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 AI-100-Liste von CB Insights aufgenommen. Die Leistung seiner proprietären Technologie hat bei MLPerf mit Intel Rekorde gebrochen.

Was hat Sie ursprünglich zur Maschinenlernen-Forschung hingezogen?

Ich war schon von klein auf fasziniert von High-Tech-Technologien – nicht nur, indem ich sie benutzte, sondern indem ich wirklich verstand, wie sie funktionierten.

Diese lebenslange Faszination führte mich zu meinen späteren PhD-Studien in Informatik, bei denen meine Forschung sich auf Deep Neural Networks (DNNs) konzentrierte. Als ich diese kritische Technologie in einer akademischen Umgebung verstand, begann ich, die Wege zu verstehen, auf denen AI die Welt um uns herum positiv beeinflussen kann. Von intelligenten Städten, die den Verkehr besser überwachen und Unfälle reduzieren können, bis hin zu autonomen Fahrzeugen, die wenig bis keine menschliche Intervention benötigen, bis hin zu lebensrettenden medizinischen Geräten – es gibt endlose Anwendungen, bei denen AI 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 AI in verschiedenen Anwendungsbereichen sein kann. Viele Unternehmen haben jedoch Schwierigkeiten, das volle Potenzial von AI zu nutzen, da Entwickler ständig um die Entwicklung von produktionsreifen Deep-Learning-Modellen für die Bereitstellung kämpfen. Mit anderen Worten, es ist sehr schwierig, AI zu produktisieren.

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

Meine Co-Gründer 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 AI selbst nutzten, um die nächste Generation von Deep Learning zu entwickeln. Wir verfolgten einen algorithmus-erst-Ansatz, indem wir an der Verbesserung der Effizienz von AI-Algorithmen in den frühen Stadien arbeiteten, was wiederum Entwicklern ermöglichen würde, Modelle zu erstellen und zu verwenden, die die höchsten Genauigkeits- und Effizienzgrade für jedes gegebene Inferenz-Hardware liefern.

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

Deep Learning, wie Maschinenlernen, ist ein Teilgebiet von AI, das eine neue Ära von Anwendungen ermöglichen soll. Deep Learning ist stark von der Struktur des menschlichen Gehirns inspiriert, was der Grund ist, warum wir, wenn wir über Deep Learning sprechen, von “Neuralen Netzen” sprechen. Dies ist besonders relevant für Edge-Anwendungen (denken Sie an Kameras in intelligenten Städten, Sensoren in autonomen Fahrzeugen, Analyse-Lösungen im Gesundheitswesen), bei denen Modelle vor Ort für die Erstellung solcher Erkenntnisse in Echtzeit unerlässlich sind.

Was ist Neural Architecture Search?

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

Die Pionierarbeit von Google (GOOGL ) auf dem Gebiet des NAS im Jahr 2017 half, das Thema in die Mainstream-Forschung und akademischen Kreise zu bringen.

Das Ziel von NAS ist es, die beste neuronale Netzwerkarchitektur 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 großen Raum verfügbarer Modellarchitekturen sucht, um eine Architektur zu finden, die einzigartig geeignet ist, das bestimmte Problem zu lösen. Um es einfach auszudrücken, es nutzt AI, um neue AI 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 verwendet und wird normalerweise nur von Technologie-Giganten wie Google und Facebook (META ) oder an akademischen Instituten wie Stanford durchgeführt, da traditionelle NAS-Techniken kompliziert durchzuführen sind und viele Rechenressourcen erfordern.

Deswegen bin ich so stolz auf unsere Errungenschaften bei der Entwicklung von Decis bahnbrechender AutoNAC-Technologie (Automatisierte Neuronale Architektur-Konstruktion), die NAS demokratisiert und es Unternehmen aller Größen ermöglicht, leicht benutzerdefinierte Modellarchitekturen mit besserer als staatlicher Kunst-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 einer medizinischen Untersuchung oder einer versteckten Waffe in einem Röntgenbild suchen, das von der Flughafensicherheit aufgenommen wurde, der Prozess ist ziemlich gleich. 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 überführen. Auf diese Weise können Teams die neuesten Forschungsergebnisse und Engineering-Best-Practices mit einer Codezeile nutzen, die Zeit bis zur Markteinführung von Monaten auf einige Wochen verkürzen und den Erfolg in der Produktion garantieren.

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

Wir sind begeistert von dem Wachstum, das wir seit der Gründung im Jahr 2019 erreicht haben. Jetzt, mit über 50 Mitarbeitern und über 55 Millionen Dollar an Finanzierung, sind wir zuversichtlich, dass wir weiterhin Entwicklern helfen können, das wahre Potenzial von AI zu realisieren und zu nutzen. Seit der Gründung wurden wir in die AI-100-Liste 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 mit Intel, gefestigt.

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

Wie ich bereits erwähnt habe, verursacht die AI-Effizienz-Lücke weiterhin erhebliche Hindernisse für die Produktisierung von AI. “Shifting left” – die Berücksichtigung von Produktionsbeschränkungen früh im Entwicklungszyklus – 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 als in der Lage erwiesen, dies zu tun, indem sie Unternehmen mit den Tools ausstattet, die erforderlich sind, um weltverändernde AI-Lösungen erfolgreich zu entwickeln und bereitzustellen.

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

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