에티엔 베르나르, NuMind의 공동 창립자 및 CEO – 인터뷰 시리즈

에티엔 베르나르(Etienne Bernard)는 2022년 6월에 설립된 기계 학습 도구 개발 전문 소프트웨어 회사인 NuMind의 공동 창립자이자 CEO입니다. 에티엔은 AI 및 기계 학습 전문가입니다. 에티엔은 통계 물리학 분야에서 박사 학위(ENS)와 박사 후 연구원(MIT)을 마친 후, 7년 동안 Wolfram Research에서 기계 학습 책임자로 일했습니다. 이 기간 동안 에티엔은 자동 학습 도구, 사용자 친화적인 深層 학습 프레임워크, 및 다양한 기계 학습 애플리케이션의 개발을 주도했습니다.

기계 학습에 처음 관심을 가지게 된 계기는 무엇인가?

제가 “기계 학습”이라는 용어를 처음 들은 것은 2009년이었던 것으로 기억합니다. 넷플릭스 프라이즈(Netflix Prize) 덕분이었습니다. 제가 당시에는 기계가 학습할 수 있다는 아이디어가 매우 매력적이고 강력하다고 생각했습니다. 이미 기계 학습이 많은 중요한 애플리케이션을 만들어낼 것이라는 것을 알았습니다. 제가 바로 이것에 뛰어들기로 결정했고, 다시는 돌아오지 않았습니다.

통계 물리학 분야에서 박사 학위(ENS)와 박사 후 연구원(MIT)을 마친 후, Wolfram Research에서 7년 동안 기계 학습 책임자로 일했습니다. 당시 가장 интерес 있는 프로젝트는 무엇이었나요?

제가 가장 좋아하는 프로젝트는 Wolfram Language(a.k.a. Mathematica)용 자동 기계 학습 함수를 개발하는 것이었습니다. 첫 번째 프로젝트는 Classify였습니다. 사용자는 데이터만 입력하면 분류기를 반환합니다. 제가 항상 생각하는 기계 학습은 자동화되어야 한다는 것입니다. 인간 학생의 하이퍼파라미터를 조정하지 않듯이, 기계도 조정할 필요가 없습니다! 자동 기계 학습 함수를真正로 robust하고 효율적으로 만들기 위해서는 과학적이고 소프트웨어 엔지니어링적인 관점에서 매우 어려운 도전이었습니다.

고급 신경망 프레임워크를 만들기도 매우 interessant했습니다. 신경망을 상징적으로 표현하는 방법, 시각화하는 방법, 조작하는 방법(예를 들어, 일부를 잘라내거나, 다른 부분을 붙이거나, 레이어를 교체하는 등)에 대한 어려운 설계 결정이 많았습니다. 제가 생각하기에 우리는 괜찮은 일을 한 것 같습니다. 만약 오픈소스였다면, 확실히 많이 사용될 것입니다 😉

당시에도 “기계 학습 소개“라는 책을 집필했습니다. इतन 자세한 책을 쓰는 데에는 어떤 어려움이 있었나요?

많은 어려움이 있었습니다! 총 2년이 걸렸습니다. 제가 “how-to” 책을 쓸 수 있었지만, Wolfram에서 기계 학습을 배우는 과정에서 제가 전달하고 싶은 내용이 많았습니다. 그래서 가장 어려운 부분은 무엇을 말할 것인지, 어떤 순서로 말할 것인지 결정하는 것이었습니다. 그리고 교육적인 세부 사항이었습니다. 수식이나 코드, 시각화를 사용할지 결정해야 했습니다. 제가 이 책을 가능한 한 쉽게 만들고 싶었습니다. 그래서 많은 고민을 했습니다. 하지만 결과에 만족합니다. 많은 사람들에게 도움이 되길 바랍니다!

NuMind의 기원에 대해 알려주세요.

네. 저는 2012년에 처음으로 스타트업을 만들고 싶었습니다. 자동 기계 학습 도구를 만들고 싶었습니다. 하지만 Wolfram에서 너무 재미있게 일하고 있었습니다. 2019년에서 2020년 사이에 첫 번째 큰 언어 모델(Large Language Model, LLM)이 등장했습니다. 예를 들어 GPT-2와 GPT-3입니다. 저는 그들이 텍스트를 이해하고 생성하는 능력이 놀라웠습니다.同時에, NLP 모델을 만들기 위해 필요한 노력의 양이 너무 많았습니다. 예를 들어, 주석 팀을 구성해야 하고, 전문가가 많은 실험을 해야 합니다. 저는 이러한 LLM을 사용하여 NLP 모델을 만들기 위한 도구를 만들 수 있을 것이라고 생각했습니다. 제 공동 창립자 Samuel(제 사촌입니다)은 같은 비전을 가지고 있었습니다. 그래서 우리는 이 도구를 만들기로 결정했습니다.

NuMind의 목표는 기계 학습과 인공지능을 더 쉽게 사용할 수 있도록 Powerful한 도구를 만들어서, 기계 학습과 인공지능의 사용을 널리 퍼뜨리는 것입니다. 현재 사용할 수 있는 도구는 무엇인가?

네. 저희의 첫 번째 도구는 사용자 정의 NLP 모델을 만들기 위한 것입니다. 예를 들어, 사용자의 피드백에서 감정을 분석하고 싶습니다. 기존 모델을 사용하는 것은 일반적으로 좋지 않습니다. 왜냐하면 다른 데이터로 훈련되었고, 조금 다른 작업을 위해 설계되었기 때문입니다. 사용자는 자신의 데이터에 잘 작동하는 사용자 정의 모델을 만들고 싶습니다. 저희의 도구는 매우 간단하고 효율적으로 이 작업을 수행할 수 있습니다. 사용자는 데이터를 로드하고, 약간의 주석을 추가하고, API를 통해 모델을 배포할 수 있습니다. 이것은 LLM과 새로운 학습 패러다임인 Interactive AI Development 덕분에 가능합니다.

첫 번째 NuMind 고객이 개발한 사용자 정의 모델은 무엇인가?

감정 분석기가 몇 개 있었습니다. 예를 들어, 한 고객은 중독자들이 서로 도와주는 그룹 채팅의 감정을 분석하고 있습니다. 감정이 나빠지는 경우에 개입하기 위해 이 분석이 필요합니다. 다른 고객은 이사 직무를 찾기 위해 이력서와 가장 잘 맞는 직무를 찾는 모델을 개발했습니다. 저는 이러한 매칭 AI에 많은 잠재력이 있다고 생각합니다. 저희 고객은 의료 및 법률 문서에서 정보를 추출하는 모델도 개발했습니다.

회사들이 NuMind 도구를 사용함으로써 시간을 얼마나 절약할 수 있나요?

응용 프로그램에 따라 다르지만, 전통적인 해결책에 비해 최대 10배의 속도 향상을 볼 수 있습니다. 저희가 제품을 개발하면서 이 숫자가 개선될 것으로 기대합니다. 결국, 몇 개월이 걸리는 프로젝트가 몇 일 안에 완료될 것입니다. 그리고 더好的 성능을 낼 것입니다.

NuMind의 Interactive AI Development에 대해 설명해 주세요.

Interactive AI Development의 아이디어는 인간이 서로 가르치는 방식에서 나왔습니다. 예를 들어, 이메일을 분류하기 위해 인턴을 고용한다고 가정해 보세요. 먼저 작업과 그 목적을 설명합니다. 그런 다음 몇 가지 좋은 예시를 제공하고, 코너 케이스를 제공할 수 있습니다. 그런 다음 인턴이 이메일을 분류하기 시작하고, 대화가 시작됩니다. 인턴이 “이것을 어떻게 분류해야 하나요?” 또는 “새로운 레이블을 만들어서 분류해야 하지 않을까요?”와 같은 질문을 할 수 있습니다. 마찬가지로,你们도 인턴에게 지식의 간격을 식별하고 수정하기 위한 질문을 할 수 있습니다. 이 방식의 가르치는 매우 자연스럽고, 정보 교환에 있어 매우 효율적입니다. 저희는 이 워크플로를 모방하여 인간이 기계를 효율적으로 가르칠 수 있도록 하고자 합니다.

기술적으로, 이 워크플로는 인간과 기계 간의 저지연, 고대역, 다중 모드, 양방향 통신입니다. 저희는 이것을 Interactive AI Development라고 부르며, 양방향성과 저지연을 강조하기 위해 이렇게 명명했습니다. 저는 이것을 기계를 가르치는 세 번째 패러다임으로 본다고 생각합니다. 클래식 프로그래밍과 클래식 기계 학습之后에 등장한 것입니다. 클래식 기계 학습에서는 컴퓨터에게 작업을 수행하기 위한 예시를 제공합니다.

이 새로운 패러다임은 LLM 덕분에 가능합니다. 실제로, 효율적으로 상호 작용하기 위해서는 이미 어느 정도 지능이 있는 기계가 필요합니다. 저는 이 패러다임이 가까운 미래에 일반화될 것으로 생각합니다. 이미 채팅 기반 LLM과 저희의 도구에서 이것을 볼 수 있습니다.

저희는 이 패러다임을 NLP 작업에 적용하고 있지만, 이것은 소프트웨어 개발을 포함하여 훨씬 더 많은 분야에서 사용될 수 있습니다.

NuMind에 대해 더 알려주세요.

아마도, NuMind는 기계 학습 전문가와 비전문가 모두가 사용할 수 있는 도구이며, 다국어를 지원하며, 사용자가 자신의 모델을 소유하며, 데이터가 사용자의 기계에 남아 있을 수 있다는 것입니다.

현재는 비공개 베타 테스트 단계이므로, NLP 관련需求이 있다면, 저희와 대화하여 어떻게 도와드릴 수 있는지 확인해 보세요!

이번 인터뷰에 감사드립니다. 더 많은 정보를 원하시면 NuMind를 방문해 주세요.