Блэр Ньюман, технический директор Neuton – Серия интервью

Блэр Ньюман – технический директор Neuton, революционной нейронной сети и автоматизированного решения машинного обучения (AutoML), которое намного более эффективно, чем любая другая框架, не-нейронный алгоритм или продукт AutoML, доступный на рынке. Это делает искусственный интеллект (ИИ) доступным для всех.

Что изначально привлекло вас к машинному обучению и науке о данных?

С личной точки зрения я всегда был заинтересован в возможностях, которые могут предоставить машинное обучение и наука о данных, такие как – от умных городов до подключенных автомобилей и теперь то, что может предложить TinyML. Теперь с демократизацией ИИ мы буквально видим машинное обучение повсюду.

Не могли бы вы поделиться историей создания Neuton?

Мы решили отправиться в путешествие по созданию ИИ, доступного для “каждого”, после многих лет работы над различными проектами с точки зрения машинного обучения. В течение этого периода мы определили ряд барьеров, которые ограничивали экспоненциальный рост. Чтобы действительно сделать машинное обучение доступным для всех… нам нужно было устранить некоторые технические барьеры, которые существовали…. Требования значительных объемов данных для обучения… автоматизированное решение SaaS для устранения необходимости технической экспертизы…. Затем, наконец, сделать нашу платформу доступной бесплатно, чтобы устранить последний барьер.

Для читателей, которые могут быть незнакомы с этой терминологией, не могли бы вы определить, что такое TinyML?

Я обычно предпочитаю все просто…. Физический мир встречает цифровой мир…. И где эти две сущности пересекаются… это мир TinyML…. TinyML приносит интеллект прямо на этом краю.

Что препятствует ускорению TinyML в сообществе ИИ?

TinyML обычно требует огромного количества капитала с точки зрения ресурсов. Аппаратное обеспечение, инженеры встроенных систем, инженеры машинного обучения, разработчики программного обеспечения для интеграции…. Одна из областей, где мы отлично справляемся, – это сокращение этих требований значительно.

Как Neuton создает компактные модели без ущерба для точности?

Традиционные и более известные框架 (например, TensorFlow) начинаются с предварительно существующей структуры, которая по своей сути включает в себя отходы. Кроме того, построение модели часто является очень итеративным процессом, который затем, когда модель построена, должен быть оптимизирован перед интеграцией. Это то, что я называю подходом сверху вниз. С Neuton мы переворачиваем эту парадигму полностью на голову, поскольку мы строим каждую модель снизу вверх, один нейрон за раз, эффективно устраняя отходы, присущие другим框架. Это говорит о том, что структура сети не предопределена, а выращивается из одного нейрона во время обучения. Мы сочетаем этот подход с постоянной перекрестной проверкой при каждом применении нейрона к результирующей модели. Таким образом, окончательная модель всегда строится для конкретной цели, без отходов и точна при завершении.

Neuton не использует обратное распространение или стохастический градиентный спуск, какова была причина избегания этих популярных методологий?

Наш запатентованый подход использует глобальную оптимизацию, эффективно устраняя необходимость применения этих методологий.

На сколько более эффективно решение Neuton по сравнению с традиционными подходами машинного обучения?

Во всех ключевых метриках, таких как время создания модели, точность, размер модели и, следовательно, время выхода на рынок. Мы последовательно видим, что мы превосходим другие框架 и платформы…. Обычно мы видим, что наши модели в 1000 раз меньше, а время выхода на рынок сокращается более чем на 70%. Наконец, наше объяснение моделей является вторым по качеству в обеспечении полной прозрачности наших моделей, а также каждого отдельного прогноза.

Не могли бы вы предоставить некоторые подробности об объяснимости ИИ, которую предлагает платформа Neuton?

Наше объяснение моделей представлено в нескольких формах. Начиная с нашего инструмента EDA (эксплораторного анализа данных), который предоставляет первоначальный обзор статистики ваших данных до обучения. Оттуда наша матрица важности функций позволяет нашим клиентам определить, какие из 10 лучших функций влияют на их прогнозы, а также какие из 10 нижних функций имеют минимальное влияние на ваши прогнозы. Оттуда мы предлагаем нашим клиентам следующий уровень прозрачности для их результирующих моделей, поскольку они могут проанализировать каждый прогноз индивидуально, чтобы увидеть, как ваш прогноз может измениться, если значение данной функции изменится. Наконец, мы предоставляем инструмент управления жизненным циклом (индикатор актуальности модели и данных), который активно уведомляет наших клиентов, когда их модель начинает ухудшаться и когда модель нуждается в повторном обучении.

Есть ли что-то еще, что вы хотели бы поделиться о Neuton?

Наша миссия здесь, в Neuton, – буквально принести ИИ каждому. Мы считаем, что мы были успешны в начале реализации этих возможностей. Будь то обеспечение доступа к ИИ для не-специалистов по данным или наделение опытных специалистов по данным возможностями, предоставляя решение SaaS с нулевым кодом. Теперь с ускорением TinyML мы находимся на пути к真正щей демократизации ИИ.

Спасибо за отличное интервью, читателям, которые хотят узнать больше, следует посетить Neuton.