la estructura de la red no está predefinida, sino que se cultiva a partir de una sola neurona durante el entrenamiento. Acoplamos este enfoque con una validación cruzada constante, ya que cada neurona se aplica al modelo resultante. Así, el modelo final siempre se construye con un propósito, sin desperdicio y preciso al completar.

Neuton no utiliza retropropagación ni descenso de gradiente estocástico, ¿cuál fue el razonamiento detrás de evitar estas metodologías populares?

Nuestro enfoque patentado utiliza una metodología de optimización global, efectivamente eliminando la necesidad de aplicar estas metodologías.

¿Cuánto más eficiente es la solución Neuton en comparación con los enfoques de aprendizaje automático tradicionales?

En todas las métricas clave, como el tiempo de creación del modelo, la precisión, el tamaño del modelo y, posteriormente, el tiempo de llegada al mercado. Consistentemente vemos que superamos a otros marcos y plataformas…. Normalmente, estamos experimentando que nuestros modelos son muchas veces más pequeños, con una reducción del tiempo de llegada al mercado de más del 70%. Finalmente, nuestra Oficina de Explicabilidad es la segunda en proporcionar transparencia completa a nuestros modelos, junto con cada predicción individual.

¿Puedes proporcionar algunos detalles sobre la explicabilidad de la IA que ofrece la plataforma Neuton?

Nuestra Oficina de Explicabilidad viene en múltiples formas. Comenzando primero con nuestra herramienta de Análisis de Datos Exploratorio (EDA) que proporciona una vista inicial de las estadísticas de sus datos antes del entrenamiento. Desde allí, nuestra Matriz de Importancia de Características permite a nuestros clientes identificar qué son las 10 características principales que influyen en sus predicciones y también qué son las 10 características inferiores que tienen una influencia mínima en sus predicciones. Desde allí, ofrecemos a nuestros clientes el siguiente nivel de transparencia en sus modelos resultantes, ya que pueden analizar cada predicción individualmente para ver cómo su predicción puede cambiar si el valor de una característica determinada cambia. Finalmente, proporcionamos una herramienta de Gestión de Ciclo de Vida (Indicador de Relevancia de Modelo a Datos) que notifica proactivamente a nuestros clientes cuando su modelo comienza a decaer y su modelo necesita ser reentrenado.

¿Hay algo más que te gustaría compartir sobre Neuton?

Nuestra misión aquí en Neuton es literalmente llevar la IA a todos. Creemos que hemos tenido éxito en comenzar a realizar estas posibilidades. Ya sea habilitando al no científico de datos o empoderando al científico de datos experimentado, proporcionando una solución SaaS de cero código. Ahora, con la aceleración de TinyML, estamos bien encaminados hacia la verdadera democratización de la IA.

Gracias por la gran entrevista, los lectores que deseen aprender más deben visitar Neuton.