Blair Newman, CTO dari Neuton – Seri Wawancara

Blair Newman, adalah CTO dari Neuton, sebuah kerangka kerja Neural Network yang inovatif dan solusi Machine Learning Otomatis (AutoML) yang jauh lebih efektif daripada kerangka kerja atau produk AutoML lainnya yang tersedia di pasar. Ini membuat Kecerdasan Buatan (AI) tersedia untuk semua orang.

Apa yang awalnya menarik Anda untuk mempelajari machine learning dan data science?

Dari perspektif pribadi, saya selalu tertarik dengan kemungkinan yang dapat ditawarkan oleh ML/Ilmu Data, seperti – Dari Kota Pintar – Mobil Terhubung dan sekarang apa yang dapat ditawarkan oleh TinyML. Sekarang dengan demokratisasi AI, kita secara harfiah melihat ML di mana-mana.

Bisakah Anda membagikan kisah di balik Neuton?

Kami memutuskan untuk memulai perjalanan membuat AI tersedia untuk “Semua orang” setelah beberapa tahun mengerjakan beberapa proyek dari perspektif Machine Learning. Selama periode ini, kami mengidentifikasi beberapa hambatan yang membatasi pertumbuhan eksponensial. Jadi, untuk benar-benar membuat ML tersedia untuk semua orang… Kami perlu mengatasi beberapa hambatan teknis yang ada…. Persyaratan untuk jumlah data yang signifikan untuk melakukan pelatihan… Solusi SaaS Otomatis untuk menghilangkan kebutuhan akan keahlian teknis…. Lalu terakhir, membuat platform kami tersedia secara gratis untuk menghilangkan hambatan terakhir.

Bagi pembaca yang mungkin tidak familiar dengan istilah ini, bisakah Anda mendefinisikan apa itu TinyML?

Saya biasanya suka menjaga kesederhanaan…. Dunia fisik bertemu dengan dunia digital…. Dan di mana dua entitas itu bertemu… adalah dunia TinyML…. TinyML membawa kecerdasan tepat di ujungnya.

Apa yang menghambat percepatan TinyML di komunitas AI?

TinyML biasanya memerlukan modal yang sangat besar dari perspektif sumber daya. HW, Insinyur Terbenam, Insinyur Machine Learning, Pengembang Perangkat Lunak untuk integrasi…. Salah satu area di mana kami unggul adalah kami mengurangi persyaratan tersebut secara signifikan.

Bagaimana Neuton membuat model kompak tanpa mengorbankan akurasi?

Kerangka kerja tradisional dan lebih dikenal (misalnya TensorFlow) dimulai dengan struktur yang sudah ada yang secara inheren mengandung limbah. Selain itu, membangun model sering kali merupakan proses yang sangat iteratif yang kemudian, setelah model dibangun, harus dioptimalkan sebelum integrasi. Ini adalah apa yang saya sebut sebagai pendekatan top-down. Dengan Neuton, kami membalik paradigma ini sepenuhnya karena kami membangun setiap model dari bawah ke atas, satu Neuron pada satu waktu, secara efektif menghilangkan limbah yang inheren dengan kerangka kerja lain. Ini dikatakan – struktur jaringan tidak ditentukan sebelumnya, tetapi tumbuh dari satu neuron selama pelatihan. Kami menggabungkan pendekatan ini dengan validasi silang konstan karena setiap Neuron diterapkan pada model yang dihasilkan. Jadi, model akhir selalu dibangun untuk tujuan, tanpa limbah dan akurat saat selesai.

Neuton tidak menggunakan backpropagation atau stochastic gradient descent, apa alasan di balik menghindari metode populer ini?

Pendekatan paten kami menggunakan metode Optimasi Global yang efektif menghilangkan kebutuhan untuk menerapkan metode ini.

Seberapa efisien solusi Neuton dibandingkan dengan pendekatan machine learning tradisional?

Dalam semua metrik kunci seperti waktu pembuatan model, akurasi, ukuran model, dan waktu ke pasar. Kami secara konsisten melihat bahwa kami outperform kerangka kerja dan platform lain…. Biasanya kami melihat bahwa model kami sering kali 1000 kali lebih kecil dengan waktu ke pasar yang berkurang lebih dari 70%. Terakhir, Kantor Keterjelasan kami tidak ada duanya dalam menyediakan transparansi lengkap terhadap model kami serta setiap prediksi individu.

Bisakah Anda menyediakan beberapa detail tentang Keterjelasan AI yang ditawarkan oleh platform Neuton?

Kantor Keterjelasan kami hadir dalam beberapa bentuk. Dimulai dengan alat Analisis Data Eksploratif (EDA) kami yang menyediakan pandangan awal tentang statistik data sebelum pelatihan. Dari sana, Matriks Kepentingan Fitur kami memungkinkan pelanggan kami untuk mengidentifikasi fitur atas 10 yang mempengaruhi prediksi mereka dan juga fitur bawah 10 yang memiliki pengaruh minimal terhadap prediksi mereka. Dari sana, kami menawarkan pelanggan kami tingkat transparansi berikutnya terhadap model yang dihasilkan karena mereka dapat menganalisis setiap prediksi individu untuk melihat bagaimana prediksi mereka mungkin berubah jika nilai fitur tertentu berubah. Terakhir, kami menyediakan alat Manajemen Siklus Hidup (Model-To-Data-Relevance Indicator) yang secara proaktif memberi tahu pelanggan kami ketika model mereka mulai memburuk dan model mereka perlu dilatih ulang.

Apakah ada yang lain yang Anda ingin bagikan tentang Neuton?

Misi kami di Neuton adalah untuk secara harfiah membawa AI kepada Semua orang. Kami percaya kami telah berhasil dalam mewujudkan kemungkinan ini. Apakah itu memungkinkan non-Ilmuwan Data atau memberdayakan Ilmuwan Data yang berpengalaman dengan menyediakan solusi SaaS Zero Code. Sekarang dengan percepatan TinyML, kami berada di jalur yang tepat untuk benar-benar mendemokratisasi AI.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi Neuton.