Yonatan Geifman, CEO & Co-Founder von Deci – Interview-Serie

Yonatan Geifman ist der CEO & Co-Founder von Deci das AI-Modelle in produktionsreife Lösungen auf jedem Hardware umwandelt. Deci wurde von Gartner als Tech-Innovator für Edge AI anerkannt und in die Liste der Top 100 AI-Unternehmen von CB Insights aufgenommen. Die proprietäre Technologie von Deci hat bei MLPerf mit Intel neue Rekorde aufgestellt.

Was hat Sie ursprünglich zur Maschinenlernen-Forschung hingezogen?

Schon von klein auf war ich immer von den neuesten Technologien fasziniert – nicht nur von ihrer Nutzung, sondern auch von ihrem tiefen Verständnis.

Diese lebenslange Faszination ebnete den Weg für meine späteren PhD-Studien in Informatik, bei denen meine Forschung sich auf Deep Neural Networks (DNNs) konzentrierte. Als ich diese kritische Technologie in einem akademischen Umfeld verstand, begann ich, die Möglichkeiten zu erkennen, wie KI die Welt um uns herum positiv beeinflussen kann. Von intelligenten Städten, die den Verkehr überwachen und Unfälle reduzieren können, bis hin zu autonomen Fahrzeugen, die kaum menschliche Intervention benötigen, und lebensrettenden medizinischen Geräten – es gibt unzählige Anwendungen, bei denen KI die Gesellschaft verbessern kann. Ich wusste immer, dass ich an dieser Revolution teilnehmen wollte.

Können Sie die Entstehungsgeschichte hinter Deci AI teilen?

Es ist nicht schwer zu erkennen – wie ich es während meines PhD-Studiums erkannt habe –, wie nützlich KI in verschiedenen Anwendungsbereichen sein kann. Doch viele Unternehmen kämpfen darum, das volle Potenzial von KI zu nutzen, da Entwickler ständig um die Entwicklung von produktionsreifen Deep-Learning-Modellen für die Bereitstellung kämpfen. Mit anderen Worten, es ist sehr schwierig, KI zu produktisieren.

Diese Herausforderungen können größtenteils dem AI-Effizienz-Engpass zugeschrieben werden, dem die Branche gegenübersteht. Algorithmen werden exponentiell leistungsfähiger und benötigen mehr Rechenleistung, aber gleichzeitig müssen sie auf kostengünstige Weise bereitgestellt werden, oft auf ressourcenbeschränkten Edge-Geräten.

Meine Mitgründer Prof. Ran El-Yaniv, Jonathan Elial und ich gründeten Deci, um diese Herausforderung anzugehen. Und wir taten es auf die einzige Weise, die wir für möglich hielten – indem wir KI selbst nutzten, um die nächste Generation von Deep Learning zu entwickeln. Wir verfolgten einen algorithmusorientierten Ansatz, um die Effizienz von KI-Algorithmen in den frühen Stadien zu verbessern, was Entwicklern ermöglichen würde, Modelle zu erstellen und zu verwenden, die die höchsten Genauigkeits- und Effizienzgrade für jede gegebene Inferenz-Hardware liefern.

Deep Learning ist der Kern von Deci AI, können Sie es uns erklären?

Deep Learning, wie Maschinenlernen, ist ein Teilbereich von KI, der eine neue Ära von Anwendungen ermöglichen soll. Deep Learning ist stark von der Struktur des menschlichen Gehirns inspiriert, daher sprechen wir, wenn wir über Deep Learning sprechen, über “Neuronale Netze”. Dies ist besonders relevant für Edge-Anwendungen (denken Sie an Kameras in intelligenten Städten, Sensoren in autonomen Fahrzeugen, Analyse-Lösungen im Gesundheitswesen), bei denen lokale Deep-Learning-Modelle für die Erzeugung solcher Erkenntnisse in Echtzeit von entscheidender Bedeutung sind.

Was ist Neural Architecture Search?

Neural Architecture Search (NAS) ist ein technologischer Bereich, der darauf abzielt, bessere Deep-Learning-Modelle zu erhalten.

Die Pionierarbeit von Google auf dem Gebiet des NAS im Jahr 2017 half, das Thema in den Mainstream zu bringen, zumindest in Forschungs- und akademischen Kreisen.

Das Ziel von NAS ist es, die beste neuronale Netzwerktopologie für ein bestimmtes Problem zu finden. Es automatisiert die Gestaltung von DNNs, was zu höherer Leistung und geringeren Verlusten im Vergleich zu manuell gestalteten Architekturen führt. Es beinhaltet einen Prozess, bei dem ein Algorithmus in einem Raum von Millionen verfügbarer Modellarchitekturen sucht, um eine Architektur zu ermitteln, die einzigartig geeignet ist, das spezifische Problem zu lösen. Um es einfach auszudrücken, es nutzt KI, um neue KI zu entwerfen, basierend auf den spezifischen Anforderungen eines bestimmten Projekts.

Es wird von Teams verwendet, um den Entwicklungsprozess zu vereinfachen, die Anzahl der Trial-and-Error-Iterationen zu reduzieren und sicherzustellen, dass sie am Ende mit dem ultimativen Modell enden, das die Genauigkeits- und Leistungsziele der Anwendung am besten erfüllen kann.

Was sind einige der Einschränkungen von Neural Architecture Search?

Die Hauptbeschränkungen traditioneller NAS sind Zugänglichkeit und Skalierbarkeit. NAS wird heute hauptsächlich in Forschungsumgebungen eingesetzt und wird in der Regel nur von Technologie-Giganten wie Google und Facebook oder an akademischen Instituten wie Stanford durchgeführt, da traditionelle NAS-Techniken kompliziert sind und viele Rechenressourcen erfordern.

Deswegen bin ich so stolz auf unsere Errungenschaften bei der Entwicklung von Decis bahnbrechender AutoNAC-Technologie (Automatisierte Neuronale Architekturkonstruktion), die NAS demokratisiert und es Unternehmen aller Größen ermöglicht, leicht benutzerdefinierte Modellarchitekturen mit besserer als staatlicher Genauigkeit und Geschwindigkeit für ihre Anwendungen zu erstellen.

Wie unterscheidet sich das Lernen von Objekterkennung je nach Bildtyp?

Überraschenderweise beeinflusst der Bereich der Bilder den Trainingsprozess von Objekterkennungsmodellen nicht dramatisch. Ob Sie nach einem Fußgänger auf der Straße, einem Tumor in einem medizinischen Scan oder einer versteckten Waffe in einem Röntgenbild suchen, das von der Flughafensicherheit aufgenommen wurde, der Prozess ist im Wesentlichen derselbe. Die Daten, die Sie zum Trainieren Ihres Modells verwenden, müssen repräsentativ für die Aufgabe sein, und die Modellgröße und -struktur können 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?

Decis Plattform ermöglicht es Entwicklern, genaue und schnelle Deep-Learning-Modelle zu erstellen, zu trainieren und in Produktion zu deployen. Auf diese Weise können Teams die neuesten Forschungsergebnisse und Engineering-Best-Practices mit nur einer Codezeile nutzen, die Zeit bis zum Markteintritt von Monaten auf einige Wochen verkürzen und den Erfolg in der Produktion garantieren.

Sie haben ursprünglich mit einem Team von 6 Personen begonnen und jetzt großen Unternehmen gedient. Können Sie über das Wachstum des Unternehmens und einige der Herausforderungen sprechen, denen Sie gegenüberstanden?

Wir sind begeistert von dem Wachstum, das wir seit unserer Gründung im Jahr 2019 erzielt haben. Jetzt, mit über 50 Mitarbeitern und mehr als 55 Millionen Dollar an Finanzierung, sind wir zuversichtlich, dass wir weiterhin Entwicklern helfen können, das wahre Potenzial von KI zu realisieren und zu nutzen. Seit unserem Start wurden wir in die Liste der Top 100 KI-Unternehmen von CB Insights aufgenommen, haben bahnbrechende Errungenschaften erzielt, wie unsere Familie von Modellen, die bahnbrechende Deep-Learning-Leistung auf CPUs liefern, und haben bedeutungsvolle Partnerschaften wie die mit Intel geknüpft.

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

Wie ich bereits erwähnt habe, verursacht der AI-Effizienz-Engpass weiterhin große Hindernisse für die Produktisierung von KI. “Shifting left” – die Berücksichtigung von Produktionsbeschränkungen früh im Entwicklungslebenszyklus – reduziert die Zeit und Kosten, die für die Behebung potenzieller Hindernisse bei der Bereitstellung von Deep-Learning-Modellen in der Produktion aufgewendet werden. Unsere Plattform hat sich bereits als in der Lage erwiesen, dies zu tun, indem sie Unternehmen mit den notwendigen Tools ausstattet, um erfolgreich weltverändernde KI-Lösungen zu entwickeln und bereitzustellen.

Unser Ziel ist einfach – KI weit verbreitet, erschwinglich und skalierbar machen.

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