Tohtori Yair Adato, Bria:n CEO ja perustaja – Haastattelusarja

Tohtori Yair Adato, Bria:n CEO ja perustaja, on koneoppimisen ja tietokoneen näön asiantuntija, joka on tunnettu kyvystään yhdistää edistynyt teknologia liiketoiminnan kanssa. Ennen Bria:n perustamista hän toimi Trax Retailin CTO:na, jossa hän oli keskeisessä roolissa muuttaa yhtiö 20-henkisen startupista yli 850 työntekijän kansainväliseksi yhtiöksi. Uransa aikana Yair on myös toiminut neuvonantajana useissa AI-vetoinen yrityksissä, kuten Sparx, Vicomi, Tasq, DataGen ja Anima. Hänen johtamistyyliään leimaa vahva sitoutuminen vastuulliseen innovaatioon, dataomistajuuteen ja AI-teknologian demokratisoimiseen.

Bria on edelläkävijä visuaalisen generatiivisen AI:n alalla, joka on perustettu luomaan avoin ja eettinen alusta kuvien luomiseen. Yhtiön ainutlaatuinen lähestymistapa palkitsee dataomistajia heidän panoksestaan attribuuttiomoottorin kautta, varmistaen avoimuuden ja reiluuden AI-ekosysteemissä. Keskittyessään luovuuteen, yhteistyöhön ja noudattamiseen Bria mahdollistaa organisaatioiden turvallisen integroinnin generatiivista AI:ta työprosesseihinsa ja asettaa uudet standardit vastuullisuudelle ja luottamukselle visuaalisen sisällön teollisuudessa..

Perustit Bria:n luomaan vastuullisen ja avoimen alustan visuaalisen generatiivisen AI:lle. Mikä innoitti sinua perustamaan yhtiön, ja mitkä varhaiset haasteet tai oivallukset muokkasivat sen suuntaa?

Näin Goodfellowin esittävän GAN-artikkelin vuonna 2014, ja oli heti selvää, että luovan tuotannon muuttuminen oli perustavanlaatuinen. Katsellessani esitystä, vaikutukset olivat ilmeiset – tämä ei ollut vain askel kohti parannusta, vaan erilainen paradigma siitä, miten koneet voivat oppia luomaan visuaalista sisältöä.

Mutta alusta alkaen tunnistin perustavanlaatuisen aukon siinä, miten nämä järjestelmät oli rakennettu: ei vastuuta koulutusdatasta, ei kehyksiä vastuulliselle käytölle, ei huomiota luojille, joiden työ mahdollisti kaiken.

Varhaiset haasteet eivät olleet teknisiä – ne olivat rakenteellisia. Miten voit rakentaa generatiivista AI:ta, joka parantaa luovaa työtä ilman luojien vahingoittamista? Miten voit tehdä näistä järjestelmistä käytettäviä tuotantoympäristöissä, joissa oikeudellinen varmuus on yhtä tärkeää kuin laatusäätely? Nämä kysymykset muokkasivat kaikkea, mitä rakensimme. Perustimme Bria:n periaatteelle, että innovaatio ja vastuu eivät ole toisiaan vastaan – ne on edettävä yhdessä, tai teknologia epäonnistuu kaikille.

Akateeminen taustasi tietokoneen näössä ja yli 50 patenttisi yhdistävät tutkimuksen ja todellisen maailman innovaation. Miten tämä kokemus on vaikuttanut Bria:n tekniseen suunnitelmaan ja pitkän aikavälin strategiaan?

Tutkimus taustani opetti minulle ajattelemaan järjestelminä – miten eri tasoja ymmärrystä yhdistetään muodostamaan merkitystä. Monet patenttini keskittyvät siihen, miten koneet tulkitsevat visuaalisen tiedon rakennetta, ja tämä ajattelutapa kääntyi luonnollisesti Bria:n lähestymistapaan. Katsomme kuvien luomista kompositionaalisena prosessina, ei satunnaisena.

Mutta patentit eivät ole vain teknologiaa – ne ovat siitä, miten teknologia yhdistetään liiketoiminnan todellisuuteen. Merkittävä osa IP-portfoliostamme koskee järjestelmätasoa: miten luodaan attribuutti kehyksiä, jotka yhdistävät luodun sisällön sen koulutuslähteisiin? Miten rakennetaan taloudellisia malleja, jotka korvaavat luojia laajassa mittakaavassa? Nämä eivät ole pelkästään teknisiä ongelmia – ne ovat infrastruktuurin, liiketoimintamallien ja markkinamuotoilun kysymyksiä.

Tämä laajempi näkökulma muokkasi pitkän aikavälin strategiaamme. Innovointi ei ole vain edistyneiden mallien kehittämistä. Se on luomista uusia taloudellisia rakenteita, uusia sopimussuhteita, uusia tapoja, joilla teollisuus toimii kestävästi. Tavoitteena ei ole vain tuottaa parempia tuloksia – se on ymmärtää, miten nämä tulokset muodostuvat, kuka on niiden taustalla, ja miten arvo virtaa järjestelmän läpi. Tässä tieteen ja tuotteen ajattelun ja liiketoimintarakenteen kohtaavat.

Bria on ilmoittanut FIBO:n, jota kuvaillaan maailman ensimmäiseksi deterministiseksi visuaaliseksi perusmalliksi ammattilaisten luomiseen. Mitä tekee FIBO:sta perustavanlaatuinen eroavaisuus olemassaoleviin visuaalisiin AI-järjestelmiin?

Itse nimitys viittaa lähestymistapaamme: FIBO tulee Fibonacci-sekvenssistä, joka on kuuluisa sisäänrakennetuista esteettisistä ominaisuuksista. Kultainen suhde – suhde peräkkäisten lukujen välillä Fibonacci-sekvenssissä – ilmenee siinä, mitä havaitsemme visuaalisesti miellyttävinä suhteina matematiikassa, visuaalisessa taiteessa, geometriassa ja arkkitehtuurissa. Näet sen Rooman Pantheonin ja Valkoisen talon mitoissa, ihmiskehossa ja kasvoissa, kuten Leonardo da Vinci:n Vitruviuksen miehessä, ja luonnon muodoissa. Tämä yhteys matemaattisen rakenteen ja visuaalisen kauneuden välillä on juuri sitä, mitä FIBO edustaa: esteettinen laatu rakenteen kautta.

FIBO muuttaa suhdetta tarkoituksen ja tuloksen välillä. Useimmat visuaaliset AI-järjestelmät lisäävät tulkinnan kerroksia siitä, mitä haluat, ja mitä saat – kirjoitat ohjeen, malli kääntää sen kielen koodareiden kautta, sekoittaa sen melun kautta, ja toivot, että tulos vastaa visiota. FIBO poistaa nämä kerrokset kokonaan.

Tekemme visuaalisen AI:n toimivan kuin koodi – jokainen luova elementti on muokattavissa ja toistettavissa. Tämä on läpimurto ammattilaisille, jotka ovat jääneet “prompt- ruletin” uhreiksi. Tämä tarkoittaa, että jokainen elementti, valaistus, kamerakulma, väripaletti, sommittelurakenteen, tyyli on eksplisiittinen, kontrolloitavissa oleva ominaisuus. JSON-rakenne sallii muokata vain haluamiasi parametreja, lukiten kaikki muut. Voit säätää valaistuksen voimakkuutta ilman vaikutusta sommittelurakenteeseen tai siirtää kamerakulmaa ilman vaikutusta väripalettiin. Järjestelmä tekee täsmälleen sen, mitä määrittelet, joka kerta.

Suoritamme hackathoneja Falin ja NVIDIA (NVDA ):n kanssa osoittamaan kehittäjille, miten deterministinen generointi toimii käytännössä. JSON-rakenne itsessään avaa mustan laatikon – voit nähdä tarkalleen, mitkä parametrit loivat kuvan, toistaa sen ja muokata sitä tarkkuudella. Tämä on täysin erilainen paradigma kuin ohjeiden insinööritö.

Perinteiset teksti-kuva-järjestelmät luottavat yhä monimutkaisempiin ohjeisiin saavuttaakseen tiettyjä tuloksia. Miten FIBO:n lähestymistapa ratkaisee ohjeen monimutkaisuuden ongelman?

Kaksi ongelmaa on ratkaistava. Ensinnäkin ohjeen satunnaisuuden ongelmat johtuvat siitä, että nykyiset mallit yrittävät purkaa käyttäjän aikomuksen ja lisätä, mitä malli “ajattelee” esteettisesti tai toivottavaksi ohjeen parantamisen kautta. Toiseksi, ammattilaisten ominaisuuksien hallinnan puute

FIBO kääntää tämän. Malli on koulutettu yli 1000 sanan visuaalisiin kuvausten kautta, jotka koodaavat yli 100 itsenäistä attribuuttia JSON-muodossa. Tämä ei ollut jälkikäteen prosessoitu tai poistettu – se oli alkuperäinen koulutusmuoto. Koska jokainen attribuutti on edustettu rakenteellisesti alusta alkaen, malli oppi visuaalisen sommitelman joukkoa hallittavissa parametreissa, ei epämääräisen tulkinnan kautta.

Tämä tarkoittaa käytännössä: määrittelet esteettisen aikomuksen rakenteen kautta, ei “ohjeen ja rukoile”-tyylillä. Teksti-kuva-yhdenmukaisuuden taso on perustavanlaatuinen korkeampi, koska ei ole käännöskerrosta. Puhut mallin alkuperäistä kieltä. Ja koska ominaisuudet ovat riippumattomia, voit iteroida valaistuksen ilman, että sommitelurakenteen muuttuu, tai säätää väripaletti ilman, että tyyli vaikuttaa. Hallinta on kirurginen.

FIBO esittelee “hienonnus”-työkalun, joka on erilainen kuin tyypillinen iteratiivinen generointi. Miten tämä muuttaa ammattilaisten lähestymistapaa visuaaliseen tuotantoon?

Useimmat generatiiviset työkalut ovat iteratiivisia ärsyttävällä tavalla – generoit, arvioi, säädä ohje, generoi uudelleen, toivo, että se on lähempänä. Tämä “ohje ja rukoile”. Et voi koskaan varmistaa, mitä muutosta tapahtui tai miksi.

Hienonnus muuttaa kokeilun suunnitteluprosessiksi. Et arvaile, mitä uusi ohje voi tehdä – ohjaat kuvaa tismalleen samalla tavalla, kuin säätäisit valaistusta tai väriä Photoshopissa. Et tarvitse työskennellä JSON-tasolla suoraan – visio-kielimalli muokkaa JSON:ia luonnollisen kielen ohjeiden mukaan. Mutta JSON itsessään antaa ymmärtää tarkalleen, mitä tapahtui. Generoit alkuaineen, tarkastelet sen JSON-esitystä, tunnistat, mitkä ominaisuudet vaativat säätöä – ehkä valaistuksen voimakkuus on liian korkea tai kamerakulma vaatii 15 asteen siirtymistä – ja muokkaat vain näitä arvoja yksinkertaisilla ohjeilla. Kaikki muu pysyy lukittuna.

Tämä rakenne on täydellinen agenteille. AI-agentti voi analysoida JSON:ia, ymmärtää kuvan täydellisen tilan, tehdä kohdennettuja muutoksia ja selittää päätöksensä – kaikki, koska parametrit ovat eksplisiittisiä ja tulkitettavissa. Agentti ei arvaile, mitä ohjeen muutos voi tehdä – se tekee tarkkoja säätöjä tunnettuja ominaisuuksista.

Tämä poistaa epävarmuuden, joka on pitänyt ammattilaisia epäilemässä generatiivista AI:ta. Kun voit nähdä täydellisen parametrin joukon, joka loi kuvan, ymmärtää, mitä kunkin ominaisuus hallitsee, ja muokata yksittäisiä attribuutteja varmuudella, ettei mitään muuta liikahda, et ole enää kokeilemassa – suunnittelet. JSON:n näkyvyys avaa mustan laatikon täysin. Ammattimaisissa tuotantoprosesseissa, joissa johdonmukaisuus ja hallinta merkitsevät enemmän kuin uutuus, tämä on ero luovalla lelutuotteella ja tuotantotyökalulla.

Tietojen eettisyys ja brändin turvallisuus ovat tulleet keskeisiksi yritysten AI:lle. Miten Bria:n käyttö täysin lisensoiduista, oikeuksiltaan puhdistetuista tiedoista varmistaa sekä noudattamisen että luojien IP:n kunnioittamisen?

Alusta alkaen päättämin, että jos teollisuus aikoi kasvaa vastuullisesti, se oli aloitettava data-integriteetistä. Jokainen kuva, joka koulutti FIBO:a, on peräisin lisensoiduista, oikeuksiltaan puhdistetuista lähteistä yhteistyön kautta sisällön johtajien kanssa, kuten Getty Imagesin ja Envaton kanssa. Tämä varmistaa, että mallimme on noudattava ja reilu. Näemme luojien kunnioittamisen osana arvoketjua, ei rajoituksena. Yritykset hyötyvät tästä integriteetistä, koska se antaa heille oikeudellisen ja eettisen varmuuden, jota tarvitaan skaalautumiseen.

FIBO on koulutettu oppimaan kunkin yrityksen ainutlaatuinen brändi-tyyli ja identiteetti. Miten tämä kyky muuttaa, miten globaalit brändit lähestyvät sisällön luomista ja visuaalista johdonmukaisuutta?

Brändit omistavat oman visuaalisen DNA:n – ainutlaatuisen tavan ilmaista emotionaalisuutta, luottamusta ja tarkoitusta suunnittelun kautta. FIBO voi oppia tämän kielen. Koulutuksen jälkeen se generoi visuaalista, joka heijastaa samaa sommitelua, sävyä ja ilmapiiriä, joka määrittää brändin identiteetin. Tämä muuttaa AI:ta luovan avustajasta brändin varusteeksi. Se auttaa globaaleja tiimejä luomaan yhdenmukaisuutta ilman yksilöllisyyden menettämistä. Tuloksena on johdonmukaisuus skaalassa ilman yksilöllisyyden menettämistä.

Varhaiset käyttäjät ovat jo käyttäneet FIBO:a pakkausmuotoilun, tuotekuvien ja luovan kampanjan automatisointiin. Mitkä tulokset tai palautteet ovat vaikuttaneet sinuun eniten tähän asti?

Mielenmuutos. Tiimit alkavat käsitellä AI:ta osana operatiivista työkalupakettia, ei uutuutena. Yksi globaali brändi on generoinut alueellisia pakkausmuotoiluja nopeammin ylläpitäen brändin johdonmukaisuutta. Johtava luovan toimiston on kiihdytetty kampanjan kehittämistä kymmenkertaisesti hallitun iteroinnin kautta. Mutta oikea signaali tulee luovan johtajan suusta, joka kertoo tuntevansa olevansa enemmän hallinnassa; malli ymmärtää visuaalisen aikomuksensa. Tämä on käännekohta teollisuudelle.

Bria asettaa itsensä johtavaksi eteenpäin menijäksi eettisessä ja kontrolloidussa AI:ssa. Miten näet tämän filosofian muokkaavan tulevia sääntöjä tai teollisuuden standardeja visuaalisen AI:n osalta?

Olemme saavuttaneet vaiheen, jossa innovaatio ja hallinto on liikuttava yhdessä. Sääntely ei ole este – se on kestävän kasvun infrastruktuuri. Lähestymistapa – avoin data, deterministiset tulokset, selkeä alkuperä – on lähellä sitä, mitä uudet politiikat vaativat. Uskon, että näemme uudet standardit, jotka priorisoivat jäljitettävyyden, selittämisen ja oikeuksien suojelun. Bria:n filosofia on auttaa määrittelemään näitä standardeja käytännön kautta, ei vain poliittisilla lausumilla.

Mitä on seuraavaksi Bria:lle FIBO:n jälkeen? Näetkö laajentumista monitilaisiin AI:hin, jotka yhdistävät kuvan, videon ja 3D-generoinnin yhden kontrolloidun kehyksen alle?

Kyllä. Samat periaatteet, jotka voimassa FIBO:ssa – rakenne, hallinta, avoimuus – soveltuvat kaikkiin visuaalisiin aloihin. Olemme jo tutkimassa laajennuksia videoon ja 3D:hen, joissa determinismi voi tuoda saman luotettavuuden, jonka yritykset nykyään ovat kuvissa. Tavoitteemme on yksinkertainen: tehdä AI-luovuudesta yhtä hallittavaa ja turvallista kuin koodin kirjoittaminen – ja laajentaa tämä kaikkiin visuaalisiin medioihin, kuvasta videoon ja 3D:hen.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Bria:ssa.