Blair Newman, CTO van Neuton – Interviewreeks

Blair Newman, is de CTO van Neuton, een disruptieve Neural Network Framework en Automated Machine Learning (AutoML) oplossing die veel effectiever is dan enig ander framework, non-neurale algoritme of AutoML product dat beschikbaar is op de markt. Het maakt Artificial Intelligence (AI) beschikbaar voor iedereen.

Wat trok je aanvankelijk aan bij machine learning en data science?

Vanuit een persoonlijk perspectief ben ik altijd geïnteresseerd geweest in de mogelijkheden die ML/Data Science kan bieden, zoals – Van Smart Cities – Connected Cars en nu wat TinyML ook te bieden heeft. Nu met de democratisering van AI zien we letterlijk ML Overal.

Kunt u het genesisverhaal achter Neuton delen?

We besloten om de reis te beginnen om AI beschikbaar te maken voor “Iedereen” na vele jaren te hebben gewerkt aan meerdere projecten vanuit een Machine Learning perspectief. Tijdens deze periode identificeerden we een aantal verschillende barrières die exponentiële groei beperkten. Dus om ML echt beschikbaar te maken voor iedereen … moesten we enkele van de technische barrières aanpakken … De vereisten voor aanzienlijke hoeveelheden gegevens om training uit te voeren … Een geautomatiseerde SaaS-oplossing om de behoefte aan technische expertise te elimineren … En ten slotte onze platform beschikbaar stellen voor gratis om de laatste barrière te verwijderen.

Voor lezers die mogelijk onbekend zijn met deze terminologie, kunt u uitleggen wat TinyML is?

Ik hou het meestal eenvoudig … De fysieke wereld ontmoet de digitale wereld … En waar deze twee entiteiten elkaar ontmoeten … is de wereld van TinyML … TinyML brengt intelligentie recht op de rand.

Wat verhindert de versnelling van TinyML in de AI-gemeenschap?

TinyML vereist meestal een enorm kapitaal vanuit een resourceperspectief. HW, Embedded Engineers, Machine Learning Engineer, Software Developers voor integratie … Een van de gebieden waarin we uitblinken, is dat we deze vereisten aanzienlijk terugbrengen.

Hoe creëert Neuton compacte modellen zonder de nauwkeurigheid te compromitteren?

De traditionele en meer bekende Frameworks (bijv. TensorFlow) beginnen met een bestaande structuur die inherent afval bevat. Bovendien is het opbouwen van een model vaak een zeer iteratief proces dat, zodra het model is gebouwd, moet worden geoptimaliseerd voordat het wordt geïntegreerd. Dit is wat ik een top-down benadering noem. Met Neuton keren we deze paradigma volledig om, aangezien we elk model van onderaf opbouwen, neuron voor neuron, waardoor het inherente afval dat wordt ervaren met andere Frameworks effectief wordt geëlimineerd. Dit gezegd hebbende – de netwerkstructuur is niet vooraf gedefinieerd, maar wordt gegroeid vanuit een enkele neuron tijdens de training. We koppelen deze benadering aan constante crossvalidatie bij elke neuron die aan het resulterende model wordt toegevoegd. Dus is het uiteindelijke model altijd opgebouwd voor een specifiek doel, zonder afval en nauwkeurig bij voltooiing.

Neuton gebruikt geen backpropagation of stochastic gradient descent, wat was de reden achter het vermijden van deze populaire methodologieën?

Onze gepatenteerde benadering gebruikt een Global Optimization-methode die effectief de noodzaak om deze methodologieën toe te passen, elimineert.

Hoeveel efficiënter is de Neuton-oplossing in vergelijking met traditionele machine learning-benaderingen?

In alle belangrijke metrics, zoals tijd tot modelcreatie, nauwkeurigheid, modelgrootte en vervolgens tijd tot markt. We zien consistent dat we andere frameworks en platforms overtreffen … Meestal zien we dat onze modellen vaak 1000 keer kleiner zijn met een vermindering van de tijd tot markt van meer dan 70%. Ten slotte is ons Explainability Office ongeëvenaard in het bieden van complete transparantie voor onze modellen en elke individuele voorspelling.

Kunt u enkele details geven over AI Explainability die het Neuton-platform biedt?

Ons Explainability Office komt in meerdere vormen. Allereerst met onze EDA (Exploratory Data Analysis) Tool die een initiële weergave biedt van de statistieken van uw gegevens voordat u gaat trainen. Van daaruit kan onze Feature Importance Matrix onze klanten helpen om te identificeren welke de top 10 functies zijn die hun voorspellingen beïnvloeden en ook welke de onderste 10 functies zijn die minimale invloed hebben op hun voorspellingen. Van daaruit bieden we onze klanten een volgend niveau van transparantie voor hun resulterende modellen, aangezien ze elke voorspelling individueel kunnen analyseren om te zien hoe hun voorspelling kan veranderen als de waarde van een bepaalde functie verandert. Ten slotte bieden we een Life Cycle management tool (Model-To-Data-Relevance Indicator) die onze klanten proactief op de hoogte stelt wanneer hun model begint af te nemen en hun model opnieuw getraind moet worden.

Is er nog iets anders dat u wilt delen over Neuton?

Onze missie hier bij Neuton is om letterlijk AI voor iedereen te brengen. We geloven dat we succesvol zijn geweest in het beginnen van het realiseren van deze mogelijkheden. Of het nu gaat om het inschakelen van de niet-Data Scientist of het empoweren van de ervaren Data Scientists door een Zero Code SaaS-oplossing te bieden. Nu met de versnelling van TinyML zijn we echt op weg om AI te democratiseren.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten Neuton bezoeken.