Etienne Bernard, Đồng sáng lập & CEO của NuMind – Loạt phỏng vấn

Etienne Bernard, là Đồng sáng lập & CEO của NuMind một công ty phần mềm được thành lập vào tháng 6 năm 2022 chuyên phát triển các công cụ học máy. Etienne là một chuyên gia về AI và học máy. Sau khi nhận bằng tiến sĩ (ENS) và sau tiến sĩ (MIT) về vật lý thống kê, Etienne gia nhập Wolfram Research nơi ông trở thành trưởng nhóm học máy trong 7 năm. Trong thời gian này, Etienne dẫn đầu việc phát triển các công cụ học tự động, một khuôn khổ học sâu thân thiện với người dùng và các ứng dụng học máy khác nhau.

Điều gì ban đầu thu hút bạn đến với học máy?

Lần đầu tiên tôi nghe thấy thuật ngữ “học máy” là vào năm 2009, tôi tin, nhờ giải thưởng Netflix. Tôi thấy ý tưởng rằng máy móc có thể học tập thật fascin và mạnh mẽ. Nó đã rõ ràng với tôi rằng điều này sẽ dẫn đến nhiều ứng dụng quan trọng – bao gồm cả khả năng tạo ra các AI. Tôi ngay lập tức quyết định lao vào nó và không bao giờ quay lại.

Sau khi nhận bằng tiến sĩ (ENS) và sau tiến sĩ (MIT) về vật lý thống kê, bạn gia nhập Wolfram Research nơi bạn trở thành trưởng nhóm học máy trong 7 năm. Một số dự án thú vị nhất mà bạn đã làm việc?

Dự án yêu thích của tôi tại Wolfram là phát triển các hàm học máy tự động cho Ngôn ngữ Wolfram (còn gọi là Mathematica). Dự án đầu tiên là Classify, nơi bạn chỉ cần cung cấp dữ liệu và nó sẽ trả về một bộ phân loại. Với tôi, học máy luôn là về việc tự động hóa. Bạn không cần điều chỉnh các siêu tham số của sinh viên con người, và bạn cũng không nên làm như vậy với máy móc của mình! Đó là một thách thức khá lớn từ góc độ khoa học và kỹ thuật phần mềm để tạo ra các hàm học máy tự động thực sự mạnh mẽ và hiệu quả.

Tạo ra một khuôn khổ mạng nơ-ron cấp cao cũng là một dự án rất thú vị. Rất nhiều quyết định thiết kế khó khăn về cách đại diện cho mạng nơ-ron một cách tượng trưng, cách trực quan hóa chúng và cách thao tác chúng (tức là có thể cắt một số phần, dán các phần khác lại với nhau, thay thế các lớp, v.v.). Tôi nghĩ chúng tôi đã làm một công việc khá tốt, và nếu nó là mã nguồn mở, tôi chắc chắn nó sẽ được sử dụng rộng rãi 😉

Trong thời gian này, bạn cũng viết một cuốn sách cơ bản có tiêu đề “Introduction to Machine Learning“, những thách thức nào bạn gặp phải khi viết một cuốn sách toàn diện như vậy?

Ồ, có rất nhiều! Nó mất hai năm để viết. Tôi có thể quyết định chỉ viết một cuốn sách “hướng dẫn”, điều đó sẽ dễ dàng hơn, nhưng một phần của hành trình tại Wolfram đã là về việc học học máy, và tôi cảm thấy cần truyền đạt điều đó. Vì vậy, khó khăn chính là xác định chính xác điều gì để nói và theo thứ tự nào để làm cho nó thú vị và dễ hiểu. Sau đó là các chi tiết về phương pháp giảng dạy: tôi nên sử dụng một công thức toán học cho khái niệm này? Hay một số mã code? Hay chỉ một hình ảnh trực quan? Tôi muốn làm cho cuốn sách này trở nên dễ tiếp cận nhất có thể và điều đó đã gây ra cho tôi rất nhiều đau đầu. Tổng thể, tôi hài lòng với kết quả. Tôi hy vọng nó sẽ hữu ích cho nhiều người!

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

Được rồi. Tôi muốn tạo ra một công ty khởi nghiệp từ lâu, ban đầu là vào năm 2012 để tạo ra một công cụ học máy tự động, nhưng công việc tại Wolfram quá thú vị. Sau đó, vào khoảng năm 2019-2020, các mô hình ngôn ngữ lớn đầu tiên (LLM) bắt đầu xuất hiện, như GPT-2 và sau đó là GPT-3. Đó là một cú sốc đối với tôi khi thấy chúng có thể hiểu và tạo ra văn bản như thế nào. Đồng thời, tôi cũng thấy được sự khó khăn khi tạo ra các mô hình NLP: bạn cần phải xử lý một đội ngũ chú thích, có chuyên gia chạy nhiều thí nghiệm, v.v. Tôi nghĩ rằng nên có một cách để sử dụng các LLM thông qua một công cụ để cải thiện đáng kể trải nghiệm tạo ra các mô hình NLP. Đồng sáng lập của tôi, Samuel (người cũng happens to là người anh em họ của tôi), chia sẻ tầm nhìn tương tự, và vì vậy chúng tôi quyết định tạo ra công cụ này.

Mục tiêu của NuMind là gì?

Thực sự. Công cụ đầu tiên của chúng tôi là để tạo ra các mô hình NLP tùy chỉnh. Ví dụ, giả sử bạn muốn phân tích cảm xúc của người dùng từ phản hồi của họ. Sử dụng một mô hình sẵn có thường không tốt, vì nó đã được đào tạo trên một loại dữ liệu khác và cho một nhiệm vụ hơi khác (các nhiệm vụ phân tích cảm xúc khác nhau!). Thay vào đó, bạn muốn đào tạo một mô hình tùy chỉnh hoạt động tốt trên dữ liệu của mình. Công cụ của chúng tôi cho phép bạn làm điều đó một cách cực kỳ đơn giản và hiệu quả. Về cơ bản, bạn chỉ cần tải dữ liệu của mình, thực hiện một lượng chú thích nhỏ và nhận được một mô hình mà bạn có thể triển khai thông qua API. Điều này có thể thực hiện được nhờ vào việc sử dụng LLM và cũng là một mô hình học mới mà chúng tôi gọi là Phát triển Trí tuệ nhân tạo Tương tác.

Các mô hình tùy chỉnh mà bạn đang thấy được phát triển từ vòng đầu tiên của khách hàng NuMind?

Đã có một số phân tích cảm xúc. Ví dụ, một khách hàng đang theo dõi cảm xúc của các cuộc trò chuyện nhóm nơi mọi người giúp nhau chống lại các chứng nghiện. Phân tích này là cần thiết để can thiệp vào trường hợp hiếm khi cảm xúc giảm xuống. Một khách hàng khác sử dụng chúng tôi để tìm ra các cơ hội việc làm tốt nhất cho một hồ sơ nhất định – và theo tôi, có rất nhiều tiềm năng trong các loại AI ghép nối như vậy. Chúng tôi cũng có khách hàng đang trích xuất thông tin từ các tài liệu y tế và pháp lý.

Các công ty có thể tiết kiệm bao nhiêu thời gian khi sử dụng các công cụ của NuMind?

Tất nhiên, điều đó phụ thuộc vào ứng dụng, nhưng so với các giải pháp truyền thống (gán nhãn dữ liệu và đào tạo một mô hình riêng biệt), chúng tôi thấy sự cải thiện tốc độ lên đến 10 lần để có được một mô hình và đưa nó vào sản xuất. Tôi dự đoán con số này sẽ cải thiện khi chúng tôi tiếp tục phát triển sản phẩm. Cuối cùng, tôi tin rằng các dự án mà trước đây mất nhiều tháng sẽ được hoàn thành trong vài ngày, và với hiệu suất tốt hơn.

Có thể bạn giải thích cách Phát triển Trí tuệ nhân tạo Tương tác của NuMind hoạt động?

Ý tưởng về Phát triển Trí tuệ nhân tạo Tương tác đến từ cách con người dạy nhau. Ví dụ, giả sử bạn thuê một thực tập sinh để phân loại email của bạn. Bạn sẽ mô tả nhiệm vụ và mục đích của nó. Sau đó, bạn có thể cung cấp một số ví dụ tốt, một số trường hợp đặc biệt có thể. Sau đó, thực tập sinh của bạn sẽ bắt đầu gán nhãn email và một cuộc trò chuyện sẽ bắt đầu. Thực tập sinh của bạn sẽ quay lại với các câu hỏi như “Làm thế nào tôi nên gán nhãn cho cái này?” hoặc “Tôi nghĩ chúng ta nên tạo một nhãn mới cho cái này”, hoặc thậm chí hỏi bạn “tại sao” chúng ta nên gán nhãn theo một cách nhất định. Tương tự, bạn có thể hỏi thực tập sinh của mình các câu hỏi để xác định và sửa chữa các khoảng trống kiến thức của họ. Cách dạy này rất tự nhiên và cực kỳ hiệu quả về mặt trao đổi thông tin. Chúng tôi đang cố gắng bắt chước quy trình công việc này để con người có thể dạy máy móc một cách hiệu quả.

Có gì khác mà bạn muốn chia sẻ về NuMind?

Có lẽ rằng đó là một công cụ có thể được sử dụng bởi cả chuyên gia và không chuyên về học máy, rằng nó là đa ngôn ngữ, rằng bạn sở hữu các mô hình của mình, và rằng dữ liệu có thể ở lại trên máy của bạn!

Ngoài ra, chúng tôi đang trong giai đoạn beta riêng, vì vậy nếu bạn có bất kỳ nhu cầu NLP nào, chúng tôi sẽ rất vui được nói chuyện và tìm hiểu xem chúng tôi có thể giúp bạn như thế nào!

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