Yashar Behzadi, der CEO von Synthesis AI – Interview-Serie

Yashar Behzadi PhD ist der CEO und Gründer von Synthesis AI. Er ist ein erfahrener Unternehmer, der transformative Unternehmen im Bereich KI, Medizintechnik und IoT aufgebaut hat. Er hat die letzten 14 Jahre in Silicon Valley verbracht, wo er datenzentrierte Technologieunternehmen aufgebaut und skaliert hat. Yashar hält über 30 Patente und hat einen Ph.D. von der UCSD mit dem Schwerpunkt auf räumlich-zeitliche Modellierung von funktioneller Hirnbildgebung.

Synthesis AI ist ein Startup, das sich am Schnittpunkt von Deep Learning und CGI befindet und ein neues Paradigma für die Entwicklung von Computer-Vision-Modellen schafft. Sie ermöglichen es Kunden, bessere Modelle in einem Bruchteil der Zeit und Kosten traditioneller menschlicher Annotationen zu entwickeln.

Wie sind Sie ursprünglich in die Informatik und KI eingestiegen?

Ich habe 2006 einen Ph.D. von der UCSD erworben, der sich auf Computer-Vision und räumlich-zeitliche Modellierung von Hirnbildgebungsdaten konzentrierte. Anschließend arbeitete ich 16 Jahre in Silicon Valley an der Schnittstelle von Sensoren, Daten und maschinellem Lernen in verschiedenen Branchen. Ich bin sehr dankbar für die Gelegenheit, an einigen bemerkenswerten Technologien zu arbeiten, und habe über 30 Patente angemeldet oder erhalten, die sich auf Signalverarbeitung, maschinelles Lernen und Data Science konzentrieren.

Können Sie die Entstehungsgeschichte von Synthesis AI teilen?

Bevor ich Synthesis AI 2019 gründete, leitete ich ein globales KI-Dienstleistungsunternehmen, das Computer-Vision-Modelle für führende Technologieunternehmen entwickelte. Egal, wie groß das Unternehmen war, ich stellte fest, dass wir extrem durch die Qualität und Menge der gelabelten Trainingsdaten eingeschränkt waren. Als Unternehmen sich geografisch ausdehnten, ihre Kundenbasis erweiterten oder neue Modelle und Hardware entwickelten, waren neue Trainingsdaten erforderlich, um sicherzustellen, dass die Modelle angemessen funktionierten. Es wurde auch klar, dass die Zukunft der Computer-Vision nicht mit dem heutigen menschlichen Annotation-Paradigma erfolgreich sein würde. Aufkommende Computer-Vision-Anwendungen in Autonomie, Robotik und AR/VR/Metaverse-Anwendungen erfordern eine reiche Menge an 3D-Labels, Tiefeninformationen, Materialien, detaillierter Segmentierung usw., die Menschen nicht annotieren können. Ein neues Paradigma war erforderlich, um die notwendige reiche Menge an Labels zur Verfügung zu stellen, um diese neuen Modelle zu trainieren. Zusätzlich zu den technischen Treibern sahen wir eine zunehmende Verbraucher- und regulatorische Überwachung im Zusammenhang mit ethischen Fragen im Zusammenhang mit Modellbias und Verbraucherdatenschutz.

Ich gründete Synthesis AI mit dem Ziel, das Computer-Vision-Paradigma zu revolutionieren. Die synthetische Daten-Generierungsplattform des Unternehmens ermöglicht die Erzeugung von photorealistischen Bildaten mit einer erweiterten Menge an 3D-Pixel-Labels auf Anfrage. Unsere Mission ist es, synthetische Datentechnologien zu entwickeln, um die ethische Entwicklung von leistungsfähigeren Modellen zu ermöglichen.

Können Sie den Begriff “synthetische Daten” für Leser, die mit diesem Begriff nicht vertraut sind, definieren?

Synthetische Daten sind computererzeugte Daten, die als Alternative zu realen Daten dienen. Synthetische Daten werden in simulierten digitalen Welten erstellt und nicht in der realen Welt gesammelt oder gemessen. Durch die Kombination von Werkzeugen aus der Welt der visuellen Effekte und CGI mit generativen KI-Modellen ermöglicht Synthesis AI Unternehmen, große Mengen an photorealistischen, vielfältigen Daten auf Anfrage zu erstellen, um Computer-Vision-Modelle zu trainieren. Die Daten-Generierungsplattform des Unternehmens reduziert die Kosten und die Zeit, um hochwertige Bildaten zu erhalten, um ein Vielfaches, während die Privatsphäre erhalten bleibt.

Können Sie erläutern, wie synthetische Daten generiert werden?

Ein synthetischer Datensatz wird künstlich erstellt und nicht durch reale Daten. Technologien aus der visuellen Effektindustrie werden mit generativen neuronalen Netzen kombiniert, um große, vielfältige und photorealistische gelabelte Bildaten zu erstellen. Synthetische Daten ermöglichen die Erstellung von Trainingsdaten bei einem Bruchteil der Kosten und Zeit im Vergleich zu herkömmlichen Ansätzen.

Wie schafft die Nutzung synthetischer Daten einen Wettbewerbsvorteil?

Aktuell nutzen die meisten KI-Systeme “überwachtes Lernen”, bei dem Menschen Schlüsselattribute in Bildern annotieren und dann KI-Algorithmen trainieren, um Bilder zu interpretieren. Dies ist ein ressourcen- und zeitaufwändiger Prozess und wird durch das begrenzt, was Menschen genau annotieren können. Darüber hinaus haben Bedenken hinsichtlich KI-Demografische Verzerrung und Verbraucherdatenschutz zugenommen, was es immer schwieriger macht, repräsentative menschliche Daten zu erhalten.

Unsere Herangehensweise besteht darin, photorealistische digitale Welten zu erstellen, die komplexe Bildaten synthetisieren. Da wir die Daten erstellen, wissen wir alles über die Szenen, einschließlich noch nie zuvor verfügbarer Informationen über die 3D-Lokalisierung von Objekten und ihrer komplexen Interaktionen miteinander und mit der Umgebung. Die Beschaffung und Annotierung dieser Menge an Daten mit herkömmlichen Ansätzen würde Monate, wenn nicht Jahre, dauern. Dieses neue Paradigma wird eine 100-fache Verbesserung der Effizienz und Kosten ermöglichen und eine neue Klasse leistungsfähigerer Modelle vorantreiben.

Da synthetische Daten künstlich generiert werden, werden viele Verzerrungen und Datenschutzbedenken im Zusammenhang mit der traditionellen Datenerfassung aus der realen Welt eliminiert.

Wie ermöglicht die Erzeugung von Daten auf Anfrage eine beschleunigte Skalierung?

Die Erfassung und Vorbereitung von realen Daten für die Modelltrainierung ist ein langwieriger und mühsamer Prozess. Die Bereitstellung der notwendigen Hardware kann für komplexe Computer-Vision-Systeme wie autonome Fahrzeuge, Robotik oder Satellitenbilder prohibitiv teuer sein. Sobald die Daten erfasst sind, annotieren und annotieren Menschen wichtige Funktionen. Dieser Prozess ist fehleranfällig, und Menschen sind in ihrer Fähigkeit, wichtige Informationen wie die 3D-Position zu annotieren, die für viele Anwendungen erforderlich ist, begrenzt.

Synthetische Daten sind um ein Vielfaches schneller und günstiger als herkömmliche menschliche Annotationen und werden die Bereitstellung neuer und leistungsfähigerer Modelle in verschiedenen Branchen beschleunigen.

Wie ermöglichen synthetische Daten eine Reduzierung oder Vermeidung von KI-Verzerrungen?

KI-Systeme sind allgegenwärtig, können jedoch inhärente Verzerrungen enthalten, die bestimmte Gruppen von Menschen beeinträchtigen können. Datensätze können unbalanciert sein, wobei bestimmte Klassen von Daten über- oder unterrepräsentiert sind. Die Erstellung menschenzentrierter Systeme kann oft zu Geschlechts-, Ethnie- und Altersverzerrungen führen. Im Gegensatz dazu sind designgenerierte Trainingsdaten ordnungsgemäß ausgewogen und frei von menschlichen Verzerrungen.

Synthetische Daten könnten eine robuste Lösung für das Verzerrungsproblem der KI sein. Synthetische Daten werden teilweise oder vollständig künstlich erstellt und nicht aus realen Ereignissen oder Phänomenen gemessen oder extrahiert. Wenn der Datensatz nicht divers oder groß genug ist, kann KI-generierte Daten die Lücken füllen und einen unvoreingenommenen Datensatz bilden. Das Beste daran? Die manuelle Erstellung dieser Datensätze kann Teams mehrere Monate oder Jahre dauern. Mit synthetischen Daten kann dies über Nacht erfolgen.

Außerhalb der Computer-Vision: Welche sind einige zukünftige potenzielle Anwendungsbereiche für synthetische Daten?

Zusätzlich zu den zahlreichen Computer-Vision-Anwendungsbereichen im Zusammenhang mit Verbraucherprodukten, Autonomie, Robotik, AR/VR/Metaverse und mehr werden synthetische Daten auch andere Datenmodi beeinflussen. Wir sehen bereits, wie Unternehmen synthetische Datenansätze für strukturierte tabellarische Daten, Sprache und Sprachverarbeitung nutzen. Die zugrunde liegenden Technologien und Generierungsverfahren unterscheiden sich für jeden Modus, und in naher Zukunft erwarten wir die Entwicklung multimodaler Systeme (z. B. Video + Sprache).

Gibt es noch etwas, das Sie über Synthesis AI teilen möchten?

Letztes Jahr veröffentlichten wir HumanAPI, eine bedeutende Erweiterung der synthetischen Datenfähigkeiten von Synthesis AI, die die programmatische Erstellung von Millionen einzigartiger, hochwertiger 3D-Digitalhumans ermöglicht. Diese Ankündigung erfolgte Monate nach dem Launch des synthetischen Daten-as-a-Service-Produkts FaceAPI, das über 10 Millionen gelabelte Gesichtsbilder für führende Smartphone-, Telekonferenz-, Auto- und Technologieunternehmen geliefert hat. HumanAPI ist der nächste Schritt in der Reise des Unternehmens, um fortschrittliche KI-Anwendungen für Computer-Vision zu unterstützen.

HumanAPI ermöglicht auch eine Vielzahl neuer Möglichkeiten für unsere Kunden, einschließlich intelligenter KI-Assistenten, virtueller Fitness-Trainern und natürlich der Welt der Metaverse-Anwendungen.

Indem wir eine digitale Kopie der realen Welt erstellen, wird das Metaverse neue Anwendungen ermöglichen, darunter neu konzipierte soziale Netzwerke, Unterhaltungserlebnisse, Telekonferenzen, Spiele und mehr. KI für Computer-Vision wird grundlegend für die Art und Weise sein, wie die reale Welt mit hoher Treue in der digitalen Welt erfasst und rekonstruiert wird. Photorealistische, ausdrucksstarke und verhaltensgenaue Menschen werden ein wesentlicher Bestandteil der Zukunft von Computer-Vision-Anwendungen sein. HumanAPI ist das erste Produkt, das es Unternehmen ermöglicht, große Mengen an perfekt gelabelten Ganzkörperdaten auf Anfrage zu erstellen, um leistungsfähigere KI-Modelle zu erstellen, einschließlich Pose-Schätzung, Emotionserkennung, Aktivitäts- und Verhaltenscharakterisierung, Gesichtsrekonstruktion und mehr.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Synthesis AI besuchen.