Добредојдовте во серијата интервјуа на HackerNoon Building with AI, каде што учиме како програмерите од целиот свет ги усвојуваат, обликуваат и експериментираат со вештачката интелигенција во нивните локални екосистеми. Добредојдовте на HackerNoon’s Серија интервјуа, каде што учиме како програмерите од целиот свет ги усвојуваат, обликуваат и експериментираат со АИ во нивните локални екосистеми. Building with AI Денес, разговараме со Вал Гарнага, Лидер @ на платформата Suki ML и Инженер на персоналот ML, кој работи на чело на вештачката интелигенција во областа на Заливот и Силиконската долина. Кажете ни ја приказната зад вашето патување во АИ - што прво ве привлече кон тоа, и што го инспирираше проектот што во моментов го градите? Одговори со што повеќе детали (најмалку 3 - 5 реченици) Одговори со што повеќе детали (најмалку 3 - 5 реченици) Моето патување кон АИ започна за време на моето докторско истражување во 2000 година, каде што развив хибриден статистички и невронски модел за предвидување на мрежата за да ги предвидам снежните лавини. Работата ги комбинираше статистичките модели на АРИМА со рекурентни невронски мрежи кои автономно ги избраа и оптимизираа параметрите. Ова искуство го обликуваше мојот долгорочен интерес за комбинирање на математичко моделирање со адаптивни системи за учење. Денес, ја водам платформата за машинско учење на Suki AI, фокусирајќи се на големи медицински ИИ системи кои применуваат длабоко учење и разбирање на природниот јазик за да им помогнат на клиничарите. Паралелно, истражував Квантни невронски мрежи (QNNs), каде што квантните кола се користат за откривање на суптилни биомедицински модели. Во еден од моите неодамнешни проекти, имплементирав квантен-класичен хибриден модел за да ја идентификувам болеста на Паркинсон од раните фази од податоците за говор, постигнувајќи 99% дијагностичка точност, надминувајќи ги класи Кои се некои од најголемите предизвици или ограничувања со кои сте се соочиле додека градите со АИ во вашиот локален екосистем (и како работите околу нив)? Одговори со што повеќе детали (најмалку 3 - 5 реченици) Одговори со што повеќе детали (најмалку 3 - 5 реченици) Во областа на Заливот, најголемите предизвици вклучуваат балансирање на скалабилност, трошоци и прецизност, додека обезбедувањето дека системите за вештачка интелигенција остануваат безбедни и интерпретируеми. Здравствената интелигенција додава понатамошна сложеност, бидејќи моделите мора да одржуваат строга усогласеност и доверба под реалниот свет варијабилност. За да ги решим овие предизвици, дизајнирав модуларни и толерантни на грешки цевки кои автоматски го следат квалитетот на податоците, ретренираат модели според потребите и го оптимизираат извршувањето.Во паралелни истражувања, ги истражувам квантните инспирирани хибридни архитектури за домени каде што класичното учење плоштади, искористувајќи ја експресивната моќ и робушност на квантните слоеви за моделирање на сложени биолошки и лингвистички податоци. Како би го опишале екосистемот на вештачка интелигенција во кој живеете – во смисла на талент, заедница, образование или инвестиции? Посветете барем еден параграф на секој одговор. Посветете барем еден параграф на секој одговор. Од моја перспектива, она што ја прави областа на заливот уникатна е тоа колку брзо идеите се движат од истражувачки документи до прототипи и стартапи. Образовните фондации од Стенфорд и Беркли го хранат постојан тек на иновации, додека програмите на заедницата како што се иницијативите за дизајн на партнери на Google за вештачка интелигенција и истражувачките соработки на OpenAI го поттикнуваат практичното експериментирање. Инвеститорите се повеќе се фокусираат на ефикасноста и специјализацијата, финансирање на решенија како што се доменски прилагодени здравствени LLMs и системи за оптимизирање на трошоците. Кои алатки, рамки или модели биле најкорисни во вашата работа - и зошто тие одговараат на вашиот пристап? Одговори со што повеќе детали (најмалку 3 - 5 реченици) Одговори со што повеќе детали (најмалку 3 - 5 реченици) Мојот основен екосистем вклучува TensorFlow, PyTorch и Google Vertex AI за оркестрација, во комбинација со AI / ML забрзувачи од различни архитектури. За говорни и јазични задачи, ги користам OpenAI Whisper и Google Gemini за да изградам скалабилни, мултимодални цевки. Покрај класичните ML рамки, ги истражувам квантните засилени архитектури насочени кон решавање на проблеми кои бараат претставувања со повисок редослед, како што е откривањето на биомедицински обрасци. Интегрирам хибридни модели кои ги комбинираат класичните невронски контролери со квантните кола способни да учат збунети претставувања. Мрежата на контролори учи да ги подготвува податоците за квантно кодирање, додека квантниот слој извлекува високи димензионални односи кои класичните модели често ги пропуштат. Гледајќи напред, што најмногу ве возбудува за иднината на вештачката интелигенција – и каков совет би им дал на програмерите штом ќе го започнат своето патување? Одговори со што повеќе детали (најмалку 3 - 5 реченици) Одговори со што повеќе детали (најмалку 3 - 5 реченици) Иднината на вештачката интелигенција лежи во крос-домен фузија, каде што квантните пресметки, симболичното размислување и генеративната интелигенција се конвергираат.Јас сум особено возбуден за квантното засилено учење, област што ја истражувам преку хибридни квантни невронски мрежи кои можат да управуваат со неизвесноста, бучавата и сложените корелации во биомедицинските податоци.Овие системи би можеле да овозможат нови дијагностички алатки, адаптивни асистенти и модели кои размислуваат со физички и информативни ограничувања. Од моето искуство во водењето на големи ML платформи, открив дека програмерите кои почнуваат со совладување на основите на математиката, статистиката и структурата на податоците градат многу посилна интуиција пред да користат рамки на високо ниво.