Birago Jones, medgrundare och VD för Pienso – Intervjuserie

Birago Jones är VD och medgrundare av Pienso, en plattform utan kod/med låg kod för företag att utbilda och distribuera AI-modeller utan behov av avancerad datavetenskap eller programmeringskunskaper. Idag ingår Biragos kunder den amerikanska regeringen och Sky, den största TV-bolaget i Storbritannien. Pienso bygger på Biragos forskning från Massachusetts Institute of Technology (MIT), där han och hans medgrundare Karthik Dinakar arbetade som forskningsassistenter i MIT Media Lab. Han är en erkänd auktoritet inom området artificiell intelligens (AI) och människa-datorinteraktion (HCI), och en förespråkare för ansvarsfull AI.

Pienso‘s interaktiva lärande-gränssnitt är utformat för att möjliggöra för användare att utnyttja AI till sin fulla potential utan någon kodning. Plattformen guidar användarna genom processen att utbilda och distribuera stora språkmodeller (LLM) som är utformade för att bära deras expertis och finjusteras för att besvara deras specifika frågor.

Vad var det som initialt lockade dig att fortsätta dina studier inom AI, HCI (Human Computer Interaction) och användarupplevelse?

Jag hade redan utvecklat personliga projekt som fokuserade på att skapa tillgänglighetsverktyg och applikationer för blinda, såsom en digital blindskriftsläsare med hjälp av en smartphone och ett inomhusvägledningssystem (digital käpp). Jag trodde att AI kunde förbättra och stödja dessa insatser.

Pienso var initialt konceptualiserad under din tid på MIT, hur uppkom idén att utbilda maskinlärningsmodeller för att göra dem tillgängliga för icke-tekniska användare?

Min medgrundare Karthik och jag möttes under min tid i forskarskolan medan vi båda genomförde forskning i MIT Media Lab. Vi hade samarbetat i ett klassprojekt för att bygga ett verktyg som skulle hjälpa sociala medieplattformar att moderera och flagga för kränkande innehåll. Verktyget fick stor uppmärksamhet, och vi bjöds in till Vita huset för att demonstrera tekniken under en konferens om cybermobbing.

Det fanns bara ett problem: medan modellen i sig fungerade som den skulle, var den inte utbildad på rätt data, så den kunde inte identifiera skadligt innehåll som använde tonårsjargong. Karthik och jag arbetade tillsammans för att lösa problemet, och vi insåg senare att vi kunde lösa det om vi hittade ett sätt för tonåringar att direkt utbilda modellens data.

Detta var “Aha”-ögonblicket som senare inspirerade Pienso: ämnesexperter, inte AI-ingenjörer som vi, borde kunna ge input på modellens utbildningsdata på ett enklare sätt. Vi utvecklade pek-och-klick-verktyg som möjliggjorde för icke-experter att utbilda stora mängder data i stor skala. Vi tog sedan denna teknik till lokala skolor i Cambridge, Massachusetts, och bad om hjälp av lokala tonåringar för att utbilda deras algoritmer, vilket möjliggjorde för oss att fånga mer nyanser i algoritmerna än tidigare. Med denna teknik samarbetade vi med organisationer som MTV och Brigham and Women’s Hospital.

Kan du berätta om hur Pienso sedan spunnits ut från MIT till ett eget företag?

Vi visste alltid att denna teknik kunde ge värde utöver det användningsfall vi byggde, men det var inte förrän 2016 som vi slutligen gjorde språnget till att kommersialisera den, när Karthik avslutade sin doktorsexamen. Vid den tidpunkten exploderade djupinlärning i popularitet, men det var främst AI-ingenjörer som använde den eftersom ingen annan hade den expertis som behövdes för att utbilda och distribuera dessa modeller.

Vilka är de viktigaste innovationerna och algoritmerna som möjliggör Pienso’s gränssnitt utan kod för att bygga AI-modeller? Hur säkerställer Pienso att domänexperter utan teknisk bakgrund kan effektivt utbilda AI-modeller?

Pienso eliminerar barriärerna för “MLOps” — datarengöring, datamärkning, modellutbildning och distribution. Vår plattform använder en semi-övervakad maskinlärningsansats, som möjliggör för användare att börja med omarkerad utbildningsdata och sedan använda mänsklig expertis för att annotera stora volymer textdata snabbt och korrekt utan att behöva skriva någon kod. Denna process utbildar djupinlärningsmodeller som kan klassificera och generera ny text på ett korrekt sätt.

Hur erbjuder Pienso anpassning i AI-modellutveckling för att tillgodose de specifika behoven hos olika organisationer?

Vi är övertygade om att ingen modell kan lösa alla problem för alla företag. Vi måste kunna bygga och utbilda anpassade modeller om vi vill att AI ska förstå nyanserna i varje specifik företag och användningsfall. Därför möjliggör Pienso att utbilda modeller direkt på en organisations egna data. Detta lindrar integritetsproblem med att använda grundläggande modeller och kan också leverera mer exakta insikter.

Pienso integrerar också med befintliga företagssystem via API:er, vilket möjliggör för inferensresultat att levereras i olika format. Pienso kan också fungera utan att förlita sig på tredjepartstjänster eller API:er, vilket innebär att data aldrig behöver överföras utanför en säker miljö. Den kan distribueras på stora molntjänsteleverantörer samt på plats, vilket gör den till en idealisk lösning för branscher som kräver starka säkerhets- och regelefterlevnadspraxis, såsom regeringsbyråer eller finans.

Hur ser du att plattformen kommer att utvecklas under de närmaste åren?

Under de närmaste åren kommer Pienso att fortsätta utvecklas genom att fokusera på ännu större skalbarhet och effektivitet. När efterfrågan på högvolymtextanalys ökar, kommer vi att förbättra vår förmåga att hantera större datamängder med snabbare inferenstider och mer komplex analys. Vi är också engagerade i att minska kostnaderna förknippade med att skala stora språkmodeller för att säkerställa att företag får värde utan att kompromissa med hastighet eller exakthet.

Vi kommer också att driva på ytterligare demokratisering av AI. Pienso är redan en plattform utan kod/med låg kod, men vi ser fram emot att utöka tillgängligheten för våra verktyg ännu mer. Vi kommer att kontinuerligt förbättra vår gränssnitt så att en bredare range av användare, från affärsanalytiker till tekniska team, kan fortsätta att utbilda, finjustera och distribuera modeller utan att behöva djup teknisk expertis.

När vi arbetar med fler kunder över olika branscher, kommer Pienso att anpassa sig för att erbjuda mer skräddarsydda lösningar. Oavsett om det är finans, hälsovård eller regering, kommer vår plattform att utvecklas för att inkorporera branschspecifika mallar och moduler för att hjälpa användare att finjustera sina modeller mer effektivt för sina specifika användningsfall.

Pienso kommer att bli ännu mer integrerad i den bredare AI-ekosystemet, och kommer att arbeta tillsammans med lösningar / verktyg från de stora molntjänsteleverantörerna och på plats. Vi kommer att fokusera på att bygga starkare integrationer med andra dataplattformar och verktyg, vilket möjliggör en mer sammanhängande AI-arbetsflöde som passar in i befintliga företagstekniska stackar.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka Pienso.