بیراگو جونز مدیرعامل و یکی از بنیانگذاران Pienso است، یک پلتفرم بدون کد/کد برای شرکت ها برای آموزش و استقرار مدل های هوش مصنوعی بدون نیاز به دانش پیشرفته داده یا مهارت های برنامه نویسی. امروزه، مشتریان Birago شامل دولت ایالات متحده و Sky، بزرگترین پخش کننده در بریتانیا است. پینسو بر اساس تحقیقات بیراگو از موسسه فناوری ماساچوست (MIT) است، جایی که او و هم بنیانگذارش Karthik Dinakar به عنوان دستیار تحقیقاتی در آزمایشگاه رسانه MIT خدمت کردند. او یک مرجع برجسته در تقاطع هوش مصنوعی (AI) و تعامل انسان و کامپیوتر (HCI) و مدافع هوش مصنوعی مسئول است.
پینسورابط یادگیری تعاملی ‘s به گونه ای طراحی شده است که کاربران را قادر می سازد تا از هوش مصنوعی بدون هیچ کدنویسی حداکثر توان خود را استفاده کنند. این پلتفرم کاربران را از طریق فرآیند آموزش و استقرار مدل‌های زبان بزرگ (LLM) راهنمایی می‌کند که با تخصص آنها حک شده و برای پاسخ به سؤالات خاص آنها تنظیم شده است.
چه چیزی در ابتدا شما را برای ادامه تحصیل در زمینه هوش مصنوعی، HCI (تعامل کامپیوتر انسانی) و تجربه کاربری جذب کرد؟
من قبلاً پروژه‌های شخصی متمرکز بر ایجاد ابزارها و برنامه‌های کاربردی برای نابینایان را توسعه می‌دادم، مانند یک خواننده بریل دیجیتال لمسی با استفاده از تلفن هوشمند و یک سیستم راه یاب داخلی (عصای دیجیتال). من معتقد بودم که هوش مصنوعی می تواند این تلاش ها را تقویت کند و از آنها حمایت کند.
Pienso در ابتدا در زمان شما در MIT تصور شد، مفهوم آموزش مدل‌های یادگیری ماشین برای دسترسی به کاربران غیر فنی چگونه سرچشمه گرفت؟
من و هم بنیانگذارم Karthik در مقطع کارشناسی ارشد زمانی که هر دو در حال انجام تحقیقات در آزمایشگاه رسانه MIT بودیم با هم آشنا شدیم. ما برای یک پروژه کلاسی متحد شده بودیم تا ابزاری بسازیم که به پلتفرم های رسانه های اجتماعی کمک کند تا محتوای قلدری را تعدیل کنند و پرچم گذاری کنند. این ابزار در حال جلب توجه بسیاری بود، و ما حتی به کاخ سفید دعوت شدیم تا در طی یک نشست آزار و اذیت سایبری، فناوری را به نمایش بگذاریم.
فقط یک مشکل وجود داشت: در حالی که خود مدل همانطور که باید کار می کرد، بر روی داده های مناسب آموزش ندیده بود، بنابراین قادر به شناسایی محتوای مضری نبود که از زبان عامیانه نوجوان استفاده می کرد. من و Karthik با هم کار می کردیم تا راه حلی پیدا کنیم و بعداً متوجه شدیم که اگر راهی برای نوجوانان پیدا کنیم که مستقیماً داده های مدل را آموزش دهند، می توانیم این مشکل را حل کنیم.
این لحظه «آها» بود که بعداً الهام بخش Pienso شد: متخصصان موضوع، نه مهندسان هوش مصنوعی مانند ما، باید بتوانند به راحتی ورودی داده‌های آموزشی مدل را ارائه دهند. ما در نهایت ابزارهای نقطه و کلیک را توسعه دادیم که به افراد غیرمتخصص اجازه می‌دهد تا حجم زیادی از داده‌ها را در مقیاس آموزش دهند. ما سپس این فناوری را به مدارس محلی کمبریج، ماساچوست بردیم و از نوجوانان محلی برای آموزش الگوریتم‌هایشان کمک گرفتیم، که به ما امکان داد تا تفاوت‌های ظریف‌تری را در الگوریتم‌ها نسبت به آنچه قبلا ممکن بود به تصویر بکشیم. با این فناوری، ما با سازمان هایی مانند MTV و Brigham and Women’s Hospital همکاری کردیم.
آیا می توانید داستان پیدایش را به اشتراک بگذارید که چگونه Pienso سپس از MIT به شرکت خودش تبدیل شد؟
ما همیشه می‌دانستیم که این فناوری می‌تواند ارزشی فراتر از کاربردهایی که ساخته‌ایم داشته باشد، اما تا سال 2016 بود که در نهایت به تجاری‌سازی آن رسیدیم، زمانی که Karthik دکترای خود را به پایان رساند. در آن زمان، یادگیری عمیق در حال افزایش بود، اما عمدتاً مهندسان هوش مصنوعی بودند که از آن استفاده می کردند زیرا هیچ کس دیگری تخصص لازم برای آموزش و ارائه این مدل ها را نداشت.
نوآوری ها و الگوریتم های کلیدی که رابط بدون کد Pienso را برای ساخت مدل های هوش مصنوعی فعال می کند چیست؟ Pienso چگونه تضمین می کند که کارشناسان دامنه، بدون پیشینه فنی، می توانند به طور موثر مدل های هوش مصنوعی را آموزش دهند؟
Pienso موانع “MLOps” – پاکسازی داده ها، برچسب گذاری داده ها، آموزش مدل و استقرار را از بین می برد. پلتفرم ما از یک رویکرد یادگیری ماشین نیمه نظارت شده استفاده می کند، که به کاربران اجازه می دهد با داده های آموزشی بدون برچسب شروع کنند و سپس از تخصص انسانی برای حاشیه نویسی حجم زیادی از داده های متنی به سرعت و با دقت و بدون نیاز به نوشتن کد استفاده کنند. این فرآیند مدل های یادگیری عمیق را آموزش می دهد که قادر به طبقه بندی دقیق و تولید متن جدید هستند.
Pienso چگونه سفارشی‌سازی را در توسعه مدل هوش مصنوعی برای برآوردن نیازهای خاص سازمان‌های مختلف ارائه می‌کند؟
ما معتقدیم که هیچ مدلی نمی تواند هر مشکلی را برای هر شرکتی حل کند. اگر می‌خواهیم هوش مصنوعی تفاوت‌های ظریف هر شرکت خاص و مورد استفاده را درک کند، باید بتوانیم مدل‌های سفارشی بسازیم و آموزش دهیم. به همین دلیل است که Pienso آموزش مدل‌ها را مستقیماً بر اساس داده‌های خود سازمان ممکن می‌سازد. این نگرانی‌های حفظ حریم خصوصی ناشی از استفاده از مدل‌های پایه را کاهش می‌دهد و همچنین می‌تواند بینش دقیق‌تری ارائه دهد.
Pienso همچنین از طریق APIها با سیستم‌های سازمانی موجود ادغام می‌شود و اجازه می‌دهد نتایج استنتاج در قالب‌های مختلف ارائه شود. Pienso همچنین می‌تواند بدون اتکا به سرویس‌های شخص ثالث یا APIها کار کند، به این معنی که داده‌ها هرگز نیازی به انتقال خارج از یک محیط امن ندارند. این می تواند بر روی ارائه دهندگان اصلی ابر و همچنین در محل مستقر شود، و آن را برای صنایعی که نیاز به اقدامات امنیتی قوی و انطباق دارند، مانند سازمان های دولتی یا امور مالی، مناسب می کند.
پیشرفت پلتفرم را در چند سال آینده چگونه می بینید؟
در چند سال آینده، Pienso با تمرکز بر مقیاس‌پذیری و کارایی بیشتر به تکامل خود ادامه خواهد داد. با افزایش تقاضا برای تجزیه و تحلیل متن با حجم بالا، ما توانایی خود را برای مدیریت مجموعه داده های بزرگتر با زمان استنتاج سریعتر و تجزیه و تحلیل پیچیده تر افزایش خواهیم داد. ما همچنین متعهد به کاهش هزینه‌های مربوط به مقیاس‌بندی مدل‌های زبان بزرگ هستیم تا اطمینان حاصل کنیم که شرکت‌ها بدون به خطر انداختن سرعت یا دقت، ارزش کسب می‌کنند.
ما همچنین برای دموکراتیزه کردن هوش مصنوعی تلاش بیشتری خواهیم کرد. Pienso در حال حاضر یک پلت فرم بدون کد/کد پایین است، اما ما در نظر داریم دسترسی به ابزارهای خود را حتی بیشتر گسترش دهیم. ما به طور مداوم رابط خود را اصلاح خواهیم کرد تا طیف گسترده‌تری از کاربران، از تحلیلگران تجاری گرفته تا تیم‌های فنی، بتوانند بدون نیاز به تخصص فنی عمیق به آموزش، تنظیم و استقرار مدل‌ها ادامه دهند.
همانطور که ما با مشتریان بیشتری در صنایع مختلف کار می کنیم، Pienso برای ارائه راه حل های مناسب تر سازگار خواهد شد. چه امور مالی باشد، چه مراقبت های بهداشتی یا دولتی، پلتفرم ما به گونه ای تکامل می یابد که قالب ها و ماژول های خاص صنعت را در خود جای دهد تا به کاربران کمک کند مدل های خود را به طور مؤثرتری برای موارد استفاده خاص خود تنظیم کنند.
Pienso حتی در اکوسیستم گسترده‌تر هوش مصنوعی یکپارچه‌تر می‌شود و به طور یکپارچه در کنار راه‌حل‌ها/ابزارهای ارائه‌دهندگان اصلی ابر و راه‌حل‌های داخلی کار می‌کند. ما بر ایجاد یکپارچگی قوی‌تر با دیگر پلت‌فرم‌ها و ابزارهای داده تمرکز خواهیم کرد و گردش کار هوش مصنوعی منسجم‌تری را که در پشته‌های فناوری سازمانی موجود جا می‌گیرد، ممکن می‌سازد.
با تشکر از شما برای مصاحبه عالی، خوانندگانی که مایل به کسب اطلاعات بیشتر هستند باید از آن بازدید کنند پینسو.
