Блер Ньюман, технічний директор Neuton – Серія інтерв’ю

Блер Ньюман, є технічним директором Neuton, революційної нейронної мережі та автоматизованої системи машинного навчання (AutoML), яка значно ефективніша за будь-яку іншу систему, не-нейронний алгоритм або продукт AutoML, доступний на ринку. Вона робить штучний інтелект (AI) доступним для всіх.

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 ML/Наука про дані, такі як – від розумних міст – до зв’язаних автомобілів та тепер того, що може запропонувати TinyML. Тепер з демократизацією AI ми буквально бачимо ML скрізь.

Чи можете ви поділитися історією походження Neuton?

Ми вирішили розпочати шлях створення AI, доступного для “усіх”, після багатьох років виконання різних проектів з точки зору машинного навчання. Під час цього періоду ми визначили ряд бар’єрів, які обмежували експоненційний рост. Отже, щоб зробити ML доступним для всіх… нам потрібно було подолати деякі технічні бар’єри, які існували…. Вимоги до великих обсягів даних для навчання… Автоматизована система SaaS для ліквідації потреби у технічній експертизі…. А потім, нарешті, 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… є світ TinyML…. TinyML приносить інтелект прямо на цей край.

Що перешкоджає прискоренню TinyML в спільноті AI?

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

Як Neuton створює компактні моделі без компромісу точності?

Традиційні та більш відомі системи (наприклад, TensorFlow) починаються з попередньої структури, яка містить у собі відхід. Крім того, побудова моделі часто є дуже ітеративним процесом, який потім, після побудови моделі, повинен бути оптимізований перед інтеграцією. Це те, що я називаю зверху-донизу підходом. З Neuton ми повністю перевернули цю парадигму, оскільки ми будуємо кожну модель знизу вгору, починаючи з одного нейрону, ефективно ліквідуючи відхід, властивий іншим системам. Це означає, що структура мережі не визначена заздалегідь, а росте з одного нейрону під час навчання. Ми поєднуємо цей підхід з постійною крос-валідациєю кожного нейрону, який застосовується до отриманої моделі. Отже, кінцева модель завжди будується для конкретної мети, без відходу та точна після завершення.

Neuton не використовує зворотного поширення чи стохастичного градієнтного спуску, яке було підставою для уникання цих популярних методологій?

Наш патентований підхід використовує глобальну оптимізаційну методологію, яка ефективно ліквідує потребу застосовувати ці методології.

Як багато ефективніша система 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 ми перевершуємо інші системи та платформи…. Зазвичай ми бачимо, що наші моделі часто в 1000 разів менші, а час виходу на ринок скорочується більш ніж на 70%. Нарешті, наш офіс Explainability є другим до жодного в забезпеченні повної прозорості наших моделей разом з кожним окремим прогнозом.

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

Наш офіс Explainability надходить у декілька форм. Починаючи з нашого інструменту EDA (експлораторного аналізу даних), який надає початковий погляд на статистику ваших даних до навчання. Відтоді наш матриця важливості функцій дозволяє нашим клієнтам визначити, які з них 10 функцій найбільш впливають на їх прогнози, а також які з них 10 функцій мають мінімальний вплив на їх прогнози. Відтоді ми пропонуємо нашим клієнтам наступний рівень прозорості щодо їх отриманих моделей, оскільки вони можуть аналізувати кожен прогноз окремо, щоб побачити, як їх прогноз може змінитися, якщо значення певної функції зміниться. Нарешті, ми пропонуємо нашим клієнтам інструмент управління життєвим циклом (індикатор актуальності моделі-даних), який проактивно повідомляє наших клієнтів, коли їх модель починає старіти та їх модель потребує повторного навчання.

Чи є щось інше, про що ви хотіли б розповісти про Neuton?

Наша місія тут, в Neuton, полягає в тому, щоб буквально принести AI кожному. Ми вважаємо, що ми були успішними в початку реалізації цих можливостей. Чи то це дозволяє не-дата-сайентистам, чи наділення досвідчених дата-сайентистів, надаючи рішення з нульовим кодом SaaS. Тепер з прискоренням TinyML ми значно рухаємося до真正ньої демократизації AI.

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