Yonatan Geifman, Decin toimitusjohtaja ja perustaja – Haastattelu sarja

Yonatan Geifman on Decin toimitusjohtaja ja perustaja joka muuttaa tekoälymallit tuotantovalmiiksi ratkaisuiksi mille tahansa laitteistolle. Deci on tunnustettu teknologisen innovaattorina Edge AI:lle Gartnerin toimesta ja se on mukana CB Insightsin AI 100 -listalla. Sen omistajan teknologian suorituskyky on asettanut uudet ennätykset MLPerfissä Intelin kanssa.

Mikä alun perin veti sinut koneoppimisen pariin?

Nuoresta iästä lähtien olen aina ollut kiinnostunut viimeisimmistä teknologioista – ei pelkästään niiden käytöstä, vaan myös siitä, miten ne toimivat.

Tämä elinikäinen intohimo loi tien väitöskirjatutkintoihini tietojenkäsittelytieteessä, jossa tutkimukseni keskittyi syvän neuroverkkoteknologian (DNN) pariin. Kun ymmärsin tämän kriittisen teknologian akateemisessa ympäristössä, aloin ymmärtää, miten tekoäly voi myönteisesti vaikuttaa maailmaamme. Älykkäistä kaupunkeista, jotka voivat paremmin valvoa liikennettä ja vähentää onnettomuuksia, itseohjautuvista ajoneuvoista, jotka vaativat vain vähän ihmisen väliintuloa, elinhaittojen estävistä lääketieteellisistä laitteista – on loputtomia sovelluksia, joissa tekoäly voi parantaa yhteiskuntaa. Aina tiesin, että haluan osallistua tähän vallankumoukseen.

Voitko kertoa Deci AI:n syntytarinan?

On helppo tunnistaa – kuten minäkin tein väitöskirjatutkinnon aikana – miten hyödyllistä tekoäly voi olla eri sovelluksissa. Monet yritykset kuitenkin kamppailevat tekoälyn täydellisen potentiaalin hyödyntämisessä, koska kehittäjät joutuvat jatkuvasti taistelemaan tuotantovalmiiden syvän oppimismallien kehittämisen kanssa. Toisin sanoen on edelleen erittäin haastavaa tehdä tekoälystä tuotetta.

Nämä haasteet voidaan pääosin liittää tekoälyn tehokkuuden aukkoon, joka vaivaa alaa. Algoritmit kasvavat eksponentiaalisesti voimakkaampia ja vaativat enemmän laskentatehoa, mutta samalla niiden on oltava käyttökelpoisia kustannustehokkaalla tavalla, usein resursseja rajoittavilla laitteilaitteilla.

Minun perustajieni, professori Ran El-Yaniv, Jonathan Elial ja minä, perustimme Decin tämän haasteen ratkaisemiseksi. Ja teimme sen ainoalla tavalla, joka näimme mahdolliseksi – käyttämällä itse tekoälyä seuraavan sukupolven syvän oppimisen luomiseen. Omaksuimme algoritmiensä ensin -lähestymistavan, työskentelemällä parantamaan tekoälyalgoritmien tehokkuutta varhaisissa vaiheissa, mikä vuorostaan antaa kehittäjille mahdollisuuden rakentaa ja työskennellä malleilla, jotka tarjoavat korkeimmat tarkkuuden ja tehokkuuden tasot mille tahansa inference-laitteistolle.

Voitko määritellä syvän oppimisen meille?

Syvä oppiminen, kuten koneoppiminen, on tekoälyn ala, joka on tarkoitus valjastaa uuden sovellusten aikakauden. Syvä oppiminen on voimakkaasti inspiroitu siitä, miten ihmisaivojen rakenne on, miksi kun keskustelemme syvää oppimista, keskustelemme “hermosoluverkoista”. Tämä on erittäin relevanttia reunasovelluksille (kuten kamerat älykkäissä kaupungeissa, anturit itseohjautuvissa ajoneuvoissa, analytiikkaratkaisut terveydenhuollossa), joissa paikalliset syvän oppimisen mallit ovat kriittisiä oivallusten tuottamiseksi reaaliajassa.

Mikä on Hermosoluverkoston Hakeminen?

Hermosoluverkoston Hakeminen (NAS) on teknologinen tieteenala, joka pyrkii saavuttamaan parempia syvän oppimisen malleja.

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

NAS:n tavoitteena on löytää paras hermosoluverkkoarkkitehtuuri tiettyyn ongelmaan. Se automatisoi syvän oppimisen mallien suunnittelun, varmistaen korkeamman suorituskyvyn ja vähemmän tappioita kuin käsin suunnitelluilla arkkitehtuureilla. Se käsittää prosessin, jossa algoritmi etsii joukkoa miljoonia saatavilla olevia mallin arkkitehtuureja, jotta saadaan arkkitehtuuri, joka on yksinomaan sovellettavissa ratkaisemaan tiettyä ongelmaa. Yksinkertaisesti sanottuna, se käyttää tekoälyä uuden tekoälyn suunnittelemiseen, perustuen kunkin projektin tiettyihin tarpeisiin.

Se on käytössä tiimien yksinkertaistamaan kehitysprosessia, vähentämään koehenkilöiden määrää ja varmistamaan, että he pääsevät lopulta malliin, joka voi parhaiten palvella sovelluksen tarkkuuden ja suorituskyvyn kohteita.

Mitkä ovat Hermosoluverkoston Hakemisen rajoitukset?

Perinteisen NAS:n päärajoitukset ovat saatavuus ja skaalautuvuus. NAS käytetään tänään pääosin tutkimusympäristössä ja yleensä ainoastaan suurten teknologiayritysten, kuten Google ja Facebook, tai akateemisten instituuttien, kuten Stanfordin, toimesta, koska perinteiset NAS-tekniikat ovat monimutkaisia ja vaativat paljon laskentaresursseja.

Siksi olen niin ylpeä siitä, mitä olemme saavuttaneet Decin uraauurtavan AutoNAC (Automated Neural Architecture Construction) -teknologian kehittämisessä, joka demokratisoi NAS:n ja mahdollistaa yritysten kaiken kokoisen rakentaa mukautettuja mallin arkkitehtuureja paremmalla kuin valmiiden tuloksilla ja nopeudella sovelluksiinsa.

Miten oppiminen objektiivisen havainnon eroaa kuvatyypin mukaan?

Yllättäen kuvatyypin alue ei vaikuta dramaattisesti objektiivisen havainnon mallejen koulutusprosessiin. Olitpa etsimässä jalankulkijaa kadulla, kasvaimen lääketieteellisessä skannauksessa tai piilotettua asetta lentokentän turvatarkastuksessa otetussa röntgenkuvassa, prosessi on melkein sama. Koulutusdata, jota käytät mallin kouluttamiseen, on oltava edustava tehtävää varten, ja mallin koko ja rakenne saattavat vaikuttaa objektien koosta, muodosta ja monimutkaisuudesta kuvissasi.

Miten Deci AI tarjoaa kokonaisvaltaisen alustan syvälle oppimiselle?

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

Aluksi aloitit tiimillä, jossa oli 6 henkilöä, ja nyt palvelet suuria yrityksiä. Voitko kertoa yrityksen kasvusta ja haasteista, joita olet kohdannut?

Olemme innoissamme kasvusta, jonka olemme saavuttaneet vuodesta 2019 lähtien. Nykyään yli 50 työntekijää ja yli 55 miljoonan dollarin rahoituksella, olemme varmoja, että voimme jatkaa kehittäjien auttamista tekoälyn todellisen potentiaalin toteuttamisessa. Lancen jälkeen olemme olleet mukana CB Insightsin AI 100 -listalla, saavuttaneet uraauurtavia saavutuksia, kuten syvän oppimisen mallien perheen, joka tarjoaa läpimurron syvän oppimisen suorituskyvyn CPU:illa, ja vahvistaneet merkityllisiä yhteistyösopimuksia, mukaan lukien Intel:in kanssa.

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

Kuten mainitsin aiemmin, tekoälyn tehokkuuden aukko jatkaa esteiden aiheuttamista tekoälyn tuotteistamiselle. “Vasemmalle siirtäminen” – huomioon ottaen tuotannon rajoitukset varhain kehityskaarella – vähentää aikaa ja kustannuksia, joita käytetään mahdollisten esteiden korjaamiseen, kun syvän oppimisen malleja otetaan käyttöön tuotannossa myöhemmin. Meidän alustamme on osoittanut olevan kykenevä tekemään juuri tämän, tarjoamalla yrityksille työkalut, joita tarvitaan menestyksekkäiden, maailmaa muuttavien tekoälyratkaisujen kehittämiseen ja ottoon.

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

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