Blair Newman, CTO של Neuton – סדרת ראיונות

Blair Newman, הוא ה CTO של Neuton, פלטפורמת Neural Network Framework ואוטומציה של Machine Learning (AutoML) מהפכנית, שיעילה הרבה יותר מכל פלטפורמה אחרת, אלגוריתם לא-נוירוני או מוצר AutoML הזמין בשוק. היא הופכת את הבינה המלאכותית (AI) לזמינה לכולם.

מה היה הדבר שמשך אותך בתחילה ללמידת מכונה ומדעי הנתונים?

מנקודת מבט אישית, תמיד הייתי מעוניין באפשרויות שML/מדעי הנתונים יכולים לספק, כגון – מערים חכמות – מכוניות מחוברות ועכשיו מה שTinyML יכולה גם להציע. עכשיו, עם הדמוקרטיזציה של AI, אנו רואים את ML בכל מקום.

האם תוכל לשתף את סיפור הגנזיס של Neuton?

החלטנו לצאת למסע הפיכת AI ל”כולם” אחרי שנים רבות של ביצוע מספר פרויקטים מנקודת מבט של Machine Learning. במהלך תקופה זו, זיהינו מספר רב של מחסומים שונים שהגבילו צמיחה מעריכית. כדי להפוך את ML לזמין לכולם… היינו צריכים לטפל בחלק מהמחסומים הטכניים שהתקיימו…. הדרישות לכמויות נתונים משמעותיות עבור אימון… פתרון SaaS אוטומטי כדי לבטל את הצורך בניסיון טכני…. ולבסוף, הפלטפורמה שלנו זמינה בחינם כדי להסיר את המחסום האחרון.

לקוראים שאולי לא מכירים את המונחים האלה, האם תוכל להגדיר מהו TinyML?

אני בדרך כלל אוהב לשמור על פשטות…. העולם הפיזי פוגש את העולם הדיגיטלי…. ובנקודה שבה שני הישויות האלה נפגשות… היא עולם של TinyML…. TinyML מביאה את האינטליגנציה ישירות לקצה.

מה מונע את האצת TinyML בקהילת AI?

TinyML בדרך כלל דורשת כמות עצומה של הון מנקודת מבט של משאבים. HW, מהנדסים מבודדים, מהנדסי Machine Learning, מפתחי תוכנה לאינטגרציה…. אחד התחומים שבהם אנו מצטיינים הוא שאנו מקטינים באופן משמעותי את הדרישות.

כיצד Neuton יוצרת מודלים קומפקטיים ללא פשרה על הדיוק?

הפלטפורמות המסורתיות והידועות יותר (כגון TensorFlow) מתחילות עם מבנה קיים שכבר כולל בזבוז. בנוסף, בניית מודל היא לעיתים קרובות תהליך איטרטיבי שאחריו, כאשר המודל נבנה, יש לאופטימיזציה לפני אינטגרציה. זהו מה שאני קורא “גישה מלמעלה”. עם Neuton, אנו הופכים את הפרדיגמה הזו על ראשה, כיוון שאנו בונים כל מודל מלמטה, נוירון אחד בכל פעם, באופן שמוציא את הבזבוז הטבעי שקיים בפלטפורמות אחרות. זה אומר – המבנה הרשתי אינו מוגדר מראש, אלא צומח מנוירון בודד במהלך האימון. אנו משלבים גישה זו עם אימות צלבי קבוע כאשר כל נוירון מוחלף על המודל התוצאתי. כך, המודל הסופי תמיד נבנה למטרה, ללא בזבוז ומדויק עם סיום.

Neuton אינה משתמשת בבק-פרופגיישן או בירידה גרדיאנטית סטוכסטית, מה היה התימוכין מאחורי הימנעות ממתודולוגיות אלו?

הגישה הפטנטית שלנו משתמשת במתודולוגיה של אופטימיזציה גלובלית, שמוציאה באופן יעיל את הצורך ליישום מתודולוגיות אלו.

כמה יותר יעילה היא פתרון Neuton בהשוואה לגישות Machine Learning מסורתיות?

בכל המטריקות המפתח כגון זמן ליצירת מודל, דיוק, גודל מודל ובהתאמה זמן לשוק. אנו רואים באופן עקבי שאנו משפרים את הפלטפורמות והפתרונות האחרים…. בדרך כלל אנו רואים שהמודלים שלנו קטנים פי 1000 עם הקטנת זמן השוק ביותר מ-70%. לבסוף, משרד ההסברה שלנו הוא הטוב ביותר באספקת שקיפות מלאה למודלים שלנו, יחד עם כל אחד מהחיזויים.

האם תוכל לספק פרטים על AI Explainability שפלטפורמת Neuton מציעה?

משרד ההסברה שלנו בא בצורות מרובות. החל מ-EDA (ניתוח נתונים חקרי) שמספק תצוגה ראשונית של סטטיסטיקות הנתונים לפני האימון. משם, מטריצת חשיבות המאפיינים שלנו מאפשרת ללקוחותינו לזהות אילו הם עשרת המאפיינים המשפיעים ביותר על החיזויים שלהם וכן אילו הם עשרת המאפיינים התחתונים שיש להם השפעה מינימלית על החיזויים שלכם. משם, אנו מציעים ללקוחותינו רמה נוספת של שקיפות למודלים התוצאתיים, כאשר הם מסוגלים לנתח כל חיזוי בנפרד כדי לראות כיצד החיזוי שלכם עשוי להשתנות אם ערך של מאפיין נתון משתנה. לבסוף, אנו מספקים כלי ניהול מחזור חיים (Model-To-Data-Relevance Indicator) שמודיע ללקוחותינו באופן פעיל כאשר המודל שלהם מתחיל להידרדר והמודל זקוק לאימון מחדש.

האם יש משהו אחר שתרצה לשתף על Neuton?

משימתנו כאן ב-Neuton היא להביא AI ל”כולם”. אנו מאמינים שהצלחנו להתחיל לממש את האפשרויות האלה. האם זה מאפשר לא-מומחי הנתונים או מעניק כוח למומחי הנתונים המנוסים על ידי ספקת פתרון SaaS בקוד אפס. עכשיו, עם האצת TinyML, אנו בדרך לאמת לדמוקרטיזציה של AI.

תודה על הראיון הנהדר, קוראים שרוצים ללמוד יותר צריכים לבקר Neuton.