Ricky Costa, CEO Quantum Stat – Seri Wawancara

Ricky Costa adalah CEO Quantum Stat, sebuah perusahaan yang menawarkan solusi bisnis untuk NLP dan inisiatif AI

Apa yang awalnya membuat Anda tertarik dengan kecerdasan buatan?

Keacakan. Saya sedang membaca sebuah buku tentang probabilitas ketika saya menemukan sebuah teorema terkenal. Saat itu, saya dengan polos bertanya-tanya apakah saya bisa menerapkan teorema ini ke dalam masalah bahasa alami yang saya coba selesaikan di tempat kerja. Ternyata, algoritma tersebut sudah ada sebelumnya, tanpa saya ketahui, itu disebut Naïve Bayes, sebuah model generatif sederhana yang digunakan dalam pembelajaran mesin klasik. Teorema itu adalah Teorema Bayes. Saya merasa kebetulan ini adalah sebuah petunjuk, dan menanamkan benih ketertarikan untuk terus belajar lebih banyak.

Anda adalah CEO Quantum Stat, sebuah perusahaan yang menawarkan solusi untuk Pengolahan Bahasa Alami. Bagaimana Anda menemukan diri Anda dalam posisi ini?

Ketika ada revolusi dalam teknologi baru, beberapa perusahaan lebih ragu-ragu daripada yang lain dalam menghadapi yang tidak diketahui. Saya memulai perusahaan saya karena mengejar yang tidak diketahui itu menyenangkan bagi saya. Saya juga merasa ini adalah waktu yang tepat untuk memasuki bidang NLP, mengingat semua penelitian luar biasa yang telah muncul dalam dua tahun terakhir. Komunitas NLP memiliki kapasitas sekarang untuk mencapai lebih banyak dengan lebih sedikit, berkat munculnya teknik NLP baru yang memerlukan lebih sedikit data untuk meningkatkan kinerja.

Bagi pembaca yang mungkin tidak familiar dengan bidang ini, bisa Anda berbagi dengan kami apa yang dilakukan oleh Pengolahan Bahasa Alami?

NLP adalah subbidang AI dan analitik yang mencoba memahami bahasa alami dalam teks, ucapan atau pembelajaran multi-modal (teks dan gambar/video) dan menghitungnya ke titik di mana Anda mengemudi wawasan dan/atau menyediakan layanan yang berharga. Nilai dapat datang dari beberapa sudut, dari pengambilan informasi dalam sistem file internal perusahaan, untuk mengklasifikasikan sentimen dalam berita, atau bot Twitter GPT-2 yang membantu dengan pemasaran media sosial Anda (seperti yang kita bangun beberapa minggu yang lalu).

Anda memiliki gelar Sarjana Seni dari Hunter College dalam Psikologi Eksperimental. Apakah Anda merasa memahami otak manusia dan psikologi manusia adalah aset ketika datang ke memahami dan memperluas bidang Pengolahan Bahasa Alami?

Ini kontrarian, tapi sayangnya, tidak. Analogi neuron dan jaringan saraf dalam adalah hanya untuk ilustrasi dan membangkitkan intuisi. Seseorang mungkin bisa belajar lebih banyak dari ilmu kompleksitas dan teknik. Kesulitan dengan memahami bagaimana otak bekerja adalah bahwa kita berhadapan dengan sistem yang kompleks. “Inteligensi” adalah fenomena yang muncul dari kompleksitas otak yang berinteraksi dengan lingkungannya, dan sangat sulit untuk dipahami. Psikologi dan ilmu sosial lainnya, yang bergantung pada “reduksionisme” (top-down) tidak bekerja dalam paradigma kompleks ini. Ini adalah intuisi: bayangkan seseorang mencoba mengurangi lagu “Let it Be” dari The Beatles menjadi skala C Mayor. Tidak ada yang bisa diprediksi dari skala itu bahwa “Let it Be” akan muncul dari itu. Hal yang sama berlaku untuk seseorang yang mencoba mengurangi perilaku menjadi aktivitas saraf di otak.

Bisakah Anda berbagi dengan kami mengapa Big Data sangat penting ketika datang ke Pembelajaran Dalam dan lebih khusus Pengolahan Bahasa Alami?

Sebagaimana adanya, karena model pembelajaran dalam menginterpolasi data, semakin banyak data yang Anda masukkan ke dalam model, semakin sedikit kasus tepi yang akan dilihat ketika membuat inferensi di lapangan. Arsitektur ini “mendorong” dataset besar untuk dihitung oleh model untuk meningkatkan akurasi output. Namun, jika kita ingin mencapai perilaku yang lebih cerdas oleh model AI, kita perlu melihat Beyond berapa banyak data yang kita miliki dan lebih menuju bagaimana kita dapat meningkatkan kemampuan model untuk bernalar lebih efisien, yang intuitif, tidak harus memerlukan banyak data. Dari perspektif kompleksitas, eksperimen automata seluler yang dilakukan pada abad terakhir oleh fisikawan John von Neumann dan Stephen Wolfram menunjukkan bahwa kompleksitas dapat muncul dari kondisi awal sederhana dan aturan. Apa kondisi/aturan yang harus kita cari dengan regards AI, adalah apa yang semua orang cari.

Anda baru-baru ini meluncurkan ‘Big Bad NLP Database’. Apa itu database ini dan mengapa itu penting bagi mereka di industri AI?

Database ini dibuat untuk pengembang NLP agar memiliki akses yang mudah ke semua dataset yang relevan di industri. Database ini membantu mengindeks dataset yang memiliki efek sekunder yang bagus untuk dapat diquery oleh pengguna. Pemrosesan data memakan sebagian besar waktu dalam pipeline penerapan, dan database ini mencoba untuk memitigasi masalah ini sebanyak mungkin. Selain itu, ini adalah platform gratis untuk siapa saja, terlepas dari apakah Anda seorang peneliti akademis, praktisi, atau ahli AI independen yang ingin memulai dengan data NLP. Link

Quantum Stat saat ini menawarkan solusi ujung-ke-ujung. Apa beberapa solusi ini?

Kami membantu perusahaan memfasilitasi pipeline modeling NLP mereka dengan menawarkan pengembangan pada setiap tahap. Kami dapat menutupi berbagai layanan dari pembersihan data pada tahap pra-pengolahan hingga penyebaran model server pada produksi (layanan ini juga disorot pada halaman utama kami). Tidak semua proyek AI berhasil karena sifat tidak pasti dari bagaimana data/proyek arsitektur Anda bekerja dengan model state-of-the-art. Mengingat ketidakpastian ini, layanan kami memberikan perusahaan kesempatan untuk mengulangi proyek mereka dengan biaya yang jauh lebih rendah daripada merekrut insinyur ML penuh waktu.

Apa kemajuan terbaru dalam AI yang Anda temukan paling menarik?

Kemajuan paling penting akhir-akhir ini adalah model transformer, Anda mungkin pernah mendengar tentangnya: BERT, RoBERTa, ALBERT, T5 dan seterusnya. Model transformer ini sangat menarik karena memungkinkan peneliti untuk mencapai kinerja state-of-the-art dengan dataset yang lebih kecil. Sebelum transformer, pengembang memerlukan dataset yang sangat besar untuk melatih model dari awal. Karena transformer ini telah dipratinjau pada miliaran kata, ini memungkinkan iterasi AI yang lebih cepat dan itu adalah apa yang kita lakukan sekarang.

Apakah ada yang lain yang Anda ingin bagikan tentang Quantum Stat?

Kami sedang mengerjakan proyek baru yang berkaitan dengan analisis sentimen pasar keuangan yang akan segera dirilis. Kami telah menggunakan beberapa transformer untuk memberikan wawasan yang belum pernah ada sebelumnya tentang bagaimana berita keuangan terungkap dalam waktu nyata. Tunggu saja!

Untuk mempelajari lebih lanjut, kunjungi Quantum Stat atau baca artikel kami tentang Big Bad NLP Database.