Все любят хорошие истории происхождения, не так ли? Мы хотим поделиться своими.

Шумный, переполненный бар в отеле Ace в Нью-Йорке не является типичным местом для демонстрации технологий, но это было первое место, где кто-либо увидел CraneAi, искусственный интеллект, создающий программное обеспечение. Среди шума и льющихся напитков Томер Дивирл вытащил ноутбук, чтобы показать, как работает Крейн. Его аудитория, потенциальный инвестор, явно была больше заинтересована в том, чтобы выпить напоследок и отправиться в путь. Тем временем Райан Хикман надеялся, что новые функции, которые он добавил вчера вечером, будут работать так, как он предполагал.

Томер сказал Крейну: «Я хочу создать приложение, подобное Instagram».

То, что произошло в следующие 17 минут, казалось волшебством. Это был первый раз, когда Райан и Томер смогли показать, как все компоненты машины работают вместе. Трое из них - два соучредителя и инвестор, которого они добивались, - наблюдали, как машина заглянула в свою собственную память, вытащила разные снимки экрана из Instagram, проанализировала снимки экрана и затем создала реальный код. Когда процесс был завершен, Райан загрузил код Swift и открыл его в средстве разработки Apple. Это. Было. На.

Это была первая неделя февраля 2017 года. Восемь недель спустя, в результате демонстрации этого бара, соучредители Crane проводили аналогичную презентацию на мероприятии по семейному офису, организованном GV (ранее Google Ventures). Четыреста человек пришли за четыре дня.

Это был вихрь, и все началось с бизнес-проблемы, которую необходимо было решить.

Многие из нас знают, насколько болезненной может быть разработка программного обеспечения как для разработчиков, так и для клиентов. Неясные или неполные спецификации приводят к срыву сроков и перерасходу бюджета. Томер и Райан, соучредители CraneAi, поняли, что они могут изменить процесс разработки с помощью машинного обучения, и были совершенно уверены, что наткнулись на что-то серьезное.

К июню команда Crane выросла до 18 человек. Интеллект Крейна был разработан для получения и уточнения требований клиентов с помощью механизма обработки естественного языка, затем для составления графика проекта, разработки более половины кода и, наконец, для предоставления определений, документации и бэклога, чтобы люди-разработчики могли завершить проект. И все это можно было бы сделать менее чем за две недели, если бы машина могла тренироваться достаточно быстро… большой IF.

Узким местом стал процесс обучения машины.

Крейн использует активное обучение для обучения, в котором используются лучшие методики обучения без учителя и с учителем. Для конкретного клиентского проекта Крейн просматривает предыдущие знания, а затем при необходимости запрашивает дополнительную информацию. Еще в июне, когда ИИ потребовалась новая информация, альтернативы для быстрого получения маркированных данных были не лучшим вариантом. Большие ранее существовавшие наборы данных были слишком обобщенными и не всегда применимы к конкретному приложению. Возможность оставить в штате команду обученных специалистов по маркировке данных, чтобы гарантировать, что наборы данных были достаточно конкретными, не будет рентабельной и займет слишком много времени. Эту проблему необходимо было решить, если мы собирались уложиться в сроки разработки программного обеспечения с высокой степенью сжатия, требуемые от Crane.

Работа над этой проблемой привела к нашему первому прорыву: активное обучение встречается с навешиванием ярлыков на пользователей

Райан и команда разработчиков выяснили, что по мере того, как разведка тренируется и понимает, что ему нужна новая информация в виде помеченных данных, он может задать двоичный вопрос типа «да / нет», на который практически любой сможет ответить (подумайте: «Это« отправка ») кнопка?"). Запрашивая тысячи ответов на один и тот же вопрос у тысяч людей, Крейн мог быстро создавать более точные модели. Объединение активного обучения с крауд-метками позволит создавать высококвалифицированные наборы данных быстрее, дешевле и по запросу. FTW.

Есть еще несколько компаний, использующих толпу для разметки данных по-разному. Для нас крауд-лейбл был только началом. Возможность децентрализовать маркировку привела к новым направлениям исследований:

  • Если толпы уменьшили затраты времени и денег, необходимых для маркировки данных, как насчет других важных входов для обучения ИИ?
  • Что будет означать децентрализация хранения наборов данных и вычислительной мощности, необходимой для запуска обучающих моделей?
  • Что произойдет, если мы создадим экосистему, которая предоставит большему количеству игроков более широкий доступ к критически важным ресурсам для разработки ИИ?
  • Как мы сможем обеспечить безопасность и проверку, чтобы гарантировать качественные результаты?

У нас было много вопросов, и блокчейн был ответом.

Когда мы поняли, что можем использовать технологию блокчейн для обеспечения безопасной инфраструктуры, которая позволяет нам полностью децентрализовать обучение ИИ, на ум пришло только одно слово: Epic. Итак, мы взяли это на себя. Мы строим первую открытую децентрализованную сеть разработки ИИ на блокчейне. Мы создали протокол транзакций для искусственного интеллекта (TPAI) для управления транзакциями в сети и сделали его открытым исходным кодом, чтобы развивать активность с большим количеством людей и компаний. Теперь мы выпускаем токен TPAI, служебный токен, который служит механизмом для участников этой растущей экосистемы для обмена продуктами и услугами.

Возможно, наша история происхождения не совсем похожа на Брюс Уэйн становится Бэтменом, но мы очень рады этому. Если вы тоже, посетите нас на www.trane.ai, чтобы узнать, как вы можете присоединиться к нашей миссии по предоставлению каждому доступа к инновациям в области искусственного интеллекта.