노아 슈워츠, Quorum AI의 공동 창립자 및 CEO – 인터뷰 시리즈

노아는 AI 시스템 아키텍트입니다. Quorum AI를 공동 창립하기 전에 노아는 12년 동안 학술 연구를 انجام했으며, 처음에는 남가주 대학교에서 그리고 최근에는 노스웨스턴 대학교에서 신경학 부교수로 재직했습니다. 그의 연구는 뇌의 정보 처리에 중점을 두었으며, 그는 연구를 증강 현실, 뇌-컴퓨터 인터페이스, 컴퓨터 비전, 및 임베디드 로봇 제어 시스템과 같은 제품으로 번역했습니다.

AI와 로봇공학에 대한 관심은 어렸을 때부터 시작되었습니다. 어떻게 이러한 기술에 처음으로 소개되었나요?

초기 스파크는 과학 픽션 영화와 전자 제품에 대한 사랑에서 비롯되었습니다. 8살 때 트론 영화를 보고, 그 다음 몇 년 동안 일렉트릭 드림, 쇼트 서킷, DARYL, 워 게임즈 등 다른 영화를 보았습니다. 虚構으로 표현되었지만, 인공 지능의 아이디어는 나를 압도했습니다. 그리고 8살 때에도 나는 즉각적인 연결과 강한 끌림을 느꼈으며, 그 이후로 그 끌림은 줄지 않았습니다.

당신의 AI와 로봇공학에 대한 열정은 어떻게 발전했나요?

AI와 로봇공학에 대한 관심은 뇌에 대한 열정과 함께 발전했습니다.私の 아버지는 생물학 교사였으며, 몸의 작동 방식과 모든 것의 연결에 대해 가르쳤습니다. AI와 뇌를看着, 두 가지가 같은 문제로 보였습니다 – 또는 적어도, 두 가지 모두에 대한 궁극적인 질문은 “어떻게 작동하는가?”였습니다.私は 두 가지 모두에 관심이 있었지만, 학교에서 AI나 로봇공학에 대한 노출이 많지 않았습니다. 따라서私は 학교에서 생물학과 심리학을 공부했습니다.

대학에 들어가서,私は Parallel Distributed Processing (PDP) 책을 발견했습니다. 이것은 나에게 실제 AI에 대한 첫 번째 소개였으며, 이것은 나에게 클래식한 책들 such as Hebb, Rosenblatt, 그리고 McCulloch and Pitts를 읽게 되었습니다.私は 신경망을 구축하기 시작했으며, 신경해부학과 생물학 및 심리학 수업에서 배운 내용을 기반으로 하여 신경망을 구축했습니다. 졸업 후,私は 컴퓨터 네트워크 엔지니어로 일했으며, 복잡한 와이드 에리亚 네트워크를 구축하고 소프트웨어를 작성하여 네트워크의 트래픽 흐름을 자동화하고 관리했습니다 – 거의 큰 뇌를 구축하는 것과 같습니다. 이 작업은私の AI에 대한 열정을 다시 불러일으켰으며,私は AI와 신경과학을 공부하기 위해 대학원에 진학했습니다. 그리고 나머지는 역사입니다.

Quorum AI를 공동 창립하기 전에, 당신은 12년 동안 학술 연구를 انجام했습니다.당시 ваш의 연구는 뇌의 정보 처리에 중점을 두었습니다.당신의 연구에 대해 자세히 설명해 주시겠습니까?

광범위하게 말하자면,私の 연구는 뇌가 무엇을 하는지 이해하는 것에 중점을 두었습니다.私は 뇌가 컴퓨터(von Neumann 의미에서)와 같은 것이라고 생각하지 않습니다.私は 그것을巨大한 네트워크로 본다.이 네트워크는 주로 자극-반응 및 신호-인코딩 작업을 수행합니다.이巨大한 네트워크 안에는 기능적으로 전문적인 영역 사이에 명확한 연결 패턴이 있습니다.우리가 더 자세히 살펴보면, 뉴런은 어떤 신호를 전달하는지 또는 어느 부분의 뇌에 있는지 신경 쓰지 않습니다 – 그들은 매우 예측 가능한 규칙에 따라 작동합니다.우리가 이러한 전문적인 영역의 기능을 이해하기 위해서는 몇 가지 질문을 해야 합니다: (1) 입력이 네트워크를 통해 이동할 때, 어떻게 입력이 다른 입력과 결합하여 결정에 영향을 미칩니까? (2) 이러한 전문적인 영역의 구조는 경험의 결과로 어떻게 형성되나요? (3)그들은 어떻게 계속해서 변화하는가?私の 연구는 이러한 질문에 대한 답을 찾기 위해 실험 연구와 정보 이론 및 모델링 및 시뮬레이션을 결합하여 수행되었습니다 – 이것은 인공 의사 결정 시스템 및 AI를 구축할 수 있도록 해줄 것입니다.신경학적으로,私は 신경 가소성 및 시각 피질과 같은 전문적인 영역의 미세 해부학을 연구했습니다.

당신은 이후에 당신의 연구를 증강 현실 및 뇌-컴퓨터 인터페이스로 번역했습니다.당신이 작업한 몇 가지 제품에 대해 설명해 주시겠습니까?

2008년경,私は 현재 증강 현실이라고 부르는 시스템을 작업했습니다.당시에는 시각자의 눈 운동을 추적하고 예측하는 시스템이었으며, 이러한 예측을 사용하여 화면에 뭔가를 업데이트했습니다.시스템이 실시간으로 작동하도록 하기 위해,私は 생물학적으로 영감을 받은 모델을 구축했습니다.이 모델은 시각자의 미세한 눈 운동을 기반으로 시각자가 어디를 볼지 예측할 수 있었습니다.이 모델을 사용하여,私は 시각자의 눈이 아직 움직이는 동안에 이미지를 업데이트할 수 있었습니다.이 기술은 매우 놀라웠지만, 프로젝트는 다음 라운드의 자금 지원을 받지 못했으므로 중단되었습니다.

2011년,私は 제품 개발에 더 집중하여 스트리밍 EEG 데이터에서 특징을 발견할 수 있는 신경망을 구축했습니다.이것은 대부분의 뇌-컴퓨터 인터페이스 시스템의 핵심 기능입니다.이 프로젝트는 또한 “얼마나 작은 풋프린트로 이 시스템을 구축할 수 있을까?”라는 실험이었습니다.우리는 몇 개의 채널의 EEG 데이터를 읽을 수 있는 헤드셋을 가지고 있었으며,이 데이터는 400Hz에서 블루투스를 통해 안드로이드폰으로 전송되었습니다.그런 다음 이 데이터는 아두이노 기반 컨트롤러로 전송되어 오프-더-셸프 RC 자동차를 제어했습니다.사용자가 EEG 헤드셋을 착용하고 있을 때, 사용자는 생각을 변경함으로써 자동차를 운전하고 조종할 수 있었습니다.알고리즘은 폰에서 실행되었으며, 각 사용자에게 개인화된 뇌 “지문”을 생성하여 사용자가 여러 장치 사이에서 전환할 때마다 다시 학습할 필요가 없었습니다.

2012년,우리는 시스템을 더 분산된 방식으로 작동하도록 확장했습니다.우리는 이것을 여러 세그먼트와 여러 관절로 구성된 로봇 팔을 제어하는 데 사용했습니다.각 세그먼트는 독립적인 프로세서로 작동했으며, 이는 임베디드 버전의 AI를 실행했습니다.중앙 컨트롤러를 사용하여 팔을 조작하는 대신,우리는 세그먼트가 자율적으로 조직되어 목표를 달성하도록 허용했습니다.즉,개미가 개미 다리를 형성하는 것과 같이,팔의 세그먼트는 협력하여 공간에서 목표를 달성했습니다.

우리는 Quorum AI를 처음 출시했을 때,이 방향으로 계속 이동했습니다 – 초기에는 Quorum Robotics로 알려졌습니다.우리는 시스템이 알고리즘과 아키텍처 덕분에 훌륭한 시스템이라는 것을 빠르게 깨달았습니다.하드웨어가 아니라,따라서 2014년 말에 우리는 완전히 소프트웨어로 전환했습니다.이제 8년 후,Quorum AI는 다시 로봇공학의 뿌리로 돌아가고 있으며,우리의 프레임워크를 NASA 우주 로봇 공학 챌린지에 적용하고 있습니다.

교수직을 그만두고 스타트업을 설립하는 것은 어려운 결정이었을 것입니다.당신을 이 quyết심에 이르게 한 것은 무엇입니까?

Это было огромным скачком для меня во многих отношениях,но как только возможность появилась и путь стал ясным,это было легким решением.Когда вы профессор,вы думаете в многолетних периодах и работаете над очень долгосрочными исследовательскими целями.Запуск стартапа – это противоположность этому.Однако одно,что академическая жизнь и стартап-жизнь имеют общего,то,что обе требуют от вас постоянного обучения и решения проблем.в стартапе это может означать попытку переработать решение,чтобы уменьшить риск разработки продукта или,может быть,изучение нового вертикала,который может извлечь пользу из нашей технологии.Работа в AI – это самое близкое к “призванию”,которое у меня когда-либо было,так что,несмотря на все проблемы и взлеты и падения,я чувствую себя невероятно удачливым,что делаю ту работу,которую я делаю.

그런 다음,당신은 Quorum AI를 개발했습니다.이 AI 플랫폼은 정확히 무엇을 하나요?

플랫폼은 Environment for Virtual Agents (EVA)라고 불리며,사용자가 우리의 Engram AI Engine을 사용하여 모델을 구축,학습 및 배포할 수 있도록 해줍니다.Engram은 우리가 구축한 우리의 무감독 학습 알고리즘을 둘러싼 유연하고 이식 가능한 래퍼입니다.알고리즘은 매우 효율적이며,モデル이 예측을 생성하는 동안 실시간으로 학습할 수 있습니다.알고리즘이 작업-에이전트이기 때문에,입력 또는 출력이 모델에 명시적으로 필요하지 않으므로,베이즈 방식으로 任意 차원에 대해 예측할 수 있으며,다시 학습할 필요가 없으며,참사적인 망각에 시달리지 않습니다.모델은 또한 투명하고 분해 가능하며,즉,모델을 개별 차원으로 분해하여 학습한 내용을 잃지 않고 검사할 수 있습니다.

구축된 후,모델은 EVA를 통해 사용자 지정 임베디드 하드웨어 또는 클라우드와 같은 任意 플랫폼에 배포할 수 있습니다.EVA(및 임베디드 호스트 소프트웨어)는 각 모델의 기능을 확장하는 여러 도구를 포함합니다.몇 가지 빠른 예는 다음과 같습니다:모델은 시스템 간에 공유될 수 있으며,분산 시스템이 시간과 공간에서 연합 학습을 달성할 수 있도록 해줍니다.모델은 임의의 작업을 수행하도록 설계된 자율 에이전트로 배포될 수 있으며,모델이 작업-에이전트이기 때문에,작업은 런타임 중에 다시 학습할 필요 없이 변경될 수 있습니다.각 에이전트는 개인용 “가상” EVA를 확장할 수 있으며,이로써 에이전트가 다른 에이전트의 모델을 규모에 구애받지 않고 시뮬레이션할 수 있습니다.마지막으로,우리는 깊은 학습 및 강화 학습(Keras 기반) 시스템이 플랫폼에서 작동하도록 하는 래퍼를 만들었습니다.

당신은 이전에 Quorum AI 알고리즘을 “수학적 시”라고 설명했습니다.당신은 무엇을 의미했나요?

모델을 구축할 때,데이터의 목록을 만들기 시작한 다음,시스템을 근사하기 위해 알려진 모델 클래스를 시도합니다.본질적으로,시스템에 대한 거친 스케치를 만들고 있습니다.당신은 데이터에 잘 맞지 않는 것을 기대하지 않으며,몇 가지 가설을 테스트하면서 일부 오류가 발생할 수 있습니다.그러나 약간의 세련미로,데이터를 꽤 잘 캡처할 수 있습니다.

뇌의 신경 가소성을 모델링할 때,私は 시스템을 가장 기본적인 구성 요소로 줄이고,특정 방식으로 구성했습니다.모델은 데이터에 거의 완벽하게 맞았습니다.그것은 모든 연산자와 변수가 정확히 필요한 것과 같았으며,데이터를 맞추기 위해 아무 것도 추가되지 않았으며,모든 것이 필수적이었습니다.모델을 더 큰 시뮬레이션에 플러그인했을 때,시각적 시스템 개발 또는 얼굴 인식과 같은 복잡한 연결 패턴을 형성했습니다.이 패턴은 뇌에서 볼 수 있는 것과 일치했습니다.모델은 수학적이므로,뇌에서 배우는 것을 수학적 분석을 통해 이해할 수 있었습니다.그 이후로,우리는 모델을 구성하는 미분 방정식을 해결하고 단순화하여 계산 효율성을 여러 차례 개선했습니다.그것은 실제 시가 아니지만,확실히 그렇다고 느꼈습니다!

Quorum AI의 플랫폼 툴킷은 클라우드 기반 서버를 통해 통신할 필요 없이 장치가 서로 연결되어 데이터를 학습하고 공유할 수 있도록 합니다.이 방식의 장점은 무엇입니까?

우리는 사용자에게 AI를 원하는 곳에 두는 옵션을 제공합니다.기존의 AI 개발 상태에서는 보안, 개인 정보 또는 기능을妥協해야 합니다.회사들이 자체 AI를 구축하려고 시도할 때,많은 돈과 시간이 필요하며,ROI는 거의 위험을 가치 있게 하지 않습니다.회사들이 클라우드와 연결되지 않은 개별 장치에 AI를 배포하려고 할 때,프로젝트는 곧 불가능해집니다.따라서 AI의 채택은 환상이 됩니다.

우리의 플랫폼은 AI를 접근 가능하고 비용 효율적으로 만듭니다.회사들이 기술 오버헤드나 재정 오버헤드 없이 AI 개발 및 채택을 탐색할 수 있는 방법을 제공합니다.또한 우리의 플랫폼은 개발에서 배포까지 한 단계로 진행할 수 있습니다.

우리의 플랫폼은 또한 깊은 학습이나 강화 학습과 같은 “레거시” 모델과 통합 및 확장됩니다.이로써 회사들은 기존 시스템을 새로운 애플리케이션에 재사용 및 통합할 수 있습니다.또한 우리의 알고리즘과 아키텍처는 고유하므로,시스템이 배우는 모든 것을 인간이 탐색하고 해석할 수 있으며,다른 비즈니스 영역으로 확장할 수 있습니다.

분산형 인공 지능(DAI)이 인공 일반 지능(AGI)로 이어질 수 있다고 믿는 사람들이 있습니다.당신은 이 이론에 동의하십니까?

私は 동의합니다.우리가 뇌를 살펴볼 때,그것은 하나의 거대한 시스템이 아닙니다.그것은 분산된 시스템으로 구성되어 있으며,각 시스템은 狭い 범위의 뇌 기능에 전문적입니다.우리는 특정 시스템이 무엇을 하는지 알지 못할 수 있지만,그 결정이 받는 정보의 유형과 정보가 시간에 따라 어떻게 변경되는지에 크게 의존한다는 것을 알 수 있습니다.(이것이 신경과학 주제인 커넥톰이 इतन 인기 있는 이유입니다.)

私の 의견으로,우리가 뇌와 같은 유연성과 성능을 가진 AI를 구축하고자 한다면,뇌에서 볼 수 있는 분산 아키텍처를 고려하는 것이 합리적입니다.다른 아키텍처,예를 들어 다층 네트워크 또는 CNN과 같은 깊은 학습 아키텍처가 뇌에서 발견될 수 있다고 주장할 수 있습니다.그것은 사실입니다.그러나 이러한 아키텍처는 50년 전 우리가 뇌에 대해 알고 있던 것에 기반합니다.

DAI의 대안은 단일 결정 공간에緊密하게 결합된 모놀리식 및 유연하지 않은 아키텍처를 계속 반복하는 것입니다.예를 들어,깊은 학습 또는 강화 학습과 같은 감시 학습 방법입니다.私は 이러한 제한이 단순히 매개 변수 조정 또는 계층 추가 또는 데이터 조건화의 문제가 아니라,깊은 학습 및 강화 학습의 근본적인 문제라는 것을 제안합니다.따라서,우리가 내일의 AI를 계속 구축하기 위해서는 새로운 접근 방식이 필요합니다.

DAI를 사용하여 AGI를 달성하는 것이 현재 OpenAI 및 DeepMind와 같은 회사에서 추구하고 있는 강화 학습 및 깊은 학습 방법보다 더 가능성이 높은 것으로 생각하십니까?

예,그러나 그들이 블로그에서 이야기하는 것에서 볼 수 있듯이,OpenAI와 DeepMind는 더 분산된 아키텍처를 사용하고 있는 것 같습니다.우리는 멀티 시스템 챌린지에 대한 더 많은 이야기를 듣고 있으며,예를 들어,전이 학습 또는 분산/분산 학습에 대한 이야기를 듣고 있습니다.또한 깊은 학습 및 강화 학습 접근 방식이 이러한 챌린지에서 작동하지 않는다는 것을 듣고 있습니다.우리는 또한 Yoshua Bengio와 같은 선구자로부터 생물학적으로 영감을 받은 아키텍처가 차이를 메울 수 있다는 것을 듣고 있습니다!私は 거의 20년 동안 생물학적으로 영감을 받은 AI에 대해 작업해 왔으며,Quorum AI에서 무엇을 배웠는지以及 어떻게 다음 세대의 AI를 구축하기 위해 이를 사용하고 있는지에 대해 매우 좋은感觉을 가지고 있습니다.

Quorum AI에 대해 더 공유하고 싶은 것이 있습니까?

우리는 2020년 6월에 분산 및 에이전트 기반 AI에 대한 새로운 플랫폼을 프리뷰할 것입니다.NASA 우주 로봇 공학 챌린지에서 토크를 통해,私は 감정 분석을 통해 공감적 AI를 달성하는 다리로서의 몇 가지 주제에 대한 최근 데이터를 발표할 계획입니다.

노아에게 이러한 놀라운 답변을 해주신 것에 대해特別한 감사를 드리며,Quorum AI에 대해 더 알아보려면 Quorum을 방문할 것을 권장합니다.