尼顿公司CTO布莱尔·纽曼 – 采访系列

布莱尔·纽曼是尼顿公司的CTO，尼顿是一种颠覆性的神经网络框架和自动机器学习（AutoML）解决方案，它比市场上任何其他框架、非神经算法或AutoML产品都更有效。它使人工智能（AI）对每个人都可用。

是什么最初吸引你进入机器学习和数据科学领域?

从个人角度来说，我一直对机器学习/数据科学可以提供的可能性感兴趣，例如智能城市、联网汽车，现在TinyML也可以提供。现在，随着人工智能的民主化，我们正在看到机器学习无处不在。

您能否分享尼顿的创立故事?

在执行了多个机器学习项目之后，我们决定开始使人工智能对“每个人”都可用的旅程。在此期间，我们发现了一些限制指数增长的障碍。为了真正使机器学习对每个人都可用，我们需要解决一些技术障碍……例如，需要大量数据来进行训练……一个自动化的SaaS解决方案来消除对技术专业知识的需求……最后，使我们的平台免费以消除最后一个障碍。

对于可能不熟悉这些术语的读者，您能否定义什么是TinyML?

我通常喜欢保持简单……物理世界遇见数字世界……以及这两个实体相交汇的地方，就是TinyML的世界。TinyML将智能带到边缘。

是什么阻碍了TinyML在人工智能社区中的发展?

TinyML通常需要从资源角度来说大量的资金。硬件、嵌入式工程师、机器学习工程师、软件开发人员用于集成……我们擅长的是显著地压缩这些需求。

尼顿如何在不损失准确性的情况下创建紧凑的模型?

传统的、更为人熟知的框架（例如TensorFlow）从一个预先存在的结构开始，这种结构本质上包含了浪费。另外，构建一个模型通常是一个非常迭代的过程，一旦模型构建完成，就必须在集成之前进行优化。这就是我所说的自上而下的方法。尼顿则完全颠倒了这种范式，我们从下往上，一次构建一个神经元，有效地消除了其他框架中固有的浪费。这种方法与每个神经元应用于最终模型时的持续交叉验证相结合。因此，最后的模型总是为目的而构建的，没有浪费，完成后准确。

尼顿为什么不使用反向传播或随机梯度下降，为什么避免了这些流行的方法论?

我们的专利方法使用全局优化方法论，有效地消除了应用这些方法论的需要。

尼顿解决方案与传统机器学习方法相比有多高效?

在所有关键指标中，例如模型创建时间、准确性、模型大小和随后的上市时间，我们始终看到我们比其他框架和平台表现更好。通常，我们的模型大小是其他模型的1/1000，时间到市场缩短了70%以上。最后，我们的可解释性办公室在提供对我们模型的完整透明度以及每个预测方面是无与伦比的。

您能否提供一些关于尼顿平台提供的AI可解释性的详细信息?

我们的可解释性办公室有多种形式。首先，我们的探索性数据分析（EDA）工具提供了对数据统计的初步查看，在训练之前。从那里，我们的特征重要性矩阵使客户能够确定哪些是影响其预测的前10个特征，以及哪些是对其预测影响最小的后10个特征。从那里，我们为客户提供了对其结果模型的下一个透明度级别，因为他们能够分析每个预测，以查看如果给定特征的值发生变化，其预测将如何变化。最后，我们提供了一个生命周期管理工具（模型到数据相关性指标），它主动通知客户何时其模型开始衰退以及何时需要重新训练模型。

您是否还有其他关于尼顿的信息想要分享?

我们在尼顿的使命是真正地将人工智能带给每个人。我们相信我们已经成功地开始实现这一目标。无论是使非数据科学家能够使用还是通过提供零代码SaaS基础解决方案来赋予经验丰富的数据科学家权力，现在随着TinyML的加速，我们正在真正地民主化人工智能的道路上。

感谢这次精彩的采访，希望了解更多的读者可以访问尼顿。