Blair Newman, CTO på Neuton – Intervju-serie

Blair Newman är CTO på Neuton, ett banbrytande ramverk för neuronnät och automatiserad maskinlärning (AutoML) som är betydligt mer effektivt än något annat ramverk, icke-neuralt algoritm eller AutoML-produkt som finns på marknaden. Det gör artificiell intelligens (AI) tillgänglig för alla.

Vad var det som initialt drog dig till maskinlärning och datavetenskap?

Ur ett personligt perspektiv har jag alltid varit fascinerad av de möjligheter som ML/Data Science kan erbjuda, som till exempel smarta städer, uppkopplade bilar och nu även det som TinyML kan erbjuda. Med demokratiseringen av AI ser vi nu verkligen maskinlärning överallt.

Kan du dela med dig av historien bakom Neuton?

Vi bestämde oss för att ge oss iväg på resan att göra AI tillgänglig för “alla” efter många år av att arbeta med flera projekt ur ett maskinlärningsperspektiv. Under denna period identifierade vi ett antal olika hinder som begränsade den exponentiella tillväxten. För att verkligen göra ML tillgänglig för alla… behövde vi ta itu med några av de tekniska hindren som fanns…. Kraven på stora mängder data för att utföra träning… En automatiserad SaaS-lösning för att eliminera behovet av teknisk expertis…. Och slutligen att göra vår plattform tillgänglig gratis för att ta bort det sista hindret.

För läsare som kanske inte är bekanta med denna terminologi, kan du definiera vad TinyML är?

Jag föredrar att hålla det enkelt…. Den fysiska världen möter den digitala världen…. Och där dessa två entiteter möts… är världen av TinyML…. TinyML bringar intelligens rakt ut till kanten.

Vad hindrar accelerationen av TinyML i AI-samhället?

TinyML kräver vanligtvis en enorm mängd kapital ur ett resurssperspektiv. HW, inbäddade ingenjörer, maskinläringsingenjörer, programvaruutvecklare för integration…. Ett av områdena där vi excellerar är att vi kollapsar dessa krav betydligt.

Hur skapar Neuton kompakta modeller utan att kompromissa med precisionen?

De traditionella och mer kända ramverken (t.ex. TensorFlow) börjar med en fördefinierad struktur som innefattar avfall. Dessutom är att bygga en modell ofta en mycket iterativ process som sedan, när modellen är byggd, måste optimeras innan integration. Detta är vad jag kallar en topp-ned-approach. Med Neuton vänder vi på denna paradigm helt och hållet, eftersom vi bygger varje modell från grunden, en neuron i taget, och effektivt eliminerar det avfall som uppkommer med andra ramverk. Detta sagt – nätverksstrukturen är inte fördefinierad, utan växer från en enda neuron under träning. Vi kopplar denna approach till konstant korsvalidering när varje neuron appliceras på den resulterande modellen. Så, den slutliga modellen är alltid byggd för ändamålet, utan avfall och exakt vid slutförandet.

Neuton använder inte backpropagation eller stokastisk gradientnedgång, vad var resonemanget bakom att undvika dessa populära metoder?

Vår patenterade approach använder en global optimeringsmetodik som effektivt eliminerar behovet av att tillämpa dessa metoder.

Hur mycket mer effektiv är Neuton-lösningen jämfört med traditionella maskinlärningsmetoder?

I alla nyckelparametrar som tid till modellskapande, precision, modellstorlek och därmed tid till marknaden. Vi ser konsekvent att vi presterar bättre än andra ramverk och plattformar…. Vanligtvis ser vi att våra modeller ofta är 1000 gånger mindre med en reducerad tid till marknaden på över 70%. Slutligen är vår Explainability Office utan like i att ge fullständig transparens till våra modeller samt varje enskild förutsägelse.

Kan du ge några detaljer om AI-förklarbarhet som Neuton-plattformen erbjuder?

Vår Explainability Office kommer i flera former. Först och främst med vår EDA (Exploratory Data Analysis)-verktyg som ger en initial vy av statistiken för din data innan träning. Därifrån möjliggör vår Feature Importance Matrix för våra kunder att identifiera vilka de topp 10 funktionerna är som påverkar deras förutsägelser och även vilka de nedre 10 funktionerna som har minimal påverkan på deras förutsägelser. Därifrån erbjuder vi våra kunder nästa nivå av transparens för deras resulterande modeller, eftersom de kan analysera varje förutsägelse individuellt för att se hur deras förutsägelse kan ändras om värdet på en given funktion ändras. Slutligen tillhandahåller vi ett livscykelsverktyg (Model-To-Data-Relevance Indicator) som proaktivt meddelar våra kunder när deras modell börjar försämras och deras modell behöver omtränas.

Finns det något annat du vill dela om Neuton?

Vår mission här på Neuton är att bokstavligen bringa AI till alla. Vi tror att vi har varit framgångsrika i att börja förverkliga dessa möjligheter. Antingen det är att möjliggöra för icke-Data Scientists eller att ge makt åt erfarna Data Scientists genom att tillhandahålla en Zero Code SaaS-baserad lösning. Nu med accelerationen av TinyML är vi väl på väg att verkligen demokratisera AI.

Tack för det underbara samtalet, läsare som vill lära sig mer bör besöka Neuton.