Yonatan Geifman, CEO & Co-Founder of Deci – Interview Series

Yonatan Geifman je CEO & Co-Founder společnosti Deci která transformuje modely AI na řešení připravená pro produkci na jakémkoli hardwaru. Deci byla uznána jako Tech Innovator pro Edge AI společností Gartner a je zařazena do seznamu CB Insights’ AI 100. Její proprietární technologie nastavila nové rekordy v MLPerf s Intel.

Co vás最初 přitáhlo k strojovému učení?

Od mladého věku jsem byl vždy fascinován špičkovými technologiemi – nejen jejich používáním, ale také 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 také uvědomovat, jakým způsobem může AI pozitivně ovlivnit svět kolem nás. Od chytrých měst, která mohou lépe monitorovat dopravu a snižovat počet nehod, až po autonomní vozidla, která vyžadují minimální zásah člověka, 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 vzniku Deci AI?

Není těžké rozpoznat – stejně jako jsem to udělal, když jsem byl na škole na svém doktorandském studiu – jak prospěšné může být AI v různých případech. Avšak mnoho podniků bojuje s využíváním plného potenciálu AI, protože vývojáři neustále čelí obtížnému boji při vývoji modelů hlubokého učení připravených pro produkci. Jinými slovy, stále je velmi obtížné produktizovat AI.

Tyto výzvy lze do značné míry připsat na vrub AI efektivního rozdílu, se kterým se potýká průmysl. 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 na okraji sítě.

Můj spoluzakladatel Prof. Ran El-Yaniv, Jonathan Elial a já jsme založili Deci, abychom řešili tuto výzvu. A udělali jsme to jediným způsobem, který jsme považovali za možný – pomocí AI samotné k vytvoření další generace hlubokého učení. Přijali jsme algoritmický přístup, zaměřený na zlepšení účinnosti algoritmů AI v ranějších fázích, což by mělo umožnit vývojářům vytvářet a pracovat s modely, které poskytují nejvyšší úroveň přesnosti a efektivity pro jakékoli dané hardwarové zařízení.

Hluboké učení je jádrem Deci AI, můžete nám ho definovat?

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 chytrých městech, 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 Neural Architecture Search?

Neural Architecture Search (NAS) je technologická disciplína zaměřená na získání lepších modelů hlubokého učení.

Průkopnická práce Googlu na NAS v roce 2017 pomohla téma uvést do mainstreamu, alespoň v rámci výzkumu a akademických kruhů.

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

Používají ho týmy, aby zjednodušily proces vývoje, snížily počet iterací a zajistily, že nakonec dostanou nejlepší model, který může nejlépe sloužit cílům aplikace.

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 a Facebook, nebo na akademických institucích, jako je Stanford, protože tradiční techniky NAS jsou komplikované 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 vytvářet vlastní modelové architektury s lepší než státními úrovněmi přesnosti a rychlosti pro jejich aplikace.

Jak se učení objektového rozpoznávání liší v závislosti na typu obrazu?

Překvapivě, doména obrazů dramaticky neovlivňuje proces učení modelů objektového rozpoznávání. Bez ohledu na to, zda hledáte chodce na ulici, nádor v lékařském snímku nebo skrytou zbraň na rentgenovém snímku pořízeném bezpečnostní službou na letišti, proces je téměř stejný. Data, která použijete k výcviku svého 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 vytvářet, trénovat a nasazovat přesné a rychlé modely hlubokého učení do produkce. Tímto způsobem mohou týmy využít nejmodernější výzkum a nejlepší praktiky inženýrství s jednou řádkou kódu, zkrátit dobu vývoje z měsíců na několik týdnů a zajistit úspěch v produkci.

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

Jsme nadšeni 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 jednat na základě skutečného potenciálu AI. Od spuštění jsme byli zařazeni do CB Insights’ AI 100, dosáhli jsme průlomových úspěchů, jako je naše rodina modelů, které poskytují průlomové výkony hlubokého učení na CPU, a upevnili jsme významné spolupráce, včetně těch s velkými názvy, jako je Intel.

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

Jak jsem již zmínil, AI efektivního rozdílu stále způsobuje majoritní překážky pro produktizaci AI. „Posunutí doleva“ – zohlednění omezení produkce brzy ve vývojovém cyklu – snižuje čas a náklady vynaložené na řešení potenciálních překážek při nasazování modelů hlubokého učení do produkce. Naše platforma prokázala schopnost udělat právě to, poskytovat společnostem nástroje potřebné k úspěšnému vývoji a nasazení svět měnících AI řešení.

Náš cíl je jednoduchý – učinit AI široce dostupnou, dostupnou a škálovatelnou.

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