[ad_1]
Como estudiantes de Media Lab en 2010, Karthik Dinakar SM ’12, PhD ’17 y Birago Jones SM ’12 se unieron para un proyecto de clase para desarrollar una herramienta que ayudaría a los equipos de moderación de contenido en empresas como Twitter (ahora X) y YouTube. . El proyecto causó un gran revuelo y los investigadores fueron invitados a una demostración en una cumbre sobre ciberacoso en la Casa Blanca; sólo tenían que hacerlo funcionar.
El día antes del evento en la Casa Blanca, Dinakar pasó horas preparando una demostración funcional que podría identificar publicaciones preocupantes en Twitter. Alrededor de las 11 p. m., llamó a Jones y le dijo que se daba por vencido.
Entonces Jones decidió mirar los datos. Resultó que el modelo de Dinakar marcó los tipos correctos de publicaciones, pero los carteles usaban términos de jerga adolescente y otras expresiones indirectas que Dinakar no entendía. El problema no era el modelo; Era la desconexión entre Dinakar y los adolescentes a los que quería ayudar.
«Poco antes de llegar a la Casa Blanca, nos dimos cuenta de que las personas que construyen estos modelos no deberían ser sólo ingenieros de aprendizaje automático», dice Dinakar. «Deberían ser las personas las que mejor comprendan sus datos».
Los hallazgos llevaron a los investigadores a desarrollar herramientas de apuntar y hacer clic que permiten a los no expertos crear modelos de aprendizaje automático. Estas herramientas se convirtieron en la base de Pienso, que hoy ayuda a las personas a crear modelos de lenguaje enriquecidos para detectar información errónea, trata de personas, venta de armas y más sin tener que escribir código.
«Aplicaciones como esta son importantes para nosotros porque nuestras raíces se encuentran en el ciberacoso y en la comprensión de cómo utilizar la IA para hacer cosas que realmente ayuden a la humanidad», dice Jones.
En cuanto a la primera versión del sistema mostrada en la Casa Blanca, los fundadores finalmente trabajaron con estudiantes de escuelas cercanas en Cambridge, Massachusetts, para que entrenaran los modelos.
«Los modelos que estos niños entrenaron fueron mucho mejores y con más matices de lo que jamás hubiera imaginado», dice Dinakar. «Birago y yo tuvimos este gran ‘¡Ajá!’ En el momento en que nos dimos cuenta de que empoderar a los expertos en la materia (lo cual es diferente de democratizar la IA) era el mejor camino a seguir”.
Un proyecto con significado
Jones y Dinakar se conocieron cuando eran estudiantes de posgrado en el grupo de investigación de Agentes de Software del MIT Media Lab. Su trabajo en lo que se convirtió en Pienso comenzó en el curso 6.864 (Procesamiento del Lenguaje Natural) y continuó hasta su maestría en 2012.
Resulta que 2010 no fue la última vez que los fundadores fueron invitados a la Casa Blanca para demostrar su proyecto. El trabajo generó gran entusiasmo, pero los fundadores trabajaron en Pienso a tiempo parcial hasta que Dinakar completó su doctorado en el MIT en 2016 y el aprendizaje profundo se volvió cada vez más popular.
«Todavía estamos conectados con mucha gente en el campus», dice Dinakar. “La experiencia que tuvimos en el MIT, fusionando interfaces humanas y informáticas, amplió nuestro conocimiento. Nuestra filosofía en Pienso no sería posible sin la vitalidad del campus del MIT”.
Los fundadores también agradecen al Programa de Enlace Industrial (ILP) del MIT y al Startup Accelerator (STEX) por conectarlos con los primeros socios.
Uno de los primeros socios fue SkyUK. El equipo de éxito del cliente de la empresa utilizó Pienso para crear modelos para comprender los problemas más comunes de sus clientes. Hoy en día, estos modelos ayudan a gestionar medio millón de llamadas de clientes cada día, y los fundadores dicen que han ahorrado a la empresa más de £7 millones hasta la fecha al reducir la duración de las llamadas en el centro de llamadas de la empresa.
“«La diferencia entre democratizar la IA y empoderar a las personas con IA es» ¿quién comprende mejor los datos: usted, un médico, un periodista o alguien que trabaja con clientes todos los días? «, dice Jones. “Estas son las personas que deberían crear los modelos. Así es como obtienes información a partir de tus datos”.
En 2020, justo cuando comenzaron los brotes de Covid-19 en EE. UU., los funcionarios del gobierno se pusieron en contacto con los fundadores para utilizar su herramienta para comprender mejor la enfermedad emergente. Pienso ayudó a expertos en virología y enfermedades infecciosas a configurar modelos de aprendizaje automático para analizar miles de artículos de investigación sobre coronavirus. Dinakar dijo que más tarde se enteraron de que el trabajo del gobierno ayudó a identificar y fortalecer cadenas de suministro críticas de medicamentos, incluido el popular antiviral remdesivir.
«Estas conexiones fueron descubiertas por un equipo que no estaba familiarizado con el aprendizaje profundo pero que podía utilizar nuestra plataforma», afirma Dinakar.
Construyendo un futuro mejor para la IA
Dado que Pienso puede ejecutarse en servidores internos e infraestructura de nube, los fundadores dicen que ofrece una alternativa para las empresas obligadas a donar sus datos mediante el uso de servicios de otras empresas de inteligencia artificial.
«La interfaz de Pienso es una serie de aplicaciones web unidas», explica Dinakar. “Piense en ello como Adobe Photoshop para modelos de lenguaje grandes, pero en la web. Puede ver e importar datos sin escribir una línea de código. Puede refinar los datos, prepararlos para el aprendizaje profundo, analizarlos, darles estructura si no están etiquetados o anotados, y puede obtener un modelo de lenguaje rico y perfeccionado en 25 minutos”.
A principios de este año, Pienso anunció una asociación con GraphCore, proporcionando una plataforma informática más rápida y eficiente para el aprendizaje automático. Los fundadores dicen que la asociación reducirá aún más las barreras para el despliegue de IA al reducir drásticamente la latencia.
«Si construyes una plataforma interactiva de IA, los usuarios no beberán una taza de café cada vez que hagan clic en un botón», dice Dinakar. «Tiene que ser rápido y receptivo».
Los fundadores creen que su solución permite un futuro en el que las personas más familiarizadas con los problemas que intentan resolver desarrollarán modelos de IA más eficaces para casos de uso específicos.
«Ningún modelo puede hacerlo todo», afirma Dinakar. “Cada uno tiene una aplicación diferente, sus requisitos son diferentes, sus datos son diferentes. Es muy poco probable que un modelo haga todo por usted. Se trata de reunir un conjunto de modelos y darles la capacidad de trabajar juntos y orquestarlos de una manera que tenga sentido, y las personas que hacen esa orquestación deben ser las que mejor comprendan los datos”.
[ad_2]