Blair Newman, Neutonin CTO – Haastattelusarja

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

Mikä alun perin kiinnosti sinua koneoppimiseen ja data-tieteeseen?

Henkilökohtaisesti olen aina ollut kiinnostunut siitä, mitä mahdollisuuksia koneoppiminen ja data-tiede voivat tarjota, kuten esimerkiksi älykaupungit, liikennettä ja nyt myös TinyML. Nyt tekoälyn demokratisoinnissa näemme koneoppimisen joka puolella.

Voitko kertoa Neutonin syntytarinaa?

Päätimme lähteä matkalle, jonka tavoitteena on tehdä tekoäly kaikkien ulottuvilla, useiden vuosien jälkeen, joina olemme toteuttaneet useita projekteja koneoppimisen näkökulmasta. Tänä aikana tunnistimme useita esteitä, jotka rajoittivat eksponentiaalista kasvua. Jotta voimme tehdä koneoppimisen kaikkien ulottuvilla… meidän täytyy osoittaa joitain teknisiä esteitä, jotka ovat olemassa…. Vaatimukset merkittävien määrien dataa koulutukseen… Automaattinen SaaS-ratkaisu, joka poistaa tarpeen tekniselle asiantuntemukselle…. Sitten viimeksi meidän on tehtävä alustamme saatavilla ilmaiseksi poistamaan viimeinen este.

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

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

Mikä estää TinyML:n kiihdyttämistä tekoäly-yhteisössä?

TinyML vaatii yleensä valtavan määrän pääomaa resurssin kannalta. HW, upotetut insinöörit, koneoppimisen insinöörit, ohjelmistokehittäjät integrointiin…. Yksi alue, jolla menestymme, on se, että me kutistamme nämä vaatimukset merkittävästi.

Miten Neuton luo tiivisteisiä malleja ilman tarkkuuden heikentymistä?

Perinteiset ja paremmin tunnetut kehykset (esim. TensorFlow) alkavat olemassa olevasta rakenteesta, joka sisältää luonnostaan hävikkiä. Lisäksi mallin rakentaminen on usein hyvin iteratiivinen prosessi, jossa malli on rakennettu ja optimoitava ennen integrointia. Tämä on se, mitä kutsun top-down-lähestymiseksi. Neutonissa käännämme tämän paradigman täysin päälaelleen, koska rakennamme jokaisen mallin alhaalta ylöspäin yhdestä hermosolusta kerrallaan poistamalla tehokkaasti perinteisten kehysten sisältämän hävikin. Tämä sanottuna – verkkorakenne ei ole ennalta määritelty, vaan se kasvaa yhdestä hermosolusta koulutuksen aikana. Yhdistämme tämän lähestymistavan jatkuvan ristivalidoinnin, kun jokainen hermosolu lisätään tulokseksi saatuun malliin. Joten lopullinen malli on aina rakennettu tarkoitukseen, ilman hävikkiä ja tarkka lopputuloksena.

Neuton ei käytä takaisinpropagaatiota tai stokastista gradienttia, mikä oli syytä välttää näitä suosittuja menetelmiä?

Patentoidussa lähestymistavassamme käytetään globaalia optimointimenetelmää, joka poistaa tarpeen soveltaa näitä menetelmiä.

Kuinka paljon Neutonin ratkaisu on tehokkaampi verrattuna perinteisiin koneoppimisen lähestymistapoihin?

Kaikissa avainmittareissa, kuten mallin luomiseen kuluvassa ajassa, tarkkuudessa, mallin koossa ja markkinoille tulossa. Näemme johdonmukaisesti, että menestymme muiden kehysten ja alustojen ylittämisessä…. Yleensä havaitsemme, että mallimme ovat usein 1000 kertaa pienempiä ja markkinoille tulon aika on vähentynyt yli 70%. Viimeksi meidän Selitys-toimisto on toisessa luokassa tarjoamassa täydellistä avoimuutta malleihimme ja jokaiselle ennusteelle.

Voitko antaa joitain yksityiskohtia tekoälyn selityksestä, jonka Neutonin alusta tarjoaa?

Meidän Selitys-toimisto tulee useissa muodoissa. Aloittaen ensin EDA-työkalumme (Exploratory Data Analysis), joka tarjoaa alkuperäisen näkymän tilastoihin ennen koulutusta. Siitä meidän Feature Importance Matrix mahdollistaa asiakkaidemme tunnistaa, mitkä ovat kymmenen tärkeintä ominaisuutta, jotka vaikuttavat heidän ennusteisiinsa, ja mitkä ovat kymmenen ominaisuutta, jotka vaikuttavat vähiten heidän ennusteisiinsa. Siitä me tarjoamme asiakkaillemme seuraavan tason avoimuutta tulokseksi saatuun malliin, jossa he voivat analysoida jokaisen ennusteen yksittäin nähdäkseen, miten heidän ennusteensa voi muuttua, jos ominaisuuden arvo muuttuu. Viimeksi me tarjoamme Elämänkierto-johtamisen työkalun (Model-To-Data-Relevance Indicator), joka proaktiivisesti ilmoittaa asiakkaillemme, kun heidän mallinsa on alkanut heiketä ja heidän mallinsa tarvitsee uudelleenkoulutusta.

Onko jotain muuta, mitä haluaisit jakaa Neutonista?

Meidän tehtävämme Neutonissa on tuoda tekoäly kaikkien ulottuvilla. Uskomme, että olemme onnistuneet aloittamaan tämän mahdollistamisen. Olipa kyseessä sitten ei-datatieteilijöiden mahdollistaminen tai kokeneiden datatieteilijöiden valtuuttaminen tarjoamalla nolla-koodin SaaS-pohjaisen ratkaisun. Nyt TinyML:n kiihdyttämisellä olemme hyvällä tiellä tekoälyn todellista demokratisointia.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Neutonissa.