Yonatan Geifman, generální ředitel a spoluzakladatel Deci – rozhovor

Yonatan Geifman je generální ředitel a spoluzakladatel Deci která transformuje modely AI na řešení vhodné pro produkční použití na jakémkoli hardwaru. Deci byla uznána jako technologický inovátor pro Edge AI společností Gartner a byla zařazena do seznamu AI 100 společnosti CB Insights. Její proprietární technologie stanovila nové rekordy v MLPerf s Intel.

Co vás最初 přitáhlo k strojovému učení?

Od mladého věku jsem byl vždy fascinován nejnovějšími technologiemi – ne pouze jejich používáním, ale skutečným pochopením, jak fungují.

Tato celoživotní fascinace mi otevřela cestu k mému pozdějšímu doktorandskému studiu v oboru počítačových věd, kde se můj výzkum zaměřil na hluboké neuronové sítě (DNN). Jak jsem začal rozumět této kritické technologii v akademickém prostředí, začal jsem si uvědomovat, jakým způsobem může AI pozitivně ovlivnit svět kolem nás. Od chytrých měst, která mohou lépe monitorovat dopravu a snižovat nehody, až po autonomní vozidla, která vyžadují minimální lidskou intervenci, a život zachraňující lékařská zařízení – existuje nekonečné množství aplikací, kde by AI mohla zlepšit společnost. Věděl jsem, že chci být součástí této revoluce.

Můžete sdílet příběh o vzniku Deci AI?

Není obtížné rozpoznat – jak jsem rozpoznal, když jsem studoval doktorandské studium – jak prospěšné může být AI v různých případech. Nicméně mnoho podniků se potýká s tím, aby využily plný potenciál AI, protože vývojáři neustále čelí obtížím při vývoji modelů hlubokého učení pro produkční použití. Jinými slovy, je stále velmi obtížné „zprodukovat“ AI.

Tyto výzvy lze do značné míry připsat na vrub mezery v efektivitě AI, se kterou se potýká tato oblast. Algoritmy rostou exponenciálně ve své síle a vyžadují více výpočetního výkonu, ale zároveň je třeba je nasazovat nákladově efektivním způsobem, často na zařízení s omezenými zdroji.

Mojí spoluzakladatelé Prof. Ran El-Yaniv, Jonathan Elial a já založili Deci, abychom této výzvě čelili. A udělali jsme to jediným možným způsobem – pomocí AI samotné k vytvoření další generace hlubokého učení. Přijali jsme algoritmicky orientovaný přístup, zaměřený na zlepšení účinnosti algoritmů AI v raných fázích, což by mělo umožnit vývojářům vytvářet a pracovat s modely, které poskytují nejvyšší úroveň přesnosti a efektivity pro libovolné hardwarové zařízení.

Můžete definovat hluboké učení pro nás?

Hluboké učení, stejně jako strojové učení, je podoborem AI, který má umožnit novou éru aplikací. Hluboké učení je silně inspirováno strukturou lidského mozku, a proto, když diskutujeme o hlubokém učení, diskutujeme o „neuronových sítích“. To je velmi relevantní pro edge aplikace (například kamery ve smart cities, senzory v autonomních vozidlech, analytická řešení ve zdravotnictví), kde jsou modely hlubokého učení na místě zásadní pro generování takových informací v reálném čase.

Co je to Neural Architecture Search?

Neural Architecture Search (NAS) je technologická disciplína, jejímž cílem je získat lepší modely hlubokého učení.

Práce Googlu na NAS v roce 2017 pomohla tomuto tématu dostat se do mainstreamu, alespoň v rámci výzkumu a akademických kruhů.

Cílem NAS je najít nejlepší architekturu neuronové sítě pro daný problém. Automatizuje návrh DNN, zajišťuje vyšší výkon a nižší ztráty než ručně navržené architektury. Zahrnuje proces, při kterém algoritmus prohledává agregovaný prostor milionů dostupných modelových architektur, aby získal architekturu, která je jedinečně přizpůsobena k řešení konkrétního problému. Jinými slovy, využívá AI k návrhu nové AI na základě specifických potřeb daného projektu.

Používají ji týmy, aby zjednodušily proces vývoje, snížily počet iterací a zajistily, že získají nejlepší model, který může nejlépe sloužit cílům přesnosti a výkonu aplikací.

Jaké jsou některé omezení Neural Architecture Search?

Hlavními omezeními tradičního NAS jsou dostupnost a škálovatelnost. NAS je dnes většinou používán ve výzkumných prostředích a obvykle je prováděn pouze technologickými giganty, jako je Google (GOOGL ) a Facebook (META ), nebo na akademických institucích, jako je Stanford, protože tradiční techniky NAS jsou složité a vyžadují大量 výpočetních zdrojů.

Proto jsem tak pyšný na našich úspěších při vývoji naší průlomové technologie AutoNAC (Automated Neural Architecture Construction), která demokratizuje NAS a umožňuje společnostem všech velikostí snadno budovat vlastní modelové architektury s lepší než státními standardy přesnosti a rychlosti pro své aplikace.

Jak se učení objektové detekce liší v závislosti na typu obrazu?

Překvapivě, doména obrazů nemá dramatický vliv na proces učení modelů objektové detekce. Bez ohledu na to, zda hledáte chodce na ulici, tumor v lékařském snímku nebo skrytou zbraň na rentgenovém snímku z bezpečnostní kontroly na letišti, proces je téměř stejný. Data, která použijete k výcviku modelu, musí být reprezentativní pro úkol, a velikost a struktura modelu mohou být ovlivněny velikostí, tvarem a složitostí objektů ve vašem obrazu.

Jak Deci AI nabízí komplexní platformu pro hluboké učení?

Platforma Deci umožňuje vývojářům budovat, trénovat a nasazovat přesné a rychlé modely hlubokého učení do produkce. Tímto způsobem mohou týmy využít nejnovější výzkum a nejlepší praktiky z oblasti inženýrství s jedním řádkem kódu, zkrátit dobu vývoje z měsíců na několik týdnů a zajistit úspěch v produkci.

Vous最初 jste začínali s týmem šesti lidí a nyní sloužíte velkým podnikům. Můžete diskutovat o růstu společnosti a některých výzvách, kterým jste čelili?

Jsme nadšení růstem, kterého jsme dosáhli od svého založení v roce 2019. Nyní, s více než 50 zaměstnanci a více než 55 miliony dolarů ve financování, jsme přesvědčeni, že můžeme pokračovat v pomoci vývojářům realizovat a využívat skutečný potenciál AI. Od spuštění jsme byli zařazeni do seznamu CB Insights’ AI 100, dosáhli jsme průlomových úspěchů, jako je naše rodina modelů, které poskytují průlomové výkony hlubokého učení na CPU, a navázali jsme významné spolupráce, včetně těch s velkými názvy, jako je Intel.

Je něco jiného, co byste rádi sdíleli o Deci AI?

Jako jsem již zmínil, mezera v efektivitě AI nadále představuje velkou překážku pro produkční využití AI. „Posunutí doleva“ – zohlednění omezení produkce již v raných fázích vývoje – snižuje čas a náklady strávené na řešení potenciálních problémů při nasazování modelů hlubokého učení do produkce. Naše platforma prokázala schopnost dělat právě to, poskytovat společnostem nástroje potřebné k úspěšnému vývoji a nasazení řešení AI, která mění svět.

Naším cílem je jednoduchý – učinit AI široce dostupnou, dostupnou a škálovatelnou.

Děkujeme za skvělý rozhovor, čtenáři, kteří si přejí dozvědět se více, by měli navštívit Deci.