Yonatan Geifman, Decin toimitusjohtaja ja perustajajäsen – haastattelusarja

Yonatan Geifman on Decin toimitusjohtaja ja yksi sen perustajista. Deci on yritys, joka muuttaa tekoälymallit tuotantovalmiiksi ratkaisuiksi millä tahansa laitteistolla. Deci on saanut Gartnerilta tunnustuksen reunatekoälyn teknologia-innovaattorina ja se on mukana CB Insightsin AI 100 -listalla. Sen oman teknologian suorituskyvyllä on saavutettu uusia ennätyksiä MLPerfissä Intelin kanssa.

Mikä alun perin veti sinut koneoppimisen pariin?

Olin nuoresta lähtien aina kiinnostunut viimeisimmistä teknologioista – ei vain niiden käytöstä, vaan myös siitä, miten ne toimivat.

Tämä elinikäinen intohimo loi tien tohtoriopintoihini tietojenkäsittelytieteessä, jossa tutkimukseni keskittyi syviin neuroverkkoihin (DNN). Kun ymmärsin tämän kriittisen teknologian akateemisessa ympäristössä, aloin todella ymmärtää, miten tekoäly voi myönteisesti vaikuttaa maailmaamme. Älykkäistä kaupunkeista, jotka voivat paremmin seurata liikennettä ja vähentää onnettomuuksia, itsestään liikkuvista ajoneuvoista, jotka vaativat vain vähän tai eivät lainkaan ihmisen väliintuloa, henkiä pelastaviin lääkinnällisiin laitteisiin – on loputtomia sovelluksia, joissa tekoäly voi parantaa yhteiskuntaa. Aina tiesin, että haluan osallistua siihen vallankumoukseen.

Voitko kertoa Deci AI:n syntytarinan?

On helppo tunnistaa – kuten minä tein tohtoriopintojeni aikana – miten hyödyllistä tekoäly voi olla eri sovelluksissa. Useat yritykset kuitenkin kamppailevat hyödyntämään tekoälyn täysimääräistä potentiaalia, koska kehittäjät jatkuvasti kohtaavat ylämäen taistelun kehittääkseen tuotantovalmiita syvän oppimisen malleja. Toisin sanoen, on edelleen erittäin vaikeaa tehdä tekoälystä tuotetta.

Nämä haasteet voidaan pääasiassa liittää tekoälyn tehokkuuskuiluun, jota alan yritykset kohtaavat. Algoritmit kasvavat eksponentiaalisesti voimakkaammiksi ja vaativat enemmän laskentatehoa, mutta samalla ne tarvitsevat myös kustannustehokasta käyttöä usein resursseiltaan rajallisilla reunalaitteilla.

Perustimme yhdessä professori Ran El-Yanivin ja Jonathan Elialin kanssa Decin vastaamaan tähän haasteeseen. Ja teimme sen ainoalla tavalla, joka näimme mahdolliseksi – käyttämällä itse tekoälyä seuraavan sukupolven syvän oppimisen luomiseen. Otimme algoritmit etusijalle asettavan lähestymistavan, työskentelemällä parantamaan tekoälyalgoritmien tehokkuutta varhaisissa vaiheissa, mikä puolestaan antaa kehittäjille mahdollisuuden rakentaa ja työskennellä malleilla, jotka tarjoavat korkeimman tarkkuuden ja tehokkuuden millä tahansa käytettävällä päättelylaitteistolla.

Syvä oppiminen on Deci AI:n ytimessä. Voitko määritellä sen meille?

Syvä oppiminen, kuten koneoppiminen, on tekoälyn osa-alue, joka mahdollistaa uuden sovellusten aikakauden. Syvä oppiminen on voimakkaasti inspiroitu siitä, miten ihmisaivot rakentuvat, minkä vuoksi kun puhumme syvästä oppimisesta, puhumme “neuroverkoista”. Tämä on erittäin relevanttia reunasovelluksille (kuten kamerat älykkäissä kaupungeissa, anturit itsestään liikkuvissa ajoneuvoissa, analytiikkaratkaisut terveydenhuollossa), joissa paikan päällä olevat syvän oppimisen mallit ovat olennaisia tällaisten havaintojen tuottamiseksi reaaliajassa.

Mikä on neuroverkkoarkkitehtuurin etsintä?

Neuroverkkoarkkitehtuurin etsintä (NAS) on teknologinen tieteenala, joka pyrkii saamaan parempia syvän oppimisen malleja.

Google (GOOGL ):n uraauurtava työ NAS:issa vuonna 2017 auttoi tuomaan aiheen valtavirtaan, ainakin tutkimus- ja akateemisissa piireissä.

NAS:n tavoitteena on löytää paras neuroverkkoarkkitehtuuri tiettyyn ongelmaan. Se automatisoi syvän oppimisen mallien suunnittelun, varmistaen korkeamman suorituskyvyn ja pienemmän häviön kuin käsin suunnitelluilla arkkitehtuureilla. Se käsittää prosessin, jossa algoritmi etsii joukosta miljoonia saatavilla olevia mallirakenteita, jotta saataisiin arkkitehtuuri, joka soveltuu juuri kyseisen ongelman ratkaisemiseen. Yksinkertaisesti sanottuna, se käyttää tekoälyä suunnittelemaan uutta tekoälyä, joka perustuu kunkin projektin tarkoitukseen.

Tiimit käyttävät sitä yksinkertaistamaan kehitysprosessia, vähentämään yrityksen ja erehdyksen kierroksia ja varmistamaan, että lopputuloksena on sovellusten tarkkuus- ja suorituskykytavoitteita parhaiten palveleva malli.

Mitkä ovat neuroverkkoarkkitehtuurin etsinnän rajoitukset?

Perinteisen NAS:n päärajoitukset ovat saatavuus ja skaalautuvuus. NAS:ia käytetään nykyään pääasiassa tutkimusympäristöissä ja sitä hyödyntävät tyypillisesti vain suuret teknologiayritykset, kuten Google ja Facebook (META ), tai akateemiset instituutiot, kuten Stanford. Perinteiset NAS-tekniikat ovat monimutkaisia ja vaativat paljon laskentaresursseja.

Siksi olen niin ylpeä saavutuksistamme kehittäessämme Decin uraauurtavan AutoNAC (Automated Neural Architecture Construction) -teknologian, joka demokratisoi NAS:n ja antaa kaikenkokoisille yrityksille mahdollisuuden kehittää räätälöityjä malliarkkitehtuureja, joiden tarkkuus ja nopeus niiden sovelluksissa ylittävät alan aiemman huipputason.

Miten objektintunnistuksen oppiminen eroaa kuvatyypin mukaan?

Yllättäen kuvien aihealue ei vaikuta dramaattisesti objektintunnistusmallien koulutusprosessiin. Olipa kyseessä jalankulkija kadulla, kasvain lääketieteellisessä skannauksessa tai piilotettu ase lentokentän turvatarkastuksessa otetussa röntgenkuvassa, prosessi on melkein sama. Koulutusdata, jota käytetään mallin kouluttamiseen, on edustettava käsillä olevaa tehtävää, ja kuvan kohteiden koko, muoto ja monimutkaisuus voivat vaikuttaa mallin kokoon ja rakenteeseen.

Miten Deci AI tarjoaa kokonaisvaltaisen alustan syvälle oppimiselle?

Decin alusta mahdollistaa kehittäjille rakentaa, kouluttaa ja ottaa käyttöön tarkat ja nopeat syvän oppimisen mallit tuotantoon. Näin tiimit voivat hyödyntää viimeisintä tutkimusta ja insinöörien parhaita käytäntöjä yhdellä koodirivillä, lyhentää markkinoille menoa useista kuukausista muutamaan viikkoon ja taata menestystä tuotannossa.

Aluksi aloitit kuuden hengen tiimin kanssa, ja nyt palvelet suuria yrityksiä. Voitko kertoa yrityksen kasvusta ja joistakin haasteista, joita olet kohdannut?

Olemme innoissamme kasvusta, jonka olemme saavuttaneet aloittamisesta lähtien vuonna 2019. Nyt meillä on yli 50 työntekijää ja olemme saaneet tähän mennessä yli 55 miljoonaa dollaria rahoitusta. Uskomme voivamme edelleen auttaa kehittäjiä ymmärtämään tekoälyn todellisen potentiaalin ja hyödyntämään sitä. Lanseeraamisesta lähtien olemme olleet mukana CB Insightsin AI 100 -listalla, saavuttaneet uraauurtavia saavutuksia, kuten malliperheen, joka tarjoaa läpimurron syvän oppimisen suorituskyvyssä suorittimilla, ja vakiinnuttaneet merkityksellisiä yhteistyösopimuksia, mukaan lukien suurten nimien kanssa, kuten Intelin.

Onko mitään muuta, mitä haluaisit jakaa Deci AI:sta?

Kuten mainitsin aiemmin, tekoälyn tehokkuuskuilu aiheuttaa edelleen merkittäviä esteitä tekoälyn tuotteistamiselle. “Vasemmalle siirtäminen” – huomioon ottaen tuotannon rajoitukset kehityksen elinkaaren alussa – vähentää aikaa ja kustannuksia, jotka käytetään mahdollisten esteiden korjaamiseen, kun otetaan syvän oppimisen malleja käyttöön tuotannossa myöhemmin. Meidän alustamme on osoittanut olevan kykenevä tekemään juuri näin tarjoamalla yrityksille työkalut, joita tarvitaan maailmaa muuttavien tekoälyratkaisujen onnistuneeseen kehittämiseen ja käyttöönottoon.

Meidän tavoitteemme on yksinkertainen – tehdä tekoälystä laajasti saatavilla, edullista ja skaalautuvaa.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Decissä.