Ο Yashar Behzadi, ο CEO της Synthesis AI – Σειρά Συνεντεύξεων

Ο Yashar Behzadi PhD είναι ο CEO και Ιδρυτής της Synthesis AI. Είναι ένας έμπειρος επιχειρηματίας που έχει δημιουργήσει μετασχηματιστικές επιχειρήσεις στον τομέα της τεχνητής νοημοσύνης, της ιατρικής τεχνολογίας και των αγορών IoT. Έχει περάσει τα τελευταία 14 χρόνια στη κοιλάδα του Σιλικόνης, xây dựng και επεκτείνοντας εταιρείες τεχνολογίας που βασίζονται σε δεδομένα. Ο Yashar έχει πάνω από 30 πατέντες και πατέντες σε εκκρεμότητα και διδακτορικό από το UCSD με επίκεντρο το χωροχρονικό μοντέλο της λειτουργικής απεικόνισης του εγκεφάλου.

Synthesis AI είναι μια εταιρεία στο σημείο τομής της βαθιάς μάθησης και της CGI, δημιουργώντας einen νέο парадίγματος για την ανάπτυξη μοντέλων οπτικής αναγνώρισης. Επιτρέπουν στους πελάτες να αναπτύξουν καλύτερα μοντέλα σε ένα κλάσμα του χρόνου και του κόστους των παραδοσιακών προσεγγίσεων με βάση την ανθρώπινη αναγνώριση.

Πώς συμμετείχατε αρχικά στον υπολογιστικό τομέα και την τεχνητή νοημοσύνη;

Απέκτησα διδακτορικό από το UCSD το 2006 με επίκεντρο την οπτική αναγνώριση και το χωροχρονικό μοντέλο της απεικόνισης του εγκεφάλου. Στη συνέχεια, εργάστηκα στη κοιλάδα του Σιλικόνης στο σημείο τομής των αισθητήρων, των δεδομένων και της μηχανικής μάθησης σε διάφορους τομείς για τα επόμενα 16 χρόνια. Νιώθω πολύ τυχερός που είχα την ευκαιρία να εργαστώ σε κάποιες εξαιρετικές τεχνολογίες και έχω πάνω από 30 πατέντες που έχουν εκδοθεί ή έχουν υποβληθεί με επίκεντρο την επεξεργασία σήματος, την μηχανική μάθηση και την επιστήμη των δεδομένων.

Μπορείτε να μοιραστείτε την ιστορία της Synthesis AI;

Πριν ιδρύσω την Synthesis AI το 2019, ηγήθηκα μιας εταιρείας παγκόσμιων υπηρεσιών τεχνητής νοημοσύνης που επικεντρωνόταν στην ανάπτυξη μοντέλων οπτικής αναγνώρισης για τις principales τεχνολογικές εταιρείες. Ανεξάρτητα από το μέγεθος της εταιρείας, διαπιστώσαμε ότι είμαστε εξαιρετικά περιορισμένοι από την ποιότητα και την ποσότητα των δεδομένων εκπαίδευσης. Όταν οι εταιρείες επεκτείνονταν γεωγραφικά, αυξάνονταν η βάση πελατών τους ή αναπτύσσονταν νέα μοντέλα και νέο υλικό, χρειαζόταν νέα δεδομένα εκπαίδευσης για να διασφαλιστεί ότι τα μοντέλα λειτουργούσαν επαρκώς. Επίσης, έγινε σαφές ότι το μέλλον της οπτικής αναγνώρισης δεν θα ήταν επιτυχημένο με το σημερινό парадίγματος της ανθρώπινης αναγνώρισης. Οι επερχόμενες εφαρμογές της οπτικής αναγνώρισης στις αυτονομίες, την ρομποτική και τις εφαρμογές AR/VR/metaverse απαιτούν ένα πλούσιο σύνολο 3D ετικετών, πληροφορίες βάθους, ιδιότητες υλικών, λεπτομερή διαχωρισμό, κ.λπ., τα οποία οι άνθρωποι δεν μπορούν να αναγνωρίσουν. Ένα νέο παрадίγματος ήταν απαραίτητο για να παρέχει το απαραίτητο πλούσιο σύνολο ετικετών για να εκπαιδεύσει αυτά τα νέα μοντέλα. Además, είδαμε αυξανόμενη επιτήρηση των καταναλωτών και των ρυθμιστικών αρχών σχετικά με τα ηθικά ζητήματα που σχετίζονται με την προκατάληψη των μοντέλων και την ιδιωτικότητα των καταναλωτών.

Ιδρύθηκα την Synthesis AI με σκοπό να μετασχηματίσει το παрадίγματος της οπτικής αναγνώρισης. Η πλατφόρμα σύνθεσης δεδομένων της εταιρείας μας επιτρέπει την παραγωγή φωτορεαλιστικών δεδομένων εικόνας με ένα επεκταμένο σύνολο 3D ετικετών. Ο στόχος μας είναι να πιονηρήσουμε τις τεχνολογίες συνθετικών δεδομένων για να επιτρέψουμε την ηθική ανάπτυξη πιο ικανοποιητικών μοντέλων.

Για τους αναγνώστες που δεν είναι εξοικειωμένοι με αυτόν τον όρο, μπορείτε να ορίσετε τι είναι τα συνθετικά δεδομένα;

Τα συνθετικά δεδομένα είναι υπολογιστικά δεδομένα που χρησιμεύουν ως εναλλακτική λύση στα δεδομένα του πραγματικού κόσμου. Τα συνθετικά δεδομένα δημιουργούνται σε προσομοιωμένα ψηφιακά κόσμους αντί να συλλέγονται ή να μετρούνται στον πραγματικό κόσμο. Συνδυάζοντας εργαλεία από τον κόσμο των οπτικών εφέ και της CGI με γενετικά μοντέλα AI, η Synthesis AI επιτρέπει στις εταιρείες να δημιουργούν τεράστια ποσά φωτορεαλιστικών και ποικιλόμορφων δεδομένων upon ζήτηση για να εκπαιδεύσουν μοντέλα οπτικής αναγνώρισης. Η πλατφόρμα γεννήσεων δεδομένων της εταιρείας μας μειώνει το κόστος και τον χρόνο απόκτησης υψηλής ποιότητας δεδομένων εικόνας με πολλαπλάσιος τάξεις ενώ διατηρεί την ιδιωτικότητα.

Μπορείτε να συζητήσετε πώς παράγονται τα συνθετικά δεδομένα;

Ένα συνθετικό σύνολο δεδομένων δημιουργείται τεχνητά αντί να δημιουργηθεί μέσω δεδομένων του πραγματικού κόσμου. Τεχνολογίες από την βιομηχανία των οπτικών εφέ συνδυάζονται με γενετικά νευρωνικά δίκτυα για να δημιουργήσουν τεράστια, ποικιλόμορφα και φωτορεαλιστικά δεδομένα εικόνας. Τα συνθετικά δεδομένα επιτρέπουν την δημιουργία δεδομένων εκπαίδευσης σε ένα κλάσμα του κόστους και του χρόνου των τρεχουσών προσεγγίσεων.

Πώς η αξιοποίηση των συνθετικών δεδομένων δημιουργεί einen ανταγωνιστικό πλεονέκτημα;

Σήμερα, τα περισσότερα συστήματα AI αξιοποιούν την «επίβλεπτη μάθηση», όπου οι άνθρωποι αναγνωρίζουν βασικά χαρακτηριστικά στις εικόνες και στη συνέχεια εκπαιδεύουν τα αλγόριθμοι AI να ερμηνεύουν τις εικόνες. Αυτή είναι μια διαδικασία που απαιτεί πόρους και χρόνο και είναι περιορισμένη από ότι οι άνθρωποι μπορούν να αναγνωρίσουν ακριβώς. Además, οι ανησυχίες σχετικά με την προκατάληψη της δημογραφίας AI και την ιδιωτικότητα των καταναλωτών έχουν ενισχυθεί, καθιστώντας ακόμη πιο δύσκολο να αποκτήσουν αντιπροσωπευτικά ανθρώπινα δεδομένα.

Η προσέγγισή μας είναι να δημιουργήσουμε φωτορεαλιστικούς ψηφιακούς κόσμους που συνθέτουν σύνθετα δεδομένα εικόνας.既然 δημιουργούμε τα δεδομένα, γνωρίζουμε όλα σχετικά με τις σκηνές, συμπεριλαμβανομένων πληροφοριών που δεν ήταν διαθέσιμες πριν, όπως η 3D τοποθεσία των αντικειμένων και οι σύνθετες αλληλεπιδράσεις μεταξύ τους και του περιβάλλοντος. Η απόκτηση και η αναγνώριση αυτού του ποσού δεδομένων με τις τρέχουσες προσεγγίσεις θα πάρει μήνες, αν όχι χρόνια. Αυτό το νέο парадίγματος θα επιτρέψει μια βελτίωση της απόδοσης 100 φορές και θα οδηγήσει σε μια νέα κατηγορία πιο ικανοποιητικών μοντέλων.

既然 τα συνθετικά δεδομένα παράγονται τεχνητά, αυτό εξαλείφει πολλές προκαταλήψεις και ανησυχίες ιδιωτικότητας που σχετίζονται με την παραδοσιακή συλλογή δεδομένων από τον πραγματικό κόσμο.

Πώς η παραγωγή δεδομένων upon ζήτηση επιτρέπει την επιτάχυνση της κλίμακας;

Η συλλογή και η προετοιμασία δεδομένων του πραγματικού κόσμου για την εκπαίδευση μοντέλων είναι μια μακρά και χρονοβόρα διαδικασία. Η ανάπτυξη του απαραίτητου υλικού μπορεί να είναι prohibitively ακριβή για σύνθετα συστήματα οπτικής αναγνώρισης όπως τα αυτονομικά οχήματα, η ρομποτική ή η εικονογράφηση δορυφόρου. Μόλις τα δεδομένα συλλεγούν, οι άνθρωποι αναγνωρίζουν και αναnota τις βασικές λειτουργίες. Αυτή η διαδικασία είναι ευάλωτη σε λάθη και οι άνθρωποι είναι περιορισμένοι στην ικανότητά τους να αναγνωρίσουν βασικές πληροφορίες όπως η 3D θέση που απαιτείται για πολλές εφαρμογές.

Τα συνθετικά δεδομένα είναι τάξεις μεγέθους ταχύτερα και φθηνότερα από τις παραδοσιακές προσεγγίσεις με βάση την ανθρώπινη αναγνώριση και θα επιταχύνουν την ανάπτυξη νέων και πιο ικανοποιητικών μοντέλων σε διάφορους τομείς.

Πώς τα συνθετικά δεδομένα επιτρέπουν την μείωση ή την πρόληψη της προκατάληψης AI;

Τα συστήματα AI είναι πανταχού παρόντα αλλά μπορεί να περιέχουν εγγενείς προκαταλήψεις που μπορούν να επηρεάσουν ομάδες ανθρώπων. Τα σύνολα δεδομένων μπορούν να είναι αสมmetrical με ορισμένα χαρακτηριστικά δεδομένων και να είναι υπερ- ή υπο-αντιπροσωπευμένα ομάδες ανθρώπων. Η κατασκευή ανθρώπινων συστημάτων μπορεί συχνά να οδηγήσει σε προκαταλήψεις φύλου, εθνοτικής προέλευσης και ηλικίας. Αντίθετα, τα δεδομένα που παράγονται με βάση το σχεδιασμό είναι σωστά ισορροπημένα και δεν έχουν ανθρώπινες προκαταλήψεις.

Τα συνθετικά δεδομένα μπορούν να γίνουν μια ροβούστα λύση για την επίλυση του προβλήματος της προκατάληψης AI. Τα συνθετικά δεδομένα παράγονται μερικώς ή πλήρως τεχνητά αντί να μετρούνται ή να εξάγονται από πραγματικές εκδηλώσεις ή φαινόμενα. Nếu το σύνολο δεδομένων δεν είναι αρκετά ποικιλόμορφο ή μεγάλο, τα δεδομένα AI που παράγονται μπορούν να γεμίσουν τα κενά και να σχηματίσουν ένα αμερόληπτο σύνολο δεδομένων. Το καλύτερο μέρος; Η χειροκίνητη δημιουργία αυτών των συνόλων δεδομένων μπορεί να πάρει ομάδες几个 μήνες ή χρόνια για να ολοκληρωθεί. Όταν σχεδιαστούν με συνθετικά δεδομένα, μπορεί να γίνει μέσα σε μια νύχτα.

Εκτός του τομέα της οπτικής αναγνώρισης, ποίες είναι κάποιες μελλοντικές потенτικές χρήσεις των συνθετικών δεδομένων;

Εκτός από τις πολλές εφαρμογές οπτικής αναγνώρισης που σχετίζονται με προϊόντα καταναλωτών, αυτονομίες, ρομποτική, AR/VR/metaverse και άλλα, τα συνθετικά δεδομένα θα επηρεάσουν επίσης άλλους τύπους δεδομένων. Ήδη βλέπουμε εταιρείες που αξιοποιούν προσεγγίσεις συνθετικών δεδομένων για δομημένα δεδομένα, φωνή και επεξεργασία φυσικής γλώσσας. Οι υποκείμενες τεχνολογίες και οι αγωγοί γεννήσεων διαφέρουν για κάθε τύπο δεδομένων και στο κοντινό μέλλον, περιμένουμε να δούμε συστήματα πολλαπλών modality (π.χ. βίντεο + φωνή).

Υπάρχει κάτι άλλο που θα ήθελε να μοιραστείτε σχετικά με την Synthesis AI;

Τον τελευταίο χρόνο, κυκλοφορήσαμε το HumanAPI, μια σημαντική επέκταση των ικανοτήτων συνθετικών δεδομένων της Synthesis AI, που επιτρέπει την προγραμματική γεννήσεων εκατομμυρίων μοναδικών, υψηλής ποιότητας 3D ψηφιακών ανθρώπων. Αυτή η ανακοίνωση έρχεται几个 μήνες μετά την εκκίνηση του προϊόντος FaceAPI συνθετικών δεδομένων ως υπηρεσίας, το οποίο έχει παραδώσει πάνω από 10 εκατομμύρια ετικετών facial εικόνων για principales εταιρείες smartphone, τηλεδιάσκεψης, αυτοκινήτου και τεχνολογίας. Το HumanAPI είναι το επόμενο βήμα στο ταξίδι της εταιρείας για την υποστήριξη προηγμένων εφαρμογών τεχνητής νοημοσύνης AI.

Το HumanAPI επίσης επιτρέπει μια μυριάδα νέων ευκαιριών για τους πελάτες μας, συμπεριλαμβανομένων έξυπνων βοηθών AI, εικονικών προπονητών φυσικής κατάστασης και, φυσικά, του κόσμου των εφαρμογών metaverse.

Δημιουργώντας einen ψηφιακό διπλό του πραγματικού κόσμου, το metaverse θα επιτρέψει νέες εφαρμογές που варіюνται από ανασχηματισμένα κοινωνικά δίκτυα, εμπειρίες ψυχαγωγίας, τηλεδιάσκεψης, παιχνίδια και άλλα. Η οπτική αναγνώριση AI θα είναι θεμελιώδους σημασίας για το πώς ο πραγματικός κόσμος θα συλληφθεί και θα αναδημιουργηθεί με υψηλή πιστότητα στον ψηφιακό κόσμο. Φωτορεαλιστικά, εκφραστικά και συμπεριφορικά ακριβή ανθρώπινα μοντέλα θα είναι ένα απαραίτητο στοιχείο του μελλοντικού της οπτικής αναγνώρισης. Το HumanAPI είναι το πρώτο προϊόν που επιτρέπει στις εταιρείες να δημιουργήσουν τεράστια ποσά τέλεια ετικετών δεδομένων σώματος upon ζήτηση για να xây dựng πιο ικανοποιητικά μοντέλα AI, συμπεριλαμβανομένων της εκτίμησης στάσης, της αναγνώρισης συναισθήματος, της χαρακτηρισμού δραστηριότητας και συμπεριφοράς, της ανακατασκευής προσώπου και άλλα.

Ευχαριστούμε για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν την Synthesis AI.