ริกกี้ คอสต้า ซีอีโอของ Quantum Stat – ซีรีส์สัมภาษณ์

ริกกี้ คอสต้า เป็นซีอีโอของ Quantum Stat บริษัทที่ให้บริการโซลูชั่นสำหรับ NLP และ AI Initiatives

สิ่งใดที่ทำให้คุณสนใจในด้านปัญญาประดิษฐ์?

ความบังเอิญ ฉันกำลังอ่านหนังสือเกี่ยวกับความน่าจะเป็นเมื่อฉันพบทฤษฎีที่มีชื่อเสียง เมื่อครั้งนั้น ฉันสงสัยว่าฉันสามารถนำทฤษฎีนี้ไปใช้กับปัญหาการประมวลผลภาษาที่ฉันพยายามแก้ไขที่ทำงานได้หรือไม่ และมันกลายเป็นว่าแอลกอริทึมดังกล่าว已经มีอยู่แล้ว ซึ่งเรียกว่า Naïve Bayes ซึ่งเป็นโมเดลสร้างสรรค์แบบง่ายๆ ที่ใช้ใน_machine learning_ คลาสสิก ทฤษฎีนั้นคือ Bayes’ theorem ฉันรู้สึกว่าความบังเอิญนี้เป็นเครื่องหมายและทำให้ฉันอยากเรียนรู้เพิ่มเติม

คุณเป็นซีอีโอของ Quantum Stat ซึ่งเป็นบริษัทที่ให้บริการโซลูชั่นสำหรับ Natural Language Processing คุณมาอยู่ในตำแหน่งนี้ได้อย่างไร?

เมื่อมีการปฏิวัติในเทคโนโลยีใหม่ๆ บางบริษัทอาจจะลังเลมากกว่าบริษัทอื่นๆ เมื่อเผชิญกับสิ่งที่ไม่รู้จัก ฉันเริ่มบริษัทของฉันเพราะการไล่ตามสิ่งที่ไม่รู้จักเป็นเรื่องที่สนุกสำหรับฉัน ฉันรู้สึกว่ามันเป็นเวลาที่เหมาะสมที่จะเข้าสู่ด้าน NLP เนื่องจากมีการวิจัยที่น่าตื่นเต้นที่ได้มาในช่วง 2 ปีที่ผ่านมา ชุมชน NLP มีความสามารถที่จะทำอะไรได้มากขึ้นด้วยข้อมูลที่น้อยลง เนื่องจากเทคนิค NLP ใหม่ๆ ที่ต้องการข้อมูลน้อยลงในการปรับขนาดประสิทธิภาพ

สำหรับผู้อ่าน الذينอาจไม่คุ้นเคยกับสาขานี้ คุณสามารถอธิบายให้เราฟังได้ว่า Natural Language Processing คืออะไร?

NLP เป็นสาขาย่อยของ AI และการวิเคราะห์ที่พยายามเข้าใจภาษาที่ใช้ในชีวิตประจำวันในข้อความ พูด หรือการเรียนรู้แบบหลายโหมด (ข้อความและภาพ/วิดีโอ) และคำนวณเพื่อให้ได้ข้อมูลเชิงลึกหรือบริการที่มีค่า คุณค่าสามารถมาจากหลายมุมมอง ตั้งแต่การค้นหาข้อมูลในระบบไฟล์ภายในบริษัท การจัดประเภทความรู้สึกในข่าว หรือบอท Twitter GPT-2 ที่ช่วยในการตลาดโซเชียลมีเดีย (เช่นที่เราสร้างเมื่อสองสัปดาห์ที่แล้ว)

คุณมีปริญญาตรีสาขาจิตวิทยาเชิงทดลองจาก Hunter College คุณรู้สึกว่าการเข้าใจสมองและจิตวิทยาของมนุษย์เป็นทรัพย์สินที่มีค่าเมื่อพูดถึงการเข้าใจและขยายสาขา Natural Language Processing หรือไม่?

สิ่งนี้อาจจะขัดแย้งกัน แต่ไม่ ฉันคิดว่าสามารถเรียนรู้ได้มากขึ้นจากวิทยาศาสตร์ความซับซ้อนและวิศวกรรมศาสตร์ ความยากในการเข้าใจว่าสมองทำงานอย่างไรคือระบบที่ซับซ้อน “ความฉลาด” เป็นปรากฏการณ์ที่เกิดขึ้นจากความซับซ้อนของสมองเมื่อโต้ตอบกับสิ่งแวดล้อม และยากที่จะเข้าใจ จิตวิทยาและวิทยาศาสตร์สังคมอื่นๆ ที่ขึ้นอยู่กับ “การลดทอน” (จากบนลงล่าง) ไม่ทำงานภายใต้พาราได้ม์ความซับซ้อนนี้

คุณสามารถแบ่งปันสิ่งที่ทำให้ Big Data มีความสำคัญต่อ Deep Learning และโดยเฉพาะ Natural Language Processing ได้หรือไม่?

ในขณะนี้ เนื่องจากโมเดลการเรียนรู้ลึกต้องใช้ข้อมูลในการทำนาย ดังนั้นข้อมูลที่คุณป้อนเข้าไปในโมเดลมากเท่าไหร่ โมเดลก็จะเห็นกรณีชายขอบน้อยลงเมื่อทำการอนุมานในโลกแห่งความเป็นจริง สถาปัตยกรรมนี้ “กระตุ้น” ให้ใช้เซตข้อมูลขนาดใหญ่เพื่อเพิ่มความแม่นยำของผลลัพธ์ แต่ถ้าเราต้องการให้ AI มีพฤติกรรมที่ฉลาดมากขึ้น เราต้องมองหาวิธีการปรับปรุงความสามารถในการให้เหตุผลของโมเดลให้ดีขึ้น ซึ่งโดย直觉แล้ว ไม่ควรต้องใช้ข้อมูลจำนวนมาก

คุณได้เปิดตัว ‘Big Bad NLP Database’ เมื่อเร็วๆ นี้ ฐานข้อมูลนี้คืออะไร และทำไมมันจึงมีความสำคัญต่อผู้ที่อยู่ในอุตสาหกรรม AI?

ฐานข้อมูลนี้ถูกสร้างขึ้นเพื่อให้นักพัฒนา NLP สามารถเข้าถึงเซตข้อมูลที่เกี่ยวข้องในอุตสาหกรรมได้อย่างไม่มีปัญหา ฐานข้อมูลนี้ช่วยให้สามารถค้นหาเซตข้อมูลได้ ซึ่งมีผลกระทบทางอ้อมในการให้ผู้ใช้สามารถค้นหาได้ การประมวลผลข้อมูลใช้เวลาส่วนใหญ่ในกระบวนการปรับใช้ และฐานข้อมูลนี้พยายามลดปัญหานี้ให้เหลือน้อยที่สุด นอกจากนี้ยังเป็นแพลตฟอร์มฟรีสำหรับทุกคน ไม่ว่าจะเป็นนักวิจัย นักปฏิบัติงาน หรือผู้เชี่ยวชาญ AI ที่ต้องการเรียนรู้เกี่ยวกับข้อมูล NLP ลิงก์

Quantum Stat ปัจจุบันให้บริการโซลูชั่นแบบ end-to-end ซึ่งรวมถึงอะไรบ้าง?

เราช่วยให้บริษัทต่างๆ สามารถสร้างโมเดล NLP ได้โดยการให้บริการที่ครอบคลุมทุกขั้นตอน เราสามารถให้บริการตั้งแต่การทำความสะอาดข้อมูลในขั้นตอนการประมวลผลข้อมูลจนถึงการวางโมเดลบนเซิร์ฟเวอร์ในขั้นตอนการผลิต (บริการเหล่านี้แสดงอยู่บนหน้าแรกของเรา) ไม่ใช่โครงการ AI ทุกโครงการที่ประสบความสำเร็จเนื่องจากธรรมชาติที่ไม่แน่นอนของวิธีการทำงานของข้อมูลและสถาปัตยกรรมโครงการกับโมเดลที่มีอยู่ บริการของเราช่วยให้บริษัทต่างๆ สามารถทดลองกับโครงการของตนได้ในราคาที่ถูกกว่าการจ้างวิศวกร ML เต็มเวลา

คุณพบว่าการพัฒนาล่าสุดใน AI อะไรที่น่าสนใจที่สุด?

การพัฒนาที่สำคัญที่สุดในขณะนี้คือโมเดลทรานส์ฟอร์เมอร์ ซึ่งคุณอาจจะเคยได้ยินเกี่ยวกับ BERT, RoBERTa, ALBERT, T5 และอื่นๆ โมเดลทรานส์ฟอร์เมอร์เหล่านี้น่าสนใจเพราะ它们ช่วยให้นักวิจัยสามารถบรรลุผลลัพธ์ที่ดีที่สุดได้ด้วยเซตข้อมูลที่เล็กกว่า ก่อนที่จะมีทรานส์ฟอร์เมอร์ นักพัฒนาจะต้องใช้เซตข้อมูลขนาดใหญ่ในการฝึกโมเดลจากศูนย์ โมเดลทรานส์ฟอร์เมอร์เหล่านี้ได้รับการฝึกฝนมาแล้วบนหลายพันล้านคำ ซึ่งช่วยให้สามารถทดลองกับโครงการ AI ได้เร็วขึ้น และเป็นสิ่งที่เรากำลังทำงานอยู่ในขณะนี้

มีอะไรอีกบ้างที่คุณอยากจะแบ่งปันเกี่ยวกับ Quantum Stat?

เรากำลังทำงานในโครงการใหม่ที่เกี่ยวข้องกับการวิเคราะห์ความรู้สึกของตลาดการเงิน ซึ่งจะออกมาเร็วๆ นี้ เราได้ใช้ทรานส์ฟอร์เมอร์หลายตัวเพื่อให้ได้ข้อมูลเชิงลึกที่ไม่เคยเห็นมาก่อนเกี่ยวกับวิธีการเคลื่อนไหวของข่าวการเงินในแบบเรียลไทม์ รอชม!

เรียนรู้เพิ่มเติมที่ Quantum Stat หรืออ่านบทความของเราเกี่ยวกับ Big Bad NLP Database.