Blair Newman, CTO i Neuton – Intervju-serie

Blair Newman er CTO i Neuton, et banebrytende neuralt nettverksrammeverk og et automatisert maskinlæringssystem (AutoML) som er langt mer effektivt enn noe annet rammeverk, ikke-neuralt algoritme eller AutoML-produkt som er tilgjengelig på markedet. Det gjør kunstig intelligens (AI) tilgjengelig for alle.

Hva var det som først tiltalte deg til maskinlæring og datavitenskap?

Fra et personlig perspektiv har jeg alltid vært fascinert av mulighetene som maskinlæring og datavitenskap kan tilby, som for eksempel smarte byer, tilkoblede biler og nå også hva TinyML kan tilby. Nå med demokratiseringen av AI ser vi virkelig maskinlæring overalt.

Kan du dele historien bak Neuton?

Vi bestemte oss for å starte reisen med å gjøre AI tilgjengelig for “alle” etter mange år med å utføre flere prosjekter fra et maskinlæringssynspunkt. Under denne perioden identifiserte vi flere barrierer som begrenset eksponentiell vekst. For å virkelig gjøre maskinlæring tilgjengelig for alle, måtte vi adresse noen av de tekniske barrierene som eksisterte … Kravene til betydelige mengder data for å utføre trening … En automatisert SaaS-løsning for å eliminere behovet for teknisk ekspertise … Og til slutt å gjøre vår plattform tilgjengelig gratis for å fjerne den siste barrieren.

For lesere som kanskje ikke er kjent med denne terminologien, kan du definere hva TinyML er?

Jeg liker vanligvis å holde det enkelt … Den fysiske verden møter den digitale verden … Og der disse to entitetene møtes … er verden av TinyML … TinyML bringer intelligens rett på kanten.

Hva hindrer akselerasjonen av TinyML i AI-samfunnet?

TinyML krever vanligvis en betydelig mengde kapital fra et ressursperspektiv. HW, innbygde ingeniører, maskinlæringssystemer, programvareutviklere for integrasjon … En av områdene der vi excellerer er at vi kollapser disse kravene betydelig.

Hvordan skaper Neuton kompakte modeller uten å gå på bekostning av nøyaktighet?

De tradisjonelle og mer kjente rammeverkene (f.eks. TensorFlow) starter med en forhåndsdefinert struktur som inneholder avfall. I tillegg er bygging av en modell ofte en svært iterativ prosess som må optimeres før integrasjon. Dette er hva jeg kaller en topp-ned-tilnærming. Med Neuton snur vi dette paradigmet helt på hodet, siden vi bygger hver modell fra bunnen og opp, en neuron om gangen, og eliminerer dermed det innebygde avfallet som andre rammeverk opplever. Dette betyr at nettverksstrukturen ikke er forhåndsdefinert, men vokser fra en enkelt neuron under trening. Vi kombinerer denne tilnærmingen med konstant validering etter hvert som hver neuron legges til den resulterende modellen. Så, den endelige modellen er alltid bygget med formål, uten avfall og nøyaktig når den er ferdig.

Neuton bruker ikke bakpropagasjon eller stokastisk gradientstigning, hva var grunnene bak å unngå disse populære metodene?

Vår patenterte tilnærming bruker en global optimeringsmetode som effektivt eliminerer behovet for å bruke disse metodene.

Hvor mye mer effektiv er Neuton-løsningen sammenlignet med tradisjonelle maskinlæringstilnærminger?

I alle nøkkelmetricer som tid til modellskapning, nøyaktighet, modellstørrelse og deretter tid til marked. Vi ser konsekvent at vi overgår andre rammeverk og plattformer … Vanligvis ser vi at våre modeller ofte er 1000 ganger mindre med en reduksjon i tid til marked på over 70%. Til slutt er vår forklaringskontor uten like i å gi full gjennomsiktighet til våre modeller samt hver enkelt prediksjon.

Kan du gi noen detaljer om AI-forklarbarhet som Neuton-plattformen tilbyr?

Vår forklaringskontor kommer i flere former. Først og fremst med vår EDA-verktøy (Exploratory Data Analysis) som gir en innledende oversikt over statistikken til dine data før trening. Deretter gir vår Feature Importance Matrix våre kunder mulighet til å identifisere de øverste 10 funksjonene som påvirker deres prediksjoner, samt de nederste 10 funksjonene som har minimal innvirkning på deres prediksjoner. Deretter tilbyr vi våre kunder neste nivå av gjennomsiktighet til deres resulterende modeller, ettersom de kan analysere hver prediksjon individuelt for å se hvordan deres prediksjon kan endre seg hvis verdien av en gitt funksjon endres. Til slutt tilbyr vi en livssyklus-håndtering-verktøy (Model-To-Data-Relevance Indicator) som proaktivt varsler våre kunder når deres modell begynner å forfalle og deres modell trenger å bli omtrukket.

Er det noe annet du ønsker å dele om Neuton?

Vår misjon her i Neuton er å bringe AI til alle. Vi tror vi har vært suksessfulle i å begynne å realisere disse mulighetene. Uansett om det er å aktivere ikke-Data Scientist eller å styrke de erfarne Data Scientistene ved å tilby en Zero Code SaaS-basert løsning. Nå med akselerasjonen av TinyML er vi godt på vei til å virkelig demokratisere AI.

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