Birago Jonesas yra „Pienso“ – nekoduojančios / žemo kodo platformos, skirtos įmonėms mokyti ir diegti AI modelius be pažangių duomenų mokslo ar programavimo įgūdžių, – generalinis direktorius ir vienas iš įkūrėjų. Šiandien „Birago“ klientai yra JAV vyriausybė ir didžiausias JK transliuotojas „Sky“. „Pienso“ yra pagrįstas Birago tyrimais Masačusetso technologijos institute (MIT), kur jis ir jo įkūrėjas Karthik Dinakar dirbo MIT Media Lab tyrimų asistentais. Jis yra išskirtinis autoritetas dirbtinio intelekto (AI) ir žmogaus ir kompiuterio sąveikos (HCI) sankirtoje ir atsakingo DI šalininkas.
„Pienso“ interaktyvi mokymosi sąsaja sukurta taip, kad vartotojai galėtų išnaudoti visas AI galimybes be jokio kodavimo. Platforma padeda naudotojams mokyti ir diegti didelius kalbos modelius (LLM), kuriuose yra įspausta jų kompetencija ir kurie yra tiksliai suderinti, kad atsakytų į konkrečius klausimus.
Kas iš pradžių jus patraukė studijuoti dirbtinio intelekto, HCI (žmogaus kompiuterių sąveikos) ir naudotojų patirties srityse?
Jau buvau kūręs asmeninius projektus, skirtus pritaikymo neįgaliesiems įrankiams ir programoms kurti, pvz., haptinį skaitmeninį Brailio rašto skaitytuvą naudojant išmanųjį telefoną ir patalpų nustatymo sistemą (skaitmeninę lazdelę). Tikėjau, kad AI galėtų sustiprinti ir paremti šias pastangas.
Iš pradžių „Pienso“ buvo sumanyta jums dirbant MIT. Kaip kilo idėja lavinti mašininio mokymosi modelius, kad jie būtų prieinami netechniniams vartotojams?
Mano įkūrėjas Karthik ir aš susitikome vidurinėje mokykloje, kai abu atlikome tyrimus MIT Media Lab. Suvienijome klasės projektą, kad sukurtume įrankį, kuris padėtų socialinės žiniasklaidos platformoms moderuoti ir pažymėti patyčių turinį. Įrankis įgijo daug populiarumo, ir mes netgi buvome pakviesti į Baltuosius rūmus pristatyti technologiją per kibernetinių patyčių viršūnių susitikimą.
Iškilo tik viena problema: nors pats modelis veikė taip, kaip turėtų, jis nebuvo išmokytas naudotis reikiamais duomenimis, todėl negalėjo nustatyti žalingo turinio, kuriame buvo naudojamas paauglių slengas. Karthik ir aš kartu ieškojome sprendimo, o vėliau supratome, kad galėtume išspręsti šią problemą, jei rastume būdą, kaip paaugliai galėtų tiesiogiai mokyti modelio duomenis.
Tai buvo „Aha“ momentas, kuris vėliau įkvėpė Pienso: dalyko ekspertai, o ne AI inžinieriai, kaip mes, turėtų galėti lengviau pateikti modelio mokymo duomenis. Sukūrėme žymeklio ir spustelėjimo įrankius, kurie leidžia ne ekspertams apmokyti didelius duomenų kiekius. Tada mes nunešėme šią technologiją į vietines Kembridžo, Masačusetso mokyklas ir paprašėme vietinių paauglių, kad jie išmokytų savo algoritmus, o tai leido mums užfiksuoti daugiau algoritmų niuansų, nei buvo įmanoma anksčiau. Naudodami šią technologiją pradėjome dirbti su tokiomis organizacijomis kaip MTV ir Brigham and Women’s Hospital.
Ar galėtumėte pasidalinti istorija apie tai, kaip Pienso vėliau buvo iš MIT išjungtas į savo įmonę?
Visada žinojome, kad ši technologija gali būti vertingesnė už mūsų sukurtą naudojimo atvejį, tačiau tik 2016 m. galiausiai ėmėmės jos komercializavimo, kai Karthik baigė daktaro laipsnį. Iki to laiko gilus mokymasis sparčiai populiarėjo, tačiau daugiausia dirbtinio intelekto inžinieriai tai naudojo, nes niekas kitas neturėjo patirties apmokyti ir aptarnauti šiuos modelius.
Kokios yra pagrindinės naujovės ir algoritmai, įgalinantys „Pienso“ be kodo sąsają kuriant AI modelius? Kaip „Pienso“ užtikrina, kad domenų ekspertai, neturėdami techninių žinių, galėtų efektyviai mokyti AI modelius?
Pienso pašalina „MLOps“ kliūtis – duomenų valymą, duomenų ženklinimą, modelių mokymą ir diegimą. Mūsų platforma naudoja pusiau prižiūrimą mašininio mokymosi metodą, leidžiantį vartotojams pradėti nuo nepažymėtų mokymo duomenų, o tada pasitelkti žmogaus žinias, kad greitai ir tiksliai komentuotų didelius teksto duomenų kiekius, nereikia rašyti jokio kodo. Šis procesas ugdo giluminio mokymosi modelius, kurie gali tiksliai klasifikuoti ir generuoti naują tekstą.
Kaip „Pienso“ siūlo pritaikyti dirbtinio intelekto modelių kūrimą, kad atitiktų konkrečius skirtingų organizacijų poreikius?
Esame tvirtai įsitikinę, kad joks modelis negali išspręsti kiekvienos įmonės kiekvienos problemos. Turime turėti galimybę kurti ir mokyti pasirinktinius modelius, jei norime, kad dirbtinis intelektas suprastų kiekvienos konkrečios įmonės ir naudojimo atvejo niuansus. Štai kodėl „Pienso“ leidžia treniruoti modelius tiesiogiai pagal pačios organizacijos duomenis. Tai sumažina privatumo susirūpinimą naudojant pagrindinius modelius ir taip pat gali pateikti tikslesnių įžvalgų.
„Pienso“ taip pat integruojasi su esamomis įmonės sistemomis per API, todėl išvadų rezultatus galima pateikti skirtingais formatais. „Pienso“ taip pat gali veikti nepasitikėdamas trečiųjų šalių paslaugomis ar API, o tai reiškia, kad duomenų niekada nereikia perduoti už saugios aplinkos. Jis gali būti įdiegtas tiek pagrindiniuose debesijos paslaugų teikėjuose, tiek vietoje, todėl jis idealiai tinka pramonės šakoms, kurioms reikia griežtos saugos ir atitikties praktikos, pvz., vyriausybinėms agentūroms ar finansams.
Kaip, jūsų nuomone, platforma vystysis per ateinančius kelerius metus?
Per ateinančius kelerius metus Pienso toliau vystysis, sutelkdama dėmesį į dar didesnį mastelio keitimą ir efektyvumą. Didėjant didelės apimties teksto analizės paklausai, pagerinsime savo gebėjimą tvarkyti didesnius duomenų rinkinius, naudodami greitesnį išvadų laiką ir sudėtingesnę analizę. Taip pat esame įsipareigoję sumažinti išlaidas, susijusias su didelių kalbų modelių mastelio keitimu, siekdami užtikrinti, kad įmonės gautų vertę neprarandant greičio ar tikslumo.
Taip pat toliau stengsimės demokratizuoti AI. „Pienso“ jau yra be kodo / žemo kodo platforma, tačiau planuojame dar labiau išplėsti savo įrankių prieinamumą. Nuolat tobulinsime savo sąsają, kad platesnis vartotojų spektras – nuo verslo analitikų iki techninių komandų – galėtų toliau mokyti, derinti ir diegti modelius nereikalaujant gilių techninių žinių.
Kadangi dirbame su daugiau klientų įvairiose pramonės šakose, „Pienso“ prisitaikys, kad pasiūlytų labiau pritaikytus sprendimus. Nesvarbu, ar tai būtų finansai, sveikatos priežiūra ar vyriausybė, mūsų platforma bus tobulinama, įtraukdama konkrečiai pramonės šakai skirtus šablonus ir modulius, kurie padės vartotojams veiksmingiau suderinti savo modelius konkrečiais naudojimo atvejais.
„Pienso“ taps dar labiau integruota į platesnę AI ekosistemą, sklandžiai dirbdama kartu su pagrindinių debesų tiekėjų sprendimais / įrankiais ir vietiniais sprendimais. Daugiausia dėmesio skirsime stipresnės integracijos su kitomis duomenų platformomis ir įrankiais kūrimui, kad sukurtume darnesnę AI darbo eigą, kuri derėtų prie esamų įmonių technologijų paketų.
Dėkojame už puikų interviu, skaitytojai, norintys sužinoti daugiau, turėtų apsilankyti „Pienso“.
