Yonatan Geifman, CEO & Co-Founder of Deci – Interview Series

Ο Yonatan Geifman είναι ο CEO & Co-Founder της Deci η οποία μετατρέπει τα μοντέλα AI σε λύσεις παραγωγής σε οποιοδήποτε υλικό. Η Deci έχει αναγνωριστεί ως Tech Innovator για Edge AI από την Gartner και περιλαμβάνεται στον κατάλογο AI 100 της CB Insights. Η ιδιοκτησιακή τεχνολογία της έχει θέσει νέα ρεκόρ στο MLPerf με την Intel.

Τι σας έκανε να ενδιαφερθείτε αρχικά για το machine learning;

Από μικρή ηλικία, ήμουν πάντα 매료μένος από τις προηγμένες τεχνολογίες – όχι μόνο χρησιμοποιώντας τες, αλλά πραγματικά κατανοώντας πώς λειτουργούν.

Αυτή η ζωή μακράς διάρκειας έκανε το δρόμο προς τις μελλοντικές μου σπουδές για το διδακτορικό μου στη επιστήμη των υπολογιστών, όπου η έρευνά μου επικεντρώθηκε στα Βαθιά Νευρωνικά Δίκτυα (DNNs). Όσο ήμουν στην ακαδημαϊκή σκηνή, άρχισα πραγματικά να κατανοώ τους τρόπους με τους οποίους το AI μπορεί να επηρεάσει θετικά τον κόσμο γύρω μας. Από τις έξυπνες πόλεις που μπορούν να παρακολουθούν καλύτερα την κυκλοφορία και να μειώνουν τα ατυχήματα, στα αυτόνομα οχήματα που απαιτούν λίγη ή καθόλου ανθρώπινη παρέμβαση, στα ιατρικά συσκευές που σώζουν ζωές – υπάρχουν ατελείωτες εφαρμογές όπου το AI θα μπορούσε να βελτιώσει την κοινωνία. Πάντα ήξερα ότι ήθελα να λάβω μέρος σε αυτήν την επανάσταση.

Μπορείτε να μοιραστείτε την ιστορία γέννησης πίσω από το Deci AI;

Δεν είναι δύσκολο να αναγνωρίσετε – όπως έκανα όταν ήμουν στο σχολείο για το διδακτορικό μου – πόσο ωφέλιμο μπορεί να είναι το AI σε περιπτώσεις χρήσης σε όλη τη γραμμή. Ωστόσο, πολλές επιχειρήσεις έχουν δυσκολίες να εκμεταλλευτούν πλήρως το πλήρες δυναμικό του AI, καθώς οι développers αντιμετωπίζουν συνεχώς μια ανηφόρα μάχη για την ανάπτυξη μοντέλων βαθιάς μάθησης που είναι έτοιμα για παραγωγή για ανάπτυξη. Με άλλα λόγια, παραμένει υπερδύσκολο να γίνει το AI προϊόν.

Αυτές οι προκλήσεις μπορούν σε μεγάλο βαθμό να αποδοθούν στο AI efficiency gap που αντιμετωπίζει η βιομηχανία. Οι αλγόριθμοι μεγαλώνουν εκθετικά πιο ισχυροί και απαιτούν περισσότερη υπολογιστική δύναμη, αλλά παράλληλα πρέπει να αναπτυχθούν με έναν κόστος-αποτελεσματικό τρόπο, συχνά σε περιφερειακές συσκευές με περιορισμένα πόρους.

Οι συν-ιδρυτές μου, ο καθηγητής Ran El-Yaniv, ο Jonathan Elial και εγώ, συν-ίδρυσε το Deci για να αντιμετωπίσουμε αυτήν την πρόκληση. Και το κάναμε με τον μόνο τρόπο που το είδαμε δυνατό – χρησιμοποιώντας το AIเอง για να δημιουργήσουμε την επόμενη γενιά βαθιάς μάθησης. Εμείς αγκαλιάσαμε μια algorithmic-first προσέγγιση, εργαζόμαστε για τη βελτίωση της αποτελεσματικότητας των αλγορίθμων AI στις πρώτες стадίες, που με τη σειρά τους θα ενδυναμώσουν τους développers να xây dựng και να εργαστούν με μοντέλα που παρέχουν τα υψηλότερα επίπεδα ακρίβειας και αποτελεσματικότητας για οποιοδήποτε δεδομένο inference υλικό.

Το βαθύ μάθημα είναι στο κέντρο του Deci AI, μπορείτε να το ορίσετε για μας;

Το βαθύ μάθημα, όπως και το machine learning, είναι ένα υποπεδίο του AI, που έχει ως στόχο να ενδυναμώσει μια νέα εποχή εφαρμογών. Το βαθύ μάθημα είναι βαθιά εμπνευσμένο από το πώς είναι δομημένος ο ανθρώπινος εγκέφαλος, αυτό είναι το λόγο για τον οποίο όταν συζητάμε για το βαθύ μάθημα, συζητάμε για “νευρωνικά δίκτυα”. Αυτό είναι υπερ-релέβαντ για τις εφαρμογές περιφέρειας (σκέψου κάμερες σε έξυπνες πόλεις, αισθητήρες σε αυτόνομα οχήματα, αναλυτικές λύσεις στην υγεία) όπου τα τοπικά μοντέλα βαθιάς μάθησης είναι κρίσιμα για τη δημιουργία τέτοιων ερευνών σε πραγματικό χρόνο.

Τι είναι η Αναζήτηση Νευρωνικής Αρχιτεκτονικής;

Η Αναζήτηση Νευρωνικής Αρχιτεκτονικής (NAS) είναι μια τεχνολογική kỷpline που έχει ως στόχο να αποκτήσει καλύτερα μοντέλα βαθιάς μάθησης.

Η πρωτοποριακή εργασία της Google στο NAS το 2017 βοήθησε να φέρει το θέμα στο mainstream, τουλάχιστον στα ερευνητικά και ακαδημαϊκά κύκλους.

Ο στόχος της NAS είναι να βρει την καλύτερη νευρωνική αρχιτεκτονική για ένα δεδομένο πρόβλημα. Αυτοματοποιεί το σχεδιασμό των DNNs, εξασφαλίζοντας υψηλότερη απόδοση και χαμηλότερες απώλειες από τις χειροκίνητα σχεδιασμένες αρχιτεκτονικές. Περιλαμβάνει μια διαδικασία με την οποία ένας αλγόριθμος αναζητά μεταξύ ενός συνόλου χώρου εκατομμυρίων διαθέσιμων αρχιτεκτονικών μοντέλων, για να αποδώσει μια αρχιτεκτονική που είναι μοναδικά κατάλληλη για να λύσει αυτό το συγκεκριμένο πρόβλημα. Για να το πούμε απλά, χρησιμοποιεί το AI για να σχεδιάσει νέο AI, με βάση τις συγκεκριμένες ανάγκες του οποιοδήποτε προγράμματος.

Χρησιμοποιείται από ομάδες για να απλοποιήσει τη διαδικασία ανάπτυξης, να μειώσει τις επαναλήψεις δοκιμών και λαθών και να εξασφαλίσει ότι θα λάβουν το τελικό μοντέλο που μπορεί να εξυπηρετήσει καλύτερα τους στόχους ακρίβειας και απόδοσης της εφαρμογής.

Ποίες είναι μερικές από τις περιορισμοί της Αναζήτησης Νευρωνικής Αρχιτεκτονικής;

Οι παραδοσιακές NAS έχουν ως κύριες περιορισμοί την προσβασιμότητα και την κλιμάκωση. Η NAS σήμερα χρησιμοποιείται κυρίως σε ερευνητικές ρυθμίσεις και συνήθως μόνο από τεχνολογικούς γίγαντες όπως η Google και η Facebook, ή σε ακαδημαϊκές ερευνητικές εταιρείες όπως το Stanford, καθώς οι παραδοσιακές τεχνικές NAS είναι περίπλοκες να εκτελεστούν και απαιτούν πολλές υπολογιστικές πόρους.

Γι’ αυτό είμαι τόσο υπερήφανος για τις επιτεύξεις μας στην ανάπτυξη της επαναστατικής τεχνολογίας AutoNAC (Αυτοματοποιημένη Νευρωνική Αρχιτεκτονική Κατασκευή) της Deci, η οποία δημοκρατικοποιεί την NAS και ermögňuje στις εταιρείες όλων των μεγεθών να xây dựng εύκολα προσαρμοσμένες αρχιτεκτονικές μοντέλων με καλύτερη απόδοση και ταχύτητα για τις εφαρμογές τους.

Πώς είναι η μάθηση ανίχνευσης αντικειμένων διαφορετική με βάση τον τύπο εικόνας;

Εξαιρετικά, το domaine των εικόνων δεν επηρεάζει δραματικά τη διαδικασία εκπαίδευσης των μοντέλων ανίχνευσης αντικειμένων. Όardless αν ψάχνετε για έναν πεζό στην οδό, ένα όγκο σε μια ιατρική σάρωση, ή một κρυφό όπλο σε μια ακτίνων εικόνα που τραβήχτηκε από την ασφάλεια του αεροδρομίου, η διαδικασία είναι σχεδόν η ίδια. Τα δεδομένα που χρησιμοποιούνται για την εκπαίδευση του μοντέλου σας πρέπει να είναι αντιπροσωπευτικά του έργου, και το μέγεθος και η δομή του μοντέλου μπορεί να επηρεαστεί από το μέγεθος, το σχήμα και την πολυπλοκότητα των αντικειμένων στην εικόνα σας.

Πώς προσφέρει το Deci AI μια ολοκληρωμένη πλατφόρμα για βαθύ μάθημα;

Η πλατφόρμα της Deci ermögίζει στους développers να xây dựng, να εκπαιδεύσουν και να αναπτύξουν ακριβή και γρήγορα μοντέλα βαθιάς μάθησης σε παραγωγή. Με αυτόν τον τρόπο, οι ομάδες μπορούν να εκμεταλλευτούν τις πιο προηγμένες έρευνες και τις καλύτερες πρακτικές μηχανικής με μια γραμμή κώδικα, να缩ρύνουν τον χρόνο αγοράς για μήνες σε μερικές εβδομάδες και να εξασφαλίσουν την επιτυχία στην παραγωγή.

Ξεκινήσατε αρχικά με μια ομάδα 6 ατόμων και τώρα εξυπηρετείτε μεγάλες επιχειρήσεις. Μπορείτε να συζητήσετε την ανάπτυξη της εταιρείας και μερικές από τις προκλήσεις που αντιμετωπίσατε;

Είμαστε ενθουσιασμένοι με την ανάπτυξη που έχουμε επιτύχει από την έναρξή μας το 2019. Τώρα, πάνω από 50 υπαλλήλους, και πάνω από $55 εκατομμύρια σε χρηματοδότηση μέχρι σήμερα, είμαστε βέβαιοι ότι μπορούμε να συνεχίσουμε να βοηθάμε τους développers να πραγματοποιήσουν και να ενεργοποιήσουν το πλήρες δυναμικό του AI. Από την έναρξή μας, έχουμε περιληφθεί στον κατάλογο CB Insights’ AI 100, έχουμε επιτύχει επαναστατικές επιτεύξεις, όπως η οικογένεια μοντέλων μας που προσφέρει επαναστατική απόδοση βαθιάς μάθησης σε CPUs, και έχουμε εξασφαλίσει σημαντικές συνεργασίες, συμπεριλαμβανομένων με μεγάλους ονόματα όπως η Intel.

Υπάρχει κάτι άλλο που θα ήθελε να μοιραστείτε σχετικά με το Deci AI;

Όπως ανέφερα πριν, το AI efficiency gap συνεχίζει να προκαλεί μεγάλες προκλήσεις για την παραγωγή AI. “Στα αριστερά” – να ληφθούν υπόψη οι περιορισμοί παραγωγής νωρίς στη διαδικασία ανάπτυξης, μειώνει τον χρόνο και το κόστος που ξοδεύεται για την επίλυση πιθανών εμποδίων όταν αναπτύσσεται το μοντέλο βαθιάς μάθησης στην παραγωγή. Η πλατφόρμα μας έχει αποδείξει ότι μπορεί να το κάνει αυτό, παρέχοντας στις εταιρείες τα εργαλεία που χρειάζονται για να αναπτύξουν και να αναπτύξουν λύσεις AI που μπορούν να αλλάξουν τον κόσμο.

Ο στόχος μας είναι απλός – να κάνουμε το AI ευρέως προσβάσιμο, οικονομικό και κλιμακώσιμο.

Ευχαριστώ για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν Deci.