Birago Jones, mede-oprichter en CEO van Pienso – Interviewreeks

Birago Jones is de CEO en mede-oprichter van Pienso, een no-code/low-code platform voor ondernemingen om AI-modellen te trainen en te implementeren zonder dat er geavanceerde datawetenschap of programmeervaardigheden nodig zijn. Vandaag de dag behoren de klanten van Birago tot de Amerikaanse overheid en Sky, de grootste omroep in het Verenigd Koninkrijk. Pienso is gebaseerd op Birago’s onderzoek van het Massachusetts Institute of Technology (MIT), waar hij en zijn mede-oprichter Karthik Dinakar als onderzoeksassistenten in het MIT Media Lab werkten. Hij is een vooraanstaande autoriteit op het gebied van de kruispunt van kunstmatige intelligentie (AI) en human-computer interactie (HCI) en een voorstander van verantwoorde AI.

Pienso‘s interactieve leerinterface is ontworpen om gebruikers in staat te stellen AI te benutten tot zijn volle potentieel zonder enige codering. Het platform leidt gebruikers door het proces van trainen en implementeren van grote taalmodellen (LLM’s) die zijn gestempeld met hun expertise en aangepast aan hun specifieke vragen.

Wat trok je aanvankelijk aan om je studie in AI, HCI (Human Computer Interaction) en user experience te volgen?

Ik had al eerder persoonlijke projecten ontwikkeld die gericht waren op het creëren van toegankelijkheidstools en -applicaties voor blinden, zoals een digitaal braillelezer met een smartphone en een indoor navigatiesysteem (digitale wandelstok). Ik geloofde dat AI deze inspanningen kon versterken en ondersteunen.

Pienso werd oorspronkelijk bedacht tijdens je tijd aan MIT, hoe ontstond het concept van het trainen van machine learning-modellen om toegankelijk te zijn voor niet-technische gebruikers?

Mijn mede-oprichter Karthik en ik ontmoetten elkaar op de graduate school terwijl we beiden onderzoek deden in het MIT Media Lab. We hadden samengewerkt aan een klasproject om een tool te bouwen die sociale media-platforms kon helpen bij het modereren en markeren van pestcontent. De tool kreeg veel aandacht, en we werden zelfs uitgenodigd om de technologie te demonstreren op het Witte Huis tijdens een cyberpesten-top.

Er was echter één probleem: hoewel het model zelf werkte zoals het moest, was het niet getraind op de juiste gegevens, zodat het geen schadelijke content kon identificeren die tienerjargon gebruikte. Karthik en ik werkten samen om een oplossing te vinden, en we realiseerden ons later dat we dit probleem konden oplossen als we een manier vonden voor tieners om direct modelgegevens te trainen.

Dit was het “Aha”-moment dat later Pienso zou inspireren: onderwerpdeskundigen, niet AI-ingenieurs zoals wij, zouden in staat moeten zijn om gemakkelijker input te geven over modeltrainingsgegevens. We ontwikkelden uiteindelijk point-and-click-tools die niet-experts in staat stellen om grote hoeveelheden gegevens op schaal te trainen. We namen deze technologie mee naar lokale scholen in Cambridge, Massachusetts, en vroegen de hulp van lokale tieners om hun algoritmes te trainen, wat ons in staat stelde om meer nuances in de algoritmes te vangen dan eerder mogelijk was. Met deze technologie werkten we samen met organisaties zoals MTV en Brigham and Women’s Hospital.

Kunt u het verhaal vertellen over hoe Pienso uit MIT ontstond als een onafhankelijk bedrijf?

We wisten altijd dat deze technologie waarde kon bieden buiten de use case die we hadden gebouwd, maar het was pas in 2016 dat we de stap namen om het te commercialiseren, toen Karthik zijn PhD had voltooid. Op dat moment explodeerde deep learning in populariteit, maar het waren voornamelijk AI-ingenieurs die het gebruikten omdat niemand anders de expertise had om deze modellen te trainen en te implementeren.

Wat zijn de belangrijkste innovaties en algoritmes die Pienso’s no-code interface voor het bouwen van AI-modellen mogelijk maken? Hoe zorgt Pienso ervoor dat domeinexperts zonder technische achtergrond effectief AI-modellen kunnen trainen?

Pienso elimineert de barrières van “MLOps” – gegevens schoonmaken, gegevens labelen, model trainen en implementeren. Ons platform gebruikt een semi-begeleide machine learning-benadering, die gebruikers in staat stelt om te beginnen met ongelabelde trainingsgegevens en vervolgens menselijke expertise te gebruiken om grote volumes tekstgegevens snel en nauwkeurig te annoteren zonder enige code te schrijven. Dit proces traint diepe leermodellen die in staat zijn om tekst nauwkeurig te classificeren en te genereren.

Hoe biedt Pienso aanpassing in AI-modelontwikkeling om te voldoen aan de specifieke behoeften van verschillende organisaties?

We zijn ervan overtuigd dat geen enkel model elk probleem voor elk bedrijf kan oplossen. We moeten in staat zijn om aangepaste modellen te bouwen en te trainen als we willen dat AI de nuances van elk specifiek bedrijf en use case begrijpt. Dat is waarom Pienso het mogelijk maakt om modellen rechtstreeks te trainen op de gegevens van een organisatie. Dit verlicht de privacyproblemen van het gebruik van basismodellen en kan ook nauwkeurigere inzichten bieden.

Pienso integreert ook met bestaande ondernemingssystemen via API’s, waardoor inferentieresultaten in verschillende formaten kunnen worden geleverd. Pienso kan ook zonder afhankelijkheid van derden diensten of API’s werken, wat betekent dat gegevens nooit buiten een beveiligde omgeving hoeven te worden verzonden. Het kan worden geïmplementeerd op grote cloudproviders en on-premise oplossingen, waardoor het een ideale keuze is voor branches die sterke beveiliging en nalevingspraktijken vereisen, zoals overheidsinstellingen of financiële instellingen.

Hoe zie je het platform evolueren in de komende jaren?

In de komende jaren zal Pienso zich verder ontwikkelen door te focussen op nog grotere schaalbaarheid en efficiëntie. Naarmate de vraag naar high-volume tekstanalyse groeit, zullen we onze capaciteit om grotere datasets te verwerken met snellere inferentietijden en complexere analyses te vergroten. We zijn ook toegewijd om de kosten verbonden aan het schalen van grote taalmodellen te verlagen, zodat ondernemingen waarde krijgen zonder compromissen te doen op snelheid of nauwkeurigheid.

We zullen ook verder gaan in het democratiseren van AI. Pienso is al een no-code/low-code platform, maar we voorzien dat we de toegankelijkheid van onze tools nog verder zullen uitbreiden. We zullen onze interface continu verfijnen zodat een bredere range van gebruikers, van businessanalisten tot technische teams, in staat zullen zijn om modellen te trainen, af te stemmen en te implementeren zonder diepe technische expertise nodig te hebben.

Naarmate we met meer klanten uit verschillende branches werken, zal Pienso zich aanpassen om meer aangepaste oplossingen te bieden. Of het nu gaat om financiën, gezondheidszorg of overheid, ons platform zal evolueren om branchespecifieke sjablonen en modules te incorporeren om gebruikers in staat te stellen hun modellen effectiever af te stemmen op hun specifieke use cases.

Pienso zal nog verder geïntegreerd raken in de bredere AI-ecosysteem, naadloos samenwerkend met oplossingen en tools van de grote cloudproviders en on-premise oplossingen. We zullen ons focussen op het opbouwen van sterkere integraties met andere dataplatforms en tools, waardoor een meer samenhangend AI-werkproces ontstaat dat past in bestaande ondernemingstechnologie-stacks.

Bedankt voor het geweldige interview, lezers die meer willen leren, kunnen Pienso bezoeken op Pienso.