Selamat datang di HackerNoon’s Building with AI interview series, di mana kami belajar bagaimana pengembang di seluruh dunia mengadopsi, membentuk, dan bereksperimen dengan AI di ekosistem lokal mereka. Selamat datang di HackerNoon’s Building with AI interview series, di mana kami belajar bagaimana pengembang di seluruh dunia mengadopsi, membentuk, dan bereksperimen dengan AI di ekosistem lokal mereka. Hari ini, kami berbicara dengan Val Garnaga, Lead @ Suki ML Platform dan Staff ML Engineer, yang bekerja di garis depan AI di Bay Area dan Silicon Valley. Beritahu kami kisah di balik perjalanan Anda ke AI - apa yang pertama kali menarik Anda ke sana, dan apa yang menginspirasi proyek yang Anda bangun saat ini? Jawab dengan detail sebanyak mungkin (setidaknya 3 - 5 kalimat) Jawab dengan detail sebanyak mungkin (setidaknya 3 - 5 kalimat) Perjalanan saya ke AI dimulai selama penelitian PhD saya pada tahun 2000, di mana saya mengembangkan model prediksi jaringan statistik dan neural hibrida untuk memprediksi lautan salju. Pekerjaan ini menggabungkan model statistik ARIMA dengan jaringan neural berulang yang memilih dan mengoptimalkan parameter secara otonom. penelitian ini memperkenalkan metode baru pelatihan jaringan neural yang sebagian diawasi dan pengkodean parameter kategori, yang meletakkan dasar untuk minat jangka panjang saya dalam menggabungkan pemodelan statistik klasik dengan sistem AI adaptif. Pengalaman ini membentuk minat jangka panjang saya dalam menggabungkan pemodelan matematika dengan sistem pembelajaran adaptif. Hari ini, saya memimpin Platform Pembelajaran Mesin di Suki AI, berfokus pada sistem AI medis skala besar yang menerapkan pembelajaran mendalam dan pemahaman bahasa alami untuk membantu dokter. Secara paralel, saya telah mengeksplorasi Jaringan Neural Kuantum (QNNs), di mana sirkuit kuantum digunakan untuk mendeteksi pola biomedis yang halus. Dalam salah satu proyek terbaru saya, saya menerapkan model hibrida kuantum-klasik untuk mengidentifikasi penyakit Parkinson tahap awal dari data suara, mencapai akurasi diagnostik 99%, melampaui model klasik seperti Random Forests dan jaringan neural standar. Penelitian ini menandai langkah menuju integrasi komputasi, biologi, dan teori kuantum mendorong batas-batas AI medis. Apa beberapa tantangan atau batasan terbesar yang Anda hadapi saat membangun dengan AI di ekosistem lokal Anda (dan bagaimana Anda bekerja di sekitarnya)? Jawab dengan detail sebanyak mungkin (setidaknya 3 - 5 kalimat) Jawab dengan detail sebanyak mungkin (setidaknya 3 - 5 kalimat) Di Area Teluk, tantangan terbesar termasuk menyeimbangkan skalabilitas, biaya, dan presisi sambil memastikan bahwa sistem AI tetap aman dan dapat ditafsirkan. Kesehatan AI menambahkan kompleksitas lebih lanjut, karena model harus mempertahankan kepatuhan dan keandalan yang ketat di bawah variabilitas dunia nyata. Untuk memecahkan tantangan ini, saya merancang pipa modular dan toleran terhadap kesalahan yang secara otomatis memantau kualitas data, mengatur ulang model sesuai kebutuhan, dan mengoptimalkan eksekusi. dalam penelitian paralel, saya mengeksplorasi arsitektur hibrida yang terinspirasi kuantum untuk domain di mana platform pembelajaran klasik, memanfaatkan kekuatan ekspresif dan ketahanan lapisan kuantum untuk memodelkan data biologis dan linguistik yang kompleks. Bagaimana Anda akan menggambarkan ekosistem AI di mana Anda tinggal - dalam hal bakat, komunitas, pendidikan, atau investasi? Berikan setidaknya satu paragraf untuk setiap jawaban. Berikan setidaknya satu paragraf untuk setiap jawaban. Dari sudut pandang saya, apa yang membuat Bay Area unik adalah seberapa cepat ide-ide bergerak dari makalah penelitian ke prototipe dan start-up. Yayasan pendidikan dari Stanford dan Berkeley memberi makan aliran inovasi yang konstan, sementara program komunitas seperti inisiatif mitra desain AI Google dan kolaborasi penelitian OpenAI mendorong eksperimen praktis. Investor semakin fokus pada efisiensi dan spesialisasi, solusi pembiayaan seperti LLM perawatan kesehatan yang disesuaikan dengan domain dan sistem inferensi yang dioptimalkan biaya. lingkungan kolaboratif ini terus menantang dan menginspirasi pekerjaan saya sendiri, terutama dalam menerjemahkan penelitian ke sistem AI perawatan kesehatan kelas produksi. Alat, kerangka kerja, atau model apa yang paling berguna dalam pekerjaan Anda – dan mengapa mereka cocok dengan pendekatan Anda? Jawab dengan detail sebanyak mungkin (setidaknya 3 - 5 kalimat) Jawab dengan detail sebanyak mungkin (setidaknya 3 - 5 kalimat) Ekosistem inti saya termasuk TensorFlow, PyTorch, dan Google Vertex AI untuk orkestrasi, dikombinasikan dengan akselerator AI / ML dari berbagai arsitektur. Untuk tugas bicara dan bahasa, saya menggunakan OpenAI Whisper dan Google Gemini untuk membangun pipa multimodal yang dapat diperluas. alat-alat ini sejalan dengan pendekatan saya untuk bereksperimen dengan cepat sambil mempertahankan pipa ML yang dapat diulangi dan tingkat produksi. Di luar kerangka kerja ML klasik, saya mengeksplorasi arsitektur kuantum yang ditingkatkan yang bertujuan untuk memecahkan masalah yang membutuhkan representasi urutan tinggi, seperti deteksi pola biomedis. Saya mengintegrasikan model hibrida yang menggabungkan kontroler saraf klasik dengan sirkuit kuantum yang mampu mempelajari representasi yang membingungkan. Jaringan kontroler belajar untuk mempersiapkan data untuk pengkodean kuantum, sementara lapisan kuantum mengekstrak hubungan dimensi tinggi yang sering hilang dari model klasik. Melihat ke depan, apa yang paling menggairahkan Anda tentang masa depan AI – dan saran apa yang akan Anda berikan kepada pengembang yang baru memulai perjalanan mereka? Jawab dengan detail sebanyak mungkin (setidaknya 3 - 5 kalimat) Jawab dengan detail sebanyak mungkin (setidaknya 3 - 5 kalimat) Masa depan AI terletak dalam fusi cross-domain, di mana komputasi kuantum, pertimbangan simbolik, dan kecerdasan generatif menyatu.Saya sangat bersemangat tentang pembelajaran kuantum yang ditingkatkan, area yang saya jelajahi melalui jaringan saraf kuantum hibrida yang dapat mengelola ketidakpastian, kebisingan, dan korelasi kompleks dalam data biomedis. Dari pengalaman saya memimpin platform ML skala besar, saya telah menemukan bahwa pengembang yang memulai dengan menguasai dasar-dasar matematika, statistik, dan struktur data membangun intuisi yang jauh lebih kuat sebelum menggunakan kerangka kerja tingkat tinggi. berfokus pada memahami bagaimana model belajar, bagaimana kualitas data membentuk hasil, dan bagaimana reproductibility membangun kepercayaan. profesional AI terkuat adalah mereka yang menggabungkan keterikatan analitis dengan kreativitas, selalu siap untuk beradaptasi seiring perkembangan teknologi.