Блэр Ньюман, CTO Neuton – Интервью Серия

Блэр Ньюман, является CTO Neuton, революционной нейронной сети и автоматизированной платформы машинного обучения (AutoML), которая намного более эффективна, чем любая другая платформа, не-нейронный алгоритм или продукт AutoML, доступный на рынке. Она 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.

Можете ли вы рассказать историю создания Neuton?

Мы решили отправиться в путь создания 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. Итак, чтобы действительно сделать машинное обучение доступным для всех… нам нужно было устранить некоторые технические барьеры, которые существовали… Требования к значительным объемам данных для обучения… Автоматизированное решение SaaS для исключения необходимости технической экспертизы…. Затем, наконец, сделать нашу платформу доступной бесплатно, чтобы устранить последний барьер.

Для читателей, которые могут быть незнакомы с этой терминологией, можете ли 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 этот край.

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, в которой мы отличаемся, заключается в том, что мы значительно сокращаем эти требования.

Как Neuton создает компактные модели без ущерба для точности?

Традиционные и более известные платформы (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, после построения модели, должен быть оптимизирован перед интеграцией. Это то, что я называю подходом сверху вниз. С Neuton мы полностью переворачиваем эту парадигму, поскольку мы строим каждую модель снизу вверх, один нейрон за раз, эффективно исключая отходы, присущие другим платформам. Это означает, что структура сети не предопределена, а вырастает из одного нейрона во время обучения. Мы сочетаем этот подход с постоянной кросс-валидацией при каждом применении нейрона к полученной 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 исключая 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 постоянно видим, что мы превосходим другие платформы и платформы…. Обычно мы видим, что наши модели часто в 1000 раз меньше, а время выхода на рынок сокращается более чем на 70%. Наконец, наш офис Explainability второго уровня по предоставлению полной прозрачности наших моделей, а также каждого отдельного прогноза.

Можете ли вы предоставить некоторые подробности об объяснимости ИИ, которую предлагает платформа Neuton?

Наш офис Explainability представлен в нескольких формах. Сначала наш инструмент EDA (эксплораторный анализ 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 худших функций имеют минимальное влияние на ваши прогнозы. Оттуда мы предлагаем нашим клиентам следующий уровень прозрачности их полученных моделей, поскольку они могут проанализировать каждый прогноз отдельно, 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 их модель нуждается в повторном обучении.

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

Наша миссия здесь, в Neuton, заключается в том, чтобы буквально принести ИИ каждому. Мы считаем, что мы успешно начали реализовывать эти возможности. Будь то возможность для не-специалистов по данным или наделение опытных специалистов по данным нулевым кодом SaaS-решения. Теперь с ускорением TinyML мы находимся на пути真正 демократизации ИИ.

Благодарим за отличное интервью, читатели, которые хотят узнать больше, должны посетить Neuton.