Birago Jones, Pienson perustaja ja toimitusjohtaja – Haastattelusarja

Birago Jones on Pienson toimitusjohtaja ja perustaja, joka on kehittänyt no-code/low-code-alustan, jolla yritykset voivat kouluttaa ja ottaa käyttöön tekoälymallit ilman, että heidän tarvitsee olla edistyneitä data-analyytikkoja tai ohjelmoija. Nykyään Biragon asiakkaisiin kuuluvat Yhdysvaltain hallitus ja Sky, Iso-Britannian suurin lähetysyhtiö. Pienso perustuu Biragon tutkimukseen Massachusettsin teknillisen korkeakoulun (MIT) tutkimusryhmässä, jossa hän ja hänen perustajakumppaninsa Karthik Dinakar toimivat tutkijoina. Hän on tunnettu asiantuntija tekoälyn ja ihmisen ja tietokoneen vuorovaikutuksen (HCI) leikkauskohdassa ja vastuullisen tekoälyn puolustaja.

Pienson interaktiivinen oppimisliittymä on suunniteltu mahdollistamaan käyttäjien hyödyntämään tekoälyä sen täyden potentiaalin mukaisesti ilman koodaamista. Alusta opastaa käyttäjiä suuren kielen mallien koulutus- ja käyttöönotto-prosessissa, jotka on merkitty heidän asiantuntemuksella ja säätelty heidän spesifisten kysymystensä mukaisesti.

Mikä alun perin houkutti sinua opiskelemaan tekoälyä, HCI:ää (Human Computer Interaction) ja käyttökokemusta?

Olin jo kehittänyt henkilökohtaisia projekteja, jotka keskittyivät esteettömiä työkaluja ja sovelluksia luomaan, kuten haptista digitaalista brailleria älypuhelimeen ja sisätilan suunnistusjärjestelmää (digitaalinen kävelykeppi). Uskoin, että tekoäly voisi parantaa ja tukea näitä pyrkimyksiä.

Pienso oli alun perin suunniteltu aikana, jolloin olit MIT:ssä, miten ajatus kouluttaa koneoppimismalleja helposti saataville ei-teknisille käyttäjille syntyi?

Minun tutkija-kumppani Karthik ja minä tapasimme gradukoulussa, jossa molemmat teimme tutkimusta MIT Median laboratoriossa. Olimme yhdistäneet voimamme luodaksemme työkalun, joka auttaisi sosiaalisen median alustoja valvomaan ja merkitsemään häirintää sisältävää sisältöä. Työkalu sai paljon huomiota, ja jopa kutsu Valkoiseen taloon esittelemään teknologiaa cyberhäirintäkonferenssissa.

Ongelma oli vain, että vaikka malli itsessään toimi odotetusti, se ei ollut koulutettu oikealla datalla, joten se ei pystynyt tunnistamaan haitallista sisältöä, joka käytti teinien slangiä. Karthik ja minä työskentelimme yhdessä ratkaisun löytämiseksi, ja myöhemmin tajusimme, että voimme korjata tämän ongelman, jos keksimme keinon, jolla teinit voivat kouluttaa mallin dataa suoraan.

Tämä oli “Aha”-hetki, joka myöhemmin innoitti Piensoa: aihekohtaiset asiantuntijat, ei tekoäly-insinöörit kuten me, pitäisi pystyä antamaan helpommin syötettä mallin koulutusdataan. Lopulta kehittelimme klikkaus- ja valintatyökaluja, jotka mahdollistavat ei-asiantuntijoiden kouluttaa suuria määriä dataa suurella mittakaavalla. Otimme tämän teknologian paikallisiin Cambridge, Massachusettsin kouluun ja pyysimme paikallisten teinien apua kouluttamaan algoritmeja, mikä mahdollisti meille nuansen ja yksityiskohtien tallentamisen algoritmiin aiempaa paremmin. Tällä teknologialla työskentelimme organisaatioiden, kuten MTV:n ja Brigham and Women’s Hospitalin, kanssa.

Voitko kertoa, miten Pienso syntyi ja kehittyi oman yrityksensä MIT:stä?

Tiesimme aina, että tämä teknologia voisi tarjota arvoa laajemmin kuin se tapaus, johon se oli alun perin suunniteltu, mutta vasta vuonna 2016, kun Karthik valmistui tohtoriksi, teimme lopulta askelen kaupallistamaan sen. Tuolloin syväoppiminen räjähti suosiotaan, mutta se oli pääasiassa tekoäly-insinöörien käytössä, koska kukaan muu ei ollut asiantuntija kouluttaa ja käyttää näitä malleja.

Mitkä ovat Pienson no-code-liittymän avaininnovaatiot ja algoritmit tekoälymallien rakentamiseen? Miten Pienso varmistaa, että toimialan asiantuntijat ilman teknistä taustaa voivat tehokkaasti kouluttaa tekoälymalleja?

Pienso poistaa “MLOps”-esteet – datasta siivous, data-merkintä, mallin koulutus ja käyttöönotto. Meidän alustamme käyttää puoli-valvottua koneoppimismenetelmää, joka mahdollistaa käyttäjien aloittaa merkittämättömällä koulutusdatalla ja sitten käyttää ihmisen asiantuntemusta merkittäväksi suuria tekstidatamääriä nopeasti ja tarkasti ilman koodaamista. Tämä prosessi kouluttaa syvän oppimisen malleja, jotka pystyvät tarkasti luokittelemaan ja generoimaan uutta tekstiä.

Miten Pienso tarjoaa mukautuvuutta tekoälymallien kehittämisessä eri organisaatioiden erityistarpeisiin?

Uskomme vahvasti, että yksikin malli ei voi ratkaista jokaista ongelmaa jokaiselle yritykselle. Meidän on mahdollistettava mukautettujen mallien koulutus, jos haluamme, että tekoäly ymmärtää jokaisen yrityksen ja tapauksen nuansseja. Siksi Pienso mahdollistaa mallien kouluttamisen suoraan organisaation omalla datalla. Tämä poistaa perusmallien käytön yksityisyysongelmat ja voi tarjota tarkemman näkymän.

Pienso integroituu myös olemassa oleviin yritysjärjestelmiin API:iden kautta, jolloin inference-tulokset voidaan toimittaa eri muodoissa. Pienso voidaan myös ottaa käyttöön ilman kolmannen osapuolen palvelujen tai API:iden käyttämistä, mikä tarkoittaa, että dataa ei tarvitse siirtää turvallisen ympäristön ulkopuolelle. Se voidaan ottaa käyttöön suurten pilvipalvelujen tarjoajien kanssa sekä paikallisesti, mikä tekee siitä ihanteellisen ratkaisun aloille, jotka vaativat vahvaa turvallisuutta ja säätelyä, kuten hallituksille ja rahoituslaitoksille.

Miten näet alustan kehittyvän seuraavien vuosien aikana?

Seuraavien vuosien aikana Pienso jatkaa kehittymistään keskittyen entistä enemmän skaalautuvuuteen ja tehokkuuteen. Tekstianalytiikan suuren kysynnän kasvaessa parannamme kykyämme käsitellä suurempia tietoja nopeammin ja monimutkaisemmin. Olemme myös sitoutuneet vähentämään suurten kielen mallien skaalauttamiseen liittyviä kustannuksia, jotta yritykset saavat arvon ilman, että heidän tarvitsee tinkimään nopeuden tai tarkkuuden kanssa.

Aioimme myös edistää tekoälyn demokratisointia. Pienso on jo nyt no-code/low-code-alusta, mutta näemme laajentavamme työkalujen saatavuutta entistä enemmän. Jatkamme käyttöliittymän kehittämistä, jotta laajempi käyttäjäryhmä, liiketoimintanalyytikoista teknisiin tiimeihin, voi jatkaa mallien kouluttamista, säätämistä ja käyttöönottoa ilman, että heidän tarvitsee olla syvällisiä teknisiä asiantuntijoita.

Kun työskentelemme yhä useammin eri alojen asiakkaiden kanssa, Pienso sopeutuu tarjoamaan enemmän räätälöityjä ratkaisuja. Olipa kyse sitten rahoituksesta, terveydenhuollosta tai hallituksesta, alustamme kehittyy sisällyttämään aloittekohtaisia malleja ja moduuleja, jotka auttavat käyttäjiä säätämään mallejaan tehokkaammin heidän spesifisten tarpeidensa mukaisesti.

Pienso tulee olemaan entistä enemmän integroitu laajempaan tekoäly-ekosysteemiin, toimien sujuvasti suurten pilvipalvelujen tarjoajien ja paikallisten ratkaisujen rinnalla. Keskitymme rakentamaan vahvempia integraatioita muiden data-alustojen ja työkalujen kanssa, mahdollistaen yhdenmukaisemman tekoäly-työnkulun, joka sopii olemassa oleviin yritysten teknologia-rakenteisiin.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Pienson sivustolla.