Noah Schwartz, Quorum AI’nin Kurucu Ortağı ve CEO’su – Röportaj Serisi

Noah, bir AI sistemleri mimarıdır. Quorum AI’yi kurmadan önce, 12 yıl boyunca akademik araştırmalar yaptı, önce Güney Kaliforniya Üniversitesi’nde ve daha sonra Northwestern Üniversitesi’nde Nörobiyoloji Yardımcı Başkanlığı yaptı. Çalışmaları, beyindeki bilgi işleme üzerine odaklandı ve araştırmalarını artırılmış gerçeklik, beyin-bilgisayar arayüzleri, bilgisayar görüşü ve gömülü robotik kontrol sistemleri gibi ürünlerde uyguladı.

Sizin AI ve robotiklere olan ilginiz küçük bir çocukken başladı. Bu teknolojilerle nasıl tanıştınız?

İlk olarak bilim kurgu filmleri ve elektronikle ilgili bir sevgim vardı. 8 yaşındayken Tron filmini izlediğimi hatırlıyorum, ardından Electric Dreams, Short Circuit, DARYL, War Games ve diğerleri. Bunlar kurgu olarak sunuldu, ancak yapay zeka fikri beni şaşırttı. 8 yaşındayken bile, AI’ya karşı güçlü bir bağ hissettim ve o günden bu yana bu ilgi azalmadı.

AI ve robotiklere olan tutkularınız nasıl gelişti?

AI ve robotiklere olan ilgim, beyinle ilgili bir tutkuyla paralel olarak gelişti. Babam bir biyoloji öğretmeniydi ve bana vücudun nasıl çalıştığını, her şeyin nasıl bağlantılı olduğunu öğretirdi. AI’ye ve beyine bakmak, aynı problemi çözmek gibi geldi bana – veya en azından, aynı nihai soruyu sormak gibi: Nasıl çalışıyor? Her ikisine de ilgi duydum, ancak okullarda AI veya robotikle ilgili çok fazla şey öğrenmedim. Bu nedenle, AI’yi kendi zamanımda inceledim ve okuldaki biyoloji ve psikoloji derslerine odaklandım.

Lisede, Paralel Dağıtılmış İşleme (PDP) kitapları ile tanıştım, bu benim için büyük bir keşifti. Bunlar, AI’ye真正 bir giriş做ıydı ve daha sonra Hebb, Rosenblatt ve McCulloch ve Pitts gibi klasiklere yöneldim. Nöroanatomi ve biyoloji ve psikoloji derslerinden öğrendiğim şeylere dayanarak sinir ağları oluşturmaya başladım. Mezun olduktan sonra, bir bilgisayar ağ mühendisi olarak çalıştım, geniş alan ağları oluşturdum ve bu ağların trafiğini otomatikleştirmek ve yönetmek için yazılımlar yazdım – büyük beyinler oluşturmak gibi. Bu iş, AI’ye olan tutkumu yeniden alevlendirdi ve beni AI ve nörobilimi incelemeye yöneltti, ve gerisi tarih.

Quorum AI’yi kurmadan önce, 12 yıl boyunca akademik araştırmalar yaptınız, önce Güney Kaliforniya Üniversitesi’nde ve daha sonra Northwestern Üniversitesi’nde Nörobiyoloji Yardımcı Başkanlığı yaptınız. O zamanlar çalışmanız, beyindeki bilgi işleme üzerine odaklanmıştı. Bu araştırmalardan bazılarını bize anlatabilir misiniz?

Genel olarak, araştırmam, beyin nasıl çalışıyor sorusuna cevap aramaya çalışıyordu sadece mevcut olanla. Beyni, bir tür bilgisayar olarak görmüyorum (von Neumann anlamında). Bir ağ olarak görüyorum, büyük ölçüde stimulus-response ve sinyal-kodlama operasyonları gerçekleştiriyor. Bu ağ içinde, fonksiyonel olarak uzmanlaşmış alanlar arasında açık bağlantı kalıpları var. Yakınlaştıkça, nöronların taşıdıkları sinyale veya bulundukları beyin bölgesine aldırmadıklarını görüyoruz – çok öngörülebilir kurallara göre çalışıyorlar. Bu nedenle, bu uzmanlaşmış alanların işlevini anlamak istiyorsak, birkaç soru sormamız gerekiyor: (1) Bir girdi ağı boyunca ilerlerken, diğer girdilerle nasıl birleşir ve bir karar üretir? (2) Bu uzmanlaşmış alanların yapısı, deneyim sonucu nasıl oluşur? Ve (3) bunları kullanıp öğrendikçe nasıl değişirler? Araştırmam, bu soruları cevaplamak için deneysel araştırma, bilgi teorisi ve modelleme ile simülasyonun bir karışımını kullanmaya çalıştı – bu, yapay karar sistemleri ve AI oluşturmamızı sağlayacaktı. Nörobiyoloji terimlerinde, nöroplastisite ve uzmanlaşmış alanların mikroanatomisini inceledim.

Daha sonra çalışmanızı artırılmış gerçeklik ve beyin-bilgisayar arayüzlerine çevirdiniz. Çalıştığınız bazı ürünleri bize anlatabilir misiniz?

2008 civarında, o zamanlar sadece bir sistem olarak adlandırdığımız, ancak şimdi artırılmış gerçeklik olarak adlandırdığımız bir proje üzerinde çalışıyordum. Bu, göz hareketlerini takip etmek ve预测 etmek ve ardından bu预测lere göre ekranı güncellemek için bir sistemdi. Sistem çalışsın diye, biyolojik olarak ilham alınan bir model oluşturdum ve bu model, gözün küçük hareketlerine dayanarak nereye bakacağını预测 edebiliyordu. Bu modeli kullanarak, gözün nereye bakacağını预测 edebiliyordum ve ekranı güncelleyebiliyordum. 2008’de, bu sistem ordinaryüs bir masaüstü bilgisayarda çalışıyordu ve hiç gecikme yoktu. Teknoloji çok etkileyiciydi, ancak proje sonraki fonlama turuna geçmedi, bu nedenle öldü.

2011’de, ürün geliştirme üzerine daha odaklı bir çaba sarf ettim ve akışkan EEG verilerini işleyen bir sinir ağı oluşturdum. Bu, çoğu beyin-bilgisayar arayüzü sisteminin temel işlevidir. Proje, aynı zamanda ne kadar küçük bir ayak iziyle çalışabileceğimizi deneyerek bir deneydi. Bir few kanallı EEG verilerini 400Hz’de okuyan bir başlık ve bu verilerin Android telefona gönderildiği ve ardından bir Arduino güçlü kontrolcüye gönderildiği bir sistem oluşturdum. Kullanıcı, EEG başlığını takarak ve düşüncelerini değiştirerek (örneğin, mental matematikten şarkı söylemeye geçerek) bir RC araba sürdürebiliyordu. Algoritma telefonda çalışıyordu ve her kullanıcı için bir “beyin parmak izi” oluşturuyordu, bu da kullanıcıların çeşitli robotik cihazlar arasında geçiş yapmasını sağlıyordu. Sloganımız “Beyin Kontrolü, Plug-and-Play” idi.

2012’de, sistemi daha da küçük donanımlarda çalışacak şekilde geliştirdik. Bir çok segmentli, çok eklemli robotik kolu kontrol etmek için kullandık. Her segment, bağımsız bir işlemci tarafından kontrol ediliyordu ve AI’nin gömülü bir sürümünü çalıştırıyordu. Merkezi bir kontrolcü yerine, segmentlerin kendi kendine organize olmasına ve hedeflerine ulaşmasına izin verdik – bir karınca köprüsü gibi. Daha sonra, 2013’te Quorum AI’yi (o zamanlar Quorum Robotics olarak biliniyordu) başlattığımızda, sistemi aynı yönde geliştirmeye devam ettik. Ancak, 2014’te, sistemin harika olmasının nedeni algoritma ve mimari olduğunu, donanım olmadığını fark ettik, bu nedenle tamamen yazılıma yöneldik. Şimdi, 8 yıl sonra, Quorum AI, köklerine geri dönüyor ve NASA Uzay Robotiği Challange’de framework’ünü uyguluyor.

Profesör olarak işinizi bırakıp bir start-up kurmaya karar vermeniz zor bir karar olmalı. Bu kararı almanıza ne sebep oldu?

Bu, benim için birçok yönden büyük bir adım oldu, ancak fırsat ortaya çıktığında ve yol açıldığında, kolay bir karar oldu. Bir profesör olarak, çok yıllık zaman dilimlerinde düşünürsünüz ve çok uzun vadeli araştırma hedefleri üzerinde çalışırsınız. Bir start-up kurmak, bunun tam tersidir. Ancak, akademik hayat ve start-up hayatı arasında ortak bir nokta vardır: Her ikisi de sürekli öğrenme ve problem çözme gerektirir. Bir start-up’ta, bu, ürün geliştirme riskini azaltmak için bir çözümü yeniden mühendislik yapmak veya yeni bir dikeyi incelemek olabilir. AI’de çalışmak, yaptığım işin en yakın “çağrısı” olarak hissettiğim şey, bu nedenle, tüm zorluklara ve iniş çıkışlara rağmen, yaptığım işi yapmakla çok şanslı hissediyorum.

Daha sonra Quorum AI’yi geliştirdiniz, bu, tüm cihazlar ve platformlar için gerçek zamanlı, dağıtılmış yapay zeka geliştirir. Bu AI platformunun ne yaptığını açıklar mısınız?

Platform, Sanal Ajentler için Çevre (EVA) olarak adlandırılır ve kullanıcıların, Engram AI Motorumuz kullanarak modeller oluşturmasına, eğitmelerine ve dağıtmalarına olanak tanır. Engram, esnek ve taşınabilir bir sarmalayıcıdır, bunu, gözetimsiz öğrenme algoritmalarımıza inşa ettik. Algoritmalar o kadar verimlidir ki, model öngörüler üretdiği sırada gerçek zamanlı olarak öğrenirler. Algoritmaların görevden bağımsız olması nedeniyle, herhangi bir boyut için Bayesian şekilde öngörüler yapılabilir ve tekrar eğitim gerekmez, ayrıca felaketsel unutma yaşanmaz. Modeller ayrıca şeffaf ve parçalanabilir, yani öğrenilen her şeyin incelenmesi ve ayrıntılara bölünmesi mümkündür.

Modeller oluşturulduktan sonra, EVA aracılığıyla herhangi bir platforma dağıtılabiliyorlar – özel gömülü donanımdan buluta kadar. EVA (ve gömülü ana bilgisayar yazılımları), her modelin işlevselliğini genişletmek için beberapa araç içerir. Birkaç hızlı örnek: Modeller, sistemler arasında paylaşılabilir, böylece dağıtılmış sistemler, zaman ve mekan üzerinde federatif öğrenme gerçekleştirebilir. Modeller, ayrıca, bağımsız ajentler olarak görev yapmak üzere dağıtılabilir ve görevleri çalışma zamanında değiştirilebilir – modelin görevden bağımsız olması nedeniyle, görev değiştirildiğinde yeniden eğitim gerekmez. Her bir ajent, özel bir “sanal” EVA ile genişletilebilir, bu da ajentin, diğer ajentlerin modellerini ölçeksiz bir şekilde simüle etmesini sağlar. Son olarak, derin öğrenme ve pekiştirme öğrenimi (Keras tabanlı) sistemlerinin platformda, Engram tabanlı sistemlerle birlikte çalışmasını sağlayan sarmalayıcılar oluşturduk.

Önceki bir röportajda, Quorum AI algoritmalarını “matematiksel şiir” olarak tanımladınız. Bunu kastederek ne demek istediniz?

Model oluştururken, bir sistem modeli oluşturmak için veri envanterini alır ve bilinen model sınıflarını denersiniz. Aslında, sistemi yaklaşık olarak çizmeyi dener ve en iyi uyumu bulmaya çalışırsınız. Sistem veri ile iyi uyuşmayacağından emin olursunuz, ancak bazı deneme yanılma ile hipotezleri test edersiniz. Ancak, nöroplastisiteyi beyinde modellemeye başladığım zaman, sistemi en temel bileşenlerine indirgedim ve bu bileşenleri belirli bir şekilde düzenledim. Model, verilere neredeyse mükemmel şekilde uyuyor ve hiçbir şeyin fazlası veya eksikliği yoktu – her şey, verilere uymak için gerekliydi.

Modeli daha büyük simülasyonlara yerleştirdiğimde, görsel sistem gelişimi veya yüz tanıma gibi, çok karmaşık bağlantı kalıpları oluşturabiliyordu. Matematiksel bir model olduğu için, beyin kalıpları matematiksel analiz ile anlaşılabilir ve beyin ne öğrendiğine dair yeni içgörüler sağlayabilir. O zamandan beri, modelin diferansiyel denklemlerini çözdük ve basitleştirdik, bu da hesaplamalı verimliliği birkaç kat artırdı. Gerçek şiir olmayabilir, ancak öyle hissetti!

Quorum AI’nin platform araç seti, cihazların bulut tabanlı sunuculara bağlanmadan birbirleriyle öğrenme ve veri paylaşma olanağı sağlar. Bunu yapmakla elde edilen avantajlar nelerdir?

Kullanıcılar, AI’lerini nereye yerleştirmek istediklerine karar verebilir, böylece güvenlik, gizlilik veya işlevsellikten ödün verilmez. AI geliştirme standardı, şirketlerin genellikle bulut tabanlı AI hizmetlerini kullanmak zorunda kalmasıdır. Şirketler, kendi AI’lerini içerde geliştirmeye çalıştıklarında, genellikle çok para ve zaman harcarlar ve ROI genellikle riski hak etmez. Şirketler, AI’yi bulut bağlantısı olmayan cihazlara dağıtmaya çalıştıklarında, proje hızla imkansız hale gelir. Sonuç olarak, AI benimsemesi bir hayal olur.

Platformumuz, şirketlere AI geliştirme ve benimsemesi için teknik veya mali bir yük olmadan bir yol sağlar. Ayrıca, şirketlere, geliştirmeden dağıtıma kadar tek bir adımda AI oluşturma olanağı tanır.

Platformumuz, ayrıca, diğer “miras” modelleri gibi derin öğrenme veya pekiştirme öğrenimi ile entegre olur ve bunları yeni uygulamalara entegre etmelerini sağlar. Ayrıca, algoritmalarımız ve mimarimiz benzersizdir, bu nedenle modellerimiz kara kutu değildir, sistem tarafından öğrenilen her şey insan tarafından incelenebilir ve diğer iş alanlarına genişletilebilir.

Bazıları, Dağıtılmış Yapay Zeka (DAI)’nın, Yapay Genel Zeka (AGI)’ye giden yolu olabileceğini düşünüyor. Bu teoriye katılıyor musunuz?

Katılıyorum ve sadece Quorum AI’nin yolunu çizdiğimiz için değil. Beyne baktığımızda, monolitik bir sistem değil, ayrı, dağıtılmış sistemlerden oluştuğunu görüyoruz. Her bir sistem, dar bir beyin fonksiyonu alanında uzmanlaşmıştır. Bir sistemi ne yaptığını tam olarak bilmesek de, kararlarının, aldığı bilgi türüne ve bu bilginin zaman içinde nasıl değiştiğine bağlı olduğunu biliyoruz. (Bu nedenle, nörobilim konuları gibi konektom çok popüler.)

AGI gibi esnek ve beyin gibi davranan AI oluşturmak istiyorsak, beynindeki gibi dağıtılmış mimarileri düşünmek mantıklı görünüyor. Derin öğrenme mimarilerinin, beynin 50 yıl önceki bilgilerine dayandığını söyleyebiliriz. DAI’nin alternatifi, monolitik, esnek olmayan mimarileri, tek bir karar alanına sıkıca bağlı olarak devam ettirmektir – derin öğrenme veya pekiştirme öğrenimi gibi. Bu sınırlamalar, parametre ayarlamaları, katman eklemeleri veya veri koşullandırması ile çözülebilecek sorunlar değil, derin öğrenme ve pekiştirme öğreniminin temel sorunlarıdır, bu nedenle yeni yaklaşımlar gereklidir.

DAI kullanarak AGI’ye ulaşmanın, derin öğrenme ve/veya pekiştirme öğrenimi yöntemleri ile ulaşmaktan daha olası olduğunu düşünüyor musunuz?

Evet, ancak OpenAI ve DeepMind’in blog yazılarından, daha dağıtılmış mimariler kullandıklarını düşünüyorum. Çok sistemli zorluklar, aktarım öğrenimi veya federatif/dağıtılmış öğrenme hakkında daha fazla duyuyoruz ve derin öğrenme ve pekiştirme öğrenimi yaklaşımlarının bu zorlukları aşmayacağından bahsediliyor. Ayrıca, Yoshua Bengio gibi öncülerin, biyolojik olarak ilham alınan mimarilerin bu açığı kapatabileceğinden bahsediyorlar. 20 yıldan fazla bir süredir biyolojik olarak ilham alınan AI üzerine çalışıyorum, bu nedenle Quorum AI’de öğrendiklerimizle ve AI’nin geleceğini inşa etmemizle ilgili olarak çok iyimserim.

Quorum AI hakkında paylaşmak istediğiniz başka bir şey var mı?

Yeni platformumuzu, dağıtılmış ve ajent tabanlı AI için, Federatif ve Dağıtılmış Makine Öğrenimi Konferansı’nda Haziran 2020’de tanıtacağız. Sunumda, beberapa konuda son verileri, empatik AI’ye köprü olarak duygu analizi de dahil olmak üzere sunacağım.

Noah’a bu harika cevapları için özel teşekkürlerimi iletmek isterim ve Quorum’u ziyaret etmelerini öneririm.