Dobrodošli u HackerNoon's Building with AI intervju seriju, gdje saznamo kako programeri diljem svijeta usvajaju, oblikuju i eksperimentiraju s AI-om u svojim lokalnim ekosustavima. Dobrodošli u HackerNoon's Serija intervjua, u kojoj saznajemo kako programeri diljem svijeta usvajaju, oblikuju i eksperimentiraju s AI-om u svojim lokalnim ekosustavima. Building with AI Danas razgovaramo s Val Garnagom, voditeljem Suki ML platforme i inženjerom ML osoblja, koji radi na čelu AI-a u području Bay Area i Silicijskoj dolini. Recite nam priču iza vašeg putovanja u AI - što vas je prvo privuklo, i što je inspiriralo projekt koji trenutno gradite? Odgovorite što detaljnije (najmanje 3 - 5 rečenica) Odgovorite što detaljnije (najmanje 3 - 5 rečenica) Moje putovanje u AI počelo je tijekom doktorskog istraživanja 2000. godine, gdje sam razvio hibridni statistički i neuralni model predviđanja mreža za predviđanje snježnih lavina. Rad je kombinirao statističke modele ARIMA s ponavljajućim neuralnim mrežama koje su samostalno odabrale i optimizirale parametre. Ovo istraživanje je uvelo novu metodu treninga djelomično nadzirane neuralne mreže i kategorijskog kodiranja parametara, što je položilo temelj za moj dugoročni interes za kombiniranjem klasičnog statističkog modeliranja s adaptivnim AI sustavima. Ovo iskustvo oblikovalo je moje dugoročno zanimanje za kombiniranje matematičkog modeliranja s adaptivnim sustavima učenja. Danas vodim platformu za strojno učenje na tvrtki Suki AI, usredotočujući se na velike medicinske AI sustave koji primjenjuju duboko učenje i razumijevanje prirodnog jezika kako bi pomogli klinici. Paralelno sam istraživao kvantne neuronske mreže (QNN), gdje se kvantni krugovi koriste za otkrivanje suptilnih biomedicinskih uzoraka. U jednom od mojih nedavnih projekata, primijenio sam kvantno-klasični hibridni model za identifikaciju Parkinsonove bolesti u ranoj fazi iz glasovnih podataka, postižući 99% dijagnostičku točnost, nadmašivši klasične modele kao što su Random Forests i Koji su neki od najvećih izazova ili ograničenja s kojima ste se susreli dok gradite s AI-om u vašem lokalnom ekosustavu (i kako radite oko njih)? Odgovorite što detaljnije (najmanje 3 - 5 rečenica) Odgovorite što detaljnije (najmanje 3 - 5 rečenica) U području Bay Area, najveći izazovi uključuju uravnoteženje skalabilnosti, troškova i preciznosti, dok se osigurava da AI sustavi ostanu sigurni i tumačivi. Healthcare AI dodaje dodatnu složenost, budući da modeli moraju održavati strogu usklađenost i pouzdanost pod stvarnom varijabilnošću. Kako bih riješio te izazove, dizajnirao sam modularne i tolerantne cijevi koje automatski prate kvalitetu podataka, preusmjeravaju modele prema potrebi i optimiziraju izvedbu.U paralelnom istraživanju istražujem kvantno inspirirane hibridne arhitekture za domene na kojima se klasična učenja nalaze, koristeći izražajnu snagu i robustnost kvantnih slojeva za modeliranje složenih bioloških i jezičnih podataka. Kako biste opisali AI ekosustav u kojem živite – u smislu talenta, zajednice, obrazovanja ili ulaganja? Posvetite barem jedan stavak svakom odgovoru. Posvetite barem jedan stavak svakom odgovoru. Iz moje perspektive, ono što čini Bay Area jedinstvenim je kako se ideje brzo kreću od istraživačkih radova do prototipova i startupa. Obrazovne zaklade iz Stanforda i Berkeleyja hrane stalan protok inovacija, dok programi zajednice kao što su inicijative partnera za dizajn AI tvrtke Google i istraživačke suradnje OpenAI potiču praktično eksperimentiranje. Ulagatelji su sve više usredotočeni na učinkovitost i specijalizaciju, financiranje rješenja kao što su domene prilagođene zdravstvene skrbi LLM i troškovno optimizirane sustave zaključivanja. Koji su alati, okviri ili modeli bili najkorisniji u vašem radu – i zašto odgovaraju vašem pristupu? Odgovorite što detaljnije (najmanje 3 - 5 rečenica) Odgovorite što detaljnije (najmanje 3 - 5 rečenica) Moj osnovni ekosustav uključuje TensorFlow, PyTorch i Google Vertex AI za orkestriranje, u kombinaciji s AI / ML ubrzavačima različitih arhitekture. Za govorne i jezične zadatke, koristim OpenAI Whisper i Google Gemini za izgradnju skalabilnih, multimodalnih plinovoda.Ovi alati su u skladu s mojim pristupom brzom eksperimentiranju uz održavanje reproduktivnih i proizvodnih ML plinovoda. Iznad klasičnih ML okvira, istražujem kvantno unaprijeđene arhitekture usmjerene na rješavanje problema koji zahtijevaju predstavljanja višeg reda, kao što je detekcija biomedicinskih uzoraka. Integriram hibridne modele koji kombiniraju klasične neuronske kontrolere s kvantnim krugovima sposobnim za učenje zapletenih predstavljanja. Mreža kontrolera uči kako pripremiti podatke za kvantno kodiranje, dok kvantni sloj izvlači visokim dimenzionalnim odnosima koje klasični modeli često propuste. Gledajući naprijed, što vas najviše uzbuđuje o budućnosti umjetne inteligencije – i koji savjet biste dali programerima koji tek počinju svoje putovanje? Odgovorite što detaljnije (najmanje 3 - 5 rečenica) Odgovorite što detaljnije (najmanje 3 - 5 rečenica) Budućnost umjetne inteligencije leži u prekograničnoj fuziji, gdje se kvantno računanje, simboličko razmatranje i generativna inteligencija zbližavaju.Posebno sam uzbuđen kvantnim poboljšanim učenjem, područjem koje istražujem kroz hibridne kvantne neuronske mreže koje mogu upravljati neizvjesnošću, buka i složenim korelacijama u biomedicinskim podacima.Ovi sustavi mogli bi omogućiti nove dijagnostičke alate, adaptivne asistente i modele koji razlože s fizičkim i informacijskim ograničenjima. Iz mog iskustva s vođenjem velikih ML platformi, otkrila sam da programeri koji počinju ovladavanjem osnovama matematike, statistike i podatkovnih struktura stvaraju mnogo jaču intuiciju prije korištenja visokih okvira. usredotočiti se na razumijevanje kako modeli uče, kako kvaliteta podataka oblikuje rezultate i kako reproduktivnost gradi povjerenje.
