ओमरी गेलर, रन:एआई - साक्षात्कार श्रृंखला के सीईओ और सह-संस्थापक

ओमरी गेलर इसके सीईओ और सह-संस्थापक हैं रन: ए.आई.

रन: एआई दृश्यता सुनिश्चित करने और अंततः, संसाधन प्राथमिकताकरण और आवंटन पर नियंत्रण सुनिश्चित करने के लिए जीपीयू कंप्यूट संसाधनों को पूल करके एआई को वर्चुअलाइज और तेज करता है। यह सुनिश्चित करता है कि एआई परियोजनाओं को व्यावसायिक लक्ष्यों के अनुसार मैप किया जाता है और डेटा विज्ञान टीमों की उत्पादकता में महत्वपूर्ण सुधार होता है, जिससे उन्हें संसाधन सीमाओं के बिना समवर्ती मॉडल बनाने और प्रशिक्षित करने की अनुमति मिलती है।

वह क्या चीज़ थी जिसने शुरू में आपको आर्टिफिशियल इंटेलिजेंस की ओर आकर्षित किया?

जब मैंने तेल अवीव विश्वविद्यालय में इलेक्ट्रिकल और इलेक्ट्रॉनिक्स इंजीनियरिंग में स्नातक की डिग्री शुरू की, तो मुझे एआई के बारे में आकर्षक चीजें पता चलीं, जिनके बारे में मुझे पता था कि ये हमें कंप्यूटिंग संभावनाओं में अगले कदम पर ले जाने में मदद करेंगी। वहां से, मुझे पता चला कि मैं खुद को एआई क्षेत्र में निवेश करना चाहता हूं। चाहे वह एआई अनुसंधान में हो, या एक ऐसी कंपनी खोलना हो जो दुनिया में एआई को लागू करने के नए तरीके पेश करने में मदद करेगी।

क्या आपको हमेशा से कंप्यूटर हार्डवेयर में रुचि रही है?

जब मुझे छह या सात साल की उम्र में इंटेल 486 प्रोसेसर वाला अपना पहला कंप्यूटर मिला, तो मुझे तुरंत यह जानने में दिलचस्पी हुई कि सब कुछ कैसे काम करता है, भले ही मैं वास्तव में इसे समझने के लिए शायद बहुत छोटा था। खेल के अलावा, बड़े होते हुए कंप्यूटर मेरे सबसे बड़े शौक में से एक बन गया। तब से, मैंने कंप्यूटर बनाया है, उनके साथ काम किया है, और बचपन में मेरे जुनून के कारण इस क्षेत्र में अध्ययन करने लगा।

रन:एआई लॉन्च करने के पीछे आपकी प्रेरणा क्या थी?

मुझे शुरू से ही पता था कि मैं खुद को एआई क्षेत्र में निवेश करना चाहता हूं। पिछले कुछ वर्षों में, उद्योग ने एआई में जबरदस्त वृद्धि देखी है, और यह वृद्धि मेरे जैसे कंप्यूटर वैज्ञानिकों और हार्डवेयर दोनों से आई है जो अधिक अनुप्रयोगों का समर्थन कर सकते हैं। मेरे लिए यह स्पष्ट हो गया कि मैं अनिवार्य रूप से एक कंपनी शुरू करूंगा - और अपने सह-संस्थापक रोनेन डार के साथ मिलकर - नवाचार करना जारी रखूंगा और अधिक उद्यम कंपनियों में एआई लाने में मदद करूंगा।

रन:एआई मशीन लर्निंग विशेषज्ञों को महंगे जीपीयू संसाधनों के आवंटन पर एक नए प्रकार का नियंत्रण हासिल करने में सक्षम बनाता है। क्या आप बता सकते हैं कि यह कैसे काम करता है?

हमें यह समझने की आवश्यकता है कि शोधकर्ताओं और डेटा वैज्ञानिकों की तरह मशीन लर्निंग इंजीनियरों को लचीले तरीके से कंप्यूटिंग शक्ति का उपभोग करने की आवश्यकता है। आज की नवीनतम संगणनाएँ न केवल अत्यधिक गणना-गहन हैं, बल्कि नए वर्कफ़्लो भी हैं जिनका उपयोग डेटा विज्ञान में किया जा रहा है। ये वर्कफ़्लो इस तथ्य पर आधारित हैं कि डेटा विज्ञान प्रयोग और चल रहे प्रयोगों पर आधारित है।

अधिक कुशल प्रयोग चलाने के लिए नए समाधान विकसित करने के लिए, हमें समय-समय पर इन वर्कफ़्लो प्रवृत्तियों का अध्ययन करने की आवश्यकता है। उदाहरण के लिए: एक डेटा वैज्ञानिक एक दिन में आठ जीपीयू का उपयोग करता है, लेकिन फिर अगले दिन वे शून्य का उपयोग कर सकते हैं, या वे लंबे समय तक एक जीपीयू का उपयोग कर सकते हैं, लेकिन फिर उन्हें 100 जीपीयू का उपयोग करने की आवश्यकता होती है क्योंकि वे 100 प्रयोग चलाना चाहते हैं। समानांतर में। एक बार जब हम एक उपयोगकर्ता की प्रसंस्करण शक्ति को अनुकूलित करने के लिए इस वर्कफ़्लो को समझ लेते हैं, तो हम इसे कई उपयोगकर्ताओं के लिए स्केल करना शुरू कर सकते हैं।

पारंपरिक कंप्यूटिंग के साथ, प्रत्येक उपयोगकर्ता को एक विशिष्ट संख्या में जीपीयू आवंटित किए जाते हैं, इस बात पर ध्यान दिए बिना कि वे उपयोग में हैं या नहीं। इस पद्धति के साथ, कई बार, महंगे जीपीयू बेकार बैठे रहते हैं और कोई भी उन तक पहुंच नहीं पाता है, जिसके परिणामस्वरूप जीपीयू के लिए कम आरओआई होता है। हम कंपनी की वित्तीय प्राथमिकताओं को समझते हैं, और ऐसे समाधान पेश करते हैं जो उपयोगकर्ताओं की आवश्यकताओं के अनुसार उन संसाधनों के गतिशील आवंटन की अनुमति देते हैं। एक लचीली प्रणाली की पेशकश करके, हम आवश्यकता पड़ने पर किसी विशिष्ट उपयोगकर्ता को अतिरिक्त बिजली आवंटित कर सकते हैं, अन्य उपयोगकर्ताओं द्वारा उपयोग में नहीं आने वाले जीपीयू का उपयोग करके, कंपनी के कंप्यूटिंग संसाधनों के लिए अधिकतम आरओआई बनाकर और एआई समाधानों के बाजार में नवाचार और समय में तेजी ला सकते हैं।

रन: एआई कार्यात्मकताओं में से एक यह है कि यह जीपीयू के स्थिर आवंटन द्वारा बनाए गए ब्लाइंड स्पॉट को कम करने में सक्षम बनाता है। यह कैसे हासिल किया जाता है?

हमारे पास एक उपकरण है जो हमें संसाधनों के समूह में पूर्ण दृश्यता प्रदान करता है। इस उपकरण का उपयोग करके, हम निरीक्षण कर सकते हैं और समझ सकते हैं कि क्या ब्लाइंड स्पॉट हैं, और फिर उन निष्क्रिय जीपीयू का उपयोग उन उपयोगकर्ताओं के लिए कर सकते हैं जिन्हें आवंटन की आवश्यकता है। वही उपकरण जो क्लस्टर में दृश्यता प्रदान करता है और क्लस्टर पर नियंत्रण प्रदान करता है, यह भी सुनिश्चित करता है कि उन अंधे स्थानों को कम किया जाए।

हाल के एक भाषण में, आपने निर्माण और प्रशिक्षण वर्कफ़्लो के बीच कुछ अंतरों पर प्रकाश डाला, क्या आप बता सकते हैं कि रन: एआई दोनों के लिए संसाधन प्रबंधन आवंटित करने के लिए जीपीयू कतार प्रबंधन तंत्र का उपयोग कैसे करता है?

एक AI मॉडल दो चरणों में बनाया जाता है। सबसे पहले, बिल्डिंग चरण है, जहां एक डेटा वैज्ञानिक वास्तविक मॉडल बनाने के लिए कोड लिख रहा है, उसी तरह जैसे एक इंजीनियर एक कार बनाता है। दूसरा प्रशिक्षण चरण है, जहां पूरा किया गया मॉडल किसी विशिष्ट कार्य को अनुकूलित करने के तरीके के बारे में सीखना और 'प्रशिक्षित' होना शुरू करता है। जैसे कोई कार असेंबल करने के बाद उसे चलाना सीख रहा हो।

मॉडल को स्वयं बनाने के लिए अधिक कंप्यूटिंग शक्ति की आवश्यकता नहीं होती है। हालाँकि, अंततः, छोटे, आंतरिक परीक्षण शुरू करने के लिए इसे मजबूत प्रसंस्करण शक्ति की आवश्यकता हो सकती है। उदाहरण के लिए, जिस तरह से एक इंजीनियर अंततः इंजन को स्थापित करने से पहले उसका परीक्षण करना चाहेगा। प्रत्येक चरण के दौरान इन विशिष्ट आवश्यकताओं के कारण, Run.AI GPU आवंटन की अनुमति देता है, भले ही वे मॉडल का निर्माण या प्रशिक्षण कर रहे हों, हालांकि, जैसा कि पहले उल्लेख किया गया है, मॉडल को प्रशिक्षित करने के लिए आमतौर पर उच्च GPU उपयोग की आवश्यकता होती है जबकि इसे बनाने के लिए कम की आवश्यकता होती है। .

एआई डेवलपर्स द्वारा कितना कच्चा कंप्यूटिंग समय/संसाधन बचाया जा सकता है जो Run.AI को अपने सिस्टम में एकीकृत करना चाहते हैं?

Run.ai पर हमारे समाधान संसाधनों के डिजिटलीकरण में लगभग दो से तीन गुना सुधार कर सकते हैं, यानी समग्र उत्पादकता में 2-3 गुना बेहतर।

साक्षात्कार के लिए धन्यवाद, जो पाठक अधिक जानना चाहते हैं वे आ सकते हैं रन: ए.आई..