Max Versace, Neuralan toimitusjohtaja ja perustaja – Haastattelusarja

Tohtori Massimiliano Versace on Neuralan perustaja ja toimitusjohtaja, ja yhtiön visionääri. Hänen uraauurtavan tutkimuksensa aivoinnosta inspiröidyn laskennan ja syvän oppimisen jälkeen hän jatkaa maailman johtavana asiantuntijana autonomisissa roboteissa. Hän on puhunut kymmenissä tilaisuuksissa ja paikoissa, kuten TedX, NASA, Pentagon, GTC, InterDrone, National Labs, Air Force Research Labs, HP, iRobot, Samsung, LG, Qualcomm (QCOM ), Ericsson, BAE Systems, AI World, Mitsubishi, ABB ja Accenture, sekä monissa muissa.

Mitä oli sinun ajatuksesi, kun vaihdoit psykologian opiskelun neurotieteisiin?

Vaihdos oli luonnollinen. Psykologia antoi yhden puolen “koulutusrahasta” – psykologisten ilmiöiden tutkimisen. Mutta jos joku on kiinnostunut siitä, mitkä mekanismit aiheuttavat ajatuksia ja käyttäytymistä, päätyy lopulta tutkimaan aivoja ja siirtyy neurotieteisiin!

Milloin ymmärsit, että halusit soveltaa ymmärryksesi ihmisaivoista emuloimaan ihmisaivoja tekoälyjärjestelmässä?

Seuraava askel, neurotieteistä tekoälyyn, on hankalampi. Vaikka neurotiede keskittyy yksityiskohtaiseen aivokuoren ja hermoston fysiologian tutkimiseen ja siihen, miten aivot tuottavat käyttäytymistä, on toinen täydentävä tapa saavuttaa syvempi ymmärrys rakentaa syntetinen versio niistä. Vertaus, jonka annan, on, että voi saada osittaisen ymmärryksen siitä, miten moottori toimii, irrottamalla sylinterin ja vesipumpun ja päättelemällä, että sylinterit ja vesipumput ovat tärkeitä moottorin toiminnassa. Toinen, syvempi tapa ymmärtää moottoria on rakentaa se itse – eli tutkia älykkyyttä rakentamalla sen syntetinen (tekoäly) versio.

Mitkä olivat joitain varhaisia syvän oppimisen projekteja, joissa työskentelit?

Vuonna 2009 DARPA:lle työskentelimme “koko aivojen emulaation” parissa autonomiselle robotille käyttäen edistynyttä Hewlett Packardin suunnittelemaa piiriä. Lyhyesti sanottuna, tehtävämme oli emuloida aivot ja jotkut avainominaisuudet ja oppimiskäyttäytyminen pienen jyrsijän muodossa, joka olisi sovellettavissa ja toteutettavissa pienessä laitteistossa.

Voitko kertoa Neuralan syntytarinan?

Neurala perustettiin vuonna 2006 sisältämään joitain patenteja, jotka liittyivät grafiikkaprosessoreiden (GPU) käyttöön syvän oppimisen parissa. Vaikka tämä voi vaikuttaa triviaalilta nykyään, GPU:ta ei silloin käytetty tekoälyyn, ja me uraauurtavasti keksimme käyttää grafiikkakortin jokaista pikseliä yhden hermosolun prosessointiin (sen sijaan, että se renderöi osan näkymästä ruudulla). Grafiikkaprosessoreiden rinnakkaisuuden ansiosta, joka muistuttaa aivojen rinnakkaisuutta (kaupallisesti toteutettavassa määrin), pystyimme saavuttamaan oppimisen ja suorittamisen nopeuden algoritmeissamme, mikä teki tekoälystä ja syvän oppimisesta käytännöllisiä. Meidän piti odottaa vielä muutamia vuosia, kunnes maailma “heräsi” (me uskoimme jo silloin!) tekoälyn todellisuuteen. Vuonna 2013 otimme yhtiön salassapitotilasta (koska olimme jo saaneet rahoitusta NASAlta ja US Air Force Research Labsilta) ja liityimme Bostonin Tech Stars -ohjelmaan. Siitä lähtien aloimme palkata muutamia työntekijöitä ja keräämme yksityistä pääomaa. Kuitenkin vasta vuonna 2017, kun saimme raaka-aineita ja teollisuus kypsyi edelleen, pystyimme saamaan ensimmäiset tärkeät käyttöönotot ja asentamaan tekoälymme 56 miljoonaan laitteeseen, kuten kameroihin, älypuhelimisiin, drooneihin ja roboteihin.

Yksi Neuralan varhaisista projekteista oli työskentely NASAn Mars-roverin parissa. Voitko kertoa tästä projektista?

NASAlla oli erittäin spesifinen ongelma: he halusivat kehittää teknologiaa, joka mahdollistaisi tulevien miehittämättömien lentojen itsenäisen toiminnan, jossa autonomiset järjestelmät (esim. rover) eivät riippuisi Maan lennonvalvonnasta askel askeleelta. Viiveet viestinnässä tekevät tämän valvonnan mahdottomaksi – muistakaa, miten kömpelö viestintä oli Maan ja Matt Damonin välillä elokuvassa “The Martian”. Ratkaisumme: antaa jokaiselle roverille oma aivonsa. NASA kääntyi meihin, koska olimme jo tunnettuja asiantuntijoita näiden autonomisten “mini-aivojen” rakentamisessa DARPA:n kanssa, antamaan roverille pienen tekijän Deep Learning -järjestelmän, joka pystyy sekä toimimaan robotilla että sopeutumaan reaaliajassa ja oppimaan uusia asioita, kun robotti toimii. Nämä sisältävät uusia objekteja (esim. kiviä, merkkejä vedestä jne.) niiden havaitsemisen ja luomisen merkityksellisen kartan tutkimattomalta planeetalta. Haaste oli valtava, mutta myös palkinto: Deep Learning -teknologia, joka pystyy toimimaan erittäin pienellä prosessointiteholla ja oppimaan jopa yhdestä tiedosta (esim. kuvasta). Tämä ylitti sen, mitä Deep Learning pystyi saavuttamaan silloin (ja edelleen!).

Neurala on suunnitellut Lifelong-DNN:n, voitko selittää, miten se eroaa tavallisesta DNN:stä ja mitkä ovat sen edut?

Suunniteltu NASAn käyttöön, Lifelong DNN, kuten nimestä voidaan päätellä, voi oppia koko elinkaarensa ajan. Tämä on toisin kuin perinteiset Deep Neural Networks (DNN), jotka voivat olla joko koulutettu tai suorittaa “inferenssin” (nimittäin luokittelun). Lifelong DNN:ssä, kuten ihmisillä, ei ole eroa oppimisen ja luokittelun välillä. Joka kerta, kun katselemme jotain, luokittelemme sen (tämä on tuoli) ja opimme siitä (tämä tuoli on uusi, en ole koskaan nähnyt sitä aiemmin, tiedän nyt vähän enemmän siitä). Toisin kuin DNN, Lifelong DNN on aina oppimassa ja kohtaa sitä, mitä se tietää maailmasta, mitä uutta tietoa esitetään, ja ymmärtää luonnollisesti poikkeamat. Esimerkiksi, jos yksi lapsistani leikkii minulle ja maalaa tuolin pinkiksi, tunnistan sen heti. Koska Lifelong DNN on oppinut ajan myötä, että tuolini on musta, ja kun havaintoni siitä ei vastaa muistia siitä, Lifelong DNN tuottaa poikkeama-signaalin. Tätä käytetään Neuralan tuotteissa eri tavoilla (ks. alla).

Voitko keskustella siitä, mitä Brain Builder -tekoäly on, ja miten se mahdollistaa nopeammat, helpommat ja halvemmat robotti-sovellukset?

Koska Lifelong DNN oppii luonnollisesti maailmasta ja ymmärtää, onko jotain poikkeavaa tai poikkeaa oppimasta standardista, Neuralan tuote, Brain Builder ja VIA (Visual Inspection Automation), voidaan nopeasti määrittää visuaalisia tarkastustehtäviä vain muutamalla “hyvän tuotteen” kuvalla. Esimerkiksi tuotantoympäristössä voidaan käyttää 20 kuvaa “hyvistä pulloista” ja luoda visuaalinen laatusäätö “mini-aivot”, joka pystyy tunnistamaan hyvät pullot tai huonot pullot (esim. pullon, jolla on rikkinäinen kansi). Tämä voidaan tehdä Lifelong DNN:llä helposti, nopeasti ja yksinkertaisella CPU:lla, hyödyntäen NASAn teknologiaa, jota on kehitetty yli 10 vuoden ajan.

Aikaisemmassa haastattelussa suositit, että yrittäjien tulisi aina pyrkiä aloittamaan liiketoimintaa, joka on hieman mahdoton. Kokemuksitko, että Neurala oli hieman mahdoton, kun perustit yhtiön?

Muistan yhä ystävääni ja kollegani Anatolia, joka sylkäisi espressonsa, kun sanoin “yksi päivä teknologiamme toimii kännykässä”. Se kuulosti mahdottomalta, mutta kaikki, mitä tarvitsi, oli kuvitella ja työskennellä sen eteen. Nykyään se toimii miljoonissa puhelimissa. Me näemme maailman, jossa tuhannet tekoälysilmiä voivat havaita teollisuuslaitteita ja prosesseja ja tarjota aiemmin mahdottoman tason laadun ja valvonnan, mikä vaatisi tuhansia ihmisiä koneessa. Toivon, että kukaan ei juo espressoa lukiessaan tätä….

Kiitos haastattelusta, Neurala on selvästi yhtiö, jota meidän tulisi seurata. Lukijat, jotka haluavat oppia lisää, voivat vierailla Neuralan sivustolla.