Blair Newman, CTO al Neuton – Seria de interviuri

Blair Newman este CTO al Neuton, un cadru de rețea neurală disruptiv și o soluție de învățare automată (AutoML) care este mult mai eficientă decât orice alt cadru, algoritm non-neural sau produs AutoML disponibil pe piață. Acesta face inteligența artificială (AI) disponibilă pentru toată lumea.

Ce v-a atras inițial spre învățarea automată și știința datelor?

Dintr-o perspectivă personală, am fost întotdeauna fascinat de posibilitățile pe care le pot oferi ML/Știința datelor, cum ar fi – de la orașe inteligente la mașini conectate și acum ceea ce poate oferi și TinyML. Acum, cu democratizarea AI, vedem literalmente ML peste tot.

Puteți împărtăși povestea de origine a Neuton?

Am decis să ne începem călătoria de a face AI disponibilă “tuturor” după mulți ani de executare a mai multor proiecte din perspectiva învățării automate. În această perioadă, am identificat o serie de bariere care limitau creșterea exponențială. Pentru a face cu adevărat ML disponibilă tuturor… Trebuia să abordăm unele dintre barierele tehnice care existau…. Cerințele pentru cantități semnificative de date pentru a efectua antrenamentul… O soluție SaaS automată pentru a elimina nevoia de expertiză tehnică…. Apoi, în final, facem platforma noastră disponibilă gratuit pentru a elimina ultima barieră.

Pentru cititorii care nu sunt familiarizați cu această terminologie, puteți defini ce este TinyML?

Îmi place să păstrez lucrurile simple…. Lumea fizică se întâlnește cu lumea digitală…. Și acolo unde se întâlnesc aceste două entități… este lumea TinyML…. TinyML aduce inteligență chiar la marginea acesteia.

Ce împiedică accelerarea TinyML în comunitatea AI?

TinyML necesită, de obicei, o cantitate uriașă de capital din punct de vedere al resurselor. HW, ingineri încorporați, ingineri de învățare automată, dezvoltatori de software pentru integrare…. Una dintre domeniile în care excelați este că reducem semnificativ aceste cerințe.

Cum creează Neuton modele compacte fără a compromite acuratețea?

Cadrele tradiționale și mai bine cunoscute (de exemplu, TensorFlow) încep cu o structură preexistentă care conține în mod inerent deșeuri. În plus, construirea unui model este adesea un proces foarte iterativ care, odată ce modelul este construit, trebuie optimizat înainte de integrare. Acesta este ceea ce numesc abordarea de sus în jos. Cu Neuton, răsturnăm complet această paradigmă, deoarece construim fiecare model de la zero, neuron cu neuron, eliminând eficient deșeurile inerente experimentate cu alte cadre. Acest lucru fiind spus, structura rețelei nu este predefinită, ci este creată de la un singur neuron în timpul antrenamentului. Îl cuplăm cu validarea transversală constantă, pe măsură ce fiecare neuron este aplicat modelului rezultat. Astfel, modelul final este întotdeauna construit cu un scop, fără deșeuri și precis la finalizare.

Neuton nu utilizează backpropagation sau descendentul gradientului stocastic, ce a fost raționamentul din spatele evitării acestor metodologii populare?

Aproacherea noastră brevetată utilizează o metodologie de optimizare globală, eliminând eficient nevoia de a aplica aceste metodologii.

Cât de mult mai eficientă este soluția Neuton în comparație cu abordările tradiționale de învățare automată?

În toate metricile cheie, cum ar fi timpul de creare a modelului, acuratețea, dimensiunea modelului și, în consecință, timpul de piață. Vedem constant că depășim alte cadre și platforme…. De obicei, experimentăm faptul că modelele noastre sunt de multe ori de 1000 de ori mai mici, cu o reducere a timpului de piață de peste 70%. În cele din urmă, Biroul nostru de Explicabilitate este de neegalat în oferirea transparenței complete a modelelor noastre, alături de fiecare predicție individuală.

Puteți oferi detalii despre explicabilitatea AI pe care o oferă platforma Neuton?

Biroul nostru de Explicabilitate vine în multiple forme. Începând cu instrumentul nostru EDA (Analiza exploratorie a datelor), care oferă o vedere inițială a statisticilor datelor dvs. înainte de antrenament. De acolo, Matricea noastră de Importanță a Caracteristicilor permite clienților noștri să identifice care sunt primele 10 caracteristici care influențează predicțiile lor și, de asemenea, care sunt ultimele 10 caracteristici care au o influență minimă asupra predicțiilor lor. De acolo, oferim clienților noștri următorul nivel de transparență pentru modelele lor rezultate, deoarece ei pot analiza individual fiecare predicție pentru a vedea cum s-ar schimba predicția lor dacă valoarea unei caracteristici date s-ar schimba. În cele din urmă, oferim un instrument de gestionare a ciclului de viață (Indicator de relevanță model-date) care notifică proactiv clienții noștri atunci când modelul lor începe să se deterioreze și când modelul trebuie reantrenat.

Există altceva pe care ați dori să-l împărtășiți despre Neuton?

Misiunea noastră de aici, la Neuton, este să aducem literalmente AI pentru toată lumea. Credem că am reușit să începem să realizăm aceste posibilități. Indiferent dacă este vorba de a permite non-specialiștilor în știința datelor sau de a împuternici specialiștii experimentați în știința datelor prin oferirea unei soluții SaaS Zero Code. Acum, cu accelerarea TinyML, suntem pe drumul cel bun de a democratiza cu adevărat AI.

Mulțumim pentru acest interviu minunat, cititorii care doresc să afle mai multe despre Neuton ar trebui să viziteze Neuton.