Yonatan Geifman, PDG et co-fondateur de Deci – Série d’entretiens

Yonatan Geifman est le PDG et co-fondateur de Deci qui transforme les modèles d’IA en solutions de production de grade sur tout matériel. Deci a été reconnu comme un innovateur technologique pour l’IA de pointe par Gartner et inclus dans la liste CB Insights’ AI 100. Sa technologie propriétaire a établi de nouveaux records à MLPerf avec Intel.

Qu’est-ce qui vous a initialement attiré vers l’apprentissage automatique ?

Dès mon plus jeune âge, j’ai toujours été fasciné par les technologies de pointe – pas seulement en les utilisant, mais en comprenant vraiment leur fonctionnement.

Cette fascination de toute une vie m’a conduit vers mes études de doctorat en informatique, où mes recherches se sont concentrées sur les réseaux de neurones profonds (DNN). Au fur et à mesure que je comprenais cette technologie critique dans un cadre universitaire, j’ai commencé à vraiment saisir les moyens par lesquels l’IA peut avoir un impact positif sur le monde qui nous entoure. Des villes intelligentes qui peuvent mieux surveiller la circulation et réduire les accidents, à des véhicules autonomes qui nécessitent peu ou pas d’intervention humaine, à des appareils médicaux qui sauvent des vies – il y a des applications sans fin où l’IA peut améliorer la société. J’ai toujours su que je voulais prendre part à cette révolution.

Pouvez-vous partager l’histoire de la création de Deci AI ?

Il n’est pas difficile de reconnaître – comme je l’ai fait lorsque j’étais à l’université pour mon doctorat – à quel point l’IA peut être bénéfique dans des cas d’utilisation variés. Pourtant, de nombreuses entreprises ont du mal à tirer parti de tout le potentiel de l’IA, car les développeurs sont constamment confrontés à une bataille difficile pour développer des modèles d’apprentissage profond prêts pour la production. En d’autres termes, il est très difficile de rendre l’IA opérationnelle.

Ces défis peuvent être attribués en grande partie au fossé d’efficacité de l’IA qui affecte l’industrie. Les algorithmes deviennent de plus en plus puissants et nécessitent plus de puissance de calcul, mais en parallèle, ils doivent être déployés de manière efficace en termes de coûts, souvent sur des appareils de pointe à ressources limitées.

Mes co-fondateurs, le professeur Ran El-Yaniv, Jonathan Elial et moi, avons co-fondé Deci pour relever ce défi. Et nous l’avons fait de la seule manière que nous jugions possible – en utilisant l’IA elle-même pour créer la prochaine génération d’apprentissage profond. Nous avons adopté une approche algorithmique en premier lieu, en travaillant pour améliorer l’efficacité des algorithmes d’IA aux premiers stades, ce qui à son tour permettra aux développeurs de construire et de travailler avec des modèles qui offrent les niveaux les plus élevés de précision et d’efficacité pour tout matériel d’inférence donné.

L’apprentissage profond est au cœur de Deci AI, pouvez-vous le définir pour nous ?

L’apprentissage profond, comme l’apprentissage automatique, est un sous-domaine de l’IA, destiné à permettre une nouvelle ère d’applications. L’apprentissage profond est fortement inspiré de la structure du cerveau humain, c’est pourquoi, lorsque nous discutons d’apprentissage profond, nous discutons de « réseaux de neurones ». Cela est super pertinent pour les applications de pointe (pensez aux caméras dans les villes intelligentes, aux capteurs sur les véhicules autonomes, aux solutions d’analyse dans les soins de santé) où les modèles d’apprentissage profond sur place sont cruciaux pour générer de telles informations en temps réel.

Qu’est-ce que la recherche d’architecture de neurones ?

La recherche d’architecture de neurones (NAS) est une discipline technologique visant à obtenir de meilleurs modèles d’apprentissage profond.

Les travaux pionniers de Google (GOOGL ) sur la NAS en 2017 ont contribué à faire de ce sujet un thème majeur, au moins dans les cercles de recherche et universitaires.

L’objectif de la NAS est de trouver la meilleure architecture de réseau de neurones pour un problème donné. Elle automatise la conception des DNN, garantissant de meilleures performances et moins de pertes que les architectures conçues manuellement. Elle implique un processus par lequel un algorithme recherche parmi un espace agrégé de millions de modèles d’architecture disponibles, pour produire une architecture unique adaptée à résoudre ce problème particulier. Pour le dire simplement, elle utilise l’IA pour concevoir de nouvelles IA, en fonction des besoins spécifiques de chaque projet.

Elle est utilisée par les équipes pour simplifier le processus de développement, réduire les itérations d’essais et d’erreurs et s’assurer qu’elles aboutissent au modèle ultime qui peut le mieux servir les objectifs de précision et de performance des applications.

Quelles sont certaines des limites de la recherche d’architecture de neurones ?

Les principales limites de la NAS traditionnelle sont l’accessibilité et la scalabilité. La NAS est aujourd’hui principalement utilisée dans les environnements de recherche et est généralement réalisée uniquement par des géants de la technologie comme Google et Facebook (META ), ou dans des instituts universitaires comme Stanford, car les techniques de NAS traditionnelles sont compliquées à mettre en œuvre et nécessitent beaucoup de ressources informatiques.

C’est pourquoi je suis si fier de nos réalisations dans le développement de la technologie AutoNAC (Construction automatique d’architecture de neurones) de Deci, qui démocratise la NAS et permet aux entreprises de toutes tailles de construire facilement des architectures de modèles personnalisées avec une précision et une rapidité supérieures à celles de l’état de l’art pour leurs applications.

Comment l’apprentissage de la détection d’objets diffère-t-il en fonction du type d’image ?

Étonnamment, le domaine des images n’affecte pas de manière significative le processus d’apprentissage des modèles de détection d’objets. Que vous cherchiez un piéton dans la rue, une tumeur dans une analyse médicale ou un objet caché dans une image de rayons X prise par la sécurité aéroportuaire, le processus est pratiquement le même. Les données que vous utilisez pour former votre modèle doivent être représentatives de la tâche à accomplir, et la taille et la structure du modèle peuvent être affectées par la taille, la forme et la complexité des objets dans votre image.

Comment Deci AI propose-t-elle une plate-forme complète pour l’apprentissage profond ?

La plate-forme de Deci permet aux développeurs de construire, de former et de déployer des modèles d’apprentissage profond précis et rapides en production. En faisant cela, les équipes peuvent tirer parti des recherches et des meilleures pratiques d’ingénierie les plus récentes avec une seule ligne de code, réduire le temps de mise sur le marché de plusieurs mois à quelques semaines et garantir le succès en production.

Vous avez commencé avec une équipe de 6 personnes et vous servez maintenant de grandes entreprises. Pouvez-vous discuter de la croissance de l’entreprise et de certains des défis que vous avez rencontrés ?

Nous sommes ravis de la croissance que nous avons réalisée depuis notre création en 2019. Avec plus de 50 employés et plus de 55 millions de dollars de financement à ce jour, nous sommes confiants que nous pouvons continuer à aider les développeurs à réaliser et à agir sur le véritable potentiel de l’IA. Depuis notre lancement, nous avons été inclus dans la liste CB Insights’ AI 100, réalisé des avancées révolutionnaires, telles que notre famille de modèles qui offrent des performances de pointe en apprentissage profond sur les CPU, et consolidé des collaborations significatives, notamment avec de grands noms comme Intel.

Y a-t-il autre chose que vous aimeriez partager sur Deci AI ?

Comme je l’ai mentionné précédemment, le fossé d’efficacité de l’IA continue de causer d’importants obstacles à la mise en œuvre de l’IA. « Déplacer vers la gauche » – en tenant compte des contraintes de production dès le début du cycle de développement, réduit le temps et le coût consacrés à la résolution des obstacles potentiels lors du déploiement de modèles d’apprentissage profond en production plus tard. Notre plate-forme a prouvé qu’elle est capable de le faire en fournissant aux entreprises les outils nécessaires pour développer et déployer avec succès des solutions d’IA révolutionnaires.

Nous avons un objectif simple – rendre l’IA largement accessible, abordable et évolutivité.

Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter Deci.