Francisco Webber, co-fondateur et PDG de Cortical.io – Série d’entretiens

Francisco Webber est co-fondateur et PDG de Cortical.io et inventeur de la technologie propriétaire Retina de l’entreprise. Cette technologie applique les principes du traitement cérébral à l’apprentissage automatique et à la compréhension du langage naturel (NLU) pour résoudre des cas d’utilisation réels liés aux grandes données textuelles. Les solutions Cortical.io sont basées sur la signification réelle du texte, plutôt que sur les occurrences statistiques.

L’intérêt de Francisco pour les technologies de l’information s’est développé pendant ses études de médecine, lorsqu’il était impliqué dans le traitement de données médicales. Au cours de deux décennies, il a exploré les technologies de moteurs de recherche et les systèmes de documentation dans divers contextes, mais est devenu de plus en plus frustré par les limites des méthodes statistiques de pointe.

En 2005, il a fondé Matrixware Information Services , qui a développé la première base de données de brevets mondiaux standardisée. En 2007, il a créé l’Information Retrieval Facility avec le professeur Keith van Rijsbergen, un expert académique de premier plan en recherche d’information. Le Facility visait à combler le fossé entre l’académie et l’industrie dans le domaine de la recherche d’information. Francisco a reconnu que le cerveau était le seul système de référence existant lorsqu’il s’agissait de traiter le langage naturel. Alors qu’il suivait de près les développements en neurosciences, il a formulé sa théorie de la folding sémantique, qui modèle la façon dont le cerveau représente les données linguistiques.

Qu’est-ce qui vous a initialement attiré pour devenir impliqué dans la compréhension du langage naturel (NLU) ?

Mes intérêts pour les technologies de l’information se sont développés pendant mes études de médecine, lorsque j’étais impliqué dans le traitement de données médicales. Au cours de deux décennies, j’ai exploré les technologies de moteurs de recherche et les systèmes de documentation dans divers contextes, mais suis devenu de plus en plus frustré par les limites des méthodes statistiques de pointe. J’ai reconnu que le cerveau était le seul système de référence existant lorsqu’il s’agissait de traiter le langage naturel.

Vous êtes à la fois le fondateur et le PDG de Cortical.io. Pouvez-vous partager l’histoire de la création de cette entreprise ?

Nous savions que nous avions une technologie qui permettrait aux entreprises de rechercher plus rapidement, plus précisément et plus efficacement, d’extraire, d’annoter et d’analyser des informations à partir de textes non structurés. Notre technologie NLU basée sur l’IA pourrait être un véritable facteur de différenciation pour relever le défi de traitement des données textuelles non structurées, car elle comprend la signification des phrases, des paragraphes et des concepts, et non seulement des mots clés, et fournit ainsi des résultats très précis. Lorsque les dirigeants de l’industrie ont appris ce que nous avions, cela a ouvert la porte pour nous de tester notre approche sous des exigences réelles et complexes. Cela a abouti à de nombreux succès dans les entreprises du Fortune 500. Ceux-ci sont devenus les modèles pour nos produits d’intelligence de contrat et de message.

La technologie Cortical.io est basée sur la théorie de la folding sémantique, une théorie computationnelle innovante pour le traitement des données linguistiques. Quelles sont certaines des limites actuelles de la façon dont la plupart des IA abordent la NLU ?

Les approches standard de l’IA et du ML impliquent la construction de grands modèles statistiques qui sont formés à l’aide de grandes quantités de données de formation. Souvent, les quantités suffisantes de données de formation ne sont pas facilement disponibles, ni les experts en la matière n’ont le temps d’annoter de telles grandes quantités de documents. De plus, la formation de grands modèles (avec des milliards de paramètres) nécessite d’énormes ressources de calcul, ce qui est très coûteux et consomme beaucoup d’énergie. Un modèle de langage typique consomme plus d’énergie que cinq voitures pendant toute leur durée de vie !

La théorie de la folding sémantique est basée sur la théorie de la mémoire temporelle hiérarchique (HTM). Pouvez-vous décrire brièvement ce qu’est cette théorie ?

La mémoire temporelle hiérarchique (HTM) est une théorie d’intelligence biologiquement contrainte, décrite à l’origine dans le livre de Jeff Hawkins, On Intelligence. Il s’agit d’un cadre d’intelligence machine strictement basé sur les neurosciences et la physiologie et l’interaction des neurones dans le cerveau. Dans cette théorie, le cerveau agit comme un système de mémoire qui stocke des modèles et fait des prédictions à partir des expériences actuelles en fonction des modèles mémorisés. Pour être vraiment intelligent, les machines doivent recréer ce système de mémoire-prédiction. Hawkins décrit les représentations distribuées parcimonieuses comme le seul format de données utilisé par le néocortex. Les empreintes sémantiques utilisées dans notre technologie sont des représentations distribuées parcimonieuses de texte (de mots, de phrases ou de paragraphes).

Pouvez-vous partager avec nous comment la méthode SFT est supérieure aux stratégies NLU concurrentes ?

La théorie de la folding sémantique qui sous-tend la technologie Cortical.io présente plusieurs grands avantages. Premièrement, elle n’a pas besoin d’un immense référentiel de données d’exemple pour fournir des résultats précis. Deuxièmement, elle est rapide et nécessite moins de ressources de calcul que les algorithmes d’apprentissage automatique de pointe. Enfin, le processus de formation est beaucoup plus simple et peut être géré par les experts en la matière qui utiliseront le système, même s’ils n’ont pas d’expérience en IA.

L’un des produits de Cortical.io est l’intelligence de message, qu’est-ce que cette application exactement ?

L’intelligence de message entre dans la catégorie connue sous le nom de traitement de documents intelligents. Les entreprises sont submergées par le traitement d’une large gamme de messages et de documents. L’intelligence de message est une solution prête à l’emploi qui utilise la technologie Cortical.io pour extraire et classer avec précision les informations clés dans ces messages et documents et les traiter à l’échelle de l’entreprise. Grâce à l’approche brevetée de Cortical.io, il est possible de développer des classificateurs personnalisés en quelques heures et des modèles d’extraction en quelques jours.

Un autre produit proposé est l’intelligence de contrat, pouvez-vous partager des détails à ce sujet ?

La solution d’intelligence de contrat Cortical.io utilise une nouvelle approche de la compréhension du langage naturel pour analyser rapidement et avec précision les informations pertinentes à partir de grandes quantités de documents. La solution offre un outil puissant basé sur la signification pour extraire et classer les informations clés, effectuer des recherches dans des documents individuels ou dans l’ensemble de la base de données, ainsi que pour comparer des documents à un modèle ou à des versions précédentes.

Y a-t-il autre chose que vous aimeriez partager à propos de Cortical.io ?

Nous sommes excités de voir la maturation de l’intelligence artificielle et de la compréhension du langage naturel d’une technologie intéressante à son intégration dans des applications qui résolvent des problèmes commerciaux réels.

Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter Cortical.io.