Blair Newman, CTO Neuton – Seria wywiadów

Blair Newman jest CTO Neuton, rewolucyjnej sieci neuronowej i automatycznego uczenia maszynowego (AutoML), która jest znacznie bardziej efektywna niż jakakolwiek inna ramka, nie-neuronowa lub produkt AutoML dostępny na rynku. Umożliwia dostęp do sztucznej inteligencji (AI) dla wszystkich.

Czym początkowo zainteresowało Pana machine learning i data science?

Z osobistej perspektywy zawsze fascynowały mnie możliwości, które oferuje ML/Data Science, takie jak – od Smart Cities – Połączone Samochody i teraz to, co może zaoferować TinyML. Teraz, dzięki demokratyzacji AI, dosłownie widzimy ML wszędzie.

Czy mógłby Pan podzielić się historią powstania Neuton?

Zdecydowaliśmy się wyruszyć w podróż, aby uczynić AI dostępnym dla “wszystkich” po wielu latach realizacji wielu projektów z perspektywy Machine Learning. Podczas tego okresu zidentyfikowaliśmy wiele barier, które ograniczały ekspansję. Aby naprawdę uczynić ML dostępnym dla wszystkich… Musieliśmy rozwiązać niektóre z technicznych barier, które istniały…. Wymagania dużej ilości danych do szkolenia… Automatyczne rozwiązanie SaaS, aby wyeliminować potrzebę doświadczenia technicznego…. A na końcu udostępnienie naszej platformy za darmo, aby usunąć ostatnią barierę.

Dla czytelników, którzy mogą być nieznajomi z tymi terminami, czy mógłby Pan wyjaśnić, co to jest TinyML?

Zazwyczaj staram się to wyjaśniać prosto…. Świat fizyczny spotyka się ze światem cyfrowym…. I tam, gdzie te dwie sfery się przecinają… jest świat TinyML…. TinyML wnosi inteligencję prosto na ten brzeg.

Co powstrzymuje przyspieszenie TinyML w społeczności AI?

TinyML zwykle wymaga ogromnej ilości kapitału z perspektywy zasobów. HW, inżynierowie wbudowani, inżynierowie Machine Learning, programiści do integracji…. Jednym z obszarów, w których się wyróżniamy, jest to, że składamy te wymagania znacznie.

Jak Neuton tworzy kompaktowe modele bez kompromisowania dokładności?

Tradycyjne i bardziej znane ramy (np. TensorFlow) zaczynają się od predefiniowanej struktury, która zawiera w sobie odpadki. Ponadto, budowanie modelu jest często bardzo iteracyjnym procesem, który po zbudowaniu modelu musi być zoptymalizowany przed integracją. To jest to, co nazywam podejściem top-down. Z Neuton odwracamy ten paradygmat całkowicie, budując każdy model od dołu, neuron po neuronie, skutecznie eliminując odpadki, które występują w innych ramach. To powiedziawszy – struktura sieci nie jest predefiniowana, ale jest tworzona od jednego neuronu podczas szkolenia. Łączymy to podejście z ciągłym walidacją krzyżową przy każdym neuronie, który jest stosowany do wynikowego modelu. Więc, ostateczny model jest zawsze budowany zgodnie z celem, bez odpadków i dokładny po zakończeniu.

Neuton nie używa propagacji wstecznej ani losowego gradientu, jaki był powód unikania tych popularnych metodologii?

Nasze opatentowane podejście wykorzystuje globalną optymalizację, skutecznie eliminując potrzebę stosowania tych metodologii.

Jak znacznie bardziej efektywne jest rozwiązanie Neuton w porównaniu z tradycyjnymi podejściami do machine learning?

We wszystkich kluczowych wskaźnikach, takich jak czas tworzenia modelu, dokładność, rozmiar modelu i czas wprowadzenia na rynek. Stale widzimy, że przewyższamy inne ramy i platformy…. Zazwyczaj nasze modele są o 1000 razy mniejsze, a czas wprowadzenia na rynek jest skrócony o ponad 70%. Na końcu nasz biurko wyjaśnialności jest niezrównane w zapewnianiu pełnej przejrzystości naszych modeli oraz każdej indywidualnej predykcji.

Czy mógłby Pan dostarczyć niektóre szczegóły na temat wyjaśnialności AI, które oferuje platforma Neuton?

Nasze biurko wyjaśnialności przychodzi w wielu formach. Począwszy od naszego narzędzia EDA (Exploratory Data Analysis), które zapewnia początkowy widok statystyk Twoich danych przed szkoleniem. Następnie nasza macierz ważności cech umożliwia naszym klientom identyfikację 10 najlepszych cech wpływających na ich predykcje oraz 10 cech, które mają minimalny wpływ na predykcje. Następnie oferujemy naszym klientom kolejny poziom przejrzystości wynikowych modeli, ponieważ są w stanie analizować każdą predykcję indywidualnie, aby zobaczyć, jak ich predykcja może się zmienić, jeśli wartość danej cechy się zmieni. Na końcu zapewniamy narzędzie do zarządzania cyklem życia (Model-To-Data-Relevance Indicator), które proaktywnie powiadamia naszych klientów, gdy ich model zaczyna się psuć i wymaga ponownego szkolenia.

Czy jest coś jeszcze, co chciałby Pan podzielić się na temat Neuton?

Nasza misja tutaj w Neuton to dosłownie sprowadzić AI do wszystkich. Wierzymy, że byliśmy skuteczni w rozpoczęciu realizacji tych możliwości. Niezależnie od tego, czy umożliwiamy dostęp do AI osobom niebędącym specjalistami od danych, czy wspieramy doświadczonych specjalistów od danych, dostarczając rozwiązanie Zero Code SaaS. Teraz, dzięki przyspieszeniu TinyML, jesteśmy na dobrej drodze do prawdziwej demokratyzacji AI.

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Neuton.