Blair Newman, CTO của Neuton – Loạt Phỏng Vấn

Blair Newman, là CTO của Neuton, một khuôn khổ mạng nơ-ron phá vỡ và giải pháp Học máy Tự động (AutoML) hiệu quả hơn bất kỳ khuôn khổ hoặc sản phẩm AutoML nào khác trên thị trường. Nó làm cho Trí tuệ Nhân tạo (AI) có sẵn cho mọi người.

Điều gì ban đầu thu hút bạn đến với học máy và khoa học dữ liệu?

Từ góc độ cá nhân, tôi luôn bị thu hút bởi những khả năng mà ML/Khoa học dữ liệu có thể cung cấp, chẳng hạn như – Từ Thành phố Thông minh – Xe hơi Kết nối và bây giờ những gì TinyML cũng có thể cung cấp. Bây giờ, với sự dân chủ hóa của AI, chúng ta thực sự đang thấy ML ở mọi nơi.

Có thể chia sẻ câu chuyện về sự ra đời của Neuton?

Chúng tôi quyết định bắt đầu hành trình làm cho AI có sẵn cho “Mọi người” sau nhiều năm thực hiện nhiều dự án từ góc độ Học máy. Trong thời gian này, chúng tôi đã xác định một số rào cản khác nhau hạn chế sự tăng trưởng theo cấp số nhân. Vì vậy, để thực sự làm cho ML có sẵn cho mọi người… Chúng tôi cần giải quyết một số rào cản kỹ thuật tồn tại…. Yêu cầu về lượng dữ liệu đáng kể để thực hiện đào tạo… Một giải pháp SaaS Tự động để loại bỏ nhu cầu về chuyên môn kỹ thuật…. Sau đó, cuối cùng, làm cho nền tảng của chúng tôi có sẵn miễn phí để loại bỏ rào cản cuối cùng.

Đối với những người đọc có thể không quen thuộc với thuật ngữ này, bạn có thể định nghĩa TinyML là gì?

Tôi thường thích giữ nó đơn giản…. Thế giới Vật lý gặp thế giới Kỹ thuật số…. Và nơi hai thực thể đó giao nhau… là thế giới của TinyML…. TinyML mang trí tuệ ngay tại rìa.

Điều gì đang ngăn cản sự tăng tốc của TinyML trong cộng đồng AI?

TinyML thường đòi hỏi một lượng vốn đáng kể từ góc độ tài nguyên. HW, Kỹ sư Nhúng, Kỹ sư Học máy, Nhà phát triển Phần mềm để tích hợp…. Một trong những lĩnh vực mà chúng tôi xuất sắc là chúng tôi thu hẹp đáng kể những yêu cầu này.

Làm thế nào Neuton tạo ra các mô hình compact mà không ảnh hưởng đến độ chính xác?

Các khuôn khổ truyền thống và nổi tiếng hơn (ví dụ: TensorFlow) bắt đầu với một cấu trúc đã tồn tại, vốn bao gồm lãng phí. Ngoài ra, việc xây dựng một mô hình thường là một quá trình lặp đi lặp lại, sau đó khi mô hình được xây dựng, phải được tối ưu hóa trước khi tích hợp. Đây là những gì tôi gọi là cách tiếp cận từ trên xuống. Với Neuton, chúng tôi lật ngược hoàn toàn cách tiếp cận này, vì chúng tôi xây dựng từng mô hình từ dưới lên, một nơ-ron tại một thời điểm, hiệu quả loại bỏ lãng phí vốn có trong các khuôn khổ khác. Điều này cho thấy, cấu trúc mạng không được định nghĩa trước, mà được phát triển từ một nơ-ron đơn trong quá trình đào tạo. Chúng tôi kết hợp cách tiếp cận này với việc xác thực chéo liên tục khi mỗi nơ-ron được áp dụng cho mô hình kết quả. Vì vậy, mô hình cuối cùng luôn được xây dựng cho mục đích, không có lãng phí và chính xác khi hoàn thành.

Neuton không sử dụng backpropagation hoặc stochastic gradient descent, lý do đằng sau việc tránh các phương pháp này là gì?

Phương pháp được cấp bằng sáng chế của chúng tôi sử dụng một phương pháp Tối ưu Hóa Toàn cầu, hiệu quả loại bỏ nhu cầu áp dụng các phương pháp này.

Giải pháp Neuton hiệu quả hơn so với các phương pháp học máy truyền thống như thế nào?

Trong tất cả các chỉ số chính như thời gian tạo mô hình, độ chính xác, kích thước mô hình và thời gian đưa ra thị trường. Chúng tôi liên tục thấy rằng chúng tôi vượt trội so với các khuôn khổ và nền tảng khác…. Thông thường, chúng tôi thấy rằng mô hình của chúng tôi thường nhỏ hơn 1000 lần với thời gian đưa ra thị trường giảm hơn 70%. Cuối cùng, Văn phòng Giải thích của chúng tôi đứng thứ hai trong việc cung cấp sự minh bạch hoàn toàn cho các mô hình của chúng tôi cùng với từng dự đoán.

Có thể cung cấp một số chi tiết về khả năng giải thích AI mà nền tảng Neuton cung cấp?

Văn phòng Giải thích của chúng tôi đến trong nhiều hình thức. Bắt đầu từ Công cụ Phân tích Dữ liệu Khám phá (EDA) của chúng tôi, cung cấp một cái nhìn ban đầu về thống kê của dữ liệu trước khi đào tạo. Từ đó, Ma trận Tầm quan trọng của Tính năng của chúng tôi cho phép khách hàng của chúng tôi xác định 10 tính năng hàng đầu ảnh hưởng đến dự đoán của họ và cũng là 10 tính năng có ảnh hưởng tối thiểu đến dự đoán của họ. Từ đó, chúng tôi cung cấp cho khách hàng của mình cấp độ minh bạch tiếp theo cho các mô hình kết quả khi họ có thể phân tích từng dự đoán riêng lẻ để xem dự đoán của họ có thể thay đổi như thế nào nếu giá trị của một tính năng nhất định thay đổi. Cuối cùng, chúng tôi cung cấp một Công cụ Quản lý Chu kỳ (Model-To-Data-Relevance Indicator) thông báo proactively cho khách hàng của chúng tôi khi mô hình của họ bắt đầu suy giảm và mô hình cần được đào tạo lại.

Có gì khác mà bạn muốn chia sẻ về Neuton?

Sứ mệnh của chúng tôi tại Neuton là mang AI đến với mọi người. Chúng tôi tin rằng chúng tôi đã thành công trong việc bắt đầu hiện thực hóa những khả năng này. Cho dù đó là việc cho phép những người không phải là Nhà khoa học Dữ liệu hoặc trao quyền cho các Nhà khoa học Dữ liệu có kinh nghiệm bằng cách cung cấp một giải pháp SaaS không cần mã. Bây giờ, với sự tăng tốc của TinyML, chúng tôi đang trên đường thực sự dân chủ hóa AI.

Cảm ơn vì cuộc phỏng vấn tuyệt vời, những người đọc muốn tìm hiểu thêm nên truy cập Neuton.