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 op de markt beschikbaar is. 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 Slimme Steden – Verbonden Auto’s en nu wat TinyML ook te bieden heeft. Nu met de democratisering van AI zien we letterlijk ML Overal.

Kunt u het verhaal achter Neuton delen?

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

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

Ik hou het meestal simpel…. De fysieke wereld ontmoet de digitale wereld…. En waar die twee entiteiten elkaar ontmoeten… is de wereld van TinyML…. TinyML brengt intelligentie recht op dat 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 wij uitblinken is dat wij die 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 noem ik een top-down benadering. Met Neuton keren wij deze paradigma volledig om, aangezien wij elk model van onderaf opbouwen, neuronaal voor neuronaal, waardoor het inherente afval dat wordt ervaren met andere Frameworks effectief wordt geëlimineerd. Dit gezegd hebbende – de netwerkstructuur is niet vooraf gedefinieerd, maar groeit vanuit een enkele neuronaal tijdens de training. Wij koppelen deze benadering aan constante crossvalidatie bij elke neuronaal die wordt toegepast op het resulterende model. Dus, het eindmodel is altijd opgebouwd voor doel, zonder afval en nauwkeurig bij voltooiing.

Neuton gebruikt geen backpropagation of stochastische gradiëntafname, wat was de reden achter het vermijden van deze populaire methodologieën?

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

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. Zien wij consistent dat wij andere frameworks en platforms overtreffen…. Normaal gesproken zien wij 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, evenals 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 vóór de training. Van daaruit ermöglicht onze Feature Importance Matrix onze klanten om te identificeren welke de top 10 functies zijn die hun voorspellingen beïnvloeden en welke de onderste 10 functies zijn die minimale invloed hebben op hun voorspellingen. Van daaruit bieden wij onze klanten een volgend niveau van transparantie voor hun resulterende modellen, aangezien zij in staat zijn om elke voorspelling individueel te analyseren om te zien hoe hun voorspelling kan veranderen als de waarde van een bepaalde functie verandert. Ten slotte bieden wij een Life Cycle management tool (Model-To-Data-Relevance Indicator) die onze klanten proactief op de hoogte stelt wanneer hun model begint te verouderen en hun model opnieuw getraind moet worden.

Is er nog iets anders dat u zou willen delen over Neuton?

Onze missie hier bij Neuton is om letterlijk AI naar iedereen te brengen. Wij geloven dat wij 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 basisoplossing te bieden. Nu met de versnelling van TinyML zijn wij goed op weg om AI echt te democratiseren.

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