Blair Newman, CTO di Neuton – Serie di Interviste

Blair Newman, è il CTO di Neuton, un framework di reti neurali rivoluzionario e una soluzione di Machine Learning automatico (AutoML) che è molto più efficace di qualsiasi altro framework, algoritmo non neurale o prodotto AutoML disponibile sul mercato. Rende l’Intelligenza Artificiale (AI) accessibile a tutti.

Cosa ti ha inizialmente attratto verso il machine learning e la scienza dei dati?

Da un punto di vista personale, sono sempre stato affascinato dalle possibilità che il ML/Scienza dei dati può offrire, come ad esempio – dalle Smart City alle Connected Car e ora anche da quello che TinyML può offrire. Ora, con la democratizzazione dell’AI, stiamo letteralmente vedendo il ML ovunque.

Puoi condividere la storia di come è nata Neuton?

Abbiamo deciso di intraprendere il viaggio di rendere l’AI disponibile a “tutti” dopo molti anni di esecuzione di numerosi progetti da una prospettiva di Machine Learning. Durante questo periodo, abbiamo identificato una serie di barriere diverse che limitavano la crescita esponenziale. Quindi, per rendere veramente il ML disponibile a tutti… dovevamo affrontare alcune delle barriere tecniche che esistevano…. I requisiti per quantità significative di dati per l’addestramento… Una soluzione SaaS automatizzata per eliminare la necessità di competenze tecniche…. E infine, rendere la nostra piattaforma disponibile gratuitamente per rimuovere l’ultima barriera.

Per i lettori che potrebbero non essere familiari con questo termine, potresti definire cosa è TinyML?

Di solito mi piace tenere le cose semplici…. Il mondo fisico incontra il mondo digitale…. E dove questi due enti si intersecano… è il mondo di TinyML…. TinyML porta l’intelligenza proprio in quel punto.

Cosa sta impedendo l’accelerazione di TinyML nella comunità AI?

TinyML richiede generalmente una quantità enorme di capitali da un punto di vista delle risorse. HW, ingegneri embedded, ingegneri di Machine Learning, sviluppatori software per l’integrazione…. Una delle aree in cui noi eccelliamo è che riduciamo significativamente questi requisiti.

Come fa Neuton a creare modelli compatti senza compromettere l’accuratezza?

I framework tradizionali e più noti (ad es. TensorFlow) partono da una struttura preesistente che include inevitabilmente sprechi. Inoltre, la costruzione di un modello è spesso un processo molto iterativo che, una volta costruito, deve essere ottimizzato prima dell’integrazione. Questo è ciò che io chiamo un approccio top-down. Con Neuton, capovolgiamo completamente questo paradigma, poiché costruiamo ogni modello dal basso verso l’alto, un neurone alla volta, eliminando efficacemente gli sprechi presenti negli altri framework. Ciò detto, la struttura della rete non è predefinita, ma cresce da un singolo neurone durante l’addestramento. Abbiamo accoppiato questo approccio con una validazione incrociata costante, poiché ogni neurone viene applicato al modello risultante. Quindi, il modello finale è sempre costruito per uno scopo specifico, senza sprechi e accurato al completamento.

Neuton non utilizza la retropropagazione o il gradiente stocastico, qual è il ragionamento dietro l’evitare queste metodologie popolari?

Il nostro approccio brevettato utilizza una metodologia di ottimizzazione globale, eliminando efficacemente la necessità di applicare queste metodologie.

Quanto più efficiente è la soluzione Neuton rispetto agli approcci di machine learning tradizionali?

In tutte le metriche chiave, come il tempo di creazione del modello, l’accuratezza, la dimensione del modello e, di conseguenza, il tempo di mercato. Costantemente vediamo che superiamo gli altri framework e piattaforme…. Di solito, i nostri modelli sono 1000 volte più piccoli, con un tempo di mercato ridotto di oltre il 70%. Infine, il nostro Ufficio di Spiegabilità è seconda a nessuno nel fornire una completa trasparenza ai nostri modelli, insieme a ogni singola previsione.

Puoi fornire alcuni dettagli sulla spiegabilità dell’AI che la piattaforma Neuton offre?

Il nostro Ufficio di Spiegabilità si presenta in molte forme. Inizia con il nostro strumento di Analisi dei Dati (EDA), che fornisce una visione iniziale delle statistiche dei tuoi dati prima dell’addestramento. Da lì, la nostra Matrice di Importanza delle Caratteristiche consente ai nostri clienti di identificare quali sono le prime 10 caratteristiche che influenzano le loro previsioni e quali sono le ultime 10 caratteristiche che hanno un’influenza minima sulle loro previsioni. Da lì, offriamo ai nostri clienti un ulteriore livello di trasparenza per i modelli risultanti, poiché sono in grado di analizzare ogni previsione individualmente per vedere come la loro previsione potrebbe cambiare se il valore di una caratteristica specifica cambia. Infine, forniamo uno strumento di gestione del ciclo di vita (Model-To-Data-Relevance Indicator) che avvisa proattivamente i nostri clienti quando il loro modello inizia a decadere e il loro modello necessita di essere riaddestrato.

C’è qualcos’altro che vorresti condividere su Neuton?

La nostra missione qui a Neuton è letteralmente quella di portare l’AI a tutti. Crediamo di aver avuto successo nel realizzare queste possibilità. Sia che si tratti di abilitare i non scienziati dei dati o di potenziare gli scienziati dei dati stagionati, fornendo una soluzione SaaS a codice zero. Ora, con l’accelerazione di TinyML, siamo sulla strada giusta per democratizzare veramente l’AI.

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