Yonatan Geifman, uitvoerende hoof en medestigter van Deci – Interview Series

Yonatan Geifman is die uitvoerende hoof en mede-stigter van Hier wat KI-modelle in produksiegraadoplossings op enige hardeware omskep. Deci is erken as 'n Tech Innovator vir Edge AI deur Gartner en opgeneem in CB Insights se AI 100-lys. Sy eie tegnologie se prestasie het nuwe rekords by MLPerf met Intel opgestel.

Wat het jou aanvanklik tot masjienleer aangetrek?

Van kleins af was ek altyd gefassineer deur die nuutste tegnologieë – nie net om dit te gebruik nie, maar om werklik te verstaan ​​hoe dit werk.

Hierdie lewenslange fassinasie het die weg gebaan na my uiteindelike PhD-studie in rekenaarwetenskap waar my navorsing gefokus het op Deep Neural Networks (DNNs). Soos ek hierdie kritieke tegnologie in 'n akademiese omgewing begin verstaan ​​het, het ek die maniere waarop KI die wêreld om ons positief kan beïnvloed, werklik begin begryp. Van slim stede wat verkeer beter kan monitor en ongelukke kan verminder, tot outonome voertuie wat min tot geen menslike ingryping verg nie, tot lewensreddende mediese toestelle – daar is eindelose toepassings waar KI die samelewing kan verbeter. Ek het altyd geweet ek wil aan daardie revolusie deelneem.

Kan jy die ontstaansverhaal agter Deci AI deel?

Dit is nie moeilik om te erken – soos ek gedoen het toe ek op skool was vir my PhD – hoe voordelig KI in gebruiksgevalle oor die hele linie kan wees nie. Tog sukkel baie ondernemings om munt te slaan uit KI se volle potensiaal, aangesien ontwikkelaars voortdurend 'n opdraande stryd in die gesig staar om produksiegereed diepleermodelle vir ontplooiing te ontwikkel. Met ander woorde, dit bly baie moeilik om KI te produseer.

Hierdie uitdagings kan grootliks toegeskryf word aan die KI-doeltreffendheidgaping wat die bedryf in die gesig staar. Algoritmes word eksponensieel kragtiger en vereis meer rekenaarkrag, maar parallel moet hulle op 'n kostedoeltreffende manier ontplooi word, dikwels op hulpbronbeperkte randtoestelle.

My medestigters prof. Ran El-Yaniv, Jonathan Elial, en ek het Deci mede-stigter om daardie uitdaging aan te spreek. En ons het dit gedoen op die enigste manier wat ons moontlik gesien het – deur KI self te gebruik om die volgende generasie diep leer te skep. Ons het 'n algoritmiese-eerste-benadering omhels en gewerk om die doeltreffendheid van KI-algoritmes in die vroeëre stadiums te verbeter, wat op sy beurt ontwikkelaars sal bemagtig om modelle te bou en te werk met die hoogste vlakke van akkuraatheid en doeltreffendheid vir enige gegewe afleidingshardeware.

Diep leer is die kern van Deci AI, kan jy dit vir ons definieer?

Diep leer, soos masjienleer, is 'n subveld van KI wat 'n nuwe era van toepassings sal bemagtig. Diep leer is sterk geïnspireer deur hoe die menslike brein gestruktureer is, en daarom bespreek ons ​​"neurale netwerke" wanneer ons diep leer bespreek. Dit is uiters relevant vir randtoepassings (dink kameras in slim stede, sensors op outonome voertuie, analitiese oplossings in gesondheidsorg) waar diepte-leermodelle ter plaatse van kardinale belang is om sulke insigte in reële tyd te genereer.

Wat is neurale argitektuursoektog?

Neurale argitektuursoektog (NAS) is 'n tegnologiese dissipline wat daarop gemik is om beter diepleermodelle te verkry.

Google se baanbrekerswerk op NAS in 2017 het gehelp om die onderwerp in die hoofstroom te bring, ten minste binne navorsing en akademiese kringe.

Die doel van NAS is om die beste neurale netwerkargitektuur vir 'n gegewe probleem te vind. Dit outomatiseer die ontwerp van DNN's, wat hoër werkverrigting en laer verliese verseker as handontwerpte argitekture. Dit behels 'n proses waardeur 'n algoritme soek tussen 'n totale ruimte van miljoene beskikbare model arcuitecures, om 'n argitektuur te lewer wat uniek geskik is om daardie spesifieke probleem op te los. Om dit eenvoudig te stel, dit gebruik KI om nuwe KI te ontwerp, gebaseer op die spesifieke behoeftes van enige gegewe projek.

Dit word deur spanne gebruik om die ontwikkelingsproses te vereenvoudig, proef-en-fout-iterasies te verminder en te verseker hulle eindig met die uiteindelike model wat die toepassings se akkuraatheid en prestasieteikens die beste kan dien.

Wat is sommige van die beperkings van neurale argitektuursoektog?

Tradisionele NAS se hoofbeperkings is toeganklikheid en skaalbaarheid. NAS word vandag meestal in navorsingsinstellings gebruik en word gewoonlik net deur tegnologiereuse soos Google en Facebook uitgevoer, of by akademiese institute soos Stanford, aangesien tradisionele NAS-tegnieke ingewikkeld is om uit te voer en baie rekenaarhulpbronne vereis.

Daarom is ek so trots op ons prestasies in die ontwikkeling van Deci se baanbrekende AutoNAC (Automated Neural Architecture Construction)-tegnologie, wat NAS demokratiseer en maatskappye van alle groottes in staat stel om maklik pasgemaakte model-argitekture te bou met beter as die nuutste akkuraatheid en spoed vir hul toepassings.

Hoe verskil die opsporing van beswaar op grond van beeldtipe?

Verbasend genoeg beïnvloed die domein van die beelde nie die opleidingsproses van objek-opsporingsmodelle dramaties nie. Of jy nou op soek is na 'n voetganger op straat, 'n gewas in 'n mediese skandering, of 'n versteekte wapen in 'n x-straalbeeld wat deur lughawe-sekuriteit geneem is, die proses is omtrent dieselfde. Die data wat jy gebruik om jou model op te lei, moet verteenwoordigend wees van die taak op hande, en die modelgrootte en struktuur kan beïnvloed word deur die grootte, vorm en kompleksiteit van die voorwerpe in jou beeld.

Hoe bied Deci AI 'n end-tot-end platform vir diep leer?

Deci se platform bemagtig ontwikkelaars om akkurate en vinnige diepleermodelle na produksie te bou, op te lei en te implementeer. Deur dit te doen, kan spanne die nuutste navorsings- en ingenieurspraktyke met een reël kode benut, die tyd tot mark vir maande tot 'n paar weke verkort en sukses in produksie waarborg.

Jy het aanvanklik met 'n span van 6 mense begin, en jy bedien nou groot ondernemings. Kan jy die groei van die maatskappy bespreek, en sommige van die uitdagings wat jy in die gesig gestaar het?

Ons is verheug oor die groei wat ons bereik het sedert ons in 2019 begin het. Nou, meer as 50 werknemers, en tot dusver meer as $55 miljoen in befondsing, is ons vol vertroue dat ons kan voortgaan om ontwikkelaars te help om KI se ware potensiaal te besef en daarvolgens op te tree. Sedert die bekendstelling, is ons ingesluit by CB Insights se AI 100, baanbrekende prestasies behaal, soos ons familie van modelle wat deurbraak lewer diep leerprestasie op SVE's, en het betekenisvolle samewerking gestol, insluitend met groot name soos Intel.

Is daar enigiets anders wat jy oor Deci AI wil deel?

Soos ek voorheen genoem het, veroorsaak die KI-doeltreffendheidgaping steeds groot struikelblokke vir KI-produksie. "Skuif links" – rekening hou met produksiebeperkings vroeg in die ontwikkelingslewensiklus, verminder die tyd en koste wat spandeer word om potensiële struikelblokke op te los wanneer diepleermodelle in produksie in die toekoms ontplooi word. Ons platform het bewys dat ons dit kan doen deur maatskappye te voorsien van die gereedskap wat nodig is om wêreldveranderende KI-oplossings suksesvol te ontwikkel en te implementeer.

Ons doelwit is eenvoudig – maak KI wyd toeganklik, bekostigbaar en skaalbaar.

Dankie vir die puik onderhoud, lesers wat meer wil leer moet besoek aflê Hier.