Yonatan Geifman, administrerende direktør og medstifter af Deci – Intervjuerækken

Yonatan Geifman er administrerende direktør og medstifter af Deci som transformerer AI-modeller til produktionsklare løsninger på enhver hardware. Deci er blevet anerkendt som en teknologisk innovator inden for Edge AI af Gartner og er inkluderet i CB Insights’ AI 100-liste. Dets proprietære teknologis ydelse har sat nye rekorder på MLPerf med Intel.

Hvad var det, der oprindeligt tiltrak dig til maskinlæring?

Da jeg var ung, var jeg altid fascineret af spidsteknologier – ikke kun brugte dem, men forstod virkelig, hvordan de fungerede.

Denne livslange fascination åbnede vejen for mine efterfølgende ph.d.-studier i datalogi, hvor min forskning fokuserede på dybe neurale netværk (DNN). Da jeg kom til at forstå denne kritiske teknologi i en akademisk sammenhæng, begyndte jeg virkelig at fatte, hvordan AI kan have en positiv indvirkning på verden omkring os. Fra smarte byer, der kan overvåge trafik og reducere ulykker, til autonome køretøjer, der kræver lidt eller ingen menneskelig indgriben, til livreddende medicinske enheder – der er utallige anvendelser, hvor AI kan forbedre samfundet. Jeg vidste altid, at jeg ville deltage i den revolution.

Kan du dele historien bag Deci AI?

Det er ikke svært at genkende – som jeg gjorde, da jeg var i skole for min ph.d. – hvordan nyttigt AI kan være i anvendelser på tværs. Alligevel kæmper mange virksomheder for at udnytte AI’s fulde potentiale, da udviklere konstant står over for en opadgående kamp for at udvikle produktionsklare dybe læringmodeller til implementering. Med andre ord er det stadig super svært at gøre AI til en produkt.

Disse udfordringer kan til en stor del tilskrives den AI-effektivitetskløft, som industrien står over for. Algoritmer vokser eksponentielt mere kraftfulde og kræver mere beregningskraft, men samtidig skal de implementeres på en omkostningseffektiv måde, ofte på ressourcebegrænsede edge-enheder.

Mine medstiftere, professor Ran El-Yaniv, Jonathan Elial og jeg stiftede Deci for at imødegå denne udfordring. Og vi gjorde det på den eneste måde, vi så mulig – ved at bruge AI selv til at skabe den næste generation af dyb læring. Vi omfattede en algorithmisk-først-tilgang, hvor vi arbejdede på at forbedre effikaciteten af AI-algoritmer i de tidlige faser, hvilket vil give udviklere mulighed for at bygge og arbejde med modeller, der leverer de højeste niveauer af nøjagtighed og efficiens for enhver given inferenshardware.

Dyb læring er kerneområdet for Deci AI, kan du definere det for os?

Dyb læring, ligesom maskinlæring, er en underdisciplin til AI, der skal aktivere en ny æra af anvendelser. Dyb læring er stærkt inspireret af, hvordan det menneskelige hjerte er struktureret, hvilket er årsagen til, at når vi diskuterer dyb læring, diskuterer vi “neurale netværk”. Dette er super relevant for edge-anvendelser (tænk på kameraer i smarte byer, sensorer på autonome køretøjer, analytiske løsninger i sundhedssektoren), hvor lokale dybe læringmodeller er afgørende for at generere sådanne indsigt i realtid.

Hvad er Neural Architecture Search?

Neural Architecture Search (NAS) er en teknologisk disciplin, der sigter mod at opnå bedre dybe læringmodeller.

Googles pionerarbejde på NAS i 2017 hjalp med at bringe emnet ind i mainstream, i hvert fald inden for forsknings- og akademiske kredse.

Målet med NAS er at finde den bedste neurale netværksarkitektur for et givet problem. Det automatiserer designet af DNN, hvilket sikrer højere ydelse og lavere tab end manuelt designede arkitekturer. Det indebærer en proces, hvor en algoritme søger blandt en samlet rum af millioner af tilgængelige modelarkitekturer for at give en arkitektur, der er unikt egnet til at løse det pågældende problem. For at sige det enkelt, det bruger AI til at designe ny AI baseret på de specifikke behov for enhver given projekt.

Det bruges af hold til at simplificere udviklingsprocessen, reducere trial and error-iterationer og sikre, at de ender med den ultimative model, der kan bedst tjene applikationens nøjagtigheds- og ydelsesmål.

Hvad er nogle af begrænsningerne for Neural Architecture Search?

Traditionel NAS’s primære begrænsninger er tilgængelighed og skalerbarhed. NAS i dag bruges mest i forskningsmiljøer og typisk kun udført af teknologigiganter som Google (GOOGL ) og Facebook (META ) eller på akademiske institutter som Stanford, da traditionelle NAS-teknikker er komplicerede at udføre og kræver mange beregningsressourcer.

Det er derfor, jeg er så stolt over vores præstationer i udviklingen af Decis banebrydende AutoNAC (Automated Neural Architecture Construction)-teknologi, der demokratiserer NAS og giver virksomheder af alle størrelser mulighed for at let bygge brugerdefinerede modelarkitekturer med bedre end statens kunst nøjagtighed og hastighed for deres anvendelser.

Hvordan er læring af objektdetektion forskelligt afhængigt af billedtype?

Overraskende nok påvirker billeddomænet ikke dramatisk træningsprocessen for objektdetektionsmodeller. Uanset om du søger efter en fodgænger på gaden, en tumor i en medicinsk skanning eller en skjult våben i et røntgenbillede taget af lufthavnssikkerhed, er processen stort set den samme. Data, som du bruger til at træne din model, skal være repræsentativ for opgaven, og modellens størrelse og struktur kan være påvirket af størrelsen, formen og kompleksiteten af objekterne i dit billede.

Hvordan tilbyder Deci AI en end-to-end-platform for dyb læring?

Decis platform giver udviklere mulighed for at bygge, træne og implementere nøjagtige og hurtige dybe læringmodeller i produktion. Ved at gøre dette kan hold udnytte den mest avancerede forskning og ingeniørbedste praksis med en enkelt linje kode, forkorte markedsførings tid fra måneder til et par uger og garantere succes i produktion.

I begyndelsen startede du med et hold på 6 personer, og nu betjener du store virksomheder. Kan du diskutere virksomhedens vækst og nogle af de udfordringer, du har stået over for?

Vi er begejstrede over den vækst, vi har opnået, siden vi startede i 2019. Nu med over 50 ansatte og over 55 millioner dollars i finansiering til dato, er vi sikre på, at vi kan fortsætte med at hjælpe udviklere med at realisere og handle på AI’s sande potentiale. Siden lanceringen har vi været inkluderet på CB Insights’ AI 100, opnået banebrydende resultater, såsom vores familie af modeller, der leverer gennembrud dyb læring på CPU’er, og fastlagt meningsfulde samarbejder, herunder med store navne som Intel.

Er der noget andet, du gerne vil dele om Deci AI?

Som jeg nævnte tidligere, fortsætter AI-effektivitetskløften med at skabe store hindringer for AI-produktivering. “At flytte til venstre” – at tage hensyn til produktionsbegrænsninger tidligt i udviklingslivscyklussen – reducerer den tid og omkostning, der bruges på at løse potentielle hindringer, når dybe læringmodeller implementeres i produktion. Vores platform har vist sig i stand til at gøre netop det ved at give virksomheder de værktøjer, der er nødvendige for at udvikle og implementere verdensændrende AI-løsninger.

Vores mål er enkelt – at gøre AI bredt tilgængelig, billig og skalerbar.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Deci.