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 (AI) esté disponible para todos.

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

Desde una perspectiva personal, siempre me ha intrigado las posibilidades que la ciencia de datos y el aprendizaje automático pueden ofrecer, como por ejemplo, Ciudades Inteligentes, Coches Conectados y ahora lo que TinyML también puede ofrecer. Ahora, con la democratización de la IA, literalmente estamos viendo el aprendizaje automático en todas partes.

¿Podrías compartir la historia detrás de Neuton?

Decidimos embarcarnos en el viaje de hacer que la IA estuviera 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 que limitaban el crecimiento exponencial. Así que, para realmente hacer que el aprendizaje automático estuviera disponible para todos… Teníamos que abordar algunas de las barreras técnicas que existían… Los requisitos de grandes cantidades de datos para realizar el entrenamiento… Una solución de SaaS automatizada para eliminar la necesidad de experiencia técnica… Y, finalmente, hacer que nuestra plataforma estuviera disponible de forma gratuita para eliminar la última barrera.

Para los lectores que no estén familiarizados con esta terminología, ¿podrías definir qué es TinyML?

Suelo mantener las cosas simples… 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 generalmente una gran cantidad de capital desde una perspectiva de recursos. HW, Ingenieros Embebidos, Ingenieros de Aprendizaje Automático, Desarrolladores de Software para integración… Una de las áreas en las que destacamos es que colapsamos significativamente esos requisitos.

¿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 se construye el modelo, debe optimizarse 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, eliminando efectivamente el desperdicio inherente que se experimenta con otros marcos. Esto dicho, la estructura de la red no está predefinida, sino que se genera 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 es preciso al finalizar.

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, lo que efectivamente elimina la necesidad de aplicar estas metodologías.

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

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

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

Nuestra Oficina de Explicabilidad viene en múltiples formas. Comenzando con nuestra herramienta de Análisis de Datos Exploratorio (EDA), que proporciona una vista inicial de las estadísticas de sus datos antes del entrenamiento. A partir de ahí, nuestra Matriz de Importancia de Características permite a nuestros clientes identificar las 10 características principales que influyen en sus predicciones y también qué características tienen una influencia mínima en sus predicciones. A partir de ahí, ofrecemos a nuestros clientes el siguiente nivel de transparencia en sus modelos resultantes, ya que pueden analizar cada predicción individual para ver cómo su predicción puede cambiar si el valor de una característica determinada cambia. Finalmente, proporcionamos una herramienta de Gestión del Ciclo de Vida (Indicador de Relevancia del Modelo para los 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 a los no científicos de datos o empoderando a los científicos de datos experimentados al proporcionar una solución de 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 pueden visitar Neuton.