مقابلات
كيريل سولودسكيخ، المؤسس المشارك والرئيس التنفيذي لشركة TheStage AI – سلسلة المقابلات
كيريل سولودسكيخ، دكتوراه، هو المؤسس المشارك والرئيس التنفيذي لشركة TheStage AI، بالإضافة إلى أنه باحث وريادي متمرس في مجال الذكاء الاصطناعي مع أكثر من عقد من الخبرة في تحسين الشبكات العصبية لتطبيقات الأعمال في العالم الحقيقي. في عام 2024، شارك في تأسيس TheStage AI، والتي حصلت على 4.5 مليون دولار في التمويل لتحسين تسريع الشبكات العصبية بشكل كامل عبر أي منصة أجهزة.
من قبل، كمشرف فريق في هواوي، قاد كيريل تسريع تطبيقات الكاميرا الذكية لشركة كوالكوم، مما ساهم في أداء هاتفين P50 و P60، وحصل على براءات اختراع متعددة لابتكاراته. تم عرض أبحاثه في المؤتمرات الرائدة مثل CVPR و ECCV، حيث حصلت على جوائز وتعرف من الصناعة. كما أنه يستضيف بودكاست حول تحسين وتحليل الذكاء الاصطناعي.
ما الذي ألهمك لتأسيس TheStage AI، وكيف انتقلت من الأكاديمية والبحث إلى معالجة تحسين الاستدلال كمسؤول تنفيذي؟
أسس ما أصبح فيما بعد TheStage AI بدأ مع عملي في هواوي، حيث كنت غاطسًا في تطبيق الت_deploy وتحسين الشبكات العصبية. هذه المبادرات أصبحت أساسًا لبعض ابتكاراتنا الرائدة، وهناك رأيت التحدي الحقيقي. تدريب نموذج هو شيء، وجعله يعمل بكفاءة في العالم الحقيقي وجعله متاحًا للمستخدمين هو شيء آخر. النشر هو العائق الذي يمنع العديد من الأفكار الجيدة من أن تأتي إلى حياة. لجعل شيء مثل ChatGPT سهل الاستخدام، هناك الكثير من التحديات الخلفية المشاركة. من منظور تقني، تحسين الشبكات العصبية هو حول تقليل المعلمات مع الحفاظ على الأداء عاليًا. إنه مشكلة رياضية صعبة مع الكثير من مجال للابتكار.
كان تحسين الاستدلال اليدوي عائقًا طويلًا في الذكاء الاصطناعي. هل يمكنك شرح كيفية عمل TheStage AI في تلقين هذا العملية وكيف أنها تغير اللعبة؟
TheStage AI تتعامل مع عائق كبير في الذكاء الاصطناعي: ضغط وتسريع الشبكات العصبية اليدوي. الشبكات العصبية لها مليارات المعلمات، واكتشاف المعلمات التي يجب إزالتها من أجل الأداء الجيد هو أمر مستحيل تقريبًا باليد. ANNA (متحليل الشبكات العصبية التلقائي) يلقن هذه العملية، ويحدد الطبقات التي يجب استبعادها من التحسين، مشابهًا لطريقة ضغط ZIP الذي تم تلقينه لأول مرة.
هذا يغير اللعبة من خلال جعل تبني الذكاء الاصطناعي أسرع وأرخص. بدلاً من الاعتماد على العمليات اليدوية المكلفة، يمكن للشركات الصغيرة تحسين النماذج تلقائيًا. التكنولوجيا توفر للشركات رؤية واضحة للأداء والتكلفة، مما يضمن الكفاءة والتناسب دون تخمين.
تعمل TheStage AI على تقليل تكاليف الاستدلال بنسبة تصل إلى 5 أضعاف – ما الذي يجعل تقنية التحسين الخاصة بك فعالة للغاية مقارنة بالأساليب التقليدية؟
TheStage AI تقطع التكاليف الناتجة بنسبة تصل إلى 5 أضعاف بمنهج تحسين يتجاوز الأساليب التقليدية. بدلاً من تطبيق الخوارزمية نفسها على الشبكة العصبية بأكملها، تقسم ANNA الشبكة إلى طبقات أصغر وتقرر الخوارزمية التي يجب تطبيقها لكل جزء لتسليم الضغط المطلوب مع تحسين جودة النموذج. من خلال الجمع بين الحيل الرياضية الذكية والتقريبات الفعالة، نهجنا مرن للغاية ويسهل على الشركات من جميع الأحجام تبني الذكاء الاصطناعي. كما ندمج إعدادات المجمع المرنة لتحسين الشبكات لعتاد معين مثل هواتف آيفون أو وحدات معالجة الرسومات من شركة NVIDIA. هذا يعطينا المزيد من التحكم لضبط الأداء بدقة، مما يزيد من السرعة دون فقدان الجودة.
كيف يقارن تسريع الاستدلال في TheStage AI بمجمّع PyTorch الأصلي، وما هي المزايا التي تقدمها لمطوري الذكاء الاصطناعي؟
TheStage AI تسريع الإخراج بعيدًا عن مجمّع PyTorch الأصلي. PyTorch يستخدم طريقة التجميع في الوقت الفعلي، والتي تجميع النموذج في كل مرة يُشغِّلها. هذا يؤدي إلى أوقات بدء طويلة، أحيانًا تستغرق دقائق أو حتى أكثر. في البيئات القابلة للتطوير، يمكن أن يخلق هذا عدم كفاءة، خاصة عند الحاجة إلى جلب وحدات معالجة الرسومات الجديدة على الإنترنت لمعالجة زيادة في حمل المستخدم، مما يؤدي إلى تأخيرات تؤثر على تجربة المستخدم.
على النقيض من ذلك، يسمح TheStage AI بنموذج مسبق التجميع، لذلك بمجرد أن يكون النموذج جاهزًا، يمكن نشره على الفور. هذا يؤدي إلى نشر أسرع، وكفاءة خدمة محسنة، وتوفير التكاليف. يمكن للمطورين نشر وتطوير نماذج الذكاء الاصطناعي بشكل أسرع، دون عرقلة التجميع التقليدية، مما يجعله أكثر كفاءة واستجابة للاستخدامات التي تتمتع بالطلب العالي.
هل يمكنك مشاركة المزيد حول أداة QLIP في TheStage AI وكيف تعزز أداء النموذج مع الحفاظ على الجودة؟
QLIP، أداة TheStage AI، هي مكتبة بايثون توفر مجموعة أساسية من البدائيات لبناء خوارزميات تحسين جديدة مخصصة لأجهزة مختلفة، مثل وحدات معالجة الرسومات ووحدات معالجة النواة. تحتوي الأداة على مكونات مثل الكمية، والتقليم، والتنظيم، والتجميع، والخدمة، جميعها حاسمة لتطوير أنظمة الذكاء الاصطناعي الفعالة والقابلة للتطوير.
ما يميز QLIP هو مرونته. يسمح لمهندسي الذكاء الاصطناعي بإنشاء وتنفيذ خوارزميات جديدة ببضعة أسطر من التعليمات البرمجية. على سبيل المثال، يمكن تحويل ورقة مؤتمر حديثة عن شبكات عصبية الكم إلى خوارزمية تعمل باستخدام البدائيات في QLIP في دقائق. هذا يجعل من السهل على المطورين دمج أحدث الأبحاث في نماذجهم دون أن يُعيقهم الإطارات الصارمة.
على عكس الإطارات المفتوحة المصدر التقليدية التي تقيدك بمجموعة ثابتة من الخوارزميات، يسمح QLIP لأي شخص بإضافة تقنيات تحسين جديدة. هذه المرونة تساعد الفرق على البقاء في طليعة المناظر المتطورة سريعًا للذكاء الاصطناعي، مع تحسين الأداء مع ضمان المرونة للابتكارات المستقبلية.
ساهمت في إطارات الكمية للذكاء الاصطناعي المستخدمة في كاميرات هواوي P50 و P60. كيف شكلت هذه التجربة نهجك لتحسين الذكاء الاصطناعي؟
تجربتي في العمل على إطارات الكمية للذكاء الاصطناعي لهواتف هواوي P50 و P60 قدمت لي رؤى قيمة حول كيفية تسهيل وتطوير التحسين. عندما بدأت مع PyTorch، كان العمل مع الرسم البياني الكامل للتنفيذ للشبكات العصبية صعبًا، واضطررت إلى تنفيذ خوارزميات الكمية يدويًا، طبقة تلو الأخرى. في هواوي، بنيت إطارًا يلقن هذه العملية. يمكنك ببساطة إدخال النموذج، وسيتم توليد رمز الكمية تلقائيًا، مما يزيل العمل اليدوي.
هذا أظهر لي أن التلقين في تحسين الذكاء الاصطناعي هو حول تمكين السرعة دون التضحية بالجودة. واحدة من الخوارزميات التي طوّرتها وحصلت على براءة اختراع لها أصبحت أساسية لهواتف هواوي، خاصة عندما اضطروا إلى الانتقال من معالجات كيرين إلى معالجات كوالكوم بسبب العقوبات. سمح لهم ذلك بتعديل الشبكات العصبية بسرعة إلى هيكل كوالكوم دون فقدان الأداء أو الدقة.
من خلال تسهيل وتلقين العملية، قمنا بتخفيض وقت التطوير من أكثر من سنة إلى بضعة أشهر فقط. كان لهذا تأثير كبير على منتج يستخدمه ملايين الأشخاص، وشكل نهجي لتحسين الأداء، مع التركيز على السرعة والكفاءة وفقدان الجودة الأدنى. هذا هو النهج الذي أحمله إلى ANNA اليوم.
ما هي بعض الإنجازات الرئيسية في كفاءة الذكاء الاصطناعي التي أنت أكثر فخرًا بها؟
عندما يُطلب مني الحديث عن إنجازاتي في كفاءة الذكاء الاصطناعي، أتذكر دائمًا ورقتنا التي تم اختيارها للعرض الشفوي في CVPR 2023. أن يتم اختيارك للعرض الشفوي في مثل هذا المؤتمر هو نادر، حيث يتم اختيار 12 ورقة فقط. هذا يضاف إلى حقيقة أن الذكاء الاصطناعي التوليدي يهيمن عادة على الضوء، وورقتنا اتخذت نهجًا مختلفًا، مع التركيز على الجانب الرياضي، خاصة في تحليل وتحسين الشبكات العصبية.
طوّرت طريقة تساعدنا على فهم كم عدد المعلمات التي تحتاجها الشبكة العصبية للعمل بكفاءة. من خلال تطبيق تقنيات من التحليل الدالي والانتقال من الصيغة المنفصلة إلى الصيغة المستمرة، تمكنا من تحقيق نتائج ضغط جيدة مع الحفاظ على القدرة على دمج هذه التغييرات مرة أخرى في النموذج. قدمت الورقة أيضًا خوارزميات جديدة لم تُستخدم من قبل المجتمع ووجدت تطبيقات أخرى.
كانت هذه واحدة من أولى أوراقي في مجال الذكاء الاصطناعي، وأهم ما في الأمر أنها كانت نتيجة جهود فريقنا الجماعي، بما في ذلك مؤسسي الشركات. كانت هذه لحظة مهمة للغاية لنا جميعًا.
هل يمكنك شرح كيفية عمل الشبكات العصبية المتكاملة (INNs) ولماذا هي ابتكار هام في التعلم العميق؟
الشبكات العصبية التقليدية تستخدم مصفوفات ثابتة، مشابهة لجداول إكسل، حيث يتم تحديد الحجم والمعلمات مسبقًا. الشبكات العصبية المتكاملة، مع ذلك، تصف الشبكات كدالات مستمرة، مما يوفر مرونة أكبر. فكر في الأمر مثل بطانية مع دبابيس على ارتفاعات مختلفة، وهذا يمثل الموجة المستمرة.
ما يجعل الشبكات العصبية المتكاملة مثيرة للاهتمام هو khảيتهم الديناميكية “للتقليص” أو “التوسيع” بناءً على الموارد المتاحة، مشابهة لطريقة تحويل الإشارة التناظرية إلى صوت. يمكنك تصغير الشبكة دون التضحية بالجودة، وعند الحاجة، يمكنك توسيعها مرة أخرى دون الحاجة إلى إعادة التدريب.
قمنا باختبار ذلك، و بينما تؤدي طرق الضغط التقليدية إلى فقدان جودة كبير، تحتفظ الشبكات العصبية المتكاملة بجودة قريبة من الأصل حتى تحت الضغط الشديد. الرياضيات وراء ذلك غير تقليدية للجماعة الذكاء الاصطناعي، ولكن القيمة الحقيقية تكمن في قدرتها على تقديم نتائج عملية صلبة بجهود قليلة.
عملت TheStage AI على خوارزميات التخفيض الكمومي — كيف ترى دور الحوسبة الكمومية في تحسين الذكاء الاصطناعي في المستقبل القريب؟
عندما يتعلق الأمر بالحوسبة الكمومية ودورها في تحسين الذكاء الاصطناعي، النقطة الرئيسية هي أن الأنظمة الكمومية توفر نهجًا completamente مختلفًا لحل مشاكل مثل التحسين. بينما لم نبتكر خوارزميات التخفيض الكمومي من الصفر، تقدم شركات مثل D-Wave مكتبات بايثون لبناء خوارزميات كمومية مخصصة لمهام التحسين المنفصلة، وهي مثالية للكمبيوترات الكمومية.
الفكرة هنا هي أننا لا نحمل الشبكة العصبية مباشرة إلى الكمبيوتر الكمومي. هذا ليس ممكنًا مع الهندسة المعمارية الحالية. بدلاً من ذلك، نقوم بتقريب كيفية سلوك الشبكات العصبية تحت أنواع مختلفة من التدهور، مما يجعلها تتناسب مع نظام يمكن للرقاقة الكمومية معالجته.
في المستقبل، يمكن للأنظمة الكمومية أن توسع وتحسن الشبكات بدقة لا تستطيع الأنظمة التقليدية匹اطتها. ميزة الأنظمة الكمومية تكمن في التوازي المدمج فيها، شيء يمكن للأنظمة الكلاسيكية محاكاته فقط باستخدام موارد إضافية. هذا يعني أن الحوسبة الكمومية يمكن أن تسريع عملية التحسين بشكل كبير، خاصة مع اكتشافنا لكيفية نمذجة شبكات أكبر وأكثر تعقيدًا بشكل فعال.
الpotential الحقيقي يأتي في استخدام الحوسبة الكمومية لحل مهام تحسين كبيرة ومعقدة، وتقسيم المعلمات إلى مجموعات أصغر وأكثر إدارة. مع تقنيات مثل الكم والضوئية، هناك إمكانيات هائلة لتحسين الذكاء الاصطناعي تتجاوز ما يمكن أن تقدمه الحوسبة التقليدية.
ما هو رؤيتك طويلة الأمد لشركة TheStage AI؟ إلى أين تتوقع أن تذهب تحسين الاستدلال في السنوات الخمس إلى عشرة القادمة؟
على المدي الطويل، تهدف TheStage AI إلى أن تصبح مركزًا عالميًا للنماذج حيث يمكن لأي شخص الوصول إلى شبكة عصبية محسنة بالخصائص المرغوبة، سواء كانت للهاتف الذكي أو أي جهاز آخر. الهدف هو تقديم تجربة سحب وإفلات، حيث يمكن للمستخدمين إدخال معاملاتهم وسيتم توليد الشبكة تلقائيًا. إذا لم تكن الشبكة موجودة بالفعل، فسيتم إنشاؤها تلقائيًا باستخدام ANNA.
هدفنا هو جعل الشبكات العصبية تعمل مباشرة على أجهزة المستخدمين، مما يقلل التكاليف بنسبة 20 إلى 30 مرة. في المستقبل، يمكن أن يؤدي هذا إلى القضاء تقريبًا على التكاليف، حيث ستتولى جهاز المستخدم الحسابات بدلاً من الاعتماد على خوادم السحابة. هذا، مع التقدّم في ضغط النموذج وتسريع الأجهزة، يمكن أن يجعل نشر الذكاء الاصطناعي أكثر كفاءة بشكل كبير.
نحن أيضًا نخطط لدمج تكنولوجيانا مع حلول الأجهزة، مثل الحساسات والرقائق والروبوتات، للتطبيقات في مجالات مثل القيادة الذاتية والروبوتات. على سبيل المثال، نهدف إلى بناء كاميرات ذكاء اصطناعي قادرة على العمل في أي بيئة، سواء في الفضاء أو تحت ظروف قاسية مثل الظلام أو الغبار. هذا سيجعل الذكاء الاصطناعي قابلًا للاستخدام في مجموعة واسعة من التطبيقات وسيسمح لنا بإنشاء حلول مخصصة لأجهزة وcases محددة.
شكرًا على المقابلة الرائعة، يرغب القراء في معرفة المزيد في زيارة TheStage AI.
