Будучи студентами Медиа-лаборатории в 2010 году, Картик Динакар С.М. ’12, доктор философии ’17 и Бираго Джонс С.М. ’12 объединились для классного проекта по созданию инструмента, который поможет командам модерации контента в таких компаниях, как Twitter (теперь X) и YouTube. Проект вызвал огромный ажиотаж, и исследователей пригласили провести демонстрацию на саммите по киберзапугиванию в Белом доме — им просто нужно было заставить эту штуку работать.
За день до мероприятия в Белом доме Динакар часами пытался собрать рабочую демо-версию, которая могла бы идентифицировать тревожные сообщения в Твиттере. Около 23:00 он позвонил Джонсу и сказал, что сдается.
Тогда Джонс решил посмотреть на данные. Оказалось, что модель Динакара помечала правильные типы сообщений, но на плакатах использовались термины подросткового сленга и другие косвенные выражения, которые Динакар не уловил. Проблема была не в модели; это был разрыв между Динакаром и подростками, которым он пытался помочь.
«Тогда, прямо перед тем, как мы добрались до Белого дома, мы поняли, что люди, создающие эти модели, не должны быть просто инженерами по машинному обучению», — говорит Динакар. «Это должны быть люди, которые лучше всего понимают свои данные».
Это понимание побудило исследователей разработать инструменты «укажи и щелкни», которые позволяют неспециалистам создавать модели машинного обучения. Эти инструменты стали основой для Pienso, которая сегодня помогает людям создавать большие языковые модели для обнаружения дезинформации, торговли людьми, продажи оружия и многого другого, без написания какого-либо кода.
«Подобные приложения важны для нас, потому что наши корни лежат в киберзапугивании и понимании того, как использовать ИИ для вещей, которые действительно помогают человечеству», — говорит Джонс.
Что касается ранней версии системы, показанной в Белом доме, основатели в конечном итоге начали сотрудничать со студентами близлежащих школ в Кембридже, штат Массачусетс, чтобы позволить им обучать модели.
«Модели, которые обучали эти дети, были намного лучше и детальнее всего, что я когда-либо мог придумать», — говорит Динакар. «У нас с Бираго было такое громкое «Ага!» момент, когда мы поняли, что расширение прав и возможностей экспертов в предметной области — что отличается от демократизации ИИ — было лучшим путем вперед».
Проект с целью
Джонс и Динакар познакомились, будучи аспирантами исследовательской группы программных агентов Медиа-лаборатории Массачусетского технологического института. Их работа над тем, что стало Pienso, началась на курсе 6.864 (Обработка естественного языка) и продолжалась до тех пор, пока они не получили степень магистра в 2012 году.
Оказалось, что 2010 год был не последним разом, когда основателей приглашали в Белый дом для демонстрации своего проекта. Работа вызвала большой энтузиазм, но основатели работали над Pienso неполный рабочий день до 2016 года, когда Динакар защитил докторскую диссертацию в Массачусетском технологическом институте, и популярность глубокого обучения начала стремительно расти.
«Мы по-прежнему поддерживаем связь со многими людьми в кампусе», — говорит Динакар. «То, что мы получили в Массачусетском технологическом институте (объединение человеческого и компьютерного интерфейсов), расширило наше понимание. Наша философия в Pienso не была бы возможна без оживления кампуса Массачусетского технологического института».
Основатели также отдают должное Программе промышленных связей Массачусетского технологического института (ILP) и Startup Accelerator (STEX) за то, что они связали их с первыми партнерами.
Одним из первых партнеров была SkyUK. Команда по работе с клиентами компании использовала Pienso для создания моделей, позволяющих понять наиболее распространенные проблемы своих клиентов. Сегодня эти модели помогают обрабатывать полмиллиона звонков клиентов в день, и основатели говорят, что на сегодняшний день они сэкономили компании более 7 миллионов фунтов стерлингов за счет сокращения продолжительности звонков в колл-центр компании.
«Разница между демократизацией ИИ и расширением прав и возможностей людей с помощью ИИ сводится к тому, кто лучше всего понимает данные — вы, или врач, или журналист, или кто-то, кто работает с клиентами каждый день?» говорит Джонс. «Это люди, которые должны создавать модели. Именно так вы получаете ценную информацию из своих данных».
В 2020 году, когда в США началась вспышка Covid-19, правительственные чиновники связались с основателями, чтобы использовать их инструмент для лучшего понимания возникающей болезни. Пиенсо помог экспертам в области вирусологии и инфекционных заболеваний создать модели машинного обучения для анализа тысяч исследовательских статей о коронавирусах. Динакар говорит, что позже они узнали, что эта работа помогла правительству выявить и укрепить критически важные цепочки поставок лекарств, включая популярный противовирусный препарат ремдесивир.
«Эти соединения были обнаружены командой, которая не знала глубокого обучения, но смогла использовать нашу платформу», — говорит Динакар.
Построение лучшего будущего искусственного интеллекта
Поскольку Pienso может работать на внутренних серверах и в облачной инфраструктуре, основатели говорят, что это предлагает альтернативу для предприятий, вынужденных жертвовать свои данные, используя услуги, предлагаемые другими компаниями, занимающимися искусственным интеллектом.
«Интерфейс Pienso представляет собой серию веб-приложений, объединенных вместе», — объясняет Динакар. «Вы можете думать об этом как об Adobe Photoshop для больших языковых моделей, но в Интернете. Вы можете указать и импортировать данные, не написав ни строчки кода. Вы можете уточнить данные, подготовить их к глубокому обучению, проанализировать, придать им структуру, если они не помечены и не аннотированы, и вы можете уйти с точно настроенной большой языковой моделью за 25 минут».
Ранее в этом году Pienso объявила о партнерстве с GraphCore, которое предоставит более быструю и эффективную вычислительную платформу для машинного обучения. Основатели говорят, что партнерство еще больше снизит барьеры на пути использования ИИ за счет значительного сокращения задержек.
«Если вы создаете интерактивную платформу искусственного интеллекта, пользователи не будут пить чашку кофе каждый раз, когда нажимают кнопку», — говорит Динакар. «Он должен быть быстрым и отзывчивым».
Основатели считают, что их решение открывает будущее, в котором более эффективные модели ИИ будут разрабатываться для конкретных случаев использования людьми, наиболее знакомыми с проблемами, которые они пытаются решить.
«Ни одна модель не может сделать все», — говорит Динакар. «Приложения у всех разные, потребности разные, данные разные. Маловероятно, что одна модель сделает все за вас. Речь идет о том, чтобы объединить целый ряд моделей, позволить им сотрудничать друг с другом и организовать их таким образом, чтобы это имело смысл — и люди, которые занимаются этой оркестровкой, должны быть людьми, которые лучше всего понимают данные».