Blair Newman, Neutonin CTO – Haastattelusarja

Blair Newman on Neutonin CTO, Neuton, joka on mullistava Neuroverkko-kehys ja automaattinen koneoppimisen (AutoML) ratkaisu, joka on paljon tehokkaampi kuin mikään muu kehys, ei-neuraalinen algoritmi tai AutoML-tuote markkinoilla. Se tekee tekoälystä (AI) kaikkien saatavilla.

Mikä aluksi veti sinut koneoppimisen ja data-tieteen puoleen?

Henkilökohtaisesta näkökulmasta olen aina ollut kiinnostunut mahdollisuuksista, joita ML/Data Science voi tarjota, kuten Esimerkiksi älykaupungit – älykkäät autot ja nyt myös se, mitä TinyML voi tarjota. Nyt tekoälyn demokratisoimisen myötä näemme koneoppimista joka paikassa.

Voitko kertoa Neutonin syntytarinan?

Päätimme lähteä matkalle, jossa tekoäly olisi ”jokaisen” saatavilla useiden koneoppimiseen liittyvien projektiemme jälkeen. Tänä aikana tunnistimme useita esteitä, jotka rajoittivat eksponentiaalista kasvua. Jotta voimme tehdä koneoppimisen kaikkien saatavilla… meidän piti puuttua joistakin teknisistä esteistä, jotka olivat olemassa…. Vaatimukset merkittävien määrien dataa koulutusta varten… Automaattinen SaaS-ratkaisu, joka poistaa tarpeen tekniselle asiantuntemukselle…. Sitten viimeksi teimme alustamme saatavilla ilmaiseksi poistamaan viimeinen este.

Voitko määritellä, mitä TinyML on lukijoille, jotka eivät ole tuttuja tähän termeihin?

Yleensä pidän asiat yksinkertaisina…. Fyysinen maailma kohtaa digitaalisen maailman…. Ja siellä, missä nämä kaksi olentoa leikkaavat… on TinyML:n maailma…. TinyML tuo älykkyyden juuri siihen reunaan.

Mikä estää TinyML:n kiihdyttämisen tekoäly-yhteisössä?

TinyML:lle vaaditaan yleensä valtava pääoma resurssien kannalta. HW, upotetut insinöörit, koneoppimisen insinöörit, ohjelmistokehittäjät integrointia varten…. Yksi alue, jolla menestymme, on se, että supistamme nämä vaatimukset merkittävästi.

Miten Neuton luo tiivisteisiä malleja ilman tarkkuuden heikentymistä?

Perinteinen ja tunnetumpi kehykset (esim. TensorFlow) aloittavat olemassa olevalla rakenteella, joka sisältää luontaisesti hävikkiä. Lisäksi mallin rakentaminen on usein hyvin iteraatiivinen prosessi, joka vaatii mallin rakentamisen jälkeen optimoinnin ennen integrointia. Tätä kutsun top-down-lähestymistavaksi. Neutonissa käännämme tämän paradigman täysin päälaelleen, koska rakennamme jokaisen mallin alhaalta ylöspäin yksi neuroni kerrallaan poistamalla tehokkaasti hävikin, jota muissa kehyksissä on. Tämä sanottuna – verkon rakenne ei ole ennalta määritelty, vaan se kasvaa yhdestä neuroniasta koulutuksen aikana. Yhdistämme tämän lähestymistavan jatkuvan cross-validoinnin, kun jokainen neuroni lisätään tulokseksi saatuun malliin. Joten lopullinen malli on aina rakennettu tarkoitusta varten, ilman hävikkiä ja tarkka lopullisen valmistumisen jälkeen.

Neuton ei käytä backpropagationia tai stokastista gradient-menettelyä, mikä oli syy tähän lähestymistapaan?

Patentoidussa lähestymistavassamme käytetään Global Optimization -menetelmää, joka poistaa tarpeen soveltaa näitä menetelmiä.

Kuinka paljon tehokkaampi Neuton-ratkaisu on verrattuna perinteisiin koneoppimismenetelmiin?

Kaikissa avainmittareissa, kuten mallin luomiseen kuluvassa ajassa, tarkkuudessa, mallin koossa ja myyntiin kuluvassa ajassa. Näemme johdonmukaisesti, että menetelmämme ylittävät muiden kehysten ja alustojen suorituskyvyn…. Yleensä havaitsemme, että mallimme usein ovat 1000 kertaa pienempiä ja markkinoille tulon nopeus on yli 70 % pienempi. Viimeksi meidän Selitys-toimisto on vertaansa vailla tarjoamalla täydellisen avoimuuden malleihimme ja jokaiselle ennusteelle.

Voitko antaa tarkempia tietoja tekoäly-selityksestä, jonka Neuton-alusta tarjoaa?

Selitys-toimistomme tulee useissa muodoissa. Ensinnäkin meidän EDA (Exploratory Data Analysis) -työkalumme tarjoaa alkuperäisen näkymän datan tilastoihin ennen koulutusta. Siitä meidän Feature Importance Matrix -työkalumme mahdollistaa asiakkaiden tunnistaa, mitkä ovat kymmenen parasta ominaisuutta, jotka vaikuttavat heidän ennusteisiinsa, ja mitkä ovat kymmenen huonointa ominaisuutta, jotka vaikuttavat vähiten heidän ennusteisiinsa. Siitä me tarjoamme asiakkaillemme seuraavan tason avoimuutta tulokseksi saatuun malliin, jotta he voivat analysoida jokaisen ennusteen yksittäin ja nähdä, miten heidän ennusteensa voi muuttua, jos ominaisuuden arvo muuttuu. Viimeksi me tarjoamme elinkaaren hallintatyökalun (Model-To-Data-Relevance Indicator), joka ilmoittaa asiakkaillemme, kun heidän mallinsa alkaa heiketä ja heidän on uudelleenkoulutettava malli.

Onko jotain muuta, mitä haluaisit jakaa Neutonista?

Meidän tehtävämme Neutonissa on tuoda tekoäly kaikille. Uskomme, että olemme onnistuneet aloittamaan tämän mahdollistamisen. Olipa kyseessä sitten ei-data-tieteilijän mahdollistaminen tai kokeneiden data-tieteilijöiden voimaannuttaminen tarjoamalla nollakoodin SaaS-pohjaisen ratkaisun. Nyt TinyML:n kiihdyttämisen myötä olemme todella demokratisoimassa tekoälyä.

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