مقابلات
يوناتان جيفمان، الرئيس التنفيذي ومؤسس Deci – سلسلة المقابلات
أضف Unite.AI إلى مصادرك المفضلة على Google
يوناتان جيفمان هو الرئيس التنفيذي ومؤسس Deci التي تحول نماذج الذكاء الاصطناعي إلى حلول جاهزة للانتاج على أي جهاز. تم الاعتراف بـ Deci كمنnovator تقني لتعلم الحوافز بواسطة Gartner وتمت إضافتها إلى قائمة CB Insights’ AI 100. سجلت تقنيتهم المملوكة أداءًا قياسيًا جديدًا في MLPerf مع Intel.
ما الذي جذبك في البداية إلى تعلم الآلة؟
من سن مبكر، كنت دائمًا مهتمًا بالتقنيات المتقدمة – ليس فقط استخدامها، ولكن فهم كيف تعمل حقًا.
أدت هذه الاهتمامات مدى الحياة إلى دراستي لبرنامج الدكتوراه في علوم الحاسوب، حيث ركزت أبحاثي على الشبكات العصبية العميقة (DNNs). عندما أدركت هذه التقنية 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 ذاتية القيادة التي تتطلب تدخلاً بشريًا قليلاً أو لا تتطلب أي تدخل، إلى الأجهزة الطبية التي تحفظ الأرواح – هناك تطبيقات لا حصر لها حيث يمكن للذكاء الاصطناعي تحسين المجتمع. كنت دائمًا أعرف أنني أريد المشاركة في تلك الثورة.
يمكنك أن تشاركنا بقصة ولادة Deci AI؟
ليس من الصعب الاعتراف – كما فعلت عندما كنت في المدرسة لدراستي للدكتوراه – بالفوائد التي يمكن أن ي提供ها الذكاء الاصطناعي في الحالات التي تُستخدم فيها عبر اللوحة. ومع ذلك، يجد العديد من المؤسسات صعوبة في الاستفادة الكاملة من إمكانيات الذكاء الاصطناعي، حيث يواجه المطورون معركة شاقة لتطوير نماذج تعلم عميق جاهزة للإنتاج. بعبارة أخرى، لا يزال من الصعب جدًا إنتاج الذكاء الاصطناعي.
يمكن أن يُعزى هذه التحديات إلى حد كبير إلى فجوة كفاءة الذكاء الاصطناعي التي تواجه الصناعة. الخوارزميات تتطور بشكل أسرع وأكثر قوة وتتطلب المزيد من طاقة الحوسبة، ولكن في الوقت نفسه، يجب نشرها بطريقة كفءة من حيث التكلفة، غالبًا على أجهزة حواف مقيدة الموارد.
أنا ومؤسسي البروفيسور ران إيل-يانيف وجوناثان إليال قد أسسنا Deci لتلبية هذا التحدي. وفعلنا ذلك بالطريقة الوحيدة التي رأيناها ممكنة – باستخدام الذكاء الاصطناعي نفسه لإنشاء الجيل التالي من التعلم العميق. اعتمدنا نهجًا أوليًا للخوارزمية، حيث عملنا على تحسين فعالية خوارزميات الذكاء الاصطناعي في المراحل الأولى، مما سيمنح المطورين بناء ونشر نماذج توفر أعلى مستويات الدقة والكفاءة لأي جهاز استدلال معين.
التعلم العميق هو في صميم Deci AI، يمكنك أن تعرفنا به؟
التعلم العميق، مثل تعلم الآلة، هو مجال فرعي من الذكاء الاصطناعي، يهدف إلى تمكين عصر جديد من التطبيقات. التعلم العميق مستوحى بشدة من هيكل الدماغ البشري، لذلك عندما نناقش التعلم العميق، نناقش “الشبكات العصبية”. هذا ذو صلة كبيرة للتطبيقات الحوافية (فكر في الكاميرات في المدن الذكية، المستشعرات في المركبات ذاتية القيادة، وحلول التحليل في الرعاية الصحية) حيث تكون النماذج العميقة على الموقع حاسمة لإنشاء مثل هذه الاكتشافات في الوقت الفعلي.
ما هو بحث الهيكل العصبي؟
بحث الهيكل العصبي هو مجال تقني يهدف إلى الحصول على نماذج تعلم عميق أفضل.
ساعدت الأعمال الرائدة لجوجل على بحث الهيكل العصبي في عام 2017 في جعل الموضوع يأتي إلى الساحة العامة، على الأقل في الدوائر البحثية والأكاديمية.
(GOOGL )الهدف من بحث الهيكل العصبي هو العثور على أفضل هيكل شبكة عصبية لمشكلة معينة. يؤتمت عملية تصميم الشبكات العصبية العميقة، مما يضمن أداء أعلى وخسائر أقل من الهياكل المصممة يدوياً. يتضمن عملية حيث يبحث الخوارزمية بين مساحة مجتمعة من ملايين هياكل النموذج المتاحة، لتحقيق هيكل فريد مناسب لحل مشكلة معينة. وبعبارة بسيطة، يستخدم الذكاء الاصطناعي لتصميم الذكاء الاصطناعي الجديد، بناءً على احتياجات مشروع معين.
يستخدمه الفرق لتسهيل عملية التطوير، وتقليل التكرارات التجريبية والخطأ، وضمان حصولهم على النموذج النهائي الذي يمكن أن يلبي أفضل أداء وهدف أداء التطبيق.
ما هي بعض القيود لبحث الهيكل العصبي؟
القيود الرئيسية لبحث الهيكل العصبي التقليدية هي إمكانية الوصول والتماسك. يتم استخدام بحث الهيكل العصبي اليوم بشكل رئيسي في الإعدادات البحثية وتمارينها عادة فقط من قبل عمالقة التكنولوجيا مثل جوجل وفيسبوك، أو في المعاهد الأكاديمية مثل ستانفورد، لأن تقنيات بحث الهيكل العصبي التقليدية معقدة للتنفيذ وتتطلب الكثير من الموارد الحاسوبية.
(META )لذلك أنا فخور جدًا بإنجازاتنا في تطوير تقنية AutoNAC (بناء الهيكل العصبي التلقائي) الرائدة في Deci، التي تُدمج بحث الهيكل العصبي وتسمح للشركات من جميع الأحجام ببناء هياكل نموذج مخصصة بأداء أفضل من الحالة الحالية وأسرع لتحقيق أهداف دقة وأداء التطبيقات.
كيف يختلف التعلم لاكتشاف الكائنات بناءً على نوع الصورة؟
من المفاجئ أن نجد أن مجال الصور لا يؤثر بشكل كبير على عملية تدريب نماذج اكتشاف الكائنات. سواء كنت تبحث عن مشاة في الشارع، أو ورم في مسح طبي، أو سلاح مخفي في صورة الأشعة السينية التي التقطها أمن المطار، فإن العملية تقريبًا هي نفسها. البيانات التي تستخدمها لتدريب نموذجك يجب أن تكون ممثلة للمهمة التي تتعامل معها، ويمكن أن تتأثر حجم وتركيب النموذج بSIZE و形状 وcomplexity من الكائنات في صورةك.
كيف تقدم Deci AI منصة شاملة لتعلم عميق؟
تسمح منصة Deci للمطورين ببناء وتدريب ونشر نماذج تعلم عميق دقيقة وسريعة في الإنتاج. من خلال ذلك، يمكن للفرق الاستفادة من أحدث الأبحاث وأفضل الممارسات الهندسية مع سطر واحد من التعليمات البرمجية، وتقليل وقت السوق من أشهر إلى أسابيع قليلة، وضمان النجاح في الإنتاج.
بدأت في البداية مع فريق من 6 أشخاص، والآن تقدم خدمات لشركات كبيرة. يمكنك أن تناقش نمو الشركة، وبعض التحديات التي واجهتها؟
نحن سعداء للغاية بنمو الذي حققناه منذ بدايتنا في عام 2019. الآن، مع أكثر من 50 موظفًا، وتمويل يزيد عن 55 مليون دولار حتى الآن، نحن واثقون من أننا يمكن أن نستمر في مساعدة المطورين على تحقيق إمكانات الذكاء الاصطناعي الحقيقية. منذ إطلاقنا، تمت إضافتنا إلى قائمة CB Insights’ AI 100، حققنا إنجازات رائدة، مثل عائلة النماذج التي توفر أداء تعلم عميق كاسح على وحدات المعالجة المركزية، وأثبتنا تعاونات مهمة، بما في ذلك مع شركات 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 المنتجات الذكية. “الانتقال إلى اليسار” – أخذ القيود الإنتاجية في الاعتبار في بداية دورة حياة التطوير، يقلل من الوقت والتكلفة المستخدمة في исправات العقبات المحتملة عند نشر نماذج تعلم عميق في الإنتاج لاحقًا. لقد أثبتت منصتنا أنها قادرة على القيام بذلك من خلال تزويد الشركات بالأدوات اللازمة لتطوير ونشر حلول ذكية عالمية.
هدفنا بسيط – جعل الذكاء الاصطناعي متاحًا على نطاق واسع، وبأسعار معقولة، ويمكن توسيعه.
شكرًا على المقابلة الرائعة، يرغب القراء في معرفة المزيد في زيارة Deci.
