Vitajte v sérii rozhovorov HackerNoon Building with AI, kde sa dozvieme, ako vývojári po celom svete prijímajú, formujú a experimentujú s AI vo svojich miestnych ekosystémoch. Vitajte na HackerNoon's Séria rozhovorov, kde sa dozvieme, ako vývojári po celom svete prijímajú, formujú a experimentujú s AI vo svojich miestnych ekosystémoch. Building with AI Dnes hovoríme s Valom Garnagom, vedúcim platformy Suki ML a inžinierom ML, ktorý pracuje v popredí AI v oblasti zálivu a Silicon Valley. Povedzte nám príbeh o vašej ceste do AI – čo vás k nej najprv priviedlo a čo inšpirovalo projekt, ktorý momentálne budujete? Odpovedať čo najpodrobnejšie (minimálne 3 - 5 vety) Odpovedať čo najpodrobnejšie (minimálne 3 - 5 vety) Moja cesta do umelej inteligencie začala počas môjho doktorandského výskumu v roku 2000, kde som vyvinul hybridný štatistický a neuralnetový predikčný model na predpovedanie snehových lavín.Práca kombinovala štatistické modely ARIMA s recidivujúcimi neurálnymi sieťami, ktoré vyberali a optimalizovali parametre autonómne.Tento výskum zaviedol novú metódu čiastočne dohliadaného neuralnetového výcviku a kategorického kódovania parametrov, čo položilo základ môjho dlhodobého záujmu o kombináciu klasického štatistického modelovania s adaptívnymi systémami AI. Táto skúsenosť formovala môj dlhodobý záujem o kombináciu matematického modelovania s adaptívnymi vzdelávacími systémami. Dnes som viedol platformu strojového učenia v spoločnosti Suki AI, ktorá sa zameriava na rozsiahle zdravotnícke systémy AI, ktoré aplikujú hlboké učenie a pochopenie prirodzeného jazyka na pomoc lekárom. Paralelne som skúmal kvantové neurálne siete (QNN), kde sa kvantové obvody používajú na detekciu jemných biomedicínskych vzorov. V jednom z mojich nedávnych projektov som implementoval kvantovo-klasický hybridný model na identifikáciu Parkinsonovej choroby v počiatočnom štádiu z hlasových údajov, dosiahol 99% diagnostickú presnosť, ktorý prevyšuje klasické modely, ako sú Random Forests a štandardné neurálne siete Aké sú niektoré z najväčších výziev alebo obmedzení, ktorým ste čelili pri budovaní s AI vo vašom miestnom ekosystéme (a ako na nich pracujete)? Odpovedať čo najpodrobnejšie (minimálne 3 - 5 vety) Odpovedať čo najpodrobnejšie (minimálne 3 - 5 vety) V oblasti zálivu najväčšie výzvy zahŕňajú vyváženie škálovateľnosti, nákladov a presnosti a zároveň zabezpečenie toho, aby systémy AI zostali bezpečné a interpretovateľné. Zdravotnícka inteligencia pridáva ďalšiu zložitosť, pretože modely musia udržiavať prísnu súlad a spoľahlivosť pod reálnou variabilitou. Prechod z systémov založených na GPU na špecializované urýchľovače AI založené na ASIC, ako sú TPU, si vyžaduje prehodnotenie tréningovej orchestrácie a rozsiahlej optimalizácie. Na vyriešenie týchto výziev som navrhol modulárne potrubia s toleranciou chýb, ktoré automaticky monitorujú kvalitu údajov, podľa potreby upravujú modely a optimalizujú vykonávanie.V paralelnom výskume som skúmal kvantovo inšpirované hybridné architektúry pre domény, kde klasické učenie plošiny, s využitím expresívnej sily a robustnosti kvantových vrstiev na modelovanie komplexných biologických a jazykových údajov. Ako by ste opísali ekosystém AI, v ktorom žijete – z hľadiska talentu, komunity, vzdelania alebo investícií? Na každú odpoveď pridajte aspoň jeden odsek. Na každú odpoveď pridajte aspoň jeden odsek. Z môjho pohľadu to, čo robí zálivovú oblasť jedinečnou, je to, ako rýchlo sa myšlienky presúvajú z výskumných prác na prototypy a začínajúce spoločnosti. spája vedcov, inžinierov a podnikateľov, ktorí neustále posúvajú hranice a zdieľajú výskum v akademickej sfére a priemysle. Vzdelávacie nadácie zo Stanfordu a Berkeley podporujú neustály tok inovácií, zatiaľ čo komunitné programy, ako sú iniciatívy partnerov spoločnosti Google v oblasti dizajnu umelej inteligencie a výskumné spolupráce OpenAI, podporujú praktické experimentovanie. Investori sa čoraz viac zameriavajú na efektívnosť a špecializáciu, financovanie riešení, ako sú doménové zdravotnícke LLM a systémy nákladovo optimalizovaných záverov.Toto prostredie spolupráce neustále vyzýva a inšpiruje moju vlastnú prácu, najmä pri preklade výskumu do systémov zdravotnej inteligencie na úrovni výroby. Ktoré nástroje, rámce alebo modely boli vo vašej práci najužitočnejšie – a prečo sa hodia do vášho prístupu? Odpovedať čo najpodrobnejšie (minimálne 3 - 5 vety) Odpovedať čo najpodrobnejšie (minimálne 3 - 5 vety) Môj základný ekosystém zahŕňa TensorFlow, PyTorch a Google Vertex AI pre orchestráciu, spárovaný s urýchľovačmi AI / ML rôznych architektúr. Pre rečové a jazykové úlohy používam OpenAI Whisper a Google Gemini na vytvorenie škálovateľných, multimodálnych potrubí. Tieto nástroje sú v súlade s mojím prístupom k rýchlemu experimentovaniu pri zachovaní reprodukovateľných a výrobných ML potrubí. Okrem klasických rámcov ML skúmam kvantovo vylepšené architektúry zamerané na riešenie problémov, ktoré si vyžadujú vyššie poradie reprezentácií, ako je detekcia biomedicínskych vzorov. Integrujem hybridné modely, ktoré kombinujú klasické neurónové regulátory s kvantovými obvodmi schopnými učiť sa prepojené reprezentácie. Sieť regulátorov sa učí pripravovať dáta na kvantové kódovanie, zatiaľ čo kvantová vrstva extrahuje vysokodimenzionálne vzťahy, ktoré klasické modely často chýbajú.Spoločne tieto hybridné systémy rozširujú expresívnu silu hlbokého učenia tým, že integrujú kvantové princípy, ktoré zlepšujú generalizáciu a citlivosť na jemné dátové vzory. Pri pohľade do budúcnosti, čo vás najviac vzrušuje o budúcnosti AI – a akú radu by ste dali vývojárom, ktorí práve začínajú svoju cestu? Odpovedať čo najpodrobnejšie (minimálne 3 - 5 vety) Odpovedať čo najpodrobnejšie (minimálne 3 - 5 vety) Budúcnosť umelej inteligencie spočíva v fúzii medzi doménami, kde sa kvantové výpočty, symbolické uvažovanie a generatívna inteligencia zbiehajú.Som obzvlášť nadšený kvantovo vylepšeným učením, oblasťou, ktorú preskúmam prostredníctvom hybridných kvantových neurónových sietí, ktoré môžu spravovať neistotu, hluk a komplexné korelácie v biomedicínskych údajoch.Tieto systémy by mohli umožniť nové diagnostické nástroje, adaptívne asistenty a modely, ktoré odôvodňujú s fyzickými aj informačnými obmedzeniami. Z mojich skúseností s vedením veľkých ML platforiem som zistil, že vývojári, ktorí začínajú zvládnutím základov matematiky, štatistiky a dátových štruktúr, budujú oveľa silnejšiu intuíciu pred použitím rámcov na vysokej úrovni.Zameriavajte sa na pochopenie toho, ako sa modely učia, ako kvalita údajov tvaruje výsledky a ako reprodukovateľnosť buduje dôveru.Najsilnejší odborníci na umelú inteligenciu sú tí, ktorí kombinujú analytickú prísnosť s kreativitou, vždy pripravení prispôsobiť sa vývoju technológie.
