Blair Newman, CTO da Neuton – Série de Entrevistas

Blair Newman é o CTO da Neuton, uma plataforma de rede neural disruptiva e solução de Aprendizado de Máquina Automatizado (AutoML) que é muito mais eficaz do que qualquer outra plataforma, algoritmo não neural ou produto AutoML disponível no mercado. Isso torna a Inteligência Artificial (IA) acessível a todos.

O que o atraiu inicialmente para a aprendizagem de máquina e ciência de dados?

Do ponto de vista pessoal, sempre fui fascinado pelas possibilidades que a ML/Ciência de Dados pode oferecer, como – Cidades Inteligentes – Carros Conectados e agora o que o TinyML também pode oferecer. Agora, com a democratização da IA, estamos literalmente vendo a ML em todos os lugares.

Pode compartilhar a história de como a Neuton surgiu?

Decidimos embarcar na jornada de tornar a IA acessível a “todos” após muitos anos de execução de vários projetos do ponto de vista da Aprendizagem de Máquina. Durante esse período, identificamos uma série de barreiras que limitavam o crescimento exponencial. Para realmente tornar a ML acessível a todos… precisávamos abordar algumas das barreiras técnicas que existiam…. Os requisitos para quantidades significativas de dados para treinamento… Uma solução SaaS automatizada para eliminar a necessidade de expertise técnica…. E, por fim, tornar nossa plataforma disponível gratuitamente para remover a última barreira.

Para os leitores que possam não estar familiarizados com essa terminologia, pode definir o que é TinyML?

Gosto de manter as coisas simples…. O mundo físico encontra o mundo digital…. E onde essas duas entidades se encontram… é o mundo do TinyML…. O TinyML traz inteligência diretamente para essa borda.

O que está impedindo a aceleração do TinyML na comunidade de IA?

O TinyML normalmente requer uma quantidade tremenda de capital do ponto de vista de recursos. HW, Engenheiros Embutidos, Engenheiros de Aprendizado de Máquina, Desenvolvedores de Software para integração…. Uma das áreas onde nos destacamos é que colapsamos esses requisitos significativamente.

Como a Neuton cria modelos compactos sem comprometer a precisão?

As plataformas tradicionais e mais conhecidas (por exemplo, TensorFlow) começam com uma estrutura pré-existente que inclui resíduos. Além disso, a construção de um modelo é frequentemente um processo muito iterativo que, uma vez concluído, deve ser otimizado antes da integração. Isso é o que chamo de abordagem de cima para baixo. Com a Neuton, viramos esse paradigma completamente de cabeça para baixo, pois construímos cada modelo a partir de baixo para cima, um neurônio de cada vez, eliminando efetivamente os resíduos inerentes às outras plataformas. Isso dito, a estrutura da rede não é pré-definida, mas é crescida a partir de um único neurônio durante o treinamento. Acoplamos essa abordagem com validação cruzada constante à medida que cada neurônio é aplicado ao modelo resultante. Portanto, o modelo final é sempre construído com um propósito, sem resíduos e preciso ao término.

A Neuton não usa retropropagação ou descida de gradiente estocástico, qual foi o raciocínio por trás da evasão dessas metodologias populares?

Nossa abordagem patenteada usa uma metodologia de Otimização Global, eliminando efetivamente a necessidade de aplicar essas metodologias.

Quanto mais eficiente é a solução Neuton em comparação com as abordagens de aprendizado de máquina tradicionais?

Em todas as principais métricas, como tempo de criação do modelo, precisão, tamanho do modelo e tempo de mercado. Consistentemente vemos que superamos outras plataformas e plataformas…. Normalmente, experimentamos que nossos modelos são frequentemente 1000 vezes menores, com um tempo de mercado reduzido em mais de 70%. Além disso, nosso Escritório de Explicabilidade é o segundo a nenhum em fornecer transparência completa para nossos modelos, juntamente com cada previsão individual.

Pode fornecer alguns detalhes sobre a Explicabilidade da IA que a plataforma Neuton oferece?

Nosso Escritório de Explicabilidade vem em várias formas. Começando com nossa Ferramenta de Análise de Dados Exploratória (EDA), que fornece uma visão inicial das estatísticas dos seus dados antes do treinamento. A partir daí, nossa Matriz de Importância de Recursos permite que nossos clientes identifiquem quais são os 10 principais recursos que influenciam suas previsões e quais são os 10 recursos que têm influência mínima sobre suas previsões. A partir daí, oferecemos a nossos clientes o próximo nível de transparência para seus modelos resultantes, pois eles podem analisar cada previsão individualmente para ver como sua previsão pode mudar se o valor de um recurso específico mudar. Por fim, fornecemos uma Ferramenta de Gerenciamento de Ciclo de Vida (Indicador de Relevância do Modelo para os Dados) que notifica proativamente nossos clientes quando seu modelo está começando a decair e seu modelo precisa ser re-treinado.

Há algo mais que você gostaria de compartilhar sobre a Neuton?

Nossa missão aqui na Neuton é literalmente trazer a IA para todos. Acreditamos que temos sido bem-sucedidos em começar a realizar essas possibilidades. Seja permitindo que os não-cientistas de dados ou capacitando os cientistas de dados experientes, fornecendo uma solução baseada em SaaS sem código. Agora, com a aceleração do TinyML, estamos bem no caminho de verdadeiramente democratizar a IA.

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar Neuton.