Yonatan Geifman, CEO und Mitbegründer von Deci – Interview Series

Yonatan Geifman ist CEO und Mitbegründer von Deci die KI-Modelle in produktionstaugliche Lösungen auf jeder Hardware umwandelt. Deci wurde von Gartner als Tech Innovator für Edge AI anerkannt und in die AI 100-Liste von CB Insights aufgenommen. Die Leistung seiner proprietären Technologie stellte bei MLPerf mit Intel neue Rekorde auf.

Was hat Sie ursprünglich am maschinellen Lernen gereizt?

Schon in jungen Jahren war ich von Spitzentechnologien fasziniert – nicht nur davon, sie zu nutzen, sondern auch wirklich zu verstehen, wie sie funktionieren.

Diese lebenslange Faszination ebnete den Weg für mein späteres Doktoratsstudium in Informatik, wobei sich meine Forschung auf Deep Neural Networks (DNNs) konzentrierte. Als ich diese entscheidende Technologie in einem akademischen Umfeld verstand, begann ich wirklich zu begreifen, wie KI die Welt um uns herum positiv beeinflussen kann. Von intelligenten Städten, die den Verkehr besser überwachen und Unfälle reduzieren können, über autonome Fahrzeuge, die kaum oder gar kein menschliches Eingreifen erfordern, bis hin zu lebensrettenden medizinischen Geräten – es gibt unzählige Anwendungen, in denen KI die Gesellschaft verbessern könnte. Ich wusste immer, dass ich an dieser Revolution teilnehmen wollte.

Könnten Sie die Entstehungsgeschichte hinter Deci AI erzählen?

Es ist nicht schwer zu erkennen, wie nützlich KI in Anwendungsfällen auf ganzer Linie sein kann – so wie ich es während meiner Doktorarbeit tat. Dennoch haben viele Unternehmen Schwierigkeiten, das volle Potenzial der KI auszuschöpfen, da Entwickler ständig vor einem harten Kampf stehen, um produktionsreife Deep-Learning-Modelle für den Einsatz zu entwickeln. Mit anderen Worten: Es bleibt äußerst schwierig, KI zu produzieren.

Diese Herausforderungen sind größtenteils auf die KI-Effizienzlücke zurückzuführen, mit der die Branche konfrontiert ist. Algorithmen werden exponentiell leistungsfähiger und erfordern mehr Rechenleistung. Gleichzeitig müssen sie jedoch auf kosteneffiziente Weise bereitgestellt werden, häufig auf ressourcenbeschränkten Edge-Geräten.

Meine Mitbegründer Prof. Ran El-Yaniv, Jonathan Elial und ich haben Deci mitgegründet, um diese Herausforderung anzugehen. Und wir haben es auf die einzige Art und Weise getan, die wir für möglich gehalten haben – indem wir KI selbst genutzt haben, um die nächste Generation von Deep Learning zu entwickeln. Wir verfolgen einen Algorithmus-First-Ansatz und arbeiten daran, die Wirksamkeit von KI-Algorithmen in den früheren Phasen zu verbessern, was wiederum Entwicklern die Möglichkeit gibt, Modelle zu erstellen und mit ihnen zu arbeiten, die für jede gegebene Inferenzhardware ein Höchstmaß an Genauigkeit und Effizienz bieten.

Deep Learning ist der Kern von Deci AI. Können Sie es für uns definieren?

Deep Learning ist wie maschinelles Lernen ein Teilgebiet der KI, das eine neue Ära von Anwendungen einleiten wird. Deep Learning ist stark von der Struktur des menschlichen Gehirns inspiriert. Wenn wir über Deep Learning sprechen, sprechen wir daher von „neuronalen Netzen“. Dies ist besonders relevant für Edge-Anwendungen (z. B. Kameras in Smart Cities, Sensoren für autonome Fahrzeuge, Analyselösungen im Gesundheitswesen), bei denen Deep-Learning-Modelle vor Ort für die Generierung solcher Erkenntnisse in Echtzeit von entscheidender Bedeutung sind.

Was ist die Suche nach neuronaler Architektur?

Neural Architecture Search (NAS) ist eine technologische Disziplin, die darauf abzielt, bessere Deep-Learning-Modelle zu erhalten.

Googles Pionierarbeit zu NAS im Jahr 2017 hat dazu beigetragen, das Thema zumindest in Forschungs- und akademischen Kreisen in den Mainstream zu bringen.

Das Ziel von NAS besteht darin, die beste neuronale Netzwerkarchitektur für ein bestimmtes Problem zu finden. Es automatisiert den Entwurf von DNNs und gewährleistet so eine höhere Leistung und geringere Verluste als manuell entworfene Architekturen. Dabei handelt es sich um einen Prozess, bei dem ein Algorithmus einen Gesamtraum von Millionen verfügbarer Modellarchitekturen durchsucht, um eine Architektur zu erhalten, die speziell für die Lösung dieses bestimmten Problems geeignet ist. Vereinfacht ausgedrückt nutzt es KI, um neue KI zu entwerfen, die auf den spezifischen Anforderungen eines bestimmten Projekts basiert.

Es wird von Teams verwendet, um den Entwicklungsprozess zu vereinfachen, Versuch-und-Irrtum-Iterationen zu reduzieren und sicherzustellen, dass sie am Ende das ultimative Modell erhalten, das den Genauigkeits- und Leistungszielen der Anwendungen am besten gerecht wird.

Welche Einschränkungen gibt es bei der Neural Architecture Search?

Die Haupteinschränkungen herkömmlicher NAS liegen in der Zugänglichkeit und Skalierbarkeit. Heutzutage wird NAS hauptsächlich in Forschungsumgebungen eingesetzt und normalerweise nur von Technologiegiganten wie Google und Facebook oder an akademischen Instituten wie Stanford eingesetzt, da die Durchführung herkömmlicher NAS-Techniken kompliziert ist und viele Rechenressourcen erfordert.

Deshalb bin ich so stolz auf unsere Erfolge bei der Entwicklung der bahnbrechenden AutoNAC-Technologie (Automated Neural Architecture Construction) von Deci, die NAS demokratisiert und es Unternehmen jeder Größe ermöglicht, auf einfache Weise benutzerdefinierte Modellarchitekturen mit besserer Genauigkeit als auf dem neuesten Stand der Technik zu erstellen Geschwindigkeit für ihre Anwendungen.

Wie unterscheidet sich die Erkennung von Lerneinwänden je nach Bildtyp?

Überraschenderweise hat die Domäne der Bilder keinen dramatischen Einfluss auf den Trainingsprozess von Objekterkennungsmodellen. Ob Sie nach einem Fußgänger auf der Straße suchen, nach einem Tumor bei einer medizinischen Untersuchung oder nach einer versteckten Waffe in einem Röntgenbild der Flughafensicherheit, der Vorgang ist im Großen und Ganzen derselbe. Die Daten, die Sie zum Trainieren Ihres Modells verwenden, müssen für die jeweilige Aufgabe repräsentativ sein, und die Größe und Struktur des Modells kann durch die Größe, Form und Komplexität der Objekte in Ihrem Bild beeinflusst werden.

Wie bietet Deci AI eine End-to-End-Plattform für Deep Learning?

Die Plattform von Deci ermöglicht es Entwicklern, genaue und schnelle Deep-Learning-Modelle für die Produktion zu erstellen, zu trainieren und bereitzustellen. Auf diese Weise können Teams die aktuellsten Best Practices aus Forschung und Technik mit einer Codezeile nutzen, die Markteinführungszeit um Monate auf ein paar Wochen verkürzen und den Erfolg in der Produktion garantieren.

Sie haben zunächst mit einem Team von 6 Personen begonnen und betreuen jetzt große Unternehmen. Könnten Sie uns über das Wachstum des Unternehmens und einige der Herausforderungen sprechen, mit denen Sie konfrontiert waren?

Wir sind begeistert von dem Wachstum, das wir seit Beginn im Jahr 2019 erzielt haben. Mit mittlerweile über 50 Mitarbeitern und einer bisherigen Finanzierung von über 55 Millionen US-Dollar sind wir zuversichtlich, dass wir Entwicklern weiterhin dabei helfen können, das wahre Potenzial von KI zu erkennen und auszuschöpfen. Seit dem Start sind wir dabei AI 100 von CB Insights, haben bahnbrechende Erfolge erzielt, wie zum Beispiel unsere Modellfamilie, die den Durchbruch schafft Deep-Learning-Leistung auf CPUs, und bedeutsame Kooperationen gefestigt, auch mit großen Namen wie Intel.

Gibt es noch etwas, das Sie über Deci AI mitteilen möchten?

Wie ich bereits erwähnt habe, stellt die KI-Effizienzlücke weiterhin große Hindernisse für die KI-Produktisierung dar. „Shifting Left“ – die Berücksichtigung von Produktionseinschränkungen zu Beginn des Entwicklungslebenszyklus – reduziert den Zeit- und Kostenaufwand für die Behebung potenzieller Hindernisse bei der späteren Bereitstellung von Deep-Learning-Modellen in der Produktion. Unsere Plattform hat bewiesen, dass sie genau das kann, indem sie Unternehmen die Tools zur Verfügung stellt, die sie für die erfolgreiche Entwicklung und Bereitstellung weltverändernder KI-Lösungen benötigen.

Unser Ziel ist einfach: KI allgemein zugänglich, erschwinglich und skalierbar zu machen.

Vielen Dank für das tolle Interview, Leser, die mehr erfahren möchten, sollten vorbeischauen Deci.