Blair Newman, CTO de Neuton – Série d’entretiens

Blair Newman, est le CTO de Neuton, un cadre de réseau neuronal disruptif et une solution d’apprentissage automatique (AutoML) qui est beaucoup plus efficace que tout autre cadre, algorithme non neuronal ou produit AutoML disponible sur le marché. Cela rend l’intelligence artificielle (IA) accessible à tous.

Qu’est-ce qui vous a initialement attiré vers l’apprentissage automatique et la science des données ?

D’un point de vue personnel, j’ai toujours été intrigué par les possibilités que l’apprentissage automatique et la science des données peuvent offrir, telles que les villes intelligentes, les voitures connectées et maintenant ce que le TinyML peut également offrir. Avec la démocratisation de l’IA, nous voyons littéralement l’apprentissage automatique partout.

Pouvez-vous partager l’histoire de la création de Neuton ?

Nous avons décidé d’entreprendre le voyage de rendre l’IA accessible à « tous » après de nombreuses années d’exécution de multiples projets d’un point de vue d’apprentissage automatique. Au cours de cette période, nous avons identifié un certain nombre de barrières qui limitaient la croissance exponentielle. Pour vraiment rendre l’apprentissage automatique accessible à tous… Nous devions résoudre certaines des barrières techniques qui existaient…. Les exigences de grandes quantités de données pour effectuer la formation… Une solution SaaS automatisée pour éliminer le besoin d’expertise technique…. Enfin, rendre notre plateforme disponible gratuitement pour supprimer la dernière barrière.

Pour les lecteurs qui ne sont peut-être pas familiers avec ce terme, pouvez-vous définir ce qu’est le TinyML ?

Je préfère généralement garder les choses simples…. Le monde physique rencontre le monde numérique…. Et là où ces deux entités se croisent… c’est le monde du TinyML…. Le TinyML apporte l’intelligence directement à ce niveau.

Qu’est-ce qui empêche l’accélération du TinyML dans la communauté de l’IA ?

Le TinyML nécessite généralement une quantité considérable de capital d’un point de vue des ressources. Matériel, ingénieurs intégrés, ingénieurs en apprentissage automatique, développeurs de logiciels pour l’intégration…. L’un des domaines où nous excellons est que nous réduisons considérablement ces exigences.

Comment Neuton crée-t-il des modèles compacts sans compromettre la précision ?

Les cadres traditionnels et plus connus (par exemple TensorFlow) commencent avec une structure préexistante qui contient intrinsèquement des déchets. De plus, la construction d’un modèle est souvent un processus très itératif qui, une fois le modèle construit, doit être optimisé avant l’intégration. C’est ce que j’appelle une approche descendante. Avec Neuton, nous renversons complètement ce paradigme, car nous construisons chaque modèle de bas en haut, une neurone à la fois, en éliminant efficacement les déchets inhérents aux autres cadres. Cela étant dit, la structure du réseau n’est pas prédéfinie, mais est cultivée à partir d’un seul neurone pendant la formation. Nous couplons cette approche avec une validation croisée constante à mesure que chaque neurone est appliqué au modèle résultant. Ainsi, le modèle final est toujours construit à des fins précises, sans déchets et précis à la fin.

Neuton n’utilise pas la rétropropagation ou la descente de gradient stochastique, quelle est la raison derrière l’évitement de ces méthodologies populaires ?

<p Notre approche brevetée utilise une méthodologie d'optimisation globale qui élimine efficacement le besoin d'appliquer ces méthodologies.

À quel point la solution Neuton est-elle plus efficace par rapport aux approches d’apprentissage automatique traditionnelles ?

En termes de temps de création de modèle, de précision, de taille de modèle et, par conséquent, de temps de mise sur le marché. Nous constatons constamment que nous surpassons les autres cadres et plateformes…. Normalement, nous constatons que nos modèles sont souvent 1000 fois plus petits, avec un temps de mise sur le marché réduit de plus de 70 %. Enfin, notre bureau d’explicabilité est second à aucun autre en termes de transparence complète de nos modèles, ainsi que de chaque prédiction individuelle.

Pouvez-vous fournir des détails sur l’explicabilité de l’IA que propose la plateforme Neuton ?

<p Notre bureau d'explicabilité est disponible sous plusieurs formes. Tout d'abord, avec notre outil d'analyse de données exploratoire (EDA) qui fournit une vue initiale des statistiques de vos données avant la formation. À partir de là, notre matrice d'importance des fonctionnalités permet à nos clients d'identifier les 10 principales fonctionnalités qui influencent leurs prédictions, ainsi que les 10 fonctionnalités qui ont une influence minimale sur leurs prédictions. À partir de là, nous offrons à nos clients un niveau de transparence supplémentaire pour leurs modèles résultants, car ils peuvent analyser chaque prédiction individuelle pour voir comment leur prédiction peut changer si la valeur d'une fonctionnalité donnée change. Enfin, nous fournissons un outil de gestion du cycle de vie (indicateur de pertinence du modèle aux données) qui avertit proactivement nos clients lorsque leur modèle commence à se dégrader et que leur modèle doit être réentraîné.

Y a-t-il autre chose que vous aimeriez partager sur Neuton ?

<p Notre mission ici, à Neuton, est de littéralement apporter l'IA à tous. Nous croyons que nous avons réussi à commencer à réaliser ces possibilités. Que ce soit en rendant possible l'accès pour les non-spécialistes de la science des données ou en donnant les moyens aux spécialistes chevronnés de la science des données en fournissant une solution SaaS de base sans code. Maintenant, avec l'accélération du TinyML, nous sommes bien en train de démocratiser vraiment l'IA.

Je vous remercie pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter Neuton.