Interview with
Jeremy Howard
In questo podcast, riassumo per la prima volta un’intervista di Jeremy Howard, CEO e fondatore di Enlitic, la prima start-up che ha sfruttato il deep learning per classificare immagini mediche (radiografie, risonanze magnetiche, ecc…). Fondatore di fast.ai, presidente di Kaggle, distinto ricercatore dell’università di San Francisco e mille altre cose di cui non ricordo. Ho ascoltato molte delle sue interviste e da tutte traspare la sua visione pratica e imprenditoriale delle cose. Jeremy è famoso in tutto il mondo per avere creato l’API di alto livello per PyTorch chiamata FastAI. Tutti gli anni pubblica, sul sito fast.ai, un corso dove insegna tecniche di Deep Learning per ottenere risultati allo stato dell’arte. Molto consigliato, Jeremy in poche lezioni riesce a condividere concetti importanti e a passare la sua idea di un deep learning fatto di continui esperimenti e prove pratiche. Come per altri blog simili, riporto i pensieri e le risposte più interessanti affrontati in questa breve intervista.
- Jeremy ha iniziato a lavorare con le reti neurali negli anni ’90, ma in quegli anni decision trees e subito dopo random forest riuscivano ad ottenere risultati decisamente migliori.
- Ha sempre nutrito molto interesse per le reti neurali e la loro caratteristica di creare in modo automatico rappresentazioni per risolvere problemi. Creare rappresentazioni in modo manuale cercando le giuste non linearità da inserire e combinare non è, secondo Jeremy, qualcosa da creare in modo ottimale a mano.
- Aveva provato a inizio anni duemila a programmare le GPU per il calcolo in parallelo, ma la mancanza di una libreria come CUDA rendeva il loro utilizzo impraticabile.
- Quando Alex Krizhevsky, creatore di AlexNet (insieme naturalmente al magico Geoffrey Hinton) ha dimostrato nel 2012 come reti con diversi layer convoluzionali potessero essere efficacemente addestrate per mezzo di GPU, Jeremy aveva subito intuito come il deep learning da li a poco avrebbe pervaso tutti i settori.
- Per un anno intero ha ragionato su cosa fosse meglio applicare questa nuova tecnologia. Facendo un po’ di ricerca ha, poco per volta, realizzato come la mancanza di personale medico fosse un problema specialmente nei paesi in via di sviluppo. Per questo motivo ha creato Enlitic con l’obbiettivo di migliorare la diagnostica medica attraverso l’analisi automatica di immagini radiografiche.
- La sua dedizione e il suo background non accademico l’hanno portato a diventare uno dei migliori competitors della piattaforma Kaggle.
- Anche se non è molto bravo con la matematica si è presto reso conto del fatto che programmare significa semplicemente riformulare la matematica in un altro linguaggio. Pensare direttamente in linguaggio di programmazione gli permette di essere più veloce e di sperimentare facilmente le sue idee. Non bisogna sapere le lettere dell’alfabeto greco per diventare degli esperti di intelligenza artificiale.
- Secondo lui c’è troppo poco senso pratico dietro le ricerche accademiche; capire come utilizzare centinaia di GPU in parallelo non serve a niente. Piuttosto, ci dovrebbero essere più articoli su cosa è possibile fare con una sola GPU in un determinato tempo.
- Secondo lui il deep learning potrà essere impiegato in tanti contesti in quanti lo è internet.
- Ha creato fast.ai perché a suo parere, a risolvere i problemi, sono le persone dei specifici settori. Fast.ai può dare gli strumenti per raggiungere velocemente risultati allo stato dell’arte.di