ברוכים הבאים לסדרה של HackerNoon's Building with AI, שבה אנו לומדים כיצד מפתחים ברחבי העולם מקבלים, מעצבים וניסויים עם AI באקולוגיות המקומיות שלהם. ברוכים הבאים לסדרה של HackerNoon's Building with AI, שבה אנו לומדים כיצד מפתחים ברחבי העולם מקבלים, מעצבים וניסויים עם AI באקולוגיות המקומיות שלהם. היום אנחנו מדברים עם ואל גארנגה, מנהיג @ Suki ML Platform ו- Staff ML Engineer, שעובד בחזית ה- AI באזור המפרץ ובעמק הסיליקון. ספר לנו את הסיפור שמאחורי מסעך אל ה-AI – מה מושך אותך לראשונה, ומה השפיע על הפרויקט שאתה בונה כרגע? תשובה עם כמה שיותר פרטים (לפחות 3 - 5 משפטים) תשובה עם כמה שיותר פרטים (לפחות 3 - 5 משפטים) המסע שלי אל ה- AI התחיל במהלך מחקר הדוקטורט שלי בשנת 2000, שם פיתחתי מודל תחזית של רשתות סטטיסטיות ונירוניות היברידיות כדי לחזות שורשים של שלג. העבודה שילבה מודלים סטטיסטיים של ARIMA עם רשתות נוירליות חוזרות אשר בחרו אופטימיזציה של פרמטרים באופן אוטונומי. ניסיון זה צייר את התעניינותי לטווח ארוך בשילוב מודלים מתמטיים עם מערכות למידה מתאימות. היום, אני מוביל את פלטפורמת למידה מכונה ב- Suki AI, מתמקדת במערכות AI רפואיות בקנה מידה גדול שמיישם למידה עמוקה והבנה של שפה טבעית כדי לסייע לרופאים. במקביל, אני חוקר רשתות נוירליות קוונטיות (QNNs), שבהן מחרוזות קוונטיות משמשות לזיהוי דפוסי ביו-רפואה עדין. באחד הפרויקטים האחרונים שלי, ביצעתי מודל היברידי קוונטי-קלאסי כדי לזהות את מחלת פרקינסון בשלב מוקדם מנתוני הקול, להשיג מדויקנות אבחון של 99%, עבר מודלים מה הם חלק מהאתגרים הגדולים ביותר או המגבלות שאתה נתקל בעת בניית עם AI במערכת האקולוגיה המקומית שלך (והאיך אתה עובד סביבם)? תשובה עם כמה שיותר פרטים (לפחות 3 - 5 משפטים) תשובה עם כמה שיותר פרטים (לפחות 3 - 5 משפטים) באזור המפרץ, האתגרים הגדולים ביותר כוללים איזון בין גמישות, עלות ודיוק תוך הבטחת שמערכות AI נשארות בטוחות וניתנות לפרשנות. AI בריאות מוסיף מורכבות נוספת, שכן מודלים חייבים לשמור על תאימות קפדנית ואמינות תחת משתנות בעולם האמיתי. כדי לפתור את האתגרים האלה, אני מעצבת צינורות מודולריות וסובלניות לפגמים אשר מעקבות באופן אוטומטי את איכות הנתונים, מעצבים מחדש מודלים לפי הצורך, ואופטימיזציה של ביצועים.במחקר מקביל, אני בוחנת ארכיטקטורות היברידיות בהשראת קוונטים עבור תחומים שבהם פלטפורמות למידה קלאסיות, תוך ניצול כוח הביטוי ועמידות של שכבות קוונטיות למודל נתונים ביולוגיים ושוניים מורכבים. כיצד הייתם מתארים את מערכת האקולוגיה בה אתם חיים – במונחים של כישרון, קהילה, חינוך או השקעה? הקדישו לפחות פרק אחד לכל תשובה. הקדישו לפחות פרק אחד לכל תשובה. מנקודת המבט שלי, מה שהופך את אזור המפרץ ייחודי הוא כמה מהר רעיונות עוברים ממסמכים למחקר לפרוטופיפים וסטארט-אפים. היסודות החינוכיים של סטנפורד וברקלי מזינים זרם מתמיד של חדשנות, ואילו תוכניות קהילתיות כגון יוזמות שותפים לעיצוב AI של Google ושיתופי מחקר OpenAI מעודדים ניסויים מעשיים. המשקיעים מתמקדים יותר ויותר ביעילות ובמומחיות, פתרונות מימון כגון LLMs בתחום הבריאות ומערכות פירוט אופטימיזציה עלות. אילו כלים, מסגרות או מודלים היו שימושיים ביותר בעבודתך – ולמה הם מתאימים לגישה שלך? תשובה עם כמה שיותר פרטים (לפחות 3 - 5 משפטים) תשובה עם כמה שיותר פרטים (לפחות 3 - 5 משפטים) האקולוגיה הבסיסית שלי כוללת את TensorFlow, PyTorch, ו- Google Vertex AI עבור תזמורת, בשילוב עם מאיץ AI / ML של ארכיטקטורות שונות. עבור משימות דיבור ושפה, אני משתמש ב-OpenAI Whisper ו-Google Gemini כדי לבנות צינורות מתוחכמות, multimodal. מעבר למסגרות ML הקלאסיות, אני בוחן ארכיטקטורות משופרות קוונטיות שמטרתן לפתור בעיות הדורשות ייצוגים ברמה גבוהה יותר, כגון זיהוי דפוסים ביו-רפואיים.אני משלב מודלים היברידיים המשלבים מנהלי נוירלים קלאסיים עם מעגלים קוונטיים המסוגלים ללמוד ייצוגים מעורבבים. הרשת של מנהלים לומדת להכין נתונים עבור קידוד קוונטי, בעוד שכבת קוונטית מוציאה מערכות יחסים ממדיים גבוהות שהמודלים הקלאסיים לעתים קרובות מתגעגעים אליהם. במבט קדימה, מה מרגש אותך ביותר לגבי העתיד של ה-AI – ואיזה עצה היית נותן למפתחים רק מתחילים את המסע שלהם? תשובה עם כמה שיותר פרטים (לפחות 3 - 5 משפטים) תשובה עם כמה שיותר פרטים (לפחות 3 - 5 משפטים) העתיד של ה- AI נמצא בזיכוך בין תחומים, שם חישוב קוונטי, שיקול דעת סמלי ואינטליגנציה גנרטורית מתכנסים.אני מתרגש במיוחד לגבי למידה מתקדמת קוונטית, אזור שאני בוחן באמצעות רשתות נוירליות קוונטיות היברידיות שיכולות לנהל חוסר ודאות, רעש, וקשרים מורכבים בנתונים ביו-רפואיים. מתוך הניסיון שלי להוביל פלטפורמות ML בקנה מידה גדול, מצאתי כי מפתחים שמתחילים עם שליטה על היסודות של מתמטיקה, סטטיסטיקה ומבנים נתונים לבנות אינטואיציה חזקה הרבה יותר לפני השימוש מסגרות ברמה גבוהה.
