แบลร์ นิวแมน CTO ของ Neuton – ซีรีส์สัมภาษณ์

แบลร์ นิวแมน เป็น CTO ของ Neuton ซึ่งเป็น Neural Network Framework และ Automated Machine Learning (AutoML) ที่มีประสิทธิภาพมากกว่าเฟรมเวิร์กอื่นๆ และผลิตภัณฑ์ AutoML ที่มีอยู่ในตลาด ทำให้ Artificial Intelligence (AI) สามารถเข้าถึงได้ทุกคน

สิ่งใดที่ดึงดูดคุณเข้าสู่สาขา Machine Learning และ Data Science ในตอนแรก?

จากมุมมองส่วนตัว ฉันเคยสนใจในความเป็นไปได้ที่ ML/Data Science สามารถให้มา เช่น Smart Cities, Connected Cars และตอนนี้ TinyML ก็สามารถให้ความเป็นไปได้เหล่านั้นได้เช่นกัน ในขณะนี้เรากำลังเห็น ML ทุกที่

คุณสามารถแบ่งปันเรื่องราวการก่อตั้ง Neuton ได้หรือไม่?

เราได้ตัดสินใจเดินทางเพื่อทำให้ AI สามารถเข้าถึงได้ทุกคน หลังจากที่ได้ทำงานในหลายๆ โครงการจากมุมมองของ Machine Learning ในช่วงเวลานั้นเราได้พบกับอุปสรรคหลายๆ อย่างที่ขัดขวางการเติบโตที่มากขึ้น เพื่อให้ ML สามารถเข้าถึงได้ทุกคน เราต้องแก้ไขอุปสรรคทางเทคนิคที่มีอยู่ เช่น ความต้องการข้อมูลจำนวนมากในการฝึกอบรม และการให้บริการ SaaS ที่ไม่ต้องการความเชี่ยวชาญทางเทคนิค และสุดท้ายคือการให้บริการฟรีเพื่อกำจัดอุปสรรคสุดท้าย

สำหรับผู้อ่าน الذينอาจไม่คุ้นเคยกับคำศัพท์นี้ คุณสามารถอธิบายว่า TinyML คืออะไรได้หรือไม่?

ฉันชอบที่จะอธิบายให้เรียบง่าย Physical world พบ Digital world และจุดที่ทั้งสองโลกตัดกันคือโลกของ TinyML TinyML นำความฉลาดมาไว้ที่จุดนั้น

สิ่งใดที่ขัดขวางการเร่งความเร็วของ TinyML ในชุมชน AI?

TinyML ต้องการทุนจำนวนมากจากมุมมองของทรัพยากร เช่น HW, Embedded Engineers, Machine Learning Engineer, Software Developers สำหรับการรวมระบบ หนึ่งในพื้นที่ที่เราโดดเด่นคือการลดความต้องการเหล่านั้นลงอย่างมาก

Neuton สร้างแบบจำลองที่กะทัดรัดโดยไม่กระทบต่อความแม่นยำได้อย่างไร?

เฟรมเวิร์กแบบดั้งเดิมและเป็นที่รู้จักกันดี (เช่น TensorFlow) เริ่มต้นด้วยโครงสร้างที่มีอยู่แล้วซึ่งมีการสูญเสียที่ไม่จำเป็น นอกจากนี้การสร้างแบบจำลองยังเป็นกระบวนการที่ซ้ำซ้อนซึ่งต้องได้รับการปรับให้เหมาะสมก่อนที่จะรวมเข้ากับระบบ นี่คือสิ่งที่ฉันเรียกว่าแนวทางจากบนลงล่าง ด้วย Neuton เราพลิกโครงสร้างนี้ทั้งหมดโดยสร้างแบบจำลองแต่ละแบบจากด้านล่างขึ้น โดยการสร้างแบบจำลองจาก Neuron เดียวในระหว่างการฝึกอบรม ทำให้สามารถกำจัดการสูญเสียที่ไม่จำเป็นได้ โครงสร้างของเครือข่ายไม่ได้ถูกกำหนดไว้ล่วงหน้า แต่จะเติบโตจาก Neuron เดียวในระหว่างการฝึกอบรม เราได้รวมแนวทางนี้เข้ากับการตรวจสอบข้ามอย่างต่อเนื่องเมื่อแต่ละ Neuron ถูกนำไปใช้กับแบบจำลองที่ได้ผล สุดท้ายแบบจำลองที่สมบูรณ์จะถูกสร้างขึ้นเพื่อจุดประสงค์โดยไม่มีการสูญเสียและแม่นยำเมื่อเสร็จสิ้น

Neuton ไม่ใช้ backpropagation หรือ stochastic gradient descent สาเหตุหลักที่เลือกไม่ใช้แนวทางเหล่านี้คืออะไร?

แนวทางที่ได้รับการจดสิทธิบัตรของเรานำใช้ Global Optimization ซึ่งสามารถกำจัดความจำเป็นในการใช้แนวทางเหล่านั้นได้

วิธีแก้ปัญหาของ Neuton มีประสิทธิภาพมากกว่าวิธีแก้ปัญหา Machine Learning แบบดั้งเดิมมากน้อยเพียงใด?

ในหลายๆ มิติสำคัญ เช่น เวลาที่ใช้ในการสร้างแบบจำลอง ความแม่นยำ ขนาดของแบบจำลอง และเวลาที่ใช้ในการเข้าสู่ตลาด เราเห็นได้ว่าเราเอาชนะเฟรมเวิร์กและแพลตฟอร์มอื่นๆ ได้ โดยปกติแล้วเราจะเห็นว่าแบบจำลองของเรามีขนาดเล็กกว่า 1,000 เท่า และเวลาที่ใช้ในการเข้าสู่ตลาดลดลงมากกว่า 70% สุดท้าย Office ของเราสำหรับการอธิบายความสามารถในการให้ความโปร่งใสสมบูรณ์แบบต่อแบบจำลองของเราและแต่ละการคาดการณ์

คุณสามารถให้รายละเอียดเกี่ยวกับการอธิบาย AI ที่ Neuton มีให้ได้หรือไม่?

Office ของเราสำหรับการอธิบายมีหลายรูปแบบ เริ่มต้นด้วย EDA (Exploratory Data Analysis) Tool ซึ่งให้มุมมองเริ่มต้นเกี่ยวกับข้อมูลก่อนการฝึกอบรม ต่อไป Feature Importance Matrix ช่วยให้ลูกค้าของเราเข้าใจถึงคุณลักษณะที่มีอิทธิพลต่อการคาดการณ์มากที่สุด 10 อันดับแรก และคุณลักษณะที่มีอิทธิพลน้อยที่สุด 10 อันดับ จากนั้นเรายังให้ความโปร่งใสต่อแบบจำลองที่ได้ผล โดยที่ลูกค้าสามารถวิเคราะห์การคาดการณ์แต่ละครั้งเพื่อดูว่าการเปลี่ยนแปลงของค่าของคุณลักษณะหนึ่งๆ จะส่งผลต่อการคาดการณ์อย่างไร สุดท้ายเรายังมี Life Cycle management tool (Model-To-Data-Relevance Indicator) ซึ่งแจ้งให้ลูกค้าของเราทราบเมื่อแบบจำลองของพวกเขากำลังเสื่อมลงและต้องการการฝึกอบรมใหม่

มีสิ่งอื่นที่คุณต้องการแบ่งปันเกี่ยวกับ Neuton หรือไม่?

ภารกิจของเราที่ Neuton คือการนำ AI มาสู่ทุกคน เราเชื่อว่าเราสามารถเริ่มทำให้สิ่งนี้เป็นจริงได้ ไม่ว่าจะเป็นการทำให้ไม่ใช่ Data Scientist หรือการเสริมศักยภาพให้กับนักวิทยาศาสตร์ข้อมูลที่มีประสบการณ์โดยการให้บริการ SaaS Zero Code ตอนนี้ด้วยการเร่งความเร็วของ TinyML เรากำลังเดินหน้าในการทำให้ AI เป็นประชาธิปไตยอย่างแท้จริง

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมสามารถเยี่ยมชม Neuton ได้