ब्लेयर न्यूमैन, न्यूटन के सीटीओ – साक्षात्कार श्रृंखला

ब्लेयर न्यूमैन, न्यूटन के सीटीओ हैं, जो एक विघटनकारी न्यूरल नेटवर्क फ्रेमवर्क और ऑटोमेटेड मशीन लर्निंग (ऑटोमेल) समाधान है जो बाजार में उपलब्ध किसी भी अन्य फ्रेमवर्क, गैर-न्यूरल एल्गोरिदम या ऑटोमेल उत्पाद की तुलना में बहुत अधिक प्रभावी है। यह आर्टिफिशियल इंटेलिजेंस (एआई) को सभी के लिए उपलब्ध कराता है।

आपको मशीन लर्निंग और डेटा साइंस में क्या आकर्षित किया?

व्यक्तिगत दृष्टिकोण से, मुझे हमेशा से एमएल/डेटा साइंस द्वारा प्रदान की जाने वाली संभावनाओं से आकर्षित किया गया है, जैसे कि स्मार्ट सिटी, कनेक्टेड कार और अब टिनीएमएल क्या प्रदान कर सकता है। अब एआई के लोकतंत्रीकरण के साथ, हम वास्तव में एमएल हर जगह देख रहे हैं।

न्यूटन की उत्पत्ति की कहानी साझा करें?

हमने कई परियोजनाओं पर मशीन लर्निंग के दृष्टिकोण से काम करने के कई वर्षों के बाद एआई को “सभी के लिए” उपलब्ध कराने की यात्रा पर निकलने का फैसला किया। इस अवधि के दौरान, हमने कई अलग-अलग बाधाओं की पहचान की जो घातांकी वृद्धि को सीमित करती थीं। इसलिए, वास्तव में एमएल को सभी के लिए उपलब्ध बनाने के लिए … हमें कुछ तकनीकी बाधाओं को संबोधित करने की आवश्यकता थी जो मौजूद थीं। आवश्यकताएं महत्वपूर्ण मात्रा में डेटा के लिए प्रशिक्षण करने के लिए … एक स्वचालित सास समाधान तकनीकी विशेषज्ञता की आवश्यकता को समाप्त करने के लिए … और अंत में, हमारे प्लेटफ़ॉर्म को मुफ्त में उपलब्ध कराने के लिए अंतिम बाधा को दूर करने के लिए।

टिनीएमएल को परिभाषित करें जो पाठकों को इसके बारे में अनजान हो सकते हैं?

मैं आमतौर पर इसे सरल रखना पसंद करता हूं … भौतिक दुनिया मिलती है डिजिटल दुनिया … और जहां वे दो संस्थाएं मिलती हैं … वह टिनीएमएल की दुनिया है … टिनीएमएल बुद्धिमत्ता को सीधे उस किनारे पर लाता है।

एआई समुदाय में टिनीएमएल के त्वरण को क्या रोक रहा है?

टिनीएमएल को आमतौर पर संसाधन के दृष्टिकोण से एक बड़ी पूंजी की आवश्यकता होती है। एचडब्ल्यू, एम्बेडेड इंजीनियर, मशीन लर्निंग इंजीनियर, सॉफ्टवेयर डेवलपर्स एकीकरण के लिए … एक ऐसा क्षेत्र जहां हम उत्कृष्टता प्राप्त करते हैं कि हम उन आवश्यकताओं को काफी हद तक कम कर देते हैं।

न्यूटन सटीकता को समझौता किए बिना कॉम्पैक्ट मॉडल कैसे बनाता है?

पारंपरिक और अधिक जाने-माने फ्रेमवर्क (जैसे टेंसोरफ्लो) एक पूर्व-मौजूदा संरचना से शुरू होता है जो स्वाभाविक रूप से अपशिष्ट को शामिल करता है। इसके अलावा, एक मॉडल बनाना अक्सर एक बहुत ही पुनरावृत्ति प्रक्रिया है जो एक बार मॉडल बन जाने के बाद एकीकरण से पहले अनुकूलन की आवश्यकता होती है। यह वह है जिसे मैं शीर्ष-नीचे की दृष्टि कहता हूं। न्यूटन के साथ, हम इस परिदृश्य को पूरी तरह से उलट देते हैं क्योंकि हम प्रत्येक मॉडल को नीचे से एक न्यूरॉन के साथ बनाते हैं, जो अन्य फ्रेमवर्क के साथ अनुभव किए जाने वाले निहित अपशिष्ट को प्रभावी ढंग से समाप्त करता है। यह कहा जा रहा है, नेटवर्क संरचना पूर्व-निर्धारित नहीं है, लेकिन प्रशिक्षण के दौरान एक एकल न्यूरॉन से विकसित होती है। हम इस दृष्टिकोण को प्रत्येक न्यूरॉन के लिए निरंतर क्रॉस-वैलिडेशन के साथ जोड़ते हैं क्योंकि वे परिणामी मॉडल में लागू होते हैं। इसलिए, अंतिम मॉडल हमेशा उद्देश्य के लिए बनाया जाता है, किसी भी अपशिष्ट के साथ नहीं और पूरा होने पर सटीक होता है।

न्यूटन बैकप्रोपेगेशन या स्टोकास्टिक ग्रेडिएंट डिसेंट का उपयोग क्यों नहीं करता है, जो लोकप्रिय विधियां हैं?

हमारे पेटेंट वाले दृष्टिकोण में एक वैश्विक अनुकूलन विधि का उपयोग किया जाता है जो इन विधियों को लागू करने की आवश्यकता को प्रभावी ढंग से समाप्त करता है।

न्यूटन समाधान पारंपरिक मशीन लर्निंग दृष्टिकोणों की तुलना में कितना अधिक कुशल है?

मॉडल निर्माण के समय, सटीकता, मॉडल आकार और परिणामस्वरूप बाजार में समय जैसे सभी प्रमुख मेट्रिक्स में। हम लगातार देखते हैं कि हम अन्य फ्रेमवर्क और प्लेटफार्मों को पार करते हैं … आमतौर पर हम देखते हैं कि हमारे मॉडल 1000 गुना छोटे होते हैं और बाजार में समय 70% से अधिक कम हो जाता है। अंत में, हमारा एक्सप्लेनेबिलिटी ऑफिस हमारे मॉडल के साथ-साथ प्रत्येक व्यक्तिगत भविष्यवाणी के लिए पूरी पारदर्शिता प्रदान करने में दूसरों से बेहतर है।

न्यूटन प्लेटफ़ॉर्म द्वारा प्रदान की जाने वाली एआई व्याख्या पर कुछ विवरण प्रदान करें?

हमारा एक्सप्लेनेबिलिटी ऑफिस कई रूपों में आता है। पहले, हमारे एक्सप्लोरेटरी डेटा विश्लेषण (ईडीए) टूल के साथ शुरू जो प्रशिक्षण से पहले आपके डेटा के आंकड़ों का एक प्रारंभिक दृश्य प्रदान करता है। वहां से, हमारा फीचर इम्पोर्टेंस मैट्रिक्स हमारे ग्राहकों को यह पहचानने में सक्षम बनाता है कि उनकी भविष्यवाणियों को प्रभावित करने वाली शीर्ष 10 विशेषताएं कौन सी हैं और कौन सी न्यूनतम प्रभाव डालती हैं। वहां से, हम अपने ग्राहकों को उनके परिणामी मॉडल के लिए अगले स्तर की पारदर्शिता प्रदान करते हैं क्योंकि वे देख सकते हैं कि किसी दिए गए विशेषता के मान में परिवर्तन के कारण उनकी भविष्यवाणी कैसे बदल सकती है। अंत में, हम एक जीवन चक्र प्रबंधन उपकरण (मॉडल-टू-डेटा-प्रासंगिकता संकेतक) प्रदान करते हैं जो हमारे ग्राहकों को सूचित करता है जब उनका मॉडल गिरना शुरू हो जाता है और उनके मॉडल को पुन: प्रशिक्षित करने की आवश्यकता होती है।

क्या न्यूटन के बारे में और कुछ है जो आप साझा करना चाहेंगे?

न्यूटन में हमारा मिशन वास्तव में एआई को सभी के लिए लाना है। हम मानते हैं कि हम इन संभावनाओं को महसूस करने में सफल रहे हैं। चाहे वह गैर-डेटा वैज्ञानिक को सक्षम बनाना हो या अनुभवी डेटा वैज्ञानिकों को सशक्त बनाना हो जो शून्य कोड सास आधार समाधान प्रदान करते हैं। अब टिनीएमएल के त्वरण के साथ, हम वास्तव में एआई को लोकतंत्रीकरण करने के रास्ते पर हैं।

साक्षात्कार के लिए धन्यवाद, पाठक जो अधिक जानना चाहते हैं उन्हें न्यूटन पर जाना चाहिए।