योनाटन जिफ़मैन, डेसी - साक्षात्कार श्रृंखला के सीईओ और सह-संस्थापक

योनातन जिफ़मैन के सीईओ और सह-संस्थापक हैं फैसले जो एआई मॉडल को किसी भी हार्डवेयर पर उत्पादन-ग्रेड समाधान में बदल देता है। डेसी को गार्टनर द्वारा एज एआई के लिए टेक इनोवेटर के रूप में मान्यता दी गई है और सीबी इनसाइट्स की एआई 100 सूची में शामिल किया गया है। इसकी मालिकाना तकनीक के प्रदर्शन ने Intel के साथ MLPerf में नए रिकॉर्ड बनाए।

सबसे पहले आपको मशीन लर्निंग की ओर किस चीज़ ने आकर्षित किया?

छोटी उम्र से ही, मैं हमेशा अत्याधुनिक प्रौद्योगिकियों से आकर्षित था - न केवल उनका उपयोग करना, बल्कि यह समझना भी कि वे कैसे काम करते हैं।

इस आजीवन आकर्षण ने कंप्यूटर विज्ञान में मेरी अंतिम पीएचडी पढ़ाई का मार्ग प्रशस्त किया जहां मेरा शोध डीप न्यूरल नेटवर्क्स (डीएनएन) पर केंद्रित था। जैसे ही मुझे अकादमिक सेटिंग में इस महत्वपूर्ण तकनीक की समझ आई, मैंने वास्तव में उन तरीकों को समझना शुरू कर दिया, जिनसे एआई हमारे आसपास की दुनिया को सकारात्मक रूप से प्रभावित कर सकता है। स्मार्ट शहरों से जो यातायात की बेहतर निगरानी कर सकते हैं और दुर्घटनाओं को कम कर सकते हैं, स्वायत्त वाहनों तक जिनमें मानव हस्तक्षेप की बहुत कम या कोई आवश्यकता नहीं है, जीवन रक्षक चिकित्सा उपकरणों तक - ऐसे अनगिनत अनुप्रयोग हैं जहां एआई समाज को बेहतर बना सकता है। मैं हमेशा से जानता था कि मैं उस क्रांति में भाग लेना चाहता हूं।

क्या आप डेसी एआई के पीछे की उत्पत्ति की कहानी साझा कर सकते हैं?

यह पहचानना मुश्किल नहीं है - जैसा कि मैंने तब किया था जब मैं अपनी पीएचडी के लिए स्कूल में था - एआई बोर्ड भर में उपयोग के मामलों में कितना फायदेमंद हो सकता है। फिर भी कई उद्यम एआई की पूरी क्षमता का लाभ उठाने के लिए संघर्ष करते हैं क्योंकि डेवलपर्स को तैनाती के लिए उत्पादन-तैयार गहन शिक्षण मॉडल विकसित करने के लिए लगातार एक कठिन लड़ाई का सामना करना पड़ता है। दूसरे शब्दों में, AI का उत्पादन करना अत्यंत कठिन है।

इन चुनौतियों को काफी हद तक उद्योग के सामने एआई दक्षता अंतर के लिए जिम्मेदार ठहराया जा सकता है। एल्गोरिदम तेजी से अधिक शक्तिशाली हो रहे हैं और अधिक गणना शक्ति की आवश्यकता होती है, लेकिन समानांतर में उन्हें लागत कुशल तरीके से तैनात करने की आवश्यकता होती है, अक्सर संसाधन-बाधित किनारे वाले उपकरणों पर।

मेरे सह-संस्थापक प्रो. रैन एल-यानीव, जोनाथन एलियाल और मैंने उस चुनौती से निपटने के लिए डेसी की सह-स्थापना की। और हमने इसे उसी तरीके से किया जैसा हमें संभव लगा - गहरी शिक्षा की अगली पीढ़ी तैयार करने के लिए एआई का उपयोग करके। हमने शुरुआती चरणों में एआई एल्गोरिदम की प्रभावकारिता में सुधार करने के लिए काम करते हुए एक एल्गोरिदम-प्रथम दृष्टिकोण अपनाया, जो बदले में डेवलपर्स को ऐसे मॉडल बनाने और उनके साथ काम करने के लिए सशक्त करेगा जो किसी भी अनुमान हार्डवेयर के लिए उच्चतम स्तर की सटीकता और दक्षता प्रदान करते हैं।

डीप लर्निंग डेसी एआई के मूल में है, क्या आप इसे हमारे लिए परिभाषित कर सकते हैं?

मशीन लर्निंग की तरह डीप लर्निंग, एआई का एक उपक्षेत्र है, जो अनुप्रयोगों के एक नए युग को सशक्त बनाने के लिए तैयार है। गहन शिक्षण काफी हद तक मानव मस्तिष्क की संरचना से प्रेरित है, यही कारण है कि जब हम गहन शिक्षण पर चर्चा करते हैं, तो हम "तंत्रिका नेटवर्क" पर चर्चा करते हैं। यह एज एप्लिकेशन (स्मार्ट शहरों में कैमरे, स्वायत्त वाहनों पर सेंसर, स्वास्थ्य सेवा में विश्लेषणात्मक समाधान) के लिए बेहद प्रासंगिक है, जहां वास्तविक समय में ऐसी अंतर्दृष्टि उत्पन्न करने के लिए ऑन-साइट गहन शिक्षण मॉडल महत्वपूर्ण हैं।

तंत्रिका वास्तुकला खोज क्या है?

न्यूरल आर्किटेक्चर सर्च (एनएएस) एक तकनीकी अनुशासन है जिसका उद्देश्य बेहतर गहन शिक्षण मॉडल प्राप्त करना है।

2017 में NAS पर Google के अग्रणी कार्य ने इस विषय को मुख्यधारा में लाने में मदद की, कम से कम अनुसंधान और शैक्षणिक क्षेत्रों में।

एनएएस का लक्ष्य किसी दी गई समस्या के लिए सर्वोत्तम तंत्रिका नेटवर्क आर्किटेक्चर ढूंढना है। यह डीएनएन की डिजाइनिंग को स्वचालित करता है, जिससे मैन्युअल रूप से डिजाइन किए गए आर्किटेक्चर की तुलना में उच्च प्रदर्शन और कम नुकसान सुनिश्चित होता है। इसमें एक ऐसी प्रक्रिया शामिल है जिसके तहत एक एल्गोरिदम उस विशेष समस्या को हल करने के लिए विशिष्ट रूप से उपयुक्त आर्किटेक्चर प्राप्त करने के लिए लाखों उपलब्ध मॉडल आर्कुइटेक्योर के समग्र स्थान के बीच खोज करता है। सीधे शब्दों में कहें तो, यह किसी भी प्रोजेक्ट की विशिष्ट आवश्यकताओं के आधार पर नए एआई को डिजाइन करने के लिए एआई का उपयोग करता है।

इसका उपयोग टीमों द्वारा विकास प्रक्रिया को सरल बनाने, परीक्षण और त्रुटि पुनरावृत्तियों को कम करने और यह सुनिश्चित करने के लिए किया जाता है कि वे अंतिम मॉडल के साथ समाप्त हों जो अनुप्रयोगों की सटीकता और प्रदर्शन लक्ष्यों को सर्वोत्तम रूप से पूरा कर सके।

तंत्रिका वास्तुकला खोज की कुछ सीमाएँ क्या हैं?

पारंपरिक NAS की मुख्य सीमाएँ पहुंच और मापनीयता हैं। एनएएस का उपयोग आज ज्यादातर अनुसंधान सेटिंग्स में किया जाता है और आम तौर पर केवल Google और फेसबुक जैसे तकनीकी दिग्गजों द्वारा या स्टैनफोर्ड जैसे शैक्षणिक संस्थानों में ही किया जाता है क्योंकि पारंपरिक एनएएस तकनीकों को लागू करना जटिल होता है और बहुत सारे कम्प्यूटेशनल संसाधनों की आवश्यकता होती है।

यही कारण है कि मुझे डेसी की अभूतपूर्व ऑटोएनएसी (ऑटोमेटेड न्यूरल आर्किटेक्चर कंस्ट्रक्शन) तकनीक विकसित करने में हमारी उपलब्धियों पर बहुत गर्व है, जो एनएएस को लोकतांत्रिक बनाती है और सभी आकार की कंपनियों को अत्याधुनिक सटीकता से बेहतर और आसानी से कस्टम मॉडल आर्किटेक्चर बनाने में सक्षम बनाती है। उनके अनुप्रयोगों के लिए गति.

छवि प्रकार के आधार पर आपत्ति पहचान सीखना किस प्रकार भिन्न है?

आश्चर्यजनक रूप से, छवियों का डोमेन ऑब्जेक्ट डिटेक्शन मॉडल की प्रशिक्षण प्रक्रिया को नाटकीय रूप से प्रभावित नहीं करता है। चाहे आप सड़क पर किसी पैदल यात्री की तलाश कर रहे हों, मेडिकल स्कैन में ट्यूमर की तलाश कर रहे हों, या हवाई अड्डे की सुरक्षा द्वारा ली गई एक्स-रे छवि में छिपे हुए हथियार की तलाश कर रहे हों, प्रक्रिया लगभग एक जैसी ही है। आप अपने मॉडल को प्रशिक्षित करने के लिए जिस डेटा का उपयोग करते हैं, वह मौजूदा कार्य का प्रतिनिधि होना चाहिए, और मॉडल का आकार और संरचना आपकी छवि में वस्तुओं के आकार, आकार और जटिलता से प्रभावित हो सकती है।

डेसी एआई गहन शिक्षण के लिए एंड-टू-एंड प्लेटफॉर्म कैसे प्रदान करता है?

डेसी का प्लेटफ़ॉर्म डेवलपर्स को उत्पादन के लिए सटीक और तेज़ गहन शिक्षण मॉडल बनाने, प्रशिक्षित करने और तैनात करने का अधिकार देता है। ऐसा करने पर, टीमें कोड की एक पंक्ति के साथ सबसे अत्याधुनिक अनुसंधान और इंजीनियरिंग सर्वोत्तम प्रथाओं का लाभ उठा सकती हैं, बाजार में आने के समय को महीनों से लेकर कुछ हफ्तों तक कम कर सकती हैं और उत्पादन में सफलता की गारंटी दे सकती हैं।

आपने शुरुआत में 6 लोगों की टीम के साथ शुरुआत की और अब आप बड़े उद्यमों को सेवा दे रहे हैं। क्या आप कंपनी के विकास और आपके सामने आने वाली कुछ चुनौतियों पर चर्चा कर सकते हैं?

2019 में शुरुआत के बाद से हमने जो विकास हासिल किया है, उससे हम रोमांचित हैं। अब, 50 से अधिक कर्मचारी और अब तक 55 मिलियन डॉलर से अधिक की फंडिंग के साथ, हमें विश्वास है कि हम डेवलपर्स को एआई की वास्तविक क्षमता का एहसास करने और उस पर कार्य करने में मदद करना जारी रख सकते हैं। लॉन्चिंग के बाद से, हमें इसमें शामिल किया गया है सीबी इनसाइट्स का एआई 100, अभूतपूर्व उपलब्धियाँ हासिल कीं, जैसे हमारे मॉडलों का परिवार जो सफलताएँ प्रदान करता है सीपीयू पर गहन शिक्षण प्रदर्शन, और जैसे बड़े नामों सहित सार्थक सहयोग को मजबूत किया इंटेल.

क्या कुछ और है जो आप डेसी एआई के बारे में साझा करना चाहेंगे?

जैसा कि मैंने पहले उल्लेख किया है, एआई दक्षता अंतर एआई उत्पादीकरण के लिए बड़ी बाधाओं का कारण बना हुआ है। "बायीं ओर स्थानांतरण" - विकास जीवनचक्र की शुरुआत में उत्पादन बाधाओं को ध्यान में रखते हुए, उत्पादन में गहन शिक्षण मॉडल को तैनात करते समय संभावित बाधाओं को ठीक करने में लगने वाला समय और लागत कम हो जाती है। हमारा प्लेटफ़ॉर्म कंपनियों को विश्व-परिवर्तनकारी एआई समाधानों को सफलतापूर्वक विकसित करने और तैनात करने के लिए आवश्यक उपकरण प्रदान करके ऐसा करने में सक्षम साबित हुआ है।

हमारा लक्ष्य सरल है - एआई को व्यापक रूप से सुलभ, किफायती और स्केलेबल बनाना।

बेहतरीन साक्षात्कार के लिए धन्यवाद, जो पाठक अधिक जानना चाहते हैं, उन्हें अवश्य आना चाहिए फैसले.