مقابلات
يوناتان جيفمان، الرئيس التنفيذي ومؤسس Deci – سلسلة المقابلات
يوناتان جيفمان هو الرئيس التنفيذي ومؤسس Deci التي تحول نماذج الذكاء الاصطناعي إلى حلول جاهزة للانتاج على أي جهاز. وقد تم الاعتراف بـ Deci كمتحول تقني لتعلم الحوافز بواسطة Gartner وتمت إضافتها إلى قائمة CB Insights’ AI 100. وقد سجلت تقنيتها المملوكة أداءً قياسيًا جديدًا في MLPerf مع Intel.
ما الذي جذبك في البداية إلى تعلم الآلة؟
من سن مبكرة، كنت دائمًا مهتمًا بالتقنيات المتقدمة – ليس فقط استخدامها، ولكن فهم كيف تعمل حقًا.
أدت هذه الاهتمامات مدى الحياة إلى دراستي للدكتوراه في علوم الحاسوب حيث ركزت أبحاثي على الشبكات العصبية العميقة (DNNs). عندما فهمت هذه التكنولوجيا الحاسمة في إطار أكاديمي، بدأت أفهم حقًا كيف يمكن للذكاء الاصطناعي أن يؤثر إيجابًا على العالم من حولنا. من المدن الذكية التي يمكنها مراقبة حركة المرور وتقليل الحوادث، إلى المركبات المستقلة التي تتطلب تدخلاً بشريًا قليلاً أو لا تتطلب أي تدخل، إلى الأجهزة الطبية الحيوية – هناك تطبيقات لا حصر لها حيث يمكن للذكاء الاصطناعي تحسين المجتمع. كنت دائمًا أعرف أنني أريد المشاركة في تلك الثورة.
هل يمكنك مشاركة قصة نشأة Deci AI؟
ليس من الصعب التعرف – كما فعلت عندما كنت في المدرسة لدراستي للدكتوراه – على مدى الفوائد التي يمكن أن يوفرها الذكاء الاصطناعي في الحالات عبر اللوحة. ومع ذلك، يجد العديد من المؤسسات صعوبة في الاستفادة الكاملة من إمكانيات الذكاء الاصطناعي، حيث يواجه المطورون معركة شديدة لإنشاء نماذج تعلم عميق جاهزة للإنتاج. بعبارة أخرى، لا يزال من الصعب جدًا إنتاج الذكاء الاصطناعي.
يمكن إرجاع هذه التحديات إلى حد كبير إلى فجوة كفاءة الذكاء الاصطناعي التي تواجه الصناعة. الخوارزميات تتطور بشكل كبير وأكثر قوة وتتطلب المزيد من طاقة الحوسبة ولكن في نفس الوقت تحتاج إلى النشر بطريقة فعالة من حيث التكلفة، غالبًا على أجهزة حواف محدودة الموارد.
أنا ومؤسسو شركتي، البروفيسور ران إل-يانيف، جوناثان إليال، قد أسسنا Deci لمواجهة هذا التحدي. وفعلنا ذلك بالطريقة الوحيدة التي رأيناها ممكنة – باستخدام الذكاء الاصطناعي نفسه لإنشاء الجيل التالي من تعلم الآلة العميق. لجأنا إلى نهج أولي للخوارزمية، وworked على تحسين فعالية خوارزميات الذكاء الاصطناعي في المراحل الأولى، مما سيمنح المطورين بناء ونشر نماذج توفر أعلى مستويات الدقة والكفاءة لأي جهاز استدلال معين.
تعلم الآلة العميق هو في صميم Deci AI، هل يمكنك تعريفه لنا؟
تعلم الآلة العميق، مثل تعلم الآلة، هو مجال فرعي من الذكاء الاصطناعي، من شأنه تمكين عصر جديد من التطبيقات. تعلم الآلة العميق مستوحى بشكل كبير من هيكل الدماغ البشري، لذلك عندما نناقش تعلم الآلة العميق، نناقش “الشبكات العصبية”. هذا ذو صلة كبيرة للتطبيقات الحواف (فكر في الكاميرات في المدن الذكية، وأجهزة الاستشعار في المركبات المستقلة، وحلول التحليل في مجال الرعاية الصحية) حيث تكون نماذج تعلم الآلة العميق على الموقع حاسمة لإنشاء مثل هذه المعلومات في الوقت الفعلي.
ما هو بحث هيكل الشبكة العصبية؟
بحث هيكل الشبكة العصبية (NAS) هو مجال تقني يهدف إلى الحصول على نماذج تعلم عميق أفضل.
ساعد عمل جوجل الرائد في NAS في عام 2017 في جعل الموضوع في صدارة الاهتمام، على الأقل في الدوائر البحثية والأكاديمية.
الهدف من NAS هو العثور على أفضل هيكل شبكة عصبية لمشكلة معينة. يؤتمت الخوارزمية تصميم الشبكات العصبية العميقة، مما يضمن أداءً أعلى وخسائر أقل من الهياكل المصممة يدوياً. يتضمن عملية يبحث فيها خوارزمية عبر مساحة مجتمعية من ملايين هياكل النموذج المتاحة، لتحقيق هيكل فريد مناسب لحل تلك المشكلة بشكل خاص. وبعبارة بسيطة، يستخدم الذكاء الاصطناعي لتصميم ذكاء اصطناعي جديد، بناءً على احتياجات المشروع المحددة.
يستخدمه الفرق لتسهيل عملية التطوير، وتقليل دورات التجربة والخطأ، وضمان حصولهم على النموذج النهائي الذي يمكن أن يخدم بشكل أفضل أهداف دقة وأداء التطبيقات.
ما هي بعض القيود التي تفرضها بحث هيكل الشبكة العصبية؟
القيود الرئيسية للبحث التقليدي عن هيكل الشبكة العصبية هي إمكانية الوصول وال قابليّة للتوسّع. يتم استخدام NAS اليوم في الغالب في الإعدادات البحثية و通常 فقط بواسطة عمالقة التكنولوجيا مثل جوجل وفيسبوك، أو في المعاهد الأكاديمية مثل ستانفورد، لأن تقنيات NAS التقليدية معقدة ويتطلب الأمر الكثير من الموارد الحاسوبية.
لذلك أنا فخور جدًا بإنجازاتنا في تطوير تقنية AutoNAC (بناء هيكل الشبكة العصبية التلقائي) الرائدة في Deci، والتي تدمج NAS وتسمح للشركات من جميع الأحجام ببناء هياكل نموذجية مخصصة بأداء أفضل من الدولة الفنية وأسرع للغاية لتطبيقاتها.
كيف يختلف تعلم الكشف عن الأجسام بناءً على نوع الصورة؟
بصورة مفاجئة، لا يؤثر مجال الصور بشكل كبير على عملية تدريب نماذج الكشف عن الأجسام. سواء كنت تبحث عن مشاة في الشارع، أو ورم في مسح طبي، أو سلاح مخفي في صورة الأشعة السينية التابعة لأمن المطار، فإن العملية تقريبًا هي نفسها. البيانات التي تستخدمها لتدريب نموذجك تحتاج إلى أن تكون ممثلة للمهمة المحددة، ويمكن أن تتأثر حجم وتركيب النموذج بサイズ والحجم والتعقيد للأجسام في صورةك.
كيف تقدم Deci AI منصة شاملة لتعلم الآلة العميق؟
تمنح منصة Deci المطورين بناء وتدريب ونشر نماذج تعلم عميق دقيقة وسريعة في الإنتاج. يمكن للفرق من خلال ذلك الاستفادة من أحدث الأبحاث وأفضل الممارسات الهندسية مع سطر واحد من التعليمات البرمجية، وتقليل وقت السوق من أشهر إلى بضعة أسابيع، وضمان النجاح في الإنتاج.
بدأت في البداية مع فريق مكون من 6 أشخاص، والآن تقدم خدمات لشركات كبيرة. هل يمكنك مناقشة نمو الشركة، وبعض التحديات التي واجهتموها؟
نحن سعداء للغاية بنمو我们 حققناه منذ بدايتنا في عام 2019. الآن، مع أكثر من 50 موظفًا، ومزيد من التمويل يصل إلى 55 مليون دولار حتى الآن، نحن واثقون من أننا يمكن أن نستمر في مساعدة المطورين على تحقيق وتنفيذ إمكانات الذكاء الاصطناعي الحقيقية. منذ إطلاقنا، تمت إضافتنا إلى قائمة CB Insights’ AI 100، حققنا إنجازات رائدة، مثل عائلة النماذج التي توفر أداءً كاسحًا لتعلم الآلة العميق على وحدات المعالجة المركزية وحدات المعالجة المركزية، وأقمنا تعاونات مهمة، بما في ذلك مع أسماء كبيرة مثل إنتل.
هل هناك أي شيء آخر تود مشاركته حول Deci AI؟
كما ذكرت من قبل، فإن فجوة كفاءة الذكاء الاصطناعي لا تزال تسبب عقبات كبيرة لتحويل الذكاء الاصطناعي إلى منتجات. “الانحراف 左” – أخذ القيود الإنتاجية في الاعتبار في بداية دورة التطوير، يقلل من الوقت والتكلفة المبذرة في إصلاح العقبات المحتملة عند نشر نماذج تعلم الآلة العميق في الإنتاج لاحقًا. أثبتت منصتنا أنها قادرة على القيام بذلك من خلال تزويد الشركات بالأدوات اللازمة لتطوير ونشر حلول الذكاء الاصطناعي التي تغير العالم.
هدفنا بسيط – جعل الذكاء الاصطناعي متاحًا على نطاق واسع، وبأسعار معقولة، وقابل للتوسيع.
شكرًا على المقابلة الرائعة، القراء الذين يرغبون في معرفة المزيد يجب أن يزوروا Deci.
