Bienvenue dans la série d'interviews de HackerNoon Building with AI, où nous apprenons comment les développeurs du monde entier adoptent, façonnent et expérimentent l'IA dans leurs écosystèmes locaux. Bienvenue dans la série d'interviews de HackerNoon Building with AI, où nous apprenons comment les développeurs du monde entier adoptent, façonnent et expérimentent l'IA dans leurs écosystèmes locaux. Aujourd'hui, nous parlons avec Val Garnaga, chef de la plate-forme Suki ML et ingénieur du personnel ML, travaillant à l'avant-garde de l'IA dans la région de la baie et de la Silicon Valley. Parlez-nous de l'histoire derrière votre voyage dans l'IA - ce qui vous a d'abord attiré et ce qui a inspiré le projet que vous construisez actuellement? Répondre avec le plus de détails possible (au moins 3 à 5 phrases) Répondre avec le plus de détails possible (au moins 3 à 5 phrases) Mon parcours dans l'IA a commencé pendant ma recherche de doctorat en 2000, où j'ai développé un modèle de prédiction des réseaux statistiques et neuronaux hybrides pour prédire les avalanches de neige.Le travail a combiné des modèles statistiques ARIMA avec des réseaux neuronaux récurrents qui ont sélectionné et optimisé les paramètres de manière autonome.Cette recherche a introduit une nouvelle méthode de formation des réseaux neuronaux partiellement supervisés et d'encodage des paramètres catégoriques, qui a posé les bases de mon intérêt à long terme pour combiner la modélisation statistique classique avec des systèmes d'IA adaptifs. Cette expérience a façonné mon intérêt à long terme pour combiner la modélisation mathématique avec des systèmes d'apprentissage adaptatif. Aujourd'hui, je dirige la Plateforme d'apprentissage automatique de Suki AI, en se concentrant sur des systèmes d'IA médicaux à grande échelle qui appliquent l'apprentissage profond et la compréhension du langage naturel pour aider les cliniciens. En parallèle, j'ai exploré les réseaux neuronaux quantiques (QNNs), où des circuits quantiques sont utilisés pour détecter des modèles biomédicaux subtils. Dans l'un de mes projets récents, j'ai mis en œuvre un modèle hybride quantique classique pour identifier la maladie de Parkinson au stade préco Quels sont certains des plus grands défis ou limites auxquels vous avez fait face en construisant avec l’IA dans votre écosystème local (et comment travaillez-vous autour d’eux)? Répondre avec le plus de détails possible (au moins 3 à 5 phrases) Répondre avec le plus de détails possible (au moins 3 à 5 phrases) Dans la région de la baie, les plus grands défis comprennent l'équilibre de l'évolutivité, du coût et de la précision tout en veillant à ce que les systèmes d'IA restent sécurisés et interprétables. L'IA de la santé ajoute une complexité supplémentaire, car les modèles doivent maintenir une conformité et une fiabilité strictes en fonction de la variabilité du monde réel. Pour résoudre ces défis, j’ai conçu des pipelines modulaires et tolérantes aux défauts qui surveillent automatiquement la qualité des données, retrainent les modèles en fonction des besoins et optimisent l’exécution.En parallèle, j’explore des architectures hybrides inspirées par les quantiques pour des domaines où les plateaux d’apprentissage classiques se situent, en tirant parti de la puissance expresse et de la robustesse des couches quantiques pour modéliser des données biologiques et linguistiques complexes. Comment décririez-vous l’écosystème d’IA dans lequel vous vivez – en termes de talent, de communauté, d’éducation ou d’investissement ? Consacrez au moins un paragraphe à chaque réponse. Consacrez au moins un paragraphe à chaque réponse. De mon point de vue, ce qui rend la région de la baie unique, c’est la rapidité avec laquelle les idées se déplacent des documents de recherche aux prototypes et aux start-ups. Les fondations éducatives de Stanford et Berkeley alimentent un flux constant d’innovation, tandis que les programmes communautaires tels que les initiatives de partenariat de conception d’IA de Google et les collaborations de recherche OpenAI encouragent l’expérimentation pratique. Les investisseurs se concentrent de plus en plus sur l'efficacité et la spécialisation, les solutions de financement telles que les LLM de soins de santé axées sur le domaine et les systèmes d'inférence optimisés en termes de coûts. Quels outils, cadres ou modèles ont été les plus utiles dans votre travail – et pourquoi conviennent-ils à votre approche ? Répondre avec le plus de détails possible (au moins 3 à 5 phrases) Répondre avec le plus de détails possible (au moins 3 à 5 phrases) Mon écosystème de base comprend TensorFlow, PyTorch et Google Vertex AI pour l'orchestration, associé à des accélérateurs AI/ML de différentes architectures. Pour les tâches de parole et de langue, j'utilise OpenAI Whisper et Google Gemini pour construire des pipelines évolutives et multimodales. Ces outils s'alignent avec mon approche de l'expérimentation rapide tout en maintenant des pipelines ML reproductibles et de niveau de production. Au-delà des cadres ML classiques, j’explore des architectures quantiques améliorées visant à résoudre des problèmes qui nécessitent des représentations d’ordre supérieur, telles que la détection de modèles biomédicaux. J’intégrer des modèles hybrides qui combinent les contrôleurs neuronaux classiques avec des circuits quantiques capables d’apprendre des représentations entrouvertes. Le réseau de contrôleurs apprend à préparer des données pour l’encodage quantique, tandis que la couche quantique extrait des relations de haute dimension que les modèles classiques manquent souvent. En regardant à l’avenir, qu’est-ce qui vous excite le plus à propos de l’avenir de l’IA – et quel conseil donneriez-vous aux développeurs qui viennent de commencer leur voyage ? Répondre avec le plus de détails possible (au moins 3 à 5 phrases) Répondre avec le plus de détails possible (au moins 3 à 5 phrases) L’avenir de l’IA réside dans la fusion entre domaines, où le calcul quantique, le raisonnement symbolique et l’intelligence générative convergent.Je suis particulièrement excité par l’apprentissage quantique amélioré, un domaine que j’explore à travers des réseaux neuronaux quantiques hybrides qui peuvent gérer l’incertitude, le bruit et les corrélations complexes dans les données biomédicales.Ces systèmes pourraient permettre de nouveaux outils de diagnostic, des assistants adaptatifs et des modèles qui raisonnent avec les contraintes physiques et informatives. D'après mon expérience de gestion de plateformes ML à grande échelle, j'ai constaté que les développeurs qui commencent par maîtriser les fondements des mathématiques, des statistiques et des structures de données construisent une intuition beaucoup plus forte avant d'utiliser des cadres de haut niveau.
