Yashar Behzadi, izvršni direktor Synthesis AI – Serija intervjua

Yashar Behzadi PhD je izvršni direktor i osnivač Sinteza AI. On je iskusan poduzetnik koji je izgradio transformativne tvrtke u AI, medicinskoj tehnologiji i IoT tržištima. Posljednjih 14 godina proveo je u Silicijskoj dolini gradeći i povećavajući tehnološke tvrtke usmjerene na podatke. Yashar ima preko 30 patenata i patenata na čekanju i doktorat znanosti. s UCSD-a s fokusom na prostorno-vremensko modeliranje funkcionalnog oslikavanja mozga.

Sinteza AI je startup na raskrižju dubokog učenja i CGI-ja, stvarajući novu paradigmu za razvoj modela računalnog vida. Korisnicima omogućuju razvoj boljih modela uz djelić vremena i cijene u odnosu na tradicionalne pristupe temeljene na ljudskim komentarima.

Kako ste se u početku uključili u informatiku i AI?

Stekao sam doktorat znanosti. s UCSD-a 2006. usredotočio se na računalni vid i prostorno i vremensko modeliranje podataka o slikanju mozga. Zatim sam sljedećih 16 godina radio u Silicijskoj dolini na sjecištu senzora, podataka i strojnog učenja u različitim industrijama. Osjećam se vrlo sretnim što imam priliku raditi na nekim izvanrednim tehnologijama i imam više od 30 izdanih ili prijavljenih patenata usmjerenih na obradu signala, strojno učenje i znanost o podacima.

Možete li podijeliti priču o nastanku Synthesis AI?

Prije nego što sam 2019. osnovao Synthesis AI, vodio sam globalnu tvrtku za usluge umjetne inteligencije usmjerenu na razvoj modela računalnog vida za vodeća tehnološka poduzeća. Bez obzira na veličinu tvrtke, otkrio sam da smo iznimno ograničeni kvalitetom i količinom označenih podataka o obuci. Kako su se tvrtke geografski širile, povećavale svoju bazu kupaca ili razvijale nove modele i novi hardver, bili su potrebni novi podaci o obuci kako bi se osigurala odgovarajuća izvedba modela. Također je postalo jasno da budućnost računalnog vida neće biti uspješna s današnjom paradigmom bilježenja čovjeka u petlji. Nove aplikacije računalnog vida u autonomiji, robotici i AR/VR/metaverse aplikacijama zahtijevaju bogat skup 3D oznaka, informacije o dubini, svojstva materijala, detaljnu segmentaciju itd., koje ljudi ne mogu označiti. Bila je potrebna nova paradigma kako bi se osigurao neophodan bogat skup oznaka za obuku ovih novih modela. Osim tehničkih pokretača, vidjeli smo sve veći nadzor potrošača i regulatora oko etičkih pitanja povezanih s pristranošću modela i privatnošću potrošača.

Uspostavio sam Synthesis AI s namjerom transformirati paradigmu računalnog vida. Tvrtkina platforma za generiranje sintetičkih podataka omogućuje generiranje fotorealističnih slikovnih podataka na zahtjev s proširenim skupom oznaka savršenih 3D piksela. Naša misija je pionir sintetičkih podatkovnih tehnologija kako bismo omogućili etički razvoj sposobnijih modela.

Za čitatelje koji nisu upoznati s ovim pojmom, možete li definirati što su sintetički podaci?

Sintetički podaci računalno su generirani podaci koji služe kao alternativa podacima iz stvarnog svijeta. Sintetički podaci nastaju u simuliranim digitalnim svjetovima umjesto da se prikupljaju ili mjere u stvarnom svijetu. Kombinirajući alate iz svijeta vizualnih efekata i CGI s generativnim AI modelima, Synthesis AI omogućuje tvrtkama stvaranje golemih količina fotorealističnih, raznolikih podataka na zahtjev za obuku modela računalnog vida. Tvrtkina platforma za generiranje podataka smanjila je troškove i brzinu za dobivanje visokokvalitetnih slikovnih podataka za nekoliko redova veličine uz očuvanje privatnosti.

Možete li raspraviti o tome kako se generiraju sintetički podaci?

Sintetički skup podataka stvara se umjetno, a ne pomoću podataka iz stvarnog svijeta. Tehnologije iz industrije vizualnih efekata uparene su s generativnim neuronskim mrežama za stvaranje golemih, raznolikih i fotorealističnih označenih slikovnih podataka. Sintetički podaci omogućuju stvaranje podataka o obuci uz djelić troškova i vremena trenutnih pristupa.

Kako korištenje sintetičkih podataka stvara konkurentsku prednost?

Trenutačno većina AI sustava koristi 'nadzirano učenje' gdje ljudi označavaju ključeve pripisane slikama i zatim treniraju AI algoritme za tumačenje slika. Ovo je proces koji zahtijeva resurse i vrijeme i ograničen je onim što ljudi mogu točno označiti. Dodatno, pojačana je zabrinutost zbog demografske pristranosti umjetne inteligencije i privatnosti potrošača, zbog čega je sve teže dobiti reprezentativne ljudske podatke.

Naš pristup je stvaranje fotorealističnih digitalnih svjetova koji sintetiziraju složene slikovne podatke. Budući da mi generiramo podatke, znamo sve o scenama, uključujući nikada prije dostupne informacije o 3D lokaciji objekata i njihovoj složenoj interakciji s drugima i okolinom. Prikupljanje i označavanje ove količine podataka korištenjem sadašnjih pristupa trajalo bi mjesecima, ako ne i godinama. Ova nova paradigma omogućit će 100x poboljšanje učinkovitosti i troškova i pokrenuti novu klasu sposobnijih modela.

Budući da se sintetički podaci generiraju umjetno, to eliminira mnoge pristranosti i brige o privatnosti s tradicionalnim prikupljanjem skupova podataka iz stvarnog svijeta.

Kako generiranje podataka na zahtjev omogućuje ubrzano skaliranje?

Snimanje i priprema podataka iz stvarnog svijeta za obuku modela je dug i naporan proces. Uvođenje potrebnog hardvera može biti pretjerano skupo za komplicirane sustave računalnog vida poput autonomnih vozila, robotike ili satelitskih slika. Nakon što su podaci snimljeni, ljudi označavaju i označavaju bitne značajke. Ovaj je proces sklon pogreškama, a ljudi su ograničeni u svojoj sposobnosti označavanja ključnih informacija poput 3D položaja potrebnog za mnoge aplikacije.

Sintetički podaci su redova veličine brži i jeftiniji od tradicionalnih pristupa stvarnim podacima s ljudskim bilješkama te će ubrzati implementaciju novih i sposobnijih modela u svim industrijama.

Kako sintetički podaci omogućuju smanjenje ili sprječavanje pristranosti umjetne inteligencije?

Sustavi umjetne inteligencije su sveprisutni, ali mogu sadržavati inherentne predrasude koje mogu utjecati na grupe ljudi. Skupovi podataka mogu biti neuravnoteženi s određenim klasama podataka i premalo ili premalo zastupljenim skupinama ljudi. Izgradnja sustava usmjerenih na čovjeka često može dovesti do pristranosti prema spolu, etničkoj pripadnosti i dobi. Nasuprot tome, podaci o obuci generirani dizajnom pravilno su uravnoteženi i nemaju ljudske pristranosti.

Sintetički podaci mogli bi postati robusno rješenje u rješavanju problema pristranosti umjetne inteligencije. Sintetički podaci generiraju se djelomično ili potpuno umjetno, umjesto da se mjere ili izvlače iz događaja ili pojava u stvarnom svijetu. Ako skup podataka nije raznolik ili dovoljno velik, podaci generirani umjetnom inteligencijom mogu popuniti rupe i formirati nepristran skup podataka. Najbolji dio? Ručno stvaranje ovih skupova podataka timovima može potrajati nekoliko mjeseci ili godina. Kada se dizajnira sa sintetičkim podacima, to se može učiniti preko noći.

Izvan računalnog vida, koji su drugi potencijalni slučajevi upotrebe sintetičkih podataka?

Uz mnoštvo slučajeva upotrebe računalnog vida povezanih s potrošačkim proizvodima, autonomijom, robotikom, AR/VR/metaverzumom i više, sintetički podaci također će utjecati na druge modalitete podataka. Već vidimo da tvrtke koriste pristupe sintetičkih podataka za strukturirane tablične podatke, glas i obradu prirodnog jezika. Temeljne tehnologije i cjevovodi za proizvodnju razlikuju se za svaki modalitet, au bliskoj budućnosti očekujemo multimodalne sustave (npr. video + glas).

Postoji li još nešto što biste željeli podijeliti o Synthesis AI?

Krajem prošle godine izdali smo HumanAPI, značajno proširenje mogućnosti sintetičkih podataka Synthesis AI-a koje omogućuju programsko generiranje milijuna jedinstvenih, visokokvalitetnih 3D digitalnih ljudi. Ova najava dolazi nekoliko mjeseci nakon lansiranja FaceAPI sintetičkog proizvoda podataka kao usluge, koji je isporučio preko 10 milijuna označenih slika lica za vodeće tvrtke za pametne telefone, telekonferencije, automobile i tehnološke tvrtke. HumanAPI je sljedeći korak na putu tvrtke da podrži napredne aplikacije umjetne inteligencije (AI) računalnog vida.

HumanAPI također omogućuje bezbroj novih mogućnosti za naše klijente, uključujući pametne AI asistente, virtualne fitness trenere i, naravno, svijet metaverse aplikacija.

Stvaranjem digitalnog dvojnika stvarnog svijeta, metaverzum će omogućiti nove aplikacije u rasponu od ponovno osmišljenih društvenih mreža, zabavnih iskustava, telekonferencija, igranja i više. AI računalnog vida bit će ključan za način na koji se stvarni svijet snima i rekreira s visokom vjernošću u digitalnom području. Fotorealistični, izražajni i točni ljudi bit će bitna komponenta budućnosti aplikacija računalnog vida. HumanAPI je prvi proizvod koji tvrtkama omogućuje stvaranje golemih količina savršeno označenih podataka o cijelom tijelu na zahtjev za izradu sposobnijih AI modela, uključujući procjenu položaja, prepoznavanje emocija, karakterizaciju aktivnosti i ponašanja, rekonstrukciju lica i još mnogo toga.

Hvala vam na sjajnom intervjuu, čitatelji koji žele saznati više neka ga posjete Sinteza AI.