Блейр Ньюман, технічний директор Neuton – Серія інтерв’ю

Блейр Ньюман – технічний директор Neuton, революційної нейронної мережі та автоматизованої системи машинного навчання (AutoML), яка значно ефективніша за будь-яку іншу систему, алгоритм або продукт AutoML на ринку. Це робить штучний інтелект (AI) доступним кожному.

Що спочатку привернуло вашу увагу до машинного навчання та науки про дані?

З особистої точки зору я завжди був зацікавлений у можливостях, які можуть надати машинне навчання та наука про дані, наприклад, – від розумних міст до зв’язаних автомобілів та того, що зараз може пропонувати TinyML. Тепер з демократизацією AI ми буквально бачимо машинне навчання всюди.

Чи можете ви поділитися історією створення Neuton?

Ми вирішили розпочати шлях створення AI для кожного після багатьох років виконання різних проєктів з точки зору машинного навчання. Під час цього періоду ми визначили ряд бар’єрів, які обмежували експоненційний рост. Тому, щоб зробити машинне навчання доступним кожному… нам потрібно було подолати деякі технічні бар’єри, які існували…. Вимоги значної кількості даних для навчання… Автоматизована система SaaS для ліквідації потреби у технічній експертизі…. А потім останнє – зробити нашу платформу доступною безкоштовно, щоб ліквідувати останній бар’єр.

Для читачів, які можуть бути незнайомі з цією термінологією, чи можете ви визначити, що таке TinyML?

Я зазвичай намагаюсь зберігати все просто…. Фізичний світ зустрічає цифровий світ…. І де ці дві сутності перетинаються… це світ TinyML…. TinyML приносить інтелект прямо на цьому рівні.

Що заважає прискоренню TinyML у спільноті AI?

TinyML зазвичай вимагає величезної кількості капіталу з точки зору ресурсів. Апаратне забезпечення, інженери-розробники, інженери машинного навчання, розробники програмного забезпечення для інтеграції…. Одним з напрямків, у яких ми успішно працюємо, є те, що ми суттєво зменшуємо ці вимоги.

Як Neuton створює компактні моделі без компромісу щодо точності?

Традиційні та більш відомі системи (наприклад, TensorFlow) починаються з попередньо існуючої структури, яка містить у собі відходи. Крім того, побудова моделі часто є дуже ітеративним процесом, який потім, після побудови моделі, повинен бути оптимізований до інтеграції. Це те, що я називаю зверху-донизу підходом. З Neuton ми повністю змінюємо цю парадигму, оскільки ми будуємо кожну модель знизу-вгору, один нейрон за раз, ефективно ліквідуючи внутрішні відходи, які існують у інших системах. Це означає, що структура мережі не визначається заздалегідь, а росте з одного нейрону під час навчання. Ми поєднуємо цей підхід з постійною перехресною валідациєю після застосування кожного нейрону до отриманої моделі. Тому кінцева модель завжди будується для конкретної мети, без відходів і точна після завершення.

Neuton не використовує зворотного поширення чи стохастичного градієнтного спуску, яка була причиною уникнення цих популярних методологій?

Наш патентований підхід використовує глобальну оптимізаційну методологію, яка ефективно ліквідує необхідність застосування цих методологій.

Як значно ефективніше рішення Neuton порівняно з традиційними підходами машинного навчання?

У всіх ключових показниках, таких як час створення моделі, точність, розмір моделі та час виходу на ринок. Ми постійно бачимо, що наш підхід перевершує інші системи та платформи…. Зазвичай наші моделі виявляються в 1000 разів меншими, а час виходу на ринок зменшується більш ніж на 70%. Крім того, наш офіс Explainability пропонує повну прозорість наших моделей разом з кожним окремим прогнозом.

Чи можете ви надати деякі подробиці про пояснюваність AI, яку пропонує платформа Neuton?

Наш офіс Explainability має кілька форм. Починаючи з нашого інструменту EDA (експлораторного аналізу даних), який надає початковий погляд на статистику ваших даних до тренування. Далі наш матриця важливості функцій дозволяє нашим клієнтам визначити, які з них є найбільш впливовими на їх прогнози, а які мають мінімальний вплив. Далі ми пропонуємо нашим клієнтам наступний рівень прозорості щодо їхніх моделей, оскільки вони можуть аналізувати кожен прогноз окремо, щоб побачити, як їх прогноз може змінитися, якщо значення певної функції зміниться. Крім того, ми пропонуємо інструмент управління життєвим циклом (індикатор актуальності моделі-даних), який попередньо повідомляє наших клієнтів, коли їх модель починає застарівати і коли її потрібно повторно тренувати.

Чи є щось ще, що ви хотіли б поділитися про Neuton?

Наша місія в Neuton – буквально привнести AI до кожного. Ми вважаємо, що ми успішно розпочали реалізацію цих можливостей. Чи це дозволяє не-спеціалістам з науки про дані чи надає можливості досвідченим спеціалістам з науки про дані, пропонуючи рішення SaaS без коду. Тепер з прискоренням TinyML ми значно рухаємося до真正ої демократизації AI.

Дякуємо за чудовий інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати Neuton.