Birago Jones, Co-Fondatore e Amministratore Delegato di Pienso – Serie di Interviste

Birago Jones è l’Amministratore Delegato e Co-Fondatore di Pienso, una piattaforma no-code/low-code per le imprese per addestrare e distribuire modelli di intelligenza artificiale senza la necessità di competenze avanzate in scienza dei dati o programmazione. Oggi, i clienti di Birago includono il governo degli Stati Uniti e Sky, il più grande broadcaster del Regno Unito. Pienso si basa sulla ricerca di Birago presso il Massachusetts Institute of Technology (MIT), dove lui e il suo co-fondatore Karthik Dinakar hanno lavorato come assistenti di ricerca nel MIT Media Lab. È un’autorità di spicco nell’intersezione di intelligenza artificiale (AI) e interazione uomo-macchina (HCI), e un sostenitore di un’intelligenza artificiale responsabile.

Pienso‘s interfaccia di apprendimento interattiva è progettata per consentire agli utenti di sfruttare al massimo le potenzialità dell’intelligenza artificiale senza alcun codice. La piattaforma guida gli utenti attraverso il processo di addestramento e distribuzione di grandi modelli linguistici (LLM) che sono impressi con la loro esperienza e ottimizzati per rispondere alle loro domande specifiche.

cosa ti ha inizialmente attratto a perseguire i tuoi studi in AI, HCI (Human Computer Interaction) e user experience?

Avevo già sviluppato progetti personali focalizzati sulla creazione di strumenti di accessibilità e applicazioni per i non vedenti, come un lettore di braille digitale tattile utilizzando uno smartphone e un sistema di navigazione interna (bastone digitale). Credevo che l’intelligenza artificiale potesse migliorare e sostenere questi sforzi.

Pienso è stato inizialmente concepito durante il tuo tempo al MIT, come è nata l’idea di addestrare modelli di apprendimento automatico per renderli accessibili a utenti non tecnici?

Il mio co-fondatore Karthik e io ci siamo incontrati alla scuola di specializzazione mentre conducevamo entrambi ricerche nel MIT Media Lab. Ci siamo uniti per un progetto di classe per costruire uno strumento che avrebbe aiutato le piattaforme di social media a moderare e segnalare contenuti di bullismo. Lo strumento stava ottenendo molti consensi e siamo stati invitati alla Casa Bianca per dare una dimostrazione della tecnologia durante un vertice sul bullismo online.

C’era solo un problema: mentre il modello funzionava come doveva, non era stato addestrato con i dati giusti, quindi non era in grado di identificare contenuti dannosi che utilizzavano slang adolescenziale. Karthik e io stavamo lavorando insieme per trovare una soluzione e abbiamo poi realizzato che potevamo risolvere questo problema se avessimo trovato un modo per far addestrare i dati del modello direttamente dagli adolescenti.

Questo è stato il momento “Aha” che avrebbe in seguito ispirato Pienso: gli esperti del settore, non gli ingegneri di intelligenza artificiale come noi, dovrebbero essere in grado di fornire più facilmente input sui dati di addestramento del modello. Abbiamo sviluppato strumenti point-and-click che consentono a non esperti di addestrare grandi quantità di dati su larga scala. Abbiamo poi portato questa tecnologia nelle scuole locali di Cambridge, nel Massachusetts, e abbiamo chiesto l’aiuto di adolescenti locali per addestrare i loro algoritmi, il che ci ha permesso di catturare più sfumature negli algoritmi di quanto non fosse possibile in precedenza. Con questa tecnologia, abbiamo lavorato con organizzazioni come MTV e il Brigham and Women’s Hospital.

potresti condividere la storia di come Pienso è stato poi spin-off dal MIT in una società indipendente?

Sapevamo sempre che questa tecnologia poteva fornire valore al di là del caso d’uso che avevamo costruito, ma non è stato fino al 2016 che abbiamo finalmente fatto il salto per commercializzarla, quando Karthik ha completato il suo dottorato. A quel tempo, l’apprendimento profondo stava esplodendo in popolarità, ma era principalmente gli ingegneri di intelligenza artificiale che lo utilizzavano perché nessun altro aveva le competenze per addestrare e distribuire questi modelli.

quali sono le principali innovazioni e algoritmi che consentono l’interfaccia no-code di Pienso per la costruzione di modelli di intelligenza artificiale? Come Pienso assicura che gli esperti del settore, senza background tecnico, possano addestrare efficacemente modelli di intelligenza artificiale?

Pienso elimina le barriere dell'”MLOps” — pulizia dei dati, etichettatura dei dati, addestramento del modello e distribuzione. La nostra piattaforma utilizza un approccio di apprendimento automatico semi-supervisionato, che consente agli utenti di iniziare con dati di addestramento non etichettati e quindi utilizzare l’esperienza umana per annotare rapidamente e con precisione grandi volumi di dati testuali senza dover scrivere alcun codice. Questo processo addestra modelli di apprendimento profondo che sono in grado di classificare e generare nuovi testi con precisione.

come Pienso offre personalizzazione nello sviluppo di modelli di intelligenza artificiale per soddisfare le esigenze specifiche di diverse organizzazioni?

Siamo forti sostenitori del fatto che nessun modello possa risolvere ogni problema per ogni azienda. Dobbiamo essere in grado di costruire e addestrare modelli personalizzati se vogliamo che l’intelligenza artificiale comprenda le sfumature di ogni azienda e caso d’uso specifico. È per questo che Pienso consente di addestrare modelli direttamente sui dati di un’organizzazione. Ciò allevia le preoccupazioni di privacy relative all’utilizzo di modelli fondamentali e può anche fornire informazioni più accurate.

Pienso si integra anche con i sistemi aziendali esistenti attraverso API, consentendo di consegnare i risultati dell’inferenza in formati diversi. Pienso può anche funzionare senza affidarsi a servizi o API di terze parti, il che significa che i dati non devono mai essere trasmessi all’esterno di un ambiente sicuro. Può essere distribuito su principali provider cloud e anche on-premise, rendendolo un’opzione ideale per settori che richiedono forti pratiche di sicurezza e conformità, come agenzie governative o finanza.

come vedi la piattaforma evolversi nei prossimi anni?

Nei prossimi anni, Pienso continuerà a evolversi concentrandosi su una maggiore scalabilità e efficienza. Man mano che la domanda di analisi di testi ad alto volume cresce, miglioreremo la nostra capacità di gestire dataset più grandi con tempi di inferenza più rapidi e analisi più complesse. Siamo anche impegnati a ridurre i costi associati alla scalabilità di grandi modelli linguistici per garantire che le imprese ottengano valore senza compromettere la velocità o la precisione.

Spingeremo anche ulteriormente la democratizzazione dell’intelligenza artificiale. Pienso è già una piattaforma no-code/low-code, ma prevediamo di espandere ulteriormente l’accessibilità dei nostri strumenti. Continueremo a perfezionare la nostra interfaccia in modo che un’ampia gamma di utenti, dalle squadre di analisi aziendale alle squadre tecniche, possano continuare ad addestrare, ottimizzare e distribuire modelli senza richiedere competenze tecniche approfondite.

Man mano che lavoriamo con più clienti in diversi settori, Pienso si adatterà per offrire soluzioni più personalizzate. Sia che si tratti di finanza, sanità o governo, la nostra piattaforma evolverà per incorporare modelli e moduli specifici del settore per aiutare gli utenti a ottimizzare i loro modelli in modo più efficace per i loro casi d’uso specifici.

Pienso diventerà ancora più integrato all’interno dell’ecosistema di intelligenza artificiale più ampio, lavorando in modo trasparente con le soluzioni / strumenti dei principali provider cloud e soluzioni on-premise. Ci concentreremo sullo sviluppo di integrazioni più solide con altre piattaforme di dati e strumenti, abilitando un flusso di lavoro di intelligenza artificiale più coeso che si adatta alle pile tecnologiche aziendali esistenti.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Pienso.