Birago Jones, medgrunnlegger og CEO av Pienso – Intervju-serie

Birago Jones er CEO og medgrunnlegger av Pienso, en plattform uten kode eller lav kode for bedrifter å trene og distribuere AI-modeller uten behov for avansert datavitenskap eller programmeringserfaring. I dag inkluderer Biragos kunder den amerikanske regjeringen og Sky, den største kringkasteren i Storbritannia. Pienso er basert på Biragos forskning fra Massachusetts Institute of Technology (MIT), hvor han og hans medgrunnlegger Karthik Dinakar tjenestegjorde som forskningsassistenter i MIT Media Lab. Han er en anerkjent autoritet i skjæringspunktet mellom kunstig intelligens (AI) og menneske-datamaskin-interaksjon (HCI), og en forkjemper for ansvarlig AI.

Pienso‘s interaktive læringsgrensesnitt er designet for å aktivere brukerne til å utnytte AI til sin fulle potensiale uten noen kode. Plattformen guider brukerne gjennom prosessen med å trene og distribuere store språkmodeller (LLM) som er preget av deres ekspertise og finjustert for å svare på deres spesifikke spørsmål.

Hva var det som opprinnelig tiltalte deg til å følge dine studier i AI, HCI (Human Computer Interaction) og brukeropplevelse?

Jeg hadde allerede utviklet personlige prosjekter som var rettet mot å lage tilgjengelighet-verktøy og -applikasjoner for blinde, som en digital punktskrift-leser som bruker en smarttelefon og et innendørs navigasjonssystem (digital kjepp). Jeg trodde AI kunne forbedre og støtte disse innsatsene.

Pienso ble opprinnelig konseptualisert under din tid ved MIT, hvordan oppstod konseptet med å trene maskinlæringsmodeller til å være tilgjengelige for ikke-tekniske brukere?

Min medgrunnlegger Karthik og jeg møttes på masterstudiet mens vi begge utførte forskning i MIT Media Lab. Vi hadde samarbeidet om et prosjekt for å bygge et verktøy som skulle hjelpe sosiale medie-plattformer å moderere og flagge trakassering-innhold. Verktøyet fikk mye oppmerksomhet, og vi ble sogar invitert til Det hvite hus for å demonstrere teknologien under en cyber-mobbing-toppmøte.

Det var bare ett problem: mens modellen i seg selv fungerte som den skulle, var den ikke trent på riktig data, så den kunne ikke identifisere skadelig innhold som brukte tenåringers slang. Karthik og jeg arbeidet sammen for å finne en løsning, og vi innsett senere at vi kunne fikse dette problemet hvis vi fant en måte for tenåringer å trene modell-dataene direkte.

Dette var “Aha”-øyeblikket som senere inspirerte Pienso: fageksperter, ikke AI-ingeniører som oss, burde kunne gi innputt på modell-trening-data på en enklere måte. Vi utviklet klikk-og-peke-verktøy som tillater ikke-eksperter å trene store mengder data i skala. Vi tok deretter denne teknologien til lokale skoler i Cambridge, Massachusetts, og ba om hjelp fra lokale tenåringer til å trene deres algoritmer, noe som tillot oss å fange mer nuanser i algoritmene enn tidligere mulig. Med denne teknologien samarbeidet vi med organisasjoner som MTV og Brigham and Women’s Hospital.

Kunne du dele opphavshistorien om hvordan Pienso ble spunnet ut fra MIT til sitt eget selskap?

Vi visste alltid at denne teknologien kunne gi verdi utover bruksområdet vi bygget, men det var ikke før 2016 at vi endelig tok spranget til å kommersialisere det, da Karthik fullførte sin doktorgrad. På den tiden var dypt læring i ferd med å eksplodere i popularitet, men det var hovedsakelig AI-ingeniører som brukte det fordi ingen andre hadde ekspertisen til å trene og distribuere disse modellene.

Hva er de viktigste innovasjonene og algoritmene som muliggjør Pienso’s kodefrie grensesnitt for bygging av AI-modeller? Hvordan sikrer Pienso at domene-eksperter uten teknisk bakgrunn kan effektivt trene AI-modeller?

Pienso eliminerer barrierene for “MLOps” — data-rengjøring, data-merking, modell-trening og -distribusjon. Plattformen vår bruker en semi-overvåket maskinlærings-tilnærming, som tillater brukerne å starte med umerkede treningsdata og deretter bruke menneskelig ekspertise til å annotere store mengder tekstdata raskt og nøyaktig uten å måtte skrive noen kode. Denne prosessen trener dyptlæringsmodeller som er i stand til å klassifisere og generere ny tekst nøyaktig.

Hvordan tilbyr Pienso tilpassing i AI-modellutvikling for å møte de spesifikke behovene til forskjellige organisasjoner?

Vi er sterke tilhengere av at ingen modell kan løse alle problemer for alle selskaper. Vi må være i stand til å bygge og trene tilpassede modeller hvis vi ønsker AI å forstå nuansene i hver enkelt bedrift og bruksområde. Derfor gjør Pienso det mulig å trene modeller direkte på en organisasjons eget data. Dette lettet bekymringer om personvern ved å bruke grunnleggende modeller, og kan også levere mer nøyaktige innsikter.

Pienso integrerer også med eksisterende bedriftssystemer gjennom API-er, som tillater at inferensresultatene kan leveres i forskjellige formater. Pienso kan også operere uten å være avhengig av tredjeparts-tjenester eller API-er, noe som betyr at data aldri trenger å bli overført utenfor en sikker miljø. Det kan bli distribuert på store skytjenesteleverandører samt på egen server, noe som gjør det til en ideal løsning for bransjer som krever sterk sikkerhet og retningslinjer, som regjeringsetater eller finansielle institusjoner.

Hvordan ser du på plattformens utvikling de neste årene?

De neste årene vil Pienso fortsette å utvikle seg ved å fokusere på enda større skalerbarhet og effisiens. Ettersom etterspørselen etter høyvolumstekstanalyse vokser, vil vi forbedre vår evne til å håndtere større datamengder med raskere inferenstider og mer kompleks analyse. Vi er også dedikert til å redusere kostnadene forbundet med å skalerer store språkmodeller, slik at bedrifter får verdi uten å kompromittere med hastighet eller nøyaktighet.

Vi vil også drive videre med å demokratisere AI. Pienso er allerede en plattform uten kode eller lav kode, men vi ser for oss å utvide tilgjengeligheten av våre verktøy enda mer. Vi vil kontinuerlig forbedre vårt grensesnitt så at en bredere rekke brukere, fra forretningsanalytikere til tekniske team, kan fortsette å trene, finjustere og distribuere modeller uten å trenge dyp teknisk ekspertise.

Ettersom vi samarbeider med flere kunder over forskjellige bransjer, vil Pienso tilpasse seg å tilby mer skreddersydde løsninger. Uansett om det er finansielle, helse eller regjering, vil vår plattform utvikle seg til å inkorporere bransjespesifikke maler og moduler for å hjelpe brukerne til å finjustere deres modeller mer effektivt for deres spesifikke bruksområder.

Pienso vil bli enda mer integrert i den bredere AI-økosystemet, og vil arbeide sammen med løsninger og verktøy fra store skytjenesteleverandører og på egen server. Vi vil fokusere på å bygge sterkere integrasjoner med andre dataplattformer og verktøy, og muliggjøre en mer samlet AI-arbeidsflyt som passer inn i eksisterende teknologistacker for bedrifter.

Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke Pienso.