Max Versace, CEO a spoluzakladatel Neurala – série rozhovorů

Dr. Massimiliano Versace je spoluzakladatelem a generálním ředitelem společnosti Neuralaa vizionář společnosti. Po svém průkopnickém výzkumu v oblasti počítačů inspirovaných mozkem a hlubokých sítí nadále inspiruje a vede svět autonomní robotiky. Vystoupil na desítkách akcí a míst, včetně TedX, NASA, Pentagonu, GTC, InterDrone, National Labs, Air Force Research Labs, HP, iRobot, Samsung, LG, Qualcomm, Ericsson, BAE Systems, AI World, Mitsubishi, ABB a Accenture, mezi mnoha dalšími.

Zpočátku jste studoval psychologii a poté se obrátil k neurovědě, jaké byly vaše důvody v té době?

Pivot byl přirozený. Psychologie poskytla jednu stranu „tréninkové mince“ – studium psychologických jevů. Pokud se však někdo zajímá o to, co mechanicky způsobuje myšlenky a chování, nevyhnutelně se dostane ke studiu orgánu odpovědného za myšlenky a skončí studiem Neurovědy!

Kdy jste si uvědomili, že chcete své znalosti o lidském mozku aplikovat na emulaci lidského mozku v systému AI?

Další krok, Neuroscience to AI, je složitější. Zatímco neurověda se zabývá podrobným studiem anatomie a fyziologie nervového systému a toho, jak mozky dávají vzniknout chování, další doplňkovou cestou k dosažení ještě většího porozumění je vytvoření jejich syntetické verze. Rád bych uvedl analogii, že člověk může částečně porozumět tomu, jak motor funguje, odklepnutím válce a chladiče a závěrem, že válce a chladiče jsou důležité pro fungování motoru. Dalším hlubším způsobem, jak porozumět enginu, je postavit jej od nuly – konkrétně studiem inteligence vytvořením jeho syntetické (umělé) verze.

Jaké jsou některé z raných projektů hlubokého učení, na kterých jste pracovali?

V roce 2009 jsme pro DARPA pracovali na vybudování „emulace celého mozku“ pro autonomního robota využívajícího pokročilý čip navržený společností Hewlett Packard. Stručně řečeno, naším úkolem bylo napodobit mozek a některé klíčové autonomní a učící se chování malého hlodavce ve tvaru, který by umožňoval přenositelnost a implementaci v malém hardwaru.

Mohl byste se podělit o příběh geneze, když jste Neurala?

Neurala jako společnost začala v roce 2006, aby obsahovala některé patentové práce kolem používání GPU (Graphic Processing Units) pro hluboké učení. I když by to dnes mohlo být považováno za triviální, v té době se GPU pro AI vůbec nepoužívaly a my jsme tento koncept prosadili tím, že jsme si představili, že každý pixel v grafické kartě lze použít ke zpracování neuronu (oproti části scény k render na obrazovce). Díky paralelismu GPU, který do (komerčně životaschopného) rozsahu napodobuje náš mozkový paralelista, jsme byli schopni dosáhnout rychlosti učení a provádění našich algoritmů, což najednou učinilo AI a Deep Learning praktickými. Museli jsme počkat několik dalších let, než opustíme akademickou sféru, protože svět „dohonil“ (už jsme pevně věřili!) realitě AI. V roce 2013 jsme společnost vyvedli z utajeného režimu (jelikož jsme již byli financováni NASA a US Air Force Research Labs) a vstoupili do programu Boston Tech Stars. Odtud jsme začali najímat několik zaměstnanců a získávali soukromý kapitál. Přesto až v roce 2017, s novou injekcí kapitálu a dalším zráním odvětví, jsme byli schopni zavést první důležitá nasazení a umístit naši AI do 56 milionů zařízení, od fotoaparátů po chytré telefony, drony a roboty.

Jedním z prvních projektů Neuraly byla práce na Mars roveru NASA. Mohl byste se s námi podělit o zajímavosti tohoto projektu?

NASA měla velmi specifický problém: chtěla prozkoumat technologii, která by poháněla budoucí bezpilotní mise, kde by se autonomní systém (např. rover) nespoléhal na postupné navádění zemské mise. Zpoždění komunikace tuto kontrolu znemožňuje – jen si vzpomeňte, jak nešikovná byla komunikace mezi Zemí a Mattem Damonem ve filmu „Marťan“. Naše řešení: dopřejte každému roveru jeho vlastní mozek. NASA se na nás obrátila, protože jsme již byli vnímáni jako experti na budování těchto autonomních „minimozků“ pomocí DARPA, abychom vybavili rover malofaktorovým systémem Deep Learning, který je schopen nejen běžet na robotu, ale také se přizpůsobit v reálném čase a učit se nové věci, když robot pracuje. Patří mezi ně nové objekty (např. skály, znamení vody atd.), když se s nimi setkáte, a vytvářejí smysluplnou mapu neprozkoumané planety. Výzva byla obrovská, ale také přínos: technologie Deep Learning, která byla schopna běžet na velmi malém výpočetním výkonu a učit se i na jediném kusu dat (např. obrázku). To šlo nad rámec toho, co bylo Hluboké učení schopné v té době (a dokonce i dnes!).

Neurala navrhla Lifelong-DNN, můžete upřesnit, jak se liší od běžné DNN a jaké výhody nabízí?

Lifelong DNN, navržený pro výše uvedený případ použití NASA, se může učit během celého svého životního cyklu. To je na rozdíl od tradičních hlubokých neuronových sítí (DNN), které lze buď trénovat, nebo provádět „inferenci“ (jmenovitě klasifikaci). V L-DNN, stejně jako u lidí, není žádný rozdíl mezi učením a klasifikací. Pokaždé, když se na něco podíváme, oba to „zatřídíme“ (toto je židle) a učíme se o tom (tato židle je nová, nikdy jsem ji neviděla, teď o ní vím trochu víc). Na rozdíl od DNN se L-DNN vždy učí a konfrontuje to, co ví o světě, jaké nové informace jsou prezentovány a je přirozeně schopné porozumět anomáliím. Například kdyby si ze mě jedno z mých dětí udělalo legraci a natřelo mi židli na růžovo, poznal bych to hned. Protože moje L-DNN postupem času zjistilo, že moje židle je černá, a když se mé vnímání neshoduje s mou pamětí, L-DNN vytvoří signál anomálie. To se používá v produktech Neurala různými způsoby (viz níže).

Můžete diskutovat o tom, co je vlastní vize AI Brain Builder a jak umožňuje rychlejší, jednodušší a levnější robotické aplikace?

Protože se L-DNN přirozeně učí o světě a dokáže pochopit, zda je něco neobvyklé nebo se odchyluje od naučeného standardu, produkty Neurala, Brain Builder a VIA (Visual Inspection Automation) se používají k rychlému nastavení úkolů vizuální kontroly pomocí několika obrázků. „dobré produkty“. Například ve výrobním prostředí lze použít 20 obrázků „dobrých lahví“ a vytvořit „minimozek“ vizuální inspekce kvality, který dokáže rozpoznat dobré lahve nebo když je špatná láhev (např. s rozbitým uzávěrem). vyrobeno. To lze provést pomocí L-DNN velmi snadno, rychle a na jednoduchém CPU s využitím technologie NASA postavené za více než 10 let intenzivního výzkumu a vývoje.

V předchozím rozhovoru jste doporučoval, aby se podnikatelé vždy zaměřovali na zahájení podnikání, které je trochu nemožné. Cítili jste, že Neurala byla trochu nemožná, když jste poprvé spustili společnost?

Stále si vzpomínám, jak můj přítel a kolega Anatoli vyplivl své espresso, když jsem řekl „jednoho dne naše technologie poběží na mobilním telefonu“. Znělo to nemožně, ale vše, co jste museli udělat, bylo představit si to a pracovat na tom. Dnes to běží na milionech telefonů. Představujeme si svět, kde tisíce umělých očí dokážou rozpoznat průmyslové stroje a procesy, aby poskytovaly dříve nepředstavitelnou úroveň kvality a kontroly, dříve nemožné, protože by spotřebuly tisíce lidí na jeden stroj. Doufám, že při čtení tohoto článku nikdo nepije espresso...

Děkuji za skvělý rozhovor, Neurala je jednoznačně společnost, kterou bychom měli mít na očích. Čtenáři, kteří se chtějí dozvědět více, by měli navštívit Neurala.