Ricky Costa, CEO di Quantum Stat – Serie di Interviste

Ricky Costa è il CEO di Quantum Stat, un’azienda che offre soluzioni per le iniziative di NLP e AI NLP

Cosa ti ha inizialmente interessato all’intelligenza artificiale?

Casualità. Stavo leggendo un libro sulla probabilità quando mi sono imbattuto in un famoso teorema. All’epoca, mi chiedevo ingenuamente se potevo applicare quel teorema a un problema di linguaggio naturale che stavo cercando di risolvere al lavoro. Risultò che l’algoritmo esisteva già, anche se non lo sapevo, e si chiamava Naïve Bayes, un modello generativo molto famoso e semplice utilizzato nel machine learning classico. Quel teorema era il teorema di Bayes. Sentii che quella coincidenza era un indizio e piantò un seme di curiosità per continuare a imparare.

Sei il CEO di Quantum Stat, un’azienda che offre soluzioni per l’elaborazione del linguaggio naturale. Come ti sei trovato in questa posizione?

Quando c’è una rivoluzione in una nuova tecnologia, alcune aziende sono più esitanti di altre di fronte all’ignoto. Ho fondato la mia azienda perché inseguire l’ignoto è divertente per me. Inoltre, sentivo che era il momento giusto per avventurarmi nel campo dell’NLP, considerate tutte le ricerche incredibili che sono state condotte negli ultimi due anni. La comunità NLP ha ora la capacità di ottenere molto di più con molto meno, grazie all’avvento di nuove tecniche NLP che richiedono meno dati per scalare le prestazioni.

Per i lettori che potrebbero non essere familiari con questo campo, potresti condividere con noi cosa fa l’elaborazione del linguaggio naturale?

L’NLP è un sottocampo dell’AI e dell’analisi che tenta di comprendere il linguaggio naturale nel testo, nel discorso o nell’apprendimento multimodale (testo e immagini/video) e di calcolarlo al punto in cui si guadagna insight e/o si fornisce un servizio prezioso. Il valore può provenire da diversi angoli, dalla ricerca di informazioni nel sistema di file interno di un’azienda, alla classificazione del sentimento nelle notizie, o a un bot Twitter GPT-2 che aiuta con il tuo marketing sui social media (come quello che abbiamo costruito una couple di settimane fa).

Hai un Bachelor of Arts presso il Hunter College in Psicologia Sperimentale. Sentiti che capire il cervello umano e la psicologia umana sia un vantaggio quando si tratta di comprendere e ampliare il campo dell’elaborazione del linguaggio naturale?

Questo è contrariano, ma purtroppo no. L’analogia dei neuroni e delle reti neurali profonde è semplicemente per illustrazione e per instillare intuizione. Si può probabilmente imparare molto di più dalla scienza della complessità e dall’ingegneria. La difficoltà nel capire come funziona il cervello è che stiamo trattando con un sistema complesso. “Intelligenza” è un fenomeno emergente dalla complessità del cervello che interagisce con il suo ambiente, e molto difficile da definire. La psicologia e le altre scienze sociali, che dipendono dal “riduzionismo” (top-down), non funzionano sotto questo paradigma complesso. Ecco l’intuizione: immagina qualcuno che tenta di ridurre la canzone dei Beatles “Let it Be” alla scala di Do maggiore. Non c’è nulla in quella scala che preveda che “Let it Be” emergerà da essa. Lo stesso segue per qualcuno che tenta di ridurre il comportamento all’attività neurale nel cervello.

Potresti condividere con noi perché i Big Data sono così importanti quando si tratta dell’apprendimento profondo e, più specificamente, dell’elaborazione del linguaggio naturale?

Come stanno le cose, perché i modelli di apprendimento profondo interpolano i dati, più dati si alimentano nel modello, meno casi limite vedrà quando si fa un’inferenza nel mondo reale. Questa architettura “incentiva” grandi set di dati da essere calcolati dai modelli per aumentare l’accuratezza dell’output. Tuttavia, se vogliamo ottenere un comportamento più intelligente dai modelli AI, dobbiamo guardare oltre quanta dati abbiamo e più verso come possiamo migliorare la capacità del modello di ragionare in modo più efficiente, il che, intuitivamente, non dovrebbe richiedere molti dati. Da una prospettiva di complessità, gli esperimenti di automi cellulari condotti nel secolo scorso dai fisici John von Neumann e Stephen Wolfram mostrano che la complessità può emergere da condizioni e regole semplici. Cosa queste condizioni/regole dovrebbero essere per quanto riguarda l’AI, è ciò che tutti stanno cercando.

Hai recentemente lanciato il ‘Big Bad NLP Database’. Cosa è questo database e perché è importante per coloro che sono nel settore AI?

Questo database è stato creato per fornire ai sviluppatori NLP un accesso senza soluzione di continuità a tutti i set di dati pertinenti nel settore. Questo database aiuta a indicizzare i set di dati, che ha un bel effetto secondario di poter essere interrogato dagli utenti. L’elaborazione dei dati richiede la maggior parte del tempo nella pipeline di deploy, e questo database tenta di mitigare questo problema il più possibile. Inoltre, è una piattaforma gratuita per chiunque, indipendentemente dal fatto che siate un ricercatore accademico, un praticante o un guru AI indipendente che vuole mettersi al passo con i dati NLP. Link

Quantum Stat attualmente offre soluzioni end-end. Quali sono alcune di queste soluzioni?

Aiutiamo le aziende a facilitare la loro pipeline di modellazione NLP offrendo sviluppo in qualsiasi fase. Possiamo coprire una vasta gamma di servizi, dalla pulizia dei dati nella fase di pre-elaborazione fino al deploy del modello in produzione (questi servizi sono anche evidenziati nella nostra homepage). Non tutti i progetti AI giungono a compimento a causa della natura ignota di come i dati/progetto specifici funzionano con un modello all’avanguardia. Considerata questa incertezza, i nostri servizi danno alle aziende la possibilità di iterare sul loro progetto a una frazione del costo di assumere un ingegnere ML full-time.

Qual è l’ultima avanzata in AI che trovi più interessante?

La più importante avanzata di recente è il modello transformer, potreste averne sentito parlare: BERT, RoBERTa, ALBERT, T5 e così via. Questi modelli transformer sono molto attraenti perché consentono al ricercatore di ottenere prestazioni all’avanguardia con set di dati più piccoli. Prima dei transformer, uno sviluppatore avrebbe richiesto un set di dati molto grande per addestrare un modello da zero. Poiché questi transformer vengono pre-addestrati su miliardi di parole, consentono un’iterazione più rapida dei progetti AI ed è ciò con cui siamo principalmente coinvolti al momento.

C’è qualcos’altro che ti piacerebbe condividere su Quantum Stat?

Stiamo lavorando a un nuovo progetto che tratta l’analisi del sentimento del mercato finanziario, che sarà rilasciato presto. Abbiamo sfruttato più transformer per fornire un’insight senza precedenti su come le notizie finanziarie si svolgono in tempo reale. Restate sintonizzati!

Per saperne di più, visitate Quantum Stat o leggete il nostro articolo sul Big Bad NLP Database.