Yonatan Geifman, Decin toimitusjohtaja ja perustaja – Haastattelusarja

Yonatan Geifman on Decin toimitusjohtaja ja perustaja Deci joka muuttaa tekoälymallit tuotantovalmiiksi ratkaisuiksi millä tahansa laitteistolla. Deci on tunnustettu teknologia-innovaattorina Edge AI:lle Gartnerilta ja se on mukana CB Insightsin AI 100 -listalla. Sen oma teknologian suorituskyky on asettanut uudet ennätykset MLPerfissä Intelin kanssa.

Mikä alun perin veti sinut machine learningin pariin?

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

Tämä elinikäinen intohimo loi tien väitöskirjatutkintoihini tietojenkäsittelytieteessä, jossa tutkimukseni keskittyi syvään oppimiseen (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 ihmisen väliintuloa, elinikäisiin 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 väitöskirjatutkinnon 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 resursseja rajoittavilla reunalaiteilla.

Minun perustajieni, Prof. Ran El-Yanivin, Jonathan Elialin ja minun, perustimme Decin vastaamaan tähän haasteeseen. Ja teimme sen ainoalla tavalla, joka näimme mahdolliseksi – käyttämällä itse tekoälyä seuraavan sukupolven syvän oppimisen luomiseen. Otimme algoritmiensä ensin -lähestymistavan, työskentelemällä parantamaan tekoälyalgoritmien tehokkuutta varhaisissa vaiheissa, mikä puolestaan antaa kehittäjille mahdollisuuden rakentaa ja työskennellä malleilla, jotka tarjoavat korkeimman tarkkuuden ja tehokkuuden kullekin inference-laitekokoon.

Voitko määritellä syvän oppimisen meille?

Syvä oppiminen, kuten machine learning, on tekoälyn ala, joka on tarkoitettu valmistamaan uuden sovellusten aikakaudelle. Syvä oppiminen on voimakkaasti inspiroitu siitä, miten ihmisaivo on rakennettu, miksi kun puhumme syvästä oppimisesta, puhumme “hermostoverkoista”. 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 hermostoverkkorakenteen etsintä?

Hermostoverkkorakenteen 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 hermostoverkkorakenne tiettyyn ongelmaan. Se automatisoi syvän oppimisen mallien suunnittelun, varmistaen korkeamman suorituskyvyn ja vähemmän tappioita kuin käsin suunnitelluilla arkkitehtuureilla. Se käsittää prosessin, jossa algoritmi etsii joukosta miljoonia saatavilla olevia mallirakenteita, jotta saataisiin arkkitehtuuri, joka on yksinomaan soveltaa kyseiseen ongelmaan. Yksinkertaisesti sanottuna, se käyttää tekoälyä suunnittelemaan uutta tekoälyä, joka perustuu kunkin projektin tarkoitukseen.

Se on käytetty tiimien yksinkertaistamaan kehitysprosessia, vähentämään koekäytön toistoa ja varmistamaan, että he pääsevät lopputuotteeksi parhaaseen malliin, joka voi parhaiten palvella sovellusten tarkkuus- ja suorituskykypyynnöksiä.

Mitkä ovat hermostoverkkorakenteen etsinnän rajoitukset?

Perinteisen NAS:n päärajoitukset ovat saatavuus ja skaalautuvuus. NAS käytetään tänään pääasiassa tutkimusympäristöissä ja tyypillisesti vain suurten teknologiayritysten, kuten Google ja Facebook (META ), tai akateemisten instituuttien, kuten Stanfordin, kanssa. 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 mahdollistaa yritysten kaiken kokoisille kehittää mukautettuja mallirakenteita, joilla on parempi kuin valmiiden mallien tarkkuus ja nopeus sovelluksiinsa.

Miten oppiminen objektiivisen havaitsemisesta eroaa kuvatyypin mukaan?

Yllättäen kuvien alue ei vaikuta dramaattisesti objektiivisen havaitsemisen mallejen koulutusprosessiin. Olipa kyseessä jalankulkija kadulla, kasvain lääketieteellisessä skannauksessa tai piilotettu ase lentokentän turvatarkastuksessa otetussa röntgenkuvassa, prosessi on melkein sama. Koulutusdata, jota käytetään mallin kouluttamiseen, tarvitsee olla edustava tehtävää, ja mallin koko ja rakenne saattavat vaikuttaa kuvan kohteen koon, muodon ja monimutkaisuuden mukaan.

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. Nykyään yli 50 työntekijää ja yli 55 miljoonaa dollaria rahoitusta, olemme luottavaisia, että voimme jatkaa auttamista kehittäjien toteuttamisessa tekoälyn todellisesta potentiaalista. Lanseeraamisesta lähtien olemme olleet mukana CB Insightsin AI 100 -listalla, saavuttaneet uraauurtavia saavutuksia, kuten perheen mallien, jotka tarjoavat läpimurron syvän oppimisen suorituskyvyn CPU:illa, 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 jatkaa esteenä 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 onnistuneeseen tekoälyratkaisujen kehittämiseen ja käyttöönottoon.

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

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