مقابلات
يشار بهزادي ، الرئيس التنفيذي لشركة Synthesis AI - سلسلة مقابلات
ياشار بهزادي دكتوراه هو الرئيس التنفيذي ومؤسس توليف AI. إنه رائد أعمال ذو خبرة قام ببناء أعمال تحويلية في أسواق الذكاء الاصطناعي والتكنولوجيا الطبية وإنترنت الأشياء. لقد أمضى السنوات الـ 14 الماضية في Silicon Valley في بناء وتوسيع شركات التكنولوجيا التي تركز على البيانات. يشار لديه أكثر من 30 براءة اختراع وبراءات اختراع معلقة ودكتوراه. من جامعة كاليفورنيا مع التركيز على النمذجة المكانية والزمانية لتصوير الدماغ الوظيفي.
توليف AI هي شركة ناشئة تعمل على التقاطع بين التعلم العميق وCGI، مما يخلق نموذجًا جديدًا لتطوير نموذج رؤية الكمبيوتر. إنها تمكن العملاء من تطوير نماذج أفضل بجزء صغير من الوقت والتكلفة مقارنة بالمناهج التقليدية القائمة على التعليقات التوضيحية البشرية.
كيف شاركت في البداية في علوم الكمبيوتر والذكاء الاصطناعي؟
حصلت على درجة الدكتوراه. من جامعة كاليفورنيا في سان دييغو في عام 2006 ركز على رؤية الكمبيوتر والنمذجة المكانية والزمانية لبيانات تصوير الدماغ. ثم عملت بعد ذلك في وادي السيليكون عند تقاطع أجهزة الاستشعار والبيانات والتعلم الآلي عبر الصناعات على مدار الأعوام الستة عشر التالية. أشعر بأنني محظوظ جدًا لأنني أتيحت لي الفرصة للعمل على بعض التقنيات الرائعة، ولدي أكثر من 16 براءة اختراع تم إصدارها أو تقديمها تركز على معالجة الإشارات والتعلم الآلي وعلوم البيانات.
هل يمكنك مشاركة قصة التكوين للذكاء الاصطناعي؟
قبل تأسيس Synthesis AI في عام 2019 ، كنت أقود شركة خدمات ذكاء اصطناعي عالمية تركز على تطوير نماذج رؤية الكمبيوتر لمؤسسات التكنولوجيا الرائدة. بغض النظر عن حجم الشركة ، وجدت أننا مقيدون للغاية بجودة وكمية بيانات التدريب المصنفة. مع توسع الشركات جغرافيًا ، أو توسيع قاعدة عملائها ، أو تطوير نماذج جديدة وأجهزة جديدة ، كانت هناك حاجة إلى بيانات تدريب جديدة لضمان أداء النماذج بشكل مناسب. أصبح من الواضح أيضًا أن مستقبل رؤية الكمبيوتر لن يكون ناجحًا مع نموذج التعليق التوضيحي البشري في الحلقة. تتطلب تطبيقات رؤية الكمبيوتر الناشئة في الاستقلالية والروبوتات وتطبيقات AR / VR / metaverse مجموعة غنية من الملصقات ثلاثية الأبعاد ومعلومات العمق وخصائص المواد والتجزئة التفصيلية وما إلى ذلك ، والتي لا يمكن للبشر تصنيفها. كانت هناك حاجة إلى نموذج جديد لتوفير مجموعة غنية من العلامات اللازمة لتدريب هذه النماذج الجديدة. بالإضافة إلى الدوافع الفنية ، شهدنا زيادة في التدقيق التنظيمي والمستهلك حول القضايا الأخلاقية المتعلقة بتحيز النموذج وخصوصية المستهلك.
لقد قمت بتأسيس Synthesis AI بهدف تغيير نموذج رؤية الكمبيوتر. تتيح منصة توليد البيانات الاصطناعية الخاصة بالشركة إنشاء بيانات الصور الواقعية عند الطلب مع مجموعة موسعة من الملصقات ثلاثية الأبعاد المثالية للبكسل. مهمتنا هي الريادة في تقنيات البيانات الاصطناعية للسماح بالتطوير الأخلاقي لنماذج أكثر قدرة.
بالنسبة للقراء الذين ليسوا على دراية بهذا المصطلح ، هل يمكنك تحديد البيانات التركيبية؟
البيانات التركيبية هي بيانات يتم إنشاؤها بواسطة الكمبيوتر وتعمل كبديل لبيانات العالم الحقيقي. يتم إنشاء البيانات التركيبية في عوالم رقمية محاكية بدلاً من جمعها أو قياسها في العالم الحقيقي. من خلال الجمع بين الأدوات من عالم المؤثرات المرئية و CGI مع نماذج الذكاء الاصطناعي التوليدية ، يتيح Synthesis AI للشركات إنشاء كميات هائلة من البيانات الواقعية والمتنوعة عند الطلب لتدريب نماذج رؤية الكمبيوتر. خفضت منصة توليد البيانات الخاصة بالشركة من التكلفة والسرعة للحصول على بيانات صور عالية الجودة بأعداد كبيرة مع الحفاظ على الخصوصية.
هل يمكنك مناقشة كيفية إنشاء البيانات التركيبية؟
يتم إنشاء مجموعة البيانات الاصطناعية بشكل مصطنع بدلاً من بيانات العالم الحقيقي. تقترن تقنيات صناعة المؤثرات المرئية بالشبكات العصبية التوليدية لإنشاء بيانات صور معنونة واسعة ومتنوعة وواقعية. تسمح البيانات التركيبية بإنشاء بيانات التدريب بجزء بسيط من تكلفة ووقت الأساليب الحالية.
كيف تؤدي الاستفادة من البيانات التركيبية إلى خلق ميزة تنافسية؟
حاليًا ، تستفيد معظم أنظمة الذكاء الاصطناعي من "التعلم الخاضع للإشراف" حيث يقوم البشر بتسمية المفتاح المنسوب في الصور ثم تدريب خوارزميات الذكاء الاصطناعي على تفسير الصور. هذه عملية تتطلب الكثير من الوقت والموارد ومحدودة بما يمكن للبشر تسميته بدقة. بالإضافة إلى ذلك ، تضخمت المخاوف بشأن التحيز الديموغرافي للذكاء الاصطناعي وخصوصية المستهلك ، مما زاد من صعوبة الحصول على بيانات بشرية تمثيلية.
نهجنا هو إنشاء عوالم رقمية واقعية تجمع بيانات الصور المعقدة. نظرًا لأننا ننتج البيانات ، فإننا نعرف كل شيء عن المشاهد ، بما في ذلك المعلومات المتوفرة من قبل عن الموقع ثلاثي الأبعاد للكائنات وتفاعلاتها المعقدة مع بعضها البعض ومع البيئة. قد يستغرق الحصول على هذه الكمية من البيانات وتصنيفها باستخدام الأساليب الحالية شهورًا ، إن لم يكن سنوات. سيمكّن هذا النموذج الجديد من تحسين الكفاءة والتكلفة بمقدار 3 ضعف ، كما سيقود فئة جديدة من الطرز الأكثر قدرة.
نظرًا لأن البيانات التركيبية يتم إنشاؤها بشكل مصطنع ، فإن هذا يزيل العديد من التحيزات والمخاوف المتعلقة بالخصوصية من خلال جمع مجموعات البيانات تقليديًا من العالم الحقيقي.
كيف يمكن إنشاء البيانات عند الطلب من التسريع المتسارع؟
يعد التقاط بيانات العالم الحقيقي وإعدادها لتدريب النموذج عملية طويلة ومملة. يمكن أن يكون نشر الأجهزة الضرورية مكلفًا للغاية لأنظمة الرؤية الحاسوبية المعقدة مثل المركبات المستقلة أو الروبوتات أو صور الأقمار الصناعية. بمجرد التقاط البيانات ، يقوم البشر بتسمية الميزات الأساسية والتعليق عليها. هذه العملية عرضة للخطأ ، والبشر محدودون في قدرتهم على تسمية المعلومات الأساسية مثل الموضع ثلاثي الأبعاد المطلوب للعديد من التطبيقات.
البيانات التركيبية هي أوامر من حيث الحجم أسرع وأرخص من مناهج البيانات الحقيقية التقليدية التي يشرحها الإنسان وستأتي لتسريع نشر نماذج جديدة وأكثر قدرة عبر الصناعات.
كيف تتيح البيانات التركيبية تقليل أو منع تحيز الذكاء الاصطناعي؟
أنظمة الذكاء الاصطناعي منتشرة في كل مكان ولكنها يمكن أن تحتوي على تحيزات متأصلة يمكن أن تؤثر على مجموعات من الناس. يمكن أن تكون مجموعات البيانات غير متوازنة مع فئات معينة من البيانات ومجموعات الأشخاص الممثلة تمثيلا ناقصا أو زائدا. غالبًا ما يؤدي بناء أنظمة تتمحور حول الإنسان إلى التحيز الجنساني والعرقي والعمري. في المقابل ، تكون بيانات التدريب الناتجة عن التصميم متوازنة بشكل صحيح وتفتقر إلى التحيزات البشرية.
يمكن أن تصبح البيانات التركيبية حلاً قويًا في حل مشكلة التحيز في الذكاء الاصطناعي. يتم إنشاء البيانات التركيبية جزئيًا أو كليًا بشكل مصطنع بدلاً من قياسها أو استخلاصها من أحداث أو ظواهر العالم الحقيقي. إذا لم تكن مجموعة البيانات متنوعة أو كبيرة بما يكفي ، يمكن للبيانات التي تم إنشاؤها بواسطة الذكاء الاصطناعي أن تملأ الفجوات وتشكل مجموعة بيانات غير متحيزة. أفضل جزء؟ يمكن أن يستغرق إنشاء مجموعات البيانات هذه يدويًا عدة أشهر أو سنوات حتى تكتمل. عندما يتم تصميمه باستخدام بيانات تركيبية ، يمكن إجراؤه بين عشية وضحاها.
خارج رؤية الكمبيوتر ، ما هي بعض حالات الاستخدام المستقبلية المحتملة الأخرى للبيانات التركيبية؟
بالإضافة إلى العديد من حالات استخدام رؤية الكمبيوتر المتعلقة بالمنتجات الاستهلاكية، والاستقلالية، والروبوتات، والواقع المعزز/الواقع الافتراضي/metaverse، والمزيد، ستؤثر البيانات الاصطناعية أيضًا على طرائق البيانات الأخرى. نحن نشهد بالفعل شركات تستفيد من مناهج البيانات الاصطناعية في معالجة البيانات الجدولية والصوتية والطبيعية. تختلف التقنيات الأساسية وخطوط الإنتاج لكل طريقة، وفي المستقبل القريب، نتوقع أن نرى أنظمة متعددة الوسائط (على سبيل المثال، الفيديو + الصوت).
هل هناك أي شيء آخر تود مشاركته حول Synthesis AI؟
في أواخر العام الماضي ، أطلقنا سراحنا HumanAPI، وهو توسع كبير في قدرات البيانات التركيبية Synthesis AI ، مما يتيح إنشاء برمجي لملايين البشر الرقميين الفريدين وعالي الجودة ثلاثي الأبعاد. يأتي هذا الإعلان بعد أشهر من إطلاق منتج FaceAPI الخاص بالبيانات الاصطناعية كخدمة ، والذي قدم أكثر من 3 ملايين صورة وجه مصنفة لشركات الهواتف الذكية الرائدة ، وعقد المؤتمرات عن بعد ، والسيارات ، والتكنولوجيا. HumanAPI هي الخطوة التالية في رحلة الشركة لدعم تطبيقات الذكاء الاصطناعي (AI) للرؤية الحاسوبية المتقدمة.
يتيح HumanAPI أيضًا عددًا لا يحصى من الفرص الجديدة لعملائنا ، بما في ذلك مساعدي الذكاء الاصطناعي الأذكياء ، ومدربين اللياقة البدنية الافتراضيين ، وبالطبع عالم التطبيقات metaverse.
من خلال إنشاء مضاعفة رقمية للعالم الحقيقي ، ستعمل metaverse على تمكين تطبيقات جديدة تتراوح بين الشبكات الاجتماعية المعاد تصورها والتجارب الترفيهية والمؤتمرات عن بعد والألعاب والمزيد. رؤية الكمبيوتر سيكون الذكاء الاصطناعي عاملاً أساسيًا في كيفية التقاط العالم الحقيقي وإعادة إنشائه بدقة عالية في العالم الرقمي. سيكون البشر الواقعيون والمعبّرون والدقيقون من الناحية السلوكية مكونًا أساسيًا لمستقبل تطبيقات رؤية الكمبيوتر. HumanAPI هو المنتج الأول الذي يمكّن الشركات من إنشاء كميات هائلة من بيانات الجسم بالكامل الموصوفة تمامًا عند الطلب لبناء نماذج ذكاء اصطناعي أكثر قدرة ، بما في ذلك تقدير الوضع والتعرف على المشاعر وتوصيف النشاط والسلوك وإعادة بناء الوجه والمزيد.
شكرا لك على المقابلة الرائعة ، القراء الذين يرغبون في معرفة المزيد يجب أن يزوروا توليف AI.
