Max Versace, CEO και Συνιδρυτής της Neurala – Σειρά Συνεντεύξεων

O Δρ. Massimiliano Versace είναι ο συνιδρυτής και Διευθύνων Σύμβουλος της Neurala, και ο οραματιστής της εταιρείας. Μετά την πρωτοποριακή του έρευνα στα υπολογιστικά συστήματα που εμπνέονται από τον εγκέφαλο και τα βαθιά δίκτυα, συνεχίζει να εμπνέει και να ηγείται του κόσμου της αυτονομίας ρομποτικής. Έχει μιλήσει σε δεκάδες εκδηλώσεις και χώρους, συμπεριλαμβανομένων των TedX, NASA, Πενταγώνου, GTC, InterDrone, Εθνικών Εργαστηρίων, Εργαστηρίων Έρευνας της Αεροπορίας, HP, iRobot, Samsung, LG, Qualcomm (QCOM ), Ericsson, BAE Systems, AI World, Mitsubishi, ABB και Accenture, μεταξύ πολλών άλλων.

Αρχικά σπούδασε ψυχολογία και στη συνέχεια στράφηκε στη νευροεπιστήμη, ποια ήταν η λογική σας εκείνη την εποχή;

Η στροφή ήταν φυσική. Η ψυχολογία παρείχε την μια πλευρά του “νομίσματος της εκπαίδευσης” – τη μελέτη των ψυχολογικών φαινομένων. Ωστόσο, αν κάποιος ενδιαφέρεται για το τι μηχανικά προκαλούν σκέψεις και συμπεριφορά, αναπόφευκτα καταλήγει στη μελέτη του οργάνου που είναι υπεύθυνο για τις σκέψεις, και τελικά στη μελέτη της Νευροεπιστήμης!

Πότε συνειδητοποιήσατε ότι θέλατε να εφαρμόσετε την κατανόηση σας για τον ανθρώπινο εγκέφαλο στην μίμηση του ανθρώπινου εγκεφάλου σε ένα σύστημα AI;

Ο επόμενος βήμας, Νευροεπιστήμη στο AI, είναι πιο δύσκολος. Ενώ η Νευροεπιστήμη ασχολείται με τη λεπτομερή μελέτη της ανατομίας και της φυσιολογίας του νευρικού συστήματος και του πώς οι εγκέφαλοι δίνουν rise στη συμπεριφορά, ένας άλλος συμπληρωματικός δρόμος για την επίτευξη μιας ακόμη μεγαλύτερης κατανόησης είναι να χτίσει μια συνθετική έκδοση τους. Μια αναλογία που μου αρέσει να δώσω είναι ότι μπορείτε να αποκτήσετε μια μερική κατανόηση του πώς λειτουργεί ένας κινητήρας απομακρύνοντας ένα κύλινδρο και το ραδιόφωνο και καταλήγοντας στο συμπέρασμα ότι οι κύλινδροι και τα ραδιόφωνα είναι σημαντικά για τη λειτουργία του κινητήρα. Ένας άλλος βαθύτερος τρόπος για να κατανοήσετε έναν κινητήρα είναι να τον χτίσετε από το μηδέν – δηλαδή μελετώντας την νοημοσύνη χτίζοντας μια συνθετική (τεχνητή) έκδοση της.

Ποια ήταν κάποια από τα πρώτα προγράμματα βαθιάς μάθησης στα οποία δούλεψατε;

Το 2009 για τη DARPA δούλεψαμε στην κατασκευή ενός “ολικής μίμησης του εγκεφάλου” για ένα αυτόνομο ρομπότ χρησιμοποιώντας ένα προηγμένο chip που σχεδιάστηκε από την Hewlett Packard. Σε μια λέξη, η εργασία μας ήταν να μιμηθούμε τον εγκέφαλο και κάποια από τα βασικά αυτόνομα και μαθηματικά συμπεριφορικά στοιχεία ενός μικρού θηλαστικού σε μια μορφή που θα ήταν κατάλληλη για να είναι φορητή και να εφαρμοστεί σε μικρό υλικό.

Μπορείτε να μοιραστείτε την ιστορία της Neurala;

Η Neurala ως εταιρεία ξεκίνησε το 2006 για να περιλάβει κάποια δίπλωμα σχετικά με τη χρήση GPU (Ενισχυτές Γραφικών) για βαθιά μάθηση. Ενώ αυτό μπορεί να θεωρηθεί εύκολο σήμερα, εκείνη την εποχή οι GPU δεν χρησιμοποιούνταν για AI καθόλου, και εμείς πρωτοπορήσαμε σε αυτήν την έννοια φανταζόμενοι ότι κάθε pixel σε μια γραφική κάρτα θα μπορούσε να χρησιμοποιηθεί για την επεξεργασία ενός νευρώνα (αντί για ένα τμήμα μιας σκηνής για να αποδοθεί στην οθόνη). Χάρη στον παραλληλισμό των GPU, ο οποίος μιμείται τον παραλληλισμό του εγκεφάλου μας σε ένα (εμπορικά βιώσιμο) βαθμό, καταφέραμε να επιτύχουμε ταχύτητα μάθησης και εκτέλεσης για τους αλγορίθμους μας που απότομα έκαναν την AI και τη βαθιά μάθηση πρακτική. Έπρεπε να περιμένουμε quelques χρόνια ακόμη για να βγουμε από την ακαδημία, επειδή ο κόσμος “καταπιάστηκε” (ήδη πιστεύαμε!) με την πραγματικότητα της AI. Το 2013, βγáme την εταιρεία από την κρυφότητα, (καθώς ήδη финансируем από τη NASA και τα Εργαστήρια Έρευνας της Αεροπορίας) και εισήλθαμε στο πρόγραμμα Boston Tech Stars. Από εκεί, ξεκινήσαμε να προσλαμβάνουμε quelques υπαλλήλους και να συλλέγουμε ιδιωτικό κεφάλαιο. Όμως, δεν ήταν μέχρι το 2017 που, με μια νέα ένεση κεφαλαίου και την ωρίμανση της βιομηχανίας, καταφέραμε να κάνουμε τις πρώτες σημαντικές αναπτύξεις και να τοποθετήσουμε την AI μας σε 56 εκατομμύρια συσκευές, που κυμαίνονται από κάμερες, σε έξυπνα τηλέφωνα, drones και ρομπότ.

Μια από τις πρώτες εργασίες της Neurala ήταν η συνεργασία με το ρομπότ της NASA στο Άρη. Μπορείτε να μοιραστείτε μαζί μας τα highlights αυτής της εργασίας;

Η NASA είχε ένα πολύ συγκεκριμένο πρόβλημα: ήθελαν να εξερευνήσουν την τεχνολογία για να ενεργοποιήσουν τις μελλοντικές αυτόνομες αποστολές, όπου το αυτόνομο σύστημα (π.χ. ένα ρομπότ) δεν θα εξαρτάτο από τη βήμα-προς-βήμα οδηγία του ελέγχου της Γης. Οι καθυστερήσεις στην επικοινωνία καθιστούν αυτό το έλεγχο αδύνατο – απλώς θυμηθείτε πόσο ακατάλληλη ήταν η επικοινωνία μεταξύ της Γης και του Matt Damon στην ταινία “Ο Μάρτιάς”. Η λύση μας: να ενδυναμώσουμε κάθε ρομπότ με τον δικό του εγκέφαλο. Η NASA στράφηκε σε εμάς, επειδή ήμασταν ήδη θεωρούμενοι ως εμπειρογνώμονες στη δημιουργία αυτών των αυτόνομων “μικρών εγκεφάλων” με τη DARPA, για να ενδυναμώσουμε ένα ρομπότ με ένα σύστημα βαθιάς μάθησης που θα μπορούσε όχι μόνο να τρέξει στο ρομπότ, αλλά και να προσαρμοστεί σε πραγματικό χρόνο και να μάθει νέα πράγματα καθώς το ρομπότ λειτουργούσε. Αυτά περιλαμβάνουν νέα αντικείμενα (π.χ. βράχους, σημάδια νερού, κ.λπ.) καθώς και να δημιουργήσει ένα σημαντικό χάρτη ενός ανεξερεύνητου πλανήτη. Η πρόκληση ήταν τεράστια, αλλά και η ανταμοιβή: μια τεχνολογία βαθιάς μάθησης που θα μπορούσε να τρέξει σε μια πολύ μικρή επεξεργαστική ισχύ και να μάθει ακόμη και από ένα μόνο κομμάτι δεδομένων (π.χ. μια εικόνα). Αυτό πήγε πέρα από αυτό που η βαθιά μάθηση θα μπορούσε να επιτύχει εκείνη την εποχή (και ακόμη και σήμερα!).

Η Neurala έχει σχεδιάσει το Lifelong-DNN, μπορείτε να εξηγήσετε πώς αυτό διαφέρει από ένα κανονικό DNN και ποιες είναι οι πλεονεκτήματα που προσφέρει;

Σχεδιασμένο για την περίπτωση χρήσης της NASA που αναφέρθηκε παραπάνω, το Lifelong DNN, όπως λέει το όνομά του, μπορεί να μάθει κατά τη διάρκεια του ολόκληρου κύκλου ζωής του. Αυτό διαφέρει από τα παραδοσιακά Βαθιά Νευρωνικά Δίκτυα (DNN), τα οποία μπορούν να είναι είτε εκπαιδευμένα, είτε να εκτελούν μια “εικασία” (δηλαδή, μια ταξινόμηση). Στο L-DNN, όπως στους ανθρώπους, δεν υπάρχει διαφορά μεταξύ μάθησης και ταξινόμησης. Κάθε φορά που κοιτάζουμε κάτι, και ταξινομούμε το (αυτό είναι μια καρέκλα) και μαθαίνουμε γι’ αυτό (αυτή η καρέκλα είναι καινούρια, δεν την έχω δει ποτέ πριν, τώρα γνωρίζω λίγο περισσότερα γι’ αυτή). Σε αντίθεση με τα DNN, το L-DNN είναι πάντα σε μάθηση και αντιμετωπίζει αυτό που γνωρίζει για τον κόσμο, τι νέες πληροφορίες παρουσιάζονται, και είναι φυσικά σε θέση να κατανοήσει ανωμαλίες. Για παράδειγμα, αν ένα από τα παιδιά μου παίξει ένα παιχνίδι με μένα και βάψει την καρέκλα μου ροζ, θα την αναγνωρίσω αμέσως.既然 το L-DNN έχει μάθει με τον καιρό ότι η καρέκλα μου είναι μαύρη, και όταν η αντίληψή μου για αυτήν δεν ταιριάζει με τη μνήμη μου για αυτή, το L-DNN θα παράγει ένα σήμα ανωμαλίας. Αυτό χρησιμοποιείται στα προϊόντα της Neurala με διάφορους τρόπους (Δείτε παρακάτω).

Μπορείτε να συζητήσετε τι είναι το Brain Builder custom vision AI και πώς επιτρέπει ταχύτερες, ευκολότερες και λιγότερο δαπανηρές εφαρμογές ρομποτικής;

Καθώς το L-DNN φυσικά μαθαίνει για τον κόσμο και μπορεί να κατανοήσει αν κάτι είναι ανωμαλία ή αποκλίνει από ένα μαθημένο πρότυπο, το προϊόν της Neurala, Brain Builder και VIA (Visual Inspection Automation) χρησιμοποιούνται για να ρυθμίσουν γρήγορα εργασίες οπτικής επιθεώρησης χρησιμοποιώντας μόνο quelques εικόνες “καλών προϊόντων”. Για παράδειγμα, σε ένα περιβάλλον παραγωγής, μπορείτε να χρησιμοποιήσετε 20 εικόνες “καλών μπουκαλιών” και να δημιουργήσετε einen “μικρό εγκέφαλο” οπτικής ποιότητας επιθεώρησης που μπορεί να αναγνωρίσει καλά μπουκάλια, ή όταν ένα κακό μπουκάλι (π.χ. ένα με σπασμένο καπάκι) παραχθεί. Αυτό μπορεί να γίνει με το L-DNN πολύ εύκολα, γρήγορα και σε một απλό CPU, αξιοποιώντας την τεχνολογία της NASA που χτίστηκε σε περισσότερα από 10 χρόνια έντονης έρευνας και ανάπτυξης.

Σε μια προηγούμενη συνέντευξη, συστήνατε στους επιχειρηματίες να στοχεύουν πάντα στην έναρξη μιας επιχείρησης που είναι ελαφρώς αδύνατη. Νιώσατε ότι η Neurala ήταν ελαφρώς αδύνατη όταν ξεκινήσατε την εταιρεία;

Ακόμη θυμάμαι τον φίλο και συνάδελφό μου, Anatoli, να βγάζει το εσπρέσο του όταν είπα “μια μέρα, η τεχνολογία μας θα τρέξει σε ένα κινητό τηλέφωνο”. Ήχησε αδύνατο, αλλά όλο που χρειαζόταν ήταν να φανταστεί και να εργαστεί για αυτό. Σήμερα, τρέχει σε εκατομμύρια τηλέφωνα. Οραματιζόμαστε einen κόσμο όπου χιλιάδες τεχνητοί οφθαλμοί μπορούν να αναγνωρίσουν βιομηχανικές μηχανές και διαδικασίες για να παρέχουν ένα προηγουμένως αδιανόητο επίπεδο ποιότητας και ελέγχου, προηγουμένως αδύνατο επειδή θα κατανάλωνε χιλιάδες ανθρώπους ανά μηχανή. Ελπίζω ότι κανείς δεν πίνει εσπρέσο ενώ διαβάζει αυτό….

Ευχαριστούμε για τη μεγάλη συνέντευξη, η Neurala είναι σαφώς μια εταιρεία που πρέπει να τη giữμε στη ραντάρ μας. Οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν την Neurala.